選用托賓Q衡量企業市場績效，該指標被廣泛地應用於企業市場價值的衡量中，李義超和蔣振聲（2001）、Chadha & Sharma（2015）等均采用該指標。其計算公式為：Q=市場價值\/重置價值。本文對托賓Q的計算參考借鑒李義超（2003）、陳德萍和曾智海（2012）的方法。
2. 解釋變量
融資結構類變量，選擇資產負債率（DAR）作為解釋變量，該指標能夠很好地反映企業總資本的來源及其比例關係，是評價企業負債水平的綜合性指標。
債務結構類變量，選擇流動負債率（SLV）作為解釋變量，該指標反映企業負債期限結構是否合理，可以衡量企業的融資成本和經營風險。
股權結構類變量，選取前十大股東的持股比例（CR10），反映企業的股權集中程度。
3. 控製變量
企業規模（LSIZE）指的是企業生產、經營等方麵範圍的劃定，目前學者在分析資本結構問題上多考慮該變量（Salim & Yadav， 2012；武力超等，2016）。周勤等（2006）研究表示企業規模越大，企業的債務融資比例越高。我國房地產上市公司規模存在較大差異，因此選用前一年的企業員工總數來測量企業規模。
企業成長性（LGROWTH）是指企業的發展速度及其所處的發展期間。Titman & Wessels（1988）的研究發現企業成長性對於企業績效高低存在較顯著的影響。我國房地產上市公司，成立時間、發展速度等各不相同，因此選用企業前一年的營業收入的增長率來測量企業成長性。
前一年的企業績效，選擇與被解釋變量對應的前一年的淨資產收益率（LROE）與托賓Q（LQ）作為控製變量。
表4研究變量定義表
變量類型\/名稱變量代碼變量定義
被解釋變量：
淨資產收益率ROE淨利潤\/平均淨資產
托賓QQ（負債賬麵價值+總股本×年末收盤價）\/資產賬麵價值
解釋變量：
資產負債率（融資結構）DAR負債總額\/資產總額
流動負債率（債務結構）SLV流動負債\/總負債
前十大股東持股比例（股權結構）CR10前十大股東持股數\/總股數
控製變量：
前一年的企業成長性LGROWTH(當年營業總收入-前一年營業總收入)\/前一年營業總收入
前一年的企業規模LSIZE員工總數
前一年的淨資產收益率LROE淨利潤\/平均淨資產
前一年的托賓QLQ（負債賬麵價值+總股本×年末收盤價）\/資產賬麵價值
4. 模型設定
本文選用麵板數據多元線性回歸方法，具體的多元線性回歸模型如下：
ROEi=C+β1DARi+β2SLVi+β3CR10i+β4LSIZEi+1+β5LGROWTHi+1+β6LROEi+1+ε
Qi=C+β7DARi+β8SLVi+β9CR10i+β10LSIZEi+1+β11LGROWTHi+1+β12LQi+1+ε
其中，LGROWTH、LSIZE、LROE、LQ為控製變量，ε為隨機誤差項。β1和β7的相關係數用於驗證假設1a和假設1b；β2和β8的相關係數用於驗證假設2a和假設2b；β3和β9的相關係數用於驗證假設3。
四實證分析結果
1. 我國房地產上市公司資本結構與企業績效的現狀分析
（1） 資產負債率偏高
資產負債率指企業中負債總額與資產總額的比重，企業的資產負債率維持在50%左右較佳。由表5可知，我國房地產行業資產負債率較高，整個行業的資產負債率高達70%，同時非上市公司的資產負債率明顯高於上市公司。雖然一定的資產負債率通過發揮財務杠杆作用，能實現更高的利潤，但是房地產行業資產負債率過高，導致該行業經營風險過大。2011—2017年期間，房地產企業的資產負債率逐步上升，整個行業上升了近4個百分點。
（2） 流動負債率雖持續下降但整體比重依然較高
由表5可知，2011—2017年期間，房地產上市公司的流動負債率下降了近7個百分點，但流動負債率依然很高。
表5房地產上市公司資產負債率和流動負債率情況表
單位：%
年份房地產企業
資產負債率
房地產上市公司
資產負債率流動負債率第一大股東
持股比例前十大股東
持股比例
201175.4061.7274.8140.1756.40
201275.2062.6272.7339.7956.41
201376.0062.8270.9539.4756.01
201477.0064.0470.9738.7055.82
201577.7064.6966.4538.0057.30
201678.2663.3265.8337.8859.54
201779.0862.9268.2938.0559.82
數據來源：Choice金融終端與中國統計年鑒。
（3） 股權集中程度較高
股權集中程度一般通過第一大股東或前幾大股東持股比例顯示，比例越高說明股權越集中。由表5可知，我國房地產上市公司第一大股東持股比例與前十大股東持股比例較高，在2011—2017年期間僅略有小幅下降，說明我國房地產上市公司股權較為集中。
（4） 企業績效呈現下降趨勢
首先，我國房地產上市公司盈利能力增長速度放緩。由表6中的淨資產收益率、總資產報酬率和銷售毛利率等指標可知，從2011年開始，我國房地產行業的增長速度明顯放緩，雖處盈利狀態，但是盈利能力逐年下降。
表6我國房地產上市公司盈利能力、償債能力和營運能力分析表單位：%
年份淨資產
收益率總資產
報酬率銷售
毛利率流動
比率速動
比率現金
比率總資產
周轉率存貨
周轉率流動資產
周轉率
201111.096.0439.331.840.610.330.310.260.48
201210.588.6138.781.900.640.370.270.240.42
201311.997.3636.891.960.720.440.280.260.42
20147.904.3834.561.920.620.340.270.250.40
20155.453.7033.592.070.820.500.240.240.36
20167.224.5932.462.140.920.560.270.320.37
20179.424.9832.962.161.050.580.230.300.33
數據來源：Choice金融終端。
其次，我國房地產上市公司流動性資產償債能力弱。由表6中的流動比率、速動比率和現金比率等指標可知，我國房地產上市公司的流動比率均值在2左右，但是速動比率低於1。流動比率較高，證明短期償債能力較強；但是速動比率和現金比率較低，說明企業資產中存貨等非流動資產比重較高，房地產上市公司流動性資產償債能力較弱。
第三，我國房地產上市公司營運能力呈下降趨勢。由表6中的總資產周轉率、存貨周轉率和流動資產周轉率等指標可知，我國房地產上市公司的總資產周轉率在0.25左右，存貨周轉率在0.3左右，流動資產周轉率在0.4左右，且這三個指標從2011年到2017年呈現逐漸下降趨勢。
2. 描述性統計與相關係數分析
資本結構與企業績效的均值、標準差及Pearson相關係數如表7所示。
表7資本結構與企業績效的均值、標準差和Pearson相關係數
MeanSDROEQDARSLVCRLSIZELGROWTHLROE
ROE0.1090.109
Q1.3331.616-0.071
（續表）
MeanSDROEQDARSLVCRLSIZELGROWTHLROE
DAR0.6830.6780.216**-0.336**
SLV0.6940.7310.251**0.137**-0.121**
CR58.30356.8870.220**-0.050.263**-0.052
LSIZE3116.5672653.1600.174**-0.141**0.226**0.157**-0.038
LGROWTH6.20410.8140.009-0.0180.070.0040.104*0.148**
LROE0.1170.1100.597**-0.0450.178**0.181**0.171**0.158**0.049
LQ1.3831.6470.079*0.689**-0.293**0.180**-0.019-0.153**-0.014-0.019
注：N=466；*，p<0.05；**，p<0.01（雙尾檢驗）。
從企業績效上看，樣本企業的淨資產收益率均值為10.90%，說明樣本企業的獲利能力較強，企業的財務績效較佳；托賓Q的均值為1.33，當托賓Q大於1時，說明企業的市場價值大於重置成本，表明資本市場對樣本企業比較看好。
從融資結構上看，樣本企業資本負債率較高，均值達到68.27%，一般行業的上市公司資產負債率多處於40%～50%之間，表明負債融資屬於房地產上市公司的主要融資途徑。偏高的資產負債率能夠更好地發揮負債的稅盾作用，但同時增加了企業的經營風險。表7中的相關係數與假設1a和假設1b相一致，即資產負債率與企業財務績效顯著正相關，與企業市場績效顯著負相關。
從債務結構上看，樣本企業流動負債率高達69.44%，較高的流動負債率證明企業使用短期借款（包括預售款項）的規模遠大於長期借款規模。表7中的相關係數支持了假設2a，即房地產上市公司的流動負債率與財務績效顯著正相關。
從股權結構上看，首先樣本企業的股權集中程度較強，均值達到58.30%，較高的股權集中程度在推動股東參與公司管理與決策的同時，能夠很好地避免管理層為實現個人利益損害企業利益行為的發生。表7中的相關係數支持了假設3，即前十大股東的持股比例對於企業財務績效具有顯著的正向影響。
在進行多元線性回歸前，為避免多重共線性影響回歸結果的可信度，需要對變量進行相關性檢驗。由表7可知，相關係數均遠小於0.8，因此變量間不存在明顯的多重共線性問題，可以進行回歸分析。
3. 回歸分析
本研究使用Stata 14.0進行麵板數據回歸，Hausman檢驗結果顯示各回歸模型均適合選用固定效應模型。White檢驗結果顯示，固定效應模型中存在顯著的異方差，因此采用了Robust回歸以消除異方差影響。每個被解釋變量的回歸都包括5個模型（表8和表9）：隻有控製變量的模型（M1），分別加入三個資本結構指標的模型（M2～M4）和完整模型（M5）。由回歸結果可知，資產負債率（DAR）、流動負債率（SLV）和前十大股東持股比例（CR10）三個解釋變量分別進入回歸模型和同時進入回歸模型的回歸係數顯著性水平相同，說明麵板數據的回歸結果穩定可靠。
表8企業財務績效對資本結構的麵板數據回歸結果
變量M1M2M3M4M5
Constant0.075**
(-0.010)-0.001
(-0.037)-0.004
(-0.021)-0.0257
(-0.029)-0.192**
(-0.047)
DAR0.110*
(-0.0548)0.114*
(-0.048)
SLV0.117**
(-0.032)0.130**
(-0.031)
CR100.002**
(0.000)0.002**
(0.000)
LSIZE0.000
(0.000)0.000
(0.000)0.000
(0.000)0.000
(0.000)0.000
(0.000)
LGROWTH0.000
(0.000)0.000
(0.000)0.000
(0.000)0.000
(0.000)0.000
(0.000)
LROE0.307**
(-0.061)0.318**
(-0.060)0.276**
(-0.056)0.299**
(-0.055)0.276**
(-0.048)
R2
within0.1140.1290.1570.1620.225
between0.6850.5690.5470.2650.326
overall0.3050.3100.3060.2090.267
F9.72010.75012.64010.33013.950
注：N=466；*，p<0.05；**，p<0.01（雙尾檢驗）。表中是回歸係數，括號中是標準誤。
從融資結構看，資產負債率與淨資產收益率（ROE）顯著正相關，與托賓Q顯著負相關，即資產負債率的增長在促進企業的財務績效提高的同時，降低了企業的市場績效，假設1a和1b均得到支持。這一結果與負債的避稅理論相一致，過高的資產負債率使得股民對企業的未來預期較差，容易造成股票價格下跌，進而降低托賓Q值。
從債務結構看，流動負債率與淨資產收益率顯著正相關，與托賓Q顯著負相關。即流動負債率的增長會使企業的財務績效提高但是會降低企業的市場績效，假設2a和2b均得到支持。對於我國房地產上市公司而言，以流動負債率的提高為代價而提高其爭奪盈利機會的能力，是其慣用的手段。但是流動負債率的提高，容易導致股民拋售股票，造成股價下跌及企業市場價值下降。
表9企業市場績效對資本結構的麵板數據回歸結果
變量M1M2M3M4M5
Constant0.848**
(-0.133)1.244**
(-0.239)1.085**
(-0.163)0.580**
(-0.204)1.288**
(-0.284)
DAR-0.555*
(-0.237)-0.653**
(-0.237)
SLV-0.358*
(-0.164)-0.377*
(-0.157)
CR100.005*
(-0.002)0.005**
(-0.002)
LSIZE0.000
(0.000)0.000*
(0.000)0.000
(0.000)0.000
(0.000)0.000
(0.000)
LGROWTH0.000
(0.000)0.000
(0.000)0.000
(0.000)0.000
(0.000)0.000
(0.000)
LQ0.342**
(-0.093)0.326**
(-0.097)0.350**
(-0.094)0.331**
(-0.094)0.321**
(-0.099)
R2
within0.1450.1560.1570.1560.182
between0.9090.8200.8190.6290.591
overall0.4590.4660.4220.3670.380
F4.5505.8504.1903.6004.710
注：N=466；*，p<0.05；**，p<0.01（雙尾檢驗）。表中是回歸係數，括號中是標準誤。
從股權結構看，代表股權集中程度的前十大股東持股比例與淨資產收益率和托賓Q都顯著正相關，即前十大股權持股比例的增長會使得企業的財務績效和市場績效提高，假設3得到支持。現代企業一般處於所有權與經營權分離的狀態，適當提高企業的股權集中程度，能夠在提高企業管理效率的同時最大限度避免大小股東之間存在著的利益侵害和“搭便車”行為。
五結論與展望
本研究以67家房地產業上市公司為研究對象，從融資結構、債務結構和股權結構三個維度界定和測量資本結構，結合上市公司財務數據特點將其轉化為資產負債率、流動負債率、前十大股東持股比例等三個指標。麵板數據回歸結果顯示：資產負債率的提高能夠提高企業財務績效，但是會降低企業市場績效；流動負債率的提高會提高企業財務績效，但是會降低企業市場績效；前十大股東持股比例的提高對企業財務績效與市場績效均具有顯著的提升作用，3個研究假設均得到支持。
實證分析表明，在我國房地產行業中，資本結構中同一指標可能對企業財務績效與市場績效產生同向影響，也可能對企業財務績效與市場績效產生相反方向的影響，這在一定程度上解釋了為什麼國內外學者對於資本結構對企業績效的研究至今無法得出統一的結論。本文的研究結果與部分實證研究結果基本吻合：在融資結構方麵，本文研究結果與陳小悅和李晨（1995）發現企業的市場績效與資產負債率呈現負相關關係一致。在債務結構上，本文研究結果與Salim & Yadav（2012）得出的短期負債率對企業市場績效負相關的結論一致，但是短期負債率對房地產上市公司的財務績效的正向影響的結論與其相反。在股權結構方麵，本研究結果與黃佑軍（2014）股權集中程度與企業財務績效呈正相關關係的研究發現一致。
本文研究的意義及貢獻主要在於：（1） 從融資結構、債務結構及股權結構三個維度分析了資本結構對企業財務績效與市場績效的相關關係；（2） 研究結論是對以往該方麵研究的一個重要補充，發現了資本結構中同一指標對企業財務績效與市場績效的影響不完全相同；（3） 選取的房地產上市公司，補充了以往基於製造業、高新技術產業的研究。
本研究在樣本行業和測量指標設計方麵存在一定的局限，未來的研究可以做進一步的拓展和完善：（1） 選擇更多具有不同特點的行業，以增強研究結論的外部推廣性；（2） 適當引入具有我國特色的情境變量，例如區域政策的影響等。
參考文獻
[1] Booth, L., Aivazian V., DemirgucKunt A., et al. Capital Structures in Developing Countries[J]. Journal of Finance, 2001, 56(1): 87130.
[2] Chadha, S., Sharma, A K. Determinants of Capital Structure: An Empirical Evaluation from India[J].Journal of Advances in Management Research, 2015, 12(1): 314.
[3] Ebaid, I E. The Impact of Capital Structure Choice on Firm Performance: Empirical Evidence from Egypt[J].Journal of Risk Finance, 2017, 10(5): 477487.
[4] Frank, M Z., Goyal, V K. Testing the Pecking Order Theory of Capital Structure[J].Journal of Financial Economics, 2003, 67(2): 217248.
[5] Modigliani, F., Miller, M H. The Cost of Capital, Corporation Finance and the Theory of Investmient[C]\/\/ Comment, American Economic Review, 1959: 261297.
[6] Rajan, R., Zingales, L. What Do We Know about Capital Structure?[J].Journal of Finance, 1994, 50(5): 14211460.
[7] Salim, M., Yadav, R. Capital Structure and Firm Performance: Evidence from Malaysian Listed Companies[J].Procedia—Social and Behavioral Sciences, 2012, 65(1): 156166.
[8] Titman, S., Wessels, R. The Determinants of Capital Structure Choice[J].Journal of Finance, 1998, 43(4): 119.
[9] Wiwattanakantang, Y. An Empirical Study on the Determinants of the Capital Structure of Thai Firms[J].PacificBasin Finance Journal, 1999, 7(3~4): 371403.
[10] 陳德萍,曾智海.資本結構與企業績效的互動關係研究——基於創業板上市公司的實證檢驗[J].會計研究,2012(8):6671.
[11] 陳小悅,李晨.上海股市的收益與資本結構關係實證研究[J].北京大學學報:哲學社會科學版,1995,32(1):7279.
[12] 範從來,葉宗偉.上市公司債務融資、公司治理與公司績效[J].經濟理論與經濟管理,2004,V(10):5053.
[13] 何平,陳守東,於天琪.資本結構對公司業績影響研究[J].工業技術經濟,2007,26(3):2226.
[14] 賀晉,張曉峰,丁洪.資本結構對企業績效影響的實證研究——以我國房地產行業為例[J].企業經濟,2012(6):3740.
[15] 黃佑軍.股權結構與資本結構對企業績效的影響——基於製造業上市公司的實證研究[J].企業經濟,2014(6):189192.
[16] 李義超,蔣振聲.上市公司資本結構與企業績效的實證分析[J].數量經濟技術經濟研究,2001,18(2):118120.
[17] 陸正飛.企業適度負債的理論分析與實證研究[J].經濟研究,1996(2):5258.
[18] 牛建高,曹敏,鄒必穎.民營企業資本結構與企業績效:基於河北省的實證分析[J].上海交通大學學報(哲學社會科學版),2009,17(4):5258.
[19] 唐小飛,劉伯強,王春國,等.我國房地產行業發展趨勢影響因素研究[J].宏觀經濟研究,2014(12):5966.
[20] 王慧娟.資本結構與公司績效的關係研究——基於浙江省上市公司數據[J].商場現代化,2014(19):110112.
[21] 王娟,楊鳳林.中國上市公司資本結構影響因素的最新研究[J].國際金融研究,2002(8):4552.
[22] 王立勇,張秋生.關於解決股東之間“搭便車”行為的思考[J].數量經濟技術經濟研究,2003,20(5):5558.
[23] 王莉華,鄒傑.國企上市公司融資結構與企業績效關係的實證研究——以深滬兩市國有企業上市公司前100強為研究樣本[J].遼寧石油化工大學學報,2015,35(1):7275.
[24] 王敏.上市公司債務融資、公司績效與最優資本結構[J].財務與金融,2004(5):1113.
[25] 武力超,喬鑫皓,陳玉春,等.資本結構對企業績效影響的新證據——基於產品市場競爭程度的研究[J].金融論壇,2016(8):6280.
[26] 肖作平.上市公司資本結構與公司績效互動關係實證研究[J].管理科學,2005,18(3):1622.
[27] 張瑋,王朝.資本結構與企業績效——基於上交所上市公司的實證研究[J].中國證券期貨,2013(9):5959.
[28] 周勤,徐捷,程書禮.中國上市公司規模與債務融資關係的實證研究[J].金融研究,2006,(8):4155
[29] 周三深.資本結構對公司績效影響的研究——基於2007年滬深兩市A股上市公司的研究[J].科學技術與工程,2009,9(5):13791382.
論文執行編輯：張曄
論文接收日期：2018年6月25日
The Impact of Capital Structure on Firm
Performance
—Empirical Evidence from Panel Data of Listed
Companies in Real Estate Industry
Junhua SunWenxiu Wang
Abstract:As a hot research field, research on the impact of capital structure on firm performance is of great theoretical value and practical meaning for real estate industry, especially in the context of supplyside reform and new rental policy. Based on the financial data of public companies in the real estate from 2011 to 2017, this paper aims to analyse the effect of capital structure on financial performance and market performance from three dimensions: financing structure, debt structure and ownership structure. Results of the multiple linear regression reveal that the increase of assetliability ratio will improve the financial performance but reduce the market performance; the increase of current debt ratio will improve the financial performance but reduce the market performance; the increase of shares by the top ten shareholders will greatly enhance both the financial and market performance.
Key words:Capital StructureFirm PerformanceReal Estate IndustryListed Companies
JEL Classification:M41
存貸款競爭、風險承擔行為與商業銀行全要素生產率
①本文得到國家社會科學基金重點項目“我國移動支付風險的識別、度量與管控研究”（16AJY023）的資助。
宋凱藝（1994—），南京師範大學商學院博士研究生，主要研究領域為商業銀行經營與管理，Email: [email protected]。卞元超（1991—），東南大學經濟管理學院博士研究生，主要研究領域為區域經濟增長與全要素生產率，Email: [email protected]。
存貸款競爭、風險承擔行為
與商業銀行全要素生產率①
宋凱藝卞元超
【摘要】在中國利率市場化背景下，商業銀行存、貸款市場存在著顯著的競爭態勢，這成為影響其生產率提升的重要因素。本文測算了中國商業銀行存、貸款市場的勒納指數和全要素生產率指數，實證檢驗了存、貸款競爭對商業銀行全要素生產率的影響效應。研究發現：考察期內，我國商業銀行市場呈現壟斷競爭趨勢，雖然存款競爭對商業銀行全要素生產率有顯著的促進作用，但是這一過程會受到風險因素的不利影響，從而也會對全要素生產率提升產生不利影響；貸款競爭降低了商業銀行全要素生產率，且由於風險水平的增加，其對於全要素生產率的抑製效應會進一步增強。而貨幣政策以及商業銀行的股權結構會使得存貸款市場競爭對其全要素生產率水平產生異質性影響。不僅如此，存、貸款競爭對商業銀行效率改善效應的影響顯著為正，對技術進步效應的影響則顯著為負。
【關鍵詞】存款競爭貸款競爭風險承擔行為全要素生產率
【JEL分類號】E52G10G21
一引言
利率市場化是中國金融體製改革的一項重大舉措，2015年10月24日，中國人民銀行取消商業銀行等存款利率浮動上限，這標誌著金融機構正式擁有利率的決策權，利率市場化改革取得了實質性突破。中國的利率市場化在借鑒國外經驗的基礎上，以1995年銀行間拆借利率放開為突破口，經曆從貨幣市場和債券市場利率市場化到存貸款市場的利率市場化，對我國金融體係及經濟發展產生巨大的影響。各金融機構基本上實現了市場化定價，競爭重心從規模轉移到價格（易綱和趙先信，2001），競爭格局逐步形成。特別是伴隨著金融全球化的發展，世界金融相互緊密聯係，彼此合作，使得銀行不僅在國內與眾多大中小型銀行相互競爭，還要麵對外資銀行的競爭。銀行競爭能夠促使銀行提高金融服務的質量和效率，這決定了個人和企業獲得金融服務的難易程度，從而影響了整個經濟運行狀況（Tabak et al., 2015），銀行競爭對於維持整個金融體係以及經濟發展至關重要。
商業銀行在存款和貸款市場上的競爭是影響其生產率水平的重要因素。首先，就存款市場競爭來說，存款是商業銀行的主要負債業務。一方麵，存款競爭愈加激烈，其利率也會隨之提高，導致銀行成本增加，為了彌補存款利率上升而導致的利潤的下降，銀行會擴大在貸款市場獲利的機會（查鑒珂和蒲勇健，2015），這使得低質量客戶獲取資金的概率提升，引發逆向選擇問題，這在增加商業銀行信用風險的同時（張宇馳和揭月慧，2011），也加大了銀行監管難度和監督成本，從而可能對商業銀行的生產率提升產生不利影響。另一方麵，銀行為維持資金來源的穩定性，在日常經營方麵不能掉以輕心。Berger and Hannan（1997）認為為維持穩定的資金來源，管理者不能過著“安逸生活”，需要提高積極性，從而提高銀行的全要素生產率。不僅如此，存款市場競爭程度的提升也直接影響了銀行的資產質量，緩解因流動性不足而產生的期限錯配風險，提高商業銀行資產配置效率，這也是影響其全要素生產率水平提升的重要因素。
其次，就貸款市場競爭來說，作為商業銀行的主要資產業務，貸款市場競爭也是影響其全要素生產率提升的重要因素。一方麵，貸款市場競爭會促進銀行資金有效使用，增加了銀行的貸款收益。另一方麵，銀行的貸款競爭加劇，會使得貸款利率下降，銀行利差縮小，為了彌補利差，銀行會在其他高收益項目上投入更多的資源，提高了道德風險，因此不利於銀行生產率水平的提升。不僅如此，為了擴大市場份額，獲取壟斷利潤，商業銀行會加強對貸款利率的控製，加大對高收益項目的投資，以產生更多的利潤（程茂勇和趙紅，2011）。這一過程中，盡管信用風險得到緩釋（張宗益等，2012），但高收益項目往往意味著更高的風險，銀行抵禦風險的能力下降，進而對其全要素生產率產生不利影響。
基於此，本文利用我國上市商業銀行數據，考察商業銀行存貸款市場競爭對全要素生產率的影響。本文將銀行競爭分為存款競爭和貸款競爭兩個方麵，分別檢驗存、貸款競爭對商業銀行全要素生產率的影響效應及其差異。在此基礎上，分析存、貸款市場競爭對全要素生產率的影響是否會受到商業銀行風險承擔因素的影響，以進一步考察風險因素在商業銀行存、貸款市場競爭過程中的作用。後續研究安排為：第二部分對有關銀行競爭與效率關係，以及銀行競爭與風險關係的研究文獻進行梳理；第三部分通過建立動態麵板模型實證檢驗商業銀行存貸款市場競爭對全要素生產率的影響效應，並考察風險因素的作用，在此基礎上，分析存、貸款競爭在貨幣政策和銀行股權異質性背景下，對其全要素生產率影響的差異性；第四部分進一步考察了存貸款市場競爭對商業銀行全要素生產率分解形式的影響效應，最後總結以上研究結論，得出啟示。
二文獻綜述
1. 銀行競爭與效率關係的研究
競爭是否影響效率一直是主流經濟學理論所關注的重要問題。同樣地，關於銀行競爭與效率之間的關係，無論是理論還是實證，都得到國內外學者的廣泛關注。總體來看，目前學術界圍繞商業銀行競爭與效率之間的研究結論主要可以概括為以下三個方麵。
第一，以Hick（1935）“安逸生活”假說為代表的主流學派認為，加強銀行間競爭可以提高商業銀行的經營效率，即“競爭引致效率”。如果銀行擁有壟斷能力，管理者會通過降低存款利率或者提高貸款利率獲得壟斷租金，管理人員降低工作的積極性，從而降低了效率（申創和趙勝民，2017），從而也說明競爭可以產生效率。Berger and Hannan（1998）對美國銀行進行分析後將這一原因歸結於以下四個方麵：第一，銀行一旦擁有一定的勢力，管理層可以通過設定高價獲益，從而放鬆對成本的控製，工作開始“怠慢”；第二，當銀行形成某種勢力時，收益最大化已經不是銀行追求的重心，銀行轉而擴大規模以及提高員工工資來減少內部矛盾，但是，這些都是以犧牲效率為代價的；第三，管理者為獲得更大的市場勢力，勢必會浪費資源，從而造成資源配置效率低；第四，懶惰的管理者可能會搭順風車，進而影響效率的提升。Schaeck and ihk（2008）、Delis and Tsionas（2009）、Andries， and Cpraru（2014）等學者的研究結論得出了與“安逸生活”假說一致的觀點，而趙旭等（2001）、黃雋和湯珂（2008）、徐忠等（2009）、邵漢華等（2014）國內學者的研究結論也顯示我國商業銀行競爭與效率之間存在正相關關係。
第二，以Diamond（1984）“銀行特質假說”為代表的觀點認為商業銀行競爭會抑製效率的提升，這是因為銀行業本身的特性使得其必須通過獲取“壟斷租金”來維持自身的穩定，但是競爭度的提高可能會對這種穩定性產生衝擊，即“競爭引致非效率”。Maudos and De Guevara（2007）、Koetter et al.（2008）、Aiello and Bonanno（2016）等學者的研究結論顯示，競爭與效率之間呈現負相關關係，即支持了競爭會降低銀行效率的觀點。我國學者程茂勇和趙紅（2011）對中國商業銀行的實證分析，發現當銀行形成某種勢力，可以通過合謀提高利率，故競爭降低了利潤效率；而申創和趙勝民（2018）的研究也進一步發現，銀行市場的競爭度與銀行利潤效率和成本效率呈現出負相關的關係。
第三，與上述“競爭引致效率”和“競爭引致非效率”的觀點不同，也有某些學者通過實證檢驗發現兩者之間沒有顯著關係，說明商業銀行競爭並不能對其效率產生顯著影響，即“競爭與效率無關”。國外學者研究中，Frame and Kamerschen（1997）、Duygun et al.（2013）、Fungov et al.（2013）等研究結論也進一步證實了銀行競爭並不能對效率產生顯著影響。國內學者秦宛順和歐陽俊（2001）、賀春臨（2004）等也得出了較為一致的結論。
2. 銀行競爭與風險關係的研究
在利率市場化進程中，商業銀行之間的市場競爭程度不斷提升，競爭策略的市場導向也逐漸增強，市場競爭對銀行風險承擔行為的影響機製開始明晰（江曙霞和劉忠璐，2016）。商業銀行之間的市場競爭直接影響了其所提供的服務的效率與質量，也影響了客戶獲得金融服務的程度，這都是影響其平穩經營的重要因素（Tabak et al., 2015）。同樣地，目前關於商業銀行競爭與風險關係的研究結論主要包括“競爭脆弱”、“競爭穩定”和“非線性相關”等三個方麵。
第一，Keeley（1990）認為，如果銀行存在市場勢力，其能夠通過特許權價值獲取壟斷租金，且較高的破產成本賦予了銀行謹慎行為的正向激勵，這降低了銀行風險轉移的傾向。Allen and Gale（2000）、Hauswald and Marquez（2006）等學者的研究還分別從流動性支持和逆向選擇等角度驗證了市場競爭產生風險的觀點。實證研究中，Berger et al.（2009）基於1999—2005年23個工業化國家8235家銀行樣本的研究發現，市場勢力的銀行體係有更少的風險暴露，即市場競爭引發了更多的風險。我國學者楊天宇和鍾宇平（2013）、王耀青和金洪飛（2014）的研究也得出了類似的結論。
第二，Fu et al.（2014）等學者的研究認為，在相對集中的銀行體係中，風險傳染更加便利，這極易導致更大規模的係統性風險。Beck et al.（2006）的研究還從銀行監管的角度，認為銀行規模的擴大會導致行業透明度降低，增加了監管難度，而銀行的規模與市場結構的複雜性正相關，故市場競爭能夠降低風險。Schaeck and ihk（2008）基於歐洲和美國8900家商業銀行市場競爭的研究發現，銀行市場競爭與銀行係統穩定呈現出正相關關係。
第三，與上述“競爭脆弱”、“競爭穩定”的研究結論不同，也有一些學者的研究發現市場競爭與風險之間的關係是非線性的。MartinezMiera and Repullo（2010）認為，借款者的風險轉移效應主要存在於相對集中的市場中，而銀行收入邊際效應則主要存在於競爭較為激烈的市場體係中，這就使得商業銀行市場競爭與其風險承擔之間呈現出“U”型的非線性關係，即在競爭初期或者競爭程度較小時，市場競爭抑製了銀行風險承擔行為，而伴隨著市場競爭的加劇，其風險偏好會逐漸增強。我國學者林德發和汪宜香（2018）、申創（2018）基於中國銀行業的研究結論也進一步支持了上述觀點。
以往文獻對於本文研究具有重要的借鑒與啟示意義。但是，以往研究也存在一些不足之處，這主要表現在：一方麵，正如前文所述，在中國利率市場化進程中，存、貸款市場改革的非同步性導致了存款和貸款市場競爭程度的差異，但是鮮有研究將存款市場和貸款市場進行區分，並納入同一個框架內進行分析，這勢必不利於更加全麵地考察存、貸款市場競爭的差異及其對商業銀行效率的不同影響。另一方麵，以往鮮有學者在研究銀行競爭影響效率的同時，考慮銀行風險承擔行為的影響。事實上，銀行市場競爭勢必會對其風險偏好和風險承擔行為產生重要影響，忽略這一方麵也不利於我們全麵地認識銀行存貸款市場競爭對其全要素生產率的影響效應和影響機製。
三模型構建與指標選取
1. 模型構建
為了實證考察銀行競爭對全要素生產率的影響效應，本文構建了如下所示的麵板計量經濟學模型：
TFPit=α+ρTFPit－1+βCompeteit+γXit+εit（1）
式（1）中，i為截麵單位數，t為時期數，α表示截距項；被解釋變量TFPit表示商業銀行全要素生產率；TFPit－1表示滯後一期的商業銀行全要素生產率；Competeit表示本文的核心解釋變量，即商業銀行存款競爭和貸款競爭，β為其估計係數；Xit表示本文所要選取的一係列控製變量，它們主要包括資本充足率（Car）、銀行規模（Size）、銀行存貸比（LDR）、經濟發展水平（GDPR）和貨幣環境（M2R），γ為各控製變量的估計係數；εit表示隨機誤差項。
進一步地，為了考察風險承擔因素在商業銀行存貸款競爭影響全要素生產率過程中的作用，本文引入銀行風險行為與銀行競爭的交互項，構建如下麵板計量經濟學模型:
TFPit=α′+ρ′TFPit－1+β′Competeit×Riskit+γ′Xit+μit（2）
式（2）中α′表示截距項；被解釋變量TFPit表示商業銀行全要素生產率；Riskit表示銀行風險；Competeit×Risk表示商業銀行存款競爭或貸款競爭與風險的交互項，β′為其估計係數；μit表示隨機誤差項。接下來，本文將對以上各變量的構造過程和數據選取進行詳細說明。
2. 數據說明
本文研究樣本為中國17家上市的商業銀行，具體有：中國銀行（BOC）、中國建設銀行（CCB）、中國工商銀行（ICBC）、中國農業銀行（ABC）、交通銀行（BOCOM）、興業銀行（CIB）、浦東發展銀行（SPDB）、平安銀行（PAB）、民生銀行（CMBC）、招商銀行（CMB）、中信銀行（CITIC）、光大銀行（CEB）、華夏銀行（HXB）、北京銀行（BOB）、南京銀行（NJCB）、寧波銀行（NBCB）。選取時間範圍為2006—2016年，這一時間段囊括了中國貨幣政策緊縮階段和寬鬆階段，從而有助於更加全麵地識別影響商業銀行存貸款市場競爭及其風險承擔行為的因素。本文所構建的是一個麵板數據，共有11×17=187個樣本。本文數據來源於網易財經、國泰安數據庫和各上市商業銀行各年度財務報告。
3. 指標選取
(1) 存、貸款市場競爭
目前研究中，關於市場競爭程度的衡量指標主要包括絕對市場集中度、赫芬達爾赫希曼指數（HHI指數）、基尼係數、H統計量、BL指數和Boone指數等。相對於這些傳統指標，Lerner（1934）所提出的以價格對邊際成本偏離程度為標準的Lerner指數不僅具有相對完善的理論基礎，其還能夠滿足本文對單個銀行、分年度、存款和貸款市場競爭情況的測量，具有較好的適用性，從而也成為目前研究中的廣泛選擇（Jiménez and Lopez, 2013；楊天宇和鍾宇平，2013；唐興國和劉藝哲，2014；江曙霞和劉忠璐，2016；郭曄和趙靜，2017）。因此，本文選擇Lerner指數作為銀行競爭的測量指標，並將銀行競爭區分為存款市場競爭和貸款市場競爭來進行專門分析。一般地，Lerner指數介於0到1，指數越小，說明競爭程度越大；當Lerner指數等於1時，說明處於完全壟斷。
具體地，假設商業銀行的投入分別為資金和非利息支出，兩種產出分別為貸款和存款，投入資產的資格具有同質性，交叉價格具有對稱性，估計的超越對數函數為：
lnCtit=α0+∑2m=1βmlnymit+∑2m=1γmlnxmit+12∑2m=1∑2n=1βmnlnymitlnynit
+12∑2m=1∑2n=1γmnlnxmitlnxnit+12∑2m=1∑2n=1ψmnlnymitlnxnit+μit（3）
式（3）中，y為第m項的產出值，分別為貸款總額和存款總額；xm為第m項的投入價格，分別為借入資金的價格（利息支出與負債總額的比值）和非利息運營支出的價格（營業費用與資產總額的比值）；Ct為銀行的總成本，為利息支出和營業支出之和。μt為殘差項。由此可以得出存、貸款競爭的邊際成本為：
MC1it=(β1+β13lny2+ψ11lnx1+ψ12lnx2)×Cty1（4）
MC2it=(β2+β13lny2+ψ21lnx1+ψ22lnx2)×Cty2（5）
則存款市場和貸款市場的Lerner指數分別為：
LenD=(Rdit－MC1it)\/Rdit（6）
LenL=Rlit－MC2it\/Rlit（7）
其中，LenD為存款市場的Lerner指數，LenL為貸款市場的Lerner指數，Rd為存款市場利率（利息支出與存款總額的比值），Rl為貸款市場利率（利息收入與貸款總額的比值）。
(2) 商業銀行全要素生產率
參考袁曉玲和張寶山（2009）、蔡躍州和郭梅軍（2009）、沈悅和郭品（2015）、Kao and Liu（2016）等學者的研究，本文在測算上市商業銀行全要素生產率的過程中主要采用的是基於非參數法的DEAMalmquist指數方法。其中，Malmquist指數最早是由Malmquist在1953年提出，Caves et al.（1982）最早將這一指數與生產率結合，以此測算生產率的變化，並將其與Charnes et al.（1978）所建立的數據包絡分析（DEA）理論相結合，這也使得其成為測算生產率的重要方法。Fare et al.（1994、1997）的研究中計算了非參數法下Malmqiust生產率指數的距離函數，並對其進行了分解，這也使得DEAMalmquist方法成為目前研究全要素生產率過程中較常采用的一種方法。不僅如此，該方法還能夠將全要素生產率分解為效率改善效應（EFFCH）和技術進步效應（TECH）兩個方麵。
作為一種常見的指標，本文不再羅列其詳細的測算公式。如有需要，可與作者聯係。在實際采用DEAMalmquist方法測算全要素生產率的過程中，需要事先確定商業銀行的投入指標和產出指標。參考袁曉玲和張寶山（2009）等學者的研究，本文選取商業銀行的投入指標主要包括固定資產淨值和雇員數量，產出指標則包括營業收入。
(3) 風險承擔
商業銀行麵臨諸多風險，直接影響銀行穩定性的是破產風險。目前研究中，Zscore是衡量銀行破產風險方麵較常使用的指標之一。該指標綜合考慮了商業銀行的收益率、杠杆等因素，體現了銀行對損失的彌補能力。本文借鑒Laeven and Levine（2009）關於Z值的計算方法，公式為：Zit=(ROAit+CARit)\/σi(ROAit)，其中，ROAit為資產收益率；CARit為資本資產收益率。以Z值來衡量銀行的破產風險，其值越大，說明銀行係統越穩定。
(4) 控製變量
本文從銀行的個體特征及宏觀經濟特征兩個方麵選擇了相關的控製變量，數據來源於商業銀行各年度報表。
① 資本充足率（Car）。資本充足率是指銀行的資本淨額與風險加權資產的比值，衡量商業銀行吸收風險和抵禦風險的能力。銀行自有資金越多，其越願意冒險獲取收益，進而提升銀行的效率水平。張雪蘭和何德旭（2012）認為自有資金越多，其投資行為更加謹慎，因為投資失敗意味著損失更多，道德風險的嚴重性也會降低，即所謂的“風險共擔效應”，這會阻礙銀行經營效率的提升。基於此，本文對商業銀行資本充足率進行控製。
② 銀行規模（Size）。規模較大的商業銀行一旦出現危機，會對宏觀經濟產生破壞性影響，故政府往往會對這些商業銀行進行隱性補貼。Mishkin（1999）認為這種政府安全網加強了銀行冒險行為，從而影響了銀行的經營效率。但是，國際貨幣基金組織和清算銀行於2001年在其報告中指出，銀行規模對效率、穩定性和特許權價值提高等產生了正麵的影響。張宗益和汪宇（2014）則對銀行規模和風險承擔進行研究，發現二者呈現“倒U”型特征。本文所采用的銀行規模指標為總資產。
③ 銀行存貸比（LDR）。銀行存貸比是商業銀行貸款總額與存款總額的比值，存貸比過高意味著商業銀行沒有足夠的資金滿足支付需求，而存貸比過低意味著商業銀行獲取收益的能力下降，因此合適的存貸比對商業銀行經營過程產生重要的影響。本文也對各商業銀行的存貸比進行了控製。
④ 經濟發展水平（GDPR）。經濟增長較快階段，資金需求加大，資產價格相對較高，對於貸款企業發生違約的概率較低，因此銀行承受著較低的風險，且獲取較大的收益，銀行整體的經營狀況較為樂觀，全要素生產率較高。本文采用的衡量指標為GDP增長率。
⑤ 貨幣環境（M2R）。張雪蘭和何德旭（2012）的研究發現，貨幣政策立場顯著影響了銀行風險承擔。寬鬆的貨幣環境使得銀行承擔了更大的風險（徐明東和陳學彬，2012）。因此本文對貨幣環境進行控製，采用M2增長率對其進行衡量。表1報告了上述指標的描述性統計結果。
表1變量描述性統計結果
變量名樣本數平均值標準差最小值最大值
LenD1870.58600.20650.00530.9995
LenL1870.66890.15200.06110.9945
TFP1870.90540.00550.75531.0360
Zscore1871.11880.58900.36574.2931
Car1870.11200.01540.08580.2514
Size18724.33271.551521.289330.8148
LDR1870.66510.08080.00310.0062
GDPR1870.09760.03940.06700.1983
M2R1870.14250.04820.10540.2966
注：實證研究過程中對以上變量均進行了對數化處理，比值變量采取了ln（1+原值）形式。
四分析與討論
1. 商業銀行存貸款市場競爭的情況描述
基於公式（1）至（5）中所示的原理，以及以上各投入和產出指標，本文采用Stata軟件對2006—2016年中國各商業銀行的Lerner指數進行了測算。表2和圖1分別報告了中國各上市商業銀行Lerner指數的均值和2006—2016年指標的時間趨勢。
表2上市商業銀行Lerner指數的均值
銀行存款市場貸款市場銀行存款市場貸款市場
BOC0.67260.8125CMB0.81020.7225
CCB0.74320.8230CITIC0.62560.7193
ICBC0.62360.8334CEB0.51250.6554
ABC0.87790.8296HXB0.70140.5126
BOCOM0.50310.7051BOB0.11860.7235
CIB0.40250.6004NJCB0.35640.6031
SPDB0.39540.6958NBCB0.50470.5668
PAB0.75510.4126JSCB0.42680.6548
CMBC0.93260.5024均值0.58600.6689
圖12006—2016年商業銀行存貸款市場Lerner指數的時間趨勢
從表2中各個商業銀行Lerner指數的均值可以看出，在存款市場上，興業銀行、浦發銀行、北京銀行、南京銀行、寧波銀行和江蘇銀行的Lerner指數較小，這些銀行規模相對較小且大多為城市商業銀行，市場份額也相對較少，麵臨著更為激烈的市場競爭。在貸款市場上，平安銀行、民生銀行和華夏銀行的Lerner指數相對較小，說明這些銀行麵臨的貸款競爭較為激烈。總體上來說，貸款市場Lerner指數的均值比存款市場Lerner指數的均值稍大，意味著我國商業銀行之間在存款市場麵臨較大的價格競爭。
從圖1所示的商業銀行存貸款市場Lerner指數的時間趨勢來看，考察期內，在存款市場上，中國上市商業銀行的Lerner指數均值整體上處於波動中。其中，2006年至2008年間，市場處於流動性收緊狀態，整體利率相對較高，各商業銀行所麵臨的市場空間均較大，市場趨於競爭。2009年至2016年間，商業銀行存款市場的Lerner指數相對較高，存款市場競爭較為緩和。全球金融危機後，相對寬鬆的貨幣政策和較低的市場利率使得銀行吸收存款難度加大，大型國有商業銀行憑借其特殊地位和相對較好的聲譽吸收了大量存款，形成市場勢力。在貸款市場上，Lerner指數變化趨勢和存款市場相反，2006年至2008年，在市場高利率環境下，較高的經營成本以及貨幣政策緊縮導致其盈利受限，部分大型國有商業銀行則乘機擴大市場勢力，市場結構趨於壟斷競爭狀態。2009年至2013年，政府出台了一係列政策刺激市場，以房地產市場為主要代表的投資興起，且貸款利率市場化進程快速推進，貸款市場競爭激烈，Lerner指數相對較低。
2. 基準回歸結果分析
基於上文中所測算的中國各商業銀行的存貸款競爭，以及各商業銀行全要素生產率，本文采用Stata12.0軟件對公式（1）以及公式（2）所示的動態麵板計量經濟學模型進行了估計。根據Bond（2002）的研究，在動態麵板模型中，如果動態項與隨機擾動項存在相關，動態項的OLS估計結果將會嚴重上偏，固定效應OLS估計量嚴重下偏，隨機效應GLS估計量也是有偏的。因此，參考Arellano and Bond（1991）、Arellano and Bover（1995）的研究，本文采用兩步法係統廣義矩估計法（TweostepSGMM）對動態麵板模型進行估計。係統廣義矩估計法是在差分廣義矩估計法的基礎上，將差分估計和水平估計作為一個係統進行GMM估計，並增加了滯後的差分變量為水平方程相應變量的工具變量，提高了估計結果的有效性和一致性（Blundell和Bond，1998），而且這一方法利用了更多的樣本信息，因而使得其比差分GMM法更加有效。而相對於一步法來說，兩步法能夠有效控製異方差的影響。本文利用一階差分轉換方程的一階、二階序列相關檢驗AR（1）和AR（2）來判斷擾動項的序列相關問題，其原假設分別為“差分後擾動項不存在一階序列相關”和“差分後擾動項不存在二階序列相關”，如果差分後的擾動項存在一階序列相關，係統GMM依然有效；差分後的擾動項存在二階序列相關，則係統GMM無效。本文還采用Hanesn統計值檢驗是否存在過度識別約束，其原假設為“過度識別約束是有效的”。表3對相關估計結果進行了報告，其中，模型（1）、（2）和（3）為存款市場分別引入核心解釋變量存款競爭、加入控製變量的估計結果以及引入存款競爭與風險的交互項的估計結果，模型（4）、（5）和（6）為貸款市場分別引入核心解釋變量貸款競爭、加入控製變量的估計結果以及引入貸款競爭與風險的交互項的估計結果。
對於自變量之間可能存在的多重共線性問題，以模型（3）和（6）為例，其方差膨脹因子（VIF）分別為9.6和7.2，均低於經驗值10。對於模型（3）和（6）中的交互項，我們也分別對其進行了中心化處理。不僅如此，我們還嚐試采用逐步回歸方法，結果顯示在引入新的變量後，其餘變量的估計係數和顯著性並未發生實質性變化（限於篇幅，這裏未報告逐步回歸的結果）。
表3動態麵板模型回歸結果
Variables
存款競爭貸款競爭
（1）（2）（3）（4）（5）（6）
Constant2.5647***
（0.1167）2.3230***
（0.0987）2.5541***
（0.1988）-1.8762***
（0.0596）2.0019***
（0.0886）1.9850***
（0.0887）
Lag(1)0.2675***
（0.0329）0.1546***
（0.0254）0.1453**
（0.0652）0.1516***
（0.0107）0.1106***
（0.0084）0.1025**
（0.0076）
LenD-0.0011***
（0.0002）-0.0006***
（0.0001）-0.0005*
（0.0003）\/\/\/
LenL\/\/\/0.0013***
（0.0001）0.0009***
（0.0002）0.0008***
（0.0001）
LenD×Risk\/\/0.0025***
（0.0006）\/\/\/
（續表）
Variables
存款競爭貸款競爭
（1）（2）（3）（4）（5）（6）
LenL×Risk\/\/\/\/\/0.0012**
（0.0006）
Car\/0.0287
（0.0202）0.0233
（0.0264）\/0.0205
（0.0187）0.0219
（0.0357）
Size\/-0.0101***
（0.0026）-0.0080***
（0.0011）\/-0.0076***
（0.0012）-0.0063***
（0.0021）
LDR\/-0.0088***
（0.0015）-0.0096***
（0.0014）\/-0.0159***
（0.0035）-0.0265***
（0.0048）
GDPR\/0.0265***
（0.0078）0.0134***
（0.0046）\/0.0207***
（0.0043）0.0312***
（0.0060）
M2R\/-0.0421
（0.0294）-0.0455
（0.0358）\/-0.0338
（0.0225）-0.0269
（0.0213）
Observations170170170170170170
Wald test155.28
（0.0000）1025.36
（0.0000）1211.33
（0.0000）127.94
（0.0000）1159.35
（0.0000）1163.05
（0.0000）
AR(1)0.01050.02330.02570.00960.01190.0216
AR(2)0.14420.18600.19890.11540.12260.1554
Sargan1.00000.99940.99941.00000.99970.9995
注：“\/”表示該項為空；***、**、*分別在1%、5%和10%水平上顯著；表中AR（1）、AR（2）和Sargan統計值均報告的是其相應的概率p值，回歸係數下方括號內數值為標準誤（雙側）。
由表3可知，以上各模型中被解釋變量TFP的一階滯後項係數均顯著為正，這證明了商業銀行全要素生產率在時間上存在“慣性”的特征，即前一期的全要素生產率對當期水平具有正向影響。且各模型Wald檢驗卡方分布的概率p值均為0.0000，說明各模型在整體上是顯著的。一階差分轉換方程的一階序列相關檢驗AR（1）在10%水平上均是顯著的，二階序列相關檢驗AR（2）在10%水平上均不顯著，這符合兩步法係統GMM的要求。且以上各模型中Sargan檢驗在10%水平上均無法拒絕原假設，即不存在過度識別約束，工具變量是有效的。接下來，我們將對以上各變量的結果進行分析。
從模型（1）和模型（2）可以看出，在存款市場上，存款競爭指數對商業銀行全要素生產率的影響係數顯著為負，考慮到衡量存款競爭的Lerner指數越小，競爭越激烈，因此認為存款競爭促進商業銀行全要素生產率的提升。雖然傳統的“共謀”假說（Bain, 1951）認為競爭和利潤為負相關，銀行競爭越激烈，其影響金融服務價格的能力越小，商業銀行無法通過降低存款利率獲取壟斷租金，盈利能力下降。但是存款市場競爭激烈，管理者不能過著“安逸生活”（Hicks, 1935），必然會提高積極性，從而提高銀行的全要素生產率。從模型（3）可知，加入商業銀行風險承擔因素後，存款市場競爭影響全要素生產率的偏效應為0.0025
根據伍德裏奇（2003）的解釋，加入交互項以後，存款市場競爭對商業銀行全要素生產率的影響應當理解為一種偏效應。在這裏的偏效應為TFP\/Compete=β1+β2×Risk，Risk取考察期內該指標的均值。後文同。，這說明風險承擔因素進一步抑製了存款市場競爭對商業銀行全要素生產率的促進作用。
從模型（4）和模型（5）可知，在貸款市場上，貸款市場競爭對商業銀行全要素生產率的影響係數顯著為正，即貸款市場競爭抑製了商業銀行全要素生產率的提升，這與Maudos and De Guevara（2007）對歐洲銀行業的研究結論較為一致。貸款市場競爭激烈，銀行為搶奪市場份額，下調貸款利率，銀行利差下降，盈利能力受阻，從而會對其生產率水平的提升產生不利影響。從模型（6）可知，加入商業銀行風險承擔因素後，貸款市場競爭影響全要素生產率的偏效應為0.0021（絕對值高於未考慮風險承擔因素時的0.0008），這說明商業銀行風險承擔因素進一步加劇了貸款市場競爭對其全要素生產率的抑製作用。雖然貸款市場競爭會降低貸款利率，提高銀行資產質量，緩解信用風險，但是銀行收益的下降也損害其抵禦風險的能力（MartinezMiera and Repullo, 2010）。Wagner（2010）也認為雖然貸款利率的下降緩和了信用風險，但是銀行會選擇更具風險的借款人滿足其對收益的追求。
從其他控製變量的影響效應來看，無論貸款市場還是存款市場，商業銀行資本充足率對銀行全要素生產率均具有不顯著的正向影響。雖然商業銀行的資本充足率越高，銀行對負債的最後償付能力越高，其對於風險的管控也越強，但是資本充足率高會使銀行信貸供給減少，銀行盈利能力受阻，影響生產率水平的提高。銀行規模對商業銀行全要素生產率的影響效應顯著為負，銀行規模較大會加大銀行的管理難度，抑製管理效率的提升。銀行存貸比對商業銀行全要素生產率的影響顯著為負。經濟發展水平對商業銀行全要素生產率具有顯著的正向影響，經濟發展水平較高，使得商業銀行處於良好的經營環境，促進銀行綜合實力的提升。但是，M2增長率對商業銀行全要素生產率的影響效應亦是不顯著的。
3. 異質性分析
(1) 宏觀貨幣政策異質性
事實上，商業銀行的行為決策會受到外部宏觀政策的重要影響。特別是對貨幣政策來說，其會影響金融機構的風險感知水平，從而影響其資產定價、資產組合風險水平以及非價格條款等（Borio and Zhu, 2008），從而影響了商業銀行的風險承擔行為（Altunbas et al., 2012），這使得貨幣政策成為係統性風險的源頭之一（譚政勳和李麗芬，2016）。在本文考察期內，中國貨幣政策在整體上經曆了從緊縮到寬鬆的轉變，這一宏觀政策的變化勢必會對商業銀行存貸款市場競爭及其風險承擔行為產生差異化影響。
感謝評審專家的這一建議。基於此，本文也將對這一宏觀政策異質性進行考察，考慮到央行於2008年下半年出台寬鬆的貨幣政策，將樣本區分為2006—2008年（緊縮階段）、2009—2016年（寬鬆階段）兩個階段，分別考察在這兩個階段商業銀行存貸款市場競爭及其風險承擔行為對全要素生產率的影響差異。估計結果如表4所示。
表4貨幣政策異質性估計結果
緊縮貨幣政策階段寬鬆貨幣政策階段
存款競爭貸款競爭存款競爭貸款競爭
LenD-0.0004**
（0.0002）\/-0.0016***
（0.0003）\/
LenL\/0.0018
（0.0056）\/0.0027***
（0.0009）
LenD×Risk0.0006
（0.0004）\/0.0025**
（0.0012）\/
LenL×Risk\/0.0032*
（0.0017）\/0.0013***
（0.0002）
注：“\/”表示該項為空；***、**、*分別在1%、5%和10%水平上顯著；回歸係數下方括號內數值為標準誤（雙側）。限於篇幅，這裏未報告控製變量的估計結果以及模型的相關統計量，如有需要，可與作者聯係。
由表4所示的考慮貨幣政策異質性的估計結果可知，在貨幣政策緊縮時期（2006—2008年），存款市場競爭對商業銀行全要素生產率的影響效應顯著為負，即存款市場競爭顯著提高了商業銀行全要素生產率。在貨幣政策緊縮時期，經濟過熱導致商業銀行麵臨相對更加激烈的存款市場競爭，這會進一步提高存款競爭對於全要素生產率的促進作用。但是，在緊縮性貨幣政策階段，存款競爭所引致的風險更大，這抵消了存款市場競爭的正向影響，並導致存款市場競爭與風險承擔的交互項係數不顯著。對於貸款市場競爭來說，在貨幣政策緊縮時期，商業銀行處於“賣方市場”地位，其所麵臨的貸款競爭壓力較小，這使得其對全要素生產率的抑製作用不顯著。但是貸款市場競爭與風險承擔的交互項係數顯著為正，經濟過熱也蘊含了更高的投資風險，從而對全要素生產率提升產生不利影響。在貨幣政策寬鬆階段（2009—2016年），存款市場競爭對商業銀行全要素生產率的影響效應依然顯著為負，其與風險承擔的交互項係數顯著為正（偏效應為0.0012），即在貨幣政策寬鬆階段，風險承擔因素依然會抑製存款市場競爭在影響商業銀行全要素生產率中的促進作用。最後，在貨幣政策寬鬆時期，貸款市場競爭更加激烈，其抑製了商業銀行全要素生產率的提升。
(2) 商業銀行股權結構異質性
在我國目前的商業銀行體係中，按照其股權結構可以區分為國有商業銀行和非國有商業銀行兩種。盡管這些銀行均進行了股份製改造，但是其在運行機製和日常經營等方麵仍然存在著的巨大的差異，特別是對於一些國有商業銀行來說，其往往與政府部門保持密切的關係和交流，且經營規模也非常大，這使得國有商業銀行相對於非國有商業銀行來說存在更強的市場勢力，其所麵臨的存貸款市場競爭環境以及相應的風險承擔行為也存在著一定的差異。基於此，本文也將對這一股權結構的異質性進行考察，通過將樣本區分為國有商業銀行和非國有商業銀行，分別對其進行回歸。估計結果如表5所示。
表5商業銀行股權結構異質性估計結果
國有商業銀行非國有商業銀行
存款競爭貸款競爭存款競爭貸款競爭
LenD-0.0049
（0.0036）\/-0.0020***
（0.0006）\/
LenL\/0.0013
（0.0010）\/0.0010***
（0.0002）
LenD×Risk0.0027
（0.0020）\/0.0019***
（0.0005）\/
LenL×Risk\/0.0016
（0.0010）\/0.0012***
（0.0003）
注：“\/”表示該項為空；***、**、*分別在1%、5%和10%水平上顯著；回歸係數下方括號內數值為標準誤（雙側）。限於篇幅，這裏未報告控製變量的估計結果以及模型的相關統計量，如有需要，可與作者聯係。
由表5所示的估計結果可知，對於國有商業銀行來說，由於其具有較強的市場勢力和較大的經營規模，其所麵臨的市場競爭壓力較小，管理者可能陷入一種“安逸生活”狀態，這使得存款市場競爭對國有商業銀行全要素生產率的促進效應是不顯著的，而存款市場競爭與風險承擔的交互項係數也是不顯著的。同樣地，由於麵臨較低的貸款市場競爭壓力，國有商業銀行貸款市場競爭與其全要素生產率之間的關係是不顯著的。對於非國有商業銀行來說，存款市場競爭對其全要素生產率的影響效應顯著為負，即存款市場競爭強化了經營者的積極性，提升了全要素生產率，但是這一過程依然會受到風險因素的抑製作用（偏效應為0.0001）。而貸款市場競爭不利於非國有商業銀行全要素生產率的提升，而考慮風險承擔因素後，貸款市場競爭依然會對非國有商業銀行全要素生產率產生不利影響。
4. 穩健性檢驗
本文擬從以下兩個方麵對上述估計結果的穩健性進行檢驗：第一，前文研究中，在對動態麵板模型進行估計過程中直接采用了普通標準誤，為了進一步處理模型擾動項可能存在的截麵異方差、組內自相關和截麵同期相關等問題，我們將采用基於固定效應模型的穩健標準誤對模型進行估計。估計結果如表6中的穩健性檢驗1所示。第二，前文研究中在對商業銀行風險進行衡量時我們所采用的指標是Z值，這裏，將進一步選取不良貸款率（BL）作為風險的衡量指標。不良貸款率越高，銀行麵臨的風險越高；相反，不良貸款率越小，風險就越低。其估計結果如表6中的穩健性檢驗2所示。
表6穩健性檢驗結果
穩健性檢驗1穩健性檢驗2
存款競爭貸款競爭存款競爭貸款競爭
LenD-0.0003***
（0.0001）\/-0.0004***
（0.0001）\/
LenL\/0.0007***
（0.0002）\/0.0011***
（0.0003）
LenD×Risk0.0010**
（0.0004）\/0.0629***
（0.0175）\/
LenL×Risk\/0.0012***
（0.0004）\/0.0420***
（0.0087）
注：“\/”表示該項為空；***、**、*分別在1%、5%和10%水平上顯著；穩健性檢驗1中回歸係數下方括號內數值為穩健的標準誤（雙側）。限於篇幅，這裏未報告控製變量的估計結果以及模型的相關統計量，如有需要，可與作者聯係。
表6所示的穩健性檢驗1結果顯示，存款市場競爭顯著促進商業銀行全要素生產率的提升，存款市場競爭在影響全要素生產率過程中會受到銀行風險承擔能力的影響，進而對商業銀行全要素生產率提升產生抑製作用。貸款市場競爭顯著抑製了商業銀行全要素生產率提升，這一過程也會受到風險因素的進一步影響。穩健性檢驗2結果顯示，在更換風險承擔衡量指標後，存款市場競爭與商業銀行風險承擔的交互項係數，以及貸款市場競爭與風險承擔的交互項係數均顯著為正（偏效應分別為0.0699和0.0481），即存、貸款市場競爭在影響商業銀行全要素生產率過程中依然會受到風險因素的不利影響，這與前麵的基準回歸結果一致。綜上所述，本文研究結果具有較好的穩健性。
五進一步研究
恰如前文所述，基於DEAMalmquist方法測算的全要素生產率可以進一步分解為效率改善效應（EFFCH）和技術進步效應（TECH）。其中，如果效率改善效應大於1，表示生產前沿麵下的決策單元向前沿麵趨近，效率得到改善，其主要來自於製度創新、管理變革以及規模效率提升和資源配置效率提高；反之則表示效率惡化。技術進步效應表示生產前沿麵在t和t+1變化的幾何平均值，其值大於1表示生產可能性邊界向外移動，即技術進步，其主要來自於新知識、新技術、新工藝和新發明創造的采用；反之則表示技術退步。基於此，本文將進一步考察存貸款競爭對商業銀行效率改善效應和技術進步效應的影響，這有利於進一步識別存貸款市場競爭對商業銀行全要素生產率的影響機製和影響來源。不失一般性，本部分的實證研究仍將基於動態麵板計量模型，並采用兩步法係統GMM方法對模型進行估計。估計結果如表7所示。
表7考慮全要素生產率分解形式的估計結果
EFFCHTECH
存款競爭貸款競爭存款競爭貸款競爭
LenD0.0016***
（0.0004）\/-0.0033***
（0.00012）\/
LenL\/0.0011***
（0.0003）\/-0.0040***
（0.0010）
LenD×Risk0.0023**
（0.0010）\/0.0029***
（0.0007）\/
LenL×Risk\/0.0034
（0.0026）\/0.0055***
（0.0019）
注：“\/”表示該項為空；***、**、*分別在1%、5%和10%水平上顯著；回歸係數下方括號內數值為標準誤（雙側）。限於篇幅，這裏未報告控製變量的估計結果以及模型的相關統計量，如有需要，可與作者聯係。
由表7所示的估計結果可知，就效率改善效應來說，存款市場競爭和貸款市場競爭對商業銀行效率改善效應的影響均顯著為正，即存款競爭和貸款競爭顯著抑製了銀行的效率改善。由於效率改善效應往往來自於其規模效率提升和資源配置效率提高，而存款競爭和貸款競爭對商業銀行效率改善的負向影響即可能是因為商業銀行在存貸款方麵的競爭會擴大資金來源和使用，但規模擴大的同時往往是以成本提升為代價，導致銀行息差變窄，經營管理難度加大，規模效率並未得到有效的提升和改善；不僅如此，目前中國商業銀行競爭產生大量的存貸期限錯配現象，這可能會降低資金配置效率，從而對其效率改善效應產生不利影響。就技術進步效應來說，存款市場競爭和貸款市場競爭對商業銀行技術進步效應的影響顯著為負，即存款競爭和貸款競爭顯著促進了商業銀行的技術進步。這可能是因為，由於商業銀行競爭激烈時，靠利差獲益的可能性變小，管理人員不得不通過“努力”提高銀行經營水平和盈利能力，其往往會將多餘的資金用於新技術和新產品的開發，從而提高了技術進步效應。
六總結與啟示
本文采用中國17家上市商業銀行的麵板數據，測算了商業銀行的全要素生產率和存、貸款競爭指數，實證考察存、貸款競爭對商業銀行全要素生產率的影響效應，並得出相關結論與啟示。考察期內，中國商業銀行存款市場和貸款市場均呈現出較為激烈的競爭態勢，存款市場競爭的Lerner指數在整體上呈現出波動上升的趨勢，而貸款競爭Lerner指數的變化則呈現出波動下降的趨勢，且貸款市場競爭Lerner指數高於存款市場。動態麵板回歸模型估計結果顯示，存款市場競爭對商業銀行全要素生產率具有顯著的負向影響，說明存款競爭促進商業銀行全要素生產率的提升，但是這一過程會受到風險因素的不利影響。貸款市場競爭對商業銀行全要素生產率具有顯著的正向影響，說明貸款競爭抑製商業銀行全要素生產率的提升。這一過程中，商業銀行所麵臨的風險也加劇了貸款競爭對商業銀行全要素生產率的抑製作用。異質性分析中，在貨幣政策緊縮時期，存款市場競爭顯著提高了商業銀行全要素生產率，但是此時所蘊含的更大的風險也抵消了存款市場競爭的正向影響；雖然此時貸款市場競爭對全要素生產率的抑製作用不顯著，經濟過熱也蘊含了更高的投資風險，導致貸款市場競爭對全要素生產率提升產生不利影響。在貨幣政策寬鬆階段，存款市場競爭對商業銀行全要素生產率的影響效應依然顯著為負，且這一過程會受到風險因素的負麵影響；而由於貸款市場競爭更加激烈，其抑製了商業銀行全要素生產率的提升。進一步地，存款市場競爭和貸款市場競爭對商業銀行效率改善效應的影響均顯著為正，存貸款市場競爭並未有效改善商業銀行的規模效率，但是存款競爭和貸款競爭能夠顯著促進商業銀行的技術進步。
針對以上問題提出以下建議：（1） 商業銀行應積極拓展創新業務，避免盈利模式的單一化。為了抵禦競爭帶來的高風險，商業銀行應積極創新，通過擴大中間業務、發展資產證券化等方式，實現銀行收入渠道的多元化；同時鼓勵商業銀行交叉以及跨區域業務的開展，提高銀行的競爭度。（2） 國有銀行規模較大，易產生規模不經濟。因此，適當收縮運營規模，以解決規模不經濟的負麵影響。同時提高國有銀行的經營管理技術，分清銀行、企業、政府三者間的關係，進而促進其成本效率的提升；對於規模較小的銀行提供支持和幫助以擴大其規模，提高規模效率，鼓勵規模較小的銀行與大銀行分支機構進行有效的並購等，使得國有商業銀行與非國有小型銀行實現優勢互補，協調發展。（3） 完善現有法律法規體係，促進銀行實現良性競爭，建立淘汰機製，鼓勵銀行的規範進入與退出，進而推動銀行的公平競爭與發展。
參考文獻
[1] Aiello, F., and Bonanno, G., 2016, Looking at the Determinants of Efficiency in Banking: Evidence from Italian Mutual Cooperatives[J]. International Review of Applied Economics, 2016, 30(4): 507526.
[2] Allen, F. and Gale, D. Financial Contagion[J]. Journal of Political Economy, 2000(1): 3353.
[3] Andries，, A. M., and Cpraru, B., The Nexus between Competition and Efficiency: the European Banking Industries Experience[J]. International Business Review, 2014, 23(3): 566579.
[4] Arellano, M., and Bond, S. Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations[J]. Review of Economic Studies, 1991(2): 277297.
[5] Arellano, M., and Bover, O. Another Look at the Instrumental Variable Estimation of Errorcomponents Models[J]. Journal of Econometrics, 1995(1): 2952.
[6] Bain, J. S. Relation of Profit Rare to Industry Concentration: American Manufacturing, 1934—1940[J]. Quarterly Journal of Economics, 1951(65): 293324.
[7] Berger, A., and Hannan, T. Using Efficiency Measures to Distinguish among Alternative Explanations of the Structureperformance Relationship in Banking[J]. Managerial Finance, 1997(23): 631.
[8] Berger, A., and Hannan, T. The Efficiency Cost of Market Power in the Banking Industry: a Test of the “Quiet Life” and Related Hypotheses[J]. Review of Economics and Statistics, 1998(3): 454465.
[9] Berger, A. N.,Klapper, L. F., TurkAriss, R. Bank Competition and Financial Stability[J]. Journal of Financial Services Research, 2009, 35(2): 99118.
[10] Beck, T., DemirgucKunt, A., and Levine, R. Bank Concentration, Competition, and Crises: First Results[J]. Journal of Banking and Finance, 2006, 30(5): 15811603.
[11] Blundell, R., and Bond, S. Initial Conditions and Moment Restrictions in Dynamic Panel Data Models[J]. Journal of Econometrics, 1998(1): 115143.
[12] Bond, S. Dynamic Panel Data Models: A Guide to Micro Data Methods and Practice[J]. Portuguese Economic Journal, 2002(2): 141162.
[13] Borio, C., and Zhu, H. Capital Regulation, Risktaking and Monetary Policy: A Missing Link in the Transmission Mechanism[R]. BIS Working Papers No. 268.
[14] Caves, D. W., Christensen, L. R., andDieweert, W. E. The Economic Theory of Index Numbers and the Measurement of Input, Output, and Productivity[J]. Econometrica, 1982(6): 13931414.
[15] Charnes, A., Cooper, W. W., and Rhodes, E. Measuring the Efficiency of Decision Making Units[J]. European Journal of Operational Research, 1978(6): 429444.
[16] Delis, M. andTsionas, E. The Joint Estimation of Banklevel Market Power and Efficiency[J]. Journal of Banking and Finance, 2009(33): 18421850.
[17] Dimond, D. Financial Intermediation and Delegated Monitoring[J]. Review of Economic Studies, 1984(3): 393414.
[18] Duygun, M., Sena, V., and Shaban, M. Schumpeterian Competition and Efficiency among Commercial Banks[J]. Journal of Banking and Finance, 2013, 37(12): 51765185.
[19] Fare, R.,Grosskoft, S., and Norris, M. Productivity Growth, Technical Progress, and Efficiency Change in Industrialized Countries: Reply[J]. American Economic Review, 1997(5): 10401044.
[20] Frame, W. S., and Kamerschen, D. R. The ProfitStructure Relationship in Legally Protected Banking Markets Using Efficiency Measures[J]. Review of Industrial Organization, 1997(12): 912.
[21] Fu, X. M., Lin, Y. R.,Molyneux, P. Bank Competition and Financial Stability in Asia Pacific[J]. Journal of Banking and Finance, 2014, 38(1): 6477.
[22] Fungov, Z., Pessarossi P., Weill L. Is Bank Competition Detrimental to Efficiency? Evidence from China[J]. China Economic Review, 2013, 27(27): 121134.
[23] Hauswald, R., Marquez, R. Competition and Strategic Information Acquisition in Credit Markets[J]. Review of Financial Studies, 2006, 19(3): 9671000.
[24] Hicks, J. The Theory of Monopoly[J]. Journal of the Econometric Society, 1935(1): 120.
[25] Jiménez, G., Lopez, J. A., and Saurinal, J. How Does Competition Affect Bank Risktaking? [J]. Journal of Financial Stability, 2013(2): 185195.
[26] Kao, C., and Liu, S. T. A Parallel Production Frontiers Approach for Intertemporal Efficiency Analysis: the Case of Taiwanese CommercialBanks[J]. European Journal of Operational Research, 2016(2): 411421.
[27] Keeley, M. C. Deposit insurance, risk, and market power in banking[J]. American Economic Review, 1990, 80(5): 11831200.
[28] Koetter, M., and Spierdijk, L. Enjoying the Quiet Life under Deregulation? Evidence from Adjusted Lerner Indices for U.S. Banks[J]. Review of Economics and Statistics, 2012, 94(2): 462480.
[29] Lerner, A. P. The Concept of Monopoly and the Measurement of Monopoly[J]. Review of Economic Studies, 1934(1): 157175.
[30] Laeven, L., and Levine, R. Bank Governance, Regulation and Risk Taking[J]. Journal of Financial Economics, 2009(93): 259275.
[31] MartinezMiera, D., and Repullo, R. Does Competition Reduce the Risk of Bank Failure? [J]. Review of Financial Studies, 2010(10): 36383664.
[32] Maudos, J., and Fernandez de Guevara, J. The Cost of Market Power in Banking: Social Welfare Loss vs. Cost Inefficiency[J]. Journal of Banking and Finance, 2007(2): 21032125.
[33] Mishkin, F. S. Global Financial Instability: Framework, Events, Issues[J]. Journal of Economic perspectives, 1999(4): 320.
[34] Schaeck, K., and ihk, M. How Does Competition Affect Efficiency and Soundness in Banking? New Empirical Evidence[R]. European central bank working papers, No. 932, 2008.
[35] Tabak, B. M., Gomes, G. M. R., and da Silva Medeiros, M. The Impact of Market Power at Bank Level in Risktaking: the Brazilian Case[J]. International Review of Financial Analysis, 2015(40): 154165.
[36] Wagner, W. Diversification at Financial Institutions and Systemic Crises[J]. Journal of Financial Intermediation, 2010(3): 373386.
[37] 查鑒珂，蒲勇健.存貸款價格競爭對我國商業銀行風險的影響研究[J].價格理論與實踐，2015（12）：130132.
[38] 程茂勇，趙紅.市場勢力對銀行效率影響分析——來自我國商業銀行的經驗數據[J].數量經濟技術經濟研究，2011（10）：7891.
[39] 蔡躍洲，郭梅軍.我國上市商業銀行全要素生產率的實證分析[J].經濟研究，2009（9）：5265.
[40] 郭曄，趙靜.存款競爭、影子銀行與銀行係統風險——基於中國上市銀行微觀數據的實證研究[J].金融研究，2017（6）：8194.
[41] 賀春臨.我國銀行業的市場結構與績效研究[J].經濟評論，2004（6）：96102.
[42] 黃雋，湯珂.商業銀行競爭、效率及其關係研究——以韓國、中國台灣和中國大陸為例[J].中國社會科學，2008（1），6986.
[43] 江曙霞，劉忠璐.存貸款市場競爭對銀行風險承擔的影響有差異嗎？——基於利率市場化改革的討論[J].經濟管理，2016（6）：115.
[44] 林德發，汪宜香.銀行業競爭是否導致商業銀行過度風險承擔——基於15家商業銀行麵板數據的實證檢驗[J].現代財經，2018（6）：6171.
[45] 秦宛順，歐陽俊.中國商業銀行市場結構、效率和績效[J].經濟科學，2001（4）：3445.
[46] 邵漢華，楊俊，廖嚐君.中國銀行業的競爭度與效率——基於102家商業銀行的實證分析[J].金融論壇，2014（10）：4755.
[47] 申創，趙勝民.市場競爭度、非利息業務對商業銀行效率的影響研究[J].數量經濟技術經濟研究，2017（9）：145161.
[48] 申創.市場集中度、競爭度與銀行風險的非線性關係研究[J].國際金融研究，2018（6）：6575.
[49] 沈悅，郭品.互聯網金融、技術溢出與商業銀行全要素生產率[J].金融研究，2009（3）：160175.
[50] 譚政勳，李麗芬.中國商業銀行的風險承擔與效率——貨幣政策視角[J].金融研究，2016（6）：112126.
[51] 唐興國，劉藝哲.銀行貸款競爭對金融穩定的影響——基於貸款利率市場化的研究[J].金融經濟學研究，2014（1）：100108.
[52] 王耀青，金洪飛.利率市場化、價格競爭與銀行風險承擔[J].經濟管理，2014（4）93103.
[53] 徐明東，陳學彬.貨幣環境、資本充足率與商業銀行風險承擔[J].金融研究，2012（7）：4862.
[54] 徐忠，沈豔，王小康，等.市場結構與我國銀行業績效：假說與檢驗[J].經濟研究，2009（10）：7586.
[55] 易綱，趙先信.中國的銀行競爭：機構擴張、工具創新與產權改革[J].經濟研究，2001（8）：2532.
[56] 楊天宇，鍾宇平.中國銀行業的集中度、競爭度和銀行風險[J].金融研究，2013（1）：122134.
[57] 袁曉玲，張寶山.中國商業銀行全要素生產率的影響因素研究——基於DEA模型的Malmquist指數分析[J].數量經濟技術經濟研究，2009（4）：93104.
[58] 趙旭，蔣振生，周軍民.中國銀行業市場結構與績效的實證研究[J].金融研究，2001（3）：5967.
[59] 張宇馳，揭月慧.監管改革、銀行競爭與風險承擔[J].財經問題研究，2011（10）：5359.
[60] 張雪蘭，何德旭.貨幣政策立場與銀行風險承擔——基於中國銀行業的實證研究（2000—2010）[J].經濟研究，2012（5）：3144.
[61] 張宗益，吳恒宇，吳俊.商業銀行價格競爭與風險行為的關係——基於貸款利率市場化的經驗研究[J].金融研究，2012（7）：114.
[62] 張宗益，汪宇.非利息收入和銀行規模對其風險的影響——基於中國16家上市銀行的實證分析[J].技術經濟，2014（6）：112116.
論文執行編輯：周耿
論文接收日期：2018年6月8日
Deposit Competition and Loan Competition,
Risktaking Behavior and the Total Factor
Productivity of Commercial Banks
Kaiyi SongYuanchao Bian
Abstract:The deposit market of Chinas commercial banks was obviouslycompetitive, also the loan market, under the background of Chinas interest rate liberalization, which has become an important factor affecting its productivity.This paper measured the Learner index of the deposit market, loan market and the total factor productivity of commercial banks in China, empirically testing the effects of deposit competition and loan competition on the total factor productivity of commercial banks. The study found that Chinas commercial banks exhibited a trend of monopolistic competition. Deposit competition had a significant promotion effect on total factor productivity of commercial banks, at the same time, banks assumed more risks, which in turn inhibited the improvement of efficiency. On the contrary, loan competition reduced the total factor productivity. However, the increasing risk of banks further inhibited the improvement of efficiency. Then it was found that the difference of monetary policy and the difference of ownership structure of commercial banks will make the deposit competition and loan competition have a heterogeneous effect on its total factor productivity level. Also, the deposit competition index and loan competition index were significantly positive to improve the efficiency of commercial banks, buttheir effects on technological progress weresignificantly negative, during the
inspection period.
Key words:Deposit CompetitionLoan CompetitionRisktaking Behaviorthe Total Factor Productivity
JEL Classification：E52G10G21
中國P2P網貸平台的擔保機製
與中介性質
①本文為2015年9月19日由中國社會科學院經濟研究所、《經濟研究》雜誌社與南京大學商學院聯合主辦的“互聯網金融發展高層論壇”彙報論文，作者感謝論壇參會專家提出的寶貴意見。本文同時為國家社會科學基金重大項目“互聯網金融的發展、風險與監管研究”（14ZDA043）階段性成果。感謝裴平、林鶴峰、張若楠、虞文薇、張力戈的貢獻。感謝審稿人的建設性意見。
張兵（1969—），南京大學商學院教授，博士生導師，研究方向為金融市場、金融計量，Email：[email protected]。展昊，南京大學經濟學院金融與保險學係，Email：[email protected]。何飛，南京大學經濟學院金融與保險學係，Email：[email protected]。
中國P2P網貸平台的擔保機製
與中介性質①
張兵展昊何飛
【摘要】研究中國P2P網貸平台的擔保機製與中介性質具有極其重要的意義。本文以人人貸平台的大量公開數據為基礎，綜合運用理論模型構建、數值模擬分析以及實證回歸等方法，集中探討了P2P平台的擔保機製與中介性質問題。本文研究證實了P2P平台的壞賬賠付率競爭是引致平台走向信用中介的主要原因，並推導出了最優的壞賬賠付率區域。在此基礎上，本文分析了擔保機製對投資人行為的影響：當平台為壞賬提供高額賠付時，投資人傾向於隨機投資；而降低平台對壞賬的賠付率，能夠激勵投資人主動投資；基於平台最大壞賬賠付率與壞賬率的對應關係，我們可以繪出P2P平台的中介性質譜係。與此同時，現實中為了應對擔保機製帶來的風險累積，平台采取的增強自身決策權的做法，使其進一步滑向信用中介角色。根據本文得出的結論，我們認為改善P2P行業現狀的關鍵是政府有關部門出台具體政策，降低平台壞賬賠付率並使其逐步回歸信息中介。在循序漸進去擔保的過程中，平台應該加大風控力度，保障投資人權益。除此以外，必須著力加強投
資人教育，督促平台充分披露信息，輔助投資人學習，促進合格投資人隊伍建設。
【關鍵詞】P2P網貸擔保機製中介性質壞賬賠付率
【JEL分類】G20G29
一引言
P2P網貸（PeertoPeer Lending）的典型模式為：網絡借貸公司提供平台，撮合借貸雙方自由成交。其完整的還款流程為：借款人到期償還本息給投資人，網絡借貸公司收取中介服務費。在中國，P2P網貸發展迅猛的同時，暴露出一係列問題
根據網貸之家的最新統計，截至2016年4月，全國共有P2P平台4029家，其中出現問題的平台有1598家。2018年僅僅6月1日—7月18日，全國共有231家P2P平台出現了逾期、跑路、倒閉、經偵介入等情況，涉及金額過萬億，相當於平均每天有5家P2P平台出現問題。。我們認為，這些問題產生的根源在於中國P2P網貸平台的中介性質不清。2013年12月，銀監會政策研究局副局長龔明華指出：P2P平台作為信息中介，主要是為借款人和投資人提供信息撮合服務。然而，在實際運作過程中，很多P2P平台都采用擔保機製進行自增信，變信息中介為信用中介，角色轉變的同時帶來了巨大風險。2015年7月18日，央行等十部委聯合發布的《關於促進互聯網金融健康發展的指導意見》（以下簡稱《指導意見》）進一步指出：P2P網貸平台要明確信息中介性質，主要為借貸雙方的直接借貸提供信息服務，不得提供增信服務。2015年12月28日，銀監會發布的《網絡借貸信息中介機構業務活動管理暫行辦法（征求意見稿）》（以下簡稱《辦法》）再次重申了P2P平台作為信息中介的法律地位，並明確要求P2P平台不得向出借人提供擔保或者承諾保本保息。由此可見，當前的監管主要圍繞P2P網貸平台的擔保機製與中介性質展開，而這也成為P2P平台整改過程中麵臨的最大挑戰。
在此背景下，研究中國P2P網貸平台的擔保機製與中介性質具有極其重要的意義。首先，在我國大多數P2P網貸平台為借款標的提供擔保的背景下，研究平台的擔保機製對平台信用中介化的影響和其中蘊含的相關理論，有助於認清中國P2P網貸平台的本質屬性；其次，麵對平台擔保機製可能將投資人主動投資的“應有之舉”變為隨機投資的“事實既成”之局麵，從投資人行為視角構建博弈模型，探討P2P平台擔保機製對投資人行為的具體影響，對於解決當前平台擔保機製下投資人可能的“不作為”問題具有實際價值；第三，由於P2P網貸係統的相關各方均未做好去擔保的充分準備，監管機構和平台本身也未能提出切實可行的去擔保路徑，根據研究成果提出符合當前P2P平台發展現狀並具合理性的去擔保方式，對於監管指導意見的有效實施具有重要的政策意義。
二文獻回顧
現有關於P2P網貸的研究中，有很多側重於借款成功率和壞賬率的影響因素。Duarte et al. (2012)指出長相誠實可靠的人借款成功率更高。廖理等（2014a）用人人貸的數據得出地域因素會影響借款成功率。王會娟和廖理（2014）同樣用人人貸數據，研究發現信用評級越高，借款成功率越高。Lin et al. (2013)研究發現信用水平低的借款人借款成功率低。Dorfleitner et al. (2016)基於歐洲網貸平台數據，研究發現借款描述中的“軟信息”會影響借款成功率。廖理等（2014b）通過研究發現利率、訂單期限、信貸額度、認證信息的個數、借款人的風險水平均對壞賬率有顯著影響。李悅雷等（2013）用拍拍貸的數據，也得到了類似結論。在關於網貸投資人行為的研究中，Chen and Han (2012)通過比較研究發現，相比於美國投資人，中國投資人更看重標的的“軟信息”。Lee and Lee (2012)通過對韓國一家大型P2P平台上的數據進行研究，發現存在著邊際遞減的顯著投資人羊群行為。Liu et al. (2015)發現網貸過程中友誼關係對投資人決策影響顯著。Mild et al. (2015)研究發現投資人並不能根據借貸標的信息進行有效的風險評估。
除了上述研究，還有一些文獻探討了P2P平台的擔保機製問題。曾戀雲等（2016）認為，當前P2P平台普遍采取壞賬墊付的原因包括投資人風險自擔意識不強、相關法律缺失導致投資人維權難等。蘇凱榮和崔鈺潔（2015）則發現，出於平台利益考慮，有限理性的網貸平台最終將趨於為標的擔保。Agarwal et al. (2015)發現有擔保的標的獲得融資的概率更高。也有學者從法律角度和風險角度對P2P平台擔保機製的運作方式提出質疑。劉誌偉（2015）認為，P2P平台先行對投資人進行本金償付並接受投資人對借款人債權轉讓的行為，本質上是開展以“擔保”為業的經營活動，違反了我國融資性擔保機構和非融資性擔保機構監管的相關法律規定。姚餘棟（2015）指出，在《指導意見》出來前，P2P平台普遍的實踐是自己對自己擔保，而《指導意見》出來後，明確規定P2P平台不得提供增信服務，巨大的政策風險將導致整個P2P行業去擔保化。
此外，部分學者研究P2P平台逐步成為信用中介的原因以及對網貸投資者行為的影響。與國外P2P平台扮演著信息中介的角色不同，薑再勇（2014）認為，與國外相比，國內大部分網貸平台信息中介特性不明顯。一些網貸平台通過開展所謂的創新業務，逐漸涉及經營信貸領域，成為資金中介的中心。閆淼（2014）認為，由於信用風險高，為了積極應對風險，P2P平台的運作模式越來越多樣化，這成為平台由信息中介慢慢衍變成信用中介的重要原因。彭冰（2014）認為，P2P平台通過提供本息擔保吸引投資人的方式，使得標的信用風險完全轉嫁於擔保方身上，公眾投資人沒有審核挑選借款人的動力。劉繪和沈慶劼（2015）發現投資人經常使用P2P平台提供的自動投標工具進行投標，這就意味著投資人放棄主動權而完全交由平台抉擇。在此過程中，平台擔保墊付基礎上的代理決策行為，使得平台進一步向信用中介靠攏。
通過梳理相關文獻，我們發現，雖然已有學者認識到P2P網貸平台擔保機製與中介性質研究的重要性，但對於其係統的研究還很少。與此同時，我們發現尚未有從投資人行為視角對相關問題進行深入剖析的探索。我們認為，在國內P2P平台擔保機製普遍存在並且中介性質模糊的現狀下，麵對不同標的信息，投資人是否會主動投資還無法判斷。在此意義上，如果投資人依賴平台擔保而不對投資標的進行甄別篩選，那麼隨機投資下平台壞賬很有可能呈累積爆發態勢，風險巨大。因此，本文集中研究了平台間的壞賬賠付率競爭如何推動平台走向信用中介，並推導出最優的壞賬賠付率區域，與此同時，研究了平台擔保機製對投資人行為的影響，提出了激勵投資人主動投資的方法以及促進平台回歸信息中介的具體可行路徑。
本文以下部分的結構安排如下：第三部分研究P2P平台的擔保機製和壞賬賠付率決定；第四部分建立基於投資人行為視角的博弈模型，考察P2P平台賠付率對投資人行為的影響；第五部分研究P2P平台壞賬賠付率對平台決策的影響，通過第四、第五部分說明P2P平台向信用中介轉變的機理；第六部分分析去擔保的阻礙因素及可行性；最後是結論與政策建議。
三平台的擔保機製及壞賬賠付率決定
早期借貸市場的最優製度安排是：投資人將資金交給中介機構，中介機構再將資金貸給借款人。表麵上看，這一過程有兩種不同的借貸關係，分別發生於投資人和中介機構以及中介機構和借款人之間，而實際效果是投資人將資金貸給借款人。在此過程中，中介機構存在的目的是降低交易成本和信息不對稱，並且由於通過分別與雙方建立信用關係來發揮中介職能，故被稱為信用中介。相比而言，在典型的P2P網貸模式中，P2P平台為借貸雙方提供的是信息公開的借貸渠道以及本息還款的代收、壞賬的追償等服務，中介機構即P2P平台和借貸雙方已經沒有了信用關係。在此過程中，投資人沒有對平台的債權，平台也沒有對借款人的債權，故平台僅僅扮演信息中介角色。然而，國內P2P平台幾乎都對壞賬進行擔保
根據網貸之家統計，2015年11月，成交量前100名的平台中（這100家平台當月的總成交量約占所有平台當月成交量的91.1%），幾乎所有平台官網都顯示提供保本保息賠付（具體的描述主要包括：本息墊付、本息保障、保本保息、風險金本息保障等）。由此可見，中國P2P平台的高額賠付承諾已成“行業定律”，故本文中雖然僅以人人貸為例探討本息賠付下的平台中介性質問題，但已經能夠代表整個中國P2P行業的現狀。。這可能會導致投資人忽視借貸風險，漠視公開信息，隨機進行投資，平台上的公開信息起不到應有的作用，平台向信用中介轉變。同時為了防範投資人隨機投資給平台帶來的損失，在實際運作中，P2P平台的諸多業務開展使其呈現出明顯的信用中介化趨勢。鑒於該結果的出現始於P2P平台的擔保機製，接下來，我們結合現實情況對平台設立擔保機製的動機進行分析，並歸納出擔保機製下平台信用中介化的表現，為後麵理論模型的構建夯實基礎。
我們認為中國P2P網貸平台設立擔保機製的動機主要包括：首先，擔保機製能夠吸引投資人，快速提高平台成交量。對比自稱不兜底的拍拍貸和首創“本金墊付”的紅嶺創投，前者2015年的業績報告顯示平台全年成交56.25億元，後者2015年的業績報告顯示平台全年成交905.8億元，雙方擔保機製的不同使得平台成交量形成巨大落差。再者，擔保機製能夠簡化借貸程序，提升借貸效率。人人貸開展實地認證標的的同時，平台推出了期限較短並保證收益的配套理財，投資人通過參與理財計劃，可以享受自動投標便利；與此同時，借款人隻要完成實地認證，即可成功借款。本息賠付基礎上的“自動理財”模式促進了借貸效率的極大提升。最後，擔保機製對於彌補平台風控能力短板具有顯著優勢。在已經公布的數據中，“本金墊付”的紅嶺創投的壞賬達到幾個億，但每一次壞賬爆發後，紅嶺創投的及時賠付行為贏得了投資人的信賴，平台成交量不減反增。
在此背景下，眾多P2P平台開始提供擔保，並且在賠付率方麵展開激烈的競爭，最終理性的P2P平台會設置高額壞賬賠付率以搶占市場
關於P2P平台競爭導致賠付率提高的理論論證見附錄Ⅰ。下文將構建博弈模型並通過實證檢驗論證賠付率對投資者行為和P2P平台決策的影響，並以此解釋P2P平台呈現出信用中介化趨勢的原因。
四P2P平台壞賬賠付率對投資人行為的影響
1. 擔保機製下投資人行為的模型構建
基於前文分析，我們知道在激烈的競爭環境中，P2P平台趨於設置高賠付。接下來我們通過構建博弈模型，來研究P2P平台擔保機製對投資人行為的影響，其中主要涉及平台壞賬率和壞賬賠付率兩個重要參數。
理論模型主要參考的複旦大學出版社，謝識予的《經濟博弈論》中不完美信息動態博弈的部分。
如圖1，模型假設：
（1） 投資人進入P2P市場後，可以通過花費一定的學習成本（cost）進行主動投資，從而將網貸標的區分為優質資產和次等資產，這兩種資產在P2P平台上具有相同的利率，但是可以認為壞賬率明顯不同，且這一信息對於出借人可知，其中高壞賬率的是次等資產，低壞賬率的是優等資產，優質資產的期望收益率總是高於次等資產的期望收益率。
（2） 當投資人沒有通過學習進行主動投資時，隻能隨機投資，並且其對每個標的的投資都是等概率的。
（3） 標的壞賬的發生是隨機事件，不同標的發生壞賬的概率各不相同，“選擇”了壞賬標的的投資人在壞賬發生時可以從平台處獲得相對於本金比率為α的賠付。
博弈方1：投資人。博弈方2：平台。博弈方0：隨機事件
參數：
P1：投資人主動投資時，標的發生壞賬的概率。
P2：投資人隨機投資時，標的發生壞賬的概率。
cost：投資人主動投資時花費的學習成本。
C：投資額。
α：平台對壞賬的賠付率。
f：平台服務費用率。
i1：投資人主動投資情況下，未發生壞賬的標的利率。
i2：投資人隨機投資情況下，未發生壞賬的標的利率。
圖1投資人決策的動態博弈樹
對於以上假設和參數，需要注意的是，一旦投資人選擇主動投資，便要花費一定的學習成本，假設學習效果顯著，則其投資標的將被“限製”在優質資產中，在此意義上，主動投資和隨機投資的壞賬率、投資利潤率以及預期收益率都將不同。與此同時，假設投資人是理性的，當且僅當主動投資比隨機投資獲得更高的期望收益率時投資人選擇主動投資。用公式表示即：
P1·α－costC+(1－P1)·1+i1－costC>P2·α+(1－P2)·(1+i2)（1）
據此，一個二分類的投資模型可以表現為如下的聯合概率表形式:
表1投資模型聯合概率分布表
實際情況
壞賬正常貸款
預測情況次等
優質
a11a21
a12a22
表1中，a11表示一個標的被預測為次等資產且發生壞賬的概率，a12表示一個標的被預測為優質資產且發生壞賬的概率，a21表示一個標的被預測為次等資產且不發生壞賬的概率，a22表示一個標的被預測為優質資產且不發生壞賬的概率。根據隨機事件本身性質，可知：
a11+a12+a21+a22=1（2）
P2P平台的壞賬率與投資人的投資行為緊密相關。當投資人通過學習主動投資時，平台壞賬率為a12a12+a22，而當投資人隨機投資時，平台壞賬率為a11+a12。可以證明：當a12a21-a11a22<0時，有a12a12+a220時,結論恰好相反，此時平台並不希望投資人進行有道德風險的“主動投資”；當a12a21-a11a22=0時，平台對於投資人是否主動投資持無所謂態度。綜上，當a12a21-a11a22<0時，即不考慮道德風險的情況下，P2P平台與投資人利益具有一致性，主動投資是最優的。
考慮投資人通過學習進行主動投資的前提條件，結合（1）式及表1中的參數，可得：
a12a12+a22α+a22a12+a22(1+i1)－costC>(a11+a12)α+(a21+a22)(1+i2)（3）
我們將（3）式稱為學習激勵條件，經過變形，可以得到：
i2 我們稱（4）式所表示的區域為學習激勵可行域。當不等式取等時，其表示學習激勵邊界。基於前文分析，可以結合圖形從不同情況討論平台壞賬賠付率變化對投資人行為的影響。鑒於a12a21-a11a22=0時分析意義不大，我們隻考慮以下兩種情況。 情況一：a12a21-a11a22<0時 圖2學習激勵可行域 如圖2所示，在不考慮投資人學習成本的情況下，當平台壞賬賠付率α由1逐漸減少至0時，學習激勵邊界向左移動。當保持i2不變時，該投資利潤所對應學習激勵邊界上的點由A移動到B，即所對應橫軸i1值相應減小。其含義是：理論上，投資模型預測力（表現為投資人對壞賬的預測能力）的提高以及平台承擔風險的減少，將使得投資人合理評估風險情況下的市場利率降低。就可操作性角度來看，鑒於投資模型預測力的上升對平台與投資人雙方風險識別能力有較高要求，故相對而言采取降低壞賬賠付率的方式更為簡便。通過α值的調節，現有的(i1,i2)將逐步處於學習激勵邊界上，從而激勵投資人的學習行為。通過計算，得到不考慮學習成本條件下，投資人主動投資時平台最高壞賬賠付率的表達式如下： αmax=1+(a12+a22)(a21+a22)i2－a22i1a12－(a11+a12)(a12+a22)（5） 這一數值反映了在假設條件下，由平台的壞賬賠付率決定的投資人學習激勵條件。即當α<αmax時，投資人才會通過學習進行主動投資。 進一步地，如圖3所示，設α=α0，假設當學習成本為0時，點(i1,i2)處於學習激勵可行域內。考慮學習成本大於0，即可行域邊界下移的情形：假設不同投資人學習成本不同，對於學習成本較低的投資人，此時點(i1,i2)仍在可行域內，而對於學習成本較高的投資人，點(i1,i2)在可行域之外。在此過程中，學習成本的高低表現為可行域邊界下移的程度，隨機投資報酬率與不同投資人無關，位於可行域內的點表示投資人通過學習獲得了高於隨機投資的收益率。這意味著具有較低學習成本的投資人能夠通過學習主動投資並獲得額外收益。綜合前文分析，在其他條件不變的情況下，降低平台的壞賬賠付率以及投資人的學習成本，能夠激勵投資人主動投資。 情況二：a12a21-a11a22>0 此時可以解釋為表1中投資模型判斷的標的違約率高於正常水平。這種情況下，我們認為投資人有道德風險，即投資人希望獲得高風險背後的高收益。值得注意的是，道德風險投資之所以能夠維係，恰恰是因為平台擔保機製的存在——在壞賬高額賠付的承諾下，投資人並不擔心高收益背後隱含的高風險。然而，投資人的道德風險投資必然 會導致平台壞賬率上升，造成平台風險累積。其實，根據（4）式，當壞賬賠付率α下降時，投資人學習激勵邊界下移，道德風險投資成本提高，投資人投機心理將減小。因此，為了避免看似合理，實則存在道德風險的投資發生（試著降低投資人學習成本會使情況更糟），唯一的解決方法隻有降低平台的壞賬賠付率。 圖3不同學習成本的情形 2. 擔保機製下投資人行為的實證檢驗 基於上文的理論分析，下麵我們借助數據作進一步探討。本文采集了人人貸平台2011年初至2014年底的標的數據，所有信息均為人人貸網站上的公開數據並均可追溯至原網頁，數據來源真實可靠。每條標的信息包括了二十餘項具體內容，較為詳實。根據標的類型，我們從45萬餘條數據中篩選出有效的標的信息進行分析，得到信用認證標53229條，機構擔保標14217條，實地認證標78337條，智能理財標89條。相對於其他標的，智能理財標的數量稀少，故在本文中不予考慮。在我們選取的2011年1月1日至2012年7月機構擔保標出現前的12649筆信用認證標中，有4432筆成功籌資，192筆發生壞賬，其他未籌款成功。根據上文分析，我們假設在選定樣本期內，網貸市場中的投資人都選擇主動投資而非隨機投資，接下來我們將通過數值計算驗證該假設是否成立，進而說明現實中平台擔保機製對投資人行為的影響。 (1) 壞賬賠付率α=1時投資者行為的實證檢驗 首先，考慮投資人主動投資的學習激勵條件，由於在樣本期內，平台對標的進行本金擔保，故壞賬賠付率α=1，代入（4）式，可得： i2 其次，根據表1中投資模型聯合概率分布表以及主動投資假設，我們可以得到（7）式，其中有4個未知量，3個獨立方程，解方程組所需的一個關鍵參數，可通過實證預估平台的總體壞賬率得到。 a12a12+a22=1924432 a12+a22=443212649 a11+a12+a21+a22=1（7） 我們通過Probit模型來探討標的壞賬率的影響因素。假設yi代表壞賬情況，yi=1時表示違約，yi=0時表示不違約，將xi設為壞賬的影響因素，構建yi與xi之間的非線性概率模型： Pr(yi=1|xi,β)=Pr(yi>－x′iβ)=1－F(－x′iβ)=pi（8） Pr(yi=0|xi,β)=Pr(yi≤－x′iβ)=F(－x′iβ)=1-pi（9） 其中，F是隨機幹擾項ui的分布函數，我們假設ui服從標準正態分布，則Probit回歸模型記為yi=1-F-x′iβ+ui。此時，由於yi隻取0或者1，故條件均值E(yi|xi)=pi，即為“違約”（yi=1）時的條件概率。 在本文中，我們用4432筆成功籌資標的進行實證分析，考慮兩類不同影響壞賬率的因素，分別建立以下模型： Pr(BAD_DEBTi|inf_orderi)=f(inf_orderi)+εi（10） Pr(BAD_DEBTi|inf_orderi,inf_personi)=f(inf_orderi,inf_personi)+εi（11） 在式（10）和式（11）中，BAD_DEBTi為描述第i條借款是否成為壞賬的虛擬變量，1表示壞賬，0表示正常貸款；inf _orderi為描述第i條借款的訂單信息，包括金額、利率和期限。inf _personi為第i條借款中包含的個人信息，包括年齡、性別、借款用途、地域、工作性質、工作行業、單位規模、收入水平、學曆、婚姻狀況、工作時間、房車產狀況、房車貸狀況等。相對於（10）式，（11）式中加入了借款人的個人信息，能更詳盡揭示不同因素對壞賬率的影響。表2給出主要控製變量的描述性統計，可以看出，訂單金額平均值為34895.68，利率平均值為14%，期限平均值為7.457個月，同時報道給出了借款人的主要特征，年齡平均值為35歲，工資平均值集中在5000～10000區間，學曆平均為本科，公司規模集中在100～500之間，工作時間平均值為3年～5年之間。 表2成功借款的訂單以及借款人信息的描述性統計 平均值標準差最小值最大值 訂單金額34895.6868702.783000500000 訂單利率14%3.4%5%24% 訂單期限7.4575.303336 （續表） 平均值標準差最小值最大值 借款人年齡356.7132372 借款人工資5000～100001.5491000以下50000以上 借款人學曆本科0.853高中及以下研究生及以上 借款人公司規模100～500人0.72410人以下500人以上 借款人工作時間3年～5年0.5891年以下5年以上 具體的模型回歸結果見附表A和附表B。 根據（10）式和（11）式的回歸結果，我們得到借款的金額、利率、還款期限均與壞賬概率有顯著的正相關關係。控製了個人信息之後，借款的利率、還款期限仍然與壞賬概率顯著正相關，同時，一些特定的個人信息也會顯著影響壞賬概率 鑒於已經有相當多關於壞賬概率影響因素的研究，本文不再對模型(b)中的具體回歸結果作一一解釋。。通過計算，用（10）式對12649條借款申請進行預估的總體期望壞賬率為0.0573；用（11）式對12649條借款申請進行預估的總體期望壞賬率為0.0847，即a11+a12分別為0.0573和0.0847。在此基礎上，結合（7）式可以計算出方程組中未知量的值，具體結果如表3和表4所示。 表3（10）式下的投資模型聯合概率分布表 實際情況 壞賬正常貸款 預測情況次等 優質 0.04210.6075 0.01520.3352 表4（11）式下的投資模型聯合概率分布表 實際情況 壞賬正常貸款 預測情況次等 優質 0.069 50.580 1 0.01520.3352 最後，根據我們的假設並結合平台成功籌款標的和所有標的的加權利率計算出i1=0.1448，i2=0.1488。將表3和表4中的概率參數值以及i1、i2的值分別代入式（6）中，可得： costC<－1.751×10－3（12） costC<2.322×10－3（13） 事實上，通過計算可以證明，當總體壞賬率達到6.91%時，有costC<0，該式在cost和C都非負的條件下不成立，故當平台所有標的加權壞賬率小於6.91%時，在選定樣本中投資人通過學習進行主動投資的假設不成立。在廖理等（2014b）同樣基於人人貸數據的研究中，作者估計的平台違約率為63%，同樣小於此處的閾值6.91%，據此也可以判斷“投資人主動投資”假設不成立。綜上所述，我們認為現實中平台擔保機製的設立，嚴重影響著投資人行為，在平台本金賠付的承諾下，投資人將隨意投資，而不會選擇主動投資。 （2） 壞賬賠付率可變時投資者行為的實證檢驗 基於上麵的分析，我們可以通過計算得到更加一般化的結論：降低平台的壞賬賠付率使投資人受到主動投資的激勵。 回到（4）式，經過變形有: costC 由於學習成本以及投資額的非負性，當式（14）成立時，必然有 a12a12+a22－(a11+a12)α+a22a12+a22(1+i1)－(a21+a22)(1+i2)>0（15） 化簡可得： α<(a12+a22)(a21+a22)(1+i1)－a22(1+i2)a21a12－a11a22（16） 根據前文可知： a11+a12=P2（17） 將（16）式、（17）式與（7）式聯立，解得: α<0.0188－0.4025P20.0152－0.3504P2（18） 在（18）式中，用αmax表示α在給定P2下的最大值，則兩者的對應關係如圖4所示。在上文估計的模型(a)中，αmax為87.39%；在廖理等（2014b）得出的P2=6.3%的模型中，αmax為95.38%。在這裏，87.39%與95.38%的現實意義為：即使不考慮學習成本，在平台總體壞賬率分別為5.73%和6.3%的情況下，平台的壞賬賠付率也需要分別降低至87.39%和95.38%，這樣才能激勵投資人主動投資。進一步通過計算可知，當αmax為0和1時，對應的P2值分別為4.67%和6.91%。這是具有重要意義的兩個轉折點：當P2大於或等於6.91%，平台對壞賬進行本金（本息）賠付時，學習成本足夠低的投資人才可能滿足學習激勵條件進而主動投資，在現實中，這表現為投資人對超高壞賬率平台的“謹慎投資”，而擔保機製則恰好成為超高壞賬率平台拉攏投資人的“誘餌”；另一方麵，當P2小於或等於4.67%，平台對壞賬不進行賠付時，投資人獲得的投資收益相對穩定，並且由於無法依賴平台擔保，投資人可能存在道德風險的主動投資也將得以抑製。 我們進一步繪出了人人貸平台的中介性質譜係我們認為目前中國P2P平台的中介性質處於遊離狀態，即在信息中介和信用中介之間模糊不清。因此，通過平台總體壞賬率與壞賬賠付率兩個變量的對應關係可以定量繪出P2P平台的中介性質譜係，通過中介性質譜係，我們就可以知道當前P2P平台回到信息中介性質過程中降低壞賬賠付率的臨界值。（如圖5所示），在投資模型已經合理設定的前提下，不同的總體壞賬水平會使得P2P平台偏向不同的中介性質。這一結論有力地證明了在2011年1月1日至2012年7月人人貸平台機構擔保標出現前的時期內，總壞賬率小於6.91%的情況下，相對於本金100%的壞賬賠付，一定會使投資人對於信用風險毫不關心，人人貸平台上的公開信息起不到應有的作用，平台被刺激向信用中介轉變。而根據中介性質譜係，這一問題的解決卻是低成本的，比如在廖理等（2014b）估計的人人貸平台違約率為6.3%的情況下，隻需要投資人對壞賬自擔不到5%的風險，就能夠使投資人受到主動投資的激勵。 圖4平台最大壞賬賠付率與壞賬率的對應關係 偏向信用中介 0.0691中間水平，可以通過降低 壞賬償付率回到信息中介 平台總體壞賬率偏向信息中介 0.0467 圖5P2P平台中介性質譜係 五P2P平台壞賬賠付率對平台決策的影響 前文已經論證了平台擔保機製的設立，不利於投資人主動投資。為了應對由此帶來的壞賬率上升，現實中P2P平台普遍采取了建立風控體係的措施。基於此，我們考察一個更複雜的博弈模型，來探討擔保機製下平台建立風控體係的條件。 如圖6，模型假設： （1） 在時期1，平台可以選擇建立或不建立嚴密的風控體係代替投資人對借款標的進行篩選，若建立風控體係，則平台需要花費一定的成本（用cost′表示）。 （2） 在時期2，如果平台建立了風控體係，則投資人投標由平台代替完成（類似於現實中普遍存在的自動投標模式）；如果平台沒有建立風控體係，則投資人可以選擇主動投資或隨機投資。 （3） 投資人主動投資時，需要花費一定的學習成本（cost），從而將網貸標的區分為優質資產和次等資產，其中優質資產的期望收益率總是高於次等資產的期望收益率；投資人隨機投資時，對每個標的的投資都是等概率的。 （4） 標的壞賬的發生是隨機事件，不同標的發生壞賬的概率各不相同，“選擇”了壞賬標的的投資人在壞賬發生時可以從平台處獲得相對於本金比率為α的賠付。 （5） 建立風控體係下平台的代投效果與不建立風控體係下投資人的主動投資效果相似。 博弈方1：投資人。博弈方2：平台。博弈方0：隨機事件 參數： P1：投資人主動投資（平台建立風控體係代投）時，標的發生壞賬的概率。 P2：投資人隨機投資時，標的發生壞賬的概率。 cost′：平台建立風控體係時花費的成本。 cost：投資人主動投資時花費的學習成本。 C：投資額。 α：平台對壞賬的賠付率。 f：平台服務費用率。 i1：投資人主動投資（平台建立風控體係代投）情況下，未發生壞賬的標的利率。 i2：投資人隨機投資（平台建立風控體係代投）情況下，未發生壞賬的標的利率。 圖6平台建立風控體係與否的動態博弈樹 首先，考慮未建立風控體係情況下的平台得益，當（4）式，即投資人學習激勵條件成立時，平台的期望得益是： f+a12a12+a22(－α)（19） 當： i2≥a22(a12+a22)(a21+a22)i1+(α－1)a12a21－a11a22(a12+a22)(a21+a22)－costC(a21+a22)（20） 即投資人學習激勵條件不成立時，平台的期望得益是： f+(a11+a12)(－α)（21） 其次，考慮平台建立風控體係的情況，平台期望得益是： f－cost′C+a12a12+a22(－α)（22） 通過前文分析，當投資人通過學習主動投資時，平台沒有必要建立風控體係；而當投資人隨機投資時，平台考慮建立風控體係的條件是： f－cost′C+a12a12+a22(－α)≥(a11+a12)(－α)+f（23） 將（23）式化簡得： cost′C≤a11a22－a12a21a12+a22α（24） 綜上，當滿足以下條件： i2≥a22(a12+a22)(a21+a22)i1+(α－1)a12a21－a11a22(a12+a22)(a21+a22)－costC(a21+a22) cost′C≤a11a22－a12a21a12+a22α（25） 平台將會建立風控體係。 由於假設條件不同，在本文第三部分中假設的是投資人進行主動投資，而這裏平台建立風控體係基於投資人隨意投資，故表3和表4中的概率參數不能用於此處。我們參考廖理等（2014b）給出的研究結論本文模型（a）、（b）的建立類似於廖理（2014b）實證部分模型，但是廖理（2014b）的模型放寬了相關假設條件，同時分別得出全樣本違約率為6.3%，預測借款人違約且借款人確實違約的預測準確率為69.32%，預測借款人違約但借款人實際沒有違約的預測錯誤率為45.06%；預測借款人違約且借款人確實違約的預測準確率為96.02%，預測借款人違約但借款人實際沒有違約的預測錯誤率為24.90%。，分別得到（26）式和（27）式： a11+a12=6.3% a11a12+a22=69.32% a21a21+a22=45.06% a11+a12+a21+a22=1（26） a11+a12=6.3% a11a12+a22=96.02% a21a21+a22=24.90% a11+a12+a21+a22=1（27） 根據（26）和（27）式，聯立方程組分別解得a11,a12,a21,a22，得到表5和表6。 表5（26）式下的投資模型聯合概率分布表 實際情況 壞賬正常貸款 預測情況次等 優質 0.04370.4222 0.01930.5148 表6（27）式下的投資模型聯合概率分布表 實際情況 壞賬正常貸款 預測情況次等 優質 0.06050.2333 0.00250.7037 將表5和表6中的概率參數值分別代入（25）式中，與此同時，i2仍用12649筆信用認證標的加權利率0.1488替換，i1用人人貸平台在推出實地認證這一模式後，2014年7月1日前的所有實地認證標加權利率0.1320替換（這一利率實際上可以體現平台建立風控體係代投標的的利潤率），壞賬賠付率α=1。可得： -0.0122≤costC cost′C≤0.0269（28） -0.0079≤costC cost′C≤0.0595（29） 根據上述兩個不同模型的結果，當costC小於-0.0122（或-0.0079）時，投資人才會選擇主動投資，但實際上costC非負，故兩個模型下投資人均會隨機投資。在此基礎上，當cost′C大於0.0269（或0.0595）時，由於成本過高，平台將不會建立風控體係；當cost′C處於區間[0，0.0269]或[0，0.0595]時，平台建立風控體係將是最優策略。 通過以上分析，我們證明了在成本滿足一定條件時，P2P平台有建立風控體係的激勵，平台采取的這種增強自身決策權的做法，使其進一步滑向信用中介角色。此外，在P2P平台信用中介化的實際運作過程中，由於不具備相應資質牌照，平台通過各種方式（如自動投標等）進行風控時，產生了許多與角色定位錯誤相關的風險 《辦法》第25條規定：網絡借貸信息中介機構不得以任何形式代出借人行使決策。每一融資項目的出借決策均應當由出借人作出並確認。，這些風險主要包括法律風險和流動性風險，而風險的累積將給平台帶來巨大挑戰。因此，本文認為，在當前由於擔保機製存在而造成投資人不主動投資的現狀下，P2P平台可以通過建立風控體係來降低壞賬率，但從根本上還是應該通過去擔保來激勵投資人主動投資 事實上，最早在國內實行“本金墊付”的紅嶺創投已經對外宣布要打破剛性兌付。，也隻有這樣才能使平台真正回歸信息中介性質。 六去擔保的阻礙因素及可行性分析 依據前文理論上的推導和模型的量化驗證，我們得出：下調壞賬賠付率將會激勵投資人主動投資，而在沒有道德風險的情況下，投資人主動投資有利於平台的穩健發展。但在實際操作中，下調壞賬賠付率會受到以下因素的阻礙： 在投資人方麵，根據博弈的得益情況，α下降將直接導致投資人的期望得益水平降低，以標準差衡量的收益率不穩定性將增大，而這並不是投資人所希望看到的。在平台方麵，國內P2P平台發展如雨後春筍，為保持競爭力，P2P平台不會輕易下調壞賬賠付率。在借款人方麵，一旦壞賬賠付率下降，隨著投資人風險甄別能力的提升，信譽水平較低的客戶將更加難以貸款，在此意義上，借款人也不希望平台降低壞賬賠付率。由此可見，P2P網貸體係中的三方參與者，都沒有降低壞賬賠付率的激勵，對壞賬賠付率進行調控看似是不可行的。 然而，是否這一提高市場安全性的快捷手段將就此告終？我們認為，在當前市場狀態下，降低壞賬賠付率有其可行性。首先，根據預期，監管層將出台具體監管細則，提高P2P行業準入門檻。這將促進大的P2P平台在網貸市場上的壟斷，進而減少市場惡性競爭。在此情況下，降低壞賬賠付率所導致的客戶流失將減少，符合平台期望。其次，P2P網貸行業自興起至今已有幾年時間，交易量呈現爆炸性增長態勢，平台已經積累了大量交易信息，通過更多信息的披露，將顯著降低投資人學習成本，在投資人更加“聰明”的預期下 廖理等（2014b）研究發現P2P市場中的投資者還是比較聰明的，他們能夠借助借款人的公開信息識別相同利率背後所包含的不同違約風險。而我們進一步認為：在投資者比較聰明的情況下，如何讓這種聰明的學習能力變成實質的學習行為，最關鍵的就是平台要打破剛性兌付，降低壞賬賠付率。，他們將能夠承受平台不擔保這一改變。同時，國外的成熟P2P網貸運營模式也為降低壞賬賠付率提供了經驗支持：在信息中介定位及完善的信用體係下，P2P平台審核將更加容易，貸款壞賬率將得到降低，對投資人來說，保本保息將變得不那麼重要，平台運營風險也將變得很小。可見，在平台有著較高風控水平，以及社會征信體係不斷完善的情況下，降低壞賬賠付率的可行性較大。 事實上，結合本文分析可以得出合理的去擔保方式：第一，去擔保必須與平台壞賬率掛鉤，應當在采取有效措施降低壞賬率的基礎上推進去擔保。從現實情況來看，認清這一點非常重要。一方麵，相當多的平台靠擔保機製“掩蓋”其超高壞賬率，而在沒有對壞賬進行良好處理的前提下強行去擔保，將使得平台風險急劇爆發，給投資人造成巨大損失。另一方麵，當預計到即將去擔保時，為了盡快收回本金，投資人通常會要求平台立刻兌現保本承諾，從而造成“擠兌”局麵的出現，在此情形下一旦無力償還，平台便會“選擇”倒閉或者跑路，這將極其不利於社會穩定，負麵影響巨大。第二，去擔保需要循序漸進。當平台壞賬率降低至一定區間時（如：本文中的人人貸平台應該控製總體壞賬率小於6.91%），此時平台可以著手去擔保，但也不是立刻將“保本保息”變為完全不擔保，而是需要給投資人一定的緩衝時間。例如，就人人貸平台而言，當平台總體壞賬率為6.3%時，激勵投資人主動投資的最大壞賬賠付率為95.38%，故平台可以先將壞賬賠付率α由1調整至0.9538，讓投資人承擔部分風險，從而激勵其主動投資。在投資人經過一段適應期並且具備良好學習能力時，平台再考慮完全去擔保。總之，階段性地降低壞賬賠付率，有利於平台由信用中介向信息中介平穩過渡。 七結論與政策建議 本文集中研究了中國P2P網貸發展中平台的擔保機製與中介性質問題。在理論模型構建、數值模擬分析以及實證回歸估參的基礎上，主要得到以下結論：在當前的市場環境中，P2P平台的壞賬賠付率競爭是引致平台走向信用中介的主要原因。平台的擔保機製對投資人行為具有顯著影響：當平台為壞賬提供高額賠付時，投資人傾向於隨機投資；而降低平台對壞賬的賠付率，能夠激勵投資人主動投資。在應對擔保機製帶來的風險累積時，平台采取的增強自身決策權的做法，進一步加快了其信用中介化趨勢。 根據本文結論，我們認為，P2P平台必須打破擔保局麵，回歸信息中介性質。但基於P2P網貸市場競爭激烈的現狀，依靠P2P平台自身改良相當困難。因此，針對目前P2P網貸行業存在的各種問題，我們建議：首先，在三方（平台、投資人、借款人）都沒有動機主動要求降低壞賬賠付率的情況下，監管部門應當出台激勵政策，引導平台下調壞賬賠付率。其次，應當在采取有效措施降低壞賬率的基礎上推進去擔保，壞賬賠付率的降低需要循序漸進。再次，由於P2P平台推出的自動投標業務，在實質上已經涉及信用中介範疇，故對開設這一類業務的P2P平台應該提出更高的風險防控要求，通過政策門檻加強這一類信息中介與信用中介模糊化產品的管控和限製。最後，必須建立健全社會征信體係，細化到建立P2P網貸行業統一的客戶信用檔案，實施“一次失信，全網皆知”的懲罰機製，以此來規範借款人行為，提高其履約還款意願。與此同時，應該著力加強投資人教育，督促平台充分披露信息輔助投資人學習，大力培育合格投資人隊伍。 參考文獻 [1] Agarwal, S., Li, Y., Liu, C., and Zhang, J.Personal Guarantee and PeertoPeer Lending: Evidence from China, Available at SSRN 2638546. [2] Chen, D.,and Han, C. A Comparative Study of online P2P Lending in the USA and China[J]. Journal of Internet Banking and Commerce, 2012,17(2): 115. [3] Dorfleitner, G., Priberny, C., Schuster, S., Stoiber, J., Weber, M., de Castro, I., and Kammler, J. Descriptiontext related soft information in peertopeer lending—Evidence from two leading European platforms[J]. Journal of Banking & Finance, 2016,64: 169187. [4] Duarte, J., Siegel, S.,and Young, L. Trust and credit: the role of appearance in peertopeer lending[J].Review of Financial Studies,2012,25(8): 24552484. [5] Lee, E.,and Lee, B. Herding behavior in online P2P lending: An empirical investigation[J]. Electronic Commerce Research and Applications,2012,11(5): 495503. [6] Lin, M.,Prabhala, N. R., and Viswanathan, S. Judging borrowers by the company they keep: friendship networks and information asymmetry in online peertopeer lending[J]. Management Science, 2013,59(1): 1735. [7] Liu, D., Brass, D., Lu, Y.,and Chen, D. Friendships in online peertopeer lending: Pipes, prisms, and relational herding[J]. Mis Quarterly, 2015,39(3): 729742. [8] Mild, A.,Waitz, M., and Wckl, J. How low can you go?—Overcoming the inability of lenders to set proper interest rates on unsecured peertopeer lending markets[J]. Journal of Business Research, 2015,68(6): 12911305. [9] 薑再勇，林曉東，劉前進，等.從信息中介到資金中介——P2P網貸平台的中國式創新及存在的風險[J].金融發展評論，2014（7）：110. [10] 李悅雷，郭陽，張維.中國P2P小額貸款市場借貸成功率影響因素分析[J].金融研究，2013（7）：126138. [11] 廖理，李夢然，王正位.中國互聯網金融的地域歧視研究[J].數量經濟技術經濟研究，2014a，（5）：5470. [12] 廖理，李夢然，王正位.聰明的投資人:非完全市場化利率與風險識別——來自P2P網絡借貸的證據[J].經濟研究，2014b，（7）：125137. [13] 劉繪，沈慶劼.我國P2P網絡借貸的風險與監管研究[J].財經問題研究，2015（1）：5259. [14] 劉誌偉.論P2P網絡借貸平台業務發展的合法模式選擇——從《關於促進互聯網金融健康發展的指導意見》談起[J].中南大學學報:社會科學版，2015（6）：2733． [15] 彭冰.P2P網貸與非法集資[J].金融監管研究，2014（6）：1325. [16] 蘇凱榮，崔鈺潔.基於演化博弈論視角下P2P網貸模式選擇與監管分析[J].商場現代化，2015（15）：7476. [17] 王會娟，廖理.中國P2P網絡借貸平台信用認證機製研究——來自“人人貸”的經驗證據[J].中國工業經濟，2014（4）：136147. [18] 閆淼.中國P2P借貸平台模式，問題及對策研究[D].北京：中國社會科學院研究生院，2014. [19] 姚餘棟.中國互聯網金融即將迎來彎道超車機遇[J].互聯網金融觀察，2015（1）。 [20] 曾戀雲，趙建川，田曉江.P2P借貸平台是否應該墊付壞賬的邏輯[J].財經界，2014（6）：88. Guarantee Mechanisms and Intermediary Nature of P2P Lending Market in China —Model Construction and Quantitative Analysis Based on Investor Behavior Bing ZhangHao ZhanFei He Abstract:Analyzing the guarantee mechanisms and intermediary nature of P2P Lending Market in China has significant meaning. Based on open data of the lending platform RenRenDai.com, this paper studies the guarantee mechanism of P2P lending and its intermediary nature by constructing a theoretical model and then proceeding data imitating analysis with regression methods. We find that, the competition of default compensating rate is the primary cause that leads the platform to be a credit intermediary, and we can calculate the optimal default compensating area. On this basis, this paper analyzes the influence of guarantee mechanism on the behavior of investors: when the platform pays high default compensates, investors tend to invest randomly. When the platform lowers the default compensating rate, it can stimulate the investors to invest actively. Based on the corresponding relationship between maximum default compensating rate and default rate, we can draw the intermediate spectrum. In the mean time, in order to prevent the accumulating risk raised by guaranteeing mechanism, platform enhances its deciding rights which promotes itself to take the role of credit intermediary. Based on our empirical results, this paper argues that the key to improve the status quo of the P2P industry is to make corresponding policy. Specifically, this includes loweringdefault compensating rate, restricting industry access, establishing industry order and so on. For the P2P platform,it should enhance the risk prevention mechanism to guarantee the rights of investors and reveal more useful information to help the investors make effective decision. Key words:P2P lendingguarantee mechanismsintermediate propertiesdefault compensating rate JEL Classification：G20G29 附錄Ⅰ：競爭導致平台壞賬率提高的理論推導與實證檢驗 （一） 平台壞賬賠付率決定的推導 我們基於博弈論中的伯川德博弈構造平台競爭模型，假設市場上隻存在兩家P2P平台，記作平台1與平台2，令qi,i=1,2表示平台的成交額，ri,i=1,2表示平台的期望收益率。 假設平台成交額和自身期望收益率成正相關，與另一家平台的期望收益率成負相關，並假設這種關係是線性的，則可以得到平台成交額的決定方程（1），其中i≠j;i,j=1,2： qi=ai+biri－ci,jrj（1） 令pi,i=1,2表示平台的壞賬率，αi,i=1,2表示平台對壞賬的賠付率；Ri,i=1,2表示平台的標的利率。在這裏，我們假定在給定的P2P平台上，同一時間隻有一種標的利率。一方麵，對於同一平台同一類型標的，這一假定符合我們的觀察；另一方麵，對於一個平台上不同類型的標的，我們也可以將其看成兩個“平台”，這裏平台的劃分並不是以現實中的企業組織形式為依據，而是以標的資產的特征為依據。於是，平台的期望收益率可以由（2）式表示： ri=(1+Ri)(1－pi)+αipi－1（2） 其中暗含了平台壞賬賠付率與標的利率之間的負相關關係。即在實際中，一個沒有擔保但標的利率較高的平台可能與另一個標的利率較低但有擔保的平台提供一樣的期望收益率。例如，我們假定壞賬率p1=p2=5%,R2=10%，假設平台2有擔保且壞賬賠付率為1，則由（2）式計算出的期望收益率r2為9.5%。假設平台1沒有擔保即壞賬賠付率為0，則由（2）式隻有將標的利率R1設定為15.26%時，才能達到和平台2相同的期望收益率9.5%。故在沒有賠付的情況下，平台可通過提高標的利率達到和有賠付時相同的期望收益率。 令fi,i=1,2表示平台的服務費率，則對於平台而言，其期望得益E(ui),i=1,2等於平台收取的服務費扣除對壞賬的期望賠付額，即： E(ui)=qi(fi－αipi)（3） 在這裏，我們假設平台僅能通過調整壞賬賠付率來改變自身的期望得益，這一假設基於如下思考：首先，在現實的P2P平台競爭中，平台壞賬賠付率扮演著重要的角色，也是投資人在投資時考慮的重要因素，因此，模型考側重點是平台壞賬賠付率，而不是服務費率；其次，為簡便起見，標的利率、壞賬率等變量均認為是外生給定的，僅將服務費率視為內生變量。於是，通過求解（1）、（2）、（3）式以及平台得益對於壞賬賠付率的一階、二階條件，可以推得納什均衡下平台最優壞賬賠付率α*i的決定式如下，其中i≠j;i,j=1,2： αi= 2bjp2j(-aipi+ci,jpi(1+Rj)(1-pj)-ci,jpi+fibipi-bipi(1+Ri)(1-pi)+bipi) +ci,jpipj(-ajpj+cj,ipj(1+Ri）（1-pi)-cj,ipj+fjbjpj-bjpj(1+Rj)(1-pj)+bjpj)4bibjp2ip2j－ci,jcj，ip2ip2j(4) （二） 關於平台壞賬賠付率決定的討論 由（4）式，為了決定平台對壞賬的最優賠付率，我們需要得到（1）式中參數的取值或合理區間。此時通常會采用回歸的方法，但由於平台之間的期望收益率在較長時間跨度看高度相關，即解釋變量之間高度線性相關的問題難以克服，故我們通過考慮（1）式中係數合理的取值範圍及在此範圍內平台最優壞賬賠付率的特征 參考王其藩教授所著《係統動力學》，上海財經大學出版社。，來為後文的分析提供實證上的支持。 基於前文分析，我們知道ai,bi,ci,j(i≠j;i,j=1,2)為平台成交額線性表達式中的參數，pi,Ri,i=1,2為外生變量，fi是由平台決定的固定量（即本文中不考慮fi變化的情形）。如果能夠確定上述參數的值，我們就可以計算出模型中各個平台的最優壞賬賠付率。注意到αi,i=1,2的表達式關於ai,bi,ci,j(i≠j;i,j=1,2)是零次齊次的，因此隻要確定三者之間的比例關係，就可以算出αi的值。另外，這裏我們設定兩家平台麵臨的以下參數相同，即這兩個P2P平台是同質的： ai=a;bi=b;ci,j=c; Ri=R;fi=f;pi=p(5) 為了討論a\/b和a\/c的合理取值範圍，我們將平台成交額決定方程（1）式改寫如下： qic=ac+bcri－rj(6) 考慮ri上升的情形，這時平台i的單位時間成交金額就會提高。這一提高來自兩方麵：一方麵，對方平台的投資人轉向平台i，另一方麵，平台i吸引了原本未參與P2P市場的投資人，故認為a\/ca\/b≥1，即ac≥ab(b≥c)是合理的。在此，我們探討了a\/b與a\/c的取值應當滿足a\/ca\/b≥1。該條件表現在圖形中即壞賬賠付率的取值落在對角線的左上方區域，對角線的右下方為不可達區域。 另外，在選擇a\/b與a\/c兩者取值時要考慮模型表現出的特性應符合常識。對於模型所描述兩個除期望收益率外完全相同的平台，如果其中一個平台提供的期望收益率較另一個平台高於1%，有理由相信前者能占有全部市場。這一情形對應a\/b=a\/c=0.01，此時，若ri從10%提高11%，保持其他變量不變，則平台1可以獲得全部市場。因此，a\/c≥a\/b=10－2為符合現實的合理取值，同時，考慮到現實中期望收益率的比值一般在百分之幾的範圍內進行調節，a\/b與a\/c兩者大小的變動應在10-2附近，基於此，我們選擇a\/b與a\/c兩者的取值範圍為0.005~0.020。由於前文所述的零次齊次性，我們隻需考慮a\/b與a\/c不同取值情況下對應的不同壞賬賠付率，利用Python編程通過數值模擬畫出平台最優壞賬賠付率區域如圖，我們將圖中曲線稱為壞賬賠付率等高線並具有以下特征： 每一條等高線表示不同a\/b與a\/c取值帶來相同水平的最優壞賬賠付率。在左上方區域，最優壞賬賠付率在10%至20%之間，a\/b遠小於a\/c，即參數b遠大於參數c，這就意味著相對於本平台期望收益率，其他平台期望收益率對本平台單位時間的成交金額影響較小，對應市場結構更接近寡頭競爭的情形，此時P2P平台間無需利用較高的壞賬賠付率來吸引投資人，故平台的最優壞賬賠付率較低；而在靠近對角線的位置，最優壞賬賠付率普遍在70%以上，這一區域的a\/b與a\/c較為接近，即參數b與參數c大小相當，這就意味著相對於本平台期望收益率，其他平台期望收益率對本平台單位時間的成交金額影響幾乎相同，對應市場競爭更為激烈的情形，此時P2P平台必須通過較高的壞賬賠付率爭奪市場份額，故平台的最優壞賬賠付率較高。