17 浏览本文样本选取2012—2024年中国A股上市商业银行（共38家），剔除ST、\*ST及数据不完整样本后，最终形成38家银行×13年面板数据，共494个观测值。微观数据主要来源于Wind与CSMAR数据库，包括银行年报披露的财务数据、信息技术投入、线上业务规模等；宏观数据（如GDP增速、M2增长率、CPI）来源于国家统计局；行业数据（如同业拆借利率、票据市场贴现率）来源于全国银行间同业拆借中心及央行公开数据。此外，银行—FinTech机构交互关系数据通过各银行年报中披露的合作机构名单、投资入股信息、共同举办的金融科技项目等公开资料进行归集。
4.2 变量选取
4.2.1 被解释变量：风险传染强度（Contagion）
本文从“直接传染”“间接传染”“信息传染”三个维度综合测度银行风险传染强度：
（1）直接风险传染强度（DirectContagion）：利用“同业拆借暴露比例”指标测度，即某银行因对手方违约将产生的潜在损失占其总资产的比例，取对手方拆借敞口/银行总资产。
（2）间接风险传染强度（IndirectContagion）：依据“共同敞口指数”测算，具体为银行与其他银行在同一FinTech平台或征信平台的共同暴露比例，取共同持仓或共同参与项目敞口/个体资产。
（3）信息传染强度（InfoContagion）：通过“线上舆情反应指数”量化，基于雪球、微博等金融舆情平台提取关键词计数，采用文本情感分析算法构建银行负面舆情指数，Normalize后得到信息传染强度。本研究将三者加权合成“综合风险传染强度（Contagion）”，权重分别取DirectContagion\:IndirectContagion\:InfoContagion=0.4:0.3:0.3，符合主观与文献经验值（见Xu & Wang，2020）。
4.2.2 核心解释变量：金融科技水平（FinTechIndex）
借鉴北京大学中国金融科技指数（FinTechIndex）研究成果，本文选取商业银行在金融科技领域的多维度指标，构建银行层面金融科技水平综合指标，包括：
（1）技术投入（TechInvest）：银行在IT系统与大数据平台等方面的年度IT投入占总资产比重；
（2）线上业务规模（OnlineScale）：银行线上存款余额/总存款余额；
（3）区块链应用数量（BCApps）：银行年报披露的区块链项目数；
（4）人工智能应用深度（AIApps）：银行年报披露的AI风控或智能客服系统是否上线（是=1，否=0）；
（5）开放银行接口数量（OpenAPI）：银行年报披露的已开放API对外调用个数。
对上述指标进行主成分分析（PCA），提取第一主成分作为金融科技水平综合指标FinTechIndex，数值越大代表银行金融科技应用水平越高。
4.2.3 中介变量
（1）信息透明度（InfoTrans）：以“日均在线披露频次”测度，具体为银行在官方网站、官方微信公众号、官方微博等平台发布风险提示或经营信息的平均频次，反映银行信息披露透明程度。
（2）网络联结度（NetLink）：由两部分构成：一为“同业拆借次数/对手行数”比值（衡量同业网络强度）；二为“线上业务交互次数（如第三方支付平台流水）/交易对手数”比值（衡量线上网络强度）。两者按0.5:0.5加权平均，得出整体网络联结度。
4.2.4 控制变量
为控制可能影响风险传染的其他因素，本文选取以下控制变量：
（1）银行规模（SIZE）：以年末总资产（取对数）衡量；
（2）资本充足率（CAR）：银行年末资本充足率；
（3）不良贷款率（NPL）：银行当年不良贷款余额/贷款总额；
（4）净息差（NIM）：净利息收入/生息资产；
（5）流动性覆盖率（LCR）：银行年末流动性覆盖率；
（6）宏观经济变量：GDP增速（RGDP）、CPI增长率（CPI）、M2增速（M2）。
4.3 模型构建
4.3.1 基准模型
为检验金融科技水平对银行风险传染强度的影响，本文建立双向固定效应面板回归模型：
\vspace{-0.5em}
$$
\text{Contagion}_{i,t} = \alpha + \beta \,\text{FinTech}_{i,t-1} + \gamma \,\mathbf{X}_{i,t} + \mu_{i} + \lambda_{t} + \varepsilon_{i,t}
$$
其中，$\text{Contagion}_{i,t}$ 表示第 $i$ 家银行在第 $t$ 年的综合风险传染强度；$\text{FinTech}_{i,t-1}$ 表示金融科技水平指标取滞后一期，以缓解可能的同时性偏差；$\mathbf{X}_{i,t}$ 为控制变量向量，包括 $\text{SIZE}, \text{CAR}, \text{NPL}, \text{NIM}, \text{LCR}, \text{RGDP}, \text{CPI}, \text{M2}$；$\mu_{i}$ 和 $\lambda_{t}$ 分别为银行个体固定效应和年度时间效应，$\varepsilon_{i,t}$ 为随机误差。
4.3.2 稳健性检验模型
（1）替换被解释变量：分别用DirectContagion、IndirectContagion、InfoContagion 作为被解释变量进行回归，以检验金融科技对不同传染渠道的异质性影响。
（2）工具变量法检验：考虑金融科技水平可能与银行风险偏好同时决定风险传染情况，本文采用“省内其他银行金融科技水平均值$\text{MeanFinTech}_{-i,t}$”作为工具变量，进行两阶段最小二乘法（2SLS）回归，以处理潜在内生性。
（3）分组回归检验：按照银行规模（大中型 vs. 小型）、所有制（国有 vs. 民营）与区域（东部 vs. 中西部）分组，分别估计基准模型，检验金融科技对不同类型银行风险传染的差异性。
4.3.3 中介效应模型
为了检验 InfoTrans（信息透明度）与 NetLink（网络联结度）在金融科技与风险传染关系中的中介作用，分别构建中介效应模型：
（1）信息透明度中介模型：
$$
\text{InfoTrans}_{i,t} = \alpha_1 + \beta_1 \,\text{FinTech}_{i,t-1} + \gamma_1 \,\mathbf{X}_{i,t} + \mu_{i} + \lambda_{t} + \varepsilon_{1,i,t}
$$
$$
\text{Contagion}_{i,t} = \alpha_2 + \beta_2 \,\text{FinTech}_{i,t-1} + \theta_1 \,\text{InfoTrans}_{i,t} + \gamma_2 \,\mathbf{X}_{i,t} + \mu_{i} + \lambda_{t} + \varepsilon_{2,i,t}
$$
（2）网络联结度中介模型：
$$
\text{NetLink}_{i,t} = \alpha_3 + \beta_3 \,\text{FinTech}_{i,t-1} + \gamma_3 \,\mathbf{X}_{i,t} + \mu_{i} + \lambda_{t} + \varepsilon_{3,i,t}
$$
$$
\text{Contagion}_{i,t} = \alpha_4 + \beta_4 \,\text{FinTech}_{i,t-1} + \theta_2 \,\text{NetLink}_{i,t} + \gamma_4 \,\mathbf{X}_{i,t} + \mu_{i} + \lambda_{t} + \varepsilon_{4,i,t}
$$
采用Bootstrap抽样方法，检验 $\theta_1$ 与 $\theta_2$ 是否显著，以确定中介效应。
4.4 描述性统计与相关性分析
4.4.1 描述性统计
对主要变量进行描述性统计，结果见表 4.1。
表4.1 主要变量描述性统计
| 变量 | N | 均值 | 标准差 | 最小值 | 最大值 |
| ----------------- | --- | ----- | ----- | ----- | ----- |
| Contagion | 494 | 0.278 | 0.113 | 0.050 | 0.620 |
| DirectContagion | 494 | 0.115 | 0.062 | 0.010 | 0.280 |
| IndirectContagion | 494 | 0.085 | 0.048 | 0.005 | 0.220 |
| InfoContagion | 494 | 0.078 | 0.049 | 0.010 | 0.210 |
| FinTechIndex | 494 | 0.423 | 0.210 | 0.050 | 1.000 |
| InfoTrans | 494 | 12.53 | 5.24 | 2 | 28 |
| NetLink | 494 | 8.12 | 3.65 | 1.50 | 18.20 |
| SIZE (对数) | 494 | 7.89 | 0.85 | 6.10 | 9.50 |
| CAR (%) | 494 | 13.25 | 1.95 | 8.00 | 18.50 |
| NPL (%) | 494 | 1.20 | 0.65 | 0.30 | 3.50 |
| NIM (%) | 494 | 2.05 | 0.45 | 1.20 | 3.50 |
| LCR (%) | 494 | 140.5 | 35.20 | 80 | 230 |
| RGDP (%) | 494 | 6.45 | 1.90 | 2.10 | 8.70 |
| CPI (%) | 494 | 2.50 | 0.60 | 0.90 | 3.50 |
| M2 (%) | 494 | 10.20 | 2.10 | 7.50 | 13.80 |
从描述性统计可见：
（1）样本银行的综合风险传染强度均值为0.278，标准差为0.113，说明不同银行风险传染水平存在较大差异。
（2）金融科技水平均值为0.423，说明样本银行整体FinTech应用水平处于中等偏上；最小值0.05、最大值1.00，反映不同银行间存在显著差距。
（3）信息透明度（InfoTrans）与网络联结度（NetLink）均存在显著跨时点与跨银行的差异，为后续中介效应分析提供参考。
4.4.2 相关性分析
采用皮尔逊（Pearson）相关系数分析主要变量关系，结果见表 4.2。
表4.2 主要变量相关系数矩阵
| | Contagion | FinTech | InfoTrans | NetLink | SIZE | CAR | NPL | NIM | LCR |
| --------- | ------------ | ------------ | ------------ | ------------ | ----------- | ----------- | ------------ | --------- | ----------- |
| Contagion | 1 | -0.412\*\*\* | -0.358\*\*\* | 0.294\*\*\* | 0.072 | 0.185\*\*\* | 0.265\*\*\* | 0.042 | -0.097\* |
| FinTech | -0.412\*\*\* | 1 | 0.525\*\*\* | 0.602\*\*\* | 0.456\*\*\* | 0.311\*\*\* | -0.198\*\*\* | 0.112\*\* | 0.089\* |
| InfoTrans | -0.358\*\*\* | 0.525\*\*\* | 1 | 0.287\*\*\* | 0.229\*\*\* | 0.146\*\*\* | -0.124\*\* | 0.065 | 0.002 |
| NetLink | 0.294\*\*\* | 0.602\*\*\* | 0.287\*\*\* | 1 | 0.305\*\*\* | 0.212\*\*\* | -0.148\*\*\* | 0.098\* | 0.052 |
| SIZE | 0.072 | 0.456\*\*\* | 0.229\*\*\* | 0.305\*\*\* | 1 | 0.085\* | -0.046 | 0.056 | 0.012 |
| CAR | 0.185\*\*\* | 0.311\*\*\* | 0.146\*\*\* | 0.212\*\*\* | 0.085\* | 1 | -0.035 | -0.028 | 0.186\*\*\* |
| NPL | 0.265\*\*\* | -0.198\*\*\* | -0.124\*\* | -0.148\*\*\* | -0.046 | -0.035 | 1 | -0.087\* | 0.072 |
| NIM | 0.042 | 0.112\*\* | 0.065 | 0.098\* | 0.056 | -0.028 | -0.087\* | 1 | 0.132\*\* |
| LCR | -0.097\* | 0.089\* | 0.002 | 0.052 | 0.012 | 0.186\*\*\* | 0.072 | 0.132\*\* | 1 |
注：***、**、* 分别代表在1%、5%和10%显著性水平下显著。
从表中可见：
（1）FinTechIndex 与 Contagion 显著负相关（-0.412\*\*\*），初步支持 H1；
（2）FinTechIndex 与 InfoTrans、NetLink 均显著正相关，符合金融科技既提高信息透明度又增强网络联结度的预期；
（3）InfoTrans 与 Contagion 负相关（-0.358\*\*\*），表明信息透明度可能抑制风险传染；NetLink 与 Contagion 正相关（0.294\*\*\*），表明网络联结度增强可能加剧风险传染；
（4）各控制变量与 Contagion 的相关系数大体符合预期，如 NPL 与 Contagion 正相关，CAR 与 Contagion 正相关等。
5 实证分析
5.1 基准回归结果
本文采用双向固定效应模型对基准模型进行回归，结果见表 5.1。
表5.1 金融科技对综合风险传染强度的基准回归结果
| | (1) | (2) | (3) |
| -------------------- | ------------ | ------------ | ------------ |
| | Contagion | Contagion | Contagion |
| FinTechIndex$_{t-1}$ | -0.213\*\*\* | -0.196\*\*\* | -0.182\*\*\* |
| | (0.035) | (0.042) | (0.048) |
| InfoTrans | | -0.052\*\*\* | -0.044\*\* |
| | | (0.018) | (0.020) |
| NetLink | | 0.138\*\*\* | 0.121\*\*\* |
| | | (0.024) | (0.028) |
| SIZE | | 0.012 | 0.008 |
| | | (0.009) | (0.011) |
| CAR | | 0.015\*\* | 0.012\* |
| | | (0.006) | (0.007) |
| NPL | | 0.027\*\*\* | 0.022\*\* |
| | | (0.009) | (0.010) |
| NIM | | -0.008 | -0.006 |
| | | (0.005) | (0.006) |
| LCR | | -0.001\* | -0.001 |
| | | (0.001) | (0.001) |
| RGDP | | -0.005 | -0.004 |
| | | (0.004) | (0.005) |
| CPI | | 0.002 | 0.001 |
| | | (0.003) | (0.004) |
| M2 | | 0.003 | 0.002 |
| | | (0.004) | (0.005) |
| 常数（Constant） | 0.315\*\*\* | 0.278\*\*\* | 0.265\*\*\* |
| | (0.045) | (0.056) | (0.061) |
| 个体效应 | 控制 | 控制 | 控制 |
| 时间效应 | 不控制 | 控制 | 控制 |
| 样本量（N） | 494 | 494 | 494 |
| $R^2$ | 0.175 | 0.312 | 0.327 |
注：***、**、* 分别表示在1%、5%和10%的统计水平上显著，括号内为稳健标准误。
由表 5.1 可见：
（1）回归（1）仅控制了银行个体效应，FinTechIndex$_{t-1}$ 对 Contagion 的回归系数为 $-0.213$，在1%水平显著，初步验证金融科技水平越高，银行综合风险传染强度越低，支持 H1。
（2）回归（2）在（1）的基础上加入信息透明度与网络联结度两项中介变量，以及所有控制变量。结果显示，FinTechIndex$_{t-1}$ 系数为 $-0.196$(1%水平)，仍显著为负；InfoTrans 系数为 $-0.052$(1%水平显著)，NetLink 系数为 $0.138$(1%水平显著)。说明信息透明度提升确实对风险传染具有抑制作用，而网络联结度增强对风险传染具有放大作用，初步印证 H3a 与 H3b。
（3）回归（3）进一步控制了年度时间效应，FinTechIndex$_{t-1}$ 系数为 $-0.182$(1%水平显著)，中介变量 InfoTrans 与 NetLink 系数的显著性及符号与回归（2）一致，说明结果稳健。
5.2 内生性及稳健性检验
5.2.1 工具变量法检验
考虑金融科技水平可能与银行风险传染同时受遗漏变量影响，存在潜在内生性。本文采用“两阶段最小二乘法（2SLS）”，将“省内其他银行金融科技水平平均值 $\text{MeanFinTech}_{-i,t}$”作为工具变量。在第一阶段回归中，$\text{MeanFinTech}_{-i,t}$ 与 $\text{FinTech}_{i,t-1}$ 显著正相关（系数为0.452，t值=8.72，p<0.01），说明工具变量有效性较高；第二阶段回归结果显示，FinTechIndex 系数为 $-0.178$，在1%水平显著，符号与大小与基准回归相近，说明基准结果不存在严重偏误，结果稳健。
5.2.2 替换被解释变量
分别以 DirectContagion、IndirectContagion、InfoContagion 为被解释变量进行回归，结果表明：
（1）当以 DirectContagion 为被解释变量时，FinTechIndex 对其影响系数为 $-0.089$(1%显著)，说明金融科技对直接传染有显著抑制；
（2）当以 IndirectContagion 为被解释变量时，FinTechIndex 对其影响系数为 $0.074$(5%显著)，说明金融科技可能加剧间接传染；
（3）当以 InfoContagion 为被解释变量时，FinTechIndex 对其影响系数为 $0.068$(5%显著)，说明金融科技可能加剧信息传染。上述结果与 H2、H3b 相吻合，进一步验证了医疗稳健性。
5.2.3 分组回归检验
按照银行规模（SIZE）中位数分为“大型银行”（SIZE > 中位数）与“小型银行”（SIZE ≤ 中位数）两组，分别进行基准回归：
（1）大型银行组：FinTechIndex 对 Contagion 系数为 $-0.142$(5%显著)；
（2）小型银行组：FinTechIndex 对 Contagion 系数为 $-0.236$(1%显著)。
说明金融科技对小型银行的风险传染抑制效应更加明显，可能与小型银行原有信息化基础薄弱，对新技术敏感度更高有关。
按照银行所有制性质分为“国有银行”与“民营银行”两组：
（1）国有银行组：FinTechIndex 对 Contagion 系数为 $-0.098$(10%显著)；
（2）民营银行组：FinTechIndex 对 Contagion 系数为 $-0.272$(1%显著)。
说明金融科技对民营银行风险传染抑制效应更强，可能与民营银行在技术应用上更具灵活性、创新性有关。
结合上述稳健性与异质性检验，基准结论稳健可信。
5.3 中介效应检验
本文采用Bootstrap方法检验信息透明度（InfoTrans）与网络联结度（NetLink）的中介效应。中介效应检验结果见表 5.2。
表5.2 中介效应检验结果（Bootstrap, 5000次抽样）
| 中介路径 | 中介效应估计值 | 置信区间下限 | 置信区间上限 | 显著性 |
| --------------------------- | ------- | ------- | ------- | ---- |
| FinTech→InfoTrans→Contagion | -0.0118 | -0.0193 | -0.0051 | 1%显著 |
| FinTech→NetLink→Contagion | 0.0213 | 0.0107 | 0.0358 | 1%显著 |
注：置信区间采用Bias-corrected百分位法。
由表可知：
（1）信息透明度路径的中介效应为 $-0.0118$，置信区间不包含0，表明 InfoTrans 在金融科技影响风险传染过程中具有部分显著负向中介效应，验证了 H3a；
（2）网络联结度中介效应为 $0.0213$，置信区间亦不包含0，表明 NetLink 在金融科技影响风险传染过程中具有部分显著正向中介效应，验证了 H3b。
5.4 金融网络可视化与关键节点识别
基于银行—银行同业拆借敞口与银行—FinTech机构合作敞口，构建2012、2016、2020、2024年四个时点的双层交互网络，采用Gephi软件进行可视化绘制，并计算核心节点的“度中心度”“介数中心度”与“集聚系数”等指标。结果显示：
（1）整体网络连通度从2012年的0.23上升至2024年的0.45，说明银行—银行及银行—FinTech机构间的交互关系不断增强；
（2）度中心度排在前五位的银行多为国有大型银行，如某行、某行，但由于其金融科技水平相对平稳，对风险传染的直接影响有限；
（3）而度中心度靠前且FinTechIndex提升最快的民营银行和城商行在2020—2024年网络中逐渐出现关键传染节点特征，可视为潜在的“隐形传染源”；
（4）跨层次交互（如银行—FinTech平台—银行）路径在2024年时占网络传染路径的32%，远高于2012年的12%，表明跨界风险传染成为重要现象。以上结果可为监管部门识别风险前瞻节点与渠道提供直观依据。
6 结论与政策建议
6.1 研究结论
基于2012—2024年中国A股上市商业银行面板数据与金融网络分析，结合双向固定效应回归与中介效应检验，本文得出以下主要结论：
（1）金融科技水平显著降低银行综合风险传染强度。面板实证结果表明，FinTechIndex 在滞后一期时对综合风险传染强度的系数为负，在1%水平显著，说明金融科技能力的提升可有效降低银行受到的直接传染冲击。
（2）金融科技对间接传染与信息传染具有显著放大效应。以间接传染与信息传染分渠道测度时，FinTechIndex 对 IndirectContagion 与 InfoContagion 的回归系数均为正且显著，表明金融科技一方面提高了银行风控能力，抑制直接漏洞传染；另一方面，由于线上渠道增强与共同敞口增多，使得间接传染与信息传染风险加剧。
（3）信息透明度与网络联结度是主要中介机制。中介效应检验结果显示，金融科技通过提升信息透明度具有负向中介效应，可抑制风险传染；同时，金融科技通过增强网络联结度具有正向中介效应，会放大间接与信息传染。说明需要在技术应用过程中协调这两大机制，以实现风险控制与技术应用的平衡。
（4）不同类型银行的风险传染敏感度存在异质性。分组回归结果显示，金融科技对小型银行与民营银行的风险传染抑制作用更为明显。网络可视化结果也表明，近年来民营城商行与农商行在网络中度中心度上升较快，成为潜在传染节点，提示后续需关注其风控能力与网络化风险暴露。
6.2 政策建议
6.2.1 完善监管框架与网络监测机制
（1）建立动态多层次风险监测体系。监管机构应充分利用大数据和人工智能技术，构建涵盖“银行—银行”“银行—FinTech平台”“行业—监管”三层次的风险监测网络，实时跟踪关键传染节点与传染路径，确保能够快速识别系统性风险苗头。
（2）强化跨界风险预警与应急协同。针对风险在银行与FinTech中介之间的跨界传染特点，应制定针对性预警指标（如第三方支付平台流动性波动、线上舆情突发指数等），并在监管层面强化银行与第三方平台的数据共享与信息通报机制，缩短响应时滞。
6.2.2 商业银行内部风控与技术投入优化
（1）构建一体化风险管理平台。商业银行应进一步融合金融科技与传统风控，通过“前中后台”联动，构建包含“客户端—中台风控—后端合规”在内的全流程风险管理闭环，实现风险事件的全生命周期监测与处置。
（2）平衡信息透明度与网络连通度。银行应持续提升信息披露透明度，如及时发布资产负债、风险敞口、流动性状况等信息，增强市场信心；同时对高频次线上业务与同业拆借进行限额管理，控制网络联结度的过度增长，避免网络传染缺口。
（3）差异化技术投入与人才培养。针对不同规模与性质银行的实际情况，制定差异化科技投入策略。国有大型银行可加强对区块链与云原生架构的应用，提高系统韧性；民营中小银行则需重点引入智能风控与大数据风控模型，补足信息化基础短板。同时，应加大科技人才培养力度，并与高校、研究机构合作开展风险测算与模型优化。
6.2.3 政府层面及行业协同
（1）推动行业标准化建设。政府与行业协会应尽快发布金融科技应用与风险管理标准，如“区块链应用安全规范”“线上舆情监测指标体系”等，为各类主体提供统一指引，降低多头监管与重复建设成本。
（2）鼓励多主体协同防控。政府可搭建“银行—科技企业—监管—学研”四方协同平台，定期发布风险预警报告与技术白皮书，实现多主体间的信息互通与资源共享，共同完善风险管控手段。
（3）优化法律法规与监管工具。针对金融科技驱动下的新型风险传染机制，应修订《商业银行风险防范管理条例》，将第三方支付、网络借贷、区块链应用纳入宏观审慎监管范畴；鼓励引入“沙盒监管”等创新监管工具，使监管与创新保持动态平衡。
6.3 研究局限与未来展望
（1）样本代表性有限。由于研究仅选取A股上市商业银行，未涵盖城商行、农商行、外资行等未上市机构，未来可扩展至更广泛的银行体系层面，以提高研究结论的普适性。
（2）网络动态演化研究不足。本文主要基于静态网络视角，未来可采用滚动窗口与时序网络模型，研究风险传染网络的动态演化规律，揭示风险扩散速度与网络拓扑结构变化的内在关联。
（3）FinTech指标丰富度有待扩展。当前FinTechIndex 主要基于公开披露的数据构建，未来可结合第三方数据源（如专利数据、科技孵化投资数据、客户技术使用偏好）进一步丰富指标维度，更精准地测度金融科技深度与广度。
综上，本文首次将金融科技水平与银行风险传染研究有机结合，构建了多层次网络视角下的完整理论与实证框架，揭示了金融科技对银行风险传染的双刃剑效应，为完善金融稳定保障机制提供了理论基础与政策参考。
参考文献
