金融科技發展對銀行系統性風險的影響：理論機制與經驗證據

郭品 程茂勇 沈悅

摘要：金融科技既為金融發展增添了新動力，也給金融安全帶來了新挑戰。將金融科技與風險傳染約束納入經典的銀行道德風險模型，揭示了金融科技發展影響銀行系統性風險的理論機制。在此基礎上，構建GRJGARCHCouplaCoVaR模型測算銀行系統性風險水平，采用文本挖掘法衡量金融科技發展走勢，并基于2011—2020年中國36家上市商業銀行的季度面板數據進行實證檢驗。研究發現，金融科技發展顯著提高了銀行系統性風險。機制檢驗表明，快速發展的金融科技，一方面會增加銀行個體的風險水平，從“源頭”上提升銀行系統性風險的生成概率，另一方面會加深銀行之間的關聯程度，從“渠道”上放大銀行系統性風險的溢出效應。異質性分析發現，相對于技術投入，金融科技創新產出對銀行系統性風險的驅動效應更為顯著；相對于非國有銀行，國有銀行的系統性風險水平受金融科技發展的影響更為強烈。據此提出加強金融科技持續性、穿透性和規范性監管，建立健全金融科技風險防范機制的政策建議。

關鍵詞：金融科技；商業銀行；系統性風險；風險生成；風險溢出

文獻標識碼：A???文章編號：100228482023（05）001515

一、問題提出

近年來，隨著金融服務和信息技術的相互滲透、深度融合與加速創新，金融科技已逐漸成為推動中國金融轉型升級的新引擎。金融科技有助于提升金融服務效率、豐富金融產品供給、增強金融核心競爭力，但不能忽視的是，蓬勃發展的金融科技也重塑了金融行業的競爭格局，加重了金融機構的風險偏好，并提高了銀行體系的系統性風險隱患［1］。2019年8月22日，中國人民銀行印發《金融科技（FinTech）發展規劃（2019—2021年）》，明確指出“正確處理安全與發展的關系，做好新技術應用風險防范，堅決守住不發生系統性金融風險的底線”。2021年12月31日，中國人民銀行發布《宏觀審慎政策指引（試行）》，強調“要防止系統性金融風險順周期累積以及跨機構、跨行業、跨市場和跨境傳染，提高金融體系韌性和穩健性”。這既體現了監管當局嚴控金融風險的堅定決心，也為金融科技發展下銀行業的風險管理提出了基本要求。在此背景下，剖釋金融科技發展對銀行系統性風險的影響效應及其作用機制，對于防范化解金融風險、維護金融穩健運行具有重要的理論價值與現實意義。

銀行系統性風險是指單個銀行遭遇困境、陷入危機時給其他市場主體或整個金融系統和實體經濟帶來的負外部性［2］。2008年全球金融危機的爆發引起了監管層和學術界對銀行系統性風險問題的高度關注。從眾多相關研究中不難概括出關于銀行系統性風險生成和傳染的兩個關鍵特征。其一，銀行個體的風險積累是系統性風險的“導火索”，即銀行個體風險越高，在突發沖擊時越脆弱，越容易誘發系統性風險［3］。其二，銀行之間的業務關聯是系統性風險的“放大劑”，即銀行業務聯系越緊密，系統性風險越容易在不同部門之間傳染和溢出［4］。金融科技作為技術驅動的金融創新，不但會分流銀行存貸業務，擴大銀行風險來源，還會抬升銀行攬儲難度，促進銀行同業關聯。據此，本文預期快速發展的金融科技可能會強化銀行個體的風險偏好和銀行之間的業務關聯，進而增加銀行系統性風險的生成概率和溢出效應，提高銀行系統性風險水平。然而遺憾的是，鮮有文獻對這一問題進行全面深入的理論剖釋與實證分析。

基于上述背景，本文將重點考察金融科技發展對銀行系統性風險的影響效應及其作用機制。首先，將金融科技與風險傳染約束引入經典的銀行道德風險模型，從個體風險和業務關聯兩個層面剖釋金融科技發展影響銀行系統性風險的理論機制。其次，構建GRJGARCHCouplaCoVaR模型測算銀行系統性風險水平，采用文本挖掘法衡量金融科技發展走勢，并利用2011—2020年中國36家上市商業銀行的季度面板數據進行實證檢驗。

本文的邊際貢獻主要體現于以下三方面。第一，研究內容上，現有文獻主要關注金融科技發展對銀行經營績效和風險承擔的影響，缺乏對金融科技發展與銀行系統性風險之間關系的深入探討。本文通過構建納入金融科技與風險傳染約束的銀行道德風險模型，厘清了金融科技發展對銀行系統性風險的影響機制，由此豐富了關于金融科技與商業銀行競合關系的研究體系。第二，研究方法上，既有文獻多采用僅能描述變量線性相關關系的分位數回歸法測算金融機構的條件在險價值（CoVaR），忽視了對變量非線性相依結構的刻畫。本文通過構建能夠捕捉金融風險非線性和非對稱性聯動特征的GRJGARCHCouplaCoVaR模型，測度了中國36家上市商業銀行的系統性風險水平，從而拓寬了關于系統性風險的測算思路。第三，研究意義上，在金融科技迅猛發展的背景下，本文從多個角度考察了金融科技發展對銀行系統性風險的影響機制與異質效應，為監管當局和商業銀行更好地平衡金融科技發展帶來的機遇與挑戰提供了思路借鑒。

二、文獻綜述與理論分析

（一）文獻綜述

關于金融科技的研究可追溯至學者對電子金融的討論。近年來，隨著移動支付、智能投顧等業態興起，理論界和實踐界對金融科技的關注增加，并先后從內涵界定、風險監管與影響作用三方面展開討論。內涵界定方面，主流觀點認為金融科技是將大數據、云計算、區塊鏈、人工智能等技術應用于支付結算、資源配置、風險管理、市場設施等領域的金融創新［5］。風險監管方面，由于金融科技在提高金融效率、豐富金融產品的同時也帶來了新增的技術風險、法律風險以及監管風險，因而，有必要從監管體制、監管科技、行業自律、企業內控等維度，加強關于金融科技的監管［1］。影響作用方面，金融科技利弊相依。觀其利好，金融科技不僅能夠緩解企業融資約束，提高企業創新活力［6］，而且可以降低市場信息不對稱，暢通貨幣政策傳導機制［7］，亦有助于優化產業結構，促進經濟包容性增長［8］?？雌浔锥?，金融科技既未擺脫傳統的“金融創新悖論”困境，其存在的結構性問題也會造成居民信息落差，甚或提升居民貧困概率，加深多維貧困程度［9］。

銀行系統性風險自2008年全球金融危機爆發后迅速成為監管層和學術界關注的焦點。致力于打開銀行系統性風險“黑箱”的學者，主要從生成機理、傳染渠道與度量模型三個方面開展了研究。生成機理方面，Cont等［10］認為金融體系固有的脆弱性、復雜性和順周期性是系統性風險產生的根源，而單個銀行的償付危機或破產事件通常是系統性風險爆發的起點。傳導渠道方面，Benoit等［4］強調金融機構之間的業務關聯性、資產趨同性與信息傳染性為系統性風險的擴散和外溢提供了渠道。度量模型方面，相比于關注特質成因風險的網絡模型法，市場模型法考慮的風險更為全面，依賴的數據更易獲得。其中，Adrian等［11］提出的CoVaR法由于能直接估算單個金融機構對系統性風險的貢獻程度，因而在實證研究和監管實踐中得到了廣泛應用。但值得注意的是，現有文獻多采用分位數回歸法測算CoVaR，主要關注風險之間的線性和對稱性相關關系，而忽視了尾部風險的非線性、非對稱性相依結構，致使風險測算結果的準確性有待提高［12］。

蓬勃發展的金融科技打破了傳統金融藩籬，給銀行體系帶來了全新的機遇與挑戰。在此背景下，關于金融科技發展對傳統金融體系的影響受到學術界廣泛重視，目前研究主要落腳于兩方面。其一，定性剖釋金融科技與傳統金融之間的競合互動關系。以謝平等［13］為代表的“替代論”觀點主張，發展潛力巨大的金融科技將全面顛覆傳統金融。與之不同，以Murinde等［14］為代表的“互補論”觀點強調，金融科技與傳統金融在資金空間再匹配和時間再匹配等方面各有優勢，未來必將會形成互有交集的共生格局。其二，定量考察金融科技發展對銀行經營績效與風險的影響。從技術溢出視角來看，沈悅等［15］發現金融科技發展通過學習效應、競爭效應、人才流動效應與業務聯系效應，顯著改善銀行了全要素生產率。Zhao等［16］亦證實金融科技發展雖然會侵蝕銀行盈利能力，但有助于提高銀行資本充足率和管理效率。從市場競爭視角來看，劉孟飛等［1718］認為金融科技發展會加重銀行風險承擔和風險傳染，從而導致系統性風險在銀行體系積累。

總體來看，既有文獻關于金融科技發展對銀行系統性風險影響的分析相對匱乏。具體表現于以下方面：金融科技發展影響銀行系統性風險的內在機制尚未透徹，金融科技發展背景下銀行系統性風險的測算方法仍待完善，各類金融科技發展模式對銀行系統性風險的異質影響暫未涉足，不同銀行對金融科技發展的差異響應還需厘清。

（二）理論機制

根據文獻梳理可知，銀行系統性風險的生成、傳染與銀行個體的風險水平和銀行之間的業務關聯息息相關［4，10］。因此，本文通過闡述金融科技發展對銀行個體風險和業務關聯的影響，揭示金融科技發展與銀行系統性風險之間的聯系機理。

第一，金融科技發展會加劇銀行個體風險，提高銀行系統性風險的生成可能。銀行個體風險的增加不僅源于銀行主觀風險偏好的提升，也源于銀行被動風險承擔的增多。其中，主觀風險偏好上升體現在銀行為了維持目標盈利或擴大市場份額，主動選擇放松信貸標準，提高風險容忍度；被動風險承擔增加則表現為由于經濟、金融或技術等因素發生不利變化而導致銀行面臨和承擔的風險加?。?9］。金融科技發展會通過下述渠道影響銀行主觀風險偏好和被動風險承擔。首先，金融科技發展壓縮了銀行紅利空間，推升了銀行主動風險偏好。從體制紅利來看，金融科技會打破銀行市場壟斷地位，惡化銀行存款結構，分流銀行信貸業務，并侵蝕銀行非利息收入。從價格紅利來看，金融科技會助推存貸利率的市場化，抬高銀行攬儲成本，擠壓銀行利差空間［20］。面對體制紅利與價格紅利的消失，追求黏性目標收益率的商業銀行會提高風險容忍程度，降低信貸門檻，擴張杠桿水平［18］。其次，金融科技發展擴大了金融風險來源，增加了銀行被動風險承擔。金融科技迅速發展的背景下，金融風險來源更為復雜，分布更為泛化，形式更為多樣［21］。這致使銀行不僅面臨著傳統的信用風險、市場風險與流動性風險，還會遭遇新型的信息風險、技術風險與合規風險。由此可知，金融科技發展通過增加銀行個體風險提高了銀行系統性風險的爆發概率。

第二，金融科技發展會強化銀行業務關聯，擴大銀行系統性風險的傳染效應。銀行間業務關聯的加深既包括直接關聯的強化，也涵蓋間接關聯的增多。其中，直接關聯是由銀行間同業拆借業務、支付結算業務形成的直接關聯網絡；間接關聯則是由資產結構相似、風險預期相近或市場信息傳染而形成的間接關聯網絡［19］。金融科技發展會經由多種路徑影響銀行之間的直接關聯和間接關聯。首先，金融科技抬高了銀行攬儲難度，促進了銀行之間的直接關聯。相對于傳統銀行服務，金融科技服務由于具有便捷性、普惠性、定制性等優勢而迅速吸引了大量客戶［20］?？蛻袅魇е裸y行資金來源受限，為滿足流動性需求，銀行同業拆借頻繁發生。在此情形下，若某家銀行遭遇極端風險或陷入危機，則與其存在債權債務聯系的其他銀行不可避免地會受到流動性沖擊或資金損失。其次，金融科技強化了銀行行為的同質性，提高了銀行之間的間接關聯。鑒于基礎數據和底層算法趨同，大數據、人工智能等技術的發展和應用會使不同的銀行產生相近的風險預期，持有類似的風險資產，或采用相同的風險管理模式，從而容易引起市場的“同頻共振”［17］。再者，金融科技多主體、多節點、多網絡的特性也會造成金融業務跨界融合，交易鏈條相互交織。這不僅會加深金融產品之間、金融機構之間以及金融市場之間的關聯性，促使銀行風險沿著資金鏈、信用鏈擴散，還會導致業務流轉變為數據流、信息流，提升銀行風險跨行業、跨市場和跨地域的傳染?？梢?，金融科技發展帶來的銀行業務關聯提升會放大銀行系統性風險的溢出效應。

綜上所述，金融科技發展經由加劇銀行個體風險和促進銀行業務關聯兩條機制，提高了銀行系統性風險的生成概率與溢出效應，由此顯著增加了銀行系統性風險。金融科技發展對銀行系統性風險的影響機制如圖1所示。

圖1?金融科技發展對銀行系統性風險的影響機制

（三）模型推演

1．模型設定

為驗證前述分析的科學性，本文在Dell’Ariccia等［2223］研究成果的基礎上，將金融科技與風險傳染引入經典的銀行道德風險模型框架，通過構建內生的系統性風險變量，推演金融科技發展對銀行系統性風險的影響機制。模型的基本假設條件如下：

（1）銀行體系假設。銀行部門由n家風險中性、有限責任的同質銀行組成。代表性銀行i通過從資本市場和家庭部門籌集資金，并將這些資金分配至信貸資產與同業資產的過程中，實現利潤最大化。為提高經營穩定性，降低投資違約率，銀行i需要付出一定的監督努力［22］。單位資產的監督成本可表述為cp2i/2，其中，c為監督成本系數，pi為銀行i的監督努力程度。

（2）資金來源假設。銀行i的資金規模標準化為1單位，其中，存款占比為1-k，資本占比為k。杠桿水平越高，銀行i轉嫁風險的動機越強，因此，杠桿水平1/k可用于衡量銀行i的道德風險。隨著存款保險制度的建立和完善，中國存款保險基本上可以覆蓋商業銀行的絕大多數存款。鑒于此，可將存款利率rDi視為無風險利率r。此外，在資本成本高于存款利率的情況下，資本的資金成本可寫為rKi=（r+ε）/pi，其中，ε為股權風險溢價，ε≥0。

（3）資金流向假設。銀行i的資產包括信貸資產與其持有的關于銀行j的同業資產，其中，信貸資產占比為1-α，收益率為rL，同業資產占比為α，收益率為rI。需要強調的是，銀行同業資產占比主要是由外部環境如監管政策約束和市場競爭強度等因素決定。監管政策越嚴格，市場競爭越激烈，銀行對同業業務的依賴程度越高，銀行間的業務關聯越緊密［24］。據此，借鑒陳國進等［24］的做法，假定對于銀行i而言，同業資產占比α外生。

（4）風險傳染假設。銀行i面臨信貸違約和同業違約兩類風險。與Dell’Ariccia等［23］的做法相近，為刻畫由業務關聯導致的風險傳染和系統性風險，單位信貸資產和單位同業資產的收益分別為pi［1－δ（1－pj）］rL和pj［1－δ（1－pi）］rI。其中，δ為風險傳染概率，δ/α≥0，表示業務關聯越緊密，風險傳染概率越高

陳國進等［24］指出，同業業務雖有助于緩解銀行流動性約束，但也造成同業機構的過度關聯和資產趨同，成為風險傳染的重要渠道。；pj為銀行j的監督努力程度；δ（1－pj）為銀行j投資失敗并將且風險傳染至銀行i的概率；δ（1－pi）為銀行i投資失敗并將風險傳染至銀行j的概率。由此可知，銀行i在選擇監督努力程度pi時，會關注其他銀行的風險高低及銀行之間的風險傳染。因此，考慮業務關聯與風險傳染的情形下，pi實質上反映了銀行i對系統性風險的監督努力程度，pi越高，銀行i的系統性風險水平越低。

（5）金融科技假設。理論分析顯示，金融科技不僅會提高銀行個體的道德風險，還會強化銀行之間的業務關聯。為展現金融科技的影響，參照戰明華等［7］的處理辦法，假定銀行個體的道德風險與金融科技發展（FT）正相關，即1/k=γ（FT），滿足γ（FT）/FT≥0。同時，假定銀行之間的同業關聯與金融科技發展正相關，即α=α（FT），滿足α（FT）/FT≥0。這一設定有助于清晰地捕捉金融科技發展通過銀行個體風險和業務關聯對銀行系統性風險的影響機制。

2．模型求解

在有限責任制度保護下，代表性銀行i僅在投資成功時償付資金成本，但無論投資是否成功，其都需要承擔相應的監督成本［22］。據此，將代表性銀行i的最優化問題描述為

maxπpi=（1－α）pi［1－δ（1－pj）］rL+αpj［1－δ（1－pi）］rI－（1－k）pirDi－kpirKi－cpi2/2（1）

前述假設的系列約束條件代入目標函數式（1）后，將銀行預期利潤π對決策變量監督努力程度pi求一階條件，可得

［1－α（FT）］［1－δ（1－pj）］rL+α（FT）pjδrI－［1－1/γ（FT）］r=cpi（2）

式（2）表示監督努力的預期邊際凈收益與預期邊際成本相等時，可以確定模型最優解。進一步，結合納什均衡的對稱條件，可以求得代表性銀行對系統性風險的監督努力程度p：

p={［1－α（FT）］（1－δ）rL－［1－1/γ（FT）］r}/{c－［1－α（FT）］δrL－α（FT）δrI}（3）

根據式（3）可知，銀行的系統性風險主要來源于兩部分，一是銀行有限責任導致的道德風險，二是銀行業務關聯導致的外溢風險。在此基礎上，為刻畫金融科技發展對銀行系統性風險的影響，令式（3）對FT求一階偏導，可得

p/FT=［p/γ（FT）］［γ（FT）/FT］+［p/α（FT）］［α（FT）/FT］≤0（4）

具體而言，式（4）中，p/γ（FT）=-r/［Δ1γ（FT）2］＜0，Δ1=c－［1－α（FT）］δrL－α（FT）δrI>

0；p/α（FT）=［（1－δ）rL（δrL－c）－Δ2δ（rI－rL）］/Δ21+δ/α（FT）{［1－α（FT）］rL（Δ3－c）－Δ2Δ3}/Δ21＜0，Δ2=［1－1/γ（FT）］r>0，Δ3=rL+α（FT）（rI－rL）>0

根據不考慮風險傳染的銀行道德風險模型可知c>（1－α）rL+αrI－γ（1－β）r，由此可推出等式中的第二項為負。。

由式（4）可以看出，金融科技發展會降低銀行對系統性風險的監督努力程度，提高銀行系統性風險水平。其中，等式右端第一項為“個體風險加劇效應”，意味著金融科技發展通過加重銀行個體經營風險，提升了銀行體系的內在脆弱性，進而從“源頭”上增加了銀行系統性風險的生成概率。等式右端第二項為“業務關聯增多效應”，表明金融科技發展通過強化銀行業務聯系，拓寬了風險在銀行間的傳染路徑，由此從“渠道”上放大了銀行系統性風險的溢出效應。

綜合前述理論分析與模型推演，本文提出如下研究假說：

假說1：金融科技發展會顯著提高銀行系統性風險。

假說2：金融科技發展主要經由加劇個體風險與強化業務關聯兩條機制提高銀行系統性風險。

三、實證研究設計

（一）樣本選擇與數據來源

本文以2011年第一季度—2020年第四季度中國主板上市的36家商業銀行為研究樣本。銀行股價波動和財務狀況的數據主要來源于Wind數據庫，少數缺失數據由銀行季報信息予以補充。城市金融科技發展水平的基礎數據源于百度網頁源代碼列示的新聞數量。

（二）實證模型與估計策略

1．實證模型

本文實證分析的核心在于驗證金融科技發展對銀行系統性風險的影響及其作用機制。因此，構建如下遞進方程組成的中介效應模型：

SRit=α0+α1FTit+α2Xit－1+ui+st+εit?（5）

MEit=β0+β1FTit+β2Xit－1+ui+st+εit（6）

SRit=γ0+γ1FTit+γ2MEit+γ3Xit－1+ui+st+εit?（7）

其中，被解釋變量SRit表示銀行i在時期t的系統性風險水平；核心解釋變量FTit表示銀行i總部所在城市在時期t的金融科技發展水平；中介變量MEit包括銀行i的個體經營風險IRit以及銀行i的同業業務占比INit；Xit－1表示銀行層面的系列控制變量；εit表示隨機誤差項。此外，為減弱銀行層面和時間層面不可觀測因素的影響，本文還在計量方程中加入了銀行固定效應ui和季度固定效應st。需要強調的是，為控制變量內生造成的實證偏誤，本文對控制變量進行了滯后一期處理。

2．估計策略

考慮到銀行各項經營管理活動存在相互聯系，因此，以銀行系統性風險、銀行個體風險、銀行同業規模占比為被解釋變量的實證模型之間可能具有擾動項相關性問題。在此情況下，基于可行廣義最小二乘法（FGLS）的似不相關估計量不但可以充分利用擾動項之間的相關性，提高估計效率，還能夠通過不斷迭代使實證結果收斂。為此，后文將采用迭代似不相關回歸技術（SURi）進行機制檢驗。

（三）變量定義與描述性統計

1．銀行系統性風險：GRJGARCHCouplaCoVaR模型

根據Adrian等［11］的定義，CoVaR指當某一金融機構遭受損失時，其他金融機構或整個金融體系可能遭遇的最大損失。在1－α的置信水平下，當金融機構i遭受損失VaRiα時，金融體系（sys）的條件在險價值（CoVaRsysiα）可表述為

Pr（rsys≤CoVaRsysiαri=VaRiα）=α（8）

其中，Pr（·）表示條件概率函數；rsys表示金融體系的收益率；ri表示金融機構i的收益率。根據式（8）可依次求出金融機構i對系統性風險的絕對貢獻值（ASRi）和相對貢獻率（BSRi）：

ASRi=CoVaRsysiα－VaRsysα（9）

BSRi=（CoVaRsysiα－VaRsysα）/VaRsysα×100%?（10）

其中，VaRsysα表示金融體系的無條件在險價值。

由上述定義可知，CoVaR本質上是變量rsys關于變量ri條件分布函數的α分位數，因此，求解CoVaR的前提在于擬合變量的邊緣分布函數以及條件分布函數。文獻中常見的擬合方法包括分位數回歸法與Coupla連接函數法。為有效捕捉尾部風險的非線性和非對稱相關關系，借鑒王輝等［12］的思路，將GRJGARCH模型和二元Coupla連接函數引入條件在險價值框架，通過構建GRJGARCHCouplaCoVaR模型衡量銀行系統性風險水平，具體構建步驟如下：

（1）基于GRJGARCH模型，擬合變量的邊緣分布函數。為刻畫好信息和壞信息對資產價格的非對稱沖擊，學者在GARCH模型的基礎上，提出了如下的GRJGARCH模型：

rt=μt+εt?，εt=σtξt

σ2t=α0+αε2t－1+λε2t－1I（εt－1＜0）+βσ2t－1（11）

其中，rt、μt、εt和σ2t依次表示資產收益率及其均值、殘差、殘差的條件方差。ξt為與σ2t相互獨立的白噪聲；ε2t－1I（εt－1＜0）為GRJGARCH項，I（·）為示性函數，εt－1＜0時取1，εt－1≥0時取0。

采用式（11）所示的GRJGARCH模型擬合變量ri和rsys，得到白噪聲序列的邊緣分布函數Tdi（ξi）和Tdsys（ξsys）

由于金融資產收益率具有“尖峰厚尾”特點，因而，實際研究中通常假定ξt服從T分布而不是正態分布。。

以此為基礎，可求解變量ri和rsys的無條件在險價值VaRiα和VaRsysα。

（2）基于二元Coupla技術，擬合變量的聯合分布函數。根據Coupla函數定義與Sklar定理可知，若邊緣分布函數Tdi（ξi）和Tdsys（ξsys）的聯合分布函數為T（ξi，ξsys），則存在唯一的Coupla函數C（·）使下式成立：

T（ξi，ξsys）=C［Tdi（ξi），Tdsys（ξsys）］（12）

對聯合分布函數求密度函數，則可將式（12）變換為

t（ξi，ξsys）=c［Tdi（ξi），Tdsys（ξsys）］ti（ξi）tsys（ξsys）（13）

其中，t（ξi，ξsys）、c［Tdi（ξi），Tdsys（ξsys）］、ti（ξi）和tsys（ξsys）依次表示聯合分布函數T（ξi，ξsys）、Coupla函數、邊緣分布函數Tdi（ξi）與Tdsys（ξsys）的密度函數。

由此可知，在邊緣分布函數和密度函數已知的情況下，通過選擇合適的二元Coupla連接函數，便可推出聯合分布函數T（ξi，ξsys）和聯合密度函數t（ξi，ξsys）。

（3）基于條件分布函數，推導求解CoVaR的數值。由密度函數的定義可知，ξsys關于ξi的條件密度函數可表示為tsysi（ξsysξi）=t（ξi，ξsys）/ti（ξi）。將其代入式（13），化簡可得

tsysi（ξsysξi）=c［Tdi（ξi），Tdsys（ξsys）］tsys（ξsys）（14）

對式（14）求積分，得到白噪聲序列ξsys關于ξi如下的條件分布函數：

Tsysi（ξsysξi）=∫ξsys－∞c［Tdi（ξi），Tdsys（ξsys）］tsys（ξsys）dξsys（15）

根據CoVaR的定義，當Tdi（ξi）=α且Tsysi（ξsysξi）=α時，式（15）中白噪聲序列ξsys所對應的收益率rsys即為CoVaRsysiα。進一步，將CoVaRsysiα代回式（9）（10），便可求得銀行i對系統性風險的絕對貢獻值ASR和相對貢獻率BSR。需要說明的是，直接計算出的ASR和BSR通常為負數。為便于分析，采用文獻常見的做法，對二者取絕對值，其值越大表示銀行系統性風險水平越高。

圖2?2011—2020年中國上市商業銀行系統性風險的歷史走勢

注：將樣本銀行四個季度的系統性風險水平進行平均，得到銀行系統性風險的年度數據。

以此為基礎，運用Matlab?R2018b軟件編程測算中國36家上市商業銀行的系統性風險水平。從圖2的結果可以看出，樣本銀行的系統性風險水平具有顯著的時變性。2013年市場流動性緊張之際，樣本銀行的系統性風險水平顯著提升。2015年股價大幅下跌時期，樣本銀行的系統性風險水平增長至歷史高位。2016年以后，在中央銀行宏觀審慎評估體系的約束下，銀行系統性風險上升的勢頭得到有效遏制。然而，受2018年中美貿易摩擦的影響，樣本銀行的系統性風險又有回升的趨勢?？梢?，基于GRJGARCHCouplaCoVaR模型估測的銀行系統性風險走勢，與中國現實吻合。

2．金融科技

本文采用文本挖掘方法和Python爬蟲技術，通過如下四個步驟構建季度層面的城市金融科技發展指數。

（1）文本分詞：立足投入產出視域，劃分發展維度，建立初始詞庫。金融穩定理事會（FSB）［5］指出，金

融科技作為技術驅動的金融創新，其發展既離不開大數據、人工智能等技術投入，亦離不開移動支付、網絡借貸等創新產出。為此，本文將城市金融科技劃分為技術投入和創新產出兩個維度，通過閱讀《金融科技（FinTech）發展規劃（2019—2021）》、歷年《中國金融科技運行報告》、《“十三五”國家科技創新規劃》、《大數據產業發展規劃（2016—2020）》，確立如表1所示的金融科技關鍵詞庫。

（2）文本抽?。哼\用網絡爬蟲技術，搜索新聞數量，量化初始詞庫。編寫Python腳本語言，爬蟲百度搜索引擎的網頁源代碼，分季度分城市地統計每一關鍵詞的新聞發布數，將其作為指數構建的基礎。比如，確立2020年第一季度的時間區間，鍵入“北京”+“大數據”，便可爬取到該季度內容包含北京大數據的新聞數。

（3）文本合成：使用熵值法確定權重，構建城市金融科技發展指數。首先，加總每個城市技術投入維度和創新產出維度內各關鍵詞的新聞數，同時為降低數據右偏分布帶來的干擾，參考Guo等［25］的做法，對上述加總后的新聞數進行對數變換。其次，為保證指數的可比性，應用最大最小化處理將上述數據標準化至0～100之間，依次得到城市金融科技技術投入指數（FTI）以及金融科技創新產出指數（FTO）。最后，按照熵值法確定的權重，對技術投入指數和創新產出指數進行求和，得到城市金融科技發展總指數（FT）。FTI、FTO與FT的數值越大，表示城市金融科技技術投入、創新產出和整體發展水平越高。

（4）文本評價：基于縱向演進與橫向比較維度，評價城市金融科技發展指數的測度結果。依據文本挖掘法測算的金融科技發展走勢結果如圖3所示。從縱向演進維度來看，金融科技發展總指數從2011年的9.665增加至2020年的53.703，年均增速高達20.99%，意味著近年來中國金融科技發展水平整體較快。從橫向比較維度來看，2011—2017年金融科技技術投入指數的數值高于金融科技創新產出指數，表明該期間基礎技術投入是金融科技發展的主要驅動力；2018—2020年金融科技創新產出指數迅速提升，逐漸超出金融科技技術投入指數，說明在前期技術投入的基礎上，中國金融科技創新產出的效率有所改善。

3．中介變量

根據理論推演，實證分析的中介變量包括銀行個體風險與銀行業務關聯。對于銀行個體風險，本文首先選擇杠桿水平（IRL）作為代理變量。穩健性檢驗中，進一步采用Z值（IRZ）作為替代變量。具體計算時，參考郭品等［20］的做法，對Z值進行取倒數與取對數調整以直觀反映銀行個體風險的高低。IRL和IRZ的數值越大，銀行個體風險越高。

對于銀行業務關聯，本文借鑒潘彬等［27］的做法，首先選擇同業資產占比（INA）表征資產配置過程中銀行之間的關聯性。INA由買入返售與存放同業總規模占資產總額的比重衡量。穩健性檢驗中，進一步使用同業負債占比（INL）反映資金來源過程中銀行之間的業務關聯。INL由賣出返售與同業存放總規模占負債總額的比重衡量。INA與INL的數值越大，某家銀行與其他銀行之間的關聯性越緊密。

4．控制變量

已有研究表明，銀行自身的資產負債特征會顯著驅動銀行對金融體系的系統性風險溢出［18，28］。為此，實證模型引入如下四個控制變量：以資產總額的自然對數衡量的銀行資產規模（LNA），以凈利潤與總資產之比反映的銀行盈利能力（ROA），以貸款總額與存款總額之比衡量的銀行流動性（LDR），以非利息收入與總營業收入之比表示的銀行業務復雜程度（NII）

由于時間固定效應模型有助于控制不隨銀行個體而變的宏觀經濟變量的影響，因此，實證模型未納入宏觀層面的控制變量。。主要變量的描述性統計結果見表2。

四、實證分析結果

（一）基準檢驗

金融科技發展對銀行系統性風險影響的基準回歸結果見表3。首先，對數據進行Wald異方差檢驗和Wooldridge自相關檢驗，結果顯示數據存在異方差與自相關。因此，回歸結果使用經過異方差和自相關調整的面板校正標準誤。第（1）（2）列僅控制了季度固定效應與銀行固定效應，第（3）（4）列進一步添加了銀行層面的資產負債特征變量?？梢钥闯?，核心解釋變量FT的估計系數均為正，且具備統計意義和經濟意義上的顯著性。具體而言，金融科技發展總指數每增加1個標準差，上市商業銀行對系統性風險的貢獻值將提高157～226個單位，對系統性風險的貢獻率將提高1377～1848個百分點。這些結果與假說1預期一致，證實了金融科技發展會加重銀行系統性風險的觀點。金融科技發展帶來的市場競爭和技術創新會加劇銀行個體風險并強化銀行之間的業務關聯，由此提高銀行系統性風險的生成概率與溢出效應，最終顯著增加銀行系統性風險水平?？刂谱兞康幕貧w結果與已有研究基本一致，此處不予贅述。

（二）內生性檢驗

1．考慮反向因果聯系帶來的內生性

為緩解反向因果識別問題，本文首先使用金融科技發展總指數的一期滯后值替代當期值重估式（5）。其次，參考Guo等［25］的處理思路，使用銀行總部所在城市的互聯網普及率和信息行業從業人員比重作為城市金融科技發展的工具變量，采用兩階段最小二乘法回歸式（5）城市互聯網普及率采用每萬人互聯網寬帶接入用戶數衡量；信息行業從業人員比重采用信息傳輸、計算機服務和軟件業從業人員數占城鎮單位從業人員期末人數的比重衡量；數據來源于歷年《中國城市統計年鑒》。。再者，借鑒Ding等［6］的做法，采用傾向得分匹配法（PSM）為處于金融科技發展水平良好地區的樣本銀行尋找與其相配比的其他銀行，隨后基于匹配樣本進行回歸?；貧w結果表明，在控制反向因果帶來的實證偏誤后，金融科技發展對銀行系統性風險的驅動效應仍舊存在囿于篇幅，未詳細列示內生性和穩健性檢驗結果，如有需要請與筆者聯系。。

2．考慮遺漏變量帶來的內生性

為降低缺失變量引發的內生性，本文首先設定并重估包含“季度—銀行類型”的高階聯合固定效應模型，以減弱隨時間和銀行而變且無法直接觀測的其他因素的影響。其次，參考李雙建等［26］的做法，采用金融科技發展總指數的一階滯后項、二階滯后項與一階差分項作為工具變量，使用兩步系統廣義矩估計方法展開檢驗?；貧w結果與基準檢驗結果相吻合，反映出不可觀測的缺失變量對本文基本研究結論的干擾較小。

（三）穩健性檢驗

1．針對核心解釋變量的穩健性檢驗

首先，經濟發展較快的城市可能會由于媒體關注程度較高而出現重復新聞報道，導致該城市金融科技發展指數的數值較高。為減弱重復新聞報道的影響，采用城市金融科技總指數與城市人均GDP的比值替代原值進行回歸。其次，相對于業務集中在特定地區的城市商業銀行和農村商業銀行而言，國有商業銀行和股份制商業銀行的經營地域遍布全國。為降低銀行經營地域的影響，參考李雙建等［26］的處理辦法，使用金融科技總指數的全國均值與國有商業銀行和股份制商業銀行匹配，使用總部注冊地所在城市的金融科技總指數與城市商業銀行和農村商業銀行匹配，并重新回歸式（5）。

2．針對被解釋變量的穩健性檢驗

首先，為降低系統性風險時變走勢對實證發現的干擾，本文借鑒Hasan等［29］的實證思路，構建并重估了包含年份虛擬變量D與金融科技發展總指數FT交互項的實證模型當觀測值處于2013、2015、2016或2018年，虛擬變量D取值為1，否則為0。。此外，參考張琳等［28］的思路，剔除銀行系統性風險異常波動的2013、2015、2016和2018年的樣本后重估式（5）。其次，為減弱系統性風險極端值引發的擾動，本文對銀行層面的變量進行了1%與99%分位數上的Winsorize處理。同時，將GRJGARCHCouplaCoVaR模型觀測的時間跨度延長至半年和一年，即分別基于2011—2020年上市商業銀行的半年度和年度數據，測算系統性風險水平與金融科技發展總指數。

3．針對研究樣本的穩健性檢驗

首先，新股上市初期，股價可能會出現異常波動。為緩解股價異常波動對實證結果的干擾，本文在刪除上市當季的銀行樣本后重新估計了式（5）。其次，為避免潛在的樣本選擇問題，本文剔除了連續觀測數值少于6個季度的銀行樣本?；貧w結果表明，在控制重復新聞報道、銀行經營地域、系統性風險時變特征、系統性風險極端數值、當季上市樣本以及連續觀測數值不足樣本的潛在影響后，本文研究結論依舊穩健。

五、機制檢驗與異質性分析

（一）機制檢驗

首先，檢驗銀行個體風險的中介效應，結果見表4。第（1）（4）列中，核心解釋變量FT的估計系數為正，且在1%的水平上顯著。這與預期一致，表明金融科技發展會顯著增加銀行個體的杠桿風險與破產風險。第（2）（3）（5）（6）列中，中介變量IRL與IRZ的系數均顯著為正，說明隨著銀行個體風險積累，銀行系統性風險水平將顯著提高。與此同時，核心解釋變量FT的系數大小及顯著程度相比于表3第（3）（4）列有所下降，意味著在控制銀行個體風險的影響后，金融科技發展對銀行系統性風險的邊際驅動效應變弱。整體來看，上述結果支持了假說2的觀點，證實金融科技發展會加重銀行個體經營風險，提升銀行體系的內在脆弱性，進而從“源頭”上增加銀行系統性風險的生成概率。

其次，檢驗銀行業務關聯的中介效應，結果見表5。從第（1）（4）列結果不難發現，核心解釋變量FT的

估計系數在1%的水平上顯著為正，說明快速發展的金融科技確實會強化銀行之間的資產負債業務聯系。第（2）（5）（6）列中，中介變量INA與INL的估計系數顯著大于0，而核心解釋變量FT的系數大小及顯著程度相比于表3第（3）（4）列明顯降低。這些結果表明，以銀行業務關聯為傳導變量的中介效應存在，即金融科技發展會通過促進銀行之間的業務關聯，提高銀行系統性風險水平。此外還需注意的是，雖然變量INA的估計系數在第（3）列中不顯著，但其Sobel檢驗Z統計量的數值為1.01，超出了5%顯著性水平上的臨界值0.97Sobel檢驗的統計量Z值并不遵循標準的正態分布，其在5%顯著性水平上的臨界值約為0.97。。因此，變量INA的中介傳導效應也具備統計顯著性。上述結果符合假說2的預期，表明金融科技發展通過強化銀行業務聯系，拓寬了風險在銀行間的傳染路徑，繼而從“渠道”上放大了銀行系統性風險的溢出效應。

（二）異質性分析

1．基于金融科技技術投入與創新產出的異質性分析

為檢驗金融科技技術投入與創新產出的異質影響，本部分將以金融科技技術投入指數（FTI）與金融科技創新產出指數（FTO）為核心解釋變量重估式（5），并借鑒Acquaah［30］的思路，采用組間差異T檢驗方法判斷系數差異的顯著性。

根據表6的結果可以看出，首先，變量FTI與FTO的回歸系數均為正，且具備統計顯著性。這意味著無論是增加技術投入還是提高創新產出，金融科技發展均會顯著加重銀行系統性風險。其次，組間差

異T檢驗結果顯示，當被解釋變量為ASR時，FTI的估計系數比FTO的估計系數低0.031，

該系數差異在1%的水平上顯著。同樣，當被解釋變量為BSR時，FTI的回歸系數比FTO的回歸系數低0.256，該系數差異在5%的水平上顯著?？梢?，相對于技術投入，金融科技創新產出對銀行系統性風險的驅動效應更為強烈。造成該結果的可能原因是，與大數據、人工智能等技術相比，移動支付、智能投顧等創新業務會更為直接地分流銀行客戶并強化銀行同業關聯，從而更加顯著地加重銀行系統性風險。

2．基于銀行產權類型的異質性檢驗

為探究金融科技的影響在不同產權的銀行之間是否具有差異，本部分將金融科技發展指數與銀行產權類型虛擬變量（S）的交互項引入實證方程（5），并重新進行回歸。當樣本銀行為國有商業銀行時，虛擬變量S取值為1；當樣本銀行為非國有商業銀行時，S取值為0。

表7依次列示了以金融科技發展總指數FT、金融科技技術投入指數FTI以及金融科技創新產出指數FTO為核心解釋變量的估計結果?？梢钥闯?，金融科技發展指數與銀行產權類型虛擬變量交互項的估計系數均為正，且至少通過了5%水平下的顯著性檢驗。這些結果說明金融科技發展對銀行系統性風險的驅動效應在國有商業銀行中表現更強。一方面，與非國有商業銀行相比，國有商業銀行擁有更多的政府隱性擔保和市場勢力［3］，享有更多的體制紅利和價格紅利。因此，金融科技發展帶來的市場競爭會更為強烈地觸動國有商業銀行的紅利空間，增加國有商業銀行的個體風險和業務關聯。另一方面，與非國有商業銀行相比，國有商業銀行的技術實力和人才儲備更雄厚［26］，適應、運用金融科技創新技術的速度更敏捷。因而，金融科技發展帶來的新興技術和數據算法會導致國有商業銀行之間的風險管理行為更加趨同，風險資產聯系更為緊密。

六、結論與啟示

在技術進步與市場競爭的共同推動下，金融服務與信息科技相互交織、深度融合。金融科技行業前沿日新月異，業態創新層見疊出，既為中國金融發展增添了新動力，亦給金融安全帶來了新挑戰。目前，學術界已涌現出一批關于金融科技發展對傳統商業銀行影響的研究成果，但針對金融科技發展與銀行系統性風險之間關系的探討還相對匱乏。有鑒于此，本文將金融科技與風險傳染約束納入經典的銀行道德風險模型框架，厘清了金融科技發展影響銀行系統性風險的理論機制。在此基礎上，構建GRJGARCHCouplaCoVaR模型測算銀行系統性風險水平，采用文本挖掘法衡量金融科技發展走勢，并基于2011—2020年中國36家上市商業銀行的季度面板數據進行實證檢驗。研究得出如下三點結論：第一，金融科技發展顯著提高了銀行系統性風險，該結論在一系列內生性和穩健性檢驗后依舊成立。第二，快速發展的金融科技，一方面會增加銀行個體的風險水平，從“源頭”上提升銀行系統性風險的生成概率；另一方面會強化銀行之間的業務關聯，從“渠道”上放大銀行系統性風險的溢出效應。第三，相對于技術投入，金融科技創新產出對銀行系統性風險的驅動效應更為顯著；相對于非國有銀行，國有銀行的系統性風險水平受金融科技發展的影響更為強烈。本文研究不僅有助于全面理解金融科技與商業銀行之間的競合互動關系，而且對于平衡金融科技發展帶來的機遇與挑戰、維護金融穩健運行具有重要的政策啟示。

首先，對于監管當局而言，應加強金融科技審慎監管，嚴防金融科技發展可能引發的系統性金融風險。金融科技尤其是金融科技創新業務在推動金融轉型升級的同時，顯著提高了金融行業的系統性風險。因而，監管機構應加大金融科技監管力度，建立健全金融科技風險防范長效機制。一是強化持續性監管。圍繞基礎通用的技術應用，應明確交易安全、信息保護、信息披露等監管規則，實現技術風險、信息風險以及網絡風險的全面監管，增強金融科技監管的持續性與覆蓋性。二是提升穿透式監管。針對動態復雜的創新業務，應盡早厘清業務背后的數據算法和主體結構，有效連接各類業務的資金來源、中間環節與最終流向，根據業務性質制定市場準入、資本補充、風險準備、風險補償、市場退出等專項監管要求，確保金融科技監管的針對性與穿透性。三是注重規范性監管。借助人工智能、數據挖掘等監管科技，實時收集、整理、共享金融科技業務的數據流、信息流和資金流，并據此展開強度適宜、類型規范、規則簡明的監管行為，實現金融科技創新與維護金融穩健的有機平衡。

其次，對于商業銀行而言，在強化金融科技賦能的同時，應做好新技術應用風險防范?？焖侔l展的金融科技不僅會增加銀行個體風險水平，還會提升銀行系統性風險隱患。因此，在金融科技發展呈現業態多樣、關聯增強、創新加速、風險顯現等特征的情況下，商業銀行應盡快適應市場環境的變化，鞏固擴大競爭優勢，增強風險抵御能力。一是夯實發展基礎。商業銀行應緊密關注金融科技行業的動態變化，充分了解金融科技的前沿技術，提前布局發展金融科技的技術基礎、數據儲備與人才隊伍。二是突破創新重點。商業銀行特別是中小型銀行應結合市場需求和自身稟賦，穩步開展業務創新、場景建設與技術研發，有序推進產品矩陣、客戶細分與風險管理的數字化轉型。三是守住風險底線。商業銀行應制定關于金融科技發展應用風險的識別、預警與隔離機制，增強金融科技與內部控制、組織流程等管理要素的有機互補，嚴防微觀、個體風險向宏觀、系統性風險轉化。

參考文獻：

［1］?BUCHAK?G，?MATVOS?G，?PISKORSKI?T，?et?al.FinTech，?regulatory?arbitrage，?and?the?rise?of?shadow?banks［J］.?Journal?of?Financial?Economics，?2018，?130：453483.

［2］?BUSHMAN?R?M，?WILLIAMS?C?D.?Delayed?expected?loss?recognition?and?the?risk?profile?of?banks［J］.?Journal?of?Accounting?Research，?2015，?53（3）：511553.

［3］?童中文，解曉洋，鄧熳利.?中國銀行業系統性風險的“社會性消化”機制研究［J］.?經濟研究，2018（2）：124139.

［4］?BENOIT?S，?COLLIARD?J?E，?HURLIN?C，?et?al.?Where?the?risks?lie：a?survey?on?systemic?risk［J］.?Review?of?Finance，?2017，?21（1）：109152．

［5］?Financial?Stability?Board.?Financialstability?implications?from?FinTech：supervisory?and?regulatory?issues?that?merit?authorities’?attention［R］.?Financial?Stability?Board?Research?Report，?2017.

［6］?DING?N，?GU?L?L，?PENG?Y?C.?Fintech，?financial?constraints?and?innovation：evidence?from?China［J］.?Journal?of?Corporate?Finance，?2022，?73：102194.

［7］?戰明華，湯顏菲，李帥.?數字金融發展、渠道效應差異和貨幣政策傳導效果［J］.?經濟研究，2020（6）：2238.

［8］?唐紅梅，趙軍.?數字普惠金融、產業結構與包容性增長［J］.?當代經濟科學，2022（10）：115.

［9］?何宗樾，張勛，萬廣華.?數字金融、數字鴻溝與多維貧困［J］.?統計研究，2020（10）：7989.

［10］CONT?R，?MOUSSA?A，?SANTOS?E?B.?Network?structure?and?systemic?risk?in?banking?systems［M］//Handbook?on?systemic?risk.?Cambridge：Cambridge?University?Press，?2013：327368.

［11］ADRIAN?T，?BRUNNERMEIER?M?K.CoVaR［J］.?American?Economic?Review，?2016，?106（7）：17051741.

［12］王輝，梁俊豪.?基于動態因子Copula模型的我國銀行系統性風險度量［J］.?金融研究，2020（11）：5875.

［13］謝平，鄒傳偉.?互聯網金融模式研究［J］.?金融研究，2012（12）：1122.

［14］MURINDE?V，?RIZOPOULOS?E，?ZACHARIADIS?M.?The?impact?of?the?FinTech?revolution?on?the?future?of?banking：opportunities?and?risks［J］.?International?Review?of?Financial?Analysis，?2022，?81（3）：127.

［15］沈悅，郭品.?互聯網金融、技術溢出與商業銀行全要素生產率［J］.?金融研究，2015（3）：160175.

［16］ZHAO?J?S，?LI?X?H，?YU?CH，?et?al.?Riding?the?FinTech?innovation?wave：FinTech，?patents?and?bank?performance［J］.?Journal?of?International?Money?and?Finance，?2022，?122：102552.

［17］劉孟飛，羅小偉.?金融科技、風險傳染與銀行業系統性風險［J］.?經濟社會體制比較，2022（3）：7287.

［18］王道平，劉楊婧卓，徐宇軒，等.?金融科技、宏觀審慎監管與我國銀行系統性風險［J］.?財貿經濟，2022（4）：7184.

［19］方意，荊中博，吳姬，等.?非核心負債、尾部依賴與中國銀行業系統性風險［J］.?世界經濟，2020（4）：123144.

［20］郭品，沈悅.?互聯網金融、存款競爭與銀行風險承擔［J］.?金融研究，2019（8）：5876.

［21］劉孟飛，奉潔，羅小偉.?監管科技：技術驅動型金融監管的理論邏輯與國際實踐［J］.?深圳社會科學，2021（5）：4960.

［22］DELL’ARICCIA?G，?LAEVEN?L，?SUAREZ?G?A.?Bank?leverage?and?monetary?policy’s?risktaking?channel：evidence?from?the?United?States［J］.?Journal?of?Finance，?2017，?72（2）：613654.

［23］DELL’ARICCIA?G，?RATNOVSKI?L.?Bailouts?and?systemic?insurance［J］.?Journal?of?Banking?and?Finance，?2019，?105（8）：166177.

［24］陳國進，蔣曉宇，劉彥臻，等.?資產透明度、監管套利與銀行系統性風險［J］.?金融研究，2021（3）：1837.

［25］GUO?P，?CHENG?M?Y，?SHEN?Y.FinTech?adoption?and?bank?risktaking：evidence?from?China［J］.?Applied?Economics?Letters，?2022，?29（10）：19.

［26］李雙建，田國強.?銀行競爭與貨幣政策銀行風險承擔渠道：理論與實證［J］.?管理世界，2020（4）：149167.

［27］潘彬，王去非，易振華.?同業業務、流動性波動與中央銀行流動性管理［J］.?經濟研究，2018（6）：2135.

［28］張琳，廉永輝，方意.?政策連續性與商業銀行系統性風險［J］.?金融研究，2022（5）：95113.

［29］HASAN?I，?LIU?L?L，?SAUNDERS?A，?et?al.?Explicit?deposit?insurance?design：international?effects?on?bank?lending?during?the?global?financial?crisis［J］.?Journal?of?Financial?Intermediation，?2022，?51：100958.

［30］ACQUAAH?M.?Socialnetworking?relationships，?firmspecific?managerial?experience?and?firm?performance?in?a?transition?economy：a?comparative?of?family?owned?and?nonfamily?firms［J］.?Strategic?Management?Journal，?2012，?33（10）：12151228.

編輯：鄭雅妮，高原

Vol.?45No.?5Sept.?2023

The?Impact?of?FinTech?on?Bank?Systemic?Risk：?Theoretical?Mechanism?and?Empirical?Evidence

GUO?Pin，?CHENG?Maoyong，?SHEN?Yue

School?of?Economics?and?Finance，?Xi’an?Jiaotong?University，?Xi’an?710061，?China

Summary?Driven?by?technological?progress?and?market?competition，?financial?services?and?information?technology?are?deeply?intertwined?and?integrated.?The?rapidly?changing?FinTech?not?only?brings?a?new?impetus?to?financial?development?but?also?adds?new?challenges?to?financial?security.?In?this?context，?fastgrowing?literature?investigates?the?economic?consequences?of?FinTech?on?traditional?commercial?banks.?However，?to?the?best?of?our?knowledge，?research?considering?the?implications?of?FinTech?on?banks’?systemic?risk?is?scarce.

This?paper?addresses?this?gap?by?incorporating?FinTech?and?risk?contagion?constraints?into?the?classic?moral?hazard?model，?revealing?the?theoretical?mechanisms?through?which?FinTech?development?affects?banks’?systemic?risk.?Building?on?this?foundation，?we?employ?the?GRJGARCHCouplaCoVaR?model?to?quantify?banks’?systemic?risk?levels，?utilize?text?mining?methods?to?measure?FinTech’s?development，?and?conduct?empirical?tests?using?quarterly?data?from?listed?commercial?banks?in?China?from?2011?to?2020.?Our?findings?indicate?that?the?growth?of?FinTech?significantly?amplifies?banks’?systemic?risk?in?two?ways.?On?the?one?hand，?FinTech?increases?banks’?individual?risk，?therefore?improving?the?likelihood?of?the?occurrence?of?banks’?systemic?risk.?On?the?other?hand，?FinTech?strengthens?the?business?linkages?between?banks，?thus?amplifying?the?spillover?effects?of?banks’?systemic?risk.?Moreover，?we?demonstrate?that?the?innovation?output?of?FinTech?has?a?more?pronounced?effect?on?banks’?systemic?risk?compared?to?technology?input.?In?addition，?we?observe?that?stateowned?banks?are?more?susceptible?to?the?impact?of?FinTech?development?on?systemic?risk?compared?to?nonstateowned?banks.

This?study?makes?several?contributions?to?the?existing?literature.?First，?it?sheds?light?on?the?underexplored?association?between?FinTech?and?banks’?systemic?risk?by?incorporating?FinTech?into?a?bank?moral?hazard?model.?This?enrichment?of?research?provides?insights?into?the?competition?and?cooperation?dynamics?between?FinTech?and?commercial?banks.?Second，?we?extend?the?conventional?quantile?regression?method?by?proposing?the?GRJGARCHCouplaCoVaR?model?to?assess?systemic?risk.?This?approach?captures?the?nonlinear?and?asymmetric?relations?of?financial?risk，?thereby?enhancing?the?understanding?and?calculation?of?systemic?risk.

Through?an?indepth?examination?of?the?impact?mechanisms?and?heterogeneous?effects?of?FinTech?development?on?banks’?systemic?risk，?this?paper?offers?valuable?insights?to?regulatory?authorities?seeking?to?balance?opportunities?and?challenges?posed?by?FinTech?while?maintaining?financial?stability.?Furthermore，?commercial?banks?can?benefit?from?the?practical?guidance?on?strategically?integrating?FinTech?and?promoting?digital?transformation.

Keywords?FinTech;?commercial?bank;?systemic?risk;?risk?generation;?risk?spillover