金融科技发展会提升金融稳定性吗?*——基于宏观审慎监管有效性的视角

陈宇峰 吴金旺 吴忠睿

提要：金融科技已逐渐成为国内金融业转型升级的新引擎,但也引致“涉众太广而不能倒”等一系列难题,对金融稳定具有重要影响。本文基于宏观审慎监管有效性视角,用系统性金融风险测度金融稳定,分析金融科技发展对系统性金融风险的影响及作用机制。结果表明:金融科技发展会增加系统性金融风险,且具双门槛性质;传染性是风险传递的中介机制;单一实施宏观审慎政策对系统性金融风险效果有限,但宏观审慎政策可以有效缓释金融科技对系统性金融风险的影响,在经济下行区更加明显。研究结论为金融科技发展和监管提供了有益的经验证据和政策启示。

引 言

2008年美国次贷危机之后,金融稳定被各国央行明确为政策目标,金融监管重心转向防范系统性金融风险以及“合成谬误”导致的多米诺骨牌风险传染效应,(1)张帅等:《金融系统气候风险的评估、定价与政策应对:基于文献的评述》,《金融评论》2022年第1期。监管模式也从对单个机构的微观审慎监管转向宏观审慎监管。(2)苗文龙、闫娟娟:《系统性金融风险研究述评——基于宏观审慎监管视角》,《金融监管研究》2020年第2期。党的二十大报告明确指出,加强和完善现代金融监管,强化金融稳定保障体系。为提升金融稳定性,我国已将一些行之有效的做法用制度化的方式固化下来。例如,2019年成立存款保险基金管理有限责任公司,2022年出台《中华人民共和国金融稳定法(草案征求意见稿)》。2023年又组建了中央金融委员会,进一步强化功能监管、行为监管,实现金融监管穿透和全覆盖,避免重复监管和监管真空。目前,我国已经基本形成货币政策关注经济稳定、宏观审慎政策关注金融稳定的“双支柱”监管框架。

在数字产业发展浪潮中,金融科技与科创金融有效支持了技术创新,科技进步也能反作用于金融市场、金融产品、金融服务的创新发展。金融科技引领的金融业集成创新有望成为第四次金融革命的突出特征。(3)陈雨露:《工业革命、金融革命与系统性风险治理》,《金融研究》2021年第1期。尽管金融科技提高了金融效率和金融服务质量,但也给金融系统的安全性、稳定性带来全新的挑战。在数字经济创新发展大背景下,金融科技的快速创新与监管制度相对滞后的矛盾日益凸显。(4)杨子晖:《经济高质量发展中防范化解系统性金融风险——专栏导语》,《中山大学学报》(社会科学版)2023年第3期。已有一些研究探讨了金融科技对系统性金融风险的影响以及宏观审慎监管的有效性。例如,王道平等发现,微观银行金融科技水平提升会增加银行风险承担倾向,加深银行间关联程度,进而显著增大系统性金融风险;(5)王道平等:《金融科技、宏观审慎监管与我国银行系统性风险》,《财贸经济》2022年第4期。刘孟飞指出,金融科技可能催生金融风险与技术风险的叠加效应。(6)刘孟飞:《金融科技与商业银行系统性风险——基于对中国上市银行的实证研究》,《武汉大学学报》(哲学社会科学版)2021年第2期。

那么,宏观审慎政策与金融科技对金融稳定的影响能否呈现“双向奔赴”?不同经济周期下的影响程度是否有显著差异?为此,本文基于宏观审慎监管视角,分析金融科技对系统性金融风险的具体影响。相较已有研究,本文可能的边际贡献在于:(1)使用行业指数,分别从线性和非线性两个方面考察金融科技发展对系统性金融风险的影响机制;(2)使用动态DY溢出指数测度金融机构风险传染性,并将其作为金融科技对系统性金融风险作用机制的中介变量;(3)引入马尔科夫区制转移模型,分析不同经济条件下宏观审慎监管政策有效性的异质性,拓展不同经济周期下监管与业务协同降低系统性金融风险的渠道。

一、研究假设

(一)金融科技与系统性金融风险

金融科技是以大数据为代表的新一代信息技术与金融融合产生的时代产物。信息平台、聊天工具和各种自媒体等信息技术手段深度嵌入金融市场,大幅缩短了危机响应时间。同时,金融科技带来的普惠性降低了金融服务门槛,提高了风险发生的概率和传染性。(7)钱海章等:《中国数字金融发展与经济增长的理论与实证》,《数量经济技术经济研究》2020年第6期。银行部门间的金融创新行为可能产生“不好的繁荣”,加大系统性金融风险的防控难度。(8)查升志等:《新冠疫情对我国银行系统性金融风险影响的实证研究》,《安徽工程大学学报》2022年第5期;周上尧、王胜:《中国影子银行的成因、结构及系统性风险》,《经济研究》2021年第7期。从风险涌现机制看,金融科技在传统金融网络的基础上又增加了数字支付、网络小额借贷、消费金融等子网络,各子网络的重合叠加可能使风险传染以“级联”方式在全局范围内爆发。

金融科技与系统性金融风险之间的相互作用表现为动态、多变的非线性关系。金融科技信息优势突出、容易产生马太效应、天然具有垄断性等特点,会使金融业务集中化,从而增加金融机构相互依赖性和业务同质性。一些第三方金融科技平台公司在高速扩张的同时,可能忽略风险管理和合法合规意识,会对整个金融行业造成连锁反应。金融业以服务实体经济为目标,金融市场存在同时膨胀、同时衰退的顺周期性现象,系统性金融风险与经济周期密切相关。当经济繁荣时,银行减少流动资产,此时更需要流动性监管;(9)魏旭、周伊敏:《流动性监管、系统性风险与社会福利——一个理论分析框架》,《经济学》(季刊)2022年第5期。当经济下行时,金融机构不良贷款率上升,可能会引发挤兑或者恐慌性资产抛售,引发系统性金融危机。(10)吴坚、顾维清:《我国系统性金融风险预警指标体系构建——基于证券市场视角》,《当代金融研究》2021年第12期。综合以上分析,我们提出研究假设1。

假设1:金融科技会提高系统性金融风险,存在非线性门槛效应,且受经济周期影响。

(二)金融科技与金融机构风险传染性

金融科技发展带来金融产品创新、金融体系结构性演变加速、过度金融常态化以及金融机构关联关系复杂化,金融风险将变得更加隐蔽。(11)党印等:《大数据方法在系统性金融风险监测预警中的应用进展》,《金融发展研究》2022年第2期。而且,金融科技与金融业的深度融合,会使传统金融业务的风险更具传染性和破坏性。金融风险因共同利益、经营策略类同或者市场情绪而形成,金融机构间的关联关系加大了风险传播的速度和范围,一旦某个金融机构发生风险事件,资产损失或破产损失引起的流动性不足会在金融系统中迅速蔓延,甚至引发系统性风险。金融部门广泛使用大数据、人工智能技术(比如智能投顾的使用)可能产生投资决策过程“黑箱”和“合成谬误”,投资行为高度同质化将加大内生风险。(12)方意等:《金融科技领域的系统性风险:内生风险视角》,《中央财经大学学报》2020年第2期。金融科技业务的同质性还使金融机构之间的联系更加紧密,传染效应更加显著。金融科技内外部风险传染性更强,当金融科技部门发生风险时,整个系统将面临更大的风险。(13)曹齐芳、孔英:《基于复杂网络视角的金融科技风险传染研究》,《金融监管研究》2021年第2期。因此,我们提出研究假设2。

假设2:金融科技增强了金融机构间的风险传染效应,风险传染承担中介作用,进一步加剧了系统性金融风险。

(三)宏观审慎监管对系统性金融风险的有效性

加强对系统重要性金融机构的监管是我国防范系统性金融风险的关键,宏观审慎监管对系统重要性金融机构提出了额外的资本金要求,并加强逆周期的调控措施。(14)邹奕格、粟芳:《金融监管中宏观审慎政策工具的有效性研究——基于投资业务引致系统性风险的视角》,《保险研究》2021年第12期。但“科技+金融”二重性带来的“涉众太广而不能倒”风险隐患已超出原有审慎监管范围。(15)方意等:《大科技公司的金融风险隐患和监管》,《学习与实践》2021年第8期。因此,为确保金融系统的稳定和安全,需要将金融科技纳入宏观审慎监管范畴。中国早在2016年就提出要构建“货币政策+宏观审慎政策”框架。国际上许多国家和地区也已实施宏观审慎监管政策。欧盟制定了一套包括资本缓冲区、流动性缓冲区和杠杆率限制等政策措施的宏观审慎框架;美国在2010年实施了《多德-弗兰克法案》,要求银行保持更高的资本水平以抵御潜在的系统性风险。宏观审慎政策可以通过提高金融机构的资本充足率、流动性和稳健性等方面的监管标准来降低系统性风险,从而减少金融科技快速发展带来的负面影响。据此,我们提出研究假设3。

假设3:宏观审慎监管政策可以降低系统性金融风险,且对金融科技影响系统性金融风险的效应存在积极调节作用。

二、研究设计

(一)样本与数据

金融行业主要包括银证保三大行业,期货及其他行业规模还较小。房地产部门已经具备一定的金融属性,是中国金融风险的重要来源。(16)杨子晖等:《极端金融风险的有效测度与非线性传染》,《经济研究》2019年第5期。2023年中央金融工作会议亦指出,要“完善房地产金融宏观审慎管理”。金融机构的资产价格变化反映了市场利益相关者对未来表现的预期。(17)王锦阳等:《相依结构、动态系统性风险测度与后验分析》,《统计研究》2018年第3期。因此,本文选取金融科技(930986)、中证银行(399986)、证券公司(399975)、中证全指保险指数(H30186)、中证全指房地产(931775)等指数,分别代表金融科技、银行、证券、保险、房地产五大行业的发展情况,选取全指金融地产(000992)代表整个金融系统。我们使用上述指数日度收盘价计算各行业的系统性金融风险,同时使用指数成分下的14家银行、16家证券、4家保险、19家房地产上市公司的5分钟高频数据构建风险传染网络。(18)银行:平安银行、浦发银行、民生银行、招商银行、华夏银行、中国银行、工商银行、兴业银行、中信银行、交通银行、宁波银行、南京银行、北京银行、建设银行。证券:华鑫股份、海通证券、哈投股份、东北证券、锦龙股份、国投资本、广发证券、国元证券、湘财股份、国海证券、长江证券、国金证券、华创阳安、西南证券、中信证券、太平洋。保险:天茂集团、中国人寿、中国平安、中国太保。房地产:保利发展、万科A、金地集团、绿地控股、华侨城A、陆家嘴、上海临港、新湖中宝、华发股份、张江高科、格力地产、中华企业、中国国贸、万业企业、大悦城、金融街、信达地产、西藏城投、首开股份。本文对上述机构按照先后顺序分配唯一标识符,范围从1至53,旨在为数据可视化过程中的实体识别提供一种标准化和系统化的方法,从而确保分析的准确性和可读性。样本期间为2007年7月至2023年2月,数据来自Wind数据库和IMF数据库,高频数据主要来自Baostock接口。(19)证券宝(www.baostock.com)是一个免费、开源的证券数据平台。提供大量准确、完整的证券历史行情数据、上市公司财务数据等。考虑到指标频率上的差异,本文统一转化为月度面板数据进行实证检验。对于季度数据使用三次条样插值法进行转换,对于日度数据取月度平均值。

(二)变量选取

1.被解释变量:系统性金融风险

系统性金融风险是一种共振性、体系性、全面性和复杂性的金融风险,它具有长期潜伏性和隐蔽性,积累到一定程度会突然发生质变,导致风险全面爆发并快速扩散,对实体经济造成巨大的负面经济后果。因此,准确评估系统性金融风险是金融监管的重要前提。为了精确地评估系统性金融风险,研究者常常依赖于模型法和指标法。(20)刘春航、朱元倩:《银行业系统性风险度量框架的研究》,《金融研究》2011年第12期。指标法因数据采集便捷备受青睐,其中CoVaR和MES是两个典型代表。CoVaR考量了单个金融机构给整个金融系统带来的风险贡献,是自下而上的指标。而MES则关注单个机构由于整体金融系统的风险可能受到的损失,是自上而下的指标。(21)方意等:《宏观审慎与货币政策双支柱框架研究——基于系统性风险视角》,《金融研究》2019年第12期。D. Anginer, A. Demirguc-Kunt, H. Huizinga, “Corporate Governance of Banks and Financial Stability,” Journal of Financial Economics, Vol.130, No.2, 2018, pp.327-346.HymanP.Minsky于1970年提出金融不稳定性假设,他指出资产价格波动性与金融市场稳定性之间存在显著相关性。本文进一步吸纳了方意、宫晓莉等、杨子晖等学者的研究成果,(22)方意:《前瞻性与逆周期性的系统性风险指标构建》,《经济研究》2021年第9期;宫晓莉等:《我国金融机构系统性风险度量与外溢效应研究》,《管理世界》2020年第8期;杨子晖、李东承:《系统性风险指标是否具有前瞻性的预测能力?》,《经济学》(季刊)2021年第2期。使用股票市场数据计算得到ΔCoVaR值并将其作为衡量系统性金融风险的评估指标。这一指标由实时金融市场数据计算得到,因而可以对风险进行实时监控。与边际期望损失(MES)相比,ΔCoVaR更专注于金融机构在危机时的风险贡献,在宏观审慎监管框架中,此种视角对监管者尤为重要。ΔCoVaR的计算经常采用分位数回归或DCC-GARCH类模型,这些方法能够有效揭示金融机构间相互关联及风险传播机制。当ΔCoVaR的绝对值增大时,意味着特定的金融机构在市场不稳定时对系统性风险贡献增加,也意味着需要进一步加强金融监管。

图1展示了银行、证券、保险和房地产四个行业的系统性金融风险。各行业的ΔCoVaR值基本维持在0.02左右,相对稳定。(23)由于计算得到的ΔCoVaR结果均为负值,为了简化分析,取ΔCoVaR值的相反数。在2008年全球金融危机、2013年钱荒、2015年股灾、2018年中美贸易战以及2020年新冠疫情暴发阶段,系统性金融风险迅速上升,最高达到0.07左右。上述结果表明,ΔCoVaR指标能够反映重大事件对我国系统性金融风险的冲击效应;除疫情外,ΔCoVaR指标的飙升期略早于风险事件暴发期,表明该指标具有很好的前瞻性。疫情等公共卫生事件是“黑天鹅”事件,资本市场无法提前反应,因而ΔCoVaR指标对此类事件无法进行前瞻性预警。为保证研究的稳健性,本文也计算了边际期望损失(MES)。(24)MES绝对值越大,边际损失越大,对应系统性金融风险越高,本文亦转化为正值处理。

图1 系统性金融风险时间序列图

2.核心解释变量:金融科技

微观个体的金融科技水平大都通过技术类专利或者企业研发投入来测度。(25)李真等:《银行金融科技与企业金融化:基于避险与逐利动机》,《世界经济》2023年第4期。宏观层面的金融科技水平评估主要采用两种方式:一是北大数字普惠金融指数,数据以蚂蚁集团数据为主。(26)吴金旺等:《数字普惠金融发展影响因素的实证分析——基于空间面板模型的检验》,《浙江学刊》2018年第3期。缺点是数据来源相对单一,而且样本数量有限(因是年度数据);二是词频数据,如金融科技主要关键词的新闻数量或者百度金融科技指数。但是线上新闻时效性较强,时间越久新闻数越少,导致样本在时间上失真;而且,金融科技发展经历了金融IT、互联网金融到现在的3.0金融科技阶段,不断发展变化的业务导致纳入指数的新闻范畴会有所偏差。基于广泛可用性、行业代表性、数据可获取性和样本连续性等原则,本文选择金融科技指数作为评估金融科技发展水平的指标。该指数选取沪深市场中产品与服务涉及金融科技相关领域的上市公司证券作为样本,涵盖了多个处于行业领先地位的金融科技公司。这类公司的市场动态在一定程度上能够映射出整个行业的发展趋势,即便是那些以传统金融服务为主的公司,它们在金融科技方面的投资和业务拓展也能够反映行业进步。

3.中介变量:金融机构风险传染性

系统性金融风险是全局性的风险且极具传染性,它的溢出效应和破坏作用都很大。本文采用风险溢出指标作为中介变量,验证金融科技、传染性和系统性金融风险的联动机制。指标计算过程为:先基于5分钟高频数据计算波动率,再以300个交易日为滚动窗口计算动态溢出指数;在此基础上构建日度溢出复杂网络,进一步计算总溢出、平均度、网络直径、网络平均最短长度及网络同配性等指标。我们基于53家金融机构动态DY指数计算得到波动溢出指数,其最低值为55.91,最高值为97.98,平均值为82.03。这一结果表明,中国金融机构的整体关联度非常高。

图2为2017年末、2020年初以及2021年末的网络连接图。由图2可知,关联度在2019年末急速上升,正好与新冠疫情暴发期相对应。2017-2018年和2021-2022年间的关联度则显著下降,对应了金融强监管和疫情稳定期。样本期内的行业集聚效应明显,呈现“小世界”现象。我们进一步计算了各个机构每日的PageRank值和净溢出度,(27)PageRank是根据复杂网络的结构计算节点的排名,它最初被设计为一种用于对网页进行排名的算法。并记录每日PageRank前10的机构中出现频次最高的行业以及每日平均净溢出度最高的行业。计算结果显示:在全周期内,银行业平均净溢出度始终位居前列。这一结果表明,银行在风险溢出中扮演了重要角色,是风险传递者。PageRank排名进一步显示,房地产企业排名始终位居前端。这表明,房地产行业虽非风险溢出的主角,但在整个风险传播链条中起到关键中介作用,会加剧风险传播,需高度关注。

图2 股灾恢复后、疫情暴发时及平稳期网络连接图对比(28)图中标识符1-53见本文第二部分机构说明的脚注。

4.调节变量:宏观审慎监管

宏观审慎监管政策指标包括使用现有数据库和构建指数两种。(29)赵静、许海萍:《宏观审慎监管口头沟通与系统性风险》,《财经研究》2021年第7期。本文借鉴Alam等的做法,构造宏观审慎政策指数。(30)Z. Alam, M. A. Alter, J. Eiseman, Digging Deeper-Evidence on the Effects of Macroprudential Policies from a New Database, International Monetary Fund, 2019.具体过程为:选取17种宏观审慎工具,对于每一种宏观审慎工具创建虚拟变量;当某一政策工具紧缩时虚拟变量取1,宽松时取-1,不变时取0。将所有虚拟变量数值加总得到宏观审慎政策指数MAPP,指数越大代表宏观审慎政策越紧。同时考虑到收紧和放松的非对称性,分别构建紧缩型指数MAPP_T和宽松型指数MAPP_L。MAPP_T在构建虚拟变量时,当某一政策工具紧缩时对应的虚拟变量取1,其余时候取0。MAPP_L在构建虚拟变量时,当某一政策工具宽松时对应的虚拟变量取1,其余时候取0。

5.控制变量

本文参考王道平等、张肖飞等、赵胜民等的做法,(31)王道平等:《金融科技、宏观审慎监管与我国银行系统性风险》,《财贸经济》2022年第4期;张肖飞等:《宏观审慎工具与系统性金融风险研究》,《国际金融研究》2023年第2期;赵胜民、张博超:《“双支柱”调控与银行系统性风险——基于SRISK指标的实证分析》,《国际金融研究》2022年第1期。从宏观层面选择控制变量。主要变量包括:GDP对数(lnGDP)、货币供应量对数(LnM2)、CPI对数(LnCPI)以及美元对人民币即期汇率(Rate)。所有变量说明见表1,ΔCoVaR和MES的均值分别为5.335和3.533,标准差分别为0.490和0.485,说明两种系统性金融风险指标存在一定的差异性;MAPP_T的均值远大于MAPP_L和MAPP,说明样本期内中国宏观审慎调控偏向紧缩。(32)由于篇幅限制,变量描述性统计相关结果备索。从GDP、M2等宏观数据走势可以看出,样本包含了主要经济金融周期,具备全面性和代表性要求。

表1 变量说明

(三)模型设定

建立基准回归模型如下:

SRi,t=α+β1Fintecht+β3Controlt+μi+εi,t

(1)

其中,SRi,t指系统性金融风险,选用银行、证券、保险、房地产行业的ΔCoVaR作为代理变量;Fintecht代表金融科技,Controlt为控制变量,μi为行业固定效应,εi,t为残差项。为验证模型的稳健性,同时选取MES作为代理变量。计算公式如下:

(2)

(3)

宏观审慎政策对系统性金融风险的影响及调节效应用如下模型表示:

SRi,t=α+β1MAPPt+β2Controlt+μi+εi,t

(4)

SRi,t=α+β1Fintecht+β2MAPPt×Fintecht+β3Controlt+μi+εi,t

(5)

MAPPt代表宏观审慎政策,MAPPt×Fintecht为宏观审慎政策和金融科技的交乘项。β1、β2为核心解释变量系数,若β1显著为正,说明金融科技显著提高系统性金融风险,反之则相反。β2为交互系数,若显著为正,说明宏观审慎监管会放大金融科技对系统性金融风险的影响,反之降低金融科技对系统性金融风险的影响。

三、实证分析

(一)主回归分析

表2给出了逐步加入控制变量后的OLS线性回归结果。由表2可知,金融科技(Fintech)的回归系数均在1%水平下显著为正值。上述结果表明:在控制其他潜在因素后,金融科技对系统性金融风险仍然具有显著的正向影响,即金融科技提高了系统性金融风险。进一步用MES替代ΔCoVaR进行回归检验,结果基本不变,说明回归结果具有稳健性。由列(5)可知,(1)货币供应量(M2)会对系统性金融风险产生正向影响。可能原因在于:随着货币供应量的增加,投融资比重将同步增加,金融虚拟化程度进一步加深,致使金融市场波动加剧及系统性金融风险提高。(2)GDP增长有利于降低系统性金融风险。稳定的经济环境是金融行业发展的可靠保障,有实体经济支撑的金融行业更能行稳致远。(3)CPI与系统性金融风险呈现正相关关系。CPI高企会引起社会预期转弱,提高投融资风险。(4)美元兑人民币的即期汇率(Rate)上升会引起系统性金融风险下降。美元汇率上升可以提高国内商品国际竞争力,有利于稳定出口,减少经济不确定性,进而控制宏观层面风险。

表2 基准模型

(二)内生性检验

金融科技发展可能影响系统性金融风险,反过来系统性金融风险也可能影响金融科技。例如,针对系统性金融风险的管理政策会涉及鼓励或是限制金融科技发展。因此,需要为金融科技找到一个工具变量,以便排除互为因果、自身历史因素影响和遗漏解释变量可能带来的内生性问题。互联网已经成为现代金融科技发展的关键性基础设施,显著提升了金融服务的可获得性和便捷性,促进交易量和收入增长。因此,当金融科技企业利用互联网拓展市场份额时,公司股价往往呈现上升趋势。因此,本文参考王道平等的做法,(33)王道平等:《金融科技、宏观审慎监管与我国银行系统性风险》,《财贸经济》2022年第4期。采用互联网普及率(NPR)作为金融科技的工具变量,两阶段回归结果见表3。第一阶段回归结果显示工具变量(NPR)系数在1%水平上显著为正,且F值为18.838(高于10%偏误的临界值16.38),表明工具变量和核心解释变量具有相关性,即不存在弱工具变量问题。第二阶段回归结果显示金融科技(Fintech)系数显著为正,表明金融科技增加系统性金融风险的结论具有稳健性。

表3 两阶段回归

四、进一步分析

(一)异质性分析

1.双门槛效应

本文的实证结果表明,金融科技会加剧系统性金融风险。在金融发展历史上,创新带来繁荣但最终导致严重经济危机的案例确实是非常多的。(34)刘孟飞:《金融科技与商业银行系统性风险——基于对中国上市银行的实证研究》,《武汉大学学报》(哲学社会科学版)2021年第2期。但是,我们还需要进一步构建非线性门槛回归模型,分析不同金融科技水平对系统性金融风险的影响是否具有差异性。检验结果显示存在双门槛效应,(35)双门槛效应F检验的统计值为45.29,大于1%显著水平的临界值(33.51)。因此我们构建如下门槛回归模型:

SRi,t=α+βFintechtI(Fintecht<τ1)+β2FintechtI(τ1τ2)+β4Controlt+εi,t

(6)

表4显示,金融科技小于第一门槛(7.1288)时回归系数为0.4709;在大于第一门槛小于第二门槛(7.4030)时回归系数为0.5711,明显上升;大于第二门槛后回归系数为0.5054,有所下降。上述结果表明,(1)金融科技在发展初期会加大系统性金融风险。可能原因是:在金融科技发展初期,制度还不够完善,监管容忍度高,大量不规范的金融业务野蛮生长。(2)随着市场进一步扩大,金融科技提高系统性金融风险的效能得到明显缓解。可能的原因是:在发展过程中,监管政策陆续颁布,市场规范化程度提高,科技赋能信贷决策和风险管理的作用得以充分体现,金融机构的风险防控能力得到有效提升。综上所述,在不同发展水平下,金融科技对系统性金融风险的影响存在着异质性。 2.不同经济周期的异质性本文进一步探究金融科技在不同经济周期中对系统性金融风险的影响差异。在定义经济周期时,现有研究通常将小于均值2个标准差设为下行区,高于均值2个标准差设为上行区。这种方法存在明显的缺点,即没有考虑不同时刻的经济发展状况和时间序列特征。一些实际上正在增长但数值低于均值的区间可能会被误判为经济下行区,一些实际上正在下降但数值高于均值的地区又有可能被误判为经济上行区。为解决这一问题,本文采用马尔科夫区制转换模型对GDP增长率进行建模,以便动态、准确地区分经济上行区和下行区。计算结果表明,经济下行区(区制0)的GDP增长率均值为-0.055,经济上行区(区制1)的GDP增长率均值为0.0262,并且大部分时间处于经济上行区。这与我国近年来经济持续向好的实际情况相符。

表4 门槛效应

基于上述结果,本文将经济周期作为影响因素,构建如下模型:

SRi,t=α+β1Fintecht+β2Fintecht×GDP_STATEt+β3Controlt+μi+εi,t

(7)

由表5列(1)的回归结果可知,金融科技(Fintech)的回归系数为0.3734,金融科技(Fintech)和经济区制(GDP_STATE)的交乘项系数为0.0104,表明金融科技在经济上行区对系统性金融风险的影响更大。同样,为检验稳健性,替换解释变量为MES。由表5列(2)可知,回归结果基本没有变化。至此,假设1得到验证。由此可见,随着经济的快速发展,金融科技对系统性金融风险的影响也会不断提升。可能的原因是:经济上行时,金融市场投资者信心逐步提升、风险偏好较高,金融科技更可能刺激市场投入和创新,放大金融投机性,提高金融体系复杂性和风险性。这也直接印证系统性金融风险的顺周期特征易造成“脱实向虚”的困境。

表5 经济区制影响下的回归结果

(二)中介效应检验

参考刘孟飞、罗小伟的研究,(36)刘孟飞、罗小伟:《金融科技、风险传染与银行业系统性风险》,《经济社会体制比较》2022年第3期。我们构建中介模型实证分析传染性渠道在金融科技提升系统性金融风险过程中的作用机制。

SRi,t=α+β1Fintecht+μi+εi,t

(8)

contagioni,t=α+β1Fintecht+μi+εi,t

(9)

SRi,t=α+β1Fintecht+β2contagioni,t+μi+εi,t

(10)

我们采用总溢出指数(Total)作为传染性代理变量(contagioni,t)。由表6可知,列(3)的金融科技(Fintech)回归系数比列(1)小。这表明,在控制传染性后,金融科技仍然具有风险提升效应,但效应有所降低,说明传染性在金融科技提升系统性金融风险过程中起到了部分中介效应。假设2得到支持。为检验稳健性,本文使用复杂网络平均度、复杂网络直径、复杂网络平均最短长度以及复杂网络同配性作为传染性代理变量,还将动态滚动窗口长度修改为200和400,回归结果与表6中的结果基本一致,表明回归结果是稳健的。

(三)宏观审慎政策调节效应

表6 中介效应

表7给出了宏观审慎政策调节效应的回归结果。列(2)显示,缩减一项宏观审慎政策后,系统性金融风险仅下降0.0316;列(3)显示,宏观审慎政策可以缓释金融科技对系统性金融风险的增加效应,甚至可以减少风险。宏观审慎政策处于平均水平时(即样本均值0.3333时),金融科技对系统性金融风险影响的边际效应为0.3466,相较于未实施宏观审慎政策时(即宏观审慎政策变量取0时)降低了36%。当宏观审慎政策取值为1时,边际效应降为-0.0467,(37)金融科技对系统性金融风险影响的边际效应计算公式为金融科技的回归系数加上宏观审慎的值乘以金融科技与宏观审慎政策交乘项的回归系数。当宏观审慎的值为0.3333时,边际效应为0.5433+0.3333*(-0.5900)=0.3466。当宏观审慎的值为1时,边际效应为0.5433+1*(-0.5900)=-0.0467。缩紧一项宏观审慎政策就可以改变金融科技对系统性金融风险的影响方向,从增加系统性金融风险变成降低系统性金融风险。回归结果验证了假设3,即尽管宏观审慎政策的单独效应有限,但可以有效改变金融科技对系统性金融风险的影响,即宏观审慎政策与金融科技对金融稳定的影响能实现“双向奔赴”。

表7 宏观审慎政策调节效应

同时,本文还用MES代替ΔCoVaR以及分别用MAPP_L和MAPP_T代替MAPP作为宏观审慎政策的代理变量,发现偏松的宏观审慎政策会增加系统性金融风险,偏紧的宏观审慎政策会降低系统性金融风险,且偏紧的宏观审慎政策缓释金融科技对系统性金融风险的影响更加明显。本文继续用马尔科夫区制转换模型探讨宏观审慎政策在不同经济周期的调节作用。结果显示,金融科技与宏观审慎政策的交乘项系数为-0.6223,而金融科技、宏观审慎政策和经济状态的交乘项系数为0.0304,均在1%水平上显著。(38)由于篇幅限制,相关回归结果备索。综合表明宏观审慎政策本身仍能够缓解金融科技对系统性风险的提升效应,但在经济上行区时,这种缓解效应会有所降低。

结 论

防范金融风险(特别是系统性金融风险)是金融工作的根本任务和永恒主题。本文使用2007—2023年中国金融市场面板数据,实证分析金融科技对系统性金融风险影响机制,检验宏观审慎政策在缓释金融科技对系统性金融风险影响方面的有效性,得到如下主要结论:

第一,近年来金融科技呈现快速发展态势,显著增加了系统性金融风险,呈现双门槛非线性影响。在经济上行期,金融科技对系统性金融风险影响更大。发展初期金融科技带来的不确定性容易引发系统性金融风险,(39)张维:《系统性金融风险的历史考察与防范对策》,《南京审计大学学报》2018年第2期。随着金融科技从野蛮生长到稳健发展,对系统性金融风险的影响有所降低。第二,金融科技使得信息流动加速,金融机构关联性进一步加强,当遇到较大的危机时会出现较强的共同操作行为,对经济形势和市场变化做出类似决策,加强了风险传染性。传染性会提升系统性金融风险,在控制传染性后,金融科技仍会提升风险,但效应有所降低,可见传染性在金融科技提升系统性金融风险的过程中发挥了中介效应。第三,宏观审慎政策单独抑制系统性金融风险效果不佳,经过宏观审慎与金融科技交乘项研究发现,宏观审慎政策可以有效削弱金融科技对系统性金融风险的提升效应,甚至可以改变金融科技对系统性金融风险的影响方向,变成降低系统性金融风险。经济上行区宏观审慎政策的调节效应略有降低,因此要关注经济周期,在经济上行区保持警惕,加强宏观审慎监管,特别要做好逆周期和跨周期调控。

根据上述结论,本文提出对应的政策建议:第一,金融科技的发展使得金融行业的界限逐渐模糊,需高度关注金融机构的关联性以及带来的“涉众太广而不能倒”问题,注重宏观审慎政策与金融科技业务创新的叠加效应。第二,金融科技发展迅速,要求监管科技也必须跟上步伐,以科技对科技,监管机构重点加强自身对金融科技的应用,重点关注系统性金融风险的新特征、新趋势和新变化。第三,必须坚持稳妥发展金融科技主基调,加快金融科技相关立法,保障业务市场化、制度化、法治化发展,推动《中华人民共和国金融稳定法》落地实施,依法将金融科技带来的各类金融创新活动全部纳入监管,牢牢守住不发生系统性金融风险底线,确保金融稳定健康和高质量发展,为强国建设、民族复兴伟业提供有力支撑。

受限于数据可得性,本研究还存在着一些可拓展之处。首先,本文采用金融科技行业指数作为测度指标,未考虑到非上市金融科技企业的创新活动。未来可整合更广泛的数据资源,包括非上市企业的运营数据、专利登记和研发投资等指标,运用自然语言处理技术分析非结构化文本资料(包括但不限于企业财务报告、公告以及专利文献),并用多维度评估模型更全面地反映金融科技发展水平。其次,研究还可以进一步拓展至微观层面,探讨企业规模、管理结构、技术投入和创新文化等因素造成金融科技对系统性金融风险影响的差异化,为企业发展金融科技提供更具针对性的策略,并为监管框架的制定提供详实的数据支撑。