数字金融对我国区域性金融风险的影响研究

王珂凡 何文彬

（新疆财经大学金融学院 新疆乌鲁木齐 830012）

随着互联网技术与传统金融业务模式的紧密结合，以金融科技为核心的数字金融呈现出快速发展态势，改变了当前中国的经济与金融布局，人们的生产和生活方式正在进入以数字化为标志的新时期[1]。一方面，数字金融由于其自身具有的普惠性、创新性等特性，通过运用移动终端和大数据信息挖掘等渠道帮助金融机构决策，不仅降低了金融机构的获客成本，提高了金融服务效率，还为金融行业数字化转型提供了新思路，有利于推动我国经济高质量发展。但另一方面，数字金融并没有改变自身的金融本质，更不能彻底改变传统金融业中“风险—收益”这一基本内核。数字化时代的高度开放性与互联互通性，使每一次数字金融创新的背后都更易于形成业务、科技、大数据信息、互联网等诸多风险因素叠加，从而造成金融风险的积聚，进而对金融稳定产生一定程度的冲击。

在我国经济转向高质量发展的背景下，党和国家一直把防范化解重大风险作为三大攻坚战之首，重点是防控金融风险。区域性金融系统构成了国家整体金融系统，故控制区域性金融风险是防范宏观金融风险、确保国家经济金融安全的基础。在此背景下，加强对区域性金融风险的科学测度，深入研究数字金融对区域性金融风险的影响，从而提升地方数字金融治理能力，避免因过度创新而导致新的区域性金融风险产生，已成为金融领域的重大课题。

一、文献回顾

我国的数字金融实践已经取得了令人瞩目的成效，日益成熟的数字金融，为我国传统金融行业提供了全新的发展模式和创新机会。郭峰等[2]的调查表明，数字金融是实现低成本、广覆盖和可持续性金融发展的重要模式，为经济落后地区实现经济赶超提供了机会。田新民和张志强[3]在研究中发现，数字金融技术的进步可以通过提高金融资源配置效率来促进中国经济发展。钱海章等[4]认为，数字金融能够推动创新创业，助力我国经济高质量发展。

在认同数字金融给经济发展带来积极影响的同时，学者们也开始广泛关注其对于区域性金融风险的影响，但目前尚未达成共识。部分学者支持数字金融会加剧区域性金融风险。Beck等[5]发现，数字金融创新不能完全消除风险，反而因无序和过度创新会改变金融结构，造成金融体系的不稳定。戴国强和方鹏飞[6]以及吴晓求[7]发现，随着数字金融的多维度发展，银行融资成本增加，加大了银行的破产风险，进而可能催生区域性金融风险。黄益平和黄卓[8]以及顾海峰和杨立翔[9]认为，由于数字金融快速发展，商业银行为获得高额回报而主动承担更大风险，造成了金融风险积聚，由此增加了区域性金融风险爆发的可能性，进而影响经济发展的稳定性与安全性。赵增奎[10]和吴善东[11]认为，数字金融的新型业态发展速度快，且数量众多、规模不一，跨地区数字金融产业使得传统金融监管方式难以见效，会形成监管盲区，助长了金融市场的风险传播，加大了区域性金融风险。Frost等[12]研究认为，大型金融机构利用数字技术有可能进一步集中市场份额从而导致新的区域性金融风险出现。部分学者支持数字金融能够抑制区域性金融风险，有利于金融稳定。丁杰[13]认为，传统金融机构通过广泛使用数字技术，创造了更多的金融产品种类，为投资者提供了多种选择，能够促进风险的分散转移。赵燕等[14]和刘忠璐[15]认为，金融机构利用大数据、云计算等创新性数字技术，完善了个人信用评估和风险管控体系，金融风险识别、预警和管理能力显著提升，从而缓解了区域性、系统性金融风险。卫晓锋[16]和罗航等[17]指出，数字金融降低了信息收集成本，减弱了信息不对称性，弱化了信贷波动和资产价格的波动，同时为金融机构带来大量未开发客户，拓宽了资金来源渠道，进一步抑制了信用风险的产生和系统性金融风险的扩散。王娟和朱卫未[18]研究发现，数字金融的发展能够有效降低企业的非效率投资水平，并实现有效地去杠杆，从而提高企业财务稳定水平，由此降低了微观主体引发区域性金融风险的可能性。李优树和张敏[19]以及欧阳资生等[20]发现，数字金融可以同时从降低交易成本、提升盈利能力、增强风险抵御能力等多方面对区域性金融风险起到抑制作用。

上述文献梳理清晰地显示了数字金融与区域性金融风险之间的关联性。目前，学界对于国家层面金融风险的研究很多，大多侧重研究了数字金融的广泛应用对商业银行产生的风险，但较少涉及数字金融对区域性金融风险影响的定量研究，且已有文献也仅以面板数据固定效应回归模型进行实证分析，研究不够深入。综上，本文以我国30个省份为样本（基于数据的可得性与完整性，暂未包括港澳台地区和西藏自治区），从各省份实际金融状况出发，以分属于金融市场类型、外部经济以及宏观经济的共16个指标2011—2020年度的统计数据为依据，构建我国区域性金融风险衡量体系并利用熵权法进行赋值，然后利用基准回归模型与空间杜宾模型实证研究数字金融对我国区域性金融风险的影响，最后提出相关政策建议。

二、理论分析与研究假设

（一） 数字金融对区域性金融风险的直接影响

已有研究显示，数字金融本身具有的普惠性和便捷性提升了传统金融的可及性，对区域性金融风险产生一定影响，这种影响可以归纳为加剧作用和抑制作用两种[21]。

数字金融通过对金融体系的内部影响和外部影响加剧区域性金融风险。内部影响主要有四个方面。首先，数字金融的去中介功能可能引发金融脱媒效应，由此稀释银行存款资金而加大银行市场风险。其次，数字金融的高收益理财功能可能引起债券市场资金转移，从而导致债券价格下跌而加大债券市场风险。再次，数字金融的数字化股权众筹功能可能引起股票市场资金转移，从而导致股票价格下跌而加大股票市场风险。最后，数字金融的网络化服务功能改变了传统保险行业以线下销售为主的模式，同时催生出许多新的险种与线上营销方式，加大了保险机构数字化转型升级过程中的风险。外部影响主要有三个方面。首先，随着数字金融客户规模的扩大，信贷、担保等准入要求降低，增加了金融机构承担的信用风险，区域性金融风险爆发的可能性增加。其次，数字金融凭借较强的便捷性和较低的交易成本挤占了传统金融机构的市场份额，当服务于地方经济发展的金融机构面临经营困境时，就会引发区域性金融风险[22]。最后，数字金融推动了交易业务数字化，客户信息和交易内容的安全隐患加大，不利于金融业的稳定发展[21]。

数字金融对区域性金融风险的抑制作用主要体现在金融体系的风险抵抗能力增强。第一，互联网及信息技术与传统金融业态相结合催生出数字金融新业态，这种新业态发展势头迅猛，能有效吸收市场中的闲置金融资源、拓宽融资渠道、降低融资成本，从而更好地服务于实体经济，进而降低区域性金融风险。第二，数字金融为地方政府融资提供了更多选择，降低了地方政府对银行信贷融资的依赖，有利于缓解其融资约束与债务压力，从而抑制区域性金融风险。第三，数字金融能够更精准地获取市场信息，极大地缓解了买卖双方的信息不对称，从而减少道德风险等代理问题，推动金融市场健康运转。第四，数字金融通过大数据信息技术使得金融市场的定价更加合理，提高了金融资源配置效率，大大降低了金融资源错配风险[22]。第五，数字金融推动了金融行业的制度创新和产品创新，提升了金融服务质量，促进了金融体系乃至经济结构的优化升级，有助于金融市场的有效运转，进而增强其风险抵抗能力。第六，数字金融凭借其普惠性、高效性的特征迅速捕获了潜在的长尾市场，在信息技术的支撑下扩大金融供给，同时推动传统金融机构运营流程智能化、规范化，提升了金融机构的风险应对能力，有助于金融行业实现转型升级、提质增效[23]。

基于上述分析，本文提出研究假设H1：数字金融会抑制区域性金融风险。

（二） 数字金融对区域性金融风险的空间溢出效应

在我国金融行业数字化转型过程中，金融机构之间的互联互通性变得更为广泛，各地区金融系统之间的耦合性更强，区域性金融风险的联动性也因此提高。一方面，不同地区对于跨地区数字金融活动的监管并未达到全方位的状态，仍存在监管空白区域，加上部分监管方法相对滞后、低效，助长了影子银行的产生与发展，一旦出现违约情况就容易形成“多米诺骨牌效应”，产生跨部门、跨区域风险溢出效应，导致金融风险的破坏水平和影响范围增大。另一方面，数字金融发展速度极快，吸引了各类高质量要素资源集聚，一个地区的高速发展往往能辐射邻近地区，通过“扩散效应”带动周边地区共同发展，促进邻近地区的金融制度完善和金融基础设施建设，从而抑制区域性金融风险的产生，增强金融风险的抵御能力。

基于以上分析，本文提出假设H2：周边地区数字金融的发展会间接影响本地区的区域性金融风险，即具有空间溢出效应。

三、研究设计

（一） 样本选择与数据来源

本文最终选取我国30个省份（基于数据的可得性与完整性，暂未包括港澳台地区和西藏自治区）2011—2020年的面板数据开展实证研究。其中，数字金融数据来自北京大学数字金融研究中心，其他数据来自《中国统计年鉴》、国家统计局网站和Wind数据库，并使用插值法计算部分缺失值。

（二） 变量设定

被解释变量：区域性金融风险(RFR)。参考欧阳资生等[20]的研究，本文将区域性金融风险定义为区域内金融机构微观金融风险的扩散，及其他区域通过金融活动的互联性向本地区传播的金融风险。目前，学术界尚未对区域性金融风险形成统一的测度方法，衡量指标也各有优缺点。本文在参考相关学者研究框架[24-25]的基础上，充分考虑到指标选取的科学性、全面性、独立性与可得性原则，根据中国金融市场分类、对外经济和宏观经济形势，构建了一个衡量区域性金融风险的指标体系（见表1），并使用熵值法对各项指标进行赋权，计算得到区域性金融风险指数。

表1 区域性金融风险指标体系

解释变量：数字金融（DF）。参考黄益平和黄卓[8]的研究，本文将数字金融定义为传统金融机构与互联网公司利用数字信息技术进行创新，实现高效融资、支付、投资，并衍生出新型金融业务模式。北京大学数字金融研究中心测算的数字普惠金融指数涵盖了 2011—2020 年中国各省份数据，具有很强的真实性、权威性与可信性，符合本文的实证要求，因此，本文选择数字普惠金融指数的对数值表征解释变量。

控制变量：用城市道路照明灯数量的对数值反映城市化水平（URB），用第三产业产值与第二产业产值之比衡量产业结构合理程度（STR），用城镇居民人均可支配收入的对数值反映家庭收入水平（INC），用地方财政支出占地区 GDP 的比例衡量政府调控（GOV），用规模以上工业企业单位数量的对数值代表工业化水平（IND）。

工具变量：互联网普及率（NET）， 用互联网宽带接入用户人数与常住人口总数之比衡量。

（三） 模型构建

1.基准回归模型

为了分析数字金融对我国区域性金融风险的影响，本文建立如下基准回归模型：

式中，i代表省份；t代表时间；RFRi,t为本文的被解释变量，表示i省份在第t年的区域性金融风险；解释变量为DF；Ctrls表示本文的控制变量；νi为个体固定效应；μt为时间效应；ε为随机误差项。

2.空间计量模型

为了探讨空间溢出效应，本文构建如下空间计量模型。

首先，本文构建空间滞后模型（SAR）如下：

式中，ρ为空间自回归系数；W为空间邻接矩阵，定义为：

上式中的i和j分别代表两个区域。然后，本文构建空间误差模型（SEM）如下：

式中，λ为空间误差回归系数。

最后，本文构建空间杜宾模型（SDM）如下：

式中，WRFRi,t是空间滞后项；系数ρ是空间自回归系数，表示空间上相邻地区对本地区形成的空间外溢效果，其估计值可以直接反映空间溢出效应的大小和方向。

四、实证研究与结果分析

（一） 描述性统计分析

表2给出了相关变量的描述性统计情况。表2显示，RFR的最大值为0.6496，最小值为0.1963，平均值为0.3292，表明我国不同地区区域性金融风险水平存在一定差异，且部分地区区域性金融风险较高。与RFR相比，虽然DF的均值更高，但其标准差远大于RFR的标准差，分布更具离散性，表明不同地区数字金融发展水平存在较大差异。此外，控制变量和工具变量的统计值均在正常范围内。

表2 变量的描述性统计

（二） 回归结果与分析

1.基准回归结果及分析

本文根据Hausman 检验结果，确定基准回归分析应采用双向固定效应模型，并得到回归结果见表3。由表3可知，在考虑控制变量的影响之后，数字金融每变动 1 个单位会使得区域性金融风险反向变动 0.0225 个单位，且在 5% 显著性水平下通过检验，即数字金融的发展会显著减缓区域性金融风险的积聚与发生，这一结论与 H1一致。可能的原因包括：数字金融的发展降低了信息收集成本，缓解了信息不对称程度，同时促进了金融创新，增强了金融体系抵御风险的能力，也抑制了区域性金融风险。在控制变量方面，样本期间的城市化水平、产业结构合理程度会抑制区域性金融风险的发生，家庭收入水平、政府调控与工业化水平的影响相反。

表3 基准回归结果

2.内生性分析

为确保实证结果的严谨性，本文借鉴康鑫依等[26]的做法，选取2011—2020年我国省级互联网普及率的自然对数作为工具变量进行内生性检验。一方面，数字金融的兴起、发展与互联网的普及率密切相关，另一方面，互联网的普及率与区域性金融风险没有直接关系，因此互联网普及率符合本文的工具变量选取标准。

表4为使用工具变量即互联网普及率（NET）进行两阶段最小二乘法的估计结果。结果显示，第一阶段F值远高于10，表明不存在弱工具变量问题，工具变量的选取有效。从第二阶段来看，引入工具变量后的回归系数为−0.0601，且在5%的显著性水平下通过检验，表明数字金融与区域性金融风险仍存在负向相关关系，即数字金融能抑制区域性金融风险，进一步证明了基准回归结果的严谨性，验证了H1。

表 4 (续)

表4 内生性检验

3.异质性分析

首先，由于我国不同地区资源要素配置与经济社会发展水平存在明显差距，导致数字金融发展状况差异较大，为此，本文拟进一步考察数字金融对区域性金融风险影响的区域异质性①。其次，尽管数字金融出现较早，但直到2013年余额宝的诞生才引发数字金融的快速发展，为此，本文拟借鉴段永琴[27]的做法，将研究样本分为2011—2012年和2013—2020年两个范围进行时间异质性检验。分析结果详见表5。

表5 异质性分析结果

表5显示，四个区域数字金融的发展均会抑制区域性金融风险，但影响水平差异较大，其中，数字金融对西部地区区域性金融风险的抑制作用最大，东北和东部次之，中部最小。可能的原因包括：随着我国西部地区数字基础设施建设加快，数字化技术推动了金融风险预警机制的完善，减小了区域性金融风险发生的可能性；东部地区和中部地区金融业配套设施相对完备，金融体系相对成熟，抵御风险的能力较强，故边际作用较小；东北地区因各种原因尚未实现实体经济和数字金融的深度融合，产业融合效应和产业联动效应不明显，导致数字金融对区域性风险的抑制作用不明显。表5还显示，在2011—2012年区间，数字金融对区域性风险的影响较小，但在2013—2020年区间，DF的回归系数在5%的水平下通过显著性检验，且系数绝对值远高于其在2011—2012年区间的数值，说明数字金融对区域性风险的抑制作用主要显现在2013年之后。

4.区域性金融风险空间相关性检验

为了验证假设2，本文首先选取30个省份的经纬度坐标构建基于地理位置的空间邻接矩阵，由此计算2011—2020年区域性金融风险的全局Moran′s I指数，进行空间相关性验证。计算公式如下：

式中X为区域性金融风险，S2为其样本方差，n为样本数量。表6显示，我国2011—2020年区域性金融风险的Moran′s I指数均显著大于0，即存在正向空间相关性，可进行空间面板回归分析。

表6 区域性金融风险空间相关性检验

然后，本文以空间邻接矩阵为基础，绘出区域性金融风险的四象限莫兰散点聚集图，见图1。

图1 2020年各地区区域性金融风险 Moran 散点图

限于篇幅，本文仅列示了2020年的Moran散点图。从图1可以看出，我国大多数省份主要集中在第I和第III象限，说明区域性金融风险水平相近的省份之间存在空间集聚现象，即具有正向的空间相关关系。

5.空间计量模型实证与分析

上述空间相关性检验结果表明，区域性金融风险具有正向的空间相关关系，下一步本文将验证假设2，即数字金融对区域性金融风险存在空间溢出效应。

为选择合适的空间计量模型，本文首先进行Hausman检验，根据检验结果P=0.0000选择空间固定效应模型。然后，使用LM检验拒绝混合OLS回归，发现双向固定效应在10%的显著性水平下大多数变量P值均显著，且拟合值R2最高，说明拟合程度最好。最后，根据LR检验结果，拒绝将SDM模型退化为SEM模型或SAR模型，故本文最终选用双向固定的SDM模型来研究数字金融对区域性金融风险的空间溢出效应。检验结果见表7、表8。

表7 LM检验结果

表8 LR检验结果

表9为数字金融对区域性金融风险的SDM估计结果。表9显示，采用空间杜宾模型进行空间计量分析时，空间自回归系数ρ为 0.2271，表明我国区域性金融风险存在显著的聚集效应。数字金融的空间滞后项W×DF系数为负，且在1%水平下通过了显著性检验，即数字金融对区域性金融风险具有显著的空间溢出效应，表明邻近地区数字金融的发展也会间接起到缓解本地区区域性金融风险积聚的作用，抑制区域性金融风险的产生，验证了假设H2。可能原因包括：随着邻近地区数字金融的不断发展，更多的高质量要素资源将流入该区域，在推动邻近地区经济发展的同时，通过扩散效应与区域协同效应促进本地区金融体系的完善，从而减小本地区区域性金融风险的发生概率。

表 9 (续)

表9 数字金融发展对区域性金融风险的SDM估计结果

由于SDM模型包含了空间滞后项，其系数不能准确度量模型中解释变量对被解释变量的影响程度，所以，本文下一步将采用偏微分方法对溢出效应进行分解，结果如表10所示。

表10 SDM模型直接、间接和总效应分解

表10显示，数字金融对区域性金融风险的直接效应为正，间接效应以及总效应均显著为负，表明在考虑空间因素之后，虽然跨地区数字金融活动会形成监管盲区，增加本地区金融风险的传播，但是由于邻近地区数字金融的发展可以通过空间溢出效应减缓本地区的区域性金融风险，且间接效应产生的抑制作用远远大于直接效应导致的加剧作用，因此总体上降低了我国区域性金融风险水平，验证了假设H2。城市化水平、产业结构合理程度的总效应均为负，表明这些因素会抑制区域性金融风险的发生，家庭收入水平、政府调控与工业化水平的总效应均为正，结论相反。

（三） 稳健性检验

为保证上述结论的可靠性，本文参考汪亚楠等[28]的做法进行稳健性检验。首先，更换本文的解释变量，用数字普惠金融指数三个维度分指标的对数值再次检验数字金融对区域性金融风险的空间溢出效应，三个维度分指标分别为覆盖广度（DF1）、使用深度（DF2）和数字化程度（DF3），回归结果见表11。可以看出，在替换解释变量后，空间滞后项回归系数仍为负，即邻近地区数字金融的发展抑制了本地区面临的区域性金融风险，且间接效应大于直接效应，加总后的总效应仍为负，证明了结论的可靠性与稳健性。其次，剔除直辖市。考虑到直辖市与其他省份相比可能存在一定的经济发展独特性，从而可能影响实证结果的准确性，因此本文剔除四个直辖市后再次进行回归分析，结果见表11，结论不变。

表11 稳健性检验

五、研究结论与启示

（一） 研究结论

本文以数字金融为解释变量，以区域性金融风险为被解释变量，基于我国2011—2020年30个省份的统计数据，构建面板模型与空间杜宾模型，实证检验数字金融对区域性金融风险的直接影响以及空间溢出效应，研究结论如下：（1）数字金融能显著抑制我国区域性金融风险。（2）我国区域性金融风险具有显著的正向空间相关性。（3）我国数字金融对区域性金融风险具有空间溢出效应，即周边地区数字金融的发展间接抑制了本地区的区域性风险。（4）数字金融对区域性金融风险的抑制作用具有区域异质性和时间异质性，对西部地区的抑制作用最大，东北和东部次之，中部最小，且抑制效应主要体现在2013年之后。

（二） 政策建议

基于上述结论，本文提出推动数字金融发展、缓解我国区域性金融风险的如下政策建议：

第一，健全数字金融运行机制，设立数字金融监管机构。本文研究显示，数字金融能够显著抑制我国区域性金融风险，为此，政府部门应健全数字金融运行机制，加强数字化基础设施建设，确保数字金融的良性发展。此外，政府部门可考虑设立数字金融监管机构，专门负责数字金融的监管和风险防范，通过建立与时俱进、动态调整的监管机制，一方面提高区域性金融风险监管的精准性和及时性，另一方面防范因数字金融过度创新而引发区域性金融风险。

第二，优化资源配置，拓宽数字金融的空间溢出通道。鉴于周边地区数字金融的发展可以通过空间溢出效应间接抑制本地区区域性风险，因此政府部门应该优化资源配置，加快构建大数据全要素流动的国内统一大市场，进一步消除阻碍要素跨区域流动的体制性障碍，加速要素间的空间集聚和跨区域深度融合，拓宽数字金融的空间溢出通道。

第三，实行差异化地区发展战略，增强整体风险应对能力。本文研究显示，数字金融对区域性金融风险的抑制作用存在地区差异，而根本原因在于各地区的经济社会发展水平存在明显各异。因此，现阶段我国政府应依据各地区实际情况采取差异化发展战略，推动西部大开发形成新格局，支持东北振兴取得新突破，促进中部地区加快崛起，鼓励东部地区加快推进现代化，通过缩小地区间差异增强整体风险应对能力。

注释：

① 根据中国四大经济区划分标准，东部地区包含北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南；中部地区包含山西、安徽、江西、河南、湖北、湖南；西部地区包含内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆；东北地区包括辽宁、吉林、黑龙江。