基于文本分析的商业银行金融科技测度及赋能效果检验

doi:10.16381/j.cnki.issn1003-207x.2021.1714

Abstract

Abstract:

With the deep integration of digital technologies， such as big data and artificial intelligence， with financial business， the rapid development of financial technology （Fintech） is profoundly changing and reshaping the financial industry all over the world. In China， there are over 4600 licensed institutions in the banking industry and their total assets have accounted for more than 90% of that of all financial institutions as of 2019， and hence commercial banks are seen as the most important force for serving the real economy and driving the development of technology-enabled finance. In practice， most commercial banks have treated developing Fintech as an important strategy for realizing digital transformation and promoting financial inclusion. However， existing research pays little attention to the measuring of Fintech for each bank at the individual level， and thus there is a lack of the corresponding quantitative investigation on the enabling effect of Fintech for banks.It aims to measure the level of Fintech for commercial banks at the individual level and then investigate the enabling effects of Fintech on banks’ operating performance as well as inclusive finance. Specifically， based on more than 170000 textual news publicly reported by an authoritative financial website， multiple natural language processing technologies including named entity recognition， pre-training word embedding model， and LDA topic model are used to construct two basic thesauruses about commercial bank names and banking Fintech， and then Fintech Development Index for 1566 banks from 2011 to 2019 is constructed. Using a panel data from 472 banks with complete financial data， the findings of the investigation about the enabling effects of Fintech show that Fintech can not only improve the banks’ operating performance by significantly enhancing their operation ability， service ability， and risk control ability， but also is beneficial for expanding access to credit by stimulating banks to increase loan supply. However， it is found that banks’ Fintech fails to decrease loan rates， which indicates a “universal but not inclusive” problem in Fintech lending due to convenience premium or pricing discrimination.The contributions of the paper are threefold. Firstly， compared with the existing literature on measuring the development of Internet finance or digital finance at the national or regional level， the development of Fintech at the individual bank level is measured using publicly reported textual news and a variety of natural language processing techniques. The methodologies associated with automatedly constructing thesaurus and separation of compound Chinese words also provide an important reference for textual analysis-based research. Secondly， the mechanism of how Fintech can enable the banking industry is uncovered by a large-sample investigation on the effects of Fintech on banks’ operation as well as financial inclusion. Thirdly， as researchers are beginning to discuss the negative consequences of Fintech development， supplementary evidence at the cross-bank level on the “universal but not inclusive” problem in Fintech lending is provided.

Key words: Fintech, commercial banks, enabling effect, natural language processing

CLC Number:

F832

Jun Hu,Qiang Li,Jiacheng Dai,Yong Zeng. Textual Analysis-based Measurement of Fintech and tests of Enabling Effect for Commercial Banks[J]. Chinese Journal of Management Science, 2024, 32(1): 31-41.

Figures/Tables 8

指数类型	数据来源	关键词/指标	测度方法	频率与范围	文献出处
金融科技或互联网金融发展水平	百度搜索引擎	支付结算、资源配置、风险管理和网络渠道四个维度共20个关键词	利用搜索引擎检索关键词的新闻条数，并采用因子分析法合成综合指数	全国层面2003-2016年间的年度互联网金融指数	沈悦和郭品^[9]、郭品和沈悦^[12]
	艾瑞网、零壹数据等	第三方支付业务量	第三方支付业务总量占支付体系业务总量的比例	全国层面2009-2015年间的季度互联网金融指数	战明华等^[10]
	4家互联网金融机构和2家三方数据机构	支付、基金、信贷、保险、投资、征信等六个维度的17指标	采用主观和客观相结合的方式确定各级指标的权重，并逐级加权求和	省级和地级市层面2014年1月-2016年3月的月度互联网金融发展指数	北京大学数字金融研究中心：郭峰等^[30]
	百度搜索指数	技术、支付、服务、直接称呼等四类共22个关键词	统计每个关键词的百度搜索指数，利用熵值法确定权重后加权求和	省级层面2011-2018年间的年度金融科技发展指数	盛天翔和范从来^[13]
	百度搜索引擎	48个关键词	利用百度检索“地区+关键词”，对各地区的48个关键词网页数量求和并取自然对数	省级层面2011-2016年间的年度金融科技发展指数	李春涛等^[31]
普惠金融发展水平	蚂蚁金服	覆盖广度、使用深度、数字化程度三个维度共计33个指标	对各指标进行无量纲处理，并采用主观和客观相结合的方式确定权重后逐级加权求和	省级、市级和县级层面2011-2018年间的年度数字普惠金融指数	北京大学数字金融研究中心：郭峰等^[27]
普惠金融发展水平	统计局、人民银行、银保监会等官方数据	广泛包容性、特定化配比程度、商业可持续性三个维度共20个指标	对各指标进行标准化处理，并采用主成分分析法合成综合指数	省级层面2009-2016年间的年度普惠金融发展指数	李建军等^[32]
情绪与风险感知	“和讯网”新闻文本	正向情感和负向情感的词频数	在构建“情感词词典”的基础上，利用主题模型对新闻文本进行过滤，进而统计情感词词频合成综合指数	全国层面2013年1月-2017年7月间的月度金融科技情绪指数	北京大学数字金融研究中心：王靖一和黄益平^[33]
	Wind数据库和网贷之家	类股市和基于互联网金融特征的10个指标	对每个指标进行标准化处理，并利用主成分分析合成综合指数	全国层面2014年3月-2017年12月间的月度互联网金融投资者情绪指数	陈荣达等^[34]
	百度搜索指数	“余额宝被盗”的百度搜索指数	移动端、PC端和总体的百度搜索指数	全国层面2013年7月-2015年2月的日度网络安全风险指数	曾建光^[35]

变量	(1)	(2)	(3)	(4)	(5)	(6)
变量	成本收入比	中间收入占比	不良贷款率	资产收益率	贷款规模	贷款利率
$F T ?$	-0.1702^***	0.1189^***	-0.0194^***	0.0095^***	0.0006	0.0462^***
$F T ?$	(-3.2863)	(3.3464)	(-2.7190)	(3.0940)	(0.0308)	(2.7240)
控制变量	控制	控制	控制	控制	控制	控制
个体效应	控制	控制	控制	控制	控制	控制
年度效应	控制	控制	控制	控制	控制	控制
观测值	2068	2068	2068	2068	2065	2025
调整R²	0.0467	0.3451	0.1607	0.0792	0.3479	0.0686

References 40

1	Goldstein I， Jiang W， Karolyi G A. To Fintech and beyond［J］. Review of Financial Studies， 2019， 32（5）： 1647-1661.
2	傅秋子，黄益平. 数字金融对农村金融需求的异质性影响——来自中国家庭金融调查与北京大学数字普惠金融指数的证据［J］. 金融研究， 2018（11）： 68-84.
	Fu Q Z， Huang Y P. Digital finance's heterogeneous effects on rural financial demand： evidence from China household finance survey and inclusive digital finance index［J］. Journal of Financial Research， 2018（11）： 68-84.
3	易行健，周利. 数字普惠金融发展是否显著影响了居民消费——来自中国家庭的微观证据［J］. 金融研究， 2018（11）： 47-67.
	Yi X J， Zhou L. Does digital financial inclusion significantly influence household consumption：evidence from household survey data in China［J］. Journal of Financial Research， 2018（11）： 47-67.
4	张勋，万广华，张佳佳，等. 数字经济、普惠金融与包容性增长［J］. 经济研究， 2019， 54（8）： 71-86.
	Zhang X， Wan G H， Zhang J J， et al. Digital economy， financial inclusion， and inclusive growth［J］. Economic Research Journal， 2019， 54（8）： 71-86.
5	谢绚丽，沈艳，张皓星，等. 数字金融能促进创业吗？——来自中国的证据［J］. 经济学（季刊）， 2018， 17（4）： 1557-1580.
	Xie X L， Shen Y， Zhang H X， et al. Can digital finance promote entrepreneurship？Evidence from China［J］. China Economic Quarterly， 2018， 17（4）： 1557-1580.
6	Sheng T X. The effect of Fintech on banks’ credit provision to SMEs： evidence from China［J］. Finance Research Letters， 2021， 39： 101558.
7	唐松，伍旭川，祝佳. 数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异［J］. 管理世界， 2020， 36（5）： 52-66.
	Tang S， Wu X H， Zhu J. Digital finance and enterprise technology innovation：structural feature， mechanism identification and effect difference under financial supervision［J］. Management World， 2020， 36（5）： 52-66.
8	唐松，赖晓冰，黄锐. 金融科技创新如何影响全要素生产率：促进还是抑制？——理论分析框架与区域实践［J］. 中国软科学， 2019（7）： 134-144.
	Tang S， Lai X B， Huang R. How can Fintech innovation affect TFP： facilitating or inhibiting？Theoretical analysis framework and regional practice［J］. China Soft Science， 2019（7）： 134-144.
9	沈悦，郭品. 互联网金融、技术溢出与商业银行全要素生产率［J］. 金融研究， 2015（3）： 160-175.
	Shen Y， Guo P. Internet finance， technology spillover and commercial banks TFP［J］. Journal of Financial Research， 2015（3）： 160-175.
10	战明华，汤颜菲，李帅.数字金融发展、渠道效应差异和货币政策传导效果［J］.经济研究，2020，55（6）： 22-38.
	Zhan M H， Tang Y F， Li S. Digital finance， channel effect differentiation and the effects of monetary policy［J］.Economic Research Journal， 2020， 55（6）： 22-38.
11	邱晗，黄益平，纪洋. 金融科技对传统银行行为的影响——基于互联网理财的视角［J］. 金融研究， 2018（11）： 17-29.
	Qiu H， Huang Y P， Ji Y. How does Fintech development affect traditional banking in China： the perspective of online wealth management products［J］. Journal of Financial Research， 2018（11）： 17-29.
12	郭品，沈悦. 互联网金融、存款竞争与银行风险承担［J］. 金融研究， 2019（8）： 58-76.
	Guo P， Shen Y. Internet finance， deposit competition， and bank risk-taking［J］. Journal of Financial Research， 2019（8）： 58-76.
13	盛天翔，范从来. 金融科技、最优银行业市场结构与小微企业信贷供给［J］. 金融研究， 2020（6）： 114-132.
	Sheng T X， Fan C L. Fintech， optimal banking market structure， and credit supply for SMEs［J］. Journal of Financial Research， 2020（6）： 114-132.
14	Bartlett R， Morse A， Stanton R， et al. Consumer-lending discrimination in the Fintech era［J］. Journal of Financial Economics， 2022， 143（1）： 30-56.
15	Fuster A， Plosser M， Schnabl P， et al. The role of technology in mortgage lending［J］. Review of Financial Studies， 2019， 32（5）： 1854-1899.
16	Iyer R， Khwaja A I， Luttmer E F P， et al. Screening peers softly： inferring the quality of small borrowers［J］. Management Science， 2016， 62（6）： 1554-1577.
17	Gambacorta L， Huang Y P， Qiu H， et al. How do machine learning and non-traditional data affect credit scoring？ New evidence from a Chinese Fintech firm［R］. Working Paper， Social Science Research Network， 2019.
18	Berg T， Burg V， Gombović A， et al. On the rise of Fintechs： credit scoring using digital footprints［J］. Review of Financial Studies， 2020， 33（7）： 2845-2897.
19	Jiang J L， Liao L， Lu X， et al. Deciphering big data in consumer credit evaluation［J］.Journal of Empirical Finance， 2021， 62： 28-45.
20	Buchak G， Matvos G， Piskorski T， et al. Fintech， regulatory arbitrage， and the rise of shadow banks［J］. Journal of Financial Economics， 2018， 130（3）： 453-483.
21	Tang H. Peer-to-peer lenders versus banks： substitutes or complements？［J］.Review of Financial Studies， 2019， 32（5）： 1900-1938.
22	柏亮. 商业银行正成为金融科技创新“主力军”［J］. 清华金融评论， 2021（1）： 65-67.
	Bai L. Commercial banks are becoming the “main force” of Fintech［J］. Tsinghua Financial Review， 2021（1）： 65-67.
23	Baker S R， Bloom N， Davis S J. Measuring economic policy uncertainty［J］. Quarterly Journal of Economics， 2016， 131（4）： 1593-1636.
24	姜富伟，孟令超，唐国豪. 媒体文本情绪与股票回报预测［J］. 经济学（季刊）， 2021， 21（4）： 1323-1344.
	Jiang F W， Meng L C， Tang G H. Media textual sentiment and Chinese stock return predictability［J］. China Economic Quarterly， 2021， 21（4）： 1323-1344.
25	Calomiris C W， Mamaysky H. How news and its context drive risk and returns around the world［J］. Journal of Financial Economics， 2019， 133（2）： 299-336.
26	Carlini F， Cucinelli D， Previtali D， et al. Don't talk too bad！ Stock market reactions to bank corporate governance news［J］. Journal of Banking & Finance， 2020， 121： 105962.
27	郭峰，王靖一，王芳，等. 测度中国数字普惠金融发展：指数编制与空间特征［J］. 经济学（季刊）， 2020， 19（4）： 1401-1418.
	Guo F， Wang J Y， Wang F， et al. Measuring China's digital financial inclusion： index compilation and spatial characteristics［J］.China Economic Quarterly，2020， 19（4）： 1401-1418.
28	金洪飞，李弘基，刘音露. 金融科技、银行风险与市场挤出效应［J］. 财经研究， 2020， 46（5）： 52-65.
	Jin H F， Li H J， Liu Y L. Fintech， banking risks and market crowding-out effect［J］.Journal of Finance and Economics， 2020， 46（5）： 52-65.
29	Branzoli N， Supino I. Fintech credit： a critical review of empirical research literature［R］.Working Paper，Social Science Research Network， 2020.
30	郭峰，孔涛，王靖一. 互联网金融空间集聚效应分析——来自互联网金融发展指数的证据［J］. 国际金融研究， 2017（8）： 75-85.
	Guo F， Kong T， Wang J Y. Analysis of the spatial agglomeration effect of Internet finance： evidence from the internet finance development index［J］. Studies of International Finance， 2017（8）： 75-85.
31	李春涛，闫续文，宋敏，等.金融科技与企业创新——新三板上市公司的证据［J］.中国工业经济， 2020（1）： 81-98.
	Li C T， Yan X W， Song M， et al. Fintech and corporate innovation： evidence from Chinese NEEQ-listed companies［J］. China Industrial Economics， 2020（1）： 81-98.
32	李建军，彭俞超，马思超. 普惠金融与中国经济发展：多维度内涵与实证分析［J］. 经济研究， 2020， 55（4）： 37-52.
	Li J J， Peng Y C， Ma S C. Inclusive finance and economic development in China： multidimensional connotation and empirical analysis［J］.Economic Research Journal， 2020， 55（4）： 37-52.
33	王靖一，黄益平.金融科技媒体情绪的刻画与对网贷市场的影响［J］.经济学（季刊），2018， 17（4）： 1623-1650.
	Wang J Y， Huang Y P. Characterizing the media sentiment on Fintech and its impact on online lending market［J］. China Economic Quarterly， 2018， 17（4）： 1623-1650.
34	陈荣达，林博，何诚颖，等. 互联网金融特征、投资者情绪与互联网理财产品回报［J］. 经济研究， 2019， 54（7）： 78-93.
	Chen R D， Lin B， He C Y， et al. Internet finance characteristics， internet finance investor sentiment and the return of internet financial products［J］. Economic Research Journal， 2019， 54（7）： 78-93.
35	曾建光. 网络安全风险感知与互联网金融的资产定价［J］. 经济研究， 2015， 50（7）： 131-145.
	Zeng J G. Network security risk perception and asset pricing of internet finance［J］. Economic Research Journal， 2015， 50（7）： 131-145.
36	郭晔，黄振，姚若琪. 战略投资者选择与银行效率——来自城商行的经验证据［J］. 经济研究， 2020， 55（1）： 181-197.
	Guo Y， Huang Z， Yao R Q. The selection of strategic investors and bank efficiency： empirical evidence from city commercial banks［J］.Economic Research Journal， 2020， 55（1）： 181-197.
37	祝继高，岳衡，饶品贵. 地方政府财政压力与银行信贷资源配置效率——基于我国城市商业银行的研究证据［J］. 金融研究， 2020（1）： 88-109.
	Zhu J G， Yue H， Rao P G. Local governments fiscal pressure and bank credit resource allocation efficiency： evidence from Chinese city commercial banks［J］. Journal of Financial Research， 2020（1）： 88-109.
38	Berger A N， Frame W S， Miller N H， et al. Credit scoring and the availability， price， and risk of small business credit［J］. Journal of Money， Credit and Banking， 2005， 37（2）： 191-222.
39	Philippon T. Has the US finance industry become less efficient？ On the theory and measurement of financial intermediation［J］. American Economic Review， 2015， 105（4）： 1408-1438.
40	Cheng M Y， Qu Y. Does operational risk management benefit from Fintech？［J］. Emerging Markets Finance and Trade， 2023，59（14）： 4012-4027.

变量	观测值	均值	标准差	最小值	最大值
COSTIN	2068	0.3513	0.0737	0.1880	0.5737
FEEIN	2068	0.0441	0.0594	-0.0563	0.2609
NPL	2068	0.0190	0.0141	0.0014	0.0987
ROA	2068	0.0132	0.0054	0.0016	0.0289
INTERST	2068	0.0258	0.0111	0.0019	0.0562
FEE	2068	0.0013	0.0016	-0.0018	0.0071
LSZ	2065	0.4642	0.0989	0.2185	0.6755
LRET	2025	0.1135	0.0351	0.0622	0.2427
FT	2068	0.2754	0.7035	0.0000	8.7413
SIZE	2068	24.6751	1.6285	22.1253	30.4020
LRD	2068	0.6427	0.1037	0.3314	0.8941
EA	2068	0.0778	0.0204	0.0409	0.1479
LIQ	2068	0.5624	0.1977	0.2836	1.3842
CAR	2068	0.1371	0.0243	0.0884	0.2360

变量	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)	(10)	(11)	(12)
	成本收入比				中间收入占比				不良贷款率
	总指数	战略理念	底层技术	产品服务	总指数	战略理念	底层技术	产品服务	总指数	战略理念	底层技术	产品服务
FT	-0.0033^*	-0.0080^***	-0.0080^**	-0.0031	0.0023^**	0.0051^**	0.0031	0.0034^**	-0.0002	-0.0008^***	-0.0007^*	0.0000
FT	(-1.9534)	(-2.5932)	(-2.1400)	(-0.9987)	(2.2000)	(2.1322)	(0.9200)	(2.0512)	(-1.2248)	(-2.6264)	(-1.8134)	(0.0065)
SIZE	-0.0467^***	-0.0461^***	-0.0466^***	-0.0471^***	0.0229^***	0.0226^***	0.0230^***	0.0233^***	-0.0038^**	-0.0037^**	-0.0037^**	-0.0038^**
SIZE	(-3.9382)	(-3.8765)	(-3.9182)	(-3.9565)	(3.1660)	(3.0926)	(3.1680)	(3.2193)	(-2.2350)	(-2.1945)	(-2.2231)	(-2.2506)
LRD	0.0560^*	0.0572^*	0.0562^*	0.0551^*	-0.0194	-0.0201	-0.0192	-0.0187	0.0149^***	0.0150^***	0.0149^***	0.0149^***
LRD	(1.7848)	(1.8193)	(1.7892)	(1.7562)	(-0.7467)	(-0.7702)	(-0.7360)	(-0.7199)	(3.4681)	(3.4899)	(3.4758)	(3.4574)
EA	-0.3251^*	-0.3241^*	-0.3279^*	-0.3288^*	0.1144	0.1142	0.1174	0.1163	0.0444	0.0447	0.0443	0.0440
EA	(-1.7677)	(-1.7665)	(-1.7862)	(-1.7818)	(0.9421)	(0.9381)	(0.9635)	(0.9573)	(1.4613)	(1.4705)	(1.4580)	(1.4486)
LIQ	0.0048	0.0051	0.0048	0.0047	0.0103^*	0.0101^*	0.0104^*	0.0103^*	0.0006	0.0006	0.0006	0.0006
LIQ	(0.4930)	(0.5266)	(0.4943)	(0.4805)	(1.7137)	(1.6810)	(1.7213)	(1.7159)	(0.2287)	(0.2431)	(0.2318)	(0.2217)
CAR	-0.1063	-0.1056	-0.1037	-0.1042	-0.0055	-0.0061	-0.0078	-0.0061	-0.1202^***	-0.1202^***	-0.1200^***	-0.1199^***
CAR	(-0.9594)	(-0.9554)	(-0.9374)	(-0.9392)	(-0.0927)	(-0.1046)	(-0.1322)	(-0.1028)	(-4.5032)	(-4.5096)	(-4.5022)	(-4.4911)
常数项	1.5133^***	1.4977^***	1.5104^***	1.5247^***	-0.5345^***	-0.5251^***	-0.5366^***	-0.5430^***	0.1187^***	0.1170^***	0.1182^***	0.1194^***
常数项	(5.0315)	(4.9634)	(5.0067)	(5.0447)	(-2.8972)	(-2.8217)	(-2.8981)	(-2.9497)	(2.7066)	(2.6652)	(2.6941)	(2.7198)
个体效应	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制
年度效应	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制
观测值	2068	2068	2068	2068	2068	2068	2068	2068	2068	2068	2068	2068
调整R²	0.0645	0.0658	0.0645	0.0631	0.1460	0.1468	0.1444	0.1455	0.1837	0.1842	0.1839	0.1835

变量	(1)	(2)	(3)	(4)	(5)
FT	0.0003^**	0.0002	0.0002^*	0.0002^**	0.0001
FT	(2.2285)	(1.4422)	(1.9005)	(2.0617)	(1.1343)
COSTIN		-0.0338^***			-0.0309^***
COSTIN		(-12.9863)			(-12.9776)
FEEIN			0.0194^***		0.0094^***
FEEIN			(5.0434)		(3.0792)
NPL				-0.1311^***	-0.1147^***
NPL				(-9.1505)	(-8.3769)
控制变量	控制	控制	控制	控制	控制
个体效应	控制	控制	控制	控制	控制
年度效应	控制	控制	控制	控制	控制
观测值	2068	2068	2068	2068	2068
调整R²	0.4552	0.5727	0.4715	0.5240	0.6308

变量	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)	(10)	(11)
	贷款规模				不良贷款率		贷款利率
	总指数	战略理念	底层技术	产品服务		总指数	总指数	战略理念	底层技术	产品服务	总指数
FT	0.0032^**	0.0056^**	0.0066^**	0.0030		0.0017	0.0014	0.0027^*	0.0034^*	0.0024^**	0.0020^**
FT	(2.2575)	(2.1403)	(2.0409)	(1.3234)		(1.5045)	(1.6320)	(1.6788)	(1.7900)	(2.0372)	(2.5297)
LSZ					0.0217^**	0.0223^***					-0.1947^***
LSZ					(2.5447)	(2.5895)					(-10.4191)
LSZ×FT						-0.0041^*
LSZ×FT						(-1.7889)
控制变量	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制
个体效应	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制
年度效应	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制	控制
观测值	2065	2065	2065	2065	1508	1508	2025	2025	2025	2025	2025
调整R²	0.6342	0.6340	0.6338	0.6334	0.1844	0.1844	0.3541	0.3543	0.3542	0.3543	0.4241

[1]	WANG Mei-qiang, CHANG Mei. Evaluating the Operational Performance for Commercial Banks in China Considering the Profit Way [J]. Chinese Journal of Management Science, 2023, 31(7): 140-152.
[2]	SONG Jin-bo, ZHOU Yu-shan, HE Qiu-ying. The Impact of Emotional Load on Service Quality and Operational Efficiency of Online Political Inquiry Platform—Evidence from Textual Data [J]. Chinese Journal of Management Science, 2023, 31(3): 133-142.
[3]	Jiang-ze DU,Xi-zhuo CHEN,Le-an YU. Can Executives with IT Background Promote FinTech Innovation? [J]. Chinese Journal of Management Science, 2023, 31(12): 69-78.
[4]	Dan-yang LIU,Zhi-gang HUANG. Fintech, Outward FDI and High-Quality Economic Development: Based on the Perspective of “Mutual Promotion of Dual Circulation” [J]. Chinese Journal of Management Science, 2023, 31(11): 151-164.
[5]	LUO Yang-yang, LI Cun-jin, LUO Bin. Research on Evolutionary Mechanism of Coopetition Between Third-party Payment Institutions and Commercial Banks Based on Double-layer Network [J]. Chinese Journal of Management Science, 2023, 31(1): 238-247.
[6]	CHEN Xiao-hui, ZHANG Hong-wei, WEN Jia, WU Yong-chao. Can FinTech Credit Scale Stimulate Financial Institutions to Increase the Proportion of Agricultural-related Loans? [J]. Chinese Journal of Management Science, 2022, 30(5): 76-85.
[7]	GUO Wei-dong, ZHOU Zach Zhi-zhong, QIAN Chun-tao. Application of Mobile App List in Evaluating Borrowers’ Credit Risk——An Empirical Analysis of an Online Lending Platform [J]. Chinese Journal of Management Science, 2022, 30(12): 96-107.
[8]	WANG Zhao-hua, LU Bin, WANG Bo. The Impact of Energy-saving Information Exposure on Green Consumption Behavior——An Empirical Study of Large-scale Text Data from E-commerce Data Platforms [J]. Chinese Journal of Management Science, 2022, 30(1): 241-251.
[9]	ZHOU Zhong-bao, REN Tian-tian, XIAO Kun-hu, WU Shi-jian, LIU Wen-bin. Research on the Congestion of Decision Making Units with Undesirable Outputs [J]. Chinese Journal of Management Science, 2021, 29(6): 115-124.
[10]	XUE Kaili, FAN Jianping, KUANG Haibo, ZHAO Miao, WU Meiqin. Efficiency Evaluation of China Commercial Banks Based on Two-stage Cross Efficiency Model [J]. Chinese Journal of Management Science, 2021, 29(10): 23-34.
[11]	ZHANG Hong-wei, CHEN Xiao-hui, WEN Jia, WU Yong-chao. Evolutionary Game Analysis of Local Regulatory Sandboxes Competition from The Perspective of Unbalanced Development [J]. Chinese Journal of Management Science, 2020, 28(6): 211-221.
[12]	LIU Jia-song, ZHANG Bo, LUO Qi. Foreign Equity, Board Characteristics and the Performance of Chinese Commercial Banks——the Empirical Analysis Based on 121 Chinese Commercial Banks [J]. Chinese Journal of Management Science, 2019, 27(9): 119-129.
[13]	LIU Meng-fei, WANG Jun. Comparative Research on the Cost and Profit efficiency of Commercial Banks under Systemic Risk Constraints [J]. Chinese Journal of Management Science, 2015, 23(12): 27-34.
[14]	JI Jian-yue, KONG Jiao-jiao. The Study on the Efficiency Evaluation Considered Undesirable Output and Its Influencing Factors of Commercial Banks from the Perspective of Stakeholder Relationships [J]. Chinese Journal of Management Science, 2013, 21(6): 30-37.
[15]	LU Jing, ZHANG Jia. Measurement of Commercial Bank’s Operational Risk Based on Extreme Value Theory and Multivariate Copula Functions [J]. Chinese Journal of Management Science, 2013, 21(3): 11-19.

Textual Analysis-based Measurement of Fintech and tests of Enabling Effect for Commercial Banks

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 8

References 40

Related Articles 15

Metrics

Comments

Recommended 0