From Fintech to Financial Stability: The Role of ESG, Basel III Liquidity Ratios, and Default Risk in European Banking
Notice bibliographique
Résumé
Our study examines the relationship between fintech adoption and liquidity management in European banking, investigating how digital transformation influences Basel III liquidity compliance and default risk. Using a sample of 45 European banks from the STOXX 600 index over 2019–2024, we employ textual analysis of annual reports to construct a fintech adoption index and examine its effects on liquidity coverage ratio (LCR) and net stable funding ratio (NSFR). Our findings demonstrate that fintech adoption significantly enhances banks’ liquidity management capabilities. However, ESG performance moderates this relationship, with higher ESG commitments weakening the positive fintech-liquidity association, suggesting resource allocation conflicts between sustainability and technological investments. Through mediation analysis, we find that liquidity management partially mediates the fintech-default risk relationship, revealing complex trade-offs where fintech-driven liquidity improvements may increase default risk through alternative channels. Robustness tests using lagged variables, propensity score matching, alterative proxies, and size-based subsamples confirm our findings. Notably, smaller banks derive substantially greater liquidity benefits from fintech adoption compared to larger institutions. Our results provide the first comprehensive analysis of how digital transformation affects regulatory liquidity compliance in European markets, offering important implications for bank management and regulatory oversight in the post-Basel III era.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».