數據普惠金融對股份制銀行的不良貸款風險影響探析

曹承洲

【摘要】文章利用12家股份制銀行中的貸款數據，基于數據普惠金融對股份制銀行的不良貸款風險影響進行研究。首先利用假設中提出數據普惠金融在不同因素下對股份制銀行貸款風險與異質性研究問題；其次建立被解釋變量、核心解釋變量與控制變量模型，針對研究狀況通過Hausman模型效應進行相應的分析，其分析內容為貸款風險的穩定性與異質性；利用Bootstrap與Sobel進行檢驗不良風險貸款（NLRK）與銀行內部特征（ICB）、法規政策（CRP）中介效應之間的關系；進而得出結論即數據普惠金融對股份制銀行的不良貸款經營影響顯著降低，而不受異質性影響，但受機制的影響；最后，根據數據得出的結論提出相關建議，有利于降低不良貸款的風險，提升金融服務質量。

【關鍵詞】數據普惠金融；不良貸款風險；Hausman模型；Bootstrap與Sobel檢驗

【中圖分類號】F83

一、引言

數據普惠金融（Inclusive Data Finance）是一種金融服務模式，旨在通過數據和技術的創新，為更廣泛的人群提供金融服務，尤其對傳統金融體系中難以獲得服務的人。數據普惠金融通過整合和分析大量非傳統數據，如移動電話記錄、社交媒體活動、互聯網瀏覽歷史、消費習慣等，來更好地評估個人或企業的信用風險，以提供更多金融服務的機會。

徐松濤（2022）以2010—2020年18家上市銀行經營數據為樣本，實證分析普惠金融業務對上市銀行貸款風險的影響機理。李文靜（2023）指出金融科技的出現不僅提高了金融服務效率，還顛覆了傳統金融行業的運行模式，商業銀行作為傳統金融行業的主要參與者，必然會受到金融科技的影響。丁曉雪（2023）闡明了中間業務發展現狀，對金融科技在商業銀行中間業務中的作用進行理論分析，同時，對我國股份制商業銀行中間業務發展現狀進行了具體剖析，分析金融科技在股份制商業銀行中間業務中的作用，并以此為依據，提出了研究假設。高旭（2021）基于數字金融的發展對商業銀行而言機遇與挑戰并存。首先采用全局主成分分析法和DEA-Malmquist模型測度商業銀行的經營效率，其次利用16家上市銀行2011—2018年的面板數據實證檢驗數字金融對商業銀行經營效率的影響，并針對商業銀行股權結構異質性進行分樣本回歸。王小華（2022）采用文本數據挖掘法合成了金融科技發展指數，使用2013—2018年118家商業銀行的年報數據，選取不良貸款率和資產收益率分別衡量商業銀行經營風險和盈利水平，據此考察金融科技對商業銀行經營績效的影響效應、傳導機制及其異質。劉蕭（2021）認為普惠金融業務通過資源共享機制、風險分散機制以及市場競爭機制三方面作用于商業銀行經營績效。朱柯達（2021）運用金融科技開展數字普惠金融，以數字銀行為轉型方向，不斷通過大數據等新興技術，實現普惠貸款“增量、擴面、降價、控險”均衡發展，優化金融資源在市場主體之間的配置。邱偉松（2022）基于不同的微觀企業調查數據，對我國小微企業融資問題及其解決對策進行了分析，在豐富小微企業融資現狀理解的同時，也為進一步制定小微企業金融扶持政策提供經驗數據支持。王家華（2022）基于2011—2020年中國17家代表性商業銀行的數據，采用北京大學數字普惠金融指數中的信貸指數作為數字化消費信貸的代理變量，構建p-var模型分析數字化消費信貸對商業銀行的風險傳染效應。謝諾青（2021）基于普惠金融對商業銀行盈利能力的影響效應進行研究，為我國發展普惠金融，推進金融供給側結構性改革與強化金融服務功能提供新的研究視角，為商業銀行提高盈利能力與金融科技發展水平提供經驗證據。Liu Hua（2022）利用中國銀行的數據，考察了中國金融機構可持續融資與金融風險管理之間的關系。財務風險管理是對經營業績、資產質量和資本充足率的綜合衡量標準。

假設1：數據普惠金融在不同因素下對股份制銀行貸款風險的影響。

假設2：數據普惠金融在銀行內部特征（ICB）、法規政策（CRP）中介效應的影響機制檢驗。

假設3：數據普惠金融在不同因素下對股份制銀行貸款風險異質性研究。

二、數據普惠金融數據統計與模型設計

（一）變量設計

1.被釋變量

在研究數據普惠金融對銀行的經營影響時，“被解釋變量”通常是要研究銀行的經營績效指標或特定方面的數據，而不是解釋變量。以下是一些可能作為被解釋變量的經營績效指標或特定方面的數據：

（1）不良貸款率：不良貸款率是指銀行的壞賬或違約貸款與總貸款的比例。這是一個關鍵的風險指標，可以研究數據普惠金融政策是否影響銀行的不良貸款率。

（2）資產規模：資產規模表示銀行的規模和業務規模。由于股份制銀行受前期客戶數量的影響很大，導致股份制銀行的經營風險變大，針對此類持續性影響情況，本文利用廣義矩陣模型進行檢驗。

2.核心解釋變量

核心解釋變量是最有可能直接影響銀行經營績效的自變量或因素。以下是一些可能作為核心解釋變量的因素：

（1）數據普惠金融政策指標：包括政府的數據普惠金融政策措施，如貸款利率政策、金融支持計劃、補貼政策、法規和監管要求等。這些政策可能對銀行的經營產生直接影響。

（2）貸款組合：數據普惠金融銀行的貸款組合結構，包括小微企業貸款、農村貸款、消費者貸款等，是一個關鍵的核心解釋變量。

（3）數字技術采用：銀行采用的數字技術、在線銀行服務、移動應用程序和電子支付方式可能對銀行的經營產生直接影響。

3.控制變量

在研究數據普惠金融銀行的經營影響時，控制變量是可能影響被解釋變量（例如，銀行的經營績效）的因素，但研究者想要將其保持不變，以便更準確地評估核心解釋變量（例如，數據普惠金融政策）與被解釋變量之間的關系。

（1）宏觀經濟因素：包括國家或地區的經濟狀況，如國內生產總值（GDP）、通貨膨脹率、失業率等。這些因素可能對銀行的經營績效產生影響，因此需要進行控制。

（2）市場環境：市場競爭、市場利率、市場需求等因素可能會對銀行的經營產生影響，因此需要加以控制。

（3）銀行內部特征：銀行的規模、資本充足度、治理結構、風險管理體系和戰略定位等內部因素可能對其經營績效產生影響，需要加以控制。

（4）法規和政策變化：除了數據普惠金融政策，其他法規和政策變化（如稅收政策、金融監管政策等）也可能對銀行經營產生影響，需要控制這些變量。

（5）人力資源：員工素質、培訓水平和員工滿意度可能對銀行的服務質量和效率產生影響，需要進行控制。

（6）地理因素：銀行的地理分布和服務覆蓋范圍可能對其業務和客戶構成產生影響，需要進行控制。

（7）市場風險：市場波動和風險可能對銀行的資產負債表和盈利能力產生影響，需要進行控制。

控制變量的目的是確保研究結果能夠更準確地反映出核心解釋變量（數據普惠金融政策）與被解釋變量（銀行的經營績效）之間的因果關系，而不會受到其他混雜因素的干擾。通過統計方法，你可以分析這些控制變量與核心解釋變量之間的相互關系，以更全面地理解數據普惠金融銀行的經營影響。變量名稱見表1。

（二）數據來源統計

本文數據的來源主要通過社科院統計源、銀保監會進行統計，為了保證數據的真實性，選取12家股份制商業銀行年度數據進行統計，主要選取2016—2022年的樣本數據進行統計。描述性統計數據見表2。

（三）模型設計

其中i表示各個股份制銀行，t表示股份制銀行的第幾年，Ci，t表示股份制銀行的控制變量，β0為截距項，β2為5%以下估計系數，η為個體固定效應，a為時間固定效應，ε為回歸殘差，DFIi，t -1為滯后一年數據普惠金融指數。

第二，數據普惠金融在不同因素下對股份制銀行貸款風險異質性研究檢驗。

其中i表示各個股份制銀行，t表示股份制銀行的第幾年，Ci，t表示股份制銀行的控制變量，β0為截距項，β為估計系數，η為個體固定效應，a為時間固定效應，ε為回歸殘差，DFIi，t為數據普惠金融指數。

由于固定效應、隨機效應、混合效應會產生一定的誤差，所以加入廣義矩陣和差分矩陣進行數據模型的分析，此方法能很好地控制系數的擾動，使得實證研究變得更為精確。

三、數據普惠金融實證模型的分析

（一）平穩性檢驗

本文通過Hausman模型進行選擇固定回歸模型來對其異質性分析與穩定性分析，通過選擇聚類穩定性方差來進行穩定判斷，本文主要通過LLC與IPS進行檢驗，取值控制在10%顯著水平下可以看到是平穩的。平穩性檢驗見表3。

（二）Hausman模型回歸結果檢驗

本文通過Hausman模型回歸結果檢驗的目的在于判斷數據普惠金融在不同因素下與不良貸款風險的關系，通過列舉不同因素下其產生的正比例與反比例關系，同時也通過廣義矩陣與差分矩陣模型進行合理化驗證。回歸性檢驗表4。

通過表4可以看出數據普惠金融指數是-0.218，其在1%的顯著性水平，說明數據普惠金融對股份制銀行的不良貸款經營影響顯著降低，驗證了假設1，由于是負數表明數據普惠運用技術手段可以降低不良貸款經營的風險，數字普惠金融不但便利于居民貸款，同時也降低了不良貸款的利率。

第一，宏觀經濟因素（MF）與數據普惠金融不良貸款風險成正相關關系，表明國家宏觀經濟政策調整對其數據普惠金融不良貸款風險較大，貸款政策調整，居民貸款多則不良風險增加；貸款政策不調整，居民貸款少則不良風險降低。

第二，市場環境（ME）與數據普惠金融不良貸款風險成負相關關系，表明如果市場環境越好，居民越有錢，貸款人數減少，則不良貸款風險越低，反之越高。

第三，銀行內部特征（ICB）與人力資源（HR）與數據普惠金融不良貸款風險在1%水平上負相關。

第四，法規與政策的變化（CRP）與數據普惠金融不良貸款風險成正相關關系，銀行法規與政策越好，則貸款人數增多，則其貸款風險增高，反之越低。

第五，地理因素（GF）與數據普惠金融不良貸款風險成正相關關系，越發達地區貸款越多，隨之貸款風險增加，欠發達地區貸款越少，則風險越低。

第六，市場風險（MR）與數據普惠金融不良貸款風險成正相關關系，市場風險越大，則貸款風險越大，反之越低。

（三）影響機制檢驗

股份制的發展對金融發展機制會產生一定的影響，其市場內部特征與政策法規機制對其金融數據發展的影響巨大，本文主要研究內容包括不良風險貸款（NLRK）與銀行內部特征（ICB）、法規政策（CRP）中介效應之間的關系，逐步回歸法在驗證時可能忽略掉實際存在的中介變量，本文還需進行Sobel驗證中介效應，利用Bootstrap與Sobel進行檢驗中介效應。表5為Bootstrap與Sobel檢驗。

從表5可以看出其不良風險貸款（NLRK）與銀行內部特征（ICB）、法規政策（CRP）中介效應之間的關系密切。說明機制檢驗內部對不良風險影響較大。驗證了假設2。

（四）異質性檢驗

本文認為數據金融發展對其股份制銀行的穩定性可能存在異質性影響，文中引入數據金融指標DFI，法規與政策交互DFI*CRP，市場風險交互DFI*MR，地理因素交互DFI*GF，市場環境交互DFI*ME。表6為異質性檢驗。

從表6可以看出，交互數據都是為正值且遠大于0.05，數據金融指標對法規與政策交互、市場風險交互、地理因素交互、市場環境交互影響較小，說明股份制銀行在受到數據普惠金融沖擊時，可以通過自身情況來解決業務穩定性影響，進而驗證了假設3提出的異質性問題。

（五）穩定性檢驗

穩定性關系主要針對數據普惠金融在不同因素下對股份制銀行的不良貸款影響的關系，從結論中尋找建議與政策，降低股份制銀行的貸款風險。表7為穩定性檢驗。

從表7可以看出宏觀經濟因素（MF）、地理因素（GF）、市場風險（MR）與數據普惠金融不良貸款風險呈正相關關系，市場環境（ME）與數據普惠金融不良貸款風險呈負相關關系；不管負相關與正相關都有很好的穩定性，出現正相關則說明有一定的正向慣性，負相關則有一定的負向慣性。但是銀行內部特征（ICB）與人力資源（HR）與數據普惠金融不良貸款風險呈負相關關系，有一定負向慣性。

通過以上分析說明股份制銀行的經營穩健性具有路徑慣性，揭示了商業銀行經營穩健性狀況是一個動態調整過程，上期的經營穩健性狀況會對本期產生持續影響。

四、結論

本文利用12家股份制銀行2016—2022年的數據，從理論與實證兩個方面得出以下研究結論：

一是本文通過Hausman模型進行選擇固定回歸模型來對其異質性分析與穩定性分析，通過選擇聚類穩定性方差來進行穩定判斷，本文主要通過LLC與IPS進行檢驗，取值控制在10%顯著水平下可以看到是平穩的。

二是本文對Bootstrap與Sobel進行檢驗，可以得出不良風險貸款（NLRK）與銀行內部特征（ICB）、法規政策（CRP）中介效應之間的關系密切。

三是數據普惠金融對其股份制銀行的不良貸款經營影響顯著降低，驗證了假設1，由于是負數表明數據普惠運用技術手段可以降低不良貸款經營的風險，數字普惠金融不但便利于居民貸款，同時也降低了不良貸款的利率。

四是數據金融指標對法規與政策交互、市場風險交互、地理因素交互、市場環境交互影響較小，說明股份制銀行在受到數據普惠金融沖擊時，可以通過自身情況來解決業務穩定性影響，進而驗證了假設2提出的異質性問題。

主要參考文獻：

[1]徐松濤，曹源芳.上市銀行業務風險控制研究——基于普惠金融視角[J].區域金融研究，2022（1）：51-58.

[2]李文靜.金融科技對商業銀行經營績效影響的異質性研究[D].內蒙古財經大學，2023.

[3]丁曉雪.金融科技對股份制商業銀行中間業務的影響研究[D].內蒙古財經大學，2023.

[4]高旭，高建斌.數字金融對商業銀行經營效率的影響——基于16家上市銀行的實證研究[J].井岡山大學學報（社會科學版），2021，42（4）：85-95.

[5]王小華，鄧曉雯，周海洋.金融科技對商業銀行經營績效的影響：促進還是抑制 [J].改革，2022（8）：141-155.

[6]劉蕭.普惠金融業務對商業銀行經營績效的影響研究[D].山西：山西財經大學，2021.

[7]朱柯達.普惠金融、金融科技對銀行績效的影響研究[D].上海：上海財經大學，2021.

[8]邱偉松.中國小微企業融資問題研究及其對策分析——基于金融市場發展的視角[D].四川：西南財經大學，2020.

[9]王家華，婁雨軒，丁文彬.數字化消費信貸對我國商業銀行風險承擔的影響研究[J].浙江金融，2022（5）：26-35.

[10]謝婼青，李世奇，張美星.金融科技背景下普惠金融對商業銀行盈利能力的影響研究[J].數量經濟技術經濟研究，2021，38（8）：145-163.

[11]王思睿.互聯網金融背景下中小商業銀行轉型的困境與策略[J].國際商務財會，2021（16）：60-62+66.

[12]Liu Hua，Huang Wen.Sustainable Financing and Financial Risk Management in Financial institutions：A case study of Bank of China[J]. Sustainable development.2022， （15） ：86-97.

[13]Duan Yi，Liu Yi，Chen Yi，et al.Study on the impact of knowledge Sharing on Rural financial inclusion risk control in the post-epidemic era [J]. Journal of Knowledge Management，2021（3）：134-176.

責編：吳迪