摘 要:基于2010—2021年中國109家商業(yè)銀行的數(shù)據(jù),從信息不對稱視角分析銀行數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的影響。實證結(jié)果顯示,數(shù)字化轉(zhuǎn)型能夠顯著降低銀行風(fēng)險承擔(dān)。機制檢驗表明,銀行利用數(shù)字技術(shù)獲取海量信息,繪制用戶畫像,構(gòu)建大數(shù)據(jù)征信體系,通過緩解信息不對稱降低信貸風(fēng)險,從而抑制銀行風(fēng)險承擔(dān)。進一步研究發(fā)現(xiàn),數(shù)字金融的發(fā)展會增強數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的抑制作用;數(shù)字化轉(zhuǎn)型對東部地區(qū)銀行或小規(guī)模銀行風(fēng)險承擔(dān)的降低效果更好。本文擴展了數(shù)字化轉(zhuǎn)型通過緩解信息不對稱降低銀行風(fēng)險承擔(dān)這一作用機制,為商業(yè)銀行合理推進數(shù)字化轉(zhuǎn)型、防范化解金融風(fēng)險提供理論參考。
關(guān)鍵詞:數(shù)字化轉(zhuǎn)型;銀行風(fēng)險承擔(dān);商業(yè)銀行;信息不對稱;數(shù)字技術(shù);數(shù)字金融
DOI:10.3969/j.issn.1003-9031.2024.09.003
中圖分類號:F832.33 文獻標(biāo)識碼:A 文章編號:1003-9031(2024)09-0032-17
一、引言及文獻綜述
當(dāng)前,數(shù)字經(jīng)濟蓬勃發(fā)展,推動生活生產(chǎn)方式和治理方式發(fā)生深刻變革。充分發(fā)揮數(shù)字技術(shù)和數(shù)據(jù)要素對實體經(jīng)濟的作用,推動二者深度融合,是實現(xiàn)我國經(jīng)濟高質(zhì)量發(fā)展的必然選擇(荊文君和池佳林,2023)。數(shù)字化轉(zhuǎn)型是推進數(shù)字經(jīng)濟發(fā)展和數(shù)實融合的重要抓手。推進銀行數(shù)字化轉(zhuǎn)型,將數(shù)字元素與思維注入金融服務(wù)全流程、貫穿銀行業(yè)務(wù)運營全鏈條,以數(shù)據(jù)要素和數(shù)字技術(shù)的深度應(yīng)用來驅(qū)動和拓展金融服務(wù),構(gòu)建適應(yīng)數(shù)字經(jīng)濟發(fā)展的數(shù)字金融新格局,可以有效支撐企業(yè)數(shù)字化轉(zhuǎn)型,加快數(shù)字經(jīng)濟與實體經(jīng)濟深度融合。
數(shù)字化轉(zhuǎn)型深刻改變了銀行的業(yè)務(wù)流程、組織架構(gòu)、風(fēng)控方式,進而對銀行風(fēng)險承擔(dān)、經(jīng)營效率、運營成本等產(chǎn)生影響。具體而言,銀行金融科技部門與金融科技公司、電商政務(wù)等平臺合作,利用數(shù)字技術(shù)獲取征信、稅務(wù)、消費傾向等客戶信息,建立大數(shù)據(jù)征信體系與智能風(fēng)控模型,對客戶的海量信息進行風(fēng)險評估,增強風(fēng)險的篩查與監(jiān)測,通過緩解銀企信息不對稱,提高貸款決策的效率和準(zhǔn)確性,降低信貸成本和信貸風(fēng)險(李志輝等,2022);同時,借助于人工智能、移動互聯(lián)網(wǎng)、智能終端等數(shù)字技術(shù)和設(shè)備,銀行可以將業(yè)務(wù)搬到線上,擺脫物理網(wǎng)點的制約,突破“最后一公里”難題,提升業(yè)務(wù)辦理的效率和便捷性,降低人工成本與管理成本。
在商業(yè)銀行深入推進數(shù)字化轉(zhuǎn)型的同時,銀行風(fēng)險承擔(dān)同樣需要關(guān)注。一方面,全球不確定因素增加、國際環(huán)境動蕩不安,全球風(fēng)險傳染更有可能波及國內(nèi)銀行(陸岷峰,2023)。另一方面,國內(nèi)房地產(chǎn)市場動蕩、實體經(jīng)濟低迷,導(dǎo)致銀行尤其是中小銀行的風(fēng)險攀升。截至2024年4月,部分上市中小型銀行的不良貸款率超出了銀行業(yè)金融機構(gòu)的平均水平。我國政府多次強調(diào)要“化解中小銀行風(fēng)險,防范系統(tǒng)性風(fēng)險的發(fā)生”,銀行風(fēng)險承擔(dān)成為當(dāng)前金融監(jiān)管的重點。在以數(shù)字化轉(zhuǎn)型推動銀行業(yè)高質(zhì)量發(fā)展的同時,需要有效防范和化解金融風(fēng)險。
目前,關(guān)于銀行數(shù)字化轉(zhuǎn)型對風(fēng)險承擔(dān)影響的文獻主要分為兩類,一是關(guān)注金融科技與銀行風(fēng)險承擔(dān)的關(guān)系,主要有正相關(guān)、負相關(guān)、“U”型三種觀點。部分學(xué)者認(rèn)為銀行內(nèi)部數(shù)字技術(shù)的應(yīng)用會通過流動性創(chuàng)造渠道、事前信息渠道、事中管理渠道、事后損失渠道等對銀行的風(fēng)險承擔(dān)產(chǎn)生正向影響(陳敏和高傳君,2022;張駿等,2023);也有部分學(xué)者認(rèn)為銀行數(shù)字化轉(zhuǎn)型通過提高盈利能力、降低管理成本、提升管理效率與經(jīng)營效率等對銀行風(fēng)險承擔(dān)產(chǎn)生負向影響(姚婷和宋良榮,2020;李學(xué)峰和楊盼盼,2021;鄭宗杰和任碧云,2022;董曉林等,2023);還有學(xué)者基于動態(tài)視角認(rèn)為銀行金融科技的發(fā)展與其風(fēng)險承擔(dān)結(jié)果呈現(xiàn)倒U型曲線關(guān)系,即金融科技發(fā)展初期,銀行風(fēng)險承擔(dān)增加,金融科技發(fā)展后期得到抑制(汪可等,2017;孫麗和於佳歡,2022)。同時,金融科技對銀行風(fēng)險承擔(dān)的影響因銀行規(guī)模、信貸結(jié)構(gòu)(任碧云和鄭宗杰,2021)、所有權(quán)性質(zhì)、金融科技運用水平(趙勝民和屠堃泰,2022)、數(shù)字化轉(zhuǎn)型口徑等不同而存在差異。二是直接分析銀行數(shù)字化轉(zhuǎn)型對風(fēng)險承擔(dān)的影響,認(rèn)為數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)起到抑制作用(翟勝寶等,2023;郭峰等,2023;蔣海等,2023;馬亞明等,2024;吳文洋等,2024),也有些學(xué)者認(rèn)為起到促進作用(方芳和李強,2024),學(xué)者們分別從負債與管理成本、經(jīng)營管理效率、信息不對稱、貸款結(jié)構(gòu)、盈利能力、網(wǎng)絡(luò)關(guān)聯(lián)性、信貸集中度等視角對作用機制進行探究。
然而,上述多數(shù)文獻并未嚴(yán)格區(qū)分銀行風(fēng)險承擔(dān)行為與結(jié)果。風(fēng)險承擔(dān)行為與結(jié)果是銀行風(fēng)險承擔(dān)的兩個方面,風(fēng)險承擔(dān)行為指銀行主動去追求過度風(fēng)險承擔(dān)的行為,體現(xiàn)事前或事中的動態(tài)情況;風(fēng)險承擔(dān)結(jié)果則是銀行在選擇不同的風(fēng)險承擔(dān)行為之后在風(fēng)險指標(biāo)上呈現(xiàn)出的結(jié)果,表現(xiàn)為事后的靜態(tài)情況,與破產(chǎn)風(fēng)險、信用風(fēng)險、操作風(fēng)險等銀行風(fēng)險基本同義,側(cè)重衡量商業(yè)銀行綜合風(fēng)險度量的結(jié)果。銀行風(fēng)險承擔(dān)行為主要受到銀行主觀風(fēng)險偏好的影響,是銀行自身的主動選擇行為,而銀行風(fēng)險承擔(dān)結(jié)果受銀行風(fēng)險承擔(dān)行為和眾多其他因素的綜合影響,更能體現(xiàn)銀行整體風(fēng)險狀況。故本文將銀行風(fēng)險承擔(dān)結(jié)果作為研究對象。
為進一步探究銀行數(shù)字化轉(zhuǎn)型對風(fēng)險承擔(dān)的影響機制和效應(yīng),本文選取2010—2021年109家銀行作為觀測對象,檢驗數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)結(jié)果的影響,并進行信息不對稱的中介機制和數(shù)字金融的調(diào)節(jié)機制檢驗。
二、理論分析與研究假設(shè)
(一)數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的直接影響
銀行風(fēng)險承擔(dān)是商業(yè)銀行綜合風(fēng)險度量的結(jié)果,側(cè)重銀行面臨的信用風(fēng)險、操作風(fēng)險等。商業(yè)銀行綜合運用物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、云計算、區(qū)塊鏈等數(shù)字技術(shù),構(gòu)建大數(shù)據(jù)智能風(fēng)控體系,進行信用風(fēng)險識別與預(yù)警,降低人為操作風(fēng)險,直接降低了銀行的風(fēng)險承擔(dān)(翟勝寶等,2023;張正平等,2023)。具體而言,物聯(lián)網(wǎng)、大數(shù)據(jù)技術(shù)對客戶信息數(shù)據(jù)進行收集、加工、整理,將碎片化的數(shù)據(jù)系統(tǒng)化,從中提取可用信息(任恒,2024);人工智能技術(shù)通過大量歷史數(shù)據(jù)分析復(fù)雜的市場變化和客戶的風(fēng)險因素,建立風(fēng)險模型,進行風(fēng)險等級評分,幫助銀行進行風(fēng)險評估、預(yù)測和決策。在業(yè)務(wù)辦理前,物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、人工智能等技術(shù)對新客戶進行關(guān)聯(lián)方篩查、反欺詐過濾,完成對客戶信息的驗證,生成業(yè)務(wù)準(zhǔn)入的風(fēng)險判定結(jié)果,從源頭上篩選優(yōu)質(zhì)客戶,剔除劣質(zhì)客戶,防范風(fēng)險;在業(yè)務(wù)辦理后,與電商平臺合作,對客戶實行7×24小時的持續(xù)風(fēng)險跟蹤預(yù)警,監(jiān)測資金流向,在發(fā)現(xiàn)風(fēng)險隱患時及時發(fā)出信號,最大程度減少損失,降低銀行整體的風(fēng)險承擔(dān)(陳敏和高傳君,2022)。此外,手機銀行、智能終端等數(shù)字化業(yè)務(wù)渠道逐漸取代基于線下物理網(wǎng)點的實地業(yè)務(wù)辦理渠道,減少因人為錯誤、機器故障、工作程序不當(dāng)?shù)纫鸬牟僮黠L(fēng)險,同樣促進了銀行風(fēng)險承擔(dān)的降低。
銀行在數(shù)字化轉(zhuǎn)型過程中,還通過加強與金融科技公司、平臺公司的數(shù)字化合作,獲取先進技術(shù)、培養(yǎng)數(shù)字化人才,進一步降低銀行的風(fēng)險承擔(dān)。商業(yè)銀行擁有獲客渠道優(yōu)勢,金融科技公司擁有技術(shù)優(yōu)勢,因而銀行可以積極尋求與金融科技公司開展合作,利用其先進科學(xué)技術(shù)與算法模型提高自身的信息挖掘能力,提升數(shù)據(jù)質(zhì)量與數(shù)字技術(shù)應(yīng)用效率,進而提高大數(shù)據(jù)、人工智能等數(shù)字技術(shù)識別風(fēng)險的全面性與準(zhǔn)確性,推動銀行風(fēng)險承擔(dān)的降低。此外,銀行注重與金融科技公司聯(lián)合培養(yǎng)金融科技復(fù)合型人才,打造金融科技管培生項目,培養(yǎng)金融科技儲備人才;組織科技公司技術(shù)人員對銀行內(nèi)部員工進行培訓(xùn),提升員工的數(shù)字思維與數(shù)據(jù)管理能力,及時排查業(yè)務(wù)流程中的數(shù)字技術(shù)問題,促進數(shù)字技術(shù)對銀行風(fēng)險承擔(dān)的降低。根據(jù)以上分析提出假設(shè)1:
H1:數(shù)字化轉(zhuǎn)型可以降低銀行風(fēng)險承擔(dān)。
(二)數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的間接影響
1.信息不對稱
近年來,我國實體經(jīng)濟低迷,房地產(chǎn)市場動蕩,疊加疫情后遺癥,部分經(jīng)營不善的企業(yè)難以償還銀行債務(wù),從而轉(zhuǎn)化為銀行的不良資產(chǎn),侵蝕銀行的凈資本,加劇銀行的風(fēng)險承擔(dān)。換言之,在商業(yè)銀行向企業(yè)發(fā)放貸款的過程中,由于信息不對稱導(dǎo)致銀行缺乏對企業(yè)信息的充分了解,可能引發(fā)逆向選擇和道德風(fēng)險問題,使銀行承擔(dān)風(fēng)險和損失。因此,降低銀行風(fēng)險承擔(dān)的關(guān)鍵在于緩解信息不對稱并精準(zhǔn)識別風(fēng)險,剔除存在潛在風(fēng)險的客戶。同時,“金融中介理論”認(rèn)為,商業(yè)銀行解決逆向選擇的辦法是在發(fā)放貸款之前對企業(yè)信用狀況和資金用途信息做好充分調(diào)研與核實;克服道德風(fēng)險的方法是通過對信貸資金去向等信息進行事中和事后的動態(tài)了解與監(jiān)督,防止企業(yè)發(fā)生不利于還款的風(fēng)險。但在傳統(tǒng)銀行風(fēng)控模式下,銀行缺乏有效的方法或手段來及時獲取客戶的相關(guān)數(shù)據(jù)或信息,同時,在貸前進行信息核實形成的交易成本以及在貸后獲取資金流向信息形成的監(jiān)督成本過高,使得銀企之間存在嚴(yán)重的信息不對稱,客觀上增加了銀行的信貸風(fēng)險。如傳統(tǒng)的銀行信貸審核方式主要依賴于人工審核,通過人行征信中心的個人或企業(yè)征信報告、信用評分卡以及信審人員的經(jīng)驗來判定客戶的信用狀況,從而作為是否放款的重要依據(jù),但征信中心信息更新緩慢,存在時滯性,授信人員無法獲取客戶最新的、全面的數(shù)據(jù)信息,這一信息獲取手段很難發(fā)揮作用,無法通過緩解信息不對稱降低銀行風(fēng)險承擔(dān)。
而銀行數(shù)字化轉(zhuǎn)型可以基于數(shù)字技術(shù)手段獲取客戶信息,降低信息識別成本,通過緩解信息不對稱降低銀行的風(fēng)險承擔(dān)(李華民和吳非,2019;朱小能和李雄一,2022)。首先,數(shù)字技術(shù)成為銀行獲取信息、緩解信息不對稱的有效手段。銀行與金融科技公司、平臺開展合作,或增設(shè)金融科技部、建設(shè)金融科技子公司,利用云計算、大數(shù)據(jù)、人工智能等數(shù)字技術(shù)全面搜集和獲取客戶信息(Zhu,2018),這些客戶信息既包括客戶的交易信息、信用記錄、投資行為、消費習(xí)慣等金融交易信息,還涉及客戶的社交網(wǎng)絡(luò)、搜索歷史、電商購物等非金融信息,并繼續(xù)利用數(shù)字技術(shù)對這些信息進行降噪處理,提取有價值的信息,繪制個人與企業(yè)的“用戶畫像”“關(guān)系圖譜”,及時發(fā)現(xiàn)并了解財務(wù)狀況差、存在信用污點與歷史違約記錄的客戶,緩解信息不對稱。其次,數(shù)字技術(shù)降低了銀行貸前信息核實的交易成本、貸后資金流向信息的監(jiān)督成本,通過緩解信息不對稱降低了銀行的信貸風(fēng)險承擔(dān)。在貸前,銀行利用數(shù)字技術(shù)通過對比客戶信用檔案、關(guān)系圖譜即可快速完成授信,大大降低了信息識別成本,并提高授信效率,通過緩解信息不對稱降低了銀行信用風(fēng)險承擔(dān)(金洪飛等,2020;劉少波等,2021;鮑星等,2022)。在發(fā)放貸款后,銀行與電商平臺合作,利用數(shù)字技術(shù)追蹤借款人資金去向,緩解貸后的信息不對稱,降低銀行貸后監(jiān)督成本,一旦發(fā)現(xiàn)借款人資金流向異常,立即采取措施降低借款人違約概率或違約損失程度,從而降低銀行信用風(fēng)險承擔(dān)。由于信貸風(fēng)險是銀行面臨的最主要、最為復(fù)雜的風(fēng)險,因此銀行數(shù)字化轉(zhuǎn)型可以通過緩解信息不對稱降低銀行風(fēng)險承擔(dān)。由此提出假設(shè)2a:
H2a:數(shù)字化轉(zhuǎn)型通過緩解信息不對稱降低銀行風(fēng)險承擔(dān)。
2.經(jīng)營效率
銀行數(shù)字化轉(zhuǎn)型通過提高銀行經(jīng)營效率降低銀行的風(fēng)險承擔(dān)(張駿等,2023)。一方面,銀行數(shù)字化轉(zhuǎn)型有利于提高經(jīng)營效率。銀行應(yīng)用互聯(lián)網(wǎng)、手機銀行、遠程銀行等數(shù)字技術(shù),將賬務(wù)查詢、賬戶轉(zhuǎn)賬、存款貸款等部分柜面業(yè)務(wù)遷移至線上,改變了傳統(tǒng)銀行的經(jīng)營方式,打造了7×24小時全天候不間斷運營模式,在一定程度上解決了傳統(tǒng)銀行服務(wù)在時空限制和服務(wù)觸達上的痛點,提高了業(yè)務(wù)辦理效率;同時,銀行數(shù)字化轉(zhuǎn)型與分支機構(gòu)增長為負相關(guān)關(guān)系,線上渠道的發(fā)展在一定程度上替代了線下物理網(wǎng)點(羅煜等,2022),降低了銀行實體網(wǎng)點的設(shè)立成本(郭峰等,2023),包括人工成本、日常機器維護成本、管理成等,通過降低成本,銀行可以釋放更多的資源來提升業(yè)務(wù)處理速度、優(yōu)化客戶服務(wù),從而提高整體運營效率;此外,數(shù)字技術(shù)的應(yīng)用提高了信息傳遞速度,有利于銀行內(nèi)部知識與信息的動態(tài)同步,幫助銀行迅速做出決策,提高銀行決策效率、經(jīng)營效率(戚聿東和蔡呈偉,2019)。另一方面,銀行經(jīng)營效率的提升抑制了風(fēng)險轉(zhuǎn)嫁動機,降低了銀行風(fēng)險承擔(dān)(江曙霞和陳玉嬋,2012;劉忠璐,2016;翟勝寶等,2023)。具體而言,銀行經(jīng)營效率的提升意味著其資金周轉(zhuǎn)效率得到提升,銀行收入增加,從而使銀行主動進行風(fēng)險承擔(dān)來增加償付能力的動機降低,進而降低主動風(fēng)險承擔(dān)行為帶來的風(fēng)險,各項風(fēng)險指標(biāo)趨于穩(wěn)定,銀行風(fēng)險承擔(dān)結(jié)果降低。根據(jù)以上分析提出假設(shè)2b:
H2b:數(shù)字化轉(zhuǎn)型通過提高運營效率降低銀行風(fēng)險承擔(dān)。
三、研究設(shè)計
(一)樣本選擇和數(shù)據(jù)來源
本文選取樣本為2010—2021年間109家商業(yè)銀行的非平衡面板數(shù)據(jù),包括大型商業(yè)銀行6家、股份制商業(yè)銀行12家、城市商業(yè)銀行60家、農(nóng)村商業(yè)銀行28家、外資銀行3家。本文有關(guān)銀行層面的財務(wù)數(shù)據(jù)均來自國泰安銀行數(shù)據(jù)庫,部分缺失值通過查找銀行年報獲?。粩?shù)字化轉(zhuǎn)型指數(shù)來源于“北大商業(yè)銀行數(shù)字化轉(zhuǎn)型指數(shù)”(謝絢麗和王詩卉,2022);宏觀經(jīng)濟數(shù)據(jù)來自歷年《中國城市統(tǒng)計年鑒》。部分缺失值采用線性插值法補齊。
(二)模型設(shè)計
1.基準(zhǔn)回歸模型
本文構(gòu)建雙向固定效應(yīng)模型實證研究銀行數(shù)字化轉(zhuǎn)型對風(fēng)險承擔(dān)的影響。構(gòu)建如下:
Riskit=?琢+?茁Digitalit+?酌Controlit+?茲t+?滋i+?著it (1)
其中,Riskit表示銀行i在t年的風(fēng)險承擔(dān),以Z值的倒數(shù)取對數(shù)進行衡量;Digitalit表示銀行i在t年的數(shù)字化轉(zhuǎn)型程度;Controlit為主要的控制變量;?滋i為銀行個體固定效應(yīng),消除銀行個體層面的干擾因素,?茲t為時間固定效應(yīng),消除宏觀層面的干擾因素,?著it為隨機誤差項。
2.中介效應(yīng)模型
在機制分析部分,本文參考江艇(2022)、王偉和王芝丹等(2024)的研究,基于兩步法來進一步探究銀行數(shù)字化轉(zhuǎn)型對風(fēng)險承擔(dān)的影響機制。檢驗?zāi)P腿缦滤荆?/p>
Mit=?琢0+?茁0Digitalit+?酌0Controlit+?茲t+?滋i+?著it (2)
其中,Mit包括信息不對稱和運營效率。模型(1)(2)分別為中介效應(yīng)兩步法的兩個步驟,若系數(shù)?茁和?茁0通過顯著性檢驗,且中介變量也對銀行風(fēng)險承擔(dān)具有顯著影響,則說明中介變量在數(shù)字化轉(zhuǎn)型影響銀行風(fēng)險承擔(dān)的過程中發(fā)揮了機制作用。
(三)變量定義
1.被解釋變量
銀行風(fēng)險承擔(dān)包括銀行風(fēng)險承擔(dān)行為和銀行風(fēng)險承擔(dān)結(jié)果兩個方面。銀行風(fēng)險承擔(dān)行為指商業(yè)銀行在現(xiàn)有政策制度的規(guī)范下,有動機或受到激勵主動去追求過度風(fēng)險承擔(dān)行為,不僅包括前期從事風(fēng)險業(yè)務(wù)的動機和決策過程,還包括風(fēng)險業(yè)務(wù)的執(zhí)行,更多體現(xiàn)的是一種事前或事中的動態(tài)情況,一般而言,銀行主動承擔(dān)風(fēng)險都是出于追逐更高利潤這一目的,可能有助于推動金融產(chǎn)品的創(chuàng)新和發(fā)展,有利于銀行更加有效地配置資本和改善資本結(jié)構(gòu),提高銀行的競爭力和盈利能力,但也可能使銀行面臨更大的風(fēng)險,導(dǎo)致銀行風(fēng)險承擔(dān)結(jié)果的增加;而銀行風(fēng)險承擔(dān)結(jié)果則是商業(yè)銀行在選擇不同的風(fēng)險承擔(dān)行為之后在風(fēng)險指標(biāo)上呈現(xiàn)出的結(jié)果,體現(xiàn)的是一種事后的靜態(tài)情況,側(cè)重衡量商業(yè)銀行綜合風(fēng)險度量的結(jié)果,側(cè)重銀行面臨的破產(chǎn)風(fēng)險、信用風(fēng)險、操作風(fēng)險等,這些風(fēng)險不利于銀行的正常經(jīng)營與發(fā)展,甚至可能引發(fā)風(fēng)險傳染導(dǎo)致整個金融市場面臨危機,因此應(yīng)該盡可能地降低銀行風(fēng)險承擔(dān)結(jié)果,保障銀行與金融業(yè)穩(wěn)健發(fā)展。
本文主要關(guān)注風(fēng)險承擔(dān)結(jié)果,并選取Z值作為銀行風(fēng)險承擔(dān)結(jié)果的代理變量(汪可等,2017;李學(xué)峰和楊盼盼,2021;余靜文和吳濱陽,2021;韋顏秋和邱立成,2022)。因為Z值考慮了銀行的經(jīng)營穩(wěn)定性、盈利能力及財務(wù)杠桿狀況,衡量銀行整體的破產(chǎn)風(fēng)險,能較好地反映銀行的綜合風(fēng)險,體現(xiàn)的是一種事后的靜態(tài)狀況。Z值的計算公式為Zit=(ROAit+Equity/Assetit)÷σi(ROA),其中,ROA代表資產(chǎn)收益率,Equity/Asset為資本資產(chǎn)比率,σi(ROA)為銀行總資產(chǎn)收益率的標(biāo)準(zhǔn)差,i代表商業(yè)銀行,t代表年份。Z值越大,商業(yè)銀行的風(fēng)險承擔(dān)越小,銀行穩(wěn)定性越強。考慮到其尖峰厚尾、高度有偏的特征,對之取自然對數(shù);同時為了方便理解,在Z值取倒數(shù)的基礎(chǔ)上再取對數(shù),此時被解釋變量越小,銀行風(fēng)險承擔(dān)結(jié)果越小。另外,本文也選用負債權(quán)益比作為銀行風(fēng)險承擔(dān)結(jié)果的替代變量(劉孟飛和蔣維,2021),用以進行穩(wěn)健性檢驗。
2.解釋變量
本文使用北大數(shù)字化轉(zhuǎn)型指數(shù)來衡量商業(yè)銀行的數(shù)字化轉(zhuǎn)型程度(謝絢麗和王詩卉,2022),該指標(biāo)包括戰(zhàn)略數(shù)字化、業(yè)務(wù)數(shù)字化和管理數(shù)字化三個維度,具體含義如表1所示。數(shù)字化轉(zhuǎn)型指數(shù)越大,銀行的數(shù)字化程度越高。
3.控制變量
商業(yè)銀行財務(wù)狀況可能對風(fēng)險承擔(dān)產(chǎn)生影響,包括資產(chǎn)、負債、資產(chǎn)負債結(jié)構(gòu)、盈利能力、資本等,因此本文從銀行個體財務(wù)層面將銀行資產(chǎn)總規(guī)模(代軍勛和陶春喜,2016;孫旭然等,2021)、貸款增長率(李學(xué)峰和楊盼盼,2021)、存貸比(汪可等,2017;張駿等,2023)、凈息差(蔣海等,2023)、資本充足率(任碧云和鄭宗杰,2021;田雅群和何廣文,2022;董曉林等,2023;李振新和陳享光,2023)作為控制變量。
此外,本文還控制了可能對銀行風(fēng)險承擔(dān)存在影響的宏觀經(jīng)濟變量,分別是:GDP增速,作為宏觀經(jīng)濟水平的代理變量;M2增速,作為貨幣政策的代理變量(郭品和沈悅,2019);消費價格指數(shù),反映通貨膨脹水平;地區(qū)產(chǎn)業(yè)結(jié)構(gòu),即第二產(chǎn)業(yè)占地區(qū)生產(chǎn)總值的比重。
4.機制變量
(1)信息不對稱
信息不對稱使銀行面臨嚴(yán)重的信貸風(fēng)險,銀行數(shù)字化轉(zhuǎn)型可以通過緩解信息不對稱降低其風(fēng)險承擔(dān)。已有文獻采用商業(yè)銀行當(dāng)年普通股交易量與該年度發(fā)行在外的普通股平均數(shù)的比值,即股票年周轉(zhuǎn)率來衡量信息不對稱程度(王蕾等,2019),但本文樣本包含非上市銀行,因此采取商業(yè)銀行對上市實體企業(yè)授信數(shù)量與銀行總資產(chǎn)對數(shù)之比,以及銀行對上市實體企業(yè)貸款數(shù)量與銀行總資產(chǎn)對數(shù)之比作為衡量銀行信息甄別能力的代理變量(丁鑫和周曄,2024),其中上市實體公司不包括金融類和房地產(chǎn)類公司,除以總資產(chǎn)的自然對數(shù)進行標(biāo)準(zhǔn)化是為了消除銀行規(guī)模差異帶來的貸款客戶數(shù)量偏差,標(biāo)準(zhǔn)化后的單位為家數(shù)/每單位資產(chǎn),反映銀行每單位資產(chǎn)能夠服務(wù)的貸款客戶數(shù)量。兩個比值越大,銀行信息甄別能力越強,信息不對稱程度越低。
(2)銀行運營效率
本文分別以總資產(chǎn)周轉(zhuǎn)率、成本收入比與管理費用比例作為衡量銀行運營效率的代理變量(汪可等,2017;蔣海等,2023;楊景陸和粟勤,2023)??傎Y產(chǎn)周轉(zhuǎn)率越高,成本收入比與管理費用比例越小,銀行經(jīng)營效率越高。
四、實證結(jié)果分析
(一)基準(zhǔn)回歸結(jié)果
本文基準(zhǔn)回歸模型采用面板雙向固定效應(yīng)模型,基準(zhǔn)回歸結(jié)果如表3所示。列(1)至列(3)分別為不加入控制變量、加入銀行微觀層面控制變量和加入宏觀層面控制變量的結(jié)果,列(4)至列(6)分別為解釋變量子指標(biāo)戰(zhàn)略數(shù)字化指數(shù)、業(yè)務(wù)數(shù)字化指數(shù)和管理數(shù)字化指數(shù)的回歸結(jié)果。由結(jié)果可知,銀行數(shù)字化轉(zhuǎn)型總指數(shù)與其子指標(biāo)的回歸系數(shù)均顯著為負,說明銀行數(shù)字化轉(zhuǎn)型顯著降低了銀行的風(fēng)險承擔(dān),銀行在戰(zhàn)略、業(yè)務(wù)、管理方面的數(shù)字化轉(zhuǎn)型降低了銀行風(fēng)險承擔(dān),驗證了假設(shè)1。
(二)內(nèi)生性處理
數(shù)字化轉(zhuǎn)型和銀行風(fēng)險承擔(dān)可能存在逆向因果關(guān)系,同時,由于遺漏變量、度量誤差等問題的存在,基準(zhǔn)回歸的結(jié)果可能會受到內(nèi)生性干擾,因此本文通過改變基準(zhǔn)回歸計量模型以及使用工具變量兩階段最小二乘回歸模型對潛在的內(nèi)生性問題進行處理。
1.改變計量模型:動態(tài)面板廣義矩估計
本文采用動態(tài)面板系統(tǒng)GMM估計進行內(nèi)生性處理(張駿等,2023),因為銀行風(fēng)險具有動態(tài)持續(xù)性(Delis and Kouretas,2011),因此將被解釋變量的滯后一階項納入回歸模型中。結(jié)果如表4所示,數(shù)字化轉(zhuǎn)型總指數(shù)系數(shù)顯著為負,回歸結(jié)果與基準(zhǔn)回歸結(jié)果基本保持一致,說明基準(zhǔn)回歸的結(jié)果較為穩(wěn)健。
2.工具變量法
本文采用年份—省份層面的銀行數(shù)字化轉(zhuǎn)型程度平均值作為工具變量(翟勝寶等,2023),進行兩階段最小二乘法的檢驗,結(jié)果如表5所示,列(1)中均值的估計系數(shù)在1%的水平下顯著為正,即第一階段檢驗的結(jié)果證實銀行數(shù)字化轉(zhuǎn)型指數(shù)均值工具變量對內(nèi)生變量有很好的解釋力;第二階段列(2)中的解釋變量在10%水平下顯著為負,說明本文主要研究結(jié)論未發(fā)生改變,銀行數(shù)字化轉(zhuǎn)型能夠顯著促進銀行風(fēng)險承擔(dān)降低。
采用解釋變量滯后一期作為工具變量(劉慧超和王書華,2023),因為銀行數(shù)字化轉(zhuǎn)型對于銀行風(fēng)險承擔(dān)的影響具有一定的滯后效應(yīng)。同樣進行兩階段最小二乘法,檢驗結(jié)果如表5所示,列(3)數(shù)字化總指數(shù)系數(shù)在與列(4)的解釋變量滯后一期系數(shù)均在1%水平下顯著,符號分別為正號和負號,其結(jié)果仍與上文主要結(jié)論相符。
(三)穩(wěn)健性檢驗
為保證基準(zhǔn)回歸結(jié)果的可靠性,本文采取以下幾種方法進行穩(wěn)健性檢驗。首先,替換被解釋變量,選取權(quán)益負債比作為銀行風(fēng)險承擔(dān)的替代變量(劉孟飛和蔣維,2021),權(quán)益負債比越大,意味著所有者提供的資本相對于借入資本越大,銀行承擔(dān)的風(fēng)險越小;其次,為排除新冠疫情及其相關(guān)政策的影響,剔除2020年及之后的樣本后進行回歸;再次,剔除銀行總部所在城市為直轄市的樣本后再次回歸(楊景陸和粟勤,2023)?;貧w結(jié)果如表6所示,穩(wěn)健性檢驗結(jié)果與主回歸結(jié)果保持一致,證明基準(zhǔn)回歸結(jié)果具備穩(wěn)健性。
(四)作用機制分析
為進一步探究數(shù)字化轉(zhuǎn)型降低銀行風(fēng)險承擔(dān)的作用機制,本文按照兩步法檢驗銀行數(shù)字化轉(zhuǎn)型對各中介變量的影響,檢驗結(jié)果如表7所示。由列(1)、列(2)可知,數(shù)字化轉(zhuǎn)型能夠顯著提高銀行的信息甄別能力,緩解銀行信息不對稱。一方面,銀行借助數(shù)字技術(shù)提高了信息獲取與應(yīng)用的速度和質(zhì)量,緩解了信息不對稱。銀行通過人工智能建立的人臉識別和智能語音識別系統(tǒng)提升了客戶身份識別和客戶需求確認(rèn)效率,基于區(qū)塊鏈的智能合約推動了銀行業(yè)務(wù)交易流程的自動化程度,以云計算為基礎(chǔ)的數(shù)據(jù)存儲和處理邏輯則提高了數(shù)據(jù)應(yīng)用效率等(王津,2021)。另一方面,銀行應(yīng)用數(shù)字技術(shù)降低了信息收集的成本,緩解了信息不對稱。傳統(tǒng)風(fēng)控獲取信息主要依靠信貸人員走訪,信息處理主要基于審貸官對材料的理解與把握,這種模式高度依賴人工支持,且實際管理困難,人工成本與管理成本高,但銀行引入數(shù)字技術(shù)后,信息的收集與處理主要依靠大數(shù)據(jù)、人工智能、云計算等建立的線上算法與模型,代替了人工審核,大大降低信息搜集成本,進而緩解了信息不對稱。
大數(shù)據(jù)征信和人工智能緩解了銀行與客戶之間的信息不對稱,銀行可以更加精準(zhǔn)的識別客戶,借助于智能算法或大數(shù)據(jù)風(fēng)控模型,銀行可以更加及時、有效地篩選出優(yōu)質(zhì)客戶,并對不良客戶進行更加嚴(yán)格的跟蹤監(jiān)測,從而降低銀行的風(fēng)險承擔(dān)。金洪飛等(2020)、翟勝寶等(2023)、胡婧和張璇(2023)等文獻均認(rèn)為,銀行運用科學(xué)技術(shù)降低了銀企之間的信息不對稱程度,抑制了銀行的風(fēng)險承擔(dān),假設(shè)2a成立。
由列(3)、列(4)、列(5)可知,數(shù)字化轉(zhuǎn)型能夠提高銀行總資產(chǎn)周轉(zhuǎn)率,降低成本收入比與管理費用比例,表明銀行數(shù)字化轉(zhuǎn)型能夠提高銀行的經(jīng)營效率。一方面,線上線下一體化運營模式打破了銀行業(yè)務(wù)經(jīng)營的空間限制和時間限制,業(yè)務(wù)辦理效率提高,同時,互聯(lián)網(wǎng)、移動終端等數(shù)字技術(shù)拓寬了銀行內(nèi)部信息交換渠道,溝通與決策效率提高,業(yè)務(wù)處理效率提高,效率的提升抑制了銀行主動承擔(dān)風(fēng)險的行為,銀行被動承擔(dān)的風(fēng)險降低;另一方面,業(yè)務(wù)線上化也降低了人工成本、管理成本、運營成本,使銀行有更充足的精力與資金投入到風(fēng)險管理之中,風(fēng)險管理效果更加顯著,風(fēng)險承擔(dān)得到有效抑制(翟勝寶等,2023;張駿等,2023)。因此數(shù)字化轉(zhuǎn)型能夠通過提高銀行經(jīng)營效率降低銀行的風(fēng)險承擔(dān),假設(shè)2b成立。
五、進一步討論
(一)數(shù)字金融的調(diào)節(jié)作用
銀行數(shù)字化轉(zhuǎn)型在不同數(shù)字金融發(fā)展環(huán)境下對銀行風(fēng)險承擔(dān)的降低效果會有所不同,本文引入北京大學(xué)數(shù)字普惠金融指數(shù)作為地區(qū)數(shù)字金融水平的代理變量(聶秀華等,2021;付佳琦,2024;梁多佳,2024),在模型中加入中心化后銀行數(shù)字化轉(zhuǎn)型總指數(shù)與北京大學(xué)數(shù)字普惠金融指數(shù)的交互項,再次回歸檢驗,結(jié)果如表8所示。
表8中交乘項與銀行數(shù)字化轉(zhuǎn)型指數(shù)系數(shù)顯著為負,兩者同號,說明地區(qū)數(shù)字金融具有增強主效應(yīng)的調(diào)節(jié)作用,即在數(shù)字金融發(fā)展水平高的地區(qū),數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的降低效果更好。一方面,地區(qū)數(shù)字金融水平的提高意味著金融科技企業(yè)與平臺迅猛發(fā)展,產(chǎn)生“鯰魚效應(yīng)”,倒逼該地區(qū)傳統(tǒng)金融機構(gòu)走出舒適區(qū),進行數(shù)字化轉(zhuǎn)型(孟娜娜和粟勤,2020;Gao C and Wang Q,2023)。具體而言,數(shù)字金融的發(fā)展擠壓了商業(yè)銀行的存款、貸款和中介業(yè)務(wù)市場,數(shù)字金融借助自身的成本優(yōu)勢、技術(shù)優(yōu)勢、渠道優(yōu)勢等,搶占金融服務(wù)領(lǐng)域大量客戶資源,銀行的競爭壓力不斷增大,這種競爭壓力迫使傳統(tǒng)銀行業(yè)利用新型數(shù)字技術(shù)重塑銀行業(yè)務(wù)流程、進行組織架構(gòu)創(chuàng)新,進而提高服務(wù)水平、改善客戶體驗,而數(shù)字技術(shù)的全面應(yīng)用又增強了銀行的大數(shù)據(jù)風(fēng)控能力,緩解信息不對稱并提高經(jīng)營效率,進而降低銀行風(fēng)險承擔(dān),因此,數(shù)字金融強化了數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的抑制作用;另一方面,數(shù)字金融的不斷發(fā)展形成了技術(shù)溢出效應(yīng)(郭品和沈悅,2015),即該地區(qū)擁有更多的技術(shù)資源,金融科技公司數(shù)量多,金融科技人才聚集,更有利于銀行與金融科技公司展開合作、引入數(shù)字技術(shù)相關(guān)人才,以較低的成本使用大數(shù)據(jù)、云計算、人工智能等數(shù)字技術(shù),構(gòu)建銀行自身的數(shù)智風(fēng)控體系,強化數(shù)字化轉(zhuǎn)型減少銀行風(fēng)險承擔(dān)的直接效應(yīng)(顧海峰和楊立翔,2018;楊景陸和粟勤,2023)。
(二)異質(zhì)性分析
1.銀行所在地域差異
我國經(jīng)濟發(fā)展水平存在明顯的地域差異,銀行所在地域經(jīng)濟發(fā)展程度影響銀行數(shù)字化轉(zhuǎn)型對風(fēng)險承擔(dān)的作用效果。本文根據(jù)銀行總部所在省份進行東中西部的劃分,將全樣本分為東部和中西部兩個子樣本,分組回歸并觀察異質(zhì)性。檢驗結(jié)果如表9所示,列(1)東部地區(qū)銀行數(shù)字化轉(zhuǎn)型指數(shù)在5%的水平下顯著為負,而列(2)中西部地區(qū)銀行系數(shù)為負但不顯著,且組間系數(shù)差異Chow檢驗P值小于0.01,說明組間系數(shù)差異顯著,銀行數(shù)字化轉(zhuǎn)型對不同經(jīng)濟區(qū)域商業(yè)銀行風(fēng)險承擔(dān)的影響存在明顯差異。東部地區(qū)的經(jīng)濟發(fā)展水平較高、市場化程度較高、科技與人才要素流動較高、城市集中且企業(yè)眾多,該地區(qū)的商業(yè)銀行可以用更低的成本開展銀企合作、引入科技型人才,對內(nèi)部的數(shù)字信息體系進行完善,數(shù)字化轉(zhuǎn)型程度更高、質(zhì)量更好,而中部、西部地區(qū)以上因素相對匱乏,數(shù)字化轉(zhuǎn)型程度較低,因此東部地區(qū)銀行數(shù)字化轉(zhuǎn)型對風(fēng)險承擔(dān)的降低效果較中西部銀行更好(劉孟飛和王琦,2022)。
2.銀行規(guī)模差異
銀行規(guī)模同樣可能影響數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的作用效果。本文根據(jù)銀行規(guī)模的不同展開異質(zhì)性分析(Sleimi,2020;韋顏秋和邱立成,2022),并將大型國有商業(yè)銀行、股份制商業(yè)銀行和外資銀行劃分為大規(guī)模銀行子樣本,其余的銀行為小規(guī)模銀行子樣本(丁鑫和周曄,2024)。檢驗結(jié)果如表9所示,列(3)為大規(guī)模銀行作為樣本的回歸結(jié)果,數(shù)字化轉(zhuǎn)型總指數(shù)估計系數(shù)為負但不顯著,列(4)為小規(guī)模銀行樣本的回歸結(jié)果,其數(shù)字化轉(zhuǎn)型指數(shù)在5%的水平下顯著為負,組間系數(shù)差異Chow檢驗P值小于0.01,不同規(guī)模銀行的數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的降低效應(yīng)具有異質(zhì)性。數(shù)字化轉(zhuǎn)型前,小規(guī)模銀行信息搜集與獲取的難度比大規(guī)模銀行更大,受信息不對稱及其引發(fā)的信用風(fēng)險和損失的影響更大,因此小型銀行數(shù)字化轉(zhuǎn)型通過緩解信息不對稱渠道降低銀行風(fēng)險承擔(dān)的作用效果更好。
六、結(jié)論與政策建議
(一)結(jié)論
本文以2010—2021年109家商業(yè)銀行為研究對象,分析了數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的影響機制和效應(yīng),主要得出四點結(jié)論:一是數(shù)字化轉(zhuǎn)型能夠顯著降低銀行風(fēng)險承擔(dān)。銀行基于大數(shù)據(jù)、人工智能、云計算、區(qū)塊鏈等數(shù)字技術(shù),構(gòu)建大數(shù)據(jù)智能風(fēng)控體系,有效識別信用風(fēng)險,降低人工操作風(fēng)險,直接降低銀行風(fēng)險承擔(dān)。二是數(shù)字化轉(zhuǎn)型通過緩解銀企之間的信息不對稱、提高銀行效率降低銀行風(fēng)險承擔(dān)。銀行應(yīng)用數(shù)字技術(shù)獲取客戶信息,繪制用戶信息圖譜,構(gòu)建大數(shù)據(jù)征信體系,通過緩解貸款前后的信息不對稱降低銀行信貸風(fēng)險承擔(dān),從而抑制銀行整體的風(fēng)險承擔(dān)水平。三是銀行所在地區(qū)數(shù)字金融發(fā)展水平更高時,銀行數(shù)字化轉(zhuǎn)型對風(fēng)險承擔(dān)的抑制作用增強。數(shù)字金融對銀行產(chǎn)生“鯰魚效應(yīng)”,倒逼銀行進行數(shù)字化轉(zhuǎn)型,應(yīng)用數(shù)字技術(shù),同時,數(shù)字金融具有技術(shù)溢出效應(yīng),數(shù)字金融發(fā)展更好的地區(qū),更有利于銀行與金融科技企業(yè)展開合作、引進科技型人才,在此過程中,銀行大數(shù)據(jù)風(fēng)控體系愈發(fā)完善,信息不對稱得到緩解、經(jīng)營效率得到提升,銀行風(fēng)險承擔(dān)進一步降低。四是東部銀行、小規(guī)模銀行進行數(shù)字化轉(zhuǎn)型對其風(fēng)險承擔(dān)的抑制效果更好。
(二)政策建議
第一,商業(yè)銀行應(yīng)深入推進數(shù)字化轉(zhuǎn)型,有意識地強化數(shù)字技術(shù)在緩解信息不對稱方面的應(yīng)用,從而降低自身風(fēng)險承擔(dān)。銀行可以加深與金融科技公司、電商大數(shù)據(jù)平臺、政府稅務(wù)部門的合作,打通政府部門、公共事業(yè)單位等數(shù)據(jù)源單位與銀行間的數(shù)據(jù)共享通道,增加數(shù)據(jù)積累量,擴大數(shù)據(jù)收集范圍,更大程度上緩解銀企之間的信息不對稱,降低銀行風(fēng)險承擔(dān)。同時,銀行可以建立企業(yè)級大數(shù)據(jù)平臺,增加自身數(shù)據(jù)資產(chǎn)的積累,增強銀行對信息的掌控和甄別能力。此外,銀行還可以組建數(shù)據(jù)管理部門,形成覆蓋數(shù)據(jù)應(yīng)用全流程的數(shù)據(jù)資產(chǎn)管理體系,通過加強對數(shù)據(jù)信息的管理,提高數(shù)據(jù)的應(yīng)用能力。
第二,商業(yè)銀行可以促進戰(zhàn)略數(shù)字化轉(zhuǎn)型、經(jīng)營管理數(shù)字化轉(zhuǎn)型,進一步降低自身風(fēng)險承擔(dān)。在總體戰(zhàn)略方面,制定科學(xué)有效的數(shù)字化轉(zhuǎn)型戰(zhàn)略規(guī)劃與目標(biāo),分階段實施并持續(xù)推進;在人才培養(yǎng)方面,注重培養(yǎng)和引入科技人才,吸納計算機、人工智能、大數(shù)據(jù)等專業(yè)的高校畢業(yè)生;在業(yè)務(wù)經(jīng)營與管理方面,將大數(shù)據(jù)、云計算、人工智能等數(shù)字技術(shù)應(yīng)用于更多業(yè)務(wù)領(lǐng)域,如投融資、國際業(yè)務(wù)、支付結(jié)算、現(xiàn)金管理等業(yè)務(wù)。
第三,商業(yè)銀行應(yīng)積極融入地區(qū)數(shù)字金融發(fā)展大環(huán)境,與當(dāng)?shù)亟鹑诳萍计脚_或公司開展銀企合作、與本地區(qū)其他進行數(shù)字化轉(zhuǎn)型的銀行開展相關(guān)的交流活動,利用地區(qū)數(shù)字金融的發(fā)展強化數(shù)字化轉(zhuǎn)型對銀行風(fēng)險承擔(dān)的降低效果。
第四,對于不同特質(zhì)的銀行,銀行與相關(guān)政府部門應(yīng)采取差異化的、有針對性的措施。東部地區(qū)銀行應(yīng)充分利用其區(qū)位優(yōu)勢,引入科技型人才、與金融科技公司開展銀企合作,使銀行數(shù)字化程度進一步提高,而中西部地區(qū)的政府可以通過提供政府補貼、稅收優(yōu)惠等政策措施促進本地區(qū)科技人才與企業(yè)的引入,搭建科技與金融的交流平臺,幫助中西部銀行縮小其與東部銀行在人才資源、科技環(huán)境等方面的差距,提高中西部銀行數(shù)字化轉(zhuǎn)型水平。小規(guī)模銀行應(yīng)抓住數(shù)字化轉(zhuǎn)型時機,充分利用自身內(nèi)部結(jié)構(gòu)靈活簡單的優(yōu)勢進行數(shù)字化轉(zhuǎn)型,應(yīng)用數(shù)字技術(shù)改善內(nèi)部控制流程,進行風(fēng)險控制;同時,政府也可以制定相關(guān)政策鼓勵小規(guī)模銀行通過數(shù)字化轉(zhuǎn)型降低自身風(fēng)險承擔(dān),實現(xiàn)中小銀行風(fēng)險的化解。
(責(zé)任編輯:夏凡)
參考文獻:
[1]荊文君,池佳林.“數(shù)實融合”與經(jīng)濟高質(zhì)量發(fā)展:回溯、進展與展望[J].貴州財經(jīng)大學(xué)學(xué)報,2023(5):74-81.
[2]李志輝,陳海龍,張旭東.金融科技對商業(yè)銀行盈利能力的影響[J].中南財經(jīng)政法大學(xué)學(xué)報,2022(5):56-68.
[3]陸岷峰.商業(yè)銀行數(shù)字化轉(zhuǎn)型風(fēng)險類型、特征及治理體系[J].金融發(fā)展研究,2023(10):63-68.
[4]陳敏,高傳君.金融科技發(fā)展與我國銀行風(fēng)險承擔(dān)行為[J].學(xué)習(xí)與實踐,2022(1):22-33.
[5]張駿,郭娜,劉彥迪.金融科技對銀行風(fēng)險的影響研究——基于流動性創(chuàng)造與經(jīng)營效率的分析[J].南開經(jīng)濟研究,2023(11):90-109.
[6]姚婷,宋良榮.金融科技對商業(yè)銀行風(fēng)險的影響及異質(zhì)性研究[J].云南財經(jīng)大學(xué)學(xué)報,2020,36(12):53-63.
[7]李學(xué)峰,楊盼盼.金融科技、市場勢力與銀行風(fēng)險[J].當(dāng)代經(jīng)濟科學(xué),2021,43(1):45-57.
[8]鄭宗杰,任碧云.金融科技、政府監(jiān)管與商業(yè)銀行風(fēng)險承擔(dān)[J].科學(xué)決策,2022(2):103-115.
[9]董曉林,吳之偉,陳秋月.金融科技發(fā)展對商業(yè)銀行風(fēng)險防控的影響——基于中國176家商業(yè)銀行的實證分析[J]. 江蘇社會科學(xué),2023(1):84-94+242-243.
[10]汪可,吳青,李計.金融科技與商業(yè)銀行風(fēng)險承擔(dān)——基于中國銀行業(yè)的實證分析[J].管理現(xiàn)代化,2017,37(6):100-104.
[11]孫麗,於佳歡.金融科技發(fā)展與商業(yè)銀行風(fēng)險承擔(dān):影響機理及實證檢驗[J].南方金融,2022(11):50-64.
[12]任碧云,鄭宗杰.金融科技對商業(yè)銀行風(fēng)險承擔(dān)的影響——基于商業(yè)銀行信貸結(jié)構(gòu)的視角[J].貴州財經(jīng)大學(xué)學(xué)報,2021(5):61-69.
[13]趙勝民,屠堃泰.金融科技降低了銀行風(fēng)險嗎?——基于規(guī)模異質(zhì)的視角[J].中央財經(jīng)大學(xué)學(xué)報,2022(10):35-49.
[14]蔣海,唐紳峰,吳文洋.數(shù)字化轉(zhuǎn)型對商業(yè)銀行風(fēng)險承擔(dān)的影響研究——理論邏輯與經(jīng)驗證據(jù)[J].國際金融研究,2023(1):62-73.
[15]翟勝寶,程妍婷,謝露.商業(yè)銀行數(shù)字化轉(zhuǎn)型與風(fēng)險承擔(dān)水平[J].北京工商大學(xué)學(xué)報(社會科學(xué)版),2023,38(2):75-86.
[16]郭峰,莊旭東,王仁曾.銀行數(shù)字化轉(zhuǎn)型、外源性金融科技與信用風(fēng)險治理——基于文本挖掘和機器學(xué)習(xí)的實證檢驗[J].證券市場導(dǎo)報,2023(4):15-23.
[17]吳文洋,蔣海,唐紳峰.數(shù)字化轉(zhuǎn)型、網(wǎng)絡(luò)關(guān)聯(lián)性與銀行系統(tǒng)性風(fēng)險[J].中國管理科學(xué),2024,32(3):9-19.
[18]馬亞明,馬麗敏,于博.數(shù)字化轉(zhuǎn)型能夠降低銀行信用風(fēng)險嗎?——基于交疊DID模型的實證檢驗[J].現(xiàn)代財經(jīng)(天津財經(jīng)大學(xué)學(xué)報),2024,44(3):3-18.
[19]方芳,李強.商業(yè)銀行數(shù)字化轉(zhuǎn)型如何影響風(fēng)險承擔(dān)——基于負債成本與信貸選擇機制的分析[J].貴州財經(jīng)大學(xué)學(xué)報,2024(3):31-39.
[20]張正平,紀(jì)環(huán)宇,董晶.數(shù)字化轉(zhuǎn)型與農(nóng)村商業(yè)銀行主動風(fēng)險承擔(dān)——基于文本挖掘法的實證研究[J].武漢金融,2023(4):30-39.
[21]任恒.大數(shù)據(jù)賦能新型智庫政策研究的基本內(nèi)涵、價值意蘊與路徑選擇[J].福建師范大學(xué)學(xué)報(哲學(xué)社會科學(xué)版),2024(3):24-34,169.
[22]李華民,吳非.銀行規(guī)模、貸款技術(shù)與小企業(yè)融資[J].財貿(mào)經(jīng)濟,2019,40(9):84-101.
[23]朱小能,李雄一.金融科技與銀行信用風(fēng)險:加劇還是降低[J].山西財經(jīng)大學(xué)學(xué)報,2022,44(11):39-52.
[24]Zhu C. Big Data as a Governance Mechanism[J].Social Science Electronic Publishing,2018.
[25]金洪飛,李弘基,劉音露.金融科技、銀行風(fēng)險與市場擠出效應(yīng)[J].財經(jīng)研究,2020,46(5):52-65.
[26]劉少波,張友澤,梁晉恒.金融科技與金融創(chuàng)新研究進展[J]. 經(jīng)濟學(xué)動態(tài),2021(3):126-144.
[27]鮑星,李巍,李泉.金融科技運用與銀行信貸風(fēng)險——基于信息不對稱和內(nèi)部控制的視角[J].金融論壇,2022,27(1):9-18.
[28]羅煜,崔書言,曠純.數(shù)字化與商業(yè)銀行經(jīng)營轉(zhuǎn)型——基于傳統(tǒng)業(yè)務(wù)結(jié)構(gòu)變遷視角[J].國際金融研究,2022,(5):34-44.
[29]戚聿東,蔡呈偉.數(shù)字化企業(yè)的性質(zhì):經(jīng)濟學(xué)解釋[J].財經(jīng)問題研究,2019(5):121-129.
[30]江曙霞,陳玉嬋.貨幣政策、銀行資本與風(fēng)險承擔(dān)[J].金融研究,2012(4):1-16.
[31]劉忠璐.互聯(lián)網(wǎng)金融對商業(yè)銀行風(fēng)險承擔(dān)的影響研究[J].財貿(mào)經(jīng)濟,2016(4):71-85+115.
[32]謝絢麗,王詩卉.中國商業(yè)銀行數(shù)字化轉(zhuǎn)型:測度、進程及影響[J].經(jīng)濟學(xué)(季刊),2022,22(6):1937-1956.
[33]江艇.因果推斷經(jīng)驗研究中的中介效應(yīng)與調(diào)節(jié)效應(yīng)[J].中國工業(yè)經(jīng)濟,2022(5):100-120.
[34]王偉,王芝丹,舒童.金融業(yè)“營改增”對銀行穩(wěn)定性的影響[J].稅務(wù)與經(jīng)濟,2024(3):32-41.
[35]余靜文,吳濱陽.數(shù)字金融與商業(yè)銀行風(fēng)險承擔(dān)——基于中國商業(yè)銀行的實證研究[J].產(chǎn)經(jīng)評論,2021,12(4):108-128.
[36]韋顏秋,邱立成.數(shù)字金融、資產(chǎn)規(guī)模與商業(yè)銀行風(fēng)險承擔(dān)[J].貴州社會科學(xué),2022(6):116-126.
[37]劉孟飛,蔣維.金融科技加重還是減輕了商業(yè)銀行風(fēng)險承擔(dān)——來自中國銀行業(yè)的經(jīng)驗證據(jù)[J]. 商業(yè)研究,2021(5):63-74.
[38]代軍勛,陶春喜.資本和流動性雙重約束下的商業(yè)銀行風(fēng)險承擔(dān)[J].統(tǒng)計研究,2016,33(12):37-43.
[39]孫旭然,王康仕,王鳳榮.金融科技、分支機構(gòu)擴張與中小銀行風(fēng)險——來自中國城市商業(yè)銀行的經(jīng)驗性證據(jù)[J].當(dāng)代經(jīng)濟管理,2021,43(1):82-91.
[40]田雅群,何廣文.互聯(lián)網(wǎng)金融、市場競爭對農(nóng)村商業(yè)銀行風(fēng)險的影響研究[J].農(nóng)業(yè)技術(shù)經(jīng)濟, 2022(3):73-83.
[41]李振新,陳享光.數(shù)字金融能降低地方商業(yè)銀行風(fēng)險嗎?——基于中國數(shù)字普惠金融和地方商業(yè)銀行的證據(jù)[J].蘭州大學(xué)學(xué)報(社會科學(xué)版),2023,51(3):62-76.
[42]郭品,沈悅.互聯(lián)網(wǎng)金融、存款競爭與銀行風(fēng)險承擔(dān)[J].金融研究,2019(8):58-76.
[43]王蕾,張向麗,池國華.內(nèi)部控制對銀行信貸風(fēng)險的影響——信息不對稱與代理成本的中介效應(yīng)[J].金融論壇,2019,24(11):14-23,54.
[44]丁鑫,周曄.數(shù)字化轉(zhuǎn)型與銀行信貸配置——基于銀行貸款投向?qū)嶓w經(jīng)濟的視角[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2024,41(3):193-216.
[45]楊景陸,粟勤.數(shù)字金融發(fā)展與中小銀行風(fēng)險——基于我國117家商業(yè)銀行的經(jīng)驗證據(jù)[J].南方金融,2023(3):3-18.
[46]Delis M D,Kouretas G P.Interest rates and bank risk-taking[J].Journal of Banking & Finance,2011,35(4):840-855.
[47]劉慧超,王書華.數(shù)字化轉(zhuǎn)型對中小銀行風(fēng)險水平影響研究[J].江西財經(jīng)大學(xué)學(xué)報,2023(4):23-37.
[48]王津.商業(yè)銀行金融科技發(fā)展階段與轉(zhuǎn)型路徑分析[J].企業(yè)科技與發(fā)展,2021(5):148-150,153.
[49]胡婧,張璇.金融科技能降低銀行的風(fēng)險承擔(dān)嗎——基于150家商業(yè)銀行年報的文本分析[J]. 金融監(jiān)管研究,2023(10):1-21.
[50]聶秀華,江萍,鄭曉佳,等.數(shù)字金融與區(qū)域技術(shù)創(chuàng)新水平研究[J].金融研究,2021(3):132-150.
[51]付佳琦.數(shù)字金融對非金融企業(yè)影子銀行化的影響研究——基于信貸資源配置的視角[J].海南金融,2024(7):33-50.
[52]梁多佳.數(shù)字普惠金融對城鄉(xiāng)收入差距的影響研究[J].海南金融,2024(3):3-13.
[53]孟娜娜,粟勤.擠出效應(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)代財經(jīng)(天津財經(jīng)大學(xué)學(xué)報),2020,40(1):56-70.
[54]Cuiyun Gao,Qian Wang.Does digital finance aggravate bank competition?Evidence from China[J]. Research in International Business and Finance, 2023,66(66).
[55]郭品,沈悅.互聯(lián)網(wǎng)金融對商業(yè)銀行風(fēng)險承擔(dān)的影響:理論解讀與實證檢驗[J].財貿(mào)經(jīng)濟, 2015, (10):102-116.
[56]顧海峰,楊立翔. 互聯(lián)網(wǎng)金融與銀行風(fēng)險承擔(dān):基于中國銀行業(yè)的證據(jù)[J].世界經(jīng)濟,2018,41(10):75-100.
[57]劉孟飛,王琦.數(shù)字金融對商業(yè)銀行風(fēng)險承擔(dān)的影響機制研究[J].會計與經(jīng)濟研究,2022,36(1):86-104.
[58]Sleimi M.Effects of risk management practices on banks' performance:An empirical study of the Jordanian banks[J].Growing Science,2020.
基金項目:本文系河北省社科基金項目“河北省縣域數(shù)字金融排斥的測度、成因與治理研究”(HB21YJ012)階段性研究成果。
作者簡介:郭小卉(1981-),男,河北邢臺人,金融學(xué)博士,河北大學(xué)經(jīng)濟學(xué)院副教授、碩士生導(dǎo)師;
姜銥然(2000-),女,河北唐山人,河北大學(xué)經(jīng)濟學(xué)院碩士研究生。