互联网金融与商业银行能互利共生吗？——基于利率联动与系统性风险视角

李庆华，李峰波，徐淑华

(1．华中师范大学 经济与工商管理学院， 武汉 430079；2．华北科技学院 管理学院，北京 065201)

内容提要：余额宝是我国规模最大的货币市场基金，本文从余额宝收益率与商业银行利率间联动关系和商业银行系统性风险两个视角分别构建DCC-MVGARCH模型和SVAR模型研究互联网金融对商业银行的冲击。研究结果表明，余额宝收益率与商业银行利率存在正向联动关系；从长期来看，余额宝的发展对商业银行系统性风险的影响趋于均衡，但在短期内，余额宝的发展增加了商业银行的系统性风险。因此，应当规范互联网金融的发展，强化监管，使互联网金融与商业银行互利共生的同时降低银行的系统性风险。

近年来，互联网金融“野蛮生长”，撬动了商业银行的利益“奶酪”并日益显现出不容小觑的优势。根据天弘基金披露数据显示，截至2018年第三季度末，余额宝的净资产规模已达到1.323万亿元，购买余额宝理财产品的用户占总用户的81.8%，余额宝已经成为互联网金融领域的“领头羊”。与此同时，监管层也注意到互联网金融发展过程中的不定因素与潜在风险。2018年6月证监会和央行联合出台了《关于进一步规范货币市场基金互联网销售、赎回相关服务的指导意见》，其中对“个体投资者在单一基金销售机构里持有的单只货币市场基金在单日进行T+0赎回提现时金额不能超过1万元”的限定备受关注。从2018年6月6日起，余额宝转出到银行卡的快速到账额度也被限定为单日单户1万元。

爆发式发展的互联网金融毋庸置疑地能够催化金融改革，但它与传统商业银行之间是此消彼长的竞争还是彼岸相望式的发展？本文通过剖析以余额宝为代表的互联网金融与商业银行利率的联动关系以及前者对后者产生风险影响，为合理引导互联网金融的发展和商业银行自身的改革提供理论依据。

一、文献回顾

国内外关于互联网金融的发展对商业银行影响的研究主要集中于利率波动关系和风险管控两大方面。

有研究表明，上海银行间同业拆放利率(Shibor)对互联网金融理财产品和货币市场基金的收益率具有显著的正向影响[1]，并且其波动存在“逆周期性”[2]。而互联网货币基金收益率对Shibor的影响作用为负向脉冲响应，Shibor对互联网货币基金收益率则呈现正向的脉冲响应[3]。相反的观点认为互联网货币型基金的收益率虽然有助于加速利率市场化的改革进程，但不能过于放大互联网金融对于货币市场的冲击效应[4]。由此可见，关于互联网金融收益率和商业银行利率的关系缺乏联动分析，虽然有个别学者注意到二者存在相互作用，但是隐含的基本假设认为商业银行和互联网金融在金融市场中是相互竞争甚至是对立的，某种程度上否定了互联网金融与商业银行和平共处、互利共生的可能性。

关于互联网金融的发展是否会增加商业银行的系统性风险，理论研究尚未形成统一定论。有文献表明，互联网金融具有技术溢出效应，减少了银行贷款关系中的信息不对称，有利于银行风险管理[5]。从技术创新角度出发，互联网金融的云计算和大数据使得商业银行更容易识别信用风险，提高了商业银行对于风险的识别能力，也提高了整个金融市场对于系统性风险的抵御水平[6]，弥补了其盈利性和风险方面的不足，有效地降低了银行破产风险[7]。相反的观点则认为，互联网金融中由于逆向选择而所导致的信用风险，并不能通过使用互联网技术而降低[8]。此外，互联网金融通过影响银行的资产负债结构，在短期内显著增加了银行的系统性风险[9]。而以余额宝为代表的互联网金融对商业银行资产和负债业务造成了重大冲击，并对资本市场的系统性风险具有显著的溢出效应[10]。

由此可见，对相关问题的研究至少可以从三个方面进行改进：首先，可通过构建DCC-MVGARCH模型来考察互联网金融与商业银行的互利共生关系。其次，对影响银行系统性风险的指标运用主成分分析方法进行筛选，剔除影响较小或者无关指标。最后，打破以往构建系统性风险指数的传统方法，采取逆向方法对银行系统性风险指数进行分解，构建SVAR模型探究互联网金融对不同风险指标的影响。经过以上三大改进，可以从动态视角有效地考察互联网金融与银行利率波动的联动关系；不仅能够有效地研究互联网金融对于商业银行的系统性风险的影响，而且还可以反映出互联网金融对不同风险指标影响的差异性。

二、余额宝收益率与银行利率的联动性

(一)模型构建

利率作为金融市场中最为敏感的信号，具有动态变化的特点，而DCC-MVGARCH模型因具有简洁性、直观性、稳定性的特点被学界广泛用于金融市场和金融资产的动态相关性研究中。此处借鉴赵雪瑾等(2016)对于市场联动性的研究思路以及DCC-MVGRACH模型的构建方法，来分析余额宝收益率与商业银行利率之间的联动关系，定义二者的相关系数为ρt。

相关系数通常被用来衡量变量之间相关性的强弱，相关系数的取值范围在0-1之间，按照学界关于相关系数值大小与相关性强弱的界定，此处定义|ρ|=0，完全不相关0<|ρ|<0.19，微弱相关；0.2<|ρ|<0.39，低度相关；0.4<|ρ|<0.69，显著相关；0.7<|ρ|<0.89，高度相关；0.9<|ρ|<1，极高度相关；|ρ|=1，完全相关。

利用DCC-MVGARCH模型确定余额宝收益率和商业银行利率的相关系数ρt的具体方法如下：

假定t时刻余额宝收益率为r1,t，商业银行的利率为r2,t，令rt=(r1,t,r2,t)′，rt服从均值为0，协方差矩阵为Ht的条件多元正态分布：

rt|Ft-1～N(0,Nt)

(1)

Ht=DtRtDt

(2)

(3)

我们采取了分两个阶段的方法去估计Ht，那么在第一阶段的估计过程中，我们分别对r1和r2进行估计，那么就可以得出单变量GARCH方程：

(4)

第二阶段由式(4)得到标准化残差εt=D-1rt，εt～N(0,Rt)，则动态条件相关结构为：

(5)

在(5)式中，Qt代表的是标准化的残差εt的2行×2列的时变协方差矩阵，而Q则代表的是标准化的残差εt的无条件方差矩阵，我们需要估计的系数是α和β。它们的取值需要满足α+β<1这一条件。之后，我们进一步对Qt进行标准化处理，就可以得到Rt：

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

(6)

下面采用最大似然估计法估计参数，对数似然函数值可表示为：

(7)

将式(2)和εt=D-1rt代入式(7)，得：

(8)

令：

(9)

(10)

综上所述，(8)式就可以表示为L=Lv+Lc。由于我们采用了分两个阶段的估计方法，在第一阶段对波动部分的估计中，我们估计得到了Lv；在此基础上，在第二阶段中，我们进一步对相关性部分Lc进行估计。经过两个阶段的估计之后，我们就可以得到L，进而也就可以得到α和β这两个参数的估计值了。

(二)实证分析

1.数据来源

为了研究中国金融市场中以余额宝为代表的互联网金融与商业银行利率之间波动的联动性，我们分别选取了余额宝七日年收益率以及同一时期上海银行间同业拆借利率(Shibor)数据，余额宝七日年化收益率数据摘自于余额宝基金管理公司官网，上海银行间同业拆借利率(Shibor)摘自于上海银行间同业拆借官网。考虑到余额宝是在2013年之后才投入市场的，我们最终选择2013年5月30日至2018年10月16日余额宝七日年化收益率与一周Shibor数据作为此次研究的样本数据，总共获得有效数据1311个，我们结合Eviews8.0和R软件，通过建立DCC-MVGARCH模型来探寻两者利率之间波动的关系。

2.统计描述

对余额宝收益率与商业银行利率数据进行统计分析得到图1与图2。

图1 余额宝收益率数据统计 图2 商业银行利率数据统计

由图1与图2可知余额宝与商业银行的利率均值分别为0.038519与0.030677，相对而言余额宝收益率要略高于银行利率。银行利率的偏度与峰度都要大于余额宝收益率，通过JB统计量检验其是否服从正态分布，结果表明两个统计量都远远大于5%的显著水平下的临界值5.9915，说明两者利率均不服从正态分布。

3.单位根检验

为了避免后续操作陷入“伪回归”，在使用DCC-MVGARCH模型前必须保证时间序列变量是平稳的。因此采用单位根检验来确定两种变量的稳定性。检验结果表明Shibor数据是平稳序列，余额宝七日年化收益率数据虽然显示不平稳，但通过使用R软件对余额宝七日年化收益率进行协整检验后，得到在1%的显著水平下序列是平稳的。以上便满足了DCC-MVGARCH模型使用的前提条件，以便实证进一步进行。

4.多变量DCC-MVGARCH模型的估计结果

根据AIC最小准则，本文选取GARCH(1，1)来估计余额宝七日年化收益率和一周Shibor。表1是DCC-MVGARCH模型具体的估计结果。表中alpha+beta<1，符合约束条件，并且alpha和beta的p值都接近于0，拒绝原假设，alpha和beta都不为0。这也验证了标准化残差εt确实能够对相关系数ρt产生显著的影响。同时alpha+beta值越接近于1，说明变量的相关性变动越具有较强的持续性特征。由表1可以看出，余额宝七日年化收益率和一周shibor的相关性变动具有较强的持续性。

在上文利用DCC-MVGARCH模型估计余额宝七日年化收益率与一周shibor的动态相关性的基础上，进一步利用统计图对动态相关系数的变化进行显示。从图3中可知，在第1期至第1311期两者利率之间每一期的动态相关系数中，大部分的数值大于0，且在第500期至第950期内系数几乎没有任何波动，保持较高的正相关。而在第950期至第1250期内动态系数发生了非常剧烈的波动，随后又恢复到原来的水平。这表明余额宝七日年化收益率与一周Shibor之间总体而言具有较强的正向联动性。这也与DCC-MVGARCH模型的估计结果一致。

表1 DCC-MVGARCH模型估计结果

图3 动态相关系数统计图

进一步由表2可知，余额宝七日年化收益率与一周Shibor间的动态相关系数中位数为0.95，均值为0.64，说明这两者在总体上呈正相关且相关性较高。综上所述，余额宝七日年化收益率与一周Shibor之间存在较强的正向联动关系。之所以二者的利率呈现正向联动关系是由于余额宝的绝大部分的资金最终流向商业银行。余额宝的本质为货币市场基金，其吸纳的社会闲散资金主要以与商业银行的短期协议存款的形式流入银行，以赚取利率差价。而余额宝与商业银行的短期存款协议利率的参考值主要为Shibor。从这一层面上看，以余额宝为代表的互联网金融某种程度上是商业银行在互联网金融业务上的延伸，与商业银行是互利共生的关系。

表2 动态相关系数统计量

三、余额宝与银行系统性风险

(一)指标选取与数据来源

上文通过构建DCC-MVGRACH模型考察了以余额宝为代表的互联网金融与商业银行的利率联动关系，但仅从利率角度考察无法全面客观地衡量互联网金融与商业银行的关系。而银行的系统性风险是学界和监管层最为关注的焦点，因此，通过对银行系统性风险的考察可以有效考察二者在具有联动关系的基础上是否能够互利共生。本文在邹静和王洪卫(2017)[9]关于互联网金融和银行系统性风险的研究基础上，进一步对系统性风险指数进行分解，来探究互联网金融具体影响到何种指标进而对银行的系统性风险产生影响，分析互联网金融影响商业银行系统性风险的内在机制。同时借鉴其简化SVAR模型的思路来构造非限制性VAR模型。

1.银行系统风险指标的选取

参照中国银行业监督管理委员会2005年末颁布的《商业银行风险监管核心指标(试行)》和学界常用的构建银行系统性风险指数的指标体系，从风险水平指标、风险迁徙指标和风险抵补指标及其他影响银行系统性风险的指标中选取了13个指标，并运用主成分分析法对这13个指标进行筛选，具体指标如表3所示。

表3 银行系统性风险测度的指标体系

在进行主成分分析之前一般要进行KMO检验和Bartlett球形检验，KMO检验和Bartlett球形检验主要用来检验变量之间的相关性，KMO的值越接近与1代表变量之间的相关性越强，越适合做主成分分析；Bartlett球形检验的p值越接近于0，表示越适合做主成分分析，如表4所示，KMO的值为0.6325,而Bartlett球形检验在5%的水平下是显著的。综上所述，适合进行主成分分析。

表4 KMO检验和Bartlett球形检验

如表5所示，由Eviews8.0统计软件报告的结果可知，前四个主成分的累计贡献率达到了92.340%，为了尽量不遗漏重要的解释指标，我们将主成分累计贡献率确定在≥90%的水平上，因此选取商业银行拨备充足率(Coverage)、商业银行不良贷款比例(Loan)、商业银行存款与贷款比例(Ratio)以下简称存贷比、商业银行人民币超额备付金率(Excess reserve)作为影响银行系统性风险的主要指标。

以往的研究中往往通过对主要风险指标进行加权平均来构造银行系统性风险指数，此处只选用四个主要指标来代银行系统性风险指数是基于以下两点考虑：(1)四个主要指标的累计贡献率达到了92.340%，通过对四个主要指标的考察完全可以反映互联网金融对商业银行系统性风险的影响。(2)兼顾总体性的同时，可以比较互联网金融对四个主要指标影响的差异性，挖掘系统性风险指数背后隐藏的经济信息。

表5 特征值及解释的总方差

2.互联网金融指标选取

互联网金融的代表指标则选取资产份额最高，最具代表性的余额宝的七日年化收益变化率作为衡量指标。余额宝七日年化收益率如图4所示。

3.数据来源

数据的时间区间为2013年5月30日至2018年10月16日，把余额宝七日年化率数据作为互联网金融利率的数据样本，并将该数据转化为季度数据。银行系统性风险数据包括商业银行拨备充足率、商业银行不良贷款比例、商业银行存贷比和商业银行人民币超额备付金率主要来源于中国人民银行网站、中国银监会网站、金融统计年鉴，wind资讯等。

图4 2013年第2季度至2018年第2季度余额宝七日年化收益率

(二)模型构建

1.平稳性检验

根据平稳性检验的结果如表6所示，Coverage是平稳的，Yuebao、Loan、Ratio和Excess reserve四个主要变量是不平稳的，Ratio和Excess reserve经过一阶差分之后是平稳的，yuebao和Loan经过二阶差分之后是平稳的。

表6 变量的单位根检验

根据最优滞后阶数准则，那么该模型应该是最优滞后两阶，由此建立VAR模型，对模型的单位根检验如图5所示，单位根的倒数全部落在单位圆之内，这说明VAR模型是平稳的。

2.建立模型

但是，VAR模型有着明显的缺点，它无法反映变量之间的同期影响关系，而学界目前普遍采用SVAR模型代替VAR模型来研究变量之间的同期影响，基于以上分析，我们选择了包含所有的变量滞后2期的SVAR模型：

BYt=A0+A1Yt-1+A2Yt-2+μt

则变量的参数矩阵为：

(11)

图5 模型的AR根检验

其中Yuebao为余额宝的收益变化率，Coverage为银行拨备充足率，Loan为商业银行不良贷款比例，Ratio为商业银行存贷比，Excess reserve为商业银行人民币超额备付金率。矩阵B表示变量之间的同期相关性。假设矩阵B为可逆矩阵，那么SVAR模型转化为非限制性VAR：

Yt=B-1A0+B-1A1Yt-1+B-1A2Yt-2+B-1εt

(12)

即可通过简化的VAR来估计SVAR模型。考虑到SVAR模型需要施加约束条件，而模型中包含5个变量，需要施加10个约束条件。

(三)实证分析

1.脉冲响应函数分析

为探究余额宝收益率变化对银行系统性风险的四个主要指标的动态影响特征，我们利用脉冲响应函数进行分析。因为借助脉冲响应函数可以刻画在扰动项基础上加上单位标准差大小的冲击时，对于内生变量当前值和未来值的改变。从图6中可以看出，从第1至1.5期余额宝收益变化率对银行系统性风险中的商业银行存贷比指标的影响呈现出明显增强的负向效应并在1.5期达到最大。之后，一直到第3.5期，余额宝的收益变化率对商业银行存贷比的负向效应迅速减弱，并且在3.5期之后，出现了较强的正向效应，6期之后逐渐趋于均衡。与此同时，第1至第4期，余额宝的收益率水平的变动对商业银行不良贷款比例有一个先迅速增强后又快速减弱的负向效应，而在第4期之后，这种效应逐渐趋于稳定并在零水平附近小幅度地波动。而银行系统性风险中商业银行拨备充足率与商业银行人民币超额备付金率始终对余额宝收益变化率的变动的响应很小。这与实际情况相符，在余额宝诞生之初，受市场资金面紧张和“钱荒”事件等的影响，当时余额宝收益率水平呈现较高状态，此时它对商业银行存贷比自然产生明显地负向效应。但后来由于受到余额宝的货币基金本质属性制约，其利率无法保持在前期的较高状态，也就无法对银行系统性风险的四个主要指标一直产生负向作用，而是逐渐趋减的波动影响状态。

图6 银行系统性风险指标对互联网金融冲击的响应

综上可知，余额宝收益变化率对银行系统性风险的四种主要指标的影响具有明显的差异性。在短期内余额宝收益变化率对商业银行存贷比以及商业银行不良贷款率具有明显的负向抑制作用，且影响非常大，但对其他两个指标影响不显著。这是因为，当余额宝收益率升高时，在一定程度上引起货币市场资金面紧张，银行存款有所减少，而在贷款不变的情况下，导致银行的存贷比便有所下降。从长期来看，余额宝收益变化率对商业银行系统性风险中的这四种因素的影响趋于平稳且总体是缓慢增强的，这也说明以余额宝为代表的互联网金融的发展在某种程度上已经对银行系统性风险产生了一定影响，它的存在与变化会小幅度地增加银行系统性风险，因此央行对于余额宝的监管与控制也是有理可循的。

图7 银行系统性风险的方差分解

2.方差分解分析

方差分解的关键思想是通过按成因与各方程信息相关的组成部分来逐一分解系统中内生变量的波动，从而对不同结构冲击造成的内生变量的变化程度做出评价。图7为分解结果图，从中不难发现，银行系统性风险在初期受商业银行人民币超额备付金率、商业银行存贷比的影响最大，但随后两者的贡献度都在减弱并在后期趋于稳定；而不良贷款率与余额宝收益变化率的贡献度在早期则呈现强势上升趋势，在后期则趋于稳定。这就说明，以余额宝为代表的互联网金融的发展在某种程度上已经对银行系统性风险产生了一定影响，但该影响在余额宝发展至今已保持在了一个相对稳定的程度。

表7 格兰杰因果检验结果

3.格兰杰因果检验

在进行单位根和协整检验分析后，可对协整变量之间的因果检验进行探索，格兰杰因果检验的前提是证明随机变量是平稳序列，如果随机变量是非平稳序列则进行格兰杰检验时会出现伪回归。在确定变量序列均平稳后，检验得到的结果如表7所示，从中可以看出以余额宝为代表的互联网金融利率是商业银行存贷比的格兰杰原因，除此之外均互不为格兰杰原因。综上所述，以余额宝为代表的互联网金融利率的变化能够引起商业银行存贷比的变化，最终格兰杰引起银行系统性风险的变化。

四、结论与建议

余额宝互联网金融平台，有利于实现余额资金的财富化，吸引潜在的、非个性化的财富存蓄需求者，但也挤占商业银行的存款份额，蚕食商业银行利润，影响商业银行的风控决策。本文构建多变量DCC-MVGARCH模型考察2013年5月30日至2018年10月16日以余额宝为代表的互联网金融与商业银行利率的联动关系，发现两者之间存在较强的正向动态关系与波动性。在此基础上，进一步考察以余额宝为代表的互联网金融利率变动对于商业银行系统性风险的贡献度与影响程度。研究结果表明：(1)在短期内余额宝收益变化率对商业银行存贷比以及商业银行不良贷款率具有明显的负向抑制作用，且影响显著；但从长期来看，余额宝收益变化率对商业银行系统性风险的影响趋于平稳。(2)余额宝为代表的互联网金融利率变动对商业银行风险程度的贡献度不及商业银行人民币超额备付金率、存贷比与不良贷款比例，但高于商业银行拨备充足率对于银行风险的贡献度。(3)互联网金融的发展仅影响到了个别系统性风险指标，并不能够对商业银行的系统性风险产生全面的影响。根据以上研究结论，提出建议如下：

第一，商业银行应当合理利用互联网技术，增强技术人才储备。在当今时代，商业银行和互联网金融的竞争实际上是科学技术水平的竞争，而科技水平则取决于人才。互联网金融依托高科技技术崛起，拥有雄厚的技术人才储备，所以商业银行应当借鉴互联网金融的发展经验，发展与互联网金融相关的业务，增强对互联网技术的运用能力，与支付宝等互联网金融建立良好的合作沟通机制，实现二者的互利共生。

第二，深化金融市场改革，进一步推动利率的市场化进程。商业银行市场化程度和市场适应能力较互联网金融有所不及，所以应当进一步放开商业银行的经营自主权，推进商业银行的市场化改革，破除商业银行的垄断地位，提高自身的竞争力，改革自身风险管控方式，增强对利率市场化的适应能力。

第三，加强商业银行的金融创新，开发差异化的金融产品。商业银行和互联网金融所开发的产品均是网络金融产品，二者之间的竞争实质上是数量竞争，根据斯塔克尔伯格模型(Stackelberg Leadership Model)，数量竞争有先发优势，由于支付宝为代表的互联网金融是先进入市场的，其优势自然存在。因此，商业银行应该从产品差异化的角度，加强金融工程师队伍建设，研究开发差异化的金融产品。

第四，货币监管层应当规范互联网金融的发展，加强对互联网金融的监管力度，强化金融规制建设，防范系统性金融风险。因为互联网金融的消费与储蓄是没有界限的，中国人民银行的货币政策作用于支付宝等互联网金融时，宽松的政策对其利好是叠加的，而对银行则没有这种叠加功能。同时，央行对互联网金融的监管力度不足，互联网金融可以化解央行的紧缩型货币政策，削弱货币政策的有效性，给商业银行和整个金融市场带来风险隐患。所以，应当加强对互联网金融的监管力度，规范互联网金融的发展，防范金融市场的潜在风险。