引言

金融科技创新的演进路径呈现出明显的阶段性特征，从初期的支付清算等基础性应用逐步发展为以区块链、人工智能和大数据等前沿技术深度融合的高级阶段，不断重塑着经济发展的新业态和人民的生活习惯与支付手段，传统银行业也许正面临着改革风潮。尽管金融科技已成为重构全球金融格局的关键力量，但针对该领域的空间相关研究仍显不足。目前研究对象集中于大型股份制商业银行或银行业整体，而聚焦于金融科技对城市商业银行盈利能力方面的研究还有空缺。

城市商业银行凭借熟悉本地市场、经营机制灵活等特性，在银行体系中扮演着关键角色，根据国家金融监管总局披露的数据，大型商业银行、股份制商业银行、城市商业银行、民营银行、农村商业银行、外资银行在 2025 年三季度末的不良贷款率分别是 1.22%、1.22%、1.84%、1.83%、2.82%、1.06%。城商行的不良率在各类机构中处于中部，且较 2025 年二季度末的 1.79%，有所上升，信用风险仍在释放。

基于此，本研究欲从城市商业银行角度出发，探究金融科技对其盈利能力的影响，补充学术研究的不同角度，探讨具体到城商行角度会有什么影响规律，以及在不同城市商业银行之间是否有差别。

一、数据来源与研究设计

（一）数据来源

本研究中银行数据为 2013-2025 年我国 17 家 A 股上市城市商业银行的财务数据,省级层面宏观数据和银行层面的其他微观数据，主要来自国家统计局和银行证监会官网。

（二）变量释义

1. 被解释变量

现有研究中衡量商业银行盈利能力的指标有 ROA、ROE、NIM 等指标，由于研究对象旨在观察金融科技对银行的盈利能力的影响如何，ROE 作为杜邦分析体系的最终目标，更能反映管理层为股东创造多少价值，所以本研究中选取 ROE 作为衡量银行盈利能力的变量。稳健性检验中使用 ROA 做替换变量。

2. 核心解释变量

现有衡量金融科技的方法主要有三类：一是采用文本挖掘法构建金融科技词库，存在新闻重复转发或着实为规划愿景而非客观事实的问题，测量误差非常大。二是采用银行金融科技相关投放与支出的数据，由于强制信息披露范围不包括金融科技投入预算及执行情况，且没有明确和统一的核算范围口径，数据可得性和准确性都较差。三是采用蚂蚁金服账户底层数据、金融科技公司数量等衡量，如北京大学数字金融研究中心和蚂蚁集团研究院的研究团队自 2016 年开始研究并编制了“北京大学数字普惠金融指数”，该指标数据属于宏观层面金融科技发展水平的测度，与金融科技概念有所偏离。

北大数字金融研究中心编制的中国商业银行数字化转型指数从战略数字化、业务数字化和管理数字化三方面内容度量了我国商业银行数字化转型程度。第一，战略数字化子指标由年报文本中与数字技术相关的关键词频率来测算。第二，业务数字化子指标关注银行将数字技术融合于自身提供的金融服务的程度。这两个方面显示出银行的金融科技投入水平与应用现状。第三，管理数字化子指标衡量数字化架构与人才等方面的内容，与金融科技的关联度不高，在本研究中不适用。

本研究以熵权法的思路对北京大学中国商业银行数字化转型指数进行修正，利用“战略数字化”、“业务数字化” 两个一级指标来构建金融科技总指数（FTindex）作为核心解释变量，不仅补足了单一使用文本挖掘法可能出现的混淆，文本范围限于银行年报避免了重复发布的情况，也较为客观地展示了城市商业银行微观主体的金融科技投入与应用情况。

首先，对“战略数字化”、“业务数字化” 两个一级指标的原始数据进行正向标准化处理，即消除量纲差异，转化为 0-1 区间数值，转换公式如下：

式中：x_ij 是第 i 年第 j 个指标的原始数据； 是标准化后的数据；max 是第 j 个指标历年数据的最大值；min 是第 j 个指标历年数据的最小值。

其次，通过熵权法计算两个一级指标的客观权重，即基于“标准化指标值×对应熵权”的加权求和方法得到金融科技总指数，最终总指数取值范围为 0-1，利用公式：

式中：Y_ij 表示第 j 个指标第 i 年的样本的占比，n 为年数；e_j 表示第 j 个指标的信息熵；d_j 表示第 j 个指标的信息效用值；W_j 表示第 j 个指标权重。计算结果如表 1 所示，得出金融科技总指数的构成为 0.5775 的战略数字化子指标和 0.4225 的业务数字化子指标。

	熵值 ej	信息效用值 1 - ej	权重
战略数字化	0.9522	0.0478	0.5775
业务数字化	0.9650	0.0350	0.4225

3. 控制变量

在回归方程中加入两个层面的控制变量，即宏观控制变量、银行微观特征变量。宏观层面变量包括地区名义 GDP 年增长率（GDP），以反映各地区的经济运行状况；数字普惠金融指数（CIF），反映的是各地区的数字经济发展水平。银行微观层面变量包括资产规模取对数（Lnscale）、成本收入比（MP）、资产负债率（ALR）、不良贷款率（NPL）。

GDP 体现了城市商业银行所在城市的宏观经济发展情况，量化的是地区经济体量的年度扩张名义速度，作为外部经济环境控制变量。

CIF 体现了城市商业银行所在城市的宏观数字经济发展情况，从互联网金融服务的覆盖广度、使用深度和数字支持服务等方面进行测度。该指数越高，表明城市金融服务的可得性和便利性越高，可能会分散银行个体的金融业务，而对银行的盈利能力造成影响。

Lnscale 是一个经济主体运营的基石，是其拥有或控制的所有资源。由于总资产规模一般数量级较高，故本研究将总资产规模的数量进行取对数处理。

MP 评估的是银行的经营效率，反映每获取一单位营业收入所消耗的成本费用。银行业监管标准通常要求成本收入比不高于 45%。

ALR 是衡量负债水平与偿债能力的关键指标，反映总资产中通过负债筹集资金的比例。银行业因依赖储户存款的经营特性，资产负债率通常较高，一般在 90% 左右。

NPL 评估的是银行的贷款资金安全情况，通过计算银行不良贷款占总贷款余额的比重来体现预期可能无法收回的贷款比率。

（三）描述性统计与相关性分析

1. 描述性统计

研究中涉及的主要变量的描述性统计如表 2 所示。ROE 的均值为 13.49，最大值为 26.31（长沙银行），最小值为 3.48（郑州银行），说明几家银行之间的盈利能力存在较大差别。FTindex 的最小值为 0.01，最大值为 0.99，标准差为 0.18，该指标偏高的年份且集中于 2018 年及以后，说明金融科技的发展和应用开始被重视。结合图 1 所示，GDP 的均值为 8.70，标准差为 4.00，最值相差 27，说明各银行所在地级市的宏观经济发展情况有较大差异。CIF 的均值为 263.64，标准差为 64.40，最值相差较大，说明各别地级市的数字经济发展水平较为落后，居民依赖的金融模式有别。

Lnscale 相差不大，均值为 8.64，标准差只有 0.90，可比性较强。MP 的均值为 29.45，标准差为 5.00，最大值 54.10 源于苏州银行 2013 年的情况，与其他数据明显偏离，说明各银行经营效率存在区别。ALR 的均值为 93.06，NPL 的均值为 1.25，标准差小，保证了存贷业务的可比性。

Stats	N	Mean	SD	Min	Max
ROE/%	187	13.49	4.34	3.48	26.31
FTindex	187	0.50	0.18	0.01	0.99
GDP/%	187	8.70	4.00	-2.17	25.12
CIF/%	187	263.64	61.40	139.8	373.22
Lnscale	187	8.64	0.90	6.85	10.53
MP/%	187	29.45	5.00	18.93	54.10
ALR/%	187	93.06	1.04	89.67	95.57
NPL/%	187	1.25	0.38	0.39	2.47

2. 相关性分析

对数据进行相关性分析可以了解变量之间的关系，用来初步判断变量间是否存在多重共线性问题。对变量之间的相关性进行验证发现，上述变量相关性系数的绝对值均小于 0.8，初步判断计量模型不存在多重共线性问题。

3. 多重线性分析

由表 3 可知，计量模型中所有变量的 VIF 值均小于 10，且 1/VIF 均远大于 0.1，符合方差膨胀因子检验。因此，每个解释变量或者控制变量与其余的解释变量或者控制变量间不存在高度的多重共线性，为后续以 ROE 为被解释变量构建多元回归模型提供了坚实支撑。

Variable	VIF	1/VIF
Lnscale	2.41	0.41466
CIF	2.27	0.44140
FTindex	2.14	0.46668
ALR	1.44	0.69648
MP	1.32	0.76031
NPL	1.19	0.83991
GDP	1.19	0.84029
Mean VIF	1.71

二、模型设定与分析

（一）模型选择

为检验金融科技发展如何影响银行的盈利能力，本研究通过构建面板数据模型进行实证分析。面板模型涉及 3 个模型，分别是混合效应 POOL 模型、固定效应 FE 模型和随机效应 RE 模型，首先进行模型检验，便于找出最优模型，如表 4 所示。

检验类型	检验目的	检验值	检验结论
BP 检验	RE 模型和 POOL 模型比较选择	χ2(1)=4055720.6，p=1.000	POOL 模型
F 检验	FE 模型和 POOL 模型比较选择	F(16，162)=13.994272， p 值：3.264e-14	FE 模型

采用 Breusch-Pagan LM 检验对比混合效应与随机效应模型，检验原假设为“随机效应方差为 0”。检验结果中 LM 统计量为 4055720.6，p= 1.000，无法拒绝原假设，说明随机效应不显著，不适用随机效应模型。再通过 F 检验判断个体异质性是否显著，检验结果中 F(16，162) = 13.994272 ，p=3.264e-14＜0.05，应拒绝原假设，说明个体异质性显著，17 家银行的个体异质性显著，混合效应模型因忽略该差异会导致系数偏误，使用固定效应模型相对来说更好。综合上述分析，最终以固定效应 FE 模型作为最终结果，基准模型设定如下：

ROE_it=α₀+α₁FTindex_it+α₂GDP_it+α₃CIF_it+α₄Lnscale_it+α₅MP_it+α₆ALR_it+α₇NPL_it+ε_it（6）

式中：ROE_it 为被解释变量，是 i 银行在 t 年份的盈利能力指标即净资产收益率；α₀ 为常量，代表在其他数值为 0 时，被解释变量的平均值；FTindex_it 为核心解释变量，为 i 银行在 t 年份的金融科技总指数；α₁ 为本文重点关注的系数，体现着金融科技发展情况对城市商业银行的影响程度；后续各项为相关的控制变量，包括宏观层面变量和银行微观特征变量两方面，α₂ 至 α₇ 为各控制变量的系数，体现各控制变量对被解释变量的影响程度；ε_it 为误差项。

（二）结果分析

从表 5 的回归结果来看，组内 R² 为 0.8063，表明模型能够解释 80.63% 的同一银行随年份变化的 ROE 波动，这一水平在面板模型中处于较高区间，说明核心解释变量与控制变量对银行自身盈利能力的动态变化具备较强的解释力。整体 R² 为 0.6144，反映模型对全样本银行 ROE 波动的解释程度，符合面板模型“组内解释力高于整体解释力”的特性，即更聚焦个体随时间的变化，而非个体间的差异。

核心解释变量 FTindex 的系数为 3.53（p=0.009<0.01），在 1% 水平上显著为正，验证了金融科技对银行盈利的正向赋能效应。CIF 系数为 -0.26（p=0.010<0.05），显著负相关，体现数字普惠金融的广泛发展对城商行 ROE 的稀释效应。MP 系数为 -0.11（p=0.021<0.05），在 5% 水平上显著负相关，说明运营效率低、管理成本高对城商行盈利能力造成了负面影响。ALR 系数为 1.07（p=0.000<0.01），显著正相关，印证了适度的负债扩张能提升资金使用效率，进而提高 ROE。NPL 系数为 -4.98（p=0.000<0.01），显著负相关，凸显信用风险对盈利的核心抑制作用。GDP 系数为 0.05（p=0.188>0.1），Lnscale 系数为 -0.16（p=0.145>0.1），未通过显著性检验，表明在控制个体固定效应后， GDP 和资产规模对 ROE 的影响并不突出。

项	Coefficient	FE 模型 Coefficient
截距	20.3464	-57.1577
FTindex	-13.7908	3.5315
GDP	0	0.0495
CIF	0	-0.0261
Lnscale	0	-1.7604
MP	0	-0.1050
ALR	0	1.0732
NPL	0	-4.9750
R2（Within）	0.2767	0.8063
R2（Overall）	0.1433	0.6144
样本量	187	187
检验	F(1, 169)=64.67, p=0.000	F(7, 163)=96.96, p=0.000

（三）内生性处理

上述分析虽然揭示了银行金融科技应用程度与银行盈利能力之间存在相关性，但两者之间是否存在因果关系还需进一步分析检验。一方面，银行增用金融科技可能源于某些政策影响，存在样本选择问题；另一方面，金融科技使用与否属于银行自身的决策行为，盈利能力强的银行也许更有精力在金融科技领域进行投放和实验，可能存在反向因果问题。基于此，本研究运用稳健性检验，异质性分析对可能存在的内生性问题进行处理。

1. 稳健性检验

通过计算总资产对会计主体创造利润的贡献也是评价盈利能力的重要手段，因此选择总资产收益率 ROA 替换 ROE 作为被解释变量进行探讨，若结果比较也是显著的，则判断前述结论比较稳定。

具体模型设定如下:

ROA_it=α₀+α₁FTindex_it+α₂GDP_it+α₃CIF_it+α₄Lnscale_it+α₅MP_it+α₆ALR_it+α₇NPL_it+ε_it（7）

从表 6 的回归结果中可知，当使用 ROA 作为银行盈利能力的评价指标时，FTindex 的影响在 0.05 水平下依然显著，系数为正。CIF、NPL 在 1% 水平上显著为负，GDP 在 5% 水平上显著为正，其他控制变量不显著，和表 5 的回归结果一致。

项	Coefficient	FE 模型 Coefficient
截距	1.1666	3.4507
FTindex	-0.5384	0.1828
GDP	0	0.0049
CIF	0	-0.0017
Lnscale	0	-0.0432
MP	0	-0.0051
ALR	0	-0.0145
NPL	0	-0.2985
R2（Within）	0.1886	0.6694
R2（Overall）	0.0835	0.5269
样本量	187	187
检验	F(1, 169)=39.27, p=0.000	F(7, 163)=47.15, p=0.000

2. 异质性分析

根据银行所处行政区域、银行业务类型等对样本进行划分时，没有体现出核心解释变量对盈利能力的影响效果的异质性。而从数字普惠金融水平、地区经济发展水平、银行成本效率、银行资本结构、银行信贷规模五个维度验证不同组别间的系数显著性差异时发现存在异质性，结果汇总如表 7 所示。

异质性维度	分组变量	分组依据	Chow 检验统计量	P 值	异质性结论
数字普惠金融水平	CIF_group	地区数字普惠金融指数平均数	4.69	0	存在显著异质性
地区经济发展水平	GDP_group	地区 GDP 增长率平均数	3.86	0.0003	存在显著异质性
银行信贷规模	Lnloan_group	贷款与垫款总量平均数	9.78	0	存在显著异质性（程度突出）
银行成本效率	MP_group	成本收入比平均数	4.53	0.0001	存在显著异质性
银行资本结构	ALR_group	资产负债率平均数	3.14	0.0024	存在显著异质性

基于对应指标的平均数构建二元分组虚拟变量，并在固定效应模型框架下做 Chow 结构变化检验，结果显示出以上指标的分组回归中在 1% 的显著性水平下拒绝“无结构变化”的原假设。对宏观控制变量而言，高、低地区数字普惠金融水平组中，核心变量对被解释变量的影响系数存在显著差异，地区数字普惠金融的作用效果具有组间异质性。高、低地区 GDP 组的核心变量系数存在显著结构变化，地区经济发展水平会改变各因素的作用效果。对银行微观特征变量而言，高、低成本收入比组的核心变量系数存在显著结构变化，银行成本管控能力的差异是异质性的重要来源。高、低资产负债率组的核心变量系数存在显著结构变化，银行资本结构会影响各因素的作用机制。高、低贷款总量组的核心变量系数差异更明显，银行信贷规模是影响作用效果的关键异质性维度。

结合表 5 的模型回归结果和表 8 分组回归结果具体分析如下：

1. 宏观控制变量

   地区数字普惠金融水平较高时，该区域内的金融服务会更可得和方便，更多机构参与普惠业务，银行面临的同业竞争加剧，如果银行未通过自身能力形成差异化优势，那么银行的盈利空间就会被挤压，因此全样本中 CIF 对 ROE 的总效应为负。分组结果中高 CIF 组的 FT-index 的系数更显著（t=3.25^***），本质是银行自身金融科技投入抵消了地区普惠金融的竞争挤压，有助于增进盈利能力。

   地区 GDP 增长率较高时，该区域内的宏观经济发展水平更高，因此全样本中 GDP 对 ROE 的总效应为正。分组结果中高 GDP 组的 FT-index 的系数更显著（t=2.51^**），源于高 GDP 组的地区经济发达，消费者参与金融服务的意识和实践会更多，金融科技水平的提高有利于银行开展金融服务满足消费者需求，FT-index 对 ROE 的促进作用非常显著。

2. 银行微观特征

   从银行信贷规模出发，贷款与垫款总量偏低的一组（t=2.43^**）FT-index 的系数更显著，由于城市商业银行的经营特性，高信贷规模的银行通常是依赖传统信贷扩张的盈利模式，主要面向当地客群，对金融科技的依赖程度非常低；而低信贷规模组的银行，更需要通过金融科技实现差异化盈利。

   从银行成本效率出发，低 MP 组的 FT-index（t=2.63^***）更显著，由于银行的成本管控能力强，自身金融科技投入的开源节流能更直接地转化为银行收入。

   从银行资本结构出发，低 ALR 组的 FT-index（t=2.62^**）更显著，即资本结构稳健的低杠杆银行，金融科技对 ROE 的提升效果更显著。

异质性维度	分组类型	FT-index 系数	t 值	显著性
地区数字普惠金融水平	高 CIF 组	5.247	3.25	***
	低 CIF 组	0.668	0.32
地区经济发展水平	高 GDP 组	4.731	2.51	**
	低 GDP 组	1.500	0.73
银行成本效率	高 MP 组	3.174	1.38
	低 MP 组	4.259	2.63	***
银行资本结构	高 ALR 组	2.159	0.99
	低 ALR 组	4.298	2.62	**
银行信贷规模	高 Lnloan 组	-0.333	-0.3
	低 Lnloan 组	5.953	2.43	**

三、研究结果与启示

从模型 1 和模型 2 两次的回归结果综合来看，金融科技正在深刻地重塑银行业的经营模式。银行金融科技水平和城市商业银行的盈利能力呈正相关关系，处于数字普惠金融水平高、经济发展水平高的地区，自身成本效率高、资本结构稳健、贷款规模较低城市商业银行越能利用自身金融科技建设提升盈利能力。

基于以上观察和结论，本研究的启示在于：

第一，在当前复杂外部环境下金融科技对于银行盈利能力的影响并不是单一的，与当前银行业“规模扩张与盈利下行”并存的现实格局相吻合，凸显了银行在数字化时代下面临的机遇与挑战。

第二，在社会金融科技水平不断进步的情况下，不同类型的城商行应该有轻重缓急的进行战略调整以应对时代变革提出的新挑战。信贷规模低的银行，更需要通过金融科技实现差异化盈利。

第三，城市商业银行应该优先加强成本管控能力，提高资金使用效率，把能带来稳定效益的成本视作未来长期的摊销。低杠杆、高成本效率的城市商业银行应该加大金融科技建设的投入，不断提升业务及管理体系综合的数字化水平。

参考文献：

1. [1] 金文纨,朱晟君,朱雨欣,等.全球金融科技创新发展与国家技术知识能力分析[J].地理科学进展,2025,44(10):2021-2036.
2. [2] Luan X, Jin W, Zhu S, et al. Fin or tech? The role of financial and technological capabilities in global fintech development[J]. The geographical journal, 2025, 191(02): e70001-e70001.
3. [3] 盛天翔,范从来.金融科技、最优银行业市场结构与小微企业信贷供给[J].金融研究,2020(06): 114-132.
4. [4] 李运达,陈伟,周华东.金融科技、生产率悖论与银行盈利能力[J].财经科学,2020(11):1-16.
5. [5] 宋敏,周鹏,司海涛.金融科技与企业全要素生产率———“赋能”和信贷配给的视角[J].中国工业经济,2021(04): 138-155.
6. [6] Guo F, Wang J, Wang F, et al. Measuring China’s digital financial inclusion: Index compilation and spatial characteristics[J]. China economic quarterly, 2020, 19(04): 1401-1418.
7. [7] 谢绚丽,王诗卉.中国商业银行数字化转型：测度、进程及影响[J].经济学(季刊),2022,22(06):1937-1956.
8. [8] 李伟,李波.利率市场化下城市商业银行盈利能力的影响因素研究——基于62家城商行2014-2020年的面板数据[J].当代金融研究,2022,5(06):33-45.
9. [9] 钟晓燕.金融科技发展对上市商业银行盈利能力的影响研究[J].商展经济,2025(15):135-138.
10. [10] Borio C, Gambacorta L. Monetary policy and bank lending in a low interest rate environment: diminishing effectiveness?[J]. Journal of macroeconomics, 2017, 54: 217-231.
11. [11] 尹克鑫,彭宁.金融科技对我国上市商业银行盈利能力影响的实证研究[J].商展经济,2024(19):100-103.
12. [12] Haddad C, Hornuf L. The emergence of the global fintech market: Economic and technological determinants[J]. Small business economics, 2019, 53(01): 81-105.
13. [13] 陈赓.金融科技对商业银行盈利能力的影响分析[J].全国流通经济,2024(10):132-135.