【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】

西北农林科技大学硕士学位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目录TOC\o"1-2"\h\u31365互联网金融对农村商业银行风险承担影响的实证分析 1290561.1数据来源、变量选择与模型设定 135971.2变量的描述性统计分析 3172461.3互联网金融对农村商业银行风险承担影响的实证分析 551691.4互联网金融对农村商业银行风险承担异质性影响的实证分析 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：农村商业银行特征数据、服务覆盖地区经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《国民经济和社会发展统计公报》以及《中国县域统计年鉴》。互联网金融发展水平数据则来自“北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1.被解释变量:农村商业银行风险承担借鉴Laeven&Levine（2009）ADDINNE.Ref.{BEF26442-EA70-4727-9633-2F397837E374}(Laeven,Letal.2009)与徐明东和陈学彬（2012）ADDINNE.Ref.{81808283-0F71-4C37-9DEF-0F69BC68B76E}(徐明东和陈学彬，2012)的处理方法：首先我们令E表示权益资本，A表示总资产，那么E/A表示权益资产比，πA表示资产收益率。根据Nicolo（2001）的研究，我们将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），则银行的破产概率为P（π<−E），即pπ<−E=pπA<−EA=z−score（4-1）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，为了数据的平稳性，本文取其对数进行回归。2.解释变量：互联网金融指数本文中采用北京大学数字普惠金融发展指数作为解释变量。该指数是由的行政区域中蚂蚁金服各项业务的发展水平编制而成。由于蚂蚁金服在互联网金融领域内有最大的市场份额，因此该指数能够很好地代表各个行政区域的互联网金融发展水平。北京大学数字普惠金融发展指数包括省、市、县三个层面的数据，包含县域指数的时间跨度为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领域对农村商业银行风险承担的影响。两个二级指标为覆盖广度和使用深度；六个三级指标为支付服务、信贷服务、保险服务、货币基金服务、投资服务和征信服务。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经济发展特征三个方面来控制其对农村商业银行风险承担的影响。首先我们选择总资产的对数（lnta）、资产回报率（roa）、成本收入比（cir）、存贷比（ldr）以及资本充足率（cadr）五个指标来作为农村商业银行银行规模、盈利能力、经营效率、流动性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”隐形保险的假说，使得大规模的银行具有较大的道德风险，从而银行规模越大，其破产风险越高ADDINNE.Ref.{09B663D8-1FD8-4766-B690-AB9F643D0EE2}(Khan,MSetal.2016)。从盈利能力角度来看，盈利能力较好的银行由于本身有足够的利润，往往不会冒险，经营会更为稳健，破产风险比较低ADDINNE.Ref.{80B2BFFC-F0AF-414E-A0AF-BA7287821A35}(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，资金越充足，银行银行短期内发生挤兑的风险就越低。从银行的经营效率角度出发，银行经营效率越好，其可以通过较少的投入获取较多的回报，从而它的风险转移动机较小，破产风险也较低ADDINNE.Ref.{E3306031-DF4E-42DB-9021-80D1A22D1BD1}(江曙霞和陈玉婵，2012)。其次，选取农村商业银行贷款市场份额（lms）和存款市场份额（dms）指标来反映农村商业银行的所在地行业结构。一些学者认为激烈的银行竞争将降低银行的特许权价值，就会加大银行的道德风险和逆向选择，从而促使银行风险的增加，甚至导致银行的破产ADDINNE.Ref.{9048CA0D-A840-4260-9D2B-E175EF877DDE}(MarcusA.J.1984)。与之相反的是，另一种观点则认为贷款市场的竞争会使得银行贷款利率降低，借款人的资金成本就月底，那么借款人投资于高风险项目的动机就会减小，导致借款人违约率的下降，这又反作用与银行，从而降低银行的风险。ADDINNE.Ref.{63DCF21D-8F6D-489F-A467-C30E2EF01243}(DeNicolo,G2005;郑志来，2015)。最后，在宏观层面，由于样本银行中涉及上百个地区的农商行，且不同区域的经济形势和传统金融发展水平存在较大差异，所以本文对各个地区的农商行分别控制了其对应县域的人均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。1.1.3模型设定考虑到样本点的个体特征、不可观测的遗漏变量和数据获得性问题，本文首先利用面板数据双向固定效应模型分析互联网金融对于农村商业银行风险承担影响的效果，具体模型如下：ln（4-2）其中，z−scoreit为被解释变量，表示商业银行风险承担；DIFit为核心解释变量，代表互联网金融指数。此外，随着互联网金融不断向纵深发展，在不断增加互联网金融的覆盖广度，不断深化互联网金融的使用程度的同时，积极发展第三方支付、互联网基金、股权众筹等多个业态，呈现多维度、多元化的发展趋势。因此，除了互联网金融总指数之外，我们还进一步加入了互联网金融指数的二级及三级指标。controlit代表模型中包含的所有控制变量，下标i和t分别表示银行和年份，g代表各个银行所在省份。ε另外，由于之前的分析我们得知，近些年来农商行风险承担存在较大的差异,为了解释为农商行风险承担条件分布的不同点上自变量的响应差异，发现互联网金融对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，构建面板分位数回归模型：Q（4-3）式（3）中，τ表示分位数，本文选取了0.1-0.9九个条件分位数，αi为固定效应，zit表示选取的一系列控制变量，1.2变量的描述性统计分析表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-1.24，说明不同农村商业银行的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值有缓慢上升的时间趋势。对于互联网金融指数总指数以及分指数，县域互联网金融指数最高的为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均衡。通过观察其最大值、最小值以及方差，我们不难发现，不同地区和省际间的互联网金融还是存在显著差异的。在控制变量中，在资本充足率方面，银行之间分化严重，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5.04%，说明我国农村商业银行的盈利能力参差不齐，实力较弱的农村商业银行未能创造出股东价值。在宏观控制变量中，人均GDP以及传统金融发展水平的地区差异依然很大，各个银行的贷款市场份额以及存款市场份额也存在较大差距。

表4-1变量的描述性统计变量名样本量均值标准差最小值中位数最大值lnzscore1937-1.62001.0100-1.2400-1.68001.4700ia19491.238251.99000.19781.05203.0298cb19491.179252.54000.11840.95912.9032ud19491.353451.38000.16031.25003.2568pay19491.182073.63002.09000.91051.3584monf19491.240666.67000.24000.98393.3827credit19491.297835.77001.43001.31852.3642cadr(%)194913.97002.40005.930013.700021.3400roa(%)19490.98000.5300-1.87000.92003.1700cir(%)194963.490035.750018.550062.65001318.2700ldr(%)194965.630010.150032.020065.7700135.5900lnta194911.26001.090011.535911.165518.3699lnpcgdp194910.84000.72008.690310.7628312.9581tfd194991.410051.470012.600079.2300421.0900dms(%)194927.580011.83001.680028.930073.1000lms(%)194928.310018.21001.310026.890091.37001.3互联网金融对农村商业银行风险承担影响的实证分析首先，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效应，双向固定效应模型优于固定效应模型，因此选择双向固定效应模型。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联网金融总指数对农商行风险承担的影响，可以看出总体上互联网金融显著加大了农商行的风险承担。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覆盖广度以及使用深度对农村商业银行风险承担的影响。具体而言，县域互联网金融覆盖广度和使用深度都会加大农村商业银行的风险承担。县域互联网金融覆盖广度是使用电子账户数量来体现，电子账户的增加会加大农商行风险承担。这意味着互联网金融会在一定程度上削弱用户对于农村商业银行的客户资源依赖性，农商行的客户进行抢夺。使用深度则是通过互联网金融服务的实际使用总量、人均交易笔数以及人均交易金额来体现，这说明互联网金融多样化的金融服务会从多维度对农村商业银行的业务进行挤压。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、货币基金、信贷业务对农村商业银行风险承担的影响。回归结果显示，除了信贷指数外，其余两个指标均对农村商业银行风险承担有显著的负面影响，均显著加大农村商业银行风险承担。从支付方面看来，以支付宝和微信为代表的第三方支付平台具有低费用、方便、快捷等优点，大大降低了大家对农村商业银行的依赖程度，蚕食了农村商业银行其转账业务、结算及清算业务和代销业务带来佣金以及手续费收入。从货币基金方面来看，以余额宝、相互宝为代表的的新型货币基金模式降低了金融服务的门槛，兼具灵活性和高收益，吸引了大量由于“二八法则”被金融机构排斥的客户，使得农商行负债端吃紧，减少了农村商业银行收入，这与郭品和沈悦ADDINNE.Ref.{D11560ED-951E-4B29-B566-092F802B8740}(郭品和沈悦，2019)的研究是一致的。对于互联网金融指数信贷数据不显著的原因，本文推测原因可能有以下两点。一个原因是贷款领域不同，互联网金融主要针对于中小额消费贷款，而农商行主要针对于支农小额信贷，二者在信贷方面还属于错位竞争的关系。第二个原因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造成有效冲击。从控制变量来看，农村银行的个体特征中的资产收益率、成本收入比以及贷存比对农村银行风险承担有显著影响，行业结构中的存款份额占比对农村商业银行风险承担有显著的影响，宏观经济变量中的地区因素对农商行风险承担影响显著。这说农村明银行风险承担会受到多方面的影响。从微观变量来看，农商行的资产收益率的估计系数显著显著为负，说明盈利能力较好的农商行会有较低的破产风险。意味着当银行盈利水平较差时，会追求高收益的项目以提高利润，而高收益往往伴随着高风险，银行的风险承担也随之加大。农商行成本收入比的估计系数显著为正，说明农村商业银行的经营效率越好，较少的投入能获得较高的产出，那么银行投资于高风险项目的动机也就减少，从而破产风险越低。农商行的贷存比与风险承担显著正相关，贷存比越高，农商行的资产流动性越低，说明良好的流动性可以降低农商行的破产风险。这可能是由于随着存款资金的增加会降低贷款标准，银行贷款随之增长，从而提高了银行的盈利能力，降低了银行的风险。从行业结构来看，农商行的存款市场份额与风险承担显著正相关而贷款份额则与风险承担无关。这与林雅娜、田雅群ADDINNE.Ref.{16CA08AE-4AE9-4BC8-A967-F141B19D360C}(林雅娜等，2017)、ADDINNE.Ref.{02FEC78A-6BB3-4297-8BAE-DE3151842D9E}(田雅群等，2018)的研究相悖。当不考虑互联网金融对农商行风险的冲击，农商行的确可以利用地缘和业缘优势，缓解与客户之间的信息不对称，从而降低其风险；但是当加入互联网金融这个变量后，互联网金融对市场份额较大农商行的业务与客户资源的剥夺，会远远大于市场份额较小的农商行，所以当农商行市场份额增加时，反而会增大其风险承担。从宏观控制变量来看，农村商业银行风险承担与人均GDP以及传统金融发展水平无关，与地区显著负相关。这可能由于农商行由于其自身定位与承担政策性任务的原因，其行为往往不是市场行为而是政策行为，这就导致风险承担往往与经济周期无关。

表4-2互联网金融对农村商业银行风险承担影响的双向固定效应回归结果(1)(2)(3)(4)（5）（6）iacbudpaymonfcreditia0.2840***(0.0678)cb0.2500***(0.0700)ud0.3130***(0.0717)pay0.1800***(0.0453)monf0.2160***(0.0508)credit0.0849(0.1470)cadr-0.0044-0.0041-0.0049-0.0047-0.0043-0.0048(0.0097)(0.0098)(0.0097)(0.0097)(0.0097)(0.0098)roa-0.9940***-0.9940***-0.9920***-0.9950***-0.9920***-1.0000***(0.0623)(0.0623)(0.0622)(0.0625)(0.0625)(0.0623)cir0.0070***0.0070***0.0071***0.0070***0.0071***0.0070***(0.0018)(0.0018)(0.0018)(0.0018)(0.0018)(0.0018)ldr0.0087***0.0089***0.0087***0.0086***0.0086***0.0098***(0.0024)(0.0024)(0.0024)(0.0024)(0.0024)(0.0024)lnta-0.0586*-0.0508-0.0575*-0.0559*-0.0597*-0.0114(0.0326)(0.0325)(0.0323)(0.0325)(0.0324)(0.0310)lnpcgdp-0.0715-0.0804*-0.0707-0.0659-0.0638-0.0716(0.0453)(0.0455)(0.0453)(0.0454)(0.0454)(0.0458)tfd-0.0010*-0.0011*-0.0009*-0.0009-0.0008-0.0010*(0.0006)(0.0006)(0.0006)(0.0005)(0.0006)(0.0006)dms0.0073**0.0064*0.0071**0.0065*0.0070**0.0021(0.0034)(0.0034)(0.0034)(0.0034)(0.0034)(0.0031)lms-0.0016-0.0019-0.0016-0.0017-0.0015-0.0022(0.0028)(0.0028)(0.0028)(0.0028)(0.0028)(0.0028)_cons-0.6400-0.6050-0.6820-0.6090-0.6820-1.006*(0.5330)(0.5400)(0.5280)(0.5330)(0.5270)(0.5220)N193719371937193719371937r20.4130.4110.4130.4120.4130.407r2_a0.4000.3980.4000.3990.4000.394注：***、**、*分别表示在1%、5%和10%水平上显著相关；括弧中为p值。

1.4互联网金融对农村商业银行风险承担异质性影响的实证分析由于不同风险承担的农村商业银行可能存在独特的特征，互联网金融对其的作用可能存在差异。因此，本文在分析总体影响的同时进行了各分位上的分位数回归，以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。这意味着自身风险承担较大的农村商业银行会受到互联网金融的冲击，而这种冲击对于自身风险承担较小的农村商业银行则没有统计上的显著性。通过观察个不同分位数水平上的总指数系数的变化趋势，不难发现，互联网金融总指数的系数呈倒U型变化趋势，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分位的回归结果最大，然后开始下降。这说明互联网金融对农商行风险承担影响具有分位异质性，即低分位的农商行受到互联网金融冲击的影响较小，表明对于自身破产风险小的农商行，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大，这类银行应该及时做好风险防控工作，高分位的农商行受到互联网金融冲击显著为正，但回归系数在下降，表明在其自身破产风险较大的情况下，导致其破产的因素往往是互联网金融之外的因素。换句话说，互联网金融往往不会对其雪上加霜。究其原因，对于自身破产风险极低的农村商业银行来说，其本身就具有盈利能力强、经营效率高以及流动性好的特点，互联网金融不仅不会对其造成冲击反而会在一定程度上减弱其风险。究其原因，首先较强的盈利能力使得其有充裕的资金来引入先进的信息技术，利用互联网金融技术来简化业务流程、加快数据处理以及规范人员管理，进一步降低其营业成本，提高其盈利能力，形成一个良性循环。其次，可能其本身具有较好的外在基础环境条件，便于购买及应用相关设备及软件，引进高素质的互联网人才，更好的利用互联网金融的信息技术降低交易成本和降低信息不对称，促进农村商业银行的发展，降低农商行的破产风险。最后，由于其自身破产风险较小意味着其本身盈利能力较强，资产负债基础雄厚，可以依靠自身来补充内源性资本，有较强的不良贷款缓冲空间。面对新形势，更容易除旧布新，积极展开应对措施；加之其用户和互联网金融服务的对象十分接近，因此互联网金融对其的示范、联系耦合作用大于互联网对其造成的冲击。对于自身破产风险很高的银行来说，首先其盈利能力较弱，为了提高盈利水平，而去追求高风险项目，这样盈利能力较差的农商行，其破产风险本身就比较大。互联网金融对其的冲击对于其本身破产风险而言可能微不足道。其次，对于自身破产风险很高的农商行，其外在基础条件较为恶劣，其中可能体现为其所在地区互联网金融的普及率较低，从而互联网金融的信息优势不是十分明显，进而对农商行的破产风险影响较小。最后，考虑到农村商业银行的支农助农的政策定位，可能自身风险较大的农商行进行运营时更多的依赖政府的支持而非遵从市场规律，导致互联网金融对其破产风险的影响较小。从两个二级指标来看，互联网金融的覆盖广度和使用深度对农村商业银行风险承担的影响也同样都经历了先升高再降低的过程。对于风险较小的农村银行而言，互联网金融的覆盖广度会加大其风险，而互联网金融的使用深度会降低其破产风险。并且对于风险越小的农商行，互联网金融的使用深度对其的降低作用越大。对于风险较大的银行，互联网金融的覆盖广度会加大其风险，而互联网金融的使用深度也同样会加大其破产风险。随着覆盖广度的增加，当一个地区使用第三方支付的人数不断增加，对于其他未使用的人就会产生从众效应，就会有更多客户选择使用第三方支付，减少对银行中间业务的使用。随着使用深度的增加，互联网金融在基金、信贷、保险等方面的功能会在一定程度上提高居民的金融素养，使得居民对金融业务了解更加深入，那么对于低风险银行以其自身具有的高流动性、高盈利能力以及高经营效率会吸引更多的客户办理相关业务，提高了银行利润，降低了银行风险；而对于高风险银行，其自身盈利能力弱，经营效率低，具有较高金融素养的居民能够识别出银行所具有的不足以及潜在风险，进而减少办理银行相关业务，降低了银行利润，加大了银行风险。其余三个子指标对于农商行风险承担也都有着先升高后降低的倒U型关系。再一次验证了不同风险承担的农商行在面对互联网金融的冲击具有异质性的假设。由于篇幅限制本文并未展示相关控制变量的回归结果。有关控制变量的回归结果显示，盈利能力对农村商业银行的风险承担水平在所有的分位数水平上都有显著的降低作用，并且随着农商行风险的提高这种作用愈发加强。此外，对于高风险承担的农村商业银行，盈利能力对其负向影响最大。这说明当农村商业银行风险承担很高时，提高其盈利能力可以显著降低其风险，也是其降低破产风险的首要选择。经营效率会减小对农村商业银行风险承担，并且这种作用会随着农商行风险承担的提高而降低。而较高的经营效率方面意味着银行能有效地配置资源，这意味着相对于其他风险承担水平的农商行，风险较高的农商行可能自身资源匮乏，盲目提高其经营效率对改善其风险承担并不会有很大的作用；对于风险较低的农商行，则应积极改善组织结构和管理方法，更有效的配置资源从而降低其