郭峰 莊旭東 王仁曾

(華南理工大學經濟與金融學院，廣東 廣州 510006)

一、引言

近年來，中國政府致力于推動銀行數字化轉型發(fā)展。中國人民銀行印發(fā)的《金融科技發(fā)展規(guī)劃(2022—2025年)》和中國銀保監(jiān)會印發(fā)的《關于銀行業(yè)保險業(yè)數字化轉型的指導意見》，為進一步推動銀行數字化轉型發(fā)展明確了具體方向及要求。在此背景下，中國銀行業(yè)開始全面布局數字化轉型，金融科技資金投入持續(xù)加大。2020年，中國上市銀行在信息科技方面的投入達2078億元，同比增長25%。1其中，國有大型銀行科技投入合計約957億元2，增長了34.54%，傳統金融機構進行數字化轉型的主動性不斷增強。

當前，學術界較多關注銀行數字化轉型的作用效果，如對軟信息獲取與處理能力、普惠金融商業(yè)可持續(xù)性、銀行市場勢力競爭程度等方面的積極影響(金洪飛等，2020；李建軍和姜世超，2021；李學峰和楊盼盼，2021)[9][10][11]。黨的十八大以來，中國金融工作持續(xù)推進落實“三項任務”。其中，防范化解金融風險是金融工作的根本性任務。黨的二十大報告重申了健全和完善金融風險的防范、預警和處置機制以及持續(xù)強化金融風險防控能力的重要性。在此背景下，研究數字化轉型與銀行風險治理之間的互動關系及其作用機制具有重要的現實意義。

部分學者從外部整體視角討論了數字化轉型對銀行風險的影響(邱晗等，2018；盛天翔等，2020；杜莉和劉錚，2022)[14][16][3]，以及從銀行內部視角研究了其對銀行風險承擔傾向的沖擊(王道平等，2022；趙勝民和屠堃泰，2022)[17][22]。但是，關于銀行數字化轉型與信用風險治理，仍有以下兩方面問題值得深入思考。第一，盡管近年來相關實踐迅猛發(fā)展，但從理論上，銀行數字化轉型對信用風險治理的具體作用機制仍需進一步厘清。第二，外部金融科技環(huán)境對銀行內部運營產生了深刻影響，由于這種影響來源于銀行外部的金融科技創(chuàng)新，本文將其定義為外源性金融科技，以區(qū)別于銀行內部的數字化轉型。本文的另一重要關注點在于，從信用風險管理視角深入探索這種外源性金融科技的發(fā)展會對銀行內部數字化轉型的治理效果帶來何種影響。

相比于現有文獻，本研究可能存在以下邊際貢獻：第一，關于地區(qū)金融科技發(fā)展變量的測度，以往文獻主要使用北京大學數字金融研究中心發(fā)布的數字普惠金融指數亦或基于關鍵詞百度搜索指數構建的指標進行衡量(邱晗等，2018；盛天翔和范從來，2020；莊旭東和王仁曾，2023)[14][15][23]，而本研究創(chuàng)新性地使用中國金融科技創(chuàng)新專利數據作為衡量外源性金融科技發(fā)展變量的數據來源，為后續(xù)研究中國金融科技發(fā)展相關問題提供了新的變量度量思路。第二，本文將銀行內部數字化轉型、外源性金融科技與信用風險治理三者納入同一個理論框架，并構建一個有調節(jié)的中介效應模型進行實證檢驗，有助于揭示數字經濟時代背景下銀行數字化轉型在信用風險管理轉型變革中的具體定位，厘清外源性金融科技發(fā)展與銀行內部數字化轉型的互動聯系。第三，本文基于優(yōu)化貸款結構和提高盈利能力兩個維度厘清數字化轉型對銀行信用風險的治理效應，還將規(guī)模效應、風險壓力、類型等差異性因素納入實證分析中，有助于厘清數字化轉型的治理機制，對提高國家金融風險治理能力具有重要的政策啟示作用。

二、理論分析與研究假說

銀行數字化轉型是一項以數據資源為基礎，以金融科技為引擎，實現數字科技與金融領域深度融合，以改善銀行運營效率的系統性變革工程。本文從銀行貸款結構和盈利能力兩個維度出發(fā)，梳理外源性金融科技背景下銀行數字化轉型對其信用風險的治理效應(見圖1)。

圖1 理論分析框架

從優(yōu)化貸款結構的維度看，銀行數字化轉型是一種強化信息利用能力、擴大客戶服務范圍的經營手段。傳統金融市場中，銀行將信貸資源集中配置于少數大型企業(yè)而對眾多中小企業(yè)實行“信貸歧視”的根本原因在于，借貸市場上中小企業(yè)的信息不對稱問題嚴重。銀行的數字化轉型推動了新一代數字科技的融合應用，能夠彌補傳統金融風控模式與手段的不足，其不僅能更好地利用龐大的傳統信息數據進行風險控制，還能夠充分獲取、整合、處理、利用各類客戶非財務信息。具體而言，銀行數字化轉型所依托的大數據技術，提高了信息收集與處理能力，能夠從復雜多樣、體量龐大的網絡數據中挖掘用戶數字足跡、社會關系、行為習慣等特征信息，并且能將非標準化數據處理成容易利用的標準化數據(薛熠和張昕智，2022)[20]，擴充了銀行用于信貸業(yè)務分析的信息資源；而人工智能技術基于龐大的信息數據集構建出中小企業(yè)的客戶畫像，能夠提升中小企業(yè)“軟信息”在信貸供給中的作用，降低借貸雙方的信息不對稱程度，提升銀行為眾多中小企業(yè)提供信貸資金的意愿，從而擴展了銀行信貸業(yè)務的客戶群體，有助于降低銀行貸款的集中度。貸款集中度是銀行信用風險的重要決定因素?；谕顿Y組合理論，銀行配置多元化的信貸資產可以盡可能規(guī)避信用風險，即客戶貸款越分散，銀行需要承擔的信用風險越低。在貸款集中的情況下，一旦客戶資金鏈斷裂、出現償債困難，銀行的不良貸款會不斷增多，進而導致信用風險急劇攀升。另外，銀行貸款集中度下降，除了分散信貸風險，還能避免各家銀行將信貸資金集中投放于少數企業(yè)引發(fā)的銀行間的“羊群效應”，緩解銀行出現經營風險低估與業(yè)務產品同質的問題(Acharya and Yorulmazer，2008)[1]，進而抑制銀行的信用風險。

從提高盈利能力的維度看，銀行數字化轉型還是一種實現降成本提效率、多元化盈利模式的創(chuàng)新活動。一方面，銀行數字化轉型有利于發(fā)揮新一代數字科技的特有優(yōu)勢，降低銀行各類成本以及改善經營效率，進而提高銀行的盈利能力。羅煜等(2022)[13]發(fā)現銀行開展的數字化業(yè)務對銀行的線下網點產生了替代，降低了銀行實體網點的設立成本。具體而言，人工智能技術的應用逐漸替代了客服、柜臺等直面客戶的前臺工作，極大地降低了銀行人力成本，大幅度提高了工作效率；而基于算法、模型、大數據、云技術的智能服務能夠預測市場需求、實現精準營銷，并為消費者個性化需求提供精準服務，減少了金融產品的匹配和交易成本，有助于提升銀行的盈利水平。另一方面，姚志剛等(2016)[21]發(fā)現銀行收入的多元化對其盈利能力具有正向影響。銀行數字化轉型有助于改善傳統金融產品和服務同質化的狀況，實現銀行盈利模式的多層次、多元化。銀行憑借數字技術可以挖掘并利用客戶在網絡殘留的數字足跡，更加精準地識別客戶潛在的金融需求，有助于進行有效的金融產品創(chuàng)新，滿足客戶的個性化、多元化需求，這不僅能夠提高銀行的客戶粘性，還增加了銀行多元化業(yè)務的盈利渠道。從銀行的逐利動機看，當盈利能力較強時，銀行的決策趨于穩(wěn)健和保守，無需做出冒險的信貸決策，進而從源頭降低了信用風險。韓立巖和李燕平(2006)[7]也認為盈利能力對銀行的風險承擔行為會產生影響，銀行的盈利水平越高，則其風險承擔行為的內在激勵就越低。此外，盈利能力高的銀行更有能力重視信貸風控體系的建設與完善，進而也可能有助于抑制銀行信用風險。

因此，基于以上分析，本文提出以下研究假說：

H1：銀行數字化轉型對其信用風險存在治理效應。

H1a：銀行數字化轉型通過優(yōu)化貸款結構抑制了銀行信用風險。

H1b：銀行數字化轉型通過提高盈利能力抑制了銀行信用風險。

本文進一步指出，外源性金融科技可能有助于增強銀行數字化轉型對信用風險的治理效果。其中，“銀行數字化轉型→優(yōu)化貸款結構→抑制信用風險”和“銀行數字化轉型→提高盈利能力→抑制信用風險”兩個中介渠道的前半程和后半程作用效果均可能會被外源性金融科技所強化。

對兩個中介渠道的前半程而言，外源性金融科技為銀行提供了重要的信息環(huán)境條件，從而提高了企業(yè)信息的“暴露”水平?，F有研究指出，外源性金融科技的各類服務商擁有眾多的用戶數據，積累了大量的數字足跡(黃益平和邱晗，2021)[8]，為銀行帶來了更多的信息數據基礎。銀行數字化轉型通過提升信息數據的搜集分析能力來緩解信息不對稱，以提升銀行對潛在客戶的放貸意愿，進而優(yōu)化貸款結構。在這一過程中，外源性金融科技對企業(yè)信息的暴露量直接關系到銀行對于更加分散化客戶群體進行風險評估的可靠性，足夠的信息增量更能促進銀行由“壘大戶”轉向分散化經營。此外，對盈利能力而言，外源性金融科技對企業(yè)信息的“暴露”所帶來的數據信息增量，提升了銀行數字化轉型提取和分析各類數據進行產品精準營銷、多元化設計以及差異化定價的精準性，進而有助于提升銀行的盈利能力。

對兩個中介渠道的后半程而言，一方面，銀行依托外源性金融科技帶來的信息數據基礎，實現對信貸客戶的貸前調查、貸中審查和貸后管理，進一步降低了客戶群體的整體風險。一般而言，貸款集中度的降低對于銀行信用風險的影響存在著兩種相反的方向，其一是分散化投資帶來的風險規(guī)避效應，其二是分散化投資的信息收集成本較高，導致投資的專業(yè)化優(yōu)勢以及銀行的監(jiān)管效能被削弱(Winton, 1999)[2]。貸款集中度對于銀行信用風險的影響是這兩種效應相抵消后的凈效應。外源性金融科技對企業(yè)信息的“暴露”則增加了銀行可供利用的信息總量，降低了銀行搜集企業(yè)信息的成本，擴展了信息數據資源約束的邊界，通過降低信息不對稱削弱了第二種效應的強度，進而增強了貸款集中度分散對銀行信用風險的緩解效果。另一方面，盈利水平改善，銀行有更大的利潤空間選擇更加穩(wěn)妥的信貸決策，外源性金融科技則為其提供了優(yōu)化信貸決策、從事低風險投資所依賴的信息數據基礎，便于其做出更加穩(wěn)健的信貸決策。

因此，基于以上分析，本文提出以下研究假說：

H2：外源性金融科技增強了銀行數字化轉型對信用風險的治理效果。

H2a：“銀行數字化轉型→優(yōu)化貸款結構→抑制信用風險”中介渠道的前半程和后半程作用效果均會被外源性金融科技所強化。

H2b：“銀行數字化轉型→提高盈利能力→抑制信用風險”中介渠道的前半程和后半程作用效果均會被外源性金融科技所強化。

三、研究設計

(一)樣本數據說明

本文以國泰安數據庫為基礎，結合手工搜集銀行官方網站數據，基于網絡爬蟲、文本挖掘以及機器學習方法構建了銀行數字化轉型和外源性金融科技指標，整理了2013—2020年銀行面板數據集。進一步地，本文剔除了數據缺失的樣本，而且由于實證檢驗的關鍵觀測變量考慮了地區(qū)因素，因此還剔除了包括國有大型銀行和股份制銀行在內的全國性銀行。最終，研究樣本包含87家城市商業(yè)銀行和35家農村商業(yè)銀行，共122家中小銀行。

(二)變量定義

1.被解釋變量

參考王曉和李佳(2019)[19]的研究，本文選取銀行不良貸款率和撥備覆蓋率作為銀行信用風險(Crisk)的代理變量。其中，不良貸款率(Crisk1)是信用風險的正向指標，數值越大代表銀行的信用風險越大，而撥備覆蓋率(Crisk2)是信用風險的負向指標，數值越大則代表銀行的信用風險越小。為了方便觀察系數，本文將撥備覆蓋率取負值代理衡量銀行信用風險。

2.解釋變量

本文借鑒金洪飛等(2020)[9]的思路，基于網絡爬蟲和文本挖掘技術對解釋變量銀行數字化轉型(Bdigi)進行測度。具體步驟如下：第一，確定網絡爬蟲的目標關鍵詞庫，從銀行數字化轉型所依賴的核心技術、應用場景和直接稱呼三個維度構建關鍵詞庫(見表1)。第二，從百度引擎中搜索每個樣本銀行和所選關鍵詞共同出現的新聞，比如搜索“廣州銀行+人工智能”，通過網絡爬蟲獲取銀行每年符合條件的新聞數量。第三，統計每家銀行所對應的每個關鍵詞的年度詞頻，依據2013—2020年的年度詞頻數據，使用熵值法合成每家銀行的數字化轉型程度指數，進而測度解釋變量銀行數字化轉型(Bdigi)。

表1 銀行數字化轉型關鍵詞庫

3.調節(jié)變量

本文所探討的外源性金融科技(Outft)是指銀行所在地外部環(huán)境的金融科技總體發(fā)展水平。本文創(chuàng)新性地選擇使用來源于中國知識產權局的中國專利信息中心專利之星檢索系統(CPRS)的金融科技創(chuàng)新專利數據構建指標以測度調節(jié)變量。3首先，從CPRS數據庫中爬取G06Q大類2013年1月1日到2020年12月31日所有專利，共256841個專利文本。然后，手工核對了4500個樣本，使用有監(jiān)督的機器學習算法將這些專利分成8個類別4：非金融、金融但非金融科技、數據分析、網絡安全、移動交易、人工智能、區(qū)塊鏈和物聯網。該分類中只有后6個類別屬于金融科技類專利。本文初步使用樸素貝葉斯、線性SVM、神經網絡、K近鄰、梯度提升、隨機森林、高斯SVM等比較成熟的方法對其進行分類。本文通過分析各分類器的性能，發(fā)現最佳分類器是樸素貝葉斯、線性SVM和神經網絡模型。為了獲得更佳的分類效果，本文基于這3個單獨的分類器賦予同等權重構建了遵循“少數服從多數”的投票分類器，并且發(fā)現其性能優(yōu)于單個分類器，因此本文最終使用投票分類器對全樣本進行分類。本文最終實驗模型主要參數設置如下：alpha=0.1(樸素貝葉斯)；C=0.6(線性SVM)；k=5(K近鄰)；C=1.8且γ=0.6(高斯SVM)；神經網絡算法則設置一個隱藏層，其包含500個神經元，另外alpha=0.4。最終分類結果為：37316個金融科技類專利申請，215451個非金融類專利，4074個金融但非金融科技類專利。

本文將金融科技類(6個類別)專利文本依據申請人單位總部所在地匹配到省級地理位置，最終將金融科技專利數量的省級面板數據扣除本銀行同年度金融科技專利數量，使用熵值法合成各銀行的外源性金融科技指數以測度調節(jié)變量外源性金融科技(Outft)。

4.中介變量

參考顧海峰和戴云龍(2019)[4]、王曼舒和劉曉芳(2013)[18]相關研究，本文使用銀行前十大客戶貸款占凈資產比例衡量中介變量客戶貸款集中度(Cot)，并且采用總資產收益率衡量中介變量銀行盈利能力(Roa)。

5.控制變量

參考先前相關研究，本文選取了如下控制變量：資產規(guī)模(Size)，用銀行資產的自然對數值衡量；杠桿倍數(Tdr)，用銀行資產負債率衡量；負債結構(Depo)，用存款與負債的比值衡量；信貸狀況(Loa)，用銀行貸款占總資產的比例衡量。另外，還引入了人民幣存貸比(Lode)、營業(yè)收入與營業(yè)支出比值(Inou)、利息凈收入與營業(yè)收入比值(Inte)、資本充足率(Car)作為控制變量。

本文主要變量的描述性統計結果如表2所示，相關控制變量的分布情況與相關研究(顧海峰和高水文，2022；李志輝等，2022)[5][12]基本一致?？梢钥闯?，關鍵變量Crisk2以及Bdigi的標準差大于均值，而且極差也遠遠大于均值，因此，這兩個變量的分布比較分散。后續(xù)實證過程中本文對所有連續(xù)變量進行了1%的縮尾處理。

表2 變量的描述性統計結果

(三)模型設計

為了檢驗銀行數字化轉型對信用風險的治理效應，本文構建了如下回歸模型：

其中，Criski,t具體為Crisk1i,t和Crisk2i,t，μi和υt代表控制個體效應和時間效應，Xi,t代表控制變量。此外，為了檢驗銀行數字化轉型對信用風險的治理效果是否受到外源性金融科技(Outft)的調節(jié)作用，本文在模型(1)的基礎上，引入Outft變量以及交叉項Bdigi×Outft構建如下模型：

為了研究貸款結構和盈利能力的中介作用，本文在模型(1)基礎上，以Cot和Roa為中介變量，分別構建“銀行數字化轉型→優(yōu)化貸款結構(Cot)→抑制信用風險”以及“銀行數字化轉型→提高盈利能力(Roa)→抑制信用風險”的中介效應模型：

進一步地，為了檢驗模型(3)和模型(4)中介渠道的前半程和后半程是否受到了外源性金融科技的調節(jié)影響。在上述中介效應模型基礎上，本文構建了如下有調節(jié)的中介效應模型：

四、實證結果與分析

(一)回歸分析

表3報告了模型(1)和模型(2)的估計結果。從第(1)～(4)列可以看出，在不添加控制變量和添加控制變量后，銀行數字化轉型(Bdigi)的估計系數均顯著為負，表明銀行自身的數字化轉型有助于降低其信用風險水平，假說H1得到驗證。

表3 模型估計結果

此外，將外源性金融科技(Outft)和交叉項(Bdigi×Outft)加入模型中進行估計，如第(5)(6)列所示，結果發(fā)現交叉項(Bdigi×Outft)的符號均顯著為負，說明外源性金融科技增強了銀行數字化轉型對信用風險的治理效果，驗證了假說H2。

(二)內生性討論

首先，借鑒金洪飛等(2020)[9]相關做法，本文采用解釋變量Bdigi滯后一期的值進行檢驗以緩解反向因果問題，結果如表4第(1)(2)列所示，與前文結論保持一致。

其次，參考金洪飛等(2020)[9]、李學峰和楊盼盼(2021)[11]相關做法，本文將被解釋變量的滯后一期引入模型中，采用系統GMM方法進行動態(tài)面板估計，實證結果如表4第(3)(4)列所示，相關檢驗均滿足模型有效性，估計結果與原結論保持一致。

最后，本文還嘗試選取工具變量進行2SLS估計，以緩解內生性問題的擔憂。借鑒管考磊和朱海寧(2022)[6]的思路，各地區(qū)互聯網寬帶接入用戶數與市場主體推進數字化轉型進程存在著較強的相關性，并且其與銀行信用風險之間沒有直接關系。因此，本文選取銀行所在地的互聯網寬帶普及率(Inter)作為銀行數字化轉型(Bdigi)的工具變量，采用各省級單位寬帶接入用戶數與總人口的比值對其進行衡量并做2SLS估計，結果如表4第(5)～(7)列所示。工具變量通過相關檢驗，實證結果也支持原結論，較好地緩解了內生性問題帶來的影響。

表4 內生性討論結果

(三)穩(wěn)健性檢驗

為提升實證結果穩(wěn)健性，本文進行了如下五方面的穩(wěn)健性檢驗。

第一，重新測度被解釋變量和解釋變量。本文將前文使用的不良貸款率、撥備覆蓋率單個指標進行標準化，然后對標準化后的變量求平均值以及使用熵值法賦予權重分別合成兩個新的指標，重新測度原被解釋變量進行模型估計。本文還將銀行數字化轉型指標合成方法由前文的熵值法變更為加總各關鍵詞詞頻，然后對其取均值和取對數構建兩個新的指標，重新測度原解釋變量進行模型估計。

第二，考慮媒體選擇性報道影響。鑒于銀行數字化轉型指數的構建使用了新聞關鍵詞詞頻數據，一般而言媒體更加關注大型銀行的事件，為了緩解媒體選擇性報道帶來的樣本選擇性偏誤的影響，本文使用銀行數字化轉型指數除以銀行資產規(guī)模的對數值，重新測度解釋變量進行穩(wěn)健性檢驗。

第三，考慮特殊事件沖擊影響。鑒于2020年銀行信用風險受到新冠疫情的影響較大，本文參考杜莉和劉錚(2022)[3]、王道平等(2022)[17]相關研究，剔除2020年樣本數據重新進行估計。

第四，考慮宏觀經濟環(huán)境影響。本文還加入了地區(qū)宏觀控制變量(省級層面)進行穩(wěn)健性檢驗，分別為GDP增長率、固定資產投資增長率、以及用貸款余額與GDP比值衡量的信貸規(guī)模。

第五，變換外源性金融科技代理變量。參考邱晗等(2018)[14]、盛天翔等(2020)[16]的相關做法，采用省級層面的北京大學數字普惠金融總指數重新衡量外源性金融科技變量；本文還將國內所有商業(yè)銀行申請的金融科技專利剔除掉，再采用熵值法重新合成外源性金融科技變量進行穩(wěn)健性檢驗。

以上穩(wěn)健性檢驗的結果依然支持本文結論(限于篇幅，檢驗結果略)。

五、影響機制檢驗

(一)貸款結構渠道分析

表5第(1)～(3)列報告了貸款結構渠道的中介效應檢驗結果。其中第(1)列Bdigi的系數顯著為負，而第(2)(3)列Cot的系數顯著為正，表明銀行數字化轉型通過降低客戶貸款集中度優(yōu)化了貸款結構，進而抑制了其信用風險，假說H1a得到驗證。

表5第(4)～(6)列報告了引入外源性金融科技(Outft)的有調節(jié)的中介效應模型的檢驗結果。其中，第(4)列中交叉項(Bdigi×Outft)的估計系數顯著為負，表明該中介效應的前半程受到了外源性金融科技的調節(jié)，即外源性金融科技強化了銀行數字化轉型對客戶貸款集中度的分散作用，進而優(yōu)化了貸款結構。第(5)(6)列Cot以及交叉項Cot×Outft的估計系數均是顯著的，且其符號一致均為正，說明在中介渠道的后半程，外源性金融科技強化了貸款結構優(yōu)化對銀行信用風險的治理效應。

表5 貸款結構機制檢驗結果

綜上，“銀行數字化轉型→優(yōu)化貸款結構→抑制信用風險”中介渠道的前半程和后半程作用效果均會被外源性金融科技所強化，外源性金融科技會通過貸款集中度這一中介渠道增強銀行數字化轉型對銀行信用風險的抑制效果，假說H2a得到驗證。

(二)盈利能力渠道分析

表6第(1)～(3)列報告了盈利能力渠道的中介效應檢驗結果。其中第(1)列Bdigi的系數顯著為正，而第(2)(3)列Roa的系數顯著為負，表明銀行數字化轉型通過提升其盈利能力進而抑制了信用風險，假說H1b得到驗證。

表6第(4)～(6)列報告了引入外源性金融科技(Outft)的有調節(jié)的中介效應模型檢驗結果。第(4)列中交叉項(Bdigi×Outft)的估計系數顯著為正，表明該中介效應的前半程受到外源性金融科技的調節(jié)，即外源性金融科技強化了銀行數字化轉型對銀行盈利能力的提升作用；第(5)(6)列Roa的系數顯著為負，Roa×Outft系數不顯著，沒有證據表明該中介渠道的后半程受到外源性金融科技的調節(jié)。

表6 盈利能力機制檢驗結果

綜上，對于假說H2b，“銀行數字化轉型→提高盈利能力→抑制信用風險”中介渠道的前半程被外源性金融科技所強化，即外源性金融科技會通過強化銀行數字化轉型對盈利能力的提升作用，來增強銀行數字化轉型對信用風險的治理效果。但是，中介渠道后半程受到調節(jié)的實證結果并不顯著，即無法說明外源性金融科技能夠放大盈利能力水平的提高對信用風險治理的積極影響。

六、進一步研究

(一)外源性金融科技作用差異：銀行規(guī)模與風險壓力

為了研究銀行規(guī)模差異和信用風險壓力是否會影響外源性金融科技的調節(jié)效應，本文構建如下門檻模型：

其中，銀行資產規(guī)模(Size)變量定義與前文保持一致，Prisk為銀行信用風險壓力變量，用銀行上一年的貸款撥備率減去行業(yè)平均貸款撥備率來衡量，Prisk越大表示銀行的信用風險壓力越大。本文使用Bootstrap方法抽取了1000次樣本，先對門檻效應進行檢驗，結果如表7所示，銀行資產規(guī)模和信用風險壓力作為門檻變量時，其門檻效應分別在5%和10%水平下顯著，因此，上述模型(9)和模型(10)中設置的門檻效應確實存在。

表7 門檻自抽樣檢驗結果

表8報告了門檻模型估計結果。從第(1)(2)列可以看出，當銀行規(guī)模位于門檻值兩側時，交叉項(Bdigi×Outft)的系數估計值都顯著異于零，而且都為負，但交叉項(Bdigi×Outft)系數的絕對值方面，高于門檻值側系數的絕對值較小，同時低于門檻值側系數的絕對值較大，說明在銀行數字化轉型對信用風險的治理效果上，與規(guī)模較大銀行相比，規(guī)模較小銀行受到外源性金融科技的影響更大。可能的原因是，較小規(guī)模銀行的科技研發(fā)水平較低，其對外源性金融科技更加依賴。從第(3)(4)列可以看出，當信用風險壓力位于門檻值兩側時，交叉項(Bdigi×Outft)的系數估計值都顯著異于零，而且都為負，但交叉項(Bdigi×Outft)系數的絕對值方面，高于門檻值側系數的絕對值較大，同時低于門檻值側系數的絕對值較小，說明在銀行數字化轉型對信用風險的治理效果上，與信用風險壓力低的銀行相比，信用風險壓力較高的銀行受到外源性金融科技的影響更大?？赡艿脑蚴?，對于信用風險壓力較高的銀行而言，單純依靠自身內部的數字化轉型并不能滿足風險管理要求，因而轉向加強與金融科技外包服務商的合作。

(二)商業(yè)銀行類型異質性討論

表9報告了城市商業(yè)銀行與農村商業(yè)銀行分組檢驗的實證結果?？梢钥闯觯c農村商業(yè)銀行樣本組相比，城市商業(yè)銀行樣本組的交叉項(Bdigi×Outft)系數的絕對值大小和顯著性水平都明顯更大，并且費舍爾組合檢驗(自抽樣500次得到經驗p值)的組間系數差異在5%水平下顯著，表明分組結果具有較好的差異性。這說明，在銀行內部數字化轉型對信用風險的治理效果上，與農村商業(yè)銀行相比，城市商業(yè)銀行受到外源性金融科技的影響更大?？赡艿脑蚴?，城市商業(yè)銀行內部業(yè)務流程更加規(guī)范、科技人才占比更高，更能利用好外源性金融科技創(chuàng)新。

表9 城市商業(yè)銀行與農村商業(yè)銀行異質性分析結果

七、結論及啟示

本文探索了銀行數字化轉型對于信用風險的治理效應以及外源性金融科技的調節(jié)效應及其作用機制。研究發(fā)現，銀行數字化轉型通過優(yōu)化貸款結構、提高盈利能力對銀行信用風險進行治理；外源性金融科技能夠強化這兩條影響渠道，進而增強銀行自身數字化轉型對其信用風險的治理效果。門檻效應和異質性研究表明，在銀行數字化轉型的信用風險治理過程中，規(guī)模較小的銀行和信用風險壓力較高的銀行對外源性金融科技更加依賴，城市商業(yè)銀行則比農村商業(yè)銀行更擅長吸收外源性金融科技創(chuàng)新。

基于上述研究結論，本文具有如下啟示。第一，外源性金融科技能強化銀行內部數字化轉型對信用風險的治理效應。因此，銀行不僅要重視內部的數字化轉型投入，還要積極關注外部環(huán)境金融科技的發(fā)展變化并及時作出響應，適時地調整自身的業(yè)務流程和組織結構以便更高效地吸收外源性的金融科技創(chuàng)新成果。第二，外源性金融科技能通過調節(jié)貸款結構來增強數字化轉型對信用風險的治理效果。因此，銀行在外源性金融科技高速發(fā)展和自身積極增加數字化轉型投入的背景下，要充分利用好借貸市場信息透明度提升帶來的紅利，摒棄以往“壘大戶”的放貸習慣，在信息透明情況下分散貸款投資以優(yōu)化自身貸款結構，防止風險過于集中。第三，從需求上看，農村商業(yè)銀行的技術實力比城市商業(yè)銀行更弱，更需要配合外源性金融科技的協調發(fā)展。研究結果卻表明農村商業(yè)銀行對外源性金融科技的吸收效果明顯弱于城市商業(yè)銀行，這可能是由于其業(yè)務流程、組織框架和人才結構方面存在不足。因此，農村商業(yè)銀行需要在組織變革和人才隊伍建設上進行更多探索，以適應數字銀行4.0的發(fā)展，進而內外結合更好地提升其數字化轉型效果?！?/p>

注釋

1.數據來源于《2021中國銀行業(yè)數字化轉型研究報告》。

2.數據來源于《中國上市銀行分析報告2021》。

3.CPRS數據庫是由中國專利信息中心開發(fā)的專利檢索系統，擁有完整的專利數據。

4.IPC專利分類中沒有明確的金融科技專利類別，但其包含的G06Q大類被界定為應用于行政、金融、商業(yè)、管理、監(jiān)督等領域的數據處理系統或方法。這個大類全面地涵蓋金融及金融相關的各領域，特別是包含了金融科技領域所有基礎技術，因此是最接近金融科技領域的分類號。然而，該類別同時也包含了大量非金融科技類專利(如行政、商業(yè)、管理等領域)，因此需要進一步識別出金融科技類專利。