美国商业银行的绩效分析及其启示_银行管理论文.docVIP

美国商业银行的绩效分析及其启示_银行管理论文 美国商业银行的绩效分析及其启示_银行管理论文 一、数据、模型和变量 　　 　　（一）数据集说明 　　本文主要是基于美国标准普尔公司的数据库。具体而言就是针对美国商业银行业(一般行业代码GICS：401010）的Panel(平行)数据。该数据集时间跨度是从1993到2003年，截面包括548家商业银行，而具体的变量则包括银行总资产、总负债、股东权益以及销售收入、利息成本、其他运营收入(支出)(Nonop Income/expense)、利息税前利润(EBIT)、所有税收(Total Tax)和净利润(Net income)等。此外本文还用到了货币供应量指标M1，这一数据的时间跨度对应于银行数据也是从1993年到2003年具体来源于。。 　　 　　(二)模型说明 　　对于行业绩效的实证分析而言，最为广泛使用的框架就是和Joe Bain和Edward Mason相关的、也就是通常所说的“结构—行为—绩效”(SCP—structure，conduct and performance)范式。其大致模型如下： 　　 　　成本和变动成本变量；Ki分别表示银行的资本规模；eai表示银行业中除了银行i之外其他所有银行的资产规模总和；而m表示外生的经济环境变量；货币供应量M1。通过比较，很容易发现本文所用的模型(2)与模型(1)主要存在两点差异：A取代了市场集中度指标CR；B模型(2)新增了变量m。前者eai指标和市场集中度指标都是用来度量行业状况或者说行业中其他银行对单个银行i的影响，由于样本数据中商业银行的个数为548家，因此作者认为一般的集中度指标并不能很好的描述美国该行业的实际情况，从而选择了除了银行i之外的所有银行的资产规模作为行业影响的度量指标。至于m，主要是我们认为银行业是一个受货币市场和宏观经济影响很大的部门，有必要在绩效研究中把此类重要的外生变量包含进来，因而这里选择了货币供应量指标M1。 　　 　　(三)变量说明 　　 　　由于解释变量利息成本和非利息成本数据以及其他银行的资产数据之间的存在一定程度的相关性，因此在具体处理时，我们采取只选其中一个成本指标的方法来尽量避免解释变量之间的相关性。此外，在对资产收益率(ROA)进行解释时，我们把成本变量、资本变量以及其他银行的资产变量都进行了标准化处理，即把他们都除以银行i的资产规模，同时所有这些解释变量也都进行了对数化处理。 　　 　　 　　以上就是本文主要选用的变量，这些变量之间的相关性在表1和表2列出。其中表1的变量主要用来解释LN(ROE)。而表2的变量则是用来解释LN(ROA)。从表1中的相关系数矩阵可以看出，LN(利息成本)和LN(非利息成本)均不能被采用，因此只能选择没有经过对数化的利息成本或者非利息成本，而且两者之中也只能取其一；鉴于银行经营的特殊性，我们这里取利息成本。而表2则说明，在经过标准化和对数化处理后，从相关性程度上而言这些变量都可以用来解释LN(ROA)。 　　 　　二、模型回归结果及分析 　　 　　本部分具体介绍和分析模型回归的结果，为了便于比较和说明，我们把上述模型按照被解释变量的多少进行了分层嵌套。具体而言，我们把只包含与单个银行i直接相关的成本变量ci以及资本变量Ki的模型称之为基准回归模型，而把包含了行业影响eai以及宏观因素m的完整模型称之为拓展模型。 　　 　　(一)基准模型回归 　　基准模型回归主要是对银行自身特征变量的回归分析，目的是试图来回答在外部环境既定的情况下，银行的各大类投入是如何影响其产出效率。具体针对这两个被解释变量的回归结果参见下表3。 　　 　　在进行逐一分析之前，有必要对Panel数据基础上模型检验的方法进行扼要说明。由于在进行Panel数据分析的时候，可以使用固定影响模型，也可以使用随机影响模型(Hsiao,2003)；而利用Breuscll and Pagan LM检验可以识别出模型是否应该设定为随机影响。此外，由于样本数据集是跨度为11年的数据，因此我们的模型设定中也包含了对时间序列一阶相关性的检验，在Panel数据分析中，常用的就是Modified Bhargava et al检验。本文这里把这两个模型识别检验统计量的结果均列在表中，从结果上看本文得到的模型都应该设定为一阶序列相关的随机影响模型。于是，下文就不再对模型设定和检验做详细说明。 首先我们来看对银行资本利润率，即LN(ROE)的解释。从表3的第2列可以发现，此时不仅成本因素，而且资本因素对资本收益率也有显著的影响；但是这两种显著影响的方向却是相反的。也就是说，如果银行的利息成本提高，反而会降低银行的资本收益率；同时，对于资本规模更大的银行而言，其所有人获得