【摘要】本文基于技術(shù)溢出理論， 研究金融科技對商業(yè)銀行全要素生產(chǎn)率的非線性影響。首先通過DEA—Malmquist模型測算出商業(yè)銀行全要素生產(chǎn)率， 然后使用文本挖掘法篩選出高相關(guān)性的關(guān)鍵詞構(gòu)建金融科技發(fā)展指數(shù)， 最后分別以金融科技發(fā)展指數(shù)、 金融科技企業(yè)融資總額、 金融科技機(jī)構(gòu)新增數(shù)量作為轉(zhuǎn)換變量， 建立面板平滑轉(zhuǎn)換回歸（PSTR）模型，檢驗(yàn)金融科技的非線性影響。實(shí)證結(jié)果表明： 金融科技對商業(yè)銀行全要素生產(chǎn)率呈現(xiàn)出先抑制后促進(jìn)的非線性影響， 隨著金融科技的不斷發(fā)展， 技術(shù)溢出效應(yīng)逐漸增強(qiáng)。

【關(guān)鍵詞】金融科技；全要素生產(chǎn)率；技術(shù)溢出；PSTR模型；門檻效應(yīng)

【中圖分類號】 F832.33 【文獻(xiàn)標(biāo)識碼】A 【文章編號】1004-0994（2024）17-0121-8

一、 引言

伴隨著金融科技（Fintech）的蓬勃發(fā)展， 大數(shù)據(jù)、 區(qū)塊鏈、 云計(jì)算、 人工智能等新興技術(shù)給傳統(tǒng)金融行業(yè)帶來了機(jī)遇與挑戰(zhàn)。從被稱為中國金融科技元年的2016年起， 科技對于金融的促進(jìn)作用就不僅僅局限于渠道等淺層次上， 而是真正開啟了的“金融+科技”的深度融合。金融科技利用信息技術(shù)向傳統(tǒng)金融領(lǐng)域滲透： 一方面可以通過技術(shù)創(chuàng)新發(fā)展出高壁壘的新產(chǎn)品和新服務(wù)， 通過與商業(yè)銀行的合作， 促進(jìn)商業(yè)銀行盈利模式的改進(jìn)， 提高銀行的運(yùn)行效率； 另一方面， 金融科技的風(fēng)險(xiǎn)通過不同業(yè)務(wù)渠道傳染到商業(yè)銀行， 加重了商業(yè)銀行的風(fēng)險(xiǎn)承擔(dān)， 沖擊著傳統(tǒng)金融的穩(wěn)定性。金融科技與傳統(tǒng)商業(yè)銀行之間的關(guān)系已經(jīng)轉(zhuǎn)變成更高層次的“競合”。因此， 金融科技發(fā)展帶來的數(shù)字技術(shù)創(chuàng)新逐漸成為金融行業(yè)以及相關(guān)學(xué)者關(guān)注的熱點(diǎn)問題。

已有文獻(xiàn)對金融科技給商業(yè)銀行帶來的影響進(jìn)行了相關(guān)研究， 但是在定量分析兩者的關(guān)系時(shí)， 學(xué)者們主要集中在兩者的線性關(guān)系上， 從擠出效應(yīng)或者技術(shù)溢出效應(yīng)單方面進(jìn)行闡述， 而未關(guān)注兩種效應(yīng)共同作用的結(jié)果， 且對于門檻效應(yīng)的研究不足。實(shí)際上， 在轉(zhuǎn)換變量發(fā)展的不同時(shí)期， 擠出效應(yīng)和技術(shù)溢出效應(yīng)可能分別占據(jù)主導(dǎo)地位， 產(chǎn)生非線性影響。金融科技對傳統(tǒng)商業(yè)銀行全要素生產(chǎn)率到底是具有促進(jìn)作用還是抑制作用？金融科技是否會對商業(yè)銀行產(chǎn)生技術(shù)溢出或擠出效應(yīng)？假設(shè)存在正向的技術(shù)溢出效應(yīng)， 其溢出程度是否會由于某些因素的影響而發(fā)生變化， 技術(shù)溢出是否存在門檻效應(yīng)？回答以上問題不僅對金融科技的健康發(fā)展和政策制定具有重要意義， 而且可以促使商業(yè)銀行和金融科技相輔相成， 更蓬勃健康地發(fā)展。

鑒于此， 本文利用面板平滑轉(zhuǎn)換回歸（PSTR）模型探究金融科技對商業(yè)銀行全要素生產(chǎn)率的非線性影響。本文的貢獻(xiàn)主要體現(xiàn)在兩個(gè)方面：一是， 利用PSTR模型研究發(fā)現(xiàn)金融科技和商業(yè)銀行全要素生產(chǎn)率之間具有非線性關(guān)系， 豐富了兩者之間的非線性關(guān)系研究。現(xiàn)有文獻(xiàn)主要集中于通過平方項(xiàng)研究U型或者倒U型關(guān)系以及使用Hansen的門檻效應(yīng)模型， PSTR模型考慮了平滑的門檻轉(zhuǎn)換問題， 更符合現(xiàn)實(shí)經(jīng)濟(jì)意義。二是， 基于技術(shù)溢出理論， 分析金融科技發(fā)展對商業(yè)銀行的技術(shù)溢出效應(yīng)和擠出效應(yīng)， 并總結(jié)相關(guān)研究的技術(shù)溢出傳導(dǎo)路徑， 拓展了金融科技的非線性影響。

二、 文獻(xiàn)綜述

（一） 金融科技對商業(yè)銀行的影響

隨著金融科技的不斷深化， 現(xiàn)有文獻(xiàn)主要從銀行的風(fēng)險(xiǎn)承擔(dān)水平、 全要素生產(chǎn)率和經(jīng)營效率角度研究金融科技對商業(yè)銀行的影響， 但是并沒有取得一致性結(jié)論， 主要表現(xiàn)為正向技術(shù)溢出效應(yīng)和負(fù)向擠出效應(yīng)。

一方面， 金融科技和傳統(tǒng)商業(yè)銀行在融合過程中相互促進(jìn)， 對商業(yè)銀行產(chǎn)生正向的技術(shù)溢出效應(yīng)。金融科技通過技術(shù)溢出效應(yīng)， 為商業(yè)銀行帶來技術(shù)和產(chǎn)品的創(chuàng)新， 形成新型業(yè)務(wù)模式， 并優(yōu)化渠道管理， 推動商業(yè)銀行自身效率的提升。Philippon（2016）認(rèn)為， 正是金融科技產(chǎn)生的技術(shù)進(jìn)步對傳統(tǒng)金融機(jī)構(gòu)的商業(yè)模式創(chuàng)新帶來了啟發(fā)， 其通過更廣泛的客戶數(shù)據(jù)使商業(yè)銀行效率得到提升。沈悅和郭品（2015）、 林彧等（2020）均發(fā)現(xiàn)， 金融科技通過技術(shù)溢出效應(yīng)提高了商業(yè)銀行的全要素生產(chǎn)率， 由于吸收能力的差異， 其對不同類型商業(yè)銀行的影響程度明顯不同。

另一方面， 金融科技也會給商業(yè)銀行帶來一定程度的沖擊， 形成負(fù)向的擠出效應(yīng)。金融科技主要從信貸、 負(fù)債和風(fēng)險(xiǎn)等方面對商業(yè)銀行業(yè)務(wù)形成沖擊， 分流銀行的存款、 擠占銀行中間業(yè)務(wù)和資產(chǎn)業(yè)務(wù)， 威脅銀行的盈利。邱晗等（2018）、 沈悅和郭品（2019）發(fā)現(xiàn)， 金融科技通過作用于利率市場化， 使銀行的負(fù)債端結(jié)構(gòu)發(fā)生改變， 資產(chǎn)端承受的風(fēng)險(xiǎn)隨之上升， 從而對傳統(tǒng)商業(yè)銀行造成一定沖擊， 沖擊程度隨商業(yè)銀行規(guī)模的增大而降低。劉孟飛和蔣維（2020）研究了金融科技對我國商業(yè)銀行效率的影響， 發(fā)現(xiàn)金融科技對不同商業(yè)銀行利潤和成本的影響不同， 其對商業(yè)銀行盈利具有正向促進(jìn)作用， 降低了商業(yè)銀行的成本效率。

上述結(jié)論的不一致也反映出金融科技對商業(yè)銀行影響的復(fù)雜性， 意味著二者之間并非簡單的線性關(guān)聯(lián)， 可能存在非線性關(guān)系。

（二） 技術(shù)溢出的門檻效應(yīng)

技術(shù)溢出效應(yīng)的相關(guān)研究認(rèn)為， 技術(shù)具有較強(qiáng)的外部性， 技術(shù)領(lǐng)先企業(yè)的技術(shù)擴(kuò)散會對其他企業(yè)產(chǎn)生積極作用， 促進(jìn)其他企業(yè)的技術(shù)創(chuàng)新和業(yè)務(wù)發(fā)展。大量文獻(xiàn)對外商直接投資（FDI）的技術(shù)溢出效應(yīng)進(jìn)行了研究， 如鐘娟和張慶亮（2010）、 王華等（2012）、 吳書勝和李斌（2015）、 金春雨和王偉強(qiáng)（2016）等分別使用技術(shù)差距、 人力資本、 對外開放程度、 外資規(guī)模等作為轉(zhuǎn)換變量， 發(fā)現(xiàn)FDI的技術(shù)溢出存在門檻效應(yīng)。這種技術(shù)溢出的門檻效應(yīng)同樣適用于金融科技與商業(yè)銀行之間， 因此有必要深入研究金融科技對商業(yè)銀行效率的非線性影響。

近幾年， 關(guān)于金融科技非線性影響的研究主要通過二次項(xiàng)衡量U型或者倒U型關(guān)系， 以及通過面板門檻回歸（PTR）模型研究突變的門檻效應(yīng)。汪可等（2017）、 劉孟飛等（2021）、 岳華等（2022）的研究均發(fā)現(xiàn)， 金融科技對商業(yè)銀行的績效和風(fēng)險(xiǎn)承擔(dān)產(chǎn)生先升后降的倒U型影響。田新民和張志強(qiáng)（2020）研究發(fā)現(xiàn)， 不同金融科技水平下， 金融科技和金融資源配置效率對經(jīng)濟(jì)增長的影響表現(xiàn)為門檻效應(yīng)。熊健等（2021）使用分段回歸研究金融科技和銀行績效的關(guān)系， 發(fā)現(xiàn)隨著金融科技發(fā)展水平的不斷提高， 擠出效應(yīng)逐漸減弱， 由鯰魚效應(yīng)和關(guān)聯(lián)效應(yīng)產(chǎn)生的技術(shù)溢出效應(yīng)不斷增強(qiáng)， 金融科技對商業(yè)銀行經(jīng)營績效產(chǎn)生先抑制后促進(jìn)的非線性影響。孟娜娜和粟勤（2020）使用金融科技與銀行業(yè)競爭的交互項(xiàng)衡量技術(shù)溢出效應(yīng)， 認(rèn)為金融科技通過產(chǎn)業(yè)競爭機(jī)制對普惠金融產(chǎn)生擠出效應(yīng)， 通過技術(shù)溢出機(jī)制產(chǎn)生鯰魚效應(yīng)， 但是隨著競爭加劇， 鯰魚效應(yīng)逐步減弱。基于以上文獻(xiàn)回顧發(fā)現(xiàn)， 上述文獻(xiàn)并未使用PSTR模型， 而是僅考慮了突變的門檻效應(yīng)， 但是金融科技對商業(yè)銀行全要素生產(chǎn)率的影響會產(chǎn)生平滑的變化， 因此采用PSTR模型更加合理。

三、 研究假設(shè)

沈悅和郭品（2015）、 孫潔（2017）、 楊傲和王力（2019）、 卜亞和張倩（2021）、 劉孟飛等（2021）、 王秀意（2022）等借鑒FDI的技術(shù)溢出理論， 研究發(fā)現(xiàn)金融科技可以通過競爭效應(yīng)、 示范效應(yīng)、 人員流動效應(yīng)以及關(guān)聯(lián)效應(yīng)影響商業(yè)銀行全要素生產(chǎn)率。基于以上研究， 本文總結(jié)了金融科技對商業(yè)銀行全要素生產(chǎn)率的技術(shù)溢出影響路徑， 如圖1所示。

金融科技對商業(yè)銀行全要素生產(chǎn)率的技術(shù)溢出效應(yīng)分析如下：

一是競爭效應(yīng)（鯰魚效應(yīng)）。金融科技的發(fā)展通過加劇市場競爭擠壓商業(yè)銀行的業(yè)務(wù)， 動搖傳統(tǒng)商業(yè)銀行的壟斷地位， 改變商業(yè)銀行的投入與產(chǎn)出要素， 倒逼商業(yè)銀行改革經(jīng)營模式、 創(chuàng)新業(yè)務(wù)和產(chǎn)品， 進(jìn)而提升經(jīng)營效率。例如：隨著數(shù)字銀行的興起， 其在點(diǎn)對點(diǎn)、 個(gè)性化服務(wù)中取得進(jìn)展， 從而沖擊了傳統(tǒng)商業(yè)銀行的零售業(yè)務(wù)； 第三方支付工具和區(qū)塊鏈技術(shù)下電子記賬本等的興起， 對信用卡和借記卡等傳統(tǒng)支付結(jié)算帶來了負(fù)面影響； 智能投顧所展現(xiàn)的機(jī)器人可以代替人腦進(jìn)行分析， 配置最優(yōu)資產(chǎn)組合， 對傳統(tǒng)資產(chǎn)管理業(yè)務(wù)造成了沖擊。

二是示范效應(yīng)。金融科技所帶來的豐富的技術(shù)應(yīng)用和完備的數(shù)據(jù)分析系統(tǒng)給傳統(tǒng)商業(yè)銀行創(chuàng)造了新的發(fā)展契機(jī)。隨著多年的發(fā)展， 傳統(tǒng)商業(yè)銀行在各方面已經(jīng)形成了一套完備的體系和服務(wù)方式， 其技術(shù)水平相對落后、 風(fēng)險(xiǎn)管控比較保守， 無法在保持高安全性的同時(shí)保持低成本。而金融科技所展現(xiàn)的創(chuàng)新理念、 便利又低成本的服務(wù)、 包容的風(fēng)險(xiǎn)管控， 均能給傳統(tǒng)商業(yè)銀行注入新活力。

三是人員流動效應(yīng)。不同主體之間的勞動力流動可以帶來技術(shù)溢出。具體來看， 其包括兩個(gè)方面：一方面， 金融科技領(lǐng)域優(yōu)質(zhì)技術(shù)人才的流入， 對商業(yè)銀行構(gòu)建網(wǎng)上銀行、 提供數(shù)字化財(cái)富管理等產(chǎn)生正向作用； 另一方面， 傳統(tǒng)商業(yè)銀行的優(yōu)秀工作者投身金融科技產(chǎn)業(yè)， 使傳統(tǒng)商業(yè)銀行的經(jīng)營管理能力受到?jīng)_擊。

四是關(guān)聯(lián)效應(yīng)。掌握新興金融科技技術(shù)能夠?qū)鹘y(tǒng)商業(yè)銀行的數(shù)據(jù)分析和科學(xué)決策能力產(chǎn)生積極作用， 且有助于緩解信息不對稱問題。商業(yè)銀行與金融科技公司合作， 吸收金融科技公司先進(jìn)的技術(shù)與經(jīng)驗(yàn)； 與此同時(shí)， 傳統(tǒng)商業(yè)銀行擁有的完備管理體系、 豐富客戶群以及多樣化金融業(yè)務(wù)也能給金融科技產(chǎn)業(yè)帶來新的思考。兩者之間相互推動、 相互促進(jìn)， 迎來整個(gè)金融業(yè)可持續(xù)發(fā)展的新時(shí)代。

金融科技對商業(yè)銀行全要素生產(chǎn)率的非線性影響研究主要認(rèn)為：金融科技企業(yè)和傳統(tǒng)金融企業(yè)之間的技術(shù)差距越大， 金融科技企業(yè)產(chǎn)生的鯰魚效應(yīng)、 示范效應(yīng)和關(guān)聯(lián)效應(yīng)越明顯， 商業(yè)銀行的模仿空間越廣闊。隨著傳統(tǒng)金融企業(yè)的技術(shù)水平逐漸接近金融科技企業(yè)， 傳統(tǒng)金融企業(yè)可模仿的空間縮小， 吸收和模仿的成本增加， 從而降低了進(jìn)一步技術(shù)溢出的可能。金融科技作為新技術(shù)， 在應(yīng)用初期的接受程度相對較低（發(fā)展程度低、 融資總額低、 機(jī)構(gòu)新增數(shù)量低）， 呈現(xiàn)的技術(shù)溢出效應(yīng)較弱， 此時(shí)擠出效應(yīng)成為主導(dǎo)， 金融科技與商業(yè)銀行形成競爭關(guān)系。但是當(dāng)具有一定認(rèn)同基礎(chǔ)之后， 技術(shù)溢出效應(yīng)明顯加強(qiáng)， 技術(shù)溢出效應(yīng)占據(jù)主導(dǎo)地位， 商業(yè)銀行會做出加快金融科技平臺建設(shè)、 與金融科技公司聯(lián)盟等行為。隨著金融科技發(fā)展的不斷深入， 技術(shù)差距逐漸縮小， 技術(shù)溢出效應(yīng)可能會再次降低。目前相關(guān)研究缺乏關(guān)于金融科技技術(shù)溢出對商業(yè)銀行效率非線性影響的深入分析， 本文認(rèn)為， 金融科技對商業(yè)銀行全要素生產(chǎn)率的技術(shù)溢出效應(yīng)會隨著金融科技發(fā)展程度的不同而呈現(xiàn)平滑的非線性變化。

基于以上分析， 本文提出如下假設(shè)：

假設(shè)1： 將金融科技發(fā)展指數(shù)、 金融科技企業(yè)融資總額、 金融科技機(jī)構(gòu)新增數(shù)量作為轉(zhuǎn)換變量， 隨著轉(zhuǎn)換變量數(shù)值的不斷提高， 金融科技的擠出效應(yīng)逐漸減弱、 技術(shù)溢出效應(yīng)逐漸增強(qiáng)， 金融科技對商業(yè)銀行全要素生產(chǎn)率產(chǎn)生平滑轉(zhuǎn)換的非線性影響。

四、 研究設(shè)計(jì)

（一） 樣本選擇

本文主要選取26家上市商業(yè)銀行作為研究樣本， 具體包括5家國有商業(yè)銀行、 8家股份制商業(yè)銀行以及13家城市商業(yè)銀行①。時(shí)間窗口設(shè)置為2011 ～ 2020年， 相關(guān)數(shù)據(jù)來源于Wind數(shù)據(jù)庫與各大商業(yè)銀行年報(bào)。

（二） 變量選取

1. 被解釋變量：商業(yè)銀行全要素生產(chǎn)率（TFP）。測算商業(yè)銀行全要素生產(chǎn)率的方法主要有兩類， 即參數(shù)法和非參數(shù)法。其中， 非參數(shù)法能夠更準(zhǔn)確、 客觀地測量商業(yè)銀行的全要素生產(chǎn)率， 原因在于其所需要的樣本量較小， 不必構(gòu)造生產(chǎn)函數(shù)， 能減少計(jì)算中的誤差。數(shù)據(jù)包絡(luò)分析（DEA）作為非參數(shù)效率分析方法的典型代表， 能得到更準(zhǔn)確的結(jié)果。在商業(yè)銀行系統(tǒng)中， 存款不斷派生， 存款既可以看作商業(yè)銀行的投入指標(biāo)， 又可以看作商業(yè)銀行的產(chǎn)出指標(biāo)。故為避免誤差， 將存款作為中間指標(biāo)使用， 建立無導(dǎo)向DEA模型。為了更好地度量生產(chǎn)率的跨期變化， F?re等（1994）建立了基于DEA的Malmquist生產(chǎn)率指數(shù)。該指數(shù)可以很好地衡量決策單元生產(chǎn)率的變化， 故本文用其測量商業(yè)銀行全要素生產(chǎn)率（TFP）。Malmquist指數(shù)可以表示為：

（1）

其中， Dt+1（·）和Dt（·）分別表示第t+1期和第t期觀測點(diǎn)到前沿面的距離函數(shù)， 、 、 和 、

、 分別表示第t+1期和第t期商業(yè)銀行q的投入、 產(chǎn)出、 中間指標(biāo)。

在指標(biāo)選取方面： 將資產(chǎn)總額（X1）和營業(yè)費(fèi)用（X2）作為投入變量， 其反映了銀行的資金投入和管理經(jīng)營投入； 稅前利潤（Y1）和貸款總額（Y2）是銀行存貸款業(yè)務(wù)以及中間業(yè)務(wù)以后的產(chǎn)出， 記為產(chǎn)出變量； 存款總額（Z）作為銀行的派生變量， 記為中間變量。

根據(jù)模型（1）和測算的相關(guān)投入、 產(chǎn)出、 中間指標(biāo)， 運(yùn)用Matlab 9.0測算得到各商業(yè)銀行的全要素生產(chǎn)率， 分類匯總后的結(jié)果如表1所示。由表1可知， 2011～2020年間， 我國商業(yè)銀行全要素生產(chǎn)率的整體平均數(shù)值為1.0037， 表明整體效率有所提升。但由于商業(yè)銀行體系較為陳舊， 改革力度較小， 以及受到金融科技的沖擊， 并沒有表現(xiàn)出強(qiáng)勢的持續(xù)增長態(tài)勢， 而是呈平緩波動性調(diào)整。

從不同類型商業(yè)銀行全要素生產(chǎn)率的測算結(jié)果來看， 大型國有商業(yè)銀行在金融科技發(fā)展初期表現(xiàn)良好， 整體效率增長情況超過股份制商業(yè)銀行和城市商業(yè)銀行， 這與其良好的改革政策、 示范帶頭效應(yīng)和技術(shù)層面的引進(jìn)有關(guān)； 但是其后期的效率增長不明顯， 主要是因?yàn)槠浯嬖谫Y產(chǎn)規(guī)模龐大、 創(chuàng)新激勵(lì)機(jī)制不健全、 管理決策延遲等問題， 造成銀行自主進(jìn)行技術(shù)創(chuàng)新的動力不足、 人員流失嚴(yán)重、 技術(shù)溢出的吸收能力不足。股份制商業(yè)銀行不斷進(jìn)行業(yè)務(wù)創(chuàng)新和多元化發(fā)展， 通過人員流動和示范效應(yīng)， 使得其技術(shù)溢出吸收能力在近幾年略高于國有商業(yè)銀行。城市商業(yè)銀行全要素生產(chǎn)率相對較高， 近幾年也在不斷發(fā)展， 其與金融科技企業(yè)服務(wù)對象相似， 更容易吸收優(yōu)質(zhì)示范效應(yīng)。城市商業(yè)銀行由于經(jīng)營規(guī)模較小、 體制靈活， 抵制技術(shù)創(chuàng)新沖擊的能力較弱， 迫切需要進(jìn)行數(shù)字化轉(zhuǎn)型改革， 因此其全要素生產(chǎn)率的提升效果更加明顯。

2. 核心解釋變量：金融科技（FT）。由于金融科技近年來才發(fā)展為金融領(lǐng)域的熱點(diǎn)， 其測算沒有統(tǒng)一標(biāo)準(zhǔn)。相關(guān)文獻(xiàn)使用的金融科技指數(shù)衡量方法大致分為三類：文本挖掘法、 北京大學(xué)數(shù)字普惠金融指數(shù)、 以第三方支付和線上支付交易量等作為替代指標(biāo)。本文借鑒沈悅和郭品（2015）、 汪可等（2017）、 李春濤等（2020）、 王小華等（2022）的做法， 采用文本挖掘法， 通過爬蟲技術(shù)構(gòu)建金融科技發(fā)展指數(shù)（FT）。該方法的優(yōu)勢在于， 能夠全面地覆蓋金融科技的各個(gè)維度， 保證各維度數(shù)據(jù)性質(zhì)的統(tǒng)一與穩(wěn)定。具體做法如下：

首先， 由于金融科技的金融屬性， 其在支付清算結(jié)算、 信貸融資、 投資管理、 資源配置等方面很大程度地影響了傳統(tǒng)金融業(yè)。據(jù)此， 基于支付、 清算和結(jié)算， 信貸、 存款和融資， 投資管理， 資源配置四個(gè)維度構(gòu)建關(guān)鍵詞詞庫， 并選出其中具有代表性的關(guān)鍵詞。與以往學(xué)者基于金融IT階段、 互聯(lián)網(wǎng)金融階段構(gòu)建的關(guān)鍵詞詞庫相比， 本文選取的人工智能等關(guān)鍵詞囊括了金融科技3.0階段的最新特性， 最終得到如表2所示的金融科技關(guān)鍵詞詞庫。

其次， 利用爬蟲技術(shù)， 得到年度詞頻。本文爬取的數(shù)據(jù)分析平臺為百度指數(shù)， 這是由于百度搜索是目前我國應(yīng)用最廣泛的搜索引擎， 在一定程度上反映了人們對金融科技的關(guān)注。通過每個(gè)指標(biāo)的日搜索詞頻， 可以得到年度詞頻。

最后， 利用主成分分析法得到金融科技發(fā)展指數(shù)。通過計(jì)算商業(yè)銀行全要素生產(chǎn)率和各個(gè)關(guān)鍵詞詞頻的相關(guān)系數(shù)（如表2所示）， 選取相關(guān)性大于0.3的關(guān)鍵詞進(jìn)行主成分分析， 按照方差貢獻(xiàn)率合成各維度指數(shù)和金融科技發(fā)展指數(shù)， 指數(shù)變化趨勢如圖2所示。綜合來看， 各維度指數(shù)均基本保持上升的趨勢， 其中支付、 清算和結(jié)算維度指數(shù)的變化幅度較大， 而金融科技發(fā)展指數(shù)由于受到各維度的影響， 趨勢較為平穩(wěn)。從2018年以后， 我國金融科技發(fā)展速度明顯放緩， 主要受到市場空間收窄、 監(jiān)管政策趨嚴(yán)等因素的影響。金融監(jiān)管體系的完善有利于減輕金融科技發(fā)展過程中存在的非法集資和龐氏騙局等野蠻生長問題， 從而緩解金融科技對商業(yè)銀行效率的沖擊， 弱化擠出效應(yīng)， 可能帶來技術(shù)溢出效應(yīng)的不斷增強(qiáng)。

3. 控制變量。商業(yè)銀行的效率還會受到宏觀因素和微觀因素的影響。宏觀層面因素主要為宏觀經(jīng)濟(jì)水平， 以貨幣供應(yīng)量（M2）的增長率（MS）衡量。微觀層面因素包括商業(yè)銀行的風(fēng)險(xiǎn)承受能力、 資產(chǎn)配置能力和成本管控能力， 其中銀行風(fēng)險(xiǎn)承受能力用資本充足率（CAR）衡量， 銀行資產(chǎn)配置能力用存貸比（LDR）衡量， 銀行成本管控能力用非利息收入占比（NPR）， 即凈利潤/總收入衡量。

4. 轉(zhuǎn)換變量。本文選擇衡量金融科技發(fā)展水平的變量作為轉(zhuǎn)換變量， 具體包括金融科技發(fā)展指數(shù)（FT）、 金融科技企業(yè)融資總額（FCT）和金融科技機(jī)構(gòu)新增數(shù)量（NFTC）。從金融科技關(guān)注度的角度分析， 隨著金融科技發(fā)展指數(shù)的不斷增大， 當(dāng)其超過一定閾值時(shí)， 由于商業(yè)銀行的吸收和學(xué)習(xí)能力不斷增強(qiáng)， 可能會對商業(yè)銀行全要素生產(chǎn)率產(chǎn)生先抑制后促進(jìn)的影響。相關(guān)非線性模型研究一般使用解釋變量作為轉(zhuǎn)換變量。選擇金融科技企業(yè)融資總額作為轉(zhuǎn)換變量， 是從金融科技投融資方角度進(jìn)行的考慮， 在金融科技發(fā)展初期， 由于行業(yè)監(jiān)管寬松， 金融科技領(lǐng)域的融資總額快速增加， 有利于提高金融科技企業(yè)跨界業(yè)務(wù)整合能力及科技創(chuàng)新能力， 提高市場競爭力， 其對商業(yè)銀行全要素生產(chǎn)率可能存在先抑制后促進(jìn)的影響； 隨著監(jiān)管趨嚴(yán)以及市場環(huán)境的變化， 金融科技行業(yè)邊際投資收益遞減， 金融科技融資總額不斷降低， 可能會再次出現(xiàn)抑制商業(yè)銀行全要素生產(chǎn)率的情況。從金融科技企業(yè)發(fā)展的角度來看， 選擇金融科技機(jī)構(gòu)新增數(shù)量作為轉(zhuǎn)換函數(shù)， 在金融科技發(fā)展初期， 金融科技機(jī)構(gòu)新增數(shù)量不斷增加， 與傳統(tǒng)商業(yè)銀行形成業(yè)務(wù)上的競爭， 隨后又通過技術(shù)溢出促進(jìn)商業(yè)銀行全要素生產(chǎn)率的提升。

具體變量的定義說明如表3所示。

（三） 模型設(shè)定

1. 面板平滑轉(zhuǎn)換模型。為探究金融科技與商業(yè)銀行全要素生產(chǎn)率的非線性關(guān)系， 可采用Hansen（1999）提出的PTR模型進(jìn)行估計(jì)和檢驗(yàn)。但該模型規(guī)定發(fā)生的突變是離散和間斷的， 存在門檻值前后的跳躍性轉(zhuǎn)換， 具有一定的局限性。因此， 本文采用González等（2005）提出的PSTR模型， 加入連續(xù)的轉(zhuǎn)換函數(shù)， 捕捉連續(xù)平滑的非線性關(guān)系， 這更符合經(jīng)濟(jì)變量之間的因果連續(xù)漸進(jìn)關(guān)系， 同時(shí)還可以捕捉面板數(shù)據(jù)的截面異質(zhì)性， 作為外生回歸的固定效應(yīng)模型。PSTR模型如下：

TFPit=μi+α01TFPit-1+α02FTt+α03MSt+α04CARit+

α05LDRit+α06NPRit+（α11TFPit-1+α12FTt+α13MSt+

α14CARit+α15LDRit+α16NPRit）×h（qit；γ，c）+εit （2）

在模型（2）中：被解釋變量TFPit為第[i]家銀行[t]時(shí)刻的全要素生產(chǎn)率； 核心解釋變量為金融科技發(fā)展指數(shù)FTt； qit為轉(zhuǎn)換變量， 分別選取金融科技發(fā)展指數(shù)（FT）、 金融科技企業(yè)融資總額（FCT）、 金融科技機(jī)構(gòu)新增數(shù)量（NFTC）作為轉(zhuǎn)換變量； γ為轉(zhuǎn)換函數(shù)的斜率， 即平滑參數(shù)， 可以通過其大小反映一種機(jī)制到另一種機(jī)制的轉(zhuǎn)換速率； c為位置參數(shù)， 即從一種機(jī)制轉(zhuǎn)到另一種機(jī)制的臨界值； h（qit；γ，c）為轉(zhuǎn)換函數(shù)。該模型允許模型參數(shù)隨轉(zhuǎn)換變量做緩慢平滑的非線性轉(zhuǎn)換。

2. 轉(zhuǎn)換函數(shù)說明。根據(jù)相關(guān)研究， 轉(zhuǎn)換函數(shù)一般采用Logistic形式：

h（qit；γ，c）={1+exp［-γ （qit-cj）］}-1，γ>0，c1≤…≤cm （3）

在模型（3）中， m為位置參數(shù)的個(gè)數(shù)， 一般取m=1或m=2。h（qit；γ，c）在0到1之間變化， 當(dāng)h（qit；γ，c）=0時(shí)， 模型處于低機(jī)制， 此時(shí)變成線性模型； 當(dāng)h（qit；γ，c）=1時(shí)， 模型處于高機(jī)制。轉(zhuǎn)換函數(shù)在0 ～ 1之間平滑轉(zhuǎn)換， 模型則在兩種機(jī)制之間平滑轉(zhuǎn)換。

3. 線性檢驗(yàn)與剩余非線性檢驗(yàn)。為判斷商業(yè)銀行全要素生產(chǎn)率與金融科技發(fā)展指數(shù)之間是否存在非線性效應(yīng)， 需要先進(jìn)行線性檢驗(yàn)“H0：r=0；H1：r=1”。由于在轉(zhuǎn)換函數(shù)h（qit；γ，c）中存在未識別干擾參數(shù)γ和c， 本文借鑒Luukkonen等（1988）的做法， 將h（qit；γ，c）在r=0處構(gòu)造一階泰勒展開式， 以檢驗(yàn)“H0：r=0；H1：r=1”。據(jù)此分別得到H0和H1假設(shè)下的殘差平方和SSR0和SSR1， 采用Colletaz和Hurlin（2006）構(gòu)造的三個(gè)檢驗(yàn)統(tǒng)計(jì)量（LM、 LMF和LRT）進(jìn)行檢驗(yàn)， 其中LM和LRT檢驗(yàn)統(tǒng)計(jì)量服從χ2（mk）分布， LMF檢驗(yàn)統(tǒng)計(jì)量近似服從F（mk，TN-N-mk）分布。三個(gè)檢驗(yàn)統(tǒng)計(jì)量的具體公式如下：

（4）

（5）

（6）

其中， N代表商業(yè)銀行個(gè)數(shù)， T為年份， k為外生變量個(gè)數(shù)。若結(jié)果拒絕線性檢驗(yàn)的原假設(shè)， 則通過非線性檢驗(yàn)， 為確定轉(zhuǎn)換函數(shù)的個(gè)數(shù)， 還需進(jìn)行剩余非線性檢驗(yàn)， 提出假設(shè)“H0：r=1；H1：r=2”。繼續(xù)構(gòu)造泰勒展開式并進(jìn)行上述三個(gè)檢驗(yàn)， 若結(jié)果拒絕原假設(shè)， 說明轉(zhuǎn)換函數(shù)的個(gè)數(shù)至少為2個(gè)， 然后繼續(xù)提出假設(shè)“H0：r=2；H1：r=3”。以此類推， 直到不再拒絕原假設(shè)， 最終確定PSTR模型最優(yōu)的轉(zhuǎn)換函數(shù)個(gè)數(shù)。

五、 實(shí)證結(jié)果分析

（一） 描述性統(tǒng)計(jì)

本文主要變量的描述性統(tǒng)計(jì)結(jié)果如表4所示。

（二） 線性檢驗(yàn)與剩余非線性檢驗(yàn)

基于上文構(gòu)建的PSTR模型②， 按照其檢驗(yàn)步驟首先進(jìn)行線性檢驗(yàn)（H0：r=0）， 如果拒絕原假設(shè)， 則認(rèn)為具有非線性關(guān)系， 需要繼續(xù)進(jìn)行剩余非線性檢驗(yàn)（H0：r=1）， 直到無法拒絕原假設(shè)， 最終確定轉(zhuǎn)換函數(shù)的個(gè)數(shù)。表5中的線性檢驗(yàn)結(jié)果顯示， 在1%的置信水平下， 三個(gè)檢驗(yàn)均顯著拒絕原假設(shè)， 說明隨著金融科技發(fā)展指數(shù)、 金融科技企業(yè)融資總額、 金融科技機(jī)構(gòu)新增數(shù)量的變化， 商業(yè)銀行全要素生產(chǎn)率與金融科技之間呈現(xiàn)非線性關(guān)系。在剩余非線性檢驗(yàn)中， 三個(gè)檢驗(yàn)均無法拒絕原假設(shè)（H0：r=1）， 說明在三個(gè)不同轉(zhuǎn)換變量模型中， 均只存在1個(gè)最優(yōu)轉(zhuǎn)換函數(shù)。

（三） 確定最優(yōu)位置參數(shù)個(gè)數(shù)的檢驗(yàn)

為確定最優(yōu)位置參數(shù)的個(gè)數(shù)， 計(jì)算m=1和m=2時(shí)對應(yīng)的AIC值和BIC值， 根據(jù)AIC和BIC準(zhǔn)則， 選擇數(shù)值較小的模型， 得到表6所示的結(jié)果。根據(jù)結(jié)果對比可知， m=1時(shí)三個(gè)轉(zhuǎn)換變量模型的AIC值和BIC值均小于m=2時(shí)的數(shù)值， 因此只存在一個(gè)最優(yōu)位置參數(shù)。這個(gè)結(jié)論與Colletaz和Hurlin（2006）、 王欣和姚洪興（2017）提出的較少的機(jī)制個(gè)數(shù)足以反映PSTR模型截面以及時(shí)間的一致性結(jié)論保持一致。

（四） PSTR模型估計(jì)結(jié)果分析

借鑒Colletaz和Hurlin（2006）的研究， 對模型（2）進(jìn)行估計(jì)， 結(jié)果如表7所示。根據(jù)表7中的結(jié)果， 下文分別討論金融科技發(fā)展指數(shù)、 金融科技企業(yè)融資總額、 金融科技機(jī)構(gòu)新增數(shù)量和相關(guān)控制變量對商業(yè)銀行全要素生產(chǎn)率的影響。

表7第（1）列以金融科技發(fā)展指數(shù)作為轉(zhuǎn)換變量， 首先α02+α12>0（線性部分FT的系數(shù)-0.3583與非線性部分FT的系數(shù)0.3809之和大于0）， 并且顯著， 說明金融科技對商業(yè)銀行全要素生產(chǎn)率呈現(xiàn)出促進(jìn)作用。當(dāng)h=0時(shí)， 金融科技發(fā)展指數(shù)處于低機(jī)制狀態(tài)（FT≤0.1730）， 金融科技對商業(yè)銀行全要素生產(chǎn)率的線性影響系數(shù)為-0.3583， 呈現(xiàn)出抑制作用； 當(dāng)h=1時(shí)， 金融科技發(fā)展指數(shù)處于高機(jī)制狀態(tài)（FT>0.1730）， 金融科技對商業(yè)銀行全要素生產(chǎn)率的抑制作用被有效減弱并轉(zhuǎn)變?yōu)榇龠M(jìn)作用。其次， 轉(zhuǎn)換函數(shù)的平滑參數(shù)為16.0531， 說明轉(zhuǎn)換函數(shù)隨金融科技發(fā)展水平的提高從低機(jī)制到高機(jī)制的變化相對適中③。這一結(jié)論與我國近幾年的情況相符。金融科技發(fā)展早期， 自身尚存在發(fā)展阻礙， 其對商業(yè)銀行的技術(shù)溢出效應(yīng)主要體現(xiàn)在競爭效應(yīng)上； 隨著金融科技發(fā)展水平的提高， 其對商業(yè)銀行的示范效應(yīng)逐步增強(qiáng)， 商業(yè)銀行更加注重二者的耦合作用， 從而促進(jìn)全要素生產(chǎn)率的提升。最后， 就樣本區(qū)間來看， 2013年以后金融科技發(fā)展指數(shù)均跨越了門檻值， 即近年來商業(yè)銀行正在逐步吸收金融科技所帶來的技術(shù)溢出， 其自身研發(fā)能力和創(chuàng)造能力不斷增強(qiáng)， 從而使全要素生產(chǎn)率不斷提高。

表7第（2）列以金融科技企業(yè)融資總額作為轉(zhuǎn)換變量， α02+α12>0（線性部分FT的系數(shù)-0.1739與非線性部分FT的系數(shù)0.1818之和大于0）， 并且顯著， 說明金融科技對傳統(tǒng)商業(yè)銀行全要素生產(chǎn)率總體上呈現(xiàn)出促進(jìn)作用。該轉(zhuǎn)換函數(shù)的平滑參數(shù)為0.5097， 可見轉(zhuǎn)換函數(shù)隨金融科技企業(yè)融資總額的變化同樣發(fā)生緩慢變化。與金融科技發(fā)展指數(shù)作為轉(zhuǎn)換變量情況下的變化趨勢略有不同， 此時(shí)金融科技對商業(yè)銀行全要素生產(chǎn)率的影響呈現(xiàn)出“抑制—促進(jìn)—抑制”的變化趨勢。這也與實(shí)際情況相符， 金融科技企業(yè)融資總額在一定程度上反映了金融科技發(fā)展水平， 其值越大， 金融科技發(fā)展水平越高。在本文所選時(shí)間窗口上： 2015年以后金融科技企業(yè)融資總額超過了238.3227億元， 表明2015年以后金融科技企業(yè)融資總額對商業(yè)銀行全要素生產(chǎn)率的正向技術(shù)溢出效應(yīng)顯著； 2018年金融科技企業(yè)融資規(guī)模達(dá)到頂點(diǎn)， 2019年出現(xiàn)斷崖式下降， 降到門檻值238.3227億元以下， 2020年受到疫情以及行業(yè)監(jiān)管政策的影響， 金融科技企業(yè)融資總額達(dá)到最低值， 2021年后才出現(xiàn)反彈。

表7第（3）列以金融科技機(jī)構(gòu)新增數(shù)量作為轉(zhuǎn)換變量， 當(dāng)金融科技機(jī)構(gòu)新增數(shù)量跨過門檻值時(shí)， 金融科技的影響逐漸從低機(jī)制狀態(tài)向高機(jī)制狀態(tài)轉(zhuǎn)換， 金融科技對商業(yè)銀行全要素生產(chǎn)率呈現(xiàn)出先抑制后促進(jìn)的作用， 最終表現(xiàn)為促進(jìn)作用的趨勢， 與預(yù)期相符。除此之外， 從2013年開始金融科技機(jī)構(gòu)新增數(shù)量均超過了位置參數(shù)191.2980， 表現(xiàn)出正向促進(jìn)作用。

表7第（1）列、 第（2）列和第（3）列中控制變量表現(xiàn)出的變化趨勢基本一致。M2增長率（MS）對商業(yè)銀行全要素生產(chǎn)率的影響系數(shù)由負(fù)變正， 且α03+α13>0， 說明總體來看宏觀經(jīng)濟(jì)水平的提升有利于商業(yè)銀行全要素生產(chǎn)率的提高。這也與商業(yè)銀行的順周期性相吻合。當(dāng)經(jīng)濟(jì)處于繁榮時(shí)期時(shí)， 投資增加， 貨幣需求增加， 銀行利息收入增加， 同時(shí)不良貸款率下降， 企業(yè)償付能力提升， 使得整個(gè)銀行業(yè)的全要素生產(chǎn)率提高， 反之則降低。

資本充足率（CAR）對商業(yè)銀行全要素生產(chǎn)率的影響系數(shù)由正變負(fù)， 且α04+α14＜0。當(dāng)金融科技發(fā)展程度較低時(shí)， 資本充足率對商業(yè)銀行全要素生產(chǎn)率有正向促進(jìn)作用； 隨著金融科技的不斷發(fā)展， 商業(yè)銀行全要素生產(chǎn)率的提升更加依賴于對技術(shù)的需求， 而不是對資本的需求。

存貸比（LDR）對商業(yè)銀行全要素生產(chǎn)率的影響系數(shù)總體為負(fù)， α05+α15＜0， 可以看出， 商業(yè)銀行資產(chǎn)配置能力越強(qiáng)， 其全要素生產(chǎn)率越高。當(dāng)模型處于低機(jī)制， 即金融科技發(fā)展水平較低時(shí)， 商業(yè)銀行資產(chǎn)配置能力對全要素生產(chǎn)率的影響較大； 而金融科技發(fā)展到高機(jī)制水平后， 其對商業(yè)銀行全要素生產(chǎn)率的技術(shù)溢出效應(yīng)在不斷增加， 商業(yè)銀行自身資源配置能力的影響程度降低。

非利息收入占比（NPR）對商業(yè)銀行全要素生產(chǎn)率的影響系數(shù)總體為正， α06+α16>0。金融科技對傳統(tǒng)商業(yè)銀行的示范效應(yīng)超過競爭效應(yīng)， 商業(yè)銀行的創(chuàng)新能力也在不斷發(fā)展以提高其全要素生產(chǎn)率。

（五） 穩(wěn)健性檢驗(yàn)

為確保上述結(jié)果具有可靠性， 本文進(jìn)行了如下穩(wěn)健性檢驗(yàn)：

首先， 依次采用支付清算結(jié)算指數(shù)、 信貸融資指數(shù)、 投資管理指數(shù)、 資源配置指數(shù)作為金融科技發(fā)展指數(shù)的替代變量， 發(fā)現(xiàn)檢驗(yàn)結(jié)果趨于穩(wěn)定（限于篇幅， 具體結(jié)果已省略）。如以FT為轉(zhuǎn)換變量的情況下， 替換變量后得到的對應(yīng)門檻值分別為0.1432、 0.1651、 0.1721、 0.2338， 各變量的變化趨勢與表7基本一致。

其次， 改變樣本容量， 采用2011 ～ 2017年的數(shù)據(jù)進(jìn)行實(shí)證研究， 以FT、 CTF、 NFTC為轉(zhuǎn)換變量的情況下， 得到的門檻值分別為0.1321、 243.4381、 189.5327。由此可以看出， 金融科技和商業(yè)銀行全要素生產(chǎn)率之間的非線性關(guān)系具有穩(wěn)定性。

六、 結(jié)論與建議

（一） 結(jié)論

本文基于技術(shù)溢出理論， 首先運(yùn)用無導(dǎo)向DEA—Malmquist指數(shù)模型對具有代表性的26家商業(yè)銀行全要素生產(chǎn)率進(jìn)行測度， 然后通過網(wǎng)絡(luò)爬蟲技術(shù)和主成分分析法構(gòu)建金融科技發(fā)展指數(shù)， 最后采用PSTR模型對金融科技發(fā)展指數(shù)和商業(yè)銀行全要素生產(chǎn)率之間的非線性關(guān)系進(jìn)行探究。結(jié)論如下：第一， 金融科技對商業(yè)銀行全要素生產(chǎn)率具有非線性影響。隨著金融科技的發(fā)展， 其對商業(yè)銀行全要素生產(chǎn)率的抑制作用逐漸減弱， 最終轉(zhuǎn)換為促進(jìn)作用， 有利于商業(yè)銀行逐步實(shí)現(xiàn)技術(shù)進(jìn)步。第二， 從時(shí)間范圍來看， 自2015年開始金融科技發(fā)展指數(shù)均跨越門檻值且逐年上升， 反映出近年來金融科技所表現(xiàn)出的技術(shù)溢出不斷被商業(yè)銀行吸收， 使商業(yè)銀行逐步調(diào)整為自身最優(yōu)狀態(tài)。第三， 隨著金融科技的不斷發(fā)展， 傳統(tǒng)商業(yè)銀行的資本等對其全要素生產(chǎn)率的影響有所減弱， 轉(zhuǎn)為更加依賴技術(shù)進(jìn)步所帶來的溢出效應(yīng)。

（二） 建議

基于以上實(shí)證研究結(jié)果， 本文提出以下三點(diǎn)建議：

1. 商業(yè)銀行提升技術(shù)水平和技術(shù)應(yīng)用能力， 充分發(fā)揮金融科技技術(shù)溢出效應(yīng)， 推動銀行數(shù)字化轉(zhuǎn)型。一方面， 商業(yè)銀行可以通過設(shè)立金融科技子公司等方式， 加大核心技術(shù)自主研發(fā)力度， 縮小技術(shù)差距， 提高金融科技利用率， 增強(qiáng)獲客和展業(yè)能力； 另一方面， 商業(yè)銀行需加強(qiáng)與金融科技公司的多渠道深入合作， 形成金融科技生態(tài)系統(tǒng)。商業(yè)銀行本身掌握著較為全面的客戶信息數(shù)據(jù)， 若其能更好地掌握金融科技公司所擁有的完備數(shù)據(jù)分析能力， 更有效率地提取相應(yīng)信息并進(jìn)行分析， 則其成本將會大大降低， 從而更有利于全要素生產(chǎn)率的提升。對于以上兩種技術(shù)創(chuàng)新模式的選擇， 可以根據(jù)不同類型商業(yè)銀行的自身?xiàng)l件、 人才隊(duì)伍建設(shè)、 創(chuàng)新成本等方面進(jìn)行綜合衡量。

2. 金融科技企業(yè)堅(jiān)持優(yōu)勢， 加強(qiáng)前沿技術(shù)的研發(fā)， 控制好自身風(fēng)險(xiǎn)。金融科技企業(yè)最大的優(yōu)勢就是利用技術(shù)的不斷創(chuàng)新來形成數(shù)據(jù)生態(tài)系統(tǒng)， 以便進(jìn)行科學(xué)決策， 實(shí)現(xiàn)技術(shù)升級。與此同時(shí)， 技術(shù)帶來的潛在風(fēng)險(xiǎn)日趨復(fù)雜， 因此金融科技企業(yè)更應(yīng)該提高自身風(fēng)險(xiǎn)應(yīng)對能力， 警惕技術(shù)風(fēng)險(xiǎn)的交叉?zhèn)魅緦?dǎo)致商業(yè)銀行過度的風(fēng)險(xiǎn)承擔(dān)， 協(xié)助商業(yè)銀行優(yōu)化信用風(fēng)險(xiǎn)控制模型， 完善征信體系建設(shè)， 提升風(fēng)險(xiǎn)識別和預(yù)警能力， 更好地推進(jìn)金融科技服務(wù)發(fā)展。

3. 政府充分認(rèn)識金融科技公司和商業(yè)銀行的耦合作用， 調(diào)整監(jiān)管力度和范圍。一方面， 政府應(yīng)促進(jìn)二者在保持競爭的同時(shí)更加注重合作， 促使整個(gè)金融業(yè)健康發(fā)展； 另一方面， 由于技術(shù)創(chuàng)新， 傳統(tǒng)商業(yè)銀行的生存壓力增大， 政府需規(guī)范金融科技服務(wù)中新技術(shù)的應(yīng)用， 進(jìn)行謹(jǐn)慎監(jiān)管來降低風(fēng)險(xiǎn)。政府應(yīng)該加快完善監(jiān)管體制改革， 優(yōu)化監(jiān)管工具， 提升監(jiān)管的數(shù)字化水平， 平衡創(chuàng)新和審慎監(jiān)管， 為金融科技和商業(yè)銀行的競合發(fā)展提供良性的制度環(huán)境。

【 注 釋 】

① 5家國有商業(yè)銀行為中國銀行、中國農(nóng)業(yè)銀行、中國工商銀行、中國建設(shè)銀行、中國交通銀行，8家股份制商業(yè)銀行為中信銀行、招商銀行、浦發(fā)銀行、興業(yè)銀行、光大銀行、平安銀行、華夏銀行、民生銀行，13家城市商業(yè)銀行為北京銀行、常熟銀行、成都銀行、杭州銀行、江蘇銀行、江陰銀行、南京銀行、寧波銀行、上海銀行、無錫銀行、長沙銀行、鄭州銀行、貴陽銀行。

② 為避免偽回歸問題，在進(jìn)行線性檢驗(yàn)之前，對面板數(shù)據(jù)進(jìn)行了平穩(wěn)性檢驗(yàn)，各個(gè)變量的一階差分序列均平穩(wěn)，不存在單位根。由于篇幅限制，相關(guān)結(jié)果已省略，如有需要請聯(lián)系作者。

③ 由于篇幅限制，對于轉(zhuǎn)換函數(shù)與轉(zhuǎn)換變量的圖形，如需要相關(guān)結(jié)果請聯(lián)系作者。

【 主 要 參 考 文 獻(xiàn) 】

卜亞，張倩．金融科技對商業(yè)銀行效率的影響研究——基于技術(shù)溢出視角的分析［ J］．經(jīng)濟(jì)論壇，2021（5）：37 ～ 49．

金春雨，王偉強(qiáng)．FDI對我國高技術(shù)產(chǎn)業(yè)技術(shù)溢出的非線性效應(yīng)——基于13個(gè)細(xì)分行業(yè)內(nèi)資企業(yè)和外資企業(yè)面板數(shù)據(jù)的實(shí)證檢驗(yàn)［ J］．產(chǎn)經(jīng)評論，2016（5）：41 ～ 50．

林彧，鐘俊濱，李鎮(zhèn)南．大數(shù)據(jù)時(shí)代下金融科技對商業(yè)銀行效率的影響——基于文本挖掘與DEA-Malmquist指數(shù)的分析［ J］．科技創(chuàng)新發(fā)展戰(zhàn)略研究，2020（4）：1 ～ 9．

劉孟飛，蔣維，王琦．金融科技、技術(shù)進(jìn)步與銀行業(yè)全要素生產(chǎn)率增長［ J］．華南理工大學(xué)學(xué)報(bào)（社會科學(xué)版），2021（3）：32 ～ 44．

劉孟飛，蔣維．金融科技促進(jìn)還是阻礙了商業(yè)銀行效率？——基于中國銀行業(yè)的實(shí)證研究［ J］．當(dāng)代經(jīng)濟(jì)科學(xué)2020（3）：56 ～ 68．

孟娜娜，粟勤．?dāng)D出效應(yīng)還是鯰魚效應(yīng)：金融科技對傳統(tǒng)普惠金融影響研究［ J］．現(xiàn)代財(cái)經(jīng)（天津財(cái)經(jīng)大學(xué)學(xué)報(bào)），2020（1）：56 ～ 70．

邱晗，黃益平，紀(jì)洋．金融科技對傳統(tǒng)銀行行為的影響——基于互聯(lián)網(wǎng)理財(cái)?shù)囊暯牵?J］．金融研究，2018（11）：17 ～ 29．

沈悅，郭品．互聯(lián)網(wǎng)金融、技術(shù)溢出與商業(yè)銀行全要素生產(chǎn)率［ J］．金融研究，2015（3）：160 ～ 175．

孫潔．談互聯(lián)網(wǎng)金融、技術(shù)溢出與商業(yè)銀行全要素生產(chǎn)率［ J］．商場現(xiàn)代化，2017（19）：113 ～ 114．

田新民，張志強(qiáng)．金融科技、資源配置效率與經(jīng)濟(jì)增長——基于中國金融科技門檻作用的分析［ J］．統(tǒng)計(jì)與信息論壇，2020（7）：25 ～ 34．

汪可，吳青，李計(jì)．金融科技與商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)——基于中國銀行業(yè)的實(shí)證分析［ J］．管理現(xiàn)代化，2017（6）：100 ～ 104．

王華，祝樹金，賴明勇．技術(shù)差距的門檻與FDI技術(shù)溢出的非線性——理論模型及中國企業(yè)的實(shí)證研究［ J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2012（4）：3 ～ 18．

王小華，鄧曉雯，周海洋．金融科技對商業(yè)銀行經(jīng)營績效的影響：促進(jìn)還是抑制？［ J］．改革，2022（8）：141 ～ 155．

王秀意．金融科技與上市商業(yè)銀行全要素生產(chǎn)率的研究——基于三階段SBM-DEA模型［ J］．技術(shù)經(jīng)濟(jì)，2022（8）：34 ～ 46．

吳書勝，李斌．中國對外直接投資逆向技術(shù)溢出非線性效應(yīng)研究——基于面板平滑轉(zhuǎn)換模型的實(shí)證分析［ J］．世界經(jīng)濟(jì)研究，2015（9）：74 ～ 85+128．

熊健，張曄，董曉林．金融科技對商業(yè)銀行經(jīng)營績效的影響：擠出效應(yīng)還是技術(shù)溢出效應(yīng)？［ J］．經(jīng)濟(jì)評論，2021（3）：89 ～ 104．

楊傲，王力．互聯(lián)網(wǎng)金融技術(shù)溢出對商業(yè)銀行效率提升的影響研究［ J］．北京化工大學(xué)學(xué)報(bào)（社會科學(xué)版），2019（1）：23 ～ 29+47．

岳華，王海燕，陳欣媛．金融科技與商業(yè)銀行盈利能力：沖擊抑或助推？——基于銀行財(cái)報(bào)文本挖掘的實(shí)證檢驗(yàn)［ J］．東南大學(xué)學(xué)報(bào)（哲學(xué)社會科學(xué)版），2022（4）：70 ～ 81+147．

鐘娟，張慶亮．金融市場發(fā)展對中國FDI技術(shù)溢出效應(yīng)的影響及其門檻效應(yīng)檢驗(yàn)［ J］．財(cái)貿(mào)研究，2010（5）：98 ～ 104．

Colletaz G.， Hurlin I.. Threshold Effects of the Public Capital Productivity： An International Panel Smooth Transition Approach［R］． Document de Recherche du Laboratoire d'économie d'Orléans，2006．

F?re R.， Grosskopf S.， Norris M.， Zhang Z.. Productivity Growth， Technical Progress， and Efficiency Change in Industrialized Countries［ J］． American Economic Review， 1994（1）：66 ～ 83．

González A.， Ter?svirta T.， Dijk D.V.. Panel Smooth Transition Regression Models［R］． SSE/EFI Working Paper Series in Economics and Finance，2005．

Hansen B. E.. Threshold Effects in Non-dynamic Panels： Estimation， Tes-ting and Inference［ J］． Journal of Econometrics，1999（2）：345 ～ 368．

Luukkonen R.， Saikkonen P.， Ter?svirta T.. Testing Linearity Against Smooth Transition Autoregression［ J］． Biometrika，1988（3）：491 ～ 499．

Philippon T.. The Fintech Opportunity［R］． National Bureau of Economic Research Working Paper，2016．