數字普惠金融對我國商業銀行不良貸款率的影響研究

摘 要：在數字普惠金融持續發展以及商業銀行不良貸款率不斷攀升的背景下，本文基于我國2011—2020年數字普惠金融指數和23家上市商業銀行面板數據，實證檢驗數字普惠金融對商業銀行不良貸款率的影響與作用機制。結果顯示數字普惠金融發展顯著提高銀行不良貸款率，而異質性分析結果表明其對小規模銀行和全國性股份制商業銀行不良貸款率的影響更為顯著。進一步研究表明，數字普惠金融發展通過增加銀行存貸比提高銀行不良貸款率。上述結論意味著應關注數字普惠金融發展對金融機構風險的放大效應，并制定差異化風險防控策略以確保風險防控措施的有效性。

關鍵詞：數字普惠金融；銀行不良貸款率；異質性分析

一、引言

近年來，數字普惠金融通過運用大數據、云計算以及人工智能等金融科技手段拓展了金融服務的可及性，其發展對傳統銀行的經營模式和風險管理帶來了前所未有的機遇和挑戰。在促進商業銀行拓展業務范圍的同時，數字普惠金融發展無疑會加劇信貸市場競爭。商業銀行是金融體系的重要一環，不良貸款率一直是衡量其資產質量和風險水平的關鍵指標。因此，深入探究數字普惠金融發展影響我國商業銀行不良貸款風險的具體機制、如何應對其發展所帶來的挑戰等問題，對于商業銀行健康發展乃至我國金融安全均有著重要理論與實踐意義。

目前，國內外關于數字普惠金融的研究涵蓋了助力經濟發展、推進民生建設及其伴隨的風險等多個維度。在助力經濟發展方面，數字普惠金融的便捷性雖加大傳統銀行的競爭壓力，但可倒逼銀行提升金融服務效率[1]。此外，數字普惠金融顯著推動新質生產力發展，且存在自身雙重門檻效應[2]。作為數字技術驅動的普惠金融新模式，數字普惠金融近年來已得到黨中央、國務院的高度重視和政策支持，在推進民生建設方面也有廣泛探討。數字普惠金融憑借其較強的地理穿透性及低門檻優勢，在發揮增收效應的同時，縮小城鄉收入分配差距[3]，并在很大程度上緩解了欠發達地區金融排斥的現象[4]。數字普惠金融的覆蓋廣度以及數字化水平對中部地區鄉村產業振興的發展均有顯著影響[5]。同時，其對我國的共同富裕水平具有顯著的正向空間溢出效應[6]。在金融服務領域，數字普惠金融是一把雙刃劍。其在帶來便利與機遇的同時，也伴隨著不容忽視的挑戰與風險：不僅會帶來網絡安全問題等金融風險，還可能產生數字普惠金融壟斷等新型風險[7]?；跀底制栈萁鹑谒鶐淼南盗酗L險，新背景下的監管理應平衡創新與風險的關系，重構我國的金融監管系統[8]。

關于商業銀行不良貸款的研究，學術界近年來也展開了多層次的探索，涵蓋其風險探討及影響因素的多元考察等不同維度。市場競爭是影響商業銀行信用風險的重要原因[9]，而商業銀行的ESG表現與其不良貸款率呈現顯著的負相關關系，ESG表現的提升可通過降低風險承擔和提升流動性兩個渠道降低不良貸款率來實現[10]。此外，在經濟發展水平較低的地區，信用環境改善對銀行不良貸款的影響作用愈發明顯[11]。近年來，數字普惠金融的影響輻射范圍也已觸及商業銀行不良貸款率，其發展增加了城市商業銀行不良貸款的風險，且其負面影響對非上市城市商業銀行更為顯著[12]。但目前針對二者關系的研究仍較少，這一領域尚存在較大探索空間。

較現有文獻，本文邊際貢獻主要體現在兩方面：一是將數字普惠金融與上市商業銀行不良貸款率納入同一分析框架，證實數字普惠金融對經濟體系的負面影響，并發現其對不同類型商業銀行的影響存在異質性，拓展了關于銀行不良貸款率的研究視角。二是從宏觀與微觀雙重視角切入，厘清數字普惠金融提高銀行不良貸款風險的理論機制，進一步補充了現有經驗研究成果。

二、理論機制與研究假設

數字普惠金融作為新興金融模式，一方面為金融領域帶來諸多創新和便利。例如，商業銀行可以借助數字普惠金融手段，觸達原先傳統金融服務難以覆蓋的群體，從而擴大服務范圍。但另一方面，數字普惠金融不可避免地會對傳統商業銀行體系造成沖擊，進而對商業銀行的不良貸款率產生影響。本文認為數字普惠金融主要通過以下三個途徑作用于商業銀行的不良貸款率：一是風險識別偏差效應。數字普惠金融過度依賴數據模型和算法，導致在風險評估時會忽略一些難以量化和非標準化的關鍵因素。因此，商業銀行在借鑒其風險評估方式時容易出現偏差，誤判借款人的信用水平，從而提高銀行不良貸款的發生概率。二是過度競爭壓力效應。數字普惠金融的快速發展加劇了我國金融市場的競爭態勢，為爭奪有限的市場份額，商業銀行可能會降低原本嚴格的信貸標準，將貸款額度給部分信用風險較高、還款能力不穩定的客戶。這種過于追求業務量的增長而忽視了風險把控的行為，極易造成不良貸款率呈現上升的趨勢。三是技術依賴風險效應。數字普惠金融高度依賴復雜的技術系統以及先進的信息技術架構，一旦技術系統出現故障或遭受惡意的網絡攻擊，均可導致數據錯誤和泄露，從而影響對客戶信用狀況的準確判斷。如數據傳輸的中斷可能導致信息不完整，黑客攻擊可借此篡改客戶的關鍵信用數據，這些因素都增加了銀行在信貸決策過程中的不確定性和風險，從而間接提高了其不良貸款率。

綜上，盡管數字普惠金融以其先進的技術和廣泛的覆蓋面為金融市場帶來了許多機遇，但伴隨而來的可能是技術依賴性、風險評估偏差及過度競爭等風險，從而對商業銀行的不良貸款率產生負面影響?；诖耍疚奶岢黾僭O1：數字普惠金融的發展可能對商業銀行不良貸款率的上升構成顯著影響。

在當下的金融市場環境中，不同規模以及所有權性質不同的銀行之間在市場布局、經營管理方式以及公司組織結構等方面存在很大差異，進而在信貸策略、貸款規模以及貸款對象等方面均有不同。由此一定程度上影響了數字普惠金融對不同種類銀行的作用程度，故在研究過程中有必要對不同類型的銀行進行區分。因此，本文提出假設2：若數字普惠金融對銀行不良貸款率的上升存在顯著影響，那么針對不同類型（不同規模及所有權性質不同）的商業銀行，其不良貸款率與數字普惠金融的關系存在差異。

面對數字普惠金融發展帶來的競爭壓力，商業銀行有可能盲目加大貸款力度，提升其存貸比率，卻忽視了貸款比例過高帶來的負面影響，致使其不良貸款率上升。在2015年之后，我國已取消銀行存貸比不得超過75%的監管要求，然而其仍是監測銀行風險的重要指標之一?；诖耍岢黾僭O3：數字普惠金融通過影響商業銀行存貸比，進而對商業銀行不良貸款率產生影響。

三、研究設計與數據處理

（一）樣本選擇與數據來源

本文所涉及的商業銀行變量指標數據均來自同花順數據庫，對于部分缺失數據的補充來源于商業銀行官方網站發布的年度報告。工具變量指標互聯網普及率來自中國互聯網絡信息中心（CNNIC）官網數據。目前，關于我國數字普惠金融發展情況的衡量指標，現有研究多采用北京大學數字金融研究中心發布的數字普惠金融發展指數。依據數據的可獲得性，本文選取2011——2020年我國數字普惠金融發展指數數據以及23家上市商業銀行的面板數據進行實證分析。

（二）模型的設定

為探究數字普惠金融對商業銀行不良貸款率的影響，本文參考張杉[13]和劉艷[14]的研究，構建如下基準回歸模型：

[NPLit=β0+β1DIFit+β2GDPGRit+β3INFit+β4PCRit+β5CARit+β6Ln（AS）it+β7CRCRit+λi+μt+εit] （1）

其中，NPL代表銀行的不良貸款率，DIF代表數字普惠金融指數，其他變量均為控制變量，λi[ ]為個體效應，μt為時間效應，εit為隨機項，i和t分別代表樣本銀行和年份。

基于前述理論分析，為進一步探究數字普惠金融發展對商業銀行不良貸款率的影響機制，參考李亞敏[12]的研究，本文選取商業銀行存貸比（LDR）為中介變量，構建如下的中介效應模型：

[Medit=β0+β1DIFit+β2GDPGRit+β3INFit+β4PCRit+β5CARit+β6Ln（AS）it+β7CRCRit+λi+μt+εit] （2）

[NPLit=β0+β1DIFit+β2Medit+β3GDPGRit+β4INFit+β5PCRit+β6CARit+β7Ln（AS）it+β8CRCRit+λi+μt+εit] （3）

其中，Med是中介變量，用存貸比（LDR）指標進行衡量，其余變量的定義與模型（1）保持一致。在模型（2）中，β1為數字普惠金融對銀行存貸比的影響系數；在模型（3）中，β1體現了數字普惠金融對銀行不良貸款率的直接影響，β2則為中介變量對不良貸款率的影響，兩系數的乘積即表示中介效應。

（三）指標構建與數據預處理

本文以商業銀行不良貸款率（NPL）作為被解釋變量，該指標是衡量商業銀行信貸資產質量與安全性的重要標尺，具體以銀行不良貸款與總貸款余額的比值進行測度。本文選取數字普惠金融指數（DIF）作為核心解釋變量。該指數是北京大學數字金融研究中心，根據螞蟻集團提供的支付寶相關數據進行編制的，該指數旨在提供一個客觀、全面的視角，以衡量我國在數字普惠金融領域的實際發展水平與狀況。此外，為提高回歸方程的估計效率，避免回歸過程中遺漏變量造成的估計偏誤問題，本文參照葛莉等[15]以及孫光林等[16]的研究，擬在回歸模型中加入銀行微觀層面控制變量主要包括撥備覆蓋率、資本充足率、資產規模、信用風險集中度，宏觀層面控制變量包括GDP增長率和通貨膨脹率。鑒于數字普惠金融與商業銀行的傳統存貸款業務存在競爭關系，本文引入存貸比作為中介變量，旨在探討數字普惠金融是否通過調整銀行存貸比，進而對不良貸款率產生影響。

各變量說明及描述性統計見表1。從描述統計結果可知，不良貸款率最大值為2.75%，最小值為0.24%，這意味著不同商業銀行的不良貸款比率存在較大差異。數字普惠金融指數最大值為393.68，最小值為101.60，且呈現逐年上升的趨勢，由此可見其持續增長的態勢。為平衡各變量間的量綱，本文對資產規模取對數處理，其最大值為5.52，最小值為2.71，避免了因數據量級差異過大而導致的統計分析偏差，從而確保了后續分析結果的可靠性。

（四）平穩性檢驗

表2為平穩性檢驗結果，其原假設是：存在單位根。由結果可知，各檢驗統計量均在1%水平上顯著，所以拒絕原假設，表明各變量都是穩定的。

四、實證結果及分析

（一）基準回歸

表3為基準回歸結果。列（1）中DIF的系數值在1%顯著性水平下顯著為正，說明數字普惠金融的發展會導致我國商業銀行的不良貸款率升高，研究假設1成立。列（2）至列（4）加入了宏微觀層面的控制變量，并分別對個體效應、時間效應以及個體聚類標準誤進行不同層面的控制，從而呈現不同角度的回歸結果，數字普惠金融的回歸系數始終顯著為正，表明假設1能夠得到經驗數據的較好支撐。此外，Hausman檢驗的卡方統計量為0，對應P值為1，表明在統計上無法拒絕固定效應模型與隨機效應模型無系統性差異的原假設，本文建立隨機效應模型更為恰當。

（二）穩健性及內生性檢驗

為驗證數字普惠金融對銀行不良貸款率影響估計結果的穩健性，本文采取調整樣本期的方法進行穩健性檢驗。由于2013年余額寶的推出，我國迎來互聯網金融的元年，自此以后，互聯網金融產品層出不窮，數字普惠金融發展對銀行傳統業務帶來明顯沖擊，因此將時間區間保留在2013—2020年。表4報告了調整樣本期之后模型的穩健性檢驗結果，行（1）、行（2）均顯示在新樣本期間數字普惠金融指數系數顯著為正，從而論證了實證分析結果具有較好的穩健性。

借鑒潘海嵐等[17]的研究方法，采用工具變量對模型進行內生性檢驗。其一，選用距離變量，即各銀行總部所在地到杭州的球面距離與當年全國數字普惠金融指數均值的乘積作為工具變量。由于螞蟻集團總部在杭州，該指標在一定程度上能夠體現該地區數字普惠金融的發展狀況，而距離作為地理變量，和銀行不良貸款率沒有直接關聯，符合工具變量選取的基本條件。其二，將各銀行總部所在城市的互聯網普及率作為信息化程度的衡量指標。地區的互聯網普及程度和數字普惠金融的發展緊密相連，而對銀行不良貸款的直接影響較小，滿足工具變量的相關性與外生性要求。在采用兩階段最小二乘法（IV-2SLS）進行實證分析后，表5報告了數字普惠金融對商業銀行不良貸款率的影響在考慮了潛在內生性問題后，依然保持著統計上的顯著性。

（三）異質性分析

為考察數字普惠金融對不同規模銀行不良貸款率影響的差異性，參考張海燕的研究[18]，將研究樣本按規模進行分樣本回歸。表6列（1）結果表明大規模銀行和小規模銀行的影響系數均通過1%水平的顯著性檢驗，但大規模銀行由于其規模經濟效應和更強的風險管理能力，對數字普惠金融有更強的適應性，因此其影響系數相對較小。相比之下，小規模銀行在應對數字普惠金融帶來的變化時可能面臨更多挑戰，如技術投入不足、風險評估能力不足等，導致不良貸款率受數字普惠金融發展的影響更為顯著。

表6列（2）顯示不同性質的銀行表現出不同的顯著性。國有銀行的影響系數并不顯著，這主要得益于國有銀行完善的風險管理機制以及強大的資本實力。全國性股份制商業銀行影響系數最大，且通過1%水平的顯著性檢驗，主要是源于其更加注重市場化和靈活性，試圖在數字普惠金融的發展中尋找機遇，但同時容易因過度追求業務擴張而忽視風險控制。地方性商業銀行作為服務地方經濟的重要力量，其影響系數同樣通過了顯著性檢驗，但相較于全國性股份制商業銀行，其影響系數更小。這主要是因為地方性商業銀行深耕本地市場，對當地經濟環境和企業情況更為熟悉，數字普惠金融發展帶來的新業務拓展，對地方性商業銀行的影響相對較小，因此不良貸款率受到的沖擊也相對較弱。綜上，不同規模以及所有權性質不同的商業銀行，數字普惠金融發展對其不良貸款率的影響存在差異，假設2得到驗證。

（四）中介效應分析

在已知數字普惠金融指數與商業銀行不良貸款率呈正相關的基礎上，參考江艇[19]和李雙建等[20]以往研究中關于中介效應的檢驗方法，進一步將銀行的存貸比作為中介變量進行檢驗，可以揭示數字普惠金融如何通過影響存貸比來影響其不良貸款率。

中介效應檢驗結果如表7所示，行（2）表明數字普惠金融指數對存貸比影響的系數顯著為正，行（3）將中介變量存貸比納入模型，結果顯示二者的回歸系數分別在1%和10%水平下顯著為正。以上結果表明數字普惠金融發展會提升銀行存貸比，并進一步提高其不良貸款率。迫于數字普惠金融發展帶來的競爭壓力，銀行可能會采取更加激進的貸款策略搶占信貸市場份額，例如支持小微企業和個人創業者等長尾客戶，進而提高貸款總額。另外，數字普惠金融也可能帶來信息不對稱的問題，由于銀行難以全面了解借款人的信用狀況和還款能力，因此可能做出不準確的貸款決策，從而增加不良貸款的可能性。因此，在數字普惠金融影響銀行不良貸款率的過程中，存在數字普惠金融→存貸比→銀行不良貸款率的傳導渠道，假設3得到驗證。

五、結論與建議

立足于數字普惠金融持續發展的現實背景及商業銀行的實際經營情況，本文基于2011—2020年間中國23家上市商業銀行的面板數據，探究數字普惠金融發展對商業銀行不良貸款率的影響與機制。研究結果如下：首先，數字普惠金融發展顯著加劇銀行的不良貸款率，且在排除內生性之后結論依然穩健成立。其次，異質性分析揭示，對于小規模銀行及全國股份制商業銀行而言，數字普惠金融對不良貸款率的正向推動作用更為顯著。最后，中介效應分析表明，數字普惠金融通過提升銀行存貸比，間接導致銀行不良貸款率增加。

基于上述結論，本文提出如下建議：一是注重數字普惠金融發展與金融機構風險的內在聯系，強化數字普惠金融的風險監管與評估。數字普惠金融有區別于以往金融市場特有的風險特征，因此，需建立有針對性的風險評估體系，對涉及數字普惠金融相關業務的商業銀行進行定期的風險評估，以創造良好的信貸環境。二是制定差異化風險防控策略，確保風險防控措施的針對性及有效性。為應對小規模銀行和全國性股份制商業銀行在數字普惠金融發展中的突出挑戰，政府可適當提供相應政策扶持和業務引導，為其建立良性的信貸環境。同時，應加強對該部分銀行的監管指導，建立健全風險防控機制。此外，為確保其穩健運營，應鼓勵不同類型商業銀行之間的合作與交流，共享風險管理經驗和技術資源，提升銀行體系的整體風險防控水平。三是優化信貸結構，提升整體資產質量。商業銀行應根據自身風險承受能力、資本充足率等實際情況，將存貸比水平控制在可承受范圍內，避免盲目追求貸款規模而忽略不良貸款相關風險。同時，應重視優質客戶及優質項目的貢獻度，降低對高風險客戶和項目的貸款投放力度。

參考文獻：

［1］ OZILI P K. Impact of Digital Finance on Financial Inclusion And Stability［J］.Borsa Istanbul Review，2018，18（4）：329-340.

［2］ 龐加蘭，查雨城.數字普惠金融對新質生產力的影響及作用機制研究［J］.農村金融研究，2024，（7）：54-66.

［3］ 張勛，萬廣華，張佳佳，等.數字經濟、普惠金融與包容性增長［J］.經濟研究，2019，54（8）：71-86.

［4］ SCHUETZ S，VENKATESH V. Blockchain，ａDoption，and Financial Inclusion in India： Research Opportunities［J］.International Journal of Information Management，2020，52：101936.

［5］ 陳熹.數字普惠金融服務中部地區鄉村產業振興的影響與機制研究［J］.南昌大學學報（人文社會科學版），2023，54（5）：71-82.

［6］ 王珂凡，何文彬.數字普惠金融賦能共同富裕的實證檢驗［J］.統計與決策，2024，40（14）：132-137.

［7］ 衛曉鋒.數字普惠金融的風險與監管［J］.金融理論與實踐，2019，479（6）：49-54.

［8］ 賀剛，張清，龔孟林.數字普惠金融內涵、創新與風險研究［J］.甘肅金融，2020，503（2）：31-35.

［9］ CRAIG BR，DINGER V. Deposit Market Competition，Wholesale Funding，and Bank Risk［J］.Journal of Banking amp; Finance，2013，37（9）：3605-3622.

［10］ 赫國勝，李曉斌.商業銀行ESG表現與不良貸款率——基于中國的實證研究［J］.金融論壇，2024，29（2）：26-36.

［11］ 吳晶妹，王平.信用環境對商業銀行不良貸款率的影響分析與建議［J］.投資研究，2022，41（1）：6-19.

［12］ 李亞敏.數字普惠金融與城市商業銀行不良貸款——基于城商行面板數據的分析［D］.濟南：山東財經大學，2024.

［13］ 張杉.數字普惠金融對區域創新的影響研究——基于省級面板數據的實證分析［J］.價格理論與實踐，2021（11）：136-139.

［14］ 劉艷.數字普惠金融對農業全要素生產率的影響［J］.統計與決策，2021，37（21）：125-128.

［15］ 葛莉，常裕琦.互聯網金融背景下北京銀行不良貸款率影響因素的實證分析［J］.長春理工大學學報（社會科學版），2020，33（1）：101-107.

［16］ 孫光林，蔣偉.數字經濟對商業銀行不良貸款率的影響機制研究［J］.證券市場導報，2021（5）：39-46.

［17］ 潘海嵐，康思.數字普惠金融是否有效激發了文旅消費潛力？——基于CFPS的經驗證據［J］.金融理論與實踐，2024（7）：58-70.

［18］ 張海燕.數字普惠金融對農戶收入結構影響的異質性研究［J］.統計與決策，2021，37（24）：154-158.

［19］ 江艇.因果推斷經驗研究中的中介效應與調節效應［J］.中國工業經濟，2022（5）：100-120.

［20］ 李雙建，李俊青，張云.地方政府債務擴張對銀行全要素生產率的影響研究［J］.國際金融研究，2024（6）：64-74.