1. 引言
随着信息技术的迅猛发展和全球金融市场的日益复杂化，银行业正经历着前所未有的数字化转型。数字化技术不仅改变了金融服务的交付方式，也对银行的运营模式和风险管理策略提出了新的挑战与机遇。中国银保监会于2022年发布《关于银行业保险业数字化转型的指导意见》，指出要以数字化转型推动银行业保险业高质量发展[1]，不断提升金融服务实体经济的能力和水平，有效防范化解金融风险。在这一背景下，流动性风险作为银行面临的重要挑战之一，尤其值得关注。流动性风险是指银行无法按时满足资金支付义务的可能性，在数字化转型进程中，银行可以通过引入更高效的信息技术系统和数据分析工具，显著提升其对资金流动和市场变动的实时监测能力。例如，借助人工智能和大数据分析，银行可以更准确地预测和管理客户资金的动向，从而有效地减少资金流动性风险的发生概率。特别是对于上市银行而言，其作为金融市场的核心参与者，数字化转型不仅意味着提高了业务效率和客户体验，更重要的是提升了流动性风险管理的能力和水平。通过优化内部流程和实施全面的数字化战略，上市银行能够更加灵活地应对不同市场环境下的流动性挑战，降低资金管理的复杂性和成本，提升资金利用效率，进而增强其市场竞争力和盈利能力。因此，本研究旨在深入探讨数字化转型如何影响上市银行的流动性风险管理策略及其效果。通过实证分析来揭示数字化转型对上市银行流动性风险管理的具体影响机制，为银行业界和监管机构在这一转型进程中提供理论支持和实践指导。
本文主要结构安排如下：第一部分是上市银行数字化转型的研究背景。第二部分是基于数字化转型对银行风险影响的梳理并提出三个理论假设。第三部分是介绍数据、变量和模型的选取。第四部分是对实证结果的分析。第五部分是利用随机森林模型研究影响银行流动性的管理数字化、战略数字化和业务数字化三个维度的重要性[2]。第六部分是政策结论与研究建议。
2. 文献综述与理论假设
2.1. 文献综述
现有文献中，关于银行数字化转型对银行风险的影响研究主要分为两类，分别是银行数字化转型可以降低和加剧银行风险，包括信用风险、流动性风险等。以Lapavitsas & Santos [3]、Ariss [4]为代表的研究认为，金融科技化与数字技术的应用会显著降低商业银行风险承担水平，并主要通过盈利改善、缓解信贷市场信息不对称以及风控能力的提升而实现。汪可[5]等基于中国上市商业银行数据的检验发现，即使短期内金融科技应用会通过缩窄利差形成风险积累，但考虑到商业银行自适应风险管理策略的存在，金融科技与商业银行风险承担长期来看表现为显著负相关。沈悦和郭品[6]基于TFP视角的分析证实，商业银行数字化转型与金融科技应用虽然可能导致业务中心从传统业务向银行间业务转移，但经营效率的增加足够对冲风险成本变化，商业银行整体的风险水平会有所下降。吴永钢[7]等基于41家商业银行数据的实证研究发现，商业银行自身数字化转型对绿色金融业务与银行风险承担的关系具有正向调节效应，较高的数字化水平能够增强商业银行开展绿色金融业务对其风险承担水平的抑制作用。
此外，还有部分研究结论得出了银行数字化转型会形成风险积累的结论。如Hauswald & Marquez [8]、Stoica等基于亚洲发展中国家的经验研究发现，数字化转型形成了新的银行间竞争市场，且相对于传统业务科技创新型产品同质性更强，这会驱使银行信贷市场下沉，从而形成潜在的风险积累。陈加才、李淑萍和徐英杰基于中国银行样本的分析也得到了类似的结论[9]。王升[10]等同样认为，由于互联网金融的发展，导致银行对同业拆借等批发性资金的依赖度上升，这促使银行实施盲目的信贷扩张进而形成风险积累。
同现有文献相比，本文的创新处在于：第一，本文丰富了银行数字化转型对流动性风险的影响研究，已有研究大部分聚焦于银行数字化转型对银行风险承担的影响，具体到对银行流动性风险的影响的研究较为匮乏，本文为银行数字化转型和流动性风险提供实证结论支撑，帮助银行决策者理解数字化转型对于管理流动性风险的实际效果以提供决策支持；第二，本文丰富了不同维度数字化转型对银行风险的研究，已有文献较少从不同维度的银行数字化转型研究其对银行带来的影响，本文运用随机森林模型，将战略、业务和管理三个维度的数字化转型对银行流动性风险的影响进行重要性分析，并结合异质性因素，为银行数字化改革提供经验证据。
2.2. 理论假设
1、数字化转型对银行流动性风险的影响
数字化转型可以提升资金流动性管理的效率，并以此来降低商业银行的流动性风险。传统上，银行依赖于人工或基于传统系统的流动性管理方法，这些方法可能在应对快速变化的市场条件时显得不够灵活和及时。而在进行数字化转型后，通过引入现代化的信息技术系统，例如实时数据分析和人工智能技术，银行能够更加准确地预测客户资金的流动模式和市场的资金需求变化。这种精确度可以帮助银行及时调整其流动性策略，有效降低因资金流动性不足而导致的风险。据此，提出本文的研究假设1。
H1：数字化转型有助于降低银行流动性风险。
2、数字化转型通过盈利渠道对银行流动性风险的影响
首先，数字化转型使银行能够提供更高效、更便捷的服务，例如通过在线银行和移动应用程序进行各种交易和服务。这种便利性不仅提升了客户体验，也能够促使客户更频繁地使用银行服务，增加存款和交易量，并使银行实现了收入来源的多元化，例如电子支付服务、数据分析和资产管理等，从分散风险的角度来说，银行就可以更好地抵御市场冲击和利率波动带来的风险，从而减少流动性压力。其次，数字化转型通常伴随着运营成本的降低，例如通过自动化和标准化的流程、减少物理分支的依赖、实时数据的分析预测等，从而让盈利渠道更加稳健，最后降低因市场不确定性而导致的流动性挑战。据此，提出本文的研究假设2。
H2：数字化转型通过提高银行盈利能力降低流动性风险。
3、资本充足率的调节作用
首先，银行在进行数字化转型过程中，需要面临技术风险、市场风险等这样的不确定性事件，化解风险需要资本支撑[11]，因此良好的资本充足率可以为银行提供额外的资本缓冲，用于应对这些不确定性带来的流动性挑战。同时，通过数字化技术支持的资产负债科学管理和实时数据分析，银行能够更精确地计划和管理资本的使用，有效降低资本的冗余和浪费，提升资本的利用率，从而减少了流动性风险的潜在来源。此外，从外部市场角度来说，银行数字化转型同时保持较高的资本充足率，将增强市场对该银行的信心，使其获得更有利的融资条件，进一步减少流动性风险。据此，提出本文的研究假设3。
H3：资本充足率能够增强数字化转型降低银行流动性风险的影响。
3. 数据、模型与变量
3.1. 数据来源
本文选取2010~2021年我国38家上市银行作为研究对象，探究数字化转型对银行流动性风险的影响。银行数字化转型指数参考自北京大学数字金融研究中心课题组公开的指标体系，其他数据来自银行年报以及国泰安数据库(CSMAR)。为了减少数据异常值对研究的影响，对商业银行相关数据进行上下1%的缩尾处理。
3.2. 变量定义
1. 被解释变量[12]：银行流动性风险(LR)。对于以承担风险来获取收益的银行而言，引发其破产的原因往往是流动性风险[13]。本文选择流动性比例(LR)作为银行流动性风险的代理变量，流动性比例是银行的流动性资产与流动性负债的比值。银行的流动性比例和流动性风险呈现负向的关系，流动性比例越高，流动性风险越低。
2. 解释变量：数字化转型(DTB)。本文使用北京大学数字金融研究中心中国商业银行数字化转型指数(谢绚丽和王诗卉，2022)的指标体系衡量商业银行数字化转型程度[2]。该指标体系通过主成分分析法确定商业银行战略数字化、业务数字化和管理数字化不同维度的权重，从而对商业银行数字化转型的情况和发展趋势形成全面的评价。
3. 中介变量：盈利能力(OPM)。本文选取银行营业利润与营业收入的比值(简称“营业利润率”)作为代理变量，营业利润率越高，说明盈利能力越强。
4. 调节变量：资本充足率(CAR)。根据我国金融监督管理总局《商业银行资本管理办法》要求计算得到，具体为减去对应资本扣除项的总资本与风险加权资产的比值。
5. 控制变量：通过对现有文献的梳理和总结，并根据中国商业银行的发展现状，从银行微观层面和宏观经济层面选取控制变量。微观控制变量有：不良贷款比率(NPLR)、存贷比(LTDR)、总资产取对数(LNSAAET)。宏观控制变量有：CPI增长率(CPIgr)、GDP增速(GDPgr)、M2增长率(M2gr)。
具体如表1所示。
3.3. 模型构建
1、基准模型
为检验数字化转型对银行流动性风险的影响，本文构建模型(1)如下：
(1)
其中，被解释变量
代表银行流动性风险，解释变量
代表银行数字化转型程度，
为一系列微观和宏观控制变量，
和
分别表示个体和时间效应，
为随机误差项。
Table 1. Variable definition
表1. 变量定义表
变量类型 |
名称 |
符号 |
定义 |
被解释变量 |
银行流动性风险 |
LR |
流动性比例 |
解释变量 |
数字化转型 |
DTB |
北京大学数字金融研究中心中国商业银行数字化转型指数 |
中介变量 |
盈利能力 |
OPM |
营业利润率 |
调节变量 |
资本充足率 |
CAR |
资本净额/风险加权资产 |
微观控制变量 |
不良贷款比率 |
NPLR |
(次级、可疑、损失类贷款)/各项贷款 |
存贷比 |
LTDR |
贷款总额/存款总额 |
总资产取对数 |
LNSAAE |
Ln (总资产) |
宏观控制变量 |
CPI增长率 |
CPIgr |
年度CPI增长率 |
GDP增速 |
GDPgr |
年度GDP实际增速 |
M2增长率 |
M2gr |
年度M2增长率 |
2、中介效应模型
为检验盈利能力的中介作用[14]，本文构建模型(2)和(3)如下：
(2)
(3)
其中，
为银行盈利能力。
3、调节效应模型
为检验资本充足率的调节作用[14]，本文构建模型(4)如下：
其中，
表示资本充足率。如果资本充足率对银行数字化转型与银行流动性风险有正向调节作用，则交互性系数
显著为正。
4. 实证检验与结果分析
4.1. 描述性统计
由表2可知，38家上市银行间的数字化转型程度差异较大，数字化转型指数的极差达到170.988，标准差也达到44.07，原因可能是发展速度和银行自身差异所致。同时，可以看到流动性风险的差异也较大，均值为51.7%，标准差为12.9%，呈现出“均值较高，标准差大”的特征，可以看出不同银行的流动性风险存在很大的差异性。
4.2. 基准回归分析
基于银行流动性风险会由于银行个体以及时间不同而存在差异的考虑，并进行Hausman检验后，报告P值0.001小于0.05，因此本文采用固定效应模型来检验数字化转型对银行流动性风险的影响。如表3所示，列(1)是未增加控制变量的结果，列(2)和列(3)是进一步增加微观和宏观控制变量的结果。结果显示，DTB的估计系数均在1%水平上显著，说明上市银行数字化转型能够显著降低其流动性风险，验证了假设H1。
Table 2. Descriptive statistical results
表2. 描述性统计结果
|
N |
mean |
sd |
min |
max |
LR |
429 |
0.517 |
0.129 |
0.290 |
0.887 |
DTB |
429 |
79.86 |
44.07 |
1.412 |
172.4 |
NPLR |
429 |
0.013 |
0.004 |
0.004 |
0.025 |
LTDR |
429 |
0.711 |
0.134 |
0.370 |
1.027 |
LNASSET |
429 |
27.62 |
1.712 |
24.81 |
31.00 |
CPIgr |
429 |
0.001 |
0.016 |
−0.026 |
0.040 |
GDPgr |
429 |
0.072 |
0.020 |
0.022 |
0.106 |
M2gr |
429 |
0.119 |
0.034 |
0.082 |
0.197 |
Table 3. Test results of the influence of digital transformation on bank liquidity risk
表3. 数字化转型对银行流动性风险影响的检验结果
|
(1) IR |
(2) IR |
(3) IR |
DTB |
0.00165 |
0.000508 |
0.000168 |
|
(14.90)*** |
(5.22)*** |
(4.68)*** |
微观控制变量 |
NO |
YES |
YES |
宏观控制变量 |
NO |
NO |
YES |
_cons |
0.385 |
−2.457 |
−3.319 |
|
(39.03)*** |
(−5.78)*** |
(−5.93)*** |
Year |
YES |
YES |
YES |
Ind |
YES |
YES |
YES |
N |
429 |
429 |
429 |
R2 |
0.363 |
0.451 |
0.460 |
注：*、**、***分别说明P值在10%、5%、1%水平上的显著性，小括号内报告的是各个系数的稳健标准误，下同。
4.3. 机制分析
为检验数字化转型通过盈利能力来影响银行流动性风险，构建中介效应模型(2)和(3)，如表4所示，列(1)中DTB的系数在5%的水平上显著为正，说明银行数字化转型能够显著提升盈利能力。列(2)中同时纳入了银行数字化转型和盈利能力变量，结果显示DTB的系数在5%的水平上显著为正，说明银行数字化转型能够增强其盈利能力，从而降低其流动性风险，验证了假设H2。
4.4. 调节效应检验
为检验资本充足率在数字化转型影响银行流动性风险过程中的调节作用，构建调节效应模型(4)，结果如表5所示，列(1)表明上市银行数字化转型能显著降低银行流动性风险，列(2)中数字化转型和资本充足率的交乘项系数在5%的水平上显著为正，表明资本充足率显著促进了上市银行数字化转型对银行流动性风险的影响，验证了假设H3。
Table 4. Test results of intermediary effect
表4. 中介效应检验结果
|
(1) OPM |
(2) LR |
DTB |
0.000373 |
0.000167 |
|
(1.95)** |
(1.67)** |
OPM |
|
−0.00128 |
|
|
(−1.02)** |
微观控制变量 |
YES |
YES |
宏观控制变量 |
YES |
YES |
_cons |
2.112 |
−3.317 |
|
(4.88)*** |
(−5.74)*** |
Year |
YES |
YES |
Ind |
YES |
YES |
N |
429 |
429 |
R2 |
0.328 |
0.460 |
Table 5. Regulatory effect test results
表5. 调节效应检验结果
|
(1) LR |
(2) LR |
DTB |
0.000168 |
0.00112 |
|
(4.68)*** |
(1.24) |
CAR |
|
1.653 |
|
|
(2.90)*** |
DTB_CAR |
|
0.00792 |
|
|
(1.31)** |
微观控制变量 |
YES |
YES |
宏观控制变量 |
YES |
YES |
_cons |
−3.319 |
−3.815 |
|
(−5.93)*** |
(−6.65)*** |
Year |
YES |
YES |
Ind |
YES |
YES |
N |
429 |
429 |
R2 |
0.460 |
0.475 |
4.5. 稳健性检验
本部分研究采取缩短样本区间的验证方法，鉴于2015年股市冲击以及2020年、2021年新冠疫情对上市银行流动性风险存在影响，因此删去2015年、2020年和2021年的相关数据，重新检验上市银行数字化转型对银行流动性风险的影响，若回归结果仍显著，则说明上市银行数字化转型对银行流动性风险的降低未受到异常事件的影响。回归结果如表6所示，可以看出，在考虑控制变量和不考虑控制变量的情况下，DTB的系数都在1%的水平上显著为正，进一步验证了上市银行数字化转型能够显著降低其流动性风险的结论。
Table 6. Test results of shortening the sample interval
表6. 缩短样本区间的检验结果
|
(1) LR |
(2) LR |
DTB |
0.00143 |
0.000230 |
|
(10.70)*** |
(2.07)*** |
微观控制变量 |
NO |
YES |
宏观控制变量 |
NO |
YES |
_cons |
0.395 |
−2.759 |
|
(38.15)*** |
(−3.29)*** |
Year |
YES |
YES |
Ind |
YES |
YES |
N |
317 |
317 |
R2 |
0.292 |
0.401 |
4.6. 异质性分析
考虑到银行性质的差异，银行数字化转型对流动性风险的影响程度可能不一样，本文在所选取的38家上市银行中，将其分为股份制商业银行、城市商业银行、国有商业银行以及农村商业银行，进行异质性分析。结果如表7所示，城市商业银行和国有商业银行的DTB系数分别在5%和1%的水平上显著为正，表明上市银行数字化转型显著降低了城商行和国有行的流动性风险，可能是因为上市城商行和国有行在数字化转型途中更具技术、资金和人才优势，从而显著降低其流动性风险水平。
Table 7. Heterogeneity analysis results based on the nature of banks
表7. 基于银行性质的异质性分析结果
|
股份制商业银IR |
城市商业银行IR |
国有商业银行IR |
农村商业银行IR |
DTB |
0.000152 |
0.000330 |
0.000991 |
0.000113 |
|
(0.30) |
(1.85)** |
(1.58)*** |
(0.13) |
微观控制变量 |
YES |
YES |
YES |
YES |
宏观控制变量 |
YES |
YES |
YES |
YES |
_cons |
−0.983 |
−4.354 |
−5.486 |
−3.769 |
|
(−0.69) |
(−5.24)*** |
(−1.30) |
(−1.77)* |
Year |
YES |
YES |
YES |
YES |
Ind |
YES |
YES |
YES |
YES |
N |
94 |
203 |
66 |
66 |
R2 |
0.417 |
0.517 |
0.541 |
0.455 |
5. 进一步分析
经过前述实证分析，已经得到上市银行数字化转型会显著降低银行流动性的结论。为了更好地提出针对性建议，本部分通过引入随机森林模型[15]，得出上市银行数字化转型中的具体指标对银行流动性的重要性排序，其评价原理为：数字化转型变量在模型中为正确识别银行流动性水平样本所提供的信息量越多，则该自变量的重要性就越高。关于银行数字化转型可以分解为战略数字化、业务数字化和管理数字化三个方面，该变量[1]构建方式参考谢绚丽和王诗卉(2022)，如表8所示。
在建立的随机森林模型中，决策树使用1000棵，模型输出结果显示，重要性依次排序为：业务数字化、管理数字化、战略数字化，其重要性程度分别为15.17、9.74和6.61。一方面，业务数字化转型有助于上市银行开发创新更好的金融产品和金融渠道以增强盈利能力，另一方面，战略数字化助于银行构建数字化风控模型，利用大数据、人工智能等技术更好地识别风险，筛选优质贷款对象，从而降低不良率和流动性风险。
Table 8. Weight of Index System for Digital Transformation of Commercial Banks
表8. 商业银行数字化转型指标体系权重(主成分分析法)
一级指标 |
一级指标权重 |
二级指标 |
具体指标权重 |
战略数字化 |
14.89% |
数字技术普及 |
100% |
业务数字化 |
31.22% |
数字化渠道 |
42.22% |
数字化产品 |
47.18% |
数字化研发 |
10.60% |
管理数字化 |
53.88% |
数字化架构 |
20.84% |
信科董事 |
28.60% |
信科高管 |
28.21% |
数字化合作 |
22.35% |
6. 研究结论与政策建议
6.1. 研究结论
本文基于2010~2021年我国38家上市银行数据，从理论与实证两个方面探讨了数字化转型对银行流动性风险的影响。主要研究结论如下：第一，上市银行数字化转型能够显著降低银行流动性风险。第二，上市银行数字化转型通过提高盈利能力，进而降低银行流动性风险。第三，资本充足率对上市银行数字化转型和银行流动性风险的关系有正向调节作用。第四，上市银行数字化转型降低流动性风险的作用在国有商业银行间更显著。
6.2. 政策建议
基于上述结论，本文提出如下建议：第一，上市银行在数字化转型过程中，可以拓展数字化产品和服务，提升客户体验和满意度，实现盈利能力的提升。第二，上市银行需要综合运用数据分析、人工智能等技术，更准确地预测客户资金的流动模式和市场的资金需求变化，实现自身流动性风险的进一步管理。第三，基于资本充足率调节的考虑，上市银行在数字化转型途中应当主动保持较高的资本充足率，更大程度获得数字化转型带来的好处。
基金项目
2023年度贵州省教育厅高校人文社会科学研究项目“加强贵州金融风险处置机制和应急能力建设研究”(2023GZGXRW156)。