金融科技與商業(yè)銀行系統性風險
——基于對中國上市銀行的實證研究

劉孟飛

近年來，金融科技因其具有輕資產、高創(chuàng)新、上規(guī)模、易合規(guī)等優(yōu)勢，在全球范圍內獲得了蓬勃發(fā)展，受到了各行各業(yè)的關注。金融科技聚焦于互聯網、云計算、大數據、人工智能、區(qū)塊鏈、物聯網等新興技術在傳統金融業(yè)的實踐應用，比以往金融部門的任何一次技術革新要求更高、應用更為徹底，影響也更為深刻而廣泛，正在演變成金融發(fā)展的核心部分。從規(guī)模來看，2018年中國的金融科技投融資額達473.61億美元，位列全球第一。目前，北京、上海、深圳、杭州等地已成為金融科技發(fā)展重地，具有較好的金融科技發(fā)展前景與潛質，并相繼出臺相關支持政策與措施。從實踐結果來看，截至2020年8月，國內已有12家銀行先后投資設立金融科技子公司，各大銀行在金融科技方面的投入普遍占總營業(yè)收入的1%至2%，部分銀行投入甚至達到了3%以上。綜合來看，金融科技相關業(yè)態(tài)正在全球范圍內加速發(fā)展，在市場規(guī)模不斷膨脹的同時，來源企業(yè)也更加多元化。金融科技儼然已成為未來全球金融競爭的制高點，誰掌握好這一最先進的生產力，誰就擁有最強的金融核心競爭力。

然而，科技的發(fā)展也是一把“雙刃劍”，金融科技在加快“金融脫媒”、提升資源配置效率、降低交易成本的同時，也暴露出風控手段缺失和監(jiān)管能力不足等問題。金融創(chuàng)新的歷史上，充滿了早期繁榮但最終導致嚴重經濟危機的先例。金融穩(wěn)定委員會（FSB）也指出，隨著金融科技活動的開展，操作風險和技術風險引發(fā)系統性問題的可能性會加大。黨的十九大報告提出“牢牢守住不發(fā)生系統性金融風險的底線”與“健全金融監(jiān)管體系”兩大目標。在第五次全國金融會議上，習近平總書記進一步強調：“防止發(fā)生系統性金融風險是金融工作的永恒主題。要把主動防范化解系統性金融風險放在更加重要的位置……著力防范化解重點領域風險，著力完善金融安全防線和風險應急處置機制”[1]（P18-24）。近年來，隨著我國經濟增速逐漸下滑、產業(yè)結構深度調整與國際經濟環(huán)境的日益復雜，當前金融風險防控形勢日趨嚴峻。以互聯網金融、金融科技等為代表的新一輪金融創(chuàng)新浪潮的興起，也無可避免地對我國傳統金融體系造成劇烈沖擊。盡管既有文獻極大豐富了對金融科技影響效應的理解，但金融科技究竟如何作用于商業(yè)銀行系統性風險仍是一個尚未打開的“黑箱”，有關的針對性理論與量化研究更是鳳毛麟角。金融科技的快速發(fā)展到底是加劇還是減輕了銀行業(yè)的系統性風險？金融科技環(huán)境下，商業(yè)銀行系統性風險的來源機制為何？金融科技對不同類型商業(yè)銀行系統性風險貢獻值的影響是否存在差異？這些問題的解答對于促進金融科技與商業(yè)銀行融合發(fā)展、深化金融體系改革、維護金融安全穩(wěn)定、守住不發(fā)生系統性風險的底線具有重要的理論價值與現實意義。

正是基于以上現實背景，本文從理論層面分析闡釋金融科技環(huán)境下商業(yè)銀行系統性風險的來源機制，采用條件在險價值（CoVaR）和邊際期望損失（MES）方法度量樣本銀行的系統性風險貢獻值，并借助文本挖掘、因子分析等方法測算金融科技發(fā)展指數，最后通過建立多元回歸模型，結合2008-2018年26家上市銀行的非平衡面板數據，采用靜態(tài)面板與動態(tài)面板系統GMM估計（Generalized Method of Moments）相結合的方法就金融科技對銀行業(yè)系統性風險的影響進行實證分析，同時提出相關對策建議，以期為我國銀行業(yè)金融機構在新一輪金融生態(tài)變革過程中的轉型發(fā)展與金融監(jiān)管提供借鑒依據。

一、文獻綜述

大約從2016年開始，金融科技迅速成為學術界與有關機構關注的焦點，有關學者圍繞其本質內涵、技術特點、業(yè)務模式及其給銀行機構帶來的挑戰(zhàn)展開了廣泛的探討。社會各界之所以如此重視金融科技的風險，主要是由于金融科技高創(chuàng)新本身伴生的高風險性。

金融科技通過技術工具的變革來推動金融體系的創(chuàng)新，是在互聯網金融基礎上的進一步拓展和深化[2]（P69-91，205-206）。目前，金融科技正在深刻改變金融生態(tài)，重塑金融格局，在加快“金融脫媒”、提升資源配置效率、降低交易成本的同時，也暴露出風控手段缺失、監(jiān)管能力不足等問題[3]（P78-79），使得金融風險的復雜性、交叉性、傳染性、隱蔽性和突發(fā)性更為突出[4]（P97-105），金融跨業(yè)風險的來源更加分散、多樣[5]（P3-19），金融風險表現形式和內涵不斷翻新，增加了風險識別難度和風險傳播速度，從而給金融風險防控工作與監(jiān)管部門提出了更高更新的要求[6]（P70-71）。

系統性風險是金融危機以來持續(xù)的研究熱點[7]（P109-152），是指一個機構的經濟困境通過金融交易擴散到與其有聯系的其他機構的風險[8]（P733-762）；一家機構的倒閉引起系統內其他機構的倒閉，進而對實體經濟產生影響的風險[9]（P47-52）；單個事件通過影響一連串的機構和市場，引起多米諾骨牌效應損失擴散的可能性[10]（P371-391）。金融穩(wěn)定委員會（FSB）指出，隨著金融科技活動的開展，操作風險和網絡風險引發(fā)系統性問題的可能性會加大。國內有部分學者也認為，金融科技的高風險性不僅體現在增加個體機構風險水平上，更體現在引發(fā)系統性風險的作用上[11]（P40-49）[3]（P78-79）。金融科技相比于傳統金融服務更容易引發(fā)系統性風險，主要體現于大數據、互聯網、人工智能等技術在金融業(yè)的應用極大地拓寬了信息傳播的渠道和提升了信息傳播的速度[12]（P62-63）。當受到沖擊時，風險信息會迅速在不同的金融科技部門傳遞，加劇投資者的不理性行為，由此導致的負面后果又進一步通過加速器機制和反饋機制在整個金融科技領域迅速蔓延，產生“羊群效應”[13]（P29-37）；這使得風險動態(tài)化，增加了突發(fā)性和不可預測性風險，進而更容易誘發(fā)系統性風險[14]（P9-11）。

一方面，從風險來源形式看，金融科技本質上的落腳點還是金融，因此流動性風險、信用風險、經營風險等傳統金融風險在金融科技領域仍然存在[13]（P29-37）[15]（P81-83）。另一方面，金融科技以新興技術為支撐，這不僅會給金融業(yè)帶來新的風險，比如操作風險、法律風險、數據安全與信息科技風險、合規(guī)性風險[16]（P23-25）等，更會強化金融的固有風險，改變風險分布，使得極端異常風險發(fā)生的概率更大[17]（P57-70）。金融與科技都是高風險行業(yè)，而金融科技作為金融與科技的融合體，可能會造成金融風險與技術風險的疊加效應[18]（P91-106），從而放大風險。在監(jiān)管方面，新技術的應用會使得風險更為隱蔽，難以識別[19]（P36-37），并且監(jiān)管相對于金融科技的發(fā)展具有滯后性，這大大提高了監(jiān)管難度，導致監(jiān)管不足從而進一步造成金融體系的穩(wěn)定性風險[20]（P63-73）。

綜合現有研究和金融科技發(fā)展現實來看，過去對系統性風險的關注視角，更多是“大而不倒”的機構，而在互聯網時代，由于金融科技活動的網絡效應，也要考慮“網而不倒”問題[21]（P30-33）。金融科技使得金融機構的風險來源更加復雜與多樣化，導致金融風險泛化，加重了風險的傳染與放大效應。金融科技既賦予了信用風險[22]（P85-90）、流動性風險[23]（P14-16）、操作風險[24]（P81-84）等傳統金融風險新的內涵，又有底層信息技術等非金融因素引致的新型風險[25]（P35-46），還可能引發(fā)系統性金融風險[11]（P40-49）。

總之，金融科技非常復雜，對金融風險的影響更加廣泛而深刻，風險的發(fā)生、傳染與蔓延速度比以往任何經濟社會形態(tài)都更為迅速，一旦金融科技的潛在風險被觸發(fā)，便很可能引發(fā)真正的系統性風險。既有文獻為我們理解金融科技對傳統金融體系的變革作用提供了很多有益的啟示。但鑒于金融科技發(fā)展歷史尚短，在具體結論上仍然眾說紛紜，備受爭議。與現有研究不同的是，本文側重于對金融科技影響商業(yè)銀行系統性風險貢獻值的機理進行理論解讀與實證檢驗，以期為我國商業(yè)銀行的轉型發(fā)展與風險防范、化解提供借鑒依據。在具體實證分析過程中，本文結合固定效應（FE）模型、系統GMM與逐步回歸等估計方法，盡可能剔除了模型內生性問題的干擾，并通過改變樣本期間與控制變量等做法，確保研究結論的穩(wěn)健性。

二、理論分析與研究假設

金融科技的快速發(fā)展，在加快“金融脫媒”、提升資源配置效率、降低交易成本的同時，也暴露出風控手段缺失、監(jiān)管能力不足等問題。其“破壞性創(chuàng)新”本質使得金融風險的來源更加復雜、多樣，傳染性、隱蔽性更為突出，大大加劇金融體系的波動性，提高了系統性風險發(fā)生的潛在概率，直接威脅著金融安全[26]（P4-13）。金融科技相比于傳統金融服務更容易引發(fā)系統性風險，這主要體現在以下幾個方面：

首先，金融科技增加了風險的外溢性。一方面，金融科技打破了跨境障礙，互聯網和區(qū)塊鏈技術的應用將全球的金融系統有機連接起來，加強了不同地區(qū)之間的資金往來與業(yè)務聯系，從而導致地區(qū)間的風險溢出更加容易。一旦某個地區(qū)發(fā)生風險，就會通過資本運作的復雜鏈條迅速傳染到其他地區(qū)，從而演變成大范圍的金融危機[16]（P23-25）。另一方面，金融科技的發(fā)展使得金融機構、非金融機構、科技公司之間的關聯性大大增強。金融科技的發(fā)展使得投資者的投資面更廣，相比于利率受限的儲蓄存款，貨幣基金、理財產品的收益更高，因此投資者會減少存款，從而導致銀行儲蓄性存款流失，資金來源受限，進而增加金融機構間的相互拆借，最終導致金融機構之間的資金關系更加緊密。

傳統的金融交易方式使得金融活動很大程度上可以在金融體系內部閉環(huán)完成，但隨著金融科技的深入發(fā)展，很多金融業(yè)務必須依賴第三方科技公司提供技術支持才能實現，而這種依賴一旦在數量和資產上達到一定的規(guī)模，就有可能演變成系統性風險。非金融機構方面主要指的是市場基礎設施運營企業(yè)，新技術的應用離不開市場基礎設施的作用，可以說技術支撐了金融科技，而市場基礎設施支持了技術。因此，在這種高度相關的情況下，任何一方發(fā)生風險，都可能導致相關風險在不同行業(yè)、不同市場中交叉?zhèn)魅?，從而極大地加劇了系統性風險發(fā)生的可能[27]（P1-13）。

其次，金融科技的社會網絡節(jié)點多、密度高的特征也會增大發(fā)生系統性風險的可能。金融科技相較于傳統金融業(yè)多了許多社會網絡節(jié)點，金融機構間、金融機構與客戶、客戶與客戶之間有著錯綜復雜的社會關系網絡，任何一個節(jié)點都可能成為風險的創(chuàng)造者和傳遞者，任何一個節(jié)點的失敗都會通過網絡連接點傳遞出去，因此每個節(jié)點都將成為風險放大站。如果說傳統金融系統性風險的來源是“大而不能倒”，那么在金融科技時代，系統性風險的來源就是“太關聯而不能倒”[28]（P20-39）。

最后，金融科技的發(fā)展改變了金融行業(yè)原本的局面，比如移動支付等導致電子貨幣越來越普及，從而公眾持幣的機會成本增加，投機性需求增強。同時互聯網金融模式的興起提高了資本利用效率和循環(huán)速度，這些影響最終會造成貨幣流動性變大，系統性風險擴散加劇[29]（P87-96）。而人工智能在市場上的應用則會因為算法和技術的同質性使得所有市場參與者都傾向于使用同一種策略進行投融資和風險管理，造成市場同頻共振現象。這種市場趨同效應通過反饋機制，會不斷增加順周期性，從而使內生風險在體系內不斷積聚和放大。當受到沖擊時，行為趨同的投資者會集中拋售或擠兌，造成市場恐慌和踩踏，從而使得風險迅速擴散到股票、債券等各類資本市場，最終可能引發(fā)嚴重的系統性金融風險。

另外，根據Benoit等的框架性研究，金融機構的風險承擔以及機構間的風險傳染是系統性風險的主要來源經濟機制[7]（P109-152）。金融科技使得金融機構的風險來源更加復雜與多樣化，導致金融風險泛化。既有信用風險、流動性風險、操作風險等傳統金融風險，又有由底層信息技術等非金融因素引致的新型風險。金融科技加大了單個機構的風險敞口，進而加劇行業(yè)系統性風險。

總之，新興技術與金融業(yè)務的深度融合，衍生出一系列的新業(yè)態(tài)、新模式，同時也帶來了新的風險?；诖?，本文提出如下假設：

假設1：金融科技深刻改變了金融生態(tài)，促使金融邊界不斷模糊，加劇了風險的外溢性及銀行之間的風險傳染效應，從而提高了我國銀行業(yè)系統性風險。

假設2：從影響機制來看，金融科技提高了商業(yè)銀行的風險承擔，進而加劇銀行業(yè)系統性風險。

此外，根據宋清華和姜玉東的研究，大型國有銀行是系統性風險的重要誘導來源[30]（P2-7）。但陳忠陽和劉志洋的研究結論卻與此相反，認為股份制銀行的系統性風險貢獻度要高于國有大型商業(yè)銀行[31]（P57-66）。具體到金融科技，其給不同類型銀行系統性風險帶來的影響是否存在異質性，仍然有待進一步探討。理論上，一方面，系統重要性銀行在整個金融體系中居主導地位，其受到的信息披露與資本監(jiān)管要求更為嚴格，而監(jiān)管強度不同顯然會導致銀行風險傾向的差異。另一方面，系統重要性銀行經營策略較為保守，風險管理經驗相對豐富，決策行為也更加審慎。此外，系統重要性銀行資金雄厚，人才儲備與技術優(yōu)勢明顯，其對金融科技相關重點技術的研發(fā)能力強，起步早，投入規(guī)模大，應用與發(fā)展也更為成熟，有助于其防范金融科技的潛在風險?；诖?，本文進一步提出如下假設：

假設3：金融科技對不同類型商業(yè)銀行的影響具有異質性，相對而言，系統重要性銀行表現更為穩(wěn)健與審慎，金融科技對其系統性風險的作用程度相對較低。

三、系統性風險的測算

系統性風險的有效測度是近十年來金融領域的重要研究議題，但由于其蘊含意義廣泛，概念界定尚未達成一致，因而度量方法也不盡相同。主要包括用于量化主權風險敞口的或有債權CCA方法[32]（P5-28）、基于主成分分析和格蘭杰因果網絡（Granger-causality networks）的關聯度計量方法[33]（P535-559），以及基于金融市場風險傳染的尾部依賴模型[34]（P2-47）。其中以尾部依賴模型衍生成果最為豐富，主要有：條件在險價值（Conditional Value-at-Risk,CoVaR）[35]（P1705-1741）；邊際期望損失（MES）和系統期望損失（SES）[34]（P2-47）；以及通過雙變量GARCH模型和非參數核估計測量的動態(tài)時間序列MES方法[36]（P1-36）。

本文主要采用Tobias和Brunnermeier[35]（P1705-1741）提出的CoVaR方法來度量銀行系統性風險。該指標是由在險價值（Value-at-Risk,VaR）進一步衍生而來。但VaR只能反映單個金融機構的風險，而CoVaR能夠捕捉金融機構對整個系統的風險溢出效應。其計算過程如下：

首先構建分位數回歸模型：

其中，Xit為銀行i在時間t內的收益率，Mt-1為整個市場在時間t-1內的波動率。由此，整個銀行體系在時間t內的收益率回歸方程可表示為：

若取50%的置信區(qū)間，則可得到中位數回歸方程為：

利用以上分位數回歸方程獲得的回歸系數，就可計算得到相應銀行的在險價值VaR，以及處于中位數上的資產收益率

VaR可定義為在給定的置信區(qū)間和市場條件下，銀行的某一金融資產在未來特定時期內的最大可能損失。

利用前述分位數回歸方程獲得的回歸系數計算可得銀行i的系統性風險價值

銀行i對系統性風險的貢獻值可定義為，當銀行i分別處于危機時和“正?！睜顟B(tài)下，整個銀行系統條件在險價值的差額

需要注意的是，上述過程計算所得△CoVaR一般為負數，其數值越小，則系統性風險貢獻值越大。另外，為了便于對比，本文參考Acharya等提出的方法[34]（P2-47），同時計算銀行的邊際期望損失（MES）作為銀行系統性風險的代理變量。邊際期望損失被定義為未出現系統危機的時間段內，銀行i在銀行系統表現最壞的α%的日期中的凈收益率。即：

與△CoVaR類似，計算獲得的MES為負數，其數值越小，表示系統性風險貢獻值越大。為了便于理解，在后文的回歸分析過程中，我們均取其相反數-△CoVaR和-MES，其數值越大，表示系統性風險越大。

四、變量選取與研究設計

本文采用條件在險價值（△CoVaR）和邊際期望損失（MES）方法測度銀行系統性風險，結合文本挖掘、因子分析等技術計算獲取金融科技發(fā)展指數，并建立多元回歸與中介效應模型展開實證分析。

（一）樣本與數據來源

指標計算與實證分析基礎數據主要來源于Wind數據庫，由于與MES的計算需要用到市場收益率數據，因此本文研究樣本范圍為我國滬深兩市已上市的商業(yè)銀行。另外，MES的計算通常有時間跨度需求，若時間太短會導致表現最壞的5%天數較少，影響結果的穩(wěn)健性。因此，剔除2019年才上市的紫金銀行、青島銀行、西安銀行、青農商行、蘇州銀行、渝農銀行和浙商銀行，同時刪除當年時間跨度少于6個月的觀測值，即2018下半年上市的鄭州銀行和長沙銀行。最后共獲取26家銀行共191個觀測值的數據。其中包括中國銀行、中國農業(yè)銀行、中國工商銀行、中國建設銀行、交通銀行5家國有大型商業(yè)銀行，平安銀行、華夏銀行、中國民生銀行、招商銀行、興業(yè)銀行等8家股份制銀行，寧波銀行、江蘇銀行、杭州銀行、南京銀行、北京銀行等8家城市商業(yè)銀行以及江陰農商銀行、張家港農商銀行、無錫農村商業(yè)銀行、常熟農商銀行、蘇州農村商業(yè)銀行5家農村商業(yè)銀行。樣本期間為2008—2018年，除金融科技指數（FT）和系統性風險變量由本文計算得到以外，其余Wind金融沒有的數據來自國泰安、CEIC等數據庫。所有計算過程通過Excel、Eviews10和Stata15等統計軟件完成。本文樣本涵蓋了除外資銀行以外的所有商業(yè)銀行類型，其總資產與存貸款規(guī)模占全行業(yè)80%以上，具有較好的代表性。

（二）變量選取

1.解釋變量：金融科技指數（FT）

本文借鑒郭品和沈悅的文本挖掘法構建金融科技指數[37]（P58-76）。該方法的主要優(yōu)勢在于能夠較全面地覆蓋金融科技的各種模式，保證各業(yè)態(tài)數據性質的統一與穩(wěn)定。具體步驟如下：

表1 原始詞庫描述

首先，建立金融科技原始詞庫。根據金融穩(wěn)定理事會（FSB）和巴塞爾銀行監(jiān)管委員會（BCBS）的定義，金融科技活動具體分為支付結算、存貸款與資本籌集、投資管理、市場設施等。因此，本文結合金融功能和技術路徑兩個層面，確定原始詞庫（表1）。其次，借助百度搜索引擎，獲得2008-2018年以上原始詞庫中關鍵詞的詞頻，作為量化金融科技指數的數據基礎。最后，運用主成分分析與因子分析法，合成金融科技指數（FT）。該指數越大，則意味著金融科技發(fā)展程度越高。計算結果顯示，我國的金融科技指數整體呈不斷增長趨勢。2010年之前，金融科技相關詞匯運用極少，但一些互聯網技術已經應用到金融業(yè)務場景。2010年之后，隨著互聯網金融興起，金融科技開始快速發(fā)展。

2.被解釋變量：系統性風險（SRISK）

條件在險價值（△CoVaR）能夠捕捉到單個銀行對整個系統性風險的貢獻程度，本文采用△CoVaR作為銀行系統性風險變量；邊際期望損失（MES）一定程度可彌補CoVaR的缺陷，因此同時采用MES作為銀行系統性風險的代理變量。

3.控制變量

基于對既有文獻的分析，本文從微觀、宏觀、全球經濟等三個方面選取模型控制變量。其中銀行微觀層面考慮的因素主要有：銀行類型或所有權結構、資產規(guī)模，用銀行年末總資產的自然對數表示；盈利性一般取總資產收益率（ROA）或凈資產收益率（ROE）、杠桿率（總資產與股東權益比）、非利息收入占比、流動性水平，一般選取存貸比作為代理變量。

國內宏觀環(huán)境通?？紤]經濟增長率、貨幣政策（M2增長率）以及金融發(fā)展水平（股市市值占GDP比重）。此外，在全球化環(huán)境下，一國金融市場風險與全球經濟存在較強的聯動效應，國際利差、匯率、對外投資水平等也是不可忽略的重要因素。綜合以上考慮，在常用指標的基礎上，刪除意義相同、存在完全共線性以及數據缺失指標，本文最終選擇國有股比例、資產規(guī)模、總資產收益率、總資產與股東權益比、非利息收入占比、存貸比、GDP增長率、M2增長率、股市市值占GDP比重、外資銀行從業(yè)人數占全行業(yè)比重、中國與美國的利率差額、人民幣實際有效匯率指數、FDI與GDP比值、美元對日元實際匯率等共14個主要指標進行實證研究。上述各變量定義及描述性統計情況如表2、表3所示。

表2 變量選取與定義

（三）計量模型設計

基于上述分析與數據，同時考慮到系統性風險的滯后影響，加入滯后一期項。本文設計如下多元回歸方程模型：

表3 變量描述性統計

其中的條件在險價值（CoVaR）和邊際期望損失（MES）反映樣本銀行的系統性風險貢獻值；FTI為關鍵解釋變量金融科技發(fā)展指數；Control為模型所考慮的一組控制變量；μi為個體異質性，εit為隨機擾動項。第i家銀行在第t期的系統性風險貢獻值被表示為金融科技發(fā)展、GDP增長率、貨幣政策、金融發(fā)展程度、國際利差、實際匯率、FDI，以及銀行自身前一期的風險狀況和隨機誤差項等因素的函數。

五、模型選擇與估計結果分析

為了檢驗前述理論假設，本文采用計量經濟模型，結合多種估計方法就金融科技發(fā)展對我國商業(yè)銀行系統性風險的影響效應進行實證分析。

（一）模型選擇

對于面板數據模型，有混合回歸（POOL）、控制個體特征的隨機效應（RE）和固定效應（FE）回歸等多種方法。對此，首先進行F檢驗，以判斷是選擇混合回歸還是個體固定效應模型；其次進行LM檢驗，以判斷是選擇個體隨機效應模型還是混合回歸；最后進行Hausman檢驗，見表4。結果顯示，原假設“個體效應與回歸變量無關”對應的P值為0.000，因此應使用個體固定效應模型而非個體隨機效應模型。另外，構建的動態(tài)面板數據模型含有被解釋變量的滯后項和個體效應，且整個銀行業(yè)數據呈現出“大N小T”的短面板特征，模型可能存在內生性問題，故采用Blundell和Bond提出的系統廣義矩估計（SYS-GMM）動態(tài)面板估計方法[38]（P115-143）進行分析，以避免可能存在的內生性問題。

表4 模型選擇檢驗結果

表5 面板數據回歸結果

（二）基礎模型估計結果

基于上述分析，本文同時給出了基于Hausman檢驗選取的固定效應（FE）和系統廣義矩（SYSGMM）估計結果，報告于表5。從固定效應（FE）估計結果看，關鍵變量金融科技指數（FTI）的回歸系數在模型1和模型2中均為正，且都在1%水平上通過了顯著性檢驗，說明金融科技發(fā)展與我國銀行業(yè)系統性風險存在顯著的正相關關系。引入系統GMM估計方法，兩個模型中的金融科技指數估計系數同樣均在1%的水平上顯著為正，得到和固定效應（FE）估計一致性的結論，Arellano-Bond檢驗和Sargan檢驗也均顯示系統GMM估計具有合理性。這意味著，在研究期間內，金融科技的快速發(fā)展整體上提高了我國銀行業(yè)的系統性風險，本文的假設1得到初步證實。

其他控制變量方面，經濟增長率和金融發(fā)展水平系數的所有估計結果均為正且顯著，說明高速的經濟增長會提高銀行系統性風險?？赡茉蛟谟冢诟咴鲩L的宏觀經濟環(huán)境下，商業(yè)銀行面臨的往往是寬松的信貸政策，其面臨的競爭和盈利壓力也較小，銀行業(yè)更多地實行粗放式發(fā)展，而以股市為代表的金融市場規(guī)模的不斷膨脹擴大，會加劇金融機構間的風險傳染與共振效應，從而提高商業(yè)銀行的風險敞口。

此外，人民幣實際匯率與國際利率差額的回歸系數均為負且顯著，人民幣貶值與國際利差的擴大會提高我國銀行業(yè)的系統性風險水平，原因在于人民幣貶值或我國相對利率的下降會升使得人民幣投資收益相對降低，引發(fā)資本流向國際市場，增加資本流動性短缺風險。美元兌日元比率估計系數顯著為正，則反映了國際金融市場與我國銀行系統之間的聯動效應。

表6 工具變量2SLS估計結果

（三）內生性討論

自身風險承擔或對系統性風險貢獻較大的銀行其對金融科技的應用程度可能更高，由此導致金融科技發(fā)展與銀行系統性風險溢出時間可能存在較為嚴重的反向因果影響。為了進一步緩解內生性問題，本文參考謝絢麗等文獻中的做法[39]（P1557-1580），將互聯網普及率（INT）作為內生變量的工具變量（Instrum-INT），采用兩階段最小二乘方法（2SLS）對回歸模型進行重新檢驗。結果如表6所示，論文選擇的工具變量通過了識別不足檢驗和弱工具變量檢驗，且關鍵解釋變量FTI在模型1、模型2中均在1%的水平上顯著，意味著論文的假設1仍然成立。經考慮工具變量后的內生性處理，本文結論并無實質性改變。

（四）穩(wěn)健性檢驗

借鑒邱晗等文獻中的做法[40]（P17-29），本文從兩個方面對上述實證結論進行穩(wěn)健性檢驗。一是縮短樣本時間，將研究期間由原來的2008-2018年調整為2010-2018年；二是調整控制變量，其中貨幣政策變量用M1增長率替換M2供應量增速，國際利差由原來的中美兩國3個月貸款利率差額改為1年期貸款利差，重新構建以下4個新的面板進行回歸。受篇幅所限，此處僅報告了系統廣義矩（SYS-GMM）的估計結果，具體如表7所示。

表7 穩(wěn)健性檢驗結果

表7的回歸結果顯示，在所有四種情形中，金融科技指數（IFI）系數估計結果均為正，且都在1%的水平上通過了顯著性檢驗，說明金融科技發(fā)展與銀行系統性風險呈明顯的正相關關系。與前述回歸結果相比，兩組穩(wěn)健性檢驗的回歸系數正負方向相同，顯著性一致。總體看來，本文的估計結果是穩(wěn)健可靠的。本文的假設1得到進一步證實。

六、進一步的討論

為了進一步驗證銀行系統性風險的來源機制，本文采用中介效應模型，對風險承擔在金融科技影響商業(yè)銀行系統性風險過程中的中介效應進行檢驗。

（一）影響機制檢驗

本文借鑒溫忠麟[41]（P614-620）、Preacher KJ[42]（P879-891）等文獻的方法，構建了由如下三個遞進方程組成的中介效應模型：

式（3）、式（4）和式（5）中，SRISK表示銀行系統性風險，與基礎模型式（1）、式（2）保持一致，仍然選取條件在險價值（VCoVaR）和邊際期望損失（MES）作為測度指標。銀行風險承擔變量Risk的選取主要參考Chen等、朱琪等的做法[43]（P915-945）[44]（P24-34），采用基于指數市場模型計算得到的總風險（Trisk）、個體特質風險（Urisk）作為代理變量。其余控制變量與式（1）、式（2）相同。

采用逐步回歸的程序，對上述中介效應模型依次進行檢驗。首先回歸方程（3），若α2顯著為正則進行下一步，否則停止檢驗；接著回歸方程（4），若β2顯著為正，則意味著金融科技提高了銀行風險承擔；然后回歸方程（5），若χ3顯著的同時χ2不顯著，則說明風險承擔在金融科技加重銀行系統性風險的影響中承擔了完全中介的角色，若系數χ3、χ2、α2都顯著，則說明風險承擔具有部分中介效應。最后，若α2但β2不顯著，則針對β2做Sobel檢驗，若檢驗結果顯著，則意味著風險承擔的中介效應顯著。

依照上述檢驗步驟，對總風險（Trisk）、個體特質風險（Urisk）的中介效應進行檢驗，具體結果分別報告于表8、表9。表8的檢驗結果顯示，步驟二即式（4）中的金融科技指數（FT1）回歸系數均顯著為正，說明金融科技發(fā)展對銀行機構總的風險承擔水平（Trisk）存在顯著的促進作用。步驟三即式（5）中的金融科技指數（FT1）回歸系數在2組回歸結果中均為正，且至少在5%的水平下通過了顯著性檢驗。同時，式（5）中的風險承擔變量（總風險Trisk），即中介效應變量的4個回歸系數均為正，且除了模型1的系統GMM估計以外，全部在1%的水平上通過了顯著性檢驗。以上各步驟的結果滿足中介效應模型檢驗條件，說明銀行機構總的風險承擔水平（Trisk）在金融科技對系統性風險的影響中發(fā)揮了部分中介效應，即金融科技通過提高銀行機構總的風險承擔，進而加劇了銀行的系統性風險。以上結論與前文的理論預期相一致，本文的假設3得到驗證。

表8 總風險（Trisk）中介效應檢驗結果

表9的檢驗結果與此類似，步驟二中的金融科技指數（FT1）回歸系數均為正且顯著，但步驟三中的中介效應變量（Urisk）的回歸結果僅有固定效應（FE）估計系數通過了顯著性檢驗。因此，需要進行步驟四的Sobel-Goodman檢驗。結果表明，模型1、模型2中的Sobel-Goodman檢驗值（Sobel Z、Goodman-1 Z和Goodman-2 Z）最小值為1.717，根據Mackinnon等、溫忠麟等給出的中介效應檢驗標準[45]（P83-104）[41]（P614-620），可認為存在部分中介效應，即金融科技在一定程度上是通過個體特質風險的中介作用，進而提高了銀行的系統性風險，這進一步驗證了本文的假設3。

表9 個體特質風險（Urisk）中介效應檢驗結果

（二）異質性影響檢驗

本文在式（1）、式（2）的基礎上，進一步引入金融科技與系統重要性銀行虛擬變量的交乘項，建立如下回歸模型對系統重要性銀行的異質性影響進行檢驗。

其中SIFI為系統重要性銀行虛擬變量，其余變量的含義與式（1）、式（2）相同。根據中國銀監(jiān)會的界定，中國銀行、中國農業(yè)銀行、中國工商銀行、中國建設銀行、交通銀行五家國有大型商業(yè)銀行為我國系統重要性銀行。表10同時報告了固定效應（FE）、隨機效應（RE）和系統廣義矩（SYS-GMM）三種方法的估計結果。結果顯示，加入系統性重要銀行與金融科技的交乘項FTI*SIFI以后，不論是基于靜態(tài)面板的隨機效應（RE）和固定效應（FE），還是基于動態(tài)面板的系統廣義矩（SYSGMM）估計，結果都與原模型保持高度的一致性。所有6個回歸結果中，金融科技估計系數均為正且在1%的水平上顯著，說明金融科技發(fā)展整體上確實提高了我國銀行業(yè)的系統性風險。

金融科技對不同類型商業(yè)銀行系統性風險的影響是不一樣的。與理論預期相符，交乘項FTI*SIFI的回歸系數顯著為負，意味著金融科技對其系統重要性銀行風險溢出的作用程度相對較小。可能的原因在于，系統重要性銀行資金實力雄厚，對金融科技的應用發(fā)展比小銀行更為成熟完善，同時由于政策監(jiān)管嚴厲以及經營策略相對保守等原因，對新興技術的響應更為穩(wěn)健。本文假設3得到證實。

七、結論與啟示

本文研究發(fā)現：第一，研究期間內，金融科技對我國商業(yè)銀行的影響效應顯著為正，即金融科技的快速發(fā)展加劇了我國銀行業(yè)的系統性風險。金融科技對我國商業(yè)銀行的影響效應顯著為正，即金融科技的快速發(fā)展加劇了我國銀行業(yè)的系統性風險。第二，通過構建中介效應模型進一步分析，證實了風險承擔中介作用機制的存在，隨著金融科技的高速發(fā)展，商業(yè)銀行的風險承擔傾向會提高，進而加重銀行業(yè)的系統性風險。第三，金融科技的異質性影響回歸結果表明，金融科技對不同類型商業(yè)銀行系統性風險的影響是不一樣的，相對中小銀行，金融科技對國有大型商業(yè)銀行系統性風險溢出的作用程度較低。第四，其他控制變量方面，經濟增長、金融發(fā)展、貨幣政策、人民幣實際匯率以及國際利差等因素也從不同程度對商業(yè)銀行系統性風險溢出存在重要影響。

表10 系統重要性銀行異質性影響檢驗結果

以上結論說明，隨著金融科技相關技術的不斷演化、行業(yè)規(guī)模的快速膨脹及其在金融體系的應用日益廣泛，我國傳統商業(yè)銀行特別是地區(qū)性小型銀行可能遭受進一步的沖擊。金融科技創(chuàng)新在促進業(yè)務模式變革，提高金融服務效率的同時，也會帶來系統性風險。對此，本文提出以下建議：第一，在理念上，傳統商業(yè)銀行應明確金融科技融合發(fā)展戰(zhàn)略，積極融入金融科技發(fā)展大潮，充分利用金融科技帶來的有利方面。第二，在具體舉措上，銀行機構應借助自身在資金實力、客戶資源、網絡構建、基礎設施布局和群眾信任度等方面的優(yōu)勢，通過設立金融科技專項創(chuàng)新基金、搭建創(chuàng)新孵化研究平臺、推進金融科技人才儲備計劃等系列措施，結合政府的鼓勵政策和指引性文件，不斷提高對金融科技應用研發(fā)的投入力度，加快推進開放式銀行、智能化平臺建設，利用金融科技發(fā)展帶動業(yè)務轉型創(chuàng)新，增強核心競爭力。第三，在監(jiān)管模式上，有關部門需要與時俱進調整監(jiān)管方式，轉變監(jiān)管觀念，打造主動型、功能型、穿透式監(jiān)管體系，把握好金融創(chuàng)新與風險管控的適度平衡；以政府監(jiān)管為核心，加強政府主體監(jiān)管機構的內部協調，同時充分發(fā)揮社會、企業(yè)、行業(yè)協會等非政府主體的互動合作，建立多元主體合作的協同式監(jiān)管框架、模式，努力提高監(jiān)管效能、降低監(jiān)管成本。第四，在監(jiān)管手段上，應盡快對金融科技與傳統金融服務建立統一監(jiān)管標準，將金融科技適時納入宏觀審慎監(jiān)管范疇，借鑒傳統商業(yè)銀行的各類資本、資產、流動性等監(jiān)管指標，完善對各類金融科技業(yè)務領域的監(jiān)管覆蓋。為應對金融科技發(fā)展帶來的技術挑戰(zhàn)，監(jiān)管機構必須加強對監(jiān)管科技的應用，利用大數據、人工智能、云計算等技術提升穿透式監(jiān)管能力，增強金融監(jiān)管的前瞻性和有效性，優(yōu)化監(jiān)管工具手段，有效防范、化解金融科技帶來的潛在風險與系統性風險。