基于投入导向DEA 模型的中国商业银行效率研究

袁伟锋

(浙江工商大学，浙江杭州310018)

一、引言

金融作为一种稀缺资源，已成为现代经济研究的重要内容之一，而商业银行是各国金融系统中最重要的组成部分，其效率的高低直接影响到社会资源的配置效果和金融资源的利用效果。改革开放以来，我国商业银行取得了长足的发展，但长期以来，我国商业银行在经营中片面强调市场占有率，只注重银行的外延发展，重视速度、数量而忽视效率、质量，这也是我国银行业体系的症结所在。因此，在当前背景下对我国商业银行效率进行研究与评价，有着重要的理论意义和现实意义。

二、文献回顾

从20世纪90年代开始才有学者对欧洲、澳大利亚等国家和地区的银行业的效率展开研究。如Sheldon(1999)利用DEA方法对欧洲1783家商业和储蓄银行的成本效率、利润效率进行了研究，发现大银行、专业银行以及零售银行的效率高于小银行、混业银行以及批发银行的效率;Penny Neal(2004)利用DEA方法研究了澳大利亚银行业1995—1999年的效率，发现本地银行比其他银行更缺乏效率，1995年银行效率高于1999年银行效率。

国内学者魏煜、王丽(2000)以劳动力、(实物)资本和可贷资金为投入，利息收入和非利息收入为产出，利用DEA方法测度了1997年我国12家商业银行的效率，指出四大国有商业银行的平均技术效率低于其他股份制商业银行的平均技术效率，国有商业银行的技术无效率主要是由纯技术无效造成的;迟国泰、杨德、吴珊珊(2006)根据DEA模型，结合我国商业银行的投入和产出的特点，基于4家国有独资银行样本、14家国有银行和股份制银行的混合样本两种情况，分别评测出了各家银行综合效率值，发现中国银行是四大国有商业银行中综合效率最好的银行，中国农业银行效率最差，且四大国有商业银行的效率普遍低于股份制商业银行。

本文将在前人研究的基础上，针对我国商业银行的特点，采用基于投入导向的DEA模型，全方位、多角度地评价我国商业银行2006—2008年的效率变化趋势。

三、模型介绍

数据包络分析(DEA)的基本模型主要有CCR模型和BCC模型，以下就从投入导向角度对这两种模型进行简要介绍。

(一)CCR模型

在规模报酬不变(CRS)的情况下，DEA模型也被叫做CCR模型，又称CRS模型。该模型利用所有受评估的决策单元(DMU)的投入与产出变量的观测值，构建一个生产的效率前沿边界，凡是落在效率前沿边界上的DMU是有效率的，其效率值为1;而落在效率前沿边界以外的DMU则是无相对效率的。在CRS假设下，基于投入导向的CCR模型如下所示。

假设有s家银行，每家银行均使用n种投入生产m种产出。Yjk表示第k家银行的第j个输出变量，Xik表示第k家银行的第i个输入变量。利用线性规划原理，第k家银行的效率值θ应满足:

(1)式中Xj表示第j个DMU的m维投入向量，Yj表示第j个DMU的n产出维向量。经过对线性规划(1)式求解s遍，即可得到每家银行的技术效率(TE)，其经济含义是当第k家银行的产出水平保持不变时，如果以样本中最佳表现的银行为标准，实际所要投入的比例。

(二)BCC模型

CCR模型是假设每一个DMU都是在固定规模报酬下生产，但现实中由于受到市场竞争、制度因素等方面的约束，DMU不可能在固定规模报酬下生产。为此，Banker、Charnes、Cooper(1984)在 CCR 模型的基础上提出了BCC模型，也称规模报酬可变VRS模型。BCC模型进一步将技术效率(TE)分解为纯技术效率(PTE)和规模效率(SE)。在VRS假设下，基于投入导向的BCC模型如下所示:

(2)式中各符号与(1)式含义相同，但该模型求得的效率值θ为纯技术效率(PTE)。

利用上述两个模型，可以分别求出各DMU的技术效率(TECRS)和纯技术效率(PTEVRS)，再根据技术效率等于规模效率乘以纯技术效率，即TECRS=SE*PTEVRS，便可求得各 DMU的规模效率，亦即 SE=TECRS/PTEVRS。

四、实证分析

(一)样本的选择

本文选取了4家国有商业银行和12家股份制商业银行作为研究对象，分别是中国工商银行、中国农业银行、中国银行、中国建设银行、交通银行、中信实业银行、光大银行、民生银行、华夏银行、广东发展银行、深圳发展银行、招商银行、兴业银行、上海浦东发展银行、恒丰银行、浙商银行。之所以选择这16家商业银行，一方面是由于这16家商业银行无论在存款、贷款还是资产方面，其市场份额都达到了95%左右，大致上能够反映我国商业银行的整体效率水平;另一方面由于城市商业银行的数据难以获得，考虑到数据口径的统一性和数据的可得性。同时，本文选取了2006—2008年的数据，可以较好地反映最近几年各商业银行的效率变化趋势。文中数据来源于2007—2009年的《中国金融年鉴》以及个别商业银行年报。

(二)投入产出变量的选择

本文避开了贷款额作为产出，把银行的收入定义为利息收入和非利息收入，实际上利息收入就反映了贷款的质量。同时产出里包括了非利息收入，反映了银行业正渐渐远离传统的金融中介服务，进入表外业务和中间业务。如果我们还停留在只是关注盈利资产是不够的，因为这不能完全把握现代银行的商业活动。

在非参数法中，增加变量个数会减少技术无效的个体的数量，即分析结果中大量的个体效率值为1，这样会影响对结果的分析，因而在综合考虑银行特点和模型限制的基础上，本文采用了三种投入两种产出的DEA模型，这样会最大程度地减少大量个体效率值为1的情况，以使模型得出尽可能正确的结果。

综合以上考虑以及借鉴国内外现有研究的基础，本文的投入变量包括实物资产(固定资产净值)、劳动力(员工人数)、各项支出之和(损益表中各项支出，包括利息支出)，投入变量包括利息收入和非利息收入(包括投资收益、手续费收入、汇兑收益、营业外收入和其他收入)。

(三)结果分析

本文使用DEAP2.1软件进行分析，计算结果见表1、表2。

表1 我国商业银行DEA结果(2006—2008年)

表2 银行业效率分类汇总(2006—2008年)

1.技术效率分析

从表1可以看出，四大国有商业银行在2006—2008年期间，只有2008年中国银行的技术效率处于生产的有效前沿边界上，其余各行各年均未达到技术有效状态。建设银行的技术效率虽然没有处于生产的有效边界上，但是其技术效率一直稳定在较高的水平，在2006—2008年期间的平均水平为0.963，而农业银行和工商银行的技术效率较低，前者2006—2008年的技术效率年平均值为0.757，是行业的最低值;后者2006—2008年为0.937。这说明农业银行和工商银行应在现有的产出水平下，大幅地减少其投入要素的使用，从而缩减成本费用，提高技术效率。从表1中的计算结果也可以看出，2006—2008年农业银行和工商银行的技术效率处在一个逐步上升的阶段，与之相对应的国有商业银行的平均值也是处于一个上升的阶段，这也说明了国有商业银行对技术效率的重视程度在逐步提高。

在股份制商业银行中，中信银行、华夏银行、深圳发展银行、招商银行、兴业银行和浦东发展银行的技术效率平均水平较高，是构成行业效率前沿边界的主要力量，它们的技术效率平均值分别为 0.987、1、0.973、1、1、0.99。交通银行、光大银行、民生银行、广东发展银行和恒丰银行的技术水平稍低一些，它们的技术效率均值位于0.9～0.95之间，处于技术相对有效状态。而在股份制商业银行中，效率最低的是浙商银行，其均值为0.863，这主要是因为浙商银行成立的时间较晚，整体规模较小，处于起步阶段，各方面的发展不成熟，从表中也可以看出浙商银行处在一个技术效率上升的阶段。

2.纯技术效率分析

纯技术效率衡量的是在不考虑规模因素影响下的银行效率状况，即银行的内部管理、操作技术水平。从表1中可以看出，大部分银行的纯技术效率都比较高，很多银行都处于纯技术的有效前沿上，其效率值为1，如工商银行、建设银行、中信银行、华夏银行、招商银行、兴业银行、恒丰银行和浙商银行。相比较而言农业银行和广东发展银行的纯技术效率值稍低，且广东发展银行的纯技术效率不断下降，从2006年的1下降到2008年的0.85，两年时间下降了15个百分点，说明其管理和技术水平偏低，没有进行相应的改变;农业银行的纯技术效率呈现出先降后升的特点，从2006年的0.95下降到2007年的0.84，然后小幅上升到2008年的0.87。

3.规模效率分析

表1数据表明，2006—2008年期间，四大国有商业银行除中国银行在2008年规模效率为1外，其余各行各年均处于规模无效状态，且值得注意的是，工商银行和建设银行在考察期内的纯技术效率值均为1，这说明这两大国有商业银行的技术无效完全是由其规模效率低下造成的;而农业银行的效率问题就复杂多了，2006年的规模效率值小于该年的纯技术效率值，2007年、2008年的规模效率值大于这两年的纯技术效率值，这说明农业银行的技术无效一方面是由规模效率低下造成的，另一方面是由纯技术效率低下造成的。在股份制商业银行中，光大银行、华夏银行、招商银行、兴业银行、浦东发展银行在此期间均处于规模有效状态，位于行业第一，而交通银行、民生银行、中信银行、广东发展银行、深圳发展银行等的规模效率值也接近1，但作为新兴的两家股份制商业银行，恒丰银行和浙商银行的规模效率还处在较低的水平，但处于一个上升的阶段。

4.银行业效率总体分析

表2对我国银行业2006—2008年的总体效率和按银行性质特征分类的效率进行了汇总，从表中的结果可以看出，我国银行业总体的技术效率在此期间处在一个上升的阶段，技术效率水平并不是很高，其年平均值为0.94;纯技术效率较高，年平均纯技术效率值为0.98;规模效率也是处在一个从上升到平稳的阶段，年平均值为0.97。从表中数据还可以看到，我国银行业整体的效率既存在纯技术效率高于规模效率，又存在规模效率高于纯技术效率的现象，这说明造成我国银行业总体技术无效，既有管理的原因又存在规模无效的原因。

对银行股权性质分类比较发现，股份制商业银行的效率整体上要优于国有商业银行，且无论是技术效率、纯技术效率还是规模效率，股份制商业银行的效率值均高于国有商业银行;前者的年均技术效率、年均纯技术效率、年均规模效率分别为0.95、0.98、0.97，而后者相应的效率值分别为0.91、0.96、0.94。值得注意的是，国有商业银行和股份制商业银行在2006年的纯技术效率均大于规模效率，而2007年的规模效率均大于纯技术效率，2008年两者相等，这说明无论哪种性质的银行，多年来由规模无效引起的技术效率低下状况得到了有效改善，银行业的整体效率也有所提升。

五、结论及政策建议

(一)结论

1.我国银行业总体的技术效率并不高。本文研究的16家商业银行2006—2008年期间的平均技术效率为0.94，这说明大多数银行可以在现有的产出水平下适当地减少其成本投入，从而降低成本、提高效率。总体的技术无效一方面是由管理无效引起，另一方面是由规模无效引起。

2.股份制商业银行的效率总体上优于国有商业银行。本文研究的四大国有银行的平均技术效率为0.91，而股份制商业银行的平均技术效率为0.95，这说明国有商业银行可以减少将近10%的投入获得同样的产出。

3.较之股份制商业银行，国有商业银行在此期间内技术水平波动较大，技术效率的变动趋势也比较明显。

(二)政策建议

1.加快股份制改革步伐，鼓励银行并购与资源优化重组。我国国有商业银行和股份制商业银行都存在规模不经济问题，这严重制约着其整体效率的提高。因此，各银行管理当局应对其分支机构进行效率分析与评价，在现有技术水平下降低经营管理费用，减少固定资产的重复购置，严格控制机构和人员数，从而提高银行业总体的技术效率和市场竞争力。

2.合理配置人力资源，改革国有银行薪酬制度。人力资源是银行业可持续发展、提高竞争力和经营效率的根本保证，也是银行效率的主要决定因素。所以，银行要鼓励员工通过多种途径接受素质再教育，提高员工的专业技能和整体素质，还要建立以人为本的人力资源配置和用人机制，优化人力资源结构。同时要改革国有银行奉行的“官本位”的薪酬制度，引入适当的竞争机制，加强对员工的激励，激发员工主动参与组织管理的动力。主观能动性的加强与提高，对提高银行业效率具有决定性的作用。

3.加强银行业的创新能力，积极发展新兴的中间业务，保持不断创新的动力源泉。创新是由创新主体在利益驱动下的内生的、主动的行为，是银行效率提升的重要保证。银行创新包括宏观制度安排的创新，微观主体内部组织构架、管理构架、业务手段等方面的创新。就目前来说，应该着眼于微观方面的创新，比如利用网络通信技术和电子信息技术，结合市场需求，开发出适合时代需求的具有特色的金融产品，从而降低成本，提高经营效率。

［1］Sherman，Gold．Bank branch operating efficiency:Evaluation with data envelopment analysis［J］．Journal of Banking ＆ Finance，1985，9(2):297 －315.

［2］Rangan N，Gawbowski R，Aly H．and Pasurka C．The technical efficiency of US banks［J］．Economics Letters，1988，28(2):168 －175.

［3］Sheldon．Capacity Utilization and Efficiency in the European Banking Industry［J］．Working paper of Fondation De La Banque De France Pour La Recherche，1999(10)．

［4］Penny Neal．X － Efficiency and Productivity Change in Australian Banking［J］．Australian Economic Papers，2004，43(6):174 －191.

［5］魏煜，王丽．中国商业银行效率研究 —— 一种非参数的分析［J］．金融研究，2000(3)．

［6］张健华．我国商业银行效率研究的DEA方法及1997—2001年效率的实证分析［J］．金融研究，2003(3)．

［7］迟国泰，孙秀峰，芦丹．中国商业银行成本效率实证研究［J］．经济研究，2005(6)．

［8］Charnes，Cooper A，Rhodes W．Measuring efficiency of decision making units［J］．European Journal of Operations Research，1978，2:429 －444.