大數(shù)據(jù)技術(shù)對銀行信貸質(zhì)量的影響

摘要：自2013年大數(shù)據(jù)元年后，各大銀行對于大數(shù)據(jù)的運用進(jìn)入膨脹階段，極大地推動了銀行數(shù)字化轉(zhuǎn)型，文章針對大數(shù)據(jù)應(yīng)用對銀行信貸質(zhì)量的影響展開研究。通過文本分析法，統(tǒng)計上市銀行年報中大數(shù)據(jù)關(guān)鍵詞的出現(xiàn)頻次，并施以熵值法賦權(quán)，構(gòu)造2014—2022年42家上市銀行的非平衡面板，進(jìn)行回歸分析。研究結(jié)果表明：銀行不良貸款與大數(shù)據(jù)使用情況間呈倒“U”型曲線的非線性關(guān)系，推測銀行在應(yīng)用大數(shù)據(jù)技術(shù)初期可能會有所不適應(yīng)，但隨時間推移而緩解；文章選取信息不對稱作為機(jī)制變量，推導(dǎo)大數(shù)據(jù)技術(shù)可以通過緩解信息不對稱效應(yīng)來降低商業(yè)銀行的不良貸款這一傳導(dǎo)機(jī)制，旨在鼓勵商業(yè)銀行積極應(yīng)用大數(shù)據(jù)技術(shù)，提高銀行信貸質(zhì)量，緩解中小型企業(yè)融資困境。

關(guān)鍵詞：大數(shù)據(jù)技術(shù)；信貸質(zhì)量；信息不對稱；不良貸款；商業(yè)銀行

中圖分類號：F832.4文獻(xiàn)標(biāo)識碼：A文章編號：1005-6432（2024）34-0195-06

DOI：10.13939/j.cnki.zgsc.2024.34.047

1引言

近年來，大數(shù)據(jù)、云計算、人工智能與區(qū)塊鏈等數(shù)字技術(shù)越來越廣泛地被應(yīng)用在金融領(lǐng)域。根據(jù)《中國商業(yè)銀行數(shù)字化轉(zhuǎn)型調(diào)查研究》，我國一些大型商業(yè)銀行積極引入大數(shù)據(jù)、云計算等金融科技，其中98%的被調(diào)研銀行都已采用大數(shù)據(jù)技術(shù)。

大數(shù)據(jù)技術(shù)是金融科技的核心驅(qū)動力，具有信息體量大、傳輸速度快、潛在價值高等特點，與金融行業(yè)具有天然的耦合性。商業(yè)銀行主要依靠吸收存款和發(fā)放貸款作為其企業(yè)經(jīng)營發(fā)展的模式，信貸管理對其生存發(fā)展至關(guān)重要。大數(shù)據(jù)技術(shù)能夠從客戶獲取、貸款申請、信用評估、貸款發(fā)放甚至還款管理的全過程提高銀行的風(fēng)險管理水平（黃益平，2021），對商業(yè)銀行信貸風(fēng)險管理的重要意義主要體現(xiàn)在拓展信息獲取渠道、促進(jìn)信貸產(chǎn)品更新?lián)Q代、優(yōu)化信貸風(fēng)險管理程序三方面（單光年，2020）。大數(shù)據(jù)技術(shù)能夠給予銀行更豐富的企業(yè)信息，緩解其面臨的信息不對稱問題，有效提高信貸管理水平和效率，從而降低商業(yè)銀行的不良貸款。因此研究大數(shù)據(jù)對商業(yè)銀行不良貸款的影響機(jī)制，具有重要現(xiàn)實意義。

文章的邊際貢獻(xiàn)為：①大數(shù)據(jù)風(fēng)控模型是目前銀行信貸風(fēng)險管理的主要手段。文章聚焦大數(shù)據(jù)技術(shù)，將研究對象細(xì)化，與研究金融科技整體影響相比更貼近商業(yè)銀行現(xiàn)實情況。②目前對銀行層面大數(shù)據(jù)使用程度的相關(guān)實證分析較少。文章通過文本分析法搜集銀行微觀層面大數(shù)據(jù)關(guān)鍵詞，并采用熵值法綜合計算各商業(yè)銀行大數(shù)據(jù)使用情況。③文章結(jié)合固定效應(yīng)模型和機(jī)制分析，驗證大數(shù)據(jù)技術(shù)對銀行信貸質(zhì)量的影響，識別信息不對稱在其中的傳導(dǎo)機(jī)理，從計量角度擴(kuò)充現(xiàn)有文獻(xiàn)。

2文獻(xiàn)綜述與研究假說

作為金融科技核心驅(qū)動力的大數(shù)據(jù)，目前在各大商業(yè)銀行中應(yīng)用廣泛。一方面，銀企間的信息不對稱是導(dǎo)致商業(yè)銀行不良貸款率升高的主要原因，而大數(shù)據(jù)技術(shù)能夠?qū)π刨J企業(yè)相關(guān)的海量數(shù)據(jù)進(jìn)行分析，使商業(yè)銀行能夠?qū)崟r掌握企業(yè)的經(jīng)營狀況（孫光林和蔣偉，2021），降低信息不對稱水平。另一方面，大數(shù)據(jù)技術(shù)使銀行可以根據(jù)評分模型區(qū)分貸款業(yè)務(wù)的風(fēng)險程度并設(shè)置相應(yīng)的管理規(guī)則，包括客戶準(zhǔn)入、額度調(diào)整、風(fēng)險預(yù)警等內(nèi)容，減少了人工干預(yù)帶來的誤差，從而實現(xiàn)對客戶的自動化管理，提高銀行信貸決策可科學(xué)性。

大數(shù)據(jù)技術(shù)能夠從軟信息硬化、構(gòu)建智能風(fēng)控體系提升商業(yè)銀行信貸風(fēng)險管理水平。具體從貸前篩選環(huán)節(jié)來說，隨著大數(shù)據(jù)技術(shù)在銀行領(lǐng)域的應(yīng)用，貸款方開展經(jīng)營活動的經(jīng)營流水、營收趨勢、財務(wù)狀況等信息更加透明。銀行在發(fā)放貸款之前就可以針對客戶群體進(jìn)行畫像，核定其是否符合信貸標(biāo)準(zhǔn)，決定是否發(fā)放貸款。從貸后風(fēng)險管控角度，大數(shù)據(jù)技術(shù)可以協(xié)助銀行構(gòu)建大數(shù)據(jù)風(fēng)控體系，監(jiān)控中小微企業(yè)的實時信息，更加準(zhǔn)確和穩(wěn)健地預(yù)測違約，從而降低商業(yè)銀行的不良貸款額。

基于以上分析，文章提出基本研究假說1。H1：商業(yè)銀行使用大數(shù)據(jù)技術(shù)能夠有效抑制商業(yè)銀行不良貸款額，兩者呈負(fù)向關(guān)系。

在金融市場中，資金供給方與需求方存在天然的信息不對稱。信息不對稱往往會帶來逆向選擇和道德風(fēng)險的問題。逆向選擇模型認(rèn)為銀行事前不知道借款人的風(fēng)險類型。道德風(fēng)險模型認(rèn)為好借款人道德風(fēng)險不嚴(yán)重，所以不需要提供抵押；差借款人還款積極性差，所以差借款人應(yīng)該提供抵押。然而，隨著金融改革的深入，金融機(jī)構(gòu)市場化競爭加劇，信息不對稱對商業(yè)銀行信貸風(fēng)險的影響不斷加深（武春桃，2016）。研究表明，商業(yè)銀行引入大數(shù)據(jù)技術(shù)、發(fā)展大數(shù)據(jù)信貸模式，有利于收集利用傳統(tǒng)銀行信貸模式中所沒有的信息，改善金融機(jī)構(gòu)的風(fēng)控能力（邱志剛等，2020），從而降低商業(yè)銀行因面臨信息不對稱問題而產(chǎn)生的不良貸款。

基于以上分析，文章提出基本研究假說2。H2：大數(shù)據(jù)技術(shù)緩解了商業(yè)銀行所面臨的信息不對稱問題，有利于銀行在貸款時收集、考慮更全面的信息，從而降低不良貸款。

3模型構(gòu)建與變量說明

3.1數(shù)據(jù)來源

文章研究對象是中國大陸地區(qū)42個A股上市商業(yè)銀行2014—2022年的非平衡面板數(shù)據(jù)。其中，各大商業(yè)銀行年報文本數(shù)據(jù)來自巨潮資訊網(wǎng)，數(shù)字統(tǒng)計數(shù)據(jù)來自國泰安數(shù)據(jù)庫（CSMAR），大數(shù)據(jù)指數(shù)來源于手工統(tǒng)計頻數(shù)后用熵值法處理。

3.2變量說明

3.2.1因變量：商業(yè)銀行不良貸款額（NPL）

文章根據(jù)銀保監(jiān)會規(guī)定的商業(yè)銀行貸款五級分類法（正常、關(guān)注、次級、可疑、損失），用次級、可疑和損失三類貸款進(jìn)行加總衡量商業(yè)銀行不良貸款。對于商業(yè)銀行而言，不良貸款的高低是衡量風(fēng)險程度的重要參考指標(biāo)，不良貸款越高表明商業(yè)銀行面臨的風(fēng)險壓力越大，對銀行可持續(xù)經(jīng)營越不利。

3.2.2核心變量：大數(shù)據(jù)使用指數(shù)（Bigdata）

參考陳敏（2023）的研究，文章構(gòu)建了大數(shù)據(jù)詞庫（見表1）。上市公司的年報是向投資者披露信息的渠道，商業(yè)銀行越多運用大數(shù)據(jù)技術(shù)，就會越多在年報中披露。因此文章采用“文本分析法”，在各商業(yè)銀行的年報中手工搜索、統(tǒng)計出現(xiàn)大數(shù)據(jù)關(guān)鍵詞頻數(shù)?？紤]到每個銀行年報編制者用詞習(xí)慣雖可能不同，但同一銀行年報編制具有前后連續(xù)性，文章采用“熵值法”分別對大數(shù)據(jù)來源、大數(shù)據(jù)特征、大數(shù)據(jù)應(yīng)用以及其他有關(guān)概念進(jìn)行賦權(quán)，通過各年度頻數(shù)波動產(chǎn)生的信息熵來衡量各商業(yè)銀行當(dāng)年大數(shù)據(jù)技術(shù)的使用指數(shù)。

3.2.3機(jī)制變量：信息不對稱程度（Asi）

關(guān)于區(qū)域信息不對稱指標(biāo)，學(xué)界并未形成一個統(tǒng)一的測度指標(biāo)。文章借鑒武春桃（2016）采用銀行貸款數(shù)量與銀行業(yè)務(wù)人員的比值作為衡量指標(biāo)。由于銀行對貸款對象的風(fēng)險評估、資料審核和貸后監(jiān)督等眾多工作都主要通過銀行員工進(jìn)行，而當(dāng)較少的員工來處理過多的信貸資金時，必然加劇銀行的信息不對稱狀況。

3.2.4其他控制變量

借鑒現(xiàn)有學(xué)者研究，文章從銀行層面和國家宏觀角度考察商業(yè)銀行信貸風(fēng)險影響因素。

在銀行層面，控制銀行收入成本比（Cir），以主要控制銀行盈利水平；控制杠桿率（Flr），以控制銀行的穩(wěn)定性及風(fēng)險承受能力；控制銀行總資產(chǎn)對數(shù)（Ltot）和銀行存貸比（Ltdra），以主要控制銀行規(guī)模大小和銀行的負(fù)債結(jié)構(gòu)；控制銀行貸款增長率（Loangrowth），以控制銀行自有資本充足程度及最后償債能力和貸款能力；控制企業(yè)年齡（Age），以控制銀行的經(jīng)驗和專業(yè)知識。文章還控制了撥備覆蓋率（Prov）、貸款增長率（Loangrowth）和營業(yè)收入的對數(shù)（Loperev），筆者還采用貨幣供應(yīng)量（M2）控制宏觀經(jīng)濟(jì)狀況。詳見表2。

熵值法處理公式具體計算公式如下。

步驟一：指標(biāo)標(biāo)準(zhǔn)化。

正向指標(biāo)：Xij=Xij－min{Xij…Xnj}max{Xij…Xnj}－min{Xij…Xnj}

負(fù)向指標(biāo)：Xij=max{Xij…Xnj}－Xijmax{Xij…Xnj}－min{Xij…Xnj}

步驟二：計算熵值。

Pij=Xij∑ni=1Xij步驟三：計算指標(biāo)熵權(quán)。

wj=dj∑mj=1dj

步驟四：計算綜合指數(shù)。

Si=∑mj=1wjpij

3.3計量模型設(shè)定

假設(shè)1，由于銀行的很多風(fēng)險屬性是無法觀察的，比如銀行管理者的風(fēng)險偏好、銀行投資項目的風(fēng)險等，為了克服這些不可觀測變量對估計結(jié)果的影響，文章引入代表這些變量的企業(yè)固定效應(yīng)。用固定效應(yīng)模型剔除不可觀測效應(yīng)對估計結(jié)果的影響，從而獲得一致的估計量。

文章基本模型假設(shè)設(shè)定為：

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

模型中，i代表各上市銀行，t代表年份，β表示模型帶估計參數(shù)，X表示控制變量，fi表示不可觀測的銀行固定效應(yīng)，φt表示時間固定效應(yīng)，ε表示隨機(jī)誤差項。

由于筆者考慮到上市銀行需要數(shù)字化轉(zhuǎn)型，所以應(yīng)用大數(shù)據(jù)技術(shù)不是一蹴而就的。在初期，因為員工對新技術(shù)使用不熟練、數(shù)據(jù)庫構(gòu)建需要一定的時間等因素，銀行在各方面可能無法達(dá)成協(xié)調(diào)，而在后期銀行應(yīng)用大數(shù)據(jù)技術(shù)能力可能會有所提高。為表示非線性影響，文章在模型中加入Bigdata的平方項。

為了驗證假設(shè)2，鑒于目前由于自變量與機(jī)制變量、機(jī)制變量與因變量之間的內(nèi)生性問題是否影響中介效應(yīng)的識別引起學(xué)界的討論。為了探討自變量對因變量影響關(guān)系的形成機(jī)制，文章借鑒江艇（2022）的研究，分析自變量對機(jī)制變量影響關(guān)系，同時利用現(xiàn)有的理論或文獻(xiàn)觀點來闡述機(jī)制變量對因變量的影響關(guān)系，構(gòu)建兩步回歸分析對作用機(jī)制進(jìn)行檢驗：

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是機(jī)制變量，X是控制變量。文章將利用模型（3）實證大數(shù)據(jù)技術(shù)對銀行信息不對稱程度的影響，如果結(jié)果顯著，則結(jié)合現(xiàn)有學(xué)者結(jié)論進(jìn)行理論推演，得出信息不對稱與商業(yè)銀行不良貸款額的關(guān)系，最終推導(dǎo)出大數(shù)據(jù)技術(shù)對銀行信貸質(zhì)量的傳導(dǎo)機(jī)制。

4實證結(jié)果與分析

4.1描述性統(tǒng)計

如表3所示，可以看出不同銀行不同年份大數(shù)據(jù)使用指數(shù)、不良貸款額、資產(chǎn)減值準(zhǔn)備等均表現(xiàn)出較大差異，且各變量基本處于合理范圍之內(nèi)，能夠為基于面板數(shù)據(jù)的研究提供較好的樣本分布基礎(chǔ)。

4.2相關(guān)性分析

針對模型（1），文章采用固定效應(yīng)模型（FEM）進(jìn)行估計，各變量間相關(guān)關(guān)系如表4所示。其中核心解釋變量Bigdata以及與NPL呈負(fù)向關(guān)系，與研究假設(shè)一致，說明假設(shè)成立，即說明銀行應(yīng)用大數(shù)據(jù)技術(shù)能夠有效降低不良貸款額，兩者確實呈反向關(guān)系。

4.3回歸結(jié)果分析

表5顯示基準(zhǔn)回歸模型的估計結(jié)果，其中核心解釋變量Bigdata在1%的顯著性水平上顯著，二次項Bigdata2在5%的顯著性水平下顯著，說明商業(yè)銀行應(yīng)用大數(shù)據(jù)技術(shù)有利于降低不良貸款。

在該模型中，對于Bigdata及其平方項的系數(shù)最值得關(guān)注。文章研究發(fā)現(xiàn)，Bigdata對Npl的影響呈非線性關(guān)系，由二次項系數(shù)可知，總體呈倒“U”型。隨著銀行逐漸應(yīng)用大數(shù)據(jù)技術(shù)，不良貸款額會呈現(xiàn)先升高后降低的趨勢。文章認(rèn)為，可能的原因在于：銀行在應(yīng)用大數(shù)據(jù)技術(shù)初期可能會產(chǎn)生不適應(yīng)的摩擦現(xiàn)象，但隨著時間推移，這種現(xiàn)象會得到緩解。

5作用機(jī)制分析

5.1大數(shù)據(jù)技術(shù)與信息不對稱

商業(yè)銀行的信貸供給過程需要以大量企業(yè)信息為支撐，信息不對稱正是阻礙中小微企業(yè)融資的根本原因（劉音露等，2019）。大數(shù)據(jù)技術(shù)恰恰可借助其信息優(yōu)勢賦能商業(yè)銀行，通過整合借款企業(yè)真實有效信息，挖掘企業(yè)投資價值，引導(dǎo)商業(yè)銀行資金供給與企業(yè)融資需求相匹配，進(jìn)而調(diào)動更多信貸資源流向中小微企業(yè)，真正地服務(wù)于中小微企業(yè)（陳敏等，2019）。

大數(shù)據(jù)對信息不對稱的影響可以分為信息收集階段的便利性以及信息處理方面的優(yōu)越性：借助大數(shù)據(jù)技術(shù)，商業(yè)銀行既能夠更容易地搜集和挖掘與中小微企業(yè)真實經(jīng)營相關(guān)的數(shù)字信息，從而助力中小微企業(yè)緩解與借款企業(yè)的信息不對稱。同時，大數(shù)據(jù)將各類“軟”信息硬化，利用其信息整合、篩選上的比較優(yōu)勢“賦能”于商業(yè)銀行，以較低的邊際成本對其進(jìn)行充分的貸前信息評估，從而高效緩解銀企間的信息不對稱難題。

由回歸結(jié)果可知，大數(shù)據(jù)技術(shù)能夠有效緩解商業(yè)銀行所面臨的銀企間信息不對稱問題，其中一次項系數(shù)為正且P值為0.008，二次項系數(shù)為負(fù)，且P值為0.058，說明大數(shù)據(jù)技術(shù)對信息不對稱具有非線性影響，且其影響呈現(xiàn)為倒“U”型，這與主回歸的影響效應(yīng)一致。

5.2信息不對稱與信貸質(zhì)量

按照前文描述，借款人憑借對自身資產(chǎn)、財務(wù)狀況以及借款目的的了解，擁有更多信息，而銀行則是根據(jù)借款人提供的信息進(jìn)行評估與決策。由此可見，借款人和放貸人之間存在一定程度上的信息不對稱，而文章通過實證檢驗，證明了銀行使用大數(shù)據(jù)技術(shù)能夠有效降低銀行層面所面臨的信息不對稱問題。

程傳勇（2015）認(rèn)為，信貸風(fēng)險的產(chǎn)生主要與信息不對稱相關(guān)，構(gòu)建信貸博弈模型分析了逆向選擇和道德風(fēng)險的問題。在商業(yè)銀行發(fā)放貸款之前，商業(yè)銀行無法確切了解企業(yè)的財務(wù)狀況和信用風(fēng)險，企業(yè)存在粉飾報表以獲取更多資金的動機(jī)，引發(fā)逆向選擇問題，商業(yè)銀行在不知情的情況下放貸給了風(fēng)險較高的企業(yè)。同時，發(fā)放貸款后，銀行也很難了解企業(yè)真實貸款使用情況，如果企業(yè)為了自身利益違反合約，投資高風(fēng)險的項目，最終可能無力償還貸款，引發(fā)道德風(fēng)險問題。最終，商業(yè)銀行迫于無法收回貸款，確認(rèn)不良貸款，降低其信貸質(zhì)量。

目前學(xué)界已有多位學(xué)者通過實證研究證明了信息不對稱與不良貸款之間的關(guān)系。武春桃（2016）的研究表明，信息不對稱加劇了商業(yè)銀行的信貸風(fēng)險，并且這種效應(yīng)對非國有商業(yè)銀行影響更明顯。鮑星等（2022）研究發(fā)現(xiàn)，在信貸層面信息不對稱程度越高的銀行，降低信息不對稱對不良貸款額下降的傳導(dǎo)機(jī)制的效用更大。

綜上所述，商業(yè)銀行使用大數(shù)據(jù)技術(shù)能夠通過降低所面臨的銀企間信息不對稱程度，從而降低商業(yè)銀行不良貸款額、提高信貸質(zhì)量。

6穩(wěn)健性檢驗

為使核心假說的結(jié)果盡可能穩(wěn)定，文章考慮從兩個方面進(jìn)行穩(wěn)健性檢驗，整合后的檢驗結(jié)果見表6。

第一，對被解釋變量使用資產(chǎn)減值（Deval）替代指標(biāo)。資產(chǎn)減值包括銀行對于所有潛在風(fēng)險的估計。不良貸款額的上升可能會滯后于實際風(fēng)險的上升，資產(chǎn)減值能更及時地捕捉到這些風(fēng)險。表中可見，解釋變量對不同被解釋變量所呈現(xiàn)出的敏感性較低，通過檢驗。

第二，在基準(zhǔn)回歸中加入風(fēng)險加權(quán)資產(chǎn)（Rwassets）這一遺漏的變量。風(fēng)險加權(quán)資產(chǎn)涉及了銀行根據(jù)不同資產(chǎn)的風(fēng)險水平來確定其資本儲備的需求。因此，文章考慮將風(fēng)險加權(quán)資產(chǎn)作為遺漏變量添加進(jìn)模型之中。

7結(jié)論與政策建議

研究不良貸款是否可控，對于防范系統(tǒng)金融風(fēng)險具有重要現(xiàn)實意義。文章研究發(fā)現(xiàn)以下三點。

第一，銀行應(yīng)用大數(shù)據(jù)技術(shù)拓寬銀行展開信貸業(yè)務(wù)時獲取信息，有利于銀行信貸決策，從而降低了商業(yè)銀行不良貸款額。

第二，大數(shù)據(jù)技術(shù)對銀行不良貸款具有非線性影響。銀行在應(yīng)用大數(shù)據(jù)技術(shù)初期可能會產(chǎn)生不適應(yīng)的摩擦現(xiàn)象，但隨著時間推移，這種現(xiàn)象會得到緩解，總體呈現(xiàn)倒“U”型。

第三，大數(shù)據(jù)技術(shù)可以通過緩解信息不對稱效應(yīng)來降低商業(yè)銀行不良貸款。即存在“大數(shù)據(jù)技術(shù)使用程度加深→銀行面臨信息不對稱問題緩解→降低商業(yè)銀行不良貸款”的作用機(jī)制。

基于此，文章提出以下政策建議。

第一，對于政府而言，應(yīng)提供支持和鼓勵金融科技創(chuàng)新，推動銀行業(yè)采用新興技術(shù)，使其更準(zhǔn)確地評估客戶信用和風(fēng)險。積極支持銀行和其他金融機(jī)構(gòu)之間的數(shù)據(jù)共享和合作。同時，制定嚴(yán)格的數(shù)據(jù)保護(hù)和隱私政策。

第二，對于銀行而言，應(yīng)加強風(fēng)險管理能力，建立健全的風(fēng)險管理體系和內(nèi)部控制機(jī)制，以應(yīng)對可能出現(xiàn)的風(fēng)險和挑戰(zhàn)。銀行應(yīng)加強對客戶信息的收集和分析，利用大數(shù)據(jù)技術(shù)更好地了解客戶的信用狀況和還款能力，減少不良貸款的發(fā)生。

參考文獻(xiàn)：

［1］黃益平，邱晗.大科技信貸：一個新的信用風(fēng)險管理框架［J］.管理世界，2021，37（2）：2，12-21，50.

［2］單光年.大數(shù)據(jù)背景下商業(yè)銀行信貸風(fēng)險管理策略研究［J］.商業(yè)經(jīng)濟(jì)，2020（8）：164-165.

［3］孫光林，蔣偉.數(shù)字經(jīng)濟(jì)對商業(yè)銀行不良貸款率的影響機(jī)制研究［J］.證券市場導(dǎo)報，2021（5）：37-44，54.

［4］武春桃.信息不對稱對商業(yè)銀行信貸風(fēng)險的影響［J］.經(jīng)濟(jì)經(jīng)緯，2016，33（1）：144-149.

［5］江艇.因果推斷經(jīng)驗研究中的中介效應(yīng)與調(diào)節(jié)效應(yīng)［J］.中國工業(yè)經(jīng)濟(jì)，2022（5）：100-120.

［6］程傳勇.基于信息不對稱視角下的商業(yè)銀行信貸風(fēng)險博弈分析［J］.湖北社會科學(xué)，2015（11）：90-96.