《表5 全国商业银行组模型估计结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《互联网金融形态对我国商业银行影响的差异分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:*、**和***分别代表1%、5%和10%显著性水平；括号内为T统计量。

如表5所示，模型（1）至（2）的Sargan检验值及其所对应的概率p值都大于0.05，这说明控制变量是有效的，且模型是合理的。第一，模型（1）中LNP2P1、LNTPP通过了10%和5%的显著性水平检验，且系数都为负，这表示在样本区间内P2P贷款的发展使得我国商业银行的盈利水平降低，尤其是对于主要依赖利率差获取利润的银行业的影响很大，而且第三方支付业对商业银行在盈利上的负效应也很明显。非利息收入占比（NIRR）与成本收入比（CIR）分别通过了10%和1%的显著性水平检验，系数分正负，说明商业银行NIRR越高利润越高，CIR越高则利润越低，其余变量均未通过显著性检验。第二，模型（2）中LNP2P1、LNTPP、LNCF分别通过了10%、1%、1%的显著性水平检验，系数分别为负正正，说明LNTPP以及LNCF促进了商业银行非利息收入，而LNP2P1则降低了商业银行的非利息收入。这可能由于商业银行通过互联网技术开发属于自己的线下互联网金融应用程序，凭借着银行卡客户的基础优势强化其在中间业务的控制力。NPL与LNGDP通过了显著性检验，其余变量均未通过显著性检验。第三，综合模型（1）和模型（2）的结果，发现，P2P对我国商业银行整体的盈利与发展以及非利息收入有负效应，这证明了假设1，第三方支付对商业银行整体的影响呈现负效应，对非利息收入的影响为正，而众筹对商业银行的盈利与发展以及非利息收入有正效应，部分验证了假设2和假设3。由于5大行组、中小型股份制银行组和城商行组是“大T小N”型，因此放弃GMM估计法，选择混合、固定以及随机效应模型的一种。通过F检验与豪斯曼检验最后决定选择固定效应模型，限于篇幅省略F值与豪斯曼检验的值，最终模型（3）和（4）建立了固定面板数据模型。