商业银行全要素生产率测算的研究与政策效果

选取2008—2019年16家A股上市商业银行（包括5家国有商业银行、8家股份制商业银行和3家城市商业银行）为实证样本，各指标的数据来源于Wind数据库和银行年报。

（1）投入、产出及环境变量的指标选取

选取总生息资产（扣除不良贷款）和非利息收入为产出指标，同时引入非期望产出指标——不良贷款比例，借鉴覃道爱和李兴发（2009）提出的对传统DEA模型引入非期望产出的处理方法，采用倒数法将其转换为正向输出量。选取总计息负债和非利息支出为投入指标。对样本银行的投入和产出变量进行Pearson相关性检验，由表6.1可知，变量正相关且通过了双尾检验，符合DEA模型要求的“同向性”假定。

表6.1　样本银行投入和产出变量的Pearson相关系数

注：*表示在1%的水平（双尾）上显著相关。

分别从宏观、市场和机构三个层面选择环境变量：经济发展水平（Z1）代表宏观环境变量，用GDP的增长率衡量；市场集中度（Z2）代表市场环境变量，用前四大商业银行的资产与银行业金融机构总资产额之比衡量；产权结构（Z3）、上市年限（Z4）和分支机构数（Z5）代表机构环境变量。其中，设定产权结构虚拟变量，国有商业银行赋值为1，其他为0。投入、产出和环境变量指标的特征描述见表6.2。(www.xing528.com)

表6.2　投入、产出指标和环境变量指标特征描述

（2）三阶段DEA-Malmquist指数测算

考虑到非期望产出能使效率评价结果更接近客观现实，故在不良贷款约束下对样本的全要素生产率及其分解指标进行实证检验。第一阶段，使用投入导向型DEA模型，通过Deap2.1测量样本银行的全要素生产率变动。第二阶段利用Frontier4.1进行投入松弛变量与环境变量的SFA估计，得出各系数的SFA计算结果^[5]。第三阶段，利用式（10）与SFA的估计结果，将投入指标值剔除环境和随机误差因素影响后，和原始的产出变量再次使用Deap2.1进行测量，得到16家银行调整后的效率值，见表6.3。

表6.3　2008—2017年各银行平均Malmquist生产率变动指数及分解值对比