数字金融与商业银行风险承担——基于中国商业银行的实证研究

余静文 吴滨阳

一 引 言

数字金融泛指传统金融机构与互联网公司利用数字技术实现融资、支付、投资和其他新型金融业务模式，数字金融与金融科技的定义类似，但金融科技更强调科技属性。数字金融兼顾了科技和金融属性，是信息技术、数据协作与传统金融服务模式相结合的新一代金融服务业态(黄益平和黄卓，2018)[1]。在传统金融服务供给短缺、监管环境相对包容的环境下，我国数字金融发展速度领先世界，也被誉为本世纪最重要的金融创新(黄益平和陶坤玉，2019)[2]。信息不对称使传统贷款服务更倾向关系型、资源型，一方面带来了无效产出，另一方面导致金融服务不均衡，影响了社会公平(Cotugno et al.，2013[3]；Jack和Suri，2014[4];Hollander和Verriest，2016[5])。数字金融依托大数据、云计算、区块链技术创设了一个更加包容开放的资金融通环境，实现资源的精准匹配，节约沟通成本，缩短搜寻时间，打破地理区位的制约，有效缓解了信息不对称问题(Beck et al.，2018)[6]。数字金融还具有普惠性优势：在传统金融模式下，中小微企业或低收入群体等长尾客户往往由于缺乏抵押物和完善的征信记录等原因成为融资部门的排斥对象，而数字金融利用大数据能够实现用户精准画像，设计最佳融资方案，并做到风险实时监控，有效缓解金融排斥问题。

商业银行作为实体经济最大的服务部门，在势不可挡的数字化浪潮下，如何转型求变成为当下热点话题。2019年8月，中国人民银行印发《金融科技(FinTech)发展规划(2019-2021年)》，构建了面向金融市场主体的金融科技“四梁八柱”的顶层设计，明确了金融科技发展方向和任务。截至2020年底，我国已经有11家商业银行成立了金融科技子公司，各大行纷纷加大科技信息人才储备，四大国有行年度科技支出均超过百亿元。同时受新冠肺炎疫情影响，不少金融机构推出了“无接触”服务，线上平台活跃用户数井喷式增加，线上金融服务占比显著提升。例如：建设银行推出的“惠懂你”APP，面向中小微企业等普惠客群提供一站式全流程平台信贷服务，解决了中小微企业抵押物匮乏问题，还优化了信贷业务审批流程。平安银行推出“AI银行”服务，实现了远程开户、实时交易、快捷借贷、智能投资。高密农商银行推出信e贷系统，将大数据和人工智能运用到金融征信中，实现了小额助农贷款线上实时办理，提升了信贷审批效率。

在商业银行热情拥抱数字金融的同时，其风险承担水平是否也受到数字金融冲击的影响？商业银行是否会因为逐利而提高风险容忍度？这是本文所关注的问题。已有研究认为互联网技术与产业的深度融合有利于降低交易成本,提升交易效率(曾世宏和刘迎娣，2020)[7]，科技通过提高金融机构的资源配置效率降低了风险集中度(朱太辉和陈璐，2016)[8]。但科技也放大了操作风险和信息安全风险，甚至会带来“黑天鹅”(赵鹞，2016)[9]。为了进一步研究数字金融对商业银行风险承担的影响，本文选择2012-2018年我国84家代表性商业银行作为观测对象，构造了一个包含商业银行资产负债特征情况以及内部风险测度值的平衡面板数据集，并使用北京大学数字普惠金融指数作为数字金融的代理变量，检验数字金融对商业银行风险承担的影响方向和大小。

本文研究发现：(1)数字金融的发展对全样本商业银行的风险承担有显著降低作用，说明数字金融有助于缓释系统性金融风险。(2)数字金融对商业银行风险承担的影响具有异质性：城商行和农村金融机构对数字金融的反应更加敏感，大型股份制银行和国有行则不太显著，数字金融对农村金融机构内部风险水平的收敛作用最大。(3)数字普惠金融指数的子指标覆盖广度指数和使用深度指数对商业银行风险承担的影响最突出，说明数字金融能够降低商业银行风险承担的原因是科技与银行业务的结合更加广泛深入。(4)使用外生工具变量的结果稳健，印证了Hjort和Poulsen(2019)[10]的观点：距离通讯基站越近的地区，数字金融可得性越高。

本文综合使用静态面板、动态面板GMM、面板工具变量法等多种计量模型，尽可能削弱潜在的内生性问题。已有文献大多使用互联网普及率作为数字金融的工具变量(谢绚丽等，2018[11]；邱晗等，2018[12])，而本文选择使用商业银行注册地到光纤干线的距离与全国数字普惠金融指数的交互项作为工具变量，该工具变量的外生性和解释力更强，具有创新性。已有研究大多使用文本挖掘法和因子分析法构建数字金融或金融科技指数(郭品和沈悦，2015[13]；刘忠璐，2016[14])，其不足在于：文本挖掘法和因子分析法构建的指数是一个宏观层面的全国均值，无法刻画不同地区数字金融发展水平的差异，也无法反映商业银行金融科技水平。李春涛等(2020)[15]、李学峰和杨盼盼(2021)[16]按照“地区+关键词”或“银行名称+关键词”进行网页爬虫，再按照网页出现频率来衡量地区或个体银行的金融科技水平。然而网络检索无法剔除无关和错误信息，影响了指标准确性。本文选择北京大学数字普惠金融指数作为数字金融的代理变量，不仅能够反映银行受到的外部互联网金融冲击，还能反映银行内部的金融科技实力，更加全面、动态地刻画微观个体银行受到数字金融影响的程度。本文有关数字金融与商业银行风险承担的检验对新时期下商业银行风险管理的提质增效、保证金融系统的平稳运行具有重要意义。

下文内容结构为:第二部分是文献综述；第三部分是研究设计，介绍样本选取、数据来源以及模型设定；第四部分是实证结果与分析，包含基准回归、异质性检验、稳健性检验结果；第五部分是结论和建议。

二 文献综述

与本文研究主题相关的文献主要集中在两个层面：一是商业银行的风险承担；二是数字金融对商业银行的影响。

(一)商业银行的风险承担

商业银行风险承担(Risk-taking)是指商业银行承担的全部经营风险大小,商业银行应追求最优风险承担，风险承担过度不利于稳健经营，风险承担不足意味着商业银行未能充分利用资源开展业务，影响盈利(Boyd和Nicolo，2005)[17]。

影响商业银行风险承担的核心因素是商业银行的资产负债特征，包括：流动性、盈利能力、规模、运营能力等(Dell′Ariccia和Marquez，2010)[18]。商业银行的风险承担还受到宏观货币政策、监管环境、行业竞争度等外部变量的影响。一般认为，宽松的货币政策下，银行会主动提高杠杆率，扩大资产负债表，导致经营风险上升(Altunbas et al.，2010)[19]。但也有学者认为商业银行对货币政策的反馈具有异质性且传导机制复杂，例如：方意等(2012)[20]认为对于资本充足率高的银行,货币政策与风险承担为负向关系，随着资本充足率下降负向关系会逐步减弱；张雪兰和何德旭(2012)[21]认为货币政策与银行风险承担的关联是动态的，货币政策通过银行业结构、银行资产负债表等中间变量来影响银行风险承担。银行业结构和竞争环境也影响了商业银行风险承担，Berger et al.(2009)[22]认为银行在强竞争环境下会设法绕开监管来提升市场占有率，导致系统性风险的发生概率增大。但市场竞争也会提高银行的经营管理能力，从而降低那些经营能力强的银行的风险。周晔和梁利梅(2020)[23]认为行业竞争程度上升带来的转移效应(Risk-shifting Effect)和盈余效应(Margin Effect)的净效应致使行业环境与商业银行风险承担存在倒U型非线性关系。

(二)数字金融对商业银行的影响

近年来，不少文献围绕互联网金融、金融科技、数字金融对商业银行的资产负债、盈利水平、战略规划、风险承担等内部特征的影响展开研究(1)由于数字金融的概念在2018年才被正式确定，在此之前的文献一般将数字金融等价于互联网金融或金融科技，因此本部分未区分数字金融与互联网金融、金融科技。。郑志来(2015)[24]认为互联网金融可能导致商业银行的负债业务分流、中间业务压缩、资产业务挤出。互联网金融的技术溢出效应显著提升我国商业银行的全要素生产率(沈悦和郭品，2015)[25]。谢治春等(2018)[26]发现在金融科技的冲击下，商业银行的战略选择具有异质性，大中型银行会选择向闭环生态型或开放生态型银行发展，而小型银行会专注细分市场领域，走垂直分工路径。战明华等(2020)[27]发现，商业银行会通过提高理财产品在负债中的占比来应对紧缩的货币政策,数字金融削弱了紧缩性货币政策的贷款收缩功效。从国外研究看，Delong和Deyoung(2007)[28]通过比较1999-2001年美国采用了先进技术的商业银行和未采用的银行财务报表，发现那些使用了金融科技的银行获得了超额收益，其原因在于负债端利息成本降低、资产端高收益资产占比提升。Duarte et al.(2012)[29]认为，数字金融是一种金融溢出，重塑了传统金融信用定价方式。Jagtiani和Lemieux(2018)[30]认为互联网金融产品的用户群体大多遭受了传统正规融资部门的排斥，因此数字金融与商业银行形成了互补关系，短期内互联网金融仅向金融服务供给不足的领域渗透，不会对大型商业银行产生显著影响。

有关数字金融对商业银行风险承担的影响，郭品和沈悦(2015)[13]以2003-2013年我国36家商业银行为样本，最早研究了互联网金融对商业银行风险承担的影响，发现互联网金融与商业银行的风险承担为U型关系。早期，商业银行能够利用金融科技节省费用成本从而降低风险，而中后期随着资金价格的抬升，商业银行面临的风险加大。Arnold和Ewijk (2011)[31]认为金融科技的使用使商业银行负债端资金成本下降，商业银行会根据自身利益扩表，导致系统性风险上升。邱晗等(2018)[12]发现，尽管数字金融的发展促使借贷利率市场化，并改变了银行的负债结构，商业银行加大了对同业拆借资金的依赖度，资金端风险资产占比上升，但规模变动不大且不会抬高企业融资价格。这说明，在我国当前监管环境下，数字金融对商业银行扩表的驱动作用不太显著。刘忠璐(2016)[14]认为，互联网金融能够帮助银行业提高运营能力和风险识别能力，降低行业系统性风险。Berg et al.(2019)[32]同样指出，大数据的运用显著缓解了融资主体和资金部门之间的信息不对称、逆向选择和道德风险问题，能够精准匹配风险缺口和资金缺口，从而降低融资部门风险承担。Cheng和Qu(2020)[33]也认为金融科技能够精准识别客户的借贷动机和潜在风险，通过溢出效应降低了信贷风险。商业银行的行为决策受到监管要求和自身财务状况的影响，在面对行业数字化变革时，商业银行的反应可能不同步。顾海峰和杨立翔(2018)[34]发现，互联网金融对商业银行风险承担的影响具有门限效应，资本充足率越高的银行数字化转型节奏更快。郭品和沈悦(2019)[35]认为，面对互联网金融的竞争，相对于国有大行，非国有的中小行面临客户存款损失较多的压力，负债成本上升，经营风险加剧。一方面，已有研究大多认为数字金融对商业银行风险承担的影响渠道是市场资金价格或利率，缺乏对商业银行内部渠道的关注。另一方面，已有研究主要聚焦于上市银行和大型银行，较少涉及中小银行尤其是农村金融机构。有关数字金融是否有利于化解系统性风险的问题还存在争论。本文将借助我国代表性国有行、股份行、城商行、农村金融机构的微观数据，拓展上述两方面的研究。

综上所述，数字金融的发展颠覆了传统金融生态，使金融与科技的边界日益模糊，商业银行能够充分使用这种技术外溢来提高内部的运作效率和风险管理能力。科技通过向金融领域的不断渗透、通过与银行业务的深入结合促使商业银行风险管理能力的提高，例如：在科技赋能下，商业银行通过事前智能核查、精准画像剔除了高风险客户，通过事中事后监督、资金链全方位监控形成了风险管理闭环。考虑到影响风险承担的核心因素是商业银行的资产负债特征，数字金融对商业银行的影响可能具有异质性。大型银行的经营风格以稳健为主，风控制度成熟，客群稳定质优，因此面对数字金融的浪潮，大型银行的举动相对更加审慎。基于此，本文提出以下假设：

H1：数字金融有助于降低商业银行风险承担水平，收敛银行业系统风险。

H2：数字金融对商业银行风险承担的影响具有异质性。

三 研究设计

(一)样本与数据来源

截至2021年1月，国泰安银行数据库中共记录了463家中资商业银行的详细注册信息，包括：5家大型国有行(即“中农工建交”)、13家股份制商业银行(含中国邮政储蓄银行)、168家城商行、200家农商行、24家农合行、34家农信社以及19家村镇银行。本文选择2012-2018年作为观测期，采取以下步骤进行样本筛选：首先剔除观测期内发生过大型并购重组、经营异常、终止存续的商业银行，确保观测期内财务数据平稳。然后根据银行代码将个体银行的年末资产负债表、利润表、贷款信息、财务指标进行匹配。若某年度某家农商行(含农合行和农信社)设立了异地子公司，本文仅使用母行的报表数据进行分析(按照我国“农商行业务不跨县(区)”(2)原文见《中国银保监会办公厅关于推进农村商业银行坚守定位 强化治理 提升金融服务能力的意见》(银监会银保监办发〔2019〕5号)http://www.cbirc.gov.cn/cn/view/pages。的要求，本文仅考虑农商行母公司主体受到数字金融的影响)。最后得到了一个包含84家商业银行2012-2018年7年期微观数据的平衡面板数据集，其中有5大国有行、10家大型股份制银行、47家城商行、15家农商行、5家农合行和2家农信社。若按2018年末数据计算，这84家代表性商业银行的资产规模之和占我国银行业资产总额的74%左右，能够反映我国银行业的整体情况。

本文有关银行层面的财务数据均来自国泰安银行数据库，少量缺失值通过查找银行年报或wind数据库获取。数字金融指数来自北京大学数字金融研究中心和蚂蚁金服集团联合发布的“北京大学数字普惠金融指数”，可从北京大学数字金融研究中心官网(3)北京大学数字金融研究中心官网：https://idf.pku.edu.cn/yjcg/zsbg/index.htm。获取。行业层面的赫芬达尔指数利用了银保监会网站公布的银行许可证信息，由作者手工计算得到。全国、省级、地级市层面的数据来自CEIC中国经济数据库或历年《中国城市统计年鉴》。

(二)变量定义

1.被解释变量：商业银行的风险承担

国泰安数据库提供了丰富的有关银行贷款质量指标的数据，包括：不良贷款率、拨备覆盖率、单一最大客户贷款比率等。不良贷款率越高，银行承担的风险越大。拨备覆盖率越高，说明银行抵御呆坏账的能力越高，风险承担越小。而单一最大客户贷款比率反映风险集中度。一般而言，风险越集中意味着银行风险承担越大。

综上所述，本文选择Z值衡量商业银行的风险承担，在稳健性检验中，使用不良贷款率、拨备覆盖率、单一最大客户贷款比率作为因变量来辅助检验。

2.核心解释变量：数字金融

本文参考邱晗等(2018)[12]的研究，使用北京大学数字普惠金融指数(简称“数字金融指数”)衡量商业银行数字金融程度(Digfin)。该指标不仅能够反映银行受到的外部互联网金融冲击，还能反映银行内部的金融科技实力。原因有二：一是竞争倒逼。数字金融指数较高的地区，互联网金融发达，形成了对商业银行强有力的竞争，倒逼商业银行提高金融科技能力。沈悦和郭品(2015)[25]发现，互联网金融有显著的溢出效应，股份制银行受到冲击最大，因此吸收能力最强。杨望等(2020)[38]发现,金融科技通过技术溢出和市场竞争驱动商业银行战略转型，显著提升了商业银行的效率。金融科技对股份制银行和位于东部地区银行的全要素生产率影响更显著，与金融科技结合程度深的银行,更容易吸收金融科技的影响来提升全要素生产率。二是合作助推。目前大部分银行还是用采购和外包的形式购买科技产品和服务，数字金融发达的地区，银行与金融科技企业合作更加频繁，金融科技能力越强。谢治春等(2018)[26]认为在成本收入的考量下，地方性银行会更多选择与外界科技企业合作来寻求金融科技水平的提升，大型银行更倾向于内部研发、自造生态。2020年，26家代表性上市银行的金融科技投入与该银行注册地的数字金融水平呈现正相关，可证实上述机制(4)限于篇幅，省略了此处实证过程，如有需要可向作者索取。。目前，2011-2020年的省级和地市级数字普惠金融指数已发布，该指数包括覆盖广度、使用深度和数字化程度3个一级维度以及11个二级维度，涵盖了支付、投资、保险、借贷等多个方面(5)数字普惠金融指数具体指标体系可参阅郭峰等(2020)[39]的研究。。数字普惠金融指数越高，说明该地区数字金融越发达(郭峰等，2020)[39]。

数字普惠金融的发展与区域经济基本面有关，为了解决潜在的内生性问题。本文还选择商业银行注册地到光纤干线的距离与全国数字普惠金融指数的交互项作为各个城市数字普惠金融指数的工具变量，记为Digfin_iv。便捷的数字普惠金融服务依赖于快速稳定的互联网信号，因此该工具变量满足相关性要求。同时，光纤干线网络(又称为“八纵八横”(6)八条纵向光缆干线为牡丹江-上海-广州、齐齐哈尔-北京-三亚、呼和浩特-太原-北海、哈尔滨-天津-上海、北京-九江-广州、呼和浩特-西安-昆明、兰州-西宁-拉萨、兰州-贵阳-南宁；八条横向光缆干线为天津-呼和浩特-兰州、青岛-石家庄-银川、上海-南京-西安、连云港-乌鲁木齐-伊林、上海-武汉-重庆-成都、杭州-长沙-成都、上海-广州-昆明、广州-南宁-昆明。)的建设由国家发展改革委(原国家计划委员会)和工信部(原邮电部)于1986-2000年发起建立，覆盖了全国省会以上城市和90%地市，其铺设依据是地理特征，不太可能通过其他渠道对商业银行的行为产生影响，也和其他宏观经济变量没有太多系统性关联，因此该外生工具变量亦满足排他性要求。已有文献指出，距离通讯基站越近的地区，数字金融可得性越高(Hjort和Poulsen，2019)[10]。商业银行注册地一般也是其数据中心总部，数据中心与光纤通信干线网络的距离越近，网络信号质量越好、网速更快，更有利于商业银行加大数字化建设，提升数字金融服务水平。综上所述，该交互项的数值越小，说明该行享受的数字金融红利越多。

3.控制变量

(1)个体层面

本文从个体层面控制了我国商业银行的财务特征，个体层面的控制变量包括：贷存比(Ltd)、净资产收益率(Roe)、总资产周转率(Tat)、总资产规模的对数(lnsize)。贷存比衡量了商业银行的流动性管理水平，不考虑其他因素下，贷存比越高，银行流动风险越大。已有文献指出，流动性风险与商业银行的风险承担为正相关，总资产周转率衡量了商业银行的经营效率，影响商业银行的整体风险(Dell′Ariccia和Marquez，2010)[18]。净资产收益率(Roe)反映了商业银行的盈利能力，盈利能力与银行的风险承担存在正相关关系，银行的超额收益越高，意味着承担的风险越高(徐明东和陈学彬，2012)[40]。总资产规模也会影响商业银行的风险承担。根据“大而不倒”理论，商业银行规模越大，抵御风险能力越强，风险承担越低(代军勋和陶春喜，2016)[41]。为了增强系数的解释力，本文将资产规模取对处理。

与刘忠璐(2016)[14]的研究不同，本文未控制资本充足率。理由在于：首先，从资本充足率的定义来看，资本充足率等于银行的资本总额与银行加权风险资产之比，本身就是一种反映银行风险的事前度量手段，不应视为解释变量；其次，已有文献对于资本充足率是否是银行风险承担来源的看法不一(张雪兰和何德旭，2012[21]；王晋斌和李博，2017[42])；最后，由于数据可得性问题，本文所选取的样本银行风险加权资产数据缺失严重，如果使用统一的系数手工计算每家银行的风险加权资产难免会导致数据失真。

(2)行业层面

本文控制了样本银行展业地区的银行业集中度，其代理变量是银行业赫芬达尔指数(HHI)。该指标越大，表明银行业垄断程度越大，竞争越小；该指标越小，表明银行业竞争程度越大。衡量银行业竞争度的指标有Lerner指数、Boone指数等微观内部指数以及赫芬达尔指数、集中度指数等宏观外部结构性指数。微观内部指数的计算需要预先知道银行的边际成本，显然无法获得。而集中度指数(CR)反映的是头部银行的资产占比，在反映银行业整体结构上不如赫芬达尔指数精确。Chong et al.(2013)[43]、蔡竞和董艳(2016)[44]均使用赫芬达尔指数来衡量银行业竞争程度，具体计算方法如下：

(1)

HHI表示城市m的银行业赫芬达尔指数，下标m表示城市，n表示银行，Nm表示m市全部商业银行的数量，branchnm表示m市的n银行所有分支机构数量。银行集中度是银行业市场结构指标。银行业竞争度越高，可能会影响金融机构的效率和效益，从而增加其风险承担(Maddaloni和Peydro，2011[45];郭品和沈悦，2015[13])。本文利用银保监会网站的银行许可证信息，计算得到全国地级市的银行业赫芬达尔指数。

(3)宏观层面

本文还控制了其他在宏观层面可能会对商业银行风险承担产生影响的变量，分别是：人均GDP(Pgdp)、金融发展程度(Findep)以及互联网使用率(Internet),具体定义见表1。

表1介绍了本文所涉及的全部变量，表2是样本的描述性统计(7)本文还分别对国有行、大型股份制银行、城商行、农商行、农合行和农信社进行了分组描述性统计，限于篇幅未列出，如有需要可向作者索取。。从整体上看，2012-2018年，样本银行的Z值均值为4.208，而徐明东和陈学彬(2012)[40]使用1998-2010年数据测算的我国大小商业银行的平均Z值为3.04(8)徐明东和陈学彬(2012)[40]计算的样本Z值均值为0.048，按照本文Z值定义式进行转换后约为3.04。，宋科和李振(2019)[46]使用2004-2016年数据计算我国233家商业银行的平均Z值为3.29。这说明2012年以来，我国商业银行整体抗风险能力明显提升。国有行的Z值最高，达4.891，大型股份制银行次之，农信社最低，仅为3.915，同时农信社的不良贷款率也最高，达1.834%，这说明农信社的经营风险问题仍较为突出。观察数字普惠金融指数的分布，2012-2018年，我国地级市层面数字普惠金融指数的年复合增长率达14%，2018年全国均值高达300.12，说明我国数字金融发展迅猛。同时，数字普惠金融指数的极差较大，这反映了数字金融的发展存在空间不均衡。

表1 变量定义和设计

(续上表)

表2 样本的描述性统计

(三)模型设定

商业银行的风险承担水平不仅受到当期数字金融发展水平、银行个体特征、行业竞争程度和其他社会经济变量的影响，还可能受到以前年度存量风险水平的影响。如果忽略滞后变量的存在，可能会导致模型内生性问题。因此，有必要建立一个动态面板模型(AR(2))并使用GMM(广义矩估计)方法来克服潜在内生性(Arellano和Bond,1991)[47]，由于时间维度小于横截面维度，此模型属于短动态面板。本文设立的基准回归模型如下：

(2)

其中i=1,2,3...84，表示银行，t表示年份，p表示滞后阶数，c代表银行注册地区。考虑到全国性银行经营覆盖全国，区域性银行的经营辐射周边城市，农商行(含农信社)和村镇银行严格受制于“属地经营”的监管约束，因此在控制城市层面变量时，本文与徐明东和陈学彬(2012)[40]做法一致：全国性银行则使用全国均值，大规模省级城商行(例如湖北银行、杭州银行、宁波银行等省级城商行的分支机构触达省内各县市)则使用该银行所在省的数据，农商行、农信社或村镇银行则使用该行注册地所在地级市的数据。Bankjit反映的是t年银行个体i的特征变量，HHIct反映的是第t年区域c的银行业集中度，Cityjct反映的是第t年区域c的特征变量。μi是银行的固定效应，εit是随机误差项。

四 实证结果分析

(一)数字普惠金融与商业银行风险承担

本文首先对数据进行单位根检验。对于强平衡短面板，一般采用HT检验法(Harris和Tzavalis,1999)[48]，本文对被解释变量Risk、核心解释变量Digfin以及控制变量进行HT检验，区分无确定项、仅存在个体固定效应项及存在线性时间趋势项三种情形。考虑到HT检验忽略了同期截面相关，本文通过加入demean选项来缓解截面相关可能对单位根检验有效性的影响(9)限于篇幅，HT检验结果未列出，如有需要可向作者索取。。除无确定项情形外，所有变量p值均小于0.05，能够拒绝原假设H0：ρ=1(所有个体均为非平稳序列)，说明面板平稳。考虑到本文时期较短，“伪回归”不是本文关注的问题。

表3 数字普惠金融对商业银行风险承担的影响(回归结果1)

表4 数字普惠金融对商业银行风险承担的影响(回归结果2)

(续上表)

表3列(1)-列(3)为混合回归结果，其中列(1)为不含滞后被解释变量的基准回归，列(2)引入了一阶滞后被解释变量，列(3)进一步引入二阶滞后被解释变量。列(4)、 列(5)为随机效应模型结果，列(6)、 列(7)为固定效应模型结果。被解释变量商业银行风险承担的一阶滞后值、二阶滞后值与其当期值均显著相关，说明模型引入滞后项能够增加解释力度。观察发现，当模型中不含滞后项时(即列(1)、列(4)和列(6))，数字金融指数的系数符号为负数但不显著。加入滞后项后，数字金融的系数符号为正，且在1%水平上显著，其原因在于不含滞后项的回归模型未识别存量风险因素对当期风险承担的影响。已有研究显示，商业银行当期的风险承担受到以前年度风险水平的影响(陈超等，2015)[50]，一般而言，当银行觉察到内部风险水平过高时，会主动采取措施降低风险，而内部风险往往需要较长时间缓释，意味着内部风险调整短期不会改变商业银行的风险水平，但会明显扭转未来期(尤其是后年)的风险水平，因此回归模型必须通过纳入二阶滞后被解释变量来剔除存量风险的影响。当对含滞后项的数据进行上述三类回归时，LM检验p值为0.0031，Hausman检验p值为0，说明固定效应模型的结果更加可靠。列(7)中数字金融的估计系数为0.0150，在1%水平上显著，表明数字金融的发展有利于提高银行的Z值，降低了商业银行的风险承担。

表4列(1)-列(3)显示了差分GMM估计结果，列(4)-列(6)显示了系统GMM估计结果。其中列(1)、 列(4)假设模型不存在内生变量，列(2)、 列(5)假设数字金融Digfin为内生变量，列(3)、 列(6)假设银行层面的所有变量均内生。GMM式工具变量均使用了Risk的2-4阶滞后以及解释变量Digfin、Ltd、Roe、Tat、lnsize以及HHI的2-3阶滞后项。差分GMM和系统GMM的使用前提是：原模型的扰动项不存在自相关，等价于差分(或系统)模型扰动项存在一阶自相关，二阶无自相关。因此对上述扰动项进行AR(1)、AR(2)检验，并提出H0:差分(或系统)模型的扰动项不存在自相关。检验结果显示一阶检验p值拒绝H0,二阶检验不拒绝H0。这说明差分模型扰动项存在一阶自相关，但不存在二阶和高阶自相关，本文选用的差分GMM以及系统GMM是合理的。此外，Hansen过度识别检验也十分稳健，说明选用的工具变量基本合理。

表4回归结果显示，数字金融能够显著促进商业银行Z值的提升，进一步说明了随着数字金融的发展，商业银行的风险管理能力提升，风险承担下降。结合表3和表4的基准回归结果发现：商业银行的盈利能力、规模的系数均显著为正，意味着商业银行的规模越大，商业银行的Z值越高，风险承担越小，印证了“大而不倒”理论(江曙霞和陈玉蝉，2012)[51]。商业银行的盈利能力和风险承担负相关，盈利能力越强的商业银行，破产的概率越低。银行业集中度(HHI)越低，说明银行业竞争越激烈，而HHI与商业银行的Z值负相关，且在10%水平上显著(使用差分GMM)，这说明银行业竞争越激烈，Z值越高，商业银行风险承担越低，市场化的竞争环境能够降低商业银行的经营风险。姚树洁等(2011)[52]认为，外资行的进入给内资行带来了成熟的风险管理经验，银行业竞争加大也会促使内资行主动降低风险水平。本文回归结果印证了这一点。

(二)数字普惠金融对商业银行风险承担的异质性影响

数字普惠金融对不同性质商业银行的影响是否存在差异？为了回答这一问题，本文将样本按照银行属性进行划分，得到国有行、大型股份制银行、城商行以及农村金融机构(包含农商行、农合行以及农信社)四个子样本，使用不含滞后项的基准模型(即静态面板模型)并控制时点效应进行回归。借鉴连玉君和廖俊平(2017)[53]的做法，使用Suest检验且去除中心的检验方法对组间系数差异进行了检验，结果见表5。结果显示，当被解释变量为商业银行Z值时，农村金融机构的系数在1%水平上显著为正，城商行也为正，国有行和大型股份制银行为负但不显著。Suest检验的p值均小于0.05，说明组间差异显著，数字金融对不同类型商业银行风险承担的影响具有异质性：数字金融的发展降低了城商行和农村金融机构的风险承担，而对国有行和大型股份制银行的影响不太显著。

表5 数字普惠金融对商业银行风险承担的异质性影响(回归结果1)

产生这种异质性的原因可能有二：首先，从客户群体角度分析，我国银行业素有“大型行服务大客户、股份行服务大中客户、中小行服务中小客户”传统。国有行和大型股份制银行的客户往往拥有良好的资产负债表，抵押担保充足，本身违约概率低，金融科技对国有行和大型股份制银行是“锦上添花”。相比之下，中小银行的客户群体常面临抵押担保不足的问题甚至缺乏征信，授信风险较高。而数字金融能够利用“数字足迹”(即客户的收入、消费信息；社会关系网；互联网征信等数字资料)对客户进行全面画像和风险评估，实现客户信息全面建档和实时风险监测预警，这更能缓解中小银行开展中小客户服务的痛点，降低信贷风险，做到了“雪中送炭”。其次，从基础设施角度分析，尽管国有行和大型股份制银行的金融科技投入力度远高于中小银行，但其原本的业务操作平台和后台风控系统就很完善，它们更多地是将科技资源投向智能化领域，拓展新的业务渠道。相比之下，城商行和农村金融机构的基础设施薄弱，科技资源主要集中在业务平台的搭建，尤其是风险管理平台，因此，数字金融对城商行和农村金融机构风险承担的影响更直观。近年来，中小金融机构通过外包的方式与外部科技公司合作的频率不断上升，中小金融机构借助数字金融的“东风”不仅改善了客户质量，补齐了信息系统落后的短板，还有效提升了风险管理能力，这正好凸显了数字金融的普惠性。

在子样本观测值不足的情形下，使用动态面板估计会损失自由度，导致GMM估计失效。为了解决这一问题，本文参照刘忠璐(2016)[14]的做法，将样本重新划分为四个部分：子样本一不包括国有行，子样本二不包括大型股份制银行，子样本三不包括城商行，子样本四不包括农村金融机构。对上述样本进行动态面板系统GMM回归，结果见表6。

表6 数字普惠金融对商业银行风险承担的异质性影响(回归结果2)

(续上表)

表6显示，无论哪一个子样本，数字金融指数对商业银行Z值均有正向影响，对于剔除了国有行和大型股份制银行的样本更加显著，四个样本的数字金融指数系数分别为0.0058、0.0057、0.0067、0.0042，全样本数字金融指数的系数为0.0052。和全样本相比，四个样本的变动分别是11.88%、9.34%、29.19%、-20.50%，表明：数字金融能够降低商业银行整体的风险承担；剔除了农村金融机构后，系数降低，说明数字金融对农村金融机构Z值的提高作用最大，最能降低其风险承担。

此外，本文还按照上市与否以及规模(总资产)、盈利水平、展业地区银行业集中度的中位数将样本划分为两组子样本，再次检验数字金融是否对不同类别商业银行存在异质性影响，结果见表7。列(1)引入虚拟变量ipo和ipo与数字普惠金融的交互项ipo_digfin，ipo等于1说明是上市银行；列(2)-列(4)类似，分别引入虚拟变量size(size为1说明银行属于高规模组)、roe(roe为1说明银行属于高盈利水平组)、hhi(hhi为1说明银行展业地区属于高集中度地区)以及虚拟变量和数字金融的交互项。结果显示，数字金融增加了上市银行的风险承担，减少了非上市银行的风险承担，但这种效应并不显著。同样地，数字金融更能减少规模较大、所在地区银行业集中度较高的银行的风险承担，但在统计上并不显著。数字金融能够显著降低盈利能力较高的银行的风险承担，这种差异在10%水平上显著。综合表明数字金融对商业银行的异质性影响可能更多地体现在银行属性上。

表7 数字普惠金融对商业银行风险承担的异质性影响(回归结果3)

(三)稳健性检验

为了进一步说明结论的可靠性，本文按照以下方法进行稳健性检验：一是使用不良贷款率、拨备覆盖率、单一最大客户贷款比率分别作为被解释变量商业银行风险承担的代理变量；二是使用数字普惠金融指数的子指标：覆盖广度指数、使用深度指数、数字化程度指数作为关键解释变量数字金融的代理变量；三是使用商业银行注册地到光纤干线的距离与全国数字普惠金融指数的交互项作为数字普惠金融指数的工具变量(Digfin_iv)。

将被解释变量依次替换为不良贷款率(Risk1)、拨备覆盖率(Risk2)、单一最大客户贷款比率(Risk3)后，重复表4列(6)的系统GMM估计，所得结果见表8。列(1)结果表明，数字金融在5%水平上能够有效降低商业银行的不良贷款率，说明商业银行的风险承担显著降低；列(2)结果表明数字金融在5%水平上能够有效提高商业银行的拨备覆盖率，再次说明商业银行的风险承担降低了。列(3)的数字金融系数尽管不显著，但负系数表明，数字金融使商业银行单一最大客户贷款比率降低，意味着风险集中度降低，有利于降低商业银行的风险承担。

表8 稳健性检验(回归结果1)

将解释变量替换为数字普惠金融指数的子指标：覆盖广度(coverage_breadth)、使用深度(usage_depth)、数字化程度(digitization_level)后，对商业银行风险承担进行检验，结果见表9。列(1)、 列(3)和列(5)使用Z值衡量商业银行的风险承担，列(2)、 列(4)和列(6)使用不良贷款率衡量。观察发现，覆盖广度指数和使用深度指数均能够显著提升商业银行的Z值，显著降低商业银行的不良贷款率，而数字化程度指数对商业银行风险承担的影响不明显。子指标检验结果一方面证实了数字金融能够有效降低商业银行风险承担的结论，另一方面也说明覆盖广度指数和使用深度指数最能够促使商业银行提高风险管理能力，降低内部风险，这说明数字金融主要是通过科技和银行业务的广泛、深入结合来降低商业银行风险承担的。以授信业务为例，商业银行智能风控系统覆盖贷前、贷中、贷后三个阶段，从客户信息审查到审批授信再到贷后监控，所有的环节都实现联网核查、流程智能、实时预警。在知识图谱、大数据和风险模型的运用下，商业银行授信决策失误率有效减少，资金安全性大幅提升。

表9 稳健性检验(回归结果2)

数字金融的发展能够促使商业银行降低风险承担，而商业银行出于缓释内部风险的目的，也会主动谋求科技变革，促进金融科技升级，也就是说数字金融可能和商业银行风险承担存在互为因果关系。此外，本文的回归模型中还可能忽略了那些对商业银行风险承担有显著影响的因素，存在遗漏变量问题。为了解决潜在的内生性问题，本文使用商业银行注册地到光纤干线的距离与全国数字普惠金融指数的交互项作为各个城市数字普惠金融指数的工具变量(Digfin_iv)。本文选择2SLS(两阶段最小二乘法)和系统GMM进行了工具变量估计，回归结果见表10。

表10 稳健性检验(回归结果3)

表10列(1)、 列(2)使用的是2SLS估计方法，因变量分别是Z值和不良贷款率。一阶段F值显著大于10，说明不存在弱工具变量问题。一阶段中，数字金融工具变量与数字金融指数为显著负相关，说明距离光纤越近、数字金融越发达这一现象确实存在。二阶段中，Digfin与Z值为负相关且与不良贷款率正相关，说明了数字金融的发展确实有利于提高商业银行的Z值。列(3)、 列(4)使用的是系统GMM方法，同样分别对Z值和不良贷款率回归，得到了相同的结论，Hansen检验说明Digfin_iv是有效的。因此，使用数字金融工具变量进行检验后的结果再次证实：数字金融的发展有利于降低银行业整体的风险承担。

五 结论和建议

数字金融发展是否带来了正向的外部溢出效应？是否能够帮助我国商业银行增强风险管控能力、降低风险承担？本文研究发现：数字金融有助于收敛系统性金融风险。同时，数字金融对商业银行风险承担的影响具有异质性：城商行和农村金融机构对数字金融的反应更加敏感，而大型股份制银行和国有行更加审慎。农村金融机构可以充分利用金融科技修复资产负债表，有效降低风险承担。数字金融通过科技与银行业务的广泛、深入结合降低了商业银行的风险承担。例如：商业银行通过精准获客和画像提升了客户质量，通过投资端和融资端的精细匹配降低了业务风险暴露，通过全生命周期的资金监控提升了风险管控能力。

科技发展也会加剧行业内部竞争，不同体量和性质的银行应当结合自身实际情况和资源禀赋，制定差异化发展战略，避免重复信息基建。国有大行内控健全，风险治理完善，平台和资金优势突出，有能力搭建风险大数据平台，形成智慧风控生态闭环，因此，要紧跟技术迭代，做优做强现有风险管理系统。一方面要向高科技企业学习先进的技术和管理方式，开展前瞻性科技研究和技术储备；另一方面也要立足金融本源，严守底线，保证稳健经营方针不动摇。股份制银行或区域性银行可以加强同外部研发企业的合作，发挥协同作用，同时加强重点领域的风险监管，健全内部风险监测、排查、整治机制。农村金融机构要利用外部科技资源，加快数字化布局，做到科技对重点业务的全覆盖，同时还需增强数据分析和风险识别能力，加强合规意识，加速不良贷款化解，提高经营韧性。

在科技助力下，银行业势必朝着更加普惠、高效、开放的方向发展。但科技也会带来隐私数据泄露风险、系统故障风险、数字鸿沟问题等，影响金融系统平稳运行。商业银行作为金融业主体部门，需发挥引领作用，把握数字时代发展契机，加快数字化转型步伐，创新业务模式，利用数字金融的普惠优势，提升服务能力和水平；与此同时，还要将用户隐私数据和财产安全性放在首位，确保系统网络安全；促使数字科技与内部控制深度融合，提升风险系统建设和科技发展规划能力。监管部门要履行宏观审慎管理职责，搭建更加完善的数字金融监管规则体系，加强对线上金融活动的监管，遏制行业垄断和不正当竞争。落实监管向底层资产穿透，打击监管套利。有关部门还要勇于破除数字金融发展的体制机制障碍，创新监管工作，在风险可控的前提下，鼓励商业银行创新业务模式和金融产品，鼓励科技资源向落后地区和困难群众倾斜。市场参与主体和相关部门需把握契机、形成联动，切实维护金融安全，守住不发生系统性风险底线，共同推进银行业平稳健康发展。