国际金融科技观察｜《危机期间信息技术对银行的重要性：中篇》
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》的中篇。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，中篇将介绍信息技术应用的缘起。更多精彩，下期继续。
既然信息技术能够给银行带来效益，那么为什么有些银行应用的信息技术比其他银行少呢？
上篇介绍了全球金融危机爆发前银行的一些重要特征，如贷款在资产负债表中的份额或对批发性融资的依赖。这些重要特征无法预测银行信息技术的应用程度。本节中，我们研究了导致信息技术应用程度异质性的另外两个原因：银行控股公司高管的背景和个人倾向，以及美国成立赠地学院（Land-Grant college）后所提供的技术类技能。
对银行高管的研究，主要基于第3节的结论：银行分支机构信息技术应用的差异，地理特征只能解释27%的原因，更多是由银行特征（60%）驱动的。
基于同样的原因，本文研究了银行总部与19世纪末建立的赠地学院之间的距离对信息技术应用的影响。本文认为，基于前人的研究发现和本文所提供的补充证据，银行总部与赠地学院之间的距离可以作为金融危机前银行信息技术应用一个有效的工具变量，工具变量的估计值也证实了本文的主要研究结论。
1.高管背景
经济学家记录了企业和工厂生产力（Syverson，2011）、管理实践（Bloom等人，2019）和信息技术应用（见本文第2节中的参考文献）存在强烈且相互关联的离散性特征。尽管目前还未能完全解释这种离散性，但大量文献强调了几个相关因素。研究特别表明，不同类型的摩擦，如缺乏适当信息（Bloom等人，2013）、缺乏激励（Atkin等人，2017）或财务约束（Duval等人，2020；Manaresi和Pierri，2019），在妨碍或放慢先进经验和先进技术的应用方面起着重要作用。
一些文献研究了管理人员的特征和背景对于公司产出和绩效的重要影响（Benmelech和Frydman，2015；Bennedsen等，2006；Bertrand和Schoar，2003）。由此我们推测，具有技术背景和技术倾向的高管，在克服上述摩擦并在其领导的银行中提高信息技术应用的程度方面，发挥了重要的作用。
为了了解2007年之前聘用的银行高管（包括首席执行官、首席财务官、首席运营官和总裁）的技术取向，且无论这些高管现在是否仍然活跃，我们在其履历中搜索与技术相关的关键词，具体如第3节所述。我们将每家银行各位高管的“技术强度”评分加总，然后将其与249家银行的监管数据、信息技术应用数据和高管履历数据进行匹配。
为了检验这些差异是否具有统计学意义，我们估计以下横截面回归模型：
其中b是我们样本中的某家银行，是b银行高管的“技术取向”，因变量Yb是危机前信息技术应用或危机期间资产的不良贷款率。两个自变量均进行标准化，均值为0，方差为1。
回归结果如表3所示。第（1）列重复了银行子样本的基准指标，回归结果与表2相似（尽管略小且噪音较大）。第（2）列表明，技术型高管领导的银行，金融危机期间的不良贷款较少。第（3）列表明，高管的技术背景是银行信息技术应用的一个重要预测性指标。第（2）和（3）列结论与我们的假设一致，即技术型高管有助于引导银行更密集地使用信息技术，并在之后获取相关的收益。与第（2）列相比，第（3）列系数具有较低的统计显著性，可能是由于数据来源存在差异。第（2）列的左侧变量是根据监管数据而非调查数据测算得出的，因此可能包含较少的测量误差。
方程3揭示了信息技术应用在不同时间对不良贷款的影响。我们重新估计了方程3，用高管人员的技术取向代替信息技术的基准度量。图3显示了惊人地相似的回归结果。从20世纪90年代到全球金融危机发生前的任何一年，由较多技术型高管领导的银行拥有的不良贷款，与由较少技术型高管领导的银行拥有的不良贷款，在统计上没有任何差别。然而，全球金融危机期间和危机之后，技术型高管领导的银行不良贷款的增长幅度明显较低。考虑经济规模因素后，估计结果也是相似的。使用信息技术基准指标进行回归，得到：信息技术应用提高一个标准差，危机高峰期间的不良贷款降低30个基点。使用高管技术取向指标进行回归，得到：信息技术应用提高一个标准差，危机期间的不良贷款降低21个基点。使用原始数据也得出了相似的结论（见图A4）。
表3和图3存在的一个潜在问题是：较高技术取向的高管通常具有较高的人力资本。如果技术型高管只是更好的管理者，那么对不良贷款的影响可能只是因为其具有更好的管理经验，而与信息技术本身无关。因此，我们将危机前的高管薪酬（取对数）作为一个控制变量，重新估算了方程5，结果见表4。表4重新估算的结果，完全不受新加入的控制变量的影响。此外，高管薪酬既不能解释危机期间的不良贷款，也不能解释危机前的信息技术应用程度。就薪酬可以作为人力资本的替代指标而言（Becker，2009），这些结果表明我们感兴趣的变量是高管的技术取向，而不是一般的素质或技能。此外，如表A3所示，尽管非基本薪酬占总薪酬比重能够影响高管承担风险的意愿（Meiselman 等人，2018），但是加入非基本薪酬占总薪酬比重这一变量，估算结果并不受影响。
另一个值得关注的问题是，高管履历中衡量技术取向的关键词在某种程度上是随机的。因此，我们需要对选择的关键词的稳健性进行检验。对于每个单词，我们基于剩余的所有单词计算了一个额外的技术取向指标。然后，我们使用不同的技术取向指标来重新进行横截面回归。我们在图A5中绘制了估计系数，从上到下分别参考了列（2）和表3。研究发现，排除列表中的任何单词，所有研究结论都是稳健的，因为（a）系数都聚集在表3的估计值周围（用虚线表示），并且非常接近；（b）都有相同的符号（顶部面板为负，底部面板为正）。
2.赠地学院
我们已经证实，银行分支机构应用信息技术主要由银行特征，而不是由银行位置驱动，并且技术背景的高管起着重要的作用。这表明，银行总部的信息技术决策对于分支机构应用信息技术具有至关重要的影响，而且这些决策会受到决策制定者技术知识水平的影响。因此，影响银行控股公司总部所在地技术类技能供应的因素，可能会影响整个集团的信息技术应用水平。
1862年出台的《莫里尔法案》将联邦土地授予各州用来建立大学。由于全国对技术类技能的需求，这些赠地院校与文科艺术类院校相比，重点教授科学、农业等技术科目。虽然目前赠地学院已经可以同时提供文科学位和理科学位，但技术类学科一直以来都是此类学院的重点学科。附录A1表明赠地学院的学生仍然更倾向于主修技术类学科，较少主修教育或商业等非技术类学科。我们还发现，赠地学院学生的SAT数学成绩更高，但写作成绩不高。
赠地学院的位置，常被用来作为都市地区熟练劳动力供给的工具变量（Moretti，2004），因为它们的准确位置主要是由历史事件决定的。赠地学院在一个州内分布均匀，不受人口普查地区的影响。在靠近赠地学院的地区，工人的种族和人口特征相似。在既定的教育水平下，他们的武装部队资格考试（Armed Forces Qualification Test scores）分数非常接近（Moretti，2004；Shapiro，2006）。此外，赠地学院也没有建立在由于自然资源或其他因素而较富裕的地区（Carstensen，1963；Sawyer，1981；Williams，2010）。
许多银行总部的位置也与历史传承有关，而且一般早于信息技术革命。例如，美国银行（Bank of America）总部位于北卡罗莱纳州夏洛特，前身是成立于1874年的商业国民银行（Commercial National Bank）（Blythe和Brockmann，1961）。附录A1展示了美国的银行控股公司总部的位置，与是否临近赠地学院不存在相关性。因此，与一些影响银行业发展和总部位置选择的最重要的因素相比，银行总部与赠地学院的距离似乎是一个外因。
我们推测，赠地学院改变了技术知识在全国各地的分布，进而可能会影响银行信息技术的应用。为了对这种约束条件的合理性进行检验，我们研究了银行总部和赠地学院之间的距离是否与信息技术应用相关。我们估计了以下线性回归方程：
其中j=1，…70，代表美国大陆19世纪建立的某所赠地学校。Db(c),j代表银行b总部所在地和j学校所在地之间的距离，以英里对数（加1）表示。在70个赠地学校的案例中，有33个βj在统计学上显著不为0，且90%的案例βj为负。此外，如果我们根据与银行总部的距离对这些赠地学院进行排序（如j=3代表距离银行总部所在地第三近的学校），那么当βj在统计上显著不为0时，βj都是负值（70个案例中有57个）。这些结果表明，银行总部距离赠地学院越近，银行信息技术应用水平越高。
假设赠地学院与银行总部之间的距离只能通过影响信息技术应用水平来影响不良贷款，我们可以将其作为一个有效的工具变量，来重新研究信息技术应用与不良贷款之间的因果关系。这种排斥性约束条件的一个潜在问题是，银行在总部附近地区发放贷款，而这些地区通过赠地学院对当地教育的影响，更能抵御金融危机的冲击。由于我们关注的是银行控股公司，其贷款组合在地理分布上通常具有多样性，因此与小银行相比这种问题存在的概率较小。此外，我们在下文还表明，加入银行总部所在地的几个特征，如收入水平和教育水平等，工具变量仍然是稳健的。这也确保工具变量体现的是技术知识的影响，而不是更高教育水平的影响。最后，较少的赠地学院学生主修商业和管理科学这一结论，也消除了人们对于技术型高管通过更好的管理经验而不是信息技术应用影响不良贷款的担忧。
我们通过估计以下2SLS模型来实施工具变量实证策略：
其中F(Db(c),j,γ) 是一组工具变量Db(c),j的函数，γ为一些已知参数，NPLb代表全球金融危机期间银行b的不良贷款率。结果见表5。考虑到许多工具变量的可得性，计量经济学家只找到一个合适的函数F(Db(c),j, γ)。第一种选择是使用一些简单的统计数据，如距离最近的大学的距离、与每个大学距离的平均值以及与每个大学距离的中位数。但是这些统计数据都不足以估计危机期间信息技术应用对不良贷款的影响（结果未列出）。在第（2）列中，我们使用了一个包含5个工具变量的向量，即银行总部与最近的5所赠地学院之间的距离。β估计值为负，与0具有统计学上的差异，但与OLS估计值无统计学的差异。但是第一阶段的F统计量值较小，表明出现了弱工具变量问题，导致小样本性质较差。然后我们使用了所有70个工具变量，结果见第（3）列。β估计值为负，与0具有统计学上的差异，并且接近OLS值。第一阶段的F统计量值非常接近“经验法则”值10。然而，Stock和Yogo（2005）提出的弱工具变量诊断方法揭示了潜在的多弱工具变量（many-weak-instruments）问题，因为与最大偏差值（10.99）相比，Cragg-Donald-Wald F统计值较低，为1.081。
因此，我们利用套索算法（LASSO）优化重组了现有信息。事实上，Belloni等人（2012）的研究表明，在一定的正则化和稀疏性条件下，套索算法提供最优的工具变量。第（4）至（6）列为使用套索算法提供的最佳工具变量的估计结果。估计结果与本文主要研究结果一致：危机前信息技术应用水平越高，则危机期间不良贷款显著减少。加入几个金融危机前银行总部所在地区的特征，如教育水平、家庭收入以及银行层面的一些危机前特征，结果仍然是稳健的，也不受银行总部固定效应的影响。第一阶段的F统计值总是高于10。此外，使用Stock和Yogo（2005）提出的诊断测试，除了加入州固定效应之外，其余均没有检测到弱工具变量问题。这主要是由于每个州只有几家银行，可用于估计的变化情况是有限的。
从第（1）列得出，通过工具变量估计的信息技术应用系数大于通过OLS估计的系数。然而，5列中有4列，在10%置信水平下使用工具变量的估计值与基线值-0.18不同，我们不能拒绝零假设。由于我们不能拒绝工具变量与OLS一致性的零假设，我们应当首先选择OLS估计值，因为OLS是比工具变量更有效的估计方法。
本节给出的结果说明了信息技术应用具有离散性的根源，因为本节强调了银行高管背景和全国技术知识异质性的重要性。此外，本节研究结论还有力地支持了信息技术应用与不良贷款之间因果关系的解释。事实上，危机期间银行不良贷款较少的原因是信息技术应用，而不是管理经验等其他不可观察的特征。
翻译：朱炳姮 刘芳 黄若薇 林毓菁 李宇钒 陈思雨
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
点击查看往期内容
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》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