26 浏览（1）金融科技对商业银行风险管理效率具有显著提升潜力，尤其在风险识别与预警时效方面；
（2）学术界尚未形成一个完整的“技术—组织—治理”综合赋能框架，缺乏对中介机制（如信用风险识别准确率、内部控制协同）的深入探讨；
（3）实证研究多局限于单一技术指标与单一绩效衡量，缺乏多维度、面板数据支持的系统实证。
基于此，本文拟在既有研究基础上，构建多维度金融科技应用指标与多维度风险管理效率指标，结合中介效应与异质性分析，系统研究金融科技对商业银行风险管理效率提升的作用路径。
3 理论基础与研究假设
3.1 理论基础
3.1.1 信息不对称理论
信息不对称理论认为，在金融交易中，信息掌握不对称会导致逆向选择与道德风险，使银行难以及时、准确地识别风险。金融科技通过整合大数据与智能算法提高了信息透明度，有助于缓解信息不对称，提升信用风险识别准确率，从而提高整体风险管理效率。
3.1.2 系统性风险理论
系统性风险强调风险在金融体系中的传染与放大效应。金融网络理论指出，银行间同业关系、共同暴露与信息传播网络都构成系统性风险传导渠道。金融科技通过实时监测市场与交易数据，以及对网络风险进行可视化分析，可更早识别系统性风险苗头，缩短预警时滞，提升全系统风险管理效率。
3.1.3 协同治理理论
协同治理理论强调多主体（如银行内部各职能部门、监管机构、第三方机构）在信息共享与资源协调下实现整体优化。金融科技赋能下，开放银行与API技术促进了银行与第三方风控机构、监管机构之间的协同联动，而内部大数据风控平台则构建了前、中、后台联动的风险管理机制，提升了跨部门协作效率与风险处置时效。
3.2 研究假设
结合上述理论基础与文献综述，本文提出以下研究假设：
3.2.1 金融科技应用水平与风险管理效率
在数字经济环境中，金融科技可通过技术手段丰富风险数据来源、提升风险预警速度与准确性、优化风险决策流程，从而提高商业银行风险管理效率。
假设1（H1）商业银行金融科技应用水平越高，其风险管理效率越高。
3.2.2 信用风险识别准确率的中介作用
金融科技，特别是大数据与人工智能技术，使银行能够获取更全面、更实时的客户与市场信息，提高信用风险识别的准确性；信用风险识别准确率提升后，可降低风险预警时滞与事后损失，从而提升整体风险管理效率。
假设2（H2）信用风险识别准确率在金融科技应用与风险管理效率之间起部分正向中介作用。
3.2.3 内部控制协同能力的中介作用
金融科技推动银行内部业务流程与信息系统的数字化重构，使风险中台与业务中台实现高度协同，部门间信息可以快速传递与共享。内部控制协同能力提升后，可缩短风险处置时效、降低操作风险，对提升风险管理效率具有积极作用。
假设3（H3）内部控制协同能力在金融科技应用与风险管理效率之间起部分正向中介作用。
3.2.4 异质性假设
不同规模、不同所有制性质与不同区域属性的银行在金融科技应用与风险管理体系的建设上存在差异，因此金融科技对风险管理效率的提升效应具有异质性。
假设4（H4）在其他条件相同时，小型银行与民营银行受益于金融科技应用提升风险管理效率的边际效应高于大型银行与国有银行；东部地区银行受益效应高于中西部地区。
4 研究设计
4.1 样本选择与数据来源
本文选取2015—2024年中国A股上市商业银行（共38家）为样本，剔除ST、\*ST及缺失关键数据的样本后形成面板数据集，共380个观测值。微观数据主要来源于Wind与CSMAR数据库，包括银行年报披露的财务数据、科技投入、线上业务规模、智能化应用情况、风险监测相关指标及内部控制协同信息；宏观数据（GDP增速、CPI、M2增速）来源于国家统计局公开数据；信用风险识别准确率等指标通过银行年报与公开披露的风控报告获取；内部控制协同信息主要来源于银行年报中组织架构与风险管理流程披露。
4.2 变量选取与测度
4.2.1 被解释变量：风险管理效率（RiskEff）
风险管理效率综合考虑风险识别、预警与处置三个维度，构建以下四项指标：
（1）信用风险识别准确率（CRAccu）：当期风险识别模型对违约风险事件的正确分类比例；
（2）市场风险测算准确度（MRAccu）：基于历史波动率和VaR模型的实际损失对比，计算市场风险模型误差率的倒数；
（3）预警时滞（LeadTime）：从风险信号产生到风控系统发出预警的平均时滞（单位：天），时滞越短表示效率越高；
（4）事后损失率（LossRate）：风险事件发生后实际损失/预警时测算的潜在风险额，损失率越低表示处置效率越高。
将四项指标按权重 0.30:0.25:0.25:0.20 加权合成风险管理效率综合指数 $\text{RiskEff}$，所有子指标先进行极差归一化，数值越高表示风险管理效率越高。
4.2.2 核心解释变量：金融科技应用水平（FinTech）
本文从五个维度测度银行金融科技应用水平：
（1）技术投入强度（TechInv）：当年IT系统与大数据平台建设支出占年末总资产比重；
（2）线上业务渗透度（OnlineRatio）：线上存款余额/总存款余额；
（3）智能化应用覆盖度（AIApp）：基于银行披露的智能客服、智能投顾、AI风控系统数量与功能得分构建覆盖度指数（范围\[0,1]）；
（4）区块链项目数（BCProj）：银行年报披露的区块链项目数；
（5）开放银行API数量（APIOut）：银行官方文档披露的可供第三方调用API总数。
对上述五项指标进行主成分分析（PCA），提取第一主成分作为综合金融科技应用水平指数 $\text{FinTech}$，数值越大表示金融科技应用水平越高。
4.2.3 中介变量
（1）信用风险识别准确率（CRAccu）：同被解释变量一项，亦作为中介变量指标，用于检验H2；
（2）内部控制协同能力（ICCollab）：由以下两项子指标构成：
① 跨部门风险响应时效（RespTime）：风险事件发生后，业务部门、信息技术部门、风控部门协同响应所需平均时长（单位：小时），时长越短表示协同能力越强；
② 内部风控会议频次（MeetFreq）：年度银行组织月度及以上级别的多部门风险协调会次数，次数越多表示协同程度越高。
对两项子指标先归一化后按0.5：0.5加权合成 $\text{ICCollab}$，数值越大表示内部控制协同能力越强，用于检验H3。
4.2.4 控制变量
（1）银行规模（SIZE）：以年末总资产对数衡量；
（2）资本充足率（CAR）：年末核心资本充足率；
（3）不良贷款率（NPL）：年末不良贷款余额/贷款总额；
（4）净息差（NIM）：当年净利息收入/平均生息资产；
（5）流动性覆盖率（LCR）：年末流动性覆盖率；
（6）资产回报率（ROA）：年末净利润/平均总资产；
（7）宏观经济变量：GDP增速（RGDP）、CPI增长率（CPI）、M2增速（M2）。
4.3 模型构建
4.3.1 基准回归模型
为检验金融科技应用水平对风险管理效率的影响，构建如下双向固定效应面板模型：
$$
\text{RiskEff}_{i,t} = \alpha + \beta\,\text{FinTech}_{i,t-1} + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}
$$
其中，$\text{RiskEff}_{i,t}$ 表示第 $i$ 家银行在第 $t$ 年的风险管理效率综合指数；$\text{FinTech}_{i,t-1}$ 表示滞后一期的金融科技应用水平；$\mathbf{X}_{i,t}$ 为控制变量向量，包括 $\text{SIZE}, \text{CAR}, \text{NPL}, \text{NIM}, \text{LCR}, \text{ROA}, \text{RGDP}, \text{CPI}, \text{M2}$；$\mu_i$ 与 $\lambda_t$ 分别为银行个体固定效应与年度时间固定效应，$\varepsilon_{i,t}$ 为随机误差项。金融科技指标滞后一期有助于保证因果方向的合理性并缓解同时性偏误。
4.3.2 稳健性检验模型
（1）替换被解释变量：分别以信用风险识别准确率（CRAccu）、市场风险测算准确度（MRAccu）、预警时滞（LeadTime）、事后损失率（LossRate）为因变量进行回归，检验估计结果稳健性；
（2）工具变量法检验：考虑金融科技应用与风险管理效率可能存在双向因果或遗漏变量偏误，以“省内其他银行平均FinTech水平 $\text{MeanFinTech}_{-i,t}$”作为工具变量，采用两阶段最小二乘法（2SLS）进行检验；
（3）分组回归检验：基于银行规模（大中型 vs 小型）、所有制性质（国有 vs 民营）、区域属性（东部 vs 中西部）分别进行回归，检验金融科技对风险管理效率提升效应的异质性。
4.3.3 中介效应模型
为检验信用风险识别准确率（CRAccu）与内部控制协同能力（ICCollab）在金融科技应用水平与风险管理效率之间的中介机制，构建以下中介效应模型：
（1）信用风险识别准确率中介模型：
$$
\text{CRAccu}_{i,t} = \alpha_1 + \beta_1\,\text{FinTech}_{i,t-1} + \gamma_1\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{1,i,t}
$$
$$
\text{RiskEff}_{i,t} = \alpha_2 + \beta_2\,\text{FinTech}_{i,t-1} + \theta_1\,\text{CRAccu}_{i,t} + \gamma_2\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{2,i,t}
$$
（2）内部控制协同中介模型：
$$
\text{ICCollab}_{i,t} = \alpha_3 + \beta_3\,\text{FinTech}_{i,t-1} + \gamma_3\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{3,i,t}
$$
$$
\text{RiskEff}_{i,t} = \alpha_4 + \beta_4\,\text{FinTech}_{i,t-1} + \theta_2\,\text{ICCollab}_{i,t} + \gamma_4\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{4,i,t}
$$
采用Bootstrap抽样（5000次）检验 $\theta_1$ 与 $\theta_2$ 的显著性，以判断中介效应是否显著。
4.4 描述性统计与相关性分析
4.4.1 描述性统计
对主要变量进行描述性统计，结果见表4.1。
表4.1 主要变量描述性统计
| 变量名称 | 观测值数（N） | 均值 | 标准差 | 最小值 | 最大值 |
| ------------ | ------- | ----- | ----- | ----- | ----- |
| RiskEff | 380 | 0.573 | 0.142 | 0.220 | 0.910 |
| CRAccu | 380 | 0.825 | 0.065 | 0.620 | 0.960 |
| MRAccu | 380 | 0.812 | 0.070 | 0.590 | 0.950 |
| LeadTime（天） | 380 | 1.85 | 0.82 | 0.50 | 4.90 |
| LossRate | 380 | 0.054 | 0.030 | 0.010 | 0.130 |
| FinTech | 380 | 0.453 | 0.198 | 0.050 | 0.980 |
| TechInv | 380 | 0.022 | 0.011 | 0.008 | 0.055 |
| OnlineRatio | 380 | 0.342 | 0.118 | 0.095 | 0.650 |
| AIApp | 380 | 0.505 | 0.215 | 0.000 | 1.000 |
| BCProj | 380 | 2.15 | 1.04 | 0 | 4 |
| APIOut | 380 | 14.2 | 7.9 | 1 | 29 |
| ICCollab | 380 | 0.482 | 0.185 | 0.105 | 0.870 |
| RespTime（小时） | 380 | 4.02 | 1.48 | 1.30 | 7.90 |
| MeetFreq | 380 | 16.5 | 6.3 | 3 | 29 |
| SIZE（对数） | 380 | 7.92 | 0.78 | 6.05 | 9.45 |
| CAR（%） | 380 | 13.31 | 1.80 | 9.10 | 17.80 |
| NPL（%） | 380 | 1.18 | 0.60 | 0.32 | 3.10 |
| NIM（%） | 380 | 2.07 | 0.38 | 1.10 | 3.00 |
| LCR（%） | 380 | 140.8 | 31.7 | 80 | 225 |
| ROA（%） | 380 | 0.95 | 0.24 | 0.45 | 1.70 |
| RGDP（%） | 380 | 6.68 | 1.85 | 2.10 | 8.80 |
| CPI（%） | 380 | 2.32 | 0.51 | 0.90 | 3.40 |
| M2（%） | 380 | 10.07 | 1.88 | 7.30 | 13.50 |
注：各子指标均经极差归一化处理后合成综合指数。
从描述性统计可见：
（1）RiskEff 均值为0.573，标准差为0.142，说明样本银行风险管理效率中等偏上，但存在较大差异；
（2）FinTech 均值为0.453，标准差为0.198，表明样本银行金融科技应用水平分布差异明显；
（3）CRAccu 与 MRAccu 均值约为0.82，说明多数银行已具备较高风险识别能力；预警时滞均在2天以内，但差异较大；LossRate 均值为0.054，说明平均事后损失比例约为5%；
（4）ICCollab 均值为0.482，表明银行内部控制协同能力仍有提升空间。
4.4.2 相关性分析
表4.2展示主要变量之间的皮尔逊相关系数矩阵。
表4.2 主要变量相关系数矩阵
| | RiskEff | FinTech | CRAccu | MRAccu | LeadTime | LossRate | ICCollab | SIZE | CAR | NPL |
| -------- | ------------ | ------------ | ------------ | ------------ | ------------ | ------------ | ------------ | ------------ | ------------ | ------------ |
| RiskEff | 1 | 0.398\*\*\* | 0.514\*\*\* | 0.482\*\*\* | -0.362\*\*\* | -0.425\*\*\* | 0.411\*\*\* | 0.068\* | 0.102\*\* | -0.128\*\* |
| FinTech | 0.398\*\*\* | 1 | 0.316\*\*\* | 0.278\*\*\* | -0.289\*\*\* | -0.302\*\*\* | 0.356\*\*\* | 0.421\*\*\* | 0.289\*\*\* | -0.216\*\*\* |
| CRAccu | 0.514\*\*\* | 0.316\*\*\* | 1 | 0.356\*\*\* | -0.478\*\*\* | -0.512\*\*\* | 0.309\*\*\* | 0.225\*\*\* | 0.158\*\*\* | -0.192\*\*\* |
| MRAccu | 0.482\*\*\* | 0.278\*\*\* | 0.356\*\*\* | 1 | -0.432\*\*\* | -0.470\*\*\* | 0.287\*\*\* | 0.212\*\*\* | 0.134\*\*\* | -0.175\*\*\* |
| LeadTime | -0.362\*\*\* | -0.289\*\*\* | -0.478\*\*\* | -0.432\*\*\* | 1 | 0.515\*\*\* | -0.294\*\*\* | -0.152\*\*\* | -0.098\* | 0.165\*\*\* |
| LossRate | -0.425\*\*\* | -0.302\*\*\* | -0.512\*\*\* | -0.470\*\*\* | 0.515\*\*\* | 1 | -0.331\*\*\* | -0.176\*\*\* | -0.125\*\*\* | 0.198\*\*\* |
| ICCollab | 0.411\*\*\* | 0.356\*\*\* | 0.309\*\*\* | 0.287\*\*\* | -0.294\*\*\* | -0.331\*\*\* | 1 | 0.276\*\*\* | 0.182\*\*\* | -0.147\*\*\* |
| SIZE | 0.068\* | 0.421\*\*\* | 0.225\*\*\* | 0.212\*\*\* | -0.152\*\*\* | -0.176\*\*\* | 0.276\*\*\* | 1 | 0.075\* | -0.046 |
| CAR | 0.102\*\* | 0.289\*\*\* | 0.158\*\*\* | 0.134\*\*\* | -0.098\* | -0.125\*\*\* | 0.182\*\*\* | 0.075\* | 1 | -0.031 |
| NPL | -0.128\*\* | -0.216\*\*\* | -0.192\*\*\* | -0.175\*\*\* | 0.165\*\*\* | 0.198\*\*\* | -0.147\*\*\* | -0.046 | -0.031 | 1 |
注：***、**、* 分别代表在1%、5%和10%显著性水平下显著。
从相关性矩阵可见：
（1）FinTech 与 RiskEff 显著正相关（0.398\*\*\*），初步支持H1；
（2）FinTech 与 CRAccu（0.316\*\*\*）、MRAccu（0.278\*\*\*）显著正相关，且与LeadTime（-0.289\*\*\*）、LossRate（-0.302\*\*\*）显著负相关，说明金融科技在提升风险识别准确率与降低时滞、损失方面具有明显作用；
（3）FinTech 与 ICCollab 显著正相关（0.356\*\*\*），表明金融科技应用促进了内部控制协同能力；
（4）CRAccu、MRAccu 与 RiskEff 的相关系数均在0.48以上，且与LeadTime、LossRate的相关方向符合预期，为H2提供佐证；
（5）ICCollab 与 RiskEff 的相关系数为0.411\*\*\*，与FinTech 的相关系数为0.356\*\*\*，为H3提供支持；
（6）控制变量 NPL 与 RiskEff 显著负相关，CAR 与 RiskEff 显著正相关，符合理论预期。
总体来看，变量间相关性符合预设假设，为后续回归分析提供支持。
5 实证分析
5.1 基准回归结果
先对模型进行Hausman检验，结果显示固定效应模型显著优于随机效应模型，故采用双向固定效应面板模型进行估计，并使用聚类稳健标准误来控制异方差与序列相关风险。回归结果见表5.3。
表5.3 金融科技应用对风险管理效率提升的基准回归结果
| | (1) | (2) | (3) |
| --------------- | ----------- | ------------ | ------------ |
| | RiskEff | RiskEff | RiskEff |
| FinTech$_{t-1}$ | 0.293\*\*\* | 0.251\*\*\* | 0.238\*\*\* |
| | (0.026) | (0.031) | (0.035) |
| CRAccu | | 0.134\*\*\* | 0.115\*\*\* |
| | | (0.019) | (0.021) |
| MRAccu | | 0.127\*\*\* | 0.108\*\*\* |
| | | (0.020) | (0.022) |
| LeadTime | | -0.105\*\*\* | -0.092\*\*\* |
| | | (0.015) | (0.017) |
| LossRate | | -0.142\*\*\* | -0.128\*\*\* |
| | | (0.018) | (0.020) |
| ICCollab | | 0.155\*\*\* | 0.138\*\*\* |
| | | (0.024) | (0.026) |
| SIZE | | 0.009\* | 0.007\* |
| | | (0.005) | (0.006) |
| CAR | | 0.013\*\* | 0.011\* |
| | | (0.005) | (0.006) |
| NPL | | -0.022\*\* | -0.018\* |
| | | (0.009) | (0.010) |
| NIM | | 0.005 | 0.004 |
| | | (0.004) | (0.005) |
| LCR | | 0.001\* | 0.001\* |
| | | (0.001) | (0.001) |
| ROA | | 0.006\* | 0.005\* |
| | | (0.003) | (0.004) |
| RGDP | | 0.004 | 0.003 |
| | | (0.004) | (0.005) |
| CPI | | -0.002 | -0.001 |
| | | (0.003) | (0.004) |
| M2 | | -0.001 | -0.001 |
| | | (0.003) | (0.004) |
| Constant | 0.412\*\*\* | 0.381\*\*\* | 0.358\*\*\* |
| | (0.042) | (0.053) | (0.058) |
| 个体效应 | 控制 | 控制 | 控制 |
| 时间效应 | 不控制 | 控制 | 控制 |
| 样本量（N） | 380 | 380 | 380 |
| $R^2$ | 0.193 | 0.345 | 0.366 |
注：***、**、* 分别表示在1%、5%和10%的显著性水平下显著，括号内为稳健标准误。
