我国商业银行绩效及影响因素研究

孙永春

（广州南洋理工职业学院 经济管理学院，广东 广州510925）

一、前言

面对日益激烈的国际金融竞争环境，促使我国进入高质量发展阶段，提高全要素生产率已被写进十九大报告。作为金融关注焦点的银行业经营绩效问题逐渐受到重视，关于银行经营绩效的讨论也成为各国政府与各位学者研究的重点。为帮助国内银行及其他金融机构改善效率，目前我国政府进行了一系列的金融改革，不断完善法规与制度，如贷款利率于2013年开始放开，存款利率上限从2015年10月24日开始放开，民营银行、政策性银行、大型商业银行和邮储银行机构改革也全面展开；强化对中小企业金融支持，从“十二五”开始，各大银行增多覆盖网点，加大对“三农”、小企业等金融支持力度，即所谓的“普惠金融”，同时，随着金融改革的深入，“一带一路”政策的推广，为“走出去”的企业提供各种信贷支持。然而在目前金融法规架构下，存在着不同技术类型的银行（如全国性的银行、地方性城市商业银行，外资银行等），尤其是股份制城市商业银行日益增多，可能改变金融产业的竞争及经营绩效。因此，若要我国银行业绩效得以改善，必须设计一套衡量效绩的指标体系作为提升绩效的参考标准。

传统上常见的衡量银行业经营效率方法有以边界（Frontier）为观察点的数据包络分析法（DEA），如李键欣、吴荣杰和颜晃平［1］采用传统DEA方法和共同边界方法估计农村信用部效率是有差异的，实证显示信用部技术效率值有低估的情况；颜晃平和张静文［2］采用共同边界（Meta-Frontier）评量概念，计算技术缺口比率（Technology Gap Ratio,简称TGR）指标，都避免了传统效率评量只能考虑相同技术水准情况的缺失。

近年来，评估效率方式的共同边界法逐渐得到学者重视［2］。关于共同边界的概念，最初Hayami及其Hayami、Ruttan等人进行了研究，并应用共同生产函数衡量不同国家农业生产力的大小［3-4］。除了 Hayami外，Battese、Rao 和 O’Donnel等人从效率观点，采用共同函数概念，衡量不同群组或国家之间技术效率和技术缺口比率（TGR）［5-7］，黄台心等分别应用共同边界成本函数探讨欧洲16国银行业，观察东亚6国银行业的成本效率情况［8］，亦针对总体生产效率与总要素生产力，采用共同边界成本函数进行分析。

关于我国共同边界 （Meta-Frontier）的研究主要有：王兵运用共同前沿生产率指数（Metafrontier-Malmqusit-Luenberger）测度了2006—2010年中国88家证券公司的全要素生产率［9］；崔玮通过测算中国东、中、西部城市非农用地绩效，分析三个区域之间土地资源的合理配置问题［10］；刘文君基于Metafrontier生产函数模型，对电力产业区域技术效率进行了比较分析［11］；祝树金采用共同前沿法建立了中国2001—2013年36个工业行业的全要素能源投入共同前沿函数［12］；范丹应用共同前沿理论的MML生产率指数，测度了我国工业行业环境全要素生产率的动态变化及分解构成［13］。对我国银行关于Meta-Frontier的研究主要有：陈碧运用Frontier测算了中国台湾与中国大陆银行各自的随机边界距离函数，得到影响技术效率的因子［14］；卢永祥衡量2004—2007年中国、日本及韩国的220家商业银行在技术效率与生产技术上的差异［15］；梁连文和何希［16］利用 Battese［6］的共同边界法进行两岸银行业成本效率比较分析。胡均立利用数据包络分析法并采用Battese共同边界法分析了中国大陆17家A股上市公司2002—2013年白酒企业［17］；陈盟凯的研究应用共同边界模型考虑了区域间差异［18］。

上述文献不同之处在于对银行效率的研究，中国之外的区域研究内容相对较多。本文研究也将采用共同边界法（Meta-Frontier）评量方法来研究中国大陆银行不同群组的效率。本文依据2007—2013年间具有完整资料的33家中国大陆银行的资料，评估各银行及两大分类银行群组的绩效。本研究共分为四个部分：第一部分为前言，回顾文献资料并引出所要研究的问题；第二部分为研究方法，阐述研究的机理；第三部分为实证研究与分析，评估各银行绩效问题并分析其原因；第四部分为研究结论与不足之处。

二、研究方法

（一）共同边界DEA

Battese和Rao［5］为Meta-Frontier提供了一个概念性的架构，定义Meta-Frontier是由一组未受限制的技术集合所构成的一个边界，而Group-Frontiers为多组受限制的技术集合所构成的多个边界，边界的限制为技术知识或其他物理、社会、法规及经济环境特性所造成的落差，而 Meta-Frontier总是包络着 Group-Frontiers。O’Donnell、Rao 和 Battese［6-7］利用 Meta-Frontier的概念研究跨领域银行群体的技术效率差异，并且展示Meta-Frontier可以被应用于无母数数据包络分析法（DEA）与有母数随机前缘分析法（SFA）。接着用图说明Meta-Frontier的概念，如图1中有三个生产群体，分别为AA’、BB’、CC’曲线，每个群体的DMU都是一个投入要素（X）生产两种产出（Y1,Y2），AA’内的生产单位D相对于自身群体生产边界的效率值为OD/OE，而由这三组Group-Frontiers所画出的Meta-Frontier为BFC’，包络着所有的生产单位，而单位D相对于Meta-Frontier的效率值为OD/OF，称此效率值为Meta-Efficiency。而单位D的Meta-Efficiency（OD/OF）可以被分解成自身群体内效率（即OD/OE）和技术缺口（Technological Gap）（即OE/OF），也就是OD/OF＝OD/OE×OE/OF。自身群体内效率是传统DEA效率，衡量每个DMU效率值与群体生产前缘的距离，技术缺口则是衡量Group-Frontiers与Meta-Frontier的距离。

图1 Meta-Frontier概念说明图

我们可以归纳图1的说明，考虑n个DMU，来自T个群组，因此Meta-Frontier包络了T个群组：

对换之后：

这显示了参考Meta-Frontier的技术效率，可以被分解为参考第t群的技术效率与Group-t Frontier及Meta-Frontier之间的差距 （Tchnological Gap）。例如，j单位利用一个投入X来生产Y产出，参考Meta-Frontier所求出的中国银行产业技术效率为0.7，而参考Group-t Frontier所求出的中国城市商业银行产业技术效率值为0.9，因此Technological Gap为0.7/0.9＝0.78。这意味着，所给定的投入X，透过第t群的生产单位所能生产的最大产出，是使用Meta-Technology的生产单位（指所有生产单位，包含第t群的生产单位）所能生产最大值的78%。

（二）影响MTE、GTE及TGR影响因子之回归分析

为进一步讨论影响我国银行产业MTE、GTE及TGR的影响因子，我们检验不良贷款与贷款总额之比（Z1）、总资本比率（Z2）、银行总资产的自然对数（Z3）、所有者权益与总资产的比例（Z4）、贷款的利息收入与净收入之比（Z5）、存款市占率（Z6）等自变量是否显著地影响MTE、GTE及TGR。利用回归模型设定影响DEA、MTE、GTE及TGR的因子，其模型设定为：

其中，因变量DEA-TE为MTEoCRS、GTEoCRS及TGRoCRS。

三、实证研究与分析

（一）数据源与变数描述

1.数据源

本文研究资料搜集范围为2007—2013年间具有完整年的中国银行产业数据。数据取自Bankscope数据库，共33家银行，如表1所示。本文依据不同银行的类型特性与规模，分为两个群组，即全国性商业银行和城市商业银行。

2.研究变数及描述

研究变数如表2所示。表3呈现了2007—2013年全期间银行投入与产出变量的叙述性统计数据。整体期间全国性银行不论是投入项或产出项，规模相差悬殊。以全样本银行员工人数为例，最大值是最小值的1 291.05倍。按分组数据，全国性商业银行群组的平均投入与产出皆高于全体银行与城商行平均值水平。说明国有商业银行在规模和抗风险能力方面要优于城市商业银行。观察全国性群组可发现各变量的标准偏差比全样本及城商行群组大，隐含全国性群组的产出与投入分散程度较大。因此，本文利用共同边界与群组边界的概念比较各银行群组绩效值，并讨论其差异来源。

表1 本文研究样本

表2 本文研究变数

表3 投入与产出变量之叙述性统计

（二）效率计算与分析

一般而言，银行管理者都希望在目前银行可承担风险条件下所获得报酬收入越高越好，以符合高风险高报酬概念，且实务上各DMU大多是在规模报酬变动情况下生产，故本研究放宽CRS的假设，在规模报酬变动假设下，结合Meta-Frontier技术进行各群体绩效衡量比较。在DEA模型中，将效率值定义在0～1之间，探讨各样本在研究区间内已知的风险投入与报酬产出数据，得知其经营是否具有效率，评估银行在固定风险投入下，产出报酬是否符合高风险高报酬的合理状态。

全国性群组、城商行群组等每一群组各有其特定的群组技术，但同时也适用相同的共同中国银行技术。当以共同边界法衡量中国银行效率时，透过共同技术，使跨群组中国银行效率比较意义外，亦提供技术缺口比（TGR）的相关信息。TGR是中国银行共同技术效率值与群组技术效率值的比值，反映群组边界与共同边界差距。TGR衡量值介于0～1之间，当数值愈大时，群组边界与共同边界缺口愈小，表示群组最佳技术与全产业最佳技术愈趋一致；反之，则群组边界与共同边界缺口愈大。换言之，依照TGR信息，可在跨群组间不同群组的银行效率进行比较。

如表4所示，城商行银行群组平均TGR值最佳，隐含该组大多数样本较靠近共同边界成本（成本相对全国性银行群组小0.2%），而对于固定规模报酬和变动规模报酬平均值，全国性银行群组都比城商行银行群组高，分别高出0.4%和0.3%。共同边界技术效率MTE是实际产出与共同边界产出的比例关系，表5为其叙述性统计。

表4 各效率值的叙述性统计

表5 共同边界技术效率的叙述性统计

由表5所示的MTE衡量数据可知，全样本银行MTE总平均值为0.991，与其他各年相比，其中的2010年为0.989，可以推测中国银行业并没有受到欧债危机的影响。由表5数据可知，全样本TGR值介于0.997与1之间。其中2007年和2008年全样本银行的值相对较高，由此可以推测中国银行业并没有受到美国次贷危机的影响。

另外，城商行银行均值在2008年和2010年分别为0.991和0.988，与其他各年相比较低，推测原因可能是2008年全球经济的不景气影响中国的银行业和2010年的欧债危机致使金融业的低迷影响到中国银行业。全样本银行平均具有0.9%产出提升潜力。

（三）TGR之决定因子

本文采用回归分析，模型设定如下：

其中，因变数DEA-TE为共同边界技术效率MTEoCRS、群组技术效率值GTEoCRS及技术缺口效率值 TGRoCRS，自变数有不良贷款/贷款总额（Z1）、总资本比率（Z2）、银行总资产的自然对数（Z3）、所有者权益与总资产的比例（Z4）、贷款的利息收入/净收入（Z5）、存款市占率（Z6）等，δi为自变量的估计系数，εIT为残差项。其估计结果如表6所示。

表6 回归结果

由表6的回归分析结果可知，截距项对三项因变量具有正向统计显著性；表征资产品质的不良贷款/贷款总额（Z1）具有统计显著性，表示资产质量越佳，即不良贷款越少，共同边界技术效率及群组技术效率值水平愈高，而不良贷款/贷款总额（Z1）对技术缺口的效率值不具统计显著性；总资本比率（Z2）对TGRoCRS具有正向影响，而银行总资产（Z3）、所有者权益与总资产的比例（Z4）及存款市占率（Z6）对TGRoCRS具有负向影响。

四、结语

近几年来，以百度、阿里巴巴、腾讯为代表的互联网企业对传统金融领域的渗透与创新引人关注，对传统银行，尤其是中小城商行的市场形成了冲击和挤压。然而，在改善银行效率的同时，必须先设计一套具体的银行绩效评价指标作为绩效是否提升的判准。传统上，采用数据包络法和随机边界法估计银行效率时假设所有银行皆具有相同的技术水准。此假设与中国目前银行业现状并不相符，故划分群组进行比较。有鉴于此，本研究放宽了CRS的假设更符合实际银行经营状况，利用Battese和Rao提出的Meta-Frontier技术进行各个群体经营绩效与技术差异性比较分析，突破传统DEA方法无法进行不同经营体系研究的限制。

实证分析结果：2007—2013年研究期间，利用技术差距比值TGR进行跨群组生产效率比较时，全国性群组样本银行比城商行群组更接近共同边界。当MTE进行跨群组技术效率比较，依此TGR信息，可进行跨群组间不同群组银行效率比较。由数据分析可见，全样本TGR值介于0.997与1之间。其中，2007年和2008年全样本的值相对较高，推测原因为中国银行业并没有受美国次贷危机的影响。城商行的银行均值在2008年和2010年分别为0.991和0.988，与其他各年相比较低，推测原因可能分别是因为2008年的次贷危机和2010年的欧债危机导致全球经济的不景气而影响到中国的银行产业，但总体影响相对较小。

从实证回归结果分析看：表征资产质量的不良贷款/贷款总额（Z1）具有统计显著性，表示资产质量越佳，即不良贷款越少，共同边界技术效率MTEoCRS及群组技术效率GTEoCRS水平愈高，而不良贷款/贷款总额（Z1）对技术缺口的效率值TGRoCRS不具统计显著性；其他影响因子对MTEoCRS及GTEoCRS不具统计显著性；总资本比率（Z2）对TGRoCRS具有正向影响，而银行总资产的自然对数（Z3）、所有者权益与总资产的比例（Z4）及存款市占率（Z6）对TGRoCRS具有负向影响。

本文所用共同边界的概念可用于比较全国性群组与城商行群组技术效率的差异。由于所利用数据只截至2013年，且样本数相对较少，仅对33家商业银行2007—2013年面板数据进行了实证分析,更充分的实证研究还需要进一步拓宽数据面,时间序列也需要进一步拉长,这都会影响到商业银行绩效的分析结果。

另外，不能涵盖全体银行也可能影响本文对效率的判断。若能将研究区间拉长，更能观察中国银行业的真实效率。全国性商业银行与城市商业银行发展形态不同，发展策略理应不同，故不同群组应该纳入不同环境变量，以反映个别群组样本真实的效率表现。