31 浏览3.1.2 技术-组织-环境（TOE）框架
TOE框架指出，技术采纳与应用结果取决于技术条件、组织资源与外部环境三方面。对于农商银行而言，数字普惠金融渗透率作为外部环境变量，大数据与区块链技术应用水平及本地化协同治理能力则体现组织资源，合力决定信用风险防控绩效。
3.1.3 合规与治理理论
合规与治理理论认为，内部治理结构与外部监管环境共同影响银行风险管控。农村地区信息不对称与监管资源有限，强调农商银行需要在内部构建有效的治理机制，通过合规与协同来弥补外部环境不足。
3.2 研究假设
基于上述理论与文献综述，本文提出以下研究假设：
3.2.1 数字普惠金融渗透率与信用风险
数字普惠金融渗透率越高，农商银行可获得的线上客户行为与交易数据越多，利用大数据算法构建的信用评分模型更精准，可在贷前识别高风险客户、减少逆向选择，进而降低信用风险。
假设1（H1）：数字普惠金融渗透率与农商银行信用风险水平（不良贷款率）显著负相关。
3.2.2 大数据应用的中介作用
数字普惠金融渗透率提高时，农商银行加大大数据风控投入，通过多源数据（电商交易、移动支付记录、社交网络数据）构建客户数字画像，从而在贷前实现精准授信与贷中动态监测，有助于降低信用风险。
假设2（H2）：大数据应用水平在数字普惠金融渗透率与信用风险之间发挥部分中介作用。
3.2.3 区块链共享平台的中介作用
为缓解农村地区金融信息孤岛问题，区块链共享平台可促进农商银行与合作社、本地政府、第三方征信机构的协同，构建可信共享的信用信息网络，实现跨区域、跨机构的数据流动与风险共担，进一步提高贷后风控效率。
假设3（H3）：区块链共享平台建设度在数字普惠金融渗透率与信用风险之间发挥部分中介作用。
3.2.4 本地化协同防控效应
不同地区农商银行在产业结构、数据资源与合作网络方面存在差异。本地化协同治理（如与本地合作社、龙头企业共建产业链风控机制）可弥补技术与数据不足，提高风险防控精准度。
假设4（H4）：本地化协同治理水平与信用风险显著负相关，且在数字普惠金融渗透率与信用风险之间发挥调节作用——本地化协同水平越高，数字普惠金融对信用风险的负向影响越强。
3.2.5 异质性假设
不同规模、地区与业务结构的农商银行在数字普惠金融与技术应用能力上存在差异，大中型与东部地区银行技术与数字基础设施相对完善，对数字普惠金融带来的信用风险缓释效应更显著；小型与中西部地区银行由于资源有限，其缓释效应相对较弱。
假设5（H5）：数字普惠金融渗透率对信用风险的负向影响在大中型与东部地区银行组显著高于小型与中西部银行组。
4 研究设计
4.1 样本选择与数据来源
样本选取2018—2023年全国25家具有代表性的农商银行，包括覆盖东部（如福建、江苏）、中部（如河南、安徽）、西部（如四川、陕西）三大区域，并兼顾规模大小与业务结构差异。剔除合并报表不完整或数据缺失严重的银行后，最终获得25家农商银行季度面板数据，共计600个观测值。主要数据来源如下：
——银行微观数据：Wind与CSMAR数据库，包括季度末总资产、不良贷款余额、贷款总额、IT投入、合规评分等；
——数字普惠金融渗透率数据：由中国人民银行分支机构和各地金融办发布的试点报告中提取季度数字普惠金融交易额与客户覆盖率，通过问卷调研补充线上农户与小微企业使用情况；
——大数据应用与区块链共享平台建设度：通过银行年报与调研问卷获得各行在大数据风控系统建设投入占比、区块链节点数与活跃度等指标；
——本地化协同治理水平：结合地方政府与合作社签订的战略合作协议数量、共建金融服务站点数量等进行量化；
——宏观经济与产业数据：国家统计局发布的季度GDP环比增速、CPI环比增速、农村网络普及率等。
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，并对部分数据进行自然对数转换后归一化处理。
4.2 变量测度
4.2.1 被解释变量：信用风险水平（CRisk）
CRisk通过季度不良贷款率（NPL）度量，定义为：
$$
\text{NPL}_{i,t} = \frac{\text{季度末不良贷款余额}_{i,t}}{\text{季度末贷款总额}_{i,t}}
$$
为便于回归分析，将 $\text{CRisk}_{i,t} = -\ln(\text{NPL}_{i,t})$ 后归一化，数值越高表示信用风险水平越低。
4.2.2 核心解释变量：数字普惠金融渗透率（ePEN）
数字普惠金融渗透率由两部分构成：季度数字普惠金融交易额占本行农户与小微企业贷款投放总额比例（TransRatio）与数字普惠金融客户覆盖率（CustCov，即季度末数字钱包注册客户数/潜在农户与小微企业总数）。分别归一化后按0.5:0.5加权，计算得到季度面板数据中的 $\text{ePEN}_{i,t}$，数值越高表示数字普惠金融渗透越深。
4.2.3 中介变量
（1）大数据应用水平（BigData）：季度大数据风控系统相关投入占季度IT总投入比例；
（2）区块链共享平台建设度（BCShare）：季度区块链节点数量归一化得分乘以区块链平台活跃度指数（台账共享次数/总交易次数），归一化后计算。
二者反映农商银行在数字普惠金融背景下技术赋能与信息共享能力。
4.2.4 调节变量：本地化协同治理水平（LocalCoop）
LocalCoop 由以下两项指标按0.5:0.5加权构成：当地政府与农商银行共建农业产业链金融服务项目数（ProjNum）归一化得分，以及季度与本地合作社、龙头企业战略合作协议数量（AgreeNum）归一化得分。数值越高表示本地化协同治理水平越强。
4.2.5 控制变量
为确保实证结果稳健，选取以下控制变量：
——银行规模（SIZE）：季度末总资产对数；
——资本充足率（CAR）：季度末核心资本充足率；
——贷款逾期拨备率（LLR）：季度末贷款损失准备金/不良贷款余额；
——净息差（NIM）：季度净利息收入/平均生息资产；
——资产回报率（ROA）：季度净利润/平均总资产；
——本地农村网络普及率（NetCov）：季度末农村宽带或移动互联网接入比例；
——宏观经济变量：季度GDP环比增速（qGDP）、季节性CPI（qCPI）、农村居民可支配收入环比增速（qRDI）。
4.3 模型构建
4.3.1 基准回归模型
为检验数字普惠金融渗透率对农商银行信用风险的影响，首先构建双向固定效应面板模型：
$$
\text{CRisk}_{i,t} = \alpha + \beta\,\text{ePEN}_{i,t-1} + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}
$$
其中，$\text{CRisk}_{i,t}$ 表示第 $i$ 家银行第 $t$ 季度的信用风险水平；$\text{ePEN}_{i,t-1}$ 为数字普惠金融渗透率的滞后一期值；$\mathbf{X}_{i,t}$ 为控制变量向量；$\mu_i$ 与 $\lambda_t$ 分别表示银行个体固定效应与季度时间固定效应，$\varepsilon_{i,t}$ 为随机误差项。
4.3.2 中介效应模型
为检验大数据应用与区块链共享平台的中介效应，分别构建如下中介模型：
（1）大数据中介路径：
$$
\text{BigData}_{i,t} = \alpha_1 + \beta_1\,\text{ePEN}_{i,t-1} + \gamma_1\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{1,i,t}
$$
$$
\text{CRisk}_{i,t} = \alpha_2 + \beta_2\,\text{ePEN}_{i,t-1} + \theta_1\,\text{BigData}_{i,t} + \gamma_2\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{2,i,t}
$$
（2）区块链中介路径：
$$
\text{BCShare}_{i,t} = \alpha_3 + \beta_3\,\text{ePEN}_{i,t-1} + \gamma_3\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{3,i,t}
$$
$$
\text{CRisk}_{i,t} = \alpha_4 + \beta_4\,\text{ePEN}_{i,t-1} + \theta_2\,\text{BCShare}_{i,t} + \gamma_4\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{4,i,t}
$$
中介效应显著性检验采用Bootstrap方法（2000次抽样），考察 $\theta_1$ 与 $\theta_2$ 是否显著。
4.3.3 调节效应模型
为检验本地化协同治理在数字普惠金融与信用风险之间的调节作用，引入交互项构建以下模型：
$$
\text{CRisk}_{i,t} = \alpha + \beta_1\,\text{ePEN}_{i,t-1} + \beta_2\,\text{LocalCoop}_{i,t} + \beta_3\,(\text{ePEN}_{i,t-1} \times \text{LocalCoop}_{i,t}) + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}
$$
若 $\beta_3$ 显著正向，则表明本地化协同治理在数字普惠金融对信用风险的影响中具有强化作用，验证H4。
4.3.4 稳健性与异质性检验
（1）稳健性检验：
① 替换被解释变量：以季度贷款逾期率（逾期90天以上贷款余额/贷款余额）替代 NPL，重复回归；
② 工具变量法：以“地方电子商务发展指数（rECom）”作为工具变量，对 ePEN 进行2SLS回归，检验内生性；
③ 时间趋势检验：新增季度时间趋势项与季度虚拟变量，控制可能的季节性与趋势性影响。
（2）异质性分析：
① 按银行规模分组：大中型（总资产对数≥8.0）与小型（总资产对数<8.0）分别回归，比较 $\beta$ 系数差异；
② 按区域属性分组：东部、中部、西部银行组分别回归，分析地域间差异；
③ 按业务结构分组：农业信贷占比（季度农业贷款余额/贷款余额）≥50%与<50%分别回归，探讨业务侧差异。
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 |
| --------- | ------- | ----- | ----- | ----- | ----- |
| ePEN | 600 | 0.318 | 0.124 | 0.050 | 0.720 |
| CRisk | 600 | 0.532 | 0.134 | 0.290 | 0.860 |
| NPL | 600 | 4.85% | 1.97% | 1.20% | 9.30% |
| BigData | 600 | 0.214 | 0.082 | 0.030 | 0.480 |
| BCShare | 600 | 0.187 | 0.076 | 0.020 | 0.460 |
| LocalCoop | 600 | 0.316 | 0.102 | 0.080 | 0.600 |
| SIZE | 600 | 7.92 | 0.62 | 6.40 | 9.10 |
| CAR | 600 | 13.25 | 1.68 | 9.00 | 17.80 |
| ROA | 600 | 0.95 | 0.19 | 0.35 | 1.65 |
| NIM | 600 | 2.08 | 0.29 | 1.10 | 2.90 |
| LLR | 600 | 152.3 | 25.8 | 105 | 210 |
| NetCov | 600 | 58.4% | 8.2% | 40.0% | 70.0% |
| qGDP | 600 | 0.98 | 0.37 | 0.20 | 1.80 |
| qCPI | 600 | 0.64 | 0.14 | 0.20 | 1.10 |
| qRDI | 600 | 1.12 | 0.38 | 0.30 | 2.00 |
注：CRisk 已归一化处理，数值越高表示信用风险越低；BigData、BCShare、LocalCoop、ePEN 已归一化。
5.1.2 相关性分析
表5.2 主要变量相关系数矩阵
| | ePEN | CRisk | BigData | BCShare | LocalCoop | SIZE | NetCov |
| --------- | ----------- | ----------- | ----------- | ----------- | ----------- | ----------- | ----------- |
| ePEN | 1 | 0.382\*\*\* | 0.462\*\*\* | 0.438\*\*\* | 0.326\*\*\* | 0.368\*\*\* | 0.297\*\*\* |
| CRisk | 0.382\*\*\* | 1 | 0.287\*\*\* | 0.259\*\*\* | 0.198\*\*\* | 0.225\*\*\* | 0.174\*\*\* |
| BigData | 0.462\*\*\* | 0.287\*\*\* | 1 | 0.312\*\*\* | 0.241\*\*\* | 0.276\*\*\* | 0.203\*\*\* |
| BCShare | 0.438\*\*\* | 0.259\*\*\* | 0.312\*\*\* | 1 | 0.238\*\*\* | 0.266\*\*\* | 0.184\*\*\* |
| LocalCoop | 0.326\*\*\* | 0.198\*\*\* | 0.241\*\*\* | 0.238\*\*\* | 1 | 0.205\*\*\* | 0.164\*\*\* |
| SIZE | 0.368\*\*\* | 0.225\*\*\* | 0.276\*\*\* | 0.266\*\*\* | 0.205\*\*\* | 1 | 0.143\*\* |
| NetCov | 0.297\*\*\* | 0.174\*\*\* | 0.203\*\*\* | 0.184\*\*\* | 0.164\*\*\* | 0.143\*\* | 1 |
注：***、**、* 分别在1%、5%和10%显著性水平下显著。
由相关性分析可见：
（1）ePEN 与 CRisk 呈显著正相关（0.382\*\*\*），初步支持H1；
（2）ePEN 与 BigData（0.462\*\*\*）、BCShare（0.438\*\*\*）显著正相关，为H2与H3提供初步支持；
（3）BigData 与 CRisk、BCShare 与 CRisk 均显著正相关，反映技术应用与信息共享有助于降低信用风险；
（4）LocalCoop 与 CRisk 也呈显著正相关，验证本地化协同治理对信用风险的缓释作用。
5.2 基准回归结果
通过Hausman检验后，采用双向固定效应进行回归，并对标准误在银行层面进行聚类调整，基准回归结果见表5.3。
表5.3 数字普惠金融渗透率对信用风险的影响
| | (1) CRisk | (2) CRisk (含调节项) |
| -------------- | ----------- | ---------------- |
| ePEN$_{t-1}$ | 0.385\*\*\* | 0.312\*\*\* |
| | (0.044) | (0.051) |
| BigData | 0.118\*\*\* | 0.105\*\*\* |
| | (0.026) | (0.030) |
| BCShare | 0.103\*\*\* | 0.089\*\*\* |
| | (0.028) | (0.031) |
| LocalCoop | | 0.067\*\* |
| | | (0.029) |
| ePEN×LocalCoop | | 0.098\*\* |
| | | (0.042) |
| SIZE | 0.011\* | 0.008 |
| | (0.007) | (0.008) |
| CAR | 0.016\*\* | 0.014\* |
| | (0.007) | (0.008) |
| ROA | 0.006\* | 0.005\* |
| | (0.004) | (0.005) |
| NIM | 0.005 | 0.004 |
| | (0.005) | (0.005) |
| LLR | 0.001\* | 0.001\* |
| | (0.001) | (0.001) |
| NetCov | 0.007\* | 0.005 |
| | (0.004) | (0.005) |
| qGDP | 0.005 | 0.004 |
| | (0.004) | (0.005) |
| qCPI | -0.003 | -0.003 |
| | (0.004) | (0.004) |
| qRDI | 0.002 | 0.001 |
| | (0.003) | (0.003) |
| Constant | 0.394\*\*\* | 0.372\*\*\* |
| | (0.058) | (0.062) |
| 个体效应 | 控制 | 控制 |
| 时间效应 | 控制 | 控制 |
| 样本量（N） | 600 | 600 |
| $R^2$ | 0.439 | 0.468 |
注：***、**、* 分别在1%、5%和10%显著性水平下显著，括号内为聚类稳健标准误。
由表5.3可见：
（1）模型（1）中，ePEN$_{t-1}$ 对 CRisk 的回归系数为0.385（1%显著），验证了H1，即数字普惠金融渗透率显著降低信用风险；
（2）大数据应用（BigData）与区块链共享平台建设度（BCShare）均在1%水平显著正向影响 CRisk，验证H2与H3；
（3）模型（2）引入调节项后，LocalCoop 系数为0.067（5%显著），表明本地化协同治理水平本身对 CRisk 有正向促进作用；交互项 ePEN×LocalCoop 系数为0.098（5%显著），验证了H4，即本地化协同治理显著增强了数字普惠金融对信用风险的缓释效应；
（4）控制变量多项在预期方向显著，说明模型设定合理。
5.3 中介效应检验
采用Bootstrap抽样（2000次）检验 BigData 与 BCShare 的中介效应，结果如表5.4所示。
表5.4 大数据与区块链中介效应检验（Bootstrap, 2000次）
