金融监管研究投稿格式参考范文：金融科技平台公司发展对商业银行零售信贷的影响研究

　　一、引言与文献综述

　　最近几年，大型互联网平台企业通过市场对接、资源对接、技术对接等方式，整合来自各利益相关者的互补性资源，构成了具有协同、共生效应的平台生态系统。该平台生态系统以平台网络外部性的正反馈效应等市场方式，创造了一种新型社会交往形式和广泛的社会交流互动关系，为数据与数据关系的生产、积聚、追踪、捕获、归类及商品化和资本化转化提供了契机。平台企业有价值的数据生成，一方面成为其资本积累的源泉;另一方面也促使产业资本主导的资本形态及其循环过程让渡给了金融资本，导致传统的资本形态、资本积累过程和资本循环过程产生了一系列新变化。

　　特别是平台业务与金融业务相互融合的自我累积机制，实现了从大型互联网平台向大型 “平台 + 金融” 综合体的跨界转化，即平台经济金融化。例如 “蚂蚁金服” 由 2004 年推出的支付宝起步，借助持有的多种经营牌照，向数字支付体系及 “微贷科技、理财科技、保险科技” 三大平台嬗变;其他典型案例还有 “腾讯金融”“京东金融”“度小满金融” 等。金融科技平台的快速发展在某种程度上改变了由商业银行主导的资金供求模式、定价机制和市场利率间的均衡关系，呈现出互联网金融与传统金融相互竞合的局面。由此凸显出尚需进一步探讨的问题，即金融科技平台金融服务流量对商业银行的信贷资产配置会产生哪些影响，其内在机理又如何。

　　金融科技平台公司的快速发展对金融体系存在多维度的影响，本文重点关注其对商业银行信贷资产配置的维度，是基于中国实体企业的融资渠道依然以商业银行贷款为主、股权融资和债券融资为辅的事实。其原因是中央银行的流动性支持向实体经济的传导效率主要取决于商业银行的流动性传导意愿。现有文献从监管套利、存款竞争、地方政府的银行贷款 “宿醉效应”、理财业务、同业业务和基础货币投放渠道变迁等视角，分析了商业银行流动性创造的驱动机理与运行机制，得出一个共识性结论：商业银行是典型的经济人，其货币政策的传导意愿取决于它对自身资产的安全性、流动性和盈利性三者之间的平衡。因此，厘清金融科技平台金融服务流量对商业银行资产负债配置的影响机理，既有助于把握金融资源存量和增量的关系，畅通货币政策传导机制，增强商业银行服务实体经济的主动性和自觉性，又能为商业银行提升负债与资产配置的合理性提供事实依据，防止过度错配引发的经营风险。

　　金融科技平台公司是指不同类型的互联网科技企业，运用大数据技术获取大量数字信息，通过自身取得的金融牌照或者与金融机构联合开展业务，为广大客户提供金融服务。对该现象的研究与 “互联网金融”“金融科技”“数字金融” 等概念有一定差异，但对后者的相关研究也奠定了对其溢出效应研究的方向性基础。互联网技术的广泛应用提升了金融服务的便利性、普惠性和多样性，同时也给学界带来许多值得思考的问题。张玉喜将网上银行、网上证券、网上保险、网络期货、网上支付、网上结算等金融业务的网络化定义为 “网络金融”，以区别于传统金融业务形态。随着数字技术的发展及其对金融业的驱动及变革，“网络金融” 已无法概括金融科技的所有内涵。

　　据此，谢平和邹传伟又将其定义为 “互联网金融” 模式。最近几年，大数据、人工智能和区块链等技术在金融领域中的创新应用，使得金融科技对金融体系的影响已经从(移动)互联网等渠道层面升级到更深层次的技术层面，数字征信、保险科技、央行数字货币和数字基础设施等也逐渐成为金融科技创新的重要领域。对此现象，国外同期研究文献的对应词汇主要是 “金融科技(Fin-tech)”。数字经济的蓬勃发展不仅对金融渠道、金融产品和服务、金融风险等产生了更加广泛和深远的影响，还使得金融服务的运行主体更加多元、全面和成熟。由此，“金融科技” 的说法又逐渐被 “数字金融(Digital Finance)” 取代。数字金融如何促进经济高质量发展遂成为学界关注的热点问题。尽管 “数字金融”“互联网金融”“金融科技” 在直观理解上存在细微差别，但在研究内容上基本是以传统金融机构为行为主体，讨论其通过数字技术改造金融服务流程和将数字思维贯穿业务运营全链条，实现金融体系的创新驱动和数据赋能。对金融科技平台的研究，是以大型科技平台企业为研究对象，研究其利用客户流量、数字技术和数据资源优势涉足金融服务体系的路径、形态和对现有金融体系的影响等问题。

　　与商业银行相比，金融科技平台公司可以利用海量用户数据的积累，使其在风险评估、贷款发放中具备天然的信息优势与模型优势。由于金融科技平台企业的主要盈利点在于挖掘数据价值并开发增值业务，使得其更易形成 “赢家通吃” 局面的数据垄断，并以此削弱了传统商业银行的品牌优势及对客户信息的垄断，造成信息脱媒。目前国内关于金融科技平台溢出效应的研究主要采用政治经济学理论分析方法，定性分析其发展逻辑及其对实体经济发展的影响，指出金融科技平台本质上体现出资本的逐利性，利用大量的用户数据基础来加速资本循环，加深经济金融化与实体经济发展间的矛盾。但相关研究缺乏相应的实证分析。

　　本文基于 2014-2022 年 101 家商业银行年报数据及我国 14 家大型金融科技平台的主要金融服务流量数据，实证检验了金融科技平台对商业银行零售信贷占比的影响机理及效应。本文的边际贡献在于：第一，拓展了金融科技平台创新发展的溢出效应研究，为完善全方位金融监管体系提供了事实依据。第二，揭示了金融科技平台金融服务流量对商业银行资产负债管理的冲击机理和效应，以及经济预期转弱在其中发挥的调节作用，并检验了其对不同类型商业银行的影响差异，拓展了金融科技平台与商业银行竞合关系的研究边界，有助于监管部门更为准确和及时地评估、监管国内零售信贷生态系统的总体运行态势和质量。

　　二、理论分析与研究假设

　　(一)金融科技平台公司金融服务流量影响商业银行零售信贷的机理

　　金融科技平台公司的运作模式，基本是以某种业务作为整个生态系统的流量入口，一方面通过线上线下场景的布局触达用户，完成对用户生活场景的全渠道覆盖;另一方面通过多元场景积累的用户数据集聚与数据赋能的深度交织、协同演进，产生正向反馈的 “马太” 效应，并进一步推动其数据深度赋能。此外，利用所取得的众多金融、类金融牌照，搭建诸如微贷科技平台、理财科技平台、保险科技平台，形成实质上的综合金融经营体(B to C);还与金融机构合作形成关联结构运营体(B to B)，构成了涵盖消费者、商家、金融机构、第三方服务商等多主体的生态系统。金融科技平台公司对商业银行零售信贷的影响主要体现在以下两方面。

　　一是加剧了存款市场的竞争，抬高了商业银行负债端成本，从而间接影响了商业银行的零售信贷业务。平台企业凭借技术优势、信息优势和渠道优势，集成了支付、储蓄、理财、保险、信贷等综合性服务，不仅能对传统存款市场客户进行细分，还能为其提供高收益率、高流动性和相对安全的多样性理财产品。例如 “余额宝”“零钱通” 等货币基金产品，实现了投资与支付功能的一体化，丰富了存款客户的投资渠道，满足了交易者的流动性需求，吸引了大量原本应存入商业银行的资金，对整个存款市场产生了 “虹吸效应”。存款业务是商业银行负债端的主要资金来源，在金融科技平台公司的 “虹吸效应” 下，商业银行为了生存就必须提高存款利率或者发行理财产品以高息揽 “储”，直接抬高了商业银行负债端资金的成本。一方面，存款增长乏力导致贷存比压力凸显，存贷款利差的收窄也压缩了商业银行的盈利空间，迫使商业银行为优化资产和负债配置，被动性地优先发展如消费信贷这类短期且高利率的零售信贷业务;另一方面，金融科技平台的迅速发展也让商业银行看到了传统 “闲、散、小” 客户的力量，开始关注之前尚未覆盖的长尾客户，增加了消费信贷的投放，以此与平台企业争夺零售信贷市场，进而提升盈利空间。

　　二是催生了商业银行与大型金融科技平台的合作模式。传统商业银行主要依靠可传递的硬信息 —— 企业财务报表、个人征信报告、资产抵押物等决定是否放贷，信息搜寻成本较高，且对零售客户设置了种种贷款壁垒。由于受传统物理网点限制，商业银行辐射范围相对有限，获客成本及扩展成本均较高，因而将贷款集中于企业层面。相较之下，大型平台企业则可利用其核心业务如社交、搜索、电商平台等积累的客户群体，通过用户在线搜索、社交媒体活动或电子商务活动，刻画用户消费习惯与财务状况，凭借其庞大的用户数据与技术支持，弥补历史交易信息、抵押物等方面的不足，改善个人贷款的可得性。因此，商业银行通过与平台企业合作，引入第三方数据，可多维刻画客户信用图谱，提高金融服务、风险评估的效率，降低信息成本，推动零售业务的发展。由此，大型 “平台 + 金融” 综合体与传统商业银行的关系由发展早期的 “竞争” 关系，向更顺应产业发展潮流的 “竞合” 关系转变，提升了商业银行的金融服务效率与获客能力，降低了管理成本，赋能其贷款结构转型。

　　基于此，本文提出研究假设 H1：金融科技平台金融服务流量的增加会对商业银行零售信贷业务产生正向影响。

　　(二)金融科技平台、商业银行息差收入与零售信贷业务

　　根据中国人民银行《中国区域金融运行报告》(2020)，金融科技平台快速发展的 “虹吸效应”，使得商业银行的零售客户流失率普遍升高，大约在 30%~40% 的水平。金融科技平台凭借其技术优势、信息优势和渠道优势，可以根据广大客户群体的金融选择偏好、理财习惯和方式，推介收益率高、流动性强和安全性好的金融产品，吸引了大量长尾客户，削减了商业银行向公众吸收存款的能力，进而对存款市场形成挤压。随着《关于规范金融机构资产管理业务的指导意见》的推进，非标金融资产供给的持续收缩，“固收 +” 理财产品成为各类金融机构竞争的主战场，2023 年创下 30 万亿元的市场规模，对存款市场的挤压效应明显加大。相对而言，大型商业银行在全国范围内布局了一定数量的营业网点，拥有稳定以及低成本的存款资源，在存款市场上占据主导地位;而中小银行的融资渠道相对较少且来源不稳定，其吸收存款的能力较弱。因此，相较于大型商业银行，中小银行存款业务受金融科技平台发展的冲击更为直接。

　　对于具有公开市场业务一级交易商资质的商业银行来说，它可以直接从中央银行获得流动性支持，其负债端成本明显低于其他商业银行。而对于不能直接获得中央银行流动性支持的其他商业银行，则只能采用同业存单、同业理财等同业融入方式，通过一级交易商的资金融出间接获得流动性，形成负债端对批发融资的过度依赖，融资成本明显高于一级交易商。金融科技平台对存款市场的挤压效应，驱使广大中小商业银行通过发行定期且相对高息的存款产品来扩大负债端规模，以维持 “息差” 收入水平。

　　尽管 2019 年以来，中央银行不断调降中期借贷便利(Medium-term Lending Facility，简称 MLF)利率等政策利率，一定程度上导致了存款利率进一步下行，一年期贷款市场报价利率(Loan Prime Rate，简称 LPR)从 2019 年的 4.25% 下调至 2024 年 10 月的 3.10%，但此期间商业银行的计息成本依然在 2.05%~3.1% 之间徘徊，商业银行整体息差收入下降。面对负债端规模增长率的下降、负债端成本相对上升和息差收入减少，广大中小商业银行在资产配置上转向零售信贷市场。一方面，商业银行在零售信贷市场的议价能力较强，可以用较高的利率覆盖其负债端成本;另一方面，借助与大型金融科技平台共建、共享，通过小程序、线下扫码、商家生活号、商户在线服务等方式，增强客户体验、提升客户粘性，为客户带来更加场景化的金融服务，从而可提升金融服务的深度和覆盖度。

　　基于此，本文提出研究假设 H2：金融科技平台的金融服务流量的增加会降低商业银行的息差收入，从而对零售信贷产生正向影响。

　　(三)金融科技平台、风险管控能力与零售信贷业务

　　零售贷款具有额度小、分散性强、评估信息可得性差和无抵押等特性，长期以来未能受到商业银行的重视。随着云计算、区块链和大数据技术等先进的计算技术的不断发展，尤其是大型金融科技平台深耕长尾客户的 “楷模效应”，促使商业银行重新认识零售信贷业务的发展空间和前提条件。大型金融科技平台之所以敢于涉足 “长尾客户”，主要得益于其平台服务能够延伸至支付、商业、物流、本地生活、商家服务、数字娱乐、到店消费、地图导航等广泛领域，可实时抓取、收集和积累维度多元的海量客户数据，精准分析用户财务状况，并据此建立便利而高效的信用评价体系，从而可有效缓解信息的不对称问题。受此启发或感召，商业银行也顺应区块链、物联网、大数据、云计算、人工智能等数字科技的快速发展，加快了数字化转型的步伐。

　　一方面，商业银行利用大数据技术，可以较低的成本收集、处理和存储多维度的客户画像数据，修正信用评价体系，准确做出贷款决策和预测贷款违约概率;另一方面，借助大型金融科技平台在区块链、人工智能、安全、物联网和云计算五大领域的技术基石，可加强对基础数据的收集整合与标准化管理，从而提高用户画像的准确性和优化长尾客户的运营效率，并可强化数字风险控制在贷款全生命周期中的应用。金融科技平台公司为金融机构提供的一系列包括客户触达、智能商业决策、动态风险管理解决方案、创新的产品开发能力以及技术基础架构等服务，可使商业银行借助这些技术服务，在贷前风险评估时，通过精准的客户画像和信用评估对不同客户进行个性化利率定价和信贷额度审核，降低逆向选择的风险;在贷中监测时，通过大量的数据和动态监测模型，对客户进行了全面和动态的监控，进而采用冻结和调整贷款额度来干预可能出现的违约行为;在贷后管理时，利用智能催收技术和模型对客户进行分类，并借助系统功能自动提醒客户，实现高效的管理和标准化的运营，进而减少道德风险并提高贷款的回收效率。

　　基于此，本文提出研究假设 H3：金融科技平台能助力提升商业银行的风险管控能力，从而对商业银行零售信贷产生正向影响。

　　(四)经济预期转弱的调节效应

　　预期存在自我实现机制，当人们对于经济预期转弱时，经济在很大概率上会出现实际转弱，导致 “预期转弱” 与 “经济下行” 之间迭代循环的困境。基于自然预期理论和诊断预期理论，有限的认知力会使投资者出现过度反应和非理性行为。这种心理偏差不仅体现在个人的资产配置上，也影响着货币政策的有效性。一方面，经济预期转弱会伴随行业调整和企业重组，加剧企业对未来收入确定性、就业稳定性受到负面影响的担忧，投资决策会愈发保守、谨慎，预防性储蓄动机增强，信贷需求下降;另一方面，虽然我国货币政策调控体系引入了预期管理，旨在通过前瞻性的政策信号引导公众预期，降低公众预期偏差，但在政策实施过程中，行为主体受 “惰性” 思维的影响，不能及时对新信息做出反应，预期管理的效果不尽如人意，甚至因为金融科技平台中信息传递的扭曲而产生反效果。已有的研究也指出，企业对于未来经济状况持有悲观预期时，会通过降低固定资产投资、减少研发投入和劳动雇佣等方式来缓解经营压力，贷款需求因此明显下降;同时，由于信息不对称加剧，商业银行只能根据企业传递的信号预测其盈利能力和偿付水平，因此面对可能的贷前逆向选择和贷后道德风险，会出于 “自我保险” 动机提高企业贷款门槛，削弱企业获得信贷资源的能力。

　　相对而言，零售贷款由于具有额度小、分散性强等特性，往往受经济波动的影响较小。尤其在预期不足、经济疲软时期，零售贷款占比高的商业银行绩效水平会明显高于零售贷款占比低的商业银行。这会对商业银行的资产配置起到 “示范效应”，促使商业银行强化对零售客户的维护，实现新资源的探索与挖掘。而商业银行为了升级信用评价体系以有效地监测和管控零售信贷风险，会主动与大型金融科技平台合作，采取助贷或联合贷款的模式，深耕零售信贷市场。基于此，本文提出如下有待实证检验的竞争性假设：

　　假设 H4a：经济预期转弱会加大金融科技平台对商业银行零售信贷的正向影响。

　　假设 H4b：经济预期转弱会降低金融科技平台对商业银行零售信贷的正向影响。

　　三、变量选择与模型设计

　　(一)数据说明及处理

　　为保证数据的完整性和结果的可靠性，本文基于以下准则处理样本数据：(1)剔除三家政策性银行数据;(2)剔除连续三年缺少财务数据的异常样本;(3)样本期间内银行合并之前所有银行均单独进入样本，合并后则仅一家并购银行被纳入样本;(4)剔除银行资产以及所有者权益显示为负的异常样本;(5)运用线性插值法填补银行层面少量缺失数据;(6)本文对所有连续性变量进行 1% 和 99% 分位的缩尾处理，以减少离群值对研究结论的干扰。最终本文筛选出 101 家商业银行作为研究样本。考虑到 2013 年以第三方支付为代表的平台金融模式的兴起，将样本区间确定为 2014-2022 年。商业银行的数据来自 Wind 数据库、前瞻数据库等，并通过查找各商业银行披露的年报进行补充;宏观经济数据来源于国家统计局官网以及人民银行年度货币政策报告等;核心解释变量是金融科技平台金融服务流量，其数据(Fpe)主要来源于清华大学互联网金融研究中心网络借贷平台数据库、网贷之家相关平台统计数据、中国互联网金融协会登记披露平台和企业的《社会责任报告》、招股说明书以及企业年报。

　　(二)变量选取

　　被解释变量为商业银行零售贷款(Rlsz)。零售信贷指金融机构向满足特定条件的个人、个体工商户和小微企业提供贷款服务，以满足他们在购房、消费和经营中所需的资金，其业务涵盖个人住房贷款、个人消费贷款以及小微企业和个体工商户的经营性贷款等。参照张健华和王鹏的做法，本文利用零售贷款占总资产的比例予以衡量。

　　核心解释变量为金融科技平台金融服务流量(Fpe)。本文选择蚂蚁金服、陆金所、腾讯、度小满金融、京东金融、字节跳动、美团金融、奇富科技(360 数科)、滴滴金融、天星数科(小米金融)、新浪金融、苏宁金融、国美金融、携程金融等 14 家大型金融科技平台，将其所提供的金融服务客户数量加总后，分别除以 101 家商业银行所在城市的普惠金融使用深度指数，再取其自然对数来表征该变量。其中，普惠金融使用深度指数采用北京大学数字普惠金融指数中的分类指数。

　　机制变量为商业银行息差收入(Nim)和风险控制能力(Npl)。本文以 101 家商业银行年报中加权平均息差收入度量(Nim);借鉴李志辉等的做法，用不良贷款率衡量商业银行的风控能力(Npl)。

　　调节变量为经济预期转弱(MCI)。参照张西征等的做法，本文选用企业家信心指标作为衡量经济主体预期的核心变量。具体指标为国家统计局定期公布的企业家信心指数(Manager Confidence Index，MCI)，并根据信心指数同比增长的高低分组定义虚拟变量 MCI，当企业家信心指数同比增长为负时，界定为经济预期转弱组，赋值为 1;反之赋值为 0。

　　对控制变量的选取，本文参照祝继高等的研究，选用银行规模(Lnsize)、资产报酬率(Roa)、存贷比(Ldr)三个指标作为银行微观个体控制变量，选取剔除物价水平的 GDP 增长率(Gdpr)、广义货币供应量同比增长率(M2)、CPI 增长率(Cpir)作为宏观经济控制变量。

　　(三)模型建立

　　为研究金融科技平台对商业银行零售信贷业务的影响，本文采用个体固定效应模型进行实证分析。

　　本文除了关注解释变量 Fpe 系数的符号正负以及是否具有统计上的显著性之外，还重点考查交互项 Fpe×MCI 的系数的正负及其显著性水平，因为该系数反映了经济预期转弱是如何影响金融科技平台与商业银行零售信贷之间关系的。

　　四、实证检验与结果分析

　　(一)主要变量的描述性统计

　　被解释变量银行零售贷款规模(Rlsz)的均值为 0.1379，即商业银行零售贷款占总资产的比值为 13.79%，这与零售贷款授信成本高、风控难度大和征信体制尚不健全有关;标准差是 0.0754，最小值和最大值分别 0.0057 和 0.5364，表明不同类型的商业银行发展零售信贷业务的程度存在差异。核心解释变量金融科技平台金融服务流量(Fpe)的最小值和最大值分别为 9.2318 和 32.7126，标准差为 2.6210，说明金融科技平台的金融服务流量在各个城市有一定的差异。控制变量中，银行总资产规模(Lnsize)标准差较大，说明不同银行之间资产规模相差较大，在一定程度上影响着零售业务的贡献度;不良贷款率(Npl)标准差为 0.0141，说明各商业银行风险相对可控;经济运行情况(Gdpr)、物价变动情况(Cpir)与货币供应量(M2)的最大值与最小值差异比较小，表明我国宏观经济环境在近几年发展比较平稳，经济并未经历明显的波动。

　　(二)基准回归结果分析

　　核心解释变量金融科技平台金融服务流量(Fpe)的系数为 0.037，且在 1% 水平下显著，表明金融科技平台金融服务流量每增加 1 个单位，商业银行零售信贷规模平均增加 3.7%，即金融科技平台金融服务流量越高，对商业银行零售信贷的正向影响越大，验证了研究假设 1 的结论。第(2)列和第(3)列在分别加入部分和全部控制变量后，核心解释变量金融科技平台金融服务流量(Fpe)的系数也均在 1% 的显著性水平下显著为正，且回归系数分别为 0.041、0.056，说明回归结果较为稳定，再次印证了研究假设 H1，即金融科技平台金融服务流量对商业银行零售信贷产生了正面影响。

　　(三)稳健性检验

　　改变样本区间的稳健性检验：考虑到 2020 年开始的重大公共卫生事件对我国宏观经济环境和微观主体造成了巨大影响，以及近两年国家颁布鼓励银行数字化转型和对互联网平台企业加强监管的相关政策文件有可能会影响回归结果，本文选择 2014-2019 年样本进行稳健性检验。在改变样本区间后，核心解释变量金融科技平台金融服务流量(Fpe)的系数在逐步加入控制变量后系数仍分别为 0.039、0.042、0.067 的 1% 水平下显著为正。这说明本文的研究结论具有稳健性，再次证明了研究假设 H1，即金融科技平台金融服务流量对商业银行零售业务产生了正向影响。

　　解决内生性问题的稳健性检验：

　　(1)系统 GMM 检验：金融科技平台公司与商业银行合作促进零售信贷发放的同时，商业银行自身的优势也有可能推动金融科技平台金融服务流量的提高，从而产生反向因果的内生性问题。鉴此，本文借鉴顾夏铭等的做法，将被解释变量 Rlsz 的滞后一期纳入回归，采用核心解释变量 Fpe 的一阶滞后项作为工具变量进行系统 GMM 检验，以排除可能存在的内生性问题和估计偏误问题。回归结果中，Hansen 检验的 P 值和 AR(2)的 P 值均通过检验，证明了估计结果的有效性。滞后一期的商业银行零售信贷(Rlsz)系数均显著为正，表明上一期的零售信贷规模对下一期的零售信贷规模存在显著的正向影响。核心解释变量金融科技平台(Fpe)回归系数分别为 0.047 和 0.059，且均在 1% 的水平上显著，说明在进行系统 GMM 检验后，本文实证验证的结论依然是稳健可靠的。

　　(2)解释变量滞后的检验：考虑到金融科技平台金融服务流量对商业银行零售信贷的影响可能存在滞后性，因此利用核心解释变量分别滞后一期和滞后两期的方法处理可能存在的时滞影响。核心解释变量金融科技平台金融服务流量(Fpe)滞后一期和滞后两期的回归系数分别为 0.047 和 0.049，且均在 1% 的水平上显著，均与基准回归结果基本一致，从而证实了回归结果的稳健性。

　　(3)替换金融科技平台金融服务流量的测度方法：为进一步验证研究结论的稳健性，本文借鉴刘喜和和胡敏的方法，采用 14 家大型互联网平台企业贷款业务的加权平均贷款利率衡量金融科技平台金融服务流量(Iwmp)。回归结果中 Iwmp 的回归系数为 0.297，且在 1% 的水平上显著。这说明，在替换平台经济金融化测度方法之后，本文实证检验的结论依然是稳健可靠的。

　　(四)作用机制分析

　　基于商业银行息差收入的作用渠道分析：为探究商业银行息差收入是否在金融科技平台影响商业银行零售信贷中存在渠道效应，本文以商业银行息差收入(Nim)作为被解释变量，进行了回归分析，核心解释变量金融科技平台金融服务流量(Fpe)的系数为 - 0.182，且在 1% 的统计水平上显著。这表明，金融科技平台金融服务流量的增加降低了商业银行的息差收入，进而正向影响了零售信贷业务规模，研究假设 H2 由此得证。

　　基于商业银行风控能力的作用渠道分析：为探究金融科技平台发展是否会通过影响商业银行风控能力进而影响商业银行的零售信贷，本文进一步采用机制效应检验，将风控能力(Npl)作为被解释变量，探究商业银行风控能力在两者之间的作用渠道。回归结果中核心解释变量金融科技平台金融服务流量(Fpe)的回归系数为 - 0.027，且在 1% 的水平上显著。这表明，金融科技平台金融服务流量越高，商业银行的不良贷款率越低，即金融科技平台的发展显著降低了不良贷款率，提升了商业银行的风控能力，从而对商业银行零售信贷产生了正向影响。研究假设 H3 由此得证。

　　(五)基于经济预期转弱的调节效应分析

　　为进一步验证经济预期转弱在金融科技平台与商业银行零售信贷关系中是否存在外部调节效应，本文建立了调节效应模型进行回归分析。第(1)列为基准回归结果，核心解释变量 Fpe 的系数为 0.081，且在 1% 的水平下显著;第(2)列是在第(1)列的基础上将经济预期转弱代理变量 MCl 及其与 Fpe 的交互项引入回归的回归结果，核心解释变量 Fpe 的系数和交互项 Fpe×MCl 的回归系数均在 1% 的水平下显著为正，表明经济预期转弱这一调节变量为正向调节，即经济预期转弱加大了金融科技平台对商业银行零售信贷的正向影响。据此，研究假设 H4a 得证。

　　(六)金融科技平台金融服务流量影响的异质性分析

　　细分零售贷款项目：为进一步分析商业银行零售信贷占比调整的异质性，本文将零售信贷分为住房贷款、经营性贷款和消费贷款，分别计算其与贷款总额之比，得出住房贷款占比(PLh)、消费贷款占比(PLc)、经营性贷款占比(PLo)三个指标。金融科技平台对大型国有银行与股份制商业银行的住房贷款占比在 1% 的水平上显著为正，对消费贷款和经营性信贷占比均无显著影响;而对地方商业银行的消费贷款在 1% 的水平上显著为正。这表明，对于大型国有银行和股份制银行而言，作为大多数房地产公司房地产按揭贷款业务的主要承接方，金融科技平台金融服务流量更能提升其按揭贷款业务的市场份额，对消费贷款和经营性信贷占比的影响相对并不显著;而对于地方商业银行而言，由于在按揭贷款业务上受到大型国有银行和股份制银行的挤压，在与平台企业的合作中，则更注重提升其消费信贷规模，以维持其盈利能力。

　　盈利能力、流动性水平的异质性分析：考虑经营状况、资金周转能力不同的商业银行在面对金融科技平台发展的冲击时，可能出现不同的经营结果，为检验其差异性，本文在原模型(1)中分别加入 Roa、Liquidity 与 Fpe 的交互项。核心解释变量 Fpe 的系数以及交互项的系数均在 1% 的水平下显著，表明盈利能力越强、流动性水平越高的商业银行，面临金融科技平台金融服务流量冲击时，其零售信贷占比调整较小。换言之，此类商业银行对市场外部竞争的应对能力较强，发展零售信贷业务的动机较弱。

　　五、结论与建议

　　结论

　　本文基于 2014-2022 年 101 家商业银行年报数据及我国大型金融科技平台的金融服务流量数据，实证研究了金融科技平台公司发展对商业银行零售信贷业务的影响。研究结果表明，金融科技平台的金融服务流量显著促进了商业银行零售信贷占比的增加，经过一系列稳健性检验后该结论依然成立。作用机制分析发现，金融科技平台的金融服务流量通过降低商业银行的息差收入和促进商业银行的风险管控能力两条路径显著提升了商业银行的零售信贷规模。调节效应分析发现，经济预期转弱在金融科技平台金融服务流量影响商业银行零售信贷过程中具有正向调节效应。异质性分析表明，相对于大型国有银行和股份制商业银行，金融科技平台金融服务流量对地方性商业银行的消费贷款占比的正向影响更大;而对盈利能力强、流动性水平高的商业银行的零售信贷业务的影响则较小。

　　建议

　　一是进一步完善激励商业银行数字化转型的体制机制。加强顶层设计和统筹规划，以服务实体经济为目标，科学制定和实施商业银行数字化转型战略，重塑银行组织管理体系，创新商业模式和底层技术架构，优化银行经营策略、产品服务方式和组织协同机制，提高普惠金融的服务效率与服务质量。

　　二是压实国有大型商业银行推进公用性金融产业数字化平台建设的责任。大型国有商业银行是国家金融政策的执行机构，承担着国家金融调控、货币政策传导和金融风险防范等重要职责。不仅拥有庞大的客户群体和广泛的业务网络，而且与其他商业银行具有广泛的业务联系，构成以其为核心的商业银行生态运行体系。大型国有商业银行构建公用性金融产业数字化平台，有助于中小商业银行接入平台系统，切实助力中小商业银行数字化转型，解决中小银行数字化转型的技术、资金和能力等方面的不足。

　　三是将大型金融科技平台企业纳入 “系统重要性机构” 管理。鉴于大型金融科技平台公司已经深度涉足金融市场，并对金融体系产生影响，应将其纳入 “系统重要性机构” 管理体系，将金融机构与大型金融科技平台公司的资金合作渠道、合作工具等列入金融机构的日常管理制度，实施穿透性监管，严格审查金融机构对大型金融科技平台的资金流向和规模，不断完善宏观审慎监管、微观行为监管的全方位金融监管体系。

刘喜和,李 娇,吴欣洋,上海大学经济学院,武汉大学经济与管理学院,202411