市場結構、宏觀經濟狀況與中國商業銀行的效率

張天頂

摘 要：借助于2003年至2012年在中國運營的126家商業銀行的年度統計數據，同時在對相關統計數據庫中原始統計數據進行細致補充和多重插補等統計方法處理的基礎上，本文采用隨機前沿模型對中國商業銀行的技術效率進行測量。重點從商業銀行個體特征層面、市場結構以及宏觀經濟運行狀況等多個方面利用貝葉斯模型平均方法考察中國商業銀行效率的影響因素。結合上述相關經驗研究結果，本文給出了有關于中國銀行業深化改革的相關政策建議。

關鍵詞：市場結構；宏觀經濟；商業銀行；技術效率

中圖分類號：F830.31 文獻標識碼：B 文章編號：1674-0017-2014（1）-0004-10

一、引言

商業銀行在現代經濟生活中發揮著重要作用，它們能夠動員和配置國民儲蓄，因此商業銀行績效對資本配置、實體企業成長、產業擴張以及宏觀經濟發展具有積極的意義（Levine， 2005；Rajan和Zingales， 1998）。同時，效率高的商業銀行可以在較低成本下為消費者提供較高質量的銀行服務，這也可以改進整個社會的經濟福利。可以說，效率或者是稀缺資源的有效配置對于每個商業銀行而言無疑都構成其核心的戰略目標，同時這對于整個銀行業來看也是至關重要的。具有較高效率的銀行業部門能夠較好地應對多種宏觀經濟負向沖擊，有助于整個國家金融體系的穩定。一些現有采用宏觀經濟數據的經驗研究結果已經表明較好發展水平的金融機構對本國金融發展、金融深化以及經濟增長與績效至關重要（Andini，2009；Levine，Loayza和Beck，2000）。

但是，現代銀行業并不總是能夠較好地在個體最優與社會最優之間進行最優權衡。爆發于美國的2008-2009年金融海嘯將全球銀行體系暴露于一系列的逆向沖擊中，同時這次全球性金融危機也表明即便是金融市場高度發達的西方國家，對于金融部門所傳遞出來的逆向外溢效應也呈現出極端脆弱性。現有研究存在著大量的研究結果探討跨國銀行業危機問題（Demirgü-Kunt和Detragiache，2005），其中有研究者強調絕大多數系統性銀行危機發生前都經歷了貸款過度的增長（Reinhart和Rogoff，2009），一些研究者強調總體績效不佳的商業銀行，例如較差的財務指標和較高的非效率得分，構成發展中國家發生銀行危機的主要原因（Bongini，Claessens和Ferri， 2001；Brown和Din，2005；Kaminsky和Reinhart，1998）。上述因果關系表明對于商業銀行的績效評估可能會提供一些有用的、具有政策含意的經驗發現。

考慮到在發達國家、發展中國家或地區所發生的大量銀行危機以及為應對這些危機所付出的社會成本（Caprio Jr， 1998；Crespo-Tenorio，Jensen和Rosas， 2013；Reinhart和Rogoff， 2013），對銀行效率問題的深入研究有助于我們理解和把握我國商業銀行的產業結構、競爭力以及可持續發展等方面。現代的銀行體系是我國進行宏觀調控的基礎和支撐，其效率的提高關系到資本要素在全社會范圍內的優化配置，因此，銀行部門的效率已經成為我國經濟建設過程中社會各界共同關注的焦點（蔡躍洲和郭梅軍， 2009）。近些年來，我國相關政府機構已經在銀行部門引入了一系列改革，推動銀行業轉變發展模式，逐步健全現代銀行業體系，銀行部門整體服務水平、經營能力和競爭能力持續提升。根據中國銀監會所發布的2012年年報數據，中國銀行業金融機構共有法人機構3747家，資產總額為133.6萬億元，少數幾家大型的商業銀行占據全行業總資產份額的44.9%，部分商業銀行按照總資產在全球同業排名中位居前列。因此，在現有中國商業銀行的規模空前以及少數幾家大銀行居于主體的銀行業市場結構下，對商業銀行績效進行深入的評估具有著十分重要的現實意義。

二、相關文獻回顧

對于商業銀行效率的研究主要可以分為兩個階段，早期研究注重于探討銀行業的規模經濟或者范疇經濟問題，主要考察單位運營成本是否隨著業務量的增加而降低或者是單位運營成本能否通過多項服務提供而降低。在隨后的研究中，研究者們注重利用微觀銀行數據來探討商業銀行效率問題（鄭錄軍和曹廷求， 2005）。

在商業銀行效率的研究文獻中，對于銀行的產出和投入定義和測量問題是研究者們首先要面對的技術問題。測量金融機構產出常常是困難重重。主要原因在于每一家銀行都提供多重服務，許多金融服務是互相關聯或者是交互作用，這樣研究者就很難對不同種類的金融服務進行分割。此外，商業銀行明確對他們所提供的許多服務免費，例如，對借款者的信用評估、存款者的信用卡支付或者貸記卡購買等（Wang，Basu和Fernald， 2009）。然而，這些免費金融服務的開支常常與銀行利息收入或者非利息性收入捆綁在一起。因此，任何研究者想對銀行效率進行完備性測量，首先需要考慮所有利息收入中哪些是用來作為服務的支付，哪些是用來作為資金成本（Colangelo和Inklaar， 2012）。現有研究中常用的測量方法主要有生產法和中介法。在生產法下，銀行機構作為企業通過使用資本、勞動等要素提供貸款和存款等業務服務，銀行產出主要采用不同帳戶開戶的數量或者每種特定產品交易的次數予以衡量，因此在該方法下銀行存款余額常常是被視為產出。但是，在中介法下商業銀行不再作為貸款和存款服務提供者，而是被視為是金融市場上的可貸資金供需雙方之間的媒介，通過匯集存款進而發放貸款或者其它類型資產。這種情況下，銀行存款可以作為投入，也可以作為產出（Altunbas，Evans和Molyneux， 2001；Colwell和Davis， 1992；Sealey和Lindley， 1977）。

在兩種方法中，中介法最早用于商業銀行的成本研究。較早有研究者采用盈利性資產（例如，貸款與投資之和）測量銀行產出，采用該方法不利的地方是將商業銀行其它資產排除在外，這樣有可能增加大型商業銀行的單位成本（Colwell和Davis， 1992；Gorman， 1969）。與此同時，用來測量賬戶開戶數量多少或者給定時間內交易數量大小的生產法也被引入用來測量銀行產出（Benston， 1965；Benston，Hanweck和Humphrey， 1982）。該方法面臨的批評主要在于它忽略了常常占據商業銀行總成本中較大份額的利息成本，同時生產法所需要投入品的價格數據在銀行業內常常難以準確地獲得。受到數據獲得性限制，商業銀行生產率研究常常采用中介法，將商業銀行的盈利性資產用來測量商業銀行的產出，而將存款與勞動力、資本等生產要素一并作為投入品（Elyasiani和Mehdian， 1990a；Elyasiani和Mehdian， 1990b）。這樣，在商業銀行效率估計過程中，中介法將存款與固定資產以及勞動力一起作為投入品，而將貸款總額作為產出。

研究者們對商業銀行的績效先前常常采用一些常用的財務指標進行分析、相互比較或統計推斷。例如，商業銀行的資產質量、資本充足率以及盈利性等等。盡管傳統的比率指標分析相對簡單而且更容易理解，但是簡單的財務比率指標面臨著眾多的局限。例如，比率分析假定的市場結構為規模報酬不變，而且每個指標都僅僅體現的是不同銀行間差異性的單一維度，甚至這些指標還會對總體績效進行無效的測量等等（Paradi，Yang和Zhu， 2011）。因此，在隨后的研究中，傳統的財務比率指標分析逐漸被其它更加細致的、嚴謹的分析方法或工具所替代。既然效率難以從統計數據中予以直接觀測，那么就需要研究者采用一定的技術手段來對效率進行估計或者測算。按照被廣泛接受的相關界定，現有研究對于效率的測量方法一般可以分為兩類：參數方法和非參數方法。兩類方法之間具有較突出的差別：首先，參數方法主要是隨機性方法，并且區分了白噪聲效應和非效率效應，而非參數方法采用線性規劃技術，主要是確定性的方法，而且白噪聲非效率項中混合了白噪聲和實際非效率，效率測量會受到遺漏變量、測量誤差以及其它統計噪音的影響；參數方法所面臨的挑戰是函數形式的錯誤設定，而非參數方法則可以免除函數形式的錯誤設定；此外，非參數方法下測量結果對數據中的例外情況非常敏感。

參數方法包括有隨機前沿法（SFA）和自由分布法（DFA），非參數方法包括有數據包絡分析法（DEA），早有研究者對上述三種常用的方法進行了深入的比較和探討（Hjalmarsson，Kumbhakar和Heshmati， 1996），而相關研究者對于不同方法測量商業銀行效率方面應用也存在著出色的總結（Berger和Humphrey， 1997）。隨機前沿法（SFA）首先由Aigner et al.（1977）以及Meeusen和van den Broeck（1977）提出，此后該分析方法不斷得到補充、完善以及拓展（Aigner，Lovell和Schmidt， 1977；Greene， 2008；Meeusen和Broeck， 1977）。隨機前沿法能夠考慮隨機誤差對效率的干擾，可以避免統計誤差對效率測量的影響，于是它逐漸成為效率分析中頗為流行的工具。Berger和Humphrey （1997）回顧了對金融機構效率分析的相關研究，著重分析了效率前沿分析技術。

在商業銀行效率測量中，效率的測量結果與效率前沿密切相關。但是，“真實”效率前沿是不可觀測的。于是，研究者們常常通過不同技術方法或工具構建出“最佳實踐”前沿對“真實”效率前沿予以逼近（Battese和Coelli， 1995；Greene， 2008；Lensink和Meesters， 2012）。對此，隨機前沿法主要是通過構造“最佳實踐”前沿來估計效率。這種方法假定所估計出的前沿估計可能是由于隨機波動或者是效率低下引起的。為了能夠分離上述兩個主要構成成份，非效率項被假定為服從非對稱的概率分布，而隨機波動被假定為是白噪聲。利用相關技術手段所估計出的非效率項可以為衡量和改善商業銀行績效提供重要的依據。

現有研究中絕大多數效率分析強調的是商業銀行的技術效率（Drake，Hall和Simper， 2006；Pasiouras， 2008b），技術效率所體現的是商業銀行采用最低數量的投入生產給定數量的產出，或者是給定數量的投入來生產最大產量的產出。如果投入或者產出的價格數據能夠予以獲得，研究者就能夠估計成本效率或者是利潤效率。如果商業銀行在給定資源的條件下，現實產出低于最大的潛在產出水平，那么我們就稱為這家商業銀行是技術上非效率。產生非效率的原因主要是管理差誤或者是協調失效（O'Donnell和Griffiths， 2006）。一般而言，經濟效率是技術效率和配置效率的綜合體現（Farrell， 1957）。如果研究者僅僅能夠獲得投入和產出的數量數據，而沒有辦法掌握投入和產出的價格數據，或者是這類數據難以在正式統計資料中完整獲取，那么這種類型的效率則體現為技術效率；如果投入和產出的價格數據具有可獲得性，那么這種類型的效率則為配置效率。按照微觀經濟理論，企業利潤最大化既要求企業獲得技術效率，也要求企業能夠實現配置效率。然而，在現實經濟生活中，廠商常常難以實現完全意義上的生產效率，這就使得廠商難以在完全效率邊界上運營（Reifschneider和Stevenson， 1991）。但是，在實際應用中估計商業銀行的成本效率常常受到限制，一個重要原因就是在搜集可靠的投入價格時面臨著困難。

在20世紀90年代，對于商業銀行非效率的測量存在大量的應用性研究。例如，Berger和Humphrey（1997）對130項前沿效率的研究進行了綜述，結果表明盡管不同研究者采用了不同機構類型、方法，同時樣本數據也存在差異，但是金融機構的非效率占據成本的比率超過20%，并且強于規模經濟和范疇經濟的作用。在早期研究中，采用橫截面數據進行實證考察或者跨國比較的研究結果相對較多。在應用橫截面數據的研究中，研究者首先要施加一些特定的假定。例如，技術非效率與投入品之間相互獨立以及白噪聲和技術非效率項服從特定的概率分布形式。上述問題則可以在面板數據下得以有效地解決，較早就有研究者強調采用面板數據來估計技術效率能夠避免在橫截面數據中采用隨機前沿模型所面臨的一些問題（Schmidt和Sickles， 1984）。早期應用面板數據的隨機前沿模型假定效率是非時變的，隨后這個主要的假定被Cornwell et al. （1990）所放松，他們采用生產前沿的截距項來模擬技術非效率的暫時性改變（Cornwell，Schmidt和Sickles， 1990）。隨后，Battese和Coelli （1992）假定企業效應是時間的指數函數進而得到時變的技術非效率（Battese和Coelli， 1992）。

伴隨著測量技術效率的建模方法不斷取得新進展，一個重要的問題是怎樣解釋不可觀測的異質性。傳統方法處理不可觀測的異質性常常采用固定效應或者隨機效應的形式進行隨機前沿估計，但是這種處理方法會將企業異質性與非效率項進行混淆，進而得到的是有偏的非效率項估計量。有大量的研究表明：如果研究者忽略異質性，效率的估計結果可能是有偏的（Bos et al.， 2009；Mester， 1997；Wang和Schmidt， 2002）。有研究者通過拓展包括固定效應和隨機效應模型解釋不可觀測的異質性，該項開創性工作較好地解釋了該問題（Greene， 2005b；Greene， 2005a）。后續相關文獻將上述模型稱為“真實”效應模型。Greene （2005a）將“真實”效應模型應用于美國500家商業銀行作為樣本的研究中，研究表明該模型在考慮不可觀測的異質性的情況下具有統計技術優勢。

現有研究仍然對所估計到的技術效率是否是有偏存在著爭論，這不僅僅是由于不同的效率估計技術所引致，而且跟影響商業銀行績效的內生或者外生因素密切相關。正如有研究者強調指出，非效率測量是通過回歸殘差得到的，因此選擇銀行特征或者一些環境變量納入到前沿估計特別重要（Mester， 2008）。近些年來，一些研究者紛紛考慮了廣泛的備選影響因素，例如商業銀行特征、銀行業特征以及宏觀經濟因素等（Athanasoglou，Brissimis和Delis， 2008；Berger et al.， 2004），上述這些因素被認為是影響商業銀行績效的重要因素。有研究者研究表明在跨國銀行效率估計中并沒有發現不同商務環境下的顯著差異（Carbó Valverde，Humphrey和López del Paso， 2007）；相反，也有研究者應用德國儲蓄銀行數據進行效率測量，研究結果表明銀行效率對異質性的處理是敏感的（Bos et al.， 2009）。按照“安逸生活”理論假說，在壟斷的市場結構下管理層將會利用市場力量進行尋租，進而帶來資源配置的非效率（Hicks， 1935）。同時，這種非效率會作為商業銀行成本偏好行為被放大，選擇與利潤最大化不一致的風險選擇以及延遲或阻礙競爭性政策的實施等（Berger和Hannan， 1998）。此外，銀行業采用非競爭性定價將會帶來社會福利損失（Maudos和de Guevara， 2007），因此，根據“安逸生活”理論假說，市場力與商業銀行技術效率之間存在著負向的關系（Solís和Maudos， 2008），市場壟斷會限制更加有效率的銀行部門發展。

在實證研究方面，跨國或者不同國別的商業影響效率的影響因素得到深入分析。有研究者針對轉軌經濟國家的銀行績效影響因素進行研究（Grigorian和Manole， 2006），他們采用數據包絡方法對不同國家的銀行效率進行測量，之后利用Tobit截斷回歸方法考察商業銀行效率的決定因素。他們的研究結果表明外資銀行存在以及銀行購并提高了樣本國家的商業銀行效率，同時發現資本化程度好的銀行，占有較高市場份額以及人均GDP等因素正向影響著商業銀行效率。在國別商業銀行效率研究方面，有研究者考察了希臘商業銀行的效率和決定因素（Pasiouras， 2008a），他首先利用非參數方法中數據包絡分析方法測量了商業銀行的效率，隨后利用Tobit回歸方法探討不同因素對商業銀行效率的影響作用，研究結果表明商業銀行資本化、貸款活動以及市場力量對效率具有統計意義上顯著的影響作用。

本文遵循現有研究文獻的研究范式（Casu和Molyneux， 2003；Delis和Papanikolaou， 2009），對中國商業銀行的效率及其影響因素進行深入的實證研究，主要采用兩階段研究方法。在第一階段，本文采用隨機前沿模型對中國商業銀行的效率進行估計。在第二階段，利用商業銀行效率的估計結果，在廣泛考察影響銀行效率的備選因素中利用貝葉斯模型平均方法考察中國商業銀行效率的影響因素。與現有研究相比，本文的邊際貢獻主要體現在如下方面：其一，本文在樣本商業銀行的數據覆蓋方面進行深入擴展，既注重通過多種可信的統計數據來源渠道進行數據補充，又采用規范的統計方法針對核心變量的數據缺失問題進行數據插補；其二，在商業銀行效率影響因素分析過程中，與現有研究不同，本文引入貝葉斯模型平均方法來探討商業銀行效率的影響因素，而現有研究廣泛采用的是Tobit回歸分析方法，在模型不確定的情形下，貝葉斯模型平均方法具有突出的優勢。

三、數據處理

本文研究中涉及中國銀行業相關數據主要來自于著名的金融信息服務商Bureau van Dijk所提供的全球銀行與金融機構分析庫BankScope統計數據庫，該數據庫詳細提供了全球范圍內32000多家主要銀行及世界重要金融機構與組織的經營與信用分析數據。在該數據庫檢索和數據導出過程中，我們選擇了所有在中國大陸地區注冊的共計198家商業銀行、信托公司、租賃公司等機構的分年度主要財務數據（以下為簡化表述，本文將上述金融機構統稱為商業銀行），時間范圍為2002年至2012年。中國大型國有商業銀行的財務數據在本文整個樣本期限內具有較好的統計數據支撐，但是部分商業銀行核心的金融或財務變量能夠涵蓋2003年至2012年。鑒于上述情況，本文剔除了近年組建的商業銀行或者在數據缺失程度嚴重的商業銀行，經過初步篩選后樣本商業銀行的數量減少為126個。

與國內現有針對商業銀行的相關研究相比，本文所涵蓋的樣本商業銀行數量是最大的。現有研究中或者針對上市的商業銀行或者針對14家或者16家或者20家左右在BankScope數據庫或者《中國金融年鑒》中數據報告完整的商業銀行進行探討（韓松和姜鵬， 2011；孫秀峰和遲國泰， 2010；王兵和朱寧， 2011；張金清和吳有紅， 2010）。即便國內部分研究者的商業銀行樣本數據超過100多家，但這些研究數據都典型具有非平衡性，數據缺失問題相對突出。同時，國內相關研究中慣常采用的非參數技術手段是不能對數據缺失的情況進行有效的估計。為盡可能擴充相關變量觀測值的數量，本文借助《中國金融年鑒》、國泰安數據服務中心所提供的中國銀行財務研究數據庫中商業銀行數據以及利用不同商業銀行的網站公開下載的各年份《年度報告》、《審計報告》或者相關商業銀行的歷史統計摘要等資料進行數據核實和補充。經過上述細致的數據完善，所有126家商業銀行在樣本觀測期內數據完善程度達到82%以上，顯著擴大了Bankscope數據庫中中國商業銀行數據涵蓋面。

對于少數年份的部分商業銀行年度報告、財務報告以及審計報告難以從公開渠道予以獲得，我們采用相關統計技術手段對缺失數據進行插補。多重插補（Multiple Imputation）方法是統計技術中應對缺失數據問題的通用方法（Efron， 1994；Rubin和Schenker， 1986）。在多重插補缺失數據過程中，本文采用的是EM算法，并且遵循多重插補方法標準的技術流程對缺失數據進行插補，最后本文商業銀行的樣本數據均為1260個平衡的觀測值。