13 浏览这些局限性使得传统商业银行在盈利模式转型和风险管理优化上面临巨大压力。
3.2.2我国商业银行定价能力与风险承担的现状
近年来，随着我国利率市场化改革的深入和金融科技的快速发展，我国商业银行在定价能力和风险承担方面也发生了一些变化，并呈现出新的特点。
定价能力方面：
1.利率市场化推动定价精细化：随着贷款基准利率的放开和贷款市场报价利率（LPR）改革的推进，银行的定价自主权增加，迫使其从过去依靠基准利率浮动向基于客户风险、资金成本和市场供求的精细化定价转型。
2.金融科技赋能精准定价：大型银行和部分股份制银行已积极运用大数据、人工智能技术构建风险定价模型。例如，在零售信贷领域，基于客户多维度数据（包括电商、社交、支付、位置信息等）的信用评分模型被广泛应用于自动化审批和差异化定价，使得银行能够为不同风险等级的客户提供定制化利率。这使得银行在服务小微企业和长尾客户时，能够更精准地进行风险定价，提高其信贷可得性。
3.产品创新与交叉销售带动定价：银行通过推出线上化、场景化的金融产品（如随借随还的消费贷、基于供应链的产业贷），并结合大数据分析进行交叉销售，其定价策略更加灵活，也更能体现产品价值和客户需求。
挑战：尽管有所进步，但仍存在定价模型成熟度不高、数据整合不充分、定价机制弹性不足等问题。部分银行仍存在“搭便车”定价行为，未能充分利用数据优势。
风险承担方面：
1.风险识别与管理能力提升：金融科技的应用使银行能够更全面、实时地识别各类风险。大数据风控模型在识别信用风险、欺诈风险、操作风险方面的准确性显著提高，有助于银行在承担风险前做出更明智的决策。
2.风险承担结构变化：随着精准定价和自动化风控的成熟，银行可能更倾向于在零售信贷、小微金融等过去风险高、成本高的领域承担更多风险，因为这些风险现在变得“可量化、可定价、可管理”。这有助于优化银行的资产结构，增加普惠金融的覆盖。
3.新型风险挑战：数字化转型在带来便利的同时，也催生了新的风险形态，影响银行的风险承担。例如，数据安全与隐私保护风险、算法偏见与模型风险、网络攻击风险、以及线上挤兑风险（如硅谷银行事件）等。这些新型风险的出现，使得银行在承担风险时需要更加审慎，并构建与之匹配的风险管理体系。
4.监管要求趋严：监管机构对银行的风险承担行为提出了更严格的要求，包括资本充足率、流动性、操作风险等，这也在一定程度上塑造了银行的风险承担策略。
挑战：尽管在识别和管理传统风险方面有所进步，但银行在应对新型数字风险方面的能力仍有不足。部分银行可能因盲目追求市场份额，在缺乏充分风险识别能力的情况下，承担了新型高风险。
综上所述，我国商业银行在数字化转型推动下，定价能力和风险承担行为均发生了积极变化，但仍面临数据治理、模型成熟度、技术融合以及新型风险应对等挑战。深入分析数字化转型对其定价能力与风险承担的内在关系至关重要。
3.3研究假设
基于上述文献评述、理论基础以及对我国商业银行数字化转型、定价能力和风险承担现状的深入分析，本研究提出以下研究假设，这些假设将在后续的实证分析中进行检验。
核心假设：
H1：商业银行数字化转型对银行定价能力具有显著正向作用。即商业银行数字化水平越高，其定价能力越强。
H2：商业银行定价能力对银行风险承担具有显著影响。精准的定价能力使银行能更好地识别和管理风险，从而可能优化其风险承担行为。
H3：商业银行定价能力在数字化转型与风险承担关系中发挥中介作用。即数字化转型通过提升银行的定价能力，进而影响其风险承担水平。
细分假设（基于数字化转型对定价能力和风险承担的具体影响机制）：
H1a：数字化转型通过提升数据获取、处理和分析能力，正向影响银行定价能力。大数据技术能够帮助银行获取更全面、多维度、实时的客户信息和市场信息，缓解信息不对称，为精准定价提供数据基础。
H1b：数字化转型通过优化风险计量与定价模型，正向影响银行定价能力。人工智能和机器学习算法能够构建更精密的客户信用风险评估、行为风险预测模型，实现差异化风险定价。
H2a：定价能力的提升可能促使银行降低风险承担。当银行能够更精准地识别和规避高风险客户时，其整体风险承担水平可能下降。
H2b：定价能力的提升也可能促使银行拓展风险承担边界。当银行能够更精准地量化和管理风险时，可能敢于进入过去因信息模糊而不敢涉足的业务领域（如普惠金融），在风险可控的前提下增加风险资产，从而在一定程度上增加风险承担。
H3a：数字化转型可能直接影响银行的风险承担。除了通过定价能力的中介作用，数字化转型可能通过其他渠道（如提升风险识别效率、优化内部控制）直接影响银行的风险承担，使其更审慎或更积极。
可能存在的负面影响或权衡：
H4：数字化转型可能在特定情境或初期阶段带来新的风险挑战，从而影响定价能力和风险承担的优化效果。例如，数据安全与隐私泄露可能引发客户不信任；算法偏见可能导致不公平定价；高昂的科技投入也可能在短期内对银行的盈利能力造成压力。
这些假设将作为本研究实证分析的出发点，通过数据检验来验证其合理性和显著性。
第四章商业银行数字化转型对其定价能力与风险承担影响的实证分析
本章将通过构建计量模型，运用面板数据对商业银行数字化转型对其定价能力与风险承担的影响进行实证分析。
4.1.1样本选择
本研究选择2013年至2022年间我国境内上市的75家商业银行作为研究样本。选择这些上市银行的主要原因有两点：首先是数据可获得性。上市银行严格遵循信息披露规范，其财务报表、年度报告、社会责任报告等信息公开透明，数据获取相对容易且可靠性高，这为构建全面、准确的变量指标提供了便利。其次是样本代表性。这75家上市商业银行涵盖了国有大型商业银行、股份制商业银行以及部分城市商业银行，它们在我国银行业资产规模、业务结构和市场份额中占据主导地位，能够较好地反映我国商业银行在数字化转型、定价实践和风险承担行为方面的整体发展态势。选择2013年至2022年的时间跨度，是因为这一时期是我国利率市场化改革逐步深化、金融科技快速发展并广泛应用于金融领域，以及银行定价能力和风险承担行为发生显著变化的十年，有利于观察数字化转型对其影响的动态变化过程。在初始样本选取后，将进行必要的筛选，剔除ST、\ST类银行（可能存在财务异常或经营困难，不具备普遍代表性），以及数据缺失严重的银行，以确保数据的完整性和有效性，最终确定用于实证分析的样本集。
4.1.2数据来源
本研究所需数据主要来源于以下几个权威途径，以确保数据的可靠性和准确性。首先，中国银行保险监督管理委员会（现国家金融监督管理总局）官方网站是获取银行监管报告、行业统计数据和相关政策法规的重要来源，这些数据有助于我们了解行业整体趋势和监管导向。其次，我们将查阅各商业银行的年度报告和半年度报告，从中提取详细的财务数据、业务运营数据以及关于数字化转型投入、金融科技应用、定价策略、风险管理等方面的文字描述和量化指标。这些报告提供了最直接、最真实的银行经营情况。再次，Wind数据库和CSMAR数据库是本研究主要的数据获取平台。这两个数据库包含了我国上市公司的详尽财务数据、股权结构、公司治理信息、宏观经济数据以及部分行业特定数据，为构建各变量指标提供了坚实的数据基础。最后，国家统计局和中国人民银行的官方数据是获取宏观经济变量（如GDP增长率、消费者物价指数CPI、广义货币供应量M2增长率、社会融资规模等）的重要来源，这些宏观数据将作为控制变量纳入模型，以控制宏观经济环境对银行定价能力和风险承担的影响。为保证数据质量，收集到的数据将经过严格的清洗、核对和处理，对于存在的异常值和缺失值，将根据实际情况采用插值法、剔除法或均值填充等合理方式进行处理，确保实证分析的有效性。
4.2变量选取
4.2.1被解释变量
本研究的被解释变量包括商业银行定价能力（PricingCapability,PC）和商业银行风险承担（Risk-Taking,RT）。
1.商业银行定价能力(PC)：衡量银行根据风险进行合理定价的能力。
核心衡量指标：净利差（NetInterestMargin,NIM）。净利差反映银行的生息资产收益率与付息负债成本率之间的差额。在控制资金成本和资产负债结构后，稳定的高净利差通常意味着银行有较强的定价能力，能更好地将风险成本转化为收益。
优势：直观反映银行核心盈利能力；数据可得性高。
替代指标（稳健性检验）：贷款利率（平均或分层）与资金成本之差的波动性。
2.商业银行风险承担(RT)：衡量银行在经营过程中所面临和愿意承担的各类风险敞口。
核心衡量指标：不良贷款率（Non-PerformingLoanRatio,NPLR）。不良贷款率是衡量信用风险承担最直接、最常用的指标，反映银行信贷资产的质量。NPLR越高，表明银行承担的信用风险越高（或其管理能力越弱）。
替代指标（稳健性检验）：
总资产风险加权资产比率（RWA/TotalAssets）：反映银行整体资产的风险权重水平，权重越高表明风险承担越大。
贷款损失准备/贷款总额的比率（LSP_Ratio）：反映银行对未来贷款损失的预期和拨备力度，一定程度上反映风险承担和管理审慎性。
非利息收入占比（Non-InterestIncomeRatio）：较高的非利息收入占比可能意味着银行更积极地拓展中间业务和投资业务，其风险承担结构可能发生变化。
4.2.2解释变量
本研究的核心解释变量是商业银行数字化转型水平（DigitalTransformationLevel,DT）。为了全面衡量商业银行的数字化水平，本研究将借鉴谢绚丽、王诗卉（2022）等研究的做法，构建一个涵盖多个维度的综合指标。这些维度旨在反映银行在数字化投入和数字化应用/产出两方面的表现。
具体衡量指标包括：
1.数字化投入方面：
信息技术投入占营业收入的比重（IT_Expense_Ratio）：反映银行在IT基础设施、软件开发、金融科技人才等方面的资源投入强度。
研发费用占营业收入的比重（R&D_Expense_Ratio）：衡量银行在金融科技创新、新产品开发方面的投入力度。
2.数字化应用/产出方面：
无形资产占总资产的比重（Intangible_Asset_Ratio）：无形资产中包含了大量与软件、专利、数据资产等相关的投入，间接反映银行在数字化资产方面的积累和技术沉淀。
电子银行交易额占总交易额的比重（E-banking_Ratio）：衡量银行通过线上渠道提供金融服务的普及程度和客户使用粘性，反映数字化业务的渗透率。
金融科技人员占员工总数的比重（FinTech_Staff_Ratio）：反映银行在金融科技人才队伍建设上的力度，是数字化转型成功的关键支撑。
与大数据、人工智能、区块链等技术相关的专利申请数量或授权数量（Patent_Count）：直接反映银行在金融科技创新方面的产出和知识产权积累，体现其自主研发能力。
构建方法：
由于上述指标具有多维度、可能存在共线性等特点，本研究将采用主成分分析（PrincipalComponentAnalysis,PCA）或因子分析（FactorAnalysis）等降维方法，将这些原始指标合成为一个综合性的商业银行数字化转型水平（DT）指标。在合成之前，将对原始指标进行标准化处理（如Z-score标准化），以消除量纲差异的影响。通过主成分分析，可以提取出能够解释大部分信息变异的少数几个主成分，然后根据各主成分的贡献率加权求和，得到最终的数字化转型水平综合指标。这个指标将更全面、更客观地反映银行的数字化程度，避免单一指标的片面性，并降低多重共线性问题。
4.2.3控制变量
为了更准确地评估商业银行数字化转型对其定价能力与风险承担的影响，本研究将纳入一系列控制变量，以排除其他可能影响银行定价和风险承担的因素，确保研究结论的稳健性。
1.银行规模(SIZE)：银行规模通常与市场地位、风险分散能力以及风险管理资源配置能力相关。大型银行可能拥有更强的议价能力和风险承担能力。
衡量：银行总资产的自然对数（Ln_TotalAssets）。
2.资本充足率(CAR)：资本充足率是衡量银行风险抵补能力的重要指标。更高的资本充足率意味着银行有更强的抗风险能力，可能鼓励其承担更多风险（风险承担激励效应），也可能使其定价更具竞争力。
衡量：核心一级资本充足率（Core_Tier1_CAR）或总资本充足率（Total_CAR）。
3.盈利能力(PROFIT)：银行的盈利能力反映其经营状况。盈利能力强的银行可能拥有更强的风险承担意愿或更优的风险定价能力。
衡量：净资产收益率（ReturnonEquity,ROE）或总资产收益率（ReturnonAssets,ROA）。
4.资产负债结构(STRUC)：银行的资产负债结构特征直接影响其面临的各类风险敞口和定价策略。
衡量：贷款总额占总资产的比重（Loan_TA），反映银行的信贷资产暴露程度，通常与信用风险承担正相关。
5.管理效率(EFF)：银行的管理效率影响其运营成本和风险管理效率，进而可能影响定价和风险承担。
衡量：成本收入比（Cost-IncomeRatio）。较低的成本收入比通常表明管理效率越高。
6.宏观经济因素(MACRO)：宏观经济环境是影响银行定价能力和风险承担的重要外部因素。经济繁荣期，市场需求旺盛，风险较低；经济下行期，银行可能面临更高的违约风险和更激烈的市场竞争。
衡量：实际国内生产总值增长率（GDP_Growth）或消费者物价指数（CPI_Growth）。
7.产权性质(OWN)：银行的产权性质（如国有银行、股份制银行等）可能影响其公司治理结构、风险偏好、监管支持以及定价策略和风险承担行为。
衡量：设置哑变量。例如，国有大型银行=1，股份制银行=0。
通过纳入这些控制变量，本研究旨在更准确地识别数字化转型对定价能力与风险承担的净影响，减少遗漏变量偏误。
4.3模型构建
本研究将采用面板数据模型进行实证分析，以探讨商业银行数字化转型对其定价能力与风险承担的影响，并特别关注定价能力的中介作用。面板数据模型能够同时处理时间序列数据和截面数据，具有更高的效率和更强的控制能力。在面板数据模型中，我们将主要考虑固定效应模型（FixedEffectsModel）。
选择固定效应模型的原因在于：
1.控制个体异质性：商业银行之间存在许多不随时间变化的个体特征，如银行文化、管理理念、成立背景等。这些不可观测的个体异质性如果被遗漏，可能导致估计偏误。固定效应模型通过引入个体虚拟变量（或对个体进行“去均值化”处理）来控制这些不随时间变化的个体效应，从而获得更一致、无偏的估计结果。
2.减少遗漏变量偏误：相比于混合OLS回归，固定效应模型能够更好地控制由于遗漏了对被解释变量有影响且与解释变量相关的个体特有变量而导致的偏误。
3.适应样本特性：本研究样本为75家商业银行在10年期间的面板数据，固定效应模型非常适合处理此类数据结构。
中介效应模型设定如下（参考温忠麟和叶宝生，2014年的逐步回归法）：
为了检验数字化转型（DT）通过定价能力（PC）对风险承担（RT）产生影响的中介作用，我们将构建以下三个回归模型：
第一步：检验数字化转型对风险承担的总效应。
$$RT_{i,t}=\alpha_1+cDT_{i,t}+\sum\beta_kX_{k,i,t}+\mu_{i}+\epsilon_{i,t}\quad(1)$$
其中，$RT_{i,t}$为第$i$家银行在第$t$年的风险承担（NPLR）。
$DT_{i,t}$为数字化转型水平。
$c$为数字化转型对风险承担的总效应系数。
$X_{k,i,t}$为控制变量。
$\mu_{i}$为个体固定效应，$\epsilon_{i,t}$为随机误差项。
第二步：检验数字化转型对定价能力的影响。
$$PC_{i,t}=\alpha_2+aDT_{i,t}+\sum\delta_kX_{k,i,t}+\nu_{i}+\omega_{i,t}\quad(2)$$
其中，$PC_{i,t}$为第$i$家银行在第$t$年的定价能力（NIM）。
$a$为数字化转型对定价能力的影响系数。
$\nu_{i}$为个体固定效应，$\omega_{i,t}$为随机误差项。
第三步：同时检验数字化转型和定价能力对风险承担的影响。
$$RT_{i,t}=\alpha_3+c'DT_{i,t}+bPC_{i,t}+\sum\gamma_kX_{k,i,t}+\lambda_{i}+\zeta_{i,t}\quad(3)$$
其中，$c'$为数字化转型对风险承担的直接效应系数。
$b$为定价能力对风险承担的影响系数。
$\lambda_{i}$为个体固定效应，$\zeta_{i,t}$为随机误差项。
预期回归结果及中介效应检验：
根据研究假设H1，我们预期模型（2）中$a$的符号为正，且统计显著（即数字化转型提升定价能力）。
根据研究假设H2，我们预期模型（3）中$b$的符号显著（正或负，具体取决于定价能力对风险承担的优化方向）。
根据研究假设H3，要存在中介效应，需满足以下条件：
模型（1）中$c$显著。
模型（2）中$a$显著。
模型（3）中$b$显著。
如果$c'$显著，则存在部分中介效应；如果$c'$不显著，则存在完全中介效应。
我们将使用Sobel检验或Bootstrap方法对中介效应的显著性进行更严谨的检验。
模型选择：
在进行正式回归之前，我们将通过Hausman检验来选择更适合数据的模型（固定效应模型或随机效应模型）。Hausman检验的原假设是随机效应模型是合适的（即个体效应与解释变量不相关）。如果p值小于0.05，则拒绝原假设，选择固定效应模型；否则，接受原假设，选择随机效应模型。
4.4实证结果与分析
4.4.1描述性统计
对收集到的样本数据进行描述性统计分析，旨在提供各变量的基本概况和分布特征。这将包括计算定价能力（PC）、风险承担（RT）、数字化转型水平（DT）以及所有控制变量（银行规模SIZE、资本充足率CAR、盈利能力PROFIT、资产负债结构STRUC、管理效率EFF、宏观经济因素MACRO、产权性质OWN）的均值、标准差、最小值、最大值、中位数等统计量。通过观察这些数据，我们可以初步了解我国上市商业银行在研究期间的定价能力和风险承担的平均状况和波动范围，以及数字化转型水平的总体水平和银行间的差异。例如，NIM的均值和波动性可以反映行业的定价空间和稳定性；NPLR的均值则反映信用风险的平均水平。这些基础统计数据将为后续的深入回归分析提供直观的认识和背景信息。
4.4.2相关性分析
在描述性统计之后，我们将进行相关性分析，以初步探究各变量之间的线性关系。通过计算主要变量（PC、RT、DT）以及控制变量之间的皮尔逊相关系数，我们可以初步判断它们是否存在显著的相关性及其方向。我们将重点关注：
1.数字化转型（DT）与定价能力（PC）之间的相关性：如果呈现显著正相关，将初步支持H1。
2.定价能力（PC）与风险承担（RT）之间的相关性：其方向（正或负）将初步反映定价能力对风险承担的影响。
3.数字化转型（DT）与风险承担（RT）之间的相关性：其方向将初步反映数字化转型对风险承担的总效应。
