技术创新、效率改善与商业银行全要素生产率差异化增长

周志刚，严圣阳

（武汉商学院经济学院，湖北武汉 430056）

近20 年来，中国商业银行取得了长足的发展，不仅净利润保持平稳增长，而且将风险控制在较为安全的范围内。一方面，我国的商业银行业起点相对较低，还处于发展完善的过程之中，但商业银行业改革卓有成效；另一方面，得益于技术进步的日新月异，我国商业银行业经营效率也同步显著提升。商业银行业与实体经济密切相关，2014 年以来，中国经济进入新常态，中国商业银行业绩增长开始趋缓；与此同时，作为技术进步和金融创新相融合产物，金融科技对商业银行开始产生深远的影响。因此，依托技术创新，改善经营效率，对当前商业银行经营管理的重要性与日俱增。

中国商业银行业可持续发展的关键性因素是什么？是由于要素投入增加的规模效应，还是源于商业银行经营效率的改善？中国商业银行逐年增加技术投入，注重将新技术广泛应用于商业银行的日常运营和金融创新之中；互联网金融、产业链金融、移动支付、大数据和区块链等新技术与金融融合的金融科技创新也成为各家商业银行关注的焦点。技术创新对于中国商业银行全要素生产率增长的贡献率究竟有多大？对这些问题的探索有益于中国商业银行可持续发展路径的深入研究。研究商业银行全要素生产率的决定因素可以从效率改善、规模经济和技术创新三个方面衡量个体商业银行的经营效率，对中国商业银行全要素生产率有效测度并进行深入的实证分析是回答上述三个问题的关键。

1 文献综述

商业银行全要素生产率从效率改善、规模经济和技术进步三个方面衡量商业银行个体的经营效率，对中国商业银行全要素生产率有效测度并进行深入的实证研究是回答上述问题的关键。张健华［1］首次采用DEA 方法对1997—2001 年间中国商业银行效率变化和全要素生产率进行研究，并最早对不同规模商业银行全要素增长指数进行了测度。蔡跃洲等［2］关注商业银行的中介职能，对中国11 家上市商业银行全要素生产率进行了实证分析，认为中国商业银行在2004—2008 年间出现技术退步，技术效率改善是推动同期商业银行生产率增长的主要因素。袁晓玲等［3］同时考虑商业银行的中介作用和营业投入产出，测算了15 家中国商业银行在1999 —2006 年间的全要素生产率，发现资产份额、地区生产总值（GDP）增长率和固定资产投资率等变量对商业银行Malmquist 指数变化有显著影响。张建华等［4］采用随机前沿方法，研究中国商业银行的全要素生产率，认为从业务扩张的层面来看，规模效率是商业银行增长的主要因素，而技术进步呈现出逐步下降的趋势。Matthews 等［5］对比中国国有商业银行、股份制商业银行和城市商业银行的生产率增长，认为效率的提升来源于成本下降和技术进步，中国银行市场开放的影响不显著。唐齐鸣等［6］从商业银行投入产出的利润角度，对包含4 家中国商业银行在内的18 家国际大银行进行了Malmquist DEA 分析，认为2006—2008 年间银行全要素生产率降低的主要原因在于技术退步。朱宁等［7］和刘孟飞等［8］对中国商业银行技术变化和技术效率进行了评估，发现中国商业银行生产率的提升大部分源于技术创新，而效率改善的影响有限，这是因为规模效率较低导致技术效率不理想，中国商业银行经营管理能力尚待改进。

从现有文献来看，对于中国商业银行全要素生产率增长的主要因素，不同的研究者观点不尽相同，技术进步因素和效率改善因素都各自有相应的实证研究支持。这一方面固然与全要素生产率考察角度不同以及相应的前沿分析指标选取不同有关；另一方面，我国商业银行业发展并不均衡，不同类型商业银行之间存在较大的差异性，在忽视样本差异性存在的情形下实证研究的结果自然是不一致的。与现有文献不同，本文重视我国商业银行业发展的不均衡性和不同类型商业银行的差异性，在Malmquist DEA 分析中不仅考察中国商业银行整体样本，而且将我国商业银行划分为国有控股商业银行、全国性商业银行和区域性商业银行三个子样本，分别进行实证研究并进行对比分析。而通过对不同类型商业银行全要素生产率增长的比较研究不仅可以探讨商业银行增长差异化的根源，而且可以对我国商业银行长远发展的关键性因素作出正确判断。本文前沿分析的样本除了包含现有文献涉及的国有控股商业银行和全国性股份制商业银行之外，还包括了27 家区域性城市商业银行和农村商业银行；本文Malmquist DEA 分析的时间跨度也较长，时间维度从2000 年至2018 年，因此，实证分析也更具有代表性。

2 研究模型和测度方法

2.1 商业银行效率与前沿分析模型

商业银行效率是指商业银行作为微观主体通过其经营管理活动，使其投入与产出或者成本与收益配置与当前技术水平下最优配置状态之间的程度比率。如果商业银行实现了最有效的资源配置，则认为其经营管理是有效率的。从投入产出角度，成本效率（CE）全面衡量了商业银行效率。成本效率可以分解为配置效率（AE）和技术效率（TE）。在考虑可变规模报酬（VRS）的情形下，技术效率可进一步分解为纯技术效率（PTE）和规模效率（SE）。

商业银行效率测度主要采用前沿分析方法。前沿分析直接考察投入产出变量，对横截面内所有生产经营决策单元（DMU）进行评估，以既定投入产出最大化或者既定产出投入最小化的代表性DMU作为效率评估的基准，较好地符合了Pareto 最优效率评判的理论内涵。前沿分析分为参数方法和非参数方法两大类。参数法需要对商业银行的生产函数形式进行假设，然后采用合适的计量经济学方法，对生产函数参数进行估计。现有采用参数法探讨商业银行绩效的研究中采用随机前沿分析（stochastic frontier approach,SFA）、自由分布法（distribution free approach,DFA）和厚前沿分析（thick frontier approach,TFA），采用参数法的研究绝大部分采用SFA 方法。非参数方法不需要假设生产函数的具体形式，可采用不同量纲数据，具有较好的客观性和样本数目兼容性，在较多的银行效率研究中被采用［9］。非参数前沿分析主要分为数据包络分析（data envelopment analysis,DEA）和自由边界分析（free disposal hull,FDH）,而后者是前者在非凸性假设下一种特例，因此绝大部分有关商业银行非参数法的研究采用DEA 方法。

我国商业银行包括大型国有控股商业银行、全国性股份制商业银行和区域性商业银行等。商业银行个体差异较大，不同的商业银行经营管理方式各不相同。因此采用参数法分析我国商业银行效率是不合适的。我们无法认为工商银行和东莞银行具有相同形式的生产函数。另一方面，从时间维度上，我国商业银行的经营管理模式在短时间内也发生了巨大变化。自二十世纪九十年代以来，我国商业银行在短短二十多年时间内发展迅速，从巨额不良资产剥离、引入国外战略投资者、股份制改革，到在A 股和香港资本市场公开发行股票，经历了一系列重要变革。我们也很难假设中国的商业银行在过去的二十年时间内具有不变形式的生产函数。因此无论是从横截面维度还是从时间维度，相对于参数法前沿分析，采用非参数前沿分析对我国商业银行效率和技术创新进行实证研究是更为合适的。

标准的规模报酬不变（CRS）非参数数据包络分析（DEA）模型最早由Charnes 等［10］提出，经过Banker 等［11］的完善，发展出规模报酬可变（VRS）的DEA 模型及其扩展方法。这些方法可以用于测度所考察DMU 的成本效率和分配效率。Färe 等［12］基于DEA 将全要素生产率Malmquist 指数变化分解成技术效率变化和技术变化（technology change）指数，即所谓 Malmquist DEA 方法。这里的技术变化是商业银行在要素投入和效率改善之外，由技术因素的变化导致的全要素生产率的提升，反映了技术创新对TFP 指数的影响效果。本文将采用Malmquist DEA中的技术变化和技术效率变化指数分别度量商业银行的技术创新与效率改善。

2.2 技术创新、效率改善和全要素生产率测度

全要素生产率的变化率可以用两个相邻时期（t期和t+1 期）距离函数比率，即两期Malmquist 指数的几何平均值度量：

这里M表示基于产出的全要素增长率，x、y分别为投入要素和产出向量，D为距离函数。距离函数D(x,y) 描述了给定要素投入x情形下的产出y与最有效率产出的相对比率。

从（1）式提出因子Dt+1(xt+1,yt+1)/Dt(xt,yt)，可得式（2）：

根据距离函数和技术效率定义，式（2）中第一因子描述了技术效率的变化率；根号内两个比率描述了t+1 期与t期单位投入要素最有效率产出的变化率，即t+1 期相对于t期的技术创新（TC）。而技术效率可以分解为纯技术效率（PTE）和规模效率（SE）的乘积，因此，全要素生产率Malmquist 指数最终可以分解为纯技术效率、规模效率和技术创新变化率的乘积。

对技术创新、全要素增长率、纯技术效率和规模效率的测度可以通过计算式（2）中各个距离函数D实现。首先在设定CRS 模型情形下，通过求解如下线性规划问题，计算不同投入产出下各期距离函数：

式中参数ρ是距离函数的倒数，θ是参数列向量。

如果面板数据中包含N家商业银行和T个年度，那么对式（3）进行线性规划求解，需要计算 (3T-2)·N次。根据式（1）、式（2）即可计算出技术变化、全要素增长率和技术效率。

将技术效率（TE）分解为纯技术效率（PTE）和规模效率（SE），需要采用VRS 模型，增加凸性约束，对距离函数Dt+1(xt+1,yt+1)和Dt(xt,yt)重新进行计算：

式中E为常数1 的N维行向量。VRS 距离函数的线性规划求解需要增加N次。根据式（3）、式（4）式给出的CRS 和VRS 的TE 比值即可计算出规模效率和纯技术效率。

3 中国商业银行Malmquist DEA 前沿分析投入产出指标的确定

3.1 商业银行投入产出指标界定方法

与一般企业和经济实体不同，商业银行作为金融中介机构，经营管理具有特殊性，部分要素投入和产出难以量化，具体生产过程也不易明晰划分。DEA 前沿分析的一个重要优点是它不仅可以对单一产出的情形进行效率和技术创新测度，而且可以用于分析多要素投入多产出情形。这一优点尤其适合商业银行的效率分析和技术创新测度。现有文献主要采用下面三种方法来界定商业银行的投入产出指标：

3.1.1 中介法

中介法（intermediation approach）注重商业银行的金融中介职能，认为商业银行是储蓄者与借贷者之间的信用中介，商业银行的利息成本、经营费用和存款等是其主要的投入要素，而利息收入、非利息收入和贷款等作为其产出。例如Yeh［13］、Casu等［14］以及Chiu 等［15］强调商业银行的金融中介职能，分别以利息成本和贷款总量作为DEA 分析投入产出指标。

3.1.2 资产法

资产法（asset approach）从资产负债的角度考察商业银行的投入产出，认为商业银行通过将存款和借入款等负债转化为贷款、证券等其他金融资产来实现产出和利润。资产法以借入资金、实物资本和人力资本作为投入，以贷款、债券等其他金融资产作为产出。相当部分学者对资产法和中介法并不做严格区分［16］。

3.1.3 生产法

生产法（production approach）从商业银行的具体生产运营过程来衡量商业银行的投入产出，将能产生收益的项目作为产出，把增加净支出费用的项目作为投入。因此，生产法将给定时期内交易和账号数量看作产出，把固定资产和劳动支出作为投入。由于数据可获得性原因，生产法在学术研究中较少采用，而多用于商业银行内部效率评估［17］。

3.1.4 附加值法

附加值法（value added approach）认为商业银行的资产和负债都和产出相关，把能对商业银行经营活动带来附加值或能为创造价值的资产或者负债视为产出。因此，附加值法将贷款和存款都作为产出，将劳动力、有形资产和扣除存款的资金作为投入［9,18］。

3.2 中国商业银行投入产出指标选取

尽管商业银行的投入产出界定方法各异，指标选取存在一定程度争议和分歧，但大部分学者倾向于采用中介法。Berger 等［9］认为，就效率测度而言，中介法考虑了在商业银行运营中占有重要地位的利息成本，可以较好地度量商业银行绩效研究中的边界效率，因而在前述四种投入产出界定方法中是最优的。王付彪等［19］从金融资源配置、商业银行产出特性和数据可获得性角度综合对比了生产法、中介法和支持法，同样认为中介法较为适合商业银行的投入产出界定。

相对于生产法和附加值法，中介法不仅强调了商业银行有别于一般经济企业的金融中介特质，而且通过各项收支指标可以更好地评估商业经营效率和盈利能力。此外，通过对利息收入和非利息收入的评估，可以较为全面地涵盖商业银行产出多样化和非实物产出的特征。

在我国，贷款一直占据社会融资规模的主导地位，通过商业银行体系的间接融资是主要的融资渠道。尽管近年来，人民币贷款占社会融资规模的比重有所下降，但考虑到商业银行体系内的其他金融工具，如委托贷款、信托贷款和票据等，中国商业银行体系所承担的社会融资规模比重仍然较高。这说明中国商业银行的金融中介职能在我国金融体系中的作用举足轻重，中介职能对于评价我国商业银行效率不可轻视；因此，中介法也更适用于我商业银行。

关于具体投入产出指标选取来源，Drake 等［20］认为投入产出指标选取来源应该一致，部分指标选取资产负债表，而另外一部分指标来源于利润表的选取方法是错误的。Berger 等［21］以及唐齐鸣等［6］认为从利润角度能够从成本和收益两个层面考察商业银行效率，而且可以测度商业银行金融服务质量的改善程度。

基于上述分析，在对中国商业银行技术创新和效率改善进行实证研究中，本文主要借鉴中介法选取投入产出指标，并且从流量角度进行考察，所有投入产出指标都选自利润表。本文以总利息支出、人力资源费用、非利息支出和不良贷款损失作为商业银行的要素投入，以净利息收入和非利息收入作为商业银行的产出。本文采用不良贷款作为投入指标之一，在考察商业银行运营成本的基础上还关注风险成本对我国商业银行效率的影响，这是借鉴了唐齐鸣等［6］的研究成果。此外，本文认为相对于大部分文献采用员工数量度量劳动投入，以人力资源费用作为劳动投入指标更为合适：一方面人力资源费用更准确地涵盖了人力资本的使用成本；另外一方面，人力资源费用是流量指标，相对于员工人数这个存量指标更适合从利润角度考察商业银行效率。本文所选取的投入产出指标变量描述如表1 所示。

表1 商业银行投入产出指标变量描述

4 效率改善与技术创新对中国商业银行全要素生产率增长贡献率实证分析

4.1 样本选取和数据来源

中国商业银行的投入产出数据来源于BANKSCOPE数据库。中国商业银行具有可比性和相同统计口径的银行历史数据还不够充分。尽管BANKSCOPE 收录的中国商业银行超过150 家，但多数商业银行仅有近三年数据，大部分年度数据缺失或者中断。考虑到Malmquist DEA 分析不仅需要根据横截内商业银行个体数据估计效率前沿，而且需要足够的连续时间维度数据来测度商业银行技术创新和效率改善，本文在样本选取时对商业银行个体进行了初步筛选：从2014—2018 年存续的商业银行中，剔除了历史数据少于4 年的个体，在1999—2018 年的时间跨度内共计选取了41 家商业银行的投入产出数据。样本选取的41 家商业银行投入产出变量描述性统计如表2 所示。

表2 中国商业银行投入产出指标变量描述性统计 单位：千元

4.2 中国商业银行效率变化与技术创新测度结果

根据式（1）、式（2）、式（3）和式（4），本文利用DEAP2.1 程序，对1999—2018 年中国41家商业银行的技术创新和效率变化进行Malmquist DEA 实证分析。首先根据投入参数指标计算四组距离函数，得出我国商业银行的全要素增长率；然后将全要素增长率（TFP）分解为技术创新（TC）、纯技术效率（PTE）和规模效率（SE）的变化率。中国商业银行技术创新、纯技术效率、规模效率和全要素增长率DEA 测度结果如表3 所示。为了反映出技术创新、纯技术效率和规模效率对不同类型商业银行影响的差异，表3 还对中国商业银行进行了分组，按类型分别列出了Malmquist DEA 实证分析的结果。

表3 中国商业银行技术创新、纯技术效率、规模效率变化率和全要素增长率

表3 （续）

从中国商业银行整体来看，技术创新对商业银行影响显著，技术创新因素对全要素增长率的贡献度超过了72%，其次是纯技术效率的提升，商业银行规模效率的改善对全要素增长率提高非常有限，贡献率仅有5%。从时间维度上看，技术创新增幅显著，绝大部分年度以两位数增长，平均增长率达到10.8%。但是在次贷危机全面扩散的2009 年间，技术创新对中国商业银行产生了负面影响；在同一时期中国商业银行技术效率改善急剧变缓，甚至在2008 年出现了技术效率恶化的情形。唐齐鸣等［6］对18 家商业银行的实证分析也得出了相似的结论。这与次贷危机所引发的全球金融危机背景下，实体经济运行放缓，研发投入下降，金融系统性风险加剧和商业银行运营状况恶化高度相关。我国技术效率在2000—2005 年间改善显著，一方面这与同期技术创新的高增长幅度有关，技术创新大幅推进了商业银行的生产前沿移动速率，这为技术效率的改善创造了空间；另一方面，我国商业银行在20 世纪末21 世纪初，引入现代商业银行管理机制时间尚短，经营管理效率较为低下，在较低起点的基础下也容易获取较大的效率改善成效。2006 年之后，我国商业银行纯技术效率变缓趋缓，而纯技术效率反映了个体商业银行相对生产前沿的距离；这表明近十年来，我国商业银行技术效率保持在较高水平，管理运营能力不断加强。自2014 年宏观经济进入新常态以来，中国商业银行整体经营效率，尤其是规模效率改善程度趋缓并保持平稳；但受益于技术创新因素的积极影响，尤其是金融科技的积极应用，商业银行的全要素生产率依旧保持了中高速的增长。

技术创新同样是四大国有控股商业银行全要素增长的关键因素。但在2008 年和2011—2012 两年间，技术创新对四大国有控股银行形成负面影响，在同期纯技术效率和规模效率没有改善的情形下，直接导致四大国有控股银行全要素生产率下滑。这固然与四大国有银行的效率决定因素、经营模式和新技术对传统商业银行业的冲击有关，但同时也反映出四大国有银行对新技术的投入和应用有待加强。从表3可以发现四大国有控股商业银在次贷危机之后，纯技术效率和规模效率有一定程度的回升。需要注意的是，尽管新常态以来，技术创新与效率改善共同促进了国有控股银行的全要素生产率增长，但其全要素生产率与技术创新的增长率均低于其他类型商业银行。由于BANKSCOPE 数据库中没有收录四大国有银行的1999—2001 年部分数据，2000—2002年的技术创新和效率测度值无法给出。

全国性股份制商业银行是技术创新的最大获益者。尽管全国性股份制商业银行在2000—2007 年间规模效率持续下滑，但全要素生产率却高速增长，这主要受益于技术创新和技术效率的大幅提升。这一时期，全国性股份制商业银行正处于股权融资、规模急剧扩张时期，规模效率的继续小幅恶化，表明资产规模的快速扩张略微超出了商业银行管理能力，商业银行产出出现了规模报酬递减的状况。但这一状况在2008 年后得到扭转，一方面是因为次贷危机爆发，商业银行在资本市场再融资难度增加，全国性股份制商业银行开始逐步从规模扩张转向依托技术创新寻求内生增长；另外一方面，最近几年内，全国性股份制商业银行自身的管理效率持续改善。

技术创新对我国区域性商业银行的影响较为有限，平均年增长率仅为6.0%。但区域性商业银行全要素生产率却保持了年均19.2%的高幅增长，这主要得益于纯技术效率的快速提升和相对于其他类型商业银行较高的规模效率改善。这两方面的效率改善尤其体现在2001—2009 年间，这表明我国区域性商业银行无论是在经营管理能力上还是在规模上都起点较低，距离潜在的最佳效率生产前沿具有较为明显的改善空间。在中国经济进入新常态的背景下，区域性商业银行规模效率和纯技术效率的改善幅度在最近几年出现了明显的放缓，全要素生产率的持续增长最终还是要依赖于技术创新对生产前沿的推动。

样本中41 家中国商业银行技术创新、效率改善和全要素生产率的平均增长指数分布的极坐标曲线如图1 所示。招商银行（CMB）、兴业银行（IBC）、宁波银行（BONB）、吉林银行（BOJL）和东莞农村商业银行（DGRCB）的全要素生产率增长较快，复合年化平均增长率都超过25%。从技术创新维度来看，招行银行（CMB）、兴业银行（IBC）、民生银行（CMBC）和宁波银行（BONB）位于前列，技术创新指数年均增长超过15%。而年均效率改善指数增长超过15%的银行有8 家，全部是区域性商业银行；这8 家银行是：江苏银行（BOJS）、浙商银行（CZSB）、宁波银行（BONB）、天津银行（BOTJ）、吉林银行（BOJL）、东莞农村商业银行（DGRCB）、汉口银行（BOHK）和顺德农村商业银行（GDSDRCB）。

图1 中国商业银行技术创新（TC）、效率改善（EC）和全要素生产率（TFP）增长指数分布

5 结论与启示

5.1 结论

本文采用非参数Malmquist DEA 前沿分析方法对中国41 家不同类型的商业银行2000—2018 年间的全要素生产率进行实证研究，得出如下结论：（1）从全要素生产率的平均增长率来看，我国各类型商业银行存在明显差异：四大国有控股商业银行增速较低，全国性股份制商业银行在长期内保持了较快的增长速度，区域性商业银行的增长率最高。但需要注意的是，区域性商业银行较高的全要素生产率增长并不稳定，不仅起伏较大，而且在2011—2014年间呈现出明显的增速下滑趋势。（2）根据对商业银行效率变化与技术创新Malmquist DEA 测度结果，技术创新和效率改善对我国商业银行的全要素生产率的影响具有较为明显的差异性。从对全要素生产率增长贡献率来看，技术创新对全国性股份制商业银行的影响最为显著，对四大国有银行影响次之；区域性商业银行在效率提升上占有明显的后发优势，纯技术效率的改善对其全要素生产率的增长至关重要；而规模效率改善对所有类型的商业银行全要素生产率增长贡献率则非常有限。（3）从我国商业银行经营的效率前沿视角来看，全国股份制商业银行大多位于生产前沿面之上，也是推动商业银行技术效率前沿即技术创新的主导力量；而区域性商业银行则距离生产前沿面较远，更多地从技术效率的改善中获益。但是从长远来看，如果商业银行生产前沿保持不变，效率改善对全要素生产率的贡献率将会逐步降低，所以技术创新对于商业银行全要素生产率的持续增长尤为关键。

5.2 启示

本文研究结果为我国不同类型商业银行在新常态背景下，依托技术创新提升经营效率，实现创新驱动带来了如下启示：（1）我国商业银行，尤其是大型国有控股商业银行和区域性商业银行，要实现可持续的中高速增长态势就必须在经营管理中进一步增加技术投入，加强技术创新，将新技术充分运用于金融产品和金融服务创新过程之中，同时高度重视新技术对商业银行的正面影响和负面冲击。（2）总体来看，我国商业银行规模效率改善对全要素生产率的推动作用非常有限，各类型商业银行，特别是国有控股商业银行和全国性股份制商业银行，应该从既有的规模驱动增长模式向技术创新和效率改善的内生增长模式转变。（3）对于区域性商业银行而言，经营效率水平相对较低，应在充分利用后发优势，重点通过效率改善途径追赶处于生产前沿面上的领先商业银行的过程中，依次从规模扩张、技术投入和效率改善三个方面寻求最优平衡增长路径。