互联网金融对中国商业银行技术效率影响

郑才静

摘要：文章基于金融功能觀视角选取26个指标利用因子分析方法合成互联网金融指数，相对准确地刻画了我国2006—2018年互联网金融发展历程。与此同时，通过使用三阶段DEA方法测度我国57家商业银行的技术效率。在此基础上，通过使用系统广义矩估计（SYSGMM）方法研究互联网金融对商业银行经营效率影响情况。研究结果表明，互联网金融与商业银行之间竞争关系逐渐由零和博弈向竞合博弈转变，随着二者合作关系的逐渐加强，商业银行经营效率得到有效改善;此外，成本收入比和资本结构对商业银行经营效率影响显著。

Abstract： The factor analysis method is used to synthesize the Internet financial index and depict the development process of Internet finance in China from 2006 to 2018. Meanwhile， the operational efficiency of 57 commercial banks is measured by using a three-stage DEA method. Based on these， the SYSGMM regression is used to analyse the impact of Internet finance on commercial banks' efficiency， and to find out the key factors affecting banks' efficiency. The research results show that the relationship between them has gradually changed from zero-sum game to co-opetition game; Internet finance is gradually conductive to improving commercial banks' efficiency. At the same time， we also find that the cost-to-income ratio and capital structure have a significant impact on the operational efficiency of commercial banks. The the SYSGMM regression from the perspectives of scale efficiency and pure technical efficiency separately also confirmed the previous conclusion.

关键词：互联网金融;商业银行;规模效率;纯技术效率

Key words： internet finance;commercial bank;scale efficiency;pure technical efficiency

中图分类号：F832                                        文献标识码：A                                  文章编号：1006-4311（2019）29-0129-03

0  引言

互联网金融作为一种新型金融业态（吴晓求[1]，2015），其主要特征是利用互联网技术开展的金融创新业务，实现了产业之间相互融合，促进了金融深化（李二亮[2]，2015）。效率是衡量商业银行竞争力的集中表现（周逢民[3]，2010），提高商业银行的经营效率有利于提高商业银行的竞争力，本文主要探讨在互联网金融背景下，商业银行应该因势利导的选择合宜的发展方向，处理好与互联网金融这一新型业态之间的关系。2013年以余额宝等互联网理财工具出现以后，商业银行存款规模开始逐渐下降，商业银行盈利能力开始下滑。所以国内针对互联网金融对商业银行不同方面影响的研究在近年来涌现较多。部分学者认为互联网金融对传统商业银行功能进行一定程度上的替代，对传统商业银行造成冲击，徐岚和徐青松（2014）[4]通过借鉴国外经验分析发现互联网金融与商业银行在资产、负债和通道等方面存在不同程度的竞争。吴诗伟等（2015）[5]实证研究表明互联网金融企业通过倒逼商业银行利率市场化推升了银行的风险水平。与之相反，刘忠璐（2016）[6]认为虽然互联网金融从盈利方面对银行具有不利影响，但却有利于其经营效率水平的提高，整体上有利于降低商业银行破产风险。也有一部分学者从全要素生产率（TFP）角度分析互联网金融对商业银行的影响，吴晓求（2015）认为互联网金融虽然与传统金融存在竞争关系，但是也有助于推动金融结构变革和金融效率提;沈悦和郭品（2015）[7]和吴海清（2017）[8]通过实证分析证实了互联网金融凭借技术溢出推动了商业银行的全要素生产率提高。

前面学者就互联网金融对商业银行的影响得出的结论相对具有启示性，但是互联网金融这一新型业态与商业银行经营效率之间的关系仍然值得做进一步的考察。首先关于互联网金融这一指标的衡量，如何选择合适的代理指标来详细刻画其发展特征对于我们探讨互联网金融对商业银行经营效率之间关系研究十分重要。其次关于商业银行经营效率的衡量，部分学者使用财务指标衡量，局限性较大，虽然也有部分学者使用DEA方法测度商业银行的经营效率，但是传统DEA作为非参数估计无法做假设检验和考虑随机因素的影响，所以为了避免了其局限性，本文则是在Fried等（2002）[9]构造的三阶段DEA模型基础上，测度商业银行的经营效率。此外在面板回归分析中，考虑商业银行经营的连续性特征，本文使用SYSGMM估计动态面板。

1  互联网金融对商业银行影响机制分析

一方面互联网金融打破了传统银行业在我国信贷市场上的垄断局面。以商业银行贷款为典型的间接融资是我国金融市场上的主要融资方式，由于资本市场发展不完全导致很多小微企业和民营企业因为不能满足商业银行授信要求而被排挤在信贷市场之外。互联网金融应用大数据和云计算等新型技术突破传统产业时间空间的局限性，有效缓解了因信息不对称引发的信用风险，迅速占领了“长尾”市场，倒逼着商业银行参与市场竞争。这正是“鲇鱼效应”在中国银行业市场上典型体现。只有引入竞争机制才能够激发商业银行提高生产经营效率，真实地为实体经济服务。

另一方面根据“技术溢出效应”理论可知互联网金融给商业银行经营带来极大的不确定性同时也通过示范效应、竞争效应、人员流动效应以及联系效应（沈悦、郭品，2015）为商业银行提供技术上的正外部性。随着资管新规的出台，互联网金融与商业银行之间的竞争关系逐渐由零和博弈演变为竞合博弈，虽然存在某些方面的竞争，但是二者之间的合作性也在不断增强，例如商业银行可以为互联网金融企业提供资金划转和清算等相关业务支持，而互联网金融依据信息优势为商业银行提供大量客户数据，有助于其进行信贷决策和风险管理。

综上所述，互联网金融作为新型的金融业态对商业银行的影响逐渐由零和博弈向竞合博弈演变，由此本文提出假说一：互联网金融有助于商业银行经营效率的提高。

2  模型设定与变量选取

2.1 模型设定

为了检验互联网金融对商业银行经营效率的影响，本文设计回归模型如下：

根据商业银行经营效率的“粘性”特征和互联网金融发展趋势的延续性特征，本文引入了被解释变量的滞后两期，互联网金融的滞后一期作为解释变量;控制变量主要有商业银行的成本收入比（mq）、财务杠杆（eq）、市场势力（ms）、利率风险（rrisk）、市场集中度（CRn）以及经济增长率（ggdp）和市场流动性指标（m2gdp），μi为商业银行固定效应;εit为随机误差项。其中i=1，2，…，N表示银行數目，t=1，2，…，T表示时间。

2.2 变量定义

2.2.1 被解释变量：商业银行经营效率

本文综合资产法与中介法，选择客户存款总额、固定资产账面净额、营业费用作为投入变量，选取利息净收入，手续费及佣金净收入作为产出变量，该产出指标相对比较全面的刻画银行的经营成果。选取的环境指标主要有银行类型、银行成立年限、通货膨胀率、区域GDP实际增长率、社会融资规模中表外资产占比、股票市场筹资额、银行业总资产以及利率市场化改革这一政策因素，并对股票市场筹资额与银行业金融机构总资产等绝对量做了标准化处理①;并且将社会融资规模中表外资产占比做了同向化处理②。

2.2.2 核心解释变量——互联网金融指数

本文在沈悦和郭品（2015）研究的基础上，结合当前互联网金融发展态势，利用“文本挖掘法”从金融功能观角度选取四个维度，进而在各维度中选取相应的变量，总共筛选26个指标，数据来源于《中国重要报纸全文数据库（CCND）》，最后根据因子分析方法合成互联网金融指数，因子分析方法是主成分方法的进一步深化和拓展，是多元分析中常用的一种降维问题的一种常用统计方法。筛选的指标如表1所示。

2.2.3 控制变量

本文主要从微观、中观、宏观三个角度选取影响商业银行经营效率主要因素;微观上主要选取成本收入比（营业费用占营业收入的比值）、财务杠杆（股东权益比值）、市场势力（单个银行资产占银行业资产比值）衡量商业银行内部影响因素;中观上选取利率风险（银行间同业拆借利率7天加权平均利率的年度标准差度量、市场集中度（五家大型商业银行资产规模占银行业资产份额的比值）衡量行业因素影响;宏观上选取经济增长率ggdp和市场流动性指标（m2/gdp）衡量宏观经济因素影响。

3  实证设计

3.1 样本选取

本文选取了中国57家商业银行2006-2017年的经营数据，包括5家大型商业银行，12家股份制商业银行，40家城市商业银行，数据来源于商业银行年报、中国金融年鉴、中国城市统计年鉴、中国统计年鉴和中国人民银行官网数据库。

3.2 变量设计与描述性统计

表2报告了各变量的描述性统计结果，根据商业银行经营效率测度结果，我们发现平均水平是0.437，最大值为1，最小值为0.001，说明我国商业银行整体经营效率相对较低，距离有效状态“1”仍有很大距离，此外商业银行之间效率值差距比较大，城市商业银行效率水平值偏低。

3.3 实证分析

基于样本面板数据特征，我们先从混合效应、固定效应以及随机效应角度使用STATA15.0软件做初步分析，表4报告了回归结果。根据Hausman检验结果的P值为0.0002，可知固定效应优于随机效应。但是根据商业银行经营效率的粘性特征（刘忠璐，2016），所以本文引入经营效率的滞后项以及互联网金融指数的滞后项作为解释变量，并使用GMM估计。差分GMM估计和系统GMM的AR（1）检验结果均说明扰动项差分存在一阶序列相关;而AR（2）检验结果均表明扰动项差分不存在二阶序列相关，所以满足DiffGMM和SYSGMM估计基本条件，同时根据Sargan检验表明，模型使用的工具变量均有效，所以估计结果具有可靠性。根据系统GMM估计结果，我们可以达到下面结论：

互联网金融指数及其一阶滞后项的估计系数分别为0.0414和-0.0367，且分别在1%和5%显著性水平下统计显著，说明了互联网金融对商业银行经营效率的影响经历了一个转变，即逐渐从零和博弈向竞合博弈方向发展，互联网金融指数对商业银行经营效率具有正向技术技术溢出效应。所以二者之间的关系并不是简单的促进与阻碍作用，而是存在关系的一个转变。

成本收入比的估计系数为负，且统计显著，与预期一致。财务杠杆系数为负，统计显著，说明股东权益比率越高，商业银行的经营效率可能会下降，因为商业银行资本结构相对比较保守，不能够有效发挥财务杠杆对其经济效益带来的正面影响。市场势力和市场集中度对商业银行经营效率影响方向不一致，但是均不显著，说明二者并不是构成影响商业银行经营效率主要因素。利率风险的估计系数为负且统计显著，与预期相符，利率市场化改革完成后，利率波动更加频繁，利率风险作为市场风险的一种类型具有不可控性，加大了商业银行风险管理的难度，不利于其经营效率提升。经济增长率的系数为正，说明宏观经济状况运行良好时，商业银行作为顺周期行业，也有利于其经营效率的提高，但是影响并不显著。市场流动性指标（M2gdp）的估计系数为负，影响并不显著。

4  结论与建议

本文通过科学构建互联网金融指数以反映我国2006-2018年以来互联网金融发展态势，并对我国57商业银行的经营效率进行估计，然后通过动态面板回归进行检验。本文得到主要结论：互联网金融指数在2006-2018年其发展特征类似于“倒U型”曲线，在2014-2015年达到最高峰以后开始出现转折，与现实吻合;經过SYSGMM估计，互联网金融指数及其一阶滞后向分别对商业银行综合技术效率、规模效率以及纯技术效率产生方向相反的作用，逐渐从零和博弈方向向竞合博弈方向发展。根据分析结果，我们提出以下政策建议，互联网金融作为新兴业态对商业银行经营效率正逐渐发挥着正向的促进作用，应该充分利用互联网金融的技术优势和信息优势，通过对数据的加工处理，做好信贷控制和风险管理。

注释：

①标准化处理公式。

②同向化处理公式。

参考文献：

[1]吴晓求.互联网金融：成长的逻辑[J].财贸经济，2015（02）：5-15.

[2]李二亮.互联网金融经济学解析——基于阿里巴巴的案例研究[J].中央财经大学学报，2015（02）：33-39.

[3]周逢民，张会元，周海，孙佰清.基于两阶段关联DEA模型的我国商业银行效率评价[J].金融研究，2010（11）：169-179.

[4]徐岚，徐青松.从美国经验看“互联网金融”对于国内传统银行业的冲击[J].上海经济研究，2014（07）：97-101.

[5]吴诗伟，朱业，李拓.利率市场化、互联网金融与商业银行风险——基于面板数据动态GMM方法的实证检验[J].金融经济学研究，2015（06）：29-38.

[6]刘忠璐.互联网金融对商业银行风险承担的影响研究[J].财贸经济，2016（04）：71-85，115.

[7]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）：160-175.

[8]吴海清.互联网金融对商业银行效率影响的实证研究[D].厦门大学，2017：1-53.

[9]Fried，H，O.， et al. Accounting for environmental effects and statistical noise in data envelopment analysis[J]. Journal of Productivity Analysis， 2002（17）：157-174.