应用经济学通讯 ISSN:(印刷版)(在线版)杂志主页:www.tandfonline.com/journals/rael20 内部监管科技(RegTech)与银行流动性风险:来自中国上市银行的证据 余飞Xia,许燕Lu,郝子明Hao&石惠仪Shi 引用本文:虞飞霞,陆旭艳,郝子明&石会意(2024年9月9日):内部监管科技(RegTech )与银行流动性风险:来自中国上市银行的证据,应用经济学Letters,DOI:10.1080/13504851.2024.2400310 链接至本文:https://doi.org/10.1080/13504851.2024.2400310 查看补充材料在线发布日期:2024年9月9日 向本期刊投稿文章文章阅读量:45查看相关文章 查看Crossmark数据 完整访问和使用条款可在以下链接找到:https://www.tandfonline.com/action/journalInformation?journalCode=rael20 应用经济学通讯https://doi.org/10.1080/13504851.2024.2400310 内部监管科技(RegTech)与银行流动性风险:来自中国上市银行的证据 余飞霞一个徐燕路b,郑铭豪b和荆宜石一个 一个商学院,江苏师范大学,徐州,江苏,中华人民共和国b中国-俄罗斯学院,江苏师范大学,徐州,江苏,中华人民共和国 摘要 我们研究了内部监管科技(RegTech)对银行流动性风险的影响。基于2015年至2022年中国上市银行的数据库,我们最初采用文本挖掘方法从银行的年度报告中构建内部RegTech指数 。随后,我们发现内部RegTech对银行流动性风险具有显著的缓解作用。在解决内生性问题以及在不同因变量代理和不同样本时期下,这一发现仍然稳健。可能的渠道是内部RegTech提升了监管能力,并减轻了银行的冒险行为。此外,我们的结果表明RegTech子指数之间存在一定的异质性。合规和技术基础子指数在影响银行流动性风险方面更为显著。这些发现为金融监管机构关于RegTech采用提供了有价值的启示。 关键词 监管科技; 银行;流动性风险;文本-采矿 JEL分类 G21;G28;O14 I.引言 银行流动性风险指的是银行在负债到期时无法履行其支付义务的情况。传统银行理论强调,期限转换增强了银行的盈利能力,但同时也使银行面临流动性风险和银行挤兑的威胁。硅谷银行的倒闭震惊了全球金融体系,其中一个主要原因是流动性管理不善。当前的研究突出了流动性风险的决定因素,包括银行层面的因素 (Abdul-Rahman,Sulaiman,和MohdSaid) 。2018()和货币政策(Nguyen,Nguyen,和Duong)2023)。此外,金融监管是解决银行流动性风险的一个直接方法(Raz,McGowan,和Zhao)。2022). 博蒂丘,和塞尔吉2023()并改善风险管 理(Chao等)2022). RegTech可以由监管机构驱动,称为外部RegTech,这意味着采用技术来提高金融监管的效率和能力。内部和外部RegTech之间存在潜在的联系。从理论上讲,内部RegTech可以通过两种方式缓解流动性风险。监控和了解客户(Know-Your-Customer)系统可以直接识别潜在的风险并提供早期预警。间接地,内部RegTech建立了高效的信息和报告系统,这促进了自动和及时的监管。然而,关于内部RegTech对银行流动性风险作用的实证研究存在明显的空白。因此,本文旨在填补这一知识空白。本文的边际贡献有三: 严格的监管标准和传统监管模式给银行带来了诸多合规成本,由于监管滞后和不一致性而长期受到争议,这促使了监管科技(RegTech)的兴起。监管科技描述了在监管、监测、报告和合规中的技术使用(Buckleyetal.)。2020).定义属于由监管实体推动的内部RegTech ,旨在提高合规有效性(Teichmann, 折叠。首先,我们参与关于金融监管与银行流动性风险之间联系的辩论,并提供了关于内部RegTech风险缓解效果的坚实证据。其次,我们是第一个对银行层面的RegTech进行测量并实证探讨其联系的研究。实证结果可以 联系余飞霞6020180093@jsnu.edu.cn商学院,江苏师范大学,徐州,江苏221116,中华人民共和国 ©2024补充InformaUKLimited,数据:交易这篇文章正如泰勒所述可以&是弗朗西斯访问集团在线地址h ttps://doi.org/10.1080/13504851.2024.2400310. 2夏XX等 补充RegTech在风险管理方面的丰富理论分析 (Buckley等)。2020;赵等2022).最后,我们分析内部监管科技如何影响银行流动性风险。 内部银行年报中的RegTech指数。简要来说,我们选择一系列与RegTech相关的关键词,并统计这些关键词的词频。这些关键词的频率的自然对数被用作内部RegTech(lnRegTech)(详见附录A)。 第二部分数据与变量 样本 我们选取了2015年至2022年在中国A股市场上市的41家商业银行作为样本。这些银行在2022年占据了整个中国银行业约84%的总资产。数据集从CSMAR数据库、商业银行年报以及国家金融监管局网站收集而来。 变量因变量 我们遵循Ghenimi、Chaibi和Omri的研究。2017)采用流动性比率(LDR以银行流动性风险指标()作为代理,该指标计算如下: 在哪里LA并且LL表示流动资产和流动负债,分别。我们取其自然对数。LDR(LnLDR). 核心解释变量 内部监管技术指数被用来衡量银行中监管技术的应用。我们采用文本挖掘方法来构建 控制变量 我们遵循Abdul-Rahman、Sulaiman和MohdSaid的研究。2018()和Raz、McGowan以及Zhao(2022()采用资产回报率(投资回报率),银行规模(尺寸括号内内容,资本充足率()CAR),净利息收益率(净利息收入(NetInterestIncome)),非利息收入比率(NIIR),收入净利率(NPGOI) ,营业收入行政费用(AEGOI),以及总资 产周转率(TAT).摘要统计量和定义显示在表1. 计量经济模型 为了检验内部监管科技对银行流动性风险的影响,我们构建以下双向固定效应模型: 在哪里i并且t表示i-第银行和- t-年,分别。The控制指出控制变量。δ并且μ表示银行和年份固定效应,分别。ε( 不能翻译)误差项。 表1.概述统计。 � � 变量Obs平均值SDMin最大定义 LnLDR 3264.7370.9281.386 5.720ln100 流动资产流动负债 lnRegTech 3265.3830.7092.8907.069 自然对数:内部词汇频率的对数 投资回报率 326 0.008 0.002 0.004 0.016 净利润/总资产 尺寸CAR 3261.4430.0261.4011.494自然对数(总资产,百亿为单位)32613.7891.58210.94018.420资本/风险加权资产 净利息收入(Net3I2n6terestNIIR326 Inco2m.22e6)21.122 0.401 10.201 1.5200.679 3.460100×净利息收入/生息资产 44.233100×非利息收入/经营活动净收入 NPGOI 326 32.637 6.306 14.771 44.570100×净利润/营业收入 AEGOI 326 30.272 6.137 20.644 60.807100×行政费用/营业净收入 TAT 326 0.027 0.004 0.018 0.039收入/总资产 与RegTech相关的关键词 连续变量在1%和99%的水平上进行了winsorize处理。Obs=观测数量。SD=标准差。Min=最小值。Max=最大值。 第三结部果分 结果:基线回归 稳健性检验内生性 应用经济学快报3 表2显示基线估计的结果。系数为线性回归技术在所有列中,在5%的显著性水平上均显著为正,表明采用内部合规科技可以显著降低银行流动性风险。第(2)列指出,如果在其他条件不变的情况下, 线性回归技术增加一个标准差,即:LnLDR将增加26.45%,大约构成平均值的5.58%(=0.373×0.709/4.737)。LnLDR.列(3)到( 6)的结果显示,我们的发现对不同的聚类标准误差不敏感,这在一定程度上显示了我们结论的稳健性。结果与刘、王和张(Liu,Wang,andZhang,)的研究一致。2024尽管一些前期研究表明,金融科技降低了银行的流动性(唐 ,胡等)。 2024)并激发了企业风险承担(Tang,Hou,etal.)2024),我们的研究支持使用RegTech来缓解FinTech对金融不稳定可能产生的影响。 我们最初遵循Borusyak和Hull(2023使用工具变量(IV)方法并构建BartikIV(或Shift-ShareIV),它是滞后一阶内部RegTech指数的乘积lnRegTechi;t在1(市场份额)以及内部RegTech指数的一阶时间差,Δ对RegTech的自然对数t;t在1(BartikIV).巴特克四号 (BartikIV)本质上使用份额和位移的加权平均数来创建预测。线性回归技术对于每个观测值。BartikIV潜在有效,因为它与残差不相关,因为BartikIV中的初始份额和共同冲击是外生变量,不由当前银行的决策驱动,这符合独立性假设。此外,作为预测项,线性回归技术;BartikIV与内部RegTech水平高度相关,符合相关性假设。 表3显示了两阶段最小二乘法的成果。 平方回归。列(1)显示BartikIV在1%的水平上显著为正。同时,二阶段回归结果为: 表2.基线结果。 (1) (2) (3) (4) (5) (6) 变量 LnLDR LnLDR LnLDR LnLDR LnLDR LnLDR lnRegTech 0.323** 0.373*** 0.373*** 0.373*** 0.373*** 0.373** (0.125) (0.128) (0.046) (0.110) (0.088) (0.149) 投资回报率 −0.611 −0.611** −0.611 −0.611* −0.611** (0.397) (0.181) (0.387) (0.351) (0.235) 尺寸 33.134 33.134 33.134 33.134** 33.134 (29.650) (33.287) (36.207) (16.136) (59.794) CAR 0.012 0.012 0.012 0.012 0.012 (0.044) (0.042) (0.048) (0.050) (0.055) 净利息收入(NetInterestIncome) 0.419 0.419*** 0.419* 0.419* 0.419 (0.257) (0.026) (0.246) (0.244) (0.246) NIIR 0.011 0.011 0.011 0.011* 0.011 (0.008) (0.005) (0.008) (0.005) (0.009) NPGOI 0.004 0.004 0.004 0.004 0.004 (0.019) (0.004) (0.019) (0.015) (0.023) AEGOI −0.059*** −0.059*** −0.059*** −0.059*** −0.059** (0.021) (0.006) (0.020) (0.012) (0.026) TAT −34.278 −34.278*** −34.278 −34.278 −34.278 (32.226) (3.201) (32.277) (27.120) (27.082) 持续2.