金融科技对商业银行信用风险的经济资本影响研究

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，广西南宁 530005）

1 研究背景

2014 年3 月，“金融科技”首次出现在中国政府工作报告中。2019 年8 月人民银行发布关于金融科技（FinTech）未来3 年发展规划，把金融科技运用到金融风险管理领域提升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理和控制领域的地位。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。

金融科技是结合“金融+科技”的特点，创新金融新业态，利用智能投顾、分布式记账、生物识别等新兴技术，创新了各种新模式、应用场景、流程、新产品和新体验等［1］，旨在提升服务效率、客户体验和降低成本一种模式。商业银行信用风险是指贷款人无力履行合同给商业银行造成的风险，既包括贷款人无力履约还包括由于贷款人资产状况发生变化导致商业银行资产价格过度波动所带来的风险。目前，商业银行的信用风险位居银行风险管理的主要地位，其运营管理的成效决定着银行的健康发展。商业银行信用风险的经济资本管理是一种先进的风险管理方法，其本质是覆盖银行的信用风险，是银行根据其自身资产风险状况，在一定时期内用来弥补其非预期损失的资本，是一种风险的测度。

“金融科技+商业银行”的精髓在于通过金融科学技术与商业银行结合，颠覆商业银行原有盈利模式，实现以数据为运营核心，以金融科学技术为支撑商业银行风险管理提供多元化的立体创新思路。金融科技对商业银行信用风险管理产生的影响可以概括为两个方面：（1）金融科技利用先进的技术（包括智能投顾、大数据和生物识别等）为商业银行解决信息不对称、原有数据容量扩容和质量不高等问题提供了新的解决途径，能够降低银行信贷风险，提升其风险防范和控制能力。（2）金融科技具有海量数据处理优势，高容量的数据存储能力，便捷化的服务模式，颠覆了商业银行原有盈利模式，加大了商业银行破产风险。由此引发的思考：金融科技影响商业银行信用风险的机理是什么？金融科技发展对商业银行信用风险管控水平影响有多高？这些问题的解答有助于提升商业银行风险管理和防控水平，降低银行信用风险，促进中国金融体系健康发展的意义深远。

国内外学者对金融科技如何影响商业银行信用风险主要集中于两个不同层面：（1）金融科技加大商业银行信用风险。巴曙松等［2］指出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，涵盖领域既包括传统的信贷、存款和集资、银行中间业务，还包括投资管理服务和保险等等［3-4］），金融科技存在以下潜在风险：微观方面包括金融机构的流程、网络、法律风险等等［5-6］;宏观方面包括顺周期性、声誉和过度波动有关等风险。这些风险的不断发展演化，提升了交易过程中发生的成本，导致商业银行破产风险机率加大;（2）金融科技降低了交易过程中的信息不对称成本，降低了银行信用风险，提升了银行风险管理和防控水平。金融科技从金融技术向金融科技转化［7］，金融科技将新兴技术切入金融服务领域，打通了金融业的资产端环节，将资金端和资产端的精准高效匹配，实现高效定价，可以有效实现场景和产品创新、提高服务能力、降低运营成本以及更好的管理风险［8-9］。金融服务向非中介化演变，使得金融领域向便捷化、高效和智能方向转型。金融科技不仅可以提供便捷的金融服务，还拓展更多的零售客户和低端客户，利用金融科技对消费者的行为规律、喜好等进行分析，以便提供个性化的解决方案，以更低的成本［10］，提供给客户更好的服务和体验［11-12］。

通过上述关于金融科技对商业银行信用风险影响的研究发现，已有文献一方面只从效率、盈利及风险管控等几个割裂的角度研究金融科技对商业银行信用风险影响的变化，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差异化效用。鉴于此，本文首先阐述金融科技影响银行信用风险的机理，其次借鉴文本挖掘法和主成分分析法构建金融科技应用指数，并在此基础上运用国内16 家商业银行的数据，定量分析金融科技对商业银行信用风险管控的影响，最后总结全文，并讨论金融科技影响银行信用风险管理和防控方面的政策建议。

2 金融科技影响商业银行信用风险的机理分析

金融科技是“金融与科学技术的无缝衔接”，利用分布式记账技术、物联网、机器学习等先进技术与海量数据结合，实现了资金跨时空配置、新型支付清算、数字货币等新金融业态［13］。金融科技对商业银行信用风险影响机制可以归纳为截然相反的两条途径。

2.1 金融科技降低商业银行信用风险，拓展盈利空间和提升风险管理水平

（1）金融科技可以优化银行信贷业务流程，降低银行总体风险水平。首先，在客户征信评级方面：金融科技可以借助商业银行获取多维度的数据，扩大客户征信数据源头，将大量长尾客户日常消费记录和习惯计入信用累积数据中。并且利用先进的机器学习、神经网络等技术为银行授信提供参考数据源和传统评级模型难以解决的非线性问题，提升商业银行授信能力；其次，在普惠金融方面：在区块链技术分布式规则下，将中小企业的经营数据作为信用的基础，在中小企业贷款过程中提供精准的风险控制和优化供应链融资服务，实现专业和实时化的监控和风险追踪服务［14］。（2）金融科技可以降低运营成本，解决原有数据质量不高的困境。传统商业银行成立时间早，掌握了大量国民消费和资金拥有数据。由于原有技术和数据不完善，数据质量和生成获取方式也不同，加上我国征信体系尚未完全建立，数据的来源和可靠性存在质疑。人工智能、深度学习和大数据等技术可以将客户的消费和投资喜好进行海量数据分析，并通过学习纠正等方式，对原有数据进行高效分析，降低交易成本，提升数据质量［15-16］。（3）金融科技变革传统银行原有盈利模式，拓宽盈利空间。

原有商业银行存在客户偏好，盈利主要依赖存贷利差，对于长尾客户往往覆盖不到。根据国家普惠金融与公平原则，可以利用去中心化和分布式账本进行记录，对中小企业和个人交易进行处理，解决了原有金融机构对长尾客户信息获取成本高，交易链条长、繁琐等困境，扩宽了原有盈利空间。另外，金融科技可以利用新兴科技对商业银行优质客户进行一对一的精准服务，提高商业银行电子银行替代率［17］，降低人工成本，打破时空的界限，实施“7×24”小时不间断的服务，提升银行利润水平。

2.2 金融科技增加银行信用风险，加大破产机率

（1）金融科技加大商业银行的信用风险。由于商业银行存在信贷偏好，信贷资金分配上对中小企业存在惜贷，商业银行在征信评级、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现有的优质客户流失［18］。同时随着普惠金融的展开，加大了对低端客户的覆盖，信用风险的违约概率可能会增大。

（2）金融科技导致银行与客户合约双方资产价值波动频繁。金融科技融合了货币、债券、衍生品和大宗商品市场的界限，金融交叉风险不断叠加，风险的传播途径和时空正在改变。由于互联网技术和金融技术不断发展，参与者和参与形式多元化，新兴的业态模式不断发生，交易链条的不断延长，造成银行与客户合约双方的资产价值波动不断，给商业银行带来了巨大风险。

（3）金融科技导致商业银行产生技术风险。全天候的服务和参与者的多元化［19-20］，海量的数据在不断以幂的级别增加，大量的客户信息数据一旦保管不善，会导致信息和数据泄露，各类信息错综复杂，技术失控风险加大。另外，海量的数据前所未有，原有的技术是否能承载它们的容量及处理速度是否能跟进；对数据的存储、读取存在风险，数据的不完整以及失真是否能够处理等等问题将导致商业银行决策失败。。

3 模型设定与变量的选取

3.1 模型设定

3.2 变量定义

最后，计算出违约距离DD，公式如下：

DD 越大说明商业银行信贷风险发生的可能性越小，计算结果如图1 所示。

图1 16 家商业银行违约距离

（2）核心解释变量：金融科技应用指数。金融科技应用指数的构建是本文研究十分关键的一步。现有研究主要通过文本挖掘法和指数合成法构建。本文参考郭品等［23］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4 个二级指标。金融科技合成指数原始数据来源于百度搜索指数和百度咨询关注。构建步骤如下：首先，以金融科技、第三方支付、电子支付、手机支付、电子银行、互联网金融关键词构建基础维度。其次，借鉴百度搜索指数和百度咨询关注，得到这些关键词关注度的月平均值，并绘出2011 年1 月至2019 年6 月金融科技合成指数各个成分指数走势图(如图2)。最后，通过运用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4 个二级指标进行合成，最终构建金融科技应用指数。

图2 2011 年1 月至2019 年6 月金融科技各项组成指数走势

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，具体计算公式如下：

其中：

3.3 样本选择与描述性统计

3.3.1 样本选取

本文选取2011 年1 月至2019 年6 月16 家上市商业银行的数据构建动态面板模型。数据来源于数据库和各大商业银行年报，控制变量数据来源于数据库，缺失的数据来自网上搜集整理。

3.3.2 变量设计与描述性统计

表1 变量的描述性统计

4 实证结果与分析

由于商业银行信用风险的经济资本具有持续时间效应，本文在原有一般随机模型和固定效应模型的基础上，采用系统广义矩估计（）模型来检验金融科技对商业银行信用风险经济资本的影响。

首先，采用静态面板的混合、固定与随机效应估计方程（1）；从表2 看出，检验的值为0.000，拒绝混合效应的估计：检验的P 值为0.102，在10%显著水平上，本文选择固定效应模型。其次，采用差分广义矩估计（）和系统广义矩估计（）模型解决银行盈利能力、资产规模与风险管控水平存在的内生性问题。两个动态面板的检验结果和检验说明模型结果是有效的。

（1）金融科技应用指数的估计系数为-1.959，在1%水平显著，与假设预期一致，说明金融科技能够增加交易双方信息透明度，降低交易成本，所需的商业银行信用风险的经济资本也随之减少。

表2 金融科技对商业银行风险管理水平的影响

表2 （续）

（3）商业银行资产规模系数为正，符合“信用悖论”理论，即商业银行资产规模越大，会根据自身的优势对客户信用关系、区域行业信息优势等业务规模效应来进行放贷，反而没有利用分散投资化解风险。

（4）盈利水平与信用风险的经济资本存在负向关系，说明盈利能力越强，银行风险管理水平提高，所需要的经济资本就越低。

5 稳健性检验

为保证模型检验结果稳健性及可靠性，本文将不良贷款率代替模型的解释变量进行检验，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述检验结果基本一致。

6 结论与启示

本文首先分析了金融科技对商业银行信用风险影响的机制，概括出两条截然相反的路径；其次，本文利用百度搜索指数和主成分分析法构建了金融科技应用指数，作为实证检验的核心解释变量；最后，选取了16 家商业银行2011 年1 月至2019 年6 月的数据，检验了金融科技对商业银行信用风险管理水平的影响。结果表明：（1）金融科技增加了交易双方的信息透明度，降低了交易成本，减少了商业银行信用风险的经济资本，提升了银行风险管理水平；（2）金融科技时代，亲周期行为降低，商业银行结合各类因素来判断其信用风险，风险管理水平提升；（3）商业银行资产规模越大，需要覆盖信用风险的非预期损失的资本也越高；（4）商业银行盈利能力越强，需要非预期损失的资本就越低。

据此本文提出以下建议：（1）商业银行应积极与金融科技深度融合以应对金融科技带来的冲击。商业银行需运用自身优势与金融科技企业深度合作，加强数据的挖掘与分析，提升对客户风险的评估精准度，降低信息不对称的成本，提高其风险管控水平，将业务拓展到新金融科技生态圈，不断挖掘盈利的新增长点［24］。（2）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。其次，参照国际上英国式监管模式［25］，对流程、工具、准入、评估和过程等进行合理的设计，设计金融科技的监管标准，监管者和参与者的行为规范，适时的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。再次，在行业和技术发展上，需要建立符合金融科技新业态发展的规范准则以及能够覆盖商业银行及与商业银行业务相关的行业标准规范。另外，在技术标准和风险监测体系上，需要构建能够覆盖金融科技业务风险监测体系，推出一套规范的数据监测标准。