金融科技对商业银行信贷风险的影响及其机制研究

杨 馥 洪 昆

（西安财经大学经济学院，陕西 西安 710100）

一、引言

“十四五”规划及《金融科技发展规划（2022—2025年）》等国家重要发展规划均强调提升金融科技水平，将金融机构应用科技的能力转化为金融市场上的竞争力，有效支持实体经济发展。现阶段，商业银行对金融科技的投入逐年增加并成为发展金融科技的“主力军”。《中国金融科技报告2021》指出，2021年国有五大行金融科技平均投入超过200 亿元。商业银行等传统金融机构原有的商业模式与运行逻辑因金融与科技的深度结合而发生了深刻变化，其经营管理、产品设计、战略布局、营销渠道和风险控制等环节也因此而被重构（盛天翔和范从来，2020）。其中，商业银行尤为关注风险防控环节。金融科技通过提高商业银行在风险控制全环节的管控能力，实现信贷全流程的数字化，有效控制风险（易纲，2021），进而提高商业银行盈利能力，降低融资成本，改善资本水平，促进其健康平稳发展（陈天鑫和李军帅，2021；林胜等，2020）。当前信贷风险仍是商业银行面临的主要风险之一，2021年末我国银行业不良贷款余额达2.8 万亿元，关注类贷款余额3.8 万亿元，商业银行信贷风险管理亟须关注和改善。因此，金融科技能否以及通过何种机制改善商业银行信贷风险管理仍是值得探究的问题。

本文的边际贡献可能在于：（1）区别于以单一指标度量金融科技的研究，在基准分析时使用文本分析法建立商业银行金融科技指数；（2）从商业银行贷款集中度和信贷规模角度，拓展分析金融科技影响商业银行信贷风险的机制，丰富了相关领域的研究；（3）探究金融科技对不同类型商业银行信贷风险的影响，重点关注全国性商业银行对区域性商业银行的挤出效应，对商业银行因地制宜利用金融科技管控信贷风险具有指导借鉴意义。

二、文献综述

回顾已有文献，关于金融科技对信贷风险影响的研究并未得到一致结论，主要分为三种观点。第一种观点认为金融科技可能提高信贷风险，并从市场化及竞争角度进行了解释。当商业银行集体运用金融科技时会促进利率市场化（邱晗等，2018；汪可，2018）和加剧商业银行竞争（杨文捷等，2020），商业银行为保持经营业绩稳定或提高业绩可能会调整信贷客户准入和资产选择的标准，导致信贷风险增加。第二种观点基于信息不对称角度，提出金融科技能够降低信贷风险。商业银行能通过大数据、云计算等科技手段减少甄别优质信贷客户的成本，从而提升筛选优质信贷客户和风险控制的能力，提升资产质量，降低风险水平（金洪飞等，2020；姚婷和宋良荣，2021；唐也然，2021；Deng等，2021；郭丽虹和朱柯达，2021）。第三种观点考虑了金融科技对商业银行经营成本和银行间竞争的影响，认为金融科技对商业银行信贷风险具有非线性影响。郭品和沈悦（2019）认为，商业银行在初始运用金融科技阶段能降低运营管理费用，成本下降能促使风险承担降低，但金融科技的进一步发展却会加剧商业银行竞争，提高资金成本，促使商业银行信贷风险增加，因而金融科技与商业银行信贷风险呈早期正相关、后期负相关的正U 形关系。刘孟飞（2021）、喻平和张敬佩（2021）则认为，在金融科技发展早期，互联网金融机构运用金融科技会对商业银行的资产和负债业务产生影响，从而提高资金成本，加剧信贷风险；金融科技成熟后，既能提升经营管理和风险控制效率，又能优化信贷资产与信贷客户的结构，使信贷风险得到缓解，故金融科技与商业银行信贷风险呈早期正相关、后期负相关的倒U形的关系。

已有文献从不同维度就金融科技对信贷风险的影响进行了具体阐述，但进一步利用实证研究方法探究金融科技对商业银行信贷风险影响的传导机制的文献仍然较少。其中，孙旭然等（2020）发现金融科技的发展能提高信用贷款比例和延长信贷期限结构，进而提高商业银行信贷风险。任碧云和郑宗杰（2021）则认为金融科技对不同商业银行的信贷结构产生不同的影响，金融科技有助于调节国有商业银行贷款担保结构以缓释信贷风险，并可能使非国有商业银行偏好调整贷款期限结构来缓释信贷风险。孙旭然等（2021）的研究还表明金融科技可以抑制商业银行分支机构的扩张，进而缓解银行信贷风险。此外，Deng 等（2021）的研究显示，金融科技的发展将影响商业银行的内部息差、管理能力、外部竞争强度和居民的储蓄意愿，从而对商业银行的信贷风险产生影响。

综上，商业银行发展金融科技已对其信贷风险管理产生了影响，但就影响效应与作用机制，相关研究并未形成共识。此外，金融科技对信贷风险影响机制的现有研究主要关注信贷结构和业务扩张等方面，而贷款集中度、贷款增长率等其他传导机制尚有待探索和验证。因此，进一步研究金融科技对信贷风险的影响效应并探讨可能的传导机制，可为商业银行利用金融科技缓释信贷风险提供借鉴。

三、理论分析与假设提出

（一）金融科技与信贷风险

商业银行信贷风险主要来源于借款人按时或全额还款的不确定性，具有客观性、聚集性与可控性的特征。不确定性又主要分为横向与纵向两类因素：纵向不确定性由外部宏观经济环境所决定；横向不确定性主要来自商业银行向企业贷款时的信息不对称（王蕾等，2019）。依据信号理论，信息不对称可以通过信息的搜集与处理得到缓解。信号理论认为，商业银行是否向借款人发放贷款是由借款人实际信用质量所传递出来的信用信号所决定的，而信号的载体是可以传达借款人经营状况的信息（徐晓萍等，2021）。过去商业银行主要通过借款企业所提供财务报表中的硬信息传递的信用信号判断借款企业信用质量，但企业所提供的信息在可靠性方面存在疑虑（李学峰和杨盼盼，2021）。而商业银行运用金融科技能降低信贷过程中的信息不对称，提高信息获取、数据处理以及客户管理的效率（邱晗等，2018；金洪飞等，2020；张金清等，2021），更好地应对贷款的逆向选择风险。此外，金融科技还有助于商业银行将原本无法指标化的软信息指标化，识别借款人的细节信息，从而更容易辨别信贷需求，更好地应对信息不对称导致的道德风险（盛天翔和范从来，2020）。综上，商业银行利用金融科技能降低银企间信息不对称，减少信贷过程中的不确定性，降低信贷风险。依据上述分析，本文提出如下基本假设：

假设1：商业银行金融科技发展水平与信贷风险负相关。

（二）贷款集中度、金融科技与信贷风险

商业银行贷款集中度是指贷款集中于某一个行业、集团或者客户（王博格，2018）。根据长尾理论和信号理论，贷款具有聚集性是因为传统商业银行关注信息处理成本较低的前20%的客户，如会计信息完备以及易于从市场获得相关信息的大企业，而忽略了信息挖掘成本较高的尾部客户，从而导致商业银行贷款集中度较高。然而，贷款的客户集中现象会显著提高贷款风险（Gordy 和Lutkebohmert，2006；Düllmann 和Masschelein，2007），即商业银行贷款集中度对信贷风险具有正向影响（周春喜和毛悦，2018；顾海峰和戴云龙，2019），因此，分散贷款客户是商业银行控制信贷风险的重要手段，而金融科技将在其中发挥积极作用。一方面，商业银行利用金融科技扩大客户人群覆盖面，提高金融服务可得性，从而增加了发放普惠贷款的意愿（郭丽虹和朱柯达，2021）；另一方面，金融科技可以提高商业银行获取和处理中小微企业信息的能力，拓展了小微贷款业务（金洪飞等，2020）。在将潜在的长尾客户群体纳入信贷服务范围后，商业银行信贷总规模扩大，零售贷款和信用贷款规模及占比上升，商业银行信贷的信用结构和客户结构得到优化（孙旭然等，2020；徐晓萍等，2021），最终达到分散贷款客户、降低信贷风险的效果。依据上述分析，本文提出如下假设：

假设2：金融科技的应用降低了商业银行贷款集中度。

假设3：金融科技可以通过降低贷款集中度的方式缓解商业银行信贷风险。

（三）信贷增长率、金融科技与信贷风险

为了应对同业竞争，商业银行在盈利以及生存压力下会加快扩大信贷投放（郭品和沈悦，2019）。进行过度信贷投放的商业银行，一般会降低信贷标准，倾向于接受那些信用等级较低客户的贷款申请，导致不良贷款增加，进而使得信贷风险增大（辛兵海，2018）。由于商业银行需要保证整体经营安全、风险可控，金融科技相关技术逐渐被商业银行使用在对资金需求者个人信息的获取、处理程序，于是借贷双方的信息不对称在贷款前被降低，拒绝高风险贷款，接受低风险贷款，从而提高商业银行信贷质量，降低商业银行信贷过快增长，保持商业银行经营稳定。在金融科技成熟并广泛运用于商业银行内部后，提高了关于个人或企业信贷的数据获取、数据处理以及客户管理的效率，信贷质量提升后信贷风险得以缓解（孙旭然等，2020）。金融科技有助于商业银行获取贷款客户的个人信用数据，并利用大数据、云计算等方式进行储存与分析，既有助于增强对个人贷款的定价能力，也能有效识别贷款前的信贷风险，降低因行业竞争产生的信贷扩张速度，提高信用贷款质量并达到缓解商业银行信贷风险的目的（金洪飞等，2020）。基于以上分析，提出如下假设：

假设4：金融科技的应用降低了商业银行信贷增长率。

假设5：金融科技可以通过降低信贷增长率的方式缓解商业银行信贷风险。

四、研究设计

（一）样本与数据

首先，本文在样本选择中剔除了3 家政策性银行；其次，由于业务范围较窄、规模不大的小型商业银行难以承担自建金融科技平台的巨额支出，大多数中小银行选择与外部金融科技公司合作，因而难以考察中小银行的金融科技运用程度，在样本选择时剔除了农村商业银行、村镇银行等规模较小的银行；最后，本文基于数据的完整性和可得性选取2011—2019年国内40 家商业银行作为研究样本，包括6 家国有商业银行、9家股份制商业银行以及25家城市商业银行。商业银行数据主要来自东方财富网、统计年鉴、万得数据库、各家商业银行年报以及中国人民银行统计数据。

（二）变量定义

1.解释变量。目前，国内对于金融科技尚未建立统一的测度指数，已有研究主要利用三类指标衡量商业银行金融科技发展水平：一是自主构建金融科技指数，主要采用文本挖掘法、主成分分析法或因子分析法，从商业银行内部投入及运用金融科技主要技术来衡量金融科技发展水平；二是研究机构与金融科技企业合作构建的互联网金融指数，其中认可度最高的是北京大学数字金融研究中心发布的普惠金融指数，主要衡量商业银行所处外部经营环境的整体金融科技发展程度；三是根据上市商业银行金融科技投入资金，衡量金融科技发展水平。由于普惠金融指数主要衡量整体金融科技发展程度，而非上市商业银行金融科技投入又难以考察，因此，后两类指标都不能直接观察本文所选择样本商业银行的金融科技发展水平。

本文借鉴郭品和沈悦（2019）、金洪飞等（2020）的方法建立金融科技指数。具体过程如下：首先，根据金融科技的运用领域建立原始词库（见表1）；其次，分银行分年度计算关键词词频，锁定银行与关键词进行搜索，利用爬虫软件爬取并记录各家商业银行在2011—2019年各年度的新闻条目，将获得的数据作为构建金融科技指数的量化基础；最后，运用主成分分析法构建综合指标，即金融科技指数（Fi），该指数越大，则意味着金融科技运用程度越高。Kmo 检验及Bartlett's 检验结果见表2，表明适合主成分分析。

表1：金融科技指数基础词库

表2：KMO 检验和Bartlett's检验

2.被解释变量。商业银行信贷风险度量多以不良贷款率表示，但信贷风险本质是指借款人预期违约所造成的损失，而不良贷款率代表已发生的实际损失。贷款减值准备是商业银行基于所掌握的信息对贷款企业或个人的还款违约概率进行判断，再依据风险计量模型计算得出的预期损失，更能反映商业银行真实的信贷风险。因此，本文选择贷款减值准备率（Ril）衡量商业银行信贷风险，贷款减值准备率越高，信贷风险越大。

3.中介变量。银行贷款集中度的代理变量一是贷款集中度（Lc），参考张文静和马喜立（2020），选用前十大客户贷款占比来表示，这也是金融监管部门普遍采用的测度方法。该指标数值越大，表示商业银行贷款越集中，其潜在的信贷风险越大。二是贷款增长率（Grl），参考刘音露等（2021），将新增总贷款额与上期总贷款额比值作为贷款增长率的代理变量，反映信贷资源规模变化。该指标数值越小，表示新增贷款越少。

4.控制变量。商业银行信贷风险既受到宏观经济形势变化的影响，也受到银行个体特征的影响。本文选择的商业银行个体层面控制变量包括：盈利能力（Roa），反映商业银行盈利状况的重要指标，由于高收益往往伴随着高风险，较高的盈利水平可能意味着承担了较大风险；商业银行规模（S），银行规模越大内部风险管理体系越完善，对信贷风险控制和管理的效率可能越高，信贷风险越低；经营效率（Cir），代表商业银行经营与管理水平，指标数值与经营效率反向变动，经营效率越高信贷风险越低；流动性水平（Ldr），是商业银行贷款与存款的比值，该指标数值越高表明银行信贷风险越高；资本充足率（Car），资本充足率越高的商业银行往往具有较强的融资优势和市场竞争力，追求高风险收益的倾向较低，因而信贷风险可能较低。宏观控制变量包括：经济增长（GrGDP），表示宏观经济运行状况，经济的繁荣与衰退会直接影响银行的信贷行为；货币政策（GrM2）以及物价水平（Cpi），刻画政府的货币政策立场，货币政策宽松会使得银行调整放贷标准，导致信贷规模扩张和信贷风险上升。

（三）计量模型

为检验假设1、假设2与假设4，本文分别建立模型（1）、（2）和（3）进行回归分析。其中，i 表示银行数，t 表示时间，Control 表示一组控制变量，ε为随机扰动项。

为检验假设3 与假设5，首先，利用模型（4）检验金融科技与信贷风险的关系；其次，借助模型（5）检验金融科技与中介变量的关系，其中M表示中介变量，分别选用贷款集中度（Lc）和贷款增长率（Grl）；最后，建立模型（6）检验金融科技与中介变量对信贷风险的影响。具体判定规则如下：模型（4）的回归结果中，若γ显著，则检验模型（5），否则停止检验；模型（5）中若θ显著，则检验模型（6），否则停止检验；模型（6）中若μ显著而μ不显著，说明中介变量在金融科技改善商业银行信贷风险中承担了完全中介的角色，若μ与μ都显著，则说明中介变量仅具有部分中介效应。

表3：变量说明

五、实证结果分析

（一）描述性统计

主要变量的描述性统计见表4。表4 中金融科技指数（Fi）最高为6.694，最小为-0.838，标准差为0.988，表明商业银行个体间金融科技发展水平差距较大；银行贷款减值准备率（Ril）表示的信贷风险最高为8.86，最小值为0.725，标准差为0.725，表明银行个体间的信贷风险水平差距不大，但均值为2.89说明商业银行间都面临着信贷风险问题。

表4：主要变量描述性统计

（二）金融科技与信贷风险的基准回归

进行基础的F 检验、LM 检验及Hausman 检验后，本文选择固定效应模型进行回归分析。表5 报告了模型（1）、模型（2）和模型（3）的实证结果。模型（1）为金融科技对信贷风险的回归模型，结果显示，金融科技（Fi）的系数为-0.0018，且在1%的水平下显著负相关，说明金融科技拓宽了商业银行信息来源渠道，通过对海量数据的整合和深度处理帮助商业银行甄别长尾客户的信贷需求，完善信用评估和风控系统，缓解银企间的信息不对称，从而降低信贷风险。假设1得到验证。

表5：基准回归结果

模型（1）控制变量中的商业银行规模（S）、资本充足率（Car） 和经营效率（Cir） 与信贷风险（Ril）负相关，表明规模越大、资本充足率越高、经营效率越高的商业银行具有较强的融资优势和市场竞争力，追求高风险收益的倾向较低。资产收益率（Roa）与信贷风险（Ril）负相关，可能原因是商业银行在以间接融资为主的资金借贷市场上占据垄断性地位，在不追求高风险的情况下就能获得较高收益。宏观控制变量方面，GDP 增长率（GrGdp）与信贷风险显著负相关，说明经济形势越好，商业银行预期面临的信贷风险可能越低；货币供应量增长水平（GrM2）和物价指数（Cpi）与信贷风险分别在5%与10%的显著性水平下正相关，说明宽松的货币政策会提高货币供应量以及物价水平，降低商业银行放贷门槛，导致银行信贷风险增加。

模型（2）为金融科技对贷款集中度的回归模型，根据实证结果，金融科技（Fi）在5%的显著性水平下与贷款集中度（Lc）负相关，系数为-0.0154。这说明金融科技发展水平的提高能有效降低贷款集中度，验证了假设2。

模型（3）为金融科技对贷款增长率的回归模型，根据实证结果，金融科技（Fi）在5%的显著性水平下与贷款增长率（Grl）负相关，系数为-0.0165。这说明金融科技发展水平的提高能有效降低贷款增长率，验证了假设4。

（三）金融科技与信贷风险的机制检验

表6 显示的是中介模型实证结果。在以贷款集中度为中介变量的实证结果中，依据中介变量的标准判断程序，首先，模型（4）检验金融科技是否会对信贷风险产生影响，回归结果中金融科技系数为-0.0014，且在1%的水平下显著，说明金融科技与信贷风险负相关，与上文假设1 结论相吻合。其次，模型（5）检验金融科技与中介变量的关系，回归结果显示，金融科技在1%的水平下与贷款集中度负相关，回归系数为-0.0237，与上文假设2 结论一致。最后，通过模型（6）检验金融科技与中介变量对信贷风险的影响，模型（6）估计结果中，金融科技指数与贷款集中度对信贷风险的影响分别在1%与5%水平下显著，回归系数分别为-0.0015 与-0.0031，说明贷款集中度在金融科技对于信贷风险的影响中存在部分中介作用，中介效应占比为5.25%。验证了上文假设3。

表6：中介效应模型估计结果

在以贷款增长率为中介变量的实证结果中，模型（5）检验金融科技对贷款增长率的影响，结果显示金融科技在1%的水平下与贷款增长率负相关，回归系数为-0.0184，与上文假设4 结论一致。模型（6）检验金融科技与贷款增长率对信贷风险的影响，结果显示金融科技与贷款增长率对信贷风险的影响分别在1%与10%水平下显著，回归系数分别为-0.0016 与0.0082，说明贷款集中度在金融科技对信贷风险的影响中存在部分中介作用，中介效应占比为10.78%，这一结果验证了假设5。

（四）稳健性检验

1.更换模型估计方法。由于样本商业银行之间存在较大差异，既有大型国有商业银行，也有规模较小的农村商业银行，且银行对外贷款的信贷风险存在持续性，即可能存在自相关性。同时，银行可能会基于风险控制的目的主动引入、应用并发展金融科技，因此，金融科技与信贷风险可能存在双向因果的关系。为解决可能存在的内生性问题，本文采用GMM 方法重新进行回归估计。表7 中的估计结果显示，金融科技发展水平对贷款集中度、贷款增长率及银行信贷风险均有显著作用，估计结果与上文基本一致，结论保持稳健。

表7：稳健性检验：更换模型估计方法

2.替换金融科技发展水平的衡量指标。商业银行金融科技发展水平提高会促进地区金融科技发展，因此，也有研究用地区金融科技发展程度来衡量商业银行金融科技发展水平。本文参考熊健等（2021）的做法，采用地区数字普惠金融指数衡量商业银行金融科技发展程度，并以商业银行贷款占当年全部样本银行贷款总额的比例为权重对普惠金融指数进行处理，对模型重新进行估计，结果如表8 所示，核心解释变量的结果与上文基本一致，本文的结论仍保持稳健。

表8：稳健性检验：替换解释变量

（五）异质性分析

考虑到我国商业银行规模以及资金成本等存在差异，不同类型商业银行的金融科技发展程度具有一定差异，这会对商业银行信贷风险产生影响。因此，本文将总样本分为全国性商业银行和区域性商业银行，对模型（1）重新进行了回归分析，结果如表9所示。两类银行金融科技（Fi）系数分别在10%与1%的显著性水平下为负，且全国性商业银行的影响系数（-0.241）小于区域性商业银行（-0.205），说明发展金融科技对两类商业银行缓解信贷风险都有积极作用，但相较于区域性商业银行，金融科技对全国性商业银行信贷风险的影响更大。这一结果也证实了金融科技发展水平对商业银行信贷风险的影响具有显著异质性。全国性商业银行可利用金融科技获取更多的信息，发现和挖掘更多的长尾客户，并凭借资金成本优势将这部分客户从区域性的城市商业银行与农村商业银行吸引过来，降低自身贷款集中度，进而缓解信贷风险。

表9：异质性检验

六、结论和建议

本文利用网络爬虫技术进行文本挖掘合成商业银行金融科技指数，从应用、投入等多个维度评估商业银行金融科技发展程度，并基于2011—2019年国内40家商业银行的数据，探究了金融科技对商业银行信贷风险的影响及其传导机制。研究结果表明：第一，金融科技能有效缓解商业银行整体信贷风险。商业银行运用金融科技可以有效缓解信贷中的信息不对称，更容易甄别借款客户释放出的信用信号，并据此评价借款客户的信用优劣，有利于提高信贷质量和降低信贷风险。第二，在金融科技与信贷风险的关系中，贷款集中度和贷款增长率具有部分中介作用。商业银行通过金融科技提高信息获取、数据处理以及客户管理的效率，以更低的信息搜集成本吸纳优质客户，在增加贷款规模的同时提升贷款质量，商业银行信贷风险得到分散和降低。第三，金融科技对商业银行信贷风险的影响存在异质性，金融科技对全国性商业银行信贷风险的缓释作用大于区域性商业银行。商业银行运用金融科技能显著降低银企间的信息不对称，全国性商业银行与区域性商业银行获取软信息能力的差距被缩小，全国性商业银行凭借相对低廉的资金成本优势将原属于区域性商业银行的低风险优质客户吸引过来，促使信贷质量上升和信贷风险下降，而区域性商业银行只能通过进一步下沉市场挖掘优质的潜在客户。

本文的研究结论具有以下政策启示：第一，鼓励商业银行运用金融科技拓展服务深度。银企间的信息不对称程度在运用金融科技后能够被降低，因此，商业银行应关注金融科技对风险管控的正面影响，将金融科技新兴技术应用在信贷流程中，降低信贷风险。第二，应加强对商业银行运用金融科技的监管。金融科技在赋能商业银行信贷风险管理的同时，也可能带来新的风险。监管部门应健全金融科技监管体系，对商业银行应用金融科技带来的变化进行监测，防止发生金融科技导致的风险事件，打好防范化解金融风险攻坚战。第三，区域性商业银行与外部科技公司应加强合作。对于中小商业银行而言，在缺乏足够的资金发展金融科技时可积极与外部科技公司进行合作，达到借船出海的目的，充分利用金融科技促进自身发展，缓解信贷风险。

①数据来源：中国银保监会副主席梁涛在国新办就银行业保险业2020年改革发展情况新闻发布会的讲话。

②2020年新冠肺炎疫情导致大量企业生产经营停滞，银行计提的贷款减值准备大幅增加，这一数据波动无法准确反映金融科技对信贷风险的影响，因此，未考虑2020年的数据。

③负值对应的情况是关键词搜索结果中新闻条目为0。

④参考2019年《中国金融年鉴》，根据覆盖范围将银行分为全国性银行和区域性银行。