银行数字化转型、外源性金融科技与信用风险治理——基于文本挖掘和机器学习的实证检验

郭峰 庄旭东 王仁曾

(华南理工大学经济与金融学院，广东 广州 510006)

一、引言

近年来，中国政府致力于推动银行数字化转型发展。中国人民银行印发的《金融科技发展规划(2022—2025年)》和中国银保监会印发的《关于银行业保险业数字化转型的指导意见》，为进一步推动银行数字化转型发展明确了具体方向及要求。在此背景下，中国银行业开始全面布局数字化转型，金融科技资金投入持续加大。2020年，中国上市银行在信息科技方面的投入达2078亿元，同比增长25%。1其中，国有大型银行科技投入合计约957亿元2，增长了34.54%，传统金融机构进行数字化转型的主动性不断增强。

当前，学术界较多关注银行数字化转型的作用效果，如对软信息获取与处理能力、普惠金融商业可持续性、银行市场势力竞争程度等方面的积极影响(金洪飞等，2020；李建军和姜世超，2021；李学峰和杨盼盼，2021)[9][10][11]。党的十八大以来，中国金融工作持续推进落实“三项任务”。其中，防范化解金融风险是金融工作的根本性任务。党的二十大报告重申了健全和完善金融风险的防范、预警和处置机制以及持续强化金融风险防控能力的重要性。在此背景下，研究数字化转型与银行风险治理之间的互动关系及其作用机制具有重要的现实意义。

部分学者从外部整体视角讨论了数字化转型对银行风险的影响(邱晗等，2018；盛天翔等，2020；杜莉和刘铮，2022)[14][16][3]，以及从银行内部视角研究了其对银行风险承担倾向的冲击(王道平等，2022；赵胜民和屠堃泰，2022)[17][22]。但是，关于银行数字化转型与信用风险治理，仍有以下两方面问题值得深入思考。第一，尽管近年来相关实践迅猛发展，但从理论上，银行数字化转型对信用风险治理的具体作用机制仍需进一步厘清。第二，外部金融科技环境对银行内部运营产生了深刻影响，由于这种影响来源于银行外部的金融科技创新，本文将其定义为外源性金融科技，以区别于银行内部的数字化转型。本文的另一重要关注点在于，从信用风险管理视角深入探索这种外源性金融科技的发展会对银行内部数字化转型的治理效果带来何种影响。

相比于现有文献，本研究可能存在以下边际贡献：第一，关于地区金融科技发展变量的测度，以往文献主要使用北京大学数字金融研究中心发布的数字普惠金融指数亦或基于关键词百度搜索指数构建的指标进行衡量(邱晗等，2018；盛天翔和范从来，2020；庄旭东和王仁曾，2023)[14][15][23]，而本研究创新性地使用中国金融科技创新专利数据作为衡量外源性金融科技发展变量的数据来源，为后续研究中国金融科技发展相关问题提供了新的变量度量思路。第二，本文将银行内部数字化转型、外源性金融科技与信用风险治理三者纳入同一个理论框架，并构建一个有调节的中介效应模型进行实证检验，有助于揭示数字经济时代背景下银行数字化转型在信用风险管理转型变革中的具体定位，厘清外源性金融科技发展与银行内部数字化转型的互动联系。第三，本文基于优化贷款结构和提高盈利能力两个维度厘清数字化转型对银行信用风险的治理效应，还将规模效应、风险压力、类型等差异性因素纳入实证分析中，有助于厘清数字化转型的治理机制，对提高国家金融风险治理能力具有重要的政策启示作用。

二、理论分析与研究假说

银行数字化转型是一项以数据资源为基础，以金融科技为引擎，实现数字科技与金融领域深度融合，以改善银行运营效率的系统性变革工程。本文从银行贷款结构和盈利能力两个维度出发，梳理外源性金融科技背景下银行数字化转型对其信用风险的治理效应(见图1)。

图1 理论分析框架

从优化贷款结构的维度看，银行数字化转型是一种强化信息利用能力、扩大客户服务范围的经营手段。传统金融市场中，银行将信贷资源集中配置于少数大型企业而对众多中小企业实行“信贷歧视”的根本原因在于，借贷市场上中小企业的信息不对称问题严重。银行的数字化转型推动了新一代数字科技的融合应用，能够弥补传统金融风控模式与手段的不足，其不仅能更好地利用庞大的传统信息数据进行风险控制，还能够充分获取、整合、处理、利用各类客户非财务信息。具体而言，银行数字化转型所依托的大数据技术，提高了信息收集与处理能力，能够从复杂多样、体量庞大的网络数据中挖掘用户数字足迹、社会关系、行为习惯等特征信息，并且能将非标准化数据处理成容易利用的标准化数据(薛熠和张昕智，2022)[20]，扩充了银行用于信贷业务分析的信息资源；而人工智能技术基于庞大的信息数据集构建出中小企业的客户画像，能够提升中小企业“软信息”在信贷供给中的作用，降低借贷双方的信息不对称程度，提升银行为众多中小企业提供信贷资金的意愿，从而扩展了银行信贷业务的客户群体，有助于降低银行贷款的集中度。贷款集中度是银行信用风险的重要决定因素。基于投资组合理论，银行配置多元化的信贷资产可以尽可能规避信用风险，即客户贷款越分散，银行需要承担的信用风险越低。在贷款集中的情况下，一旦客户资金链断裂、出现偿债困难，银行的不良贷款会不断增多，进而导致信用风险急剧攀升。另外，银行贷款集中度下降，除了分散信贷风险，还能避免各家银行将信贷资金集中投放于少数企业引发的银行间的“羊群效应”，缓解银行出现经营风险低估与业务产品同质的问题(Acharya and Yorulmazer，2008)[1]，进而抑制银行的信用风险。

从提高盈利能力的维度看，银行数字化转型还是一种实现降成本提效率、多元化盈利模式的创新活动。一方面，银行数字化转型有利于发挥新一代数字科技的特有优势，降低银行各类成本以及改善经营效率，进而提高银行的盈利能力。罗煜等(2022)[13]发现银行开展的数字化业务对银行的线下网点产生了替代，降低了银行实体网点的设立成本。具体而言，人工智能技术的应用逐渐替代了客服、柜台等直面客户的前台工作，极大地降低了银行人力成本，大幅度提高了工作效率；而基于算法、模型、大数据、云技术的智能服务能够预测市场需求、实现精准营销，并为消费者个性化需求提供精准服务，减少了金融产品的匹配和交易成本，有助于提升银行的盈利水平。另一方面，姚志刚等(2016)[21]发现银行收入的多元化对其盈利能力具有正向影响。银行数字化转型有助于改善传统金融产品和服务同质化的状况，实现银行盈利模式的多层次、多元化。银行凭借数字技术可以挖掘并利用客户在网络残留的数字足迹，更加精准地识别客户潜在的金融需求，有助于进行有效的金融产品创新，满足客户的个性化、多元化需求，这不仅能够提高银行的客户粘性，还增加了银行多元化业务的盈利渠道。从银行的逐利动机看，当盈利能力较强时，银行的决策趋于稳健和保守，无需做出冒险的信贷决策，进而从源头降低了信用风险。韩立岩和李燕平(2006)[7]也认为盈利能力对银行的风险承担行为会产生影响，银行的盈利水平越高，则其风险承担行为的内在激励就越低。此外，盈利能力高的银行更有能力重视信贷风控体系的建设与完善，进而也可能有助于抑制银行信用风险。

因此，基于以上分析，本文提出以下研究假说：

H1：银行数字化转型对其信用风险存在治理效应。

H1a：银行数字化转型通过优化贷款结构抑制了银行信用风险。

H1b：银行数字化转型通过提高盈利能力抑制了银行信用风险。

本文进一步指出，外源性金融科技可能有助于增强银行数字化转型对信用风险的治理效果。其中，“银行数字化转型→优化贷款结构→抑制信用风险”和“银行数字化转型→提高盈利能力→抑制信用风险”两个中介渠道的前半程和后半程作用效果均可能会被外源性金融科技所强化。

对两个中介渠道的前半程而言，外源性金融科技为银行提供了重要的信息环境条件，从而提高了企业信息的“暴露”水平。现有研究指出，外源性金融科技的各类服务商拥有众多的用户数据，积累了大量的数字足迹(黄益平和邱晗，2021)[8]，为银行带来了更多的信息数据基础。银行数字化转型通过提升信息数据的搜集分析能力来缓解信息不对称，以提升银行对潜在客户的放贷意愿，进而优化贷款结构。在这一过程中，外源性金融科技对企业信息的暴露量直接关系到银行对于更加分散化客户群体进行风险评估的可靠性，足够的信息增量更能促进银行由“垒大户”转向分散化经营。此外，对盈利能力而言，外源性金融科技对企业信息的“暴露”所带来的数据信息增量，提升了银行数字化转型提取和分析各类数据进行产品精准营销、多元化设计以及差异化定价的精准性，进而有助于提升银行的盈利能力。

对两个中介渠道的后半程而言，一方面，银行依托外源性金融科技带来的信息数据基础，实现对信贷客户的贷前调查、贷中审查和贷后管理，进一步降低了客户群体的整体风险。一般而言，贷款集中度的降低对于银行信用风险的影响存在着两种相反的方向，其一是分散化投资带来的风险规避效应，其二是分散化投资的信息收集成本较高，导致投资的专业化优势以及银行的监管效能被削弱(Winton, 1999)[2]。贷款集中度对于银行信用风险的影响是这两种效应相抵消后的净效应。外源性金融科技对企业信息的“暴露”则增加了银行可供利用的信息总量，降低了银行搜集企业信息的成本，扩展了信息数据资源约束的边界，通过降低信息不对称削弱了第二种效应的强度，进而增强了贷款集中度分散对银行信用风险的缓解效果。另一方面，盈利水平改善，银行有更大的利润空间选择更加稳妥的信贷决策，外源性金融科技则为其提供了优化信贷决策、从事低风险投资所依赖的信息数据基础，便于其做出更加稳健的信贷决策。

因此，基于以上分析，本文提出以下研究假说：

H2：外源性金融科技增强了银行数字化转型对信用风险的治理效果。

H2a：“银行数字化转型→优化贷款结构→抑制信用风险”中介渠道的前半程和后半程作用效果均会被外源性金融科技所强化。

H2b：“银行数字化转型→提高盈利能力→抑制信用风险”中介渠道的前半程和后半程作用效果均会被外源性金融科技所强化。

三、研究设计

(一)样本数据说明

本文以国泰安数据库为基础，结合手工搜集银行官方网站数据，基于网络爬虫、文本挖掘以及机器学习方法构建了银行数字化转型和外源性金融科技指标，整理了2013—2020年银行面板数据集。进一步地，本文剔除了数据缺失的样本，而且由于实证检验的关键观测变量考虑了地区因素，因此还剔除了包括国有大型银行和股份制银行在内的全国性银行。最终，研究样本包含87家城市商业银行和35家农村商业银行，共122家中小银行。

(二)变量定义

1.被解释变量

参考王晓和李佳(2019)[19]的研究，本文选取银行不良贷款率和拨备覆盖率作为银行信用风险(Crisk)的代理变量。其中，不良贷款率(Crisk1)是信用风险的正向指标，数值越大代表银行的信用风险越大，而拨备覆盖率(Crisk2)是信用风险的负向指标，数值越大则代表银行的信用风险越小。为了方便观察系数，本文将拨备覆盖率取负值代理衡量银行信用风险。

2.解释变量

本文借鉴金洪飞等(2020)[9]的思路，基于网络爬虫和文本挖掘技术对解释变量银行数字化转型(Bdigi)进行测度。具体步骤如下：第一，确定网络爬虫的目标关键词库，从银行数字化转型所依赖的核心技术、应用场景和直接称呼三个维度构建关键词库(见表1)。第二，从百度引擎中搜索每个样本银行和所选关键词共同出现的新闻，比如搜索“广州银行+人工智能”，通过网络爬虫获取银行每年符合条件的新闻数量。第三，统计每家银行所对应的每个关键词的年度词频，依据2013—2020年的年度词频数据，使用熵值法合成每家银行的数字化转型程度指数，进而测度解释变量银行数字化转型(Bdigi)。

表1 银行数字化转型关键词库

3.调节变量

本文所探讨的外源性金融科技(Outft)是指银行所在地外部环境的金融科技总体发展水平。本文创新性地选择使用来源于中国知识产权局的中国专利信息中心专利之星检索系统(CPRS)的金融科技创新专利数据构建指标以测度调节变量。3首先，从CPRS数据库中爬取G06Q大类2013年1月1日到2020年12月31日所有专利，共256841个专利文本。然后，手工核对了4500个样本，使用有监督的机器学习算法将这些专利分成8个类别4：非金融、金融但非金融科技、数据分析、网络安全、移动交易、人工智能、区块链和物联网。该分类中只有后6个类别属于金融科技类专利。本文初步使用朴素贝叶斯、线性SVM、神经网络、K近邻、梯度提升、随机森林、高斯SVM等比较成熟的方法对其进行分类。本文通过分析各分类器的性能，发现最佳分类器是朴素贝叶斯、线性SVM和神经网络模型。为了获得更佳的分类效果，本文基于这3个单独的分类器赋予同等权重构建了遵循“少数服从多数”的投票分类器，并且发现其性能优于单个分类器，因此本文最终使用投票分类器对全样本进行分类。本文最终实验模型主要参数设置如下：alpha=0.1(朴素贝叶斯)；C=0.6(线性SVM)；k=5(K近邻)；C=1.8且γ=0.6(高斯SVM)；神经网络算法则设置一个隐藏层，其包含500个神经元，另外alpha=0.4。最终分类结果为：37316个金融科技类专利申请，215451个非金融类专利，4074个金融但非金融科技类专利。

本文将金融科技类(6个类别)专利文本依据申请人单位总部所在地匹配到省级地理位置，最终将金融科技专利数量的省级面板数据扣除本银行同年度金融科技专利数量，使用熵值法合成各银行的外源性金融科技指数以测度调节变量外源性金融科技(Outft)。

4.中介变量

参考顾海峰和戴云龙(2019)[4]、王曼舒和刘晓芳(2013)[18]相关研究，本文使用银行前十大客户贷款占净资产比例衡量中介变量客户贷款集中度(Cot)，并且采用总资产收益率衡量中介变量银行盈利能力(Roa)。

5.控制变量

参考先前相关研究，本文选取了如下控制变量：资产规模(Size)，用银行资产的自然对数值衡量；杠杆倍数(Tdr)，用银行资产负债率衡量；负债结构(Depo)，用存款与负债的比值衡量；信贷状况(Loa)，用银行贷款占总资产的比例衡量。另外，还引入了人民币存贷比(Lode)、营业收入与营业支出比值(Inou)、利息净收入与营业收入比值(Inte)、资本充足率(Car)作为控制变量。

本文主要变量的描述性统计结果如表2所示，相关控制变量的分布情况与相关研究(顾海峰和高水文，2022；李志辉等，2022)[5][12]基本一致。可以看出，关键变量Crisk2以及Bdigi的标准差大于均值，而且极差也远远大于均值，因此，这两个变量的分布比较分散。后续实证过程中本文对所有连续变量进行了1%的缩尾处理。

表2 变量的描述性统计结果

(三)模型设计

为了检验银行数字化转型对信用风险的治理效应，本文构建了如下回归模型：

其中，Criski,t具体为Crisk1i,t和Crisk2i,t，μi和υt代表控制个体效应和时间效应，Xi,t代表控制变量。此外，为了检验银行数字化转型对信用风险的治理效果是否受到外源性金融科技(Outft)的调节作用，本文在模型(1)的基础上，引入Outft变量以及交叉项Bdigi×Outft构建如下模型：

为了研究贷款结构和盈利能力的中介作用，本文在模型(1)基础上，以Cot和Roa为中介变量，分别构建“银行数字化转型→优化贷款结构(Cot)→抑制信用风险”以及“银行数字化转型→提高盈利能力(Roa)→抑制信用风险”的中介效应模型：

进一步地，为了检验模型(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调节影响。在上述中介效应模型基础上，本文构建了如下有调节的中介效应模型：

四、实证结果与分析

(一)回归分析

表3报告了模型(1)和模型(2)的估计结果。从第(1)～(4)列可以看出，在不添加控制变量和添加控制变量后，银行数字化转型(Bdigi)的估计系数均显著为负，表明银行自身的数字化转型有助于降低其信用风险水平，假说H1得到验证。

表3 模型估计结果

此外，将外源性金融科技(Outft)和交叉项(Bdigi×Outft)加入模型中进行估计，如第(5)(6)列所示，结果发现交叉项(Bdigi×Outft)的符号均显著为负，说明外源性金融科技增强了银行数字化转型对信用风险的治理效果，验证了假说H2。

(二)内生性讨论

首先，借鉴金洪飞等(2020)[9]相关做法，本文采用解释变量Bdigi滞后一期的值进行检验以缓解反向因果问题，结果如表4第(1)(2)列所示，与前文结论保持一致。

其次，参考金洪飞等(2020)[9]、李学峰和杨盼盼(2021)[11]相关做法，本文将被解释变量的滞后一期引入模型中，采用系统GMM方法进行动态面板估计，实证结果如表4第(3)(4)列所示，相关检验均满足模型有效性，估计结果与原结论保持一致。

最后，本文还尝试选取工具变量进行2SLS估计，以缓解内生性问题的担忧。借鉴管考磊和朱海宁(2022)[6]的思路，各地区互联网宽带接入用户数与市场主体推进数字化转型进程存在着较强的相关性，并且其与银行信用风险之间没有直接关系。因此，本文选取银行所在地的互联网宽带普及率(Inter)作为银行数字化转型(Bdigi)的工具变量，采用各省级单位宽带接入用户数与总人口的比值对其进行衡量并做2SLS估计，结果如表4第(5)～(7)列所示。工具变量通过相关检验，实证结果也支持原结论，较好地缓解了内生性问题带来的影响。

表4 内生性讨论结果

(三)稳健性检验

为提升实证结果稳健性，本文进行了如下五方面的稳健性检验。

第一，重新测度被解释变量和解释变量。本文将前文使用的不良贷款率、拨备覆盖率单个指标进行标准化，然后对标准化后的变量求平均值以及使用熵值法赋予权重分别合成两个新的指标，重新测度原被解释变量进行模型估计。本文还将银行数字化转型指标合成方法由前文的熵值法变更为加总各关键词词频，然后对其取均值和取对数构建两个新的指标，重新测度原解释变量进行模型估计。

第二，考虑媒体选择性报道影响。鉴于银行数字化转型指数的构建使用了新闻关键词词频数据，一般而言媒体更加关注大型银行的事件，为了缓解媒体选择性报道带来的样本选择性偏误的影响，本文使用银行数字化转型指数除以银行资产规模的对数值，重新测度解释变量进行稳健性检验。

第三，考虑特殊事件冲击影响。鉴于2020年银行信用风险受到新冠疫情的影响较大，本文参考杜莉和刘铮(2022)[3]、王道平等(2022)[17]相关研究，剔除2020年样本数据重新进行估计。

第四，考虑宏观经济环境影响。本文还加入了地区宏观控制变量(省级层面)进行稳健性检验，分别为GDP增长率、固定资产投资增长率、以及用贷款余额与GDP比值衡量的信贷规模。

第五，变换外源性金融科技代理变量。参考邱晗等(2018)[14]、盛天翔等(2020)[16]的相关做法，采用省级层面的北京大学数字普惠金融总指数重新衡量外源性金融科技变量；本文还将国内所有商业银行申请的金融科技专利剔除掉，再采用熵值法重新合成外源性金融科技变量进行稳健性检验。

以上稳健性检验的结果依然支持本文结论(限于篇幅，检验结果略)。

五、影响机制检验

(一)贷款结构渠道分析

表5第(1)～(3)列报告了贷款结构渠道的中介效应检验结果。其中第(1)列Bdigi的系数显著为负，而第(2)(3)列Cot的系数显著为正，表明银行数字化转型通过降低客户贷款集中度优化了贷款结构，进而抑制了其信用风险，假说H1a得到验证。

表5第(4)～(6)列报告了引入外源性金融科技(Outft)的有调节的中介效应模型的检验结果。其中，第(4)列中交叉项(Bdigi×Outft)的估计系数显著为负，表明该中介效应的前半程受到了外源性金融科技的调节，即外源性金融科技强化了银行数字化转型对客户贷款集中度的分散作用，进而优化了贷款结构。第(5)(6)列Cot以及交叉项Cot×Outft的估计系数均是显著的，且其符号一致均为正，说明在中介渠道的后半程，外源性金融科技强化了贷款结构优化对银行信用风险的治理效应。

表5 贷款结构机制检验结果

综上，“银行数字化转型→优化贷款结构→抑制信用风险”中介渠道的前半程和后半程作用效果均会被外源性金融科技所强化，外源性金融科技会通过贷款集中度这一中介渠道增强银行数字化转型对银行信用风险的抑制效果，假说H2a得到验证。

(二)盈利能力渠道分析

表6第(1)～(3)列报告了盈利能力渠道的中介效应检验结果。其中第(1)列Bdigi的系数显著为正，而第(2)(3)列Roa的系数显著为负，表明银行数字化转型通过提升其盈利能力进而抑制了信用风险，假说H1b得到验证。

表6第(4)～(6)列报告了引入外源性金融科技(Outft)的有调节的中介效应模型检验结果。第(4)列中交叉项(Bdigi×Outft)的估计系数显著为正，表明该中介效应的前半程受到外源性金融科技的调节，即外源性金融科技强化了银行数字化转型对银行盈利能力的提升作用；第(5)(6)列Roa的系数显著为负，Roa×Outft系数不显著，没有证据表明该中介渠道的后半程受到外源性金融科技的调节。

表6 盈利能力机制检验结果

综上，对于假说H2b，“银行数字化转型→提高盈利能力→抑制信用风险”中介渠道的前半程被外源性金融科技所强化，即外源性金融科技会通过强化银行数字化转型对盈利能力的提升作用，来增强银行数字化转型对信用风险的治理效果。但是，中介渠道后半程受到调节的实证结果并不显著，即无法说明外源性金融科技能够放大盈利能力水平的提高对信用风险治理的积极影响。

六、进一步研究

(一)外源性金融科技作用差异：银行规模与风险压力

为了研究银行规模差异和信用风险压力是否会影响外源性金融科技的调节效应，本文构建如下门槛模型：

其中，银行资产规模(Size)变量定义与前文保持一致，Prisk为银行信用风险压力变量，用银行上一年的贷款拨备率减去行业平均贷款拨备率来衡量，Prisk越大表示银行的信用风险压力越大。本文使用Bootstrap方法抽取了1000次样本，先对门槛效应进行检验，结果如表7所示，银行资产规模和信用风险压力作为门槛变量时，其门槛效应分别在5%和10%水平下显著，因此，上述模型(9)和模型(10)中设置的门槛效应确实存在。

表7 门槛自抽样检验结果

表8报告了门槛模型估计结果。从第(1)(2)列可以看出，当银行规模位于门槛值两侧时，交叉项(Bdigi×Outft)的系数估计值都显著异于零，而且都为负，但交叉项(Bdigi×Outft)系数的绝对值方面，高于门槛值侧系数的绝对值较小，同时低于门槛值侧系数的绝对值较大，说明在银行数字化转型对信用风险的治理效果上，与规模较大银行相比，规模较小银行受到外源性金融科技的影响更大。可能的原因是，较小规模银行的科技研发水平较低，其对外源性金融科技更加依赖。从第(3)(4)列可以看出，当信用风险压力位于门槛值两侧时，交叉项(Bdigi×Outft)的系数估计值都显著异于零，而且都为负，但交叉项(Bdigi×Outft)系数的绝对值方面，高于门槛值侧系数的绝对值较大，同时低于门槛值侧系数的绝对值较小，说明在银行数字化转型对信用风险的治理效果上，与信用风险压力低的银行相比，信用风险压力较高的银行受到外源性金融科技的影响更大。可能的原因是，对于信用风险压力较高的银行而言，单纯依靠自身内部的数字化转型并不能满足风险管理要求，因而转向加强与金融科技外包服务商的合作。

(二)商业银行类型异质性讨论

表9报告了城市商业银行与农村商业银行分组检验的实证结果。可以看出，与农村商业银行样本组相比，城市商业银行样本组的交叉项(Bdigi×Outft)系数的绝对值大小和显著性水平都明显更大，并且费舍尔组合检验(自抽样500次得到经验p值)的组间系数差异在5%水平下显著，表明分组结果具有较好的差异性。这说明，在银行内部数字化转型对信用风险的治理效果上，与农村商业银行相比，城市商业银行受到外源性金融科技的影响更大。可能的原因是，城市商业银行内部业务流程更加规范、科技人才占比更高，更能利用好外源性金融科技创新。

表9 城市商业银行与农村商业银行异质性分析结果

七、结论及启示

本文探索了银行数字化转型对于信用风险的治理效应以及外源性金融科技的调节效应及其作用机制。研究发现，银行数字化转型通过优化贷款结构、提高盈利能力对银行信用风险进行治理；外源性金融科技能够强化这两条影响渠道，进而增强银行自身数字化转型对其信用风险的治理效果。门槛效应和异质性研究表明，在银行数字化转型的信用风险治理过程中，规模较小的银行和信用风险压力较高的银行对外源性金融科技更加依赖，城市商业银行则比农村商业银行更擅长吸收外源性金融科技创新。

基于上述研究结论，本文具有如下启示。第一，外源性金融科技能强化银行内部数字化转型对信用风险的治理效应。因此，银行不仅要重视内部的数字化转型投入，还要积极关注外部环境金融科技的发展变化并及时作出响应，适时地调整自身的业务流程和组织结构以便更高效地吸收外源性的金融科技创新成果。第二，外源性金融科技能通过调节贷款结构来增强数字化转型对信用风险的治理效果。因此，银行在外源性金融科技高速发展和自身积极增加数字化转型投入的背景下，要充分利用好借贷市场信息透明度提升带来的红利，摒弃以往“垒大户”的放贷习惯，在信息透明情况下分散贷款投资以优化自身贷款结构，防止风险过于集中。第三，从需求上看，农村商业银行的技术实力比城市商业银行更弱，更需要配合外源性金融科技的协调发展。研究结果却表明农村商业银行对外源性金融科技的吸收效果明显弱于城市商业银行，这可能是由于其业务流程、组织框架和人才结构方面存在不足。因此，农村商业银行需要在组织变革和人才队伍建设上进行更多探索，以适应数字银行4.0的发展，进而内外结合更好地提升其数字化转型效果。■

注释

1.数据来源于《2021中国银行业数字化转型研究报告》。

2.数据来源于《中国上市银行分析报告2021》。

3.CPRS数据库是由中国专利信息中心开发的专利检索系统，拥有完整的专利数据。

4.IPC专利分类中没有明确的金融科技专利类别，但其包含的G06Q大类被界定为应用于行政、金融、商业、管理、监督等领域的数据处理系统或方法。这个大类全面地涵盖金融及金融相关的各领域，特别是包含了金融科技领域所有基础技术，因此是最接近金融科技领域的分类号。然而，该类别同时也包含了大量非金融科技类专利(如行政、商业、管理等领域)，因此需要进一步识别出金融科技类专利。