研究报告：银行网点衰退的驱动因素——基于存款特许价值与技术采纳的分析
作者及机构 本研究由 Rajesh P. Narayanan（路易斯安那州立大学）、Dimuthu Ratnadiwakara（里士满联邦储备银行）和 Philip Strahan（波士顿学院、美国国家经济研究局）共同完成。研究以工作论文形式发布，即 NBER Working Paper No. 33773，题为“The Decline of Bank Branching”，发布于2025年5月。需要指出的是，论文中的观点为作者个人观点，不代表其所属机构尤其是联邦储备系统的立场。作者在论文撰写和部分代码构建中使用了ChatGPT进行辅助。
学术背景与研究目的 本研究的科学领域属于金融经济学，具体聚焦于银行业结构变迁与金融中介的地理经济学。研究的背景始于美国银行业一个显著的长期趋势逆转：自2010年起，美国银行网点的总数开始持续下降，这一趋势在2015年后加速，并在COVID-19大流行后急剧增强。这与2008年全球金融危机前长达数十年的“网点扩张”时期形成了鲜明对比，彼时尽管银行数量因并购而减少，但网点总数仍在增长。这种转变引发了核心研究问题：驱动当前银行网点（包括关闭与开设）重组决策的根本因素是什么？
传统银行业文献强调物理距离的重要性，认为银行与客户（无论是储户还是借款人）的地理邻近性对于信息生产、关系建立和服务便利性至关重要，从而构成了银行业务的摩擦和本地市场势力的基础。然而，随着支付系统创新（如PayPal, Venmo, Zelle）、互联网银行和智能手机银行的普及，技术可能正在削弱物理距离的价值。因此，本研究旨在探究在技术冲击的背景下，银行网点重组（尤其是关闭与开设决策）的核心驱动力是否发生了根本性变化。具体目标包括：1) 检验存款特许价值作为网点决策主要驱动力的假说；2) 区分在位银行与潜在进入银行面临的激励差异；3) 评估新冠疫情作为“可教学时刻”如何加速了技术采纳和网点使用模式的改变；4) 分析贷款需求等传统因素在解释当前网点重组中的作用是否已减弱。
研究流程与设计 本研究并非传统的实验室实验，而是基于大量公开和商业数据的实证计量分析。其工作流程复杂且环环相扣，主要包含以下几个核心步骤：
第一步：构建核心变量——存款特许价值的测度 研究的基石是构建一个能够衡量银行在不同地点获取存款经济利润能力的指标，即“存款特许价值”。作者借鉴了Drechsler, Savov, and Schnabl (2023)的方法。其核心思想是，银行的价值很大程度上源于能够以低于市场利率的成本吸收并留住存款。他们将银行的存款利率设定为市场利率的一个固定比例，即 rd = β × rf，其中β被称为“存款β”，它衡量了银行对市场利率变动的敏感度（即定价能力）。β越低，意味着银行越能维持低存款利率，从而每美元存款产生的经济租金（即存款特许价值DF）越高。计算公式为：DF = (1 - β) × [1 - 1/(1 + rp)^10]，其中rp为长期利率。关键在于如何获取β。
由于无法直接获得分行层面的存款定价数据，作者设计了一个间接但精巧的两阶段预测模型： 1. 银行层面β的估计与建模：首先，他们利用过去三个货币政策紧缩周期（2004-2006，2016-2019，2022-2024）的数据，计算每个银行在周期内的实际β（存款利息支出变化 / 存款总额变化，再除以联邦基金利率变化）。接着，他们将这个银行层面的实际β对一系列银行“足迹”内的平均本地人口特征进行回归。这些特征包括：年龄分位数、家庭收入对数、拥有大学学历的人口比例、以及通过报税数据估算的股市参与率。此外，控制变量还包括存款加权的本地市场集中度、银行规模、人口密度等。这个回归（如表2所示）旨在揭示哪些人口特征与银行的存款定价能力（β）系统性相关。 2. 分行层面DF的预测：利用第一步回归得到的系数，作者将其应用于每家银行每个分行所在邮政编码的人口特征数据上（而非银行整体的平均值），从而为每个分行预测出一个“存款β”，进而计算出该分行的预测DF值。这一策略的巧妙之处在于，它为同一家银行内部创造了DF的变异——因为一家银行在不同邮政编码区的分行，其客户人口特征不同，因此预测的DF也不同。这种“银行内”变异是后续分析分行关闭决策的关键识别来源。
第二步：数据采集与样本构建 研究整合了多个数据集，时间跨度为2001年至2023年。 1. 网点数据：来自FDIC的“存款摘要”，用于确定每年6月每家银行的网点位置、存款额，并识别网点的开设与关闭（定义为相邻两年间的出现与消失）。 2. 银行财务数据：来自FFIEC的季度“呼叫报告”，用于计算银行层面的财务指标和实际β。 3. 人口与经济数据：来自美国社区调查（用于收入、教育、年龄）和IRS统计数据（用于股市参与率）。 4. 网点使用数据：来自Advan（原SafeGraph）的手机移动数据（2019-2023年），用于衡量每个网点的访客数量变化（以2019年至2021年的访问量下降百分比表示）以及访客的中位出行距离。 5. 其他控制变量数据：包括来自HMDA的抵押贷款增长、CRA的小企业贷款增长、县商业模式的机构与薪资增长，以及FHFA的低收入地区标识。
第三步：实证模型设定与分析 研究分别对网点关闭和开设决策建立了计量模型。 1. 关闭决策模型：样本为“银行-分行-年份”面板数据。因变量为二元变量（该分行在当年是否关闭）。核心解释变量是上一步预测的分行层面DF值。为了严格识别需求侧（客户特征）的影响并控制供给侧（银行技术供给、宏观趋势、本地条件），模型包含了极为严格的固定效应组合：银行×年份固定效应（吸收了每家银行每年整体的战略、技术投资和运营成本差异）以及县×年份固定效应（吸收了每个县每年的所有时变特征，如本地经济状况、科技基础设施等）。在此设定下，识别仅来源于同一家银行在同一年份、不同县的分行之间，由于本地客户人口特征不同而导致的DF差异如何影响关闭概率。控制变量包括分行滞后存款额、过去三年本地存款/抵押贷款/小企业贷款增长率、本地经济活力指标、并购活动虚拟变量等。 2. 开设决策模型：样本构建更为复杂，是一个“银行-邮政编码-年份”的面板数据，包含了每家银行每年可能进入的“候选”邮政编码集合（即该银行在邻近大都市统计区已有网点的所有邮编，加上其当年实际新进入的邮编）。因变量为二元变量（银行是否在该邮编开设新网点）。核心解释变量是该邮政编码的预测DF值（基于该邮编的人口特征计算，代表进入后可能获得的DF）。同样，模型控制了银行×年份和县×年份固定效应。控制变量包括该邮编内所有竞争银行的存款总额（代表市场潜力）、本地经济指标等。 3. 拓展分析：a) 简约形式模型：直接用人口特征变量（如教育、股市参与率合成的“金融成熟度”指标）替代DF进行回归，以验证底层驱动因素。b) 引入使用数据模型：在2022-2023年的子样本中，加入分行访问量下降和访客出行距离两个指标，探究使用模式与定价权力在解释重组决策中的相对重要性。为避免内生性，对关闭决策采用了“留一法”构建邮编内其他网点的平均使用指标。
主要研究结果 1. 存款特许价值是网点重组的核心驱动力，但其作用方向相反：这是本研究最关键的发现。 * 对于关闭决策：DF值越低（即存款利率敏感度高，定价能力弱）的分行，被关闭的概率显著越高。这一效应在所有银行中都存在，但对于大型银行（资产超过1000亿美元）尤为强烈和系统。例如，对于大银行，DF的一个标准差下降会导致年关闭概率上升约0.4个百分点（相当于无条件平均关闭率的10%）。这表明，在位银行倾向于关闭那些难以从“粘性”客户身上榨取存款利差的分行。 * 对于开设决策：结果恰恰相反。潜在进入者更不愿意在DF值高（即客户利率不敏感、存款“粘性”强）的地区开设新网点。因为在这些地区，从在位银行那里吸引“忠诚”客户的难度很大。相反，它们更可能进入DF值较低（客户对利率敏感、容易被更高利率吸引）的地区。因此，低DF地区同时见证了更高的关闭率和更高的进入率。 * 逻辑关系：这一组发现完美揭示了市场动态。在位银行因利润微薄而退出低DF市场，而新进入者则因进入壁垒较低而进入同一市场。高DF市场则因其隐含的客户转换成本构成了内生性进入壁垒。
本地贷款需求的作用微弱：与大量强调银行-借款人距离的经典文献不同，本研究发现，本地抵押贷款或小企业贷款的增长，对于解释网点关闭或开设决策的能力非常弱且不一致。这一结果支持了作者的论点：信息技术（如电子支付、在线贷款平台）极大地降低了物理邻近性对于信贷信息生产和发放的重要性。银行网点的核心功能日益聚焦于存款端的特许经营权，而非贷款端的本地服务。
人口特征通过双重渠道驱动重组：人口统计学变量（年轻、高教育水平、高股市参与率）是研究的起点。结果表明，这些“金融成熟度”高的客户群体：a) 通过更高的利率敏感性压低了DF（表2结果）；b) 更少使用物理网点，且在必须使用时出行距离更远（表3结果）。这两个渠道都降低了物理网点的价值。新冠疫情强化了这一模式，成为促使更多人转向数字银行的“可教学时刻”。在疫情后时期，DF对关闭决策的边际影响显著增大。
网点使用模式是重要补充但非替代性解释：在加入手机移动数据的分析中，发现疫情后访问量下降越多的分行，其关闭概率也越高。访客出行距离越远（表明客户对就近网点的依赖越低），关闭概率也越高。然而，将这些使用指标加入模型后，DF的解释力仅被轻微削弱，且仍然保持高度显著。这表明，使用模式和DF高度相关，因为它们共同由本地人口特征驱动，共同反映了技术对存款定价能力和网点便利性价值的侵蚀。
大型银行是重组的主要推动者：研究 consistently 发现，DF对关闭和开设决策的影响在大型银行中比在小型银行中更强、更显著。这源于大型银行客户群本身就更偏向于金融成熟度高、利率敏感型的群体，因此其网点网络对DF的变化反应更为灵敏和剧烈。疫情后网点的关闭潮也主要由大型银行主导。
结论与价值 本研究得出结论：2001-2023年期间，特别是2010年之后的美国银行网点衰退，主要是由存款特许价值的变化驱动的，而技术通过提升储户利率敏感度和降低物理邻近性的便利价值，侵蚀了这种价值。传统上作为银行网点存在理由的本地贷款需求，其重要性已大大降低。新冠疫情加速了这一结构性转变。
研究的科学价值在于： 1. 理论贡献：为理解数字经济时代的银行业结构变迁提供了一个清晰、统一的分析框架，将存款特许价值置于核心，并明确了在位者与进入者的异质激励。 2. 方法论创新：通过构建分行层面的预测DF，并运用极其严格的固定效应模型，巧妙地解决了识别难题，将客户需求侧的技术采纳效应从银行供给侧的技术供给效应中分离出来。 3. 实证发现：系统地证明了贷款因素解释力的下降，挑战了部分传统智慧，强调了银行业务模式重心的转变。 4. 政策与行业启示：研究指出，技术降低银行服务的空间摩擦，这可能延续并深化自上世纪80年代分支 deregulation 以来促进市场竞争和资本流动的积极进程。对于监管者而言，需关注“银行沙漠”可能在新条件下以新的形式出现（如服务数字能力较弱的群体）。对于银行业，研究明确了网点网络优化应更紧密地与存款客户的人口特征和数字化行为挂钩。
研究亮点 1. 核心发现新颖且具有说服力：首次在同一框架内系统论证了存款特许价值对网点关闭和开设的相反方向的驱动作用，深刻揭示了市场结构调整的微观机制。 2. 研究设计精巧：利用人口特征的银行内变异来构建核心解释变量，并采用银行×年份和县×年份固定效应，提供了该主题下可能最干净的因果识别策略之一。 3. 数据综合运用能力强：将传统的银行财务数据、监管报告、人口普查数据与新颖的手机移动大数据相结合，从多个维度验证了理论假说。 4. 紧扣时代脉搏：成功地将长期技术趋势与新冠疫情这一外生冲击结合起来，分析了结构性变化的加速过程，使研究兼具历史纵深和现实相关性。 5. 挑战与对话：明确得出本地贷款需求不再是网点重组主要驱动力的结论，与大量经典文献进行对话，反映了金融科技时代银行业务的根本性演变。
其他有价值内容 作者在论文中提及，他们使用ChatGPT辅助了文稿编辑和部分代码编写，这反映了AI工具在学术研究辅助工作中的日益普及。同时，论文作为NBER工作论文，尚未经过同行评审，这为后续学术讨论和改进留下了空间。文中还对比了美国与欧盟（尤其是荷兰）的网点衰退速度，为跨国比较提供了引子。最后，研究框架暗示，未来针对不同客户群体（如老年人、低收入群体）的银行服务可得性问题，可能需要超越物理网点数量的视角，更多地关注数字包容性和替代性服务渠道的设计。