貨幣政策、風險承擔與銀行超效率

李金培 呂德宏 黃亦炫

摘 要：基于2002—2012年中國11家主要上市商業銀行的面板數據，利用SBM超效率模型和動態面板數據GMM模型，研究了貨幣政策對風險承擔下中國商業銀行超效率的影響問題。結果表明：樣本銀行的超效率水平逐年提高且差異不大，超效率水平呈現倒“U”型變化趨勢；貨幣政策對風險承擔下商業銀行的超效率均呈現負向關系且影響顯著；風險承擔因素對銀行超效率的測量十分重要，并且貨幣政策對風險承擔下的銀行超效率具有重要影響。因此，從促進經濟增長和金融發展的角度而言，中央銀行進行貨幣政策調整時，應在宏觀層面審慎監管風險承擔下中國商業銀行的效率。

關鍵詞：貨幣政策；風險承擔；商業銀行；超效率

文章編號：2095-5960（2014）06-0048-09；中圖分類號：F830；文獻標識碼：A

一、引言與文獻述評

美國金融危機導致諸多銀行破產，并引發了嚴重的經濟低迷，讓各國監管機構對金融體系漏洞有了更深入的思考，也致使學界和政界對量化寬松等非常規貨幣政策的使用一直爭議不斷。如今，伴隨著全球經濟復蘇和美國QE（量化寬松政策）退出帷幕的拉開，非常規貨幣政策再度引起關注。周小川（2014）提出中國銀行業的改革需要非常規貨幣政策，低利率的環境不僅可以保證經濟增長，還可以推動金融穩定的實現。但是各國推行寬松貨幣政策易引發低利率環境下的泡沫風險，導致經濟危機復發。張強等（2013）研究表明，中國貨幣政策的銀行風險承擔渠道是存在的[1]。那么貨幣政策的調整是否會影響風險承擔下的商業銀行超效率？由于金融危機影響深遠，研究貨幣政策對風險承擔下商業銀行超效率的影響至關重要，不僅可以推動銀行業控制風險、提高效率，而且還對改善貨幣政策與銀行系統穩定性之間的關系有著重要意義。

國內外對風險承擔與銀行效率之間關系的研究方法可分為兩大類。第一類是采用兩階段方法，即在第一階段運用非參數方法（如DEA）或者參數方法（如SFA）測出各銀行的效率值。該方法在早期的國外文獻中運用較多，如Berger et al（1993）運用數據包絡分析法（DEA）測度各商業銀行的效率，結果表明銀行效率低下的原因在于產出不足而非過度的投入成本[2]。Mester（1996）采用隨機前沿模型（SFA）對第三聯邦儲備銀行進行了效率評價，認為銀行在產出水平和產品組合方面表現有效，而在投入方面的有效性不足[3]。第二階段將風險承擔代理變量作為主要解釋變量，通過回歸模型檢驗風險因素對銀行效率的影響。國內外常用的風險指標有不良貸款率、Z值和資本充足率等，該類方法的研究結論基本一致，表明風險承擔與銀行效率之間具有顯著的相關關系。如Banker et al（2010）運用DEA測算韓國商業銀行在1995—2005年期間的效率后，將不良貸款率作為影響效率的主要金融解釋變量對其進行回歸分析，結果顯示不良貸款比率與銀行技術效率呈負相關關系[4]。第二類是單階段分析方法，直接將風險承擔代理指標作為非期望產出引入銀行效率的測度中，該類方法的研究結果表明，不考慮風險承擔的銀行效率值低于考慮風險承擔情況下的效率值。如Drake & Hall（2003）將貸款損失準備作為銀行問題貸款程度的衡量指標引入DEA銀行效率測算模型中，研究發現控制不良貸款將導致銀行效率的平均水平上升[5]。劉孟飛和張曉嵐（2013）將風險因素納入前沿生產函數中，測定了風險承擔下的商業銀行效率值，結果顯示信用風險、資本風險和流動性風險約束下的效率測算結果均比不考慮風險因素所得效率值高[6]。

在國內外對銀行效率影響因素的研究中，一般將貨幣政策作為控制變量考慮，而主要解釋變量多聚焦在產權結構、外資銀行進入以及銀行微觀特征等方面。甘小豐（2007）研究發現，經濟周期對銀行效率值有顯著影響，而周期中的貨幣增長率、通貨膨脹率和再貸款利率對銀行效率的影響均不顯著[7]。王聰和譚政勛（2007）研究發現，貨幣供應量增長率對商業銀行X-利潤效率水平有顯著正面影響[8]。Li & Wang（2012）[9]、李勇和王滿倉（2012）[10]分別利用改進的 Kopecky & Vanhoose（2004）[11]模型和面板回歸模型分析得出貨幣政策的代理變量——法定存款準備金率與商業銀行效率存在非線性關系并對其利潤效率和成本效率的影響呈非對稱效應。章晟和杜靈青（2013）研究發現中國法定存款準備金率調整頻率高于利率調整頻率，但貸款利率比法定存款準備金率對商業銀行效率的影響更大[12]。

從上述相關研究可以看出，學術界運用不同方法就風險承擔與銀行效率之間的關系進行了大量探討，但上述文獻所測定的效率結果中普遍存在一個以上的有效決策單元（效率值等于1），且對這些有效的決策單元無法進行進一步的區分和比較。Tone（2002）在傳統DEA和SBM模型的基礎上提出了“SBM超效率”模型[13]。該方法不僅解決了投入產出冗余問題，還可以對有效的決策單元進行排序以比較效率高低，從而進一步對評價為DEA有效和弱有效的決策單元進行再次評價，但是目前該類方法多用于環境效率評價當中，用于研究銀行效率值的文獻較少。另外，在對銀行效率影響因素研究中，大多研究將貨幣政策作為控制變量，而鮮有文獻采用動態面板數據模型將貨幣政策作為主要解釋變量研究其與銀行效率之間的關系。

基于此，本文試圖在現有文獻的基礎上從兩方面進行拓展：（1）利用SBM超效率模型對2002—2012年風險承擔下的中國11家上市商業銀行的超效率值進行測定；（2）運用動態面板數據模型對影響商業銀行超效率的貨幣政策因素進行實證分析。

二、模型選擇與建立

（一）SBM超效率函數模型選擇與建立

本文借鑒Roberta et al（2010）測度銀行效率的DEA方法[14]，遵循王兵和朱寧（2011）研究的基本思路[15]，將非期望產出納入銀行效率的測算中，運用基于松弛變量的SBM超效率模型，解決決策單元的投入和產出的冗余短缺問題。

其中，δ為SBM模型的效率評價標準；s-i、sgr和sbr分別為投入、期望產出和非期望產出松弛向量的元素。在函數具體形態方面，由于上式是分式規劃問題，需將其轉換為可解的線性規劃問題，因此，本文建立的目標函數為：

minτ=t-1m∑mi=1t，s-ixi0，t=1-1s1+s2∑s1r=1t，sgrygr0+∑s2r=1t，sbrybr0 （3）

此時，τ為SBM模型的超效率評價標準，在模型（2）約束條件不變的情況下，通過線性規劃技術求解式（3）的目標值，即可得到各個決策單元的效率估計值。SBM超效率模型同時考慮了投入和產出松弛變量，并解決了非期望產出下的效率測度問題。此外，SBM超效率模型允許其效率值可以大于1，鑒別了具有充分效率的SBM模型的排序及差別程度。

（二）動態面板數據GMM模型

本文引入貨幣政策的3個衡量指標：法定存款準備金率（DRR）、存款基準利率（SDR）及貸款基準利率（SLR），將風險承擔下的銀行超效率作為被解釋變量，貨幣政策指標及其他控制指標作為解釋變量，運用 2002—2012年中國11家主要上市商業銀行的面板數據，考慮解釋變量與被解釋變量之間的動態效應，建立動態面板數據模型如下：

其中i代表銀行，t表示時間（2002—2012年）；EFFi，t表示第i家商業銀行在第t年的超效率測算值；解釋變量MP表示貨幣政策指標，具體細分為3個不同的子指標，當衡量貨幣政策對銀行超效率的影響程度時，將法定存款準備金率（DRR）、存款基準利率（SDR）及貸款基準利率（SLR）分別代入MP的位置。控制變量包括：銀行風險（Z-score），銀行規模（SIZE），存貸比（LTD），資產收益率（ROA），市場集中度（CR5），市場份額（MS），經濟發展水平（GDPG），儲蓄率（SAVE）以及通貨膨脹率（INF）；ui，t為模型中隨機擾動項，包含銀行個體效應和時間效應。

由于銀行存在個體效應和時間效應，動態面板數據模型出現內生性問題，采用固定效應或隨機效應估計方法將導致參數估計的非一致性。本文采用差分GMM估計方法，通過使用滯后的解釋變量和被解釋變量作為工具變量克服內生性問題，同時通過差分和工具變量控制未觀察到的效應。在進行差分GMM估計時，參考Delis & Kouretas（2011）的做法[16]，將銀行規模代理變量SIZE及其一期滯后設置為前定變量，并將銀行盈利性代理變量ROA設置為內生性變量以消除內生性問題。為確保估計模型參數的有效性和穩健性，本文進行了隨機誤差項序列相關檢驗（Bond檢驗）和過度識別條件檢驗（sargan檢驗）。

三、指標選取與數據來源

（一）指標選取

1.超效率測算指標選取

商業銀行效率測度中最主要的問題是對其投入和產出的界定，依據國外對投入產出指標選取的中介法，結合中國商業銀行的實際情況，SBM超效率模型投入產出指標的選取主要考慮三種產出指標、三種投入指標。

（1）期望產出：稅前利潤和貸款總額。王兵和朱寧（2011）認為非利息收入是評價金融機構競爭力優劣的指標之一，可以反映銀行業今后競爭與發展的趨勢，而稅前利潤可以避免實際利潤被高估的現象。考慮到數據的可得性和完整性，本文在期望產出指標上采用中介法計量產出，選用稅前利潤和貸款總額。

（2）非期望產出：不良貸款額。不良貸款是商業銀行測算銀行效率的重要指標之一。徐輝等（2012）認為不良貸款曾對中國銀行業穩定造成巨大威脅，是重大風險性因素，對銀行效率具有重要影響[17]。而在傳統的商業銀行效率測度中，如張健華和王鵬（2011）選擇產出指標時僅考慮了貸款數量而忽視了貸款質量[18]。本文在測度銀行效率時采用不良貸款額作為衡量貸款質量的指標：不良貸款額=不良貸款率×貸款量，其中貸款量為客戶貸款和墊款的總和。

（3）投入：固定資產凈值、員工人數和存款總額。中介法測度銀行效率是將銀行視為儲蓄—投資的服務中介機構，投入一般采用存款、勞動力和資本。本文選用銀行員工人數、固定資產凈值和存款總額作為投入指標。

2.影響因素變量選取

（1）主要解釋變量：國外學者Altunbas et al（2010）認為短期利率的變化可以較好地反映一國央行的貨幣政策的變化，一般選用市場化的短期利率作為貨幣政策的代理變量[19]。楊小軍（2008）認為中國利率還未完全市場化，市場化利率還未成為中國的基準利率[20]；張強等（2013）認為中國央行在貨幣政策調控時更多依賴于數量型工具和非市場化手段。考慮到存貸款利率是中央銀行調控經濟的重要手段，同時為確保結果的穩健性，本文在貨幣政策代理變量的選取上借鑒劉曉欣和王飛（2013）的研究成果[21]，采用法定存款準備金率（DRR）、短期存款利率（SDR）和短期貸款利率（SLR）作為主要解釋變量。

（2）控制變量：從銀行微觀特征變量、市場環境和宏觀經濟狀況三個方面選取控制變量。銀行特征變量包括銀行規模、盈利能力、資產配置和銀行風險，銀行規模選取商業銀行總資產的對數來衡量，盈利能力選用資產收益率作為代理變量，資產配置衡量指標采用存貸比，銀行風險選用Z指數衡量的銀行破產風險作為代理變量，其計算公式為：Z=（ROA+CAR）/σ（ROA），其中，ROA為銀行資產收益率；CAR為銀行資本充足率；σ（ROA）為ROA的標準差，為減少數據樣本量的損失，采用3年移動平均計算。市場環境變量包括市場集中度和市場份額，市場集中度采用行業集中率CR5作為代理變量，市場份額選取存款市場份額來衡量，反映銀行在市場上所處的地位。為控制宏觀環境可能對銀行超效率造成的影響，本文選取了GDP增長率（GDPG）、儲蓄率（SAVE）和通貨膨脹率（INF）三個變量作為宏觀經濟狀況的代理變量。

（二）樣本選擇和數據來源

依據研究目的，從銀行規模和數據可得性層面考慮，選取11家具有較高代表性的國有商業銀行和股份制商業銀行，分別是：中國銀行、中國建設銀行、中國工商銀行、交通銀行、招商銀行、中信銀行、華夏銀行、興業銀行、民生銀行、上海浦東發展銀行和平安銀行。

考慮到中國貨幣政策經歷了一個完整的寬松和緊縮周期，本文研究期間為2002—2012年，采集的這11年數據主要來源于《中國金融年鑒》和各商業銀行年報，對于個別缺失數據，采用線性插值法補齊。主要變量的定義和描述性統計見表1、表2、表3。四、實證分析

（一）風險承擔下的商業銀行SBM超效率測度

在可變規模報酬的假設下，基于投入導向，利用DEA-SOLVER-5.0軟件對2002—2012年11家樣本銀行進行SBM超效率運算，得到本文實證模型（3）設定的風險承擔下的銀行超效率估計值及其排名，結果見表4。依據同樣的方法和思路，對無風險承擔的銀行超效率也進行了測度，結果見5。

從表4結果來看，中國11家樣本銀行中除交通銀行外，其他商業銀行均表現出生產有效率，且各年的平均超效率差異不明顯，處在1.0551—1.1662之間，總體超效率平均值為1.1210。從銀行超效率的變動趨勢來看，中國商業銀行超效率呈現先上升后下降的倒“U”型趨勢，2002年出現最低效率，2006—2008年銀行業出現繁榮時期，并于2007年達到平均超效率最高值1.1662，2009年銀行業超效率開始出現下降，平均超效率低于2006—2008年，這主要是受到2008年全球金融危機的影響，銀行業面臨的風險壓力較大，導致資產質量下降。比較2002—2012年各商業銀行超效率的平均水平發現，平安銀行、中國工商銀行和中國銀行分別排在前三位，隨后是民生銀行、中信銀行、興業銀行、浦發銀行和招商銀行，而華夏銀行、中國建設銀行和交通銀行的超效率值相對較差，其中交通銀行的超效率值小于1。

從表5估計值來看，不考慮風險承擔情況下，上市商業銀行平均超效率值低于考慮風險承擔情況下的平均超效率值，這主要是因為近年來中國商業銀行不良貸款率和不良貸款額的雙降提升了上市商業銀行的風險抵抗能力，從而推動了銀行超效率的提升。無風險承擔的上市商業銀行超效率變動依然呈現出倒“U”型趨勢，繁榮時期同樣表現在2006—2008年期間，并在2007年達到最高值1.1491，與風險承擔下的銀行超效率變動狀況一致。從各銀行的平均超效率來看，不考慮風險承擔對銀行超效率的影響時，除華夏銀行外，其他銀行的超效率值和排名變動不大。原因在于2011年華夏銀行的不良貸款率和不良貸款額出現大幅雙降，在不考慮風險承擔的情況下，投入量不變而產出減少，導致華夏銀行的平均超效率值從1.0355降至0.9295，這與不考慮風險承擔下的銀行業平均超效率下降原因相同。

（二）貨幣政策對風險承擔下商業銀行超效率影響分析

運用STATA12.0軟件對模型（4）進行差分GMM回歸分析，表6為不同貨幣政策下的估計結果。經三階序列相關檢驗和過度識別Sargan檢驗均符合GMM的條件，因此，文中運用差分GMM估計方法是合理的。

從貨幣政策變量的回歸結果（表6）來看，貨幣政策對風險承擔下的上市商業銀行超效率有顯著的影響，說明貨幣政策的變化是中國銀行業超效率的重要影響因素。在其他影響因素不變的情況下，貨幣政策與風險承擔下的銀行超效率均有著負向關系，即貨幣政策越寬松，銀行超效率就越高；相反則越低。一般而言，較長時期的擴張性貨幣政策會促使銀行風險承擔的意愿和能力上升，最終促進銀行超效率的提高。

從銀行微觀特征變量的回歸結果可知，存貸比（TLD）和資產收益率（ROA）與風險承擔下的商業銀行超效率有著顯著的正相關關系。表明存貸比（TLD）和資產收益率（ROA）越高的銀行，其風險承擔下的商業銀行超效率越高；相反則越低。原因一方面在于中國上市商業銀行信貸行為受到政府監管，其風險承擔動機相比中小銀行較小；另一方面，上市商業銀行盈利渠道較多，其經營策略相對保守，導致其通過高風險投機交易獲取利潤的動機較小。銀行規模（SIZE）和銀行風險（Z值）與風險承擔下的商業銀行超效率的關系不顯著，這可能與當前中國銀行規模及風險承擔能力受到諸多的監管和管制，其市場化特征不明顯有關。

從市場環境變量的回歸結果可以看出，市場份額（MS）變量系數估計結果為正且在1%水平下顯著，說明中國上市商業銀行市場占有率的提高有利于銀行超效率的改善，這完全符合市場力量假說。我們還發現，市場集中度（CR5）變量系數為負但并不顯著，說明研究期間內中國銀行業市場集中度的改善并沒有帶來預期的超效率提高效果。

從宏觀經濟變量的回歸結果來看，不同貨幣政策影響下的銀行超效率對宏觀環境的反應不同。表6的估計結果表明，在法定存款準備金率（DRR）影響下，通貨膨脹率（INF）對銀行超效率具有顯著的正面效應；在存款基準利率（SDR）和貸款基準利率（SLR）影響下，通貨膨脹率（INF）對銀行超效率具有負相關關系，但不顯著；在存款基準利率（SDR）和貸款基準利率（SLR）的影響下，經濟發展水平（GDPG）對銀行超效率具有顯著的正效應，這意味著存貸款利率越低，經濟投資環境越好，銀行超效率越高。儲蓄率（SAVE）在不同貨幣政策下對銀行超效率的影響均不具有統計上的顯著性，表明中國銀行業對儲蓄向投資轉化的能力較弱。

別代表在10%、5%、1%的程度上顯著。下同。

五、穩健性檢驗

在基準模型中，采用Z值衡量的銀行破產風險作為銀行風險的代理變量，鑒于國內外不同學者在衡量銀行風險時采用的度量方式不同，本文利用資本充足率衡量的信用風險替代Z值作為銀行風險的衡量指標，考察風險承擔下貨幣政策對中國商業銀行超效率的影響的穩健性，結果見表7。

從表7的結果可以看出，除短期貸款利率（SLR）的顯著性提高外，貨幣政策對風險承擔下商業銀行超效率的影響并沒有隨銀行風險指標的不同而發生明顯改變。在以銀行破產風險為銀行風險代理變量的模型中，風險代理變量Z值前的系數較大，而在銀行信用風險模型中，風險代理變量資本充足率（CAR）前的系數都較小，但都不具有統計上的顯著性。總體而言，表7中各項指標回歸系數的符號及顯著性沒有發生明顯變化，因此銀行風險代理指標的不同并不影響本文結論，基于動態面板數據GMM模型的穩定性較好，貨幣政策對風險承擔下中國商業銀行超效率的顯著負向影響更具說服力。

六、結論與啟示

在梳理國內外文獻的基礎上，運用2002—2012年間11家中國上市商業銀行的相關數據，通過建立SBM超效率模型和動態面板數據GMM模型，實證分析了貨幣政策對風險承擔下中國商業銀行超效率影響。研究結論歸納如下：

第一，風險承擔下的中國商業銀行各年的平均超效率差異不明顯，除交通銀行外，其他商業銀行均表現出超效率有效，說明中國各銀行的總體經營狀況差異不大，金融市場較為穩定。

第二，比較無風險與風險承擔下的情形，發現中國銀行業各年平均超效率及排名變動不大，而且其變化均呈倒“U”型趨勢，表明金融危機對風險承擔的銀行超效率有影響，但長期看中國銀行業的經營狀況平穩。另外，不考慮風險承擔下的各銀行超效率均低于風險承擔下的超效率值，意味著風險承擔因素對銀行超效率的測度具有重要影響。

第三，實證結果顯示，中國貨幣政策對風險承擔下的商業銀行超效率具有顯著的負向影響，即貨幣政策越寬松，風險承擔下的銀行超效率越高；當貨幣政策緊縮時，銀行超效率開始下降。

第四，在影響效率的控制變量中，存貸比、資產收益率和市場份額對上市商業銀行的超效率水平的回歸系數為正且顯著；不同貨幣政策影響下的銀行超效率對宏觀環境的反應不同。

本文的研究結論對中國貨幣政策的制定和商業銀行的發展具有重要啟示。首先，在測度銀行超效率時，需要考慮銀行風險承擔因素，以降低結果偏差度，從而提升研究價值。其次，中央銀行在制定貨幣政策時不僅要考慮到貨幣政策對風險承擔的影響，還要進一步考慮到其對風險承擔下的商業銀行超效率的影響。再次，中央銀行在進行貨幣政策調整時，可以通過維護金融穩定這一目標任務重點關注中國銀行體系，從宏觀層面審慎監管風險承擔下中國商業銀行的效率。

參考文獻：

[1]張強，喬煜峰，張寶.中國貨幣政策的銀行風險承擔渠道存在嗎[J]金融研究，2013（8）：84-97.

[2]Berger A N，Hancock D，Humphrey D B.，Bank efficiency derived from the profit function[J]. Journal of Bankingand Finance，1993，17： 317-347.

[3]Mester L J. A study of bank efficiency taking into account risk-preferences [J] . Journal of Banking and Finance， 1996，20： 1025-1045.

[4]Banker，Rajiv D.，Chang，Hsihui and Lee，Seok-Young. Differential Impact of Korean Banking System Reforms on Bank Productivity[J]. Journal of Banking & Finance，2010，34（7）：145-1460.

[5]Leigh Drake，Maximilian J.B.Hall. Efficiency in Japanese banking：An empirical analysis[J].Journal of Banking & Finance，2003，27（5）：891-917.

[6]劉孟飛，張曉嵐.風險約束下的商業銀行效率及其影響因素研究[J].金融研究，2013（7）：113-124.

[7]甘小豐.中國商業銀行效率的SBM分析——控制宏觀和所有權因素[J].金融研究，2007（10）：58-69.

[8]王聰，譚政勛.中國商業銀行效率結構研究[J].經濟研究，2007（7）：110-123.

[9]Li，Yong， Mancang Wang.. Capital Regulation，Monetary Policy and Asymmetric Effects of Commercial Banks Efficiency[J]. China Finance Review International，2012 （1）：5-26.

[10]李勇，王滿倉.資本監管、貨幣政策與商業銀行效率非對稱效應——基于面板門限回歸模型的再檢驗[J].經濟評論，2012（2）：116-126.

[11]Kopecky，K.，D.VanHoose. A Model of the Monetary Sector with and with out Binding Capital Requirements[J]. Journal of Banking and Finance，2004，28（3）：633-646.

[12]章晟，杜靈青.信貸調控對商業銀行效率影響的實證研究[J].中南財經政法大學學報，2013（3）：100-106.

[13]Tone K. A slacks-based measure of super-efficiency in data envelopment analysis[J].Eur J Oper Res，2002，143（1）：32-41.

[14]Roberta B S，Geraldo S S， Benjamin M T.Evolution of bank ef-ficiency in Brazil： A DEA approach[J]. European Journal of Opera-tional Research，2010，202（1）：204-213.

[15]王兵，朱寧.不良貸款約束下的中國上市商業銀行效率和全要素生產率研究[J].金融研究，2011（1）：110-130.

[16]Delis M D ，Kouretas G P.. Interest Rates and Bank Risk-taking[J]. Journal of Banking & Finance，2011，35 （4） ：840-855.

[17]徐輝，李健，鐘惠波.銀行效率與不良貸款沖擊效應的實證研究——基于SFA測度分析的應用[J].金融評論，2012（3）：29-40.

[18]張健華，王鵬.銀行效率及其影響因素研究——基于中、外銀行業的跨國比較[J].金融研究，2011 （5）：13-28.

[19]Altunbas Y. L.， Gambacorta， D.Marques Ibanez. Does Monetary Policy Affect Bank-risk Taking[R].BIS Working Papers，2010：298.

[20]楊小軍. 銀行間債券市場與公開市場業務的利率關系——基于VAR模型的實證分析[J].證券市場導報，2008（2）：10-15.

[21]劉曉欣，王飛.中國微觀銀行特征的貨幣政策風險承擔渠道檢驗——基于中國銀行業的實證研究[J].國際金融研究，2013 （9）：75-88.

責任編輯：常明明