基于Malmquist 指數模型的我國銀行業效率測評

黃怡涵HUANG Yi-han

（安徽財經大學，蚌埠233000）

0 引言

在供給側結構性改革背景下，金融行業成為改革的大后方保障。銀行業作為金融運行和貨幣流通的樞紐，在我國資金融通過程中起著重要作用。因此，在我國經濟低速增長的新常態下，如何提高銀行業運行效率成為急需解決的問題。

1 理論基礎與文獻綜述

1.1 理論基礎

測評銀行的效率可以通過對銀行的生產率進行測度來實現。生產率衡量了企業在經營過程中投入產出之間的關系，根據要素的選擇不同，生產率又可細分為單要素生產率（SFP）和全要素生產率（TEP）。相比于前者只能衡量單個投入與單個產出的效率情況，全要素生產率可以度量一定時期內多個投入與多個產出之間的相互關系，衡量企業在某一時期或某一時點的綜合效率水平和生產力水平。全要素生產率基于全部要素投入，使用加權綜合的辦法測算生產率，研究中常用產出增長率超過要素增長率部分來表示全要素生產率，即全要素生產率等于產出增長率減去加權的投入要素的增長率[1]。

1.2 文獻綜述

Berger 等（1997）指出學界最常用的關于銀行效率的評估方法包括：數據包絡分析法（data envelopment analysis，DEA）、無界分析法（free disposal hull analysis，FDH）、隨機前沿法（stochastic frontier approach，SFA）、厚前沿 法 （thick frontier approach，TFA）、 自 由 分 布 法（distribution-free approach，DFA）。前兩種方法為非參數法，后三種方法為參數法[2]。非參數法由于不用預先設定目標函數的具體形式等優點被我國學者廣泛使用，其中，數據包絡分析法（Data Envelopment），即 DEA 方法，是最常用的非參數效率分析法[3]。

我國學者最常用的DEA 模型主要包括CCR 模型、BCC 模型以及DEA-Malmquist 指數模型。其中，運用Malmquist 模型可以將全要素生產率分解成兩部分，一是技術效率，二是技術進步，故而得到我國許多學者的偏愛。范麗（2016）通過 Malmquist 指數研究了 2005-2014 年我國31 個省市銀行業金融機構的全要素生產率，發現2005-2014 年這十年間，我國銀行業金融機構的全要素生產率總體呈上升趨勢，主要歸功于技術進步[1]。同樣地，藍以信等（2019）以中國26 家商業銀行2009-2017 年這9年的數據為基礎，在運用考慮不良貸款時滯效應下的Malmquist 指數模型進行全要素生產率測算后也發現我國銀行全要素生產率的變動主要受技術進步的影響[4]。路妍，李剛（2018）通過將 2006-2016 年這 11 年的 16 家中國商業銀行投入產出數據帶入Malmquist 指數模型運行得出2006-2016 年我國商業銀行平均全要素生產率下降，進一步分析得出宏觀背景對我國商業銀行全要素生產率的影響巨大[5]。

本文在前輩們研究成果的基礎上，運用DEAMalmquist 指數模型對我國各省市銀行業全要素生產率進行研究，創新點在于：一是借鑒范麗（2016）的投入產出指標，在此基礎上進行了時間上的更新，研究2016-2019 年我國31 個省市銀行業投入產出指標數據，得出近年來我國各省市銀行業運營情況；二是在對DEAP2.1 軟件中的Malmquist 指數模型運行結果進行分析的基礎上，對結果進行進一步手動整合，得出按省市按年分析結果、各省市銀行在研究期間內效率變動匯總結果以及按區域分析結果，從而更細致地為我國各省市銀行業今后的效率發展提供參考。

2 研究設計

2.1 樣本選擇

本文以2016-2019 年四年的我國31 個省市銀行業金融機構數據為研究對象。3 個投入變量分別為：資產總額（億元）、機構數（個）、從業人數（人）；3 個產出變量分別為：存款（億元）、貸款（億元）、不良貸款余額（億元）。數據來源于各省市2017-2020 年期間的金融運行報告。

2.2 計量模型

本文將運用如下Malmquist 指數模型進行我國各省市銀行業全要素生產率的計量分析：

式中，dt（xt，yt）和dt（xt+1，yt+1）分別表示以第t 期的技術水平計算的第t 期和第t+1 期的效率，dt+1（xt，yt）和dt+1（xt+1，yt+1）分別表示以第t+1 期的技術水平計算的第t 期和第t+1 期的效率。下標c 和v 分別代表規模不變和規?？勺?。

即Malmquist TEP 指數=技術進步*純技術效率變動*規模效率變動。MTEP>1，則效率較上年上升；反之則下降。

3 實證分析

3.1 描述性統計

本文選取的投入產出指標的描述性統計結果見表1。

表1 投入產出變量描述性統計

本文研究了我國31 個省市2016-2019 年這四年間的銀行業投入產出數據，故共有124 個決策單元。由表1 可見，投入指標中各省市銀行四年間差距較大的是資產總額和從業人數；產出指標中各省市銀行四年間差距較大的是存、貸款余額。

3.2 運行結果分析

3.2.1 按年綜合分析

由表2 可知，以2016 年為基期，2017-2019 年我國銀行業整體的全要素生產率一直處于穩步增長態勢，平均每年增長6.6%，其中技術進步的增長貢獻更大。具體看每年的技術效率和技術進步，只有2017 年的技術效率較前一年降低0.5%，其余的技術效率和技術進步均較前一年有所增加。

表2 2016-2019 年我國銀行業全要素生產率及其分解指標變動情況

3.2.2 按年分別分析

3.2.2.1 2017 年各省市銀行業效率分析

由表3 可以看出：①全要素生產率：2017 年西藏的銀行全要素生產率的增速一騎絕塵，達到了116.40%，增幅為2017-2019 年這三年中最大。除西藏以外，還有包括北京、河北等在內的22 個省市全要素生產率實現正向增長，余下9 個銀行全要素生產率較2016 年下降的省份中，天津下降幅度最大，降幅達到13.7%，為2017-2019 年這三年中最大。因此，2017 年銀行全要素生產率增長率極差最大，達到130.1%。②技術效率和技術進步：2017 年技術效率整體呈下降狀態，下降的省市達16 個；可喜的是，不同于技術效率，31 省市的技術進步水平均有所提高。

表3 2017 年各省市銀行業Malmquist 指數模型分析結果

3.2.2.2 2018 年各省市銀行效率分析

由表4 可以看出：①全要素生產率：2018 年河南省銀行全要素生產率增長率最高，達到30.30%，超出銀行全要素生產率增長率排在第二位的廣西壯族自治區7.3%之多。有8 個省市銀行全要素生產率較2017 年有所下降，包括北京市、天津市、浙江省等，其中浙江省的降幅最大，達3%。②技術效率和技術進步：2018 年我國銀行的技術效率和技術進步整體上均比2017 年有所提高，技術進步的提高幅度更為顯著。具體來說，就技術效率而言，較前一年提高的有包括遼寧省、吉林省在內的14 個省市，其中河南省和海南省銀行效率增長并駕齊驅，分別提高了17.3%和17.4%；就技術進步而言，只有北京市和福建省這兩個省市的銀行技術進步水平下降，降幅分別為1.4%和1.2%。

表4 2018 年各省市銀行業Malmquist 指數模型分析結果

3.2.2.3 2019 年各省市銀行效率分析

由表5 可知，①全要素生產率：在2019 年只有北京、浙江、吉林、河南、上海這五個省市的銀行全要素生產率較上一年有所下降，其中北京下降幅度最大，降幅達12.5%。在26 個銀行全要素生產率增長的省市中，天津市的漲幅最大，達52.3%。②技術效率和技術進步：2019 年有14 個省市技術效率水平提高，包括山西、寧夏、河北等，其中天津的銀行技術效率水平較去年提高最顯著，增幅達38%。比起技術效率的提高，技術進步水平的提高勢頭更加迅猛，2019 年只有北京和上海兩個省市銀行技術進步水平下降，且其中上海下降并不多，只有0.2%。

表5 2019 年各省市銀行業Malmquist 指數模型分析結果

3.2.3 按省市綜合分析

由表6 可知，綜合來看，我國各省市銀行業在2016-2019 年的平均全要素生產率絕大多數在1 以上，只有浙江省的指數為0.97 小于1，這說明我國銀行在2016-2019這四年里的運營效率在提升。分解來看，在2016-2019 年這四年間，有8 個省市的技術效率平均下來呈下降趨勢；相對于技術效率而言，技術進步這一項交出了更加優秀的答卷，所有省市銀行四年間的平均技術進步水平全部提高。值得注意的是西藏銀行業在2016-2019 這四年間無論是在全要素生產率上，還是在技術效率和技術進步上都獨占鰲頭，表現得十分優秀。

表6 2016-2019 年我國各省市銀行業Malmquist指數模型綜合分析結果

3.2.4 按省市按年分析

由表7 可知，以2016 年為基期，2017-2019 年我國有26 個省市的銀行全要素生產率最終處于增長態勢。其中，全要素生產率在三年內一直增長的有15 個省市，包括安徽、甘肅、廣東等；在三年內先增后降再增的有4 個省市，分別是福建、青海、新疆、重慶；在三年內由降轉增的有7 個省市，包括廣西、貴州、海南等。其余5 個省市的銀行全要素生產率在2017-2019 年這三年內發展勢頭不是很理想，處于下降趨勢。其中，北京、河南、吉林、上海這四個省市是由增轉降；相比之下，浙江的情況更應引起注意，因為它的銀行全要素生產率在2017-2019 年這三年里一直在下降。

表7 2017-2019 年31 省市銀行業全要素生產率變動情況匯總

3.2.5 按地區綜合分析

由表8 可知，總體上看，2016-2019 年我國各地區銀行全要素生產率分四個梯隊：第一梯隊為西南地區，其全要素生產率達到了1.1 以上；第二梯隊為華中地區，其全要素生產率超過1.08；第三梯隊為東北地區、華南地區和西北地區，這三個地區的全要素生產率均在1.06 上下小幅波動；第四個梯隊為華北地區和華東地區，這兩個地區銀行全要素生產率接近1.05。將全要素生產率分為技術效率和技術進步分別來看：①技術效率上，華中地區、華南地區和西南地區銀行業技術效率水平增長較大，增長了2%左右，相比之下，東北地區和西北地區技術效率水平則呈下降狀態，下降了0.5%左右。②技術進步上，各地區銀行的技術進步水平都處于增長狀態，其中仍是西南地區增長最多，為8.64%。相比之下，華東地區和華南地區技術進步水平增長較少，但漲幅也接近4%。以上各地區銀行在2016-2019 年的效率情況側面反映了我國近年來的宏觀經濟政策，即加大對西南、西北、東北等地區的經濟和金融扶持。

表8 2016-2019 年我國銀行效率按地區綜合分析表

4 結論與建議

本文通過運用Malmquist 指數模型對我國31 個省市銀行業進行了效率測評，經包括按年綜合分析、按年分別分析、按省市綜合分析、按省市按年分析以及按地區綜合分析在內的五個角度的多維分析得出以下結論：

第一，總體上看，2016-2019 年我國銀行業全要素生產率處于增長狀態，其中技術進步的增長貢獻更大。

第二，分年度看，以2016 年為基期，2017-2019 年這三年中，2017 年銀行全要素生產率增長率的極差最大，唯一的技術效率下降的年份也處于此年。

第三，從各省市銀行研究期內發展勢頭看，北京、河南、吉林和上海這4 個省市銀行全要素生產率由增轉降，浙江省銀行全要素生產率更是一直在降，需要引起注意。

第四，按地區來看，西南、西北、東北等地區的銀行全要素生產率增長更為顯著，體現了我國近年來宏觀經濟政策下對這幾個地區的金融和經濟扶持力度和效果。

結合以上分析和結論，本文對我國各省市銀行業今后的運營和發展提出以下建議：

第一，由前面的研究可知，我國各省市銀行業最近幾年在技術進步水平上的發展較為迅猛，因此應趁熱打鐵，繼續加強技術創新能力，加大金融產品創新投入，加快傳統的金融借貸產品與數字化技術融合的速度，提高金融產品與互聯網融合的質量。

第二，在加快技術創新和技術進步的基礎上，也要注重對已有技術和資金投入的利用效率的提高。一是要合理配置網點和人力資源，隨著數字化技術的鋪開，勢必會涉及網點和人力資源的投入冗余，需要合理規劃進行精簡；二是要提高利用已有資金進行外貸的質量，不良貸款的存在一直是銀行提高運營效率的障礙，銀行要想提高盈利能力和競爭力，就要嚴守關口，提高貸款質量以減少新增不良貸款。

第三，應繼續“補短板”，“固長板”。銀行全要素生產率的高低可以側面反映地區經濟發展情況。從近幾年我國西南、西北、東北等地區全要素生產率的顯著增勢可見，國家對特定地區的金融扶持政策已見成效，應繼續注重對經濟發展速度較慢地區的經濟和金融扶持，著重修補短板。與此同時也要堅固長板，留心經濟發展速度較快地區的未來發展趨勢，必要時給予幫助，以幫助其鞏固之前的發展成果。