4 浏览摘要
本文旨在深入研究商业银行应用金融科技（Fintech）对其信贷风险的影响，特别是从信息不对称和内部控制这两个关键视角出发。研究团队创新性地采用网络爬虫技术（Python），通过抓取银行在五项金融科技核心技术（如大数据、人工智能等）方面的公开信息，构建了一个银行层面的金融科技应用指数，从而更精确地衡量每家银行的金融科技应用水平。
研究使用了中国银行业2013年至2018年的数据。实证结果表明：
1.核心发现：商业银行对金融科技的应用能够显著降低其不良贷款率，即有效抑制了信贷风险。
2.影响机制（传导渠道）：这种风险降低主要通过两条路径实现：
提升内部控制水平：金融科技的信息化和数字化优势，帮助银行完善了内控合规与信贷风险审核机制。
缓解银企信息不对称：金融科技增强了银行的信息获取和处理能力，减少了信贷决策中的不确定性。
3.异质性效应：金融科技的风险降低效应并非“一刀切”。对于那些信贷结构中信息不对称程度原本就较高的银行（例如，资产规模较小的银行、信用贷款占比高的银行），金融科技带来的“技术红利”更大，对其信贷风险的缓解作用也更为明显。
关键词
-金融科技
-不良贷款率
-信息不对称
-动态面板门槛模型
第一章：引言
本章阐述了研究背景、动机与核心价值。
现实背景：中国银行业面临经济下行压力、监管趋严等多重考验，对银行控制风险、提升信贷质量提出了更高要求。在此背景下，“变则通，通则久”成为行业共识，各大银行纷纷加大对金融科技的投入。例如，中国银行业协会的“陀螺”评价体系显示，上榜银行的金融科技投入从占营业收入的1%提升至2%，平安银行2018年科技投入同比增长82%，占总收入的2.2%。
问题提出：尽管投入巨大，但金融科技对银行业究竟是利是弊？它如何影响银行风险？在疫情冲击下，加速金融科技建设是应对风险的最优解吗？这些问题亟待回答。
研究价值与边际贡献：
1.指标构建创新：不同于以往使用宏观变量衡量金融科技的做法，本文使用网络爬虫技术，构建了银行层面的微观金融科技应用指数，更能反映个体差异。
2.方法改进：采用动态面板门槛模型，以资产规模作为门限变量，客观地识别金融科技对不同规模银行的异质性影响，避免了主观分组带来的估计偏误。
3.机理深入挖掘：结合中介效应检验与门槛模型，首次从计量角度系统性地验证了金融科技通过“内部控制”和“信息不对称”两条渠道影响信贷风险的传导机制，弥补了现有研究的空白。
第二章：文献综述与研究假说
（一）文献综述
关于金融科技对传统银行业的影响，学术界存在两种主要观点：
积极观点（降低风险）：
Frame等（2018）认为金融科技能改善银行信贷风险衡量。
谷政、石岿然（2020）指出金融科技有助于提升效率和完善风险管理。
刘孟飞、蒋维（2020）发现金融科技促进了中国银行业盈利能力提升。
薛莹、胡坚（2020）强调金融科技能提升金融服务实体经济的能力。
消极观点（加剧风险）：
Philippon（2016）和Lee&Shin（2018）对金融科技的快速发展持保留态度，认为其可能带来新的风险。
邱晗等（2018）发现金融科技发展导致银行借贷利率和净息差下降。
孙旭然等（2020）认为金融科技加剧了银行风险承担。
金洪飞等（2020）指出金融科技对中小银行产生了“挤出效应”，恶化了其生存环境。
综述小结：目前尚无定论，且现有研究多关注宏观总体影响，对银行层面的异质性影响及具体传导机制关注不足。
（二）研究假说
基于以上分析，本文提出以下可检验的假说：
假说1：金融科技应用对商业银行不良贷款率具有负向影响，即能够降低银行信贷风险。
假说2a：金融科技应用能够通过提升商业银行的内部控制水平，进而降低其不良贷款率（内部控制中介渠道）。
假说2b：金融科技应用能够通过缓解银企之间的信息不对称，进而降低其不良贷款率（信息不对称中介渠道）。
假说3a：金融科技应用对商业银行信贷风险的影响，会因银行资产规模的不同而存在非线性门槛效应。
假说3b：金融科技应用对商业银行信贷风险的影响，会因银行贷款结构（信用贷款比重、短期贷款比重）的不同而存在异质性。
第三章：研究设计
（一）变量定义与度量
|变量类别|变量名称|变量符号|计算方式|
|:|:|:|:|
|被解释变量|不良贷款率|`npl`|不良贷款总额/总贷款余额|
||风险加权资产占比|`risk`|风险加权资产/总资产|
|核心解释变量|金融科技应用|`fintech`|通过网络爬虫获取五项核心技术信息，使用主成分分析法合成指数|
|中介变量|内部控制指数|`ic`|采用“深圳迪博”公司发布的权威内部控制指数|
|调节变量|信用贷款比重|`loans`|信用贷款/总贷款|
||短期贷款比重|`sloans`|短期贷款/总贷款|
|控制变量|资产规模|`asset`|银行总资产（单位：百亿元）|
||存贷比|`dlr`|贷款总额/存款总额|
||非利息收入占比|`nir`|非利息收入/营业收入|
||运营成本|`oc`|运营成本/总资产|
||财务杠杆率|`flr`|息税前利润/营业利润|
||上证综指|`sp`|年度收盘价的对数值|
||固定资产投资增速|`fixg`|全社会固定资产投资年度增速|
（二）数据来源与处理
数据来源：宏观数据来自国家统计局，银行层面数据来自Bankscope数据库和各银行年报。
样本范围：基准回归样本为2013-2018年，包含208家银行的不平衡面板数据。在中介效应检验中，为与迪博数据库匹配，样本期为2009-2018年，涵盖16家上市银行。
数据处理：对于金融科技爬虫记录为空的银行，参考陆铭、陈钊（2004）的方法，记为10⁻⁵，以保持数据趋势同时避免共线性。
第四章：实证结果分析
（一）基准回归结果
模型：分别使用了混合效应模型（POOL）、固定效应模型（FE）和系统GMM模型（SGMM）进行估计。
核心发现：
在所有模型中，金融科技（`fintech`）的系数均为负。
在最为严谨、处理了内生性问题的系统GMM模型中，系数为-0.0782，且在1%的水平上高度显著。
结论：结果稳健地支持了假说1，即金融科技应用确实能显著降低商业银行的不良贷款率。
（二）传导机制检验
1.内部控制渠道（验证假说2a）
首先，回归显示金融科技能提升内部控制指数（`ic`）。
然后，将`fintech`和`ic`同时放入回归方程，发现`ic`的系数显著为负，说明内部控制提升能降低不良贷款率。
虽然`fintech`对`ic`的直接系数不显著，但Sobel检验的Z统计量为2.272，大于5%显著性水平的临界值（0.97），因此拒绝“无中介效应”的原假设。
结论：内部控制起到了显著的中介作用，假说2a得证。
2.信息不对称渠道（验证假说2b和假说3）
a.资产规模门槛效应（假说3a）
采用动态面板门槛模型，发现资产规模（`asset`）存在单一门槛，值为14.47（百亿元）。
门槛两侧的`fintech`系数差异巨大：
当`asset<14.47`(小银行):系数=-14.9528(1%水平显著)
当`asset>14.47`(大银行):系数=-0.0683(1%水平显著)
解读：金融科技对小银行信贷风险的抑制效果极其强烈。这是因为小银行通常面临更严重的信息不对称问题，金融科技的应用能带来更大的边际改善。
b.贷款结构异质性（假说3b）
由于贷款结构数据缺失较多，改用包含交互项的模型。
回归结果显示，交互项`fintech·loans`的系数在系统GMM中为-0.5082，且在1%水平显著。
经济含义：信用贷款比重越高的银行，其金融科技应用对不良贷款率的降低作用越强。因为信用贷款无抵押，信息不对称问题更突出，金融科技在缓解该问题上的价值也就更大。
第五章：研究结论与政策启示
（一）主要研究结论
1.总体效应：金融科技的应用能有效降低商业银行的信贷风险，表现为不良贷款率的显著下降。
2.双重传导路径：金融科技主要通过提升银行内部控制质量和缓解银企之间的信息不对称这两条关键路径来发挥其风险抑制作用的。
3.显著的异质性：金融科技的风险治理效应存在明显的“技术红利偏向性”。
中小银行从金融科技应用中获益远大于大型银行。
贷款结构中信用贷款占比高的银行，其风险下降更为明显。
这证明了信息不对称程度高的银行，恰恰是金融科技最能发挥作用的对象。
（二）政策与实务启示
1.对银行而言：
应坚定不移地推进金融科技战略，将其作为核心风控工具。
特别是中小银行，应聚焦于利用金融科技解决其在小微企业信贷中的信息不对称痛点，实现差异化竞争和风险控制的双重目标。
2.对监管当局而言：
应鼓励和支持银行业的金融科技创新，特别是在风险可控的前提下。
应充分认识到金融科技对不同类型银行的差异化影响，实施差异化、精准化的监管政策，引导中小银行安全、高效地完成数字化转型。
在后疫情时代，推动金融科技发展对于降低企业融资成本、保障市场主体生存、实现“六保”任务具有重要的现实意义。
