[Routledge]：监管科技与银行流动性风险：来自中国上市银行的证据7份

内部监管科技（RegTech）与银行流动性风险：来自中国上市银行的实证研究

研究背景

银行流动性风险是指银行在负债到期时无法满足支付义务的风险。传统银行业理论指出，期限转换虽然能提升盈利能力，但也增加了流动性风险和银行挤兑的可能性。当前的研究关注流动性风险的影响因素，包括银行内部因素（如Abdul-Rahman等，2018）和货币政策（如Nguyen等，2023）。此外，金融监管是直接解决银行流动性风险的方法之一（如Raz等，2022）。然而，严格的监管标准和传统的监管模式给银行带来了巨大的合规成本，并引发了关于监管滞后性和不一致性的争论，从而催生了监管科技（RegTech）。

研究目的

本文旨在探讨内部RegTech对银行流动性风险的影响。通过分析2015年至2022年中国上市银行的数据，研究发现内部RegTech显著降低了银行的流动性风险。该研究填补了现有文献在内部RegTech对银行流动性风险影响方面的空白。

数据与变量

样本：选取了2015年至2022年间在中国A股市场上市的41家商业银行作为样本，这些银行占2022年中国银行业总资产的约84%。
因变量：采用流动性比率（Liquidity Ratio, LDR）来衡量银行的流动性风险，计算公式为：[ \text{LDR} = \frac{\text{LA}}{\text{LL}} ]，其中LA表示流动资产，LL表示流动负债。取自然对数后的LDR（LnLDR）。
核心解释变量：内部RegTech指数，通过文本挖掘方法从银行年报中提取与RegTech相关的关键词频率，取自然对数（LnRegTech）。
控制变量：包括资产回报率（ROA）、银行规模（SIZE）、资本充足率（CAR）、净息差（NIM）、非利息收入比例（NIIR）、净利润率（NPGOI）、管理费用率（AEGOI）和总资产周转率（TAT）。

实证模型

采用两阶段固定效应模型来检验内部RegTech对银行流动性风险的影响： [ \text{LnLDR}{it} = \beta_0 + \beta_1 \text{LnRegTech}{it} + \delta_i + \mu_t + \epsilon_{it} ]

结果

基准回归结果：所有列的LnRegTech系数均在5%显著性水平上显著为正，表明采用内部RegTech可以显著降低银行的流动性风险。若LnRegTech增加一个标准差，LnLDR将提高26.45%，约占LnLDR平均值的5.58%。
稳健性检验：不同聚类标准误的结果表明我们的发现具有稳健性，与Liu等（2024）的研究结果一致。