潘宇翔

【摘要】互聯(lián)網(wǎng)快速發(fā)展的宏觀環(huán)境下，聯(lián)系互聯(lián)網(wǎng)金融的概念、特征、發(fā)展狀況以及當前商業(yè)銀行不良貸款成因、現(xiàn)狀，理論分析兩者之間的關系和影響途徑，然后利用多元線性回歸模型實證分析互聯(lián)網(wǎng)指數(shù)對銀行不良貸款率造成的影響。通過多元線性回歸方法著重分析互聯(lián)網(wǎng)金融與上市商業(yè)銀行的因果關系，得到互聯(lián)網(wǎng)金融的發(fā)展與上市商業(yè)銀行不良貸款之間負的相關關系，即互聯(lián)網(wǎng)金融的發(fā)展可以降低商業(yè)銀行的不良貸款率。

【關鍵詞】互聯(lián)網(wǎng)金融;商業(yè)銀行不良貸款率;多元線性回歸

一、理論假設和模型設定

根據(jù)理論分析，本文提出假設：（1）互聯(lián)網(wǎng)發(fā)展與上市商業(yè)銀行不良貸款率之間存在相關關系：（2）互聯(lián)網(wǎng)發(fā)展與上市商業(yè)銀行不良貸款率之間存在線性關系。

本文的研究方法是以上市商業(yè)銀行寧波銀行為樣本，以2011Q1-2016Q3各季度的不良貸款率為因變量，以互聯(lián)網(wǎng)指數(shù)、權益乘數(shù)、總資產(chǎn)周轉率、存貸比作為自變量，推導建立回歸模型。由此，本文建立關于商業(yè)銀行不良貸款率的多元線性回歸模型：

二、估計結果和分析

將搜集的寧波銀行各季度的時間序列數(shù)據(jù)帶人公式中，利用sPss20.0軟件估計模型參數(shù)并進行檢驗。所選擇的變量中未出現(xiàn)被移去的變量，說明該模型的擬合效果佳。

此結果的多元相關系數(shù)（R）為0.948.判定系數(shù)（R平方）為O，899.說明選取的自變量對因變量的解釋度為89.9%。調(diào)整后R平方為0.870.說明其擬合程度還是可以接受的。這些值（除了隨機誤差的估計值）都是越大表明模型的效果越好，該模型效果良好。對于本文的多元線性回歸模型可解釋程度較高。

方差分析表表明了方差分析的結果。F值為89.678.其顯著性概率值小于0.01.說明回歸方程擬合效果很好，所以結果是放棄虛無假設，即因變量與自變量之間存在回歸關系。表明不良貸款率與存貸比、互聯(lián)網(wǎng)指數(shù)、總資產(chǎn)周轉率、權益乘數(shù)、ROE整體間有明顯回歸關系存在，該模型有顯著的統(tǒng)計意義。

最后的t檢驗結果中，常數(shù)項為0.645.其顯著性O，010

“互聯(lián)網(wǎng)指數(shù)”自變量的回歸系數(shù)為0.027.其顯著性0.003

“權益乘數(shù)”自變量的回歸系數(shù)為0.044.其顯著性0.044

本模型的擬合結果為：

經(jīng)過上述多元回歸模型的分析可知：互聯(lián)網(wǎng)金融深化所帶來的影響能在一定程度上減少商業(yè)銀行不良貸款率?；ヂ?lián)網(wǎng)指數(shù)的發(fā)展會降低低商業(yè)銀行的不良貸款率。

三、結論和啟示

本文開篇聯(lián)系實際背景，從當今經(jīng)濟環(huán)境下重新認識了互聯(lián)網(wǎng)金融和不良貸款。我們得出結論：存款業(yè)務方面，貨幣基金等互聯(lián)網(wǎng)理財產(chǎn)品的興起帶給商業(yè)銀行更多的是結構上的沖擊，即銀行存款業(yè)務中活期存款比例會不斷受到定期存款額上升所引起的擠壓現(xiàn)象。貸款業(yè)務方面，伴隨著商業(yè)銀行總貸款額度的銳減，則其不良貸款也具有不斷下降傾向。中間業(yè)務方面，隨著商業(yè)銀行對中間業(yè)務規(guī)模的側重，銀行或將適度縮減貸款業(yè)務，進而一定程度上降低銀行貸款總額，帶來銀行不良貸款率的降低。

（一）積極加強互聯(lián)網(wǎng)金融風險管理

互聯(lián)網(wǎng)金融帶來了大數(shù)據(jù)時代，大數(shù)據(jù)利用的核心在于對未知進行預測，銀行則可以充分結合大數(shù)據(jù)的應用來加強自身的貸款風險管理。銀行應綜合分析關于客戶、資產(chǎn)組合的表現(xiàn)、金融經(jīng)濟形勢等數(shù)據(jù)，用以改善風險計量模型的準確性，時效性和前瞻性，這對有效降低銀行不良貸款率也是大有裨益的。

（二）精準營銷下的安全貸款

互聯(lián)網(wǎng)金融帶來的精準營銷可以在單個客戶的基礎上實現(xiàn)。銀行通過跟蹤客戶在網(wǎng)站上的點擊行為，及時更新客戶偏好和可信度水平并加以預測，使點對點的實時營銷成為可能。