互联网金融对传统金融影响的实证研究

2018-04-13戴泽兴关凯强董春丽

中国集体经济 2018年12期

戴泽兴关凯强董春丽

摘要：选取2012年一季度至2017年一季度15家A股上市银行的面板数据，通过主成分分析法分析商业银行系统性风险的影响要因素，并运用突变分析和向量自回归模型（VAR）进行单根检验、格兰特检验、脉冲响应函数和方差分解对互联网金融对商业银行系统性风险具体影响机制进行实证研究。得出结论：互联网金融与传统商业银行业务之间既互相竞争又互利互补，互联网金融的存在对中国传统金融改革具有强制倒逼作用，促使了中国传统金融机构服务方式和业务模式日趋完善。

关键词：互联网金融；VAR模型；主成分分析法

一、引言

随着信息技术的兴起和电子商务的不断发展，产生了新型金融业态模型——互联网金融。新兴的互联网金融促进了金融市场的优化改革、增加了金融资源的优化配置方式，也对传统金融行业造成了一定的市场冲击。传统商业银行主要通过吸收存款、发放贷款实行业务规模扩张而投资获利，而互联网金融企业凭借其在成本、技术优势以及政府政策的支持和相对宽松的监管优势，使传统商业银行在存贷方面及中间业务层面的利润空间逐渐被侵蚀，间接地加大了传统商业银行操作性风险。

近些年，国内外诸多学者对于互联网金融的展开了大量的研究，Berger（2003）研究了互联网金融技术的进步对金融业的影响，技术的进步不仅提高了银行服务质量和多样性，而且有助于促进银行业的整合。Lehar（2005）以监管机构对银行的个人负债和对银行资产的债权为标的进行建模，构造了一种新的银行系统风险度量方法。Goodhart（2006）基于多国模型研究了系统性风险的度量方法。李雪净（2017）指出学互联网金融对商业银行的盈利存在门限效应。杨敏等（2013）指出为避免因金融指标选择造成模型测量偏差，提出了包括外部冲击指标与银行内部经营指标，运用主成分分析法来测出整体银行系统性风险。戴国强（2014）通过数值模拟和模型分析，从影子银行的角度研究，发现互联网金融会增加银行风险。牛华勇（2015）认为互联网金融对国有银行垄断地位的冲击非常有限，但对股份制银行的影响效果却非常明显。吴诗伟等（2015）实证分析了，利率市场化和互联网金融对商业银行破产风险及不良资产风险的影响。

二、中美互联网金融对传统商业银行影响的对比

目前，美国已经建立起了相对成熟的三个独立互联网金融业务。一是传统金融业务互联网化；二是传统金融支付体系的互联网化；三是互联网信用业务。21世纪随着电子商务、互联网技术的迅猛发展，新型互联网金融应运而生，第三方支付、网络在线支付等新型支付体系在移动终端智能化的支持下飞速发展，目前主要流行的互联网金融信用业务包含互联网货币基金（如余额宝）、P2P、众筹等。

近年来，在经济全球化、资产证券化等因素的影响下，我国的互联网金融发展迅速，在提升金融行业服务质量和效率、满足多元化理财需求等方面展现出了很大的市场空间和发展潜力。据中国互联网金融协会统计数据显示，目前我国互联网金融发展主要有以下特点。

一是从快速發展转入稳定发展阶段。二是金融业务较多，但行业占金融总量比较低，业态纵深分化发展趋势日渐凸显。三是互联网金融“鲶鱼效应”明显。以第三方支付交易规模增长为例，根据央行数据调查研究，从2012年起我国移动支付笔数增长超过20%且大幅呈上升趋势。自2016年第三方支付交易规模高达近80万亿元，同比增长率接近300%，2016年移动支付占据第三方支付交易规模的74.7%；与此同时扫码支付也迅速增长，2017年第一季度我国扫码支付市场规模超过5800亿元，同比增长606.8%，同时第三方支付从货币基金出发，逐渐向其他金融产品延伸，新的互联网金融模式迅速崛起。

同美国相比，我国互联网金融服务的发展对象相对比较单一。西方资本主义的特有属性，使得美国银行发展呈现多元化、纵深远的特点，不仅有资本雄厚的大银行，也有规模较小的社区银行和一些仅具备核心银行业务服务功能的非银行金融机构，甚至目前还出现了一种没有实体，主要通过互联网拓展业务的新型纯网络银行。但我国互联网金融产业发展后发制人，呈现业态健康良好的发展趋势，并逐渐由单一向多元化过渡，且市场潜力巨大。

三、互联网金融对传统商业银行系统风险的实证分析

（一）基于VAR模型下的实证分析

首先，互联网金融产品包括中小企业在线融资、P2P网络贷款等各种新兴金融业务，但就资产端来说银行的替代性融资规模尚小，特别是在面向中小企业等不同受众人群时，互联网金融产品的竞争力都较弱的，所以互联网金融对银行的资产端的影响并不是太明显。其次，在负债端，大批互联网金融产品的发展，以支付宝为例，它吸收了商业银行的部分存款，从而影响了商业银行的存贷比，增加了系统性风险，但随着利率市场化的推进，互联网金融不断冲击着银行的利率，商业银行为了更多吸引存贷款，不得不尽可能的降息降准，因此资金获取渠道的增加，使得投机者数量也随之增加。最后利润方面，第三方支付、理财产品等又进一步蚕食了商业银行的部分中间业务利润。互联网金融从根本上打破了银行在交易和结算上的垄断地位，改变了银行与支付平台之间的利润分配比例，对银行的系统性风险有一定的影响。

模型数据的分析主要运用EVIEWS软件，因代表性的变量指标较多，为避免因指标错误选择而导致预测误差估计，文章遵循杨敏等的理论，即选取外部冲击指标和内部经营指标。通过主成分分析方法，得出整个银行系统风险主要的贡献指标。下面是具体指标体系和数据源，如表1所示。

（二）银行系统性风险的测算与突变分析

1. 银行系统性风险的测算指标提取

各指标依次用Xi（x1，x2，…，xi）（i=1，2，…，10）表示。取得各指标的季度数据（互联网第三方支付比采用年度数据）

为了消除变量间的影响，先对数据进行标准化。原始变量经过标准化处理后变为ZX1、ZX2，…，Zp，特征向量用a1i、a2i，…，api （i=1，2，…，m）来表示。A=（aii）p×m，Rai=λiai，其中，特征值为λi，单位特征向量为ai，相关系数矩阵为R，最后求解出相关的系数。运用主成分分析法筛选后，保留下（1）（4）（5）（6）这四个指标。同时为了分析其适应性，通过SPSS软件进行检验，其KMO值为0.872，其大于0.8，而Bartlett检验的显著性小于0.05，表明具有结构效度，适合进行主成分分析。下面是主成分分析结果，如表2所示。

如表2所示，基本主成分累计贡献率在85%以上，应保留上述指标。在每个指标中计算主成分权重系数，根据主成分矩阵，得到四个主成分权重系数，依次是互联网第三方支付比、净资产收益率、不良贷款率的增长率、银行存款增长率。

2. 面板单位根P检验及Granger因果检验

由于样本数据的时间较长，故需检验面板数据相关变量数据的平稳性。文章主要采用Fisher-ADF法以及Fisher-PP法，以5%为临界条件，对变量进行单位根检验，检验结果如表3所示。

3. 模型估计

在进行脉冲响应函数分析之前，先进行稳定性试验，其结果如图1所示。

根据表3和图1显示，模型中单位根模的倒数都在单位圆内，即该模型相对稳定，可以进一步应用于脉冲响应动力冲击反应分析。面板数据变量检验的结果表明npl、存款增长率（dgr）、净资产收益率的增长率（Droe）、不良贷款率的增长率（Dnpl）四个变量在各截面上的时间序列是平稳的，故可建立关于这四个变量的PVAR模型。由于EVIEWS不适用面板数据的VAR，故先用主成分分析进行分类，然后对每一类进行VAR操作，通过STATA混合模型修正。首先，通过软件选择相关的决定因素，建立模型并代入数据检验排出干扰因素，保留模型的合适系数和最优的滞后阶数，为防止伪回归现象，通过单位根检验判断变量序列的平稳性，若平稳则进行Granger因果检验来确定变量之间的因果关系，否则采用EG两步法和JJ检验进行协整检验（非平稳序列的因果关系检验）。单根的检验结果表明，其不存在单位根即所建立的模型是稳定的，Granger因果检验结果表明，在5%的显著性水平下，互联网第三方支付比（ifr）与Dnpl、Droe存在Granger因果原因，但不是dgr的Granger原因，Dnpl是付比ifr的Granger因果原因。

在進行模型的估计时，已知分组变量之间存在固定、随机、混合效应，故先使用组内均值差分法去除时间效应，然后用向前均值差分法去除个体效应。鉴于不同类型的银行资产规模和业务特点的差异会导致其受到第三方互联网金融的影响不同，故文章分别依据大型商业银行、中小股份制商业银行的样本数据重新构建新的PVAR模型。重复上述操作，结果显示模型依旧稳定。大型商业银行PVAR模型的Granger因果检验结果显示，ifr不是其他三个变量的Granger原因，而只有Dnpl是ifr的Granger原因；而中小股份制商业银行PVAR模型的Granger因果检验结果显示，ifr是Dnpl、 Droe的格兰杰原因，但不是dgr的Granger原因，其他三个变量都不是ifr的Granger原因。以下是两个模型估计结果，如表4所示。

通过表4两个模型第一方程（对Dnpl的著水平影响）的估计结果来看，其他几个因素变量对大型商业银行Dnpl的影响不显著，最大不过其自身滞后1阶Dnpl（-1）的0.461，即客观地反映了互联网金融对大型商业银行不良贷款的增长影响可能性关联并不是很大；而相反的是所有因素变量对中小股份制银行的Dnpl的影响普遍显著，尤其是以Dnpl（-1）和ifr（-1），即两者的滞后1期水平影响最甚，分别为0.308、0.080。这两个因素变量Dnpl（-1）和ifr（-1）与本期Dnpl呈现正相关关系，即客观地反映了中小股份制银行不良贷款的增长也受到了来自互联网金融的较大影响，其中也考虑到自身惯性的影响。综上所述，互联网金融的发展的确对传统商业银行体系产生了一定的影响，特别是对于中小型股份制银行而言，其自身贷款损失风险增加。通过第二方程（对Droe的显著水平影响）的估计结果来看，与上述相反的是，影响大型商业银行Droe最显著的因素变量是其自身滞后1 期的水平Droe（-1），为-0.435，且两者之间呈现负相关关系。而其他几个因素变量对其的影响却不显著，且其中ifr（-1）的影响仅0.031，影响系数最低，即表明了联网金融的发展在对大型商业银行盈利能力这方面的影响还是较弱的。影响中小股份制银行Droe最显著的变量是Droe（-1）和ifr（-1），即两者的滞后1期水平影响最甚，分别为-0.222、-0.061，且两者与本期Droe均呈现负相关关系。其中，ifr（-1），即滞后1期的ifr的影响系数约为-0.061，表明互联网金融对中小股份制银行盈利能力的冲击较大型商业银行更大，但仍较微弱。通过第三方程模型的估计结果来看，所有变量对两类银行dgr的影响显著水平都较低，即表明互联网金融的发展对传统商业银行体系存款业务影响并不是太大。通过第四方程模型的估计结果来看，对互联网金融影响最大的除了自身ifr和滞后1阶ifr（-1）外就是大型商业银行Dnpl的1.064，表明大型商业银行贷款业务行为的不规范可能是导致互联网金融指数式增长的充分条件。

4. 脉冲响应分析

选取ifr作为脉冲响应分析冲击响应变量，并构建以dgr、Dnpl、Droe为响应变量的脉冲响应函数，用以衡量三者在受到ifr的一个标准差冲击后，系统特性的时域影响程度，然后描述出互联网金融对传统商业银行影响的动态变化过程。图 2和图 3是ifr对三者所代表的各类型成分增长率影响的动态时间序列模型结果的可视化描述。数据时间期间为2012Q1至2017Q1。其中，横轴表示以季度为时间单位的冲击发生期数，共有21期（21个季度）；纵轴为是dgr、Dnpl、Droe在受到ifr的一个标准差冲击后的响应程度，如图2和图3所示。

从图2和图3可看出，两类银行各响应变量的脉冲响应程度在系统特性的时域中表现出的差异较为显著。第一，从两类银行的dgr、Dnpl脉冲响应值来看，二者随时间推移变动轨迹和波动幅度都近似相同，但仔细对比会发现中小股份制银行的脉冲响应值的波动幅度较之更大，近似0.005，这表明了大型商业银行在存款分流和贷款损失风险较中小股份制银行受互联网金融冲击的影响程度较小。第二，从两类银行Droe的脉冲响应值来看，大型商业银行在第二季度的脉冲响应值呈现上升趋势，在第四季度期间转为下降并随之降到0值以下，且在第四季度末下滑至最低点，之后呈现平稳回升并趋近于0值；相较之，中小股份制银行指标对应的脉冲响应值便呈现急剧下降态势且到第二季度末达到期间最低点，随之在第二季度与第四季度期间内呈现缓慢回升并且于第四季度后增大了回升速度，这表明此时互联网金融对商业银行的盈利能力开始产生不利的冲击，其中对中小股份制银行盈利能力不利冲击较大，可能原因是新兴互联网金融刚开始对传统金融市场业务进行了冲击，但是随着政策制度的制定，而逐渐回缓。响应曲线图可以看出因素变量脉冲数值处于0以下，依旧反映了目前中国金融市场两者之间还未找到平衡点，但是根据对未来值的预测，最终市场两者之间会走向互利互补。

综合分析脉冲响应曲线图（图2和图3），互联网金融的发展在短期内的确会增加商业银行系统性风险，但是从中长期来看，整体影响并不大，后期继续估测可能会产生促进作用。结合数据分析，可能原因是由于互联网金融出现前期与传统商业银行之间未能找到平衡点，产生了相互抑制和替代关系。然而，互联网金融在商业功能上并不能完全取代商业银行的地位，两者逐渐寻找平衡点，产生了互利共生，共同发展的良性关系。因此，互联网金融的出现对金融改革有着良好的倒逼作用，优化了中国金融行业组织，同时在一定程度上促进了金融监管的创新，而并非是对传统商业银行造成颠覆性的影响。

5. 方差分解

为进一步论证变量之间的内在影响机制关系，进一步进行分析，同样以ifr作为影响变量，Dnpl、Droe、dgr作为反应变量，考虑三者方差变动的贡献度。大型商业银行、中小股份制商业银行的相关变量在受到ifr冲击后的第10、20个预测期内的方差分解结果如表5所示。

由表5可得，各因素變量的方差分解中，两类银行表现出明显差异： ifr对大型商业银行相应变量的方差变动的贡献度随着预测期时间的延长呈现平稳态势，而对比中小股份制银行的Dnpl方差变动的贡献度而言，其随着预测期时间的延长而快速增长。两者的差异显示出中小股份制银行Dnpl对互联网金融的响应冲击反应更加敏感。通过对各因素变量的方差贡献度的研究， ifr对大型商业银行Dnpl、 Droe、dgr方差变动的贡献度均在0.029以下；而ifr对中小股份制银行Dnpl、Droe、dgr方差变动的贡献度均在0.044以下。相比之下，ifr对大型商业银行各因素变量方差变动的贡献度相较于中小股份制银行对应的贡献度较小，进一步论证了中小股份制银行总体上受互联网金融冲击的影响程度更大。

不良贷款率的贡献率是银行系统性风险的最大贡献源，但其贡献随时间逐渐减少。不良贷款率指标是衡量金融机构信贷资产安全状况的重要指标之一。不良贷款率高，金融机构收回贷款风险的就大；不良贷款率低，说明中小金融机构不收回贷款的风险小。银行存款增长率的贡献率是次要的，主要反映了银行吸收存款的能力，较强的能力，相应的资本成本可能较低。但其贡献随着时间的推移而减少，可能是由于增加了成本贡献。成本增加，吸收存款的能力下降，进而成本收入会变大。第三是资产收益率的增长，反映了银行业务能力的强弱。从表5来看，其贡献在逐渐增加。这表明，随着时间的推移，互联网金融的发展对商业银行业务的发展起到了积极的推动作用。

6. 模型验证

结果模型简单得到，互联网金融对商业银行整体的冲击具有“期限结构效应”，即初期影响较大，但是从中长期来看随着时间的推移而逐渐减小，且更倾向于加剧中小股份制银行的贷款损失风险。而新兴互联网金融业务如支付宝第三方支付、P2P网络贷款等在资产端和负债端都对传统商业银行的中间业务层面造成了影响，逐渐蚕食了商业银行的市场势力。综上分析，数据结果验证了目前主流的互联网金融对于商业银行系统性风险影响的路径为“互联网金融—商业银行资产负债结构（特别是中小股份制银行的影响）—商业银行成本收入比—商业银行系统性风险”。即两者有逐渐互补的趋势，且互联网金融对于传统金融行业的改革有着很好的倒逼作用，在一定程度上促进了金融监管的创新和新型融资方式、投资项目及其产业分布、项目经营的盈利性等的改革。

互联网金融与商业银行传统业务的环境容量因为受到对方种群密度及外界影响而改变，是随时间变化的序列曲线。环境容量曲线，可看作是时间分成许多均等且短小的时间段后再积分的过程，任何时间区内，互联网金融和商业银行传统业务的环境容量可近似看作为一个固定值。因而当时，在时间内，两者高密度的增长环境符合Logistic方程。当前，互联网金融规模的增长趋势已逐渐趋近于平滑曲线，即逐渐迈入成熟发展期，两者均处于增长状态，互联网金融与商业银行传统业务的种群密度分别对应着Logistic增长模型S曲线的两个阶段，表现出类似的发展变化形态，从侧面反映出两者间具有共生发展的联系。

经过验证，接受原假设，即两者之间均为正面影响，并且存在着非对称的正向共生关系。进而可论证，由于互联网金融种群密度小于商业银行业务的种群密度，在两者逐渐的适应和融合发展中，共生体系出现了新的共生能量，符合产生共生新能量的判据，体现了互联网金融与传统商业银行存在着互利共生的关系。

四、结论

互联网金融的发展背景下，商业银行可采取的对策：1.改进经营模式，建立共生体系；2.实现信息共享，提高客户黏性；3.明确内部机制与发展规范；4.优化政策与法律环境；5.征信系统的完善。

互联网金融在本质上属于虚拟影子银行的一种，对传统商业银行的传统业务形成了诸多方面的挑战，对银行市场势力产生了严重威胁。本文通过向量自回归模型（VAR），分析对商业银行造成影响的主成分因素，同时对系统风险的产生机制进行了实证分析。得出结论：互联网金融行业与传统商业银行业务之间互相竞争但又互利互补，新兴互联网金融的存在对中国传统金融改革具有强制倒逼作用，促使了中国传统金融机构服务方式和业务模式的日趋完善。相信，随着中国互联网金融理念、技术和模式等方面的不断更新和进步，传统金融机构的改革发展必然迈入新的台阶。合作关系终究会成为网络金融发展的路径与传统金融选择。