互聯網金融發展對中國商業銀行效率的影響實證分析摘要 I第一章引言 1第二章文獻綜述 32.1銀行效率的類型 32.2效率理論 32.3對于互聯網金融的研究 42.4互聯網金融和商業銀行效率關系研究 52.5DEA方法 52.6文獻評述 6第三章分析框架與數據來源 73.1分析框架 73.2樣本及數據來源 73.3變量說明 73.3.1被解釋變量：全要素生產率 73.3.2核心解釋變量：互聯網金融指數 83.3.3其他控制變量 10第四章實證結果與分析 114.1計量模型設定 114.2相關性檢驗和平穩性檢驗 114.3描述性統計分析 114.3.1DEA-Malmquist 114.3.2多元回歸的描述性分析 124.4多元回歸分析結果 13第五章研究結論與政策建議 15參考文獻 17摘要近年來，互聯網金融的飛速發展給中國金融業注入了活力，但互聯網金融也以其獨有的競爭優勢給傳統的商業銀行帶來了巨大的挑戰。本文以19家商業銀行2011-2019年的數據為樣本，使用DEA-Malmquist指數方法測度商業銀行的全要素生產率，用文本挖掘法測度互聯網金融指數并以此作為互聯網金融發展的代理變量，構建多元回歸模型來研究互聯網金融發展對中國商業銀行效率的影響。研究發現，互聯網金融的發展促進了商業銀行的發展和對其業務模式進行更新，商業銀行也因為擁抱了互聯網浪潮從而提高了自身的生產效率。商業銀行作為我國金融行業的支柱產業，其經營狀況直接影響我國的金融穩定。因此，應當大力促進商業銀行和互聯網金融的合作發展，促進我國金融行業的繁榮發展。關鍵詞：互聯網金融；全要素生產率；DEA-Malmquist指數

第一章引言隨著中國改革開放進程的不斷加深，商業銀行成為中國金融業發展的重要支柱和中堅力量，與此同時，互聯網金融這股新興力量也展示出自己的強勁實力。近年來，隨著“互聯網＋”口號貫徹落實到各行各業，互聯網金融業也在蓬勃發展。隨著中國經濟進入新常態，脫貧攻堅決勝之年的大獲全勝，互聯網金融也展現了其在實現脫貧攻堅，實現全面建設小康社會宏偉目標中的巨大潛力；另外隨著中國金融行業和國際高水平接軌的不斷深化，商業銀行傳統的優勢地位收？到了互聯網金融的不斷沖擊。為了更好的使商業銀行在互聯網發展的浪潮中提升自身的競爭力，進一步提高商業銀行在中國金融發展中的活力，所以對于互聯網金融的發展和商業銀行效率的研究就顯得尤為重要。我國互聯網金融的發展呈現起步較晚但普及發展迅速的特征。2012年中國投資有限公司原副總經理謝平提出“互聯網金融”概念后，互聯網金融首次步入人們的視野中。。2014年7月，深圳前海微眾銀行、天津金城銀行、溫州民商銀行獲批籌建；9月底，上海華瑞銀行、浙江網商銀行獲批，至此首批試點的5家民營銀行全部出爐，其中騰訊持股的深圳前海微眾銀行備受關注，至今始終有亮眼的表現。這也是銀行業和互聯網金融結合的成功產物，其橫空出世就給銀行業的發展指明了一條道路。2014年10月，螞蟻金服應運而生，其囊括了支付寶、余額寶、螞蟻小貸及籌備中的浙江網商銀行等品牌；螞蟻金服在隨后四五年的快速發展之后，現已發展成互聯網金融領域的領頭羊。其提倡的將互聯網金融普惠到小微企業，個人消費者的理念，現今已經成為互聯網金融發展的財富密碼。互聯網金融的本質仍然還是金融，其將傳統的金融服務與互聯網信息化獨有的優勢相互結合。利用區塊鏈，大數據和人工智能提高了金融服務效率，使金融更具有普惠性，使普通的個人消費者和小微企業能夠享受到金融發展產生的紅利。互聯網金融公司利用其擁有的數據優勢，降低了傳統商業銀行核心借貸業務的成本，擠占了傳統銀行的業務。但這也變相的促進銀行對自身業務的更新發展，各家商業銀行也紛紛推出類似“e錢包”，“原油寶”等理財產品。本文旨在研究在互聯網金融快速發展的大背景下，商業銀行的效率受互聯網金融發展的影響。商業銀行作為中國傳統金融行業的中流砥柱，其發展狀態關乎著中國金融市場的穩定和經濟發展的態勢。就目前數據來看，互聯網金融的快速發展給中國商業銀行的發展帶了了巨大的挑戰，所以本文研究的內容十分具有現實意義。本文以19家商業銀行在2011-2019年間的數據為樣本，使用Malmquist指數結合DEA方法測度商業銀行的全要素生產率，用文本挖掘法測度互聯網金融指數并以此量化互聯網金融的發展，并結合其他變量構建多元回歸模型來研究互聯網金融發展對中國商業銀行效率的影響。通過本文研究，來分析商業銀行受互聯網金融發展的影響并給今后商業銀行其發展模式和業務發展提出一些可行的建議。第二章文獻綜述2.1銀行效率的類型早期學者們一般對于商業銀行效率的測度類型主要集中于規模效率、技術效率、純技術效率。關于技術效率，蔣莉（2021）[1]在研究中指出，大型國有銀行的應變能力和抗風險能力相較于股份制銀行更優，其更能抓住信息浪潮和金融行業大融合的契機。關于純技術效率，蔣莉（2021）在其相關研究中指出，中國商業銀行純技術效率的均值相對平穩，大部分銀行都能順應時代的發展來對自身業務進行改進和創新。關于規模效率，魏煌和王麗（2000）[2]在其報告中認為，從空間維度上看，在中國，股份制商業銀行的規模效率相較外資銀行，農商行都具有明顯優勢。Benston&Hanweek(1982)[16]的研究表明，采用支行制的商業銀行，其規模效率普遍較高。后期學者們更偏向于用商業銀行全要素生產率對商業銀行效率進行測度，林彧和李鎮南（2020）[3]在研究大數據時代下商業銀行效率時，使用DEA-Malmquist指數法測量中國18家商業銀行五年的全要素生產率，其研究發現金融科技對商業銀行全要素生產率產生明顯的推動作用，但各種銀行受其影響具有明顯差異。周孟亮（2020）[4]通過DEA-Malmquist指數測量72家商業銀行的全要素生產率得出結論，股份制商業銀行的效率領先其他種類的銀行。2.2銀行效率理論規模效率理論最早是由亞當斯密提出來的，Baumol和Willig將這一概念擴展到多產出生產，并增加了對聯合生產成本節約所產生的范圍經濟的討論。規模經濟的本質是企業隨著規模的增加，擴大單一產品的產出而提高企業自身的生產經營效率。但當企業達到規模經濟的臨界點時，企業再擴大規模會對企業的生產經營效率產生反作用。規模經濟能持續提高企業的專業化生產，成為核心競爭力。隨著企業規模的不斷發展，其勢必會產生積極的商譽，更有利于企業提高利潤。隨著企業規模的擴大，生產經營所必須的固定成本可以分攤到可變成本中，降低了企業平均單位的產出費用。但當企業的規模過分擴大時，企業內部的經營成本也會隨之增加。管理層的僵化造成日常的管理費用提高，企業的創新成本顯著增加甚至抵觸創新。技術溢出理論是優勢企業隨著自身的快速發展，使其產生無意識的技術擴散，例如先進技術，人力資源，資本等競爭優勢在企業之間非自愿無意識地擴散溢出，使得整個行業地整體水平得到提升，產生溢出效應。Pessarossi（2013）[20]認為溢出效應并非單向的，在優勢企業將其優勢彌散到其他企業時，技術溢出的同時會使得其他企業產生追趕效應，加速整個行業的發展。因此，互聯網金融的快速發展會無意識的產生技術溢出，可以通過以下幾個方面帶動商業銀行效率的提升。第一是示范和模仿效應，互聯網金融的核心優勢就是其開放性和低門檻，商業銀行可以通過模仿來進行技術創新。商業銀行可以通過手機端app來使其業務更好地為普通消費者所了解和接受，簡化柜臺繁瑣的操作步驟。第二是競爭效應，互聯網金融憑借其數據優勢，可以更低成本的獲得客戶的信用畫像，大大沖擊了商業銀行的核心信貸業務；互聯網金融公司的進入在一定程度上消除了商業銀行長期存在的進入壁壘，提高了社會福利。第三是聯系效應，互聯網的混業經營勢必會涉及到銀行業，商業銀行可以在業務層面和互聯網金融公司合作，互利共贏，在互聯網金融快速發展紅利中分一杯羹。第四是流動效應，企業的核心優勢就是人才優勢，在互聯網金融的快速發展中會涌現出優秀的擁有互聯網思維的金融人才，商業銀行可以通過這些人才創新自身業務，提高自身的經營策略，提高經營效率。2.3互聯網金融相關研究美國于1995年創立了全球第一家互聯網銀行SFNB。而中國的互聯網金融起步相對較晚但發展十分迅速，直到2013年支付寶和天弘基金推出余額寶后，中國的互聯網金融才進入元年，但之后發展十分迅速。國外的學者在很早期的時候就對互聯網金融進行探究，Maudo(2003)[19]在文章中稱互聯網金融是一把雙刃劍，其發展給經濟帶來活力的同時，也會給傳統的金融業帶來巨大的風險。Acharya（2003）認為，互聯網金融將會替代商業銀行，迫于競爭，商業銀行不得不使用互聯網。有的學者將互聯網金融視為金融科技，ErikBanks(2001)[18]研究表明，新的金融科技本質上是電子信息運用到金融業的結果，其本質上就是信息化與金融業融合的產物。而中國部分學者認為金融科技和互聯網金融是兩個不同但相互勾連的概念，林彧（2020）認為金融科技強調金融業務的內在規律，而國內的互聯網金融忽視金融的本質和風險監管等重要問題。后期國內學者更多的將目光關注于互聯網金融對于傳統金融行業的影響，張翔鳴（2021）[9]認為互聯網金融公司通過個性化的金融產品把握住客戶的需求，也培養出了一批有個性化高要求的客戶，導致了原本競爭并不激烈的銀行業也加入到了激烈的市場競爭中。周小梅（2020）[10]在研究中指出，互聯網金融的波及面，多維開放的特點會產生信用風險和規避監管事件的發生，互聯網金融的快速發展倒逼金融監管要重視金融發展的客觀規律。2.4互聯網金融和商業銀行效率關系研究學界對于互聯網金融發展對商業銀行效率的研究主要有兩種觀點：（1）互聯網金融的發展可以提高商業銀行的效率（2）互聯網金融的發展會降低商業銀行的效率。支持互聯網金融會對商業銀行產生積極影響的學者主要持“技術溢出效應”。林彧（2020）以五年間18家商業銀行進行商業銀行效率研究，以科技金融指數作為解釋變量，其研究發現金融科技的不斷進步通過技術溢出效應對商業銀行的全要素生產效率的提升具有顯著的積極影響。周濤（2020）[11]利用DEA-Malmquist模型對16家上市商業銀行的全要素生產效率進行實證分析，數據顯示中國上市商業銀行全要素生產效率呈上升趨勢，這是商業銀行認識到數據化時代的發展趨勢，利用互聯網思維更好的提供個性化的服務。Railiene(2015)認為更多的銀行將由于互聯網金融進行并購重組。在并購和重組后，銀行的R&D費用將增加，并進行業務創新，所以銀行的效率會提高。認為互聯網金融的發展會對商業銀行的效率產生消極影響的學者普遍將關注點放在了互聯網金融監管體制的不完善上。尹健（2021）[12]認為開放性的互聯網金融產品沒有細致的規定和限制，使得整個市場控制和應對風險的能力始終得不到提升。互聯網金融作為金融業的重要組成部分，其風險難以控制會波及到整個金融業應對系統性金融風險。楊超（2019）[13]認為，傳統的分業監管難以適應互聯網金融行業的混業經營，由于監管程序在各個分業中不盡相同，分業監管勢必會導致溝通不暢，出現監管空白。而其混業經營的性質如果疏于監管也會在其他行業產生金融風險。謝朝華(2011)[14]指出超額收入、合作成本、競爭和損失計量這四個因素是互聯網金融能否和傳統銀行業相互促進的基本。如果互聯網金融公司和商業銀行未能在上述四個方面達到統一，那么會適得其反降低各自的效率。2.5DEA方法對于商業銀行效率的測度，無論是傳統研究規模效率，技術效率，還是研究全要素生產率，應用最廣泛的就是DEA方法。Farrell第一次提出前沿生產效率這個概念。Charnes(1978)[17]等學者之后在此基礎上創建了DEA模型。國內的學者余浩（2019）[5]；張建華和紀陽（2016）[6]都通過構建DEA三階段模型對中國商業銀行的效率進行計量。候瑜和詹明君(2012)[7]在研究銀行效率時，利用DEA-Malmquist指數法測度了中國14家商業銀行的全要素生產率。另外，DEA的CCR模型和BCC模型只能對同一時間階段的銀行效率進行比較，也就是只能對截面數據進行測算。而Malmquist指數卻可以對不同時間銀行效率進行縱向比較。在確定測算全要素生產率的投入產出變量時，一般通過生產法、中介法、資產法；三種方法特點各有不同。石瑞琪（2018）[8]在測度全要素生產率時，將固定資產、員工數量、員工費用、客戶存款作為投入指標。余浩（2019）用貸款總額，主營業務收入，凈利潤作為輸出變量來研究全要素生產率。2.6文獻評述綜合上述文獻內容，有以下結論：（1）學界對商業銀行效率的測度研究已經較為成熟。測度的方法從傳統的隨機變量前沿分析到DEA方法，又到現在引入DEA-Malmquist指數法，多階段DEA法，其對商業銀行效率的測度也越來越貼近實際的生產經營狀況。（2）對于效率指標的研究，學界從以前將目光放在規模效應，技術效應，純技術效應到現在關注到全要素生產率。其對于變量的選擇也更有助于貼合商業銀行實際的經營。（3）對于互聯網金融本質的研究，學界的主流觀點還是認為互聯網金融屬于金融業的一部分，或者視其為科技金融的一個分支。所以互聯網金融和商業銀行的關系可以歸結為金融業內部不同分支行業之間的的影響。（4）對于互聯網金融對商業銀行效率的影響，目前學界沒有達成定論。一部分學者認為，互聯網金融作為信息化數據時代的產物，其具有的開放性，其能將擁有的數據優勢轉化為對客戶的個性化高質量服務會倒逼商業銀行進行業務轉型。互聯網金融較低的獲客成本和較低的客戶信用審查成本沖擊了商業銀行傳統的借貸業務，也能使商業銀行改變其墨守陳規的經營，提高自身的效率。另一部分學者則不看好互聯網金融會產生積極影響。互聯網金融的監管難度較大，因此產生的高信用風險反而會降低商業銀行的效率，給整個金融行業帶來挑戰。現有文獻對商業銀行效率和互聯網金融關系的研究部分出現在2015年P2P暴雷事件左右。而近兩年，隨著金融監管力度的加強，商業銀行漸漸適應了信息化浪潮帶來的沖擊，互聯網金融也結束了其野蠻發展，所以對于近幾年互聯網金融與商業銀行效率的關系的研究就顯得更為有意義，但是已有研究對此關注較少。本文的時間跨度涵蓋互聯網金融的萌芽階段直至今日的穩定發展階段，因此相較于以往的文獻更能體現出二者全階段的關系。因此本文將采用2011-2019年互聯網金融和19家商業銀行的數據，對二者的關系進行研究。分析框架與數據來源3.1分析框架基于以上變量的介紹和以往文獻的研究，本文預計核心解釋變量互聯網金融指數和被解釋變量全要素生產率呈正相關，及隨著互聯網金融指數的提高，商業銀行的全要素生產率也會呈一定水平上的提升。互聯網金融指數在本文中是互聯網金融發展的量化指標，互聯網金融的快速發展擠占了商業銀行原有的業務空間從而倒逼商業銀行進行業務迭代。商業銀行在競爭和發展中會學習互聯網金融的優勢，擁抱互聯網浪潮，積極將自身的傳統金融服務與互聯網金融的優勢相結合，從而提高自身的生產效率。而其他控制變量中，本文預計GDP增長率、風險控制水平、流動性水平會對商業銀行的生產效率產生正向影響。商業銀行作為金融業的支柱產業，必然會對宏觀經濟的波動產生明顯的反應，而宏觀經濟的發展勢必會帶動整個金融業的繁榮，商業銀行也能因此分一杯羹。而風險控制水平和流動性水平為商業銀行內部指標，良好的風險控制水平會減少銀行的呆賬壞賬比率；一定程度的流動性可以給商業銀行的投融資業務更多的自由度，二者都會促進商業銀行的發展。而不良貸款率，杠桿率會對商業銀行的生產效率產生負面影響。根據上述變量之間關系的預計，本文提出以下假設：互聯網金融的發展會促進商業銀行生產效率的提高。3.2樣本及數據來源本文選擇中國19家上市銀行作為研究對象，樣本的區間為2011-2019年，采用DEA-malmquist方法對商業銀行全要素生產率進行測度，采用文本挖掘法獲得互聯網金融指數，數據來源為上交所各上市銀行歷年財報，Bankscope，wind數據庫。數據處理分析采用Excel、Stata和Deap2.1。3.3變量說明3.3.1被解釋變量：全要素生產率本文采用Malmquist指數來測算商業銀行全要素生產率。Malmquist指數是一個動態的分析指標，結合DEA模型，將全要素生產率分解為技術效率變化值指數和技術進步指數，將傳統的DEA模型只能計算截面數據，無法縱向對比的問題予以解決。被評價的決策單元的Malmquist指數為：(1)(1)式中Dt和Dt+1表示決策單元在第t期和第t+M值表示生產率從t期到t+1期的變化，當M>1時，表示生產率呈增長趨勢；當M<1時，則表示生產率呈衰退趨勢。在構建評價體系的過程中，選取合適的投入指標和產出指標是使用DEA的關鍵環節，在投入產出指標的選取上，本文基于以往文獻的總結，借鑒生產法，中介法，資產法三種界定方式，以生產法為基礎，參考沈悅（2015）[15]的研究，進而選取資產總額、營業支出作為投入指標；選取貸款總額，非利息收入作為產出指標。表3-1：指標選取Table3-1Index指標類型指標名稱投入指標資產總額營業支出產出指標貸款總額非利息收入3.2.2核心解釋變量：互聯網金融指數目前學者的研究對于互聯網金融的定量分析還未能建立出標準的量化體系。本文研究互聯網金融對商業銀行效率的影響，互聯網金融指數是研究的核心解釋變量，所以如何構建出合理的量化指標對于本文的研究十分重要。楊望等（2014）在構建互聯網金融指數時運用了中國科技金融領軍人物和企業評價指數；牛華勇（2016）使用網上銀行交易量與第三方支付交易數額的比率來進行指數構建；Askitas等人研究表明互聯網引擎搜索率中反映著民眾的信息需求和企業投入供給的信息；沈悅（2015）等使用文本挖掘法，通過百度關鍵詞和新聞年度詞頻，構建互聯網金融指數。本文借鑒沈悅（2015）的研究方法，使用文本挖掘法通過統計2011-2019年的互聯網金融關鍵詞來計算互聯網金融指數，具體步驟如下：第一，建立原始詞庫，本文借鑒沈悅（2015），林彧（2020）等人的研究從金融功能角度出發，確定四個板塊的原始詞庫，分別是：支付功能，風險控制功能，資源配置功能，財富管理功能。第二，通過百度搜索，計算各個關鍵詞的詞頻。通過爬蟲取得各個初始關鍵詞關聯的每個月份的新聞發布次數得到詞頻，作為構建互聯網金融指數的基礎。第三，利用因子分析法構建互聯網金融指數，（1）提取公因子。（2）計算因子得分，利用回歸分析法得到因子的得分矩陣（3）計算互聯網金融指數，根據因子得分作為權重進行加總，可以計算出2011-2019年的互聯網金融指數。表3-2：互聯網金融關鍵詞Table3-2Keyword維度關鍵詞支付功能網上銀行支付第三方支付在線支付風險控制功能互聯網壽險互聯網車險互聯網理財資源配置功能網上貸款花唄網上投資財務管理功能P2P余額寶眾籌根據上述步驟，計算出2011-2019年互聯網金融指數如下表：表3-3互聯網金融指數Table3-3InternetFinanceIndex2011201220132014201520162017201820190.020.010.040.530.7910.920.850.913.2.3其他控制變量為了更精準的計量互聯網金融的發展，本文根據沈悅（2015）、林彧（2020）等人的相關研究，將下列指標作為控制變量。宏觀經濟層面：選擇GDP增長率作為其他控制變量。微觀個體層面：銀行風險控制水平、不良貸款率、銀行杠桿率、資產流動性水平作為控制變量。表3-4：變量定義Table3-4variate變量類型變量名稱符號度量方法被解釋變量全要素生產率MDEA-Malmquist指數核心解釋變量互聯網金融指數H文本挖掘法控制變量宏觀經濟水平GDPGDP增長率風險控制水平CCAR核心一級資本充足率不良貸款NPL不良貸款率杠桿率流動性水平WFL財務杠桿率資產流動性比率第四章實證結果與分析4.1計量模型設定關于計量模型的選擇，本文采用帶有被解釋變量一階滯后的多元回歸模型，其表達式如下：Mit=（2）式中i為銀行，t為年份，核心被解釋變量全要素生產率為M，核心解釋變量互聯網金融指數為H，其中H和GDP為嚴格外生變量，NPL,FL,W,CCAR為內生變量，ui根據之前的文獻和研究表明，商業銀行生產率存在“黏性動態”，所以本文將被解釋變量的一階滯后引入為解釋變量。根據本文的假設，β2系數預估為正值。本文的研究思路為對多元回歸模型進行回歸分析，在選擇回歸方法時，要考慮模型的動態性，內生性和序列相關性。如果采用混合效應回歸會產生誤差；而如果單純的采用固定效應回歸（FE）無法處理商業銀行生產率的“黏性動態”也即無法處理一階滯后。另外本文研究19家銀行9年的數據，符合“大N小T”的數據結構，所以本文擬用系統動態面板（SYSGMM4.2相關性檢驗和平穩性檢驗對變量進行相關性檢驗，各個變量系數不存在大于0.7的情況，為進一步確定不存在多重共線性，對變量進行VIF檢驗后發現不存在VIF值大于10的情況，所以進一步排除多重共線性。另外，由于解釋變量中含有被解釋變量的一階滯后，對函數做單位根檢驗，以避免偽回歸現象。結果表示數據不存在單位根，所以回歸分析不會存在偽回歸現象。4.3描述性統計分析4.3.1DEA-Malmquist因為DEA-Malmquist是動態DEA模型，為了數據的準確性，本文使用2010-2019年的有關投入和產出變量的值來測度2011-2019年的DEA-Malmquist值。表4-1DEA-Malmquist值Table4-1DEA-Malmquist銀行名稱年份201120122013201420152016201720182019工商銀行0.9720.9941.040.9590.9941.0831.0040.9410.996建設銀行1.0211.0111.0371.0051.0041.0051.0570.9661.002農業銀行1.0331.0071.0211.0220.9881.0271.0840.9621.033中國銀行1.010.9931.0250.9780.9871.0671.0240.9911.03郵政銀行1.0210.9791.0661.1121.1381.0751.2061.0231.083交通銀行0.9920.9940.9740.9760.9471.0331.0631.0070.966招商銀行0.9980.9690.9971.0751.0021.0661.0650.991.035興業銀行0.880.8280.9821.060.8571.1951.3741.0221.029浦發銀行0.9040.9810.9640.9110.9021.1511.1131.0010.994中信銀行0.891.0240.9580.9650.9560.9911.1171.080.984民生銀行1.0130.9651.2231.0451.1340.9541.0811.0970.914光大銀行0.9760.8931.0660.9021.0170.9791.1581.0420.923北京銀行0.9210.9171.0790.9480.8591.0651.0941.0091.005華夏銀行0.9610.9981.0221.0161.0420.9831.1471.0141.016廣發銀行1.0250.9230.9440.9991.1130.9831.2191.1030.977上海銀行1.051.0390.9450.8060.9080.9781.490.8231.133江蘇銀行0.990.970.9940.9310.9951.0341.0271.1460.983浙商銀行0.9460.9830.9220.8430.8741.0711.3811.0521.05平安銀行0.9020.8890.9851.1351.160.961.1461.021.008平均值0.9720.9651.0110.980.9891.0351.1431.0131.007從上表分析出，商業銀行全要素生產率再2013-2014年之間存在明顯的上升，再2016-2017年之間也存在明顯的上升，而這兩個期間剛好時互聯網金融剛剛興起和繁榮的兩個階段，而之后的2018-2019雖然有所回落，但是還是明顯高于互聯網金融興起之前的全要素生產率。4.3.2多元回歸的描述性統計對所獲得的數據進行處理統計結果如表4-2表4-2多元回歸變量描述性統計分析Table5DescriptiveStatistics變量均值標準差最小值最大值M1.160.090.811.49H0.540.380.001.00GDP7.240.886.19.3CCAR10.071.557.514.68NPL1.310.380.362.39W16.314.6111.2546.01FL47.659.6027.680.58根據上述的描述性統計，資本流動率和杠桿率標準差較大，說明各個銀行之間的資本流動率和杠桿率差別很大，各個銀行對于自身杠桿率的管理，投資策略，以及對流動現金的管理有不同的策略和特點。互聯網金融指數標準差相對較大因為在2014年左右出現驟升，是因為互聯網金融在2014年開始興起并快速發展。不良貸款率較為穩定并且不高，說明中國商業銀行在管理呆賬壞帳上較為出色。中國2011-2019年GDP增長率的平均值為7.24，但是中國GDP增長率始終走低，說明中國經濟發展進入平穩期間，存在一定程度的經濟下行壓力。4.4多元回歸分析結果對該多元回歸模型采用SYSGMM分析，因為該模型滿足下列三個條件（1）存在被解釋變量的一階滯后作為解釋變量（2）大N小T的數據結構（3）經過估計后的序列相關檢驗，可以拒絕原假設，也即不存在序列相關.此外通過Sgrgan檢驗，顯示所有工具變量均外生，標明選取GMM回歸以及工具變量的選擇合理有效，不存在工具變量過度估計的問題，工具變量的估計有效。所以綜上所述可以使用SYSGMM模型。表4-3多元回歸結果Table6TheResultOfMultipleRegression變量系數標準誤t-StatisticProb.M（-1）-0.172*0.103-1.680.093H0.317***0.0664.800.001GDP0.104***0.0372.800.005CCAR0.0120.009-1.350.177NPL-0.146***0.052-2.790.005W-0.0100.008-1.180.237FL0.003*0.0011.830.067數據來源：STATA注：***、**、*表示估計結果在0.01、0.05、0.1的水平上顯著根據表中回歸結果，得到以下結論。商業銀行全要素生產率的一階滯后系數為-0.172，且在10%的水平上顯著，說明銀行的生產率存在黏性特質且存在負相關。互聯網金融指數的系數為0.317，且在1%的水平上顯著，說明原假設成立，互聯網金融會對商業銀行效率產生正向影響，互聯網金融發展促進了商業銀行全要素生產率的提升。商業銀行通過和互聯網結合，借助互聯網平臺建設手機銀行，網上銀行。開發“原油寶”、“e錢包”等互聯網銀行理財產品，降低投資者的門檻，使銀行理財更貼近普通投資者。利用互聯網金融的遍及性，減少獲客成本，提高自身的效率。GDP的估計系數為0.104，且在1%的水平上顯著，表明商業銀行是中國金融市場的重要組成部分，國民經濟和商業銀行的發展息息相關。中國經濟已經脫離快車道，進入平穩發展期，甚至出現了很多需要克服的難題；在國民經濟存在下行壓力的情況下，商業銀行更要積極發展，提高自己的生產效率，促進國民經濟的發展。經濟的快速發展也會正向促進商業銀行的發展，二者相輔相成。不良貸款率系數為-0.146且顯著，符合經濟學常識，過高的不良貸款率會影響銀行自身的經營狀況，不良貸款率會增加銀行的貸款成本，使得銀行對于小微企業和個人貸款謹小慎微，這恰恰不利于商業銀行自身的發展，會降低其生產效率。銀行資金流動性的估計系數為0.003且在10%的水平上顯著，說明銀行保有一定的流動資金有利于其自身的業務發展和資金往來，如果流動資金過少可能會出現擠兌等現象，不利于銀行發展其存貸款業務，而過高的流動資金則意味著更少的投資，同樣不利于銀行自身的發展。另外，核心資產充足率和杠桿率回歸結果不顯著，本文不做過多分析。第五章研究結論與政策建議近些年來，互聯網金融的迅速發展給傳統銀行業的各類業務帶來了巨大的沖擊，同時也給商業銀行帶來了技術變革、提升效率的機會。隨著中國“一帶一路”政策和金融業全面開放，傳統銀行業更需要和國際金融業接軌，應對新的國際競爭。本文首先研究了互聯網金融行業和傳統的商業銀行之間相互競爭的業務類型，接著根據技術溢出理論分析了互聯網金融對于商業銀行效率的影響機制。在此基礎上，本文以2009-2018年14家商業銀行為樣本，以DEA-Malmquist指數法測量的商業銀行全要素生產率作為被解釋變量，以“文本挖掘法”得出的互聯網金融發展指數作為核心解釋變量，對互聯網金融發展和商業銀行效率之間的關系進行了實證研究，最終得出以下結論：互聯網金融發展提升了商業銀行的效率。此外商業銀行規模和銀行效率成負相關，銀行規模越大銀行效率越低。根據本文的結論，提出以下政策建議：第一，商業銀行應和互聯網金融公司展開合作，積極應對其競爭挑戰，并利用互聯網技術進行業務創新。互聯網金融業打破了傳統銀行業的壟斷，促進了銀行業的競爭。傳統商業銀行不能故步自封滿足于自身的壟斷地位，而應該主動向互聯網金融公司學習先進的技術，投入資金改善自身業務促進業務創新，從而順應當下互聯網潮流。商業銀行還應該擁有長遠的眼光，培養信息技術人才。在銀行招聘時，不僅僅招收傳統金融業人才，更要注重招收熟悉計算機技術的人才。當今社會人力資源流動很快，銀行可以吸引一部分原互聯網金融公司員工，從而提升自己員工的整體素質，把握好信息時代的機遇，為業務創新提供人力儲備。另一方面，商業銀行也應該利用好自身的優勢。商業銀行資金量大、結算系統發達、社會聲譽較好，和互聯網金融公司優勢互補，逐漸形成綜合金融服務商的業務模式，提高自身的競爭力和國際金融業接軌。第二，互聯網金融公司應該積極投入，進行業務創新，不斷提升自身的業務效率。當前互聯網公司利用區塊鏈技術，極大地減少了信息不對稱，降低了金融產品的門檻并且使雙方更加公開透明，滿足了客戶多樣化需求。但由于互聯網金融融資門檻低，導致大量無資質的公司涌入，并且互聯網融資違約率高、風險巨大，不少新成立的公司很快破產跑路，給公眾造成了很不好的印象。往往“網貸”、“P2P”在客戶眼里會和金融詐騙、高利貸等不法行為掛鉤。互聯網金融公司更應該規范自身，提升風險管理能力，保護投資者的安全，促進互聯網金融安全健康成長。第三，政府監管部門及立法部門應加強對互聯網金融企業的監管，通過立法等手段保證互聯網金融行業的健康發展。政府部門應支持互聯網公司的發展，鼓勵其走上規范化、可持續化的道路，確保互聯網金融市場的完整性。并且積極推進中國互聯網的普及，建設基層網絡基站，將互聯網技術成果推廣到廣大社會，讓全體公民都能享受互聯網金融帶來的便利。參考文獻[1]蔣莉.互聯網金融影響下我國商業銀行效率之實證分析——基于三階段DEA模型[J].北京印刷學院學報,2021,29(02):15-19.[2]魏煌,王麗.中國商業銀行效率研究:一種非參數的分析[J].金融研究，2000(03):15-19.[3]林彧,鐘俊濱,李鎮南.大數據時代下金融科技對商業銀行效率的影響——基于文本挖掘與DEA-Malmquist指數的分析[J].科技創新發展戰略研究,2020,4(04):1-9.[4]周孟亮,陳琳.基于DEA-Malmquist指數的我國商業銀行效率評價[J].浙江金融,2020(06):12-21.[5]余浩.基于DEA模型的非利息收入變動對我國商業銀行效率影響的實證分析[J].知識經濟,2019(22):52-53.[6]張建華，紀陽.我國