An Empirical Study on the Impact of Financial Technology on the Profitability of China’s Listed Commercial Banks
Notice bibliographique
Résumé
This paper selects 50 listed commercial banks in China from 2012 to 2023 as research samples, and employs the fixed effects model and Hansen’s threshold regression method to systematically examine the impact mechanism and non-linear characteristics of FinTech development on the profitability of commercial banks. The key findings are summarized as follows: (1) FinTech significantly undermines the overall profitability of commercial banks by reshaping the competitive landscape of the industry and intensifying the technology substitution effect. This is primarily reflected in the reduction in traditional interest income and the erosion of market share in intermediary business. (2) Heterogeneity analysis indicates that large state-owned banks and joint-stock banks experience more pronounced negative impacts compared to small and medium-sized banks. (3) Additional research findings reveal a significant single-threshold effect between FinTech and bank profitability, with a critical value of 4.169. When the development level of FinTech surpasses this threshold, its inhibitory effect diminishes substantially, suggesting that after achieving a certain degree of technological integration, commercial banks may partially alleviate external competitive pressures through synergistic effects. This study offers crucial empirical evidence and theoretical support for commercial banks to develop differentiated technology strategies and for regulatory authorities to design dynamically adaptable policy frameworks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».