馬亞明 馬麗敏,2 于博

(1.天津財經大學金融學院,天津 300222; 2.天津天獅學院經濟管理學院,天津 301700)

一、引言

黨的二十大報告明確指出,要強化金融穩(wěn)定保障體系,依法將各類金融活動全部納入監(jiān)管,守住不發(fā)生系統性風險的底線。中央經濟工作會議也多次指出,防范和化解金融風險是實現高質量發(fā)展的重要關口,要健全和完善金融風險的防范、預警和處置機制,持續(xù)強化金融風險防控能力。然而,新冠肺炎疫情的爆發(fā)導致全球貿易受阻和經濟下行壓力加大,實體經濟的下滑引致金融體系資產質量下降,表現為金融機構信用風險加大。商業(yè)銀行作為金融體系的核心,如何提高信貸質量和信用風險防控能力是其面臨的重要問題,也是防范和化解金融風險的關鍵。

近年來,數字技術在金融業(yè)的應用呈爆發(fā)式增長,不斷推進金融機構發(fā)展模式的變革,商業(yè)銀行紛紛開始布局數字化轉型戰(zhàn)略,銀行業(yè)進入數字化發(fā)展階段[1]。2022年銀保監(jiān)會發(fā)布的《關于銀行業(yè)保險業(yè)數字化轉型的指導意見》中,明確指出以數字化轉型推動銀行業(yè)高質量發(fā)展,構建適應現代經濟發(fā)展的數字金融新格局,不斷提高金融服務實體經濟的能力和水平,有效防范化解金融風險?？梢娿y行數字化轉型已經成為防范和化解金融風險的重要手段?；谝陨媳尘?研究數字化轉型與銀行信用風險的關系,對提高銀行風險治理能力,防范和化解金融風險具有重要意義。

現有關于數字化轉型對銀行信用風險影響的研究,主要集中在金融科技的發(fā)展和應用對銀行風險承擔水平的影響方面,且研究結論尚不一致。一方面,金融科技的發(fā)展通過競爭效應[2],推高了銀行負債成本,導致銀行增加高風險信貸,加大了銀行風險承擔水平[3],高風險信貸導致銀行資產質量下降,增加信用風險。朱小能和李雄一(2022)[4]認為銀行金融科技的應用通過自信效應,促使銀行拓展長尾信貸市場,從而加劇銀行風險承擔,增加信用風險。另一方面,大數據、人工智能等金融科技的應用有助于緩解信息不對稱問題[5-6],提高信貸決策效率,進而提高銀行風險控制能力,降低信用風險[7-8,35]。但是,金融科技的發(fā)展和應用與本文關注的銀行數字化轉型不同,金融科技的發(fā)展和應用代表了數字技術的賦能效應,而銀行數字化轉型則是基于數字技術的商業(yè)模式創(chuàng)新和業(yè)務轉型,是各部門、分支機構甚至各行業(yè)共同推進的系統性工程。金融科技的發(fā)展和應用均不能解釋數字化轉型的內涵?；诖?本文對數字化轉型的概念進行了界定,即：數字化轉型包涵“數字化戰(zhàn)略”和“數字化技術”兩個層面。其中,“數字化戰(zhàn)略”是指商業(yè)銀行把數字化轉型作為企業(yè)的頂層戰(zhàn)略規(guī)劃,以戰(zhàn)略引領組織架構、技術和業(yè)務轉型?！皵底只夹g”主要是指銀行利用金融科技手段為戰(zhàn)略、組織架構和業(yè)務等提供技術支撐。

本文的研究貢獻體現在：第一,從“數字化戰(zhàn)略”和“數字化技術”兩個方面構建數字化轉型的指標并進行分析,解決了以往研究中僅從數字技術的應用視角進行研究的局限性,提高了指標度量和研究的全面性和準確性。第二,以數字化轉型為視角,研究數字化轉型對銀行信用風險的直接影響,并創(chuàng)新性地從“數字化戰(zhàn)略”和“數字化技術”兩個方面探索其對信用風險治理的不同作用。第三,從管理渠道和信貸業(yè)務渠道揭示了數字化轉型對銀行信用風險的影響機制,有助于銀行管理者制定更有針對性的戰(zhàn)略規(guī)劃。

二、文獻綜述和研究假設

(一)文獻綜述

1.外部數字技術的發(fā)展對銀行風險的影響

關于外部數字技術的發(fā)展與銀行風險之間關系的研究主要從風險傳染、銀行競爭等渠道展開分析。一方面,數字技術的迅速發(fā)展,增加了金融機構之間、企業(yè)之間和市場之間的關聯性,增強了金融機構間的風險傳染性,放大了系統性風險的溢出效應,加劇了銀行業(yè)系統性風險[9-10]。另一方面,數字技術的發(fā)展憑借其低成本、高效率等優(yōu)點,加劇了銀行間的競爭[11],降低了銀行利潤,銀行將被迫增加高風險項目投資,進而提高銀行主動風險承擔水平[12]。

2.銀行內部金融科技的應用對其風險的影響

關于銀行內部金融科技的應用與銀行風險之間關系的研究主要通過主動風險承擔、風險控制、經營效率等渠道展開分析。一方面,數字技術的應用有助于緩解信息不對稱問題[5-6],進而提高銀行信息甄別能力和風險識別能力,建立更加精確的智能風險控制模型,提高風險管理水平,降低銀行風險承擔水平[13-14]。另一方面,銀行金融科技的應用在提高風險控制能力的同時,基于自信效應[4],推動銀行積極尋求信貸業(yè)務擴張,有效緩解銀行對未來風險的恐慌,增加風險容忍度,提高銀行主動風險承擔水平[15]。此外,也有學者研究發(fā)現,大數據、人工智能等數字技術的應用有助于通過線上渠道優(yōu)化業(yè)務流程,提高業(yè)務審批和決策效率,降低銀行經營成本,提高管理效率,降低銀行經營風險[16]。

3.數字化轉型對銀行信用風險的直接影響

關于數字化轉型對銀行信用風險的直接影響,多數學者仍采用數字技術的應用作為數字化轉型的代理變量,與本文所研究的數字化轉型有所不同。例如,蔣海等(2023)[7]、翟勝寶等(2023)[17]、Zhu和Jin(2023)[18]的研究,均證明了數字化轉型有助于降低銀行風險承擔水平,且影響渠道也與上文一致。劉慧超和王書華(2023)[19]則認為數字化轉型與中小銀行風險呈倒“U”型關系,即銀行數字化轉型初期,由于數字化轉型投入加大造成成本增加,且業(yè)務創(chuàng)新與風險管理水平不匹配,導致銀行風險加大,但隨著數字化轉型的不斷深入,技術和業(yè)務的融合發(fā)展促使銀行降低成本,提高風險管理水平,銀行風險隨之下降。此外,郭峰等(2023)[8]也基于數字技術的應用構建了數字化轉型指數,并分析了數字化轉型對銀行信用風險的直接抑制作用。

4.文獻評述

綜上所述,關于數字化轉型與銀行信用風險之間關系的研究比較豐富,但存在以下研究不足：第一,外部數字技術的發(fā)展作為宏觀經濟變量不能解釋銀行微觀個體的數字化轉型程度,銀行內部金融科技的應用體現了數字技術的賦能效應,也不能解釋數字化轉型的內涵。因此,本文從“數字化戰(zhàn)略”和“數字化技術”兩個層面完善了數字化轉型的內涵并進行研究。第二,現有文獻主要分析數字化轉型對銀行風險承擔、系統性風險和經營風險的影響,鮮有文獻通過直接證據檢驗數字化轉型對銀行信用風險的影響及作用機制,本文豐富這方面的研究。

(二)理論分析和研究假設

1.數字化轉型對銀行信用風險的影響

本文從“數字化技術”和“數字化戰(zhàn)略”兩個視角探究數字化轉型對銀行信用風險的影響。首先,“數字化技術”的應用有助于提高銀行貸前、貸中和貸后的風險控制能力,有效降低信用風險。具體而言,在貸前階段,大數據、人臉識別等技術的應用有助于銀行迅速處理海量數據,深入挖掘客戶信息,緩解借貸雙方的信息不對稱問題[5-6],有助于銀行更準確地識別借款人經營狀況、還款能力和資信狀況,有效降低不良貸款的發(fā)放,降低信用風險。在貸中階段,大數據和人工智能等技術的應用有助于銀行建立智能化、動態(tài)化決策機制和模型,更加準確、全面地進行貸中決策,提高信貸決策效率[16],減少決策失誤造成的不良貸款率的攀升。在貸后階段,銀行利用數字技術構建更加精準的風險預警模型,有效預測客戶貸后信用風險狀況,實現信用風險的動態(tài)實時監(jiān)測[19],有助于銀行快速識別和分類不良貸款,降低信用風險。同時,智能催收平臺的建立有助于銀行提高催收效率,提高不良貸款處置效率,降低不良貸款率。

其次,“數字化戰(zhàn)略”的實施主要通過影響銀行管理層的決策和行為對信用風險產生作用。具體而言,清晰的數字化轉型戰(zhàn)略是銀行數字化轉型的方向和指引,有助于提升銀行管理層對數字化轉型的認知,培養(yǎng)數字化管理思維[20],有助于管理層制定更加科學的風險管理體系,提高風險管理水平,降低信用風險。此外,穆紅梅和鄭開焰(2021)[21]認為,開放銀行是數字化轉型的戰(zhàn)略選擇之一,開放銀行的建設有助于銀行與金融機構、金融科技公司等第三方之間數據、算法、交易和流程的共享。信息和數據共享有助于提高銀行評估借款人信用狀況的準確性,減少信息不對稱帶來的信用風險。據此,提出本文的研究假設1。

H1數字化轉型有助于降低銀行信用風險。

2.數字化轉型通過管理渠道對信用風險的影響

商業(yè)銀行進行數字化轉型有助于其降低成本,提高管理效率。首先,數字化技術的應用,促使商業(yè)銀行突破時間和空間的限制,線上服務大幅降低了交易成本和人工成本,提高了銀行的經營效率[17]。其次,組織架構轉型是數字化轉型的關鍵,需要銀行明確管理層職責劃分、設立數字化相關部門和部門之間的協調聯動,提高工作效率和協同效應[17,20]。例如,通過建立內部協作平臺,可以實現各部門之間的信息共享和溝通,減少信息傳遞的延誤和誤解,提高工作效率。因此,數字化轉型有助于優(yōu)化業(yè)務流程,降低銀行交易成本和人工成本,提高管理效率。一方面,銀行管理效率的提升意味著銀行能夠更有效地控制和管理風險,提高風險管理水平[17],有效降低信用風險。另一方面,銀行經營管理效率的提升,可以提高銀行的競爭力和盈利能力,減少高風險項目投資[14],減少不良貸款的發(fā)放,進而降低信用風險。據此,提出本文的研究假設2。

H2數字化轉型通過提高銀行管理效率降低信用風險。

3.數字化轉型通過信貸渠道對銀行信用風險的影響

數字化轉型通過降低信貸集中度抑制銀行信用風險。一方面,數字化轉型有助于以客戶為核心創(chuàng)新信貸產品和服務,且大數據、人工智能等數字技術的應用可以解決信貸雙方間的信息不對稱問題,有助于銀行更加準確地識別風險項目[13]。產品和服務的創(chuàng)新、風險識別能力的提升,均有助于銀行擴大中小企業(yè)和個人信貸服務的覆蓋面,增強信貸的普惠性[7,22],進而減少銀行對大型客戶信貸的過度依賴,有效降低信貸集中度,降低信用風險。另一方面,數字化轉型通過建立智能信貸審批和監(jiān)控系統,優(yōu)化信貸業(yè)務流程,提高銀行信貸服務能力和信貸決策效率,有助于銀行建立多元化信貸投資組合,降低信貸集中度[14,22],從而降低信用風險。據此,提出本文的研究假設3。

H3數字化轉型通過降低貸款集中度抑制信用風險。

三、研究設計

(一)數據來源和處理

本文數據主要來自于WIND數據庫、CSMAR數據庫和各銀行官網公布的年度財務報告,樣本區(qū)間為2011—2020年。剔除缺失較為嚴重的樣本后,本文以74家銀行為研究樣本,包括5家國有大型商業(yè)銀行、11家股份制商業(yè)銀行、43家城市商業(yè)銀行、15家農村商業(yè)銀行。其中,刻畫銀行數字化轉型的文本信息,獲取自各銀行2011年至2020年的年報正文。銀行層面的控制變量數據來自于WIND數據庫和CSMAR數據庫,個別缺失的數據從銀行年報查詢并進行補充。

本文對樣本做了以下處理：第一,剔除各銀行年報缺失和關鍵財務指標缺失的銀行;第二,若樣本期內缺失“單一”年度觀測值,則以臨近年度觀測值作為補充;第三,對出現極端值的變量數據進行了1%和99%分位的雙邊縮尾處理。經過上述處理后,最終得到740個有效觀測值。

(二)回歸模型的設定

本文采用雙向固定效應(TWFE)模型驗證數字化轉型對銀行信用風險的影響,并進行平行趨勢假設檢驗。

1.基準DID模型的構建

本文將銀行進行數字化轉型作為一項準自然實驗,構建多期交疊DID模型以考察數字化轉型對銀行信用風險的影響,即如下回歸模型

NPLit=α+βDIDit+θControlsit+μi+γt+εit

(1)

式(1)考慮了個體和年份固定效應。其中,β為本文關心的系數,代表銀行數字化轉型對銀行信用風險的影響。i表示銀行,t表示年份。被解釋變量NPLit表示i銀行在t年的信用風險,以不良貸款率(NPL)和貸款減值準備/貸款總額(LLR)作為銀行信用風險的衡量指標。DIDit為雙重差分變量,如果銀行i在t年進行了數字化轉型,那么銀行i在t年及以后的年份中DIDit=1,否則為0。Controlsit表示控制變量,θ為控制變量的系數。μi,γt為個體和時間固定效應,εit為殘差項。

2.平行趨勢檢驗模型設定

使用多期交疊DID的前提之一是在銀行進行數字化轉型之前,處理組和控制組的信用風險變化趨勢是一致的。本文采用事件分析法進行平行趨勢檢驗,模型設定如下

NPLit=∑τ<0ρτDIDτ,it+∑τ≥0ρτDIDτ,it+θControlsit+μi+γt+εit

(2)

其中,ρτ是檢驗平行趨勢的核心解釋變量的系數。DIDτ,it是二元虛擬變量,用來描述商業(yè)銀行數字化轉型的相對時刻,如果t-Ei=τ,τ∈[-6,5],則DIDτ,it=1,否則為0。τ=t-Ei是衡量銀行個體i在第t年距離數字化轉型年份的相對時間,Ei為銀行個體i進行數字化轉型的年份。τ<0代表干預前的相對時刻,是需要進行平行趨勢檢驗的區(qū)間。基于式(2)進行回歸,得到系數ρτ的估計值并進行F檢驗。

3.中介效應檢驗模型

為了研究管理效率和信貸集中度是否具有中介效應,本文在式(1)的基礎上,以成本收入比(CIR)和信貸集中度(TEN)為中介變量,分別構建中介效應模型,如式(3)和式(4)。

Medit=α+βDIDit+θControlsit+μi+γt+εit

(3)

NPLit=α+βDIDit+ηMedit+θControlsit+μi+γt+εit

(4)

其中,Medit為中介變量,包括管理效率(CIR)和信貸集中度(TEN);DIDit為數字化轉型指數;NPLit為信用風險水平。

(三)變量說明

1.被解釋變量：銀行信用風險

本文選取不良貸款率(NPL)來衡量商業(yè)銀行的信用風險[7]。不良貸款率越低,表明借款人違約概率越低,銀行信用風險越低,是衡量信用風險的良好指標。另外選取貸款減值準備與貸款總額的比重(LLR)進行穩(wěn)健性檢驗。

2.解釋變量：銀行數字化轉型

現有研究中關于商業(yè)銀行數字化轉型衡量的方法主要以兩類為主：一是以“北京大學數字普惠金融指數”作為外部金融科技發(fā)展水平的代理變量[10]。二是采用“文本挖掘法”[7-8]。該方法是基于商業(yè)銀行年報,利用Python等軟件從年報中抓取與數字化轉型相關的關鍵詞,并計算詞頻合成數字化轉型指標,但此方法可能缺乏專業(yè)的主觀判斷,容易造成誤判。

因此,本文參考謝絢麗和王詩卉(2022)[23]對第二種方法的改進,利用Python對74家商業(yè)銀行年報中的“數字化技術”和“數字化戰(zhàn)略”的關鍵詞(見表1)進行抓取,再通過以下步驟來測度銀行數字化轉型。首先,如果“數字化技術”相關詞頻出現5次及以下,該銀行被認定為尚未應用“數字化技術”,TECH取值為0。如果“數字化技術”相關詞頻出現5次以上,則認為銀行應用了“數字化技術”,TECH取值為1[24]。其次,通過對年報中含有“數字化戰(zhàn)略”相關關鍵詞的語句進行抓取,并通過人工閱讀的方式判斷該語句與商業(yè)銀行數字化轉型之間是否存在關系。若語句顯示銀行實施了“數字化戰(zhàn)略”,STRA取值為1;若抓取的語句顯示銀行尚未實施“數字化戰(zhàn)略”,STRA取值為0。最后,若數字化戰(zhàn)略(STRA)和數字化技術(TECH)兩個變量同時取1,則說明銀行進行了數字化轉型,DID賦值為1,否則DID賦值為0。

表1 數字化轉型相關關鍵詞

通過以上方法對樣本期內74家商業(yè)銀行進行判斷,結果如圖1所示。53家商業(yè)銀行在樣本期內進行了數字化轉型,21家銀行在樣本期內未進行數字化轉型。本文樣本符合多期交疊DID的樣本特征,即存在一直未受處理的樣本;銀行進行數字化轉型的時間不同;不存在銀行進行數字化轉型后又退出的情況。此外,本文用同樣的方法對已經轉型的53家銀行的數字化轉型程度進行度量,得到數字化轉型總指數(SZH)、數字化技術(SZH1)和數字化戰(zhàn)略(SZH2)三個連續(xù)型變量。

圖1 數字化轉型的銀行數量

3.控制變量

本文參考顧海峰和卞雨晨(2022)[2]的思路,選取以下控制變量：銀行資產規(guī)模(SIZE)、貸款增長率(LOANGR)控制銀行資產規(guī)模和信貸規(guī)模對信用風險的影響;盈利能力(NIS)以凈利差表示,控制商業(yè)銀行在傳統業(yè)務上的盈利能力對信用風險的影響;資本充足率(CAR)用來控制銀行的其他風險對信用風險的影響;是否上市(LIST)代表銀行是否上市,已經上市的年份取1,否則取0,控制銀行是否上市對信用風險的影響;撥備覆蓋率(PC)控制銀行風險偏好對信用風險的影響。

4.中介變量

本文基于管理渠道和業(yè)務渠道兩方面選取管理效率(CIR)和信貸集中度(TEN)兩個中介變量研究數字化轉型對銀行信用風險的作用機制。

變量說明見表2。主要變量的描述性統計見表3。

表2 變量說明

表3 描述性統計

四、實證檢驗及結果分析

(一)基準回歸模型

1.基準回歸結果

本文采用不良貸款率(NPL)作為被解釋變量,對模型設定式(1)進行估計,并以貸款減值準備/貸款總額(LLR)替換被解釋變量進行穩(wěn)健性檢驗。表4匯報了模型設定(1)的回歸結果,每列均控制了個體和年份固定效應。

表4 數字化轉型對銀行信用風險影響的回歸結果

表4列(1)回歸結果顯示,核心解釋變量DID的系數為-0.20,在1%水平上顯著,表明銀行進行數字化轉型可以顯著降低信用風險。列(2)加入了控制變量后,核心解釋變量DID的系數始終為負且顯著(-0.13),說明控制了眾多因素后,銀行進行數字化轉型仍能顯著降低銀行的信用風險。列(3)(4)以貸款減值準備/貸款總額(LLR)作為被解釋變量,控制了眾多因素后,核心解釋變量DID系數也為負且在1%水平上顯著(-0.29)。綜上所述,商業(yè)銀行進行數字轉型有助于降低其信用風險,假設1得到驗證。

2.基于數字化轉型分解的回歸結果

本文進一步將數字化轉型分解為“數字化技術(TECH)”和“數字化戰(zhàn)略(STRA)”兩個二級指標進行回歸,以分析數字化戰(zhàn)略和數字化技術分別對銀行信用風險的影響?；貧w結果如表5列(1)(2)所示,數字化技術(TECH)和數字化戰(zhàn)略(STRA)對銀行信用風險的影響均為負且在5%水平上顯著,表明數字化技術的應用和數字化戰(zhàn)略的實施均對信用風險存在抑制作用。此外,本文將貸款減值準備/貸款總額(LLR)作為被解釋變量進行穩(wěn)健性檢驗,回歸結果如表5列(3)(4)所示,數字化技術和數字化戰(zhàn)略均對銀行信用風險存在抑制作用,與上文結論一致。因此,銀行數字化轉型是一個系統性工程,數字化戰(zhàn)略的實施和數字化技術的應用都是轉型的關鍵,戰(zhàn)略轉型是技術轉型的方向和指引,技術轉型則是戰(zhàn)略轉型的基礎和支撐,缺乏明確的數字化戰(zhàn)略目標作為指導,數字化技術的應用可能會變得盲目和片面,兩者的相互作用有助于提高銀行轉型的效果,提高信用風險治理能力。

表5 “數字化戰(zhàn)略”和“數字化技術”對信用風險影響的回歸結果

3.數字化轉型程度對信用風險的影響

上述基準回歸根據銀行是否進行數字化轉型,構建交疊DID模型來檢驗轉型效果,可能存在結果不夠精確的問題。由于不同銀行進行數字化轉型的成效是不同的,為了檢驗數字化轉型成效對銀行信用風險的不同影響,本文以樣本中進行數字化轉型的53家銀行作為新的研究樣本,采用上文構建的數字化轉型總指數(SZH)、數字化技術(SZH1)和數字化戰(zhàn)略(SZH2)三個連續(xù)型變量對信用風險進行檢驗,回歸結果如表6所示。

表6 數字化轉型程度對銀行信用風險的回歸結果

如表6列(1)所示,從銀行不同數字化轉型程度(SZH)視角分析,回歸結果仍然為負且在1%水平上顯著(-0.07),說明銀行數字化轉型程度越高,其對信用風險的抑制作用越強,原因在于銀行數字化轉型程度越高,轉型戰(zhàn)略實施的力度越大,金融科技投入越大,數字化技術的賦能效應越顯著,風險管理水平越高,對信用風險的抑制作用越強。如列(2)(3)所示,一方面,數字化技術的應用(SZH1)和數字化戰(zhàn)略的實施(SZH2)對銀行信用風險的影響同樣為負且至少在5%水平上顯著。因此,數字化轉型在概念的界定及實證分析中不僅要考慮數字化技術的應用,同時也要考慮數字化戰(zhàn)略及兩者相互作用對信用風險的影響。此外,本文也采用謝絢麗和王詩卉(2022)[23]構建的“北京大學商業(yè)銀行數字化轉型指數”替換被解釋變量(SZH)進行穩(wěn)健性檢驗,回歸結果如列(4),數字化轉型(DIGI)的回歸系數為負且在1%水平上顯著(-0.08),與上述回歸結果一致。

(二)平行趨勢檢驗

(三)安慰劑檢驗

考慮到數字化轉型對銀行信用風險的統計顯著性可能是由于政策沖擊前的某些未被控制的其他政策影響導致的,本文進行了安慰劑檢驗。借鑒白俊紅和張藝璇(2022)[25]的方法,本文選取原模型中處理組樣本,隨機抽取并生成偽處理組樣本,其余樣本則為偽對照組樣本,并對處理組的樣本隨機生成偽政策虛擬變量,重新進行檢驗。采用新樣本重復500次進行回歸得到DID的估計系數,估計結果如圖3所示,DID系數集中分布在0附近。綜上所述,本文的采用TWFE模型的回歸結果是可靠的,并沒有因為其他變量或政策的影響而導致嚴重偏誤。

(四)TWFE模型偏誤診斷

大量實證文獻表明,當政策實施時點存在交疊時,即使?jié)M足平行趨勢假設,TWFE模型估計量也可能由于“負權重”“預趨勢”或“異質性處理效應”等問題產生偏誤[26-29]。因此,本文對可能導致模型偏誤的原因進行了檢驗。檢驗結果表明,本文樣本不存在預期效應和負權重問題,但異質性處理效應的存在可能導致TWFE模型估計量產生偏誤(1)由于篇幅限制,負權重、預趨勢和同質性處理效應檢驗的結果沒有列出。。

(五)交疊DID異質性穩(wěn)健估計量

本文分別參照Callaway和Sant’Anna(2021)[27]、Borusyak等(2021)[28]、De Chaisemartin和D’Haultfoeuille(2020)[29]提出的方法對TWFE模型估計量因異質性處理效應可能產生的偏誤進行修正。上述三種方法分別基于組別-時期加權平均處理效應(CSDID)、插補法和即時處理效應(DIDM)三種估計量對模型可能的偏誤進行修正。圖4給出了三種方法的異質性動態(tài)處理效應圖。首先,數字化轉型之前銀行信用風險的變化并不顯著,三種估計量均滿足平行趨勢假設。其次,三種估計量的回歸結果均表明,銀行數字化轉型之后從第3期開始,對信用風險的抑制效應開始顯著且逐漸增強。原因可能是數字化轉型對信用風險的抑制作用存在一定的滯后性,且銀行數字化轉型的時間越久,其轉型程度越深,商業(yè)模式、組織架構和業(yè)務流程的改革不斷深入,數字化技術賦能風險管理的效應越強,信用風險的預警和治理效果越好。綜上所述,檢驗結果進一步說明TWFE的估計偏誤問題并不嚴重,基于TWFE的估計結果基本可靠。

90%置信區(qū)間90%置信區(qū)間CSDID插補法回歸系數0.50-0.5-1.0-1.5-5-4-3-2-1012345政策處理的相對時間90%置信區(qū)間DIDM圖4 異質性動態(tài)處理效應圖

(六)內生性檢驗

上述回歸結果初步驗證了商業(yè)銀行數字化轉型對信用風險的抑制作用,但模型仍可能由于反向因果關系和樣本自選擇偏差等因素導致內生性問題。因此,本文分別采用動態(tài)面板GMM方法、工具變量法、樣本重新匹配法和交互固定效應法重新進行估計,以緩解模型可能存在的內生性問題。

1.動態(tài)面板GMM檢驗

本文借鑒郭峰等(2023)[8]的研究將被解釋變量的滯后一期引入模型中,采用GMM方法進行動態(tài)面板估計,表7列(1)(2)給出了回歸結果,DID的系數為負且在1%水平上顯著,表明在考慮模型可能存在的內生性后,數字化轉型仍然對銀行信用風險產生抑制作用。此外,AR(2)檢驗結果表明誤差項不存在二階序列相關,Hansen檢驗結果表明工具變量是有效的,基準回歸模型具有穩(wěn)健性。

表7 內生性檢驗結果

2.工具變量法

本文借鑒謝絢麗等(2018)[30]的做法,選取省級互聯網普及率(Inter)和北京大學數字普惠金融省級總指數(DIFI)作為工具變量。銀行數字化轉型是數字經濟驅動下的特定產物,互聯網普及率作為數字化的基礎設施,數字普惠金融總指數代表了數字經濟發(fā)展水平,兩者均與銀行數字化轉型的程度存在緊密的聯系,均具有較強的相關性,且與銀行信用風險之間沒有直接關系。如表7列(3)所示,兩個工具變量的第一階段回歸系數均為正且顯著,LM檢驗和Wald F檢驗結果均大于經驗值,排除不可識別和弱工具變量的可能性。列(4)展示了工具變量第二階段的回歸結果,DID的估計系數為負且至少在1%水平上顯著(-0.79),表明考慮模型可能存在的內生性問題后,數字化轉型仍對銀行信用風險具有顯著抑制作用,基準回歸結果依然穩(wěn)健,工具變量較好地緩解了內生性問題帶來的干擾。

3.PSM-DID和EBM檢驗

商業(yè)銀行是否進行數字化轉型是銀行自身的行為,即為非隨機化實驗,因此某個銀行是否進行數字化轉型可能依賴于其資產規(guī)模、盈利能力等其他因素。事實上,往往是國有大型商業(yè)銀行會率先實施數字化轉型,且這些銀行資產規(guī)模、盈利能力都較高。因此,為了解決自選擇偏差問題,本文采用傾向得分匹配法(PSM-DID)和熵平衡匹配法(EBM)匹配樣本后重新進行回歸。

首先,為解決面板數據在傾向得分匹配(PSM-DID)中出現的“時間錯配”問題,本文參考了李青原和章尹賽楠(2021)[31]的方法,采用逐期匹配法得到了更加適合的對照組?；谄ヅ浜玫臉颖?對式(1)進行回歸,回歸結果見表8列(1),數字化轉型的回歸系數為負且在5%水平上顯著(-0.18),這與上文結論基本一致。其次,鑒于傾向得分匹配法可能會存在自匹配或匹配對象在政策前后不一致等問題[32],會損失樣本信息,本文采用熵平衡匹配法(EBM)進一步進行檢驗。以上文中所有控制變量作為協變量進行熵平衡匹配。經過熵平衡匹配后,處理組和控制組協變量的均值和方差的差異明顯縮小。此外,對匹配后的樣本重新進行回歸,回歸結果如表8列(2)所示,數字化轉型的回歸系數為負且在10%水平上顯著(-0.09),表明上文結論比較可靠。

表8 PSM-DID和EBM檢驗結果

4.考慮不可觀測混淆因子的交互固定效應再檢驗

當存在不可觀測隨時間變化的混雜因素時,TWFE模型的估計結果將是有偏的。因此,本文參考Liu等(2022)[33]的方法,采用固定效應反事實估計量(FECT)和交互固定效應反事實估計量(IFECT)進行插補,重新進行回歸。固定效應反事實估計量(FECT)允許政策效應在樣本之間和不同時間內的異質性;交互固定效應反事實估計量(IFECT)可以將未觀察到的、隨時間變化的混雜因素納入模型,解決內生性問題。如圖5給出了兩種方法的回歸結果。剔除不可觀測隨時間變化的混淆因子影響后,兩種方法得到的平均處理效應變化趨勢基本一致。數字化轉型之前,各期回歸系數相對平穩(wěn),且在0值附近波動。數字化轉型之后,各期回歸系數為負且顯著,并逐漸下降,表明數字化轉型對銀行信用風險的影響隨時間推移逐步加深。綜上所述,上文回歸結果較為可靠,TWFE模型估計結果并不存在嚴重偏誤。

圖5 基于“插補估計量”的異質性—穩(wěn)健估計

五、機制檢驗

本文借溫忠麟等(2004)[34]的研究對管理效率(CIR)和信貸集中度(TEN)進行中介效應檢驗,分析商業(yè)銀行數字化轉型對信用風險的影響渠道。中介效應模型式(3)和式(4)的回歸結果見表9。列(1)(2)給出了管理效率(CIR)渠道的中介效應回歸結果。列(1)數字化轉型(DID)的回歸系數為負且在5%水平上顯著,列(2)管理效率(CIR)的回歸系數為正且在5%水平上顯著,表明數字化轉型可以通過降低銀行經營成本,提高管理效率和風險管理水平,進而抑制信用風險。此外,管理效率的提升將減少商業(yè)銀行高風險項目投資決策,減少冒險動機帶來的信用風險的增加,假設2得到驗證。列(3)(4)給出了信貸集中度(TEN)渠道的中介效應回歸結果。其中列(3)數字化轉型(DID)的回歸系數為負且在5%水平上顯著,而列(4)信貸集中度(TEN)的回歸系數為正且在1%水平上顯著,表明商業(yè)銀行數字化轉型可以通過數字技術賦能銀行風險管理,幫助銀行制定分散化投資組合,降低信貸集中度,進而降低信用風險,假設3得到驗證。綜上所述,管理效率(CIR)和信貸集中度(TEN)在數字化轉型影響銀行信用風險中具有中介效應。

表9 中介效應檢驗結果

六、結論和政策啟示

數字化轉型已經成為我國商業(yè)銀行創(chuàng)新和改革發(fā)展的關鍵環(huán)節(jié),同時對提高銀行風險治理能力,防范和化解金融風險具有重要意義。在此背景下,本文以銀行數字化轉型為視角,通過“文本挖掘法”判斷商業(yè)銀行是否進行數字化轉型,并以2011—2020年74家商業(yè)銀行的年度面板數據進行實證檢驗,得到四個結論。第一,商業(yè)銀行進行數字化轉型顯著降低了其信用風險?？紤]數字化轉型程度后,該結論依然成立。第二,動態(tài)處理效應檢驗結果表明,商業(yè)銀行進行數字化轉型的時間越長,其對信用風險的抑制作用越大,但該抑制作用存在一定的滯后性。第三,本文將數字化轉型分解為“數字化戰(zhàn)略”和“數字化技術”兩個二級指標進行檢驗,結果表明,“數字化戰(zhàn)略”和“數字化技術”均能顯著抑制銀行信用風險,且“數字化戰(zhàn)略”的抑制效應更強。第四,機制分析表明,商業(yè)銀行數字化轉型通過提高管理效率和降低信貸集中度抑制銀行信用風險。

基于上述結論,本文提出以下政策啟示：

第一,商業(yè)銀行微觀層面,銀行應積極布局和推進數字化轉型戰(zhàn)略。研究發(fā)現,數字化轉型有助于降低銀行信用風險,且轉型時間越長,抑制作用越大。因此,商業(yè)銀行應將數字化轉型作為一項長期戰(zhàn)略持續(xù)推進,積極探索大數據、人工智能等數字技術在金融領域的應用,加大金融科技投入,充分發(fā)揮數字化轉型在防范和化解金融風險方面的重要作用。此外,機制分析表明,數字化轉型通過降低銀行信貸集中度抑制信用風險。因此,商業(yè)銀行要積極探索和利用數字化轉型在緩解信息不對稱、提高信息透明度等方面發(fā)揮的作用,改變“搭便車”“壘大戶”的授信習慣,通過構建多元化信貸投資組合,降低信貸集中度,分散信用風險。

第二,銀行業(yè)中觀層面,銀行業(yè)應加強銀行間、銀行與金融科技公司間的合作,打造數據互通、安全高效的開放共享共贏金融生態(tài)圈。因此,銀行業(yè)應以內部變革和外部合作共同推進數字化轉型,促進資源共享、優(yōu)勢互補,有助于提升自身技術水平和創(chuàng)新能力,提高風險管理水平,同時為防范和化解系統性金融風險提供有力保障。

第三,宏觀層面,政府部門應加大對商業(yè)銀行數字化轉型的支持力度。政府部門應為銀行提供政策支持和指導,明確數字化轉型的目標、路徑和方法,鼓勵銀行與金融科技公司合作,推動雙方的合作共贏,共同推進數字化轉型。雖然本文研究表明,數字化轉型有助于提高風險管理水平,抑制信用風險,但也要防范數字化轉型過程中可能暴露的新型風險,如科技風險、數據風險和模型風險等。因此,監(jiān)管部門應建立風險防控和監(jiān)管的協調機制,加強溝通和協作,以更好的推進金融高質量發(fā)展。

本文的局限性主要在于商業(yè)銀行數字化轉型度量仍沒有找到統一且精確的方法,有待完善。此外,限于數據的可獲得性,不同銀行類型的異質性并未贅述,這也是未來值得探究的課題。