市场结构、宏观经济状况与中国商业银行的效率

张天顶

摘 要：借助于2003年至2012年在中国运营的126家商业银行的年度统计数据，同时在对相关统计数据库中原始统计数据进行细致补充和多重插补等统计方法处理的基础上，本文采用随机前沿模型对中国商业银行的技术效率进行测量。重点从商业银行个体特征层面、市场结构以及宏观经济运行状况等多个方面利用贝叶斯模型平均方法考察中国商业银行效率的影响因素。结合上述相关经验研究结果，本文给出了有关于中国银行业深化改革的相关政策建议。

关键词：市场结构；宏观经济；商业银行；技术效率

中图分类号：F830.31 文献标识码：B 文章编号：1674-0017-2014（1）-0004-10

一、引言

商业银行在现代经济生活中发挥着重要作用，它们能够动员和配置国民储蓄，因此商业银行绩效对资本配置、实体企业成长、产业扩张以及宏观经济发展具有积极的意义（Levine， 2005；Rajan和Zingales， 1998）。同时，效率高的商业银行可以在较低成本下为消费者提供较高质量的银行服务，这也可以改进整个社会的经济福利。可以说，效率或者是稀缺资源的有效配置对于每个商业银行而言无疑都构成其核心的战略目标，同时这对于整个银行业来看也是至关重要的。具有较高效率的银行业部门能够较好地应对多种宏观经济负向冲击，有助于整个国家金融体系的稳定。一些现有采用宏观经济数据的经验研究结果已经表明较好发展水平的金融机构对本国金融发展、金融深化以及经济增长与绩效至关重要（Andini，2009；Levine，Loayza和Beck，2000）。

但是，现代银行业并不总是能够较好地在个体最优与社会最优之间进行最优权衡。爆发于美国的2008-2009年金融海啸将全球银行体系暴露于一系列的逆向冲击中，同时这次全球性金融危机也表明即便是金融市场高度发达的西方国家，对于金融部门所传递出来的逆向外溢效应也呈现出极端脆弱性。现有研究存在着大量的研究结果探讨跨国银行业危机问题（Demirgü-Kunt和Detragiache，2005），其中有研究者强调绝大多数系统性银行危机发生前都经历了贷款过度的增长（Reinhart和Rogoff，2009），一些研究者强调总体绩效不佳的商业银行，例如较差的财务指标和较高的非效率得分，构成发展中国家发生银行危机的主要原因（Bongini，Claessens和Ferri， 2001；Brown和Din，2005；Kaminsky和Reinhart，1998）。上述因果关系表明对于商业银行的绩效评估可能会提供一些有用的、具有政策含意的经验发现。

考虑到在发达国家、发展中国家或地区所发生的大量银行危机以及为应对这些危机所付出的社会成本（Caprio Jr， 1998；Crespo-Tenorio，Jensen和Rosas， 2013；Reinhart和Rogoff， 2013），对银行效率问题的深入研究有助于我们理解和把握我国商业银行的产业结构、竞争力以及可持续发展等方面。现代的银行体系是我国进行宏观调控的基础和支撑，其效率的提高关系到资本要素在全社会范围内的优化配置，因此，银行部门的效率已经成为我国经济建设过程中社会各界共同关注的焦点（蔡跃洲和郭梅军， 2009）。近些年来，我国相关政府机构已经在银行部门引入了一系列改革，推动银行业转变发展模式，逐步健全现代银行业体系，银行部门整体服务水平、经营能力和竞争能力持续提升。根据中国银监会所发布的2012年年报数据，中国银行业金融机构共有法人机构3747家，资产总额为133.6万亿元，少数几家大型的商业银行占据全行业总资产份额的44.9%，部分商业银行按照总资产在全球同业排名中位居前列。因此，在现有中国商业银行的规模空前以及少数几家大银行居于主体的银行业市场结构下，对商业银行绩效进行深入的评估具有着十分重要的现实意义。

二、相关文献回顾

对于商业银行效率的研究主要可以分为两个阶段，早期研究注重于探讨银行业的规模经济或者范畴经济问题，主要考察单位运营成本是否随着业务量的增加而降低或者是单位运营成本能否通过多项服务提供而降低。在随后的研究中，研究者们注重利用微观银行数据来探讨商业银行效率问题（郑录军和曹廷求， 2005）。

在商业银行效率的研究文献中，对于银行的产出和投入定义和测量问题是研究者们首先要面对的技术问题。测量金融机构产出常常是困难重重。主要原因在于每一家银行都提供多重服务，许多金融服务是互相关联或者是交互作用，这样研究者就很难对不同种类的金融服务进行分割。此外，商业银行明确对他们所提供的许多服务免费，例如，对借款者的信用评估、存款者的信用卡支付或者贷记卡购买等（Wang，Basu和Fernald， 2009）。然而，这些免费金融服务的开支常常与银行利息收入或者非利息性收入捆绑在一起。因此，任何研究者想对银行效率进行完备性测量，首先需要考虑所有利息收入中哪些是用来作为服务的支付，哪些是用来作为资金成本（Colangelo和Inklaar， 2012）。现有研究中常用的测量方法主要有生产法和中介法。在生产法下，银行机构作为企业通过使用资本、劳动等要素提供贷款和存款等业务服务，银行产出主要采用不同帐户开户的数量或者每种特定产品交易的次数予以衡量，因此在该方法下银行存款余额常常是被视为产出。但是，在中介法下商业银行不再作为贷款和存款服务提供者，而是被视为是金融市场上的可贷资金供需双方之间的媒介，通过汇集存款进而发放贷款或者其它类型资产。这种情况下，银行存款可以作为投入，也可以作为产出（Altunbas，Evans和Molyneux， 2001；Colwell和Davis， 1992；Sealey和Lindley， 1977）。

在两种方法中，中介法最早用于商业银行的成本研究。较早有研究者采用盈利性资产（例如，贷款与投资之和）测量银行产出，采用该方法不利的地方是将商业银行其它资产排除在外，这样有可能增加大型商业银行的单位成本（Colwell和Davis， 1992；Gorman， 1969）。与此同时，用来测量账户开户数量多少或者给定时间内交易数量大小的生产法也被引入用来测量银行产出（Benston， 1965；Benston，Hanweck和Humphrey， 1982）。该方法面临的批评主要在于它忽略了常常占据商业银行总成本中较大份额的利息成本，同时生产法所需要投入品的价格数据在银行业内常常难以准确地获得。受到数据获得性限制，商业银行生产率研究常常采用中介法，将商业银行的盈利性资产用来测量商业银行的产出，而将存款与劳动力、资本等生产要素一并作为投入品（Elyasiani和Mehdian， 1990a；Elyasiani和Mehdian， 1990b）。这样，在商业银行效率估计过程中，中介法将存款与固定资产以及劳动力一起作为投入品，而将贷款总额作为产出。

研究者们对商业银行的绩效先前常常采用一些常用的财务指标进行分析、相互比较或统计推断。例如，商业银行的资产质量、资本充足率以及盈利性等等。尽管传统的比率指标分析相对简单而且更容易理解，但是简单的财务比率指标面临着众多的局限。例如，比率分析假定的市场结构为规模报酬不变，而且每个指标都仅仅体现的是不同银行间差异性的单一维度，甚至这些指标还会对总体绩效进行无效的测量等等（Paradi，Yang和Zhu， 2011）。因此，在随后的研究中，传统的财务比率指标分析逐渐被其它更加细致的、严谨的分析方法或工具所替代。既然效率难以从统计数据中予以直接观测，那么就需要研究者采用一定的技术手段来对效率进行估计或者测算。按照被广泛接受的相关界定，现有研究对于效率的测量方法一般可以分为两类：参数方法和非参数方法。两类方法之间具有较突出的差别：首先，参数方法主要是随机性方法，并且区分了白噪声效应和非效率效应，而非参数方法采用线性规划技术，主要是确定性的方法，而且白噪声非效率项中混合了白噪声和实际非效率，效率测量会受到遗漏变量、测量误差以及其它统计噪音的影响；参数方法所面临的挑战是函数形式的错误设定，而非参数方法则可以免除函数形式的错误设定；此外，非参数方法下测量结果对数据中的例外情况非常敏感。

参数方法包括有随机前沿法（SFA）和自由分布法（DFA），非参数方法包括有数据包络分析法（DEA），早有研究者对上述三种常用的方法进行了深入的比较和探讨（Hjalmarsson，Kumbhakar和Heshmati， 1996），而相关研究者对于不同方法测量商业银行效率方面应用也存在着出色的总结（Berger和Humphrey， 1997）。随机前沿法（SFA）首先由Aigner et al.（1977）以及Meeusen和van den Broeck（1977）提出，此后该分析方法不断得到补充、完善以及拓展（Aigner，Lovell和Schmidt， 1977；Greene， 2008；Meeusen和Broeck， 1977）。随机前沿法能够考虑随机误差对效率的干扰，可以避免统计误差对效率测量的影响，于是它逐渐成为效率分析中颇为流行的工具。Berger和Humphrey （1997）回顾了对金融机构效率分析的相关研究，着重分析了效率前沿分析技术。

在商业银行效率测量中，效率的测量结果与效率前沿密切相关。但是，“真实”效率前沿是不可观测的。于是，研究者们常常通过不同技术方法或工具构建出“最佳实践”前沿对“真实”效率前沿予以逼近（Battese和Coelli， 1995；Greene， 2008；Lensink和Meesters， 2012）。对此，随机前沿法主要是通过构造“最佳实践”前沿来估计效率。这种方法假定所估计出的前沿估计可能是由于随机波动或者是效率低下引起的。为了能够分离上述两个主要构成成份，非效率项被假定为服从非对称的概率分布，而随机波动被假定为是白噪声。利用相关技术手段所估计出的非效率项可以为衡量和改善商业银行绩效提供重要的依据。

现有研究中绝大多数效率分析强调的是商业银行的技术效率（Drake，Hall和Simper， 2006；Pasiouras， 2008b），技术效率所体现的是商业银行采用最低数量的投入生产给定数量的产出，或者是给定数量的投入来生产最大产量的产出。如果投入或者产出的价格数据能够予以获得，研究者就能够估计成本效率或者是利润效率。如果商业银行在给定资源的条件下，现实产出低于最大的潜在产出水平，那么我们就称为这家商业银行是技术上非效率。产生非效率的原因主要是管理差误或者是协调失效（O'Donnell和Griffiths， 2006）。一般而言，经济效率是技术效率和配置效率的综合体现（Farrell， 1957）。如果研究者仅仅能够获得投入和产出的数量数据，而没有办法掌握投入和产出的价格数据，或者是这类数据难以在正式统计资料中完整获取，那么这种类型的效率则体现为技术效率；如果投入和产出的价格数据具有可获得性，那么这种类型的效率则为配置效率。按照微观经济理论，企业利润最大化既要求企业获得技术效率，也要求企业能够实现配置效率。然而，在现实经济生活中，厂商常常难以实现完全意义上的生产效率，这就使得厂商难以在完全效率边界上运营（Reifschneider和Stevenson， 1991）。但是，在实际应用中估计商业银行的成本效率常常受到限制，一个重要原因就是在搜集可靠的投入价格时面临着困难。

在20世纪90年代，对于商业银行非效率的测量存在大量的应用性研究。例如，Berger和Humphrey（1997）对130项前沿效率的研究进行了综述，结果表明尽管不同研究者采用了不同机构类型、方法，同时样本数据也存在差异，但是金融机构的非效率占据成本的比率超过20%，并且强于规模经济和范畴经济的作用。在早期研究中，采用横截面数据进行实证考察或者跨国比较的研究结果相对较多。在应用横截面数据的研究中，研究者首先要施加一些特定的假定。例如，技术非效率与投入品之间相互独立以及白噪声和技术非效率项服从特定的概率分布形式。上述问题则可以在面板数据下得以有效地解决，较早就有研究者强调采用面板数据来估计技术效率能够避免在横截面数据中采用随机前沿模型所面临的一些问题（Schmidt和Sickles， 1984）。早期应用面板数据的随机前沿模型假定效率是非时变的，随后这个主要的假定被Cornwell et al. （1990）所放松，他们采用生产前沿的截距项来模拟技术非效率的暂时性改变（Cornwell，Schmidt和Sickles， 1990）。随后，Battese和Coelli （1992）假定企业效应是时间的指数函数进而得到时变的技术非效率（Battese和Coelli， 1992）。

伴随着测量技术效率的建模方法不断取得新进展，一个重要的问题是怎样解释不可观测的异质性。传统方法处理不可观测的异质性常常采用固定效应或者随机效应的形式进行随机前沿估计，但是这种处理方法会将企业异质性与非效率项进行混淆，进而得到的是有偏的非效率项估计量。有大量的研究表明：如果研究者忽略异质性，效率的估计结果可能是有偏的（Bos et al.， 2009；Mester， 1997；Wang和Schmidt， 2002）。有研究者通过拓展包括固定效应和随机效应模型解释不可观测的异质性，该项开创性工作较好地解释了该问题（Greene， 2005b；Greene， 2005a）。后续相关文献将上述模型称为“真实”效应模型。Greene （2005a）将“真实”效应模型应用于美国500家商业银行作为样本的研究中，研究表明该模型在考虑不可观测的异质性的情况下具有统计技术优势。

现有研究仍然对所估计到的技术效率是否是有偏存在着争论，这不仅仅是由于不同的效率估计技术所引致，而且跟影响商业银行绩效的内生或者外生因素密切相关。正如有研究者强调指出，非效率测量是通过回归残差得到的，因此选择银行特征或者一些环境变量纳入到前沿估计特别重要（Mester， 2008）。近些年来，一些研究者纷纷考虑了广泛的备选影响因素，例如商业银行特征、银行业特征以及宏观经济因素等（Athanasoglou，Brissimis和Delis， 2008；Berger et al.， 2004），上述这些因素被认为是影响商业银行绩效的重要因素。有研究者研究表明在跨国银行效率估计中并没有发现不同商务环境下的显著差异（Carbó Valverde，Humphrey和López del Paso， 2007）；相反，也有研究者应用德国储蓄银行数据进行效率测量，研究结果表明银行效率对异质性的处理是敏感的（Bos et al.， 2009）。按照“安逸生活”理论假说，在垄断的市场结构下管理层将会利用市场力量进行寻租，进而带来资源配置的非效率（Hicks， 1935）。同时，这种非效率会作为商业银行成本偏好行为被放大，选择与利润最大化不一致的风险选择以及延迟或阻碍竞争性政策的实施等（Berger和Hannan， 1998）。此外，银行业采用非竞争性定价将会带来社会福利损失（Maudos和de Guevara， 2007），因此，根据“安逸生活”理论假说，市场力与商业银行技术效率之间存在着负向的关系（Solís和Maudos， 2008），市场垄断会限制更加有效率的银行部门发展。

在实证研究方面，跨国或者不同国别的商业影响效率的影响因素得到深入分析。有研究者针对转轨经济国家的银行绩效影响因素进行研究（Grigorian和Manole， 2006），他们采用数据包络方法对不同国家的银行效率进行测量，之后利用Tobit截断回归方法考察商业银行效率的决定因素。他们的研究结果表明外资银行存在以及银行购并提高了样本国家的商业银行效率，同时发现资本化程度好的银行，占有较高市场份额以及人均GDP等因素正向影响着商业银行效率。在国别商业银行效率研究方面，有研究者考察了希腊商业银行的效率和决定因素（Pasiouras， 2008a），他首先利用非参数方法中数据包络分析方法测量了商业银行的效率，随后利用Tobit回归方法探讨不同因素对商业银行效率的影响作用，研究结果表明商业银行资本化、贷款活动以及市场力量对效率具有统计意义上显著的影响作用。

本文遵循现有研究文献的研究范式（Casu和Molyneux， 2003；Delis和Papanikolaou， 2009），对中国商业银行的效率及其影响因素进行深入的实证研究，主要采用两阶段研究方法。在第一阶段，本文采用随机前沿模型对中国商业银行的效率进行估计。在第二阶段，利用商业银行效率的估计结果，在广泛考察影响银行效率的备选因素中利用贝叶斯模型平均方法考察中国商业银行效率的影响因素。与现有研究相比，本文的边际贡献主要体现在如下方面：其一，本文在样本商业银行的数据覆盖方面进行深入扩展，既注重通过多种可信的统计数据来源渠道进行数据补充，又采用规范的统计方法针对核心变量的数据缺失问题进行数据插补；其二，在商业银行效率影响因素分析过程中，与现有研究不同，本文引入贝叶斯模型平均方法来探讨商业银行效率的影响因素，而现有研究广泛采用的是Tobit回归分析方法，在模型不确定的情形下，贝叶斯模型平均方法具有突出的优势。

三、数据处理

本文研究中涉及中国银行业相关数据主要来自于著名的金融信息服务商Bureau van Dijk所提供的全球银行与金融机构分析库BankScope统计数据库，该数据库详细提供了全球范围内32000多家主要银行及世界重要金融机构与组织的经营与信用分析数据。在该数据库检索和数据导出过程中，我们选择了所有在中国大陆地区注册的共计198家商业银行、信托公司、租赁公司等机构的分年度主要财务数据（以下为简化表述，本文将上述金融机构统称为商业银行），时间范围为2002年至2012年。中国大型国有商业银行的财务数据在本文整个样本期限内具有较好的统计数据支撑，但是部分商业银行核心的金融或财务变量能够涵盖2003年至2012年。鉴于上述情况，本文剔除了近年组建的商业银行或者在数据缺失程度严重的商业银行，经过初步筛选后样本商业银行的数量减少为126个。

与国内现有针对商业银行的相关研究相比，本文所涵盖的样本商业银行数量是最大的。现有研究中或者针对上市的商业银行或者针对14家或者16家或者20家左右在BankScope数据库或者《中国金融年鉴》中数据报告完整的商业银行进行探讨（韩松和姜鹏， 2011；孙秀峰和迟国泰， 2010；王兵和朱宁， 2011；张金清和吴有红， 2010）。即便国内部分研究者的商业银行样本数据超过100多家，但这些研究数据都典型具有非平衡性，数据缺失问题相对突出。同时，国内相关研究中惯常采用的非参数技术手段是不能对数据缺失的情况进行有效的估计。为尽可能扩充相关变量观测值的数量，本文借助《中国金融年鉴》、国泰安数据服务中心所提供的中国银行财务研究数据库中商业银行数据以及利用不同商业银行的网站公开下载的各年份《年度报告》、《审计报告》或者相关商业银行的历史统计摘要等资料进行数据核实和补充。经过上述细致的数据完善，所有126家商业银行在样本观测期内数据完善程度达到82%以上，显著扩大了Bankscope数据库中中国商业银行数据涵盖面。

对于少数年份的部分商业银行年度报告、财务报告以及审计报告难以从公开渠道予以获得，我们采用相关统计技术手段对缺失数据进行插补。多重插补（Multiple Imputation）方法是统计技术中应对缺失数据问题的通用方法（Efron， 1994；Rubin和Schenker， 1986）。在多重插补缺失数据过程中，本文采用的是EM算法，并且遵循多重插补方法标准的技术流程对缺失数据进行插补，最后本文商业银行的样本数据均为1260个平衡的观测值。