一、引言
近年来互联网金融突飞猛进，成交规模屡创新高（见图一）。以货币基金为例，2013年余额宝的推出激发了人们对货币基金的兴趣。依靠互联网的便利性，货币基金呈现爆炸式增长。根据中国基金业协会的数据，货币基金在仅仅三年内由2013年1月的4759亿元增长到2015年12月的44443.36亿元，增长了8倍以上。根据网贷之家的数据，p2p网贷规模由2013年的1058亿元增长至2015年的9823.05亿元，同样增幅在8倍以上。另外根据艾瑞咨询提供的第三方支付数据，第三方支付的成交规模也显著放大。
受互联网金融的蓬勃发展，银行业受到了前所未有的冲击。因此，关于互联网金融及其对商业银行影响方面的研究非常丰富。
谢平（2012）认为以P2P融资为代表的互联网金融模式为个人提供了新的投融资渠道和便利，满足了普通民众的金融需求，是现有银行体系的有益补充。吴诗伟、朱业、力拓（2015）利率市场化直接推高商业银行破产风险与不良资产风险。互联网金融企业发展在直接导致商业银行风险水平上升的同时还通过倒逼商业银行利率市场化进一步推高其风险水平；而商业银行自身互联网化则有助于降低风险；资产规模、资本充足率、盈利能力、利息收入比率、存贷比及宏观经济发展也是影响商业银行风险的因素。
宫晓林（2013）认为互联网金融模式在战略、客户渠道、融资、定价以及金融脱媒等方面对传统商业银行产生的影响。互联网金融模式短期内不会动摇商业银行传统的经营模式和盈利方式；但从长远来说商业银行应大力利用互联网金融模式，以获得新的发展。与此同时，互联网金融业的持续健康发展要依靠互联网金融企业的自律、积极创新，还要吸引更多的客户、加强系统安全建设。
王光远（2015）认为互联网金融的发展在我国仍处初级阶段，尚未对商业银行产生颠覆性影响。但从发展趋势来看，对互联网金融的投入将成为决定未来银行排位和竞争力的关键因素，因此，各家商业银行必须要把握这轮大势，积极应对。首先，运用互联网思维，依托云和大数据，重塑银行与市场的供需关系，重构商业模式。其次，主动寻求与互联网金融合作，大力发展与生产消费活动深度融合的金融行业应用等类商业模式创新，再造业务流程，实现银行产品、服务与互联网的深度融合。最后，在加强自身数据积累，加快人才储备的同时，主动开展风险控制，加速营业网点战略转型，以便在未来金融市场竞争中处于更有利位置。
综合多位学者的研究来看，普遍认为互联网金融对于商业银行短期盈利构成冲击，但是，从长期看，互联网金融和商业银行更多地是互动与融合。从研究推理上看，进行量化研究互联网金融对于商业银行盈利能力的冲击并不多见。为此，本文重点从代表互联网金融的p2p网贷、第三方支付和互联网货币基金等三方面量化探讨其对商业银行传统业务盈利能力的影响。
二、指标数据说明
1、变量设定
在国内外的研究中，测度商业银行绩效主要使用净资产收益率（ROE）或者资产收益率（ROA），因为这两项指标都是反映银行综合盈利能力，所以有必要进行修订以精确反映商业银行传统业务的收益状况。考虑到商业银行传统业务的盈利模式主要依靠存款利差收入和手续费及佣金净收入。本文选取采用指标CR=（净利息收入+手续费及佣金净收入）/净资产。该指标能够很好地测度净资产获取利息和手续费收入的能力。本文选其为被解释变量。
互联网金融比较有代表的体现在第三方支付（SF）、互联网货币基金（HJ）和互联网网贷（P2P）。本文选取这三个变量用以测度互联网金融对于商业银行传统业务的影响。为了体现存贷款业务对于传统业务盈利的影响，本文把存贷比（CD）纳入模型作为控制变量。
2、指标数据说明
2013年被广大学者称为互联网金融的元年。因此本文所有数据观测区间均为2013―2015年底各季度。
我国商业银行数量众多，为了研究的便利性和样本的可代表性，本文选取截止目前已经上市的商业银行，共计16家，即工行、建行、中国银行、农行、招商、交通、浦发、民生、兴业、平安、南京银行、宁波银行、中信银行、光大银行、北京银行、华夏银行。由于经营规模和经营特色差距较大，因此基本上能够反映我国大多数商业银行的特点。商业银行相关数据（如：净利息收入、手续费及佣金净收入、净资产、存贷比）均来源于公司季报、中报和年报的财务数据。由于数据呈现季节性，因此分别对这些数据进行了季节调整（采用Census x12方法）。
测度第三方支付发展状况一般采用艾瑞咨询（iResearch）公布的数据。本文采用其公布的第三方支付交易规模季度数据；p2p网贷的季度成交量根据网贷之家的月度数据整理；在选取互联网货币基金规模变量时，学者往往选取较大几家互联网货币基金的规模作为代表。如余额宝、华夏财富宝等。但是根据融360的数据，截至2015年四季度末，互联网对接的货币基金已经达到了69只。为了反映行业整体规模对商业银行存贷的影响，本文根据中国基金业协会公布的月度货币基金规模数据整理。
三、模型设定、模型估计与结果分析
1、模型设定
互联网金融主要以网贷P2P、第三方支付和货币基金等形式冲击商业银行传统业务盈利能力。为了能反映存贷比对于商业银行盈利的贡献程度，也加入其加入模型作为控制变量。 因模型涉及16家上市公司2013―2015年季度的财务数据，所以应该构建面板数据模型。首先对解释变量SF、CF、P2P进行对数化处理，形成变量LN_SF、LN_ HJ、LN_P2P，然后对所有变量进行面板单位根检验。本文主要采用Harris and Tzavalis（简称HT）检验、Breitung检验和IPS检验。结果显示CR、LN_SF、LN_ HJ、LN_CF存在单位根，CD不存在单位根。为此对上述非平稳序列进行一阶差分，得到D.CR、D.LN_SF、D.LN_ HJ、D.LN_CF 。经调整后上述变量全部为平稳序列。
D.CRi，t=？茁i，t+？茁1D.lnSFt+？茁2D.lnp2pt+？茁3D.lnHJt+？茁4CDBi，t+
ui+？着i，t
模型中，第i家银行第t期的传统业务CR增速被表示为第三方支付增速D.lnSFt、网贷增速D.lnp2pt、互联网货币基金规模增速D.lnHJt、存贷比CDBi，t、商业银行固定效应ui以及随机误差项？着i，t的函数。
2、模型估计
由于面板数据模型估计方法一般有三种，分别为混合估计模型、固定效应模型、随机效应模型。首先运用LSDV法考察是否使用混合回归，经检验，大多数个体变量P小于0.05，故拒绝混合回归。其次运用FE法回归，发现也明显优于混合回归，且F检验同样拒绝混合回归。
在排除了混合回归后，对模型又分别进行固定效应FE回归、随机效应FGLS法回归、随机效应MLE法回归，回归结果见表1。
对上述模型进行hausman检验，发现P值等于0.3085，故无法拒绝原假设，因此检验结果认为应选择固定效应模型，而非随机效应模型。
从固定效应模型FE法回归结果来看，P2P网贷对于商业银行传统业务的影响较为显著，其次是货币基金，而第三方支付对于传统业务盈利的冲击最小。从模型回归结果来看，从2013年至今，互联网金融对银行传统业务盈利形成负面冲击。
四、结论及启示
互联网金融模式冲击着商业银行传统业务，短期内使得银行承受更多压力。因此，银行业不能继续依赖传统的通道发展自身，而要主动适应互联网金融带来的冲击，在新的竞争格局下，商业银行需要重新审视自身的优势与不足，并以此为契机全面认识技术变革带来的影响、再造业务流程和构建新的价值网络。
