-
守住不发生系统性金融风险始终是金融领域的重要工作。实践经验表明,商业银行信用风险管理是防范化解系统性金融风险的关键所在。近十年来,以互联网企业为平台的数字金融蓬勃发展,对商业银行信用风险产生了重大影响。数据显示,中国商业银行不良贷款余额和不良贷款率两项指标呈现“双升”趋势①。数字金融是互联网金融的升级版,它利用大数据、云计算、区块链和人工智能等技术优势加快与金融业务的深度融合,对商业银行信用风险管理带来了挑战与机遇。因此,深入研究数字金融发展对商业银行信用风险的影响及其传导渠道,对加强商业银行信用风险管理能力无疑具有重要的理论价值与现实意义。
本文主要在三方面对已有研究做出了边际贡献:(1)本文研究表明,数字金融发展对商业银行信用风险的影响并非简单的线性关系,而是非线性的“倒U形”关系,这为正确认识数字金融发展与商业银行信用风险间的关系提供了经验证据。(2)在传导渠道分析方面,构建了中介效应模型,将负债成本和负债结构作为中介变量,实证检验了数字金融发展通过银行负债端的变化,进而影响资产端信用风险的传导渠道,弥补了相关研究的空白。(3)在异质性分析方面,将37家上市银行划分为“工农中建交”五大行和非五大行,考察了数字金融发展影响不同类型商业银行信用风险的异质性差异,进一步丰富了相关文献所做的研究。
-
1. 被解释变量。商业银行信用风险是指借款者主观上不愿意或是客观上没有能力按时履行贷款合同而造成实质性违约,导致银行贷款无法按时收回。本文选取不良贷款率作为商业银行信用风险(Risk)的测度指标,该指标能够直接反映商业银行信用风险的实际情况。
2. 解释变量。数字金融主要业务模式是第三方支付、网络借贷和互联网货币基金等。考虑到网络借贷出现大面积违约风险,截至2020年底已被监管部门基本清零,同时互联网货币基金业务的开展依赖于第三方支付,两者间的相关性较强,本文选取第三方支付规模作为数字金融发展(DF)的测度指标②。实际上,这一选择也得到了许月丽等[16]、战明华等[17]、刘孟飞和王琦[18]、傅顺和裴平[19]的认同。
3. 中介变量。根据前文的理论分析,负债成本(CD)和负债结构(DS)是数字金融发展影响商业银行信用风险的传导渠道。本文选取负债成本和负债结构作为中介变量,采用利息支出/计息负债总额作为负债成本的测度指标,采用同业负债/计息负债总额作为负债结构的测度指标③。
4. 控制变量。已有研究和商业银行信用风险管理实践表明,银行规模(Size)、拨备覆盖率(PC)、创新能力(NII)、贷款占比(Loan)、净利差(NRM)、管理能力(MA)、总资产净利率(ROA)、国内经济发展(GDP)和货币政策(M2)等,也会在一定程度上影响商业银行信用风险。因此,本文选取这些变量作为控制变量。
选定变量的类型、名称、符号和计算方法如表1所示。
表 1 变量定义及其说明
变量类型 变量名称 变量符号 计算方法 被解释变量 商业银行信用风险 Risk 不良贷款额/贷款余额总额 解释变量 数字金融发展 DF 第三方支付规模的自然对数 中介变量 负债成本 CD 利息支出/计息负债总额 负债结构 DS 同业负债/计息负债总额 控制变量 银行规模 Size 银行总资产规模的自然对数 拨备覆盖率 PC 贷款减值准备余额/不良贷款余额 创新能力 NII 非利息收入/总营业收入 贷款占比 Loan 贷款总额/总资产 净利差 NRM (总利息收入/生息资产期初期末均值)−
(总利息支出/计息负债期初期末均值)管理能力 MA 管理费用/营业收入 总资产净利率 ROA 净利润/总资产期初期末均值 国内经济发展 GDP (GDPt−GDPt-1)/GDPt-1 货币政策 M2 (M2t−M2t-1)/M2t-1 -
本文选择2009—2019年中国37家上市银行④年度数据为研究样本,这主要是基于三方面的考虑:一是样本数据的代表性,截至2019年底,样本银行资产累计为188.3万亿人民币,约占银行业整体资产的66.7%,可以较好体现数据选择的代表性⑤。二是样本数据的可靠性,上市银行披露的财务数据不仅经过第三方机构审核,而且还要接受市场投资者和监管部门的监督,相关数据具有可靠性。三是样本数据的可得性,因为难以获得2009年前数字金融发展的公开统计数据,所以本文选择的样本区间是2009—2019年。本文研究选取的第三方支付规模和37家上市银行相关数据来自Wind咨询,宏观经济数据来自国家统计局官网。
-
在选定研究变量和样本数据后,对其进行描述性统计,以观察各变量的统计特征,如表2所示。
表 2 变量描述性统计结果
变量 均值 标准差 最小值 最大值 Risk/% 1.26 0.52 0.16 3.88 DF 10.47 3.29 5.96 14.63 CD/% 2.39 0.50 1.30 3.85 DS/% 0.13 0.08 0.00 0.34 Size 9.04 1.83 5.75 12.62 PC/% 262.43 104.86 105.37 830.70 NII/% 17.76 10.61 0.26 51.09 Loan/% 47.22 8.90 18.56 64.40 NRM/% 2.42 0.55 0.06 4.48 MA/% 0.33 0.07 0.20 0.73 ROA/% 1.04 0.25 0.34 1.82 GDP/% 7.82 1.36 6.10 10.60 M2/% 13.91 5.22 8.28 26.50 表2显示,被解释变量商业银行信用风险(Risk)的均值为1.26%,最小值和最大值分别为0.16%和3.88%,表明不同上市银行在样本时期内的信用风险具有明显差异;解释变量数字金融发展(DF)的均值为10.47,最小值和最大值分别为5.96和14.63,表明数字金融在样本时期内发展迅速;中介变量负债成本(CD)的均值为2.39%,最小值和最大值分别为1.30%和3.85%,表明不同上市银行在样本时期内的负债成本差异较大;中介变量负债结构(DS)的均值为0.13%,最小值和最大值分别为0.001%和0.34%,表明不同上市银行在样本时期内对同业负债依赖程度差异大。考虑到本文研究的重点,在此不再赘述控制变量的统计特征。
-
1. 基准模型。在检验数字金融发展对商业银行信用风险的影响时,因为商业银行信用风险一般存在时间上的连续性,且模型可能出现遗漏变量、测量误差以及反向因果等原因导致的内生性问题,所以选择动态面板模型并采用SYS-GMM两步法进行估计⑥。通过在实证模型中加入商业银行信用风险的多阶滞后项,以期较准确地反映商业银行信用风险的连续性特征,其具体滞后阶数由序列相关检验和过度识别检验共同确定。另外,在实证模型中纳入解释变量平方项,以检验数字金融发展对商业银行信用风险的非线性关系。本文设定的基准模型表达式为
$$ {\text{Ris}}{{\text{k}}_{it}} = {\alpha _0} + \sum {{\varphi _j}{\text{Ris}}{{\text{k}}_{i,t - j}} + {\alpha _1}{\text{D}}{{\text{F}}_t} + } {\alpha _2}{\text{D}}{{\text{F}}_t} \times {\text{D}}{{\text{F}}_t} + \sum\limits_{k = 3}^{k = 9} {{\alpha _k}{\text{Contro}}{{\text{l}}_{kit}}} + {\alpha _{10}}{\text{GD}}{{\text{P}}_t} + {\alpha _{11}}M{2_t}{\text{ + }}{\varepsilon _{it}} $$ (1) 其中,
$i$ 表示上市银行,$i = 1,2,\cdots,37$ ;$t$ 表示年份,$t = 2009,2010,\cdots,2019$ ;${\text{Ris}}{{\text{k}}_{it}}$ 表示$i$ 银行第$t$ 年的信用风险;$\displaystyle\sum {{\varphi _j}{\text{Ris}}{{\text{k}}_{i,t - j}}}$ 表示${\text{Risk}}$ 的1~$j$ 阶滞后项与系数项乘积之和;${\text{D}}{{\text{F}}_t}$ 表示第$t$ 年的数字金融发展;${\text{D}}{{\text{F}}_t} \times {\text{D}}{{\text{F}}_t}$ 表示第$t$ 年数字金融发展的平方项;${\text{Contro}}{{\text{l}}_{kit}}$ 表示银行层面的控制变量,$k$ 表示控制变量个数,$k = 3,4,\cdots,9$ ,其包含的控制变量${\text{Siz}}{{\text{e}}_{it}}$ 表示$i$ 银行第$t$ 年的银行规模,${\rm P}{{\rm C}_{it}}$ 表示$i$ 银行第$t$ 年的拨备覆盖率,${\text{NI}}{{\text{I}}_{it}}$ 表示$i$ 银行第$t$ 年的创新能力,${\text{Loa}}{{\text{n}}_{it}}$ 表示$i$ 银行第$t$ 年的贷款占比,${\text{NI}}{{\text{M}}_{it}}$ 表示$i$ 银行第$t$ 年的净利差,${\rm M}{{\rm A}_{it}}$ 表示$i$ 银行第$t$ 年的管理能力,$ {\text{RO}}{{\text{A}}_{it}} $ 表示$i$ 银行第$t$ 年的总资产净利率;宏观经济层面控制变量${\text{GD}}{{\text{P}}_t}$ 表示第$t$ 年的国内经济发展,$M{2_t}$ 表示第$t$ 年的货币政策;${\alpha _0}$ 表示常数项;${\alpha _1}$ 表示数字金融发展对商业银行信用风险的影响系数;${\alpha _2}$ 表示数字金融发展平方项对商业银行信用风险的影响系数;${\alpha _3}\sim{\alpha _{11}}$ 分别表示各控制变量对商业银行信用风险的影响系数;${\varepsilon _{it}}$ 表示随机误差项。当系数${\alpha _1}$ 显著为正且系数${\alpha _2}$ 显著为负时,则表示数字金融发展与商业银行信用风险之间是非线性的“倒U形”关系。2. 中介效应模型。参考裴平和傅顺[20]的研究,采用中介效应模型检验数字金融发展通过负债成本传导渠道和负债结构传导渠道对商业银行信用风险产生的影响。在式(1)的基础上,设定的中介效应模型表达式为
$$ {\text{ME}}{{\text{D}}_{lit}} = {\beta _0} + {\beta _1}{\text{D}}{{\text{F}}_t} + {\beta _2}{\text{D}}{{{\text F}}_t} \times {\rm D}{{\rm F}_t} + \sum\limits_{k = 3}^{k = 9} {{\beta _k}{\text{Contro}}{{\text{l}}_{kit}}} + {\beta _{10}}{\text{GD}}{{\text{P}}_t} + {\beta _{11}}M{2_t}{\text{ + }}{\varepsilon _{it}} $$ (2) $$ {\text{Ris}}{{\text{k}}_{it}} = {\delta _0} + \sum {{\varphi _j}{\text{Ris}}{{\text{k}}_{i,t - j}} + {\delta _1}{\text{D}}{{\text{F}}_t} + } {\delta _2}{\text{D}}{{\text{F}}_t} \times {\text{D}}{{\text{F}}_t} + \gamma {\text{BarME}}{{\text{D}}_{jit}} + \sum\limits_{k = 3}^{k = 9} {{\delta _k}{\text{Contro}}{{\text{l}}_{kit}}} + {\delta _{10}}{\text{GD}}{{\rm P}_t} + {\delta _{11}}M{2_t}{\text{ + }}{\varepsilon _{it}} $$ (3) 其中,
${\text{ME}}{{\text{D}}_{lit}}$ 分别表示两个被解释变量,$l = 1,2$ ,即$i$ 银行第$t$ 年的负债成本或负债结构;${\beta _0}$ 表示常数项;${\beta _1}$ 表示数字金融发展对负债成本或负债结构的影响系数;${\beta _2}$ 表示数字金融发展平方项对负债成本或负债结构的影响系数;${\beta _3}\sim{\beta _{11}}$ 分别表示各控制变量对负债成本或负债结构的影响系数。式(2)中其他变量含义与式(1)中一致。式(3)中,
${\text{BarME}}{{\text{D}}_{lit}}$ 分别表示两个中介变量,$l = 1,2$ ,即$i$ 银行第$t$ 年的负债成本或负债结构;${\delta _0}$ 表示常数项;${\delta _1}$ 表示数字金融发展对商业银行信用风险的影响系数;${\delta _2}$ 表示数字金融发展平方项对商业银行信用风险的影响系数;$\gamma $ 表示负债成本或负债结构对商业银行信用风险的影响系数;${\delta _3}\sim{\delta _{11}}$ 分别表示各控制变量对商业银行信用风险的影响系数。式(3)中其他变量含义与式(1)中一致。在判断中介效应存在性时,借鉴张红伟等[21]、王晰等[22]的研究,如果模型式(2)中系数
${\beta _1}$ 或${\beta _2}$ 、模型式(3)中系数$\gamma $ 均显著,则说明中介效应存在。进一步观察模型式(3)中系数${\delta _1}$ 或${\delta _2}$ ,若系数显著,则说明中介变量起到了部分中介效应;若系数${\delta _1}$ 和${\delta _2}$ 均不显著,则说明中介变量起到了完全中介效应。最后,若模型式(2)中系数${\beta _1}$ 和${\beta _2}$ 、模型式(3)中系数$\gamma $ 仅有一个显著,则需要通过Sobel检验判断中介效应是否存在。 -
为检验数字金融发展对商业银行信用风险的影响,将解释变量和控制变量分别纳入基准模型式(1)中,并采用SYS-GMM两步法进行估计。基准模型式(1)的序列相关检验和过度识别检验共同表明,式(1)纳入商业银行信用风险的二阶滞后项最为合理。表3列(1)是只纳入数字金融发展及其平方项的回归结果;表3列(2)是纳入数字金融发展及其平方项和银行层面控制变量的回归结果;表3列(3)是纳入数字金融发展及其平方项和所有控制变量的回归结果。
表 3 数字金融发展对商业银行信用风险的影响
变量 (1) (2) (3) Risk Risk Risk L.Risk 0.975 0*** 0.582 0*** 0.625 0*** (0.005 6) (0.040 3) (0.035 7) L2.Risk −0.222 0*** −0.131 0*** −0.134 0*** (0.006 5) (0.022 0) (0.021 8) DF 0.281 0*** 0.092 8*** 0.122 0*** (0.008 6) (0.012 9) (0.019 3) DF×DF −0.012 7*** −0.004 5*** −0.006 6*** (0.000 4) (0.000 8) (0.001 1) Size — −0.050 0*** −0.044 0*** (0.014 2) (0.014 1) PC — −0.002 4*** −0.002 4*** (0.000 2) (0.000 2) NII — −0.002 6*** −0.002 7*** (0.000 6) (0.000 6) Loan — 0.005 9*** 0.005 8*** (0.001 1) (0.001 4) NRM — 0.142 0*** 0.127 0*** (0.027 1) (0.020 5) MA — −1.254 0*** −0.945 0** (0.402 0) (0.469 0) ROA — −0.535 0*** −0.451 0*** (0.043 5) (0.0487) GDP — — −0.019 0** (0.009 1) M2 — — −0.015 5*** (0.004 6) Sargan test 0.283 0.522 0.512 AR(1) test 0.010 0.068 0.070 AR(2) test 0.187 0.291 0.311 注:L.RISK和L2.RISK分别表示商业银行信用风险的滞后一阶项和二阶项;括号内数值为回归系数的标准误;*、**、***分别代表10%、5%和1%的显著性水平。 表3中AR(1) test的P值均小于0.1,且AR(2) test的P值均大于0.1,表明动态面板模型通过一阶序列相关检验而未通过二阶序列相关检验,因此满足SYS-GMM估计的前置条件;工具变量的Sargan test结果均未通过10%水平的显著性检验,表明动态面板模型使用的工具变量是有效的。表3中L.Risk和L2.Risk系数均在1%水平上通过显著性检验,表明商业银行信用风险的调整存在时间上的连续性,即选择动态面板模型是合理的。另外,在逐步加入银行层面和宏观层面控制变量的过程中,表3中数字金融发展及其平方项的系数正负号和显著性水平均未发生实质性改变,三个回归结果表明数字金融发展对商业银行信用风险的影响是一致的。因为表3列(3)是纳入了所有控制变量的回归结果,能够较好地控制银行层面和宏观层面因素对商业银行信用风险产生的影响,所以本文主要对表3列(3)的回归结果进行分析。
表3列(3)显示,数字金融发展(DF)及其平方项(DF×DF)的影响系数分别为0.122 0、−0.006 6,均通过1%的显著性水平检验,表明数字金融发展与商业银行信用风险呈现非线性的“倒U形”关系,即数字金融发展初期以竞争效应为主,增加了商业银行信用风险,而当数字金融发展超过拐点后,数字金融发展就以技术溢出效应为主,会降低商业银行信用风险。进一步计算得到拐点值为9.24⑦,表明当数字金融发展的测度指标值低于9.24时,数字金融发展会增加商业银行信用风险,而当数字金融发展的测度指标值超过9.24时,数字金融发展则会降低商业银行信用风险。因此,假设H1成立,即数字金融发展与商业银行信用风险呈现非线性的“倒U形”关系。
表3列(3)还显示,银行规模(Size)的影响系数为−0.044 0,通过1%的显著性水平检验,表明银行规模越大,商业银行信用风险越小;拨备覆盖率(PC)的影响系数为−0.002 4,通过1%的显著性水平检验,表明拨备覆盖率越大,商业银行信用风险越小;创新能力(NII)的影响系数为−0.002 7,通过1%的显著性水平检验,表明创新能力越强,商业银行信用风险越小;贷款占比(Loan)的影响系数为0.005 8,通过1%的显著性水平检验,表明贷款占比越高,商业银行信用风险越大;净利差(NRM)的影响系数为0.127,通过1%的显著性水平检验,表明净利差越高,商业银行信用风险越大;管理能力(MA)的影响系数为−0.945,通过5%的显著性水平检验,表明管理能力越强,商业银行信用风险越小;总资产净利率(ROA)的影响系数为−0.451,通过1%的显著性水平检验,表明总资产净利率越大,商业银行信用风险越小;国内经济发展(GDP)的影响系数为−0.019,通过5%的显著性水平检验,表明国内经济发展水平越高,商业银行信用风险越小;货币政策(M2)的影响系数为−0.015 5,通过1%的显著性水平检验,表明货币政策越宽松,商业银行信用风险越小。
-
基于前文的理论分析,这里对数字金融发展影响商业银行信用风险的负债成本传导渠道和负债结构传导渠道进行中介效应检验。
1. 负债成本传导渠道
数字金融发展与银行直接竞争,分流了部分客户存款,间接提高了计息负债成本,银行为稳定收益,会被迫向风险较高的项目投放贷款,进而对信用风险产生影响。本文以负债成本为中介变量,检验数字金融发展通过负债成本传导渠道对商业银行信用风险产生的影响。表4列(1)的回归结果是数字金融发展对商业银行信用风险的影响,表4列(2)的回归结果是数字金融发展对负债成本的影响⑧,表4列(3)的回归结果是加入中介变量负债成本后,数字金融发展对商业银行信用风险的影响。
表 4 中介效应检验结果
变量 (1) (2) (3) (4) (5) Risk CD Risk DS Risk L.Risk 0.625 0*** — 0.438 0*** — 0.743 0*** (0.035 7) (0.045 2) (0.066 0) L2.Risk −0.134 0*** — −0.150 0*** — −0.331 0*** (0.021 8) (0.028 2) (0.068 3) DF 0.122 0*** 0.417 0*** 0.235 0*** 0.028 3*** 0.670 0*** (0.019 3) (0.061 8) (0.043 6) (0.009 8) (0.077 2) DF×DF −0.006 6*** −0.029 3*** −0.012 1*** −0.001 7*** −0.030 8*** (0.001 1) (0.003 0) (0.002 3) (0.000 5) (0.003 5) CD — — −0.196 0*** — — (0.027 8) DS — — — — −1.020 0*** (0.261 0) Size −0.044 0*** 0.497 0*** −0.063 3*** −0.010 8 −0.013 1 (0.014 1) (0.122 0) (0.014 7) (0.014 7) (0.029 7) PC −0.002 4*** −0.000 4* −0.002 7*** −0.000 1*** −0.002 1*** (0.000 2) (0.000 2) (0.000 1) (3.00×10−5) (0.000 2) NII −0.002 7*** 0.002 3 0.000 1 −0.000 6 −0.000 8 (0.000 6) (0.003 1) (0.001 1) (0.000 4) (0.001 2) Loan 0.005 8*** 0.008 4** 0.002 5* −0.004 0*** 0.006 6*** (0.001 4) (0.004 1) (0.001 4) (0.000 6) (0.002 5) NRM 0.127 0*** −0.312 0*** 0.166 0*** −0.009 3 0.025 0 (0.020 5) (0.073 4) (0.033 4) (0.007 9) (0.043 2) MA −0.945 0** 0.492 0 0.125 0 −0.175 0* −1.379 0** (0.469 0) (0.656 0) (0.536 0) (0.096 7) (0.564 0) ROA −0.451 0*** 0.037 8 −0.433 0*** 0.022 8 −0.801 0*** (0.048 7) (0.164 0) (0.071 2) (0.022 4) (0.215 0) GDP −0.019 0** −0.164 0*** −0.017 9 −0.009 9** 0.015 6 (0.009 1) (0.031 8) (0.011 5) (0.004 4) (0.031 5) M2 −0.015 5*** −0.056 5*** −0.056 3*** −0.001 7 −0.028 6*** (0.004 6) (0.007 7) (0.008 8) (0.001 1) (0.009 6) Sargan test 0.512 — 0.749 — 0.926 AR(1) test 0.070 — 0.056 — 0.005 AR(2) test 0.311 — 0.126 — 0.365 R−squared — 0.640 — 0.471 — 注:括号内数值为回归系数的标准误;*、**、***分别代表10%、5%和1%的显著性水平。 根据中介效应检验规则,表4列(2)中数字金融发展及其平方项对负债成本的影响系数,表4列(3)中负债成本对商业银行信用风险的影响系数,均在1%水平上通过显著性检验,表明负债成本的中介效应是存在的。表4列(3)还显示,在加入中介变量负债成本后,数字金融发展及其平方项对商业银行信用风险的影响系数仍然显著,这表明负债成本传导渠道只是部分中介效应。因此,假设H2成立,即数字金融发展通过负债成本传导渠道对商业银行信用风险产生影响。
2. 负债结构传导渠道
数字金融发展与银行在零售存款市场的竞争削弱了银行吸储能力,银行越来越依赖同业负债等批发性融资渠道来补充资金,银行负债结构因此而改变,进而会影响商业银行信用风险。本文以负债结构为中介变量,检验数字金融发展通过负债结构传导渠道对商业银行信用风险产生的影响。表4列(4)的回归结果是数字金融发展对负债结构的影响⑨,表4列(5)的回归结果是加入中介变量负债结构后,数字金融发展对商业银行信用风险的影响⑩。
根据中介效应检验规则,表4列(4)中数字金融发展及其平方项对负债结构的影响系数、表4列(5)中负债结构对商业银行信用风险的影响系数,均在1%水平上通过显著性检验;表明负债结构的中介效应是存在的。表4列(5)还显示,在加入中介变量负债结构后,数字金融发展及其平方项对商业银行信用风险的影响系数仍然显著,这表明负债结构传导渠道只是部分中介效应。因此,假设H3成立,数字金融发展通过负债结构传导渠道对商业银行信用风险产生影响。
-
在检验数字金融发展对商业银行信用风险影响的基础上,为进一步考察数字金融发展对不同类型商业银行信用风险影响的差异,将全样本划分为五大国有控股银行⑪(简称五大行)和其他银行(简称非五大行)两个子样本进行实证检验。表5列(1)的回归结果是数字金融发展对五大行信用风险的影响⑫;表5列(2)的回归结果是数字金融发展对非五大行信用风险的影响。
表 5 按商业银行类型的异质性检验结果
变量 (1) (2) Risk Risk L.Risk — 0.610 0*** (0.044 7) L2.Risk — −0.151 0*** (0.022 7) DF −0.068 9 0.099 5** (0.115 0) (0.039 0) DF×DF 0.003 0 −0.005 0** (0.005 6) (0.002 1) Size −0.013 5 −0.066 1*** (0.531 0) (0.016 8) PC −0.005 8*** −0.002 3*** (0.000 6) (0.000 3) NII −0.001 9 −0.001 1 (0.006 8) (0.001 2) Loan 0.005 9 0.004 6*** (0.011 6) (0.001 7) NRM 0.073 0 0.123 0*** (0.107 0) (0.035 8) MA 4.811 0** −0.547 0 (1.842 0) (0.578 0) ROA −0.165 0 −0.458 0*** (0.516 0) (0.117 0) GDP −0.093 8*** −0.028 1** (0.029 9) (0.012 2) M2 −0.008 7 −0.011 8* (0.013 3) (0.006 6) Sargan test — 0.834 AR(1) test — 0.070 AR(2) test — 0.523 R-squared 0.928 — 注:括号内数值为回归系数的标准误;*、**、***分别代表10%、5%和1%的显著性水平。 表5列(1)显示,数字金融发展及其平方项的影响系数分别为−0.0689和0.0030,但均未通过显著性检验,其可能的原因是五大行在政府资源、资金规模和客户基础等方面具有明显优势,面对数字金融异军突起,五大行具有较强抵抗力;另外,五大行多将信贷资金配置给国有企业或者信用程度较高的民营大企业,对信用风险的管理水平也较高,因此数字金融发展对五大行产生的冲击不显著。
表5列(2)显示,数字金融发展及其平方项的影响系数分别为0.099 5和−0.005 0,均通过5%的显著性水平检验,这表明数字金融发展与非五大行信用风险呈现“倒U形”关系,且拐点值为9.95⑬,即当数字金融发展的测度指标值低于9.95时,数字金融发展会增加非五大行信用风险,而当数字金融发展的测度指标值超过9.95时,数字金融发展会降低非五大行信用风险。
-
为确保基准回归结果的可信性和非随机性,本文从对样本数据进行缩尾处理、更改商业银行信用风险的测度指标和更改数字金融发展的测度指标三方面验证基准回归结果的稳健性。
1. 对样本数据进行缩尾处理。对选定连续变量进行1%水平的双边缩尾处理,以减轻离群值对回归结果产生的偏误,其结果如表6列(1)所示。
表 6 稳健性检验结果
变量 (1) (2) (3) Risk LLR Risk L.Risk 0.592 0*** 1.091 0*** 0.601 0*** (0.035 8) (0.035 7) (0.029 2) L2.Risk −0.121 0*** −0.305 0*** −0.121 0*** (0.022 8) (0.030 0) (0.016 2) DF 0.107 0*** 0.256 0*** — (0.019 4) (0.060 9) DF$ \times $DF −0.005 7*** −0.013 5*** — (0.001 1) (0.003 1) INT — — 0.057 5*** (0.012 6) INT$ \times $INT — — −0.000 6*** (0.000 1) Size −0.040 9*** −0.049 6 −0.045 3*** (0.012 2) (0.044 5) (0.011 9) PC −0.002 5*** 0.000 9*** −0.002 3*** (0.000 2) (0.000 2) (0.000 1) NII −0.002 7*** 0.011 0*** −0.002 1*** (0.000 6) (0.002 5) (0.000 7) Loan 0.005 9*** −0.005 1* 0.008 1*** (0.001 4) (0.003 0) (0.000 9) NRM 0.140 0*** 0.206 0*** 0.142 0*** (0.018 5) (0.055 8) (0.018 0) MA −0.922 0** −2.870 0*** −0.961 0** (0.453 0) (0.830 0) (0.409 0) ROA −0.470 0*** −0.685 0*** −0.383 0*** (0.049 5) (0.183 0) (0.085 8) GDP −0.022 0*** 0.098 5*** −0.032 1*** (0.007 9) (0.022 5) (0.009 6) M2 −0.011 2** −0.070 7*** −0.014 6*** (0.004 6) (0.012 4) (0.003 9) Sargan test 0.496 0.789 0.353 AR(1) test 0.096 0.000 0.068 AR(2) test 0.296 0.910 0.238 注:扩号内数值为回归系数的标准误;*、**、***分别代表10%、5%和1%的显著性水平。 2. 更改商业银行信用风险的测度指标。银行通常会对自身信用风险大小进行预判,并且用贷款减值准备金来覆盖实际信用风险的发生。因此,可以用贷款减值准备与贷款总额的比值(LLR)代替不良贷款率作为商业银行信用风险的测度指标,对式(1)重新回归,其结果如表6列(2)所示。
3. 更改数字金融发展的测度指标。借鉴谢绚丽等[23]的研究,数字金融发展是以互联网为底层技术的,两者间密切相关,可以用互联网普及率(INT)⑭代替第三方支付规模作为数字金融发展的测度指标,对式(1)重新回归,其结果如表6列(3)所示。
表6列(1)显示,数字金融发展及其平方项的影响系数分别为0.107 0和−0.005 7,均通过1%的显著性水平检验,表明在对样本数据进行1%水平的双边缩尾处理后,数字金融发展与商业银行信用风险间仍呈现“倒U形”关系,基准回归结果是稳健的。
表6列(2)显示,数字金融发展及其平方项的影响系数分别为0.256 0和−0.013 5,均通过1%的显著性水平检验,表明在改变商业银行信用风险的测度指标后,数字金融发展与商业银行信用风险间仍呈现“倒U形”关系,基准回归结果是稳健的。
表6列(3)显示,数字金融发展及其平方项的影响系数分别为0.057 5和−0.000 6,均通过1%的显著性水平检验,表明在改变数字金融发展的测度指标后,数字金融发展与商业银行信用风险间仍呈现“倒U形”关系,基准回归结果是稳健的。
Development of Digital Finance and Commercial Banks’ Credit Risk
——Empirical Evidence from 37 Listed Banks in China
-
摘要: 以2009—2019年中国37家上市银行为样本,实证检验数字金融发展对商业银行信用风险的影响。其主要结论是:数字金融发展与商业银行信用风险呈现非线性的“倒U形”关系,并且当前数字金融发展的测度指标值位于拐点右侧,继续发展数字金融有利于降低商业银行信用风险;负债成本和负债结构在数字金融发展与商业银行信用风险的“倒U形”关系中发挥着中介作用;数字金融发展未对“工农中建交”五大行的信用风险产生显著影响,而与非五大行的信用风险间有显著的“倒U形”关系。Abstract: Taking 37 listed banks in China from 2009 to 2019 as samples, in this paper, the impact of digital finance development on commercial banks’ credit risk was empirically tested. The main conclusions are as follows. Firstly, there is an inverted U-shaped relationship between the development of digital finance and commercial banks’ credit risk; the development level of digital finance has exceeded the inflection point, indicating that further development of digital finance is conducive to reducing credit risk of commercial banks. Secondly, the cost and structure of liabilities play an intermediary role in the inverted U-shaped relationship between the development of digital finance and commercial banks’ credit risk. Thirdly, the development of digital finance has no significant impact on the five major commercial banks’ credit risk, but the inverted U-shaped relationship is strong among the non-five major banks.
-
Key words:
- digital finance /
- commercial banks /
- credit risk /
- mediating effect
注释:1) 数据来源:中国银保监会官网(http://www.cbirc.gov.cn)。2009年年末商业银行不良贷款余额为0.5万亿,不良贷款率为1.58%;截至2019年年末商业银行不良贷款余额为2.41万亿,不良贷款率为1.86%。2) 考虑到变量量纲的合理性,本文对第三方支付规模进行对数化处理。3) 本文的同业负债包括同业拆入和同业存放。4) 37家上市银行为:工商银行、建设银行、农业银行、中国银行、交通银行、平安银行、浦发银行、华夏银行、民生银行、招商银行、兴业银行、光大银行、中信银行、浙商银行、邮储银行、宁波银行、江阴银行、张家港行、郑州银行、青岛银行、青农商行、苏州银行、无锡银行、江苏银行、杭州银行、西安银行、南京银行、渝农商行、常熟银行、北京银行、上海银行、长沙银行、成都银行、紫金银行、贵阳银行、苏农银行、厦门银行。5) 样本银行资产数据来自Wind咨询。根据中国人民银行官网提供的数据,截至2019年底,银行业总资产为282.5万亿人民币。6) 本文选择系统广义矩估计(SYS-GMM)两步法,主要是因为两步法估计得到的标准误不容易受到异方差的干扰。7) 拐点值计算公式为:$ -\alpha_{1} / 2 \alpha_{2} =-0.122\;0 /[2 \times (-0.006\;6)]=9.24$ 。8) 在对银行负债成本采用动态面板模型SYS-GMM两步法进行估计时发现,银行负债成本的滞后项不显著,也未通过序列自相关检验,表明数字金融发展对银行负债成本的影响仅存在于当期,不存在时间上的连续性,故采用静态面板模型的固定效应估计。9) 在对银行负债结构采用动态面板模型SYS-GMM两步法进行估计时发现,银行负债结构的滞后项不显著,也未通过序列自相关检验,表明数字金融发展对银行负债成本的影响仅存在于当期,不存在时间上的连续性,故采用静态面板模型的固定效应估计。10) 本文选用商业银行信用风险的四阶滞后项得到表5列(3)的回归结果。因为式(3)的序列相关和过度识别检验共同表明其纳入商业银行信用风险四阶滞后项最为合理。由于商业银行信用风险的滞后项并不影响本文研究的重点,在此未列出商业银行信用风险三阶和四阶滞后项的回归结果,如读者需要,可与作者联系。11) 五大国有控股银行分别为:中国工商银行、中国农业银行、中国银行、中国建设银行和中国交通银行。12) 在对五大行子样本的动态面板模型估计时发现,被解释变量滞后项不显著,也未通过序列自相关检验,故采用静态面板模型的固定效应估计。13) 拐点值计算公式为:$ -\alpha_{1} / 2 \alpha_{2}=-0.009\;5/[2 \times (-0.005\;0)]=9.95 $ 。14) 互联网普及率数据由作者根据《中国互联网发展状况统计报告》整理而得。 -
表 1 变量定义及其说明
变量类型 变量名称 变量符号 计算方法 被解释变量 商业银行信用风险 Risk 不良贷款额/贷款余额总额 解释变量 数字金融发展 DF 第三方支付规模的自然对数 中介变量 负债成本 CD 利息支出/计息负债总额 负债结构 DS 同业负债/计息负债总额 控制变量 银行规模 Size 银行总资产规模的自然对数 拨备覆盖率 PC 贷款减值准备余额/不良贷款余额 创新能力 NII 非利息收入/总营业收入 贷款占比 Loan 贷款总额/总资产 净利差 NRM (总利息收入/生息资产期初期末均值)−
(总利息支出/计息负债期初期末均值)管理能力 MA 管理费用/营业收入 总资产净利率 ROA 净利润/总资产期初期末均值 国内经济发展 GDP (GDPt−GDPt-1)/GDPt-1 货币政策 M2 (M2t−M2t-1)/M2t-1 表 2 变量描述性统计结果
变量 均值 标准差 最小值 最大值 Risk/% 1.26 0.52 0.16 3.88 DF 10.47 3.29 5.96 14.63 CD/% 2.39 0.50 1.30 3.85 DS/% 0.13 0.08 0.00 0.34 Size 9.04 1.83 5.75 12.62 PC/% 262.43 104.86 105.37 830.70 NII/% 17.76 10.61 0.26 51.09 Loan/% 47.22 8.90 18.56 64.40 NRM/% 2.42 0.55 0.06 4.48 MA/% 0.33 0.07 0.20 0.73 ROA/% 1.04 0.25 0.34 1.82 GDP/% 7.82 1.36 6.10 10.60 M2/% 13.91 5.22 8.28 26.50 表 3 数字金融发展对商业银行信用风险的影响
变量 (1) (2) (3) Risk Risk Risk L.Risk 0.975 0*** 0.582 0*** 0.625 0*** (0.005 6) (0.040 3) (0.035 7) L2.Risk −0.222 0*** −0.131 0*** −0.134 0*** (0.006 5) (0.022 0) (0.021 8) DF 0.281 0*** 0.092 8*** 0.122 0*** (0.008 6) (0.012 9) (0.019 3) DF×DF −0.012 7*** −0.004 5*** −0.006 6*** (0.000 4) (0.000 8) (0.001 1) Size — −0.050 0*** −0.044 0*** (0.014 2) (0.014 1) PC — −0.002 4*** −0.002 4*** (0.000 2) (0.000 2) NII — −0.002 6*** −0.002 7*** (0.000 6) (0.000 6) Loan — 0.005 9*** 0.005 8*** (0.001 1) (0.001 4) NRM — 0.142 0*** 0.127 0*** (0.027 1) (0.020 5) MA — −1.254 0*** −0.945 0** (0.402 0) (0.469 0) ROA — −0.535 0*** −0.451 0*** (0.043 5) (0.0487) GDP — — −0.019 0** (0.009 1) M2 — — −0.015 5*** (0.004 6) Sargan test 0.283 0.522 0.512 AR(1) test 0.010 0.068 0.070 AR(2) test 0.187 0.291 0.311 注:L.RISK和L2.RISK分别表示商业银行信用风险的滞后一阶项和二阶项;括号内数值为回归系数的标准误;*、**、***分别代表10%、5%和1%的显著性水平。 表 4 中介效应检验结果
变量 (1) (2) (3) (4) (5) Risk CD Risk DS Risk L.Risk 0.625 0*** — 0.438 0*** — 0.743 0*** (0.035 7) (0.045 2) (0.066 0) L2.Risk −0.134 0*** — −0.150 0*** — −0.331 0*** (0.021 8) (0.028 2) (0.068 3) DF 0.122 0*** 0.417 0*** 0.235 0*** 0.028 3*** 0.670 0*** (0.019 3) (0.061 8) (0.043 6) (0.009 8) (0.077 2) DF×DF −0.006 6*** −0.029 3*** −0.012 1*** −0.001 7*** −0.030 8*** (0.001 1) (0.003 0) (0.002 3) (0.000 5) (0.003 5) CD — — −0.196 0*** — — (0.027 8) DS — — — — −1.020 0*** (0.261 0) Size −0.044 0*** 0.497 0*** −0.063 3*** −0.010 8 −0.013 1 (0.014 1) (0.122 0) (0.014 7) (0.014 7) (0.029 7) PC −0.002 4*** −0.000 4* −0.002 7*** −0.000 1*** −0.002 1*** (0.000 2) (0.000 2) (0.000 1) (3.00×10−5) (0.000 2) NII −0.002 7*** 0.002 3 0.000 1 −0.000 6 −0.000 8 (0.000 6) (0.003 1) (0.001 1) (0.000 4) (0.001 2) Loan 0.005 8*** 0.008 4** 0.002 5* −0.004 0*** 0.006 6*** (0.001 4) (0.004 1) (0.001 4) (0.000 6) (0.002 5) NRM 0.127 0*** −0.312 0*** 0.166 0*** −0.009 3 0.025 0 (0.020 5) (0.073 4) (0.033 4) (0.007 9) (0.043 2) MA −0.945 0** 0.492 0 0.125 0 −0.175 0* −1.379 0** (0.469 0) (0.656 0) (0.536 0) (0.096 7) (0.564 0) ROA −0.451 0*** 0.037 8 −0.433 0*** 0.022 8 −0.801 0*** (0.048 7) (0.164 0) (0.071 2) (0.022 4) (0.215 0) GDP −0.019 0** −0.164 0*** −0.017 9 −0.009 9** 0.015 6 (0.009 1) (0.031 8) (0.011 5) (0.004 4) (0.031 5) M2 −0.015 5*** −0.056 5*** −0.056 3*** −0.001 7 −0.028 6*** (0.004 6) (0.007 7) (0.008 8) (0.001 1) (0.009 6) Sargan test 0.512 — 0.749 — 0.926 AR(1) test 0.070 — 0.056 — 0.005 AR(2) test 0.311 — 0.126 — 0.365 R−squared — 0.640 — 0.471 — 注:括号内数值为回归系数的标准误;*、**、***分别代表10%、5%和1%的显著性水平。 表 5 按商业银行类型的异质性检验结果
变量 (1) (2) Risk Risk L.Risk — 0.610 0*** (0.044 7) L2.Risk — −0.151 0*** (0.022 7) DF −0.068 9 0.099 5** (0.115 0) (0.039 0) DF×DF 0.003 0 −0.005 0** (0.005 6) (0.002 1) Size −0.013 5 −0.066 1*** (0.531 0) (0.016 8) PC −0.005 8*** −0.002 3*** (0.000 6) (0.000 3) NII −0.001 9 −0.001 1 (0.006 8) (0.001 2) Loan 0.005 9 0.004 6*** (0.011 6) (0.001 7) NRM 0.073 0 0.123 0*** (0.107 0) (0.035 8) MA 4.811 0** −0.547 0 (1.842 0) (0.578 0) ROA −0.165 0 −0.458 0*** (0.516 0) (0.117 0) GDP −0.093 8*** −0.028 1** (0.029 9) (0.012 2) M2 −0.008 7 −0.011 8* (0.013 3) (0.006 6) Sargan test — 0.834 AR(1) test — 0.070 AR(2) test — 0.523 R-squared 0.928 — 注:括号内数值为回归系数的标准误;*、**、***分别代表10%、5%和1%的显著性水平。 表 6 稳健性检验结果
变量 (1) (2) (3) Risk LLR Risk L.Risk 0.592 0*** 1.091 0*** 0.601 0*** (0.035 8) (0.035 7) (0.029 2) L2.Risk −0.121 0*** −0.305 0*** −0.121 0*** (0.022 8) (0.030 0) (0.016 2) DF 0.107 0*** 0.256 0*** — (0.019 4) (0.060 9) DF$ \times $DF −0.005 7*** −0.013 5*** — (0.001 1) (0.003 1) INT — — 0.057 5*** (0.012 6) INT$ \times $INT — — −0.000 6*** (0.000 1) Size −0.040 9*** −0.049 6 −0.045 3*** (0.012 2) (0.044 5) (0.011 9) PC −0.002 5*** 0.000 9*** −0.002 3*** (0.000 2) (0.000 2) (0.000 1) NII −0.002 7*** 0.011 0*** −0.002 1*** (0.000 6) (0.002 5) (0.000 7) Loan 0.005 9*** −0.005 1* 0.008 1*** (0.001 4) (0.003 0) (0.000 9) NRM 0.140 0*** 0.206 0*** 0.142 0*** (0.018 5) (0.055 8) (0.018 0) MA −0.922 0** −2.870 0*** −0.961 0** (0.453 0) (0.830 0) (0.409 0) ROA −0.470 0*** −0.685 0*** −0.383 0*** (0.049 5) (0.183 0) (0.085 8) GDP −0.022 0*** 0.098 5*** −0.032 1*** (0.007 9) (0.022 5) (0.009 6) M2 −0.011 2** −0.070 7*** −0.014 6*** (0.004 6) (0.012 4) (0.003 9) Sargan test 0.496 0.789 0.353 AR(1) test 0.096 0.000 0.068 AR(2) test 0.296 0.910 0.238 注:扩号内数值为回归系数的标准误;*、**、***分别代表10%、5%和1%的显著性水平。 -
[1] 张乐, 韩立岩. 混合所有制对中国上市银行不良贷款率的影响研究[J]. 国际金融研究, 2016(7): 50-61. [2] 许坤, 苏扬. 逆周期资本监管、监管压力与银行信贷研究[J]. 统计研究, 2016, 33(3): 97-105. doi: 10.3969/j.issn.1002-4565.2016.03.012 [3] 孙光林, 王雪标, 艾永芳. 要素价格扭曲对商业银行不良贷款率的影响研究: 基于省际数据的实证分析[J]. 经济学家, 2017(12): 75-82. [4] 刘冲, 郭峰. 官员任期、中央金融监管与地方银行信贷风险[J]. 财贸经济, 2017, 38(04): 86-100. doi: 10.3969/j.issn.1002-8102.2017.04.006 [5] 管衍锋, 徐齐利. 资本约束、货币政策与信贷风险[J]. 经济与管理研究, 2019, 40(8): 49-62. [6] 王蕾, 张向丽, 池国华. 内部控制对银行信贷风险的影响: 信息不对称与代理成本的中介效应[J]. 金融论坛, 2019, 24(11): 14-23+54. [7] 李佳. 资产证券化能否缓解银行信用风险承担: 来自中国银行业的经验证据[J]. 国际金融研究, 2019(6): 57-66. [8] 于博, 吴菡虹. 银行业竞争、同业杠杆率攀升与商业银行信用风险[J]. 财经研究, 2020, 46(2): 36-51. [9] 顾海峰, 于家珺. 跨境资本流动加剧了银行信贷风险吗: 基于资本流入、流出与总量的考察[J]. 国际贸易问题, 2020(09): 144-159. [10] 陈君. 大数据背景下商业银行信贷风险研究[J]. 财会通讯, 2016(23): 91-93. [11] 吴丹. 互联网金融对商业银行不良贷款增长的影响分析[J]. 兰州财经大学学报, 2016, 32(5): 56-62. doi: 10.3969/j.issn.1004-5465.2016.05.008 [12] 袁媛. 金融科技与银行信用风险管理[J]. 中国金融, 2018(9): 67-68. [13] 王荣康. 基于互联网金融发展下的商业银行信贷管理的对策分析[J]. 现代经济信息, 2019(3): 318. [14] 陆岷峰, 王婷婷. 基于数字银行背景下数字信贷风险控制管理的战略研究[J]. 金融理论与实践, 2020(1): 21-26. doi: 10.3969/j.issn.1003-4625.2020.01.004 [15] 刘孟飞, 王琦. 互联网金融降低了商业银行盈利能力吗: 基于收入来源与结构的视角[J]. bob手机在线登陆学报(社会科学版), 2021, 23(6): 96-109. [16] 许月丽, 李帅, 刘志媛. 数字金融影响了货币需求函数的稳定性吗?[J]. 南开经济研究, 2020(5): 130-149. [17] 战明华, 汤颜菲, 李帅. 数字金融发展、渠道效应差异和货币政策传导效果[J]. 经济研究, 2020, 55(6): 22-38. [18] 刘孟飞, 王琦. 互联网金融对商业银行绩效的影响机理与异质性研究[J]. 经济理论与经济管理, 2021, 41(8): 78-95. doi: 10.3969/j.issn.1000-596X.2021.08.005 [19] 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(2): 55−64. [20] 裴平, 傅顺. 互联网金融发展对商业银行流动性的影响: 来自中国15家上市银行的经验证据[J]. 经济学家, 2020(12): 80-87. [21] 张红伟, 陈小辉, 刘春梅, 等. 消费者法治意识: 促进还是约束中国FinTech创新: 来自P2P网贷的证据[J]. 经济理论与经济管理, 2020(10): 65-82. doi: 10.3969/j.issn.1000-596X.2020.10.005 [22] 王晰, 王雪标, 白智奇. 存贷比与商业银行盈利能力的倒U型关系研究: 引入不良贷款率的中介效应模型[J]. 科研管理, 2020, 41(7): 230-238. [23] 谢绚丽, 沈艳, 张皓星, 等. 数字金融能促进创业吗: 来自中国的证据[J]. 经济学(季刊), 2018(3): 1557-1580.
计量
- 文章访问数: 65
- HTML全文浏览量: 43
- PDF下载量: 7
- 被引次数: 0