金融科技降低了銀行風險嗎?
——基于規模異質的視角

趙勝民 屠堃泰

一、引言

近年來，隨著大數據、人工智能、區塊鏈等技術的興起，金融科技在我國蓬勃發展，金融服務創新層出不窮，繼而推動金融格局發生深刻變化。2019年8月，央行印發《金融科技(FinTech)發展規劃(2019—2021年)》，規劃強調要“充分發揮金融科技賦能作用，將金融科技打造成為經濟高質量發展的新引擎”。

科技助力下，商業銀行的經營模式逐漸升級，金融生態環境不斷優化。然而，科技進步從來都是一把“雙刃劍”，銀行數字化轉型引發的內外環境改變會反過來影響自身風險。一些研究對金融科技與銀行風險的關系進行了探討(Chen等，2019[1]；Thakor，2020[2])，但未形成一致結論。可能原因在于，現有研究大多籠統地將商業銀行視為一個總體，忽略了對銀行異質性特征的考量。而技術變革往往具有兩面性，對不同的銀行而言，金融科技的最終作用效果或有不同。銀行自身特征和稟賦條件各異，特別是大型銀行和中小型銀行之間，其資金規模、市場勢力、客戶類型、貸款技術等都具有較大差異，金融科技的適用性與作用效果或有差別，對銀行經營與風險的影響也不能一概而論。技術的變革迫使所有銀行加碼金融科技，新技術能否充分發揮積極作用尚未可知，但技術的研發卻需要人力和資金的大量投入，如果科技的投入不能轉化為經濟效益的提升，高額的成本反而會加重銀行負擔。

在這一背景下，金融科技如何影響商業銀行的風險承擔是一個有待探索的黑箱。區別于現有文獻中，僅單純針對金融科技與銀行風險的總體關系進行研究，或者單純針對金融科技與銀行經營的關系進行研究，本文聚焦微觀層面，構建基于銀行個體的金融科技指標，關注金融科技技術特性與銀行的稟賦特征，探討金融科技通過影響銀行經營進而影響銀行風險的機制，并考察這種機制在銀行規模層面的異質性，更符合客觀現實。

本文主要貢獻在于：第一，本文以銀行規模異質性為切入點，對不同規模銀行發展金融科技的效用進行了詳細梳理。而以往研究通常將商業銀行視為一個總體，缺乏基于銀行異質性特征的探索。第二，本文將研究延伸到影子銀行領域，進一步探索了金融科技、影子銀行與銀行風險之間的關系。現有研究鮮有從影子銀行層面探討金融科技的作用效果。本文的研究有助于深入認識金融科技帶來的銀行營業結構性變化和風險水平變動，不僅有助于豐富金融科技相關理論研究，而且對于商業銀行布局金融科技、利用新型技術防范和化解金融風險以及推動銀行業深化改革等重要現實問題具有參考意義。

二、文獻綜述與研究假設

(一)金融科技與銀行風險承擔

隨著金融科技的蓬勃發展，其與銀行風險承擔的關系逐漸受到學術界的關注。根據以往研究脈絡，本文將從積極影響和消極影響兩方面進行梳理。

積極影響方面，金融科技可以降低交易成本，提高交易的便利性，激發商業銀行的創新能力和盈利能力，從而降低銀行風險承擔(Philippon，2016[3]；Goldstein等，2019[4])。Sheng(2021)[5]指出，運用金融科技可以提高銀行軟信息收集能力，增強市場信息透明性，降低銀企間的信息不對稱，優化風險管理水平。Buchak等(2018)[6]發現，抵押貸款市場上，使用金融科技的影子銀行可以利用更多的數據和模型為貸款定價，他們設定的利率水平也與客戶事后表現更相關，即借助科技手段可以將信貸資源配置給信用更好的借款人。Fuster等(2019)[7]發現，金融科技貸款人處理抵押貸款申請的速度比其他貸款人快約20%，在金融科技貸款較多的地區，借款人會更積極地參與再融資。除此之外，金融科技有助于銀行對借款人展開價格歧視并獲得服務溢價。研究發現，在對價格最敏感的借款人中，金融科技定價的貸款利率較低；與之相對，在更看重便利性的借款人中，貸款利率較高。

另一些研究則認為，金融科技具有消極影響。從資金成本的角度來看，邱晗等(2018)[8]的研究指出，金融科技推動了利率市場化，銀行越來越依賴同業拆借等批發性資金，由于同業資金利率較高，銀行整體負債成本被抬高。為彌補負債成本上升的利潤損失，銀行會選擇更高風險的資產。從目標客戶的角度看，龔曉葉和李穎(2020)[9]表明，金融科技主要針對“長尾”人群在“利基”市場提供金融服務，這些客戶希望以低成本獲得資金，且普遍存在抵押物缺乏、信用信息不全等問題，銀行服務成本較高，將加重風險承擔水平。除此之外，方意等(2020)[10]指出，金融科技所依托的技術可能會帶來新的風險。人工智能技術的普及會導致金融機構的算法和決策行為趨同，在受到外生沖擊時，會加劇市場共振和風險傳染。

可以看出，金融科技對銀行風險的影響具有兩面性，當科技發展能夠轉化為效益的提升，實現收益覆蓋風險時，銀行風險降低；反之，當技術的進步未能使銀行形成比較優勢，甚至惡化了經營狀況時，為覆蓋成本和穩定收益，銀行的風險承擔上升。

基于以上分析，本文提出如下假設：

H1：金融科技對銀行風險的影響并不確定，取決于其積極效應與消極效應的凈效應。

(二)金融科技特性與銀行比較優勢

銀行特征可能是影響金融科技與風險承擔關系的重要因素。尤其是大型銀行和中小型銀行之間，其自身資源與稟賦條件都具有較大差異，因而金融科技對銀行風險的作用效果可能會有所差別。接下來，本文將從金融科技的技術特征入手，結合銀行的稟賦條件具體說明。

第一，從成本的角度來看，金融科技具有兩個特點，較高的初始成本投入和隨之降低的銀行單位成本(Philippon，2019[11])。針對金融科技的成本特點，大型銀行更易利用自身規模優勢提高技術投入的成本效率。大型銀行客戶數量較多，業務規模較大，邊際成本的下降帶來的收益較大，高額初始投入更易被分攤，產生規模經濟。相比之下，中小型銀行規模較小，單位成本下降帶來的收益不能彌補初始投入增加的成本，反而可能會加重經營負擔。

第二，從服務模式的角度來看，金融科技拓展了銀行服務邊界。金融科技的應用使銀行具備了業務下沉能力，促進了零售端業務擴張(徐曉萍等，2021[12])。在傳統金融環境中，大型銀行主要依賴對公業務，而大銀行的客群轉型實際上會對中小型銀行展開競爭，二者關系從“井水不犯河水”變為“短兵相接”。大型銀行吸引和擠出了中小型銀行積累的優質客戶資源，致使其盈利水平下降，風險水平上升。

第三，從銀行貸款技術的角度來看，人工智能等新技術的發展能夠增強銀行的軟信息收集能力，減少銀企之間信息不對稱程度(Granja等，2020[13]；Berg等，2020[14])。在傳統經營中，中小銀行更好地掌握地方性小微企業信息。科技的發展升級了銀行的貸款技術，大型銀行的信息劣勢被扭轉，銀行可以從多種渠道收集小微企業軟信息，通過將軟信息“硬化”，提升小微企業信貸供給能力(盛天翔等，2020[15])。相比之下，科技發展減少了“中小銀行優勢”現象，中小銀行所依賴的區域經驗優勢和地緣性經濟優勢被削弱，銀行維系核心客戶的成本和難度加大。

基于以上分析，本文提出如下假設：

H2：金融科技顯著降低了大銀行風險水平，而對中小銀行的影響并不顯著。

(三)金融科技、銀行經營結構和風險承擔

為研究金融科技影響銀行風險的作用機制，本文將從金融科技對銀行經營結構的影響及其風險傳遞機制兩方面進行梳理。

首先，梳理金融科技對銀行經營結構的影響。金融科技的應用幫助銀行具備了業務下沉能力，大型銀行在競爭中具有比較優勢，優質零售客戶大量增加，進而促進了客戶結構和信用結構調整(金洪飛等，2020[16])。在負債端表現為吸儲能力增強，客戶存款比例提高；在資產端表現為信貸供給能力提高，利息收入比例上升。相比之下，中小銀行的客戶資源流失，吸儲難度加大，在負債端更加依賴同業融資。在資產端，主營業務空間被擠壓，不得不增加對同業業務和表外業務的依賴，可以推測，中小型銀行非利息收入比例上升。

其次，梳理銀行經營結構的變化對銀行風險水平的影響。在負債端，客戶存款被視為銀行最穩定的負債來源，具有成本低、期限長、穩定性強等優點(Cornett等，2011[17])。而非存款負債如批發性資金等，不僅付息成本高，且利率風險暴露也較高，因而更易引發危機。在資產端，利息業務具有高收益性，且客戶黏性較高。相比之下，非利息活動的波動較大，非利息收入的邊際增長會導致較低的風險調整利潤，銀行過度依賴非利息業務會惡化風險水平(Stiroh和Rumble，2006[18]；李志輝和李夢雨，2014[19])。

基于以上分析，本文提出如下假設：

H3：金融科技提高大銀行客戶存款占比和利息收入占比，而對中小銀行的作用則恰恰相反。

在常規業務之外，銀行還進行著大量影子銀行業務。作為“平行體系”，影子銀行也具有信用中介等職能，積聚了各類風險。2020年銀保監會發布的《中國影子銀行報告》認為，影子銀行具有“天使與魔鬼的兩重性”，其本身是常規銀行體系的補充，但缺乏必要的監管。為了繞開信貸規模、流向、資本金要求等監管限制，銀行將一些業務進行“包裝”，隱藏在資產負債表的其他會計科目中或直接移出表外，造成資產質量不實，真實風險被粉飾或掩蓋。

金融科技改變著銀行的經營方式，銀行自然也會將新技術應用于影子銀行領域。一方面，金融科技提高了交易的便利性，為影子銀行業務開展提供了便利條件。金融科技的發展可以增加銀行網絡的覆蓋范圍，擴充客戶資源，而客戶群體的擴大也會增加銀行理財、委托貸款等影子銀行產品的發行和銷售量。Buchak等(2018)[6]比較了不同貸款技術下，影子銀行貸款發放差異。研究顯示，應用FinTech的影子銀行可以使消費者更快更方便地獲得貸款，消費者愿意為這種便利買單。研究估計，技術進步大約貢獻了影子銀行總體增長的25%。另一方面，金融科技的發展還會通過加劇銀行間競爭，促進影子銀行擴張。比如，一些小的城商行和農商行偏居一方，面向的客戶群體有限，當地優質客戶會被大型銀行精準“掐尖”，為彌補利潤損失，會轉向通道、同業、投資等影子銀行業務獲取收益。競爭壓力下，為了應對客戶存款的流失，銀行會通過發行高收益的理財產品來變相吸收存款；為了應對優質貸款項目的減少，銀行也有動機降低信貸標準，通過開展“類信貸”業務發放貸款。而影子銀行業務通常游離于監管和救助體系之外，融資實體信用水平較差，產品層層嵌套關聯性強，具有較高風險隱患。

基于以上分析，本文提出如下假設：

H4：在常規業務之外，金融科技還會促進影子銀行規模擴張，提高銀行的隱性風險。

三、研究設計

(一)樣本選擇與數據來源

本文選取了我國60家商業銀行作為研究樣本，包括6家大型國有商業銀行、10家股份制商業銀行，以及38家城商行、6家農商行，銀行類型較為全面。另外，根據銀保監會披露(1)數據來源：中國銀行保險監督管理委員會網站，該統計口徑不包含政策性金融機構等其他類型金融機構。，截至2019年年末，我國商業銀行總資產為232.3萬億元，而樣本銀行合計資產規模為198.8萬億元，占總資產比例的85.6%，說明本文所選樣本可以較好代表銀行業總體特征。樣本期間為2010—2019年。本文所用銀行財務數據主要源于Bank Focus數據庫、WIND數據庫，還有部分是根據銀行年度報告整理所得。

(二)變量選擇

本文主要涉及三類變量：其一，銀行風險和經營指標；其二，銀行金融科技發展水平指標；其三，控制變量。下面分別給出變量的具體定義。

1.被解釋變量。

本文的被解釋變量涉及兩個方面，一是銀行風險水平，二是銀行經營狀況。

銀行風險水平：文獻中常用風險加權資產比率反映銀行的主動風險承擔，相較于不良貸款率等指標，其包含了更多種類的資產，反映了更多風險類型。故本文選取風險加權資產比率(RWA)作為銀行風險水平的基準衡量指標，并將不良貸款率(NPL)、資產減值準備比率(LLR)作為穩健性檢驗的輔助指標。

銀行經營結構：參考郭品和沈悅(2019)[20]的研究，本文選用客戶存款與總付息負債之比(CD)衡量銀行的存款結構。客戶存款是銀行付息負債的主要組成部分，且對銀行的風險、利率等經營狀況缺乏敏感度，穩定性較強。而同業存款等批發性資金對利率高度敏感，易引發流動性問題。當零售市場競爭加劇，籌資困難時，銀行會加大對批發性資金的需求，二者形成互補關系。參考申創和趙勝民(2018)[21]的研究，本文以非利息收入占比(NIIR)作為銀行業務結構的代理變量。銀行的營業收入由利息收入和非利息收入兩部分構成。非利息收入占比越高，說明信貸業務占比越小。

銀行存款與貸款規模：本文以客戶存款總額的自然對數(DEP)衡量銀行存款規模。以貸款總額的自然對數(LOAN)衡量銀行貸款規模。為排除銀行自身因素的影響，本文同時選取相對存款規模(RDEP，存款總額/總資產)和相對貸款規模(RLOAN，貸款總額/總資產)作為穩健性檢驗指標。

影子銀行規模：影子銀行無直接可用的數據，本文根據《中國影子銀行報告》中對影子銀行業務的界定來推算影子銀行規模。對于銀行體系的影子銀行，又可進一步劃分為表內影子銀行和表外影子銀行(李志生和邵楊楠，2021[22])。表內影子銀行主要包括：同業特定目的載體投資，如信托和資產管理計劃、理財產品、投資基金、資產支持證券等，大多記為存放同業、買入返售金融資產、應收款項類投資科目。表外影子銀行主要包括：資金來源方，非保本理財產品；資金運用方，委托貸款、信托貸款和未貼現票據。大多數銀行年報未披露信托貸款和未貼現票據的數據，本文僅以委托貸款表示。經測算，2019年年末，樣本中表內影子銀行(SHADOW)規模為7.75萬億元，與《中國影子銀行報告》披露的10.82萬億元相比，占總量的72%左右。非保本理財產品(WMP)規模18.8萬億元，與《中國銀行業理財市場報告》中所披露的23.4萬億元相比，占總量的80%左右。委托貸款(EL)規模為8.19萬億元，與人民銀行披露的11.44萬億元相比，占總量的72%左右。總體來看，本文樣本能較好地代表銀行業特征。

2.核心解釋變量。

(1)銀行金融科技發展水平。

本文利用網絡爬蟲技術和文本分析技術構建銀行層面的金融科技發展指標。具體構造過程分為三步：構建金融科技詞庫、搜索銀行金融科技文本、文本信息處理。

第一步，構建金融科技關鍵詞庫。參考巴塞爾委員會的報告，金融科技(FinTech)可以劃分為四大業務領域，分別為：支付結算(PS)、存貸款與資本籌集(DLC)、投資管理(IM)、市場設施(MF)。本文將依據這種分類方式，參考《中國金融科技運行報告》《金融科技發展規劃(2019—2021年)》等文件，篩選提取金融科技四大領域相關詞匯，并將其作為詞庫，如表1所示。

第二步，獲取銀行金融科技文本。借鑒李春濤等(2020)[23]的研究，本文通過“關鍵詞+銀行名稱”的形式，利用百度搜索進行Python網絡爬蟲，得到既包含銀行名稱又包含科技名詞的新聞(如“工商銀行”+“大數據”)。為保證搜索結果的準確性，本文還做了以下處理：第一，限制在資訊欄目進行搜索，可以排除廣告等無關信息干擾，且新聞可信度和權威性較高。第二，搜索結果可能存在部分與銀行金融科技發展相關性較弱的新聞。比如，一些財經類新聞僅并列討論了科技類公司和銀行的股票，但可能同時包含金融科技名詞和銀行名稱。為了排除這種干擾，進一步對文本信息進行篩選。如果“銀行名稱”和“科技詞匯”同時出現在新聞標題中，則保留這條新聞。對于標題未出現關鍵詞的新聞，參考朱恩偉等(2019)[24]的研究，進一步爬取新聞內容。當新聞內容中同時出現一定次數以上的“銀行名詞”和“科技詞匯”時，才認定該新聞反映了銀行的金融科技發展狀況。這種做法的依據是：新聞中目標關鍵詞出現的次數越多，說明該新聞與目標主題越接近。本文將該閾值取2，在1 000條樣本的抽樣檢測中，有效樣本可達92%。

第三步，對上述結果進行文本分析。本文利用基于情感詞典的分析方法，區分新聞文本情感傾向，并將其分為三類：積極新聞、中性新聞和消極新聞。然后使用積極新聞與消極新聞之差度量銀行金融科技發展。參考姜富偉等(2021)[25]、李倩等(2022)[26]的研究，主要技術步驟包括：第一，對新聞文本分詞。本文使用jieba模塊進行分詞，并將搜狗詞庫內的經濟、科技詞庫以及本文構建的關鍵詞庫添加入自定義詞庫(2)搜狗詞庫網址：https://pinyin.sogou.com/dict/。本文添加的搜狗詞庫：財經金融詞匯大全、金融市場名詞、人工智能。，以保證分詞結果的準確性。第二，構建金融情感詞典。文獻中通常采用LM詞典分析文本情緒，但該詞典是基于英文財經文本開發的，不能很好適合中文語境。本文在LM詞典基礎上，補充了三種常用的中文情感詞典(知網Hownet、臺灣大學NTUSD、清華大學李軍)，然后篩選、去重得到本文情感詞典。最后，計算新聞情感傾向。根據情感詞典和其他基礎詞典(包括否定詞詞典、程度副詞詞典)(3)本文使用的詞典已在github分享，有興趣的讀者可自行下載：https://github.com/kuntai-master/sentiment_dict。計算每條新聞的凈情緒(式1)。如果情感分數大于0，說明是積極新聞；分數等于0，說明情感傾向是中性；分數小于0，說明是消極新聞。得到上述結果后，以同期正負新聞數量之差計算凈指數(式4)，作為銀行金融科技發展的度量。對上述指標進行對數變換以消除其右偏性。簡要表述如下：

×senti(wordj,k,i,t)

(1)

sig(mj,k,i,t)=(-1)mj,k,i,t

(2)

(3)

(4)

本文指標相對現有研究做出了改進，現有研究通常直接將銀行科技新聞總數量作為測度指標，但是僅考慮新聞的數量，而不深入分析新聞的內容會忽略新聞的異質性。比如，一些新聞可能報道了銀行科技發展的問題或風險，傳達了某種消極信息，這與報道銀行科技的積極新聞存在明顯的區別。因此，如果消極新聞也被計入金融科技指標，可能會高估某些銀行的金融科技發展。本文在以往指標的基礎上，利用基于情感詞典的文本分析方法，進一步區分新聞的情緒，將指標從主要關注新聞數量的量化信息拓展到關注新聞內容和情緒的質化信息，改進金融科技指標的度量。根據本文的測算，以2019年工商銀行為例，以往的直接加總方法會高估22.3%的銀行金融科技水平。

表1 銀行各業務領域的金融科技應用

(2)銀行金融科技指標的有效性檢驗。

為驗證上述方法構建的指標在反映銀行金融科技發展水平方面的有效性，本文同時利用銀行年報的文本信息，構建基于年報的金融科技指標進行對照(FinTech_AR)。銀行年報總結了銀行的經營狀況和未來發展規劃，可以反映銀行的金融科技發展水平和意愿。本文以上市銀行的年報文本作為語料來源，統計金融科技相關指標的詞頻，構造穩健性檢驗指標。

具體步驟為：首先，通過巨潮資訊網(4)巨潮資訊網址：http://www.cninfo.com.cn/new/index。爬取銀行年報，部分缺失年報從各銀行官網手動搜集。然后，利用Python自然語言處理技術和OCR技術將pdf文本轉化為txt格式。最后，對年報中的金融科技類關鍵詞進行詞頻統計，加總得到銀行層面的金融科技測度。需要注意的是，由于年報中一般會采用數字銀行、數字金融、科技創新等總括性詞語描述金融科技，而較少提及具體的技術名詞，本文利用WinGo相似詞工具(5)WinGo財經文本數據庫網址：http://www.wingodata.com。，將金融科技類關鍵詞的所有近似詞添加到關鍵詞庫。經檢驗，基于百度搜索構建的指標與基于年報構建的指標在1%水平上存在顯著的正相關關系，相關系數為0.361。由于年報一般只有上市銀行披露，本文收集到的銀行年報共計356份，樣本數量較少，而百度搜索文本還適用于非上市銀行，可得性更強。所以本文將基于百度搜索構建的指標作為主要解釋變量，將基于年報構建的指標作為穩健性檢驗變量。

(3)銀行金融科技指標的描述性統計。

圖1展示了金融科技指標的分布情況，圖中曲線為正態分布。圖1a為“銀行-年度”新聞數量的分布情況(凈數量)，可以看出該指標具有明顯右偏性，超過40%“銀行-年度”的新聞數量低于50，也有極少數銀行具有非常大的數值。取對數后得到FinTech指標，該指標分布如圖1b所示，可以看到，右偏性基本得到緩解。本文還將樣本按照資產規模中位數分組，結果表明，FinTech分布在不同銀行間存在一定差異，其中大型銀行的FinTech指標平均值較大,為4.5，眾數位于5.5左右，而中小型銀行的FinTech指標平均值較小，為3.3，眾數位于2.5左右。

圖2描繪了FinTech指標的整體時間序列。做法是，按照年度計算FinTech指標的均值，并區分了銀行規模。總體而言，銀行的金融科技水平逐年增長，但大銀行發展明顯快于中小型銀行，尤其是2016年以后，銀行間的差距呈現擴大趨勢。

圖1a 銀行金融科技類新聞數量分布

圖1b 銀行FinTech指標分布

圖2 銀行FinTech變化

3.控制變量。

本文控制了銀行層面的個體因素，主要包括：銀行規模指標(Size)，以銀行總資產的對數值表示。凈息差指標(NIM)，以凈利息收入除以生息資產平均余額表示，用以衡量銀行的利潤情況。盈利能力指標(ROE)，以凈資產收益率表示，衡量銀行的資本使用效率。管理能力指標(Overhead)，以管理費用的自然對數作為管理能力的代理變量。經營效率指標(CIR)，以成本收入比率，即總成本除以營業收入衡量銀行的經營效率。流動性指標(Liquidity)，用貸款總額與存款總額之比衡量銀行的流動性狀況。主要變量的定義與描述性統計如表2所示(6)受篇幅限制，變量間的相關系數表格未列出，感興趣的讀者可聯系作者索取。。

表2 主要變量含義與描述性分析

(三)模型構建

本文旨在驗證金融科技發展對銀行風險和經營行為的影響。為避免個體層面和時間層面因素可能帶來的內生性問題，采用雙向固定效應模型進行估計，如下：

Yi,t=α+βFinTechi,t+φControlsi,t+μi+λt+εi,t

(5)

其中：下標i代表銀行，t代表年度。Yi,t代表被解釋變量，根據研究問題的不同，分別取銀行風險指標、存款結構指標、業務結構指標、存貸款規模指標和影子銀行指標。FinTechi,t表示銀行金融科技發展水平，包括總體科技水平及四個子領域的科技水平。Controlsi,t表示銀行層面控制變量，包括銀行規模(Sizei,t)、盈利能力(ROEi,t)、管理能力(Overheadi,t)、凈息差(NIMi,t)、經營效率(CIRi,t)和流動性(Liquidityi,t)等。μi表示個體層面固定效應，λt表示時間層面固定效應，εi,t表示隨機誤差項。

四、實證結果分析

(一)銀行金融科技發展對風險的影響

表3報告了雙向固定效應模型的估計結果。列(1)～列(5)分別表示金融科技總體指標(FinTech)、支付結算類指標(PS)、存貸款與資本籌集類指標(DLC)、投資管理類指標(IM)、市場設施類指標(MF)的估計結果。總體上，金融科技指標和不同金融技術變量的系數均顯著為負，表明銀行金融科技與風險水平負相關，金融技術的積極作用超過了消極作用。從四個業務領域來看，四種技術指標與風險均呈負向關系，未體現出明顯的差異性。可能原因在于，銀行通常追求全方位、全流程的轉型，先進技術會在較廣范圍使用，科技發展在各業務領域相對均衡。換言之，銀行在數字化轉型中，一般致力于各類技術的協同發展。

表3 銀行金融科技發展對銀行風險影響(基準模型)

(二)異質性分析(7)受篇幅限制，文中未列出異質性分析的回歸結果，感興趣的讀者可聯系作者索取。

不同銀行樣本在所有權性質、資產規模、金融科技運用水平等方面存在較大差異，本文擬將全樣本進行劃分，進一步考察金融科技對銀行風險的抑制作用是否會依賴銀行的特質而呈現出異質性特征。

1.基于銀行規模分組。

首先，本文考慮基于銀行資產規模的分樣本研究。本文依據銀行資產規模是否大于中位數進行分組，回歸結果顯示，金融科技對銀行風險的抑制作用在大型銀行中更為顯著。為驗證結論的穩健性，本文同時以40(60)、30(70)分位數劃分樣本，各變量系數符號和前文基本一致。

2.基于銀行屬性分組。

其次，本文考慮基于銀行屬性的分樣本研究。本文根據銀行所有權結構不同，將銀行劃分為國有銀行與非國有銀行。結果顯示，國有銀行運用金融科技管控風險能力更強。

3.基于銀行金融科技發展策略分組。

最后，本文考慮基于銀行科技發展策略的分樣本研究。本文根據銀行是否設立科技子公司，將樣本進行劃分(共有12家銀行設立了科技子公司)。結果顯示，設立科技子公司的銀行相較于未設立銀行能夠更好地管理自身風險。

分組回歸過程中，為保證結果穩健，本文還進行了組間系數差異檢驗。本文運用費舍爾組合檢驗(Fishers Permutation test)，通過自抽樣(Bootstrap)1 000次計算經驗P值(empirical p-value)，來檢驗組間系數差異。本文回歸結果的經驗P值至少在10%的水平上顯著，表明FinTech系數在兩組間存在顯著差異。

綜合以上結果，依據銀行資產規模、所有權性質和科技發展模式的分組均表現出較為明顯的差異。實際上，這三種分組方式均與銀行規模有關，不同的分組實際上是通過不同方式區分了大型銀行和中小型銀行。國有銀行和設立科技子公司的銀行金融科技發展水平較高，且一般都具有較大的規模和知名度，能充分發揮金融科技的積極作用，這些銀行的風險水平在金融科技助力下得到顯著改善，本文結論穩健。

(三)機制分析：基于銀行資產負債表的檢驗(8)受篇幅限制，文中未列出機制分析的回歸結果，感興趣的讀者可聯系作者索取。

為了探究差異性影響的深層原因，本文從銀行資產負債表入手進行分析。

1.基于銀行負債端的檢驗。

從負債端入手，以客戶存款占比作為關鍵被解釋變量進行回歸。結果表明，金融科技(FinTech)對大銀行的客戶存款比率(CD)具有正向影響，但對小銀行沒有顯著影響。為進一步檢驗銀行存款結構的優化是否來源于存款規模的改善，本文同時選用客戶存款規模(DEP)和相對存款規模(RDEP)作為被解釋變量。兩種結果反映了相同的趨勢，在大型銀行樣本中，金融科技顯著拓展了存款規模，而中小型銀行卻面臨存款的流失。

2.基于銀行資產端的檢驗。

從資產端入手，以非利息收入比率作為關鍵被解釋變量進行回歸。結果表明，金融科技(FinTech)與大銀行的非利息收入占比(NIIR)負相關，與小銀行正相關。為進一步檢驗銀行業務結構的優化是否來源于信貸規模的增長，本文選用貸款規模(LOAN)和相對貸款規模(RLOAN)作為被解釋變量。結果顯示，大銀行發展金融科技有助于信貸總量擴張，而中小銀行變化不明顯。

綜合來看，科技賦能下，憑借資金、知名度等優勢，大銀行吸引了大量新增客戶，市場份額不斷攀升，而中小銀行比較優勢被削弱，市場份額被擠出，金融市場蛋糕將被重新劃分。

(四)拓展分析

1.基于面板門限模型的估計。(9)受篇幅限制，面板門限模型的內生性檢驗結果未列出，感興趣的讀者可聯系作者索取。

為了更準確地描述變量間非線性關系，避免主觀分組誤差，本文采用Hansen提出的面板門限模型對銀行金融科技水平與風險承擔之間的關系進行檢驗。主要思想是：在經濟系統內部尋找一個門限值，使該門限值兩邊存在顯著結構變化，即結構變化內生于經濟系統，可以避免模型的主觀設定偏誤。當門限變量越趨近門限值時，回歸模型的殘差平方和越小。模型設定如下：

Yi,t=α+β1FinTechi,t×I(Sizei,t≤γ)+β2FinTechi,t

×I(Sizei,t>γ)+φControlsi,t+μi+λt+εi,t

(6)

其中:I(·)為示性函數，其取值取決于門限變量(Size)和門限值γ，當括號內表達式為真時，I(·)=1，反之為0。其余變量與前文含義相同。還要說明的是，模型(6)只考慮了單一的門限值，如果考慮多個門限值，模型可進一步地拓展。

首先，需要檢驗門限效應是否存在，并確定門限值的個數。本文模型設定Bootstrap自迭代次數為1 000 次，結果如表4所示。自抽樣結果表明，銀行規模的門限效應至少在10%的水平上顯著，且單一門限模型和雙重門限模型均通過檢驗，無論是否含有控制變量，結果保持穩健。因此，可以認為，模型存在兩個門限值，表5為門限值估計結果。

為了更直觀地說明模型估計過程，本文在95%的置信區間下繪制了似然比函數圖，如圖3。與表5列(2)對應，門限變量估計值是似然比統計量(LR)趨近于0時對應的γ值。雙重門限模型對應的兩個門限估計值分別為25.562 3和30.230 6，且對應的LR統計量最低點明顯小于虛線所示的臨界值7.35，說明上述門限值是真實有效的。

表4 門限效應檢驗結果

表5 門限變量估計值

圖3 銀行規模的雙重門限估計結果(含控制變量)

在得到門限值后，可進一步得到對應的面板門限回歸結果，見表6。被解釋變量為銀行風險加權資產比率(RWA)，解釋變量為銀行金融科技總體水平(FinTech)。根據銀行規模(Size)的門限值，可將銀行樣本劃分為三個區制。如(2)中，當資產規模足夠大時(Size>30.230 6)，銀行金融科技發展對風險具有顯著抑制作用，影響系數為-2.169 3，在1%的水平上顯著；當資產規模較大時(25.562 3

最后，對門限分組結果進行分析，得到不同銀行的金融科技發展策略。考慮到面板數據因時間跨度會產生“組別跳躍”問題，參考余東華和張明志(2016)[27]的方法，結合使用均值法和最大比例狀態法作為分組依據，當兩者不一致時，以最大比例狀態法為準。分組結果為，規模足夠大的銀行僅包括中、農、工、建四大國有銀行，明顯區別于其他銀行。這些銀行應積極發展金融科技，充分發揮科技賦能作用。規模較大的銀行主要是股份制銀行和城商行，其金融科技發展具有一定效果，可以適度加大科技投入，改善經營狀況。但對于一些規模較小的城商行和農商行，金融科技發展不具有顯著成效。這符合銀行面臨的現實，中小型銀行科技人才短缺，數字化轉型滯后，作為“跟隨者”，技術缺少自主創新，產品同質化明顯，缺乏獨特優勢，因此，高額的科技成本投入不能有效轉化為產出提升。對于這些銀行，應正視自身局限性，在數字化轉型進程中，采取差異化的科技發展策略，有取舍而非面面俱到，與大行“錯位競爭”。

表6 門限模型回歸結果

2.基于金融科技發展階段的檢驗。(10)受篇幅限制，文中未列出回歸結果，感興趣的讀者可聯系作者索取。

金融科技具有不同的發展階段，尤其技術的發展具備較長的周期。在金融科技起步時期，需要大量的成本投入和基礎設施建設，在金融科技發展成熟后，新技術帶來相對高效性，銀行的經營模式改善，單位成本降低，風控水平提升。因此，在不同的階段下，金融科技對銀行風險的作用效果或有不同。文獻中通常將2016年視為“金融科技元年”(魯釗陽和馬輝，2021[28])。據此，本文將2016年作為樣本劃分節點進行分組回歸。

結果顯示，在2016年之前，金融科技對銀行風險的作用效果并不顯著，而2016年之后，金融科技成效開始顯現，特別是大型銀行，金融科技發展對銀行風險的抑制效果明顯強于2016年之前。相比之下，中小型銀行的金融科技發展未體現出明顯的階段性差異。除此之外，對于不同類型銀行，在2016年之前，大銀行與中小銀行的金融科技成效差異不明顯，在2016年之后，銀行間出現較為明顯的差異。

綜合來看，金融科技發展對不同類型銀行、不同時期的銀行都存在非對稱性影響。對于大型銀行來說，在金融科技興起初期，銀行的金融科技投資并未顯著改善風險水平，在金融科技發展較為成熟后，對風險的抑制作用開始顯現。對于中小銀行而言，金融科技的效果尚未顯現。

3.基于影子銀行的檢驗。(11)受篇幅限制，影子銀行的回歸結果未列出，感興趣的讀者可聯系作者索取。

銀行在核心業務之外，還進行著影子銀行業務。為更全面研究金融科技發展下我國銀行的經營和風險變化，本文進一步將影子銀行納入分析框架。

影子銀行發展與監管背景有著密不可分的聯系。自2013年起，原銀監會頒布《商業銀行資本管理辦法(試行)》(俗稱“中國版巴塞爾協議Ⅲ”)，規定了資本充足率為核心的監管要求，商業銀行面臨的資本監管壓力變大，出于監管套利的動機，從事影子銀行活動的激勵增加(劉莉亞等，2019[29])。經過一段時期的快速增長，2016年年底，中央經濟工作會議提出了防范金融風險的工作要求，2017年，針對銀行業的監管收緊，“三三四十”系列專項整治活動陸續開展，影子銀行中部分同業、投資和理財業務受到限制。到了2018年，《商業銀行委托貸款管理辦法》《關于規范金融機構資產管理業務的指導意見》(簡稱《資管新規》)等監管條例正式出臺，開始專門針對影子銀行進行整治，影子銀行規模大幅下降。因此，為了排除政策因素對結果的干擾，本文采取以下辦法：第一，刪除2018年及以后的樣本；第二，為了捕捉監管壓力引致的影子銀行規模變動，本文進一步將監管壓力變量加入模型(7)：

Yi,t=α+β1FinTechi,t+β2Pressurei,t+φControlsi,t

+μi+λt+εi,t

(7)

(1)基于表內影子銀行的檢驗。

以表內影子銀行(SHADOW)為被解釋變量的檢驗結果顯示，金融科技對中小型銀行的表內影子銀行規模具有正向影響，但對大型銀行沒有顯著影響。可能的差異原因在于：一方面，金融科技的發展加劇了銀行競爭，中小型銀行的經營壓力增加，可能面臨資本金不足、信貸資金缺乏等問題，通過資產騰挪操作可以節約資本金并回籠資金，因而擴張影子銀行業務的動機增加。另一方面，中小銀行的優質客戶被分流，為了滿足一些長尾客戶的需求，不得不降低信貸標準，通過通道、同業、投資等方式實現貸款發放，這些業務也會造成影子銀行規模擴張。結合前文結論，金融科技提高了中小型銀行的非利息收入占比，可能是由于影子銀行業務的擴張所導致。中小型銀行的監管壓力(Pressure)指標顯著為負，說明銀行面臨的監管壓力越大，影子銀行擴張越明顯，符合理論預期。而大型銀行資本充足水平普遍較高，達標壓力不大，影子銀行擴張與監管壓力相關性較弱。

(2)基于表外影子銀行的檢驗。

本文分別以非保本理財產品(WMP)和委托貸款(EL)作為被解釋變量進行檢驗。總體來看，大型銀行的金融科技發展與表外影子銀行擴張正相關，中小型銀行則相關性不強。對于理財業務而言，以往的理財產品發行一般是通過銀行網點進行。金融科技促進了手機銀行等工具的開發與使用，大型銀行利用知名度優勢，可以吸納更多客戶，增加理財產品的發行和銷售量；對于委托貸款業務而言，大型銀行的優勢則更明顯，委托貸款出資人往往愿意與具有高知名度的大型銀行合作，委托貸款發放量增加。而中小型銀行本身規模較小，客戶資源有限，發展新技術增加的理財產品銷量有限，且社會知名度偏低，吸引到的委托貸款出資人有限，因此表外影子銀行擴張不明顯。

綜合來看，金融科技發展對影子銀行業務具有正向影響，表現為促進大型銀行的表外影子銀行業務增長和中小型銀行的表內影子銀行業務增長。差異的原因在于，銀行的資源稟賦不同、表內和表外影子銀行產品差別，導致金融科技的作用效果各異。表外影子產品中的理財和委托貸款業務，依賴于銀行的規模和知名度優勢，因而大型銀行的業務擴張更快。而表內影子銀行主要是通道、同業、投資等業務，有利于短期內缺乏資金的中小銀行快速融通資金。

對于銀行風險而言，表內和表外影子銀行都可能會造成銀行的真實風險水平被低估。《巴塞爾協議Ⅲ》規定銀行的風險加權資產擴張不能超過資本金的限制，不同風險的資產對應了不同權重。對表內資產而言，一般貸款項目的風險權重為100%，但將資產“包裝”后，按照會計記賬規則，資產科目貸款減少，現金增加，金融投資類科目增加(自留機制要求持有大于5%的比例)。現金的權重為0，只要對應的金融投資科目權重不是非常高，這種資產騰挪就可以降低銀行賬面的風險資產規模。對于表外業務而言，雖然按照規定，委托貸款和非保本理財的風險和損失應該由委托人和投資人承擔。但由于“抽屜協議”或“剛性兌付”的存在，銀行還是對這些業務承擔了一些信用風險。因此，如果銀行將金融科技應用于擴張影子銀行業務，會提高實際風險承擔。并且，基于風險加權資產指標的監管標準，不能有效捕捉這些信用風險。換句話說，銀行的隱性風險提高了。

直觀上來看，影子銀行業務相對類似的常規銀行業務具有更高的風險，在不考慮影子銀行的因素時，前文結論傾向于高估金融科技對銀行風險的積極作用，而低估了消極作用。具體消長程度仍需進一步的研究，但本文結論可以提供一個參考，明晰金融科技影響銀行風險的路徑以及可能存在的影響因素及影響方向。

(五)穩健性檢驗(12)受篇幅限制，文中未列出穩健性檢驗結果，感興趣的讀者可聯系作者索取。

1.使用工具變量。

金融科技與銀行風險之間可能存在雙向因果關系。比如，風險水平越低的銀行，往往越關注風險管理，也更樂于發展金融科技來增強自身的風控能力。為解決這一問題，本文采用工具變量法對模型重新估計。

借鑒Cheng和Qu(2020)[31]的研究，以銀行的薪資水平(Salary)作為工具變量，進行面板數據兩階段最小二乘(2SLS)估計。工具變量的選取考慮到，金融科技發展水平與勞動力轉移有關，高科技人才引領了金融科技發展。銀行的薪資水平越高，越有可能吸引科技人才，越有可能推動銀行金融科技的發展。因此，銀行薪資水平與銀行金融科技水平相關，但其與銀行風險并不直接相關。工具變量的2SLS回歸結果支持前文結論。

2.對金融科技變量進行標準化處理。

本文依據百度中的公開媒體信息構造金融科技變量，一種潛在的可能是，不同銀行的媒體關注度不同。比如，規模較大的銀行具有較高的媒體關注度，同樣的金融科技水平下，其新聞報道數量高于小銀行。為緩解這一問題，本文對金融科技指標進行標準化處理，通過控制銀行規模和總新聞數量進行穩健性檢驗。本文采取兩種方法：一是，將金融科技指標除以銀行當期的總資產規模；二是，用金融科技指標除以該銀行新聞總數量。但是，百度搜索的結果與鍵入關鍵詞的內容有關，無法直接得到一家銀行的新聞總數。考慮到該種誤差的本質是銀行的媒體關注度差異，因此，本文將“銀行名稱+新聞”作為基準關鍵詞，重新爬取百度資訊，得到該關鍵詞下的新聞總數量，作為衡量銀行媒體關注度的指標。然后計算銀行金融科技指標與同期的媒體關注度之比作為替代指標。結果表明，大銀行發展金融科技降低了自身風險，而對中小銀行來說，金融科技的風險抑制作用并不顯著，本文結果穩健。

3.改變金融科技變量的測度方式。

如果新聞報道本身具備選擇性，金融科技與銀行風險之間還可能存在內生性問題。例如，整體收益較好、風險水平穩定的銀行具有更高的關注度，其金融科技的發展和應用會被媒體新聞報道更多，那么金融科技指標就會和銀行風險相關聯。為避免這一問題，本文依據銀行的年報文本，重新構造金融科技指標(FinTech_AR)，進行穩健性檢驗。本文使用兩種指標：一是，直接統計銀行年報中金融科技關鍵詞的詞頻；二是，考慮年報的篇幅長短差別較大，本文統計了年報文本的總詞數(剔除數字、標點、停用詞等無關信息)，用金融科技詞頻除以年報總詞數控制其影響。結果顯示，金融科技對銀行風險的抑制作用在不同銀行樣本中仍存在顯著差異，說明上文結論在替換了解釋變量時依然是成立的。

4.替換銀行風險變量。

本文替換了銀行的風險度量標準，使用不良貸款率(NPL)和貸款減值準備比率(LLR)代表銀行風險水平。不良貸款率反映銀行的實際信用風險，貸款減值準備比率可以反映銀行的經營狀況和風險承擔意愿。基于公司治理理論，銀行在收入水平較高時會增加貸款減值準備，在收入水平較低時會減少貸款減值準備。在替換了被解釋變量后，本文結果依然穩健。

五、結論及政策建議

本文結合網絡爬蟲技術和文本分析技術建立了銀行層面的金融科技發展指標，然后利用2010—2019年60家商業銀行的數據實證分析了金融科技對銀行風險的影響。研究得出如下結論：

第一，總體來看，金融科技發展可以顯著降低銀行風險水平，上述結論在經過了一系列穩健性檢驗后仍然成立。

第二，異質性分析表明，對于國有銀行、設立科技子公司的銀行和資產規模較大的銀行來說，其新型技術應用融合情況較好，風險水平得到顯著抑制。而對非國有銀行、未設立科技子公司的銀行和中小型銀行來說，金融科技的消極影響抵消了積極影響，總體風險無顯著改善。

第三，機制分析表明，科技發展通過推動銀行的營業結構轉變進而影響銀行的風險水平。金融科技提高了大型銀行的比較優勢，擴充了其客戶群體和業務空間，銀行存款規模和貸款規模提高，存款結構和業務結構改善。而金融科技削弱了中小型銀行比較優勢，其原有業務空間受到擠壓，核心客戶流失，盈利水平下降，總體風險上升。金融科技將改變銀行業市場格局，重新劃分資源蛋糕。

第四，門限效應檢驗表明，金融科技對銀行風險的影響發生了結構性變化，即二者存在非線性關系。隨著銀行規模的增加，金融科技對銀行風險的抑制效果非線性增強。存在銀行發展金融科技的最優規模區間，當銀行規模處于較大區制(越過第一門限值)時，金融科技風險抑制效果明顯，當銀行規模處于較小區制時，這一抑制效果并不顯著。

第五，基于影子銀行的分析表明，金融科技與影子銀行規模增長正相關，說明新技術的應用也給影子銀行發展提供了便利。金融科技可能會通過提高影子銀行規模進而增加銀行的隱性風險。

根據研究結論，本文提出如下建議：

第一，中小銀行應把握金融科技趨勢，合理選擇轉型方向。中小銀行對金融科技的運用還不充分，獲客渠道未得到拓展，借此防控風險也未取得顯著成效。受到資金或地域限制，中小銀行不能復制大銀行的發展模式，技術投入與運用也應根據自身稟賦條件，開創具有比較優勢的金融產品與服務。

第二，在科技發展政策方面，政策制定應結合銀行的特征和發展階段，避免“一刀切”。比如為大型銀行的金融科技發展提供良好的政策環境，鼓勵其自主創新。為中小型銀行研發通用的系統和數字化平臺，供其免費或低成本使用，以基本滿足中小型銀行技術發展需求，減少其科技投入的成本。引導銀行合理進行科技投入，避免加重其經營負擔。

第三，不同類型的銀行應把握好自身需求和市場定位，避免傳統存量博弈，努力形成業務互補，創造市場增量。金融科技的發展將加劇銀行間的資源爭奪，大型銀行分流了中小銀行的客戶，擠占了其業務空間。然而，從整個行業的角度來看，金融科技發展的重心不應放在通過結構調整爭奪原有市場，而應該放在助力銀行延伸服務邊界，努力開辟新增市場，提高總體金融服務的可得性和包容性。

第四，根據商業銀行的不同類型與發展模式，采取差異化的監管措施。金融科技的運用打破了原有市場均衡，重塑了金融市場格局。針對大型銀行，應在風險可控的前提下，防范其為搶占市場而引發過度競爭的風險。針對中小銀行，應引導鼓勵銀行找到新的盈利增長點，并規范其產品和經營，防控同業和投資等業務經營風險。另外，由于非利息業務無需提取準備金，還應防止銀行的過度杠桿，在控制個體風險的同時杜絕系統性風險。

第五，在審慎監管框架下，持續完善對影子銀行的監管。金融科技發展給影子銀行業務的發展提供了便利條件，可能導致不同類型銀行中影子銀行結構調整。現有針對影子銀行的監管條例已經取得了一些成效，但仍存在按下“葫蘆”浮起“瓢”的現象。監管部門應逐步引導金融機構利用金融科技手段更好地管理影子銀行業務風險，而不是利用新技術進行監管套利。