英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
附录A 外文译文
金融科技对我国国有商业银行盈利能力的影响
摘要：金融科技是指科技在金融产品和服务的设计和交付方面的创新应用。本研究旨在利用2014-2019年期间的数据，对影响中国六家国有商业银行盈利能力的金融科技和其他决定因素进行统计研究。理论上，金融科技通过对资产业务、流动性业务和中间业务的负面影响，对其银行业务起到了干扰作用。实证结果表明，金融科技的发展对sob的盈利能力有负面影响，比较OLS估计、FGLS估计、Prais-Winsten估计和FE估计的回归结果，以确保统计推断的有效性。
关键词:协方差矩阵估计，空间相关面板数据，空间相关面板数据，协方差矩阵
一、介绍
一些最新的技术创新，如人工智能、大数据、云计算、区块链、数字支付和机器人顾问，正在迅速重塑传统银行业。2007-2008年全球金融危机之后，中国的商业银行一直专注于应对众多新监管规定，而采用创新技术似乎是一个遥远的优先事项。近年来金融科技初创公司的兴起无疑加速了传统银行模式的颠覆，甚至技术驱动的公司也决定抓住机遇。然而，国有银行似乎在将技术融入其银行产品和服务方面进展缓慢，而一些私人银行已经积极尝试将金融科技融入其日常运营活动，以提高效率和降低成本。已经开展了一些研究[4- 6]，以了解金融科技对不同国家银行盈利能力的影响。但金融科技对银行盈利能力的影响仍存在褒贬不一的结果，尤其是国有商业银行，其盈利能力还可能同时受到其他重要因素的影响。金融科技对银行盈利能力的具体影响机制还有待进一步研究。本研究的目的是识别金融科技对中国上市公司盈利能力的影响，从理论和实证两个角度。
二、理论分析
本节对影响进行了理论分析，并提出了一个关键的假设。从历史上看，随着技术的发展，银行业很好地整合了这些新技术，以便更好地为客户服务。国有银行与民营银行的一个不同特点是，国有银行受到政府政策的监管更多，在日常经营中可能更加保守。2007-2008年金融危机之后，全球商业银行正忙于应对复杂的监管。中国的抽泣可以分为以下几类，中国银行保险监督管理委员会也加强了对系统重要银行的监管，以完善货币政策传导机制，防范系统性金融风险。此外，大型国有银行的代理问题、内部官僚主义问题和僵化的组织结构也会影响银行改变当前模式的意愿。
与私人银行相比，传统上，sob拥有多种低成本流动性来源，因此缺乏争夺存款的动力。有证据表明，金融科技已经破坏了银行存款的稳定性和受欢迎程度。例如，近年来，中国人开始将存款转移到余额宝等在线互联网货币基金，这可能会导致国有银行的流动性风险逐渐增加。与此同时，第三方支付基础设施的快速发展可能会侵蚀sob的中间业务。因此，有理由做出如下假设:
假设:金融科技对中国上市公司的盈利能力有负面影响。
上述假设是在考虑国有银行的流动性业务和中间业务如何受到影响的基础上提出的。同时，从传统的资产经营角度来看，国有银行的盈利能力取决于银行资产的质量。资本充足率(CAR)、成本收入比(CIR)、不良贷款率(NPL)和银行资产水平(TA)也是衡量银行财务健康的关键指标。因此，目前的统计模型也纳入了这些因素，以了解银行盈利能力的决定因素。
三、模型和数据
本研究基于Wind和iFinD数据库收集的数据，选取了2014-2019年期间中国六家上市国有商业银行。本文采用面板数据估计模型探讨了国有银行盈利能力(以净资产收益率衡量)的决定因素，特别是金融技术(FT)的影响。ROE是银行盈利能力[10]水平的主要代表，它衡量了银行通过增加留存收益和额外实收资本来回报股东的能力。盈利能力差的银行通常面临更高的融资成本。考虑到数据的可用性，FT的指数采用主成分分析构建，综合考虑了2014-2019年期间第三方支付数量、云计算市场数量和互联网金融用户数量。使用面板数据分析有几个好处，包括更大的自由度，更多的数据变异性和更少的多重共线性[11]，它也有助于控制截面单元[12]的异质性。模型提出如下:
⃞௧ൌ ⃞⃞⃞௧⃞ଶ ⃞௧⃞ଷ ⃞௧⃞ସ ⃞௧⃞ହ ⃞௧⃞ ⃞⃞ ⃞௧
如式1所示，计量经济学模型表明，国有商业银行的盈利水平取决于金融科技(FT)、资本充足率(CAR)、成本收益率(CIR)、不良贷款(NPL)，总资产的自然对数(TA)和ui代表了个体间未观察到的异质性。变量的描述性统计总结在表1。
Table 1. Descriptive statistics of variables.
Variable Obs. Mean Std. Dev. Min Max
ROE
FT
CAR
CIR
NPL
TA
36
36
36
36
36
36
14.0331
11.1088
14.2895
33.2314
1.3983
11.9476
2.6191
0.6792
1.6572
10.8338
0.3692
0.4776
10.3700
10.0596
9.5600
23.2800
0.6400
11.0459
19.8000
11.8722
17.5200
66.4700
2.3900
12.6152
四、实证分析
回归分析如表2所示。总结了OLS估计、固定效应估计和随机效应估计的结果。rsup2;值表示
Table 2. Regression results from the model using OLS, fixed-effects and random-effects.
OLS FE RE FE Robust RE Robust
_ _
FT
CAR
CIR
NPL
TA
Cons.
N
R2
-3.5895***
(0.3862)
-0.2163
(0.2299)
0.0185
(0.0324)
-1.2451
(0.6630)
3.1696***
(0.6123)
20.2554**
(6.6218)
36
0.884
-1.7517
(0.9883)
-0.3691
(0.2247)
-0.0452
(0.0362)
-1.9789**
(0.6859)
-4.2153
(4.9305)
93.3980
(46.8090)
36
0.933
-3.1786***
(0.3086)
-0.4781*
(0.1940)
-0.0390
(0.0297)
-1.9494**
(0.6259)
2.9689**
(1.0235)
24.7267*
(10.0283)
36
0.927
-1.7517
(0.9201)
-0.3691
(0.2734)
-0.0452
(0.0263)
-1.9789
(0.8509)
-4.2153
(5.8825)
93.3980
(56.6831)
36
0.933
-3.1786***
(0.3093)
-0.4781**
(0.1623)
-0.0390
(0.0233)
-1.9494**
(0.7557)
2.9689***
(0.8266)
24.7267**
(8.2284)
36
0.927
Standard errors in parentheses (* p lt; 0.05, ** p lt; 0.01, *** p lt; 0.001)
4.1诊断测试
标准的Hausman检验[13]可以用来测试ui是否与回归量相关。但在样本量小和可能存在[14]内生性的情况下，它可能不可靠。本研究采用基于Arellano的工作[15]的wald检验来比较固定效应模型和随机效应模型。考虑到随机效应模型可能只有在不存在内生性或[16]极弱时才具有一致性，实际上在一般情况下更倾向于采用固定效应模型。此外，为了保证统计结果的有效性，还采用了面板稳健版的Hausman检验[17,18]。应该注意的是，忽略时间序列内回归扰动的相关性(序列相关性)和跨银行的相关性(横截面相关性)会导致有偏差的推断。虽然已经有人提出，序列相关性或横截面相关性在宏观面板中比在微观面板中更成问题[14,16]，但仍会评估假设的违反情况。用Pesaran CD检验和lm检验检验原假设(无截面相关性)，用改进的wald检验和Wooldridge自相关[16]检验异方差性和序列相关性。结果如表3所示。
Table 3. Diagnostic tests of the static panel data model.
|
Test method |
Results |
|
F-test LM-test Pesaran CD test (under FE) Breusch-Pagan LM-test (under FE) Modied wald test Testfor autocorrelation test (panel-robust) gt; Arellanorsquo;s wald test Hausman |
chibar2(01) = 16.93; Prob gt; chibar2 = 0.0000 Pr = 0.0611; Value = 0.491 (off-diagonal elements) chi2(15) = 32.446; Pr = 0.0056 F(1,5) = 66.195; Prob gt; F = 0.0005 Sargan-Hansen statistic = 25.626; P-value = 0.0000 F(5,5) = 1523.40; Prob F = 0.0000 |
4.2估计量的比较
测试结果表明，面板水平的异方差性、序列相关性和横截面相关性的存在是极有可能的，因此在这种情况下，需要对违反回归假设的稳健的技术。因此，对FGLS估计器(当扰动项不是独立的同分布[16]时，它是一致的，但不是完全有效的)、具有面板校正标准误差的Prais-Winsten估计器(PCSE)和具有Driscoll-Kraay标准误差的FE估计器(DK)[18]进行了评估和交叉比较。结果如表4所示。总的来说，很明显，在每种技术下，ROE和fintech之间都存在显著的负相关关系。
Table 4. Comparison of coefficient estimates from different regres
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[589166]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
