数字普惠金融对商业银行信贷风险的影响——基于中国省级面板数据的分析

张梦君

（安徽大学经济学院，安徽合肥 230031）

一、引言

商业银行在我国金融体系中占据着主导地位，是我国金融市场的重要参与者，以银行信贷为主的间接融资在社会总融资中占主导地位，其业务活动对货币创造过程有重要影响，是国家实施经济政策的重要基础。据中国银行保险监督管理委员会统计数据显示，中国商业银行2021年总资产达288.6 万亿元，同比增长8.6%，占中国银行业金融机构总资产的83.7%①https://www.cbirc.gov.cn/cn/view/pages/ItemDetail.html?docId=1018522。。伴随着资产的快速增长，我国商业银行的不良贷款率也明显上升。党的十九大报告指出要守住不发生系统性金融风险的底线，坚决打好防范化解重大风险攻坚战。信贷风险是银行面临的最主要风险之一，不良贷款率是衡量系统性金融风险的重要指标。因此，商业银行要加强信贷风险管控，做好风险防范措施。

近年来，大数据、AI、互联网技术等在金融领域的运用催生了数字金融这一概念。数字金融克服了传统金融业务的弊端，扩展了金融服务的覆盖面，降低了金融服务的门槛，使中小微企业与低收入人群也能享受到金融服务。2015年12月，国务院印发《推进普惠金融发展规划（2016－2020年）》（国发〔2015〕74 号），提出要积极引导各类普惠金融服务主体借助互联网等现代信息技术手段发展普惠金融，拓展普惠金融服务的广度和深度②http://www.gov.cn/zhengce/content/2016-01/15/content_10602.htm。。作为一种新型普惠金融业务模式，数字普惠金融这一概念应运而生。

数字金融减轻了物理网点限制、抵押不足、信息不对称等传统金融面临的问题，也带来了金融脱媒、数据安全等问题，对传统金融市场造成了重要影响，而商业银行作为传统金融市场重要参与者，必然会受到波及，影响到自身的信贷风险水平。数字金融一方面挤占了商业银行的传统业务，另一方面促进了商业银行数字技术的应用，加快了商业银行数字化改革的步伐，两种影响相互冲抵，因此无法简单判断其对商业银行信贷风险的影响情况。因此，本文研究数字普惠金融对商业银行信贷风险的影响具有一定的现实意义，可以为银行管控风险、维护金融稳定提供借鉴。

二、文献综述

数字金融拓展了普惠金融服务的广度和深度（郭峰等，2020），使得金融服务的成本降低、覆盖范围更广，因此数字普惠金融成为普惠金融新发展的趋势（向洁等，2021）。2016年9月G20 杭州峰会上，数字普惠金融概念被正式提出，之后不少学者对数字普惠金融水平进行了测度。Manyika 等（2016）主要从互联网普及率、农村人口占比与3G 网络覆盖率之间的关系等角度考察数字普惠金融发展情况。陆凤芝等（2017）采用熵值法测算中国数字普惠金融的发展情况。北京大学数字金融研究中心课题组（2016）采用一般层次分析法和变异系数法确定各指标权重，得出数字普惠金融指数。数字普惠金融指数表明各省份数字普惠金融发展差距在缩小，后G20 杭州峰会时期，普惠金融黄金时代——数字普惠金融已经到来（吴金旺和顾洲一，2018）。目前，我国数字普惠金融的移动支付、网络借贷和数字保险等发展迅速，在全球范围均处于前列（胡丽珠和赵洪进，2020）。学者们从多方面研究了数字金融带给商业银行的影响。王召等（2021）通过GMM 和DID 模型实证分析，发现数字普惠金融发展能够降低国内影子银行的规模。王诗卉和谢绚丽（2021）提出数字金融的发展激发了商业银行创新行为。袁鲲和曾德涛（2021）研究发现数字普惠金融促进了地区银行竞争。温博慧等（2022）借助非平衡空间计量模型实证发现，我国数字金融能够促进传统银行的小微贷款。

在商业银行面临的各种风险中，信贷风险是最重要的风险之一。商业银行要保持自身持续发展，稳定经营，就必须对信贷风险进行有效管控（张萌萌，2020）。学者们对商业银行信贷风险影响因素进行了研究。童玉芬等（2019）实证研究发现，商业银行竞争程度过高或过低都会导致信贷风险的上升。Magret （2020）认为贷款利率、资本充足率等对中低收入国家银行不良贷款有重要影响。陈天鑫和李军帅（2021）通过违约概率模型实证研究发现，经济政策不确定性显著提升了银行的信贷风险。李力和黄新飞（2022）认为，货币政策的不确定性会使商业银行的不良贷款率上升，从而加大信贷风险。鲍星等（2022）使用爬虫构建商业银行金融科技运用指数，得出金融科技运用能够有效抑制商业银行信贷风险的结论。而杨馥和洪昆（2022）则采用文本挖掘法构建金融科技指数来研究金融科技对商业银行信贷风险的影响，研究得出金融科技能够提高银行客户管理和信息处理效率，控制贷款集中度及其规模过快增长，达到抑制商业银行信贷风险的作用。张少军等（2022）通过研究发现金融科技对于商业银行信贷风险的影响呈现“U 型”趋势，先升后降。

数字普惠金融的发展必然会对商业银行风险水平产生影响，现有文献也就此进行了研究。余静文和吴滨阳（2021）利用84 家商业银行数据进行研究，发现数字金融有助于收敛风险，解决长尾客户抵押和征信不足的问题。张正平和刘云华（2022）认为数字金融发展能提升商业银行的运营效率，但也会使后者承担的风险增加。刘孟飞和王琦（2022）提出数字金融加剧了商业银行的风险承担水平。顾海峰和卞雨晨（2022）研究发现，数字金融通过金融脱媒渠道促进银行系统性风险，但在银行业竞合、风险承担及贷款集聚渠道方面则起相反作用。胡灵等（2022）运用双向固定效应模型进行研究，发现数字金融在整体上能够抑制商业银行风险。顾海峰和高水文（2022）基于170 家商业银行面板数据进行研究，证明数字金融能够促进银行风险承担，且其传导途径是通过影响银行收入结构来进行的。

综上所述，现有文献研究了数字普惠金融发展及其对商业银行总体发展的影响、商业银行信贷风险影响因素问题，关于数字普惠金融影响商业银行风险水平问题也有一些研究，但是主要局限于对商业银行总体风险的影响研究。因此，本文拟从数字普惠金融对商业银行信贷风险的影响进行研究，主要方法是：首先，采用双向固定效应面板模型研究数字普惠金融对商业银行信贷风险的影响；其次，研究不同信贷风险水平下数字普惠金融对商业银行信贷风险的影响；再次，研究不同数字普惠金融发展阶段下对商业银行信贷风险的影响差异情况；最后，引入交互项研究地方政府债务水平的调节作用。

本文可能的创新点包括：第一，利用分位数回归模型研究不同信贷风险水平下数字普惠金融对商业银行信贷风险的影响，丰富了现有研究；第二，现有文献多是考虑数字普惠金融对商业银行信贷风险的线性影响，本文引入面板门槛模型考察其非线性影响；第三，数字普惠金融对商业银行信贷风险受其他因素的调节作用，现有文献较少分析二者之间的调节效应，本文引入地方政府债务水平作为调节变量，为研究数字普惠金融发展问题提供新思路。

三、理论分析与研究假设

（一）数字普惠金融对商业银行信贷风险的影响

我国商业银行通常有扶贫、专项贷款等任务，此部分业务的客户违约风险较高，银行需要付出较多的管理成本。数字普惠金融的出现一方面使得小微企业以及弱势群体的融资需求得到满足，商业银行可以将贷款更多的分配给高信用客户，从而降低银行贷款的集中度，使得贷款的质量提高，不良贷款率下降；另一方面凭借较高的存款利率与较低的贷款利率进一步分流了商业银行的客户，使得贷款规模下降，从而降低信贷风险发生的可能性。此外，数字普惠金融促进了利率市场化，商业银行自主定价能力降低，最终盈利减少。银行只能降低贷款利率，贷款利率的下降使得企业贷款违约率、银行不良贷款率下降。

数字普惠金融借助大数据、云计算和人工智能等信息科技的应用，能够全面迅速地获得借款人在互联网中的行为数据，从而为商业银行信贷风险评估提供了准确的原始数据。商业银行能够运用机器学习有效评估信贷等风险，提高风控与贷款评估模型的准确度，对客户进行信用分级管理，从而减少由于信息不对称引发的逆向选择与道德风险。此外，在信贷流程中，商业银行作为委托人委托贷款相关人员对贷款进行审核、管理、发放等工作，而委托代理问题也始终存在。商业银行并不能完全掌握信贷专员的工作情况，信贷专员可能为了追求高薪资、休闲时间等利益导致工作质量下降，从而使得发放的贷款最后很可能难以收回，变成不良贷款。银行运用数字技术可以提高管理效率，使得信贷人员作出利己行为的机会减少，从而降低商业银行的信贷风险。

基于以上分析，提出本文第一个假设。

假设1：数字普惠金融水平的提高能够降低商业银行信贷风险。

（二）地方政府债务风险对数字普惠金融的调节效应

近几年，地方政府官员大量举债，债务规模不断升高，导致政府违约风险加大，银行贷款收回的可能性减少，不良贷款率增加。因此，地方政府债务风险成为社会各界越来越重视的话题。数字普惠金融拓宽了政府融资资金来源，因此政府不再仅仅依赖于传统的银行融资，大大降低了银行发生信贷风险的可能性（侯世英和宋良荣，2020）。数字普惠金融在一定程度上可以约束商业银行信贷风险，但在地方政府债务水平高的地区，政府举债需求强烈，数字普惠金融由于其低成本、高技术、便捷高效的特点得到政府认可进而被大力发展，对于金融风险的抑制效应也会增强。此外，由于政府很难真正公开自身财务状况，信息不对称问题一直存在，数字普惠金融能够在一定程度上解决此类问题的困扰，通过数字技术可以获得融资主体的数据信息，充分披露地方政府的债务情况与财政透明度，进行融资时能够提供良好的借鉴，从而使得发生违约风险的可能性降低，降低银行信贷风险（潘俊等，2016）。地方政府债务水平越高的地区，这种改善越明显，地方政府的行为引发商业银行信贷风险的可能性就会大大降低，从而使得数字普惠金融抑制作用更加显著。

基于上述分析，提出本文第二个假设。

假设2：地方政府债务水平在数字普惠金融与商业银行信贷风险之间起正向的调节作用，即地方政府债务水平越高，数字普惠金融降低商业银行信贷风险的效果越明显。

四、数据选取与实证模型

（一）样本选取与数据来源

本文选取2011－2020年中国31 个省份的面板数据。商业银行信贷风险的相关数据来自EPS 数据库，数字普惠金融指数采用北京大学数字普惠金融指数，其余数据来自《中国城乡建设统计年鉴》、EPS 数据库、国家统计局等。

（二）变量选取

1.被解释变量

本文的被解释变量是商业银行信贷金融风险。为保证数据的平稳性，由各省的商业银行不良贷款率的对数（lnrisk）来衡量。

2.解释变量

本文的解释变量是数字普惠金融，借鉴北京大学数字普惠金融指数，采用数字普惠金融总指数（df）、覆盖广度指数（cobredth）、使用深度指数（usedepth）与数字化程度指数（digilevel）衡量。

3.调节变量

本文参考康鑫依和陈帅（2021）的做法，选取各省市政建设资金中来自国内贷款与债券的资金之和来衡量地方政府债务水平（fisk）。

4.控制变量

本文参考康鑫依和陈帅（2021）、欧阳资生等（2021）的做法，选取如下控制变量：GDP 指数（idxgdp），用来衡量经济发展水平；区域第二产业占比（industry），即各省市第二产业产值与GDP 比值，用来衡量区域工业化水平；城镇化增速（town），采用地区年末城镇人口与总人口比值的增长率；经济开放度（open），采用各省进出口总额与GDP 比值；市场化水平（market），用樊纲等编著的《中国市场化指数》中各地区市场化指数指标。另外，本文控制了年份（year）与省份（pro）。

本文变量定义及说明见表1。

表1 变量定义表

（三）计量模型设定

由于各省份之间存在差异，其他宏观因素也会对被解释变量产生影响，为更为准确地研究数字普惠金融与商业银行信贷风险的关系，本文采用双向固定效应模型。

为了验证假设1，构建如下模型：

其中，lnriski,t为被解释变量商业银行信贷风险指标，α0为截距项，α1衡量数字普惠金融影响商业银行信贷风险的大小，dfi,t表示核心解释变量数字普惠金融指标，controli,t为控制变量，λi、μt分别为个体与时间固定效应，εi,t为随机误差项，下标i、t分别表示省份和年份。

为验证不同商业银行信贷水平下数字普惠金融对商业银行信贷风险的影响，构建固定效应的面板分位数回归模型。

其中，θ表示分位数，controli,t为控制变量，λi、μt分别为个体与时间固定效应，εi,t为随机误差项，下标i、t分别表示省份和年份。

为验证数字普惠金融对商业银行信贷风险的非线性影响，构建面板门槛模型如下：

其中，q为门槛变量，其可以是数字普惠金融本身，也可以是其他变量；γ为门槛值；I（·）为指示性函数，当括号内条件满足则取值为1，否则取值为0。

为验证假设2，在模型（1）中加入数字普惠金融与地方政府债务水平的交互项dfi,t×fiski,t，用来分析地方政府债务风险的调节效应，如式（4）所示。

根据假设1，数字普惠金融指数的系数（α1）为负。因此，若交互项系数（a3）为负，则表示随着地方政府债务水平上升，数字普惠金融抑制商业银行信贷风险的效果越明显；若α1为正，则表明其抑制效果越不明显。

五、实证结果与分析

（一）描述性统计

表2 为主要变量的描述性统计结果。可以看出，数字普惠金融最大值为431.930，最小值为16.220，两者相差甚远，说明数字普惠金融在各省之间的发展不均衡，差距显著；不良贷款率对数标准差（0.585）远小于数字普惠金融指数标准差（97.030），说明各省信贷风险水平的差距远小于数字普惠金融发展水平的差距；地方政府债务水平最小值为0，最大值为0.144，均值（0.015）更为接近最小值，数据分布具有离散性，说明各省之间的地方政府债务水平差距较大。

表2 变量的描述性统计

（二）回归结果

1.基准回归分析

采用公式（1）进行基准回归，结果如表3 所示。

由表3 第（1）列可以看出，数字普惠金融总指数（df）的系数为-0.013，且在1%水平上显著，说明数字普惠金融总指数与商业银行信贷风险显著负相关，假设1 得到验证，即数字普惠金融发展对商业银行信贷风险有抑制作用，数字普惠金融发展程度越高，商业银行信贷风险越低。

由表3 第（2）列～第（4）列可以看出，普惠金融使用深度（usedepth）、数字化程度（digilevel）的系数分别为-0.006、-0.004，且均在5%水平上显著，覆盖广度（cobredth）系数为-0.005，但并不显著。这说明数字普惠金融三个维度的指标均对商业银行信贷风险有抑制作用，其中，使用深度和数字化程度发挥着主要作用。

表3 基准回归结果

2.分位数回归分析

为了考察不同分位数上，数字普惠金融对商业银行信贷风险的影响，采用模型（2）进行实证分析，结果如表4 所示。

表4 面板分位数回归结果

由表4 可以看出，随着商业银行信贷风险的提高，数字普惠金融对其抑制作用减弱，具体表现在：（1）10 分位数上，数字普惠金融总指数每增加1 单位，商业银行信贷风险水平下降1.42%；25 分位数上，这一抑制作用下降至1.39%；50 分位数上，下降至1.34%；75 分位数上，下降至1.28%；90 分位数上，下降至1.25%，且在10%水平上显著，呈现递减的趋势，因此低分位数上数字普惠金融对商业银行信贷风险的抑制作用较为明显；（2）数字普惠金融覆盖广度系数在各分位数上均不显著，说明其抑制作用不明显，与前文基准回归结果一致；（3）数字普惠金融使用深度的变化趋势与总指数变化趋势一致，随着商业银行信贷风险的提高，其抑制作用减弱，但在90 分位数上其作用不显著；（4）数字普惠金融数字化程度呈相反的趋势，随着商业银行信贷风险的提高，其抑制作用更加明显。

（三）稳健性分析

1.稳健性检验

为保证结果的可靠性，本文采用三种方法进行稳健性检验，结果如表5 所示。

（1）剔除2015年年份数据。2015年国内股市发生剧烈震荡，对中国金融运行造成冲击，本文借鉴马文婷等（2021）的研究结果，剔除2015年数据重新进行回归，以便在一定程度上排除特殊事件干扰、保证结果准确性。回归结果所由表5 第（1）所示，可以看出，数字普惠金融总指数的系数仍为负，且显著性水平为5%，证明了结果的稳健性。

（2）缩尾处理。为了防止异常值对研究结果的影响，将所有数据进行前后各1%的缩尾处理，再进行回归，结果如表5 第（2）列所示，可以看出，数字普惠金融总指数系数仍为负且在1%水平上显著，与前文基准回归结果相同。

（3）增加控制变量。由于流动性水平与金融监管水平也会对商业银行信贷风险产生一定影响，为了使结果更为准确，本文增加流动性水平（ldr）与金融监管强度（fs）两个控制变量进行回归。其中，流动性水平（ldr）采取孙志红和琚望静（2022）的做法，用存贷比衡量；金融监管强度（fs）参考王韧等（2019）的做法，用各省市金融监管支出/金融业增加值衡量。回归结果如表5 第（3）列所示，可以看出，数字普惠金融总指数系数仍为负且在1%水平上显著，结果与前文相同。

表5 稳健性检验结果

2.内生性检验

基准回归结果与假设1 吻合，但由于信息披露局限性、银行信贷风险影响因素的多样性、风险的累积循环效应以及商业银行可能视自身信贷风险水平高低选择性发展数字普惠金融等因素，内生机制可能涉及测量误差、遗漏变量、双向因果关系等，为了进一步保证实证结果的准确性，本文采取两种方法进行内生性检验。

（1）SYS-GMM 估计。商业银行信贷风险具有累积循环效应，当年的风险会影响到下一年风险水平，因此，本文将被解释变量的滞后一期项（lnriski,t-1）纳入模型。同时，考虑到当年数字普惠金融可能会影响下一年的商业银行信贷风险水平，存在一定的滞后性，将解释变量的滞后一期项（dfi,t-1）也纳入模型之中，构建如下动态面板回归模型：

由于SYS-GMM 能够更好处理异方差与自相关问题，同时减少差分GMM 的有限样本偏误和弱工具性，故采用SYS-GMM 进行回归分析，结果如表6 所示。可以看出，AR（1）值小于0.05，存在一阶自相关，AR（2）值为0.323，大于0.05，不存在二阶自相关，因此扰动项无自相关。同时，Hansen 检验的P 值为0.992，表明不存在过度识别的情况。数字普惠金融对商业银行信贷风险的估计系数为-0.003，且在5%水平上显著，假设1 再次得到验证。

表6 SYS-GMM 检验结果

（2）工具变量2SLS 估计。为了避免双向因果与遗漏变量问题存在，本文借鉴林爱杰等（2021）的做法，将数字普惠金融总指数的工具变量选定为省级移动电话交换机容量（exc）。省级移动电话交换机容量的增加有利于提高数字普惠金融水平，同时与被解释变量不存在显著的关系，符合工具变量的选取标准。表7 为两阶段最小二乘法估计结果，从中可以看出，第1 阶段F 值大于10，工具变量的选择有效，不是弱工具变量。第2 阶段Kleibergen-Paap rk LM 检验中，p 值为0.0002，通过了识别不足检验，df对lnrisk的影响系数仍为负，数字普惠金融对商业银行信贷风险有着负向相关关系，且在1%水平上显著，与固定效应得到的估计结果一致，假设1 得到进一步验证。

表7 工具变量2SLS 估计结果

（四）门槛效应分析

前述实证结果表明数字普惠金融对商业银行信贷风险确实有抑制作用，但这种影响可能是非线性的，在不同数字普惠金融发展阶段其对于商业银行信贷风险影响程度不一，因此，本文采用模型（3）进行回归分析，表8 展示了门槛检验结果。由表8 可以看出，单一门槛对应的P 值为0.027，在5%水平上显著；双重门槛对应的P 值为0.077，在10%的显著性水平下通过了检验；三重门槛P 值为0.267，没有通过显著性检验，因此数字普惠金融对商业银行信贷风险的影响存在双重门槛，门槛值分别为91.68 与164.05。

表8 门槛值及门槛检验结果

表9 为门槛模型估计结果，可以看出，当数字普惠金融发展水平低于第一门槛（91.68）时，其对商业银行信贷风险水平的估计系数为-0.022，在1%水平上显著；当数字普惠金融发展水平在91.68～164.05 时，其对商业银行信贷风险水平的估计系数为-0.017，在1%水平上显著；当数字普惠金融发展水平高于第二门槛（164.05）时，其对商业银行信贷风险水平的估计系数为-0.015，在1%水平上显著。由此可以得出结论：数字普惠金融对商业银行信贷风险确非线性影响，在较低数字普惠金融发展水平下，其对商业银行信贷风险的抑制作用最强，中度水平下次之，高度水平下抑制作用最弱，呈现递减效应。

表9 面板门槛模型估计结果

（五）进一步讨论：调节机制分析

为了考察地方政府债务水平的调节作用，引入交互项df×fisk。由于模型中引入交互项可能会产生多重共线性，故分别对解释变量数字普惠金融指数（df）与地方政府债务水平（fisk）进行中心化处理，然后相乘得到交互项df×fisk，进行调节效应检验。

表10 是关于地方政府债务水平（fisk）调节效应的回归结果。由第（1）列显示可以看出：数字普惠金融指数（df）与地方政府债务水平（fisk）的交互项系数为-0.034，且在5%水平上显著，结合数字普惠金融指数的情况（系数为-0.011，且在1%水平上显著），假设2 得到验证，即地方政府债务水平增强了数字普惠金融的抑制作用，地方政府债务水平越高，数字普惠金融的发展越能抑制商业银行信贷风险。

表10 调节效应回归结果

通过基准回归分析可知，在数字普惠金融对信贷风险的减弱效果中，使用深度和数字化程度发挥着主要作用。本文对数字普惠金融进行降维分析，将数字普惠金融使用深度指数（usedepth）与数字普惠金融数字化程度指数（digilevel）作为解释变量进行回归，进一步分析地方政府债务水平的调节效应是否仍然存在。由表10 第（2）、第（3）列可以看出：数字普惠金融使用深度指数系数为-0.005，且在5%水平上显著，交互项系数在1%水平上显著为负；数字普惠金融数字化程度指数系数为-0.004，且在5%水平上显著，交互项系数在10%水平上显著为负。由此可见，调节效应仍然存在，且地方政府债务水平增强了数字普惠金融使用深度与数字化程度的抑制作用。

六、研究结论与建议

（一）研究结论

本文以2011－2021年中国31 个省份的面板数据作为研究样本，研究数字普惠金融对商业银行信贷风险的影响。首先，采用双向固定效应面板模型研究数字普惠金融对商业银行信贷风险的影响，同时进行降维分析，进一步研究数字普惠金融的影响方式；其次，通过分位数回归模型研究不同信贷风险水平下数字普惠金融对商业银行信贷风险的影响；再次，利用面板门槛模型研究数字普惠金融对商业银行信贷风险的非线性影响；最后，通过添加数字普惠金融与地方政府债务水平的交互项，分析地方政府债务水平在其中的调节效应。根据研究结果，得出以下结论：

第一，数字普惠金融发展对商业银行信贷风险表现为抑制作用，即数字普惠金融发展程度越高，商业银行信贷风险越低。降维分析中，普惠金融数字化程度和使用深度均能抑制商业银行信贷风险、且两者的影响效力大致相同，覆盖广度指标与商业银行信贷风险负相关、但其影响并不显著。

第二，随着商业银行信贷风险的提高，数字普惠金融对其抑制作用减弱，呈现递减的趋势，低分位数上数字普惠金融对商业银行信贷风险的抑制作用较为明显。降维分析中，数字普惠金融使用深度变化趋势与总指数变化趋势一致，随着商业银行信贷风险的提高，其抑制作用减弱，数字普惠金融数字化程度则呈现相反的趋势，随着商业银行信贷风险的提高，其抑制作用反而更明显。

第三，数字普惠金融对商业银行信贷风险具有非线性影响，在较低数字普惠金融发展水平下，其对商业银行信贷风险的抑制作用最强，中度水平下次之，高度水平下抑制作用则最弱，呈现递减的效应。

第四，地方政府债务水平的高低对数字普惠金融之于商业银行信贷风险的作用有正向加强的调节效应。地方政府债务水平越高，数字普惠金融使用深度和数字化程度控制商业银行信贷风险的效果越明显。

（二）政策建议

基于上述研究结论，本文提出如下政策建议：

第一，数字普惠金融对商业银行信贷风险有显著抑制效用，政府可以从两方面着手发展数字普惠金融：一是建设企业类基础设施，面向中小企业提供数字技术整合的各类普惠金融服务资源，助力企业完成数字化转型；二是建设个体类基础设施，增加金融产品创新使数字普惠金融更加多元化，发展金融科技使数字普惠金融更加精细化。

第二，在进行信贷风险管控时应将监管重点放在数字普惠金融使用深度与数字化程度上，依靠数字普惠金融的大面积推广来抑制商业银行信贷风险效果欠佳。此外，需建立实时监测制度，在数字普惠金融发展初期以及信贷风险较低时，便应积极采取措施管控风险，以取得最佳效果。地方债规模的管控一直备受重视，鉴于地方政府债务水平的调节作用，可以分地区治理商业银行信贷风险，重点监管地方政府债务风险大的地区，该地区商业银行信贷风险发生可能性较高，数字普惠金融发挥的成效也会更显著。

第三，鉴于数字普惠金融对信贷风险的明显抑制作用，商业银行应当利用数字金融的技术优势，进行数字化转型。商业银行需高度重视信息技术开发和信息系统的建设，夯实数字普惠金融发展根基，注重采用新兴技术提供金融服务，结合数字技术的应用促进银行内金融产品升级。线上可以采用数字技术进行全流程的风险管控，建设智能风控模型，加强贷后风险监测，降低违约率。