14 浏览衡量： 核心一级资本充足率（Core_Tier1_CAR）或总资本充足率（Total_CAR）。
3. 盈利能力 (PROFIT)： 银行的盈利能力反映其经营状况，盈利能力强的银行通常拥有更充足的内部留存收益，更强的自我融资能力，从而有助于降低流动性风险。
衡量： 净资产收益率（Return on Equity, ROE）或总资产收益率（Return on Assets, ROA）。
4. 资产负债结构 (STRUC)： 银行的资产负债结构特征直接影响其流动性风险敞口。
衡量： 存款总额占总负债的比重（Deposit_TL），反映银行对稳定资金来源的依赖程度。
替代： 贷款总额占总资产的比重（Loan_TA），反映资产流动性。
5. 风险偏好 (RISK)： 银行的风险偏好可能影响其在资产配置和负债管理上的激进程度，从而影响流动性风险。
衡量： 贷款损失准备/贷款总额的比率。
6. 管理效率 (EFF)： 银行的管理效率可能影响其风险管理的执行力和效果，包括资金调配效率。
衡量： 成本收入比（Cost-Income Ratio）。成本收入比越低，通常表明管理效率越高。
7. 宏观经济因素 (MACRO)： 宏观经济环境是影响银行流动性风险的外部重要因素。经济下行或金融市场波动可能导致资金紧张。
衡量： 实际国内生产总值增长率（GDP_Growth）或广义货币供应量M2增长率（M2_Growth）。
8. 产权性质 (OWN)： 银行的产权性质（如国有银行、股份制银行、城市商业银行等）可能影响其风险偏好、公司治理结构、监管支持以及风险管理效率。
衡量： 设置哑变量。例如，国有大型银行=1，股份制银行=2，城市商业银行=3。
通过纳入这些控制变量，本研究旨在更准确地识别数字化水平对流动性风险管理效能的净影响，减少遗漏变量偏误。
4.3 模型构建
本研究将采用面板数据模型进行实证分析，以探讨商业银行数字化程度对其流动性风险管理的影响。面板数据模型能够同时处理时间序列数据和截面数据，具有更高的效率和更强的控制能力。在面板数据模型中，我们将主要考虑固定效应模型（Fixed Effects Model）。
选择固定效应模型的原因在于：
1. 控制个体异质性： 商业银行之间存在许多不随时间变化的个体特征，如银行文化、管理理念、成立背景、地理位置等。这些不可观测的个体异质性如果被遗漏，可能导致估计偏误。固定效应模型通过引入个体虚拟变量（或对个体进行“去均值化”处理）来控制这些不随时间变化的个体效应，从而获得更一致、无偏的估计结果。
2. 减少遗漏变量偏误： 相比于混合OLS回归，固定效应模型能够更好地控制由于遗漏了对被解释变量有影响且与解释变量相关的个体特有变量而导致的偏误。
3. 适应样本特性： 本研究样本为75家商业银行在10年期间的面板数据，固定效应模型非常适合处理此类数据结构。
基本模型设定如下：
$$LCR\_Volatility_{i,t} = \alpha + \beta_1 DIGI_{i,t} + \beta_2 SIZE_{i,t} + \beta_3 CAP_{i,t} + \beta_4 PROFIT_{i,t} + \beta_5 STRUC_{i,t} + \beta_6 RISK_{i,t} + \beta_7 EFF_{i,t} + \beta_8 MACRO_{i,t} + \mu_i + \epsilon_{i,t}$$
其中：
$LCR\_Volatility_{i,t}$：表示第 $i$ 家商业银行在第 $t$ 年的流动性覆盖率波动性（被解释变量），用于衡量流动性风险水平。
$DIGI_{i,t}$：表示第 $i$ 家商业银行在第 $t$ 年的数字化水平（核心解释变量）。
$SIZE_{i,t}$：表示第 $i$ 家商业银行在第 $t$ 年的银行规模（控制变量）。
$CAP_{i,t}$：表示第 $i$ 家商业银行在第 $t$ 年的资本充足率（控制变量）。
$PROFIT_{i,t}$：表示第 $i$ 家商业银行在第 $t$ 年的盈利能力（控制变量）。
$STRUC_{i,t}$：表示第 $i$ 家商业银行在第 $t$ 年的资产负债结构（控制变量）。
$RISK_{i,t}$：表示第 $i$ 家商业银行在第 $t$ 年的风险偏好（控制变量）。
$EFF_{i,t}$：表示第 $i$ 家商业银行在第 $t$ 年的管理效率（控制变量）。
$MACRO_{i,t}$：表示第 $t$ 年的宏观经济因素（控制变量）。
$\alpha$：常数项。
$\beta_1, \beta_2, ..., \beta_8$：各变量的回归系数。
$\mu_i$：个体固定效应，捕捉不随时间变化的个体特有因素。
$\epsilon_{i,t}$：随机误差项。
预期回归结果：
根据研究假设H1，我们预期核心解释变量 $\beta_1$ 的符号为负，且统计显著。如果 $\beta_1$ 显著为负，则表明商业银行数字化水平越高，其LCR波动性越低，即流动性风险管理效能越好。如果存在负面影响，则 $\beta_1$ 可能为正（对应假设H2）。
模型选择：
在进行正式回归之前，我们将通过Hausman检验来选择更适合数据的模型（固定效应模型或随机效应模型）。Hausman检验的原假设是随机效应模型是合适的（即个体效应与解释变量不相关）。如果p值小于0.05，则拒绝原假设，选择固定效应模型；否则，接受原假设，选择随机效应模型。
4.4 实证结果与分析
4.4.1 描述性统计
对收集到的样本数据进行描述性统计分析，旨在提供各变量的基本概况和分布特征。这将包括计算流动性覆盖率波动性（LCR_Volatility）、数字化水平（DIGI）以及所有控制变量的均值、标准差、最小值、最大值、中位数等统计量。通过观察这些数据，我们可以初步了解我国上市商业银行在研究期间的流动性风险水平的平均状况和波动范围，以及数字化转型程度的总体水平和银行间的差异。例如，如果LCR_Volatility的均值较高，可能表明行业整体在流动性管理上面临一定的波动性；而数字化水平的标准差较大，则可能意味着不同银行在数字化转型方面存在显著差异。这些基础统计数据将为后续的深入回归分析提供直观的认识和背景信息。
4.4.2 相关性分析
在描述性统计之后，我们将进行相关性分析，以初步探究各变量之间的线性关系。通过计算主要变量（LCR_Volatility和DIGI）以及控制变量之间的皮尔逊相关系数，我们可以初步判断它们是否存在显著的相关性及其方向。我们将重点关注数字化水平（DIGI）与流动性覆盖率波动性（LCR_Volatility）之间的相关性。如果二者呈现显著负相关，这将初步支持本研究的核心假设H1，即数字化程度越高，流动性风险水平越低。此外，相关性分析也将有助于我们识别解释变量与控制变量之间是否存在高度相关性，从而为后续的多重共线性检验提供初步线索。通过观察相关系数的绝对值和显著性水平，我们可以对变量间的关系有一个初步的量化认识。
4.4.3 多重共线性分析
多重共线性是指模型中的解释变量之间存在高度线性相关关系。如果模型中存在严重的多重共线性，可能导致回归系数的估计值不稳定、标准误过大、符号不合理或显著性下降，从而影响模型的解释力和预测能力。为了检验模型是否存在多重共线性问题，本研究将计算各解释变量的方差膨胀因子（Variance Inflation Factor, VIF）。VIF值衡量了某个解释变量与模型中其他解释变量之间的相关程度，VIF值越高，表明共线性越严重。一般来说，VIF值大于10，则认为存在严重的多重共线性。如果VIF值超过10，我们将考虑采取相应的处理措施，例如：剔除其中一个高度相关的变量、对变量进行组合、或者采用岭回归等方法来缓解多重共线性问题，以确保回归结果的可靠性。
4.4.4 模型选择及回归结果分析
在进行正式的面板回归分析之前，需要确定是采用固定效应模型还是随机效应模型。本研究将使用Hausman检验进行模型选择。Hausman检验的原假设是随机效应模型是合适的，即个体效应与解释变量不相关。如果Hausman检验的p值小于0.05，我们则拒绝原假设，认为固定效应模型更适合本研究的数据；反之，如果p值大于0.05，则接受原假设，选择随机效应模型。在确定了合适的模型类型后，我们将进行多元回归分析，并详细报告回归结果，包括各变量的回归系数、标准误、t值、p值以及模型的R方（调整R方）等统计量。
4.4.5 回归结果分析
根据最终选择并运行的回归模型结果，我们将对各变量的估计系数进行详细分析和解释。
首先，我们将重点关注核心解释变量——数字化水平（DIGI）的回归系数（$\beta_1$）。
符号分析： 如果$\beta_1$的符号为负且统计显著，这将有力地支持本研究的核心假设H1，即商业银行的数字化水平越高，其流动性覆盖率波动性越低，从而印证数字化转型对流动性风险管理效能的积极影响。这意味着数字化技术在流动性风险识别、计量、监测和控制方面发挥了显著作用。如果$\beta_1$的符号为正且统计显著，则可能表明在当前阶段或特定情境下，数字化转型反而增加了银行的流动性风险承担，这与研究假设H2相符，需要进一步探讨其背后的原因（如技术故障、线上挤兑等）。
显著性： 我们将通过p值或t值来判断$\beta_1$在统计上是否显著。通常，p值小于0.05或t值绝对值大于1.96（在95%置信水平下）表示系数显著。
经济含义： 如果$\beta_1$显著为负，我们将解释数字化水平每提高一个单位，LCR波动性将平均下降多少个百分点，从而量化数字化转型在流动性风险管理方面的实际效益。
其次，我们将对控制变量的回归系数进行分析和解释：
银行规模（SIZE）： 预计规模较大的银行可能拥有更完善的流动性管理体系和更强的风险抵御能力，其LCR波动性可能较低，因此系数可能为负。
资本充足率（CAP）： 资本充足率高的银行风险抵补能力强，市场信心更足，其LCR波动性可能较低，预计系数为负。
盈利能力（PROFIT）： 盈利能力强的银行通常经营状况良好，内部资金来源充足，其LCR波动性可能较低，预计系数为负。
资产负债结构（STRUC）： 存款总额占总负债的比重越高，银行的资金来源越稳定，LCR波动性可能越低，预计系数为负。
风险偏好（RISK）： 较高的风险偏好可能导致银行持有更多低流动性资产或依赖不稳定融资，从而增加LCR波动性，预计系数为正。
管理效率（EFF）： 成本收入比通常与管理效率呈负相关，因此如果使用成本收入比衡量效率，预计其系数与LCR波动性呈正相关（即效率越高，成本收入比越低，LCR波动性越低）。
宏观经济因素（MACRO）： 宏观经济增长率（GDP_Growth）与流动性风险通常呈负相关，经济增长强劲有助于稳定资金流。广义货币供应量（M2_Growth）则需结合货币政策具体分析。
产权性质（OWN）： 不同产权性质的银行可能在流动性管理策略和监管支持方面存在差异，其对LCR波动性的影响方向需根据回归结果具体分析。
最后，我们将结合理论分析和国内外文献，对所有的实证结果进行经济意义的深度解读。例如，深入探讨数字化转型如何通过优化信息获取、提升预测模型能力、实时监控、以及强化应急融资管理等具体路径来降低流动性风险。同时，也将讨论本研究的结果与现有文献的观点是否一致，以及可能存在的差异及其原因，从而为理论研究和实践应用提供更全面的洞察。
4.4.6 稳健性检验
为确保实证结果的可靠性和稳定性，避免偶然性和特定数据设置的影响，本研究将进行多项稳健性检验。
1. 替换被解释变量： 采用其他衡量流动性风险水平的代理变量进行回归，例如，用净稳定资金比例（NSFR）的波动性、存贷比的波动性或高流动性资产/总资产比率的波动性作为被解释变量进行重新回归。如果核心解释变量（数字化水平）的符号、显著性及其对流动性风险的影响方向在这些替代模型中保持一致，则表明结果具有较高的稳健性。
2. 替换核心解释变量： 尝试采用数字化水平的其他构建方式或子维度作为核心解释变量进行回归。例如，只使用“信息技术投入占比”或“电子银行交易额占比”等单一指标，或者采用不同的主成分分析（或因子分析）方法重新构建数字化综合指标。如果回归结果依然支持主结论，则说明数字化水平的衡量方式对研究结论的影响较小。
3. 调整样本期间/剔除特定样本： 缩短或延长样本期间（例如，剔除2022年后的数据，以规避可能存在的硅谷银行事件影响），或者剔除少数异常值银行，检验结果是否受特定时间段或极端值的影响。如果结论依然成立，则表明结果在时间维度上具有稳定性。
4. 增减控制变量： 在原模型的基础上，增加或减少部分控制变量（例如，加入更多宏观经济变量，或剔除部分相关性较低的控制变量），观察核心解释变量的回归系数是否发生显著变化。如果核心变量的符号和显著性保持不变，则说明研究结论不依赖于特定的控制变量选择。
