三、市场份额途径
RMP理论认为市场份额是商业银行绩效的决定性因素，只有获取了足够的市场份额，才能形成相应的市场势力，从而对绩效产生影响。本章第三节的实证研究表明，在考虑效率变量的情形下，除了技术进步和金融创新等变量的直接影响外，我国的全国性股份制商业银行和区域性商业银行绩效确实还与市场份额显著正相关（参见表6-10）。类似前一部分MC分析方法，下面采用式（6-3）研究金融创新和技术进步对市场份额的影响。
首先通过F检验和Hausman检验设定市场份额面板数据模型，然后选择个体固定效应面板数据模型进行面板回归。表6-15给出了市场份额面板数据模型设定检验结果[19]，表6-16列出了面板回归分析的结果。
表6-15 金融创新和技术进步通过市场份额途径间接影响面板数据模型设定检验
注：***表示在1%的水平上显著。
表6-16 金融创新和技术进步对不同类型中国商业银行市场份额的影响
注：***、**和*分别表示在1%、5%和10%的水平上显著，括号内数值为各变量估计系数对应的p值。
根据表6-16和表6-10可以分析金融创新和技术进步通过市场份额途径对我国商业银行绩效的间接影响。与前述“FI，TC-MC-CBP”机制类似，可以将市场份额途径的间接影响机制简记为“FI，TC-MS-CBP”。需要注意的是，我国各类型商业银行中，国有商业银行的绩效与市场份额不显著相关，“FI，TC-MS-CBP”机制只适用于全国性股份制商业银行和区域性商业银行绩效分析。但为了便于对照，表6-16还是列出了国有商业银行的面板回归数据。参见表6-16，金融创新仅对区域性商业银行的市场份额产生了显著的正面影响，技术进步只对全国性股份制商业银行市场份额产生正面影响，而金融创新和技术进步的协同效应对这两种类型商业银行的市场份额均无显著影响。技术进步及其与金融创新的协同效应都对国有商业银行的市场份额产生显著的负面影响。
因此，对于市场份额途径而言，金融创新和技术进步虽然对国有商业银行绩效没有显著的间接影响，但对全国性股份制和区域性商业银行分别通过“TC-MS-CBP”机制和“FI-MS-CBP”机制对绩效产生了显著的间接影响，假设H6得到证实。综合技术进步通过效率途径和市场份额途径对不同类型商业银行绩效影响的差异性（表6-12和表6-16），假设H8也得到证实。
综合表6-16和表6-14可以发现，我国商业银行效率改进对市场份额和市场集中度都没有显著影响。虽然效率的改进能够显著提升绩效，但是ESX或ESS的绩效机制并不存在。
此外，我国商业银行市场份额与前期资产规模的对数显著相关，但是对于不同类型的商业银行而言，前期资产规模的影响大不相同：区域性商业银行市场份额与之正相关，而其他商业银行与之负相关。这说明区域性商业银行既有资产规模较小，而资产规模增速相对较高。货币政策也会对区域性商业银行市场份额产生显著影响，较高的基准利率和宽松的货币供给量会使其市场份额降低，这可能与区域性商业银行在价格竞争和储蓄资源获取上处于劣势有关。区域性商业银行在资本市场公开发行股票对其提升市场份额具有显著的正面作用。
【注释】
[1]本书在导论部分“研究不足之处”已指出，由于无法测度金融创新或技术进步对其他中间变量的影响，绩效间接影响机制只检验了最主要的三种中间途径：效率、市场集中度和市场份额。
[2]H4实际上包含两个必要条件：第一，商业银行绩效与效率显著相关；第二，金融创新、技术进步或二者的协同效应与效率显著相关。这两个必要条件分别在本章第三节和第四节进行检验。H5和H6与此类似。
[3]由于市场集中度对不同类型商业银行绩效的影响方向可能不同，因此不能事先推断市场集中度对商业银行绩效的间接影响是正面的还是负面的。(https://www.daowen.com)
[4]由于商业银行市场份额总和不变，一部分商业银行市场份额的增加对应着另外一部分商业银行市场份额的减少；金融创新或技术进步有可能通过改变中国商业银行市场份额分布对商业银行绩效产生影响，因此不能事先推断市场份额途径的间接绩效影响是正面的还是负面的。
[5]与市场份额不同，市场集中度是描述商业银行整体市场结构的标量，金融创新和技术进步对市场集中度的影响不存在与商业银行类型有关的差异性，但是市场集中度对不同类型商业银行绩效的影响可能存在差异性，因此，金融创新和技术进步通过市场集中度途径最终形成的间接绩效影响对不同类型的商业银行仍然可能存在差异性。
[6]即技术效率TE=1，并且不随时间变化。
[7]例如，Keller（2004）、孙浦阳和张蕊（2012）采用研发支出指标度量技术进步。以投入指标度量技术进步忽略了技术研发存在失败和无效率的情形，研发投入和实际研发产出之间往往存在差异，研发投入无法准确或全面衡量技术进步（单位时间内研发产出）的程度。另外，Arrow（1962）指出，相当一部分技术进步是在“learning by doing”过程中产生的，新技术是常规生产活动的副产品，所以在这种情形下，不存在或无法从投入中分离出研发支出。
[8]考虑到因子分解描述的方便性以及全要素生产率增长率与各指数之间的乘积关系，几乎所有Malmquist前沿分析程序的数据输出结果都是两期变量的倍数因子，而不是增长率。例如，中国商业银行技术进步、纯技术效率、规模效率和全要素生产率变化指数分别为1.106，1.037、1.002和1.149，这表示技术进步、纯技术效率、规模效率和全要素生产率分别增长10.6%、3.7%、0.2%和14.9%。
[9]Laeven等（2014）将PCB定义为提供个人和公司信用信息的私人金融机构，通常由私有银行建立，以共享借贷者的信用价值信息。
[10]Berger（2003）采用收入成本比率，即1/CIR度量商业银行效率。这两种指标只影响回归系数的符号和相对数值，不影响实证分析的最终结论。
[11]每年度的《中国统计年鉴》和《中国金融年鉴》发布的是上一年度的统计数据，如《中国统计年鉴（2014）》发布是2013年的经济数据。
[12]原始数据的时间跨度为1999—2013年，但是Malmquist DEA前沿分析关于技术进步和效率变化的测度要以前一年数据作为分析基础，因此这部分变量缺少1999年的数据。
[13]2010年以后，中国商业银行一般分为大型商业银行、股份制商业银行、城市商业银行和农村商业银行等类型。本书考虑到商业银行国有性质和商业银行经营区域范围会对商业银行在市场势力、金融创新、技术应用和效率等方面引起明显的差异性，将中国商业银行分为国有商业银行、全国性股份制商业银行和区域性商业银行。
[14]资产规模lnASSET以千元的自然对数度量，其余增长率或比率变量无单位。
[15]表6-6中的面板数据单位根检验方法（LLC方法、ADF-Fisher方法和PP-Fisher方法）参考张晓峒：《EViews使用指南与案例》，机械工业出版社，2007年。各统计量数值由EViews7.2软件给出的面板单位根检验程序计算得出。
[16]对于全国性股份制商业银行子样本，由于横截面个数少于个变量数，无法进行Hausman检验，F检验表明个体固定效应面板数据模型优于混合面板数据模型；考虑到我国商业银行的个体特征明显，并且采用个体固定效应面板数据模型进行回归调整后拟合优度达到71%，F统计量在1%的水平上通过了显著性检验，说明模型设定是合理的。
[17]由于国有商业银行样本横截面个数少于变量个数，无法进行Hausman检验，考虑到我国商业银行的个体特征明显，并且这里采用个体固定效应面板数据模型进行回归调整后拟合优度达到77%，F统计量在1%的水平上通过了显著性检验，模型设定是合理的。
[18]CIR数值越小表明商业银行效率越高，表中解释变量估计系数为负（正）表明对效率的影响是正（负）面的。
[19]对于国有商业银行和全国性股份制商业银行子样本，由于横截面个数少于个变量数，无法进行Hausman检验。F检验表明个体固定效应面板数据模型优于混合面板数据模型。考虑到我国商业银行的个体特征明显，并且采用个体固定效应面板数据模型进行回归调整后拟合优度分别达到77%和76%，F统计量在1%的水平上通过了显著性检验，说明模型设定是合理的。