金融科技对金融稳定的影响研究

郑丽雅 邬巧云 岑涛

摘 要：近年来，金融科技的发展及风险防范问题引起了政府和学术界的广泛关注。本文试图从金融科技角度探究其对金融稳定的影响，以我国191家商业银行2013—2021年数据为样本，对金融科技与金融市场稳定关系进行实证分析。研究结果同时具有统计显著性和经济显著性，金融科技发展水平每增加10%，商业银行个体风险平均增加0.505%；金融科技发展水平每增加1个单位标准差，商业银行个体风险的平均提升幅度相当于样本标准差的18.08%。进一步研究表明，金融科技发展水平通过影响商业银行的客户存款比率、风险资产占比、存贷比及风险承担进而增加我国商业银行的风险水平。异质性分析表明，金融科技发展使商业银行利润结构性变化，且对商业银行个体风险影响在其银行规模相对较小、非利息收入比相对较低及竞争水平相对较低时更加显著。本文研究为如何更好地监管金融科技及防范系统性金融风险提供了借鉴。

关键词：金融科技；金融稳定；非利息收入比；系统性风险

本文索引：郑丽雅，邬巧云，岑涛.<变量 2>[J].中国商论，2023（23）：-137.

中图分类号：F830.33 文献标识码：A 文章编号：2096-0298（2023）12（a）--08

金融科技的发展和风险防范引起了党和国家的高度重视。2014年3月，中国政府工作报告首次提及金融科技。2017 年底的中央经济工作会议上，习近平总书记指出，“打好防范化解重大风险攻坚战，重点是防控金融风险，要服务于供给侧结构性改革这条主线，促进形成金融和实体经济、金融和房地产、金融体系内部的良性循环，做好重点领域风险防范和处置，坚决打击违法违规金融活动，加强薄弱环节监管制度建设（陆茜：《中央经济工作会议解读：2017年中国经济八大看点》 ，2016年12月17日，http：//www.gov.cn/xinwen/2016-12/17/content_5149174.htm，2022年4月5日访问。）。”

2019年8月，中国人民银行印发了关于金融科技未来三年发展规划，将金融科技在风险管理方面的应用推向全新的高度（经济日报：《央行印发三年发展规划 全面提升金融科技应用水平》，2019年8月23日， http：//www.gov.cn/xinwen/2019-08/23/content_5423631.htm，2022年4月5日访问）。

《“十四五”规划》提出，探索金融科技的监管框架，确保金融科技稳妥发展；2021年的《政府工作报告》强调，对金融控股公司和金融科技加强监管，审慎推进金融创新。在金融科技e-science的新时代，如何防范金融创新可能引起的风险对于我国构建发展新格局、守住不发生系统性的底线及提升核心竞争力显得尤为重要。

近年来，随着大数据、区块链及人工智能等技术的兴起和成熟，中国的金融科技创新发展已经在世界遥遥领先，然而，金融科技显著推动银行业竞争和银行效率，深刻变革了银行业的传统竞争格局。商业银行在服务场景、渠道、信息和资金等方面失去原有优势。那么，在金融科技不断发展迭代的背景下如何防范系统性金融风险，维护金融稳定，提升银行的业绩及稳定性，是当前我国面临的重要议题。

关于金融科技的研究，现有研究主要关注金融科技对金融业和非金融业的影响。就金融业而言，现有研究主要从银行的风险承担、银行经营绩效、盈利性及银行业竞争等角度展开不同的探索，如金洪飞等（2020）、熊健等（2021）、 邱晗等（2018）、李俊等（2022）。另外，部分学者从非金融企业的融资、投资及全要素生产率等角度对金融科技可能对企业的影响进行不同的探索，如盛天祥和范从来（2020）、巴曙松等（2020）、宋敏等（2021）、郑丽雅和易宪容（2022）、刘伟和戴冰清（2022）等。

目前，现有文献关于金融科技与金融稳定的影响主要聚焦于金融科技对金融效率的影响。第一，金融科技可以突破时空限制，提供触达客户的产品、服务、渠道和平台，扩大覆盖范围。同时，基于数据挖掘等技术的搜寻可以实时掌握客户的需求，挖掘潜在客户，提升金融体系的透明度，降低信息不对称程度，给商业银行带来了新的生机，优化资源配置提高了商业银行个人客户资金循环体系，减轻了商业银行的风险负担，提高了其运营效率，降低商业银行的破产风险从而促进了整个金融体系的稳定（Berger， 2003; 刘忠璐，2016；刘春航等，2017；孙娜，2018）。第二，金融科技接管传统商业银行的某些职能，导致商业银行的存款率下降，分流了部分客户。金融科技抢占了商业银行在小微贷款市场的份额，增加了商业银行破产的潜在风险，从而降低整个金融体系的稳定性（张金林和周焰，2015）。

这两方面研究分别从不同维度说明了金融科技对金融系统稳定的影响，具有较强的理论和现实意义。但是，已有研究尚未达成一致，同时也忽略了一种可能性，从微观角度看，商业银行作为我国金融的重要组成部分，其个体风险本身可能会通过对该银行的影响进而引起整个体系的系统性风险，从而影响我国金融市场的稳定。

从理论上讲，一方面，基于金融中介理论，以大数据、云计算、区块链、人工智能为基础的金融高科技的提出通过数据加密、数据挖掘等技术可以使资金供求双方通过在线完成合约的定价及交易，大大节约了交易成本，提高了交易的效率，形成了一个信息完全充分的“交易集合”，克服了传统商业银行的逆向选择及道德风险等问题，实现信息的完全透明，提升资源配置的效率，然而这种“去中介化”的交易模式也同样分流了商业银行的客户资源，如小微贷款等平台的出现降低了传统商业银行的垄断地位，导致其盈利潜力和水平下降，从而可能会增加商业银行的经营风险及个体风险。另一方面，从交易成本经济学角度来看，金融科技的出现降低了传统商业银行的管理成本和时间成本，通过网络化和链群合约等方式提升了交易的效率，同时也倒逼商业银行进行改革，与此同时，商业银行在转型期间可能由于初期对金融科技等相关技术运用的不熟悉从而产生高风险业务，增加商業银行的风险承担，进而降低银行的稳定性。

基于以上分析，本文通过手动搜集整理，利用Python技术基于文本挖掘方法构建金融科技指数，在此基础上基于我国191家商业银行面板数据，对金融科技发展与商业银行稳定性之间的关系进行了实证研究。本文发现，金融科技发展增加了商业银行个体的风险。

平均而言，从统计学来讲，金融科技发展水平每增加10%，商业银行个体风险平均增加0.505%；从经济意义而言，金融科技发展水平增加1个单位的标准差，商业银行个体风险的增加幅度相当于样本标准差的18.08%。进一步研究表明，金融科技发展水平通过影响商业银行的客户存款比率、风险资产占比、存贷比及风险承担进而增加我国商业银行的风险水平。异质性分析表明，金融科技发展水平会导致商业银行利润结构性变化，且对商业银行个体风险影响在其银行规模相对较小、非利息收入比相对较低及竞争水平相对较低时更加显著。

1 理论分析与研究假设

近年来，金融科技在全球迅速发展，极大提升了银行的服务水平和经营效率，但也深刻改变了银行业的竞争格局。为了发展金融科技，银行积极推进数字化运用，与科技企业在不同的价值链环节开展合作，以应对不断白热化的市场竞争（巴曙松和白海峰，2016）。

银行价值链由封闭的自我循环模式转向开放的合作模式，且价值链中的高附加值活动存在向少数企业集中的趋势。银行业的风险特征也由此发生重要变化：传统的战略、信用、流动性、操作、法律风险以及系统性风险依然存在，而且变得更加复杂；科技风险、网络风险与数据安全等问题日渐凸显（Jiménez et al.， 2013; Anginer et al.，2014）。

理论上讲，传统商业银行主要利润来源于其利用自身的信息优势能够对接资金需求和供给方，从而获取中介利润。然而，随着金融科技等技术的应用，移动支付、人工智能及网络借贷等产品的推出打破了商业银行原有的信息优势，区块链技术的突破实现了信息的完全透明，使得金融市场参与主体更加多元化，同时给予人们除了银行外更多平台的选择，使得银行存款利率大幅度流失，对商业银行的盈利能力及稳定性都具有较大冲击性。

第一，金融科技企业以长尾理论为基础，注重小利润大市场，利用人工智能技术和大数据分析，将商业银行排除的客户纳入其目标受众，实施广泛的市场拓展（于波等，2020）。这让金融科技公司以更低的成本和更低的门槛，例如众筹和网络借贷，挖掘潜在客户需求，让各社会阶层都能轻松获得投资和融资等相关服务。金融科技有三个主要的客户群体，包括中小企业、“千禧一代”和其他被传统银行忽视的群体（于凤芹和于千惠，2021）。

这三个群体对金融资源有巨大需求，但长期以来被传统金融机构忽视。金融科技企业通过在线应用、微信、短信邀约和电话等多种方式，及时向长尾客户介绍其金融产品和服务。例如，“蚂蚁花呗”和“京东白条”等金融科技产品更注重普通客户需求，吸引了大量客户，压缩了商业银行的潜在客户和市场份额。

第二，金融科技企业大规模收集各种维度的数据，应用先进的算法和模型，首先在关键消费领域和金融服务领域嵌入金融服务，抢占商机，导致商业银行失去了竞争优势（黄益平和黄卓，2018）。

金融科技企业通过在客户流量、大数据收集与分析、风险评估和服务提供等方面的独特优势，持续推出内嵌金融服务产品，丰富了金融科技应用场景，使客户能够轻松获取金融信息，自由选择服务时间和渠道，从而协助一般用户更好地筛选金融服务和产品（易宪容等，2020）。

与金融科技企业相比，传统商业银行的服务模式单一、流程繁琐，难以满足平台用户的金融需求，降低商业银行客户黏性，造成部分客户流失，进而降低商业银行盈利水平，增加商业银行的风险。

第三，金融科技企业在信息技术和金融领域的深度融合和渗透方面，已经形成了独特的产品、服务和平台。结合大数据、人工智能技术与区块链技术，金融科技实现了数据的开放共享和交易，催生了智能投顾服务，重新塑造了金融行业格局（易宪容等，2019）。

可以预见，未来智能医疗、智能出行、智能零售、房屋租赁、移动通信等领域将迎来快速发展。与此同时，传统商业银行的自主研发能力相对较弱，研发资金相对不足。与互联网企业和新型金融机构相比，传统商业银行的战略激励投资和经营资源投入难以满足新兴金融业务的需求。面对科技公司的多领域竞争，技术相对滞后的商业银行盈利能力势必会受到冲击。

最后，由于盈利能力、资源禀赋以及人才储备等诸多因素的差异，金融科技对不同规模、不同盈利能力的商业银行冲击存在差异性。在金融科技的“竞赛”中，中小商业银行面临诸多困难，业绩表现分层。大型商业银行不仅具有政策优势，其资金规模、治理结构、内部控制和风险管理方面都比较完备，即使应对金融科技的冲击时，能够为转型和升级提供充足的资本储备（王兵和朱宁，2011）。相对资本充足的大型商业银行，资产规模相对较小的商业银行更多属于农村商业银行，其初衷就是服务于农村经济建设（盛煜，2012），难以挖掘新的盈利增长点，这就使得资本不足的商业银行在金融科技改革的浪潮中存在较为严重的挤出效应，难以适应新时代。

综合上述分析，本文提出假设：

假设H1：金融科技显著增加商业银行个体风险；

假设H2：金融科技发展水平会导致商业银行利润结构性变化，且对商业银行个体风险影响其银行规模相对较小、非利息收入比相对较低及竞争水平相对较低时更加显著；

假设H3：金融科技发展水平通过影响商业银行的客户存款比率、风险资产占比、存贷比及风险承担进而增加我国商业银行的风险水平。

2 样本选取与数据来源

2.1 样本选取与数据来源

2.1.1 样本选取

本文数据主要由以下几部分构成：（1）金融科技发展水平指数基于Pythons数据，利用文本挖掘法构建。银行微观数据源自银行年报、Orbis Bank Focus数据库、国泰安CSMAR和Wind銀行财务数据库。

（2）参考以往文献（胡题和谢赤，2013； Angkinand et al.，2010），用不良贷款率衡量商业银行个体风险的程度，在稳健性检验中，采用商业银行破产风险zscore作为NPL的替代变量。以上数据均源自 Orbis Bank Focus 数据库及Wind银行财务数据库。

（3）调节变量，银行资产规模、非利息收入比和商业银行效率作为调节变量，数据源自Orbis Bank Focus 数据库及Wind银行财务数据库，其中商业银行效率具体计算见下文。

（4）宏观变量，如各省国内生产总值增长率（GDP Growth）、各省消费者价格指数增长率（CPI Growth） 、各省金融行业占GDP比重（Finance Growth）及各省进出口额占GDP比重（Openness），来自中国统计年鉴。

按如下步骤筛选和处理样本：剔除数据缺失4年及以上的样本，最终共选取 191家商业银行作为研究样本，国有商业银行6家、股份制商业银行12家、城市商业银行132家、农村商业银行41家，研究区间为 2013—2021 年。

2.1.2 变量描述

借鉴已有研究，本文设定商业银行个体风险为被解释变量，金融科技发展指数为解释变量，控制变量包括宏观层面的各省国内生产总值增长率（GDP Growth）、各省消费者价格指数增长率（CPI Growth） 、各省金融行业占GDP比重（Finance Growth）及各省进出口额占GDP比重（Openness）和微观层面的银行流动性（Bank Liquidity）、存贷比（Loan）、银行资产规模（Size）、非利息收入比（NIR）、加权净资产收益率（ROA）。

（1）被解释变量

商业银行信用风险的增加主要源自不良贷款率的增加，因此本文参考已有研究，用不良贷款率与贷款总额之比（NPL）作为商业银行个体风险的代理变量，该指标越大，说明银行个体风险越高，稳定性越差，数据源自Bank Focus 数据库（胡题和谢赤，2013； Angkinand et al. ， 2010）。

（2）解释变量

本文的核心解释变量是金融科技发展指数，该变量衡量了我国金融科技发展程度。目前仅有少数机构对我国金融科技发展程度进行了宏观的评估，如北京大学数字金融研发中心依据普惠金融形式及呈现新特征从普惠金融覆盖广度、使用深度及数字化程度指数等不同维度编制了中国数字普惠金融发展指数，西南财经大学与四川金融科技学会联合发布金融科技指数等，然而其覆盖面与年份跨度均较短，因此不适合本文的研究。本文借鉴郭品和沈悦（2015）的做法，综合百度指数数据库，利用文本挖掘法构建我国金融科技发展指数，且在此基础上参考前人的做法将金融科技指数分为基础金融科技指数和金融科技应用场景指数。

第一，从金融科技的功能及技术路径出发构建金融科技指数的关键词库，具体词库构建见表1。第二，利用百度搜索引擎功能，计算各指标的词频，统计2013—2021年各年度指标的资讯数量（杨望等，2020）。第三，利用SPSS软件通过因子分析法估计得到的分系数矩阵，以各因子的方差百分比作为权重，通过标准化处理后得到金融科技总指数和金融科技基础指数及金融科技应用场景指数（杨望等，2020）。

2.1.3 基于DEA-Malmquist模型测算商业银行效率

参考已有研究，基于DEA-Malmquist方法测算商业银行全要素生产率作为商业银行效率的代理变量，一方面考虑到商业银行全要素生产率可以综合衡量商业银行技术升级、结构升级及管理模式等指标。另一方面，DEA-Malmquist方法不依赖于生产函数设定和样本量纲，可以得到更为稳健的结果。

基于2013—2021年商業银行面板数据，投入指标包括商业银行员工人数、固定资产和利息支出，产出指标选择利息收入、税前利润和贷款总额（刘笑彤和杨德勇，2017；杨望等，2020）。

2.1.4 控制变量

为了有效控制金融科技之外的因素对商业银行个体风险的影响，本文在相关学者（Schepens，2013；Jiménez et al.，2013； 孔丹凤等，2015；Fu et al.，2014；文凤华等，2019；张琳和廉永辉，2020） 研究的基础上，从微观和宏观两个方面设定控制变量。微观层面：银行流动性（Bank Liquidity）、存贷比（Loan）、银行资产规模（Size）、非利息收入比（NIR）、加权净资产收益率（ROA）。宏观层面：各省国内生产总值增长率（GDP Growth）、各省消费者价格指数增长率（CPI Growth）、各省金融行业占GDP比重（Finance Growth）及各省进出口额占GDP比重（Openness）。

2.1.5 模型设定

为了厘清金融科技和商业银行个体风险之间的关系，本文设定如下模型：

模型（1）是基准模型。其中，NPL_（i，t）表示商业银行i在t年的不良贷款率，i代表个体为不同银行，k表示不同省份，j为不同控制变量，t为时间。模型（1）为了缓解遗漏变量带来的偏差，加入了固定效应回归。模型（2）加入了被解释变量的滞后项，进行动态面板系统GMM回归。

3 实证结果

3.1 变量的描述性统计

表3报告了本文的变量描述性统计结果，其中不良贷款率的均值为0.016，标准差为0.707，最小值为0，最大值为0.112，为辽宁省锦州银行2019年的不良贷款率。从子样本看，农村商业银行不良贷款率均值最高（0.0172），城市商业银行不良贷款率均值其次（0.0156），国有大型商业银行次之（0.0132），股份制商业银行不良贷款率最低（0.0132），且农村商业银行不良贷款率标准差最大（0.1053），可见在商业银行经营过程中，农村商业银行所面临的违约风险最高，这可能与其农村商业银行普遍规模相对较小、经营范围相对较窄关系较大。

3.2 模型选择

为了检验上述假设是否成立，本文采用计量模型结合多种方法进行实证以保证结果的稳健性。考虑到面板数据有混合回归、固定效应、随机效应、系统GMM等多种方法，因此，本文首先进行F检验，依次作为选择混合回归还是个体固定效应模型；其次，进行LM检验判断个体随机效应还是混合回归，最后进行Hausman检验，结果见表4。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，因此使用个体固定效应模型而非随机效应模型（刘孟飞，2021）。另外，考虑到动态面板模型含有被解释变量滞后项和个体效应，且模型可能存在内生性的问题，参考已有研究，本文使用系统广义矩阵进行动态面板估计，以保证结果的稳健性。

3.3 基准回归结果

首先，本文对金融科技与商业银行个体风险的关系进行检验，回归结果如表5所示。在表5列（1）未添加控制变量， 为了检验金融高科技对商业银行个体风险的直接影响，回归仅控制了年度固定效应，未添加其他控制变量。表5表明，Fintech 金融科技（Fintech）在两列中的回归系数均在1%的统计水平上显著为正，表明金融科技发展水平越高，其和商业银行个体风险呈现正相关关系越高。为了结果的稳健性和准确性，在表5列（2）中加入了一系列控制变量，可以看出金融科技发展水平的回归系数在1%水平上仍然显著为正。

从统计学上讲，金融科技发展水平每增加10%，商业银行个体风险平均增加0.505%；从经济意义而言，金融科技发展水平每增加1单位标准差（0.691），使得商业银行个体风险的平均提升幅度相当于样本标准差的18.08%（0.185* 0.691/0.707）。

由此可见，不论是从统计学还是经济意义上来讲，金融科技与商业银行个体风险都具有显著的正向关系。回归表5列（3）和列（4）-（4）报告了基于系统GMM模型对金融科技发展水平与商业银行个体风险关系的检验结果。

差分序列相关检验（AR-test）结果表明，估计系数是存在一致性的，且Sargen -test检验结果也表明工具变量不存在工具变量过度识别问题，所以使用系统GMM估计结果是有效的。进一步地，表5列（3）表明在不控制其他变量的情况下，金融科技发展水平显著增加商业银行个体风险水平，表5列（4）控制其他变量后，金融科技发展水平仍然显著增加商业银行个体风险，进一步证明了结果的稳健性和准确性。假设1得到验证。

3.4 稳健性检验

针对内生性问题，借鉴前人的做法，本文采用中国互联网普及率作为金融科技发展水平的工具变量，通过固定效应两阶段最小二乘法2SLS模型进行估计。

现有研究显示，中国互联网普及率不会直接影响商业银行个体风险水平，可以认为是外生的。因此，2SLS模型设定如下：

可以看出，在第一阶段回归表6列（1）中，Instrum_INT的系数在1%水平上显著为正，F检验显示的F值是41.63，说明该工具变量互联网普及率与内生解释变量Fintech的相关性较强。第二阶段的回归结果见表6列（2），Hansen-J检验的p值均大于0.1，表明至少在10%的水平上互联网普及率与误差项不相关，从统计意义上排他性约束得到满足。在使用工具变量克服内生之后，金融科技发展水平与商业银行个体风险之间的正向关系仍然显著成立。

3.5 替换变量

本文参考前人的做法，用Zscore的对数衡量银行个体风险，以往研究表明Zscore数值的对数与银行破产概率成反比关系，因此使用该指标替换不良贷款率衡量商业银行个体风险是合适的（Boyd & Graham， 1986; Laven & Levine， 2009; Lepetit & Strobel， 2015）。

本文基于固定效應和系统GMM效应对金融科技发展水平与银行个体风险进行回归得出结果显示，无论是固定效应模型还是系统GMM模型，金融科技在1%水平下都显著降低了商业银行的稳定性，增加其风险，这进一步证明了本文结论的正确性和结果的稳健性。

4 调节效应分析

为了检验假设H2，本文主要从银行资产规模、非利息收入比和商业银行效率三个方面考察其可能对金融科技发展水平与商业银行风险产生的调节效应。表7A列（1）-（4）按银行资产规模分组，采用银行总资产对数作为代理变量，如果该指标高于同年度同行业同级别中位水平，则认为银行资产规模较高，反之，则相反。回归结果表明，无论是固定效应还是系统GMM回归，金融科技与商业银行风险的正向作用在银行资产规模相对较高组中不显著，在银行资产规模相对较低时显著。原因在于，资产规模相对较大银行涉及业务模式相对较多，资金规模较高，有能力应对金融科技带来的冲击，同时研究显示资产规模较大银行可以更好地运用金融科技进行转型，提升自身效率，降低金融科技的冲击（杨望等，2020）。

表7列（5）-（7）按银行非利息收入比水平高低进行分组，如果该指标高于同年度同行业同级别中位水平，则认为银行非利息收入比相对较高，反之，则认为银行非利息收入规模相对较低。表7中第（5）-（8）列回归结果表明，无论是系统GMM还是固定效应回归，金融科技都只有在非利息收入比相对较低时显著增加商业银行风险，说明银行盈利能力相对较高可以降低金融科技对商业银行风险的冲击。

表8进一步考察商业银行竞争的调节效应。回归结果表明，商业银行效率较高时，金融科技对商业银行风险的正向作用不显著，当商业银行效率较低时，金融科技显著增加商业银行风险。该结果具有重要的理论意义和实践意义，该结果说明商业银行提升竞争格局可以显著降低金融创新对其造成的冲击，金融科技作为金融服务和信息技术结合的产物，给传统商业银行带来冲击的同时也带来一定的机遇，商业银行应基于金融科技为其带来的机遇，主动出击谋求竞争优势，提升效率，从而降低风险，提升金融稳定性。假设H2得到验证。

5 拓展性分析

本文预期金融科技带来的金融创新会从商业银行资产端、负债端及风险承担等方面影响商业银行风险。

第一，网贷理财、余额宝、微粒贷及宝宝理财等相关产品的推出较传统商业银行的理财具有更多的流动性、更高的利率及更方便、快捷等特点，吸引了很多传统银行的客户，造成存款流失，降低银行流动性，从而提升了商业银行的风险。

第二，商业银行存款利率的降低有可能使银行在负债端弥补存款的流失，从而导致风险资产较大，降低商业银行风险承担，进而增加商业银行的不确定性，从而造成商业银行风险的增加。

第三，京东金条、京东白条、蚂蚁借呗、花呗等相关网络贷款产品的推出较银行贷款申请相对更快捷，简单方便，用户只需要填写部分信息，网络贷款平台即可根据大数据搜集数据进行匹配整理后完成相关借贷手续，虽然相关网络贷款产品额度较低，覆盖面相对较小，然而仍然对银行的负债端业务带来一定的冲击。

综上分析，本文基于固定效应回归从商业银行客户存款增长率、风险资产占比、风险承担及存贷比四个方面考察金融科技对商业银行风险影响的路径。具体而言，表8第（1）-（4）列分别用商业银行客户存款增长率、风险资产占比、商业银行风险承担及存贷比作为代理变量与金融科技发展水平建立交叉相进行固定效应回归。结果显示，金融科技显著降低客户存款增长率、增加商业银行风险资产占比、降低商业银行风险承担、降低存贷比，从而提升商业银行风险水平，假设H3得到验证。

6 结语

本文在对国内外文献进行相关梳理的基础上提出研究假设，并借鉴已有的文献方法，基于中国191家商业银行2013—2021年面板数据，从商业银行个体风险角度研究了金融科技发展水平与金融市场稳定性的关系。

本文的主要研究结论包括：第一，金融科技造成了商业银行个体风险的增加，具有风险效应；第二，調节分析表明，金融科技会导致商业银行利润结构性变化，且上述风险效应在规模相对较小、非利息收入比较低及竞争水平较低的银行中更大；第三，金融科技的风险效应影响渠道包括商业银行的客户存款比率、风险资产占比、存贷比及风险承担，进而增加我国商业银行的风险水平。

参考文献

巴曙松，白海峰，胡文韬.金融科技创新、企业全要素生产率与经济增长：基于新结构经济学视角[J].财经问题研究，2020（1）： 46-53.

刘春航，廖媛媛，王梦熊，等.金融科技对金融稳定的影响及各国应关注的金融科技监管问题[J].金融监管研究，2017（9）：1-20.

孙娜.新形势下金融科技对商业银行的影响及对策[J].宏观经济管理，2018（4）：72-79.

刘忠璐.互联网金融对商业银行风险承担的影响研究[J].财贸经济，2016（4）：71-85+115.

张金林，周焰.互联网金融对中国商业银行稳定性影响的实证研究[J].武汉金融，2015（12）：8-11.

Berger A N . The Economic Effects of Technological Progress： Evidence from the Banking Industry[J]. Journal of Money Credit & Banking， 2003， 35（2）：141-176.

胡题，谢赤.基于GMM方法的银行业竞争程度对银行风险影响的研究[J].中国管理科学，2013，21（S1）：249-254.

Angkinand A P ，  Sawangngoenyuang W ，  Wihlborg C . Financial Liberalization and Banking Crises： A Cross‐Country Analysis*[J]. International Review of Finance， 2010， 10（2）：263-292.

黄益平，黄卓.中国的数字金融发展：现在与未来[J].经济学（季刊），2018，17（4）：1489-1502.

于波，周宁，霍永强.金融科技对商业银行盈利能力的影响：基于动态面板GMM模型的实证检验[J].南方金融，2020（3）：30-39.

于凤芹，于千惠.金融科技影响商业银行盈利能力的机制分析[J].金融与经济，2021（2）：45-52+62.

巴曙松，白海峰.金融科技的发展历程与核心技术应用场景探索[J].清华金融评论，2016（11）：99-103.

Boyd J H ，  Graham S L . Risk， regulation， and bank holding company expansion into nonbanking[J]. Quarterly Review， 1986：2-17.

郑丽雅，易宪容.企业杠杆率偏离对金融稳定的影响研究：基于股价崩盘风险的视角[J].学习与实践，2022（2）：64-72.

G Jiménez，  Lopez J A ，  Saurina J . How does competition affect bank risk-taking？[J]. Journal of Financial Stability， 2013， 9（2）：185-195.

Anginer D ，  Demirguc-Kunt A ，  Zhu M . How Does Bank Competition Affect Bank Systemic Risk ？[J]. Journal of Financial Intermediation， 2014，23（1）： 1-26.

王兵， 朱宁. 不良贷款约束下的中国银行业全要素生产率增长研究[J]. 经济研究， 2011（5）：15.

盛煜. 我国农村商业银行运营效率比较与评价：基于数据包络分析法[J]. 金融发展研究， 2012（4）：5.

刘笑彤， 杨德勇. 互联网金融背景下商业银行并购重组选择差异的效率研究：基于商业银行异质性的Malmquist指数实证分析[J]. 国际金融研究， 2017（10）：11.

杨望， 徐慧琳， 谭小芬，等. 金融科技与商业银行效率：基于DEA-Malmquist模型的实证研究[J]. 国际金融研究， 2020（7）：56-65.

易宪容，郑丽雅，何人可.金融科技合约关系的实质、运行机理及风险防范：基于现代金融理论的一般分析[J].社会科学，2019（5）：40-49.

易宪容，陈颖颖，于伟.平台经济的实质及运作机制研究[J].江苏社会科学，2020（6）：70-78+242.