四国商业银行零售和对公业务不良贷款率与科技投入关系分析

作者：金融界银行研究院院长陈国汪

本文选取美国、德国、英国、日本四个主要经济体的11家全球系统重要性上市银行作为研究样本。

一、整体样本回归结果

科技投入对零售贷款不良生成率的降低效应显著强于对公贷款。滞后2年的科技投入占比与零售贷款不良生成率的回归系数为-0.28，在1%的水平上显著，即科技投入占比每提高1个百分点，2年后银行整体零售贷款不良生成率平均下降0.28个百分点；而滞后2年的科技投入占比与对公贷款不良生成率的回归系数仅为-0.09，仅在10%的水平上显著，即科技投入占比每提高1个百分点，2年后对公贷款不良生成率平均仅下降0.09个百分点。

二、不同国家回归结果

（一）美国：零售业务科技投入效果全球领先

美国结果显示，滞后2年的科技投入占比与零售贷款不良生成率的回归系数为-0.37，在1%的水平上显著，即科技投入占比每提高1个百分点，2年后美国银行零售不良生成率平均下降0.37个百分点。美国银行滞后2年的科技投入占比与对公贷款不良生成率的回归系数为-0.15，在5%的水平上显著，即科技投入占比每提高1个百分点，2年后对公不良生成率平均下降0.15个百分点。这主要得益于美国银行业在中小企业贷款和供应链金融领域的科技应用创新。

（二）英国：零售业务效果接近美国

英国银行业滞后2年的科技投入占比与零售贷款不良生成率的回归系数为-0.29，在1%的水平上显著。滞后2年的科技投入占比与对公贷款不良生成率的回归系数仅为-0.07，在统计上不显著。这主要是因为英国大型银行的对公客户以大型跨国企业和政府机构为主，传统的风控方法已经能够有效管理，科技投入的边际效应很小。

（三）德国：整体均较弱

德国银行业对公业务的科技投入效果略好于零售业务。滞后2年的科技投入占比与对公贷款不良生成率的回归系数为-0.12，与零售贷款不良生成率的回归系数为-0.08，都仅在10%的水平上显著。德国银行业的零售业务以住房抵押贷款为主，科技投入的作用主要体现在抵押物估值自动化和流程优化上，对降低不良率的直接影响有限。

（四）日本：均不显著

日本银行业零售和对公业务科技投入对不良贷款生成率的影响均在统计上不显著。在零售业务方面，日本银行业的零售贷款以住房抵押贷款为主，且日本的个人信用体系非常完善，传统的风控方法已经能够有效管理风险。在对公业务方面，日本银行业的客户以大型企业和政府机构为主，这些客户的信用风险较低，科技投入改善风控余地较小。

三、分业务条线效果差异的深层次原因

第一，数据可得性和标准化程度的差异是最核心的原因。零售信贷业务涉及海量的个人客户，每个客户都有丰富的结构化数据，包括身份信息、银行流水、消费记录、征信记录、社交数据等，这些数据标准化程度高，非常适合用于训练机器学习模型。而对公信贷业务涉及的企业客户数量相对较少，且每个企业的情况都千差万别，除了财务报表等结构化数据外，还存在大量的非结构化软信息，如企业管理层的能力、行业地位、供应链关系等，这些信息难以量化和标准化，传统的大数据模型难以有效处理。

第二，业务流程的标准化程度不同。零售信贷业务的流程高度标准化，从客户申请、信用评估、贷款审批到贷后管理，都可以通过系统实现全流程自动化。而对公信贷业务的流程则非常个性化，不同行业、不同规模、不同风险等级的企业，其信贷审批流程和风控要求都有很大差异，难以实现完全的自动化。

第三，风险特征的差异。零售信贷的风险具有分散性和统计规律性，单笔贷款的金额小，即使出现违约，对银行整体资产质量的影响也有限，银行可以通过大数定律来管理风险。而对公信贷的风险则具有集中性和突发性，单笔贷款的金额大，一旦出现违约，可能会对银行造成重大损失，且企业违约往往受到宏观经济、行业周期、管理层变动等多种复杂因素的影响，难以通过历史数据进行准确预测。

第四，科技应用的成熟度不同。零售信贷风控是金融科技应用最早、最成熟的领域，经过多年的发展，已经形成了一套完整的技术体系和方法论，包括信用评分模型、欺诈检测模型、催收模型等。而对公信贷风控的科技应用则相对滞后，目前仍处于探索阶段，大多数银行的对公风控系统仍然以流程管理为主，缺乏真正的智能决策能力。

四、有关结论

第一，科技投入对银行不良贷款率的降低效应主要体现在零售业务领域，对公业务的效果非常有限。第二，在零售业务内部，信用卡和个人消费贷的科技投入效果最为显著，住房抵押贷款由于抵押物的存在，边际效应相对。第三，在对公业务内部，中小企业贷款和供应链金融的科技投入效果相对较好，大型企业贷款的效果几乎可以忽略不计。第四，不同国家的业务结构差异决定了科技投入的整体效果，以零售业务为主的国家科技投入效果更好，以对公业务为主的国家效果有限。