第三方支付规模增大对商业银行盈利能力影响的实证分析 *

李哲来，朱家明

(安徽财经大学)

0 引言

近几年，基于互联网平台的金融业态发展迅猛，尤其是第三方支付模式，其交易规模大幅度的增长，在不断努力下扮演着中国支付体系中重要的角色[1].iResearch数据显示[2]，中国第三方支付平台的交易规模在2019年达到226.2万亿元，同比增长18.7%.随着第三方支付平台规模的日益扩大，对商业银行中间业务的部分结算业务产生了巨大的冲击，也对其存贷款业务产生了一定的分流.而商业银行作为支付体系中的重要一环，对中国经济起着调控作用，并长期起着支配的地位，在经济寻求转型和改革的新形势下，商业银行也需要积极寻找合作，突破变化，弥补行业的短板，逐渐发展新型的商业形态模式[3].该文以国内15家商业银行为例，进行面板数据分析，以期更加科学客观地分析第三方支付与商业银行盈利能力之间的关系，并提出相应的政策措施.第三方支付正处在蓬勃发展时期，对银行产生了倒退机制，但是在一定程度上，也促进了银行寻找新的发展方向、创新空间.

1 文献综述

李玉怡认为商业银行可以全面进入电子支付市场，并针对高校零售的业务积极开展第三方支付，强化网上银行的综合竞争力[4].张鲜丽阐述了第三方支付平台对商业银行的存款、贷款、中间业务、经营风险等方面带来的冲击，指出商业银行应该打造自己的金融生态圈[5].王璟通过时间序列数据、面板数据建立固定效应模型，分析在第三方支付影响下，商业银行流动性需求的变化[6].陈希卓认为，第三方平台在总体上对商业银行产生了较大的一致，但是从局部来看，对全国性商业银行有积极作用，但对地方性商业银行产生了消极影响.

由此可以看出，国内众多学者对于第三方支付的研究已有一定的成果，部分学者针对第三方平台监管、信用等多方面展开了详细的研究.商业银行因受第三方支付影响而出现转变的研究，大多学者选择对商业银行某一方面的业务进行定量研究，并未将商业银行的业务看成一个整体，进而分析对综合绩效的整体影响.因此，该文从整体业务出发，分析第三方支付规模对商业银行的影响.

2 样本与变量的选取

2.1 样本的选取

该文选择的研究对象为中国的15家商业银行.其中4家是国有银行，分别为中国工商银行、中国农业银行、中国银行、中国建设银行；11家是股份制商业银行，分别为光大银行、杭州银行、北京银行、江苏银行、民生银行、宁波银行、平安银行、交通银行、上海银行、兴业银行、中信银行.数据来源于Data Stream数据库中各银行2009～2019年的年报.因变量中的外部影响因素——国内生产总值GDP的数据来源于国泰安数据库.2009～2019年第三方支付交易规模的数据来源于艾瑞咨询报告.

2.2 变量的选取

(1)被解释变量

该文主要探究第三方支付平台对商业银行盈利水平的影响，代表商业银行盈利水平的指标有总资产回报率和净资产收益率.但是，由于选取的年份以及商业银行总资产回报率的数据集合不完整，有过多的缺失数据.因此，该文只选取净资产收益率(ROE)作为被解释变量.

(2)解释变量

该文研究第三方支付的规模对商业银行的影响，因此，解释变量将选择第三方支付规模这一指标来衡量其规模的变化情况.表1列出了2009～2019年第三方支付规模的数据.

表1 2009～2019年第三方支付规模

此外，其他变量也会影响商业银行的盈利水平，研究时不能忽视这些变量，否则将导致扰动项的方差增大，降低模型结果的准确性和可信性.在参考了前人的研究后，该文选取了净利润率(Net margin)、资本充足率(CAR)、拨贷比(PROV)这三个指标来反映商业银行的盈利能力，见表2.

表2 模型中的变量及计算公式

3 模型的设定与计量方法

该文选取中国15家商业银行2009～2019年的面板数据，建立计量模型验证第三方支付平台交易规模的扩大对商业银行盈利水平的具体影响.为消除异方差对模型的影响，对变量进行自然对数变换.

ROEit=α+β1GRTDt+β2Netnarginit+β3CARit+β4PROWit+ε

在上式中，ROEit指的是第i家商业银行第t年的净资产收益率；α代表常数项；β1、β2、β3、β4代表选取指标的回归系数；GRTDt代表第t年互联网第三方支付平台规模的对数；Netmarginit指的是第i家商业银行第t年的净利润率；CARit指的是第i家银行第t年的资本充足率；PROVit代表第i家银行第t年的拨贷比.ε表示模型引入的随机扰动项.

4 实证分析

4.1 描述性统计

该文研究数据来自2009～2019年各银行的财务报表.在数据处理过程中，为防止部分银行、部分年份的数据缺失导致样本自由度降低的情况，采取了线性插值的方式，补齐缺失的数据.

表3可以看出，选取的指标序列基本接近正态分布.对于峰度系数，这些变量均小于临界值3.

表3 自变量和因变量的描述性统计分析值

4.2 相关性分析

由于选择的影响因素过多，应先分析各指标与被解释变量净资产收益率的相关性，以及因素之间的相关程度，利用Stata中的COR命令进行相关系数检验，得到相关系数矩阵，见表4.

表4 各指标的相关系数矩阵表

可以看出，净资产收益率与其他变量之间的相关性比较弱，相关系数均小于0.5，各自变量之间的相关性也相对较弱.因此，该文选取的指标和数据可以进行后续的面板数据回归模型，并且不存在多重共线性的问题.

4.3 单位根检验

该文采用LLC、Fisher-ADF、Fisher-PP等方法对选取的数据进行整体的单位根检验，以验证数据的稳定性.从表5看，各个变量的原值均通过显著性检验，序列平稳，不存在单位根.

表5 面板数据单位根检验结果

4.4 协整检验

上述的单位根检验，结果显示选取的指标和数据通过了显著性检验.为避免模型出现“伪回归”现象，进一步对面板数据进行协整检验.通过选取Kao检验、Fisher检验、Pedroni检验三种方式进行协整分析，见表6.

表6 面板数据协整检验结果

4.5 豪斯曼检验

最后，该文通过豪斯曼检验对固定效应模型和随机效应模型的选择进一步检验.豪斯曼检验的原假设H0：个体效应与回归变量之间是不相关的，选择随机效应回归模型.该检验的备择假设H1：个体效应与回归变量是具有相关性的，选择固定效应模型.对模型进行豪斯曼检验后显示，P值为0.4999，超过10%.实证结果表明，在10%的显著性水平下，原假设不能被拒绝，因此，该文研究选取随机效应模型比固定效应模型更为有效.最终得到2009～2019年中国15家商业银行的盈利水平与第三方支付平台规模关系的实证分析，结果见表7.

表7 模型估计结果

整理数据后，可以得到如下的随机效应回归方程：

ROE=1.726343-0.1126679GRTD+

0.6468002Netmargin-0.291218CAR+

0.15088541PROV

最终结果显示：第三方平台支付规模的增长与商业银行盈利水平之间存在显著的负相关关系.这说明当第三方支付的交易规模增加10%时，商业银行的盈利能力降低约1.13%.

5 结论与建议

根据上文对商业银行进行的回归分析结果来看，回归效果较明显，第三方支付的规模与商业银行净资产收益率、拨贷比等主要盈利指标呈负相关关系，与总体结果保持一致.第三方支付抢占了部分商业银行的市场，通过严格的审核机制等增加了商业银行面临的信用风险.现阶段而言，第三方支付平台对商业银行的影响弊大于利.

商业银行如何应对第三方支付平台的冲击，该文有以下建议.

(1)加大技术投入

互联网金融能够迅速发展，在一定程度上得力于其高效、便捷的技术优势，针对性地满足客户的需求，商业银行需要进一步挖掘互联网金融的特点，将此运用到业务中.传统商业银行可以通过引进专业性人才、加大科技创新力度，了解并高效运用已有的科技成果，如物联网，大数据等.以服务实体经济为契机，推广创新性技术服务，并加速创新科技的商业化落地，加大对传统业务的技术投入.

(2)发挥商业银行的风险控制优势

传统的商业银行在风险控制方面有一套较为成熟的系统，安全性较高.而第三方支付平台，其媒介为互联网，在信息极度不对称的情况下会使信息安全性面临巨大挑战.在当前形势下，商业银行更应该充分发挥其完备的资金预警方案，保持较高程度的安全水平.

(3)与互联网实现合作共赢

在互联网金融大背景下，两者也可以成为战略合作关系，在长期的竞争中实现可持续发展，最终合作共赢.商业银行应充分利用自身业务模式的优势，积极主动与第三方支付平台进行合作，例如提高网络交易的安全性，规定在第三方支付平台的客户信息验证需要与银行保持一致，并通过互联网平台的交易数据，对潜在客户进行商业分析，提高消费与金融的粘合度，提高商业银行的盈利能力.