葛詩惠

○中原銀行股份有限公司資產(chǎn)負債管理部

一、引言

我國銀行系統(tǒng)進行股份制改革以來，商業(yè)銀行原有的壟斷力量逐漸減弱，銀行業(yè)的配置效率和生產(chǎn)效率明顯提高[1]。然而，經(jīng)過10多年的發(fā)展，中國銀行業(yè)總體效率仍然低下，特別是一些大型國有商業(yè)銀行不斷擴大規(guī)模，但未能達到應有的規(guī)模效益[2]；一些股份制商業(yè)銀行的技術效率也不明顯，整體效益低下[3]。市場化重組推動了中國商業(yè)銀行的快速發(fā)展，但商業(yè)銀行卻出現(xiàn)了“大而不強”的現(xiàn)象[4]。本文在探討中國商業(yè)銀行效率的同時，探討影響銀行效率的影響因素。一是衡量商業(yè)銀行的效率，主要采用DEA-Malmquist方法衡量商業(yè)銀行的效率，重點關注技術效率的趨勢和技術變革對技術效率的影響；二是分析商業(yè)銀行效率的影響因素，主要是利用TOBIT面板回歸模型探索商業(yè)銀行效率的影響因素，重點分析資本充足率、資產(chǎn)利潤率、不良貸款率對銀行效率的影響。

二、文獻回顧

銀行效率分析方法主要包括定性描述法、單變量計算法、主成分分析法、隨機前沿方程和DEA法。定性描述在量化方面存在不足；單變量法往往不能反映銀行的整體效率，更多的是一種數(shù)學運算，無法反映單個生產(chǎn)和管理特征；隨機邊界方程是一種分析方法需要定義生產(chǎn)函數(shù)，操作難度大[5]；DEA方法作為一種數(shù)據(jù)包絡分析方法，不需要對單個生產(chǎn)函數(shù)進行假設，直接根據(jù)數(shù)據(jù)自動分析每個輸入輸出變量的權重，應用性強，DEA-Malmquist指數(shù)分析考慮了銀行效率的動態(tài)變化，是最常用的銀行效率分析方法[6]。因此，本研究使用DEA-Malmquist指數(shù)模型分析商業(yè)銀行效率。

商業(yè)銀行效率影響因素分析法主要包括定性分析、橫斷面數(shù)據(jù)最小二乘估計、面板數(shù)據(jù)固定效應模型和Tobit模型。定性分析不能有效地分析影響因素的內(nèi)在影響；截面數(shù)據(jù)最小二乘估計當解釋變量受到限制時回歸結果不一致；面板數(shù)據(jù)固定效果模型無法滿足銀行數(shù)據(jù)短期特征[7]；Tobit面板回歸模型是一種計量經(jīng)濟學模型，可用于解決約束變量約束的問題，可以避免估計的偏差和不一致，是估計影響因素對銀行效率影響的常用方法[8]，因此，本研究使用Tobit面板回歸模型分析商業(yè)銀行效率的影響因素。

三、方法與變量

(一)研究方法

本研究的主要研究內(nèi)容包括商業(yè)銀行效率分析和商業(yè)銀行效率影響因素分析，分別采用 DEA-Malmquist指數(shù)分析和TOBIT模型分析。

采用DEA-Malmquist指數(shù)分析法測算商業(yè)銀行效率，公式為：

m(xt+1,yt+1,xt,yt)=

采用Tobit模型分析商業(yè)銀行效率的影響因素，分析模型為：

Y0=αi+β1×X1，it+β2，it×X2+β3×X3，it+β4×X4，it+β5×X5，it+β6×X6，it+β7×X7，it+ε

其中，Y是被解釋變量，包括技術效率，純技術效率和規(guī)模效率；X是解釋變量，包括資本充足率、資產(chǎn)利潤率、不良貸款率。結合前人研究成果，選擇以下指標作為控制變量：銀行規(guī)模(資產(chǎn)規(guī)模)、創(chuàng)新能力(非利息收入占比)、抗風險能力(自有資本水平)、資產(chǎn)配置能力(存貸比)。

(二)變量測量

1.商業(yè)銀行效率測量，投入指標和產(chǎn)出指標的測量見表1。

表1 投入產(chǎn)出指標測量

2.商業(yè)銀行效率影響因素分析，解釋變量和控制變量的測量見表2。

表2 影響因素變量測量

四、樣本與數(shù)據(jù)

(一)樣本選擇

根據(jù)數(shù)據(jù)可獲取性和商業(yè)銀行分類，選擇4家國有商業(yè)銀行、9家股份制商業(yè)銀行和9家城市商業(yè)銀行作為研究樣本。

(二)數(shù)據(jù)來源

數(shù)據(jù)為二手數(shù)據(jù)，來源于公開的資料、銀行官網(wǎng)、專業(yè)財經(jīng)數(shù)據(jù)以及專業(yè)數(shù)據(jù)庫。一方面，通過上海證券交易所官網(wǎng)公布的各公司年度財務報告獲得數(shù)據(jù)；另一方面，通過國泰安數(shù)據(jù)庫獲取數(shù)據(jù)；其三，根據(jù)銀行官網(wǎng)獲得數(shù)據(jù)。為體現(xiàn)數(shù)據(jù)在時間上的變化性，選擇2019—2021年3年的數(shù)據(jù)作為分析數(shù)據(jù)。

五、商業(yè)銀行效率分析

(一)指標描述性統(tǒng)計

采用描述性統(tǒng)計對 22個商業(yè)銀行樣本的網(wǎng)點數(shù)量、員工人數(shù)、員工平均工資、總存款、固定資產(chǎn)凈值、貸款總額、總利潤、凈利潤、投資收益、利息收入等10個指標進行平均值測算。結果見表3。

表3 指標平均值統(tǒng)計結果

1.投入指標方面。2019—2020年，樣本商業(yè)銀行平均網(wǎng)點數(shù)量分別為679家、653家、621家，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行的網(wǎng)點規(guī)模逐年下降；樣本商業(yè)銀行平均員工人數(shù)分別為 1 305人、1 128人、1 017人，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行的員工規(guī)模逐年下降；樣本商業(yè)銀行員工平均工資分別為18.36萬元、17.56萬元、15.49萬元，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行員工的薪資報酬逐年下降；樣本商業(yè)銀行平均總存款分別為11.26萬億元、11.01萬億元、10.28萬億元，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行的存款規(guī)模逐年下降；樣本商業(yè)銀行平均固定資產(chǎn)凈值分別為0.88萬億元、0.89萬億元、0.91萬億元，呈現(xiàn)出逐年遞增的趨勢，說明商業(yè)銀行的固定資產(chǎn)凈值逐年提高。

2.產(chǎn)出指標方面。2019—2020年，樣本商業(yè)銀行平均貸款總額分別為9.23萬億元、8.13萬億元、7.28萬億元，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行員工的總貸款逐年下降；樣本商業(yè)銀行平均總利潤分別為1.01萬億元、0.94萬億元、0.86萬億元，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行總利潤逐年下降；樣本商業(yè)銀行平均凈利潤分別為0.24萬億元、0.21萬億元、0.14萬億元，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行凈利潤逐年下降；樣本商業(yè)銀行平均投資收益分別為0.14萬億元、0.11萬億元、0.09萬億元，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行投資收益逐年下降；樣本商業(yè)銀行平均利息收入分別為0.76萬億元、0.64萬億元、0.61萬億元，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行利息收入逐年下降。

(二)DEA-Malmquist指數(shù)分析結果

采用DEAP VERSION軟件，對樣本數(shù)據(jù)進行DEA-Malmquist指數(shù)分析，探索商業(yè)銀行的效率。衡量生產(chǎn)率增長的Malmquist指數(shù)也被稱為全要素生產(chǎn)率(TFP)。TFP可以分解為技術變革(TC)和效率變革(EC)兩個方面。其中，技術變革是指前沿技術的變化，效率變革是指前沿技術效率的變化，又分為純技術年效率(PE)和規(guī)模效率值(SE)。2019—2021年，22家樣本銀行的面板數(shù)據(jù)，形成66家DMU，采用Malmquist計算了DMU的全要素生產(chǎn)率(TFP)、技術變異(TC)、效率變異(EC)、純技術年效率(PE)和規(guī)模效率值(SE)，計算結果見表4。

表4 商業(yè)銀行平均效率

樣本商業(yè)銀行全要素生產(chǎn)率(TFP)的平均值為1.171，效率化平均值(EC)為1.093，技術變化平均值(TC)為1.040。相比之下，從全要素效率變化來看，效率變化的影響最大，其次是規(guī)模效率值，再次是技術變化，最后是純技術效率。在技術進步方面，技術進步的平均貢獻率為1.040，表明2019年以來，中國商業(yè)銀行確實經(jīng)歷了技術進步，并對全要素生產(chǎn)率產(chǎn)生了積極影響。

2019—2021年，22家商業(yè)銀行整體Malmquist指數(shù)見表5。2019—2021年，商業(yè)銀行總體呈上升趨勢，全要素生產(chǎn)率大幅提高。但從2020開始，除技術進步率和純技術效率有所提高外，其他效率均呈下降趨勢，這主要是中國經(jīng)濟從高速增長向中高速增長轉變，經(jīng)濟發(fā)展步伐放緩，一定程度上制約了金融業(yè)的發(fā)展。

表5 商業(yè)銀行馬爾姆奎斯特指數(shù)分解

六、商業(yè)銀行效率的影響因素分析

(一)變量描述性統(tǒng)計

采用描述性統(tǒng)計對 22個商業(yè)銀行樣本的資本充足率、資產(chǎn)利潤率、不良貸款率、資產(chǎn)規(guī)模、非利息收入占比、自有資本水平、存貸比等7個指標進行平均值測算。結果見表6。

表6 變量平均值統(tǒng)計結果

1.影響因素指標變量方面。2019—2020年，樣本商業(yè)銀行平均資本充足率分別為15.39%、15.01%、14.77%，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行的資本充足率逐年下降；樣本商業(yè)銀行平均資產(chǎn)利潤率分別為0.75%、0.71%、0.68%，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行的資產(chǎn)利潤率逐年下降；樣本商業(yè)銀行平均不良貸款率分別為1.58%、1.44%、1.26%，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行的不良貸款率逐年下降。

2.控制變量方面。2019—2020年，樣本商業(yè)銀行平均資產(chǎn)規(guī)模分別為2.72萬億元、2.61萬億元、2.47萬億元，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行員工的資產(chǎn)規(guī)模逐年下降；樣本商業(yè)銀行平均非利息收入占比分別為27.28%、25.33%、24.19%，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行創(chuàng)新能力逐年下降；樣本商業(yè)銀行平均自有資本水平分別為6.33%、6.04%、5.84%，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行抗風險能力逐年下降；樣本商業(yè)銀行平均存貸比分別為68.75%、66.31%、57.78%，呈現(xiàn)出逐年遞減的趨勢，說明商業(yè)銀行資產(chǎn)配置能力逐年下降。

(二)TOBIT模型分析結果

采用STATA軟件對樣本數(shù)據(jù)進行TOBIT分析，因變量包括技術效率、純技術效率和規(guī)模效率，分別估計出固定效應的Tobit回歸模型、隨機效應的Tobit回歸模型以及OLS模型的參數(shù)。模型估計結果見表7。

表7 TOBIT回歸分析結果

由表7回歸分析結果可知，①比較OLS回歸與Tobit面板回歸結果，OLS回歸分析結果與Tobit模型面板回歸分析結果存在很大差異，說明被解釋變量為刪失數(shù)據(jù)的條件下采用OLS估計，結果有偏且不一致，應當采用Tobit面板模型進行估計。然后比較固定效應Tobit和隨機效應Tobit模型，Hausman檢驗結果得出在1%的置信水平下拒絕了固定效應與隨機效應無差異的原假設，因此選擇固定效應Tobit模型進行分析；②資本充足率變量對技術效率、純技術效率的影響系數(shù)分別為 0.241 2、0.156 8，均為正，且通過0.05的顯著性水平檢驗。“資本充足率”變量規(guī)模效率的影響系數(shù)為 1.247 2，為正，且通過0.01的顯著性水平檢驗?？梢缘贸觯虡I(yè)銀行資本充足率對技術效率、純技術效率、規(guī)模效率均具有顯著的正向影響。也就是說，商業(yè)銀行的資本充足率越高，則技術效率、純技術效率、規(guī)模效率越高，銀行效率越高；③資產(chǎn)利潤率變量對技術效率、純技術效率的影響系數(shù)分別為 0.201 7、0.131 2，均為正，且通過0.05的顯著性水平檢驗。資產(chǎn)利潤率變量規(guī)模效率的影響系數(shù)為 1.204 6，為正，且通過0.01的顯著性水平檢驗。可以得出，商業(yè)銀行資產(chǎn)利潤率對技術效率、純技術效率、規(guī)模效率均具有顯著的正向影響，也就是說，商業(yè)銀行的資產(chǎn)利潤率越高，則技術效率、純技術效率、規(guī)模效率越高，銀行效率越高；④不良貸款率變量對技術效率、純技術效率的影響系數(shù)分別為 -0.158 9、-0.087 4，均為負，且通過0.05的顯著性水平檢驗。不良貸款率變量規(guī)模效率的影響系數(shù)為 -1.074 5，為負，且通過0.01的顯著性水平檢驗?？梢缘贸觯虡I(yè)銀行不良貸款率對技術效率、純技術效率、規(guī)模效率均具有顯著的負向影響，也就是說，商業(yè)銀行的不良貸款率越高，則技術效率、純技術效率、規(guī)模效率越高，銀行效率越低。

七、結論和局限性

(一)結論

從商業(yè)銀行效率評估結果可以看出，商業(yè)銀行的技術效率主要以規(guī)模效率為代表，商業(yè)銀行的規(guī)模在很大程度上可以解釋技術效率的高低；商業(yè)銀行存在明顯的技術進步，影響了商業(yè)銀行的效率；商業(yè)銀行資本充足率、資產(chǎn)利潤率對商業(yè)銀行技術效率、純技術效率和規(guī)模效率具有正向影響，不良貸款率具有顯著負向影響。資本充足率和資產(chǎn)利潤率對商業(yè)銀行的技術效率具有雙重影響，一方面通過提高純技術的效率來提高技術效率，另一方面通過提高規(guī)模效率來提高技術效率。

(二)研究的局限性

一是樣本選擇代表性不夠。由于數(shù)據(jù)的可用性，研究所選擇的銀行在類型、數(shù)量、時間等方面具有一定的局限性；二是DEA-Malmquist分析中投入指標和產(chǎn)出指標存在一定的遺漏，可能會影響銀行效率測度結果的準確性；三是影響銀行業(yè)績的因素很多，本研究的數(shù)據(jù)采集僅選擇性地選取了資產(chǎn)規(guī)模、非利息收入占比、自有資本水平、存貸比作為控制變量，仍有改進的余地。