随着人工智能(AI)、区块链(Blockchain)、云计算(Cloud Computing)、大数据(Data & Data Analytics)等ABCD前沿技术的不断发展成熟,数字技术也在快速改变着居民金融生活,冲击着社会金融生态[1]。银行业作为金融领域的重要支柱,在客户金融需求日益多样化以及外资金融机构与日俱增的冲击下,面临着营收盈利增长的巨大压力,数字化已成为推动商业银行经营转型的重要动力之一[2]。
商业银行进行数字化转型面临降本增效和业务转型的机遇,是其维持竞争力的重要保障[3]。然而,在借助数字技术寻找业务新增长机会和创新业务新流程模式的过程中,商业银行面临着由数字化转型带来的趋势导向不可逆与银行自身基础支撑不匹配,以及风险管控与业务需求不平衡等一系列至关重要的问题①。党的二十大报告明确提出,要健全和完善金融风险的防范、预警和处置机制,持续强化金融风险防控能力。中央经济工作会议多次将防范化解金融风险摆在重要位置,并强调“防风险”是关系我国经济社会发展全局的战略性、根本性的大事。可见,商业银行数字化转型实践亟须以具备现实洞察力和战略导向的系统性理论框架为指导[4-5]。同时,重新审视商业银行数字化转型与银行风险承担水平之间的关系,分析数字化转型对银行风险承担水平的影响机制,对于更好地推进商业银行数字化转型进程,实现经济高质量发展、高水平增长具有重要意义。
已有关于商业银行风险承担影响因素的研究中,与本文研究内容关联较为密切的是金融科技和数字金融对商业银行风险承担水平影响的文献。例如,邱晗等[6]认为,金融科技的发展推高了银行的负债成本,使其风险承担行为增加。吴桐桐、王仁曾[7]指出,数字金融发展加剧了中小型商业银行之间的竞争,提高了它们的风险承担水平。金融科技、数字金融与本文关注的商业银行数字化转型,同样都是借助前沿技术进行创新,但前两者创新的是产品或服务,而后者创新的是商业模式。因此,金融科技、数字金融与数字化转型之间存在着本质差别。具体来说,金融科技利用了前沿科技创新的金融产品和服务[8],数字金融是通过互联网及信息技术手段,实现与传统金融服务业态相结合的新一代金融服务[9]。而本文所关注的商业银行数字化转型则是采取促使商业银行进行自我颠覆和价值重构的新模式。其主要将数据要素转化为基础性的战略资源,将数字元素注入金融服务全流程,将数字思维贯穿业务运营全链条。某种程度上说,商业银行数字化转型从根本上改变了商业银行的经营战略和服务理念,并对其业务流程、组织活动和员工能力等方方面面要素进行系统性、彻底的重新定义。鉴于此,本文选取2007—2020年在中国沪深A股上市的商业银行作为研究样本,实证检验商业银行数字化转型对风险承担水平的影响,在此基础上进行中介机制检验,并进一步从银行微观特质分析数字化转型对风险承担水平影响的异质性。
相较于已有研究,本文的边际贡献可能有以下几个方面。第一,本文探讨了商业银行数字化转型对银行风险承担水平的影响,深化了商业银行数字化转型经济后果的理论认知。银行风险一直是学术界、实务界以及监管层高度重视的问题,商业银行风险管理不仅关系到银行业的持续稳定健康发展,还与国家、地区经济金融稳定密切相关。现有研究对于商业银行微观层面数字化转型的经济后果探讨并不充分,目前还鲜有文献针对商业银行数字化转型与风险承担水平的关系展开系统研究。因此,审视商业银行数字化转型与风险承担水平的潜在关系,不仅拓展了商业银行数字化转型微观经济后果的研究范畴,同时对于助力商业银行高质量发展、推动经济高质量具有现实意义。第二,本文基于商业银行数字化转型这一视角,深入剖析数字化转型与银行风险承担水平之间的关系,丰富了有关银行风险承担水平影响因素的相关研究,也从微观层面为商业银行应对风险承担提供了新思路。第三,本文从微观视角出发,进一步厘清了数字化转型对银行风险承担影响的内在作用机制,并结合银行微观特质进行异质性分析,对于更好地把握商业银行数字化转型的实施效果具有重要意义。同时,也为更好地推进我国商业银行数字化转型进程提供了理论依据和实践指导。
首先,商业银行在数字化转型这一变革过程中,由于几乎所有的营运过程需要适应,因而面临着颠覆性的创新[10]。在传统的商业银行业务中,受制于客户信息的获取,银行主要从征信、财务情况以及行业属性等较为单一的维度来识别客户风险,这使得商业银行内外部存在着较为严重的信息不对称问题[11]。银行不仅无法广泛接触到符合条件的潜在客户,更无法充分了解这些群体的信用状况,因而仅能够为有限客户提供产品和服务。然而,在数字化背景下,商业银行利用数字技术能够打破传统风险数据结构,丰富数据维度,从而缓解信息不对称问题[12-13],提高银行产品销售适应客户的精准性,进而提高银行业务质量,优化信贷风险管控效果。
其次,传统商业银行内部职责细分,业务流程复杂,业务部门与技术部门目标难以协同,创新迭代能力较弱[14]。商业银行数字化转型为财务及时、精准地采集并分析相关信息奠定了技术基础,数据存储量的增加也有利于强化数据分析手段对决策的支持。通过重构商业银行的组织架构、业务机理,数字化对传统商业银行的战略模式和经营理念产生深层次影响[15],使金融服务和业务流程发生重大变革,银行围绕数字技术不断优化其客户交互能力,进一步减少了管理费用与服务成本,提高了经营效率,进而有效地抵御了新兴科技企业对自身的冲击,降低了风险承担水平。综合上述分析,本文提出如下假设。
H1:商业银行数字化转型能够降低其风险承担水平。
商业银行进行数字化转型,能够缓解银行内外部信息不对称程度。数字技术为业务管理模式注入了活力,不仅有助于银行提高对市场信息的获取能力,同时也增强了其对客户信息的即时价值捕捉能力,尤其是对行为信息的捕捉[5]。首先,商业银行通过数字技术能够实时了解供应链的交易流、资金流等最新动态,清晰掌握贷出资金的流向和用途。同时,商业银行能够将更多中小企业纳入到金融供应链体系中,突破传统的“二八定律”,拉近与客户之间的距离,进而提高对更多具有金融需求主体的可接触性。其次,基于客户的日常行为,商业银行可以从海量数据中有效获取与客户兴趣、偏好、信用等相关的信息,绘制出更加准确和完整的“用户画像”,对不同客户群体的需求进行精准区分,在此基础上选择更为适合的产品进行营销[16]。最后,通过对数据进行实时分析,数字化深度融入商业银行内控机制,能够对贷款管理流程进行全面、系统的监督,便于银行适时采取恰当的风险管控措施,提高银行对贷款客户信誉和风险信息的掌握程度。不难看出,有效的技术手段弥补了信贷双方天然存在的信息不对称,减少了银行贷款的贷前潜在违约风险与贷后实际违约风险[17],进而有效降低了商业银行风险承担水平。综合上述分析,本文提出如下假设。
H2:商业银行数字化转型通过缓解银行内外部信息不对称程度,从而降低其风险承担水平。
商业银行进行数字化转型,能够提高其经营效率。数字化背景下,大量的人际互动和信息传递开始通过基于数字化技术的线上系统实现,这种转变能够提高信息传递的及时性和准确性,从而降低沟通成本,提升协调效率[5]。一方面,基于大数据的运用,商业银行突破了实体网点以及营业时间的限制,降低了以往传统银行业务办理过程中产生的交易成本,同时也减少了因筹建实体网点而花费的高额费用以及大量的人工成本,进而提升了商业银行传统信贷业务办理效率。另一方面,通过降低银行组织层级冗余,数字技术有助于其组织方式向着敏捷型、灵活型转变。银行各部门之间运作的协同性会提高,传统刻板界限被打破,组织结构趋于灵活化和可扩展化,有助于商业银行提高对外部环境变化的敏感度,从而快速、灵活、有效地制定新战略并且加速资源整合与再分配,进而提升银行服务和内部管理水平,实现效率、效益、效果的全面改进与优化[18-19]。因此,商业银行数字化转型能够优化传统业务流程,降低银行运营成本和服务成本,提升经营效率。商业银行效率提升幅度越高,风险转嫁动机就越低,从而其风险承担水平就越低[12]。综合上述分析,本文提出如下假设。
H3:商业银行数字化转型通过提高银行经营效率,从而降低其风险承担水平。
鉴于数据可得性,本文选取2007—2020年在中国沪深A股上市的商业银行作为研究样本。在此基础上,剔除变量严重缺失的观测,最终获得41家商业银行共509条年度数据。为避免异常值的干扰,对所有连续变量进行上下1%的缩尾(winsorize)处理。数字化转型数据来自对各家上市银行所披露年报进行的文本挖掘与提取,经分析、判断与整合而来;商业银行其他相关指标以及财务数据来自中国研究数据服务平台(CNRDS)和国泰安数据库(CSMAR);宏观变量指标来自中国银行以及中国统计年鉴等官方披露的数据,经手工整理而来。
1.被解释变量:商业银行风险承担水平(RISK)
借鉴相关学者的研究[20-21],本文选择基于ROA的Z-ROA作为间接反映银行业风险承担水平的代理变量。通常,Z-ROA的值越高意味着银行风险承担水平越低;反之,则表示银行风险承担水平越高。在稳健性检验部分,本文还选择基于ROE的Z-ROE作为替换变量。具体计算方法如式(1)和式(2)所示。
(1)
(2)
其中,ROA、ROE是总资产收益率和净资产收益率,SDROA、SDROE为总资产收益率和净资产收益率标准差,分别采用3年滚动数据计算得到,式(1)中EQTA为所有者权益比率。
2.解释变量:商业银行数字化转型程度(DDT)
参考郭品、沈悦[1]提出的互联网、大数据、区块链及云计算等相关词库,在此基础上,追加了有关商业银行特有的关键词。通过对商业银行年报文本信息进行检索和提取,并根据搜索结果逐条分析,具体检索的关键词见表1。在验证本文的假设时,选择关键词在年报中出现的频数,对其取自然对数值作为商业银行数字化转型程度的度量。在稳健性检验部分,选择关键词及其在单个句子中拆分出现的频数总和,仍然对其取自然对数值作为代理变量进行检验。
表1 商业银行数字化转型关键词
维度关键词大数据技术大数据、数字化、数据互联、数据共享、数字孪生、数据挖掘、数据可视化数字业务数据仓库、数字银行、数字化营销、数字资产、数字票据、数字货币、信用货币、加密货币、算法货币、智能货币、联网审计、3D打印、零售银行业务、共享资源池、全渠道银行、开放银行数字业态网络化、线上化、电子商务、O2O、B2B、B2C、C2B、C2C、5G互联网互联网+、工业互联网、万物互联、移动互联、互联网金融、物联网智能化场景化金融、智能化、智能投顾、智能合约、智能化获客、智能供应链、智能制造、智能服务、智能管理、智能办公、智慧物流、机器人顾问、机器学习、神经网络、深度学习、机器人、人工智能、人机协同、人机协作、人机交互、仿真、客户画像云计算和区块链云服务、云计算、云存储、云平台、区块链、区块链金融
3.中介变量
参考王蕾等[22]的做法,使用商业银行当年普通股交易量与该年度发行在外的普通股平均数的比值,即股票年周转率来衡量信息不对称程度(DIA)。当股票年周转率越高时,其信息不对称程度越低,反之则表明信息不对称程度越高。其次,参考刘忠璐[12]的做法,以成本收入比度量商业银行经营效率(CIR)。
4.控制变量
对于控制变量的选取,借鉴已有研究[1],本文从银行微观层面和经济宏观层面选取影响银行风险承担水平的变量。微观层面指标包括资产水平(SIZE)、盈利能力(ROA)、流动性水平(LIQ)、存贷比(LDR)以及股权集中度(TOP)。同时,选择宏观经济增长(GDP)、货币供给(M2)和通货膨胀率(INF)作为宏观经济层面的主要控制变量,具体计算方式及说明见表2。
为检验H1,本文构建如下模型(3)。根据H1,预计α1的符号为正。
RISKi,t=α0+α1DDTi,t+α2SIZEi,t+
α3ROAi,t+α4LIQi,t+α5LDRi,t+
α6TOPi,t+α7GDPt+α8M2t+α9INFt+εi,t
(3)
为检验H2和H3,本文参考江艇[23]对于中介效应检验方法的讨论,通过回归识别解释变量与中介变量之间的关系来检验银行内外部信息不对称程度(DIA)、商业银行经营效率(CIR)对商业银行数字化转型影响风险承担水平发挥的中介效用。具体模型构建如下。
DIAi,t(CIRi,t)=β0+β1DDTi,t+β2SIZEi,t+
β3ROAi,t+β4LIQi,t+β5LDRi,t+β6TOPi,t+
β7GDPt+β8M2t+β9INFt+εi,t
(4)
表3列示了本文主要变量的描述性统计结果。可以看到,商业银行风险承担水平(RISK)的平均值为41.790,最小值为16.600,最大值为65.630,表明商业银行间的风险承担水平具有较大差异,这与邓向荣、张嘉明[24]的发现一致。商业银行数字化转型程度(DDT)平均值为1.629,最大值为5.170。整体来看,商业银行数字化转型程度较为不均。此外,本文分别按照年度—总体、年度—不同类型对样本银行数字化转型程度进行审查。结果发现,本文对于样本银行数字化转型程度刻画的总体特征符合《中国上市银行数字化转型指数报告》中对于我国上市银行数字化转型情况的描述,即从时间趋势来看,银行数字化转型程度整体上随时间逐渐提升;从不同类型的银行来看,国有商业银行的数字化转型程度处于最高水平,股份制商业银行的数字化转型程度较高,城市商业银行数字化转型程度相对较低,农村商业银行数字化转型程度远低于样本平均水平。这说明,样本银行数字化转型程度的差异性较大②。其他变量没有极端异常值,说明控制变量总体选择较为科学合理。
表2 主要变量相关说明
变量类型变量名称变量符号变量说明被解释变量商业银行风险承担水平RISK基于ROA的Z-Score,即Z-ROA解释变量商业银行数字化转型程度DDTln(1+数字化转型关键词频数)中介变量信息不对称程度DIA股票年周转率商业银行经营效率CIR成本收入比资产水平SIZE资产总额取自然对数盈利能力ROA净利润/资产总额流动性水平LIQ流动性资产/总资产控制变量存贷比LDR贷款总额/存款总额股权集中度TOP第一大股东持股比例宏观经济增长GDP名义国内生产总值增长率货币供给M2货币供应量(M2)增长率通货膨胀率INF消费者物价指数(CPI)增长率
此外,本文进行了多重共线性的方差膨胀因子(VIF)检验。结果显示,方差膨胀因子平均值为1.79,最大不超过2.79,远低于临界值10,进一步说明变量间不存在自相关问题。同时,本文进行了Pearson相关系数与Spearman相关系数检验,从相关系数矩阵中可以看出,商业银行数字化转型程度(DDT)与风险承担水平(RISK)的Pearson相关系数为0.491,Spearman相关系数为0.314,均在1%的水平下显著,这初步验证了H1的成立,即商业银行数字化转型能够降低银行风险承担水平。此外,从其他变量之间的相关系数大小来看,各变量之间并不高度相关,此处不再赘述③。
表3 主要变量的描述性统计结果
变量均值标准差最小值中值最大值RISK41.79014.72016.60040.56065.630DDT1.6291.7540.0001.0995.170DIA2.5162.4520.0631.87316.740CIR0.5400.1140.2700.5460.864SIZE27.3601.79324.18027.12030.890ROA0.0940.0240.0350.0930.157LIQ0.8700.0440.7390.8720.962LDR0.6970.1250.3230.6981.062TOP0.2370.1590.0430.1950.677GDP7.7052.4732.3007.30014.200M213.6805.0178.07613.34028.420INF2.6591.543-0.7002.5005.900
表4的列(1)和列(2)展示了针对H1的检验结果。从列(1)可以看出,商业银行数字化转型程度(DDT)的估计系数在1%的水平下显著为正,数字化转型程度每提高1%,商业银行风险承担水平的下降比例为1.052% 。这表明在其他条件不变的情况下,现阶段商业银行数字化转型程度越高,银行风险承担水平越低,因此H1成立。在此基础上,本文进一步控制与银行个体差异相关而不随时间变化的遗漏变量。固定效应和随机效应模型的选择主要根据Hausman检验结果判定,原假设表明随机效应和固定效应无差异,鉴于Hausman检验结果显著(p<0.01),因此本文选择固定效应模型来控制个体效应。列(2)是固定效应模型的回归结果。可以看出,商业银行数字化转型程度(DDT)的估计系数在1%的水平下显著为正,这表明在控制了商业银行个体效应后,H1的结论依然成立。
表4的列(3)和列(4)展示了针对H2和H3的检验结果。由列(3)可知,商业银行数字化转型程度的估计系数在1%的水平下显著为正,这表明商业银行数字化转型程度的提高能够缓解信息不对称程度,进而降低商业银行风险承担水平。因此,H2得到了较好的验证。同时,由列(4)可知,商业银行数字化转型程度的估计系数在1%的水平下显著为负,这表明商业银行数字化转型能够提高其经营效率,进而降低银行风险承担水平。因此,H3也得到了较好的验证。
表4 商业银行数字化转型影响银行风险承担水平及中介效应的回归结果
RISKRISKDIACIR(1)(2)(3)(4)DDT1.052∗∗∗0.925∗∗∗0.262∗∗∗-0.012∗∗∗(3.80)(2.99)(2.81)(-2.97)SIZE-1.887∗∗∗4.046∗∗∗-0.625∗∗∗-0.002(-6.30)(3.47)(-6.08)(-0.46)ROA55.749∗∗∗-9.673-26.143∗∗∗-0.876∗∗∗(3.96)(-0.58)(-6.74)(-4.06)LIQ-53.246∗∗∗-28.639∗∗-4.362∗∗-0.092(-6.85)(-2.52)(-2.08)(-0.89)LDR27.108∗∗∗40.312∗∗∗-0.614-0.028(10.60)(9.35)(-0.60)(-0.64)TOP2.7310.3310.2600.001(1.05)(0.04)(0.35)(0.01)GDP-1.878∗∗∗-0.903∗∗∗0.177∗∗∗-0.020(-9.42)(-3.92)(2.61)(-0.20)M2-1.295∗∗∗-0.810∗∗∗-0.079∗∗∗0.029∗∗∗(-14.16)(-7.21)(-3.33)(9.32)INF-2.224∗∗∗-1.528∗∗∗-0.232∗∗∗-0.009∗∗∗(-8.25)(-6.39)(-4.08)(-7.70)个体固定效应否是否否常数项151.350∗∗∗-50.67026.117∗∗∗-0.027∗∗∗(13.23)(-1.41)(8.00)(-7.73)样本量509509509509R20.7380.7980.2230.310F值186.80202.1216.4720.56
1.内生性处理
(1)工具变量法。本文旨在考察数字化转型对银行风险承担水平的影响。然而,银行风险承担水平也会对其自身数字化转型的推进产生一定影响。为应对来自各方面因素可能导致的银行风险上升,商业银行或主动进行数字化转型来提高自身的竞争力,从而应对风险,即变量之间可能存在一定的反向因果关系。参考张国胜、杜鹏飞[25]的研究思路,本文选择年度—地区层面商业银行数字化转型程度的平均值mean_DDT作为工具变量,进行两阶段最小二乘估计,以减轻计量识别中的内生性问题。年度—地区商业银行平均数字化转型程度可能会影响商业银行进行数字化转型,但对于商业银行自身的风险承担水平并无直接作用,因此该工具变量的选取应较为有效。两阶段回归结果列示于表5的列(1)和列(2)。从列(1)中可以看出,在第一阶段回归中,mean_DDT估计系数在1%的水平下显著为正,这表明工具变量对于内生变量具有较好的解释力;同时,Wald检验的F统计值较大,显著大于1%的临界值,通过了弱工具变量检验。根据第二阶段的回归结果,商业银行数字化转型程度(DDT)的估计系数在1%的水平下显著为正,这与前文的回归结果较为一致。
(2)系统广义矩估计(SYS-GMM)。进一步地,考虑到商业银行上一期风险承担水平与本期风险承担水平之间可能存在一定的高持续性,以及模型中潜在的反向因果引起的内生性问题,本文引入商业银行风险承担水平(RISK)的滞后一期作为解释变量,运用动态面板模型进行系统广义矩估计。表5的列(3)是系统广义矩估计的回归结果。从列(3)中可以看出,商业银行数字化转型程度(DDT)的估计系数在1%的水平下显著为正。AR(2)检验结果表明,扰动项差分不存在二阶序列相关;Wald检验结果和Hansen检验结果均说明工具变量选取有效,即在考虑变量内生性因素后,本文的结论依然稳健成立。
2.其他稳健性检验
(1)考虑滞后性影响。数字化转型的影响可能存在时间滞后性[26]。由于商业银行进行数字化转型是一个持续性的长周期,本期的转型成效对银行风险承担水平产生的影响可能存在一定时滞。鉴于此,为提高回归结果的可靠性,本文将解释变量和控制变量全部滞后一期放入模型(3),检验结果列示于表6的列(1)。由列(1)可知,商业银行数字化转型程度(DDT)的估计系数仍在1%的水平下显著为正,这说明在考虑商业银行数字化转型影响可能存在时滞的情况下,H1的结论仍然存在,且较为稳健。
表5 内生性处理回归结果
一阶段二阶段SYS-GMMDDT(1)RISK(2)RISK(3)RISK-10.586∗∗∗(6.51)mean_DDT0.645∗∗∗(13.29)DDT2.653∗∗∗2.914∗∗∗(4.72)(3.41)SIZE0.2261∗∗∗-2.615∗∗∗2.511(6.57)(-7.03)(1.04)ROA4.182∗∗∗60.004∗∗∗19.032(2.79)(4.21)(0.56)LIQ1.180-52.409∗∗∗-23.023(1.16)(-6.59)(-0.70)LDR1.855∗∗∗20.979∗∗∗-7.064(4.07)(6.82)(-0.59)TOP-1.339∗∗∗3.964-65.470(-3.36)(1.42)(-1.52)GDP-0.026-1.642∗∗∗0.079(-0.87)(-7.59)(0.21)M2-0.010-1.193∗∗∗-0.179(-0.91)(-11.82)(-1.05)INF0.018-2.231∗∗∗-1.244∗∗∗(0.66)(-8.16)(-3.99)个体固定效应是是是常数项-8.698∗∗∗168.344∗∗∗-10.759(-6.10)(13.24)(-0.15)样本量509509484R20.7260.724F值276.33Wald统计量p值0.0000.000AR(2)0.104Hansen检验p值 1.000
注:***、**和*分别表示在 1%、5%和10%的水平下显著;括号内为T值。Wald检验原假设为“工具变量与内生变量不相关”,AR(2)检验原假设为“残差不存在二阶自相关”,Hansen检验原假设为“工具变量均外生”。
(2)替换核心变量。首先,替换被解释变量。本文使用Z-ROE替换Z-ROA作为银行风险承担水平的代理变量(RISK′),将替换后的变量放入模型(3)再次回归,回归结果如表6列(2)所示。从列(2)中可以看出,替换被解释变量后,商业银行数字化转型程度(DDT)的估计系数仍在1%的水平下显著为正。其次,替换解释变量。本文使用检索到的包含关键词频数以及在一个句子中关键词拆分出现的频数总和,仍对其取自然对数,作为数字化转型程度的代理指标(DDT′)。从列(3)中可以看出,商业银行数字化转型程度的代理变量(DDT′)的估计系数仍在1%的水平下显著为正,这表明本文的结论并没有因为变量的选择而产生偏倚。
表6 其他稳健性检验结果
RISKRISK′RISK(1)(2)(3)DDT0.991∗∗∗0.882∗∗∗(3.59)(5.08)DDT′1.122∗∗∗(4.50)SIZE-1.662∗∗∗-0.062-2.038∗∗∗(-5.75)(-0.37)(-6.75)ROA43.844∗∗∗-15.07154.756∗∗∗(3.22)(-1.52)(3.92)LIQ-56.167∗∗∗-4.462-54.030∗∗∗(-7.68)(-0.88)(-6.97)LDR24.922∗∗∗0.82526.500∗∗∗(9.61)(0.52)(10.54)TOP0.020-1.8243.240(0.76)(-1.23)(1.25)GDP-2.935∗∗∗-2.937∗∗∗-1.861∗∗∗(-10.85)(-20.61)(-9.36)M2-1.098∗∗∗-1.267∗∗∗-1.307∗∗∗(-11.64)(-28.34)(-14.76)INF-1.264∗∗∗-1.405∗∗∗-2.271∗∗∗(-4.86)(-7.99)(-8.45)个体固定效应是是是常数项156.910∗∗∗90.251∗∗∗156.268∗∗∗(14.72)(13.22)(13.63)样本量463509509R20.7550.9180.740F值210.60921.01195.02
注:***、**和*分别表示在1%、5%和10%的水平下显著;括号内为T值。
不同类型商业银行的特质迥然有异,其在战略目标、业务结构转变以及综合实力等方面具有较大差异[1]。大中型商业银行资本充足率较高,在资产规模、融资渠道便捷度上也具有一定的优势。《中国银行业数字化转型报告2022》指出,大中型银行普遍将数字化放到了战略的核心地位,并逐年增加在科技数字化上的人力与物力投入。相比之下,小型商业银行要面临更高的数字化转型门槛,基于成本压力在短期内更愿意依赖传统运营模式[27]。除此之外,小型商业银行在资源禀赋、盈利水平以及人才储备等方面存在短板,难以达到大中型商业银行在数字化技术层面取得的规模效应。因此,相比于小型商业银行,大中型商业银行的风险承担水平受到其自身数字化转型程度的影响更深。
为检验不同规模下,商业银行数字化转型对银行风险承担水平影响的异质性,本文参考刘孟飞、王琦[27]的做法,根据中国人民银行与中国银保监会对我国商业银行类型的划分标准④,将样本银行划分为大中型商业银行与小型商业银行两类子样本。对划分后的子样本分别进行回归,结果列示于表7的列(1)和列(2)。从列(1)和列(2)中可以看出,商业银行数字化转型程度(DDT)的估计系数在大中型商业银行子样本中显著为正,而在小型商业银行子样本中却不显著。这表明,相比于小型商业银行,数字化转型对于降低银行风险承担水平的作用在大中型商业银行中更为显著。为比较两组估计系数的差异,本文进行了邹检验(Chow Test),其结果表明至少在1%的显著性水平下拒绝原假设,说明两个系数之间存在显著的差异。
国有股份制商业银行由于所有权的特殊性,在实现自身盈利的同时需要更多地承担协助公共事业和社会福利保障的责任,有国家信用支持和政府隐性担保,普遍具有“大而不倒”的预期[27]。因此,相比于非国有商业银行,国有商业银行出现困境引发挤兑的可能性较小,且有着更强的风险抵御能力,其受到来自数字化转型降低风险承担水平的影响可能不如非国有商业银行明显。
为检验不同产权性质下,商业银行数字化转型对银行风险承担水平影响的异质性,本文根据商业银行产权性质将总样本划分为国有商业银行与非国有商业银行两类子样本。对划分后的子样本分别进行回归,结果列示于表7的列(3)和列(4)。从列(3)和列(4)中可以看出,商业银行数字化转型程度(DDT)的估计系数在非国有商业银行子样本中显著为正,而在国有商业银行子样本中不显著。这表明,相比于国有商业银行,数字化转型对于降低商业银行风险承担水平的作用在非国有商业银行中更加显著。邹检验结果也表明至少在1%的显著性水平下拒绝原假设,说明两组估计系数之间存在显著差异,前文预测得到了较好的验证。
表7 基于商业银行规模与产权性质的异质性回归结果
规模异质性产权异质性大中型银行小型银行国有银行非国有银行(1)(2)(3)(4)DDT1.053∗∗∗0.6690.4011.336∗∗∗(2.73)(1.50)(0.58)(4.18)控制变量是是是是常数项11.511109.186∗∗∗-401.809∗∗∗166.926∗∗∗(0.51)(5.04)(-4.89)(14.84)样本量24026970439R20.8500.6810.9280.742F值144.4161.5086.40137.42Chow Testp值0.0000.000
注:***、**和*分别表示在 1%、5%和10%的水平下显著;括号内为T值。
伴随着利率市场化、金融脱媒的影响,银行业竞争日趋激烈[28]。一定程度的竞争可以发挥优胜劣汰的筛选作用,对于商业银行的创新行为具有重要的影响。数字经济时代,竞争在很大程度上决定了商业银行实施数字化转型的动机。处于较高竞争程度的商业银行本身面临更大的竞争压力,为了不被市场所淘汰,其更有动机通过数字化转型推动自身创新,从而获取竞争优势,更好地应对盈利压力与经营风险。因此,相比于竞争程度较低的商业银行,数字化转型对于降低风险承担水平的效果可能在竞争程度较高的商业银行中更加突出。
本文按照丁友刚、严艳[29]的做法,通过构造Lerner指数来度量商业银行竞争程度。在此基础上,按照年度—地区中位数,将样本划分为竞争程度较高和竞争程度较低两类子样本分别进行回归,实证结果列示于表8的列(1)和列(2)当中。从列(1)和列(2)可以看出,商业银行数字化转型程度(DDT)的估计系数在竞争程度较高的子样本中显著为正,而在竞争程度较低的子样本中不显著。这表明,相比竞争程度较低的商业银行,在竞争程度较高的商业银行中,数字化转型对于降低商业银行风险承担水平的作用更加显著。邹检验结果的p值小于0.01,说明两组估计系数之间存在显著差异。因此,上述预测也得到了较好的验证。
商业银行所处地区也可能影响数字化转型降低风险承担水平的效果。一方面,相比于中西部地区商业银行,东部地区商业银行在地理位置以及资源禀赋等方面更具有优势,各方面制度建设也更为完善,从而在数字化进程等方面也更为领先[30]。另一方面,东部地区数字金融发展程度相对较高,银行应对金融科技布局更早更快,数字技术得到广泛应用和普及。而中西部地区商业银行则存在显著的传统路径依赖特征[31],基础设施以及资源配置效率都相对落后。因此,相比于东部地区商业银行,数字化技术应用在中西部地区对于商业银行发挥的效用可能相对较低。
表8 异质性回归结果
竞争程度异质性地区异质性竞争程度较高竞争程度较低东部地区中西部地区(1)(2)(3)(4)DDT1.329∗∗∗0.6201.101∗∗∗0.848(3.73)(1.30)(3.15)(1.31)控制变量是是是是常数项54.941∗∗∗115.415∗∗∗-2.268∗∗∗-1.707∗∗∗(2.91)(5.30)(-7.81)(-3.26)样本量25425542584R20.8490.6830.7360.843F值152.6058.61115.3239.17Chow Test p值0.0000.000
注:***、**和*分别表示在 1%、5%和10%的水平下显著;括号内为T值。
因此,为检验商业银行数字化转型影响风险承担水平在不同地区间的差异,本文参考曹廷求、张光利[32]的做法,按照商业银行注册地所在省份将样本划分为东部地区商业银行和中西部地区商业银行两类子样本⑤,分别对模型(3)进行回归。检验结果列示于表8的列(3)和列(4)。从列(3)和列(4)可以看出,在东部地区子样本中,商业银行数字化转型程度(DDT)的系数在1%的水平下显著为正,而在中西部地区子样本中不显著。前已述及,东部地区商业银行具有较强的创新能力,能够满足数字化变革所需的技术条件,为数字化进程的推进提供有力保障;同时,相比于中西部地区,东部地区数字金融发展程度相对较高,商业银行的数字化转型意识也相对更强,因而东部地区商业银行数字化转型对于降低银行风险承担水平的效果要显著优于中西部地区商业银行。此外,邹检验结果也进一步说明了两组估计系数之间存在显著差异。
数字化浪潮给传统商业银行带来了前所未有的机遇和挑战。中国银保监会于2022年1月印发《关于银行业保险业数字化转型的指导意见》,提出要加快数字经济建设,以数字化转型推动银行业和保险业高质量发展。作为金融领域重要支柱的商业银行,在数字经济与金融科技的冲击下,正努力探索着数字化转型之路。本文选取2007—2020年在中国沪深A股上市的商业银行作为研究样本,实证检验了商业银行数字化转型程度对银行风险承担水平的影响。研究发现,商业银行数字化转型程度越高,银行风险承担水平越低;中介机制分析表明,商业银行数字化转型通过缓解银行内外部信息不对称程度和提高银行经营效率,进而降低银行风险承担水平;进一步地,本文从银行微观特质角度分析数字化转型对风险承担水平影响的异质性,结果显示商业银行数字化转型对于风险承担水平的降低作用在大中型、非国有商业银行和竞争程度较高以及东部地区商业银行中更为突出。本文的研究结论在拓展了有关商业银行数字化转型经济后果以及银行风险承担水平影响因素等领域文献的同时,对于更好推进商业银行数字化转型进程具有重要启示。
针对研究结果以及目前商业银行数字化转型现状,本文提出如下政策建议。
第一,从商业银行微观层面来说,商业银行进行数字化转型是大势所趋。目前所存在的痛点与难点在于,数字化转型这一趋势导向不可逆转与商业银行自身基础不扎实、转型准备不充分的矛盾,因此商业银行要从最根本的传统决策模式上进行转变。通过树立数据决策能够强化银行有效运作的意识,培养数据思维,进而在整个银行内部建立完整的数据运行方案,将数字化渗透至方方面面,最终得以顺利转型。
第二,从银行业中观层面来说,各家商业银行之间由于自身规模大小、产权性质、竞争程度以及所在地区等微观特质存在显著差异,其数字化转型过程中所面临的需求必然有所不同。因此,不同规模和禀赋的商业银行应建立和经营特点相匹配、与风险管理能力相适应的数字化转型路径,以达到逐步推进,稳中求胜。
第三,从宏观层面来说,政府以及国家相关部门在一定程度上应大力支持作为金融体系核心的商业银行进行数字化转型,尤其是非国有商业银行以及中小型商业银行,在财政方面应视具体情况给予各地区商业银行相应的帮扶政策。从数字化转型的长远角度来看,要具有忧患意识,即便数字技术可以带来业务流程优化、经营成本降低等正面影响,但对于数字资产的风险控制,当前并没有具体的管理规则。在数字化转型后期,可能将出现网络信息安全、数据泄露等一系列风险防控问题,因此对于金融风险的把控仍值得监管部门高度关注。
注 释:
①资料来源:https://www.financialnews.com.cn/ll/gdsj/202011/t20201109_204930.html。
②样本数字化转型程度特征图表未展示,留存备索。作者邮箱:zhaishengbao@chnu.edu.cn。
③由于篇幅所限,相关性检验与方差膨胀因子检验结果未展示,留存备索,作者邮箱同上一注释。
④《中国人民银行 中国银行保险监督管理委员会关于建立银行业金融机构房地产贷款集中度管理制度的通知》(银发〔2020〕322号),http://www.pbc.gov.cn/tiaofasi/144941/3581332/4156267/index.html。
⑤本文东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南,其他省份为中西部地区。
[1]郭品,沈悦.互联网金融、存款竞争与银行风险承担[J].金融研究,2019(8):58-76.
[2]罗煜,崔书言,旷纯.数字化与商业银行经营转型——基于传统业务结构变迁视角[J].国际金融研究,2022(5):34-44.
[3]GOMBER P,KOCH J A,SIERING M. Digital finance and fintech:current research and future research directions[J]. Journal of Business Economics,2017,87(5):537-580.
[4]AGRAWAL A,GANS J,GOLDFARB A. Prediction machines:the simple economics of artificial intelligence[M]. Harvard: Harvard Business Press,2018.
[5]陈冬梅,王俐珍,陈安霓.数字化与战略管理理论——回顾、挑战与展望[J].管理世界,2020(5):220-236.
[6]邱晗,黄益平,纪洋.金融科技对传统银行行为的影响——基于互联网理财的视角[J].金融研究,2018(11):17-29.
[7]吴桐桐,王仁曾.数字金融、银行竞争与银行风险承担——基于149家中小商业银行的研究[J].财经论丛,2021(3):38-48.
[8]郑宗杰,任碧云.金融科技、政府监管与商业银行风险承担[J].科学决策,2022(2):103-115.
[9]黄益平,黄卓.中国的数字金融发展:现在与未来[J].经济学(季刊),2018(4):1489-1502.
[10]NIEMAND T,RIGTERINGR J C,KALLMUNZER A,et al. Digitalization in the financial industry:a contingency approach of entrepreneurial orientation and strategic vision on digitalization[J]. European Management Journal,2021,39(3):317-326.
[11]MIAN A. Distance constraints: the limits of foreign lending in poor economies[J]. Journal of Finance,2006,61(3):1465-1505.
[12]刘忠璐.互联网金融对商业银行风险承担的影响研究[J].财贸经济,2016(4):71-85.
[13]LIBERTI J M,PETERSEN M A. Information:hard and soft[J]. Review of Corporate Finance Studies,2019,8(1):1-41.
[14]谢治春,赵兴庐,刘云燕.传统商业银行数字化转型下的组织适应性问题与组织创新[J].当代经济管理,2022(12):81-88.
[15]BOOT A,HOFFMANN P,LAEVEN L,et al. Fintech:what’s old,what’s new?[J].Journal of Financial Stability,2021,53(c):1-13.
[16]CHANEY T. The network structure of international trade[J].American Economic Review,2014,104(11):3600-3634.
[17]鲍星,李巍,李泉.金融科技运用与银行信贷风险——基于信息不对称和内部控制的视角[J].金融论坛,2022(1):9-18.
[18]FUSTER A,PLOSSER M,SCHNABL P,et al. The role of technology in mortgage lending[J].Review of Financial Studies,2019,32(5):1854-1899.
[19]BERG T,BURG V,GOMBOVI A,et al. On the rise of fintechs:credit scoring using digital footprints[J].Review of Financial Studies,2020,33(7):2845-2897.
[20]LAEVEN L,LEVINE R. Bank governance,regulation and risk taking[J].Journal of Financial Economics,2009,93(2):259-275.
[21]张雪兰,何德旭.货币政策立场与银行风险承担——基于中国银行业的实证研究(2000—2010)[J].经济研究,2012(5):31-44.
[22]王蕾,张向丽,池国华.内部控制对银行信贷风险的影响——信息不对称与代理成本的中介效应[J].金融论坛,2019(11):14-23.
[23]江艇.因果推断经验研究中的中介效应与调节效应[J].中国工业经济,2022(5):100-120.
[24]邓向荣,张嘉明.货币政策、银行风险承担与银行流动性创造[J].世界经济,2018(4):28-52.
[25]张国胜,杜鹏飞.数字化转型对我国企业技术创新的影响:增量还是提质?[J].经济管理,2022(6):82-96.
[26]吴非,胡慧芷,林慧妍,等.企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界,2021(7):130-144.
[27]刘孟飞,王琦.数字金融对商业银行风险承担的影响机制研究[J].会计与经济研究,2022(1):86-104.
[28]孟维福,刘浩杰,王璟怡.货币宽松、银行竞争与风险承担——理论模型与实证分析[J].经济问题,2022(2):42-51.
[29]丁友刚,严艳.中国商业银行贷款拨备的周期效应[J].经济研究,2019(7):142-157.
[30]郭慧芳,王宏鸣.数字化转型与服务业全要素生产率[J].现代经济探讨,2022(6):92-102.
[31]盛天翔,朱政廷,李祎雯.金融科技与银行小微企业信贷供给:基于贷款技术视角[J].管理科学,2020(6):30-40.
[32]曹廷求,张光利.市场约束、政府干预与城市商业银行风险承担[J].金融论坛,2011(2):3-14.
ZHAI Shengbao, CHENG Yanting, XIE Lu. Impact of commercial banks’ digital transformation on their risk-taking level[J]. Journal of Beijing Technology and Business University (Social Sciences), 2023,38(2):75-86.
翟胜宝(1976—),男,山东滕州人,淮北师范大学副校长,安徽财经大学会计学院教授,博士生导师,博士,研究方向为公司治理与财务;
程妍婷(1997—),女,安徽马鞍山人,安徽财经大学会计学院硕士研究生,研究方向为公司治理与财务;
谢 露(1990—),女,重庆人,暨南大学管理学院副教授,博士,研究方向为公司财务和银行治理。