互联网金融、市场势力与商业银行绩效

申创 刘笑天

摘要：本文利用我国101家商业银行2005—2015年的非平衡面板数据，首次深入研究了互联网金融、市场势力和商业银行绩效之间的关系。研究结果表明：（1）对于总体商业银行样本，互联网金融的发展对商业银行的绩效水平产生了显著的负向影响。但是，随着商业银行市场势力的增强，这一负向影响效果将会逐步减弱；当商业银行的市场势力超过临界值时，互联网金融的发展甚至会提升银行的绩效水平。这是因为，随着商业银行市场势力的增强，互联网金融发展给商业银行带来的“技术溢出效应”将会逐步增强，“竞争效应”则会逐步减弱。（2）对于分类银行样本，在互联网金融发展的过程中，地方性商业银行的绩效水平受到的冲击最大，股份制商业银行次之，国有商业银行受到的冲击最小。这也从另一个角度说明，市场势力越强的商业银行受到的互联网金融的冲击越小。在以上结论的基础上，向商业银行和监管者提出了合理化建议。

关键词：互联网金融；市场势力；商业银行绩效；技术外溢效应；竞争效应

文献标识码：A文章编号：100228482017（05）001614

一、 引言

近年来，伴随着经济体制改革的不断深化和互联网信息技术的不断发展，“互联网金融”在社会中发挥着越来越重要的作用。2015年我国出台了关于互联网金融发展的指导性文件，指出互联网金融对我国金融业的发展至关重要。由此可见，互联网金融受到了政府和大众的密切关注，正逐步成长为金融业的一股新生力量，展现出巨大的发展潜力。

我国互联网金融的发展时间并不长，但其发展速度却十分惊人。我国互联网金融的发展大致分为以下几个阶段：

第一个阶段是2005年以前的萌芽阶段，人们使用计算机的频率还比较低，互联网金融仅处于起步时期。

第二个阶段是2005—2012年的发展阶段。在这一阶段，依托信息技术的迅速发展，互联网金融开始在金融领域崭露头角，网络借贷规模持续扩大，“支付宝”等第三方支付平台在金融市场中占有了一席之地。

第三个阶段是从2013年开始的繁荣阶段。在这一阶段，众筹平台层出不穷，逐步改变了人们的投融资方式。网络保险开始进入人们的视线，既对传统保险形成有效补充，也在一定程度上形成竞争态势。与此同时，互联网金融理财产品如雨后春笋般不断涌现，大众的理财意识不断增强。例如，“余额宝”的资产规模增长速度十分惊人，仅在2014年一年，就从1800多亿元增长至5700多亿元。截至2017年6月底，“余额宝”的资产规模达到143万亿元，直逼几大国有银行的活期存款余额。总之，虽然发展的时间并不长，但我国的互联网金融已经形成了庞大的体系，而且在金融市场中的份额将会进一步增大。

随着互联网金融的不断发展，我国银行业的经营模式和绩效水平也受到了重大影响。从积极方面来看，商业银行也在享受着信息技术所带来的“技术溢出效应”。首先，信息技术的普及在一定程度上改变了商业银行原有的经营模式，其效率水平得到提高，部分业务的成本有所下降。例如，ATM机的使用减少了客户办理取款业务的时间，同时也节约了商业银行的人工成本。再例如，银行的网上转账业务能够方便客户，降低成本。其次，在吸收新技术的过程中，商业银行也构建了自有的互联网金融平台，从而通过互联网来推销金融产品。例如，许多商业银行在网上银行和手机银行系统中推销各类自营以及代销的理财产品。再次，商业银行也在利用相关的信息技术搜集和分析市场信息和客户信息，进一步提升自身的投资能力和服务水平。最后，互联网金融的发展在一定程度上提升了商业银行的产品创新和服务创新能力。互联网金融的重复反馈能力比较强，所以商业银行能够更迅速更有效地把握客户的需求，及时推出更合理的金融产品和提供更优质的金融服务。

当然，互联网金融的发展也产生了较强的“竞争效应”，给商业银行的绩效水平带来了较大的冲击。长期以来，间接融资一直是我国金融体系的主要融资方式。与之相对应，商业银行一直都是金融体系的主要金融机构，银行业的资产规模在金融行业中的占比也一直最高。但是，由于在很长一段时期内我国政府对于商业银行的行政干预相对较多，行业的价格水平也只能在较小的范围内浮动，所以我国银行业在经营过程中受到了负面影响，其市场化经营程度普遍较低，一直存在人员冗杂、产品类型较少、创新能力不足和服务水平低下等问题，营业模式有待改善，经营效率亟待提高。与之相反，许多互联网金融企业立足于客户的具体金融需求，依托互联网金融平台，推出更加合理新颖的金融产品，提供更为优质的金融服务。与商业银行的金融产品相比，许多互联网金融产品具有流动性强、收益率高和购买门槛低的优势，这必然会使商业银行的客户数量减少，业务规模缩小，绩效水平降低。另外，由于信息技术本身具有一定的风险属性，所以商业银行在利用互联网金融技术的同时也会面临更多的风险。

另外，在互联网金融迅速发展的同时，近年来我国的利率市场化进程和民营银行建设进程在不断推进，所以银行业的市场竞争环境发生了巨大改变。商业银行都在努力发展，不同种类的银行之间都在进行激烈的角逐，各银行的市场势力在不断变化。由于市场势力不同的银行在资产规模和技术水平等方面都存在一些差异，所以互联网金融有可能对市场势力不同的银行产生不同的影响。

那么，与互联网金融企业相比，商业银行具有哪些优势和劣势呢？在“技术溢出效应”和“竞争效应”的双向作用下，互联网金融的发展将会如何影响我国商业银行的绩效水平呢？在市場势力不同的情况下，互联网金融对商业银行的影响又会存在什么差异呢？在不同类型的商业银行之间，互联网金融的影响效果又有什么不同呢？经济新常态下我国金融业的改革呼之欲出，而商业银行的改革仍是其中非常重要的一环。本文的研究内容不仅对于我国银行业的发展具有指导作用，而且对于构建互联网金融企业和商业银行良性竞争体系、逐步推进和深化金融行业改革也至关重要。

二、文献综述endprint

关于互联网金融对商业银行经营产生的影响，现有的研究文献十分丰富。在国外的文献方面，Werthamer和Raymond[1]认为，互联网金融的发展能够降低社会中的信息获取成本，提高资金的易获得性和市场流动性，对于整个社会的联动性都有积极显著的影响。但是，从另一方面来看，商业银行在这一过程中将会面临巨大冲击，绩效水平将会下降，甚至有破产的可能。另外，互联网金融还会给政府的监管带来一定的困难。Claessens等[2]研究发现，在不同的国家政策以及社会背景之下，互联网金融所受到的重视程度并不一致，政府在互联网金融的发展过程中会起到较大作用，互联网金融对于银行、保险以及小额信贷等金融机构的影响效果可能并不相同。Herbst[3]则指出，互联网金融的高速发展对于金融业的影响将会逐步增强。从货币流通的角度来看，电子货币的使用将会大大提高货币的流动性，这对于传统银行业是一个巨大的挑战。同时，在互联网金融发展的过程中，企业和客户都需要加强对个人信息的保护。Fight[4]认为互联网金融的发展对于整个金融行业都非常重要，有可能改变现有的金融格局，甚至经济学的许多概念都将发生改变。同时，互联网金融的发展也会对商业银行的经营状况产生重大影响。Zhang等[5]从网络购物的角度进行分析，指出互联网金融虽然为商业银行的客户提供了便利，但同时也增加了风险。

由于我国的互联网金融起步较晚，所以国内关于这一问题的研究文献主要集中在最近一段时期。刘澜飚等[6]认为互联网金融和传统金融不仅仅是一种“竞争性”的关系，二者之间也能够互惠互利，实现共赢。例如，传统金融企业可以学习互联网金融的专业技术和经营模式，增加自身的产品种类，提高自身的服务水平和经营效率。郑霄鹏和刘文栋[7]认为商业银行与互联网金融企业相比仍然具有较大的优势，商业银行并未受到太大冲击。另外，互联网金融带来的不仅仅是负面影响，同时也增加了商业银行的竞争对手，使其产生危机意识，从而改善自身经营水平。赵清辉[8]利用对比分析和定性分析方法，对互联网金融和商业银行业务发展的关系进行了深入分析，结果表明互联网金融对商业银行资产业务发展的影响相对较小，但对商业银行的负债业务和利润水平形成了较大冲击。郑志来[9]则主要从“互联网+零售”这一视角出发，研究了互联网金融对银行各类业务发展以及总体绩效的影响，研究结果表明互联网金融对商业银行的贷款业务、中间业务、存款业务和总体的绩效水平都造成了负向影响。王锦虹[10]在测度我国互联网金融发展程度的基础上，研究了互联网金融对商业银行业务的影响，结果表明银行的负债业务受到了较大冲击，但资产业务和中间业务受到的冲击很小。吴成颂等[11]主要研究了互联网金融发展对我国城市商业银行的影响，结果表明城市商业银行的创新能力、手续费及佣金收入都受到了互联网金融的负向冲击。

从以上分析可以看出，关于互联网金融对商业银行绩效的影响这一问题，以往文献主要是利用定性分析的方法进行研究。同时，现有的研究中关于互联网金融对银行绩效的影响效果都一概而论，并没有考虑市场势力这一因素的存在可能会产生差异化影响。其实，由于市场势力不同的银行在资产规模、技术水平、创新能力和收入结构等方面都存在巨大差异，所以互联网金融极有可能对其产生不同的影响。

因此，本文利用理论分析和实证分析相结合的方法，深入研究互聯网金融和市场势力对商业银行绩效水平产生的影响。本文主要有以下几个方面的创新：第一，考虑了市场势力的重要作用。关于互联网金融对商业银行绩效的影响，以往的文献并没有考虑市场势力的作用。本文通过在模型中加入互联网金融指数与市场势力指标的交互项，研究了在市场势力发生变化的情况下，互联网金融对商业银行绩效影响的不同。第二，对银行进行分类研究。现有的研究全是针对银行业或者是城市商业银行所进行的，忽略了不同类型银行之间可能存在的不同情况。本文将商业银行分为国有商业银行、股份制商业银行和地方性商业银行三类，深入分析不同类型银行所对应的不同情况。第三，理论分析与实证分析相结合。以往的研究多采用理论分析方法，而本文不仅对相关问题进行了理论分析，而且在此基础上构建出计量模型，利用计量估计方法进行实证分析。第四，本文使用动态面板系统广义矩估计（GMM）方法进行实证估计，既能够刻画商业银行绩效的连续性特征，又能在一定程度上解决模型中可能存在的异方差、自相关和内生性问题。

三、研究设计

（一）指标选取

1.商业银行绩效指标。在衡量商业银行绩效的指标中，较为常用的有总资产收益率、总资本收益率和净息差等。其中，前两个指标能够较好地反映银行的总体绩效水平，但是我国部分商业银行存在资本为负的情况，所以利用总资本收益率来衡量并不合适。因此，我们选择总资产收益率（Return on Asset，ROA）作为代理变量。

2.互联网金融指数（IFI）。互联网金融指数的准确测量是本文实证检验的重要前提，所以本文借鉴沈悦和郭品[12]的做法，利用“文本挖掘法”来进行测度。

首先，根据金融功能的不同，选取初始词库。吴晓求[13]认为互联网金融主要在支付清算、资源配置、风险管理和信息渠道方面发挥重要作用。根据这一理论，本文将互联网金融的功能分为4个维度，在此基础上，从每个维度筛选出5个互联网金融的关键词语，最终得到20个关键词（见表1）。

其次，利用《中国重要报纸全文数据库》（CCND），确定每一个关键词在2005—2015年期间所对应的每年的新闻数目，[JY]并以此为基础计算出每个关键词的年度词频。

再次，运用相关性分析方法，提取有效关键词。在将各关键词词频标准化处理之后，计算关键词词频与商业银行总资产收益率年度均值的Person相关系数，结果见表1。借鉴Larson和Farber[14]的研究，我们选择03为临界值，剔除相关系数小于03的关键词之后，剩余12个关键词。endprint

最后，利用因子分析法计算互联网金融指数。其具体步骤如下：第一，对相关数据进行检验，变量的KMO值为076，大于05的临界值；Bartlett值为23641，对应的显著性为000，小于005的临界水平。这表明关键词之间确实存在共享因素，适合进行因子分析。第二，基于主成分分析法提取了特征值大于1的公因子，其方差贡献率高达8247%，表明提取的公因子能够涵盖绝大部分信息。第三，在对载荷矩阵进行方差最大化正交旋转后，利用因子分析方法估计得分系数矩阵。第四，以各因子的得分为权数，将公因子表示为各变量的线性组合并进行标准化处理，最终得到的互联网金融指数如图1所示。[WTBX]

3.市场势力指标。衡量商业银行市场势力的指标主要包括赫芬达尔指数、银行市场份额、Lerner指数和经效率调整的Lerner指数（Elerner）等。其中，赫芬达尔指数能够衡量银行业的集中度水平和总体市场势力状况，但却无法衡量单个银行的市场势力状况；市场份额指标则可能由于选取存款、贷款或者生息资产等不同的指标而存在较大差异，所以对于银行市场势力的衡量也并不准确。Lerner指数虽然不存在上述问题，但其假定商业银行具有完全效率，而且能够发现所有的价格机会，这与我国银行业的实际情况也并不相符。经效率调整的Lerner指数则较好地克服了以上指标的缺陷，能够更加准确地衡量商业银行的市场势力，所以我們选择Elerner指数作为相应的控制变量。Elerner指数由Koetter等[15]提出，其计算方法如下：

Elerner=[SX（]Πit+Cit-MCit·Qit[]Πit+Cit[SX）][JY]（1）

式中，Πit代表银行税前利润，Cit代表总成本，MCit为边际成本，Qit为总产出（总资产）。Elerner指数越大，代表银行的市场势力越强。

式（1）中的边际成本变量无法通过直接观测得到，因此本文需要使用相关方法进行计算。由于超越对数函数能够提供更良好的逼近，所以我们采用超越对数成本函数来计算MCit：

lnCit=α0+β0lnQit+∑[DD（]2[]j=1[DD）]βjlnWjit+

[SX（]1[]2[SX）][JB（[]α1（lnQit）2+∑[DD（]2[]j=1[DD）]∑[DD（]2[]m=1[DD）]βjmlnWjitlnWmit[JB）]]+

∑[DD（]2[]j=1[DD）]βQjlnQitlnWjit+vit+uit[JY]（2）

式中，C代表商业银行的总成本，Q代表商业银行的总产出，[WTHX]W[WTBX]代表商业银行的投入要素价格向量，分为资金价格（W1）与劳动及资本价格（W2）两部分①在代理变量的选取上，我们选择非利息费用与利息费用之和作为总成本C的代理变量，以商业银行总资产作为总产出Q的代理变量，以总利息费用与总存款及短期资金之比作为W1的代理变量，同时还以非利息费用与固定资产之比作为W2的代理变量。另外，为了满足式（2）的规范性要求，我们对要素价格施加了对称性约束和齐次性约束：

∑[DD（]2[]j=1[DD）]βj=1∑[DD（]2[]j=1[DD）]βjm=0m=1，2

∑[DD（]2[]j=1[DD）]βQj=0βjm=βmj[JY]（3）

从而，边际成本MCit为：

MCit=[SX（]Cit[]Qit[SX）]=[SX（]Cit[]Qit[SX）]·[SX（]lnCit[]lnQit[SX）]=[SX（]Cit[]Qit[SX）]·

[JB<2[]β0+α1+

∑[DD（]2[]j=1[DD）]βQjlnWjit[JB>2]][JY]（4）

另外，在本文的稳健性检验中，需要使用Lerner指数作为Elerner指数的替代性指标，所以相应的Lerner指数计算如下：

Lernerit=[SX（]Pit-MCit[]Pit[SX）][JY]（5）

式中，Pit代表商业银行的总资产价格，以银行总营业收入与总资产之比作为相应的代理变量。[WTBZ]

4.控制变量指标。影响商业银行绩效的因素有很多，本文主要从银行内部特征层面和宏观经济层面选取相应的控制变量。从内部特征层面来看，主要有以下几个因素影响银行的绩效水平：首先，商业银行的资产结构是影响其绩效的重要因素之一。生息资产的增加一般会提高银行的利润，对绩效产生积极影响。因此，我们选择贷款资产比（Loan to Asset Ratio，LA）作为资产状况的代理变量，并预期其系数符号为正。其次，资本是否充足也会对银行的绩效水平造成影响。一般情况下，资本充足率的提高虽然能够提升商业银行抵御风险的能力，但也会占用银行资源从而降低绩效水平。因此我们选择权益资产比（Equity to Asset Ratio，EA）作为相应的控制变量，并预期其系数符号为负。再次，银行资产规模的大小也会对银行的绩效造成重要影响。银行在扩大资产规模的过程中可能会产生规模效应，[LL]但也有可能面临更多的管理问题。因此，我们选择银行资产总额的对数值（LNTA）作为代理变量，但其系数符号并不确定。最后，我国商业银行的营业收入依然主要是利息收入，所以商业银行发放贷款的质量必然会影响到绩效水平。因此，我们选择不良贷款比率（Nonperforming Loan，NONPL）作为相应的控制变量，并预期其系数符号为负。

在宏观经济因素层面，首先，经济发展水平是影响商业银行绩效水平的重要因素。一般情况下，经济发展水平越高，经济体的运转越良好，社会的资金需求就会越大，商业银行的利息收入和非利息收入也会越高。因此，我们选取实际GDP的对数值（LNGDP）作为经济发展水平的代理变量，并预期其估计系数的符号为正。同时，通货膨胀水平也会影响银行的绩效水平，所以我们选择居民消费价格指数（CPI）作为相应的控制变量。由于商业银行在金融市场中的信息优势更强，对于通货膨胀程度的把握要优于客户，能够从中获利，所以我们预期CPI的估计系数的符号为正。另外，近年来我国的利率市场化进程在不断推进，这一因素也会对银行的绩效水平产生重要影响。因此，借鉴以往研究[16]，我们选取了利率市场化进程的虚拟变量（Interestrate Liberalization，IRL）。我国的利率市场化进程在2004—2012年处于相对平稳期，改革的幅度相对较小。在2012年之后，利率市场化进程开始迅速推进，改革幅度明显增大。[JP2]因此，我们根据实际情况，在2005—2011年的样本期内取IRL为0，在2012—[JP]2015年的样本期内则取值为1。由于利率市场化程度的提高会在一定程度上压缩银行的利润空间，所以我们预期该变量的估计系数的符号为负。endprint

在选取变量的基础上，绘制了描述性统计表，见表2。从表2来看，ROA的均值、标准差、最小值和最大值分别为106%、047%、049%和300%。从这一结果来看，我国商业银行之间的绩效水平具有很大差别。从Elerner指数的均值、标准差、最小值和最大值来看，我国商业银行之间的市场势力也具有很大差别。从商业银行的其他内部特征变量的描述性统计值来看，我国商业银行在总体规模、贷款占比、资本充足率以及贷款质量方面也都有很大不同。

（二）样本及数据来源

本文使用的数据是2005—2015年我国101家商业银行面板数据。其中国有银行、股份制银行和地方性银行的数量分别为5家、12家和84家。在数据来源方面，各银行的资产规模和贷款资产比等内部特征数据主要来自于Orbis Bank Focus数据库（原Bankscope数据库）和各商业银行年报。对于其中有冲突的数据，我们以商业银行年报为准。GDP和CPI数据来源于中国统计年鉴，而且我们以2005年为基期进行了调整。另外，为了避免极端值的影响，我们对ROA数据进行了1%的winsorize缩尾处理。

（三）研究方法及模型设定

根据本文的研究目的，我们设定了如下动态模型进行研究，并采用GMM方法对模型进行实证估计①：[WTBX]

ROAit=δ0+λ0ROAi，t-1+γ1IFIit+

γ2Elernerit+γ3IFI×Elernerit+γ4LAit+

γ5EAit+γ6LNTAit+γ7NONPLit+γ8LNGDPit+

γ9CPIit+γ10IRLit+ξit[JY]（6）

式中，ROAi，t-1代表ROAit的一階滞后项，IFI表示互联网金融指数，Elerner代表Elerner指数，ξit代表随机误差项，其余变量的具体定义见表2。

[LL]

＼ ＼ IFI×Elerner代表互联网金融与市场势力的交互项，根据式（6）可得，互联网金融对于商业银行绩效的边际影响如下：

[HS2*6]＼ ＼ [SX（]ROA[]IFI[SX）]=γ1+γ3Elernerit[JY]（7）

从式（7）可以看出，交互项的引入可以帮助我们研究随着商业银行市场势力的变化，互联网金融对银行绩效的影响将会如何变化。

另外，我们还构建了式（8）的静态面板回归模型，对式（6）的动态面板回归结果进行稳健性检验：

ROAit=φ0+θ1IFIit+θ2Elernerit+

θ3IFI×Elernerit+θ4LAit+θ5EAit+θ6LNTAit+

θ7NONPLit+θ8LNGDPit+θ9CPIit+θ10IRLit+ψit[JY]（8）[WTBZ]

四、实证分析

（一）全部银行样本

在全部商业银行样本下对式（6）和式（8）的估计结果见表3，其中A栏和B栏分别对应的是静态模型和动态模型的回归结果。每一栏中的第一、第二和第三列分别对应基准模型、加入Elerner指数的模型以及加入了Elerner和IFI×Elerner的模型的回归结果（下文相同）。

＼ ＼ 在A栏的静态模型估计结果中，Hausman检验均拒绝了原假设，所以我们选择了个体固定效应方法进行估计。在个体固定效应模型中，组内R2能够比总体R2和组间R2更好地反映模型的拟合优度[17]，所以我们在表中报告的R2为组内R2。从具体结果来看，三列中R2的值分别为0514、0477和0423，这表明模型具有较好的拟合优度。在B栏的动态面板估计结果中，AR（1）均小于005，AR（2）均大于005，这说明模型中不存在序列相关问题。Sargan检验所对应的p值均大于005，这说明模型中不存在工具变量的过度识别问题。因此，本文设定的动态面板模型较为合理。

从表3可以看出，无论是在A栏还是在B栏的第一、二列的估计结果中，IFI的估计系数的符号均显著为负，第三列中IFI的系数同样显著为负，根据式（7）所计算的IFI对于ROA的边际影响值亦为负值。IFI与ROA之间存在显著的负相关关系，说明互联网金融的发展显著降低了我国商业银行的绩效水平。从这一结果可以看出，互联网金融发展给商业银行带来的“竞争效应”超过了“技术溢出效应”，其消极影响大于积极影响。互联网金融发展对商业银行的消极影响主要表现在以下几方面：

从资产业务层面来看，部分互联网借贷平台和贷款产品的出现可能会对商业银行的资产业务造成冲击，从而降低其绩效水平。例如，近年来P2P网络借贷迅速发展，在一定程度上对商业银行的贷款业务造成了“挤出效应”。我国的P2P业务从2005年才开始起步，2011年总交易额仅为967万亿元，但截至2015年底其交易额却已经高达86866万亿元，增长速度十分惊人。究其原因，首先是由于P2P网上借贷方式较为便捷，利用电脑或者手机可以轻松完成，免去了银行贷款的烦琐程序。其次，部分P2P借贷平台无需抵押或者担保，贷款额度的门槛低至几百元，这也吸引了一大批贷款额较低的客户。最后，P2P平台受到的监管较为宽松，而且能够较好地利用互联网大数据技术，深入了解客户需求，从而设计出更为合理和新颖的产品。但是，从客户群体来看，在P2P等网络借贷平台中有很多贷款客户都达不到银行的贷款要求，所以从这个层面上来看，网络借贷业务是对银行贷款业务的一种补充。从价格层面来看，网络借贷中的贷款利率一般都非常高，远远超出了银行的同期贷款利率。因此，虽然互联网金融对银行的资产业务会产生一些“挤出效应”，但其程度相对轻微。

从负债业务层面来看，互联网金融的发展对银行的负债业务造成了较大冲击。其中一个重要因素就在于互联网金融理财产品层出不穷，银行低息揽储日趋艰难。例如，2013年由蚂蚁金服公司推出的“余额宝”产品在很短的时间内便风靡全国，对银行的负债业务造成了很大冲击。究其原因，主要是“余额宝”无论是在收益水平和客户体验方面，还是在产品的流动性和购买门槛方面，都优于商业银行的存款类产品或者理财类产品。从收益水平的角度来看，“余额宝”产品在推出后初始阶段的收益水平高达6%，在之后的一年的时间里虽然有所下降，但依然在5%的水平；与之成形鲜明对比的是，同时期商业银行的一年定期存款收益率仅为3%左右，无法与之匹敌。从客户体验的角度来看，“余额宝”的收益结算方式是按天结算，客户能够通过支付宝每天关注其收益状况，这种方式无疑会给客户带来更强的满足感。从流动性的角度来看，“余额宝”与支付宝平台紧密相连，从“余额宝”中转出的资金能够迅速到账，满足了客户的流动性需求。从购买门槛的角度来看，“余额宝”的起购金额仅为1元，远低于许多银行理财产品的起购金额，所以能够吸收社会中更多的闲散资金。正是由于“余额宝”具有收益率高、流动性强、客户体验良好和购买门槛低的特点，所以其资产规模迅速扩大，对商业银行造成了很大威胁。由此可见，互联网金融的发展对商业银行的负债业务造成了较大的冲击，其影响效果要超过对资产业务方面的影响效果。endprint

从非利息业务层面来看，互联网金融的发展对商业银行非利息业务造成了负向影响，尤其是手续费及佣金业务受到了较大冲击。由于商业银行具有网点多和客户基数大的优势，所以其转账业务、结算及清算业务和代销业务等都发展较好，由此所带来的手续费及佣金也一直都是商业银行的一个稳定的收入来源。但是，随着互联网金融的迅速发展，许多客户开始使用第三方支付平台办理部分业务，对商业银行的业务数量和收益水平都产生了负向影响。这主要是由于客户在第三方支付平台办理相关业务不仅方便快捷，而且其费用也相对更低。以转账业务为例，2014年商业银行的转账业务费率是05%左右，而支付宝转账业务的费率仅为01%左右。再例如，在基金代销业务方面，商业银行在早期的基金代销市场中占据着绝对的有利地位，其代销额度曾一度高达基金总额的60%。但是，随着第三方支付平台和余额宝类互联网金融产品的不断出现，基金销售方开始和第三方支付平台进行合作，大大降低了对商业银行的依赖程度。例如，客户通过登录支付宝平台就可以购买大量的基金产品。这对商业银行的基金代销业务造成了较大冲击，必然会降低其绩效水平。

从Elerner指数的估计系数来看，A栏和B栏的第二、三列的回归结果中Elerner的估计系数均显著为正，第三列中Elerner对于ROA的边际影响也显著为正。这一结果表明市场势力的增强对于商业银行的绩效水平产生了显著的正向影响。究其原因，主要包括以下两方面：第一，市场势力较强的商业银行能够向客户索取更高的业务费用，从而获得更多“垄断租金”，提高自身绩效水平。第二，在银行业中普遍存在着信息不对称问题，商业银行无法完全了解借款人的实际经营状况和还款能力。但是，市场势力较强的商业银行更容易与客户形成长期稳定的银企关系，所以商业银行也更有动力去挖掘客户的相关信息。从借款人的角度来看，根据博弈论的相关理论，在长期稳定的银企关系中借款人面临着可置信的威胁，所以也会更多地表露自身的真实信息。这会降低银行与客户之间的信息不对称的程度，从而提高银行的贷款质量和绩效水平。

从IFI×Elerner的估计系数来看，无论是在A栏的静态面板回归结果中还是在B栏的动态面板回归结果中，IFI×Elerner的估计系数符号均显著为正。这说明随着商业银行市场势力的增强，互联网金融对商业银行绩效的负向影响將会逐步降低。当市场势力超过临界值时（Elerner指数为0773和0764），互联网金融的发展不但不会对商业银行造成负向影响，反而会提升其绩效水平。首先，从互联网金融发展带来的“技术溢出效应”方面来看，市场势力较强的商业银行大多成立时间较早、资产规模较大、员工专业素质较高[18]，所以在技术水平和创新能力上具有很大优势，能够更好地将互联网信息技术与银行业务进行融合，从而获得更多收益。与之相反，市场势力较弱的商业银行在技术水平和创新能力方面存在缺陷，无法充分利用互联网信息技术带来的各种机会。例如，天津滨海农村商业银行在2015年才开展电子银行业务，而且许多功能尚不完善[19]。在信息化技术迅速发展的今天，这必然会限制商业银行的进一步发展。其次，从互联网金融发展带来的“竞争效应”方面来看，市场势力较强的商业银行受到的影响更小。市场势力较强的商业银行普遍拥有较多的大型企业客户，例如我国的国有商业银行长期与大型国有企业进行合作。与之相反，市场势力较弱的银行的客户群体则主要是小微企业客户和个人客户。但是，第三方支付和P2P等互联网金融平台由于受到资产规模和信誉条件的限制，与大型企业的合作比较少，所以其客户群体同样主要是小微企业客户和个人客户。从这一方面来看，互联网金融对于市场势力较弱的商业银行产生了更大的客户群冲击，“竞争效应”更加明显。根据分析结果可知，随着商业银行市场势力的增强，互联网金融发展给商业银行带来的“技术溢出效应”会逐步增强，“竞争效应”则会逐步减弱。因此，虽然互联网金融对商业银行的绩效水平造成了负向影响，但是市场势力越强的商业银行受到的冲击就会越小。

观察表中ROA滞后项的估计系数可知，其符号均为正值且具有显著性，这一结果表明商业银行的绩效水平具有较强的连续性，利用动态面板模型能够更好地进行实证分析。在控制变量方面，LNTA的估计系数符号为负但并不显著，这说明资产规模对于商业银行绩效的影响并不明显。其他控制变量的估计系数符号与前文的预期基本一致。

（二）分类银行样本

在总体商业银行样本的基础上，我们将商业银行分为国有商业银行、股份制商业银行和地方性商业银行，进一步研究互联网金融对于不同类型商业银行绩效水平的影响。表4～表6分别报告了三类银行样本的回归结果。

在表4～表6的A栏静态面板估计结果中，Hausman检验均拒绝了原假设，所以我们选择个体固定效应方法进行估计。从R2的具体结果来看，表4～表6中的R2均处于03至06的范围内，这表明模型具有较好的拟合优度。在表4～表6的B栏动态面板估计结果中，AR（1）均小于005，AR（2）均大于005，这说明模型中不存在序列相关问题；Sargan检验所对应的p值均大于005，这说明模型中不存在工具变量的过度识别问题。因此，本文关于动态模型的设定符合GMM方法的相关条件，较为合理。

从表4～表6可以看出，在A栏和B栏第一、二列的结果中，IFI的估计系数的符号均显著为负，第三列中IFI的系数同样显著为负，根据式（7）所计算的IFI对于ROA的边际影响值亦为负值。这一结果表明，互联网金融的发展对国有商业银行、股份制商业银行和地方性商业银行的绩效水平都造成了显著的负向影响。从表4和表5中的估计系数的具体数值来看，表4中IFI估计系数的绝对值均小于表5中的对应值，根据式（7）计算的表4中IFI对于ROA的边际影响值的绝对值同样小于表5中的对应值。从表5和表6中估计系数的具体数值来看，

除了在B栏第二列中二者基本一致之外（-0751和-0750），表5中IFI估计系数的绝对值均小于表6中的对应值，根据式（7）计算的表5中IFI对于ROA的边际影响值的绝对值同样小于表6中的对应值。这一结果表明，在互联网金融发展的过程中，地方性商业银行的绩效水平受到的冲击最大，股份制商业银行次之，国有商业银行受到的冲击最小。这一实证结果再次印证了上文的结论：随着商业银行市场势力的增强，互联网金融对银行绩效水平的负向影响逐步减弱。endprint

从Elerner的估计系数来看，表4～表6的估計结果中Elerner估计系数的[JP2]符号均显著为正，这说明无论是对于国有商业银行、股份制商业银行还是地方性商业银行，市场势力的增强都对银行的绩效水平造成了显著的正向影响。从表4和表5中估计系数的具体数值来看，表4中第一、二列的Elerner的估计系数均小于表5中的对应值，表4中第三列的Elerner指数对于ROA的边际影响值同样小于表5中的对应值。从表5和表6中估计系数的具体数值来看，表5中第一、二列的Elerner的估计系数均小于表6中的对应值，表5中第三列的Elerner指数对于ROA的边际影响值同样小于表6中的对应值。这一结果表明，市场势力的增强对地方性商业银行绩效水平的积极影响最大，[JY]股份制商业银行次之，国有商业银行最小。这说明市场势力对商业银行绩效的边际影响呈现出递减的趋势。

从IFI×Elerner的估计系数来看，无论是在A栏的静态面板回归结果中还是在B栏的动态面板回归结果中，表4～表6的估计结果中IFI×Elerner的估计系数符号均显著为正。这说明无论是对于国有商业银行、股份制商业银行还是地方性商业银行，随着商业银行市场势力的增强，互联网金融对于银行绩效的负向影响将会逐步减弱。当市场势力超过临界值时（Elerner指数为0810、0805、0822和0832、0780、0788），互联网金融的发展不但不会对商业银行造成负向影响，反而会提升其绩效水平。其原因同样是随着商业银行市场势力的增强，互联网金融发展给商业银行带来的“技术溢出效应”将会逐步增强，“竞争效应”则会逐步减弱，因此由互联网金融带来的负向效应将会逐步降低。

五、结论及建议

近年来，我国互联网金融交易规模迅速扩大，发展速度十分惊人。在这一过程中，互联网金融对于商业银行的经营状况既产生了积极效应，也产生了消极效应，商业银行的绩效水平也受到了很大影响，但现有文献关于这一问题的研究并不深入。本文利用我国101家商业银行2005—2015年的数据，不但研究了互联网金融对于商业银行绩效水平的总体影响，还研究了随着商业银行市场势力的变化，互联网金融对其绩效水平影响的变化。

研究结果表明，对于总体商业银行样本，互联网金融的发展对商业银行的绩效水平产生了显著的负向影响。但是，随着商业银行市场势力的增强，这一负向影响将会逐步减弱，当商业银行的市场势力超过临界值时，互联网金融的发展甚至会提升银行的绩效水平。究其原因，随着商业银行市场势力的增强，互联网金融发展给商业银行带来的“技术溢出效应”将会逐步增强，“竞争效应”则会逐步减弱。

对于分类银行样本，互联网金融的发展对国有商业银行、股份制商业银行和地方性商业银行的绩效水平都产生了显著的负向影响。同样地，随着商业银行市场势力的增强，这一负向影响的效果将会逐步减弱。从估计系数的具体数值来看，在互联网金融发展的过程中，地方性商业银行的绩效水平受到的冲击最大，股份制商业银行次之，国有商业银行受到的冲击最小。这一结果再次印证了上面的结论，即市场势力越强的商业银行受到互联网金融的冲击越小。

这一结论对于商业银行的健康发展和监管者实施有效监管都具有十分重要的现实意义。从商业银行的角度来看，在未来的发展过程中应当把握以下方向：第一，商业银行需要进一步学习互联网金融技术，利用互联网平台来拓展客户群体。商业银行在过去的经营过程中长期实行“逐大舍小”的发展策略，即争取大客户，忽视小客户，而互联网金融企业恰是利用了这一特点，通过互联网平台的信息优势将大批拥有闲散资金的小客户聚拢起来，形成了较大的资金规模。所以商业银行也应当增加对中小客户群体的重视，利用多种方式尤其是互联网方式来挖掘潜在的信息，拓展其客户群体，从而扩大利润来源。第二，商业银行需要利用好自身原有的优势，在此基础上改变经营模式和发展特色产品。与互联网金融企业相比，商业银行具有资产规模大、网点分布广、诚信度较高和国家政策大力扶植的优势。所以商业银行应当利用好自身的这些优势并结合互联网技术，通过业务创新和产品创新为客户提供更为全面的金融服务，满足客户的多样化需求，从而稳定自身绩效水平。第三，商业银行应该进一步提升自身的技术能力，利用大数据分析来扩大现有客户和潜在客户的信息规模，将传统银行业务与互联网金融业务有效融合，构建出更具有竞争力的互联网金融平台。第四，商业银行还可以与电商平台进行合作，共同搭建互联网电商银行平台，从而实现共同发展的目标。在互联网迅速发展的过程中，电商与银行之间既可以是一种竞争关系，也可以通过合作构建出双向获利的共赢关系。电商依托自身的互联网平台，拥有更多的客户信息，商业银行通过获取相关信息可以提高自身的客户挖掘深度。商业银行则拥有较多的网点数量，同时还具有良好的信誉，电商能够利用银行的这些优势来扩展自身的客户群体。

另一方面，商业银行的市场势力越强，互联网金融对其产生的冲击就越小。因此，商业银行还可以通过引入民营资本、优化自身资产负债结构、引进专业型人才和增加创新业务投入等方式来提升自身的综合实力。同时，地方性商业银行受到资产规模和技术水平等方面的限制，互联网金融发展对其绩效水平的冲击最大。所以地方性商业银行在今后的发展中应当对互联网金融给予更多的关注，增加相关技术投入，尽快建设起包括网上银行和电子银行在内的互联网金融体系，强化互联网金融带来的“技术溢出效应”，弱化“竞争效应”。

从监管者的角度来看，互联网金融的发展在一定程度上激活了整个金融市场的活力，起到了一定的积极作用。但是互联网金融对于传统商业银行也造成了很大冲击，所以监管者对于互联网金融的发展应当采取循序渐进的策略，不能在短期内操之过急，以免对整个金融行业的稳定性造成过多不良影响。另外，虽然监管者已经出台了部分规章制度来规范互联网金融企业的发展，但其体系尚不够完善，行业中仍然存在许多问题。所以监管者应当加强对互联网金融行业制度的研究，设计出更为完善的法律法规，以确保金融体系的健康运行。endprint

另外，正如前文所说，互联网金融企業与传统银行业之间既有“竞争效应”，也有“互补效应”，商业银行可以利用互联网金融提高自身的经营水平，互联网金融企业也可以利用传统银行的优势来提高自身的信誉水平。所以监管者在实施监管政策的过程中，也可以引导互联网金融企业与商业银行之间协同合作，最终达到共赢的局面。

[WT][HS2][HT5H]参考文献：[HT5”SS]

[1][ZK（#]Werthamer N R， Raymond S U. Technology and finance： The electronic markets [J]. Technological Forecasting & Social Change， 1997， 55（1）： 3953.

[2]Claessens S， Glaessner T， Klingebiel D. Electronic finance： reshaping the financial landscape around the world [J]. Journal of Financial Services Research， 2002， 22（1）： 2961.

[3]Herbst A F. Efinance： Promises kept， promises unfulfilled， and implications for policy and research [J]. Global Finance Journal， 2001， 12（2）： 205215.

[4]Fight A. Efinance [M]. Minnesota： Capstone Publishing， 2002.

[5]Zhang Y， Chen K L， Lee H， et al. Adoption of online banking features by financial intermediaries [J]. International Journal of Electronic Finance， 2012， 6（3/4）： 219238.

[6]刘澜飚， 沈鑫， 郭步超. 互联网金融发展及其对传统金融模式的影响探讨 [J]. 经济学动态， 2013（8）： 7383.

[7]郑霄鹏， 刘文栋. 互联网金融对商业银行的冲击及其对策 [J]. 现代管理科学， 2014（2）： 7880.

[8]赵清辉. 互联网金融对中国商业银行的影响探究 [J]. 河北学刊， 2015（1）： 201204.

[9]郑志来. 互联网金融对我国商业银行的影响路径——基于“互联网+”对零售业的影响视角 [J]. 财经科学， 2015（5）： 3443.[ZK）]

[10][ZK（#]王锦虹. 互联网金融对商业银行盈利影响测度研究基于测度指标体系的构建与分析 [J]. 财经理论与实践， 2015（1）： 712.

[11]吴成颂， 周炜， 张鹏. 互联网金融对银行创新能力的影响研究——来自62家城商行的经验证据 [J]. 贵州财经大学学报， 2016（3）： 5465.

[12]沈悦， 郭品. 互联网金融、技术溢出与商业银行全要素生产率 [J]. 金融研究， 2015（3）： 160175.

[13]吴晓求. 互联网金融： 成长的逻辑 [J]. 财贸经济， 2015， 36（2）： 515.

[14]Larson R， Farber E. Videos on DVD for elementary statistics： Picturing the world [M]. Oxford： The Clarendon Press， 2011.

[15]Koetter M， Kolari J W， Spierdijk L. Enjoying the quiet life under deregulation？ Evidence from adjusted lerner indices for US banks [J]. Review of Economics and Statistics， 2012， 94（2）： 462480.

[16]李仲林. 利率市场化与商业银行风险承担 [J]. 财经科学， 2015（1）： 3646.

[17]陈强. 高级计量经济学及Stata应用 [M]. 北京： 高等教育出版社， 2014.

[18]申创， 赵胜民. 市场竞争度与银行非利息收入关系研究 [J]. 经济评论， 2017（1）： 5367.

[19]申创， 赵胜民. 市场竞争度对不同类型银行的收益影响一致吗——基于我国101家商业银行的实证研究 [J]. 山西财经大学学报， 2017（9）： 3345.[ZK）]

[HT5K][JY]责任编辑、 校对： 高原[FL）]endprint