论文部分内容阅读
摘 要:随着后危机时代的到来,对金融危机的反思不断加强,银行竞争力越发重要。本文以我国具有代表性的十二家商业银行为研究对象,通过运用因子分析和BP神经网络的多指标模型,来科学、全面的评价我国商业银行竞争力。最后根据实证分析得出的结论,本文有针对性的给出提升我国商业银行竞争力的建议。
关键词:商业银行;核心竞争力;因子分析;BP神经网络
一、引言
始于2007年下半年的美国次贷危机引发的全球性金融危机已经被公认是自上世纪30年代的经济大萧条后最严重的金融危机,比97年的亚洲金融危机影响更深刻,更广泛。全世界的金融市场和实体经济都受到了此次金融危机的冲击,损失惨重。我国出口导向型的企业也不同程度的受到损失。金融危机给世界各国留下深刻的教训与反思,特别是对金融体系的监管政策,方式,风险预警等提出了严峻的挑战。对我国银行业来说,提高自身的国际竞争力,风险管理能力,创新经营能力等对于应对金融危机所带来的巨大影响以及“后危机时代“银行业面临的发展和竞争难题具有重要的意义。而研究银行的竞争力对于银行业自身的了解和管理也具有指导意义。
二、我国商业银行竞争力的实证分析
(一)指标的选择和样本数据
按照数据选择典型代表性以及可获取资料的原则,本文选取中国工商银行、中国建设银行、中国银行、农业银行、交通银行、招商银行、北京银行、上海浦东发展银行、深圳发展银行、福建兴业银行、中国民生银行、华夏银行共12家商业银行作为研究对象,数据取自于各银行网站年报。竞争力资产方面选取了存贷款额(x2)与资产规模(x1)这二个指标,竞争力过程选取了资产收益率(x3)、营业利润率(x4)、资本充足率(x5)、不良贷款比率(x6)、存贷比率(x7)、成本收入比(x8)等6个指标,各个指标数据均来源于各个银行网站年报数据整理而得。
(二)实证分析
运用SPSS13.0软件对上述指标数据进行分析,分析结果显示前三因子对原始指标的贡献分别为47.257%,29.448%,10.444%,累积贡献率达到了87.149%,因此,前三个因子是决定银行竞争力强弱的关键因子,所以选择提取3个公因子比较合适。方差极大法旋转后的因子载荷矩阵中主因子F1的x2、x1的系数分别为0.976、0.966,远远大于其他变量的系数所以F1主要是由存贷款额(x2)、资产总额(x1)所决定,而这二个指标主要是衡量银行竞争力资产的指标;综合因子F2的x4、x5的系数分别为0.766、0.819、远远大于其他變量的系数,所以F2主要是由营业利润率(x4)、资本充足率(x5)所决定,而这二个指标主要是衡量银行盈利能力和安全能力的指标;综合因子F3的x3、x6的系数分别为0.860、0.558,远远大于其他变量的系数,所以F3主要是由资产收益率(x3)、不良贷款比率(x6)所决定,而这两个指标主要是衡量银行竞争力过程当中盈利能力和安全性的指标。
通过对SPSS软件的设置,可以在工作文件中直接得到三个新的变量facl_1,fac2-1,fac3-1,即为各公因子得分。用旋转后公因子的方差贡献率为权数与该因子得分相乘可得综合得分F。计算公式为:F=(facl_1*39.911+fac2_1*28.791+fac3_1*18.447)/87.149
从表2-1中由12家商业银行因子综合得分及排名,可以将12家银行分为三类:
第一类,包括工行、中行、农行、建行,这四家国有商业银行综合竞争能力排名靠前,从样本因子得分可以看出,国有商业银行具有相同性质在主因子F1上的得分比较高。
第二类,包括招商、浦发、交通、兴业、北京银行,这五家商业银行综合竞争能力排名紧跟在四大商业银行之后,从样本在主因子F2上的得分可知,这五家商业银行的经营收益比较强,具有很大的市场潜力。
第三类,包括深发展、民生、华夏银行,综合排名在12家商业银行中排名靠后,从样本各主因子看,这几家银行在主因子F1上得分较低,即资产因子,在主因子F3即安全性因子上的得分相对也较低,应当采取相应的对策,力争把业绩搞上去。
三、基于BP神经网络的多指标分析
BP网络模型的基本原理是:输入信号xi通过隐层点作用于输出节点,经过非线形变换,产生输出信号yj,网络训练的每个样本包括输入向量P和期望输出量t,网络输出值y与期望输出值t之间的偏差,通过调整输入节点与隐层节点的权重Wij和隐层节点与输出节点之间的权重Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的权值和阈值,将训练好的网络进行仿真训练,得出最终的结果。
本文选取2008年我国具有代表性的12家商业银行的8个核心竞争力指标的归一化数值作为训练集来训练网络,用总得分因子的归一化数据作为测试集来进行仿真。隐含层采用tansig传递函数,输出层采用purelin转换函数。采用MATLAB软件traingdx训练函数来训练网络,以取得较快的收敛速度;学习率η为0.05;最大步数为1000,目标精度为0.0001。
从训练输出结果来看,BP神经网络的仿真效果非常明显,期望输出和实际输出误差很小,而且BP神经网络模型的评价结果也与用因子分析方法的评价结果一致,但是在评价得分上存在少许差异,这是BP网络本身所具有的局限就是要不断训练,调整权重和训练次数,精度问题,使得神经网络更准确,更具有广泛的应用。
四、结论及建议
从样本因子得分可以看出,国有商业银行在主因子F1上的得分比较高,虽然国有商业银行在主因子F2上的得分有低有高,但总得分仍位于前列,由此可看出导致综合竞争能力差异的主要原因是资本规模。从样本排名,我们不难发现综合竞争能力排名在前面的国有商业银行在主因子F2上的得分比较分散,工商银行主因子F2得分是0.72007,在四大国有银行中得分最好,排名第二,这说明国有商业银行经营能力和资产安全性与其他商业银行的差距在逐渐缩小。结合我国目前状况和商业银行经营策略我们可以得出,股份制商业银行之所以在主因F2上排名较好的主要原因是收益质量、安全性方面均好于国有商业银行。针对上述量化评价结论,提出如下对策和建议:第一类银行(四大商行):当前最重要的是提高赢利能力的水平、改善经营管理、提高经营效率和市场开拓能力,改善经营管理的方法、增强市场观念,增强风险管理能力、改革臃肿的体制,以保持竞争势力,在国际化的银行业竞争中获胜。第二类银行:继续保持盈利能力优势的同时,要拓宽市场,加大市场的宣传力度,增强自身资本规模,建立起自己的企业文化,树立起良好的企业形象。第三类银行:保持好自己的优势,关注到企业的经营成本、创新能力、管理能力、人力资本以及最重要的顾客满意度。
参考文献:
[1]郝会会,徐恒.商业银行竞争力的统计分析[J],经济师2004,(8).
[2]金叔燕.中国商业银行竞争力的实证分析[J].经济论坛,2007,(20).
[3]王军.我国商业银行核心竞争力评价指标体系研究[J].金融观察,2005,(2).
[4]卢铮松,李珂珂.基于人工神经网络的研究生课程评价模型[J].现代教育技术2009(10).
[5]陈秋玲,薛玉春,肖璐.金融风险预警:评价指标、预警机制与实证研究[J].经济学研究.2009(9).
关键词:商业银行;核心竞争力;因子分析;BP神经网络
一、引言
始于2007年下半年的美国次贷危机引发的全球性金融危机已经被公认是自上世纪30年代的经济大萧条后最严重的金融危机,比97年的亚洲金融危机影响更深刻,更广泛。全世界的金融市场和实体经济都受到了此次金融危机的冲击,损失惨重。我国出口导向型的企业也不同程度的受到损失。金融危机给世界各国留下深刻的教训与反思,特别是对金融体系的监管政策,方式,风险预警等提出了严峻的挑战。对我国银行业来说,提高自身的国际竞争力,风险管理能力,创新经营能力等对于应对金融危机所带来的巨大影响以及“后危机时代“银行业面临的发展和竞争难题具有重要的意义。而研究银行的竞争力对于银行业自身的了解和管理也具有指导意义。
二、我国商业银行竞争力的实证分析
(一)指标的选择和样本数据
按照数据选择典型代表性以及可获取资料的原则,本文选取中国工商银行、中国建设银行、中国银行、农业银行、交通银行、招商银行、北京银行、上海浦东发展银行、深圳发展银行、福建兴业银行、中国民生银行、华夏银行共12家商业银行作为研究对象,数据取自于各银行网站年报。竞争力资产方面选取了存贷款额(x2)与资产规模(x1)这二个指标,竞争力过程选取了资产收益率(x3)、营业利润率(x4)、资本充足率(x5)、不良贷款比率(x6)、存贷比率(x7)、成本收入比(x8)等6个指标,各个指标数据均来源于各个银行网站年报数据整理而得。
(二)实证分析
运用SPSS13.0软件对上述指标数据进行分析,分析结果显示前三因子对原始指标的贡献分别为47.257%,29.448%,10.444%,累积贡献率达到了87.149%,因此,前三个因子是决定银行竞争力强弱的关键因子,所以选择提取3个公因子比较合适。方差极大法旋转后的因子载荷矩阵中主因子F1的x2、x1的系数分别为0.976、0.966,远远大于其他变量的系数所以F1主要是由存贷款额(x2)、资产总额(x1)所决定,而这二个指标主要是衡量银行竞争力资产的指标;综合因子F2的x4、x5的系数分别为0.766、0.819、远远大于其他變量的系数,所以F2主要是由营业利润率(x4)、资本充足率(x5)所决定,而这二个指标主要是衡量银行盈利能力和安全能力的指标;综合因子F3的x3、x6的系数分别为0.860、0.558,远远大于其他变量的系数,所以F3主要是由资产收益率(x3)、不良贷款比率(x6)所决定,而这两个指标主要是衡量银行竞争力过程当中盈利能力和安全性的指标。
通过对SPSS软件的设置,可以在工作文件中直接得到三个新的变量facl_1,fac2-1,fac3-1,即为各公因子得分。用旋转后公因子的方差贡献率为权数与该因子得分相乘可得综合得分F。计算公式为:F=(facl_1*39.911+fac2_1*28.791+fac3_1*18.447)/87.149
从表2-1中由12家商业银行因子综合得分及排名,可以将12家银行分为三类:
第一类,包括工行、中行、农行、建行,这四家国有商业银行综合竞争能力排名靠前,从样本因子得分可以看出,国有商业银行具有相同性质在主因子F1上的得分比较高。
第二类,包括招商、浦发、交通、兴业、北京银行,这五家商业银行综合竞争能力排名紧跟在四大商业银行之后,从样本在主因子F2上的得分可知,这五家商业银行的经营收益比较强,具有很大的市场潜力。
第三类,包括深发展、民生、华夏银行,综合排名在12家商业银行中排名靠后,从样本各主因子看,这几家银行在主因子F1上得分较低,即资产因子,在主因子F3即安全性因子上的得分相对也较低,应当采取相应的对策,力争把业绩搞上去。
三、基于BP神经网络的多指标分析
BP网络模型的基本原理是:输入信号xi通过隐层点作用于输出节点,经过非线形变换,产生输出信号yj,网络训练的每个样本包括输入向量P和期望输出量t,网络输出值y与期望输出值t之间的偏差,通过调整输入节点与隐层节点的权重Wij和隐层节点与输出节点之间的权重Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的权值和阈值,将训练好的网络进行仿真训练,得出最终的结果。
本文选取2008年我国具有代表性的12家商业银行的8个核心竞争力指标的归一化数值作为训练集来训练网络,用总得分因子的归一化数据作为测试集来进行仿真。隐含层采用tansig传递函数,输出层采用purelin转换函数。采用MATLAB软件traingdx训练函数来训练网络,以取得较快的收敛速度;学习率η为0.05;最大步数为1000,目标精度为0.0001。
从训练输出结果来看,BP神经网络的仿真效果非常明显,期望输出和实际输出误差很小,而且BP神经网络模型的评价结果也与用因子分析方法的评价结果一致,但是在评价得分上存在少许差异,这是BP网络本身所具有的局限就是要不断训练,调整权重和训练次数,精度问题,使得神经网络更准确,更具有广泛的应用。
四、结论及建议
从样本因子得分可以看出,国有商业银行在主因子F1上的得分比较高,虽然国有商业银行在主因子F2上的得分有低有高,但总得分仍位于前列,由此可看出导致综合竞争能力差异的主要原因是资本规模。从样本排名,我们不难发现综合竞争能力排名在前面的国有商业银行在主因子F2上的得分比较分散,工商银行主因子F2得分是0.72007,在四大国有银行中得分最好,排名第二,这说明国有商业银行经营能力和资产安全性与其他商业银行的差距在逐渐缩小。结合我国目前状况和商业银行经营策略我们可以得出,股份制商业银行之所以在主因F2上排名较好的主要原因是收益质量、安全性方面均好于国有商业银行。针对上述量化评价结论,提出如下对策和建议:第一类银行(四大商行):当前最重要的是提高赢利能力的水平、改善经营管理、提高经营效率和市场开拓能力,改善经营管理的方法、增强市场观念,增强风险管理能力、改革臃肿的体制,以保持竞争势力,在国际化的银行业竞争中获胜。第二类银行:继续保持盈利能力优势的同时,要拓宽市场,加大市场的宣传力度,增强自身资本规模,建立起自己的企业文化,树立起良好的企业形象。第三类银行:保持好自己的优势,关注到企业的经营成本、创新能力、管理能力、人力资本以及最重要的顾客满意度。
参考文献:
[1]郝会会,徐恒.商业银行竞争力的统计分析[J],经济师2004,(8).
[2]金叔燕.中国商业银行竞争力的实证分析[J].经济论坛,2007,(20).
[3]王军.我国商业银行核心竞争力评价指标体系研究[J].金融观察,2005,(2).
[4]卢铮松,李珂珂.基于人工神经网络的研究生课程评价模型[J].现代教育技术2009(10).
[5]陈秋玲,薛玉春,肖璐.金融风险预警:评价指标、预警机制与实证研究[J].经济学研究.2009(9).