【《科技投入对我国上市商业银行稳定性影响分析案例》5400字】

科技投入对我国上市商业银行稳定性影响分析案例目录TOC\o"1-3"\h\u31738科技投入对我国上市商业银行稳定性影响分析案例 112811（一）理论分析与研究假设 117018（二）研究设计 2136891.变量选择 2314962.数据描述性统计 827752表4变量的操作定义与计量 8146073.模型设定 831727（三）实证结果 922338（四）稳健性检验 11（一）理论分析与研究假设金融科技提高了金融机构的效率，并随着其在全球的扩展促进了金融发展，使得银行以成本效益的方式为服务提质增效。根据MichaelKoetter&TigranPoghosyan（2009）[19]关于银行业技术制度识别对市场力量脆弱性关系的影响研究中发现，银行业技术的发展增加了银行的市场力量，从而增强了其利润缓冲，有助于抵御不利冲击。然而随着竞争的加剧，银行会选择增加风险资产和负债的组合投资来应对面临的财务困境。此项研究表明了银行的资金投入与其经营稳定之间的复杂关系。而科技投入也是我国商业银行资金投入的重要组成部分，由此推之，银行的经营稳定性是会受其科技投入影响的，增加科技投入能进一步加强系统建设，使各种平台和对外的流量接入发挥到极致，能够更好地增强风险抵御能力，应对银行稳定性风险。巴塞尔银行监管委员会（2018）[20]报告认为，新兴金融科技的出现影响了传统银行的经营管理模式，导致原来的经营风险性质和范围发生了明显的改变,增加了传统银行的战略盈利风险、操作风险、网络风险和合规风险。本文认为此观点在我国同样具有适用性，现实依据如下：我国商业银行为了应对金融科技竞争局面下产生的战略盈利风险，越来越多地采用先进的科技技术或与金融科技公司建立伙伴关系来提供创新的金融产品和服务以促进经营可持续性和稳定性。然而，当我国商业银行与金融科技公司建立合作伙伴关系和让战略重点转移到开发内部技术基础设施之时，随之而来的是先进的金融科技技术以及科技创新产品和服务的激增，我国商业银行对金融科技技术的依赖性会日益增强，反而愈加难以控制数字银行平台的运营风险，人员操作风险也会随之升级。此外，王怡（2019）[21]在关于数字化转型下商业银行面临的网络安全挑战研究中表明，利用科技投入赋能银行业务的同时，银行网络风险也开始泛化。近年来，我国商业银行内外部发生了不少存在网络风险的事件：比如2021年出现的专门针对农信社和城商行客户进行的短信钓鱼攻击这类外部侵袭，并随着广泛的技术应用、大数据分析以及金融科技合作或外包可能会导致的数据隐私泄露，从而带来网络安全隐患。由此证明网络风险已成为一种系统性风险。还有一些不合规的事件：比如建设银行某工作人员因泄露和出售客户信息而触犯刑法，被行政处罚30万元，农业银行因存在数据安全问题被罚420万元等等。由此可知，银行存在未能遵循法律法规和监管要求的行为准则，则会带来合规风险。上述两种风险都可能在没有信号的情况下发生，可能给受影响的银行造成重大经济损失，并冲击金融体系。随着金融科技发展给银行带来日益增多的战略盈利风险、操作风险、网络风险及合规风险，我国商业银行别无选择，只能增加科技投入预算，建立一个更具弹性但效率更高的网络基础设施，以应对日益增长的各类风险。总体而言，金融科技革命的推进加剧了银行技术驱动的风险承担，影响了银行的稳定性。因此，本文根据以上讨论，提出以下假设：H1：我国商业银行金融科技投入的增加对其稳定性有积极影响，但科技投入水平超过一定阈值，会对银行的稳定性产生不利影响，即科技投入对上市商业银行稳定性影响具有倒“U”型关系。（二）研究设计1.变量选择（1）解释变量但随着人民银行《金融科技（FinTech）发展规划（2019～2021年）》的出台，在最近两年，部分上市银行开始在年报中主动披露“金融科技”或“信息科技”投入情况。本文根据各家银行年报等公开信息，并对现有上市银行金融科技投入信息缺失的银行予以剔除，手动搜集了2019年到2020年我国25家A股上市银行的科技投入量（如表1所示）。样本包括国有商业银行6家：工商银行、建设银行、中国银行、交通银行、农业银行、邮政储蓄银行；股份制银行11家：招商银行、光大银行、民生银行、平安银行、浦发银行、中信银行、兴业银行、华夏银行、广发银行、渤海银行、恒丰银行；城市商业银行8家：广西北部湾银行、南京银行、北京银行、上海银行、江苏银行、长沙银行、重庆银行、成都银行。这25家银行科技投入成本在这两年的年报中均有披露，且都位于“中国银行业100强榜单”中，因此选取这25家商业银行具有一定的代表性。表12019-2020年我国部分商业银行科技投入量部分A股上市银行金融科技投入（亿元）2019年2020年工商银行163.74238.19建设银行176.33221.09中国银行116.54167.07交通银行50.4557.24农业银行127.9183.00邮储银行81.8090.27招商银行93.61119.12光大银行34.0451.50民生银行29.6037.02平安银行10.9146.82浦发银行41.2057.15中信银行48.9469.26兴业银行35.6548.55华夏银行26.5629.20广发银行2.4122.85渤海银行4.345.60恒丰银行6.366.33北部湾银行2.153.94南京银行5.677.00北京银行18.0022.00上海银行14.3315.49江苏银行6.898.94长沙银行4.706.23重庆银行1.172.63成都银行4.866.29数据来源：根据各家银行2019-2020年年报整理数据来源：根据各家银行2019-2020年年报整理图1我2019-2020年我国部分商业银行科技投入量柱状图从图1可以看出，2019到2020两年间，所选样本银行的科技投入情况呈现大分化的特点。首先是同属性银行间科技投入规模有所不同，甚至差距较大。两年来，国有银行科技投入快速增长，其中科技投入规模最大的是工商银行，达到了238.19亿元，投入规模同样超过200亿元的还有建设银行，而中国银行和农业银行科技投入均突破了100亿元，特别是农业银行较2019的投入增加了55个亿左右，但是同为国有银行的交通银行2019到2020年的科技投入均未超过60亿。还有就是大型银行与中小银行的科技投入规模分化明显。2020年六大行的科技投入总规模已经达到956.86亿元，超过了全年银行业科技投入的一半，招商银行的科技投入在2020年也跻身于100亿元的行列之中。但样本中各家城市商业银行的科技投入也都只在10亿元以下，规模最小的是重庆银行，仅有2.63亿元，与大型银行的科技投入规模相去甚远。就像王海军等学者（2022）[22]在求证科技投入能否增加银行业绩的研究中发现的一样，虽然银行经营业务的差距是导致科技投入分化的主要原因，但是强者恒强是金融科技投入分化的必然定律和发展趋势，中小银行应该需要更早、更快地抓住金融科技快速发展中的机会。（2）被解释变量为了保证指标的代表性、可得性和连续性，本文借鉴了由国际货币基金组织（IMF）所编制的《金融稳健性指标编制指南》[23]以及采用了张亦春和彭江（2014）[24]的数据处理方法，以此来计算银行稳定性的核心指标及其临界值，并结合国内的监管要求和部分商业银行年报，从资产质量、资本充足性、盈利能力、流动性等四个方面选取了不良贷款率、拨备覆盖率、总资本充足率、核心资本充足率、平均总资产收益率、平均净资本收益率、存贷比七个指标，以合成银行稳定性指标（BankSoundnessIndex，BSI），并以此来衡量我国商业银行稳健性程度（如表2所示）。银行稳定性指标为负指标，数值越小稳定性越高，即指标映射分数值越低，银行稳定性性水平越高：数值在0-20为安全，20-50为正常，50-80为关注，80-100为危险。表2中国上市商业银行稳定性指标体系及临界值稳定性程度安全正常关注危险指标映射值区间[0,20](20,50](50,80](80,100]总资本充足率[12,100][8,12)[4,8)[0,4)核心资本充足率[6,100)[4,6)[2,4)[0,2)不良资产率[0,1](1,5](5,10](10,100]拨备覆盖率[150,+∞)[100,150)[80,100)[0,80)平均总资产收益率[0.6,+∞)[0.4,0.6)[0.2,0.4)(+∞,0.2)平均净资本收益率[15,+∞)[10,15)[5,10)(-∞,5)存贷比[0,50](50,75](75,85](85,100]表2的运用过程如下：（1）映射法：审慎选取指标的临界值，通过映射的方式将指标的原始数据归集为相应的分数值，进行比较。具体方法分为两种，一是像不良资产率这样数值越小越有利的负向指标，就按照(x-a)/(b-a)*(n-m)+m这一公式进行计算。（x：计算的数值；a：对应指标下限；b对应指标上限；m：映射区间下限；n:映射区间上限）例如中国银行2019年的不良贷款率为1.37，可知属于(1,5]的正常区间范围内，现将1.37置于(1,5]中，然后对应到指标映射值区间(20,50]中，其相应的计算方法为(1.37-1)/(5-1)*(50-20)+20=22.775；二是类似于拨备覆盖率这种数值越大越有利的正向指标，按照(b-x)/(b-a)*(n-m)+m这一公式进行计算，例如中国银行2019年的总资本充足率为15.59，可知属于[12,100]的安全区间内，然后对应到映射区间[0,20]中，计算方法为（100-15.59)/(100-12)*20+0=19.184。（2）算数平均法：由上述方法这七个指标的赋值后，将所得值求和然后除以指标个数即得到各家银行稳定性指数BSI。本文选择了中国25家A股上市商业银行为面板样本，数据跨度为2019年-2020年，具体指标测算结果如表3所示。表32019-2020年样本商业银行稳定性指标值部分A股上市银行稳定性指标值2019年2020年工商银行25.0424.17建设银行22.6523.07中国银行27.0928.08交通银行26.8531.02农业银行20.7120.75招商银行28.1927.41邮储银行23.0824.12光大银行31.0431.50民生银行28.6031.02平安银行27.9130.82浦发银行31.2030.15中信银行28.9430.26兴业银行24.6525.55华夏银行28.5629.20广发银行28.4130.85渤海银行30.3431.60恒丰银行32.3631.33北部湾银行29.1530.94南京银行17.6718.03北京银行28.5730.23上海银行24.3325.49江苏银行26.8928.94长沙银行18.7019.23重庆银行22.1722.63成都银行23.8620.29数据来源：根据各家银行2019年-2020年年报整理并测算（3）控制变量虽然本文主要探究的是我国各家商业银行科技投入的多少对其稳定性的影响，但是影响我国商业银行稳定性的因素具有多样性，所以为了使得实证结果更具有准确性，除了设定解释变量和被解释变量，还需要设定控制变量。本文选择了2019-2020年度的国内生产总值增速、我国通货膨胀率和股票市值占国内生产总值的比例这3个宏观经济发展变量以及银行资产规模、非利息收入占营业收入之比和成本收入比这3个银行层面的微观发展变量来构成本文实证的控制变量。2.数据描述性统计表4变量的操作定义与计量变量名称变量代码变量个数均值标准差最小值最大值银行稳定性BIS5026.67284.065917.6732.36金融科技投入FT5052.613661.32232.15238.19国内生产总值增速GDP500.0830.01850.0230.06通货膨胀率CPI500.0270.0020.0250.029股票市值占国内生产总值之比GS500.69160.09320.59840.7847银行资产规模SCALE5077.81690.1742.35333.45非利息收入占营业收之比FXSRZB5027.698.3811.4745.72成本收入比CBSRB5028.798.8718.9357.88通过观察表4中银行稳定性指标的最大值和最小值得出其差距较大，说明样本银行经营稳定性水平相差较大，科技投入量的相关数据也展示出目前我国商业银行整体科技投入情况较好，但样本间数值分化大这两个特点。同样的，银行资产规模的最大值与最小值之间也存在着非常大的差异。这表示商业银行的稳定性水平的高低很可能与这两个变量存在较强的相关关系。3.模型设定本文以商业银行稳定性（BSI）作为被解释变量，以金融科技投入（FT）作为核心解释变量，以国内生产总值增速（GDP）、通货膨胀率（CPI）、股市市值占国内生产总值之比（GS）、银行资产规模（SCALE）、非息收入占营业收入之比（FXSRZB）、成本收入比（CBSRB）作为控制变量。实证检验2019年到2020年之间我国部分上市商业银行的科技投入的多少对其稳定性的影响。构建静态面板模型1如下：BSIit=β0+β1FTit+β2GDPit+β3GSit+β4CPIit+β5SCALEit+β6FXSRZBit+β7CBSRBit+εit根据前文假设，科技投入对商业银行稳定性影响可能存在倒“U”型关系，所以还选择引入科技投入变量（FT）的平方项来构建回归模型,模型2如下：BSIit=β0+β1FT2it+β2GDPit+β3GSit+β4CPIit+β5SCALEit+β6FXSRZBit+β7CBSRBit+εit其中，i表示第i家银行，t表示第t期，β0表示各家银行在不同时期的截距项，βit表示参数，ε为误差项。（三）实证结果本文使用以下操作对实证模型进行分析：首先是软件的选择，本文运用SPSS软件进行数据的统计分析；其次是模型的选择，因为本文的样本是25家银行2019-2020年2年间的数据，数据时间跨度较短，属于短面板数据，所以本文选择采用固定效应模型进行估计（如表5所示）。其中，括号中的数值代表的是稳定标准误差，而***、**和*则分别表示1%、5%和10%的显著性水平，下同。表5固定效应模型分析结果系数模型1模型2FT1.15343**（5.8286）-76.76213***（24.6374）FT2-76.3544**（24.1256）GDP1.765403***（0.7032）3.64642***（0.93122）CPI1.132354***（0.2856）-0.36324***（0.4961）GS0.1539672***（0.0472）0.0187512（0.0683）SCALE-0.6849718***（1.0961)-3.758412***（1.2632)FXSRZB0.1376991***（0.0516）0.1237238***（0.0523）CBSRB0.489857***（0.0958）0.457631***（0.0936）CONS32.657378.2904R20.41230.4071方法FEFE本文通过分析以上回归结果得出以下结论：在解释变量方面，稳定性指标为负指标的条件下，模型1中科技投入量与商业银行稳定性指数（BSI）的系数在5%显著性水平下显著为正，则表明科技投入的增加对商业银行稳定性有着负面的影响，即当科技投入每增加1%，则我国商业银行稳定性指数会降低1.15%；模型2中科技投入的系数在1%显著性水平下显著为负，而其平方项的系数却是显著为正的，则表明科技投入对商业银行稳定性关系呈倒“u”型。（2）在控制变量中的宏观变量方面，国内生产总值增速（GDP）的系数显示其在5%的水平上对商业银行稳定性具有显著的正向影响，其现实依据是：经济放缓的其中一种表现形式是企业经营困难，所以当GDP增速下降时，银行的不良贷款会增加，进而对银行的稳定性产生不利影响。还有与通货膨胀率（CPI）呈正相关关系，通货膨胀率高时，对身为贷款人的银行是不利的。股票市值占国内生产总值之比（GS）也显著为正，说明对商业银行的稳定性有着负面影响。（3）在控制变量中的微观变量方面，非息收入占营业收之比（FXSR