非利息收入对中国商业银行风险的影响研究——基于面板门限回归模型的实证分析

孙 秀 峰， 冯 浩 天， 王 华 夏

(大连理工大学 管理与经济学部， 辽宁 大连 116024)

一、引 言

中国商业银行非利息业务所引发的风险问题已得到广泛重视。在利率市场化和互联网金融飞速发展的背景下，中国商业银行传统业务受到了巨大冲击，大力发展非利息业务已成为银行未来发展的趋势。因此，如何在保证银行安全经营的条件下，合理调整银行收入结构，已成为理论界和实业界所共同关注的问题。

对于非利息业务与商业银行风险之间的关系，随着商业银行的经营环境、经营政策的变化发展，国外形成了两派截然相反的观点。

第一种观点认为：由于商业银行长期处于激烈的市场竞争之中，单一的存贷业务必然会使得银行对于利息收入具有依赖性，那么非利息业务的开展会改善银行的收入构成，由此而带来的多元化经营也会分散银行的风险。Saunders 和 Walter验证银行非利息业务的扩张能够在一定程度上降低银行的风险[1]。Smith 和Wood认为商业银行能够使用较为成熟的管理方法，如运用资产组合理论来达到分散风险的效果[2]。Barry 和 Laurie对澳洲商业银行的研究表明非利息收入较之传统的放贷业务能够对商业银行风险造成一定的分散[3]。

第二种观点认为：非利息业务规模的扩张尽管对于银行自有资金占用较少，但是需要投入大量的人力和技术支持，增加了银行的运营成本，进而使得银行的财务杠杆增加，产生较大的波动性，影响了银行的安全运营。De Young使用美国472家商业银行的非利息业务方面的数据，验证非利息业务中的手续费收入的提高会增加其总体收益的不稳定性[4]。Stiroh 和 Rumble通过研究发现，银行利润的增加得益于业务的多元化，也就是非利息业务的拓展，但是随之带来的收入波动完全抵消了利润的收益[5]。

随着我国金融市场政府管制的放松和网络金融的迅猛发展，在存贷业务发展空间日益狭窄的情况下，非利息业务逐渐成为商业银行未来追求的主流方向。因此，中国学者对于非利息收入的风险更加关注，现有研究总体归类主要有3类：

第一类认为非利息收入自身所具有的高周期性、波动性会抵消其所带来的收益，从而得出商业银行应当慎重发展非利息业务的结论。王菁、周好文以资产组合理论为理论基础，对利息收入和非利息收入之间的关联进行验证，发现14家银行的非利息收入与利息收入存在正向相关关系，此发现说明非利息收入的增加容易加剧银行业收入水平的波动幅度，进而增加银行的风险[6]。周开国、李琳发现，随着非利息业务扩张程度的提高，伴随而来的是自身波动性的增强，非但没有对风险起到分散作用，反而增加了银行风险[7]。

第二类认为非利息业务的扩张促进了银行的多元化发展，在一定程度上对银行风险起到了分散作用。张兆杰、汪泓通过实证研究，得出手续费及佣金等非利息业务具有降低银行风险作用的结论[8]。张晓玫、毛亚琪首次采用LRMES方法对中国上市银行非利息收入与系统风险之间的关系进行验证，并得出非利息收入与银行系统风险之间存在显著负相关关系的结论[9]。

还有一类观点更为理性一些，主要认为非利息收入对于商业银行风险的影响存在非线性关系，与银行本身特征息息相关，包括银行规模(黄隽和章艳[10])、是否上市(任哲、邵荣平[11])、资本比、净利息收益及人员规模(郑荣年、牛慕鸿[12])等，因此拥有不同特征属性的商业银行对于非利息业务采取的战略应不同。

综上可知，针对非利息收入是否能够分散银行风险，学者们并未有统一的结论，且国内在研究银行样本分类上，多按银行属性分成国有银行和非国有银行，缺乏严格的统计推断方法，因此，本文运用面板门限模型对银行进行客观分类，探究不同类别银行非利息收入对银行风险的影响程度，具有一定的理论和现实指导意义。

二、研究设计

1.指标体系的设计与选取

(1)风险变量

本文借鉴Stiroh用Z值(Z-score)来衡量银行破产的可能性，从银行破产的角度对银行风险进行度量[13]。以往研究认为，银行净资产无法抵补亏损的可能，即造成银行破产的可能，即：P(π+E<0)=P(π<-E)，P(·)表示概率，

(1)

若ROA的期望和方差μ和σ2均存在，且符合正态分布，则有

(2)

其中，

(3)

用Z-score来反映银行风险，Z-score值越小，破产可能性越大，银行的安全系数越低，风险也就越高；Z-score值越大，破产可能性越小，银行的安全系数越高，风险也就越低。

(2)非利息收入变量

学者普遍采用的指标是计算商业银行非利息收入占银行总收入的比重，还有个别采用的指标为赫尔芬尔于2006年的论文中所使用的赫尔芬尔指数(HHI)，用来衡量企业的多元化发展指标，具体的度量方法为：HHI=1-(NII2+NNII2)，HHI衡量的是银行多元化经营程度，也就是非利息业务拓展程度，NII表示银行的利息收入占总营业收入的比重，NNI表示非利息业务收入占总收入的比重。但是薛超认为这个变量存在马太效应，对于业务的比例取平方值后，会放大非利息收入与利息收入之间的差距，不适合我国现阶段非利息业务的实情[14]。熵指数则避免了这一问题的出现，因此选择更为贴切的熵指数来衡量银行非利息业务的拓展程度，其计算公式为：

(4)

其中，p1为利息收入占营业收入的比重，p2为非利息收入占营业收入的比重，指数越大，非利息业务拓展程度越高。

(3)门限变量

由于规模因素在银行的业务扩张中起着重要作用，因此，本文选择商业银行总资产作为门限。但是，由于银行资产总额的数值相对较大，大多数文献都用银行资产总额的自然对数值来替代资产总额的绝对数值，本文也采用此方式，将银行资产总额自然对数作为门限变量。

(4)其他控制变量

控制变量主要有资本充足率、资产收益率和不良贷款率。资本充足率是保证银行等金融机构正常运营和发展所必需的资本，反映了银行资本的质量；资产收益率用来衡量每单位资产创造净利润的能力，反映了银行的盈利能力；不良贷款率则反映商业银行资产的质量。以上3个指标理论上都会影响到银行的安全经营。

2.模型的构建

以往研究中，主要将银行样本一分为二(国有银行、非国有银行)或一分为三(国有银行、股份制银行和城市商业银行)，既不对银行规模划分进行参数估计，也不对其显著性进行统计检验。显然，这样得到的结果并不可靠，最直观的证据便是现有研究非利息收入对于银行风险的影响无统一结论。

为此，本文采用Hansen[15]提出的“门限回归”(Threshold Regression)，以严格的统计推断方法对银行资产规模门限值进行参数估计与假设检验，来考察不同规模下非利息收入对中国商业银行风险的影响程度，具体形式如下

(5)

其中，xit为解释变量，qit表示门限变量，γ表示待估计门限值，εit为干扰项且表示独立的干扰项。I(·)为示性函数，即如果括号中的表达式为真，β则取值为1；反之，取值为0。

那么“门限效应”是否真实存在，可以对式(5)的原假设进行检验：

H0:β=β0

(6)

如果此假设H0成立，那么门限是不存在的。此时，可以将门限模型简化为

(7)

可以将这个标准的固定效应面板模转化为离差形式，然后用OLS来估计。记在“H0:β1=β2”约束下所得到的残差平方和为SSR*，与无约束的残差平方和SSR(γ)相区别，显然，SSR(γ)≤SSR*。如果[SSR(γ)-SSR*]越大，加上约束条件后使得SSR增大越多，则越应该倾向于拒绝“H0:β1=β2”。

Hansen(1999)提出使用以下似然比检验(LR)统计量：

(8)

然而，如果原假设“H0:β1=β2”成立，则门限效应并不存在，同样的γ等于多少也并无影响。因此，如果H0假设成立，参数γ是无法识别的，即γ的取值并不对模型产生影响。因此，检验统计量LR的渐进分布并非标准的χ2分布，而依赖于样本矩(Sample Moments)，无法将其临界值列表，但可以用自助法(Bootstraps)来得到其临界值。

可以证明，在原假设成立的情况下，LR(γ)的渐进分布仍为非标准的卡方分布，但是其累计分布函数为(1-e-x/2)2，这样就不用如第一步检验β值是否相等时用自助法来求算，而可以直接计算出γ的置信区间。同理，当面板模型存在多个门限值时，也可以使用相同的步骤进行多步检验。

基于上述指标和模型的分析，本文建立以下模型来研究非利息收入在银行资产规模差异下对中国商业银行风险的影响：

Z-scoreit=β0+β1DEVitI(LNAit≤γ)+β2DEVitI(LNAit>γ)+β3LNAit+β4CARit+β5ROAit+β6NPLit+μi+εit

(9)

其中，i表示面板数据的截面下标，t表示面板数据的年度下标，则Z-score表示商业银行的风险，DEV表示商业银行非利息业务的拓展程度，LNA表示银行规模的对数，CAR表示资本充足率，ROA表示资产收益率，NPL表示不良贷款率，μ则表示各类商业银行的个体差异。

三、实证分析

1.样本选取

本文选取我国65家商业银行2008～2013年共390组财务数据，包括4家国有银行、12家股份制银行、45家城市银行和4家农村商业银行。本文除涉及到的宏观变量来自于国家统计局网站外，其他变量均来源于Bankscope数据库、中国金融年鉴和各银行年报的原始数据。样本数据统计描述如表1所示。

由于本文主要研究的是商业银行的非利息收入与其风险之间的关系，由前面部分的理论论述可以大致推测其中可能会存在一定的线性或非线性关系。

观察表1可知，6个变量的均值大多数都处于同一个数量级中，仅不良贷款率(NPL)相对略小。此外，从最大值、最小值、1/4分位点、3/4分位点来看，商业银行的风险(Z-score)、总资产收益率(ROA)的数据呈现拖尾的现状，较小的值会比较多；其他指标的数据则较为合理。指标数据中的非利息业务拓展(DEV)，说明数据是非平衡面板。

表1 各观测变量的描述性统计

为了进一步考察银行非利息收入与其风险之间的关系，本文还列出了他们之间的散点图，具体如图1和图2所示：

图1 风险与非利息业务拓展程度散点图

图2 风险的经验密度函数曲线

注：选用伊番科尼可夫核函数，窗宽=0.1346。

图1中显示的是风险与非利息业务拓展程度之间的散点图，从此图中可以看到两者之间的散点大都集中在区间2～3之间，并且散点图两头之间的值较为集中。之后，本研究对这些散点图使用二阶方程对其进行拟合，发现拟合图形大致呈现开口向上的二次型，表明非利息业务的拓展程度对于风险或许存在二次拐点。

图2则是从风险的经验密度函数的角度来讨论风险分布，图中的两条线分别为风险的核密度函数和正态分布。与正态分布密度函数相比，风险存在一定的尖峰厚尾的特性，这一点在进行模型拟合的时候值得关注。

2.实证结果分析

对于面板模型的估计，在进行门限面板估计之前，首先要确定对式(9)使用固定效应还是随机效应模型进行估计，Hausman检验可用来判断两种方法的适用性，其检验的结果如表2所示：

表2 固定效应与随机效应Hausman检验

Hausman检验的结果表明固定效应与随机效应的系数之间的差异显著，证明固定效应的回归结果明显会好于随机效应，所以本文选取固定效应来估计面板门限模型。本文对面板中的门限数量进行逐步检验，同时采用Bootstrap进行重复100次抽样，得出门限变量γ的置信区间，结果如表3和表4所示。

表3 门槛估计值和置信区间

注：g#表示门限的γ值，所估计的门限gamma值分别为门槛估计值列中的依次3个，#=1,2,3。

表3、表4显示了门槛模型估计的门限γ值的效果，单门槛、双重门槛模型的F值都较为显著，但是三重门槛模型的F值并不显著，同时在三重门槛模型的估计下，第3个门槛值14.093与双重门槛13.655，15.678之间较为相近，从商业银行实际运行的效果来看，这样小的区间内不大可能出现跳跃性的变化。所以，本文主要探讨的是单门槛、双重门槛的效果。单门槛的门限值为13.655，转换成商业银行实际资产总额为exp(13.655)= 8517.088(亿元)，双重门槛的另一个门限值为exp(15.678)=64 397.482(亿元)。结合我国商业银行体系，主要分为国有商业银行、股份制商业银行和城市商业银行3大类，所以单从这几点出发大致可以认为双门槛模型的可能性会更高。

表4 门槛效果自抽样检验

承接上文对于双重门限的分析，接下来对于双重门限进行较为深入的讨论。首先，图3和图4呈现的是双重门限模型的两个门限值的LR值的趋势图，图3是在固定第一个门槛值(13.655)的基础上来测试第二个门槛值的LR走势图。图4则是在找到第二个门槛值的基础上，将其固定来反求第一个门槛值的LR趋势曲线图。

图3 双重门槛第二个门槛LR值(第一门槛固定)

观察图3可以发现，第二门槛值在LR曲线的最低点，也即15.678。观察图4的LR曲线图，可以找到其最小值点，即13.655。两个图都分别处在临界值的两段，所以LR曲线图是有效的。

为了方便不同门限面板模型之间的比较，表5仍然列出了3种门限面板回归的结果，对于面板门限的回归，这里根据Hausman检验的结果，使用固定效应模型对其进行估计。

图4 双重门槛第一个门槛LR值(第二门槛固定)

(1)单门槛面板模型(2)双重门槛面板模型(3)三重门槛面板模型银行资产总额对数(LNA)资本充足率(CAR)不良贷款率(NPL)资产收益率(ROA)DEV_1DEV_2DEV_3DEV_4Constantr2_w观测值0.026(0.70)-4.777***(-5.46)0.549(0.65)0.245**(2.08)-0.267*(-1.70)0.861***(2.77)1.776***(3.67)0.1543660.004(0.12)-4.525***(-5.46)-0.453(-0.57)0.275**(2.47)-0.338**(-2.27)-0.187**(-1.62)2.396***(6.23)2.187***(4.73)0.8463660.051*(1.66)-3.638***(-5.82)0.703(1.21)0.216*(1.86)-0.183*(-1.72)0.634***(2.68)3.586***(3.62)1.506***(3.76)0.204366

注：小括号内的为t统计量，*代表p<0.1,**代表p<0.05,***代表p<0.01。

观察表5可知，模型(2)的估计结果中，资产收益率(ROA)的系数为正数且显著，在模型(1)、(3)也均有同样的结果，表明银行的资产收益率的提高有利于降低银行风险，这也符合理论和商业银行实际。另一个值得关注的变量是资本充足率(CAR)。资本充足率代表了一个银行的资本相对于其风险资产的比例，其主要的功能是为了保证银行等金融机构的正常运营和发展，是各国金融监管部门管制商业银行的目标。理论上这个指标应当会与Z-score呈正比的关系，即资本充足率的提高有利于降低商业银行的破产风险，但是模型(1)、(2)和(3)都显示资本充足率的系数为负数。所以，本文认为这个指标与Z-score指标存在一定的相关性、内生性，即只有银行本身具有较高的风险时，金融监管部门才会要求银行保持较高的资本充足率，最终会导致这个指标呈现出与理论不同的现象。

由表5可知，在第2个门限点之前，DEV_1、DEV_2的系数为负值(分别为-0.338，-0.187)且显著，这就表明当商业银行总资产低于64 397.482亿元时，商业银行开展非利息业务会加大银行的风险，不利于商业银行风险的总体控制。但是，当银行资产规模低于8517.088亿元时，非利息业务的扩张对银行风险的负向影响程度较高(影响系数为-0.338)，而当银行资产规模低于64 397.482(亿元)而大于8517.088(亿元)时，非利息业务的扩张对银行风险的负向影响程度相对较低(影响系数为-0.187)。

从本文实证结果可得到如下结论：

第一，通过门限回归将银行样本客观分成大、中、小3类，并且证明了非利息收入与银行风险之间的关系并不是单纯线性的。从表3、表4可以看出，以资产规模作为门限，存在两个门限值，分别是8517.088(亿元)和64 397.482(亿元)。此门限值将银行样本分成了3类，其中总资产大于64 397.482(亿元)的为大规模银行；总资产大于8517.088(亿元)并小于64 397.482(亿元)的为中规模银行；总资产小于8517.088(亿元)的为小规模银行。这表明商业银行在追求规模化发展的过程中，需要谨慎考虑其非利息业务扩张可能带来的非线性影响。尤其是当同业竞争日益加剧时，商业银行应依据自身资产规模与风险承受能力来选择非利息业务规模。例如，大规模银行可凭借资产规模优势积极开发和拓展非利息业务，并伴随着完善风险控制系统；中小规模银行应优先可完善风险控制系统，而后在风险承受能力范围内开展非利息业务。

第二，对于大规模银行，非利息业务的拓展有利于降低其风险。由表5可知，在第2个门限之后，DEV_3的系数为正值(为2.396)且显著，这就表明，在银行总资产达到和超过64 397.482(亿元)之后，非利息业务的开发是有利于银行风险的控制，这时商业银行应当积极拓展非利息业务规模。当商业银行规模扩张超过大型银行规模门限之后，就已失去了规模经济效用。但资产规模优势则保证了银行具有大而不倒的风险抵抗能力。在此情况下，大型商业银行可以充分拓展非利息业务来优化银行收入结构，从而积极提高银行的利润水平。

第三，对于中小规模银行，非利息业务的拓展增加了银行的风险。但是中规模银行与小规模银行相比，非利息业务对银行风险的负向影响程度相对较小。因此，中小规模银行的非利息业务拓展需谨慎。虽然还具有一定的规模经济效用，且凭借灵活运营能力提高了风险控制水平，但有限的规模却限制了中小银行的风险承受能力。虽然我国的中小型商业银行已积极推动了非利息业务拓展，并获得了高收益性，但若失去了政府信用的隐性担保，一旦中间业务等的风险被激化，破产危机也将随之而来，因而不容忽视。

四、结论及建议

针对中国商业银行非利息业务与其风险之间的关系问题，本文基于我国65家商业银行2008～2013年面板数据，构建了面板门限回归模型，该模型能够客观的反映在资产规模差异影响下，非利息业务的扩展程度对商业银行风险的不同影响程度。实证结果显示：对于大规模银行，非利息业务的扩张能够有效降低其风险。对于中小规模银行，非利息业务的拓展增加了银行的风险；但是中等规模银行与小规模银行相比，非利息业务的银行风险的负向影响程度相对较小。这表明，非利息收入对中国商业银行风险的影响并非是简单线性的。

鉴于以上结论，未来银行管理者应针对自身规模特征合理地进行多元化发展，调整收入结构，进而在提高银行绩效的同时，有效地规避风险，保证银行的安全经营。对于大规模银行，应当积极地完善非利息业务拓展的风险控制系统，在各类不同的金融活动中建立有效的风险防火墙，这样才能真正有利于非利息业务的开发和拓展。对于中小规模商业银行，由于其本身所具有的资源禀赋和人才储备的限制，不宜开展较为广泛的非利息业务，而应当集中本身所具有的资源，积极强化传统的存贷业务，加强其银行业务的专业化水平，逐步掌握银行业务规律和风险控制方式，这样才是真正有利于股东权益的增加、有利于投资者的决策。对于中小银行，可以考虑设立资产规模的进入门槛，并强化中小银行非利息业务的监管力度，以降低非利息业务所引发的各类风险。

[1] SAUNDERS A,WALTER I. Universal Banking in the United States[M]. Oxford：Oxford University Press,1994.

[2] SMITH R,STAIKOURAS C,Wood G. Non-Interest income and total income stability[J]. Bank of England Working Papers,2003.

[3] WILLIAMS B,PRATHER L. Risk and return: the impact of bank non-interest income[J]. International Journal of Managerial Finance,2010(6):220-244.

[4] DEYOUNG R,ROLAND K P. Product mix and earnings volatility at commercial banks: evidence from a degree of total leverage mode[J]. Journal of Financial Intermediation,2001(22):54-84.

[5] STIROH K J,RUMBLE A. The dark side of diversification: the case of US financial holding companies[J]. Journal of Banking & Finance,2006(30):2131-2161.

[6] 王菁,周好文. 非利息收入负向收益贡献度的实证解析——基于我国12家商业银行的模型检验[J]. 当代经济研究,2008(11):49-52.

[7] 周开国,李琳. 中国商业银行收入结构多元化对银行风险的影响[J]. 国际金融研究,2011(5):57-66

[8] 张兆杰,汪泓. 金融危机后商业银行非利息收入发展展望[J]. 国际金融,2009(10):56-63.

[9] 张晓玫,毛亚琪. 我国上市商业银行系统性风险与非利息收入研究——基于LRMES方法的创新探讨[J]. 国际金融研究,2014(11):23-35.

[10] 黄隽,章艳红. 商业银行的风险:规模和非利息收入——以美国为例[J]. 金融研究,2010,55(6):75-90.

[11] 任哲,邵荣平. 收入结构、经营风险及多元化选择：解析78家商业银行[J]. 改革,2012(9):64-70.

[12] 郑荣年,牛慕鸿. 中国银行业非利息业务与银行特征关系研究[J]. 金融研究,2007(9):129-137.

[13] STIROH K J. A portfolio view of banking with interest and ion-interest assets[J]. Journal of Money Credit and Banking,2006,38(5):1351-1361.

[14] 薛超. 我国城市商业银行规模扩张与多元化经营研究[J]. 南开经济研究,2014(1):74-86.

[15] HANSEN B. Testing for linearity[J]. General Information,1999,13(5):551-576.