傅 順，裴 平，孫 杰

（1.清華大學(xué) 五道口金融學(xué)院，北京 100083；2.南京大學(xué) 商學(xué)院，江蘇 南京 210093）

守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)始終是金融領(lǐng)域的重要工作。實(shí)踐經(jīng)驗(yàn)表明，商業(yè)銀行信用風(fēng)險(xiǎn)管理是防范化解系統(tǒng)性金融風(fēng)險(xiǎn)的關(guān)鍵所在。近十年來(lái)，以互聯(lián)網(wǎng)企業(yè)為平臺(tái)的數(shù)字金融蓬勃發(fā)展，對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生了重大影響。數(shù)據(jù)顯示，中國(guó)商業(yè)銀行不良貸款余額和不良貸款率兩項(xiàng)指標(biāo)呈現(xiàn)“雙升”趨勢(shì)①數(shù)據(jù)來(lái)源：中國(guó)銀保監(jiān)會(huì)官網(wǎng)（http://www.cbirc.gov.cn）。2009年年末商業(yè)銀行不良貸款余額為0.5萬(wàn)億，不良貸款率為1.58%；截至2019年年末商業(yè)銀行不良貸款余額為2.41萬(wàn)億，不良貸款率為1.86%。。數(shù)字金融是互聯(lián)網(wǎng)金融的升級(jí)版，它利用大數(shù)據(jù)、云計(jì)算、區(qū)塊鏈和人工智能等技術(shù)優(yōu)勢(shì)加快與金融業(yè)務(wù)的深度融合，對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)管理帶來(lái)了挑戰(zhàn)與機(jī)遇。因此，深入研究數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響及其傳導(dǎo)渠道，對(duì)加強(qiáng)商業(yè)銀行信用風(fēng)險(xiǎn)管理能力無(wú)疑具有重要的理論價(jià)值與現(xiàn)實(shí)意義。

本文主要在三方面對(duì)已有研究做出了邊際貢獻(xiàn)：（1）本文研究表明，數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響并非簡(jiǎn)單的線性關(guān)系，而是非線性的“倒U形”關(guān)系，這為正確認(rèn)識(shí)數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)間的關(guān)系提供了經(jīng)驗(yàn)證據(jù)。（2）在傳導(dǎo)渠道分析方面，構(gòu)建了中介效應(yīng)模型，將負(fù)債成本和負(fù)債結(jié)構(gòu)作為中介變量，實(shí)證檢驗(yàn)了數(shù)字金融發(fā)展通過(guò)銀行負(fù)債端的變化，進(jìn)而影響資產(chǎn)端信用風(fēng)險(xiǎn)的傳導(dǎo)渠道，彌補(bǔ)了相關(guān)研究的空白。（3）在異質(zhì)性分析方面，將37家上市銀行劃分為“工農(nóng)中建交”五大行和非五大行，考察了數(shù)字金融發(fā)展影響不同類(lèi)型商業(yè)銀行信用風(fēng)險(xiǎn)的異質(zhì)性差異，進(jìn)一步豐富了相關(guān)文獻(xiàn)所做的研究。

一、文獻(xiàn)回顧

實(shí)踐經(jīng)驗(yàn)表明，商業(yè)銀行信用風(fēng)險(xiǎn)是引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)的導(dǎo)火索。因此，商業(yè)銀行信用風(fēng)險(xiǎn)成為學(xué)術(shù)界和監(jiān)管部門(mén)高度關(guān)注的熱點(diǎn)問(wèn)題。張樂(lè)和韓立巖[1]基于2006—2013年16家上市銀行數(shù)據(jù)，采用混合效應(yīng)模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)民營(yíng)大股東持股比例越大，則商業(yè)銀行信用風(fēng)險(xiǎn)越低；外資持股比例越小，則商業(yè)銀行信用風(fēng)險(xiǎn)越高。許坤和蘇揚(yáng)[2]基于2007—2014年168家銀行數(shù)據(jù)，采用雙重差分模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)逆周期資本監(jiān)管政策有利于緩解商業(yè)銀行信用風(fēng)險(xiǎn)。孫光林等[3]基于2005—2014年省級(jí)面板數(shù)據(jù)，采用SYS-GMM模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)要素扭曲顯著加劇了商業(yè)銀行信用風(fēng)險(xiǎn)。劉沖和郭峰[4]基于2002—2013年101家城市商業(yè)銀行數(shù)據(jù)，采用SYS-GMM模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)銀監(jiān)局局長(zhǎng)任職時(shí)間長(zhǎng)短與城市商業(yè)銀行信用風(fēng)險(xiǎn)呈現(xiàn)負(fù)相關(guān)，而市委書(shū)記任職時(shí)間長(zhǎng)短與城市商業(yè)銀行信用風(fēng)險(xiǎn)呈現(xiàn)正相關(guān)。管衍鋒和徐齊利[5]基于2007—2017年225家銀行數(shù)據(jù)，采用GMM模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)緊縮的貨幣政策增加了商業(yè)銀行信用風(fēng)險(xiǎn)，并且這種相關(guān)性主要體現(xiàn)在上市銀行。王蕾等[6]基于2007—2015年14家上市銀行數(shù)據(jù)，采用固定效應(yīng)和SYS-GMM模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)代理成本在內(nèi)部控制與商業(yè)銀行信用風(fēng)險(xiǎn)的負(fù)向關(guān)系中發(fā)揮著中介作用。李佳[7]基于2011—2017年94家銀行數(shù)據(jù)，采用SYS-GMM模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)資產(chǎn)證券化與商業(yè)銀行信用風(fēng)險(xiǎn)呈現(xiàn)“倒U形”關(guān)系。于博和吳菡虹[8]基于2008—2017年107家銀行數(shù)據(jù)，采用OLS模型和2SLS模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)同業(yè)杠桿率與商業(yè)銀行信用風(fēng)險(xiǎn)呈現(xiàn)“U形”關(guān)系。顧海峰和于家珺[9]基于2008—2017年245家銀行數(shù)據(jù)，采用固定效應(yīng)模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)跨境資本流動(dòng)顯著加劇了商業(yè)銀行信用風(fēng)險(xiǎn)。

關(guān)于數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)影響的文獻(xiàn)較少，且以定性研究和描述性統(tǒng)計(jì)分析為主。陳君[10]基于大數(shù)據(jù)視角，認(rèn)為數(shù)字金融發(fā)展通過(guò)降低銀企間信息不對(duì)稱，以及完善征信體系，能夠降低商業(yè)銀行信用風(fēng)險(xiǎn)。吳丹[11]基于2013—2015年季度數(shù)據(jù)，采用誤差修正模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)數(shù)字金融發(fā)展加劇了商業(yè)銀行信用風(fēng)險(xiǎn)。袁媛[12]指出，數(shù)字金融通過(guò)大數(shù)據(jù)、云計(jì)算、區(qū)塊鏈和人工智能等技術(shù)，整理、分析以及應(yīng)用大數(shù)據(jù)來(lái)解決銀行所面臨的信息不對(duì)稱問(wèn)題，并構(gòu)建覆蓋風(fēng)險(xiǎn)識(shí)別、信用評(píng)估、貸后監(jiān)督和逾期催收等全流程數(shù)字化的信貸風(fēng)險(xiǎn)監(jiān)控體系。王榮康[13]研究表明，數(shù)字金融發(fā)展沖擊了商業(yè)銀行信用風(fēng)險(xiǎn)管理體系，銀行只有積極吸收數(shù)字金融的技術(shù)創(chuàng)新，才能降低自身的信貸風(fēng)險(xiǎn)。陸岷峰和王婷婷[14]認(rèn)為，在數(shù)字金融蓬勃發(fā)展背景下，銀行要通過(guò)金融科技實(shí)現(xiàn)信貸風(fēng)險(xiǎn)管理的全流程數(shù)字化轉(zhuǎn)型。

上述文獻(xiàn)為本文的研究提供了理論支撐和計(jì)量方法的借鑒。但是，縱觀已有文獻(xiàn)，關(guān)于數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)的研究尚缺少完整的分析框架和詳實(shí)的經(jīng)驗(yàn)證據(jù)。因此，本文基于2009—2019年中國(guó)37家上市銀行數(shù)據(jù)，采用SYS-GMM模型和中介效應(yīng)模型，實(shí)證檢驗(yàn)了數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響及其傳導(dǎo)渠道，以期為銀行加強(qiáng)信用風(fēng)險(xiǎn)管理能力提供經(jīng)驗(yàn)證據(jù)和現(xiàn)實(shí)指引。

二、理論分析與研究假設(shè)

商業(yè)銀行既是數(shù)字金融發(fā)展競(jìng)爭(zhēng)效應(yīng)的承受者，也是技術(shù)溢出效應(yīng)的受益者。以競(jìng)爭(zhēng)效應(yīng)為理論視角，數(shù)字金融發(fā)展與商業(yè)銀行存貸業(yè)務(wù)直接競(jìng)爭(zhēng)，降低了商業(yè)銀行利息收入和非利息收入[15]，商業(yè)銀行為擴(kuò)大市場(chǎng)份額和提高利息收入而傾向于增加高風(fēng)險(xiǎn)貸款項(xiàng)目的投放，進(jìn)而加劇商業(yè)銀行信用風(fēng)險(xiǎn)。以技術(shù)溢出效應(yīng)為理論視角，數(shù)字金融是大數(shù)據(jù)、云計(jì)算、區(qū)塊鏈和人工智能等技術(shù)與金融業(yè)務(wù)的深度融合，其蓬勃發(fā)展會(huì)對(duì)商業(yè)銀行產(chǎn)生技術(shù)溢出，商業(yè)銀行在吸收數(shù)字金融發(fā)展的技術(shù)溢出效應(yīng)后，能夠利用大數(shù)據(jù)和云計(jì)算技術(shù)減少信息獲取的難度和存儲(chǔ)成本，緩解銀企之間的信息不對(duì)稱；區(qū)塊鏈技術(shù)改變了傳統(tǒng)信用風(fēng)險(xiǎn)定價(jià)模式，提高了商業(yè)銀行對(duì)信用風(fēng)險(xiǎn)的定價(jià)能力；人工智能技術(shù)改變了信貸業(yè)務(wù)審批流程，提高了整個(gè)流程的風(fēng)險(xiǎn)識(shí)別能力，進(jìn)而降低商業(yè)銀行信用風(fēng)險(xiǎn)。在數(shù)字金融發(fā)展初期，商業(yè)銀行會(huì)通過(guò)高息攬儲(chǔ)，或是降低貸款門(mén)檻以應(yīng)對(duì)數(shù)字金融發(fā)展的競(jìng)爭(zhēng)壓力，這會(huì)導(dǎo)致商業(yè)銀行貸款質(zhì)量下滑，進(jìn)而增加商業(yè)銀行信用風(fēng)險(xiǎn)；隨著對(duì)數(shù)字金融的認(rèn)識(shí)加深，商業(yè)銀行會(huì)逐漸吸收數(shù)字金融的技術(shù)優(yōu)勢(shì)，這能夠提高商業(yè)銀行對(duì)信用風(fēng)險(xiǎn)的預(yù)警、識(shí)別和管理能力，提高貸款業(yè)務(wù)的資源配置效率和信貸質(zhì)量，進(jìn)而降低商業(yè)銀行信用風(fēng)險(xiǎn)。數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)很可能呈現(xiàn)非線性的“倒U形”關(guān)系，即在數(shù)字金融發(fā)展初期，數(shù)字金融發(fā)展加劇了商業(yè)銀行信用風(fēng)險(xiǎn)，但經(jīng)過(guò)一段時(shí)間后，數(shù)字金融發(fā)展會(huì)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生抑制作用。因此，本文提出如下研究假設(shè)：

H1.數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)呈現(xiàn)非線性的“倒U形”關(guān)系。

隨著以互聯(lián)網(wǎng)企業(yè)為平臺(tái)的數(shù)字金融迅速發(fā)展，其在存款市場(chǎng)與商業(yè)銀行的競(jìng)爭(zhēng)日趨激烈。數(shù)字金融憑借降低交易成本、提高資金收益和改善客戶體驗(yàn)等方面的優(yōu)勢(shì)吸收了大量客戶資金，這些資金最終會(huì)以利率更高的銀行間市場(chǎng)拆借、協(xié)議存款以及委托理財(cái)?shù)确绞街匦禄氐缴虡I(yè)銀行，這無(wú)疑間接增加了商業(yè)銀行的負(fù)債成本，商業(yè)銀行因而不得不投資于高風(fēng)險(xiǎn)貸款項(xiàng)目以覆蓋其不斷增加的攬儲(chǔ)成本，進(jìn)而會(huì)加劇商業(yè)銀行信用風(fēng)險(xiǎn)。另一方面，商業(yè)銀行為增加利息收入，可能會(huì)形成過(guò)度投資行為，企業(yè)被商業(yè)銀行的過(guò)度投資所激勵(lì)，會(huì)擴(kuò)大自身產(chǎn)能，導(dǎo)致產(chǎn)能過(guò)?，F(xiàn)象。企業(yè)產(chǎn)能過(guò)剩會(huì)導(dǎo)致產(chǎn)品市場(chǎng)競(jìng)爭(zhēng)加劇，企業(yè)現(xiàn)金流回籠難度加大，償還商業(yè)銀行貸款壓力增加，進(jìn)而加劇商業(yè)銀行的信用風(fēng)險(xiǎn)。因此，本文提出如下研究假設(shè)：

H2.數(shù)字金融發(fā)展通過(guò)負(fù)債成本傳導(dǎo)渠道對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生影響。

數(shù)字金融發(fā)展間接增加了銀行負(fù)債成本，但是銀行整體負(fù)債規(guī)模并未因此而減少，只是負(fù)債結(jié)構(gòu)會(huì)發(fā)生較大變化，即銀行越來(lái)越依賴同業(yè)負(fù)債等融資渠道補(bǔ)充資金。因同業(yè)負(fù)債無(wú)需繳納存款準(zhǔn)備金以及只需計(jì)提較少的風(fēng)險(xiǎn)資產(chǎn)準(zhǔn)備，這就導(dǎo)致基于同業(yè)負(fù)債的貸款投放規(guī)模大幅增加?；谕瑯I(yè)負(fù)債的貸款投放需經(jīng)過(guò)多層通道，一方面，其融資鏈條較長(zhǎng)，貸款項(xiàng)目信息不對(duì)稱較嚴(yán)重，貸后管理難度較大，這會(huì)增加商業(yè)銀行信用風(fēng)險(xiǎn)；另一方面，其融資成本較高，融資需求方項(xiàng)目風(fēng)險(xiǎn)也較大，這也會(huì)增加商業(yè)銀行信用風(fēng)險(xiǎn)。最后，基于商業(yè)銀行同業(yè)負(fù)債的資產(chǎn)投放多對(duì)接特定的“通道類(lèi)”會(huì)計(jì)投資項(xiàng)目，例如應(yīng)收款項(xiàng)類(lèi)投資、交易性金融資產(chǎn)或持有至到期金融資產(chǎn)類(lèi)項(xiàng)目，這類(lèi)套利型資產(chǎn)項(xiàng)目通常只有較少的風(fēng)險(xiǎn)資本撥備，具有較高的信用風(fēng)險(xiǎn)。因此，本文提出如下研究假設(shè)：

H3.數(shù)字金融發(fā)展通過(guò)負(fù)債結(jié)構(gòu)傳導(dǎo)渠道對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生影響。

三、研究設(shè)計(jì)

（一）變量選取

1.被解釋變量。商業(yè)銀行信用風(fēng)險(xiǎn)是指借款者主觀上不愿意或是客觀上沒(méi)有能力按時(shí)履行貸款合同而造成實(shí)質(zhì)性違約，導(dǎo)致銀行貸款無(wú)法按時(shí)收回。本文選取不良貸款率作為商業(yè)銀行信用風(fēng)險(xiǎn)（Risk）的測(cè)度指標(biāo)，該指標(biāo)能夠直接反映商業(yè)銀行信用風(fēng)險(xiǎn)的實(shí)際情況。

2.解釋變量。數(shù)字金融主要業(yè)務(wù)模式是第三方支付、網(wǎng)絡(luò)借貸和互聯(lián)網(wǎng)貨幣基金等。考慮到網(wǎng)絡(luò)借貸出現(xiàn)大面積違約風(fēng)險(xiǎn)，截至2020年底已被監(jiān)管部門(mén)基本清零，同時(shí)互聯(lián)網(wǎng)貨幣基金業(yè)務(wù)的開(kāi)展依賴于第三方支付，兩者間的相關(guān)性較強(qiáng)，本文選取第三方支付規(guī)模作為數(shù)字金融發(fā)展（DF）的測(cè)度指標(biāo)①考慮到變量量綱的合理性，本文對(duì)第三方支付規(guī)模進(jìn)行對(duì)數(shù)化處理。。實(shí)際上，這一選擇也得到了許月麗等[16]、戰(zhàn)明華等[17]、劉孟飛和王琦[18]、傅順和裴平[19]的認(rèn)同。

3.中介變量。根據(jù)前文的理論分析，負(fù)債成本（CD）和負(fù)債結(jié)構(gòu)（DS）是數(shù)字金融發(fā)展影響商業(yè)銀行信用風(fēng)險(xiǎn)的傳導(dǎo)渠道。本文選取負(fù)債成本和負(fù)債結(jié)構(gòu)作為中介變量，采用利息支出/計(jì)息負(fù)債總額作為負(fù)債成本的測(cè)度指標(biāo)，采用同業(yè)負(fù)債/計(jì)息負(fù)債總額作為負(fù)債結(jié)構(gòu)的測(cè)度指標(biāo)②本文的同業(yè)負(fù)債包括同業(yè)拆入和同業(yè)存放。。

4.控制變量。已有研究和商業(yè)銀行信用風(fēng)險(xiǎn)管理實(shí)踐表明，銀行規(guī)模（Size）、撥備覆蓋率（PC）、創(chuàng)新能力（NII）、貸款占比（Loan）、凈利差（NRM）、管理能力（MA）、總資產(chǎn)凈利率（ROA）、國(guó)內(nèi)經(jīng)濟(jì)發(fā)展（GDP）和貨幣政策（M2）等，也會(huì)在一定程度上影響商業(yè)銀行信用風(fēng)險(xiǎn)。因此，本文選取這些變量作為控制變量。

選定變量的類(lèi)型、名稱、符號(hào)和計(jì)算方法如表1所示。

表1 變量定義及其說(shuō)明

（二）樣本數(shù)據(jù)選擇

本文選擇2009—2019年中國(guó)37家上市銀行③37家上市銀行為：工商銀行、建設(shè)銀行、農(nóng)業(yè)銀行、中國(guó)銀行、交通銀行、平安銀行、浦發(fā)銀行、華夏銀行、民生銀行、招商銀行、興業(yè)銀行、光大銀行、中信銀行、浙商銀行、郵儲(chǔ)銀行、寧波銀行、江陰銀行、張家港行、鄭州銀行、青島銀行、青農(nóng)商行、蘇州銀行、無(wú)錫銀行、江蘇銀行、杭州銀行、西安銀行、南京銀行、渝農(nóng)商行、常熟銀行、北京銀行、上海銀行、長(zhǎng)沙銀行、成都銀行、紫金銀行、貴陽(yáng)銀行、蘇農(nóng)銀行、廈門(mén)銀行。年度數(shù)據(jù)為研究樣本，這主要是基于三方面的考慮：一是樣本數(shù)據(jù)的代表性，截至2019年底，樣本銀行資產(chǎn)累計(jì)為188.3萬(wàn)億人民幣，約占銀行業(yè)整體資產(chǎn)的66.7%，可以較好體現(xiàn)數(shù)據(jù)選擇的代表性④樣本銀行資產(chǎn)數(shù)據(jù)來(lái)自Wind咨詢。根據(jù)中國(guó)人民銀行官網(wǎng)提供的數(shù)據(jù)，截至2019年底，銀行業(yè)總資產(chǎn)為282.5萬(wàn)億人民幣。。二是樣本數(shù)據(jù)的可靠性，上市銀行披露的財(cái)務(wù)數(shù)據(jù)不僅經(jīng)過(guò)第三方機(jī)構(gòu)審核，而且還要接受市場(chǎng)投資者和監(jiān)管部門(mén)的監(jiān)督，相關(guān)數(shù)據(jù)具有可靠性。三是樣本數(shù)據(jù)的可得性，因?yàn)殡y以獲得2009年前數(shù)字金融發(fā)展的公開(kāi)統(tǒng)計(jì)數(shù)據(jù)，所以本文選擇的樣本區(qū)間是2009—2019年。本文研究選取的第三方支付規(guī)模和37家上市銀行相關(guān)數(shù)據(jù)來(lái)自Wind咨詢，宏觀經(jīng)濟(jì)數(shù)據(jù)來(lái)自國(guó)家統(tǒng)計(jì)局官網(wǎng)。

（三）描述性統(tǒng)計(jì)

在選定研究變量和樣本數(shù)據(jù)后，對(duì)其進(jìn)行描述性統(tǒng)計(jì)，以觀察各變量的統(tǒng)計(jì)特征，如表2所示。

表2 變量描述性統(tǒng)計(jì)結(jié)果

表2顯示，被解釋變量商業(yè)銀行信用風(fēng)險(xiǎn)（Risk）的均值為1.26%，最小值和最大值分別為0.16%和3.88%，表明不同上市銀行在樣本時(shí)期內(nèi)的信用風(fēng)險(xiǎn)具有明顯差異；解釋變量數(shù)字金融發(fā)展（DF）的均值為10.47，最小值和最大值分別為5.96和14.63，表明數(shù)字金融在樣本時(shí)期內(nèi)發(fā)展迅速；中介變量負(fù)債成本（CD）的均值為2.39%，最小值和最大值分別為1.30%和3.85%，表明不同上市銀行在樣本時(shí)期內(nèi)的負(fù)債成本差異較大；中介變量負(fù)債結(jié)構(gòu)（DS）的均值為0.13%，最小值和最大值分別為0.001%和0.34%，表明不同上市銀行在樣本時(shí)期內(nèi)對(duì)同業(yè)負(fù)債依賴程度差異大?？紤]到本文研究的重點(diǎn)，在此不再贅述控制變量的統(tǒng)計(jì)特征。

（四）實(shí)證模型構(gòu)建

1.基準(zhǔn)模型。在檢驗(yàn)數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響時(shí)，因?yàn)樯虡I(yè)銀行信用風(fēng)險(xiǎn)一般存在時(shí)間上的連續(xù)性，且模型可能出現(xiàn)遺漏變量、測(cè)量誤差以及反向因果等原因?qū)е碌膬?nèi)生性問(wèn)題，所以選擇動(dòng)態(tài)面板模型并采用SYS-GMM兩步法進(jìn)行估計(jì)①本文選擇系統(tǒng)廣義矩估計(jì)（SYS-GMM）兩步法，主要是因?yàn)閮刹椒ü烙?jì)得到的標(biāo)準(zhǔn)誤不容易受到異方差的干擾。。通過(guò)在實(shí)證模型中加入商業(yè)銀行信用風(fēng)險(xiǎn)的多階滯后項(xiàng)，以期較準(zhǔn)確地反映商業(yè)銀行信用風(fēng)險(xiǎn)的連續(xù)性特征，其具體滯后階數(shù)由序列相關(guān)檢驗(yàn)和過(guò)度識(shí)別檢驗(yàn)共同確定。另外，在實(shí)證模型中納入解釋變量平方項(xiàng)，以檢驗(yàn)數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的非線性關(guān)系。本文設(shè)定的基準(zhǔn)模型表達(dá)式為

其中，i表示上市銀行，i=1,2,···,37；t表示年份，t=2009,2010,···,2019；Riskit表示i銀行第t年的信用風(fēng)險(xiǎn)；表示 Risk 的1～j階滯后項(xiàng)與系數(shù)項(xiàng)乘積之和；DFt表示第t年的數(shù)字金融發(fā)展；DFt×DFt表示第t年數(shù)字金融發(fā)展的平方項(xiàng)；Controlkit表示銀行層面的控制變量，k表示控制變量個(gè)數(shù)，k=3,4,···,9，其包含的控制變量 Sizeit表示i銀行第t年的銀行規(guī)模，PCit表示i銀 行第t年的撥備覆蓋率，N IIit表示i銀行第t年的創(chuàng)新能力，Loanit表示i銀行第t年的貸款占比，N IMit表示i銀行第t年的凈利差，MAit表示i銀行第t年的管理能力，ROAit表示i銀行第t年的總資產(chǎn)凈利率；宏觀經(jīng)濟(jì)層面控制變量 G DPt表示第t年的國(guó)內(nèi)經(jīng)濟(jì)發(fā)展，M2t表示第t年的貨幣政策；α0表示常數(shù)項(xiàng)；α1表示數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)；α2表示數(shù)字金融發(fā)展平方項(xiàng)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)；α3～α11分別表示各控制變量對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)；εit表示隨機(jī)誤差項(xiàng)。當(dāng)系數(shù) α1顯著為正且系數(shù) α2顯著為負(fù)時(shí)，則表示數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)之間是非線性的“倒U形”關(guān)系。

2.中介效應(yīng)模型。參考裴平和傅順[20]的研究，采用中介效應(yīng)模型檢驗(yàn)數(shù)字金融發(fā)展通過(guò)負(fù)債成本傳導(dǎo)渠道和負(fù)債結(jié)構(gòu)傳導(dǎo)渠道對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生的影響。在式（1）的基礎(chǔ)上，設(shè)定的中介效應(yīng)模型表達(dá)式為

其中，M EDlit分別表示兩個(gè)被解釋變量，l=1,2，即i銀行第t年 的負(fù)債成本或負(fù)債結(jié)構(gòu)；β0表示常數(shù)項(xiàng)；β1表示數(shù)字金融發(fā)展對(duì)負(fù)債成本或負(fù)債結(jié)構(gòu)的影響系數(shù)；β2表示數(shù)字金融發(fā)展平方項(xiàng)對(duì)負(fù)債成本或負(fù)債結(jié)構(gòu)的影響系數(shù)；β3～β11分別表示各控制變量對(duì)負(fù)債成本或負(fù)債結(jié)構(gòu)的影響系數(shù)。式（2）中其他變量含義與式（1）中一致。

式（3）中，BarMEDlit分別表示兩個(gè)中介變量，l=1,2，即i銀行第t年的負(fù)債成本或負(fù)債結(jié)構(gòu)；δ0表示常數(shù)項(xiàng)；δ1表示數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)；δ2表示數(shù)字金融發(fā)展平方項(xiàng)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)；γ表示負(fù)債成本或負(fù)債結(jié)構(gòu)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)；δ3～ δ11分別表示各控制變量對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)。式（3）中其他變量含義與式（1）中一致。

在判斷中介效應(yīng)存在性時(shí)，借鑒張紅偉等[21]、王晰等[22]的研究，如果模型式（2）中系數(shù) β1或 β2、模型式（3）中系數(shù) γ均顯著，則說(shuō)明中介效應(yīng)存在。進(jìn)一步觀察模型式（3）中系數(shù) δ1或δ2，若系數(shù)顯著，則說(shuō)明中介變量起到了部分中介效應(yīng)；若系數(shù) δ1和 δ2均不顯著，則說(shuō)明中介變量起到了完全中介效應(yīng)。最后，若模型式（2）中系數(shù) β1和 β2、模型式（3）中系數(shù) γ僅有一個(gè)顯著，則需要通過(guò)Sobel檢驗(yàn)判斷中介效應(yīng)是否存在。

四、實(shí)證檢驗(yàn)結(jié)果及其說(shuō)明

（一）基準(zhǔn)回歸結(jié)果

為檢驗(yàn)數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響，將解釋變量和控制變量分別納入基準(zhǔn)模型式（1）中，并采用SYS-GMM兩步法進(jìn)行估計(jì)?；鶞?zhǔn)模型式（1）的序列相關(guān)檢驗(yàn)和過(guò)度識(shí)別檢驗(yàn)共同表明，式（1）納入商業(yè)銀行信用風(fēng)險(xiǎn)的二階滯后項(xiàng)最為合理。表3列（1）是只納入數(shù)字金融發(fā)展及其平方項(xiàng)的回歸結(jié)果；表3列（2）是納入數(shù)字金融發(fā)展及其平方項(xiàng)和銀行層面控制變量的回歸結(jié)果；表3列（3）是納入數(shù)字金融發(fā)展及其平方項(xiàng)和所有控制變量的回歸結(jié)果。

表3 數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響

表3中AR(1) test的P值均小于0.1，且AR(2) test的P值均大于0.1，表明動(dòng)態(tài)面板模型通過(guò)一階序列相關(guān)檢驗(yàn)而未通過(guò)二階序列相關(guān)檢驗(yàn)，因此滿足SYS-GMM估計(jì)的前置條件；工具變量的Sargan test結(jié)果均未通過(guò)10%水平的顯著性檢驗(yàn)，表明動(dòng)態(tài)面板模型使用的工具變量是有效的。表3中L.Risk和L2.Risk系數(shù)均在1%水平上通過(guò)顯著性檢驗(yàn)，表明商業(yè)銀行信用風(fēng)險(xiǎn)的調(diào)整存在時(shí)間上的連續(xù)性，即選擇動(dòng)態(tài)面板模型是合理的。另外，在逐步加入銀行層面和宏觀層面控制變量的過(guò)程中，表3中數(shù)字金融發(fā)展及其平方項(xiàng)的系數(shù)正負(fù)號(hào)和顯著性水平均未發(fā)生實(shí)質(zhì)性改變，三個(gè)回歸結(jié)果表明數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響是一致的。因?yàn)楸?列（3）是納入了所有控制變量的回歸結(jié)果，能夠較好地控制銀行層面和宏觀層面因素對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生的影響，所以本文主要對(duì)表3列（3）的回歸結(jié)果進(jìn)行分析。

表3列（3）顯示，數(shù)字金融發(fā)展（DF）及其平方項(xiàng)（DF×DF）的影響系數(shù)分別為0.122 0、-0.006 6，均通過(guò)1%的顯著性水平檢驗(yàn)，表明數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)呈現(xiàn)非線性的“倒U形”關(guān)系，即數(shù)字金融發(fā)展初期以競(jìng)爭(zhēng)效應(yīng)為主，增加了商業(yè)銀行信用風(fēng)險(xiǎn)，而當(dāng)數(shù)字金融發(fā)展超過(guò)拐點(diǎn)后，數(shù)字金融發(fā)展就以技術(shù)溢出效應(yīng)為主，會(huì)降低商業(yè)銀行信用風(fēng)險(xiǎn)。進(jìn)一步計(jì)算得到拐點(diǎn)值為9.24①拐點(diǎn)值計(jì)算公式為：- α1/2α2=-0.122 0/[2×(-0.006 6)]=9.24。，表明當(dāng)數(shù)字金融發(fā)展的測(cè)度指標(biāo)值低于9.24時(shí)，數(shù)字金融發(fā)展會(huì)增加商業(yè)銀行信用風(fēng)險(xiǎn)，而當(dāng)數(shù)字金融發(fā)展的測(cè)度指標(biāo)值超過(guò)9.24時(shí)，數(shù)字金融發(fā)展則會(huì)降低商業(yè)銀行信用風(fēng)險(xiǎn)。因此，假設(shè)H1成立，即數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)呈現(xiàn)非線性的“倒U形”關(guān)系。

表3列（3）還顯示，銀行規(guī)模（Size）的影響系數(shù)為-0.044 0，通過(guò)1%的顯著性水平檢驗(yàn)，表明銀行規(guī)模越大，商業(yè)銀行信用風(fēng)險(xiǎn)越小；撥備覆蓋率（PC）的影響系數(shù)為-0.002 4，通過(guò)1%的顯著性水平檢驗(yàn)，表明撥備覆蓋率越大，商業(yè)銀行信用風(fēng)險(xiǎn)越小；創(chuàng)新能力（NII）的影響系數(shù)為-0.002 7，通過(guò)1%的顯著性水平檢驗(yàn)，表明創(chuàng)新能力越強(qiáng)，商業(yè)銀行信用風(fēng)險(xiǎn)越??；貸款占比（Loan）的影響系數(shù)為0.005 8，通過(guò)1%的顯著性水平檢驗(yàn)，表明貸款占比越高，商業(yè)銀行信用風(fēng)險(xiǎn)越大；凈利差（NRM）的影響系數(shù)為0.127，通過(guò)1%的顯著性水平檢驗(yàn)，表明凈利差越高，商業(yè)銀行信用風(fēng)險(xiǎn)越大；管理能力（MA）的影響系數(shù)為-0.945，通過(guò)5%的顯著性水平檢驗(yàn)，表明管理能力越強(qiáng)，商業(yè)銀行信用風(fēng)險(xiǎn)越??；總資產(chǎn)凈利率（ROA）的影響系數(shù)為-0.451，通過(guò)1%的顯著性水平檢驗(yàn)，表明總資產(chǎn)凈利率越大，商業(yè)銀行信用風(fēng)險(xiǎn)越小；國(guó)內(nèi)經(jīng)濟(jì)發(fā)展（GDP）的影響系數(shù)為-0.019，通過(guò)5%的顯著性水平檢驗(yàn)，表明國(guó)內(nèi)經(jīng)濟(jì)發(fā)展水平越高，商業(yè)銀行信用風(fēng)險(xiǎn)越小；貨幣政策（M2）的影響系數(shù)為-0.015 5，通過(guò)1%的顯著性水平檢驗(yàn)，表明貨幣政策越寬松，商業(yè)銀行信用風(fēng)險(xiǎn)越小。

（二）中介效應(yīng)檢驗(yàn)

基于前文的理論分析，這里對(duì)數(shù)字金融發(fā)展影響商業(yè)銀行信用風(fēng)險(xiǎn)的負(fù)債成本傳導(dǎo)渠道和負(fù)債結(jié)構(gòu)傳導(dǎo)渠道進(jìn)行中介效應(yīng)檢驗(yàn)。

1.負(fù)債成本傳導(dǎo)渠道

數(shù)字金融發(fā)展與銀行直接競(jìng)爭(zhēng)，分流了部分客戶存款，間接提高了計(jì)息負(fù)債成本，銀行為穩(wěn)定收益，會(huì)被迫向風(fēng)險(xiǎn)較高的項(xiàng)目投放貸款，進(jìn)而對(duì)信用風(fēng)險(xiǎn)產(chǎn)生影響。本文以負(fù)債成本為中介變量，檢驗(yàn)數(shù)字金融發(fā)展通過(guò)負(fù)債成本傳導(dǎo)渠道對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生的影響。表4列（1）的回歸結(jié)果是數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響，表4列（2）的回歸結(jié)果是數(shù)字金融發(fā)展對(duì)負(fù)債成本的影響①在對(duì)銀行負(fù)債成本采用動(dòng)態(tài)面板模型SYS-GMM兩步法進(jìn)行估計(jì)時(shí)發(fā)現(xiàn)，銀行負(fù)債成本的滯后項(xiàng)不顯著，也未通過(guò)序列自相關(guān)檢驗(yàn)，表明數(shù)字金融發(fā)展對(duì)銀行負(fù)債成本的影響僅存在于當(dāng)期，不存在時(shí)間上的連續(xù)性，故采用靜態(tài)面板模型的固定效應(yīng)估計(jì)。，表4列（3）的回歸結(jié)果是加入中介變量負(fù)債成本后，數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響。

表4 中介效應(yīng)檢驗(yàn)結(jié)果

根據(jù)中介效應(yīng)檢驗(yàn)規(guī)則，表4列（2）中數(shù)字金融發(fā)展及其平方項(xiàng)對(duì)負(fù)債成本的影響系數(shù)，表4列（3）中負(fù)債成本對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)，均在1%水平上通過(guò)顯著性檢驗(yàn)，表明負(fù)債成本的中介效應(yīng)是存在的。表4列（3）還顯示，在加入中介變量負(fù)債成本后，數(shù)字金融發(fā)展及其平方項(xiàng)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)仍然顯著，這表明負(fù)債成本傳導(dǎo)渠道只是部分中介效應(yīng)。因此，假設(shè)H2成立，即數(shù)字金融發(fā)展通過(guò)負(fù)債成本傳導(dǎo)渠道對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生影響。

2.負(fù)債結(jié)構(gòu)傳導(dǎo)渠道

數(shù)字金融發(fā)展與銀行在零售存款市場(chǎng)的競(jìng)爭(zhēng)削弱了銀行吸儲(chǔ)能力，銀行越來(lái)越依賴同業(yè)負(fù)債等批發(fā)性融資渠道來(lái)補(bǔ)充資金，銀行負(fù)債結(jié)構(gòu)因此而改變，進(jìn)而會(huì)影響商業(yè)銀行信用風(fēng)險(xiǎn)。本文以負(fù)債結(jié)構(gòu)為中介變量，檢驗(yàn)數(shù)字金融發(fā)展通過(guò)負(fù)債結(jié)構(gòu)傳導(dǎo)渠道對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生的影響。表4列（4）的回歸結(jié)果是數(shù)字金融發(fā)展對(duì)負(fù)債結(jié)構(gòu)的影響①在對(duì)銀行負(fù)債結(jié)構(gòu)采用動(dòng)態(tài)面板模型SYS-GMM兩步法進(jìn)行估計(jì)時(shí)發(fā)現(xiàn)，銀行負(fù)債結(jié)構(gòu)的滯后項(xiàng)不顯著，也未通過(guò)序列自相關(guān)檢驗(yàn)，表明數(shù)字金融發(fā)展對(duì)銀行負(fù)債成本的影響僅存在于當(dāng)期，不存在時(shí)間上的連續(xù)性，故采用靜態(tài)面板模型的固定效應(yīng)估計(jì)。，表4列（5）的回歸結(jié)果是加入中介變量負(fù)債結(jié)構(gòu)后，數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響②本文選用商業(yè)銀行信用風(fēng)險(xiǎn)的四階滯后項(xiàng)得到表5列（3）的回歸結(jié)果。因?yàn)槭剑?）的序列相關(guān)和過(guò)度識(shí)別檢驗(yàn)共同表明其納入商業(yè)銀行信用風(fēng)險(xiǎn)四階滯后項(xiàng)最為合理。由于商業(yè)銀行信用風(fēng)險(xiǎn)的滯后項(xiàng)并不影響本文研究的重點(diǎn)，在此未列出商業(yè)銀行信用風(fēng)險(xiǎn)三階和四階滯后項(xiàng)的回歸結(jié)果，如讀者需要，可與作者聯(lián)系。。

根據(jù)中介效應(yīng)檢驗(yàn)規(guī)則，表4列（4）中數(shù)字金融發(fā)展及其平方項(xiàng)對(duì)負(fù)債結(jié)構(gòu)的影響系數(shù)、表4列（5）中負(fù)債結(jié)構(gòu)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)，均在1%水平上通過(guò)顯著性檢驗(yàn)；表明負(fù)債結(jié)構(gòu)的中介效應(yīng)是存在的。表4列（5）還顯示，在加入中介變量負(fù)債結(jié)構(gòu)后，數(shù)字金融發(fā)展及其平方項(xiàng)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響系數(shù)仍然顯著，這表明負(fù)債結(jié)構(gòu)傳導(dǎo)渠道只是部分中介效應(yīng)。因此，假設(shè)H3成立，數(shù)字金融發(fā)展通過(guò)負(fù)債結(jié)構(gòu)傳導(dǎo)渠道對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生影響。

（三）異質(zhì)性檢驗(yàn)

在檢驗(yàn)數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)影響的基礎(chǔ)上，為進(jìn)一步考察數(shù)字金融發(fā)展對(duì)不同類(lèi)型商業(yè)銀行信用風(fēng)險(xiǎn)影響的差異，將全樣本劃分為五大國(guó)有控股銀行③五大國(guó)有控股銀行分別為：中國(guó)工商銀行、中國(guó)農(nóng)業(yè)銀行、中國(guó)銀行、中國(guó)建設(shè)銀行和中國(guó)交通銀行。（簡(jiǎn)稱五大行）和其他銀行（簡(jiǎn)稱非五大行）兩個(gè)子樣本進(jìn)行實(shí)證檢驗(yàn)。表5列（1）的回歸結(jié)果是數(shù)字金融發(fā)展對(duì)五大行信用風(fēng)險(xiǎn)的影響④在對(duì)五大行子樣本的動(dòng)態(tài)面板模型估計(jì)時(shí)發(fā)現(xiàn)，被解釋變量滯后項(xiàng)不顯著，也未通過(guò)序列自相關(guān)檢驗(yàn)，故采用靜態(tài)面板模型的固定效應(yīng)估計(jì)。；表5列（2）的回歸結(jié)果是數(shù)字金融發(fā)展對(duì)非五大行信用風(fēng)險(xiǎn)的影響。

表5 按商業(yè)銀行類(lèi)型的異質(zhì)性檢驗(yàn)結(jié)果

表5列（1）顯示，數(shù)字金融發(fā)展及其平方項(xiàng)的影響系數(shù)分別為-0.068 9和0.003 0，但均未通過(guò)顯著性檢驗(yàn)，其可能的原因是五大行在政府資源、資金規(guī)模和客戶基礎(chǔ)等方面具有明顯優(yōu)勢(shì)，面對(duì)數(shù)字金融異軍突起，五大行具有較強(qiáng)抵抗力；另外，五大行多將信貸資金配置給國(guó)有企業(yè)或者信用程度較高的民營(yíng)大企業(yè)，對(duì)信用風(fēng)險(xiǎn)的管理水平也較高，因此數(shù)字金融發(fā)展對(duì)五大行產(chǎn)生的沖擊不顯著。

表5列（2）顯示，數(shù)字金融發(fā)展及其平方項(xiàng)的影響系數(shù)分別為0.099 5和-0.005 0，均通過(guò)5%的顯著性水平檢驗(yàn)，這表明數(shù)字金融發(fā)展與非五大行信用風(fēng)險(xiǎn)呈現(xiàn)“倒U形”關(guān)系，且拐點(diǎn)值為9.95⑤拐點(diǎn)值計(jì)算公式為：- α1/2α2=-0.009 5/[2×(-0.005 0)]=9.95。，即當(dāng)數(shù)字金融發(fā)展的測(cè)度指標(biāo)值低于9.95時(shí)，數(shù)字金融發(fā)展會(huì)增加非五大行信用風(fēng)險(xiǎn)，而當(dāng)數(shù)字金融發(fā)展的測(cè)度指標(biāo)值超過(guò)9.95時(shí)，數(shù)字金融發(fā)展會(huì)降低非五大行信用風(fēng)險(xiǎn)。

（四）穩(wěn)健性檢驗(yàn)

為確保基準(zhǔn)回歸結(jié)果的可信性和非隨機(jī)性，本文從對(duì)樣本數(shù)據(jù)進(jìn)行縮尾處理、更改商業(yè)銀行信用風(fēng)險(xiǎn)的測(cè)度指標(biāo)和更改數(shù)字金融發(fā)展的測(cè)度指標(biāo)三方面驗(yàn)證基準(zhǔn)回歸結(jié)果的穩(wěn)健性。

1.對(duì)樣本數(shù)據(jù)進(jìn)行縮尾處理。對(duì)選定連續(xù)變量進(jìn)行1%水平的雙邊縮尾處理，以減輕離群值對(duì)回歸結(jié)果產(chǎn)生的偏誤，其結(jié)果如表6列（1）所示。

表6 穩(wěn)健性檢驗(yàn)結(jié)果

2.更改商業(yè)銀行信用風(fēng)險(xiǎn)的測(cè)度指標(biāo)。銀行通常會(huì)對(duì)自身信用風(fēng)險(xiǎn)大小進(jìn)行預(yù)判，并且用貸款減值準(zhǔn)備金來(lái)覆蓋實(shí)際信用風(fēng)險(xiǎn)的發(fā)生。因此，可以用貸款減值準(zhǔn)備與貸款總額的比值（LLR）代替不良貸款率作為商業(yè)銀行信用風(fēng)險(xiǎn)的測(cè)度指標(biāo)，對(duì)式（1）重新回歸，其結(jié)果如表6列（2）所示。

3.更改數(shù)字金融發(fā)展的測(cè)度指標(biāo)。借鑒謝絢麗等[23]的研究，數(shù)字金融發(fā)展是以互聯(lián)網(wǎng)為底層技術(shù)的，兩者間密切相關(guān)，可以用互聯(lián)網(wǎng)普及率（INT）①互聯(lián)網(wǎng)普及率數(shù)據(jù)由作者根據(jù)《中國(guó)互聯(lián)網(wǎng)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》整理而得。代替第三方支付規(guī)模作為數(shù)字金融發(fā)展的測(cè)度指標(biāo)，對(duì)式（1）重新回歸，其結(jié)果如表6列（3）所示。

表6列（1）顯示，數(shù)字金融發(fā)展及其平方項(xiàng)的影響系數(shù)分別為0.107 0和-0.005 7，均通過(guò)1%的顯著性水平檢驗(yàn)，表明在對(duì)樣本數(shù)據(jù)進(jìn)行1%水平的雙邊縮尾處理后，數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)間仍呈現(xiàn)“倒U形”關(guān)系，基準(zhǔn)回歸結(jié)果是穩(wěn)健的。

表6列（2）顯示，數(shù)字金融發(fā)展及其平方項(xiàng)的影響系數(shù)分別為0.256 0和-0.013 5，均通過(guò)1%的顯著性水平檢驗(yàn)，表明在改變商業(yè)銀行信用風(fēng)險(xiǎn)的測(cè)度指標(biāo)后，數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)間仍呈現(xiàn)“倒U形”關(guān)系，基準(zhǔn)回歸結(jié)果是穩(wěn)健的。

表6列（3）顯示，數(shù)字金融發(fā)展及其平方項(xiàng)的影響系數(shù)分別為0.057 5和-0.000 6，均通過(guò)1%的顯著性水平檢驗(yàn)，表明在改變數(shù)字金融發(fā)展的測(cè)度指標(biāo)后，數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)間仍呈現(xiàn)“倒U形”關(guān)系，基準(zhǔn)回歸結(jié)果是穩(wěn)健的。

五、結(jié)論與建議

在數(shù)字金融蓬勃發(fā)展的背景下，本文將數(shù)字金融發(fā)展納入商業(yè)銀行信用風(fēng)險(xiǎn)的理論分析框架中，并基于2009—2019年中國(guó)37家上市銀行的樣本數(shù)據(jù)，采用SYS-GMM模型和中介效應(yīng)模型，實(shí)證檢驗(yàn)了數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響及其傳導(dǎo)渠道，其主要結(jié)論是：（1）從總體看，數(shù)字金融發(fā)展與商業(yè)銀行信用風(fēng)險(xiǎn)呈現(xiàn)“倒U形”關(guān)系，即數(shù)字金融發(fā)展初期以競(jìng)爭(zhēng)效應(yīng)為主，加劇了商業(yè)銀行信用風(fēng)險(xiǎn)；當(dāng)數(shù)字金融發(fā)展越過(guò)拐點(diǎn)后，數(shù)字金融發(fā)展就以技術(shù)溢出效應(yīng)為主，會(huì)降低商業(yè)銀行信用風(fēng)險(xiǎn)，并且當(dāng)前數(shù)字金融發(fā)展的測(cè)度指標(biāo)值位于拐點(diǎn)右側(cè)，繼續(xù)發(fā)展數(shù)字金融有利于降低商業(yè)銀行信用風(fēng)險(xiǎn)。該結(jié)論經(jīng)過(guò)三個(gè)方面的穩(wěn)健性檢驗(yàn)后，仍然成立。（2）數(shù)字金融發(fā)展與銀行直接競(jìng)爭(zhēng)，分流了部分客戶存款，增加了銀行負(fù)債成本，削弱了銀行吸儲(chǔ)能力，改變了銀行負(fù)債結(jié)構(gòu)，并通過(guò)負(fù)債成本和負(fù)債結(jié)構(gòu)傳導(dǎo)渠道對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)產(chǎn)生影響。（3）數(shù)字金融發(fā)展對(duì)不同類(lèi)型商業(yè)銀行信用風(fēng)險(xiǎn)的影響具有異質(zhì)性，即數(shù)字金融發(fā)展并未對(duì)五大行信用風(fēng)險(xiǎn)產(chǎn)生顯著影響，數(shù)字金融發(fā)展與非五大行信用風(fēng)險(xiǎn)呈現(xiàn)“倒U形”關(guān)系。

基于上述研究結(jié)論，特別是為加強(qiáng)商業(yè)銀行信用風(fēng)險(xiǎn)管理能力，本文的主要建議是：（1）現(xiàn)階段，數(shù)字金融發(fā)展對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響已越過(guò)拐點(diǎn)值，其競(jìng)爭(zhēng)效應(yīng)正在減弱，技術(shù)溢出效應(yīng)逐漸增強(qiáng)。銀行應(yīng)該積極吸收數(shù)字金融發(fā)展帶來(lái)的技術(shù)溢出效應(yīng)，在發(fā)揮自身原有優(yōu)勢(shì)的同時(shí)，充分運(yùn)用大數(shù)據(jù)、云計(jì)算和人工智能等技術(shù)降低信用風(fēng)險(xiǎn)管理成本和提高信用風(fēng)險(xiǎn)管理效率，進(jìn)而為加強(qiáng)商業(yè)銀行信用風(fēng)險(xiǎn)管理夯實(shí)基礎(chǔ)。（2）面對(duì)存款業(yè)務(wù)領(lǐng)域的激烈競(jìng)爭(zhēng)，銀行不應(yīng)該過(guò)度依賴同業(yè)負(fù)債等融資渠道，而是要運(yùn)用大數(shù)據(jù)、云計(jì)算、區(qū)塊鏈和人工智能等技術(shù)優(yōu)勢(shì)擴(kuò)寬存款渠道，以不斷增加低成本的客戶存款，降低計(jì)息負(fù)債成本；應(yīng)積極拓展中長(zhǎng)期客戶存款，優(yōu)化同業(yè)負(fù)債在銀行負(fù)債結(jié)構(gòu)中的比重，以降低對(duì)短期批發(fā)性融資的依賴。（3）銀行要根據(jù)自身發(fā)展現(xiàn)狀實(shí)行有差別的信用風(fēng)險(xiǎn)管理數(shù)字化轉(zhuǎn)型。五大行資金雄厚、客戶基礎(chǔ)穩(wěn)固和人才儲(chǔ)備充足，數(shù)字金融發(fā)展對(duì)其信用風(fēng)險(xiǎn)產(chǎn)生的負(fù)面影響較小。在信用風(fēng)險(xiǎn)可控的前提下，五大行應(yīng)通過(guò)自建科技子公司或與知名互聯(lián)網(wǎng)企業(yè)合作，加快商業(yè)銀行信用風(fēng)險(xiǎn)管理數(shù)字化轉(zhuǎn)型。非五大行則要關(guān)注數(shù)字金融發(fā)展對(duì)其存款業(yè)務(wù)產(chǎn)生的沖擊，減輕對(duì)高成本負(fù)債來(lái)源的依賴和優(yōu)化自身的負(fù)債結(jié)構(gòu)，并且與其他中小銀行結(jié)成數(shù)字金融科技聯(lián)盟，實(shí)現(xiàn)成本和風(fēng)險(xiǎn)共擔(dān)，進(jìn)而穩(wěn)步提高信用風(fēng)險(xiǎn)管理水平。（4）不論是五大行還是非五大行，都要積極引進(jìn)高層次的IT人才，打造一支既懂金融風(fēng)險(xiǎn)管理又懂信息技術(shù)的復(fù)合型信用風(fēng)險(xiǎn)管理團(tuán)隊(duì)，同時(shí)將大數(shù)據(jù)技術(shù)應(yīng)用到信用風(fēng)險(xiǎn)管理和信用評(píng)級(jí)中，建立有效的信用風(fēng)險(xiǎn)監(jiān)控和預(yù)警模型，進(jìn)而為防范化解信用風(fēng)險(xiǎn)提供必要的人才和技術(shù)支撐。