摘要： 本文利用中国人民银行金融科技应用调查报告（2022年）数据，将商业银行风控能力划分为技术驱动型、数据驱动型和传统经验型三类，构建商业银行风险控制效能评价模型，运用多元有序Logistic估计方法，从实证角度分析金融科技对不同类型商业银行风控体系升级的影响。结果表明：（1）我国商业银行金融科技应用水平整体偏低，风控体系数字化程度不足30%；（2）在风控能力存在差异的情况下，金融科技对不同类型银行风控升级的驱动因素存在显著差异；（3）技术基础设施对所有类型银行风控升级均具有显著正向影响，而数据治理能力对技术驱动型和数据驱动型银行影响更为突出。最后，本文提出了加大金融科技研发投入、构建智能风控平台、完善数据治理体系、强化监管科技应用等政策建议。

关键词： 金融科技；商业银行；风险控制；风控体系升级

一、引言

风险控制体系向来是商业银行经营管理的核心命脉，进一步落实风险防控向智能化、精细化方向转型，切实提升银行风险识别与预警能力，风控体系升级逐渐成为商业银行数字化转型的关键环节。中国在2016年《“十三五”国家信息化规划》中明确提出推动金融科技发展，但截至目前商业银行风控体系数字化改造仍处于探索阶段。智能风控是金融科技在风险管理领域的重要应用场景，然而，我国商业银行智能风控技术覆盖率仅为26.7%，与美国、英国和新加坡等发达国家商业银行平均水平45%相比存在较大差距。

金融科技（FinTech）是指技术驱动的金融创新，旨在提升金融服务效率、降低运营成本。根据技术应用领域可分为人工智能、区块链、云计算、大数据四大核心技术。Gomber et al.（2017）曾指出，金融科技正在重塑金融机构的风险管理模式，成为推动风控体系变革的关键驱动力。商业银行在不确定性环境中进行风险决策，金融科技的应用水平是决定风控效能的重要因素。本文重点通过金融科技应用视角对商业银行风控体系升级进行实证研究。

二、文献回顾

一直以来，商业银行风险控制体系都备受国内外学者关注，主要体现在以下几个方面。首先，研究领域涉及信用风险、市场风险和操作风险三大类风险管理的技术应用分析。比如，巴曙松等（2018）指出商业银行不良贷款率受经济周期、行业集中度和贷款审批流程因素影响；李建军等（2019）研究表明中小银行信用风险受资本充足率、不良贷款比例、拨备覆盖率和公司治理结构因素影响。在金融科技风控应用方面，刘志洋（2020）根据构建理论模型发现，银行金融科技投入水平越高，风险识别准确率越强。Philippon（2016）认为技术基础设施对风控效率提升有显著影响，而数据资源、算法能力与智能风控效果有显著关系。其次，一些学者以传统风控模式的有效性为基础，研究金融科技对商业银行风控体系升级的影响。例如，黄益平等（2018）认为在具有传统风控体系的银行中，资产规模较大的机构更倾向于引入智能风控技术，而资产质量最差的银行智能风控采纳率并非最高；李广子等（2021）研究结果表明对银行智能风控采纳影响较为显著的因素分别为银行资产规模、科技人员占比、ROA和不良贷款率。对于国有大型商业银行来说，金融科技对风控效率提升有显著的促进作用；对于城市商业银行来说，资产规模影响更为突出。金融科技人才占比对风控升级影响不大。

然而，较少学者以金融科技应用水平为视角对银行风控体系升级进行研究，仅有的讨论也只停留在描述性分析上。在谢绚丽等（2019）的研究中，金融科技应用水平较高的银行在智能风控投入中的比例明显高于应用水平较低的银行。在众多有关金融科技的研究中，大量学者证明金融科技对于银行经营绩效有显著影响。郭峰等（2020）研究发现，银行的数字化转型程度与其盈利能力并没有显著影响；王鹏等（2022）认为金融科技对风险控制效率方向有一定影响，主要体现在金融科技对风控升级的效应能否超过技术应用成本对风控升级的效应。当技术应用效应大于技术成本效应，则会出现正向促进，反之，即为负向抑制。Fuster et al.（2019）通过研究美国抵押贷款市场发现金融机构若是采用算法决策，更能提高贷款审批效率。这说明金融科技应用水平越高的机构越易接受新技术。Boot et al.（2020）指出由于银行金融科技应用程度的不同，对其资产质量表现有一定的影响。从研究方法来看，Davis（1989）通过运用技术接受模型将机构对待技术的态度划分为积极采纳、观望和保守三类。在2016年，世界银行提出金融科技发展指数，用金融科技采纳率、技术基础设施水平以及监管环境三个维度来代表国家金融科技发展水平。

通过文献回顾，综合前人的研究，本文的创新之处在于：①从金融科技应用水平视角对商业银行风控体系升级行为进行界定和分析。②探究技术基础设施对商业银行风控体系升级的影响程度。③构建多元有序Logistic模型，从实证角度深入剖析影响商业银行风控体系升级的因素。

因此，本文通过使用中国人民银行金融科技应用调查数据（2022年），运用多元有序Logistic模型，基于商业银行金融科技应用水平，探索商业银行风控体系升级意向，分析影响商业银行风控升级的影响因素。

三、数据和变量选取

（一）数据选取及说明

本文使用的数据来自中国人民银行金融科技委员会2022年组织的“商业银行金融科技应用情况调查”项目。该调查覆盖全国31个省/自治区/直辖市，涉及426家商业银行，包括6家国有大型银行、12家股份制商业银行、134家城市商业银行和274家农村商业银行。主要调研内容包括金融科技投入、技术应用场景、风控体系建设、数据治理能力等在内的诸多研究主题，涵盖银行层面、业务层面和技术层面三个维度。

本文采用2022年调查数据，将分析样本限制于资产规模100亿元及以上的商业银行，总样本数为386家。进一步去除主要变量（包括风控升级情况、金融科技投入、资产规模、不良贷款率、科技人员占比）存在缺失情况的样本，最终用于回归分析的样本总数为352家，其中国有大型银行6家、股份制银行12家、城市商业银行112家、农村商业银行222家。表1为本文主要变量的描述性统计信息。

（二）变量选取及样本描述性分析

银行风控体系升级方面，已完成全面智能风控转型的银行占比仅为9.4%，局部智能化改造的银行占比18.8%，处于规划建设阶段的银行占比55.1%，尚未启动的银行占比16.7%。对于智能风控应用深度，73.1%的银行尚未应用机器学习模型进行风险预测。这说明大部分商业银行风控体系仍处于传统阶段，智能化程度较低。

银行基本情况方面，资产规模超过1万亿元的银行智能风控建设完成度较高，占比46.9%；国有大型银行和股份制银行智能风控覆盖率分别为100%和83.3%，城市商业银行和农村商业银行分别为35.7%和12.6%；科技人员占比在5%以上的银行占智能风控领先银行的72.7%；不良贷款率低于1.5%的银行占智能风控领先银行的65.4%。表明智能风控建设领先的银行主要为资产规模大、科技投入高、资产质量好的银行。

金融科技投入方面，年金融科技投入超过10亿元的银行智能风控建设完成度达78.9%；大数据平台建设完善的银行智能风控应用率较高，占85.2%；已应用人工智能技术的银行占智能风控领先银行的91.3%。这说明金融科技投入与风控体系升级高度相关。

技术基础设施方面，云计算技术应用率在50%以上的银行智能风控水平明显更高。数据治理能力方面，已建立统一数据标准平台的银行智能风控建设完成度是未建立银行的3.2倍。

为进一步考察不同金融科技应用水平下商业银行风控体系升级行为，本研究依据调查问卷中的金融科技应用水平评价指标体系，将银行分为三类：技术驱动型（金融科技应用水平综合得分前30%）、数据驱动型（得分中间40%）和传统经验型（得分后30%）。从统计数据（表2）可以看出，技术驱动型银行112家，数据驱动型银行141家，传统经验型银行99家，其中已完成智能风控转型的银行占该类型银行比例分别为28.6%、12.1%、3.0%。从中可以得出，目前我国商业银行以数据驱动型为主，总体上风控体系智能化程度较低，而技术驱动型银行风控升级比例最高。

表1 样本基本情况

表2 不同金融科技应用水平下银行风控体系升级行为交汇

四、实证分析

本研究在现有研究成果基础上，结合金融科技应用调查状况，应用SPSS统计软件，采用多元有序Logistic回归分析，深入解析影响商业银行风控体系升级的因素。将银行风控体系升级阶段作为因变量，选择技术基础设施水平、数据治理能力、资产规模、科技人员占比、不良贷款率、金融科技投入、银行类型、人工智能应用这8项指标作为自变量。

（一）模型构建

根据银行风控体系升级阶段分为四类。令“Y=1”表示已完成全面智能风控转型；“Y=2”表示局部智能化改造；“Y=3”表示规划建设阶段；“Y=4”表示尚未启动。设P为因变量升级阶段的累积概率；X为自变量，则银行风控体系升级的影响因素模型为：

logit(P)=ln(P/(1-P))=β0+β1X1+β2X2+…+βkXk

式中：Xi表示影响银行风控体系升级的第i个影响因素，i=1，2，…，k。

（二）回归结果分析

本文运用SPSS 25.0统计软件，使用逐步回归方法对模型进行估计和检验，结果见表3。

表3 基于金融科技应用水平的银行风控体系升级回归分析

注：***、**、*分别表示在10%、5%、1%水平上差异显著，通过检验。

根据模型回归结果显示，最大似然平方的对数值都大于临界值通过检验，用Omnibus进行系数综合检验，卡方值都高于临界值，并且显著性都小于0.05，说明模型总体拟合较好。因此该模型通过检验，可以较好地拟合数据。

从技术基础设施来看，技术基础设施变量对所有三类银行均通过显著性检验，系数分别为0.893、0.542和0.387，说明技术基础设施每提升一个单位，技术驱动型银行风控升级的概率提升幅度最大。这表明技术基础设施是推动风控体系升级的基础条件，对于已经具备技术优势的银行促进作用更为明显。数据治理能力对技术驱动型和数据驱动型银行有显著影响，说明完善的数据治理体系能够有效支撑智能风控系统的建设和运行。

从银行基本情况来看，资产规模对技术驱动型和数据驱动型银行有正向影响，而对传统经验型银行影响不显著。这反映出资产规模较大的银行有更充足的资源投入智能风控建设。科技人员占比对技术驱动型和传统经验型银行均有显著正向影响，说明专业人才是推动风控技术升级的关键要素。不良贷款率对数据驱动型和传统经验型银行有负向影响，分别在5%和1%水平上通过显著性检验。说明资产质量较差的银行更倾向于通过智能风控提升风险管理能力。

从金融科技投入来看，投入水平对所有三类银行均在1%或5%水平上通过显著性检验，系数分别为0.921、0.676和0.415。说明金融科技投入每增加一个单位，技术驱动型银行风控升级的比例波动比传统经验型银行大。进一步分析说明，金融科技投入越高，智能风控系统建设越完善，风险识别能力越强。而人工智能应用变量在三类模型中均通过显著性检验，表明人工智能技术在风险预警、反欺诈等领域的应用对风控升级有显著推动作用。

综上所述，本文研究的结论为：①当前，我国商业银行风控体系智能化程度较低，完成全面转型的银行仅占比9.4%。②在金融科技应用水平存在差异的情况下，银行风控体系升级受不同因素影响。对于技术驱动型银行，风控升级受技术基础设施、数据治理能力、资产规模、科技人员占比、金融科技投入和人工智能应用因素影响显著；对于数据驱动型银行，风控升级受技术基础设施、数据治理能力、资产规模、不良贷款率、金融科技投入、银行类型和人工智能应用因素影响显著；对于传统经验型银行，风控升级受技术基础设施、科技人员占比、不良贷款率、金融科技投入和人工智能应用因素影响显著。③无论在东部地区还是中西部地区，银行地域分布对风控体系升级的影响均不显著。④在技术能力指标中，数据治理能力对技术驱动型和数据驱动型银行影响显著，对传统经验型银行影响不显著。

五、政策建议

（一）加大金融科技研发投入，提升核心技术能力

由于商业银行对金融科技的认知水平和投入力度存在差异，需加强智能风控技术的研发投入。通过设立金融科技专项基金，引导银行增强技术创新意识，扩大技术应用场景。金融监管部门牵头成立金融科技发展联盟，以省分行、市分行为单位，组织技术交流和经验分享，为中小银行提供技术支持和解决方案。同时将传统技术升级与新兴技术应用相结合，推动人工智能、区块链、云计算、大数据在风控领域的深度融合。研究表明，金融科技投入水平较高的银行更注重智能风控建设，可以在这些银行形成示范效应。

（二）构建智能风控平台，完善风控体系架构

通过系统规划，划分传统风控与智能风控的应用边界，同时将规则引擎与机器学习模型进行有效整合，明确智能风控平台的功能模块，突出智能风控的技术优势，提升银行风险识别和预警能力，降低由于信息不对称导致的信贷损失。针对传统风控模式对长尾客群覆盖不足的问题，智能风控更需注重其普惠性，应重视对小微企业和个人消费信贷的风险评估。在欧美等发达国家银行业体系中，实时风控、智能预警等领域已经相当成熟，而我国在这一方面还有待加强，并且中小银行都有迫切需求，因此需要加大此类风控系统的开发，鼓励金融科技公司为中小银行提供技术赋能。

（三）完善数据治理体系，夯实数据基础

随着业务规模的不断扩大，我国商业银行积累了大量客户数据，但数据质量和标准化程度较低。这就需要银行进行数据治理体系建设，统一数据标准，提高数据质量，满足智能风控的真实诉求。同时，发挥数据要素价值，提升风控模型准确率和运行效率，积极建立数据治理水平与业务发展需求、监管合规要求以及技术迭代速度相适应的机制。例如，当前个人隐私保护法规日趋严格，银行应在合法合规前提下，通过联邦学习、隐私计算等技术，在保障数据安全的同时实现数据价值挖掘，为智能风控模型训练提供高质量数据支撑。

（四）强化监管科技应用，完善监管机制

目前，伴随着众多智能风控产品的产生，模型风险也随之滋生，如若银行模型验证不足，容易产生系统性风险，进而对金融稳定造成威胁，难以推动智能风控健康发展。因而，监管部门应落实监管科技建设，建立健全智能风控监管规则体系来规范市场秩序，制定和完善金融科技应用监管的相关法律法规，规范模型验证标准、风险缓释要求等，推进有法可依、依法行政。并且，还可以实施穿透式监管和持续监测，完善风险报送和信息披露制度，进一步防范模型风险和算法歧视。