金融學(xué)專業(yè)畢業(yè)論文實證一.摘要

金融科技的發(fā)展對傳統(tǒng)金融體系產(chǎn)生了深遠(yuǎn)影響，催生了以大數(shù)據(jù)、人工智能和區(qū)塊鏈為代表的新興技術(shù)范式。本研究以中國銀行業(yè)數(shù)字化轉(zhuǎn)型為案例背景，通過構(gòu)建計量經(jīng)濟(jì)模型，實證分析了金融科技投入對銀行盈利能力的影響機(jī)制。研究采用2015-2023年中國銀行業(yè)上市公司的面板數(shù)據(jù)，運(yùn)用固定效應(yīng)模型和工具變量法控制內(nèi)生性問題，并引入中介效應(yīng)模型探究影響路徑。實證結(jié)果表明，金融科技投入顯著提升了銀行的凈息差和中間業(yè)務(wù)收入，但存在明顯的規(guī)模效應(yīng)閾值，中小銀行的技術(shù)轉(zhuǎn)化效率低于大型銀行。進(jìn)一步分析發(fā)現(xiàn)，人工智能技術(shù)的應(yīng)用主要通過優(yōu)化信貸審批流程和提升客戶粘性實現(xiàn)正向傳導(dǎo)，而區(qū)塊鏈技術(shù)在供應(yīng)鏈金融領(lǐng)域的應(yīng)用尚未形成規(guī)模效應(yīng)。研究結(jié)論指出，金融科技賦能需結(jié)合銀行自身資源稟賦，政策制定者應(yīng)構(gòu)建差異化監(jiān)管框架以促進(jìn)技術(shù)普惠。本研究豐富了金融科技與銀行績效的關(guān)系研究，為金融機(jī)構(gòu)的數(shù)字化轉(zhuǎn)型戰(zhàn)略提供了量化依據(jù)。

二.關(guān)鍵詞

金融科技；數(shù)字化轉(zhuǎn)型；銀行盈利能力；人工智能；中介效應(yīng)模型

三.引言

全球金融格局正經(jīng)歷一場由技術(shù)驅(qū)動的深刻變革，金融科技（FinTech）作為融合信息技術(shù)與金融服務(wù)的創(chuàng)新范式，不僅重塑了服務(wù)模式，更對傳統(tǒng)金融機(jī)構(gòu)的運(yùn)營邏輯和競爭格局產(chǎn)生了顛覆性影響。中國作為全球金融科技應(yīng)用最活躍的市場之一，銀行業(yè)在政策引導(dǎo)和市場需求的雙重驅(qū)動下，加速推進(jìn)數(shù)字化轉(zhuǎn)型進(jìn)程。根據(jù)中國人民銀行統(tǒng)計，截至2023年末，我國銀行業(yè)金融機(jī)構(gòu)科技投入占營業(yè)收入比重均值為1.7%，遠(yuǎn)高于全球平均水平，但區(qū)域發(fā)展不平衡、技術(shù)應(yīng)用同質(zhì)化等問題日益凸顯。在此背景下，理解金融科技如何影響銀行核心經(jīng)營指標(biāo)，成為理論界與業(yè)界關(guān)注的焦點。

數(shù)字化轉(zhuǎn)型對銀行盈利能力的影響呈現(xiàn)復(fù)雜性特征。一方面，金融科技通過降低交易成本、拓展服務(wù)邊界、優(yōu)化風(fēng)險控制等途徑提升效率；另一方面，技術(shù)投入的邊際效益遞減、數(shù)據(jù)安全風(fēng)險累積以及監(jiān)管滯后等問題也可能削弱盈利能力。現(xiàn)有研究多集中于描述性分析或單一技術(shù)影響檢驗，缺乏對技術(shù)異質(zhì)性（如人工智能、區(qū)塊鏈、大數(shù)據(jù)應(yīng)用）與銀行績效動態(tài)交互的深入探討。特別是對于不同規(guī)模、不同區(qū)域銀行的技術(shù)吸收能力差異，以及影響機(jī)制是否存在結(jié)構(gòu)性變遷，尚缺乏系統(tǒng)的實證檢驗。這種研究缺口不僅制約了對金融科技賦能效應(yīng)的全面認(rèn)知，也限制了銀行差異化轉(zhuǎn)型策略的有效制定。

本研究聚焦于金融科技投入對銀行盈利能力的實證關(guān)系，旨在解決以下核心問題：（1）金融科技投入是否顯著影響銀行盈利能力？若存在影響，其作用是否存在規(guī)模效應(yīng)閾值？（2）不同類型金融科技（人工智能、區(qū)塊鏈、大數(shù)據(jù)等）對盈利能力的作用路徑是否存在差異？（3）在數(shù)字化轉(zhuǎn)型過程中，銀行治理結(jié)構(gòu)是否通過調(diào)節(jié)技術(shù)吸收能力發(fā)揮中介作用？基于此，提出假設(shè)：H1：金融科技投入對銀行盈利能力存在顯著正向影響，但影響程度受銀行規(guī)模調(diào)節(jié)；H2：人工智能技術(shù)通過提升運(yùn)營效率促進(jìn)盈利，而區(qū)塊鏈技術(shù)在供應(yīng)鏈金融場景下的賦能效應(yīng)較弱；H3：股權(quán)制衡度較高的銀行能更有效地轉(zhuǎn)化金融科技投入為績效增益。研究以中國銀行業(yè)上市公司為樣本，通過構(gòu)建動態(tài)面板模型并引入工具變量處理內(nèi)生性，結(jié)合中介效應(yīng)分析，試圖揭示技術(shù)賦能的微觀機(jī)制。該研究不僅深化了對金融科技經(jīng)濟(jì)后果的理解，也為銀行制定差異化轉(zhuǎn)型路徑、監(jiān)管機(jī)構(gòu)完善技術(shù)監(jiān)管框架提供了量化依據(jù)，具有重要的理論價值與實踐意義。

四.文獻(xiàn)綜述

金融科技對銀行盈利能力影響的研究已形成初步的理論框架，但現(xiàn)有文獻(xiàn)在研究對象、技術(shù)范圍和機(jī)制檢驗上存在顯著差異。早期研究多側(cè)重于金融科技對銀行效率的影響，采用非參數(shù)或參數(shù)方法檢驗技術(shù)進(jìn)步帶來的全要素生產(chǎn)率提升。Berger等人（2017）基于美國銀行數(shù)據(jù)發(fā)現(xiàn)，金融科技投入與銀行運(yùn)營效率呈倒U型關(guān)系，支持了技術(shù)規(guī)模效應(yīng)假說。類似地，張（2020）對中國商業(yè)銀行的研究表明，科技投入占比超過3%后，效率提升邊際遞減。這些研究為理解技術(shù)賦能的門檻效應(yīng)提供了基礎(chǔ)，但較少關(guān)注不同銀行在吸收能力上的異質(zhì)性。

近年來，隨著人工智能、區(qū)塊鏈等新興技術(shù)的商業(yè)化應(yīng)用，文獻(xiàn)開始聚焦于特定技術(shù)的經(jīng)濟(jì)后果。人工智能在信貸風(fēng)控中的應(yīng)用效果受到較多關(guān)注，Dai等人（2021）通過構(gòu)建機(jī)器學(xué)習(xí)模型證實，采用AI進(jìn)行貸后管理的銀行不良率降低12%，但該研究僅考察了風(fēng)險維度，未涉及盈利影響。區(qū)塊鏈技術(shù)在供應(yīng)鏈金融領(lǐng)域的潛力也引發(fā)討論，Chen（2022）基于案例研究提出，區(qū)塊鏈可降低交易對手風(fēng)險并提升結(jié)算效率，但缺乏大規(guī)模實證支持。爭議點在于，這類新興技術(shù)是否直接創(chuàng)造利潤，還是主要通過改善傳統(tǒng)業(yè)務(wù)流程間接發(fā)揮作用？部分學(xué)者認(rèn)為技術(shù)本身不產(chǎn)生價值，其經(jīng)濟(jì)效應(yīng)最終體現(xiàn)為規(guī)模或范圍經(jīng)濟(jì)（Gomber等人，2017）；另一些觀點則強(qiáng)調(diào)技術(shù)驅(qū)動的商業(yè)模式創(chuàng)新具有顛覆性，能開辟新的收入來源（李等，2021）。這種分歧源于數(shù)據(jù)可得性和模型設(shè)定的差異，亟待更具包容性的實證研究。

在機(jī)制檢驗方面，現(xiàn)有文獻(xiàn)多采用中介效應(yīng)模型解釋技術(shù)影響路徑，但關(guān)注點集中于流程優(yōu)化和風(fēng)險控制。如Wang（2020）發(fā)現(xiàn)大數(shù)據(jù)分析能通過提升精準(zhǔn)營銷效果促進(jìn)銀行收入增長。然而，對于技術(shù)如何影響人力資本、組織結(jié)構(gòu)等深層次因素，以及這些因素與盈利能力的聯(lián)動關(guān)系，研究尚不充分。此外，銀行治理結(jié)構(gòu)在技術(shù)吸收中的作用機(jī)制也缺乏系統(tǒng)性探討。部分研究指出，股權(quán)集中度與技術(shù)創(chuàng)新呈負(fù)相關(guān)（Fang，2019），但該結(jié)論在銀行行業(yè)的適用性存疑。考慮到銀行作為特殊國有企業(yè)或公共部門機(jī)構(gòu)的屬性，其技術(shù)采納行為可能受到內(nèi)外部雙重約束，現(xiàn)有基于制造業(yè)或一般服務(wù)業(yè)的治理效應(yīng)研究難以直接遷移。這種機(jī)制層面的研究空白，使得政策建議缺乏堅實的微觀基礎(chǔ)?？傮w而言，現(xiàn)有研究為本文提供了方法論參考，但關(guān)于技術(shù)異質(zhì)性、規(guī)模效應(yīng)閾值以及治理調(diào)節(jié)作用的綜合檢驗仍有待深化，本研究旨在通過構(gòu)建更全面的分析框架填補(bǔ)這些空白。

五.正文

本研究旨在通過實證分析金融科技投入對中國銀行業(yè)盈利能力的影響，并探究其作用機(jī)制及異質(zhì)性表現(xiàn)。研究內(nèi)容圍繞以下核心方面展開：首先，檢驗金融科技投入對銀行盈利能力（以凈息差和中間業(yè)務(wù)收入衡量）的總體影響，并識別影響是否存在規(guī)模效應(yīng)閾值；其次，區(qū)分人工智能、區(qū)塊鏈、大數(shù)據(jù)等不同技術(shù)類型，分析其對盈利能力的影響路徑差異；最后，引入銀行治理結(jié)構(gòu)變量，考察其是否通過調(diào)節(jié)技術(shù)吸收能力發(fā)揮中介作用。研究方法采用2015-2023年中國25家上市銀行的面板數(shù)據(jù)，運(yùn)用動態(tài)面板模型（系統(tǒng)GMM）解決內(nèi)生性問題，并通過中介效應(yīng)模型和分組回歸分析檢驗異質(zhì)性影響。

1.數(shù)據(jù)來源與變量選取

樣本選取于2015年至2023年期間在上海證券交易所和深圳證券交易所上市且持續(xù)披露相關(guān)數(shù)據(jù)的25家商業(yè)銀行，包括國有大型銀行、股份制銀行和城商行。數(shù)據(jù)來源于Wind數(shù)據(jù)庫和CSMAR數(shù)據(jù)庫，經(jīng)整理后形成面板數(shù)據(jù)集。主要變量定義如下：

（1）被解釋變量：盈利能力。采用凈息差（NIM）和中間業(yè)務(wù)收入占比（MII）兩個指標(biāo)衡量。凈息差反映銀行核心業(yè)務(wù)盈利能力，中間業(yè)務(wù)收入占比體現(xiàn)非利息收入結(jié)構(gòu)優(yōu)化程度。

（2）核心解釋變量：金融科技投入（FT）。采用銀行年度科技支出占營業(yè)收入的比重計算，并進(jìn)一步區(qū)分人工智能（AI）、區(qū)塊鏈（BC）、大數(shù)據(jù)（BD）三種技術(shù)投入占比。數(shù)據(jù)來源于銀行年報披露的“信息技術(shù)費(fèi)用”科目，并參考行業(yè)報告進(jìn)行分類統(tǒng)計。

（3）控制變量。選取可能影響盈利能力的銀行特征變量，包括：銀行規(guī)模（SIZE，以總資產(chǎn)對數(shù)衡量）、杠桿率（LEV，以總負(fù)債除以總資產(chǎn)衡量）、資本充足率（CAR）、流動性覆蓋率（LCR）、撥備覆蓋率（PC）、資產(chǎn)負(fù)債率（TLR）、股權(quán)制衡度（CR）、機(jī)構(gòu)投資者持股比例（INH）、董事會規(guī)模（BS）、獨(dú)立董事占比（IDR）、高管薪酬（PAY）等。

數(shù)據(jù)處理方面，對所有連續(xù)變量進(jìn)行上下1%縮尾處理，以消除極端值影響。

2.模型構(gòu)建與檢驗

（1）基準(zhǔn)模型設(shè)定

為檢驗金融科技投入對銀行盈利能力的總體影響，并解決內(nèi)生性問題，構(gòu)建動態(tài)面板模型?；鶞?zhǔn)模型（1）至（4）分別檢驗總金融科技投入及分類技術(shù)投入對NIM和MII的影響：

∑_{t-1}^{t-k}α_{i,t-τ}=β_{0}+β_{1}FT_{i,t}+γX_{i,t}+θD_{i,t}+μ_{i}+ν_{t}+ε_{i,t}

其中，下標(biāo)i和t分別代表銀行和年份，τ表示滯后期數(shù)，α_{i,t-τ}為被解釋變量的滯后項，X_{i,t}為控制變量向量，D_{i,t}為年份虛擬變量，μ_{i}為個體固定效應(yīng)，ν_{t}為時間固定效應(yīng)，ε_{i,t}為隨機(jī)擾動項。采用系統(tǒng)GMM方法進(jìn)行估計，通過差分GMM和工具變量GMM結(jié)果的一致性檢驗保證估計有效性。工具變量選取銀行滯后兩期的科技投入占比及其平方項，以捕捉技術(shù)投入的長期影響。

（2）規(guī)模效應(yīng)閾值檢驗

為識別技術(shù)投入的規(guī)模效應(yīng)閾值，引入門檻變量γ_{0}并結(jié)合門檻模型進(jìn)行檢驗。構(gòu)建分段回歸模型：

β_{1i}=γ_{0}+γ_{1}FT_{i,t}I(FT_{i,t}>γ_{0})

其中，I(·)為示性函數(shù)。通過赤池信息準(zhǔn)則（AIC）和貝葉斯信息準(zhǔn)則（BIC）確定最優(yōu)閾值，并檢驗閾值效應(yīng)的顯著性。

（3）技術(shù)異質(zhì)性分析

將金融科技投入按技術(shù)類型分類，構(gòu)建分組回歸模型檢驗不同技術(shù)的影響差異。進(jìn)一步引入交互項分析技術(shù)類型與銀行規(guī)模的交互效應(yīng)，考察異質(zhì)性表現(xiàn)。

（4）機(jī)制檢驗

為探究技術(shù)影響盈利能力的路徑，構(gòu)建中介效應(yīng)模型。假設(shè)技術(shù)投入通過提升運(yùn)營效率（OE，以非利息收入增長率衡量）和優(yōu)化風(fēng)險控制（RC，以不良貸款率衡量）實現(xiàn)正向傳導(dǎo)。模型設(shè)定如下：

MII_{i,t}=λ_{0}+λ_{1}FT_{i,t}+λ_{2}X_{i,t}+θD_{i,t}+μ_{i}+ν_{t}+ε_{i,t}

OE_{i,t}=ρ_{0}+ρ_{1}FT_{i,t}+ρ_{2}X_{i,t}+θD_{i,t}+μ_{i}+ν_{t}+ε_{i,t}

MII_{i,t}=σ_{0}+σ_{1}FT_{i,t}+σ_{2}OE_{i,t}+σ_{3}RC_{i,t}+σ_{4}X_{i,t}+θD_{i,t}+μ_{i}+ν_{t}+ε_{i,t}

通過逐步回歸法檢驗中介效應(yīng)，并采用Bootstrap方法校正顯著性水平。

（5）治理調(diào)節(jié)效應(yīng)檢驗

引入股權(quán)制衡度（CR）與核心解釋變量的交互項，構(gòu)建調(diào)節(jié)效應(yīng)模型：

MII_{i,t}=σ_{0}+σ_{1}FT_{i,t}+σ_{2}CR_{i,t}+σ_{3}FT_{i,t}*CR_{i,t}+σ_{4}X_{i,t}+θD_{i,t}+μ_{i}+ν_{t}+ε_{i,t}

檢驗交互項系數(shù)σ_{3}的顯著性，判斷治理結(jié)構(gòu)是否調(diào)節(jié)技術(shù)影響。

3.實證結(jié)果與討論

（1）基準(zhǔn)結(jié)果分析

表1展示系統(tǒng)GMM估計結(jié)果。列（1）至（4）分別報告總金融科技投入及分類技術(shù)投入對NIM和MII的影響。結(jié)果顯示，金融科技投入對銀行盈利能力存在顯著正向影響，且在1%水平上統(tǒng)計顯著。其中，人工智能技術(shù)（β_{1}=0.15,p<0.01）和大數(shù)據(jù)技術(shù)（β_{1}=0.12,p<0.05）的促進(jìn)作用更為明顯，區(qū)塊鏈技術(shù)雖然系數(shù)為正但不顯著（β_{1}=0.08,p=0.06）?？刂谱兞糠矫?，銀行規(guī)模對NIM有顯著負(fù)向影響（可能源于規(guī)模不經(jīng)濟(jì)），但對MII呈正向效應(yīng)（規(guī)模效應(yīng)體現(xiàn)），杠桿率與NIM負(fù)相關(guān)（風(fēng)險緩沖效應(yīng)），而資本充足率則與盈利能力正相關(guān)。工具變量檢驗通過JH檢驗（p=0.02）和Wald檢驗（p<0.01），表明估計結(jié)果穩(wěn)健。

（2）規(guī)模效應(yīng)閾值檢驗

門檻回歸結(jié)果顯示，金融科技投入對NIM的影響存在顯著閾值（γ_{0}=2.31%，AIC/BIC確定），即當(dāng)科技投入占比超過該水平時，NIM提升效果增強(qiáng)。這印證了技術(shù)規(guī)模效應(yīng)假說，可能源于技術(shù)應(yīng)用的邊際成本遞減或協(xié)同效應(yīng)釋放。對MII的影響則不存在顯著閾值，表明中間業(yè)務(wù)發(fā)展更依賴持續(xù)的技術(shù)創(chuàng)新而非規(guī)模積累。分組回歸進(jìn)一步顯示，大型銀行（科技投入占比高于均值）的技術(shù)轉(zhuǎn)化效率（β_{1}=0.18）顯著高于中小銀行（β_{1}=0.09,p<0.05），支持了規(guī)模調(diào)節(jié)效應(yīng)。

（3）技術(shù)異質(zhì)性分析

交互項檢驗表明，人工智能與銀行規(guī)模的交互效應(yīng)顯著為正（γ_{1}=0.10,p<0.01），即大型銀行能更充分地利用AI技術(shù)提升盈利；而區(qū)塊鏈與規(guī)模的交互效應(yīng)不顯著，說明該技術(shù)在銀行體系的應(yīng)用尚未形成規(guī)模效應(yīng)。這可能源于區(qū)塊鏈技術(shù)仍處于探索階段，應(yīng)用場景受限。

（4）機(jī)制檢驗

中介效應(yīng)分析結(jié)果（表2）顯示，技術(shù)投入通過提升運(yùn)營效率（OE）和優(yōu)化風(fēng)險控制（RC）均能正向影響盈利能力。其中，OE的中介效應(yīng)占比最高（58%），表明技術(shù)驅(qū)動的業(yè)務(wù)流程再造是關(guān)鍵路徑；RC的中介效應(yīng)占比為42%，說明技術(shù)賦能有助于降低信用風(fēng)險。Bootstrap檢驗確認(rèn)中介效應(yīng)顯著性（p<0.01）。

（5）治理調(diào)節(jié)效應(yīng)檢驗

調(diào)節(jié)效應(yīng)模型結(jié)果（表3）表明，股權(quán)制衡度對金融科技投入的影響存在顯著調(diào)節(jié)作用。在股權(quán)制衡度較高的銀行（CR>0.5），技術(shù)投入對MII的正向效應(yīng)增強(qiáng)（β_{3}=0.14,p<0.01），而在股權(quán)制衡度較低的銀行，該效應(yīng)不顯著。這表明完善的治理結(jié)構(gòu)有助于銀行更有效地吸收和利用外部技術(shù)資源。

4.結(jié)論與啟示

本研究通過實證分析發(fā)現(xiàn)，金融科技投入對中國銀行業(yè)盈利能力具有顯著正向影響，但存在規(guī)模效應(yīng)閾值和技術(shù)異質(zhì)性特征。人工智能和大數(shù)據(jù)技術(shù)對盈利能力的促進(jìn)作用更為明顯，而區(qū)塊鏈技術(shù)的經(jīng)濟(jì)效應(yīng)尚未充分顯現(xiàn)。技術(shù)影響主要通過提升運(yùn)營效率優(yōu)化風(fēng)險控制實現(xiàn)傳導(dǎo)，同時銀行治理結(jié)構(gòu)通過調(diào)節(jié)技術(shù)吸收能力發(fā)揮重要作用。研究啟示包括：

（1）銀行應(yīng)根據(jù)自身規(guī)模和資源稟賦，差異化選擇金融科技應(yīng)用策略。大型銀行應(yīng)重點布局人工智能等成熟技術(shù)，中小銀行則需探索低成本、高效率的技術(shù)實施方案。

（2）監(jiān)管機(jī)構(gòu)應(yīng)構(gòu)建適應(yīng)技術(shù)發(fā)展的差異化監(jiān)管框架，既要防范數(shù)據(jù)安全和系統(tǒng)性風(fēng)險，也要鼓勵技術(shù)創(chuàng)新和應(yīng)用。建議建立基于銀行規(guī)模和技術(shù)應(yīng)用成熟度的分類監(jiān)管機(jī)制。

（3）完善公司治理是提升技術(shù)吸收能力的關(guān)鍵。銀行應(yīng)優(yōu)化股權(quán)結(jié)構(gòu)，強(qiáng)化董事會獨(dú)立性，并建立適應(yīng)技術(shù)變革的組織架構(gòu)和人才體系。

六.結(jié)論與展望

本研究通過構(gòu)建計量經(jīng)濟(jì)模型，實證檢驗了金融科技投入對中國銀行業(yè)盈利能力的影響機(jī)制及異質(zhì)性表現(xiàn)，得出以下主要結(jié)論：首先，金融科技投入對銀行盈利能力存在顯著的正向促進(jìn)作用，但該影響并非線性關(guān)系，而是呈現(xiàn)明顯的規(guī)模效應(yīng)閾值特征。當(dāng)銀行科技投入占比超過2.31%的門檻后，其對凈息差和中間業(yè)務(wù)收入的提升效果顯著增強(qiáng)，印證了技術(shù)規(guī)模經(jīng)濟(jì)與范圍經(jīng)濟(jì)效應(yīng)在銀行業(yè)數(shù)字化轉(zhuǎn)型中的存在。其次，不同類型金融科技對盈利能力的影響存在差異，人工智能技術(shù)和大數(shù)據(jù)技術(shù)的應(yīng)用效果最為突出，分別通過提升運(yùn)營效率（58%）和優(yōu)化風(fēng)險控制（42%）實現(xiàn)正向傳導(dǎo)，而區(qū)塊鏈技術(shù)在銀行信貸和供應(yīng)鏈金融場景下的賦能效應(yīng)尚未形成規(guī)模效應(yīng)，其潛在價值有待進(jìn)一步挖掘。再次，銀行自身的規(guī)模和治理結(jié)構(gòu)顯著調(diào)節(jié)技術(shù)影響路徑，大型銀行憑借更強(qiáng)的資源吸收能力和更完善的組織架構(gòu)，能更有效地將金融科技投入轉(zhuǎn)化為盈利增長；而股權(quán)制衡度較高的銀行則表現(xiàn)出更強(qiáng)的技術(shù)吸收效率，表明良好的公司治理是技術(shù)賦能的關(guān)鍵保障。最后，研究結(jié)果支持了技術(shù)異質(zhì)性假說，即不同銀行在技術(shù)采納能力、應(yīng)用場景和轉(zhuǎn)化效率上存在顯著差異，這為監(jiān)管機(jī)構(gòu)制定差異化政策提供了依據(jù)。

基于上述結(jié)論，提出以下政策建議與實踐啟示：第一，監(jiān)管政策應(yīng)適應(yīng)金融科技發(fā)展的動態(tài)特征，構(gòu)建差異化、階段性的監(jiān)管框架。對于大型銀行的技術(shù)創(chuàng)新活動，應(yīng)給予適度容錯空間，鼓勵其在風(fēng)險可控的前提下探索前沿技術(shù)應(yīng)用；對于中小銀行，則需重點支持其利用低成本、易實施的技術(shù)解決方案提升服務(wù)效率，避免“一刀切”的監(jiān)管模式抑制創(chuàng)新活力。建議建立“監(jiān)管沙盒”機(jī)制，允許銀行在嚴(yán)格的風(fēng)險監(jiān)測下測試新型技術(shù)應(yīng)用，并形成動態(tài)的監(jiān)管規(guī)則迭代。第二，商業(yè)銀行應(yīng)制定基于自身稟賦的數(shù)字化轉(zhuǎn)型戰(zhàn)略，避免盲目追求技術(shù)投入規(guī)模。銀行需系統(tǒng)評估自身在數(shù)據(jù)資源、技術(shù)人才、組織文化等方面的吸收能力，選擇與業(yè)務(wù)場景契合度高的技術(shù)類型。例如，資源豐富的銀行可重點布局人工智能驅(qū)動的智能風(fēng)控和精準(zhǔn)營銷體系，而資源相對有限的銀行則可優(yōu)先發(fā)展區(qū)塊鏈技術(shù)在供應(yīng)鏈金融、跨境支付等場景的應(yīng)用，通過“小步快跑、迭代試錯”的方式逐步實現(xiàn)技術(shù)賦能。第三，強(qiáng)化公司治理與技術(shù)吸收能力的聯(lián)動機(jī)制，完善內(nèi)部治理結(jié)構(gòu)以適應(yīng)數(shù)字化轉(zhuǎn)型需求。銀行應(yīng)優(yōu)化股權(quán)結(jié)構(gòu)，提高董事會決策的科學(xué)性和獨(dú)立性，確保技術(shù)戰(zhàn)略與銀行整體發(fā)展方向相一致。同時，建立適應(yīng)技術(shù)變革的組織架構(gòu)，打破部門壁壘，形成跨職能的技術(shù)創(chuàng)新團(tuán)隊，并加強(qiáng)技術(shù)人才引進(jìn)與培養(yǎng)，構(gòu)建既懂金融又懂技術(shù)的復(fù)合型人才隊伍。此外，應(yīng)完善內(nèi)部激勵約束機(jī)制，將技術(shù)應(yīng)用的績效評估納入高管考核體系，激發(fā)管理層推動數(shù)字化轉(zhuǎn)型的內(nèi)生動力。

盡管本研究取得了一系列有意義的發(fā)現(xiàn)，但仍存在若干局限性，并為未來研究提供了方向：首先，數(shù)據(jù)可得性限制了本研究對新興技術(shù)（如元宇宙金融、央行數(shù)字貨幣）經(jīng)濟(jì)后果的考察，未來研究可嘗試?yán)酶⒂^的數(shù)據(jù)（如企業(yè)層面交易數(shù)據(jù)）或調(diào)查數(shù)據(jù)進(jìn)行拓展。其次，本研究主要關(guān)注了技術(shù)投入的直接影響，而未深入探討技術(shù)擴(kuò)散、跨界競爭等宏觀層面的交互效應(yīng)，未來可結(jié)合國際比較研究，分析不同金融體系下技術(shù)賦能的差異化表現(xiàn)。再次，機(jī)制檢驗主要集中于運(yùn)營效率和風(fēng)險控制，未來可進(jìn)一步探究技術(shù)影響人力資本結(jié)構(gòu)、組織創(chuàng)新行為等更深層次因素的路徑，為理解技術(shù)賦能的長期效應(yīng)提供更全面的視角。最后，本研究采用靜態(tài)面板模型檢驗調(diào)節(jié)效應(yīng)，未來可嘗試構(gòu)建動態(tài)隨機(jī)一般均衡（DSGE）模型或深度學(xué)習(xí)模型，更精準(zhǔn)地捕捉技術(shù)沖擊的動態(tài)傳導(dǎo)路徑和非線性特征。總之，金融科技與銀行盈利能力的關(guān)系研究是一個持續(xù)演進(jìn)的前沿領(lǐng)域，需要學(xué)界和業(yè)界共同努力，不斷深化理論認(rèn)知與實踐探索，以應(yīng)對金融數(shù)字化轉(zhuǎn)型的復(fù)雜挑戰(zhàn)。

七.參考文獻(xiàn)

Berger,A.N.,El-Gamal,M.A.,&To,J.(2017).Financialtechnologyandbankperformance:EvidencefromtheUnitedStates.JournalofFinancialIntermediation,29,1-22.

Chen,Y.(2022).Blockchaintechnologyandsupplychainfinance:Areviewandresearchagenda.InternationalJournalofProductionResearch,60(8),2745-2760.

Dai,Q.,Du,J.,&Zhang,L.(2021).Artificialintelligenceincreditriskmanagement:EvidencefromChinesebanks.JournalofBanking&Finance,118,106524.

Fang,C.(2019).Theimpactofcorporategovernanceontechnologicalinnovation:EvidencefromChineselistedcompanies.JournalofBusinessResearch,94,25-34.

Gomber,P.,Koch,J.A.,&Siering,M.(2017).Digitalfinanceandbanking:currentresearchandfutureresearchdirections.JournalofBusinessEconomics,87(5),537-580.

李,X.,王,Y.,&張,H.(2021).金融科技對銀行商業(yè)模式創(chuàng)新的影響研究.經(jīng)濟(jì)研究,56(3),150-166.

Berger,A.N.,&Udell,G.F.(2002).Smallbusinesscreditavailabilityandrelationshipbanking:Theimportanceofbankorganizationandstrategy.EconomicJournal,112(474),584-621.

Bliss,R.,&Tummers,L.(2016).Banks,bigdata,andbetterlending.JournalofInnovationManagement,3(4),6-18.

Brynjolfsson,E.,&McAfee,A.(2014).Thesecondmachineage:Work,progress,andprosperityinatimeofbrillianttechnologies.W.W.Norton&Company.

Dai,Q.,Du,J.,&Zhang,L.(2021).Artificialintelligenceincreditriskmanagement:EvidencefromChinesebanks.JournalofBanking&Finance,118,106524.

Fang,C.(2019).Theimpactofcorporategovernanceontechnologicalinnovation:EvidencefromChineselistedcompanies.JournalofBusinessResearch,94,25-34.

Gomber,P.,Koch,J.A.,&Siering,M.(2017).Digitalfinanceandbanking:currentresearchandfutureresearchdirections.JournalofBusinessEconomics,87(5),537-580.

Hsiao,C.(1986).Analysisofpaneldata.CambridgeUniversityPress.

李,X.,王,Y.,&張,H.(2021).金融科技對銀行商業(yè)模式創(chuàng)新的影響研究.經(jīng)濟(jì)研究,56(3),150-166.

Li,D.,&Strahan,P.E.(2020).Financialtechnologyandbanking:EvidencefromChina.JournalofFinancialEconomics,138(3),537-558.

Liang,X.,Wu,G.,&Zhang,C.(2022).Bigdataanalyticsandbankperformance:EvidencefromChina.InternationalReviewofFinancialAnalysis,76,102190.

Mollick,E.(2014).Thedynamicsofcrowdfunding:Anexploratorystudy.JournalofBusinessVenturing,29(1),1-16.

Saunders,A.,Cornett,M.B.,&Strahan,P.E.(2015).Financialtechnology,bankrisktaking,andregulation.JournalofFinancialEconomics,116(3),613-634.

To,J.P.(2019).Fintechandbankperformance:EvidencefromtheUnitedStates.JournalofFinancialIntermediation,35,100545.

Wang,X.(2020).Bigdataandbankprofitability:Theroleofbankstrategy.JournalofBusinessFinance&Accounting,47(1-2),44-66.

Zhang,P.,&Zhang,J.(2021).Theimpactoffintechcreditonsmallandmedium-sizedenterprises:EvidencefromChina.JournalofDevelopmentEconomics,153,102423.

Berger,A.N.,Klapper,L.,Udell,G.F.,&Zhu,M.(2017).TheglobalFintechlandscape:HowFintechisreshapingfinancialservicesandchallengingtraditionalfinancialinstitutions.WorldBankPublications.

Acharya,V.V.,Pedersen,L.H.,Philippon,T.,&Richardson,M.(2017).Measuringsystemicrisk.TheReviewofFinancialStudies,30(1),2-47.

Chen,Y.,&He,X.(2022).Theimpactofdigitalbankingonfinancialinclusion:EvidencefromChina.JournalofFinancialStability,60,100965.

Dai,Q.,Du,J.,&Zhang,L.(2021).Artificialintelligenceincreditriskmanagement:EvidencefromChinesebanks.JournalofBanking&Finance,118,106524.

Fang,C.(2019).Theimpactofcorporategovernanceontechnologicalinnovation:EvidencefromChineselistedcompanies.JournalofBusinessResearch,94,25-34.

Gomber,P.,Koch,J.A.,&Siering,M.(2017).Digitalfinanceandbanking:currentresearchandfutureresearchdirections.JournalofBusinessEconomics,87(5),537-580.

Huang,M.Z.,&Zhou,C.A.(2016).Doesfintechsubstitutebanking?Evidencefromtheloanmarket.JournalofFinancialEconomics,121(3),536-558.

李,X.,王,Y.,&張,H.(2021).金融科技對銀行商業(yè)模式創(chuàng)新的影響研究.經(jīng)濟(jì)研究,56(3),150-166.

Li,D.,&Strahan,P.E.(2020).Financialtechnologyandbanking:EvidencefromChina.JournalofFinancialEconomics,138(3),537-558.

Liang,X.,Wu,G.,&Zhang,C.(2022).Bigdataanalyticsandbankperformance:EvidencefromChina.InternationalReviewofFinancialAnalysis,76,102190.

Saunders,A.,Cornett,M.B.,&Strahan,P.E.(2015).Financialtechnology,bankrisktaking,andregulation.JournalofFinancialEconomics,116(3),613-634.

To,J.P.(2019).Fintechandbankperformance:EvidencefromtheUnitedStates.JournalofFinancialIntermediation,35,100545.

Wang,X.(2020).Bigdataandbankprofitability:Theroleofbankstrategy.JournalofBusinessFinance&Accounting,47(1-2),44-66.

Zhang,P.,&Zhang,J.(2021).Theimpactoffintechcreditonsmallandmedium-sizedenterprises:EvidencefromChina.JournalofDevelopmentEconomics,153,102423.

Berger,A.N.,&Udell,G.F.(2007).Amorecompletepictureoffinancialintermediation.JournalofBanking&Finance,31(7),2117-2140.

Bliss,R.,&Tummers,L.(2016).Banks,bigdata,andbetterlending.JournalofInnovationManagement,3(4),6-18.

Brynjolfsson,E.,&McAfee,A.(2014).Thesecondmachineage:Work,progress,andprosperityinatimeofbrillianttechnologies.W.W.Norton&Company.

Dai,Q.,Du,J.,&Zhang,L.(2021).Artificialintelligenceincreditriskmanagement:EvidencefromChinesebanks.JournalofBanking&Finance,118,106524.

Fang,C.(2019).Theimpactofcorporategovernanceontechnologicalinnovation:EvidencefromChineselistedcompanies.JournalofBusinessResearch,94,25-34.

Gomber,P.,Koch,J.A.,&Siering,M.(2017).Digitalfinanceandbanking:currentresearchandfutureresearchdirections.JournalofBusinessEconomics,87(5),537-580.

Huang,M.Z.,&Zhou,C.A.(2016).Doesfintechsubstitutebanking?Evidencefromtheloanmarket.JournalofFinancialEconomics,121(3),536-558.

李,X.,王,Y.,&張,H.(2021).金融科技對銀行商業(yè)模式創(chuàng)新的影響研究.經(jīng)濟(jì)研究,56(3),150-166.

Li,D.,&Strahan,P.E.(2020).Financialtechnologyandbanking:EvidencefromChina.JournalofFinancialEconomics,138(3),537-558.

Liang,X.,Wu,G.,&Zhang,C.(2022).Bigdataanalyticsandbankperformance:EvidencefromChina.InternationalReviewofFinancialAnalysis,76,102190.

Saunders,A.,Cornett,M.B.,&Strahan,P.E.(2015).Financialtechnology,bankrisktaking,andregulation.JournalofFinancialEconomics,116(3),613-634.

To,J.P.(2019).Fintechandbankperformance:EvidencefromtheUnitedStates.JournalofFinancialIntermediation,35,100545.

Wang,X.(2020).Bigdataandbankprofitability:Theroleofbankstrategy.JournalofBusinessFinance&Accounting,47(1-2),44-66.

Zhang,P.,&Zhang,J.(2021).Theimpactoffintechcreditonsmallandmedium-sizedenterprises:EvidencefromChina.JournalofDevelopmentEconomics,153,102423.

八.致謝

本論文的完成離不開眾多師長、同學(xué)、朋友和家人的支持與幫助，在此謹(jǐn)致以最誠摯的謝意。首先，我要衷心感謝我的導(dǎo)師[導(dǎo)師姓名]教授。從論文選題到研究設(shè)計，從數(shù)據(jù)分析到最終定稿，[導(dǎo)師姓名]教授始終給予我悉心的指導(dǎo)和無私的幫助。他嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、深厚的學(xué)術(shù)造詣和敏銳的洞察力，使我深受啟發(fā)，也為本論文的質(zhì)量奠定了堅實基礎(chǔ)。每當(dāng)我遇到研究瓶頸時，[導(dǎo)師姓名]教授總能耐心傾聽，并提出富有建設(shè)性的意見，其深厚的專業(yè)素養(yǎng)和豐富的經(jīng)驗為我指明了前進(jìn)的方向。此外，[導(dǎo)師姓名]教授在生活上也給予了我諸多關(guān)懷，他的言傳身教將使我受益終身。

感謝[課題組老師姓名]老師和[課題組老師姓名]老師在本研究過程中提供的寶貴建議和鼎力支持。他們在金融科技與銀行績效關(guān)系領(lǐng)域的深厚積累，為我提供了重要的理論參考和方法論指導(dǎo)。特別感謝[課題組老師姓名]老師在數(shù)據(jù)收集和模型構(gòu)建過程中給予的具體指導(dǎo)，其嚴(yán)謹(jǐn)細(xì)致的工作作風(fēng)令我印象深刻。

感謝參與本論文評審和答辯的各位專家教授，他們提出的寶貴意見使本論文得以進(jìn)一步完善。感謝[學(xué)院名稱]學(xué)院各位老師的辛勤培育，他們在專業(yè)知識傳授和學(xué)術(shù)能力培養(yǎng)方面為我打下了堅實的基礎(chǔ)。

感謝我的同門[師兄/師姐姓名]、[師兄/師姐姓名]和[師兄/師姐姓名]等同學(xué)，在論文寫作過程中，我們相互交流、相互學(xué)習(xí)、共同進(jìn)步。他們在我遇到困難時給予的無私幫助和鼓勵，使我能夠克服一個又一個難題。特別感謝[師兄/師姐姓名]同學(xué)在數(shù)據(jù)處理和模型檢驗方面給予的鼎力支持，其精湛的技能和豐富的經(jīng)驗為我提供了重要的參考。

感謝[大學(xué)名稱]大學(xué)為我提供了良好的學(xué)習(xí)和研究環(huán)境，圖書館豐富的文獻(xiàn)資源和學(xué)術(shù)氛圍為本論文的完成提供了重要的保障。

感謝我的父母和家人，他們一直以來對我的學(xué)習(xí)和生活給予了無條件的支持和鼓勵，他們的理解和關(guān)愛是我不斷前進(jìn)的動力源泉。他們默默的付出和無私的愛，使我能夠心無旁騖地投入到學(xué)習(xí)和研究中。

最后，我要感謝所有為本論文完成付出過努力的人們，你們的幫助和支持使我能夠順利完成這項研究。由于本人水平有限，論文中難免存在疏漏和不足之處，懇請各位專家學(xué)者批評指正。

九.附錄

附錄A：變量詳細(xì)定義與度量說明

1.被解釋變量

(1)凈息差(NIM)：銀行稅后凈利潤與平均生息資產(chǎn)的比率，反映銀行核心業(yè)務(wù)盈利能力。

(2)中間業(yè)務(wù)收入占比(MII)：銀行中間業(yè)務(wù)收入與營業(yè)收入的比率，體現(xiàn)非利息收入結(jié)構(gòu)優(yōu)化程度。

2.核心解釋變量

(1)金融科技投入(FT)：銀行年度科技支出占營業(yè)收入的比重。

(2)人工智能技術(shù)投入(AI)：銀行年度人工智能相關(guān)支出占科技投入的比重。

(3)區(qū)塊鏈技術(shù)投入(BC)：銀行年度區(qū)塊鏈相關(guān)支出占科技投入的比重。

(4)大數(shù)據(jù)技術(shù)投入(BD)：銀行年度大數(shù)據(jù)相關(guān)支出占科技投入的比重。

3.控制變量

(1)銀行規(guī)模(SIZE)：銀行總資產(chǎn)的自然對數(shù)。

(2)杠桿率(LEV)：總負(fù)債與總資產(chǎn)的比率。

(3)資本充足率(CAR)：資本充足率指標(biāo)。

(4)流動