【互联网金融对货币政策传导机制的影响实证探究13000字（论文）】

互联网金融对货币政策传导机制的影响实证研究摘要：互联网技术作为二十一世纪以来发展最为迅速的技术之一，在给各产业发展带来巨大好处的同时，也引发了很多风险。本文在对互联网金融相关概念进行界定的基础上，阐明互联网金融发展的特点及主要类型，从理论层面揭示了互联网金融对货币政策传导机制所产生的影响，并选择第三方支付作为互联网金融发展的测度指标，同时，选择广义货币供给量M2与上海银行间同业拆借利率Shibor分别作为货币政策传导的数量型与价格型指标，实证分析和检验了互联网金融对货币政策传导机制的影响效果，研究结果表明：一是第三方支付可通过扩大交易规模、促进货币流通速度提高、改变货币供给层次，从而直接或间接扩大了广义货币供给量M2，进而通过货币数量的改变对货币政策传导机制产生影响；二是第三方支付规模的扩大可显著降低Shibor水平，进而通过资金价格的改变对货币政策传导机制产生影响。当然，互联网金融的发展已对中央银行实施宏观调控带来巨大挑战，这就需要监管部门通过加强监管，并将互联网金融纳入统计指标来进行有效应对。关键词：互联网金融；货币政策传导机制；VAR模型；目录一、绪论 四、互联网金融对货币政策传导机制影响的实证分析本研究将建立基于时间序列的向量自回归模型来分析互联网金融对货币政策传导机制的影响。经典的经济学理论主要是针对经济体系中不同变量之间的关系，但是无法很好地解释不同变量之间的动态关系。如果要很好地阐述不同变量之间的关系，就需要向量自回归模型（vectorautoregressivemodel），这种模型主要是针对经济学中出现的数据来进行建模分析，而不仅仅是依靠传统的经济学理论，在模型中利用回归方程将所有的变量作为滞后值，建立最终的模型。向量自回归模型主要用于分析和预测随机扰动对系统模型的动态冲击，以及这种冲击的正负、大小以及持续的时间。滞后阶数为p的向量自回归模型方程式为：，其中，为n维内生变量向量，为m维外生变量向量，ut是n维误差向量，，……，b为待估系数。（一）数据来源与指标设计本文采用2010-2020年共11年的年度时间序列数据进行实证分析，选取中国第三方在线支付市场交易规模（TPP）作为互联网金融的测度指标，同时也作为模型的解释变量，选择广义货币供应量（M2）与银行间同业拆借利率（SHIBOR）作为模型的被解释变量，并用上述2个变量分别代表货币政策传导机制中的数量与价格型变量。本文采用的数据主要来源于国泰安数据库和国家统计局网站。各变量的变量名称和变量符号情况如表4-1所示：表4-1模型的指标体系说明变量类型变量名称变量符号因变量广义货币供应量M2自变量银行间同业拆借利率SHIBOR中国第三方在线支付市场交易规模TPP（二）数据的描述性统计图4-1选择近十一年中国第三方在线支付市场交易规模（TPP）,上海银行间同业拆借利率（SHIBOR），以及广义货币供应量（M2）数据，分别对其进行取对数，其对数形式分别为LNTPP、LNSHIBOR、LNM2，增长率和收益率分别为DLNTPP、DLNSHIBOR，DLNM2。图4-1指标的趋势图图4-2指标的对数趋势如图4-2所示，TPP和M2逐年增长，SHIBOR在13年之后逐渐呈下降趋势。DLNTPP和DLNM2呈现正增长，且DLNTPP增幅大于DLNM2，DLNSHIBOR收益率围绕零值波动。表4-2分别从广义货币供应量（M2）、银行间同业拆借利率（SHIBOR）、中国第三方在线支付市场交易规模（TPP）的平均值、中位数、最大值、最小值、标准差等维度进行描述性统计，结果可看出，广义货币供应量（M2）、银行间同业拆借利率（SHIBOR）、中国第三方在线支付市场交易规模（TPP）均满足分布要求，数据没有出现极端值和异常值的存在，因此可以对上述变量进行研究分析。表4-2数据的描述性统计minimummaximummeanMedianStd.DeviationTPP2.161067.253724.326616.573022.6698SHIBOR0.03000.06470.04290.04130.0119M285.1591218.6796147.7979147.117344.4869DLNTPP0.20460.68830.41260.39350.1363DLNSHIBOR-0.34500.5260-0.0089-0.06060.2957DLNM20.07860.15980.11030.10590.0260如图所示，中国第三方在线支付市场交易规模（TPP）、上海银行间同业拆借利率（SHIBOR）、广义货币供应量（M2）及其对数差分形式均满足分布要求，数据没有出现极端值和异常值的存在，因此可以对上述变量进行研究分析。（三）平稳性检验在对广义货币供应量（M2）、银行间同业拆借利率（SHIBOR）、中国第三方在线支付市场交易规模（TPP）序列数据分析时，数据要求主要是平稳的，旨在为了避免产生一种“伪回归”的现象。对中国第三方在线支付市场交易规模（TPP）、上海银行间同业拆借利率（SHIBOR）、广义货币供应量（M2）的对数形式及对数差分形式进行ADF单位根检验，单位根检验的原假设是序列存在单位根，且非平稳。表4-3数据的平稳性检验变量对数值稳定性对数差分值稳定性TPP0.2041(0.7194)非平稳-2.8221(0.0105)平稳SHIBOR0.7396(0.8552)非平稳-3.9920(0.0013)平稳M21.3270(0.9368)非平稳-1.6844(0.0862)平稳从表4-3可以发现，对数形式的P值大于0.1，无法拒绝原假设，说明非平稳。DLNTPP对应的P值小于0.05，在5%显著水平下统计显著；DLNSHIBOR对应的P值小于0.01，在1%显著水平下统计显著；DLNM2对应的P值小于0.1，在10%显著水平下统计显著，即对数差分形式均能拒绝原假设，说明对数差分序列是平稳序列。另外，由于LNTPP、LNSHIBOR、LNM2都能经过一阶差分得到平稳序列，因此LNTPP、LNSHIBOR、LNM2服从一阶单整，DLNTPP、DLNSHIBOR、DLNM2服从零阶单整，他们都满足进行协整检验的前提条件。（四）检验变量的协整关系在对中国第三方在线支付市场交易规模（TPP）、上海银行间同业拆借利率（SHIBOR）、广义货币供应量（M2）的对数形式及对数差分形式进行ADF单位根检验后，本文选用Johansen协整检验对DLNTPP、DLNSHIBOR、DLNM2进行协整检验。协整检验的方法为：假定DLNTPP、DLNSHIBOR、DLNM2数据中存在线性趋势，协整向量含有截距但没有线性趋势，滞后阶数取2。具体的Johansen检验结果如表4-4所示。表4-4数据的协整检验协整向量数最大值特征值迹统计量5%临界值P值None*0.7803121.230946.23090.0000Atmost1*0.6832103.311840.07760.0000Atmost20.572189.217033.87680.0000可以发现最大特征值法和迹统计量都证明研究模型存在3个协整向量，说明DLNTPP、DLNSHIBOR、DLNM2三者之间存在长期均衡关系。由于脉冲响应和方差分解需要使用平稳数据，因此后续建模继续采用DLNTPP、DLNSHIBOR、DLNM2数据。（五）脉冲效应分析为研究中国第三方在线支付市场交易规模（TPP）的变化对广义货币供应量（M2）银行间同业拆借利率（SHIBOR）、变化的影响，本研究运用VAR模型进行脉冲响应分析，通过对DLNTPP、DLNM2、DLNSHIBOR进行脉冲响应，来判断其受到冲击的方向和程度。图4-3和图4-4为脉冲响应函数曲线，其中横轴表示变量的滞后阶数，纵轴表示相应变量对冲击的响应程度。图4-3互联网金融与广义货币供给量M2的脉冲响应对照图图4-4互联网金融与利率的脉冲响应对照图从图4-3与图4-4可以看出，DLNSHIBOR对DLNTPP的脉冲响应和DLNM2对DLNTPP的脉冲响应最终都能收敛，且变动方向相反。首先，给DLNTPP一个标准差的正向冲击，DLNM2总体呈现正向响应，在第3期达到最大值，随后震荡下降，在第6期和第9期均出现小峰值，在第10期响应结束趋于收敛。说明中国第三方在线支付市场交易规模（TPP）的增加有利于广义货币供应量（M2）的提升，即中国第三方在线支付市场交易规模对于广义货币供应量起到正向的促进作用。其次，给DLNTPP一个标准差的正向冲击，DLNSHIBOR总体呈现正向响应，从第1期开始递增，在第3期达到峰值，随后逐渐下降，并在第10期响应结束趋于收敛。说明中国第三方在线支付市场交易规模（TPP）的增加有利于上海银行间同业拆借利率（SHIBOR）的下降，即中国第三方在线支付市场交易规模对于上海银行间同业拆借利率起到反向的促进作用。（六）方差分解方差分解（variancedecomposition）主要是分析银行间同业拆借利率（SHIBOR）、中国第三方在线支付市场交易规模（TPP）对广义货币供应量（M2）所做冲击的贡献，从而进一步评价银行间同业拆借利率（SHIBOR）、中国第三方在线支付市场交易规模（TPP）对预测方差的贡献度。广义货币供应量（M2）的方差分解结果如表4-5和表4-6所示。表4-5DLNM2的方差分解分析PeriodSEDLNTPPDLNM210.0160520.27539799.7246020.02086340.9607559.0392530.02094641.3408358.6591740.02247436.1644563.8355550.02343841.0599158.9400960.02350541.3929258.6070870.02387240.3198659.6801480.02410341.2276158.7723990.02414041.3887658.61124100.02423441.1840758.81539表4-6DLNSHIBOR的方差分解分析（二）PeriodSEDLNTPPDLNSHIBOR10.3155299.85741190.1425920.34118116.7601483.2398630.41662840.7268559.2731540.43118943.9978756.0021350.43720743.1412456.8587660.44246942.9863157.0136970.45036444.9570355.0429780.45569446.2138553.7821590.45781546.5877753.41223100.45941746.7308553.26915如表所示，对于DLNSHIBOR和DLNM2的一个方差变化，来自本身贡献不足60%，DLNTPP贡献基本超过40%，再次证明DLNTPP对DLNSHIBOR和DLNM2都具有非常明显的解释作用。以上实证，通过协整、脉冲响应、方差分解等方法研究中国第三方在线支付市场交易规模（TPP）对上海银行间同业拆借利率（SHIBOR）和广义货币供应量（M2）的影响，所有结果均支持TPP对M2都具有正向显著影响，对于SHIBOR具有反向影响，模型之间相互印证，充分说明实证结果是稳健的。五、结论与政策建议（一）主要结论本文主要研究了以第三方支付规模量所代表的互联网金融发展对我国货币政策传导机制的影响。通过选取2010-2020十年年度时间序列数据，基于VAR模型，对第三方支付对我国货币政策传导机制的影响进行了实证分析，得出以下结论：第一，第三方支付中使用的电子货币对流通中的纸币具有替代效应，拓宽了货币供给途径，减少了流通中的货币，加快了货币流通速度，直接提高了广义货币供给量M2，这就说明互联网金融的发展可通过影响货币政策数量型变量，进而对货币政策传导机制产生影响。第二，第三方支付规模的增长可引发上海银行间同业拆借利率（shibor）的降低，这就说明互联网金融的发展可通过影响货币政策价格型变量，进而对货币政策传导机制产生影响。（二）政策建议互联网金融的发展虽在一定程度上有利于解决小微企业发展中的融资问题，但其导致的M2以及同业拆借利率的变化，使得货币政策传导机制发生改变，从而会给中央银行调控宏观金融造成难度，为使得互联网金融持续健康发展，尽量减少由其导致的传导机制问题，提出以下政策建议。1.完善传导机制为了维护经济市场的平稳运行，国家需要建立完善的传导机制，使得多种货币政策传导并存，我国自改革开放以后，大力发展市场经济，发展至今已经出现了多种货币政策传导并存的局面，构成了一个具有利率、信贷、汇率、资产价格多种货币政策并存的经济体系。但为使得互联网金融市场稳定运行，还需要不断对利率市场化进行深化改革，利率是经济体系中重要的一个指标，完善利率传导机制是刻不容缓的，只有注重对利率机制的改革和升级，不断发展Shibor基准利率的调控作用，才能使货币政策的调控更加稳定。2.强化监管国家想要对于互联网金融进行精准调控，除了金融市场内部建立好完整的机制外，还需要相关部门加强相关监管，主要包含了两个方面：第一，国家颁布对应的法律法规对互联网金融进行监管，对其进行正确的引导和规范，使得互联网金融在国家政策下稳定运行。最大化发挥互联网金融的积极作用，促进其良性发展，充分调动市场的活性。第二，我国互联网金融市场发展相比较发达国家来说还不成熟，可以借鉴国外互联网金融的监管模式，建立起一个健全的监管体系，将互联网金融的各项政策落实到位，严格遵守国家相关的法律法规，杜绝非法集资、非法借贷等违反法律的行为，坚决打击不合法行为，促进我国互联网金融健康稳定的发展。3.纳入更多统计指标当前，由于技术以及政策限制，一些互联网金融数据无法完全统计，这对国家的货币调控，以及中央银行制定相关政策来说是一个巨大的挑战。面对可能出现的问题，国家需要将一些流动性极高的互联网金融产品的相关指标纳入统计范围，完善目前已有的宏观经济指标，如：社会融资总规模、GDP、广义货币供给量M2等，增强宏观经济指标的可测性和准确性。中国的金融市场是一个庞大的金融市场，只有这样才能使得我国的货币政策更加完善，在面对互联网金融问题时更加的从容。

六、参考文献[1]TheEffectsofElectronicPaymentsonMonetaryPoliciesandCentralBanks[J].Procedia-SocialandBehavioralSciences.2015[2]AlternativeFinanceforMicro‐Enterprises:AFoundationforSustainableDevelopmentorJustHumanitarian[J].SergeValantGandja,ChristopheEstay,Jean‐PaulTchankam.StratChange.2015(1)[3]FinancialIntermediation,Markets,andAlternativeFinancialSectors[J].FranklinAllen,ElenaCarletti,Jun“QJ”Qianc,PatricioValenzuela.HandbookoftheEconomicsofFinance.2013[4]DoingwithoutMoney:ControllingInflationinaPost-MonetaryWorld[J].MichaelWoodford.ReviewofEconomicDynamics.1998(1)[5]MonetaryPolicyImplicationsofDigitalMoney[J].AleksanderBerentsen.Kyklos.1998(1)[6]MeasuringLiquidityMismatchintheBankingSector.BaiJ,KrishnamruthyA,WeymullerC.TheJournalofFinance.2017[7]曾刚，积极关注互联网金融的特点及发展—基于货币金融理论视角[J]，银行家，2018，(11)：33-39[8]丁华，丁宁，经济新常态下货币政策传导信贷渠道的时变效应分析[J]，财贸研究，2018，(01)[9]顾铭德，汪其昌，王晟，我国货币政策传导机制的变迁、效应及疏导建议[J]，互联网金融对我国货币政策信贷传导机制的影响财经研究，2018，(11)：3-10[10]何飞，张兵，互联网金融