王海軍, 曾 博, 楊 虎, 王夢(mèng)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(cái)經(jīng)大學(xué) 信息學(xué)院, 北京 100081；4.中國(guó)財(cái)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(chǎng)風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)、交易對(duì)手風(fēng)險(xiǎn)等眾多風(fēng)險(xiǎn)的根源（隋聰?shù)龋?019），是衡量經(jīng)濟(jì)金融系統(tǒng)性風(fēng)險(xiǎn)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(rùn)、降低償付能力的主要原因（Diebold和Y?lmaz，2014）。因此對(duì)金融不良貸款風(fēng)險(xiǎn)防范化解一直是金融監(jiān)管的核心內(nèi)容。國(guó)家“十四五”規(guī)劃強(qiáng)調(diào)實(shí)施金融安全戰(zhàn)略，健全金融風(fēng)險(xiǎn)預(yù)防、預(yù)警、處置、問(wèn)責(zé)制度體系，強(qiáng)化不良貸款認(rèn)定和處置。2021年8月中央財(cái)經(jīng)委員會(huì)會(huì)議再次提出要統(tǒng)籌做好重大金融風(fēng)險(xiǎn)防范化解工作，毫不松懈防范化解各種金融風(fēng)險(xiǎn)，持之以恒認(rèn)真應(yīng)對(duì)不良資產(chǎn)集中反彈。近些年隨著我國(guó)經(jīng)濟(jì)進(jìn)入新常態(tài)，經(jīng)濟(jì)增速明顯放緩，實(shí)體企業(yè)轉(zhuǎn)型困難，尤其是對(duì)新冠肺炎疫情救助的寬松信用政策逐漸退潮，信用風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)近期已有所顯現(xiàn)，預(yù)計(jì)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(chǎng)波動(dòng)和局部性金融危機(jī)（吳振宇和唐朝，2021）。據(jù)銀保監(jiān)會(huì)統(tǒng)計(jì)，截至2020年底，國(guó)內(nèi)商業(yè)銀行不良貸款率1.92%，已連續(xù)12個(gè)季度維持在1.8%以上，不良貸款余額3.5萬(wàn)億元，關(guān)注類(lèi)貸款為3.77萬(wàn)億元，均為歷史之最。如果考慮到關(guān)注類(lèi)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(xiǎn)侵蝕，我國(guó)商業(yè)銀行平均資本利潤(rùn)率從2018年的11.73%降至2020年底的9.48%，平均資產(chǎn)利潤(rùn)率從2018年的0.9%下降至2020年的0.77%。

與此同時(shí)，5G、大數(shù)據(jù)、人工智能、區(qū)塊鏈和云計(jì)算等新興技術(shù)在金融業(yè)的廣泛應(yīng)用，持續(xù)推動(dòng)金融科技不斷創(chuàng)新和變革，促進(jìn)了金融機(jī)構(gòu)運(yùn)營(yíng)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(qiáng)金融服務(wù)實(shí)體經(jīng)濟(jì)能力、防范化解重大金融風(fēng)險(xiǎn)的有效途徑。金融科技本身具有降低交易費(fèi)用、減少信息不對(duì)稱(chēng)、緩解道德風(fēng)險(xiǎn)與逆向選擇、提高金融運(yùn)行效率的基本功能，在解決不良貸款風(fēng)險(xiǎn)管理“痛點(diǎn)”方面具有天然優(yōu)勢(shì)，例如運(yùn)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(xiǎn)交易，實(shí)現(xiàn)風(fēng)險(xiǎn)早識(shí)別、早預(yù)警和早處置，提升金融風(fēng)險(xiǎn)防御能力；運(yùn)用數(shù)字化監(jiān)管協(xié)議等監(jiān)管科技工具，可有效推動(dòng)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(duì)稱(chēng)問(wèn)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(xiǎn)關(guān)系到國(guó)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(guó)經(jīng)濟(jì)社會(huì)高質(zhì)量發(fā)展的重要保障。基于此，本文構(gòu)建金融科技、不良貸款和銀行業(yè)績(jī)關(guān)系的分析模型，探究金融科技通過(guò)抑制不良貸款風(fēng)險(xiǎn)來(lái)實(shí)現(xiàn)商業(yè)銀行業(yè)績(jī)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(duì)于商業(yè)銀行不良貸款風(fēng)險(xiǎn)抑制和業(yè)績(jī)?cè)鲞M(jìn)的理論機(jī)制，為系統(tǒng)性金融風(fēng)險(xiǎn)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(guó)金融不良貸款風(fēng)險(xiǎn)防范和風(fēng)險(xiǎn)治理提供全新視角：首先，可為商業(yè)銀行不良貸款風(fēng)險(xiǎn)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(chǎng)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(duì)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(duì)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(gè)方面展開(kāi)。（1）形成機(jī)制。中國(guó)的不良貸款與國(guó)有企業(yè)存在重大關(guān)系（林毅夫等，2004），國(guó)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(qiáng)，2004），而政府對(duì)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(huì)對(duì)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(chǎng)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(qiáng)化資產(chǎn)處置中的激勵(lì)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(qiáng)對(duì)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(xiǎn)。（3）處置模式。王國(guó)剛（2018）指出目前進(jìn)行的債轉(zhuǎn)股，并未真正落實(shí)市場(chǎng)化，仍需強(qiáng)化競(jìng)爭(zhēng)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(xiǎn)隔離更為穩(wěn)健。王京濱和李博（2021）提出可以通過(guò)調(diào)節(jié)銀行業(yè)務(wù)地理集中程度來(lái)防范不良貸款的發(fā)生和金融風(fēng)險(xiǎn)。

2.金融科技相關(guān)研究

金融科技是技術(shù)驅(qū)動(dòng)型的金融創(chuàng)新，強(qiáng)調(diào)技術(shù)創(chuàng)新對(duì)于金融效率的提升以及由此帶來(lái)的新業(yè)務(wù)模式、應(yīng)用、流程或產(chǎn)品，從而對(duì)金融市場(chǎng)、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(duì)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(guó)人民銀行，2019），發(fā)展定位（中國(guó)人民銀行，2019）、市場(chǎng)定位（中國(guó)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(duì)傳統(tǒng)金融機(jī)構(gòu)渠道、業(yè)務(wù)和績(jī)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(duì)金融服務(wù)實(shí)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(xiǎn)治理研究

近期已有文獻(xiàn)開(kāi)始研究金融科技與風(fēng)險(xiǎn)治理的關(guān)系，主要包括：（1）金融與科技的風(fēng)險(xiǎn)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(xiǎn)擴(kuò)散的影響研究（郭品和沈悅，2019；劉孟飛，2021）。（3）金融科技對(duì)金融機(jī)構(gòu)風(fēng)險(xiǎn)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(kāi)始關(guān)注金融科技對(duì)銀行財(cái)務(wù)績(jī)效和創(chuàng)新能力的影響（馮永琦和張浩琳，2021），并對(duì)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(duì)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(yíng)銷(xiāo)渠道、支付結(jié)算、財(cái)富管理和咨詢服務(wù)方面的應(yīng)用，對(duì)于不良貸款風(fēng)險(xiǎn)管理方面的功能研究較少。二是側(cè)重于風(fēng)險(xiǎn)暴露事后階段的歸因研究和處置模式比較研究，而對(duì)于不良貸款風(fēng)險(xiǎn)的事前評(píng)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(chǎng)的失靈

假定信貸市場(chǎng)有連續(xù)多個(gè)貸款項(xiàng)目，每個(gè)項(xiàng)目有成功或失敗兩種可能結(jié)果：項(xiàng)目成功時(shí)借款人預(yù)期收益為R(R＞0），項(xiàng)目失敗時(shí)期望收益為0。同時(shí)假定所有貸款項(xiàng)目具有相同收益均值T，p(R)是給定項(xiàng)目成功的概率，則p(R)R=T，即成功時(shí)的收益R越高，成功的概率p越低。銀行無(wú)法識(shí)別借款人風(fēng)險(xiǎn)類(lèi)型，但依據(jù)歷史經(jīng)驗(yàn)可以估算項(xiàng)目成功或失敗概率。進(jìn)一步假定每個(gè)貸款項(xiàng)目資金需求都為1，銀行貸款是唯一資金來(lái)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(xiǎn)的銀行期望收入函數(shù)為：

2.金融科技的風(fēng)險(xiǎn)抑制與銀行業(yè)績(jī)?cè)鲞M(jìn)

金融科技依賴(lài)的大數(shù)據(jù)、人工智能、云計(jì)算、區(qū)塊鏈等核心技術(shù)在金融風(fēng)險(xiǎn)管理方面各有優(yōu)勢(shì)：其一，基于大數(shù)據(jù)和云計(jì)算技術(shù)，金融科技能夠處理和計(jì)算海量、多維和動(dòng)態(tài)的大樣本甚至是“全樣本”數(shù)據(jù)，對(duì)借款項(xiàng)目和借款人進(jìn)行全方位風(fēng)險(xiǎn)掃描與行為畫(huà)像，獲得比人工經(jīng)驗(yàn)推算更加精準(zhǔn)的運(yùn)算結(jié)果。其二，基于區(qū)塊鏈的多節(jié)點(diǎn)、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(dòng)執(zhí)行方面的特點(diǎn)，金融科技在金融反欺詐、反洗錢(qián)、反恐怖融資等方面具有較高應(yīng)用價(jià)值。其三，與傳統(tǒng)信貸模式下主要依賴(lài)歷史信息不同，人工智能算法可以對(duì)貸款項(xiàng)目和借款人的未來(lái)行為進(jìn)行準(zhǔn)確預(yù)測(cè)，預(yù)測(cè)信息將作為風(fēng)險(xiǎn)定價(jià)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(huì)呈現(xiàn)指數(shù)式增長(zhǎng)，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(duì)具體貸款項(xiàng)目違約概率進(jìn)行風(fēng)險(xiǎn)識(shí)別與評(píng)估，另一方面對(duì)借款人道德風(fēng)險(xiǎn)和違約行為可進(jìn)行精準(zhǔn)預(yù)測(cè)與量化，協(xié)助銀行綜合評(píng)估借款人的還款能力和還款意愿，為差異化風(fēng)險(xiǎn)定價(jià)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(xiàng)代表銀行向低風(fēng)險(xiǎn)項(xiàng)目和借款人提供低利率后的預(yù)期收入，第二項(xiàng)代表銀行向高風(fēng)險(xiǎn)項(xiàng)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(xiǎn)評(píng)估結(jié)果和期望利潤(rùn)所做的兩類(lèi)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(duì)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(xiǎn)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(huì)得到改善。

情形2：當(dāng)θ=0，貸款全部為高風(fēng)險(xiǎn)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(huì)得到改進(jìn)。

情形3：當(dāng)θ=0.5，即50%高風(fēng)險(xiǎn)貸款和50%低風(fēng)險(xiǎn)貸款，令iL=0.05，iH=0.75，則π=0.87＞π*，因此（0.05，0.75）是一對(duì)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(lèi)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(gè)項(xiàng)目給定的利率定價(jià)、項(xiàng)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(shí)現(xiàn)普惠金融，將原先無(wú)法觸及的中小微企業(yè)和零售客戶，通過(guò)大數(shù)據(jù)和人工智能等方式進(jìn)行風(fēng)險(xiǎn)評(píng)級(jí)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(zhǎng)尾客戶”服務(wù)不足的痛點(diǎn)。綜上，金融科技的投入可以通過(guò)提高銀行風(fēng)險(xiǎn)識(shí)別能力，幫助銀行進(jìn)行風(fēng)險(xiǎn)量化和差異化風(fēng)險(xiǎn)定價(jià)，而核心邏輯就是準(zhǔn)確識(shí)別風(fēng)險(xiǎn)，降低違約風(fēng)險(xiǎn)發(fā)生的可能性，減少不良貸款損失，最終提高銀行業(yè)績(jī)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(jī)的作用路徑

基于上述分析，本文提出兩個(gè)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(jī)水平。

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

此外，本文理論分析并沒(méi)有考慮銀行個(gè)體層面的異質(zhì)性，如經(jīng)營(yíng)規(guī)模、股權(quán)結(jié)構(gòu)、風(fēng)險(xiǎn)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(duì)金融科技投入力度和強(qiáng)度，及其對(duì)不良貸款和銀行業(yè)績(jī)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(qiáng)（劉孟飛和蔣維，2020；楊望等，2020），可以更好地識(shí)別風(fēng)險(xiǎn)客戶，理論上大型銀行不良貸款風(fēng)險(xiǎn)會(huì)趨于收斂。而部分高風(fēng)險(xiǎn)項(xiàng)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(lài)傳統(tǒng)的風(fēng)險(xiǎn)定價(jià)方式，缺乏準(zhǔn)確識(shí)別高風(fēng)險(xiǎn)客戶的能力，因此中小銀行可能面臨更高的外溢風(fēng)險(xiǎn)。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(chǎng)中不良貸款風(fēng)險(xiǎn)外溢和風(fēng)險(xiǎn)遷移。

三、研究設(shè)計(jì)

（一）變量選取

本文選取2005年至2020年中國(guó)A股上市的40家銀行的季度數(shù)據(jù)，按照插值法對(duì)缺失重要變量的樣本進(jìn)行數(shù)據(jù)補(bǔ)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(lái)源如下：

1.因變量。本文從收益和風(fēng)險(xiǎn)兩個(gè)角度衡量銀行業(yè)績(jī)。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(chǎng)競(jìng)爭(zhēng)力，凈資產(chǎn)收益率反映股東回報(bào)的收益水平和自有資本利用效率。風(fēng)險(xiǎn)指標(biāo)選擇核心資產(chǎn)充足率（ccar），反映銀行抗御風(fēng)險(xiǎn)的整體能力，該指標(biāo)越高代表銀行抗風(fēng)險(xiǎn)能力越強(qiáng)。數(shù)據(jù)來(lái)源于銀行季報(bào)和年報(bào)。

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(lèi)：信息技術(shù)軟件投入在營(yíng)業(yè)收入的占比（software）、信息技術(shù)硬件投入在營(yíng)業(yè)收入的占比（hardware）和專(zhuān)利知識(shí)寬度（IPC）。專(zhuān)利知識(shí)寬度是指專(zhuān)利內(nèi)所包含知識(shí)的復(fù)雜和廣泛程度，專(zhuān)利知識(shí)越復(fù)雜、涉及技術(shù)領(lǐng)域越廣，說(shuō)明該專(zhuān)利的新穎性越高、模仿難度越大，由此該專(zhuān)利所承載的技術(shù)具有較強(qiáng)的突破性創(chuàng)新（張杰和鄭文平，2018），該指標(biāo)根據(jù)incoPat專(zhuān)利數(shù)據(jù)庫(kù)中銀行申請(qǐng)發(fā)明專(zhuān)利整理所得。其他3個(gè)指標(biāo)根據(jù)銀行財(cái)報(bào)資產(chǎn)科目相關(guān)數(shù)據(jù)計(jì)算所得。

3.中介變量。中介變量選擇不良貸款率。考慮到關(guān)注類(lèi)貸款往往是銀行進(jìn)行風(fēng)險(xiǎn)資產(chǎn)“騰挪”的主要會(huì)計(jì)科目，而關(guān)注類(lèi)貸款遷徙率反映的是上期正常類(lèi)貸款轉(zhuǎn)為關(guān)注類(lèi)貸款的比例，也即反映了資產(chǎn)風(fēng)險(xiǎn)短期變化程度，因此本文構(gòu)建一個(gè)新的指標(biāo)來(lái)反映銀行真實(shí)貸款風(fēng)險(xiǎn)，即潛在不良貸款率（NPLS）=不良貸款率+關(guān)注類(lèi)貸款率×關(guān)注類(lèi)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(lèi)（interest）、次級(jí)類(lèi)（secondary）、可疑類(lèi)（doubt）和損失類(lèi)（loss），以反映不同階段的風(fēng)險(xiǎn)程度。數(shù)據(jù)根據(jù)各銀行季報(bào)和年報(bào)摘錄計(jì)算。

4.控制變量。根據(jù)以往文獻(xiàn)研究，影響銀行業(yè)績(jī)的其他變量主要包括：（1）凈息差（nim），凈息差是銀行利潤(rùn)的主要來(lái)源，凈息差越高，代表銀行通過(guò)利息獲利的能力越強(qiáng)。（2）不良貸款撥備覆蓋率（coverage），一般撥備覆蓋率會(huì)影響當(dāng)期利潤(rùn)，撥備覆蓋率越高，意味著計(jì)提的壞賬準(zhǔn)備越多，會(huì)拉低當(dāng)期利潤(rùn)，但是銀行往往也會(huì)超額計(jì)提撥備覆蓋率，以平滑業(yè)績(jī)波動(dòng)，因此當(dāng)期計(jì)提比例高，可能會(huì)在下期回吐利潤(rùn)，提高下期利潤(rùn)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(yíng)業(yè)收入表征銀行規(guī)模。通常認(rèn)為營(yíng)業(yè)收入規(guī)模越高，利潤(rùn)率也越高，但是隨著銀行業(yè)的市場(chǎng)開(kāi)放、利率市場(chǎng)化以及競(jìng)爭(zhēng)加劇，銀行在規(guī)模擴(kuò)張的同時(shí)可能帶來(lái)邊際收益遞減（Adrian和Brunnermeier，2016），因此營(yíng)業(yè)收入規(guī)模對(duì)銀行業(yè)績(jī)的影響可能是負(fù)面的。（4）營(yíng)業(yè)網(wǎng)點(diǎn)數(shù)（network），通常網(wǎng)點(diǎn)數(shù)量越多代表銀行的市場(chǎng)滲透力越強(qiáng)，但是物理網(wǎng)點(diǎn)往往也是銀行成本最高，管理最困難和風(fēng)險(xiǎn)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(diǎn)規(guī)模擴(kuò)展有可能對(duì)銀行績(jī)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(zhǎng)周期高度相關(guān)，為此選擇同期經(jīng)濟(jì)增速（GDP）和物價(jià)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(jī)正相關(guān)，CPI與銀行業(yè)績(jī)負(fù)相關(guān)，相關(guān)數(shù)據(jù)來(lái)源于Wind數(shù)據(jù)庫(kù)。

（二）模型設(shè)定

為了檢驗(yàn)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(duì)銀行業(yè)績(jī)的基準(zhǔn)回歸模型（4），參數(shù)β1反映了金融科技對(duì)銀行業(yè)績(jī)影響的總效應(yīng)，如果其顯著為正，則表明金融科技對(duì)銀行業(yè)績(jī)存在正向影響。第二步，構(gòu)建金融科技對(duì)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(shuō)明金融科技對(duì)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(duì)銀行業(yè)績(jī)影響的直接效應(yīng)，參數(shù)δ1反映了金融科技通過(guò)不良貸款傳導(dǎo)機(jī)制對(duì)銀行業(yè)績(jī)的間接影響（中介效應(yīng)）。當(dāng)估計(jì)參數(shù)β1、γ1、δ1和δ2均顯著且有δ2＜β1時(shí)，中介效應(yīng)成立。

四、實(shí)證分析

（一）描述性統(tǒng)計(jì)

表1報(bào)告了變量的描述性統(tǒng)計(jì)，各變量標(biāo)準(zhǔn)差最大為8.6343，說(shuō)明各變量的描述性統(tǒng)計(jì)均在正常范圍內(nèi)，此外對(duì)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(jì)

（二）基準(zhǔn)回歸

根據(jù)計(jì)量模型（4），表2報(bào)告了金融科技投入對(duì)銀行業(yè)績(jī)的基準(zhǔn)回歸結(jié)果和金融科技投入對(duì)銀行業(yè)績(jī)影響由負(fù)轉(zhuǎn)正的關(guān)鍵過(guò)程（限于篇幅，控制變量逐次加入的結(jié)果未予報(bào)告）。結(jié)果顯示，金融科技投入對(duì)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(shí)間推移，金融科技投入對(duì)業(yè)績(jī)的正向效用會(huì)逐漸顯現(xiàn)，并表現(xiàn)出邊際貢獻(xiàn)遞增趨勢(shì)。其中，前三列反映了金融科技投入對(duì)銀行當(dāng)期業(yè)績(jī)影響，信息技術(shù)人員占比和軟件投入占比對(duì)銀行當(dāng)期的影響為負(fù)，說(shuō)明信息技術(shù)人員投入和軟件投入會(huì)顯著削弱銀行當(dāng)期業(yè)績(jī)，即產(chǎn)出效益只有經(jīng)歷一定持續(xù)投資期才會(huì)顯現(xiàn)。中間三列反映了金融科技投入對(duì)業(yè)績(jī)影響由負(fù)轉(zhuǎn)正臨界點(diǎn)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(shí)，金融科技投入對(duì)業(yè)績(jī)的影響開(kāi)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(duì)業(yè)績(jī)影響首次為正時(shí)的結(jié)果，當(dāng)滯后期再延長(zhǎng)1年，金融科技對(duì)業(yè)績(jī)指標(biāo)的影響開(kāi)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(duì)nm、roe和ccar的影響為正，其每增長(zhǎng)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(duì)nm、roe和ccar的影響為正，其每增長(zhǎng)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(duì)nm、roe和ccar也存在正向影響，其每增長(zhǎng)1%，將促進(jìn)nm、roe和ccar分別提高1.9521%、0.0422%和0.0143%；最后，專(zhuān)利知識(shí)寬度對(duì)nm、roe和ccar也存在正向影響，其每增長(zhǎng)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(duì)銀行業(yè)績(jī)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(duì)銀行業(yè)績(jī)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(duì)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(duì)凈利率的影響最大，撥備覆蓋率對(duì)凈資產(chǎn)收益率影響最大；銀行規(guī)模對(duì)凈息差的影響為負(fù)，且在10%的水平上顯著，對(duì)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(huì)帶來(lái)業(yè)績(jī)改善，可能還會(huì)造成盈利能力下滑和資產(chǎn)質(zhì)量惡化；營(yíng)業(yè)網(wǎng)點(diǎn)規(guī)模對(duì)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(bào)酬遞減的可能；最后宏觀變量GDP對(duì)銀行業(yè)績(jī)的影響總體為正，而CPI對(duì)銀行業(yè)績(jī)的影響總體為負(fù)，說(shuō)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(huì)促進(jìn)銀行盈利的提升，而物價(jià)上漲引起的通脹會(huì)降低實(shí)際利率，壓縮銀行實(shí)際收益。

（三）中介效應(yīng)檢驗(yàn)

1.金融科技與不良貸款

依據(jù)計(jì)量模型（5），表3展示了金融科技投入對(duì)不良貸款影響的檢驗(yàn)結(jié)果，其中第（1）至（4）列為四類(lèi)金融科技投入與不良貸款率的單獨(dú)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(duì)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(xiǎn)。以第（5）列為例，信息技術(shù)人員占比對(duì)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(duì)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(zhuān)利知識(shí)寬度對(duì)不良貸款率的影響也顯著為負(fù)，硬件投入占比和專(zhuān)利知識(shí)寬度占比每增長(zhǎng)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(duì)降低不良貸款風(fēng)險(xiǎn)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(duì)不良貸款的影響

2.金融科技、不良貸款與銀行業(yè)績(jī)

根據(jù)計(jì)量模型（6），表4報(bào)告了中介效應(yīng)模型的最終檢驗(yàn)結(jié)果?？梢钥闯觯涣假J款對(duì)銀行業(yè)績(jī)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(duì)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(duì)比表2和表4轉(zhuǎn)正期金融科技各指標(biāo)的估計(jì)參數(shù)值發(fā)現(xiàn)，表4中金融科技各指標(biāo)估計(jì)參數(shù)明顯小于表2中對(duì)應(yīng)值，因此存在中介效應(yīng)。本文還利用Bootstrap抽樣法對(duì)中介效應(yīng)進(jìn)一步檢驗(yàn)。經(jīng)過(guò)1 000次抽樣，各變量值與顯著性水平報(bào)告如下：nm對(duì)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(duì)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(duì)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(gè)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(xiǎn)存在時(shí)變特征，總體上逾期時(shí)間越久，資產(chǎn)質(zhì)量越差，本息損失風(fēng)險(xiǎn)越高，因此金融科技投入究竟在哪個(gè)階段和環(huán)節(jié)發(fā)揮作用更大？為此本文進(jìn)一步檢驗(yàn)自變量對(duì)四個(gè)中介變量的影響，檢驗(yàn)結(jié)果見(jiàn)表5。結(jié)果表明，金融科技對(duì)于關(guān)注類(lèi)貸款和損失類(lèi)貸款的抑制作用更強(qiáng)，而對(duì)次級(jí)和可疑類(lèi)貸款的抑制作用較弱。可能的原因在于：一方面，金融科技對(duì)于貸前階段的風(fēng)險(xiǎn)識(shí)別和風(fēng)險(xiǎn)定價(jià)具有技術(shù)優(yōu)勢(shì)，有助于銀行貸前和貸中風(fēng)險(xiǎn)防控，降低正常類(lèi)貸款轉(zhuǎn)化為關(guān)注類(lèi)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(xiǎn)預(yù)警和風(fēng)險(xiǎn)處置的能力，降低了風(fēng)險(xiǎn)資產(chǎn)進(jìn)一步惡化為損失類(lèi)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(duì)關(guān)注類(lèi)貸款比率和損失類(lèi)貸款比率具有明顯的抑制作用，這三類(lèi)投入占比每增長(zhǎng)1%，將導(dǎo)致關(guān)注類(lèi)貸款比率分別下降3.6288%、1.2209%和1.3129%，損失類(lèi)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(yàn)

（五）異質(zhì)性檢驗(yàn)

為了驗(yàn)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(chǎng)中的風(fēng)險(xiǎn)外溢和風(fēng)險(xiǎn)遷移，本文設(shè)計(jì)如下指標(biāo)進(jìn)行計(jì)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(yíng)業(yè)收入占全部大型銀行比重計(jì)算，即表示在t時(shí)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(shí)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(duì)中小銀行的金融科技投入優(yōu)勢(shì)，該值越高表明大型銀行相對(duì)中小銀行在金融科技部署和應(yīng)用方面的比較優(yōu)勢(shì)越強(qiáng)。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(duì)大型銀行的不良貸款風(fēng)險(xiǎn)遷移和聚集程度，該值越大表示中小型銀行相對(duì)大型銀行面對(duì)的外溢風(fēng)險(xiǎn)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(shuō)明金融科技投入差距可能導(dǎo)致了不良貸款風(fēng)險(xiǎn)向中小銀行外溢和遷移的趨勢(shì)。大型銀行指5大國(guó)有商業(yè)銀行和13家全國(guó)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(gè)控制變量均參照公式（7）重新構(gòu)建相對(duì)指標(biāo)。金融科技投入差距的四個(gè)變量分別記為itstaff_gap，software_gap，hardware_gap，IPC_gap，檢驗(yàn)結(jié)果見(jiàn)表6。

表6 金融科技投入差距與風(fēng)險(xiǎn)遷移檢驗(yàn)

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(xiǎn)的外溢和風(fēng)險(xiǎn)遷移，大型銀行相對(duì)于中小銀行的金融科技投入強(qiáng)度越高，不良貸款風(fēng)險(xiǎn)由大型銀行向中小銀行轉(zhuǎn)移和集中的趨勢(shì)越強(qiáng)。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(zhuān)利知識(shí)寬度差距每增大1%，會(huì)導(dǎo)致中小型銀行面臨的不良貸款風(fēng)險(xiǎn)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(xiǎn)遷移和聚集的兩個(gè)主要因素。因此假設(shè)3整體成立。

（六）穩(wěn)健性檢驗(yàn)

1.工具變量法

信息技術(shù)人員費(fèi)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(fèi)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(dòng)要素供給角度看，主要取決于計(jì)算機(jī)類(lèi)等專(zhuān)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(jì)算機(jī)類(lèi)專(zhuān)業(yè)的高考招生人數(shù)作為金融科技投入的工具變量，計(jì)為Number。該數(shù)據(jù)來(lái)源于各省招生辦公室公布的歷年高考專(zhuān)業(yè)計(jì)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(diǎn)：一是高校的本科專(zhuān)業(yè)招生人數(shù)直接決定了未來(lái)勞動(dòng)力市場(chǎng)中金融科技人才的供給人數(shù)，高校對(duì)于計(jì)算機(jī)科學(xué)與技術(shù)等相關(guān)專(zhuān)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(zhuān)業(yè)的招生規(guī)模和培養(yǎng)質(zhì)量主要由高校獨(dú)立決策，與因變量銀行業(yè)績(jī)、控制變量和隨機(jī)擾動(dòng)項(xiàng)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(yàn)?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(duì)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(jì)量模型（6），得到工具變量對(duì)銀行業(yè)績(jī)的最終影響。結(jié)果顯示，工具變量對(duì)銀行業(yè)績(jī)?cè)跍?至8年后開(kāi)始具有明顯的正向作用。工具變量對(duì)銀行業(yè)績(jī)的促進(jìn)作用要比金融科技投入對(duì)銀行業(yè)績(jī)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(zhuān)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(duì)滯后。此外考慮到銀行對(duì)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(lái)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(wèn)題，為此本文使用弱工具變量檢驗(yàn)法（weak identification test）對(duì)工具變量和自變量進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果顯示，工具變量與itstaff、software、Hardware和IPC四個(gè)因變量的Cragg-Donald Wald聯(lián)合檢驗(yàn)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(yàn)

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(xiǎn)高度集中的行業(yè)。因此經(jīng)濟(jì)周期和金融風(fēng)險(xiǎn)會(huì)對(duì)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(gè)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(huì)導(dǎo)致銀行外部風(fēng)險(xiǎn)突然增加，不良貸款集中暴露，因此危機(jī)時(shí)期銀行為化解風(fēng)險(xiǎn)而對(duì)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(guó)經(jīng)濟(jì)在2015年進(jìn)入新常態(tài)，宏觀經(jīng)濟(jì)下行趨勢(shì)明顯，實(shí)體企業(yè)轉(zhuǎn)型困難，利率市場(chǎng)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(chǎng)風(fēng)險(xiǎn)在2015年后集中爆發(fā)，不良貸款再次高企。表8報(bào)告了三個(gè)階段中銀行金融科技投入對(duì)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(duì)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(shí)包括中國(guó)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(méi)有意識(shí)到金融危機(jī)正在逼近，因此對(duì)金融科技投入動(dòng)力不足。而在金融危機(jī)爆發(fā)后至2015年，金融科技投入對(duì)不良貸款率和凈利率的影響轉(zhuǎn)為顯著，說(shuō)明危機(jī)驅(qū)使銀行業(yè)提高了風(fēng)險(xiǎn)防范意識(shí)，部署金融科技的意愿顯現(xiàn)。2016年至2020年，金融科技投入對(duì)不良貸款率和凈利率的效用加大，表明中國(guó)銀行業(yè)在市場(chǎng)競(jìng)爭(zhēng)和監(jiān)管政策雙重約束下，對(duì)于信貸風(fēng)險(xiǎn)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(qiáng)。

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(guò)構(gòu)建金融科技投入、不良貸款風(fēng)險(xiǎn)和銀行業(yè)績(jī)的理論與計(jì)量模型，探討了金融科技投入通過(guò)降低不良貸款風(fēng)險(xiǎn)進(jìn)而提升銀行業(yè)績(jī)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(jī)，但是當(dāng)滯后平均4至5年后，金融科技對(duì)銀行業(yè)績(jī)?cè)鲞M(jìn)作用開(kāi)始顯現(xiàn)，并且呈現(xiàn)邊際遞增趨勢(shì)，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(xiǎn)概率，發(fā)揮風(fēng)險(xiǎn)抑制作用，進(jìn)而提高銀行業(yè)績(jī)，其中信息技術(shù)人員投入、軟件投入和硬件投入對(duì)關(guān)注類(lèi)貸款比率和損失類(lèi)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(chǎng)風(fēng)險(xiǎn)外溢和遷移，大型銀行在金融科技投入的比較優(yōu)勢(shì)可能導(dǎo)致不良貸款風(fēng)險(xiǎn)向中小型銀行遷移和集中。（4）穩(wěn)健性檢驗(yàn)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(guó)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(qiáng)金融業(yè)科技應(yīng)用能力，實(shí)現(xiàn)金融與科技深度融合、協(xié)調(diào)發(fā)展，逐步增強(qiáng)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(diǎn)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(shí)要素多而廣。據(jù)統(tǒng)計(jì)目前國(guó)內(nèi)金融科技人才缺口達(dá)150萬(wàn)人，金融機(jī)構(gòu)普遍將金融科技人才視為核心競(jìng)爭(zhēng)力。一方面，需要高校等科研機(jī)構(gòu)調(diào)整專(zhuān)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(jí)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(qiáng)合作交流，共建金融科技教育教學(xué)新模式。

第二，加強(qiáng)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(diǎn)和優(yōu)勢(shì)，結(jié)合銀行信貸業(yè)務(wù)的核心環(huán)節(jié)和風(fēng)控弱點(diǎn)，可發(fā)揮大數(shù)據(jù)、云計(jì)算、生物識(shí)別等技術(shù)在貸前風(fēng)險(xiǎn)畫(huà)像、反欺詐、反洗錢(qián)和風(fēng)險(xiǎn)定價(jià)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(cè)方面的作用，發(fā)揮人工智能等技術(shù)在貸后還款監(jiān)測(cè)、協(xié)議處置、智能催收和網(wǎng)絡(luò)拍賣(mài)的作用，同時(shí)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(kāi)放平臺(tái)。鑒于中小型銀行金融科技投入不足和面臨風(fēng)險(xiǎn)遷移的被動(dòng)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(duì)外輸出風(fēng)控、征信、支付、產(chǎn)品設(shè)計(jì)等能力，實(shí)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(xiǎn)抑制和業(yè)績(jī)?cè)鲞M(jìn)方面的重要作用，在理論與實(shí)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(bào)披露的傳統(tǒng)數(shù)據(jù)估計(jì)所得，數(shù)據(jù)來(lái)源較為單一，不足以精準(zhǔn)測(cè)度銀行在金融科技投入方面的規(guī)模和類(lèi)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(shí)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(xiǎn)外溢和風(fēng)險(xiǎn)遷移現(xiàn)象，但是這一結(jié)論是建立在當(dāng)前不同類(lèi)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(lái)中小銀行能否通過(guò)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(tái)互補(bǔ)合作賦能，補(bǔ)齊金融科技短板，縮小風(fēng)險(xiǎn)外溢程度，或存在一定的不確定性。針對(duì)上述問(wèn)題，未來(lái)研究可通過(guò)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(kù)，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(shí)踐深度。