馬亞明 馬麗敏,2 于博

(1.天津財(cái)經(jīng)大學(xué)金融學(xué)院,天津 300222; 2.天津天獅學(xué)院經(jīng)濟(jì)管理學(xué)院,天津 301700)

一、引言

黨的二十大報(bào)告明確指出,要強(qiáng)化金融穩(wěn)定保障體系,依法將各類金融活動(dòng)全部納入監(jiān)管,守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的底線。中央經(jīng)濟(jì)工作會(huì)議也多次指出,防范和化解金融風(fēng)險(xiǎn)是實(shí)現(xiàn)高質(zhì)量發(fā)展的重要關(guān)口,要健全和完善金融風(fēng)險(xiǎn)的防范、預(yù)警和處置機(jī)制,持續(xù)強(qiáng)化金融風(fēng)險(xiǎn)防控能力。然而,新冠肺炎疫情的爆發(fā)導(dǎo)致全球貿(mào)易受阻和經(jīng)濟(jì)下行壓力加大,實(shí)體經(jīng)濟(jì)的下滑引致金融體系資產(chǎn)質(zhì)量下降,表現(xiàn)為金融機(jī)構(gòu)信用風(fēng)險(xiǎn)加大。商業(yè)銀行作為金融體系的核心,如何提高信貸質(zhì)量和信用風(fēng)險(xiǎn)防控能力是其面臨的重要問(wèn)題,也是防范和化解金融風(fēng)險(xiǎn)的關(guān)鍵。

近年來(lái),數(shù)字技術(shù)在金融業(yè)的應(yīng)用呈爆發(fā)式增長(zhǎng),不斷推進(jìn)金融機(jī)構(gòu)發(fā)展模式的變革,商業(yè)銀行紛紛開始布局?jǐn)?shù)字化轉(zhuǎn)型戰(zhàn)略,銀行業(yè)進(jìn)入數(shù)字化發(fā)展階段[1]。2022年銀保監(jiān)會(huì)發(fā)布的《關(guān)于銀行業(yè)保險(xiǎn)業(yè)數(shù)字化轉(zhuǎn)型的指導(dǎo)意見》中,明確指出以數(shù)字化轉(zhuǎn)型推動(dòng)銀行業(yè)高質(zhì)量發(fā)展,構(gòu)建適應(yīng)現(xiàn)代經(jīng)濟(jì)發(fā)展的數(shù)字金融新格局,不斷提高金融服務(wù)實(shí)體經(jīng)濟(jì)的能力和水平,有效防范化解金融風(fēng)險(xiǎn)?？梢娿y行數(shù)字化轉(zhuǎn)型已經(jīng)成為防范和化解金融風(fēng)險(xiǎn)的重要手段。基于以上背景,研究數(shù)字化轉(zhuǎn)型與銀行信用風(fēng)險(xiǎn)的關(guān)系,對(duì)提高銀行風(fēng)險(xiǎn)治理能力,防范和化解金融風(fēng)險(xiǎn)具有重要意義。

現(xiàn)有關(guān)于數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)影響的研究,主要集中在金融科技的發(fā)展和應(yīng)用對(duì)銀行風(fēng)險(xiǎn)承擔(dān)水平的影響方面,且研究結(jié)論尚不一致。一方面,金融科技的發(fā)展通過(guò)競(jìng)爭(zhēng)效應(yīng)[2],推高了銀行負(fù)債成本,導(dǎo)致銀行增加高風(fēng)險(xiǎn)信貸,加大了銀行風(fēng)險(xiǎn)承擔(dān)水平[3],高風(fēng)險(xiǎn)信貸導(dǎo)致銀行資產(chǎn)質(zhì)量下降,增加信用風(fēng)險(xiǎn)。朱小能和李雄一(2022)[4]認(rèn)為銀行金融科技的應(yīng)用通過(guò)自信效應(yīng),促使銀行拓展長(zhǎng)尾信貸市場(chǎng),從而加劇銀行風(fēng)險(xiǎn)承擔(dān),增加信用風(fēng)險(xiǎn)。另一方面,大數(shù)據(jù)、人工智能等金融科技的應(yīng)用有助于緩解信息不對(duì)稱問(wèn)題[5-6],提高信貸決策效率,進(jìn)而提高銀行風(fēng)險(xiǎn)控制能力,降低信用風(fēng)險(xiǎn)[7-8,35]。但是,金融科技的發(fā)展和應(yīng)用與本文關(guān)注的銀行數(shù)字化轉(zhuǎn)型不同,金融科技的發(fā)展和應(yīng)用代表了數(shù)字技術(shù)的賦能效應(yīng),而銀行數(shù)字化轉(zhuǎn)型則是基于數(shù)字技術(shù)的商業(yè)模式創(chuàng)新和業(yè)務(wù)轉(zhuǎn)型,是各部門、分支機(jī)構(gòu)甚至各行業(yè)共同推進(jìn)的系統(tǒng)性工程。金融科技的發(fā)展和應(yīng)用均不能解釋數(shù)字化轉(zhuǎn)型的內(nèi)涵?；诖?本文對(duì)數(shù)字化轉(zhuǎn)型的概念進(jìn)行了界定,即：數(shù)字化轉(zhuǎn)型包涵“數(shù)字化戰(zhàn)略”和“數(shù)字化技術(shù)”兩個(gè)層面。其中,“數(shù)字化戰(zhàn)略”是指商業(yè)銀行把數(shù)字化轉(zhuǎn)型作為企業(yè)的頂層戰(zhàn)略規(guī)劃,以戰(zhàn)略引領(lǐng)組織架構(gòu)、技術(shù)和業(yè)務(wù)轉(zhuǎn)型。“數(shù)字化技術(shù)”主要是指銀行利用金融科技手段為戰(zhàn)略、組織架構(gòu)和業(yè)務(wù)等提供技術(shù)支撐。

本文的研究貢獻(xiàn)體現(xiàn)在：第一,從“數(shù)字化戰(zhàn)略”和“數(shù)字化技術(shù)”兩個(gè)方面構(gòu)建數(shù)字化轉(zhuǎn)型的指標(biāo)并進(jìn)行分析,解決了以往研究中僅從數(shù)字技術(shù)的應(yīng)用視角進(jìn)行研究的局限性,提高了指標(biāo)度量和研究的全面性和準(zhǔn)確性。第二,以數(shù)字化轉(zhuǎn)型為視角,研究數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的直接影響,并創(chuàng)新性地從“數(shù)字化戰(zhàn)略”和“數(shù)字化技術(shù)”兩個(gè)方面探索其對(duì)信用風(fēng)險(xiǎn)治理的不同作用。第三,從管理渠道和信貸業(yè)務(wù)渠道揭示了數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的影響機(jī)制,有助于銀行管理者制定更有針對(duì)性的戰(zhàn)略規(guī)劃。

二、文獻(xiàn)綜述和研究假設(shè)

(一)文獻(xiàn)綜述

1.外部數(shù)字技術(shù)的發(fā)展對(duì)銀行風(fēng)險(xiǎn)的影響

關(guān)于外部數(shù)字技術(shù)的發(fā)展與銀行風(fēng)險(xiǎn)之間關(guān)系的研究主要從風(fēng)險(xiǎn)傳染、銀行競(jìng)爭(zhēng)等渠道展開分析。一方面,數(shù)字技術(shù)的迅速發(fā)展,增加了金融機(jī)構(gòu)之間、企業(yè)之間和市場(chǎng)之間的關(guān)聯(lián)性,增強(qiáng)了金融機(jī)構(gòu)間的風(fēng)險(xiǎn)傳染性,放大了系統(tǒng)性風(fēng)險(xiǎn)的溢出效應(yīng),加劇了銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)[9-10]。另一方面,數(shù)字技術(shù)的發(fā)展憑借其低成本、高效率等優(yōu)點(diǎn),加劇了銀行間的競(jìng)爭(zhēng)[11],降低了銀行利潤(rùn),銀行將被迫增加高風(fēng)險(xiǎn)項(xiàng)目投資,進(jìn)而提高銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平[12]。

2.銀行內(nèi)部金融科技的應(yīng)用對(duì)其風(fēng)險(xiǎn)的影響

關(guān)于銀行內(nèi)部金融科技的應(yīng)用與銀行風(fēng)險(xiǎn)之間關(guān)系的研究主要通過(guò)主動(dòng)風(fēng)險(xiǎn)承擔(dān)、風(fēng)險(xiǎn)控制、經(jīng)營(yíng)效率等渠道展開分析。一方面,數(shù)字技術(shù)的應(yīng)用有助于緩解信息不對(duì)稱問(wèn)題[5-6],進(jìn)而提高銀行信息甄別能力和風(fēng)險(xiǎn)識(shí)別能力,建立更加精確的智能風(fēng)險(xiǎn)控制模型,提高風(fēng)險(xiǎn)管理水平,降低銀行風(fēng)險(xiǎn)承擔(dān)水平[13-14]。另一方面,銀行金融科技的應(yīng)用在提高風(fēng)險(xiǎn)控制能力的同時(shí),基于自信效應(yīng)[4],推動(dòng)銀行積極尋求信貸業(yè)務(wù)擴(kuò)張,有效緩解銀行對(duì)未來(lái)風(fēng)險(xiǎn)的恐慌,增加風(fēng)險(xiǎn)容忍度,提高銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平[15]。此外,也有學(xué)者研究發(fā)現(xiàn),大數(shù)據(jù)、人工智能等數(shù)字技術(shù)的應(yīng)用有助于通過(guò)線上渠道優(yōu)化業(yè)務(wù)流程,提高業(yè)務(wù)審批和決策效率,降低銀行經(jīng)營(yíng)成本,提高管理效率,降低銀行經(jīng)營(yíng)風(fēng)險(xiǎn)[16]。

3.數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的直接影響

關(guān)于數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的直接影響,多數(shù)學(xué)者仍采用數(shù)字技術(shù)的應(yīng)用作為數(shù)字化轉(zhuǎn)型的代理變量,與本文所研究的數(shù)字化轉(zhuǎn)型有所不同。例如,蔣海等(2023)[7]、翟勝寶等(2023)[17]、Zhu和Jin(2023)[18]的研究,均證明了數(shù)字化轉(zhuǎn)型有助于降低銀行風(fēng)險(xiǎn)承擔(dān)水平,且影響渠道也與上文一致。劉慧超和王書華(2023)[19]則認(rèn)為數(shù)字化轉(zhuǎn)型與中小銀行風(fēng)險(xiǎn)呈倒“U”型關(guān)系,即銀行數(shù)字化轉(zhuǎn)型初期,由于數(shù)字化轉(zhuǎn)型投入加大造成成本增加,且業(yè)務(wù)創(chuàng)新與風(fēng)險(xiǎn)管理水平不匹配,導(dǎo)致銀行風(fēng)險(xiǎn)加大,但隨著數(shù)字化轉(zhuǎn)型的不斷深入,技術(shù)和業(yè)務(wù)的融合發(fā)展促使銀行降低成本,提高風(fēng)險(xiǎn)管理水平,銀行風(fēng)險(xiǎn)隨之下降。此外,郭峰等(2023)[8]也基于數(shù)字技術(shù)的應(yīng)用構(gòu)建了數(shù)字化轉(zhuǎn)型指數(shù),并分析了數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的直接抑制作用。

4.文獻(xiàn)評(píng)述

綜上所述,關(guān)于數(shù)字化轉(zhuǎn)型與銀行信用風(fēng)險(xiǎn)之間關(guān)系的研究比較豐富,但存在以下研究不足：第一,外部數(shù)字技術(shù)的發(fā)展作為宏觀經(jīng)濟(jì)變量不能解釋銀行微觀個(gè)體的數(shù)字化轉(zhuǎn)型程度,銀行內(nèi)部金融科技的應(yīng)用體現(xiàn)了數(shù)字技術(shù)的賦能效應(yīng),也不能解釋數(shù)字化轉(zhuǎn)型的內(nèi)涵。因此,本文從“數(shù)字化戰(zhàn)略”和“數(shù)字化技術(shù)”兩個(gè)層面完善了數(shù)字化轉(zhuǎn)型的內(nèi)涵并進(jìn)行研究。第二,現(xiàn)有文獻(xiàn)主要分析數(shù)字化轉(zhuǎn)型對(duì)銀行風(fēng)險(xiǎn)承擔(dān)、系統(tǒng)性風(fēng)險(xiǎn)和經(jīng)營(yíng)風(fēng)險(xiǎn)的影響,鮮有文獻(xiàn)通過(guò)直接證據(jù)檢驗(yàn)數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的影響及作用機(jī)制,本文豐富這方面的研究。

(二)理論分析和研究假設(shè)

1.數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的影響

本文從“數(shù)字化技術(shù)”和“數(shù)字化戰(zhàn)略”兩個(gè)視角探究數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的影響。首先,“數(shù)字化技術(shù)”的應(yīng)用有助于提高銀行貸前、貸中和貸后的風(fēng)險(xiǎn)控制能力,有效降低信用風(fēng)險(xiǎn)。具體而言,在貸前階段,大數(shù)據(jù)、人臉識(shí)別等技術(shù)的應(yīng)用有助于銀行迅速處理海量數(shù)據(jù),深入挖掘客戶信息,緩解借貸雙方的信息不對(duì)稱問(wèn)題[5-6],有助于銀行更準(zhǔn)確地識(shí)別借款人經(jīng)營(yíng)狀況、還款能力和資信狀況,有效降低不良貸款的發(fā)放,降低信用風(fēng)險(xiǎn)。在貸中階段,大數(shù)據(jù)和人工智能等技術(shù)的應(yīng)用有助于銀行建立智能化、動(dòng)態(tài)化決策機(jī)制和模型,更加準(zhǔn)確、全面地進(jìn)行貸中決策,提高信貸決策效率[16],減少?zèng)Q策失誤造成的不良貸款率的攀升。在貸后階段,銀行利用數(shù)字技術(shù)構(gòu)建更加精準(zhǔn)的風(fēng)險(xiǎn)預(yù)警模型,有效預(yù)測(cè)客戶貸后信用風(fēng)險(xiǎn)狀況,實(shí)現(xiàn)信用風(fēng)險(xiǎn)的動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè)[19],有助于銀行快速識(shí)別和分類不良貸款,降低信用風(fēng)險(xiǎn)。同時(shí),智能催收平臺(tái)的建立有助于銀行提高催收效率,提高不良貸款處置效率,降低不良貸款率。

其次,“數(shù)字化戰(zhàn)略”的實(shí)施主要通過(guò)影響銀行管理層的決策和行為對(duì)信用風(fēng)險(xiǎn)產(chǎn)生作用。具體而言,清晰的數(shù)字化轉(zhuǎn)型戰(zhàn)略是銀行數(shù)字化轉(zhuǎn)型的方向和指引,有助于提升銀行管理層對(duì)數(shù)字化轉(zhuǎn)型的認(rèn)知,培養(yǎng)數(shù)字化管理思維[20],有助于管理層制定更加科學(xué)的風(fēng)險(xiǎn)管理體系,提高風(fēng)險(xiǎn)管理水平,降低信用風(fēng)險(xiǎn)。此外,穆紅梅和鄭開焰(2021)[21]認(rèn)為,開放銀行是數(shù)字化轉(zhuǎn)型的戰(zhàn)略選擇之一,開放銀行的建設(shè)有助于銀行與金融機(jī)構(gòu)、金融科技公司等第三方之間數(shù)據(jù)、算法、交易和流程的共享。信息和數(shù)據(jù)共享有助于提高銀行評(píng)估借款人信用狀況的準(zhǔn)確性,減少信息不對(duì)稱帶來(lái)的信用風(fēng)險(xiǎn)。據(jù)此,提出本文的研究假設(shè)1。

H1數(shù)字化轉(zhuǎn)型有助于降低銀行信用風(fēng)險(xiǎn)。

2.數(shù)字化轉(zhuǎn)型通過(guò)管理渠道對(duì)信用風(fēng)險(xiǎn)的影響

商業(yè)銀行進(jìn)行數(shù)字化轉(zhuǎn)型有助于其降低成本,提高管理效率。首先,數(shù)字化技術(shù)的應(yīng)用,促使商業(yè)銀行突破時(shí)間和空間的限制,線上服務(wù)大幅降低了交易成本和人工成本,提高了銀行的經(jīng)營(yíng)效率[17]。其次,組織架構(gòu)轉(zhuǎn)型是數(shù)字化轉(zhuǎn)型的關(guān)鍵,需要銀行明確管理層職責(zé)劃分、設(shè)立數(shù)字化相關(guān)部門和部門之間的協(xié)調(diào)聯(lián)動(dòng),提高工作效率和協(xié)同效應(yīng)[17,20]。例如,通過(guò)建立內(nèi)部協(xié)作平臺(tái),可以實(shí)現(xiàn)各部門之間的信息共享和溝通,減少信息傳遞的延誤和誤解,提高工作效率。因此,數(shù)字化轉(zhuǎn)型有助于優(yōu)化業(yè)務(wù)流程,降低銀行交易成本和人工成本,提高管理效率。一方面,銀行管理效率的提升意味著銀行能夠更有效地控制和管理風(fēng)險(xiǎn),提高風(fēng)險(xiǎn)管理水平[17],有效降低信用風(fēng)險(xiǎn)。另一方面,銀行經(jīng)營(yíng)管理效率的提升,可以提高銀行的競(jìng)爭(zhēng)力和盈利能力,減少高風(fēng)險(xiǎn)項(xiàng)目投資[14],減少不良貸款的發(fā)放,進(jìn)而降低信用風(fēng)險(xiǎn)。據(jù)此,提出本文的研究假設(shè)2。

H2數(shù)字化轉(zhuǎn)型通過(guò)提高銀行管理效率降低信用風(fēng)險(xiǎn)。

3.數(shù)字化轉(zhuǎn)型通過(guò)信貸渠道對(duì)銀行信用風(fēng)險(xiǎn)的影響

數(shù)字化轉(zhuǎn)型通過(guò)降低信貸集中度抑制銀行信用風(fēng)險(xiǎn)。一方面,數(shù)字化轉(zhuǎn)型有助于以客戶為核心創(chuàng)新信貸產(chǎn)品和服務(wù),且大數(shù)據(jù)、人工智能等數(shù)字技術(shù)的應(yīng)用可以解決信貸雙方間的信息不對(duì)稱問(wèn)題,有助于銀行更加準(zhǔn)確地識(shí)別風(fēng)險(xiǎn)項(xiàng)目[13]。產(chǎn)品和服務(wù)的創(chuàng)新、風(fēng)險(xiǎn)識(shí)別能力的提升,均有助于銀行擴(kuò)大中小企業(yè)和個(gè)人信貸服務(wù)的覆蓋面,增強(qiáng)信貸的普惠性[7,22],進(jìn)而減少銀行對(duì)大型客戶信貸的過(guò)度依賴,有效降低信貸集中度,降低信用風(fēng)險(xiǎn)。另一方面,數(shù)字化轉(zhuǎn)型通過(guò)建立智能信貸審批和監(jiān)控系統(tǒng),優(yōu)化信貸業(yè)務(wù)流程,提高銀行信貸服務(wù)能力和信貸決策效率,有助于銀行建立多元化信貸投資組合,降低信貸集中度[14,22],從而降低信用風(fēng)險(xiǎn)。據(jù)此,提出本文的研究假設(shè)3。

H3數(shù)字化轉(zhuǎn)型通過(guò)降低貸款集中度抑制信用風(fēng)險(xiǎn)。

三、研究設(shè)計(jì)

(一)數(shù)據(jù)來(lái)源和處理

本文數(shù)據(jù)主要來(lái)自于WIND數(shù)據(jù)庫(kù)、CSMAR數(shù)據(jù)庫(kù)和各銀行官網(wǎng)公布的年度財(cái)務(wù)報(bào)告,樣本區(qū)間為2011—2020年。剔除缺失較為嚴(yán)重的樣本后,本文以74家銀行為研究樣本,包括5家國(guó)有大型商業(yè)銀行、11家股份制商業(yè)銀行、43家城市商業(yè)銀行、15家農(nóng)村商業(yè)銀行。其中,刻畫銀行數(shù)字化轉(zhuǎn)型的文本信息,獲取自各銀行2011年至2020年的年報(bào)正文。銀行層面的控制變量數(shù)據(jù)來(lái)自于WIND數(shù)據(jù)庫(kù)和CSMAR數(shù)據(jù)庫(kù),個(gè)別缺失的數(shù)據(jù)從銀行年報(bào)查詢并進(jìn)行補(bǔ)充。

本文對(duì)樣本做了以下處理：第一,剔除各銀行年報(bào)缺失和關(guān)鍵財(cái)務(wù)指標(biāo)缺失的銀行;第二,若樣本期內(nèi)缺失“單一”年度觀測(cè)值,則以臨近年度觀測(cè)值作為補(bǔ)充;第三,對(duì)出現(xiàn)極端值的變量數(shù)據(jù)進(jìn)行了1%和99%分位的雙邊縮尾處理。經(jīng)過(guò)上述處理后,最終得到740個(gè)有效觀測(cè)值。

(二)回歸模型的設(shè)定

本文采用雙向固定效應(yīng)(TWFE)模型驗(yàn)證數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的影響,并進(jìn)行平行趨勢(shì)假設(shè)檢驗(yàn)。

1.基準(zhǔn)DID模型的構(gòu)建

本文將銀行進(jìn)行數(shù)字化轉(zhuǎn)型作為一項(xiàng)準(zhǔn)自然實(shí)驗(yàn),構(gòu)建多期交疊DID模型以考察數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的影響,即如下回歸模型

NPLit=α+βDIDit+θControlsit+μi+γt+εit

(1)

式(1)考慮了個(gè)體和年份固定效應(yīng)。其中,β為本文關(guān)心的系數(shù),代表銀行數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的影響。i表示銀行,t表示年份。被解釋變量NPLit表示i銀行在t年的信用風(fēng)險(xiǎn),以不良貸款率(NPL)和貸款減值準(zhǔn)備/貸款總額(LLR)作為銀行信用風(fēng)險(xiǎn)的衡量指標(biāo)。DIDit為雙重差分變量,如果銀行i在t年進(jìn)行了數(shù)字化轉(zhuǎn)型,那么銀行i在t年及以后的年份中DIDit=1,否則為0。Controlsit表示控制變量,θ為控制變量的系數(shù)。μi,γt為個(gè)體和時(shí)間固定效應(yīng),εit為殘差項(xiàng)。

2.平行趨勢(shì)檢驗(yàn)?zāi)Ｐ驮O(shè)定

使用多期交疊DID的前提之一是在銀行進(jìn)行數(shù)字化轉(zhuǎn)型之前,處理組和控制組的信用風(fēng)險(xiǎn)變化趨勢(shì)是一致的。本文采用事件分析法進(jìn)行平行趨勢(shì)檢驗(yàn),模型設(shè)定如下

NPLit=∑τ<0ρτDIDτ,it+∑τ≥0ρτDIDτ,it+θControlsit+μi+γt+εit

(2)

其中,ρτ是檢驗(yàn)平行趨勢(shì)的核心解釋變量的系數(shù)。DIDτ,it是二元虛擬變量,用來(lái)描述商業(yè)銀行數(shù)字化轉(zhuǎn)型的相對(duì)時(shí)刻,如果t-Ei=τ,τ∈[-6,5],則DIDτ,it=1,否則為0。τ=t-Ei是衡量銀行個(gè)體i在第t年距離數(shù)字化轉(zhuǎn)型年份的相對(duì)時(shí)間,Ei為銀行個(gè)體i進(jìn)行數(shù)字化轉(zhuǎn)型的年份。τ<0代表干預(yù)前的相對(duì)時(shí)刻,是需要進(jìn)行平行趨勢(shì)檢驗(yàn)的區(qū)間?；谑?2)進(jìn)行回歸,得到系數(shù)ρτ的估計(jì)值并進(jìn)行F檢驗(yàn)。

3.中介效應(yīng)檢驗(yàn)?zāi)Ｐ?/p>

為了研究管理效率和信貸集中度是否具有中介效應(yīng),本文在式(1)的基礎(chǔ)上,以成本收入比(CIR)和信貸集中度(TEN)為中介變量,分別構(gòu)建中介效應(yīng)模型,如式(3)和式(4)。

Medit=α+βDIDit+θControlsit+μi+γt+εit

(3)

NPLit=α+βDIDit+ηMedit+θControlsit+μi+γt+εit

(4)

其中,Medit為中介變量,包括管理效率(CIR)和信貸集中度(TEN);DIDit為數(shù)字化轉(zhuǎn)型指數(shù);NPLit為信用風(fēng)險(xiǎn)水平。

(三)變量說(shuō)明

1.被解釋變量：銀行信用風(fēng)險(xiǎn)

本文選取不良貸款率(NPL)來(lái)衡量商業(yè)銀行的信用風(fēng)險(xiǎn)[7]。不良貸款率越低,表明借款人違約概率越低,銀行信用風(fēng)險(xiǎn)越低,是衡量信用風(fēng)險(xiǎn)的良好指標(biāo)。另外選取貸款減值準(zhǔn)備與貸款總額的比重(LLR)進(jìn)行穩(wěn)健性檢驗(yàn)。

2.解釋變量：銀行數(shù)字化轉(zhuǎn)型

現(xiàn)有研究中關(guān)于商業(yè)銀行數(shù)字化轉(zhuǎn)型衡量的方法主要以兩類為主：一是以“北京大學(xué)數(shù)字普惠金融指數(shù)”作為外部金融科技發(fā)展水平的代理變量[10]。二是采用“文本挖掘法”[7-8]。該方法是基于商業(yè)銀行年報(bào),利用Python等軟件從年報(bào)中抓取與數(shù)字化轉(zhuǎn)型相關(guān)的關(guān)鍵詞,并計(jì)算詞頻合成數(shù)字化轉(zhuǎn)型指標(biāo),但此方法可能缺乏專業(yè)的主觀判斷,容易造成誤判。

因此,本文參考謝絢麗和王詩(shī)卉(2022)[23]對(duì)第二種方法的改進(jìn),利用Python對(duì)74家商業(yè)銀行年報(bào)中的“數(shù)字化技術(shù)”和“數(shù)字化戰(zhàn)略”的關(guān)鍵詞(見表1)進(jìn)行抓取,再通過(guò)以下步驟來(lái)測(cè)度銀行數(shù)字化轉(zhuǎn)型。首先,如果“數(shù)字化技術(shù)”相關(guān)詞頻出現(xiàn)5次及以下,該銀行被認(rèn)定為尚未應(yīng)用“數(shù)字化技術(shù)”,TECH取值為0。如果“數(shù)字化技術(shù)”相關(guān)詞頻出現(xiàn)5次以上,則認(rèn)為銀行應(yīng)用了“數(shù)字化技術(shù)”,TECH取值為1[24]。其次,通過(guò)對(duì)年報(bào)中含有“數(shù)字化戰(zhàn)略”相關(guān)關(guān)鍵詞的語(yǔ)句進(jìn)行抓取,并通過(guò)人工閱讀的方式判斷該語(yǔ)句與商業(yè)銀行數(shù)字化轉(zhuǎn)型之間是否存在關(guān)系。若語(yǔ)句顯示銀行實(shí)施了“數(shù)字化戰(zhàn)略”,STRA取值為1;若抓取的語(yǔ)句顯示銀行尚未實(shí)施“數(shù)字化戰(zhàn)略”,STRA取值為0。最后,若數(shù)字化戰(zhàn)略(STRA)和數(shù)字化技術(shù)(TECH)兩個(gè)變量同時(shí)取1,則說(shuō)明銀行進(jìn)行了數(shù)字化轉(zhuǎn)型,DID賦值為1,否則DID賦值為0。

表1 數(shù)字化轉(zhuǎn)型相關(guān)關(guān)鍵詞

通過(guò)以上方法對(duì)樣本期內(nèi)74家商業(yè)銀行進(jìn)行判斷,結(jié)果如圖1所示。53家商業(yè)銀行在樣本期內(nèi)進(jìn)行了數(shù)字化轉(zhuǎn)型,21家銀行在樣本期內(nèi)未進(jìn)行數(shù)字化轉(zhuǎn)型。本文樣本符合多期交疊DID的樣本特征,即存在一直未受處理的樣本;銀行進(jìn)行數(shù)字化轉(zhuǎn)型的時(shí)間不同;不存在銀行進(jìn)行數(shù)字化轉(zhuǎn)型后又退出的情況。此外,本文用同樣的方法對(duì)已經(jīng)轉(zhuǎn)型的53家銀行的數(shù)字化轉(zhuǎn)型程度進(jìn)行度量,得到數(shù)字化轉(zhuǎn)型總指數(shù)(SZH)、數(shù)字化技術(shù)(SZH1)和數(shù)字化戰(zhàn)略(SZH2)三個(gè)連續(xù)型變量。

圖1 數(shù)字化轉(zhuǎn)型的銀行數(shù)量

3.控制變量

本文參考顧海峰和卞雨晨(2022)[2]的思路,選取以下控制變量：銀行資產(chǎn)規(guī)模(SIZE)、貸款增長(zhǎng)率(LOANGR)控制銀行資產(chǎn)規(guī)模和信貸規(guī)模對(duì)信用風(fēng)險(xiǎn)的影響;盈利能力(NIS)以凈利差表示,控制商業(yè)銀行在傳統(tǒng)業(yè)務(wù)上的盈利能力對(duì)信用風(fēng)險(xiǎn)的影響;資本充足率(CAR)用來(lái)控制銀行的其他風(fēng)險(xiǎn)對(duì)信用風(fēng)險(xiǎn)的影響;是否上市(LIST)代表銀行是否上市,已經(jīng)上市的年份取1,否則取0,控制銀行是否上市對(duì)信用風(fēng)險(xiǎn)的影響;撥備覆蓋率(PC)控制銀行風(fēng)險(xiǎn)偏好對(duì)信用風(fēng)險(xiǎn)的影響。

4.中介變量

本文基于管理渠道和業(yè)務(wù)渠道兩方面選取管理效率(CIR)和信貸集中度(TEN)兩個(gè)中介變量研究數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的作用機(jī)制。

變量說(shuō)明見表2。主要變量的描述性統(tǒng)計(jì)見表3。

表2 變量說(shuō)明

表3 描述性統(tǒng)計(jì)

四、實(shí)證檢驗(yàn)及結(jié)果分析

(一)基準(zhǔn)回歸模型

1.基準(zhǔn)回歸結(jié)果

本文采用不良貸款率(NPL)作為被解釋變量,對(duì)模型設(shè)定式(1)進(jìn)行估計(jì),并以貸款減值準(zhǔn)備/貸款總額(LLR)替換被解釋變量進(jìn)行穩(wěn)健性檢驗(yàn)。表4匯報(bào)了模型設(shè)定(1)的回歸結(jié)果,每列均控制了個(gè)體和年份固定效應(yīng)。

表4 數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)影響的回歸結(jié)果

表4列(1)回歸結(jié)果顯示,核心解釋變量DID的系數(shù)為-0.20,在1%水平上顯著,表明銀行進(jìn)行數(shù)字化轉(zhuǎn)型可以顯著降低信用風(fēng)險(xiǎn)。列(2)加入了控制變量后,核心解釋變量DID的系數(shù)始終為負(fù)且顯著(-0.13),說(shuō)明控制了眾多因素后,銀行進(jìn)行數(shù)字化轉(zhuǎn)型仍能顯著降低銀行的信用風(fēng)險(xiǎn)。列(3)(4)以貸款減值準(zhǔn)備/貸款總額(LLR)作為被解釋變量,控制了眾多因素后,核心解釋變量DID系數(shù)也為負(fù)且在1%水平上顯著(-0.29)。綜上所述,商業(yè)銀行進(jìn)行數(shù)字轉(zhuǎn)型有助于降低其信用風(fēng)險(xiǎn),假設(shè)1得到驗(yàn)證。

2.基于數(shù)字化轉(zhuǎn)型分解的回歸結(jié)果

本文進(jìn)一步將數(shù)字化轉(zhuǎn)型分解為“數(shù)字化技術(shù)(TECH)”和“數(shù)字化戰(zhàn)略(STRA)”兩個(gè)二級(jí)指標(biāo)進(jìn)行回歸,以分析數(shù)字化戰(zhàn)略和數(shù)字化技術(shù)分別對(duì)銀行信用風(fēng)險(xiǎn)的影響?；貧w結(jié)果如表5列(1)(2)所示,數(shù)字化技術(shù)(TECH)和數(shù)字化戰(zhàn)略(STRA)對(duì)銀行信用風(fēng)險(xiǎn)的影響均為負(fù)且在5%水平上顯著,表明數(shù)字化技術(shù)的應(yīng)用和數(shù)字化戰(zhàn)略的實(shí)施均對(duì)信用風(fēng)險(xiǎn)存在抑制作用。此外,本文將貸款減值準(zhǔn)備/貸款總額(LLR)作為被解釋變量進(jìn)行穩(wěn)健性檢驗(yàn),回歸結(jié)果如表5列(3)(4)所示,數(shù)字化技術(shù)和數(shù)字化戰(zhàn)略均對(duì)銀行信用風(fēng)險(xiǎn)存在抑制作用,與上文結(jié)論一致。因此,銀行數(shù)字化轉(zhuǎn)型是一個(gè)系統(tǒng)性工程,數(shù)字化戰(zhàn)略的實(shí)施和數(shù)字化技術(shù)的應(yīng)用都是轉(zhuǎn)型的關(guān)鍵,戰(zhàn)略轉(zhuǎn)型是技術(shù)轉(zhuǎn)型的方向和指引,技術(shù)轉(zhuǎn)型則是戰(zhàn)略轉(zhuǎn)型的基礎(chǔ)和支撐,缺乏明確的數(shù)字化戰(zhàn)略目標(biāo)作為指導(dǎo),數(shù)字化技術(shù)的應(yīng)用可能會(huì)變得盲目和片面,兩者的相互作用有助于提高銀行轉(zhuǎn)型的效果,提高信用風(fēng)險(xiǎn)治理能力。

表5 “數(shù)字化戰(zhàn)略”和“數(shù)字化技術(shù)”對(duì)信用風(fēng)險(xiǎn)影響的回歸結(jié)果

3.數(shù)字化轉(zhuǎn)型程度對(duì)信用風(fēng)險(xiǎn)的影響

上述基準(zhǔn)回歸根據(jù)銀行是否進(jìn)行數(shù)字化轉(zhuǎn)型,構(gòu)建交疊DID模型來(lái)檢驗(yàn)轉(zhuǎn)型效果,可能存在結(jié)果不夠精確的問(wèn)題。由于不同銀行進(jìn)行數(shù)字化轉(zhuǎn)型的成效是不同的,為了檢驗(yàn)數(shù)字化轉(zhuǎn)型成效對(duì)銀行信用風(fēng)險(xiǎn)的不同影響,本文以樣本中進(jìn)行數(shù)字化轉(zhuǎn)型的53家銀行作為新的研究樣本,采用上文構(gòu)建的數(shù)字化轉(zhuǎn)型總指數(shù)(SZH)、數(shù)字化技術(shù)(SZH1)和數(shù)字化戰(zhàn)略(SZH2)三個(gè)連續(xù)型變量對(duì)信用風(fēng)險(xiǎn)進(jìn)行檢驗(yàn),回歸結(jié)果如表6所示。

表6 數(shù)字化轉(zhuǎn)型程度對(duì)銀行信用風(fēng)險(xiǎn)的回歸結(jié)果

如表6列(1)所示,從銀行不同數(shù)字化轉(zhuǎn)型程度(SZH)視角分析,回歸結(jié)果仍然為負(fù)且在1%水平上顯著(-0.07),說(shuō)明銀行數(shù)字化轉(zhuǎn)型程度越高,其對(duì)信用風(fēng)險(xiǎn)的抑制作用越強(qiáng),原因在于銀行數(shù)字化轉(zhuǎn)型程度越高,轉(zhuǎn)型戰(zhàn)略實(shí)施的力度越大,金融科技投入越大,數(shù)字化技術(shù)的賦能效應(yīng)越顯著,風(fēng)險(xiǎn)管理水平越高,對(duì)信用風(fēng)險(xiǎn)的抑制作用越強(qiáng)。如列(2)(3)所示,一方面,數(shù)字化技術(shù)的應(yīng)用(SZH1)和數(shù)字化戰(zhàn)略的實(shí)施(SZH2)對(duì)銀行信用風(fēng)險(xiǎn)的影響同樣為負(fù)且至少在5%水平上顯著。因此,數(shù)字化轉(zhuǎn)型在概念的界定及實(shí)證分析中不僅要考慮數(shù)字化技術(shù)的應(yīng)用,同時(shí)也要考慮數(shù)字化戰(zhàn)略及兩者相互作用對(duì)信用風(fēng)險(xiǎn)的影響。此外,本文也采用謝絢麗和王詩(shī)卉(2022)[23]構(gòu)建的“北京大學(xué)商業(yè)銀行數(shù)字化轉(zhuǎn)型指數(shù)”替換被解釋變量(SZH)進(jìn)行穩(wěn)健性檢驗(yàn),回歸結(jié)果如列(4),數(shù)字化轉(zhuǎn)型(DIGI)的回歸系數(shù)為負(fù)且在1%水平上顯著(-0.08),與上述回歸結(jié)果一致。

(二)平行趨勢(shì)檢驗(yàn)

(三)安慰劑檢驗(yàn)

考慮到數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的統(tǒng)計(jì)顯著性可能是由于政策沖擊前的某些未被控制的其他政策影響導(dǎo)致的,本文進(jìn)行了安慰劑檢驗(yàn)。借鑒白俊紅和張藝璇(2022)[25]的方法,本文選取原模型中處理組樣本,隨機(jī)抽取并生成偽處理組樣本,其余樣本則為偽對(duì)照組樣本,并對(duì)處理組的樣本隨機(jī)生成偽政策虛擬變量,重新進(jìn)行檢驗(yàn)。采用新樣本重復(fù)500次進(jìn)行回歸得到DID的估計(jì)系數(shù),估計(jì)結(jié)果如圖3所示,DID系數(shù)集中分布在0附近。綜上所述,本文的采用TWFE模型的回歸結(jié)果是可靠的,并沒(méi)有因?yàn)槠渌兞炕蛘叩挠绊懚鴮?dǎo)致嚴(yán)重偏誤。

(四)TWFE模型偏誤診斷

大量實(shí)證文獻(xiàn)表明,當(dāng)政策實(shí)施時(shí)點(diǎn)存在交疊時(shí),即使?jié)M足平行趨勢(shì)假設(shè),TWFE模型估計(jì)量也可能由于“負(fù)權(quán)重”“預(yù)趨勢(shì)”或“異質(zhì)性處理效應(yīng)”等問(wèn)題產(chǎn)生偏誤[26-29]。因此,本文對(duì)可能導(dǎo)致模型偏誤的原因進(jìn)行了檢驗(yàn)。檢驗(yàn)結(jié)果表明,本文樣本不存在預(yù)期效應(yīng)和負(fù)權(quán)重問(wèn)題,但異質(zhì)性處理效應(yīng)的存在可能導(dǎo)致TWFE模型估計(jì)量產(chǎn)生偏誤(1)由于篇幅限制,負(fù)權(quán)重、預(yù)趨勢(shì)和同質(zhì)性處理效應(yīng)檢驗(yàn)的結(jié)果沒(méi)有列出。。

(五)交疊DID異質(zhì)性穩(wěn)健估計(jì)量

本文分別參照Callaway和Sant’Anna(2021)[27]、Borusyak等(2021)[28]、De Chaisemartin和D’Haultfoeuille(2020)[29]提出的方法對(duì)TWFE模型估計(jì)量因異質(zhì)性處理效應(yīng)可能產(chǎn)生的偏誤進(jìn)行修正。上述三種方法分別基于組別-時(shí)期加權(quán)平均處理效應(yīng)(CSDID)、插補(bǔ)法和即時(shí)處理效應(yīng)(DIDM)三種估計(jì)量對(duì)模型可能的偏誤進(jìn)行修正。圖4給出了三種方法的異質(zhì)性動(dòng)態(tài)處理效應(yīng)圖。首先,數(shù)字化轉(zhuǎn)型之前銀行信用風(fēng)險(xiǎn)的變化并不顯著,三種估計(jì)量均滿足平行趨勢(shì)假設(shè)。其次,三種估計(jì)量的回歸結(jié)果均表明,銀行數(shù)字化轉(zhuǎn)型之后從第3期開始,對(duì)信用風(fēng)險(xiǎn)的抑制效應(yīng)開始顯著且逐漸增強(qiáng)。原因可能是數(shù)字化轉(zhuǎn)型對(duì)信用風(fēng)險(xiǎn)的抑制作用存在一定的滯后性,且銀行數(shù)字化轉(zhuǎn)型的時(shí)間越久,其轉(zhuǎn)型程度越深,商業(yè)模式、組織架構(gòu)和業(yè)務(wù)流程的改革不斷深入,數(shù)字化技術(shù)賦能風(fēng)險(xiǎn)管理的效應(yīng)越強(qiáng),信用風(fēng)險(xiǎn)的預(yù)警和治理效果越好。綜上所述,檢驗(yàn)結(jié)果進(jìn)一步說(shuō)明TWFE的估計(jì)偏誤問(wèn)題并不嚴(yán)重,基于TWFE的估計(jì)結(jié)果基本可靠。

90%置信區(qū)間90%置信區(qū)間CSDID插補(bǔ)法回歸系數(shù)0.50-0.5-1.0-1.5-5-4-3-2-1012345政策處理的相對(duì)時(shí)間90%置信區(qū)間DIDM圖4 異質(zhì)性動(dòng)態(tài)處理效應(yīng)圖

(六)內(nèi)生性檢驗(yàn)

上述回歸結(jié)果初步驗(yàn)證了商業(yè)銀行數(shù)字化轉(zhuǎn)型對(duì)信用風(fēng)險(xiǎn)的抑制作用,但模型仍可能由于反向因果關(guān)系和樣本自選擇偏差等因素導(dǎo)致內(nèi)生性問(wèn)題。因此,本文分別采用動(dòng)態(tài)面板GMM方法、工具變量法、樣本重新匹配法和交互固定效應(yīng)法重新進(jìn)行估計(jì),以緩解模型可能存在的內(nèi)生性問(wèn)題。

1.動(dòng)態(tài)面板GMM檢驗(yàn)

本文借鑒郭峰等(2023)[8]的研究將被解釋變量的滯后一期引入模型中,采用GMM方法進(jìn)行動(dòng)態(tài)面板估計(jì),表7列(1)(2)給出了回歸結(jié)果,DID的系數(shù)為負(fù)且在1%水平上顯著,表明在考慮模型可能存在的內(nèi)生性后,數(shù)字化轉(zhuǎn)型仍然對(duì)銀行信用風(fēng)險(xiǎn)產(chǎn)生抑制作用。此外,AR(2)檢驗(yàn)結(jié)果表明誤差項(xiàng)不存在二階序列相關(guān),Hansen檢驗(yàn)結(jié)果表明工具變量是有效的,基準(zhǔn)回歸模型具有穩(wěn)健性。

表7 內(nèi)生性檢驗(yàn)結(jié)果

2.工具變量法

本文借鑒謝絢麗等(2018)[30]的做法,選取省級(jí)互聯(lián)網(wǎng)普及率(Inter)和北京大學(xué)數(shù)字普惠金融省級(jí)總指數(shù)(DIFI)作為工具變量。銀行數(shù)字化轉(zhuǎn)型是數(shù)字經(jīng)濟(jì)驅(qū)動(dòng)下的特定產(chǎn)物,互聯(lián)網(wǎng)普及率作為數(shù)字化的基礎(chǔ)設(shè)施,數(shù)字普惠金融總指數(shù)代表了數(shù)字經(jīng)濟(jì)發(fā)展水平,兩者均與銀行數(shù)字化轉(zhuǎn)型的程度存在緊密的聯(lián)系,均具有較強(qiáng)的相關(guān)性,且與銀行信用風(fēng)險(xiǎn)之間沒(méi)有直接關(guān)系。如表7列(3)所示,兩個(gè)工具變量的第一階段回歸系數(shù)均為正且顯著,LM檢驗(yàn)和Wald F檢驗(yàn)結(jié)果均大于經(jīng)驗(yàn)值,排除不可識(shí)別和弱工具變量的可能性。列(4)展示了工具變量第二階段的回歸結(jié)果,DID的估計(jì)系數(shù)為負(fù)且至少在1%水平上顯著(-0.79),表明考慮模型可能存在的內(nèi)生性問(wèn)題后,數(shù)字化轉(zhuǎn)型仍對(duì)銀行信用風(fēng)險(xiǎn)具有顯著抑制作用,基準(zhǔn)回歸結(jié)果依然穩(wěn)健,工具變量較好地緩解了內(nèi)生性問(wèn)題帶來(lái)的干擾。

3.PSM-DID和EBM檢驗(yàn)

商業(yè)銀行是否進(jìn)行數(shù)字化轉(zhuǎn)型是銀行自身的行為,即為非隨機(jī)化實(shí)驗(yàn),因此某個(gè)銀行是否進(jìn)行數(shù)字化轉(zhuǎn)型可能依賴于其資產(chǎn)規(guī)模、盈利能力等其他因素。事實(shí)上,往往是國(guó)有大型商業(yè)銀行會(huì)率先實(shí)施數(shù)字化轉(zhuǎn)型,且這些銀行資產(chǎn)規(guī)模、盈利能力都較高。因此,為了解決自選擇偏差問(wèn)題,本文采用傾向得分匹配法(PSM-DID)和熵平衡匹配法(EBM)匹配樣本后重新進(jìn)行回歸。

首先,為解決面板數(shù)據(jù)在傾向得分匹配(PSM-DID)中出現(xiàn)的“時(shí)間錯(cuò)配”問(wèn)題,本文參考了李青原和章尹賽楠(2021)[31]的方法,采用逐期匹配法得到了更加適合的對(duì)照組。基于匹配好的樣本,對(duì)式(1)進(jìn)行回歸,回歸結(jié)果見表8列(1),數(shù)字化轉(zhuǎn)型的回歸系數(shù)為負(fù)且在5%水平上顯著(-0.18),這與上文結(jié)論基本一致。其次,鑒于傾向得分匹配法可能會(huì)存在自匹配或匹配對(duì)象在政策前后不一致等問(wèn)題[32],會(huì)損失樣本信息,本文采用熵平衡匹配法(EBM)進(jìn)一步進(jìn)行檢驗(yàn)。以上文中所有控制變量作為協(xié)變量進(jìn)行熵平衡匹配。經(jīng)過(guò)熵平衡匹配后,處理組和控制組協(xié)變量的均值和方差的差異明顯縮小。此外,對(duì)匹配后的樣本重新進(jìn)行回歸,回歸結(jié)果如表8列(2)所示,數(shù)字化轉(zhuǎn)型的回歸系數(shù)為負(fù)且在10%水平上顯著(-0.09),表明上文結(jié)論比較可靠。

表8 PSM-DID和EBM檢驗(yàn)結(jié)果

4.考慮不可觀測(cè)混淆因子的交互固定效應(yīng)再檢驗(yàn)

當(dāng)存在不可觀測(cè)隨時(shí)間變化的混雜因素時(shí),TWFE模型的估計(jì)結(jié)果將是有偏的。因此,本文參考Liu等(2022)[33]的方法,采用固定效應(yīng)反事實(shí)估計(jì)量(FECT)和交互固定效應(yīng)反事實(shí)估計(jì)量(IFECT)進(jìn)行插補(bǔ),重新進(jìn)行回歸。固定效應(yīng)反事實(shí)估計(jì)量(FECT)允許政策效應(yīng)在樣本之間和不同時(shí)間內(nèi)的異質(zhì)性;交互固定效應(yīng)反事實(shí)估計(jì)量(IFECT)可以將未觀察到的、隨時(shí)間變化的混雜因素納入模型,解決內(nèi)生性問(wèn)題。如圖5給出了兩種方法的回歸結(jié)果。剔除不可觀測(cè)隨時(shí)間變化的混淆因子影響后,兩種方法得到的平均處理效應(yīng)變化趨勢(shì)基本一致。數(shù)字化轉(zhuǎn)型之前,各期回歸系數(shù)相對(duì)平穩(wěn),且在0值附近波動(dòng)。數(shù)字化轉(zhuǎn)型之后,各期回歸系數(shù)為負(fù)且顯著,并逐漸下降,表明數(shù)字化轉(zhuǎn)型對(duì)銀行信用風(fēng)險(xiǎn)的影響隨時(shí)間推移逐步加深。綜上所述,上文回歸結(jié)果較為可靠,TWFE模型估計(jì)結(jié)果并不存在嚴(yán)重偏誤。

圖5 基于“插補(bǔ)估計(jì)量”的異質(zhì)性—穩(wěn)健估計(jì)

五、機(jī)制檢驗(yàn)

本文借溫忠麟等(2004)[34]的研究對(duì)管理效率(CIR)和信貸集中度(TEN)進(jìn)行中介效應(yīng)檢驗(yàn),分析商業(yè)銀行數(shù)字化轉(zhuǎn)型對(duì)信用風(fēng)險(xiǎn)的影響渠道。中介效應(yīng)模型式(3)和式(4)的回歸結(jié)果見表9。列(1)(2)給出了管理效率(CIR)渠道的中介效應(yīng)回歸結(jié)果。列(1)數(shù)字化轉(zhuǎn)型(DID)的回歸系數(shù)為負(fù)且在5%水平上顯著,列(2)管理效率(CIR)的回歸系數(shù)為正且在5%水平上顯著,表明數(shù)字化轉(zhuǎn)型可以通過(guò)降低銀行經(jīng)營(yíng)成本,提高管理效率和風(fēng)險(xiǎn)管理水平,進(jìn)而抑制信用風(fēng)險(xiǎn)。此外,管理效率的提升將減少商業(yè)銀行高風(fēng)險(xiǎn)項(xiàng)目投資決策,減少冒險(xiǎn)動(dòng)機(jī)帶來(lái)的信用風(fēng)險(xiǎn)的增加,假設(shè)2得到驗(yàn)證。列(3)(4)給出了信貸集中度(TEN)渠道的中介效應(yīng)回歸結(jié)果。其中列(3)數(shù)字化轉(zhuǎn)型(DID)的回歸系數(shù)為負(fù)且在5%水平上顯著,而列(4)信貸集中度(TEN)的回歸系數(shù)為正且在1%水平上顯著,表明商業(yè)銀行數(shù)字化轉(zhuǎn)型可以通過(guò)數(shù)字技術(shù)賦能銀行風(fēng)險(xiǎn)管理,幫助銀行制定分散化投資組合,降低信貸集中度,進(jìn)而降低信用風(fēng)險(xiǎn),假設(shè)3得到驗(yàn)證。綜上所述,管理效率(CIR)和信貸集中度(TEN)在數(shù)字化轉(zhuǎn)型影響銀行信用風(fēng)險(xiǎn)中具有中介效應(yīng)。

表9 中介效應(yīng)檢驗(yàn)結(jié)果

六、結(jié)論和政策啟示

數(shù)字化轉(zhuǎn)型已經(jīng)成為我國(guó)商業(yè)銀行創(chuàng)新和改革發(fā)展的關(guān)鍵環(huán)節(jié),同時(shí)對(duì)提高銀行風(fēng)險(xiǎn)治理能力,防范和化解金融風(fēng)險(xiǎn)具有重要意義。在此背景下,本文以銀行數(shù)字化轉(zhuǎn)型為視角,通過(guò)“文本挖掘法”判斷商業(yè)銀行是否進(jìn)行數(shù)字化轉(zhuǎn)型,并以2011—2020年74家商業(yè)銀行的年度面板數(shù)據(jù)進(jìn)行實(shí)證檢驗(yàn),得到四個(gè)結(jié)論。第一,商業(yè)銀行進(jìn)行數(shù)字化轉(zhuǎn)型顯著降低了其信用風(fēng)險(xiǎn)?？紤]數(shù)字化轉(zhuǎn)型程度后,該結(jié)論依然成立。第二,動(dòng)態(tài)處理效應(yīng)檢驗(yàn)結(jié)果表明,商業(yè)銀行進(jìn)行數(shù)字化轉(zhuǎn)型的時(shí)間越長(zhǎng),其對(duì)信用風(fēng)險(xiǎn)的抑制作用越大,但該抑制作用存在一定的滯后性。第三,本文將數(shù)字化轉(zhuǎn)型分解為“數(shù)字化戰(zhàn)略”和“數(shù)字化技術(shù)”兩個(gè)二級(jí)指標(biāo)進(jìn)行檢驗(yàn),結(jié)果表明,“數(shù)字化戰(zhàn)略”和“數(shù)字化技術(shù)”均能顯著抑制銀行信用風(fēng)險(xiǎn),且“數(shù)字化戰(zhàn)略”的抑制效應(yīng)更強(qiáng)。第四,機(jī)制分析表明,商業(yè)銀行數(shù)字化轉(zhuǎn)型通過(guò)提高管理效率和降低信貸集中度抑制銀行信用風(fēng)險(xiǎn)。

基于上述結(jié)論,本文提出以下政策啟示：

第一,商業(yè)銀行微觀層面,銀行應(yīng)積極布局和推進(jìn)數(shù)字化轉(zhuǎn)型戰(zhàn)略。研究發(fā)現(xiàn),數(shù)字化轉(zhuǎn)型有助于降低銀行信用風(fēng)險(xiǎn),且轉(zhuǎn)型時(shí)間越長(zhǎng),抑制作用越大。因此,商業(yè)銀行應(yīng)將數(shù)字化轉(zhuǎn)型作為一項(xiàng)長(zhǎng)期戰(zhàn)略持續(xù)推進(jìn),積極探索大數(shù)據(jù)、人工智能等數(shù)字技術(shù)在金融領(lǐng)域的應(yīng)用,加大金融科技投入,充分發(fā)揮數(shù)字化轉(zhuǎn)型在防范和化解金融風(fēng)險(xiǎn)方面的重要作用。此外,機(jī)制分析表明,數(shù)字化轉(zhuǎn)型通過(guò)降低銀行信貸集中度抑制信用風(fēng)險(xiǎn)。因此,商業(yè)銀行要積極探索和利用數(shù)字化轉(zhuǎn)型在緩解信息不對(duì)稱、提高信息透明度等方面發(fā)揮的作用,改變“搭便車”“壘大戶”的授信習(xí)慣,通過(guò)構(gòu)建多元化信貸投資組合,降低信貸集中度,分散信用風(fēng)險(xiǎn)。

第二,銀行業(yè)中觀層面,銀行業(yè)應(yīng)加強(qiáng)銀行間、銀行與金融科技公司間的合作,打造數(shù)據(jù)互通、安全高效的開放共享共贏金融生態(tài)圈。因此,銀行業(yè)應(yīng)以內(nèi)部變革和外部合作共同推進(jìn)數(shù)字化轉(zhuǎn)型,促進(jìn)資源共享、優(yōu)勢(shì)互補(bǔ),有助于提升自身技術(shù)水平和創(chuàng)新能力,提高風(fēng)險(xiǎn)管理水平,同時(shí)為防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)提供有力保障。

第三,宏觀層面,政府部門應(yīng)加大對(duì)商業(yè)銀行數(shù)字化轉(zhuǎn)型的支持力度。政府部門應(yīng)為銀行提供政策支持和指導(dǎo),明確數(shù)字化轉(zhuǎn)型的目標(biāo)、路徑和方法,鼓勵(lì)銀行與金融科技公司合作,推動(dòng)雙方的合作共贏,共同推進(jìn)數(shù)字化轉(zhuǎn)型。雖然本文研究表明,數(shù)字化轉(zhuǎn)型有助于提高風(fēng)險(xiǎn)管理水平,抑制信用風(fēng)險(xiǎn),但也要防范數(shù)字化轉(zhuǎn)型過(guò)程中可能暴露的新型風(fēng)險(xiǎn),如科技風(fēng)險(xiǎn)、數(shù)據(jù)風(fēng)險(xiǎn)和模型風(fēng)險(xiǎn)等。因此,監(jiān)管部門應(yīng)建立風(fēng)險(xiǎn)防控和監(jiān)管的協(xié)調(diào)機(jī)制,加強(qiáng)溝通和協(xié)作,以更好的推進(jìn)金融高質(zhì)量發(fā)展。

本文的局限性主要在于商業(yè)銀行數(shù)字化轉(zhuǎn)型度量仍沒(méi)有找到統(tǒng)一且精確的方法,有待完善。此外,限于數(shù)據(jù)的可獲得性,不同銀行類型的異質(zhì)性并未贅述,這也是未來(lái)值得探究的課題。