互聯網金融與商業銀行能互利共生嗎？
——基于利率聯動與系統性風險視角

李慶華，李峰波，徐淑華

(1．華中師范大學 經濟與工商管理學院， 武漢 430079；2．華北科技學院 管理學院，北京 065201)

內容提要：余額寶是我國規模最大的貨幣市場基金，本文從余額寶收益率與商業銀行利率間聯動關系和商業銀行系統性風險兩個視角分別構建DCC-MVGARCH模型和SVAR模型研究互聯網金融對商業銀行的沖擊。研究結果表明，余額寶收益率與商業銀行利率存在正向聯動關系；從長期來看，余額寶的發展對商業銀行系統性風險的影響趨于均衡，但在短期內，余額寶的發展增加了商業銀行的系統性風險。因此，應當規范互聯網金融的發展，強化監管，使互聯網金融與商業銀行互利共生的同時降低銀行的系統性風險。

近年來，互聯網金融“野蠻生長”，撬動了商業銀行的利益“奶酪”并日益顯現出不容小覷的優勢。根據天弘基金披露數據顯示，截至2018年第三季度末，余額寶的凈資產規模已達到1.323萬億元，購買余額寶理財產品的用戶占總用戶的81.8%，余額寶已經成為互聯網金融領域的“領頭羊”。與此同時，監管層也注意到互聯網金融發展過程中的不定因素與潛在風險。2018年6月證監會和央行聯合出臺了《關于進一步規范貨幣市場基金互聯網銷售、贖回相關服務的指導意見》，其中對“個體投資者在單一基金銷售機構里持有的單只貨幣市場基金在單日進行T+0贖回提現時金額不能超過1萬元”的限定備受關注。從2018年6月6日起，余額寶轉出到銀行卡的快速到賬額度也被限定為單日單戶1萬元。

爆發式發展的互聯網金融毋庸置疑地能夠催化金融改革，但它與傳統商業銀行之間是此消彼長的競爭還是彼岸相望式的發展？本文通過剖析以余額寶為代表的互聯網金融與商業銀行利率的聯動關系以及前者對后者產生風險影響，為合理引導互聯網金融的發展和商業銀行自身的改革提供理論依據。

一、文獻回顧

國內外關于互聯網金融的發展對商業銀行影響的研究主要集中于利率波動關系和風險管控兩大方面。

有研究表明，上海銀行間同業拆放利率(Shibor)對互聯網金融理財產品和貨幣市場基金的收益率具有顯著的正向影響[1]，并且其波動存在“逆周期性”[2]。而互聯網貨幣基金收益率對Shibor的影響作用為負向脈沖響應，Shibor對互聯網貨幣基金收益率則呈現正向的脈沖響應[3]。相反的觀點認為互聯網貨幣型基金的收益率雖然有助于加速利率市場化的改革進程，但不能過于放大互聯網金融對于貨幣市場的沖擊效應[4]。由此可見，關于互聯網金融收益率和商業銀行利率的關系缺乏聯動分析，雖然有個別學者注意到二者存在相互作用，但是隱含的基本假設認為商業銀行和互聯網金融在金融市場中是相互競爭甚至是對立的，某種程度上否定了互聯網金融與商業銀行和平共處、互利共生的可能性。

關于互聯網金融的發展是否會增加商業銀行的系統性風險，理論研究尚未形成統一定論。有文獻表明，互聯網金融具有技術溢出效應，減少了銀行貸款關系中的信息不對稱，有利于銀行風險管理[5]。從技術創新角度出發，互聯網金融的云計算和大數據使得商業銀行更容易識別信用風險，提高了商業銀行對于風險的識別能力，也提高了整個金融市場對于系統性風險的抵御水平[6]，彌補了其盈利性和風險方面的不足，有效地降低了銀行破產風險[7]。相反的觀點則認為，互聯網金融中由于逆向選擇而所導致的信用風險，并不能通過使用互聯網技術而降低[8]。此外，互聯網金融通過影響銀行的資產負債結構，在短期內顯著增加了銀行的系統性風險[9]。而以余額寶為代表的互聯網金融對商業銀行資產和負債業務造成了重大沖擊，并對資本市場的系統性風險具有顯著的溢出效應[10]。

由此可見，對相關問題的研究至少可以從三個方面進行改進：首先，可通過構建DCC-MVGARCH模型來考察互聯網金融與商業銀行的互利共生關系。其次，對影響銀行系統性風險的指標運用主成分分析方法進行篩選，剔除影響較小或者無關指標。最后，打破以往構建系統性風險指數的傳統方法，采取逆向方法對銀行系統性風險指數進行分解，構建SVAR模型探究互聯網金融對不同風險指標的影響。經過以上三大改進，可以從動態視角有效地考察互聯網金融與銀行利率波動的聯動關系；不僅能夠有效地研究互聯網金融對于商業銀行的系統性風險的影響，而且還可以反映出互聯網金融對不同風險指標影響的差異性。

二、余額寶收益率與銀行利率的聯動性

(一)模型構建

利率作為金融市場中最為敏感的信號，具有動態變化的特點，而DCC-MVGARCH模型因具有簡潔性、直觀性、穩定性的特點被學界廣泛用于金融市場和金融資產的動態相關性研究中。此處借鑒趙雪瑾等(2016)對于市場聯動性的研究思路以及DCC-MVGRACH模型的構建方法，來分析余額寶收益率與商業銀行利率之間的聯動關系，定義二者的相關系數為ρt。

相關系數通常被用來衡量變量之間相關性的強弱，相關系數的取值范圍在0-1之間，按照學界關于相關系數值大小與相關性強弱的界定，此處定義|ρ|=0，完全不相關0<|ρ|<0.19，微弱相關；0.2<|ρ|<0.39，低度相關；0.4<|ρ|<0.69，顯著相關；0.7<|ρ|<0.89，高度相關；0.9<|ρ|<1，極高度相關；|ρ|=1，完全相關。

利用DCC-MVGARCH模型確定余額寶收益率和商業銀行利率的相關系數ρt的具體方法如下：

假定t時刻余額寶收益率為r1,t，商業銀行的利率為r2,t，令rt=(r1,t,r2,t)′，rt服從均值為0，協方差矩陣為Ht的條件多元正態分布：

rt|Ft-1～N(0,Nt)

(1)

Ht=DtRtDt

(2)

(3)

我們采取了分兩個階段的方法去估計Ht，那么在第一階段的估計過程中，我們分別對r1和r2進行估計，那么就可以得出單變量GARCH方程：

(4)

第二階段由式(4)得到標準化殘差εt=D-1rt，εt～N(0,Rt)，則動態條件相關結構為：

(5)

在(5)式中，Qt代表的是標準化的殘差εt的2行×2列的時變協方差矩陣，而Q則代表的是標準化的殘差εt的無條件方差矩陣，我們需要估計的系數是α和β。它們的取值需要滿足α+β<1這一條件。之后，我們進一步對Qt進行標準化處理，就可以得到Rt：

Rt=(Q*)-1Qt(Q*)-1

(6)

下面采用最大似然估計法估計參數，對數似然函數值可表示為：

(7)

將式(2)和εt=D-1rt代入式(7)，得：

(8)

令：

(9)

(10)

綜上所述，(8)式就可以表示為L=Lv+Lc。由于我們采用了分兩個階段的估計方法，在第一階段對波動部分的估計中，我們估計得到了Lv；在此基礎上，在第二階段中，我們進一步對相關性部分Lc進行估計。經過兩個階段的估計之后，我們就可以得到L，進而也就可以得到α和β這兩個參數的估計值了。

(二)實證分析

1.數據來源

為了研究中國金融市場中以余額寶為代表的互聯網金融與商業銀行利率之間波動的聯動性，我們分別選取了余額寶七日年收益率以及同一時期上海銀行間同業拆借利率(Shibor)數據，余額寶七日年化收益率數據摘自于余額寶基金管理公司官網，上海銀行間同業拆借利率(Shibor)摘自于上海銀行間同業拆借官網。考慮到余額寶是在2013年之后才投入市場的，我們最終選擇2013年5月30日至2018年10月16日余額寶七日年化收益率與一周Shibor數據作為此次研究的樣本數據，總共獲得有效數據1311個，我們結合Eviews8.0和R軟件，通過建立DCC-MVGARCH模型來探尋兩者利率之間波動的關系。

2.統計描述

對余額寶收益率與商業銀行利率數據進行統計分析得到圖1與圖2。

圖1 余額寶收益率數據統計 圖2 商業銀行利率數據統計

由圖1與圖2可知余額寶與商業銀行的利率均值分別為0.038519與0.030677，相對而言余額寶收益率要略高于銀行利率。銀行利率的偏度與峰度都要大于余額寶收益率，通過JB統計量檢驗其是否服從正態分布，結果表明兩個統計量都遠遠大于5%的顯著水平下的臨界值5.9915，說明兩者利率均不服從正態分布。

3.單位根檢驗

為了避免后續操作陷入“偽回歸”，在使用DCC-MVGARCH模型前必須保證時間序列變量是平穩的。因此采用單位根檢驗來確定兩種變量的穩定性。檢驗結果表明Shibor數據是平穩序列，余額寶七日年化收益率數據雖然顯示不平穩，但通過使用R軟件對余額寶七日年化收益率進行協整檢驗后，得到在1%的顯著水平下序列是平穩的。以上便滿足了DCC-MVGARCH模型使用的前提條件，以便實證進一步進行。

4.多變量DCC-MVGARCH模型的估計結果

根據AIC最小準則，本文選取GARCH(1，1)來估計余額寶七日年化收益率和一周Shibor。表1是DCC-MVGARCH模型具體的估計結果。表中alpha+beta<1，符合約束條件，并且alpha和beta的p值都接近于0，拒絕原假設，alpha和beta都不為0。這也驗證了標準化殘差εt確實能夠對相關系數ρt產生顯著的影響。同時alpha+beta值越接近于1，說明變量的相關性變動越具有較強的持續性特征。由表1可以看出，余額寶七日年化收益率和一周shibor的相關性變動具有較強的持續性。

在上文利用DCC-MVGARCH模型估計余額寶七日年化收益率與一周shibor的動態相關性的基礎上，進一步利用統計圖對動態相關系數的變化進行顯示。從圖3中可知，在第1期至第1311期兩者利率之間每一期的動態相關系數中，大部分的數值大于0，且在第500期至第950期內系數幾乎沒有任何波動，保持較高的正相關。而在第950期至第1250期內動態系數發生了非常劇烈的波動，隨后又恢復到原來的水平。這表明余額寶七日年化收益率與一周Shibor之間總體而言具有較強的正向聯動性。這也與DCC-MVGARCH模型的估計結果一致。

表1 DCC-MVGARCH模型估計結果

圖3 動態相關系數統計圖

進一步由表2可知，余額寶七日年化收益率與一周Shibor間的動態相關系數中位數為0.95，均值為0.64，說明這兩者在總體上呈正相關且相關性較高。綜上所述，余額寶七日年化收益率與一周Shibor之間存在較強的正向聯動關系。之所以二者的利率呈現正向聯動關系是由于余額寶的絕大部分的資金最終流向商業銀行。余額寶的本質為貨幣市場基金，其吸納的社會閑散資金主要以與商業銀行的短期協議存款的形式流入銀行，以賺取利率差價。而余額寶與商業銀行的短期存款協議利率的參考值主要為Shibor。從這一層面上看，以余額寶為代表的互聯網金融某種程度上是商業銀行在互聯網金融業務上的延伸，與商業銀行是互利共生的關系。

表2 動態相關系數統計量

三、余額寶與銀行系統性風險

(一)指標選取與數據來源

上文通過構建DCC-MVGRACH模型考察了以余額寶為代表的互聯網金融與商業銀行的利率聯動關系，但僅從利率角度考察無法全面客觀地衡量互聯網金融與商業銀行的關系。而銀行的系統性風險是學界和監管層最為關注的焦點，因此，通過對銀行系統性風險的考察可以有效考察二者在具有聯動關系的基礎上是否能夠互利共生。本文在鄒靜和王洪衛(2017)[9]關于互聯網金融和銀行系統性風險的研究基礎上，進一步對系統性風險指數進行分解，來探究互聯網金融具體影響到何種指標進而對銀行的系統性風險產生影響，分析互聯網金融影響商業銀行系統性風險的內在機制。同時借鑒其簡化SVAR模型的思路來構造非限制性VAR模型。

1.銀行系統風險指標的選取

參照中國銀行業監督管理委員會2005年末頒布的《商業銀行風險監管核心指標(試行)》和學界常用的構建銀行系統性風險指數的指標體系，從風險水平指標、風險遷徙指標和風險抵補指標及其他影響銀行系統性風險的指標中選取了13個指標，并運用主成分分析法對這13個指標進行篩選，具體指標如表3所示。

表3 銀行系統性風險測度的指標體系

在進行主成分分析之前一般要進行KMO檢驗和Bartlett球形檢驗，KMO檢驗和Bartlett球形檢驗主要用來檢驗變量之間的相關性，KMO的值越接近與1代表變量之間的相關性越強，越適合做主成分分析；Bartlett球形檢驗的p值越接近于0，表示越適合做主成分分析，如表4所示，KMO的值為0.6325,而Bartlett球形檢驗在5%的水平下是顯著的。綜上所述，適合進行主成分分析。

表4 KMO檢驗和Bartlett球形檢驗

如表5所示，由Eviews8.0統計軟件報告的結果可知，前四個主成分的累計貢獻率達到了92.340%，為了盡量不遺漏重要的解釋指標，我們將主成分累計貢獻率確定在≥90%的水平上，因此選取商業銀行撥備充足率(Coverage)、商業銀行不良貸款比例(Loan)、商業銀行存款與貸款比例(Ratio)以下簡稱存貸比、商業銀行人民幣超額備付金率(Excess reserve)作為影響銀行系統性風險的主要指標。

以往的研究中往往通過對主要風險指標進行加權平均來構造銀行系統性風險指數，此處只選用四個主要指標來代銀行系統性風險指數是基于以下兩點考慮：(1)四個主要指標的累計貢獻率達到了92.340%，通過對四個主要指標的考察完全可以反映互聯網金融對商業銀行系統性風險的影響。(2)兼顧總體性的同時，可以比較互聯網金融對四個主要指標影響的差異性，挖掘系統性風險指數背后隱藏的經濟信息。

表5 特征值及解釋的總方差

2.互聯網金融指標選取

互聯網金融的代表指標則選取資產份額最高，最具代表性的余額寶的七日年化收益變化率作為衡量指標。余額寶七日年化收益率如圖4所示。

3.數據來源

數據的時間區間為2013年5月30日至2018年10月16日，把余額寶七日年化率數據作為互聯網金融利率的數據樣本，并將該數據轉化為季度數據。銀行系統性風險數據包括商業銀行撥備充足率、商業銀行不良貸款比例、商業銀行存貸比和商業銀行人民幣超額備付金率主要來源于中國人民銀行網站、中國銀監會網站、金融統計年鑒，wind資訊等。

圖4 2013年第2季度至2018年第2季度余額寶七日年化收益率

(二)模型構建

1.平穩性檢驗

根據平穩性檢驗的結果如表6所示，Coverage是平穩的，Yuebao、Loan、Ratio和Excess reserve四個主要變量是不平穩的，Ratio和Excess reserve經過一階差分之后是平穩的，yuebao和Loan經過二階差分之后是平穩的。

表6 變量的單位根檢驗

根據最優滯后階數準則，那么該模型應該是最優滯后兩階，由此建立VAR模型，對模型的單位根檢驗如圖5所示，單位根的倒數全部落在單位圓之內，這說明VAR模型是平穩的。

2.建立模型

但是，VAR模型有著明顯的缺點，它無法反映變量之間的同期影響關系，而學界目前普遍采用SVAR模型代替VAR模型來研究變量之間的同期影響，基于以上分析，我們選擇了包含所有的變量滯后2期的SVAR模型：

BYt=A0+A1Yt-1+A2Yt-2+μt

則變量的參數矩陣為：

(11)

圖5 模型的AR根檢驗

其中Yuebao為余額寶的收益變化率，Coverage為銀行撥備充足率，Loan為商業銀行不良貸款比例，Ratio為商業銀行存貸比，Excess reserve為商業銀行人民幣超額備付金率。矩陣B表示變量之間的同期相關性。假設矩陣B為可逆矩陣，那么SVAR模型轉化為非限制性VAR：

Yt=B-1A0+B-1A1Yt-1+B-1A2Yt-2+B-1εt

(12)

即可通過簡化的VAR來估計SVAR模型。考慮到SVAR模型需要施加約束條件，而模型中包含5個變量，需要施加10個約束條件。

(三)實證分析

1.脈沖響應函數分析

為探究余額寶收益率變化對銀行系統性風險的四個主要指標的動態影響特征，我們利用脈沖響應函數進行分析。因為借助脈沖響應函數可以刻畫在擾動項基礎上加上單位標準差大小的沖擊時，對于內生變量當前值和未來值的改變。從圖6中可以看出，從第1至1.5期余額寶收益變化率對銀行系統性風險中的商業銀行存貸比指標的影響呈現出明顯增強的負向效應并在1.5期達到最大。之后，一直到第3.5期，余額寶的收益變化率對商業銀行存貸比的負向效應迅速減弱，并且在3.5期之后，出現了較強的正向效應，6期之后逐漸趨于均衡。與此同時，第1至第4期，余額寶的收益率水平的變動對商業銀行不良貸款比例有一個先迅速增強后又快速減弱的負向效應，而在第4期之后，這種效應逐漸趨于穩定并在零水平附近小幅度地波動。而銀行系統性風險中商業銀行撥備充足率與商業銀行人民幣超額備付金率始終對余額寶收益變化率的變動的響應很小。這與實際情況相符，在余額寶誕生之初，受市場資金面緊張和“錢荒”事件等的影響，當時余額寶收益率水平呈現較高狀態，此時它對商業銀行存貸比自然產生明顯地負向效應。但后來由于受到余額寶的貨幣基金本質屬性制約，其利率無法保持在前期的較高狀態，也就無法對銀行系統性風險的四個主要指標一直產生負向作用，而是逐漸趨減的波動影響狀態。

圖6 銀行系統性風險指標對互聯網金融沖擊的響應

綜上可知，余額寶收益變化率對銀行系統性風險的四種主要指標的影響具有明顯的差異性。在短期內余額寶收益變化率對商業銀行存貸比以及商業銀行不良貸款率具有明顯的負向抑制作用，且影響非常大，但對其他兩個指標影響不顯著。這是因為，當余額寶收益率升高時，在一定程度上引起貨幣市場資金面緊張，銀行存款有所減少，而在貸款不變的情況下，導致銀行的存貸比便有所下降。從長期來看，余額寶收益變化率對商業銀行系統性風險中的這四種因素的影響趨于平穩且總體是緩慢增強的，這也說明以余額寶為代表的互聯網金融的發展在某種程度上已經對銀行系統性風險產生了一定影響，它的存在與變化會小幅度地增加銀行系統性風險，因此央行對于余額寶的監管與控制也是有理可循的。

圖7 銀行系統性風險的方差分解

2.方差分解分析

方差分解的關鍵思想是通過按成因與各方程信息相關的組成部分來逐一分解系統中內生變量的波動，從而對不同結構沖擊造成的內生變量的變化程度做出評價。圖7為分解結果圖，從中不難發現，銀行系統性風險在初期受商業銀行人民幣超額備付金率、商業銀行存貸比的影響最大，但隨后兩者的貢獻度都在減弱并在后期趨于穩定；而不良貸款率與余額寶收益變化率的貢獻度在早期則呈現強勢上升趨勢，在后期則趨于穩定。這就說明，以余額寶為代表的互聯網金融的發展在某種程度上已經對銀行系統性風險產生了一定影響，但該影響在余額寶發展至今已保持在了一個相對穩定的程度。

表7 格蘭杰因果檢驗結果

3.格蘭杰因果檢驗

在進行單位根和協整檢驗分析后，可對協整變量之間的因果檢驗進行探索，格蘭杰因果檢驗的前提是證明隨機變量是平穩序列，如果隨機變量是非平穩序列則進行格蘭杰檢驗時會出現偽回歸。在確定變量序列均平穩后，檢驗得到的結果如表7所示，從中可以看出以余額寶為代表的互聯網金融利率是商業銀行存貸比的格蘭杰原因，除此之外均互不為格蘭杰原因。綜上所述，以余額寶為代表的互聯網金融利率的變化能夠引起商業銀行存貸比的變化，最終格蘭杰引起銀行系統性風險的變化。

四、結論與建議

余額寶互聯網金融平臺，有利于實現余額資金的財富化，吸引潛在的、非個性化的財富存蓄需求者，但也擠占商業銀行的存款份額，蠶食商業銀行利潤，影響商業銀行的風控決策。本文構建多變量DCC-MVGARCH模型考察2013年5月30日至2018年10月16日以余額寶為代表的互聯網金融與商業銀行利率的聯動關系，發現兩者之間存在較強的正向動態關系與波動性。在此基礎上，進一步考察以余額寶為代表的互聯網金融利率變動對于商業銀行系統性風險的貢獻度與影響程度。研究結果表明：(1)在短期內余額寶收益變化率對商業銀行存貸比以及商業銀行不良貸款率具有明顯的負向抑制作用，且影響顯著；但從長期來看，余額寶收益變化率對商業銀行系統性風險的影響趨于平穩。(2)余額寶為代表的互聯網金融利率變動對商業銀行風險程度的貢獻度不及商業銀行人民幣超額備付金率、存貸比與不良貸款比例，但高于商業銀行撥備充足率對于銀行風險的貢獻度。(3)互聯網金融的發展僅影響到了個別系統性風險指標，并不能夠對商業銀行的系統性風險產生全面的影響。根據以上研究結論，提出建議如下：

第一，商業銀行應當合理利用互聯網技術，增強技術人才儲備。在當今時代，商業銀行和互聯網金融的競爭實際上是科學技術水平的競爭，而科技水平則取決于人才。互聯網金融依托高科技技術崛起，擁有雄厚的技術人才儲備，所以商業銀行應當借鑒互聯網金融的發展經驗，發展與互聯網金融相關的業務，增強對互聯網技術的運用能力，與支付寶等互聯網金融建立良好的合作溝通機制，實現二者的互利共生。

第二，深化金融市場改革，進一步推動利率的市場化進程。商業銀行市場化程度和市場適應能力較互聯網金融有所不及，所以應當進一步放開商業銀行的經營自主權，推進商業銀行的市場化改革，破除商業銀行的壟斷地位，提高自身的競爭力，改革自身風險管控方式，增強對利率市場化的適應能力。

第三，加強商業銀行的金融創新，開發差異化的金融產品。商業銀行和互聯網金融所開發的產品均是網絡金融產品，二者之間的競爭實質上是數量競爭，根據斯塔克爾伯格模型(Stackelberg Leadership Model)，數量競爭有先發優勢，由于支付寶為代表的互聯網金融是先進入市場的，其優勢自然存在。因此，商業銀行應該從產品差異化的角度，加強金融工程師隊伍建設，研究開發差異化的金融產品。

第四，貨幣監管層應當規范互聯網金融的發展，加強對互聯網金融的監管力度，強化金融規制建設，防范系統性金融風險。因為互聯網金融的消費與儲蓄是沒有界限的，中國人民銀行的貨幣政策作用于支付寶等互聯網金融時，寬松的政策對其利好是疊加的，而對銀行則沒有這種疊加功能。同時，央行對互聯網金融的監管力度不足，互聯網金融可以化解央行的緊縮型貨幣政策，削弱貨幣政策的有效性，給商業銀行和整個金融市場帶來風險隱患。所以，應當加強對互聯網金融的監管力度，規范互聯網金融的發展，防范金融市場的潛在風險。