英语原文共 64 页，剩余内容已隐藏，支付完成后下载完整资料

中国银行业的效率分析

2.3 实证结果

2.3.1 数据描述

我们使用的大部分数据是从每月更新的汤普森的BankScope数据库中引用的数据。样本涵盖了在1999年至2008年的14家上市的中国商业银行，共139个观察值。我们所使用的其他数据来源包括

中国统计年鉴（国家统计局，多个版本），中国金融和银行业1999-2008年年鉴，中国人民银行网站（PBOC），中国银行业监督管理委员会的统计报告（CBRC）和银行的年度财务报告。但由于中国银行业的数据质量向来收到质疑，我们通过对多个渠道数据的纵向验证数据来确保数据的一致性，并且提高研究结果的可信度。

在确定本研究的因变量和自变量时，我们采用中介法将银行的存款量作为自变量。因变量的种类为（1）总贷款额，和（2）其他收益性资产（包括短期投资、长期投资、放置在中央银行的银行存款、其他投资等等）。自变量种类包括（1）职工人数，（2）固定资产，和（3）存款数量。因为职工数量的数据并没有完全披露出来，并且其他资源也不能将之替代，我们将根据总资产的变化情况估算缺失值（刘、宋，2004；王、潭，2007）。相关变量和比率的总结性数据统计如表格2.3所示。

表格2.3 样本银行股权结构的主要数值（人民币，亿）

注释：ROA:资产收益率；LLR:贷款损失准备金；TL:贷款总额；SOBs:国有银行；

JECBs:股份制商业银行；CCBs:城市商业银行

来源：金融机构信息库（1999-2008）

与比较SOBs（国有银行），非国有控股的银行规模要小得多。除去职工人数这一变量，JECBs计算下的因变量与自变量大约是SOBs（国有银行）计算下的10%。SOBs（国有银行）的职工人数几乎是JECBs的19倍，而这也解释了他们与之匹配的更悠久的发展历史和过去的雇佣经验。国有银行要比股份制商业银行早成立约十年，在以前劳动密集型体系中，雇佣了大量的人员以满足服务的需求是中国国有银行典型的特征。

当这些员工退休后，银行保持着为他们提供养老金、住房和其他的福利的义务，这是国有银行所特有的沉重负担。如果我们着眼于三家上市国有银行的职员总数，可以发现他们实际上正在减少（职员数量），谋求提高人力资本使用的效率。

资产收益率这个盈利能力指标，衡量了所占有的资产能够产生多少收益。这个指标从1999年的0.45稳定增长到了2008年的1.32，在这一时间段内，国有银行的增长更加明显，从0.37增加到了1.32。令人意想不到是的，城市商业银行有着最高的平均资产收益率指标，这或许是因为数据计算只考虑了三家盈利率最高的城市商业公司。与一般的期望正相反，两项风险指标都可以显示出国有银行是最谨慎的银行。特别是E/A（权益/资产）对资本风险的控制。更高的E/A（权益/资产）比率意味着银行使用较少的债务融资且面临更低的资本风险。当面临较高利率波动或现金流短缺时，具有较高E/A（权益/资产）比率的银行相比不太可能经历破产风险。这一比率也被用作衡量银行风险管理能力的指标。此外，E/A（权益/资产）比率可以与预算限制论点理论结合分析。高比例的股权融资表明银行受到严格的预算限制。依赖于股东的资本，他们（银行）更负责任、谨慎并且厌恶风险。信用风险指标，LLR/TLs（贷款损失准备金/贷款总额），衡量银行为未预见的坏账损失弥补了多少资金。因为（为坏账）提取的准备金可以用来缓冲未来的贷款违约损失，因此它反映了银行的财务实力。因此，具有较高LLR/TLs比率的银行信用风险爆发问题的更少，而且普遍认为效率更高。然而，有人认为，由于作为储备的资本实际上是被用作固定用途并不能用于投资，他们实际上失去了投资机会，这对他们的效率产生了负面影响。更高的LLR（贷款损失准备金）会对银行的效率产生积极还是消极的影响，将在后面的技术效率效应模型中进行验证。

此外，GDP增长率被用来代表银行经营的宏观经济环境。虚拟变量、所有权、都会限制所有权结构对银行效率的影响。时间趋势变量t被纳入反映对如技术变量等效率的共同影响。

2.3.2 DEA（Data envelope analysis,即数据包络分析）模型估计

在应用效率模型之前，需要对指定的因变量和自变量之间的关系进行测试。

虽然测试本身不能直接证明自变量与因变量之间是否存在因果关系，但它有助于识别最可能符合反映输入输出对应关系的关键因素(Thanassoulis, 2001)。表2.4显示所有三个输入都与输出变量高度相关。这个准备金被确定为最重要的自变量，其相关系数为两个因变量，总贷款和其他收益资产，分别为0.99和0.92。员工总数是相关性最弱的自变量，尤其表现在生成其他盈利资产方面。此外，两类因变量之间的关系为0.941相当高。这反映了一个事实：拥有更优良财务状况的银行不仅会发放更多贷款，而且还会对其他有利息收入的资产进行更广泛的投资。

在我们的研究中，因为降低自变量的水平便于管理控制，同时因变量可以受到一系列外部因素的影响，因此我们选择了自变量导向的DEA（Data envelope analysis,即数据包络分析）模型。尤其是在竞争激烈的市场中，一家银行在不增加投入的情况下将很难提高产量。然而，银行可以努力减少既定产出水平下的投入，这一理论影响了我们对自变量导向模型的选择。

DEA-CCR模型的结果见表2.5。与之前的研究一致，中国商业银行的平均效率约为0.86，其中最优秀的是股份制商业银行(Li 和 He, 2005)。平均来看，股份制商业银行、国有银行和城市商业银行的效率测算分别为0.89、0.79和0.87。尽管最近固有银行进行了的改革，但他们的表现仍然比其他两种银行要差(图2.3)。在1999年至2008年期间，这三家公司的平均效率均排在14家上市银行的末位。

表格2.4 自变量与因变量之间的相关性

表格2.5 IPO-CCR前后中国上市银行的效率

注释：CCR 表示 DEA 常量返回到比例模型;我们的数据期涵盖了从1999年起的十年；PDB于1999年11月10日在证券交易所上市，因此，在IPO之前，1998的数据是不可用的；SDB在1991年被列入名单，因此该局的资料不包括在本表内。

图2.4 中国商业银行的效率 1999–2008-CCR

注释：CCR 表示 DEA 常量返回到缩放模型。

在139个样本研究中，13个是完全有效的，但没有一个是国有的。效率最高的银行是CMINB，平均效率得分为0.94，而效率最低的银行是城市商业银行，其平均效率仅为0.73。14家银行中有9家的平均效率得分在0.85左右，这表明即使在上市银行中，进一步提高效率有很大的可能。

我的实证结果支持了股票上市是提高银行效率的有效途径的假设。在IPO之前，在IPO年份银行的平均效率评级比IPO前高出约6%。除了兴业银行(Industrial Bank)以外，所有12家银行在IPO年都实现了更高的效率水平。兴业银行在IPO之前已经实现了较高的经营效率。在公众监督和外国竞争压力加大的情况下，中国各银行被迫提高业绩，以满足现有股东的要求，并吸引新的投资者。然而，在IPO之后，13家银行中有7家的效率得分立即下降。一种可能的解释是，在IPO之前，为了创造对自己有利的财务报告，（企业）运营和管理上的弱点可能会被掩盖以便在股市上市，从而导致随后的短视收益。如果银行无法实施有效的措施来克服这些弱点，长期来看这些短期收益是不可持续的。IPO之后效率评级下降的另一个原因可能反映了上市的时机:其中四家在2007年上市，因此它们的业绩在2008年经济状况较差时受到了严重影响。尽管中国银行对美国次贷相关证券的公布相当有限，但收紧的信贷政策和股市暴跌（依旧）严重损害了它们的业绩(姚等，2010)

除了确定银行业影响因素的最佳表现，DEA（Data envelope analysis,即数据包络分析）模型的结果还显示了低效的DMUs（单个银行个体所作为的决策单元）的可能改进的范围。参照样本内的有效观测数据，DEA（数据包络分析）方法估计了低效率的（银行个体）决策单元和输入松弛的输入水平的最大可能径向收缩范围。然后将目标效率改进计算为径向输入收缩和松弛缩减的总和。

以最低效率评价决策单元CCB01为例。CCB01的得分为0.66，表示在保持输出水平不变的情况下，将最大可能的径向收缩表示为输入水平。此外，DEA（数据包络分析）的结果表明，它在固定资产上的输入松弛是14505.16，而员工是29033.24。为了使CCB01技术投入效率完全有效，需要对这些松弛量进行抵扣。表2.6展示出了CCB01的可能提高效率途径。

表格2.6 CCB01输入实际径向的松驰和目标

CCB01需要将固定资产、员工数量和存款分别减少58%、41%和36%，以达到完全效率。这些数字是将目标输入水平从实际投入水平的比例从统一中扣除得到的。为了提高效率，同减少存款相比，CCB01显然需要对减少固定资产倾注更多的精力。

除了将减少的数量进行量化，DEA（数据包络分析）的结果也为低效的（银行个体）决策单元提供了可参考的高效率（银行个体）决策单元。当相似度高的输入和输出混合，所呈现的参考集合为低效的（银行个体）决策单元提供了参考，从而更容易地了解其低效性的本质，并重新分配资源以更有效地赶上高效的同行。同样，我们以CCB01为例，（从数据观测）BOCOM99则是唯一有效的同行。将BOCOM99的变量乘以5.326，用DEA（数据包络分析）方法估计，并将结果与CCB01进行比较，得到表2.7。

在乘以了5.326之后，BOCOM01显示了与CCB01相同的输出量，但却有着不超过CCB01输入量的65.9%。这一结果与CCB01的0.659的效率等级一致。

参考集合不一定只包含一个有效的（银行个体）决策单元。当多个有效的（银行个体）决策单元作为参考集合时，它们的组合结果也可以为低效的（银行个体）决策单元提供一个合理的效率评价。例如，CCB02在其参考集合BOCOM99和HXB05中有两个有效的（银行个体）决策单元。表2.8所计算的数据表明，CCB02可以将其投入水平降低67.3%，从而达到（比较对象）技术上的效率。这一数字与其0.67275的效率评级是一致的。

所有有效的（银行个体）决策单元都可以在参考集合中选择。那些频繁在参考集合中出现的（银行个体）决策单元通常是低效的（银行个体）决策单元学习的更好的范例。表2.9给出了在参考集合中有效（银行个体）决策单元的出现频率。

表格2.7 CCB01与BOCOM99的投入产出比较

表格2.8 CCB02与参集合的输入输出比较

表格2.9 用于参考集合的有效DMUs频率

在DEA-CCR模型中，13个（银行个体）决策单元被认为是完全有效的，但其中只有4个被低效的（银行个体）决策单元所参考评估。在中国加入世界贸易组织之前，工业07、BOCOM00、BOCOM99和HXB05是最常被采用的基准。而包括一些表现较好的城市银行在内的其他银行，近年来也加入了

全文共9358字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[9973]，资料为PDF文档或Word文档，PDF文档可免费转换为Word