金融科技對中小企業融資成本的影響：基于數字金融平臺的數據分析

一、引言

隨著信息技術的迅速發展，金融科技成為全球金融創新的重要推動力，特別是在中小企業融資領域。中小企業是經濟發展的關鍵，但由于信息不對稱和擔保不足等問題，傳統融資渠道存在高成本和融資困難的問題。金融科技，尤其是數字金融平臺，打破了傳統銀行的中介角色，通過大數據和人工智能等技術優化信用評估和風險分級，顯著提高了融資效率，降低了融資成本。數字金融平臺通過直接連接投資者與借款者，解決了信息不對稱，推動了融資環境的創新。隨著數字金融平臺的快速發展，越來越多的中小企業選擇這一新興渠道獲取融資，促進了金融市場的變革與創新。

然而，盡管數字金融平臺在中小企業融資中的優勢逐漸顯現，但其對融資成本的具體影響仍然缺乏深入的實證分析。由于平臺本身的監管不足、信息披露不完全等問題，可能導致平臺的融資成本較高，甚至有可能加劇金融風險。因此，本文旨在通過實證分析，探討金融科技，尤其是數字金融平臺，在中小企業融資成本方面的作用與影響。

二、文獻綜述與理論假設

金融科技指通過創新技術對傳統金融行業進行的改造。早期研究集中于金融科技對傳統銀行體系的影響，隨著技術發展，金融科技逐漸滲透到中小企業融資領域。研究表明，金融科技通過降低銀行門檻、提高融資效率、優化貸款審批流程、減少信息不對稱，從而降低融資成本。尤其是在大數據和人工智能的支持下，金融科技能夠精準評估中小企業的信用風險，為其提供更為公平和低成本的融資機會。

數字金融平臺作為金融科技的典型形式，直接連接借款人和投資者，顯著提高融資效率。研究發現，數字金融平臺通過先進的信用評分模型和大數據分析，能夠降低融資成本，提升利率透明度。與傳統銀行貸款相比，數字金融平臺的貸款審批簡便、融資周期短、門檻低，特別適用于缺乏傳統擔保的中小企業。利用智能合約和區塊鏈技術，數字金融平臺提升了安全性和透明度，增強了投資者信任。然而，數字金融平臺也面臨著風險問題，部分平臺由于監管不足、信息披露不充分，導致融資成本高于預期。

盡管已有研究驗證了金融科技對融資成本的影響，但大多數集中于理論探討，缺乏實證分析，尤其是不同平臺運營模式、監管環境和技術水平對融資成本的具體影響尚未充分研究。現有研究多集中于發達國家，國內相關研究較少，本文旨在通過分析中國市場上的數字金融平臺數據填補這一空白。

三、數據選取與模型構建

本文的樣本數據主要來源于2018一2023年的中小企業融資數據。研究的樣本包括了5家大型數字金融平臺。這些平臺在中國市場上具有較大的市場份額，并且其借貸數據較為完整，能夠較好地代表中國市場的整體情況。

融資成本的度量指標選取了兩個關鍵變量：借款利率和融資費用，為研究數字金融平臺的金融科技如何影響中小企業融資成本，本文選擇了以下幾個主要自變量：平臺信用評級、借款金額、借款期限、企業信用評分和平臺規模。本文采用面板數據回歸模型進行實證分析。通過固定效應模型（FEM）控制個體異質性，適用于分析平臺和企業間的差異對融資成本的影響；隨機效應模型（REM）適用于樣本較大的情況下，考慮時間和個體效應的隨機變化；多元回歸分析則用于驗證各個因素對融資成本的具體影響。

模型相關假設如下：

H1：平臺信用評級越高，融資成本越低；

H2：借款金額越大，融資成本越高;

H3：借款期限越長，融資成本越高;

H4：企業信用評分越高，融資成本越低；

H5：平臺規模越大，融資成本越低。

四、實證分析

1.回歸分析模型設定

為了全面分析金融科技平臺特征對融資成本的影響，本文采用了固定效應模型和隨機效應模型進行回歸分析。

在回歸分析中，設定以下模型：

FIC_it=β₀+β₁CRR_it+β₂LA_it+β₃LT_it+β₄ECS_it+β₅PS_it+ε_it

其中， FIC_it 代表 i 個平臺在第 t 時期的融資成本（包括借款利率和融資費用）。 CRR_it 代表平臺信用評級。 LA_it 代表借款金額。 LT_it 代表借款期限。 ECS_it 代表企業信用評分。 PS_it 代表平臺規模（如平臺市場份額）。 ε_it 是誤差項。

2.實證結果

（1）描述性統計分析

首先，我們對樣本數據進行描述性統計分析。表1展示了融資成本、平臺信用評級、借款金額、借款期限、企業信用評分和平臺規模等變量的基本統計量。

從表1中可以看到，融資成本的均值為 8.12% ，平臺信用評級的均值為3.45，表明大多數平臺的信用評級處于中等水平。借款金額的均值為112.30萬元，借款期限的均值為18個月，表明大多數借款企業選擇中等規模和中等期限的融資。

（2）回歸結果

接下來，展示固定效應模型和隨機效應模型的回歸結果。表2展示了融資成本（借款利率和融資費用）與各個自變量之間的關系。

表2回歸結果顯示，所有自變量的系數均符合預期，并且具有顯著性，表明這些變量對融資成本有重要影響。

平臺信用評級（CRR）：平臺信用評級與融資成本呈顯著負相關，這一結果表明，高信用評級的平臺通常具有更低的融資成本，符合H1。平臺的信用評級提高，意味著其風險較低，投資者和借款人都更愿意參與，從而降低融資成本。借款金額（LA）：借款金額與融資成本呈顯著正相關，這一結果驗證了H2，即大額貸款往往伴隨著較高的融資成本，因為大額貸款的風險更高，平臺需要提供更多的擔保或采取更高的利率來彌補風險。借款期限（LT）：借款期限與融資成本也呈顯著正相關，長期貸款的風險和管理成本較高，因此借款期限的延長通常意味著更高的融資成本，這一結果驗證了H3。企業信用評分（ECS）：企業信用評分與融資成本呈顯著負相關，這一結果驗證了H4，即信用良好的企業能夠以較低的利率獲得融資。信用評分高的企業違約風險低，平臺傾向于為其提供較低的融資成本。平臺規模（PS）：平臺規模與融資成本呈顯著負相關，這與H5一致，大規模平臺通常擁有更多資源和資金，能夠降低融資成本。此外，大平臺往往具有較強的風控能力和市場信譽，從而能夠提供更低的融資利率。

3.結果討論

根據回歸分析結果，可以得出以下幾點主要結論：

平臺信用評級對融資成本的影響顯著：高信用評級的平臺通常提供更低的融資成本。平臺的信用評級反映了其風險控制能力和市場信譽，信用好的平臺能夠吸引更多投資者參與，從而降低融資成本。借款金額和借款期限對融資成本有正向影響：借款金額越大、借款期限越長，融資成本通常越高。企業信用評分和平臺規模對融資成本的影響也顯著：信用良好的企業能夠以較低的融資成本獲得貸款，而大規模平臺通常能夠提供更低的利率，降低融資成本。

表1主要變量的描述性統計結果

表2相關系數矩陣

五、研究結論與啟示

1.主要研究結論

研究表明，平臺信用評級、借款金額、借款期限、企業信用評分和平臺規模對融資成本具有顯著影響。首先，平臺信用評級與融資成本呈顯著負相關，平臺信用評級每提高1個單位，融資成本將下降約 0.26% 。信用較好的平臺因具有更高的信譽和較低的風險，能為借款人提供更低的融資利率。其次，借款金額與融資成本正相關，每增加1萬元借款，融資成本增加約0.13% ，大額貸款需要更多的風險評估和管理。借款期限每增加1個月，融資成本增加約 0.17% ，長期貸款面臨更高風險，需要更嚴格的風控措施。企業信用評分與融資成本也呈負相關，信用評分每提高1分，融資成本將降低約 0.05% 。信用良好的企業違約風險較低，能夠以較低的利率融資。最后，平臺規模與融資成本負相關，每增加1單位市場份額，融資成本下降約0.15% 。大型平臺具備更強的市場影響力和風險分散能力，能夠降低資金成本并提供更低的融資利率。綜上所述，平臺特征顯著影響融資成本，優化這些因素可以有效降低融資成本。

2.相關政策啟示

研究結果表明，平臺信用評級、借款金額、借款期限等因素顯著影響融資成本，因此，針對這些因素可采取以下政策建議：第一，政府和金融監管機構應完善數字金融平臺的信用評級體系，納入平臺的風控能力、合規性和市場信譽。信用評級應公開透明，增強投資者與借款人信任。第二，數字金融平臺應提供更多定制化金融產品，根據不同企業需求設計小額短期貸款或優惠利率服務。第三，平臺應加強風險管理和風控能力建設，利用數據分析和人工智能提高信用評估和違約預測的準確性。第四，政府可為中小企業提供信用支持，如設立政府擔保基金或信用評級補貼，降低融資門檻。同時，應鼓勵金融科技平臺通過創新提升金融服務效率。第五，政策應促進平臺間合作，從而為中小企業提供更加靈活和低成本的融資選項。

參考文獻：

[1]王小華，鄧曉雯，李寧.金融科技、影子銀行與中小企業融資成本[J].農業技術經濟，2023（11）：110-127.

[2]杜金岷，韋施威，劉立夫.金融科技促進了實體企業未來主業發展嗎？[J].當代經濟管理，2021，43（11）：80-89.

[3]黃銳，賴曉冰，唐松.金融科技如何影響企業融資約束？——動態效應、異質性特征與宏微觀機制檢驗[J].國際金融研究，2020（6）：25-33.

[4]張誠，王歡明，柯昌華.科技型中小企業金融資源的配對優化研究——基于企業生命周期理論視角[J].技術經濟與管理研究，2015（6）：34-38.

[5]文學舟，張盛達.金融科技支持中小企業信貸融資的實證研究—基于銀企關系的中介效應[J].新金融，2022（4）：48-56.

[6]沈黎怡，陸岷峰.金融供給側結構性改革與小微金融業務發展研究[J].西南金融，2019（7）：36-43.

[7]劉琦.新常態下科技金融發展策略探究[J].南昌大學學報（人文社會科學版），2017，48（3）：79-86.

[8]朱文莉，劉羽萌，劉慧媛.科技金融發展環境、政治關聯與債務融資成本——來自創業板的經驗數據[J].西安電子科技大學學報（社會科學版），2015，25（2）：51-57.

[9]張郁.P2P網絡借貸的“大金融”品格及其監管創新[J].蘭州學刊，2020（4）：48-58.

[10]沈黎怡，陸岷峰.金融供給側結構性改革與小微金融業務發展研究[J].西南金融，2019（7）：36-43.

[11]余慶澤，楊玉國，毛為慧，等.基于SERVQUAL模型的科技金融平臺服務質量評測研究——以P2P網貸平臺為例[J].科技管理研究，2019，39（11）：113-121.

[12]唐士亞.運用監管科技促進互聯網金融均衡規制—以P2P網貸市場準入規制為例的研究[J].商業研究，2018（12）：57-63.

[13]王靖一，黃益平.金融科技媒體情緒的刻畫與對網貸市場的影響[J].經濟學（季刊），2018，17（4）：1623-1650.

[14]SharmaSK，IlavarasanPV，KaranasiosS.Small businesses and FinTech：a systematic review and future directions[J].Electronic Commerce Research，2024， 24（1）：535-575.

[15]Pan X，Guo S，ChuJ.P2P supplychain financing，Ramp;D investment and companies'innovation efficiency[J].Journal ofEnterprise Information Management，2021，34（1）：578-597.

[16]ZhangX，LiJ，XiangD，etal.Digitalization，financial inclusion，and small and medium-sized enterprise financing：Evidence from China[J].Economic Modelling， 2023，126：106410.

[17]Huang S.Does FinTech improve the investment efficiencyof enterprises？Evidence from China's small and medium-sized enterprises[J].Economic Analysis and Policy，2022，74：571-586.

作者簡介：王秭雨（2004—），女，漢族，河南許昌人，本科，研究方向：風險管理、投資組合理論與優化。