【农业银行A支行数字化转型情况的调研报告（论文）18000字】

农业银行A支行数字化转型情况的调研分析报告目录TOC\o"1-2"\h\u26612农业银行A支行数字化转型情况的调研分析报告 16770第1章农业银行A支行基本情况与数字化发展现状 175161.1农业银行A支行基本情况 1239031.2商业银行数字化转型影响因素的实证分析 2151731.3农业银行A支行转型的必要性及可行性 679901.4农业银行A支行数字化转型历程及主要举措 913354第2章A支行数字化转型渠道及成效调研分析 11178932.1调查设计 1197562.2调查结果分析 11285932.3农业银行A支行数字化转型提升经营能力的分析 1953692.4农业银行A支行数字化转型运营成效分析 22第1章农业银行A支行基本情况与数字化发展现状1.1农业银行A支行基本情况1.1.1基本情况中国农业银行（AGRICULTURALBANKOFCHINA）成立于1951年。近年来，农业银行秉承“立足本土，全球运作”的发展战略，积极融入国内外金融大环境，成为国际金融市场的主流力量。农业银行A支行成立于1990年4月，作为一家国有控股的银行，其主营业务包括，吸收公众存款；发放短期、中期、长期贷款；办理国内外结算；办理票据承兑与贴现等；经国务院银行业监督管理机构等监管部门批准的其他业务。1.1.2机构设置及人员构成农业银行A支行是一家二级支行。目前该行共有员工200多人，分为综合管理部，公司业务部，个人金融部，运营财会部，共有10个网点。客户经理岗位30余人，以90后为主力，青年员工教育水平良好，为本科及研究生学历，团队整体年轻化，素质高、学习适应能力强。机构人员设置如下：图3-1组织架构1.1.3主要业务经营状况A支行目前运营的六大业务板块：货币市场业务板块、交易业务板块、贵金属业务板块、债券承分销业务板块、理财业务板块、票据业务板块。A支行的收益来源于利息收入以及手续费佣金等，具体如表3-1所示：表3-1中国农业银行A支行利息收入表2017年2018年2019年2020年2021年利息净收入（万元）601.2651.8732.94836.58941.8系统内往来净收入（万元）141.69162.76172.84191.95211.74手续费及佣金净收入（万元）69.167.9867.7379.862.52数据来源：中国农业银行A支行2017-2021年财务报表可以看出该银行近五年的收益基本上都是处于上升的，2020年以及2021年的利息净收入增长幅度相对较大，其系统内往来净收入以及手续费及佣金收入在这五个年度内均没有较大的变动，手续费及佣金收入在2021年的时候较上年有所下降。1.2商业银行数字化转型影响因素的实证分析1.2.1影响因素分析（1）数字化技术用；本质上来讲数字化技术脱胎于“互联网+”，因此数字化技术可以理解为“互联网+数字”。顾名思义，“数字化技术”就是可以通过互联网将一部分东西转化为表面上的“数字”，“移动支付”就是数字化技术典型的代表。（2）数字化服务能力数字化的服务能力将会前所未有地提高交易效率，货币流动速度会得到加快，至少相对于之前需要纸质货币才能交易地时代，这样的结果是显而易见的，由于货币流动速度得到加快，间接的促进了商业银行的收入也是无可厚非的，在长期中，这种数字化服务能力的技术对商业银行的各方面的促进作用将会更加明显。（3）银行的策略和结构在数字化技术大行其道的今天，商业银行对于数字化的策略和结构只有积极接受并且在自身基础上不断适应，例如根据新的数字技术——“移动支付”开发网上银行新功能，从而极大的精简了银行部门与机构；采用人工智能机器代替，在这种数字化技术的应用下，商业银行的策略和结构都将发生如上述的巨大变化。（4）政府相关政策政府部门对于数字化技术采取积极接受的方式，只是其中的流程较复杂，一时也不可能采用人工智能代替，目前来看，这还是一个长远的工程。1.2.2指标选取金融科技时代商业银行的数字化转型研究，就研究对象来说已经是一个老僧常谈的问题了，但是数字化技术这种隶属于“互联网+”的方法却是非常新颖，这在很大程度决定了指标选取的难度，指标不易挑选以及数据难以查找等难题。通过阅览大多数参考文献，指标选取如下表。表3-2指标示例符号解释类型单位Mp移动支付自变量万亿Ni净利润因变量万元Mf管理费用因变量万元c常数截距无本节的数据来源于“Choice金融数据终端”，处理方法是将“移动支付当季值”单位扩大化，而在各商业银行的“净利润”和“管理费用”方面，采取当季已公布各商业银行的净利润和管理费用的算术平均值来代替行业平均，而为了弥补算数平均值受到极值的影响，会剔除掉数值较大或者较小的商业银行，并且为了弥补量纲差异，“净利润”和“管理费用”将会采取万元的单位，也为了在一定程度上弥补小样本的数据量对OLS的限制，在对这两个因变量采取万元单位基础上，进行OLS建模时再进行取对数以平滑处理。1.2.3模型的建立及结果分析表3-3lnni与mp系数表VariableCoefficientStd.Errort-StatisticProb.C12.902750.18284570.566700.0000MP0.0121720.0031701.8397330.0006R-squared0.337045

Meandependentvar11.46783AdjustedR-squared0.314185

S.D.dependentvar0.729526S.E.ofregression0.604150

Akaikeinfocriterion1.892351Sumsquaredresid10.58491

Schwarzcriterion1.984867Loglikelihood-27.33145

Hannan-Quinncriter.1.922509F-statistic12.74355

Durbin-Watsonstat0.836208Prob(F-statistic)0.000617如上表所示，lnni作为商业银行净利润的因变量以及mp作为移动支付自变量的系数表。不难看出，移动支付对净利润是有积极的影响的，即使这种影响很小，此外，R方不高，解释程度不是很好，就连DW值都较小，种种迹象都表明模型存在一定的问题，但是其原因和数字化技术的时间限制造成的样本容量小有很大的关系，也可能和数据处理有关，但是样本容量依旧是造成以上种种问题的根本原因，基于以上问题考虑对模型进行修正，首先首要解决的问题是DW值较小，可能存在一阶自相关问题，这也是时间序列数据时常会产生的问题，至于多重共线性问题可以不予考虑，因为就一个自变量。表3-4修正后的lnni与mp系数表VariableCoefficientStd.Errort-StatisticProb.C12.958530.37015335.008530.0000MP0.0111420.0057611.9338860.0637AR(1)0.5742630.1605781.5762230.0013R-squared0.531337

Meandependentvar11.49999AdjustedR-squared0.496622

S.D.dependentvar0.719302S.E.ofregression0.510339

Akaikeinfocriterion1.587157Sumsquaredresid7.032040

Schwarzcriterion1.727276Loglikelihood-20.80735

Hannan-Quinncriter.1.631982F-statistic15.30536

Durbin-Watsonstat1.840529Prob(F-statistic)0.000036鉴于对DW值的度量，对可能存在一阶自相关问题进行修正；增加一个一阶自回归自变量是典型的处理一阶自相关的方法，增加后的结果如上表所示，DW值已经很接近2，基本可以断定不存在自相关问题，并且R方由之前的0.33上升到0.53；此外，AIC和SIC都有了不同程度的降低，F统计量的P值也更接近于0，说明模型的整体效果的确比之前较优，各种指标表面了此时的模型是有统计意义的。根据上表可以得到如下模型：lnni=12.95853+0.011142∗mp+0.574263∗ar1+ε（1.表3-5GMM稳健性检验VariableCoefficientStd.Errort-StatisticProb.

C11.116020.19676266.659320.0000MP0.0081100.0065531.2375010.2266AR(1)0.5823040.2042842.8504590.0083R-squared0.526531

Meandependentvar11.49999AdjustedR-squared0.491459

S.D.dependentvar0.719302S.E.ofregression0.512949

Sumsquaredresid7.104163Durbin-Watsonstat1.885541

J-statistic1.57E-27Instrumentrank3InvertedARRoots

0.58采取GMM替代OLS进行再次回归；但是GMM法需要则取工具变量，由于自变量只有一个，ar(1)这个变量不能充当工具变量，因此采取一般的方法，将MP(-1)作为工具变量，常数被默认纳入工具变量；如上表所示，通过对比表2和表3不难发现，系数和P值有一定差别，但是这种差别依旧在可容纳的范围内，移动支付的系数从0.011变为0.008，并且P值由0.06变为0.22，即净利润在更小置信水平下有更小的增量，所以此时稳健性检验的作用体现出来了，那么选择更高置信水平的更大增量是更优的选择。不难看出，mp的系数较之前有所降低，因为AR(1)在有限的样本容量里分担了一些解释程度；因此根据以上模型，可以得到以下经济意义：移动支付每上升1%，商业银行净利润将上升0.011%，这是一个微小的增量，但是究其原因，不外乎两点，第一个原因就是时间不够长，受制于数字化技术的新兴，样本容量不大；第二个原因是本文数据处理的问题，可能存在剔除掉一些表现较好的商业银行，但是为了弥补算术平均值的缺陷，在有限的样本容量下，只能采取这种方法，由于舍弃了一些极值造成了增量不明显。但是移动支付对商业银行净利润的积极影响是可以理解的。表3-6lnmf与mp系数表VariableCoefficientStd.Errort-StatisticProb.C11.643090.19402370.316940.0000MP-0.0105770.003364-1.1442140.0038R-squared0.254232

Meandependentvar11.15208AdjustedR-squared0.228516

S.D.dependentvar0.729880S.E.ofregression0.641084

Akaikeinfocriterion2.011029Sumsquaredresid11.91867

Schwarzcriterion2.103544Loglikelihood-29.17094

Hannan-Quinncriter.2.041186F-statistic9.886082

Durbin-Watsonstat1.639537Prob(F-statistic)0.003825没有再进行自相关修正是因为DW值并没有小于1，并且已经大于du=1.496这一端，其次进行AR(1)之后的R方是降低的，出于种种考虑，此处便没有再进行自相关修正。但是R方是较低的，至于其原因前文已经赘述过，样本量小是主要原因。但是由于其依旧通过显著性检验，依旧具有统计意义，因此可以得到如下模型：lnmf=13.64309−0.010577∗mp+ε（1.2）表3-7GMM稳健性检验VariableCoefficientStd.Errort-StatisticProb.

C11.571870.19888068.241590.0000MP-0.0094090.004038-2.3300200.0272R-squared0.224830

Meandependentvar11.12114AdjustedR-squared0.197146

S.D.dependentvar0.721389S.E.ofregression0.646380

Sumsquaredresid11.69861Durbin-Watsonstat1.594653

J-statistic1.40E-45Instrumentrank2有了前文同类型的稳健性检验，此处对比GMM系数表和原系数表将会更加容易，同样此处选择MP(-1)和常数为工具变量，移动支付的系数由-0.011变为-0.01，P值由0.0038变为0.0272，结果与前文移动支付对商业银行净利润影响的GMM稳健性检验类似，同样都是在更小的置信水平有更小的系数，当然此处的系数是取绝对值来说，因此同样选取更大置信水平的更大的绝对值系数，因为这样的结果将会更具可信度。正如模型（1.2）所示，的确如最开始预期的结果一致，移动支付对管理费用有消极的影响，即移动支付每上升1%，管理费用将会下降0.010577%，同样是微小的减量，与前文移动支付对商业银行净利润的微小增量几乎相同，再次直接证明了由于样本容量小的原因，限制了自变量的系数；一定程度上间接说明了在长期中，移动支付可以减少管理费用，并且前文的结论也表明可以增加银行的净利润，管理费用的减少以及净利润的增加是当今数字化技术日趋发展的结果。1.3农业银行A支行转型的必要性及可行性1.1.1A支行数字化转型的必要性综上所述，数字技术的发展对中国的商业银行产生了深远的影响。为了提高业务绩效，国内的商业银行在发展过程中，必须快速实现数字化转型，应用先进的数字化技术，对商业银行自身提供的金融服务水平和质量进行进一步的提升。（1）政治环境从科技发展的溢出效应以及目前数字化转型的情况来看，数字经济因其自身的高效性自然而然地成为了经济增长的潜力股，同时也就理所应当地受到各国政府的高度重视。国务院发布了《十三五国家创新规划》，在规划中，提出要大力发展金融科技，鼓励发展金融科技产品以及服务创新。中国人民银行在2019年也是发布了一则规划，即《金融科技（FinTech）发展规划（2019-2021）》，提出了6大类27项任务，以3年为界限划分时间段，多角度描绘了金融科技的规划和构想。规划详细，规划清晰，因而也被视为银行业数字化转型的纲领性文件。（2）经济环境我国的经济呈稳健增长的态势。根据相关数据显示，2021年，我国国内生产总值达112.4万亿元，同比增长8.1%，与此同时，随着促进共同富裕战略部署的扎实推进，我国居民收入稳定增长，实现人均可支配收入35128元，实际增长率达8.1%，增速与经济增长基本上保持同步。利率市场化更给了商业银行高效融资的机会，即通过差异化的利率更好地、更广泛地吸纳整个社会的闲散资金，提升资金的利用效率，从而提升商业银行的经营管理质量。（3）社会环境在新冠疫情常伴的一两年内，各商业银行纷纷强调线上经营、数字化的重要性，各商业银行也在线上渠道服务上也有更进一步的加强，一系列的探索都使得商业银行的数字化程度进一步地深化。新时代的客户也逐渐适应了这样的线上服务，并提出了更进一步的线上服务极致体验的需求。广大消费者的需求正是商业银行数字化转型的方向，商业银行的数字化转型也是为了更好、更快、更近、更安全地向消费者提供金融服务。（4）技术环境在互联网的浪潮之下，金融科技也纷纷开始用金融科技武装自己，加快将新兴金融科技融入金融服务的步伐。大数据、人工智能、人脸识别、人机交互等新兴技术逐渐运用到商业银行的金融服务中来，一方面，这些新技术的应用带动了金融机构的金融服务水平，客户通过人脸识别技术能够在线上调取个人明细、卡持有证明等以前需要客户本人持证件前往线下网点办理的业务，给客户带来更为高效快捷的服务。另一方面，因为技术的实施带来了各方面成本的下降，通过大数据技术，能够对于客户信息进行梳理和分类，从而更加精准地锁定目标客户，能够更高效地实施营销活动，降低了人工成本以及营销费用。1.1.2A支行数字化转型的可行性（1）机会根据国家互联网信息办公室印发的《数字中国建设发展进程报告（2019年）》显示，我国数字经济在2019年保持了快速增长，数字经济增加值的规模达到35.8万亿元，这一数字占到了国内生产总值的36.2%，而对于对GDP增长的贡献率为67.7%。在数字经济规模以及所占比重大幅提升的同时，其结构也实现了持续的优化升级，产业数字化增加值占数字经济的80.2%，在数字治理、数字能力、数字惠民、数字政府建设等多方面都取得了显著的成效，进一步巩固了我国在数字经济发展中的主引擎地位。数字技术的更新换代给许多行业带来了新的机遇，金融行业也需要面对数字化转型的机遇和挑战，迎难而上，实现系统化有深度的数字化转型，通过科技赋能金融，通过数字技术全面改造原有的机械的作业方式、业务模式和业务流程，从而进一步提升业务效率，形成良性的金融生态，从而提升商业银行的经营能力，并最终为实体经济的健康发展贡献力量，这是商业银行在现阶段的数字化转型所面临的问题。（2）威胁商业银行作为传统的行业，现有的业务模式及行业整体情况都经历过多年的经济周期的洗礼，可以说整体的风险都是在可控范围内的。而数字化转型，意味着引进金融科技对于商业银行的全方面进行变革，而这种改造从头到脚都是新的，还没有经历过完整的经济周期的考验，谨慎地来说，不排除这种改造是存在问题甚至是会产生风险的。在这样的情况下，如果只是大刀阔斧地放任数字化转型的推进，而不对科技和金融进行有效的控制以及隔离，那么在面临经济波动加剧所带来的宏观周期风险时，不排除这样的可能性，即金融科技可能会加速金融风险的扩散，甚至是对于系统性风险产生进一步的扩大作用。（3）优势作为大型国有商业银行，A支行自身的实力便不再赘述，相较于股份制银行及其他中小型银行，A支行科技系统建设相对先进，科技研发经费投入、系统建设能力都较为充足，也组建了自己的科技子公司，这也就是说，在实施数字化转型的过程中，A支行能够更迅速地开展各项转型工作，组建团队，针对数字化背景下的具体业务设计标准和数据结构，能够较快地在信息碎片化场景下实现业务的快速迭代。（4）劣势金融科技背景下的数字化观念意识的转变是一个较难的过程，同时由于A支行多年经营所构成的组织结构相对成熟，整体工作思维方式仍沿用传统银行的思维逻辑进行经营管理，相对固化，难以跟上金融科技背景下快速迭代的金融市场发展。同时，相较于同期的金融科技公司，A支行作为传统的商业银行还是存在技术水平及人才储备不足的问题。虽然在2018年，A支行就成立了金融科技子公司为数字化转型做好了准备，但是由于成立时间短，加之传统银行业对高端金融科技行业来说人才吸引力不足，科技人员培养周期长等因素也导致相关的技术储备和人才储备还是处在缺乏的状态。1.4农业银行A支行数字化转型历程及主要举措1.2.1建立专业数字化治理体系根据企业战略管理的相关理论知晓，企业战略管理是在宏观层面上为实现业务优化和效率提升目标而制定的综合性、长期性的基本计划。A支行承接上级的战略构想，成立了金融科技创新委员会办公室，负责落实金融科技战略企业级业务的需求统筹、科创项目统筹以及科研项目后评价等工作。自此开启了全面数字化转型的篇章，A支行以数字化经营作为落实“三大战略”的突破点，遵循“建生态、搭场景、扩用户”的基本方法，形成了极具行特色的数字化转型之路。1.2.2建立金融科技专业团队在数字化转型的过程中，除了适配的治理体系，非常重要的是要有属于自己的专业化团队，那么在2018年，A支行就整合了直属的研发团队，成立了金融科技子公司，从而打造更具市场化的金融科技创新队伍。同时银行将新一代核心系统进行更进一步的铺设，其服务范围延伸覆盖到海外机构和子公司，从而实现集团信息科技能力的整体提升。这一专业的团队所进行的信息化服务不仅仅是面向集团内部的，对于外部客户、同业以及合作者，银行也开放了公有云服务、智慧政务服务等17个平台，为他们提供了技术服务。1.2.3构建科技型智慧渠道数字化转型使得技术全方面作用于商业银行的方方面面。得益于信息技术的快速发展，原本仅能通过线下进行业务处理的模式逐渐开始有了新的变化。A支行逐渐开放了网上银行、手机银行、微信银行等渠道，办理业务的场景从线下切换到线上，线上业务的范畴也越来越广阔。随着信息技术的进步，线上渠道也拥有了更多更新颖的人机交互方式，例如智能语音、指纹、人脸识别等生物识别技术，一方面这些新兴技术的运用改善了客户的体验，另一方面也实现了线下业务线上迁移的进一步扩展，优化了业务效率。在业务渠道拓展的同时，A支行也在积极对接第三方平台的合作，利用数字金融产品和平台，依托大数据、区块链等现代信息技术，积极实施三农业务数字化转型。利用现场金融服务，不断为助力农村产业繁荣注入新兴科技金融力量。业务的转型不仅仅是针对城市业务，在农村金融业务中也有进行转型的必要，双向业务的转型能够更好的完善业务整体的数字化转型，而农村金融转型主要目的是服务于三农发展，把更好的金融服务提供给农村产业助力其发展。在农业生产领域，积极打造农业产业链站点，不断提升农业产业化龙头企业、农民专业合作社等新型农业经营者金融服务的可获得性和便利性。在农村流通领域，围绕当前的商品交易市场，构建智能市场场景，融合在线交易、在线金融、全额支付等功能于一体，助力交易市场商户的发展壮大，促进农产品和工业产品流向城市。在幸福生活领域，积极支持以旅游、文化、教育、健康为代表的农村幸福产业发展，在提升农村居民幸福感的同时，不断培育农村产业发展新引擎。1.2.4搭建共享型金融生态一方面，按照农行总行的战略布局，打造了“农银智慧+”场景下的金融业务，聚焦消费与零售、政务与民生和产业链三大类场景。在开放银行平台的基础上打造了智慧城市和智慧金融。其中智慧城市涵盖了智慧产业、智慧民生和智慧政务的便捷服务，满足各级政府需求，提升企业与民众的满意度，并且支持通过APP、掌上银行等渠道进入。智慧金融通过参加政府的智慧城市建设，实现了金融服务与民生、产业和政务等场景的融合。它为政府提供了广泛的服务，解决企业财务问题，为客户提供更丰富的应用程序和门户，满足客户的服务需求并随时给予帮助。A支行还设立了小微电子贷款专项服务，支持服务于小微企业。另一方面，金融科技的出现对银行的转型起到了非常重要的作用，并且已经被视为应对大数据、AI、区块链等技术挑战的关键驱动力。合理利用智能设备和移动终端可以实现前中后台的结构变革，还可以对银行的“长尾”客户进行精准画像定位，也能改善小微企业中所存在的服务短板。因此，该行通过推出了面向小微企业的小额贷款体系产品（即小微e贷），来提升对小微企业的服务。为了持续有效推进金融脱贫攻坚，开展了三农业务转型，打造了“农银智慧+”场景品牌，还上线了惠农e贷网络融资平台。金融科技的建设还可以有效提高精准营销的能力，针对不同的客户提供一对一的服务，在数据信息方面也能实现快速收集及精准整合管理。总结上文，该行通过构建生态核心开展了智慧城市和智慧金融两项场景金融服务，聚焦了产业链、零售消费和政务民生三大场景。在金融科技建设上，推出了针对性产品系列品牌，同时还在三农业务上打造了一系列场景平台，来提升不同客户群体的服务，满足其需求。金融科技的兴起可以有效地处理信息不对称问题，保障信息之间的平衡性，对信息数据进行更好的管理分配。生态核心的建设能够有效扩大业务经营范围，增强服务能力，改善传统的经营方式，对后期的数字化建设起着十分重要的作用，也是线上业务发展的基础。

第2章A支行数字化转型渠道及成效调研分析2.1调查设计2.1.1问卷设计本文从客户角度出发，结合A支行数字化转型现状，构建了客户满意度评价指标体系，量化了客户对于A支行数字化转型的客户满意度指标，测量变量有企业价值、产品认可度、服务与系统支持以及感知与环境因素，调查问卷还针对受调查者设计了性别、年龄、收入统计变量以及职业、教育程度等调查项。结合ACSI体系以及国内学者对商业银行数字化转型评价研究，整理影响因素，设计本文的调查问卷。2.1.2调查对象农业银行A支行的客户可分为对公客户、个人客户。本研究的调查对象主要为A支行的个人客户。接受调查的个人客户持有A支行惠农卡、金穗卡、贵宾卡、信用卡等作为介质，并在调查期间前往A支行办理业务或在近期接受过A支行的服务。针对调查期间在A支行的营业网点办理业务的个人客户进行现场调查问卷的填写邀请，选取前往网点办理个人业务的被调查者有助于问卷调查的开展，被调查者对A支行的服务现状有一定的了解与认知；针对近期接受过A支行服务的个人客户进行电子问卷的填写邀请，为了提高受邀请的调查者的有效性，主要是选平均三个月至少去A支行办理一次业务的个人客户。2.2调查结果分析2.2.1样本结构分析在本次调查一共发放115份问卷。剔除了答案明显不能反映填写者真实意愿和回答不完整的问卷后，有效问卷为100份，问卷回收率为87%，达到了数据选取科学性的要求。对问卷调查中被调查者的基本信息运用SPSS统计软件分析进行统计分析，得出结果如表4-1所示。表4-1样本基本信息统计分析表指标特征比例性别男45%女55%学历高中以下18%高中（中专）25%本科（大专）44%硕士及以上13%职业事业单位职员13%企业职员29%个体14%退休25%学生7%自由职业12%年龄18-35岁20%35-50岁30%50-70岁31%70岁以上19%收入3000元以下15%3001-6000元39%6001-10000元33%10000元以上13%办理业务年限一年以下19%1-3年37%3-5年22%5年以上22%2.2.2指标体系构建及权重确定根据问卷的结果进行效度分析，根据表4-2的数据结果显示可知，本研究的KMO=0.880>0.7，表明研究数据很适合进行主成分分析。巴特莱特球形检验的显著性水平小于0.05，可拒绝指标之间两两独立的假设，即指标之间存在相关性。两种结果都表明本研究选取的数据适合做因子分析。表4-2KMO和巴特莱特球形检验Kaiser-Meyer-OlkinMeasureofSamplingAdequacy..880Bartlett'sTestofSphericityApprox.Chi-Square2195.200df300Sig..000根据上述检验结果，本文在主成分分析的基础上，通过方差最大化正交旋转法对数据进行因子分析。共提取了6个公因子，6个公因子的重要性分别为7.243、1.710、1.061、2.886、1.808、1.302。表中显示了每个主成分的方差及贡献率，以及累计贡献率。根据特征值大于1的原则，保留了前6个主成分，6个主成分的累计贡献率为82.041%，即所保留的6个主成分可以解释原数据82%以上的信息。表4-3特征根与贡献率ComponentInitialEigenvaluesExtractionSumsofSquaredLoadingsRotationSumsofSquaredLoadingsTotal%ofVarianceCumulative%Total%ofVarianceCumulative%Total%ofVarianceCumulative%111.70346.81346.81311.70346.81346.8137.24328.97228.97222.20216.80761.6202.20216.80761.6201.71012.84041.81231.0572.22667.8461.0572.22667.8461.06112.24356.0554.9521.80971.655.9521.80971.6552.88611.54667.6005.8501.39875.053.8501.39875.0531.8087.23377.8346.7472.98878.041.7472.98878.0411.3021.20782.0417.6422.56980.6108.5782.31082.9209.5422.17085.09010.5252.10287.19111.4261.70388.89412.3771.50790.40213.3491.39591.79714.3351.33891.13515.2801.11892.25316.232.92895.18117.208.83196.01218.192.76796.77919.172.69097.46920.168.67398.14221.132.52798.66922.114.45499.12323.096.38499.50724.074.29599.80225.049.198100.000ExtractionMethod:PrincipalComponentAnalysis.从表4-4中可以看出对初始成分矩阵经过正交旋转后的结果，采用方差最大化正交旋转法对其进行了8次迭代后的旋转成分矩阵。表4-4旋转成分矩阵Component123456Q1.754.117.080.073.145.127Q2.753.162.043.232.211.115Q3.808-.039.330.008-.105.091Q4.037.305.160.741.157.178Q5.346.214.163.782.048.032Q6.589-.069.648-.010.119.023Q7.308.136.769.177.188-.027Q8.512-.161.523.150.184.229Q9-.167.540.168.601-.045-.136Q10.219.362-.021.650.278-.129Q11.592.312.323.122.156.492Q12.577.292.535.274-.039.081Q13.295.280.158.528.524-.280Q14.226.352.471.337.529.043Q15.620.164.503.212.226-.173Q16.209.311.198.181.803.079Q17.201-.117.342.046.026.854Q18.107-.065.426.167.116.725Q19.671.363.439.063.108-.257Q20.330.262.273.134.667-.326Q21-.031.850-.100.224.154.150Q22-.034.835-.014.269.130.089Q23.298.628.254.339.256-.104Q24.234.812.090.187.200-.153Q25.836-.036.102.111.160-.153ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.a.Rotationconvergedin8iterations.矩阵中的系数是因子与对应指标的相关系数，由这些相关系数可以看出，第1、2、3、19、25个指标与第一个因子的相关系数较大，分别为银行品牌实力（0.754）、交易安全性（0.753）、银行创新能力（0.808）、反馈渠道便利性（0.671）、排队等候时长（0.836），总结这五项指标的特点，将第一个因子命名为“银行综合能力”；第21、22、23、24个指标与第二个因子的相关系数较大，分别为停车便利性（0.850）、网点交通便捷性（0.835）、银行卫生状况（0.628）、大厅便民设施（0.812），总结这四项指标的特点，将第二个因子命名为“银行环境”；第6、7、8、12、15个指标与第三个因子的相关系数较大，分别为业务种类个性化（0.648）、金融产品创新性（0.769）、金融产品丰富性（0.523）、电话银行服务（0.535）、员工专业性（0.503），总结这五项指标的特点，将第三个因子命名为“银行产品特性”；第4、5、9、10个指标与第四个因子的相关系数较大，分别银行竞争力（0.741）、银行产品口碑（0.782）、储蓄存款收益（0.601）、理财产品收益（0.650），总结这五项指标的特点，将第四个因子命名为“产品收益及口碑”；第13、14、16、20个指标与第五个因子的相关系数较大，系数分别为大堂经理沟通能力（0.524）、员工服务主动性（0.529）、员工着装与仪态（0.803）、处理投诉能力（0.667），总结这五项指标的特点，将第五个因子命名为“服务质量”；第11、17、18个指标与第六个因子的相关系数较大，系数分别为手机银行与网上银行（0.492）、智能设备状况（0.854）、ATM设施便利性（0.725），总结这五项指标的特点，将第六个因子命名为“智能化设备”。基于以上分析，将得到的六个因子作为评价指标体系的二级指标。2.2.3调查结果总体分析根据前文的分析，建立如下表4-5的三级商业银行客户满意度评价指标体系。表4-5满意度评价指标体系二级指标三级指标银行综合能力银行品牌实力交易安全性银行创新能力反馈渠道便利性排队等候时长银行环境停车便利性网点交通便捷性银行卫生状况大厅便民设施银行产品特性业务种类个性化金融产品创新性金融产品丰富性电话银行服务员工专业性产品收益及口碑银行竞争力银行产品口碑储蓄存款收益理财产品收益服务质量大堂经理沟通能力员工服务主动性员工着装与仪态处理投诉能力智能化设备手机银行与网上银行智能设备状况ATM设施便利性对于指标进行测度，各指标之间的权重确定是其中重要的问题。针对不同指标间重要性的不同调整其对总指标的影响程度。客户对于不同指标间的敏感程度不同，会对测评结果产生较大影响。因此，指标体系建立必须针对各个指标进行权重探讨。层次分析法旨在解决多目标、多准则、多要素的复杂决策问题，为不好测度的定性问题提供定量化的解决方案。本文在前文构建的满意度评价指标体系基础上展开研究，选取专家打分法来进行测度。为提高权重研究的有效性和准确性，邀请了8名专业的银行管理人员及2名来自不同高校的金融管理学教授来研究该项工作。首先，构造判断矩阵。通过两两比较的方式构建1-9标度的一致矩阵，采用相对尺度设定判断值为下一层元素相对上一层的相对权重值，以尽可能减少性质不同因素相互比较的困难，以提高准确度。表4-61-9标度参考表标度含义1两个元素相比具有同样重要性3两个元素相比，一个比另一个稍微重要5两个元素相比，一个比另一个明显重要7两个元素相比，一个比另一个强烈重要9两个元素相比，一个比另一个极其重要2、4、6、8上述相邻判断的中值依照此方法，根据专家打分的结果得出本文的三级指标权重，并进一步算出对应的二级指标权重。以智能化设备指标的计算为例，专家分别对手机银行与网上银行、智能设备状况、ATM设备便利性进行两两比较，对两个二级指标对智能化设备的重要度进行打分。最终结果如表4-7所示。表4-7智能化设备三级指标两两比较相对重要度手机银行与网上银行智能设备状况ATM设施便利性手机银行与网上银行11/31/7智能设备状况311/5ATM设施便利性751根据表4-7建立三级指标相对于智能化设备的两两比较判断矩阵为：（2.1）其次运用向量特征根法计算M向量值，并得出对应的值。（2.2）（2.3）根据上述公式可得，M1=，M2=，M3=，1=0.362/2.464=0.081，2=0.843/2.464=0.189，3=1.271/2.464=0.733。最后，通过公式计算进行一致性检验。通过测算CI来检验判断矩阵与一致矩阵的差别，并通过查找对应的平均随机一致性指标RI，进而计算一致性比例CR。如果CR<0.1，则可认为判断矩阵的一致性可以接受，否则需要对判断矩阵进行修正。（n为矩阵层数，i为权重系数值）（2.4）（2.5）表4-8一致性检验RI值n12345678910RI000.520.891.121.261.361.411.461.49（2.6）根据上述公式可得：，<0.1由此可得，该专家所给矩阵满足一致性。由此可得该名专家认为智能化设备的三个二级指标的权重分别为0.08，0.19，0.73。依照此方法对十位专家的打分结果进行计算，得到客户满意度评价三级指标权重，并将其累加得到二级指标权重，最终结果如表4-9所示。表4-9满意度评价指标体系权重二级指标二级指标权重三级指标三级指标权重银行综合能力0.22银行品牌实力0.06交易安全性0.05银行创新能力0.04反馈渠道便利性0.03排队等候时长0.04银行环境0.1停车便利性0.03网点交通便捷性0.02银行卫生状况0.02大厅便民设施0.03银行产品特性0.2业务种类个性化0.04金融产品创新性0.04金融产品丰富性0.04电话银行服务0.03员工专业性0.05产品收益及口碑0.21银行竞争力0.04银行产品口碑0.06储蓄存款收益0.06理财产品收益0.05服务质量0.15大堂经理沟通能力0.05员工服务主动性0.04员工着装与仪态0.02处理投诉能力0.04智能化设备0.12手机银行与网上银行0.04智能设备状况0.04ATM设施便利性0.04根据问卷各项指标满意度及权重得分，计算出三级指标和二级指标及其总体满意度的具体得分，详见表4-10。表4-10满意度评价指标体系指标得分二级指标三级指标三级指标得分二级指标得分一级指标得分银行综合能力银行品牌实力2.882.971.32交易安全性2.95银行创新能力2.53反馈渠道便利性1.70排队等候时长1.02银行环境停车便利性1.891.92网点交通便捷性1.62银行卫生状况1.83大厅便民设施2.22银行产品特性业务种类个性化2.922.86金融产品创新性2.31金融产品丰富性2.29电话银行服务1.92员工专业性1.07产品收益及口碑银行竞争力1.451.98银行产品口碑1.75储蓄存款收益2.33理财产品收益2.25服务质量大堂经理沟通能力1.381.61员工服务主动性1.13员工着装与仪态2.09处理投诉能力2.15智能化设备手机银行与网上银行2.802.68智能设备状况2.49ATM设施便利性2.75可以看出支行的满意度得分是1.32分，说明从总体上看客户满意程度不容乐观，还需要分别从六个指标的维度进行考虑，研究影响满意度的因素。根据满意度得分高低进行排名，产品收益及口碑、银行环境、服务质量、银行综合能力、银行产品特性、智能化设备这六个指标的满意度得分分别为1.98、1.92、1.61、2.97、2.86、2.68。2.3农业银行A支行数字化转型提升经营能力的分析2.1.1提升数据价值，完善数据治理体系在信息时代，数据的重要性是毫无疑问的，通过对海量数据的筛选、分析、挖掘，往往能够挖掘到市场的热点，寻找到新的增长点。在这样的背景之下，金融科技以极强的态势席卷整个金融行业，深刻影响着商业银行的生产经营以及管理模式。A支行在这样的金融科技浪潮中更是积极抓紧机遇，利用多年经营以来所积累的大数据优势，基于新一代核心系统的架构，充分挖掘生产经营中的各项数据价值，通过不断优化的数据模型，为各级机构提供在经营决策、客户营销、客户维护、机构管理等各方面的数据支持，从而提升机构运营能力。新一代系统自2010年上线以来，就凭借其强大的功能大大加强了A支行的业务处理运营能力、营销能力以及监管能力。该系统集现代科技、客户洞察、金融场景、产品经营等多个功能于一体，通过对业务活动重新分类以形成独立的、模块化和极具特点的114个业务组件，构成了银行新的蓝图，并建立了流程模型、数据模型、产品模型等数据模型，从而提升A支行业务架构的实用性与先进性。2.1.2整合业务渠道，提升内外部协同运营能力随着A支行数字化转型，内外部都逐渐产生了更为多元的业务渠道。ATM机、电话银行、短信银行、pos机等业务渠道逐渐产生，延长了办理业务的时间，扩大了业务办理的地域限制。随着互联网的出现和发展，商业银行又逐渐开发出网上银行，进一步丰富了线上办理业务的种类。再来，随着以支付宝以及腾讯为代表的第三方支付平台的诞生以及崛起，商业银行又逐渐有了更多的业务渠道，例如微信银行、微信公众号、手机银行直销银行等，进一步丰富了客户的业务渠道，打破业务办理的物理局限性。除此之外，金融科技还催生出了业务渠道的不断升级。以手机银行为例，A支行在商业银行传统存款、贷款和支付基础上，依托于移动互联等技术之上，衍生出许多其他产品和服务，如缴费、理财、信用卡分期、消费信贷、跨境转账等。在功能之上，A支行还嵌入了许多场景化的功能，例如交党费、交学费、手机话费充值等，极大地贴合了人们的生活，有效的提升了客户的活跃度。同时，由于科技的发展个人客户也产生了很大的影响，客户的金融需求、流动性以及投资理财的偏好、交易行为、到店情况也产生了许多变化，而针对这种情况，A支行也在不断地对业务渠道进行调整升级。依托于大数据对于客户上述情况进行分析，通过对客户贴标签的方式对客户进行分类，从而针对不同特点的客户提供具有差异化的产品和服务，例如对于资产潜力客户投放为其量身定做的理财产品，从而达到吸引客户资产的目的，也就是业内所指的千人千面。这样的功能，使得A支行在竞争激烈的银行业之中，抓住更多的长尾客户，提升经营运营能力。2.1.3打造智能集约化运营，提升业务处理运营能力A支行以会计与营运体制改革为契机，在全行执行集约化的运营转型。这项工程大致经历了四个阶段：深化前后台分离、集中生产、集约化运营以及智能运营。在分离阶段，通过采用业务前台受理后台处理的模式，实现了业务的同步并行处理。而这项工程在当时实现了涵盖了60项以物理转移为主的非实时性业务和事务型工作的集中运营。而到了集中生产阶段，按照前台标准化、流程简明化的思路，A支行重组了柜面流程，业务处理建立以总行本部为核心，离场、驻场外包为辅助的多点接入，一点集中，后台一体化的工厂化流水线生产体系。这种模式使得前后台分离阶段的非实时性业务实现了实时性处理，同时，业务范围逐渐向网点、线上、中后台、海外机构及子公司四个领域扩大。随后就进入到集约化运营阶段，在这一阶段A支行持续扩大了业务范围，形成了跨区域、跨条线、跨时段、跨渠道的集中处理平台，使得业务全天候集约化处理落地，同时实现了向外币、稽核等业务领域的拓展。通过技术上的提升，A支行进一步将中心生产作业模式向智能处理、专业审核、云生产、集中生产进行统筹协同转变。此外，A支行在业务处理流程中逐渐融入智能运营体系，逐步实现八大生产系统、任务的深度融合和资源的统一调度，进而实现了全面提升集约化运营质量。而到了第四阶段，即智能运营阶段，随着总行智能运营体系建设项目实施，更多的技术被引入到生产作业中来，按照“流程优化、资源整合、要素重组、智能创新”等实施路径、将柜面业务处理系统和其他专业化的处理系统进行进一步的有机融合，大大提升了业务效率及业务正确率。图4-1A支行集约化运营业务流程图以上图所示的柜面业务为例，将营业网点柜面业务依次经过受理客户业务、审核凭证、录入数据、双人复核、主管授权、交易发起全过程的分布式、逐笔处理的串行操作的业务流程，改造成为网点分散受理为主，业务处理环节集中同步并行操作，批量执行的流水化生产流程，基本流程包括受理提交、信息采集、审核检验、账务处理、结果反馈五个环节，各环节由系统自动处理和人工处理共同完成，根据业务流程需要进行组合配置。其中系统自动处理流程中，A支行引入了人工智能中的ICR技术，对凭证信息进行自动识别，并对相关凭证信息进行信息切片，经由外包集中处理中心进行校正后，进一步作出后续处理。经统计，该平台上线以来，精准度提升0.43%，处理运营能力提升91.11%，对相关的业务处理流程减少了4-8个环节，节约32%的外包费用，每年约减少成本3300万元。2.1.4数字化营销，提升集团精细化营销管理水平随着数字化转型，传统商业银行所依赖的关系营销、规模扩张等模式受到了空前的挑战。以往的二八定律，即抓住20%的大客户就足够了，这一定律已经不能满足商业银行的进一步发展。此时数量众多的长尾客户便成了商业银行重点关注的目标客群。基于这样的情况，A支行依托于新一代核心系统，打造了个人客户分析与精准营销平台助力网点提升营销成功率营销质量。A支行精准营销平台通过客户的分析挖掘和客户的精准营销这两大功能体系交叉完成，通过客户模型的搭建以及对于营销计划、活动、执行、评估的全流程的线上管理，实现了对于客户需求的深度挖掘，能够提升网点获客、活客和留客的能力。A支行通过对于行内数据、联网的海量数据进行归纳、总结、分析，形成了八个客户标签维度、2300多个个人客户基础画像要素，从而通过对个人客户贴标签进而锁定目标客群筛选出的客户名单进行进一步营销活动，从而提高营销精准度，进而提高营销成功率提升银行运营能力。2.4农业银行A支行数字化转型运营成效分析2.2.1盈利能力分析盈利能力能够体现出商业银行在某一个经营周期内的获利的能力，商业银行在日常经营中的关键就在于提升盈利能力。只有拥有出色的盈利能力，商业银行才能够实现持续经营、扩大规模的目标。因此，盈利能力可以作为评估商业银行经营能力的首要指标。在这一节，本文采用净资产收益率、总资产报酬率、成本收入比这三个指标来分析A支行实行数字化转型前后的盈利能力的情况。表4-8A支行2014年-2020年净资产收益率及总资产报酬率时间净资产收益率总资产报酬率201418.341.3631201515.911.2474201612.68191.1085201711.611.1011201812.881.1008201912.041.0584202011.460.9725完全由A支行自身的情况来看，自2014年到2020年的资产收益率以及总资产报酬率总体而言呈现出非常明显的下降趋势，净资产收益率由2014年的18.34%下降至2020年的11.46%，总资产报酬率则从1.3631%下降至2020年的0.9725%。即使是在2017年下半年上线新一代系统，大力发展金融科技之后，依然不能扭转这样的下降颓势，但净资产收益率的下降幅度逐渐趋缓。为了进一步分析公司的经营成果，可以利用杜邦分析法将ROE进一步分解成多个单个指标，从而明确ROE的变动原因，进而更全面、更深入地分析公司ROE下降的原因。本文将通过连环代替法对于A支行2014年至2020年历年的相关指标进行分解，由分解数据来观察A支行净资产收益率变动的深层次驱动原因。下表2.2.2为分解后的各驱动因素的数值。可以明显地看出，净利息收入/总资产以及权益乘数还是在A支行的净资产收益率中占据了比较重要的地位，其次就是看手续费及佣金收入/总资产的对应数值。表4-9A支行2014年-2020年ROE各驱动因素数值表年份ROE净利息收入/总资产手续费及佣金收入/总资产权益乘数营业支出/总资产其他非利息收入/总资产营业外收支净额/总资产所得税费用/总资产201418.342.610.6511.721.630.150.0110.42201515.912.490.6211.111.680.180.01310.38201612.68191.990.5711.221.490.330.01350.3201711.612.050.5312.721.460.230.00720.25201812.882.090.5311.951.510.210.00150.23201912.042.010.5411.481.490.770.00140.23202011.462.050.4112.041.490.230.00220.22接下来，本文继续分析在连续替代法下上述的几个驱动因素对于ROE的具体影响。从下表4-10来看，2014年-2016年，随着利差的不断降低，净利息收入/总资产这一驱动因素对A支行ROE的影响是一直是负向的，而到了2017年，A支行通过加大推动存款落地、优化资产负债结构、提高资产收益率等一系列措施，使得A支行在付息负债上的付息率下降，并且使之下降幅度高于生息资产收益率的下降幅度，进而扭转了净利息收入/总资产这一驱动因素对A支行ROE的影响，并将这一优势延续到了2018年。2019年由于市场竞争激烈，个人定期存款等高付息负债占比提升，导致A支行一般性存款成本上升明显，又使得净利息收入/总资产这一驱动因素对A支行ROE的影响变为负向。从上述的分析中，我们可以看出，关于这一驱动因素，主要还是与市场行情以及国家相关的政策有关，金融科技在此驱动因素中所能发挥的影响有限。在2015、2017-2019年，为了优化信贷结构，A支行信贷投放力度减小，权益乘数驱动因素也对ROE产生负面的影响。而在2020年，由于疫情的影响，A支行积极帮助企业复工复产，信贷投放力度加强，权益乘数驱动因素也对ROE影响为正向。在这中间，金融科技也减少了贷款审的流程手续以及等待时间，大大提升A支行贷款审批运营能力。在2014—2020年期间手续费及佣金净收入／总资产驱动因素对A支行ROE的影响总体也呈现出负向，仅有2019年呈现微弱正向影响，手续费净收入增长率与总资产增长率相较而言萎靡不振。2018年，手续费及佣金净收入／总资产驱动因素对ROE的影响转为0，受资管新规、增值税新规等因素影响，理财业务手续费收入下降44%，但电子银行业务收入却增长98%，抵消了理财手续费收入减少的影响。2019年，电子银行业务手续费收入继续以38%的增长率带动手续费及佣金净收入／总资产驱动因素对ROE的正向影响。表4-10A支行2015-2020年ROE各驱动因素变动表年份ROE净利息收入/总资产手续费及佣金收入/总资产权益乘数营业支出/总资产其他非利息收入/总资产营业外收支净额/总资产所得税费用/总资产2015-11.25-2.60-2.62-2.451.0720.0019.09-9.522016-7.72-20.08-8.060.84-11.3181.331.05-21.052017-7.301.02-7.02-1.78-2.01-30.30-46.67-16.672018-5.361.950.00-6.051.42-8.70-79.17-8.002019-6.52-1.831.89-1.93-1.32266.67-6.670.002020-2.821.99-22.072.880.00-70.1357.14-2.35即使是在上述的情况之下，中国整体银行业的ROE还是处于全球较高水平。根据麦肯锡咨询最近发布的《2020全球银行业年度报告》所显示，受到疫情影响，银行业的净资产收益率（ROE）在2019年之后遭遇重创，会从2019年的8.9%持续下滑，而在2020年和2021年分别降到5.4%和1.5%，而在2021年预计可能会见底。就从这一系列的数据中，从全球整体情况而言，中国银行业ROE已经是处于高水平梯队了。表4-11A支行2014-2020年成本收入比及各相关指标数值表年份2014201520162017201820192020员工成本（百万元）91563914999284796274102057105784104353物业及设备支出（百万元）30545330462998130485304853367534929其他（百万元）37717328352999232359323594007240026业务及管理费总额（百万元）159825157380152820159118159118179531179308成本收入比（%）28.8526.9827.4926.9526.4226.5325.12员工总数（位）372321369183362482352621345971347156349671机构总数（个）14880149451498514920149771491214741技术人员占比（%）6.947.547.868.098.198.78.12再来看成本收入比这一指标的情况。成本收入比简单来说就是业务及管理费与营业收入之比，如果某家商业银行收入的支出成本越低，说明该商业银行的投入产出运营能力也就越高，商业银行所对应的盈利能力也就越强。A支行2014-2020年的成本收入比总体上而言是在逐年下降的，也就是说A支行的盈利能力是在此期间逐渐增强的。同时，运营成本呈稳定增长趋势，其中员工成本，增长幅度达到11.97%，物业及设备支出增长幅度达到12.35%。与此同时，A支行的机构总数于2017年首次实现减少，并于2019、2020年持续减少，这也从侧面说明了随着A支行金融科技的建设，业务逐渐从8小时营业的物理网点渠道分散到24小时在线的线上渠道中去，金融科技使得A支行进一步优化了营业网点的布局，减缓了网点的扩张速度，转而大力发展“线上”渠道，从而有效控制运营成本的增长。其次，与员工成本上升相对应的是员工数量的U型变化趋势，这一方面说明了A支行在数字化转型的过程中，金融科技强化了业务流程上的运营能力，使得A支行以较少的员工数量足以维持日常的经营活动。另一方面，在2018年以后，员工人数又逐渐增多，而其中的技术人员占比在2020年以前都是在持续增加的，这也说明了本行加大人才的引进和员工的培养，为战略转型发展做好人才储备，最终导致员工成本的增长较快。在确保有效支撑战略实施与业务发展的前提下，A支行应进一步推进数字化转型工作，从而推进运营成本精细化管控，将成本收入比控制在合理水平，进一步优化本行的经营绩效。综上所述，受经济下行、疫情等大环境的影响，2014-2020年的成本收入比逐年下降的，但A支行的盈利能力有足够的上升空间，在数字化转型的作用下，一定程度上对利息净收入不断收窄所导致的A支行盈利能力持续下降产生了弥补作用。但利率市场化以及金融脱媒对A支行的息差收入所产生的影响较大，金融科技对其盈利水平的贡献有限，最终还是使得A支行盈利能力在整个行业中并没有明显的改善。2.2.2经营增长分析据下表4-12来看，A支行自2017年后营业总收入增长率呈现出连续上涨，但其主要盈利模式与商业银行传统的主要盈利模式相同，存贷利差收入占到营业收入的70%向上，从这一点来说，A支行的收入结构有些过于集中。虽然A支行2017年之后进行了金融科技的建设，产品模式业务流程上有所创新，本身也希望通过数字化转型寻求业务发展方向的转型，突破传统的盈利模式，尝试寻找新的收入来源。但是A支行的收入结构依然呈现出趋于传统的现象。表