访问学者申请
EMAIL
北京大学
ENGLISH
周雨田：2002年至2009年期间中国银行效率增长的来源
周雨田研究员对银行效率进行了研究，着重分析了2002年至2009年期间19家银行生产率的变化。本次演讲主要从四个方面展开，首先是介绍此次演讲的其次分析了本研究所采用的方法，再次展示了实证的研究结果，最后总结本研究。
在过去的三十年，中国银行系统逐步进行改革，在许多方面都获得了巨大成功。中国的银行进步非常明显，不仅是量上，而且在品质上也得到了很大的提升。银行业的总资产已经超过60万亿，这是1978年的300倍。2009年9月，中国银行业的资本充足率和拨备覆盖率（provision coverage）也大大地超过了10% 和 150%。中国工商银行，中国建设银行，中国农业银行和中国银行成为世界上最大的四家银行。
金融业的改革主要集中在使银行部分变得有效，提高银行部分的生产效率。本文着重研究全要素生产率的变化，并分解2002年至2009年期间的中国银行业生产效率变化的来源。过去文献研究银行业效率的变化，总是采用Malmquist TFP 指数或Luenberger TFP 指数的方法。然而，这些指数都是加总层面的指数，如果我们想看各个要素的变化，那么这些指数缺乏一些洞察力。所以，本文想要克服全要素生产率指数和传统的率度量的缺点。本文采用一种新的衡量效率和生产率的改进的指标，过去未曾有人用过。
本文使用一种基于投入差额的全要素生产率指数（input slack-based total-factor productivity index，ISP）来克服传统指数的缺点，可以计算每一个个别生产要素生产率和效率的改进。这是本文方法上的独创和贡献。
我们首先假设生产技术模型描述了每个时刻多种投入用于生产多种产出的过程。Luenberger生产率指数基于直接距离函数。如果Luenberger生产率指数小于零，那么这代表生产率在此时间内是倒退的；而当Luenberger生产率指数等于零时，这意味着生产率是在一定时期内保持不变的；当Luenberger生产率指数大于零时，这说明生产率是在一定时期内是逐渐提高的。
Briec (2000)介绍了一个 Färe-Lovell有效性测度，这个测度的优点在于其能够从边界上选择一个强有效的向量。全要素生产率能够分解为各个投入的生产率变化。
本文考虑三种投入和两种产出的模型，来调查中国银行业的全要素生产率变化。产出包括各项贷款和其他盈利资本。而传统研究中，劳动、资本和存款（fund）是传统的投入要素，资金意味着各项存款，资本是全部固定资产，劳动是一家银行雇员的总人数。
本文收集了2002年至2009年期间19家中国银行生产率的平衡面板数据，包括中国的四大国有银行、国家控股商业银行以及许多城市商业银行。金融数据，包括资产负债表和损益表的各项都是来自于Bankscope。由于Bankscope中雇员人数的数量非常不完整，因此劳动数据由各个银行的年度报告补充。所有的名义价格都采用2009年作为基数，由GDP平减指数进行调整。各项负债平均为9584.22亿元，而全部银行活期和短期存款平均为16906.53亿元。
我们首先来看行业层面的生产率分析。2002年至2003年，全要素的技术变化为0.0649，其中存款引起的技术变化为0.0483，资本引起的技术变化为0.0219，而劳动引起的技术变化为0.1244。2007年到2008年，全要素的效率变化为-0.0369，其中，存款引起的效率变化为-0.0005，资本引起的效率变化为-0.0975，而劳动引起的效率变化为0.0129。
我们再来看银行组合的生产率分析。国有银行、合资银行和各城市商业银行在由存款带来的投入效率的变化是差不多的，但是国有银行在资本项目上带来的投入效率的变化上远超过合资银行和各城市商业银行。劳动方面，却是各城市商业银行的投入效率变化较高。
企业层面的实证结果表明，只有北京银行和南京银行能够在所有三种投入中提升边界，农业银行的全要素生产率却是负的，由技术进步导致的全要素生产率增加的只有3家银行，而10家银行的技术进步超过了效率从而带来全要素生产力的增加。
总结而言，ISP指数有两个优点。第一，TIPI指数能够在全要素的框架下，计算特定投入要素带来的生产率的变化。第二，TIPI指数度量全要素生产率为各个投入带来的生产率变化的算术平方和。所以，我们可以找到全要素生产率的主要驱动因素。在中国，银行业的全要素生产力主要是技术进步引起的，尤其是资金的使用。
徐建国：资产定价因子的可移植性（portability）
徐建国副教授为我们构建了一个中国股票市场的因子模型。本文的动机是想找出影响中国股票市场的因子，从而将其作为中国股票市场分析的模板。中国股票市场是一个很大的资本市场，Fama-French的因子模型在中国也许并不适用，但是中国股票市场也没有违反跨期资产定价模型等理论，那么中国市场是不是可以有自己的因子模型？中国的因子模型是不是可以与美国不同？跨期资产定价模型，资产套利模型等并没有指定特定的因子，那么中国股票市场可以建立自己的因子模型。其中，一般规律是适用的，但有少许不同。
先来看一下本文得到的结果。系统研究了中国A股市场上贝塔系数、股票市值、市盈率、市净率、杠杆率、流通股比率、成交量和超额成交量对回报率的影响后，发现股票市值、市盈率对回报率的影响显著，杠杆率对回报率的影响前期较强，近期减弱，其他因素无显著影响。市场平均回报率、股票市值，市盈率和超额成交量这四个因子可以解释大部分的A股回报率的变化。控制了这四个因子之后，其他因素对A股回报率无显著影响。在确立了A股市场的四因子模型后，进一步考察股票市值和市盈率是风险因子还是特征因子。证据表明，股票市值背后既有风险也有特征因素，而市盈率对回报率的影响只和股票特征有关。
本文所有数据来自中国股票市场研究数据库（CSMAR）。个股的月回报率（经过分红分拆调整）、流通市值、总市值数据来自CSMAR的股票市场交易数据库，总资产、净资产、净收入数据来自CSMAR的上市公司财务报表数据库。这里去除了每只股票上市之后前6个月的数据，以去除新上市股票价格异常行为对结果的影响。股票市场建立初期的股票数量少，波动大，规律不稳定，因此本文将研究的时间区间选为1995年1月至2012年12月。
首先来看单个因子对回报率的影响。股票市值与回报率呈现显著的负相关关系，市值最高组股票（大股票）比最低组的股票（小股票）月回报率低了1.93%，在统计上高度显著。市值高回报率小的规律与美国市场是一致的，与以前中国股市上的发现也一致。进一步的子样本分析表明这一规律在我国市场上很稳定，其中1997-2001年大股票比小股票的月回报率低了3.83%，2002-2005年高了0.92%，2006-2010年低了2.32%，。2002-2005年间大小股票回报率差异反了过来，但是并不显著。
市盈率与回报率呈显著且稳定的负相关关系，但在市盈率很高时出现微弱的翘尾现象。1997-2010年，市盈率从最低组到最高组，回报率下降了1.63%，非常显著。需要注意的是，回报率并不是随着市盈率上升而单调下降，而是存在一个翘尾的现象。从最低组到第9组，回报率从3.22%下降到1.45%；从第9组到最高组，回报率从1.45%反弹到1.58%，如果分组个数增加，翘尾现象更明显。上述规律，包括翘尾现象，在各子样本中均稳定出现。
过去一个月的超额换手率和回报率之间也存在负向关系。超额成交量和回报率之间却是存在一个倒U型的关系。
通过对双变量的分析发现，在控制了股票市值以后，市盈率对回报率依然有显著的负影响，超额成交量对回报率也存在负向关系。在中国，市净率不是一个很有效的影响因子，在控制了市盈率之后，市净率对回报率就没有显著影响了。为什么市净率这个指标在中国不适用？可能是在中国，净资产的核算存在许多猫腻，使得整个样本中市净率变得不可靠。
总结而言，本文系统研究A股回报率的规律，发现市值、市盈率和成交量能够稳定地预测回报率，而市净率和浮动只在2002年至2005年这一时间段内适用。本文构建了适用于A股市场的市场平均回报率、市值、市盈率和超额成交量的四因子模型，这一因子模型不同于美国市场的因子模型。然后探索市值、市盈率因子背后的风险与特征因素，发现股票市值背后既有风险也有特征因素，而市盈率对回报率的影响由股票特征导致，与风险无关。
（黄雯 整理）
