【互联网金融对农村商业银行风险承担影响的实证分析7400字（论文）】

互联网金融对农村商业银行风险承担影响的实证分析 81.1数据来源、变量选择与模型设定1.1.1数据来源本研究中所采用的数据由三部分构成：农村商业银行济统计数据和互联网金融发展水平数据。农村商业银行特征数据主要来源Wind数据库和农商行年报。本研究样本为覆盖全国29个省市的506家农村商业银行。农村商业银行服务覆盖地的宏观统计数据，主要来自于Wind数据库、各地的《国民经济和京大学数字普惠金融指数”。在对三类数据进行匹配后，得到一套包含2014-2018年五年的非平衡面板数据，覆盖全国29个省市，共1946个观测值。1.1.2变量选取借鉴Laeven&Levine(2009)(Laeven,Letal.2009)与徐明东和陈学彬(2012)(徐银行的破产风险定义为银行亏损小于银行的权益成本(π<-E),则银行的破产概雪夫不等式，可得银行的破产概率为Z-score为破产概率的临界值，Z值越大则代表该银行的风险越高。此外，为了本文中采用北京大学数字普惠金融发展指数作为解释跨度为2014-2018年。本文中根据农村商业银行的网点覆盖范围，选择对应区域的数字普惠金融总指数以及两个二级指标和六个三级指标探究互联网金融总指数及其子3.控制变量：参考以往研究，本文分别从农商行自身特征、所在地行业结构以及产的对数(lnta)、资产回报率(roa)、成本收入比(cir)、存贷比(ldr)以及资本充水平以及资本充足水平五个方面的代理变量。对于银行规模而言，由于“大而不倒”本身有足够的利润，往往不会冒险，经营会更为稳健，破产风险比较低(徐明东和陈学彬，2012)。对于银行的流动性水平而言，如果银行的资金流动性越高，资金越充GDP以及传统金融发展水平。由于人均GDP具有尖峰厚尾的特点，为了减小其绝对差异，对其进行对数化处理。传统金融水平用地区贷款余额与GDP的比值衡量。考虑到样本点的个体特征、不可观测的遗漏变量和数据用面板数据双向固定效应模型分析互联网金融对干农村商业银行风险承担影响的效金融总指数之外，我们还进一步加入了互联网金融指数的二级及三级指标。农村商业银行风险承担的演化趋势，本文借鉴Koenker(2004)提出的研究方法，构QTit(t|DIFit)=αi+β₁TDIFit+β₂表4-1可知，表征银行风险的指标中，z值均值为-1.62,中位数为-1.68,基本稳定在-1.60以上。z值的对数最大值为1.47,最小值为-1风险承担还是有明显差异。此外，由于近年来互联网金融的冲击，农村商业银行的z指数最高的为0.1978,最低的为3.0298,相差较大，说明我国互联网金融发展地区不重，部分银行资本充足率告急，最低的甚至达到了5.39%,最高的达到了21.34%。从盈利能力看，资产回报率最高的为3.17%,最低的为-1.87%,最高值与最低值相差变量名标准差中位数首先，根据Hausman检验以及LR检验，p值均为0.000,表明固定效应优于随机表4-2探讨了互联网金融的一级指标总指数、二级指标覆盖广度以及使用深度、三级指标支付、货币基金、信贷三个方面的影响。第(1)列的回归结果探讨的是互商行的风险承担。第(2)列以及第(3)列的回归结果展现了互联网金融二级指数即业务进行挤压。第(4)-(6)列的回归结果则说明了互联网金融三级指标中的支付、是贷款规模差异较大，支付宝的信贷规模在6000亿元人民币左右，而农商行的信贷规模在10万亿左右。相比于农商行的贷款规模，支付宝的信贷规模仍然不足以对其从控制变量来看，农村银行的个体特征中的资产收益率回归结果 N注：、、分别表示在1%、5%和10%水平上显著相关；括弧中为P值。了解互联网金融对于不同风险承担农村商业银行的影响，结果如表4-3所示。首先，通过观察影响系数，我们发现，除0.1和0.2分位点处，互联网金融总指数对农村商业银行风险承担的影响系数均为正且在1%的显著性水平下显著。这意味先升高再降低。随着分位数的提高，互联网金融指数的系数不断增大，0.5分位的回农商行，互联网金融对其的冲击并不显著,中间分位农商行受到互联网金融的冲击较