互联网金融平台对商业银行风险溢出效应研究

付纪萍，魏思然

（北京信息科技大学，北京 100094）

一、引言

随着互联网技术的迅速发展，依托于大数据等技术的互联网金融也在飞速发展，迅速占领了我国的金融领域。但同时互联网金融领域的风险频发，可以迅速通过金融系统关系网爆发式传播，从而影响金融系统。而商业银行作为中国金融体系的核心与互联网金融有着不断深化的竞合关系，因此，研究互联网金融的出现对于商业银行带来的风险，对社会经济发展有着重要意义。

对于互联网金融对商业银行风险溢出的研究有：关于互联网金融对商业银行风险溢出效应的文献，主要有蒋文（2021）从微观和宏观角度研究出无论是宏观还是微观，互联网金融的风险值均大于商业银行，而从商业银行内部进行比较，发现国有银行的风险值要明显小于股份银行和城市银行。李治章、王帅（2018）在科学分析我国互联网金融背景的前提下进行了研究，发现不同种类的商业银行风险值和风险溢出值往往均存在差异。翁志超、颜美玲（2019）选取了两大主体的收盘价日数据进行研究。结果表明，互联网金融不仅对商业银行有十分显著的风险溢出,且溢出的方向为正，商业银行的风险在互联网金融处于极端风险时会增加。

基于以上现有研究，本文将国内商业银行进行分类，分为国有商业银行、股份制商业银行和城市商业银行，更为细化地研究与对比是互联网金融平台对不同种类商业银行产生的风险溢出效应。结合实际，互联网金融平台的迅速发展，给传统商业银行带来了较大冲击，而面对冲击传统商业银行应打开原有思维，积极吸收符合自身发展的互联网金融思维，结合自身优势，对传统业务进行创新，为客户提供更全面灵活的服务。同时，与互联网金融平台进行优势互补，找准自身定位和发展方向，在竞争和合作关系中互惠共赢。

二、互联网金融平台对商业银行的冲击

（一）国有商业银行

在互联网金融模式下，国有商业银行受制于营利方法、存款贷款利差和信贷业务，这使得信贷业务和利差业务的发展变得非常困难，很难完成转型发展和改革发展。而互联网金融模式则可以大大降低业务流程的风险，并与其他网络技术服务平台合作以促进中间客户数量的不断增长，如此一来，导致传统国有商业银行中间业务的发展受到冲击。

（二）股份制商业银行

互联网金融凭借其省时省力成本低的优点已经形成了其自身独有的竞争优势，对股份制商业银行产生了“鲶鱼效应”，迫使股份制商业银行从客户群体、盈利模式、业务结构等多个方面作出调整，加快转型。盈利模式上，传统股份商业银行重点着眼于扩大经营模式、增加业务量，却忽略了银行不同业务之间的协调发展。而在互联网金融模式下，商业银行则需转变为以实体网点为主的发展模式，积极推进网点的转型升级，逐步实现由交易途径向客户体验中心、营销服务中心转变。

（三）城市商业银行

互联网金融模式下，使得市场逐渐向利率化方向发展，由于银行对利率存在管制，其重要的利润来源主要是源自存贷利率差。而在互联网金融模式下，传统城市商业银行的利率控制受到冲击，部分资金流失，银行为避免这一现象，不得不提高存款利率，从而导致利率管制松懈。城市商业银行一直主导资金融通，但在互联网金融模式下，城市商业银行呈现出非中介化。一方面，互联网金融只需要借助大数据，就可以获得低成本的融资。而传统城市商业银行却需要依赖于实体营业网点，业务程序复杂、交易成本高；另一方面，借贷双方利用网络资源在同一个平台上进行信息交换，减少了中间环节，避免了信息的不对称性。由此可见，在互联网金融模式下，传统城市商业银行呈现出非中介化态势，加速了金融脱媒。

三、互联网金融平台对商业银行的风险溢出效应实证研究

（一）基于ARMA- GARCH 类模型的风险测度

1.风险测度方法-VaR

从统计学角度看，VaR 指在一定概率水平或信度下，某一金融资产或证券组合价值在未来特定时期内所面临的最大可能损失，其表达式为：

其中，ΔP 表示一定持有期内某一金融资产或资产组合的价值损失值数额；P 表示概率，a 表示显著性水平。通常显著性水平确定为5%，反映的是金融资产管理者的风险喜好或接受程度，不同的显著性水平代表着不同的风险程度，一般而言，显著性水平的确定是根据投资者对风险的喜好、接受和承受程度进行确定的。

VaR 风险价值通过计算VaR 值，使对风险分析实现了从定性到定量的一个过渡，风险的程度可以通过风险值来呈现，直接准确地表示市场风险的大小。同时，VaR 摆脱了以往风险管理模式中只能对风险进行事后测度的局限性，实现了事前的风险计算，将未来预期的损失规模大小与发生概率相结合。

2.风险测度方法-CoVaR

VaR 实现了风险分析从定性到定量的转变，但往往只能被用来测度单个金融机构或市场面临的最大风险损失。而在同一市场环境下，某一金融机构发生风险时，其他金融机构也存在着受到风险溢出波及的可能，而VaR 却不能计算出这种风险溢出的大小或对溢出方向进行判断，因此，选用CoVaR度量投资组合在危机或较高风险情况下可能将要面临的经济损失。其表达式为：

其中，CoVaRamn是金融机构m 关于金融机构n的条件风险价值，用于度量金融机构m 面临风险时的总风险价值，它是市场处于正常波动水平下m 金融机构的风险值VaRan和金融机构口发生风险时对m 金融机构的风险溢出值之和。

风险溢出值通常用ΔCoVaRamn表示，它是金融机构m 的条件风险价值ΔCoVaRamn和风险价值VaRan之差，衡量了金融机构n 对金融机构m 所产生的风险溢出的大小，其表达式如下：

将风险溢出价值进行去量纲化处理，得到金融机构n 对金融机构m 的风险滥出度%CoVaRamn，用于衡量某一金融机构所受到的风险溢出占自身风险的比重，其具体的数学表达式为：

本文将结合CoVaRamn、ΔCoVaRamn和%CoVaRamn三个指标研究互联网金融对商业银行的风险溢出效应。

3.基于ARMA-GARCH 类模型计算VaR 和CoVaR 值

本文利用ARMA-GARCH 类模型对互联网金融和商业银行的数据进行拟合，选取出拟合优度最好的模型得出回归结果，从而计算出相应VaR 和CoVaR 值。其中VaR 值计算公式如下：

金融机构m 受金融机构n 风险影响时的风险值CoVaRtmn计算公式如下：

（二）互联网金融与商业银行风险分析

1.样本的选取

本文选取单个互联网金融产品和部分商业银行，计算其风险值，在此基础上进一步研究互联网金融产品对商业银行所产生的风险溢出。在互联网金融产品方面，本文选取与支付宝挂钩的货币基金天弘余额宝作为研究对象。商业银行方面，本文将从三类商业银行即股份制商业银行、地方性商业银行和国有商业银行每一类选取两家银行，共6 家商业银行，探讨天弘余额宝对6 家银行产生的风险溢出效应。这6 家银行分别是工商银行、交通银行、招商银行、光大银行、北京银行和宁波银行。我们将日期定为2016 年4 月1 日到2022 年6 月1 日，共六年的数据，周末和节假日除外，共包含1673 个观测对象。

2.数据的描述性统计

价格序列的平稳性一般来说比较差。相比较而言，对数收益率序列具有便利性和平稳性的优点。基于此，本文均采用对数收益率序列，其计算公式为:

其中，表示t 时刻对数收益率，Pt表示t 时刻的价格水平，Pt-1表示前一期的价格水平。本文使用的对数收益率序列共7 组，分别为天弘余额宝基金、光大银行、工商银行、交通银行、招商银行、北京银行和宁波银行对数收益率序列（对数收益率序列的对应变量符号和描述性统计如表1 所示）。

表1 对数收益率序列变量符号及收益率序列的描述性统计

从收益率均值来看，2016 年4 月至今，天弘余额宝收益率均值为-0.0001，商业银行中宁波银行的收益率均值最大为0.0003，其次是国有商业银行的工商银行和交通银行。

从波动幅度来看，天弘余额宝的标准差在7 组数据中最高，为0.0205，且明显高于商业银行，说明其波动幅度最大，稳定性最差。在三类商业银行中，国有控股的商业银行，即工商银行和交通银行，标准差是最小的两个，分别为0.0130 和0.0155，明显小于其他商业银行，由此可见，国有商业银行较之其他两类银行而言具有收益率高和波动幅度稳定的特点。

3.数据的检验

在建立模型之前，要对选取的收益率数据进行检验，以识别数据的特征，从而检验所选样本是否适合构建模型。本节针对数据的检验包括正态性检验、平稳性检验以及ARCH 效应检验。经检验所选取的商业银行和天弘余额宝共7 组序列，均通过正态分布检验、JB 检验、ARCH 效应检验，因此，可以构建GARCH 类模型。

4.VaR 值的选择、计算与分析

计算VaR 的前提是先建立模型对收益率数据进行拟合，为了既考虑均值又考虑方差，本文选取了ARMA-GARCH 类模型。通过比较在t 分布和广义误差ged 分布下具有不同滞后阶数的ARMA-GARCH类模型，即ARMA-EGARCH 和ARMA-TARCH 模型，最小AIC 和SC 原则为标准，且满足拟合后残差与残差平方的自相关性不存在，选择最优的模型，以此计算VaR 值。

模型建立后，向前一步预测，得出均值和方差的向前一步预测，即静态预测，是滚动地进行向前一步预测，每预测一次，用真实值代替预测值，加入到估计区间，再进行向前一步预测。将均值和方差分别记为Xtm和δtm，再根据公式：

计算得出6 家商业银行和天弘余额宝的风险值：

表2 VaR 计算结果

对比互联网金融与商业银行。互联网金融产品、天弘余额宝的风险值均值为-0.2514，中位数为-0.1371，远大于所选的6 家商业银行，其标准差为1.0141，更是远超商业银行标准差。印证了互联网金融高风险不稳定的特点。

对比三类工商银行。城市商业银行：北京银行和宁波银行，风险值均值相较于其他两类商业银行较高，且标准差最大。而国有控股的商业银行：工商银行和交通银行的风险值均值，其标准差是最小的。由此可知，城市商业银行是三类商业银行中风险最大且最不稳定的，而国有商业银行是波动幅度最小、风险值最小且最稳定的。

（三）互联网金融对商业银行风险溢出效应的测度

通过对CoVaR 的计算与分析，整理出互联网金融对商业银行风险溢出效应测度。确定模型后进行预测，测得互联网金融指数对6 家商业银行的条件风险值CoVaR，以及风险溢出强度%CoVaR。最终结果如表3 所示。

表3 CoVaR 计算结果

通过对比风险溢出值%COVAR 发现，互联网金融对不同种类商业银行的风险溢出差别较大，其中风险溢出最高的是国有商业银行，最大的是工商银行53.846%，其次是股份商业银行，风险溢出最低的是城市商业银行。

联系VaR 值进行分析，发现VaR 与风险溢出值%CoVaR 之间存在明显的联系。互联网金融风险溢出值最高的工商银行，其%CoVaR 值达到了53.85%，但其VaR 值仅为0.026。其中互联网金融风险溢出值处于较低水平的是宁波银行，风险溢出值%CoVaR则为17.37%，但其VaR 值最高，值为0.0518。由此可见，自身风险较小的银行反倒更容易受到互联网金融风险溢出影响，即互联网金融造成的系统性风险对于自身风险越小的银行溢出效应越大。

股份制商业银行在经营的过程中会面对各种各样的风险，如信用风险、市场风险以及流动性风险等。相较于国有银行而言，由于没有国家信用背书，各种风险会更加直接地触及到银行本身。所以，股份制商业银行经营上会更谨慎。具体表现为：股份制银行比国有商业银行倾向于持有更多的超额准备金，有更低的贷款资产比率和贷存比。由此可见，虽然股份制商业银行自身的风险值大于国有商业银行，但在面临互联网金融平台的风险溢出效应时，国有商业银行受影响最大。

当前，城市商业银行财务风险整体偏高，表现为抗市场风险能力弱、信用风险过于集中、操作风险控制不力。尤其是在2016 年国家多部委着力金融去杠杆、强化金融监管的政策背景，以及中美贸易摩擦、全球重大公共卫生事件对中小微企业经营产生负向冲击的现实境况下，城市商业银行的金融风险持续存在，因此，城市商业银行的自身风险值是三类商业银行中最高的。实际上，银行风险具有方向性和非对称性，大型商业银行的系统性风险溢出效应高于小型商业银行，在面临互联网金融平台的风险溢出效应时，城市商业银行是受影响最小的。与定量分析所得结论相同，即互联网金融造成的系统性风险对于自身风险越小的银行溢出效应越大。

四、结论与建议

通过对互联网金融风险定性与定量的研究，可以得出互联网金融产品对商业银行产生风险溢出效应。由定性分析可知，互联网金融平台对三类商业银行分别产生了不同侧重的冲击。由定量分析可知，对比风险溢出值%CoVaR，互联网金融平台对不同种类商业银行的溢出风险值不同，对国有商业银行的影响值最大，其次是股份制商业银行，对城市商业银行的影响最小。结合风险值VaR，可以得出互联网金融平台对于自身风险越小的银行溢出效应越大的结论。

根据以上的结论，提出加强对互联网金融平台风险系统的控制，同时加强互联网金融平台与商业银行的深化合作的建议。商业银行凭借信用、资本、风险管控、线下客户等方面的优势，与互联网金融平台进行合作，而互联网金融平台凭借着金融科技场景，需要流量入口的金融结合大数据等方面的优势与商业银行进行合作。双方能够展开合作的根本原因则在于二者优势互补。互联网金融与商业银行分别找准自身定位和发展方向，竞合发展，才能在金融生态链条中占据重要的位置，形成商业银行与互联网金融互惠共赢的发展局面。