金融科技投入能夠增進(jìn)銀行業(yè)績嗎？
——基于不良貸款風(fēng)險的視角

王海軍, 曾 博, 楊 虎, 王夢凱

（1.北京物資學(xué)院 經(jīng)濟(jì)學(xué)院, 北京 101125；2.河南工業(yè)大學(xué) 經(jīng)濟(jì)貿(mào)易學(xué)院, 河南 鄭州 450000；3.中央財經(jīng)大學(xué) 信息學(xué)院, 北京 100081；4.中國財政科學(xué)研究院, 北京 100142）

一、引 言

金融系統(tǒng)的不良貸款是形成市場風(fēng)險、流動性風(fēng)險、交易對手風(fēng)險等眾多風(fēng)險的根源（隋聰?shù)龋?019），是衡量經(jīng)濟(jì)金融系統(tǒng)性風(fēng)險累積的關(guān)鍵性指標(biāo)（林毅夫等，2004），也是侵蝕金融機(jī)構(gòu)利潤、降低償付能力的主要原因（Diebold和Y?lmaz，2014）。因此對金融不良貸款風(fēng)險防范化解一直是金融監(jiān)管的核心內(nèi)容。國家“十四五”規(guī)劃強調(diào)實施金融安全戰(zhàn)略，健全金融風(fēng)險預(yù)防、預(yù)警、處置、問責(zé)制度體系，強化不良貸款認(rèn)定和處置。2021年8月中央財經(jīng)委員會會議再次提出要統(tǒng)籌做好重大金融風(fēng)險防范化解工作，毫不松懈防范化解各種金融風(fēng)險，持之以恒認(rèn)真應(yīng)對不良資產(chǎn)集中反彈。近些年隨著我國經(jīng)濟(jì)進(jìn)入新常態(tài)，經(jīng)濟(jì)增速明顯放緩，實體企業(yè)轉(zhuǎn)型困難，尤其是對新冠肺炎疫情救助的寬松信用政策逐漸退潮，信用風(fēng)險和流動性風(fēng)險近期已有所顯現(xiàn)，預(yù)計2021年底前后將爆發(fā)新一輪違約高峰，并將出現(xiàn)更大的金融市場波動和局部性金融危機(jī)（吳振宇和唐朝，2021）。據(jù)銀保監(jiān)會統(tǒng)計，截至2020年底，國內(nèi)商業(yè)銀行不良貸款率1.92%，已連續(xù)12個季度維持在1.8%以上，不良貸款余額3.5萬億元，關(guān)注類貸款為3.77萬億元，均為歷史之最。如果考慮到關(guān)注類貸款中可能有很大部分是被掩蓋的潛在不良貸款，則目前商業(yè)銀行整體不良率可能接近4%。受不良貸款風(fēng)險侵蝕，我國商業(yè)銀行平均資本利潤率從2018年的11.73%降至2020年底的9.48%，平均資產(chǎn)利潤率從2018年的0.9%下降至2020年的0.77%。

與此同時，5G、大數(shù)據(jù)、人工智能、區(qū)塊鏈和云計算等新興技術(shù)在金融業(yè)的廣泛應(yīng)用，持續(xù)推動金融科技不斷創(chuàng)新和變革，促進(jìn)了金融機(jī)構(gòu)運營成本的降低和金融服務(wù)效率的提高（陳靜，2019）。加快金融科技的戰(zhàn)略部署與應(yīng)用，已成為當(dāng)前增強金融服務(wù)實體經(jīng)濟(jì)能力、防范化解重大金融風(fēng)險的有效途徑。金融科技本身具有降低交易費用、減少信息不對稱、緩解道德風(fēng)險與逆向選擇、提高金融運行效率的基本功能，在解決不良貸款風(fēng)險管理“痛點”方面具有天然優(yōu)勢，例如運用大數(shù)據(jù)等創(chuàng)新技術(shù)建立金融風(fēng)控模型，可以有效甄別高風(fēng)險交易，實現(xiàn)風(fēng)險早識別、早預(yù)警和早處置，提升金融風(fēng)險防御能力；運用數(shù)字化監(jiān)管協(xié)議等監(jiān)管科技工具，可有效推動金融監(jiān)管模式由事后監(jiān)管向事前、事中監(jiān)管轉(zhuǎn)變，緩解信息不對稱問題，提升金融監(jiān)管效率。

綜上，防范化解金融不良貸款風(fēng)險關(guān)系到國家金融安全與金融穩(wěn)定，而金融安全與金融穩(wěn)定又是我國經(jīng)濟(jì)社會高質(zhì)量發(fā)展的重要保障?；诖?，本文構(gòu)建金融科技、不良貸款和銀行業(yè)績關(guān)系的分析模型，探究金融科技通過抑制不良貸款風(fēng)險來實現(xiàn)商業(yè)銀行業(yè)績改進(jìn)的可能路徑。本文研究貢獻(xiàn)在于：一是探討金融科技對于商業(yè)銀行不良貸款風(fēng)險抑制和業(yè)績增進(jìn)的理論機(jī)制，為系統(tǒng)性金融風(fēng)險理論、金融安全理論等方面的學(xué)術(shù)研究提供新的研究思路。二是研究成果為我國金融不良貸款風(fēng)險防范和風(fēng)險治理提供全新視角：首先，可為商業(yè)銀行不良貸款風(fēng)險管理提供理論工具。其次，為金融科技公司相關(guān)創(chuàng)新服務(wù)與產(chǎn)品的場景應(yīng)用提供研究參考。最后，為金融監(jiān)管機(jī)構(gòu)的監(jiān)管創(chuàng)新提供對策依據(jù)，助力金融安全和金融穩(wěn)定。

二、文獻(xiàn)綜述與理論分析

（一）文獻(xiàn)綜述

1.不良貸款相關(guān)研究

目前對于不良貸款的研究主要從形成機(jī)制、治理監(jiān)管、處置模式三個方面展開。（1）形成機(jī)制。中國的不良貸款與國有企業(yè)存在重大關(guān)系（林毅夫等，2004），國有企業(yè)和銀行的預(yù)算軟約束是導(dǎo)致銀行不良貸款形成的內(nèi)生性原因（施華強，2004），而政府對銀行的干預(yù)也是導(dǎo)致不良貸款形成的原因（譚勁松等，2012）。此外銀行的貸款集中度等特征因素都會對不良貸款產(chǎn)生影響（祝繼高等，2012；Koju等，2018）。（2）治理監(jiān)管。僅靠剝離不良貸款并不能夠很好地降低銀行的不良貸款率，需要采取多元化、市場化方式進(jìn)行處置（李德，2004），不同的銀行應(yīng)該采取不同的處置方式，要強化資產(chǎn)處置中的激勵約束機(jī)制，從而提高金融效率（李亞新，2004）。羅玉輝和張志（2018）提出監(jiān)管機(jī)構(gòu)應(yīng)加強對授信行業(yè)集中度、金融控股集團(tuán)、互聯(lián)網(wǎng)金融業(yè)務(wù)等多方面管理，從而化解不良貸款風(fēng)險。（3）處置模式。王國剛（2018）指出目前進(jìn)行的債轉(zhuǎn)股，并未真正落實市場化，仍需強化競爭機(jī)制。資產(chǎn)證券化作為處置不良貸款的主要方式，其風(fēng)險隔離更為穩(wěn)健。王京濱和李博（2021）提出可以通過調(diào)節(jié)銀行業(yè)務(wù)地理集中程度來防范不良貸款的發(fā)生和金融風(fēng)險。

2.金融科技相關(guān)研究

金融科技是技術(shù)驅(qū)動型的金融創(chuàng)新，強調(diào)技術(shù)創(chuàng)新對于金融效率的提升以及由此帶來的新業(yè)務(wù)模式、應(yīng)用、流程或產(chǎn)品，從而對金融市場、金融機(jī)構(gòu)或金融服務(wù)提供方式造成重大影響。目前對金融科技的研究主要集中在以下幾方面：（1）關(guān)于金融科技基礎(chǔ)研究范式的研究，包括概念界定（FSB，2016；中國人民銀行，2019），發(fā)展定位（中國人民銀行，2019）、市場定位（中國信通院，2019）、功能定位（鄧辛，2020）。（2）金融科技相關(guān)理論基礎(chǔ)分析（李建軍和彭俞超，2021）。（3）金融科技對傳統(tǒng)金融機(jī)構(gòu)渠道、業(yè)務(wù)和績效的研究（Lee和Shin，2018；邱晗等，2018；李建軍和姜世超，2021；劉少波等，2021）。（4）金融科技對金融服務(wù)實體經(jīng)濟(jì)及貨幣政策傳導(dǎo)機(jī)制的研究（宋敏等，2021）。

3.金融科技與風(fēng)險治理研究

近期已有文獻(xiàn)開始研究金融科技與風(fēng)險治理的關(guān)系，主要包括：（1）金融與科技的風(fēng)險融合研究（李廣子，2020；方意等，2020）。（2）金融科技與系統(tǒng)金融風(fēng)險擴(kuò)散的影響研究（郭品和沈悅，2019；劉孟飛，2021）。（3）金融科技對金融機(jī)構(gòu)風(fēng)險管理的賦能研究（Lee和Shin，2018）。（4）金融科技背景下金融監(jiān)管面臨的調(diào)整和范式的轉(zhuǎn)變（周仲飛和李敬偉，2018；楊東，2018；Khan和Malaika，2021）及監(jiān)管科技與合規(guī)科技研究（Duddridge和Zhang，2021；Crisanto等，2021；Antunes，2021）。此外，已經(jīng)有文獻(xiàn)開始關(guān)注金融科技對銀行財務(wù)績效和創(chuàng)新能力的影響（馮永琦和張浩琳，2021），并對其中的作用機(jī)制進(jìn)行了初步探索。

綜上所述，目前學(xué)界對金融不良貸款和金融科技的研究仍存在以下不足：一是重在描述、探討金融科技本身的特性以及在營銷渠道、支付結(jié)算、財富管理和咨詢服務(wù)方面的應(yīng)用，對于不良貸款風(fēng)險管理方面的功能研究較少。二是側(cè)重于風(fēng)險暴露事后階段的歸因研究和處置模式比較研究，而對于不良貸款風(fēng)險的事前評估防范研究較少。三是大部分采用宏觀數(shù)據(jù)和定性研究居多，微觀數(shù)據(jù)研究方面的定量較少，研究顆粒度不夠。

（二）理論分析與研究假設(shè)

1.傳統(tǒng)信貸市場的失靈

假定信貸市場有連續(xù)多個貸款項目，每個項目有成功或失敗兩種可能結(jié)果：項目成功時借款人預(yù)期收益為R(R＞0），項目失敗時期望收益為0。同時假定所有貸款項目具有相同收益均值T，p(R)是給定項目成功的概率，則p(R)R=T，即成功時的收益R越高，成功的概率p越低。銀行無法識別借款人風(fēng)險類型，但依據(jù)歷史經(jīng)驗可以估算項目成功或失敗概率。進(jìn)一步假定每個貸款項目資金需求都為1，銀行貸款是唯一資金來源，借款人自有資金為零，貸款利率為i。則考慮借款人道德風(fēng)險的銀行期望收入函數(shù)為：

2.金融科技的風(fēng)險抑制與銀行業(yè)績增進(jìn)

金融科技依賴的大數(shù)據(jù)、人工智能、云計算、區(qū)塊鏈等核心技術(shù)在金融風(fēng)險管理方面各有優(yōu)勢：其一，基于大數(shù)據(jù)和云計算技術(shù)，金融科技能夠處理和計算海量、多維和動態(tài)的大樣本甚至是“全樣本”數(shù)據(jù)，對借款項目和借款人進(jìn)行全方位風(fēng)險掃描與行為畫像，獲得比人工經(jīng)驗推算更加精準(zhǔn)的運算結(jié)果。其二，基于區(qū)塊鏈的多節(jié)點、不可篡改、共同維護(hù)和可追溯特征，以及智能合約在協(xié)議文本自動執(zhí)行方面的特點，金融科技在金融反欺詐、反洗錢、反恐怖融資等方面具有較高應(yīng)用價值。其三，與傳統(tǒng)信貸模式下主要依賴歷史信息不同，人工智能算法可以對貸款項目和借款人的未來行為進(jìn)行準(zhǔn)確預(yù)測，預(yù)測信息將作為風(fēng)險定價的重要參考。此外，金融科技的投入具有規(guī)模效益遞增和正的網(wǎng)絡(luò)外部性，其所處理的數(shù)據(jù)規(guī)模越大，其算力會呈現(xiàn)指數(shù)式增長，可以極大降低成本，提高金融效率?；谝陨咸匦?，金融科技一方面可對具體貸款項目違約概率進(jìn)行風(fēng)險識別與評估，另一方面對借款人道德風(fēng)險和違約行為可進(jìn)行精準(zhǔn)預(yù)測與量化，協(xié)助銀行綜合評估借款人的還款能力和還款意愿，為差異化風(fēng)險定價提供了基礎(chǔ)。因此，金融科技介入后銀行的預(yù)期收入函數(shù)將發(fā)生變化：

公式（2）右邊第一項代表銀行向低風(fēng)險項目和借款人提供低利率后的預(yù)期收入，第二項代表銀行向高風(fēng)險項目和借款人提供高利率后的預(yù)期收入，θ為銀行根據(jù)風(fēng)險評估結(jié)果和期望利潤所做的兩類貸款的分配權(quán)重。該式表明，存在一條可行的“利率走廊”（0 ≤iL≤i≤iH≤i*），在此范圍內(nèi)，可證明至少有一對利率組合（iLiH）使得π≥π*證明如下：

情形1：當(dāng)θ=1，貸款全部為低風(fēng)險貸款，根據(jù)公式（2），π=0.81（1+iL），如需π≥π*，則只要滿足0.81 1+iL≥0.832，得iL≥0.03，也即iL只要滿足取值在（0.03，0.3）范圍內(nèi)，銀行的期望收益總會得到改善。

情形2：當(dāng)θ=0，貸款全部為高風(fēng)險貸款，根據(jù)公式（2），π=0.49（1+iH），如需π≥π*，則只要滿足0.49（1+iH）≥ 0.832，得iH≥0.7，也即iL只要滿足取值在（0.7，+∞）范圍內(nèi)，銀行的期望收益總會得到改進(jìn)。

情形3：當(dāng)θ=0.5，即50%高風(fēng)險貸款和50%低風(fēng)險貸款，令iL=0.05，iH=0.75，則π=0.87＞π*，因此（0.05，0.75）是一對令銀行期望收益改善的利率組合，理論上在“利率走廊”范圍內(nèi)還存在更多種類這樣的貸款利率組合。如圖2所示，在金融科技賦能情況下，銀行預(yù)期收入曲線上移，逼近潛在收益水平。銀行預(yù)期收入曲線還可以擴(kuò)展為連續(xù)可微形式：

圖2 金融科技改變銀行預(yù)期收入邊界

公式（3）中，ri、pi、siθi分別代表第i個項目給定的利率定價、項目成功概率、借款人違約概率和貸款權(quán)重，i?代表銀行貸款利率的監(jiān)管上限。該式意味著，金融科技可幫助銀行實現(xiàn)普惠金融，將原先無法觸及的中小微企業(yè)和零售客戶，通過大數(shù)據(jù)和人工智能等方式進(jìn)行風(fēng)險評級和信用打分，從而確定相應(yīng)貸款利率和額度，解決傳統(tǒng)銀行“長尾客戶”服務(wù)不足的痛點。綜上，金融科技的投入可以通過提高銀行風(fēng)險識別能力，幫助銀行進(jìn)行風(fēng)險量化和差異化風(fēng)險定價，而核心邏輯就是準(zhǔn)確識別風(fēng)險，降低違約風(fēng)險發(fā)生的可能性，減少不良貸款損失，最終提高銀行業(yè)績水平，具體作用路徑如圖3所示。

圖3 金融科技提高銀行業(yè)績的作用路徑

基于上述分析，本文提出兩個基本假設(shè)：

H1：在其他條件不變的情況下，金融科技投入可以提升銀行業(yè)績水平。

H2：不良貸款風(fēng)險在金融科技與銀行業(yè)績的正向關(guān)系中發(fā)揮了中介效應(yīng)，即金融科技通過抑制不良貸款風(fēng)險損失而提高了銀行的業(yè)績水平。

此外，本文理論分析并沒有考慮銀行個體層面的異質(zhì)性，如經(jīng)營規(guī)模、股權(quán)結(jié)構(gòu)、風(fēng)險管理、投入能力和意愿等方面的差異，而這些差異必然影響銀行對金融科技投入力度和強度，及其對不良貸款和銀行業(yè)績的作用效果（潘敏和張依茹，2012；馮永琦和張浩琳，2021；李建軍和姜世超，2021）。如大型銀行有更為充足的經(jīng)濟(jì)資源進(jìn)行金融科技應(yīng)用和部署，深度融合信息技術(shù)能力更強（劉孟飛和蔣維，2020；楊望等，2020），可以更好地識別風(fēng)險客戶，理論上大型銀行不良貸款風(fēng)險會趨于收斂。而部分高風(fēng)險項目和客戶因得不到大型銀行貸款轉(zhuǎn)向中小銀行，加之中小銀行金融科技投入不足，并仍依賴傳統(tǒng)的風(fēng)險定價方式，缺乏準(zhǔn)確識別高風(fēng)險客戶的能力，因此中小銀行可能面臨更高的外溢風(fēng)險。為此本文還提出假設(shè)3：

H3：銀行規(guī)模的異質(zhì)性將擴(kuò)大金融科技投入差距，可能引起信貸市場中不良貸款風(fēng)險外溢和風(fēng)險遷移。

三、研究設(shè)計

（一）變量選取

本文選取2005年至2020年中國A股上市的40家銀行的季度數(shù)據(jù)，按照插值法對缺失重要變量的樣本進(jìn)行數(shù)據(jù)補齊，最終獲取2 560條樣本數(shù)據(jù)，各變量選擇及數(shù)據(jù)來源如下：

1.因變量。本文從收益和風(fēng)險兩個角度衡量銀行業(yè)績。衡量收益的指標(biāo)選擇凈利率（nm）和凈資產(chǎn)收益率（roe），凈利率反映銀行獲利能力和市場競爭力，凈資產(chǎn)收益率反映股東回報的收益水平和自有資本利用效率。風(fēng)險指標(biāo)選擇核心資產(chǎn)充足率（ccar），反映銀行抗御風(fēng)險的整體能力，該指標(biāo)越高代表銀行抗風(fēng)險能力越強。數(shù)據(jù)來源于銀行季報和年報。

2.自變量。本文主要從人員的投入和技術(shù)投入兩方面衡量商業(yè)銀行金融科技投入水平。人員投入采用信息技術(shù)人員在總員工中占比（itstaff），技術(shù)投入包括三類：信息技術(shù)軟件投入在營業(yè)收入的占比（software）、信息技術(shù)硬件投入在營業(yè)收入的占比（hardware）和專利知識寬度（IPC）。專利知識寬度是指專利內(nèi)所包含知識的復(fù)雜和廣泛程度，專利知識越復(fù)雜、涉及技術(shù)領(lǐng)域越廣，說明該專利的新穎性越高、模仿難度越大，由此該專利所承載的技術(shù)具有較強的突破性創(chuàng)新（張杰和鄭文平，2018），該指標(biāo)根據(jù)incoPat專利數(shù)據(jù)庫中銀行申請發(fā)明專利整理所得。其他3個指標(biāo)根據(jù)銀行財報資產(chǎn)科目相關(guān)數(shù)據(jù)計算所得。

3.中介變量。中介變量選擇不良貸款率?？紤]到關(guān)注類貸款往往是銀行進(jìn)行風(fēng)險資產(chǎn)“騰挪”的主要會計科目，而關(guān)注類貸款遷徙率反映的是上期正常類貸款轉(zhuǎn)為關(guān)注類貸款的比例，也即反映了資產(chǎn)風(fēng)險短期變化程度，因此本文構(gòu)建一個新的指標(biāo)來反映銀行真實貸款風(fēng)險，即潛在不良貸款率（NPLS）=不良貸款率+關(guān)注類貸款率×關(guān)注類貸款遷徙率。此外，本文還考察不良貸款其他細(xì)分指標(biāo)：關(guān)注類（interest）、次級類（secondary）、可疑類（doubt）和損失類（loss），以反映不同階段的風(fēng)險程度。數(shù)據(jù)根據(jù)各銀行季報和年報摘錄計算。

4.控制變量。根據(jù)以往文獻(xiàn)研究，影響銀行業(yè)績的其他變量主要包括：（1）凈息差（nim），凈息差是銀行利潤的主要來源，凈息差越高，代表銀行通過利息獲利的能力越強。（2）不良貸款撥備覆蓋率（coverage），一般撥備覆蓋率會影響當(dāng)期利潤，撥備覆蓋率越高，意味著計提的壞賬準(zhǔn)備越多，會拉低當(dāng)期利潤，但是銀行往往也會超額計提撥備覆蓋率，以平滑業(yè)績波動，因此當(dāng)期計提比例高，可能會在下期回吐利潤，提高下期利潤水平，因此本文采用撥備覆蓋率上期值。（3）銀行規(guī)模（size），本文以營業(yè)收入表征銀行規(guī)模。通常認(rèn)為營業(yè)收入規(guī)模越高，利潤率也越高，但是隨著銀行業(yè)的市場開放、利率市場化以及競爭加劇，銀行在規(guī)模擴(kuò)張的同時可能帶來邊際收益遞減（Adrian和Brunnermeier，2016），因此營業(yè)收入規(guī)模對銀行業(yè)績的影響可能是負(fù)面的。（4）營業(yè)網(wǎng)點數(shù)（network），通常網(wǎng)點數(shù)量越多代表銀行的市場滲透力越強，但是物理網(wǎng)點往往也是銀行成本最高，管理最困難和風(fēng)險最集中的服務(wù)渠道，尤其是隨著金融“脫媒”和疫情導(dǎo)致的金融服務(wù)互聯(lián)網(wǎng)化，網(wǎng)點規(guī)模擴(kuò)展有可能對銀行績效形成負(fù)面影響。（5）宏觀經(jīng)濟(jì)變量，銀行業(yè)是典型的周期性行業(yè)，與經(jīng)濟(jì)增長周期高度相關(guān)，為此選擇同期經(jīng)濟(jì)增速（GDP）和物價指數(shù)（CPI）為宏觀經(jīng)濟(jì)指標(biāo)，其中GDP增速與銀行業(yè)績正相關(guān)，CPI與銀行業(yè)績負(fù)相關(guān)，相關(guān)數(shù)據(jù)來源于Wind數(shù)據(jù)庫。

（二）模型設(shè)定

為了檢驗假設(shè)1和2，本文利用中介效應(yīng)模型進(jìn)行分析：第一步，構(gòu)建金融科技對銀行業(yè)績的基準(zhǔn)回歸模型（4），參數(shù)β1反映了金融科技對銀行業(yè)績影響的總效應(yīng)，如果其顯著為正，則表明金融科技對銀行業(yè)績存在正向影響。第二步，構(gòu)建金融科技對不良貸款影響的回歸模型（5），如果參數(shù)γ1顯著為負(fù)，則說明金融科技對不良貸款具有抑制作用。第三步，將第二步中回歸結(jié)果帶入模型（4）得到全變量模型（6），參數(shù)δ2反映了金融科技對銀行業(yè)績影響的直接效應(yīng)，參數(shù)δ1反映了金融科技通過不良貸款傳導(dǎo)機(jī)制對銀行業(yè)績的間接影響（中介效應(yīng)）。當(dāng)估計參數(shù)β1、γ1、δ1和δ2均顯著且有δ2＜β1時，中介效應(yīng)成立。

四、實證分析

（一）描述性統(tǒng)計

表1報告了變量的描述性統(tǒng)計，各變量標(biāo)準(zhǔn)差最大為8.6343，說明各變量的描述性統(tǒng)計均在正常范圍內(nèi)，此外對樣本按照1%和99%的標(biāo)準(zhǔn)進(jìn)行Winsorize處理以控制極端值影響。

表1 描述性統(tǒng)計

（二）基準(zhǔn)回歸

根據(jù)計量模型（4），表2報告了金融科技投入對銀行業(yè)績的基準(zhǔn)回歸結(jié)果和金融科技投入對銀行業(yè)績影響由負(fù)轉(zhuǎn)正的關(guān)鍵過程（限于篇幅，控制變量逐次加入的結(jié)果未予報告）。結(jié)果顯示，金融科技投入對銀行凈利率、凈資產(chǎn)收益率和核心資本充足率的影響在當(dāng)期為負(fù)，但隨著時間推移，金融科技投入對業(yè)績的正向效用會逐漸顯現(xiàn)，并表現(xiàn)出邊際貢獻(xiàn)遞增趨勢。其中，前三列反映了金融科技投入對銀行當(dāng)期業(yè)績影響，信息技術(shù)人員占比和軟件投入占比對銀行當(dāng)期的影響為負(fù)，說明信息技術(shù)人員投入和軟件投入會顯著削弱銀行當(dāng)期業(yè)績，即產(chǎn)出效益只有經(jīng)歷一定持續(xù)投資期才會顯現(xiàn)。中間三列反映了金融科技投入對業(yè)績影響由負(fù)轉(zhuǎn)正臨界點的影響，將凈利率滯后4年、凈資產(chǎn)收益率滯后3年和核心資本充足率滯后4年時，金融科技投入對業(yè)績的影響開始轉(zhuǎn)為正向，盡管大部分指標(biāo)仍不顯著。最后三列展示了金融科技投入對業(yè)績影響首次為正時的結(jié)果，當(dāng)滯后期再延長1年，金融科技對業(yè)績指標(biāo)的影響開始顯著為正，且參數(shù)值均有所增大，表明金融科技投入的邊際貢獻(xiàn)增大。具體而言，信息技術(shù)人占比對nm、roe和ccar的影響為正，其每增長1%，將促進(jìn)nm、roe和ccar分別提高3.6732%、1.2863%和0.2134%；軟件投入占比對nm、roe和ccar的影響為正，其每增長1%，將促進(jìn)nm、roe和ccar分別提高1.9853%、0.8421%和0.0732%；硬件投入占比對nm、roe和ccar也存在正向影響，其每增長1%，將促進(jìn)nm、roe和ccar分別提高1.9521%、0.0422%和0.0143%；最后，專利知識寬度對nm、roe和ccar也存在正向影響，其每增長1%，將促進(jìn)nm、roe和ccar分別提高0.8521%、0.2234%和0.0156%。從參數(shù)值看，信息技術(shù)人員占比對銀行業(yè)績的促進(jìn)作用最大，其次為軟件投入占比。因此假設(shè)1成立。

表2 金融科技對銀行業(yè)績影響的基準(zhǔn)回歸

控制變量整體較為顯著，以第（3）列為例，凈息差和撥備覆蓋率對凈利率、凈資產(chǎn)收益率和核心資本充足率的影響均顯著為正，凈息差對凈利率的影響最大，撥備覆蓋率對凈資產(chǎn)收益率影響最大；銀行規(guī)模對凈息差的影響為負(fù)，且在10%的水平上顯著，對凈資產(chǎn)收益率和核心資本充足率的影響為負(fù)但不顯著，表明銀行規(guī)模擴(kuò)展不僅不會帶來業(yè)績改善，可能還會造成盈利能力下滑和資產(chǎn)質(zhì)量惡化；營業(yè)網(wǎng)點規(guī)模對凈利率、凈資產(chǎn)收益率和核心資本充足率的影響均為負(fù)，證明銀行單純的規(guī)模擴(kuò)展存在邊際報酬遞減的可能；最后宏觀變量GDP對銀行業(yè)績的影響總體為正，而CPI對銀行業(yè)績的影響總體為負(fù)，說明銀行業(yè)作為典型的順經(jīng)濟(jì)周期行業(yè)，經(jīng)濟(jì)擴(kuò)展導(dǎo)致的寬松信貸政策會促進(jìn)銀行盈利的提升，而物價上漲引起的通脹會降低實際利率，壓縮銀行實際收益。

（三）中介效應(yīng)檢驗

1.金融科技與不良貸款

依據(jù)計量模型（5），表3展示了金融科技投入對不良貸款影響的檢驗結(jié)果，其中第（1）至（4）列為四類金融科技投入與不良貸款率的單獨回歸結(jié)果，第（5）列是全變量回歸結(jié)果。結(jié)果顯示，金融科技投入對不良貸款率均有顯著的負(fù)向影響，即證明銀行金融科技投入的加大可以顯著降低不良貸款風(fēng)險。以第（5）列為例，信息技術(shù)人員占比對不良貸款率的影響顯著為負(fù)，信息技術(shù)人員占比每增加1%，將促使不良貸款率降低1.0522%；軟件投入占比對不良貸款率具有顯著的負(fù)向影響，軟件投入占比每增加1%，將促使不良貸款率降低0.5038%。硬件投入占比和專利知識寬度對不良貸款率的影響也顯著為負(fù)，硬件投入占比和專利知識寬度占比每增長1%，將導(dǎo)致不良貸款率降低0.367%和0.0071%?？傮w而言，信息技術(shù)人員投入對降低不良貸款風(fēng)險的貢獻(xiàn)最大，軟件投入的貢獻(xiàn)次之。

表3 金融科技投入對不良貸款的影響

2.金融科技、不良貸款與銀行業(yè)績

根據(jù)計量模型（6），表4報告了中介效應(yīng)模型的最終檢驗結(jié)果?？梢钥闯?，不良貸款對銀行業(yè)績的影響在所有回歸模型中仍顯著為負(fù)。而金融科技投入對銀行凈利率、凈資產(chǎn)收益率和核心資本充足率的影響在當(dāng)期仍為負(fù)向，在平均滯后4至5年后轉(zhuǎn)正，該結(jié)論與表2的結(jié)果一致。對比表2和表4轉(zhuǎn)正期金融科技各指標(biāo)的估計參數(shù)值發(fā)現(xiàn)，表4中金融科技各指標(biāo)估計參數(shù)明顯小于表2中對應(yīng)值，因此存在中介效應(yīng)。本文還利用Bootstrap抽樣法對中介效應(yīng)進(jìn)一步檢驗。經(jīng)過1 000次抽樣，各變量值與顯著性水平報告如下：nm對應(yīng)的總效應(yīng)值為7.6106（p＜0.05），中介效應(yīng)值為2.4619（p＜0.05），直接效應(yīng)值為5.1487p＜0.05，中介效應(yīng)占比32.34%；roe對應(yīng)的總效應(yīng)值為2.1707（p＜0.01），中介效應(yīng)值為0.9749（p＜0.01），直接效應(yīng)值為1.1958（p＜0.05），中介效應(yīng)占比44.91%；ccar對應(yīng)的總效應(yīng)值為0.3009（p＜0.01），中介效應(yīng)值為0.1206（p＜0.01），直接效應(yīng)值為0.1803（p＜0.01），中介效應(yīng)占比40.08%。因此三個因變量均存在部分中介效應(yīng)。

表4 全變量回歸模型

（四）傳導(dǎo)機(jī)制的進(jìn)一步分析

不良貸款風(fēng)險存在時變特征，總體上逾期時間越久，資產(chǎn)質(zhì)量越差，本息損失風(fēng)險越高，因此金融科技投入究竟在哪個階段和環(huán)節(jié)發(fā)揮作用更大？為此本文進(jìn)一步檢驗自變量對四個中介變量的影響，檢驗結(jié)果見表5。結(jié)果表明，金融科技對于關(guān)注類貸款和損失類貸款的抑制作用更強，而對次級和可疑類貸款的抑制作用較弱。可能的原因在于：一方面，金融科技對于貸前階段的風(fēng)險識別和風(fēng)險定價具有技術(shù)優(yōu)勢，有助于銀行貸前和貸中風(fēng)險防控，降低正常類貸款轉(zhuǎn)化為關(guān)注類貸款的概率。另一方面，金融科技提高了銀行在貸后階段進(jìn)行風(fēng)險預(yù)警和風(fēng)險處置的能力，降低了風(fēng)險資產(chǎn)進(jìn)一步惡化為損失類的概率。具體而言，信息技術(shù)人員投入、軟件投入和硬件投入對關(guān)注類貸款比率和損失類貸款比率具有明顯的抑制作用，這三類投入占比每增長1%，將導(dǎo)致關(guān)注類貸款比率分別下降3.6288%、1.2209%和1.3129%，損失類貸款率分別下降1.6231%、0.5989%和0.0532%。

表5 傳導(dǎo)機(jī)制進(jìn)一步檢驗

（五）異質(zhì)性檢驗

為了驗證銀行規(guī)模異質(zhì)性產(chǎn)生的金融科技投入差距是否導(dǎo)致了信貸市場中的風(fēng)險外溢和風(fēng)險遷移，本文設(shè)計如下指標(biāo)進(jìn)行計算：

（7）式中，fintechi∑表示某大型銀行金融科技投入，θi為權(quán)重指標(biāo)，以該銀行營業(yè)收入占全部大型銀行比重計算，即表示在t時期表示全部大型銀行金融科技投入的加權(quán)平均值；fintechj和θj表示某中小型銀行金融科技投入及其相應(yīng)權(quán)重，則表示t時期全部中小銀行金融科技投入的加權(quán)平均值。fintech_gapt即表示大型銀行相對中小銀行的金融科技投入優(yōu)勢，該值越高表明大型銀行相對中小銀行在金融科技部署和應(yīng)用方面的比較優(yōu)勢越強。分別代表中小銀行和大型銀行的不良貸款率加權(quán)平均值，NPLS_gapt即表示中小型銀行相對大型銀行的不良貸款風(fēng)險遷移和聚集程度，該值越大表示中小型銀行相對大型銀行面對的外溢風(fēng)險越高。而以NPLS_gapt為因變量，fintech_gapt為因變量進(jìn)行回歸，如果系數(shù)為正，即說明金融科技投入差距可能導(dǎo)致了不良貸款風(fēng)險向中小銀行外溢和遷移的趨勢。大型銀行指5大國有商業(yè)銀行和13家全國性股份制商業(yè)銀行，其余則劃分為中小商業(yè)銀行。此外，控制變量中除了宏觀經(jīng)濟(jì)變量與表3保持不變外，其余四個控制變量均參照公式（7）重新構(gòu)建相對指標(biāo)。金融科技投入差距的四個變量分別記為itstaff_gap，software_gap，hardware_gap，IPC_gap，檢驗結(jié)果見表6。

表6 金融科技投入差距與風(fēng)險遷移檢驗

結(jié)果表明，金融科技投入差異顯著地導(dǎo)致了不良貸款風(fēng)險的外溢和風(fēng)險遷移，大型銀行相對于中小銀行的金融科技投入強度越高，不良貸款風(fēng)險由大型銀行向中小銀行轉(zhuǎn)移和集中的趨勢越強。以全變量回歸第（5）列為例，信息技術(shù)人員占比差距、軟件投入占比差距、硬件投入占比差距、專利知識寬度差距每增大1%，會導(dǎo)致中小型銀行面臨的不良貸款風(fēng)險分別增加0.1653%、0.0563%、0.0056%和0.0063%，其中，信息技術(shù)人員投入差距和軟件投入差距是導(dǎo)致風(fēng)險遷移和聚集的兩個主要因素。因此假設(shè)3整體成立。

（六）穩(wěn)健性檢驗

1.工具變量法

信息技術(shù)人員費用投入往往是銀行金融科技投入的主要領(lǐng)域，大型銀行科技人員費用投入占金融科技投入總額的比例平均約在30%以上。而信息技術(shù)人員的質(zhì)量和數(shù)量從勞動要素供給角度看，主要取決于計算機(jī)類等專業(yè)學(xué)科的人才培養(yǎng)。為此本文采用樣本銀行總行所在省份歷年高校計算機(jī)類專業(yè)的高考招生人數(shù)作為金融科技投入的工具變量，計為Number。該數(shù)據(jù)來源于各省招生辦公室公布的歷年高考專業(yè)計劃招生數(shù)量，并進(jìn)行歸總而成。采用該工具變量的原因基于以下幾點：一是高校的本科專業(yè)招生人數(shù)直接決定了未來勞動力市場中金融科技人才的供給人數(shù)，高校對于計算機(jī)科學(xué)與技術(shù)等相關(guān)專業(yè)的人才培養(yǎng)質(zhì)量也決定了金融科技人力資本水平，因此高校招生人數(shù)與金融科技人才投入之間具有高度正相關(guān)性。二是該專業(yè)的招生規(guī)模和培養(yǎng)質(zhì)量主要由高校獨立決策，與因變量銀行業(yè)績、控制變量和隨機(jī)擾動項基本不存在相關(guān)性。本文采用2SLS進(jìn)行回歸，構(gòu)建工具變量的檢驗?zāi)Ｐ停旱?步，以工具變量為自變量，金融科技投入為因變量建立回歸，表7的結(jié)果顯示工具變量與銀行金融科技投入各變量均高度正相關(guān)。第2步，以工具變量為自變量，銀行不良貸款率為因變量進(jìn)行回歸，結(jié)果顯示工具變量對不良貸款存在顯著的負(fù)向影響。第3步，將第2步的回歸結(jié)果帶入計量模型（6），得到工具變量對銀行業(yè)績的最終影響。結(jié)果顯示，工具變量對銀行業(yè)績在滯后7至8年后開始具有明顯的正向作用。工具變量對銀行業(yè)績的促進(jìn)作用要比金融科技投入對銀行業(yè)績的促進(jìn)作用更晚，可以理解為由于科技人員在正式上崗前還存在接受專業(yè)教育、擇業(yè)、培訓(xùn)等周期，客觀上導(dǎo)致金融科技投入的效應(yīng)相對滯后。此外考慮到銀行對金融科技人才的招聘除了校招之外，還存在社招情況，且員工也可能來自外地，因此使用高考招生人數(shù)作為工具變量可能存在弱相關(guān)性問題，為此本文使用弱工具變量檢驗法（weak identification test）對工具變量和自變量進(jìn)行檢驗。檢驗結(jié)果顯示，工具變量與itstaff、software、Hardware和IPC四個因變量的Cragg-Donald Wald聯(lián)合檢驗F值分別為16.87、12.45、14.56和11.67，均顯著大于10，表明即使考慮到社招和員工外地遷入的情況，工具變量與自變量仍具有較高相關(guān)性，排除了他們之間具有弱相關(guān)性的可能。因此，本文的研究結(jié)論穩(wěn)健。

表7 工具變量檢驗

2.金融危機(jī)與宏觀周期的影響

銀行業(yè)具有典型的順經(jīng)濟(jì)周期特征，而且是風(fēng)險高度集中的行業(yè)。因此經(jīng)濟(jì)周期和金融風(fēng)險會對銀行業(yè)整體造成系統(tǒng)性沖擊，為此本文將樣本劃分為三個階段：2008年金融危機(jī)前、2008—2015年間及2015年之后至今。劃分依據(jù)在于：首先金融危機(jī)會導(dǎo)致銀行外部風(fēng)險突然增加，不良貸款集中暴露，因此危機(jī)時期銀行為化解風(fēng)險而對科技投入可能更加重視。其次，隨著金融危機(jī)救助政策的逐漸退坡，中國經(jīng)濟(jì)在2015年進(jìn)入新常態(tài)，宏觀經(jīng)濟(jì)下行趨勢明顯，實體企業(yè)轉(zhuǎn)型困難，利率市場化導(dǎo)致銀行凈息差收窄，加之資管新規(guī)等監(jiān)管政策趨嚴(yán)，市場風(fēng)險在2015年后集中爆發(fā)，不良貸款再次高企。表8報告了三個階段中銀行金融科技投入對不良貸款率和凈利率的影響結(jié)果?？梢园l(fā)現(xiàn)，在2008年金融危機(jī)之前，金融科技投入對不良貸款率和凈利率的影響均不明顯，可能的原因在于當(dāng)時包括中國在內(nèi)的主要經(jīng)濟(jì)體都處在寬松的政策環(huán)境中，并沒有意識到金融危機(jī)正在逼近，因此對金融科技投入動力不足。而在金融危機(jī)爆發(fā)后至2015年，金融科技投入對不良貸款率和凈利率的影響轉(zhuǎn)為顯著，說明危機(jī)驅(qū)使銀行業(yè)提高了風(fēng)險防范意識，部署金融科技的意愿顯現(xiàn)。2016年至2020年，金融科技投入對不良貸款率和凈利率的效用加大，表明中國銀行業(yè)在市場競爭和監(jiān)管政策雙重約束下，對于信貸風(fēng)險容忍度進(jìn)一步降低，投入金融科技的意愿和能力顯著增強。

表8 金融危機(jī)和宏觀周期的影響

五、研究結(jié)論與討論

（一）主要結(jié)論

本文通過構(gòu)建金融科技投入、不良貸款風(fēng)險和銀行業(yè)績的理論與計量模型，探討了金融科技投入通過降低不良貸款風(fēng)險進(jìn)而提升銀行業(yè)績的機(jī)理，結(jié)論如下：（1）金融科技當(dāng)期投入可能削弱銀行當(dāng)期業(yè)績，但是當(dāng)滯后平均4至5年后，金融科技對銀行業(yè)績增進(jìn)作用開始顯現(xiàn)，并且呈現(xiàn)邊際遞增趨勢，其中信息技術(shù)人員投入的作用最大，其次為軟件投入。（2）金融科技投入可以有效降低不良貸款風(fēng)險概率，發(fā)揮風(fēng)險抑制作用，進(jìn)而提高銀行業(yè)績，其中信息技術(shù)人員投入、軟件投入和硬件投入對關(guān)注類貸款比率和損失類貸款比率的抑制作用更加明顯，金融科技在貸前和貸后的效用最大。（3）銀行規(guī)模的異質(zhì)性導(dǎo)致金融科技投入差距，進(jìn)而引起信貸市場風(fēng)險外溢和遷移，大型銀行在金融科技投入的比較優(yōu)勢可能導(dǎo)致不良貸款風(fēng)險向中小型銀行遷移和集中。（4）穩(wěn)健性檢驗不改變本文基本結(jié)論。

（二）政策建議

當(dāng)前全球銀行業(yè)都在加快推進(jìn)金融科技戰(zhàn)略轉(zhuǎn)型，中國人民銀行2019年提出要加快金融科技戰(zhàn)略部署與安全應(yīng)用，增強金融業(yè)科技應(yīng)用能力，實現(xiàn)金融與科技深度融合、協(xié)調(diào)發(fā)展，逐步增強金融服務(wù)能力和金融風(fēng)控水平。為此，本文得到如下幾點政策啟示：

第一，金融科技發(fā)展和應(yīng)用關(guān)鍵在人才培養(yǎng)。信息技術(shù)人員屬于復(fù)合型人才，與傳統(tǒng)的金融人才和科技人才截然不同，其所涉及的知識要素多而廣。據(jù)統(tǒng)計目前國內(nèi)金融科技人才缺口達(dá)150萬人，金融機(jī)構(gòu)普遍將金融科技人才視為核心競爭力。一方面，需要高校等科研機(jī)構(gòu)調(diào)整專業(yè)領(lǐng)域和授課模式，制定跨學(xué)科的應(yīng)用型金融科技高級人才培養(yǎng)方案。另一方面，金融機(jī)構(gòu)、互聯(lián)網(wǎng)公司與高校需加強合作交流，共建金融科技教育教學(xué)新模式。

第二，加強關(guān)鍵環(huán)節(jié)的金融科技部署。不同金融科技技術(shù)具有不同的特點和優(yōu)勢，結(jié)合銀行信貸業(yè)務(wù)的核心環(huán)節(jié)和風(fēng)控弱點，可發(fā)揮大數(shù)據(jù)、云計算、生物識別等技術(shù)在貸前風(fēng)險畫像、反欺詐、反洗錢和風(fēng)險定價方面的作用，發(fā)揮區(qū)塊鏈、物聯(lián)網(wǎng)和智能合約在貸中的合同履行、資金監(jiān)管、抵質(zhì)押物監(jiān)測方面的作用，發(fā)揮人工智能等技術(shù)在貸后還款監(jiān)測、協(xié)議處置、智能催收和網(wǎng)絡(luò)拍賣的作用，同時要保持金融科技投入的連續(xù)性和穩(wěn)定性。

第三，建立金融科技能力輸出和開放平臺。鑒于中小型銀行金融科技投入不足和面臨風(fēng)險遷移的被動局面，可由大型銀行和互聯(lián)網(wǎng)公司牽頭組成金融科技共享體系，對外輸出風(fēng)控、征信、支付、產(chǎn)品設(shè)計等能力，實現(xiàn)數(shù)據(jù)、信息和服務(wù)的互聯(lián)共享，避免形成信息孤島和重復(fù)建設(shè)，減輕中小銀行金融科技部署壓力，提高中小銀行智能風(fēng)控能力，提升銀行業(yè)整體金融服務(wù)效率和風(fēng)控水平。

（三）研究不足與展望

本文探索了金融科技在商業(yè)銀行貸款風(fēng)險抑制和業(yè)績增進(jìn)方面的重要作用，在理論與實踐方面取得了一定成果，但仍存在部分局限。首先，由于目前商業(yè)銀行金融科技數(shù)據(jù)披露尚不完整，本文所構(gòu)建的指標(biāo)主要根據(jù)商業(yè)銀行年報披露的傳統(tǒng)數(shù)據(jù)估計所得，數(shù)據(jù)來源較為單一，不足以精準(zhǔn)測度銀行在金融科技投入方面的規(guī)模和類型。其次，本文所選的銀行樣本為A股上市的40家主要商業(yè)銀行，盡管該樣本銀行所涉及的總資產(chǎn)占全部54家上市銀行總資產(chǎn)90%以上和銀行業(yè)總資產(chǎn)70%以上，但仍遺漏了部分上市銀行和全部未上市銀行，因此樣本的覆蓋范圍和研究結(jié)論的適用性還存在局限。最后，盡管本文從理論和實證研究中均發(fā)現(xiàn)銀行規(guī)模異質(zhì)性產(chǎn)生的金融科技投入差距導(dǎo)致了信貸風(fēng)險外溢和風(fēng)險遷移現(xiàn)象，但是這一結(jié)論是建立在當(dāng)前不同類型和規(guī)模的銀行在金融科技投入差距及其他歸因于銀行特征的歷史數(shù)據(jù)基礎(chǔ)上，未來中小銀行能否通過自身能力建設(shè)或與互聯(lián)網(wǎng)公司、大型銀行金融科技平臺互補合作賦能，補齊金融科技短板，縮小風(fēng)險外溢程度，或存在一定的不確定性。針對上述問題，未來研究可通過持續(xù)追蹤銀行的信息披露、豐富金融科技投入數(shù)據(jù)庫，以及采用大數(shù)據(jù)、人工智能等工具抓取相關(guān)非結(jié)構(gòu)化數(shù)據(jù)等研究方法，不斷拓展本文研究的理論和實踐深度。