互联网消费金融对中国上市商业银行风险承担的影响研究

赵保国 薛骊阳

一、引言

随着我国社会经济转型，居民消费逐渐成为促动经济增长的主要动力，同时在互联网科技的影响下，传统金融行业纷纷走向“互联网+”道路，互联网消费金融在此背景下应运而生并迅速崛起。根据Wind数据库数据显示，互联网消费金融交易规模从2013年的60亿元增长到了2017年的4 367.1亿元，年均复合增长率高达317.5%。

欧美发达国家的消费金融发展已臻成熟，社会信用体系和个人信贷法律完善，消费信贷规模庞大，因此在这些国家中互联网消费金融的发展主要以传统消费金融的网络化为主。而中国目前的金融发展速度远远落后于互联网技术的普及速度，互联网消费金融平台开拓了传统消费金融业务覆盖不到的人群，从而我国的互联网消费金融更具多样化，其良性发展也对我国金融体系健全具有十分重要的意义。

本文中的互联网消费金融指的是所有依托互联网技术创立的消费金融服务平台，包括传统消费金融企业的互联网化，主要分为电商系列、互联网金融系列以及消费金融公司系列，典型代表如花呗、京东金融、乐信、趣店、中银消费金融公司等。互联网消费金融的飞速发展，及其与传统金融行业领域代表商业银行相似的盈利模式，势必会分流银行的固有客户，冲击贷款业务。但是自2009年颁布《消费金融公司试点管理办法》以来，最初的4家消费金融公司发展到现今26家，银行系消费金融公司始终为主流；消费金融公司的兴起适逢互联网技术的飞速发展，在产品设计、数据系统和风控技术等方面完美地实现了“互联网+”，从这个角度来看，互联网消费金融为银行的业务发展带来了新的契机。

综上，将互联网消费金融对传统商业银行风险承担的影响简单总结为：互联网消费金融通过互联网技术及门槛较低的征信资格，拓宽了用户群体，其便捷化的服务操作也会对银行等传统消费金融模式用户造成分流，提高了商业银行的破产风险；互联网的人工智能、数据挖掘、大数据等技术会有效提高银行的风险管理质量，同时银行系消费金融公司在互联网消费金融领域的竞争性优势也促进了银行业务的发展。

我国社会经济进入新常态，消费金融市场巨大，但是我国的信贷人口覆盖率相对于欧美国家还有较大差距，这为互联网消费金融的发展提供了机会。作为金融领域的巨头，商业银行更应该在“互联网+”浪潮的冲击下与时俱进，实现自身的变革升级。因此,本文通过研究互联网消费金融对中国上市商业银行风险承担的影响，进而为商业银行的发展提供建议，使其与互联网消费金融高效结合，共同推动我国消费金融发展。

二、文献综述

目前国内外的研究领域主要专注于消费金融和互联网金融，对于互联网消费金融，学术界尚未形成明确的定义，相关研究寥寥。由于中国的金融发展水平同欧美国家存在较大差距，互联网公司的广泛介入使国内互联网消费金融同发达国家相比更具独立性、更多样化，因此国内外关于互联网消费金融的研究存在较大差异。

国外的消费金融研究大多集中在发薪日贷款(payday loans)以及家庭金融(household finance)方面。Tufano(2009)[1]认为消费金融主要研究金融机构如何提供商品和服务来满足家庭的经济需要、消费者如何做出财务决策以及政策如何影响提供的金融服务。Bhutta(2014)[2]则利用个人信用记录数据与发薪日贷款商店位置的普查数据，评估了发薪日贷款对消费者造成的风险。在国内关于消费金融的研究中，王江等(2010)[3]从消费者行为、家庭金融活动、金融市场及政府的相互关系等几个方面对消费金融的研究现状进行了综述。

国内外学术研究中对商业银行风险承担的影响研究成果丰富，Altunabs等(2010)[4]、Krueger(2012)[5]、Bruno和Shin(2015)[6]、Mollah等(2017)[7]研究了货币政策对商业银行的影响，发现宽松的货币政策会提高银行的风险承担，同时政府加强货币政策调控可以有效降低银行风险。Delis等(2011)[8]、Nautz和Scheithauer(2011)[9]、牛晓健和裘翔(2013)[10]的研究表明较低的利率会增加银行的风险偏好，投资策略更为激进，进一步加强了风险承担。Baron和Xiong(2016)[11]的研究则发现信贷扩张会对银行收益造成潜在风险。Bashir等(2017)[12]采用GMM模型研究了银行的透明度对不良贷款率的影响，结果表明在中国的银行体系中，较高的透明度可以有效地降低不良贷款率，但是在大型国有银行中却不成立。

在互联网金融对商业银行风险承担的影响研究中，Gottschalk和Dean(2009)[13]、Claessens等(2012)[14]、Stoica等(2015)[15]的研究表明互联网金融的发展剧烈地冲击了银行等传统金融机构，提高了其破产风险。Lapavitsas和Dos Santos(2008)[16]、刘忠璐(2016)[17]则认为具有创新风控技术的互联网金融有助于解决银行与贷款者的信息不对称问题，从而降低银行风险承担。郭品和沈悦(2015)[18]通过“文本挖掘法”构建互联网金融指数考察了互联网金融对商业银行风险承担的影响，发现互联网金融对其影响呈现先降后升的“U”型趋势。

通过综述可以发现商业银行风险承担的影响因素主要关注于货币政策、利率市场化及互联网金融等等。在互联网金融对商业银行风险承担影响的研究中，主要采用文本挖掘法构建互联网金融指数刻画互联网金融发展水平，这种方法没有涉及互联网金融实际的资产规模，存在一定的局限性。互联网金融包含多个业态，如众筹、P2P、网上理财、互联网消费金融等等，各业态之间盈利方式、发展规模差别巨大。目前还没有文章将互联网金融展开，针对具体的细分业态进行研究。互联网消费金融作为互联网金融的典型业态，在消费金融领域与银行信用卡业务竞争格局明显，并且互联网消费信贷规模及整体信贷规模有明确的数字统计，因此本研究选取互联网消费金融为主要研究对象，具有一定的学术价值与实践意义。

通过文献综述总结出互联网消费金融对商业银行风险承担的影响主要为两个方面：一方面，互联网消费金融具备互联网金融的主要特点，互联网消费金融企业与商业银行之间的价格竞争会推动利率市场化，抬高商业银行的资金成本，同时还会抢夺银行消费金融的固有客户，分流活期存款；另一方面，银行消费金融业务的互联网化，大数据技术会改进传统商业银行的风控模式，升级优化银行内部风险管理，银行系消费金融公司扩充了银行的产业布局，为商业银行在消费金融领域占据一席之地，拓展了商业银行的业务规模。

三、理论模型构建

本文通过对Kishan和Opiela(2012)[19]、郭品和沈悦(2015)[20]的模型进行拓展，设立互联网消费金融函数，刻画其对商业银行风险承担的影响程度。模型构建的基本假设如下：

假设1：商业银行在完全竞争的市场环境中追求利润最大化，假设其从家庭与个人获取存款D，从市场环境中筹集的权益资本为E，央行规定的存款准备金为R，短期债券(主要为政府债券)为B，发放贷款为L，则存在银行资产负债的恒等式为R+B+L=D+E。同时认为商业银行存款准备金仅为法定水平，因此R=ρD，其中0<ρ<1；短期债券具有较高的流动性，设定银行持有的短期债券数量与吸收存款以及法定存款准备金有关，表达式为B=ηD-R，0<η<1。

假设3:虽然2015年10月存款利率浮动上限放开,但在行业定价自律协会的约定之下，存款利率仍然存在上限，互联网消费金融以及市场中的投资机构通过高于银行的存款利率吸引了来自家庭或个人的部分存款，抬高了市场均衡利率。本研究设定市场均衡利率以存款市场均衡利率为准，在这种背景下，假设商业银行的存款吸收规模与存款利率差异为一次函数关系，表达式为D=D0+d0(r*-rD)。其中，D0表示银行存款定价利率rD与市场均衡利率r*相等时的存款吸收规模，d0为贷款存款吸收规模的变化系数。由上文可知，市场均衡利率与银行存款的定价利率的差异越大，存款吸收的规模越小，所以d0<0。

假设5：借鉴大部分银行资产负债的研究，银行日常营运成本C与资金规模为二次函数关系，表达式为C=(β/2)B2+(θ/2)D2+(φ/2)L2+(ω/2)E2。其中，β为短期债券的单位边际营运成本，β>0；θ为存款的单位边际营运成本，θ>0；φ为贷款的单位边际营运成本,φ>0;w为权益资本的单位边际营运成本，ω>0。

假设6：互联网消费金融的飞速发展会加速利率市场化，抬高资金成本，假设其为存款利率的函数，即(r*-rD)=f(CF)，且∂f(CF)/∂CF<0；同时互联网消费金融会提高银行经营效率，组建消费金融公司也会拓宽业务模式，降低营运成本，假设互联网消费金融也是贷款与存款营运成本系数的函数，即θ=θ(CF)，φ=φ(CF)，∂θ(CF)/∂CF<0，∂φ(CF)/∂CF<0。

综上，对商业银行利润进行比较静态分析，利润π的目标函数的约束条件如下：

Maxπ=rBB+rLL-rDD-rEE-C

(1)

将约束条件代入利润目标函数，替换相关变量得到π关于贷款变量L的函数，假设银行放贷量主要根据市场情况确定，对π求L的一阶导数，可以求出商业银行的最优贷款规模L*，表达式如下：

(3)

借鉴以往的相关研究，在商业银行的资产负债恒等式中可以利用资产资本比率来刻画商业银行的风险承担水平，即RISK=(R+B+L)/D+E，代入相关变量则银行在上述推导出的最优贷款规模L*下的风险承担与互联网消费金融函数的表达式为：

(4)

首先分析互联网消费金融通过推动利率市场化对商业银行风险承担的影响渠道，对RISK求f(CF)的一阶偏导，结果为：令a1=2l0-2e0-e0l0φ(CF)，可知a1>0;令a2=(1-η)[2-e0ω+2l0-2e0-e0l0φ(CF)]，可知a2>0；令a3=l0E0+e0l0aE-e0l0aL-e0L0，可知a3>0，则

(5)

式(5)说明互联网消费金融通过推动利率市场化，提高了市场均衡利率，冲击了银行的存款规模，抬高了银行的资金成本，从而提高了商业银行的风险承担。

其次分析互联网消费金融提高银行管理效率，组建消费金融公司拓宽业务模式对商业银行风险承担水平的影响渠道，对RISK求φ(CF)的一阶偏导，结果为：令b1=-e0l0(1-η)(2-e0ω)，可知b1>0;令b2=-e0l0(l0E0+e0l0aE-e0l0aL-e0L0)，可知b2>0，则

(6)

式(6)说明互联网消费金融中的大数据、人工智能等技术提高了银行的管理水平，降低了营运成本，组建消费金融公司拓展了银行的业务模式，提高了经营效率，因此降低了商业银行的风险承担水平。

根据以上的理论分析，提出本文的前两个命题：

命题1：互联网消费金融通过争夺银行固有客户、分流活期存款、提高市场均衡利率以及增加资金成本来提高风险承担。

命题2：商业银行凭借互联网消费金融的风控技术提高风险管理质量以及组建消费金融公司拓展业务规模来降低风险承担。

中国上市银行中包括大型国有商业银行、股份制中型商业银行、区域性商业银行以及城镇农村商业银行，银行之间资产规模及业务水平差距巨大，因此在互联网消费金融的冲击下，银行之间的风险承担影响存在异质性。

大型国有商业银行成立时间较早，其国有的产权性质享有较多的政策优惠，发展至今组织体系庞大，客户基数与资产规模遥遥领先于其他银行，但是严格的资本监管与信息披露政策使国有银行的经营策略较为保守，导致国有商业资本充足率不高、银行经营效率较低(杨文等，2015[21])。虽然在“互联网+”浪潮下，各大型国有商业银行业纷纷投入其中开发相关产品，但由于其过大的资产规模、不明晰的产权界定以及内部的官僚式运营机制，都使国有商业银行对互联网消费金融的响应较为迟缓，因此受到互联网消费金融的冲击较小。

股份制中型商业银行虽然没有享受到如大型国有商业银行的政策优惠，但是凭借其先进的经营管理方式以及明确的产权结构，在面对挑战时突出自身定位，纷纷推出相关主打产品(徐岚和徐青松，2014[22])，因此虽然股份制商业银行受到互联网消费金融的冲击较大，但是对风险的评估与控制要明显优于其他银行。

区域性商业银行相对于大型国有商业银行与股份制中型商业银行而言，在面对互联网消费金融的冲击时存在明显的差异性，区域性商业银行是在部分城市信用社基础上组建起来的股份制商业银行，主要为了支持当地中小企业，促进地方经济增长(祝继高等，2012[23])。区域性商业银行中大部分成为地方政府的融资平台，独立性和自主性相对较差(王秀丽等，2014[24])，既没有大型国有商业银行的资金规模与政策优惠，也没有股份制中型商业银行的管理体制与风控体系，所以受到互联网消费金融的冲击最大，客户流失最严重。但是，虽然区域性商业银行规模较小，却因此有更强的灵活机动性，在当地政府及企业的支持下，逐渐成为组建消费金融公司的主力军，在面对互联网消费金融的挑战中独树一帜。

城镇农村商业银行面向的主要是乡镇农村用户，而农村地区相比而言对互联网金融的接受程度较低(粟芳和方蕾，2016[25])，互联网消费金融对其造成的客户分流十分有限，并且城镇农村商业银行的互联网化也比较落后。

综上所述，可以看出我国不同类型的商业银行受到互联网消费金融的影响存在明显的差异性。

另外消费金融公司组建的主体覆盖面不同，在大型国有商业银行之中只有中国银行组建的中银消费金融公司，股份制中型商业银行之中有招商银行、邮储银行和兴业银行组建了消费金融公司。但是在区域性商业银行之中，为了把握住互联网消费金融的发展契机，拓宽业务模式，多家银行结合当地金融机构及企业组建了消费金融公司，如北京银行组建的北银消费金融公司、哈尔滨银行组建的哈银消费金融公司，等等。目前一些互联网化程度较高的消费金融公司已经直接实现了小额直接支付信用贷款申请的全程线上化，如兴业消费金融的网络贷以及招联金融的零零花。截至2018年11月的统计，城镇农村商业银行目前还没有参与组建消费金融公司。

根据以上结论提出以下命题：

命题3：互联网消费金融对不同类型商业银行之间的风险承担影响存在差异性。

四、模型实证检验

(一)样本选择

本文选择我国36家上市商业银行为研究样本，时间跨度为2013至2017年，此时间段为互联消费金融飞速发展时期，样本银行包括中国工商银行、中国农业银行、中国银行、中国建设银行及交通银行5家大型国有商业银行；招商银行、兴业银行、光大银行、邮储银行、民生银行等9家中小型股份制商业银行；北京银行、天津银行、上海银行、南京银行、杭州银行等13家区域性商业银行；江阴农商银行、重庆农商银行、吴江农商银行、常熟农商银行、九台农商银行等9家城市农村商业银行。数据主要来源于Orbis Bank Focus数据库(以下简称OBF)、Wind数据库、中国人民银行等，缺漏数据通过查询各家商业银行年报获得。

(二)变量设定

1.银行风险承担的代理变量。

有关研究一般选取Z值、预期违约概率(Pathan，2009[26])、不良贷款率(Ghosh，2015[27];Vithessonthi，2016[28])与贷款损失准备率(Bryce等，2015[29])作为银行风险承担的代理变量。Z值可以衡量银行的破产风险概率，参考Boy和Nicoló(2005)[30]、Lepetit等(2008)[31]、Laeven和Levine(2009)[32]、Houston等(2010)[33]、张健华和王鹏(2012)[34]的研究，Z值计算公式为：

(7)

其中，ROA表示银行的资产收益率(净利润/总资产)，CAR为银行的资本充足率，σROA为ROA的标准差，选取样本银行2013至2017年5年间的数据计算。Z值越大表明银行系统的破产风险越小。由于数据处理要求，本研究选取Z值的对数作为银行风险承担的代理变量，通过不良贷款率(IMP)的对数进行稳健性检验。

2.互联网消费金融解释变量。

根据互联网消费金融对商业银行风险承担影响的两个层面，本文主要从两个角度对互联网消费金融的影响进行衡量：选取2013至2017年互联网消费金融增长率的对数(CFI)来表示互联网消费金融对商业银行造成的冲击程度；通过设置虚拟变量(CFC)描述银行是否参与组建消费金融公司，如果某一年银行参与组建消费金融公司，则自组建消费金融公司的年份起记为“1”，未组建消费金融公司的年份记为“0”。

3.银行内部控制变量。

根据相关商业银行风险承担的研究，选取资产规模(SIZE)的对数表示银行的资产规模水平(Francis和Osborne，2012[35])；资本充足率(CAR)的对数来反映银行的资本安全水平(张雪兰和何德旭，2012[36])；盈利能力(REP，税前利润/平均总资产)的对数描述银行的盈利水平(徐明东和陈学彬，2012[37])；选取成本收入比(CIR，营业费用/总收入)反映银行的经营水平(Hsieh和Lee，2010[38])；选取贷存比(LDA，贷款余额/存款余额)表示银行资金的流动性水平(Paligorova和Santos，2010[39])。

4.宏观经济控制变量。

考虑到宏观经济发展水平、利率市场化及货币政策对商业银行风险承担的影响，选择宏观经济水平的GDP增长率的对数表示宏观经济水平(Al-Khouri和Arouri，2016[40])，选择广义货币供应量增速(M2)的对数来反映货币政策的松紧程度(Dajcman，2016[41])。

变量描述性统计详见表1。

表1 变量描述性统计

注:在计算过程中相关比率不含%，资产规模单位为亿元。

(三)回归计量模型

结合互联网消费金融与商业银行的主要特点，同时考虑到宏观经济的影响，本文的计量模型如下：

LNRISKit=α0+α1LNRISKi(t-1)+α2LNCFIit

+α3CFCit+α4LNSIZEit+α5LNCARit

+α6LNREPit+α7LNCIRit+α8LNLDAit+α9LNGDPt+α10LNM2t+μi+εit

(8)

模型中,RISK为被解释变量银行风险承担；LN为对数化处理，有助于消除异方差，使数据平稳。考虑到银行风险之间的时间惯性，在解释变量中加入RISK风险变量的滞后一期(Mohsni和Otchere，2017[42])。其中：i=1,2,3，…，N表示银行个体；t=1,2,3，…，T表示时间；μi表示个体之间异质性的常数项；eit表示随机干扰项。

五、实证结果分析

(一)估计方法

由于本文选择的是动态非平衡面板数据，解释变量中引入一阶滞后项，因此可能会引起内生性问题。选用传统估计方法，如普通最小二乘法(OLS)，两阶段最小二乘法(2SLS)导致结果的有偏性和非一致性。因此，Arellano和Bover(1990)[43]、Blundell和Bond(1995)[44]提出了广义矩估计(GMM)方法，GMM允许随机误差项存在异方差和序列相关并不需要知道其准确的分布信息，并通过工具变量解决了被解释变量与部分解释变量之间的内生性问题。

GMM估计方法一般包括一阶差分广义矩估计和系统广义矩估计两种，系统广义矩估计是在广义矩估计的基础之上发展起来的，克服了其容易出现弱工具变量、不能估计随时间变化的变量的系数问题(Rodman，2009[45])。因此，本研究选用系统广义矩估计方法进行回归。

(二)结果分析

本文针对互联网消费金融对商业银行风险承担的影响共设置8个模型。模型1到模型4是选择Z值对数为解释变量的实证检验，模型5到模型8是选择不良贷款率对数作为解释变量的稳健性检验。由于主要解释变量组建消费金融公司和互联网消费金融规模增速之间存在相关关系，模型1和模型5为同时考虑两者对银行风险承担的影响；模型2和模型6只考虑互联网消费金融规模增速对银行风险承担的影响；模型3和模型7只考虑组建金融公司对商业银行风险承担的影响；模型4和模型8设置了组建消费金融公司和互联网消费金融规模的交叉项，考察二者的相互作用对商业银行风险承担的影响。回归结果如表2所示。

表2 系统广义矩估计回归结果

续前表

注：***、**、*表示在0.01、0.05、0.1水平上显著相关；变量括号内为t值，检验统计量括号内为p值。下同。

8个模型中的AR(2)检验的p值均大于0.1，说明扰动项的差分不存在二阶相关；Sargan检验统计量的p值都大于0.1，说明工具变量不存在过度识别。因此，本文构建的模型较为合理，回归结果比较准确。

第一，根据回归结果，被解释变量的滞后一期均高度显著相关，说明商业银行风险的时间惯性较为明显。同时在模型1、2、4中，LNCFI的估计系数显著为负，Z值越小，商业银行的风险承担越大，这说明互联网消费金融规模增速正向影响商业银行的风险承担，互联网消费金融规模的增加会分流银行的活期存款，抬高资金成本，提高银行的破产风险，命题1成立。在模型5、6、8的稳健性检验中，不良贷款率越高，商业银行的风险承担越大，此时LNCFI的估计系数显著为正，证明互联网消费金融规模增速正向影响商业银行的风险承担。

第二，在回归结果以及稳健性检验中，组建消费金融公司虚拟变量的估计系数均不显著，说明组建消费金融公司并不能降低中国上市银行总体的风险承担，命题2不成立。这可能是由于我国的五家大型国有银行只有中国银行，中型股份制商业银行也只有邮储银行、招商银行和兴业银行组建了消费金融公司，其余大多集中在区域性商业银行，而城镇农商银行并没有参与组建消费金融公司。由此可以看出，消费金融公司的组建在总体银行之间覆盖并不全面，相当一部分消费金融在2016年之后才开始组建，因此对降低银行风险承担的效果不是很明显，所以结果不显著。

第三，组建消费金融公司和互联网消费金融规模的交叉项的估计系数在模型4中在5%水平上显著为负，在模型8中在10%水平上显著为正，这说明组建消费金融公司的银行面在互联网消费金融的冲击下，风险承担还会提高，这可能由于虽然随着互联网消费金融的市场扩大，消费金融公司收益增加，但是其他互联网消费金融公司的对银行业务的冲击大于消费金融公司降低风险的程度，因此破产风险增加。

第四，从银行方面的控制变量来看，资产规模对数的估计系数在模型1到模型4中显著为正，在模型5到模型8中显著为负，这说明商业银行的规模越大，风险承担越小，规模较大的商业银行可以吸引更多存款，采取更多样化的融资渠道，凭借其庞大的客户基数与坚实的资产基础来分散风险(汪莉，2017[46])。

资本充足率对数的估计系数在模型1到模型4中显著为正，在模型5到模型8中显著为负，这说明资本越充足的银行，其风险承担越低。根据Bitar等(2016)[47]的研究，资本充足率较高的银行经营策略更为谨慎，因此降低了破产风险。

盈利能力对数的估计系数在模型1到模型4中显著为负，在模型5到模型8中显著为正，这说明商业银行的盈利能力越强，风险承担越大。根据Khan等(2018)[48]的研究，商业银行可能通过投资高风险的项目取得了高收益，并且取得高收益之后还会继续投资高风险项目，形成正反馈，从而提高了破产风险。

成本收入比对数的估计系数在模型1到模型4中显著为负，在模型5到模型8中显著为正，成本收入比越低，经营效率越高，这说明较高的经营效率会降低商业银行的风险承担。商业银行的经营效果越好，资金则越充足，资源配置更有效，风控能力更强，所以破产风险更低(Saona，2016[49])。

贷存比对数的估计系数在模型1到模型4中显著为正，在模型5到模型8中显著为负，说明较高的贷存比可以降低银行承担的风险。贷存比越高，银行的利润越大，资金越充足，分散风险的能力越强，从而降低了破产风险(Allahrakha等,2018[50])。

第五，在宏观经济控制变量方面，模型1到模型8中GDP增长率对数的估计系数都不显著，说明宏观经济水平对样本中银行的风险承担水平影响不大，这可能是由于我国经济近几年增长缓慢，国内金融环境较为稳定(Bucevska和Misheva，2017[51])。广义货币供应量增速(M2)越大，表示货币政策越宽松，M2对数的估计系数在模型1到模型4中显著为负，在模型5到模型8中显著为正，说明更宽松的货币政策会提高商业银行的风险承担。根据刘生福和李成(2014)[52]的研究，我国存在货币政策的风险承担渠道，宽松的货币政策提高了货币的流动性水平，商业银行的经营战略会更加激进，从而提高了商业银行的破产风险。

(三)互联网消费金融对商业银行风险承担的异质性检验

由于我国不同类型商业银行存在较大差异，因此研究互联网消费金融对其风险承担的影响程度需要进行异质性检验,具体操作步骤如下：

第一步，对于本文中设置的组建消费金融公司虚拟变量在总体回归中的结果不显著，可能是由于组建消费金融公司的主体大部分集中在区域性商业银行，因此对不同类型的银行分别进行回归，将样本银行划分为三个子样本，子样本一为13家包括国有银行在内的大中型商业银行，子样本二为14家区域性商业银行，子样本三为9家城镇农村商业银行。

第二步，为研究不同类型商业银行风险受到互联网消费金融影响的异质性，参考刘忠璐(2016)[17]的做法，首先从总样本中剔除大中型商业银行作为子样本四，从总样本中剔除区域性商业银行作为子样本五，从总样本中剔除城镇农村商业银行作为子样本六；然后将子样本四至样本六的估计系数与总样本的估计系数进行对比，得出不同类型商业银行的风险承担与商业银行总体水平的差异；最后通过组间差异T检验与方差检验方法验证三个子样本估计系数差异的显著性。选用系统广义矩估计方法进行回归，回归结果如表3所示。

表3 异质性检验结果

续前表

根据异质性检验结果，全部通过了AR(2)检验和Sargan检验，表明回归结果具有合理性。子样本一至样本三中互联网消费金融规模增速对数的估计系数都显著为负，与总样本结果一致，说明互联网消费金融的快速发展提高了三种类型商业银行的风险承担水平。

子样本一和子样本二中组建消费金融公司虚拟变量的估计系数均不显著，与总样本结果一致，说明消费金融公司对于大中型商业银行和城镇农村商业银行的风险承担影响不显著，这可能是由于这些银行相对银行总体水平参与组建消费金融公司的银行数量较少。但是在子样本二中估计系数显著为正，说明组建消费金融公司能降低区域性商业银行的风险承担，这是由于区域性银行相对大中型商业银行，客户数量较少，政策优惠较弱，必须积极拓宽业务模式来提高盈利水平，从而区域性商业银行在“互联网+”浪潮中渐渐成为组建消费金融公司的主体，消费金融公司的业务对银行的收益和发展具有重要作用，因此降低了其风险承担。

在子样本四至样本六中互联网消费金融规模增速的估计系数为-0.043 1、-0.003 1、-0.003 9，相对总样本的估计系数变化幅度为1 246.97%、340.63%、21.88%，估计系数变化幅度差别较大，初步验证了假说2a，最后对子样本四、五、六的估计系数两两之间进行组间T检验，均拒绝了不存在显著差异的原假设，因此命题3成立。另外在控制变量之中，各子样本中资产规模、资本充足率、盈利能力、成本收入比、贷存比、GDB增速、广义货币供应量增速对数的估计系数的正负都与总样本一致，结果符合预期。

六、结论与启示

本文分析了互联网消费金融对商业银行风险承担的影响并概括出两条相反的影响渠道，提出命题1与命题2；针对互联网消费金融对我国不同类型银行的风险承担影响存在异质性提出命题3。通过文献调研，选择Z值为银行风险被解释变量，互联网消费金融规模增速和组建消费金融规模的虚拟变量为主要解释变量，引入五个银行内部特征变量以及两个宏观经济变量为控制变量建立理论模型。本研究选择了我国36家上市银行2013至2017年的数据，运用系统广义矩估计方法得到回归结果，并进行了稳健性检验和异质性检验，三个命题中两个成立，最终得出结论：互联网消费金融规模增速对我商业银行的风险承担具有显著的正向影响；组建消费金融公司对我国商业银行总体的风险承担影响不显著，总体来看，互联网消费金融的发展提高了我国商业银行的风险承担。不同类型商业银行之间的风险承担水平受到互联网消费金融规模增速影响差异明显，大中型商业银行分散风险能力最强，区域性商业银行次之，城镇农村商业银行最弱；组建消费金融公司对区域性商业银行有显著的负向影响，对其他两类银行的影响不显著。

基于以上结论，针对政府、银行及互联网消费金融企业提出以下建议：

第一，政府应继续加强法律法规建设，把握好促进消费增长又降低金融风险的度。对于不规范的互联网消费金融企业，应严厉打击；对于钻法律空子以及通过消费金融产品违规借贷获利的用户也要严肃处理；同时还应该主动牵头促进互联网消费金融企业与银行的合作，促进我国金融体系的稳定，加快我国消费金融体系的建设。

第二，银行应该在“互联网+”浪潮中积极面对挑战。虽然银行作为金融龙头的地位不可动摇，但还是应该立足自身优势，在互联网消费金融的冲击下实现变革升级，同时应该加强人工智能、大数据等信息科技的技术建设，完善自身的风控体系，提高风险评估的准确度，解决信息不对称问题。在消费金融领域，应该与互联网消费金融加强合作，同时保持谨慎，建好防火墙等安全措施，避免坏账导致银行风险上升。

第三，互联网消费金融公司应该发挥自己互联网企业的特色，将人工智能、数据挖掘、大数据等技术应用到消费金融体系建设中，完善我国社会的征信体系，企业还应该注意客户审核制度的严谨，加强自身的法律意识，合法经营，不越雷池。同时互联网消费金融公司也应该积极地与银行展开合作，促进技术与资金的融合，实现双赢。