22 浏览3理论基础与研究假设
3.1理论基础
3.1.1信息不对称理论
信息不对称理论是指在市场经济活动中，由于交易双方获得的信息量存在差异的现象，进而影响双方做出正确决策，导致交易效率降低。信息不对称理论认为，在某些情况下，掌握信息比较充足的一方比信息相对匮乏的一方更处于有利的地位，从而出现交易过程中的不平等情况。这种不对称信息可能会导致多种市场失灵，如逆向选择和道德风险等问题，进而影响市场的有效性，导致风险问题产生。信息不对称现象在我国商业银行中普遍存在，由于银行与借款人存在信息不对称，银行缺乏对借款人真实状况的了解，借款主体又为了获得贷款，对自身不利的消息隐藏起来，就会导致商业银行和借款人之间反复博弈，产生“慎贷”和“惜贷”的现象，使得银行交易效率降低，金融风险增大，流动性风险也随之产生。
在许多关于商业银行稳定性与银行间市场的研究中，信息不对称理论起着基础性作用[50]。尽管信息技术的进步增强了银行的收集信息能力，但银行间市场交易并没有实现完全信息对称，信息不对称对商业银行仍然起着至关重要作用[51]。郭田勇和孙光宇（2019）指出，在中国的中小银行发展过程中，公司治理水平相对落后和风险控制能力不足是相对突出的两个问题[52]。张雪春和钟震（2020）也认为中国中小银行存在股权结构与组织结构失衡，信息披露不充分，且风险结构不平衡[53]。周顺兴（2018）则发现，自2011年以来，中小银行资产端的影子银行业务持续增加，信用链条被拉长，造成底层资产质量不明[54]。各种问题都在银行市场上反映出来，导致银行与企业间的信息不对称，也增加了银行信贷决策的不确定性和企业融资的难度。祝继高等（2012）研究发现，银行的大股东存在的“掏空”动机，中国商业银行中第一大股东的控股能力越强，银行的贷款集中度和不良贷款率越高，经营绩效也越差[55]。而Zhang等（2016）对我国商业银行不良贷款率的研究支持道德风险假说，即不良贷款率较高的银行会承担更多的风险，以抵消不良贷款带来的损失[56]。
在商业银行数字化转型对流动性风险管理的研究中，信息不对称理论具有重要的意义。首先，数字化转型可能会改变银行与客户之间的信息对称性，使客户更容易获取到银行产品和服务的信息，而银行也能够更加及时地了解客户的资金状况和行为习惯。这种信息不对称的变化可能会影响商业银行对客户的风险评估，进而制定相应的流动性管理策略。其次，数字化技术的应用可能会使银行能够更加实时地
监控资金流动情况和风险暴露，从而提升了银行内部风险管理的效率和精确度。因此，信息不对称理论为研究数字化转型对商业银行流动性风险管理的影响提供了重要的理论框架。通过分析银行与客户之间的信息不对称情况、银行内部信息流动的变化以及与数字化技术相关的风险因素，深入理解数字化转型对流动性风险管理的影响机制，并提出相应的管理建议和政策措施，以应对不对称信息可能带来的挑战，从而提升银行的风险管理水平和经营效益。
3.1.2资产负债综合管理理论
资产负债综合管理理论旨在将资产和负债管理有机结合，以实现更为协调合理和有效的金融运营，是一种综合性的金融管理理论。该理论产生于20世纪70年代末80年代初，是对传统的资产管理和负债管理分离的管理模式的一种改进。它强调通过比例管理和缺口管理等手段，实现资产和负债之间的风险和收益的平衡，并确保金融机构在盈利性、流动性和安全性方面的综合考虑。比例管理主要关注于维持资产和负债之间的合理比例，商业银行仅对资产或负债进行管理，难以协调资金的流动性、风险控制和收益最大化。而缺口管理则重点关注于管理利率敏感性缺口和久期缺口，以应对市场利率波动带来的风险。资产负债综合管理理论的提出，为金融机构提供了更为科学的管理方法，有助于提高金融机构的经营效率和风险抵御能力。
资产负债综合管理理论主要关注于如何通过优化银行或金融机构的资产和负债结构，达到风险管理和收益最大化的目的。这一理论强调了资产和负债之间的匹配原则，包括期限匹配、货币种类匹配和利率敏感性匹配等，以确保机构在面对市场利率变动、流动性需求变化和其他金融风险时的稳健性。当下商业银行综合流动性管理理论不再局限于资产和负债匹配，而是从逻辑上找到二者内在联系及相互影响，只有根据经济情况的变化，通过资产与负债的统一协调管理，从而判断其对流动性的影响，并提出相关解决办法，才能实现经营总方针的要求，达到经营目标。在研究商业银行数字化转型对流动性风险管理的过程中，资产负债综合管理理论的重要性不言而喻。数字化转型通过引入先进的信息技术和金融科技工具，为银行提供了更加高效、灵活的资产负债管理手段，从而优化资产配置和负债结构，提高资产负债管理的精细化水平。通过运用资产负债综合管理理论，银行可以更好地评估和应对数字化转型带来的流动性风险和资产负债匹配问题，确保银行业务的持续健康发展。因此，资产负债综合管理理论为银行在数字化转型过程中的流动性风险管理提
供了重要的理论支撑和实践指导。银行需要不断深化对该理论的理解和应用，结合数字化转型的实际情况，创新和完善资产负债管理策略和工具，以适应金融市场的发展变化，有效管理和控制流动性风险。
3.1.3全面风险管理理论
流动性对商业银行来说非常重要，其风险管理也是重中之重。全面风险管理理论对流动性风险管理至关重要。首先，该理论强调综合性的风险视角，使金融机构能够全面了解并识别与流动性风险相关的各类潜在威胁，包括市场波动、信用风险、操作风险等。其次，全面风险管理理论鼓励建立多层次的风险评估体系，以全面了解流动性风险的来源和影响。这有助于识别潜在的流动性缺口，并提前采取措施以有效管理和减轻这些风险。此外，全面风险管理理论倡导将风险管理融入组织文化和战略制定中。在流动性风险方面，这意味着将流动性管理纳入企业的长期规划和决策中，确保金融机构在面临不同市场条件和经济环境时都能够灵活、迅速地应对。
数字化转型为银行带来了新的风险形态和挑战，例如信息安全风险、技术操作风险等，这些新的风险因素需要被纳入到风险管理的范畴之中。全面风险管理理论强调了风险的综合性和系统性，有助于银行全面识别和评估数字化转型可能带来的各种风险，从而更有效地进行风险管理和控制。全面风险管理理论强调了风险管理的整体性和协同性。数字化转型不仅仅是一种技术变革，更是对银行业务模式、组织结构和风险管理理念的全面重构。因此，银行在进行数字化转型时需要考虑到各种风险之间的相互关系和影响，从整体上进行规划和管理。全面风险管理理论为银行提供了一种系统性的管理框架，有助于银行更好地整合各种风险管理措施，提升风险管理的效果和效率。全面风险管理理论的应用使得金融机构更有能力全面管理、监测和应对流动性风险，有助于提高机构的稳健性和适应性，确保其在不同市场情境下能够有效运营。
3.2研究假设
随着科技的不断发展和金融市场的变革，数字化技术在流动性风险管理中的应用越来越广泛。目前关于数字化转型对商业银行流动性风险管理的影响机制还没有达成一个统一的结论。由于样本选择、数据指标选取与研究方法的不同，学者们的研究还未能得出一个统一的结论，究其根本原因，说明商业银行数字化转型对银行流动性风险存在复杂的影响机制。梳理相关文献，本文从直接方面与中介效应方面分析商业银行数字化转型对商业银行流动性风险管理的影响。
3.2.1商业银行数字化转型对流动性风险管理的直接影响
数字化转型对商业银行流动性风险管理产生了直接而深远的影响。数字化转型通常涉及技术的广泛应用，数据的更加智能化利用，以及业务流程的重新设计。数字化技术能够提高流动性风险管理的效率和精准度，减少人为因素对流动性风险的干扰，降低了商业银行的流动性风险，提高了商业银行的数字化风险管理能力。商业银行进行数字化转型对流动性风险管理的直接影响主要存在以下几个方面：
（1）高效市场交易和资金管理
首先，在数字化转型过程中，数字化技术的应用，改变了传统的存款和贷款的方式，带来了多种新的存款和贷款方式，如移动支付、电子钱包、网上银行等，这些方式使得客户可以更加方便地进行交易和资金管理，同时也让银行更加容易吸引和管理客户资金，对商业银行的流动性产生了直接影响。另外，数字化技术的应用可以让新进入市场的数字银行等通过低成本、强大的数据分析和智能化等优势，使得银行能够更加快速、准确地进行市场交易，增强了银行在市场上的流动性调配能力，不断夺取传统商业银行的市场份额，从而提高商业银行的流动性，降低流动性风险，从而对流动性风险的管理产生积极影响[57]。
（2）提高流动性智能预测和建模能力
商业银行可以通过人工智能和大数据分析技术，对流动性风险进行预测和识别。数字化转型提供了更多先进的数据分析工具和技术，对历史数据和市场趋势进行深度学习，使得银行能够更准确地预测未来的流动性需求，识别出可能存在的流动性风险，为机构提供预警和应对措施。这有助于改善流动性风险的预测和建模能力，提前做好准备。杨杨等人（2020）认为，数字化转型使得银行可以通过自动化系统实时监测和评估流动性风险，同时利用智能算法进行预测和模拟应对策略，从而快速有效地应对不同场景下的流动性挑战[58]。此外，数字化技术使得银行能够更好地收集和分析大量数据，并基于数据建立更准确、更精细的流动性风险模型，为风险管理决策提供更科学的依据[59]。
（3）自动化流动性风险应对和决策
数字化转型带来了业务流程的自动化，方便了更为高效的流动性管理，包括智能资金调配和自动化的流动性风险应对机制以及流动性风险管理中的决策流程，提高了迅速地响应市场变化的能力，减少人为错误的可能性，并提高决策的一致性。数字化转型通过提供高度智能化的决策支持系统，使银行管理层更具洞察力地制定
流动性管理策略，实现更加灵活、实时的决策，降低流动性风险[60]。此外，数字化技术还可以帮助机构进行流动性压力测试，识别可能面临的流动性风险，制定相应的风险应对策略，提高决策效率和精准度。
（4）跨部门协作和信息共享
数字化转型改善了不同部门之间的信息共享和协作。这有助于更全面地理解整个银行的流动性状况，减少信息孤岛，使银行能够更及时、准确地获取业务数据，提高流动性风险的监测效率。数字化转型提高了银行对数据要素的利用能力，通过加强风险管理来缓释银行流动性的顺周期波动[61]。从而更有效地应对流动性挑战，并更好地协调整体流动性风险管理策略。数字化技术还可以提高流动性管理的透明度和信息披露水平，增强市场对机构的信任和稳定性，对商业银行的流动性风险管理起到了良好的促进作用。
（5）优化流动性管理流程
数字化转型可以提供更多样化和灵活的流动性管理工具，帮助银行更好地管理资金流动和优化资金利用率。数字化技术的应用不仅可以提高流动性风险管理的效率和精准度，减少人为因素对流动性风险的干扰，从而提高了商业银行的数字化风险管理能力。也可以降低金融机构的成本和风险。例如，数字化技术可以帮助机构优化资金使用效率，降低融资成本和资金占用成本。此外，数字化技术还可以提高流动性管理的透明度和信息披露水平，增强市场对机构的信任和稳定性。对商业银行的流动性风险管理起到了良好的促进作用。
综合而言，随着科技的不断发展和金融市场的不断变革，商业银行数字化转型是一个不可逆转的趋势，数字化技术将在流动性风险管理中发挥越来越重要的作用。数字化转型对商业银行流动性风险管理的影响涵盖了多个方面，包括技术、组织、人员、市场等各个层面。这些研究为进一步探讨数字化转型对流动性风险管理的影响机制提供了重要的理论支持和实证分析。根据相关理论及相关文献研究梳理，本文提出如下相关假设：
假设1：商业银行数字化转型对流动性风险管理存在正向促进的作用
3.2.2商业银行数字化转型对流动性风险管理的中介效应分析
为了研究商业银行数字化转型对流动性风险影响的传导机制，本文从信息不对称和经营效率两个渠道进行中介效应分析。并在相关理论基础上提出研究假设。
（1）商业银行数字化转型、信息不对称程度与流动性风险管理
商业银行数字化转型可以提高信息的可获取性和透明度，使得银行内外部信息
更为对称，降低了信息不对称风险，进而改善银行的流动性状况[62][63]。数字技术的引入提高商业银行搜集信息和处理信息的能力，通过数字技术对数据的处理，在银行的存贷款管理方面可以进行全面的监督，方便银行及时采取合适的风险管控措施，提升商业银行的流动性风险管理效能。
另外，商业银行通过数字化转型能够更好地整合中小企业的关键信息，缓解银企之间的的信息不对称程度，使双方的借贷行为更加透明目可信。商业银行通过收集、整理经济数据，评估目标企业的财务状况、经营状况以及抵御风险的能力，实现从多方面评定中小企业的信用等级。数字技术不仅有助于提高商业银行获取市场信息的能力，还增强了银行分析客户信息价值的能力，数字化转型使得银行能够更快速、更全面地获取和分析大量的数据信息。通过大数据分析、人工智能等技术手段，银行可以实时监控资金流动情况、预测市场趋势和客户需求，从而更及时地做出调整和应对，减少信息滞后性，提高流动性管理的反应速度和精准度。数字化转型改变了银行内部的业务流程和信息共享机制，使得信息能够更顺畅地在不同部门和岗位之间流通。例如，数字化技术的应用使得风险管理部门能够更加及时地获取到前线业务部门的数据信息，从而更好地识别和评估风险，制定更有效的风险管理策略。总的来说，商业银行数字化转型通过实时监测、信息透明、数据分析和客户参与等机制，缓解了信息不对称问题，提升信息获取与分析能力、提高了流动性风险管理的效率和精准度。根据以上分析，提出如下假设：
假设2：商业银行数字化转型通过缓解信息不对称提高流动性风险管理
（2）商业银行数字化转型、经营效率与流动性风险管理
商业银行进行数字化转型可以提高银行的运营效率。数字化技术的应用可以提高商业银行的运营效率，例如通过自动化和机器学习等技术来减少人力成本、加快信用风险评估和核实等流程，从而提高了商业银行的净利润和流动性，降低了银行的流动性风险。另有研究得出不同的结论，数字化有增加商业银行流动性风险的影响。尽管数字化技术能够提高商业银行的效率，但同时也会增加一些风险，例如网络安全问题、虚拟货币的不稳定性、电子支付的欺诈等，这些因素也会对商业银行的流动性风险影响。
在数字化时代，商业银行利用基于数字化技术的线上系统实现大量的人际互动和信息传递，这种转变能够提高信息传递的及时性和准确性，降低沟通成本，并增强了协调效率[64]。通过数字技术的运用，商业银行克服了时间和空间的限制，使得即使在非实体网点和营业时间之外，也能进行线上业务办理，不但降低了人工成本
与交易成本，还提升了商业银行传统业务办理的效率。此外，数字技术在优化企业组织结构方面发挥着重要的作用，它有助于减少组织层级冗余，使组织更加敏捷型和灵活，这种灵活性和可扩展性有助于商业银行更敏感的应对外部环境变化，从而能够快速、灵活、有效地制定新战略，并加速资源的整合和再分配，这将进一步提升银行服务和内部管理水平，实现效率、效益、效果的全面改进与优化[65]。由以上分析可知，商业银行可以通过数字技术的应用，降低银行运营成本，优化传统的业务流程，提升银行经营效率。
经营效率高的商业银行能够更有效地利用资金，使得资产和负债之间的匹配更加精准，这有助于降低流动性风险，因为银行能够更好地满足客户的提款需求而不必依赖于不稳定的短期融资。经营效率高的银行可能更容易实施多元化的经营策略，涉及到不同种类的业务和资产。多元化有助于分散风险，从而减轻特定领域的流动性风险。高效的银行可能更容易实施全面的流动性压力测试，以评估在不同市场环境和经济条件下的流动性状况。这有助于银行更好地了解自身的脆弱性，采取相应的预防和管理措施。综合上述分析，提出如下假设：
假设3：商业银行数字化转型通过提高银行的经营效率进一步提高流动性风险管理
商业银行数字化转型对流动性风险管理的具体影响机制如下图3.1所示：
图3.1商业银行数字化转型对流动性风险管理的作用机制图
4商业银行数字化转型影响流动性风险管理的研究设计
4.1样本选择与数据来源
本文选取中国A股上市商业银行为研究对象，数据时间段为2010年至2022年，考虑到基于数据的可得性和完整性，在相关数据处理后，本文易除了关键数据缺失较多的样本后，最终得到38家较完整的数据，共有399个样本。在数据的选取上，微观数据主要来自Wind数据库、国泰安（CSMAR）数据库和上市商业银行年报。宏观数据来自国家统计局。为了减小极端值的影响，本文对连续变量数据在1%和99%分位上进行缩尾处理。
4.2变量选取
4.2.1被解释变量
被解释变量为流动性风险的大小。根据已有研究及上文关于商业银行流动性风险指标的计算，目前主流的衡量方法主要有以下三种。一是流动性比例（CR），流动性比例常用来度量商业银行偿还较短时间债务的能力大小，该数值越大，说明银行的流动性资产充足，风险越低。二是存贷比（LDR），存贷比是衡量银行流动性风险的主要指标，它反映了银行的存贷情况，从银行盈利的角度讲，存贷比越高越好，存贷比越高，说明银行资金得到了充足的运用，可以为银行带来更多的效益。银行存贷比监管要求为不高于75%。三是流动性覆盖率（LCR），作为一种监管要求，流动性覆盖率旨在衡量商业银行在极端压力条件下能够满足短期流动性需求的能力。
根据已有研究及上文关于流动性风险指标的计算方式，考虑到数据可得性，本文参照顾海峰和卞雨晨（2020）的研究[66]，以流动性比例（CR）作为被解释变量， 进行基准回归分析。流动性比例越大，流动性越好，流动性风险越小。以存贷比（LDR）作为流动性风险的代理变量，进行稳健性检验。
4.2.2核心解释变量
核心解释变量为商业银行数字化转型（DFI）。本文选取A股上市的38家商业银行为研究对象，根据上文，鉴于数据的可得性与完整性，本研究采取北京大学中国商业银行数字化转型指数，指数从商业银行的战略数字化、业务数字化和管理数
字化三个维度来构建指标体系，采用主成分分析法，根据分指标的权重进行构造。此指标较为契合本文关于商业银行数字化转型的研究。该指标数值越大代表商业银行数字化转型程度越高。
4.2.3中介变量
根据前文分析及研究假设，本文选取信息不对称和商业银行经营效率作为中介变量进行机制分析，变量选取如下：
信息不对称程度。参考王蕾等（2019）的做法，即股票年周转率来衡量信息不对称程度（DIA），股票周转度为商业银行当年普通股交易量与该年度发行在外的普通股平均数的比值[67]。股票年周转率与信息不对称程度成反比，股票年周转率越高，信息越对称，反之股票周转率越低，则表明信息不对称程度越高。
商业银行经营效率。参考刘忠璐（2016）的做法，以成本收入比（CIR）度量商业银行经营效率[68]。成本收入比是企业经营管理中的一个重要指标，它可以反映企业的经营效率，是企业经营管理的重要参考指标。成本收入比越小，企业经营效率较高，成本收入比越大，则表明企业的收入小于成本，企业经营效率较低。
4.2.4控制变量
控制变量的选取主要从微观和宏观两个方面进行考虑，一是从微观企业的角度，包括企业的自身经营情况，内部财务状况，存贷款状况、收益水平，规模等变量对银行的微观特征变量进行控制。二是从企业外部的宏观角度，包括宏观经济水平，货币政策，通货膨胀率，经济增长率对可能的宏观影响因素进行控制。控制变量选取如下：
营业收入增长率（ORG）。它反映了商业银行营业收入的增减变动情况，一定程度上代表了银行成长性，也是衡量银行经营状况与市场占有能力的重要指标。该指标数值越大，表明商业银行市场前景越好，越有利于银行发展。
总资产收益率（ROA）。是衡量商业银行单位资产净收益的指标，它反映了银行在资源分配方面的效率和盈利能力。商业银行的盈利能力越强，其承受潜在损失的能力就越大，从而在风险管理上也具有更大的灵活性。
资本充足率（CAR）。资本充足率是银行资本总额对其风险加权资产的比率，能够反映商业银行的偿债能力和自有资本承担损失的能力，也是是衡量商业银行能够以自有资本承担损失的重要指标。较高的资本充足率能够增强银行的稳定性。
拨备覆盖率（PCR）。拨备覆盖率是衡量银行贷款损失准备金是否充足以应对风险的重要指标之一。拨备覆盖率可以反映银行对风险的抵御能力，是银行健康经营的一个重要衡量指标，拨备覆盖率越高，说明银行的抗风险能力越强，反之则越弱。
银行规模（SIZE）。用商业银行总资产（亿元）来反映。一般来说，资产规模越大的商业银行通常有更广泛的业务和客户基础，大银行可以通过多样化的投资和业务操作来降低风险暴露，大型商业银行由于其系统的重要性，往往被认为“大而不倒”，分散风险的实力也越强。
经济增长率（RGDP）。商业银行的经营情况和经济周期密切相关，以国内生产总值增长（百分点）来计算经济增长率。GDP增长率不仅是我国的经济状况重要指标，也体现出了商业银行所处的宏观发展环境的整体局势，是影响银行和金融机构风险管理的关键因素。
通货膨胀率（CPI）。通过价格指数的增长率来间接表示。随着通货膨胀率的变化，商业银行所持有的各类资产价值也会随着变化，从而影响银行的资产质量和盈利能力。此外，在通货膨胀的环境下，货币的购买力也随之下降，可能导致市场的流动性趋紧，因此通货膨胀率是影响商业银行维持稳定发展的一个重要指标。
货币政策（M2）。作为一个宏观经济指标，主要通过货币供应量M2来影响商业银行的流动性水平，当M2增长过快时，可能导致市场的流动性过剩，从而降低融资成本。此外，在基础货币供给机制转换的过程中，外汇占款对银行体系流动性的影响逐渐减弱，而中央银行创设的各种流动性调控工具的作用开始日益增强。
表4.1各变量含义
变量类型 变量名称 变量符号 变量计算公式
被解释变量
核心解释变量 商业银行流动性风险 LDR 贷款总额/存款总额
商业银行数字化转型指数 DFI 文本挖掘方法构建数字化转型指数
中介变量 信息不对称 DIA 股票年周转率
经营效率 CIR 成本收入比率=营业费用/营业收入×100%
控制变量 营业收入增长率 ROA （营业收入本年本期单季度金额-营业收入上一个单季度金额）/营业收入上一个单
季度金额
总资产收益率 ROA 净利润／平均资产总额,平均资产总额=资产合计期末余额。
续表
变量类型变量名称 变量符号 变量计算公式
资本充足率 CAR 资本总额风险加权资产的比率
拨备覆盖率 PCR （一般准备+专项准备+特种准备）/（次级类贷款+可疑类贷款+损失类贷款）
银行规模 SIZE 商业银行总资产（亿元）来反映
经济增长率 RGDP （当期GDP-上期GDP）/上期GDP
通货膨胀率 CPI （现期物价水平-基期物价水平）/基期物价水平
货币政策 M2 （本期货币供应量-上期货币供应量）/上期货币供应量×100%
4.3模型构建
（1）基准模型
基于上文分析，为研究商业银行数字化转型对流动性风险管理的影响，建立双向固定效应模型进行回归分析。考虑到商业银行的数字化转型具有非对称性，数字化转型的前期投入到后期产出，往往要经历复杂而较长的过程[69]，在这一过程中通常存在时间滞后，因此对解释变量进行滞后一期进行处理，基准回归模型如下：
其中，被解释变量CR为商业银行的流动性风险水平，i表示第i家银行，t代表第t年，解释变量DFI代表商业银行数字化转型程度，X代表各种控制变量，Controls为一系列控制变量，为了保证实证的可靠性，模型中控制了行业λ和时间μ,以保证不可观测因素对被解释变量的影响，并使用聚类稳健标准误调整后的t统计量，ε为随机误差项。
替换被解释变量进行稳健性检验，用存贷比（LDR）替换流动性比例（CR），对当期自变量数值代入回归，如下模型（4-2），对自变量进行滞后两期处理，代入模型（4-3）分别进行回归。模型如下：
LDRi,t=β0+β1DFIi,t+ΣjβjControlsi,t+λi+μt+εi,t（4-2）
LDRi,t=β0+β1DFIi,t-2+ΣjβjControlsi,t+λi+μt+εi,t（4-3）
其中，LDR表示存贷比，其他变量与上述相同。
（2）影响机制分析
为了分析银行数字化转型对流动性风险管理的中介效应，借鉴已有文献的做法，影响机制研究借鉴江艇（2022）［70］的相关研究，构建中介效应模型进行假设检验，以信息不对称和经营效率为中介变量，设计模型（4-4）和（4-5）对假设2和假设3进行检验，以验证商业银行数字化转型程度对流动性风险管理的影响机制，中介效应模型方程如下所示：
DIAi,t=β0+β1DFIi,t+ΣjβjControlsi,t+λi+μt+εi,t（4-4）
CIRi,t=β0+β1DFIi,t+ΣjβjControlsi,t+λi+μt+εi,t（4-5）
其中，DIA表示信息不对称，CIR表示银行经营效率。Controls为一系列控制变量，其他与上述相同，同时控制了个体和时间效应。
4.4描述性统计
下表显示了本文的主要变量的描述性统计结果。易除关键数据缺失较多的样本后，筛选出38家银行得到399个观测值，下表为主要描述性统计结果如下。
表4.2描述性统计
variable N mean sd min max
CR 399 0.751 0.140 0.390 1.162
DFI 399 73.45 42.43 0 184
ORG 399 12.31 10.65 -15.60 52.62
ROA 399 0.963 0.224 0.446 1.757
CAR 399 13.34 1.931 0.110 19.26
PCR 399 266.1 101.8 132.4 615.9
SIZE 399 44403 73373 605.2 396097
RGDP 399 6.319 1.921 2.200 8.400
CPI 399 2.044 0.567 0.900 2.900
M2 399 10.82 2.089 8.100 13.80
4.5相关性分析
选取主要变量进行相关性分析，如下为皮尔逊相关性检验结果，如下表4.3所示，从表中可以看出商业银行数字化转型指数与流动性比例的相关系数为0.595，且
在1%的水平上显著，表明数字化转型与流动性水平存在显著的正相关关系，商业银行数字化转型对流动性风险管理存在正向促进的作用，即初步支持了假设1，商业银行数字化转型对流动性风险管理有着正向的促进作用。
表4.3相关系数矩阵
CR DFI ORG ROA CAR PCR SIZE CIR
CR 1
DFI 0.595*** 1
ORG -0.389*** -0.442*** 1
ROA -0.402*** -0.464*** 0.401*** 1
CAR 0.136*** 0.318*** -0.287*** -0.0770 1
PCR -0.314*** -0.107** 0.264*** 0.334*** -0.0130 1
SIZE 0.203*** 0.406*** -0.279*** 0.089* 0.413*** -0.228*** 1
CIR -0.275*** -0.271*** 0.00900 -0.0550 -0.0630 0.228*** -0.107** 1
注:***、**、*分别代表在1%、5%和10%的统计水平上显著。
5商业银行数字化转型影响流动性风险管理的实证分析
5.1基准回归分析
本文根据Hausman检验对模型的个体效应进行分析，结果显示，选择固定效应模型要优于选择随机效应模型，并且固定效应模型在一定程度上解决了部分内生性问题，故本文选择固定效应模型进行回归估计。结合理论分析，本文通过模型（4-1）得到基准回归结果如下表所示，第（1）列为不加控制变量，控制时间和个体。第（2）列为加入宏微观控制变量，但不控制时间效应，控制个体。第（3）列为加入宏微观控制变量，为保证结果的稳健，控制个体和年份效应。由下列结果表格第一列可知，不加控制变量的情况下商业银行数字化转型对银行流动性影响的系数值为0.16，在5%的置信水平上显著，说明数字化转型能显著促进商业银行的流行性水平，降低流动性风险。考虑到商业银行的内部财务状况，规模等微观变量及银行外部宏观变量对流动性风险水平的影响，如果不对上述变量加以控制，就可能会影响估计结果的可靠性。因此在第（2）、（3）列均加入宏微观控制变量，在第（2）列中加入控制变量进行估计，不控制时间，回归结果在1%的置信水平上显著。第（3）列控制时间后，回归系数值为0.135，影响流动性水平依然是在5%水平上显著为正，表明数字化转型对银行流动性风险具有较明显的抑制作用。因此，商业银行数字化转型对银行流动性风险起到抑制的作用，商业银行数字化转型可以增强流动性风险管理，假设1得到认证，与上文理论分析结果一致。
表5.1数字化转型对流动性风险的基准回归结果
（1）
CR （2）
CR （3）
CR
L.DFI 0.160** 0.515*** 0.135**
ORG （0.063） （0.049）
-0.056*
（0.031） （0.059）
-0.097***
（0.030）
ROA 0.056
（0.056） 0.158***
（0.051）
CAR 0.191***
（0.048） 0.050
（0.046）
PCR -0.052
（0.036） -0.204***
（0.036）
续表
（1）
CR （2）
CR （3）
CR
SIZE -0.244** -0.236***
（0.103） （0.090）
RGDP -0.057 -0.300***
（0.036） （0.056）
CPI 0.024 -0.426***
（0.030） （0.085）
M2 -0.057* -0.060
（0.034） （0.070）
cons -0.485*** -0.008 0.228***
（0.109） （0.022） （0.047）
年份 控制 不控制 控制
个体 控制 控制 控制
