后危机时代中国商业银行全要素生产率研究——基于DEA模型的Malmquist指数分析

路 妍,李 刚

(东北财经大学 金融学院,辽宁 大连 116025)

一 引言

2008年美国金融危机以来,历经欧债危机、全球量化宽松货币政策、原油价格暴跌、英国脱欧,全球经济发展陷入了低增长、低利率、低通胀的新常态。与此同时,中国GDP增长率也降到2016年的6.7%,为近30年来最低,2017年上半年增长率为6.9%,中国经济的低速增长已经成为中国经济发展的新常态。一方面是全球经济和金融市场的异常波动,另一方面是中国经济的增速放缓,因此中国金融业的内外环境正经受着严峻考验。

在此宏观背景下,中国提出了供给侧结构改革的应对措施,去产能、去库存、去杠杆、降成本、补短板,希望从生产领域加强优质供给,扩大有效供给,提高供给结构的适应性和灵活性,提高全要素生产率,使供给体系更好地适应需求结构的变化。在供给侧结构改革的背景下,既要提高各行业全要素生产率,又要保障供给秩序,这对中国各个行业都提出了更高的要求,而金融业又是保障供给侧改革的关键行业。

银行业是中国金融业的支柱,也是整个经济的支柱。供给侧改革首先强调去库存、去产能,这就会影响基础设施建设相关领域的短期发展,甚至可能带来个别行业的阵痛,比如钢铁、房地产等行业。由于这些传统的粗放式经营行业通常有比较充分的抵押资产,并且往往能够得到地方政府的扶持,所以它们占据了较大比例的银行业务,得到了大量的银行贷款。在经济增速放缓的背景下,银行业也必将受到更大的冲击。中国商业银行不良贷款率从2014年第3季度开始逐渐上升,到2016年末达到了1.81%。

中国商业银行如何应对经济的低速增长新常态?如何应对居高不下的不良贷款?如何不断创新以提高全要素生产率?这是今后一段时期中国商业银行面临的主要问题。因此,研究后危机时代中国商业银行全要素生产率并分析其影响因素具有十分重要的理论意义和现实意义。

二 国内外文献综述

针对银行全要素生产率的研究,它与银行效率研究、银行竞争力研究是一体的。银行全要素生产率的研究源于对银行效率的评价,早期有很多学者对银行效率进行了各方面的研究,Berger等[1,2]对前期大约130多篇关于银行效率的研究进行了综述,并对效率计算方法进行了总结,分为非前沿分析法和前沿分析法,并重点概括了应用最多的前沿分析法,把前沿分析法又分为参数和非参数两种测度方法。其中,参数法包括随机前沿法(stochastic frontier approach,SFA)、自由分布法(distribution free approach,DFA)和厚前沿法(thick frontier approach,TFA);非参数法包括数据包络分析法(data envelopment analysis,DEA)和无界分析法(free disposal hull,FDH),统计近些年商业银行效率的文献,使用较多的是参数法中的SFA模型和非参数法中的DEA模型。

针对中国商业银行效率或全要素生产率,Chen等[3]、Kumbhakar和Wang[4]、Yao等[5]、Matthew和Zhang[6]、Barros等[7]从不同角度进行了分析。

袁晓玲、张宝山[8]、蔡跃洲和郭梅军[9]分别研究了不同年份的中国商业银行全要素生产率,并且也都是用Malmquist指数进行分析,他们研究的区别在于样本和研究时间跨度略有差异,袁晓玲和张宝山研究了15家商业银行,时间跨度是1999-2006年;蔡跃洲和郭梅军研究了11家商业银行,时间跨度是2004-2008年,他们都得出了相似的结论,认为在这一时期中国上市商业银行全要素生产率总体略有下降。

针对中国商业银行全要素生产率,张健华和王鹏[10,11]进行了跟踪,主要利用产出定位距离函数来进行分析,重点研究了金融体制变革对中国银行业全要素生产率的影响,并对全要素生产率进行了拆分研究,和大多数学者的研究一致,他们认为在中国商业银行效率中,规模效率变化不大,技术进步变化最大。

侯晓辉等[12]则用SFA面板数据模型分析中国商业银行效率值,选取2001-2008年的相关数据,研究个体效应与非效率项分离模式,计算广义Malmquist值,并用得出的全要素生产率值研究体制机制以及市场力量对中国商业银行效率的影响。

柯孔林和冯宗宪[13]，姜永宏和蒋伟杰[14]各自使用了一种特殊的指标计算研究中国商业银行全要素生产率,其中柯孔林和冯宗宪的方法称为全域Malmquist全要素生产率指数,姜永宏和蒋伟杰的方法为Hicks-Moorsteen全要素生产率指数,全域Malmquist全要素生产率指数能够分析不良贷款对银行效率的影响,Hicks-Moorsteen全要素生产率指数侧重研究体制机制对银行全要素生产率指数的影响。

李小胜和张焕明[15]用了一个较新的方法研究不良贷款对银行效率的影响,他们的研究方法核心在于两阶段网络分析,他们利用2004-2012年的中国商业银行数据,分析中国商业银行不良贷款约束下的全要素生产率问题,认为主要是技术进步带来了全要素生产率的提升。

与上述学者们的研究不同,胡海峰和武鹏[16]将研究视角扩大到全球,他们分析了多达45个国家的相关数据,主要研究宏观背景对银行全要素效率的影响,认为每个国家的宏观经济背景不同,导致该国的银行效率不同。

本文在以往研究分析的基础上,针对2008年以来金融危机对中国商业银行的深远影响,侧重研究后危机时代中国商业银行的全要素生产率,尤其重点分析2015年以来中国宏观背景变化对中国商业银行效率的影响,并对影响中国商业银行全要素生产率的宏观微观因素进行分析,以补充完善以往研究的不足。

三 中国商业银行全要素生产率模型

(一)银行技术衡量

一般地,单一投入和单一产出的厂商,其技术水平可以定义为产出与投入的比值。如果能够找到恰当的指标来表示多种投入和多种产出,则多投入多产出厂商的技术水平就可以定义为产出指数与投入指数的比值,而投入总量函数和产出总量函数可作为衡量多种投入和多种产出的指数。

假定第i家银行在时期t的投入和产出向量分别为xit=(x1it,…,xKit)′和yit=(y1it,…,yKit)′,令Xit≡X(xit)及Yit≡Y(yit)分别表示投入总量函数和产出总量函数,则银行的技术水平就可以被定义为公式(1):

(1)

(二)银行效率衡量及分解

按照上述技术水平的定义,效率可被定义为不同条件下测量的技术水平比值,令Techt*为在t期技术水平约束下可达到的最大技术水平,则某一银行效率可以表示为该银行的实际技术水平与这一时期最大化的技术水平之比,见公式(2):

(2)

公式(2)中,Xt*和Yt*分别表示最佳技术水平条件下的投入总量和产出总量。在投入导向条件下,Eit可进一步分解为技术效率(ITE)、规模效率(ISE),见公式(3):

(3)

(三)银行全要素生产率(TFP)及其分解

全要素生产率(TotalFactorProductivity,TFP)是指产量与全部要素投入量之比,全要素生产率的来源包括技术进步、组织创新、专业化和生产创新等。产出增长率超出要素投入增长率的部分为全要素生产率(也称总和要素生产率)。全要素生产率反映了投入要素以外的其他因素(如技术进步、技术效率的提高等)对银行增长的贡献,是衡量银行持续发展的重要指标。

按照前文设定,x为投入,y为产出,T为生产可能集,则定向技术距离函数定义为公式(4):

D(x,y,gx,gy)=max{β:(x-βgx,y+gy)∈T}

(4)

其中,(gx,gy)≥0为给定的方向向量,β是常数。t期,投入产出导向型的Malmquist指数定义为公式(5):

(5)

公式(5)中,Malmquist指数又可以进一步分解为技术进步指数(Techch)、纯技术效率指数(Pech)和规模效率指数(Sech),见公式(6):

TFP=Techch×Pech×Sech

(6)

若定向技术距离函数的上标为t,在计算时采用t的生产可能集;若为t+1,用t+1期的生产可能集。下标V表示生产可能集是规模收益可变,下标C表示生产可能集是规模收益不变。

四 中国商业银行全要素生产率实证分析

(一)变量选择

根据中国银行业的具体情况和研究内容的不同,学者们采取了不同的指标描述投入和产出。本文借鉴姜永宏和蒋伟杰[14]，李小胜和张焕明[15]的研究方法,选取的变量如下:

1.投入指标

投入指标包括:利息支出、营业支出、存款总额、员工人数。

2.产出指标

产出指标为利息净收入、非利息收入、贷款总额。

(二)数据样本

1.样本

本文研究后危机时代中国商业银行全要素生产率,重点分析2008年之后的银行效率变化情况,所以以2008年为基础,再向前取两年的数据,确定为2006-2016年。

本文研究的样本为16家上市的中国商业银行,包括:中国银行、中国工商银行、中国建设银行、中国农业银行、交通银行、招商银行、中信银行、兴业银行、浦发银行、民生银行、光大银行、平安银行、华夏银行、北京银行、南京银行、宁波银行。本文选取这16家商业银行2006-2016年的投入产出年度数据。

2.数据

本文的数据为16家样本银行的利息支出、营业支出、存款总额、员工人数、利息净收入、非利息收入、贷款总额,这些数据都来源于样本上市银行的2006-2016年公司年报,由于大多数银行上市公司年报都是合并报表,所以相关数据是选取的银行集团数据。数据来源于wind数据库。

3.投入产出指标数据统计描述

本文研究各种宏微观因素对商业银行全要素生产率的影响,还试图分析所有权结构、产权结构、体制机制对银行业效率的影响,因此本文也按照一般的分类方法对银行业划分,分为国有商业银行、股份制商业银行和城市商业银行。表1是2006-2016年中国商业银行投入产出指标的统计情况。

表1 2006-2016年16家上市银行投入产出指标数据统计描述 单位:亿元

备注:5家国有商业银行是指中国银行、中国工商银行、中国建设银行、中国农业银行、交通银行;8家股份制商业银行是指招商银行、中信银行、兴业银行、浦发银行、民生银行、光大银行、平安银行、华夏银行;3家城市商业银行是指北京银行、南京银行、宁波银行。

(三)实证分析

本文利用DEAP2.1软件处理相关数据,计算中国商业银行Malmquist全要素生产率,表2是中国16家上市商业银行后危机时代的Malmquist值计算结果。本文统计的原始数据时间段为2006-2016年,DEAP2.1软件处理时消掉了第一个时间,即2006年的值,因为每一个Malmquist生产率值都是表示其相对于上一年度的增长或下降,如果数值大于1,表示全要素生产率比上一年度增加,如果数值小于1,表示全要素生产率比上一年度减少,数值相对1的大小描述增长或下降的幅度。2006年的Malmquist值默认为1,所以省略不写。最后一列的平均值是每个银行按年度进行几何平均计算得到的结果。

表2 2007-2016年16家上市银行各年度Malmquist指数值

续表2 2007-2016年16家上市银行各年度Malmquist指数值

1.中国商业银行全要素生产率Malmquist值总体情况分析

从表2可以看出,总体来说,所有银行10年平均全要素生产率Malmquist值为0.996 0,相当于全要素生产率平均每年下降0.4%。后危机时代中国商业银行的平均全要素生产率是下降的,这和大多数相关研究的结论是一致的。2008年发生的美国金融危机确实对中国银行业的生产率和效率有着深远的影响,尤其是2015年开始的经济相对低速增长对中国银行业的影响也是非常明显的。

按产权属性进行比较分析,表2显示,5大国有商业银行的10年平均全要素生产率Malmquist值为0.966;8家股份制商业银行平均值为1.001;而3家城市商业银行平均值达到1.036,说明后危机时代,国有商业银行平均全要素生产率是下降的,5大国有银行年均下降比率达到3.4%;3家样本城市商业银行的平均全要素生产率是上升的,年均上升比率为3.6%。

可以看出,从体制机制角度分析中国商业银行全要素生产率的话,体制机制更灵活的股份制商业银行和3家城市商业银行全要素生产率更高,尤其是城商行效率值最高。五大国有商业银行资产规模大,海外业务也相当较多,金融危机造成的冲击也相对中小银行更大。而中小规模的商业银行,尤其是城市商业银行,“船小好掉头”,经营机制灵活,业务转型快,所以应对宏观背景变化的能力相对更强。

需要解释的是,从样本的角度来看,中国有5大国有商业银行,有传统意义上的成立之初就按照股份制经营的9家全国性股份制商业银行,还有几乎每个城市都有的城市商业银行。5大国有商业银行早就进行了股份制改革并已全部上市交易;9家全国性股份制商业银行只有广发银行还没有上市;而众多的城市商业银行本文只选取了2016年之前上市的3家银行。三个样本很难准确描述中国城市商业银行的全部情况,更为重要的是,从上市的角度看,一定是最优秀的城商行才能通过“层层选拔”,完成上市。因此,本文对商业银行全要素生产率的研究,就城市商业银行而言,仅针对3家样本银行,不能说中国的城市商业银行比国有商业银行和股份制商业银行效率高,只是这3个样本银行全要素产生率较高。

2.中国商业银行全要素生产率Malmquist值按年度比较分析

为了进一步分析后危机时代中国商业银行全要素生产率变化情况,对实证结果按年度进行比较分析发现,2009年所有银行平均全要素生产率Malmquist值最高,为1.222;2016年最低,只有0.882。2009年的平均全要素生产率达到极值,主要是中国政府为了应对2008年的全球金融危机,在2008年末和2009年初采取了一系列振兴经济的措施,包括宽松的货币政策、地方政府债券的放开、巨额的财政投放,还有著名的4万亿救市,这些经济刺激手段直接导致2009年中国经济快速的恢复了高增长,也导致了中国房地产市场的二次繁荣,这些最终也都带来了当年中国商业银行生产率的显著提高。事实上,2009年宽松的货币政策带来的巨额资金投放,并没有进入实体经济,大多数都通过金融业进入了房地产市场和资本市场,这带来了银行业短暂的产出增加,抬高了当年的全要素生产率。但这是虚假繁荣,这些措施并没有对实体经济做出太大贡献,也影响了金融业的持续发展,从表2中可以看出,2010年和2011年平均全要素生产率Malmquist值都是低于1的,这得到了很好的印证。

2016年Malmquist值最低,这与2014年下半年以来国际国内经济的宏观背景是一致的。2014年下半年以来,随着美国退出量化宽松货币政策,美国经济开始复苏,使国际资本大量外流,这使中国经济增速开始下降,银行业不良贷款比率开始攀升,银行业的经营效率下降,相对产出减少,全要素生产率下降。

综上所述,宏观背景对中国商业银行全要素生产率影响巨大,中国商业银行的发展离不开中国经济的支持,在当前中国经济增速下降的新常态下,中国商业银行必须要积极求变、加快创新,尽快找到提高全要素生产率的新的措施和办法。

3.中国商业银行全要素生产率Malmquist值按效率分解情况比较分析

表3 2007-2016年16家上市银行平均Malmquist指数值及分解情况

表3是中国16家上市银行各年度平均Malmquist指数值的分解情况,其中,effch表示综合技术效率变化,techch表示技术进步变化,pech表示纯技术效率变化,sech表示规模效率变化,并且有effch=pech×sech,即综合技术效率进一步分解为纯技术效率和规模效率。tfpch表示全要素生产率Malmquist指数,有tfpch=effch×techch=pech×sech×techch。另外,表2的所有数值也是DEAP软件的tfpch值。

2007年相比于2006年,全要素生产率变化不大,而2008年Malmquist指数下降到0.947,相当于全要素生产率下降了5.3%,从其分解情况看,纯技术效率下降3%,规模效率下降了0.5%,技术进步指数下降了1.8%,这是2008年全球金融危机带来的后果,金融危机抑制了金融创新,金融创新的倒退反应在了技术进步指数变化上。2009年Malmquist指数值为1.222,比2008年上升了22.2%,原因上文已经作了分析。

2013的技术进步指数又显著低于2012年,从宏观背景来看,是欧债危机影响了银行业的发展。2016年,相关指标又出现了较大变化,Malmquist指数值只有0.882,分解来看,纯技术效率和规模效率分别为0.999和1.003,与其他时间差别不大,而技术进步指数下降最多,为0.881,表明其相对2015年下降了11.9%,宏观环境的不利变化影响了中国商业银行的持续发展。

总体来看,金融危机不只是影响了经济增长,更为重要的是,从某种意义上说，2008年金融危机是金融创新过度,相应的金融风险控制不足,金融监管不到位的结果。所以金融危机发生之时,次贷崩盘,资产证券化遭到广泛质疑,大量的金融创新产品“下架”,这极大的抑制了银行业技术进步和提升,拖累了商业银行全要素生产率。

总体来说,对于各个商业银行,不同时期、不同规模、不同体制、不同经营管理制度都影响着其全要素生产率,实际上影响商业银行全要素生产率和竞争力的因素很多,既有宏观背景方面的,也有微观财务方面的,本文将进一步对此进行详细分析。

五 后危机时代中国商业银行全要素生产率影响因素分析

在上述分析中已经得到了各商业银行各年度Malmquist指数值,初步可以得出各银行以及各年度的商业银行全要素生产率,并做出简单的比较分析。但是,究竟是哪些因素影响了银行效率,Malmquist值无法准确给出,因此需要进一步的分析,本文利用面板数据模型从宏观和微观两个角度分析影响商业银行全要素生产率的因素。

(一)宏观影响因素选取

从宏观角度看,影响商业银行全要素生产率的因素很多,本文沿用Chen等[3]、袁晓玲和张宝山[8]的研究成果,用经济增长率、货币供应量增长率、全社会固定资产投资增长率、通货膨胀率四个指标分析中国商业银行全要素生产率的宏观影响因素。

1.经济增长率

从根本上说,银行业的全要素生产率是一个国家经济发展情况的反映,所以本文首先选取经济增长率来分析其对中国商业银行的全要素生产率的影响。

2.货币供应量

银行业是经营货币的金融部门,货币供给是通过银行系统实现的,所以货币供应量是直接影响银行竞争力的因素。

3.全社会固定资产投资增长率

全社会固定资产投资增长率从宏观上体现着商业银行的经营方向和经营内容,也是影响银行全要素生产率的重要因素。

4.通货膨胀率

通货膨胀率是一个重要的经济指标,它既影响银行系统的实际利率,也影响银行业的经营利润,也是商业银行的全要素生产率的影响因素之一。

(二)微观层面影响因素选取

本文从创新能力、公司治理水平、资产配置情况、经营稳定能力、盈利能力等五个方面来分析影响中国商业银行效率的微观因素。

1.创新能力

前文已经提到,银行全要素生产率Malmquist值分解时,技术进步指数的变化差异最大,说明技术进步指数对银行竞争力的影响最大,而衡量银行技术进步指数的主要是银行的创新能力,所以本文将创新能力作为最重要的影响指标来进行因素分析,从银行实务来看,随着创新能力的提升,最显著的变化是银行非利息收入将显著增加,所以,本文用银行非利息收入占比(NII)来具体描述创新能力。非利息收入占比=非利息收入/(利息净收入+非利息收入)。

2.公司治理水平

任何一个现代化企业,其公司治理水平都将显著影响该企业的竞争力,银行也不例外,商业银行的公司治理水平影响着银行的竞争力,影响着银行的经营效率,所以本文将公司治理水平作为一个指标来进行银行要素分析。另外一方面,如何衡量公司治理水平又成为一个难点,按照现代公司管理理念,通常认为一个企业的代理成本与公司治理水平有直接关联。本文采用Singh和Davidson[17]的观点,选取银行的营业外支出比率(NBE)来衡量公司治理水平。营业外支出比率=营业外支出/营业收入,且营业收入=利息净收入+非利息收入。

3.资产配置情况

银行是一个典型的负债依赖型企业,因此银行资产的配置情况也将影响银行的竞争效率,银行最主要的资产毫无疑问是贷款,那么衡量银行资产配置情况的主要指标就是贷款比重,本文用存贷比(LDR)衡量银行资产配置情况。存贷比=总贷款/总存款。

4.经营稳定能力

银行是一个依靠存款进行资产管理的企业,银行的经营稳定性既影响银行客户的潜在风险,又决定了客户的二次选择,同时经营的稳定能力也影响银行资产负债管理的连贯性,因此银行的经营稳定性是影响银行效率的又一个因素。本文用银行的资本充足率(CAR)来衡量银行的经营稳定能力。

5.盈利能力

任何一个企业的经营目的都是盈利,唯有获利才是企业生存发展的根本保障,银行竞争力的提高离不开银行盈利能力的提高,因此本文将盈利能力作为影响银行效率的一个因素。具体用净资本收益率(ROE)来衡量企业的盈利能力。

可以看出,本文所选取的所有指标都是相对指标,这能很好地消除绝对数值对研究结果的影响。

(三)中国商业银行全要素生产率宏观影响因素的面板数据模型

本文用面板数据模型估计中国商业银行效率的宏观影响因素。选取第四部分得到的全要素生产率Malmquist指数值(TFP)作为被解释变量,解释变量为经济增长率(GDP)、货币供应量增长率(M2)、全社会固定资产投资增长率(FAI)、通货膨胀率(INF)。

建立宏观影响因素面板数据模型:

TFPit=β0+β1GDPt+β2M2t+β3FAIt+β4INFt+εit

(7)

公式(7)中,TFPit为第i个银行第t年的全要素生产率,GDPt、M2t、FAIt、INFt分别表示第t年的国内生产总值增长率、M2货币供应量增长率和全社会固定资产投资增长率和通货膨胀率。i=1,2,…,16;t=2007,2008,…,2016。

对于时间的选取,本文第四部分全要素生产率Malmquist值的计算,因为默认第一个年度2006年的指数值为1,所以不列入因素分析模型中。最终模型所选取面板数据为2007-2016年16家中国商业银行的相关数据。

由于选取的指标有可能会出现多重共线性,所以文本采用王聪和谭政勋[18]的多变量综合主成分旋转法进行分析。

(四)中国商业银行全要素生产率微观影响因素的面板数据模型

本文同样用面板数据模型估计中国商业银行效率的微观层面影响因素。选取TFP作为被解释变量,解释变量为非利息收入占比(NII)、营业外支出比率(NBE)、存贷比(LDR)、资本充足率(CAR)、净资本收益率(ROE)。

建立面板数据模型:

TFPit=α0+α1NIIit+α2NBEit+α3LDRit+α4GRit+α5ROEit+εit

(8)

公式(8)中,TFPit为第i个银行第t年的全要素生产率;NIIit、NBEit、LDRit、CARit、ROEit分别为第i个银行第t年的非利息收入占比、营业外支出比率、存贷比、资本充足率、净资本收益率。

(五)中国商业银行全要素生产率影响因素的实证分析

1.宏观影响因素模型估计

表4 2007-2016年中国商业银行全要素生产率宏观影响因素模型估计

注: *表示显著性通过1%的水平检验

表4是中国商业银行全要素生产率宏观影响因素模型估计结果。结果显示国内生产总值增长率(GDP)和货币供应量增长率(M2)统计结果显著,而固定资产投资增长率(FAI)和通货膨胀率(INF)统计结果不显著。

中国经济在过去30年基本以粗放式经济为主,中国的银行业资产投放、银行经营效率和中国宏观经济发展息息相关,表4中GDP系数为3.9813,显著影响,这说明在经历了2008年金融危机之后,中国商业银行的整体经营情况依然过于依赖宏观经济的增长。

银行业是一个主要经营货币的经济部门,货币供给是银行部门的主要经营内容,表4中M2统计系数为4.266 3,t统计量为7.780 6,影响显著,说明在后危机时代货币投放仍然是商业银行主要的竞争来源。事实上本文在第四部分重点讨论过2009年商业银行全要素生产率情况,在经济没有太大增长的情况下,2009年商业银行平均全要素生产率1.222,达到了近些年最高值。而另一方面,2009年货币供应量M2增长率为27.58%,也是近些年的最高值,这充分说明了货币供应量与商业银行全要素生产率的正相关关系。

固定资产投资增长率和通货膨胀率的统计结果不显著,这表明,中国固定资产投资带来的资金投放及其效应并没有显著的带来中国商业银行全要素生产率的变化。同样,通货膨胀的变化可能带来实际利率的改变,但是它也没有明显的改变商业银行全要素生产率。

总之,从宏观层面看,经济增长水平和货币供应量是影响中国商业银行全要素生产率的主要因素。

2.微观影响因素模型检验

表5 TFP 随机效应模型Hausman检验的输出结果

中国商业银行全要素生产率微观影响因素实证检验,首先通过面板数据随机效应模型的Hausman检验来查看模型的适用性。

表5是以TFP为被解释变量的面板数据随机效应模型Hausman检验结果,可以看出,随机效应的Hausman统计量的值为16.859 5,伴随概率为0.004 8,拒绝固定效应模型与随机效应模型不存在系统差异的原假设,建立固定效应模型。

3.微观影响因素模型估计

表6 TFP固定效应模型估计结果

注: *、**分别表示显著性通过1%、5%的水平检验

表6是TFP固定效应模型估计结果,结果显示公司治理水平(NBE)和银行经营稳定性(CAR)对中国商业银行全要素生产率的影响不是很明显。统计上看,银行创新能力(NII)、盈利能力(ROE)和资产配置情况(LDR)影响显著。

(1)非利息收入占比。通常认为银行的非利息收入占比体现了银行的创新能力,创新能力越强,银行的效率越高,在TFP面板数据固定效应模型估计中,NII的系数为正,说明银行创新能力确实提高了银行的效率。

(2)净资本收益率。从模型结果来看,净资本收益率ROE的系数为正,这说明当前中国银行业的效率主要还是依赖于盈利能力,而盈利能力主要还是来源于银行的利息收入,来源于银行传统业务的存贷款利息差。

(3)存贷比。存贷比(LDR)衡量了银行的资产配置能力,对于银行来说,一方面存贷比越高,说明银行的存款成本越低,盈利能力越强,效率越高;但是另一方面,在一定范围内,存贷比稍低一些,银行的资产选择越丰富,资产配置越多样,获得更多高质量资产的能力也就越强,银行效率越高,尤其对于创新能力越强的银行,资产选择越应该趋向于多样化。表6中的LDR系数为正,说明中国的商业银行存贷比更多地体现在银行的相对存款成本、存贷款利息差以及盈利能力上,这也符合当前中国商业银行的基本情况。

总之,从微观层面看,后危机时代中国银行业的全要素生产率主要来源于银行业的盈利能力、创新能力以及资产配置能力。

六 结论及政策建议

(一)结论

本文利用2006-2016年16家中国商业银行数据,分析中国商业银行的全要素生产率以及影响生产率的因素,运用商业银行全要素生产率Malmquist指数和面板数据模型测度商业银行效率值和影响因素,最终通过Deap软件和Eviews软件处理相关数据,得出并分析模型的估计结果。

1.宏观背景是影响中国商业银行全要素生产率的最主要因素

2006年之后,中国商业银行全要素生产率整体呈下降趋势,尤其2008年和2015年下降幅度比较大;2009年所有银行平均效率最高,Malmquist指数值为1.272 0;而2015年的效率值最低,Malmquist值只有0.870 0。进一步分解看,各年度技术进步变化差异较大,2008年技术进步指数较低,而2009年的技术进步指数又显著高于2007年和2008年,这是2008年全球金融危机及应对危机的救市政策带来的结果,金融危机抑制了金融创新,金融创新的倒退反应在了技术进步指数变化上。2011-2013年的技术进步指数都比较低,从宏观背景来看,欧债危机影响了银行业的发展。可以很明显地看出,宏观背景对商业银行全要素生产率有着最直接的显著影响。

另一方面,统计结果显示,经济增长水平确实影响了中国商业银行的全要素生产率。当前中国银行业的整体竞争能力主要还是得益于中国经济的高速增长,经济发展保障了中国各行业的竞争实力。

银行业是一个资金密集型行业,货币的投放既是银行业的主要业务内容,也体现着商业银行最核心的竞争力,从实证结果看,货币投放越多的年份各商业银行整体的全要素生产率也越高。通常而言,货币投放越多,通货膨胀压力也越大,也更可能带来货币膨胀率的提高,这可能会破坏银行业的竞争能力,不过从本文的统计结果来看,通货膨胀对中国商业银行全要素生产率的影响并不明显,因此这可能会更进一步刺激银行系统的货币投入力度。

2.银行自身环境是影响中国商业银行全要素生产率的决定性因素

(1)经营稳定性对中国商业银行全要素生产率的影响不显著。资本充足率是一个较为复杂的因素,一方面,银行资本充足率越高,银行的经营稳定性就越好,银行风险越小,银行效率就越高;另一方面,银行是一个依赖于负债经营的企业,资本充足率越高,财务杠杆越小,银行盈利能力可能越小,利润越少,影响银行的效率。但在本文模型估计中,CAR统计不显著,这也较好地反映了资本充足率对中国商业银行效率影响的复杂性。

(2)公司治理结构对中国商业银行全要素生产率的影响不显著。通常认为银行的营业外支出占比反映银行的公司治理水平,营业外支出相对越少,银行治理水平越高,银行效率越高,也就是它们应该是负相关的,但是本文TFP固定效应模型估计中,统计不显著,这可能是由于营业外支出占银行的收入比较非常小,平均仅有0.27%。

(3)盈利能力对中国商业银行全要素生产率的影响最为显著。模型估计结果显示,净资本收益率(ROE)的系数为正,且统计显著。说明当前中国银行业的竞争力主要还是依赖于盈利能力,更进一步是来源于银行的利息收入带来的盈利,来源于银行传统业务的存贷款利息差。而盈利能力对中国商业银行效率的影响最为显著,说明中国商业银行的竞争力还处于比较初级的阶段。

(4)创新能力和资产配置能力对中国商业银行全要素生产率的影响比较显著。非利息收入占比(NII)的系数为正,且统计显著,说明银行创新能力确实提高了银行的竞争效率。存贷比(LDR)系数为正,且统计显著,说明存贷比也影响了中国商业银行的效率,事实上,存贷比更多的还是影响着中国商业银行的净利息收入,影响着商业银行的盈利能力,进而影响银行的效率。

综合来看,影响中国商业银行生产率的主要微观因素还是盈利能力和创新能力,而其他因素统计上大都没有显著的带来银行效率的提升。

(二)政策建议

1.加快中国金融改革步伐,提高金融创新能力

为了全面提高中国商业银行的效率,提升中国商业银行的竞争力,务必从宏观金融政策上做出改变,加快金融改革步伐,提高银行业创新意识,拓展商业银行中间业务、表外业务等非利息业务,增加银行业非利息收入。创新是银行生存的灵魂,是银行发展的根本,是提高银行竞争力的最有效手段,只有重视创新对银行的重要性,才能改变银行的盈利模式,才能有效提高银行的竞争力。

2.央行要继续丰富货币政策工具手段,减小货币供给量变化对全要素生产率的影响程度

本文第五部分实证发现货币供给量对中国商业银行全要素生产率有着非常明显的影响,货币供给量增幅较大的年份,银行全要素生产率也显著的增加,而一旦货币供给量增幅减少,银行全要素生产率便马上下降。针对这种情况,从货币供应量的角度,如果要提高中国商业银行全要素生产率,就需要超发货币,但货币超发势必会带来通货膨胀的压力,以及一系列其他经济问题。而且从央行来说,商业银行全要素生产率也不会成为货币政策的调控目标,货币政策工具选择有着自身的决策依据和实施步骤。

但是,毫无疑问,不管是怎样的货币政策决策制度,简单的采取货币供应量发行增减来应对经济运行变化都是缺乏效率的,央行应该多方位多层次丰富货币政策工具,提高决策效率。近些年,为了更有效地对经济运行变化和金融市场变化进行定向精准调控,中国央行创设了很多新的货币政策工具,诸如中期借贷便利、抵押补充贷款工具、常备借贷便利等,这些新的货币政策工具成了常规货币政策工具非常有力的补充,也在一定程度上影响着中国商业银行全要素生产率。大量的使用这种更精准的货币政策工具能够抑制因货币供应量剧烈波动而引起的商业银行全要素生产率的大幅波动,保证商业银行全要素生产率的平稳增长。

3.深化商业银行与互联网金融的合作,提高银行生产效率

互联网金融是当今全球互联网时代的金融业常态,也是银行业发展的重要途径和有效渠道,应该深化商业银行与互联网金融的合作,将互联网引入银行业业务发展中,全面提升银行业的竞争格局,提高银行效率。

身处互联网时代,如果能有效发挥互联网对银行传统业务的深化作用,发挥互联网对银行中间业务的发展促进作用,发挥互联网对银行新型业务的拓展作用,可以有效提高银行资源的配置效率,提高商业银行的竞争力。

4.提高商业银行经营管理理念,提升商业银行的盈利质量

本文对影响商业银行全要素生产率的因素分析中,盈利能力是最显著、最有效的一个因素,企业经营的根本目的是盈利,银行发展的根本前提也是盈利,只有盈利才能解决银行发展过程中所遇到的所有问题,因此盈利能力是银行全要素生产率的核心。

但是在保持盈利能力的前提下,中国商业银行还需要进一步提高其盈利质量。提高盈利质量,可以提高银行的竞争潜力和竞争效率。要想提高盈利质量,需要提高银行经营管理水平,深化银行内部管理制度改革,完善银行公司治理结构,强化银行服务意识,增强银行创新能力。