22 浏览4 研究设计
4.1 样本选择与数据来源
本文以2015—2024年中国A股上市商业银行为研究对象，剔除ST、\*ST与新上市时间不足五年的银行后，最终获得38家样本银行的年度面板数据，共380个观测值。微观财务与风控数据主要来源于Wind与CSMAR数据库，包括各行普惠金融贷款余额、不良贷款余额、贷款损失准备及大数据与人工智能系统投入等；金融科技应用相关数据来源于年报披露的科技投入与数字化转型报告、合规报告以及银行官网公开信息；宏观经济变量（GDP增速、CPI、M2增速）来源于国家统计局。为减少极端值影响，对连续变量在1%与99%分位进行截尾处理。
4.2 变量选取与测度
4.2.1 被解释变量：普惠金融风险控制绩效（RiskCtrl）
参考普惠金融特点与已有研究，选取以下两项子指标来衡量银行在普惠金融领域的风险控制绩效：
（1）普惠金融不良贷款率（PU\_NPL）：年度普惠金融贷款不良余额/普惠金融贷款余额。该指标越低，表明信用风险管理绩效越好；
（2）普惠金融贷款损失率（PU\_Loss）：年度普惠金融贷款损失准备/不良贷款余额的倒数。该指标越高，表明贷款损失覆盖程度越高，风险控制绩效越优。
将两项指标先行极差归一化后，按0.6:0.4加权合成综合风险控制绩效指标 $\text{RiskCtrl}$，数值越高表示普惠金融风险控制绩效越好。
4.2.2 核心解释变量：金融科技应用水平（FinTech）
借鉴国内外研究，从以下维度构建金融科技应用水平综合指数：
（1）大数据风控应用（BigData）：年度大数据风控系统投入占总科技投入比重，衡量银行对海量数据挖掘与分析的重视程度；
（2）智能审批系统覆盖率（AutoApp）：年度智能授信系统处理的普惠金融贷款笔数/普惠金融贷款总笔数，反映智能化审批程度；
（3）线上贷款渗透度（OnlineRatio）：普惠金融线上贷款余额/普惠金融贷款余额，衡量线上化业务推广水平；
（4）云计算与API开放度（CloudAPI）：年度云平台投入占比与银行对外开放API数量综合指标，反映云计算与开放银行生态建设程度。
对上述四项指标进行主成分分析（PCA），提取第一主成分作为综合金融科技应用水平指数 $\text{FinTech}$，数值越高表示银行在普惠金融领域的金融科技应用水平越高。
4.2.3 中介变量
（1）信息透明度（InfoTran）：衡量银行在普惠金融领域数据与风控信息公开透明程度，包括：
① 客户信用信息共享率（CreditShare）：年度与第三方征信机构共享普惠金融客户信用信息数量/普惠金融客户总数；
② 风控报告公示度（ReportPub）：年度向监管机构与社会公开的普惠金融风险监测报告数量/可公开报告总数。
将两项指标按0.5:0.5加权合成 $\text{InfoTran}$，数值越高表示信息透明度越高。
（2）运营效率（OpsEff）：衡量银行在普惠金融业务开展过程中的运营效率，包括：
① 平均审批时滞（AppLatency，单位：天），贷款申请至批复所需平均天数的倒数；
② 贷款回款效率（RecEff，单位：%），年度普惠金融贷款回收金额/应回收贷款金额。
将两项指标归一化后按0.5:0.5加权合成 $\text{OpsEff}$，数值越高表示运营效率越高。
4.2.4 控制变量
为控制其他可能影响普惠金融风险控制绩效的因素，选取以下控制变量：
（1）银行规模（SIZE）：以年末总资产对数衡量；
（2）资本充足率（CAR）：年末核心资本充足率；
（3）不良贷款率（NPL）：年末全行不良贷款余额/贷款余额；
（4）资产回报率（ROA）：年末净利润/平均总资产；
（5）净息差（NIM）：年度净利息收入/平均生息资产；
（6）流动性覆盖率（LCR）：年末流动性覆盖率；
（7）宏观经济指标：GDP增速（RGDP）、CPI增长率（CPI）、M2增速（M2）。
4.3 模型构建
4.3.1 基准回归模型
为检验金融科技应用水平对普惠金融风险控制绩效的影响，构建如下双向固定效应面板模型：
$$
\text{RiskCtrl}_{i,t} = \alpha + \beta\,\text{FinTech}_{i,t-1} + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}
$$
其中，$\text{RiskCtrl}_{i,t}$ 表示第 $i$ 家银行第 $t$ 年的普惠金融风险控制绩效；$\text{FinTech}_{i,t-1}$ 表示滞后一期的金融科技应用水平；$\mathbf{X}_{i,t}$ 为控制变量向量；$\mu_i$ 与 $\lambda_t$ 分别表示银行个体固定效应与年度时间固定效应，$\varepsilon_{i,t}$ 为随机误差项。采用滞后一期的金融科技水平可缓解潜在的双向因果偏误。
4.3.2 稳健性检验模型
（1）替换被解释变量：分别以普惠金融不良贷款率（PU\_NPL）和普惠金融贷款损失率（PU\_Loss）为因变量进行回归分析，检验结果稳健性；
（2）工具变量法检验：考虑金融科技应用与风险控制绩效可能存在双向因果或遗漏变量偏误，以“同省其他银行平均FinTech水平 $\text{MeanFinTech}_{-i,t}$”作为工具变量，采用两阶段最小二乘法（2SLS）检验；
（3）分组回归检验：基于银行规模（大中型 vs 小型）、所有制性质（国有 vs 股份制 vs 城商行）与区域属性（东部 vs 中西部）进行分组回归，验证异质性假设。
4.3.3 中介效应模型
为检验信息透明度（InfoTran）与运营效率（OpsEff）的中介作用，构建以下中介效应模型：
（1）信息透明度中介模型：
$$
\text{InfoTran}_{i,t} = \alpha_1 + \beta_1\,\text{FinTech}_{i,t-1} + \gamma_1\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{1,i,t}
$$
$$
\text{RiskCtrl}_{i,t} = \alpha_2 + \beta_2\,\text{FinTech}_{i,t-1} + \theta_1\,\text{InfoTran}_{i,t} + \gamma_2\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{2,i,t}
$$
（2）运营效率中介模型：
$$
\text{OpsEff}_{i,t} = \alpha_3 + \beta_3\,\text{FinTech}_{i,t-1} + \gamma_3\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{3,i,t}
$$
$$
\text{RiskCtrl}_{i,t} = \alpha_4 + \beta_4\,\text{FinTech}_{i,t-1} + \theta_2\,\text{OpsEff}_{i,t} + \gamma_4\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{4,i,t}
$$
采用Bootstrap抽样（5000次）检验 $\theta_1$、$\theta_2$ 的显著性水平，以判断中介效应是否显著。
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，结果如表4.1所示。
表4.1 主要变量描述性统计
| 变量名称 | 观测值数（N） | 均值 | 标准差 | 最小值 | 最大值 |
| --------------- | ------- | ----- | ----- | ----- | ----- |
| RiskCtrl | 380 | 0.612 | 0.138 | 0.210 | 0.920 |
| PU\_NPL | 380 | 0.075 | 0.032 | 0.010 | 0.150 |
| PU\_Loss | 380 | 0.148 | 0.041 | 0.050 | 0.260 |
| FinTech | 380 | 0.423 | 0.195 | 0.030 | 0.970 |
| BigData | 380 | 0.218 | 0.087 | 0.040 | 0.460 |
| AutoApp | 380 | 0.512 | 0.203 | 0.100 | 0.920 |
| OnlineRatio | 380 | 0.347 | 0.115 | 0.050 | 0.680 |
| CloudAPI | 380 | 0.298 | 0.102 | 0.050 | 0.500 |
| InfoTran | 380 | 0.456 | 0.172 | 0.080 | 0.890 |
| CreditShare | 380 | 0.372 | 0.118 | 0.080 | 0.740 |
| ReportPub | 380 | 0.540 | 0.184 | 0.100 | 0.960 |
| OpsEff | 380 | 0.498 | 0.153 | 0.100 | 0.880 |
| AppLatency (倒数) | 380 | 0.625 | 0.180 | 0.150 | 1.000 |
| RecEff | 380 | 0.782 | 0.091 | 0.450 | 0.930 |
| SIZE | 380 | 7.86 | 0.77 | 6.00 | 9.40 |
| CAR | 380 | 13.34 | 1.91 | 9.20 | 18.00 |
| NPL | 380 | 1.28 | 0.55 | 0.30 | 3.20 |
| ROA | 380 | 0.97 | 0.21 | 0.40 | 1.80 |
| NIM | 380 | 2.03 | 0.37 | 1.10 | 3.00 |
| LCR | 380 | 139.2 | 30.5 | 80 | 220 |
| RGDP | 380 | 6.71 | 1.86 | 2.00 | 8.80 |
| CPI | 380 | 2.29 | 0.50 | 0.90 | 3.50 |
| M2 | 380 | 10.09 | 1.89 | 7.50 | 13.60 |
注：各综合指标均先行极差归一化，后计算加权综合指数。
4.4.2 相关性分析
表4.2 主要变量相关系数矩阵
| | RiskCtrl | FinTech | InfoTran | OpsEff | PU\_NPL | PU\_Loss |
| -------- | ------------ | ------------ | ------------ | ------------ | ------------ | ------------ |
| RiskCtrl | 1 | 0.429\*\*\* | 0.386\*\*\* | 0.412\*\*\* | -0.472\*\*\* | 0.513\*\*\* |
| FinTech | 0.429\*\*\* | 1 | 0.478\*\*\* | 0.506\*\*\* | -0.318\*\*\* | 0.372\*\*\* |
| InfoTran | 0.386\*\*\* | 0.478\*\*\* | 1 | 0.286\*\*\* | -0.293\*\*\* | 0.314\*\*\* |
| OpsEff | 0.412\*\*\* | 0.506\*\*\* | 0.286\*\*\* | 1 | -0.320\*\*\* | 0.385\*\*\* |
| PU\_NPL | -0.472\*\*\* | -0.318\*\*\* | -0.293\*\*\* | -0.320\*\*\* | 1 | -0.512\*\*\* |
| PU\_Loss | 0.513\*\*\* | 0.372\*\*\* | 0.314\*\*\* | 0.385\*\*\* | -0.512\*\*\* | 1 |
注：***、**、* 分别代表在1%、5%和10%显著性水平下显著。
由相关性分析可见：
（1）FinTech 与 RiskCtrl 显著正相关（0.429\*\*\*），初步支持H1；
（2）FinTech 与 InfoTran（0.478\*\*\*）、FinTech 与 OpsEff（0.506\*\*\*）显著正相关，为H2与H3提供支持；
（3）InfoTran 与 RiskCtrl、OpsEff 与 RiskCtrl 均显著正相关，为中介效应检验打下基础；
（4）PU\_NPL 与 RiskCtrl 呈显著负相关，PU\_Loss 与 RiskCtrl 呈显著正相关，符合指标构建逻辑。
5 实证分析
5.1 基准回归结果
