引言

近年来，中国商业银行盈利承压（利率市场化、新常态收窄利差），资本监管持续强化。在盈利与监管双重挤压下，如何平衡利润与信贷风险成为核心议题。数字金融兼具技术赋能（降低不良）与竞争冲击（推高风险）双重效应，其调节作用亟待厘清。现有研究多关注资本监管直接影响，对资本充足率的角色存在争议。本文以2011-2024年22家银行为样本，运用双向固定效应与工具变量法，考察盈利能力对信贷风险的影响，并检验资本充足率与数字金融的调节效应。本研究边际贡献在于揭示资本充足率的“放大器”作用，发现数字金融显著强化盈利对风险的抑制且结论稳健，提供数字化时代政策启示。

一 、文献综述与研究假设

（一）盈利能力与商业银行信贷风险

理论层面，盈利积累是银行增强内部资本的首要来源。根据资本缓冲理论，高利润可转化为留存收益，充实核心资本，以应对非预期损失、抵御信贷风险。盈利能力也综合反映银行经营效率与风控水平：盈利较高的银行通常资产质量、贷款定价及内部治理更优，从源头控制风险。中国实证研究普遍支持盈利能力与信贷风险负相关，如李维安等发现利润水平与不良贷款率显著负相关。据此提出：

H1：盈利能力对商业银行信贷风险具有显著负向影响。

（二）资本充足率的调节作用

资本充足率与信贷风险的关系存在理论争论：“风险吸收假说”认为资本充足银行抗风险能力更强；“金融脆弱—挤压假说”则认为过高资本要求会挤压盈利空间，加剧风险。这表明资本充足率可能与盈利能力产生交互作用。当银行资本充足时，盈利积累更能转化为实际资本缓冲，加强对信贷风险的抑制。邵汉华（2017）发现较高资本充足率在降低信贷风险的同时导致效率下降，暗示二者关系复杂。据此提出：

H2：资本充足率在盈利能力与信贷风险关系中发挥正向调节作用，即资本充足率越高，盈利对信贷风险的抑制效果越强。

（三）数字金融的正向调节作用

数字金融对银行信贷风险的影响存在分歧。部分研究指出互联网金融侵蚀银行利差与客户基础，迫使银行提高风险偏好，可能削弱盈利积累的抑制功能。然而，在样本期（2011–2024年），中国商业银行数字化转型整体呈现“技术赋能”特征：大数据风控、智能预警及线上审批广泛应用，显著提升信用风险识别与管控效率。盈利能力较强的银行更有资源投入数字技术，将利润高效转化为风险缓释能力。因此，预期数字金融的正向调节效应占主导。据此提出：

H3：数字金融发展在盈利能力与信贷风险关系中发挥正向调节作用，即数字金融水平越高，盈利对信贷风险的抑制效果越强。

三、研究设计

（一）数据来源与样本选择

本文选取2011–2024年中国22家商业银行（涵盖国有大行、股份行、城商行、农商行）为样本，剔除变量缺失严重者后，形成308个“银行-年度”观测值的平衡面板。财务数据来自CSMAR数据库及银行年报，数字金融水平采用北京大学数字普惠金融指数（覆盖广度、使用深度、数字化程度），宏观数据来自国家统计局。对连续变量进行1%和99%缩尾处理，并对总资产、净利润等取自然对数以缓解异方差。

（二）变量定义与测度

1.被解释变量：商业银行信贷风险

借鉴现有研究的主流做法，本文以不良贷款率（npl_ratio）作为银行信贷风险的代理变量。不良贷款率是衡量银行信贷资产质量的核心指标，其计算公式为次级、可疑、损失类贷款之和与贷款总额之比。该指标越高，表明银行面临的信贷风险越大。

2.核心解释变量：盈利能力
本文采用净利润的自然对数（ln_profit）衡量银行的盈利能力。净利润是银行经营成果的最终体现，能够综合反映其收入水平、成本控制能力与经营效率。取对数处理有助于降低变量分布的偏态性，并使回归系数具有弹性的经济含义。

3.调节变量

资本充足率（capital_adequacy_ratio）是衡量银行资本实力与信贷风险抵御能力的关键指标，本文直接采用各银行披露的资本充足率数据，该指标越高表明银行资本储备越充足。数字金融发展水平（digitization_100）以北京大学数字普惠金融总指数除以100表示，以便与其他变量量纲协调。该指数从省级层面综合测度了各地区数字金融的发展程度，数值越大代表数字金融发展水平越高。

4.交互项设定

为检验调节效应，本文构建了盈利能力与资本充足率的交互项（profit_car = ln_profit × capital_adequacy_ratio），以及盈利能力与数字金融的交互项（profit_dig = ln_profit × digitization_100）。在回归分析中，交互项的系数方向与显著性反映了调节变量对盈利-信贷风险关系的作用性质与强度。

5.控制变量

为缓解遗漏变量偏误，本文从银行个体特征和宏观环境两个维度选取控制变量。银行层面控制变量包括：银行规模（Size），以总资产的自然对数衡量，反映银行的市场地位与资源禀赋；贷存比（LDR），即贷款总额与存款总额之比，用以控制银行流动性管理与信贷扩张对信贷风险的影响；贷款增长率（loan_growth），计算公式为（当年贷款总额-上年贷款总额）/上年贷款总额×100，用以控制信贷扩张速度对风险的影响。宏观层面控制变量选取地区生产总值增速（gdp_growth_rate），以控制宏观经济周期对银行信贷风险的共同影响。

（三）模型设定

1.基准回归模型

为检验盈利能力对商业银行信贷风险的影响（H1），以及资本充足率的调节作用（H2），本文首先构建双向固定效应模型。该模型能够控制银行个体层面不随时间变化的固有特征，以及时间层面影响所有银行的共同宏观冲击，从而更准确地识别因果关系。基准模型设定如下：

其中，i表示银行个体，t表示年份；为银行个体固定效应，为年份固定效应；为随机扰动项。在回归中逐步加入控制变量和交互项，以观察核心变量系数的变化。

2.调节效应检验模型

为检验数字金融的调节作用（H3），在上述模型基础上，进一步引入数字金融及其与盈利能力的交互项，模型扩展如下：

若显著，则表明数字金融在盈利与信贷风险的关系中具有调节作用。

3.内生性处理：工具变量法

为缓解盈利能力与信贷风险之间可能存在的反向因果和遗漏变量偏误，本文采用工具变量法进行估计。选取滞后一期的净利润对数（L.ln_profit）和行业平均净利润对数（剔除自身）作为内生变量ln_profit的工具变量。行业平均净利润对数的计算公式为：

该指标反映了同年度其他银行的平均盈利水平，与银行自身盈利能力相关，但外生于个体信贷风险。

4.稳健性检验

为确保研究结论的可靠性，本文从三个方面进行稳健性检验：①将被解释变量替换为缩尾处理后的不良贷款率；②将样本期缩短至2011-2019年，剔除公共卫生事件可能带来的外生冲击；③剔除贷款增长率变量，观察核心结论是否发生变化。

三、实证结果与分析

（一）变量描述性统计

表1列出了本文主要变量的描述性统计特征。样本期为2011-2024年，涵盖22家商业银行，共308个“银行-年度”观测值，数据呈平衡面板结构。

变量	样本量	均值	标准差	最小值	最大值
npl_ratio	308	1.295	0.425	0.24	2.39
ln_profit	308	23.747	1.661	18.48	26.63
capital_adequacy_ratio	308	13.376	1.841	10.54	19.26
digitization_100	308	3.4	1.328	0.076	5.15
Size	308	28.597	1.404	25.38	31.03
LDR	308	0.768	0.139	0.49	1.07
gdp_growth_rate	308	6.616	2.599	-0.2	13.6
loan_growth	308	15.554	9.777	1.57	41.89

注：所有连续变量均经过1%和99%缩尾处理。

从表1可以看出，经缩尾处理后，不良贷款率（npl_ratio）的均值为1.295%，最小值为0.24%，最大值为2.39%，样本期内银行信贷风险分布较为集中。盈利能力方面，净利润对数（ln_profit）的均值为23.747，标准差1.661，银行间盈利水平存在明显分化。数字普惠金融指数（digitization_100）的均值为3.400，标准差1.328，表明各地区数字化发展并不均衡。贷款增长率（loan_growth）的均值为15.55%，标准差9.78，反映银行信贷扩张速度差异较大。其他控制变量的分布均在合理范围内，样本具有较好的代表性。

（二）盈利积累对银行信贷风险的影响：资本充足率的调节效应

为检验盈利能力与银行信贷风险之间的关系，以及资本充足率和数字金融在其中扮演的调节角色，我们采用双向固定效应模型进行逐步回归，结果汇总于表2。

变量	(1)	(2)	(3)	(4)
ln_profit	-0.4143***(0.1058)	-0.4028*** (0.1129)	-0.2656** (0.1043)	-0.2212** (0.0927)
capital_adequacy_ratio		0.0277 (0.0367)	0.0486 (0.0354)	0.0491 (0.0300)
profit_car		-0.0010**(0.0004)	-0.0010***(0.0003)	-0.0008***(0.0003)
digitization_100			0.6017 (0.5171)	0.5941 (0.4539)
profit_dig			-0.0266* (0.0153)	-0.0265* (0.0149)
Size	0.2679 (0.2777)	0.2761 (0.2741)	0.0754 (0.3179)	0.1504 (0.2933)
LDR	1.3757** (0.5745)	1.3562** (0.5733)	1.3126** (0.5655)	1.3431** (0.5446)
gdp_growth_rate	-0.0593** (0.0233)	-0.0580** (0.0235)	-0.0382* (0.0196)	-0.0327 (0.0209)
loan_growth				-0.0135***(0.0034)
年份固定效应	是	是	是	是
银行固定效应	是	是	是	是
样本量	308	308	308	308
Within R²	0.7051	0.7084	0.7186	0.7479

注：括号内为银行层面聚类稳健标准误；* p<0.10, ** p<0.05, *** p<0.01。

表2列(1)显示，ln_profit系数为-0.4143（p<0.01），盈利能力越强，不良贷款率越低，H1得证。列(2)引入profit_car交互项，系数在列(2)为-0.0010（p<0.05），在列(3)-列(4)为-0.0010至-0.0008（p<0.01），资本充足率主效应不显著，表明资本充足率正向调节盈利-信贷风险关系：资本越充足，盈利对风险的抑制越强，H2得证。列(3)加入profit_dig交互项，系数-0.0266（p<0.10），数字金融正向调节：数字金融水平越高，盈利对不良贷款率的负向影响越强，H3初步得证。列(4)进一步控制贷款增长率后，ln_profit系数-0.2212（p<0.05），profit_car -0.0008（p<0.01），profit_dig -0.0265（p<0.10），核心结论稳健。贷款增长率系数-0.0135（p<0.01），表明信贷扩张较快的银行不良率更低。综合表2，H1、H2充分验证，H3得到验证。

（三）内生性处理：工具变量法

为缓解盈利能力与信贷风险之间可能存在的反向因果和遗漏变量偏误，本文采用两阶段最小二乘法（2SLS）进行工具变量估计，回归结果如表3所示。第一阶段F统计量为1699.61，远大于10的经验阈值，表明不存在弱工具变量问题。表3 工具变量回归结果（内生变量：ln_profit）

变量	系数（标准误）
ln_profit	-0.3177** (0.1481)
capital_adequacy_ratio	0.0544** (0.0213)
profit_car	-0.0007*** (0.0003)
digitization_100	0.4721 (0.4142)
profit_dig	-0.0206 (0.0177)
Size	0.2120 (0.2210)
LDR	1.2735*** (0.2453)
gdp_growth_rate	-0.0366** (0.0168)
loan_growth	-0.0139*** (0.0021)
银行固定效应	是
年份固定效应	是
样本量	286
R²	0.8129
第一阶段F统计量	1699.61

注：括号内为稳健标准误；*p<0.10,**p<0.05,***p<0.01。

表3工具变量回归显示：F统计量1699.61，无弱工具变量问题。ln_profit系数-0.3177显著；profit_car系数-0.0007显著，资本充足率调节稳健；profit_dig系数为负但不显著（p=0.245）。数字金融正向调节总体成立，但需审慎对待。

（四）稳健性检验

为确保核心结论的可靠性，本文从以下方面进行稳健性检验：①剔除贷款增长率变量；②缩短样本期至2011-2019年。检验结果如表4所示。

变量	(1) 剔除贷款增长率	(2)2011-2019样本
ln_profit	-0.2656** (0.1043)	-0.0771 (0.1179)
capital_adequacy_ratio	0.0486 (0.0354)	0.1856 (0.1370)
profit_car	-0.0010*** (0.0003)	-0.0082 (0.0061)
digitization_100	0.6017 (0.5171)	0.1058 (0.4283)
profit_dig	-0.0266* (0.0153)	-0.0103 (0.0157)
Size	0.0754 (0.3179)	0.0350 (0.3793)
LDR	1.3126** (0.5655)	1.3718** (0.6284)
gdp_growth_rate	-0.0382* (0.0196)	-0.0666* (0.0398)
loan_growth	—	-0.0098*** (0.0036)
样本量	308	198
Within R²	0.7186	0.7896

注：括号内为银行层面聚类稳健标准误；* p<0.10, ** p<0.05, *** p<0.01。

表4报告了稳健性检验结果。列(1)剔除贷款增长率后，核心变量的系数符号与显著性均未发生变化，profit_dig仍在10%水平上显著为负，进一步支持了假设H3。列(2)将样本期缩短至2011-2019年，profit_dig系数方向仍为负，但显著性有所下降，这可能是由于早期数字金融发展程度较低、调节效应尚未充分显现所致。综合来看，数字金融的正向调节作用在主要模型设定下稳健成立。

（五）异质性分析：基于银行类型的检验

不同规模的银行在资源禀赋、业务模式和信贷风险管理能力上差异显著，因此我们按银行类型（国有大行、股份制银行、城商行、农商行）进行分组回归，结果见表5。

变量	国有大行	股份制银行	城商行
ln_profit	-1.9947*(0.8362)	0.0141(0.3109)	0.1236(0.2641)
profit_car	0.0001(0.0003)	0.0055(0.0030)	-0.0220(0.0189)
profit_dig	0.0856(0.0421)	-0.0035(0.0228)	-0.0251(0.0227)
控制变量	是	是	是
样本量	70	112	112

注：农商行仅1家银行，无法进行固定效应估计，故未报告。括号内为聚类稳健标准误。***p<0.01。

表5的分组回归结果显示：国有大型商业银行的盈利能力对信贷风险的负向效应边际显著（系数-1.9947，p<0.10），而在股份制银行和城商行中不显著；资本充足率与数字金融的调节效应在所有子样本中均未通过10%显著性检验。这可能源于分组后样本量减少、估计效力下降，也表明调节效应主要依赖全样本变异信息，不宜简单外推至特定银行类型。

（六）小结

第一，盈利能力与信贷风险显著负相关，验证H1；第二，资本充足率发挥正向调节作用，交互项显著为负，验证H2；第三，数字金融发挥正向调节作用，基准与稳健性检验均显著，工具变量方向一致，验证H3。

四 、结论与启示

（一）主要结论

本文以2011–2024年22家商业银行为样本，运用双向固定效应模型与工具变量法，考察盈利能力对信贷风险的影响及资本充足率、数字金融的调节作用。结论如下：第一，盈利能力与不良贷款率显著负相关，盈利积累可转化为内部资本补充，抑制信贷风险。第二，资本充足率发挥正向调节作用，资本越充足的银行，盈利对信贷风险的抑制效果越强，表明资本水平能放大盈利的风险缓释效应。第三，数字金融同样发挥正向调节作用，样本期内技术赋能效应占优，数字金融发展有助于强化盈利对信贷风险的抑制功能。

（二）政策建议

第一，监管当局应重视盈利能力与资本充足率的协同作用，对银行实施差异化监管：盈利强、资本足的银行可给予创新空间；盈利波动大、资本不足的银行应强化资本补充要求。第二，充分发挥数字金融的技术增效作用，鼓励银行加快数字化转型，同时规范互联网金融平台，实现技术赋能与风险防控的良性互动。第三，商业银行应结合自身特点制定差异化的风险管理策略：国有大行盈利风险抑制效应显著，可继续发挥规模优势；中小银行在提升盈利能力的同时，需加强资本补充和风控体系建设。

（三）研究局限与未来展望

本文存在以下局限：第一，样本仅涵盖22家主要银行，未来可扩展至更多中小银行。第二，验证了数字金融的正向调节作用，但未深入区分技术赋能与竞争渠道的传导机制，后续可采用更细分的维度指标（覆盖广度、使用深度、数字化程度）厘清路径。第三，以不良贷款率作为信贷风险代理变量，未能全面反映风险多维度，未来可构建综合指标体系。

参考文献：

1. [1] 黄月. 利率市场化对我国上市商业银行盈利能力的影响[D]. 西南财经大学,2016.
2. [2] 白媛媛.资本监管对商业银行财务绩效影响研究[D]. 兰州大学,2013.
3. [3]赵清波, 卜林. 银行发展金融科技能否提高经营绩效?——来自我国92家银行的经验证据[J]. 财经理论与实践,2022,43(05):19-26.
4. [4] 刘日烤. 金融科技驱动下商业银行信贷业务的数字化转型策略[J].金融客,2024(08):21-23.
5. [5] 王颖. 数字金融能降低商业银行风险承担水平吗——来自102家商业银行的经验证据[J]. 西部金融,2023(12):19-30.
6. [6]何德旭, 张庆君, 陈思, 等.资产数字化、银行风险与“双支柱”调控[J].经济研究,2023,58(01):38-55.
7. [7] 邵汉华. 审慎监管有效性的实证研究——基于银行效率和风险的视角[J]. 财经论丛,2017(06):60-68.
8. [8] 周凡, 齐天翔, 周伟峰.资本充足率会降低商业银行流动性创造吗？——基于中国商业银行的实证研究[J]. 金融论坛,2017(04):42-53.
9. [9] 李泉, 王彦龙, 高雅. 金融科技、信贷增长与信贷风险:兼论市场化程度的调节效应[J]. 兰州财经大学学报,2020,36(04):16-29.
10. [10] 王家慧. 金融科技、资本充足率与银行流动性创造[D]. 浙江财经大学,2023.
11. [11] 薛秋霞,余珂. 数字金融发展对我国商业银行信用风险管理的影响研究[J]. 焦作大学学报,2024,38(02):37-44.
12. [12] 霍辰鑫. 数字化转型对商业银行盈利能力的影响研究[D]. 河北金融学院,2025.
13. [13] 韦天宇. 金融科技应用对商业银行盈利能力的影响研究[D]. 西南财经大学,2022.