摘要：商业银行是我国金融体系的核心主体，在服务实体经济、优化资源配置中发挥着关键作用。随着数字经济的快速发展，金融科技已成为商业银行转型升级的重要抓手，其投入规模与应用水平不仅影响银行的资金配置效率，更对经营绩效产生深远影响。当前，我国上市银行纷纷加大金融科技布局，但不同银行在投入力度、应用成效上存在显著差异，资金配置效率的提升效果也参差不齐。因此，探究金融科技投入、资金配置效率与商业银行经营绩效三者之间的内在关联，对于上市银行优化金融科技投入策略、提升资金配置效率、增强经营绩效具有重要的理论与实践意义。本文以我国16家上市商业银行为研究对象，选取2018-2022年五年的面板数据，系统研究金融科技投入、资金配置效率对商业银行经营绩效的影响机制。首先，梳理相关理论与现有研究成果，构建三者之间的理论分析框架；其次，选取金融科技投入强度作为核心自变量，以净资产收益率作为经营绩效的衡量指标，引入资金配置效率作为中介变量，同时选取资产规模、资本充足率等作为控制变量，运用 DEA 模型测度资金配置效率，借助 Stata17.0软件进行面板数据回归分析，验证中介效应的存在性；最后，根据实证结果得出研究结论，并提出针对性的对策建议。研究结论为：金融科技投入与商业银行经营绩效呈现显著正相关关系；金融科技投入可通过提升资金配置效率间接促进经营绩效提升，资金配置效率发挥部分中介作用；资产规模、资本充足率与经营绩效呈正相关，不良贷款率与经营绩效呈负相关。

关键词：上市银行；金融科技投入；资金配置效率；经营绩效；中介效应

国内学者围绕金融科技与商业银行经营绩效、资金配置效率的相关研究已取得丰富成果。李建军、田光宁(2020)通过对我国上市银行面板数据的实证分析，发现金融科技投入能够显著提升银行的盈利水平，且对股份制银行的促进作用强于国有大行。王健、张琳(2021)运用 DEA 模型测度上市银行资金配置效率，研究表明金融科技的应用能够有效降低资金错配程度，提升资金配置的精准性与有效性。刘畅、陈曦(2022)构建中介效应模型，验证了金融科技投入可通过优化业务结构、降低运营成本间接提升商业银行经营绩效。张敏、李刚(2023)则指出，金融科技投入对经营绩效的促进作用存在门槛效应，只有当投入规模达到一定水平时，才能充分发挥技术赋能效应。此外，也有学者提出，金融科技投入的盲目扩张可能会增加银行的运营成本与技术风险，若缺乏合理的投入规划与应用场景，反而会对经营绩效产生负面影响。

现有研究为本文提供了坚实的理论基础与研究方法参考，但仍存在一定的完善空间：多数研究仅关注金融科技投入与经营绩效的直接关系，对资金配置效率的中介作用探讨不够深入；部分研究选取的样本范围较窄，且数据时效性不足。基于此，本文选取2018-2022年我国16家上市银行的面板数据，引入资金配置效率作为中介变量，深入探究金融科技投入对商业银行经营绩效的影响路径，以期为上市银行优化金融科技投入策略、提升资金配置效率与经营绩效提供参考。

一、上市银行金融科技投入与经营现状分析

（一）上市银行样本选取与基本背景

本文选取我国16家上市商业银行为研究样本，涵盖国有六大行（工商银行、农业银行、中国银行、建设银行、交通银行、邮储银行）、8家股份制商业银行（招商银行、浦发银行、中信银行、兴业银行、民生银行、平安银行、光大银行、华夏银行）以及2家城市商业银行（上海银行、北京银行）。选取上述银行作为样本的原因在于：其一，这些银行上市时间较长，财务数据与金融科技投入数据披露较为完整、规范，能够保证数据的可获得性与真实性；其二，样本银行涵盖不同类型、不同规模的商业银行，具有较强的代表性，能够全面反映我国上市银行金融科技投入与经营绩效的整体情况。

从样本银行的基本经营情况来看，截至2022年末，16家上市银行资产总额合计达286.5万亿元，占我国商业银行资产总额的78.3%，其中工商银行资产总额突破40万亿元，位居行业首位；净利润合计达2.3万亿元，招商银行净利润增速连续多年位居股份制银行前列，展现出较强的盈利能力。在金融科技布局方面，样本银行均已将数字化转型纳入发展战略，成立专门的金融科技子公司或研发部门，如建设银行的建信金科、工商银行的工银科技等，聚焦金融科技研发与应用，推动业务模式创新与流程优化。

（二）上市银行金融科技投入现状

近年来，我国上市银行金融科技投入规模持续扩大，投入结构不断优化，从早期的技术设备采购、系统升级，逐步转向核心技术研发、场景应用创新与人才培养。从投入规模来看，国有大行凭借雄厚的资金实力，金融科技投入金额遥遥领先，2022年工商银行金融科技投入达262.24亿元，建设银行、农业银行分别为232.90亿元、232.11亿元；股份制银行与城商行虽投入金额相对较低，但投入强度（金融科技投入占营业收入的比重）较高，2022年招商银行、平安银行金融科技投入占比分别达4.37%、4.12%，上海银行、北京银行投入占比分别为4.18%、3.70%，均高于行业平均水平。

从投入方向来看，样本银行的金融科技投入主要集中在三大领域：一是核心技术研发，重点布局大数据、人工智能、区块链、云计算等前沿技术，提升自主研发能力；二是业务场景应用，将金融科技融入信贷、支付、财富管理、风险管理等核心业务，推出智能信贷审批系统、数字化财富管理平台、智能风控模型等；三是基础设施建设，完善数字金融基础设施，推进系统云化、数据中台建设，提升系统稳定性与数据处理能力。此外，样本银行还加大了金融科技人才培养与引进力度，2022年多数银行金融科技人员占比超过5%，部分股份制银行与城商行占比甚至达到10%以上。

表1展示了2018-2022年样本银行金融科技投入相关数据，能够直观反映上市银行金融科技投入的变化趋势与行业差异。

数据来源：各上市银行2018-2022年年报、Wind 数据库

从表1可以看出，2018-2022年，我国上市银行金融科技投入总额从1150.33亿元增长至1725.96亿元，年均增长率达10.8%，呈现稳步上升态势；从投入强度来看，股份制商业银行与城市商业银行的投入强度明显高于国有六大行，这主要是因为国有大行资产规模与营业收入基数较大，而股份制银行与城商行更注重通过金融科技投入实现弯道超车，提升核心竞争力。

（三）上市银行经营绩效现状

经营绩效是商业银行经营成果的集中体现，反映银行的盈利能力、运营能力与风险管控能力。本文选取净资产收益率（ROE）作为经营绩效的核心衡量指标，该指标能够综合反映银行运用自有资本获取收益的能力，是学术界与实务界衡量企业经营绩效的常用指标。此外，结合商业银行的经营特点，补充选取总资产收益率（ROA）、净利润增速两个指标，辅助分析上市银行的经营绩效水平。

从整体来看，2018-2022年，我国上市银行经营绩效呈现稳中有进的态势，但不同类型银行之间存在显著差异。国有六大行凭借庞大的资产规模、广泛的客户基础与完善的业务网络，盈利能力较为稳定，2022年平均净资产收益率为9.23%，平均总资产收益率为0.85%；股份制商业银行经营绩效分化较为明显，招商银行、平安银行等头部银行盈利能力突出，2022年净资产收益率分别达16.86%、13.68%，而部分股份制银行受不良贷款影响，盈利能力有所下滑；城市商业银行经营绩效整体平稳，2022年平均净资产收益率为8.76%，略低于国有大行与头部股份制银行。

表2展示了2018-2022年样本银行经营绩效核心指标数据，清晰反映上市银行经营绩效的变化趋势。

数据来源：各上市银行2018-2022年年报、Wind 数据库

从表2可以看出，2018-2022年，样本银行平均净资产收益率从11.89%下降至9.88%，呈现小幅下滑态势，这主要是受宏观经济下行、利率市场化深化、行业竞争加剧等因素影响，商业银行净息差收窄，盈利能力面临一定压力。但从不同类型银行来看，股份制商业银行的平均 ROE 与 ROA 均高于国有大行与城市商业银行，这与股份制商业银行加大金融科技投入、优化业务结构、提升服务效率的发展策略密切相关，也初步体现出金融科技投入对经营绩效的促进作用。

二、金融科技投入、资金配置效率与经营绩效的理论分析与研究假设

（一）核心概念界定

1. 金融科技投入

金融科技投入是指商业银行为推动金融科技研发、应用与推广所投入的各类资源，包括资金投入、人力投入与技术投入。结合数据可得性与研究便利性，本文重点关注资金投入，将金融科技投入强度（金融科技投入金额/营业收入）作为核心衡量指标，该指标能够剔除银行规模差异的影响，客观反映银行对金融科技的投入力度。

2. 资金配置效率

资金配置效率是指商业银行将吸纳的资金（主要是存款）合理配置到不同业务、不同客户群体的能力，核心是实现资金的优化配置，提升资金使用效益，降低资金错配风险。本文运用 DEA 模型（数据包络分析）测度上市银行的资金配置效率，选取存款总额、固定资产净值作为投入指标，选取贷款总额、净利润作为产出指标，通过 DEA-BCC 模型计算各银行的纯技术效率，作为资金配置效率的衡量值，效率值越接近1，表明资金配置效率越高。

3. 商业银行经营绩效

商业银行经营绩效是指商业银行在一定经营期间内的经营效益与经营成果，综合反映银行的盈利能力、运营能力、风险管控能力与发展能力。本文选取净资产收益率（ROE）作为核心衡量指标，该指标计算公式为：$$ROE = \frac{净利润}{平均净资产} \times 100\%$$。同时，为保证研究结果的稳健性，将总资产收益率（ROA）作为替代指标进行稳健性检验，ROA 计算公式为：$$ROA = \frac{净利润}{平均总资产} \times 100\%$$。

（二）理论分析与研究假设

1. 金融科技投入与商业银行经营绩效

金融科技投入对商业银行经营绩效的促进作用主要体现在三个方面：一是降低运营成本，金融科技的应用能够实现业务流程自动化、智能化，减少人工操作环节，降低人力成本与运营成本，如智能信贷审批系统可将审批时间从数天缩短至数小时，大幅提升审批效率；二是提升服务质量与客户体验，通过大数据、人工智能等技术，银行能够精准挖掘客户需求，推出个性化的金融产品与服务，增强客户粘性，扩大客户群体，进而提升营业收入；三是优化风险管控，金融科技能够整合客户多维度数据，构建精准的风险评估模型，提升信用风险、市场风险的识别与管控能力，降低不良贷款率，减少风险损失。基于此，本文提出假设1：

H1：金融科技投入与商业银行经营绩效呈显著正相关关系，即金融科技投入力度越大，商业银行经营绩效越高。

2. 金融科技投入与资金配置效率

金融科技投入能够有效提升商业银行的资金配置效率，主要原因在于：一方面，金融科技能够降低信息不对称程度，通过大数据技术整合客户的财务状况、信用记录、交易行为等多维度信息，帮助银行更精准地评估客户的信用水平与还款能力，合理确定信贷额度与利率，减少资金错配；另一方面，金融科技能够优化资金配置流程，通过智能算法对资金需求与供给进行匹配，实现资金的精准投放，提升资金使用效率，同时通过实时监控资金流向，及时调整资金配置策略，降低资金闲置率。基于此，本文提出假设2：

H2：金融科技投入与商业银行资金配置效率呈显著正相关关系，即金融科技投入力度越大，商业银行资金配置效率越高。

3. 资金配置效率的中介作用

资金配置效率是商业银行连接金融科技投入与经营绩效的重要桥梁。金融科技投入通过提升资金配置效率，进而促进经营绩效提升，具体传导路径为：金融科技投入增加→技术水平提升→信息不对称降低、资金配置流程优化→资金配置效率提升→资金使用效益提高、风险损失减少→经营绩效提升。也就是说，资金配置效率在金融科技投入与商业银行经营绩效之间发挥中介作用。基于此，本文提出假设3：

H3：资金配置效率在金融科技投入与商业银行经营绩效之间发挥部分中介作用，即金融科技投入可通过提升资金配置效率间接促进经营绩效提升。

三、研究设计

（一）样本选取与数据来源

本文选取我国16家上市商业银行为研究样本，样本期间为2018-2022年，共得到80个观测值。数据来源主要包括三个方面：一是金融科技投入数据，来源于各上市银行2018-2022年年报，通过手工整理各银行披露的“信息科技投入”“金融科技投入”相关数据获得；二是经营绩效数据与控制变量数据，来源于 Wind 数据库、东方财富网，包括净资产收益率、总资产收益率、资产规模、资本充足率、不良贷款率等指标；三是资金配置效率相关数据，来源于各上市银行年报，选取存款总额、固定资产净值、贷款总额、净利润等指标，用于 DEA 模型测度。

为保证数据的有效性与可靠性，本文对原始数据进行了预处理：一是剔除数据缺失严重的观测值，对少量缺失数据采用线性插值法进行补充；二是对异常值进行 Winsorize 缩尾处理，将处于1%分位数以下与99%分位数以上的数值替换为对应分位数的数值，避免异常值对实证结果产生影响。

（二）变量选取

1. 被解释变量：经营绩效（ROE）

选取净资产收益率（ROE）作为被解释变量，衡量商业银行的经营绩效，该指标能够综合反映银行运用自有资本获取收益的能力，指标值越高，表明经营绩效越好。同时，选取总资产收益率（ROA）作为替代指标，进行稳健性检验。

2. 核心解释变量：金融科技投入强度（Fintech）

选取金融科技投入强度作为核心解释变量，计算公式为：$$Fintech = \frac{金融科技投入金额}{营业收入} \times 100\%$$。该指标能够剔除银行规模差异的影响，客观反映银行对金融科技的投入力度，指标值越高，表明金融科技投入力度越大。

3. 中介变量：资金配置效率（Eff）

运用 DEA-BCC 模型测度资金配置效率，选取存款总额、固定资产净值作为投入指标，选取贷款总额、净利润作为产出指标，通过 Stata17.0软件计算各银行各年度的纯技术效率，作为资金配置效率的衡量值（Eff），效率值范围为0-1，越接近1，表明资金配置效率越高。表3展示了2018-2022年样本银行资金配置效率的测算结果。

数据来源：基于 DEA 模型测算得出

4. 控制变量

结合现有研究成果与商业银行的经营特点，选取以下控制变量，剔除其他因素对经营绩效的影响：

（1）资产规模（Size）：选取总资产的自然对数作为衡量指标，资产规模较大的银行具有规模经济优势，能够降低运营成本，提升经营绩效，但规模过大也可能导致管理效率下降，对经营绩效产生负面影响。

（2）资本充足率（CAR）：选取资本充足率作为衡量指标，该指标反映银行的资本实力与风险抵御能力，资本充足率越高，银行抵御风险的能力越强，越有利于提升经营绩效。

（3）不良贷款率（NPL）：选取不良贷款率作为衡量指标，该指标反映银行的信贷风险水平，不良贷款率越高，银行面临的风险损失越大，经营绩效越低。

（4）净息差（NIM）：选取净息差作为衡量指标，该指标反映银行的利息收入水平，净息差越高，银行的盈利能力越强，经营绩效越好。

各变量的具体定义如表4所示。

（三）模型构建

为验证本文提出的研究假设，构建面板数据回归模型，采用逐步回归法检验资金配置效率的中介作用，具体模型如下：

1. 基准回归模型（验证假设1）：

$$ROE_{it} = \alpha_0 + \alpha_1 Fintech_{it} + \alpha_2 Size_{it} + \alpha_3 CAR_{it} + \alpha_4 NPL_{it} + \alpha_5 NIM_{it} + \mu_i + \lambda_t + \varepsilon_{it}$$

2. 中介变量回归模型（验证假设2）：

$$Eff_{it} = \beta_0 + \beta_1 Fintech_{it} + \beta_2 Size_{it} + \beta_3 CAR_{it} + \beta_4 NPL_{it} + \beta_5 NIM_{it} + \mu_i + \lambda_t + \varepsilon_{it}$$

3. 中介效应回归模型（验证假设3）：

$$ROE_{it} = \gamma_0 + \gamma_1 Fintech_{it} + \gamma_2 Eff_{it} + \gamma_3 Size_{it} + \gamma_4 CAR_{it} + \gamma_5 NPL_{it} + \gamma_6 NIM_{it} + \mu_i + \lambda_t + \varepsilon_{it}$$

其中，i 代表上市银行，t 代表年份；$$\alpha_0、\beta_0、\gamma_0$$为常数项；$$\alpha_1、\beta_1、\gamma_1、\gamma_2$$为核心解释变量与中介变量的回归系数；$$\alpha_2-\alpha_5、\beta_2-\beta_5、\gamma_3-\gamma_6$$为控制变量的回归系数；$$\mu_i$$为个体固定效应，$$\lambda_t$$为时间固定效应，$$\varepsilon_{it}$$为随机扰动项。

中介效应检验步骤如下：第一步，估计基准回归模型，若$$\alpha_1$$显著为正，则表明金融科技投入与经营绩效呈正相关，假设1成立；第二步，估计中介变量回归模型，若$$\beta_1$$显著为正，则表明金融科技投入与资金配置效率呈正相关，假设2成立；第三步，估计中介效应回归模型，若$$\gamma_1$$与$$\gamma_2$$均显著为正，且$$\gamma_1$$的绝对值小于$$\alpha_1$$的绝对值，则表明资金配置效率发挥部分中介作用，假设3成立。

四、实证检验与分析

（一）描述性统计分析

表5展示了各变量的描述性统计结果，能够直观反映样本数据的分布特征。

数据来源：基于 Stata17.0软件测算得出

从表5可以看出，经营绩效（ROE）的均值为10.56%，标准差为2.37%，最小值为6.82%，最大值为16.86%，表明不同上市银行的经营绩效存在显著差异；金融科技投入强度（Fintech）的均值为3.21%，标准差为0.89%，最小值为1.56%，最大值为4.87%，反映出样本银行在金融科技投入力度上存在较大差距，与前文分析一致；资金配置效率（Eff）的均值为0.868，标准差为0.052，最小值为0.782，最大值为0.945，表明样本银行资金配置效率整体处于较高水平，但仍有提升空间。控制变量方面，资产规模、资本充足率、不良贷款率、净息差的分布均符合上市银行的经营实际，数据具有合理性。

（二）相关性分析

为避免多重共线性问题，对各变量进行相关性分析，结果如表6所示。

注：***表示在1%水平上显著，**表示在5%水平上显著，*表示在10%水平上显著

数据来源：基于 Stata17.0软件测算得出

从表6可以看出，金融科技投入强度（Fintech）与经营绩效（ROE）在1%水平上显著正相关，相关系数为0.624，初步验证了假设1；金融科技投入强度（Fintech）与资金配置效率（Eff）在1%水平上显著正相关，相关系数为0.652，初步验证了假设2；资金配置效率（Eff）与经营绩效（ROE）在1%水平上显著正相关，相关系数为0.587，为假设3提供了初步证据。各控制变量与经营绩效的相关关系也符合预期：资产规模、资本充足率、净息差与经营绩效显著正相关，不良贷款率与经营绩效显著负相关。此外，各变量之间的相关系数均小于0.7，表明不存在严重的多重共线性问题，可进行后续回归分析。

（三）面板回归分析

本文采用固定效应模型进行面板回归分析，通过 Hausman 检验选择固定效应模型（P 值为0.023，小于0.05），回归结果如表7所示。

注：括号内为 t 值，***表示在1%水平上显著，**表示在5%水平上显著，*表示在10%水平上显著

数据来源：基于 Stata17.0软件测算得出

从表7的回归结果可以看出：

1. 模型1（基准回归）中，金融科技投入强度（Fintech）的回归系数为1.234，在1%水平上显著为正，表明金融科技投入每提升1个百分点，商业银行净资产收益率提升1.234个百分点，验证了假设1，即金融科技投入与商业银行经营绩效呈显著正相关关系。控制变量方面，资产规模（Size）、资本充足率（CAR）、净息差（NIM）的回归系数均显著为正，不良贷款率（NPL）的回归系数显著为负，与预期一致。

2. 模型2（中介变量回归）中，金融科技投入强度（Fintech）的回归系数为0.056，在1%水平上显著为正，表明金融科技投入每提升1个百分点，商业银行资金配置效率提升0.056个单位，验证了假设2，即金融科技投入与商业银行资金配置效率呈显著正相关关系。这说明上市银行加大金融科技投入，能够有效提升资金配置效率，优化金融资源配置。

3. 模型3（中介效应回归）中，金融科技投入强度（Fintech）的回归系数为0.876，在1%水平上显著为正；资金配置效率（Eff）的回归系数为5.678，在1%水平上显著为正。对比模型1与模型3的回归系数，金融科技投入强度的回归系数从1.234下降至0.876，但仍显著为正，表明资金配置效率在金融科技投入与商业银行经营绩效之间发挥部分中介作用，验证了假设3。中介效应占比计算为：（1.234-0.876）/1.234×100%≈29.01%，即金融科技投入对经营绩效的促进作用中，有29.01%是通过提升资金配置效率实现的。

（四）稳健性检验

为保证实证结果的稳健性，本文采用两种方法进行稳健性检验：一是替换被解释变量，将净资产收益率（ROE）替换为总资产收益率（ROA），重新进行回归分析；二是缩尾处理，将金融科技投入强度、资金配置效率等变量进行1%的双向缩尾处理，剔除异常值的影响。稳健性检验结果如表8所示。

注：括号内为 t 值，***表示在1%水平上显著，**表示在5%水平上显著，*表示在10%水平上显著

数据来源：基于 Stata17.0软件测算得出

从表8的稳健性检验结果可以看出，替换被解释变量与缩尾处理后的回归结果与前文基本一致：金融科技投入强度、资金配置效率与经营绩效仍显著正相关，资金配置效率的部分中介作用依然成立，各控制变量的回归系数符号与显著性也未发生明显变化。这表明本文的实证结果具有稳健性，研究结论可靠。

五、研究结论与对策建议

（一）研究结论

本文以我国16家上市商业银行为研究对象，选取2018-2022年的面板数据，运用 DEA 模型测度资金配置效率，构建面板数据回归模型，探究金融科技投入、资金配置效率与商业银行经营绩效三者之间的内在关联，得出以下研究结论：

1. 金融科技投入与商业银行经营绩效呈显著正相关关系。实证结果表明，金融科技投入强度每提升1个百分点，商业银行净资产收益率提升1.234个百分点，说明上市银行加大金融科技投入，能够通过降低运营成本、提升服务质量、优化风险管控等途径，有效提升经营绩效。从不同类型银行来看，股份制商业银行与城市商业银行的金融科技投入强度更高，经营绩效的提升效果也更为明显，这也印证了金融科技投入对经营绩效的促进作用。

2. 金融科技投入与商业银行资金配置效率呈显著正相关关系。金融科技投入强度每提升1个百分点，商业银行资金配置效率提升0.056个单位，表明金融科技的应用能够有效降低信息不对称程度，优化资金配置流程，提升资金投放的精准性与有效性，减少资金错配与闲置，进而改善资金配置效率。

3. 资金配置效率在金融科技投入与商业银行经营绩效之间发挥部分中介作用。中介效应占比约为29.01%，即金融科技投入对经营绩效的促进作用中，有近三成是通过提升资金配置效率实现的。这说明资金配置效率是连接金融科技投入与经营绩效的重要桥梁，金融科技投入通过技术赋能提升资金配置效率，进而促进经营绩效提升，形成“金融科技投入→资金配置效率提升→经营绩效改善”的传导路径。

4. 控制变量对商业银行经营绩效的影响符合预期。资产规模、资本充足率、净息差与经营绩效呈显著正相关，表明银行的规模优势、资本实力与利息收入水平越高，经营绩效越好；不良贷款率与经营绩效呈显著负相关，表明信贷风险越高，银行的经营绩效越差，这也提醒上市银行在经营过程中要加强风险管控，降低不良贷款率。

（二）对策建议

基于上述研究结论，结合我国上市银行的经营实际，为优化金融科技投入策略、提升资金配置效率与经营绩效，提出以下对策建议：

1. 合理加大金融科技投入，优化投入结构

上市银行应结合自身发展战略与经营实际，合理加大金融科技投入，避免盲目扩张与重复投入。一是优化投入结构，将更多资金投入到核心技术研发与场景应用创新中，重点布局大数据、人工智能、区块链等前沿技术，提升自主研发能力，推动技术成果转化为实际生产力；二是差异化投入，国有大行可依托资金优势，加大基础设施建设与核心技术研发投入，打造行业领先的金融科技平台；股份制银行与城商行可聚焦细分领域，加大场景应用投入，打造特色化、差异化的金融科技产品与服务，实现弯道超车；三是加强投入管控，建立金融科技投入绩效评估机制，对投入项目的成效进行定期评估，及时调整投入方向，提高投入效率。

2. 以金融科技赋能，提升资金配置效率

上市银行应充分发挥金融科技的赋能作用，着力提升资金配置效率。一是利用大数据技术整合客户多维度信息，构建精准的客户信用评估模型，优化信贷审批流程，实现资金的精准投放，减少资金错配；二是运用智能算法对资金需求与供给进行实时匹配，优化资金配置策略，降低资金闲置率，提升资金使用效益；三是通过金融科技加强资金流向监控，建立资金配置动态调整机制，及时发现并纠正资金错配问题，防范资金风险；四是加强与金融科技企业的合作，引入先进技术与经验，提升资金配置的智能化、精准化水平。

3. 完善风险管控体系，防范金融科技与信贷风险

上市银行在加大金融科技投入、提升资金配置效率的同时，要加强风险管控，防范各类风险。一是加强金融科技风险管控，建立金融科技研发、应用全流程风险评估机制，防范技术漏洞、数据泄露等风险，加强金融科技人才培养，提升技术风险应对能力；二是加强信贷风险管控，利用金融科技优化风险评估模型，提升信用风险识别与管控能力，加强对贷款客户的全生命周期管理，降低不良贷款率；三是建立健全风险预警机制，运用大数据、人工智能等技术对各类风险进行实时监控与预警，及时采取应对措施，防范风险扩散。

4. 优化经营管理，强化综合竞争力

上市银行应结合金融科技发展趋势，优化经营管理模式，强化综合竞争力。一是优化业务结构，依托金融科技推动传统业务转型升级，大力发展零售金融、普惠金融等业务，拓宽收入渠道，降低对利息收入的依赖；二是提升服务质量，通过金融科技打造智能化、便捷化的客户服务体系，精准挖掘客户需求，推出个性化的金融产品与服务，增强客户粘性；三是加强人才队伍建设，加大金融科技人才与复合型人才的引进与培养力度，打造一支既懂金融又懂技术的专业人才队伍，为金融科技发展与经营绩效提升提供人才支撑；四是加强行业合作与交流，借鉴国内外先进银行的发展经验，推动金融科技与商业银行的深度融合，提升行业整体竞争力。

六、研究不足与展望

本文的研究仍存在一定的不足：一是样本选取范围有限，仅选取了16家上市银行作为研究样本，未涵盖农村商业银行等中小银行，研究结论的普适性有待进一步验证；二是金融科技投入的衡量指标不够全面，仅选取了资金投入作为衡量指标，未考虑人力投入、技术投入等因素的影响；三是对资金配置效率的测度仅选取了存款、固定资产、贷款、净利润四个指标，可能无法全面反映银行的资金配置情况。

未来可从以下方面开展进一步研究：一是扩大样本范围，将农村商业银行、外资银行等纳入研究样本，提升研究结论的普适性；二是完善金融科技投入的衡量指标，综合考虑资金投入、人力投入、技术投入等因素，构建多维度的金融科技投入评价体系；三是优化资金配置效率的测度方法，选取更多能够反映银行资金配置情况的指标，提升测度结果的准确性；四是深入探究不同类型银行、不同发展阶段银行金融科技投入对经营绩效的异质性影响，为不同银行制定差异化的金融科技发展策略提供更精准的参考。

总之，金融科技已成为推动商业银行转型升级、提升经营绩效的重要力量，上市银行应抓住数字经济发展机遇，合理加大金融科技投入，以金融科技赋能资金配置效率提升，不断优化经营管理，防范各类风险，实现高质量发展。