《互联网金融对城商行盈利性影响的实证分析》9700字

互联网金融对城商行盈利性影响的实证分析综述目录TOC\o"1-2"\h\u5201互联网金融对城商行盈利性影响的实证分析综述 1229011.1研究假设 116951.2样本选择与变量选取 2222271.2.1样本选择与数据来源 2140321.2.2变量选取与说明 3240591.3互联网金融发展指数的构建 4103041.3.1KMO和Bartlett球性检验 527071.3.2主成分检验 5242961.4模型构建 8296731.4.1描述性统计 8130821.4.2平稳性检测 877761.4.3相关性分析 9142571.4.4格兰杰因果关系检验 1064691.4.5回归模型的构建 11284501.5实证结论 141.1研究假设根据金融抑制理论，互联网金融所面对的监管环境更为宽松，其可以通过风险较高但仍然可控的项目获取收益，为资金提供方支付更多的利息，其利率优势吸引了大量追逐高利息回报的投资者，抢占了原属于城商行的目标储户，使得银行的一般性存款占比降低；再加上互联网金融平台将通过众筹或者P2P模式获取的资金转以非银行同业存款的形式存入银行后，银行的一般性存款占比进一步下降。一般性存款的比例的下降降低了银行在资金定价的话语权的同时提高了银行获取资金的成本额，影响了商业银行业务的盈利性。综上，本文提出以下假设：H1：互联网金融的发展与城商行的一般性存款占比存在负相关关系；H2：一般性存款占比与城商行的盈利性存在正相关关系；根据长尾理论，互联网金融的目标客户是城市商业银行所谓的低资质客户，但近年来，随着国民生活水平的提高，这部分客户的金融服务需求更为旺盛，金融机构的利润已经不仅仅来源于20%的优质客户，更多来源于80%的普通客户，这部分客户需求各异，分布广泛，群体不断增大，使得金融机构的风险较为分散，反观城市商业银行，由于将资金集中于地方性国有企业，一旦这个部分客户出现变故，还款能力下降，无法还本付息，商业银行的资产极有可能遭受损失，再加上近年来国有企业经营效益下降，银行收取利息的难度加大，为了完成收息任务，倒逼银行向原有高风险客户发放新的贷款，以贷还利，使得银行资产质量逐步恶化，资金固化；在对新客户的选择方面收到互联网金融先入为主的影响，高资质的普通客户被互联网金融抢占，不得不尝试接触低资质的客户；因此使得盈利性也出现了较大幅度的下降。综上，本文提出以下假设：H3：互联网金融的发展与城商行的不良贷款率存在正相关关系；H4：不良贷款率与城商行的盈利性存在负相关关系；根据金融中介理论，以提高信息透明度为价值的传统金融中介业务会逐渐被取代，在金融中介服务中，应更加注重客户需求和价值增值等，但在这些方面，与互联网金融相比，城市商业银行处于明显劣势地位。以支付宝为代表的第三方支付的量的快速上涨，使得无现金支付慢慢被人们接受，无现金支付方式深入了生活的各个方面，再加上其在民生业务领域的应用，众多的应用场景加上其便利性，已经培养了客户习惯，使其使用频率日渐攀升。互联网金融依据日复一日的数据积累，辅助以大数据分析可以很容易的获取用户的消费习惯，开展有针对性的营销，投其所好，进一步巩固用户粘性，使得传统中间业务的服务范围与需求进一步萎缩，渐渐退出客户的视野。综上，本文提出以下假设：H5：互联网金融的发展与城商行非利息收入占比存在负相关关系；H6：城商行非利息收入占比与银行的盈利性呈正相关关系；综上所述，构建互联网金融的发展对城市商业银行的盈利性的影响途径如图5-1所示，互联网金融通过一般性存款占比、不良贷款率以及非利息收入占比四条途径对城市商业银行的盈利性产生了间接影响。图5-1互联网金融对城市商业银行盈利性的影响机制图1.2样本选择与变量选取1.2.1样本选择与数据来源在研究时段上，考虑到2008年发生的金融危机带来的外部性对研究结论的影响，本文选取金融危机以后的时段作为研究期间；在研究对象的选择上，选择数据公开且具有代表性的17家上市城市商业银行作为代表，保证数据的代表性以及研究分析数据收集的便利性。本文以2009年至2019年的年度数据作为数据来源，在研究互联网金融对城市商业银行的盈利性影响的研究过程中，以17家上市城市商业银行为拟研究对象，其中西安银行和无锡银行由于上市时间过短或者在完成上市后存在特殊情况，导致数据不足，公开的数据信息不足以支撑研究需要，对其进行剔除，剩余的15家上市的城市商业银行分别为北京银行、南京银行、常熟银行、成都银行、贵阳银行、杭州银行、江苏银行、江阴银行、宁波银行、青岛银行、上海银行、苏州银行、郑州银行、长沙银行、张家港银行，这15家城市商业银行是典型的该行业的代表，互联网金融的发展对其盈利性的影响的研究结论具有一定的普遍性。1.2.2变量选取与说明（1）被解释变量净资产收益率(ROE)：净资产收益率是描述银行每一单位净资产获取利润的能力，可以表现银行自有资产的运营效率，是衡量银行盈利能力强弱的标准。本文将其作为被解释变量，研究其他变量与其的关系，从而达到分析其他变量对商业银行盈利性影响的目标。（2）中介变量一般性存款占比（GD）：商业银行的存款来源可以划分为个人存款、单位存款、银行类金融机构同业存款、非银行类金融机构同业存款等，一般性存款指的是银行的单位存款和个人存款，一般性存款占比的变化可以表示银行负债结构的变化。不良贷款率（NPLRN）：按照贷款的五级分类法，银行的贷款可以被划分为正常贷款、关注贷款、次级贷款、可疑贷款以及损失贷款，其中后三类被统称为不良贷款，不良贷款率的变化可以表示银行资产质量的变化。非利息收入占比（RNI）：银行收入中，非利息收入指的是银行利息收入以及金融机构往来收入之外的收入占比，该指标表现了中间业务收入给商业银行的盈利性的贡献。（3）解释变量互联网金融发展指数（IFI）：互联网金融与传统金融业不同，其全新的业务模式给宏观监管带来了很大难度，以P2P和互联网理财为代表的金融业务模式在发展初期，在较为宽松的监管环境下，不断涌现的创新形式使得口径统一，范围全面的统计数据难以获取，本文借鉴前人研究的结论，从互联网金融的支付清算功能、资源配置功能以及财富功能出发，建立原始次库，构建互联网金融发展指数衡量互联网金融的发展情况。GDP：该指标通常用来反映国家总体经济状况。一个国家的经济状况通常会影响到商业银行的净利息收入或拨备覆盖率等指标，所以商业银行盈利能力是与国内生产总值紧紧挂钩。资产规模（AS）：互联网金融的发展对资产规模不同的城市商业银行的盈利影响存在差异，对资产规模较大的银行而言，其资金实力雄厚，信誉优良，其盈利性收到互联网金融的冲击较小；但对资产规模较小的城市商业银行而言，资金匮乏，目标客户重叠，再加上运营模式老套无法满足个性化需求，受到互联网金融的冲击自然较大。综上所述，相关变量的简称以及解释如表5-1所示：表5-1变量定义变量名称变量符号变量定义净资产收益率ROE净资产收益率=净利润/净资产*100%%一般性存款占比GD一般性存款占比=（单位存款+个人存款）/存款总量*100%%不良贷款率NPLR不良贷款率=（次级贷款+可疑贷款+损失贷款）/贷款总额*100%%互联网金融发展指数IFI采用因子分析法构造GDPGDP一个国家(或地区)内的经济活动中所生产出之全部最终成果的市场价值资产规模AS资产规模=（年初资产总额+年末资产总额）/21.3互联网金融发展指数的构建从金融功能的观点来看，建立一个新的金融体系，首先确定其的经济功能，其次根据这些经济功能来设置或建立能够最好地行使这些功能的机构与组织，则互联网金融对现有模式的改变也首先从其功能方面体现。[31]互联网金融经过近十年的发展，其业务范围涵盖互联网支付、互联网借贷、互联网理财等，其功能日益趋于完善，可以被划分为三大类，支付清算、资金配置以及理财服务功能。互联网金融日益发展壮大，但其监管以及数据统计方面存在严重滞后，纷繁复杂的业务形式使得很难对互联网金融进行全面规范的数据统计，结合前人研究结论的基础上，本文依据互联网金融的主要功能构建互联网金融的原始词库如表5-2互联网金融原始词库。表5-2互联网金融原始词库金融功能支付清算配置资源财富管理模式划分互联网支付互联网借贷在线理财原始词库在线支付P2P网络借贷在线理财移动支付众筹货币基金第三方支付网上投资互联网保险根据以上分析，在某搜索引擎中查找了表5-2所列的关键词出现的新闻条目数量以及同一时期关于“金融”的新闻条目数量，然后用表5-2中关键词出现的数量除以“金融”出现的数量，计算出的数值即为每个关键词的词频，以此作为关键词量化的衡量指标。考虑到本文选取的衡量互联网金融发展程度的指标过多，采用主成分分析法将关系较为密切以至于可能会产生多重共线性的指标变量归纳到同一因子之中，通过降维思想，在尽可能保证原始数据完整性的前提下，以少数变量反映更多有用的信息。1.3.1KMO和Bartlett球性检验在主成分分析法中，需要运用降维思想对多个变量进行归纳合并，将关联性强的几个变量合并到一个因子之中，故要求变量之间存在一定的相关关系，若变量之间完全相互独立，则无法提取公因子，主成分分析法不适用于该组数据，故在做因子提取之前需要先对数据的内部结构做一个检验。KMO和Barlett球性检验是一种主成分分析法的适应性检验，该方法可以验证变量之间的相关性和偏相关性，KMO检验，其统计量的值在0-1之间，若统计量更接近于1，则变量之间的相关性较强；若统计变量接近于0，则变量之间的相关性较弱；Barlett球性检验用来确认被检验的变量之间的相关关系矩阵是否可以近似的视为单位阵，若接近单位阵则变量之间基本上不存在相关关系，主成分分析法无法从其中提取公因子，主成分分析法不适用于该组数据。对上文提及的衡量互联网金融发展情况的变量进行KMO和Bartlett球性检验，来考察该组数据的内部结构是否适用于主成分分析法，结果如表5-3所示，KMO度量值为0.594>0.5，Barlett球性检验卡方统计量的值为82.311，Sig.为0.000，通过了显著性检验，那么所选得衡量互联网金融的发展指数的变量之间存在强相关性，该组数据适用主成分分析法进行归纳合并。表5-3KMO与Bartlett球形检验KMO取样适切性量数.594巴特利特球形度检验近似卡方82.311自由度36显著性.0001.3.2主成分检验由KMO和Barlett球性检验可知，衡量互联网金融发展情况的变量之间存在一定的相关性，故接下来对样本企业的原始数据进行主成分分析，在尽量保证信息完整的前提下，用尽可能少的不相关变量表示互联网金融的发展情况。结果如表5-4所示，各变量包含的信息能够被公因子表示的程度均在80%以上，有四个变量甚至达到90%以上，这个结果说明公因子对原始数据的信息提取程度较为充分。表5-4公因子方差表项目初始提取在线支付搜索占比1.000.875移动支付搜索占比1.000.886第三方支付搜索占比1.000.860P2P搜索占比1.000.959众筹搜索占比1.000.937网上投资搜索占比1.000.925互联网理财搜索占比1.000.874货币基金搜索占比1.000.904互联网保险搜索占比1.000.885如表5-5所示，对变量的初始特征值、方差贡献率和累计方差贡献率进行了列示，由此可知，采用主成分分析法，在要求累计方差贡献率达到80%以上的前提下，可以通过降维提取三个主成分因子作为公因子反映原始的9组数据信息，此结果可以通过碎石图进行验证。表5-5解释总方差成分初始特征值提取载荷平方和总计方差百分比累积%总计方差百分比累积%11.36759.63959.6391.36759.63959.63921.69018.78378.4211.69018.78378.42131.04711.63490.0561.04711.63490.0564.3583.98194.0375.3293.65997.6966.1141.26798.9637.062.69299.6558.022.24399.8989.009.102100.000如图5-2所示，在碎石图中，第三个成分以后特征值都明显小于1，按照特征值大于1的主成分筛选原则，提取前三个因子，其特征值分别为1.367，1.690，1.047，累计贡献率为90.056%。图5-2碎石图同时获取因子的成分矩阵如表5-6所示，主成分分析法通过对原变量的归纳合并，提取率三个主成分因子，根据载荷系数的大小，从成分矩阵中可以判断这三个主成分因子分别为：反应互联网金额财富管理功能发展情况的财富管理职能因子F1，反应互联网金融支付清算功能发展情况的支付清算因子F2，反应互联网金融资源配置功能的资源配置因子F3。表5-6成分矩阵成分123在线支付搜索占比.877.324-.004移动支付搜索占比.668.226-.286第三方支付搜索占比.796.209-.120P2P搜索占比.422.631.618众筹搜索占比.650-.298.652网上投资搜索占比.676-.676-.110互联网理财搜索占比.759-.545.039货币基金搜索占比.759.444-.361互联网保险搜索占比.912-.229-.008为了量化表示三个主成分因子，用Ri（i=1，2，3……9）分别表示在线支付搜索占比，移动支付搜索占比，第三方支付搜索占比等九个衡量互联网金融发展状况的指标，对经过主因子分析发提取出的三个主成分定义如下：1.4模型构建1.4.1描述性统计本文系统性收集了2009-2019年间15家上市城市商业银行的净资产收益率、一般性存款占比、不良贷款率等维度的年度数据，按年度对其进行平均以代表城市商业银行的平均水平的时间序列数据，其中净资产收益率为单位净资产获得的净利润，最小值为11.92%，最大值为20.09%，平均值为16.35%，标准差为0.0314，表明在观察期内城市商业银行的净资产收益水平处于10%-20%之间，标准差较小，十年来相对稳定；一般性存款占比为单位存款与个人存款占存款总额的比重，最小值为66.23%，最大值为92.69%，均值为76.61，标准差为0.0949，表明在观察期内城市商业银行的一般存款占比至少在60%以上，一般存款是城市商业银行依赖的主要资金来源，且变化幅度较大，近年来随着金融机构同业存款的增加，一般性存款占比整体呈现下降趋势；不良贷款率为次级贷款、可疑贷款以及损失贷款合计占贷款总额的比重，最小值为11.92%，最大值为20.09%，均值为16.35%，标准差为0.0314，表明在观察期内城市商业银行的不良贷款率整体呈现稳定趋势；非利息收入占比为非利息收入占银行总收入的比重，最小值为8.14%，最大值为28.52%，均值为11.60%，标准差为0.0610，表明在城市商业银行的收入来源仍然主要依靠利息收入，非利息收入对其贡献不高。表5-7描述性统计分析表最小值最大值均值标准差净资产收益率11.92%20.09%16.35%0.0314一般存款占比66.23%92.69%76.61%0.0949不良贷款率0.69%1.47%1.18%0.0031非利息收入比8.14%28.52%11.60%0.06101.4.2平稳性检测在进行回归模型构建之前，需要对研究变量的平稳性进行检验，若数据在同一阶数上达到平稳，则说明时间序列数据所得到的拟合曲线不会产生伪回归现象，则所构建的模型具有可信性，结论具有延续性和预测性，故使用ADF单位根检验法对自变量的平稳性进行检验，所得结论如表5-8所示，在10%的显著性水平下，各变量通过检验，满足进行回归分析的平稳性要求。表5-8平稳性检验分析表变量t-StatisticProb结论F1AugmentedDickey-Fullerteststatistic-2.9312850.0929平稳Testcriticalvalues1%level-4.5826485%level-3.32096910%level-2.801384F2AugmentedDickey-Fullerteststatistic-2.8086100.0115平稳Testcriticalvalues1%level-2.8861015%level-1.99586510%level-1.599088F3AugmentedDickey-Fullerteststatistic-2.8616250.0104平稳Testcriticalvalues1%level-2.8861015%level-1.99586510%level-1.599088一般性存款占比AugmentedDickey-Fullerteststatistic-3.7309970.0338平稳Testcriticalvalues1%level-4.8034925%level-3.40331310%level-2.841819不良贷款率AugmentedDickey-Fullerteststatistic-2.6404410.0155平稳Testcriticalvalues1%level-2.8861015%level-1.99586510%level-1.599088非利息收入占比AugmentedDickey-Fullerteststatistic-1.8684810.0097平稳Testcriticalvalues1%level-1.8351865%level-4.24650310%level-3.590496资产规模AugmentedDickey-Fullerteststatistic-2.7695490.0123平稳Testcriticalvalues1%level-2.8861015%level-1.99586510%level-1.599088GDPAugmentedDickey-Fullerteststatistic-3.1034770.0076平稳Testcriticalvalues1%level-2.9372165%level-2.00629210%level-1.5980681.4.3相关性分析相关性检验是为了验证变量之间的共变关系，如果相关分析时各自变量跟因变量之间没有相关性，就没有必要再做回归分析；如果有一定的相关性了，然后再通过格兰杰因果关系检验和回归分析进一步验证他们之间的准确关系，变量间的相关性检验结果如表5-9。表5-9相关性检验分析表ROEF1F2F3GDNIMNPLRGDPASROE1.000000-0.106298-0.502049-0.1288860.7430810.905565-0.869059-0.781168-0.901089F1-0.1062981.0000000.7782560.896556-0.287690-0.0642410.0198640.4469340.312163F2-0.5020490.7782561.0000000.867488-0.291004-0.5390310.451407-0.138248-0.319044F3-0.1288860.8965560.8674881.000000-0.049556-0.215540-0.0345980.1621750.008456GD0.743081-0.287690-0.291004-0.0495561.0000000.856159-0.531937-0.930134-0.917287NIM0.905565-0.064241-0.539031-0.2155400.8561591.000000-0.655344-0.862757-0.946291NPLR-0.8690590.0198640.4514070.034598-0.531937-0.6553441.0000000.4959370.632795GDP-0.7811680.446934-0.1382480.162175-0.930134-0.8627570.4959371.0000000.966588AS-0.9010890.312163-0.3190440.008456-0.917287-0.9462910.6327950.9665881.0000001.4.4格兰杰因果关系检验存在从解释变量到被解释变量的因果关系是建立回归模型的前提，故对于存在相关性的变量进一步检验其因果关系，辨别其相关性的方向。在10%的显著性水平下，对变量两两之间的因果关系检验如表5-10，表5-11，表5-12，表5-13所示：在拟建立的第一个回归模型中，互联网金融发展指数中财富管理因子、支付清算因子、资源配置因子是一般存款占比的格兰杰原因，GDP和资产规模不是一般存款占比的格兰杰原因；在拟建立的第二个回归模型中，互联网金融发展指数中财富管理因子、资源配置因子、GDP以及资产规模是不良贷款率的格兰杰原因，支付清算因子不是不良贷款率的格兰杰原因；在拟建立的第三个回归模型中，互联网金融发展指数中财富管理因子、资源配置因子、GDP以及资产规模是非利息收入占比的格兰杰原因，支付清算因子不是非利息收入占比的格兰杰原因；在拟建立的第四个回归模型中，一般存款占比、不良贷款率、非利息收入占比、资产规模以及GDP都是城市商业银行盈利性的的格兰杰原因。表5-10一般存款占比格兰杰因果验证分析表变量假设F-StatisticProb.结论GDF1F1doesnotGrangerCauseGD7.794330.0268单向因果关系GDdoesnotGrangerCauseF10.108680.7513GDF2F2doesnotGrangerCauseGD4.097330.0826单向因果关系GDdoesnotGrangerCauseF20.713590.4262GDF3F3doesnotGrangerCauseGD7.588750.0283单向因果关系GDdoesnotGrangerCauseF30.063650.8081GDGDPGDPdoesnotGrangerCauseGD1.774470.2808单向因果关系GDdoesnotGrangerCauseGDP9.822280.0226GDASASdoesnotGrangerCauseGD0.597260.4649无因果关系GDdoesnotGrangerCauseAS1.771050.2250表5-11不良贷款率格兰杰因果验证分析表变量假设F-StatisticProb.结论NPLRF1F1doesnotGrangerCauseNPLR7.027340.0329单向因果关系NPLRdoesnotGrangerCauseF10.302190.5996NPLRF2F2doesnotGrangerCauseNPLR0.941000.4083无因果关系NPLRdoesnotGrangerCauseF23.237190.1370NPLRF3F3doesnotGrangerCauseNPLR4.073440.0921单向因果关系NPLRdoesnotGrangerCauseF31.067950.4058NPLRGDPGDPdoesnotGrangerCauseNPLR20.40740.0027单向因果关系NPLRdoesnotGrangerCauseGDP0.079580.7860NPLRASASdoesnotGrangerCauseNPLR8.913870.0234单向因果关系NPLRdoesnotGrangerCauseAS0.114290.7452表5-12非利息收入占比格兰杰因果验证分析表变量假设F-StatisticProb.结论RNIF1F1doesnotGrangerCauseRNI3.939560.0949单向因果关系RNIdoesnotGrangerCauseF10.000670.9980RNIF2F2doesnotGrangerCauseRNI0.036400.9646无因果关系RNIdoesnotGrangerCauseF20.160890.6966RNIF3F3doesnotGrangerCauseRNI6.801130.0474单向因果关系RNIdoesnotGrangerCauseF30.561820.4780RNIGDPGDPdoesnotGrangerCauseRNI11.93420.0124单向因果关系RNIdoesnotGrangerCauseGDP1.162140.4000RNIASASdoesnotGrangerCauseRNI6.784310.0518单向因果关系RNIdoesnotGrangerCauseAS1.281130.3715表5-13净资产收益率格兰杰因果验证分析表变量假设F-StatisticProb.结论ROEGDGDdoesnotGrangerCauseROE14.05210.0172单向因果关系ROEdoesnotGrangerCauseGD1.424060.2916ROENPLRNPLRdoesnotGrangerCauseROE23.58480.0018单向因果关系ROEdoesnotGrangerCauseNPLR0.747860.4158ROERNIRNIdoesnotGrangerCauseROE13.53060.0179单向因果关系ROEdoesnotGrangerCauseRNI0.505970.4999ROEGDPGDPdoesnotGrangerCauseROE31.82170.0008单向因果关系ROEdoesnotGrangerCauseGDP0.268990.6200ROEASASdoesnotGrangerCauseROE19.02270.0033单向因果关系ROEdoesnotGrangerCauseAS0.267730.62081.4.5回归模型的构建在互联网金融通过负债结构渠道影响城市商业银行的盈利性方面，由格兰杰因果关系检验可知，互联网金融的在财富管理、支付清算以及资源配置等功能方面的发展，都会影响到城市商业银行的负债业务结构，一方面互联网金融的便利性以及高收益性使得储户更原因选择互联网金融进行财富管理，另一方面，互联网金融业务对传统城市商业银行业务的替代性使得一般存款转化为非银行金融机构同业存款，使得负债结构变化，一般性存款总量下降的情况下，其占比同样下滑。综上，对互联网金融对负债结构影响的假设如下：H1：互联网金融的发展与城商行的一般性存款占比存在负相关关系；对该影响途径进行分析，用最小二乘法进行参数估计，建立回归方程，计量结果如表5-14所示：表5-14负债结构影响途径的回归方程系数表变量系数标准差T检验显著性水平财富管理因子（F1）-0.0475250.016092-2.9532690.0213支付清算因子（F2）-0.0622410.017256-3.6069980.0087资源配置因子（F3）-0.0042860.021137-0.2027860.8451常数项（C）0.7736520.04697416.469650.0000计量结果显示，在5%的显著性水平下，一般存款占比与表示互联网金融发展程度的财富管理因子（F1）、支付清算因子（F2）呈正相关关系，其余变量对其无显著性影响，综上，与前文理论分析得出的假设一致。在互联网金融通过资产质量渠道影响城市商业银行的盈利性方面，由格兰杰因果关系检验可知，互联网金融在财富管理与资源配置方面的发展影响城市商业银行的资产质量，一方面，互联网金融高效低成本的融资特点使得资金需求方更愿意通过互联网金融高效获取贷款，再加上银行的对于风险的把控较为严格，使得银行在贷款发放以及项目选择过程中更倾向于国有企业以及大项目，使得银行资金的运用过于集中，在经济下行的压力下，其资产质量势必出现下滑趋势。综上，对互联网金融对资产质量影响的假设如下：H3：互联网金融的发展与城商行的不良贷款率存在正相关关系；对该影响途径进行分析，用最小二乘法进行参数估计，建立回归方程，计量结果如表5-15所示：表5-15资产质量影响途径的回归方程系数表变量系数标准差T检验显著性水平财富管理因子（F1）0.0014860.0006452.3053370.0607资源配置因子（F3）0.0018060.0006402.8229710.0302GDP-0.0025100.000855-2.9349030.0261资产规模（AS）0.0003680.0008924.12238350.0062常数项（C）0.0185020.0036501.0689280.0023计量结果显示，在10%的显著性水平下，城市商业银行的资产质量与互联网金融财富管理功能、资源配置功能的发展、资产规模的扩大呈正相关关系，与GDP呈负相关关系，综上，与前文理论分析得出的假设一致。

在互联网金融通过非利息收入渠道影响城市商业银行的盈利性方面，由格兰杰因果关系检验可知，互联网金融在财富管理、资源配置方面的的发展会影响城市商业银行的非利息收入占比，随着互联网金融的发展使得互联网金融对于利息收入的依赖程度很低，其主要优势在于互联网金融平台是大数据的掌握者，其在开展非利息收入业务时可以根据不同用户的历史信息，判断其金融业务的偏好，做到有针对性的区别对待，使得其非利息收入业务发展迅速，对城市商业银行的传统非利息收入形成较大的冲击。综上，对互联网金融对非利息收入占比影响的假设如下：H5：互联网金融的发展与城商行非利息收入占比存在负相关关系；对该影响途径进行分析，用最小二乘法进行参数估计，建立回归方程，计量结果如表5-16所示：表5-16中间业务收入影响途径的回归方程系数表

变量系数标准差T检验显著性水平财富管理因子（F1）-0.0074270.013245-2.6498920.0380资源配置因子（F3）-0.0016570.013150-3.4150390.0142GDP-0.0465650.017572-0.1259940.9039资产规模（AS）0.0000620.0001830.5607130.5953常数项（C）0.2686920.0750063.5822630.0116计量结果显示，在5%的显著性水平下，城市商业银行的非利息收入占比与互联网金融财富管理功能、资源配置功能的发展存在负相关相关关系，其余变量无显著性影响，综上，与前文理论分析得出的假设一致。对城市商业银行而言，负债是开展业务的基础，所以负债结构的变化，一般存款占比的下降，使得稳定低成本资金来源的减少以及向高成本资金的转变，城市商业银行为获取保证业