近些年来，数字金融规模化发展，既助力商业银行改善信息不对称、提升信贷效率，也加剧市场竞争。叠加经济转型期实体企业偿债压力，银行不良贷款率持续高位，其对银行风险承担的影响路径存在“技术赋能降风险”与“竞争加剧升风险”的争议，不良贷款率中介作用尚未明确，厘清这一问题对银行转型、风控及监管防系统性风险意义重大。

1研究综述

现有研究对数字金融与银行风险承担的关系未达共识。风险放大观点：Wang基于2015-2023年160家银行数据，以系统GMM模型证实数字金融显著提升风险承担，中小银行受影响更明显；郭品指出跨界竞争压缩盈利，迫使银行转向高风险业务。风险抑制与非线性观点：Mansour依据2013-2022年银行面板数据，认为数字金融整体抑制风险，覆盖面广效果最优；Jia发现其降低信用风险，对国有银行改善更优；Shah等证实金融科技贷前风控显著，非线性关系成立；窦菲菲发现二者呈“U”型，何小钢等验证倒“U”型，成因是经营成本与收入结构。

传导机制研究中，现有文献识别出多样化中介变量。封思贤证实银行间竞争为中介，数字金融通过加剧竞争改善成本效率影响风险承担；何小钢指出市场势力与资产负债结构是关键中介；王诗卉提出“社会压力”推动银行数字化革新形成传导通道；李向前证实金融科技提升风控效率，间接改变风险承担水平。

现有研究存在三类核心观点，中介变量丰富但系统识别不足，不良贷款率的传导功能未获充分关注。本文以其为中介探究影响路径，填补研究空白，完善理论实证体系，为银行风控提供参考。

2 理论分析与研究假设

数字金融的技术赋能与业态创新，从市场格局、经营策略到风险传导等维度重塑商业银行运行逻辑，其对银行风险承担的影响通过直接作用与间接传导两条路径展开：

1. 直接影响：数字金融凭借第三方支付、互联网理财等渠道优势，分流银行低成本存款推高付息成本，通过互联网借贷等抢占传统贷款市场压缩收益。盈利承压下，银行放宽信贷标准或偏好高风险资产，提升资产组合风险集中度，推高风险承担水平。

   假设 H1：数字金融显著提高商业银行风险承担。

2. 间接传导：不良贷款率是关键纽带。数字金融加剧信贷竞争，契合夏欣等人（2025）“过度竞争压力效应”，迫使银行拓展低资质及长尾客群（信用不全、抗风险弱、缺抵押品，违约率高）；部分银行激进放贷推高存贷比，叠加风险模型识别失误恶化信息不对称，致不良贷款率攀升，侵蚀资本、扩大信用风险敞口，加重风险承担。

假设 H2：数字金融通过增加不良贷款率的中介效应，进而提高商业银行风险承担。

3研究设计

3.1 样本与数据来源

鉴于上市商业银行信息披露完善，本文选取2012-2023年42家A股上市商业银行作为样本，累计获得504个有效观测值。银行财务数据主要来源于国泰安数据库（CSMAR）和Wind数据库。

3.2变量说明

3.2.1 核心解释变量

数字普惠金融（Digt）以郭峰等人的综合指数衡量，因该指数与其他指标量纲差异较大，取其占100的百分比为原始数据；稳健性检验中，以谢绚丽等的数字化转型指数为替代变量并取对数。

3.2.2 核心被解释变量

参照邱晗等人，选取风险加权资产率（RWA）为核心指标。

3.2.3 控制变量

本文参照代军勋，刘忠璐关于变量设置的相关论述，选取了如下控制变量，即商业银行资产规模（lnTA），拨备覆盖率（PCR），资本充足率（CAR），成本收入比（CIR），存贷比（LDR）以及国内生产总值增长率（GDPR）。

3.2.4 中介变量

该指标为商业银行不良贷款余额占全部贷款余额的比重。

变量详细说明见表1。

变量类型	变量名称	变量符号	变量定义
被解释变量	风险加权资产率	RWA	加权风险资产/总资产
解释变量	数字普惠金融指数	DIFI	北京大学数字普惠金融指数/100
替换解释变量	商业银行数字化转型指数	lndti	北京大学商业银行数字化转型指数
中介变量	不良贷款率	NPL	不良贷款/总贷款余额
控制变量	商业银行资产规模	lnTA	总资产的对数
	拨备覆盖率	PCR	拨备/不良贷款
	资本充足率	CAR	资本净额/风险加权资产
	成本收入比	CIR	业务管理费/营业收入
	存贷比	LDR	贷款总额/存款总额
	经济发展水平	gdpr	GDP增长率

3.3计量模型设计

3.3.1直接效应模型

为了验证数字金融对商业银行风险承担的影响，参考顾海峰等的做法，本文构建回归模型如下：

模型中为风险加权资产率，为数字普惠金融，代表一系列控制变量，为控制的个体效应，为时间效应，为误差项。

3.3.2 中介效应模型

为了验证不良贷款率在数字金融与商业银行风险承担之间的中介作用，本文参考温忠麟中介检验三步法，构建回归模型如下：

为中介变量不良贷款率，其他变量解释同上。

4 实证分析

4.1 描述性统计

本文所涉及变量的描述性统计如表2所示。

变量名称	观测数	平均值	标准差	最小值	最大值
rwa	504	0.638	0.100	0.000	0.794
difi	504	2.467	0.781	0.695	3.732
lndti	504	4.325	0.813	-1.609	5.289
npl	504	1.299	0.410	0.330	2.900
lnta	504	9.261	1.745	6.236	13.010
pcr	504	269.317	101.783	132.440	615.930
car	504	13.513	1.666	8.840	19.260
cir	504	30.986	5.946	18.930	66.470
ldr	504	0.746	0.147	0.264	1.162
gdpr	504	6.950	2.738	-0.200	22.650

描述性统计显示，504个样本数据完整性良好。核心被解释变量风险加权资产占比均值0.638、标准差0.100，分布集中；核心解释变量数字普惠金融均值2.467、标准差0.781，样本间发展水平有差异。中介变量不良贷款率均值1.299，处于合理区间；控制变量GDP增速最小值-0.200，涵盖经济下行阶段，各变量分布符合银行业实际。

4.2 基准模型回归

表3显示多重共线性检验结果，变量VIF均值为1.310，远低于10的临界值，无多重共线性问题。经表4所示F检验、LM检验及Hausman检验，本文采用个体与时间双向固定效应模型，考察数字金融对商业银行风险承担的影响。

Variable	VIF	1/VIF
difi	1.580	0.634
ldr	1.540	0.649
lnta	1.320	0.756
cir	1.160	0.862
car	1.130	0.888
pcr	1.130	0.888
MeanVIF	1.310

检验方法	检测值	P值	检验结论
F检验	5.38	0.000	固定效应模型优于混合截面模型
LM检验	117.72	0.000	随机效应模型优于混合截面模型
Hausman检验	27.36	0.000	固定效应模型优于随机效应模型

表5列示数字金融对商业银行风险承担的回归结果：列（1）为无控制变量回归，列（2）-（4）为逐步加入控制变量的回归。无论是否纳入控制变量，DIFI系数均显著为正，表明数字金融显著提升银行风险承担，假设H1成立。

	(1)	(2)	(3)	(4)
	rwa	rwa	rwa	rwa
difi	0.0547***	0.0252*	0.0612***	0.0487***
	(11.48)	(1.72)	(3.79)	(2.92)
lnta		0.0470**	0.0118	0.00976
		(2.12)	(0.51)	(0.41)
pcr		-0.0000167	0.00000523	0.00000345
		(-0.41)	(0.13)	(0.09)
car			-0.0146***	-0.0163***
		(-4.83)	(-5.30)
cir			-0.000512	-0.000502
		(-0.46)	(-0.45)
ldr				0.127***
				(2.75)
gdpr				-0.000244
				(-0.14)
_cons	0.503***	0.145	0.590***	0.569***
	(41.28)	(0.86)	(3.00)	(2.70)
Id	Yes	Yes	Yes	Yes
Year	Yes	Yes	Yes	Yes
N	504	504	504	504
F	132***	46***	33***	25***
r2	0.222	0.230	0.268	0.280
r2_a	0.152	0.156	0.194	0.204

注：***p<0.01,**p<0.05,*p<0.10。

4.3 稳健性检验

为确保实证结果可靠，本文通过替换解释变量为商业银行数字化转型指数、剔除2020-2022年数据、缩尾处理三种方式开展稳健性检验。如表6所示，列（1）-（3）对应上述方法，核心系数均在1%水平显著正相关，与基准回归结论一致，验证了研究可靠性。

	缩尾	剔除2020-2022年	替换解释变量
	rwa_w	rwa	rwa
difi	0.0475***	0.0355**	0.0279***
	(2.87)	(2.10)	(4.07)
lnta	0.0112	-0.00627	0.0397***
	(0.48)	(-0.26)	(2.83)
pcr	0.00000225	0.0000342	-0.000000716
	(0.06)	(0.84)	(-0.02)
car	-0.0162***	-0.0180***	-0.0138***
	(-5.26)	(-5.87)	(-4.90)
cir	-0.000506	-0.000424	-0.00102
	(-0.46)	(-0.39)	(-0.92)
ldr	0.126***	0.139***	0.160***
	(2.74)	(3.04)	(3.64)
gdpr	-0.000258	-0.00270	0.00000117
	(-0.15)	(-1.47)	(0.00)
_cons	0.557***	0.859***	0.249**
	(2.67)	(3.84)	(1.97)
银行	Yes	Yes	Yes
年份	Yes	Yes	Yes
N	504	504	504
F	25***	24***	27***
r2	0.279	0.299	0.292
r2_a	0.203	0.223	0.217

注：***p<0.01,**p<0.05,*p<0.10。

4.4 内生性检验

本次内生性检验采用滞后期工具变量法，以DIFI滞后一期为工具变量。该方法基于时间序列外生性逻辑，可厘清因果方向。如表7所示，数字普惠金融与不良贷款率的回归系数方向及显著性均与基准回归一致，控制内生性偏误后核心结论稳定，进一步验证了假设H1的可靠性。

	(1)	(2)	(3)
	difi	rwa	rwa
ldifi	0.890***	0.015*	0.022*
	(138.155)	(1.588)	(2.106)
npl			0.049***
			(3.127)
lnta		0.000	0.000
		(0.018)	(0.002)
pcr		-5.273**	-18.693***
		(-2.001)	(-3.723)
car		-0.008***	-0.009***
		(-3.010)	(-3.326)
cir		-0.001	-0.001
		(-1.226)	(-0.864)
ldr		0.199***	0.214***
		(5.297)	(5.721)
gdpr		0.000	0.000
		(0.178)	(0.211)
_cons	0.454***	0.622***	0.615***
	(28.499)	(3.578)	(3.574)
N	462	462	462
R2	0.979	0.207	0.225
F	19086.752	15.382	14.968

注：***p<0.01,**p<0.05,*p<0.10。

4.5 中介机制检验

如表8所示，列（1）为数字普惠金融对不良贷款率的回归，列（2）为二者共同对银行风险承担的回归。前者系数0.116，该结果在5%水平显著，后者0.0501，该结果在1%水平上显著，表明不良贷款率存在中介作用，假设H2成立。

	(1)	(2)
	npl	rwa
difi	0.116**	0.0429**
	(2.31)	(2.58)
npl		0.0501***
		(3.25)
lnta	0.0306	0.00823
	(0.43)	(0.35)
pcr	-0.00313***	0.000160**
	(-25.72)	(2.56)
car	0.00610	-0.0166***
	(0.66)	(-5.46)
cir	-0.00260	-0.000371
	(-0.78)	(-0.34)
ldr	-0.197	0.137***
	(-1.42)	(2.99)
gdpr	0.000121	-0.000250
	(0.02)	(-0.15)
_cons	1.715***	0.483**
	(2.70)	(2.30)
银行	Yes	Yes
年份	Yes	Yes
N	504	504
F	112***	24***
r2	0.634	0.296
r2_a	0.595	0.220

注：***p<0.01,**p<0.05,*p<0.10。

5研究结论与政策建议

本文研究数字金融与商业银行风险承担的关系及不良贷款率的中介作用，核心结论如下：数字金融显著提升银行风险承担，其通过加剧信贷市场竞争，迫使银行降低信贷标准、开拓长尾客群，叠加部分银行激进信贷策略，推高不良贷款率，进而侵蚀银行资本、扩大信用风险敞口，最终扩充风险承担。本研究厘清本质规律，填补不良贷款率中介功能研究空白，提供实证支持。

建议方面：商业银行需兼顾转型与风控，改良信贷风控体系、执行分层客群运作、调控信贷规模并拓宽中间业务、坚守技术合作风控独立性；监管部门应完善差别化监管、建立不良贷款动态监测机制、规范行业竞争秩序、推进数据共享与标准统一，守住系统性风险防线。

参考文献：

1. [1] Wang R, Cui W. Research on digital finance, financial regulation and commercial bank risk-taking[J]. Economics&management review,2024,5(03).
2. [2] 郭品, 沈悦.互联网金融加重了商业银行的风险承担吗?——来自中国银行业的经验证据[J]. 南开经济研究,2015(04):80-97.
3. [3] Nadia M. Digital finance and commercial banks’ risk[J]. International journal of e-business research(IJEBR),2024,20(01):1-22.
4. [4] Ruan J, Jiang R. Does digital inclusive finance affect the credit risk of commercial banks?[J]. Finance research letters,2024,62(PA):105153.
5. [5] Ali A S S, Arie B F, Ejaz A S, et al. Role of fintech in credit risk management: An analysis of Islamic banks in Indonesia, Malaysia, UAE and Pakistan[J]. Journal of science and technology policy management,2023,14(06):1128-1154.
6. [6] 窦菲菲, 丁亚丽. 金融科技发展对商业银行风险承担的影响[J]. 新金融,2023(09):30-36.
7. [7] 何小钢, 罗欣, 况雅琴. 数字化转型与商业银行风险承担[J]. 企业经济,2023,42(06):121-132.
8. [8] 封思贤, 郭仁静. 数字金融、银行竞争与银行效率[J]. 改革,2019(11):75-89.
9. [9] 王诗卉, 谢绚丽.经济压力还是社会压力：数字金融发展与商业银行数字化创新[J].经济学家,2021(01):100-108.
10. [10] 李向前, 贺卓异. 金融科技发展对商业银行影响研究[J].现代经济探讨,2021(02):50-57.
11. [11] 夏欣, 徐慧玲. 数字普惠金融对我国商业银行不良贷款率的影响研究[J]. 湖北经济学院学报(人文社会科学版),2025,22(04):52-57.
12. [12] 郭峰, 王靖一, 王芳, 等. 测度中国数字普惠金融发展: 指数编制与空间特征[J].经济学(季刊),2020,19(04):1401-1418.
13. [13] 谢绚丽, 王诗卉. 中国商业银行数字化转型：测度、进程及影响[J].经济学(季刊),2022,22(06):1937-1956.
14. [14] 邱晗, 黄益平,纪洋. 金融科技对传统银行行为的影响——基于互联网理财的视角[J]. 金融研究,2018(11):17-29.
15. [15] 顾海峰, 高水文. 数字金融是否影响商业银行风险承担——基于中国170家商业银行的证据[J]. 财经科学,2022(04):15-30.
16. [16] 代军勋, 陶春喜.资本和流动性双重约束下的商业银行风险承担[J].统计研究,2016,33(12):37-43.
17. [17] 刘忠璐.互联网金融对商业银行风险承担的影响研究[J]. 财贸经济,2016(04):71-85+115.
18. [18] 温忠麟, 张雷,侯杰泰, 等. 中介效应检验程序及其应用[J]. 心理学报,2004(05):614-620.