数字科技如何影响中国的信用体系——基于商业银行行为的理论模型和实证检验

赵 建，王静娴

(济南大学 商学院，山东 济南 250002)

一、问题的提出

数字科技在金融领域的应用对中国的金融体系尤其是信用体系产生了重大甚至是重构式的影响，为信用体系摆脱对不动产抵押和高信用第三方担保的过度依赖，转向依靠企业等主体的经营数据和未来发展潜力提供了技术支撑，也为解决高科技企业和中小企业融资难融资贵问题提供了可能(1)赵岳，谭之博：《电子商务、银行信贷与高科技企业和中小企业融资——一个基于信息经济学的理论模型》，《经济研究》，2012年第7期。。

从信用经济学的基本原理来看，由于信息不对称的存在，信用的创造存在着较高的成本，这在以高科技企业和中小企业为主体的普惠金融领域尤为突出。同时由于存在更加严重的财务不透明、信息不规范、缺乏合格的抵押品等问题，使得高科技企业和中小企业信用的生产成本进一步抬高，这类企业即使出再高的“利率报价”也无法获得商业银行的充分信任，继而也就无法获得充足的资金支持。因此，中国的高科技企业和中小企业融资问题首先是信贷可得性问题，其次才是融资贵的问题(2)赵建：《普惠金融的现实困境与突破思路——基于技术可能性曲线与机制设计理论》，《山东社会科学》，2018年第12期。。数字经济的发展和数字科技在信用市场的普遍应用将逐渐改变这一难题。解决的技术路径可简单概括为：数字经济下高科技企业和中小企业的数字化运营沉淀了大量的数据，通过数字科技将数据转化为可供金融机构识别的信息，进而根据信用原理构建授信算法形成可贷资金，最终解决高科技企业和中小企业的信用形成问题。从理论上来说，就是通过数字科技甄别信号、传递信息、形成信用，最终解决它们与金融机构之间的高度信息不对称所引发的信贷配给(融资难)问题及信贷可得条件下的风险定价(融资贵)问题。如果这一技术路径得到实质性、普遍性应用，商业银行等金融机构将逐渐从房地产、重资产行业和政府担保的传统模式中解放出来，为高科技企业和中小企业提供更高质量的金融服务，进而更好地释放科技创新红利，更有利地推动中国经济新旧动能转换和高质量发展。

从当前中国的经济周期和信用体系的动态演进来看，经济增速下行和经济结构调整叠加导致宏观层面的信用创造乏力，典型表现为商业银行的贷款不良率居高不下、坏账侵蚀导致资本充足率不足、资产负债错配严重、利差快速收窄等，逐渐形成了信贷资源配置结构性矛盾：一方面，大量的信贷资源集中在房地产和以政府“刚兑”为信用背书的低效率、高风险领域。另一方面，充满市场经济活力和代表新兴经济动能的行业却得不到或很难得到信贷支持。当然，不能从“道德上”苛责商业银行等金融机构不作为，因为他们的“商业目标”就是追求风险调整后的利润最大化，为了实现这个目标，需要根据各种约束对授信资源进行最优配置，从而形成“有效资产组合前沿”，即风险既定下的预期收益最大化或预期收益既定下的风险最小化。因此在理性人假设下，让商业银行将更多的授信资源投向高科技企业和中小企业等新动能领域，需要对可能影响商业银行经营行为的约束条件和控制变量进行调整。在这个意义上，数字科技可以通过影响商业银行的信用风险管理行为从而对整个社会的信用创造活动产生影响，这将是数字经济下信用体系发生的重大变化。

二、数字科技影响信用体系的内在机理：理论框架

以信息科技为基础的数字技术在金融体系中的广泛应用将对传统的信用体系产生深远影响，一方面，催生了企业尤其是缺乏抵押品的高科技企业和中小企业数字信用资产的形成，提高了信用可得性；另一方面，拓展了金融机构的客户服务边界，将传统模式下无法提供服务的客户纳入业务范围。最重要的则是深刻改变了商业银行等信用中介的风险管理模式，提升了其风险偏好，从以抵押资产为核心的模式转变为以数字资产为核心的模式。随着数字科技的日渐成熟，这种新的信用生产模式将对信用体系的内在运行机理产生根本性影响。

1．信用需求端：数字科技催生了企业的数字资产

金融是现代经济的核心，有学者认为信用是金融的核心(3)陈元：《信用与资本——开发性金融研究》，《金融研究》，2020年第4期。。在现代市场经济中，企业一般都有信用或者融资需求，需要建立自己的信用生成条件以满足信用提供商的要求。通常，商业银行等金融机构利用抵押品、利率和贷款额度作为区分企业资质和识别企业风险的方法，并且依赖企业向其传递的可置信信号(4)Bester H.,Screening vs Rationing in Credit Markets with Imperfect Information, American Economic Review,Vol.75(1985),pp.850-855; Schmidt,Mohr.,Udo.,Rationing versus collateralization in competitive and monopolistic credit markets with symmetric information, European Economic Review,Vol.41(1997), pp.1321-1342; Hellmann T., F. K, C. Murdock, J. E. Stiglitz, Liberalization, Moral Hazard in Banking and Prudential Regulation: Are Capital Requirements Enough?, American Economic Review,Vol.90 (2000), pp.147-165.。从商业银行等金融机构风控的角度来看，企业信用的形成主要基于两大还款来源：一是经营性现金流。经营性现金流主要取决于对经营行为、市场地位、产品优势、财务状况的判断。信用的形成是基于未来的借贷关系，因此对未来经营状况的判断更重要；二是抵押资产处置和第三方担保提供的现金流。从信息经济学的角度来看，这两大还款来源可看作企业向商业银行传递不会发生违约、到期可按时还本付息的信号。所不同的是，将企业的经营性现金流等信息进行搜集、甄别并标准化后形成信贷合同(确定信贷金额和利率)的成本较高(5)安小雪：《监管政策影响了债券评级质量吗?——理论框架与经验证据》，《北京工商大学学报》(社会科学版),2022年第1期。；而以抵押资产和高信用第三方担保机构(比如公共部门)形成的信用信息处理成本较低(6)Besanko D., A. V. Thakor, Collateral and Rationing: Sorting Equilibria in Monopolistic and Competitive Credit Markets, International Economic Review, Vol.28 (1987), pp. 671-689；蒋少华，刘康博，刘威：《影子银行、商业银行与企业规模差异》，《重庆理工大学学报》(社会科学)，2020年第7期。。因为，抵押资产主要以房地产为主，具有较高程度的标准化和处置便利性，而政府等公共部门的担保则更具权威性。借款人通过两种还款来源向商业银行等金融机构传递信息形成信用的内在机理可用图1表示。

图1 信息-信用形成的一般机制

自信息科技革命以来，随着大数据、云计算、人工智能、区块链等数字技术的广泛应用，数字经济快速发展，各行各业的数字化程度不断提高，基于信息处理的信用形成机制也在不断变化，企业以经营数据为基础形成信用资产的成本越来越低。数字化已经成为当前企业参与市场竞争的必备条件，企业在运用数字技术进行生产、销售、管理等日常经营行为的过程中，积累了大量数据，这些数据具有较强的客观性、实时性，并且可交叉验证的程度较高，经过处理后可以有效地向信用机构传递可置信的信号，从而形成自己的信用资产。数据足迹的信息内容被用来分析企业和个人等信用个体的信用能力，企业的生产、经营、销售等行为以及个人的手机消费记录、使用习惯、浏览记录等成为大数据库的资源。金融机构从大量数据信息中提取出关于企业和个人还款能力和意愿的真实信息，从而实现对企业和个人画像的精准描绘，这些画像构成企业和个人的数字信用，并成为企业和个人能否获得信贷支持的关键依据，这也为企业形成数字信用资产提供了可靠的“原材料”。从这个意义上来说，数据作为企业的新型生产要素(7)李忠民，周维颖，田仲他：《数字贸易:发展态势、影响及对策》，《国际经济评论》，2014年第6期；肖静华，谢康，吴瑶：《数据驱动的产品适应性创新——数字经济的创新逻辑(一)》，《北京交通大学学报》(社会科学版)，2020年第1期。，不仅提高了企业的生产能力，还为企业依靠经营行为数据形成信用创造了基础。依赖数字技术形成数字资产从而产生数字信用，不仅促进了信用生成机制从依赖不动产抵押和高信用第三方担保，转向依靠反映企业经营真实状况的数字资产，并且通过物联网等技术将原本很难抵押的存货等动产“不动产化”，大大拓展了经济体系的高质量信用生成边界。企业数字资产与信用形成的一般机制见图2。

图2 企业数字资产及其数字信用形成的一般机制

2．信用供给端：数字科技拓宽了商业银行等金融机构的业务边界

商业银行作为商业性金融企业，其经营目标是在成本和风险约束下追求利润最大化，根据自身的风控技术和成本管理能力确定业务边界和客户群体。数字技术与金融业务深度融合，最大的影响是拓宽了商业银行等金融机构的成本和风险约束曲线，也同时拓宽了它们的业务边界和客户群体。尤其是数字科技在风险管理中的运用，可以将原来不在商业银行等金融机构风险偏好之内的较高风险项目纳入自己的业务范畴，这些项目很多都是来自高科技企业和中小企业(8)Daniel B. ,Darrell G. ,The Potential of Digital Credit to Bankthe Poor, Aea Papers Proceedings, Vol.108 (2018), pp.68-71; Tobias Berg, Valentin Burg, Ana Gombovic, Manju Puri, Andrew Karolyi,On the Rise of FinTechs: Credit Scoring Using Digital Footprints,The Review of Financial Studies,Vol.12 (2020),pp.2845-2897.。这意味着，数字科技在商业银行等金融机构中的应用，不仅有利于金融资源向高科技企业和中小企业倾斜，而且信用结构得到了一定程度的优化。

图3 数字科技对商业银行等金融机构信用供给可能性曲线的影响

图3展示了数字科技应用后，商业银行等金融机构信用供给可能性曲线的位移。我们假设商业银行等金融机构为两个项目提供信用，项目A是低风险、低收益的项目，项目B是高风险、高收益的项目。商业银行金融机构根据风险管理和成本管理能力提供这两个项目的各种组合，形成了一条连续的可能性曲线。在采用数字科技后，金融机构的成本管理和风险管理水平都获得了提高，推动可能性曲线向外位移扩展，不同的应用重点产生不同的可能性曲线位移路径：从可能性曲线1向可能性曲线2的位移，是由于数字科技提高了成本管理能力、放松了成本约束。假设所有项目的成本结构相同，那么曲线是平行位移的，即低风险项目与高风险项目同时增加。从曲线1向曲线3的位移，表示的是数字科技在风险管理技术中的应用，比如采用大数据技术交叉验证企业的财务数据并追踪企业的行为数据等，都提高了商业银行等金融机构对高风险项目的风控能力。可以看出，这次曲线的位移并不是平行的，而是高风险项目B的数量增加，低风险项目A的数量可能会减少。总的来说，数字科技助力拓展了商业银行等金融机构的业务边界。

在现实中，数字科技是如何改进商业银行等金融机构的成本管理技术和风险管理技术的呢？首先，数字科技的应用使得商业银行等金融机构与企业之间的信息透明度得到提高，两者之间的稳定性和亲密度都得到较大改善。大数据、云计算等数字科技手段提高了商业银行等金融机构信息搜集、处理、评估的能力。同时，金融机构对企业数字资产认可度的提高也加强了企业向机构传递自身经营能力、流动能力等信用信号的意愿，并且这个过程是相互增强的。信用供需双方之间的信息交流屏障被数字科技打通，信息不对称现象得以缓解。对商业银行等金融机构来说，信息的透明化促使其可以更好地信任过去很难信任或者高成本才能信任的高科技企业和中小企业。商业银行等金融机构通过多渠道、多方位收集客户数据，根据信用风控的算法进行处理，设置基于数字风控技术下的准入规则和自动化审批机制，拓展授信业务边界和客户群体。

其次，数字科技的应用显著提高了商业银行等金融机构的成本管理能力和工作效率。由于信用的形成具有规模效应，授信额度的边际成本随着信贷规模的增加而减少。这导致在传统信贷模式下，商业银行等金融机构具有强烈的规模偏好，产生了大客户偏好的信用供给曲线。数字科技的应用能够减少搜集信息、审核信息、监督以及追踪资金流向的各项成本。数字化审批流程能够缩短企业审贷的等待时间以及审核时长，滞后的审贷周期变为即时性到款(9)Tobias Berg, Valentin Burg, Ana Gombovic, Manju Puri, Andrew Karolyi, On the Rise of FinTechs: Credit Scoring Using Digital Footprints,The Review of Financial Studies,Vol.12 (2020),pp.2845-2897.。人工智能、云计算和区块链等技术则能够集中化处理企业的海量数据，据此描绘出完整的客户画像，提高审贷效率以及准确度。

第三，数字科技的应用改变了商业银行等金融机构的风险管理技术和传统授信模式。一方面，商业银行等金融机构通过供应链、税务、海关等渠道获取企业、企业经营人员的信用信息，以及通过电商平台提供的现金流、交易记录、投诉纠纷等行为获取企业的相关经营数据，从而获得较为全面的信用评估结果(10)Müller Oliver, M. Fay, J. Vom Brocke, The Effect of Big Data and Analytics on Firm Performance: An Econometric Analysis Considering Industry Characteristics, Journal of Management Information Systems,Vol.35 (2018), pp.488-509.，以此从而优化商业银行等金融机构的风险管理技术，增强其风险预警能力和风险控制能力；另一方面，数字科技帮助企业积累多方面的数字信用信息，从而有效改变传统授信模式。与抵押品和担保等不同的是，数字信用应用范围更广泛，只要能产生数据并形成有效信号的经济个体都可以形成数字信用。随着数字科技的不断升级迭代，数字资产传递的信用信号更加真实、完整、可靠并且更具公信力。因此，对于缺乏固定资产作为抵押物的高科技企业和中小企业来说，数字信用可以发挥出与抵押品相似的可置信信号传递功能，对传统信贷模式产生根本性影响。

三、数字科技与信用创造：基于商业银行经营行为的基本模型

数字科技的应用能够改变商业银行等金融机构的信用供给可能性曲线。商业银行是金融机构主要的信用提供商，本部分我们将以商业银行行为为基础构建基本的理论模型，分析商业银行在选择不同风险等级项目的过程中，数字科技产生的重要影响。

(一)模型设定

1．对借款企业的假设

假设在竞争性信贷市场中，借款企业均无初始资金投资项目，资金只能从商业银行贷款获得。为简化分析，参考已有文献中对借款人的假设(11)[美]弗雷克斯：《微观银行经济学》，李冬蕾等译，北京：中国人民大学出版社，2014年版，第125页。，我们设定在市场中只有两种类型的企业，分别为低风险企业L与高风险企业H。风险参数θk(k=L,H)代表企业经营失败的概率，k代表借款企业类型。θk值越大，风险越高，即θL<θH。

2．对商业银行的假设

在信贷市场中，风险中性的商业银行设定贷款利率和抵押品向借款企业提供贷款合同γk=(rk,Ck)(k=L,H)，其中，rk表示贷款利率，Ck表示要求借款人提供的抵押品。根据Bester(12)Bester H., Screening vs Rationing in Credit Markets with Imperfect Information, American Economic Review,Vol.75(1985), pp.850-855.的假设，贷款人向借款人提供的贷款合同中，利率是抵押品的减函数，也就是说借款人提供的抵押品越多，所承担的贷款利率就会越低。借鉴赵岳等(13)⑤赵岳，谭之博：《电子商务、银行信贷与中小企业融资——一个基于信息经济学的理论模型》，《经济研究》，2012年第7期。提出的假设，商业银行可贷资金不受约束，存款利率简化为0。

(二)传统信贷模式中商业银行借贷行为分析

假定商业银行拥有的贷款资金为B，商业银行选择向低风险借款企业贷款的比例为VL，选择向高风险借款企业贷款的比例为VH。商业银行向不同类型借款企业提供贷款时，设ML、MH分别为低风险项目和高风险项目的信息处理成本，其中0

那么在传统的信贷模式中，以赵岳等⑤建立的银行利润函数为基础，此时商业银行选择向低风险企业贷款可获得的预期利润πL为：πL=(1-θL)VLBrL+θLCL-VLBrL-ML，选择向高风险企业贷款可获得的预期利润πH为：πH=(1-θH)VHBrH+θHCH-VHBrH-MH。当竞争性信贷市场实现均衡时，商业银行实现零利润。因此，由利润函数推导得出，设VL1、VH1分别为传统信贷模式下，商业银行向低风险企业和高风险企业贷款的比例，则：

也就是说，在传统的信贷模式下，商业银行缺少充足的信息来源来识别不同借款人的身份，所以偏好风险中性的商业银行为了自身利益最大化会选择低风险低收益的信贷投放方式，即将大量资金投入到硬性条件较为充足的低风险企业中，对资质较低且信息量较少的高风险企业缩减信贷规模(15)Stiglitz J. ,Weiss A. , Credit Rationing in Markets with Imperfect Information, American Economic Review, Vol.71 (1981) , pp.393-410.。

根据上述推论，提出假说1：在传统信贷模式下，商业银行为实现自身利益最大化，偏好于选择低风险的企业。对于高风险企业，商业银行会减少贷款规模，降低信贷投放力度。

(三)数字科技运用初期对银行借贷行为的影响

本文借鉴洪卫等(16)洪卫，靳亚阁，谭林：《银行数字化缓解中小微企业融资约束：一个理论分析》，《金融理论与实践》，2020年第11期。在商业银行数字化转型时期的成本假设，用W表示在数字科技投入初期，商业银行为适应数字化转型所耗费的时间、人力、物力成本，以及利用数字科技处理不同类型企业信用信息所耗费的审贷成本。在这一时期，商业银行利用数字科技对企业进行风险识别的技术投入以及信息审核成本将大于传统信贷模式，即W>MH>ML。

也就是说，在商业银行数字化转型的初期，数字科技虽然可以帮助商业银行统筹收集企业信息，分析企业风险状况，但是，由于数字科技成本对包括风险成本在内的预算成本的挤压，商业银行非但不能增加对高风险企业的信贷规模，反而会继续降低对其的贷款力度。

根据以上推论，提出假说2：在数字科技投入运用的初期，数字科技并没有扩大商业银行对高科技企业和中小企业的贷款规模，反而由于数字科技的大规模投入，弱化了商业银行的风险抵抗能力，促使商业银行选择更加保守的低风险信贷策略来提高效益。

(四)数字科技投入后期对商业银行借贷行为的影响

首先,由于初期大量的科技投入可以使得商业银行的科技运营形成规模优势，商业银行后期科技投入的边际成本会不断下降。同时，数字科技的深度运用提高了商业银行对企业信息加工处理的作业效率，商业银行的审贷成本进一步降低。本文用Z来表示商业银行在数字科技投入后期，借贷行为所产生的成本，此时，Z

其次，在数字科技投入使用后期，数字信用的形成在为企业提供了可供“抵押”的无形资产之外，也改变了借款人贷款合同的设计与选择。由于低风险企业大多为实物抵押品充足且信誉水平较高的大型企业，客观上不需要利用数字信用获得贷款。故本文基于滕磊(17)滕磊：《数字普惠金融缓解中小企业融资约束的机制与路径》，《调研世界》，2020年第9期。的假设，将数字资产作为信用评估的信息依据来设计高风险借款人的贷款合同，即高科技企业和中小企业在进行借贷时，除了可以抵押传统的资产之外，还可以提供δCH的“数字信用抵押品”，其中δ表示企业数字信用占比。

这一公式表明，在这一阶段，数字经济的日渐成熟推动着数字科技的深度运用，企业行为数据信息产生的信用价值得到银行的认可。当企业的数字信用成为类似“可抵押”的无形资产时，商业银行与高风险借款人之间的贷款合同发生了重大改变，数字资产的产生使得高科技企业和中小企业有了强有力的信用支撑，更有效的信号传递使得商业银行针对高科技企业和中小企业的违约风险更加可控。在这一情况下，商业银行的风险管理和风险定价能力提高，风险偏好水平也随之上升。我们用图4来定性化描述数字技术的应用对商业银行风险偏好的改变。从图4可以看出，由于商业银行在数字技术的支持下可以更加有效地识别高风险贷款人发出的信号，因此风险偏好曲线从曲线1外移到了曲线2，风险-收益代表的均衡点也由低风险低收益的项目A，移动到了高风险高收益的项目B。同时从上面推导的公式中我们看出，数字科技的应用并没有对低风险企业的贷款比例产生较大的影响，商业银行风险偏好的提高会加大对较高风险客户的信贷资源配置，从而也就增强了商业银行的信用创造能力,提高了对高科技企业和中小企业的信贷规模。

图4 数字科技的运用对商业银行风险偏好曲线的影响

需要注意的是，在未充分利用数字科技阶段、数字科技运用初期以及深度运用的后期，商业银行的风险偏好调整以及对不同风险项目的选择策略存在着较大变化。这意味着，在传统的信贷模式下，高科技企业和中小企业由于缺乏足值的实物抵押品，使其无法处于商业银行的信用供给可能性曲线和业务边界之内。但在商业银行利用数字科技进行转型的初期，由于前期的投入成本过大，商业银行选择更加保守的信贷投放策略来实现利润最大化目标，所以在这一时期，数字科技对高科技企业和中小企业的信贷配置可能会产生挤出效应。在数字科技深度运用阶段，由于数字资产的广泛形成，数字金融基础设施的进一步完善，商业银行将数字科技更集中地应用到风控和成本管理的中后台，大大提升了商业银行的信用供给能力，扩大了业务边界和客户群体，从而扩大了对高科技企业和中小企业的信贷规模。

根据上述论述，提出假说3：在数字经济发展的不同阶段，数字科技投入与商业银行的信用配置行为和风险偏好之间存在着非线性关系。在数字经济发展初期，数字科技投入成本高，数字科技的投入反而有可能对高风险项目产生挤出效应。在数字经济发展的成熟期，由于企业数字化逐渐普及，商业银行数字科技投入的边际成本降低，数字科技推动着商业银行改变传统的信贷经营模式，以数字资产为信用基础给高科技企业和中小企业提供信贷服务。

四、实证检验：基于中国上市银行的面板数据检验

为了验证本文第三部分提出的假说1、2、3是否成立，本部分将利用我国上市商业银行公开数据进行实证检验，分析商业银行在数字科技投入使用的不同阶段对高科技企业和中小企业贷款规模是否有不同程度的影响。

(一)模型设定

首先设定面板线性回归方程：

该公式为标准的线性模型。由于本文假设存在非线性关系，为检验本文非线性假设的正确性以及阶段性线性假设的存在，本文选取Hansen的面板门槛模型(18)Hansen B. E., Threshold Effects in Non-Dynamic Panels: Estimation,Testing and Inference, Journal of Econometrics,Vol.93 (1999), pp.345-368.。该模型的主旨思想是将门槛值作为一个未知变量纳入一般的计量模型中，构建所考察区域内的解释变量系数的分段函数，并对门槛值及门槛效应进行相应的估计和检验。本文根据假设设立一个非线性模型，以q(时间、数字经济发展规模)为门槛变量，判断商业银行数字科技的投入与高科技企业和中小企业贷款规模之间是否存在门槛效应。

其次，根据面板线性回归以及本文的假设推论，设定具备双门槛的非线性回归方程：

该式为非线性门槛回归方程，其中，i和t分别表示商业银行个体和时间变量。sm_credit为商业银行对高科技企业和中小企业的贷款规模、bank_fintech为商业银行数字科技投入水平，control为控制变量组。γ1、γ2分别为两门槛的临界值，γ1< γ2。

(二)样本与数据来源

本文原本以我国51家上市商业银行为考察样本，时间期为2010—2020年。根据数据的完整性以及可得性，最终选取了包括大型商业银行、股份制银行、城商行以及农商行在内的43家上市商业银行为研究样本。商业银行数据主要来自于国泰安数据库以及各家商业银行年报，宏观经济变量数据来自于国家统计局。

(三)变量说明

1．被解释变量

被解释变量为高科技企业和中小企业贷款规模(sm_credit)。本文以商业银行向高科技企业和中小企业发放贷款的增长率作为代理变量，度量商业银行向高科技企业和中小企业贷款的力度(19)金洪飞，李弘基，刘音露：《金融科技、银行风险与市场挤出效应》，《财经研究》，2020年第5期。。

2．核心解释变量

核心解释变量为商业银行数字科技投入水平(bank_fintech)。现有文献度量商业银行数字科技发展程度的指标主要有两类：一是郭品等以及刘忠璐等根据金融功能观构建的历年互联网金融指数(20)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》，《财贸经济》，2015年第10期；刘忠璐，林章悦：《互联网金融对商业银行盈利的影响研究》，《北京社会科学》，2016年第9期。；二是基于蚂蚁金服的交易账户底层数据编制的中国数字普惠金融指数。本文主要参考郭品等的做法所使用的构建互联网金融指数的方法，重点聚焦于数字科技对银行业的赋能作用，利用文本挖掘法构建各家商业银行运用数字科技进行数字化改革的衡量指标。第一步，根据数字科技对银行业的赋能领域，确定关键词库。本文参考唐也然的做法从数字科技的技术、渠道和信贷业务应用三个层面，建立反映商业银行数字科技发展的关键词词库(21)唐也然：《商业银行发展数字科技如何影响信贷业务？——基于上市银行年报文本挖掘的证据》，《金融与经济》，2021年第2期。。第二步，本文将商业银行名称与各技术关键词搭配进行搜索，利用Python获取我国43家上市商业银行在2010—2020 年各年度的新闻搜索结果，得到各家商业银行关于数字科技的相关数据。本文选取熵权法来测算我国上市商业银行数字科技投入水平。

表1 商业银行数字科技关键词库

3．控制变量

对已有文献分析，本文采用影响商业银行经营水平的微观层面的指标有：(1)流动性水平(current)，本文用存贷款比率作代理变量。(2)盈利能力(profitability)，本文用营业利润率作代理变量。(3)资本结构(structure)，本文用银行权益对负债比率作为代理变量。(4)资产规模(capital)，本文采用银行总资产规模为代理变量，为防止与其他变量产生量化级差别，故将其取对数处理。除此之外，宏观经济层面上的控制变量主要有：(1)宏观经济水平，选取名义国民生产总值GDP增速(gdp)来衡量。(2)货币政策，选取广义货币流通量增速(M2)来衡量。(3)通货膨胀水平，选取居民消费物价指数(CPI)来衡量。(4)利率市场化政策(R)，为虚拟变量，用来排除由于国家普惠金融政策对实证结果的诱导作用，2015年及以后取值为1，之前为0。

4．门槛变量

本文选取的门槛变量有：(1)时间趋势(year)，(2)数字经济发展规模(digital_economy)。上述各变量定义与描述性统计情况如表2所示。

(四)实证结果

1．面板单位根检验以及协整性检验

为避免出现伪回归结果，本文首先进行单位根检验。经检验，所有变量在进行一次差分之后呈现平稳性，具体结果如下。

表2 描述性统计

表3 单位根检验

进而使用Kao检验验证模型是否存在伪回归期稳定的均衡关系，Kao检验的p值为0.000，显著拒绝了不存在协整关系的原假设，说明各个变量之间具有长期稳定关系。

表4 Kao协整检验结果

2．门槛检验结果

在门槛检验命令之前，本文为防止结果出现异方差、自相关等问题，利用可行广义最小二乘法(FGLS)逐步添加控制变量进行基准回归分析。回归效果显示，R2以及F值的拟合效果显著。同时，因变量与自变量之间的估计系数为正，说明数字科技的投入对扩大高科技企业和中小企业贷款规模有正向促进作用(22)该实证结果由于篇幅原因不在原文披露，如有读者需要，可通过编辑部向作者索取。。

经基准回归分析，本文证实了数字科技投入与高科技企业和中小企业贷款规模之间存在显著的相关关系。因此，本文进一步通过面板门槛效应检验两者之间是否存在非线性拟合效果。由表5可知，以时间为节点的单门槛以及双门槛效应在10%的置信水平上均显著；数字经济发展规模的双门槛效应在10%的置信水平上显著。故本文在探究数字科技投入水平与高科技企业和中小企业贷款规模问题上采用双门槛效应进行实证分析。

表5 门槛效应检验结果

表6所示为双门槛模型门槛值的估计结果以及门槛值的95%置信区间。由表6可知，以时间为门槛的门槛值分别为2016年和2017年，以数字经济发展规模为门槛的门槛值分别为0.303和0.348。两种门槛值检验出的双门槛效应显著，印证了本文第三部分理论模型中数字科技投入与高科技企业和中小企业贷款规模之间非线性关系假设的存在，同时也证明了两者之间具有三阶段不同线性效果假设的正确性。

表6 门槛值估计结果及其置信区间

根据表7，在2016年之前，数字经济发展规模低于0.303。在两种门槛的检验中，数字科技投入水平与高科技企业和中小企业贷款规模之间均呈现并不显著的正向关系。可能的解释是，这一时期社会整体的数字经济发展程度不高，在信用需求端，高科技企业和中小企业还没积累起足够的数字资产，银行的信贷业务主要还是以传统模式为主，数字科技的投入主要在前台的获客和营销环节。同时这一阶段商业银行的经营业绩普遍较好，总的成本预算比较充足，对数字科技的成本投入并没有“挤出”对高科技企业和中小企业等高风险业务的成本投入。甚至由于获客成本的降低略微推动了这些业务的发展。因此门槛效应的第一阶段实证结果证实了本文假说1的正确性。

在数字经济发展规模介于0.303-0.348的门槛检验中，数字科技投入与高科技企业和中小企业贷款规模之间呈现显著的负向关系，表明在数字经济快速发展的背景下，商业银行虽然已经开始进行全面的数字化转型，但仍然没有将投入重点落实到商业银行的中后台业务层面，而且可能存在着数字科技成本投入对高科技企业和中小企业信贷业务的挤出效应。商业银行初期的技术投入增加了业务成本，但由于数字经济的规模经济特征，数字积累程度不够，商业银行数字风控能力还不够成熟，无法真正解决高科技企业和中小企业的融资难融资贵问题。门槛效应的第二阶段实证结果在一定程度上证明了假说2的正确性。

表7 门槛参数估计结果

在2016年至2017年以时间为门槛的检验中，实证结果显示这一阶段的数字科技投入可以提高对高科技企业和中小企业的贷款力度。从估计系数上也可以看出，这一时期的拟合效果最为显著，数字科技的投入对扩大高科技企业和中小企业贷款规模的正向促进作用最为强烈。这一结果表明，商业银行利用数字科技提高高科技企业和中小企业贷款力度的作用效果存在滞后性。在2017年之后，数字经济发展规模大于0.348，社会的数字化转型进入相对成熟阶段。在两种门槛的检验中，数字科技投入水平与高科技企业和中小企业贷款规模之间均呈现显著的正向相关关系。说明随着数字经济规模变大，企业数字化经营程度越来越高，当数字资产真正形成并可以转化为商业银行信用风控的基础时，数字科技的投入才会提高商业银行对高科技企业和中小企业的信贷服务及自身的风险偏好。故门槛效应的第三阶段实证结果证实了假说3的正确性。

为检验实证结果是否可靠，本文通过更换变量的方法进行稳健性检验，将中国数字普惠金融指数替代商业银行数字科技投入水平，通过可行广义最小二乘法进行检验，检验结果与上文回归结果、拟合效果以及显著效果一致。同时为防止内生性问题，本文使用数字科技投入水平的滞后一期值替代当期值(23)该实证结果由于篇幅原因不在原文披露，如有读者需要，可通过编辑部向作者索取。，对模型重新进行了估计。核心解释变量的结果与上文基本一致，因此本文的结论保持稳健。

五、结论与建议

本文分析了数字经济背景下信用生态体系发生的根本性变化，即由抵押品作为信息传递和信用形成的载体，转为数字技术支撑下形成的数字资产，从而为高科技企业和中小企业的第一还款来源(经营性现金流)的信用创造提供了可能。同时商业银行等金融机构也不断提升自身的数字风控水平，最终促进客户服务范围发生改变，由长期锁定的(低风险、低收益)项目均衡点，转向(高风险、高收益)的项目均衡点，这意味着商业银行等金融机构信用创造能力的提升，同时也意味着金融服务实体经济能力的提升。本文在分析数字信用形成和作用机理的基础上，构建了一个基于商业银行借贷行为的利润函数，在不同风险客户的选择决策中讨论了数字科技的应用对商业银行风险偏好的影响。研究结论认为，在数字科技运用初期，商业银行对高科技企业和中小企业依然存在信贷配给问题。只有在数字科技深度应用后，企业的经营数据积累形成数字资产并向商业银行传递有效信号之后，商业银行的信贷供给能力才会在数字技术的应用中得到进一步提升。针对这些理论模型得出的结论，我们通过实证检验了商业银行数字科技投入水平与高科技企业和中小企业的贷款规模之间的非线性关系，证明了数字科技运用水平的提升的确会提高商业银行的风险偏好和对高科技企业和中小企业的支持力度。但是在数字科技运用水平的初期，商业银行的信用供给能力并不会得到明显提升，只有在数字科技深度运用后，在社会实现数字化转型的背景下，数字信用资产被广泛认可并积累形成一定的规模后，商业银行的信用创造能力以及服务高科技企业和中小企业的效果才能随之显现，真正实现整个信用体系的重塑与升级。

基于上述研究，本文提出两个政策建议。第一，从微观层面来看，商业银行等金融机构应该加大对数字科技的全方位应用，尤其是要打造“大数字中台”体系。商业银行在数字技术的应用上主要集中在能快速带来流量和财务效益的前台环节，比如客户营销系统、流量渠道和体验触点体系等，但对客户数据库的深度挖掘、数字化的授信评估、风险实时监测等后台方面，所投入的资源和要素以及取得的成效还相对较少。因此，建议在新一轮数字化转型中，商业银行等金融机构要增强数字科技在中后台风险管理和成本管理中的应用。第二，从宏观层面来看，监管部门和相关政策部门应该意识到数字经济背景下信用创造机制发生的深刻变化，为高科技企业和中小企业的信用形成搭建数字化基础设施和平台。建议相关政策部门借鉴个人征信体系的建设和运营方式，搭建全国统一的企业征信数据平台，将税务、海关、经贸、水电暖等数据在权限范围内迁移到统一的数据集成和处理平台上，为社会提供具有公信力的信用数字资源，供商业银行等金融机构进行信用评估，促进缺乏抵押品和政府担保的高科技企业和中小企业等主体的信用数字资产的形成。与此同时，在数字资产形成的过程中，互联网监管部门要提高对企业和个人数据的保护力度，防止由于信息泄露造成的电信欺诈等违法案件的发生，通过法治手段优化数据共享机制，为数字资产及其信用的形成提供更好的基础支撑。