国际金融科技观察｜《危机期间信息技术对银行的重要性：上篇》
编者按：感谢大家对“国际金融科技观察”栏目的热爱，本期为《危机期间信息技术对银行业的重要性》的上篇。这是2021年3月，欧洲系统性风险委员会发表的一篇工作论文。论文研究了银行业信息技术应用对金融稳定的影响。研究发现，在金融危机之前，银行信息技术应用提高一个标准差，会导致危机期间不良贷款减少10％。并且证实了信息技术应用对于加强银行弹性具有直接作用。本文共分为序言、上篇、中篇、下篇4个部分，上篇将介绍信息技术应用和不良贷款的主要研究结论。更多精彩，下期继续。
这一节研究了全球金融危机爆发之前银行信息技术应用与危机期间和危机后不良贷款之间的关系。图1预先展示了1996年到2014年信息技术应用水平最高和最低的银行不良贷款的变化。原始数据表明，这两类银行在2007年之前不良贷款几乎没有任何差别，而2008年成为分界点，这一年不良贷款激增，尤其是信息技术应用水平低的银行增长更加明显。随后，不良贷款在2010年达到峰值，2011年之后两条曲线才开始趋向一致。在大多数年份，信息技术应用处于中间水平的银行的不良贷款介于信息技术应用水平高的银行和信息技术应用水平低的银行之间，具体见图A2。为了验证这一模式主要是由序列的分子（不良贷款）而不是由分母（资产）驱动的，我们将资产的价值固定在特定银行危机前的平均值上，并将调整后的比率绘制在图A3中，发现了一个非常相似的动态模式。
1. 面板分析
在我们的样本中，不良贷款率的急剧增长出现在2007年到2010年，我们将这些年份定义为“危机”时期。为了研究信息技术应用水平不同的银行在这段时间内是否具有不同程度的不良贷款，我们用到以下面板方程：
其中
表1给出了通过最小二乘法估算不同情形下方程（2）的结果，以及在银行和年份上的双重聚类标准误。首先是方程（2）一个饱和度较低的情形。第（1）列显示了不包含银行固定效应和年份固定效应，也不包含控制变量的结果。信息技术应用与不良贷款呈负相关，但在统计上并不显著。我们发现，正常时期信息技术应用不会对不良贷款产生显著影响。但是在危机时期，二者之间呈负相关，且具有统计上的显著性。相比之下，危机前信息技术应用水平更高的银行在危机时不良贷款显著降低。在加入银行固定效应和年份固定效应以及各个控制变量后，结果仍然成立。此外，协同系数在各个条件下均稳定，这表明加入的控制变量与信息技术应用之间的相关性较小。银行信息技术应用提高一个标准差，导致危机期间不良贷款降低13%-17%。危机时期不良贷款的平均值为1.5％，标准差为1.13。因此，信息技术应用提高一个标准差，不良贷款相对于平均值将减少9%-11%，相对于横截面标准差减少12%-15%。此外，危机期间不良贷款与危机前相比增长了1.05个百分点。因此，如果忽略信息技术应用、银行之间的溢出效应（参见下文）和一般均衡效应的潜在异质性影响，所有银行的信息技术应用统一提高一个标准差，将会使得不良贷款增长降低12%-16%。
第（5）列至（12）列在仅包含银行固定效应和年份固定效应的基准值之上，依次加入了附加控制因素。首先控制的是危机前银行贷款占总资产的份额。正如预期的那样，贷款占总资产份额更高的银行不良贷款增长更为突出。接下来，我们引入房价下跌的风险敞口，计算该风险敞口的方式是通过将银行在某地区的分支机构数量与该地区房价的下降进行加权。那些在房价下跌幅度大的县域拥有更多分支机构的银行，不良贷款的增长幅度更大。在第（7）列中，我们将受危机影响的银行规模作为附加控制条件。与Sullivan and Vickery （2013）一致，危机时期大型银行的不良贷款增幅大于小型银行。危机前的资本状况、批发融资、资产回报率以及员工平均工资对危机期间不良贷款没有显著影响。
最后，我们将同地区竞争对手的信息技术应用作为控制变量。该变量可以反映信息技术应用是否会对其他银行产生消极的溢出影响。借款人被信息技术应用水平高的银行拒绝后，可以向同地区信息技术应用水平低的银行申请贷款。如果信息技术应用水平低的银行没有将其认定为有风险而发放了贷款，借款人在金融危机期间违约，会导致不良贷款增加。假设这种机制存在，信息技术应用水平不同的银行在危机期间不良贷款也存在显著的差异。但是如果所有银行都使用对金融稳定有不确定影响的信息技术，不良贷款的总体增长将是相同的。第（12）列显示，同地区竞争对手信息技术应用程度更高的银行，不良贷款并没有明显增长。该证据表明，信息技术应用不会对本地竞争对手产生消极的溢出影响。
表A1是我们对方程（2）的几个稳健性测试结果。第（1）列重复了基准结果。第（2）列使用了另一种衡量信息技术应用程度的方法，即没有使用方程（1）中的银行固定效应，而是取每个银行各分支机构中每个员工个人电脑数量的平均值。该方法的缺点是无法控制导致每个员工个人电脑数量的特定分支机构特征，但这种较简单的方法得出的结论仍能成立。第（3）列和第（4）列分别对信息技术应用和不良贷款数据进行了更严格的缩尾处理，以保证结果不受异常值影响。第（5）和（7）列对因变量使用了不同的分母，其中第（5）列使用的分母是银行总贷款，第（7）列使用的分母是危机前的银行总资产，以确保分母不会影响结果。第（6）列采用了不良贷款的不同定义。基准结果使用的不良贷款是指逾期90天或更长时间的贷款，而第（6）列中不良贷款采用了更广泛的定义，是指逾期60天或更长时间的贷款。最后，第（8）列显示了标准误差在银行变量上进行聚类而非在银行和年份变量上进行双重聚类。
基于估计标准差和方程（2）参数的推论，可能会因 “生成回归”问题（Pagan, 1984）而失效。实际上，信息技术应用的衡量方法是通过估算方程（1）的结果。因此，我们遵循常规做法（参见Ashraf and Galor，2013），通过Bootstrap法利用随机样本重新估算方程（1）和方程（2），对银行控股公司进行替换采样。表A2给出了基于聚类标准误（如表1）和Bootstrap法估计的t检验结果。两种情况下t值非常相似，而且基于这两种方法都产生一个检验结论，即拒绝了信息技术应用对不良贷款没有影响的原假设。因此，“生成回归”问题在此设定环境中并不显著。
接下来，我们通过计算以下方程，得出1996年至2014年之间危机前信息技术应用逐年对不良贷款的影响结果：
2006年的回归系数标准化为0。如图2所示，红点表示基于银行和年份双重聚类的标准误差得到的信息技术应用与年份变量之间交互作用的估计值，黑色柱形代表95％的置信区间，灰色阴影区域代表99％的置信区间。在1996年至2007年金融危机爆发前这一时期，信息技术应用对不良贷款的影响不显著。只有2002年存在轻微的负相关，统计显著性达到了5％，这可能是由2000年初的经济衰退造成的。表1显示，危机前信息技术应用水平更高的银行，危机期间不良贷款显著低于其他银行。特别是2007年至2010年，负相关在5％水平上显著。而在2009年和2010年，负相关在1％水平上显著。2010年系数达到最大值-0.3，说明2010年信息技术应用增加一个标准差，不良贷款会降低30个基准点。尽管在统计上不再显著，但在2011年和2012年信息技术应用和不良贷款仍然是负相关的。在2013年和2014年近两年的样本中，信息技术应用和不良贷款不存在任何相关性。
2. 横面分析
本部分，我们将运用横面分析检验银行信息技术应用与银行其他各种特征之间的关系。将最小二乘法运用到以下方程：
其中
表2列出了相对性结果。与面板数据一致（表1和图2），信息技术应用与危机期间的不良贷款（第1列）呈强负相关，拟合优度（R2）为2.6％。相关系数（18个基点）略高，但与面板回归的估计量非常相似。
第（2）至（8）列检验了银行信息技术应用与其他银行变量是否相关，这些变量可能在后危机时期催生更多的不良贷款。我们引入了贷款比率、批发融资、资本资产比和资产收益率等几个危机前变量，来反映银行的业务模式、盈利能力和资本结构。同时，用各县房价下跌值（从波峰到波谷）和危机前银行分支的地理分布来计算房价下跌时银行的风险敞口。此外，用危机前资产对数值来衡量银行规模，用平均薪酬对数值代表员工人力资本。我们发现，信息技术应用与这些特征均不存在显著关系。而且第（1）列的拟合优度（R2）远大于（2）-（8）列的拟合优度（至少4倍）。
因此，我们得出结论，信息技术应用与任何可以预测全球金融危机期间银行风险敞口的重要特征都不相关。“证伪”检验的结果令人欣慰，因其表明了银行信息技术应用不太可能受到其他不可观测特征的影响，而这些特征可能会增加金融冲击与经济衰退带来的风险。
大量可靠文献表明，非金融行业应用信息技术后通常具有更高的生产力和盈利能力（Hall and Khan, 2003)。因此，信息技术应用与危机前资产收益率之间缺乏相关性，似乎与直观感觉相悖。但此前关于银行业的研究发现，在正常时期，信息技术投入所带来的整体生产率的提高很小或可忽略不计(Beccalli, 2007)，这与我们的研究结果一致。此外，研究特定银行技术的文献所得结论尚不明晰，例如 Hernández-Murillo等人（2010）发现资产收益率与网上银行业务呈负相关性，以及Hannan和Hannan and McDowell (1984）发现自动取款机（ATM）的部署与盈利能力不存在相关性。
另外，没有证据表明银行规模是分支机构信息技术应用的主要决定因素。Kovner等人（2014）列出了几类非利息费用（例如技术支出）具有规模经济。这可能是因为大宗买家可以压低价格。但本文不用技术支出，而是使用信息技术设备来衡量信息技术应用。虽然技术支出具有通过价格进行计算的优势，但如果涉及信息技术采购质量和更新速度，计算个人电脑数量就可以避免银行规模导致的购买力异质性所引起的偏差。其他研究发现，应用ATM（Hannan and McDowell, 1984）或网上银行（Hernández-Murillo et al., 2010）等特定技术，大型银行的速度更快。但这些研究使用的衡量技术应用的变量非常粗略（例如是否设有ATM或者网站），因此结论对大型银行更有利。相反，我们使用的信息技术应用变量，旨在通过衡量每位员工技术设备的可用性来掌握银行分支网络中计算系统普遍使用的情况。
我们还根据危机前银行分支的地理分布衡量银行竞争对手信息技术应用情况，发现银行自身信息技术应用与其竞争对手信息技术应用之间存在正相关关系。这与以往关于竞争对特定技术应用的影响（如ATM或网上银行）的研究结论是一致的（Hannan and McDowell, 1987; Hernández-Murillo et al., 2010）。
在第（10）列中，我们将所有银行特征都作为控制变量，对危机后不良贷款对信息技术应用的影响进行回归分析。尽管R2增加了10倍，但信息技术应用的系数变化很小。这表明第（1）列的方程式不受遗漏变量偏差以及信息技术应用与不良贷款因果关系的影响（Altonji et al., 2005; Oster, 2019）。Oster（2019）提供了正式的统计程序来评估纳入相关控制变量后最小二乘法系数的稳定性，以及检验由隐性变量引起的潜在偏差。我们使用了这些程序，并且发现信息技术应用的系数为负14个基点，与纳入隐性变量后的结果兼容，接近基准值且远低于零。因此，在隐性变量存在的情形下，结论仍然是成立的。
在危机时期，银行的某些特征显著影响着不良贷款率。与表1相似，贷款较多和承受房价冲击较大的银行，不良贷款水平更高。此外，我们发现批发融资较多的银行，不良贷款增长更多。值得一提的是，如表1所示，危机前同地区竞争对手的信息技术应用不会影响危机期间不良贷款的增加，这表明信息技术应用不会产生负面溢出效应。
翻译：朱炳姮 刘芳 黄若薇 林毓菁 李宇钒
来源：欧洲系统性风险委员会
本期责编：黄启燕 王小彩 李润东
主编：闵文文 朱霜霜
点击查看近期热文
国际金融科技观察｜《危机期间信息技术对银行的重要性：序言》
“金融科技50人论坛”成立四周年啦，特别感谢热心读者对我们的支持，我们建立了“金融科技·读者微信群“，发布研究成果、促进交流合作、赠送金融科技图书，欢迎您的参与。
入群方法：加群主为微信好友（微信号：olivia9484）,添加时备注个人姓名（实名认证）+单位+职务+入群，经群主审核后，即可被邀请进群。欢迎读者朋友多多留言与我们交流互动。
“金融科技50人论坛”（CFT50）：于2017年4月22日在北京发布成立。紧密围绕金融科技理论、实践与政策前沿，努力建设成为服务于“政产学研用”的独立优秀学术平台，并积极推动金融科技领域的交流协作与教育培训。参与出品的《中国金融科技运行报告》《全球金融科技创新实践》《中国金融科技青年论文》《CFT50金融科技资讯》等学术成果，在金融科技领域具有重要的影响力。
更多内容，请长按识别二维码关注