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

摘要/Abstract

摘要：

发展金融科技是商业银行数字化转型和践行普惠金融的重要战略选择。现有研究既缺乏银行个体层面金融科技水平的统一测度，也鲜少定量考察银行金融科技的赋能效果。本文利用超过17万条有关商业银行报道的新闻文本，运用命名实体识别、预训练词向量、LDA主题模型等多种自然语言处理技术，构建了“商业银行金融科技”和“商业银行名称”两个基础词库，首次测度了2011-2019年间1566家银行个体层面的金融科技发展指数。进一步，利用财务数据完整的472家银行的面板数据，基于银行经营和普惠金融两个角度的赋能证据表明：金融科技不仅可以通过提高运营、服务、风控三个层面的能力而提升银行经营绩效，还能通过提高贷款规模而增加信贷可得性，但未能同时降低贷款利率，存在因便利溢价或定价歧视导致的“普而不惠”问题。

关键词: 金融科技, 商业银行, 赋能效果, 自然语言处理

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

中图分类号:

F832

胡俊,李强,戴嘉诚,曾勇. 基于文本分析的商业银行金融科技测度及赋能效果检验[J]. 中国管理科学, 2024, 32(1): 31-41.

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.

图/表 8

表1

代表性的金融科技指数及其构建方法"

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]

表1

图1

图2

表2

表3

金融科技影响银行运营、服务和风控能力的回归结果"

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

表3

表4

表5

表6

利用工具变量处理内生性问题的回归结果"

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

表6

参考文献 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

[1]	王美强, 常梅. 考虑资金运营方式的中国商业银行经营效率分析[J]. 中国管理科学, 2023, 31(7): 140-152.
[2]	宋金波, 周禹杉, 何秋映. 情绪负荷对网络问政平台运作服务质量和效率的影响—来自文本数据的证据[J]. 中国管理科学, 2023, 31(3): 133-142.
[3]	杜江泽,陈希卓,余乐安. IT背景高管能促进金融科技创新吗？[J]. 中国管理科学, 2023, 31(12): 69-78.
[4]	刘丹阳,黄志刚. 金融科技、OFDI与经济高质量发展[J]. 中国管理科学, 2023, 31(11): 151-164.
[5]	罗暘洋, 李存金, 罗斌. 基于双层网络的第三方支付机构与商业银行竞合演化机理研究[J]. 中国管理科学, 2023, 31(1): 238-247.
[6]	郭伟栋, 周志中, 乾春涛. 手机App列表信息在信用风险评价中的应用——基于互联网借贷平台的实证研究[J]. 中国管理科学, 2022, 30(12): 96-107.
[7]	王兆华, 陆彬, 王博, 马冠华. 节能信息曝光度对绿色消费行为影响的实证分析——来自电商数据平台大规模文本数据的判据[J]. 中国管理科学, 2022, 30(1): 241-251.
[8]	徐涛, 尤建新, 邵一磊. 风险视角下银行产品创新绩效评价模型[J]. 中国管理科学, 2021, 29(6): 36-47.
[9]	周忠宝, 任甜甜, 肖坤虎, 吴士健, LIU Wenbin. 存在非期望产出的决策单元阻塞问题研究[J]. 中国管理科学, 2021, 29(6): 115-124.
[10]	薛凯丽，范建平，匡海波，赵苗，吴美琴. 基于两阶段交叉效率模型的中国商业银行效率评价[J]. 中国管理科学, 2021, 29(10): 23-34.
[11]	张红伟, 陈小辉, 文佳, 吴永超. 发展不平衡视角下地方监管沙盒竞争的演化博弈分析[J]. 中国管理科学, 2020, 28(6): 211-221.
[12]	刘家松, 张博, 罗琦. 外资参股、董事会特征与商业银行经营绩效——基于中国121家商业银行的实证分析[J]. 中国管理科学, 2019, 27(9): 119-129.
[13]	夏琼, 杨峰, 吴华清. “三重底线”下中国商业银行经营效率及其影响因素分析[J]. 中国管理科学, 2019, 27(8): 26-36.
[14]	曾薇, 陈收, 周忠宝. 金融监管对商业银行产品创新影响——基于两阶段DEA模型的研究[J]. 中国管理科学, 2016, 24(5): 1-7.
[15]	刘孟飞, 王军. 系统性风险约束下的商业银行成本、利润效率比较研究[J]. 中国管理科学, 2015, 23(12): 27-34.