數(shù)字化轉(zhuǎn)型對A股上市商業(yè)銀行系統(tǒng)性風險的影響研究

羅公利　彭金科

摘要：文章選取了2007-2021年42家A股上市商業(yè)銀行年度數(shù)據(jù)對數(shù)字化轉(zhuǎn)型對銀行系統(tǒng)性風險的影響進行實證研究。研究表明，數(shù)字化轉(zhuǎn)型能夠有效降低銀行系統(tǒng)性風險，將數(shù)字化轉(zhuǎn)型進行細分，并將其按照對系統(tǒng)性風險影響因素大小進行排序，得出人工智能技術(shù)＞大數(shù)據(jù)技術(shù)＞云計算技術(shù)＞數(shù)字技術(shù)應(yīng)用，區(qū)塊鏈技術(shù)并不能顯著降低銀行系統(tǒng)性風險；相對于國有銀行，數(shù)字化轉(zhuǎn)型對于非國有銀行系統(tǒng)性風險降低效果更強；非國有商業(yè)銀行應(yīng)用人工智能技術(shù)、大數(shù)據(jù)技術(shù)在降低系統(tǒng)性風險上效果更好，但在數(shù)字技術(shù)應(yīng)用領(lǐng)域上降低系統(tǒng)性風險上效果不顯著，國有商業(yè)銀行能夠應(yīng)用人工智能技術(shù)和大數(shù)據(jù)技術(shù)降低自身系統(tǒng)性風險，但應(yīng)用云計算技術(shù)降低系統(tǒng)性風險效果不顯著；數(shù)字化轉(zhuǎn)型通過影響銀行營運資本比率和銀行規(guī)模兩條渠道降低商業(yè)銀行系統(tǒng)性風險。文章為商業(yè)銀行借助數(shù)字化轉(zhuǎn)型的手段，防范金融領(lǐng)域的重大風險，“守住不發(fā)生系統(tǒng)性風險底線”提供了參考。

關(guān)鍵詞：數(shù)字化轉(zhuǎn)型；上市商業(yè)銀行；系統(tǒng)性風險

一、引言

近年來，隨著人工智能、大數(shù)據(jù)等數(shù)字化技術(shù)不斷完善，以商業(yè)銀行為代表的金融機構(gòu)也逐漸進行數(shù)字化轉(zhuǎn)型。黨的二十大提出，要“深化金融體制改革，推進金融安全網(wǎng)建設(shè)，持續(xù)強化金融風險防控能力”。商業(yè)銀行作為我國金融系統(tǒng)中重要的一環(huán)，應(yīng)當運用數(shù)字化手段重塑運營模式，完成自身管理體系的革新，防止金融體系發(fā)生重大系統(tǒng)性風險。

目前國內(nèi)外學者針對商業(yè)銀行的數(shù)字化轉(zhuǎn)型開展了大量的研究，然而研究數(shù)字化轉(zhuǎn)型與商業(yè)銀行系統(tǒng)性風險領(lǐng)域的文章相對較少，吳非將數(shù)字化轉(zhuǎn)型細分為人工智能技術(shù)、大數(shù)據(jù)技術(shù)、云計算技術(shù)、區(qū)塊鏈技術(shù)和數(shù)字技術(shù)應(yīng)用去研究數(shù)字化轉(zhuǎn)型對股票市場波動性的影響及渠道機制，但是僅去揭示金融體系的波動性，并未深入到企業(yè)個體的風險領(lǐng)域。蔣海將數(shù)字化轉(zhuǎn)型進一步劃分，研究數(shù)字化轉(zhuǎn)型對于商業(yè)銀行風險承擔的影響，然而其僅將不良資產(chǎn)貸款率和違約概率等資產(chǎn)負債表指標作為衡量風險承擔的標準，對于商業(yè)銀行風險體系概括的并不全面，也沒有考慮到基于流動性短缺產(chǎn)生的擠兌等系統(tǒng)性風險出現(xiàn)的可能性。吳文祥將數(shù)字化轉(zhuǎn)型對系統(tǒng)性風險的影響進行研究，但是其并沒有對數(shù)字化轉(zhuǎn)型進行細分，研究結(jié)果也僅停留在數(shù)字化轉(zhuǎn)型整體層面對于系統(tǒng)性風險的影響，并未考慮在這一過程中諸如人工智能技術(shù)、大數(shù)據(jù)技術(shù)、云計算技術(shù)等細分領(lǐng)域在降低系統(tǒng)性風險過程中的具體作用效果。

基于前人研究的基礎(chǔ)上，本文可能的創(chuàng)新之處在于：第一，將數(shù)字化細分領(lǐng)域應(yīng)用于系統(tǒng)性風險的影響研究中，探究不同領(lǐng)域的數(shù)字化技術(shù)影響系統(tǒng)性風險的作用大小并進行排序。第二，將數(shù)字化轉(zhuǎn)型細分化領(lǐng)域?qū)τ谙到y(tǒng)性風險影響的不同根據(jù)所有制進行異質(zhì)性分析，獲取國有銀行和非國有銀行在五種細分領(lǐng)域上應(yīng)用的不同并分析其成因。本文的研究成果將為研究數(shù)字化轉(zhuǎn)型與系統(tǒng)性風險領(lǐng)域進一步豐富理論框架，有利于國家對于不同的商業(yè)銀行實行差異化的政策指導(dǎo)，更精細化地使用數(shù)字化手段管控商業(yè)銀行系統(tǒng)性風險，為不同所有制下商業(yè)銀行未來的發(fā)展以及改革的方向提供了參考。

二、理論假設(shè)

數(shù)字化轉(zhuǎn)型可以細分為不同的領(lǐng)域，不同領(lǐng)域?qū)τ谙到y(tǒng)性風險的作用效果同樣存在差異。吳非發(fā)現(xiàn)數(shù)字化轉(zhuǎn)型在影響資本市場流動性時，結(jié)構(gòu)上存在異質(zhì)性特征，蔣海認為數(shù)字化轉(zhuǎn)型在影響銀行風險承擔過程中，區(qū)塊鏈技術(shù)相對于人工智能、大數(shù)據(jù)等其他技術(shù)時具有更大的影響效果。由此可知，數(shù)字化轉(zhuǎn)型是各種數(shù)字技術(shù)細分領(lǐng)域的集合，而數(shù)字技術(shù)在銀行風險管理過程中起到的作用存在差異，參照前人的研究，本文認為數(shù)字化轉(zhuǎn)型作用于系統(tǒng)性風險，與數(shù)字化轉(zhuǎn)型作用于商業(yè)銀行風險承擔在某些方面同樣存在一致性規(guī)律。

由此提出了假設(shè)1：數(shù)字化轉(zhuǎn)型細分領(lǐng)域?qū)ο到y(tǒng)性風險的影響效果存在差異。

產(chǎn)權(quán)性質(zhì)以及商業(yè)銀行類型會對數(shù)據(jù)網(wǎng)絡(luò)結(jié)構(gòu)與銀行效率間的關(guān)系產(chǎn)生異質(zhì)性影響，而數(shù)字化轉(zhuǎn)型與數(shù)據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建有著相似性。吳文洋等通過研究發(fā)現(xiàn)數(shù)字化轉(zhuǎn)型對于非國有銀行系統(tǒng)性風險的降低效果更為明顯，然而卻并沒有進一步細分數(shù)字化轉(zhuǎn)型對其內(nèi)在機制的影響，蔣海認為數(shù)字化轉(zhuǎn)型對于小型銀行風險承擔的抑制水平更明顯，而國有銀行大多資產(chǎn)實力較為雄厚，小型銀行則偏向于非國有銀行。因此本文認為在研究數(shù)字化轉(zhuǎn)型對于系統(tǒng)性風險的影響過程中，銀行產(chǎn)權(quán)的不同會對作用效果產(chǎn)生異質(zhì)性影響。

由此提出了假設(shè)2：產(chǎn)權(quán)的不同會影響商業(yè)銀行使用數(shù)字化轉(zhuǎn)型細分領(lǐng)域?qū)τ谙到y(tǒng)性風險的作用效果。

蔣海認為數(shù)字化轉(zhuǎn)型能夠幫助商業(yè)銀行審查借款者的信用狀況，避免在外界宏觀環(huán)境惡化時大量低質(zhì)量抵押品的積壓使得資產(chǎn)價格螺旋產(chǎn)生，而且數(shù)字化轉(zhuǎn)型的過程促進了商業(yè)銀行的運營效率，商業(yè)銀行可以減少經(jīng)營過程中冗余的營運資本以補充自身的流動性，除此之外，數(shù)字化轉(zhuǎn)型的出現(xiàn)能夠促使商業(yè)銀行擴展其規(guī)模，銀行規(guī)模的擴張?zhí)岣吡松虡I(yè)銀行抵御系統(tǒng)性風險的能力，加之國家對于商業(yè)銀行“大而不倒”的政策背書，

由此提出了假設(shè)3：數(shù)字化轉(zhuǎn)型通過作用于營運資本比率和銀行規(guī)模兩大中介渠道影響系統(tǒng)性風險。

三、實證研究設(shè)計

（一）樣本的選擇和數(shù)據(jù)來源

本文選取了A股42家上市商業(yè)銀行在2007-2021年的非平衡財務(wù)面板數(shù)據(jù)，除了包括數(shù)字技術(shù)、區(qū)塊鏈、人工智能發(fā)展最迅速的年代，同樣包含了歐債危機、俄羅斯金融危機、新冠疫情等全球性金融風險事件，能夠較好的反映出數(shù)字化轉(zhuǎn)型的存在對銀行防控降低自身系統(tǒng)性風險，防控外部系統(tǒng)性風險事件的影響。

（二）變量的選擇與模型的設(shè)定

首先，構(gòu)建基準回歸模型，檢驗數(shù)字化轉(zhuǎn)型對于系統(tǒng)性風險的影響：

其次，考察數(shù)字化轉(zhuǎn)型對于商業(yè)銀行系統(tǒng)性風險的影響機制，引入中介變量進行回歸分析：

最后，為了考察產(chǎn)權(quán)對于數(shù)字化轉(zhuǎn)型的影響，設(shè)置如下拓展模型：

CoVaRi，t代表著商業(yè)銀行個體所面臨的系統(tǒng)性風險。其中，i=1，2，……N表示銀行個體，t=1，2，……T表示年度。SOE=1代表國有資本控股的上市商業(yè)銀行，SOE=0代表非國有資本控股的上市商業(yè)銀行?？紤]到銀行系統(tǒng)性風險會受到其他銀行個體因素的影響，模型中還控制了銀行固定效應(yīng)αi，μi，t為個體固定效應(yīng)，εi，t為隨機擾動項。

被解釋變量，Adrian等（2016）提出條件在險價值法CoVaR能夠更好地估測金融機構(gòu)間的風險溢出效應(yīng)，更適合度量系統(tǒng)性風險，因此本文選用CoVaR作為系統(tǒng)性風險的代理變量，使用系統(tǒng)性期望損失邊際期望損失MES進行穩(wěn)健性檢驗。

核心解釋變量，本文爬取商業(yè)銀行年度財務(wù)報表，并使用Jieba分詞模塊對上市商業(yè)銀行銀行財務(wù)報表中涉及“數(shù)字化轉(zhuǎn)型”相關(guān)的關(guān)鍵詞進行分類與統(tǒng)計，將數(shù)字化轉(zhuǎn)型指數(shù)DF細分為人工智能技術(shù)AI、區(qū)塊鏈技術(shù)BD、云計算技術(shù)CC、大數(shù)據(jù)技術(shù)DT、數(shù)字技術(shù)應(yīng)用ADT五個維度來研究。

控制變量，本文選取的宏觀控制變量Mac_Controlt主要包括：廣義貨幣增速（M2），以廣義貨幣增速表示。經(jīng)濟增速（LnGDP），以國內(nèi)生產(chǎn)總值取對數(shù)表示。微觀層面控制變量Mir_Controli，t-1主要包括：杠桿率（Lev），銀行總資產(chǎn)與權(quán)益資產(chǎn)之比，代表商業(yè)銀行負債運營的程度大小。總資產(chǎn)收益率（ROA），營業(yè)收入與銀行總資產(chǎn)之比，代表了商業(yè)銀行的盈利能力。總資產(chǎn)周轉(zhuǎn)率（ATO），銷售收入與商業(yè)銀行總資產(chǎn)之比，代表了商業(yè)銀行的運營效率。

中介變量，中介變量Mediatori，t主要包括：銀行規(guī)模（Lnsize），銀行規(guī)模（億元）取對數(shù)表示。營運資本比率（Cashflow），營運資本除以總資產(chǎn)，而營運資本為營運資產(chǎn)減營運負債，代表了銀行為實現(xiàn)經(jīng)營活動中投入必要的資金比例。

四、回歸分析

（一）基準回歸測試

為了確定數(shù)字化轉(zhuǎn)型與商業(yè)銀行系統(tǒng)性之間的相關(guān)研究更適合固定效應(yīng)模型還是隨機效應(yīng)模型，本文進行了Hausman檢驗，結(jié)果顯示均拒絕了個體異質(zhì)性α與所有解釋變量不相關(guān)的原假設(shè)，因此本文更適用于固定效應(yīng)模型。

在表1的第（1）列回歸中，數(shù)字化轉(zhuǎn)型DF的系數(shù)為-0.005，且在1%的顯著水平上顯著，該結(jié)果表明數(shù)字化轉(zhuǎn)型與銀行系統(tǒng)性風險之間存在負相關(guān)關(guān)系，數(shù)字化轉(zhuǎn)型有效降低了系統(tǒng)性風險。表1的（2）～（6）列的回歸中，人工智能技術(shù)AI、云計算技術(shù)CC、大數(shù)據(jù)技術(shù)DT、數(shù)據(jù)應(yīng)用技術(shù)ADT的系數(shù)分別為-0.015、-0.006、-0.009、-0.004，且分別在1%、5%、1%、5%顯著性水平上顯著，該結(jié)果表明，人工智能技術(shù)、云計算技術(shù)、大數(shù)據(jù)技術(shù)以及數(shù)字技術(shù)應(yīng)用的使用均顯著降低了銀行的系統(tǒng)性風險。而區(qū)塊鏈技術(shù)BD對于系統(tǒng)性風險沒有顯著的降低作用。對比各組系數(shù)發(fā)現(xiàn)，人工智能技術(shù)AI系數(shù)的絕對值最大，大數(shù)據(jù)DT次之，最后為云計算技術(shù)和數(shù)字應(yīng)用。說明數(shù)字化轉(zhuǎn)型5個子指標對于系統(tǒng)性風險降低作用的強度由大到小依次為：人工智能技術(shù)＞大數(shù)據(jù)技術(shù)＞云計算技術(shù)＞數(shù)字技術(shù)應(yīng)用＞區(qū)塊鏈技術(shù)。

（二）異質(zhì)性分析

結(jié)果顯示，表2的第（1）列、第（7）列回歸中，非國有銀行組DF的系數(shù)絕對值更大，說明數(shù)字化轉(zhuǎn)型對非國有銀行系統(tǒng)性風險的降低作用更為明顯。其原因在于非國有銀行其本身系統(tǒng)性風險的累積量就要比國有銀行更高，且風險管理體系較國有銀行來說相對不成熟，判斷貸款者信用狀況、識別壞賬能力不高，因此需要數(shù)字化領(lǐng)域的工具提供輔助，幫助彌補了非國有銀行以往該領(lǐng)域的短板，因此數(shù)字化轉(zhuǎn)型對于非國有銀行風險系統(tǒng)性風險管控更為有效。

第（2）列、第（12）列、第（8）列、第（11）列回歸中，非國有銀行組人工智能技術(shù)AI、大數(shù)據(jù)技術(shù)DT的系數(shù)絕對值更大，說明數(shù)字化轉(zhuǎn)型細分領(lǐng)域下，人工智能技術(shù)AI和大數(shù)據(jù)技術(shù)DT對于非國有銀行系統(tǒng)性風險的降低效果更顯著，而大數(shù)據(jù)技術(shù)DT與壞賬系統(tǒng)和征信系統(tǒng)息息相關(guān)，能夠有效的幫助非國有銀行管理自身壞賬，降低壞賬損失，而人工智能技術(shù)AI則能完成實時監(jiān)控企業(yè)關(guān)鍵性指標，保障企業(yè)流動性，完善員工架構(gòu)，防止道德風險發(fā)生的任務(wù)，而國有銀行在這些方面做得比非國有銀行更完善，因而非國有銀行系統(tǒng)性風險降低效果更顯著。

第（4）列回歸中，CC的系數(shù)在1%的水平上顯著為負，但在第（10）列中CC的系數(shù)不顯著，說明云計算技術(shù)對于非國有銀行系統(tǒng)性風險有降低效果，但是對于國有銀行無效。因為云計算通過云端的方式進行多樣化的數(shù)據(jù)管理、保障客戶數(shù)據(jù)的安全性，防止客戶數(shù)據(jù)丟失。國有銀行基于政府公信力背書，且安全性較高，數(shù)據(jù)安全工作更加完善，基本不會出現(xiàn)用戶數(shù)據(jù)丟失和泄漏的風險，因而該領(lǐng)域?qū)Ψ菄秀y行有效，對國有銀行不敏感。第（6）列回歸中ADT的系數(shù)不顯著，但在第（12）列回歸中ADT的系數(shù)在1%的水平上顯著為負，說明數(shù)字技術(shù)應(yīng)用對于國有銀行系統(tǒng)性風險有降低效果，但是對于非國有銀行無效。因為相較于非國有銀行來說，國有銀行缺乏創(chuàng)新性，且體制相對固定、不易更改，而數(shù)字技術(shù)應(yīng)用實現(xiàn)了銀行運營新模式的創(chuàng)新，改變了國有銀行固有的冗雜的運營模式，實現(xiàn)了內(nèi)部體制變革的自然過渡，有效地降低系統(tǒng)性風險。

（三）數(shù)字化轉(zhuǎn)型的中介效應(yīng)模型

通過實證研究，見表3，觀測結(jié)果（1）可以得到，數(shù)字化水平（DF）對于營運資本比率（Cashflow）在5%的顯著性水平上為負，因為現(xiàn)金流比率為營運資本與銀行總資產(chǎn)之比，銀行數(shù)字化水平越高，其管理層對于商業(yè)銀行的經(jīng)營把控越是精準，日常維持公司正常經(jīng)營的現(xiàn)金流隨著數(shù)字化程度的提高大大減少，提高了公司運轉(zhuǎn)的效率。通過結(jié)果（2）可以得出，加入了營運資本比率（Cashflow）后，營運資本比率（Cashflow）對于系統(tǒng)性風險MES在10%顯著性水平上顯著為正，說明銀行在經(jīng)營過程中為了維持必要正常運營所用的現(xiàn)金流越少，銀行就能儲備下更多的資金用于應(yīng)對流動性風險的發(fā)生。而流動性的短缺是導(dǎo)致系統(tǒng)性風險的重要因素之一，因此數(shù)字化水平通過影響營運資本的比率是降低系統(tǒng)性風險的重要機制。通過實證研究，觀測結(jié)果（3）可以得到，數(shù)字化水平（DF）對于銀行規(guī)模（Lnsize）在1%的顯著性水平上為正，應(yīng)為商業(yè)銀行通過提高數(shù)字化水平（DF）提高了經(jīng)營管理的效率，降低了商業(yè)銀行拓展規(guī)模的成本，商業(yè)銀行就有動機去實現(xiàn)自身業(yè)務(wù)的擴展。通過結(jié)果（4）可以得出，加入了銀行規(guī)模（Lnsize）后，銀行規(guī)模（Lnsize）對于系統(tǒng)性風險MES在1%顯著性水平上顯著為負，說明商業(yè)銀行在規(guī)模擴大的過程中，積累的經(jīng)營經(jīng)驗越多，銀行體量越大抵御系統(tǒng)性風險的能力越強，因此數(shù)字化水平通過影響銀行規(guī)模的大小也是影響系統(tǒng)性風險的重要機制。

（四）內(nèi)生性問題的考慮與處理

為了緩解數(shù)字化轉(zhuǎn)型與系統(tǒng)性風險可能存在的雙向因果問題，將核心解釋變量引入滯后期進行回歸，見表4。滯后一期的數(shù)字化轉(zhuǎn)型程度（L.DF）對于系統(tǒng)性風險CoVaR的系數(shù)顯著為負，符合基本回歸模型結(jié)果，說明考慮內(nèi)生性問題情況下，前文的實驗結(jié)果依舊成立。

除此之外，本文借鑒蔣海和謝絢麗的研究，采用工具變量回歸進行內(nèi)生性問題的檢驗，將互聯(lián)網(wǎng)普及率作為數(shù)字化轉(zhuǎn)型的工具變量。互聯(lián)網(wǎng)普及率偏向于信息技術(shù)領(lǐng)域，其發(fā)展的快慢與科技的發(fā)展正相關(guān)，于金融領(lǐng)域的商業(yè)銀行而言具有完全的外生性。然而數(shù)字化轉(zhuǎn)型的發(fā)展卻依賴于互聯(lián)網(wǎng)技術(shù)為依托，二者有很強的相關(guān)關(guān)系，見表5。通過面板工具變量2SLS方法回歸結(jié)果表明，在第一階段的回歸模型中，數(shù)字化轉(zhuǎn)型（DF）與互聯(lián)網(wǎng)普及率（Internet）在1%的水平上顯著正相關(guān)，滿足工具變量的相關(guān)性要求，在二階段回歸模型中，互聯(lián)網(wǎng)普及率（Internet）在10%的水平上顯著負相關(guān)，與基本回歸模型中數(shù)字化轉(zhuǎn)型的回歸結(jié)果相同，因此本文結(jié)論考慮內(nèi)生性問題后仍然是成立的。

五、結(jié)論與政策建議

本文選取了2007-2021年42家上市商業(yè)銀行的年度數(shù)據(jù)，實證檢驗了數(shù)字化轉(zhuǎn)型對于系統(tǒng)性風險的影響。本文主要結(jié)論歸納為：一是數(shù)字化轉(zhuǎn)型降低了上市商業(yè)銀行的系統(tǒng)性風險，且在數(shù)字化轉(zhuǎn)型細分領(lǐng)域下，對于系統(tǒng)性風險的降低效果從高到低排序為人工智能技術(shù)＞大數(shù)據(jù)技術(shù)＞云計算技術(shù)＞數(shù)字技術(shù)應(yīng)用，區(qū)塊鏈技術(shù)的應(yīng)用對于系統(tǒng)性風險的降低沒有顯著影響。二是數(shù)字化轉(zhuǎn)型對于銀行系統(tǒng)性風險的降低存在異質(zhì)性特征，數(shù)字化轉(zhuǎn)型對于非國有商業(yè)銀行系統(tǒng)性風險降低效果最大，其細分領(lǐng)域中，人工智能技術(shù)和大數(shù)據(jù)技術(shù)對于國有銀行和非國有銀行均有降低作用，非國有銀行降低效果更顯著；云計算技術(shù)僅對非國有銀行有效，數(shù)字技術(shù)應(yīng)用僅對國有銀行有效，區(qū)塊鏈技術(shù)對兩者均沒有顯著效果。三是數(shù)字化轉(zhuǎn)型通過影響商業(yè)銀行的營運資本和銀行規(guī)模來降低其系統(tǒng)性風險

本文的政策啟示為：第一，銀行應(yīng)當加快自身數(shù)字化的進程，著重在人工智能技術(shù)和大數(shù)據(jù)領(lǐng)域加大研發(fā)投入，優(yōu)化借款者的信用調(diào)查和識別，壞賬爛賬的發(fā)生；實時監(jiān)控企業(yè)關(guān)鍵性指標，保障企業(yè)流動性，防止擠兌風險。第二，非國有銀行應(yīng)當在人工智能技術(shù)、大數(shù)據(jù)技術(shù)、云計算技術(shù)上增加研發(fā)投入，以彌補自身數(shù)據(jù)安全工作不完善，體系運營不成熟等多方面的短板，國有銀行應(yīng)當將研究重點放在人工智能技術(shù)、大數(shù)據(jù)技術(shù)、數(shù)字技術(shù)應(yīng)用等方面，借用數(shù)字化手段實現(xiàn)銀行運營新模式的創(chuàng)新，應(yīng)當改變國有銀行固有的冗雜的運營模式，有效的降低系統(tǒng)性風險。政府也應(yīng)當根據(jù)銀行產(chǎn)權(quán)不同，給予差異化的政策引導(dǎo)，針對商業(yè)銀行實施監(jiān)管時，關(guān)注不同類型的關(guān)鍵指標，切忌同一化，一刀切。第三，銀行應(yīng)當將數(shù)字化轉(zhuǎn)型與降低營運資本和擴大銀行規(guī)模兩個渠道結(jié)合，通過人工智能技術(shù)集合在運營過程中非必要的冗余資金，精減非必要的業(yè)務(wù)流程，釋放流動性；通過人工智能技術(shù)、大數(shù)據(jù)技術(shù)結(jié)合，對于商業(yè)銀行內(nèi)部管理架構(gòu)進行更新，提高管理效率，降低了規(guī)模增加時邊際管理成本，有利于銀行業(yè)務(wù)的擴展和抵御系統(tǒng)性風險能力的加強。

參考文獻：

[1]吳非，胡慧芷，林慧妍，等.企業(yè)數(shù)字化轉(zhuǎn)型與資本市場表現(xiàn)——來自股票流動性的經(jīng)驗證據(jù)[J].管理世界，2021，37（07）：130-144+10.

[2]蔣海，唐紳峰，吳文洋.數(shù)字化轉(zhuǎn)型對商業(yè)銀行風險承擔的影響研究——理論邏輯與經(jīng)驗證據(jù)[J].國際金融研究，2023（01）：62-73.

[3]吳文洋，蔣海，唐紳峰.數(shù)字化轉(zhuǎn)型、網(wǎng)絡(luò)關(guān)聯(lián)性與銀行系統(tǒng)性風險[J/OL].中國管理科學：1-12[2023-09-26].

[4]謝絢麗，王詩卉.中國商業(yè)銀行數(shù)字化轉(zhuǎn)型：測度、進程及影響[J].經(jīng)濟學（季刊），2022，22（06）：1937-1956.

＊基金項目：山東省社會科學規(guī)劃重大委托項目“數(shù)字文化與文化數(shù)字化研究”（編號：22AWTJ25）。

（作者單位：山東科技大學經(jīng)濟與管理學院）