夏冉 史镜琪 南京农业大学经济管理学院 江苏南京 210095
【摘 要】 商业银行作为金融体系中的主要媒介,在经济运行中占据重要的地位,其经营管理问题日益成为深化金融发展中最重要的部分。本文主要针对我国上市商业银行展开研究,利用了已经上市的25家商业银行2016年的经营数据,以商业银行的“三性”为切入点,并充分考虑其成长能力,选取具有代表性的指标,通过主成分分析方法,探究了商业银行的绩效水平的衡量模式。最终得到测算综合绩效值的模式,并对观察期绩效水平进行分析,提出创造银行业多元发展格局的建议。
【关键词】 商业银行;主成分分析;绩效;经营管理
1.引言
银行业资产是金融资产组成中最大的一部分,我国商业银行作为金融体系中的主要媒介,在经济运行中占据重要的地位,其业务与企业发展、金融体系运行以及货币政策的传导都息息相关。这意味着商业银行的治理水平决定了我国的金融发展水平。
在对商业银行经营绩效进行评定的过程中,国内外学者始终致力于将商业银行的投入与产出进行量化。早期学者多采用的资产收益率、沃尔评分法等,主要是从参数或非参数角度量化银行经营效率,并从战略的实施效果虽然数据简单易得。由此而衍生出了大量利用非参数分析法对商业银行绩效进行评价并排序的研究。其中,数据包络分析和主成分分析法是学者主要采用的方法。
另一方面,随着商业银行的不断发展,其经营管理的要求不断提高。在目前探究银行经营绩效的研究中,大部分没有使用传统意义上的绩效衡量标准,而是分别从银行盈利性、安全性、流动性三个方面分别选取指标,并通过成分得分系数矩阵加权的方式,建立综合绩效指标函数,加以测量,做法值得参考。
2.基于主成分分析的绩效评价体系构建
2.1主成分分析原理
主成分分析法(PCA)是在Pearson学者对非随机变量引入的研究基础上,由Hoteling学者于1933年提出[1]。作为一种数学分析方法,主成分分析常常运用于多变量的研究中。
当变量个数较多时,变量间往往可能存在一定的相关性,致使变量反映的信息有所重叠。为了将原有变量重新组合成为彼此间互不相关的变量组,主成分分析法通过正交变换,降低数据空间的维数,从中选出少数几个综合变量,尽可能完整地不重叠地反映所有信息。其基本思想就是通过原有变量的少数几个线性组合来解释原有变量所体现出的样本变差[2]。
2.2主成分分析理论的运用
2.2.1商业银行经营管理的特殊性
商业银行是特殊的企业,虽然商业银行具有一般企业的性质,但其经营对象、业务不同于一般企业。商业银行的资金,不仅仅来自于权益资本,还来源于存款业务所吸收的社会闲置资金,以及与资金结算相关业务中发生的资金沉淀。为了保证商业银行的稳健运行,商业银行还必须根据巴塞尔协议的要求保证一定的资本充足率。在经营管理的原则方面,商业银行则追求“三性”,即盈利性、流动性和安全性。这三者在商业银行绩效评价中,缺一不可。
从某种程度上来说,商业银行追求的三性既具有统一性,又具有矛盾性。当三者达到统一时,商业银行才能有长远的稳定的发展。流动性与安全性能够保持一致,然而,盈利性与流动性、安全性却会相互抵触。当银行过多追求利润时,就会将大量资金用于放款或投资业务中,使得清偿、支付能力减弱,或者增加对外举债,以扩大资金来源,由此放大经营的风险。反之亦然。所以,商业银行要真正实现高效的经营管理,必须在三者间建立一个相对平衡的关系。
同时,除了商业银行经营管理自身对于三性的要求,成长性也是评价商业银行外来发展前景的一个重要方面。商业银行的成长能力主要体现于其资产或资本的扩张能力以及业务的开拓能力。
2.2.2指标的选取
本文在选取绩效指标时,分别从盈利性、安全性、流动性、成长性四个角度,选取具有代表性的指标进行数据收集[3]。
根据以上原则选取相应指标:代表盈利性的指标平均净资产收益率(X1)、每股收益(X2)、净息差(X3)、每股净资产(X4);代表流动性的指标流动性比例(X5)、存贷比(X6);代表安全性的指标不良贷款率(X7)、资本充足率(X8)、杠杆率(X9)、贷款集中度(X10)、拨备覆盖率(X11);以及代表成长性的指标资产增长率(X12)、利润增长率(X13)。
可以观察到,在所有的指标中,有些指标对商业银行经营管理绩效的影响是正向的,例如资产收益率、净息差等,但有些指标则与绩效呈负相关关系,如不良贷款率、杠杆率等,同时还有一些指标具有适度性[4],比如流动性比率,流动比率过高会造成大量资金闲置和利润的下降,而过低则会影响业务的开展。同时,可以发现,部分指标有一定的相关性。部分商业银行处于发展高速期,其资产增长率及利润增长率相对较高,由此造成的资产、利润的扩张引起了每股净资产、每股收益等指标的变化。所以,为了消除各指标间的相互影响,找到商业银行绩效值最合理的模式,应当引入主成分分析法,确定各指标在绩效衡量中的作用。
3.主成分分析法下商业银行绩效测定
3.1样本与数据
至2016年底,我国A股市场上共有上市银行25家,其中大型国有商业银行5家、城市商业银行有7家、股份制商业银行8家以及农村商业银行5家。根据全面性、完备性和可比性的样本选取原则,本文以2016年所有上市商业银行中的数据为研究对象。本文商业银行的数据均来自于2016年上市商业银行年报。
3.2数据处理与检验
3.2.1数据处理
在所有上市银行的指标中,大部分为相对指标,以百分比计,而部分指标,如每股收益,则以元为计量单位;同时,变量区之间相差过大,也会影响实证结果,故本文对数据采取统一的标准化处理[5]:
其中,i=1,2…n,和是指标X的样本均值和样本标准差。
3.2.2数据检验
为了验证主成分分析方法是否可以使用,即所选指标是否适合,应当进行相关检验,若未通过检验,则说明所选指标有问题,需要重新选择。
本文实证分析主要是用STaTa.14软件,故而选择SMC和KMO检验。
(1)SMC检验
SMC是一个变量与其他所有变量复相关系数的平方,即复回归方程的可决系数。SMC值越高,变量的线性关系越强,也说明主成分分析方法更为合适。
所有变量的SMC值较大,均为0.7以上,基本符合要求,说明这些变量间相关性较强,可以使用主成分分析法,但检验中,变量Z4的SMC值只有0.407,显然不符合要求,是否保留或处理Z4将放在KMO后讨论。
(2)KMO检验
Kaiser-Meyer-Olkin检验用于测量变量之间相关关系的强弱,是通过比较两个变量间的相关系数与偏相关系数得到的。KMO介于0与1之间。KMO越高,变量的共线越强。一般判断标准为:KMO在0.5以下不能接受,而0.6则算是勉强接受的起点。
在本指标体系下的KMO检验结果较差,总体水平仅有0.55,为了优化指标体系,删掉KMO值较小的指标Z3、Z4、Z10,再次进行KMO检验,发现KMO的总体水平达到了可接受的范围。这说明原有指标体系是存在问题的,而十个变量构成的新体系则比之更为合理。
3.3实证结果分析
利用STATA软件提取主成分,可以得到特征值、特征值贡献率及其累计贡献率的数值(见表1)。
表1 特征值及贡献率
主成分 |
特征根 |
贡献率(%) |
累计贡献率(%) |
Comp1 |
4.163 |
41.63 |
41.63 |
Comp2 |
1.923 |
19.23 |
60.86 |
Comp3 |
1.492 |
14.92 |
75.78 |
Comp4 |
1.006 |
10.06 |
85.84 |
Comp5 |
0.470 |
4.70 |
90.54 |
Comp6 |
0.391 |
3.91 |
94.45 |
Comp7 |
0.265 |
2.65 |
97.10 |
Comp8 |
0.167 |
1.67 |
98.97 |
Comp9 |
0.071 |
0.71 |
99.68 |
Comp10 |
0.052 |
0.52 |
100.00 |
特征值大于1为主成分提取的条件,根据表中计算结果,可以将前4个主成分提取出来,前4个特征值的累计贡献率已达85.84%,说明前4个主成分基本涵盖了指标体系的绝大部分信息,这四个主成分能对25家商业银行的经营管理绩效做出较好的解释。通过对载荷矩阵进行旋转,可以得到相应的特征向量。
由表1可得,主成分一、二、三、四的各自贡献率分别是41.63%,19.23%,14.92%和10.06%。再由因子载荷矩阵可得,前4个主成分的得分表达式:
F1 = 0.3411Z1 + 0.2796Z2 + 0.1612Z5 - 0.3048Z6 - 0.3389Z7 - 0.1425Z8 - 0.3707Z9
+ 0.3553Z11 + 0.3666Z12 + 0.3917Z13
F2 = - 0.0868Z1 - 0.2979Z2 + 0.1750Z5 - 0.4619Z6 - 0.1457Z7 + 0.6135Z8 +
0.4219Z9 + 0.2800Z11 + 0.0321Z12 + 0.0691Z13
F3 = 0.2067Z1 + 0.1403Z2 + 0.6521Z5 - 0.1750Z6 + 0.3928Z7 + 0.0462Z8 –
0.0192Z9 - 0.2948Z11 + 0.3134Z12 - 0.3731Z13
F4 = 0.5118Z1 + 0.6117Z2 - 0.1573Z5 + 0.0953Z6 - 0.0010Z7 + 0.3702Z8 +
0.1864Z9 + 0.0459Z11 - 0.3755Z12 - 0.1234Z13
在第一主成分的因子中,变量Z12、Z13的权重大于其他因子负荷量,所以第一主成分可以由这2个指标反映,它刻画的是商业银行的成长能力。
在第二主成分的因子中,变量Z8、Z9的权重大于其他因子负荷量,所以第一主成分可以由这2个指标反映,它刻画的是商业银行的安全管理能力。
在第三主成分的因子中,变量Z5、Z7的权重大于其他因子负荷量,所以第一主成分可以由这2个指标反映,它刻画的是商业银行的流动性管理能力。
在第四主成分的因子中,变量Z1、Z2的权重大于其他因子负荷量,所以第一主成分可以由这2个指标反映,它刻画的是商业银行的盈利能力。
根据各主成分分析及其权重设置,可以得到相应主成分的得分状况:
表2 主成分得分矩阵
|
Scor1 |
Scor2 |
Scor3 |
Scor4 |
建设银行 |
0.703 |
0.019 |
-0.053 |
0.722 |
中国银行 |
0.573 |
0.123 |
-0.165 |
0.513 |
工商银行 |
0.574 |
-0.003 |
-0.118 |
0.658 |
交通银行 |
0.696 |
0.011 |
-0.026 |
0.666 |
农业银行 |
0.688 |
0.209 |
-0.154 |
0.503 |
平安银行 |
0.851 |
-0.134 |
-0.014 |
0.924 |
光大银行 |
0.704 |
0.089 |
0.037 |
0.444 |
招商银行 |
1.253 |
-0.379 |
0.122 |
1.671 |
华夏银行 |
0.967 |
-0.342 |
-0.068 |
1.293 |
中信银行 |
0.658 |
-0.042 |
-0.128 |
0.667 |
民生银行 |
0.857 |
-0.167 |
-0.015 |
0.904 |
兴业银行 |
1.473 |
-0.383 |
0.118 |
1.852 |
浦发银行 |
1.172 |
-0.468 |
0.019 |
1.636 |
上海银行 |
1.610 |
-0.172 |
-0.064 |
1.747 |
杭州银行 |
1.162 |
-0.071 |
0.040 |
1.069 |
南京银行 |
2.113 |
0.843 |
-0.859 |
1.000 |
贵阳银行 |
1.633 |
0.171 |
0.213 |
1.109 |
宁波银行 |
1.890 |
0.335 |
-0.521 |
1.367 |
北京银行 |
1.161 |
0.191 |
-0.337 |
0.893 |
江苏银行 |
0.959 |
0.069 |
-0.081 |
0.656 |
吴江银行 |
0.751 |
0.196 |
-0.271 |
0.536 |
江阴银行 |
0.634 |
0.233 |
-0.003 |
0.403 |
无锡银行 |
0.787 |
0.297 |
-0.297 |
0.479 |
常熟银行 |
0.905 |
0.345 |
-0.407 |
0.469 |
张家港行 |
0.643 |
0.244 |
-0.266 |
0.413 |
为了进行综合评价,必须把4个主成分进行加权求和,而其权重则应该与其贡献率息息相关,即有:,为第i个主成分的方差贡献率,而所求得的则为第i个主成分所对应的权重[6]。则各商业银行的加权综合评分计算公式为:。
表3 加权综合得分
Obs |
名称 |
总得分 |
排名 |
1 |
建设银行 |
0.421 |
17 |
2 |
中国银行 |
0.337 |
24 |
3 |
工商银行 |
0.334 |
25 |
4 |
交通银行 |
0.414 |
19 |
5 |
农业银行 |
0.413 |
20 |
6 |
平安银行 |
0.489 |
13 |
7 |
光大银行 |
0.420 |
18 |
8 |
招商银行 |
0.740 |
6 |
9 |
华夏银行 |
0.532 |
11 |
10 |
中信银行 |
0.366 |
23 |
11 |
民生银行 |
0.482 |
14 |
12 |
兴业银行 |
0.866 |
5 |
13 |
浦发银行 |
0.659 |
8 |
14 |
上海银行 |
0.936 |
4 |
15 |
杭州银行 |
0.680 |
7 |
16 |
南京银行 |
1.181 |
1 |
17 |
贵阳银行 |
0.997 |
3 |
18 |
宁波银行 |
1.061 |
2 |
19 |
北京银行 |
0.652 |
9 |
20 |
江苏银行 |
0.543 |
10 |
21 |
吴江银行 |
0.424 |
16 |
22 |
江阴银行 |
0.406 |
21 |
23 |
无锡银行 |
0.453 |
15 |
24 |
常熟银行 |
0.500 |
12 |
25 |
张家港行 |
0.369 |
22 |
由各上市商业银行总得分状况可以看出,南京银行绩效水平排名第一,而工商银行却在最末,尽管如此,各个商业银行间绩效水平的差异相对较小,平均水平为0.587。这是由于商业银行受到的监管较严,部分指标有明确的监控值。而观测的二十五家商业银行均已上市,都属于较为优质的银行,所以绝大部分银行均能保持较好的水平。其中,排名靠前的多为城市商业银行,大型国有商业银行及农村商业银行则多占据靠后的排位。
另一方面,根据2016年的数据,在评估商业银行经营绩效时,通过把商业银行各指标实际得分折算到总得分的比例中去,可以发现,盈利性指标共占比36.99%,流动性指标共占比22.53%,安全性指标的权重也占到29.47%,而成长性指标则占到11.01%。可以看出,由2016年数据所得到的指标权重较为合理,商业银行作为企业,始终应当把盈利能力作为首要衡量标准,第二看重的则是经营管理的安全性,这是保障持续经营的根本。成长性指标占据的比例只有11%左右。大部分商业银行在2016年的资产增长率或利润增长率为负,而部分农村商业银行则能保持在20%以上的增长水平。一方面是由于经济的下滑和商业银行整个行业竞争力下降导致的大型银行规模萎缩,另一方面,也说明商业银行经营管理水平的提高不在于盲目的扩张,高速的增长能力只适用于初起步的商业银行。同时,没有一个类型的指标权重过大,也说明商业银行始终将盈利性、安全性和流动性并重作为经营管理的重点,绩效水平的提高在于三性均衡,同时改善。
4.结论
本文利用了已经上市的25家商业银行2016年的经营数据,从商业银行已有的绩效水平方面分析了我国上市商业银行经营管理的现状。最终发现,在综合测算绩效值时,盈利性指标占比36.99%,流动性指标占比22.53%,安全性指标占到29.47%,成长性指标则占到11.01%。
从商业银行经营管理的改善方面来说,我国一方面需要加快国企改革,提升大型国有商业银行的经营管理效率,另一方面,应当鼓励银行业加入新鲜的血液,即民营资本、外资的进入,大力发展城市商业银行、农村商业银行,创造银行业多元发展的格局。
从绩效衡量的方法来看,本文使用主成分分析法具有一定科学性,但选取了2016年的横截面数据进行测算,得出的评价体系具有一定的局限性,如何综合各银行历史水平和当期水平,并对未来发展趋势作出预测,仍需要更加科学、完善的方法和模型。
参考文献:
[1]张鹏. 基于主成分分析的综合评价研究[D].南京理工大学,2004.
[2]胡克嫚,曾志坚. 基于主成分分析的股票流动性的度量[J]. 财经理论与践,2005,(06):49-52.
[3]唐军. 主成分分析法在城市商业银行绩效评价中的运用[J]. 金融经济,2009,(12):68-69.
[4]虞茜. 基于主成分分析法的我国商业银行经营绩效分析[D]. 西南财经大学,2011.
[5]李婧,邓晶. 主成分分析在上市银行绩效评价中的应用[J]. 价值工程,2009,28(09):165-168.
[6]赵丽娟,霍丽芳,钟丽华. 基于主成分分析模型的商业银行绩效评价估计[J]. 河北建筑工程学院学报,2016,34(02):101-104.