數字金融與商業銀行風險承擔
——基于中國商業銀行的實證研究

余靜文 吳濱陽

一 引 言

數字金融泛指傳統金融機構與互聯網公司利用數字技術實現融資、支付、投資和其他新型金融業務模式，數字金融與金融科技的定義類似，但金融科技更強調科技屬性。數字金融兼顧了科技和金融屬性，是信息技術、數據協作與傳統金融服務模式相結合的新一代金融服務業態(黃益平和黃卓，2018)[1]。在傳統金融服務供給短缺、監管環境相對包容的環境下，我國數字金融發展速度領先世界，也被譽為本世紀最重要的金融創新(黃益平和陶坤玉，2019)[2]。信息不對稱使傳統貸款服務更傾向關系型、資源型，一方面帶來了無效產出，另一方面導致金融服務不均衡，影響了社會公平(Cotugno et al.，2013[3]；Jack和Suri，2014[4];Hollander和Verriest，2016[5])。數字金融依托大數據、云計算、區塊鏈技術創設了一個更加包容開放的資金融通環境，實現資源的精準匹配，節約溝通成本，縮短搜尋時間，打破地理區位的制約，有效緩解了信息不對稱問題(Beck et al.，2018)[6]。數字金融還具有普惠性優勢：在傳統金融模式下，中小微企業或低收入群體等長尾客戶往往由于缺乏抵押物和完善的征信記錄等原因成為融資部門的排斥對象，而數字金融利用大數據能夠實現用戶精準畫像，設計最佳融資方案，并做到風險實時監控，有效緩解金融排斥問題。

商業銀行作為實體經濟最大的服務部門，在勢不可擋的數字化浪潮下，如何轉型求變成為當下熱點話題。2019年8月，中國人民銀行印發《金融科技(FinTech)發展規劃(2019-2021年)》，構建了面向金融市場主體的金融科技“四梁八柱”的頂層設計，明確了金融科技發展方向和任務。截至2020年底，我國已經有11家商業銀行成立了金融科技子公司，各大行紛紛加大科技信息人才儲備，四大國有行年度科技支出均超過百億元。同時受新冠肺炎疫情影響，不少金融機構推出了“無接觸”服務，線上平臺活躍用戶數井噴式增加，線上金融服務占比顯著提升。例如：建設銀行推出的“惠懂你”APP，面向中小微企業等普惠客群提供一站式全流程平臺信貸服務，解決了中小微企業抵押物匱乏問題，還優化了信貸業務審批流程。平安銀行推出“AI銀行”服務，實現了遠程開戶、實時交易、快捷借貸、智能投資。高密農商銀行推出信e貸系統，將大數據和人工智能運用到金融征信中，實現了小額助農貸款線上實時辦理，提升了信貸審批效率。

在商業銀行熱情擁抱數字金融的同時，其風險承擔水平是否也受到數字金融沖擊的影響？商業銀行是否會因為逐利而提高風險容忍度？這是本文所關注的問題。已有研究認為互聯網技術與產業的深度融合有利于降低交易成本,提升交易效率(曾世宏和劉迎娣，2020)[7]，科技通過提高金融機構的資源配置效率降低了風險集中度(朱太輝和陳璐，2016)[8]。但科技也放大了操作風險和信息安全風險，甚至會帶來“黑天鵝”(趙鷂，2016)[9]。為了進一步研究數字金融對商業銀行風險承擔的影響，本文選擇2012-2018年我國84家代表性商業銀行作為觀測對象，構造了一個包含商業銀行資產負債特征情況以及內部風險測度值的平衡面板數據集，并使用北京大學數字普惠金融指數作為數字金融的代理變量，檢驗數字金融對商業銀行風險承擔的影響方向和大小。

本文研究發現：(1)數字金融的發展對全樣本商業銀行的風險承擔有顯著降低作用，說明數字金融有助于緩釋系統性金融風險。(2)數字金融對商業銀行風險承擔的影響具有異質性：城商行和農村金融機構對數字金融的反應更加敏感，大型股份制銀行和國有行則不太顯著，數字金融對農村金融機構內部風險水平的收斂作用最大。(3)數字普惠金融指數的子指標覆蓋廣度指數和使用深度指數對商業銀行風險承擔的影響最突出，說明數字金融能夠降低商業銀行風險承擔的原因是科技與銀行業務的結合更加廣泛深入。(4)使用外生工具變量的結果穩健，印證了Hjort和Poulsen(2019)[10]的觀點：距離通訊基站越近的地區，數字金融可得性越高。

本文綜合使用靜態面板、動態面板GMM、面板工具變量法等多種計量模型，盡可能削弱潛在的內生性問題。已有文獻大多使用互聯網普及率作為數字金融的工具變量(謝絢麗等，2018[11]；邱晗等，2018[12])，而本文選擇使用商業銀行注冊地到光纖干線的距離與全國數字普惠金融指數的交互項作為工具變量，該工具變量的外生性和解釋力更強，具有創新性。已有研究大多使用文本挖掘法和因子分析法構建數字金融或金融科技指數(郭品和沈悅，2015[13]；劉忠璐，2016[14])，其不足在于：文本挖掘法和因子分析法構建的指數是一個宏觀層面的全國均值，無法刻畫不同地區數字金融發展水平的差異，也無法反映商業銀行金融科技水平。李春濤等(2020)[15]、李學峰和楊盼盼(2021)[16]按照“地區+關鍵詞”或“銀行名稱+關鍵詞”進行網頁爬蟲，再按照網頁出現頻率來衡量地區或個體銀行的金融科技水平。然而網絡檢索無法剔除無關和錯誤信息，影響了指標準確性。本文選擇北京大學數字普惠金融指數作為數字金融的代理變量，不僅能夠反映銀行受到的外部互聯網金融沖擊，還能反映銀行內部的金融科技實力，更加全面、動態地刻畫微觀個體銀行受到數字金融影響的程度。本文有關數字金融與商業銀行風險承擔的檢驗對新時期下商業銀行風險管理的提質增效、保證金融系統的平穩運行具有重要意義。

下文內容結構為:第二部分是文獻綜述；第三部分是研究設計，介紹樣本選取、數據來源以及模型設定；第四部分是實證結果與分析，包含基準回歸、異質性檢驗、穩健性檢驗結果；第五部分是結論和建議。

二 文獻綜述

與本文研究主題相關的文獻主要集中在兩個層面：一是商業銀行的風險承擔；二是數字金融對商業銀行的影響。

(一)商業銀行的風險承擔

商業銀行風險承擔(Risk-taking)是指商業銀行承擔的全部經營風險大小,商業銀行應追求最優風險承擔，風險承擔過度不利于穩健經營，風險承擔不足意味著商業銀行未能充分利用資源開展業務，影響盈利(Boyd和Nicolo，2005)[17]。

影響商業銀行風險承擔的核心因素是商業銀行的資產負債特征，包括：流動性、盈利能力、規模、運營能力等(Dell′Ariccia和Marquez，2010)[18]。商業銀行的風險承擔還受到宏觀貨幣政策、監管環境、行業競爭度等外部變量的影響。一般認為，寬松的貨幣政策下，銀行會主動提高杠桿率，擴大資產負債表，導致經營風險上升(Altunbas et al.，2010)[19]。但也有學者認為商業銀行對貨幣政策的反饋具有異質性且傳導機制復雜，例如：方意等(2012)[20]認為對于資本充足率高的銀行,貨幣政策與風險承擔為負向關系，隨著資本充足率下降負向關系會逐步減弱；張雪蘭和何德旭(2012)[21]認為貨幣政策與銀行風險承擔的關聯是動態的，貨幣政策通過銀行業結構、銀行資產負債表等中間變量來影響銀行風險承擔。銀行業結構和競爭環境也影響了商業銀行風險承擔，Berger et al.(2009)[22]認為銀行在強競爭環境下會設法繞開監管來提升市場占有率，導致系統性風險的發生概率增大。但市場競爭也會提高銀行的經營管理能力，從而降低那些經營能力強的銀行的風險。周曄和梁利梅(2020)[23]認為行業競爭程度上升帶來的轉移效應(Risk-shifting Effect)和盈余效應(Margin Effect)的凈效應致使行業環境與商業銀行風險承擔存在倒U型非線性關系。

(二)數字金融對商業銀行的影響

近年來，不少文獻圍繞互聯網金融、金融科技、數字金融對商業銀行的資產負債、盈利水平、戰略規劃、風險承擔等內部特征的影響展開研究(1)由于數字金融的概念在2018年才被正式確定，在此之前的文獻一般將數字金融等價于互聯網金融或金融科技，因此本部分未區分數字金融與互聯網金融、金融科技。。鄭志來(2015)[24]認為互聯網金融可能導致商業銀行的負債業務分流、中間業務壓縮、資產業務擠出?；ヂ摼W金融的技術溢出效應顯著提升我國商業銀行的全要素生產率(沈悅和郭品，2015)[25]。謝治春等(2018)[26]發現在金融科技的沖擊下，商業銀行的戰略選擇具有異質性，大中型銀行會選擇向閉環生態型或開放生態型銀行發展，而小型銀行會專注細分市場領域，走垂直分工路徑。戰明華等(2020)[27]發現，商業銀行會通過提高理財產品在負債中的占比來應對緊縮的貨幣政策,數字金融削弱了緊縮性貨幣政策的貸款收縮功效。從國外研究看，Delong和Deyoung(2007)[28]通過比較1999-2001年美國采用了先進技術的商業銀行和未采用的銀行財務報表，發現那些使用了金融科技的銀行獲得了超額收益，其原因在于負債端利息成本降低、資產端高收益資產占比提升。Duarte et al.(2012)[29]認為，數字金融是一種金融溢出，重塑了傳統金融信用定價方式。Jagtiani和Lemieux(2018)[30]認為互聯網金融產品的用戶群體大多遭受了傳統正規融資部門的排斥，因此數字金融與商業銀行形成了互補關系，短期內互聯網金融僅向金融服務供給不足的領域滲透，不會對大型商業銀行產生顯著影響。

有關數字金融對商業銀行風險承擔的影響，郭品和沈悅(2015)[13]以2003-2013年我國36家商業銀行為樣本，最早研究了互聯網金融對商業銀行風險承擔的影響，發現互聯網金融與商業銀行的風險承擔為U型關系。早期，商業銀行能夠利用金融科技節省費用成本從而降低風險，而中后期隨著資金價格的抬升，商業銀行面臨的風險加大。Arnold和Ewijk (2011)[31]認為金融科技的使用使商業銀行負債端資金成本下降，商業銀行會根據自身利益擴表，導致系統性風險上升。邱晗等(2018)[12]發現，盡管數字金融的發展促使借貸利率市場化，并改變了銀行的負債結構，商業銀行加大了對同業拆借資金的依賴度，資金端風險資產占比上升，但規模變動不大且不會抬高企業融資價格。這說明，在我國當前監管環境下，數字金融對商業銀行擴表的驅動作用不太顯著。劉忠璐(2016)[14]認為，互聯網金融能夠幫助銀行業提高運營能力和風險識別能力，降低行業系統性風險。Berg et al.(2019)[32]同樣指出，大數據的運用顯著緩解了融資主體和資金部門之間的信息不對稱、逆向選擇和道德風險問題，能夠精準匹配風險缺口和資金缺口，從而降低融資部門風險承擔。Cheng和Qu(2020)[33]也認為金融科技能夠精準識別客戶的借貸動機和潛在風險，通過溢出效應降低了信貸風險。商業銀行的行為決策受到監管要求和自身財務狀況的影響，在面對行業數字化變革時，商業銀行的反應可能不同步。顧海峰和楊立翔(2018)[34]發現，互聯網金融對商業銀行風險承擔的影響具有門限效應，資本充足率越高的銀行數字化轉型節奏更快。郭品和沈悅(2019)[35]認為，面對互聯網金融的競爭，相對于國有大行，非國有的中小行面臨客戶存款損失較多的壓力，負債成本上升，經營風險加劇。一方面，已有研究大多認為數字金融對商業銀行風險承擔的影響渠道是市場資金價格或利率，缺乏對商業銀行內部渠道的關注。另一方面，已有研究主要聚焦于上市銀行和大型銀行，較少涉及中小銀行尤其是農村金融機構。有關數字金融是否有利于化解系統性風險的問題還存在爭論。本文將借助我國代表性國有行、股份行、城商行、農村金融機構的微觀數據，拓展上述兩方面的研究。

綜上所述，數字金融的發展顛覆了傳統金融生態，使金融與科技的邊界日益模糊，商業銀行能夠充分使用這種技術外溢來提高內部的運作效率和風險管理能力。科技通過向金融領域的不斷滲透、通過與銀行業務的深入結合促使商業銀行風險管理能力的提高，例如：在科技賦能下，商業銀行通過事前智能核查、精準畫像剔除了高風險客戶，通過事中事后監督、資金鏈全方位監控形成了風險管理閉環。考慮到影響風險承擔的核心因素是商業銀行的資產負債特征，數字金融對商業銀行的影響可能具有異質性。大型銀行的經營風格以穩健為主，風控制度成熟，客群穩定質優，因此面對數字金融的浪潮，大型銀行的舉動相對更加審慎?；诖耍疚奶岢鲆韵录僭O：

H1：數字金融有助于降低商業銀行風險承擔水平，收斂銀行業系統風險。

H2：數字金融對商業銀行風險承擔的影響具有異質性。

三 研究設計

(一)樣本與數據來源

截至2021年1月，國泰安銀行數據庫中共記錄了463家中資商業銀行的詳細注冊信息，包括：5家大型國有行(即“中農工建交”)、13家股份制商業銀行(含中國郵政儲蓄銀行)、168家城商行、200家農商行、24家農合行、34家農信社以及19家村鎮銀行。本文選擇2012-2018年作為觀測期，采取以下步驟進行樣本篩選：首先剔除觀測期內發生過大型并購重組、經營異常、終止存續的商業銀行，確保觀測期內財務數據平穩。然后根據銀行代碼將個體銀行的年末資產負債表、利潤表、貸款信息、財務指標進行匹配。若某年度某家農商行(含農合行和農信社)設立了異地子公司，本文僅使用母行的報表數據進行分析(按照我國“農商行業務不跨縣(區)”(2)原文見《中國銀保監會辦公廳關于推進農村商業銀行堅守定位 強化治理 提升金融服務能力的意見》(銀監會銀保監辦發〔2019〕5號)http://www.cbirc.gov.cn/cn/view/pages。的要求，本文僅考慮農商行母公司主體受到數字金融的影響)。最后得到了一個包含84家商業銀行2012-2018年7年期微觀數據的平衡面板數據集，其中有5大國有行、10家大型股份制銀行、47家城商行、15家農商行、5家農合行和2家農信社。若按2018年末數據計算，這84家代表性商業銀行的資產規模之和占我國銀行業資產總額的74%左右，能夠反映我國銀行業的整體情況。

本文有關銀行層面的財務數據均來自國泰安銀行數據庫，少量缺失值通過查找銀行年報或wind數據庫獲取。數字金融指數來自北京大學數字金融研究中心和螞蟻金服集團聯合發布的“北京大學數字普惠金融指數”，可從北京大學數字金融研究中心官網(3)北京大學數字金融研究中心官網：https://idf.pku.edu.cn/yjcg/zsbg/index.htm。獲取。行業層面的赫芬達爾指數利用了銀保監會網站公布的銀行許可證信息，由作者手工計算得到。全國、省級、地級市層面的數據來自CEIC中國經濟數據庫或歷年《中國城市統計年鑒》。

(二)變量定義

1.被解釋變量：商業銀行的風險承擔

國泰安數據庫提供了豐富的有關銀行貸款質量指標的數據，包括：不良貸款率、撥備覆蓋率、單一最大客戶貸款比率等。不良貸款率越高，銀行承擔的風險越大。撥備覆蓋率越高，說明銀行抵御呆壞賬的能力越高，風險承擔越小。而單一最大客戶貸款比率反映風險集中度。一般而言，風險越集中意味著銀行風險承擔越大。

綜上所述，本文選擇Z值衡量商業銀行的風險承擔，在穩健性檢驗中，使用不良貸款率、撥備覆蓋率、單一最大客戶貸款比率作為因變量來輔助檢驗。

2.核心解釋變量：數字金融

本文參考邱晗等(2018)[12]的研究，使用北京大學數字普惠金融指數(簡稱“數字金融指數”)衡量商業銀行數字金融程度(Digfin)。該指標不僅能夠反映銀行受到的外部互聯網金融沖擊，還能反映銀行內部的金融科技實力。原因有二：一是競爭倒逼。數字金融指數較高的地區，互聯網金融發達，形成了對商業銀行強有力的競爭，倒逼商業銀行提高金融科技能力。沈悅和郭品(2015)[25]發現，互聯網金融有顯著的溢出效應，股份制銀行受到沖擊最大，因此吸收能力最強。楊望等(2020)[38]發現,金融科技通過技術溢出和市場競爭驅動商業銀行戰略轉型，顯著提升了商業銀行的效率。金融科技對股份制銀行和位于東部地區銀行的全要素生產率影響更顯著，與金融科技結合程度深的銀行,更容易吸收金融科技的影響來提升全要素生產率。二是合作助推。目前大部分銀行還是用采購和外包的形式購買科技產品和服務，數字金融發達的地區，銀行與金融科技企業合作更加頻繁，金融科技能力越強。謝治春等(2018)[26]認為在成本收入的考量下，地方性銀行會更多選擇與外界科技企業合作來尋求金融科技水平的提升，大型銀行更傾向于內部研發、自造生態。2020年，26家代表性上市銀行的金融科技投入與該銀行注冊地的數字金融水平呈現正相關，可證實上述機制(4)限于篇幅，省略了此處實證過程，如有需要可向作者索取。。目前，2011-2020年的省級和地市級數字普惠金融指數已發布，該指數包括覆蓋廣度、使用深度和數字化程度3個一級維度以及11個二級維度，涵蓋了支付、投資、保險、借貸等多個方面(5)數字普惠金融指數具體指標體系可參閱郭峰等(2020)[39]的研究。。數字普惠金融指數越高，說明該地區數字金融越發達(郭峰等，2020)[39]。

數字普惠金融的發展與區域經濟基本面有關，為了解決潛在的內生性問題。本文還選擇商業銀行注冊地到光纖干線的距離與全國數字普惠金融指數的交互項作為各個城市數字普惠金融指數的工具變量，記為Digfin_iv。便捷的數字普惠金融服務依賴于快速穩定的互聯網信號，因此該工具變量滿足相關性要求。同時，光纖干線網絡(又稱為“八縱八橫”(6)八條縱向光纜干線為牡丹江-上海-廣州、齊齊哈爾-北京-三亞、呼和浩特-太原-北海、哈爾濱-天津-上海、北京-九江-廣州、呼和浩特-西安-昆明、蘭州-西寧-拉薩、蘭州-貴陽-南寧；八條橫向光纜干線為天津-呼和浩特-蘭州、青島-石家莊-銀川、上海-南京-西安、連云港-烏魯木齊-伊林、上海-武漢-重慶-成都、杭州-長沙-成都、上海-廣州-昆明、廣州-南寧-昆明。)的建設由國家發展改革委(原國家計劃委員會)和工信部(原郵電部)于1986-2000年發起建立，覆蓋了全國省會以上城市和90%地市，其鋪設依據是地理特征，不太可能通過其他渠道對商業銀行的行為產生影響，也和其他宏觀經濟變量沒有太多系統性關聯，因此該外生工具變量亦滿足排他性要求。已有文獻指出，距離通訊基站越近的地區，數字金融可得性越高(Hjort和Poulsen，2019)[10]。商業銀行注冊地一般也是其數據中心總部，數據中心與光纖通信干線網絡的距離越近，網絡信號質量越好、網速更快，更有利于商業銀行加大數字化建設，提升數字金融服務水平。綜上所述，該交互項的數值越小，說明該行享受的數字金融紅利越多。

3.控制變量

(1)個體層面

本文從個體層面控制了我國商業銀行的財務特征，個體層面的控制變量包括：貸存比(Ltd)、凈資產收益率(Roe)、總資產周轉率(Tat)、總資產規模的對數(lnsize)。貸存比衡量了商業銀行的流動性管理水平，不考慮其他因素下，貸存比越高，銀行流動風險越大。已有文獻指出，流動性風險與商業銀行的風險承擔為正相關，總資產周轉率衡量了商業銀行的經營效率，影響商業銀行的整體風險(Dell′Ariccia和Marquez，2010)[18]。凈資產收益率(Roe)反映了商業銀行的盈利能力，盈利能力與銀行的風險承擔存在正相關關系，銀行的超額收益越高，意味著承擔的風險越高(徐明東和陳學彬，2012)[40]?？傎Y產規模也會影響商業銀行的風險承擔。根據“大而不倒”理論，商業銀行規模越大，抵御風險能力越強，風險承擔越低(代軍勛和陶春喜，2016)[41]。為了增強系數的解釋力，本文將資產規模取對處理。

與劉忠璐(2016)[14]的研究不同，本文未控制資本充足率。理由在于：首先，從資本充足率的定義來看，資本充足率等于銀行的資本總額與銀行加權風險資產之比，本身就是一種反映銀行風險的事前度量手段，不應視為解釋變量；其次，已有文獻對于資本充足率是否是銀行風險承擔來源的看法不一(張雪蘭和何德旭，2012[21]；王晉斌和李博，2017[42])；最后，由于數據可得性問題，本文所選取的樣本銀行風險加權資產數據缺失嚴重，如果使用統一的系數手工計算每家銀行的風險加權資產難免會導致數據失真。

(2)行業層面

本文控制了樣本銀行展業地區的銀行業集中度，其代理變量是銀行業赫芬達爾指數(HHI)。該指標越大，表明銀行業壟斷程度越大，競爭越小；該指標越小，表明銀行業競爭程度越大。衡量銀行業競爭度的指標有Lerner指數、Boone指數等微觀內部指數以及赫芬達爾指數、集中度指數等宏觀外部結構性指數。微觀內部指數的計算需要預先知道銀行的邊際成本，顯然無法獲得。而集中度指數(CR)反映的是頭部銀行的資產占比，在反映銀行業整體結構上不如赫芬達爾指數精確。Chong et al.(2013)[43]、蔡競和董艷(2016)[44]均使用赫芬達爾指數來衡量銀行業競爭程度，具體計算方法如下：

(1)

HHI表示城市m的銀行業赫芬達爾指數，下標m表示城市，n表示銀行，Nm表示m市全部商業銀行的數量，branchnm表示m市的n銀行所有分支機構數量。銀行集中度是銀行業市場結構指標。銀行業競爭度越高，可能會影響金融機構的效率和效益，從而增加其風險承擔(Maddaloni和Peydro，2011[45];郭品和沈悅，2015[13])。本文利用銀保監會網站的銀行許可證信息，計算得到全國地級市的銀行業赫芬達爾指數。

(3)宏觀層面

本文還控制了其他在宏觀層面可能會對商業銀行風險承擔產生影響的變量，分別是：人均GDP(Pgdp)、金融發展程度(Findep)以及互聯網使用率(Internet),具體定義見表1。

表1介紹了本文所涉及的全部變量，表2是樣本的描述性統計(7)本文還分別對國有行、大型股份制銀行、城商行、農商行、農合行和農信社進行了分組描述性統計，限于篇幅未列出，如有需要可向作者索取。。從整體上看，2012-2018年，樣本銀行的Z值均值為4.208，而徐明東和陳學彬(2012)[40]使用1998-2010年數據測算的我國大小商業銀行的平均Z值為3.04(8)徐明東和陳學彬(2012)[40]計算的樣本Z值均值為0.048，按照本文Z值定義式進行轉換后約為3.04。，宋科和李振(2019)[46]使用2004-2016年數據計算我國233家商業銀行的平均Z值為3.29。這說明2012年以來，我國商業銀行整體抗風險能力明顯提升。國有行的Z值最高，達4.891，大型股份制銀行次之，農信社最低，僅為3.915，同時農信社的不良貸款率也最高，達1.834%，這說明農信社的經營風險問題仍較為突出。觀察數字普惠金融指數的分布，2012-2018年，我國地級市層面數字普惠金融指數的年復合增長率達14%，2018年全國均值高達300.12，說明我國數字金融發展迅猛。同時，數字普惠金融指數的極差較大，這反映了數字金融的發展存在空間不均衡。

表1 變量定義和設計

(續上表)

表2 樣本的描述性統計

(三)模型設定

商業銀行的風險承擔水平不僅受到當期數字金融發展水平、銀行個體特征、行業競爭程度和其他社會經濟變量的影響，還可能受到以前年度存量風險水平的影響。如果忽略滯后變量的存在，可能會導致模型內生性問題。因此，有必要建立一個動態面板模型(AR(2))并使用GMM(廣義矩估計)方法來克服潛在內生性(Arellano和Bond,1991)[47]，由于時間維度小于橫截面維度，此模型屬于短動態面板。本文設立的基準回歸模型如下：

(2)

其中i=1,2,3...84，表示銀行，t表示年份，p表示滯后階數，c代表銀行注冊地區。考慮到全國性銀行經營覆蓋全國，區域性銀行的經營輻射周邊城市，農商行(含農信社)和村鎮銀行嚴格受制于“屬地經營”的監管約束，因此在控制城市層面變量時，本文與徐明東和陳學彬(2012)[40]做法一致：全國性銀行則使用全國均值，大規模省級城商行(例如湖北銀行、杭州銀行、寧波銀行等省級城商行的分支機構觸達省內各縣市)則使用該銀行所在省的數據，農商行、農信社或村鎮銀行則使用該行注冊地所在地級市的數據。Bankjit反映的是t年銀行個體i的特征變量，HHIct反映的是第t年區域c的銀行業集中度，Cityjct反映的是第t年區域c的特征變量。μi是銀行的固定效應，εit是隨機誤差項。

四 實證結果分析

(一)數字普惠金融與商業銀行風險承擔

本文首先對數據進行單位根檢驗。對于強平衡短面板，一般采用HT檢驗法(Harris和Tzavalis,1999)[48]，本文對被解釋變量Risk、核心解釋變量Digfin以及控制變量進行HT檢驗，區分無確定項、僅存在個體固定效應項及存在線性時間趨勢項三種情形。考慮到HT檢驗忽略了同期截面相關，本文通過加入demean選項來緩解截面相關可能對單位根檢驗有效性的影響(9)限于篇幅，HT檢驗結果未列出，如有需要可向作者索取。。除無確定項情形外，所有變量p值均小于0.05，能夠拒絕原假設H0：ρ=1(所有個體均為非平穩序列)，說明面板平穩?？紤]到本文時期較短，“偽回歸”不是本文關注的問題。

表3 數字普惠金融對商業銀行風險承擔的影響(回歸結果1)

表4 數字普惠金融對商業銀行風險承擔的影響(回歸結果2)

(續上表)

表3列(1)-列(3)為混合回歸結果，其中列(1)為不含滯后被解釋變量的基準回歸，列(2)引入了一階滯后被解釋變量，列(3)進一步引入二階滯后被解釋變量。列(4)、 列(5)為隨機效應模型結果，列(6)、 列(7)為固定效應模型結果。被解釋變量商業銀行風險承擔的一階滯后值、二階滯后值與其當期值均顯著相關，說明模型引入滯后項能夠增加解釋力度。觀察發現，當模型中不含滯后項時(即列(1)、列(4)和列(6))，數字金融指數的系數符號為負數但不顯著。加入滯后項后，數字金融的系數符號為正，且在1%水平上顯著，其原因在于不含滯后項的回歸模型未識別存量風險因素對當期風險承擔的影響。已有研究顯示，商業銀行當期的風險承擔受到以前年度風險水平的影響(陳超等，2015)[50]，一般而言，當銀行覺察到內部風險水平過高時，會主動采取措施降低風險，而內部風險往往需要較長時間緩釋，意味著內部風險調整短期不會改變商業銀行的風險水平，但會明顯扭轉未來期(尤其是后年)的風險水平，因此回歸模型必須通過納入二階滯后被解釋變量來剔除存量風險的影響。當對含滯后項的數據進行上述三類回歸時，LM檢驗p值為0.0031，Hausman檢驗p值為0，說明固定效應模型的結果更加可靠。列(7)中數字金融的估計系數為0.0150，在1%水平上顯著，表明數字金融的發展有利于提高銀行的Z值，降低了商業銀行的風險承擔。

表4列(1)-列(3)顯示了差分GMM估計結果，列(4)-列(6)顯示了系統GMM估計結果。其中列(1)、 列(4)假設模型不存在內生變量，列(2)、 列(5)假設數字金融Digfin為內生變量，列(3)、 列(6)假設銀行層面的所有變量均內生。GMM式工具變量均使用了Risk的2-4階滯后以及解釋變量Digfin、Ltd、Roe、Tat、lnsize以及HHI的2-3階滯后項。差分GMM和系統GMM的使用前提是：原模型的擾動項不存在自相關，等價于差分(或系統)模型擾動項存在一階自相關，二階無自相關。因此對上述擾動項進行AR(1)、AR(2)檢驗，并提出H0:差分(或系統)模型的擾動項不存在自相關。檢驗結果顯示一階檢驗p值拒絕H0,二階檢驗不拒絕H0。這說明差分模型擾動項存在一階自相關，但不存在二階和高階自相關，本文選用的差分GMM以及系統GMM是合理的。此外，Hansen過度識別檢驗也十分穩健，說明選用的工具變量基本合理。

表4回歸結果顯示，數字金融能夠顯著促進商業銀行Z值的提升，進一步說明了隨著數字金融的發展，商業銀行的風險管理能力提升，風險承擔下降。結合表3和表4的基準回歸結果發現：商業銀行的盈利能力、規模的系數均顯著為正，意味著商業銀行的規模越大，商業銀行的Z值越高，風險承擔越小，印證了“大而不倒”理論(江曙霞和陳玉蟬，2012)[51]。商業銀行的盈利能力和風險承擔負相關，盈利能力越強的商業銀行，破產的概率越低。銀行業集中度(HHI)越低，說明銀行業競爭越激烈，而HHI與商業銀行的Z值負相關，且在10%水平上顯著(使用差分GMM)，這說明銀行業競爭越激烈，Z值越高，商業銀行風險承擔越低，市場化的競爭環境能夠降低商業銀行的經營風險。姚樹潔等(2011)[52]認為，外資行的進入給內資行帶來了成熟的風險管理經驗，銀行業競爭加大也會促使內資行主動降低風險水平。本文回歸結果印證了這一點。

(二)數字普惠金融對商業銀行風險承擔的異質性影響

數字普惠金融對不同性質商業銀行的影響是否存在差異？為了回答這一問題，本文將樣本按照銀行屬性進行劃分，得到國有行、大型股份制銀行、城商行以及農村金融機構(包含農商行、農合行以及農信社)四個子樣本，使用不含滯后項的基準模型(即靜態面板模型)并控制時點效應進行回歸。借鑒連玉君和廖俊平(2017)[53]的做法，使用Suest檢驗且去除中心的檢驗方法對組間系數差異進行了檢驗，結果見表5。結果顯示，當被解釋變量為商業銀行Z值時，農村金融機構的系數在1%水平上顯著為正，城商行也為正，國有行和大型股份制銀行為負但不顯著。Suest檢驗的p值均小于0.05，說明組間差異顯著，數字金融對不同類型商業銀行風險承擔的影響具有異質性：數字金融的發展降低了城商行和農村金融機構的風險承擔，而對國有行和大型股份制銀行的影響不太顯著。

表5 數字普惠金融對商業銀行風險承擔的異質性影響(回歸結果1)

產生這種異質性的原因可能有二：首先，從客戶群體角度分析，我國銀行業素有“大型行服務大客戶、股份行服務大中客戶、中小行服務中小客戶”傳統。國有行和大型股份制銀行的客戶往往擁有良好的資產負債表，抵押擔保充足，本身違約概率低，金融科技對國有行和大型股份制銀行是“錦上添花”。相比之下，中小銀行的客戶群體常面臨抵押擔保不足的問題甚至缺乏征信，授信風險較高。而數字金融能夠利用“數字足跡”(即客戶的收入、消費信息；社會關系網；互聯網征信等數字資料)對客戶進行全面畫像和風險評估，實現客戶信息全面建檔和實時風險監測預警，這更能緩解中小銀行開展中小客戶服務的痛點，降低信貸風險，做到了“雪中送炭”。其次，從基礎設施角度分析，盡管國有行和大型股份制銀行的金融科技投入力度遠高于中小銀行，但其原本的業務操作平臺和后臺風控系統就很完善，它們更多地是將科技資源投向智能化領域，拓展新的業務渠道。相比之下，城商行和農村金融機構的基礎設施薄弱，科技資源主要集中在業務平臺的搭建，尤其是風險管理平臺，因此，數字金融對城商行和農村金融機構風險承擔的影響更直觀。近年來，中小金融機構通過外包的方式與外部科技公司合作的頻率不斷上升，中小金融機構借助數字金融的“東風”不僅改善了客戶質量，補齊了信息系統落后的短板，還有效提升了風險管理能力，這正好凸顯了數字金融的普惠性。

在子樣本觀測值不足的情形下，使用動態面板估計會損失自由度，導致GMM估計失效。為了解決這一問題，本文參照劉忠璐(2016)[14]的做法，將樣本重新劃分為四個部分：子樣本一不包括國有行，子樣本二不包括大型股份制銀行，子樣本三不包括城商行，子樣本四不包括農村金融機構。對上述樣本進行動態面板系統GMM回歸，結果見表6。

表6 數字普惠金融對商業銀行風險承擔的異質性影響(回歸結果2)

(續上表)

表6顯示，無論哪一個子樣本，數字金融指數對商業銀行Z值均有正向影響，對于剔除了國有行和大型股份制銀行的樣本更加顯著，四個樣本的數字金融指數系數分別為0.0058、0.0057、0.0067、0.0042，全樣本數字金融指數的系數為0.0052。和全樣本相比，四個樣本的變動分別是11.88%、9.34%、29.19%、-20.50%，表明：數字金融能夠降低商業銀行整體的風險承擔；剔除了農村金融機構后，系數降低，說明數字金融對農村金融機構Z值的提高作用最大，最能降低其風險承擔。

此外，本文還按照上市與否以及規模(總資產)、盈利水平、展業地區銀行業集中度的中位數將樣本劃分為兩組子樣本，再次檢驗數字金融是否對不同類別商業銀行存在異質性影響，結果見表7。列(1)引入虛擬變量ipo和ipo與數字普惠金融的交互項ipo_digfin，ipo等于1說明是上市銀行；列(2)-列(4)類似，分別引入虛擬變量size(size為1說明銀行屬于高規模組)、roe(roe為1說明銀行屬于高盈利水平組)、hhi(hhi為1說明銀行展業地區屬于高集中度地區)以及虛擬變量和數字金融的交互項。結果顯示，數字金融增加了上市銀行的風險承擔，減少了非上市銀行的風險承擔，但這種效應并不顯著。同樣地，數字金融更能減少規模較大、所在地區銀行業集中度較高的銀行的風險承擔，但在統計上并不顯著。數字金融能夠顯著降低盈利能力較高的銀行的風險承擔，這種差異在10%水平上顯著。綜合表明數字金融對商業銀行的異質性影響可能更多地體現在銀行屬性上。

表7 數字普惠金融對商業銀行風險承擔的異質性影響(回歸結果3)

(三)穩健性檢驗

為了進一步說明結論的可靠性，本文按照以下方法進行穩健性檢驗：一是使用不良貸款率、撥備覆蓋率、單一最大客戶貸款比率分別作為被解釋變量商業銀行風險承擔的代理變量；二是使用數字普惠金融指數的子指標：覆蓋廣度指數、使用深度指數、數字化程度指數作為關鍵解釋變量數字金融的代理變量；三是使用商業銀行注冊地到光纖干線的距離與全國數字普惠金融指數的交互項作為數字普惠金融指數的工具變量(Digfin_iv)。

將被解釋變量依次替換為不良貸款率(Risk1)、撥備覆蓋率(Risk2)、單一最大客戶貸款比率(Risk3)后，重復表4列(6)的系統GMM估計，所得結果見表8。列(1)結果表明，數字金融在5%水平上能夠有效降低商業銀行的不良貸款率，說明商業銀行的風險承擔顯著降低；列(2)結果表明數字金融在5%水平上能夠有效提高商業銀行的撥備覆蓋率，再次說明商業銀行的風險承擔降低了。列(3)的數字金融系數盡管不顯著，但負系數表明，數字金融使商業銀行單一最大客戶貸款比率降低，意味著風險集中度降低，有利于降低商業銀行的風險承擔。

表8 穩健性檢驗(回歸結果1)

將解釋變量替換為數字普惠金融指數的子指標：覆蓋廣度(coverage_breadth)、使用深度(usage_depth)、數字化程度(digitization_level)后，對商業銀行風險承擔進行檢驗，結果見表9。列(1)、 列(3)和列(5)使用Z值衡量商業銀行的風險承擔，列(2)、 列(4)和列(6)使用不良貸款率衡量。觀察發現，覆蓋廣度指數和使用深度指數均能夠顯著提升商業銀行的Z值，顯著降低商業銀行的不良貸款率，而數字化程度指數對商業銀行風險承擔的影響不明顯。子指標檢驗結果一方面證實了數字金融能夠有效降低商業銀行風險承擔的結論，另一方面也說明覆蓋廣度指數和使用深度指數最能夠促使商業銀行提高風險管理能力，降低內部風險，這說明數字金融主要是通過科技和銀行業務的廣泛、深入結合來降低商業銀行風險承擔的。以授信業務為例，商業銀行智能風控系統覆蓋貸前、貸中、貸后三個階段，從客戶信息審查到審批授信再到貸后監控，所有的環節都實現聯網核查、流程智能、實時預警。在知識圖譜、大數據和風險模型的運用下，商業銀行授信決策失誤率有效減少，資金安全性大幅提升。

表9 穩健性檢驗(回歸結果2)

數字金融的發展能夠促使商業銀行降低風險承擔，而商業銀行出于緩釋內部風險的目的，也會主動謀求科技變革，促進金融科技升級，也就是說數字金融可能和商業銀行風險承擔存在互為因果關系。此外，本文的回歸模型中還可能忽略了那些對商業銀行風險承擔有顯著影響的因素，存在遺漏變量問題。為了解決潛在的內生性問題，本文使用商業銀行注冊地到光纖干線的距離與全國數字普惠金融指數的交互項作為各個城市數字普惠金融指數的工具變量(Digfin_iv)。本文選擇2SLS(兩階段最小二乘法)和系統GMM進行了工具變量估計，回歸結果見表10。

表10 穩健性檢驗(回歸結果3)

表10列(1)、 列(2)使用的是2SLS估計方法，因變量分別是Z值和不良貸款率。一階段F值顯著大于10，說明不存在弱工具變量問題。一階段中，數字金融工具變量與數字金融指數為顯著負相關，說明距離光纖越近、數字金融越發達這一現象確實存在。二階段中，Digfin與Z值為負相關且與不良貸款率正相關，說明了數字金融的發展確實有利于提高商業銀行的Z值。列(3)、 列(4)使用的是系統GMM方法，同樣分別對Z值和不良貸款率回歸，得到了相同的結論，Hansen檢驗說明Digfin_iv是有效的。因此，使用數字金融工具變量進行檢驗后的結果再次證實：數字金融的發展有利于降低銀行業整體的風險承擔。

五 結論和建議

數字金融發展是否帶來了正向的外部溢出效應？是否能夠幫助我國商業銀行增強風險管控能力、降低風險承擔？本文研究發現：數字金融有助于收斂系統性金融風險。同時，數字金融對商業銀行風險承擔的影響具有異質性：城商行和農村金融機構對數字金融的反應更加敏感，而大型股份制銀行和國有行更加審慎。農村金融機構可以充分利用金融科技修復資產負債表，有效降低風險承擔。數字金融通過科技與銀行業務的廣泛、深入結合降低了商業銀行的風險承擔。例如：商業銀行通過精準獲客和畫像提升了客戶質量，通過投資端和融資端的精細匹配降低了業務風險暴露，通過全生命周期的資金監控提升了風險管控能力。

科技發展也會加劇行業內部競爭，不同體量和性質的銀行應當結合自身實際情況和資源稟賦，制定差異化發展戰略，避免重復信息基建。國有大行內控健全，風險治理完善，平臺和資金優勢突出，有能力搭建風險大數據平臺，形成智慧風控生態閉環，因此，要緊跟技術迭代，做優做強現有風險管理系統。一方面要向高科技企業學習先進的技術和管理方式，開展前瞻性科技研究和技術儲備；另一方面也要立足金融本源，嚴守底線，保證穩健經營方針不動搖。股份制銀行或區域性銀行可以加強同外部研發企業的合作，發揮協同作用，同時加強重點領域的風險監管，健全內部風險監測、排查、整治機制。農村金融機構要利用外部科技資源，加快數字化布局，做到科技對重點業務的全覆蓋，同時還需增強數據分析和風險識別能力，加強合規意識，加速不良貸款化解，提高經營韌性。

在科技助力下，銀行業勢必朝著更加普惠、高效、開放的方向發展。但科技也會帶來隱私數據泄露風險、系統故障風險、數字鴻溝問題等，影響金融系統平穩運行。商業銀行作為金融業主體部門，需發揮引領作用，把握數字時代發展契機，加快數字化轉型步伐，創新業務模式，利用數字金融的普惠優勢，提升服務能力和水平；與此同時，還要將用戶隱私數據和財產安全性放在首位，確保系統網絡安全；促使數字科技與內部控制深度融合，提升風險系統建設和科技發展規劃能力。監管部門要履行宏觀審慎管理職責，搭建更加完善的數字金融監管規則體系，加強對線上金融活動的監管，遏制行業壟斷和不正當競爭。落實監管向底層資產穿透，打擊監管套利。有關部門還要勇于破除數字金融發展的體制機制障礙，創新監管工作，在風險可控的前提下，鼓勵商業銀行創新業務模式和金融產品，鼓勵科技資源向落后地區和困難群眾傾斜。市場參與主體和相關部門需把握契機、形成聯動，切實維護金融安全，守住不發生系統性風險底線，共同推進銀行業平穩健康發展。