数字普惠金融发展对区域商业银行稳健经营的影响——基于收益和风险的视角

The Influence of the Development of Digital Inclusive Finance on the Steady Operation of Regional Commercial Banks—From the Perspective of Income and Risk

摘要: 本文基于我国城市与农村商业银行的微观财务数据与北京大学数字金融研究中心编制的普惠金融指数进行实证分析，从收益和风险的视角探究数字普惠金融的发展对区域商业银行稳健经营的影响。研究发展数字普惠金融会降低商业银行的盈利能力同时增加商业银行的风险水平，这种影响通过内生性和稳健性检验后依然成立。通过中介效应模型进行路径研究，结果表明数字普惠金融通过影响区域商业银行的经营效率影响银行盈利能力，通过恶化贷款结构增加区域商业银行的风险水平，进一步研究发现数字普惠金融对区域商业银行的影响存在异质性，数字普惠金融对东部地区区域商业银行的影响相对西部地区更加显著。因此，发展数字普惠金融会对区域商业银行的稳健经营带来一定的负面冲击。

Abstract: Based on the micro-financial data of urban and rural commercial banks in China and the inclusive finance index compiled by the Digital Finance Research Center of Peking University, this paper makes an empirical analysis to explore the impact of the development of digital inclusive finance on the stable operation of regional commercial banks from the perspective of income and risk. The research and development of digital inclusive finance will reduce the profitability of commercial banks and increase the risk level of commercial banks, which is still valid after the endogenous and robust tests. Through the intermediary effect model, the results show that digital inclusive finance affects the profitability of regional commercial banks by affecting their operating efficiency, and increases the risk level of regional commercial banks by worsening the loan structure. Further research shows that the impact of digital inclusive finance on regional commercial banks is heterogeneous, and the impact of digital inclusive finance on regional commercial banks in the eastern region is more significant than that in the western region. Therefore, the development of digital inclusive finance will have a negative impact on the steady operation of regional commercial banks.

1. 引言

近年来，国家高度重视普惠金融的发展，2017年《政府工作报告》指出：“鼓励大中型商业银行设立普惠金融事业部，实行差别化考核评价办法和支持政策，有效缓解中小微企业融资难、融资贵问题”。2023年中央金融工作会议明确提出“做好科技金融、绿色金融、普惠金融、养老金融、数字金融”五篇大文章。在国家一系列政策方针的指引下，数字普惠金融得以迅猛发展，为小微企业、“三农”领域、创业创新及脱贫攻坚等关键领域提供了强有力的金融支持。国家《发展规划》定义普惠金融是指立足机会平等要求和商业可持续原则，以可负担的成本为有金融服务需求的各阶层和群体提供适当、有效的金融服务。北京大学数字金融研究中心的定义，数字普惠金融是指互联网企业利用数字技术开展的新型金融模式。数字普惠金融作为一种新兴的金融服务模式，正逐步成为推动金融包容性增长、促进区域经济发展的重要力量。

区域商业银行作为金融服务的重要提供者，正积极拥抱数字普惠金融的浪潮，通过强化互联网加金融的服务模式、推动普惠金融产品和数字化技术的融合，不断提升金融服务的质量和效率。商业银行不仅将数字普惠金融业务置于优先发展的战略高度，还通过整合网络服务、电子交易渠道等资源，构建线上线下一体化的金融服务网络，以更好地满足小微企业、“三农”等普惠金融重点人群的金融需求。然而，数字普惠金融的发展也对区域商业银行的稳健经营提出了新的挑战。一方面，数字技术的广泛应用要求商业银行不断优化内部管理体系和组织架构，以更好地适应普惠金融业务的特性；另一方面，普惠金融业务涉及的客群种类多样，且风险分散，要求商业银行在风险管理上更加灵活且富有韧性。因此，如何在数字普惠金融的浪潮中保持稳健经营，成为区域商业银行亟待解决的关键问题。

2. 理论分析与研究假设

随着数字普惠金融、互联网金融与金融科技的深入融合发展，商业银行面临的经营环境发生了显著的变化。数字普惠金融的本质是结合数字化技术既要实现“普”，又要确保“惠”。现有研究中，大多数学者对普惠金融的研究基本都聚焦于赋能共同富裕与缩小城乡收入差距[1]-[4]。杨望等表明数字普惠金融的发展有利于改善低收入群体的收入状况，提高工资性收入和经营性收入是数字惠普金融发挥作用的主要路径[5]。林建华等发现数字普惠金融不仅能够有效推动本地区城乡共同富裕，还可正向赋能毗邻地区城乡共同富裕[6]。赵丙奇等认为数字普惠金融发展能够通过提升人力资本机制、增强社会网络机制和缓解融资约束机制的路径促进农户创业[7]。部分学者也将研究的视角聚焦到数字普惠金融对企业层面的影响，数字普惠金融能够有效缓解小微企业信贷配给与融资约束[8]。文学舟等发现数字普惠金融有效促进了科技型中小企业经济、社会、环境、创新等维度可持续发展绩效的提升[9]，陈利等研究表明数字普惠金融显著促进了民营企业创新且存在排序效应和规模效应表现为对高生产率、小规模民营企业创新产出的影响更加明显[10]。然而，关于数字普惠金融对区域商业银行经营收益与风险的影响相对较少，卫梦洁等研究表明数字普惠金融会削弱商业银行的中介职能，进而显著增加商业银行的信用风险[11]。江世银等表明数字普惠金融显著降低了上市商业银行的信贷收益[12]。

数字普惠金融的发展导致大量的非银行机构涌入金融市场，加剧了市场竞争。科技金融与互联网金融企业凭借其客户网络和数据优势，通过互联网理财、网络借贷等新业务蚕食商业银行的传统业务领域，挤占了银行的生存空间。促使区域商业银行进行了一些列的改革，银行也加快了网络化与数据化发展的步伐，不断提升银行金融服务的便捷性与可得性。区域商业银行作为支持地方经济发展的金融主体，其自身也是普惠金融发展的主体力量，承载着提供低成本资金借贷以促进乡村振兴与实现城乡居民共同富裕的使命与责任。基于以上分析，本文提出如下假设：

假设1. 数字普惠金融对商业银行盈利能力具有负向影响；

假设2. 数字普惠金融会显著增加商业银行风险承担水平。

普惠金融是国家实现乡村振兴、城乡共同富裕的重要支撑力量，数字普惠金融利用数字化技术与金融技术的深度融合，最大限度的解决了由于信息不对称带来的融资约束问题，为小微企业、“三农”领域以及创新创业等群体提供前所未有的便捷与广泛的金融支持。但是普惠金融提供的金融支持具有显著特点，其一是其借贷资金占用时间长，由于数字普惠金融的服务对象和领域具有特殊性，一般是盈利能力较弱和无资产抵押的三农领域、小微企业和创新创业群体，该群体所从事的行业投资回收期普遍都比较长。其二是资金借贷利率低，普惠金融的发展主要就是帮助金融弱势群体解决融资难和融资贵的问题，普惠金融提供金融支持的对象从事的行业收益率都比较低，所以其承担利息的能力相对较弱。其三是信用风险高，这与资金的占用时长和资金获得者从事的投资回收期长、收益低的行业有关。

区域商业银行近年来也在积极地发展普惠金融业务，第一是为了响应国家大政方针的号召，为乡村振兴和共同富裕提供金融支持；第二是为了增强自身在行业的竞争力，近年来利用互联网和数字化技术提供金融服务的企业不断涌现且势头日盛，利用其快捷灵活优势发展“互联网+金融”的模式挤占市场，并将触角伸向传统金融的弱势群体，迫使商业银行发展普惠金融业务以抢占市场。然而，区域商业银行发展数字普惠金融必然会导致数字化资源的大量投入，以提升金融服务的便捷性，同时普惠金融业务通常面临借贷利率低、贷款风险高的问题。基于此，本文提出如下假设：

假设1a：数字普惠金融通过降低商业银行经营效率降低商业银行的盈利能力；

假设2a：数字普惠金融通过恶化贷款结构增加商业银行风险承担水平。

3. 研究设计

3.1. 模型设定

本文从收益和风险的视角采用固定效应模型验证数字普惠金融对商业银行稳定经营的影响。其基准回顾模型如下：

$RO{A}_{i,t}/NP{L}_{i,t}={\beta }_0+{\beta }_{1}DF{I}_{i,t}+{\beta }_{2}Contro{l}_{i,t}+u_i+{\epsilon }_{i,t}$ (1)

其中，总资产收益率($RO{A}_{i,t}$ )为银行盈利能力代理变量；不良贷款率($NP{L}_{i,t}$ )为风险承担水平的代理变量；$DF{I}_{i,t}$ 为数字普惠金融指数，包含总指数字普惠金融总指数TDL_i,t，覆盖广度DW_i,t，使用深度DD_i,t，数字化程度DN_i,t；$Contro{l}_{i,t}$ 为控制变量。

3.2. 数据来源说明

本文选取2011~2022年我国城市与农村商业银行为研究样本，被解释变量使用银行的资产收益率为盈利能力的代理变量，不良贷款率为风险的代理变量。解释变量采取北京大学数字金融研究中心编制的数字普惠金融指数作为数字普惠金融的代理变量，并采用数字金融覆盖广度(DW)、使用深度(DD)和数字化程度(DN)三个衡量维度进行稳健性检验。银行的财务数据均来自国泰安数据库，数字普惠金融指数来自北京大学数字金融研究中心，宏观层面的数据来自国家统计局。

3.3. 变量名称

1. 被解释变量

本文选取的被解释变量为商业银行的盈利能力和风险承担水平，其中区域商业银行的盈利能力采用总资产收益率(ROA)为代理变量，总资产收益率(ROA)越高代表商业银行盈利能力越强，商业银行的风险承担水平采用不良贷款率(NPL)为代理变量，该指标越高说明区域商业银行承担的风险水平越高。

2. 解释变量

(1) 核心解释变量

解释变量为数字普惠金融指数(TDL)，本文采取由北京大学数字金融研究中心编制的数字普惠金融指数作为数字普惠金融的代理变量，并采用数字金融覆盖广度(DW)、使用深度(DD)和数字化程度(DN)三个衡量维度进行稳健性检验。

(2) 中介变量

从前文分析可知，风险的视角数字普惠金融会通过贷款结构(LS)影响区域商业银行风险承担水平。本文采用客户贷款总额占总资产的比重作为区域商业银行贷款结构的代理变量，其主要原因在于区域商业银行发展数字普惠金融将会导致贷款规模的增加，进一步就会增加商业银行的风险承担水平。收益视角数字普惠金融会通过经营效率渠道影响区域商业银行的盈利能力，本文采用区域商业银行的成本收入比为经营效率的代理变量，其主要原因是区域商业银行的成本收入比越高，代表区域商业银行经营效率越低，即成本变高或者收益下降，也可能是成本上升的同时收益下降。

(3) 控制变量

影响商业银行信用风险的因素诸多，本文选择的控制变量有：银行规模(size)、贷款增长率(LGR)、贷存比(LA)、资本充足率(CAR)、拨备覆盖率(PC)、地区经济规模(GDP)。

本文使用的变量名称和计算方式见表1：

Table 1. Specific description of variables

表1. 变量具体说明

变量类型	变量符号	变量名称	变量定义
被解释变量	ROA	盈利能力	净利润/总资产
	NPL	风险承担	不良贷款率
数字普惠金融	TDL	数字普惠金融总指数	数字普惠金融总指数/100
	DW	覆盖广度	覆盖广度/100
	DD	使用深度	使用深度/100
	DN	数字化程度	数字化程度/100
中介变量	CTIR	经营效率	成本/收入
	LS	贷款结构	贷款总额/总资产
控制变量	size	银行规模	银行总资产取对数
	LGR	贷款增长率	(本期贷款增长额/上期末贷款余额) × 100%
	LA	贷存比	贷款总额/存款总额
	CAR	资本充足率	(资本净额/风险加权资产期末总额) × 100%
	PC	拨备覆盖率	损失准备/不良贷款 × 100%
	GDP	地区经济规模	GDP取对数

3.4. 描述性统计

本文选取2011~2022年我国城市与农村商业银行数据与北京大学数字金融研究中心编制的普惠金融指数，并对数据做了如下处理，第一、部分缺失数据通过查询BankFocus数据库以及年报获取；第二、删除具有大量数据缺失的样本；第三、使用银行所在地的数据匹配数字普惠金融地级市的数据，并删除未能匹配成功的数据。最终得到1389个样本量，其描述性统计结果见表2。

Table 2. Descriptive statistics of variables

表2. 变量的描述性统计

	N	Mean	Std. Dev.	min	max
ROA	1389	0.9758	0.5145	−0.11	9.57
NPL	1389	1.6729	1.2678	0.02	24.43
TDL	1389	2.2701	0.7017	0.3508	3.6107
DW	1389	2.2632	0.7288	0.2019	3.9278
DD	1389	2.1946	0.6901	0.2544	3.543
DN	1389	2.4302	0.7773	0.0783	4.025
SIZE	1389	25.2703	1.3264	22.0463	28.8512
LGR	1389	0.2391	2.1264	−0.9852	78.5831
LA	1389	0.6814	0.2181	0.0824	7.4521
CAR	1389	13.787	2.5828	−10.22	54.09
PC	1389	301.4353	306.4444	3.05	6321.21
GDP	1389	10.5497	0.6924	7.5667	11.7685

4. 实证结果分析

4.1. 基准回归

表3为模型(1)设定的收益视角基准回归结果，列(1)~列(4)分别是数字普惠金融指数、覆盖广度、使用深度和数字化程度作为解释变量的回归结果。从回归结果可知数字普惠金融指数、覆盖广度、使用深度和数字化程度的回归系数均在1%的水平上显著为负，相互印证了归回结果的稳健性，表明数字普惠金融能够显著地降低商业银行的盈利能力，即假设1得到验证，详见表3。

Table 3. Benchmark regression results

表3. 基准回归结果

	(1) ROA	(2) ROA	(3) ROA	(4) ROA
TDL	−0.3997^***
	(0.07)
DW		−0.1851^***
		(0.07)
DD			−0.2583^***
			(0.04)
DN				−0.1188^***
				(0.03)
SIZE	−0.0163	−0.1329^**	−0.0779	−0.1026
	(0.07)	(0.06)	(0.06)	(0.06)
LGR	−0.0028	−0.0031	−0.0046	−0.0043
	(0.00)	(0.00)	(0.00)	(0.00)
LA	0.0405	0.0573	0.0206	0.0356
	(0.05)	(0.05)	(0.05)	(0.05)
CAR	0.0200^***	0.0197^***	0.0210^***	0.0211^***
	(0.01)	(0.01)	(0.01)	(0.01)
PC	0.0001^***	0.0001^***	0.0001^***	0.0001^***
	(0.00)	(0.00)	(0.00)	(0.00)
GDP	0.2451	−0.0997	−0.0612	−0.2983^***
	(0.16)	(0.17)	(0.12)	(0.11)
_cons	−0.6315	5.4512^***	3.8179^***	6.6515^***
	(2.02)	(1.99)	(1.26)	(1.27)
Fixed_Effect
N	1389	1389	1389	1389
r2	0.30	0.28	0.30	0.28
F	69.12	63.83	70.13	64.97

Standard errors in parentheses。其中：括号内是标准误；^*p < 0.1，^**p < 0.05，^***p < 0.01。

表4为模型(1)设定的风险视角基准回归结果，列(1)~列(4)分别是数字普惠金融指数、覆盖广度、使用深度和数字化程度作为解释变量的回归结果。数字普惠金融指数、使用深度和数字化程度回归系数均为正且在1%的水平上显著，覆盖广度的回归系数也在10%的水平上显著为正，表明数字普惠金融显著地升高了商业银行的风险承担水平，即假设2得到验证，见表4。

Table 4. Benchmark regression results

表4. 基准回归结果

	(1) NPL	(2) NPL	(3) NPL	(4) NPL
TDL	1.0885^***
	(0.18)
DW		0.3107^*
		(0.18)
DD			0.7024^***
			(0.11)
DN				0.4725^***
				(0.09)
SIZE	−0.1420	0.2422	0.0263	−0.0245
	(0.17)	(0.17)	(0.16)	(0.17)
LGR	0.0136	0.0158	0.0182	0.0173
	(0.01)	(0.01)	(0.01)	(0.01)
LA	0.1002	0.0652	0.1544	0.1281
	(0.13)	(0.13)	(0.13)	(0.13)
CAR	−0.1364^***	−0.1363^***	−0.1389^***	−0.1401^***
	(0.01)	(0.01)	(0.01)	(0.01)
PC	−0.0006^***	−0.0007^***	−0.0006^***	−0.0006^***
	(0.00)	(0.00)	(0.00)	(0.00)
GDP	−2.0937^***	−0.7668^*	−1.2582^***	−0.8307^***
	(0.42)	(0.45)	(0.32)	(0.30)
_cons	26.8719^***	4.9780	14.7324^***	11.9303^***
	(5.32)	(5.26)	(3.32)	(3.31)
Fixed_Effect
N	1389	1389	1389	1389
r2	0.19	0.17	0.19	0.19
F	38.49	32.72	39.41	37.44

Standard errors in parentheses。其中：括号内是标准误；^*p < 0.1，^**p < 0.05，^***p < 0.01。

4.2. 银行所有权的异质性分析

为了研究数字普惠金融对商业银行稳健经营的影响是否存在区域异质性，本文将按照省份将样本分为东部和西部，其中东部包括东北、江南以及南方沿海地区和经济相对较好的内陆省份，西部地区为以西南西北为主的经济欠发达地区。其回归结果如表5所示，列(1)和列(2)分别为东部和西部地区数字普惠金融对商业银行盈利能力的影响，列(3)和列(4)分别为东部和西部地区数字普惠金融对商业银行风险水平的影响。结果表明东部地区数字普惠金融对盈利能力和风险的影响均远胜西部地区，其主要原因可能是因为东部地区受到企业普惠金融业务的影响较大，导致东部地区开展普惠金融业务时面临较强的竞争从而导致贷款利率的进一步降低和业务成本的提高，见表5。

Table 5. Heterogeneity analysis

表5. 异质性分析

	(1) ROA	(2) ROA	(3) NPL	(4) NPL
TDL	−0.4285^***	0.0673	1.1596^***	0.6697^*
	(0.08)	(0.14)	(0.21)	(0.35)
SIZE	−0.0459	−0.0403	−0.1752	0.0772
	(0.08)	(0.08)	(0.21)	(0.21)
LGR	−0.0034	0.3437	0.0172	−1.3712^**
	(0.00)	(0.23)	(0.01)	(0.56)
LA	0.0545	−0.2943^*	0.1045	0.6154
	(0.05)	(0.18)	(0.13)	(0.44)
CAR	0.0228^***	0.0002	−0.2119^***	0.0237^*
	(0.01)	(0.01)	(0.02)	(0.01)
PC	0.0001^**	0.0001^**	−0.0006^***	−0.0003^***
	(0.00)	(0.00)	(0.00)	(0.00)
GDP	0.4124^**	−0.7820^**	−2.4209^***	−0.7530
	(0.19)	(0.31)	(0.49)	(0.77)
_cons	−1.6686	9.7391^***	32.3476^***	5.3050
	(2.59)	(3.10)	(6.57)	(7.69)
Fixed_Effect
N	1169	159	1169	159
r2	0.26	0.67	0.24	0.48
F	48.46	35.71	42.77	16.55

Standard errors in parentheses。其中：括号内是标准误；^*p < 0.1，^**p < 0.05，^***p < 0.01。

4.3. 稳健性与内生性检验

1、工具变量法

本文的核心解释变量为数字普惠金融指数，被解释变量为商业银行的盈利能力和风险承担水平，为了确保回归结果的可靠性，排除内生性问题对回归结果的干扰，本文参考冯永琦和蔡嘉慧的研究方法[13]，采用省级互联网普及率(INR)作为数字普惠金融的工具变量进行内生性检验，以此来缓解模型内生性的问题。其主要原因是互联网普及率与数字普惠金融密切相关，但是与银行的收益和风险的相关性几乎可以忽略不计，互联网普及率数据来自中国互联网信息中心。

回归结果如表6所示，列(2)和列(4)为互联网普及率代替数字普惠金融指数进行回归的结果，均在1%的水平上显著，其回归系数也验证了基准回归结果的可靠性，见表6。

2、稳健性检验

(1) 替换核心被解释变量

使用净利息收益率NIS (净利息收入/总资产)替换总资产收益率ROA，使用风险加权资产与总资产的比率RISK代替不良贷款率进行回归。其回归结果如表6所示，列(1)为使用净利息收益率(NIS)代替总资产收益率ROA的回归结果，其回归系数验证了基准回归的稳健性。列(2)为使用加权资产与总资产比率替换不良贷款率的结果，同样验证了基准回归结果的可靠性，见表6。

(2) 替换核心解释变量

另外，本文使用的解释变量数字普惠金融指数包含三个维度，即覆盖广度、使用深度和数字化程度，表3和表4均包含总指数和三个分指数的回归结果且均显著，其结果能够相互验证回归结果的稳健性，见表6。

Table 6. Robustness test

表6. 稳健性检验

	(1) NIS	(2) ROA	(3) RISK	(4) NPL
TDL	−0.7898^***	−0.2293^***	0.1352^***	0.4466^***
	(0.26)	(0.04)	(0.01)	(0.10)
SIZE	0.4103	−0.0312^**	−0.0880^***	−0.3696^***
	(0.25)	(0.02)	(0.01)	(0.06)
LGR	−0.0010	−0.0071^***	0.0007	0.0175^***
	(0.02)	(0.00)	(0.00)	(0.01)
LA	0.1499	0.0471	0.0298^***	0.0327
	(0.19)	(0.03)	(0.01)	(0.08)
CAR	−0.0093	0.0480^***	−0.0073^***	−0.1829^***
	(0.02)	(0.01)	(0.00)	(0.07)
PC	−0.0001	0.0002	−0.0000^**	−0.0009^**
	(0.00)	(0.00)	(0.00)	(0.00)
GDP	0.0306	0.0189	−0.1321^***	−0.1540^**
	(0.61)	(0.02)	(0.03)	(0.07)
_cons	−4.4106	1.3251^**	4.0428^***	14.3912^***
	(7.74)	(0.57)	(0.44)	(2.09)
Fixed_Effect
N	1389	1389	1389	1389
r2	0.06	0.23	0.17	0.29
F	11.25	75.13	32.95	15.61

Standard errors in parentheses。^*p < 0.1，^**p < 0.05，^***p < 0.01。其中：括号内是标准误；^*p < 0.1，^**p < 0.05，^***p < 0.01。

5. 机制路径

5.1. 中介效应模型设定

为了探究数字普惠金融影响商业银行收益和风险的路径，本文参考温忠麟与江艇等学者的做法采用中介效应模型进行实证分析[14] [15]，其模型如下：

NPL_i,t/𝑅OA_i,t = β₀ + β₁TDL_i,t + β₂Control_i,t + u_i + ε_𝑖,𝑡

𝑀_𝑖, = α₀ + α₁TDL_i,t + α₂Control_i,t + u_i + ε_𝑖,𝑡

NPL_𝑖,/ROA_𝑖,𝑡 = Υ₀ + Υ₁TDL_i,t + Υ₂𝑀_𝑖,𝑡 + Υ₃Control_i,t + 𝑢_𝑖 + ε_𝑖,𝑡

其中，M_𝑖,𝑡为中介机制变量，收益率渠道以经营效率作为中介变量，使用成本收入比(CTIR)为经营效率的代理变量。风险渠道使用贷款结构(LS)作为中介变量，以贷款总额与总资产的比率为贷款结构的代理变量。

5.2. 中介效应回归结果

表7为收益视角的中介效应模型回归结果，列(1)为数字普惠金融的回归系数β₁等于−0.3611且在1%的水平上显著，列(2)数字普惠金融对经营效率的回归系数α₁等于2.2397且在10%的水平上显著，表明数字普惠金融降低了区域商业银行的经营效率。列(3)为中介效应模型下Υ₁与Υ₂的回归结果，Υ₁在1%的显著性水平上为−0.3268，Υ₁显著大于β₁，即经营效率承担了部分中介作用，意味着数字普惠金融通过降低商业银行的经营效率弱化了商业银行的盈利能力，假设1a得到验证，回归结果见表7所示。

Table 7. Mediation effect

表7. 中介效应

	(1) ROA	(2) CTIR	(3) ROA
TDL	−0.3611^***	2.2397^*	−0.3268^***
	(0.06)	(1.17)	(0.06)
CTIR			−0.0153^***
			(0.00)
SIZE	−0.0536	−5.1740^***	−0.1329^**
	(0.06)	(1.15)	(0.06)
LGR	−0.0030	0.1241	−0.0011
	(0.00)	(0.08)	(0.00)
LA	0.0281	0.4387	0.0348
	(0.05)	(0.92)	(0.05)
CAR	0.0254^***	−0.3996^***	0.0193^***
	(0.01)	(0.10)	(0.01)
PC	0.0001^***	−0.0014^**	0.0001^***
	(0.00)	(0.00)	(0.00)
GDP	0.1523	3.3359	0.2034
	(0.14)	(2.64)	(0.14)
_cons	1.1411	130.1332^***	3.1359^*
	(1.93)	(35.44)	(1.87)
Fixed_Effect
N	1381	1381	1381
r2	0.37	0.04	0.42
F	96.21	6.55	103.75

Standard errors in parentheses。其中：括号内是标准误；^*p < 0.1，^**p < 0.05，^***p < 0.01。

表8为风险视角的中介效应模型回归结果，列(1)是数字普惠金融对信用风险的回归系数β₁，在1%的显著性水平上显著为1.0938，数字普惠金融的发展会增加商业银行的风险水平。列(2)为数字普惠金融对贷款结构的影响，其结果在1%的水平上显著为负，表明数字普惠金融的发展会恶化商业银行的贷款结构。列(3)为中介效应模型Υ₁与Υ₂的回归结果，在1%的水平上显著，且Υ₁显著小于β₁，表明数字普惠金融会通过恶化商业银行的贷款结构增加商业银行的风险水平，即假设2a得到验证，详见表8。

Table 8. Mediation effect

表8. 中介效应

	(1) NPL	(2) LS	(3) NPL
TDL	1.0938^***	0.0034^***	1.0909^***
	(0.19)	(0.00)	(0.19)
LS			0.8586^*
			(4.26)
SIZE	−0.3502^*	0.0300^***	−0.3760^*
	(0.18)	(0.00)	(0.22)
LGR	0.0147	0.0004^***	0.0144
	(0.01)	(0.00)	(0.01)
LA	0.1773	0.0196^***	0.1604
	(0.15)	(0.00)	(0.17)
CAR	−0.2001^***	0.0000	−0.2001^***
	(0.02)	(0.00)	(0.02)
PC	−0.0005^***	−0.0000^***	−0.0005^***
	(0.00)	(0.00)	(0.00)
GDP	−1.7243^***	0.0260^***	−1.7466^***
	(0.42)	(0.00)	(0.44)
_cons	28.9900^***	2.2023^***	27.0993^**
	(5.66)	(0.04)	(10.95)
Fixed_Effect
N	1381	1381	1381
r2	0.22	0.90	0.22
F	47.52	1437.21	41.55

Standard errors in parentheses。其中：括号内是标准误；^*p < 0.1，^**p < 0.05，^***p < 0.01。

6. 结论与建议

6.1. 结论

本文基于2011~2022年我国城市与农村商业银行的财务数据与北京大学数字金融研究中心编制的普惠金融指数，从收益和风险的视角出发探究数字普惠金融的发展对区域商业银行稳健经营的影响。主要结论为：一是数字普惠金融会降低区域商业银行的盈利能力从而对商业银行的稳健经营带来冲击。二是数字普惠金融的发展会增加区域商业银行的风险水平，从而给区域商业银行的稳健经营带来负面影响。三是数字普惠金融通过影响经营效率的路径降低区域商业银行的盈利能力，通过恶化贷款结构的路径增加商业银行的风险水平，以上结论经过稳健性和内生性检验后依然成立。

6.2. 政策启示

数字普惠金融的发展是当下促进乡村振兴和城乡共同富裕的核心力量支撑。地区商业银行发展数字普惠金融业务具有历史使命和政治任务的特征，同时也是增加商业银行核心竞争力的必要手段，但是数字普惠金融的快速发展也会对商业银行的稳健经营带来冲击。结合以上结论，本文的政策启示如下：

第一、商业银行发展数字普惠金融的同时，不断优化经营效率，以保证银行的盈利能力。

第二、在数字普惠金融快速发展的大环境下，商业银行应当保持合理的贷款结构，避免由于信用风险过高而威胁到商业银行的稳健经营。

第三、积极开展普惠金融业务的区域商业银行可以适当地寻求国家政策扶持，以平衡收益和降低风险实现稳健经营。