基于SEM-SVM商业银行核心竞争力的分析与评价
我国对商业银行核心竞争力的研究已经取得了一些成果。国内学者普遍认为其构成要素包括定性指标和定量指标，其中定性指标包括治理结构、组织管理体系、创新能力、管理能力、营销能力、风险控制能力，定量指标包括盈利能力、流动性、安全性和经营能力。总结来说我国国有控股商业银行核心竞争的构成要素包括四方面：业务结构、资本结构、人力资本和组织结构，即从流动性、安全性、资本状况、资产质量及管理水平五个方面对其进行研究。
关于商业银行核心竞争力评价指标研究现状如吴军海（2010）在分析我国商业银行核心竞争力时，采用的评价指标体系是：资本状况、发展能力、资产质量、盈利能力、流动性五类指标。刘佳敏（2010）将我国商业银行和外资银行的核心竞争力进行了比较与分析时，采用了市场份额指标、盈利能力指标、风险管理能力指标、流动性指标、管理能力指标。王军（2011）在构建商业银行核心竞争力的评价指标体系中，采用了流动性指标、盈利性指标、安全性指标和自身发展性指标。
但是对于商业银行核心竞争力进行评价时，大部分采用AHP，模糊评价等经典的评价方法。这些方法虽然理论比较成熟，但在实际应用中存在主观性较大，认为因素较多，隶属函数确定较为困难，过度拟合等问题。
因此本文针对上述问题，在已有商业银行核心竞争力评价方法基础上，对商业银行核心竞争力进行智能评价。本文将现实竞争力，潜在竞争力及业务结构都纳入指标体系中，并借助结构方程指标体系进行验证，使评价方法实现了集理论与实证检验合为一体。鉴于支持向量机有严格的理论依据，能够很好地解决小样本，非线性等实际问题，并且能保证得到全局最优解，因此本文提出采用支持向量机对商业银行核心竞争力进行评价。
一、商业银行核心竞争力评价指标体系的构建
1.构建商业银行和兴竞争力评价指标体系
人民银行给出了商业银行竞争力的指标体系二级指标（资科来源：陆跃翔，席军等.中国城市商业银行研究[M].北京：经济科学出版社，2010）包括现实竞争力，潜在竞争力，环境中因素。三级指标包括流动性，盈利能力，资产质量，资本充足率和发展能力，法人治理结构，业务人员体系及创新。四级级指标包括备付金比率，流动性比率，货存比率，其他因素，资产利润率，资本利润率，利润增长率，人均利润额，利息回收率，应付利息充足率，逾期贷款率，呆滞贷款率，呆账贷款率，风险资产抵补率，加权风险资产抵补率，资本金充足率，存款增长率，贷款增长率，内部组织，外部组织，业务体系，业务创新，法律法规监管能力，经济金融运行态势，金融政策措施效应，现观产业指标。分别用X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11、X12、X13、X14、X15、X16、X17、X18、X19、X20、X21、X22、X23、X24、X25、X26来表示。本文采用Amos软件绘制结构方程模型图。
2.样本数据的选取
结合结构方程模型原理和我国商业银行的特点设计的变量来编制商业银行核心竞争力的可行性分析的数据样本，通过多次讨论及数据收集，根据《银行家》杂志获得相应数据。
《银行家》杂志提供有效问卷样本533份，经过个人筛选去除14份，有效率高达97%。
3.结构方程模型的检验
（1）变量的信度检验。信度检验主要评价测量结果与实际值之间的误差程度。本文采用克朗巴哈系数Cronbach α系数值。一般认为，克朗巴哈系数大于0.70为高信度。
（2）变量的效度检验。消毒检验是为了检查预测变量的精度程度。效度分析采用因子分析法。一般认为，因子载荷大于0.50，表明问卷有很好的效度。
根据上述表格可以看出，模型的整体适配度达到了要求，说明数据和模型的拟合度很好，模型的建立符合标准，具有科学性。
二、商业银行核心竞争力SVM智能评价模型
商业银行核心竞争力支持向量机评价模型的流程包括以下5个步骤：（1）以结构方程模型的指标体系为依据。（2）学习样本的收集与处理。把7家上市商业银行的数据进行归一化处理，得出训练样本与测试样本。（3）选取学习参数，核参数、容忍误差。（4）调用支持向量机模型进行训练。将训练样本进行训练，测试样本进行测试。（5）商业银行核心竞争力评价模型建立。
1.数据的收集与处理
从我国各大商业银行中选出7个上市商业银行为样本进行研究，定量数据从所选的7个银行的《银行家》杂志获取相应数据，通过归一处理得到数据指标，按照《银行家》杂志所提供的调查数据，获取定型数据。
数据最后测算结果为样本对数据结果归一化到[0.1]处理，样本评价结果被量化为五个等级。
Ⅰ：[0.9，1]之间，很强，商业银行核心竞争力很强；
Ⅱ：[0.8，0.9]之间，比较强，商业银行核心竞争力较强；
Ⅲ：[0.6，0.8]之间，一般，商业银行核心竞争力一般；
Ⅳ：[0.3，0.6]之间，较弱，商业银行核心竞争力较弱；
Ⅴ：[0，0.3]之间，很弱，商业银行核心竞争力很弱。
2.SVM训练及结果
本文选用径向基函数。SVM的三个参数分别为，惩罚系数C=[0，100]，和宽度σ=[0.01，10]，不敏感系数ε=[0.0009，3]本文选用交叉验证法中的K-CV来确定参数，经过多次参数调整训练得出，当C=95，ε=0.001，σ=0.94时，均方误差最小为0.00126.此时为最优的SVM模型。
将作为测试样本的7组数据输入训练好的决策函数，测试的结果，实际值，误差值如表所示。
上面得出的商业银行核心竞争力的SVM评价模型，依据选取的样本的测算和预测，误差限制在0.03%以内，已经符合评价商业银行核心竞争力的精度要求，因此该模型可以较好的应用于商业银行核心竞争力评价中，将归一化后的评价指标特征值输入前面建立好的SVM模型，即可得出商业银行核心竞争力评价值（预期值），并得到相应的评价等级
三、结束语
本文从商业银行核心竞争力和项目评价入手探寻商业银行核心竞争力，借助结构方程模型将抽象的核心竞争力转化为具体的指标来分析，并利用支持向量机理论建立支持向量机评价模型，在样本数据较少的情况下，该模型较好地反映了商业银行核心竞争力与六个主要影响因素之间的非线性关系，使评价结果更客观，更符合实际情况。
- 上一篇：浅析银行如何做好小额农贷风险管理
- 下一篇：对我国影子银行发展的思考
