常靖函 杨雯迪

摘 要：本文以我国16家商业银行2008—2018年的年度数据为样本，引入数字普惠金融这一变量，研究了银行流动性比率和系统性风险的关系以及数字金融的调节作用机制。首先，本文构建了流动性比率作为商业银行流动性风险的指标，以条件再险价值作为系统性风险的指标。其次，本文利用数字普惠金融指数作为流动性风险的调节变量，研究其对系统性风险的作用机理。再次，本文得到了流动性比率与系统性风险的负相关关系，以及数字普惠金融指数会减弱流动性与系统性风险的关系。最后，本文解释了数字普惠金融对流动性比率作为监管指标的有效性影响，鼓励银行在发展数字普惠金融，实现发展转型升级的同时也要注意风险防控，政府也应及时健全监管体制。

关键词：流动性比率;调节效应;系统性风险;数字普惠金融

本文索引：常靖函，杨雯迪.<变量 2>[J].中国商论，2021（16）：-041.

中图分类号：F832 文獻标识码：A 文章编号：2096-0298（2021）08（b）--04

普惠金融一直是中国金融业发展的重要手段，数字技术与普惠金融的结合，更是未来金融行业发展的重要趋势。数字普惠金融，是一种让长期被现代金融服务业排斥的人群享受正规金融服务的一种数字化途径。同时金融机构还能利用数字技术低成本、高可得性、方便快捷等特点，全面提升金融的风险控制能力，促进金融市场的稳定发展。而银行业作为我国金融行业的核心，也正积极把握这一趋势，企图实现转型升级。

虽然数字普惠金融为资金的提供者与需求者带来了诸多便利，但同时也带来了新的风险。一方面，互联网自身具有一定的安全风险，如遭受数据丢失、隐私泄露等事件。另一方面，银行工作人员的操作风险，如私自挪用客户资金、过度放贷等现象。因此这对于商业银行的风险监管也提出了新的要求。传统的监管指标，如本文将要研究的流动性比率，是否能够对转型升级后的商业银行起到有效地监管作用？这对于政府改进现有的监管体系有着重要的参考意义。

本文拟对此问题进行研究，在分析商业银行流动性比率对系统性风险影响的基础上，加入数字普惠金融作为调节变量，分析数字普惠金融对其关系的影响。

1 文献综述

1.1 商业银行的流动性与系统性风险

自2008年次贷危机以来，国内外学者尤其注重流动性比率与商业银行风险关系的研究。一方面，一部分人认为商业银行的流动性比率和市场的系统性风险往往呈现正向关系。Acharya等 （2012）认为一旦商业银行拥有较高的流动性比率，则会强化银行承担风险的意愿，刺激银行过度投放信贷，增加系统性风险。King（2013）同样认为，导致银行的融资成本增加的原因之一就是监管部门对银行的流动性限制，这会增加商业银行的冒险行为。另一方面，一部分学者认为两者呈现负向关系。Hong 等 （2014）认为流动性风险会造成银行失去偿付能力，难以应对市场风险。刘志洋等（2015）研究发现流动性比率越低，商业银行系统性风险贡献度越高，这不利于银行体系的稳定。

1.2 数字普惠金融与系统性风险

一方面，数字普惠金融的发展为银行带来了诸多便利。卫晓峰（2019）认为数字技术能够降低金融机构的信息获取成本，降低市场风险与操作风险。另一方面，数字普惠金融也带来了诸多风险。黄益平（2017）认为数字普惠金融的风险应该引起人们的重视。40%的 P2P 平台都是问题平台，在支付、众筹和投资管理等领域也有挪用资金等现象。陈丹等（2019）指出，数字普惠金融是以互联网以及数字技术为依托，因此不可避免地会面临黑客攻击，同时，由于客户信息的产权不明晰，信息安全性受到威胁，会加大业务操作风险。

综合已有研究成果来看，流动性比率对系统性风险的影响有待探索与研究，而面对数字普惠金融的优势与风险，商业银行是否能够发挥数字普惠金融的优势也尚未有定论。由此可见，深入研究数字普惠金融的发展对流动性比率与系统性风险关系的影响具有理论意义和实践意义。

2 研究假设与模型构建

首先，为了验证流动性比率对系统性风险的影响，我们构建了模型 （1）：

（1）

CoVaRit代表银行i在第t年的系统性风险，LIQUIDit代表流动性比率，控制变量分别为不良贷款率 （NPLR），存贷比（LDR），总资产收益率 （RTA），资本充足率 （CAR），代表随机扰动项，捕获未被观测到的变量对系统性风险的影响。

其次，我们引入调节变量，构建新的模型进行回归。

（2）

本文分别引入数字普惠金融指数 （PD）以及测量使用深度指数中的支付、保险和信贷业务分类指数充当调节变量。当交互项的系数符号与自变量的系数符号相反，自变量的标准误增大时，说明调节变量降低了模型 （1）中流动性对系统性风险的解释性;当交互项与自变量的系数符号相同，则相反。其中，本文用Adrian和Brunnermeier （2016）研究中提出的条件在险值CoVaR来衡量系统性风险。

由此，我们作出以下假设：

假设1：在其他条件不变的情况下，流动性比率与系统性风险呈现负相关性。

假设2：引入调节变量和流动性比率的交互项后，流动性比率与系统性风险仍是负相关，同时调节变量的回归结果显著，对模型 （1）起到调节作用。

3 变量选择，数据来源与相关分析

3.1 变量选择与数据来源

考虑到研究数据的可得性和充足率，本文选取2008年以前上市的16家商业银行作为研究样本。其中，除北京大学数字普惠金融指数来源于北京大学数字金融研究中心，其他数据均来源于Wind数据库和国泰安数据库。

（1）被解释变量：如前文所述，本文选取条件在险值（CoVaR）作为被解释变量来衡量金融机构的系统性风险。

（2）解释变量。核心解释变量为流动性比率 （LIQUID），指的是一个银行的流动性资产与流动性负债的比率，是监管机构衡量银行风险的重要指标之一。当流动性比率增加时，银行流动性资产增加，风险溢出减小。故预期系数符号为负。本文选取了四个控制变量：不良贷款率 （NPLR）、存贷比 （LDR）、总资产利润率 （RTA）、资本充足率 （CAR）。

（3）调节变量。本文选择北京大学数字普惠金融指数（郭峰，2020）作为调节变量，该数据较为全面地反映了互联网金融的发展情况。主要采用其中的数字普惠金融指数（PD），以及测量使用深度指数中的支付、保险和信贷业务分类指数作为调节变量。

3.2 描述性统计

从系统性风险来看，CoVaR的最大值为0.052，最小值为0.016。在10年中虽有波动，但风险仍在可控范围内。从解释变量来看，流动性比例的平均值为0.45，虽然最小值为0.016，但标准差较低，大部分时期中国银行的流动性比率均在监管标准的0.25以上，风险较小。从调节变量来看，数字普惠金融指数在10年间飞速增长到300.208，说明其发展迅速。其中根据平均值来看，保险业务发展规模最大，其次为支付业务，信贷业务。

4 实证分析

本文对于短面板数据进行了固定效应估计。由于北京普惠金融指数只覆盖了2011—2018年的数据，为了便于回归，因此使用线性插值的办法将数据补全，回归结果见表1。模型 （1）为流动性比率与系统性风险的回归结果;模型 （2）～模型 （5）是各个调节变量分别于流动性比率形成交互项并加入回归模型，对原有方程做调节效应。模型 （2）为数字普惠金融作为调节变量;模型 （3）为支付、模型 （4）为保险、模型 （5）为信贷，括号内输出结果为标准误。

4.1 流动性比率与系统性风险

从模型 （1）来看，流动性比率系数结果为-0.0165，且在1%的水平下显著。在控制变量中，四个控制变量的系数均通过了显著性水平检验，且模型的拟合度较高，表示模型能够成功地解释流动性比率与系统性风险的关系。

该模型说明基于中国16家银行较高的流动性比率来看，流动性比率与系统性风险为负向关系。流动性比率越高，系统性风险越低。因为充足的流动性资产能够应对如信用风险、系统性风险等的危机情况，能够降低商业银行的风险溢出，稳定银行体系。

4.2 数字普惠金融对流动性比率与系统性风险关系的调节效应

模型 （2）引入两者的交互项，研究数字普惠金融在流动性比率和系统性风险中发挥的作用。从自变量来看，流动性比率的系数从-0.0165变为-0.0342，从在1%的水平下显著变为在5%的水平下显著。标准误从0.005变为0.014。从调节变量来看，数字普惠金融的系数结果为-0.0319，且在1%的水平下显著。从交互项来看，交互项在1%的水平下显著为正。

该变化说明在加入了交互项之后，流动性比率依然与系统性风险呈负向关系，再次证明了前文的假设。而数字普惠金融的系数结果显著为负，主要是因为互联网技术基于大数据构建了风险控制体系，能够降低系统性风险。自变量的标准误差增大，证明了数字普惠金融作为调节变量，对于原模型有显著的调节作用。表明随着数字普惠金融的发展，流动性比率对于系统性风险的负向影响的解释性会逐渐减弱。这与前文假设一致。

4.3 支付、保险与信贷业务的调节效应

从模型 （3）～模型 （5）的回归结果可知，流动性比率作为自变量，其系数结果在三个模型中均显著，调节效应与交互项也都呈现显著的结果。且交互项均显著为正，自变量的标准误均增大，说明支付、保险与信贷业务都在流动性比率与系统性风险的关系中起到调节的作用。其中，支付业务使自变量的标准误增加0.012;保险业务增加0.008;信贷业务增加0.014。这说明在三个业务中，信贷业务对原模型的调节作用最大，支付其次，表明数字普惠金融的调节效应主要是通过信贷与支付来实现的。

5 结论与建议

本文通过研究数字普惠金融在银行流动性比率与系統性风险中扮演的角色，运用2008—2018年16家上市商业银行的数据进行实证研究，最终得出以下结论。

5.1 结论

（1）流动性比率对系统性风险的影响显著为负。从模型（1）的回归结果来看，流动性比率的升高都会使系统性风险降低。加入了调节变量后，数字普惠金融的系统结果显著为负，流动性比率对系统性风险的系数有所减小，说明系统性风险的边际减小不仅受到流动性比率升高的影响，还增强了风险控制能力的作用。

（2）数字普惠金融对流动性比率与系统性风险的关系有调节作用，使得流动性对系统性风险的解释性会随着数字普惠金融的发展而不断减弱，而流动性比率衡量银行风险的功能受到了挑战。

5.2 建议

一方面，面对互联网技术的不断发展以及其他金融机构的压力，商业银行发展数字普惠金融成为中国银行转型发展的必然趋势。商业银行要积极发展数字普惠金融，开发更多的金融产品与服务。同时，也要严格控制风险指标，在发展支付与信贷业务时要把握风险，不能出现信用过度扩张等现象。同时也要避免技术与操作上的风险，严格保护客户隐私，保障客户权益，不断提高自身的数字金融服务能力。另一方面，政府要加强对于数字普惠金融的监管与引导。要继续完善发展数字普惠金融的法律法规，制定更加有效地监管指标，填补监管漏洞。

参考文献

Acharya V V， Pedersen L H， Philippon T， Richardson M. Measuring Systemic Risk[R]. New York University Stern School of Business Working paper ， 2010.

King M R. The Basel III Net Stable Funding Ratio and Bank Net Interest Margins [J]. Journal of Banking and Finance， 2013，37（11）.

Hong H， Huang J Z， Wu D. The Information Content of Basel III Liquidity Risk Measures[J]. Journal of Financial Stability， 2015，

15（9）.

劉志洋，宋玉颖.商业银行流动性风险与系统性风险贡献度[J].南开经济研究，2015（1）：131-143.

卫晓锋.数字普惠金融的风险与监管[J].金融理论与实践，2019 （6）：49-54.

黄益平.数字普惠金融的机会与风险[J].新金融，2017（8）：4-7.

陈丹，李华.商业银行发展数字普惠金融的机遇与挑战[J].南都学坛，2019，39（1）：117-124.

Ai C.R. ， Norton E.C. ，“Interaction Terms in Logit and Probit Molels”， Economics Leters ，2003 ，80（1）：123-129.

Pinar K.M. ， Norton E.C.， Bryan D.， Interaction Terms in Nonlinear Models[J].Health Srices Researeh ，2012 ，47（1Pt1） ：255-274.

Adrian T，Brunnermeier M K. CoVaR [J].American Economic Review，2016，106（7）.

郭峰，王靖一，王芳，等.测度中国数字普惠金融发展：指数编制与空间特征[J].经济学（季刊），2020，19（4）：1401-1418.

Research on the Impact of Commercial Bank Liquidity Ratio on Systemic Risk

——Based on the Moderating Effect of Digital Inclusive Finance

Henan University  CHANG Jinghan  YANG Wendi

Abstract： This article uses the annual data of 16 commercial banks in China from 2008 to 2018 as a sample， introduces the variable of digital inclusive finance， and studies the relationship between bank liquidity ratios and systemic risks， as well as the adjustment mechanism of digital finance. First， this article constructs the liquidity ratio as an indicator of commercial banks liquidity risk， and takes conditional reinsurance value as an indicator of systemic risk. Second， this article uses the digital inclusive finance index as a moderating variable for liquidity risk to study its impact on the systemic risk. Third， this article has obtained the negative correlation between the liquidity ratio and systemic risk， and the digital inclusive finance index will weaken the relationship between the liquidity and systemic risk. Finally， it explains the impact of digital inclusive finance on the effectiveness of the liquidity ratio as a regulatory indicator， and encourages banks to develop digital inclusive finance and achieve development transformation and upgrading while paying attention to risk prevention and control. The government should also improve supervision in a timely manner.

Keywords： liquidity ratio; adjustment effect; systemic risk; digital inclusive finance