中国知网查重 高校在线论文查重入口

立即检测
  • 58 元/篇
    系统说明: 知网职称论文检测AMLC/SMLC是杂志社专用系统,针对投稿论文、评审论文、学校、单位职称论文的学术不端重复率检测系统。
  • 328 元/篇
    系统说明: 知网本科论文检测PMLC是最权威的大学生毕业论文检测系统,含“大学生论文联合对比库”,国内95%以上高校使用。检测结果和学校一致!
  • 498 元/篇
    系统说明: 此系统不支持验证!可用作研究生初稿检测,相比知网VIP5.3缺少“学术论文联合对比库”,检测结果有5%左右的误差!(论文中若参考往届研究生论文,重复率误差会较大)
  • 128 元/篇
    系统说明: 大分解论文检测系统,对于想检测学术不端文献检测系统,而又价格便宜的同学可以选择,限每篇2.9万字符,结果与大学生PMLC、硕博VIP定稿系统有出入!
  • 68 元/篇
    系统说明: 知网论文小分解检测系统,适合中国知网初稿查重,数据库和定稿查重不同。结果与本科PMLC,研究生VIP5.3有出入,限每篇1.4万字符!
  • 3 元/千字
    系统说明: 学术家论文重复率检测系统,支持学位论文、毕业论文、投稿论文、职称评审论文,提供全文对照,word标红报告,性价比超高!
论文方法大全-金融科技领域对银行绩效负债结构分析
时间:2021-04-27 12:53:09

  金融科技(FinTech)从构成看是金融加科技,即金融与科技深度融合发展。按照金融稳定理事会的界定,金融科技指利用技术进行金融创新,创造出能对金融市场、金融机构等产生重大影响的新的业务模式与产品。金融科技充分运用云计算、大数据、人工智能等各项技术,降低金融服务门槛,让更多人以便捷的方式享受到金融服务。金融科技的发展催生出许多新的服务模式,能够促进社会资金的快速流通,扩大金融理财的受众面,实现资金在短缺方和盈余方间更为高效的运转。

  金融科技的迅速发展,给我国的商业银行也带到了很大影响。一方面,金融科技重塑客户金融行为和选择,腾讯金融科技、蚂蚁金服等金融科技企业的迅速发展给对商业银行资产负债业务和中间业务造成了冲击。存款业务上,各类丰富的网上理财产品使得银行低成本存款的流失加剧,截至2019年末,余额宝规模为1.09万亿元,在2018年3月,其达到峰值1.69万亿元。低成本存款的流失抬高银行的负债成本,显著影响银行的净息差水平。资产业务上,网络借贷平台、互联网银行的迅速发展,让小微企业、个人客户享受到贷款服务,与银行形成错位竞争,抢夺其潜在客户。中间业务上,第三方支付的发展也明显降低各项金融交易的成本,以更便捷的支付方式提高金融服务效率,加剧支付脱媒,影响银行中间业务收入。

  但另一方面,金融科技发展会产生较强的外溢效应,倒逼银行进行升级转型。在金融机构数字化转型背景下,科技能够帮助金融机构提升服务效率与服务质量,对银行业而言,金融科技的发展也能为银行转型升级提供助力,如招商银行在2017年就明确“金融科技银行”的发展目标,利用金融科技赋能银行各项业务,在技术支持下升级移动APP、上线智能投顾产品、优化风险管理等,推动公司转变成数据化和智能化的科技银行。目前规模较大、实力较雄厚的国有行、股份行都已开始探索科技与金融的融合,2019年工农中建四大银行金融科技投入均超过百亿元,建设银行投入最多达到176亿元。此外,越来越多银行成立金融科技子公司,如工银科技、兴业数金、建信金融科技、平安科技等。

  金融科技对我国商业银行既产生了消极影响,也产生了积极影响。在这些因素的共同作用下,金融科技对我国商业银行的绩效水平究竟产生了何种影响?其影响机制又是怎么样的?商业银行采取何种方式应对金融科技的快速发展,能否形成共赢局面?以上问题的研究对我国商业银行自身发展、金融系统平稳运行和相关国家政策制定都具有十分重要的现实意义。

  1.2研究内容

  本文主要研究金融科技对商业银行绩效的影响及影响渠道和影响机制,全文共有七个部分。

  第一部分是导论,重点说明文章的研究背景及意义、研究方法和创新与不足。

  第二部分是文献综述,梳理了国内相关研究。通过总结和分析不同学者的研究方法、观点结论,确立了论文的选题。

  第三部分是金融科技的主要业务模式和发展现状,主要说明了金融科技发展的三阶段和几种重要的应用场景,并说明了金融科技在我国的发展现状。

  第四部分是金融科技影响商业银行的理论分析,该部分通过介绍金融科技对商业银行具体业务存贷款业务和中间业务的影响,从理论上分析金融科技对商业银行绩效水平的影响机制。

  第五部分是研究设计,该部分首先介绍了实证研究的变量选取,包括被解释变量、核心解释变量和控制变量。其次说明了实证研究样本的数据来源。在此基础上,先总体构建了金融科技对银行绩效水平的影响模型,再分别构建了金融科技对银行存款业务、贷款业务和中间业务的影响模型。

  第六部分是实证分析,该部分先对所有变量进行了平稳性检验。其次针对不同模型,进行协整检验,再根据F检验和Hausman检验结果判断选择最优回归模型,最后根据模型参数估计结果进行相关解释和分析。

  第七部分是结论与建议,该部分总结了论文的实证结果,并给出了银行拥抱金融科技加快服务模式和经营模式转型的相关建议。

  1.3创新与不足

  1.3.1创新点

  (1)现有金融科技或互联网金融与商业银行的相关研究,对金融科技的度量多是用“文本挖掘法”自行构建指数。自建指数之外,也有学者用第三方支付交易规模或者P2P网贷交易规模来量化金融科技发展程度。两种方法衡量金融科技发展都存在一定缺陷,文本挖掘法通过构建相关词库计算词频,以此为基础合成互联网金融指数,关键词的选取会影响到最终指数的构建且关键词在新闻中出现的频率并不一定能真实反映金融科技的发展现状。选用第三方支付交易规模或P2P交易规模又只考虑到这两种业务模式的发展情况,覆盖面太窄。本文利用北京大学数字金融研究中心发布的数字金融使用深度指数作为金融科技的代理变量,该指数的编制数据来源是蚂蚁金服提供的底层海量数据。蚂蚁金服是我国最大的金融科技公司,提供了丰富的金融产品服务。因此,利用蚂蚁金服的数据编制出的指数能更真实地反应中国金融科技的发展程度,尤其是基于金融科技产品服务的视角。使用深度指数基于支付业务、余额宝业务、互联网信贷业务、保险业务、支付宝投资理财业务、信用业务等互联网金融业务的使用情况,是金融科技发展更多综合和全面的衡量指标。

  (2)现有文献对于金融科技或互联网金融对商业银行绩效水平的影响研究,多为整体分析,即整体研究金融科技是正向促进还是负向冲击商业银行盈利水平,缺乏对其影响渠道和影响机制的实证分析。或有的文献只局限金融科技对单个业务的影响分析,如有一些文章研究金融科技对银行中间业务的影响。本文先整体分析金融科技对商业银行绩效水平的影响方向,再选取不同变量分别研究金融科技发展对商业银行存款业务、贷款业务、中间业务的影响,更全面地分析金融科技对银行的影响渠道和影响机制。

  1.3.2不足点

  (1)在银行样本的选取中,本文只选择了数据可得的国有商业银行、股份制银行和城市商业银行,虽然样本已经覆盖了所有大型银行和部分中小型银行,但还是忽略了农村商业银行等其他类银行。可以将更多中小银行纳入样本范围,继续进行相关研究。

  (2)在研究金融科技对银行贷款业务的影响时,本文研究的是金融科技对银行贷款利率及净息差的影响,没有进一步探讨金融科技是否对银行贷款结构产生影响,该部分的研究较为薄弱。

  (3)文中的部分模型的控制变量选择不当,忽略了其他能够对被解释变量产生显著影响的因素,使得模型整体的解释力度偏弱。比如模型5,即贷款利率的影响模型回归结果显示,判定系数R2偏小。

  针对以上三点不足,将在后续的研究中加以修正和补充。

  第2章文献综述

  就金融科技对银行绩效水平的影响,早期学者主要通过定性研究分析金融科技对商业银行的影响:宫晓林(2013)认为互联网金融催生的业务模式因交易量有限,短期内对商业银行传统的金融经营模式不会构成较大影响,但商业银行应积极地利用先进的互联网技术提高其业务水平。郑霄鹏、刘文栋(2014)认为,互联网金融的快速发展已经颠覆了我国传统金融模式,会直接导致金融脱媒的现象出现,从而对商业银行盈利能力产生直接的负面影响。王锦虹(2015)通过构建测度指标体系,研究发现互联网金融对商业银行负债业务的影响较大,因而对商业银行盈利产生较大影响。刘康宁(2016)认为互联网金融所具有的更高收益、更低门槛、更低成本和交易手续便捷的特点会给我国商业银行的主营业务发展带来极大的挑战和冲击。进行实证研究的专家和学者基于不同的研究的角度会得出不同的观点与结论,沈悦、郭品(2015)利用“文本挖掘法”构建互联网指数进行实证分析研究,发现我国互联网金融在发展过程中存在技术溢出效应,能显著地提高商业银行的全要素生产率,且我国股份制商业银行对技术溢出的吸收能力最强。黄锐、黄剑(2016)同样通过“文本挖掘法”构建互联网金融指数,统计整理了我国98家商业银行的相关数据,实证发现互联网金融的快速发展会进一步提升商业银行的盈利能力,且对上市股份制商业银行的提升幅度更为明显。范大路、武安华(2018)发现在技术作为催化剂的作用下,金融科技可以助力城商行加快产品创新,推动精准营销,提升零售业务收入,进而提高商业银行的盈利能力。刘孟飞、蒋维(2020)实证发现金融科技发展会提升我国银行盈利能力,但会给银行带来成本压力。也有专家和学者认为金融科技给商业银行带来的“竞争效应”所产生的消极影响,会大于“技术溢出效应”所能产生的积极影响。申创、赵胜民(2017)通过我国商业银行2011-2015年的面板数据实证发现互联网金融的发展对商业银行的收益水平造成了显著的负向影响。于波(2020)通过构建动态面板GMM模型发现金融科技对商业银行的盈利能力存在负向影响,银行的总资产收益率与金融科技发展水平显著负相关。

  就金融科技对银行负债业务的影响,邱晗等(2018)利用263家大中小西型银行的数据研究发现,随着金融科技的发展,银行更加依赖于同业负债,负债端结构发生实质性改变,规模大的银行受到的影响较小。郭品、沈悦(2019)通过建立多重中介效应模型实证发现,互联网金融的发展会大量分流银行存款和抬高银行负债成本,规模越小、流动性越低、非国有的商业银行存款流失速度越快。

  就金融科技对资产业务的影响,计燕红(2016)认为互联网借贷因交易成本较低、审批程序简单等优势会影响传统银行的放贷业务,使银行利润减少。陈明明(2017)同样认为网络金融平台因其手续更加便捷、风控数据更加全面会抢夺银行的客户资源,使银行的借贷规模减少,影响其信贷业务收入。认为李朋林、董一一(2018)认为第三方支付业务的发展因挖掘出潜在的资金需求者,创造出更多信贷需求对银行资产业务具有正向影响,并利用11家主要银行的面板构建VAR模型进行实证研究。战明华等(2018)认为互联网金融的发展引发了“鲶鱼效应”,会推动商业银行调整思维,积极进行金融服务创新,拓展业务板块,为更多中小企业提供融资。金洪飞等(2020)通过实证研究发现大型银行可以运用金融科技拓展小微企业贷款业务,且信贷风险没有明显变化,而金融科技虽然也提升了中小银行小微企业贷款比例,但其信贷风险明显提升。

  就金融科技对中间业务的影响,严凌(2019)通过定性分析认为第三方支付的发展既促进商业银行中间业务创新,又会分流银行原有客户,影响中间业务收入增速。吴成颂等(2016)以第三方支付和P2P网贷的交易规模之和来量化互联网金融的发展水平,实证研究发现互联网金融的快速发展会影响城市商业银行手续费及佣金收入水平,其主要原因在于互联网金融倒逼银行创新存在时滞,其会降低银行的创新能力。

  梳理上述研究,可以发现大多数学者都认为金融科技对商业银行的影响既存在竞争效应,也存在技术溢出效应,对于何种效应占优不同学者的看法不一致。现有研究对金融科技或是互联网金融的度量多是用“文本挖掘法”自行构建互联网金融指数。自建指数之外,也有学者用第三方支付交易规模、P2P交易规模来量化金融科技发展水平。两种方法衡量金融科技发展都存在一定缺陷,文本挖掘法主观筛选关键词可能难以客观反映出金融科技发展水平。选用第三方支付交易规模或P2P交易规模又只考虑到这两种业务模式的发展情况,覆盖面太窄。本文利用北京大学数字金融研究中心发布的数字金融使用深度指数作为金融科技的代理变量,该指数的编制利用中国最大的金融科技公司——蚂蚁金服提供的海量用户数据,能基于金融科技产品服务的视角,更真实地反应中国金融科技的发展程度,是金融科技发展水平更综合和全面的衡量指标。

  此外,上述研究关于金融科技对银行盈利能力和具体业务开展的影响较为割裂,有的文献整体研究金融科技是正向促进还是负向冲击商业银行盈利水平,缺乏对其影响渠道和影响机制的实证分析。有的文献只局限金融科技对单个业务的影响分析,如对银行中间业务或是借贷业务的影响。本文先整体分析金融科技对商业银行影响的影响方向,再选取不同变量分别研究金融科技发展对商业银行存款业务、贷款业务、中间业务的影响,更全面地分析金融科技对银行的影响渠道和影响机制。

  第3章金融科技的应用场景和发展现状

  金融科技(FinTech)指金融与科技进行深度融合。金融科技企业在大数据、人工智能等前沿技术支持下,深刻影响了包括第三方移动支付、互联网信贷、财富管理、智能投顾等众多金融服务领域。在金融科技助力下,更多人能以便捷的方式享受到优质金融服务,服务门槛得以降低,服务效率得以提高。此外,金融科技强调用户体验,用户享受到的都是精准的、定制化服务,用户满意度得以提升。

  巴曙松认为,可以将中国金融科技发展划分为三个主要阶段。一是金融IT阶段,指的是在IT技术支持下金融公司实现了业务的电子化、自动化。虽然金融公司的工作效率得到提高,但是业务模式没有发生实质性改变。二是互联网金融阶段,主要利用移动互联网技术搭建在线金融业务平台,提供相应金融服务,更有效地连接资产端与资金端,革新了传统金融渠道。其中比较具有代表性的有互联网基金销售、P2P等。三是金融科技阶段。金融机构通过大数据、云计算、人工智能、区块链等新兴技术拓宽金融渠道和数据来源、构建智能风险定价模型、对用户进行画像实现精准营销,因此该阶段可以大幅提升金融效率,提高用户体验,代表性技术就是大数据风险控制、智能投顾等。

  “金融科技”和“互联网金融”虽定义不同,但却一脉相承,互联网金融是金融科技发展的初级阶段。金融科技业务类型十分多样化,具有高度细分的特点。这里介绍金融科技的几种主要应用场景。

  (1)移动支付。移动支付是指利用智能手机等电子产品来进行电子货币支付,移动支付将互联网、手续设备、金融机构有效地联合起来,创新了传统现金或银行卡的支付方式,可以用于购物、交通、医疗、生活费用缴纳等。移动支付提高了支付效率和资金的使用效率,减少了传统货币在交易中的磨损,显著降低了交易成本,是金融科技改善市场效率的典型体现。我国移动支付发展迅速,被称为中国“新四大发明”之一。2018年我国移动支付交易规模达到277.4万亿元。2019年,中国移动支付渗透率高达81%,领跑全球。我国越来越多的人出门不再携带现金,只需带上手机就能满足各种支付需求。金融科技助力提升移动支付的便捷与安全,生物识别等新型身份认证技术与传统密码验证方式共同守护用户财产安全。

  (2)网络信贷。网络信贷指通过网络搭建的各类平台完成贷款交易,如P2P网络信贷、蚂蚁借呗、腾讯微粒贷等。传统银行提供贷款服务以人工审核为主,数据来源主要是行内相关信息、央行征信资料和客户自己提交的信息,数据来源少且审批流程慢。金融科技是基于大数据风控系统,充分利用用户线上线下多维度数据,包括历史信用、消费记录、人脉关系等信息分析客户行为。大数据支持下更精确地判断用户的风险水平,在提高风险管理效率的同时降低成本,提高金融市场运行质量。网络信贷的客户群体也不同于传统银行,不仅仅是大企业,还有小微企业以及更为广泛的普通大众,为他们提供便捷且个性化的金融服务。

  (3)智能投顾。智能投顾即人工智能加上投资顾问,为用户提供一种智能财富管理方式。在风险测试阶段,利用大数据识别不同投资者的风险承受水平,利用投资者的资产状况、年龄阶段、历史风险偏好等信息,为其提供个性化的智能投资建议和资产配置方案。在资产配置阶段,运用人工智能技术和机器学习算法学习了各种金融理财算法以及投资组合理论模型,可以提升投资策略特别是量化投资模型的有效性和准确性,定制出具有不同风险特征的投资组合。资产管理过程中,智能投顾会对资产组合进行动态分析,实时跟踪调整,如果客户风险评测结果发生改变,也会主动建议调整投资方案。智能投顾的自动与智能,可以提供一站式金融理财服务,旨在用户可承受的风险范围内实现更好的收益。我国智能投顾发展处于初级阶段,已有部分银行推出了智能投顾产品,包括中国银行、建设银行、浦发银行等,投资门槛在一两万元或是数千元不等。截至2018年末,招行推出的我国第一款智能投顾产品摩羯智投的累计销售规模超过120亿元。2020年4月,国内最大的金融科技公司蚂蚁金服和全球最大公募基金公司Vanguard集团独家合作的基金投资顾问服务“帮你投”上线支付宝,“帮你投”的投资门槛降低至800元人民币,将进一步推动智能理财的普及和提升大众的财富管理理念,智能投顾的前景更加广阔。

  金融科技的发展可以大大降低金融服务的成本和门槛,提高服务效率和改善用户体验,让金融产品和服务可以惠及我国更多人民,拓宽了金融服务的边界。因为金融科技在提高金融民主程度、促进普惠金融发展、提升国家金融核心竞争力上起到的重要作用,促进金融与科技的深度融合已经上升到国家战略。2017年5月,中国人民银行成立了金融科技委员会,将深入研究和分析金融科技对我国经济、金融各领域的作用和影响,做好相关战略发展规划及政策实施指引。2019年8月,央行印发《金融科技发展规划(2019-2021年)》,为我国加快构建多层立体化的金融科技发展体系立下政策基础。随着《规划》落地,监管层对金融科技的态度更加明确,管理的框架也逐渐完善,在政策的大力支持下,未来金融科技的市场也将更加广阔。

  第4章金融科技影响商业银行的理论分析

  4.1金融科技对银行存款业务的影响

  金融科技的发展会对商业银行存款业务形成挤压,进而影响盈利水平。我国银行主要通过低息吸收存款,再以高息投放贷款,获取利息差收入。金融科技的发展使人们可以以便捷的方式触及更多高收益产品,资产管理理念由储蓄管理向财富管理迈进。在此背景下,银行存款的吸引力大幅下降,存款流失现象加剧。

  2013年6月,蚂蚁金服推出余额宝,转入转出操作便捷且可以随取随用,是互联网时代的现金管理工具,拓宽了大众理财渠道。从余额宝正式推出后,到2019年末,其七日年化收益率最高达到6.76%,最低也为2.09%,远远高于普通银行的活期存款利息,对银行活期存款产生了显著的替代效应。2013年6月余额宝规模仅为42亿元,2019年末增加至1.05万亿元,期间更是一度高达1.69万亿元。尽管2018年3月后,余额宝规模因收益下降、适应监管主动调整等原因有所下降,但也是分流银行存款的重要渠道。

  图1:余额宝规模及七日年化收益率

  随着各类互联网理财产品和理财渠道的丰富,我国居民的金融和理财知识也不断增加。越来越多的人从“储蓄管理”转向“财富管理”,不再将自己的资产一味放在银行储蓄,而是合理进行资产配置,在风险承受范围内选择合适的产品提高投资收益率。互联网理财具有便捷、低门槛、高收益等特点,用户体验持续提升,越来越多的人习惯通过网络进行在线理财。2019年6月,我国互联网理财用户规模达到1.70亿人,相比2014年6月的0.64亿人增加了166%,增速可观。在2019年6月,有19.9%的网民使用了互联网理财服务,在2014年6月这一数据为10.10%。互联网理财业务的不断普及和渗透加剧银行存款流失,对银行存款业务造成重要影响。

  图2:互联网理财用户规模及网民使用率

  4.2金融科技对银行贷款业务的影响

  金融科技企业依托长尾理论,利用人工智能技术和大数据分析将被商业银行拒之门外的客户纳入目标群体,向其提供审批更快速、期限和金额更灵活的贷款产品,抢夺了商业银行的潜在客户,对银行贷款业务造成影响。

  我国P2P网络借贷平台自2012年增长迅速,各类网贷平台如雨后春笋成立。P2P平台借款人数在2014年1月,仅为3.77万人。而后快速增长至2017年11月的520.77万人,增长了137倍。网贷平台的野蛮生长也带来很多问题,平台暴雷事件频发,合规问题不断凸显。2017年底P2P最严监管文件密集落地,严监管下P2P平台降温明显,借款人数逐渐减少。截至2019年12月,当月借款人数降至119.06人,待还余额缩小至4916亿元。未来随着行业发展日渐规范,优质合规企业将逐步脱颖而出,有望带领行业持续向好发展。

  图3:P2P当月借款人数和待还余额

  不同于P2P平台的降温负增长,金融科技赋能的互联网银行的发展已经进入快车道。最具代表性的是腾讯旗下的微众银行和阿里旗下的网商银行。腾讯和阿里可以利用集团下的各类互联网产品搜集客户各个维度的数据,包括个人信息、交易记录、活动场所等。海量数据是构建风控模型的基础,利用大数据评估客户信用,能实现更精准的风险定价。2018年末,网商银行不良贷款率为1.3%,微众银行不良贷款率为0.51%,同期商业银行不良率为1.83%。可见,尽管互联网银行主要提供个人消费贷款和小微企业贷款,但仍利用大数据风控较好地控制了信贷风险,金融科技的高渗透成功构筑起金融防火墙。此外,互联网巨头通过布局多个生活应用,如支付、网购、社交、打车等,覆盖多种应用场景,可以更好触及其目标客户,挖掘客户的隐性需求。根据微众银行年报显示,2018年银行贷款余额超过3000亿元,授信客户多为长尾客户。微众银行授信的个人客户中只有25%为白领从业者。授信的企业客户中,约67%都是首次获得银行贷款。网商银行同样与传统银行进行差异化竞争,主要服务于小微企业。截至2018年6月,银行为1042万家小微企业提供金融服务,累计提供信贷资金1.88万亿元。

  金融科技的发展催生出网贷平台、互联网银行等多种新兴业态,其为小微企业、普通个人等长期不被传统银行重视的群体提供金融服务,挤压了商业银行的潜在客户和市场份额。此外,金融科技企业快速的审批流程、灵活的借款期限和金额、合理的风险定价也会吸引部分原有银行客户向其靠近,分流银行贷款业务。

  4.3金融科技对银行中间业务的影响

  金融科技对银行中间业务的影响主要来自第三方支付的发展。第三方支付平台率先占领生活中绝大多数应用场景,经营范围与商业银行逐渐重叠且获取客户的能力明显强于银行,影响银行中间业务发展。

  第一,第三方支付的快速发展影响了银行支付结算业务。第三方支付业务范围已渗透到线上线下各类支付场景。越来越多的人习惯用支付宝或微信进行消费、生活缴费、电影购票、交通出行等。通过第三方支付可以免去排队,方便快捷,满足了广大消费群体的需求,让人们不再线下使用银行卡支付或者去营业厅缴费等,对银行支付结算业务形成挤压。

  第二,第三方支付平台如支付宝会代理销售基金和保险等理财产品,以其更简便的购买方式、更低的费率优势,抢夺了银行代销与理财类业务份额。早期银行代销是基金销售的主要渠道,在2007年一度高达77%。第三方支付的出现动摇了银行垄断地位,2012年后银行代销渠道占比快速下降,到2016年末已低至8.15%,此后小幅回升,2018年末银行代销占比21.6%。可见,第三方支付平台也影响了银行的代销与理财类业务。

  图4:银行代销渠道占比(%)

  但需要关注的是,金融科技的发展也会倒逼商业银行创新中间业务模式,积极进行业务创新。部分银行推出手机APP或者线上服务平台,提供包括网上购物、投资理财、消费贷款等服务,满足客户各类需求。如招商银行为其信用卡客户推出掌上生活APP,用户通过APP可以购买基金、保险等理财产品,享受到实物商城、生活缴费、餐饮娱乐、交通出行等生活服务。手机APP的推出让客户可以实现各类生活场景的应用,提升了招商银行信用卡的使用体验,拓展了业务种类,进而增加了银行中间业务收入。

  第5章研究设计

  5.1变量选取

  5.1.1模型变量选取

  (1)对于被解释变量的选取。本文研究的是金融科技对银行绩效的影响及影响渠道。分析影响渠道的过程中,本文计划通过银行存款业务、贷款业务、中间业务三大板块分别研究金融科技发展对其业务开展带来的冲击进而探究金融科技对商业银行绩效水平的影响路径。所以被解释变量一共涉及四方面,分别是商业银行绩效的衡量、存款业务影响的衡量、贷款业务影响的衡量和中间业务影响的衡量。

  银行绩效变量选取。本文采用总资产收益率(ROA)来衡量银行绩效水平,该统计指标衡量银行每单位资产能够创造多少净利润,反映出银行的总体收益状况,能够综合体现出银行的绩效水平。

  银行存款业务影响变量选取。理论上,余额宝等理财产品的出现分流银行存款,影响其存款结构。在银行的负债来源中,存款是资金成本率最低的。当银行吸收存款规模受金融科技发展冲击时,只能转向资金成本较高的同业存款,银行的付息负债成本率上升。所以为了研究金融科技对银行存款业务的影响,本文选择存款占比(DR)和同业净负债比(IR)作为银行存款结构的代理变量。其中存款占比为银行吸收存款额/计息负债额,该指标反应出银行的存款结构,同业净负债比为(银行同业负债-银行同业资产)/总资产,该指标能反应银行对同业资金的依赖程度。

  银行贷款业务影响变量选取。理论上,互联网借贷平台的出现会对商业银行的贷款类业务产生影响,互联网信贷平台以更低的门槛、更快的审批速度向中小企业和个人提供贷款,积极地抓住被银行忽略的中小客户。网贷平台的目标客户主要是难以在传统银行享受到金融服务的长尾人群,所提供的贷款产品往往期限短而利率高。高利率背后反映的是潜在的高风险,许多贷款对象根本达不到银行的贷款要求。因此,从直接业务竞争的角度看,P2P平台和互联网银行的兴起对商业银行贷款业务的影响有限。所以本文对贷款业务的影响研究集中在银行的贷款利率和净息差上,贷款利率(LR)用银行的利息收入比上生息资产来近似衡量,净息差(NIM)为银行年报数据直接获得。本文将探究金融科技对银行赚取净利息收入能力的影响,即在负债成本上升的情况下,银行的贷款利率是否随之上升,两者共同作用下,净息差又如何变化。

  银行中间业务影响变量选取。理论上,消极效应看,第三方支付业务的发展和兴起对商业银行的支付结算业务具有替代效应,互联网销售平台对商业银行理财业务及代销业务手续费收入也会产生直接影响。积极效应看,互联网技术会产生较强的技术外溢效应,许多商业银行也在利用相关技术创新中间业务模式,如各类手机银行、掌上钱包、云闪付等,金融科技的发展对银行中间业务可能起到促进作用。考虑到手续费及佣金收入是商业银行最重要的中间业务收入来源,本文选取银行手续费及佣金收入的自然对数(LNF)作为被解释变量,研究金融科技对银行中间业务收入的影响。此外,为探究金融科技对银行收入结构的影响,用非利息收入占比(NIR)反应收入结构进行相关分析。

  (2)对于解释变量的选取。本文的核心解释变量是金融科技发展程度,本文选取北京大学数字金融研究中心发布的数字金融使用深度指数(FINTECH)作为金融科技的代理变量。数字金融使用深度指数反应的是互联网用户实际使用相关金融服务的情况,包括支付服务、货币基金服务、信贷服务、保险服务、投资服务和信用服务六大类。从使用情况的度量看,指标的编制包括总量指标、活跃度指标和使用深度指标。即通过每万支付宝用户数中使用服务的人数、人均交易笔数和人均交易金额综合反应金融服务的使用情况。该指数编制的数据来源是蚂蚁金服提供的海量底层数据。蚂蚁金服是我国最大的金融科技公司,为用户提供了丰富的金融产品服务。因此,利用蚂蚁金服的数据编制出的指数能更真实地反应中国金融科技的发展程度,尤其是基于金融科技产品服务的视角。使用深度指数能充分体现第三方支付业务、余额宝业务、互联网信贷业、支付宝投资理财业务等互联网金融业务的发展情况,这些业务的发展理论上会冲击传统商业银行的盈利模式。因此,在研究金融科技对商业银行绩效水平的影响时,数字金融使用深度指数是较好的金融科技代理变量。

  此外,为避免指标选择的偏误对实证结果的影响,本文以第三方支付交易规模和P2P交易规模之和(IFS)作为金融科技的替代变量做相关的稳定性检验。

  (3)对于控制变量的选取,本文主要控制了银行个体层面的因素、宏观经济增长因素和货币政策因素。在不同的模型中,因被解释变量的不同,会选取不同的控制变量,总地来说,有以下变量。

  1)贷款资产比(LA):银行贷款占总资产的比例。贷款是银行最重要的生息资产,来自贷款的利息收入是我国商业银行最主要的营业收入来源,贷款占资产的比例能反应出商业银行的资产质量和资产使用效率。

  2)权益资产比(EA):银行所有者权益占总资产的比例。该指标可以反应出银行权益资本的充足度以及承受信用风险的能力。

  3)成本收入比(CIR):银行营业费用与营业收入的比率,反映出银行每获取一单位的收入需要支出多少成本,该指标可以体现银行的成本管理水平,是银行经营效率的衡量指标。

  4)非利息收入占比(NIR):非利息收入比上营业收入。该指标可以反应银行中间业务的发展情况及收入结构。

  5)银行总资产的自然对数(LNTA):资产规模是影响银行业务发展的重要因素,为减少原数据的波动性和异方差问题,本文取银行总资产额的自然对数来反应资产规模。

  6)贷款集中度(CR5):工、农、中、建、交前五大行贷款规模占统计样本所有银行贷款总规模的比例。该指标反应出银行间业务竞争程度,贷款集中度越低说明前五大行贷款规模占比越小,银行间业务竞争越激烈。

  7)净息差(NIM):银行净利息收入与平均生息资产规模的比值,即净利息收益率。该指标反应出衡量银行生息资产的获利能力。

  5)GDP增长率(DGDP):该指标反应出宏观经济发展水平,是宏观经济的控制变量。

  7)广义货币供应量增长率(DM2):M2的增长率,货币供应量是反应国家经济和金融状况的重要指标,是数量型货币政策的主要操作对象。本文选取该指标作为货币政策的替代变量。

  5.1.2数据选择与处理

  本文选取我国123家商业银行2012-2018年的年报数据作为样本,银行的筛选标准为选取我国所有的国有商业银行、股份制商业银行城市和城市商业银行,再剔除相关数据严重缺失的银行,得到123家银行。数据样本覆盖我国绝大多数大型银行和部分中小银行。银行相关指标为年报财务数据计算得出或Wind直接导出。上述所有原始财务数据均来自Wind资讯。

  数字金融使用深度指数来自北京大学数字金融研究中心课题组,本文使用的指数为2012-2018年省级使用深度指数的平均值再除以100得到。

  5.1.3变量的描述性统计

  表1:变量描述性统计结果

  变量符号 变量内容 均值 方差 最小值 最大值

  ROA 总资产收益率(%) 0.92 0.14 -0.54 2.47

  FINTECH 数字金融使用深度指数 2.02 0.39 1.17 2.94

  IFS 第三方支付和P2P网贷交易规模之和(百万亿元) 0.81 0.46 0.04 1.93

  DR 存款占比(%) 74.84 147.41 41.37 100.00

  IR 同业净负债比(%) 5.03 77.88 -27.73 38.21

  LR 贷款利率(%) 5.50 2.89 1.21 26.33

  NIM 净息差(%) 2.68 1.10 -0.77 7.15

  LNF 手续费及佣金收入的自然对数 10.50 5.47 4.85 16.62

  NIR 非利息收入占比(%) 23.03 399.56 -14.62 122.52

  LA 贷款资产比(%) 42.70 94.62 11.06 66.00

  EA 权益资产比(%) 7.21 4.74 2.34 35.76

  CIR 成本收入比(%) 33.47 76.71 14.83 152.89

  LNTA 银行总资产的自然对数 7.59 2.63 3.99 12.53

  CR5 贷款集中度(%) 61.3 0.09 56.55 65.28

  DGDP GDP增长率(%) 9.48 2.05 7.04 11.47

  DM2 M2增长率(%) 11.54 4.88 8.08 14.39

  从上表可以看出,存款占比、同业净负债比、非利息收入占比、贷款资产比、成本收益比这些银行个体层面的指标方差较大,最大值与最小值差距明显。这说明样本123家银行有其各自的经营特色和资产负债结构,也侧面反映出样本量较为客观,覆盖较为全面。

  5.2模型构建

  5.2.1金融科技对银行绩效的影响模型

  本文选用2012至2018年我国123家银行的面板数据,根据面板数据的一般形式建立银行绩效水平与金融科技发展水平的数理模型。核心解释变量为金融科技发展程度(FINTECH),控制变量为贷款资产比(LA)、权益资产比(EA)、成本收入比(CIR)、GDP增长率(DGDP)和广义货币供应量增长率(DM2)。

  贷款资产比反应出银行资产使用效率,贷款比例的提升理论上能提高银行盈利水平。权益资产比反应出银行的资本充足程度和防范信用风险的能力,与银行收益水平具有相关关系。成本收入比反应出银行的经营能力,该比例越低,银行获取收入的能力越强。最后,宏观经济发展情况和货币政策立场也会对银行收益水平产生影响,所以我们分别选取GDP增长率和M2增长率作为相应的代理变量。构建的模型如下所示:

  其中,i表示123家银行每个个体的情况;t表示2012年到2018年的各年份;为随机变量。

  为避免指标选择的偏误,本文将对模型1进行稳定性检验。稳定性检验中,将第三方支付交易规模和P2P交易规模之和(IFS)作为金融科技的替代变量,构建如下模型:

  5.2.2金融科技对存款业务的影响模型

  本部分构建模型研究银行存款结构受金融科技的影响,被解释变量为存款占比(DR)和同业净负债比(IR),核心解释变量为金融科技发展程度(FINTECH)。银行个体层面的控制变量有贷款资产比(LA)、权益资产比(EA)、成本收入比(CIR)。宏观经济发展情况和货币政策立场上的控制变量有GDP增长率(DGDP)和广义货币供应量增长率(DM2)。

  5.2.3金融科技对贷款业务的影响模型

  本部分构建模型研究银行贷款利率(LR)和净息差(NIM)受金融科技的影响,核心解释变量为金融科技发展程度(FINTECH)。贷款利率的影响模型中新增了控制变量贷款集中度(CR5)非利息收入占比(NIR)。净息差的影响因素中新增了控制变量银行总资产的自然对数(LNTA)和非利息收入占比(NIR)。引入新变量的原因是:贷款集中度越小,银行间的业务竞争越激烈,一定程度上会使贷款利率下行。规模大的银行具有规模效应,在存贷业务开展上具有比较优势,从而影响净息差水平。非利息收入占比反应出银行中间业务的发展程度,利息收入较低的银行往往更有动力发展中间业务,该指标与银行的利息收入水平和净息差水平具有较强相关关系。所以有如下模型:

  5.2.4金融科技对中间业务的影响模型

  本部分研究银行中间业务收入和收入结构受金融科技的影响,被解释变量为银行手续费及佣金收入的自然对数(LNF)和非利息收入占比(NIR),核心解释变量为金融科技发展程度(FINTECH)。手续费收入的影响模型中新增了控制变量银行总资产的自然对数(LNTA),一般规模越大的银行具有更多资源发展中间业务。非利息收入占比的影响因素中新增了控制变量净息差(NIM),净息差较低的银行更有动力发展中间业务,提高盈利水平。所以有如下模型:

  第6章实证分析

  6.1序列平稳性检验

  本文利用Eviews软件实现所有模型的多元回归分析,并对其估计参数的经济意义进行合理解释和分析。

  在建立面板数据多元回归模型之前,需要对各序列变量进行平稳性检验,防止出现伪回归的情况。面板单位根检验的方法有很多种,本文采取的LLC(Levin,Lin&Chu)检验和Fisher-ADF(ADF-FisherChi-square)2种方法,得到的结果见下表。

  表2:变量平稳性检验结果

   原始数据 一阶差分

  变量 LLC Fisher-ADF LLC Fisher-ADF

  ROA -16.17

  (0.0000) 213.57

  (0.9334) -23.62

  (0.0000) 374.43

  (0.0000)

  DR -13.10(0.0000) 261.47(0.2110) -24.23(0.0000) 420.79(0.0000)

  IR -16.84

  (0.0000) 304.55

  (0.0051) -27.62

  (0.0000) 445.013

  (0.0000)

  LR -13.63(0.0000) 247.42(0.4269) -23.05(0.0000) 361.11(0.0000)

  NIM -7.99(0.0000) 175.42(0.9997) -25.60(0.0000) 363.33(0.0000)

  LNF -26.18(0.0000) 428.65(0.0000) -17.61(0.0000) 324.57(0.0004)

  FINTECH -5.39

  (0.0000) 58.80

  (1.0000) -24.08

  (0.0000) 408.71

  (0.0000)

  IFS 25.99

  (1.0000) 1.53

  (1.0000) -11.97

  (0.0000) 149.81

  (0.0000)

  LA -4.77

  (0.0000) 208.13

  (0.9619) -16.63

  (0.0000) 570.59

  (0.0000)

  EA -16.48

  (0.0000) 292.88

  (0.0216) -35.95

  (0.0000) 499.75

  (0.0000)

  CIR -35.57

  (0.0000) 242.64

  (0.5125) -39.19

  (0.0000) 429.60

  (0.0000)

  LNTA -22.38

  (0.0000) 297.67

  (0.0134) -17.99

  (0.0000) 286.90

  (0.0375)

  CR5 -25.04

  (0.0000) 620.79

  (0.0000) -25.42

  (0.0000) 375.39

  (0.0000)

  NIR -9.95

  (0.0000) 222.70

  (0.0000) -31.30

  (0.0000) 408.99

  (0.0000)

  DGDP -8.38

  (0.0000) 158.96

  (1.0000) -20.60

  (0.0000) 622.48

  (0.0000)

  DM2 -4.39

  (0.0000) 63.12

  (1.0000) -35.77

  (0.0000) 546.06

  (0.0000)

  面板数据平稳性检验的结果表明,在5%的显著性水平下,部分变量的原始数据未通过平稳性检验,说明存在序列存在单位根。而在一阶差分的情况下,所有变量对应的P值均小于0.05,一阶差分序列均通过了平稳性检验,即不存在单位根,是一阶平稳的。

  6.2金融科技对银行绩效水平的影响实证分析

  根据5.2.1的模型构建,为研究金融科技对银行绩效水平的影响,需要估计的是模型1和模型2。

  6.2.1面板数据协整检验

  根据6.1序列平稳性检验结果,模型1和模型2所选取变量通过了平稳性检验,还需进行协整检验判断是否可以建立多元回归模型。本文采用Kao检验方法,检验结果如下。

  表3:模型1、模型2协整检验(Kao检验)结果

   ADF统计值 P值 检验结果

  模型1 -7.55 0.0000 存在协整关系

  模型2 -7.49 0.0000 存在协整关系

  根据Kao检验结果,两个模型变量的ADF检验值对应的P值等于0。因此拒绝原假设,模型通过了协整检验,可以进行下一步回归分析。

  6.2.2最优模型选择

  面板数据模型通常有三种回归形式:混合模型、固定效应模型和随机模型。本文通过F检验来判断是否应选择混合回归模型,根据Hausman检验来判断应选择固定效应模型还是随机模型。

  (1)F检验

  表4:模型1、模型2F检验结果

   F值 d.f P值 选择模型

  模型1 7.50 (122,732) 0.0000 固定效应模型

  模型2 14.13 (122,732) 0.0000 固定效应模型

  

  

  

  根据F检验结果,模型1、2检验值对应的P值都等于0,在1%的显著性水平拒绝原假设,应建立固定效应回归模型。

  (2)Hausman检验

  表5:模型1、模型2Hausman检验结果

   检验值 P值 选择模型

  模型1 5.87 0.4380 随机效应模型

  模型2 4.42 0.6203 随机效应模型

  

  根据Hausman检验结果,两个模型Hausman检验值对应的P值分别为0.4380和0.6203,均大于0.05。所以在5%的显著性水平下应接受原假设,建立随机效应模型。

  6.2.3模型结果分析

  (1)参数估计结果

  模型1的回归结果如下所示:

  表6:模型1回归结果

  变量 回归系数 对应P值

  FINTECH -0.2794 0.0000

  LA 0.0039 0.0015

  EA 0.0121 0.0049

  CIR -0.0184 0.0000

  DGDP 0.0514 0.0000

  DM2 0.0079 0.2788

  R-squared 0.4926

  Prob(F-statistic) 0.0000

  模型1回归结果显示,在5%的显著性水平下,除M2增速外,其余解释变量均显著,对应的P值均低于0.05。其中核心解释变量金融科技发展对应的系数为-0.2794,系数为负,说明金融科技发展与商业银行绩效水平呈现出显著的负相关关系,总体上,金融科技的发展对银行绩效水平带来了负向影响。

  贷款资产比的系数为正且显著。由于我国商业银行依然以利息收入为主,该比例越高,说明银行资产运用效率越高,更多的资产能以贷款的形式投放出去,利息收入越高,收益水平也因此增加。

  权益资产比的系数为正且显著。该指标可以反应出银行资本充足程度和抵御信用风险的能力,一般来说银行资本充足度的提高会在一定程度上占据银行的资源,从而降低其盈利水平。从这个思考角度看权益资产比的系数应为负。但越高的权益资产比,说明银行的安全性越高,防范信用风险的能力越强,更能得到客户信任,盈利能力也相应提高。所以合理范围内,权益资产比的提高有利于银行经营更加稳健化和科学化,促进银行可持续发展,与银行盈利水平正相关。

  成本收入比的系数为负且显著。成本收入比越高,说明银行经营管理的水平越差,每单位营业收入需要耗费更多的营业费用,绩效水平自然会下降。

  GDP增长率的系数为正且显著。GDP增长率提高,说明我国宏观经济发展越快,商业银行的业务量越大。此外,企业的资产负债表也会好转,还款能力越强,银行的绩效水平得到提高。

  (2)稳定性检验

  为了确保估计结果的有效性,再以第三方支付和P2P网贷的交易规模之和作为金融科技发展程度的替代变量,对模型重新进行了估计,估计结果如下所示。从回归结果可以看出,IFS变量的回归系数依然为负,对应的P值等于0,在统计上显著,通过了稳定性检验。这说明金融科技的发展确实对商业银行的绩效水平产生了明显的负向影响。

  表7:模型2回归结果

  变量 回归系数 对应P值

  IFS -0.3231 0.0000

  LA 0.0046 0.0001

  EA 0.0120 0.0041

  CIR -0.0184 0.0000

  DGDP 0.0373 0.0000

  DM2 -0.0160 0.0462

  R-squared 0.5182

  Prob(F-statistic) 0.0000

  6.2金融科技对银行存款业务影响的实证分析

  根据5.2.2的模型构建,为研究金融科技对银行存款业务的影响,需要估计的是模型3和模型4。

  6.2.1面板数据协整检验

  根据6.1序列平稳性检验结果,模型3和模型4所选取变量通过了平稳性检验,对通过了平稳性检验的面板数据进行协整检验。

  表8:模型3、模型4协整检验(Kao检验)结果

   ADF统计值 P值 检验结果

  模型3 -9.98 0.0000 存在协整关系

  模型4 -4.64 0.0000 存在协整关系

  根据Kao检验结果,两个模型变量的ADF检验值对应的P值等于0。因此拒绝原假设,模型通过了协整检验,可以进行下一步回归分析。

  6.2.2最优模型选择

  (1)F检验

  表9:模型3、模型4F检验结果

   F值 d.f P值 选择模型

  模型3 17.55 (122,732) 0.0000 固定效应模型

  模型4 9.11 (122,732) 0.0000 固定效应模型

  

  

  

  根据F检验结果,模型3、4检验值对应的P值都等于0,在1%的显著性水平拒绝原假设,应建立固定效应回归模型。

  (2)Hausman检验

  表10:模型3、模型4Hausman检验结果

  模型 检验值 P值 选择模型

  模型3 10.82 0.0940 随机效应模型

  模型4 15.84 0.0146 固定效应模型

  

  根据Hausman检验结果,在5%的显著性水平下,模型3的Hausman检验值对应的P值为0.0940,大于0.05,接受原假设,应选择随机效应模型。模型4的Hausman检验值对应的P值为0.0146,小于0.05,拒绝原假设,建立固定效应模型。

  6.2.3模型结果分析

  模型3和模型4的回归结果如下所示:

  表11:模型3、模型4回归结果

   模型3:DR 模型4:IR

  变量 回归系数 对应P值 回归系数 对应P值

  FINTECH -4.9687 0.0000 1.6511 0.0255

  LA 0.7099 0.0000 -0.3002 0.0000

  EA 0.3615 0.0014 -0.1315 0.2937

  CIR -0.0814 0.0110 0.0606 0.0946

  DGDP 0.9975 0.0000 -1.4599 0.0000

  DM2 0.5602 0.0027 -0.4572 0.0239

  R-squared 0.534010 0.633595

  Prob(F-statistic) 0.000000 0.000000

  模型3回归结果显示,在5%的显著性水平下,所有解释变量均显著,对应的P值均低于0.05。其中金融科技发展变量对应的系数为负,说明金融科技发展与银行存款占比呈现出显著的负相关关系,即金融科技发展水平越高,银行计息负债中来自存款的比例越低,负债结构恶化。存款是商业银行最基础的业务,客户存款作为最重要的负债来源是银行开展贷款等业务的重要前提。当技术支持下,各类互联网理财产品的涌现对银行存款产生了明显的替代效应。如余额宝,高流动性的同时收益显著高于活期存款,挤压了银行活期存款的吸收。此外,随着人们理财观念的不断加强,越来越多的储户将目光转向了各类收益更高、风险相对可控的理财产品上。金融科技的发展可以提供众多相比银行存款更高收益和手续便捷的理财渠道,不可避免会分流银行存款。当银行吸收存款规模遭受负面冲击时,只能转向资金成本较高的同业存款等,银行的付息负债成本率上升,进而影响到整体绩效水平。

  模型4回归结果显示在5%的显著性水平下,金融科技发展水平与银行同业净负债比正相关且关系显著,说明金融科技的发展推高了银行同业净负债比例,该比例越高,表示银行的同业资金需求相比同业资金供给越高,银行对同业资金的依赖越大。这也证实了金融科技影响了银行的负债结构,同业资金占比提高。

  6.3金融科技对银行贷款业务影响的实证分析

  根据5.2.3的模型构建,为研究金融科技对银行贷款业务的影响,需要估计的是模型5和模型6。

  6.3.1面板数据协整检验

  根据6.1序列平稳性检验结果,模型5和模型6所选取变量通过了平稳性检验,对通过了平稳性检验的面板数据进行协整检验,Kao检验结果如下。

  表12:模型5、模型6协整检验(Kao检验)结果

   ADF统计值 P值 检验结果

  模型5 -5.79 0.0000 存在协整关系

  模型6 -11.77 0.0000 存在协整关系

  根据Kao检验结果,两个模型变量的ADF检验值对应的P值等于0。因此拒绝原假设,模型通过了协整检验,可以进行下一步回归分析。

  6.3.2最优模型选择

  (1)F检验

  表13:模型5、模型6F检验结果

   F值 d.f P值 选择模型

  模型5 42.75 (122,730) 0.0000 固定效应模型

  模型6 4.40 (122,730) 0.0000 固定效应模型

  

  

  

  根据F检验结果,模型5、6检验值对应的P值都等于0,在1%的显著性水平拒绝原假设,应建立固定效应回归模型。

  (2)Hausman检验

  表14:模型5、模型6Hausman检验结果

   检验值 P值 选择模型

  模型5 10.24 0.2484 随机效应模型

  模型6 37.16 0.0000 固定效应模型

  

  根据Hausman检验结果,在5%的显著性水平下,模型5的Hausman检验值对应的P值为0.2484,大于0.05,接受原假设,应选择随机效应模型。模型6的Hausman检验值对应的P值为0,小于0.05,拒绝原假设,应建立固定效应模型。

  6.3.3模型结果分析

  模型5和模型6的回归结果如下所示:

  表15:模型5、模型6回归结果

   模型5:LR 模型6:NIM

  变量 回归系数 对应P值 回归系数 对应P值

  FINTECH 0.4316 0.3744 -0.2708 0.0003

  LA -0.0234 0.0330 0.0075 0.0206

  EA -0.0054 0.8907 0.0182 0.0581

  CIR -0.0379 0.0004 -0.0363 0.0000

  CR5 0.2465 0.0215

  LNTA -0.5044 0.0000

  NR -0.0226 0.0000 -0.0302 0.0000

  DGDP -0.1948 0.0152 -0.0457 0.0020

  DM2 -0.2517 0.0017 -0.0177 0.2332

  R-squared 0.3295 0.8687

  Prob(F-statistic) 0.0000 0.0000

  模型5回归结果显示,在5%的显著性水平下,金融科技发展水平对银行贷款利率的影响不显著,其回归系数对应的P值大于0.05。金融科技发展中对银行资产业务产生影响的主要是互联网信贷平台,这些平台以更低的门槛和简易的手续向中小企业和个人提供贷款。但互联网信贷平台的贷款利率一般都会高于商业银行,同等条件下,符合商业银行贷款条件的优质客户会优先选择较低利率的银行贷款。所以,互联网贷款高利率背后反映的是高风险,许多贷款对象根本达不到银行的贷款要求。金融科技的发展并未推高银行贷款利率的上升,这侧面反映出银行并没有盲目降低自己的贷款准入条件与互联网信贷平台直接竞争,网络借贷平台与商业银行更多是差异化竞争,服务的主要群体存在较大的不同。

  模型6回归结果显示在5%的显著性水平下,金融科技发展水平与银行净息差负相关且关系显著。金融科技发展使银行的净息差下降,主要有两方面原因,一是如模型1、2回归结果所示,金融科技恶化了银行负债结构,银行由成本较低的存款转向成本较高的同业负债,计息负债率提高。二是银行的生息资产收益率更多受到货币政策、同业竞争等因素影响,不能随成本的提高而提高转嫁到贷款人上。两方面综合,金融科技冲击下,负债成本不断上行,银行净息差水平呈下降趋势。

  6.4金融科技对银行中间业务影响的实证分析

  根据5.2.4的模型构建,为研究金融科技对银行中间业务的影响,需要估计的是模型7和模型8。

  6.4.1面板数据协整检验

  根据6.1序列平稳性检验结果,模型7和模型8所选取变量通过了平稳性检验,对通过了平稳性检验的面板数据进行协整检验,Kao检验结果如下。

  表16:模型7、模型8协整检验(Kao检验)结果

   ADF统计值 P值 检验结果

  模型7 -7.62 0.0000 存在协整关系

  模型8 -6.94 0.0000 存在协整关系

  根据Kao检验结果,两个模型变量的ADF检验值对应的P值等于0。因此拒绝原假设,模型通过了协整检验,可以进行下一步回归分析。

  6.4.2最优模型选择

  (1)F检验

  表17:模型7、模型8F检验结果

   F值 d.f P值 选择模型

  模型7 14.57 (122,731) 0.0000 固定效应模型

  模型8 10.12 (122,731) 0.0000 固定效应模型

  

  

  

  根据F检验结果,模型7、8检验值对应的P值等于0,在1%的显著性水平下拒绝原假设,应选择固定效应模型。

  (2)Hausman检验

  表18:模型7、模型8Hausman检验结果

   检验值 P值 选择模型

  模型7 37.94 0.0000 固定效应模型

  模型8 44.59 0.0000 固定效应模型

  

  根据Hausman检验结果,在5%的显著性水平下,模型5和模型6的Hausman检验值对应的P值等于0,小于0.05,应拒绝原假设,建立固定效应模型。

  6.4.3模型结果分析

  (1)模型回归结果

  模型7和模型8的回归结果如下所示:

  表19:模型7、模型8回归结果

   模型5:LNF 模型6:NIR

  变量 回归系数 对应P值 回归系数 对应P值

  FINTECH 0.2545 0.0007 7.1753 0.0000

  LA -0.0053 0.1010 0.1947 0.0004

  EA -0.0378 0.0001 1.6906 0.0000

  CIR -0.0162 0.0000 -0.0275 0.6456

  LNTA 0.8263 0.0000

  NIM -13.366 0.0000

  DGDP -0.0674 0.0000 -0.7167 0.0734

  DM2 0.0035 0.8156 2.7215 0.0000

  R-squared 0.9728 0.7892

  Prob(F-statistic) 0.0000 0.0000

  (2)模型7回归结果分析

  模型7回归结果显示在5%的显著性水平下,金融科技发展水平与银行手续费及佣金收入正相关且关系显著。尽管第三方支付业务的兴起对商业银行的支付结算业务具有替代效应,互联网销售平台对商业银行理财业务手续费及代销业务手续费收入也产生直接影响。但互联网技术会产生较强的外溢效应,许多商业银行也在利用互联网技术创新中间业务模式,如各类手机银行、账上钱包、云闪付等。从实证结果看,金融科技的发展对银行中间业务发展起到的积极效应大于消极效应。

  商业银行资产规模的系数为正且显著。这说明商业银行资产规模越大,中间业务收入越多。银行资产规模可以反应出其综合实力,资产规模越大,银行能充分发挥规模经济优势,同时具有更多的人才资源和客户资源,更有利于发展中间业务,提高中间业务收入。

  (3)模型8回归结果分析

  模型8回归结果显示在5%的显著性水平下,金融科技发展水平与银行非利息收入占比正相关且关系显著,这说明金融科技对银行收入结构有所影响,非利息业务的重要性上升。银行传统利息业务造成负面影响,银行更有动力发展中间业务。商业银行可以对金融科技加以利用,积极进行进行产品创新,提高非利息收入占比。

  控制变量中净息差对非利息收入占比有负影响。净息差越大,说明银行在传统利息业务上更有优势,更倾向于发展传统业务,因此商业银行的利息收入占比较大,对中间业务的投入相对较低,非利息收入水平下降。

  第7章结论与建议

  7.1结论

  通过以上实证研究,可以得出如下结论:

  (1)整体上金融科技发展对银行绩效水平造成了负向冲击,随着金融科技发展水平的提高,银行的收益水平受到影响。通过存款业务、贷款业务和中间业务分析其影响渠道,可以得出金融科技发展主要冲击了银行的利息业务,银行的净息差减少,存贷利差收窄,盈利水平变低。对于银行非利息业务,净息差减小让银行更有动因发展非利息业务,此外,金融科技带来的技术溢出效应,迫使银行优化和创新经营模型,提高服务效率,对中间业务的发展有促进作用。

  (2)金融科技对银行存款业务的影响机制是金融科技发展带来更多收益更高、手续便捷的理财渠道,随着人们理财意识的觉醒和不断提升,更多居民不会把闲置资金放入银行,而是转向其他丰富的理财产品,以余额宝为代表的货币基金兼具流动性和较好的盈利性,分流了许多银行的活期存款。银行被迫转向负债成本更高的同业存款,付息负债成本率上升。

  (3)金融科技对银行贷款业务的影响机制是当银行的负债成本率上升时,资产收益率却不能随之提升,净息差水平下降。银行的贷款利率更多受到货币政策、同业竞争等其他因素影响,金融科技对其影响不明显,其原因也在于虽然互联网信贷平台的涌现分流了部分银行的潜在客户,但是银行贷款的门槛较高利率相对较低,互联网信贷平台集聚的更多是被银行拒之门外的中小客户,银行与网上贷款平台服务的客户群体不一致,因此金融发展对贷款利率的影响不明显。

  (4)金融科技发展给银行中间业务带来的积极效应大于消极效应,从消极效应看,各类网上金融平台可以提供比传统商业银行更高效、快捷、成本费用低的支付结算、代理等服务,冲击了银行中间业务收入。积极效应看,传统利息业务的受挫使得商业银行更有动力发展非利息业务,利用金融科技的发展进行业务创新。如银联推出“云闪付”,深入线上线下各类场景,在移动支付领域占有一席之地。此外,互联网金融诸多新的服务模式的成功推广,人们的理财观念不断提升,越来越多人开始有财富管理意识,更加关注各类理财产品,银行的相关业务也因此受益,部分银行积极推出一系列理财产品,购买程序简化,购买形式灵活,业务渠道得以拓宽,中间业务收入增加。

  7.2建议

  金融科技的发展虽然一定程度上影响了银行的绩效水平,但其带来的技术革新能推动银行发展,实现多元化、综合化经营。银行在资本、人力、客户规模上均有优势,应拥抱金融科技,加大相关投入,推动金融科技赋能。利用金融科技加快服务模式和经营模式转型,向数字化、智慧化转型。具体有以下建议。

  (1)凭借自身资金和资源优势,加快推动金融科技赋能。金融科技可以在各个方面对银行进行全面赋能。在提高资金安全性方面,银行可以利用指纹、人脸等生物识别技术准确识别客户,保障资金安全。在提高运营效率方面,银行可以利用机器人技术实现智能客服、智能语音催收等,探索新一代人机交互方式。传统商业银行应当抓住机遇,在各条业务条线运用金融科技,提高运用效率和服务能力,摸索出基于银行自身特色的金融科技发展道路。

  (2)利用金融科技提高自身风险控制能力,优化贷款业务流程。传统商业银行对用户进行信贷分析时的数据来源有限,主要依赖于银行内部自有的信贷记录和客户工资收入、资产情况、征信数据等,但对于缺乏以上数据的客户,银行就难以判断其信用风险,不能提供相应贷款服务。相比之下,金融科技企业就拥有更多非标准化数据,包括消费数据、行为数据、人脉关系等,在贷前利用大数据实现反欺诈和评估客户信用,进行风险审批和定价。贷后跟踪多维数据进行风险预警,并进行智能催收,提高用户体验。银行应利用金融科技积极进行数据扩源,升级风控模型,提高风控能力。此外,传统银行多为人工审批贷款,流程复杂且花费时间长,便捷性上远远落后于其他互联网借贷公司。银行应积极探索数字化的贷款审批,优化贷款审批流程,提高审批效率。“强化风控”与“优化流程”双管齐下,银行就能进一步拓展其贷款业务,服务更多个人客户和小微企业,进而提高绩效水平。

  (3)与金融科技企业合作,实现合作共赢。商业银行与金融科技企业之间既是竞争对手,同时也是合作伙伴。近年来金融科技企业数量的增多,以及银行业务转型意识的提升,金融领域内部竞争进一步加剧,需要更加多元和广泛的合作。中小银行自我研发实力相对较弱,自行研发创新金融科技及产品的难度较大,通过与金融科技企业合作,可以以较小的成本直接获得相关服务。大型银行虽然有足够资金实力,但在组织灵敏度、场景深入度及底层技术开发度等方面仍达不到国内互联网巨头旗下金融公司的水平,2017年四大国有商业银行纷纷和阿里、腾讯、百度、京东等互联网巨头开展合作,合作范围涉及银行业务各个领域,为四大国有银行降本增效的同时,精准地为客户提供差异化服务。如与金融科技企业合作,可以丰富银行金融服务应用场景。传统银行因其拥有的众多网点,在线下场景具有优势。但随着互联网时代的到来,银行服务线上化的趋势更加明显,在线上场景的布局不足。互联网企业在线上场景的布局上具有很多优势,通过社交、网购等生活场景触及客户,银行与金融科技公司的合作,可以为其接入更多生活场景,提高获客能力。

  (4)利用金融科技大力发展零售业务,拓宽收入来源。一方面,随着我国经济的不断发展,国民收入水平不断提高。收入的提高带来消费升级,消费逐渐成为引领经济增长的第一驱动力。另一方面利率市场化和金融脱媒化趋势将不断压缩银行的息差收入。内外部原因的共同作用下,利用金融科技加快零售业务转型是必然趋势。首先银行应树立“客户为本、服务至上”的理念,依托互联网的便利性,利用前沿金融科技,为客户提供千人千面金融产品推荐以及精准营销服务,满足其存款、借贷、理财等各类金融需求,从而实现收入增长。其中,银行拥有众多高端客户资源,在发展财富管理业务上具有一定优势。银行应利用金融科技提高自身服务能力,如积极发展智能投顾业务,为客户提供全方位、优质、便捷的财富管理服务,充分发服务和销售潜能,获取更多中间业务收入。