大数据技术对银行信贷质量的影响

摘要：自2013年大数据元年后，各大银行对于大数据的运用进入膨胀阶段，极大地推动了银行数字化转型，文章针对大数据应用对银行信贷质量的影响展开研究。通过文本分析法，统计上市银行年报中大数据关键词的出现频次，并施以熵值法赋权，构造2014—2022年42家上市银行的非平衡面板，进行回归分析。研究结果表明：银行不良贷款与大数据使用情况间呈倒“U”型曲线的非线性关系，推测银行在应用大数据技术初期可能会有所不适应，但随时间推移而缓解；文章选取信息不对称作为机制变量，推导大数据技术可以通过缓解信息不对称效应来降低商业银行的不良贷款这一传导机制，旨在鼓励商业银行积极应用大数据技术，提高银行信贷质量，缓解中小型企业融资困境。

关键词：大数据技术；信贷质量；信息不对称；不良贷款；商业银行

中图分类号：F832.4文献标识码：A文章编号：1005-6432（2024）34-0195-06

DOI：10.13939/j.cnki.zgsc.2024.34.047

1引言

近年来，大数据、云计算、人工智能与区块链等数字技术越来越广泛地被应用在金融领域。根据《中国商业银行数字化转型调查研究》，我国一些大型商业银行积极引入大数据、云计算等金融科技，其中98%的被调研银行都已采用大数据技术。

大数据技术是金融科技的核心驱动力，具有信息体量大、传输速度快、潜在价值高等特点，与金融行业具有天然的耦合性。商业银行主要依靠吸收存款和发放贷款作为其企业经营发展的模式，信贷管理对其生存发展至关重要。大数据技术能够从客户获取、贷款申请、信用评估、贷款发放甚至还款管理的全过程提高银行的风险管理水平（黄益平，2021），对商业银行信贷风险管理的重要意义主要体现在拓展信息获取渠道、促进信贷产品更新换代、优化信贷风险管理程序三方面（单光年，2020）。大数据技术能够给予银行更丰富的企业信息，缓解其面临的信息不对称问题，有效提高信贷管理水平和效率，从而降低商业银行的不良贷款。因此研究大数据对商业银行不良贷款的影响机制，具有重要现实意义。

文章的边际贡献为：①大数据风控模型是目前银行信贷风险管理的主要手段。文章聚焦大数据技术，将研究对象细化，与研究金融科技整体影响相比更贴近商业银行现实情况。②目前对银行层面大数据使用程度的相关实证分析较少。文章通过文本分析法搜集银行微观层面大数据关键词，并采用熵值法综合计算各商业银行大数据使用情况。③文章结合固定效应模型和机制分析，验证大数据技术对银行信贷质量的影响，识别信息不对称在其中的传导机理，从计量角度扩充现有文献。

2文献综述与研究假说

作为金融科技核心驱动力的大数据，目前在各大商业银行中应用广泛。一方面，银企间的信息不对称是导致商业银行不良贷款率升高的主要原因，而大数据技术能够对信贷企业相关的海量数据进行分析，使商业银行能够实时掌握企业的经营状况（孙光林和蒋伟，2021），降低信息不对称水平。另一方面，大数据技术使银行可以根据评分模型区分贷款业务的风险程度并设置相应的管理规则，包括客户准入、额度调整、风险预警等内容，减少了人工干预带来的误差，从而实现对客户的自动化管理，提高银行信贷决策可科学性。

大数据技术能够从软信息硬化、构建智能风控体系提升商业银行信贷风险管理水平。具体从贷前筛选环节来说，随着大数据技术在银行领域的应用，贷款方开展经营活动的经营流水、营收趋势、财务状况等信息更加透明。银行在发放贷款之前就可以针对客户群体进行画像，核定其是否符合信贷标准，决定是否发放贷款。从贷后风险管控角度，大数据技术可以协助银行构建大数据风控体系，监控中小微企业的实时信息，更加准确和稳健地预测违约，从而降低商业银行的不良贷款额。

基于以上分析，文章提出基本研究假说1。H1：商业银行使用大数据技术能够有效抑制商业银行不良贷款额，两者呈负向关系。

在金融市场中，资金供给方与需求方存在天然的信息不对称。信息不对称往往会带来逆向选择和道德风险的问题。逆向选择模型认为银行事前不知道借款人的风险类型。道德风险模型认为好借款人道德风险不严重，所以不需要提供抵押；差借款人还款积极性差，所以差借款人应该提供抵押。然而，随着金融改革的深入，金融机构市场化竞争加剧，信息不对称对商业银行信贷风险的影响不断加深（武春桃，2016）。研究表明，商业银行引入大数据技术、发展大数据信贷模式，有利于收集利用传统银行信贷模式中所没有的信息，改善金融机构的风控能力（邱志刚等，2020），从而降低商业银行因面临信息不对称问题而产生的不良贷款。

基于以上分析，文章提出基本研究假说2。H2：大数据技术缓解了商业银行所面临的信息不对称问题，有利于银行在贷款时收集、考虑更全面的信息，从而降低不良贷款。

3模型构建与变量说明

3.1数据来源

文章研究对象是中国大陆地区42个A股上市商业银行2014—2022年的非平衡面板数据。其中，各大商业银行年报文本数据来自巨潮资讯网，数字统计数据来自国泰安数据库（CSMAR），大数据指数来源于手工统计频数后用熵值法处理。

3.2变量说明

3.2.1因变量：商业银行不良贷款额（NPL）

文章根据银保监会规定的商业银行贷款五级分类法（正常、关注、次级、可疑、损失），用次级、可疑和损失三类贷款进行加总衡量商业银行不良贷款。对于商业银行而言，不良贷款的高低是衡量风险程度的重要参考指标，不良贷款越高表明商业银行面临的风险压力越大，对银行可持续经营越不利。

3.2.2核心变量：大数据使用指数（Bigdata）

参考陈敏（2023）的研究，文章构建了大数据词库（见表1）。上市公司的年报是向投资者披露信息的渠道，商业银行越多运用大数据技术，就会越多在年报中披露。因此文章采用“文本分析法”，在各商业银行的年报中手工搜索、统计出现大数据关键词频数。考虑到每个银行年报编制者用词习惯虽可能不同，但同一银行年报编制具有前后连续性，文章采用“熵值法”分别对大数据来源、大数据特征、大数据应用以及其他有关概念进行赋权，通过各年度频数波动产生的信息熵来衡量各商业银行当年大数据技术的使用指数。

3.2.3机制变量：信息不对称程度（Asi）

关于区域信息不对称指标，学界并未形成一个统一的测度指标。文章借鉴武春桃（2016）采用银行贷款数量与银行业务人员的比值作为衡量指标。由于银行对贷款对象的风险评估、资料审核和贷后监督等众多工作都主要通过银行员工进行，而当较少的员工来处理过多的信贷资金时，必然加剧银行的信息不对称状况。

3.2.4其他控制变量

借鉴现有学者研究，文章从银行层面和国家宏观角度考察商业银行信贷风险影响因素。

在银行层面，控制银行收入成本比（Cir），以主要控制银行盈利水平；控制杠杆率（Flr），以控制银行的稳定性及风险承受能力；控制银行总资产对数（Ltot）和银行存贷比（Ltdra），以主要控制银行规模大小和银行的负债结构；控制银行贷款增长率（Loangrowth），以控制银行自有资本充足程度及最后偿债能力和贷款能力；控制企业年龄（Age），以控制银行的经验和专业知识。文章还控制了拨备覆盖率（Prov）、贷款增长率（Loangrowth）和营业收入的对数（Loperev），笔者还采用货币供应量（M2）控制宏观经济状况。详见表2。

熵值法处理公式具体计算公式如下。

步骤一：指标标准化。

正向指标：Xij=Xij－min{Xij…Xnj}max{Xij…Xnj}－min{Xij…Xnj}

负向指标：Xij=max{Xij…Xnj}－Xijmax{Xij…Xnj}－min{Xij…Xnj}

步骤二：计算熵值。

Pij=Xij∑ni=1Xij步骤三：计算指标熵权。

wj=dj∑mj=1dj

步骤四：计算综合指数。

Si=∑mj=1wjpij

3.3计量模型设定

假设1，由于银行的很多风险属性是无法观察的，比如银行管理者的风险偏好、银行投资项目的风险等，为了克服这些不可观测变量对估计结果的影响，文章引入代表这些变量的企业固定效应。用固定效应模型剔除不可观测效应对估计结果的影响，从而获得一致的估计量。

文章基本模型假设设定为：

NPLi，t=β0+β1Bigdatai，t+β2Bigdata2i，t+βcXi， t+fi+φt+εi，t（1）

模型中，i代表各上市银行，t代表年份，β表示模型带估计参数，X表示控制变量，fi表示不可观测的银行固定效应，φt表示时间固定效应，ε表示随机误差项。

由于笔者考虑到上市银行需要数字化转型，所以应用大数据技术不是一蹴而就的。在初期，因为员工对新技术使用不熟练、数据库构建需要一定的时间等因素，银行在各方面可能无法达成协调，而在后期银行应用大数据技术能力可能会有所提高。为表示非线性影响，文章在模型中加入Bigdata的平方项。

为了验证假设2，鉴于目前由于自变量与机制变量、机制变量与因变量之间的内生性问题是否影响中介效应的识别引起学界的讨论。为了探讨自变量对因变量影响关系的形成机制，文章借鉴江艇（2022）的研究，分析自变量对机制变量影响关系，同时利用现有的理论或文献观点来阐述机制变量对因变量的影响关系，构建两步回归分析对作用机制进行检验：

NPLi，t=β0+β1Bigdatai，t+β2Bigdata2i，t+βcXi，t+fi+φt+ε1（2）

Asii，t=α0+α1Bigdatai，t+α2Bigdata2i，t+αcXi，t+fi+φt+ε2（3）

模型中，Asi是机制变量，X是控制变量。文章将利用模型（3）实证大数据技术对银行信息不对称程度的影响，如果结果显著，则结合现有学者结论进行理论推演，得出信息不对称与商业银行不良贷款额的关系，最终推导出大数据技术对银行信贷质量的传导机制。

4实证结果与分析

4.1描述性统计

如表3所示，可以看出不同银行不同年份大数据使用指数、不良贷款额、资产减值准备等均表现出较大差异，且各变量基本处于合理范围之内，能够为基于面板数据的研究提供较好的样本分布基础。

4.2相关性分析

针对模型（1），文章采用固定效应模型（FEM）进行估计，各变量间相关关系如表4所示。其中核心解释变量Bigdata以及与NPL呈负向关系，与研究假设一致，说明假设成立，即说明银行应用大数据技术能够有效降低不良贷款额，两者确实呈反向关系。

4.3回归结果分析

表5显示基准回归模型的估计结果，其中核心解释变量Bigdata在1%的显著性水平上显著，二次项Bigdata2在5%的显著性水平下显著，说明商业银行应用大数据技术有利于降低不良贷款。

在该模型中，对于Bigdata及其平方项的系数最值得关注。文章研究发现，Bigdata对Npl的影响呈非线性关系，由二次项系数可知，总体呈倒“U”型。随着银行逐渐应用大数据技术，不良贷款额会呈现先升高后降低的趋势。文章认为，可能的原因在于：银行在应用大数据技术初期可能会产生不适应的摩擦现象，但随着时间推移，这种现象会得到缓解。

5作用机制分析

5.1大数据技术与信息不对称

商业银行的信贷供给过程需要以大量企业信息为支撑，信息不对称正是阻碍中小微企业融资的根本原因（刘音露等，2019）。大数据技术恰恰可借助其信息优势赋能商业银行，通过整合借款企业真实有效信息，挖掘企业投资价值，引导商业银行资金供给与企业融资需求相匹配，进而调动更多信贷资源流向中小微企业，真正地服务于中小微企业（陈敏等，2019）。

大数据对信息不对称的影响可以分为信息收集阶段的便利性以及信息处理方面的优越性：借助大数据技术，商业银行既能够更容易地搜集和挖掘与中小微企业真实经营相关的数字信息，从而助力中小微企业缓解与借款企业的信息不对称。同时，大数据将各类“软”信息硬化，利用其信息整合、筛选上的比较优势“赋能”于商业银行，以较低的边际成本对其进行充分的贷前信息评估，从而高效缓解银企间的信息不对称难题。

由回归结果可知，大数据技术能够有效缓解商业银行所面临的银企间信息不对称问题，其中一次项系数为正且P值为0.008，二次项系数为负，且P值为0.058，说明大数据技术对信息不对称具有非线性影响，且其影响呈现为倒“U”型，这与主回归的影响效应一致。

5.2信息不对称与信贷质量

按照前文描述，借款人凭借对自身资产、财务状况以及借款目的的了解，拥有更多信息，而银行则是根据借款人提供的信息进行评估与决策。由此可见，借款人和放贷人之间存在一定程度上的信息不对称，而文章通过实证检验，证明了银行使用大数据技术能够有效降低银行层面所面临的信息不对称问题。

程传勇（2015）认为，信贷风险的产生主要与信息不对称相关，构建信贷博弈模型分析了逆向选择和道德风险的问题。在商业银行发放贷款之前，商业银行无法确切了解企业的财务状况和信用风险，企业存在粉饰报表以获取更多资金的动机，引发逆向选择问题，商业银行在不知情的情况下放贷给了风险较高的企业。同时，发放贷款后，银行也很难了解企业真实贷款使用情况，如果企业为了自身利益违反合约，投资高风险的项目，最终可能无力偿还贷款，引发道德风险问题。最终，商业银行迫于无法收回贷款，确认不良贷款，降低其信贷质量。

目前学界已有多位学者通过实证研究证明了信息不对称与不良贷款之间的关系。武春桃（2016）的研究表明，信息不对称加剧了商业银行的信贷风险，并且这种效应对非国有商业银行影响更明显。鲍星等（2022）研究发现，在信贷层面信息不对称程度越高的银行，降低信息不对称对不良贷款额下降的传导机制的效用更大。

综上所述，商业银行使用大数据技术能够通过降低所面临的银企间信息不对称程度，从而降低商业银行不良贷款额、提高信贷质量。

6稳健性检验

为使核心假说的结果尽可能稳定，文章考虑从两个方面进行稳健性检验，整合后的检验结果见表6。

第一，对被解释变量使用资产减值（Deval）替代指标。资产减值包括银行对于所有潜在风险的估计。不良贷款额的上升可能会滞后于实际风险的上升，资产减值能更及时地捕捉到这些风险。表中可见，解释变量对不同被解释变量所呈现出的敏感性较低，通过检验。

第二，在基准回归中加入风险加权资产（Rwassets）这一遗漏的变量。风险加权资产涉及了银行根据不同资产的风险水平来确定其资本储备的需求。因此，文章考虑将风险加权资产作为遗漏变量添加进模型之中。

7结论与政策建议

研究不良贷款是否可控，对于防范系统金融风险具有重要现实意义。文章研究发现以下三点。

第一，银行应用大数据技术拓宽银行展开信贷业务时获取信息，有利于银行信贷决策，从而降低了商业银行不良贷款额。

第二，大数据技术对银行不良贷款具有非线性影响。银行在应用大数据技术初期可能会产生不适应的摩擦现象，但随着时间推移，这种现象会得到缓解，总体呈现倒“U”型。

第三，大数据技术可以通过缓解信息不对称效应来降低商业银行不良贷款。即存在“大数据技术使用程度加深→银行面临信息不对称问题缓解→降低商业银行不良贷款”的作用机制。

基于此，文章提出以下政策建议。

第一，对于政府而言，应提供支持和鼓励金融科技创新，推动银行业采用新兴技术，使其更准确地评估客户信用和风险。积极支持银行和其他金融机构之间的数据共享和合作。同时，制定严格的数据保护和隐私政策。

第二，对于银行而言，应加强风险管理能力，建立健全的风险管理体系和内部控制机制，以应对可能出现的风险和挑战。银行应加强对客户信息的收集和分析，利用大数据技术更好地了解客户的信用状况和还款能力，减少不良贷款的发生。

参考文献：

［1］黄益平，邱晗.大科技信贷：一个新的信用风险管理框架［J］.管理世界，2021，37（2）：2，12-21，50.

［2］单光年.大数据背景下商业银行信贷风险管理策略研究［J］.商业经济，2020（8）：164-165.

［3］孙光林，蒋伟.数字经济对商业银行不良贷款率的影响机制研究［J］.证券市场导报，2021（5）：37-44，54.

［4］武春桃.信息不对称对商业银行信贷风险的影响［J］.经济经纬，2016，33（1）：144-149.

［5］江艇.因果推断经验研究中的中介效应与调节效应［J］.中国工业经济，2022（5）：100-120.

［6］程传勇.基于信息不对称视角下的商业银行信贷风险博弈分析［J］.湖北社会科学，2015（11）：90-96.