论文部分内容阅读
摘 要：基于2002—2012年中国11家主要上市商业银行的面板数据，利用SBM超效率模型和动态面板数据GMM模型，研究了货币政策对风险承担下中国商业银行超效率的影响问题。结果表明：样本银行的超效率水平逐年提高且差异不大，超效率水平呈现倒“U”型变化趋势；货币政策对风险承担下商业银行的超效率均呈现负向关系且影响显著；风险承担因素对银行超效率的测量十分重要，并且货币政策对风险承担下的银行超效率具有重要影响。因此，从促进经济增长和金融发展的角度而言，中央银行进行货币政策调整时，应在宏观层面审慎监管风险承担下中国商业银行的效率。
关键词：货币政策；风险承担；商业银行；超效率
文章编号：2095-5960（2014）06-0048-09；中图分类号：F830；文献标识码：A
一、引言与文献述评
美国金融危机导致诸多银行破产，并引发了严重的经济低迷，让各国监管机构对金融体系漏洞有了更深入的思考，也致使学界和政界对量化宽松等非常规货币政策的使用一直争议不断。如今，伴随着全球经济复苏和美国QE（量化宽松政策）退出帷幕的拉开，非常规货币政策再度引起关注。周小川（2014）提出中国银行业的改革需要非常规货币政策，低利率的环境不仅可以保证经济增长，还可以推动金融稳定的实现。但是各国推行宽松货币政策易引发低利率环境下的泡沫风险，导致经济危机复发。张强等（2013）研究表明，中国货币政策的银行风险承担渠道是存在的[1]。那么货币政策的调整是否会影响风险承担下的商业银行超效率？由于金融危机影响深远，研究货币政策对风险承担下商业银行超效率的影响至关重要，不仅可以推动银行业控制风险、提高效率，而且还对改善货币政策与银行系统稳定性之间的关系有着重要意义。
国内外对风险承担与银行效率之间关系的研究方法可分为两大类。第一类是采用两阶段方法，即在第一阶段运用非参数方法（如DEA）或者参数方法（如SFA）测出各银行的效率值。该方法在早期的国外文献中运用较多，如Berger et al（1993）运用数据包络分析法（DEA）测度各商业银行的效率，结果表明银行效率低下的原因在于产出不足而非过度的投入成本[2]。Mester（1996）采用随机前沿模型（SFA）对第三联邦储备银行进行了效率评价，认为银行在产出水平和产品组合方面表现有效，而在投入方面的有效性不足[3]。第二阶段将风险承担代理变量作为主要解释变量，通过回归模型检验风险因素对银行效率的影响。国内外常用的风险指标有不良贷款率、Z值和资本充足率等，该类方法的研究结论基本一致，表明风险承担与银行效率之间具有显著的相关关系。如Banker et al（2010）运用DEA测算韩国商业银行在1995—2005年期间的效率后，将不良贷款率作为影响效率的主要金融解释变量对其进行回归分析，结果显示不良贷款比率与银行技术效率呈负相关关系[4]。第二类是单阶段分析方法，直接将风险承担代理指标作为非期望产出引入银行效率的测度中，该类方法的研究结果表明，不考虑风险承担的银行效率值低于考虑风险承担情况下的效率值。如Drake & Hall（2003）将贷款损失准备作为银行问题贷款程度的衡量指标引入DEA银行效率测算模型中，研究发现控制不良贷款将导致银行效率的平均水平上升[5]。刘孟飞和张晓岚（2013）将风险因素纳入前沿生产函数中，测定了风险承担下的商业银行效率值，结果显示信用风险、资本风险和流动性风险约束下的效率测算结果均比不考虑风险因素所得效率值高[6]。
在国内外对银行效率影响因素的研究中，一般将货币政策作为控制变量考虑，而主要解释变量多聚焦在产权结构、外资银行进入以及银行微观特征等方面。甘小丰（2007）研究发现，经济周期对银行效率值有显著影响，而周期中的货币增长率、通货膨胀率和再贷款利率对银行效率的影响均不显著[7]。王聪和谭政勋（2007）研究发现，货币供应量增长率对商业银行X-利润效率水平有显著正面影响[8]。Li & Wang（2012）[9]、李勇和王满仓（2012）[10]分别利用改进的 Kopecky & Vanhoose（2004）[11]模型和面板回归模型分析得出货币政策的代理变量——法定存款准备金率与商业银行效率存在非线性关系并对其利润效率和成本效率的影响呈非对称效应。章晟和杜灵青（2013）研究发现中国法定存款准备金率调整频率高于利率调整频率，但贷款利率比法定存款准备金率对商业银行效率的影响更大[12]。
从上述相关研究可以看出，学术界运用不同方法就风险承担与银行效率之间的关系进行了大量探讨，但上述文献所测定的效率结果中普遍存在一个以上的有效决策单元（效率值等于1），且对这些有效的决策单元无法进行进一步的区分和比较。Tone（2002）在传统DEA和SBM模型的基础上提出了“SBM超效率”模型[13]。该方法不仅解决了投入产出冗余问题，还可以对有效的决策单元进行排序以比较效率高低，从而进一步对评价为DEA有效和弱有效的决策单元进行再次评价，但是目前该类方法多用于环境效率评价当中，用于研究银行效率值的文献较少。另外，在对银行效率影响因素研究中，大多研究将货币政策作为控制变量，而鲜有文献采用动态面板数据模型将货币政策作为主要解释变量研究其与银行效率之间的关系。
基于此，本文试图在现有文献的基础上从两方面进行拓展：（1）利用SBM超效率模型对2002—2012年风险承担下的中国11家上市商业银行的超效率值进行测定；（2）运用动态面板数据模型对影响商业银行超效率的货币政策因素进行实证分析。
二、模型选择与建立
（一）SBM超效率函数模型选择与建立
本文借鉴Roberta et al（2010）测度银行效率的DEA方法[14]，遵循王兵和朱宁（2011）研究的基本思路[15]，将非期望产出纳入银行效率的测算中，运用基于松弛变量的SBM超效率模型，解决决策单元的投入和产出的冗余短缺问题。 其中，δ为SBM模型的效率评价标准；s-i、sgr和sbr分别为投入、期望产出和非期望产出松弛向量的元素。在函数具体形态方面，由于上式是分式规划问题，需将其转换为可解的线性规划问题，因此，本文建立的目标函数为：
minτ=t-1m∑mi=1t，s-ixi0，t=1-1s1+s2∑s1r=1t，sgrygr0+∑s2r=1t，sbrybr0 （3）
此时，τ为SBM模型的超效率评价标准，在模型（2）约束条件不变的情况下，通过线性规划技术求解式（3）的目标值，即可得到各个决策单元的效率估计值。SBM超效率模型同时考虑了投入和产出松弛变量，并解决了非期望产出下的效率测度问题。此外，SBM超效率模型允许其效率值可以大于1，鉴别了具有充分效率的SBM模型的排序及差别程度。
（二）动态面板数据GMM模型
本文引入货币政策的3个衡量指标：法定存款准备金率（DRR）、存款基准利率（SDR）及贷款基准利率（SLR），将风险承担下的银行超效率作为被解释变量，货币政策指标及其他控制指标作为解释变量，运用 2002—2012年中国11家主要上市商业银行的面板数据，考虑解释变量与被解释变量之间的动态效应，建立动态面板数据模型如下：
其中i代表银行，t表示时间（2002—2012年）；EFFi，t表示第i家商业银行在第t年的超效率测算值；解释变量MP表示货币政策指标，具体细分为3个不同的子指标，当衡量货币政策对银行超效率的影响程度时，将法定存款准备金率（DRR）、存款基准利率（SDR）及贷款基准利率（SLR）分别代入MP的位置。控制变量包括：银行风险（Z-score），银行规模（SIZE），存贷比（LTD），资产收益率（ROA），市场集中度（CR5），市场份额（MS），经济发展水平（GDPG），储蓄率（SAVE）以及通货膨胀率（INF）；ui，t为模型中随机扰动项，包含银行个体效应和时间效应。
由于银行存在个体效应和时间效应，动态面板数据模型出现内生性问题，采用固定效应或随机效应估计方法将导致参数估计的非一致性。本文采用差分GMM估计方法，通过使用滞后的解释变量和被解释变量作为工具变量克服内生性问题，同时通过差分和工具变量控制未观察到的效应。在进行差分GMM估计时，参考Delis & Kouretas（2011）的做法[16]，将银行规模代理变量SIZE及其一期滞后设置为前定变量，并将银行盈利性代理变量ROA设置为内生性变量以消除内生性问题。为确保估计模型参数的有效性和稳健性，本文进行了随机误差项序列相关检验（Bond检验）和过度识别条件检验（sargan检验）。
三、指标选取与数据来源
（一）指标选取
1.超效率测算指标选取
商业银行效率测度中最主要的问题是对其投入和产出的界定，依据国外对投入产出指标选取的中介法，结合中国商业银行的实际情况，SBM超效率模型投入产出指标的选取主要考虑三种产出指标、三种投入指标。
（1）期望产出：税前利润和贷款总额。王兵和朱宁（2011）认为非利息收入是评价金融机构竞争力优劣的指标之一，可以反映银行业今后竞争与发展的趋势，而税前利润可以避免实际利润被高估的现象。考虑到数据的可得性和完整性，本文在期望产出指标上采用中介法计量产出，选用税前利润和贷款总额。
（2）非期望产出：不良贷款额。不良贷款是商业银行测算银行效率的重要指标之一。徐辉等（2012）认为不良贷款曾对中国银行业稳定造成巨大威胁，是重大风险性因素，对银行效率具有重要影响[17]。而在传统的商业银行效率测度中，如张健华和王鹏（2011）选择产出指标时仅考虑了贷款数量而忽视了贷款质量[18]。本文在测度银行效率时采用不良贷款额作为衡量贷款质量的指标：不良贷款额=不良贷款率×贷款量，其中贷款量为客户贷款和垫款的总和。
（3）投入：固定资产净值、员工人数和存款总额。中介法测度银行效率是将银行视为储蓄—投资的服务中介机构，投入一般采用存款、劳动力和资本。本文选用银行员工人数、固定资产净值和存款总额作为投入指标。
2.影响因素变量选取
（1）主要解释变量：国外学者Altunbas et al（2010）认为短期利率的变化可以较好地反映一国央行的货币政策的变化，一般选用市场化的短期利率作为货币政策的代理变量[19]。杨小军（2008）认为中国利率还未完全市场化，市场化利率还未成为中国的基准利率[20]；张强等（2013）认为中国央行在货币政策调控时更多依赖于数量型工具和非市场化手段。考虑到存贷款利率是中央银行调控经济的重要手段，同时为确保结果的稳健性，本文在货币政策代理变量的选取上借鉴刘晓欣和王飞（2013）的研究成果[21]，采用法定存款准备金率（DRR）、短期存款利率（SDR）和短期贷款利率（SLR）作为主要解释变量。
（2）控制变量：从银行微观特征变量、市场环境和宏观经济状况三个方面选取控制变量。银行特征变量包括银行规模、盈利能力、资产配置和银行风险，银行规模选取商业银行总资产的对数来衡量，盈利能力选用资产收益率作为代理变量，资产配置衡量指标采用存贷比，银行风险选用Z指数衡量的银行破产风险作为代理变量，其计算公式为：Z=（ROA+CAR）/σ（ROA），其中，ROA为银行资产收益率；CAR为银行资本充足率；σ（ROA）为ROA的标准差，为减少数据样本量的损失，采用3年移动平均计算。市场环境变量包括市场集中度和市场份额，市场集中度采用行业集中率CR5作为代理变量，市场份额选取存款市场份额来衡量，反映银行在市场上所处的地位。为控制宏观环境可能对银行超效率造成的影响，本文选取了GDP增长率（GDPG）、储蓄率（SAVE）和通货膨胀率（INF）三个变量作为宏观经济状况的代理变量。
（二）样本选择和数据来源 依据研究目的，从银行规模和数据可得性层面考虑，选取11家具有较高代表性的国有商业银行和股份制商业银行，分别是：中国银行、中国建设银行、中国工商银行、交通银行、招商银行、中信银行、华夏银行、兴业银行、民生银行、上海浦东发展银行和平安银行。
考虑到中国货币政策经历了一个完整的宽松和紧缩周期，本文研究期间为2002—2012年，采集的这11年数据主要来源于《中国金融年鉴》和各商业银行年报，对于个别缺失数据，采用线性插值法补齐。主要变量的定义和描述性统计见表1、表2、表3。四、实证分析
（一）风险承担下的商业银行SBM超效率测度
在可变规模报酬的假设下，基于投入导向，利用DEA-SOLVER-5.0软件对2002—2012年11家样本银行进行SBM超效率运算，得到本文实证模型（3）设定的风险承担下的银行超效率估计值及其排名，结果见表4。依据同样的方法和思路，对无风险承担的银行超效率也进行了测度，结果见5。
从表4结果来看，中国11家样本银行中除交通银行外，其他商业银行均表现出生产有效率，且各年的平均超效率差异不明显，处在1.0551—1.1662之间，总体超效率平均值为1.1210。从银行超效率的变动趋势来看，中国商业银行超效率呈现先上升后下降的倒“U”型趋势，2002年出现最低效率，2006—2008年银行业出现繁荣时期，并于2007年达到平均超效率最高值1.1662，2009年银行业超效率开始出现下降，平均超效率低于2006—2008年，这主要是受到2008年全球金融危机的影响，银行业面临的风险压力较大，导致资产质量下降。比较2002—2012年各商业银行超效率的平均水平发现，平安银行、中国工商银行和中国银行分别排在前三位，随后是民生银行、中信银行、兴业银行、浦发银行和招商银行，而华夏银行、中国建设银行和交通银行的超效率值相对较差，其中交通银行的超效率值小于1。
从表5估计值来看，不考虑风险承担情况下，上市商业银行平均超效率值低于考虑风险承担情况下的平均超效率值，这主要是因为近年来中国商业银行不良贷款率和不良贷款额的双降提升了上市商业银行的风险抵抗能力，从而推动了银行超效率的提升。无风险承担的上市商业银行超效率变动依然呈现出倒“U”型趋势，繁荣时期同样表现在2006—2008年期间，并在2007年达到最高值1.1491，与风险承担下的银行超效率变动状况一致。从各银行的平均超效率来看，不考虑风险承担对银行超效率的影响时，除华夏银行外，其他银行的超效率值和排名变动不大。原因在于2011年华夏银行的不良贷款率和不良贷款额出现大幅双降，在不考虑风险承担的情况下，投入量不变而产出减少，导致华夏银行的平均超效率值从1.0355降至0.9295，这与不考虑风险承担下的银行业平均超效率下降原因相同。
（二）货币政策对风险承担下商业银行超效率影响分析
运用STATA12.0软件对模型（4）进行差分GMM回归分析，表6为不同货币政策下的估计结果。经三阶序列相关检验和过度识别Sargan检验均符合GMM的条件，因此，文中运用差分GMM估计方法是合理的。
从货币政策变量的回归结果（表6）来看，货币政策对风险承担下的上市商业银行超效率有显著的影响，说明货币政策的变化是中国银行业超效率的重要影响因素。在其他影响因素不变的情况下，货币政策与风险承担下的银行超效率均有着负向关系，即货币政策越宽松，银行超效率就越高；相反则越低。一般而言，较长时期的扩张性货币政策会促使银行风险承担的意愿和能力上升，最终促进银行超效率的提高。
从银行微观特征变量的回归结果可知，存贷比（TLD）和资产收益率（ROA）与风险承担下的商业银行超效率有着显著的正相关关系。表明存贷比（TLD）和资产收益率（ROA）越高的银行，其风险承担下的商业银行超效率越高；相反则越低。原因一方面在于中国上市商业银行信贷行为受到政府监管，其风险承担动机相比中小银行较小；另一方面，上市商业银行盈利渠道较多，其经营策略相对保守，导致其通过高风险投机交易获取利润的动机较小。银行规模（SIZE）和银行风险（Z值）与风险承担下的商业银行超效率的关系不显著，这可能与当前中国银行规模及风险承担能力受到诸多的监管和管制，其市场化特征不明显有关。
从市场环境变量的回归结果可以看出，市场份额（MS）变量系数估计结果为正且在1%水平下显著，说明中国上市商业银行市场占有率的提高有利于银行超效率的改善，这完全符合市场力量假说。我们还发现，市场集中度（CR5）变量系数为负但并不显著，说明研究期间内中国银行业市场集中度的改善并没有带来预期的超效率提高效果。
从宏观经济变量的回归结果来看，不同货币政策影响下的银行超效率对宏观环境的反应不同。表6的估计结果表明，在法定存款准备金率（DRR）影响下，通货膨胀率（INF）对银行超效率具有显著的正面效应；在存款基准利率（SDR）和贷款基准利率（SLR）影响下，通货膨胀率（INF）对银行超效率具有负相关关系，但不显著；在存款基准利率（SDR）和贷款基准利率（SLR）的影响下，经济发展水平（GDPG）对银行超效率具有显著的正效应，这意味着存贷款利率越低，经济投资环境越好，银行超效率越高。储蓄率（SAVE）在不同货币政策下对银行超效率的影响均不具有统计上的显著性，表明中国银行业对储蓄向投资转化的能力较弱。
别代表在10%、5%、1%的程度上显著。下同。
五、稳健性检验
在基准模型中，采用Z值衡量的银行破产风险作为银行风险的代理变量，鉴于国内外不同学者在衡量银行风险时采用的度量方式不同，本文利用资本充足率衡量的信用风险替代Z值作为银行风险的衡量指标，考察风险承担下货币政策对中国商业银行超效率的影响的稳健性，结果见表7。
从表7的结果可以看出，除短期贷款利率（SLR）的显著性提高外，货币政策对风险承担下商业银行超效率的影响并没有随银行风险指标的不同而发生明显改变。在以银行破产风险为银行风险代理变量的模型中，风险代理变量Z值前的系数较大，而在银行信用风险模型中，风险代理变量资本充足率（CAR）前的系数都较小，但都不具有统计上的显著性。总体而言，表7中各项指标回归系数的符号及显著性没有发生明显变化，因此银行风险代理指标的不同并不影响本文结论，基于动态面板数据GMM模型的稳定性较好，货币政策对风险承担下中国商业银行超效率的显著负向影响更具说服力。 六、结论与启示
在梳理国内外文献的基础上，运用2002—2012年间11家中国上市商业银行的相关数据，通过建立SBM超效率模型和动态面板数据GMM模型，实证分析了货币政策对风险承担下中国商业银行超效率影响。研究结论归纳如下：
第一，风险承担下的中国商业银行各年的平均超效率差异不明显，除交通银行外，其他商业银行均表现出超效率有效，说明中国各银行的总体经营状况差异不大，金融市场较为稳定。
第二，比较无风险与风险承担下的情形，发现中国银行业各年平均超效率及排名变动不大，而且其变化均呈倒“U”型趋势，表明金融危机对风险承担的银行超效率有影响，但长期看中国银行业的经营状况平稳。另外，不考虑风险承担下的各银行超效率均低于风险承担下的超效率值，意味着风险承担因素对银行超效率的测度具有重要影响。
第三，实证结果显示，中国货币政策对风险承担下的商业银行超效率具有显著的负向影响，即货币政策越宽松，风险承担下的银行超效率越高；当货币政策紧缩时，银行超效率开始下降。
第四，在影响效率的控制变量中，存贷比、资产收益率和市场份额对上市商业银行的超效率水平的回归系数为正且显著；不同货币政策影响下的银行超效率对宏观环境的反应不同。
本文的研究结论对中国货币政策的制定和商业银行的发展具有重要启示。首先，在测度银行超效率时，需要考虑银行风险承担因素，以降低结果偏差度，从而提升研究价值。其次，中央银行在制定货币政策时不仅要考虑到货币政策对风险承担的影响，还要进一步考虑到其对风险承担下的商业银行超效率的影响。再次，中央银行在进行货币政策调整时，可以通过维护金融稳定这一目标任务重点关注中国银行体系，从宏观层面审慎监管风险承担下中国商业银行的效率。
参考文献：
[1]张强，乔煜峰，张宝.中国货币政策的银行风险承担渠道存在吗[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]刘孟飞，张晓岚.风险约束下的商业银行效率及其影响因素研究[J].金融研究，2013（7）：113-124.
[7]甘小丰.中国商业银行效率的SBM分析——控制宏观和所有权因素[J].金融研究，2007（10）：58-69.
[8]王聪，谭政勋.中国商业银行效率结构研究[J].经济研究，2007（7）：110-123.
[9]Li，Yong， Mancang Wang.. Capital Regulation，Monetary Policy and Asymmetric Effects of Commercial Bank’s Efficiency[J]. China Finance Review International，2012 （1）：5-26.
[10]李勇，王满仓.资本监管、货币政策与商业银行效率非对称效应——基于面板门限回归模型的再检验[J].经济评论，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，杜灵青.信贷调控对商业银行效率影响的实证研究[J].中南财经政法大学学报，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，朱宁.不良贷款约束下的中国上市商业银行效率和全要素生产率研究[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]徐辉，李健，钟惠波.银行效率与不良贷款冲击效应的实证研究——基于SFA测度分析的应用[J].金融评论，2012（3）：29-40.
[18]张健华，王鹏.银行效率及其影响因素研究——基于中、外银行业的跨国比较[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]杨小军. 银行间债券市场与公开市场业务的利率关系——基于VAR模型的实证分析[J].证券市场导报，2008（2）：10-15.
[21]刘晓欣，王飞.中国微观银行特征的货币政策风险承担渠道检验——基于中国银行业的实证研究[J].国际金融研究，2013 （9）：75-88.
责任编辑：常明明
关键词：货币政策；风险承担；商业银行；超效率
文章编号：2095-5960（2014）06-0048-09；中图分类号：F830；文献标识码：A
一、引言与文献述评
美国金融危机导致诸多银行破产，并引发了严重的经济低迷，让各国监管机构对金融体系漏洞有了更深入的思考，也致使学界和政界对量化宽松等非常规货币政策的使用一直争议不断。如今，伴随着全球经济复苏和美国QE（量化宽松政策）退出帷幕的拉开，非常规货币政策再度引起关注。周小川（2014）提出中国银行业的改革需要非常规货币政策，低利率的环境不仅可以保证经济增长，还可以推动金融稳定的实现。但是各国推行宽松货币政策易引发低利率环境下的泡沫风险，导致经济危机复发。张强等（2013）研究表明，中国货币政策的银行风险承担渠道是存在的[1]。那么货币政策的调整是否会影响风险承担下的商业银行超效率？由于金融危机影响深远，研究货币政策对风险承担下商业银行超效率的影响至关重要，不仅可以推动银行业控制风险、提高效率，而且还对改善货币政策与银行系统稳定性之间的关系有着重要意义。
国内外对风险承担与银行效率之间关系的研究方法可分为两大类。第一类是采用两阶段方法，即在第一阶段运用非参数方法（如DEA）或者参数方法（如SFA）测出各银行的效率值。该方法在早期的国外文献中运用较多，如Berger et al（1993）运用数据包络分析法（DEA）测度各商业银行的效率，结果表明银行效率低下的原因在于产出不足而非过度的投入成本[2]。Mester（1996）采用随机前沿模型（SFA）对第三联邦储备银行进行了效率评价，认为银行在产出水平和产品组合方面表现有效，而在投入方面的有效性不足[3]。第二阶段将风险承担代理变量作为主要解释变量，通过回归模型检验风险因素对银行效率的影响。国内外常用的风险指标有不良贷款率、Z值和资本充足率等，该类方法的研究结论基本一致，表明风险承担与银行效率之间具有显著的相关关系。如Banker et al（2010）运用DEA测算韩国商业银行在1995—2005年期间的效率后，将不良贷款率作为影响效率的主要金融解释变量对其进行回归分析，结果显示不良贷款比率与银行技术效率呈负相关关系[4]。第二类是单阶段分析方法，直接将风险承担代理指标作为非期望产出引入银行效率的测度中，该类方法的研究结果表明，不考虑风险承担的银行效率值低于考虑风险承担情况下的效率值。如Drake & Hall（2003）将贷款损失准备作为银行问题贷款程度的衡量指标引入DEA银行效率测算模型中，研究发现控制不良贷款将导致银行效率的平均水平上升[5]。刘孟飞和张晓岚（2013）将风险因素纳入前沿生产函数中，测定了风险承担下的商业银行效率值，结果显示信用风险、资本风险和流动性风险约束下的效率测算结果均比不考虑风险因素所得效率值高[6]。
在国内外对银行效率影响因素的研究中，一般将货币政策作为控制变量考虑，而主要解释变量多聚焦在产权结构、外资银行进入以及银行微观特征等方面。甘小丰（2007）研究发现，经济周期对银行效率值有显著影响，而周期中的货币增长率、通货膨胀率和再贷款利率对银行效率的影响均不显著[7]。王聪和谭政勋（2007）研究发现，货币供应量增长率对商业银行X-利润效率水平有显著正面影响[8]。Li & Wang（2012）[9]、李勇和王满仓（2012）[10]分别利用改进的 Kopecky & Vanhoose（2004）[11]模型和面板回归模型分析得出货币政策的代理变量——法定存款准备金率与商业银行效率存在非线性关系并对其利润效率和成本效率的影响呈非对称效应。章晟和杜灵青（2013）研究发现中国法定存款准备金率调整频率高于利率调整频率，但贷款利率比法定存款准备金率对商业银行效率的影响更大[12]。
从上述相关研究可以看出，学术界运用不同方法就风险承担与银行效率之间的关系进行了大量探讨，但上述文献所测定的效率结果中普遍存在一个以上的有效决策单元（效率值等于1），且对这些有效的决策单元无法进行进一步的区分和比较。Tone（2002）在传统DEA和SBM模型的基础上提出了“SBM超效率”模型[13]。该方法不仅解决了投入产出冗余问题，还可以对有效的决策单元进行排序以比较效率高低，从而进一步对评价为DEA有效和弱有效的决策单元进行再次评价，但是目前该类方法多用于环境效率评价当中，用于研究银行效率值的文献较少。另外，在对银行效率影响因素研究中，大多研究将货币政策作为控制变量，而鲜有文献采用动态面板数据模型将货币政策作为主要解释变量研究其与银行效率之间的关系。
基于此，本文试图在现有文献的基础上从两方面进行拓展：（1）利用SBM超效率模型对2002—2012年风险承担下的中国11家上市商业银行的超效率值进行测定；（2）运用动态面板数据模型对影响商业银行超效率的货币政策因素进行实证分析。
二、模型选择与建立
（一）SBM超效率函数模型选择与建立
本文借鉴Roberta et al（2010）测度银行效率的DEA方法[14]，遵循王兵和朱宁（2011）研究的基本思路[15]，将非期望产出纳入银行效率的测算中，运用基于松弛变量的SBM超效率模型，解决决策单元的投入和产出的冗余短缺问题。 其中，δ为SBM模型的效率评价标准；s-i、sgr和sbr分别为投入、期望产出和非期望产出松弛向量的元素。在函数具体形态方面，由于上式是分式规划问题，需将其转换为可解的线性规划问题，因此，本文建立的目标函数为：
minτ=t-1m∑mi=1t，s-ixi0，t=1-1s1+s2∑s1r=1t，sgrygr0+∑s2r=1t，sbrybr0 （3）
此时，τ为SBM模型的超效率评价标准，在模型（2）约束条件不变的情况下，通过线性规划技术求解式（3）的目标值，即可得到各个决策单元的效率估计值。SBM超效率模型同时考虑了投入和产出松弛变量，并解决了非期望产出下的效率测度问题。此外，SBM超效率模型允许其效率值可以大于1，鉴别了具有充分效率的SBM模型的排序及差别程度。
（二）动态面板数据GMM模型
本文引入货币政策的3个衡量指标：法定存款准备金率（DRR）、存款基准利率（SDR）及贷款基准利率（SLR），将风险承担下的银行超效率作为被解释变量，货币政策指标及其他控制指标作为解释变量，运用 2002—2012年中国11家主要上市商业银行的面板数据，考虑解释变量与被解释变量之间的动态效应，建立动态面板数据模型如下：
其中i代表银行，t表示时间（2002—2012年）；EFFi，t表示第i家商业银行在第t年的超效率测算值；解释变量MP表示货币政策指标，具体细分为3个不同的子指标，当衡量货币政策对银行超效率的影响程度时，将法定存款准备金率（DRR）、存款基准利率（SDR）及贷款基准利率（SLR）分别代入MP的位置。控制变量包括：银行风险（Z-score），银行规模（SIZE），存贷比（LTD），资产收益率（ROA），市场集中度（CR5），市场份额（MS），经济发展水平（GDPG），储蓄率（SAVE）以及通货膨胀率（INF）；ui，t为模型中随机扰动项，包含银行个体效应和时间效应。
由于银行存在个体效应和时间效应，动态面板数据模型出现内生性问题，采用固定效应或随机效应估计方法将导致参数估计的非一致性。本文采用差分GMM估计方法，通过使用滞后的解释变量和被解释变量作为工具变量克服内生性问题，同时通过差分和工具变量控制未观察到的效应。在进行差分GMM估计时，参考Delis & Kouretas（2011）的做法[16]，将银行规模代理变量SIZE及其一期滞后设置为前定变量，并将银行盈利性代理变量ROA设置为内生性变量以消除内生性问题。为确保估计模型参数的有效性和稳健性，本文进行了随机误差项序列相关检验（Bond检验）和过度识别条件检验（sargan检验）。
三、指标选取与数据来源
（一）指标选取
1.超效率测算指标选取
商业银行效率测度中最主要的问题是对其投入和产出的界定，依据国外对投入产出指标选取的中介法，结合中国商业银行的实际情况，SBM超效率模型投入产出指标的选取主要考虑三种产出指标、三种投入指标。
（1）期望产出：税前利润和贷款总额。王兵和朱宁（2011）认为非利息收入是评价金融机构竞争力优劣的指标之一，可以反映银行业今后竞争与发展的趋势，而税前利润可以避免实际利润被高估的现象。考虑到数据的可得性和完整性，本文在期望产出指标上采用中介法计量产出，选用税前利润和贷款总额。
（2）非期望产出：不良贷款额。不良贷款是商业银行测算银行效率的重要指标之一。徐辉等（2012）认为不良贷款曾对中国银行业稳定造成巨大威胁，是重大风险性因素，对银行效率具有重要影响[17]。而在传统的商业银行效率测度中，如张健华和王鹏（2011）选择产出指标时仅考虑了贷款数量而忽视了贷款质量[18]。本文在测度银行效率时采用不良贷款额作为衡量贷款质量的指标：不良贷款额=不良贷款率×贷款量，其中贷款量为客户贷款和垫款的总和。
（3）投入：固定资产净值、员工人数和存款总额。中介法测度银行效率是将银行视为储蓄—投资的服务中介机构，投入一般采用存款、劳动力和资本。本文选用银行员工人数、固定资产净值和存款总额作为投入指标。
2.影响因素变量选取
（1）主要解释变量：国外学者Altunbas et al（2010）认为短期利率的变化可以较好地反映一国央行的货币政策的变化，一般选用市场化的短期利率作为货币政策的代理变量[19]。杨小军（2008）认为中国利率还未完全市场化，市场化利率还未成为中国的基准利率[20]；张强等（2013）认为中国央行在货币政策调控时更多依赖于数量型工具和非市场化手段。考虑到存贷款利率是中央银行调控经济的重要手段，同时为确保结果的稳健性，本文在货币政策代理变量的选取上借鉴刘晓欣和王飞（2013）的研究成果[21]，采用法定存款准备金率（DRR）、短期存款利率（SDR）和短期贷款利率（SLR）作为主要解释变量。
（2）控制变量：从银行微观特征变量、市场环境和宏观经济状况三个方面选取控制变量。银行特征变量包括银行规模、盈利能力、资产配置和银行风险，银行规模选取商业银行总资产的对数来衡量，盈利能力选用资产收益率作为代理变量，资产配置衡量指标采用存贷比，银行风险选用Z指数衡量的银行破产风险作为代理变量，其计算公式为：Z=（ROA+CAR）/σ（ROA），其中，ROA为银行资产收益率；CAR为银行资本充足率；σ（ROA）为ROA的标准差，为减少数据样本量的损失，采用3年移动平均计算。市场环境变量包括市场集中度和市场份额，市场集中度采用行业集中率CR5作为代理变量，市场份额选取存款市场份额来衡量，反映银行在市场上所处的地位。为控制宏观环境可能对银行超效率造成的影响，本文选取了GDP增长率（GDPG）、储蓄率（SAVE）和通货膨胀率（INF）三个变量作为宏观经济状况的代理变量。
（二）样本选择和数据来源 依据研究目的，从银行规模和数据可得性层面考虑，选取11家具有较高代表性的国有商业银行和股份制商业银行，分别是：中国银行、中国建设银行、中国工商银行、交通银行、招商银行、中信银行、华夏银行、兴业银行、民生银行、上海浦东发展银行和平安银行。
考虑到中国货币政策经历了一个完整的宽松和紧缩周期，本文研究期间为2002—2012年，采集的这11年数据主要来源于《中国金融年鉴》和各商业银行年报，对于个别缺失数据，采用线性插值法补齐。主要变量的定义和描述性统计见表1、表2、表3。四、实证分析
（一）风险承担下的商业银行SBM超效率测度
在可变规模报酬的假设下，基于投入导向，利用DEA-SOLVER-5.0软件对2002—2012年11家样本银行进行SBM超效率运算，得到本文实证模型（3）设定的风险承担下的银行超效率估计值及其排名，结果见表4。依据同样的方法和思路，对无风险承担的银行超效率也进行了测度，结果见5。
从表4结果来看，中国11家样本银行中除交通银行外，其他商业银行均表现出生产有效率，且各年的平均超效率差异不明显，处在1.0551—1.1662之间，总体超效率平均值为1.1210。从银行超效率的变动趋势来看，中国商业银行超效率呈现先上升后下降的倒“U”型趋势，2002年出现最低效率，2006—2008年银行业出现繁荣时期，并于2007年达到平均超效率最高值1.1662，2009年银行业超效率开始出现下降，平均超效率低于2006—2008年，这主要是受到2008年全球金融危机的影响，银行业面临的风险压力较大，导致资产质量下降。比较2002—2012年各商业银行超效率的平均水平发现，平安银行、中国工商银行和中国银行分别排在前三位，随后是民生银行、中信银行、兴业银行、浦发银行和招商银行，而华夏银行、中国建设银行和交通银行的超效率值相对较差，其中交通银行的超效率值小于1。
从表5估计值来看，不考虑风险承担情况下，上市商业银行平均超效率值低于考虑风险承担情况下的平均超效率值，这主要是因为近年来中国商业银行不良贷款率和不良贷款额的双降提升了上市商业银行的风险抵抗能力，从而推动了银行超效率的提升。无风险承担的上市商业银行超效率变动依然呈现出倒“U”型趋势，繁荣时期同样表现在2006—2008年期间，并在2007年达到最高值1.1491，与风险承担下的银行超效率变动状况一致。从各银行的平均超效率来看，不考虑风险承担对银行超效率的影响时，除华夏银行外，其他银行的超效率值和排名变动不大。原因在于2011年华夏银行的不良贷款率和不良贷款额出现大幅双降，在不考虑风险承担的情况下，投入量不变而产出减少，导致华夏银行的平均超效率值从1.0355降至0.9295，这与不考虑风险承担下的银行业平均超效率下降原因相同。
（二）货币政策对风险承担下商业银行超效率影响分析
运用STATA12.0软件对模型（4）进行差分GMM回归分析，表6为不同货币政策下的估计结果。经三阶序列相关检验和过度识别Sargan检验均符合GMM的条件，因此，文中运用差分GMM估计方法是合理的。
从货币政策变量的回归结果（表6）来看，货币政策对风险承担下的上市商业银行超效率有显著的影响，说明货币政策的变化是中国银行业超效率的重要影响因素。在其他影响因素不变的情况下，货币政策与风险承担下的银行超效率均有着负向关系，即货币政策越宽松，银行超效率就越高；相反则越低。一般而言，较长时期的扩张性货币政策会促使银行风险承担的意愿和能力上升，最终促进银行超效率的提高。
从银行微观特征变量的回归结果可知，存贷比（TLD）和资产收益率（ROA）与风险承担下的商业银行超效率有着显著的正相关关系。表明存贷比（TLD）和资产收益率（ROA）越高的银行，其风险承担下的商业银行超效率越高；相反则越低。原因一方面在于中国上市商业银行信贷行为受到政府监管，其风险承担动机相比中小银行较小；另一方面，上市商业银行盈利渠道较多，其经营策略相对保守，导致其通过高风险投机交易获取利润的动机较小。银行规模（SIZE）和银行风险（Z值）与风险承担下的商业银行超效率的关系不显著，这可能与当前中国银行规模及风险承担能力受到诸多的监管和管制，其市场化特征不明显有关。
从市场环境变量的回归结果可以看出，市场份额（MS）变量系数估计结果为正且在1%水平下显著，说明中国上市商业银行市场占有率的提高有利于银行超效率的改善，这完全符合市场力量假说。我们还发现，市场集中度（CR5）变量系数为负但并不显著，说明研究期间内中国银行业市场集中度的改善并没有带来预期的超效率提高效果。
从宏观经济变量的回归结果来看，不同货币政策影响下的银行超效率对宏观环境的反应不同。表6的估计结果表明，在法定存款准备金率（DRR）影响下，通货膨胀率（INF）对银行超效率具有显著的正面效应；在存款基准利率（SDR）和贷款基准利率（SLR）影响下，通货膨胀率（INF）对银行超效率具有负相关关系，但不显著；在存款基准利率（SDR）和贷款基准利率（SLR）的影响下，经济发展水平（GDPG）对银行超效率具有显著的正效应，这意味着存贷款利率越低，经济投资环境越好，银行超效率越高。储蓄率（SAVE）在不同货币政策下对银行超效率的影响均不具有统计上的显著性，表明中国银行业对储蓄向投资转化的能力较弱。
别代表在10%、5%、1%的程度上显著。下同。
五、稳健性检验
在基准模型中，采用Z值衡量的银行破产风险作为银行风险的代理变量，鉴于国内外不同学者在衡量银行风险时采用的度量方式不同，本文利用资本充足率衡量的信用风险替代Z值作为银行风险的衡量指标，考察风险承担下货币政策对中国商业银行超效率的影响的稳健性，结果见表7。
从表7的结果可以看出，除短期贷款利率（SLR）的显著性提高外，货币政策对风险承担下商业银行超效率的影响并没有随银行风险指标的不同而发生明显改变。在以银行破产风险为银行风险代理变量的模型中，风险代理变量Z值前的系数较大，而在银行信用风险模型中，风险代理变量资本充足率（CAR）前的系数都较小，但都不具有统计上的显著性。总体而言，表7中各项指标回归系数的符号及显著性没有发生明显变化，因此银行风险代理指标的不同并不影响本文结论，基于动态面板数据GMM模型的稳定性较好，货币政策对风险承担下中国商业银行超效率的显著负向影响更具说服力。 六、结论与启示
在梳理国内外文献的基础上，运用2002—2012年间11家中国上市商业银行的相关数据，通过建立SBM超效率模型和动态面板数据GMM模型，实证分析了货币政策对风险承担下中国商业银行超效率影响。研究结论归纳如下：
第一，风险承担下的中国商业银行各年的平均超效率差异不明显，除交通银行外，其他商业银行均表现出超效率有效，说明中国各银行的总体经营状况差异不大，金融市场较为稳定。
第二，比较无风险与风险承担下的情形，发现中国银行业各年平均超效率及排名变动不大，而且其变化均呈倒“U”型趋势，表明金融危机对风险承担的银行超效率有影响，但长期看中国银行业的经营状况平稳。另外，不考虑风险承担下的各银行超效率均低于风险承担下的超效率值，意味着风险承担因素对银行超效率的测度具有重要影响。
第三，实证结果显示，中国货币政策对风险承担下的商业银行超效率具有显著的负向影响，即货币政策越宽松，风险承担下的银行超效率越高；当货币政策紧缩时，银行超效率开始下降。
第四，在影响效率的控制变量中，存贷比、资产收益率和市场份额对上市商业银行的超效率水平的回归系数为正且显著；不同货币政策影响下的银行超效率对宏观环境的反应不同。
本文的研究结论对中国货币政策的制定和商业银行的发展具有重要启示。首先，在测度银行超效率时，需要考虑银行风险承担因素，以降低结果偏差度，从而提升研究价值。其次，中央银行在制定货币政策时不仅要考虑到货币政策对风险承担的影响，还要进一步考虑到其对风险承担下的商业银行超效率的影响。再次，中央银行在进行货币政策调整时，可以通过维护金融稳定这一目标任务重点关注中国银行体系，从宏观层面审慎监管风险承担下中国商业银行的效率。
参考文献：
[1]张强，乔煜峰，张宝.中国货币政策的银行风险承担渠道存在吗[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]刘孟飞，张晓岚.风险约束下的商业银行效率及其影响因素研究[J].金融研究，2013（7）：113-124.
[7]甘小丰.中国商业银行效率的SBM分析——控制宏观和所有权因素[J].金融研究，2007（10）：58-69.
[8]王聪，谭政勋.中国商业银行效率结构研究[J].经济研究，2007（7）：110-123.
[9]Li，Yong， Mancang Wang.. Capital Regulation，Monetary Policy and Asymmetric Effects of Commercial Bank’s Efficiency[J]. China Finance Review International，2012 （1）：5-26.
[10]李勇，王满仓.资本监管、货币政策与商业银行效率非对称效应——基于面板门限回归模型的再检验[J].经济评论，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，杜灵青.信贷调控对商业银行效率影响的实证研究[J].中南财经政法大学学报，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，朱宁.不良贷款约束下的中国上市商业银行效率和全要素生产率研究[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]徐辉，李健，钟惠波.银行效率与不良贷款冲击效应的实证研究——基于SFA测度分析的应用[J].金融评论，2012（3）：29-40.
[18]张健华，王鹏.银行效率及其影响因素研究——基于中、外银行业的跨国比较[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]杨小军. 银行间债券市场与公开市场业务的利率关系——基于VAR模型的实证分析[J].证券市场导报，2008（2）：10-15.
[21]刘晓欣，王飞.中国微观银行特征的货币政策风险承担渠道检验——基于中国银行业的实证研究[J].国际金融研究，2013 （9）：75-88.
责任编辑：常明明