互聯網金融對商業銀行傳統業務沖擊的實證分析

鄒文

（廣州城建職業學院，廣東廣州510925）

?

互聯網金融對商業銀行傳統業務沖擊的實證分析

鄒文

（廣州城建職業學院，廣東廣州510925）

摘要：互聯網金融從萌芽到快速發展，對商業銀行傳統盈利模式是否會構成重大挑戰是本文研究的重點。通過構造面板數據模型，重點探討了p2p網貸、第三方支付、互聯網貨幣基金為代表的互聯網金融對于商業銀行傳統業務盈利的沖擊。研究發現，近三年來，互聯網金融對于商業銀行傳統業務盈利確實產生了較大的沖擊。鑒于此，商業銀行應當有針對性地提升傳統金融服務創新，更好地服務客戶并提升客戶忠誠度以應對互聯網金融的沖擊。

關鍵詞：互聯網金融；p2p網貸；第三方支付；貨幣基金

一、引言

近年來互聯網金融突飛猛進，成交規模屢創新高（見圖一）。以貨幣基金為例，2013年余額寶的推出激發了人們對貨幣基金的興趣。依靠互聯網的便利性，貨幣基金呈現爆炸式增長。根據中國基金業協會的數據，貨幣基金在僅僅三年內由2013年1月的4759億元增長到2015年12月的44443.36億元，增長了8倍以上。根據網貸之家的數據，p2p網貸規模由2013年的1058億元增長至2015年的9823.05億元，同樣增幅在8倍以上。另外根據艾瑞咨詢提供的第三方支付數據，第三方支付的成交規模也顯著放大。

受互聯網金融的蓬勃發展，銀行業受到了前所未有的沖擊。因此，關于互聯網金融及其對商業銀行影響方面的研究非常豐富。

謝平（2012）認為以P2P融資為代表的互聯網金融模式為個人提供了新的投融資渠道和便利，滿足了普通民眾的金融需求，是現有銀行體系的有益補充。吳詩偉、朱業、力拓（2015）利率市場化直接推高商業銀行破產風險與不良資產風險。互聯網金融企業發展在直接導致商業銀行風險水平上升的同時還通過倒逼商業銀行利率市場化進一步推高其風險水平；而商業銀行自身互聯網化則有助于降低風險；資產規模、資本充足率、盈利能力、利息收入比率、存貸比及宏觀經濟發展也是影響商業銀行風險的因素。

圖1　2013年以來第三方支付及P2P網站規模

宮曉林（2013）認為互聯網金融模式在戰略、客戶渠道、融資、定價以及金融脫媒等方面對傳統商業銀行產生的影響。互聯網金融模式短期內不會動搖商業銀行傳統的經營模式和盈利方式；但從長遠來說商業銀行應大力利用互聯網金融模式，以獲得新的發展。與此同時，互聯網金融業的持續健康發展要依靠互聯網金融企業的自律、積極創新，還要吸引更多的客戶、加強系統安全建設。

王光遠（2015）認為互聯網金融的發展在我國仍處初級階段，尚未對商業銀行產生顛覆性影響。但從發展趨勢來看，對互聯網金融的投入將成為決定未來銀行排位和競爭力的關鍵因素，因此，各家商業銀行必須要把握這輪大勢，積極應對。首先，運用互聯網思維，依托云和大數據，重塑銀行與市場的供需關系，重構商業模式。其次，主動尋求與互聯網金融合作，大力發展與生產消費活動深度融合的金融行業應用等類商業模式創新，再造業務流程，實現銀行產品、服務與互聯網的深度融合。最后，在加強自身數據積累，加快人才儲備的同時，主動開展風險控制，加速營業網點戰略轉型，以便在未來金融市場競爭中處于更有利位置。

綜合多位學者的研究來看，普遍認為互聯網金融對于商業銀行短期盈利構成沖擊，但是，從長期看，互聯網金融和商業銀行更多地是互動與融合。從研究推理上看，進行量化研究互聯網金融對于商業銀行盈利能力的沖擊并不多見。為此，本文重點從代表互聯網金融的p2p網貸、第三方支付和互聯網貨幣基金等三方面量化探討其對商業銀行傳統業務盈利能力的影響。

二、指標數據說明

1、變量設定

在國內外的研究中，測度商業銀行績效主要使用凈資產收益率（ROE）或者資產收益率（ROA），因為這兩項指標都是反映銀行綜合盈利能力，所以有必要進行修訂以精確反映商業銀行傳統業務的收益狀況。考慮到商業銀行傳統業務的盈利模式主要依靠存款利差收入和手續費及傭金凈收入。本文選取采用指標CR=（凈利息收入+手續費及傭金凈收入）/凈資產。該指標能夠很好地測度凈資產獲取利息和手續費收入的能力。本文選其為被解釋變量。

互聯網金融比較有代表的體現在第三方支付（SF）、互聯網貨幣基金（HJ）和互聯網網貸（P2P）。本文選取這三個變量用以測度互聯網金融對于商業銀行傳統業務的影響。為了體現存貸款業務對于傳統業務盈利的影響，本文把存貸比（CD）納入模型作為控制變量。

2、指標數據說明

2013年被廣大學者稱為互聯網金融的元年。因此本文所有數據觀測區間均為2013—2015年底各季度。

我國商業銀行數量眾多，為了研究的便利性和樣本的可代表性，本文選取截止目前已經上市的商業銀行，共計16家，即工行、建行、中國銀行、農行、招商、交通、浦發、民生、興業、平安、南京銀行、寧波銀行、中信銀行、光大銀行、北京銀行、華夏銀行。由于經營規模和經營特色差距較大，因此基本上能夠反映我國大多數商業銀行的特點。商業銀行相關數據（如：凈利息收入、手續費及傭金凈收入、凈資產、存貸比）均來源于公司季報、中報和年報的財務數據。由于數據呈現季節性，因此分別對這些數據進行了季節調整（采用Census x12方法）。

測度第三方支付發展狀況一般采用艾瑞咨詢（iResearch）公布的數據。本文采用其公布的第三方支付交易規模季度數據；p2p網貸的季度成交量根據網貸之家的月度數據整理；在選取互聯網貨幣基金規模變量時，學者往往選取較大幾家互聯網貨幣基金的規模作為代表。如余額寶、華夏財富寶等。但是根據融360的數據，截至2015年四季度末，互聯網對接的貨幣基金已經達到了69只。為了反映行業整體規模對商業銀行存貸的影響，本文根據中國基金業協會公布的月度貨幣基金規模數據整理。

三、模型設定、模型估計與結果分析

1、模型設定

互聯網金融主要以網貸P2P、第三方支付和貨幣基金等形式沖擊商業銀行傳統業務盈利能力。為了能反映存貸比對于商業銀行盈利的貢獻程度，也加入其加入模型作為控制變量。

表1　

因模型涉及16家上市公司2013—2015年季度的財務數據，所以應該構建面板數據模型。首先對解釋變量SF、CF、P2P進行對數化處理，形成變量LN_SF、LN_ HJ、LN_P2P，然后對所有變量進行面板單位根檢驗。本文主要采用Harris and Tzavalis（簡稱HT）檢驗、Breitung檢驗和IPS檢驗。結果顯示CR、LN_SF、LN_ HJ、LN_CF存在單位根，CD不存在單位根。為此對上述非平穩序列進行一階差分，得到D.CR、D.LN_SF、D.LN_ HJ、D.LN_CF。經調整后上述變量全部為平穩序列。

模型中，第i家銀行第t期的傳統業務CR增速被表示為第三方支付增速D.lnSFt、網貸增速D.lnp2pt、互聯網貨幣基金規模增速D.lnHJt、存貸比CDBi，t、商業銀行固定效應ui以及隨機誤差項εi，t的函數。

2、模型估計

由于面板數據模型估計方法一般有三種，分別為混合估計模型、固定效應模型、隨機效應模型。首先運用LSDV法考察是否使用混合回歸，經檢驗，大多數個體變量P小于0.05，故拒絕混合回歸。其次運用FE法回歸，發現也明顯優于混合回歸，且F檢驗同樣拒絕混合回歸。

在排除了混合回歸后，對模型又分別進行固定效應FE回歸、隨機效應FGLS法回歸、隨機效應MLE法回歸，回歸結果見表1。

對上述模型進行hausman檢驗，發現P值等于0.3085，故無法拒絕原假設，因此檢驗結果認為應選擇固定效應模型，而非隨機效應模型。

從固定效應模型FE法回歸結果來看，P2P網貸對于商業銀行傳統業務的影響較為顯著，其次是貨幣基金，而第三方支付對于傳統業務盈利的沖擊最小。從模型回歸結果來看，從2013年至今，互聯網金融對銀行傳統業務盈利形成負面沖擊。

四、結論及啟示

互聯網金融模式沖擊著商業銀行傳統業務，短期內使得銀行承受更多壓力。因此，銀行業不能繼續依賴傳統的通道發展自身，而要主動適應互聯網金融帶來的沖擊，在新的競爭格局下，商業銀行需要重新審視自身的優勢與不足，并以此為契機全面認識技術變革帶來的影響、再造業務流程和構建新的價值網絡。

參考文獻

［1］謝平、鄒傳偉：互聯網金融模式研究［J］.金融研究，2012（12）.

［2］吳詩偉、朱業、力拓：利率市場化、互聯網金融與商業銀行風險——基于面板數據動態GMM方法的實證檢驗［J］.金融經濟學研究，2015（11）.

［3］宮曉林：互聯網金融模式及對傳統銀行業的影響［J］.南方金融，2013（5）.

［4］王光遠：基于互聯網金融背景下商業銀行轉型發展對策研究［J］.投資研究，2015（6）.

（責任編輯：李曉）