1. 绪论
1.1. 研究背景与意义
1. 研究背景
近年来，随着云计算、大数据等数字技术的迅猛演进，传统金融与数字技术深度融合，催生了一种新型金融模式—数字金融。在数字技术的有力支撑下，数字金融显著增强了传统金融的服务效能，同时有效降低了金融服务成本，彰显了金融服务社会、服务人民的核心理念。当前，数字金融与我国商业银行的合作日益紧密，据《中国上市银行业分析报告2021》显示，我国上市商业银行在数字金融建设上的研发投入持续高速增长，数字化研发总投入已超过2078亿元。这一投入不仅促进了商业银行营业收入的提升，还降低了其运营成本。值得注意的是，报告还指出，所有商业银行均向客户提供数字金融服务。然而，数字金融的快速发展也给商业银行的风险管理带来了新的挑战，增加了金融系统安全的不确定性，进而加剧了信贷风险的上升趋势。
2. 研究意义
鉴于数字金融对商业银行不良贷款率影响的显著性，本研究在已有理论框架的基础上，通过构建面板数据模型，并借助Stata软件，对数字金融如何影响商业银行不良贷款率进行了实证探究。此举旨在为商业银行在数字化转型过程中稳健运营，并有效降低不良贷款率风险，提供具有政策指导意义的合理建议。
1.2. 文献综述
1. 国外相关文献
国外学者大致从数字金融、商业银行不良贷款、数字金融对商业银行的影响三个方面进行研究。
对于数字金融研究的探讨，Gomber (2017)的学术成果指出，数字金融乃银行与科技公司联合研发的，涵盖数据科技元素的多种金融产品与服务[1]。进一步地，Wang等人(2021)的研究揭示，数字金融的普及有助于降低信贷门槛，使得社会中的弱势群体也能获得金融服务的便利[2]。而Daniela (2017)则强调，科技数字化的演进驱动了金融领域的进步，这不仅促进了社会的整体发展，也带动了人民收入的增长，因此，积极推动数字金融的发展显得尤为重要[3]。
在商业银行不良贷款的研究方面，Delis等人(2011)的研究发现，商业银行的不良贷款率与其所执行的信贷利率之间存在显著关联，当信贷利率上升时，银行所面临的信贷风险相应降低，从而不良贷款率也随之下降[4]。然而，Craig等人(2013)的研究则揭示了另一种情况，即在竞争激烈的银行环境中，为提升盈利能力，银行可能通过降低信贷利率来吸引客户借贷，这在一定程度上增加了银行的信贷风险[5]。
对于数字金融对商业银行的影响，Stoica等人(2015)的研究表明，数字金融的发展对商业银行的不良贷款率具有显著影响。当数字金融与银行之间的关联日益紧密时，银行的不良贷款率风险相应上升[6]。另一方面，Buchak等人(2018)指出，相较于新型的数字金融机构，传统银行所受到的监管更为严格。由于数字金融机构提供的贷款服务，传统银行的信贷市场份额受到挤压，这导致其不良贷款率有所降低[7]。
2. 国内相关文献
与国际上的研究成就相较，我国目前已累积了显著的成果。在数字金融领域，王馨(2015)的深入研究揭示，数字金融相较于传统金融模式，显著特征在于其较低的运行成本和高效性，且显著降低了金融服务的参与门槛，使弱势群体亦能享受到金融服务[8]。郑志来(2015)进一步指出，数字金融的崛起已对传统银行业产生了显著影响，其独特优势已快速渗透到信贷业务、中间业务等多个市场领域，直接冲击了银行等传统金融机构的经营格局[9]。吴晓求(2015)的研究显示，数字金融的迅猛发展加剧了金融市场的竞争态势，迫使传统金融机构寻求提升运营效率的策略以适应生存与发展[10]。
在商业银行不良贷款率方面，刘畅等人(2017)的研究发现，政治力量对商业银行不良贷款率具有显著影响，商业银行管理中的政治力量愈强，其不良贷款率的增长愈为迅速[11]。郭晓蓓等(2020)学者则提出，管理层能力的不足是导致商业银行不良贷款率持续居高不下的重要原因[12]。针对数字金融对商业银行的具体影响，刘忠璐(2016)通过对我国上市银行的实证分析，验证了数字金融对大型商业银行的影响相对较小，而对规模较小的农商行类型的影响则更为显著，呈现异质性特征[13]。李向前等人(2021)的研究进一步表明，数字金融的发展直接促进了商业银行运营效率的提升，有助于其长期发展[14]。付争等人(2021)亦指出，数字金融的兴起有效解决了弱势群体的信贷难题，深化了商业银行的服务范围，提升了其资产运营效率[15]。
1.3. 研究内容和方法
1. 研究内容
本文以2012~2021年里我国上市的16家商业银行的不良贷款率与数字金融指数为研究对象，建立面板回归模型，利用Stata来验证数字金融对商业银行不良贷款率的具体影响，根据实证结果给出降低商业银行不良贷款率的可行性建议。
本文的内容分为四个部分，第一部分为绪论，主要介绍本文研究的背景、意义、文献综述等；第二部分提出理论分析；第三部分构建计量模型，实证分析数字金融对商业银行不良贷款率的影响；第四部分为结论与建议。
2. 研究方法
(1) 文献法
通过搜索相关研究领域的期刊、硕博论文等文献，并根据本文的研究范围对不同研究视角的文献进行细分阅读，进而了解掌握数字金融对商业银行不良贷款率影响的研究现状，并借鉴相应的研究方法，设计出适合自己的研究方法。
(2) 实证分析法
本文在前人的基础上，运用面板回归模型来实证研究数字金融对商业银行不良贷款率的影响，在此基础上运行稳健性检验结果、进一步说明本文所建模型与所选变量的合理性，从而保证本文的稳健可行。
2. 数字金融对我国商业银行不良贷款影响理论分析
2.1. 理论基础
1. 信息不对称理论
信息不对称理论，由阿克洛夫等人在上世纪70年代提出并完善，旨在深入剖析市场失灵的机理。在阿克洛夫对汽车市场交易的研究中，他发现由于汽车商家相较于买家拥有更为丰富的信息，这为其销售劣质产品提供了可乘之机。值得注意的是，商家并未通过降价来弥补买家的信息劣势，交易价格本应基于市场供求关系确定，但信息的不对称导致了市场功能的紊乱，进而降低了市场的运行效率。
信息不对称理论的核心观点主要包括：① 在多数情况下，卖家相较于买家掌握的信息更为全面，这为商品价格的扭曲提供了土壤；② 买家对商品的认知不足，使得卖家有机会以次充好，将低质产品以高价售出；③ 由于信息不对称，买方在交易过程中需格外谨慎。这一理论明确指出，信息不对称是导致逆向选择的重要因素，即信息优势方利用其所掌握的信息优势做出决策，可能引发市场失灵；同时，信息不对称也加剧了道德风险，当合同双方签订协议后，信息优势方可能采取不利于信息劣势方的行动。
在商业银行信贷交易中，信息不对称现象尤为显著。银行在贷前审核时，仅能根据贷款人提供的现有信息进行判断，而贷款人为获取贷款，可能隐瞒不利信息，仅提供有利于放贷的信息。这种情况下，银行处于信息获取的劣势地位，难以准确判断贷款人的真实还款能力。因此，银行在无法确保贷款人还款能力的情况下，可能通过提高贷款利率来应对，但这种策略往往导致违约贷款人数增多，如信用卡借贷。在贷后管理中，银行同样面临信息劣势，难以有效监督贷款用途和督促还款，导致不良贷款率居高不下。鉴于信息不对称理论对于本研究主题的适用性，本文将其引入本研究中。
2. 金融加速器理论
伯南科于1989年首次提出了金融加速器理论，该理论旨在阐述金融手段对经济变化过程的加速影响。金融加速器理论指出，金融市场与经济的结合可能产生协同效应，即金融市场的微小变动在通过金融加速器的作用下，会导致经济的循环放大变化，从而产生正面或负面的显著冲击。该理论解释了信贷条件的微调如何对经济产生深远影响，特别是在贷款利率向下微调时，企业与个人的贷款成本显著降低。
此外，金融加速器理论还揭示了在经济繁荣时期，由于资金成本低廉，许多企业和个人可能会过度扩张，这反映了他们对信贷条件变化的敏感性。然而，当经济繁荣结束，信贷政策收紧时，这些过度扩张的企业和个人将面临巨大压力。
金融加速器理论的最终源头在于银行。在经济上行阶段，银行基于对经济向好的预期，会向企业和个人提供更多的贷款支持，以支持其扩张和提升生活水平。然而，一旦经济开始下行，个人消费需求的减少将导致企业营收降低，进而增加企业的还贷压力。长此以往，银行的信贷安全将面临严峻挑战。当企业和个人无法偿还贷款时，银行的不良贷款率将上升，这进一步表明了经济运行周期与银行不良贷款率变动的密切关联。因此，本文将以金融加速器理论作为理论支撑。
2.2. 数字金融发展对商业银行不良贷款影响的作用机制
1. 数字金融对商业银行盈利模式的冲击
商业银行业务繁多，其中资产业务占据核心地位，而贷款业务更是资产业务中的重中之重。贷款不仅是银行资产的重要组成部分，更是银行收益的主要源泉。尽管中长期贷款在资产业务中的收益占比较大，但短期贷款所累积的利润亦不容忽视，因此银行应同等重视短期贷款业务的经营与管理。
随着数字技术的日新月异，网络信贷产品迅速崛起，以其高效便捷的特点，迅速满足了企业与个人的短期资金需求。相较于传统银行信贷，网络信贷产品门槛较低，放款迅速，无需繁琐的文件准备和长时间的等待，这使得银行的短期小额信贷市场面临激烈的外部竞争。在此环境下，银行短期信贷业务收益持续下滑，对整体收益造成显著影响。
为了提振收益，部分银行不得不放宽风险管理标准，降低信贷门槛，以高风险换取高收益，此举无疑加剧了银行的信贷风险，并导致不良贷款率上升。
2. 价格竞争导致商业银行的成本上升
随着以余额宝为代表的理财产品的迅猛发展，其对银行储蓄业务市场的侵蚀日益显著。为了重获市场份额，银行不得不采取上调存款利率的策略，此举虽短期内吸引了客户，却也加剧了行业内价格竞争的激烈程度。相较传统银行，数字金融以其全面、高效且低成本的服务特点，获得了个人和中小企业的广泛青睐，进而抢占了银行的信贷市场份额。为夺回失去的市场，银行往往采取价格战的方式，通过提高存款利率、降低贷款门槛和利息等手段来吸引客户。
在金融业中，为了追求更高的利润，部分机构往往忽视了潜在的风险。客户在面对金融产品时，往往倾向于选择高收益产品。为了争夺客户资源，各金融机构选择进行更为直接的价格竞争，这无疑增加了银行存款的募集成本。在这样的竞争环境下，银行为了维持收益增长，有时不得不以风险换取收益，降低贷款限制，使更多人获得贷款，从而导致银行的经营风险不断上升。
3. 数字金融对商业银行不良贷款率的实证分析
3.1. 指标设计
本文所依据的样本数据涵盖了2012年至2021年期间共16家上市商业银行，具体包括中国银行、农业银行、工商银行、建设银行、交通银行、光大银行、中信银行、深圳发展银行、兴业银行、浦发银行、华夏银行、民生银行、招商银行、宁波银行、南京银行及北京银行。被解释变量的选取参照了学者李纪星(2016)在商业银行不良贷款率影响因素方面的研究成果[16]，故本文选择财务指标不良贷款率作为被解释变量，并以npl作为其表示符号。
在解释变量的选择上，本文参考了王其峰(2021)关于数字金融对商业银行不良贷款率影响的研究[17]，决定采用北京大学编制的数字金融指数作为解释变量，以df作为其表示符号。
然而，必须指出，在现实经济环境中，影响商业银行不良贷款率的因素远不止上述所提及的自变量，尚有其他多种因素可能对其产生影响。为降低其他遗漏因素对本文回归结果的不良影响，并提升实证研究的可靠性，本文在广泛参考相关文献后，特别参考了梁涵书等(2021)的研究[18]，将非利息收入比率(niir)、成本收入率(cir)及国内生产总值增长率(GDP)纳入控制变量的考量范畴。现将各变量汇总见表1所示。
Table 1. Summary of variables
表1. 各变量汇总表
变量类型 |
名称 |
符号 |
被解释变量 |
商业银行不良贷款率 |
npl |
解释变量 |
数字金融指数 |
df |
控制变量 |
成本收入占比 |
cir |
非利息收入占比 |
niir |
国内生产总值增长率 |
gdp |
本文基于数据的可靠性及实用性考量，选取了北京大学编制的数字金融指数近十年的数据，并结合各商业银行的不良贷款率，作为样本数据用于后续的回归分析。在实证分析之前，为确保数据质量，我们利用Stata软件对数据进行了严格的清洗工作，剔除了数据严重缺失的银行，最终筛选出16家上市银行作为本文的样本数据。随后，在参照已有文献的基础上，我们运用面板回归分析方法对样本数据进行了深入剖析。本文所引用的数据均来源于国泰安数据库，且实证操作全部采用Stata软件进行。
3.2. 模型构建
因本文的研究变量为面板数据，且要研究数字金融对商业银行不良贷款率的影响，所有本章将在相关理论的基础上，通过建立面板模型，利用Stata软件对数字金融与商业银行不良贷款率间的关系进行研究。本文所建模型如下所示：
因本文所选数据为面板数据，且为降低变量的异方差性，所以本文对数据较大的gdp进行对数处理，所以本文选择建立多元线性回归方程。最终方程为：
npl = C + α1df + α2cir + α3niir + α4lngdp + σ
其中c为方程的常数项，α1、α2、α3、α4，为方程的待估参数，σ为残差值。在选定样本数据后，对其进行了描述性分析，描述性统计结果如表2所示。除了数字金融指数以外，其余变量均以百分比表示。可以看出，不良贷款率的最大值和最小值相差较大，说明有异质性问题存在。
3.3. 实证过程
1. 描述性统计分析
在选定样本数据后，对其进行了描述性分析，描述性统计结果见表2所示。除了数字金融指数和以外，其余变量均以百分比表示。可以看出，不良贷款率的最大值和最小值相差较大，说明有异质性问题存在。
Table 2. Descriptive statistical results
表2. 描述性统计结果
变量名称 |
变量符号 |
均值 |
标准差 |
最小值 |
最大值 |
观测值 |
不良贷款率 |
npl |
1.2687 |
0.3843 |
0.3800 |
2.1400 |
160 |
数字金融指数 |
df |
216.2352 |
93.6907 |
40.0042 |
341.2194 |
160 |
成本收入占比 |
cir |
28.9349 |
4.2776 |
12.3800 |
40.7700 |
160 |
非利息收入占比 |
niir |
25.4782 |
9.2480 |
6.3180 |
51.0873 |
160 |
国内生产总值增长率 |
gdp |
6.8394 |
1.9715 |
2.2000 |
9.5508 |
160 |
2. 固定效应检验
在面板变量间关系的实证研究中，建模时对于回归模型的选取与确定，我们主要依赖于F检验和Hausman检验。其中，F检验旨在判定模型是否存在固定效应或混合效应；而Hausman检验则用于确定所研究的变量是否更适宜构建随机效应回归模型或个体固定效应回归模型。通过Stata软件操作，我们获得了关于我国上市商业银行数据的分析结果。其中，F检验对应的p值为0.0031，低于0.05的显著性水平，这表明我们拒绝原假设，即模型存在固定效应。同时，Hausman检验的p值为0.0142，同样低于0.05的显著性水平，因此我们也拒绝原假设，最终确定本文所选模型为个体固定效应模型。
3. 实证结果分析
本文基于个体固定效应模型对数字金融发展对我国上市商业银行不良贷款率在2012~2021年的数据进行回归分析，由Stata软件操作得到个体固定效应回归结果见表3所示：
Table 3. Individual fixed effect regression results
表3. 个体固定效应回归结果
VARIABLES |
(1) npl |
df |
0.003*** |
|
(6.16) |
niir |
0.007* |
|
(1.66) |
cir |
−0.014* |
|
(−1.61) |
lngdp |
−0.195** |
|
(2.32) |
Constant |
−0.365 |
|
(−1.04) |
|
|
Observations |
160 |
Number of code |
16 |
R-squared |
0.534 |
F test |
0 |
r2_a |
0.471 |
F |
40.08 |
t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.
本文运用实证分析研究了近10年里数字金融发展对我国上市商业银行不良贷款率的影响，就自变量而言，可以看出，数字金融对商业银行不良贷款率的影响为正，且在1%的显著性水平下显著，当数字金融的发展每提升1个单位时，上市商业银行的坏账率就会跟着上升0.003个单位。
当非利息收入比率(niir)上升1个单位时，在10%的显著水平下，商业银行的不良贷款率会被拉升0.007的单位。当成本收益率(cir)上升1个单位时，在10%的显著性水平下，其不良贷款率会跟着下降0.014个单位。当国内生产总值(lngdp)提升1个单位时，在5%的显著水平下，其不良贷款率会降低0.195个单位，即经济的不断向好会显著抑制不良贷款率的上升。
4. 稳健性检验
稳健性检验作为面板分析不可或缺的一环，旨在确保模型构建与变量选择的合理性与可靠性。具体而言，当模型中的某一变量被具有相似含义的变量所替代，或控制变量被剔除，或数据时间段发生变动，亦或模型的回归方法有所调整时，若所得结果与原始模型结果保持一致性，则可断定所构建模型具有稳健性和可靠性。在众多稳健性检验方法中，本文依据研究需求，选择了剔除控制变量的方法，并得出见表4所示的结果。
Table 4. Robustness test
表4. 稳健性检验
VARIABLES |
(1) npl |
df |
0.003*** |
|
(11.52) |
Constant |
0.676*** |
|
(12.08) |
Observations |
160 |
Number of code |
16 |
R-squared |
0.481 |
F test |
0 |
r2_a |
0.423 |
F |
132.8 |
t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.
从表4的回归结果可知，在剔除控制变量后，方程的回归结果与原来的回归结果一致，即未剔除控制变量前的回归结果是自变量的回归系数为正且均显著，剔除回归变量后的自变量的回归系数也均为正且显著，这充分说明本文所建模型时稳健可靠的。
5. 结论与建议
本文就数字金融对商业银行不良贷款率的影响做出研究，所选样本的时间段为2012~2021年。本文在相关文献、理论的基础上，本文选取了个体固定效应模型来定量实证数字金融对商业银行不良贷款率的影响，并对所建模型做了稳健性检验。结果如下所示，在此实证结果的基础上，本文也给出了相应的建议，以期对我国商业银行提升信贷风险控制能力给出可行参考。
5.1. 结论
根据上述分析，我们可以得到数字金融的发展会加剧商业银行的不良贷款这一结论。换言之，数字金融的快速发展并不利于我国上市商业银行坏账率的降低，反而有推动商业银行不良贷款率上升的趋势。这一结果表明，数字金融与商业银行不良贷款率的变动趋势呈现出同向联动，即当数字金融的发展程度加深、覆盖范围扩大时，商业银行的不良贷款率可能会被动上升。这凸显了数字金融发展的双重性：一方面，数字金融为人们生活提供了便捷，并为国家经济增长做出了积极贡献；另一方面，由于其交易成本低、效率高等特点，受到个人和中小企业的广泛青睐，直接对商业银行的信贷市场形成了冲击，对商业银行的稳健发展带来了不可忽视的负面影响。
5.2. 建议
在深入探究本文研究内容的基础上，结合我国现行相关政策，本报告从宏观与微观两个层面，提出降低商业银行不良贷款率的建议：
从宏观政府层面来看，数字金融旨在通过信息化手段，将金融服务普及至每一个弱势群体，包括农民与小微企业。然而，鉴于我国居民整体金融素养普遍较低，在同等经济条件下，此类群体更易受到金融欺诈的威胁，从而可能引发一系列严重后果。为此，政府应采取有力措施，降低居民遭遇金融欺诈的风险，确保我国数字金融能够稳健、持续发展。具体而言，政府可在各大网络平台举办金融风险知识普及讲座，广泛宣传金融基础知识，使金融素养较低的群体能够快速掌握，提升他们在资金借贷中的风险防范能力。同时，相关部门应制定优惠政策，鼓励金融机构研发简易易懂的数字化金融产品，以弥补部分人群在数字化理解上的不足，缩小数字鸿沟。此外，国家应高度重视信息监管，出台相关法律法规，规范信贷类数字金融平台的运营，以减少欺诈等市场乱象的发生。
从微观银行层面而言，应提升商业银行自身服务实体经济的效率。商业银行的运作效率与金融效率，与信贷风险的控制密切相关。因此，商业银行应充分利用数字金融技术，完善内部激励机制，有效管理商业银行与信贷管理专员的委托代理问题，并降低与借款人之间的信息不对称现象[19]。此外，商业银行还应关注信贷员工的专业素养提升，通过正规教育和在职培训，培养具备专业技能的信贷人才，以满足金融市场的需求。同时，提供金融交流平台，鼓励员工在交流中提升专业素养，从而提高银行的投入产出比。
本文研究仍存在许多不足，比如控制变量较少，没有将各类银行进行分类研究等，在接下来的研究中将进行改善，在各个维度丰富相关的研究。