基于Malmquist 指数模型的我国银行业效率测评

黄怡涵HUANG Yi-han

（安徽财经大学，蚌埠233000）

0 引言

在供给侧结构性改革背景下，金融行业成为改革的大后方保障。银行业作为金融运行和货币流通的枢纽，在我国资金融通过程中起着重要作用。因此，在我国经济低速增长的新常态下，如何提高银行业运行效率成为急需解决的问题。

1 理论基础与文献综述

1.1 理论基础

测评银行的效率可以通过对银行的生产率进行测度来实现。生产率衡量了企业在经营过程中投入产出之间的关系，根据要素的选择不同，生产率又可细分为单要素生产率（SFP）和全要素生产率（TEP）。相比于前者只能衡量单个投入与单个产出的效率情况，全要素生产率可以度量一定时期内多个投入与多个产出之间的相互关系，衡量企业在某一时期或某一时点的综合效率水平和生产力水平。全要素生产率基于全部要素投入，使用加权综合的办法测算生产率，研究中常用产出增长率超过要素增长率部分来表示全要素生产率，即全要素生产率等于产出增长率减去加权的投入要素的增长率[1]。

1.2 文献综述

Berger 等（1997）指出学界最常用的关于银行效率的评估方法包括：数据包络分析法（data envelopment analysis，DEA）、无界分析法（free disposal hull analysis，FDH）、随机前沿法（stochastic frontier approach，SFA）、厚前沿 法 （thick frontier approach，TFA）、 自 由 分 布 法（distribution-free approach，DFA）。前两种方法为非参数法，后三种方法为参数法[2]。非参数法由于不用预先设定目标函数的具体形式等优点被我国学者广泛使用，其中，数据包络分析法（Data Envelopment），即 DEA 方法，是最常用的非参数效率分析法[3]。

我国学者最常用的DEA 模型主要包括CCR 模型、BCC 模型以及DEA-Malmquist 指数模型。其中，运用Malmquist 模型可以将全要素生产率分解成两部分，一是技术效率，二是技术进步，故而得到我国许多学者的偏爱。范丽（2016）通过 Malmquist 指数研究了 2005-2014 年我国31 个省市银行业金融机构的全要素生产率，发现2005-2014 年这十年间，我国银行业金融机构的全要素生产率总体呈上升趋势，主要归功于技术进步[1]。同样地，蓝以信等（2019）以中国26 家商业银行2009-2017 年这9年的数据为基础，在运用考虑不良贷款时滞效应下的Malmquist 指数模型进行全要素生产率测算后也发现我国银行全要素生产率的变动主要受技术进步的影响[4]。路妍，李刚（2018）通过将 2006-2016 年这 11 年的 16 家中国商业银行投入产出数据带入Malmquist 指数模型运行得出2006-2016 年我国商业银行平均全要素生产率下降，进一步分析得出宏观背景对我国商业银行全要素生产率的影响巨大[5]。

本文在前辈们研究成果的基础上，运用DEAMalmquist 指数模型对我国各省市银行业全要素生产率进行研究，创新点在于：一是借鉴范丽（2016）的投入产出指标，在此基础上进行了时间上的更新，研究2016-2019 年我国31 个省市银行业投入产出指标数据，得出近年来我国各省市银行业运营情况；二是在对DEAP2.1 软件中的Malmquist 指数模型运行结果进行分析的基础上，对结果进行进一步手动整合，得出按省市按年分析结果、各省市银行在研究期间内效率变动汇总结果以及按区域分析结果，从而更细致地为我国各省市银行业今后的效率发展提供参考。

2 研究设计

2.1 样本选择

本文以2016-2019 年四年的我国31 个省市银行业金融机构数据为研究对象。3 个投入变量分别为：资产总额（亿元）、机构数（个）、从业人数（人）；3 个产出变量分别为：存款（亿元）、贷款（亿元）、不良贷款余额（亿元）。数据来源于各省市2017-2020 年期间的金融运行报告。

2.2 计量模型

本文将运用如下Malmquist 指数模型进行我国各省市银行业全要素生产率的计量分析：

式中，dt（xt，yt）和dt（xt+1，yt+1）分别表示以第t 期的技术水平计算的第t 期和第t+1 期的效率，dt+1（xt，yt）和dt+1（xt+1，yt+1）分别表示以第t+1 期的技术水平计算的第t 期和第t+1 期的效率。下标c 和v 分别代表规模不变和规模可变。

即Malmquist TEP 指数=技术进步*纯技术效率变动*规模效率变动。MTEP>1，则效率较上年上升；反之则下降。

3 实证分析

3.1 描述性统计

本文选取的投入产出指标的描述性统计结果见表1。

表1 投入产出变量描述性统计

本文研究了我国31 个省市2016-2019 年这四年间的银行业投入产出数据，故共有124 个决策单元。由表1 可见，投入指标中各省市银行四年间差距较大的是资产总额和从业人数；产出指标中各省市银行四年间差距较大的是存、贷款余额。

3.2 运行结果分析

3.2.1 按年综合分析

由表2 可知，以2016 年为基期，2017-2019 年我国银行业整体的全要素生产率一直处于稳步增长态势，平均每年增长6.6%，其中技术进步的增长贡献更大。具体看每年的技术效率和技术进步，只有2017 年的技术效率较前一年降低0.5%，其余的技术效率和技术进步均较前一年有所增加。

表2 2016-2019 年我国银行业全要素生产率及其分解指标变动情况

3.2.2 按年分别分析

3.2.2.1 2017 年各省市银行业效率分析

由表3 可以看出：①全要素生产率：2017 年西藏的银行全要素生产率的增速一骑绝尘，达到了116.40%，增幅为2017-2019 年这三年中最大。除西藏以外，还有包括北京、河北等在内的22 个省市全要素生产率实现正向增长，余下9 个银行全要素生产率较2016 年下降的省份中，天津下降幅度最大，降幅达到13.7%，为2017-2019 年这三年中最大。因此，2017 年银行全要素生产率增长率极差最大，达到130.1%。②技术效率和技术进步：2017 年技术效率整体呈下降状态，下降的省市达16 个；可喜的是，不同于技术效率，31 省市的技术进步水平均有所提高。

表3 2017 年各省市银行业Malmquist 指数模型分析结果

3.2.2.2 2018 年各省市银行效率分析

由表4 可以看出：①全要素生产率：2018 年河南省银行全要素生产率增长率最高，达到30.30%，超出银行全要素生产率增长率排在第二位的广西壮族自治区7.3%之多。有8 个省市银行全要素生产率较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，达3%。②技术效率和技术进步：2018 年我国银行的技术效率和技术进步整体上均比2017 年有所提高，技术进步的提高幅度更为显著。具体来说，就技术效率而言，较前一年提高的有包括辽宁省、吉林省在内的14 个省市，其中河南省和海南省银行效率增长并驾齐驱，分别提高了17.3%和17.4%；就技术进步而言，只有北京市和福建省这两个省市的银行技术进步水平下降，降幅分别为1.4%和1.2%。

表4 2018 年各省市银行业Malmquist 指数模型分析结果

3.2.2.3 2019 年各省市银行效率分析

由表5 可知，①全要素生产率：在2019 年只有北京、浙江、吉林、河南、上海这五个省市的银行全要素生产率较上一年有所下降，其中北京下降幅度最大，降幅达12.5%。在26 个银行全要素生产率增长的省市中，天津市的涨幅最大，达52.3%。②技术效率和技术进步：2019 年有14 个省市技术效率水平提高，包括山西、宁夏、河北等，其中天津的银行技术效率水平较去年提高最显著，增幅达38%。比起技术效率的提高，技术进步水平的提高势头更加迅猛，2019 年只有北京和上海两个省市银行技术进步水平下降，且其中上海下降并不多，只有0.2%。

表5 2019 年各省市银行业Malmquist 指数模型分析结果

3.2.3 按省市综合分析

由表6 可知，综合来看，我国各省市银行业在2016-2019 年的平均全要素生产率绝大多数在1 以上，只有浙江省的指数为0.97 小于1，这说明我国银行在2016-2019这四年里的运营效率在提升。分解来看，在2016-2019 年这四年间，有8 个省市的技术效率平均下来呈下降趋势；相对于技术效率而言，技术进步这一项交出了更加优秀的答卷，所有省市银行四年间的平均技术进步水平全部提高。值得注意的是西藏银行业在2016-2019 这四年间无论是在全要素生产率上，还是在技术效率和技术进步上都独占鳌头，表现得十分优秀。

表6 2016-2019 年我国各省市银行业Malmquist指数模型综合分析结果

3.2.4 按省市按年分析

由表7 可知，以2016 年为基期，2017-2019 年我国有26 个省市的银行全要素生产率最终处于增长态势。其中，全要素生产率在三年内一直增长的有15 个省市，包括安徽、甘肃、广东等；在三年内先增后降再增的有4 个省市，分别是福建、青海、新疆、重庆；在三年内由降转增的有7 个省市，包括广西、贵州、海南等。其余5 个省市的银行全要素生产率在2017-2019 年这三年内发展势头不是很理想，处于下降趋势。其中，北京、河南、吉林、上海这四个省市是由增转降；相比之下，浙江的情况更应引起注意，因为它的银行全要素生产率在2017-2019 年这三年里一直在下降。

表7 2017-2019 年31 省市银行业全要素生产率变动情况汇总

3.2.5 按地区综合分析

由表8 可知，总体上看，2016-2019 年我国各地区银行全要素生产率分四个梯队：第一梯队为西南地区，其全要素生产率达到了1.1 以上；第二梯队为华中地区，其全要素生产率超过1.08；第三梯队为东北地区、华南地区和西北地区，这三个地区的全要素生产率均在1.06 上下小幅波动；第四个梯队为华北地区和华东地区，这两个地区银行全要素生产率接近1.05。将全要素生产率分为技术效率和技术进步分别来看：①技术效率上，华中地区、华南地区和西南地区银行业技术效率水平增长较大，增长了2%左右，相比之下，东北地区和西北地区技术效率水平则呈下降状态，下降了0.5%左右。②技术进步上，各地区银行的技术进步水平都处于增长状态，其中仍是西南地区增长最多，为8.64%。相比之下，华东地区和华南地区技术进步水平增长较少，但涨幅也接近4%。以上各地区银行在2016-2019 年的效率情况侧面反映了我国近年来的宏观经济政策，即加大对西南、西北、东北等地区的经济和金融扶持。

表8 2016-2019 年我国银行效率按地区综合分析表

4 结论与建议

本文通过运用Malmquist 指数模型对我国31 个省市银行业进行了效率测评，经包括按年综合分析、按年分别分析、按省市综合分析、按省市按年分析以及按地区综合分析在内的五个角度的多维分析得出以下结论：

第一，总体上看，2016-2019 年我国银行业全要素生产率处于增长状态，其中技术进步的增长贡献更大。

第二，分年度看，以2016 年为基期，2017-2019 年这三年中，2017 年银行全要素生产率增长率的极差最大，唯一的技术效率下降的年份也处于此年。

第三，从各省市银行研究期内发展势头看，北京、河南、吉林和上海这4 个省市银行全要素生产率由增转降，浙江省银行全要素生产率更是一直在降，需要引起注意。

第四，按地区来看，西南、西北、东北等地区的银行全要素生产率增长更为显著，体现了我国近年来宏观经济政策下对这几个地区的金融和经济扶持力度和效果。

结合以上分析和结论，本文对我国各省市银行业今后的运营和发展提出以下建议：

第一，由前面的研究可知，我国各省市银行业最近几年在技术进步水平上的发展较为迅猛，因此应趁热打铁，继续加强技术创新能力，加大金融产品创新投入，加快传统的金融借贷产品与数字化技术融合的速度，提高金融产品与互联网融合的质量。

第二，在加快技术创新和技术进步的基础上，也要注重对已有技术和资金投入的利用效率的提高。一是要合理配置网点和人力资源，随着数字化技术的铺开，势必会涉及网点和人力资源的投入冗余，需要合理规划进行精简；二是要提高利用已有资金进行外贷的质量，不良贷款的存在一直是银行提高运营效率的障碍，银行要想提高盈利能力和竞争力，就要严守关口，提高贷款质量以减少新增不良贷款。

第三，应继续“补短板”，“固长板”。银行全要素生产率的高低可以侧面反映地区经济发展情况。从近几年我国西南、西北、东北等地区全要素生产率的显著增势可见，国家对特定地区的金融扶持政策已见成效，应继续注重对经济发展速度较慢地区的经济和金融扶持，着重修补短板。与此同时也要坚固长板，留心经济发展速度较快地区的未来发展趋势，必要时给予帮助，以帮助其巩固之前的发展成果。