金融混业、资本结构与技术效率变动
中图分类号：F830 文献标识码：A 文章编号：1007-2101（2017）02-0075-06
一、问题的提出
自2002年中信集团、光大集团和平安集团开始综合金融控股集团试点以来，工商银行、农业银行、中国银行、建设银行、交通银行等大型商业银行陆续通过海外注册或者借助类信托控股等方式开展混业经营。时至今日，各类金融机构获取跨行业金融牌照开展混业经营的努力仍在持续。
现有理论研究表明，混业经营会使金融机构享有规模经济、范围经济和信息优势，对金融机构的绩效具有积极作用。例如，Steinherr和Huveneers（1990）认为，通过混业经营，金融机构可以摊薄固定成本。Llewellyn（1996）认为，混业经营的金融机构利用已有的分支机构和其他销售渠道销售附加金融产品的边际成本较低，因而可以享受潜在的范围经济。Rajan（1996）认为，混业经营的金融机构可以利用一种业务上的优势提高其他业务上的竞争力，其声誉和品牌价值可以因分享而提升。Diamond（1984）、Santos（1998）、Birkbeck（2000）等?J为，在混业经营体制下，金融机构可以满足企业的多种金融需求，金融机构与企业之间的关系得以强化并发展为长期关系，两者之间的信息流动更加充分，有助于克服金融契约中因信息不对称导致的道德风险问题。Ville（2004）认为，混业经营有助于节约对客户和管理层的监控成本。阎彦明（2004）认为，成本、收入、消费者和地理方面的范围经济是金融行业混业经营的主要动因。
上述理论研究成果得到不少实证研究的证实。例如，Clark和Speaker（1994）、Shaffer和David（1988）、Noulas等（1990）、Hunter等（1990）、Saunders和Walter（1994）及Vennet（2002）等通过不同方式提供了金融行业规模经济存在的证据。Hughes和Mester（2006）、Canals（1993）、Gallo等（1996）等从不同视角提供了金融行业范围经济存在的证据。Mester（1993）、Vennet（2002）等证实了混业经营的金融机构相对于分业经营金融机构的信息优势。
目前，国内已经有不少学者从不同角度探讨了金融混业（如宋军，2002；鲁明易，2005；王鹤立，2008；曹建华，2012）或者金融效率问题（如姚树洁等，2004，2011；丁忠明、张琛，2011；王聪、邹朋飞，2006；朱南等，2004；张健华，2003；邱兆祥、张爱武，2009；吴栋、周建平，2007；魏煜、王丽，2000；刘琛、宋蔚兰，2004）。然而，迄今为止国内探讨金融混业及其效率涵义的研究尚不多见。初可佳、洪锐滨（2008）基于38个国家和地区812家商业银行的样本数据研究发现，商业银行从事证券业务、保险业务和非金融企业（房地产企业除外）投资有利于提高效率。薛和生、丁浩舟（2006）认为，银行控股公司的金融混业经营模式有助于降低风险，发挥规模经济和范围经济优势，提高经营效率。
笔者试图通过实证研究探讨混业经营以及资本结构对金融机构技术效率的动态影响。具体而言，笔者基于我国46家金融类上市公司2008―2014年的面板数据样本，利用基于DEA的Malmquist指数，研究混业经营和资本结构是否会对金融机构技术效率的跨期变动产生显著影响。
二、方法与样本
笔者采用Malmquist指数分析金融机构技术效率的跨期变动，采用数据包络分析方法（Data Envelopment Analysis，一般简写为“DEA”）计算Malmquist指数中的距离函数，采用基于平衡面板数据的线性回归分析方法分析混业经营对金融机构技术效率变动的影响。
（一）Malmquist指数
Malmquist（1953）在消费的定量分析中提出了Malmquist指数的雏形。Caves等（1982）将这一思想引入生产的理论分析，并将按照基于Shephard（1970）提出的距离函数之比构造的生产率指数命名为Malmquist（生产率）指数。继Nischimizu和Page（1982）首次在实证分析中应用参数规划方法计算该指数之后，Fare等（1994a，1994b）将两个时期的Malmquist指数的几何平均视为（全要素）生产率在这两个时期之间的变动（亦称为Malmquist指数），并将其分解为技术变动和效率变动两个部分，随后又将效率变动进一步分解为纯技术效率变动和规模效率变动两个部分。
笔者采用Fare等（1994a）对Malmquist指数的定义。根据这一定义，如果记决策单元集合为N={1，2，…，nmax}，投入为X，产出为Y，并且，对于任一给定决策单元0（0∈N）、任一时刻p（p∈{t，t+1}）和任一时刻q（q∈{t，t+1}），以Dp0（Xq，Yq）表示决策单元0的以q时期技术为参照计算得到的p时期距离函数，那么，决策单元0在时间t和t+1之间的生产率变动（即Malmquist指数）可以表示为：
根据Fare等（1994a），EC表示效率变动，亦即同一决策单元相对于生产前沿的距离在前后两个时期的变化。TC表示技术变动或者技术进步，亦即生产前沿在前后两个时期的变化。根据章祥荪、贵斌威（2008）以及吴磊、周洁（2010），技术变动或者技术进步TC对于行业中的追赶者而言是外生的，不可用来衡量决策单元自身技术变动，因此，笔者不考虑这一分解因子而仅考虑效率变动部分。 （二）数据包络分析方法（DEA）
在Malmquist指数的上述定义中，距离函数是一个重要概念，应用Malmquist指数进行决策单元效率变动的实证分析，首先需要对距离函数进行估计。一般来说，对距离函数进行估计，可以采用非参数法和参数法这两类估计方法。非参数法主要包括DEA方法和无成本处置壳方法（Free Disposal Hull，“FDH”）。参数法主要包括随机前沿方法（Stochastic Frontier Approach，“SFA”）、自由分布方法（Distribution Free Approach，“DFA”）和厚前沿方法（Thick Frontier Approach，“TFA”）等。与参数法相比，非参数法无需预设生产函数的具体形式，有助于避免主观因素的影响（Berger和Humphrey，1997），因此，笔者采用非参数法。由于非参数法中DEA方法应用最为广泛，并且，根据Berger和Humphrey（1997）以及邱兆祥、张爱武（2009），DEA方法与FDH方法相比，仅添加了一个生产凸性假设，因此，笔者采用DEA方法进行Malmquist指数中距离函数的估计。
DEA方法存在多种模型。根据在计算任意一个决策单元的效率值时是否允许以该决策单元作为参照，DEA模型可以分为超效率模型和非超效率模型（Andersen和Petersen，1993；Lovell和Rouse，2003）。由于Malmquist指数涉及同一决策单元在前后两个时期的效率的比较，从而有必要以决策单元自身作为参照，因此笔者采用非超效率模型。根据有关规模报酬的不同设定，DEA模型可以分为规模报酬不变（Constant Return to Scale，“CRS”）和规模报酬可变（Variable Return to Scale，“VRS”）?芍中问健＜?于文中不涉及技术变动或者技术进步部分及其进一步分解，故仅考虑规模报酬不变的情形。根据生产分析中产出的最大化和投入的最小化这两种目标中哪一个更多地受到关注，DEA模型可以分为产出导向和投入导向两种形式。根据Coelli和Perelman（1999），在规模报酬不变的情况下，投入导向的DEA模型与产出导向的DEA模型等价，笔者选择投入导向的DEA模型。
具体而言，笔者应用非超效率、投入导向的CCR模型（Charnes等，1978）对距离函数进行估计。根据这一模型，设存在r种投入，s种产出，记决策单元集合为N={1，2，…，nmax}，考察的时期集为T={1，2，…，tmax}，对于任一时期t∈T，投入为r×nmax矩阵Xt，产出为s×nmax矩阵Yt，则对于任意0∈N，p∈T，q∈T，距离函数Dp0（Xq，Yq）可以表示为：
在DEA方法应用过程中，投入和产出的选择是至关重要的一步。在金融机构银行效率评估实践中，为了保障投入和产出的界定和选取的合理性，人们建立了一些基本准则，这些准则主要包括生产法、中介法、资产法、用户成本法和价值附加法等五种（Berger和Humphrey，1997）。其中，生产法、中介法和资产法三者应用最为普遍（Casu和Molyneux，2003）。生产法假设，金融机构作为生产者，向金融账户的拥有人提供包括执行交易指令以及处理贷款申请、信用报告、支票及其他支付工具等文书在内的各项金融服务的生产者，因而用一定时间内处理的交易或者文书的数量和类型或者现有存（贷）款账户数量（如Ferrier等，1990）来衡量产出，同时用资本和劳动力来衡量投入。中介法假设，金融机构（尤其是商业银行）作为将储蓄转化为投资的中介机构，以业务指标（如存款金额和贷款金额）作为产出，投入同样可以用资本和劳动来衡量（如Berger和Humphrey，1991）。资产法也将商业银行视为金融中介机构，但仅将资产项目视为产出，因此产出不包括负债性质的存款（如Berger，1993）。根据Berger和Humphrey（1997），与生产法相比，中介法更适合于商业银行整体而不是其分支机构的效率的评估，而且在评价前沿效率对于商业银行盈利能力的重要性方面效果更好。由于笔者旨在分析金融混业对于金融机构效率变动的影响，所考察的金融机构不仅限于商业银行，因此，笔者参照中介法进行投入和产出的界定和选取。鉴于金融机构在资金经营上的共性，笔者以净资产和营业费用作为DEA模型的投入，以营业收入作为DEA模型的产出。
（三）回归模型
基于研究目的，笔者以金融机构技术效率变动作为被解释变量，以金融机构是否在较大程度上开展混业经营的虚拟变量（以下简称为“混业虚拟变量”）以及其他重要指标作为解释变量，并利用平衡面板数据进行回归分析。由于金融机构（尤其是商业银行）在很大程度上是通过经营负债获取利润的，资本结构及其变动很可能对金融机构的效率变动产生影响。因此，笔者以资本结构及其变动作为回归模型的解释变量。同时，笔者以资本结构与混业虚拟变量的交叉积以及资本结构变动与混业虚拟变量的交叉积作为回归模型的解释变量。
具体而言，记时间参数为t，技术效率变动为EC，混业虚拟变量为MO（混业，则MO=1；否则，MO=0），资本结构为CS。回归模型如下：
ECit=α0+α1×MOit+α2×CSit+α3×ΔCSit+α4×（M0it×CSit）+α5×（MOit×ΔCSit）+εit（7）
（四）样本
笔者以沪深证券交易所上市的49家金融机构2008―2014年的年度数据作为样本。这些样本金融机构包括16家商业银行（即：平安银行，宁波银行，浦发银行，华夏银行，民生银行，招商银行，南京银行，兴业银行，北京银行，农业银行，交通银行，工商银行，光大银行，建设银行，中国银行，中信银行）、4家保险公司（中国平安，新华保险，中国太保，中国人寿）、24家证券公司或者在证券行业拥有重要利益的上市公司（申万宏源，东北证券，锦龙股份，国元证券，国海证券，广发证券，长江证券，山西证券，西部证券，国信证券，中信证券，国金证券，西南证券，海通证券，东方证券，招商证券，太平洋，东兴证券，国泰君安，兴业证券，东吴证券，华泰证券，光大证券，方正证券）、5家其他金融机构（民生控股，陕国投，爱建集团，中航资本，安信信托）。现有的另1家上市证券公司（国投安信）因数据不足原因被剔除。 上述所有样本数据（除混业虚拟变量）都来自Wind资讯。对于混业虚拟变量，笔者利用了来自巨潮资讯的公开信息。如果在样本期内，样本金融机构的业务正式涉及两个及两个以上行业（考虑到分类监管因素，仅考虑银行、保险、证券期货、信托等四类行业），那么，笔者认为该金融机构已经“在较大程度上开展混业经营”，亦即令其混业虚拟变量的当期值为1，否则为0。
三、实证结果与分析
（一）模型设定
为了检验序列的平稳性，分别针对变量EC、MO、CS、ΔCS、（MO×CS）、（MO×ΔCS）进行单位根检验。涉及面板数据的单位根检验的方法主要包括LLC（Levin-Lin-Chu）检验、Breitung检验、Hadri检验、Im-Pesaran-Skin检验、Fisher-ADF检验和Fisher-PP检验等6种。其中，前三者假设各截面序列具有相同的单位根过程，后三者则允许各截面序列具有不同的单位根过程。鉴于技术效率数据生成机制的复杂性，笔者选择不考虑前三者而选择后三者中应用最为广泛的Fisher-ADF检验。单位根检验方程分为不包含截距项和趋势项、只包含截距项、同时包含截距项和趋势项三种形式。笔者通过曲线图识别上述变量的单位根检验应当采用哪种形式，检验结果见表1。从表1中可以看出，在5%的显著性水平下，可以认为上述变量都是平稳的。
面板数据模型需要在固定效应模型和随机效应模型之间作出选择，为此通常采用Hausman检验和Breusch-Pagan检验。笔者选用现有文献通常采用的Hausman检验，并在5%的显著性水平下选择固定效应模型。
（二）回归结果
由表2回归结果可以认为，在5%的显著性水平下，混业经营并不会有助于提高金融机构的技术效率，恰恰相反，混业经营会显著地抑制金融机构的技术效率改善。在横截面上，经营杠杆越高，金融机构的技术效率改善越受到显著的抑制，但是，与非混业经营相比，混业经营下经营杠杆的使用对于金融机构的技术效率改善具有显著的正面影响。与此相反，经营杠杆的跨期正向变动，能够显著地促进金融机构的技术效率改善，但是，与非混业经营相比，混业经营下经营杠杆的跨期正向变动对于金融机构的技术效率改善具有显著的负面影响。
四、结论
笔者基于我国46家金融类上市公司2008―2014年的面板数据样本，利用基于DEA的Malmquist指数方法，研究混业经营和资本结构是否会对金融机构技术效率的跨期变动产生显著影响。结果发现，混业经营会显著地抑制金融机构的技术效率改善。资本结构及其变动对于金融机构的技术效率改善以及混业经营对这一改善的作用具有重要影响。上述分析意味着，金融机构混业经营决策的作出，很可能是基于战略上的较为长远的考虑，而不仅仅是为了在短期内提高技术效率。此外，在有关混业经营的决策既定的情况下，有可能通过合理改变经营杠杆以促进金融机构技术效率的改善。
