数字人民币推广背景下商业银行风险管控策略研究

　　3.2.3 数字人民币推广与操作风险与合规风险

　　数字人民币推广需要银行与中央银行数字平台，以及与第三方技术提供商对接，增加了系统对接、网络安全及数据合规的成本与难度。若银行技术投入不足或内部控制不完善，将增加技术故障风险及合规违规风险。

　　假设3（H3a）：数字人民币推广程度与商业银行操作风险水平显著正相关；

　　假设3（H3b）：数字人民币推广程度与商业银行合规风险水平显著正相关。

　　3.2.4 技术投入与内部合规的中介作用

　　在数字人民币推广背景下，技术投入（如支付系统升级、风控模型建设、网络安全平台建设）是商业银行应对新风险的首要响应；同时，完善的内部合规机制（如数据治理、权限管理、应急预案）是消化政策冲击并确保合规运营的关键。

　　假设4（H4a）：技术投入在数字人民币推广与银行信用风险、流动性风险控制之间发挥部分中介作用；

　　假设4（H4b）：内部合规完善在数字人民币推广与银行操作风险与合规风险控制之间发挥部分中介作用。

　　3.2.5 异质性假设

　　大中型银行、国有银行在技术资源、资金实力与合规体系建设方面具备优势，对数字人民币推广下的风险冲击具有更强的抵御能力；而小型银行与城商行则相对脆弱。

　　假设5（H5）：在其他条件相同的前提下，大中型与国有银行受数字人民币推广影响对信用风险与流动性风险管控的边际效应更显著，小型与股份制银行操作与合规风险上升幅度更高。

　　4 研究设计

　　4.1 样本选择与数据来源

　　本文选取2018—2023年中国数字人民币试点项目所在6个城市中的A股上市商业银行为样本，剔除金融控股集团与合并报表口径不匹配的银行后，最终获得6家银行按季度为单位的面板数据，共计144个观测值。微观数据主要来源于Wind与CSMAR数据库，包括银行季度财务报表、风险指标、IT支出与合规评分等。数字人民币推广指标基于央行公布的数字人民币试点交易额、司库行结算量与用户覆盖率数据构建；宏观经济与城镇化率数据来源于国家统计局。为减少极端值影响，对连续变量在1%与99%分位进行截尾处理。

　　4.2 变量测度

　　4.2.1 被解释变量

　　（1）信用风险指标（CRisk）：季度不良贷款率（NPL），以该行所有贷款不良余额/贷款总额衡量；取自然对数反向处理后归一化，数值越高表示信用风险越低；

　　（2）流动性风险指标（LRisk）：季度银行流动性覆盖率（LCR）倒数，LCR越低表示流动性风险越高；同样取倒数后归一化；

　　（3）操作风险指标（ORisk）：季度重大操作失误事件次数/业务交易次数的倒数，数值越高表示操作风险越低；

　　（4）合规风险指标（CompRisk）：季度内部合规检查中发现的合规违规项数/检查总项数的倒数，数值越高表示合规风险越低。

　　将四项指标分别用于对应风险维度回归。

　　4.2.2 核心解释变量

　　数字人民币推广程度（eCNY）：由试点城市央行公布的季度数字人民币交易额占社会零售总额比例（TransShare）和用户电子钱包开通率（WalletRate）两项指标按0.6：0.4加权合成，归一化后作为季度面板数据中的eCNY指标，数值越高表示数字人民币推广程度越高。

　　4.2.3 中介变量

　　（1）技术投入（TechInv）：季度银行IT相关支出占季度营业收入比例；

　　（2）内部合规评分（IntCtrl）：根据信用评级机构对银行内部治理与合规体系的季度评价得分，归一化后使用，数值越高表示内部合规机制越完善。

　　4.2.4 控制变量

　　选取季度次要控制变量：

　　（1）银行规模（SIZE）：季度末总资产对数；

　　（2）资本充足率（CAR）：季度末核心资本充足率；

　　（3）资产回报率（ROA）：季度净利润/平均总资产；

　　（4）净息差（NIM）：季度净利息收入/平均生息资产；

　　（5）不良贷款拨备比率（LLR）：季度贷款损失准备金/不良贷款余额；

　　（6）宏观控制：季度GDP环比增速（qGDP）、季度CPI环比增速（qCPI）、季度新开业企业数增速（qEntr）等反映经济环境与市场活力的指标。

　　4.3 模型构建

　　4.3.1 基准回归模型

　　为检验数字人民币推广对各项风险指标的影响，分别拟合四个双向固定效应模型：

　　（1）信用风险模型：

　　$$

　　\text{CRisk}_{i,t} = \alpha + \beta\,\text{eCNY}_{i,t-1} + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}

　　$$

　　（2）流动性风险模型：

　　$$

　　\text{LRisk}_{i,t} = \alpha + \beta\,\text{eCNY}_{i,t-1} + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}

　　$$

　　（3）操作风险模型：

　　$$

　　\text{ORisk}_{i,t} = \alpha + \beta\,\text{eCNY}_{i,t-1} + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}

　　$$

　　（4）合规风险模型：

　　$$

　　\text{CompRisk}_{i,t} = \alpha + \beta\,\text{eCNY}_{i,t-1} + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}

　　$$

　　其中 $\mu_i$、$\lambda_t$ 分别表示银行个体与季度时间固定效应，$\varepsilon_{i,t}$ 为误差项。

　　4.3.2 中介效应模型

　　以技术投入与内部合规评分为中介变量，构建四个风险维度的中介模型，以下以信用风险为例：

　　（1）技术投入中介模型：

　　$$

　　\text{TechInv}_{i,t} = \alpha_1 + \beta_1\,\text{eCNY}_{i,t-1} + \gamma_1\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{1,i,t}

　　$$

　　$$

　　\text{CRisk}_{i,t} = \alpha_2 + \beta_2\,\text{eCNY}_{i,t-1} + \theta_1\,\text{TechInv}_{i,t} + \gamma_2\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{2,i,t}

　　$$

　　（2）内部合规中介模型：

　　$$

　　\text{IntCtrl}_{i,t} = \alpha_3 + \beta_3\,\text{eCNY}_{i,t-1} + \gamma_3\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{3,i,t}

　　$$

　　$$

　　\text{CRisk}_{i,t} = \alpha_4 + \beta_4\,\text{eCNY}_{i,t-1} + \theta_2\,\text{IntCtrl}_{i,t} + \gamma_4\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{4,i,t}

　　$$

　　其他三类风险维度模型以同样方式构建，采用Bootstrap抽样（2000次）检验 $\theta_1$、$\theta_2$ 的显著性。

　　4.3.3 稳健性与异质性检验

　　（1）稳健性检验：

　　 ① 替换风险指标：以季度不良贷款率（NPL）直接回归；

　　 ② 工具变量法：以“试点城市数字经济发展指数（CityDIGI）”作为工具变量进行2SLS回归；

　　 ③ 时间趋势检验：加入季度趋势项和季度虚拟变量控制季节性效应。

　　（2）异质性分析：

　　 ① 按银行规模分组：大中型银行组与小型银行组分别回归，比较 $\beta$ 系数差异；

　　 ② 按所有制性质分组：国有银行、股份制银行与城商行分别回归，探讨政策效应差异；

　　 ③ 按零售业务比重分组：零售贷款占比较高（>50%）与低（≤50%）银行分别回归，考察业务结构对风险影响差异。

　　5 实证分析

　　5.1 描述性统计与相关性分析

　　5.1.1 描述性统计

　　对主要变量进行描述性统计，结果见表5.1。

　　表5.1 主要变量描述性统计

　　| 变量名称 | 观测值数（N） | 均值 | 标准差 | 最小值 | 最大值 |

　　| -------- | ------- | ----- | ----- | ----- | ----- |

　　| eCNY | 144 | 0.312 | 0.127 | 0.050 | 0.650 |

　　| CRisk | 144 | 0.642 | 0.118 | 0.410 | 0.880 |

　　| LRisk | 144 | 0.421 | 0.135 | 0.210 | 0.730 |

　　| ORisk | 144 | 0.578 | 0.142 | 0.310 | 0.890 |

　　| CompRisk | 144 | 0.611 | 0.132 | 0.320 | 0.900 |

　　| TechInv | 144 | 0.025 | 0.008 | 0.010 | 0.045 |

　　| IntCtrl | 144 | 0.623 | 0.087 | 0.420 | 0.880 |

　　| SIZE | 144 | 7.95 | 0.68 | 6.50 | 9.30 |

　　| CAR | 144 | 13.42 | 1.74 | 9.30 | 17.50 |

　　| ROA | 144 | 0.970 | 0.210 | 0.420 | 1.800 |

　　| NIM | 144 | 2.020 | 0.340 | 1.120 | 3.100 |

　　| LLR | 144 | 153.5 | 28.4 | 110 | 220 |

　　| qGDP | 144 | 1.56 | 0.42 | 0.80 | 2.50 |

　　| qCPI | 144 | 0.67 | 0.15 | 0.30 | 1.10 |

　　| qEntr | 144 | 0.025 | 0.013 | 0.005 | 0.050 |

　　注：CRisk、LRisk、ORisk、CompRisk、TechInv、IntCtrl、eCNY 为极差归一化后的综合指标。

　　5.1.2 相关性分析

　　表5.2 主要变量相关系数矩阵

　　| | eCNY | CRisk | LRisk | ORisk | CompRisk | TechInv | IntCtrl |

　　| -------- | ------------ | ----------- | ------------ | ------------ | ------------ | ----------- | ----------- |

　　| eCNY | 1 | 0.418\*\*\* | -0.235\*\*\* | -0.317\*\*\* | -0.281\*\*\* | 0.502\*\*\* | 0.489\*\*\* |

　　| CRisk | 0.418\*\*\* | 1 | 0.167\*\* | 0.211\*\*\* | 0.183\*\*\* | 0.372\*\*\* | 0.341\*\*\* |

　　| LRisk | -0.235\*\*\* | 0.167\*\* | 1 | 0.101 | 0.089\* | -0.142\*\* | -0.158\*\* |

　　| ORisk | -0.317\*\*\* | 0.211\*\*\* | 0.101 | 1 | 0.124\*\* | 0.187\*\* | 0.175\*\* |

　　| CompRisk | -0.281\*\*\* | 0.183\*\*\* | 0.089\* | 0.124\*\* | 1 | 0.296\*\*\* | 0.312\*\*\* |

　　| TechInv | 0.502\*\*\* | 0.372\*\*\* | -0.142\*\* | 0.187\*\* | 0.296\*\*\* | 1 | 0.275\*\*\* |

　　| IntCtrl | 0.489\*\*\* | 0.341\*\*\* | -0.158\*\* | 0.175\*\* | 0.312\*\*\* | 0.275\*\*\* | 1 |

　　注：***、**、* 分别代表在1%、5%和10%显著性水平下显著。

　　由相关性矩阵可见：

　　（1）eCNY 与 CRisk 呈显著正相关（0.418\*\*\*），支持H1；与 LRisk、ORisk、CompRisk 呈显著负相关，验证数字人民币推广既降低信用风险，也加大流动性风险与操作合规风险压力；

　　（2）eCNY 与 TechInv（0.502\*\*\*）、IntCtrl（0.489\*\*\*）显著正相关，为中介假设提供初步支持；

　　（3）TechInv 与 CRisk、CompRisk 均显著正相关，与 LRisk 负相关，说明技术投入可帮助银行在数字人民币环境下改善多项风险；

　　（4）IntCtrl 与 CRisk、CompRisk 显著正相关，与 LRisk、ORisk 呈显著负相关，表明内部合规完善有助于综合风控。

　　5.2 基准回归分析

　　基于双向固定效应模型，并对标准误在银行层面聚类调整，得出表5.3回归结果。

　　表5.3 数字人民币推广对银行信用风险与流动性风险的影响

　　| | (1) CRisk | (2) LRisk | (3) ORisk | (4) CompRisk |

　　| ------------ | ----------- | ------------ | ------------ | ------------ |

　　| eCNY$_{t-1}$ | 0.431\*\*\* | -0.258\*\*\* | -0.347\*\*\* | -0.295\*\*\* |

　　| | (0.038) | (0.027) | (0.029) | (0.032) |

　　| TechInv | 0.138\*\*\* | -0.062\*\* | 0.085\*\* | 0.118\*\*\* |

　　| | (0.024) | (0.026) | (0.034) | (0.030) |

　　| IntCtrl | 0.126\*\*\* | -0.051\* | 0.092\*\* | 0.111\*\*\* |

　　| | (0.023) | (0.028) | (0.033) | (0.029) |

　　| SIZE | 0.012\* | -0.007 | 0.011\* | 0.009\* |

　　| | (0.007) | (0.005) | (0.006) | (0.005) |

　　| CAR | 0.018\*\* | -0.010 | 0.012\* | 0.015\*\* |

　　| | (0.008) | (0.006) | (0.007) | (0.007) |

　　| ROA | 0.007\* | -0.004 | 0.005 | 0.008\* |

　　| | (0.004) | (0.003) | (0.004) | (0.004) |

　　| NIM | 0.006 | -0.003 | 0.004 | 0.005 |

　　| | (0.005) | (0.004) | (0.005) | (0.005) |

　　| LLR | 0.001\* | -0.001 | 0.001 | 0.001\* |

　　| | (0.001) | (0.001) | (0.001) | (0.001) |

　　| qGDP | 0.006 | -0.003 | 0.005 | 0.006 |

　　| | (0.005) | (0.004) | (0.005) | (0.005) |

　　| qCPI | -0.003 | 0.001 | -0.002 | -0.003 |

　　| | (0.005) | (0.004) | (0.005) | (0.005) |

　　| qEntr | 0.002 | -0.001 | 0.001 | 0.002 |

　　| | (0.003) | (0.002) | (0.003) | (0.003) |

　　| Constant | 0.407\*\*\* | 0.438\*\*\* | 0.362\*\*\* | 0.392\*\*\* |

　　| | (0.051) | (0.044) | (0.047) | (0.049) |

　　| 个体效应 | 控制 | 控制 | 控制 | 控制 |

　　| 时间效应 | 控制 | 控制 | 控制 | 控制 |

　　| 样本量（N） | 144 | 144 | 144 | 144 |

　　| $R^2$ | 0.432 | 0.358 | 0.389 | 0.412 |

　　注：***、**、* 分别表示在1%、5%和10%显著性水平下显著，括号内为聚类稳健标准误。

　　结果表明：