-
互联网金融作为不同于传统商业银行和资本市场的第三种金融融资模式[1],近年来在中国发展势头迅猛,特别是在2013年阿里“余额宝”上线以后,互联网金融更是在中国迎来了发展的热潮。从机构数量、市场总体规模,以及移动支付、P2P网贷、互联网理财等细分领域来看,中国已稳居世界领先水平。据国家互联网金融风险分析技术平台的监测数据,截至2017年7月,中国互联网金融平台共1.9万多家,累计交易额达70万亿元。为了引导规范行业发展,2013年8月,中国人民银行在其发布的货币政策执行报告全称中首次明确指出,互联网金融在资金需求方与资金供给方之间提供了有别于传统银行业和证券市场的新渠道,是现有金融体系的有益补充。2015年7月。中国人民银行进一步联合工业和信息化部等十部委发布《关于促进互联网金融健康发展的指导意见》,标志着互联网金融上升到国家战略层面。理论上,互联网金融集中在长尾小微市场[2],具有“巨量交易、小微单笔、全天候、全方位、一站式”的特点,降低了金融行业的准入门槛,满足多样化的融资需求,弥补了传统商业银行和资本市场的不足,对于盘活民间资金存量、深化金融供给侧改革、促进金融发展以及优化经济结构具有重大意义,但也使得商业银行的存、贷款以及中间业务面临新的外部竞争,在支付结算、信贷融资、投资理财等领域迅速抢占市场份额,给传统银行业的盈利能力带来剧烈冲击。
基于以上现实背景,本文在总结既有文献的基础上,从银行收入来源与结构角度出发,剖析互联网金融发展对传统商业银行盈利能力的影响机理,通过建立多元回归与中介效应模型,利用2007—2019年37家上市银行的非平衡面板数据对其中的影响效应与机制进行检验,以期为中国银行业在新的金融业态下持续、稳定发展提供可借鉴的依据。
-
由于各种互联网金融形式层出不穷,目前学术界常用单一模式交易规模作为互联网金融的量化指标,无法综合衡量多个子业态的功能,故本文借鉴郭品和沈悦[40]、顾海峰和杨立翔[41]等的做法,采用文本挖掘技术对互联网金融指数(IFI1)进行测度。同时,为了便于对比及提高指数测算的可靠性,将基于算术平均法计算得到的互联网金融指数(IFI2)作为代理变量。
-
现有文献大多采用Tobin’Q衡量上市公司盈利能力[42-44],但与制造业上市公司不同,中国的上市银行数量较少,特别是一些中小商业银行近几年才上市,故Tobin’Q指标涉及到的资本市场估价等数据难以全面获得。而美国Stem Stewart咨询公司提出的经济增加值指标(Economic Value Added,EVA)能综合反映企业利润、风险、资本成本等因素,更加契合商业银行的真实盈利水平[45]。因此,本文采用单位资本衡量的价值创造指标,即修正的经济增加值(Revised Economic Value Added,REVA)作为银行盈利能力衡量指标,并借鉴郭代和刘吕科[46]43的方法测算样本银行的REVA,具体计算公式为
$$ {\rm{REVA = NOPAT - WACC \times TC}} $$ (1) 其中,NOPAT为税后营业利润,NOPAT=税后净利润+利息支出;WACC为加权平均资本成本;TC为资本总额。考虑到商业银行的特殊性,本文所采用的计算公式为
$$ {\rm{REVA = NOPAT - }}{R_e}{\rm{ \times TC}} $$ (2) 其中,
$ {R_e} $ 为资本成本率,可采用资本资产定价模型(Capital Asset Pricing Model,CAPM)测算得到$$ {R_e} = {R_f} + \beta \times ({R_m} - {R_f}) $$ (3) 其中,
$ {R_f} $ 为无风险利率,一般取中国一年定期存款利率;$ ({R_m} - {R_f}) $ 为市场风险溢价,根据目前学术界的普遍做法,将其设为4%[46]43或6%[47],本文设定为4%;$ \beta $ 为个股价格波动相对于整个市场估价波动的敏感程度。需要说明的是,江阴银行、张家港行、青岛银行等一些地方性小型银行上市时间较晚,早些年份无股价数据,故缺失数据的年份采用该银行上市后至今各年度$ \beta $ 的平均值。此外,为了提高研究结论的稳健性,本文同时选取了平均总资产回报率(ROE)和平均净资产收益率(ROA)作为衡量银行盈利能力的代理变量[48-50]。最终,本文回归过程中共考虑了ROE、ROA、REVA三个银行盈利能力衡量指标。
-
与理论分析一致,在中介变量的选取上考虑收入来源、收入结构两方面的因素。其中,对于收入来源,选取非利息收入、利息收入作为代理变量。对于收入结构,选取非利息收入占比、收入多元化指数作为代理变量。
-
在银行盈利能力的其他影响因素方面,从宏观、中观和微观三个层面综合考虑。一方面,理论上,宏观经济发展水平越高,对商业银行的金融中介服务需求越大,越能促进商业银行盈利水平的提高;另一方面,一国资本市场越发达,说明金融发展程度越高,商业银行等金融机构的盈利性也相对越稳定。因此,选取国民生产总值量化宏观经济发展程度,用股市市值占GDP比重量化金融发展程度,二者作为宏观经济层面的影响因素变量。此外,银行业作为一个典型的竞争性产业,其活动与发展无可避免地会受到市场结构等因素的影响,因此,选取市场占有率作为中观层面的影响因素变量。此外,大量研究表明,商业银行盈利能力还受其自身资产质量、营收状况等微观因素的影响,因此模型加入净利差、存贷比、成本收入比、不良贷款率等作为微观层面控制变量。
-
本文选取截至2020年10月中国全部37家上市商业银行为研究样本。鉴于P2P网贷于2007年才开始传入中国,拍拍贷、宜人贷、人人贷等主流的互联网金融平台也于2007年才筹划成立,因此将其作为研究期间的起点。样本期间为2007—2019年,其中,互联网金融指数(IFI1和IFI2)、REVA、市场占有率、收入多元化指数由本文计算所得,其他数据来自Wind、CEIC等经济、金融数据库。有关的计算与回归分析过程主要通过Eviews 10、Stata1 5.0等统计软件完成,有关变量的定义和与描述性统计分别如表1和表2所示。
表 1各变量的定义与测度
变量种类 变量名称 变量符号 变量计算方法 被解释变量 净资产收益率 ROE 净利润/股东权益 总资产回报率 ROA 净利润/资产总额 经济增加值 REVA 采用单位资本衡量的价值创造指标计算得到 核心解释变量 互联网金融指数 IFI1 采用文本挖掘法合成得到 IFI2 采用算数平均法计算得到 中介变量 净利息收入/百亿元 NII 年末银行利息净收入 非利息收入/百亿元 NI 年末银行非利息收入 非利息收入占比 NIR 非利息收入/营业收入 收入多元化指数 HHI 基于赫芬达尔指数计算得到 控制变量 宏观经济发展水平 ln GDP 取人均国内生产总值的自然对数 货币政策 M2 M2增长率 金融发展水平 Stock 沪深两市总市值占GDP比重 市场占有率 Share 单个银行资产总额占全行业总资产比重 资产规模 ln Size 取银行年末总资产的自然对数 净利差 NID 贷款利率减去存款利率 存贷比 DLR 采用Wind数据库中的存贷款比率指标/10 成本收入比 CIR (业务管理费+其他营业支出)/营业收入 不良贷款率 NPL 银行年末不良贷款余额/贷款总额 注:以上所有变量取值期间为2007—2019年,其中ln GDP和净利差(NID)等涉及价格的变量以2010年为基期进行价格指数调整。另外,为了避免回归系数过大或过小的问题,在后续实证分析过程中,对IFI2和Share分别进行缩小100倍和放大100倍处理。 表 2各变量的描述性统计
变量 均值 中位数 最大值 最小值 标准差 观测数 ROE 17.153 16.770 41.120 4.180 5.482 449 ROA 1.055 1.050 2.130 0.150 0.280 451 REVA 0.554 0.422 11.996 0.034 0.718 449 IFI1 0.161 0.107 0.426 0.000 0.155 453 IFI2 0.250 0.073 0.775 0.001 0.295 453 NII 6.721 1.448 60.693 0.061 11.640 449 NI 2.171 0.227 24.824 −0.003 4.173 449 NIR 0.170 0.152 0.511 −0.016 0.106 449 HHI 0.260 0.258 0.500 −0.032 0.127 449 ln GDP 8.369 7.800 14.200 6.100 2.056 453 M2 1.716 1.625 3.180 0.993 0.585 453 Stock 0.702 0.666 1.484 0.459 0.248 453 Share 2.004 0.420 16.511 0.036 3.359 453 ln Size 6.567 6.480 10.310 3.050 1.879 453 NID 2.469 2.450 4.470 −16.940 1.090 439 DLR 6.826 6.901 11.305 2.632 1.177 450 CIR 32.690 31.770 72.680 17.700 6.460 451 NPL 1.693 1.305 30.310 0.000 2.362 453 -
由于不同的控制变量之间可能会存在强相关关系,进而导致回归分析时出现多重共线性问题。因此,首先对各控制变量进行相关性分析。结果显示,互联网金融指数(IFI1、IFI2)与各控制变量的相关性关系较弱,控制变量之间也不存在强相关关系,因此变量的选取恰当,无需剔除多余变量。
-
基于上述数据和变量设置,本文借鉴Preacher和Hayes[51]、李雪婧等[52]、赵昕等[53]的做法,构建如下三个依次递进方程组成的中介效应模型,就互联网金融发展对商业银行盈利能力的影响效应及净利息收入、非利息收入,收入来源、收入结构在其中的作用机制进行检验。
$$ {\text{Pro}}{{\text{f}}_{i,t}} = {\alpha _0} + {\alpha _1} \times {\text{Pro}}{{\text{f}}_{i,t - 1}} + {\alpha _2} \times {\text{IF}}{{\text{I}}_{i,t}} + \mathop \sum \limits_{j = 1}^8 {\gamma _j}{\text{Contro}}{{\text{l}}_{j,t}} + {\mu _i} + {\varepsilon _{i,t}} $$ (4) $$ {\text{Inte}}{{\text{r}}_{i,t}} = {\beta _0} + {\beta _1} \times {\text{IF}}{{\text{I}}_{i,t}} + \mathop \sum \limits_{j = 1}^8 {\gamma _j}{\text{Contro}}{{\text{l}}_{j,t}} + {\mu _i} + {\varepsilon _{i,t}} $$ (5) $$ \begin{array}{l} {\text{Pro}}{{\text{f}}_{i,t}} = {\chi _0} + {\chi _1} \times {\text{Pro}}{{\text{f}}_{i,t - 1}} + {\chi _2} \times {\text{F}}{{\text{T}}_{i,t}} + {\chi _3} \times {\text{Inte}}{{\text{r}}_{i,t}} \hfill + \displaystyle\mathop \sum \limits_{j = 1}^8 {\gamma _j}{\text{Contro}}{{\text{l}}_{j,t}} + {\mu _i} + {\varepsilon _{i,t}} \hfill \end{array} $$ (6) 其中,Prof为银行盈利能力,分别选取净资产收益率ROE、总资产收益率ROA和修正的经济增加值REVA作为代理变量;下标i表示样本银行,t代表年份;
$ {\mu _i} $ 为个体异质性;$ {\varepsilon _{i,t}} $ 为随机扰动项;第i家银行第t期的绩效水平被表示为互联网金融指数、宏观经济发展水平、货币政策、金融发展程度、第i家银行第t期市场占有率、资产规模、利差空间、存贷比和成本收入比,以及银行自身前一期的盈利状况和随机误差项的函数;式(5)、式(6)中的Inter为中介变量,分别选取利息净收入NII、非利息收入NI作为代理变量,其余变量与式(4)相同。 -
根据中介效应模型的检验程序,为了验证命题1和命题2,采用逐步回归的方法,依次对式(4)~式(6)进行回归分析。第一步回归方程(4),若
$ {\alpha _2} $ 显著为负则进行下一步,否则停止检验;第二步回归方程(5),若$ {\beta _2} $ 显著为负,则意味着互联网金融降低了商业银行的净利息收入、非利息收入。第三步回归方程(6),若系数${\chi _2}$ 、${\chi _3}$ 都显著,则说明风险承担具有部分中介效应。若${\chi _2}$ 显著的同时${\chi _3}$ 不显著,则进一步针对$ {\beta _2} $ 做Sobel检验。 -
依照上述检验步骤与估计策略,首先选取利息净收入(NII)作为式(5)的中介变量,就互联网金融对银行盈利能力的影响以及利息净收入在其中的中介作用进行检验,具体结果如表3所示。
表 3互联网金融对银行盈利能力的影响机制:基准检验结果(利息净收入)
变量 步骤1 步骤2 步骤3 ROE ROA REVA NII ROE ROA REVA L1.ROE 0.331*** 0.325*** (7.471) (7.307) L1.ROA 0.540*** 0.540*** (13.685) (13.621) L1.EVA 0.000 0.000 (0.000) (0.000) IFI1 −12.514*** −0.316* −1.398*** −2.718* −13.085*** −0.316* −1.389*** (−3.459) (−1.953) (−3.889) (−1.742) (−3.605) (−1.951) (−3.852) NII −0.134 −0.001 −0.003 (−1.538) (−0.158) (−0.351) ln GDP 0.646*** 0.039*** 0.042 0.757*** 0.566** 0.039*** 0.002 (2.715) (3.839) (0.819) (5.230) (2.327) (3.721) (0.082) M2 −0.391 −0.064** −0.152** −1.216*** −0.511 −0.065** −0.149** (−0.648) (−2.562) (−2.155) (−3.071) (−0.842) (−2.543) (−2.075) Stock −3.840*** −0.214*** −0.115 −1.694*** −3.713*** −0.214*** −0.121 (−3.440) (−4.580) (−1.037) (−2.720) (−3.323) (−4.529) (−1.074) Share −0.307 −0.001 −0.036 −4.837*** −0.974* −0.003 −0.021 (−0.873) (−0.040) (−0.972) (−23.389) (−1.746) (−0.145) (−0.366) ln Size 0.648 −0.057* 0.116 −0.358 0.701 −0.057* 0.117 (0.801) (−1.703) (1.300) (−0.716) (0.868) (−1.707) (1.310) NID 0.111 0.009 0.025 −0.101 0.098 0.009 −0.025 (0.688) (1.352) (1.280) (−0.925) (0.609) (1.339) (−1.261) DLR −0.513* 0.012 −0.033 0.560*** −0.446 0.012 −0.035 (−1.857) (1.009) (−1.070) (3.203) (−1.598) (1.020) (−1.111) CIR −0.112** −0.012*** −0.004 −0.170*** −0.134** −0.012*** −0.004 (−2.208) (−5.492) (−0.691) (−5.405) (−2.541) (−5.442) (−0.758) NPL 0.192 −0.011* −0.048*** −0.224*** 0.224 −0.011* −0.048*** (1.011) (−1.926) (−3.601) (−2.976) (1.175) (−1.921) (−3.506) Constant 14.122* 1.162*** 0.623 29.606*** 17.252** 1.176*** 0.531 (1.888) (3.765) (0.740) (6.277) (2.229) (3.655) (0.600) R2 0.575 0.680 0.149 0.786 0.578 0.680 0.149 R2−adjusted 0.523 0.641 0.052 0.761 0.524 0.640 0.050 F 46.750 74.210 7.087 148.199 43.205 67.855 6.440 N 407 409 407 435 407 409 407 Sobel检验 1.564 1.960 1.500 Goodman−1检验 1.490 1.916 1.461 Goodman−2检验 1.649 2.008 1.552 检验结果 部分中介 部分中介 部分中介 方向 负向 负向 负向 中介效应占比/% 7.12 10.25 9.08 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 根据表3的回归结果,无论是采用ROE、ROA或REVA作为银行盈利能力的测度指标,步骤1即式(4)中的关键解释变量IFI1估计系数均显著为负,因此,可以进行后续中介效应检验。步骤2即式(5)中的互联网金融发展指数(IFI1)回归系数
$ {\beta _2} $ 为负,且在10%的水平上通过了显著性检验,说明互联网金融发展对商业银行的利息净收入造成了明显的负面冲击作用。步骤3即式(6)的估计系数$ {\chi _2} $ 均显著为负,但系数${\chi _3}$ 的估计结果并不显著,因此需要针对$ {\beta _2} $ 进行Sobel-Goodman检验。结果表明,表3中的Sobel-Goodman检验值(SobelZ、Goodman-1Z和Goodman-2Z)最小值为1.461,根据温忠麟等[54]给出的部分中介效应检验标准,可认为利息净收入在互联网金融影响银行盈利能力的过程中发挥了负向的部分中介作用。即互联网金融的发展在一定程度上是通过降低银行的利息净收入,进而降低银行盈利能力。从影响效应的相对贡献大小来看,利息净收入(NII)在三个模型中的中介效应占比分别为7.12%、10.25%和9.08%。以上结论与前文的理论预期相一致,本文的命题1得到初步验证。遵循利息净收入(NII)中介效应检验的基本思路,仍然以式(4)、式(5)以及式(6)所构成的中介效应模式为框架,对非利息收入(NI)在互联网金融与银行盈利能力之间可能存在的中介作用进行检验。由于步骤1的检验结果与表3相同,因此这里仅需报告步骤2和步骤3的检验结果,如表4所示。①
表 4互联网金融对银行盈利能力的影响机制:基准检验结果(非利息收入)①
变量 步骤2 步骤3 NI ROE ROA REVA IFI1 −0.475 −12.672*** −0.314* −1.405*** (−0.404) (−3.505) (−1.939) (−3.912) NI −0.197 −0.001 −0.021 (−1.327) (−0.188) (−1.284) Controls 控制 控制 控制 控制 R2 0.772 0.577 0.680 0.153 R2−adjusted 0.746 0.523 0.640 0.054 F 136.748 43.087 67.858 6.602 N 435 407 409 407 Sobel检验 0.988 2.271 1.172 Goodman−1检验 0.976 2.242 1.158 Goodman−2检验 1.000 2.302 1.186 检验结果 部分中介 部分中介 部分中介 方向 负向 负向 负向 中介效应占比/% 3.92 11.34 5.41 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 表4的回归结果显示,步骤2,即式(5)中的互联网金融发展指数(IFI1)回归系数
$ {\beta _2} $ 为负但并不显著。而步骤3,即式(6)中的中介效应变量(NI)的回归系数${\chi _3}$ 也均未通过显著性检验。结合表4中步骤2的互联网金融发展指数(IFI1)回归系数$ {\beta _2} $ 和步骤3的中介效应变量(NI)回归系数${\chi _3}$ 的估计结果,中介效应模型检验条件无法得到满足。但与利息净收入(NII)的中介效应检验类似,进一步的Sobel-Goodman检验表明,在ROE、ROA、REVA三个模型中,非利息收入(NI)在互联网金融影响银行盈利能力的过程中同样存在显著的负向部分中介作用,即互联网金融发展在一定程度上通过非利息收入的中介作用,进而降低了银行盈利能力。从影响效应的贡献大小来看,非利息收入(NI)在三个模型中的中介效应占比分别达到了3.92%、11.34%和5.41%。本文的命题2得到初步验证。 -
本文旨在检验互联网金融发展通过存、贷款竞争机制对银行盈利能力的影响作用,然而,自身微观特质或盈利能力较强的银行其对互联网金融的应用程度也可能会更高,由此导致两者之间可能存在较为严重的反向因果影响。为了缓解模型可能存在的内生性问题,采用 Blundell和Bond[55]提出的系统广义矩(Generalized Method of Moments,GMM)估计方法重新进行回归。表5的回归结果表明,步骤1~步骤3的稳健性检验的回归系数正负方向相同,显著性基本一致。总体看来,前述实证结果是稳健可靠的,命题1、命题2得到进一步验证。
表 5稳健性检验:采用系统GMM估计②
变量 步骤1 步骤2 步骤3 ROE NII NI NII NI IFI1 −11.012*** −2.568* −2.389*** −11.267*** −11.101*** (−3.003) (−1.647) (−2.949) (−2.836) (−2.889) NII −0.141 (−1.176) NI −0.419* (−1.773) Controls 控制 控制 控制 控制 控制 Chi2 456.674 19 960.920 8 062.631 463.297 388.058 N 407 435 435 407 407 检验结果 部分中介 部分中介 方向 负向 负向 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 -
由于中国互联网金融起步较晚,有关的量化研究方法尚不成熟,为了保证指数测度结果的稳健、可靠,本文借鉴罗长青等[56]等的做法,采用基于算术平均法计算得到的IFI2替换基准检验中的IFI1,重新进行回归。表6的回归结果表明,与前述回归结果相比,三组稳健性检验的关键结论保持不变,本文的命题1、命题2同样得到验证。
表 6稳健性检验:替换关键解释变量
变量 步骤1 步骤2 步骤3 ROE NII NI NII NI IFI1 −6.091*** −1.435*** −0.140 −6.432*** −6.163*** (−7.960) (−2.709) (−0.486) (−8.352) (−8.064) NII −0.217*** (−2.642) NI −0.241* (−1.731) Controls 控制 控制 控制 控制 控制 R2 0.624 0.789 0.772 0.631 0.627 R2−adjusted 0.578 0.765 0.746 0.584 0.580 F 57.410 150.761 136.807 54.036 53.153 N 407 435 435 407 407 检验结果 部分中介 部分中介 方向 负向 负向 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 -
考虑到在研究早期,无论是采用文本挖掘技术,还是基于算术平均法计算得到的互联网金融指数都偏低,可能造成回归结果的不稳定,因此将样本期间由原来的2007—2019年调整为2009—2019年,构建新的面板数据重新进行回归。结果如表7所示,显然本文实证结论依然稳健。
表 7稳健性检验:改变样本期间
变量 步骤1 步骤2 步骤3 ROE NII NI NII NI IFI1 −12.514*** −2.718 −0.347 −13.085*** −12.672*** (−3.459) (−1.351) (−0.320) (−3.605) (−3.505) NII −0.134 (−1.538) NI −0.197 (−1.327) Controls 控制 控制 控制 控制 控制 R2 0.575 0.786 0.772 0.578 0.577 R2−adjusted 0.523 0.761 0.746 0.524 0.523 F 46.750 148.199 136.748 43.205 43.087 N 355 385 385 355 355 检验结果 部分中介 部分中介 方向 负向 负向 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 -
为了进一步验证收入结构在互联网金融发展与银行盈利能力之间的作用机制,选取非利息收入占比(NIR)、收入多元化指数(HHI)作为中介变量对式(5)和式(6)重新进行回归,结果如表8所示。
表 8收入结构的中介效应检验结果:非利息收入占比
变量 步骤2 步骤3:非利息收入占比 步骤3:收入多元化 NIR HHI ROE ROA REVA ROE ROA REVA IFI1 0.309*** 0.344*** −13.703*** −0.313* −1.286*** −13.839*** −0.305* −1.272*** (5.033) (4.671) (−3.686) (−1.893) (−3.472) (−3.735) (−1.858) (−3.454) NIR 3.564 −0.010 −0.362 (1.358) (−0.089) (−1.245) HHI 3.492 −0.031 −0.364 (1.588) (−0.340) (−1.500) Controls 控制 控制 控制 控制 控制 控制 控制 控制 R2 0.481 0.471 0.577 0.680 0.152 0.578 0.680 0.154 R2−adjusted 0.422 0.411 0.524 0.640 0.054 0.524 0.640 0.055 F 37.488 35.950 43.103 67.851 6.592 43.236 67.879 6.667 N 435 435 407 409 407 407 409 407 Sobel检验 0.759 −0.360 −1.799 0.750 −0.488 −1.500 Goodman−1检验 0.741 −0.352 −1.569 0.726 −0.473 −1.290 Goodman−2检验 0.778 −0.370 −2.069 0.775 −0.506 1.751 检验结果 不显著 不显著 部分中介 不显著 不显著 部分中介 方向 负向 正向 正向 负向 正向 正向 中介效应占比/% 2.54 0.89 10.21 2.17 1.05 8.45 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 表8的检验结果显示,步骤2中,互联网金融发展指数(IFI1)的两个回归系数
$\, {\beta _2} $ 为正,且在1%的水平上通过了显著性检验,说明互联网金融与商业银行的收入结构存在显著的正相关关系,即随着互联网金融的发展,银行营业收入中的非利息收入占比与收入多元化指数也相应得到提高。步骤3的中介变变量估计系数则差异较大,两组估计结果中,仅有REVA模型下的检验结果符合前述理论分析所预期的正向部分中介效应;ROA模型下的估计结果则仅存在微弱的正向作用;ROE模型下则为负向作用,且不显著。这说明,从收入结构来看,互联网金融的发展尚未给商业银行的盈利模式带来根本影响。其中的原因可能在于,互联网金融的发展时间尚短,且监管力度不断加大,商业银行的盈利模式仍然是以传统的赚取存贷款利差带来的利息净收入为主。以上回归结果不完全符合理论预期,但也契合中国互联网金融与商业银行的发展实际。 -
本文借鉴沈悦和郭品[35]171-172、李廷瑞和李博阳[57]的做法,通过设计子样本,然后针对式(5)重新进行回归,来检验互联网金融发展对不同类型银行收入来源与收入结构的异质性影响。其一是剔除区域性特质最为明显的农村商业银行,其二是进一步剔除城市商业银行。若子样本中核心解释变量的回归系数大小或者显著性水平明显下降,则说明互联网金融对农商行与城商行的影响程度要大于股份制银行与大型国有商业银行。依此思路检验命题4,结果如表9所示。
表 9异质性影响检验结果
变量 子样本1:剔除农商行 子样本2:剔除城商行 NII NI NIR HHI NII NI NIR HHI IFI1 −1.022 −0.406 0.102 0.050 6.237 1.588 −0.026 −0.084 (−0.395) (−0.298) (1.440) (0.590) (1.630) (0.807) (−0.370) (−1.045) Controls 控制 控制 控制 控制 控制 控制 控制 控制 R2 0.805 0.800 0.590 0.573 0.900 0.903 0.811 0.792 R2−adjusted 0.783 0.778 0.543 0.525 0.887 0.890 0.785 0.764 F 138.028 134.266 48.181 45.006 159.256 164.542 75.467 67.156 N 374 374 374 374 201 201 201 201 注:括号()内为t值。 表9显示,从估计系数的大小来看,子样本1(剔除农商行)下,利息净收入(NII)模型中的互联网金融指数IFI1的估计系数由原来在10%的水平上显著变为不再显著;非利息收入(NI)模型中,IFI1的估计系数则由原来的–0.347下降为–0.406,下降幅度达17.00%;与此类似,剔除农商行后,非利息收入占比(NIR)与收入多元化(HHI)模型中的互联网金融指数IFI1的估计结果分别由原来在1%的水平上显著变为不再显著,且系数大小分别由原来的0.309、0.344下降到0.102、0.050,下降幅度非常明显。进一步剔除城商行以后,利息净收入(NII)与收入多元化(HHI)模型中的IFI1估计系数符号由原来的负相关变成了正相关,即互联网金融对大中型银行的收入来源不仅不存在明显的负面影响,反而具有一定的促进作用。与此相反,非利息收入占比(NIR)与非利息收入(NI)模型中的IFI1估计系数符号则由原来的正相关变为了负相关。
以上结果说明,面对互联网金融的冲击,股份制银行与大型国有商业银行表现对稳健,无论是从收入来源来看,还是从收入结构来看,其所受影响程度都明显小于农商行与城商行。其中的原因在于,大中型银行的客户群通常以大型企业为主,其业务渠道与收入来源更为稳定,且资金实力强大,在智能客服、互联网理财等新型金融模式上的布局较早,技术更为成熟,因而其所受互联网金融的负面冲击较小。这一估计结果与理论预期完全相符,本文的命题4得到验证。
Does Internet Finance Reduce Profitability of Commercial Banks?
——Based on the Perspective of Revenue Source and Structure
-
摘要:基于2007—2019年中国37家上市银行的非平衡面板数据,从理论层面分析了互联网金融对传统商业银行盈利能力的作用机制,通过建立中介效应模型,采用固定效应与系统广义矩估计相结合的方法,从收入来源、收入结构等多个维度对其中的关联机制与影响效应进行系统的实证分析。结果表明:(1)整体上,互联网金融对中国银行业的盈利能力有较明显的负面冲击作用。(2)从收入来源看,互联网金融对商业银行的利息收入、非利息收入等均造成了明显的负面影响,进而降低其盈利能力。(3)从收入结构看,互联网金融对非利息收入占比、收入多元化等指标的影响尚不明显。(4)分类型看,互联网金融对区域性银行盈利能力的影响要明显大于全国性的大中型银行。Abstract:Based on the unbalanced panel data of 37 listed banks in China from 2007 to 2019, this paper first theoretically analyzed the mechanism of internet finance on the profitability of traditional commercial banks, and then by establishing mediating effect models and using the fixed effect estimation combining GMM, this paper attempted to empirically analyze the correlation mechanism and influence effects from the dimensions of revenue sources and structure. The results show that: (1) On the whole, internet finance has an obvious negative impact on the profitability of China’s banking industry. (2) From the perspective of revenue source, internet finance has a significant negative impact on banks’ interest revenue and non-interest revenue, thereby reducing banks’ profitability. (3) From the perspective of revenue structure, the influence of internet finance on income structure indicators such as the proportion of non-interest revenue and revenue diversification is not yet obvious. (4) From the perspective of type, the impact of internet finance on the profitability of regional banks is significantly greater than that of large and medium-sized national banks.
-
Key words:
- internet finance/
- commercial bank/
- profitability/
- revenue income/
- revenue structure
-
表 1各变量的定义与测度
变量种类 变量名称 变量符号 变量计算方法 被解释变量 净资产收益率 ROE 净利润/股东权益 总资产回报率 ROA 净利润/资产总额 经济增加值 REVA 采用单位资本衡量的价值创造指标计算得到 核心解释变量 互联网金融指数 IFI1 采用文本挖掘法合成得到 IFI2 采用算数平均法计算得到 中介变量 净利息收入/百亿元 NII 年末银行利息净收入 非利息收入/百亿元 NI 年末银行非利息收入 非利息收入占比 NIR 非利息收入/营业收入 收入多元化指数 HHI 基于赫芬达尔指数计算得到 控制变量 宏观经济发展水平 ln GDP 取人均国内生产总值的自然对数 货币政策 M2 M2增长率 金融发展水平 Stock 沪深两市总市值占GDP比重 市场占有率 Share 单个银行资产总额占全行业总资产比重 资产规模 ln Size 取银行年末总资产的自然对数 净利差 NID 贷款利率减去存款利率 存贷比 DLR 采用Wind数据库中的存贷款比率指标/10 成本收入比 CIR (业务管理费+其他营业支出)/营业收入 不良贷款率 NPL 银行年末不良贷款余额/贷款总额 注:以上所有变量取值期间为2007—2019年,其中ln GDP和净利差(NID)等涉及价格的变量以2010年为基期进行价格指数调整。另外,为了避免回归系数过大或过小的问题,在后续实证分析过程中,对IFI2和Share分别进行缩小100倍和放大100倍处理。 表 2各变量的描述性统计
变量 均值 中位数 最大值 最小值 标准差 观测数 ROE 17.153 16.770 41.120 4.180 5.482 449 ROA 1.055 1.050 2.130 0.150 0.280 451 REVA 0.554 0.422 11.996 0.034 0.718 449 IFI1 0.161 0.107 0.426 0.000 0.155 453 IFI2 0.250 0.073 0.775 0.001 0.295 453 NII 6.721 1.448 60.693 0.061 11.640 449 NI 2.171 0.227 24.824 −0.003 4.173 449 NIR 0.170 0.152 0.511 −0.016 0.106 449 HHI 0.260 0.258 0.500 −0.032 0.127 449 ln GDP 8.369 7.800 14.200 6.100 2.056 453 M2 1.716 1.625 3.180 0.993 0.585 453 Stock 0.702 0.666 1.484 0.459 0.248 453 Share 2.004 0.420 16.511 0.036 3.359 453 ln Size 6.567 6.480 10.310 3.050 1.879 453 NID 2.469 2.450 4.470 −16.940 1.090 439 DLR 6.826 6.901 11.305 2.632 1.177 450 CIR 32.690 31.770 72.680 17.700 6.460 451 NPL 1.693 1.305 30.310 0.000 2.362 453 表 3互联网金融对银行盈利能力的影响机制:基准检验结果(利息净收入)
变量 步骤1 步骤2 步骤3 ROE ROA REVA NII ROE ROA REVA L1.ROE 0.331*** 0.325*** (7.471) (7.307) L1.ROA 0.540*** 0.540*** (13.685) (13.621) L1.EVA 0.000 0.000 (0.000) (0.000) IFI1 −12.514*** −0.316* −1.398*** −2.718* −13.085*** −0.316* −1.389*** (−3.459) (−1.953) (−3.889) (−1.742) (−3.605) (−1.951) (−3.852) NII −0.134 −0.001 −0.003 (−1.538) (−0.158) (−0.351) ln GDP 0.646*** 0.039*** 0.042 0.757*** 0.566** 0.039*** 0.002 (2.715) (3.839) (0.819) (5.230) (2.327) (3.721) (0.082) M2 −0.391 −0.064** −0.152** −1.216*** −0.511 −0.065** −0.149** (−0.648) (−2.562) (−2.155) (−3.071) (−0.842) (−2.543) (−2.075) Stock −3.840*** −0.214*** −0.115 −1.694*** −3.713*** −0.214*** −0.121 (−3.440) (−4.580) (−1.037) (−2.720) (−3.323) (−4.529) (−1.074) Share −0.307 −0.001 −0.036 −4.837*** −0.974* −0.003 −0.021 (−0.873) (−0.040) (−0.972) (−23.389) (−1.746) (−0.145) (−0.366) ln Size 0.648 −0.057* 0.116 −0.358 0.701 −0.057* 0.117 (0.801) (−1.703) (1.300) (−0.716) (0.868) (−1.707) (1.310) NID 0.111 0.009 0.025 −0.101 0.098 0.009 −0.025 (0.688) (1.352) (1.280) (−0.925) (0.609) (1.339) (−1.261) DLR −0.513* 0.012 −0.033 0.560*** −0.446 0.012 −0.035 (−1.857) (1.009) (−1.070) (3.203) (−1.598) (1.020) (−1.111) CIR −0.112** −0.012*** −0.004 −0.170*** −0.134** −0.012*** −0.004 (−2.208) (−5.492) (−0.691) (−5.405) (−2.541) (−5.442) (−0.758) NPL 0.192 −0.011* −0.048*** −0.224*** 0.224 −0.011* −0.048*** (1.011) (−1.926) (−3.601) (−2.976) (1.175) (−1.921) (−3.506) Constant 14.122* 1.162*** 0.623 29.606*** 17.252** 1.176*** 0.531 (1.888) (3.765) (0.740) (6.277) (2.229) (3.655) (0.600) R2 0.575 0.680 0.149 0.786 0.578 0.680 0.149 R2−adjusted 0.523 0.641 0.052 0.761 0.524 0.640 0.050 F 46.750 74.210 7.087 148.199 43.205 67.855 6.440 N 407 409 407 435 407 409 407 Sobel检验 1.564 1.960 1.500 Goodman−1检验 1.490 1.916 1.461 Goodman−2检验 1.649 2.008 1.552 检验结果 部分中介 部分中介 部分中介 方向 负向 负向 负向 中介效应占比/% 7.12 10.25 9.08 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 表 4互联网金融对银行盈利能力的影响机制:基准检验结果(非利息收入)①
变量 步骤2 步骤3 NI ROE ROA REVA IFI1 −0.475 −12.672*** −0.314* −1.405*** (−0.404) (−3.505) (−1.939) (−3.912) NI −0.197 −0.001 −0.021 (−1.327) (−0.188) (−1.284) Controls 控制 控制 控制 控制 R2 0.772 0.577 0.680 0.153 R2−adjusted 0.746 0.523 0.640 0.054 F 136.748 43.087 67.858 6.602 N 435 407 409 407 Sobel检验 0.988 2.271 1.172 Goodman−1检验 0.976 2.242 1.158 Goodman−2检验 1.000 2.302 1.186 检验结果 部分中介 部分中介 部分中介 方向 负向 负向 负向 中介效应占比/% 3.92 11.34 5.41 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 表 5稳健性检验:采用系统GMM估计②
变量 步骤1 步骤2 步骤3 ROE NII NI NII NI IFI1 −11.012*** −2.568* −2.389*** −11.267*** −11.101*** (−3.003) (−1.647) (−2.949) (−2.836) (−2.889) NII −0.141 (−1.176) NI −0.419* (−1.773) Controls 控制 控制 控制 控制 控制 Chi2 456.674 19 960.920 8 062.631 463.297 388.058 N 407 435 435 407 407 检验结果 部分中介 部分中介 方向 负向 负向 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 表 6稳健性检验:替换关键解释变量
变量 步骤1 步骤2 步骤3 ROE NII NI NII NI IFI1 −6.091*** −1.435*** −0.140 −6.432*** −6.163*** (−7.960) (−2.709) (−0.486) (−8.352) (−8.064) NII −0.217*** (−2.642) NI −0.241* (−1.731) Controls 控制 控制 控制 控制 控制 R2 0.624 0.789 0.772 0.631 0.627 R2−adjusted 0.578 0.765 0.746 0.584 0.580 F 57.410 150.761 136.807 54.036 53.153 N 407 435 435 407 407 检验结果 部分中介 部分中介 方向 负向 负向 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 表 7稳健性检验:改变样本期间
变量 步骤1 步骤2 步骤3 ROE NII NI NII NI IFI1 −12.514*** −2.718 −0.347 −13.085*** −12.672*** (−3.459) (−1.351) (−0.320) (−3.605) (−3.505) NII −0.134 (−1.538) NI −0.197 (−1.327) Controls 控制 控制 控制 控制 控制 R2 0.575 0.786 0.772 0.578 0.577 R2−adjusted 0.523 0.761 0.746 0.524 0.523 F 46.750 148.199 136.748 43.205 43.087 N 355 385 385 355 355 检验结果 部分中介 部分中介 方向 负向 负向 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 表 8收入结构的中介效应检验结果:非利息收入占比
变量 步骤2 步骤3:非利息收入占比 步骤3:收入多元化 NIR HHI ROE ROA REVA ROE ROA REVA IFI1 0.309*** 0.344*** −13.703*** −0.313* −1.286*** −13.839*** −0.305* −1.272*** (5.033) (4.671) (−3.686) (−1.893) (−3.472) (−3.735) (−1.858) (−3.454) NIR 3.564 −0.010 −0.362 (1.358) (−0.089) (−1.245) HHI 3.492 −0.031 −0.364 (1.588) (−0.340) (−1.500) Controls 控制 控制 控制 控制 控制 控制 控制 控制 R2 0.481 0.471 0.577 0.680 0.152 0.578 0.680 0.154 R2−adjusted 0.422 0.411 0.524 0.640 0.054 0.524 0.640 0.055 F 37.488 35.950 43.103 67.851 6.592 43.236 67.879 6.667 N 435 435 407 409 407 407 409 407 Sobel检验 0.759 −0.360 −1.799 0.750 −0.488 −1.500 Goodman−1检验 0.741 −0.352 −1.569 0.726 −0.473 −1.290 Goodman−2检验 0.778 −0.370 −2.069 0.775 −0.506 1.751 检验结果 不显著 不显著 部分中介 不显著 不显著 部分中介 方向 负向 正向 正向 负向 正向 正向 中介效应占比/% 2.54 0.89 10.21 2.17 1.05 8.45 注:括号()内为t值,***、**、*分别表示在1%、5%、10%的水平上显著。 表 9异质性影响检验结果
变量 子样本1:剔除农商行 子样本2:剔除城商行 NII NI NIR HHI NII NI NIR HHI IFI1 −1.022 −0.406 0.102 0.050 6.237 1.588 −0.026 −0.084 (−0.395) (−0.298) (1.440) (0.590) (1.630) (0.807) (−0.370) (−1.045) Controls 控制 控制 控制 控制 控制 控制 控制 控制 R2 0.805 0.800 0.590 0.573 0.900 0.903 0.811 0.792 R2−adjusted 0.783 0.778 0.543 0.525 0.887 0.890 0.785 0.764 F 138.028 134.266 48.181 45.006 159.256 164.542 75.467 67.156 N 374 374 374 374 201 201 201 201 注:括号()内为t值。 -
[1] 谢平, 邹传伟, 刘海二. 互联网金融模式研究[J]. 金融研究, 2012, 12(11): 11-22 [2] 杨东. 互联网金融的法律规制: 基于信息工具的视角[J]. 中国社会科学, 2015(4): 107-126+206 [3] BERGER S C, GLEISNER F. Emergence of financial intermediaries in electronic markets: the case of online P2P lending[J]. Business Research Journal, 2009, 2 (1): 39-65.doi:10.1007/BF03343528 [4] LEE J E R, RAO S, NASS C, et al. When do online shoppers appreciate security enhancement efforts? effects of financial risk and security level on evaluations of customer authentication[J]. International Journal of Human-Computer Studies, 2012, 70 (5): 364-376.doi:10.1016/j.ijhcs.2011.12.002 [5] RAILIENE G. E-transparency as an organizational innovation in financial services: the case of Lithuania[J]. Journal of Innovation Management, 2015, 3 (1): 85-103.doi:10.24840/2183-0606_003.001_0008 [6] BONS R W H, ALT R, LEE H G, et al. Banking in the Internet and mobile era[J]. Electronic Markets, 2012, 22 (4): 197-202.doi:10.1007/s12525-012-0110-6 [7] ANDERSON C. The long tail: why the future of business is selling less of more[M]. New York: Hachette Books, 2006. [8] LIN M, PRABHALA N, VISWANATHAN S. Judging borrowers by the company they keep: friendship networks and information asymmetry in online peer-to-peer lending[J]. Social Science Electronic Publishing, 2013, 59(1): 17-35. [9] JALLATH E, NEGRIN J. An empirical study of the interaction of electronic payment systems in Mexico[J]. Journal of Mathematics, 2001, 112(4): 80-102. [10] MORE D, BASU P. Challenges of supply chain finance: a detailed study and a hierarchical model based on the experiences of an Indian firm[J]. Business Process Management Journal, 2013, 19 (4): 624-647.doi:10.1108/BPMJ-09-2012-0093 [11] KAO C, HWANG S N. Efficiency measurement for network systems: IT impact on firm performance[J]. Decision Support Systems, 2010, 48(3): 437-446.doi:10.1016/j.dss.2009.06.002 [12] 宫晓林. 互联网金融模式及对传统银行业的影响[J]. 南方金融, 2013(5): 86-88doi:10.3969/j.issn.1007-9041.2013.05.020 [13] 陈志武. 互联网金融到底有多新[J]. 新金融, 2014(4): 9-13 [14] 吴晓求. 互联网金融: 成长的逻辑[J]. 财贸经济, 2015(2): 5-15 [15] 李克穆. 互联网金融的创新与风险[J]. 管理世界, 2016(2): 1-2 [16] 尹志超, 张号栋. 金融可及性、互联网金融和家庭信贷约束: 基于CHFS数据的实证研究[J]. 金融研究, 2018(11): 188-206 [17] 刘满凤, 赵珑. 互联网金融视角下小微企业融资约束问题的破解[J]. 管理评论, 2019, 31(3): 39-49 [18] 徐向艺, 牛卫东, 魏巍. 互联网金融商业模式选择: 效率性提高会带来颠覆性创新吗?[J]. 东岳论丛, 2020, 41(1): 157-163 [19] LEE G H. Rule-based and case-based reasoning approach for internal audit of bank[J]. Knowledge Based Systems, 2008, 21(2): 140-147.doi:10.1016/j.knosys.2007.04.001 [20] DEYOUNG R, RICE T. Noninterest income and financial performance at U.S. commercial banks[J]. Financial Review, 2010, 39(4): 101-127. [21] NORDEN L, BUSTON C S, WAGNER W. Financial innovation and bank behavior: evidence from credit markets[J]. Journal of Economic Dynamics and Control, 2014, 43(6): 130-145. [22] 陈荣达, 余乐安, 金骋路. 中国互联网金融的发展历程、发展模式与未来挑战[J]. 数量经济技术经济研究, 2020, 37(1): 3-22 [23] 冯乾, 王海军. 互联网金融不当行为风险及其规制政策研究: 以市场诚信、公平竞争与消费者保护为核心[J]. 中央财经大学学报, 2017, (2): 24-31+51 [24] 王聪聪, 党超, 徐峰, 等. 互联网金融背景下的金融创新和财富管理研究[J]. 管理世界, 2018, 34 (12): 168-170doi:10.3969/j.issn.1002-5502.2018.12.015 [25] 陈钊, 邓东升. 互联网金融的发展、风险与监管: 以P2P网络借贷为例[J]. 学术月刊, 2019, 51 (12): 42-50 [26] 刘孟飞, 奉洁, 罗小伟. 监管科技: 技术驱动型金融监管的理论逻辑与国际实践[J]. 深圳社会科学, 2021, 4(5): 49–60. [27] 顾海峰, 闫君. 互联网金融与商业银行盈利: 冲击抑或助推: 基于盈利能力与盈利结构的双重视角[J]. 当代经济科学, 2019, 41 (4): 100-108 [28] 刘忠璐, 林章悦. 互联网金融对商业银行盈利的影响研究[J]. 北京社会科学, 2016(9): 61-72 [29] 牛蕊. 互联网金融对商业银行金融效率影响研究[J]. 山西大学学报(哲学社会科学版), 2019, 42(3): 122-131 [30] 刘笑彤, 杨德勇. 互联网金融背景下商业银行并购重组选择差异的效率研究: 基于商业银行异质性的Malmquist指数实证分析[J]. 国际金融研究, 2017, (10): 65-75 [31] 申创, 刘笑天. 互联网金融、市场势力与商业银行绩效[J]. 当代经济科学, 2017, 39(5): 16-29+124 [32] 郭品, 沈悦. 互联网金融、存款竞争与银行风险承担[J]. 金融研究, 2019(8): 58-76 [33] 杜军, 韩子惠, 焦媛媛. 互联网金融服务的盈利模式演化及实现路径研究: 以京东供应链金融为例[J]. 管理评论. 2019, 31(8): 277-294. [34] 邱晗, 黄益平, 纪洋. 金融科技对传统银行行为的影响: 基于互联网理财的视角[J]. 金融研究, 2018(11): 17-29 [35] 沈悦, 郭品. 互联网金融, 技术溢出与商业银行全要素生产率[J]. 金融研究. 2015(3): 160-175 [36] SHIM J. Bank capital buffer and portfolio risk: The influence of business cycle and revenue diversification[J]. Journal of Banking & Finance, 2013, 37(3): 761-772. [37] 彭建刚, 王舒军, 关天宇. 利率市场化导致商业银行利差缩窄吗?: 来自中国银行业的经验证据[J]. 金融研究, 2016, 433(7): 48-63 [38] 申创, 赵胜民. 互联网金融对商业银行收益的影响研究: 基于中国101家商业银行的分析[J]. 现代经济探讨, 2017(6): 32-38+55doi:10.3969/j.issn.1009-2382.2017.06.005 [39] 梁燕子. 互联网金融对商业银行的冲击: 基于第三方互联网移动支付的视角[J]. 金融理论与实践, 2017(2): 81-86doi:10.3969/j.issn.1003-4625.2017.02.014 [40] 郭品, 沈悦. 互联网金融对商业银行风险承担的影响: 理论解读与实证检验[J]. 财贸经济, 2015(10): 102-116 [41] 顾海峰, 杨立翔. 互联网金融与银行风险承担: 基于中国银行业的证据[J]. 世界经济, 2018, 41 (10): 75-100 [42] 王鹏. 投资者保护、代理成本与公司绩效[J]. 经济研究, 2008(2): 68-82 [43] 张倩倩, 周铭山, 董志勇. 研发支出资本化向市场传递了公司价值吗?[J]. 金融研究, 2017 (6): 176-190 [44] 李莉, 吕晨, 于嘉懿. 高校独董与民营上市公司绩效——“行监坐守”与“将伯之助”[J]. 管理评论, 2018, 30 (1): 98-117 [45] 周佰成, 马可为, 李佐智. 风险调整EVA模型及其在央企绩效评价中的应用[J]. 管理世界, 2016(6): 180-181 [46] 郭代, 刘吕科. 经济资本视角的EVA与银行市场价值的相关性[J]. 金融论坛, 2014, 19(12): 40-45 [47] 卢李, 袁静雅, 李虹含. 我国商业银行EVA绩效评价及影响因子分析[J]. 统计与决策, 2016 (5): 168-171 [48] 郭翠荣, 刘亮. 基于因子分析法的我国上市商业银行竞争力评价研究[J]. 管理世界, 2012 (1): 176-177 [49] 李广子, 张翼. 非信贷业务与银行绩效[J]. 国际金融研究, 2016(10): 49-62 [50] 徐斌, 郑垂勇. 利率市场化下我国商业银行盈利能力影响因素分析: 基于16家上市商业银行的实证研究[J]. 南京社会科学, 2018(3): 31-37 [51] PREACHER K J, HAYES A F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models[J]. Behavior research methods, 2008, 40 (3): 879-891.doi:10.3758/BRM.40.3.879 [52] 李雪婧, 肖淑芳, 刘珊珊. 股权激励对员工创新行为的影响: 基于问卷调查的实证分析[J]. bob手机在线登陆学报(社会科学版), 2020, 22(3): 65-75. [53] 赵昕, 曹森, 丁黎黎. 互联网依赖对家庭碳排放的影响: 收入差距和消费升级的链式中介作用[J]. bob手机在线登陆学报(社会科学版), 2021, 23(4): 49-59. [54] 温忠麟, 张雷, 侯杰泰, 等. 中介效应检验程序及其应用[J]. 心理学报, 2004(5): 614-620 [55] BLUNDELL R, BOND S. Initial conditions and moment restrictions in dynamic panel data models[J]. Journal of econometrics, 1998, 87 (1): 115-143.doi:10.1016/S0304-4076(98)00009-8 [56] 罗长青, 李梦真, 杨彩林, 等. 互联网金融对商业银行信用卡业务影响的实证研究[J]. 财经理论与实践, 2016, 37(1): 54-58doi:10.3969/j.issn.1003-7217.2016.01.008 [57] 李廷瑞, 李博阳. 员工薪酬激励对商业银行风险承担的影响[J]. bob手机在线登陆学报(社会科学版), 2020, 22(1): 70–81+108.