DOI:10.12677/ssem.2024.134058,PDF,HTML,XML,被引量下载: 38浏览: 160
作者:屈 含：北京大学软件与微电子学院，金融信息与工程管理系，北京；窦文章：北京大学软件与微电子学院，金融信息与工程管理系，北京；北京大学战略研究所，北京
关键词:商业银行；数字化水平；服务实体经济；商业银行贷款；Commercial Banks；Digitalization Level；Serving the Real Economy；Commercial Bank Loans

文章引用：屈含, 窦文章. 商业银行数字化转型对服务实体经济效率的影响研究[J]. 服务科学和管理, 2024, 13(4): 460-480. https://doi.org/10.12677/ssem.2024.134058

1. 引言

商业银行作为我国体量最大的一类金融机构，承担着信用中介、支付中介、信用创造和调节经济的作用，在整个金融体系中占据重要地位。数字化转型是我国银行业的下一步转型方向。因此，研究商业银行这一金融体系重要组成部分在其在数字化转型中如何服务实体经济具有重要意义。

本文研究的核心问题是商业银行数字化转型对服务实体经济效率的影响。服务实体经济是一个相对宽泛的概念，考虑到商业银行最重要、最根本、最直接为实体经济服务的职能就是为实体企业发放贷款，因此本文选取了与商业银行服务实体经济息息相关的四个方面——商业银行的资金流向、贷款行业、贷款担保方式、贷款结果，分别研究商业银行数字化转型的影响：第一，商业银行数字化转型是否让更多的银行资金流向实体经济？为了研究这个问题，选取衡量商业银行的资金是否直接流向实体企业、支持实体经济发展的指标——生息资产贷款占比。这个比例越高，意味着银行增加了贷款供给，更多的资金从金融业进入到实体企业，而非堆积在金融体系里空转，银行贷款配置“脱虚向实”，更好地服务了实体经济。第二，商业银行数字化转型是否让银行资金较为均衡地配置到实体经济的各个行业，而非集中在少数行业？为了研究这个问题，选取衡量商业银行贷款流向行业分布的指标——企业贷款的行业集中度。如果商业银行的贷款在行业之间配置得越分散，一定程度上越是能够说明不同的行业都能有机会获得银行贷款，也能说明商业银行发放贷款不仅仅局限于原来那些自身具有信息优势的领域，不仅仅追逐高回报的甚至发展过热的领域，更能够满足实体企业各行各业发展的资金需求。第三，商业银行数字化转型是否能够降低实体企业获取贷款的难度，提高实体企业的贷款可得性？为了研究这个问题，选取衡量实体企业从商业银行获得信贷资金难易程度的指标——信用贷款占比。信用贷款在贷款中的占比越高，说明企业越容易从商业银行获得贷款，贷款门槛降低了。贷款门槛的降低有利于一些处在早期阶段的企业发展，特别是新兴领域的企业。贷款担保方式是商业银行在充分背调基础上决定的，能够给本就优质的企业提供无需担保物的信用贷款，也说明商业银行更好地掌握了企业的信息，缓解了信息不对称，提升了服务实体经济的能力和效率。第四，商业银行数字化转型是否能够让银行贷款较为精准地去到需要资金且有发展潜力、有还款能力和意愿的优质企业，从而降低不良贷款率？衡量商业银行信贷配置结果的指标——不良贷款率。不良贷款率如果降低，说明商业银行在贷前、贷中、贷后各个环节都更加有效地控制了贷款风险，将贷款发放给了真正优质且有信誉的企业，促进企业的优胜劣汰，促进实体经济的健康发展。

在研究了以上四个问题之后，本文进一步进行了异质性研究和机制研究，即：第五，不同性质的商业银行数字化转型对服务实体经济效率的影响是否也不相同？针对这一问题，本文将商业银行按照性质的不同分为四种类型，分别进行模型回归，探究上述四个方面影响的异质性。第六，商业银行数字化转型如果确实使得更多资金直接流向实体企业，助力实体企业的发展，那么这一结果出现的机制是什么？

本文的研究方法包括规范研究和实证研究。在规范研究部分，本文采用文献分析法进行研究。在实证研究部分，本文基于国内42家上市商业银行2010~2021年的财务数据以及我国宏观经济数据，采用双向固定效应模型对面板数据进行回归分析和稳健性检验，以分析商业银行数字化转型程度与服务实体经济四个方面的被解释变量之间的关系。在此基础上，本文进一步考察了数字化转型影响的作用机制，即中介效应；并且基于不同性质的商业银行进行了异质性分析。

本文的创新点主要体现在两个方面：第一，本文从商业银行最基本的贷款职能出发选取了能体现其服务实体经济的四个方面衡量指标来分析数字化转型的影响，包含了资金流向(即贷款供给)、行业配置、担保方式和贷款结果。已有研究在商业银行数字化转型对服务实体经济的影响这一问题的研究中，要么侧重于理论描述，要么大多只聚焦于某一角度，比如对贷款结构，特别是对小微企业贷款的研究。本文从更加全面的角度衡量商业银行服务实体经济的效率，并通过实证分析数字化转型的影响。第二，本文通过对商业银行数字化水平与贷款供给之间作用机制的探讨，明晰了数字化转型可以通过降低银行风险承担的渠道来提高银行对实体经济的贷款供给。

2. 文献综述

在银行数字化转型相关研究部分，现有文献对银行数字化转型的定义涵盖了业务、管理、制度、人才等各个方面与数字技术的结合，并采用了不同方式来度量银行的数字化水平，包括选取某一代理指标如软件资产总额与固定资产总额的比值[1]、线上业务占比[2]、年报中的数字化关键词出现频次[3]等来衡量，以及构建多维度的综合指数，比如郭峰等利用支付宝的海量微观数据，建立了“北京大学数字普惠金融指数”[4]，北京金融科技产业联盟推出了“金融科技发展指数”[5]，北京大学数字金融研究中心的谢绚丽和王诗卉通过研究分析建立了“北京大学中国商业银行数字化转型指数”[6]。在银行服务实体经济相关研究部分，不同文献对服务实体经济效率有不同的衡量角度，但都会围绕着贷款这一商业银行基本功能去研究，比如贷款如何配置[7]，贷款的行业[8]，贷款的期限[9][10]等方面，从而研究商业银行在这些方面的变化趋势，来判断商业银行服务实体经济的效率是否提升。

在银行数字化转型对服务实体经济的影响研究部分，现有文献研究了商业银行数字化转型对信贷供给规模、信贷结构、不良贷款率等方面的影响，其中信贷结构方面，包括期限结构、信用结构、行业结构、客户结构、企业结构等。并且对异质性影响和作用机制等进行了深入研究。丁鑫和周晔[11]、徐晓萍等[12]认为银行数字化转型能够促进信贷供给增加，促使银行信贷由金融业配置到实体行业。孙旭然等[13]研究发现银行数字化转型显著提升了信用贷款和中长期贷款占比。罗煜等[14]发现银行数字化水平的提升会使网点增量变少，使信用贷款占比增加，使保证贷款占比减少，使贷款行业集中度降低。赵家琪等研究了商业银行数字化转型对小微企业信贷的影响，发现小微贷款占比未显著提升，但转型程度低的银行不良率抬升，认知转型高、组织转型领先的银行更能增加小微贷款而不牺牲不良率[15]。

在商业银行数字化转型对风险的影响方面，大量文献认为商业银行数字化转型可以降低银行风险承担或提高银行的风险承受能力并进行了异质性分析[16][17][18]。部分文献进一步指出，数字化水平对商业银行风险承担是先提高后降低的倒“U”型关系[19][20][21]，因此对于数字化水平尚低的中小银行反而是提高了风险。但也有部分文献得出相反的结论，认为数字化提升了商业银行的风险承担[22][23]，认为商业银行数字化水平和风险承担是正“U”型关系[24]。

上述文献在银行数字化转型对服务实体经济效率的影响这一主题相关方向得出了得出了很多有说服力的结论，但也有一些不足。首先，可能是由于服务实体经济是一个宽泛概念，不容易度量，因此现有文献中涉及到银行数字化转型对服务实体经济效率的影响方面，更多是集中在服务实体经济的某一个方面进行研究和讨论，比如研究银行数字化转型对贷款行业集中度的影响，银行数字化转型对信用贷款占比的影响等，缺少银行数字化转型对服务实体经济的多个方面较为全面的影响结果的探讨，以呈现银行通过数字化提升服务实体经济能力在哪些方面成果比较显著，在哪些方面还需要加强。其次，部分文献使用的衡量数字化水平的解释变量采用单一指标，比如软件资产的占比、线上业务占比、关键词出现频率等，作为数字化水平的代理变量，可能出现偏误，不足以全面、客观地衡量银行的数字化转型程度。

3. 研究设计

3.1. 研究假设

商业银行是以利润最大化为目标，通过多种金融负债筹集资金，多种金融资产作为经营对象，通过负债进行信用创造，提供多功能综合性金融服务的金融企业。商业银行最基本的智能是信用中介，即将居民和企业的存款转化为贷款、将储蓄转化为投资，实现资金的期限转换和风险转换，调剂资金的余缺，在这个过程中也实现了货币创造。投资是拉动经济的重要动力，实体企业需要有足够的资金进行投资和发展，商业银行提供的间接融资渠道是实体企业重要的发展资金来源。

因此可以从商业银行的资金流向(贷款供给)、贷款行业配置、贷款担保方式和贷款配置结果这四个方面来衡量商业银行对实体经济的服务效率。

3.1.1. 商业银行数字化转型与资金流向

商业银行的资产端主要包括贷款、证券资产、存放央行和同业的现金资产等。其中，贷款是流向实体经济的资金，直接助力实体企业的发展；证券资产包括商业银行购买的国债、金融债、股票、央票、股票、衍生品、同业理财等；存放央行和同业的现金资产包括为满足监管要求的准备金等。

我国长期存在着金融供求结构的不平衡，实体经济与虚拟经济之间的互动机制不健全，传导路径不通畅，大量资金在金融体系内自我循环甚至空转，社会资本“脱实向虚”现象严重[25]。银行本质上仍然是以盈利为主要目的商业机构，面对经济下行压力和宏观经济形势的波动，银行也可能为了规避风险而慎贷、惜贷，甚至为了追逐利润进行投机套利，导致金融供给与实体经济错配[26]。

如果商业银行资产端的贷款比例越高，则代表更多资金直接运用到了实体经济，而非在金融体系中空转。

假设1：商业银行数字化水平提升有利于将更多资金用于贷款，从而提升服务实体经济的效率。

假设1.1：商业银行数字化水平提升增强了贷款风险控制能力。

假设1.2：贷款风险控制能力的增强使得商业银行将更多资金用于贷款。

3.1.2. 商业银行数字化转型与贷款的行业配置

直接流向实体经济的资金——贷款，也需要进一步观察其配置的行业，来分析对实体经济的服务效率。贷款的配置行业如果过于集中，特别是集中在产能过剩行业、过热的房地产行业等，则并没有发挥商业银行调节经济的功能。贷款的配置行业越分散，越能更好的支持实体经济各行业的发展，同时也体现出商业银行发现和判别各行各业优质潜力企业的能力越强。

假设2：商业银行数字化水平提升有利于商业银行降低贷款的行业集中度，从而提升服务实体经济的效率。

3.1.3. 商业银行数字化转型与贷款的担保方式

商业银行贷款担保方式的门槛越低，意味着实体企业的信贷可得性越高，更容易获得发展所需资金。因此可以用信用贷款占贷款总额的比例来衡量商业银行对实体经济的服务效率。由于商业银行贷款的担保方式是经过尽调和评估确定的，信用贷款越多，一定程度上也意味着商业银行判别好企业的能力越强。

假设3：商业银行数字化水平提升有利于商业银行增加信用贷款的占比，从而提升服务实体经济的效率。

3.1.4. 商业银行数字化转型与贷款的配置结果

商业银行的不良贷款率等相关指标可以衡量贷款的结果。不良贷款率越低，一定程度上代表了银行贷款配置给了有信誉的优质实体企业，且贷款资金被实体企业运用到了有收益的投资项目上，产生了回报，能够及时偿还银行贷款。

假设4：商业银行数字化水平提升有利于商业银行降低不良贷款率，从而提升服务实体经济的效率。

3.2. 变量选取

Figure 1.Peking University digital transformation index for Chinese commercial banks (total index, by nature of bank)

图1.北京大学中国商业银行数字化转型指数(总指数：按银行性质)

本文的核心解释变量采用“北京大学中国商业银行数字化转型指数”[6]，以缩写DTI来表示。该指数是由北京大学数字金融研究中心课题组的谢绚丽等老师编制，用于衡量商业银行数字化水平的指数。该指数从商业银行的战略数字化、业务数字化和管理数字化三个维度来建立指标体系，能够比较全面和客观地衡量我国商业银行的数字化水平和数字化转型趋势。每个维度下设具体指标：战略层面，可以识别商业银行年报关键词；业务方面可以具体到由人工识别数字化的渠道(手机APP、微信小程序等)、数字化的产品(如存款贷款)以及数字化的研发(尤其是专利)；管理层面则包括企业组织架构是什么样的、是否存在专门的数字金融部门，包括现在比较流行的科技子公司等等，以及董事会和高管的科技背景，还有对外合作生态。在“北京大学中国商业银行数字化转型指数”中，最终进入指数计算的银行共246家，其中包括6家国有大型商业银行，12家股份制商业银行，128家城市商业银行，54家农村商业银行，29家外资银行和17家民营银行。各类别银行的数字化总指数如图1所示，可以看出不同性质的银行在数字化转型的进程上有显著差异，国有大型商业银行的数字化水平最高，其次是民营银行和股份制商业银行，而城商行和农商行的数字化转型程度相比之下较低。

对于被解释变量，服务实体经济的效率，从四个方面选取指标进行衡量：1) 用生息资产贷款占比(SOL)衡量商业银行贷款供给，即商业银行资金流向中直接流向实体经济的比例。该指标可以直接从国泰安数据库获得。2) 用企业贷款的行业集中度(IC)衡量商业银行对企业贷款的行业配置情况。借鉴衡量市场集中度的赫芬达尔指数的计算方法，将银行对各行业贷款的占比计算平方和。3) 用信用贷款比例(CR)衡量实体企业对商业银行贷款的易得性。该指标可以直接从国泰安数据库获得。4) 用不良贷款率(NPLR)衡量商业银行贷款的配置结果。该指标表示次级贷款、可疑贷款和损失贷款占贷款的比例，可以直接从国泰安数据库获得。

可能对被解释变量产生影响的控制变量包括银行层面的资产规模、盈利能力、风险控制，以及宏观层面的经济增长和货币政策。这些指标都可以直接从国泰安数据库获得。

商业银行的贷款损失准备充足率(APLL)，是商业银行的贷款实际计提准备与监管规定的应提准备之比，反映了商业银行的贷款风险：商业银行计提的准备越多，意味着商业银行预计的贷款风险越大，越需要保留更多资金应对可能出现的贷款损失情况。将贷款损失准备充足率(APLL)作为中介变量，该指标可以直接从国泰安数据库获得。

各类变量含义、符号及名称如表1所示。

Table 1.Description of variables

表1.变量说明

变量类型		变量含义		变量符号	变量名称
被解释变量		服务实体 经济的效率	资金流向	SOL	生息资产贷款占比(%)
		贷款的行业配置	IC	企业贷款的行业集中度(%)
		贷款的担保方式	CR	信用贷款比例(%)
		贷款配置结果	NPLR	不良贷款率(%)
解释变量		数字化转型程度		DTI	“北京大学中国商业银行数字化转型指数”
控制变量	银行层面	资产规模		ASSET	总资产(亿元)
		盈利能力		CIR	成本收入比(%)
				NIM	净利差(%)
		风险控制–资本充足		CAR	资本充足率(%)
		风险控制–流动性		LR	流动性比例(%)
控制变量	宏观层面	经济增长		GDPGR	主要业务所在地区GDP增速(%)
		货币政策		M2GR	年度平均M2增速(%)
中介变量		贷款的风险承担		APLL	贷款损失准备充足率(%)

3.3. 回归模型

3.3.1. 模型选择检测

Table 2.Empirical results of model selection for the explanatory variable SOL, showing that the choice of a fixed effects model is optimal

表2.对解释变量SOL的模型选择实证结果，表明选择固定效应模型最优

	1)混合OSL模型	2)固定效应模型	3)随机效应模型
	SOL	SOL	SOL
DTI	0.211***	0.313***	0.305***
	(0.046)	(0.043)	(0.042)
ASSET	0.318***	0.630***	0.420***
	(0.041)	(0.098)	(0.067)
CIR	0.006	0.214***	0.125**
	(0.050)	(0.065)	(0.058)
NIM	0.147***	0.199***	0.188***
	(0.043)	(0.038)	(0.038)
CAR	0.023	0.057	0.077**
	(0.039)	(0.036)	(0.035)
LR	0.053	0.084**	0.070*
	(0.040)	(0.037)	(0.036)
GDPGR	−0.127**	0.009	0.008
	(0.052)	(0.040)	(0.040)
M2GR	0.036	0.073**	0.063*
	(0.041)	(0.033)	(0.033)
_cons	0.312***	0.048	0.106**
	(0.053)	(0.046)	(0.048)
N	482.000	482.000	482.000
r2	0.299	0.379
r2_a	0.287	0.309
Hausman：		chi2 (9) = 34.08
		Prob > chi2 = 0.0001

Standard errors in parentheses

* p < 0.1, ** p < 0.05, *** p < 0.01.

对变量构建多元线性回归模型。

首先检测应该使用混合OLS回归模型、固定效应模型还是随机效应模型。回归之前对数据进行标准化处理，通过最大最小标准化的方式将所有变量映射到[0, 1]区间以增强可比性。从检测结果表2可以看出，固定效应模型下，核心解释变量DTI显著，说明个体效应显著，固定效应模型优于混合OLS模型；随机效应模型下，核心解释变量DTI显著，说明随机效应显著，随机效应模型优于混合OLS模型；豪斯曼检验结果显著，说明固定效应模型优于随机效应模型。因此应该选择固定效应模型。经检测，对其他三个被解释变量依旧应该选择固定效应模型。

由于解释变量可能跟年份具有相关关系，因此进一步检测固定效应模型是否应该固定个体的同时也固定年份。通过加入时间虚拟变量进行固定效应模型回归并检测，发现解释变量确实显著受到年份影响，因此双向固定模型优于个体固定模型。

3.3.2. 模型方程

设计模型(1)用于对被解释变量进行回归分析，验证假设1、假设2、假设3和假设4，并用于不同类型银行间的异质性分析。设计模型(2)和(3)用于中介效应机制分析，验证假设1.1和假设1.2。

$Y_{it}=\alpha +\beta \times {\text{DTI}}_{it}+{{\displaystyle \sum \alpha }}_k\times {\text{Controls}}_{it}+{\text{year}}_t+{\text{bank}}_i+{\epsilon }_{it}$(1)

$Z{J}_{it}=\alpha +\beta \times {\text{DTI}}_{it}+{\displaystyle \sum {\alpha }_k}\times {\text{Controls}}_{it}+{\text{year}}_t+{\text{bank}}_i+{\epsilon }_{it}$(2)

$Y_{it}=\alpha +\beta \times {\text{DTI}}_{it}+{\text{ZJ}}_{it}+{\displaystyle \sum {\alpha }_k}\times {\text{Controls}}_{it}+{\text{year}}_t+{\text{bank}}_i+{\epsilon }_{it}$(3)

3.4. 数据选取

考虑到财务数据可得性和实证分析面板数据的连续性、完整性，本文以42家A股上市的商业银行2010至2021年的财务数据为样本，具体包含6家国有大型商业银行，9家股份制商业银行，17家城商行和10家农商行。

经计算，上述42家上市商业银行的合计资产规模长期占全国商业银行总资产的八成以上，如表3所示。因此样本银行具有代表性，一定程度上能够反应整个商业银行行业的情况。

样本银行的相关数据来源为Wind的各银行财务报告、Wind机构研究板块的银行数据、Wind EDB中国宏观数据库、国泰安数据库等。

Table 3.Total asset size of sample banks as a percentage of total assets of commercial banks in the country

表3.样本银行资产规模合计占全国商业银行总资产的比例

年份	2010	2011	2012	2013	2014	2015	2016	2017	2018	2019	2020	2021	2022
资产规模 占比	95%	93%	91%	90%	88%	87%	85%	83%	83%	80%	79%	79%	79%

注：2010年为41家，不包含青岛农商银行。

数据来源：Wind EDB中国宏观数据库，各上市银行年报。

4. 统计分析与结果讨论

4.1. 数据分析

4.1.1. 描述性统计

对数据进行双侧1%缩尾处理，去除异常值的影响，而后进行描述性统计，结果如表4。商业银行数字化指数均值在77.08，最大值和最小值差异比较大，一方面说明商业银行之间的数字化水平发展有差异，另一方面也说明十多年来数字化水平提升比较明显。四个方面的被解释变量的最大最小值差异都比较大，说明商业银行服务实体经济的效率有不小差异。

Table 4.Descriptive statistics

表4.描述性统计

	Variable	N	Mean	p50	SD	Min	Max
解释变量Y	SOL (%)	482	54.45	53.77	9.714	29.65	81.82
	IC (%)	482	19.08	15.92	8.886	10.55	52.60
	CR (%)	482	16.50	15.03	10.48	0.155	41.09
	NPLR (%)	482	1.271	1.250	0.455	0.360	2.710
解释变量	DTI	482	77.08	75.26	44.24	1.412	172.4
控制变量Controls	ASSET (亿元)	482	34948	6187	61869	563.0	290692
	CIR (%)	482	31.34	30.75	5.559	21.44	56.57
	NIM (%)	482	2.375	2.331	0.516	1.380	3.990
	CAR (%)	482	13.39	13.22	1.637	10.44	18.25
	LR (%)	482	52.50	51.20	14.11	28.77	94.10
	GDPGR (%)	482	8.491	7.591	4.770	-6.507	23.37
	M2GR (%)	482	11.99	12.04	3.333	8.275	20.77

注：数据为缩尾处理去除异常值后的描述性统计。

4.1.2. 相关性分析

Table 5.Correlation analysis

表5.相关性分析

SOL

IC

CR

NPLR

DTI

ASSET

CIR

NIM

CAR

LR

GDPGR

M2GR

SOL

1

IC

−0.050

1

CR

0.294***

−0.363***

1

NPLR

0.316***

−0.090**

−0.005

1

DTI

0.396***

−0.414***

0.550***

0.287***

1

ASSET

0.471***

−0.272***

0.589***

0.160***

0.410***

1

CIR

−0.137***

0.206***

−0.233***

−0.096**

−0.380***

−0.156***

1

NIM

−0.094**

0.317***

−0.375***

−0.216***

−0.521***

−0.195***

0.265***

1

CAR

0.176***

0.132***

0.067

0.100**

0.196***

0.279***

−0.064

−0.083*

1

LR

0.0540

0.107**

−0.041

0.168***

0.266***

−0.108**

−0.193***

−0.283***

0.290***

1

GDPGR

−0.271***

0.182***

−0.241***

−0.260***

−0.456***

−0.230***

0.157***

0.265***

−0.0170

−0.126***

1

M2GR

−0.215***

0.166***

−0.190***

−0.360***

−0.672***

−0.146***

0.302***

0.406***

−0.311***

−0.451***

0.414***

1

注：数据为缩尾处理去除异常值后的相关性分析。

从表5的相关性分析结果可以看出，核心解释变量数字化水平DTI，与被解释变量SOL、IC、CR、NPLR都具有显著的相关性，相关系数分别为0.396、−0.414、0.550和0.287控制变量与被解释变量具有相关性。前三个相关系数初步验证了假设1、假设2和假设3，第四个数字初步否定了假设4。

自变量之间的相关系数都没有超过0.8，也初步说明不存在严重的共线性问题。

4.1.3. 共线性诊断

从表6的诊断结果来看，VIF值远小于10，自变量之间不存在严重的共线性。

Table 6.Diagnosis of covariance

表6.共线性诊断

Variable	VIF	1/VIF
DTI	2.720	0.368
M2GR	2.380	0.421
ASSET	1.480	0.674
LR	1.440	0.692
NIM	1.440	0.697
GDPGR	1.340	0.744
CAR	1.330	0.754
CIR	1.190	0.838
Mean	VIF	1.670

注：数据为缩尾处理去除异常值后的共线性诊断。

4.2. 回归分析

用双向固定效应模型对42家上市商业银行的相关数据进行回归分析，结果如表7。回归结果支持假设1，即商业银行数字化水平提升有利于将更多资金用于贷款，体现为贷款占生息资产的比例提升，这意味着商业银行有更高比例的资金直接流入实体经济，助力实体企业的发展，而非滞留在金融体系内。回归结果不支持假设2和假设3，即商业银行数字化水平提高对于贷款的行业集中度、信用贷款的占比没有显著影响。回归结果与假设4的结论相反，意味着商业银行数字化水平提高反而提升了不良贷款率。

Table 7.Results of regressing the level of digitization of commercial banks on the four dimensions measuring the efficiency of serving the real economy

表7.衡量服务实体经济效率的四个方面指标对商业银行数字化水平回归结果

	(1)	(2)	(3)	(4)
	SOL	IC	CR	NPLR
DTI	0.231***	−0.021	−0.000	0.243***
	(0.060)	(0.045)	(0.051)	(0.071)
ASSET	0.694***	0.170**	−0.241***	0.080
	(0.100)	(0.076)	(0.085)	(0.119)
CIR	0.146**	−0.196***	−0.055	0.241***
	(0.067)	(0.051)	(0.057)	(0.080)
NIM	0.188***	−0.008	−0.036	−0.009
	(0.043)	(0.032)	(0.036)	(0.051)
CAR	−0.002	0.024	0.015	0.005
	(0.039)	(0.030)	(0.033)	(0.047)
LR	−0.003	0.000	−0.057*	0.082*
	(0.040)	(0.030)	(0.034)	(0.048)
GDPGR	−0.080	0.059	0.079*	0.057
	(0.056)	(0.043)	(0.048)	(0.067)
M2GR	0.016	0.231***	−0.240***	0.043
	(0.053)	(0.040)	(0.045)	(0.063)
_cons	0.275***	0.123**	0.618***	0.056
	(0.071)	(0.054)	(0.060)	(0.085)
N	482.000	482.000	482.000	482.000
r2	0.422	0.384	0.548	0.452
r2_a	0.341	0.298	0.484	0.375
个体固定	Yes	Yes	Yes	Yes
年份固定	Yes	Yes	Yes	Yes

Standard errors in parentheses

* p < 0.1, ** p < 0.05, *** p < 0.01.

4.3. 稳健性检验

将核心解释变量数字化水平(DTI)滞后一期，检验上述回归结果显著的回归(1)和回归(4)是否具有稳健性，结果如表8所示。可以看出滞后一期的核心解释变量回归结果跟不滞后的回归结果在系数方向和显著性上都一致，因此数字化水平(DTI)对生息资产贷款占比(SOL)和不良贷款率(NPLR)的回归结果都具有稳健性。

Table 8.Robustness tests

表8.稳健性检验

	(1)	(2)	(3)	(4)
	SOL	SOL	NPLR	NPLR
DTI	0.231***		0.243***
	(0.060)		(0.071)
L.DTI		0.271***		0.251***
		(0.063)		(0.068)
ASSET	0.694***	0.731***	0.080	0.126
	(0.100)	(0.113)	(0.119)	(0.123)
CIR	0.146**	0.160**	0.241***	0.223***
	(0.067)	(0.077)	(0.080)	(0.084)
NIM	0.188***	0.162***	−0.009	0.006
	(0.043)	(0.046)	(0.051)	(0.050)
CAR	−0.002	0.011	0.005	−0.033
	(0.039)	(0.045)	(0.047)	(0.049)
LR	−0.003	0.010	0.082*	0.095**
	(0.040)	(0.043)	(0.048)	(0.046)
GDPGR	−0.080	−0.088	0.057	0.005
	(0.056)	(0.060)	(0.067)	(0.065)
M2GR	0.016	0.024	0.043	−0.026
	(0.053)	(0.113)	(0.063)	(0.122)
_cons	0.275***	0.233***	0.056	0.088
	(0.071)	(0.076)	(0.085)	(0.082)
N	482.000	440.000	482.000	440.000
r2	0.422	0.428	0.452	0.494
r2_a	0.341	0.341	0.375	0.417
个体固定	Yes	Yes	Yes	Yes
年份固定	Yes	Yes	Yes	Yes

Standard errors in parentheses

* p < 0.1, ** p < 0.05, *** p < 0.01.

4.4. 异质性分析——按商业银行性质

考虑到不同性质的商业银行在数字化水平、资产规模、经营区域、股权、发展战略、主要面向的客户群体、业务结构等各方面存在较大差异，数字化水平提升的影响结果也会因为银行性质不同而有差异，因此将42家商业银行按照性质分成国有大型商业银行、股份制商业银行、城市商业银行、农村商业银行，分别进行回归分析。

4.4.1. 资金流向方面的异质性分析

Table 9.Grouped regressions of interest-bearing asset loan share SOL on digitization level DTI

表9.生息资产贷款占比SOL对数字化水平DTI的分组回归

	全样本	国有大行	股份制银行	城商行	农商行
	SOL	SOL	SOL	SOL	SOL
DTI	0.231***	−0.215	0.132	0.294***	0.094
	(0.060)	(0.158)	(0.125)	(0.097)	(0.093)
ASSET	0.694***	−0.258	−0.376	−4.246***	0.530
	(0.100)	(0.274)	(0.645)	(1.077)	(2.234)
CIR	0.146**	−1.174***	−0.255	0.363***	0.228***
	(0.067)	(0.323)	(0.221)	(0.126)	(0.079)
NIM	0.188***	−0.160	−0.104	0.229***	0.391***
	(0.043)	(0.131)	(0.150)	(0.061)	(0.060)
CAR	−0.002	0.016	0.135	−0.025	0.067
	(0.039)	(0.176)	(0.112)	(0.061)	(0.048)
LR	−0.003	−0.389***	0.042	0.142**	−0.059
	(0.040)	(0.121)	(0.088)	(0.068)	(0.044)
GDPGR	−0.080	0.031	−0.055	−0.088	0.034
	(0.056)	(0.179)	(0.215)	(0.083)	(0.079)
M2GR	0.016	−0.647***	0.009	−0.110	−0.204***
	(0.053)	(0.212)	(0.164)	(0.098)	(0.070)
_cons	0.275***	1.833***	0.669***	0.274**	0.340***
	(0.071)	(0.383)	(0.203)	(0.116)	(0.117)
N	482.000	66.000	108.000	203.000	105.000
r2	0.422	0.929	0.568	0.339	0.672
r2_a	0.341	0.892	0.437	0.205	0.558
个体固定	Yes	Yes	Yes	Yes	Yes
年份固定	Yes	Yes	Yes	Yes	Yes

Standard errors in parentheses

* p < 0.1, ** p < 0.05, *** p < 0.01.

用生息资产贷款占比(SOL)衡量商业银行有多少资金直接流向实体经济，分四类银行对数字化水平(DTI)进行回归，回归结果如表9(已对显著的结果采用滞后一期核心解释变量的方式进行稳健性检验，且通过检验)。可以看出，在城商行中，数字化水平的影响显著，即数字化水平提升可以显著增加城商行的贷款比例，让更多资金直接流向实体企业，更好地服务实体经济。

4.4.2. 贷款行业配置方面的异质性分析

Table 10.Grouped regressions of IC on digitization level DTI for industry concentration of loans

表10.贷款的行业集中度IC对数字化水平DTI的分组回归

	全样本	国有大行	股份制银行	城商行	农商行
	IC	IC	IC	IC	IC
DTI	−0.021	0.006	0.168*	−0.123*	−0.222*
	(0.045)	(0.069)	(0.088)	(0.072)	(0.119)
ASSET	0.170**	0.015	−0.128	0.724	7.911***
	(0.076)	(0.119)	(0.456)	(0.798)	(2.853)
CIR	−0.196***	0.089	−0.073	−0.109	−0.214**
	(0.051)	(0.141)	(0.157)	(0.093)	(0.101)
NIM	−0.008	−0.123**	0.069	0.055	−0.235***
	(0.032)	(0.057)	(0.106)	(0.045)	(0.076)
CAR	0.024	−0.030	−0.049	−0.029	0.272***
	(0.030)	(0.076)	(0.079)	(0.045)	(0.062)
LR	0.000	0.017	0.006	0.005	−0.094
	(0.030)	(0.053)	(0.063)	(0.050)	(0.057)
GDPGR	0.059	0.057	0.174	−0.061	0.113
	(0.043)	(0.078)	(0.152)	(0.062)	(0.101)
M2GR	0.231***	0.108	0.178	0.180**	0.264***
	(0.040)	(0.092)	(0.116)	(0.073)	(0.089)
_cons	0.123**	0.043	−0.099	0.233***	0.290*
	(0.054)	(0.166)	(0.144)	(0.086)	(0.150)
N	482.000	66.000	108.000	203.000	105.000
r2	0.384	0.796	0.407	0.470	0.673
r2_a	0.298	0.692	0.227	0.362	0.559
个体固定	Yes	Yes	Yes	Yes	Yes
年份固定	Yes	Yes	Yes	Yes	Yes

Standard errors in parentheses

* p < 0.1, ** p < 0.05, *** p < 0.01.

用商业银行对企业贷款的行业集中度(IC)代表商业银行的贷款行业配置行为，分四类银行对数字化水平(DTI)进行回归，回归结果如表10(已对显著的结果采用滞后一期核心解释变量的方式进行稳健性检验，且通过检验)。可以看出，虽然对全样本银行来说，数字化水平对企业贷款的行业集中度没有显著影响，但是对于城商行和农商行，数字化水平提升可以降低其贷款的行业集中度，且对农商行的影响程度高于城商行。原因或许在于，城商行和农商行属于区域性银行，原本的业务范围和业务实力都弱于全国性银行，接触到的企业客户有限且跟其总部所在省份的产业分布有关，而数字化水平提升或许提高了他们在原本不擅长的行业发现优质企业客户的能力；农商行则相较于城商行更弱，这一影响则会更加明显。而对于股份制银行，回归结果显示，数字化水平提升反而提高了其企业贷款的行业集中度。

4.4.3. 贷款担保方式方面的异质性分析

Table 11.Grouped regression of credit loan share CR on digitization level DTI

表11.信用贷款占比CR对数字化水平DTI的分组回归

	全样本	国有大行	股份制银行	城商行	农商行
	CR	CR	CR	CR	CR
DTI	−0.000	−0.092	0.281**	−0.150*	−0.143*
	(0.051)	(0.093)	(0.114)	(0.089)	(0.080)
ASSET	−0.241***	0.083	0.078	2.643***	−2.368
	(0.085)	(0.162)	(0.589)	(0.982)	(1.920)
CIR	−0.055	0.232	−0.069	−0.240**	0.010
	(0.057)	(0.192)	(0.202)	(0.115)	(0.068)
NIM	−0.036	−0.219***	0.204	−0.154***	0.072
	(0.036)	(0.078)	(0.137)	(0.056)	(0.051)
CAR	0.015	0.003	−0.095	−0.052	0.030
	(0.033)	(0.104)	(0.102)	(0.056)	(0.042)
LR	−0.057*	−0.108	−0.149*	0.005	−0.072*
	(0.034)	(0.072)	(0.081)	(0.062)	(0.038)
GDPGR	0.079*	−0.091	0.141	−0.001	−0.062
	(0.048)	(0.106)	(0.197)	(0.076)	(0.068)
M2GR	−0.240***	−0.146	−0.112	−0.126	−0.379***
	(0.045)	(0.125)	(0.150)	(0.090)	(0.060)
_cons	0.618***	0.872***	0.494***	0.638***	0.495***
	(0.060)	(0.227)	(0.186)	(0.106)	(0.101)
N	482.000	66.000	108.000	203.000	105.000
r2	0.548	0.702	0.700	0.558	0.799
r2_a	0.484	0.550	0.609	0.468	0.729
个体固定	Yes	Yes	Yes	Yes	Yes
年份固定	Yes	Yes	Yes	Yes	Yes

Standard errors in parentheses

* p < 0.1, ** p < 0.05, *** p < 0.01.

信用贷款占比(CR)一定程度上可以衡量企业从商业银行获得贷款的难易程度。分四类银行，对数字化水平(DTI)进行回归，回归结果如表11(已对显著的结果采用滞后一期核心解释变量的方式进行稳健性检验，且通过检验)。可以看出，虽然对全样本来说，数字化水平对信用贷款占比没有显著影响，但是对于股份制银行，数字化水平提升可以提高其信用贷款的占比。

4.4.4. 贷款配置结果方面的异质性分析

Table 12.Grouped regression of NPLR on digitization level DTI

表12.不良贷款率NPLR对数字化水平DTI的分组回归

	全样本	国有大行	股份制银行	城商行	农商行
	NPLR	NPLR	NPLR	NPLR	NPLR
DTI	0.243***	−0.155	−0.052	0.190*	−0.040
	(0.071)	(0.166)	(0.085)	(0.105)	(0.188)
ASSET	0.080	−0.444	0.749*	−1.129	9.167**
	(0.119)	(0.289)	(0.440)	(1.168)	(4.491)
CIR	0.241***	0.058	−0.446***	0.162	0.929***
	(0.080)	(0.341)	(0.151)	(0.136)	(0.159)
NIM	−0.009	0.107	−0.202*	−0.065	−0.020
	(0.051)	(0.138)	(0.102)	(0.066)	(0.120)
CAR	0.005	−0.257	−0.126	−0.154**	0.301***
	(0.047)	(0.185)	(0.077)	(0.066)	(0.097)
LR	0.082*	−0.034	0.116*	0.129*	0.092
	(0.048)	(0.127)	(0.060)	(0.073)	(0.089)
GDPGR	0.057	−0.426**	−0.267*	−0.082	0.102
	(0.067)	(0.189)	(0.147)	(0.090)	(0.159)
M2GR	0.043	−0.585**	−0.068	0.048	0.154
	(0.063)	(0.223)	(0.112)	(0.107)	(0.140)
_cons	0.056	1.370***	0.598***	0.293**	−0.321
	(0.085)	(0.403)	(0.139)	(0.126)	(0.236)
N	482.000	66.000	108.000	203.000	105.000
r2	0.452	0.795	0.908	0.481	0.565
r2_a	0.375	0.690	0.880	0.376	0.412
个体固定	Yes	Yes	Yes	Yes	Yes
年份固定	Yes	Yes	Yes	Yes	Yes

Standard errors in parentheses

* p < 0.1, ** p < 0.05, *** p < 0.01.

不良贷款率(NPLR)反映了商业银行贷款的配置结果，分四类银行，对数字化水平(DTI)进行回归，回归结果如表12(已对显著的结果采用滞后一期核心解释变量的方式进行稳健性检验，且通过检验)。可以看出，在城商行中，数字化水平的影响显著，即数字化水平提升与假设4的结果相反，会提高不良贷款率。赵家琪等的研究也表明城商行目前的低水平数字化抬升了不良贷款率[15]。

4.4.5. 异质性分析小结

异质性分析中，数字化水平存在显著影响且通过了稳定性检验的回归结果如表13所示。

在研究数字化水平如何影响商业银行资金流向(贷款供给)的问题中，全样本商业银行和城商行分组的数字化水平对资金流向有显著影响：1) 全样本下，数字化水平对商业银行生息资产贷款占比有显著的正向影响，数字化水平每提高一个单位，商业银行生息资产贷款占比显著提高0.231个单位。2) 城商行分组下，数字化水平对商业银行生息资产贷款占比有显著的正向影响，数字化水平每提高一个单位，商业银行生息资产贷款占比显著提高0.294个单位。

在研究数字化水平如何影响商业银行贷款行业配置的问题中，股份制商业银行分组、城商业分组和农商行分组的数字化水平对企业贷款的行业集中度有显著影响：1) 股份制银行分组下，数字化水平对企业贷款的行业集中度有显著正向影响，数字化水平每提高一个单位，企业贷款的行业集中度显著提高0.168个单位。2) 城商行分组下，数字化水平对企业贷款的行业集中度有显著负向影响，数字化水平每提高一个单位，企业贷款的行业集中度显著降低0.123个单位。3) 农商行分组下，数字化水平对企业贷款的行业集中度有显著负向影响，数字化水平每提高一个单位，企业贷款的行业集中度显著降低0.222个单位。

在研究数字化水平如何影响商业银行贷款担保方式的问题中，股份制商业银行分组、城商业分组和农商行分组的数字化水平对信用贷款占比有显著影响：1) 股份制商业银行分组的数字化水平对商业银行信用贷款占比有正向影响，数字化水平每提高一个单位，商业银行信用贷款占比显著提高0.281个单位。2) 城商行分组的数字化水平对商业银行信用贷款占比有负向影响，数字化水平每提高一个单位，商业银行信用贷款占比显著降低0.150个单位。3) 农商行分组的数字化水平对商业银行信用贷款占比有负向影响，数字化水平每提高一个单位，商业银行信用贷款占比显著降低0.143个单位。

在研究数字化水平如何影响商业银行贷款配置结果的问题中，全样本商业银行和城商行分组的数字化水平对不良贷款率有显著影响：1) 全样本下，数字化水平对商业银行不良贷款率有显著的正向影响，数字化水平每提高一个单位，商业银行不良贷款率显著提高0.243个单位。2) 城商行分组下，数字化水平对商业银行不良贷款率有显著的正向影响，数字化水平每提高一个单位，商业银行不良贷款率显著提高0.190个单位。

Table 13.Summary of significant and robust results of regressions of digitization level on four aspects of explanatory variables after grouping by nature of banks

表13.按银行性质分组后，数字化水平对四个方面被解释变量回归的显著且稳健结果汇总

	生息资产贷款占比SOL	企业贷款的行业集中度IC	信用贷款占比CR	不良贷款率NLPR
全样本DTI	0.231***			0.243***
国有大行DTI
股份制DTI		0.168*	0.281**
城商行DTI	0.294***	−0.123*	−0.150*	0.190*
农商行DTI		−0.222*	−0.143*

注：红色表示与研究假设的作用方向一致，绿色表示与研究假设的作用方向相反。

4.5. 机制分析

Table 14.Analysis of the mechanisms by which the level of digitization affects the share of loans in interest-bearing assets

表14.数字化水平影响生息资产贷款占比的机制分析

	(1)	(2)	(3)
	SOL	APLL	SOL
DTI	0.231***	−0.216***	0.211***
	(0.060)	(0.081)	(0.060)
ASSET	0.694***	−0.278**	0.668***
	(0.100)	(0.135)	(0.100)
CIR	0.146**	0.185**	0.163**
	(0.067)	(0.091)	(0.067)
NIM	0.188***	0.177***	0.204***
	(0.043)	(0.058)	(0.043)
CAR	−0.002	0.012	−0.001
	(0.039)	(0.053)	(0.039)
LR	−0.003	−0.110**	−0.013
	(0.040)	(0.054)	(0.040)
GDPGR	−0.080	−0.012	−0.081
	(0.056)	(0.076)	(0.056)
M2GR	0.016	−0.417***	−0.023
	(0.053)	(0.071)	(0.054)
APLL			−0.093***
			(0.036)
_cons	0.275***	0.557***	0.327***
	(0.071)	(0.096)	(0.073)
N	482.000	482.000	482.000
r2	0.422	0.252	0.431
r2_a	0.341	0.147	0.350
个体固定	Yes	Yes	Yes
年份固定	Yes	Yes	Yes

Standard errors in parentheses

* p < 0.1, ** p < 0.05, *** p < 0.01.

数字化水平的提高可能增强了商业银行的风险控制能力，那么用于贷款损失准备的资金就可以减少，从而使得银行可以提高生息资产中的贷款占比。

商业银行的贷款损失准备充足率(APLL)，是商业银行的贷款实际计提准备与监管规定的应提准备之比，反映了商业银行的贷款风险。如果商业银行对贷款风险的控制能力增强，认为贷款风险相对低，那么可以降低计提的准备金。如果商业银行对贷款风险的控制能力比较弱，贷款风险水平高，贷款损失的可能性较大，那么商业银行就需要预留更多的贷款损失准备金。

将贷款损失准备充足率(APLL)作为中介变量，对其进行双侧1%缩尾，再使用最大最小标准化法进行标准化，然后用三步法检测中介效应，结果如表14。第(1)列为基础回归，可以看出数字化水平(DTI)对生息资产贷款占比(SOL)具有显著正向影响。第(2)列是数字化水平(DTI)对贷款损失准备充足率(APLL)的回归，结果显著，意味着数字化水平(DTI)提高确实降低了贷款损失准备充足率(APLL)。第(3)列在基础回归方程中加入中介变量贷款损失准备充足率(APLL)再回归，结果显示数字化水平(DTI)和贷款损失准备充足率(APLL)的系数都显著，表示中介效应存在，且为部分中介效应。即数字化水平(DTI)的提升，通过增强商业银行的风险控制能力，即降低贷款损失准备充足率(APLL)，增加了生息资产贷款占比(SOL)，支持本文研究假设1.1和假设1.2。

5. 研究结论与启示

5.1. 研究结论

文本从服务实体经济效率的四个角度，选取了四个衡量指标，基于北京大学数字金融研究中心课题组研究建立的“北京大学中国商业银行数字化转型指数”和国内42家上市商业银行2010~2021年的财务数据以及宏观经济数据，采用双向固定效应模型对面板数据进行回归分析和稳健性检验；考察了数字化水平影响的作用机制，即中介效应；并且基于不同性质的商业银行进行了异质性分析。研究结果表明：

1) 商业银行数字化水平提升确实提高了生息资产贷款占比，将更多资金直接用于实体企业，即增加了商业银行对实体经济的贷款供给，推动贷款配置“脱虚向实”，提升了商业银行服务实体经济的效率；这种影响可以通过增强风险控制能力、降低贷款损失准备的机制来实现；分银行类型来看，数字化水平的提升提高了生息资产贷款占比的这一影响在城商行中显著。

2) 商业银行数字化水平提升对降低行业集中度没有显著影响，但是分组来看：城商行和农商行数字化水平的提升降低了其企业贷款的行业集中度，且对农商行的作用更大；对于股份制银行来说，数字化水平的提升反而提高了企业贷款的行业集中度。

3) 商业银行数字化水平提升对提高信用贷款占比从而增加企业贷款可得性没有显著影响，但是分组来看：股份制银行的数字化水平的提升促使其增加了信用贷款的占比；城商行和农商行的数字化水平提升反而使得信用贷款占比有所降低。

4) 商业银行数字化水平的提升反而提高了不良贷款率；分银行类型来看，不良率的恶化在城商行显著。

5.2. 政策启示

实体兴，国家强。实体经济是国家的发展根基，是国家持续发展的根本。为全面贯彻落实党的二十大精神，银行数字化转型要抢抓机遇，集中优势资源突破大数据关键技术，加快建设数字中国，着力在补短板、强弱项、固底板、扬优势上下功夫，以此助力实体经济行稳致远。通过上述理论分析和实证研究，结合我国商业银行的实际情况，可以得出如下政策启示：

第一，数字化转型进程方面：以城商行和农商行为代表的中小银行，目前的数字化水平相较于国有大行和股份制银行还比较弱，应该更加积极推进数字化转型，在人才吸引和储备、体系建设、对外合作等方面加强。可以制定明确的转型路线图和时间表，确保转型过程有序进行；加强与高校和研究机构的合作，通过产学研结合培养数字化人才，同时为银行提供前沿的技术支持；建立创新实验室或创新中心，鼓励内部员工提出创新想法，并将这些想法转化为实际的数字化解决方案。

第二，资金流向方面：商业银行应该继续加强数字技术的研究和运营，建立更为完善的信用评估体系，结合企业的财务数据、市场表现和行业趋势，进行多维度的信用评估，利用大数据和人工智能等先进技术准确把握贷款企业信用状况和经营情况的能力，增强自身风险控制能力，从而让更多资金流入实体经济，支持实体企业发展。

第三，贷款行业配置方面：商业银行，特别是股份制商业银行，应该积极利用数字化手段提高筛选优质企业的准确度，通过大数据分析识别不同行业的发展趋势和风险点，为贷款决策提供科学依据，积极发现各行各业的优质企业，将贷款资金配置到各行各业有资金需求、有发展前景的企业中去。

第四，贷款担保方式方面：商业银行，特别是城商行和农商行，应该在通过数字化手段精准识别客户信用的基础上，对优质的、有还款能力和意愿的企业更多使用信用贷款来降低企业的贷款门槛，提高实体企业的信贷可得性。比如可以建立信用信息共享平台，整合企业信用信息，降低银行和企业之间的信息不对称。

第五，贷款配置结果方面：商业银行，特别是城商行，在降低贷款的行业集中度的同时应该更加注重对贷款企业的后续跟踪，建立贷款后评价机制，定期评估贷款效果，利用人工智能技术进行风险预测，提前识别潜在的不良贷款风险，采取预防措施，有效控制不良贷款率。

致 谢

本论文是在窦文章老师的悉心指导下完成的。窦文章老师作为一名优秀的、经验丰富的教师，具有渊博的知识、开阔的视野和敏锐的思维，从选题指导、论文框架到细节修改，都给予了耐心的指导和帮助，给到很多宝贵的意见与建议，提出严格要求，引导我不断开阔思路，为我答疑解惑。

窦文章老师严谨求实的治学态度、高度的敬业精神、兢兢业业的工作作风和大胆创新的进取精神对我产生了重要影响，使我在这一段宝贵的时光中，既增长了知识、开阔了视野、锻炼了心态，又培养了良好的研究分析习惯和科研精神。

在此，我向我的指导老师表示最诚挚的谢意！

参考文献

[1]	常春梅, 蒋一琛. 数字化转型与企业运营效率关系研究以上市商业银行为例[J]. 经济师, 2021(9): 277-279.
[2]	熊健, 张晔, 董晓林. 金融科技对商业银行经营绩效的影响: 挤出效应还是技术溢出效应? [J]. 经济评论, 2021, 229(3): 89-104.
[3]	吴非, 胡慧芷, 林妍, 任晓怡. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J]. 管理世界, 2021, 37(3): 130-144.
[4]	郭峰, 王靖一, 王芳, 孔涛, 张勋, 程志云. 测度中国数字普惠金融发展: 指数编制与空间特征[J]. 经济学(季刊), 2020(4): 1401-1418.
[5]	北京金融科技产业联盟. 金融科技发展指数报告(2019-2021年) [R]. https://www.financialnews.com.cn/kj/202302/t20230210_264449.html, 2023-02-10.
[6]	谢绚丽, 王诗卉. 中国商业银行数字化转型: 测度､进程及影响[J]. 经济学(季刊), 2022, 22(6): 1937-1956.
[7]	胡海峰, 田一迪, 王爱萍. 中国银行业服务实体经济: 测度､成因及治理对策[J]. 学习与实践, 2023(9): 42-54.
[8]	张淦, 赵永清. 新时代商业银行信贷资金新投向基于信贷资金行业配置效率的分析[J]. 当代经济管理, 2018, 40(12): 87-96.
[9]	范从来, 盛天翔, 王宇伟. 信贷量经济效应的期限结构研究[J]. 经济研究, 2012(1): 80-91.
[10]	张杰, 杨连星, 新夫. 房地产阻碍了中国创新么?——基于金融体系贷款期限结构的解释[J]. 管理世界, 2016(5): 64-80.
[11]	丁鑫, 周晔. 数字化转型与银行信贷配置——基于银行贷款投向实体经济的视角[J]. 数量经济技术经济研究, 2024(3): 192-216.
[12]	徐晓萍, 李弘基, 戈盈凡. 金融科技应用能够促进银行信贷结构调整吗?——基于银行对外合作的准自然实验研究[J]. 财经研究, 2021(6): 92-107.
[13]	孙旭然, 王康仕, 王凤荣. 金融科技、竞争与银行信贷结构——基于中小企业融资视角[J]. 山西财经大学学报, 2020, 42(6): 59-72.
[14]	罗煜, 崔书言, 旷纯. 数字化与商业银行经营转型——基于传统业务结构变迁视角[J]. 国际金融研究, 2022(5): 34-44.
[15]	赵家琪, 江弘毅, 胡诗云, 沈艳. 数字普惠金融下的小微信贷与风险基于银行数字化转型的视角[J]. 经济学(季刊), 2023, 23(5): 1686-1703.
[16]	刘忠璐. 互联网金融对商业银行风险承担的影响研究[J]. 财贸经济, 2016(4): 7-85.
[17]	金洪飞, 李弘基, 刘音露. 金融科技、银行风险与市场挤出效应[J]. 财经研究, 2020, 46(5): 52-65.
[18]	郭丽虹, 朱柯达. 金融科技、银行风险与经营业绩——基于普惠金融的视角[J]. 国际金融研究, 2021(7): 56-65.
[19]	杨望, 王妹妤. 金融科技与商业银行风险承担——基于135家商业银行的实证研究[J]. 甘肃金融, 2019(4): 16-22.
[20]	何小钢, 罗欣, 况雅琴. 数字化转型与商业银行风险承担[J]. 企业经济, 2023, 42(6): 121-132.
[21]	傅顺, 裴平, 孙杰. 数字金融发展与商业银行信用风险——来自中国37家上市银行的经验证据[J]. 北京理工大学学报(社会科学版), 2023, 25(1): 145-155.
[22]	刘孟飞, 王琦. 数字金融对商业银行风险承担的影响机制研究[J]. 会计与经济研究, 2022, 36(1): 86-104.
[23]	刘伟, 刘卫镇, 戴冰清, 等. 数字金融、贷款结构与商业银行风险承担——基于181家商业银行2011-2020年财务数据的分析[J]. 武汉金融, 2022(7): 29-40.
[24]	郭品, 沈悦. 互联网金融对商业银行风险承担的影响: 理论解读与实证检验[J]. 财贸经济, 2015(10): 102-116.
[25]	黄益平. 中国数字金融能否持续领先? [J]. 清华金融评论, 2018(11): 35-36.
[26]	张勇, 阮培恒, 梁燚焱, 邹伟. 宏观经济不确定性与银行流动性创造分化[J]. 数量经济技术经济研究, 2022, 39(12): 132-152.