收入结构和融资模式对商业银行盈利和风险的影响，本文主要内容关键词为：商业银行论文,融资论文,收入论文,风险论文,结构论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
2011年12月，中国某股份制银行行长在接受境外媒体采访时称“银行……利润太高了，有时候自己都不好意思公布”(McMahon，2011)[1]，由此引发了2012年3月全国两会期间关于商业银行利润是否过高的讨论。重庆市长黄奇帆认为，这源于中国银行业存贷款的息差达3个多百分点，凭空地比世界上其它银行多了两个点(苏曼丽，2012)[2]。另一些专家则认为“银行以息差收入为主、盈利靠规模和息差驱动，这种发展方式和盈利模式无法持续，必须加快转型步伐”(刘诗评等，2012)[3]。所谓转型，就是要大力拓展中间业务，提高非利息收入的份额。2012年6月9日，中国央行在降低存货款基准利率的同时，把贷款下浮幅度增加到了20%，并首次允许存款利率上浮10%，这一举措既加快了利率市场化的步伐，又从监管角度促进了商业银行改变传统盈利的模式。特别是对中小银行而言，甚至面临着存贷利率倒挂的局面。存贷利差的缩小迫使中国银行业纷纷扩大非利息收入以保持盈利增长率、努力寻求非存款融资(批发融资)以减少存款成本上升带来的压力。那么银行业收入结构和融资模式的转变将会带来正面影响还是负面影响呢？
事实上，自美国次贷危机爆发以来，西方各国纷纷反思银行业的不同经营模式对其抗风险能力的影响。在次贷危机中，从银行负债资金来源的角度看，高度依赖批发融资的模式(如美国的投资银行模式)可能招致较大的风险。从资产运用的角度看，危机也显露出不同经营模式的缺陷。危机导致美国部分投资银行破产倒闭(如贝尔斯登和雷曼兄弟等)，“两房”被美国政府接管，美林证券被收购，高盛和摩根士丹利转为银行控股公司，使美国银行业完成了模式发展的循环过程：20世纪30年代前实行混业经营制；1933年格拉斯斯蒂格尔法案迫使商业银行与投资银行分离；1999年金融服务现代化法案重新引入混业经营模式；2008年大型独立投资银行消失。因此，金融危机后，混业经营的全能制银行因其遭遇负面冲击时的较强恢复力成为政府和监管部门青睐的金融机构，重新夺回了银行业发展的主导地位。就中国银行业而言，能否借鉴国际银行业发展的先进经验，吸取教训，按照合理和稳健的方式实施收入结构转型和融资模式调整，是中国银行业化金融全球化挑战为机遇的关键之举。
本文立足于1997年中国银行业实施系统改革之初，采用面板数据分析和GMM(广义矩估计)方法，力求通过考察1997-2010年间144家中国银行业的非利息收入及非存款融资(Nondeposit Funding)对银行盈利和风险水平的影响，既可以解开实业界人士“银行业盈利模式是否该大力向非利息收入方向扭转”①的困惑，也可以警示银行业对非存款融资渠道的审视、重视和管理，为银行业进一步提高盈利水平、增强核心竞争能力和防范风险提供参考途径，为监管部门维护金融稳定、促进经济繁荣提供决策参考。
二、文献回顾
现有关于银行最优收入结构和融资模式的相关研究中，国外学者存在不太一致的观点(Demirgue-Kunt和Huizinga，2010)[4]。一种观点认为银行通过传统存贷款业务可以获取客户的相关信息，而这些信息会帮助银行更好地争取同一客户的中间业务，银行开展非利息收入的业务可以增加银行的盈利并在一定程度上分散银行的风险，因此，这会促进银行在未来获得更好的表现(Diamond,1991; Rajan,1992; Saunders和Walter,1994; Stein,2002)[5-8]。但是也有学者认为，当银行的业务或机构设置增加时，会引发额外与金融特质相关的技术问题和潜在的代理问题(Jensen和Meckling，1976；Jensen，1986)[9-10]，因此即便通过非利息收入业务能转化风险，但转化的风险与由它带来的弊端孰大孰小是不确定的。Myers和Rajan(1998)[11]的研究认为，因银行非利息收入扩大而增加的资产流动性甚至可能提高银行经营者背离银行利益的概率。Baele等(2007)[12]采用1989年至2004年间欧洲银行的数据研究了非利息收入份额对银行风险和股票收益率的影响，结果发现银行非利息收入与股票市场的系统风险存在正相关，而与银行的特质风险存在非线性关系——多数银行的非利息收入增加到一定程度时，特质风险减小了。Laeven和Levine(2007)[13]使用1998-2002年间43个国家的数据考察了银行的托宾Q值与收入分散化程度(用非利息收入份额测度)之间的关系，他们发现在收入结构和数量上相近的样本银行中，收入分散化程度高的银行一般托宾Q值较低，但是作者没有详细讨论其中的因果关系，仅解释这是因代理问题所致的。Stiroh(2004)[14]在研究美国银行业的非利息收入份额对银行收益和风险的影响机制中发现，美国银行业中Z-scores值最高的银行其非利息收入份额等于零，因此表明非传统银行业务可能增加了银行的风险。
在银行融资模式的研究中，Diamond(1984)[15]认为银行的负债结构和它在资本市场获得批发融资的能力向潜在存款人传递了该银行信用等级的信号。Calomiris(1999)[16]认为如果银行发行的次级债券超过了存款保险的信用等级，则这些次级债券的投资人实际上发挥了监督银行经营的作用。因此，银行的非存款性融资通过较好的监督功能而降低了银行的脆弱性。然而存款融资和非存款融资将分别通过银行挤兑或批发融资的突然中止而带来不同的潜在流动性风险。Huang和Ratnovski(2008)[17]建立了一个说明批发融资负面影响的理论模型，他们认为当批发融资的提供者获取了关于银行资产质量的负面或噪音信息时，这些批发融资者将撤回资金，从而导致银行因偿付能力不足而破产。
Demirgue-Kunt和Huizinga(2010)[4]扩展了Stiroh(2004)[14]的研究，他们采用101个国家1334家银行截至次贷危机爆发前的数据，分析了银行收入结构和融资模式对风险和盈利的影响，研究发现当银行极度依赖非利息收入或非存款融资时，银行的风险都会很大；其次银行的非利息收入虽然能增加银行的盈利，但只能在很小的程度上起到分散银行风险的作用；而非存款融资对银行的盈利能力则有负面作用，但其在银行非存款融资份额不高的情况下，可以有效地降低银行风险。
与国外相比，国内的相关研究较少，且国内学者的研究视点主要集中在非利息收入这个指标上，鲜有文献聚焦于银行的融资模式。仅有的融资模式研究考察的是银行流动性而非盈利性，如成文豪和王坤(2011)[18]利用工、中、建三大国有商业银行2004年至2010年的面板数据研究了商业银行融资模式对流动性的影响，他们得出了10%置信水平下两者存在线性负相关的结论。在有关中国银行业收入结构的研究中，学者们主要从三个方面展开。一是分析了中国商业银行收入的影响因素，如王爽等(2011)[19]通过73家城市商业银行2002-2009年的财务数据，探析了城市商业银行收入结构变化的影响因素，他们认为，银行经营成本、技术进步、资产管理水平、银行规模和股东结构对净利息收入有显著性影响；经营成本和技术进步对非利息收入有显著性影响。二是研究了非利息收入对银行收入水平的作用。周好文和王菁(2008)[20]以投资组合理论为基础，研究了1999-2006期间中国商业银行非利息收入的波动性与营业收入波动性的关系，发现两者的波动性呈负相关。在非利息收入对银行盈利的影响研究中，娄迎春(2008)[21]使用国内12家商业银行2000-2005年的面板数据，以总资产收益率为被解释变量，银行的非利息收入份额为解释变量，得出银行非利息收入份额与资产收益率呈负相关关系，即非利息收入份额越高，银行的赢利能力越差。不过，盛虎和王冰(2005)[22]采用相同的因变量和自变量，得出了完全相反的结论，即非利息收入份额和银行总资产收益率之间呈显著正相关。而邢学艳(2011)[23]通过对比分析国内不同规模银行的非利息收入份额等指标，得出了我国不同类型商业银行的收入结构存在差异，银行的资产规模及国有股比率等是造成该差异的主要原因。第三则是从风险角度方面考量非利息收入对银行风险的影响。但因我国非利息业务开展和发展较慢，直接研究二者关系的文献较少。郑荣年和牛慕鸿(2007)[24]的研究发现，增加银行非利息收入在提高银行收益的同时，也会给银行带来风险。鲁丹(2008)[25]则利用12家商业银行1986-2005年的数据研究发现，非利息业务的拓展并不能降低我国商业银行的经营风险。张庆君和张荔(2011)[26]通过对中国14家商业银行的实证分析，考察了资产价格的波动对中国商业银行收入结构及银行系统风险的影响，得出资产价格波动与银行系统风险指数间存在显著的相关性关系，与非利息收入结构有明显的正相关关系。
本文的研究动机在于以下四个方面。首先，纵观国内的研究成果，不难发现，学术界受金融危机的启示和影响的关注点主要局限在我国非利息收入的研究中，但本次金融危机的爆发，除了警示我们银行风险控制的重要性和银行盈利模式的重新回归和定位外，也表明了银行融资渠道和份额将直接影响到负债的风险性和经营的稳定性，但现有研究并未对银行融资模式的影响机制给予足够的重视，也未开展较深入的分析。其次，在探析我国银行业非利息收入对盈利和风险的影响方面，多数文献仅从收入角度研究，且主要针对中国四大行和股份商业银行，样本的代表性有限，致使研究结论出现较大分歧，我们的研究将涵盖全国144家商业银行连续14年的数据，提高了结论的稳健性。第三，国内针对非利息收入对商业银行经营风险的研究还较少，且衡量银行风险的指标比较单一，商业银行是在承担并管理风险的过程中获得相应收入的，风险水平对银行有重要的影响，因此我们拟在研究中纳入银行风险这一因素，特别是采用Z-Score指标测度银行的风险水平，该指标在国内相关研究中很少被使用过。第四，考虑到传统的最小二乘回归在非利息收入对银行盈利的影响研究中无法处理解释变量的内生性问题，尤其当加入风险因素时，这种内生性更加突出，因为风险与收益始终是相伴而生的，为此，我们拟采用广义矩估计方法(GMM方法，Arellano和Bover，1995)[27]来克服变量的内生性问题。
三、研究设计
本文的研究思路是先简要分析样本银行非利息收入和非存款性融资的变化，以及它们与银行盈利和风险水平的发展趋势，同时使用相关性矩阵分析这些关键指标的联系；其次分别以银行的非利息收入份额和非存款融资份额为因变量，选择银行内部的特征变量值为自变量，进行面板数据回归；第三，考察银行非利息收入和非存款融资对盈利能力和风险水平的影响，在银行盈利能力的指标上我们选择了ROA，而银行风险水平的测度方面，我们借鉴国外学者的做法，使用Z-Score值。为避免样本异质性问题，解决回归中的变量内生性问题，我们采用GMM回归方法。
(一)模型设定
在银行收入结构和融资模式的影响因素方面，我们设定的分析模型为：
(1)式中，i表示不同的银行个体；
是被解释变量，代表非利息收入份额或非存款性融资份额；
为影响银行非利息收入份额或非存款性融资份额的银行特征指标，包括银行规模、权益资产比、资产增长率、费用结构等；
为t时期的金融市场结构变量，包括资产的市场份额、存款市场总份额和市场集中度等；
为t时期的宏观经济变量，包括GDP增长率和通货膨胀率等，
为误差项。
在银行的收入结构和融资模式对风险和盈利的影响方面，参考国内外已有研究，以及Demirguc-Kunt和Huizinga(2010)[4]、Jokipii和Milne(2011)[28]的模型，我们设定的回归方程如下：
(2)式中②，i表示不同的银行个体；
是被解释变量，表示t时期第i家银行的风险或盈利指标，本文采用的盈利指标是资产收益率(ROA)，风险指标使用Z-score值；
为第i家银行风险或盈利指标的滞后项；
为分别非利息收入份额和非存款融资份额；
是t时期第i家银行的内部特征变量，包括银行规模、Z值、X效率等；
为t时期宏观经济变量，包括GPD增长率、通货膨胀率、存款款基准利率、利率变动等，
为t时期的金融市场结构，主要是市场集中度；
为误差项。
(二)变量选择
在银行收入结构分析中，我们选取非利息收入开展研究；在银行融资策略方面，我们将银行负债分为存款融资和货币市场工具类的短期非存款性融资。我们使用银行非利息收入占总收入的份额来衡量银行非利息收入的情况，使用短期非存款融资占其总融资之和的份额度量非存款融资水平，在此基础上，我们聚焦于银行不同收入结构和融资模式中隐含的收益与风险的权衡。
在方程(1)的回归中，我们从银行特质变量、金融市场结构和宏观变量的角度，考察它们对银行非利息收入份额与非存款融资份额的影响。银行的特征变量有：银行规模，采用银行资产的对数形式表示，银行资产规模的不同，会直接影响到银行战略选择的方向和银行开展业务的侧重点及定位，通常人们认为规模较大的银行往往更具实力应对风险，掌握风险控制工具、技术及方法，因此我们希望得到银行规模对银行的非利息收入业务及银行持有非存款融资的行为的影响作用力。权益资产比，用净资产与资产的比值计算，衡量银行的资本情况。资产增长率，随着中国金融市场的改革和完善，银行间业务开展的政策差异性在逐步缩小，银行业的竞争程度也日趋激烈，因此，可以抢占先机有效运用银行资源和资本的银行往往资产增长率的速度也较高，因此不能单一考核银行规模这一指标，还要结合增长率，看银行的高资产增长率是否与非利息收入业务和非存款融资有关。费用结构率是银行的经常费用/总资产之比，衡量商业银行的开销结构，体现银行经营成本的高低，银行在开展业务和吸收融资时，除了考虑给银行带来的收入，也要权衡相应的支出费用。
除了采用上述的四个银行特征变量外，我们还采用银行市场份额和市场集中度来反映银行业市场的结构。银行市场份额指某银行业务量在银行业全部业务量中所占的比重。一般认为，银行数越多，单个银行所占比重越低，市场份额也就越小，市场的竞争程度就越高。随着新兴商业银行的进入和金融管制的放松，各国商业银行之间的竞争日趋激烈。在计算银行市场份额时，我们测算了银行总资产市场份额及银行总存款的市场份额。我们采用赫芬达尔-赫希曼指数测算市场集中度。赫芬达尔指数简称H指标，它的优势在于测度时考虑的是行业内所有企业而非仅规模大的企业。
，其中：T代表市场总规模；n代表该行业企业总数；
代表各个银行的有关数值，本文的市场集中度以存款为分析基础。宏观变量选取了真实GDP增长率和通货膨胀率，以观察宏观经济的波动对银行非利息收入和非存款性融资有何影响。方程(2)的金融市场结构变量也使用市场集中度。宏观经济变量采用真实GDP增长率和通货膨胀率。
在方程(2)的银行特征变量方面，除了本文要重点考察的非利息收入份额和非存款融资份额外，我们还保留了银行规模变量，且当被解释变量为银行盈利指标ROA时，我们在解释变量中加入了衡量银行风险程度的Z值。由银行危机理论可知，商业银行追求盈利的可持续性时，其抗风险能力是最基本的前提。所以，在分析盈利能力的影响因素时，风险因素的考量不能忽略。与此同时，我们纳入银行效率指标。银行效率能较好地体现银行的运营情况，它是指银行在业务活动中投入与产出(或成本与效益)之间的对比关系，反映银行对资源有效配置的情况，是衡量银行在同业竞争中投入产出能力、可持续发展能力及是否具备核心竞争力的重要指标。效率高的银行能更好地、更有效地发挥贷款资源、获得更可观的收入。但纵观国内研究银行盈利决定因素的文献中，鲜有将X效率作为解释变量来探讨银行X效率与盈利能力之间的关系。因此本文运用成本X效率来衡量国内银行的效率，避免了因使用成本收入比衡量成本效率导致的不精准问题，开可以解决采用经营费用与总资产之比作为银行盈利解释变量时，与ROA的共线性问题。本文采用Berger等(2009)[29]提出的超越对数函数，运用随机前沿法测算了中国银行业1997-2010的成本效率，并将效率结果变形为统一的排序后，作为盈利指标的解释变量来探讨银行X效率对银行盈利的影响程度。函数形式如下：
(3)式中，i、t分别代表银行和年份，k=1，…，4表示4个产出变量，并且
，C是银行的费用成本，4个输出变量y分别是：总贷款、总存款、流动资产、其他盈利性资产；2个投入变量w是：总存款的利息支出和固定资产的非利息支出；固定投入变量z是银行盈利性资产值③。计算出样本银行各年份的成本效率值后，对它们进行升序排序，再采用统一的转换公式(orderit-1)/(nt-1)使它们变成[0，1]之间的效率水平值，orderit表示银行i在t年的效率值排序中的位置，其中
是t年中参加排序的银行数量。变形转换后的数字可以反映出银行i在t年的效率与其他银行相比时处于整个行业的哪个水平。例如如果一个银行在t年的效率值强于系统中70%的银行，则它的效率水平即为0.7。第t年中效率最差的银行效率水平为(1-1)/(-1)，即效率水平为0；第t年中效率最高的银行效率水平为(-1)/(-1)，效率水平即为1④。
方程(2)的宏观变量除了延用方程(1)中的变量外，还加入了银行利率波动率及存贷款基准利率差这两个指标。在分析银行业行为时，除了宏观经济变量外，整体金融市场的系统经济指标对银行的影响也尤为重要，所以与其他文献相比，我们试图衡量金融系统的经济指标对银行盈利和风险的影响程度。在计算存贷款基准利率差时，本文以一年中执行利率的时间为权重加权算出每年的存贷款利率值后再相减。我们参考Garcia-Herrero和Gavila(2009)[30]使用银行拆借平均月利率的标准差测度利率波动率，但因为数据缺失原因，我们将该文中以7天为基准的银行拆借平均月利率改为每月衡量的银行拆借平均月利率，期望运用上述各指标能真实衡量测度出宏观经济变量对银行业盈利能力及风险水平的影响状况，从而提出合理有效的政策建议。
四、实证分析
(一)数据来源及描述性统计
本文从Bankscope数据库中收集了1997-2010年年末的208家银行的年度数据，但由于部分银行数据缺失情况严重，所以我们删除了不足两年的样本；剩余的152家样本银行中还包括一些现已不存在的银行如盐业银行、金城银行等⑤，故也将之删除。最终获得的样本银行共有144家⑥。银行的特征变量来自Bankscope数据库，行业的相关数据主要取自中国金融年鉴，宏观数据选自CEIC数据库(表1)。
从表2可以看到，中国商业银行的平均ROA为0.83%，远低于Demirguc-Kunt和Huizinga(2010)[4]1.8%的资产收益率，样本期间中国商业银行的ROA在2005年以后才有了较大的增长，在90年代末和21世纪初整体上都低于0.5%，2007年以后才达到了1%左右。其中股份制银行和城市商业银行都经历了一个U型发展过程，也就是在2001年中国加入WTO的最初几年，受到了较大的负面冲击，随后又迎头赶上来了。
我国商业银行的非利息收入份额的均值为7.054%，虽然该指标在近几年有大幅提升，但还是小于国际平均水准，并且个别样本银行出现了非利息收入份额为负值的情况，由于该值在样本中的频率仅为0.109%，故在实际回归中我们剔除了这种异常值。
非存款融资份额的最小值和最大值分别为0%、99.11%，接近Demirguc-Kunt和Huizinga(2010)[4]的0%、100%，但我国商业银行的非存款融资份额的平均值更高，因此这值得我们聚焦研究我国商业银行的非存款融资份额是否处于合理的范围内，对银行的风险有无促进作用。而对比Z-score值的情况，我国商业银行的Z-score值总体较高，说明相较金融危机爆发前国外银行业的经营模式，我国现行的银行模式具有更高的安全性，濒临破产的机率也较低。
数据来源：中国金融年鉴；Bankscope；CEIC。
(二)主要指标的分析
1.非利息收入份额和非存款融资份额
图1 中国商业银行非利息收入份额的频率分布，
图2 按不同银行类型划分的平均非利息收入份额
图1展示了样本银行非利息收入份额的频率分布，可以发现我国商业银行没有任何一家银行完全依赖于非利息收入业务，分布在0.05和0.10之间达到峰值，即在样本期间，我国商业银行的利息收入份额与国际市场股份制商业银行平均10%～20%、国际性先进银行40%～60%的非利息收入份额相比，还存在着比较大的差距。图2可以看到中国商业银行非利息收入份额平均值的变化趋势。总体而言，非利息收入份额在逐渐增加，1998年的非利息收入份额处于一个谷底。图2还表明，1998年，四大国有银行的非利息收入份额最低，考虑到四大国有银行的改革在该年刚起步不久，因此其对银行整体系统的影响程度和能力还较高，所以明显拉低了行业整体均值。随着四大国有银行改革成功和相继上市，这些大型国有商业银行凭借庞大的资产和客户规模、广泛的营销网络及商誉等优势，非利息收入的提高明显快于其他商业银行，处于行业领先水平，到2010年超过了其他所有银行，这与段玉琴(2010)[31]的研究结论相同。
图3 商业银行非存款性融资份额的频率分布
图4 按不同银行类型划分的平均非存款融资份额
图3表示非存款性融资份额的分布情况。大多数银行的非存款融资份额接近于0.05，但还是有少量银行的非存款融资份额超过了0.5。图4的非存款融资份额的变化幅度较大，但总体呈减少趋势，且自2007年后下降幅度极明显。Demirguc-Kunt和Huizinga(2010)[4]认为非存款融资是在金融危机中可能造成银行的不稳定，且经历次贷危机后，各银行的非存款融资势必会有明显降低。我国商业银行近年来的非存款融资份额恰好印证了Demirguc-Kunt和Huizinga(2010)[4]的观点。
2.非利息收入、非存款性融资、银行利润和风险水平
本文使用的银行盈利指标是银行资产收益率(ROA)，我们采用Demirguc-Kunt和Huizinga(2010)[4]中衡量银行破产概率的指标值——Z-Score来衡量银行的风险情况。Z-Score等于ROA与权益比率(Equity-to-AssetsRatio)之和除以ROA的标准差⑦。Z-Score越大，表明银行破产的概率就越小。图5和图6表示非利息收入份额、非存款性融资份额与资产收益率(ROA)和Z-Score的关系。这两个图中，将非利息收入份额和非存款融资份额分别按升序排列后，将排列后的值均等分成20份，将与它们排序时相对应的ROA值和Z-Score值取均值后刻画在图中。在图5中，ROA与非利息收入份额、非存款性融资份额的关系趋势不是很明显，波动幅度没有明显的大起大落，但在整体的趋势中ROA与非利息收入份额和非存款融资份额呈正相关关系。可以看到，在图6中，随着非利息收入份额和非存款融资份额的增加，银行Z-Score也随之增加。这与Demirguc-kunt和Huizinga(2010)[4]的结果不太一致，Demirguc-kunt和Huizinga(2010)[4]刻画的100多个国家的非利息收入份额、非存款融资份额与银行Z-Score值的关系线呈现倒U型。他们认为在一定程度内，非利息收入份额和非存款融资份额与银行Z-Score值呈正相关关系，增加它们能分散银行风险，但超过某一数值后，它们之间的关系会反向发展，呈负相关，增加它们反而会提高银行的风险。本文认为相较Demirguc-kunt和Huizinga(2010)[4]研究的众多国家的银行而言，中国现阶段的金融发达水平还较低下，且我国利率市场化改革刚刚起步，无论是非利息收入业务的开展还是非存款融资的拥有量都低于国际平均水平，因此，我国银行业现阶段的正相关关系正处于Demirguc-kunt和Huizinga(2010)[4]文中倒U型的上升阶段。非利息收入高的银行一般更倾向于持有非存款融资，这与Kashyap等(2002)[32]和Song和Thakor(2007)[33]中验证的同一金融机构中负债与收入关系中的非利息收入份额和非存款融资份额的正向共存性相一致。至于这两个指标对银行盈利和风险水平的影响研究，将在下文加以分析。
图5 按非利息收入和非存款融资大小分组后的资产收益率及其拟合趋势
图6 按非利息收入和非存款融资大小分组后的Z-score值及其拟合趋势
注：*表示显著性水平为10%；**表示显著性水平为5%；***表示显著性水平为1%；括号内为P值。
(三)非利息收入份额与非存款融资份额的影响因素
这里使用面板数据的固定效应模型进行分析，回归结果见表4。回归(1)、(3)为只考量了银行特征变量的情况。由回归结果可知，规模大的银行非利息收入份额更高，但非存款性融资份额更低。银行规模与非利息收入之间的正向关系并不是偶然的，规模大的银行确实在创造非利息收入的业务中更具竞争优势，有能力提供更多种类的产品和服务，为专业化和产品交叉销售提供更多的机会等。如图2和图4所示，资产规模庞大的四大国有银行的非利息收入份额就较其他类别的银行高，非存款性融资份额较低。资产增加快、发展速度快的银行其非利息收入额也较高，非存款融资份额也高。非利息收入份额与费用率呈正相关的原因在于开展非利息收入业务，不仅需要银行投入额外的人力、物力拓展销售网络，还需要投入额外的资金进行产品研发和配套硬件设施建设，如果银行的发展相对不够成熟，开展非利息业务需要的投入必然会引发营业成本的大幅上升。同时我国银行业所处的经营环境不足宽松，允许银行混业经营的政策还未放开，这样，势必导致相关业务起步晚，业务关系不稳定，投入成本高的特性。当加入金融市场结构和宏观经济变量后，它们的作用影响较小，银行非利息收入份额只与资产的市场份额显著负相关，而在高通胀和GDP高增长时期银行的非存款融资份额较低。
(四)银行收入结构、融资模式对盈利和风险的影响
这部分研究中，我们不可避免地遇到变量的内生性问题。因为盈利高的银行可能会通过增加权益资本来维持盈利局面，或盈利后通过扩大规模、增加广告宣传等手段对未来盈利产生积极影响；从另一个方面考虑，盈利高的银行也可能会雇佣更多的员工，这会增加银行支出、降低银行效率对盈利产生负面影响，即变量之间因果的双向性会导致内生性。其次，在样本期内，政府对金融市场还存在一定程度的干预，所以样本银行间往往会因为政策差异导致相互间的异质性。这些问题也存在于过去的研究中，但没有被重视和有效解决。本文采用广义矩估计方法(GMM)进行回归。广义矩估计不要求扰动项的准确分布信息，允许随机误差项存在异方差和序列相关，能够较好地解决解释变量的内生性问题。GMM回归采用被解释变量的水平值和差分值的滞后项为工具变量，与此同时针对可能存在内生性的解释变量，GMM将它们的滞后项作为工具变量，同时GMM估计能顾及样本异质性，因此得到的参数估计量比其他方法更合乎实际。
在表5和表6中，除了明显的外生变量外，我们对其余变量都使用了工具变量，并将使用工具变量的变量在回归结果中用斜体字表明⑧。首先对工具变量的过度识别约束进行了Sargan检验，方程中的Sargan检验值分别为：69%、58%、62.9%、45.28%、45.28%、33.92%，按照5%的显著性水平，不能拒绝工具变量约束有效的原假设，即所采用工具变量的过度识别约束有效。
回归系数的瓦尔德联合检验表明，拒绝剩余显著解释变量系数等于零的假设⑨，此处我们直接报告最终检验后的结果⑩。此外，为了便于与其他文献比较，我们还对显著的回归变量进行了面板数据模型估计(固定效应)和OLS，所得到的结果基本一致(11)。
表5和表6显示，中国商业银行非利息收入份额的比重越大，银行的盈利水平越高，且增加非利息收入份额可以降低分散银行的经营风险，表现为非利息收入份额与银行的Z-score值显著正相关。目前我国商业银行从事非利息业务主要是以收费为主的业务，这类业务资本要求低、不涉及银行的资产与负债，有利于降低银行的风险，并且所需风险拨备也较低，因此能在一定程度内平滑和缓冲各类冲击，使商业银行的非利息收入较为稳定。因此开展非利息业务不仅能帮助我国银行业的服务呈现多样化，分散银行风险，更能在服务中创造收入、增加盈利。同样地，银行非存款融资份额也与银行盈利水平和抗风险能力显著正相关。非存款融资份额较高的银行能很好地避免流动性危机，并增加银行盈利水平。非存款融资份额高的银行表明其在金融市场上更容易获得投资者的青睐而筹集资金。通常地，银行流动性越好，则抵御外界负面冲击的能力越强，故在不完全的资本市场上，它的筹资成本也相对越低，因此可以提高银行的盈利能力，但是中国商业银行目前的盈利大部分来自于存贷款利差，如果银行资产的流动性过高，势必会影响银行的预期收益率，因此在增加非存款融资份额时，有必要将其控制在合理的范围内。
在其他变量中，商业银行的规模和效率对银行盈利和抗风险能力有显著的积极作用。规模较大的银行，其分布地域往往更为广泛，它们业务种类齐全，网点数量多，且资产价值高，可以凭借规模优势降低成本、提高利润，且规模较大的银行通过上市后可以对自身风险管理水平产生积极的促进作用，同时我国规模较大的银行资产实力雄厚，在银行风险管理中的整体监测、预防和控制水平更高。
宏观变量中的GDP增长率和通货膨胀率的提高、银行基准存贷款利率差的扩大都有助于提高中国商业银行盈利水平，增加其抗风险的能力。但银行系统利率的波动率却相反。GDP增长率被视作经济体制发展的一个总指标，经济中投资机会与商业周期是正相关的，因此银行商业机会和经济增长率之间存在正相关性，在GDP增长率降低减缓时，经济景象衰弱对银行的抗风险能力是一个检测机会。从银行存贷款基准利率差的实证结果中，可以印证中国商业银行的主要赢利模式仍然是获取利息差，但随着利率市场化的逐步发展，未来利率缩小的趋势不可避免，这会影响银行盈利能力的可持续性，因此要求中国银行业应该努力实现盈利来源的多样性，积极拓展非利息业务，增大非利息收入在经营收入结构中的比重。同时中国金融市场的市场化程度较低并且中国实行严格的利率管制，因此当银行对货币政策的调整方向和工具运用没有准确地预期并做出及时调整时，势必会在政策转向时使银行经营活动受到负面干扰，影响其抗风险能力。
本文采用面板数据的固定效应模型对影响中国银行业非利息收入及非存款融资的影响因素进行了分析，在此基础上，选取银行的盈利指标ROA和银行抗风险测度指标Z-score值作为被解释变量，银行规模、效率等特质变量和宏观经济指标作为控制变量，研究了非利息收入份额和非存款融资份额对银行盈利能力和风险的影响。研究表明：
①银行非利息收入主要受银行内部特征变量影响，其中银行规模大、权益资产比高的银行，其非利息收入份额往往较高。同时因中国金融市场的分业经营环境，使银行业在开展非利息业务中存在局限性，并且开展非利息业务需要银行投入额外的资金拓展销售网络及配置设施等，因此会引发银行的费用上升。四大国有银行近年的非利息收入份额有明显提高，远高于其他银行，说明这些银行已经意识到传统存贷业务带来的利息收入增长空间的局限性，正在积极实施经营和战略管理转型。
②银行非存款融资除了受银行内部特征变量影响外，还与金融市场集中度和宏观经济中的GDP增长率和通货膨胀率情况有关。银行规模大、权益资产比高的银行，其非存款融资份额较低。资产增长速度较快的银行更青睐于更大的非存款融资份额，体现了成长较快的银行对资产流动性的需求比较高。当GDP增长率较高或高通胀时期，银行往往不会大量吸纳非存款融资。
③在考察银行非利息收入份额和非存款融资份额对银行风险、盈利水平的影响时，我们发现，银行非利息收入份额、非存款融资份额对银行的资产收益率有显著的正相关关系，非利息收入业务可以分散银行经营风险，与测度银行风险的Z-score值显著正相关(Z-score值越大，银行越安全不易破产)，而中国商业银行持有的非存款融资情况仍旧处于较低风险的程度，及倒U型的上坡阶段，因此，增加非存款融资份额会起到协调银行流动性作用，对抗流动性风险。
④除了银行非利息收入份额和非存款融资份额对银行风险、盈利的影响外，我们也得到了其他变量的作用关系。规模大、效率高的银行往往盈利水平更好，应对风险能力的更强；同时银行的风险水平往往与银行的盈利显著负相关，因为银行承受较高风险经营时，势必要有更多收益回报才能弥补其承担的风险。市场集中度对银行盈利的结果表明，现阶段我国银行业的垄断情况仍旧存在，占有垄断地位的银行因广泛的网点分布和客户中的信誉高，更易吸纳存款和开展信贷及其他业务，因而更易增加收入，但集中度与银行的风险水平显著负相关，集中度的下降会表明竞争程度的上升，而往往激烈的竞争是促使银行全方位加强自身经营的能力动力，提升综合实力，这其中自然包括银行的抗风险能力。就宏观经济变量而言，银行处在经济周期的繁荣时期时，往往盈利水平更好，中国经济总体实力的持续走强为中国银行业盈利能力的提升提供了良好的经济环境，也为银行提升抗风险的水平奠定了基础平台。此外，有关中国银行业盈利的主要模式，央行制定的存贷款基准利率差越大，银行获得的利润越多，破产倒闭的可能性越低。但考虑到中国的具体国情，银行如不能对宏观经济政策的调整方向进行准确预测和及时应对，就会对盈利产生负面影响，利率波动率对盈利和风险指标的负相关即是表现之一。
因此，在传统业务竞争日益剧烈的情况下，商业银行的非利息业务种类和创新，非存款融资的便捷和灵活性，在某种程度上为银行增加了新的利润增长点，但吸取金融危机的教训和经验，随着这部分业务和非存款融资数量的大力扩展，它们也可能加大盈利的波动性和风险的不稳定性，所以商业银行在大力拓展非利息收入业务、吸纳非存款融资时，不仅要重视对它们成本的控制和缩减，更不容忽视它们的风险。
①参见赵洋.银行业盈利模式需要怎样的转变.金融时报，2012年03月19日。
②线性形式是分析银行盈利能力的一种惯用的方程形式。Short等(1979)和Bourke(1989)曾尝试运用几种其他函数形式分析，但结论显示线性模型与其他形式的结果几乎没有差异。
③(3)式中除以是为了标准化变形，这样会降低估计效率的异方差，方便比较。
④在比较应用中，效率水平比单纯效率排序更精准，因为它能直观地反映出个体银行在某年行业中所处的效率水平位置，并且当所有年份的效率值都使用统一标准转换后，可以在时间跨度上将样本银行进行比较。
⑤这些银行被其他银行并购了。
⑥在银行盈利能力及风险水平的回归分析中，采用的广义矩估计更适用于大样本的回归。
⑦与Demirguc-kunt和Huizinga(2010)的方法类似，本文ROA的标准差以近4年的数据为基础来计算。
⑧参照Garcia-Herrero和Gavila(2009)。
⑨我们对初次估计结果使用瓦尔德系数联合检验，假设不显著变量的系数等于0，如果假设没被拒绝，则去除不显著的变量后对剩余变量再次回归。直到剩余变量的系数等于0被拒绝时，才停止减除变量。
⑩表格中空白的变量表示在初始回归中因不显著，经过瓦尔德检验后没有再继续带入下次回归。
(11)限于篇幅，这里没有报告面板固定效应和OLS的估计结果，需要的读者可以向作者索取。
标签：银行论文; 商业银行论文; 利息收入论文; 银行风险论文; 银行融资论文; 融资风险论文; 银行资产论文; 融资论文; 风险资产论文; 解释变量论文; roa论文;