摘" "要：金融科技賦能有助于銀行更好地發(fā)揮信貸配置作用和債權治理作用，對于維護金融市場穩(wěn)定具有重要作用。本文以2012—2022年A股非金融類上市公司為樣本，實證探究了銀行金融科技對貸款企業(yè)股價崩盤風險的影響。研究發(fā)現(xiàn)，銀行金融科技顯著抑制了貸款企業(yè)的股價崩盤風險，并且這種抑制效果在污染企業(yè)和國有企業(yè)樣本組中更顯著。作用機制分析發(fā)現(xiàn)，銀行金融科技可以通過降低貸款企業(yè)債務違約風險和提高貸款企業(yè)會計信息質(zhì)量來抑制貸款企業(yè)的股價崩盤風險。進一步研究發(fā)現(xiàn)，企業(yè)高管金融背景在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮負向調(diào)節(jié)作用，而分析師關注在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮正向調(diào)節(jié)作用。

關鍵詞：銀行金融科技；債務違約風險；會計信息質(zhì)量；高管金融背景；分析師關注

中圖分類號：F832" "文獻標識碼：A" 文章編號：1674-2265（2024）11-0047-12

DOI：10.19647/j.cnki.37-1462/f.2024.11.005

一、引言

維護金融市場穩(wěn)定是實現(xiàn)我國經(jīng)濟高質(zhì)量發(fā)展的關鍵。然而，受國內(nèi)外經(jīng)濟環(huán)境和企業(yè)自身經(jīng)營特征的影響，我國上市公司股價崩盤現(xiàn)象頻繁發(fā)生。考慮到資本市場情緒的傳染性，這種企業(yè)層面的股價崩盤不僅會給投資者造成財富損失，還可能引發(fā)系統(tǒng)性金融風險，從而影響整個金融市場的穩(wěn)定（李政等，2024）[1]。因此，想要實現(xiàn)我國經(jīng)濟高質(zhì)量發(fā)展的目標，必須有效抑制股價崩盤風險。自Jin和Myers（2006）[2]首次提出“信息隱藏假說”后，一大批實證研究一致證明減少管理層的“壞消息”隱藏是降低企業(yè)股價崩盤風險的關鍵（Hutton等，2008；Kothari等，2009）[3，4]。受其影響，國內(nèi)學者著重探討了公司治理機制在提升公司信息披露質(zhì)量、約束管理層機會主義行為中的作用（王化成等，2015）[5]。然而，想要抑制企業(yè)股價崩盤風險，僅僅依靠公司內(nèi)部治理是遠遠不夠的。2023年中央金融工作會議提出“支持國有大型金融機構做優(yōu)做強，當好服務實體經(jīng)濟的主力軍和維護金融穩(wěn)定的壓艙石”，在我國以間接融資為主的金融體系中，銀行信貸仍是企業(yè)最主要的外源融資渠道，因此，銀行要在服務實體經(jīng)濟和維護金融穩(wěn)定中發(fā)揮“領頭雁”的作用。已有研究發(fā)現(xiàn)，銀行如果能夠更好地發(fā)揮信貸配置和債權治理效應，貸款企業(yè)的股價崩盤風險也會隨之降低（鄢翔和耀友福，2020）[6]。

隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等新一代數(shù)字技術的廣泛運用，金融科技賦能正在重塑我國銀行業(yè)傳統(tǒng)的金融服務模式，它可以幫助銀行克服數(shù)據(jù)采集難的問題，有效緩解銀企之間的信息不對稱問題（Gomber等，2018）[7]。此外，金融科技賦能可以為銀行貸前準入控制、貸中決策支持和貸后輔助管理提供全方位支持（李逸飛等，2022；郭娜等，2023）[8，9]。受此影響，銀行的信貸配置和債權治理效應能否更好地發(fā)揮作用呢？貸款企業(yè)的股價崩盤風險是否會隨之降低呢？為了回答以上問題，本文構造了以銀行信貸為橋梁的銀行與企業(yè)相匹配的銀行金融科技指數(shù)，并基于2012—2022年A股非金融類上市公司數(shù)據(jù)，實證探究了銀行金融科技對貸款企業(yè)股價崩盤風險的影響及其作用機制。研究發(fā)現(xiàn)，銀行金融科技顯著抑制了貸款企業(yè)的股價崩盤風險，并且這種抑制效果在污染企業(yè)和國有企業(yè)樣本組中更顯著。作用機制分析發(fā)現(xiàn)，銀行金融科技可以通過降低貸款企業(yè)債務違約風險和提高貸款企業(yè)會計信息質(zhì)量來抑制貸款企業(yè)的股價崩盤風險。進一步研究發(fā)現(xiàn)，企業(yè)高管金融背景在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮負向調(diào)節(jié)作用，而分析師關注在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮正向調(diào)節(jié)作用。

相比現(xiàn)有文獻，本文的研究貢獻主要有以下兩點：第一，首次探究了銀行金融科技對貸款企業(yè)股價崩盤風險的影響，豐富了銀行金融科技的經(jīng)濟后果研究和企業(yè)股價崩盤風險的影響因素研究。以往研究主要從公司內(nèi)部治理角度探究信息隱藏行為對企業(yè)股價崩盤風險的影響，相比于通過制度改革等外部因素來影響企業(yè)內(nèi)部治理以抑制股價崩盤風險，銀行金融科技賦能所帶來的影響有待深究。第二，從銀行優(yōu)化信貸資源配置效率和發(fā)揮債權治理效應視角厘清了銀行金融科技影響貸款企業(yè)股價崩盤風險的作用機制。金融科技賦能有助于銀行優(yōu)化信貸資源配置效率和發(fā)揮債權治理效應，從而降低了貸款企業(yè)債務違約風險、提高了貸款企業(yè)會計信息質(zhì)量，有效減少了企業(yè)壞消息的形成和管理層的信息隱藏行為。

二、文獻綜述

（一）股價崩盤風險形成及其影響因素研究

股價崩盤風險是指個股特有收益出現(xiàn)極端負值的概率，關于股價崩盤風險形成的研究，早期文獻主要聚焦于市場層面，先后提出了“財務杠桿效應假說” （Pindyck，1984）[10]“波動率反饋假說”“股價泡沫假說”和“異質(zhì)信念假說”（Hong和Stein，2003）[11]。自Jin和Myers（2006）[2]提出“信息隱藏假說”后，學術界對股價崩盤風險的形成機理認知開始趨于一致。該理論從企業(yè)普遍存在的委托代理問題出發(fā)，認為公司管理層會通過隱藏公司負面信息的方式維護自身利益，但是公司不能將這些負面消息永遠隱藏，當累積的負面信息達到公司無法承載的程度時會逐漸暴露并對市場造成沖擊，加大股價的波動程度從而導致股價崩盤（Kothari等，2009）[4]。雖然股價崩盤風險是多種因素綜合作用的結果，但是現(xiàn)有研究大都基于委托代理理論和“信息隱藏假說”框架展開，并且可以分為公司內(nèi)部因素和外部因素兩類。

從內(nèi)部影響因素來看，相關文獻主要立足于公司治理、管理層特征以及信息披露等角度進行考察。比如大股東持股不僅可以發(fā)揮“監(jiān)督效應”抑制管理層的代理問題，還可以發(fā)揮“更少掏空效應”減少對小股東的利益侵占，這兩個途徑顯著降低了企業(yè)的股價崩盤風險（王化成等，2015）[5]；管理層的電話會議可以增加企業(yè)自愿性信息披露，這有助于緩解投資者與企業(yè)之間的信息不對稱，從而抑制股價崩盤的發(fā)生（曹廷求和張光利，2020）[12]。從外部影響因素來看，相關文獻主要立足于資本市場環(huán)境、信息中介以及利益相關者等角度進行考察。如退市監(jiān)管（林樂和鄭登津，2016）[13]和融券賣空制度（孟慶斌等，2018）[14]能夠降低股價崩盤風險，這是因為更加嚴格的退市監(jiān)管和融券賣空制度提高了上市公司的信息透明度和公司治理水平；企業(yè)可以通過披露社會責任信息提高信息透明度和社會聲譽，進而有效降低股價崩盤風險（宋獻中等，2017）[15]；相反，機構投資者抱團會提高上市公司的股價崩盤風險（吳曉暉等，2019）[16]。綜上可知，無論是何種因素，提高公司信息透明度和減少管理層信息隱藏行為都是抑制股價崩盤風險的關鍵。

（二）銀行債權治理效應及金融科技賦能作用

一般認為，銀行債權可以發(fā)揮財務效應和治理效應的雙重作用。一方面，作為信貸資金的提供者，銀行通過為企業(yè)提供信貸資金支持而發(fā)揮財務杠桿作用，支持企業(yè)的生產(chǎn)經(jīng)營活動，此為財務效應；另一方面，作為企業(yè)最大的債權人，銀行可以通過債權治理作用來影響公司治理情況和降低企業(yè)生產(chǎn)經(jīng)營中的風險，此為公司治理效應（王滿四和徐朝輝，2020）[17]。然而，現(xiàn)有研究發(fā)現(xiàn)，雖然我國銀行債權對企業(yè)的總體影響是積極的，但是起主要作用的是財務效應，以往我國的銀行貸款并沒有對企業(yè)產(chǎn)生顯著的治理效應（陸嘉瑋等，2017）[18]。如張亦春（2015）[19]等在探究我國上市企業(yè)的非效率投資問題時，研究發(fā)現(xiàn)“預算軟約束”導致我國銀行的債權治理效果整體上呈現(xiàn)不確定性特征；沈悅和安磊（2022）[20]在探究債務約束對企業(yè)“脫實向虛”的治理效果的研究中發(fā)現(xiàn)，債權治理未能發(fā)揮有效的作用。

研究發(fā)現(xiàn)，金融科技賦能正在改變銀行的信貸資源配置（Cheng和Qu，2020）[21]。一方面，金融科技賦能下，銀行對“軟信息”的處理能力得以提升。銀行可以通過大數(shù)據(jù)、區(qū)塊鏈等先進技術獲得更多有價值的信貸決策信息，從而緩解銀企之間的信息不對稱，減少銀行信貸投放中面臨的逆向選擇與道德風險，增強銀行貸前審查與貸后監(jiān)督能力（Sutherland，2018）[22]。金融科技還可以助力銀行經(jīng)營范圍突破時空限制，在重大經(jīng)濟沖擊中發(fā)揮“穩(wěn)定器”的作用。同時，人工智能技術帶來的預測能力也有助于提升銀行對危機的前瞻性和預見性，從而顯著增強商業(yè)銀行應對經(jīng)濟不確定性的能力（高昊宇等，2022）[23]。另一方面，金融科技為銀行貸前準入控制、貸中決策支持和貸后輔助管理提供全方位支持，幫助銀行更有效地進行企業(yè)資信評估及償債能力評價，從而有利于推動銀行貸款模式從“重抵押輕信用”向“重信用輕抵押”轉變。金融科技也可以在長尾客戶覆蓋方面發(fā)揮顯著賦能作用，不僅能夠彌補銀行原本在信貸業(yè)務風險控制方面的不足，還能壓縮銀行與客戶之間的時空距離，從而有助于銀行吸收流動性負債并將其有效地轉換為非流動性資產(chǎn)，提升自身服務實體經(jīng)濟的能力（宋科等，2023）[24]。

綜上所述，現(xiàn)有關于如何抑制股價崩盤風險的研究大多集中在公司治理、管理層特征以及信息披露等角度，雖然關于影響因素的拓展研究已經(jīng)十分豐富，但是鮮有學者關注金融科技賦能作用下的銀行信貸如何影響企業(yè)股價崩盤風險。尤其是在現(xiàn)有研究認為以往我國銀行信貸并沒有對企業(yè)產(chǎn)生顯著的治理效應的研究背景下，探究銀行金融科技對貸款企業(yè)股價崩盤風險的影響具有重要的意義。

三、理論分析與研究假設

（一）銀行金融科技與貸款企業(yè)股價崩盤風險

金融科技改變了銀行傳統(tǒng)的經(jīng)營模式、管理模式和生產(chǎn)模式，顯著地提升了傳統(tǒng)銀行的信息甄別能力（戚聿東和肖旭，2020）[25]。受此影響，銀行信貸資源配置效率和債權治理效應將會顯著改善，這為降低貸款企業(yè)的股價崩盤風險提供了可能。一方面，以人工智能和大數(shù)據(jù)為代表的金融科技可以通過挖掘數(shù)據(jù)中的非線性關系（Fuster等，2019）[26]和準確把握企業(yè)基本面信息（Goldstein等，2019）[27]的方式對貸款企業(yè)進行全方位的評級，進而幫助銀行識別出潛在的貸款客戶，這有助于銀行提高信貸資源配置效率；另一方面，以移動支付、數(shù)字營銷和智能投顧等為代表的金融科技應用已經(jīng)沉浸到企業(yè)全部的生產(chǎn)經(jīng)營活動中，有效打通了銀行與企業(yè)之間信息溝通的鏈條，幫助銀行更好地掌握企業(yè)的信息，這為銀行貸前準入控制、貸中決策支持和貸后輔助管理提供了全方位支持，從而有助于銀行完善債務契約和發(fā)揮債權治理效應（Cheng和Qu，2020）[21]。基于此，銀行金融科技可以顯著提高貸款企業(yè)的信貸可得性，優(yōu)化貸款企業(yè)的債務期限結構，減少貸款企業(yè)的短債長用（李逸飛等，2022）[8]，抑制貸款企業(yè)的金融化（李真等，2023）[28]和信息隱藏行為（莊旭東等，2023）[29]。由此，本文認為銀行金融科技不僅可以通過優(yōu)化信貸資源配置效率來提高貸款企業(yè)應對風險的能力，而且可以通過更好地發(fā)揮債權治理效應來抑制貸款企業(yè)管理層的信息隱藏行為?；谝陨戏治觯疚奶岢鋈缦卵芯考僭O：

H1：銀行金融科技可以顯著抑制貸款企業(yè)的股價崩盤風險。

（二）銀行金融科技影響貸款企業(yè)股價崩盤風險的作用機制

從現(xiàn)有研究來看，債務違約風險的提高不僅會威脅企業(yè)的正常經(jīng)營，而且會通過傳染效應惡化市場投資者的預期，誘發(fā)債權人收緊信用條款、催討債務等連鎖反應，從而形成股價崩盤風險。此外，根據(jù)“信息隱藏假說”，管理層為了實現(xiàn)自身利益最大化，傾向于在財務報表等信息披露中暫時隱藏“壞消息”而加速披露“好消息”，從而達到粉飾盈余和提高股價的效果，但是當“壞消息”在公司內(nèi)部不斷累積到一定程度后，最終會被集中釋放，彼時將會產(chǎn)生股價崩盤風險（Jin和Myers，2006）[2]。由此可見，降低企業(yè)債務違約風險和減少管理層信息隱藏行為是抑制股價崩盤風險的關鍵。理論上，銀行金融科技可以通過以上兩條途徑來抑制貸款企業(yè)的股價崩盤風險。

一方面，銀行金融科技可以通過優(yōu)化信貸資源配置效率和發(fā)揮債權治理效應來降低貸款企業(yè)的債務違約風險，從而抑制貸款企業(yè)的股價崩盤風險。首先，通過人工智能和機器學習等技術，銀行可以建立更科學、更智能的風險評估模型，對貸款企業(yè)的信用風險進行精準識別和量化，提高風險管理的準確性和效率（郭娜和張駿，2024）[30]。其次，金融科技提供的實時風險監(jiān)測系統(tǒng)能夠及時收集和分析企業(yè)的財務數(shù)據(jù)、行業(yè)趨勢、市場環(huán)境等多維度信息，捕捉企業(yè)財務狀況的變化和潛在風險信號，使銀行能夠迅速響應并采取相應的風險管理措施（陳東暉，2024）[31]。最后，金融科技賦能有效縮短了銀企之間的時空距離，降低了銀行信息搜尋成本，強化了銀行對信貸資金的有效監(jiān)控，從而提高了企業(yè)信貸資金的可獲得性，降低了企業(yè)因融資約束而導致的生產(chǎn)經(jīng)營中斷、債務違約風險（李逸飛等，2022）[8]。

另一方面，銀行金融科技可以通過優(yōu)化信貸資源配置效率和發(fā)揮債權治理效應來提高貸款企業(yè)的會計信息質(zhì)量，從而抑制貸款企業(yè)的股價崩盤風險。首先，以大數(shù)據(jù)和人工智能為依托的金融科技有效提高了銀行信貸識別效率，破解了信貸管理瓶頸（Goldstein等，2019）[27]，銀行會通過增加長期貸款的方式為企業(yè)提供穩(wěn)定持續(xù)的信貸資金支持（李逸飛等，2022）[8]，受此影響，企業(yè)通過盈余管理來獲得銀行信貸的動機將會減少。其次，在金融科技賦能作用下，銀行逐步實現(xiàn)了對貸款企業(yè)生產(chǎn)經(jīng)營活動的實時監(jiān)控，這有助于銀行提高債務契約的完備性，并且保障了“控制權轉移”機制能夠及時發(fā)揮作用（Goldstein等，2019）[27]。最后，由于長期貸款更能夠緩解企業(yè)融資約束和發(fā)揮財務杠桿作用，所以對于企業(yè)而言，長期債務違約面臨的控制權轉移和斷貸威脅更大，這極大地增加了管理層的“損失厭惡”心理，促使管理層提高會計穩(wěn)健性，讓“壞消息”更及時地反映在會計盈余中（趙剛等，2014）[32]?；谝陨戏治觯疚奶岢鋈缦卵芯考僭O：

H2：銀行金融科技可以降低貸款企業(yè)債務違約風險和提高貸款企業(yè)會計信息質(zhì)量，從而顯著抑制了貸款企業(yè)的股價崩盤風險。

（三）高管金融背景和分析師關注的調(diào)節(jié)作用

銀行金融科技對貸款企業(yè)股價崩盤風險的作用效果可能受到企業(yè)內(nèi)部特征和外部信息環(huán)境等因素的影響。從現(xiàn)有研究看，高管金融背景有助于企業(yè)緩解債務違約風險（杜勇等，2019）[33]；分析師關注可以發(fā)揮外部監(jiān)督作用提高企業(yè)會計信息質(zhì)量（林晚發(fā)等，2023）[34]。因此，高管金融背景和分析師關注對銀行金融科技對貸款企業(yè)股價崩盤風險的影響可能存在調(diào)節(jié)效應。具體地，一方面，具有金融背景的高管可以借助其專業(yè)知識和經(jīng)驗，在企業(yè)投融資、公司治理和風險管理等方面發(fā)揮重要作用，從而有助于降低企業(yè)的債務違約風險，這會在一定程度上削弱銀行金融科技降低企業(yè)債務違約風險的作用效果（杜勇等，2019）[33]。因此，對于那些擁有金融背景高管的企業(yè)而言，銀行金融科技降低其股價崩盤風險的作用效果將會大打折扣。另一方面，從監(jiān)督治理效應看，分析師關注可以有效抑制管理層的消息隱藏行為，從而提高企業(yè)的會計信息質(zhì)量，緩解企業(yè)與外部投資者之間的信息不對稱。因此，分析師關注可以與銀行債權治理發(fā)揮“協(xié)同效應”，共同降低貸款企業(yè)的股價崩盤風險（趙子銥等，2024）[35]。基于以上分析，本文提出如下研究假設：

H3：企業(yè)高管金融背景在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮負向調(diào)節(jié)作用，分析師關注在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮正向調(diào)節(jié)作用。

四、研究設計

（一）數(shù)據(jù)來源與數(shù)據(jù)處理

基于2012—2022年滬深A股上市公司數(shù)據(jù)，本文對初始數(shù)據(jù)進行如下處理：（1）剔除金融類上市公司樣本；（2）剔除所有ST、*ST類上市公司樣本；（3）剔除了主要變量缺失嚴重的公司樣本；（4）對主要連續(xù)變量在1%和99%的水平上進行縮尾處理（Winsorize）。除了企業(yè)ESG表現(xiàn)數(shù)據(jù)來源于萬得數(shù)據(jù)庫外，其他變量數(shù)據(jù)均來源于國泰安數(shù)據(jù)庫。

銀行層面的金融科技水平主要通過媒體報道對銀行金融科技應用相關信息的關注度來衡量（Wang等，2021）[36]。一般來說，關于特定主題的新聞報道數(shù)量在很大程度上反映了這一主題的發(fā)展狀況，在互聯(lián)網(wǎng)媒體時代，通過百度新聞高級檢索金融科技（FinTech）相關關鍵詞及其數(shù)量來度量銀行層面的金融科技具有可操作性強、準確度高的優(yōu)勢（Askitas和Zimmermann，2015）[37]。首先，在銀行金融科技特征詞的確定上，本文不僅參考了一系列以銀行金融科技為主題的經(jīng)典文獻（Wang等，2021）[36]，還參考了《金融科技（FinTech）發(fā)展規(guī)劃（2019—2021年）》《金融科技發(fā)展規(guī)劃（2022—2025年）》以及歷年《金融科技藍皮書：中國金融科技發(fā)展報告》，分別從學術界和業(yè)界歸納整理出有關銀行金融科技應用的特定關鍵詞；其次，在建立金融科技關鍵詞詞庫時界分了“底層技術”與“應用場景”兩個層面，其中“應用場景”層面又包括“智能營銷”“風險防控”以及“運營管理”三個關鍵維度，共選取了與銀行金融科技相關的32個關鍵詞；最后，以文本挖掘法為基礎，綜合運用Python網(wǎng)絡爬蟲、詞頻分析和綜合指數(shù)法等技術手段構建銀行層面的金融科技發(fā)展指數(shù)（fintech）。具體的金融科技關鍵詞選取情況如表1所示。

（二）模型構建

為了檢驗銀行金融科技對貸款企業(yè)股價崩盤風險的影響，本文構建了雙向固定效應模型：

[NCSKEWi，t=α0+β1Bfintechi，t+k=1kδkControli，t+μt+δi+εi，t] （1）

其中，[NCSKEWi，t]是貸款企業(yè)的股價崩盤風險，[Bfintechi，t]是企業(yè)對應的銀行金融科技水平，[Controli，t]是一系列控制變量，[μi]為個體固定效應，[δi]為時間固定效應，[εi，t]為隨機誤差項。

（三）主要變量

1.被解釋變量：股票負收益率偏態(tài)系數(shù)（NCSKEW）和股價波動率（DUVOL）。參考Hutton等（2008）[3]、曹廷求和張光利（2020）[12]的研究，首先，利用股票的周收益率數(shù)據(jù)分年度進行回歸，計算上市公司的周股票收益率：

[ri，t=ai+β1rm，t-2+β2rm，t-1+β3rm，t+β4rm，t+1+β5rm，t+2+εi，t]" " （2）

其次，利用回歸殘差[εi，t]計算個股特定周收益率[Wi，t=ln（1+εi，t）]。

最后，根據(jù)式（3）和式（4）計算股票負收益率偏態(tài)系數(shù)和股價波動率。二者的數(shù)值越大，表示股價崩盤風險越高。

[NCSKEWi，t=n（n-1）32w3i，t（n-1）（n-2）（w2i，t）32]" "（3）

[DUVOLi，t=log（nu-1）Downw2i，t（nd-1）upw2i，t]" " "（4）

在式（2）中，[ri，t]為公司[i]在第[t]周考慮現(xiàn)金紅利再投資的周股票收益率，[rm，t]為第[t]周經(jīng)流通市值加權的市場平均收益率，并在回歸模型中加入[rm，t]的滯后項和超前項調(diào)整股價變動非同步性問題；在式（3）和式（4）中，[n]為每只股票的年交易周數(shù)，[nu（nd）]表示股票周特有收益[wi，t]大于（小于）年平均收益率[w1]的周數(shù)。

2. 解釋變量：銀行金融科技指標（BFintech）。參考張金清等（2022）[38]的研究方式，以企業(yè)每年在各大銀行的貸款金額為權重，將企業(yè)各個貸款銀行的金融科技指標進行加權，合成企業(yè)對應的銀行金融科技指標（BFintech）。具體定義如下：

[Bfintechi，t=n-1Nfintechint×Lsizei，n，tSum_Lsizei，t]" " （5）

其中，[Bfintechi，t]是企業(yè)[i]在[t]期對應的合成的銀行金融科技指標，[fintechi，t]表示企業(yè)[i]在[t]期對應銀行[n]的銀行金融科技指數(shù)，[Lsizei，t]t表示企業(yè)[i]在[t]期在銀行[n]的貸款規(guī)模，[Sum_Lsizei，t]表示企業(yè)[i]在[t]期在所有銀行的貸款總和。

3. 控制變量?；诠蓛r崩盤風險的影響因素，本文參考崔學剛等（2019）[39]的研究，添加如下控制變量：企業(yè)規(guī)模（Size）、資產(chǎn)負債率（Lev）、固定資產(chǎn)（FIXED）、上市年齡（Age）、資產(chǎn)回報率（ROA）、機構投資者（Inst）、股權制衡度（EBD）、獨立董事占比（ID）、兩職合一（DUAL）和四大會計師事務所（Big4）。主要變量的定義及說明見表2。

（四）描述性統(tǒng)計

表3報告了主要變量的描述性統(tǒng)計結果。可以看到，股票負收益偏態(tài)系數(shù)的均值是-0.480，標準差是0.761，最小值和最大值分別為-2.792 和 1.684；股價波動率的均值是-0.262，標準差是0.496，最小值和最大值分別為-2.385 和 2.347，以上說明各企業(yè)股價崩盤風險差異較大，這與已有研究基本一致（崔學剛等，2019）[39]。銀行金融科技指標的均值為0.032，標準差是0.827，最小值和最大值分別為-2.618和2.057，說明不同企業(yè)不同年份受銀行金融科技影響的差異較大，這為本文的實證檢驗提供了研究空間。其他控制變量的分布特征與前期文獻基本相符。

五、實證檢驗及其分析

（一）基準回歸結果

表4報告了銀行金融科技影響貸款企業(yè)股價崩盤風險的回歸結果。其中，第（1）列是沒有添加控制變量的回歸結果，銀行金融科技指標的系數(shù)在5%統(tǒng)計水平上顯著為負；第（2）列和第（3）列是依次加入控制變量后的回歸結果，銀行金融科技指標的系數(shù)均在5%統(tǒng)計水平上顯著為負。實證結果表明本文構建的銀行金融科技指標與企業(yè)股價崩盤風險顯著負相關。在經(jīng)濟意義上，以第（3）列為例，考慮到股價崩盤風險的均值為-0.480，銀行金融科技水平每提高 1個單位標準差，企業(yè)股價崩盤風險相較于均值而言會降低約0.0731（即 -0.0424×0.827/-0.480=0.0731）。以上回歸結果驗證了研究假說H1，即銀行金融科技顯著抑制了貸款企業(yè)的股價崩盤風險。

（二）內(nèi)生性問題

為提高研究結論的可靠性，本文利用工具變量法來緩解基準回歸模型中可能存在的內(nèi)生性問題。具體地，本文分別以同一省份和行業(yè)的企業(yè)在同一年份的銀行金融科技均值（IV1）和各企業(yè)所在地與杭州的球面距離（IV2）作為工具變量。實證檢驗發(fā)現(xiàn)，本文選擇的兩個工具變量不存在“識別不足”和“弱工具變量”問題。

表5報告了兩階段最小二乘法回歸結果。第（1）列和第（3）列為第一階段的回歸結果，IV的系數(shù)分別在1%統(tǒng)計水平上顯著為正和在1%統(tǒng)計水平上顯著為負，前者說明單個企業(yè)受到的銀行金融科技影響與同一省份和行業(yè)的企業(yè)受到的銀行金融科技影響趨同；后者說明企業(yè)所在地距離杭州越遠，企業(yè)受到金融科技發(fā)展水平的影響越小。第（2）列和第（4）列為第二階段的回歸結果，銀行金融科技的系數(shù)分別在1%和5%統(tǒng)計水平上顯著為負，這與基準回歸結果趨于一致，說明在糾正了潛在的內(nèi)生性偏差后，銀行金融科技和貸款企業(yè)股價崩盤風險的關系仍保持不變。

（三）穩(wěn)健性檢驗

1. 替換解釋變量和被解釋變量。一方面，進一步以解釋變量的滯后一期（L.BFintech）作為解釋變量來緩解內(nèi)生性問題。表6第（1）列結果顯示，解釋變量滯后一期的系數(shù)在5%統(tǒng)計水平上顯著為負。另一方面，以股價波動率代替股票負收益率偏態(tài)系數(shù)作為被解釋變量進行穩(wěn)健性檢驗。第（2）列結果顯示，銀行金融科技的系數(shù)在5%統(tǒng)計水平上顯著為負。以上回歸結果表明基準回歸結果是可靠的，即銀行金融科技降低了貸款企業(yè)的股價崩盤風險。

2. 控制城市和行業(yè)固定效應。為了減少遺漏變量偏誤，考慮地區(qū)差異和行業(yè)特征的影響，在基準模型的基礎上，進一步補充城市固定效應和行業(yè)固定效應。表7第（1）—（3）列分別報告了補充城市固定效應、行業(yè)固定效應、行業(yè)固定效應和時間固定效應交乘項的回歸結果，銀行金融科技的系數(shù)均在5%統(tǒng)計水平上顯著為負，且絕對值與基準回歸結果絕對值接近。

六、進一步研究

（一）作用機制檢驗

為了驗證債務違約風險和會計信息質(zhì)量在銀行金融科技抑制貸款企業(yè)股價崩盤風險過程中的中介作用，本文參考江艇（2022）[40]的做法，建立模型（6），已有文獻證實債務違約風險和會計信息質(zhì)量顯著影響企業(yè)股價崩盤風險，如λ顯著且符號符合預期，則說明銀行金融科技能夠通過降低貸款企業(yè)債務違約風險和提高貸款企業(yè)會計信息質(zhì)量影響貸款企業(yè)的股價崩盤風險。在此基礎上，本文還將借鑒嚴兵等（2024）[41]的做法，通過補充異質(zhì)性分析的方式進行情景檢驗，從側面證明信貸違約風險和會計信息質(zhì)量在銀行金融科技抑制貸款企業(yè)股價崩盤風險過程中發(fā)揮的中介作用。

[DDi，t/AIQi，t=α0+λBFintechi，t+k=1kδkControli，t+μt+σt+εi，t] （6）

式（6）中，[DD]為企業(yè)信貸違約距離，[AIQ]為企業(yè)會計信息質(zhì)量，其余變量同式（1）。機制變量的構建方法如下。

一是債務違約風險（DD）。以MertonDD模型計算企業(yè)違約距離，該距離越大，企業(yè)的債務違約風險越小。具體步驟如下：（1）選定一個預測范圍T，并度量公司的債務賬面價值 F；（2）得到公司無風險利率；（3）采用 Matlab 軟件求解公司資產(chǎn)價值V及其波動率σV；（4）基于模型（7）計算違約距離 DD。

[DD=lnVF+r-1/2σ2VTσVT]" " "（7）

二是會計信息質(zhì)量（AIQ）。以深交所、滬交所披露的公司信息披露工作考核結果為基礎，將公司信息披露質(zhì)量從高到低劃分為A，B，C，D四個等級（即優(yōu)秀、良好、及格和不及格），依次賦值為4、3、2和1，數(shù)值越大，公司信息披露質(zhì)量越高，公司透明度越高。

表8第（1）列報告了銀行金融科技對貸款企業(yè)債務違約風險的影響，銀行金融科技的系數(shù)在5%統(tǒng)計水平上顯著為正，說明銀行金融科技顯著增加了貸款企業(yè)的債務違約距離，即銀行金融科技可以降低貸款企業(yè)的債務違約風險。進一步地，由于已有文獻發(fā)現(xiàn)污染企業(yè)的債務違約風險更大（李楠等，2024）[42]，一個合理的推測是：銀行金融科技抑制貸款企業(yè)股價崩盤風險的作用在污染企業(yè)樣本組中更顯著。表8第（2）列和第（3）列報告了異質(zhì)性分組回歸結果，即銀行金融科技可以在1%統(tǒng)計水平上顯著抑制污染企業(yè)股價崩盤風險，但是并不能顯著抑制非污染企業(yè)股價崩盤風險。對此，本文的解釋是：金融科技通過大數(shù)據(jù)、云計算等技術手段，能夠收集和分析大量企業(yè)運營數(shù)據(jù)，包括財務數(shù)據(jù)、環(huán)境績效等，有助于金融機構更準確地評估污染企業(yè)的信用風險，受此影響，“斷貸威脅”和“控制權轉移”機制將會真正發(fā)揮作用，有助于銀行在“事后”充分發(fā)揮監(jiān)督治理作用，有效地降低了污染企業(yè)的債務違約風險，進而抑制其股價崩盤風險。

表9第（1）列報告了銀行金融科技對貸款企業(yè)會計信息質(zhì)量的影響，銀行金融科技的系數(shù)在5%統(tǒng)計水平上顯著為正，這說明銀行金融科技顯著提高了貸款企業(yè)的會計信息質(zhì)量。進一步地，由于已有文獻發(fā)現(xiàn)國有企業(yè)的會計信息質(zhì)量較差（褚劍，2024；綦好東等，2024）[43，44]，一個合理的推測是：銀行金融科技抑制貸款企業(yè)股價崩盤風險的作用效果在國有企業(yè)樣本組中更顯著。表9第（2）列和第（3）列報告了異質(zhì)性分組回歸結果，即銀行金融科技可以在5%統(tǒng)計水平上顯著抑制國有企業(yè)股價崩盤風險，但是并不能顯著抑制民營企業(yè)股價崩盤風險。對此，本文的解釋是：一般來說，國有企業(yè)的第一類代理成本更為嚴重。由于缺乏對管理層的監(jiān)督，國有企業(yè)的壞消息隱藏行為可能更多。金融科技賦能有助于銀行發(fā)揮債權治理效應，可以有效彌補國有企業(yè)中股東對管理層的監(jiān)督空白，從而減少管理層的壞消息隱藏行為，抑制股價崩盤風險。

（二）調(diào)節(jié)效應檢驗

為了驗證假設H3，本文構造如下模型：

[NCSKEWi，t=α0+β1BFintechi，t+β2BFintechi，t×Fini，t/Analysti，t+k=1kδkControli，t+μt+σt+εi，t] （8）

式（8）在模型（1）的基礎上補充了銀行金融科技與金融背景高管（Fin）和分析師關注度（Analyst）的交互項Bfintech×Fin和Bfintech×Analyst，其余變量同式（1）。其中，參考李卓松（2018）[45]的研究，根據(jù)企業(yè)董監(jiān)高中是否有金融機構從業(yè)經(jīng)歷人員設置金融背景高管虛擬變量，若存在則記為1，反之則記為0；參考伊志宏等（2019）[46]的研究，以一年內(nèi)對該公司進行跟蹤分析的分析師（團隊）數(shù)量衡量企業(yè)分析師關注度，該數(shù)值越大，表示資本市場對該企業(yè)的關注度越高。

表10報告了調(diào)節(jié)效應檢驗的回歸結果。其中第（1）列顯示，交互項BFintech×Fin的系數(shù)在5%統(tǒng)計水平上顯著為正，這說明企業(yè)高管金融背景在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮了顯著的負向調(diào)節(jié)作用。第（2）列顯示，交互項BFintech×Analyst的系數(shù)在5%統(tǒng)計水平上顯著為負，這說明分析師關注在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮了顯著的正向調(diào)節(jié)作用。以上回歸結果驗證了研究假設H3。

七、研究結論與啟示

以2012—2022年A股非金融類上市公司為樣本，本文探究了銀行金融科技對貸款企業(yè)股價崩盤風險的影響及作用機制。研究發(fā)現(xiàn)；（1）銀行金融科技顯著抑制了貸款企業(yè)的股價崩盤風險，并且這種抑制效果在污染企業(yè)和國有企業(yè)中更顯著。（2）銀行金融科技可以通過降低貸款企業(yè)債務違約風險和提高貸款企業(yè)會計信息質(zhì)量的途徑來抑制貸款企業(yè)的股價崩盤風險。（3）企業(yè)高管金融背景在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮負向調(diào)節(jié)作用，分析師關注在銀行金融科技抑制貸款企業(yè)股價崩盤風險的過程中發(fā)揮正向調(diào)節(jié)作用。

基于以上研究結論，本文提出如下政策啟示：

第一，銀行應該進一步提升金融科技水平，當好服務實體經(jīng)濟的主力軍和維護金融穩(wěn)定的“壓艙石”。銀行應該以深化金融供給側結構性改革為目標，注重金融創(chuàng)新的科技驅動和數(shù)據(jù)賦能，通過完善債務契約等途徑提升自身的債權人地位，完善債權治理機制，有效遏制管理層的機會主義行為，從而降低貸款企業(yè)股價崩盤風險。

第二，企業(yè)應該著力降低債務違約風險，并提高會計信息質(zhì)量。一方面，企業(yè)應該主動和銀行等債權人交流，減少銀企之間的信息不對稱，通過溝通協(xié)作有效降低債務違約風險。另一方面，管理層應該積極提高企業(yè)會計穩(wěn)健性，讓“壞消息”更及時地反映在會計盈余中，以避免“壞消息”的長期積累而形成股價崩盤風險。

第三，投資者應該發(fā)揮外部監(jiān)督治理效應，協(xié)助抑制企業(yè)的“壞消息”隱藏行為。投資者可以利用分析師更易搜尋并運用專業(yè)知識解讀企業(yè)各類信息的優(yōu)勢，主動關注企業(yè)信息披露情況和分析師研究報告，充分發(fā)揮外部監(jiān)督治理效應，構建債權治理和投資者外部監(jiān)督的協(xié)同治理模式，共同抑制企業(yè)的“壞消息”隱藏行為，防范股價崩盤風險。

參考文獻：

[1]李政，李麗雯，劉淇.我國行業(yè)間尾部風險溢出的測度及時空驅動因素研究 [J].統(tǒng)計研究，2024，41（02）.

[2]Jin L，Myers S C. 2006. R2 Around the world：New Theory and New Tests [J].Journal of Financial Economics，79（2）.

[3]Amy P Hutton，Alan J Marcus，Hassan Tehranian. 2008. Opaque Financial Reports，R2，and Crash Risk [J]. Journal of Financial Economics，94（1）.

[4]Kothari S P，Shu S" S，Wysocki" P" D. 2009. Do Managers" Withhold" Bad" News？[J].Journal" of" Accounting" Research，47（1）.

[5]王化成，曹豐，葉康濤.監(jiān)督還是掏空：大股東持股比例與股價崩盤風險 [J].管理世界，2015，（02）.

[6]鄢翔，耀友福.放松利率管制、銀行債權治理與股價崩盤風險——基于中央銀行取消貸款利率上下限的準自然實驗 [J].財經(jīng)研究，2020，46（03）.

[7]Gomber P，Kauffman R J，Parker C，Weber B W. 2018. On the Fintech Revolution： Interpreting the Forces of Innovation，Disruption，and Transformation in Financial Services [J].Journal of Management Information Systems，35（1）．

[8]李逸飛，李茂林，李靜.銀行金融科技、信貸配置與企業(yè)短債長用 [J].中國工業(yè)經(jīng)濟，2022，（10）.

[9]郭娜，張駿，陳東暉.金融科技、銀行風險容忍度與流動性囤積 [J].金融論壇，2023，28（04）.

[10]Pindyck S R. 1984. Uncertainty in the Theory of Renewable Resource Markets [J].The Review of Economic Studies，51（2）.

[11]Hong H，Stein C J. 2003. Differences of Opinion， Short-Sales Constraints，and Market Crashes [J].The Review of Financial Studies，16（2）.

[12]曹廷求，張光利.自愿性信息披露與股價崩盤風險：基于電話會議的研究 [J].經(jīng)濟研究，2020，55（11）.

[13]林樂，鄭登津.退市監(jiān)管與股價崩盤風險 [J].中國工業(yè)經(jīng)濟，2016，（12）.

[14]孟慶斌，侯德帥，汪叔夜.融券賣空與股價崩盤風險——基于中國股票市場的經(jīng)驗證據(jù) [J].管理世界，2018，34（04）.

[15]宋獻中，胡珺，李四海.社會責任信息披露與股價崩盤風險——基于信息效應與聲譽保險效應的路徑分析[J].金融研究，2017，（04）.

[16]吳曉暉，郭曉冬，喬政.機構投資者抱團與股價崩盤風險 [J].中國工業(yè)經(jīng)濟，2019，（02）.

[17]王滿四，徐朝輝.考慮市場治理體系的銀行債權治理及其效應研究——來自A股工業(yè)企業(yè)的經(jīng)驗證據(jù) [J].會計研究，2020，（01）.

[18]陸嘉瑋，陳文強，賈生華.信貸配置偏好、貸后債務治理與房地產(chǎn)企業(yè)投資 [J].金融經(jīng)濟學研究，2017，32（06）.

[19]張亦春，李晚春，彭江.債權治理對企業(yè)投資效率的作用研究——來自中國上市公司的經(jīng)驗證據(jù) [J].金融研究，2015，（07）.

[20]沈悅，安磊.債務約束對企業(yè)“脫實向虛”的治理效果研究 [J].南開管理評論，2022，25（06）.

[21]Cheng M，Qu Y. 2020. Does Bank FinTech Reduce Credit Risk？Evidence from China [J].Pacific-Basin Finance Journal，63（C）.

[22]SutherlandA. 2018. Does Credit Reporting Lead to A Decline in Relationship Lending？ Evidence from Information Sharing Technology [J].Journal of Accounting ＆ Economics，66（1）．

[23]高昊宇，方錦程，李夢.金融科技的風險管理賦能：基于中國銀行業(yè)的經(jīng)驗研究 [J].系統(tǒng)工程理論與實踐，2022，42（12）.

[24]宋科，李振，楊家文.金融科技與銀行行為——基于流動性創(chuàng)造視角 [J].金融研究，2023，（02）.

[25]戚聿東，肖旭.數(shù)字經(jīng)濟時代的企業(yè)管理變革 [J].管理世界，2020，36（06）.

[26]Fuster A，Plosser M，Schnabl P，Vickery J. 2019. The Role of Technology in Mortgage Lending [J].Review of Financial Studies，32（5）.

[27]Goldstein I，Wei J，Karolyi G A. 2019. To FinTech and Beyond [J].Review of Financial Studies，32（5）.

[28]李真，李茂林，朱林染.銀行金融科技與企業(yè)金融化：基于避險與逐利動機 [J].世界經(jīng)濟，2023，46（04）.

[29]莊旭東，吳桐桐，王仁曾.金融科技創(chuàng)新、外部審計與股價崩盤風險——來自專利的經(jīng)驗證據(jù) [J].金融監(jiān)管研究，2023，（06）.

[30]郭娜，張駿.金融科技應用與銀行主動風險承擔行為——基于銀行信貸供給的理論和實證研究 [J].經(jīng)濟學家，2024，（05）.

[31]陳東暉.貸款銀行金融科技、信貸決策與借款企業(yè)可持續(xù)發(fā)展 [J].金融理論與實踐，2024，（07）.

[32]趙剛，梁上坤，王玉濤.會計穩(wěn)健性與銀行借款契約——來自中國上市公司的經(jīng)驗證據(jù) [J].會計研究，2014（12）.

[33]杜勇，謝瑾，陳建英.CEO金融背景與實體企業(yè)金融化 [J].中國工業(yè)經(jīng)濟，2019，（05）.

[34]林晚發(fā)，盧潔宜，趙仲匡，宋敏.投資者付費評級機構跟蹤能改善股票市場信息質(zhì)量嗎——來自分析師預測的證據(jù) [J].南開管理評論，2023，26（03）.

[35]趙子銥，張紫紅，馬新松.ESG評級分歧與股票收益——內(nèi)部控制與外部關注的調(diào)節(jié)效應 [J].金融發(fā)展研究，2024，（03）.

[36]Wang R，Liu J，Luo R H. 2021. Fintech Development and Bank Risk Taking in China [J].The European Journal of Finance，27（4-5）.

[37]Askitas N，Zimmermann K F. 2015. The Internet as a Data Source for Advancement in Social Sciences [J].International Journal of Manpower，36（1）.

[38]張金清，李柯樂，張劍宇.銀行金融科技如何影響企業(yè)結構性去杠桿？ [J].財經(jīng)研究，2022，48（01）.

[39]崔學剛，鄧衢，鄺文俊.賣空交易、市場行情與股價崩盤風險 [J].會計研究，2019（06）.

[40]江艇.因果推斷經(jīng)驗研究中的中介效應與調(diào)節(jié)效應 [J].中國工業(yè)經(jīng)濟，2022，（05）.

[41]嚴兵，程敏，王乃合.ESG綠色溢出、供應鏈傳導與企業(yè)綠色創(chuàng)新 [J].經(jīng)濟研究，2024，59（07）.

[42]李楠，張璐，劉鉆擴.碳排放權交易對企業(yè)違約風險的影響及作用機制 [J].系統(tǒng)工程理論與實踐，2024，44（08） .

[43]褚劍.總會計師交流任職能夠改善國有企業(yè)會計信息質(zhì)量嗎 [J].會計研究，2024，（01）.

[44]綦好東，呂振偉，楊丹.國有資本授權經(jīng)營體制改革能提高國企會計信息質(zhì)量嗎？[J].證券市場導報，2024，（04）.

[45]李卓松.企業(yè)風險承擔、高管金融背景與債券融資成本 [J].金融評論，2018，10（02）.

[46]伊志宏，朱琳，陳欽源.分析師研究報告負面信息披露與股價暴跌風險 [J].南開管理評論，2019，22（05）.