28 浏览通过Hausman检验后，采用双向固定效应模型进行估计，并对标准误进行银行层面聚类调整，基准回归结果见表5.3。
表5.3 金融科技应用对普惠金融风险控制绩效的基准回归结果
| | (1) | (2) | (3) |
| --------------- | ----------- | ----------- | ----------- |
| | RiskCtrl | RiskCtrl | RiskCtrl |
| FinTech$_{t-1}$ | 0.371\*\*\* | 0.324\*\*\* | 0.307\*\*\* |
| | (0.028) | (0.031) | (0.035) |
| InfoTran | | 0.143\*\*\* | 0.129\*\*\* |
| | | (0.026) | (0.029) |
| OpsEff | | 0.112\*\*\* | 0.101\*\*\* |
| | | (0.027) | (0.030) |
| SIZE | | 0.012\* | 0.010\* |
| | | (0.006) | (0.007) |
| CAR | | 0.016\*\* | 0.013\* |
| | | (0.006) | (0.007) |
| NPL | | -0.030\*\* | -0.026\* |
| | | (0.011) | (0.013) |
| ROA | | 0.008\* | 0.007\* |
| | | (0.004) | (0.005) |
| NIM | | 0.006 | 0.005 |
| | | (0.005) | (0.006) |
| LCR | | 0.001\* | 0.001\* |
| | | (0.001) | (0.001) |
| RGDP | | 0.006 | 0.005 |
| | | (0.005) | (0.006) |
| CPI | | -0.003 | -0.002 |
| | | (0.004) | (0.005) |
| M2 | | -0.002 | -0.002 |
| | | (0.004) | (0.005) |
| Constant | 0.395\*\*\* | 0.356\*\*\* | 0.333\*\*\* |
| | (0.046) | (0.057) | (0.062) |
| 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 |
| $R^2$ | 0.225 | 0.387 | 0.409 |
注：***、**、* 分别表示在1%、5%和10%显著性水平下显著，括号内为稳健标准误。
由表5.3可见：
（1）在未控制中介变量及宏观、银行特征前，FinTech$_{t-1}$ 对 RiskCtrl 的回归系数为0.371（1%显著），验证了H1；
（2）在（1）的基础上加入中介变量 InfoTran 与 OpsEff 及控制变量后，FinTech$_{t-1}$ 系数降至0.324（1%显著），InfoTran 与 OpsEff 均在1%水平显著正向影响 RiskCtrl，支持H2与H3；
（3）在（2）的基础上进一步控制年度时间效应后，FinTech$_{t-1}$ 系数为0.307（1%显著），说明基准结论在控制时间效应后仍然稳健。
5.2 稳健性检验
5.2.1 工具变量法检验
为解决金融科技应用与风险控制绩效可能存在的双向因果或遗漏变量偏误，采用“两阶段最小二乘法（2SLS）”检验，以“同省其他银行平均FinTech水平 $\text{MeanFinTech}_{-i,t}$”作为工具变量。
——第一阶段回归结果显示，$\text{MeanFinTech}_{-i,t}$ 对 $\text{FinTech}_{i,t-1}$ 的系数为0.501（t=9.41，p<0.01），表明工具变量有效；
——第二阶段回归结果显示，用第一阶段预测值 $\widehat{\text{FinTech}}_{i,t-1}$ 替代 $\text{FinTech}_{i,t-1}$ 回归后，$\widehat{\text{FinTech}}_{i,t-1}$ 对 RiskCtrl 的系数为0.284（t=4.09，p<0.01），与基准结果方向与数量级一致，表明基准估计不存在严重偏误。
5.2.2 替换被解释变量检验
以普惠金融不良贷款率（PU\_NPL）和普惠金融贷款损失率（PU\_Loss）分别为因变量进行回归，结果如下：
——PU\_NPL 回归中，FinTech$_{t-1}$ 系数为 -0.021（5%显著），说明金融科技应用水平越高，普惠金融不良贷款率越低；
——PU\_Loss 回归中，FinTech$_{t-1}$ 系数为 0.024（5%显著），说明金融科技应用水平越高，普惠金融贷款损失覆盖水平越好。两组结果与基准结论相符，表明结论稳健。
5.2.3 异质性分析
基于银行规模（以年末总资产对数中位数7.8为分界）进行分组回归：
——大中型银行组：FinTech$_{t-1}$ 对 RiskCtrl 的系数为0.251（1%显著）；
——小型银行组：FinTech$_{t-1}$ 对 RiskCtrl 的系数为0.193（5%显著）。
表明大中型银行在金融科技赋能普惠金融风险控制方面的边际效应更显著。
基于所有制性质（国有 vs 股份制 vs 城商行）进行分组回归：
——国有银行组：FinTech$_{t-1}$ 系数为0.232（5%显著）；
——股份制银行组：FinTech$_{t-1}$ 系数为0.206（5%显著）；
——城商行组：FinTech$_{t-1}$ 系数为0.174（10%显著）。
表明国有与股份制银行在金融科技赋能普惠金融风险控制方面受益更为显著，城商行相对滞后。
基于区域属性（东部 vs 中西部）进行分组回归：
——东部地区银行组：FinTech$_{t-1}$ 系数为0.269（1%显著）；
——中西部地区银行组：FinTech$_{t-1}$ 系数为0.183（5%显著）。
说明东部地区银行在金融科技赋能普惠金融风险控制方面的效果更好，但中西部银行同样显著受益。
5.3 中介效应检验
采用Bootstrap方法（5000次抽样）检验信息透明度（InfoTran）与运营效率（OpsEff）的中介效应，结果如表5.4所示。
表5.4 中介效应检验结果（Bootstrap, 5000次）
| 中介路径 | 中介效应估计值 | 置信区间下限 | 置信区间上限 | 显著性 |
| ------------------------- | ------- | ------ | ------ | ---- |
| FinTech→InfoTran→RiskCtrl | 0.056 | 0.032 | 0.081 | 1%显著 |
| FinTech→OpsEff→RiskCtrl | 0.048 | 0.025 | 0.072 | 1%显著 |
注：置信区间采用Bias-corrected百分位法。
结果表明：
（1）信息透明度在金融科技应用与普惠金融风险控制绩效之间具有部分正向中介效应，验证了H2；
（2）运营效率在金融科技应用与普惠金融风险控制绩效之间具有部分正向中介效应，验证了H3。
5.4 结果讨论
结合实证结果可见：
（1）金融科技在普惠金融场景中的应用显著降低不良贷款率并提升贷款损失覆盖率，表明大数据与智能审批等技术手段能够有效改善小微与“三农”贷款的风险控制效果；
（2）信息透明度与运营效率是金融科技赋能普惠金融风险控制的两大核心路径，其中信息透明度通过共享征信与风险报告减少信息不对称，运营效率通过自动化审批与智能监测提升风控时效；
（3）大中型与国有银行在技术、资金与数据资源方面具备优势，其在普惠金融领域的科技赋能效应更为显著；城商行与中西部地区银行需加强基础设施与合作生态建设，以缩小与一线银行的差距；
（4）研究结果符合数字金融理论与协同治理理论的预期，强调在普惠金融业务中积极打造多方协同的数字化风控生态，才能实现风险与普惠兼顾。
6 结论与政策建议
6.1 研究结论
基于2015—2024年38家A股上市商业银行面板数据，运用双向固定效应面板模型与中介效应分析，本文得出以下主要结论：
（1）金融科技应用水平与商业银行普惠金融风险控制绩效显著正相关，经多重稳健性检验后结论依然稳健；
（2）信息透明度与运营效率在金融科技应用与普惠金融风险控制绩效之间分别发挥部分正向中介作用；
（3）异质性分析表明，大中型、国有及东部地区银行在金融科技赋能普惠金融风险控制方面受益程度更高；
（4）智能风控模型、线上审批平台与大数据征信共享是普惠金融风险管理的重要技术保障，需与传统风控流程相结合，方可实现风险与普惠共赢。
6.2 政策建议
6.2.1 商业银行层面
（一）加大金融科技平台与数据资源建设
1. 持续加大对大数据风控与智能审批系统的研发投入，完善数据中台与风控中台建设，实现对多源异构信息的实时采集、清洗与分析；
2. 推广线上授信与移动审批平台，依托机器学习与人工智能算法，快速筛查潜在风险，减少审批时滞与人为判断偏差；
3. 推动与第三方征信机构、产业链企业及政府部门的数据共享，实现普惠金融客户信用信息与还款行为的透明化，降低信息不对称成本。
（二）优化普惠金融风控流程与组织协同
1. 充分融合金融科技与传统风控模式，构建“线上＋线下”混合风控流程，线上进行初筛与动态监测，线下重点开展深度尽调与客户关系维护；
2. 建立跨部门协同机制，将信贷审批、风控合规、运营管理等部门纳入同一个线上系统，加强信息共享与快速联动，提高贷后风险监测与处置效率；
3. 定期开展“科技+风控”培训，培养具备数据分析与业务理解双重能力的复合型人才，提升员工对普惠金融风险识别与防范意识。
（三）构建差异化、可持续的普惠金融风控策略
1. 大中型银行应充分发挥数据与技术优势，向城商行与中西部银行输出技术与经验，推动行业协同风控生态建设；
2. 城商行与中西部银行应借助大数据共享与简化审批流程的金融科技工具，通过与大型银行、技术企业合作，提升风控能力与普惠覆盖水平；
3. 针对不同客户群体（如微企、农户、个体工商户），设计差异化风控模型与授信额度，合理设置信用评分阈值与动态贷款利率，平衡风险与普惠目标。
6.2.2 监管层面
（一）完善普惠金融科技应用的监管框架
1. 建立金融科技对普惠金融业务应用的风险评估与审查标准，制定大数据风控、智能审批与线上贷后监测的合规指引；
2. 推动实施“监管沙盒”机制，鼓励银行创新技术在小微贷款与“三农”贷款领域试点应用，并对新技术风险进行试验性监管与评估；
3. 加强对普惠金融数据共享与隐私保护的监管，明确银行与第三方机构在征信与风控数据使用方面的合规边界，确保客户数据安全与隐私权益。
（二）推动行业协同与能力建设
1. 组织行业联盟或平台，实现银行、科技企业、征信机构与地方政府在普惠金融风控领域的数据互通与技术协同，共建小微与“三农”信用信息共享网络；
2. 开展普惠金融风险治理培训与案例分享，加强银行风控人员对金融科技应用的业务理解与风险敏感度；
3. 支持区域性银行与中小银行加强与大数据、人工智能企业的合作，提供专项资金或税收优惠，降低技术引入与运营成本。
6.3 研究局限与未来展望
本文虽通过实证验证了金融科技赋能商业银行普惠金融风险控制的显著效应，但仍有以下局限：
（1）数据覆盖面有限：由于部分银行科技应用数据未在年报中充分披露，金融科技应用水平与信息透明度等相关指标存在测度偏差，未来可结合更多一手数据与调查问卷进行补充；
（2）动态演进研究欠缺：本文采用静态面板模型，未能深入揭示普惠金融风险在宏观经济波动与政策环境变化下的动态演变规律，后续可引入时序模型或事件研究分析；
（3）行业外部环境影响未充分考虑：未来研究可在银行层面与宏观层面同时纳入更丰富的行业竞争、监管政策与技术快速迭代因素，构建更为复杂的多层次模型。
总体而言，金融科技在普惠金融场景下具有显著的风险控制优势。商业银行应持续强化技术与组织双轮驱动，监管部门需创新监管手段与合作模式，共同推动普惠金融与风险控制的高质量协调发展。
