4.2 互联网金融指数的测度 ................... 24
第五章 基于我国不同类型商业银行数据的实证检验 ............................ 31
5.1 面板数据描述 ................................ 31
5.2 实证过程 ............................... 32
第五章 基于我国不同类型商业银行数据的实证检验
5.1 面板数据描述
本文设计的所有数据均来源于中国统计年鉴、网易财经及百度指数搜索引擎，本章节构建面板回归所涉及的变量是基于第四章中介绍的实证模型计算得到。为了研究不同商业银行对技术溢出吸收的异质性，根据银行的不同性质，将银行分成了大型国有商业银行、股份制商业银行和城市商业银行。
经处理后得到的数据中，包括截面维度（16 家商业银行）、时间序列维度（9 个会计年度）和指标维度（被解释变量、控制变量和核心解释变量），一共 144 个样本，1 个被解释变量以及 6 个解释变量，其中被解释变量为全要素生产率（M），核心解释变量是互联网金融指数（F），另外商业银行效率水平可能还会受到宏观经济发展水平（G）、商业银行发展水平（C）、银行集中度（CR5）、银行流动性水平（L）以及银行风险控制能力（R）等因素的影响，我们将这些重要因素量化后的变量统一作为控制变量。
..........................
6 结论及政策建议
6.1 研究结论
本文理论和实证相结合的分析方法，梳理了国内外学者的文献，基于技术溢出理论，阐述了互联网金融对商业银行的影响原理，提出两点假设。以 2008 年至 2017 年 9 年间 16 家商业银行为样本，利用 DEA-Malmquist 模型测算出商业银行全要素生产率，利用文本挖掘模型测算互联网金融发展指数，建立回归模型对互联网金融对商业银行技术溢出的存在性和异质性进行了实证检验。得出以下几点结论：
1、互联网金融对商业银行全要素生产率影响的实证模型得出：互联网金融对商业银行全要素生产率的影响是正向的，互联网金融通过示范效应、竞争效应、人员流动效应和关联效应促进了商业银行全要素生产率的提高，影响系数为 0.12395。由技术溢出的理论模型得出，产生这种影响的原因是：互联网企业进入金融行业市场后，加剧了原金融市场的竞争，互联网金融企业高效生产率迫使传统商业银行不得不提高自身资源的使用效率。通过与互联网金融企业的接触，商业银行学习模仿到互联网企业的产品模式，并且取得了一定的效果。
2、不同类型商业银行对互联网金融技术溢出的吸收能力不同，城市商业银行的吸收能力最强，大型国有商业银行次之，股份制商业银行吸收能力最弱。
3、宏观经济发展水平对商业银行全要素生产率有正面影响。
参考文献（略）
