原标题：《新金融》|李肇宁等《数据要素强度能改善商业银行经营绩效吗？》
本文来源《新金融》2026年第2期
作者简介：
李肇宁 个人金融业务部总经理
吴沁雯（通信作者） 交通银行博士后科研工作站
摘要：在数字化浪潮重塑金融业格局的当下，数据要素的价值创造机制亟待深入研究。本文实证研究了数据要素强度对商业银行经营绩效的影响。研究发现，数据要素强度显著提升了商业银行的净息差。异质性分析表明，在上市年限较长、资产增长率较高及创新能力较强的银行中，数据要素对净息差的正向影响更为显著。进一步分析发现，数据要素不仅促进了存贷款业务增长，还能够降低不良贷款率和成本收入比，最终提升了银行的市场估值和盈利表现。因此，数据要素强度能够从多维度起到改善商业银行经营绩效的作用。本文从生产要素视角拓展了数据要素影响银行绩效的理论框架，并为商业银行在数字化转型中制定差异化数据战略提供了实证依据和政策启示。
引用格式：李肇宁，吴沁雯，2026．数据要素强度能改善商业银行经营绩效吗？．新金融（2）：24-34．
全文内容
数据要素强度能改善商业银行经营绩效吗？
一
引言
在数字经济快速发展的背景下，数据要素已成为推动金融行业转型升级的重要生产要素。数据要素的广泛应用正深刻影响银行的核心盈利能力。然而，尽管数据要素的重要性日益凸显，当前关于其如何影响商业银行的核心盈利指标——净息差的系统性研究仍然有限，尤其是数据要素的作用是否受到银行自身特征调节，这一问题仍未得到充分探讨。因此，深入研究数据要素与银行净息差之间的关系，不仅具有重要的理论价值，也能为数据要素赋能商业银行业务发展提供实证依据。
现有文献已广泛探讨了商业银行盈利能力的决定因素。但这些研究主要关注数据技术在银行业务中的应用场景，较少从数据要素作为整体性生产要素的角度出发，系统性地分析其对商业银行盈利能力的影响。因此，本文将在以往研究的基础上，进一步深化对数据要素如何影响银行盈利能力的理解。
数据要素强度是商业银行利用数据要素开展业务的程度。银行可以将数据要素应用于精准营销、风险控制、流程优化等方面，从而对经营绩效产生积极影响。数据要素强度越大，意味着银行应用数据要素开展业务经营的程度越深。本文利用商业银行层面的数据，探讨了数据要素强度对商业银行净息差（net interest margin，NIM）的影响。研究发现，数据要素强度能够提升商业银行净息差。异质性分析的结果显示，上市年限较长、资产增长率较高、创新能力较强的银行能够放大数据要素对净息差的积极影响。最后，数据要素还能够从存贷款增长、经营效率和业绩表现等多维度提升银行的经营绩效。
本文的研究贡献主要体现在以下几个方面。第一，拓展了数据要素对商业银行盈利能力的研究视角。以往研究主要关注数据技术在银行业务中的应用，而本文从生产要素视角出发，系统性地分析了数据要素对银行净息差的影响，为理解数字经济背景下银行盈利模式的变革提供了新的理论框架。第二，研究引入银行自身特征作为调节变量，探讨数据要素对净息差的异质性作用。通过考察上市年限、资产增长率和创新能力的调节效应，揭示了不同类型银行在数据要素应用上的差异，为商业银行在数字化转型过程中制定个性化经营策略提供了有益的参考。
二
文献综述和假说提出
（一）数据要素强度对银行经营绩效的影响
数据要素的深化应用能够显著提高银行的风险定价能力，从而优化贷款定价并提高利息收入。传统上，银行主要依赖企业财务报表、信用评级等有限信息进行授信决策，而数据要素的丰富性和实时性使得银行能够更加精准地刻画借款人的信用状况（Fuster et al．，2019）。大数据分析、人工智能（AI）和机器学习（ML）技术的应用，使银行可以更精确地进行风险分类，从而实现更合理的利率定价（Philippon，2016）。银行可以利用非结构化数据评估借款人的还款能力，并在风险可控的前提下，提高贷款利率水平以增加收益（Frost et al．，2019）。更精准的风险定价不仅能够降低信用违约风险，还能有效提高银行的资产端收益，从而提升净息差。
数据要素的应用不仅影响资产端的定价能力，也能够降低银行的资金成本。一方面，数据驱动的精准营销可以帮助银行优化负债结构，提高稳定性存款比例（Gomber et al．，2017）。通过分析客户的存款行为和现金流模式，银行可以推出更符合客户需求的定制化存款产品，吸引长期存款，从而降低对短期、高成本资金的依赖（Boot et al．，2021）。另一方面，数据驱动的流动性管理能够提升银行的资金使用效率，从而降低整体资金成本（Buchak et al．，2018）。此外，数字化风控体系能够减少由于信息不对称导致的过度资本准备，提高资金配置效率，使银行在降低资本成本的同时优化净息差（Tang，2019）。
数据要素的深化应用还能够通过提升银行运营效率，进一步降低运营成本，进而改善净息差。数字化转型使银行可以借助智能客服、自动化信贷审批、精准营销等手段，大幅提升业务处理效率（Vives，2019）。例如，AI技术能够自动化处理贷款审批流程，减少人工审核成本，同时提升审批效率，缩短放款时间（Berg et al．，2020）。此外，智能风控系统能够降低贷款逾期和违约风险，减少坏账损失，提高整体运营效率（Frost et al．，2019）。随着数据要素的广泛应用，商业银行逐步向轻资产运营模式转型，降低固定成本，从而对净息差形成正向支撑。综上所述，提出假说H1。
H1：商业银行的数据要素强度与其净息差正相关。
（二）上市年限的异质性分析
商业银行的上市年限是衡量其市场经验、经营管理能力以及对行业变革适应性的关键指标。首先，随着上市年限的增加，银行在信息管理、风险控制和数字化转型等方面逐步积累经验，使其能够更高效地利用数据要素，优化经营策略，进而影响净息差的变化。相比新兴银行，长期运营的银行通常在风险定价、资产管理和客户关系维护方面建立了更为成熟的管理体系，而数据要素的引入能够进一步提高这些业务环节的效率和精准度。
其次，上市年限较长的银行在数据治理方面通常具备更深厚的基础。这些银行往往已经建立了完善的数据管理体系，并在数字化基础设施、信息系统建设和金融科技应用方面进行了长期投入。这使得它们在数据采集、存储、分析及应用方面具有显著优势，从而能够更有效地将数据要素融入经营管理之中（Gomber et al．，2017）。同时，经验丰富的银行更容易形成“数据驱动决策”文化，在存贷款定价、精准营销和风险控制等领域更广泛地应用数据分析技术，以提高业务运营效率，从而进一步放大数据要素对净息差的正向影响。
最后，长期运营的银行不仅在技术和管理能力上具备优势，其人才储备和组织能力也有助于提升数据要素的应用效率。随着上市年限的增长，银行通常会积累更多数据分析和金融科技方面的专业人才，这些人才的长期沉淀使得银行在数据驱动决策、智能风控和市场预测方面更加高效（Boot et al．，2021）。此外，长期经营的银行在市场竞争中不断调整战略，形成稳定的数字化经营模式，能够更精准地利用数据要素优化存贷款结构，提高资金配置效率，降低资本成本，并通过数据分析技术预测市场趋势，增强自身竞争力（Vives，2019）。这一系列因素共同作用，使得上市年限较长的银行能够更充分地发挥数据要素的价值，从而在优化经营效率的同时提升净息差。根据上述分析，提出假说H2。
H2：商业银行上市年限越长，数据要素强度对其净息差的正向影响越强。
（三）资产增长率的异质性分析
资产增长率是衡量商业银行发展潜力、市场竞争力及经营稳定性的关键指标。在数据要素日益成为金融行业核心生产要素的背景下，资产增长率较高的商业银行往往更有动力、更有能力投入数据资源，以优化经营管理，提高资金配置效率，从而进一步提升净息差。
首先，资产增长率较高的商业银行通常面临更大的资产管理需求。随着资产规模的扩张，银行需要更加精细化的风险管理手段来保障资金安全，并优化存贷款结构。数据要素的广泛应用能够显著提升银行的信贷风控能力，通过大数据分析、机器学习等技术，银行可以更精准地评估借款人信用状况，提高贷款定价的精准度，从而增加利息收入。此外，数据驱动的流动性管理能够帮助银行在资产快速扩张的同时维持资金稳定性，降低资金成本，提高净息差。相比之下，资产增长率较低的银行可能对数据要素的需求不够迫切，从而削弱数据要素对净息差的提升作用。
其次，资产增长率较高的银行往往更具备数字化转型的动力和资源。较快的资产扩张通常伴随着业务模式的创新和市场竞争的加剧，这使得银行更愿意采用先进的数据分析工具来提高运营效率和市场响应能力（Boot et al．，2021）。在这种情况下，数据要素可以帮助银行实现更精准的客户细分、优化贷款审批流程，并提升精准营销能力。相比之下，资产增长缓慢的银行可能对传统模式依赖较大，在数据应用上的投入有限，使得数据要素的效能难以充分发挥。
最后，资产增长率较高的银行往往面临更大的市场竞争压力，这促使它们更加依赖数据要素来优化经营管理，提升竞争力。在竞争激烈的金融市场环境中，银行需要快速响应市场需求、动态调整利率策略并优化客户服务体验，以获取更大的市场份额。数据要素的深入应用可以帮助银行实时监测市场变化，调整利率策略，使其在保持贷款收益的同时降低资金成本，最终提升净息差（Tang，2019）。而资产增长较慢的银行可能缺乏市场竞争的紧迫性，对数据要素的依赖度较低，因此数据要素对其净息差的影响相对较弱。基于上述分析，提出假说H3。
H3：商业银行资产增长率越高，数据要素强度对其净息差的正向影响越强。
（四）创新能力的异质性分析
创新能力是商业银行在数字化转型过程中提升竞争力、优化业务流程和实现可持续增长的重要。在数字经济时代，数据要素已成为银行核心生产要素之一，而创新能力强的银行通常具备更完善的技术基础、更先进的管理模式以及更强的资源整合能力，使其能够更高效地利用数据要素优化业务流程，提高盈利能力，进而增强数据要素对净息差的正向影响。
首先，创新能力强的商业银行更善于利用数据要素优化信贷风控和定价策略，提高贷款利率收益并降低信用风险。创新能力强的银行可以结合客户非结构化数据进行信用评估，降低信息不对称，从而优化贷款定价，提高资产端收益（Fuster et al．，2019）。相比之下，创新能力较弱的银行往往依赖传统信贷评估方法，无法充分利用数据要素提升贷款收益，从而削弱数据要素对净息差的促进作用。
其次，创新能力强的银行在数字化转型过程中通常能够开发并应用先进的金融科技工具，提高运营效率并降低成本。数据要素的应用需要强大的技术支持，包括高效的数据处理能力、智能决策系统和自动化运营工具。创新能力强的银行通常已经建立了完善的数据治理体系，并通过人工智能、区块链、云计算等技术手段，实现自动化风控、智能客服、精准营销等功能，从而降低运营成本，提高资金使用效率（Gomber et al．，2017）。相较而言，创新能力较弱的银行在数字化基础设施和数据分析能力方面存在短板，使得数据要素的价值难以充分发挥，导致其对净息差的影响相对较弱。
最后，创新能力强的银行通常更加积极地拓展新兴金融业务，提高数据要素的应用深度和广度。例如，开放银行、数字支付、智能投顾等创新业务模式的兴起，使得银行能够更全面地收集、分析和利用数据要素，从而优化存贷款业务结构，提高资金配置效率（Boot et al．，2021）。同时，这些创新业务能够吸引更多低成本资金，提高存款稳定性，降低银行负债端成本，进而扩大净息差（Buchak et al．，2018）。相比之下，创新能力较弱的银行在新业务模式的探索上较为保守，数据要素的应用受限，导致其在优化净息差方面的效果相对有限。据此，提出假说H4。
H4：商业银行创新能力越强，数据要素强度对其净息差的正向影响越强。
三
研究设计
（一）样本选择与数据来源
本文选择2007—2023年的A股上市银行作为初始研究样本，构造面板数据进行回归分析。中国于2007年开始实施新会计准则，为了保证财务数据可比性，以2007年作为样本起始年份。本文对样本进行了如下筛选过程：（1）剔除无法取得年报中数据相关词汇数的样本。（2）剔除回归中所需变量缺失的样本。最终获得321个银行-年度作为本文的研究样本。
本文利用Python处理银行年报文本，构造核心自变量DA。其他变量均来自CSMAR数据库。为了避免异常值产生的影响，对所有连续变量在1%与99%水平上进行了缩尾（winsorize）处理。为了降低不可观测因素对回归结果的影响，回归分析控制了省份固定效应和年度固定效应。为保证结果的稳健性，对估计的标准误进行了异方差调整。
（二）模型建立与变量定义
参考谢绚丽等（2022），本文建立如下回归模型来检验商业银行数据要素强度与净息差的关系：
在公式（1）中，因变量为净息差（NIM），用银行净利息收入和银行全部生息资产的比值来度量。核心自变量为数据要素强度DA。参考何瑛等（2024），采用“构建种子词汇+提取和统计企业年报关键词”的文本分析方法，构造变量度量银行的数据要素强度。1为数据要素强度DA的回归系数。Controls为控制变量。参考谢绚丽等（2022）、王金涛（2024），本文选择银行规模（Size）、独立董事比例（Indeprate）、总资产收益率（ROA）、资本充足率（CapAdeqRatio）、存贷比（LoanToDeposit）、第一大股东持股比例（TopShrHolder）、所有者权益占总资产比重（EquityToAsset）、贷款占总资产比重（LoanToAsset）作为控制变量。n为控制变量的回归系数。回归中还控制了年份固定效应和省份固定效应，用FE表示。i，t代表随机扰动项。变量的具体定义和度量方式见表1。
四
实证分析
（一）描述性统计
表2报告了主要变量的描述性统计结果。样本中共包括321个银行-年度观测值。因变量净息差（NIM）的平均数为0.024，说明银行的净息差平均为2.4%。净息差最小值为0.014，最大值为0.035，与已有文献和银行经营实际保持一致。核心自变量数据要素强度（DA）的均值为2.585，将对数还原成原始数值后为13.26，说明平均而言银行年报中包含13.26个与数据要素相关的词汇。最小值为0，说明有的银行并未在年报中提及数据要素相关词汇。最大值为4.174，即样本银行年报中最多提到64.97个数据要素相关词汇。以上结果说明银行数据要素强度在样本中存在较大的差异，为实证分析提供了基础。其他变量与已有文献保持一致，因此不再赘述。
（二）主回归结果
表3展示了数据要素强度与商业银行净息差的回归结果。第（1）列加入了控制变量，并控制了年份固定效应。DA的回归系数在1%的水平上显著为正，说明数据要素强度越大，商业银行净息差越高。第（2）列在第（1）列的基础上进一步控制了省份固定效应。DA的系数仍然在1%的水平上显著为正，与第（1）列的结果保持一致。表3的回归结果一致说明，数据要素强度对商业银行净息差有显著的正向影响，即数据要素强度越大，商业银行的净息差越能得到明显的改善。
（三）异质性分析
前文的回归结果验证了商业银行的数据要素强度越高，净息差越高。在异质性分析中，本文进一步探究上述关系在何种情况下更为显著。
第一，上市年限的影响。商业银行上市年限越长，经营管理经验就越丰富，数字化转型的程度也越深。数字化转型程度高的商业银行，有更完善的数据平台、人员队伍、管理经验，有助于更好地使用数据要素，充分发挥数据要素价值，最大化数据要素助力商业银行经营管理的价值。因此，预期上市年限会对数据要素强度对商业银行净息差的影响产生正向调节作用。
第二，资产增长率的影响。资产规模对于商业银行来说是非常重要的指标。一方面，资产规模越大，商业银行的抗风险能力越强，存贷款结构越有韧性。较高的总资产增长率意味着商业银行的发展前景更加乐观。因此，这类银行更有动力投身于数字化转型的浪潮之中，更有实力加大在数据要素方面的投入，利用数字化手段提高经营管理的效率。另一方面，资产增长率高的商业银行可能也面临着更大的资产管理压力，更需要有效利用数字化经营手段进行精准营销，在保障银行资产规模扩张的同时优化存贷款结构和资源投入方向，防范和化解系统性风险。上述两方面因素共同影响，促使资产增长率高的银行充分利用数据要素。因此，预期资产增长率会对数据要素强度对商业银行净息差的影响产生正向调节作用。
第三，创新能力的影响。创新能力与商业银行数字化转型紧密相关。数字化转型程度深的银行，创新能力往往也越强。数字化转型进程中离不开对于新技术、新发明的探索。在数字化转型的过程中会衍生出一系列专利成果，包括数据管理工具、数据治理平台建设等，从而有助于银行更好地利用数据要素。因此，预期创新能力会对数据要素强度对商业银行净息差的影响产生正向调节作用。
为了验证上述三条路径，本文对主要结果进行了异质性分析。首先，定义Age为上市年限的自然对数，构造DA与上市年限（Age）的交乘项，把交乘项纳入回归模型之中。结果如表4第（1）列所示。回归结果显示，DAAge的回归系数显著为正，说明上市年限能在数据要素强度对商业银行净息差的影响方面发挥正向调节作用。同时DA的回归系数依然为正，进一步说明了数据要素强度对净息差的积极影响。
其次，定义Agr为商业银行的资产增长率，重点关注数据要素强度与资产增长率的交乘项DAAgr，回归结果如表4第（2）列所示。回归结果显示，DAAgr的回归系数显著为正，说明资产增长率能在数据要素强度对商业银行净息差的影响方面发挥正向调节作用。
最后，定义Ptt为1+当年申请的专利数的自然对数，用来度量商业银行的创新能力。构造数据要素强度DA与Ptt的交乘项，纳入回归模型之中。结果如表4第（3）列所示。回归结果显示，DAPtt的回归系数显著为正，说明创新能力能在数据要素强度对商业银行净息差的影响方面发挥正向调节作用。
（四）稳健性检验
为了验证主要回归结果的可靠性与稳健性，本文通过更换数据要素强度的度量方式、删除存贷款规模过低的样本、自变量滞后一期、增加宏观经济层面的控制变量等手段重复主回归的结果。
第一，在主回归中采用了1+商业银行年报中数据相关词汇的自然对数来度量银行的数据要素强度。考虑到年报长度对数据要素强度的影响，在稳健性检验中，采用商业银行年报中数据相关词汇数除以年报总词汇数（DA2）度量数据要素强度。回归结果如表5第（1）列所示。DA2的系数仍然在1%的水平上显著为正，与前文保持一致。该结果进一步说明了数据要素强度对商业银行净息差的正向影响。
第二，存贷款规模可能会影响回归结果。存贷款规模较小的银行，净息差的稳定性可能较差，从而给回归结果带来一定的噪声。因此，剔除存款规模小于1000亿元和贷款规模小于1000亿元的样本，重复进行主回归的检验。表5第（2）列展示了剔除存款规模小于1000亿元的样本的回归结果。DA的系数在1%的水平上显著为正。表5第（3）列展示了剔除贷款规模小于1000亿元的样本的回归结果。DA的系数同样在1%的水平上显著为正。由此说明回归结果不受存贷款规模的影响。
第三，本文的回归模型可能在一定程度上存在反向因果的问题，经营绩效好的公司可能更愿意披露数据治理相关战略。为了尽可能缓解潜在的内生性问题，本文采用滞后一期的DA（LagDA）作为自变量，重复进行主回归的检验。回归结果如表5第（4）列所示。LagDA的回归系数为0.001，在1%的水平上显著，缓解了反向因果问题对回归结果的影响。
五
进一步分析
（一）数据要素强度与存贷业务
前文验证了商业银行数据要素强度越大，净息差越高，且上市年限、资产增长率、创新能力对上述结论存在调节效应。接下来，本文进一步分析引入数据要素对商业银行业务经营产生的影响。从存贷款业务增长的角度来说，数据要素能够助力商业银行实现精准营销，更好地开展存贷款业务。将数据要素应用于业务开展的过程中，有利于银行充分挖掘潜在客户，抢占市场份额，实现业务快速增长。因此，预期数据要素强度越大，商业银行存贷款增长率越高。
表6展示了数据要素强度与商业银行存贷款增长率的回归结果。第（1）列的因变量是存款增长率（DepositInc），DA的回归系数为0.012，在1%的水平上显著，验证了数据要素强度对存款增长率的正向影响。第（2）列的因变量是贷款增长率（LoanInc），DA的回归系数为0.007，在10%的水平上显著，说明数据要素能够起到提升贷款增长率的作用。上述结果一致说明，数据要素能够助力存贷款业务的开展，实现存贷款增长率的提升。
（二）数据要素强度与经营效率
从经营效率的角度来说，数据要素能够提升商业银行的经营效率。将数据要素应用于营销、风控业务之中，一方面，能够优化信贷资源配置，利用大数据分析手段将贷款投放到资质较优且贷款意愿较强的客户处，尽量实现量价险的平衡，从而降低不良贷款率。另一方面，将数据要素融入银行日常经营管理之中，有助于实现降本增效，提高经营效率，降低成本收入比。
综上所述，本文采用不良贷款率（BadLoan）和成本收入比（CostToRev）度量经营效率，考察数据要素强度对商业银行经营效率的影响。回归结果如表7所示。第（1）列以不良贷款率（BadLoan）为因变量，DA的系数为-0.060，在5%的水平上显著，说明数据要素强度越大，不良贷款率越低。第（2）列以成本收入比（CostToRev）为因变量，DA的系数为-0.005，在10%水平上显著为负，验证了数据要素强度能够降低商业银行的成本收入比。上述结果一致说明，数据要素能够提升商业银行的经营效率，降低不良贷款率和成本收入比。
（三）数据要素强度与业绩表现
从业绩表现的角度来说，数据要素对净息差、存贷款增长率和经营效率的积极影响，最终会体现在业绩表现之中。一方面，数据要素强度高，存贷款增长率高，意味着商业银行有着更好的发展前景，因此市场对其会有更乐观的估值，从而改善市值指标。另一方面，数据要素的使用能够起到降本增效的作用，提升商业银行的盈利能力，从而改善利润指标。
为了验证上述效应，本文采用Tobinq（托宾q）作为市值指标，EPS（每股净收益）作为利润指标，研究数据要素强度是否能提升商业银行的业绩表现。回归结果如表8所示。第（1）列的因变量为Tobinq，DA的系数为0.003，在10%的水平上显著，说明数据要素强度越大，市场对商业银行的前景预期越乐观。第（2）列的因变量为EPS，DA的系数为0.076，在1%的水平上显著。该结果验证了数据要素的使用能够降低商业银行的经营成本，从而改善盈利指标。上述结果一致说明，数据要素能够改善商业银行的业绩表现，其市场表现和盈利表现均能得到提升。
六
结论与启示
本文基于2007—2023年中国上市银行的面板数据，实证研究了数据要素强度对商业银行净息差的影响，并进一步分析了其在存贷款业务、经营效率与业绩表现方面的作用机制。研究结果表明，数据要素强度的提升显著提高了商业银行的净息差，在控制了一系列银行特征变量与固定效应后，该结论依然稳健。异质性分析显示，数据要素对净息差的影响因银行自身特征而存在差异。研究发现，上市年限较长的银行具备更丰富的经营管理经验和更深厚的数字化转型基础，因此数据要素的作用更为显著。同样，资产增长率较高的银行由于更倾向于加大数字化投入，并利用数据优化信贷资源配置，因此数据要素的作用也更加明显。此外，创新能力较强的银行能够更高效地运用数据技术，进一步放大数据要素对净息差的正向影响。稳健性检验表明，更换数据要素强度的衡量方式及剔除存贷款规模较小的样本后，核心结论依然成立。
进一步分析发现，数据要素不仅通过优化存贷款结构促进业务增长，还通过提升风控精度与运营效率降低不良贷款率与成本收入比，最终反映为市场估值和盈利能力的显著提升。这些结果一致表明，数据要素在商业银行的数字化转型中发挥着核心作用，是提升其综合绩效与市场竞争力的关键因素。
基于以上研究结论，本文提出以下政策建议。
第一，商业银行应加大对数据要素的投入与应用，推动数据驱动型决策文化的形成。通过构建完善的数据治理体系、引入先进的分析工具与技术，提升数据在信贷定价、风险管理、客户营销等核心业务中的应用深度，从而优化资产负债结构，增强盈利能力。
第二，银行应结合自身特征制定差异化的数据战略。上市时间较长、资产增长较快或创新能力较强的银行，可更充分发挥数据要素的增值效应。而相对落后的银行则应加快数字化基础设施和人才队伍建设，弥补数据应用能力的短板。
第三，监管部门应继续完善数据要素市场的制度建设，推动数据安全、合规共享与流通，为银行提供更加丰富、高质量的数据资源。同时，鼓励银行开展金融科技创新，支持其在风险可控的前提下探索数据赋能的新业务模式。
为阅读及排版便利，本文删去了注释与参考文献等内容，敬请有需要的读者参考原文。
