互联网金融对我国商业银行盈利的影响研究

互联网金融对我国商业银行盈利的影响研究

马云曾经说过，“如果银行没有改变，我们就会改变银行。”。2013年,阿里余额宝横空出世,以其较高的收益率和灵活方便的存取款投资理财方式吸引了广大消费者的青睐,在2014年1月余额宝7日年化收益率抵达历史高位6.763%,而当时我国商业银行的一年期定期存款利率仅不足其二分之一。在互联网金融领域中,诸如余额宝这类的互联网理财产品层出不穷,其年化收益率让商业银行望尘莫及。尤其在P2P、众筹、第三方支付等快速成长的推动下,形成了当下复杂的互联网金融格局。因此对于互联网金融与商业银行关系的研究有助于把握当下经济动态,提高对互联网金融与商业银行发展的认识。1文献总结互联网金融在我国起步较晚,谢平(2012)是我国第一个提出真正意义上互联网金融概念的学者2互联网金融发展格局互联网金融在中国的概念虽然由谢平(2012)最先提出,但是我国第一家P2P贷款公司在2007年就已成立,余额宝出现于2013年,众筹2014年才开始真正意义上出现。以这三类为代表的互联网金融新势力的涌现,在最近几年迅速发展并构建了以P2P网贷、第三方支付、众筹、互联网理财(包括互联网保险)为主体的互联网金融格局。我国的商业银行在互联网金融快速发展之前被媒体解读为“躺着赚钱的机构”,声誉不佳。但是据银监会数据显示2011~2016年商业银行同比净利润增长率分别为:36.34%、18.9%、14.5%、9.65%、2.43%、3.45%,可以看出我国商业银行的净利润增长率呈断崖式下跌,6年跌幅达10倍,这从另一个角度折射出我国商业银行盈利的持续增长可能存在的问题。而互联网金融机构通过吸收存款、发放小额贷款以及理财等方式与商业银行在资本、负债、中间业务三大业务之间展开客户资源和资本的竞争,互联网金融公司更是以其便捷的业务流程以及高效的服务质量赢得了客户群体的认可,对商业银行构成的影响也由潜在变成了实质。本文试着从商业银行三大业务(资产、负债、中间业务)方面入手分析解释互联网金融与商业银行的竞争关系,具体业务关系如图1所示。2.1商业银行贷款客户的特点众所周知,商业银行最核心的资产业务当属贷款类业务,它是商业银行盈利之本。商业银行贷款业务客户主要为个人和企业,据wind统计数据显示:我国商业银行从2015年到2016年共8季度的贷款业务平均利息收入占比达到营业收入的75.24%。由于在贷款过程中需要对贷款客户的资质和信用等级进行评估,一般国有大中型企业以及一些有实力的经营稳定的有良好业绩的民营企业是商业银行的优质客户。相比较而言,城市商业银行及地方性银行贷款业务客户大多是中小企业、小微企业及个人。总之,我国商业银行依托其得天独厚的优势,加之贷款审批程序严格,拥有资信良好的贷款客户。互联网金融则通过P2P贷款、众筹、小微企业贷款等吸收一部分融资难的中小企业及不能从商业银行获得贷款的个人客户。互联网金融的一些小额贷款一般无需抵押,而且互联网金融更容易使客户感受到便捷性和平等性,这无疑会刺激商业银行的潜在客户流向互联网金融。2.2利率市场化导向我国商业银行关键负债业务为活期存款业务和定期存款业务。对商业银行存款业务最具影响力的互联网金融业务当属第三方支付、P2P贷款和互联网理财门户。在我国利率市场化导向下,商业银行的存贷款利率居低,参考2017年公布的商业银行存款利率,南京银行5年定期存款利率3.3%属最高值,但是与此相比,同期的互联网理财产品的年化收益率已触及5%,这就导致许多储户放弃银行存款转向互联网金融投资。不仅是高收益率的互联网理财产品吸收了商业银行的存款,众筹及P2P贷款同样在吸收商业银行的存款,这些事件的累积就使得商业银行的负债业务雪上加霜,进而影响银行的盈利状况。2.3方支付平台的业务收入出现下降我国通常所讲的商业银行中间业务等同于广义上的表外业务,即非利息收入的业务。依据wind统计数据计算可知,目前我国商业银行营业收入约25%来自于非利息收入。但如今商业银行中间业务也受到第三方支付以及互联网理财发展的影响,就第三方支付平台来看,其凭借免费或者低廉的手续费、不受时间地点限制等便捷、高效的优势对商业银行POS机刷卡量、银行转账汇款、代缴公共服务费等产生了较强的冲击,直接导致这三类业务的收入下降。加之商业银行的理财和代理业务均与互联网金融存在一定的竞争关系。例如,货币基金理财平台的产品“阿里余额宝”“京东小金库”“微信理财通”等凭借其高收益率和快速变现性等特点,吸引了市场上很大一部分客户和投资者。由于客户数量的下降以及低收益率和非快速变现的特点拉低了商业银行中间业务的收入,进而蚕食了商业银行的盈利空间。总之,互联网金融对商业银行三大业务造成的影响不可轻视,但是由于各商业银行的规模不同,因而商业银行遭遇的影响参差不一;而且互联网金融可能会倒逼我国商业银行改革和创新,从而提高盈利能力。3示范分析3.1样本分组及数据来源基于数据的可获得性,考虑我国商业银行在A股市场IPO时间的不同,尤其是城市商业银行和农村商业银行(农村信用社)的上市时间均在2013年以后,有些城市商业银行在2016年末才上市。因此经过综合筛选,选取在我国A股市场IPO的16家股份制商业银行为样本。根据实证模型需要将样本分为四组,依次是5大行组:中国银行、农业银行、交通银行、工商银行、建设银行;中小型股份制银行组:华夏银行、光大银行、中信银行、兴业银行、招商银行、平安银行、浦发银行、民生银行共8家;城市商业银行组:宁波银行、北京银行、南京银行共3家;国家商业银行组:工商银行、南京银行等上述三组中提及的16家银行。由于农商行数据较难获得,因此样本分组未能使我国农村商业银行状况得到准确展现。另外城市银行组只选择了3家城市银行中资产规模较大的银行。本文样本数据来自Wind统计数据和CS-MAR数据库,部分财务指标缺失数据来源于各银行报表;GDP增速数据来自国家统计局网站;以互联网金融第三方支付市场规模代表互联网金融发展水平,数据来源于艾瑞咨询。样本所处时间为2010Q3~2016Q3,共25个季度。3.2变量选择3.2.1被解释变量roa反映银行盈利性的指标比比皆是,本文借鉴前人研究成果,选取不仅能体现商业银行的盈利情况,更能反映商业银行的经营和发展能力的总资产收益率(ROA)作为被解释变量,ROA以企业净利润占总资产的比率来衡量。3.2.2解释变量以2014年之前的众筹、P2P(TPP)为解释变量,代表互联网金融的发展指标,并对其取对数为LNT-PP。3.2.3内部因素指标由于影响商业银行盈利的指标和因素纷繁复杂,本文将其区分为内部因素和外部因素。内部因素包括:资本收益率(ROE)既能反映股东收益率,也能衡量该行的盈利能力;还有非利息收入占比(NIRR)、存贷比(LDR)、不良贷款率(NPL)、成本收入比(CIR);外部因素选择了我国GDP同比增速。3.3变量剖面统计和单位根检验3.3.1布署变量表1给出了所有变量的基本统计特征,被解释变量总资产收益率(ROA)的标准差相对于控制变量较大,说明这一阶段总资产收益率波动剧烈。从控制变量来看,标准差普遍较小,说明数据普遍波动较小,市场较为平稳。从标准误的大小,我们可以发现与其他变量相比,第三方支付市场规模比商业银行指标波动性更大,这主要是互联网支付更依赖于线上促销活动以及消费者对在线支付的需求;均值与中值都在9.5以上,这是由于其后期市场规模大幅增加提升了样本数据均值水平。3.3.2单位根测试根据表2结果:LLC检验、IPS-W检验、ADF-FCS检验、以及PP-FCS检验的p值均为0,表示数据是平稳的,不存在单位根。3.4模型的构建和选择3.4.1业银行盈利的影响模型本文构建面板数据模型来反映互联网金融对商业银行盈利的影响,模型构建如下:其中,i=1,2,···16为银行数目,t=1,2,···25为时间,μ3.4.2模型的选取与计算面板数据模型存在三种不同形式,分别为:混合、固定、随机效应模型。为了建立适合本研究的模型,需要通过检验对模型进行筛选。这里选择F检验和豪斯曼(Hausman)检验选取模型。在一般研究中通常利用F检验判断使用混合还是固定效应模型,而用豪斯曼检验判断用固定还是随机效应模型。F统计量的定义为:其中SSE模型中个体具有相同的截距。模型中个体具有不同的截距。若F值小于然后,进行豪斯曼检验,其原假设HHH3.4.3模型拟合效果检验建立混合效应模型和固定效应模型得到F统计量值:F统计量29.256>F然后,建立随机效应模型得到豪斯曼检验结果如表3:如表3所示:豪斯曼检验结果中,p值显示接受备择假设,则应当建立固定效应模型,结果如表4所示:从表4模型估计结果可知:模型调整拟合优度为95.979%,F对应的P为0,说明模型拟合效果较好。其中解释变量第三方支付(LNTPP)通过了5%的显著性水平检验,系数为0.033,这表明第三方支付对商业银行的盈利有正向的影响,即互联网金融促进了商业银行的盈利水平。究其原因,这可能是由于互联网金融发展促使我国商业银行利用自身资源优势抓住互联网金融发展的机遇,尤其是第三方支付的发展倒逼了商业银行改革,从而扩大业务范围,提升了自身整合资源和创新的能力。其他控制变量资本收益率(ROE)、不良贷款率(NPL)、存贷比(LDR)、成本收入比(CIR)、GDP通过了5%的显著性水平检验,但是NIRR没有通过10%的显著性水平检验。其中GDP与被解释变量呈负向相关关系,资本收益率、不良贷款率、存贷比和成本收入比与被解释变量呈正相关关系。3.4.4第三方支付与被解释变量呈正相关关系本文使用固定效应模型反映5大行组受到互联网冲击的影响,回归结果如表5所示:由表5可知:模型调整拟合优度为98%,说明模型拟合较好,F对应的P值为0,说明模型结构合理。从解释变量看,互联网金融第三方支付通过了5%的显著性水平检验且系数为0.104,这表示第三方支付与被解释变量呈正相关关系,即互联网金融促进了我国5大行的盈利水平。这可能是因为5大行因其国家控股背景,在资本业务上的贷款主要集中在大客户大企业,而互联网金融的贷款业务则偏向于中小贷款者。在中间业务与负债业务上,由于资本规模大等原因,互联网对于商业银行盈利的负面影响并不是很大,反而充当了国有商业银行提升盈利的催化剂。资本收益率、非利息收入占比通过了5%的显著性水平检验,前者与被解释变量呈正相关关系,后者则相反。其他控制变量,如不良贷款率、存贷比、成本收入比、GDP均未通过显著性检验。3.4.5模型拟合检验重复本文上述步骤,计算得F统计量等于13.952>F根据表6结果可知:P值小于0.05,满足备择假设条件,建立固定效应模型,得到回归结果如表7:根据表7结果可知:模型调整后的拟合优度为96%,F对应的P值为0,说明模型拟合较好。其中解释变量互联网金融第三方支付(LNTPP)通过了5%显著性水平检验且系数为0.108,表示互联网金融第三方支付对中小股份制银行的盈利呈正向影响,即相对于5大行来说,中小型股份制银行组织更为灵活,经营管理更具现代化,是我国银行业在创新以及某些领域的先行者。尤其是随着股份制改革的推进,中小型商业银行以其更优质的服务和用户体验在市场上占据着一定的席位,也是最先利用互联网技术进行电子银行业务发展的群体,凭借多年的市场运作,中小型股份制商业银行利用互联网金融技术促进和提升了其业务发展。资本收益率、非利息收入占比通过了1%的显著性检验,其余控制变量都没有通过显著性水平检验。3.4.6互联网金融第三方支付数据分析城市商业银行如同我国一般意义的中小企业,因其资本规模小而有着“船小好调头”的先天优势,究竟在面对互联网金融的冲击时,城市商业银行能否化危机为动力实现盈利,这里研究其对互联网金融冲击的反应。继续建立模型得到F值与豪斯曼检验结果,F值如下:F统计量4.734>F豪斯曼检验结果如表8:根据表8检验结果可知,P值显示接受备择假设,建立固定效应模型如表9所示:根据表9结果可知:模型调整拟合优度为96%,F对应的P值为0,说明模型拟合较好。解释变量互联网金融第三方支付通过了10%的显著性水平检验且系数为-0.06,这表示LNTPP与被解释变量呈负相关关系。究其原因,本文认为城市商业银行与大型商业银行在盈利模式上存在巨大的差异。在面对互联网金融的冲击时,城商行“船小好调头”的先天优势并未发挥效应,反而盈利下降。大型股份制商业银行在资本、人员、市场营销、创新力度、风险控制方面均比城市商业银行更具优势。在贷款业务上,城市商业银行主要客户是中小微企业和个人,而这正与互联网金融P2P贷款的客户群体相重合,这些造成了城市商业银行盈利能力的降低。控制变量中资本收益率、不良贷款率、存贷比、成本收入比都通过了显著性水平检验且都与被解释变量呈正相关关系,但GDP、非利息收入占比没有通过显著性水平检验。综合表4、表5、表7和表9,横向来看互联网金融第三方支付(LNTPP)的系数从大到小依次为:中小型股份制商业银行组、5大行组、全国商业银行组和城市商业银行组。这说明在三类不同商业银行组中,互联网金融对中小型股份制商业银行的盈利影响要大于5大行组和城市商业银行组,由于中小型股份制银行相对于5大行业务创新和企