基于QCA的科技金融企业绩效影响因素研究
2022-04-12王晓艳
王晓艳,梁 珂
(合肥学院 经济与管理学院,合肥 230601)
在全球向后疫情时代过渡的背景下,探索金融科技与实体经济的融合备受关注。科技金融产业生态体系主要由科技企业、金融企业、金融监管机构、研究机构和行业协会组成。其中,科技企业主要在风控、营销、客服、投顾和征信等领域为金融企业和金融监管机构提供高端技术服务,具有较大的融资需求。金融企业主要由商业银行构成,是整个生态体系的金融服务方。金融企业和科技企业组成的科技金融企业是当前中国科技金融产业发展的主要载体。目前,中国科技金融产业在全球处于领先地位,在市场规模、应用场景等方面都取得了一定成果,科技金融的发展已成为推动我国高新技术发展的重要因素。[1]因此,改善科技金融企业生产经营效率,提高企业竞争力,提升企业绩效,对中国科技金融产业体系发展具有积极作用。
从当前研究现状看,国内外学者对科技金融促进经济高质量发展、降低融资约束的作用机理和作用效果等进行了相关研究[2],但将科技金融企业作为独立的研究范畴,探究科技金融企业发展和影响的研究文献并不多。对这一问题的研究,有助于发现科技金融企业自身独特的提升路径,理解不同类别的科技金融企业的差异。
鉴于当前对科技金融企业发展的研究,发现加大资金投入和高管激励能够影响企业的成长。施赛特基于双向固定效应模型研究发现科技贷款能显著提升科技金融企业绩效。[3]王晶玉发现公共科技金融投入和市场科技金融投入对高技术企业提高绩效具有显著的正向作用。[4]李怀建等在对企业绩效的研究中发现:研发投入与高管激励均对企业绩效有积极的促进作用,企业创新投入与高管薪酬激励和公司绩效之间均呈现显著的正向调节效应。[5]这些研究对提升科技金融企业的绩效具有一定的参考价值,但仍有不足之处。已有研究主要探讨单一因素对企业绩效的影响,但是在现实中,企业的绩效总是受制于多种因素的共同作用,各因素间是相互联系和不可分割的。而且,这些因素在不同的情境下可能会产生不同的结果。另外,目前研究中对于提高特定企业绩效的措施,迁移到不同情境下不同的企业中可能会产生矛盾,造成矛盾的原因有可能是忽略了其他因素的组合作用。
在科技金融企业中,需要解决的问题是新颖的、错综复杂的,影响企业产生高绩效的因素也是复杂的,因此,探究科技金融企业提升绩效的路径,不能仅考虑单个影响要素,而是需要找到多个要素之间的组合协同效应对绩效的影响。
1 研究方法选择和模型构建
1.1 研究方法选择
已有的线性回归模型、因子分析、固定效应模型等定量研究方法,虽然也可以通过增加条件因素来观察变量间的交互效应,但是,当条件因素超过两个时,便难以厘清其间关系。鉴于已有研究方法的局限性,本文采用定性比较分析(Qualitative Comparative Analysis, QCA)的方法,分析多因素组合对企业绩效的影响,从整体视角研究科技金融企业绩效提升的路径。
QCA法是一种基于布尔代数的集合论分析方法,用于研究多个条件因素对结果的影响,其作用是为了解释实践中条件因素间相互依赖并发产生结果的组态现象,具有整合多种战略选择和导向的作用,有效的探究复杂的因果机制。[6]QCA方法依赖于先前的研究选择条件因素,因此根据当前对提高企业绩效的定量研究,从中提取出影响企业绩效的条件因素,将这些条件因素作为本研究的条件变量,利用QCA方法探究其中复杂的因果机制。
QCA包括三种方法:csQCA(清晰集定性比较分析)、mvQCA(多值定性比较分析)和fsQCA(模糊集定性比较分析)。这三种方法在变量的划分上具有差异,csQCA将离散变量一部分划分为“0-1”的二分布,0代表完全不隶属,1代表完全隶属。mvQCA是将离散变量划分为3类或3类以上。fsQCA是针对连续变量,确定变量的3个断点,将变量划分为“0-0.5-1”三部分,0代表完全不隶属,0.5代表交叉点,1代表完全隶属。其中fsQCA更加稳健、对异常值更加敏感,并且没有样本代表性的问题,不假定数据服从特定概率分布。[6]本文所选变量皆为连续变量,因此,本文选择fsQCA方法模拟现实中多因素共同作用于科技金融企业绩效的场景。
1.2 模型构建
根据大量的对于企业绩效的研究,从中提取所研究的条件变量进行筛选,最终从大量研究者的文献中确定了金融科技投入、流程优化建设投入、技术储备程度、负债水平、营运能力、管理能力[7-12]等六个因素作为影响科技金融企业绩效的关键因素。每一个因素在不同学者的研究中对企业绩效都出现过显著影响,也是企业实现自身成长的重要指标,将这些因素综合起来构建科技金融企业产生绩效的机制模型(如图1所示),探究快速提升科技金融企业绩效的实现路径。
图1 科技金融企业产生绩效的机制模型
1.3 变量说明
样本选取上市公司中的科技金融企业,时间为2010—2020年,数据来源于国泰君安数据库,研究样本中包含114家公司。选取的数据存在数据项缺失的,则剔除,所得样本条件变量和结果变量的说明,见表1。
表 1 条件变量和结果变量说明
2 QCA分析
2.1 变量的描述性统计分析
金融科技投入、流程优化建设投入、技术储备程度的建设投入的数值,来自于国泰君安数据库数据的统计和评估,营运能力为企业资产周转率,管理能力为董监高前三名的薪资总额取对数。样本的条件变量和结果变量的描述性统计结果,见表2。
表2 样本描述性统计分析
由表2可知,样本中企业绩效水平、负债水平、营运能力、管理能力的标准差较小,分布较为均匀,金融科技投入、流程优化建设投入、技术储备程度这3个变量在分布较为不均匀,个别企业中金融科技投入和流程优化建设投入非常高对数据的分布造成了较大影响。
2.2 数据校准
采用QCA方法需要对于测量的变量进行再校准,转换为集合概念。转变后的集合隶属介于0到1之间,需要设置三个锚点,分别为完全隶属、交叉点和完全不隶属。锚点的选择可以借鉴现有的理论来设置,也可根据经验划分,但要做到合理和透明。因此,参考先前研究[13,14],采用常规设置,将案例样本按照95%(完全隶属)、50%(交叉点)和 5%(完全不隶属)的标准进行校准,校准锚点见表3。
表3 变量的校准锚点
2.3 必要性检测
在进行 QCA 的标准分析前,要确定任何一个条件对结果来说是否是必要的。[15]用来分析条件是否构成结果的必要条件或充分条件。必要条件意味着该条件总在结果存在时出现,换言之,没有该条件,结果就无法产生。通常认定必要条件需要达到0.9的一致性分数,并且具有足够的覆盖度。
必要性检测分别检测了高企业绩效与非高企业绩效的一致性和覆盖度两个指标。一致性指标主要检验必要条件关系,覆盖度则是检验充分条件关系。一致性的公式为
(1)
覆盖度的公式为
(2)
式中,xi表示第i个条件变量的“观测值”,yi表示第i个结果变量的“观测值”。
由表4可知,必要条件中,资产负债率得分最高,为0.859 941,但低于0.9的一致性分位数要求,即单因条件不构成必要条件。因此,在科技金融企业中,单因条件变量对高企业绩效结果和非高企业绩效结果的解释度偏低,因此,本文需要展开进一步的组态分析。
表4 必要条件检测结果
2.4 组态分析与结果解释
2.4.1 组态分析
本研究借鉴定性比较分析方法研究专家Ragin的观点,将一致性阈值设置为较为严格的0.80,可接受的个案数设为1。在fsQCA3.0软件中,选择标准分析,对企业绩效和非企业绩效分别做组态分析,得到的企业绩效组态分析见表5和非企业绩效组态分析见表6。
表 5 企业绩效组态分析表
表 6 非企业绩效组态分析表
2.4.2 结果解释
2.4.2.1 企业绩效组态结果分析
根据表5,产生高企业绩效的组态共有7个,这7个组态的一致性均超过了0.8,模型解的一致性为0.812 7。说明模型解中 7个组态构成了充分条件。解的覆盖度为0.736 1,说明该模型解释了约74%的产生高企业绩效的原因。高绩效科技金融企业的7个组态对应了5种核心条件组合,即五条产生高企业绩效路径。
(1)负债水平主导驱动。表5中,H1和H2这两个条件组态均是以负债水平作为核心条件出现,其他条件表现为缺失或无关紧要。这意味着负债水平对于企业取得高绩效具有显著作用。其中H1解释了约45%的案例,H2解释了约53%的案例。负债水平在必要性检测中未达到必要条件程度,但却以充分条件出现在组态中,这说明高绩效企业都会刻意借贷增加投入,从而使得资产负债率增加,增加的投入对绩效的提升产生了重要作用。该路径的代表企业有:江阴银行、张家港行、中航资本、紫金银行。科技金融企业大部分为商业银行,商业银行资金大部分来源于社会上的存款,本身就具有高负债水平的因素,负债水平更是显示出其吸储和放贷水平,与企业绩效具有较强联系[16]。但其中这条路径中的张家港行和中航资本属于非银行类,具有较高的负债水平,说明在企业拥有高的负债水平,一定程度上使得财务杠杆利益变高, 提高资本收益率。
(2)负债水平主导下的金融科技投入驱动。表5中条件组态H3中以非高流程优化建设投入和负债水平为核心条件,以金融科技投入为边缘条件,使得41%的高绩效案例符合此路径。该路径的代表企业有:北京银行、上海银行、交通银行。这些银行都把数字化转型作为新一轮发展规划主线,加大了金融科技的投入。以北京银行为例,北京银行采用了区块链的技术,打造了线上交易平台“京信链”,利用区块链中的智能合约技术,使得订单一旦签订,完全按照代码执行,具有不可篡改性,保证了数据安全。整个过程中订单自动执行,不需要依赖人员,相较于传统,具有更低的成本。
(3)负债水平和运营能力双主导下的驱动。表5中,H4和H5这两个条件组态均是以负债水平作为核心条件出现,辅以运营能力的支持。H4解释了39%的高绩效案例,H5解释了27%的高绩效案例。该路径的代表企业有:华夏银行、光大银行、建设银行、南华期货、吴江银行。在这条路径下,当高负债水平和高营运能力条件同时存在时,科技金融企业可以做到不需要借助其他条件来快速提升绩效。
(4)金融科技投入、技术储备程度和负债水平主导下的驱动。表5中条件组态H6中以金融科技投入、技术储备程度、负债水平和非高管理能力为核心条件。使得38%的高绩效案例符合此路径。该路径的代表企业有:南京银行、长沙银行、贵阳银行。当科技金融企业存在金融科技投入、技术储备程度和负债水平三种条件驱动时,高的管理能力对企业并未起到明显作用。
(5)金融科技投入、技术储备程度、负债水平和营运能力主导下的驱动。表5中条件组态H7中以金融科技投入、技术储备程度、负债水平和营运能力为核心条件,使得31%的高绩效案例符合此路径。该路径的代表企业有农业银行、工商银行。当企业具备多种有利条件时,就很可能获得高绩效。
以上五条产生高企业绩效路径可以归纳为以负债水平为主导和以金融科技投入为主导的两条提升路径。以负债水平为主导的提升路径包含路径①、路径②、路径③,这三条路径都是利用较高的负债水平为核心条件,并借助其他方式来实现企业高绩效。以金融科技投入为主导的提升路径包含路径④和路径⑤,这两条路径主要是通过加大金融科技投入,进行技术创新,利用技术优势来提升企业绩效。
3.4.2.2 非银行企业绩效组态结果分析
根据表6,产生非高企业绩效的组态共有9个,这9个组态的一致性均超过了0.8,模型解的一致性达到了0.921 8。从9个组态当中非高负债水平均为核心条件,说明非高绩效的企业基本都不会具备高的负债水平,这也充分验证了负债水平主导驱动是金融科技企业产生高绩效的关键路径。
2.5 银行类与非银行类企业组态对比分析
2.5.1 数据校准、必要性分析
与上文数据处理方法一致,将数据根据类别划分为银行和非银行企业,再将条件变量、结果变量按照Ragin提出的95%(完全隶属)、50%(交叉点)以及 5%(完全不隶属)的标准分别进行数据校准。然后再进行必要性检测,结果见表7。
表 7 银行类与非银行类企业必要条件检测结果
非银行类企业绩效所有因素均为超过0.9的门槛值,说明这些因素都不构成必要条件。银行类企业绩效中,营运能力得分为0.932 120,超过了门槛值0.9,构成了必要条件,说明当银行类企业取得高绩效时,营运能力这个条件总是会出现,这也充分说明了高的营运能力是银行取得高绩效的核心条件。因此,可以将营运能力这个条件因素去除,利用其余条件变量对银行类企业绩效做组态分析。
2.5.2 银行类和非银行类企业组态分析
与上文数据处理方法一致,根据Ragin的建议,采用组态分析性临界值为0.8的标准。分别对两种类企业做组态分析,得到结果见表8和表9,两类企业的整体一致性分别为0.843 9、0.806 0,均超过了标准值0.8,表明方案具有较好的一致性。
表 8 银行类企业绩效的组态分析表
表 9 非银行企业绩效的组态分析表
结合银行类和非银行类企业的组态分析表,可以得出银行类企业产生高绩效的路径有三条:①非高流程优化建设投入和负债水平主导下的驱动;②非高金融科技投入、非高技术储备程度和负债水平主导下的驱动;③非高流程优化建设投入、非高技术储备程度和管理能力主导下非高金融科技投入的驱动。非银行类企业产生高绩效的路径有四条:①非高流程优化建设投入、非高技术储备程度、负债水平、营运能力和管理能力主导下非高金融科技投入的驱动;②金融科技投入、负债水平、营运能力和管理能力主导下技术储备程度的驱动;③非高金融科技投入、流程优化建设投入、非高技术储备程度、非高负债水平、营运能力和非高管理能力主导下的驱动;④金融科技投入、流程优化建设投入、技术储备程度、非高负债水平、营运能力和非高管理能力主导下的驱动。
可见,银行类和非银行类企业彼此之间实现绩效的路径存在一定的异同,银行类大多都是基于负债水平和管理能力来实现高绩效,但对于非银行类企业来说,除了采用这两种方式来实现高绩效外,还需要通过加大金融科技投入或者提高技术储备程度等方式进行辅助。这说明了提升企业的技术水平和加强创新对非银行类企业更加重要,科技金融和技术创新还未成为银行类企业自身成长的核心驱动。