金融科技發(fā)展對商業(yè)銀行風(fēng)險承擔的影響研究

王志敏

一、引言

當前，以互聯(lián)網(wǎng)科技為基石的金融科技已進入全面發(fā)展期，在此期間作為傳統(tǒng)金融媒介的商業(yè)銀行不可避免地受到來自新興金融科技公司的競爭沖擊。面對如此劇烈的業(yè)態(tài)變革，在政策引導(dǎo)、技術(shù)革新與市場競爭的共同推動下，傳統(tǒng)商業(yè)銀行紛紛啟動金融科技基礎(chǔ)設(shè)施建設(shè)，積極謀求轉(zhuǎn)型，主動開展與新興金融科技公司的業(yè)務(wù)合作，尋求優(yōu)勢互補，共謀互利雙贏，力圖在新時期搭上金融科技發(fā)展的快車。同時，自2015年起，在我國金融業(yè)中占據(jù)重要地位的部分商業(yè)銀行已開始設(shè)立金融科技子公司進行技術(shù)的自主研發(fā)。

對于銀行業(yè)而言，金融科技的快速興起與發(fā)展對其在金融服務(wù)領(lǐng)域的經(jīng)營模式及思維模式提出了較大挑戰(zhàn)，將深刻改變傳統(tǒng)商業(yè)銀行發(fā)展的演變路徑，顛覆傳統(tǒng)的銀行經(jīng)營方式。隨著業(yè)界金融科技應(yīng)用的持續(xù)深化，商業(yè)銀行的風(fēng)險管理所面臨的壓力也逐步上升，加速推進金融科技與銀行業(yè)務(wù)的結(jié)合是傳統(tǒng)銀行業(yè)轉(zhuǎn)型突破的必經(jīng)方向。基于此背景，探討金融科技的發(fā)展對商業(yè)銀行的風(fēng)險承擔水平的影響就顯得尤為重要。

二、研究設(shè)計與樣本特征

1.數(shù)據(jù)來源

基于金融科技概念的落地及普及進程，本文選定2012年至2019年為實證分析的研究區(qū)間。同時，考慮到商業(yè)銀行營業(yè)數(shù)據(jù)的完整性和可取得性，選取我國35家上市銀行、2家股份制商業(yè)銀行、21家城市商業(yè)銀行和26家農(nóng)村商業(yè)銀行共84家商業(yè)銀行的微觀面板數(shù)據(jù)為研究樣本，數(shù)據(jù)來源于Wind數(shù)據(jù)庫和各商業(yè)銀行年報。

2.樣本特征及變量描述

本文借鑒參考諸多學(xué)者的研究成果，以貸款減值準備計提率作為銀行風(fēng)險承擔水平的代理變量，分維度構(gòu)建金融科技指數(shù)作為解釋變量。在宏微觀兩大層面上選取本研究的控制變量。

（1）被解釋變量

本文將貸款減值準備計提率作為實證研究中銀行風(fēng)險承擔水平的衡量指標，貸款減值準備計提率（LIPR）意為當期銀行貸款減值準備計提占銀行發(fā)放貸款總額的比率，是一項較為有效的整體信用風(fēng)險預(yù)期指標。LIPR越高，意味著銀行預(yù)估其貸款損失越大，表明銀行所承擔的風(fēng)險水平越高。LIPR公式：LIPR=當期貸款減值準備計提金額/貸款額。

（2）解釋變量

本研究中，金融科技的發(fā)展程度是構(gòu)建模型的核心解釋變量。本文參考不同金融功能維度構(gòu)建詞庫的方法，結(jié)合金融科技發(fā)展特點，依據(jù)如下步驟構(gòu)建金融科技指數(shù)FT。

①構(gòu)建關(guān)鍵詞初始詞庫。運用“文本挖掘法”構(gòu)建各項功能的關(guān)鍵詞詞庫。分為總體概念、支付結(jié)算、資源配置、風(fēng)險管理、技術(shù)路徑五個維度，將關(guān)鍵詞建立初始詞庫。

②統(tǒng)計整理各維度關(guān)鍵詞的年度詞頻，對關(guān)鍵詞初始詞庫進行量化處理。本研究整理了2012年至2019年間各維度關(guān)鍵詞在百度指數(shù)中的搜索頻率，百度指數(shù)的詞頻可以較好地體現(xiàn)社會對金融科技的關(guān)注程度，反映出金融科技的整體發(fā)展水平。

③應(yīng)用因子分析法構(gòu)建金融科技指數(shù)。鑒于各關(guān)鍵詞的年度詞頻存在較大差異，本文將各關(guān)鍵詞的年度詞頻進行中心化處理，中心化方法如下：

中心化年詞頻數(shù)i=（年次頻i-樣本年詞頻平均數(shù)）/樣本年詞頻平均數(shù)，i=1，2，3，…

（3）控制變量

本文分宏觀和微觀兩大層面選擇模型的控制變量。

①宏觀層面：選取實際GDP增速GDP_GR以衡量我國宏觀經(jīng)濟運行狀況，貨幣和準貨幣供應(yīng)量增速M2_GR以反映我國貨幣政策實施狀況。

②微觀層面：選取銀行各年度資本充足率CAR及凈息差NIM以反映銀行自身特征。

（4）模型設(shè)計

本文為探究金融科技發(fā)展對商業(yè)銀行風(fēng)險承擔水平的影響，模型如下：

LIPR=α0+β1FT+β2GDP_GR+β3M2_GR+β4CAR+β5NIM+ε。

三、實證分析

1.KMO和Bartlett檢驗

本文運用SPSS分析軟件對五個維度詞頻進行因子分析，依據(jù)所顯示的KMO統(tǒng)計值得出總體概念、資源配置維度詞頻所合成的指數(shù)不能用于衡量該維度，KMO統(tǒng)計值為0.5和0.596，支付結(jié)算、風(fēng)險管理、技術(shù)路徑的KMO統(tǒng)計值分別為0.680、0.713、0.612，反映指數(shù)可衡量。2012-2017年我國金融科技發(fā)展水平呈快速上升趨勢，2017-2019年發(fā)展勢頭有所回落。

2.平穩(wěn)性檢驗

為有效避免實證分析時偽回歸的出現(xiàn)，對各變量序列的平穩(wěn)性進行檢驗。表1即為單位根檢驗結(jié)果。各變量序列的P值均遠小于0.01，即認為不存在單位根，各變量序列均為平穩(wěn)序列。

表1 平穩(wěn)性檢驗表

3.相關(guān)性檢驗

金融科技指數(shù)FT與各維度子指數(shù)的相關(guān)系數(shù)均達到了0.9以上，基于此本文在構(gòu)建實證模型時將金融科技各指數(shù)FT1、FT2、FT3、FT分開處理，建立4個模型。

4.模型形式確定

Hausman檢驗用于確定所構(gòu)建的模型形式為隨機效應(yīng)模型（Random Effect Model）還是固定效應(yīng)模型（Fixed Effect Model），其原假設(shè)設(shè)定為模型的解釋變量與隨機擾動項不相關(guān)，據(jù)此應(yīng)建立隨機效應(yīng)模型。若檢驗結(jié)果表明應(yīng)接受原假設(shè)，則建立隨機效應(yīng)模型，否則需建立固定效應(yīng)模型。表2檢驗結(jié)果表明，各模型在0.01顯著性水平下均拒絕原假設(shè)，基于此本文所構(gòu)建模型均應(yīng)設(shè)定為固定效應(yīng)模型。

表2 Hausman檢驗結(jié)果表

5.模型形式確定

本文以按截面加權(quán)（Cross-section weights）的方式確定回歸權(quán)數(shù)，并基于PCSE（Panel Corrected Standard Errors，面板校正標準誤）法進行各模型的回歸，回歸所得結(jié)果見表3。

表3 金融科技指數(shù)及其子指數(shù)回歸分析結(jié)果表

由表3可知，模型1、2、3、4對應(yīng)金融科技指數(shù)FT、子指數(shù)支付結(jié)算指數(shù)FT1、子指數(shù)風(fēng)險管理指數(shù)FT2與金融科技指數(shù)子指數(shù)技術(shù)路徑指數(shù)FT3對商業(yè)銀行風(fēng)險承擔水平的代理變量貸款減值準備計提LIPR的影響。各模型的可決系數(shù)R2均大于0.85，說明模型的擬合度較好。

分模型看，模型1FT的估計系數(shù)為0.0139，且在5%的顯著性水平下顯著，表明其LIPR具有正向影響，支持本文提出的研究假設(shè)；模型2FT1的估計系數(shù)為0.0218，且在5%的顯著性水平下顯著，表明其LIPR具有正向影響，支持本文提出的研究假設(shè)；模型3FT2的估計系數(shù)為且在10%的顯著性水平下顯著，表明其對具有正向影響，支持本文提出的研究假設(shè)；模型4FT3的估計系數(shù)為0.0557，且在1%的顯著性水平下顯著，表明其LIPR具有正向影響。

四、結(jié)語

基于上文的實證分析結(jié)果可知，金融科技的發(fā)展水平與商業(yè)銀行風(fēng)險承擔水平呈正相關(guān)關(guān)系，即隨著金融科技的深入發(fā)展，商業(yè)銀行所承擔的風(fēng)險水平隨之上升。建議商業(yè)銀行應(yīng)加快金融科技應(yīng)用，積極開展與金融科技企業(yè)的合作；商業(yè)銀行應(yīng)推進風(fēng)險評估體系的完善，以長遠角度進行風(fēng)險控制；監(jiān)管機構(gòu)應(yīng)及時跟進，強化對金融科技行業(yè)的監(jiān)管。