金融科技对商业银行风险的影响及异质性研究

姚 婷，宋良荣

(1.上海理工大学 管理学院，上海 200093;2.广西大学 行健文理学院，南宁 530005)

一、引言

2014年3月，“金融科技”首次出现在中国的政府工作报告中。2019年8月中国人民银行印发关于金融科技(FinTech)未来三年发展规划，把金融科技运用到金融风险管理领域提高到一个前所未有的高度。2019年12月，中国人民银行宣布推出金融科技创新监管试点，北京率先启动中国版的监管模式，说明了国家高度重视金融科技在金融风险管控领域的地位。作为中国金融体系的主体，商业银行需要抓住金融科技发展的契机，实现自我升级与蜕变。

金融科技(Puschmann ,2017;Milian和Spinola,Carvalho ,2019; Thakor ,2020)[1～3]是结合了“金融+科技”的特点，创新了金融科技生态圈，利用机器人投资顾问、分布式记账、人脸识别、脑电波支付等新兴技术，创新了各种新模式、应用场景、流程、新产品和丰富的视觉新体验等(皮天雷等，2018)[4]，打破现有行业结构并模糊了行业边界(Shim、Shin，2016)[5]，对服务的获取便捷以及成本降低带来了新的创新(Li等，2017;Vasiljeva和Lukanova，2016)[6～7]，甚至填补了原有金融行业的空白(Truong，2016)[8]，但也给监管及执法带来了挑战(Chen，2016)[9]。经济资本是商业银行管理层根据其资产风险状况和风险的偏好，在一定时期内用于弥补非预期损失所需要的资本，是一种风险的测度，本质上是用资本覆盖风险。

“金融科技+商业银行”的精髓在于通过金融科技与商业银行全方位的立体化融合，将商业银行原有盈利模式改变，实现以数据为运营核心，为商业银行风险运营提供多元化立体的创新思路[10]。金融科技对商业银行风险的影响可以概括为两个方面：(1)金融科技应用降低了信息不对称成本，提升了银行盈利水平和风险承担能力。金融科技利用先进的技术(预测算法、分布式记账、视觉识别、自然语言处理等)为商业银行解决信息不对称、原有数据容量需要扩容和质量不高等问题提供了新的解决途径，提升其风险管控能力。(2)金融科技使得各种市场风险不断叠加，商业银行要面对突如其来的变化，一旦决策失误就会造成商业银行破产风险加大。巴曙松和白海峰(2016)[11]发现随着金融领域参与者的多元化(其中包括传统金融机构、转型升级的金融机构等)，服务领域也扩大，既包括传统的信贷、存款和集资、银行中间业务，还包括投资管理服务和保险等(王达，2018；Thakor,2020)[12][3],多元化的参与者和服务领域使风险也变得复杂多样。金融科技是商业银行不断发展演化形成的产物，又反作用于商业银行。正确把握商业银行风险演进规律，需要建立在对金融科技的深刻认知上，透过金融科技应用变化这个视角，厘清中国金融科技运行与商业银行风险的内在逻辑和重要问题，对于提升商业银行风险管理，促进中国金融体系健康发展具有重要意义。

通过上述研究发现，已有文献一方面仅从风险、盈利、监管等几个割裂的角度研究金融科技应用对商业银行风险承受能力的影响，缺乏系统性的理论机制探讨；另一方面，缺少从实证层面定量衡量这种影响的大小及不同资产规模的商业银行的差异化效用。鉴于此，本文尝试从以下几个方面做出边际贡献:第一，利用金融科技应用的程度来阐释Fintech与银行风险内在逻辑及演化，从一个全新的角度来研究商业银行风险；第二，根据金融科技应用于银行业的各个领域程度进行划分，结合商业银行年报提供的数据，利用文本挖掘技术和主成分分析创新性地构建了金融科技应用指数，对衡量金融科技应用于银行业所需经济资本的数量分析更为精确；第三，研究金融科技应用程度对商业银行风险承受能力的影响，有助于从新的视角审视商业银行风险现状，对银行业监管和政策的设计具有特别的政策意义。

二、作用机制及假设提出

金融科技是“金融与科学技术无缝对接”，利用分布式记账技术、物联网、人工智能算法等先进技术与海量数据结合，形成了资金跨时空配置、新型支付清算、数字货币等新金融业态(马卫民和张冉冉，2019)[13]。金融科技应用与商业银行风险内在逻辑和演化机制可以归纳为两个途径。

(一)金融科技应用提高商业银行风险承担，变革盈利模式

金融科技可以优化银行业务流程，提升效率，降低总体风险水平(薛莹和胡坚，2020)[14]。在客户征信评级方面：金融科技可以利用数据挖掘、机器学习、神经网络等技术为银行授信提供数据源参考和解决传统评级模型处理不了的非线性问题，提升商业银行授信的能力。在市场风险管理流程方面：金融科技可以提高资金头寸预报的精度，提高资金运作效率，及时分析客户风险和追踪报告；在操作风险流程管理上，金融科技可以利用生物识别、语音识别、智能机器人等先进技术降低人力、资金和时间成本，提高数据的准确性，降低内部人员欺诈风险和系统性风险(Fuster等,2019)[15]。另外，在普惠金融方面：金融科技的区块链技术、数字智能化、供应链金融能够在小微企业贷款过程中提供精准的风险控制和供应链融资服务，实现专业和实时化的监控和风险追踪服务(Blythin和Cooten,2017; Basel Committee on Banking Supervision,2018; Tsai和Peng,2017;Gabor和Brooks,2017;Shen、Hueng和Hu,2020;金洪飞等，2020;Hasan等,2020)[16～22]。

金融科技变革银行原有盈利模式。商业银行原有盈利模式主要依赖于利差收入，在利率市场化的改革下，商业银行的获利能力下降，商业银行急需改变原有单一的盈利模式。2018年，全球对金融科技的投入达到了553亿美元，其中中国参与的交易额达到255亿美元(1)查德·布雷，崔晓冬：中国推动全球金融科技投资.环球时报2019-02-27：https://oversea.huanqiu.com/article/9CaKrnKiu6c。商业银行对金融科技的大量投入，目的在于金融科技能够给商业银行带来丰厚的利润。金融科技的本质在于创新，金融科技创新的同时，既能给客户带来更多的创新产品和服务，也给商业银行获取资金带来更多新的途径。另外，金融科技可以利用新兴科技对商业银行的高质量客户进行一对一的差异化服务，利用开放银行模式，植入“衣食住行”“办公服务”各类场景为零售客户提供更好的体验，提高零售业务的经营效率。

金融科技可以解决原有数据质量不高的困境。商业银行虽然拥有大量国民消费和资金存储数据，但是原有的技术不完善，数据的质量和生成获取方式也不同，大量的数据(如客户信息、产品信息、信贷行为、第三方平台等多个不同领域的风险数据)得不到合理利用。商业银行在交易中不能对客户进行很好的综合评价和判断，对细分客户群和交易中的欺诈判断也产生了极大的困难。如今我国征信体系尚未完全建立，客户数据的来源和可靠性存在质疑。金融科技可以利用文本挖掘、聚类分析、虹膜识别等技术，将客户的网络行为、用户偏好和公开数据进行对比分析，并通过学习纠正等方式，对原有数据进行高效分析，提升数据的质量。

(二)金融科技应用降低银行风险承担，破产概率增加

金融科技糅合了货币、衍生品、外汇等多个市场的界限，造成了各类风险的不断叠加和融合，变化的形式也与以往不同，各种资金链条变得复杂，各类金融机构不断增多，传递的时空和维度也在不断的变化[23]。全球金融风险由于金融科技应用的发展造成的不确定性和关联性也是前所未见。面对金融科技不断发展的趋势，国家、行业和地区风险产生的交叉风险也变得复杂，客户自身情况以及对经济形势的预期也变得复杂。金融科技在不断创新，风险也在不断积累，一旦发生风险，可能会产生“羊群效应”，对商业银行产生巨大的破坏作用。

金融科技应用加大了商业银行风险。在信用风险管理方面：金融科技不断创新产品和服务的同时，商业银行的信用风险也在发生变化，原有的授信业务流程、风险释缓技术需要根据实际情况进行修正，授信评级、行业标准、担保、授权、评审、资产处置政策是否符合新的发展要求，该如何进行修改，也是银行高级管理层必须面临的重大问题。商业银行存在信贷偏好，征信评级、小微企业和动产融资方面的投入相对薄弱，尚未开发甚至被忽视的价值网络会导致某些优质客户流失(Anagnostopoulos，2018)[24]。同时随着普惠金融的展开，加大了低端客户的覆盖，信用风险的违约概率可能会增大。在金融创新、工具日益多元化的背景下，各种市场风险成分复杂，组合投资风险总量加大，市场风险的识别、评估、计量和审定难度日益加大。资本、货币、外汇和商品市场价格波动对商业银行在投资、资产负债期间错配产生的市场风险也会随着金融科技不断发展变得复杂。另外，商业银行内部人员欺诈行为，内部控制和操作程序的管理，操作风险信息管理系统失灵、崩溃、漏洞、差错风险等，都将带来投资者资金损失或信息泄露等操作风险。

金融科技应用产生技术风险(谷政和石岿然，2020；马强等，2020)[25～26]。由于金融科技创造了新的金融生态业、全天候的服务方式、参与者的多元化(巴曙松等，2018)[27]，海量的数据在不断以幂的级别增加，因此，产生了大量的信息数据。这些信息的处理和保管不当会导致信息和数据泄露，风险识别难度加大，技术失控风险加大。由于缺乏同时具备丰富的金融知识和过硬的计算机技术人才，对金融科技产生的前所未有海量的数据的处理遇到了瓶颈。原有的技术是否能承载这些数据的容量及处理速度是否能跟进，新兴的技术在与原有技术磨合期间对数据的存储、读取和处理也会存在风险，数据的不完整以及失真如果处理不当，也会带来巨大风险，对商业银行的信息管理系统产生重大影响。

通过上述金融科技应用于商业银行面临风险的内在逻辑机理分析，提出假设1a和1b：

假设1a；金融科技应用能够降低商业银行经济资本。

假设1b：金融科技应用能够提高商业银行经济资本。

大量的学者在研究银行风险是否具有异质性，他们大多认为大型国有商业银行在风险管理上相比中小银行具有规模效应(顾海峰和张亚楠，2018;谷政和石岿然，2020；马强等，2020；Sheng,2020)[23][25～26][28]。因此从金融科技的应用角度来研究金融科技对不同资产规模的商业银行风险是否具有异质性，既能提供一个新的研究视角又能丰富相关文献。一方面，大型国有商业银行在金融科技环境下升级自我风险管理技术和流程方面具有规模、人才技术和更多实践经验等优势。2017年，借助互联网等技术发展之势，中、农、工、建、交五大国有商业银行与金融科技巨头公司“BATJS”建立战略合作，迅速拓展金融科技领域。通过与金融科技公司合作，国有大型银行能够根据他们的资产结构迅速进行调整跟上经济发展和市场竞争的步伐。另一方面，中小银行由于受到资金和人才等实力限制，金融科技领域布局存在困境，因此，需要区别对待。股份制银行由于自身特点，在金融科技领域的布局也不尽相同。例如，南京银行主要在中小银行生态圈和连接电商、快递等行业平台进行布局。浦发银行采取“科技共同体”方式，与科技公司、科研机构、上下游供应商和消费者多方合作。招商银行和兴业银行将“长尾客户”纳入金融科技发展战略中。城商行与农村商业银行由于受到资金、业务范围、地域和客户群体限制，金融科技投入有限，难以跟上金融科技发展步伐。因此有必要研究金融科技对不同类型商业银行影响的异质性问题(Bao等，2014;Lorenc和Zhang,2020;Sleimi,2020)[29～31]。这里提出假设2a和2b：

假设2a:金融科技应用对不同类型商业银行的影响产生异质性。

假设2b:金融科技应用对不同类型商业银行的影响不产生异质性。

三、变量设定与数据来源说明

(一)变量选取

被解释变量为商业银行经济资本(EC)。在已有关于银行风险指标测度的文献中，VaR作为一种金融机构风险测量的标准方法被广泛接受。VaR 指在预设的置信水平和既定的持有期内，衡量某个特定投资组合所面临的最大可能损失，是一种具有前瞻性的风险衡量方法。该方法是巴塞尔协议指定用来衡量金融机构市场风险的一种标准方法，其应用已成为国际银行业风险管理的标准。VaR(Value at Risk)取决于风险的绝对水平、管理者对风险的容忍度以及风险期限长短。本文采用Artzner等(1999)[32]提出的ThaiVaR(Conditional Tail Expectation, CTE)方法估算16家商业银行的经济资本。模型如式(1)和式(2)：

Prob(ΔV≤-VaR)=1-α

(1)

ThaiVaR=E[X|X≥VaRα(X)]=VaRα(X)+E[X-VaRα(X)|X≥VaRα]

(2)

其中fx(x)是随机变量X的分布密度，VaR是置信水平α下处于风险中的价值。本文选取的置信水平为99.99%，以便可以包容更多的风险。该值越大，说明商业银行风险承担能力较差。

解释变量为金融科技应用指数。参考郭品和郭悦(2015)[33]的互联网金融指数构造方法构建本文的金融科技应用指数。该指数包括金融科技合成指数、商业银行个人存款、商业银行个人贷款和信用卡新增发卡量四个二级指标(2)二级指标选取的依据：数据的可获得性样本中的指标均来自银行的公开年报；反映银行金融科技的特征，金融科技能够创新性地提供更多个性化服务且成本低的特性，近些年来，商业银行零售业务大幅上升，零售客户也是商业银行未来发展战略之一；指标计算口径统一，有关指标按照会计准则统一计算。。金融科技合成指数首先采用文本挖掘法构建关键词频率，数据来源于百度网、百度搜索指数和百度咨询关注。构建步骤如下：首先，选择关键词。本文根据金融科技应用于商业银行第三方支付、财富管理、开放银行等领域(Puschmann,2017;Basel Committee on Banking Supervision,2018;Haddad、Hornuf,2019)[1][17][34]并结合各个商业银行年报提供的数据来选取关键词，最终选取金融科技、电子支付、互联网金融、第三方支付、手机支付、电子银行关键词构建基础维度。其次，根据各个银行分年度的相关数据和因子分析法，得到关键词关注度的月平均值，并绘出2011年1月至2019年9月金融科技合成指数各个成分走势图(如图1)。最后，通过运用SPSS软件运用主成分分析法和因子分析法，对关键词进行降维，得到关键词的公因子，进而计算出金融科技合成指数。然后再利用同样的方法，将四个二级指标进行合成，最终构建各个银行的金融科技应用指数。

由SPSS数据处理的检验结果得知，KMO检验值为0.599， Bartlett检验Sig值小于0.001， 说明本文选择因子分析方法是合理的。

图1 2011年1月至2019年9月金融科技各项组成指数走势

控制变量从国家和银行业特征两个层面来选取。国家方面选择GDP同比增长率(GGDP)。如果经济形式良好，银行乐于放贷以获取更高的收益，从而产生更多的不良贷款，商业银行的风险加大。为了吸取以往的经验教训，巴塞尔资本协议III提出了宏观管理审慎原则，以及逆经济周期的管理，减少短视行为以提高商业银行风险管理水平。从银行业的特征选择银行资产规模、盈利和风险等几个角度来考虑，具体如下：(1)盈利能力(ROE)，采用净资产收益率作为代理变量。一方面，按照高风险要求高回报的原则，金融科技能够降低交易信息不对称成本，提升盈利水平。另一方面，金融科技在降低交易成本的同时，会导致商业银行追逐更高的收益，参与高风险的行为。(2)资产规模(SIZE)，选取总资产对数作为代理变量。一方面，“大而不倒”，银行资产规模越大，对社会的重要性显现，利用多元化投资分散其风险，其管理能力和盈利能力增强。另一方面，由于金融科技时代初期产生的巨大红利，导致了商业银行趋向高风险投资，商业银行破产几率增加。(3)资本充足率(CAR)属于安全性指标，是衡量银行承受风险能力的综合指标。资本充足率越高，对市场风险所需的资本金将提高，银行可用资金将减少，但稳健性提高了。

由于不同变量之间的单位不尽相同，如果直接使用，会造成实证检验产生错误的结果。对上述变量的原始数据采用均值-标准差法进行处理，避免了在综合评价时受到原始数据不同单位的影响，具体计算公式如式(3)：

(3)

(二)数据来源

考虑到数据可得性、真实性与代表性，选取16家上市商业银行2011年1月至2019年6月数据，包括5家大型商业银行，9家股份制商业银行，2家城市商业银行。数据来源于Wind数据库和各大商业银行年报，宏观控制变量数据来源于EPS数据库，缺失的数据来自网上搜集整理。表1显示了16家上市商业银行主要变量的描述性统计结果。

表1 变量的描述性统计

表1列出了模型中主要变量的描述性统计结果。我们可以发现银行资产规模平均值为1.902，标准差为0.917，表明在样本期内，银行资产规模变化范围较大，稳定性较弱。经济资本的最大最小值相差很大，而且标准差为0.815，说明稳定性较弱。金融科技应用指数为3.190，标准偏差为0.459，变化范围很大。同样，ROE变化范围也很大，表明它们的稳定性也很弱。 此外，所有变量的最大值和最小值之间存在很大差异，这表明样本有可能存在异质性。

四、模型构建与实证研究

(一)模型构建

为了检验上述影响机理是否存在，本文采用Phan等(2019)[35]的模型，并在此基础上结合具体的情况进行修改，得到模型(4)、(5)：

ECit=α0+α1Fintechit+α2GGDPi+α3SIZEit+α4ROEit+α5CARit+μi+εit

(4)

ECit=β0+β1Fintechit+β2Fintechit-1+β3GGDPi+β4SIZEit+β5ROEit+β6CARit+β7Fintechit×SIZEit+β8Fintechit×ROEit+β9Fintechit×CARit+μi+εit

(5)

式(4)中被解释变量是商业银行经济资本(EC)，主要解释变量为金融科技应用指数(FINTECH)，控制变量为银行的净资产收益率(ROE)、资产规模(SIZE)、国内生产总值同比增长率(GGDP)，资本充足率(CAR)。其中，i=1,2,3…N表示银行数目，t=1,2,…T表示时间，μi为商业银行个体固定效应。式(5)在式(4)基础上增加了金融科技应用指数的滞后项和金融科技应用指数与商业银行资产规模、净资产收益率以及资本充足率的交叉项，目的在于检验金融科技应用程度对商业银行经济资本的影响是否具有持续性和异质性。

(二)实证结果分析

为了解决内生性问题，本文采用Arellano和Bond(1991)[36]提出的广义矩估计法(GMM)。与最小二乘法相比，该方法对假设的要求相对宽松，有效地减轻内生性问题以及残差的异方差性，能够充分利用样本信息。为了保证模型估计的有效性和稳健性，本文还做了Sargan检验判断工具变量的使用是否合理和差分方程的残差是否存在二阶序列相关(3)在解释检验结果前，本文首先检查了模型变量之间可能存在的多重共线性问题。。

表2列出了金融科技对银行风险的经济资本的影响结果。实证检验采用面板的混合回归、固定效应和随机效应，GMM方法的差分GMM方法和系统GMM(Sys-GMM)。本文将重点阐述系统GMM实验结果。根据AR(2)的统计数据进行自相关检验，AR(2)不存在自相关问题，且P值大于5%。通过Sargan检验进行有效性检验，P值也大于5%，因此，模型的选择是有效。

表2显示，金融科技与商业银行风险的经济资本存在1%的显著性水平的负显著性关系，说明金融科技的发展水平越高，风险经济资本越低。这与假设1a预期一致，说明金融科技应用能够降低商业银行总体风险经济资本。

表2 检验结果

国民生产总值系数与商业银行风险的经济资本显著负相关。它表明，金融科技可以为商业银行提供各种先进的技术和算法，可以有效地学习和纠正经济活动的信息和数据，并全面评估整体经济状况。商业银行不会因为经济形势好而盲目放贷，因此风险降低。商业银行的规模与经济资本具有显著的负相关关系，表明金融科技提供先进技术对市场数据进行分析，大型国有商业银行具有规模优势，因此，可以提供更多的金融创新产品和服务，降低成本，提高收入，因此风险降低，所需要的经济资本下降，银行资产规模越大对于经济资本的要求下降。ROE系数显著为正，说明获利能力强的银行有追逐利益的偏好，可以获得的投资金额规模大，因此需要的经济资本增多。

为了进一步研究金融科技对不同类型商业银行风险的差异化影响，本文在式(4)基础上增加了金融科技应用指数与商业银行与其他变量的交叉项(4)本文逐个增加金融科技与商业银行控制变量的交叉项，但因样本容量小和时间周期短的缘故，检验结果不显著的不在这里表述。，以及金融科技应用指数的滞后项，同样采用混合回归、固定效应、随机效应、动态面板的差分广义矩估计(Diff- GMM)和系统广义矩估计(Sys- GMM)模型进行估计，AR(2)检验表明，扰动项的差异之间没有二阶序列相关性，而Sargan检验表明，检验结果有效。结果如表3所示。

表3 异质性检验

由表3可知，金融科技应用指数与商业银行ROE的交叉项通过显著性检验，说明金融科技对不同类型商业银行产生的风险水平是不同的，异质性检验通过。金融科技应用指数的滞后项不显著，可能是因为样本容量较小和检验周期较短的缘故。另外，资金充足率的系数与经济资本呈负相关关系，符合经济意义，表3的检验符合假设2a。

(三)稳健性检验

为保证模型检验的结果稳健性及结果的可靠性，本文以不良贷款率代替经济资本来衡量商业银行风险管理，模型检验出来的结果虽然系数绝对值有差异，但是显著性水平、正负情况及大小程度与上文结果基本一致。

五、结论与启示

商业银行经济资本的风险管理一直是商业银行最高层次的管理问题之一。本文主要探究金融科技对商业银行风险的经济资本的影响机理，并对其进行了实证检验，得出了以下主要结论：金融科技应用能够降低商业银行的经济资本，降低商业银行总体风险，盈利能力强的银行可以有更多的资金进行投资，所需经济资本提高，金融科技应用对不同类型的银行盈利能力影响产生了显著的异质性。基于上述研究结论提出相应的政策建议。

第一，从银行的角度来看，商业银行需要加大对金融科技方面的资本和人力的投资，国有大型银行可以采取与金融科技公司合作或根据自身情况发展需求来大力发展金融科技与业务的深度融合(Loo,2018)[37]，创新出更多的产品和服务，提升竞争力，扩大盈利空间。股份制银行和城市商业银行等中小银行由于资金和区域的限制，可以采取模仿和复制大型国有商业银行金融技术改革的模式，以提高自身竞争力，从而降低交易成本和数据分析成本(胡滨和杨涵，2019)[38]。

第二，从政府监管角度来看，政府需要在监管制度和法律、行业规范、技术标准和风险监测体系等各方面做出相应的顶层设计。在监管体制上，需要对多个市场(甚至国与国之间协调)、行业、参与者产生交叉风险的识别、防范、化解进行整体监管设计，另外，由于中小型银行自身的局限性，它们与金融科技的融合受到了限制。为了使中小型银行有更多的发展空间，设计必须考虑公平性。其次，参照英国监管模式(刘孟飞和蒋维，2020)[39]，对流程、工具、准入、评估、过程等进行合理的设计，设计金融科技的监管标准，制定监管者和参与者的行为规范，适时地选择统一线上和线下的业务监管标准，实施24小时不间断的全过程监管，寻求监管与创新发展的平衡。