【互联网金融发展对中国商业银行效率的影响实证探析11000字（论文）】

互联网金融发展对中国商业银行效率的影响实证分析摘要 I第一章引言 1第二章文献综述 32.1银行效率的类型 32.2效率理论 32.3对于互联网金融的研究 42.4互联网金融和商业银行效率关系研究 52.5DEA方法 52.6文献评述 6第三章分析框架与数据来源 73.1分析框架 73.2样本及数据来源 73.3变量说明 73.3.1被解释变量：全要素生产率 73.3.2核心解释变量：互联网金融指数 83.3.3其他控制变量 10第四章实证结果与分析 114.1计量模型设定 114.2相关性检验和平稳性检验 114.3描述性统计分析 114.3.1DEA-Malmquist 114.3.2多元回归的描述性分析 124.4多元回归分析结果 13第五章研究结论与政策建议 15参考文献 17摘要近年来，互联网金融的飞速发展给中国金融业注入了活力，但互联网金融也以其独有的竞争优势给传统的商业银行带来了巨大的挑战。本文以19家商业银行2011-2019年的数据为样本，使用DEA-Malmquist指数方法测度商业银行的全要素生产率，用文本挖掘法测度互联网金融指数并以此作为互联网金融发展的代理变量，构建多元回归模型来研究互联网金融发展对中国商业银行效率的影响。研究发现，互联网金融的发展促进了商业银行的发展和对其业务模式进行更新，商业银行也因为拥抱了互联网浪潮从而提高了自身的生产效率。商业银行作为我国金融行业的支柱产业，其经营状况直接影响我国的金融稳定。因此，应当大力促进商业银行和互联网金融的合作发展，促进我国金融行业的繁荣发展。关键词：互联网金融；全要素生产率；DEA-Malmquist指数

第一章引言随着中国改革开放进程的不断加深，商业银行成为中国金融业发展的重要支柱和中坚力量，与此同时，互联网金融这股新兴力量也展示出自己的强劲实力。近年来，随着“互联网＋”口号贯彻落实到各行各业，互联网金融业也在蓬勃发展。随着中国经济进入新常态，脱贫攻坚决胜之年的大获全胜，互联网金融也展现了其在实现脱贫攻坚，实现全面建设小康社会宏伟目标中的巨大潜力；另外随着中国金融行业和国际高水平接轨的不断深化，商业银行传统的优势地位收？到了互联网金融的不断冲击。为了更好的使商业银行在互联网发展的浪潮中提升自身的竞争力，进一步提高商业银行在中国金融发展中的活力，所以对于互联网金融的发展和商业银行效率的研究就显得尤为重要。我国互联网金融的发展呈现起步较晚但普及发展迅速的特征。2012年中国投资有限公司原副总经理谢平提出“互联网金融”概念后，互联网金融首次步入人们的视野中。。2014年7月，深圳前海微众银行、天津金城银行、温州民商银行获批筹建；9月底，上海华瑞银行、浙江网商银行获批，至此首批试点的5家民营银行全部出炉，其中腾讯持股的深圳前海微众银行备受关注，至今始终有亮眼的表现。这也是银行业和互联网金融结合的成功产物，其横空出世就给银行业的发展指明了一条道路。2014年10月，蚂蚁金服应运而生，其囊括了支付宝、余额宝、蚂蚁小贷及筹备中的浙江网商银行等品牌；蚂蚁金服在随后四五年的快速发展之后，现已发展成互联网金融领域的领头羊。其提倡的将互联网金融普惠到小微企业，个人消费者的理念，现今已经成为互联网金融发展的财富密码。互联网金融的本质仍然还是金融，其将传统的金融服务与互联网信息化独有的优势相互结合。利用区块链，大数据和人工智能提高了金融服务效率，使金融更具有普惠性，使普通的个人消费者和小微企业能够享受到金融发展产生的红利。互联网金融公司利用其拥有的数据优势，降低了传统商业银行核心借贷业务的成本，挤占了传统银行的业务。但这也变相的促进银行对自身业务的更新发展，各家商业银行也纷纷推出类似“e钱包”，“原油宝”等理财产品。本文旨在研究在互联网金融快速发展的大背景下，商业银行的效率受互联网金融发展的影响。商业银行作为中国传统金融行业的中流砥柱，其发展状态关乎着中国金融市场的稳定和经济发展的态势。就目前数据来看，互联网金融的快速发展给中国商业银行的发展带了了巨大的挑战，所以本文研究的内容十分具有现实意义。本文以19家商业银行在2011-2019年间的数据为样本，使用Malmquist指数结合DEA方法测度商业银行的全要素生产率，用文本挖掘法测度互联网金融指数并以此量化互联网金融的发展，并结合其他变量构建多元回归模型来研究互联网金融发展对中国商业银行效率的影响。通过本文研究，来分析商业银行受互联网金融发展的影响并给今后商业银行其发展模式和业务发展提出一些可行的建议。第二章文献综述2.1银行效率的类型早期学者们一般对于商业银行效率的测度类型主要集中于规模效率、技术效率、纯技术效率。关于技术效率，蒋莉（2021）[1]在研究中指出，大型国有银行的应变能力和抗风险能力相较于股份制银行更优，其更能抓住信息浪潮和金融行业大融合的契机。关于纯技术效率，蒋莉（2021）在其相关研究中指出，中国商业银行纯技术效率的均值相对平稳，大部分银行都能顺应时代的发展来对自身业务进行改进和创新。关于规模效率，魏煌和王丽（2000）[2]在其报告中认为，从空间维度上看，在中国，股份制商业银行的规模效率相较外资银行，农商行都具有明显优势。Benston&Hanweek(1982)[16]的研究表明，采用支行制的商业银行，其规模效率普遍较高。后期学者们更偏向于用商业银行全要素生产率对商业银行效率进行测度，林彧和李镇南（2020）[3]在研究大数据时代下商业银行效率时，使用DEA-Malmquist指数法测量中国18家商业银行五年的全要素生产率，其研究发现金融科技对商业银行全要素生产率产生明显的推动作用，但各种银行受其影响具有明显差异。周孟亮（2020）[4]通过DEA-Malmquist指数测量72家商业银行的全要素生产率得出结论，股份制商业银行的效率领先其他种类的银行。2.2银行效率理论规模效率理论最早是由亚当斯密提出来的，Baumol和Willig将这一概念扩展到多产出生产，并增加了对联合生产成本节约所产生的范围经济的讨论。规模经济的本质是企业随着规模的增加，扩大单一产品的产出而提高企业自身的生产经营效率。但当企业达到规模经济的临界点时，企业再扩大规模会对企业的生产经营效率产生反作用。规模经济能持续提高企业的专业化生产，成为核心竞争力。随着企业规模的不断发展，其势必会产生积极的商誉，更有利于企业提高利润。随着企业规模的扩大，生产经营所必须的固定成本可以分摊到可变成本中，降低了企业平均单位的产出费用。但当企业的规模过分扩大时，企业内部的经营成本也会随之增加。管理层的僵化造成日常的管理费用提高，企业的创新成本显著增加甚至抵触创新。技术溢出理论是优势企业随着自身的快速发展，使其产生无意识的技术扩散，例如先进技术，人力资源，资本等竞争优势在企业之间非自愿无意识地扩散溢出，使得整个行业地整体水平得到提升，产生溢出效应。Pessarossi（2013）[20]认为溢出效应并非单向的，在优势企业将其优势弥散到其他企业时，技术溢出的同时会使得其他企业产生追赶效应，加速整个行业的发展。因此，互联网金融的快速发展会无意识的产生技术溢出，可以通过以下几个方面带动商业银行效率的提升。第一是示范和模仿效应，互联网金融的核心优势就是其开放性和低门槛，商业银行可以通过模仿来进行技术创新。商业银行可以通过手机端app来使其业务更好地为普通消费者所了解和接受，简化柜台繁琐的操作步骤。第二是竞争效应，互联网金融凭借其数据优势，可以更低成本的获得客户的信用画像，大大冲击了商业银行的核心信贷业务；互联网金融公司的进入在一定程度上消除了商业银行长期存在的进入壁垒，提高了社会福利。第三是联系效应，互联网的混业经营势必会涉及到银行业，商业银行可以在业务层面和互联网金融公司合作，互利共赢，在互联网金融快速发展红利中分一杯羹。第四是流动效应，企业的核心优势就是人才优势，在互联网金融的快速发展中会涌现出优秀的拥有互联网思维的金融人才，商业银行可以通过这些人才创新自身业务，提高自身的经营策略，提高经营效率。2.3互联网金融相关研究美国于1995年创立了全球第一家互联网银行SFNB。而中国的互联网金融起步相对较晚但发展十分迅速，直到2013年支付宝和天弘基金推出余额宝后，中国的互联网金融才进入元年，但之后发展十分迅速。国外的学者在很早期的时候就对互联网金融进行探究，Maudo(2003)[19]在文章中称互联网金融是一把双刃剑，其发展给经济带来活力的同时，也会给传统的金融业带来巨大的风险。Acharya（2003）认为，互联网金融将会替代商业银行，迫于竞争，商业银行不得不使用互联网。有的学者将互联网金融视为金融科技，ErikBanks(2001)[18]研究表明，新的金融科技本质上是电子信息运用到金融业的结果，其本质上就是信息化与金融业融合的产物。而中国部分学者认为金融科技和互联网金融是两个不同但相互勾连的概念，林彧（2020）认为金融科技强调金融业务的内在规律，而国内的互联网金融忽视金融的本质和风险监管等重要问题。后期国内学者更多的将目光关注于互联网金融对于传统金融行业的影响，张翔鸣（2021）[9]认为互联网金融公司通过个性化的金融产品把握住客户的需求，也培养出了一批有个性化高要求的客户，导致了原本竞争并不激烈的银行业也加入到了激烈的市场竞争中。周小梅（2020）[10]在研究中指出，互联网金融的波及面，多维开放的特点会产生信用风险和规避监管事件的发生，互联网金融的快速发展倒逼金融监管要重视金融发展的客观规律。2.4互联网金融和商业银行效率关系研究学界对于互联网金融发展对商业银行效率的研究主要有两种观点：（1）互联网金融的发展可以提高商业银行的效率（2）互联网金融的发展会降低商业银行的效率。支持互联网金融会对商业银行产生积极影响的学者主要持“技术溢出效应”。林彧（2020）以五年间18家商业银行进行商业银行效率研究，以科技金融指数作为解释变量，其研究发现金融科技的不断进步通过技术溢出效应对商业银行的全要素生产效率的提升具有显著的积极影响。周涛（2020）[11]利用DEA-Malmquist模型对16家上市商业银行的全要素生产效率进行实证分析，数据显示中国上市商业银行全要素生产效率呈上升趋势，这是商业银行认识到数据化时代的发展趋势，利用互联网思维更好的提供个性化的服务。Railiene(2015)认为更多的银行将由于互联网金融进行并购重组。在并购和重组后，银行的R&D费用将增加，并进行业务创新，所以银行的效率会提高。认为互联网金融的发展会对商业银行的效率产生消极影响的学者普遍将关注点放在了互联网金融监管体制的不完善上。尹健（2021）[12]认为开放性的互联网金融产品没有细致的规定和限制，使得整个市场控制和应对风险的能力始终得不到提升。互联网金融作为金融业的重要组成部分，其风险难以控制会波及到整个金融业应对系统性金融风险。杨超（2019）[13]认为，传统的分业监管难以适应互联网金融行业的混业经营，由于监管程序在各个分业中不尽相同，分业监管势必会导致沟通不畅，出现监管空白。而其混业经营的性质如果疏于监管也会在其他行业产生金融风险。谢朝华(2011)[14]指出超额收入、合作成本、竞争和损失计量这四个因素是互联网金融能否和传统银行业相互促进的基本。如果互联网金融公司和商业银行未能在上述四个方面达到统一，那么会适得其反降低各自的效率。2.5DEA方法对于商业银行效率的测度，无论是传统研究规模效率，技术效率，还是研究全要素生产率，应用最广泛的就是DEA方法。Farrell第一次提出前沿生产效率这个概念。Charnes(1978)[17]等学者之后在此基础上创建了DEA模型。国内的学者余浩（2019）[5]；张建华和纪阳（2016）[6]都通过构建DEA三阶段模型对中国商业银行的效率进行计量。候瑜和詹明君(2012)[7]在研究银行效率时，利用DEA-Malmquist指数法测度了中国14家商业银行的全要素生产率。另外，DEA的CCR模型和BCC模型只能对同一时间阶段的银行效率进行比较，也就是只能对截面数据进行测算。而Malmquist指数却可以对不同时间银行效率进行纵向比较。在确定测算全要素生产率的投入产出变量时，一般通过生产法、中介法、资产法；三种方法特点各有不同。石瑞琪（2018）[8]在测度全要素生产率时，将固定资产、员工数量、员工费用、客户存款作为投入指标。余浩（2019）用贷款总额，主营业务收入，净利润作为输出变量来研究全要素生产率。2.6文献评述综合上述文献内容，有以下结论：（1）学界对商业银行效率的测度研究已经较为成熟。测度的方法从传统的随机变量前沿分析到DEA方法，又到现在引入DEA-Malmquist指数法，多阶段DEA法，其对商业银行效率的测度也越来越贴近实际的生产经营状况。（2）对于效率指标的研究，学界从以前将目光放在规模效应，技术效应，纯技术效应到现在关注到全要素生产率。其对于变量的选择也更有助于贴合商业银行实际的经营。（3）对于互联网金融本质的研究，学界的主流观点还是认为互联网金融属于金融业的一部分，或者视其为科技金融的一个分支。所以互联网金融和商业银行的关系可以归结为金融业内部不同分支行业之间的的影响。（4）对于互联网金融对商业银行效率的影响，目前学界没有达成定论。一部分学者认为，互联网金融作为信息化数据时代的产物，其具有的开放性，其能将拥有的数据优势转化为对客户的个性化高质量服务会倒逼商业银行进行业务转型。互联网金融较低的获客成本和较低的客户信用审查成本冲击了商业银行传统的借贷业务，也能使商业银行改变其墨守陈规的经营，提高自身的效率。另一部分学者则不看好互联网金融会产生积极影响。互联网金融的监管难度较大，因此产生的高信用风险反而会降低商业银行的效率，给整个金融行业带来挑战。现有文献对商业银行效率和互联网金融关系的研究部分出现在2015年P2P暴雷事件左右。而近两年，随着金融监管力度的加强，商业银行渐渐适应了信息化浪潮带来的冲击，互联网金融也结束了其野蛮发展，所以对于近几年互联网金融与商业银行效率的关系的研究就显得更为有意义，但是已有研究对此关注较少。本文的时间跨度涵盖互联网金融的萌芽阶段直至今日的稳定发展阶段，因此相较于以往的文献更能体现出二者全阶段的关系。因此本文将采用2011-2019年互联网金融和19家商业银行的数据，对二者的关系进行研究。分析框架与数据来源3.1分析框架基于以上变量的介绍和以往文献的研究，本文预计核心解释变量互联网金融指数和被解释变量全要素生产率呈正相关，及随着互联网金融指数的提高，商业银行的全要素生产率也会呈一定水平上的提升。互联网金融指数在本文中是互联网金融发展的量化指标，互联网金融的快速发展挤占了商业银行原有的业务空间从而倒逼商业银行进行业务迭代。商业银行在竞争和发展中会学习互联网金融的优势，拥抱互联网浪潮，积极将自身的传统金融服务与互联网金融的优势相结合，从而提高自身的生产效率。而其他控制变量中，本文预计GDP增长率、风险控制水平、流动性水平会对商业银行的生产效率产生正向影响。商业银行作为金融业的支柱产业，必然会对宏观经济的波动产生明显的反应，而宏观经济的发展势必会带动整个金融业的繁荣，商业银行也能因此分一杯羹。而风险控制水平和流动性水平为商业银行内部指标，良好的风险控制水平会减少银行的呆账坏账比率；一定程度的流动性可以给商业银行的投融资业务更多的自由度，二者都会促进商业银行的发展。而不良贷款率，杠杆率会对商业银行的生产效率产生负面影响。根据上述变量之间关系的预计，本文提出以下假设：互联网金融的发展会促进商业银行生产效率的提高。3.2样本及数据来源本文选择中国19家上市银行作为研究对象，样本的区间为2011-2019年，采用DEA-malmquist方法对商业银行全要素生产率进行测度，采用文本挖掘法获得互联网金融指数，数据来源为上交所各上市银行历年财报，Bankscope，wind数据库。数据处理分析采用Excel、Stata和Deap2.1。3.3变量说明3.3.1被解释变量：全要素生产率本文采用Malmquist指数来测算商业银行全要素生产率。Malmquist指数是一个动态的分析指标，结合DEA模型，将全要素生产率分解为技术效率变化值指数和技术进步指数，将传统的DEA模型只能计算截面数据，无法纵向对比的问题予以解决。被评价的决策单元的Malmquist指数为：(1)(1)式中Dt和Dt+1表示决策单元在第t期和第t+M值表示生产率从t期到t+1期的变化，当M>1时，表示生产率呈增长趋势；当M<1时，则表示生产率呈衰退趋势。在构建评价体系的过程中，选取合适的投入指标和产出指标是使用DEA的关键环节，在投入产出指标的选取上，本文基于以往文献的总结，借鉴生产法，中介法，资产法三种界定方式，以生产法为基础，参考沈悦（2015）[15]的研究，进而选取资产总额、营业支出作为投入指标；选取贷款总额，非利息收入作为产出指标。表3-1：指标选取Table3-1Index指标类型指标名称投入指标资产总额营业支出产出指标贷款总额非利息收入3.2.2核心解释变量：互联网金融指数目前学者的研究对于互联网金融的定量分析还未能建立出标准的量化体系。本文研究互联网金融对商业银行效率的影响，互联网金融指数是研究的核心解释变量，所以如何构建出合理的量化指标对于本文的研究十分重要。杨望等（2014）在构建互联网金融指数时运用了中国科技金融领军人物和企业评价指数；牛华勇（2016）使用网上银行交易量与第三方支付交易数额的比率来进行指数构建；Askitas等人研究表明互联网引擎搜索率中反映着民众的信息需求和企业投入供给的信息；沈悦（2015）等使用文本挖掘法，通过百度关键词和新闻年度词频，构建互联网金融指数。本文借鉴沈悦（2015）的研究方法，使用文本挖掘法通过统计2011-2019年的互联网金融关键词来计算互联网金融指数，具体步骤如下：第一，建立原始词库，本文借鉴沈悦（2015），林彧（2020）等人的研究从金融功能角度出发，确定四个板块的原始词库，分别是：支付功能，风险控制功能，资源配置功能，财富管理功能。第二，通过百度搜索，计算各个关键词的词频。通过爬虫取得各个初始关键词关联的每个月份的新闻发布次数得到词频，作为构建互联网金融指数的基础。第三，利用因子分析法构建互联网金融指数，（1）提取公因子。（2）计算因子得分，利用回归分析法得到因子的得分矩阵（3）计算互联网金融指数，根据因子得分作为权重进行加总，可以计算出2011-2019年的互联网金融指数。表3-2：互联网金融关键词Table3-2Keyword维度关键词支付功能网上银行支付第三方支付在线支付风险控制功能互联网寿险互联网车险互联网理财资源配置功能网上贷款花呗网上投资财务管理功能P2P余额宝众筹根据上述步骤，计算出2011-2019年互联网金融指数如下表：表3-3互联网金融指数Table3-3InternetFinanceIndex2011201220132014201520162017201820190.020.010.040.530.7910.920.850.913.2.3其他控制变量为了更精准的计量互联网金融的发展，本文根据沈悦（2015）、林彧（2020）等人的相关研究，将下列指标作为控制变量。宏观经济层面：选择GDP增长率作为其他控制变量。微观个体层面：银行风险控制水平、不良贷款率、银行杠杆率、资产流动性水平作为控制变量。表3-4：变量定义Table3-4variate变量类型变量名称符号度量方法被解释变量全要素生产率MDEA-Malmquist指数核心解释变量互联网金融指数H文本挖掘法控制变量宏观经济水平GDPGDP增长率风险控制水平CCAR核心一级资本充足率不良贷款NPL不良贷款率杠杆率流动性水平WFL财务杠杆率资产流动性比率第四章实证结果与分析4.1计量模型设定关于计量模型的选择，本文采用带有被解释变量一阶滞后的多元回归模型，其表达式如下：Mit=（2）式中i为银行，t为年份，核心被解释变量全要素生产率为M，核心解释变量互联网金融指数为H，其中H和GDP为严格外生变量，NPL,FL,W,CCAR为内生变量，ui根据之前的文献和研究表明，商业银行生产率存在“黏性动态”，所以本文将被解释变量的一阶滞后引入为解释变量。根据本文的假设，β2系数预估为正值。本文的研究思路为对多元回归模型进行回归分析，在选择回归方法时，要考虑模型的动态性，内生性和序列相关性。如果采用混合效应回归会产生误差；而如果单纯的采用固定效应回归（FE）无法处理商业银行生产率的“黏性动态”也即无法处理一阶滞后。另外本文研究19家银行9年的数据，符合“大N小T”的数据结构，所以本文拟用系统动态面板（SYSGMM4.2相关性检验和平稳性检验对变量进行相关性检验，各个变量系数不存在大于0.7的情况，为进一步确定不存在多重共线性，对变量进行VIF检验后发现不存在VIF值大于10的情况，所以进一步排除多重共线性。另外，由于解释变量中含有被解释变量的一阶滞后，对函数做单位根检验，以避免伪回归现象。结果表示数据不存在单位根，所以回归分析不会存在伪回归现象。4.3描述性统计分析4.3.1DEA-Malmquist因为DEA-Malmquist是动态DEA模型，为了数据的准确性，本文使用2010-2019年的有关投入和产出变量的值来测度2011-2019年的DEA-Malmquist值。表4-1DEA-Malmquist值Table4-1DEA-Malmquist银行名称年份201120122013201420152016201720182019工商银行0.9720.9941.040.9590.9941.0831.0040.9410.996建设银行1.0211.0111.0371.0051.0041.0051.0570.9661.002农业银行1.0331.0071.0211.0220.9881.0271.0840.9621.033中国银行1.010.9931.0250.9780.9871.0671.0240.9911.03邮政银行1.0210.9791.0661.1121.1381.0751.2061.0231.083交通银行0.9920.9940.9740.9760.9471.0331.0631.0070.966招商银行0.9980.9690.9971.0751.0021.0661.0650.991.035兴业银行0.880.8280.9821.060.8571.1951.3741.0221.029浦发银行0.9040.9810.9640.9110.9021.1511.1131.0010.994中信银行0.891.0240.9580.9650.9560.9911.1171.080.984民生银行1.0130.9651.2231.0451.1340.9541.0811.0970.914光大银行0.9760.8931.0660.9021.0170.9791.1581.0420.923北京银行0.9210.9171.0790.9480.8591.0651.0941.0091.005华夏银行0.9610.9981.0221.0161.0420.9831.1471.0141.016广发银行1.0250.9230.9440.9991.1130.9831.2191.1030.977上海银行1.051.0390.9450.8060.9080.9781.490.8231.133江苏银行0.990.970.9940.9310.9951.0341.0271.1460.983浙商银行0.9460.9830.9220.8430.8741.0711.3811.0521.05平安银行0.9020.8890.9851.1351.160.961.1461.021.008平均值0.9720.9651.0110.980.9891.0351.1431.0131.007从上表分析出，商业银行全要素生产率再2013-2014年之间存在明显的上升，再2016-2017年之间也存在明显的上升，而这两个期间刚好时互联网金融刚刚兴起和繁荣的两个阶段，而之后的2018-2019虽然有所回落，但是还是明显高于互联网金融兴起之前的全要素生产率。4.3.2多元回归的描述性统计对所获得的数据进行处理统计结果如表4-2表4-2多元回归变量描述性统计分析Table5DescriptiveStatistics变量均值标准差最小值最大值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根据上述的描述性统计，资本流动率和杠杆率标准差较大，说明各个银行之间的资本流动率和杠杆率差别很大，各个银行对于自身杠杆率的管理，投资策略，以及对流动现金的管理有不同的策略和特点。互联网金融指数标准差相对较大因为在2014年左右出现骤升，是因为互联网金融在2014年开始兴起并快速发展。不良贷款率较为稳定并且不高，说明中国商业银行在管理呆账坏帐上较为出色。中国2011-2019年GDP增长率的平均值为7.24，但是中国GDP增长率始终走低，说明中国经济发展进入平稳期间，存在一定程度的经济下行压力。4.4多元回归分析结果对该多元回归模型采用SYSGMM分析，因为该模型满足下列三个条件（1）存在被解释变量的一阶滞后作为解释变量（2）大N小T的数据结构（3）经过估计后的序列相关检验，可以拒绝原假设，也即不存在序列相关.此外通过Sgrgan检验，显示所有工具变量均外生，标明选取GMM回归以及工具变量的选择合理有效，不存在工具变量过度估计的问题，工具变量的估计有效。所以综上所述可以使用SYSGMM模型。表4-3多元回归结果Table6TheResultOfMultipleRegression变量系数标准误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数据来源：STATA注：***、**、*表示估计结果在0.01、0.05、0.1的水平上显著根据表中回归结果，得到以下结论。商业银行全要素生产率的一阶滞后系数为-0.172，且在10%的水平上显著，说明银行的生产率存在黏性特质且存在负相关。互联网金融指数的系数为0.317，且在1%的水平上显著，说明原假设成立，互联网金融会对商业银行效率产生正向影响，互联网金融发展促进了商业银行全要素生产率的提升。商业银行通过和互联网结合，借助互联网平台建设手机银行，网上银行。开发“原油宝”、“e钱包”等互联网银行理财产品，降低投资者的门槛，使银行理财更贴近普通投资者。利用互联网金融的遍及性，减少获客成本，提高自身的效率。GDP的估计系数为0.104，且在1%的水平上显著，表明商业银行是中国金融市场的重要组成部分，国民经济和商业银行的发展息息相关。中国经济已经脱离快车道，进入平稳发展期，甚至出现了很多需要克服的难题；在国民经济存在下行压力的情况下，商业银行更要积极发展，提高自己的生产效率，促进国民经济的发展。经济的快速发展也会正向促进商业银行的发展，二者相辅相成。不良贷款率系数为-0.146且显著，符合经济学常识，过高的不良贷款率会影响银行自身的经营状况，不良贷款率会增加银行的贷款成本，使得银行对于小微企业和个人贷款谨小慎微，这恰恰不利于商业银行自身的发展，会降低其生产效率。银行资金流动性的估计系数为0.003且在10%的水平上显著，说明银行保有一定的流动资金有利于其自身的业务发展和资金往来，如果流动资金过少可能会出现挤兑等现象，不利于银行发展其存贷款业务，而过高的流动资金则意味着更少的投资，同样不利于银行自身的发展。另外，核心资产充足率和杠杆率回归结果不显著，本文不做过多分析。第五章研究结论与政策建议近些年来，互联网金融的迅速发展给传统银行业的各类业务带来了巨大的冲击，同时也给商业银行带来了技术变革、提升效率的机会。随着中国“一带一路”政策和金融业全面开放，传统银行业更需要和国际金融业接轨，应对新的国际竞争。本文首先研究了互联网金融行业和传统的商业银行之间相互竞争的业务类型，接着根据技术溢出理论分析了互联网金融对于商业银行效率的影响机制。在此基础上，本文以2009-2018年14家商业银行为样本，以DEA-Malmquist指数法测量的商业银行全要素生产率作为被解释变量，以“文本挖掘法”得出的互联网金融发展指数作为核心解释变量，对互联网金融发展和商业银行效率之间的关系进行了实证研究，最终得出以下结论：互联网金融发展提升了商业银行的效率。此外商业银行规模和银行效率成负相关，银行规模越大银行效率越低。根据本文的结论，提出以下政策建议：第一，商业银行应和互联网金融公司展开合作，积极应对其竞争挑战，并利用互联网技术进行业务创新。互联网金融业打破了传统银行业的垄断，促进了银行业的竞争。传统商业银行不能故步自封满足于自身的垄断地位，而应该主动向互联网金融公司学习先进的技术，投入资金改善自身业务促进业务创新，从而顺应当下互联网潮流。商业银行还应该拥有长远的眼光，培养信息技术人才。在银行招聘时，不仅仅招收传统金融业人才，更要注重招收熟悉计算机技术的人才。当今社会人力资源流动很快，银行可以吸引一部分原互联网金融公司员工，从而提升自己员工的整体素质，把握好信息时代的机遇，为业务创新提供人力储备。另一方面，商业银行也应该利用好自身的优势。商业银行资金量大、结算系统发达、社会声誉较好，和互联网金融公司优势互补，逐渐形成综合金融服务商的业务模式，提高自身的竞争力和国际金融业接轨。第二，互联网金融公司应该积极投入，进行业务创新，不断提升自身的业务效率。当前互联网公司利用区块链技术，极大地减少了信息不对称，降低了金融产品的门槛并且使双方更加公开透明，满足了客户多样化需求。但由于互联网金融融资门槛低，导致大量无资质的公司涌入，并且互联网融资违约率高、风险巨大，不少新成立的公司很快破产跑路，给公众造成了很不好的印象。往往“网贷”、“P2P”在客户眼里会和金融诈骗、高利贷等不法行为挂钩。互联网金融公司更应该规范自身，提升风险管理能力，保护投资者的安全，促进互联网金融安全健康成长。第三，政府监管部门及立法部门应加强对互联网金融企业的监管，通过立法等手段保证互联网金融行业的健康发展。政府部门应支持互联网公司的发展，鼓励其走上规范化、可持续化的道路，确保互联网金融市场的完整性。并且积极推进中国互联网的普及，建设基层网络基站，将互联网技术成果推广到广大社会，让全体公民都能享受互联网金融带来的便利。参考文献[1]蒋莉.互联网金融影响下我国商业银行效率之实证分析——基于三阶段DEA模型[J].北京印刷学院学报,2021,29(02):15-19.[2]魏煌,王丽.中国商业银行效率研究:一种非参数的分析[J].金融研究，2000(03):15-19.[3]林彧,钟俊滨,李镇南.大数据时代下金融科技对商业银行效率的影响——基于文本挖掘与DEA-Malmquist指数的分析[J].科技创新发展战略研究,2020,4(04):1-9.[4]周孟亮,陈琳.基于DEA-Malmquist指数的我国商业银行效率评价[J].浙江金融,2020(06):12-21.[5]余浩.基于DEA模型的非利息收入变动对我国商业银行效率影响的实证分析[J].知识经济,2019(22):52-53.[6]张建华，纪阳.我国