金融科技能缓解银行脆弱性吗.pdf

78金融科技能缓解银行脆弱性吗总第 137 期金融科技能缓解银行脆弱性吗金融科技能缓解银行脆弱性吗*李 程 吴卓然1摘要：本文采用文本挖掘法构建了商业银行金融科技水平指标，选取 20112021 年我国39 家上市商业银行的相关数据，借助随机前沿效率估计模型构建了商业银行脆弱性指标，并据此考察了商业银行金融科技水平对商业银行脆弱性的影响。本研究发现，金融科技的运用可以缓解银行间竞争，提高银行表外业务水平，从而显著降低商业银行脆弱性，但此效用对中小银行影响较弱。本文进一步构建银行利差与监管套利水平的面板门限模型后发现，当银行利差水平高于门限值或监管套利水平低于门限值时，金融科技对银行脆弱性才具有缓解作用。政策上应注意金融科技的适用性，控制银行监管套利。关键词：金融科技；银行脆弱性；文本挖掘；随机前沿模型中图分类号：F832 文献标识码：A一、引言在互联网与人工智能等信息技术广泛应用的今天，金融科技（Fintech）早已不是一个陌生词汇。随着金融科技在全球范围内的迅速发展，大数据、云计算、人工智能、区块链等也逐渐为公众所熟知与认可。2019年8月，中国人民银行印发金融科技（FinTech）发展规划（20192021年），指出到2021年建立健全我国金融科技发展的“四梁八柱”，增强金融业科技应用能力，强化金融监管，持续完善金融科技产业生态，推动我国金融业取得长足稳定发展，更好地服务实体经济。2021年12月17日，工信部、国家发改委等十九部委联合印发“十四五”促进中小企业发展规划，明确要求提高金融数字化水平，通过“金融科技+供应链场景”，借助新一代信息技术，推动中小微企业服务方式变革升级。2022年1月，银保监会发布了中国银保监会办公厅关于银行业保险业数字化转型的指导意见，文中指出要统筹推进数字化转型战略，大力引进和培养数字化人才，不断提高银行业服务实体经济的能力和水平。1 李程，博士，教授，天津工业大学经济与管理学院金融系，联系方式：；吴卓然，硕士，淄博职业学院会计学院。作者感谢匿名审稿人的意见，文责自负。*本文受到教育部哲学社会科学后期资助项目“资产负债表关联与风险溢出双重视角下的政府杠杆率结构性优化研究”的资助，项目编号 21JHQ068。DOI:10.13490/ki.frr.2023.05.004792023 年第 5 期随着大中小企业，特别是互联网企业的金融科技与金融数字化程度不断提高，传统金融机构特别是商业银行体系的金融功能将逐渐被削弱（汪可，2018）。商业银行的流动性转换功能决定了其在金融体系中的重要地位，根据金融中介理论，商业银行的基本职能为流动性转换，也就是常说的“借短贷长”。银行为存款人提供流动性较强的活期存款等金融产品，而为借款人提供的贷款则回收期较长、流动性较弱。因此，银行等金融中介在期限转换中为存款人提供了流动性保险（Diamond&Dybvig，1983）。但这种借贷之间的期限不匹配和风险不对称也是商业银行脆弱性的根源。与金融风险不同，金融脆弱性强调风险内生性，是金融部门与生俱来的特性，来自于信贷资金使用与偿还在时间上的分离，或者说来自于银行高杠杆的特征。李赟（2020）在研究中结合前人的研究成果，分析了商业银行脆弱性的形成机制，并通过政策模拟得出了商业银行的总体脆弱性与杠杆率变动情况基本同步，但其脆弱性变动幅度更大的结论。银行脆弱性是指银行高负债经营引起风险积聚的状态，不仅包含个体银行的风险特征，还包含银行体系的不稳定性。银行风险和脆弱性相互影响、相互推动，而脆弱性还体现了银行的经营效率和偿付能力。商业银行的稳健经营，关系到整个金融体系的平稳运行。金融体系的动荡甚至崩溃，往往始于商业银行的脆弱性。例如，企业过度负债一旦超过银行债务清偿能力，便会加剧银行脆弱性，并最终传导至社会经济（Fisher，1933）。此外，在经济运行中，投资者和借款人并非完全理性人，更易于从自身经验出发，把短期繁荣视为常态并追加投融资，从而催生金融泡沫。在经济进入下行周期后，越来越膨胀的金融泡沫会加剧银行脆弱性，导致违约发生，甚至是金融崩溃（Minsky，1982）。银行脆弱性的治理不同于金融风险，不能依靠有效监管来完成，而要靠银行自身的不断创新和自我约束。此时金融科技扮演了重要角色。尽管金融服务业的技术革新早在19世纪50年代就开始了，但直到最近几十年，金融科技才逐步成为专业术语。金融科技在改变金融服务提供方式的同时，还推动了商业模式、服务流程和金融产品的创新与收益的提高（Victor Murinde等，2022）。金融科技的高速发展不断推出新业态（如区块链、大数据等），为全球银行业带来了深刻变革。目前金融科技业态主要分为两种服务模式：一是以互联网金融为代表，主要面向大众的“Tech+Fin”金融中介模式。二是通过技术赋能、主要面向金融机构的“Fin+Tech”企业服务模式（龚晓叶和李颖，2020）。现有文献较全面地研究了金融科技对银行效率、银行竞争，以及对实体企业融资稳定性和可持续性等各方面的影响，但很少涉及对银行脆弱程度的具体影响。金融科技既具有积极作用，也存在潜在风险和监管挑战，其本身具备风险属性（黄锐等，2020），因此有必要深入研究金融科技与银行脆弱性的关系。在促进金融业平稳发展的大背景下，我国当前金融供给侧改革，应着眼于提高银行内部抗风险能力，主要解决银行内在脆弱性问题。因此，有必要将银行脆弱性从银行风险中剥离出来单独讨论。特别是在建立全国统一大市场背景下，能否借助金融科技创新驱动推进金融体系平稳健康发展，进而推动金融行业高质量服务于实体经济，具有重要理论和现实意义。80金融科技能缓解银行脆弱性吗总第 137 期本文的创新点主要包括：第一，没有采用学术界常规选择的北京大学数字普惠金融指数构建金融科技指标，而是通过“文本挖掘法”，从银行个体入手构建各银行金融科技指标，并以之为切入点研究其对银行脆弱性的影响，从而为金融科技是否有助于降低银行脆弱性提供有力证据。第二，侧重从商业银行竞争与表外业务两个角度分析金融科技对商业银行脆弱性影响的内在机制，从而揭示了金融科技对维持整个金融体系稳健运行的有效性。第三，以利差和监管套利为门限，分析了金融科技对银行脆弱性的异质性影响，全面地评判了金融科技的作用效果，为金融科技的正确使用和有效监管提供了决策参考。二、理论分析与研究假说（一）金融科技与商业银行的脆弱性商业银行的风险与脆弱性高度相关但又不完全等同。前者是银行在经营中出现经济损失的可能性，其中非系统性风险可以通过降低杠杆水平、对冲宏观经济冲击等方式来缓解和规避（郭晔等，2022）；而后者主要源于银行自身因经营杠杆较高、期限错配和信息不对称等因素造成的风险积累。换言之，商业银行脆弱性是风险的“隐性”，而危机则是风险“凸显”的状态（章容洲和李程，2021）。从金融科技对商业银行脆弱性的影响看，虽然后者主要体现在高杠杆特征和资产负债不对称，但金融科技一般不直接作用于杠杆，而是影响银行的经营绩效和风险。现有研究对金融科技有助于提高经营绩效基本达成共识，但金融科技对风险的影响则存在不同观点。从影响银行效率的角度看，金融科技的去中心化和多样化特性，可提高效率，减少信息不对称，增加金融服务的获取渠道和便利性（金融稳定理事会金融科技课题工作组，2017）。在金融业务中更广泛和深入地运用互联网和信息技术，对于加强金融服务供给，提升服务效率，降低服务成本，具有重要作用（李文红和蒋则沈，2017）。而在商业银行的零售业务中，虽然盈利效率水平在初期会因金融科技的冲击而降低，但后期在金融科技的帮助下会逐步提升（王均山，2020）。借助区块链、云计算等新兴金融科技技术，商业银行可实现数据分类和资源分配的实时化、系统化管理，并通过技术溢出效应（Blalock and Gertler,2008），改善内部治理和内部控制，提高风险管理效率，优化商业模式，推动银行多元化发展（Demirg-Kunt&Huizinga,2010）。杨望等（2020）借助DEA-Malmquist模型测算发现，金融科技推动了商业银行战略转型，显著提升了商业银行效率。商业银行金融科技水平的提高，还有助于帮助其更好地定位新利润增长点，提高利润等各方面效率，减少潜在损失，进而缓解其脆弱性。谢绚丽和王诗卉（2022）通过构建战略、业务和管理三个维度的数字化指标，从数字化角度考察了银行战略、金融服务和治理结构、组织管理的金融科技应用。其研究表明，银行数字化转型能显著提升银行存贷款业务盈利能力，说明数字化对银行经营绩效有一定提升作用，进而可缓解银行脆弱性。从影响银行风险的角度看，则存在正反两种观点。一种观点认为，采用大数据和云计算技812023 年第 5 期术等，既有助于缓解金融服务信息不对称程度，提高信贷决策能力，改善资金配置效率，也有助于改进风险定价技术和完善风险管理机制，提升风险管控水平（朱太辉和陈璐，2016）。金洪飞等（2020）运用文本挖掘法构建了银行个体的金融科技运用程度指标，认为金融科技可帮助银行降低风险承担水平，且对大型银行更为显著。Maoyong Cheng&Yang Qu（2020）运用改进的DLM模型研究发现，银行信贷风险主要受三方面影响：金融科技对利差的影响，金融科技对成本的影响，以及监管措施对成本的影响。在进一步分析不同情况下金融科技对银行信贷风险的影响后，得出以下研究结论：商业银行运用金融科技能缓解银企信息不对称，降低银行风险。另一种观点认为，金融科技对银行风险管控提出了更高要求。金融科技没有改变金融业务的风险属性，且潜在信息科技风险和操作风险更加突出；同时，金融科技的“网络效应”“尾部效应”有可能放大风险的传染性和影响，导致系统性风险爆发（朱太辉和陈璐，2016）。金融稳定理事会金融科技课题工作组（2017）认为，尽管目前还没有证据可以证明金融科技创新会对金融体系产生负面影响，但可能会出现期限错配、流动性错配、高杠杆等微观风险，也可能存在顺周期、过度波动的宏观风险。李文红和蒋则沈（2017）认为，金融科技在机构层面会提高整体风险，在系统层面会增加机构之间的关联性和金融体系的复杂性，进而可能强化“羊群效应”和市场共振。从行动者网络理论视角进行的实证分析表明，金融科技在一定程度上提升了我国银行业系统性风险（汪可和吴青，2018）。基于上述分析，金融科技可能有助于提升经营绩效，降低银行风险，从而有利于缓解银行脆弱性；但也可能增加潜在的风险，从而提高银行脆弱性。据此，本文提出以下竞争性研究假说：假说1a：商业银行金融科技水平的提高，有助于降低商业银行脆弱性。假说1b：商业银行金融科技水平的提高，有可能提高商业银行脆弱性。（二）金融科技、银行竞争与商业银行脆弱性Stiglitz 和 Weiss（1981）认为，银行业竞争加剧能够促进贷款利率降低，减少借款者道德风险事件的发生，进而降低银行面临的信用风险。Matsuoka（2013）认为，在完全竞争环境中存在银行挤兑的情况；而在垄断银行经济体系中，即使银行具备垄断地位，也倾向于提供更高存款回报，银行挤兑不复存在。就我国而言，商业银行竞争不断呈现新格局，随着城市商业银行与农村商业银行等中小型银行的不断发展壮大，银行竞争日益加剧。这使得银行利润空间被压缩，促使银行为弥补收益而承接高风险项目，导致其抵抗不利冲击的能力越来越弱。具体而言，在市场不健全，且存在风险转移、信息不对称以及外部性等问题的环境下，银行在激烈竞争中更易破产，并最终表现为银行脆弱性。由于数量少且规模大的银行所构成的银行体系更趋多元化，监管成本更低，恶性竞争较少，稳定性强于由数量多且规模小的银行构成的银行体系。因此，本文认为竞争可能加剧银行脆弱性。金融科技可能会降低银行竞争程度，进而缓解银行脆弱性。金融科技的核心是利用现代科技对金融产品、业务模式和业务流程进行优化和创新，简化供需双方交易过程，帮助银行更82金融科技能缓解银行脆弱性吗总第 137 期好识别客户质量，降低银行在发放贷款时由于信息不对称而遭受损失的可能性（吴桐桐和王仁曾，2021），但金融科技也会对现有银行市场格局产生冲击。根据熊彼特的创新理论，金融科技作为一种技术和管理模式的创新，对市场竞争具有创造性破坏，可重塑市场结构和竞争格局，突出垄断竞争的市场结构特征，优胜劣汰并减少原有低水平竞争。金融科技可能分流部分银行业务，对现有银行的盈利模式和盈利能力形成挑战，增加银行潜在风险（李文红和蒋则沈，2017）。对大型商业银行而言，由于其资金雄厚、地理位置优越，有能力加强金融科技投入，便于掌握更多的大中小企业借贷信息以及个人储户资金余额等信息，因而在金融科技产生技术性革新、出现新业态时，更容易运用大数据等技术分析大中小企业和个人储户的借贷需求，有效接收和转化金融科技成果，强化在银行竞争体系中的垄断地位。其中，银行技术进步可能是关键中介机制（李俊青等，2022）。由于金融科技是把双刃剑，大型银行使用金融科技后，遇到风险冲击时，对风险的规避、转移、缓释和承受能力强于中小银行，能充分发挥金融科技有利的一面。进一步强化其竞争力，提升现有银行体系集中度。综上所述，大型银行有资金实力投资于金融科技，使其在竞争中居于优势地位；同时金融科技作为竞争门槛，会阻碍依托传统技术的中小银行进入，推动具有高科技的银行进入，从而减少过度竞争，有利于银行间垄断竞争格局的形成。因此，竞争虽然存在但其加剧趋势被适度缓解。这个过程中，创新会降低银行脆弱性，增强系统稳定性。基于上述分析，本文提出以下研究假说：假说2：金融科技水平的提高，缓解了银行竞争，进而降低了银行脆弱性。（三）金融科技、表外业务与商业银行脆弱性根据马科维兹均值方差模型可知，银行表外业务创新可以通过不同的资产组合来影响银行风险：如果银行表外业务创新的预期收益率较高，则在资产组合中有助于缓解银行风险。商业银行表外业务创新收益率为资产池收益率与资本池收益率的差值（Su,2014）。Qingjun Zhang等（2020）根据资本池-资产池模型（Capital PoolAsset Pool Model）分析认为，在当前国内金融体系格局中，表外业务创新可以缓解刚性兑付带给商业银行的压力，进而减弱银行投资高风险项目的动机，降低银行风险承担水平。章容洲和李程（2021）认为，表外业务发展对银行脆弱性具有双重作用。作为货币政策传导“信贷渠道”的组成部分（于震，2021），银行表外业务与影子银行体系有助于商业银行提供更优质服务、提高营业收入，影响了银行收益与风险，而该影响在国有大型银行与中小银行间存在明显异质性（曾雪云等，2020）。这在客观上影响了金融体系的平稳运行，对监管当局提出了更高要求。鉴此，本文认为表外业务可能有助于降低银行脆弱性。金融科技对银行表外业务创新具有举足轻重的作用。金融科技通过采用数字技术与传统金融服务融合，发展新型金融服务。银行在竞争日趋激烈的环境下，基于负债端吸收存款和资产端增加盈利的需要，推动其发展表外业务，同时强化对表外业务的风险管理。通过打造区块链平台，金融科技缓解了表外业务信息不对称问题；为甄别表外业务客户身份信息提供了更精准832023 年第 5 期的判别依据。此外，不同表外业务的风险不同。其中，中介服务类表外业务对降低银行风险有积极作用，而担保承诺类和代理投融资类表外业务则影响相反（王晓芳和权飞过，2019）。这是因为，在中介服务类业务中，银行只需起到“桥梁”作用，并不需要直接参与交易，需要承担的显性风险较低；而另外两类表外业务，则需要银行直接参与交易过程，需承担交易对手的违约风险等。如委托贷款和非保本理财业务，由于存在“抽屉协议”或“刚性兑付”情况，因此银行需承担部分信用风险（赵胜民和屠堃泰，2022）。金融科技的应用，增强了银行对软信息的收集能力，减少银企之间信息不对称程度（Granja等，2020）；而且还有助于为客户尤其是中小客户精准画像，洞察客户需求、创新金融产品，通过量化投资手段提高理财产品收益率，实现与资本市场有效对接和智能化配置资产。这有利于银行财富管理业务的发展，增加银行盈利渠道，进而降低此类表外业务风险。总之，金融科技既升级了传统业务也有利新表外业务的发展，拓宽了银行业务范围。此外，金融科技通过精准识别技术减少了表外业务风险，有利于银行更好评估客户质量，降低银行由于信息不对称而遭受损失的可能性，筛选出优质客户。这有效降低了因客户违约等造成损失的“显性”风险，进而降低了“隐性”脆弱。基于上述分析，本文提出以下假说：假说3：商业银行金融科技水平的提高，推动了银行表外业务的创新发展，进而降低银行脆弱性。（四）银行利差与监管套利在金融科技对脆弱性影响中的门槛作用金融科技本身是把双刃剑，当银行某些指标发生变化时，对脆弱性的影响可能有所不同，存在门槛效应。下文将围绕银行利差和监管套利两个核心指标来分析此问题。1.利差方面关于银行利差的研究，早期可追溯到Ho和Saunders（1981）的做市商模型，他们认为银行利差的影响因素主要有市场结构、风险偏好、利率水平、交易规模。部分国内学者研究发现资本账户开放（张德亮和李巍，2020）、利率市场化（程孝强等，2021）、贷款竞争（顾海峰和张晶，2022）等对银行存贷利差影响较为显著。在金融科技对银行脆弱性的影响过程中，利差变化具有门槛效应。原因在于，银行存贷利差的变动会影响企业贷款成本，在一定程度上决定银行风险承担水平的高低，进而影响企业贷款违约行为。银行利差是银行间激烈竞争的结果，如银行贷款竞争可降低存贷利差，因而利差高低在一定程度上反映了银行间的竞争程度。下文将基于前文假说2，进一步从利差角度入手，分析在不同利差区间金融科技和银行脆弱性的关系，即不同竞争水平下的二者关系。当利差较小时，银行盈利收窄，银行脆弱性表现为盈利降低导致的流动性短缺。此时，银行会通过金融创新和降低信用约束条件来获得盈利，虽然能创造盈利点，但也提高了风险资产的配置，因此对银行脆弱性的缓解作用不大。而当利差较大时，银行盈利性较好，加剧了利润的争夺。此时，银行为了维持盈利，降低风险，更倾向于发展金融科技，以实现在维持盈利水84金融科技能缓解银行脆弱性吗总第 137 期平的同时降低自身脆弱程度，保持稳健经营。因此，当利差较大时，金融科技对银行脆弱性影响较大，有利于降低银行脆弱性。2.监管套利方面监管套利一般指银行利用市场间监管程度的不同，将资金从监管更为严格的市场转移到监管相对宽松的市场来规避监管，并通过高风险经营取得高额利润，这会削弱监管机构对银行风险水平的管控（Houston等,2012）。许多学者将诱发2008年国际金融危机的原因归咎于监管套利，认为监管套利极大推动了资产抵押商业票据（ABCP）这一新兴金融市场的发展（Kroszner和Strahan，2011），证明了监管套利的存在不利于银行体系的稳定运行。其他研究认为，监管套利削弱了银行监管的有效性（侯成琪和黄彤彤，2020），对银行系统性风险的提高具有正向作用（骆祚炎和莫贤锐，2022）；银行表外业务风险呈上升趋势（陈国金等，2021）等。因此，监管套利在银行脆弱性的形成过程中扮演了重要角色。金融科技的发展对原有监管体系提出了挑战：一是对监管专业能力提出了更高要求，二是增加了风险监测和管控难度，三是易产生监管套利和监管空白（李文红和蒋则沈，2017）。监管套利的风险特征使其在金融科技对银行脆弱性的影响中具有门槛效应。主要原因为：监管分为外部监管和内部监管，而监管套利一般是在外部监管存在差异或漏洞时银行内部所做出的决策，反映了银行的冒险程度与经营风格。根据监管套利水平的差异，金融科技的作用会有所不同。监管套利水平低的银行，经营相对较保守且理性，重视风险管理，倾向于运用金融科技来优化服务，筛选优质稳定的客户，推动业务数字化转型，努力实现低成本高质量服务，向广大企业特别是中小企业与个人提供更为便捷的金融服务，促进金融的优质普惠发展；而监管套利水平高的银行，由于对外部监管差异的敏感度较强，更可能会利用新兴金融科技来寻求监管差异，以游离于监管体系之外，规避监管，使其在风险权重操纵方面有更大自由度，为获取超额利润提供更便捷的方式。此时，金融科技为银行高风险经营创造了一定条件，促使其从事跨界套利、跨业套利和跨域套利，从而推高银行脆弱性。基于上述分析，本文提出以下假说：假说4a：银行利差水平越高，金融科技对降低银行脆弱性的影响越强。假说4b：监管套利水平越高，金融科技对降低银行脆弱性的影响越弱。三、研究设计（一）数据来源与样本选择基于数据可得性，本文选取的数据为包括大型国有商业银行、股份制银行、城商行与农商行在内的39家A股上市商业银行20112021年的数据。银行数据主要来自BVD-BankFocus数据库，部分银行数据与主要宏观经济数据来自同花顺iFinD数据库；银行金融科技水平数据则参考金洪飞等（2020）的研究方法，运用文本挖掘法手动整理。此外，本文对数据做了如下处理：对部分缺失数据借助MATLAB软件进行了插值处理；基于部分指标数据存在明显右偏性，852023 年第 5 期对被解释变量与核心解释变量均采取对数化处理。（二）主要变量说明1.被解释变量被解释变量为商业银行脆弱性。本文参考Mamatzakis et al.（2021）的做法，采用银行风险的效率调整Z值（efficiency-adjusted Z-type of bank risk）来衡量其脆弱性。首先采用SFA随机前沿效率模型估计各银行的利润效率，具体模型如下：ititit=+（1）式中，i和t分别代表银行个体与年份，it为商业银行i在第t年的税前利润；it为影响it的变量集合，包括商业银行i在第t年产出和投入价格的对数、对数权益、时间趋势及其平方和等；it为误差项，服从于独立同分布的正态分布()20,ititN，其中的2it为商业银行i在第t年的利润波动；为待估参数。在模型（1）的具体设定中，本文参考刘孟飞和蒋维（2020）的做法，通过构建超越对数函数模型来拟合随机前沿利润函数，具体形式如下：23,11121,1,2233,2211221,1,23,212ln11122212m itn itititmnmnitititititq itp itm itn itmqnpmqnpititititm itititmnmnitityElnlnlntTATATAyylnlnlnlntTATAyEElnlnlnTATA=+2,11,3,21,n itm ititmmititititn ititnitnitityElnlnlnTATATAElnlnTA=+（2）式中，,1,2m itym=为产出要素，m代表产出类型；,1,2,3n itn=为投入要素的价格，n表示投入要素类型；itE为权益净投入；其余变量含义同上；,为待估参数。为防止出现因银行规模不同而造成效率差异较大的情况，本文将税前利润（it）、产出要素（ity）与权益净投入（itE）分别采用对应银行的资产规模（it）进行标准化处理；为满足超越对数函数模型的线性齐次假设，本文选用资金价格1,it对投入要素价格进行标准化处理。此外，为满足对称性约束条件，有=,mqqmnppnmnnm=。模型中各变量具体含义如表1所示。根据计算出的各银行利润效率，计算各银行年度调整Z值，具体公式如下：()1itititititCAPadjusted Z+=（3）式中，itCAP代表银行i在第t年的资本化程度，本文选用资本充足率作为代替；1itit 为银行i在第t年的利润效率，由模型（1）（2）计算得出；it为银行i在第t年的利润波动，86金融科技能缓解银行脆弱性吗总第 137 期本文选用银行资产利润率的标准差进行代替，除样本期的第1年与最后1年外选用两年移动平均，其余部分均选用三年移动平均进行计算。表1：SFA模型的变量定义变量符号变量名称变量解释利润银行年末税前利润TA总资产银行年末资产总额1y产出 1银行年末贷款总额2y产出 2银行年末除贷款外其余盈利性资产总额E权益净投入银行年末所有者权益总额1x资产投入银行年末固定资产净值2x劳动力投入银行年末员工人数3x资金投入银行年末存款及其余短期融资总额1资金价格利息支出/（短期融资总额+长期投融资总额）2劳动力价格劳动力成本/员工人数3资产价格（业务成本总额劳动力成本）/固定资产净值由于本文中被解释变量样本呈明显右偏特征，因此对被解释变量进行1%的缩尾处理并进行回归。同时，调整Z值的大小与商业银行脆弱性呈负相关，即调整Z值越大，商业银行脆弱性越低。因此本文对调整Z值取相反数，以使变量值与商业银行脆弱性同向变动，以便理解回归结果。2.核心解释变量核心解释变量为商业银行金融科技水平（fintech）。现有文献主要采用两种方式对金融科技进行度量：一种是金洪飞等（2020）以文本挖掘法构建的互联网金融指数为基础，利用文本挖掘法构建银行个体自主运用金融科技的指数；另一种为郭峰等（2020）依托智能算法等创新技术所编制的北京大学数字普惠金融指数。后者主要从覆盖广度、使用深度、数字化程度等多方面评估我国数字金融的发展情况，更多关注的是宏观上各地域的金融数字化运用程度，并侧重衡量普惠金融的发展深度与广度；而前者则从银行个体微观角度切入，对接各银行的年度新闻数据，具有更强的相关性。基于此，本文采用金洪飞等（2020）的方法，聚焦金融科技对银行业服务转型升级的推动作用，利用文本挖掘法构建各银行年度金融科技发展与运用水平的测度指标，进而得到商业银行金融科技水平指标。具体方法如下。第一步，根据金融科技对银行业服务转型升级的推动领域，确立关键词库。由于本文主要研究信贷问题，因此排除了清算支付等功能，重点结合信息传递、资源配置与风险管理等核心功能，选取金融科技为银行业优化赋能的核心技术，以应用最为广泛，并被大众了解与认可的大数据、云计算、区块链、人工智能、物联网作为关键词。第二步，计算关键词词频，分别进行汇总，构建各银行的年度金融科技水平指标。郭品872023 年第 5 期和沈悦（2015）的方法为，在统计百度新闻中出现指定关键词的新闻数目的基础上，对统计结果进行量化分析。本文借鉴这一方法，并将银行名称与各技术关键词和年度搭配（如“建设银行”+“物联网”+“2021”），利用Python网络技术检索各银行在20112021年度中包含各关键词的新闻数目，得到共2794条数据。为提高数据精度，本文在数据采集过程中采取了以下措施：一是在检索过程中对关键词用双引号锁定，避免检索到无关结果；二是同一关键词出现在同一新闻中的结果只记录一次，使用百度新闻数据库进行关键词新闻检索；三是将部分缺失数据采用Matlab插值处理，分年度对各银行不同关键词词频进行加总，得到商业银行金融科技水平的初始指标；最后，鉴于该指标数据具有明显右偏性，对数据采取对数化处理，最终得出各商业银行的年度金融科技水平指标lnfin。3.机制变量机制变量反映的是商业银行竞争（lerner）及表外业务水平（offsheet）。衡量银行竞争有结构法与非结构法两种。Angelini和Nicola（2003）等采用非结构法研究商业银行竞争能力，并按照新产业组织理论将lerner指数作为银行竞争的代理变量，银行所取得的超额利润越多，该银行lerner指数越大，银行竞争则越小。本文中lerner指数的计算公式如下：()/ititititlernerPMCP=（4）式中，itP代表第t年第i个银行的资产价格，itMC代表第t年第i个银行的边际成本。本文参考吴桐桐等（2021）的方法，对这两个指标进行计算，模型如下：/itititPOITA=（5）()3332012,111332,123,11112212itititj itjkj itk itjjkjj ititjj ititjjlnTClnTAlnTAlnWlnWlnWlnWlnTATrendTrendTrendLnW=+（6）301,1ititititjj itjititTCTCMClnTAlnWTATA=+|（7）在方程（6）中，j代表银行不同开支与总资产的比例，j1,2,3。本文参考吴桐桐等（2021）的方法，运用超对数成本函数进行推导，采用随机前沿法估计银行总成本lnTC，最后根据方程（7）得到银行边际成本，并最终运用方程（4）求得银行lerner指数。由于该指数用于衡量垄断程度，与银行竞争程度呈反向变动关系，因此本文选择以1-lerner来度量银行竞争程度，从而使该指标与银行竞争程度同向变动。模型中各指标定义见表2。本文参考权飞过等（2020）的方法，从业务规模角度测算商业银行表外业务。根据上市商业银行年报，表外业务主要有以下分类：担保承诺类表外业务；代理投融资类表外业务；中介服务类表外业务与其他类表外业务。本文采用Bankfocus数据库中的“表外业务项目金额”与银行总资产的比值，作为表外业务的代理变量。88金融科技能缓解银行脆弱性吗总第 137 期表 2：银行竞争模型各变量定义变量名变量解释P银行产出价格，用银行总收入与银行总资产的比值表示MC银行边际成本，借助超对数成本函数进行推导得出TC银行总成本TA银行产出，用银行总资产表示OI银行总收入，用银行营业收入表示1W银行利息支出与总资产之比2W银行人员开支与总资产之比3W银行管理费用及其他营业费用与总资产之比Trend技术变动，用时间趋势衡量，分别为 1,2，11，代表 20112021 年误差项4.门限变量本文门限变量选用银行净利差与监管套利。本文借鉴Lepetit et.al.（2008）的做法，通过下式计算银行净利差（nim）：银行净利差=（银行利息收入-银行利息支出）/银行生息资产（8）本文借鉴陈国进等（2021）的做法，用回归残差代表银行监管套利（res）：01234 tstttttNCDCREDITTEDTERMSMALL=+（9）式中，CREDIT表示信用利差，为1年期政策金融债与1年期国债收益率之差；TED表示流动利差，为10年期国债到期收益率与1年期国债到期收益率之差；TERM表示期限利差，为3个月期的Shibor与3个月期的国债利率之差；SMALL表示中小银行净融入，为中小型银行净融入资金余额（回购+拆借）。回归残差res反映了银行同业存单业务中超出正常资金配置需求的部分，即用于实现监管套利的部分。5.控制变量表 3：变量定义变量类型变量名变量符号变量解释被解释变量银行脆弱性adz取各银行年度调整后 Z 值的相反数核心解释变量银行金融科技水平lnfin各银行各年度金融科技水平取对数机制变量银行竞争lnlerner各银行勒纳指数取对数银行表外业务lnoff银行表外业务项目与银行总资产之比取对数银行净利差nim银行净利差水平银行监管套利res银行监管套利水平控制变量银行权益equity银行所有者权益与银行总资产之比银行总贷款loan银行总贷款与银行总资产之比银行总存款deposit银行总存款与银行总资产之比银行流动性liquidity银行流动资产与银行总资产之比通货膨胀水平inflation通货膨胀率利率市场化lr利率市场化程度892023 年第 5 期本文控制了银行权益（equity）、银行贷款（loan）、银行存款（deposit）、银行固定资产（fix）、银行流动性（liquidity）等银行特征变量，以及通货膨胀率（inflation）、利率市场化（lr）等宏观经济变量。变量定义见表3。（三）描述性统计主要变量的描述性统计结果见表4。表 4：描述性统计结果变量符号观测数均值标准差最小值最大值adz429-41.418377.7302-811.95-0.005lnfin3331.62331.313304.4188lnlerner421-0.66240.2041-1.94210.0288lnoff4252.55650.7454-0.86754.0182nim4292.82210.65210.97855.2647res429-1494.7842086.298-4283.11770.264equity4290.06900.01310.02530.1656loan4260.45790.08300.17970.6078deposit4260.18900.08830.01000.4171liquidity4260.29120.11050.05880.8239inflation4290.02490.01020.01440.0540lr42975.871211.185154.37585.8333图 1：不同银行类型的金融科技水平由于部分银行特别是城商行与农商行，在百度新闻中的词条较少，尤其是2015年前的新闻数据缺失严重，因而lnfin的观测值较少；由于部分中小银行上市时间较晚，因而部分财务数据缺失，导致部分解释变量与控制变量数值缺失。在实证中，面板数据模型可有效规避因数据缺失造成的实证结果失真。由表4可知，银行脆弱性（adz）的最小值为-811.95，最大值为-0.005，均值为-41.4183，表明不同银行之间脆弱性水平差异较大，同时极端值相对较少，多数银行脆弱性维持在正常水平。90金融科技能缓解银行脆弱性吗总第 137 期根据银行资产规模加权计算结果，2011-2021年大型国有银行与股份制银行的金融科技水平（ln fin）显著高于城商行与农商行（见图1），说明大型国有银行与股份制银行对金融科技的投入运用整体强于城商行和农商行。（四）计量模型的设定为了研究商业银行脆弱性与金融科技之间的关系，同时兼顾被解释变量的滞后效应，本文构建了动态面板模型：0,1123456iti titititititititadzadzlnfinlnlernerlnoffnimrescontrol=+（10）式中，itadz 是被解释变量，代表商业银行脆弱性；itlnfin是核心解释变量，代表商业银行金融科技水平；itcontrol 为控制变量集合；选取被解释变量adz的滞后一阶作为工具变量。i表示银行，t表示年份；为待估参数；it为随机扰动项。本文采用短面板数据集，对于短面板数据的内生性问题，广义矩估计是相对准确的估计方法，可有效弥补短面板的内生性缺陷。广义矩估计主要包括系统矩估计和差分矩估计两种类型。综合考虑以上因素，本文采用差分GMM方法对模型展开研究。四、回归结果分析（一）基准回归结果本文首先借助差分GMM模型，采用两步法对方程（10）进行估计，结果见表5。为了验证差分GMM模型估计的有效性，本文选择两种检验方法进行检验。第一种是二阶序列相关检验AR（2），主要为检验模型估计的残差是否存在序列相关，若不存在序列相关，则估计是有效的；另一种为过度识别检验，主要验证控制变量的有效性，本文采用Sargan检验。表5为逐步回归的结果，其中二阶序列相关检验结果均证明回归方程不存在二阶序列相关，且Sargan过度识别检验也表明，选用核心解释变量的滞后一阶作为工具变量是有效的。表 5：模型基准回归结果变量adz（1）（2）（3）.Ladz-0.0305*（-52.98）-0.3668*（-109.53）-0.0656*（-22.63）lnfin-6.2076*（-58.01）-3.9452*（-34.02）-16.3202*（-14.90）lnlerner22.9558*（25.94）126.3261*（28.69）lnoff-23.0846*（-42.69）-27.5709*（-6.01）nim-20.3669*（-8.85）res0.0051*（6.39）control否否是_cons-71.3999*（-41.05）-26.4835*（-12.21）185.616*（15.23）N429429429AR（2）0.70740.87530.9534Sargan0.29550.67751.0000注：*表示 p0.1，*表示 p0.05，*表示 p，（15）式中，Fit为门限变量，v为门限值。该模型实际上是关于两门限变量系数的分段函数，itF时，系数为4；itF时，系数为5。表 12：门限效应检验结果门限类型银行净利差（nim）监管套利（res）F 值P 值F 值P 值单一门限检验4.95*0.066710.45*0.0200双重门限检验7