【《金融科技对商业银行风险承担影响的实证探析报告》10000字】

金融科技对商业银行风险承担影响的实证分析报告目录TOC\o"1-3"\h\u2975金融科技对商业银行风险承担影响的实证分析报告 1140351.1研究设计 1155661.1.1变量选取 12641.1.2研究样本与数据来源 3110141.1.3计量模型设计 475501.2基础模型回归结果与分析 5141951.2.1相关性分析 534351.2.2描述性统计 5307631.2.3基准模型回归结果 6105951.2.4基准模型的稳健性检验 8232921.2.5进一步的讨论 12研究设计变量选取被解释变量：银行风险承担（Risk）关于商业银行风险承担的衡量，常用的有：加权风险资产比例（喻微锋和周黛，2018[306]）、不良贷款率（王兵和朱宁，2011[302]）、资本充足率（顾海峰和张亚楠，2018[250]；顾海峰和杨立翔，2018[303]）、拨备覆盖率（DelisandKouretas,2011[323]；方意，2015[324]）、贷款损失准备率（姚树洁等，2011[304]；汪可，2018[305]）、资本资产比率（姚树洁等，2011[304]；郭品和沈悦，2015[325]）、权益对负债比率、Z值（汪可等，2017[326]）、预期违约概率（牛晓健和裘翔，2013[307]）、股市波动率和股价波动率（刘忠璐，2016[254]），等等。但鉴于加权风险资产比例和资本充足率缺失数据较多；预期违约概率和股市波动率计算需要股票交易数据，而我国大部分银行并未上市；Z值仅代表破产风险而非风险承担，加之我国政府对商业银行存在隐性担保，银行破产风险较小。同时为适应本研究理论模型的设定，拟采用选取不良贷款率（Nplra）和拨备覆盖率（Pvcra）作为银行风险承担的代理变量。其中，不良贷款率是银行在并未主动增加风险资产的情况下，由于宏观经济不利因素，借款方违约概率增大，银行历史上发放的未到期贷款逐渐演变成不良和逾期，使得不良贷款占比逐渐增加，从而导致银行被动性质的风险承担程度提升。而拨备覆盖率是从风险覆盖的角度表现银行不良资产程度，即银行银行贷款可能发生的呆、坏账准备金的使用比率，是计提贷款损失准备对不良贷款的比率，比率越高说明抵御风险的能力越强。解释变量：金融科技发展指数（Fintech）本研究采用前述借助文本挖掘技术和因子分析测度得到的金融科技发展指数（Fintech1）作为核心解释变量。同时，为了便于对比，我们还通过了选取北京大学数字金融研究中心提供的数字普惠金融总指数（邱晗等，2018[40]），作为衡量中国金融科技发展程度的代理变量（Fintech2）。该指数基于蚂蚁金服底层海量用户数据，从3个维度、33个具体指标较为贴切地刻画了中国金融科技发展水平。由于蚂蚁金服是中国金融科技行业龙头，旗下产品支付宝和货币市场基金余额宝国内市场渗透率高，故该指数具有较高的权威性。此外，在模型稳健性检验过程中，本研究还选择了三个数字普惠金融分指数作为替换变量，包括覆盖广度指数（Fintech3）、数字支付业务指数（Fintech4）和数字支持服务程度指数（Fintech5），确保回归结论的稳健性。控制变量基于对既有文献的分析，本研究从银行微观特征与宏观经济环境两方面选取回归模型控制变量。银行微观层面考虑的因素主要有：市场占有率（吴桐桐和王仁曾，2021[327]）、净资产收益率（ROE）（权飞过和王晓芳，2016[249]）、贷款比重（应展宇和张夏晗，2020[328]）、成立年限（郭瑾等，2017[329]）。此外，理论上，宏观经济发展水平、货币政策等外部环境因素也能影响金融机构风险水平，故同时选取人均国内生产总值、货币供给量M2作为控制变量（Ariss,2010[279]；Jimenezetal,2013[267]；Houetal,2014[330]；郭品和沈悦，2019[95]）。中介变量与理论分析一致，在中介变量的选取上考虑管理成本、业务多元化两方面的因素。其中，对于管理成本，选取业务及管理费（BOF）作为代理变量。对于业务多元化，选取基于赫芬达尔指数计算的收入多元化程度指数（HHI）作为代理变量。上述各变量的具体定义如表5-1所示。表5-1变量定义变量名称变量符号变量定义被解释不良贷款率Nplra银行年末不良贷款率(%)变量拨备覆盖率Pvcra银行年末拨备覆盖率(%)/100核心解释变量金融科技指数1Fintech1采用文本挖掘法合成得到金融科技指数2Fintech2数字普惠金融总指数/100金融科技指数3Fintech3数字普惠金融覆盖广度指数/100金融科技指数4Fintech4数字支付业务指数/100金融科技指数5Fintech5数字支持服务程度指数/100控制变量市场占有率Share银行年末总资产/全行业总资产额(%)净资产收益率ROE净利润/股东权益贷款比重Loan银行贷款余额/总资产成立年限Age银行成立时间（年）宏观经济发展水平GDP年末人均实际国内生产总值（万元）货币政策M2货币供应量（M2）增速（环比）中介变量银行管理成本BOF业务及管理费（百万元）业务多元化程度HHI根据银行收入来源采用赫芬达尔指数计算研究样本与数据来源本课题共收集了中国78家商业银行的财务数据，其中包括中国工商银行、中国农业银行、中国建设银行、中国银行、交通银行和中国邮政储蓄银行等6家大型商业银行，兴业银行、广东发展银行、上海浦东发展银行、平安银行、中国民生银行、招商银行、中信银行、中国光大银行、华夏银行、渤海银行、浙商银行等11家股份制银行，北京银行、江苏银行、南京银行、广州银行、上海银行、苏州银行、杭州银行、温州银行、宁波银行、厦门银行、长沙银行、青岛银行、富滇银行、宁夏银行、桂林银行、盛京银行、郑州银行、汉口银行、成都银行、西安银行、河北银行、贵阳银行、柳州银行、等41家规模相对较大的城市商业银行，以及上海农商、天津农商、北京农商、广州农商、武汉农商、杭州联合、大连农商、鄞州银行等20家数据较全的农村商业银行。数据期间为2011-2018年，数据主要来源于Bankscup、国泰安、CEIC、北京大学数字金融研究中心等。对于个别缺失的银行微观财务数据，手工摘录自各银行历年年报。所有计算过程通过Excel和Stata15统计软件完成。本研究样本涵盖了除外资银行以外的所有商业银行类型，其总资产与存贷款规模占全行业的85%以上，具有较好的代表性。计量模型设计基准回归模型设定基于上述数据和变量设置，最终，本文建立如下以非平衡面板数据为基础的多元回归方程模型：（5-1）其中，Risk为银行风险承担变量，Fintech为金融科技发展指数，下标i表示银行样本，t代表年份，为个体异质性，为随机扰动项。Control为市场占有率、总资产收益率、贷款比重、成立年限、包括宏观经济发展水平、货币政策等在内的一组控制变量。由于被解释变量Risk分别有不良贷款率（Nplra）和拨备覆盖率（Pvcra）两个指标，而解释变量（Fintech）分别有基于文本挖掘技术测度得到的金融科技发展指数（Fintech1）、数字普惠金融总指数（Fintech2）、覆盖广度指数（Fintech3）、数字支付业务指数（Fintech4）和数字支持服务程度指数（Fintech5）等五个指标，因此，上述基础模型实际涵盖了十个回归方程。估计方法选择为了避免可能存在的多重共线性问题，回归之前首先对控制变量进行相关性检验。结果表明，变量之间的相关系数较小，这意味着变量不存在严重的多重共线性问题。在估计方法上，对于静态面板，常见的有混合回归（POOL）以及控制个体特征的固定效应（FE）和随机效应（RE）回归多种方法。鉴于忽略样本特点的混合效应回归并不可靠，本研究首先对模型进行F检验，以判断是选择混合回归模型还是个体固定效应模型，检验结果表明，无论是采用金融科技发展指数Fintech1，还是数字普惠金融总指数Fintech2，上述基准模型F检验的P值为都为0.000，故强烈拒绝原假设，即认为个体固定效应模型明显优于混合回归；其次，进行LR检验，以判断是选择个体随机效应模型还是混合回归；最后，进行Hausman检验，检验结果显示，原假设“个体效应与回归变量无关”对应的P值为0.000，因此应使用个体固定效应模型而非个体随机效应模型。面板数据单位根（平稳性）检验进一步，对于动态面板，为防止“虚假回归”问题，动态面板模型要求数据序列平稳，本研究采用Fisher-ADF、Phillips-PerronTest、KPSSTest等三种检验方法进行围绕银行个体层面的变量ACra、ETD、NPLra、CRra、LDR进行面板单位根检验，这三种检验方法的原假设均为“H0：所有个体都是非平稳的”。其中IPS尤其适合非平衡面板数据的单位根检验，只要有一种方法拒绝原假设则说明变量数据系列平稳。表5-2面板数据的平稳性检验变量Fisher-ADFTestPhillips-PerronTestKPSSTest检验值P值检验值P值检验值P值Nplra-6.15000.0000-15.64800.000051.93500.0000Pvcra-22.80380.0000-22.79720.000019.96420.0000Share-7.56300.0000-4.20630.000710.16330.0000ROE-7.85850.0000-11.09750.000076.80450.0000Loan-10.38060.0000-10.31710.0000118.04640.0000资料来源：本研究整理表5-2的检验结果显示，模型所考虑的五个微观变量均在全部三种检验方法下拒绝原假设，说明以上各个变量都不存在单位根，均为平稳序列，回归分析将不会出现虚假回归问题。基础模型回归结果与分析相关性分析由于不同的控制变量之间可能会存在强相关关系，进而导致回归分析时出现多重共线性问题。因此，首先对各控制变量进行相关性分析。结果显示，金融科技发展指数（Fintech1、Fintech2、Fintech3、Fintech4、Fintech5）与控制变量的相关性较弱，各控制变量之间也不存在强相关关系，因此计量模型变量的选取恰当，无需剔除多余变量。描述性统计本文所涉及变量的描述性统计如表5-3所示，从中可看出，主要变量表现出明显的个体和时间维度差异，各变量均分布于合理范围，能够为基于面板数据的多元回归分析提供良好的样本基础。表5-3变量描述性统计变量符号均值最小值最大值标准差P值观测数Nplra1.3581.3004.6900.0200.000628Pvcra-2.977-2.408-1.049-63.2120.000604Fintech11.0371.1191.4670.5000.000631Fintech21.8742.2003.0020.4000.000631Fintech31.6661.8052.8190.3430.000631Fintech41.6091.8742.6090.4650.000631Fintech52.6403.1903.9960.4630.001631Share0.8400.07712.0690.0060.000631ROE15.26814.95431.8920.4890.000631Loan0.5290.5380.8760.0000.000631Age22.39122.000108.0008.0000.000631GDP7.5097.0009.6006.7000.000631M21.4701.4781.7810.9930.000631BOF7.8827.39112.1405.0560.000631HHI0.2370.2360.500-0.8100.000631Share0.8400.07712.0690.0060.000631注：以上所有变量取值期间为2011-2018年，其中银行资产总额、GDP等涉及到价格的变量以2011年为基期进行相应CPI调整。资料来源：本研究整理基准模型回归结果基于上述分析，首先选取金融科技发展指数Fintech1、数字普惠金融总指数Fintech2作为解释变量，银行不良贷款率Nplra作为被解释变量，根据式（5-1）检验命题1。基于Hausman检验的固定效应（FE）具体估计结果报告于表5-4。表5-4基础模型回归结果模型5-1（Fintech1）模型5-2（Fintech2）变量符号（1）（2）（3）（4）Fintech11.107***1.247***(3.56)(4.11)Fintech20.279**0.386***(2.36)(3.38)GDP-0.062-0.1830.046-0.159(-0.44)(-1.35)(0.29)(-1.04)M2-0.0830.027-0.153-0.161(-0.35)(0.12)(-0.55)(-0.61)Share0.177*0.160(1.67)(1.50)ROE-0.044***-0.046***(-7.42)(-7.67)Loan0.670**0.578*(2.13)(1.84)Age0.0740.068(1.27)(1.16)_cons0.643-0.5640.8340.390(0.84)(-0.37)(0.85)(0.24)R20.3440.4110.3350.405R2-a0.2470.3180.2370.312F95.37353.99491.85252.707N628628628628注：回归系数（）内为T值，***、**、*分别表示在1%、5%、10%的水平上显著。资料来源：本研究整理表5-4中的列（1）、（3）仅加入了宏观层面控制变量，列（2）、（4）加入所有控制变量，固定效应结果显示核心解释变量回归系数的符号方向与显著性水平保持一致，系数大小也变动不大，说明回归结果具有较好的稳定性。从具体变量来看，金融科技变量（Fintech1、Fintech2）系数在1%的水平显著为正，表明金融科技的快速发展显著提高了我国商业银行的风险承担。这一结果与前文的理论预期完全一致，本课题的命题1得到初步验证。其他控制变量方面，净资产收益率ROE在1%的水平上显著为负，表明银行盈利能力和风险承担显著负相关，银行盈利水平的提升能够逐步覆盖银行风险敞口，减少银行风险暴露，最终降低银行风险承担水平。银行贷款占比也与风险承担之间至少在10%显著性水平上存在明显正相关关系，表明银行扩大贷款规模，风险资产规模也会相应扩大，从而未来受外部冲击影响，潜在产生不良贷款的范围扩大，从而提升风险承担水平。此外，宏观因素方面，GDP和M2的系数为负，原因可能是宏观经济的发展和以M2增速为代表的货币政策水平的提升会增加对商业银行产品和服务的需求，提升商业银行盈利水平，从而收窄银行风险，但并非银行风险的直接影响因素，故不显著；微观因素方面，银行年末总资产占比度量的市场占有变量不显著，原因可能是存量资产占行业总资产表示潜在风险敞口对银行业的风险敞口相对程度，从而弱化绝对风险，故不显著；而理论上成立时间越长，累积资产敞口越大。以上结论的启示意义在于，金融科技发展一定程度会加剧商业银行的风险承担倾向，有关机构在积极融合新兴技术实现业务转型创新发展的同时，也应高度关注其带来的风险溢出。基准模型的稳健性检验内生性检验本文拟研究金融科技发展对银行风险承担的影响机制，然而，自身风险承受能力较强或经营基础雄厚的银行对金融科技的应用程度往往也更高，由此导致银行风险承担与金融科技发展之间可能存在互为反向因果关系的内生性问题。本文通过以下两个手段解决内生性问题：（1）采用SYS-GMM估计。为了缓解模型可能存在的内生性，参考项后军和张清俊（2020）[331]、田国强和李双建（2020）[332]等文献的做法，采用采用BlundellandBond(1998)[333]提出的系统广义矩（SYS-GMM）估计方法对式（5-1）重新进行回归，结果报告于表5-5。表5-5内生性检验（SYS-GMM）模型5-1（Fintech1）模型5-2（Fintech2）变量符号（1）（2）（3）（1）L.Nplra0.777***0.650***0.854***0.658***(5.05)(5.40)(4.89)(4.45)Fintech11.336***1.696***(2.95)(3.30)Fintech20.2240.342*(1.25)(1.75)GDP-0.414***-0.366**-0.229-0.186(-2.79)(-2.39)(-1.13)(-0.90)M2-0.0570.059-0.185-0.110(-0.37)(0.40)(-1.05)(-0.62)Share-0.311-0.312(-1.26)(-1.37)ROE0.0110.004(0.77)(0.26)Loan0.7440.439(1.57)(1.09)Age0.109***0.100***(4.40)(9.06)_cons1.115*-2.302**1.276-1.347(1.94)(-2.50)(1.59)(-1.39)Chi2244.168161.553170.393279.878AR(2)-2.306(0.02)-2.020(0.04)-2.240(0.03)-2.056(0.04)Sargan38.697(0.00)35.059(0.00)39.991(0.00)40.104(0.00)N549549549549注：回归系数（）内为T值，***、**、*分别表示在1%、5%、10%的水平上显著。资料来源：本研究整理由表5-5可见，模型5-1、模型5-2采用系统广义矩估计的金融科技发展指数（Fintech1、Fintech2）回归系数同样均为正，且除了列（3）显著性水平略低以外，其余都至少在10%的水平上通过了显著性检验。AR(2)检验和Sargan检验也表明回归依据的SYS-GMM估计方法具有合理性。这意味着，在研究期间内，银行风险承担与金融科技金融发展至今存在显著正相关关系。以上结果与基准回归结果基本一致，本课题的命题1得到进一步证实。（2）采用工具变量（IV）两阶段最小二乘法（2SLS）估计为了进一步降低模型内生性问题的影响，本研究借鉴参考谢绚丽等（2018）[334]、梁榜和张建华（2019）[335]、唐松等（2020）[336]的等文献的思路，将互联网普及率（Internet）作为金融科技的工具变量，运用两阶段最小二乘方法（2SLS）对式（5-1）重新进行回归，结果报告于表5-6。表5-6工具变量2SLS估计结果变量模型5-1（Fintech1）模型5-2（Fintech2）（1）（2）（3）（4）Internet0.098.0980.2550.254[58.57][58.60][65.58][64.06]Fintech11.135**1.343***(2.30)(2.96)Fintech20.438**0.519***(2.30)(2.96)GDP-0.072-0.209-0.149-0.304(-0.34)(-1.09)(-0.61)(-1.37)M2-0.0910.007-0.386-0.341(-0.31)(0.03)(-1.04)(-1.02)Share0.039***0.040***(3.38)(3.38)ROE-0.043***-0.045***(-6.38)(-6.64)Loan0.896***0.882***(4.46)(4.38)Age-0.010***-0.010***(-4.76)(-4.74)_cons0.6711.3741.8432.802**(0.67)(1.50)(1.33)(2.23)R20.2240.3430.2180.339R2-a0.2210.3360.2140.331Chi2131.213449.270130.318442.716Kleibergen-PaaprkLM376.949370.638284.382281.227Cragg-DonaldWaldF2974.1582962.7112342.0102316.712HansenJ0.0000.0000.0000.000N628628628628注：[]为T值；()内为Z值；***、**、*分别表示在1%、5%、10%的水平上显著。资料来源：本研究整理表5-6的结果显示，两个模型中关键解释变量金融科技指数Fintech都至少在5%的水平上显著提升银行风险承担。且文章选择的工具变量通过了弱工具变量Cragg-DonaldWaldF识检验和别不足Kleibergen-PaaprkLM检验。对于工具变量有效性，HansenJ检验接受工具变量都是外生的原假设。意味着本研究的命题1仍然成立。考虑了工具变量后的内生性处理后，上述回归结果依然稳健。其他稳健性检验为尽可能保证实证研究结果的稳健性，本文从以下两个方面对回归结果做进一步的稳健性检验。（1）替换被解释变量一是替换被解释变量。考虑到银行风险承担存在多种选择，不同指标各有侧重，为了避免被解释变量人为选择偏误对回归结果造成的干扰，我们采用拨备覆盖率（Pvcra）作为风险承担指标对式（5-1）重新进行回归，结果报告于表5-7。表5-7替换风险承担测度指标估计结果变量模型5-3（Fintech1）模型5-4（Fintech2）（1）（2）（3）（4）Fintech18.596***10.451***(3.52)(4.19)Fintech23.211***3.688***(3.47)(3.92)GDP-1.771-2.026*-2.212*-2.369*(-1.61)(-1.83)(-1.80)(-1.90)M20.7720.858-1.275-1.338(0.42)(0.47)(-0.59)(-0.62)Share1.0660.936(1.25)(1.10)ROE0.0420.024(0.87)(0.49)Loan7.816***7.269***(3.05)(2.85)Age0.0490.010(0.11)(0.02)_cons-4.239-11.8333.861-1.413(-0.71)(-0.97)(0.51)(-0.11)R20.0790.0970.0780.094R2-a-0.062-0.049-0.063-0.053F14.8877.97814.7627.650N604604604604注：括号内为t值，***、**、*分别表示在1%、5%、10%的水平上显著。资料来源：本研究整理表5-7的回归结果显示，金融科技发展指数（Fintech）系数估计结果在两个模型下均为正，且在1%的水平上通过了显著性检验，说明金融科技发展与银行风险承担存在显著正相关关系。与前文基准回归结果相比，关键变量回归系数符号方向相同，显著性水平一致，本研究的命题1进一步得到支持。（2）替换解释变量。二是替换关键解释变量。由于金融科技发展起步较晚，有关的量化研究方法仍然存在争议，很可能因为前文选取的金融科技测度指标具有特殊性，从而使得回归结果出现偏差。为了保证指数测度结果的稳健、可靠，规避测度指标本身对上述基准回归结果产生的影响，我们进一步采用北京大学数字金融研究中心提供的数字普惠金融分指数，包括覆盖广度指数（Fintech3）、数字支付业务指数（Fintech4）和数字支持服务程度指数（Fintech5）等三个指标替换式（5-1）中的关键解释变量金融科技指数（Fintech）重新进行回归，结果报告于表5-8。表5-8替换金融科技测度指标估计结果变量模型5-5（Fintech3）模型5-6（Fintech4）模型5-7（Fintech5）（1）（2）（3）（4）（5）（6）Fintech30.399***0.499***(2.90)(3.76)Fintech40.541***0.478***(5.72)(5.05)Fintech50.142***0.156***(3.91)(4.50)GDP-0.036-0.214-0.162-0.1490.073-0.032(-0.22)(-1.40)(-1.42)(-1.36)(0.72)(-0.33)M2-0.119-0.065-0.1830.010-0.382-0.303(-0.47)(-0.27)(-0.80)(0.05)(-1.41)(-1.17)Share0.1630.200*0.164(1.53)(1.89)(1.55)ROE-0.045***-0.038***-0.045***(-7.65)(-6.41)(-7.62)Loan0.574*0.661**0.489(1.84)(2.13)(1.59)Age0.0680.0780.064(1.16)(1.34)(1.11)_cons1.0460.4131.563**-0.3601.1810.398(1.13)(0.26)(2.08)(-0.24)(1.43)(0.26)R20.3390.4080.3670.4200.3470.414R2-a0.2410.3150.2730.3290.2500.322F93.24753.341105.30156.01896.68354.772N628628628628628628注：括号内为t值，***、**、*分别表示在1%、5%、10%的水平上显著。资料来源：本研究整理表5-8的回归结果表明，替换核心解释变量后，覆盖广度指数（Fintech3）、数字支付业务指数（Fintech4）和数字支持服务程度指数（Fintech5）所测度的金融科技发展水平，同样在1%的显著性水平下对银行风险承担存在正向影响，其他变量系数符号也基本一致，本研究的命题1再次得到支持。进一步的讨论影响机制检验（1）估计策略正如前文所指出的，金融科技的快速发展很可能提高银行的管理成本与业务多元化程度，进而影响银行风险承担。为了进一步验证金融科技对银行风险承担的影响机制，本研究分别以银行管理成本（BOF）与业务多元化程度（HHI）作为中介因子（Med-var），借鉴PreacherandHayes(2008)[337]、郭品和沈悦（2019）[95]等研究的做法，在式（5-1）的基础上构建如下依次递进方程组成的中介效应模型，对管理成本以及业务多元化程度在金融科技影响商业银行风险承担过程中的作用机制进行检验。（5-2）（5-3）式（5-2）、式（5-3）中的Med-var为中介变量，分别选取银行管理成本（BOF）与业务多元化程度（HHI）作为代理变量，其余变量与式（5-1）相同。其中，为直接效应，为中介效应。中介效应是否存在的检验通常采用逐步回归法实现，首先回归方程（5-1），若显著为正则进行下一步，否则停止检验；接着回归方程（5-2），若b显著为正，则意味着金融科技提高了银行管理成本，促进了业务多元化。第三步回归方程（5-3），若b和c都显著则说明中介因子发挥了显著的部分中介作用，若b和c中至少有一个不显著时，则需要针对系数b进一步做Sobel检验。（2）银行管理成本的中介效应依照上述检验步骤与估计策略，首先选取银行管理成本（BOF）作为中介变量，依次对式（5-2）、式（5-3）进行回归，具体结果报告于表5-9。表5-9银行管理成本（BOF）的中介作用中介因子（BOF）中介效应变量模型5-1模型5-2模型5-1模型5-2Fintech11.159***0.863**(11.84)(2.55)Fintech20.395***0.235*(10.50)(1.89)BOF0.326**0.378***(2.49)(2.95)GDP-0.022-0.043-0.174-0.141(-0.49)(-0.84)(-1.29)(-0.93)M20.263***0.039-0.059-0.175(3.54)(0.44)(-0.26)(-0.66)Share0.257***0.243***0.0930.068(7.41)(6.87)(0.84)(0.62)ROE0.0030.001-0.045***-0.046***(1.44)(0.44)(-7.59)(-7.77)Loan0.1400.0910.624**0.552*(1.50)(0.96)(1.99)(1.77)Age0.0130.0080.0700.065(0.68)(0.43)(1.20)(1.12)_cons5.778***6.843***-2.453-2.211(11.78)(12.79)(-1.46)(-1.21)R20.8110.8020.4180.414R2-a0.7810.7710.3250.321F333.361315.36648.47847.858N631631628628检验结果中介效应显著中介效应显著注：()为t值；[]内为Z值，***、**、*分别表示在1%、5%、10%的水平上显著。资料来源：本研究整理表5-9的回归结果显示，在模型5-1和模型5-2下，中介因子BOF在式（5-2）、式（5-3）中的估计系数b和c均至少在5%的水平上显著，说明管理成本在金融科技影响商业银行风险承担的过程中发挥了显著的中介作用，即金融科技的发展通过提高管理成本进而促进了商业银行的风险承担。本研究的命题2-1得到证实。（3）业务多元化的中介效应选取银行业务多元化指数（HHI）作为中介变量，对式（5-2）、式（5-3）重新进行回归，具体结果报告于表5-10。表5-10业务多元化（HHI）的中介作用中介因子（HHI）中介效应变量模型5-1模型5-2模型5-1模型5-2Fintech10.0391.243***(0.58)(4.10)Fintech20.0030.386***(0.11)(3.38)HHI0.1040.120(0.55)(0.63)GDP0.0210.033-0.185-0.163(0.69)(0.97)(-1.37)(-1.07)M20.0180.0260.025-0.164(0.36)(0.44)(0.11)(-0.62)Share0.050**0.049**0.1720.154(2.06)(2.03)(1.61)(1.44)ROE-0.004***-0.004***-0.044***-0.045***(-2.87)(-2.88)(-7.29)(-7.53)Loan-0.079-0.0840.681**0.592*(-1.22)(-1.31)(2.16)(1.88)Age0.0180.0170.0720.066(1.33)(1.30)(1.24)(1.13)_cons-0.271-0.295-0.5380.424(-0.80)(-0.81)(-0.36)(0.26)R20.1790.1780.4110.405R2-a0.0500.0500.3180.311F16.92416.86747.22246.117N631631628628SobelZ0.0070.004[0.48][0.15]检验结果中介效应不显著中介效应不显著注：()为t值；[]内为Z值，***、**、*分别表示在1%、5%、10%的水平上显著。资料来源：本研究整理表10显示，中介因子HHI在式（5-2）、式（5-3）中的估计系数b和c均不显著，进一步的SobelZ检验结果也表明，业务多元化在金融科技与银行风险承担之间不存在中介效应。其中的原因可能在于，金融科技的发展时间尚短，在商业银行中的渗透尚不深入，银行还未形成成熟的以金融科技为驱动核心的多元化业务，同时且由于监管力度的不断加大和受制度的约束，大多数商业银行在现阶段仍然是以存贷款业务为主，其业务多元化程度仍然处于较低的水平。这一结果不完全符合理论预期，但也契合目前我国金融科技与商业银行的发展实际。影响异质性检验检验命题3时，本研究并没有没有引入代表商业银行类型的虚拟变量，而是采用分组回归的识别思路，分析金融科技对商业银行风险承担的异质性影响。具体回归时，借鉴沈悦和郭品（2015）[338]等的思路，通过设计相应个子样本，然后针对式（5-1）重新进行回归。（1）考虑银行资产规模根据中国人民银行与中国银保监会对我国商业银行类型的划分标准《中国人民银行中国银行保险监督管理委员会关于建立银行业金融机构房地产贷款集中度管理制度的通知》，（银发〔《中国人民银行中国银行保险监督管理委员会关于建立银行业金融机构房地产贷款集中度管理制度的通知》，（银发〔2020〕322号），2020年12月31日，/cn/view/pages/ItemDetail.html?docId=955098&itemId=928&generaltype=0表5-11金融科技对银行风险承担的影响异质性：业务规模变量大中型银行小型银行模型5-1模型5-2模型5-1模型5-2Fintech11.964***1.079***(5.76)(2.78)Fintech20.468***0.368**(3.49)(2.52)GDP-0.307**-0.123-0.144-0.162(-2.09)(-0.70)(-0.82)(-0.83)M20.013-0.1310.027-0.182(0.05)(-0.43)(0.09)(-0.53)Share0.165***0.124*0.9450.882(2.68)(1.91)(0.78)(0.73)ROE-0.005-0.010-0.050***-0.052***(-0.51)(-1.00)(-7.06)(-7.24)Loan0.921**0.5040.760*0.703*(2.14)(1.12)(1.92)(1.79)Age0.0000.0000.0710.066(0.00)(0.00)(1.09)(1.02)_cons-0.2680.629-0.0990.871(-0.30)(0.55)(-0.06)(0.51)R20.7030.6600.3740.372R2-a0.6470.5970.2730.270F52.79743.36634.27833.965N160160468468注：()为t值；***、**、*分别表示在1%、5%、10%的水平上显著。资料来源：本研究整理表5-11显示，区分银行资产规模后，金融科技对银行风险承担的影响程度存在明显差异。其中，大中型银行子样本，在两个模型中的金融科技变量估计系数分别为1.964、0.468。而小型银行子样本的估计系数分别为1.079、0.368，相比前者下降幅度分别达到了45.06%和21.37%。从关键解释变量的显著性水平来看，大中型银行子样本在两个模型中都在1%的水平上显著性，而小型银行子样本仅在模型5-1中具有1%的显著性。这说明，金融高科技发展对大中型银行风险承担的影响要明显大于小型银行，与预期相符，本文的命题3-1得到证实。（2）考虑银行所处经济区位对经济区位的划分，一般是从所处地理位置考虑，将全国分为四大经济区域，其中东部地区包括北京、天津、广东、福建、浙江、上海、江苏、河北、山东、海南等9个省、直辖市，中部地区包括安徽、江西、山西、河南、湖南和湖北，西部地区包括四川、重庆、陕西、广西、贵州、内蒙古、云南、甘肃、宁夏、西藏、青海和新疆，东北地区包括辽宁、吉林和黑龙江。本文侧重于从经济发展程度的进行分析，考虑到东北地区以及海南省的经济发展水平更接近中、西部地区，因此将辽宁、吉林、黑龙江和海南也归为中、西部地区，最后分别获取了413个东部地区和215个中、西部地区的观测值。依此建立相应子样本，然后以式（5-1）为基础针对东部地区银行与中、西部地区银行分别进行回归，结果报告于表5-12。表5-12金融科技对银行风险承担的影响异质性：经济区位变量东部地区银行中、西部地区银行模型5-1模型5-2模型5-1模型5-2Fintech12.158***-0.346(6.71)(-0.61)Fintech20.681***-0.217(5.63)(-1.00)GDP-0.495***-0.478***0.444*0.571*(-3.50)(-2.98)(1.71)(1.96)M20.158-0.203-0.232-0.027(0.67)(-0.72)(-0.54)(-0.05)Share0.179*0.145-0.618-0.617(1.95)(1.56)(-0.31)(-0.31)ROE-0.039***-0.043***-0.035***-0.034***(-5.37)(-5.89)(-3.74)(-3.59)Loan1.443***1.194***-0.232-0.269