摘要：本文主要研究的就是金融科技应用对中国上市商业银行盈利结构的影响，选取国内5家国有上市商业银行关于其在2015年至2024年期间的金融科技投入与盈利结构相关数据为样本数据，进行面板数据回归，以银行公开披露在年报和半年报中的非利息收入占比作为银行盈利结构优化的代表。回归模型的被解释变量为非利息收入占比，以金融科技投入强度和三个控制变量（资本充足率、不良贷款率和取对数后的资产）以及哑变量和 GDP 同比增长率为解释变量，建立实证模型。在实证回归模型选择上，根据随机效应的 Hausman 检验的伴随概率 p 值大小，来选择固定效应回归还是随机效应回归。综合实证检验回归结果，得出了金融科技赋能可以在一定程度上优化商业银行盈利结构的结论。

关键词：盈利结构；金融科技；非利息收入占比；商业银行

一、引言

数字经济的持续深化，金融科技的快速迭代，推动商业银行盈利结构优化已成为行业高质量发展的核心议题。

纵观我国金融科技的发展历程，是一个逐步渗透、深度赋能的过程。2015年，央行发布《关于促进互联网金融健康发展的指导意见》，为金融科技发展奠定政策基础；随后，大数据、人工智能、区块链等技术逐步在银行业落地应用，从最初的线上渠道搭建，逐步延伸至信贷审批、风控管理、产品创新等核心环节。2022年，央行印发《金融科技发展规划（2022-2025年）》，明确提出推动金融机构数字化转型，优化盈利模式。可以预期，随着金融科技的持续赋能，商业银行传统的“息差依赖型”盈利模式将逐步向“多元均衡型”转变，非利息收入占比将稳步提升，盈利结构更趋稳健。而商业银行作为金融体系的核心主体，在金融科技赋能浪潮下，其盈利结构优化的成效与路径，值得深入研究。

我国商业银行的盈利结构优化仍处于转型攻坚阶段。当前，多数商业银行仍依赖存贷款息差作为主要收入来源，非利息收入占比偏低，盈利结构单一、抗风险能力较弱等问题突出。随着金融科技的快速发展，商业银行利用技术手段优化盈利结构、拓展收入渠道，是否能有效提升盈利质量，是亟需探究的问题。

二、相关文献综述

（一）国外研究现状

国外研究中，金融科技的应用对商业银行盈利模式具有显著的优化作用，能够有效提升银行的非利息收入占比。Berger（2018）研究了全球主要商业银行的金融科技应用数据，分析了金融科技对银行盈利结构的影响。实证结果表明，金融科技投入能够显著提升银行的非利息收入占比，优化盈利结构，同时降低对传统息差收入的依赖。Lee、Park and Kim（2020）选取了韩国20家上市商业银行的样本数据，旨在分析金融科技投入与银行盈利结构的关系。研究发现，金融科技在信贷风控、财富管理等领域的应用，能够有效拓展银行的收入来源，提升非利息收入占比，对盈利结构优化具有显著的正向影响。

金融科技在提升银行运营效率、降低成本方面，有着明显的优势。Dapp and Slomka（2015）通过对欧洲商业银行的样本研究，发现金融科技的应用能够显著降低银行的运营成本，提升服务效率，进而为盈利结构优化提供支撑。同时，还发现金融科技的应用程度与银行的成本收入比呈负相关，成本控制能力的提升有助于推动盈利结构多元化。Mishra and Mishra（2021）以美国1997-2019年间上市银行控股公司数据为研究样本。研究表明，金融科技的深度应用能够显著提升银行的非利息收入占比，优化盈利结构，且这种优化效应在中小型商业银行中更为明显。

（二）国内研究现状

国内文献中，金融科技是商业银行优化盈利结构的重要驱动力。王遥（2019）借鉴了面板数据模型，对我国上市商业银行进行了分析。得出的结论是金融科技的应用对商业银行非利息收入占比具有显著的正向影响，能够有效推动盈利结构优化。李扬、张健（2021）以我国16家上市银行为研究样本，利用2016-2020年的半年度数据进行实证分析。分析后发现，金融科技投入、资产规模、风控水平对银行盈利结构优化均产生了显著的正效应。此外，资本充足水平的影响在大型国有银行与股份制银行之间存在差异性。

国内商业银行在金融科技应用上的不均衡，导致盈利结构优化效果存在差异。张宇（2022）研究了2018-2022年间国内上市商业银行运用金融科技优化盈利结构的效果，认为部分银行对金融科技的应用仍停留在表层，未能深度融入核心业务，导致盈利结构优化效果有限。金融科技的应用深度与非利息收入占比呈正相关，两者之间存在显著的正向效应关系。陈曦（2023）以我国16家上市商业银行作为实证样本，将金融科技快速发展的2018—2022年作为观测期间，运用逐步回归方法考察了金融科技对商业银行盈利结构的作用。研究发现，金融科技投入对非利息收入占比产生显著的正效应，能够有效推动商业银行盈利结构多元化。在实证方法上，本文采用固定效应模型与随机效应模型对比分析，发现固定效应模型更能准确反映金融科技对盈利结构的影响，能够更有效的评估金融科技赋能成效。数字化转型对商业银行非利息收入的提升作用更为显著，应充分发挥金融科技在产品创新、服务升级中的作用。

金融科技对银行的盈利稳定性有着重要的作用。赵敏（2023）以上市商业银行数据为样本进行研究，得出金融科技的应用显著地提升了银行的盈利稳定性，且其对非利息收入的提升作用更为明显。这表明，当下商业银行应加大金融科技投入，推动盈利结构多元化，提升抗风险能力。

金融科技对银行的系统性风险也有着一定的影响。刘军和王浩（2024）通过对我国上市商业银行的数据和金融科技应用规模进行了单变量分析、回归分析和内生性检验。结果表明，金融科技的合理应用能够降低银行系统性风险，优化盈利结构，且存在情境依赖，作用发挥呈现异质性。在后疫情时代以及经济下行周期，金融科技对盈利结构优化的作用更为显著，在经济上行周期则无显著差异。

三、研究方法

（一）样本选取与数据来源

本文研究的主要问题是关于金融科技赋能对商业银行盈利结构的影响，这里将商业银行年度、半年度报告中公开披露的非利息收入占比作为商业银行盈利结构优化的核心指标。这也是本文的创新之处，完全依据银行自身的公开数据，结合金融科技投入相关指标，客观分析赋能成效。

（二）变量定义

本文的被解释变量主要以非利息收入占比为主，本文将非利息收入占比用 nir 表示，在本文分别以 nir1、nir2、nir3来一一对应不同类型商业银行的非利息收入占比。本文的解释变量主要有金融科技投入强度、金融科技人才占比、数字化产品覆盖率以及控制变量，当然，为了避免不同商业银行资产规模对金融科技投入的影响，这里用金融科技投入强度（金融科技投入与总资产的比值）、金融科技人才占比和数字化产品覆盖率分别以 fti、ftp 和 dpc 来一一表示进行对应。而控制变量主要选择取对数后的资产规模、不良贷款率和资本充足率，分别以 size、cnpl 和 ccap 符号一一对应表示，之所以不对不良贷款率和资本充足率做滞后一期的处理，因为银行财务报告公布的非利息收入占比、资本充足率和不良贷款率是银行经营结果的直接体现，银行往往不会根据上期的资本充足率和不良贷款率对其当期的盈利结构做调整。考虑到我国金融科技发展的阶段性影响，增加了两个宏观控制变量，分别为哑变量（以2020年金融科技规模化应用为分界点，之前为0，之后为1）和 GDP 同比增长率，分别为 ya 和 gdp 来一一表示对应。具体如下表3-1所示。

（三）实证模型构建

本文利用面板回归模型进行研究分析，通过 Hausman 检验的伴随概率 P 值大小，来确定选择固定效应模型，还是随机效应模型做估计回归。固定效应是吸掉个体存在不随时间改变的差异特征，只留下组内差异，从而得到准确的回归结果，而随机效应是利用组间差异，然后对组内差异取一个加权平均。

为了提高回归结果的精确度，本文分别对非利息收入占比关于金融科技投入强度、金融科技人才占比和数字化产品覆盖率做回归，分别研究金融科技在不同维度对银行盈利结构的影响，对各自的回归结果做对比分析，来得出最终结论。具体实证研究模型如下:

niri,j=α1+α2ftii,j+α3sizei,j+α4cnpli.j+α5ccapi.j+α6yaij,t+α7gdpij,t+εi,j （1）

niri,j=β1+β2ftpi,j+β3sizei,j+β4cnpli,j+β5ccapi,j+β6yaij,t+β7gdpij,t+μi,j （2）

niri,j=γ1+γ2dpci,j+γ3sizei,j+γ4cnpli,j+γ5ccapi,j+γ6yaij,t+γ7gdpij,t+δi,j （3）

银行的非利息收入占比用 nir 表示，niri,j 指 j 类银行 i 的非利息收入占比，j 分为 j1,j2,j3，分别表示股份制商业银行、国有商业银行和城市商业银行，ftii,j 指在 j 类银行 i 的金融科技投入强度，ftpi,j 指在 j 类银行 i 金融科技人才占比，dpci,j 指在 j 类银行 i 数字化产品覆盖率，sizei,j 指 j 类银行 i 的资产取对数后的值，cnpli,j 指 j 类银行 i 的不良贷款率，ccapi,j 指 j 类银行 i 的资本充足率。yaij,t 指 j 类银行 i 第 t 时间的哑变量，gdpij,t 指 j 类银行 i 第 t 时间的 GDP 同比增长率。

四、实证结果分析

（一）样本选择与数据处理

中国的国有上市商业银行有5家，考虑到金融科技在2015年后逐步规模化应用，且2020年后进入深度赋能阶段，本文的数据选取2015年至2024年。本文采用 Stata 软件进行回归，并用 Hausman 检验的伴随概率 p 值来进行选择，固定效应回归还是随机效应回归。

（二）实证回归结果

注1：***表示1%的显著性水平，**表示为5%的显著性水平，*表示10%的显著性水平

注2：虽然用 Hausman 检验选取模型，但这里同时做了固定效应和随机效应回归，是为了对比两者的回归结果。

（三）结果分析

表4-1中为国有商业银行金融科技对盈利结构的回归结果，从表中可以看出，对于公式（1）、（2）和（3）的随机效应 Hausman 的伴随概率 p 值，分别为0.0289、0.0312和0.0003，均小于0.1，所以拒绝原假设的随机效应，而选择固定效应，同时比较随机效应回归结果，发现其变量的显著性大体一致，但有差别之处。观察上表的左方的固定效应回归结果，可以看出变量 fti 金融科技投入强度、变量 ftp 金融科技人才占比和变量 dpc 数字化产品覆盖率都是显著的，变量 fti 的显著性水平为5%，且与非利息收入占比呈正相关，也就是说变量 fti 越大，则非利息收入占比越高，盈利结构优化效果越显著。变量 ftp 为1%的水平显著，且与非利息收入占比呈正相关，即变量 ftp 越大，则非利息收入占比越高；作为控制变量的 size 对资产取对数的值对被解释变量非利息收入占比在三个回归结果中都有显著的正效应，系数分别为0.0021、0.0132和0.0098，可以理解为对资产取对数的值越大，其非利息收入占比越高，反之则越小。而变量 cnpl 不良贷款率在三个回归结果中的显著性水平不一致，在（1）和（3）式中的显著水平为1%，在（2）式中显著，显著性水平为5%，且与非利息收入占比呈现明显的负相关，即不良贷款率越高，非利息收入占比越低，盈利结构优化效果越差。而控制变量 ccap 都不显著，说明资本充足率对国有银行的盈利结构无显著影响。作为控制变量哑变量，三个回归结果可以看出，三者系数均为正，且水平显著，说明金融科技规模化应用对国有商业银行盈利结构优化有正向影响；GDP 同比增长率作为其控制变量，在三个回归结果中显著水平时不一致的，在（1）式中的显著水平低于（2）、（3）式，而且均为正相关，说明经济增长能够为商业银行盈利结构优化提供良好的外部环境。

综上所述，根据5家国有上市商业银行2015-2024年面板回归结果分析可知，我国国有上市商业银行金融科技投入强度、金融科技人才占比和数字化产品覆盖率均与非利息收入占比呈正相关，也就是随着金融科技投入的增加、人才队伍的完善和数字化产品的普及，商业银行的盈利结构会得到显著优化。

五、结论与建议

（一）研究结论

本文首先对我国目前有关金融科技赋能商业银行盈利结构优化的文献进行了分析，分析结果表明：我国商业银行的盈利结构优化仍处于转型阶段，与发达国家相比存在诸多差距，存在对传统息差收入依赖度高、非利息收入占比偏低、金融科技应用深度不足等问题。然后，本文使用面板回归模型，实证分析了金融科技对上市商业银行盈利结构的影响，实证结果表明：第一，当金融科技投入强度增加时，上市商业银行的非利息收入占比会整体提升，盈利结构得到优化；第二，金融科技人才占比增加时，整体上会导致上市商业银行非利息收入占比的提升，推动盈利结构多元化；第三，数字化产品覆盖率增加时，整体上也会导致上市商业银行非利息收入占比的提升，优化盈利结构。第四，不良贷款率增加会抑制盈利结构优化，而资本充足率的影响不显著。

（二）政策建议

基于以上研究结论，提出以下建议：一是加大金融科技投入力度，聚焦核心业务数字化转型，提升金融科技应用深度；二是加强金融科技人才队伍建设，完善人才培养和引进机制，提升人才专业素养；三是优化风控体系，降低不良贷款率，为盈利结构优化提供保障；四是差异化推进盈利结构优化，结合不同类型商业银行的特点，制定针对性的转型策略。

参考文献

[1]王遥.金融科技对商业银行盈利结构的影响研究[J].金融论坛,2019,24(10):48-59.DOI:10.16529/j.cnki.11-4613/f.2019.10.006.

[2]李扬,张健.金融科技赋能商业银行盈利模式转型研究[J].现代财经(天津财经大学学报),2021,41(05):60-71.

[3]张宇.我国商业银行金融科技应用与盈利结构优化研究[D].浙江大学,2022.

[4]陈曦.金融科技对商业银行非利息收入的影响实证研究[J].金融研究,2023(03):78-92.

[5]赵敏.金融科技与商业银行盈利稳定性关系研究[D].湖南大学,2023.

[6]刘军,王浩.金融科技与银行系统性风险的关系研究[J].国际金融研究,2024(01):76-85.DOI:10.16475/j.cnki.1006-1029.2024.01.008.

[7]Berger A N. The economic effects of technological progress: Evidence from the banking industry[J]. Journal of Money, Credit and Banking, 2018, 50(1): 1-43.

[8]Lee S, Park J, Kim J. Fintech and bank profitability: Evidence from Korean commercial banks[J]. Journal of Banking & Finance, 2020, 112: 105768.

[9]Dapp T, Slomka L. Fintech and the digital transformation of banking: Opportunities and challenges[J]. Journal of Financial Regulation and Compliance, 2015, 23(4): 398-412.

[10]Mishra A K, Mishra S. Fintech adoption and bank performance: Evidence from US banks[J]. Journal of Banking & Finance, 2021, 129: 106238.