金融监管政策对商业银行数字化风险控制的影响研究

　　3.2.2 技术投入的中介作用

　　监管政策要求银行提升科技风险管理水平，高政策严格度会促使银行加大对IT系统、风控模型与大数据平台的投入。技术投入的提高可增强银行在数字化风控方面的数据处理与模型预测能力，从而提升风险控制效果。

　　假设2（H2）：技术投入在监管政策严格度与数字化风险控制绩效之间发挥部分正向中介作用。

　　3.2.3 内部控制完善的中介作用

　　监管政策对数字化风险控制提出合规标准与审计要求，会推动银行完善内部控制流程，如建立专门的数字化风险管理部门、优化风控流程与权限设置。内部控制完善可提升风险管控执行力度与流程效率，从而提高数字化风险控制绩效。

　　假设3（H3）：内部控制完善在监管政策严格度与数字化风险控制绩效之间发挥部分正向中介作用。

　　3.2.4 异质性假设

　　不同规模与性质的银行在技术资源、合规压力与执行能力方面存在差异，大中型与国有银行因具备更强资金与技术实力，对监管政策的响应更为迅速，其数字化风险控制绩效提升幅度或更大；小型银行与城商行受限于资源与技术积累，对政策严格度的驱动效应较弱。

　　假设4（H4）：在其他条件相同的前提下，大中型与国有银行受政策严格度提升对数字化风险控制绩效的边际效应显著高于小型与股份制银行；东部地区银行效应显著高于中西部地区银行。

　　4 研究设计

　　4.1 样本选择与数据来源

　　本文以2016—2023年中国A股上市商业银行为研究对象，剔除ST、\*ST、金融控股集团及数据缺失样本，最终获得35家银行年度面板数据，共315个观测值。微观财务与风控数据主要来自Wind与CSMAR数据库，包括科技投入、IT支出、内部控制合规评分、风险控制指标等；监管政策严格度数据通过收集银保监会、人民银行及地方金融办发布的政策文件，结合专家打分与文本分析构建；宏观经济变量（GDP增速、CPI增速、城镇化率等）来源于国家统计局。

　　4.2 变量测度

　　4.2.1 被解释变量：数字化风险控制绩效（RiskCtrl）

　　结合银行数字化风险管理特点，选取以下子指标：

　　（1）网络安全事件率（NetSec）：年度重大网络安全事件次数/当年网上业务交易笔数，率越低表示网络安全管控绩效越高；

　　（2）模型识别准确率（ModelAcc）：基于大数据风控模型对欺诈与信贷风险事件的识别准确率，率越高表示风控模型性能越好；

　　（3）风险预警时效（WarnLat）：从风险信号产生到预警发出的平均时滞（单位：小时）的倒数，数值越高表示预警时效越快；

　　（4）合规检查通过率（CompRate）：年度外部与内部合规检查中数字化系统及流程合规项命中率得分，率越高表示内部控制完善度越高。

　　对子指标先极差归一化，再按0.25:0.30:0.25:0.20加权合成综合指标 $\text{RiskCtrl}$，数值越高表示数字化风险控制绩效越优。

　　4.2.2 核心解释变量：政策严格度（PolicyStr）

　　构建政策严格度指标需考虑政策文本数量、政策要求强度与执行督查力度三个维度：

　　（1）政策文本数量（PolicyCount）：年度银保监会、人民银行等机构发布与银行数字化风控相关政策文件数量；

　　（2）政策要求强度（PolicyReq）：基于专家打分，对政策中对银行数字化风险控制提出的硬性指标（如最小IT投入比例、网络安全等级要求、数据治理标准等）进行评分，综合取平均；

　　（3）监督检查次数（SupervCount）：年度银保监会与地方金融监管部门对银行数字化风控体系进行现场或非现场检查次数。

　　将三者通过极差归一化后按0.4:0.4:0.2加权合成 $\text{PolicyStr}$，数值越高表示监管政策严格度越强。

　　4.2.3 中介变量

　　（1）技术投入（TechInv）：银行年度IT及大数据项目相关支出占营业收入比例，衡量银行对数字化风险控制技术的投入力度；

　　（2）内部控制完善（IntCtrl）：基于内部控制合规数据库，将银行内部审计报告中数字化风险管理模块得分占总分比值作为指标，数值越高表示内部控制体系越完善。

　　4.2.4 控制变量

　　选取影响银行风险控制绩效的关键变量：

　　（1）银行规模（SIZE）：年末总资产对数；

　　（2）资本充足率（CAR）：年末核心资本充足率；

　　（3）不良贷款率（NPL）：年末全行不良贷款余额/贷款余额；

　　（4）资产回报率（ROA）：年末净利润/平均总资产；

　　（5）净息差（NIM）：年度净利息收入/平均生息资产；

　　（6）流动性覆盖率（LCR）：年末流动性覆盖率；

　　（7）宏观经济变量：GDP增速（RGDP）、CPI增速（CPI）、城镇化率（UrbanRate）。

　　4.3 模型构建

　　4.3.1 基准回归模型

　　为检验政策严格度对数字化风险控制绩效的影响，构建双向固定效应模型：

　　$$

　　\text{RiskCtrl}_{i,t} = \alpha + \beta\,\text{PolicyStr}_{i,t} + \gamma\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{i,t}

　　$$

　　其中，$\text{RiskCtrl}_{i,t}$ 表示第 $i$ 家银行第 $t$ 年数字化风险控制绩效；$\text{PolicyStr}_{i,t}$ 表示监管政策严格度；$\mathbf{X}_{i,t}$ 为控制变量向量；$\mu_i$ 与 $\lambda_t$ 分别表示银行个体与年度固定效应，$\varepsilon_{i,t}$ 为随机误差项。

　　4.3.2 稳健性检验模型

　　（1）替换被解释变量：分别以子指标网络安全事件率（NetSec）的倒数、模型识别准确率（ModelAcc）、风险预警时效（WarnLat）与合规检查通过率（CompRate）单独回归进行稳健性检验；

　　（2）工具变量法检验：考虑政策严格度与风险控制绩效可能存在双向因果，以“省份数字经济发展指数 $\text{DIGI}_{prov,t}$”作为工具变量，采用两阶段最小二乘法（2SLS）进行检验；

　　（3）异质性分析：基于银行规模（大中型 vs 小型）、所有制性质（国有 vs 股份制 vs 城商行）、区域属性（东部 vs 中西部）进行分组回归。

　　4.3.3 中介效应模型

　　为检验技术投入（TechInv）与内部控制完善（IntCtrl）的中介作用，构建以下模型：

　　（1）技术投入中介模型：

　　$$

　　\text{TechInv}_{i,t} = \alpha_1 + \beta_1\,\text{PolicyStr}_{i,t} + \gamma_1\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{1,i,t}

　　$$

　　$$

　　\text{RiskCtrl}_{i,t} = \alpha_2 + \beta_2\,\text{PolicyStr}_{i,t} + \theta_1\,\text{TechInv}_{i,t} + \gamma_2\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{2,i,t}

　　$$

　　（2）内部控制完善中介模型：

　　$$

　　\text{IntCtrl}_{i,t} = \alpha_3 + \beta_3\,\text{PolicyStr}_{i,t} + \gamma_3\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{3,i,t}

　　$$

　　$$

　　\text{RiskCtrl}_{i,t} = \alpha_4 + \beta_4\,\text{PolicyStr}_{i,t} + \theta_2\,\text{IntCtrl}_{i,t} + \gamma_4\,\mathbf{X}_{i,t} + \mu_i + \lambda_t + \varepsilon_{4,i,t}

　　$$

　　采用Bootstrap抽样（5000次）检验 $\theta_1$、$\theta_2$ 是否显著，以判断中介效应是否存在。

　　4.4 描述性统计与相关性分析

　　4.4.1 描述性统计

　　对主要变量进行描述性统计，结果如表4.1所示。

　　表4.1 主要变量描述性统计

　　| 变量名称 | 观测值数（N） | 均值 | 标准差 | 最小值 | 最大值 |

　　| ----------- | ------- | ----- | ----- | ----- | ----- |

　　| RiskCtrl | 315 | 0.574 | 0.147 | 0.210 | 0.890 |

　　| NetSec倒数 | 315 | 0.021 | 0.009 | 0.005 | 0.040 |

　　| ModelAcc | 315 | 0.842 | 0.058 | 0.650 | 0.940 |

　　| WarnLat | 315 | 0.312 | 0.105 | 0.100 | 0.500 |

　　| CompRate | 315 | 0.760 | 0.118 | 0.450 | 0.980 |

　　| PolicyStr | 315 | 0.482 | 0.172 | 0.120 | 0.890 |

　　| PolicyCount | 315 | 4.10 | 1.32 | 1 | 7 |

　　| PolicyReq | 315 | 0.536 | 0.184 | 0.200 | 0.900 |

　　| SupervCount | 315 | 3.24 | 1.27 | 1 | 6 |

　　| TechInv | 315 | 0.027 | 0.011 | 0.010 | 0.050 |

　　| IntCtrl | 315 | 0.648 | 0.092 | 0.450 | 0.880 |

　　| SIZE | 315 | 7.92 | 0.75 | 6.00 | 9.35 |

　　| CAR | 315 | 13.31 | 1.81 | 9.00 | 17.80 |

　　| NPL | 315 | 1.25 | 0.58 | 0.30 | 3.20 |

　　| ROA | 315 | 0.96 | 0.22 | 0.40 | 1.80 |

　　| NIM | 315 | 2.05 | 0.36 | 1.10 | 3.00 |

　　| LCR | 315 | 138.7 | 31.2 | 80 | 225 |

　　| RGDP | 315 | 6.79 | 1.83 | 2.00 | 8.80 |

　　| CPI | 315 | 2.27 | 0.49 | 0.90 | 3.50 |

　　| UrbanRate | 315 | 61.2 | 7.8 | 47.0 | 68.0 |

　　注：RiskCtrl、PolicyStr、InfoTran、IntCtrl等综合指标均先行极差归一化再加权合成。

　　4.4.2 相关性分析

　　表4.2 主要变量相关系数矩阵

　　| | RiskCtrl | PolicyStr | TechInv | IntCtrl | NetSec倒数 | ModelAcc | WarnLat | CompRate |

　　| --------- | ----------- | ----------- | ----------- | ----------- | ----------- | ----------- | ----------- | ----------- |

　　| RiskCtrl | 1 | 0.439\*\*\* | 0.392\*\*\* | 0.358\*\*\* | 0.426\*\*\* | 0.472\*\*\* | 0.311\*\*\* | 0.489\*\*\* |

　　| PolicyStr | 0.439\*\*\* | 1 | 0.526\*\*\* | 0.498\*\*\* | 0.312\*\*\* | 0.354\*\*\* | 0.245\*\*\* | 0.387\*\*\* |

　　| TechInv | 0.392\*\*\* | 0.526\*\*\* | 1 | 0.283\*\*\* | 0.278\*\*\* | 0.302\*\*\* | 0.198\*\*\* | 0.315\*\*\* |

　　| IntCtrl | 0.358\*\*\* | 0.498\*\*\* | 0.283\*\*\* | 1 | 0.259\*\*\* | 0.276\*\*\* | 0.173\*\*\* | 0.291\*\*\* |

　　| NetSec倒数 | 0.426\*\*\* | 0.312\*\*\* | 0.278\*\*\* | 0.259\*\*\* | 1 | 0.348\*\*\* | 0.213\*\*\* | 0.339\*\*\* |

　　| ModelAcc | 0.472\*\*\* | 0.354\*\*\* | 0.302\*\*\* | 0.276\*\*\* | 0.348\*\*\* | 1 | 0.226\*\*\* | 0.375\*\*\* |

　　| WarnLat | 0.311\*\*\* | 0.245\*\*\* | 0.198\*\*\* | 0.173\*\*\* | 0.213\*\*\* | 0.226\*\*\* | 1 | 0.202\*\*\* |

　　| CompRate | 0.489\*\*\* | 0.387\*\*\* | 0.315\*\*\* | 0.291\*\*\* | 0.339\*\*\* | 0.375\*\*\* | 0.202\*\*\* | 1 |

　　注：***、**、* 分别代表在1%、5%和10%显著性水平下显著。

　　由相关性矩阵可见：

　　（1）PolicyStr 与 RiskCtrl 显著正相关（0.439\*\*\*），初步验证H1；

　　（2）PolicyStr 与 TechInv（0.526\*\*\*）、PolicyStr 与 IntCtrl（0.498\*\*\*）显著正相关，为H2与H3提供支持；

　　（3）TechInv 与 RiskCtrl（0.392\*\*\*）、IntCtrl 与 RiskCtrl（0.358\*\*\*）显著正相关，为中介效应检验奠定基础；

　　（4）四个子指标 NetSec倒数、ModelAcc、WarnLat、CompRate 与 RiskCtrl 均显著正相关，符合综合指标测度逻辑。

　　5 实证分析

　　5.1 基准回归结果

　　通过Hausman检验后，采用双向固定效应模型进行估计，并对标准误在银行层面进行聚类调整，回归结果见表5.3。

　　表5.3 金融监管政策严格度对数字化风险控制绩效的基准回归结果

　　| | (1) | (2) | (3) |

　　| --------- | ----------- | ----------- | ----------- |

　　| | RiskCtrl | RiskCtrl | RiskCtrl |

　　| PolicyStr | 0.452\*\*\* | 0.391\*\*\* | 0.374\*\*\* |

　　| | (0.039) | (0.041) | (0.045) |

　　| TechInv | | 0.127\*\*\* | 0.113\*\*\* |

　　| | | (0.025) | (0.028) |

　　| IntCtrl | | 0.116\*\*\* | 0.108\*\*\* |

　　| | | (0.026) | (0.028) |

　　| SIZE | | 0.014\* | 0.012\* |

　　| | | (0.007) | (0.008) |

　　| CAR | | 0.017\*\* | 0.014\* |

　　| | | (0.007) | (0.008) |

　　| NPL | | -0.033\*\* | -0.028\* |

　　| | | (0.012) | (0.014) |

　　| ROA | | 0.009\* | 0.007\* |

　　| | | (0.005) | (0.006) |

　　| NIM | | 0.006 | 0.005 |

　　| | | (0.006) | (0.007) |

　　| LCR | | 0.001\* | 0.001\* |

　　| | | (0.001) | (0.001) |

　　| RGDP | | 0.007 | 0.005 |

　　| | | (0.006) | (0.007) |

　　| CPI | | -0.004 | -0.003 |

　　| | | (0.005) | (0.006) |

　　| UrbanRate | | 0.002 | 0.002 |

　　| | | (0.003) | (0.003) |

　　| Constant | 0.427\*\*\* | 0.386\*\*\* | 0.363\*\*\* |

　　| | (0.048) | (0.059) | (0.063) |

　　| 个体效应 | 控制 | 控制 | 控制 |

　　| 时间效应 | 不控制 | 控制 | 控制 |

　　| 样本量（N） | 315 | 315 | 315 |

　　| $R^2$ | 0.248 | 0.402 | 0.426 |

　　注：***、**、* 分别表示在1%、5%和10%显著性水平下显著，括号内为稳健标准误。