金融科技降低了银行风险吗?——基于规模异质的视角

赵胜民 屠堃泰

近年来，随着大数据、人工智能、区块链等技术的兴起，金融科技在我国蓬勃发展，金融服务创新层出不穷，继而推动金融格局发生深刻变化。2019年8月，央行印发《金融科技(FinTech)发展规划(2019—2021年)》，规划强调要“充分发挥金融科技赋能作用，将金融科技打造成为经济高质量发展的新引擎”。

科技助力下，商业银行的经营模式逐渐升级，金融生态环境不断优化。然而，科技进步从来都是一把“双刃剑”，银行数字化转型引发的内外环境改变会反过来影响自身风险。一些研究对金融科技与银行风险的关系进行了探讨(Chen等，2019[1]；
Thakor，2020[2])，但未形成一致结论。可能原因在于，现有研究大多笼统地将商业银行视为一个总体，忽略了对银行异质性特征的考量。而技术变革往往具有两面性，对不同的银行而言，金融科技的最终作用效果或有不同。银行自身特征和禀赋条件各异，特别是大型银行和中小型银行之间，其资金规模、市场势力、客户类型、贷款技术等都具有较大差异，金融科技的适用性与作用效果或有差别，对银行经营与风险的影响也不能一概而论。技术的变革迫使所有银行加码金融科技，新技术能否充分发挥积极作用尚未可知，但技术的研发却需要人力和资金的大量投入，如果科技的投入不能转化为经济效益的提升，高额的成本反而会加重银行负担。

在这一背景下，金融科技如何影响商业银行的风险承担是一个有待探索的黑箱。区别于现有文献中，仅单纯针对金融科技与银行风险的总体关系进行研究，或者单纯针对金融科技与银行经营的关系进行研究，本文聚焦微观层面，构建基于银行个体的金融科技指标，关注金融科技技术特性与银行的禀赋特征，探讨金融科技通过影响银行经营进而影响银行风险的机制，并考察这种机制在银行规模层面的异质性，更符合客观现实。

本文主要贡献在于：第一，本文以银行规模异质性为切入点，对不同规模银行发展金融科技的效用进行了详细梳理。而以往研究通常将商业银行视为一个总体，缺乏基于银行异质性特征的探索。第二，本文将研究延伸到影子银行领域，进一步探索了金融科技、影子银行与银行风险之间的关系。现有研究鲜有从影子银行层面探讨金融科技的作用效果。本文的研究有助于深入认识金融科技带来的银行营业结构性变化和风险水平变动，不仅有助于丰富金融科技相关理论研究，而且对于商业银行布局金融科技、利用新型技术防范和化解金融风险以及推动银行业深化改革等重要现实问题具有参考意义。

(一)金融科技与银行风险承担

随着金融科技的蓬勃发展，其与银行风险承担的关系逐渐受到学术界的关注。根据以往研究脉络，本文将从积极影响和消极影响两方面进行梳理。

积极影响方面，金融科技可以降低交易成本，提高交易的便利性，激发商业银行的创新能力和盈利能力，从而降低银行风险承担(Philippon，2016[3]；
Goldstein等，2019[4])。Sheng(2021)[5]指出，运用金融科技可以提高银行软信息收集能力，增强市场信息透明性，降低银企间的信息不对称，优化风险管理水平。Buchak等(2018)[6]发现，抵押贷款市场上，使用金融科技的影子银行可以利用更多的数据和模型为贷款定价，他们设定的利率水平也与客户事后表现更相关，即借助科技手段可以将信贷资源配置给信用更好的借款人。Fuster等(2019)[7]发现，金融科技贷款人处理抵押贷款申请的速度比其他贷款人快约20%，在金融科技贷款较多的地区，借款人会更积极地参与再融资。除此之外，金融科技有助于银行对借款人展开价格歧视并获得服务溢价。研究发现，在对价格最敏感的借款人中，金融科技定价的贷款利率较低；
与之相对，在更看重便利性的借款人中，贷款利率较高。

另一些研究则认为，金融科技具有消极影响。从资金成本的角度来看，邱晗等(2018)[8]的研究指出，金融科技推动了利率市场化，银行越来越依赖同业拆借等批发性资金，由于同业资金利率较高，银行整体负债成本被抬高。为弥补负债成本上升的利润损失，银行会选择更高风险的资产。从目标客户的角度看，龚晓叶和李颖(2020)[9]表明，金融科技主要针对“长尾”人群在“利基”市场提供金融服务，这些客户希望以低成本获得资金，且普遍存在抵押物缺乏、信用信息不全等问题，银行服务成本较高，将加重风险承担水平。除此之外，方意等(2020)[10]指出，金融科技所依托的技术可能会带来新的风险。人工智能技术的普及会导致金融机构的算法和决策行为趋同，在受到外生冲击时，会加剧市场共振和风险传染。

可以看出，金融科技对银行风险的影响具有两面性，当科技发展能够转化为效益的提升，实现收益覆盖风险时，银行风险降低；
反之，当技术的进步未能使银行形成比较优势，甚至恶化了经营状况时，为覆盖成本和稳定收益，银行的风险承担上升。

基于以上分析，本文提出如下假设：

H1：金融科技对银行风险的影响并不确定，取决于其积极效应与消极效应的净效应。

(二)金融科技特性与银行比较优势

银行特征可能是影响金融科技与风险承担关系的重要因素。尤其是大型银行和中小型银行之间，其自身资源与禀赋条件都具有较大差异，因而金融科技对银行风险的作用效果可能会有所差别。接下来，本文将从金融科技的技术特征入手，结合银行的禀赋条件具体说明。

第一，从成本的角度来看，金融科技具有两个特点，较高的初始成本投入和随之降低的银行单位成本(Philippon，2019[11])。针对金融科技的成本特点，大型银行更易利用自身规模优势提高技术投入的成本效率。大型银行客户数量较多，业务规模较大，边际成本的下降带来的收益较大，高额初始投入更易被分摊，产生规模经济。相比之下，中小型银行规模较小，单位成本下降带来的收益不能弥补初始投入增加的成本，反而可能会加重经营负担。

第二，从服务模式的角度来看，金融科技拓展了银行服务边界。金融科技的应用使银行具备了业务下沉能力，促进了零售端业务扩张(徐晓萍等，2021[12])。在传统金融环境中，大型银行主要依赖对公业务，而大银行的客群转型实际上会对中小型银行展开竞争，二者关系从“井水不犯河水”变为“短兵相接”。大型银行吸引和挤出了中小型银行积累的优质客户资源，致使其盈利水平下降，风险水平上升。

第三，从银行贷款技术的角度来看，人工智能等新技术的发展能够增强银行的软信息收集能力，减少银企之间信息不对称程度(Granja等，2020[13]；
Berg等，2020[14])。在传统经营中，中小银行更好地掌握地方性小微企业信息。科技的发展升级了银行的贷款技术，大型银行的信息劣势被扭转，银行可以从多种渠道收集小微企业软信息，通过将软信息“硬化”，提升小微企业信贷供给能力(盛天翔等，2020[15])。相比之下，科技发展减少了“中小银行优势”现象，中小银行所依赖的区域经验优势和地缘性经济优势被削弱，银行维系核心客户的成本和难度加大。

基于以上分析，本文提出如下假设：

H2：金融科技显著降低了大银行风险水平，而对中小银行的影响并不显著。

(三)金融科技、银行经营结构和风险承担

为研究金融科技影响银行风险的作用机制，本文将从金融科技对银行经营结构的影响及其风险传递机制两方面进行梳理。

首先，梳理金融科技对银行经营结构的影响。金融科技的应用帮助银行具备了业务下沉能力，大型银行在竞争中具有比较优势，优质零售客户大量增加，进而促进了客户结构和信用结构调整(金洪飞等，2020[16])。在负债端表现为吸储能力增强，客户存款比例提高；
在资产端表现为信贷供给能力提高，利息收入比例上升。相比之下，中小银行的客户资源流失，吸储难度加大，在负债端更加依赖同业融资。在资产端，主营业务空间被挤压，不得不增加对同业业务和表外业务的依赖，可以推测，中小型银行非利息收入比例上升。

其次，梳理银行经营结构的变化对银行风险水平的影响。在负债端，客户存款被视为银行最稳定的负债来源，具有成本低、期限长、稳定性强等优点(Cornett等，2011[17])。而非存款负债如批发性资金等，不仅付息成本高，且利率风险暴露也较高，因而更易引发危机。在资产端，利息业务具有高收益性，且客户黏性较高。相比之下，非利息活动的波动较大，非利息收入的边际增长会导致较低的风险调整利润，银行过度依赖非利息业务会恶化风险水平(Stiroh和Rumble，2006[18]；
李志辉和李梦雨，2014[19])。

基于以上分析，本文提出如下假设：

H3：金融科技提高大银行客户存款占比和利息收入占比，而对中小银行的作用则恰恰相反。

在常规业务之外，银行还进行着大量影子银行业务。作为“平行体系”，影子银行也具有信用中介等职能，积聚了各类风险。2020年银保监会发布的《中国影子银行报告》认为，影子银行具有“天使与魔鬼的两重性”，其本身是常规银行体系的补充，但缺乏必要的监管。为了绕开信贷规模、流向、资本金要求等监管限制，银行将一些业务进行“包装”，隐藏在资产负债表的其他会计科目中或直接移出表外，造成资产质量不实，真实风险被粉饰或掩盖。

金融科技改变着银行的经营方式，银行自然也会将新技术应用于影子银行领域。一方面，金融科技提高了交易的便利性，为影子银行业务开展提供了便利条件。金融科技的发展可以增加银行网络的覆盖范围，扩充客户资源，而客户群体的扩大也会增加银行理财、委托贷款等影子银行产品的发行和销售量。Buchak等(2018)[6]比较了不同贷款技术下，影子银行贷款发放差异。研究显示，应用FinTech的影子银行可以使消费者更快更方便地获得贷款，消费者愿意为这种便利买单。研究估计，技术进步大约贡献了影子银行总体增长的25%。另一方面，金融科技的发展还会通过加剧银行间竞争，促进影子银行扩张。比如，一些小的城商行和农商行偏居一方，面向的客户群体有限，当地优质客户会被大型银行精准“掐尖”，为弥补利润损失，会转向通道、同业、投资等影子银行业务获取收益。竞争压力下，为了应对客户存款的流失，银行会通过发行高收益的理财产品来变相吸收存款；
为了应对优质贷款项目的减少，银行也有动机降低信贷标准，通过开展“类信贷”业务发放贷款。而影子银行业务通常游离于监管和救助体系之外，融资实体信用水平较差，产品层层嵌套关联性强，具有较高风险隐患。

基于以上分析，本文提出如下假设：

H4：在常规业务之外，金融科技还会促进影子银行规模扩张，提高银行的隐性风险。

(一)样本选择与数据来源

本文选取了我国60家商业银行作为研究样本，包括6家大型国有商业银行、10家股份制商业银行，以及38家城商行、6家农商行，银行类型较为全面。另外，根据银保监会披露(1)数据来源：中国银行保险监督管理委员会网站，该统计口径不包含政策性金融机构等其他类型金融机构。，截至2019年年末，我国商业银行总资产为232.3万亿元，而样本银行合计资产规模为198.8万亿元，占总资产比例的85.6%，说明本文所选样本可以较好代表银行业总体特征。样本期间为2010—2019年。本文所用银行财务数据主要源于Bank Focus数据库、WIND数据库，还有部分是根据银行年度报告整理所得。

(二)变量选择

本文主要涉及三类变量：其一，银行风险和经营指标；
其二，银行金融科技发展水平指标；
其三，控制变量。下面分别给出变量的具体定义。

1.被解释变量。

本文的被解释变量涉及两个方面，一是银行风险水平，二是银行经营状况。

银行风险水平：文献中常用风险加权资产比率反映银行的主动风险承担，相较于不良贷款率等指标，其包含了更多种类的资产，反映了更多风险类型。故本文选取风险加权资产比率(RWA)作为银行风险水平的基准衡量指标，并将不良贷款率(NPL)、资产减值准备比率(LLR)作为稳健性检验的辅助指标。

银行经营结构：参考郭品和沈悦(2019)[20]的研究，本文选用客户存款与总付息负债之比(CD)衡量银行的存款结构。客户存款是银行付息负债的主要组成部分，且对银行的风险、利率等经营状况缺乏敏感度，稳定性较强。而同业存款等批发性资金对利率高度敏感，易引发流动性问题。当零售市场竞争加剧，筹资困难时，银行会加大对批发性资金的需求，二者形成互补关系。参考申创和赵胜民(2018)[21]的研究，本文以非利息收入占比(NIIR)作为银行业务结构的代理变量。银行的营业收入由利息收入和非利息收入两部分构成。非利息收入占比越高，说明信贷业务占比越小。

银行存款与贷款规模：本文以客户存款总额的自然对数(DEP)衡量银行存款规模。以贷款总额的自然对数(LOAN)衡量银行贷款规模。为排除银行自身因素的影响，本文同时选取相对存款规模(RDEP，存款总额/总资产)和相对贷款规模(RLOAN，贷款总额/总资产)作为稳健性检验指标。

影子银行规模：影子银行无直接可用的数据，本文根据《中国影子银行报告》中对影子银行业务的界定来推算影子银行规模。对于银行体系的影子银行，又可进一步划分为表内影子银行和表外影子银行(李志生和邵杨楠，2021[22])。表内影子银行主要包括：同业特定目的载体投资，如信托和资产管理计划、理财产品、投资基金、资产支持证券等，大多记为存放同业、买入返售金融资产、应收款项类投资科目。表外影子银行主要包括：资金来源方，非保本理财产品；
资金运用方，委托贷款、信托贷款和未贴现票据。大多数银行年报未披露信托贷款和未贴现票据的数据，本文仅以委托贷款表示。经测算，2019年年末，样本中表内影子银行(SHADOW)规模为7.75万亿元，与《中国影子银行报告》披露的10.82万亿元相比，占总量的72%左右。非保本理财产品(WMP)规模18.8万亿元，与《中国银行业理财市场报告》中所披露的23.4万亿元相比，占总量的80%左右。委托贷款(EL)规模为8.19万亿元，与人民银行披露的11.44万亿元相比，占总量的72%左右。总体来看，本文样本能较好地代表银行业特征。

2.核心解释变量。

(1)银行金融科技发展水平。

本文利用网络爬虫技术和文本分析技术构建银行层面的金融科技发展指标。具体构造过程分为三步：构建金融科技词库、搜索银行金融科技文本、文本信息处理。

第一步，构建金融科技关键词库。参考巴塞尔委员会的报告，金融科技(FinTech)可以划分为四大业务领域，分别为：支付结算(PS)、存贷款与资本筹集(DLC)、投资管理(IM)、市场设施(MF)。本文将依据这种分类方式，参考《中国金融科技运行报告》《金融科技发展规划(2019—2021年)》等文件，筛选提取金融科技四大领域相关词汇，并将其作为词库，如表1所示。

第二步，获取银行金融科技文本。借鉴李春涛等(2020)[23]的研究，本文通过“关键词+银行名称”的形式，利用百度搜索进行Python网络爬虫，得到既包含银行名称又包含科技名词的新闻(如“工商银行”+“大数据”)。为保证搜索结果的准确性，本文还做了以下处理：第一，限制在资讯栏目进行搜索，可以排除广告等无关信息干扰，且新闻可信度和权威性较高。第二，搜索结果可能存在部分与银行金融科技发展相关性较弱的新闻。比如，一些财经类新闻仅并列讨论了科技类公司和银行的股票，但可能同时包含金融科技名词和银行名称。为了排除这种干扰，进一步对文本信息进行筛选。如果“银行名称”和“科技词汇”同时出现在新闻标题中，则保留这条新闻。对于标题未出现关键词的新闻，参考朱恩伟等(2019)[24]的研究，进一步爬取新闻内容。当新闻内容中同时出现一定次数以上的“银行名词”和“科技词汇”时，才认定该新闻反映了银行的金融科技发展状况。这种做法的依据是：新闻中目标关键词出现的次数越多，说明该新闻与目标主题越接近。本文将该阈值取2，在1 000条样本的抽样检测中，有效样本可达92%。

第三步，对上述结果进行文本分析。本文利用基于情感词典的分析方法，区分新闻文本情感倾向，并将其分为三类：积极新闻、中性新闻和消极新闻。然后使用积极新闻与消极新闻之差度量银行金融科技发展。参考姜富伟等(2021)[25]、李倩等(2022)[26]的研究，主要技术步骤包括：第一，对新闻文本分词。本文使用jieba模块进行分词，并将搜狗词库内的经济、科技词库以及本文构建的关键词库添加入自定义词库(2)搜狗词库网址：https://pinyin.sogou.com/dict/。本文添加的搜狗词库：财经金融词汇大全、金融市场名词、人工智能。，以保证分词结果的准确性。第二，构建金融情感词典。文献中通常采用LM词典分析文本情绪，但该词典是基于英文财经文本开发的，不能很好适合中文语境。本文在LM词典基础上，补充了三种常用的中文情感词典(知网Hownet、台湾大学NTUSD、清华大学李军)，然后筛选、去重得到本文情感词典。最后，计算新闻情感倾向。根据情感词典和其他基础词典(包括否定词词典、程度副词词典)(3)本文使用的词典已在github分享，有兴趣的读者可自行下载：https://github.com/kuntai-master/sentiment_dict。计算每条新闻的净情绪(式1)。如果情感分数大于0，说明是积极新闻；
分数等于0，说明情感倾向是中性；
分数小于0，说明是消极新闻。得到上述结果后，以同期正负新闻数量之差计算净指数(式4)，作为银行金融科技发展的度量。对上述指标进行对数变换以消除其右偏性。简要表述如下：

×senti(wordj,k,i,t)

(1)

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

(2)

(3)

(4)

本文指标相对现有研究做出了改进，现有研究通常直接将银行科技新闻总数量作为测度指标，但是仅考虑新闻的数量，而不深入分析新闻的内容会忽略新闻的异质性。比如，一些新闻可能报道了银行科技发展的问题或风险，传达了某种消极信息，这与报道银行科技的积极新闻存在明显的区别。因此，如果消极新闻也被计入金融科技指标，可能会高估某些银行的金融科技发展。本文在以往指标的基础上，利用基于情感词典的文本分析方法，进一步区分新闻的情绪，将指标从主要关注新闻数量的量化信息拓展到关注新闻内容和情绪的质化信息，改进金融科技指标的度量。根据本文的测算，以2019年工商银行为例，以往的直接加总方法会高估22.3%的银行金融科技水平。

表1 银行各业务领域的金融科技应用

(2)银行金融科技指标的有效性检验。

为验证上述方法构建的指标在反映银行金融科技发展水平方面的有效性，本文同时利用银行年报的文本信息，构建基于年报的金融科技指标进行对照(FinTech_AR)。银行年报总结了银行的经营状况和未来发展规划，可以反映银行的金融科技发展水平和意愿。本文以上市银行的年报文本作为语料来源，统计金融科技相关指标的词频，构造稳健性检验指标。

具体步骤为：首先，通过巨潮资讯网(4)巨潮资讯网址：http://www.cninfo.com.cn/new/index。爬取银行年报，部分缺失年报从各银行官网手动搜集。然后，利用Python自然语言处理技术和OCR技术将pdf文本转化为txt格式。最后，对年报中的金融科技类关键词进行词频统计，加总得到银行层面的金融科技测度。需要注意的是，由于年报中一般会采用数字银行、数字金融、科技创新等总括性词语描述金融科技，而较少提及具体的技术名词，本文利用WinGo相似词工具(5)WinGo财经文本数据库网址：http://www.wingodata.com。，将金融科技类关键词的所有近似词添加到关键词库。经检验，基于百度搜索构建的指标与基于年报构建的指标在1%水平上存在显著的正相关关系，相关系数为0.361。由于年报一般只有上市银行披露，本文收集到的银行年报共计356份，样本数量较少，而百度搜索文本还适用于非上市银行，可得性更强。所以本文将基于百度搜索构建的指标作为主要解释变量，将基于年报构建的指标作为稳健性检验变量。

(3)银行金融科技指标的描述性统计。

图1展示了金融科技指标的分布情况，图中曲线为正态分布。图1a为“银行-年度”新闻数量的分布情况(净数量)，可以看出该指标具有明显右偏性，超过40%“银行-年度”的新闻数量低于50，也有极少数银行具有非常大的数值。取对数后得到FinTech指标，该指标分布如图1b所示，可以看到，右偏性基本得到缓解。本文还将样本按照资产规模中位数分组，结果表明，FinTech分布在不同银行间存在一定差异，其中大型银行的FinTech指标平均值较大,为4.5，众数位于5.5左右，而中小型银行的FinTech指标平均值较小，为3.3，众数位于2.5左右。

图2描绘了FinTech指标的整体时间序列。做法是，按照年度计算FinTech指标的均值，并区分了银行规模。总体而言，银行的金融科技水平逐年增长，但大银行发展明显快于中小型银行，尤其是2016年以后，银行间的差距呈现扩大趋势。

图1a 银行金融科技类新闻数量分布

图1b 银行FinTech指标分布

图2 银行FinTech变化

3.控制变量。

本文控制了银行层面的个体因素，主要包括：银行规模指标(Size)，以银行总资产的对数值表示。净息差指标(NIM)，以净利息收入除以生息资产平均余额表示，用以衡量银行的利润情况。盈利能力指标(ROE)，以净资产收益率表示，衡量银行的资本使用效率。管理能力指标(Overhead)，以管理费用的自然对数作为管理能力的代理变量。经营效率指标(CIR)，以成本收入比率，即总成本除以营业收入衡量银行的经营效率。流动性指标(Liquidity)，用贷款总额与存款总额之比衡量银行的流动性状况。主要变量的定义与描述性统计如表2所示(6)受篇幅限制，变量间的相关系数表格未列出，感兴趣的读者可联系作者索取。。

表2 主要变量含义与描述性分析

(三)模型构建

本文旨在验证金融科技发展对银行风险和经营行为的影响。为避免个体层面和时间层面因素可能带来的内生性问题，采用双向固定效应模型进行估计，如下：

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

(5)

其中：下标i代表银行，t代表年度。Yi,t代表被解释变量，根据研究问题的不同，分别取银行风险指标、存款结构指标、业务结构指标、存贷款规模指标和影子银行指标。FinTechi,t表示银行金融科技发展水平，包括总体科技水平及四个子领域的科技水平。Controlsi,t表示银行层面控制变量，包括银行规模(Sizei,t)、盈利能力(ROEi,t)、管理能力(Overheadi,t)、净息差(NIMi,t)、经营效率(CIRi,t)和流动性(Liquidityi,t)等。μi表示个体层面固定效应，λt表示时间层面固定效应，εi,t表示随机误差项。

(一)银行金融科技发展对风险的影响

表3报告了双向固定效应模型的估计结果。列(1)～列(5)分别表示金融科技总体指标(FinTech)、支付结算类指标(PS)、存贷款与资本筹集类指标(DLC)、投资管理类指标(IM)、市场设施类指标(MF)的估计结果。总体上，金融科技指标和不同金融技术变量的系数均显著为负，表明银行金融科技与风险水平负相关，金融技术的积极作用超过了消极作用。从四个业务领域来看，四种技术指标与风险均呈负向关系，未体现出明显的差异性。可能原因在于，银行通常追求全方位、全流程的转型，先进技术会在较广范围使用，科技发展在各业务领域相对均衡。换言之，银行在数字化转型中，一般致力于各类技术的协同发展。

表3 银行金融科技发展对银行风险影响(基准模型)

(二)异质性分析(7)受篇幅限制，文中未列出异质性分析的回归结果，感兴趣的读者可联系作者索取。

不同银行样本在所有权性质、资产规模、金融科技运用水平等方面存在较大差异，本文拟将全样本进行划分，进一步考察金融科技对银行风险的抑制作用是否会依赖银行的特质而呈现出异质性特征。

1.基于银行规模分组。

首先，本文考虑基于银行资产规模的分样本研究。本文依据银行资产规模是否大于中位数进行分组，回归结果显示，金融科技对银行风险的抑制作用在大型银行中更为显著。为验证结论的稳健性，本文同时以40(60)、30(70)分位数划分样本，各变量系数符号和前文基本一致。

2.基于银行属性分组。

其次，本文考虑基于银行属性的分样本研究。本文根据银行所有权结构不同，将银行划分为国有银行与非国有银行。结果显示，国有银行运用金融科技管控风险能力更强。

3.基于银行金融科技发展策略分组。

最后，本文考虑基于银行科技发展策略的分样本研究。本文根据银行是否设立科技子公司，将样本进行划分(共有12家银行设立了科技子公司)。结果显示，设立科技子公司的银行相较于未设立银行能够更好地管理自身风险。

分组回归过程中，为保证结果稳健，本文还进行了组间系数差异检验。本文运用费舍尔组合检验(Fishers Permutation test)，通过自抽样(Bootstrap)1 000次计算经验P值(empirical p-value)，来检验组间系数差异。本文回归结果的经验P值至少在10%的水平上显著，表明FinTech系数在两组间存在显著差异。

综合以上结果，依据银行资产规模、所有权性质和科技发展模式的分组均表现出较为明显的差异。实际上，这三种分组方式均与银行规模有关，不同的分组实际上是通过不同方式区分了大型银行和中小型银行。国有银行和设立科技子公司的银行金融科技发展水平较高，且一般都具有较大的规模和知名度，能充分发挥金融科技的积极作用，这些银行的风险水平在金融科技助力下得到显著改善，本文结论稳健。

(三)机制分析：基于银行资产负债表的检验(8)受篇幅限制，文中未列出机制分析的回归结果，感兴趣的读者可联系作者索取。

为了探究差异性影响的深层原因，本文从银行资产负债表入手进行分析。

1.基于银行负债端的检验。

从负债端入手，以客户存款占比作为关键被解释变量进行回归。结果表明，金融科技(FinTech)对大银行的客户存款比率(CD)具有正向影响，但对小银行没有显著影响。为进一步检验银行存款结构的优化是否来源于存款规模的改善，本文同时选用客户存款规模(DEP)和相对存款规模(RDEP)作为被解释变量。两种结果反映了相同的趋势，在大型银行样本中，金融科技显著拓展了存款规模，而中小型银行却面临存款的流失。

2.基于银行资产端的检验。

从资产端入手，以非利息收入比率作为关键被解释变量进行回归。结果表明，金融科技(FinTech)与大银行的非利息收入占比(NIIR)负相关，与小银行正相关。为进一步检验银行业务结构的优化是否来源于信贷规模的增长，本文选用贷款规模(LOAN)和相对贷款规模(RLOAN)作为被解释变量。结果显示，大银行发展金融科技有助于信贷总量扩张，而中小银行变化不明显。

综合来看，科技赋能下，凭借资金、知名度等优势，大银行吸引了大量新增客户，市场份额不断攀升，而中小银行比较优势被削弱，市场份额被挤出，金融市场蛋糕将被重新划分。

(四)拓展分析

1.基于面板门限模型的估计。(9)受篇幅限制，面板门限模型的内生性检验结果未列出，感兴趣的读者可联系作者索取。

为了更准确地描述变量间非线性关系，避免主观分组误差，本文采用Hansen提出的面板门限模型对银行金融科技水平与风险承担之间的关系进行检验。主要思想是：在经济系统内部寻找一个门限值，使该门限值两边存在显著结构变化，即结构变化内生于经济系统，可以避免模型的主观设定偏误。当门限变量越趋近门限值时，回归模型的残差平方和越小。模型设定如下：

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(·)为示性函数，其取值取决于门限变量(Size)和门限值γ，当括号内表达式为真时，I(·)=1，反之为0。其余变量与前文含义相同。还要说明的是，模型(6)只考虑了单一的门限值，如果考虑多个门限值，模型可进一步地拓展。

首先，需要检验门限效应是否存在，并确定门限值的个数。本文模型设定Bootstrap自迭代次数为1 000 次，结果如表4所示。自抽样结果表明，银行规模的门限效应至少在10%的水平上显著，且单一门限模型和双重门限模型均通过检验，无论是否含有控制变量，结果保持稳健。因此，可以认为，模型存在两个门限值，表5为门限值估计结果。

为了更直观地说明模型估计过程，本文在95%的置信区间下绘制了似然比函数图，如图3。与表5列(2)对应，门限变量估计值是似然比统计量(LR)趋近于0时对应的γ值。双重门限模型对应的两个门限估计值分别为25.562 3和30.230 6，且对应的LR统计量最低点明显小于虚线所示的临界值7.35，说明上述门限值是真实有效的。

表4 门限效应检验结果

表5 门限变量估计值

图3 银行规模的双重门限估计结果(含控制变量)

在得到门限值后，可进一步得到对应的面板门限回归结果，见表6。被解释变量为银行风险加权资产比率(RWA)，解释变量为银行金融科技总体水平(FinTech)。根据银行规模(Size)的门限值，可将银行样本划分为三个区制。如(2)中，当资产规模足够大时(Size>30.230 6)，银行金融科技发展对风险具有显著抑制作用，影响系数为-2.169 3，在1%的水平上显著；
当资产规模较大时(25.562 3当资产规模较小时(Size≤25.562 3)，金融科技发展不能有效降低风险，系数为0.407 6，且不显著。由此可知，随着银行规模的增加，金融科技对银行风险的抑制效果非线性增强。当越过第一门限值25.562 3时，从无效变为有效，当越过第二门限值30.230 6时，作用效果倍增。与前文结论一致，金融科技对银行风险的影响发生了结构性变化。

最后，对门限分组结果进行分析，得到不同银行的金融科技发展策略。考虑到面板数据因时间跨度会产生“组别跳跃”问题，参考余东华和张明志(2016)[27]的方法，结合使用均值法和最大比例状态法作为分组依据，当两者不一致时，以最大比例状态法为准。分组结果为，规模足够大的银行仅包括中、农、工、建四大国有银行，明显区别于其他银行。这些银行应积极发展金融科技，充分发挥科技赋能作用。规模较大的银行主要是股份制银行和城商行，其金融科技发展具有一定效果，可以适度加大科技投入，改善经营状况。但对于一些规模较小的城商行和农商行，金融科技发展不具有显著成效。这符合银行面临的现实，中小型银行科技人才短缺，数字化转型滞后，作为“跟随者”，技术缺少自主创新，产品同质化明显，缺乏独特优势，因此，高额的科技成本投入不能有效转化为产出提升。对于这些银行，应正视自身局限性，在数字化转型进程中，采取差异化的科技发展策略，有取舍而非面面俱到，与大行“错位竞争”。

表6 门限模型回归结果

2.基于金融科技发展阶段的检验。(10)受篇幅限制，文中未列出回归结果，感兴趣的读者可联系作者索取。

金融科技具有不同的发展阶段，尤其技术的发展具备较长的周期。在金融科技起步时期，需要大量的成本投入和基础设施建设，在金融科技发展成熟后，新技术带来相对高效性，银行的经营模式改善，单位成本降低，风控水平提升。因此，在不同的阶段下，金融科技对银行风险的作用效果或有不同。文献中通常将2016年视为“金融科技元年”(鲁钊阳和马辉，2021[28])。据此，本文将2016年作为样本划分节点进行分组回归。

结果显示，在2016年之前，金融科技对银行风险的作用效果并不显著，而2016年之后，金融科技成效开始显现，特别是大型银行，金融科技发展对银行风险的抑制效果明显强于2016年之前。相比之下，中小型银行的金融科技发展未体现出明显的阶段性差异。除此之外，对于不同类型银行，在2016年之前，大银行与中小银行的金融科技成效差异不明显，在2016年之后，银行间出现较为明显的差异。

综合来看，金融科技发展对不同类型银行、不同时期的银行都存在非对称性影响。对于大型银行来说，在金融科技兴起初期，银行的金融科技投资并未显著改善风险水平，在金融科技发展较为成熟后，对风险的抑制作用开始显现。对于中小银行而言，金融科技的效果尚未显现。

3.基于影子银行的检验。(11)受篇幅限制，影子银行的回归结果未列出，感兴趣的读者可联系作者索取。

银行在核心业务之外，还进行着影子银行业务。为更全面研究金融科技发展下我国银行的经营和风险变化，本文进一步将影子银行纳入分析框架。

影子银行发展与监管背景有着密不可分的联系。自2013年起，原银监会颁布《商业银行资本管理办法(试行)》(俗称“中国版巴塞尔协议Ⅲ”)，规定了资本充足率为核心的监管要求，商业银行面临的资本监管压力变大，出于监管套利的动机，从事影子银行活动的激励增加(刘莉亚等，2019[29])。经过一段时期的快速增长，2016年年底，中央经济工作会议提出了防范金融风险的工作要求，2017年，针对银行业的监管收紧，“三三四十”系列专项整治活动陆续开展，影子银行中部分同业、投资和理财业务受到限制。到了2018年，《商业银行委托贷款管理办法》《关于规范金融机构资产管理业务的指导意见》(简称《资管新规》)等监管条例正式出台，开始专门针对影子银行进行整治，影子银行规模大幅下降。因此，为了排除政策因素对结果的干扰，本文采取以下办法：第一，删除2018年及以后的样本；
第二，为了捕捉监管压力引致的影子银行规模变动，本文进一步将监管压力变量加入模型(7)：

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

+μi+λt+εi,t

(7)

(1)基于表内影子银行的检验。

以表内影子银行(SHADOW)为被解释变量的检验结果显示，金融科技对中小型银行的表内影子银行规模具有正向影响，但对大型银行没有显著影响。可能的差异原因在于：一方面，金融科技的发展加剧了银行竞争，中小型银行的经营压力增加，可能面临资本金不足、信贷资金缺乏等问题，通过资产腾挪操作可以节约资本金并回笼资金，因而扩张影子银行业务的动机增加。另一方面，中小银行的优质客户被分流，为了满足一些长尾客户的需求，不得不降低信贷标准，通过通道、同业、投资等方式实现贷款发放，这些业务也会造成影子银行规模扩张。结合前文结论，金融科技提高了中小型银行的非利息收入占比，可能是由于影子银行业务的扩张所导致。中小型银行的监管压力(Pressure)指标显著为负，说明银行面临的监管压力越大，影子银行扩张越明显，符合理论预期。而大型银行资本充足水平普遍较高，达标压力不大，影子银行扩张与监管压力相关性较弱。

(2)基于表外影子银行的检验。

本文分别以非保本理财产品(WMP)和委托贷款(EL)作为被解释变量进行检验。总体来看，大型银行的金融科技发展与表外影子银行扩张正相关，中小型银行则相关性不强。对于理财业务而言，以往的理财产品发行一般是通过银行网点进行。金融科技促进了手机银行等工具的开发与使用，大型银行利用知名度优势，可以吸纳更多客户，增加理财产品的发行和销售量；
对于委托贷款业务而言，大型银行的优势则更明显，委托贷款出资人往往愿意与具有高知名度的大型银行合作，委托贷款发放量增加。而中小型银行本身规模较小，客户资源有限，发展新技术增加的理财产品销量有限，且社会知名度偏低，吸引到的委托贷款出资人有限，因此表外影子银行扩张不明显。

综合来看，金融科技发展对影子银行业务具有正向影响，表现为促进大型银行的表外影子银行业务增长和中小型银行的表内影子银行业务增长。差异的原因在于，银行的资源禀赋不同、表内和表外影子银行产品差别，导致金融科技的作用效果各异。表外影子产品中的理财和委托贷款业务，依赖于银行的规模和知名度优势，因而大型银行的业务扩张更快。而表内影子银行主要是通道、同业、投资等业务，有利于短期内缺乏资金的中小银行快速融通资金。

对于银行风险而言，表内和表外影子银行都可能会造成银行的真实风险水平被低估。《巴塞尔协议Ⅲ》规定银行的风险加权资产扩张不能超过资本金的限制，不同风险的资产对应了不同权重。对表内资产而言，一般贷款项目的风险权重为100%，但将资产“包装”后，按照会计记账规则，资产科目贷款减少，现金增加，金融投资类科目增加(自留机制要求持有大于5%的比例)。现金的权重为0，只要对应的金融投资科目权重不是非常高，这种资产腾挪就可以降低银行账面的风险资产规模。对于表外业务而言，虽然按照规定，委托贷款和非保本理财的风险和损失应该由委托人和投资人承担。但由于“抽屉协议”或“刚性兑付”的存在，银行还是对这些业务承担了一些信用风险。因此，如果银行将金融科技应用于扩张影子银行业务，会提高实际风险承担。并且，基于风险加权资产指标的监管标准，不能有效捕捉这些信用风险。换句话说，银行的隐性风险提高了。

直观上来看，影子银行业务相对类似的常规银行业务具有更高的风险，在不考虑影子银行的因素时，前文结论倾向于高估金融科技对银行风险的积极作用，而低估了消极作用。具体消长程度仍需进一步的研究，但本文结论可以提供一个参考，明晰金融科技影响银行风险的路径以及可能存在的影响因素及影响方向。

(五)稳健性检验(12)受篇幅限制，文中未列出稳健性检验结果，感兴趣的读者可联系作者索取。

1.使用工具变量。

金融科技与银行风险之间可能存在双向因果关系。比如，风险水平越低的银行，往往越关注风险管理，也更乐于发展金融科技来增强自身的风控能力。为解决这一问题，本文采用工具变量法对模型重新估计。

借鉴Cheng和Qu(2020)[31]的研究，以银行的薪资水平(Salary)作为工具变量，进行面板数据两阶段最小二乘(2SLS)估计。工具变量的选取考虑到，金融科技发展水平与劳动力转移有关，高科技人才引领了金融科技发展。银行的薪资水平越高，越有可能吸引科技人才，越有可能推动银行金融科技的发展。因此，银行薪资水平与银行金融科技水平相关，但其与银行风险并不直接相关。工具变量的2SLS回归结果支持前文结论。

2.对金融科技变量进行标准化处理。

本文依据百度中的公开媒体信息构造金融科技变量，一种潜在的可能是，不同银行的媒体关注度不同。比如，规模较大的银行具有较高的媒体关注度，同样的金融科技水平下，其新闻报道数量高于小银行。为缓解这一问题，本文对金融科技指标进行标准化处理，通过控制银行规模和总新闻数量进行稳健性检验。本文采取两种方法：一是，将金融科技指标除以银行当期的总资产规模；
二是，用金融科技指标除以该银行新闻总数量。但是，百度搜索的结果与键入关键词的内容有关，无法直接得到一家银行的新闻总数。考虑到该种误差的本质是银行的媒体关注度差异，因此，本文将“银行名称+新闻”作为基准关键词，重新爬取百度资讯，得到该关键词下的新闻总数量，作为衡量银行媒体关注度的指标。然后计算银行金融科技指标与同期的媒体关注度之比作为替代指标。结果表明，大银行发展金融科技降低了自身风险，而对中小银行来说，金融科技的风险抑制作用并不显著，本文结果稳健。

3.改变金融科技变量的测度方式。

如果新闻报道本身具备选择性，金融科技与银行风险之间还可能存在内生性问题。例如，整体收益较好、风险水平稳定的银行具有更高的关注度，其金融科技的发展和应用会被媒体新闻报道更多，那么金融科技指标就会和银行风险相关联。为避免这一问题，本文依据银行的年报文本，重新构造金融科技指标(FinTech_AR)，进行稳健性检验。本文使用两种指标：一是，直接统计银行年报中金融科技关键词的词频；
二是，考虑年报的篇幅长短差别较大，本文统计了年报文本的总词数(剔除数字、标点、停用词等无关信息)，用金融科技词频除以年报总词数控制其影响。结果显示，金融科技对银行风险的抑制作用在不同银行样本中仍存在显著差异，说明上文结论在替换了解释变量时依然是成立的。

4.替换银行风险变量。

本文替换了银行的风险度量标准，使用不良贷款率(NPL)和贷款减值准备比率(LLR)代表银行风险水平。不良贷款率反映银行的实际信用风险，贷款减值准备比率可以反映银行的经营状况和风险承担意愿。基于公司治理理论，银行在收入水平较高时会增加贷款减值准备，在收入水平较低时会减少贷款减值准备。在替换了被解释变量后，本文结果依然稳健。

本文结合网络爬虫技术和文本分析技术建立了银行层面的金融科技发展指标，然后利用2010—2019年60家商业银行的数据实证分析了金融科技对银行风险的影响。研究得出如下结论：

第一，总体来看，金融科技发展可以显著降低银行风险水平，上述结论在经过了一系列稳健性检验后仍然成立。

第二，异质性分析表明，对于国有银行、设立科技子公司的银行和资产规模较大的银行来说，其新型技术应用融合情况较好，风险水平得到显著抑制。而对非国有银行、未设立科技子公司的银行和中小型银行来说，金融科技的消极影响抵消了积极影响，总体风险无显著改善。

第三，机制分析表明，科技发展通过推动银行的营业结构转变进而影响银行的风险水平。金融科技提高了大型银行的比较优势，扩充了其客户群体和业务空间，银行存款规模和贷款规模提高，存款结构和业务结构改善。而金融科技削弱了中小型银行比较优势，其原有业务空间受到挤压，核心客户流失，盈利水平下降，总体风险上升。金融科技将改变银行业市场格局，重新划分资源蛋糕。

第四，门限效应检验表明，金融科技对银行风险的影响发生了结构性变化，即二者存在非线性关系。随着银行规模的增加，金融科技对银行风险的抑制效果非线性增强。存在银行发展金融科技的最优规模区间，当银行规模处于较大区制(越过第一门限值)时，金融科技风险抑制效果明显，当银行规模处于较小区制时，这一抑制效果并不显著。

第五，基于影子银行的分析表明，金融科技与影子银行规模增长正相关，说明新技术的应用也给影子银行发展提供了便利。金融科技可能会通过提高影子银行规模进而增加银行的隐性风险。

根据研究结论，本文提出如下建议：

第一，中小银行应把握金融科技趋势，合理选择转型方向。中小银行对金融科技的运用还不充分，获客渠道未得到拓展，借此防控风险也未取得显著成效。受到资金或地域限制，中小银行不能复制大银行的发展模式，技术投入与运用也应根据自身禀赋条件，开创具有比较优势的金融产品与服务。

第二，在科技发展政策方面，政策制定应结合银行的特征和发展阶段，避免“一刀切”。比如为大型银行的金融科技发展提供良好的政策环境，鼓励其自主创新。为中小型银行研发通用的系统和数字化平台，供其免费或低成本使用，以基本满足中小型银行技术发展需求，减少其科技投入的成本。引导银行合理进行科技投入，避免加重其经营负担。

第三，不同类型的银行应把握好自身需求和市场定位，避免传统存量博弈，努力形成业务互补，创造市场增量。金融科技的发展将加剧银行间的资源争夺，大型银行分流了中小银行的客户，挤占了其业务空间。然而，从整个行业的角度来看，金融科技发展的重心不应放在通过结构调整争夺原有市场，而应该放在助力银行延伸服务边界，努力开辟新增市场，提高总体金融服务的可得性和包容性。

第四，根据商业银行的不同类型与发展模式，采取差异化的监管措施。金融科技的运用打破了原有市场均衡，重塑了金融市场格局。针对大型银行，应在风险可控的前提下，防范其为抢占市场而引发过度竞争的风险。针对中小银行，应引导鼓励银行找到新的盈利增长点，并规范其产品和经营，防控同业和投资等业务经营风险。另外，由于非利息业务无需提取准备金，还应防止银行的过度杠杆，在控制个体风险的同时杜绝系统性风险。

第五，在审慎监管框架下，持续完善对影子银行的监管。金融科技发展给影子银行业务的发展提供了便利条件，可能导致不同类型银行中影子银行结构调整。现有针对影子银行的监管条例已经取得了一些成效，但仍存在按下“葫芦”浮起“瓢”的现象。监管部门应逐步引导金融机构利用金融科技手段更好地管理影子银行业务风险，而不是利用新技术进行监管套利。