第三方支付对商业银行盈利能力影响的实证分析
北美金融代写 本次研究选取的样本来自十三家国内商业银行,其中有四家国有商业银行,其余为股份制商业银行。数据来源于Data Stream数据库中各银行2007-2018年报,考虑到数据稳定性以及银行年报数据的获取难度,本次研究的样本区间为2006-2018年,数据为年度数据,国民生产总值GDP···
1、样本与变量的选取 北美金融代写
本次研究选取的样本来自十三家国内商业银行,其中有四家国有商业银行,其余为股份制商业银行。数据来源于Data Stream数据库中各银行2007-2018年报,考虑到数据稳定性以及银行年报数据的获取难度,本次研究的样本区间为2006-2018年,数据为年度数据,国民生产总值GDP、通货膨胀率(IR)数据来源于国家统计局官网。第三方支付的数据来源2006-2018年中国互联网金融发展情况分析报告。首先要明确因变量,理论上总资产回报率(ROA)、净资产收益率(ROE)均可以衡量盈利能力。总资产回报率(ROA)可以衡量每单位资产可以带来的净利润,净资产收益率(ROE)可以衡量银行有效利用股东权益的能力。但ROA缺少数据,因此,净资产收益率(ROE)作为因变量未。其次,明确自变量,本次研究选用第三方支付规模的增长率(GRTD)作为自变量,衡量第三方支付规模变化情况。表3是2006-2018年第三方支付规模及其增长率。
表3 2006-2018年第三方支付规模及其增长率
年份 | 支付规模(亿元) | 增长率(%) |
2007 | 784.0 | 91 .2 |
2008 | 2508.3 | 219. 9 |
2009 | 5808.4 | 131.6 |
2010 | 10104.8 | 74.0 |
2011 | 22038. 0 | 118.1 |
2012 | 36589. 1 | 66.0 |
2013 | 53729. 8 | 46.8 |
2014 | 80755. 9 | 50.3 |
2015 | 118630. 4 | 46.9 |
2016 | 193000.0 | 62.2 |
2017 | —— | —— |
2018 | 291000.0 | 50.8 |
数据来源:2018年中国互联网金融服务行业报告,艾瑞咨询以及作者计算
此外还要考虑多种因素影响,保证模型准确性,要将这些因素也纳入模型进行计量。包括,体现银行流动性的存贷比(LDR),一般流动性与银行收益成正比;衡量银行资产质量的资本充足率(CAR)、拨备覆盖率(PROV);股东权益比率(SER)是财务杠杆比率,衡量的银行的负债情况;国内生产总值(GDP)、通货膨胀率(IR)衡量外部环境对商业银行盈利性的影响。
2、模型的建立与计量方法的确定 北美金融代写
本文采用多元线性回归模型研究第三方支付对银行盈利能力的影响,利用Eviews 9计量软件分析数据,结合选取的变量,构建以下实证模型:
其中,为估计系数,为随机扰动项。J选取的银行样本,t为时间,J银行第t年的收益率;为外部因素;为内部因素。
将选取的全部指标代入公式可以得到
上述公式中j个银行的净资产收益率(ROE)为因变量,第三方支付增长率AGRT为需要研究的变量,把影响商业银行盈利能力的因素代入公式进行回归分析。使用固定效应回归模型、分析面板数据,进行回归分析。本文实证分析第三方支付对商业银行盈利能力的影响,结合2006-2018年间十三家商业银行净资产收益率(ROE)、资本充足率(CAR)、股东权益比率(SER)、拨备覆盖率(PROV)、流动性因素(LDR),以及国内生产总值(GDP)、通货膨胀率(IR)指标进行模型回归分析,使用描述统计法分析变量数据分布状态进行分析。根据表2统计结果,第三方支付规模的增长率(GRTD)、资本充足率(CAR)、股东权益比率(SER)、拨备覆盖率(PROV)的偏度系数的绝对值都大于1,而标准正态分布的偏度系数为。峰度值方面,资本充足率(CAR),股东权益比率(SER)和拨备覆盖率(PROV)的风度系数高于3,说明这三个变量的数值序列呈现尖峰态分布。而且根据JB检验的结果来看,第三方支付规模的增长率(GRTD), 资本充足率(CAR), 股东权益比率(SER)以及拨备覆盖率(PROV)这三个变量的JB值过高,因此综合以上结果第三方支付规模的增长率(GRTD) , 资本充足率(CAR), 股东权益比率(SER)以及拨备覆盖率(PROV)变量的数值序列不服从标准正态分布。
表4自变量、因变量描述性统计值
ROE | GRTD | CAR | SER | PROV | LDR | GDP | IR | |
均值 | 19.096 | 93.333 | 7.564 | 5.256 | 0.588 | 77.451 | 9.733 | 2.975 |
中值 | 18.790 | 71.900 | 7.671 | 5.781 | 0.513 | 77.586 | 9.550 | 2.900 |
最大值 | 35.770 | 219.900 | 15.988 | 8.323 | 1.955 | 107.877 | 14.200 | 5.900 |
最小值 | 4.480 | 46.800 | -10.816 | -13.744 | 0.000 | 51.205 | 6.900 | -0.700 |
偏度系数 | 0.446 | 1.223 | -1.956 | -4.760 | 1.215 | 0.023 | 0.562 | -0.177 |
峰度系数 | 5.050 | 3.617 | 15.943 | 34.607 | 5.565 | 3.180 | 2.473 | 2.535 |
JB 检验 | 29.368 | 41.370 | 1135.116 | 6764.790 | 77.532 | 0.214 | 10.032 | 2.219 |
为了让第三方支付规模的增长率(GRTD) , 资本充足率(CAR),股东权益比率(SER)、拨备覆盖率(PROV)数值序列最大限度地接近正态分布,本文筛除掉与均值严重偏离的数据,获得新的数值序列,但这样做会导致数据量、自由量降低,因此,本文去除四个严重偏离均值的数值。表3可看出,在调整均值偏离后,全部的数值序列非常接近正太分布。第三方支付规模的增长率(GRTD)序列偏度值是1. 223,它的最大值是219. 9,严重偏离均值71. 9,但如果去掉第三方支付规模的增长率(GRTD) 序列的数据会减少样本数量。由于第三方支付增长率(GRTD) 有十一个数据,本文用第三方支付增长率(GRTD) 原始数据进行回归分析,针对峰度系数,调整之后的变量为明显超出临界值3,同时,JB检验数值更小,因此,变量基本接近正态分布。
表5调整之后的变量描述性统计值 北美金融代写
ROE | GRTD | CAR1 | SER1 | PROV1 | LDR | GDP | IR | |
均值 | 19.096 | 93.333 | 7.809 | 5.490 | 0.570 | 77.451 | 9.733 | 2.975 |
中值 | 18.790 | 71.900 | 7.692 | 5.811 | 0.493 | 77.586 | 9.550 | 2.900 |
最大值 | 35.770 | 219.900 | 15.988 | 8.323 | 1.531 | 107.877 | 14.200 | 5.900 |
最小值 | 4.480 | 46.800 | 1.724 | 1.724 | 0.000 | 51.205 | 6.900 | -0.700 |
偏度系数 | 0.446 | 1.223 | 0.959 | -0.544 | 0.692 | 0.023 | 0.562 | -0.177 |
峰度系数 | 5.050 | 3.617 | 5.060 | 2.755 | 3.560 | 3.180 | 2.473 | 2.535 |
JB 检验 | 29.368 | 41.370 | 48.511 | 7.607 | 13.670 | 0.214 | 10.032 | 2.219 |
接下来检验各自变量之间的相关性以及自变量和因变量净资产收益率(ROE)之间的简单线性关系。表4为各个变量的相关系数,其中ROE与其他变量之间的相关性比较弱,相关系数都小于0. 4。各自变量之间的相关性也相对较弱,除了资本充足率(CAR1)、股东权益比率(SER1)之间的相关性较强,相关系数0. 651,两个变量都衡量资本充足率,二者相关性较高会造成多重共线性问题,因此在进行回归分析时只选择其中一个,相对于调整后的变量的相关系数来说,股东权益比率(SER1)序列与其他变量数值序列的相关系数更低,因此,选取股东权益比率(SER1)放入模型检验。各自变量之间相关性不强表示多重共线性问题可忽略。
表6各变量之间的相关系数
ROE | GRTD | CAR1 | SER1 | PROV1 | LDR | GDP | IR | |
ROE | 1.000 | 0.126 | -0.068 | -0.164 | -0.143 | 0.090 | -0.067 | 0.200 |
GRTD | 0.126 | 1.000 | -0.197 | -0.185 | -0.005 | -0.028 | 0.341 | 0.244 |
CAR1 | -0.068 | -0.197 | 1.000 | 0.651 | 0.072 | 0.311 | -0.387 | 0.025 |
SER1 | -0.164 | -0.185 | 0.651 | 1.000 | -0.054 | -0.002 | -0.379 | 0.079 |
PROV1 | -0.143 | -0.005 | 0.072 | -0.054 | 1.000 | -0.085 | -0.246 | 0.098 |
LDR | 0.090 | -0.028 | 0.311 | -0.002 | -0.085 | 1.000 | -0.257 | 0.037 |
GDP | -0.067 | 0.341 | -0.387 | -0.379 | -0.246 | -0.257 | 1.000 | 0.183 |
IR | 0.200 | 0.244 | 0.025 | 0.079 | 0.098 | 0.037 | 0.183 | 1.000 |
3、实证结果 北美金融代写
表5总结了随机效应和固定效应的回归结果,如下:
表5 回归结果
固定效应M1 | 随机效应M2 | 固定效应M3 | 随机效应M4 | |
GRTD |
0.0093*
(0.0056) [0.0989] -0.6138** (0.2862) |
0.0092
(0.0056) [0.1036] -0.6903** (0.2755) |
0.0094*
-0.197 [0.0937] -0.6203** (0.2850) |
0.0092
-0.185 [0.1001] -0.7057** (0.2727) |
SER1 | [0.0340]
-5.8528*** (1.1593) |
[0.0135]
-5.5739*** (1.1405) |
[0.0315]
-5.8804*** (1.1545) |
[0.0108]
-5.5657*** (1.1313) |
PROV1 | [0.0000]
0.0202 |
[0.0000]
0.0130 |
[0.0000] | [0.0000] |
LDR |
(0.0388)
[0.6040] -0.5874*** |
(0.0370)
[0.7252] -0.6132*** |
— -0.6210*** |
— -0.6370*** |
GDP |
(0.1678)
[0.0007] 0.6171*** (0.1537) |
(0.1662)
[0.0003] 0.6253*** (0.1535) |
(0.1544)
[0.0001] 0.6249*** (0.1525) |
(0.1535)
[0.0001] 0.6316*** (0.1522) |
IR | [0.0001]
0.5511 |
[0.0001]
0.2668 |
[0.0001]
0.5500 |
[0.0001]
0.2637 |
R2 | ||||
Adjust R2 | 0.4820
7.9785 |
0.2327
7.8238 |
0.4852
8.4843 |
0.2354
9.3136 |
F-statistics | ||||
P-value | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
样本数量 | 136 | 136 | 136 | 136 |
前两列为固定效应模型、随机效应模型回归结果,后两列是缺少存贷比(LDR)的固定效应模型、随机效应模型回归结果。不加入存贷比(LDR)变量是因为其回归系数在10%的显著水平下不显著,P值均超过0.5,即存贷款比例、银行盈利能力正相关关系在10%水平下不显著,因此,对移除存贷比(LDR)后的模型进行检验。从表5可发现R2值变化不搭,这表示模型的解释力不强,固定效应模型M1的R2值为0. 55,移除存贷比(LDR)后模型M3的R2值不变,随机效应模型M2的R2值为0. 2668,去除存贷比(LDR)后的模型4的R2值在0. 26左右摆动。调整后的R2值均小于调整之前的R2值。从固定效应模型M1调整后的Ra值可以发现,48. 2%的银行盈利能力可由解释变量解释。在随机效应模型M3下仅23%的银行盈利能力可由解释变量解释,可见M1的解释力高于M3。F统计量P值为0,小于0. 01,这表示全部模型的F统计量在1%水平上显著。因此,拒绝原假设即所有斜率系数为零,表明银行盈利能力、选定的变量之间存在线性关系。
3.1第三方支付增长率——GRTD
各变量系数显示它们和银行盈利能力ROE之间线性关系的强度。M2模型回归结果显示第三方支付系数为0. 0093,P值为0. 1035,表明第三方支付、银行盈利能力正相关。移除LDR后变量第三方支付的增长率(GRTD)系数不变,但P值降至0. 1001。因此,研究GRTD对ROE衡量的银行盈利能力存在正向影响,在10%显著水平上接近显著。但系数较小说明第三方支付交易规模增加10%,银行盈利能力可能会增加0. 1% 左右。
M1、M3的回归结果是接近的,在M3回归结果中第三方支付变量系数很接近,在在10%水平上显著。因此,可以看到第三方支付对我国商业银行盈利能力有显著的正向影响,但影响程度没有那么高。
3.2股东权益比率SER
模型中大部分回归系数、P值在不同模型中的变化很小,但是有少部分变量的结果和原先研究不符。调整后的股东权益比率变量SER1系数范围是从-0. 61至-0. 71,在5%水平上显著,说明股东权益比率SER1对盈利能力的影响是负面的,这表示与规模接近的商业银行相比,利润越多的商业银行越少使用股权进行经营。
3.3拨备覆盖率——PROV 北美金融代写
衡量信用风险的调整之后的拨备覆盖率(PROV1)的相关系从-5. 5到-5. 9,在1%显著水平上显著,这说明信用风险、银行盈利能力负相关。一般来说,拨备覆盖率和
银行盈利能力之间的关系是负相关的。因为如金融机构高风险贷款的敞口增加,则未还贷款的数量就会增加,银行盈利能力降低。尽管国内外学者用不同代表资产质量的比率来衡量信用风险,但信用风险、银行盈利性之间的实证结果说明两者显著负相关。
3.4存贷比——LDR
在全部模型中P值均大于0. 1,银行流动性、银行盈利能力不存在显著相关关系,M1、M3模型的系数分别为0. 020、0. 013,呈正相关。因为存贷比高代表银行资产流动性较低,因此,贷款越多,银行盈利能力越强。但是伯克(1989)发现,银行盈利能力与流动性正相关,这可能是因为贷款监管成本与贷款数量呈正比。具体来说,只有对银行特征回归分析时,银行盈利能力、流动性显著负相关。本文研究表明,存贷款比LDR、商业银行盈利能力之间呈正相关,但在10%显著性水平下不显著。
3.5国民生产总值——GDP
GDP增长、银行盈利能力显著负相关,实证结果出乎预料。以往研究文献发现,GDP增长率、银行盈利能力呈正相关。以往关于GDP对ROE影响的实证研究结果支持了经济增长与银行绩效之间的正相关关系。不过得到国民生产总值变量的负相关系数也是有可能的,因为较高GDP、GPI国家的银行系统运行环境成熟,导致银行间竞争更加激烈。我国GDP排名世界第二。除此以外,认为通货膨胀率(IR)、GDP增长率对银行盈利能力的影响显著,但两者之间关系取决于银行类型。
3.6通货膨胀率——IR
本次研究的另一个宏观经济变量通货膨胀率(IR),M1,M3模型回归分析结果相似,表示通货膨胀率、银行盈利能力正相关,在1%水平上显著,和预期一致。因为通货膨胀率给商业银行调整利率的机会,导致银行收入增长大于成本增长,最终正面影响银行盈利能力。表6总结了所有因素与银行盈利(ROE)的关系,同时列出每个变量的预
期方向和实证结果是否一致。
表6 各变量之间的相关系数
种类 | 变量 | 预期方向 | 结果 | 与预期是否一致
|
自变量 | 第三方支付(GRTD) | + | + | 一致 |
资本充足(SER) | + | – | 不一致 | |
资产质量
(PROV) |
– | – | 一致 | |
控制变量 | 流动性
(LDR) |
– | – | 一致 |
GDP | + | – | 不一致 | |
外部因素 | IR | + | + | 一致 |
3.7豪斯曼检验
最后用豪斯曼检验分别对固定效应模型、随机效应模型进行检验。原假设是个体效应、回归变量不相关,如原假设成立,则应采用随机效应模型,否则不应该采用随机效应模型。通过对模型进行豪斯曼检验,结果显示检验P值为 0.4999,高于10%。实证结果显示10%显著性水平下原假设不能被拒绝,因此随机效应模型是适当的。对于没有流动性变量(LDR)的模型进行豪斯曼检验,P 值同样高于10%(0.6808),说明随机效应模型同样适用。