第三方互聯網支付對商業銀行凈利差的影響

李淑錦,陳銀飛

(杭州電子科技大學 經濟學院,杭州 310018)

財政金融研究

第三方互聯網支付對商業銀行凈利差的影響

李淑錦,陳銀飛

(杭州電子科技大學 經濟學院,杭州 310018)

基于中國16家上市銀行2007至2015年年度數據,以Ho&Saunders的交易者模型為理論基礎,構建了銀行凈利差模型,利用E-views7.2進行了實證檢驗,探討第三方互聯網支付對銀行凈利差的影響。結果顯示,在1%顯著性水平下第三方互聯網支付規模和銀行凈利差是負相關的;資本充足率和營運資本與總資產比值與銀行凈利差是正相關的。

商業銀行;凈利差;第三方支付;Ho&Saunders模型

一、引 言

近年來我國上市商業銀行的非利息收入比重在不斷加大,從同花順數據可得中國各上市商業銀行年非利息收入占比,我們發現2015年,民生銀行的非利息收入占比最高,達到38.96%,南京銀行的非利息收入占比最低為17.53%。然而這些數據仍表明利息收入是商業銀行的主要收入來源,而銀行凈利差是衡量銀行利息收入重要指標,因此本文研究對象為商業銀行凈利差,且銀行凈利差影響因素的研究一直是學術界與實務界的熱點問題。

國內外學者已對以上熱點問題做過大量的研究[1-11]。Ho&Saunders(1981)最早提出了交易者模型,指出銀行凈利差的大小取決于市場結構、管理者的風險厭惡程度、交易規模和利率波動四個因素;Angbazo(1997)進一步考慮了信用風險和利率風險對于銀行凈利差的影響;Allen(1998)放寬了Ho&Saunders模型中貸款同質性的假設,考慮貸款異質性條件下對銀行凈利差的組合效果,為銀行業務多元化和提高非利息收入的比重提供了理論模型上的支持;Maudos&Solis(2009)以墨西哥銀行為研究對象,結果表明運營成本和非傳統業務是其凈利差的主要影響因素;黃國平等(2007)進行定性分析,在其提出的理論模型中指出存貸款利差的合理水平取決于違約率、損失率、流動性風險、資本緩沖與信貸類資產的比率及無風險基準利率;周鴻衛等(2008)以我國26家商業銀行為樣本分階段研究指出1999～2004年,影響我國商業銀行凈利差的影響因素有存貸款基準利差、銀行資本充足性、經營成本、儲備機會成本,2005-2006年則應考慮違約風險、資產管理質量、流動性風險等;張育紅和張宗益(2010)以2000～2008年23家商業銀行為樣本,對面板數據實證分析得出風險厭惡程度、營運成本、信用風險、資產規模等是銀行凈利差的影響因素。

隨著互聯網金融在國內的蓬勃發展,商業銀行傳統業務面臨極大的沖擊。不少國內學者開始關注互聯網金融對商業銀行業務發展的影響。代表性的研究成果有[12-13]:宮曉林(2013)認為互聯網金融模式短期內不會影響商業銀行傳統的經營模式,但長期內商業銀行應大力利用互聯網金融;馮娟娟(2014)對互聯網金融背景下商業銀行的競爭策略進行了研究,提出了商業銀行應對的相關意見與政策。從目前已有的研究成果可以看出,對于商業銀行凈利差的研究,大多數學者停留在了商業銀行凈利差的影響因素的探究,以及互聯網金融對商業銀行經營模式的影響的定性研究,鮮有學者基于互聯網金融這個背景對商業銀行的凈利差的影響因素進行定量分析。互聯網金融在中國有五種主要的業態:第三方支付、P2P網絡借貸、眾籌融資、互聯網理財以及金融互聯網,而目前來看,發展最成熟的當屬第三方支付。因此本文將在互聯網金融發展的背景下研究第三方互聯網支付對商業銀行凈利差的影響,著重從第三方互聯網支付規模這個角度來分析其對傳統的金融機構業務帶來的挑戰,即其對于銀行凈利差造成的影響。

二、理論分析及模型構建

(一)理論分析

第三方支付是指具備實力和信譽保障的第三方企業和國內外的各大銀行簽約,為買方和賣方提供的信用增強。其具體流程為:在銀行的直接支付環節中增加一中介,在通過第三方支付平臺交易時,買方選購商品,將款項不直接打給賣方而是付給中介,中介通知賣家發貨;買方收到商品后,通知付款,中介將款項轉至賣家賬戶。人們可以通過互聯網和移動端完成第三方支付,由于互聯網支付數據較為完善,跨度較大,本文著重研究第三方支付下第三方互聯網規模和商業銀行凈利差之間的關系,并記第三方互聯網支付規模為TPS。

第三方互聯網支付規模的擴大使得第三方支付的沉淀資金在第三方交易平臺不斷增加,而沉淀資金存放時間較為短暫,我國政府規定第三方支付平臺必須留有備用金于商業銀行,從某種程度上說將擴大與第三方支付平臺合作的商業銀行的存款數量,相應增加該銀行能夠投放的貸款數量,對于商業銀行利差收入產生積極作用,有利于提高銀行凈利差。我們稱該效應為合作效應。與此同時,由于第三方支付的操作快捷性,能給客戶更好的消費體驗,會培養客戶的消費習慣的“黏性”,將大量資金存放在第三方支付平臺,使得銀行吸收存款的數量減少,并且迫使銀行提高其吸引存款的利率水平,增加了凈利差業務的成本,對于凈利差產生消極影響;雖然第三方支付平臺的沉淀資金部分將被回籠,但肯定存在資金漏出,該現象將相應減少商業銀行能夠投放的貸款數量,不利于銀行開展資產業務,其利差收入收益將減小,即對于凈利差產生消極影響。我們稱該效應為競爭效應。

因此,基于交易者模型,從理論上分析可得第三方互聯網支付規模的擴張通過影響銀行交易規模,對銀行凈利差產生的影響是不確定的。根據多數學者的討論,大家均認為第三方支付的發展對商業銀行的發展帶來的沖擊較大,因此筆者提出如下原假設:

H0:第三方支互聯網付規模和銀行凈利差之間為負相關關系。

表1 模型變量、選取原因及其與因變量預期符號

(二)模型構建

本文基于Ho&Saunders的交易者模型,結合上述理論分析得到下面的理論模型:

NIMit=a+b1*lnCSRit+b2*lnSIZEit+b3*COSTit+b4*BLRit+b5*lnDLRit+b6*lnTPSt+eit

其中字母i代表第i家上市商業銀行個體,字母t表示不同的商業銀行在t時期的數值,eit表明第i家上市商業銀行在t年的隨機誤差項;控制變量的說明及其經濟意義如下。

資本充足率(CSR):基于該經典的交易者模型,本文用資本充足率(CSR)來反映管理者的風險厭惡程度,是銀行凈利差的一個影響因素。資本充足率越高,管理者的風險厭惡程度越高,則其要求的凈利差水平越大。兩者之間呈正相關關系。

存貸比(DLR):存貸比是指銀行的貸款總額與銀行的資產總額的比值,銀行的存貸比反映銀行面臨的流動性風險。存貸比越高,則表明銀行的流動性越低,銀行面臨的流動性風險越高。本文認為,若銀行面臨的流動性風險越高,則其要求的凈利差水平將會相應增加。因此,本文預期存貸比和凈利差水平之間應該是正相關的關系。

不良貸款率(BLR):不良貸款率是指銀行的不良貸款占總貸款余額的比重,其用來刻畫商業銀行面臨的信用風險。若銀行的不良貸款率越高,則銀行會要求較高的凈利差來彌補其所面臨的信用風險,因此本文預期兩者是正相關的關系。

貸款規模(SIZE):銀行貸款總規模是度量銀行交易規模的一個指標。隨著貸款規模的增大,銀行面臨的信用風險(貸款出現壞賬的可能性)將會增加,使得商業銀行希望獲得更高的凈利差來彌補這一風險溢價。因此本文認為兩者之間的關系是正相關的。

營運成本與總資產比率(COST):營運成本與總資產之比可以用來刻劃因第三方互聯網支付規模擴大、銀行營運成本增加對銀行凈利差的影響(因為每個銀行規模不一樣,所以取營運成本和總資產的比值為自變量來保證各個銀行的可比性)。若其比率越高,銀行則會要求更高的凈利差來彌補這一支出,因此本文預期兩者之間存在正相關的關系。模型自變量整理如表1。

三、實證過程與結果

(一)樣本選取及其描述性統計

本文選取的樣本是16家上市銀行,包括5家國有銀行和11家股份制銀行,采用樣本有關變量2007至2015年年度數據,共計1 008個數據。因變量數據(商業銀行年度凈利差)來源于同花順,自變量數據中關于銀行的變量來源于同花順,年度第三方互聯網支付規模來源于wind資訊。各主要指標描述性統計如表2所示。

表2 2007～2015各主要指標的描述性統計分析

數據來源：同花順、wind咨詢。

描述性統計結果表明:第三方支付規模持續擴大,商業銀行凈利差出現了較大的波動,其極差達到了1.43,下降較為明顯。與此同時,銀行貸款規模也呈現出上升趨勢。銀行的不良貸款率是在幾個變量中波動最大的,并且其極差是最大的,銀行不良貸款率的下降趨勢表明銀行在其風險控制方面,尤其是其面臨的信用風險控制做的越來越完善。

(二)面板數據單位根檢驗及其結果

因為經濟學上的面板數據通常具有不穩定性,所以在進行回歸之前必須對面板數據的平穩性進行檢驗,當數據原序列不平穩時,應對面板數據進行協整檢驗,以防止出現偽回歸的情形。本文通過ADF和LLC方法對于每個變量的原序列進行單位根檢驗。若兩種檢驗方法都可以確認原序列是平穩序列的時候,就能說明面板數據中各自變量及因變量原序列是平穩的。

表3 原變量序列平穩性檢驗結果

數據來源：同花順和中國國家統計局官網。

從表3中可以看出所有變量序列用ADF和LLC檢驗方法,其在1%的顯著性水平下均拒絕原序列非平穩的假設,因此本文選取的面板數據各自變量及因變量原序列平穩。

(三)F檢驗,Hausman檢驗

本文首先利用協方差法對面板模型是否適合混合效應進行檢驗。借助E-views軟件分別對面板數據進行混合效應(不變截距和不變系數)、固定效應中可變系數回歸,得到兩個回歸后的殘差平方和記為s1,s2。

表4 F檢驗,Hausman檢驗結果

注：F統計量臨界值為5%的顯著性水平下。

因此,表4結果表明本文應采用隨機效應對銀行凈利差影響因素模型進行回歸。

(四)隨機效應面板協整結果

本文運用E-views7.2,采用隨機效應對面板數據進行回歸,得到表5中的結果。

表5的結果表明:第三方互聯網支付規模在1%的顯著性水平下與銀行的凈利差之間為負相關關系,充分說明第三方互聯網支付規模的擴張對于銀行凈利差產生的消極影響不容忽視,這也驗證了本文與理論分析部分提出的原假設;銀行的資本充足率、營運成本與總資產比值均在1%的顯著性水平下和銀行的凈利差之間為正相關關系,這與本文預期相符。銀行的貸款規模在1%的顯著性水平下和銀行凈利差之間存在負相關關系,這與本文預期相違背。而不良貸款率和存貸比與銀行的凈利差之間不存在顯著的影響關系。

表5 面板協整回歸結果

數據來源：同花順和中國統計局官網。①②分別表示在1%,5%的顯著性水平下顯著。

本文得到的實證結果如方程(1)所示:

NIM=2.714 535+0.337 6LNCSR-0.094 1LNSIZE+0.383 4COST-0.056 0LNTPS .

(1)

(2.114 4②) (2.629 8①) (-3.224 3①) (5.815 2①) (-3.492 8①)

四、實證結論及政策建議

通過實證分析,本文得到四個主要的結論。

銀行的貸款規模和銀行的凈利差之間存在負相關的關系,這與交易者模型中的結論并不一致,我們認為,Ho&Saunders提出的交易者模型是針對外國的商業銀行提出的模型,其結論在中國并不一定適用,交易者模型中指出兩者之間應存在正相關的關系是基于風險角度考慮,其指出隨著貸款規模的擴大,銀行面臨貸款信用風險將增大,因此要求更高的凈利差水平來彌補這一風險溢價,然而,我們通過實證結論可以看出銀行的壞賬率對于銀行凈利差并不存在顯著影響,表明銀行采取的信用風險控制措施十分有效,即交易者模型中提出的影響機制在我國上市銀行中并沒有得到很好的反映,我們認為銀行貸款規模對于我國上市商業銀行凈利差的影響機制是在信用風險能得到控制的前提下,隨著銀行貸款規模的擴大,銀行能收取利息的基礎擴大,其要求的凈利差水平可以相應減少,而該行為又能進一步吸引貸款需求者,使得銀行能放出貸款數量進一步增加,從而形成一個良性循環,在凈利差較低的情況下,維持銀行總體的盈利能力。因此,兩者之間最終表現為負相關關系,我們稱其為“貸款規模效應”。

互聯網支付規模與銀行的凈利差之間為負相關關系,筆者認為在貸款規模效應的前提下,商業銀行越來越重視與第三方互聯網支付平臺的合作,合作效應的作用大于第三方互聯網支付規模擴張對銀行凈利差產生的競爭效應。第三方互聯網支付規模的擴張對于商業銀行交易規模表現為積極影響,而其最終和銀行凈利差之間為負相關關系。

銀行的資本充足率,營運成本與總資產比值和銀行的凈利差之間為正相關關系,這與本文預期相符,表明作為銀行的風險厭惡程度代理指標的銀行資本充足率的提高以及操作資金成本上升都會驅使銀行加大其凈利差來彌補相應的風險缺口和付出的成本。

銀行不良貸款率和存貸比并沒有對于商業銀行的凈利差帶來顯著影響。筆者認為在本文研究的樣本時間區間內,我國上市銀行對于風險控制的把握做的越來越好。不良貸款帶來的信用風險對于商業銀行凈利差作用不明顯,還可能和我國宏觀經濟形勢有關。在經濟發展良好的前提下,不論是企業還是個人都有能力償還貸款,不良貸款率將維持一個正常水平,而對銀行凈利差不產生顯著影響。

由此,從提升商業銀行凈利差乃至整個商業銀行利潤的角度,本文提出如下的建議:

因為第三方互聯網支付規模的擴張會對銀行的凈利差產生顯著的負面影響,所以如果銀行能夠及時創新,開拓中間業務,增加非利息收入,那么銀行的總體盈利能力不會被第三方支付規模的增長而削弱。

銀行在做好風險把控的前提下,應該加強和第三方支付平臺的合作,使其在第三方互聯網支付規模的擴大同時,享有其帶來的商業銀行貸款規模增加的優勢,在較低的凈利差前提下穩定銀行總體的盈利水平。

[1]Ho T,Saunders A.The Determinants of Banks Internet Margins: Theory and Empirical Evidence[J]. Journal of Financial and Quantitative Analysis,1981,(4):581-600.

[2]Angbazo L.Commercial Bank Net Interest Margins, Default Risk,Interest-rate Risk, And off-balanced Sheet Banking[J].Journal of Banking and Finance,1997,(21):55-87.

[3]陳一洪.基于SFA的魯浙蘇城商行技術效率對比及影響因素研究[J].財經理論研究,2014,(1):64-70.

[3]Allen L. The Determinants of Bank Internet Margins: A note[J]. The Journal of Financial and Quantitative Analysis,1998,(2):231-235.

[4]斯琴塔娜.利率市場化攻堅與制度慣性影響下的商業銀行壓力、風險及對策[J].財經理論研究,2014,(5):83-88.

[5]邱濟洲,范文婷.農村信用社貸款利率定價模式現狀及改進——以內蒙古農村信用社為例[J].財經理論研究,2016,(1):27-33.

[6]Maudos J,Guevara J. Factors Explaining the Interest Margins in the Banking Sectors of the European Union[J]. Journal of Banking and Finance,2004,(3):2259-2281.

[7]黃國平.存貸款利差定價分析[J]. 經濟理論與經濟管理,2007,(10):37-44.

[9]周鴻衛,韓忠偉,張蓉.中國商業銀行凈利差影響因素研究——基于1999-2006年的經驗證據[J].金融研究,2008,(4):69-84.

[10]張育紅,張宗育.中國銀行業凈利差的影響因素[J].金融論壇,2010,(6):22-27.

[11]周開國,李濤,何興強.什么決定了商業銀行的凈利差?[J].經濟研究,2008,(8):65-75.

[12]宮曉林.互聯網金融模式及對傳統銀行業的影響[J].金融實務,2013,(5):86-88.

[13]馮娟娟.互聯網金融背景下商業銀行競爭策略研究[J].現代金融,2014,(4):14-16.

[責任編輯:劉煒]

10.3969/j.issn.1672-5956.2017.05.012

F724.6；F832.22

A

1672-5956(2017)05009407

20170113

浙江省教育規劃研究課題“金融工程實驗教學設計與創新人才培養研究”(SCG256);浙江省智慧城市區域協同創新中心項目“智慧經濟-互聯網金融研究”(ZXZH1401009)

李淑錦,1967年生,女,山西原平人,杭州電子科技大學教授,博士,研究方向為金融工程,(電子信箱)jslsj@163.com。陳銀飛,1993年生,女,浙江紹興人,杭州電子科技大學碩士生,研究方向為互聯網金融。