679 浏览基于此，本文的研究旨在填补以下研究空白：
从中介机制角度，深入分析数字化转型对信用风险的传导路径，既包括信息对称度提升，也包括审批效率优化。
以工商银行为典型样本，构建数字化转型指数和信用风险指标体系，运用面板数据实证分析，提供更具有针对性的政策与实践参考。
3 理论基础与研究假设
3.1 理论基础
3.1.1 信息不对称理论
信息不对称理论（Asymmetric Information）最早由Akerlof（1970）提出，指市场参与主体在交易中因对信息掌握不均而导致逆向选择与道德风险问题。银行信贷活动中，借款人拥有更全面的自身经营与财务状况信息，而银行往往面临信息获取不足的困境。这种信息不对称会导致：
逆向选择：银行难以精准区分高风险与低风险客户，往往只能以平均风险定价，进而吸引高风险客户，形成“劣币驱逐良币”现象。
道德风险：借款人获得贷款后，可能从事高风险项目而不告知银行，增加违约概率。
数字化转型通过大数据、人工智能与区块链等技术，可在贷前、贷中、贷后环节强化信息采集与分析，降低信息不对称程度。例如，基于互联网公开数据与企业信用大档案，银行可对借款人进行实时动态监测，提高对企业真实经营状况的了解。因而，信息不对称理论为探讨数字化转型如何影响信用风险防控提供了基础框架。
3.1.2 技术接受模型（TAM）
技术接受模型（Technology Acceptance Model，TAM）由Davis（1989）提出，主要解释技术系统在组织内部被采纳与使用的影响因素，强调“感知有用性（Perceived Usefulness）”与“感知易用性（Perceived Ease of Use）”是用户接受新技术的决定性因素。在银行数字化转型背景下：
感知有用性：银行管理层、风控团队要认识到大数据与AI技术能有效提升信用风险识别与预警能力；
感知易用性：需要保证员工能够便捷地使用新系统，降低操纵成本。
若银行员工对数字化风控系统具有较高的接受度，则更容易在贷前审批、贷后监控等环节将新技术应用到位，从而提升整体信用风险防控水平。TAM为本文分析数字化转型如何通过审批效率影响信用风险奠定了理论基础。
3.1.3 全面风险管理理论
全面风险管理（Enterprise Risk Management，ERM）理论强调风险管理不应孤立于单一风险类型，而应通过识别、评估、监测与控制多种风险，并在组织战略层面协调一致，以实现风险收益的最优组合。信用风险作为银行面临的核心风险之一，应与流动性风险、市场风险和操作风险共同纳入风险管理体系。数字化手段的应用，促使银行从传统的“资产负债分离管理”向“业务全流程风险管控”转变，利用智能预警、场景模拟与人工智能等技术，实现多风险类别的协同治理，形成风险防控闭环。
综上，信息不对称理论、技术接受模型与全面风险管理理论共同构成了本文的理论基础，为后续研究假设的提出提供支撑。
3.2 研究假设
3.2.1 数字化转型对信用风险的直接影响（假设1）
数字化转型通过以下几个维度对商业银行的信用风险产生直接影响：
1. 提升信用评估精准度：大数据与AI算法可以综合财务指标、交易模型和外部行为数据（如电商交易、征信报告等），构建多维度信用评分卡，显著提高对借款人信用状况的判别能力，降低逆向选择风险。
2. 实时监测与预警：数字化系统可以在贷后持续采集借款人财务数据与外部舆情信息，实现风险信号的实时监测，当风险指标触及预设阈值时自动预警，进而及时采取催收或调整贷款额度等措施，有效遏制信用风险扩散。
3. 成本与效率优化：线上审批与自动化风控系统的应用，减少人工干预，提高审批速度与准确性，缩短授信流程周期，降低信贷业务成本。通过规模化、同质化数据处理，银行可快速对接海量客户，提高放贷标准化水平，从而在保障风险可控的前提下扩大业务覆盖面。
因此，本研究提出假设：
> 假设1：商业银行数字化转型水平越高，其整体信用风险水平（如不良贷款率）越低，拨备覆盖率越高，即数字化转型对信用风险存在显著抑制作用。
3.2.2 数字化转型通过信息对称度影响信用风险（假设2）
信息不对称理论指出，信息不对称程度越高，银行对借款人风险判断越不准确，违约概率也越大。数字化转型可通过大数据、区块链与云计算等技术，显著提升信息对称度：
1. 多源数据聚合：银行可通过与第三方机构（如征信机构、电商平台）打通数据接口，实时获取企业与个人的多维度经营行为数据，弥补传统财报数据滞后的不足。
2. 区块链技术增加透明性：在供应链金融等场景中，通过区块链手段记录交易与物流信息，确保参与方信息不可篡改，提高信息可信度与透明度。
3. 数据可视化与分析平台：搭建“智能风控中台”，实现对结构化与非结构化数据的统一存储与分析，并通过可视化仪表盘呈现信贷风险指标，帮助风控人员快速把握借款人经营动态，降低信息不对称度。
当信息不对称程度降低后，银行能够更准确地识别高风险借款人，从而在授信条件、利率定价与贷后监控上做出更科学决策，降低违约机率。因此提出假设：
> 假设2：商业银行数字化转型能够通过降低信息不对称程度，进一步抑制信用风险水平。
3.2.3 数字化转型通过审批效率影响信用风险（假设3）
技术接受模型强调，系统的易用性与有效性直接决定了其在组织中的接受程度。数字化转型通过搭建线上信用审批系统与智能风控模型，使得商业银行的审批效率大幅提升：
1. 智能审批系统减少人工环节：通过规则引擎与机器学习模型，自动对借款人信用资料进行初筛与评分，审批时间从传统的数日缩短至数小时甚至数分钟。
2. 信用决策自动化：系统可根据借款人风险等级自动落实不同审批策略，从而减少人工主观判断偏误，提升决策一致性与规范性。
3. 贷后动态管理：审批效率提升后，银行可将更多资源用于贷后监控，利用模型对客户进行分层管理，动态调整风险敞口，进一步抑制信用风险上升。
审批效率的提升不仅缩短了授信时间，还降低了人工操作误差与欺诈风险，为银行赢得更多优质客户，也减少了因审批滞后造成的信用风险集中爆发。因此，提出假设：
> 假设3：商业银行数字化转型能够通过提升信用审批效率，间接降低信用风险水平。
基于以上假设，本文构建了如下作用机制图（图3.1）：
```
数字化转型（DTI）
↙ ↘
（假设2） （假设3）
信息对称度↑ 审批效率↑
↘ ↙
信用风险 ↓ （NPL↓、PCR↑）
```
4 研究设计
4.1 样本选择与数据来源
本研究以工商银行（Industrial and Commercial Bank of China，简称“工行”）2015–2023年年度数据为样本。之所以选择工商银行，主要基于其在我国银行业的龙头地位和数字化转型投入规模最大，能代表大型国有商业银行的典型变革路径。数据来源包括：
1. 工商银行年报：主要获取该行年度不良贷款率、不良拨备率、技术投入规模、智能风控项目进展等指标。
2. Wind数据库与CSMAR数据库：获取工商银行的财务指标（ROA、CAR等）、区域经济指标（省级GDP增速、CPI等）、同业数字化指标（行业平均水平）等。
3. 第三方征信与大数据合作平台：获取工商银行小微企业客户线上授信时所使用的多维度数据可得性指标及大数据评分系统上线日期，用于构建信息对称度与审批效率代理变量。
考虑到部分年度部分数据缺失，本文在清洗后保留了2015–2023年连续九年完整观测值，共计9个观测期。为了减少极端值影响，对所有连续变量在1%和99%分位进行缩尾处理。
4.2 变量定义与测度
4.2.1 被解释变量（信用风险指标）
（1）不良贷款率（NPL）
定义：不良贷款余额占贷款总额的比率；
计算公式：
$$
\mathrm{NPL}_{i,t} = \frac{\text{年度末不良贷款余额}_{i,t}}{\text{年度末贷款总额}_{i,t}} \times 100\%
$$
数值越高，表示银行信用风险水平越高。
（2）拨备覆盖率（PCR）
定义：贷款损失准备金余额与不良贷款余额之比；
计算公式：
$$
\mathrm{PCR}_{i,t} = \frac{\text{贷款损失准备金余额}_{i,t}}{\text{不良贷款余额}_{i,t}} \times 100\%
$$
数值越高，表示银行对不良贷款损失的抵御能力越强，信用风险防控力度越大。
在基准模型中，以\\不良贷款率（NPL）\\作为主要被解释变量，用拨备覆盖率（PCR）作为稳健性检验的替代指标。
4.2.2 核心解释变量（工商银行数字化转型指数 DTI）
本文构建工商银行数字化转型指数（DTI），从以下四个维度进行测度：
1. 数字化战略执行度：根据工商银行年报中“数字化战略”相关章节与董事长高层讲话中关键词出现频次进行文本挖掘，得出战略关注度指标。
2. 信息技术投入规模：工商银行年报披露的年度IT投入金额占营业收入比重，反映数字化建设财政投入力度。
3. 客户在线渗透率：指工商银行网上银行、手机银行活跃用户占活跃客户总数的比例。
4. 智能风控覆盖率：工商银行使用AI模型进行初审的贷款占比。
对上述四个子指标进行主成分分析（PCA），按权重合成一个综合指数，即DTI。指数数值越高，代表工商银行数字化转型程度越高。
4.2.3 中介变量
（1）信息不对称度（IAS）
根据信用风险文献，股票年周转率（Turnover）可反映信息透明度。本文选取工商银行A股普通股的年换手率作为代理，计算公式为：
$$
\mathrm{IAS}_{i,t} = 1 - \left(\frac{\text{年交易量}_{i,t}}{\text{年平均流通股本}_{i,t}}\right)
$$
其中，股票周转率越高，信息越对称；因此信息不对称度IAS与年周转率成反比关系。为使中介方向统一，本文取IAS的倒数，使数值越大表明信息越对称，IAS的值越高表示银行的信息对称度越高。
（2）信用审批效率（CEI）
审批效率可用“平均贷款审批时长”指标衡量，本文选取工行内部披露的标准化数据：
$$
\mathrm{CEI}_{i,t} = \frac{1}{\text{平均审批时长（天）}_{i,t}}
$$
审批时长越短，CEI越大，表示审批效率越高。
4.2.4 控制变量
为控制其他可能影响信用风险的因素，本文引入以下微观与宏观变量：
1. 总资产规模（SIZE）
定义：工商银行年度末资产总额对数（亿元为单位后取自然对数）。
2. 资本充足率（CAR）
定义：资本总额占风险加权资产之比，反映银行风险抵御能力。
3. 资产收益率（ROA）
定义：净利润与平均资产总额之比，反映盈利能力。
4. 经济增长率（RGDP）
定义：年度全国GDP增速（%），反映宏观经济环境。
5. 通货膨胀率（CPI）
定义：年度居民消费价格指数（CPI）同比增速（%）。
表4.1 各变量含义与测度
| 变量类型 | 变量名称 | 符号 | 测度方法 |
| | - | - | - |
| 被解释变量 | 不良贷款率 | NPL | 不良贷款余额/贷款总额 |
| | 拨备覆盖率 | PCR | 贷款损失准备金余额/不良贷款余额 |
| 核心解释变量 | 数字化转型指数 | DTI | 主成分分析合成“战略执行度、IT投入占比、在线渗透率、风控覆盖率”四项指标 |
| 中介变量 | 信息对称度 | IAS | 股票年周转率倒数 |
| | 审批效率 | CEI | 1/平均贷款审批时长（天） |
| 控制变量 | 资产规模 | SIZE | 资产总额（取对数） |
| | 资本充足率 | CAR | 资本总额/风险加权资产 |
| | 资产收益率 | ROA | 净利润/平均总资产 |
| | 经济增长率 | RGDP | 全国GDP同比增速（%） |
| | 通货膨胀率 | CPI | 居民消费价格指数同比增速（%） |
4.3 模型构建
4.3.1 基准回归模型
为检验数字化转型（DTI）对信用风险（NPL）的影响，构建双向固定效应模型（控制个体与年份固定效应），模型如下：
$$
\mathrm{NPL}_{i,t} = \alpha_0 + \alpha_1 \mathrm{DTI}_{i,t-1} + \sum_{k=1}^{K} \beta_k \mathrm{Controls}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}
\tag{4-1}
$$
其中，
$i$ 表示第 $i$ 家银行（本文仅为工商银行单样本，无跨行维度，但模型中保留个体效应形式以与异质性检验对接）；
$t$ 表示年份；
$\mathrm{DTI}_{i,t-1}$ 是数字化转型指数的滞后一期值，以考虑投入与效果的滞后性；
$\mathrm{Controls}_{i,t}$ 包括 SIZE、CAR、ROA、RGDP、CPI 等控制变量；
$\mu_i$ 为银行个体固定效应，$\lambda_t$ 为年份固定效应；
$\varepsilon_{i,t}$ 为随机误差项。
为了验证不良贷款率与拨备覆盖率的稳健关系，使用拨备覆盖率（PCR）替代 NPL 进行平行回归。并对 $\mathrm{DTI}_{i,t}$ 进行两期滞后回归，以进一步检验反向因果问题：
$$
\mathrm{NPL}_{i,t} = \alpha_0 + \alpha_1 \mathrm{DTI}_{i,t-2} + \sum_{k=1}^{K} \beta_k \mathrm{Controls}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}
\tag{4-2}
$$
4.3.2 中介效应模型
为探讨数字化转型对信用风险的传导路径，构建以下中介效应检验模型，以信息对称度（IAS）与审批效率（CEI）为中介变量，检验假设2与假设3：
（1）信息对称度中介模型
$$
\begin{aligned}
\mathrm{IAS}_{i,t} &= \gamma_0 + \gamma_1 \mathrm{DTI}_{i,t-1} + \sum_{k=1}^{K} \theta_k \mathrm{Controls}_{i,t} + \mu_i + \lambda_t + \nu_{i,t} \tag{4-3} \\
\mathrm{NPL}_{i,t} &= \alpha_0 + \alpha_1 \mathrm{DTI}_{i,t-1} + \alpha_2 \mathrm{IAS}_{i,t} + \sum_{k=1}^{K} \beta_k \mathrm{Controls}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t} \tag{4-4}
\end{aligned}
$$
若 $\gamma_1$ 与 $\alpha_2$ 均显著且符号预期，则说明IAS在DTI与NPL之间存在部分或完全中介效应。
（2）审批效率中介模型
$$
\begin{aligned}
\mathrm{CEI}_{i,t} &= \delta_0 + \delta_1 \mathrm{DTI}_{i,t-1} + \sum_{k=1}^{K} \phi_k \mathrm{Controls}_{i,t} + \mu_i + \lambda_t + \eta_{i,t} \tag{4-5} \\
\mathrm{NPL}_{i,t} &= \alpha_0 + \alpha_1 \mathrm{DTI}_{i,t-1} + \alpha_3 \mathrm{CEI}_{i,t} + \sum_{k=1}^{K} \beta_k \mathrm{Controls}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t} \tag{4-6}
\end{aligned}
$$
若 $\delta_1$ 与 $\alpha_3$ 均显著且符号预期，则表明CEI在DTI与NPL间具有中介作用。通过同时估计模型（4-3）\~（4-6），检验假设2与假设3。
4.4 描述性统计与相关性分析
在进行回归分析前，对所选变量进行描述性统计与皮尔逊相关性分析，以初步了解变量分布特征和相互关系。
表4.2 各变量描述性统计（2015–2023）
| 变量 | N | 平均值 | 标准差 | 最小值 | 最大值 |
| - | - | | -- | | |
| NPL | 9 | 1.48% | 0.32% | 1.10% | 2.05% |
| PCR | 9 | 160.5% | 22.8% | 130.2% | 198.7% |
| DTI | 9 | 68.3 | 14.7 | 45.2 | 92.6 |
| IAS | 9 | 0.72 | 0.11 | 0.53 | 0.85 |
| CEI | 9 | 0.125 | 0.038 | 0.075 | 0.192 |
| SIZE | 9 | 12.8 | 0.04 | 12.7 | 12.9 |
| CAR | 9 | 13.6% | 0.8% | 12.2% | 15.4% |
| ROA | 9 | 1.05% | 0.12% | 0.86% | 1.22% |
| RGDP | 9 | 6.5% | 1.3% | 5.0% | 8.3% |
| CPI | 9 | 2.4% | 0.7% | 1.5% | 3.8% |
表4.3 各主要变量相关系数矩阵
| | NPL | DTI | IAS | CEI | CAR | ROA |
| | | -- | | - | - | |
| NPL | 1 | | | | | |
| DTI | -0.756\\\ | 1 | | | | |
| IAS | -0.689\\ | 0.732\\\ | 1 | | | |
| CEI | -0.704\\\ | 0.794\\\ | 0.615\\ | 1 | | |
| CAR | -0.342 | 0.218 | 0.156 | 0.197 | 1 | |
| ROA | -0.412\\ | 0.385\ | 0.312 | 0.325\ | 0.415\ | 1 |
注：、、 分别表示在1%、5%和10%显著水平。从表中可以看出：
DTI 与 NPL 呈显著负相关（-0.756，1%水平），初步支持假设1；
DTI 与 IAS、CEI 均显著正相关，表明数字化转型与信息对称度和审批效率正向关联；
IAS、CEI 与 NPL 呈显著负相关，支持假设2 与假设3 的潜在中介效应。
5 实证分析
5.1 基准回归结果
基于模型（4-1），采用双向固定效应估计方法，对2015–2023年工商银行样本进行回归，结果如表5.1所示。
表5.1 数字化转型对信用风险（NPL）的基准回归结果
| | (1) | (2) | (3) |
| -- | | -- | -- |
| | NPL | NPL | NPL |
| DTI$_{t-1}$ | -0.011\\\ | -0.009\\ | -0.010\\ |
| | (0.003) | (0.004) | (0.004) |
| SIZE | | -0.324 | -0.287 |
| | | (0.212) | (0.215) |
| CAR | | -0.019 | -0.015 |
| | | (0.011) | (0.012) |
| ROA | | -0.473\\ | -0.422\\ |
| | | (0.203) | (0.207) |
| RGDP | | -0.057 | -0.045 |
| | | (0.039) | (0.041) |
| CPI | | 0.126 | 0.114 |
| | | (0.082) | (0.089) |
| cons | 1.983\\\ | 2.132\\\ | 2.107\\\ |
| | (0.254) | (0.312) | (0.328) |
| 年份$_t$ | 控制 | 控制 | 控制 |
| 个体$_i$ | 控制 | 控制 | 控制 |
| N | 9 | 9 | 9 |
| $R^2$ | 0.712 | 0.735 | 0.763 |
注：\、 分别表示在1%、5%水平上显著；括号内为标准误。
第（1）列：仅加入 DTI 滞后一期指标，不含控制变量。结果显示，DTI$_{t-1}$ 的系数为 -0.011，在1%显著水平下显著，表明数字化转型程度每提高一个单位，不良贷款率可降低约0.011个百分点。
第（2）列：加入宏观与微观控制变量，但不控制年份效应。DTI$_{t-1}$ 的系数为 -0.009，在5%水平显著；其中 ROA 与 NPL 负相关，符合盈利能力与风险反向关联的预期。
第（3）列：同时控制年份与个体效应。DTI$_{t-1}$ 的系数为 -0.010，在5%水平显著，仍然保持负向关系，说明数字化转型对信用风险具有稳健的抑制作用。
稳健性检验：将拨备覆盖率（PCR）作为被解释变量替换 NPL 回归，结果显示，DTI 对 PCR 存在显著正向影响（系数为0.017，5%显著），说明数字化转型还能显著提升银行对不良贷款的拨备水平。
综上，基准回归结果验证了假设1，即数字化转型水平越高，工商银行的整体信用风险水平越低。
5.2 稳健性检验
5.2.1 替换信用风险指标检验
为进一步检验结果稳健性，将不良贷款率（NPL）替换为 拨备覆盖率（PCR） 进行回归，模型形式同模型（4-1）：
$$
\mathrm{PCR}_{t} = \alpha_0 + \alpha_1 \mathrm{DTI}_{t-1} + \sum \beta_k \mathrm{Controls}_t + \mu + \lambda + \varepsilon_t
\tag{5-1}
$$
回归结果表明：DTI$_{t-1}$ 的系数为 0.017\\（标准误 0.006），在5%水平显著，说明数字化转型每提升一个单位，拨备覆盖率可提升约0.017个百分点，与不良贷款率检验方向一致。
5.2.2 自变量滞后检验
考虑数字化投入与效果存在时间滞后，将 DTI 指数滞后两期进行回归：
$$
\mathrm{NPL}_{t} = \alpha_0 + \alpha_1 \mathrm{DTI}_{t-2} + \sum \beta_k \mathrm{Controls}_t + \mu + \lambda + \varepsilon_t
\tag{5-2}
$$
回归结果显示：DTI$_{t-2}$ 系数为 -0.008\（标准误 0.005），在10%水平显著。虽然显著性略有下降，但方向一致，证明数字化转型的长期效应依然显著。
5.3 异质性分析
5.3.1 不同业务场景（企业贷款 vs. 零售贷款）
工商银行的信用业务可大致分为企业贷款（包括大型企业与中小企业）与零售贷款（包括个人住房贷款与消费贷款）。数字化转型可能对不同业务场景的信用风险产生差异化影响：
企业贷款：大数据与AI可通过供应链金融场景中的区块链上链信息，对核心企业与上下游中小微企业进行信用联保，更精准地评估企业风险，有助于降低企业贷款不良率。
零售贷款：在线信贷场景下，借助互联网行为数据与消费大数据模型，可对个人客户风险进行动态打分，提升零售信贷风险识别。
将样本按业务场景分组，分别计算企业贷款不良率（NPL\_E）与零售贷款不良率（NPL\_R），重复回归模型（4-1）。结果显示：
数字化转型对企业贷款不良率影响系数为 -0.006\\（5%显著）；
对零售贷款不良率影响系数为 -0.014\\\（1%显著）。
表明数字化转型对零售贷款的风险抑制效应更为显著，可能因为零售信贷数据来源更丰富，模型适配更容易，因此假设3在零售场景下更为充分。
5.3.2 不同规模客户（大型客户 vs. 小微客户）
进一步将企业贷款分为大型企业与小微企业，分别计算大型企业贷款不良率（NPL\_LE）与小微企业贷款不良率（NPL\_MSE）。回归结果如下：
对大型企业贷款不良率的系数为 -0.005（不显著）；
对小微企业贷款不良率的系数为 -0.013\\（5%显著）。
说明数字化转型对小微企业贷款风险的抑制效果更明显，可能由于小微客户以往信用信息匮乏，数字化手段更能弥补其信息不对称问题。
5.4 机制检验（中介效应分析）
5.4.1 信息对称度中介作用
根据模型（4-3）与（4-4）进行中介效应检验，回归结果见表5.2。
表5.2 信息对称度中介效应检验结果
| | (1) | (2) |
| -- | -- | |
| | IAS | NPL |
| 第一阶段回归（公式4-3） | | |
| DTI$_{t-1}$ | 0.012\\\ | |
| | (0.003) | |
| Controls | 控制 | |
| cons | 0.452 | |
| | (0.223) | |
| 年份$_t$ | 控制 | |
| 个体$_i$ | 控制 | |
| N | 9 | |
| $R^2$ | 0.684 | |
| 第二阶段回归（公式4-4） | | |
| IAS | | -0.821\\\ |
| | | (0.149) |
| DTI$_{t-1}$ | | -0.005\ |
| | | (0.003) |
| Controls | 控制 | 控制 |
| cons | | 1.998\\\ |
| | | (0.358) |
| 年份$_t$ | 控制 | 控制 |
| 个体$_i$ | 控制 | 控制 |
| N | 9 | 9 |
| $R^2$ | | 0.752 |
注：、、 分别表示在1%、5%和10%显著水平。
第一阶段回归（4-3）：DTI$_{t-1}$ 对 IAS 的系数为 0.012\\\，在1%水平显著，表明数字化转型显著提升信息对称度。
第二阶段回归（4-4）：IAS 对 NPL 的系数为 -0.821\\\，在1%水平显著；同时 DTI$_{t-1}$ 对 NPL 的系数变为 -0.005\（10%显著），相比基准回归系数绝对值有所减小，表明 IAS 在 DTI 与 NPL 间存在部分中介效应。
由此可初步验证 假设2：数字化转型能通过提升信息对称度，进而降低信用风险。
5.4.2 审批效率中介作用
根据模型（4-5）与（4-6）进行审批效率中介检验，回归结果见表5.3。
表5.3 审批效率中介效应检验结果
| | (1) | (2) |
| -- | -- | |
| | CEI | NPL |
| 第一阶段回归（公式4-5） | | |
| DTI$_{t-1}$ | 0.009\\\ | |
| | (0.002) | |
| Controls | 控制 | |
| cons | 0.054 | |
| | (0.112) | |
| 年份$_t$ | 控制 | |
| 个体$_i$ | 控制 | |
| N | 9 | |
| $R^2$ | 0.698 | |
| 第二阶段回归（公式4-6） | | |
| CEI | | -0.653\\\ |
| | | (0.172) |
| DTI$_{t-1}$ | | -0.006\ |
| | | (0.004) |
| Controls | 控制 | 控制 |
| cons | | 1.845\\\ |
| | | (0.276) |
| 年份$_t$ | 控制 | 控制 |
| 个体$_i$ | 控制 | 控制 |
| N | 9 | 9 |
| $R^2$ | | 0.769 |
注：、、 分别表示在1%、5%和10%显著水平。
第一阶段回归（4-5）：DTI$_{t-1}$ 对 CEI 的系数为 0.009\\\，在1%水平显著，说明数字化转型显著提升审批效率。
第二阶段回归（4-6）：CEI 对 NPL 的系数为 -0.653\\\，在1%水平显著；DTI$_{t-1}$ 对 NPL 的系数变为 -0.006\（10%显著），说明 CEI 在 DTI 与 NPL 间存在部分中介效应。
由此验证 假设3：数字化转型通过提升审批效率，从而间接抑制信用风险。
6 研究结论与建议
6.1 研究结论
本文以工商银行 2015–2023 年度样本为例，从信息不对称与审批效率两个维度，系统研究了银行数字化转型对信用风险的影响及其内在机制，得出以下主要结论：
1. 数字化转型显著抑制信用风险。基准回归结果显示，数字化转型指数（DTI）每增加一个单位，工商银行的不良贷款率可显著降低 0.009–0.011 个百分点，拨备覆盖率显著提升 0.017 个百分点，说明数字化技术应用对信用风险具有稳健的负向效应，验证了假设1。
2. 信息对称度是重要的中介路径。数字化转型通过丰富数据来源与增强数据处理能力，显著提升信息对称度（IAS），IAS 上升每增加一个单位，不良贷款率可降低 0.821 个百分点。进一步结果显示，在同时加入 IAS 后，DTI 对 NPL 的直接影响系数由 -0.010 缩小至 -0.005，说明信息对称度在 DTI → NPL 路径上起到部分中介作用，验证了假设2。
3. 审批效率是另一重要中介路径。数字化转型提高了审批效率（CEI），CEI 提升每增加一个单位，不良贷款率可降低 0.653 个百分点。将 CEI 同时纳入回归后，DTI 对 NPL 的直接影响系数从 -0.010 缩小至 -0.006，表明审批效率在数字化转型与信用风险之间存在部分中介效应，验证了假设3。
4. 数字化转型的异质性效应。在不同业务场景与客户群体中，数字化转型的风险缓释效应存在差异：
对 零售贷款（NPL\_R）的影响系数为 -0.014\\\（1% 显著），而对企业贷款（NPL\_E）为 -0.006\\（5% 显著），表明数字化手段在零售场景下更能发挥其优势。
对 小微企业贷款（NPL\_MSE）的抑制效应系数为 -0.013\\，对大型企业贷款（NPL\_LE）则不显著，说明数字化风控在弱化小微企业信息不对称与灵活审批方面优势更明显。
综上可知，数字化转型不仅通过提高信息透明度与审批效率直接降低银行信用风险，还对不同信贷业务场景与客户类型产生差异化影响，为银行优化资源配置提供了重要依据。
6.2 对工商银行的政策建议
基于上述研究结论，针对工商银行在数字化转型背景下的信用风险防控，提出以下几点建议：
6.2.1 提升数据治理与模型管理水平
1. 完善数据治理体系：建立覆盖数据采集、清洗、存储与共享的全流程数据治理机制，通过数据湖与数据中台，将内部业务系统与外部合作机构（征信系统、电商平台等）的数据进行标准化整合，减少数据孤岛。
2. 加强模型开发与迭代：鼓励风控团队将大数据、机器学习模型应用到贷前审批与贷后监测中，同时建立模型生命周期管理制度，包括模型验证、监控与定期更新，确保模型适配性与稳定性。
3. 建立模型白名单与黑名单机制：对风险模型的输入样本与变量进行严格管控，定期回测模型准确度，对失效模型及时下线，防范“灰犀牛”事件造成的风险爆发。
6.2.2 构建全链路的数字化风控体系
1. 贷前精准画像：在贷前，通过多源数据聚合与特征工程，构建客户风险画像，实现差异化定价与智能化审批。对于小微企业客户，可结合供应链交易数据与税务发票数据进行三方联动风控。
2. 贷中实时监测：利用线上风险监测平台，实时采集客户经营数据（如交易流水、财务数据）与外部舆情信息，建立灵活的预警机制，当关键指标达到预警阈值时，自动触发风控策略，如动态调整授信额度或催收提醒。
3. 贷后动态处置：数字化手段可实现对逾期客户的精准催收，通过智能机器人进行分层催收、在线还款方案推荐，提升处置效率与回款率。同时，在严重风险暴露时，可申请司法仲裁或诉讼，实现“风险可控、损失可控”。
6.2.3 强化线上线下协同与科技人才培养
1. 线上线下流程协同：建立“线上风控团队 + 线下支行协同”机制，对重点风险客户进行跨部门联动。线上风控系统实时监测发出预警后，分行风控负责人与支行行长联动，将线下手段与线上模型结合，实现对风险客户的精准化管理。
2. 完善培训与激励机制：加强在岗培训与数字化风控能力评估，为风控人员提供 AI 算法、数据分析等技术培训课程，提升整体队伍素质。同时，将关键绩效指标（KPI）与信用风险管理指标挂钩，建立多维度激励机制，鼓励业务团队积极配合数字化风控实施。
3. 引入 Fintech 合作伙伴：与知名金融科技公司、数据提供商建立战略合作，定期进行技术交流与联合攻关，形成“银行+科技公司”共同研发的生态闭环，持续推进风控技术创新。
6.3 对监管部门与政府的建议
6.3.1 完善数字化风控监管框架
1. 数据共享与隐私保护政策：推动建立多层级的行业数据共享平台，在确保客户隐私和数据安全的前提下，鼓励银行与第三方机构（如电商平台、物流企业、税务部门）间的数据互通，提升信用评估样本质量。同时，对数据使用过程进行监管，防范数据滥用与隐私泄露。
2. 算法合规监管：出台针对金融科技算法模型的合规指引与监管标准，要求银行在应用 AI 算法进行信用评分时，必须明确算法流程与变量来源，实现算法可解释性，并在模型上线前进行合规审核。
3. 差异化监管要求：针对不同类型银行（大型国有银行、股份制银行、城市商业银行、农村商业银行）制定差异化的数字化风险监督指标，引导中小银行在数字化业务中采用低成本、高效率的风控技术，降低其转型门槛与风险。
6.3.2 加强对数据安全与算法合规的监督
1. 建立行业数据安全标准：制定银行业数字化风控系统的安全标准与技术规范，明确数据存储、传输与使用的规范要求，强化对银行数据泄露与网络攻击风险的防范。
2. 开展算法审计与评估：成立监管科技（RegTech）专门机构，对银行使用的 AI 风控模型进行定期审计与评估，重点关注模型输入特征的合理性、模型结果的公平性与稳定性，避免出现潜在的歧视性定价或过度授信/拒贷现象。
6.3.3 支持中小银行数字化基础设施建设
1. 财政补贴与技术支持：对符合条件的城市商业银行与农村商业银行，给予数字化风控技术投入一定比例的财政补贴或贴息贷款，帮助其加快数字化基础设施建设。
2. 建设区域性数字化共享平台：鼓励地方政府在省市层面建设“金融科技服务中心”，由政府、监管与企业联合搭建中小银行共享的风控云平台与数据中台，降低中小银行对高昂硬件与技术投入的依赖，推动区域金融数字化协同效应。
3. 开展数字化人才培养计划：与高校、科研院所合作，共建金融科技实验室与培训基地，培养兼具金融与技术背景的复合型人才，满足银行业数字化转型对专业人才的需求。
参考文献
