基于系统GMM估计方法进行互联网金融对商业银行负债结构影响的实证研究

　摘要

作为一种新型的金融业态，近年来互联网金融在中国发展迅速，对传统商业银行的经营模式、盈利能力和其在经济活动中的地位产生深刻的影响，同时也在全方位地改变公众的生活方式和消费习惯。本文收集了2012-2020年31家上市商业银行的年报数据，将银行对同业资金等批发性融资的依赖程度作为银行负债端结构考察的变量，选取互联网金融的两种主流业态“第三方支付”和“P2P网络借贷”作为互联网金融的代理变量，采用系统GMM估计方法对互联网金融和商业银行负债结构的关系进行了实证研究。研究发现：（1）第三方支付使得商业银行的负债结构中批发型融资的占比上升，而P2P网贷使得这一比例下降，且前者的影响大于后者。（2）第三方支付对城农商行的负债结构影响最大，股份制银行次之，国有控股大型商业银行最小；P2P网贷对股份制银行的负债结构影响最大，而对国有控股大型银行和城农商银行的负债结构影响均不显著。

关键词：互联网金融，商业银行，负债结构，批发性融资

　一、引言

在互联网蓬勃发展的背景下，互联网金融相比于传统银行业可以更大限度地降低资金流通中的交易成本、改善信息不对称等问题。加上其收益更高、支付方式更多元化、交易更为便捷、更加贴近客户需求等特点，无可避免地正在挤压着传统商业银行的生存空间，这在很大程度上影响着商业银行未来发展的地位和经营理念。本文选取该背景进行研究，以研究结果提出合理建议，科学应对互联网金融出现给商业银行带来的冲击。

本文选择商业银行的负债结构作为研究主体，是因为负债业务既为商业银行运行模式的基础，同时也是三大商业银行的业务基础，致使其在互联网金融的惊涛骇浪中首当其冲。同时，在这股浪潮中，最主要的两种商业模式便是“第三方支付”和“P2P网络贷款”。以“第三方支付”这个角度研究论题：一边，“第三方支付”平台具有独特的延迟支付功能，其形成的沉淀资金会转移商业银行的储蓄存款；另一边，“第三方支付”平台的业务内容拓展出了代理保险和基金，这进一步加大了商业银行从传统存款市场获取资金的难度。截至2018年底，我国货币基金规模达8.15万亿元，其中对接蚂蚁金服的货币基金规模为1.9万亿元，对接理财通的货币基金规模为0.77万亿元，两者合计为2.67万亿元。如果剔除货币基金中的机构客户，估计两大互联网平台个人客户数量占比整个货币基金市场个人客户数量的五成以上。虽然“P2P网络贷款”相对于“第三方支付”来说规模还很小，但也对商业银行资产和负债业务产生了一定的影响。由于P2P融资平台可以给资金供给方提供比商业银行存款利率更高的预期收益率，出借人将资金投入P2P平台，在一定程度上引发商业银行存款资金分流。P2P融资平台凭借着云计算和大数据的优势，直接联通了资金链的上下游，引发金融脱媒。

根据本文所选取的31家中国商业银行数据显示（如下表1），在2013年余额宝上线以来到2014年这一货币基金的飞速发展时期，存款增长率下降了约20%，表明商业银行的存款业务受到了显著影响。虽而后几年存款增长率呈现着上下轻微波动的状态，但相比于2012年余额宝上线以前，总体较为下降趋势。

8e78a4f5fcb1d2a85c68c0eb4fd7eb2f

并且，除了商业银行的负债规模有所缩小之外，其负债结构也相应发生了变化。早在2015年10月，央行宣布取消利率浮动限制，标志着中国利率市场化已取得重大进展。但此后实行的存款自律定价机制和MPA考核制度表明存款利率还未实现完全市场化。余额宝等互联网金融工具推动了一种变相的利率市场化，在中国存款利率仍被压低的背景下，吸引了大批居民储蓄存款。余额宝等互联网理财产品的大部分资金都会投向银行间市场，这种模式的发展势必造成资金源源不断地从传统的存款渠道向银行间市场转移，再以市场化的利率重新进入银行体系。因此，银行从传统的存款渠道获取资金变得困难，而从银行间市场获取资金较为容易。这一变化会使银行负债端愈发依赖于批发型融资，尤其是中小型银行。另外，商业银行负债的期限结构也发生了变化，存款呈现活期化的趋势，负债结构的改变从而影响商业银行的盈利能力以及风险承担。

所以，从负债结构的维度探究互联网金融对商业银行的影响，对于中国商业银行优化负债结构具有重要的理论和实践意义。下面第二部分将进行文献综述；第三部分介绍数据、变量和模型的设置；第四部分显示实证分析结果和进行稳健性检验；第五部分得出结论和提出建议。

　二、文献综述

　　（一）当前国内关于互联网金融研究的主要方向

一，互联网金融发展的原因和动力。章连标和杨小渊在2013年发表的文献中提出互联网金融的出现是为了满足客户的需求，即最终目的是服务于电子商务。戴国强和方鹏飞在2014年发表的文献中指出：推进互联网发展的根本原因是由存款利率管制导致的存款利率与货币市场利率之间的差异，而互联网技术的突飞猛进与证监会的监管创新属于直接原因。

二，互联网金融的属性。谢平和邹传伟在2012年发表的文献中将互联网金融认定为第三种金融模式，即不同于资本市场直接融资和商业银行间接融资。戴国强和方鹏飞在2014年的研究表明互联网金融具有货币属性，互联网金融的本质变成活期存款的利率市场化，成为了银行活期存款的替代品。吴晓求在2015年的文献中也认同互联网金融作为一种新的金融业态，有互联网精神、依托互联网平台、以云数据整合为基础而构建、具备相应金融功能链的第三种金融业态。

三，互联网金融会影响银行的风险承担。郭品和沈悦在2015年发表的文献中使用“文本挖掘法”构建了互联网金融指数。根据中国36家银行的信息，他们发现，互联网金融的发展呈现出先降低后增加商业银行风险承担的趋势。也就是说，在发展的早期，互联网金融帮助商业银行降低管理成本和风险承担，但随后互联网金融会提高资本成本，加剧银行风险承担。然后，郭品和沈悦在2019年发表的文献中构建了一个包含互联网金融的银行环城模型，整合了83家商业银行的数据，发现互联网金融的发展通过两个明显加重了银行风险承担水平：恶化存款结构和提高利息支付成本。

四，互联网金融会影响银行的盈利水平。2015年，王锦红在研究中发现互联网金融对商业银行资产的影响较小，对商业银行利润的影响也随之较小；但互联网金融对商业银行的负债有很大影响，因而对商业银行的盈利也随之产生了较大的影响。顾海峰和闫君基于2019年盈利能力和盈利能力的非平衡面板回归模型，分析了互联网金融与商业银行盈利能力的关系。研究结果表明，“第三方支付”大大提高了商业银行非利息收入的比例，而“P2P网络贷款”对这一比例没有显著影响。

　（二）当前国外关于互联网金融研究的主要方向

国外对互联网金融的研究起步较早，但在互联网金融对商业银行的影响这一方面，以数据为基础的实证研究较少。Franklin在2002年的研究中发现互联网金融会使银行作为金融中介的功能被削弱，引起“金融脱媒”；同时互联网金融还可以降低资金流通中的信息成本和交易成本，提升银行的规模效应，促进银行合并和业务拓展。David等人在2014年提出：互联网金融与商业银行的融合，使银行得以与其客户直接接触，为客户提供更多个性化、方便快捷的产品和服务。Lars Norden等人在2014年的研究中认为金融创新对银行的存贷款利差有显著的负面影响，互联网金融作为金融创新的一种形式，将会冲击银行这一重要收入来源。

而从互联网金融对商业银行负债结构的影响途径这一方面来看，国外的文献也提供了不少的研究基础。关于批发性融资对银行产生的影响，外国学者有较多的讨论，但结论不一。金融科技的发展会推动一种变相的利率市场化，使银行对非存款负债的依赖增强，从而改变其负债结构。Dinger and Hagan在2007年发表的文献中提出银行同业借贷会大大降低借款银行的风险，因为贷款银行会监控借款银行，然后对失信可能性高的银行进行约束并对优质借款银行进行再贷款。而Demirgüc—Kunt et al.在2010年的研究中发现有相当一部分的银行以提升风险和脆弱性为代价吸收批发性融资作为其短期融资的一种方式，同时它们的资产回报率也会降低。Huang and Ratnovski在2010年发表的文献中也提出了批发性融资会加重银行的风险承担，因为其期限较短，在遇到市场不利信号时会迅速撤离。

（三）本文研究及实证的立足点

综合上述国内外现有的研究文献作为借鉴，本文发现多数文献在讨论互联网金融对商业银行行为的影响时是采用理论分析或统计描述，且除此之外，对于互联网金融如何影响商业银行负债结构又该如何应对等问题的讨论也少之又少。本文将以这个研究缺口作为切入点和立足点，对已有的研究文献进行扩充和延伸。

基于参考文献的数据选择及研究方式，本文选取中国31家上市商业银行2012-2020年度的财务数据，基于系统GMM方法去探讨互联网金融对商业银行负债结构的影响，通过实证分析推理结论。根据研究结果显示：商业银行的负债端会随着互联网金融的发展愈发依赖同业负债，而且规模越大的银行受到互联网金融带来的冲击会越小。

　三、实证研究设计

　　(一)数据及其来源

自2013年余额宝推出以来，我国互联网金融正式进入迅速发展的时期，同时为了确保数据的质量和提升分析有效性，本文主要选取了中国31家上市商业银行2012-2019年的年度数据作为样本数据。此样本数据的来源主要有Wind数据库、国泰安数据库、艾瑞咨询以及各样本银行年报。（在2020年初，突如其来的全球疫情对我国经济发展产生了巨大的影响，同时在相关政策的引导下，我国商业银行的资产收益率和负债成本都有所下降，可以看出：2020年期间不仅有互联网金融对商业银行的负债结构产生影响，疫情也对商业银行的负债端造成了一定的影响。综合考虑认为选用2020年的年度数据将不利于本文整体的实验研究，为了文章的严谨性，本文的实验部分选择2012-2019年的年度数据，以讨论疫情前互联网金融对商业银行负债结构的影响为主。）

(二)变量的选择与分析

　　1.被解释变量

对于银行而言，高度依赖批发性融资将使其暴露在资产与负债期限错配、资金链中断的高风险中。而批发性融资在国内一般是指银行机构间的同业资金融通，银行将批发性融资这类得到的短期资金长期借出用于贷款、应收账款等投资，会增加银行资产负债表的风险。以此为据，本文选取银行负债端结构的考察变量是银行对批发性融资的依赖程度。参考邱晗等的做法，选择银行净同业负债（NIL）作为银行负债端结构的衡量指标。银行净同业负债是指用银行的同业负债减去银行的同业资产然后除以银行的总资产得到的一串数值，该指标的结果显示越大，说明银行对同业资金的依赖程度越大。同时我们也把被解释变量的一阶滞后项引入模型分析当中来改善内生性问题。为了确保指标选择的准确性，本文之后也用了同业负债占总负债的比重（IL）和非存款负债占总负债的比重（NDL）这两个指标进行稳定性检验。

　2.解释变量

因为互联网金融主要分为“第三方支付”和“P2P网络借贷”两种主流业态，所以本文将“第三方支付”和“P2P网络贷款”作为互联网金融的代理变量。同时要使得变量更具可分析性，本文采用“第三方支付”规模（亿元）的自然对数（lnTPP）和“P2P网络贷款”规模（亿元）的自然对数（lnP2P）两个自变量来测度互联网金融规模。为了进一步处理内生性问题，本文将两个解释变量的一阶滞后项替代原来的解释变量。

3.控制变量

在选择控制变量上，本文从两个层面的因素出发：

第一个层面是以微观视角在银行个体上，本文选取资产回报率（ROA）、资本充足率（CAR）和资产规模对数(lnSIZE)作为控制变量。资产回报率是用银行净利润对总资产比率来反应银行的盈利能力；资本充足率是用银行资本对风险加权资本的比率衡量银行的风险承担水平；而资产规模对数是用银行以亿元为单位的总资产的自然对数控制银行的规模。

第二个层面是在宏观经济发展水平上，本文选取宏观经济发展水平的衡量指标国内生产总值GDP增长率（GGDP）作为控制变量。

4.变量分析

变量定义及描述性统计结果见表2。

表2变量描述性统计结果

aafb43ddd9b74f4a38d15b043d0482a2

从表2中可以看出，净同业负债（NIL）的均值为0.0604，最小值有-0.1600，而最大值却有0.3252，说明不同样本的商业银行之间差异较大。同业负债占比（IL）的均值为0.1080，意思即为所有样本银行里平均同业负债占到总负债的10.8%。非存款负债占比（NDL）的最小值为-9.15%，最大值为52.98%，可以看出其不同样本银行之间的差异很大。资本充足率（CAR）的均值约为13.22%，最小值为9.88%，最大值为17.53%，得出不同样本银行之间的资本充足率差异较大。资本回报率（ROA）均值接近1%，说明平均来说样本银行的净利润占总资产的比值接近1%。而资产规模对数（lnSIZE）是以亿元为单位的资产规模取对数之后得到的，其最小值为6.2357，最大值为12.6151，可见样本中16家上市银行的平均规模较大，并且不同类型商业银行的资产规模差异比较大。最后由表得出的国内生产总值增长率（GGDP）均值为7.01%，表明中国经济处于中高速平稳发展状态。

　(三)实证模型构建

面板数据模型是一种集成了横截面数据和时间序列数据的数据类型，是个体在横截面上不同时间点的重复观察数据。与用于经济分析的一维横截面数据和时间序列数据相比，面板数据模型可以建立和检验更复杂的行为模型，可以从多个方面更全面地解释同一经济现象。由于经济个体行为受连续性、惯性和偏好等影响，是一个动态变化的过程，适合使用动态模型来研究经济关系。本文根据所要研究的论题，构建了一个动态面板数据模型。

然后，为了改善模型的内生性问题，本文对于负债结构的回归加入了被解释变量的一阶滞后项，同时用解释变量的一阶滞后项代替其本身，并采用系统GMM的方法进行分析。本文将研究互联网金融的发展是否使商业银行吸收存款的能力下降，从而更加依赖同业资金等批发性融资。后续本文进行了过度识别检验和干扰项序列相关的检验，以验证滞后变量选择的合理性。

c7c7bd082cbd179e3e5ef7cbf5bbb893

　四、实证检验与结果分析

本文采用动态面板模型，将“第三方支付”规模与“P2P网络贷款”规模为解释变量用来反映互联网金融发展，将净同业负债比为被解释变量用来反映银行负债结构，同时选择银行的资本充足率、资本回报率、资产规模以及GDP增速作为控制变量，对互联网金融对商业银行负债结构进行实证检验。

（一）全样本面板回归分析

广义矩估计方法在分析动态面板数据时有很好的优势，本文采用系统GMM方法对模型进行估计的原因是：相对于差分GMM方法来说，使用系统GMM方法可以寻求到更佳的工具变量，处理被解释变量与部分解释变量之间的内生性问题从而提高分析的效率。运行结果如表3所示：模型的检验值都较小，无法拒绝工具变量合理的原假设，表示工具变量的使用是较为合理的。同时在模型中，AR(1)的检验拒绝原假设，而AR(2)的检验接受原假设，表明差分后的干扰项虽然存在一阶序列相关，但是不存在二阶（或更高阶）的序列相关。

从表3中可以看出，“第三方支付”规模对数（lnTPP）对净同业负债（NIL)的数据结果为正，即“第三方支付”对商业银行的净同业负债有显著的正向影响。这表明随着“第三方支付”规模的扩大，商业银行对同业资金等批发性融资依赖程度更高。而互联网金融的另一种主流业态“P2P网络贷款”规模对数（lnP2P）对净同业负债（NIL）的数据结果为负，即“P2P网络贷款”对商业银行的净同业负债有较为显著的负面影响，这表明随着“P2P网络贷款”规模的扩大，商业银行对同业资金等批发性融资依赖程度反而更低。

从控制变量来看，资本充足率（CAR）、资产回报率（ROA）、资产规模对数（lnSIZE）均通过了10%的显著性水平检验，说明以上三者均对商业银行负债结构产生了较为显著的影响，其中资本充足率和资本回报率对商业银行净同业负债存在冲击效应，资产规模对商业银行净同业负债存在推动作用。而GDP增速的影响则不显著。资本充足率衡量的是银行能以自有资本承担损失的程度，对于资本充足率高的银行来说，它也可能受到更严格的风险管控，因此会更加审慎；而资本充足率低的银行可能由于道德风险而更加激进，对批发性融资等成本相对较高的资金更加依赖。资产回报率对银行负债结构的影响机理与之相似，资产回报率低的银行可能会更加冒险。一般来说，规模越大的商业银行资金更为雄厚，且资金借贷更为保守，对同业资金的依赖程度更低，而回归结果显示规模越大的银行净同业负债的数值越大，这其中的原因有待进一步探讨。银行间市场的利率高于活期存款利率，因此如果商业银行更加依赖同业负债，其资金成本会上升，风险也会随之增加，反之亦是。

为了使得估计结果更加稳健，本文也采用了同业负债占总负债的比重和非存款负债占总负债的比重作为商业银行负债结构的衡量指标，得到了相似的结果，即随着第三方支付的规模扩大，同业负债占比上升，非存款比重也呈现上升趋势，P2P网络借贷规模对这两个指标的影响则相反。各解释变量的系数都较为显著，回归也通过了工具变量合理性和干扰项序列相关检验，这表明本文实证分析的结果有较好的稳健性和可靠性。

表3全样本面板回归分析结果

58b70f90088cc2249df1959807307767 　　注：***,**和*分别表示1%，5%和10%的显著性水平。（）里是t值。

（二）异质性分析

本文把样本银行分为三类：股份制银行、国有控股大型银行、城农商银行，以进一步研究互联网金融对不同类型商业银行负债结构的影响。通过研究分析，本文发现此影响存在异质性特征，分样本回归结果见表4。

从表4中可以看出，“第三方支付”规模的系数都通过了10%的稳定性检验，表明其对于三种类型商业银行的负债结构都有较为显著的影响。进一步从系数绝对值来看，国有控股大型商业银行的系数最小，接下来是股份制银行，而城农商银行对应的系数绝对值最大。这说明“第三方支付”对商业银行负债结构影响的程度从小到大分别为：国有大型商业银行、股份制银行、城农商银行。而P2P网贷规模的系数的显著程度总体不高，只有股份制商业银行的网络贷款规模系数通过了10%的显著性检验，从系数的绝对值来看，国有控股大型银行最小，接下来是城农商银行，而股份制银行的系数绝对值最大。这说明P2P网贷规模对股份制银行负债结构的影响显著，而对国有控股大型商业银行和城农商银行的影响较为有限。

总体来说，“第三方支付”对商业银行负债结构的影响比“P2P网络贷款”对商业银行的负债结构的影响更为强烈，这主要是由“P2P网络贷款”的放贷规模过小导致的。

表4异质性分析结果

5cd3e5e8ca0b17cb964af76af0ea2418

注：***,**和*分别表示1%，5%和10%的显著性水平。（）里是t值。

　五、结论和建议

　　（一）结论

互联网金融借助着信息和资配配置的优势弥补了传统金融服务的空缺，便捷了居民的消费支付，拓展了居民投资理财的渠道，满足了小微企业的借贷需求，推动了金融的普惠化。金融科技公司根据其客户粘性和金融创新持续性吸收用户的闲散资金，给资金提供者带来堪比银行间市场的收益，造成了银行存款的流失，进而改变银行的负债结构。

本文根据2012-2020年31家上市银行的年度数据，以及采用系统GMM模型研究得出的结果分析进一步总结。从粗略上看，“第三方支付”对商业银行负债结构的影响要强于“P2P网络贷款”对商业银行负债结构的影响，并且互联网金融对不同类型商业银行的影响程度不同。从详细上看，具体结论分为以下几点：

第一，“第三方支付“对商业银行负债结构的影响：随着“第三方支付”规模的扩大，银行的净同业负债占比上升，这意味着银行对同业负债的依赖程度增强。一方面“第三方支付”平台的功能逐渐向保险和基金代理领域拓展。另一方面，由于“第三方支付”平台的延迟支付功能，顾客用于结算的资金会在其中沉淀下来，分流银行活期存款和储蓄存款。以蚂蚁金服旗下产品的综合化产品余额宝为例，其创造性地将理财、消费、支付等功能融为一体，为居民提供了低门槛、便捷、收益可观的投资渠道，吸引了大量的储蓄存款。这是因为我国的存款利率并未完全市场化，仍然受到管制，且居民普遍缺乏投资渠道，而银行间市场利率的管制则相对较少，居民可以通过余额宝等金融产品将资金投入银行间市场，从而获得更高的回报，这导致了银行储蓄存款流失。在此影响下，各大商业银行争先恐后地推出类余额宝产品以应对挑战，但是这些产品的资金来源是银行原有的客户存款，从而加剧了存款流失。由于商业银行获得零售型存款愈来愈难，不得不寻求银行间市场等批发性融资。

第二，“P2P网络贷款”对商业银行负债结构的影响：“P2P网络贷款”规模扩大的同时，银行的净同业负债占比反而下降。这与预期的结果有所不同。或许这是因为“P2P网络贷款”规模相较于“第三方支付”来说还很小，虽然分流了商业银行一定数量的存款，但其分流的存款数额可能过小；在商业银行负债结构多样化的今天，这部分的存款缺口很快被同业以外的资金弥补，商业银行对同业资金的依赖反而下降。再者，“P2P网络贷款”在我国的发展还不完善，借款人的信息披露不够充分是其最大的风险来源，而且近年来网贷平台倒闭事件频发，挫伤资金出借人的信心，虽然商业银行推出的理财产品收益率较低，但安全性更高，出借人出于风险考虑将资金投入银行。除此之外，随着“P2P行业”的自查和整顿工作的进行，行业的规范性有所上升，银行等金融机构也纷纷涉足网络贷款行业，凭借着强大的背景和优势，获得投资者的青睐，这反而会使得“P2P网络贷款”对商业银行存款的分流作用被抵消，更多的资金流入银行，其对同业存款的依赖减轻。总而言之，“P2P网络贷款”对于商业银行发挥的更多是补充者的作用而不是竞争者。同时本文的不足之处，选取的样本商业银行规模都比较大，因此能够更好地抵御来自“P2P网络贷款”的影响。

第三，“第三方支付”对城农商银行的影响最为显著，股份制商业银行次之，国有大型商业银行最小。由于国有大型商业银行规模较大，自有资本较为充足，低成本的XX和企业存款更多，吸收储蓄的能力更强，因此对批发性融资的依赖性小；同时由于其规模较大，受到更为严格的风险管控，行为相对保守，倾向于保持更加稳健的负债结构。而城农商行的规模较小，吸储能力较差，受到“第三方支付”的影响更大。

第四，“P2P网络贷款”对股份制商业银行的影响最为显著，城农商银行次之，国有大型商业银行最小。我国P2P借贷市场发展不完善，机构投资者尚处于起步阶段，而由于投资渠道的缺乏，个人投资者青睐P2P网贷。因为股份制银行的企业存款占比比居民存款占比高，相对于居民存款来说，P2P贷款平台对企业存款的分流较不显著，且股份制银行的负债结构多样化程度更优，股份制银行可以相对容易地取得同业以外来源的资金来弥补被分流的居民存款，对同业资金的依赖程度不增反减。除此之外，P2P网贷风险高，平台倒闭事件频发，实际运营的网贷机构数量不断减少。相对而言通过银行进行投资理财更为稳健，这有利于存款的回流，使得银行对批发性融资的依赖程度降低。

（一）建议

针对以上结论，本文提出一些可行建议：（1）商业银行应加强与互联网科技企业在技术、信息资源共享和小微贷款等方面的合作，同时发挥自身优势，形成协同效应，逐渐拓展客户群体，提升竞争力。（2）商业银行要减少对物理网点和传统路径的依赖，创新运营、盈利和服务的模式，构造线下和线上并行的业务流程；准确评估客户的消费习惯和投资需求，推出个性化且收益可观的金融产品，减少互联网金融对商业银行理财资金的分流。（3）商业银行存应当适度授予存款人一定的议价权，特别是对于大额定期存款的客户可适当提高其存款收益，减少互联网金融对商业银行存款资金的分流。除此之外，银行可以通过创新存款产品，比如将存款久期与存款利率直接挂钩和进行定期存款收益权转让，提高存款收益，以此来减少存款的流失。（4）监管局应当加强对互联网金融的监管、填补监管漏洞和空白的同时，合理引导商业银行进行转型升级、结构优化和经营范围有序拓展，以应对和减少互联网金融对负债结构的影响。

由于数据的限制，本文选取的样本数量较小，缺少对小型银行的考察；P2P网贷的放贷规模过小，关于P2P网贷的实证分析结果存在一定缺陷，本文对P2P网贷的影响的考察有待进一步验证。另外，本文还有许多不足之处，可能存在其他问题及遗漏信息，暂时没有能力考虑到更全面的信息而导致本文结论与建议有效性降低等各类风险。

　参考文献

[1]邱晗、黄益平和纪洋2018《金融科技对传统银行行为的影响——基于互联网理财的视角》，《金融研究》第11期，第17-29页。

[2]艾瑞咨询：2021年中国第三方支付行业研究报告.file:///C:/Users/lenovo/Desktop/.pdf

[3]戴国强和方鹏飞《监管创新、利率市场化与互联网金融》，《现代经济探讨》第7期，第64-67页

[4]郑志来，2015《互联网金融对我国商业银行的影响路径——基于“互联网+”对零售业的影响视角》，《财经科学》第5期，第34-43页。

[5]郭品和沈悦，2019《互联网金融、存款竞争和银行风险承担》，《金融研究》第8期，第58-76页。

[6]郭品和沈悦，2015《互联网金融对商业银行风险承担的影响：理论解读与实证检验》，《财贸经济》第10期，第102-116页。

[7]郭品和沈悦，《互联网金融加重了商业银行的风险承担吗?——来自中国银行业的经验证据》，《南开经济研究》第4期，第80-97页。

[8]王锦虹，《互联网金融对商业银行盈利影响测度研究——基于测度指标体系的构建与分析》，《财经理论与实践》第1期，第7-12页。

[9]吴晓求，《互联网金融：成长的逻辑》，财贸经济第2期，第5-15页。

[10]谢平和邹传伟，《互联网金融模式研究》，《金融研究》第12期，第11-22页。

[11]章连标和杨小渊，《互联网金融对我国商业银行的影响及应对策略研究》，《商业银行》第10期，第31-33页。

[12]四川银监局课题组,王筠权,王国成,金强,《互联网金融对商业银行传统业务的影响研究》，《西南金融》第12期，第3-5页。

[13]陈嘉欣，王健康，《互联网金融理财产品余额宝对商业银行业务的影响———基于事件分析法的研究》，《经济问题探索》第1期，第167-173页。

[14]战明华,张成瑞和沈娟，《互联网金融发展与货币政策的银行信贷渠道传导经济研究》，《经济研究》第4期，第63-76页。

[15]顾海峰和闫君《互联网金融与商业银行盈利：冲击抑或助推——基于盈利能力与盈利结构的双重视角》，《当代经济科学》第4期，第100-108页。

[16]David C.Chou,Amy Y.Chou.A Guide to the Internet Revolution in Banking[J].Information Systems Management,2000,17(2).

[17]Lars Norden,Consuelo Silva Buston,Wolf Wagner.Financial innovation and bank behavior:Evidence from credit markets[J].Journal of Economic Dynamics and Control,2014,43.

[18]Asli Demirgüç-Kunt,Harry Huizinga.Bank activity and funding strategies:The impact on risk and returns[J].Journal of Financial Economics,2010,98(3).

[19]Rocco Huang,Lev Ratnovski.The dark side of bank wholesale funding[J].Journal of Financial Intermediation,2010,20(2).

[20]Dinger V,Hagen J V.Does Interbank Borrowing Reduce Bank Risk?[J].Journal of Money Credit&Banking,2009,41(2-3):491-506.

　致谢

本文的完成是在老师的悉心指导下完成的。感谢老师在我论文撰写的过程中给予了我很多宝贵的意见，从选题时的迷茫困惑到开题时的茅塞顿开，再到论文正式写作时的坎坷艰辛和论文即将完成时的喜出望外，这一路都有老师相伴。让我敬佩的不仅是老师渊博的学识，更是老师严谨的治学精神和对学生的关心与关怀。其次要感谢本文所引用的文献的作者，如果没有他们的帮助，论文也将很难顺利完成。

时间犹如白驹过隙，转眼间四年大学生活即将过去，留恋和不舍之余，我想要在此感谢所有教导过我的老师，所有给予过我帮助的同学和朋友，还有辛勤养育和栽培我的父母。谢谢你们。