1. 引言
近年来,随着数字经济和金融科技的出现,第四次工业革命也在各行各业展开,其核心技术为人工智能、区块链和云计算等。与以往一样,新兴技术的兴起伴随而来的就是机遇和挑战,商业银行作为金融市场的主体,在数字经济和金融科技的冲击下,逐渐地也走上了数字化转型的道路。在新的机遇下,商业银行积极进行业务上的创新,在精准获取客户、线上贷款、数字化产品和风控等业务上投入了大量的资金,获得了业务量上的大幅提升,极大地促进了数字经济的发展。
但是,在银行数字化转型的过程中,需要大量的资本支持,资本的消耗在带来业务量的同时,也可能会提升商业银行的风险承担水平,如果没能处理好二者之间的关系,可能会降低商业银行数字化转型的成果。正是在这种情况下,本文实证研究了数字化转型对商业银行风险承担将会带来何种影响,找到数字化转型会给商业银行风险承担带来变化的具体证据,根据区域的不同,将商业银行分为了东部银行和中西部银行,同时将商业银行分为了国有银行、股份制银行、城市商业银行、农村商业银行,并将传统的国有银行和其他三类银行分开分析异质性影响,另外将商业银行资本管理水平作为调节变量使用资本充足率作为代理变量研究了银行风险管理对数字化转型和银行风险承担关联的调节效应,根据实证结果对商业银行数字化转型提出相应的建议。
相对于以往的研究,本文的边际贡献主要在以下三个方面:第一,本文借鉴了吴非(2021)通过爬虫技术从上市银行年报中统计相应的词频来构造数字化转型指数,丰富了数字化转型程度的构造方法,为研究商业银行数字化转型提供了参考。第二,本文将商业银行分为了国有银行、股份制银行、城市商业银行、农村商业银行,并创新性的将传统的五大国有银行和其他三类银行分开以分析异质性影响。第三,本文从商业银行风险管理的视角,实证检验了数字化转型对商业银行风险承担的调节效应,为商业银行风险管理提供了理论和经验依据。
2. 文献综述和研究假设
2.1. 文献综述
截至目前,有大量关于数字化转型和商业银行风险承担的研究。王俊寿[1]通过研究认为在第四次工业革命的冲击下,商业银行进行数字化转型是必然要求,商业银行需要利用好数字经济来促进银行服务效率的提升。张烨宁和王硕[2]认为金融科技和商业银行业务的结合促进了数字化转型,通过实证结果分析了金融科技对商业银行数字化转型的影响机制,发现金融科技在银行业务量、金融产品多样化和部门间沟通等方面提升了银行数字化转型的程度。倪克金和刘修岩[3]通过研究发现研究结果表明,数字化转型可以显著提升企业发展。肖土盛;孙瑞琦;袁淳;孙健[4]以2011~2019年A股上市公司的数据为样本,研究了数字化转型对工人劳动收入的影响原理,结果表明,企业的数字化转型可以提高公认的劳动收入份额。
郭丽虹和朱柯达[5]通过研究发现金融科技会大幅度减小商业银行在贷款业务方面的风险,从而会降低商业银行的风险承担水平。喻平和张敬佩[6]通过研究86家上市商业银行的数据,发现金融科技在前期会增加商业银行风险承担水平,金融科技的进一步发展,商业银行风险承担水平呈现出下降的趋势。潘敏[7]以281家商业银行的数据为样本,研究了极端气候对商业银行风险承担的影响,结果表明,极端强降水会大幅度提高商业银行的风险承担水平,但是极端高低温对商业银行风险承担水平没有明显的影响关系。武春桃[8]研究了我国2011~2019年92家城市商业银行的面板数据,实证结果表明数字经济发展会增加城市商业银行风险承担水平,及时加入金融科技作为中介作用结果依然是显著加剧城市商业银行的风险承担水平。
2.2. 研究假设
1) 数字化转型与商业银行风险承担
在商业银行数字化转型进程的加快之下,银行推出了大量的应用程序,在保留商业银行传统经营模式的前提下,新增了许多其他收入途径。数字化转型促进了商业银行许多业务的创新,推动了很多中间业务的发展,使得商业银行的经营水平更加多元化,降低了银行的风险[9]。商业银行在数字化转型的过程中,改进组织架构、调整业务模式、加强风险管控,提高了金融服务水平和一对一营销成功率,降低了商业银行的服务成本,提升了商业银行的经营效率[10],因此数字化转型会对商业银行风险承担产生抑制作用,减少商业银行的风险承担水平。基于此,本文提出第一个假设:
H1:数字化转型会降低商业银行风险承担。
2) 不同区域和性质的商业银行数字化转型对风险承担的影响存在异质性
银行业发展到现在,形成了许多不同性质的商业银行,这些银行在资产规模、管理水平、经营能力和技术发展等方面都存在巨大差异[11]。传统的国有银行业务稳定,资产水平处于稳定的水平,股份制银行和部分农商行起步较晚,在数字化转型上投入了大量的资金,极大的促进了自身的发展。我国地域覆盖面广,在东部地区经济发达,在面对新的机遇时会投入大量的资金支持,而中西部地域发展水平相对落后,或许无法跟上数字化转型的进程。在这种逻辑下,本文提出第二个研究假设:
H2:数字化转型对不同区域和性质商业银行风险承担的影响存在异质性。
3. 模型与变量说明
3.1. 变量说明
为了实证检验数字化转型对商业银行风险承担的影响,本文参考相关文献选取了以下变量来进行模型构建:
1) 被解释变量:商业银行风险承担(risk)。在以往的研究中,对于银行风险承担的测量方法主要包括Z值、不良贷款率和加权风险资产等。在本文中选取了不良贷款率作为被解释变量。
2) 核心解释变量:数字化转型程度指数(digital)。本文借鉴了吴非[12]通过爬虫技术从上市银行年报中统计相应的词频来构造数字化转型指数。
控制变量:为了避免内生性问题,本文从宏观和微观两个方面选择了控制变量。在宏观方面,选取国民生产总值增长率(ggdp)作为控制变量;在微观方面,选取了商业银行资产规模的对数(ln(Size))、资产收益率(Roa)、成本收入比(Cir)和净息差(Nim)作为控制变量。变量说明如表1所示。
Table 1. Variable declaration
表1. 变量说明
变量 |
符号 |
变量描述 |
商业银行风险承担 |
risk |
不良贷款余额/贷款总额*100 |
数字化转型程度指数 |
digital |
通过爬取银行年报构造 |
国民生产总值增长率 |
ggdp |
gdp增长率 |
银行规模 |
ln(Size) |
商业银行资产规模的对数 |
资产收益率 |
Roa |
净利润/总资产 |
成本收入比 |
Cir |
营业成本/营业收入 |
净息差 |
Nim |
贷款利率−存款利率 |
3.2. 模型构建
为了解决内生性问题,本文引入了商业银行风险承担的滞后一期[13],使用动态面板广义矩阵(GMM)模型进行实证检验。模型构建如下:
(1)
其中risk为被解释变量商业银行风险承担,digital是核心解释变量商业银行数字化转型指数,control是控制变量,在本文包括银行微观层面和宏观经济层面的因素。μ是个体异质性的截距项,ε是随机扰动项。
,t代表时间,j代表控制变量的类别。
3.3. 样本选取和处理
本文商业银行的微观数据来源于国泰安数据库,宏观数据来源于国家统计局官网,部分缺失数据手动查阅商业银行历年年报进行补充。
本文选取了2011~2022年38家上市银行的数据为样本,使用动态面板GMM模型进行实证研究。
4. 实证结果
4.1. 描述性统计
从表2中可以看到,本文的有效样本为303个,表格显示的数据的最小值、最大值、均值和标准差。商业银行风险承担Npl最小值为0.01,最大值为2.46,标准差为0.395,可以看到不同银行的risk比例相差较大。商业银行数字化转型指数digital最小值为0,最大值为280,标准差为51.96,不同银行之间的数字化转型指数相差巨大。
Table 2. Descriptive statistics
表2. 描述性统计
VARIABLES |
N |
mean |
sd |
min |
max |
gigital |
303 |
63.49 |
51.96 |
0 |
280 |
lnSize |
303 |
28.43 |
1.569 |
25.12 |
31.31 |
Roa |
303 |
0.00886 |
0.00201 |
0.00400 |
0.0140 |
Cir |
303 |
29.87 |
5.547 |
12.38 |
61.41 |
Nim |
303 |
2.116 |
0.617 |
0 |
3.480 |
Ggdp |
303 |
0.0548 |
0.0243 |
0.0110 |
0.0950 |
lnZ |
303 |
2.711 |
1.043 |
−1.143 |
6.387 |
Npl |
303 |
1.272 |
0.395 |
0.0100 |
2.460 |
4.2. 基础回归
本文使用动态面板GMM模型进行实证检验,结果如表3所示,序列(1)只有核心解释解释变量digital,GMM模型的AR(2)检验的p值为0.252,Hansen检验的p值为0.315,序列(2)加入了五个控制变量,GMM模型的AR(2)检验的p值为0.480,Hansen检验的p值为0.111,表明无二阶自相关性并且工具变量选择合理,即GMM模型合理。对表3进行分析可以得出以下结论:
1) 表3序列(1)和序列(2)的商业银行不良贷款滞后一期的系数分别为0.638和0.644均显著为正,表明商业银行风险承担是连续变量,并且会对下一期的银行风险承担产生持续影响。
2) 表3序列(1)只使用核心解释变量商业银行数字化转型指数进行实证检验,系数结果为−0.000983,并且显著,表明数字化转型会降低商业银行风险承担,即银行数字化转型程度越高,商业银行风险承担越小,从而验证了假设1。在序列(2)中加入了5个控制变量,数字化转型digital估计系数为−0.00199,且显著,再一次验证了假设1。因此假设1成立。
3) 从控制变量分析,银行资产收益率(Roa)的估计系数为−119.6且显著,这说明随着商业银行盈利能力的提升,其自身对外界风险的抵御能力也更高,从而风险承担水平越低;银行规模(lnSize)的估计系数为0.0837且显著,这是因为随着资产规模的增加,银行会为了追逐高利润而去冒险,从而增加自身的风险承担水平。
Table 3. Empirical results
表3. 实证结果
|
(1) |
(2) |
VARIABLES |
Npl |
Npl |
L.Npl |
0.638*** |
0.644*** |
|
(0.0814) |
(0.177) |
digital |
−0.000983* |
−0.00199*** |
|
(0.000533) |
(0.000720) |
lnSize |
|
0.0837** |
|
|
(0.0351) |
Roa |
|
−119.6** |
|
|
(55.90) |
Cir |
|
−0.00475 |
|
|
(0.0130) |
Nim |
|
0.103** |
|
|
(0.0484) |
Ggdp |
|
3.485** |
|
|
(1.691) |
Constant |
0.532*** |
−1.015 |
|
(0.102) |
(1.316) |
AR(2) |
0.252 |
0.480 |
Hansenp |
0.315 |
0.111 |
注:括号内的稳健标准误:***p < 0.01, **p < 0.05, *p < 0.1。
4.3. 稳健性检验
为了使得实证结果是稳健的,本文做了以下的稳健性检验:
1) 本文使用了系统GMM模型进行实证检验,在这里首先用固定效应模型替换系统GMM模型进行稳健性检验,实证结果如表4序列(1)所示,商业银行数字化转型指数digital估计系数为−0.00102且显著,表明数字化转型指数越高,商业银行风险承担越低,即银行数字化转型程度越高,商业银行风险承担越小,从而再次验证了假设1,说明实证结果是稳健的。
2) 本文参考严伟祥[14]等用Z值替换被解释变量不良贷款率Npl,作为商业银行风险承担的代理变量risk,而且Z值和商业银行风险承担成反向关系,即Z值越大,商业银行风险承担越小其中Z值定义式如下:
(2)
为了减小数据的波动幅度,使数据更加平滑,在这里对Z值取对数得到lnz作为新的被解释变量进行稳健性检验,实证结果如表4序列(2)所示,可以看到L.lnZ的估计系数为0.671且显著,再一次证明商业银行风险承担是连续变量,并且会对下一期的银行风险承担产生持续影响。商业银行数字化转型指digital估计系数为0.00984且显著,表明数字化转型指数越高,Z值越高,由于Z值和商业银行风险承担成反向关系[15],即银行数字化转型程度越高,Z值越高,商业银行风险承担越小,从而再次验证了假设1,说明实证结果是稳健的。
3) 为了进一步检验,本文用Z值替换被解释变量商业银行不良贷款率Npl,同时参考袁淳[16]构造数字化转型指数的方法,用新的核心解释变量digital1来替换商业银行数字化转型指数digital,实证结果如表4序列(3)所示,结果显示,商业银行数字化转型指数digital1的估计系数为0.0133且显著,表明数字化转型指数越高,Z值越高,即银行数字化转型程度越高,商业银行风险承担越小,从而再次验证了假设1,并且说明实证结果是稳健的。
Table 4. Robustness test
表4. 稳健性检验
|
(1) |
(2) |
(3) |
VARIABLES |
Npl |
lnZ |
lnZ |
L.lnZ |
|
0.671*** |
0.580*** |
|
|
(0.151) |
(0.0773) |
digital1 |
|
|
0.0133** |
|
|
|
(0.00613) |
digital |
−0.00102*** |
0.00984* |
|
|
(0.000328) |
(0.00582) |
|
lnSize |
0.0697*** |
−0.245* |
0.0567 |
|
(0.0116) |
(0.136) |
(0.0769) |
Roa |
−86.34*** |
141.4 |
−140.7** |
|
(12.22) |
(242.7) |
(63.35) |
Cir |
−0.0125*** |
−0.0135 |
0.0309 |
|
(0.00348) |
(0.0552) |
(0.0285) |
Nim |
0.122*** |
−0.205 |
−0.0797 |
|
(0.0236) |
(0.246) |
(0.0731) |
Ggdp |
−5.481*** |
9.486* |
6.946* |
|
(1.681) |
(5.328) |
(3.682) |
Constant |
0.377 |
6.386 |
−0.731 |
|
(0.359) |
(4.325) |
(2.439) |
R-squared |
0.486 |
|
|
AR(2) |
|
0.352 |
0.128 |
Hansenp |
|
0.194 |
0.297 |
注:括号内的稳健标准误:***p < 0.01, **p < 0.05, *p < 0.1。
4.4. 异质性分析
传统国有银行有自己一套较为成熟的业务体系,以传统的基础业务为主,而其他性质的银行业务模式还未固定,因此本文将传统国有银行和其他性质的银行进行分组,实证检验数字化转型对国有银行和其他性质银行风险承担的影响是否存在异质性;我国东部地区较发达,资本较充足,中西部地区经济发展相对落后,本文将东部地区银行和中西部地区银行进行分组,实证检验数字化转型对东部地区银行和中西部地区银行风险承担的影响是否存在异质性。实证检验结果如表5所示。
1) 通过表5序列(1)可以看到,数字化转型对传统国有银行的风险承担的估计系数为−0.000268,但是并不显著,表明数字化转型对传统国有银行的风险承担没有线性关系;表5序列(2)中,数字化转型对其他性质银行风险承担的估计系数为−0.00180且显著,即数字化转型程度越高,其他性质银行风险承担越小,从而验证了假设2。
2) 表5序列(3)中,东部地区银行的风险承担系数为−0.00182且显著,即数字化转型越高,东部地区银行风险承担显著降低,中西部地区银行的风险承担系数为−0.00235,但是不显著,表明数字化转型对中西部地区银行的风险承担没有线性关系,从而再次验证了假设2。
分析原因,由于传统国有银行业务模式较为稳定,在面对数字化转型时,国有银行的业务量依然稳定,新兴业务模式增加较少,因此数字化转型和传统国有银行的风险承担之间没有明显的线性关系,而其他性质的银行在面对数字化转型时,会投入大量的资金研发新的业务模式,促进数字化发展,从而降低其风险承担水平。在东部,由于经济较为发达,商业银行会有大量的资本投入去应对数字化经济时代,从而大幅度降低自身的风险承担水平,而中西部地区经济较为落后,在数字化经济时代面前,没有足够的资金支持,从而使得数字化转型和中西部地区银行的风险承担之间没有明显的线性关系。
Table 5. Heterogeneity analysis
表5. 异质性分析
|
(1) 五大行 |
(2) 其他行 |
(3) 东部 |
(4) 中西部 |
VARIABLES |
Npl |
Npl |
Npl |
Npl |
L.Npl |
0.981 |
0.534*** |
0.582*** |
0.741*** |
|
(0.831) |
(0.191) |
(0.150) |
(0.0762) |
digital |
−0.000268 |
−0.00180* |
−0.00182*** |
−0.00235 |
|
(0.000834) |
(0.000997) |
(0.000571) |
(0.00297) |
lnSize |
−0.0393 |
0.0638 |
0.105** |
0.137 |
|
(0.114) |
(0.0671) |
(0.0443) |
(0.160) |
Roa |
0 |
−126.6*** |
−134.6*** |
206.7 |
|
(0) |
(44.64) |
(50.22) |
(191.6) |
Cir |
0.0402 |
−0.0232 |
−0.00527 |
0.000532 |
|
(0.0747) |
(0.0161) |
(0.0102) |
(0.0159) |
Nim |
−0.285 |
0.103*** |
0.0973*** |
−0.505 |
|
(0.238) |
(0.0373) |
(0.0358) |
(0.441) |
Ggdp |
1.686 |
3.231* |
4.206** |
1.993 |
|
(2.798) |
(1.695) |
(1.637) |
(1.385) |
Constant |
0 |
0.300 |
−1.445 |
−3.963 |
|
(0) |
(2.207) |
(1.424) |
(5.532) |
AR(2) |
|
0.419 |
0.500 |
|
Hansenp |
|
0.114 |
0.380 |
|
注:括号内的稳健标准误:***p < 0.01, **p < 0.05, *p < 0.1。
4.5. 银行风险管理对数字化转型和商业银行风险承担关联的调节效应
本文使用商业银行各样本滞后一期的资本充足率(Car)作为银行资本管理水平的代理变量,构建其与数字化转型指数代理变量的交乘项,然后在模型(1)的基础上新构建了以下模型:
(3)
检验结果如表6序列(1)所示,结果表示资本充足率(Car)与数字化转型指数digital的交乘项系数为−0.023且显著,由于商业银行不良贷款率Npl越小,其风险承担越小,此时的交乘项系数为负值,所以银行资本充足,能够进一步降低商业银行的风险承担。
Table 6. Regulating effect
表6. 调节效应
|
(1) |
VARIABLES |
Npl |
L.Npl |
0.664*** |
|
(0.182) |
digital |
0.0537 |
|
(0.0806) |
digital*Car |
−0.0233*** |
|
(0.00802) |
Car |
2.737 |
|
(5.171) |
注:括号内的稳健标准误:***p < 0.01, **p < 0.05, *p < 0.1。
5. 结论和建议
本文从数字化转型的视角出发,实证检验了其对商业银行风险承担的影响,结果如下。
第一,数字化转型会降低商业银行风险承担。第二,国有五大银行和其他银行数字化转型对于风险承担的影响存在异质性;东部区域银行和中西部区域银行数字化转型对风险承担的影响存在异质性。第三,银行资本管理水平对于数字化转型和商业银行风险承担之间存在调节效应。
基于上述结论,本文给出以下建议:
第一,商业银行应增加在数字化转型方面的资金投入,发展数字化经济,跟上数字经济时代。数字化转型是一个持续的过程,在这个过程中需要大力发展大数据、人工智能等数字化技术,制定未来发展规划和目标[17]。
第二,在数字化转型的浪潮中,商业银行之间要互相合作,数字化相对落后的商业银行要懂得向成熟的商业银行进行学习,运用好数字化经济时代的优势,快速发展业务,提高自身经营能力和对公众的金融服务。
第三,商业银行应加强资本管理,设立相应的监管机构,进行周期性检查,跟上数字化时代[18]。