为考察金融科技在商业银行绿色信贷业务对其风险承担水平的调节作用，即验证H4，构建如下双向固定效应模型（5-1）： 𝑅𝑊𝐴𝑖,𝑡=𝛿0+𝛿1𝐺𝐿𝑅𝑖,𝑡+𝛿2𝐺𝐿𝑅∗𝐹𝐼𝑁𝑖,𝑡+𝛿3𝐹𝐼𝑁𝑖,𝑡+𝛿4𝐶𝑜𝑛𝑡𝑟𝑜𝑙𝑖,𝑡+𝜇𝑖+𝑌𝑡+𝜀𝑖,𝑡 模型（5-1）
其中， 𝛿0截距项， 𝛿1为i银行第t年GLR的系数值，𝛿2为i银行第t年GLR*FIN的系数值，𝛿3为i银行第t年FIN的系数值，𝛿4为i银行第t年𝐶𝑜𝑛𝑡𝑟𝑜𝑙的系数值。
5.1.1 银行金融科技指数构建
本文构建了共6维度、共分成13组的银行金融科技指数（FIN），并据此进行后续的回归分析和异质性分析。借鉴郭娜等[139]的文本挖掘的构建方法以及张骏等[140]的构建思路，基于Python Scrapy框架开发定向爬虫系统，以32家上市银行2013—2023年社会责任报告、ESG专项报告为主要数据源，同步抓取年报、创新成果白皮书等非结构化文本，将“银行＋关键词”依次匹配，有利于提高数据的准确性。并通过机器学习以及等值赋权法等和正则表达式匹配技术等，建立动态更新的金融科技词典库，提取出各银行的社会责任年报为主提取其中涉及人工智能与智能应用、区块链与分布式技术、云计算与云架构、大数据与数据治理、线上化与开放银行、线上化与开放银行和移动化与终端交互等六大维度的金融科技关键词的词频数如表5.1所示，出现缺失的年份再次提取对应年份的各银行（ESG）专题报告相应的词频数代替，并各级指标等值赋权。
第6章 结论与建议
6.1 结论
本文依据 2013-2023 年近11年我国 32 家上市商业银行的年度绿色信贷数据和财务数据建立双向固定面板回归模型，以风险加权资产占比（RWA）作为基准回归中的被解释变量，以绿色信贷占比（GLR）作为解释变量，以绿色信贷（GREEN）为内生变量，以存贷比（LDR）和成本收入比（CS）作为机制变量，以资产规模、不良贷款拨备覆盖率、流动性比率、总资产收益率、非利息收入占比以及货币供应量增速作为实证研究中的控制变量，以银行金融科技指数为调节变量检验了银行金融科技指数的调节作用，从而研究了基于金融科技的调节作用下银行开展绿色信贷业务与其承担的风险水平的关系。另外，我们将研究的焦点集中在不同分类标准下的银行对这一过程是否存在差异的问题。
得出以下结论：基于双向固定效应模型检验，银行提高绿色信贷占比能降低商业银行风险承担水平，绿色信贷占比（GLR）每提升1个百分点，商业银行风险加权资产占比（RWA）显著下降0.268个百分点。经过稳健性检验中工具变量法（IV-2SLS）的内生性处理、增加控制变量以及缩小样本区间，核心结论保持稳健，证实了研究结果的有效性。同时对此过程的机制进行验证分析，发现绿色信贷投放可以通过抑制流动性风险、提高成本控制能力从而抑制银行承担的风险水平。另外，得出积极开展绿色信贷业务对不同分类银行产生异质性的结论。首先揭示了国有银行、系统重要性银行在发展绿色信贷方面的关键作用，即不考虑其他条件，国有银行积极性更高。最后得出通过金融科技的调节效应会加强绿色信贷业务降低商业银行承担的风险水平程度，尤其是在股份制、城商行、农商行、非系统重要性银行中起到促进作用。由于非系统重要性银行中城商行和农商行数量较多，进一步得出了对城商行和农商行影响更大的结论。即考虑金融科技的调节作用下，得出城商行和农商行的积极性更强的结论。
参考文献（略）
