李易懋

(长沙理工大学经济与管理学院，湖南 长沙 410076)

金融科技(Fintech)作为跨界金融创新，近些年来取得了迅猛发展。在我国，随着金融科技的资金投放额呈指数级增长，其整体发展水平跃居世界第二，在支付市场领域更是摘得世界第一(1)据零壹财经发布的《2019年全球金融科技融资报告》和美国国际贸易署(ITA)发布的《2016顶级市场报告》，中国金融科技投融资共285笔，占全球24.4%，融资数量居全球第一，公开披露融资总额656亿元，位居全球第二位；其中支付市场领域居全球第一位。。相较于传统银行业，金融科技拥有更强的数字化分析功能和智能化处理功能，故其对上市商业银行盈利能力的影响也成为学术界、实业界乃至政策界的重大议题[1-4]。

目前，理论界关于金融科技及其在对银行业的影响等相关问题的研究成果主要有以下3个方面。(1)阐述金融科技的定义与发展。金融科技作为结构的革新，是一种全新的范式，从机构论、业态论、技术论、生态论[5]等角度都有所定义。其中生态论综合前几项定义，将金融科技概括为“技术驱动的金融创新”[6]。它既包括前端行业，也包括后端技术(金融稳定理事会(FSB))。随着互联网与数字化进程的加快，在公司数量、发展前景、投融资[7]等方面都催生了金融科技的爆发式增长；从资本要素、地域、行业分析、公司存续时间[8]等角度来看，金融科技也已初具规模。(2)探讨金融科技在商业银行的应用现状。截至目前，我国已成立了10家银行系金融科技公司，以促进商业银行与新兴技术的融合，并取得了一定发展成效。各大商业银行通过神经网络、专家系统以及支持向量机等人工智能模型的应用，有效地加剧了处理数据的速度和分析数据的深度。区块链中的客户信息和交易记录有利于帮助银行识别异常交易行为，防止交易欺诈。而生物识别技术的普及，如指纹识别、人脸识别、虹膜识别、静脉识别等技术则为客户节省了大量的时间成本的同时也使得银行的内控安全得到了提高[9-11]。(3)分析金融科技对商业银行的影响因素。在全球化浪潮的推动下，金融科技为商业银行的可持续发展带来了新的挑战。从风险和稳定的因素来看，金融科技拥有开放性、互通性和高科技性等特点，不但对于银行业务的风险属性不构成影响，反而加剧了其隐秘性和潜伏性[12]。而从使用意识和网络经验的因素来看，金融科技弱化了商业银行扮演的中介角色，导致银行的中间收入减少，客户资源流失严重，制约了潜在市场的发掘和拓展[13]。从产品因素来看，商业银行融合应用金融科技具有一定的金融风险，应选取适当的策略进行应对[14]。P2P网络贷款和众筹融资因两者分别服务于不同的客户层，业务上实为互补关系，竞争较弱，故对商业银行带来的冲击有限[15，16]。机遇往往伴随着挑战而来，如果商业银行将金融科技运用得当，也能够变成吸引客户、拓展业务的有利工具。特别是在去柜台化、降成本化和金融脱媒等方面，金融科技均具有显著优势[17]；在大数据抓取和客户场景体验等方面也拥有较为明显的竞争力[18]。不仅如此，金融科技凭借现代信息技术手段赋能金融“惠民利企”，增加了社会金融服务的供给，提升了资源配置的成效，使普惠金融的可得性得到了进一步的提升[19]。

综上可见，目前国内外的相关文献中关于金融科技对传统商业银行的影响尤其是对其盈利能力的影响研究多集中于定性分析，并取得了定义规范化、运用市场化、影响理论化、监督系统化等理论进展。但对金融科技对商业银行影响方向和影响程度的测度方面的研究文献较少，尤其是针对金融科技对商业银行盈利能力的定量分析仍不多见。基于此，本文基于13家国内上市商业银行2012—2018年间的数据，主要运用固定效应模型和系统GMM模型，试图就金融科技对我国上市商业银行盈利能力的影响进行实证研究，探索其影响因素、影响方向以及影响的程度。

1 研究方法与数据来源

1.1 模型设定

本文设计了两个回归模型来探索研究的问题。第一个是金融科技对银行盈利能力影响的主回归分析模型。探究金融科技的发展是否使得银行盈利能力受到影响，影响的方向如何，影响的程度多大。根据论文对指标变量的选取，建立实证模型如下：

yjt=αijtFTijt+βijtXijt+ut+εjt。

(1)

第二个回归模型主要是处理内生性问题。因为盈利行为的时间平滑属性，所以本文加入了滞后一期的因变量ROE，并采用系统 GMM 方法。参照模型(1)，加入被解释变量ROE的滞后一阶项作为解释变量，5个金融科技解释变量的滞后项作为工具变量，且控制变量保持一致，处理了内生性问题。

yjt=yjt-1+αijtFTijt-1+βijtXijt+ut+εjt，

(2)

其中，ut为个体异质性，不可观测。βijt为估计系数，εjt为服从正态分布的随机扰动项。j代表的是样本中的各家银行，t代表时间，yjt代表银行j在第t年的净资产收益率；FTi代表金融科技相关因素，Xi表示影响银行盈利能力的控制因素。

1.2样本选取与变量选取

1.2.1 样本选取 本文选择的研究样本为我国13家上市商业银行。包括中、农、工、建、交行5大国有银行；8家股份制商业银行,分别为招商银行、平安银行、浦发银行、兴业银行、光大银行、民生银行、中信银行、华夏银行。数据来源于银行2012—2018年的年报，样本数据为年度数据。金融科技的数据来源于艾瑞咨询，易观智库，2012—2018年中国互联网金融行业发展报告，2018年金融科技发展报告和2018年中国支付清算行业社会责任报告等。

1.2.2 变量选取 (1)解释变量 论文将衡量商业银行盈利能力的指标作为被解释变量，银行净资产收益率(ROE)、资产收益率(ROA)、净利润等都是能反映银行盈利能力的良好指标，其中净资产收益率(ROE)是管理者为股东创造的权益，更为贴切，故本文选用净资产收益率(ROE)作为因变量进行分析。为了避免指标选择的偏误，本文也用资产收益率(ROA)做稳定性检验。

(2)被解释变量 本文研究的是金融科技的发展对商业银行盈利能力的影响。现有机构公布的金融科技指数不多，且权威性不足，而现有学界文献中少有对金融科技指数的考量构建。目前多位学者多是参考郭品[20]采用的文本挖掘法构建了互联网金融指数，而互联网金融仅为金融科技发展过程中的一个过渡阶段。已构建的互联网金融指数未能较好涵盖金融科技中移动支付、人工智能、云计算、大数据等新兴技术的渗透影响情况。因此，本文在其基础上借鉴目前学术界较为广泛认同的刘园等[21，22]对技术支持的划分构建，同时根据国内外学者的研究考量，选取无争议交集部分——5大细分的技术支持进行建立。2012至2018年的金融科技指标，实现了将移动支付、大数据、人工智能、云计算等新兴技术反映在金融科技指数中。而这5大细分技术的影响程度和趋势可以通过其市场规模反映，因此采用金融科技5项细分核心数字技术的市场规模作为自变量来衡量其规模发展的变化情况。金融科技的核心市场规模由互联网支付规模、移动支付规模、大数据规模、云计算规模和人工智能规模组成，同时，本文选取被解释变量ROE的滞后一阶项作为解释变量，解释变量的滞后项作为工具变量缓解处理了内生性问题。

(3)控制变量 控制变量包括影响银行盈利能力的两种因素：外部因素和影响银行内部的因素。一般而言，商业银行的盈利能力主要受内部因素影响，因此在模型中仅将内部因素用作控制变量。在模型中，选择反映商业银行流动性状况的指标存贷比(LDR)；衡量资产质量的指标资本充足率(CAR)和衡量银行信贷风险的指标拨备充足率(PROV)；反映了存款人的收入和银行的经营效率的资本充足率(CAR)；银行的债务指标股东权益比率(SER)。同时，本文也控制了个体效应，来控制资金体量、政策层面等因素的变化。

2 金融科技对商业银行经营效率影响的实证结果分析

2.1 模型选择

实证检验金融科技与商业银行盈利能力之间的关系，收集2012—2018年间13家国内商业银行的年度数据，包括ROE，LDR，CAR，PROV和SER。首先进行F检验(H0:模型不存在个体效应)，若拒绝原假设，则排除混合效应模型，选择固定效应模型或随机效应模型，反之则选择混合效应模型。然后进行Hausman检验(H0：模型存在随机效应)，若拒绝原假设，则选择固定效应模型，排除随机效应模型。对5个模型进行F检验，均通过了1%水平的显著性检验，表明拒绝不存在个体效应的原假设，排除混合效应模型。然后进行Hausman检验，结果均通过了显著性检验，表明拒绝随机效应原假设，即选择固定效应模型。

2.2 实证结果

接下来研究金融科技对商业银行盈利能力的影响。采用固定效应模型对各个模型进行回归，回归结果如下表所示。列(fe1)是以IP为解释变量的回归结果，IP的系数为0.159，对应的t检验值为4.207，通过了1%水平的显著性检验，表明IP对ROE有显著的正向影响。同理MP和CC对ROE有显著的正向影响，BD和AI对ROE均有显著的负向影响。

表1 F检验和Hausman检验结果

表2总结了随机效应和固定效应的回归结果，从表2的结果可以看出，R2值较大，说明模型的解释力较高。总体而言，所有模型在5%水平上显著。因此，我们可以拒绝原假设，即所有的斜率系数为零，表明银行盈利能力和选定的变量(互联网支付规模，移动支付规模，大数据规模，云计算规模，人工智能规模，存贷比，资本充足率，拨备充足率，股东权益比)之间有线性关系。各变量的系数说明了这些自变量与银行盈利能力净资产收益率之间线性关系的强度，具体结果如表2所示。

表2 回归结果

第一，互联网支付(IP)拓展了商业银行支付业务范围，增加银行盈利。固定效应模型(fe1)的结果表明，互联网支付规模系数为0.159，说明互联网支付与银行净资产收益率之间存在正相关关系。因此，互联网支付(IP)对净资产收益率(ROE)衡量的银行盈利能力有正向影响，在1%显著水平上显著。这意味着当互联网支付市场规模增加10%，银行的净资产收益率可能减少约1.59个百分点。

第二，移动支付(MP)利于商业银行客户离柜支付业务，增加银行盈利。固定效应模型(fe2)的结果表明，移动支付系数为0.012，说明移动支付与银行净资产收益率之间存在正相关的关系。因此，移动支付(MP)对净资产收益率(ROE)衡量的银行盈利能力有正向影响，在1%显著水平上显著。意味着当移动支付市场规模增10%，银行的净资产收益率可能增加约0.12个百分点。

第三，大数据(BD)透明化信息，减少商业银行独有信息带来的盈利。固定效应模型(fe3)的结果表明，大数据系数为-0.003 69，说明大数据与银行净资产收益率之间存在负相关的关系。因此，大数据(BD)对净资产收益率(ROE)衡量的银行盈利能力有负向影响，在5%显著水平上显著。当大数据市场规模增加1%，银行的净资产收益率可能减少约0.37百分点(-0.003 69≈-0.003 7)。大数据技术的发展与推行，让信息更加透明，大量的金融科技公司利用大数据技术推出的平台与服务，让很多客服降低了进入金融服务的门槛，让他们不局限于只能依托于银行来选择金融服务。

第四，云计算(CC)发力，提升银行运营效率，银行盈利增加。固定效应模型(fe4)的结果表明，云计算系数为0.004 51，说明云计算与银行净资产收益率之间存在正相关的关系。因此，云计算(CC)对净资产收益率(ROE)衡量的银行盈利能力有正向影响，在1%显著水平上显著。当云计算市场规模增加1%，银行的净资产收益率可能增加约0.45百分点(0.004 51≈0.004 5)。银行运用云计算技术，提升银行运营效率，增加盈利。

表3 国有银行回归结果

第五，人工智能(AI)分流银行理财投资等业务利润。固定效应模型(fe5)的结果表明，人工智能系数为-0.003 68，说明人工智能与银行净资产收益率之间存在负相关的关系。因此，研究人工智能(AI)对净资产收益率(ROE)衡量的银行盈利能力有负向影响，在10%显著水平上显著。当人工智能市场规模增加1%，银行的净资产收益率可能减少约0.37百分点(-0.003 68≈-0.003 7)。这可能是因各大金融科技公司推出的智能理财智能投顾产品和业务，分流银行相关业务的利润导致。

为了分析金融科技对不同类型银行的影响差异，本文将国有银行与非国有银行进行分组回归分析，结果如下，国有银行中，IP，BD，CC和AI对ROE均有显著的影响，而MP对ROE没有显著影响。

在股份制银行中，只有IP对ROE有显著的正向影响，且影响系数小于IP对国有企业ROE的回归系数，表明相比于股份制银行，IP对国有银行的ROE影响更大。MP，BD，CC和AI对股份制银行ROE的影响均未通过显著性检验，表明这几个变量对股份制银行的盈利能力影响不显著。

考虑到模型存在的内生性问题，本文采用系统广义矩阵估计(系统GMM)方法进行变量关系的估计，将被解释变量ROE的滞后一阶项作为解释变量，分别以解释变量的滞后项为工具变量，系统GMM模型回归结果如下表所示。IP的系数为正，均通过了5%水平的显著性检验，表明IP对ROE有显著的正向影响，同理，MP和CC对ROE有显著的正向影响、BD和AI对ROE有显著的负向影响，与前文固定效应模型主回归结论一致。

表4 股份制银行回归结果

3 政策建议

基于本文研究结果，为使各项技术充分发挥协同效力，实现金融科技赋能银行发展，提出以下推动金融科技促进商业银行盈利能力的对策建议。

首先，应正视数字时代的挑战，将双向影响转变为正向作用。在当前金融科技迅猛发展的背景下，商业银行不仅需要积极应对金融科技相关企业瓜分市场的威胁，也应努力寻求与金融科技部门的战略合作，利用前沿技术手段，共享信息资源，实现交叉销售；依靠自身独特的性能优势和业务模式，开发符合客户使用习惯的金融工具；通过对客户资源差异性的智能识别，输送有针对性的产品和服务；甚至还可以同金融科技机构联手创建中小型公司线上集资平台，不仅能够收获利差效益，还能挖掘“获客”和“活客”渠道，通过双方的互利共赢营造更好的商业发展契机。

其次，提高信息技术水平和综合服务能力，将双刃剑变成宰牛刀。商业、金融、社交、消费顺应环境变化，逐渐加深了彼此之间依赖。2010年，中国人民银行就出具了《非金融机构支付服务管理办法》，其中明确规定，支付机构间存在的货币资金流通转移需要由委托代理银行进行处理，不能够利用支付机构来储存货币资金以及委托别的支付机构等部门进行处理，且支付机构无法对银行间货币资金流通转移进行处理。这一文件的出台为商业银行带来了巨大的政策优势。故作为银行方面，更应审时度势，从实际出发，大力拓展金融科技业务，保持移动支付优势，将核心支付业务与新兴信息技术相结合，将实体网点与虚拟网络服务相联系，构建更具社会互动性和服务友好性的数字平台，实现各项数字技术服务协同发展[3，4]。