绿色金融背景下金融科技对银行的影响分析

陈茹云，寇曼翎

（泉州经贸职业技术学院，福建 泉州 362000）

一、引言

2017年，经国务院第176次常务会议审定，五个省份的部分地区将建设具有地方特色的绿色金融改革创新实验区，积极探索金融产品的服务创新、机制创新等，经过不懈努力，取得了阶段性成果。其中，商业银行利用大数据、云计算、人工智能等各种新时代的科技手段，有效解决了发展绿色金融过程遇到的困难，其中最为突出的是信息不对称、经营成本高、客户粘性差、客户体验差、精细管理程度低、智能业务水平低、风险技术创新弱、风险管理效率低。除了国有银行，其他各类的股份制商业银行，甚至是城市商业银行，为了适应银行客户需求的不断变化，以及金融市场日益激烈的竞争局面，都开始重视金融科技的投入与研发。因此，这几年各方对于金融科技的发展与商业银行盈利的关系都展开了较为深入的研究。

目前，学者们对于金融科技与银行盈利关系的研究已经取得一定的成果，主要分为两个部分：第一，从理论方面讨论金融科技与银行的盈利关系。刘文康（2021）分析了在科技金融背景下从以下四个方面提升商业银行的盈利能力，分别是强化金融科技认识、打造科技赋能金融、明确发展责任主体、加大金融人才培养。宋传福（2020）说明了商业银行的信息发展、建立数字化管理模式、更新应用银行系统、优化风险管理模式能够使得金融服务更加全面、高效，有助于实现商业银行的科技化与信息化发展建设。第二，从实证方面论证金融科技与银行的盈利关系。于凤芹等（2021）借助动态面板模型和多重中介效应模型，分析商业银行发展金融科技是有利于提升盈利能力，其自身的资产负债管理能力、风险管理水平和经营效率的作用对盈利能力也有中介传导机制。谢婼青等（2021）通过构建面板模型得出金融科技对商业银行盈利能力有正向效应，并且从国家层面和银行层面分别给予不同的政策建议。

本研究基于已有的研究成果，不仅论证了金融科技与银行的盈利关系，而且根据中国人民银行联合七部委发布的《关于构建绿色金融体系的指导意见》和中国银行业协会印发的《中国银行业绿色银行评价实施方案（试行）》，为商业银行长期、稳定的发展提供可行性的意见和建议。

二、研究设计与实证检验

（一）样本选取与数据来源

本研究选取13家上市银行2017年第三季度至2021年第三季度的数据，包括中国建设银行（JH）、中国银行（ZH）、中国工商银行（GH）、中国农业银行（NH）、中国交通银行（JT）、中国光大银行（GD）、华夏银行（HX）、平安银行（PA）、上海浦发银行（PF）、兴业银行（XY）、招商银行（ZS）、中国民生银行（MS）、中信银行（ZX）。数据主要来源于各银行2017年至2021年公开发布季度财务报告及国泰安数据库。

（二）变量选取

1.被解释变量

本研究选取的被解释变量是净资产收益率（ROE），又被称为股东权益的报酬率，这是银行经常用来衡量盈利水平的一个指标。净资产收益率等于利润额除以平均股东权益的比值。从目前研究的文献中发现，大部分学者以总资产收益率（ROA）作为被解释变量，这个指标主要用于衡量银行债权人与股东所拥有的共同资金产生的总利润，能够呈现银行所有的负资产，主要反映过去的情况。但是，本研究选择的被解释变量是净资产收益率，主要是为了通用比较不同银行之间现有资产的盈利情况，即横向比较不同银行利用现有的金融科技资产创造的不同财富水平。

2.解释变量

对于解释变量的选择，本研究综合银行目前使用的科技终端，借鉴于凤芹等（2021）学者的研究，选取金融科技指数的变动情况（Y）作为解释变量。

3.控制变量

银行的盈利能力不仅受到金融科技这一新兴技术的影响，还受银行自身运营能力、偿债能力等多方面因素的影响。因此，本研究选取了6个变量作为控制变量，分别是基本每股收益（BEPS），体现银行的营运能力；资本充足率（CAR）和资产负债率（DAR），体现银行的偿还能力；成本收入比（CIR），主要体现银行自身成本控制的能力；不良贷款率（NPL），体现银行的风险管理能力；固定资产（FA），体现银行的总体规模。

（三）模型构建与检验

1.变量描述性统计

本研究选取13家上市银行2017年至2021年的季度数据，共219个观测值，建立面板数据模型。利用Eviews等统计软件，对采集的数据样本进行描述性统计分析（结果如表1所示）。

表1 变量的描述统计结果表

我国上市银行的净资产收益率的波动范围在1.77-15.19，说明所有银行的盈利能力均为正，且标准差为3.34，比较小，说明各大银行之间的盈利能力差距不大。控制变量不良贷款率是影响绿色金融发展最大的指标，从表1的数据可知，13家银行的不良贷款率的平均值为1.56%，最大值也只有2.44%，均在监管机构5%的规定范围内。另外，可以发现固定资产的平均值与其他控制变量的数值区间不在一个阶梯范围内，因此，本研究对固定资产进行了对数处理，以此来保证大部分数据的一致性。

2.Pearson相关分析

表2中显示，净资产收益率与基本每股收益的关系为0.63，两个变量之间呈现正相关的关系。其他变量两两之间的相关系数的绝对值都在0.5以下，甚至有些变量的相关系数的绝对值是在0.1以下。可见，本研究如果利用这些变量数据构建面板数据的回归模型，那么变量之间一定不会存在多重共线性的问题。

表2 Pearson相关系数

3.平稳性检验

为了预防出现面板模型的伪回归，必须保证面板数据的所有序列都是平稳序列。因此，本研究对所有变量数据均进行了单位根LLC检验（结果如表3所示）。若按0.10水平下的显著性要求，只有不良贷款率的数值-0.84，P值0.20，超过0.10，为非平稳序列。由于采用的是季度数据，可能存在季度波动的持续性问题，为进一步确保模型结果的准确性，对变量不良贷款率进行一阶差分。结果显示，即使按0.01水平下的显著性要求，该序列的平稳性都是稳定的。

表3 单位根检验

4.模型设计及hausman检验

面板数据的变量关系一般有两种：一种是个体呈现随机变化，即把回归模型的系数视作随机变量，这样的模型叫作随机效应模型；另一种则是个体的变化与自变量存在一定的关系，一般是指模型的斜率系数是固定不变的，只有模型的截距项会发生变量，我们把这样的模型叫作固定效应模型。本研究利用统计软件，对解释变量与被解释变量构建随机效应模型（其结果如表4所示）。

表4 hausman检验结果

从上述的模型结果来看，除了资产负债率DAR

变量的T检验的概率值大于0.1，其他变量的检验概率均为0，表明大部分的变量对于被解释变量产生比较明显的影响。因此，为了进一步确认该模型是否真的适合随机效应模型，本研究选用hausman检验进行进一步论证。

从表4结果可知，该模型的检验结果P值为0，小于0.1，拒绝原假设，即上述随机效应模型整体的数据虽然结果良好，但是，相对于随机效应模型，本研究的面板数据由于其自身的季度性，可能更适合固定效应模型，因此，最终确定选用固定效应模型。鉴于此，本研究重构固定效应模型，模型结果显示如下：

三、实证结果分析

首先，通过上述的数据清洗、数据加工以及模型构建、结果检测，本研究构建了金融科技与银行盈利关系的面板数据的固定效应模型。从公式（2）的结果数据来看，本模型的拟合优度系数从随机效应模型公式（1）的0.7上升到0.8，拟合效果比之前提升了0.1，进一步表明了利用固定效应模型，解释变量对于被解释变量的解释更充分。

其次，金融科技指数的变动对于商业银行的盈利能力影响系数是0.19，虽然比在随机效应模型状态的回归系数要小一点，但是，足以证明两者之间呈现正相关的关系。这也就进一步论证了若要全面实现绿色金融，促进国内各类产业的全面升级，开展金融科技的业务提升势在必行。

再次，控制变量基本每股收益、资产负债率以及成本收入比和不良贷款率，均与银行的盈利能力呈现正相关的关系。其中，基本每股收益与盈利能力关系紧密，呈现正相关不足为奇。但是，其他三个指标也呈现正相关，成本、负债、贷款等指标是影响绿色金融落地的关键指标，回归系数均为正值，即都在可控制的范围，进一步表明了目前的中国银行业绿色金融正在慢慢步入正轨。可见，适当的负债、贷款，不仅不会对绿色金融造成负面影响，而且在一定程度上，还有助于盈利能力的提升。

最后，本研究由于数据采集的局限性，选择固定资产作为银行规模的指标。固定资产的回归系数为-1.17，表明固定资产与银行的盈利能力呈现负相关。即现在银行对于固定资产的投入虽然都比较大，但巨额的投入并无法给自身带来巨大的收益，投入与产出并不成正比。因此，现在很多银行选择逐步扩大金融科技这类无形资产的研发投入，有些甚至将研发转化，走在金融科技发展的前沿。

四、政策建议

人工智能背景下，金融科技的发展势不可挡，如何实现金融科技赋能传统银行业务的发展变得尤为重要。基于本研究，提出以下金融科技助力银行全面发展的政策意见：

（一）扎实开展金融科技的银行内外宣传活动

第一，银行内部要培育在岗职员树立科技金融的新理念，鼓励、引导基层员工利用科技手段助力银行业务的开展，提升业务办理的效率；第二，银行对外要安排员工深入群众，让客户了解银行最新金融服务在社会民生方面取得的科技成果，让客户认识到金融科技给生活带来的便利，让客户慢慢接纳新的科技手段，与银行的发展同向同行。

（二）打造创新研发绿色产品的科技金融机制

从研究成果可知，绿色金融业务的发展只要控制在有效的范围内，是可以快速提升银行的综合实力的。因此，在这样的金融环境背景下，我们只需要保证金融科技的创新与传统金融的运作协同发展，必将为银行开创一个高速前进的新局面：第一，可以继续加大金融科技绿色产品的研发力度，满足当前金融市场的投融资需要，服务区域经济的发展需求；第二，可以加快绿色金融产品中间运转的速度，通过金融科技的赋能，规避绿色资金期限过长，实现银行的资本结构再优化，落实银行流动性风险度的再降低。

（三）培养引进新时代的金融科技创新人才

本研究变量中缺乏关于人才的数据引入，主要是因为早期行业对于金融科技的人才并没有给予应有的重视。但是，从2020年的统计数据来看，全国的大中小型银行金融科技人员占比明显提高，全面推进了专业化金融科技队伍的建设。可见，银行与金融科技要实现深度融合，人才是关键。第一，政府可以通过政策引领的形式，鼓励金融行业不断引进金融科技的高层次人才，通过团队建设的形式，在短期内形成高水平的创新研发队伍；第二，银行业可以充分利用产教融合的平台，与高校共同制定新时代的人才培养体系，为金融行业的长久发展，提供可持续的创新人才。