2024年9月，Yufei Xia, Xuyan Lu, Ziming Hao和Huiyi Shi发表了“Internal regulatory technology (RegTech) and bank liquidity risk: evidence from Chinese listed banks”一文，这篇文章研究了内部监管技术（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集，首先，该文用文本挖掘方法从银行年报中构建了内部RegTech指数。随后，揭示了内部RegTech对银行流动性风险的显著缓解作用。在缓解内生性问题后，并使用不同的因变量替代指标和不同的样本时期进行检验，该发现依然稳健。一个可能的机制是内部RegTech提升了银行的监管能力，并减轻了银行的风险行为。此外，作者们的结果还表明，不同RegTech子指数之间存在一定的异质性。其中，合规性和技术基础子指数对银行流动性风险的影响更加显著。该发现为金融监管机构在采用RegTech方面提供了宝贵的政策启示。中国人民大学金融科技研究所（微信ID：ruc_fintech）对研究核心部分进行了编译。
作者 | Yufei Xia, Xuyan Lu, Ziming Hao & Huiyi Shi
编译 | 孔煜
排版 | 陈亚洲、韩予乐
1 引言
银行流动性风险是指银行在其负债到期时无法履行支付义务的情况。传统银行理论强调，期限转换虽然能提升银行的盈利能力，但同时也使银行暴露于流动性风险和银行挤兑的威胁中。硅谷银行的倒闭震惊了全球金融体系，其主要原因之一就是流动性管理不善。目前的研究主要探讨了流动性风险的决定因素，包括银行层面的因素（Abdul-Rahman, Sulaiman, and Mohd Said 2018）和货币政策（Nguyen, Nguyen, and Duong 2023）。此外，金融监管也是银行流动性风险的直接解决方案（Raz, McGowan, and Zhao 2022）。严格的监管标准和传统监管模式给银行带来了大量的合规成本，并因监管滞后和不一致性长期受到争议，这也促使了监管技术（RegTech）的兴起。RegTech描述了在监管、监控、报告和合规中使用技术的现象（Buckley et al. 2020）。RegTech的定义包括由受监管实体推动的内部RegTech，用以提升合规效果（Teichmann, Boticiu, and Sergi 2023）和改善风险管理（Chao et al. 2022）。
RegTech也可以由监管机构推动，即所谓的外部RegTech，指的是为了提高监管效率和能力而在金融监管中采用技术。内部RegTech和外部RegTech之间可能存在潜在的互动作用。从理论上讲，内部RegTech可以通过两种方式缓解流动性风险。其监控和客户尽职调查系统可以直接识别并提供潜在风险的预警。间接地，内部RegTech建立了高效的信息和报告系统，促进了自动化和及时的监管。然而，关于内部RegTech对银行流动性风险影响的研究仍存在显著的空白。因此，本文旨在弥补这一知识空缺。
本文的边际贡献有三点。首先，我们参与了关于金融监管与银行流动性风险之间关系的辩论，并提供了内部RegTech对风险缓解效果的有力证据。其次，我们首次测量了银行层面的RegTech，并实证探讨了这一关系。实证结果可以补充现有关于RegTech在风险管理中理论分析的不足（Buckley et al. 2020；Chao et al. 2022）。最后，我们进行了机制分析，探讨内部RegTech如何影响银行流动性风险。
2 数据和变量
样本：
我们选择了2015年至2022年在中国A股市场上市的所有41家商业银行作为样本。这些银行在2022年占整个中国银行业总资产的约84%。数据集来自CSMAR数据库、商业银行年报以及国家金融监管总局网站。
变量：
因变量：
我们遵循Ghenimi, Chaibi, and Omri（2017）的研究，使用流动性比率（LDR）作为银行流动性风险的代理变量，LDR的计算公式为：
其中，LA 和 LL 分别表示流动资产和流动负债。我们采用流动性比率（LDR）的自然对数（LnLDR）作为因变量。
核心解释变量：
内部RegTech指数用于衡量RegTech在银行中的应用。我们采用文本挖掘方法从银行年报中构建内部RegTech指数。简而言之，我们选择了一系列与RegTech相关的关键词，并统计这些关键词的词频。词频的自然对数被用作内部RegTech的代理变量（LnRegTech）（详细信息见附录A）。
控制变量：
我们参照了Abdul-Rahman, Sulaiman, 和Mohd Said（2018）以及Raz, McGowan, 和Zhao（2022）的研究，使用资产回报率（ROA）、银行规模（SIZE）、资本充足率（CAR）、净利差（NIM）、非利息收入比率（NIIR）、净利润率（NPGOI）、管理费用收入比率（AEGOI）以及总资产周转率（TAT）作为控制变量。变量的描述性统计和定义显示在表1中。
计量经济模型：
为了检验内部RegTech对银行流动性风险的影响，我们构建了如下的双向固定效应模型：
其中，i 和 t 分别表示第 i 家银行和第 t 年。Control 表示控制变量，δ 和 μ 分别代表银行和年份的固定效应，ε 是误差项。
3 结果
基准回归结果：
表2展示了基准估计的结果。所有列中的LnRegTech系数在5%的显著性水平上均显著为正，表明采用内部RegTech可以显著降低银行的流动性风险。列（2）显示，如果LnRegTech增加一个标准差，LnLDR将增加26.45%，大约占LnLDR均值的5.58%（ = 0.373 × 0.709 / 4.737）。列（3）到（6）的结果表明，我们的发现对不同聚类标准误差并不敏感，这部分验证了结论的稳健性。结果与Liu, Wang, 和 Zhang（2024）一致。尽管一些先前的研究表明，金融科技（FinTech）降低了银行的流动性（Tang, Hu, et al. 2024），并刺激了企业的风险承担行为（Tang, Hou, et al. 2024），但我们的研究支持使用RegTech来缓解金融科技对金融稳定性的潜在影响。
稳健性检验：
内生性：
我们首先按照Borusyak 和 Hull（2023）的研究，采用工具变量（IV）方法，构建了Bartik工具变量（或称为Shift-Share工具变量）。该工具变量是滞后一阶内部RegTech指数LnRegTech_{i,t-1}（Share）与内部RegTech指数一阶时间差分ΔLnRegTech_{t,t-1}（Shift）的乘积。Bartik工具变量本质上是通过Share和Shift的加权平均值来预测每个观测值的LnRegTech。Bartik工具变量可能是有效的，因为它与残差不相关，Bartik IV中的初始份额和共同冲击是外生变量，不受当前银行决策的影响，这符合独立性假设。此外，作为LnRegTech的预测值，Bartik工具变量与内部RegTech水平高度相关，满足相关性假设。
表3展示了两阶段最小二乘回归的结果。列（1）表明Bartik工具变量在1%的显著性水平上显著为正。同时，第二阶段回归结果与表2一致，证实了我们的预期。C统计量显示银行层面的RegTech不应被视为外生变量。此外，Kleibergen-Paap rk LM统计量和Cragg-Donald Wald F统计量表明不存在识别不足或弱工具变量的问题，这证明了工具变量方法的稳健性。
随后，作者们采用了一个与RegTech相关的准实验，即“检查与分析系统技术”（Examination and Analysis System Technology，简称EAST）的推广，来探讨内部RegTech对银行流动性风险的影响。将样本期确定为2012年至2022年，以确保有足够的事件前观测值。为减轻内生性偏差，我们采用了分层的双重差分（DID）方法，具体如下：
其中，EAST是时间变量与处理变量的交互项。表4显示，所有模型设定中EAST的系数均显著为正。从经济学角度来看，采用EAST后，LnLDR增加了5.83%（= 0.276 × 1 / 4.737），这一结果在列（2）中展示。该结果与基准回归中的发现一致。为了进一步验证稳健性，进行了平行趋势检验和安慰剂测试（见附录C）。结果支持了这一结论的一致性。
4 结论
本文探讨了内部监管技术（RegTech）对银行流动性风险的因果影响。基于2015年至2022年中国上市银行的数据集，我们揭示了内部RegTech对银行流动性风险具有显著的缓解作用。即使在缓解内生性问题后，使用不同的因变量代理和样本时期，这一发现依然稳健。一个可能的机制是，内部RegTech提升了银行的监管能力，减轻了其风险行为。其中，合规性和技术基础子指数在影响银行流动性风险方面的作用更加显著。
我们的研究为银行和金融监管机构提供了宝贵的启示。对银行而言，应鼓励投资于内部RegTech，以降低合规成本并改善流动性风险管理。未来可进一步探讨在监管中的应用。从监管的角度来看，先进技术可以纳入监管实践，以加强穿透式监管并弥合监管缺口。增强的外部监管能力可以进一步提高内部RegTech对银行流动性风险控制的效果。
然而，我们的研究仍存在一些局限性。首先，由于数据可得性问题，我们仅考虑了上市银行。其次，关于RegTech与银行流动性风险之间的其他传导机制，仍需进一步研究。
……
获取完整报告
请后台回复“内部监管技术”
获取下载链接
·END·
责编/张谦
编译/孔煜
排版/陈亚洲、韩予乐
【延伸阅读】
