金融科技對金融穩定的影響研究

鄭麗雅 鄔巧云 岑濤

摘 要：近年來，金融科技的發展及風險防范問題引起了政府和學術界的廣泛關注。本文試圖從金融科技角度探究其對金融穩定的影響，以我國191家商業銀行2013—2021年數據為樣本，對金融科技與金融市場穩定關系進行實證分析。研究結果同時具有統計顯著性和經濟顯著性，金融科技發展水平每增加10%，商業銀行個體風險平均增加0.505%；金融科技發展水平每增加1個單位標準差，商業銀行個體風險的平均提升幅度相當于樣本標準差的18.08%。進一步研究表明，金融科技發展水平通過影響商業銀行的客戶存款比率、風險資產占比、存貸比及風險承擔進而增加我國商業銀行的風險水平。異質性分析表明，金融科技發展使商業銀行利潤結構性變化，且對商業銀行個體風險影響在其銀行規模相對較小、非利息收入比相對較低及競爭水平相對較低時更加顯著。本文研究為如何更好地監管金融科技及防范系統性金融風險提供了借鑒。

關鍵詞：金融科技；金融穩定；非利息收入比；系統性風險

本文索引：鄭麗雅，鄔巧云，岑濤.<變量 2>[J].中國商論，2023（23）：-137.

中圖分類號：F830.33 文獻標識碼：A 文章編號：2096-0298（2023）12（a）--08

金融科技的發展和風險防范引起了黨和國家的高度重視。2014年3月，中國政府工作報告首次提及金融科技。2017 年底的中央經濟工作會議上，習近平總書記指出，“打好防范化解重大風險攻堅戰，重點是防控金融風險，要服務于供給側結構性改革這條主線，促進形成金融和實體經濟、金融和房地產、金融體系內部的良性循環，做好重點領域風險防范和處置，堅決打擊違法違規金融活動，加強薄弱環節監管制度建設（陸茜：《中央經濟工作會議解讀：2017年中國經濟八大看點》 ，2016年12月17日，http：//www.gov.cn/xinwen/2016-12/17/content_5149174.htm，2022年4月5日訪問。）。”

2019年8月，中國人民銀行印發了關于金融科技未來三年發展規劃，將金融科技在風險管理方面的應用推向全新的高度（經濟日報：《央行印發三年發展規劃 全面提升金融科技應用水平》，2019年8月23日， http：//www.gov.cn/xinwen/2019-08/23/content_5423631.htm，2022年4月5日訪問）。

《“十四五”規劃》提出，探索金融科技的監管框架，確保金融科技穩妥發展；2021年的《政府工作報告》強調，對金融控股公司和金融科技加強監管，審慎推進金融創新。在金融科技e-science的新時代，如何防范金融創新可能引起的風險對于我國構建發展新格局、守住不發生系統性的底線及提升核心競爭力顯得尤為重要。

近年來，隨著大數據、區塊鏈及人工智能等技術的興起和成熟，中國的金融科技創新發展已經在世界遙遙領先，然而，金融科技顯著推動銀行業競爭和銀行效率，深刻變革了銀行業的傳統競爭格局。商業銀行在服務場景、渠道、信息和資金等方面失去原有優勢。那么，在金融科技不斷發展迭代的背景下如何防范系統性金融風險，維護金融穩定，提升銀行的業績及穩定性，是當前我國面臨的重要議題。

關于金融科技的研究，現有研究主要關注金融科技對金融業和非金融業的影響。就金融業而言，現有研究主要從銀行的風險承擔、銀行經營績效、盈利性及銀行業競爭等角度展開不同的探索，如金洪飛等（2020）、熊健等（2021）、 邱晗等（2018）、李俊等（2022）。另外，部分學者從非金融企業的融資、投資及全要素生產率等角度對金融科技可能對企業的影響進行不同的探索，如盛天祥和范從來（2020）、巴曙松等（2020）、宋敏等（2021）、鄭麗雅和易憲容（2022）、劉偉和戴冰清（2022）等。

目前，現有文獻關于金融科技與金融穩定的影響主要聚焦于金融科技對金融效率的影響。第一，金融科技可以突破時空限制，提供觸達客戶的產品、服務、渠道和平臺，擴大覆蓋范圍。同時，基于數據挖掘等技術的搜尋可以實時掌握客戶的需求，挖掘潛在客戶，提升金融體系的透明度，降低信息不對稱程度，給商業銀行帶來了新的生機，優化資源配置提高了商業銀行個人客戶資金循環體系，減輕了商業銀行的風險負擔，提高了其運營效率，降低商業銀行的破產風險從而促進了整個金融體系的穩定（Berger， 2003; 劉忠璐，2016；劉春航等，2017；孫娜，2018）。第二，金融科技接管傳統商業銀行的某些職能，導致商業銀行的存款率下降，分流了部分客戶。金融科技搶占了商業銀行在小微貸款市場的份額，增加了商業銀行破產的潛在風險，從而降低整個金融體系的穩定性（張金林和周焰，2015）。

這兩方面研究分別從不同維度說明了金融科技對金融系統穩定的影響，具有較強的理論和現實意義。但是，已有研究尚未達成一致，同時也忽略了一種可能性，從微觀角度看，商業銀行作為我國金融的重要組成部分，其個體風險本身可能會通過對該銀行的影響進而引起整個體系的系統性風險，從而影響我國金融市場的穩定。

從理論上講，一方面，基于金融中介理論，以大數據、云計算、區塊鏈、人工智能為基礎的金融高科技的提出通過數據加密、數據挖掘等技術可以使資金供求雙方通過在線完成合約的定價及交易，大大節約了交易成本，提高了交易的效率，形成了一個信息完全充分的“交易集合”，克服了傳統商業銀行的逆向選擇及道德風險等問題，實現信息的完全透明，提升資源配置的效率，然而這種“去中介化”的交易模式也同樣分流了商業銀行的客戶資源，如小微貸款等平臺的出現降低了傳統商業銀行的壟斷地位，導致其盈利潛力和水平下降，從而可能會增加商業銀行的經營風險及個體風險。另一方面，從交易成本經濟學角度來看，金融科技的出現降低了傳統商業銀行的管理成本和時間成本，通過網絡化和鏈群合約等方式提升了交易的效率，同時也倒逼商業銀行進行改革，與此同時，商業銀行在轉型期間可能由于初期對金融科技等相關技術運用的不熟悉從而產生高風險業務，增加商業銀行的風險承擔，進而降低銀行的穩定性。

基于以上分析，本文通過手動搜集整理，利用Python技術基于文本挖掘方法構建金融科技指數，在此基礎上基于我國191家商業銀行面板數據，對金融科技發展與商業銀行穩定性之間的關系進行了實證研究。本文發現，金融科技發展增加了商業銀行個體的風險。

平均而言，從統計學來講，金融科技發展水平每增加10%，商業銀行個體風險平均增加0.505%；從經濟意義而言，金融科技發展水平增加1個單位的標準差，商業銀行個體風險的增加幅度相當于樣本標準差的18.08%。進一步研究表明，金融科技發展水平通過影響商業銀行的客戶存款比率、風險資產占比、存貸比及風險承擔進而增加我國商業銀行的風險水平。異質性分析表明，金融科技發展水平會導致商業銀行利潤結構性變化，且對商業銀行個體風險影響在其銀行規模相對較小、非利息收入比相對較低及競爭水平相對較低時更加顯著。

1 理論分析與研究假設

近年來，金融科技在全球迅速發展，極大提升了銀行的服務水平和經營效率，但也深刻改變了銀行業的競爭格局。為了發展金融科技，銀行積極推進數字化運用，與科技企業在不同的價值鏈環節開展合作，以應對不斷白熱化的市場競爭（巴曙松和白海峰，2016）。

銀行價值鏈由封閉的自我循環模式轉向開放的合作模式，且價值鏈中的高附加值活動存在向少數企業集中的趨勢。銀行業的風險特征也由此發生重要變化：傳統的戰略、信用、流動性、操作、法律風險以及系統性風險依然存在，而且變得更加復雜；科技風險、網絡風險與數據安全等問題日漸凸顯（Jiménez et al.， 2013; Anginer et al.，2014）。

理論上講，傳統商業銀行主要利潤來源于其利用自身的信息優勢能夠對接資金需求和供給方，從而獲取中介利潤。然而，隨著金融科技等技術的應用，移動支付、人工智能及網絡借貸等產品的推出打破了商業銀行原有的信息優勢，區塊鏈技術的突破實現了信息的完全透明，使得金融市場參與主體更加多元化，同時給予人們除了銀行外更多平臺的選擇，使得銀行存款利率大幅度流失，對商業銀行的盈利能力及穩定性都具有較大沖擊性。

第一，金融科技企業以長尾理論為基礎，注重小利潤大市場，利用人工智能技術和大數據分析，將商業銀行排除的客戶納入其目標受眾，實施廣泛的市場拓展（于波等，2020）。這讓金融科技公司以更低的成本和更低的門檻，例如眾籌和網絡借貸，挖掘潛在客戶需求，讓各社會階層都能輕松獲得投資和融資等相關服務。金融科技有三個主要的客戶群體，包括中小企業、“千禧一代”和其他被傳統銀行忽視的群體（于鳳芹和于千惠，2021）。

這三個群體對金融資源有巨大需求，但長期以來被傳統金融機構忽視。金融科技企業通過在線應用、微信、短信邀約和電話等多種方式，及時向長尾客戶介紹其金融產品和服務。例如，“螞蟻花唄”和“京東白條”等金融科技產品更注重普通客戶需求，吸引了大量客戶，壓縮了商業銀行的潛在客戶和市場份額。

第二，金融科技企業大規模收集各種維度的數據，應用先進的算法和模型，首先在關鍵消費領域和金融服務領域嵌入金融服務，搶占商機，導致商業銀行失去了競爭優勢（黃益平和黃卓，2018）。

金融科技企業通過在客戶流量、大數據收集與分析、風險評估和服務提供等方面的獨特優勢，持續推出內嵌金融服務產品，豐富了金融科技應用場景，使客戶能夠輕松獲取金融信息，自由選擇服務時間和渠道，從而協助一般用戶更好地篩選金融服務和產品（易憲容等，2020）。

與金融科技企業相比，傳統商業銀行的服務模式單一、流程繁瑣，難以滿足平臺用戶的金融需求，降低商業銀行客戶黏性，造成部分客戶流失，進而降低商業銀行盈利水平，增加商業銀行的風險。

第三，金融科技企業在信息技術和金融領域的深度融合和滲透方面，已經形成了獨特的產品、服務和平臺。結合大數據、人工智能技術與區塊鏈技術，金融科技實現了數據的開放共享和交易，催生了智能投顧服務，重新塑造了金融行業格局（易憲容等，2019）。

可以預見，未來智能醫療、智能出行、智能零售、房屋租賃、移動通信等領域將迎來快速發展。與此同時，傳統商業銀行的自主研發能力相對較弱，研發資金相對不足。與互聯網企業和新型金融機構相比，傳統商業銀行的戰略激勵投資和經營資源投入難以滿足新興金融業務的需求。面對科技公司的多領域競爭，技術相對滯后的商業銀行盈利能力勢必會受到沖擊。

最后，由于盈利能力、資源稟賦以及人才儲備等諸多因素的差異，金融科技對不同規模、不同盈利能力的商業銀行沖擊存在差異性。在金融科技的“競賽”中，中小商業銀行面臨諸多困難，業績表現分層。大型商業銀行不僅具有政策優勢，其資金規模、治理結構、內部控制和風險管理方面都比較完備，即使應對金融科技的沖擊時，能夠為轉型和升級提供充足的資本儲備（王兵和朱寧，2011）。相對資本充足的大型商業銀行，資產規模相對較小的商業銀行更多屬于農村商業銀行，其初衷就是服務于農村經濟建設（盛煜，2012），難以挖掘新的盈利增長點，這就使得資本不足的商業銀行在金融科技改革的浪潮中存在較為嚴重的擠出效應，難以適應新時代。

綜合上述分析，本文提出假設：

假設H1：金融科技顯著增加商業銀行個體風險；

假設H2：金融科技發展水平會導致商業銀行利潤結構性變化，且對商業銀行個體風險影響其銀行規模相對較小、非利息收入比相對較低及競爭水平相對較低時更加顯著；

假設H3：金融科技發展水平通過影響商業銀行的客戶存款比率、風險資產占比、存貸比及風險承擔進而增加我國商業銀行的風險水平。

2 樣本選取與數據來源

2.1 樣本選取與數據來源

2.1.1 樣本選取

本文數據主要由以下幾部分構成：（1）金融科技發展水平指數基于Pythons數據，利用文本挖掘法構建。銀行微觀數據源自銀行年報、Orbis Bank Focus數據庫、國泰安CSMAR和Wind銀行財務數據庫。

（2）參考以往文獻（胡題和謝赤，2013； Angkinand et al.，2010），用不良貸款率衡量商業銀行個體風險的程度，在穩健性檢驗中，采用商業銀行破產風險zscore作為NPL的替代變量。以上數據均源自 Orbis Bank Focus 數據庫及Wind銀行財務數據庫。

（3）調節變量，銀行資產規模、非利息收入比和商業銀行效率作為調節變量，數據源自Orbis Bank Focus 數據庫及Wind銀行財務數據庫，其中商業銀行效率具體計算見下文。

（4）宏觀變量，如各省國內生產總值增長率（GDP Growth）、各省消費者價格指數增長率（CPI Growth） 、各省金融行業占GDP比重（Finance Growth）及各省進出口額占GDP比重（Openness），來自中國統計年鑒。

按如下步驟篩選和處理樣本：剔除數據缺失4年及以上的樣本，最終共選取 191家商業銀行作為研究樣本，國有商業銀行6家、股份制商業銀行12家、城市商業銀行132家、農村商業銀行41家，研究區間為 2013—2021 年。

2.1.2 變量描述

借鑒已有研究，本文設定商業銀行個體風險為被解釋變量，金融科技發展指數為解釋變量，控制變量包括宏觀層面的各省國內生產總值增長率（GDP Growth）、各省消費者價格指數增長率（CPI Growth） 、各省金融行業占GDP比重（Finance Growth）及各省進出口額占GDP比重（Openness）和微觀層面的銀行流動性（Bank Liquidity）、存貸比（Loan）、銀行資產規模（Size）、非利息收入比（NIR）、加權凈資產收益率（ROA）。

（1）被解釋變量

商業銀行信用風險的增加主要源自不良貸款率的增加，因此本文參考已有研究，用不良貸款率與貸款總額之比（NPL）作為商業銀行個體風險的代理變量，該指標越大，說明銀行個體風險越高，穩定性越差，數據源自Bank Focus 數據庫（胡題和謝赤，2013； Angkinand et al. ， 2010）。

（2）解釋變量

本文的核心解釋變量是金融科技發展指數，該變量衡量了我國金融科技發展程度。目前僅有少數機構對我國金融科技發展程度進行了宏觀的評估，如北京大學數字金融研發中心依據普惠金融形式及呈現新特征從普惠金融覆蓋廣度、使用深度及數字化程度指數等不同維度編制了中國數字普惠金融發展指數，西南財經大學與四川金融科技學會聯合發布金融科技指數等，然而其覆蓋面與年份跨度均較短，因此不適合本文的研究。本文借鑒郭品和沈悅（2015）的做法，綜合百度指數數據庫，利用文本挖掘法構建我國金融科技發展指數，且在此基礎上參考前人的做法將金融科技指數分為基礎金融科技指數和金融科技應用場景指數。

第一，從金融科技的功能及技術路徑出發構建金融科技指數的關鍵詞庫，具體詞庫構建見表1。第二，利用百度搜索引擎功能，計算各指標的詞頻，統計2013—2021年各年度指標的資訊數量（楊望等，2020）。第三，利用SPSS軟件通過因子分析法估計得到的分系數矩陣，以各因子的方差百分比作為權重，通過標準化處理后得到金融科技總指數和金融科技基礎指數及金融科技應用場景指數（楊望等，2020）。

2.1.3 基于DEA-Malmquist模型測算商業銀行效率

參考已有研究，基于DEA-Malmquist方法測算商業銀行全要素生產率作為商業銀行效率的代理變量，一方面考慮到商業銀行全要素生產率可以綜合衡量商業銀行技術升級、結構升級及管理模式等指標。另一方面，DEA-Malmquist方法不依賴于生產函數設定和樣本量綱，可以得到更為穩健的結果。

基于2013—2021年商業銀行面板數據，投入指標包括商業銀行員工人數、固定資產和利息支出，產出指標選擇利息收入、稅前利潤和貸款總額（劉笑彤和楊德勇，2017；楊望等，2020）。

2.1.4 控制變量

為了有效控制金融科技之外的因素對商業銀行個體風險的影響，本文在相關學者（Schepens，2013；Jiménez et al.，2013； 孔丹鳳等，2015；Fu et al.，2014；文鳳華等，2019；張琳和廉永輝，2020） 研究的基礎上，從微觀和宏觀兩個方面設定控制變量。微觀層面：銀行流動性（Bank Liquidity）、存貸比（Loan）、銀行資產規模（Size）、非利息收入比（NIR）、加權凈資產收益率（ROA）。宏觀層面：各省國內生產總值增長率（GDP Growth）、各省消費者價格指數增長率（CPI Growth）、各省金融行業占GDP比重（Finance Growth）及各省進出口額占GDP比重（Openness）。

2.1.5 模型設定

為了厘清金融科技和商業銀行個體風險之間的關系，本文設定如下模型：

模型（1）是基準模型。其中，NPL_（i，t）表示商業銀行i在t年的不良貸款率，i代表個體為不同銀行，k表示不同省份，j為不同控制變量，t為時間。模型（1）為了緩解遺漏變量帶來的偏差，加入了固定效應回歸。模型（2）加入了被解釋變量的滯后項，進行動態面板系統GMM回歸。

3 實證結果

3.1 變量的描述性統計

表3報告了本文的變量描述性統計結果，其中不良貸款率的均值為0.016，標準差為0.707，最小值為0，最大值為0.112，為遼寧省錦州銀行2019年的不良貸款率。從子樣本看，農村商業銀行不良貸款率均值最高（0.0172），城市商業銀行不良貸款率均值其次（0.0156），國有大型商業銀行次之（0.0132），股份制商業銀行不良貸款率最低（0.0132），且農村商業銀行不良貸款率標準差最大（0.1053），可見在商業銀行經營過程中，農村商業銀行所面臨的違約風險最高，這可能與其農村商業銀行普遍規模相對較小、經營范圍相對較窄關系較大。

3.2 模型選擇

為了檢驗上述假設是否成立，本文采用計量模型結合多種方法進行實證以保證結果的穩健性。考慮到面板數據有混合回歸、固定效應、隨機效應、系統GMM等多種方法，因此，本文首先進行F檢驗，依次作為選擇混合回歸還是個體固定效應模型；其次，進行LM檢驗判斷個體隨機效應還是混合回歸，最后進行Hausman檢驗，結果見表4。結果顯示，原假設“個體效應與回歸變量無關”對應的P值為0.000，因此使用個體固定效應模型而非隨機效應模型（劉孟飛，2021）。另外，考慮到動態面板模型含有被解釋變量滯后項和個體效應，且模型可能存在內生性的問題，參考已有研究，本文使用系統廣義矩陣進行動態面板估計，以保證結果的穩健性。

3.3 基準回歸結果

首先，本文對金融科技與商業銀行個體風險的關系進行檢驗，回歸結果如表5所示。在表5列（1）未添加控制變量， 為了檢驗金融高科技對商業銀行個體風險的直接影響，回歸僅控制了年度固定效應，未添加其他控制變量。表5表明，Fintech 金融科技（Fintech）在兩列中的回歸系數均在1%的統計水平上顯著為正，表明金融科技發展水平越高，其和商業銀行個體風險呈現正相關關系越高。為了結果的穩健性和準確性，在表5列（2）中加入了一系列控制變量，可以看出金融科技發展水平的回歸系數在1%水平上仍然顯著為正。

從統計學上講，金融科技發展水平每增加10%，商業銀行個體風險平均增加0.505%；從經濟意義而言，金融科技發展水平每增加1單位標準差（0.691），使得商業銀行個體風險的平均提升幅度相當于樣本標準差的18.08%（0.185* 0.691/0.707）。

由此可見，不論是從統計學還是經濟意義上來講，金融科技與商業銀行個體風險都具有顯著的正向關系。回歸表5列（3）和列（4）-（4）報告了基于系統GMM模型對金融科技發展水平與商業銀行個體風險關系的檢驗結果。

差分序列相關檢驗（AR-test）結果表明，估計系數是存在一致性的，且Sargen -test檢驗結果也表明工具變量不存在工具變量過度識別問題，所以使用系統GMM估計結果是有效的。進一步地，表5列（3）表明在不控制其他變量的情況下，金融科技發展水平顯著增加商業銀行個體風險水平，表5列（4）控制其他變量后，金融科技發展水平仍然顯著增加商業銀行個體風險，進一步證明了結果的穩健性和準確性。假設1得到驗證。

3.4 穩健性檢驗

針對內生性問題，借鑒前人的做法，本文采用中國互聯網普及率作為金融科技發展水平的工具變量，通過固定效應兩階段最小二乘法2SLS模型進行估計。

現有研究顯示，中國互聯網普及率不會直接影響商業銀行個體風險水平，可以認為是外生的。因此，2SLS模型設定如下：

可以看出，在第一階段回歸表6列（1）中，Instrum_INT的系數在1%水平上顯著為正，F檢驗顯示的F值是41.63，說明該工具變量互聯網普及率與內生解釋變量Fintech的相關性較強。第二階段的回歸結果見表6列（2），Hansen-J檢驗的p值均大于0.1，表明至少在10%的水平上互聯網普及率與誤差項不相關，從統計意義上排他性約束得到滿足。在使用工具變量克服內生之后，金融科技發展水平與商業銀行個體風險之間的正向關系仍然顯著成立。

3.5 替換變量

本文參考前人的做法，用Zscore的對數衡量銀行個體風險，以往研究表明Zscore數值的對數與銀行破產概率成反比關系，因此使用該指標替換不良貸款率衡量商業銀行個體風險是合適的（Boyd & Graham， 1986; Laven & Levine， 2009; Lepetit & Strobel， 2015）。

本文基于固定效應和系統GMM效應對金融科技發展水平與銀行個體風險進行回歸得出結果顯示，無論是固定效應模型還是系統GMM模型，金融科技在1%水平下都顯著降低了商業銀行的穩定性，增加其風險，這進一步證明了本文結論的正確性和結果的穩健性。

4 調節效應分析

為了檢驗假設H2，本文主要從銀行資產規模、非利息收入比和商業銀行效率三個方面考察其可能對金融科技發展水平與商業銀行風險產生的調節效應。表7A列（1）-（4）按銀行資產規模分組，采用銀行總資產對數作為代理變量，如果該指標高于同年度同行業同級別中位水平，則認為銀行資產規模較高，反之，則相反。回歸結果表明，無論是固定效應還是系統GMM回歸，金融科技與商業銀行風險的正向作用在銀行資產規模相對較高組中不顯著，在銀行資產規模相對較低時顯著。原因在于，資產規模相對較大銀行涉及業務模式相對較多，資金規模較高，有能力應對金融科技帶來的沖擊，同時研究顯示資產規模較大銀行可以更好地運用金融科技進行轉型，提升自身效率，降低金融科技的沖擊（楊望等，2020）。

表7列（5）-（7）按銀行非利息收入比水平高低進行分組，如果該指標高于同年度同行業同級別中位水平，則認為銀行非利息收入比相對較高，反之，則認為銀行非利息收入規模相對較低。表7中第（5）-（8）列回歸結果表明，無論是系統GMM還是固定效應回歸，金融科技都只有在非利息收入比相對較低時顯著增加商業銀行風險，說明銀行盈利能力相對較高可以降低金融科技對商業銀行風險的沖擊。

表8進一步考察商業銀行競爭的調節效應。回歸結果表明，商業銀行效率較高時，金融科技對商業銀行風險的正向作用不顯著，當商業銀行效率較低時，金融科技顯著增加商業銀行風險。該結果具有重要的理論意義和實踐意義，該結果說明商業銀行提升競爭格局可以顯著降低金融創新對其造成的沖擊，金融科技作為金融服務和信息技術結合的產物，給傳統商業銀行帶來沖擊的同時也帶來一定的機遇，商業銀行應基于金融科技為其帶來的機遇，主動出擊謀求競爭優勢，提升效率，從而降低風險，提升金融穩定性。假設H2得到驗證。

5 拓展性分析

本文預期金融科技帶來的金融創新會從商業銀行資產端、負債端及風險承擔等方面影響商業銀行風險。

第一，網貸理財、余額寶、微粒貸及寶寶理財等相關產品的推出較傳統商業銀行的理財具有更多的流動性、更高的利率及更方便、快捷等特點，吸引了很多傳統銀行的客戶，造成存款流失，降低銀行流動性，從而提升了商業銀行的風險。

第二，商業銀行存款利率的降低有可能使銀行在負債端彌補存款的流失，從而導致風險資產較大，降低商業銀行風險承擔，進而增加商業銀行的不確定性，從而造成商業銀行風險的增加。

第三，京東金條、京東白條、螞蟻借唄、花唄等相關網絡貸款產品的推出較銀行貸款申請相對更快捷，簡單方便，用戶只需要填寫部分信息，網絡貸款平臺即可根據大數據搜集數據進行匹配整理后完成相關借貸手續，雖然相關網絡貸款產品額度較低，覆蓋面相對較小，然而仍然對銀行的負債端業務帶來一定的沖擊。

綜上分析，本文基于固定效應回歸從商業銀行客戶存款增長率、風險資產占比、風險承擔及存貸比四個方面考察金融科技對商業銀行風險影響的路徑。具體而言，表8第（1）-（4）列分別用商業銀行客戶存款增長率、風險資產占比、商業銀行風險承擔及存貸比作為代理變量與金融科技發展水平建立交叉相進行固定效應回歸。結果顯示，金融科技顯著降低客戶存款增長率、增加商業銀行風險資產占比、降低商業銀行風險承擔、降低存貸比，從而提升商業銀行風險水平，假設H3得到驗證。

6 結語

本文在對國內外文獻進行相關梳理的基礎上提出研究假設，并借鑒已有的文獻方法，基于中國191家商業銀行2013—2021年面板數據，從商業銀行個體風險角度研究了金融科技發展水平與金融市場穩定性的關系。

本文的主要研究結論包括：第一，金融科技造成了商業銀行個體風險的增加，具有風險效應；第二，調節分析表明，金融科技會導致商業銀行利潤結構性變化，且上述風險效應在規模相對較小、非利息收入比較低及競爭水平較低的銀行中更大；第三，金融科技的風險效應影響渠道包括商業銀行的客戶存款比率、風險資產占比、存貸比及風險承擔，進而增加我國商業銀行的風險水平。

參考文獻

巴曙松，白海峰，胡文韜.金融科技創新、企業全要素生產率與經濟增長：基于新結構經濟學視角[J].財經問題研究，2020（1）： 46-53.

劉春航，廖媛媛，王夢熊，等.金融科技對金融穩定的影響及各國應關注的金融科技監管問題[J].金融監管研究，2017（9）：1-20.

孫娜.新形勢下金融科技對商業銀行的影響及對策[J].宏觀經濟管理，2018（4）：72-79.

劉忠璐.互聯網金融對商業銀行風險承擔的影響研究[J].財貿經濟，2016（4）：71-85+115.

張金林，周焰.互聯網金融對中國商業銀行穩定性影響的實證研究[J].武漢金融，2015（12）：8-11.

Berger A N . The Economic Effects of Technological Progress： Evidence from the Banking Industry[J]. Journal of Money Credit & Banking， 2003， 35（2）：141-176.

胡題，謝赤.基于GMM方法的銀行業競爭程度對銀行風險影響的研究[J].中國管理科學，2013，21（S1）：249-254.

Angkinand A P ，? Sawangngoenyuang W ，? Wihlborg C . Financial Liberalization and Banking Crises： A Cross‐Country Analysis*[J]. International Review of Finance， 2010， 10（2）：263-292.

黃益平，黃卓.中國的數字金融發展：現在與未來[J].經濟學（季刊），2018，17（4）：1489-1502.

于波，周寧，霍永強.金融科技對商業銀行盈利能力的影響：基于動態面板GMM模型的實證檢驗[J].南方金融，2020（3）：30-39.

于鳳芹，于千惠.金融科技影響商業銀行盈利能力的機制分析[J].金融與經濟，2021（2）：45-52+62.

巴曙松，白海峰.金融科技的發展歷程與核心技術應用場景探索[J].清華金融評論，2016（11）：99-103.

Boyd J H ，? Graham S L . Risk， regulation， and bank holding company expansion into nonbanking[J]. Quarterly Review， 1986：2-17.

鄭麗雅，易憲容.企業杠桿率偏離對金融穩定的影響研究：基于股價崩盤風險的視角[J].學習與實踐，2022（2）：64-72.

G Jiménez，? Lopez J A ，? Saurina J . How does competition affect bank risk-taking？[J]. Journal of Financial Stability， 2013， 9（2）：185-195.

Anginer D ，? Demirguc-Kunt A ，? Zhu M . How Does Bank Competition Affect Bank Systemic Risk ？[J]. Journal of Financial Intermediation， 2014，23（1）： 1-26.

王兵， 朱寧. 不良貸款約束下的中國銀行業全要素生產率增長研究[J]. 經濟研究， 2011（5）：15.

盛煜. 我國農村商業銀行運營效率比較與評價：基于數據包絡分析法[J]. 金融發展研究， 2012（4）：5.

劉笑彤， 楊德勇. 互聯網金融背景下商業銀行并購重組選擇差異的效率研究：基于商業銀行異質性的Malmquist指數實證分析[J]. 國際金融研究， 2017（10）：11.

楊望， 徐慧琳， 譚小芬，等. 金融科技與商業銀行效率：基于DEA-Malmquist模型的實證研究[J]. 國際金融研究， 2020（7）：56-65.

易憲容，鄭麗雅，何人可.金融科技合約關系的實質、運行機理及風險防范：基于現代金融理論的一般分析[J].社會科學，2019（5）：40-49.

易憲容，陳穎穎，于偉.平臺經濟的實質及運作機制研究[J].江蘇社會科學，2020（6）：70-78+242.