引言

根据北京大学数字金融研究中心的界定，数字普惠金融是一种由互联网企业借助数字技术构建的创新型金融服务体系。该体系融合了大数据、人工智能等前沿技术，依托精准的数据处理和智能化决策能力，在降低资本成本与服务门槛的同时，扩大了金融服务的可达性，更好地满足多元客户的融资需求，并提升整体融资效率。其本质在于为传统金融难以有效覆盖的中小企业和弱势人群提供高效且具有灵活性的金融支持。此类模式的兴起，对传统金融机构在金融中介中的定位构成了深层次影响，加速了金融业结构性变革。在当前全球经济深度调整、金融风险形态持续演变的背景下，加强金融监管、有效控制系统性风险已成为监管部门的核心职责。作为风险传导的重要节点，商业银行的信用风险问题尤为突出。数据显示，我国商业银行的不良贷款率已由2011年的0.9%升至2022年的1.63%，反映出提升信用风险防控能力的紧迫需求。在此背景下，研究数字普惠金融与商业银行信用风险之间的潜在关联以及数字化转型在其中所起到的作用具有深刻的意义。

一、文献综述

当前，国内外学术界对数字普惠金融与银行信用风险之间的直接关联研究相对较为有限。尽管数字普惠金融显著改变了传统金融服务模式，但其对商业银行信用风险的具体影响尚未得到一致意见。

Ouma SO与Ndede F指出，数字普惠金融的发展与银行不良贷款率之间呈现出稳定的关联性。其扩展推动了商业银行业务模式的转型，有助于提升其风险抵御能力，从而在一定程度上缓解信用风险水平。Danisman和Tarazi认为，数字支付系统的应用能够有效降低其信用风险，体现出数字普惠金融在风险控制方面的作用。顾海峰等在对170家商业银行开展实证研究的基础上指出，数字金融的发展可能通过改变银行收入结构，导致其盈利来源更趋多元化和波动性上升，从而引发风险水平上升。李伟中指出，随着金融服务和产品的不断创新，金融科技公司与商业银行之间的竞争日趋激烈，这种激烈的竞争环境加大了商业银行在业务转型及市场应对中的压力，进而提高了其风险暴露水平。郭品和沈悦认为，互联网金融在初期有助于提升银行运行效率、压缩运营成本并降低风险暴露，但在后期发展阶段可能出现融资成本及风险水平上升的情况，呈现出正“U”型的效应路径。而傅顺等学者提出相反观点，认为数字金融发展初期由于银行面临外部冲击及客户需求压力，往往通过放宽信贷标准、依赖高成本资金获取市场份额，从而导致信用风险上升；但随着银行数字金融能力的提升，其将在风险评估、审批流程及管理机制方面实现优化，最终有助于信用风险的缓解，形成倒“U”型关系结构。

基于此，本文将重点分析数字普惠金融与商业银行信用风险之间的关系，并以银行数字化转型水平作为调节因素，深入研究其在不同发展阶段对信用风险的影响机制，旨在为我国商业银行在当前金融科技背景下的信用风险管理提供理论支持与实践参考。

二、理论分析与研究假设

（一）数字普惠金融对商业银行信用风险的直接影响

数字普惠金融依托互联网及大数据技术，在有效降低交易成本和缓解信息不对称问题的同时，逐渐在金融市场中占据竞争优势，给传统商业银行带来显著冲击。在此背景下，银行的信贷创造能力受到削弱，客户基础出现流失现象，在风险定价与服务效率方面逐步处于劣势，进而引发信用风险水平上升。基于此，本文提出假设1：

假设1：数字普惠金融的快速推进可能削弱商业银行的中介作用，进而显著提升其面临的信用风险。

（二）数字化转型的调节效应分析

数字化转型对银行发展具有深远影响，不仅有助于缓解数字普惠金融带来的压力，还能从源头上降低信用风险。面对数字普惠金融的崛起，传统银行可能出现客户流失和市场份额受限的情况，而数字化手段则为其提供了应对之道。在贷款发放前，数字化转型有助于银行整合数据资源，构建科学、精准的信用风险评估机制，强化潜在风险识别；在贷款过程中，可实现资金流向的实时追踪，结合机器学习算法建立早期预警系统，提升风险干预的及时性；贷款后，数字化转型推动风险管理策略的系统优化，实现贷款生命周期的精细化管理，持续跟踪分析贷款质量。基于此，本文提出假设2：

假设2：商业银行的数字化转型将显著削弱数字普惠金融发展对其信用风险所带来的不利影响。

三、研究设计

（一）模型构建

首先，为验证数字普惠金融对商业银行信用风险影响的总体效应，本文选用固定效应模型，设置总体回归模型，通过模型（1）验证假设1:

（1）

其中为商业银行信用风险水平；为数字普惠金融；为控制变量，包括资产收益率（ROA）、存贷比（LA）、成本收入比（CIR）和企业规模（SIZE）；和分别为地区和年份；为个体固定效应；为误差项。

为分析数字化转型在数字普惠金融影响银行信用风险的过程中是否存在调节作用，本文构建调节效应模型（2）用来验证假设2：

（2）

其中，表示商业银行的数字化转型，为数字普惠金融与数字化转型的交互项。

（二）变量及数据说明

1. 被解释变量
   商业银行信用风险（NPL），由不良贷款与总贷款余额的比值得到。不良贷款包括次级贷款、可疑贷款和损失贷款，该指标数值越高，表明其信用风险越高。
2. 解释变量
   1. 核心解释变量
      数字普惠金融指数（DFI）：本文使用北京大学数字金融研究中心编制的数字普惠金融指数。研究结果的稳健性通过三个测量维度进行评估：覆盖广度（CB）、使用深度（UD）和数字化水平（DL）。为减少数据变异性带来的误差，对数字普惠金融指数及其三个维度均做对数处理。
   2. 调节变量
      本文使用谢绚丽和王诗卉测算的商业银行数字化转型指数作为本文的调节变量。
   3. 控制变量
      商业银行的信用风险受多种因素影响。本文的控制变量包括资产回报率（ROA）、贷款存款比（LDR）、成本收入比（CIR）和企业规模（SIZE）。
3. 数据说明
   本文选取2012年至2021年中国16家上市商业银行为研究样本，此选择基于多方面考量。其一，次贷危机后全球金融监管强化，自2010年《巴塞尔协议III》出台，银行业监管更严，信息披露要求提升。其二，从行业规模和代表性看，截至2022年底，中国上市银行总资产达264.48万亿元，占银行业总资产69.72%，与未上市银行比，上市商业银行资产规模更大、信息披露标准更高，能够较好地代表我国商业银行的发展情况。

四、实证结果分析

（一）基准回归分析

基准回归结果显示如表1所示，其中第（4）列显示数字普惠金融（DFI）与商业银行信用风险（NPL）在1%显著性水平上显著正相关，其回归系数为0.219，说明数字普惠金融会促使商业银行信用风险上升。而第（2）列中DFI估计系数为0.138，虽与第（4）列存在差异，但是其相关性系数都显著为正，与理论分析一致，验证了结论可信度。基于此，假设1得以验证。

	OLS		FE
	（1）	（2）	（3）	（4）
DFI	0.581*** (0.060)	0.138* (0.093)	0.546*** (0.072)	0.219*** (0.086)
ROA		-0.937** (0.103)		-0.906** (0.213)
LA		1.354** (0.320)		2.518* (0.454)
CIR		-0.013** (0.014)		-0.034** (0.169)
SIZE		-0.375 (0.003)		-0.921** (0.043)
固定效应	no	no	yes	yes
N	160	160	160	160
R-squared	0.168	0.357	0.202	0.497

注：括号内为标准误，*、**、***分别表示在10%、5%和1%水平上显著。下表同。

（二）异质性分析

鉴于上市商业银行的股权性质差异，使得数字普惠金融对于不同股权性质商业银行信用风险的影响可能存在不同。因此，本文按股权性质划分为国有商业银行、股份制银行和城市商业银行三类子样本进行分析。如表2列（1）至列（3）结果显示，其中回归系数值均显著为正，但股份制商业银行的回归结果系数大于国有商业银行和城市商业银行。这表明相比于国有行和城商行，数字普惠金融对股份制银行信用风险影响更显著。这是因为其具有业务多样化、经营灵活性较强以及市场化程度高等特点。而相比之下，国有商业银行因成立时间较早，管理体系较为完善，经营风格趋于稳健，同时受政府监管和原有体制因素的制约，更加重视风险控制与防范。城市商业银行则因其体量较小、地域性强，本地资源有限，受数字普惠金融冲击相对较轻；但由于其风险控制机制和抗风险能力相对薄弱，因此在信用风险方面所受影响相对大于国有银行。

变量	国有商业银行	股份制商业银行	城市商业银行
	（1）	（2）	（3）
DFI	0.162** (0.093)	0.512*** (0.159)	0.318** (0.086)
控制变量	yes	yes	yes
固定效应	yes	yes	yes
N	50	80	30
Adj R-squared	0.939	0.766	0.732

（三）调节效应分析

本文将数字化转型与数字普惠金融的交互项纳入基准回归模型，以考察商业银行数字化转型的调节作用。

变量	数字普惠金融	覆盖广度	使用深度	数字化程度
	NPL	NPL	NPL	NPL
	（1）	（2）	（3）	（4）
DFI	0.421** (0.059)
CB		0.322** (0.183)
UD			0.521** (0.097)
DL				0.211* (-4.69)
DT	0.039* (0.018)	0.025** (0.017)	0.034* (0.017)	0.067** (0.024)
DFI×DT	-0.7* (0.003)
CB×DT		-0.5* (0.003)
UD×DT			-0.8* (0.004)
DL×DT				-0.4** (0.002)
控制变量	yes	yes	yes	yes
固定效应	yes	yes	yes	yes
N	160	50	80	30
Adj R-squared	0.775	0.939	0.766	0.732

在表3列（1）中，系数为-0.7，在10%水平显著，表明商业银行数字化转型可以缓解数字普惠金融对信用风险的增加作用，即数字化转型会减小数字普惠金融引发的信用风险上升幅度。进一步看列（2）至第列（4），各交乘项回归系数均为负值，这表明数字化转型在其中均发挥负向调节作用，能削弱其对信用风险的影响。基于此，假说2得以验证。

五、结论和政策建议

（一）主要结论

本文围绕数字普惠金融与商业银行信用风险之间的关系展开研究，基于2012至2021年间16家中国上市商业银行的年度数据展开分析，得出以下结论：第一，数字普惠金融的快速推进可能削弱商业银行的中介作用，进而显著提升其面临的信用风险。第二，该影响在不同银行类型中呈现出异质性特征，尤其在股份制商业银行中，数字普惠金融对信用风险的促进作用更为明显。第三，商业银行的数字化转型在两者关系中发挥了显著的调节作用。

（二）政策建议

针对上述结论，本文给出如下政策建议：

第一，相关金融监管部门完善金融监管，规范市场竞争。相关监管机构应立足商业银行的发展阶段，综合金融市场运行特征，不断健全数字普惠金融的制度体系，构建科学、系统且具有前瞻性的监管机制，以提升金融治理的有效性与适应性。此外监管部门要构建分层次的信用风险管理机制，强化数字金融安全防线。针对不同类型商业银行的特点，应实施差异化信用风险防控策略。

第二，商业银行完善风险防控体系，实现风险的早期识别与干预。银行利用数字技术打破部门间的信息壁垒，搭建数据共享数字平台，完善征信体系，提升信用风险的识别能力。此外，应运用科技手段开展智能监管，引导同业业务回归服务实体、优化资源配置的本源，提升影子银行业务的透明度与规范性。

第三，商业银行应加速推进数字化转型，并注重数字人才的培养。为适应数字技术与银行业务深度融合的发展趋势，银行需转变传统经营理念，借助数字技术提升金融服务的质量与效率。同时，应结合自身特点制定切实可行的数字化转型方案，各类商业银行还可依托自身资源优势，推出更具针对性和便捷性的金融产品与服务，强化在产品与服务创新方面的能力建设。

参考文献：

1. [1] Ouma O S,Ndede D F.Adoption of digital banking technology and financial performance of commercial banks in Kenya[J].International journal of current aspects in finance,banking and accounting,2020,2(01):42-50.
2. [2] Danismang O,Tarazi A.Financial inclusion and bank stability:Evidence from Europe[J].The European journal of finance,2020,26(18):1842-1855.
3. [3] 顾海峰,卞雨晨.数字金融会影响银行系统性风险吗?——基于中国上市银行的证据[J].中国软科学,2022(02):32-43.
4. [4] 李伟中.数字普惠金融对商业银行风险承担的影响[J].工程经济,2022,32(12):4-17.
5. [5] 郭品,沈悦.互联网金融对商业银行风险承担的影响:理论解读与实证检验[J].财贸经济,2015(10):102-116.
6. [6] 傅顺,裴平.互联网金融发展与商业银行净息差——来自中国36家上市银行的经验证据[J].国际金融研究,2022(02):55-64.
7. [7] 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.
8. [8] 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.
9. [9] 尹志超,张号栋.金融可及性、互联网金融和家庭信贷约束——基于CHFS数据的实证研究[J].金融研究,2018(11):188-206.
10. [10] 刘伟,刘卫镇,戴冰清,等.数字金融、贷款结构与商业银行风险承担——基于181家商业银行2011—2020年财务数据的分析[J].武汉金融,2022(07):29-40.
11. [11] 左晓慧,杨成志.影子银行、监管压力与商业银行风险承担[J].经济问题,2022(06):48-57.
12. [12] 李振新,陈享光.数字金融能降低地方商业银行风险吗？——基于中国数字普惠金融和地方商业银行的证据[J].兰州大学学报（社会科学版）,2023,51(03):62-76.