美国商业银行的绩效分析及其启示

摘要：本文在标准普尔行业Panel数据的基础上，对美国商业银行业的绩效进行了经验研究，并得到两点对我国商业银行业的改革具有重要指导意义的结论：(1)银行利息成本、非利息成本、资本规模、行业因素以及宏观因素可以说都显著影响着银行的经营效率，其中行业的竞争对效率的影响为负而资本规模的影响则为正；(2)从银行所有人的角度而言，综合了利息成本和非利息成本在内的成本因素以及货币市场因素对效率的影响其实并不明晰。

关键词：银行绩数；Panel数据；SCP

中图分类号：F837文献标识码：A

文章编号：1006－1428（2006）06－0052-04

一、数据、模型和变量

（一）数据集说明

本文主要是基于美国标准普尔公司的数据库。具体而言就是针对美国商业银行业(一般行业代码GICS：401010）的Panel(平行)数据。该数据集时间跨度是从1993到2003年，截面包括548家商业银行，而具体的变量则包括银行总资产、总负债、股东权益以及销售收入、利息成本、其他运营收入(支出)(Nonop Income/expense)、利息税前利润(EBIT)、所有税收(Total Tax)和净利润(Net income)等。此外本文还用到了货币供应量指标M1，这一数据的时间跨度对应于银行数据也是从1993年到2003年具体来源于www.省略。。

(二)模型说明

对于行业绩效的实证分析而言，最为广泛使用的框架就是和Joe Bain和Edward Mason相关的、也就是通常所说的“结构―行为―绩效”(SCP―structure，conduct and performance)范式。其大致模型如下：

成本和变动成本变量；Ki分别表示银行的资本规模；eai表示银行业中除了银行i之外其他所有银行的资产规模总和；而m表示外生的经济环境变量；货币供应量M1。通过比较，很容易发现本文所用的模型(2)与模型(1)主要存在两点差异：Aeai取代了市场集中度指标CR；B模型(2)新增了变量m。前者eai指标和市场集中度指标都是用来度量行业状况或者说行业中其他银行对单个银行i的影响，由于样本数据中商业银行的个数为548家，因此作者认为一般的集中度指标并不能很好的描述美国该行业的实际情况，从而选择了除了银行i之外的所有银行的资产规模作为行业影响的度量指标。至于m，主要是我们认为银行业是一个受货币市场和宏观经济影响很大的部门，有必要在绩效研究中把此类重要的外生变量包含进来，因而这里选择了货币供应量指标M1。

(三)变量说明

由于解释变量利息成本和非利息成本数据以及其他银行的资产数据之间的存在一定程度的相关性，因此在具体处理时，我们采取只选其中一个成本指标的方法来尽量避免解释变量之间的相关性。此外，在对资产收益率(ROA)进行解释时，我们把成本变量、资本变量以及其他银行的资产变量都进行了标准化处理，即把他们都除以银行i的资产规模，同时所有这些解释变量也都进行了对数化处理。

以上就是本文主要选用的变量，这些变量之间的相关性在表1和表2列出。其中表1的变量主要用来解释LN(ROE)。而表2的变量则是用来解释LN(ROA)。从表1中的相关系数矩阵可以看出，LN(利息成本)和LN(非利息成本)均不能被采用，因此只能选择没有经过对数化的利息成本或者非利息成本，而且两者之中也只能取其一；鉴于银行经营的特殊性，我们这里取利息成本。而表2则说明，在经过标准化和对数化处理后，从相关性程度上而言这些变量都可以用来解释LN(ROA)。

二、模型回归结果及分析

本部分具体介绍和分析模型回归的结果，为了便于比较和说明，我们把上述模型按照被解释变量的多少进行了分层嵌套。具体而言，我们把只包含与单个银行i直接相关的成本变量ci以及资本变量Ki的模型称之为基准回归模型，而把包含了行业影响eai以及宏观因素m的完整模型称之为拓展模型。

(一)基准模型回归

基准模型回归主要是对银行自身特征变量的回归分析，目的是试图来回答在外部环境既定的情况下，银行的各大类投入是如何影响其产出效率。具体针对这两个被解释变量的回归结果参见下表3。

在进行逐一分析之前，有必要对Panel数据基础上模型检验的方法进行扼要说明。由于在进行Panel数据分析的时候，可以使用固定影响模型，也可以使用随机影响模型(Hsiao,2003)；而利用Breuscll and Pagan LM检验可以识别出模型是否应该设定为随机影响。此外，由于样本数据集是跨度为11年的数据，因此我们的模型设定中也包含了对时间序列一阶相关性的检验，在Panel数据分析中，常用的就是Modified Bhargava et alDubin-Watson检验。本文这里把这两个模型识别检验统计量的结果均列在表中，从结果上看本文得到的模型都应该设定为一阶序列相关的随机影响模型。于是，下文就不再对模型设定和检验做详细说明。

首先我们来看对银行资本利润率，即LN(ROE)的解释。从表3的第2列可以发现，此时不仅成本因素，而且资本因素对资本收益率也有显著的影响；但是这两种显著影响的方向却是相反的。也就是说，如果银行的利息成本提高，反而会降低银行的资本收益率；同时，对于资本规模更大的银行而言，其所有人获得的收益越高。后者很容易理解，因为资本规模越大的银行一般对应的资产规模也越大，规模经济可能就是其效率更好的重要原因之一。这一结论与Mester(1993)，的实证结果也保持一致，同时其也同样可以被Kenneth DJones和Tim Critchfield(2004)发现的美国从1984年到2003年银行数目的减少主要源于规模在1亿美元以下的中小银行的事实所佐证。

接着，我们来看对银行资产利润率，即LN(ROA)的解释。从表3的最后一列可以发现单位资产所对应的成本和资本均对资产收益率产生显著的影响。从成本因素看，单位资产利息成本的系数显著为负，而单位资产非利息成本的系数显著为正，因此成本因素的综合影响方向并不明晰；但是权益的影响确是显著为正。单位资产利息成本的符号为负可以直接理解为负债比例越高，资产的净收益率也就越低；而单位资产非利息成本符号为正说明包括人力资源在内的投入可以提高资产的运作效率从而提高资产收益率。

综合上述对这两个被解释变量的回归结果，我们可以得到如下两个结论：(1)不管是利息成本还是非利息成本都对银行的绩效有着显著的影响，但是这种因素的综合影响方向并不明晰；(2)银行的资本规模影响着银行自身的效率，从整体上看，资本规模越大的银行效益越好。

(二)拓展模型和检测

在这一部分的内容中，我们将对模型进行拓展分析，同时也希望能够对基准模型回归中的两点关键结论进行稳健性的检测。这里的模型拓展与检测主要是通过引入行业影响变量eai以及宏观经济变量m的方法来实现。基本估计方法以及模型识别检测和基准回归一致，这里就直接介绍回归结果，具体参见表4。

类似的，我们先来看对银行资本利润率的分析结果。表4的第2列和第3列就是对资本利润率的拓展分析。从中可以看到基准回归中的结果都没有发生定性的变化，即利息成本和资本变量依旧显著，同时变量系数也保持着各自原来的符号。不仅如此，对于资本利润率而言，行业变量所带来的影响是显著的，而且还是负面影响；但是M1所代表的货币市场因素或者说宏观经济因素对银行的年资本利润率并不存在显著的影响。对于行业变量的结果很容易理解，当其他银行的市场规模或者市场份额增大时，竞争压力所引发的市场规模缩小自然会导致银行自身的收益率水平降低。至于变量M1，一个可能的解释就是对货币市场而言，货币供应量M1主要影响短期利率，而资本主要着眼于长期收益；因而前者对资本收益率影响很难判断。另外，通过和基准模型回归结果的比较可以发现，其他银行规模所代表的行业因素对资本收益率的解释虽然是显著的，但是其能解释的份额却很小，因为R2仅仅提高了0001。

接着，我们再来看看对银行资产收益率的拓展分析。和资本收益率一样，上面基准回归中对资本收益率的定性结论都没有发生变化。也就是说基准回归的主要结论在这里得到了稳健性检验。同时，我们还可以发现其他银行资产所代表的行业因素以及货币供应量所代表的宏观货币市场因素都对资产收益率有着显著的影响。前者对资产收益率的影响为负，对此的经济解释类似于对资本收益率的说明，这里就不再赘述；但是这里与资本收益率结果的不同之处在于货币市场因素的影响也是显著的。一个合理的解释就是货币市场的波动或者说调节会直接影响银行资产方的日常经营，从而影响银行的资产收益率。但是，由于负债方也同样会受到货币市场的影响，因此在综合了资产方的影响之后，对资本收益率的影响则不再明朗。最后，通过比较拓展模型和基准回归的R2可以看到行业因素和宏观因素对资产收益率的影响还是相当大的，因为R2提高了006，大约比原来增加了48％，远远超过了这两者对资本收益率的解释力度。

通过以上的拓展模型分析，我们不仅验证了基准回归的结果，同时又得出2个重要的结论：(1)行业因素或者说各个银行之间的互动是影响银行效率的重要因素，不过它对银行整体效率的影响程度要大于对银行持有人的影响；(2)货币市场因素显著影响银行资产的运作效率，但是由于其对银行负债同样具有影响，因此它对银行所有人的最终影响并不明晰。

三、结论

本文利用标准普尔公司提供的美国商业银行业Panel数据，在SCP框架下对美国商业银行业绩效关系进行了经验研究。文章主要的结论如下：

1.银行利息成本、非利息成本、资本规模、行业因素以及宏观因素可以说都显著影响着银行的经营效率，其中行业的竞争对效率的影响为负，而资本规模的影响则为正。

2.从银行所有人的角度而言，综合了利息成本和非利息成本在内的成本因素以及货币市场因素对效率的影响其实并不明晰。

需要说明的是，资本利润率和资产利润率的确可以在一定程度上反映银行经营的效率，但是他们并不能完全体现。因为净利润本身很难说明商业银行自身所潜在的、日常经营的关键要素――风险。不仅如此，行业因素或者货币市场因素对应变量的选择还值得进一步的研究。囿于数据的可得性和此类问题的一般研究思路，本文也只好选择这些指标和变量来进行分析。

上述文章的结论对于现阶段的中国银行业而言，存在两点借鉴意义：

1.提高商业银行的运作效率，不仅仅要重视银行自身的成本，而且还要着力培养良好的行业环境以及健全包括货币市场在内的金融体系。

2.影响银行效率的因素很多，而且很多因素对银行的资产和负债会同时产生不同影响；因此在评判银行自身行为或者外界政策对银行绩效影响的时候，评价者自身的角度和定位同样非常重要。

参考文献：

［1］Berger，A.N.and L.J.Mester．Inside the black box：what explains differences in the efficiencies of financial institutions［J］.Journal of Banking & Finance，1997，Vol.21：895-947

［2］Berger，A.N.and D.B.Humphrey.The dominance of inefficiencies over scale and product mix economics in banking［J］.Journal of Monetary Economics，1991，Vol.28(1)：117-148

［3］Bhargava.A.L.Franzini and W.Narendranathan.Serial Correlation and the Fixed Effects Model［J］.Review of Economic Studies，1982，Vol49：533-549

［4］Hannan.T.H.Foundation of the Structure-Conduct-Performance Paradigm in Banking［J］.Journal of Money，Credit，and Banking，1991，Vol23：68-84

［5］Hsiao，Cheng.Analysis of Panel Data［M］.London：Cambridge University press，2003

［6］Hunter.W.C，S.G.Timmer，and and W.K.Yang.An examination of cost subadditivity and multiproduct production function in large US banks［J］.Journal of Money，Credit，and Banking，1990 Vol.22：504-525