DEA模型在银行破产预测中的应用：以次贷危机期间的美国银行为样本

摘要

银行是金融领域中最重要的中介机构，在提高资源配置效率、有效调控宏观经济运行等方面发挥着重要的作用。银行破产对金融系统、经济系统乃至整个国民经济都会产生十分深远的影响。因此，对破产银行进行预测对监管当局及时采取措施阻止其倒闭或减小银行倒闭的成本及对外界的不良影响等方面具有十分重要的现实意义。
　　2007年8月美国爆发的次贷危机被视为是自上世纪30年代的大萧条以来最大的金融危机，给全球经济都带来了严重灾难。在这场危机中首当其冲遭受打击的就是美国银行业，美国房地产市场泡沫的破裂直接侵蚀到银行业的优质贷款上，恶意违约率的不断上升导致巨额不良资产日益积累，由此，大量银行业绩恶化并面临破产危险。因此，本文选取2008年-2013年美国356家破产银行和与它们资产规模相当的712家健康银行作为样本对银行的破产进行预测研究。
　　对银行进行破产预测的研究最早可以追溯到1970年Meyer和Pifer发表的论文。此后，陆续有学者将线性判别分析模型、Logistic回归模型、生存分析模型用于对银行破产的预测中。除上述模型之外，数据包络分析也被广泛应用于银行破产风险的研究中。
　　数据包络分析（DEA）是一种基于被评价对象间相对比较的非参数技术效率分析方法，由美国著名的运筹学家Charnes、Cooper和Rhodes3人于1978年首次提出。DEA可以看作是处理具有多个输入和多个输出的多目标决策问题的方法，通过分析投入产出信息评价组织效率。DEA模型的基本原理是通过输入输出变量识别出一组有效决策单元，其他决策单元则通过其与有效决策单元构成的效率前沿的距离确定各自的效率值。
　　自上世纪90年代起，学术界掀起了一股运用DEA模型来预警银行破产风险的浪潮。本文在总结了运用DEA模型对银行进行破产预警、研究银行盈利效率以及银行市场效率所选用的变量的基础上，参考地理位置不是银行效率的影响因素之一这一观点，选取了2008年-2013年破产的356家美国银行和与它们资产规模相当的712家健康银行为样本，选取拨贷比、不良贷款占股东权益的比率、成本收入比、平均总资产收益率、净息差、总资本充足率以及流动资产占总借款与存款额的比率这七个财务比率作为方向距离函数超效率模型的输入输出变量对美国次贷危机发生后的银行破产进行预测研究。
　　本文对比研究了运用 DEA模型和Fisher判别法对2008年-2013年美国1068家银行共5398组年观测值进行破产预测得到的结果，其中，在用DEA模型对银行效率进行评分进而以分数大小筛选破产银行的方法中，本文总共采取了两种方式确定预测的银行破产数量:一是以每年实际破产银行数量为基准筛选出同样数量银行效率值最小的银行确定为预测的破产银行并将预测结果标为DEA模型预测结果Ⅰ;二是以每年实际破产银行数量的两倍为基准将筛选出的银行效率值最小的银行定为破产银行并将预测结果标为DEA模型预测结果Ⅱ。
　　本文的银行破产预测结果显示，DEA模型预测结果Ⅰ得到的第一类错误率即错误将破产银行预测为健康银行的概率为44.94%、第二类错误率即健康银行被错误预测为破产银行的概率为3.17%、总预测准确率为94.07%；判别分析法得到的第一类错误率为37.08%、第二类错误率为2.86%、总预测准确率为95.98%；DEA模型预测结果Ⅱ第一类错误率为17.13%、第二类错误率为8.27%、总预测准确性为91.14%。
　　基于银行在社会经济中扮演角色的重要性，本文认为在对银行进行破产预测时，将破产银行正确预测出来比将健康银行错误识别为破产银行更加重要，因为前者可以引起监管者的注意，能使监管者更好地评估银行的经营状况、给与最妥善的安排，就算管理部门最终选择对破产银行进行援助，提前识别破产银行对管理当局最小化紧急援助成本也具有重要意义，而后者虽然将健康银行错误识别为破产银行，但也是根据银行当前的财务状况得出的。在一家银行的经营过程中难免会出现财务状况不好的时候，这个时候监管当局适当给与关注、提供帮助对储户资金的安全、社会经济的稳定具有重要意义。因此，综合考虑认为DEA模型预测结果Ⅱ更具有参考意义。
　　本文还应用 Malmquist全要素生产率指数研究了次贷危机发生后，银行业效率的变化情况。通过 Malmquist全要素生产率指数的值可以发现，次贷危机发生后的第一年里，无论是健康银行、破产银行还是整个银行业的效率前沿较前一年均出现了大幅度的缩水。本文从效率变化和技术变化两个层面分别对破产银行和健康银行及所有样本银行的全要素生产率变化作了分解后的结果表明，次贷危机发生后，在银行业的生产效率普遍出现大幅度下降的情况下，破产银行之所以倒闭的原因是其效率下降的程度高于行业平均水平，与之相对的健康银行受到的负面影响更小，总生产效率的退步低于行业平均水平。
　　本文得到的主要研究结论如下：（1）与判别分析法相比，DEA模型在银行破产预测研究中效果显著且灵活性强；（2）适当地放弃一点健康银行预测的精度以大幅度提高破产银行预测的准确度对保障银行安全具有重要意义，特别是当银行业遭受负面冲击、银行破产数量大幅上升时；（3）次贷危机发生后，在银行业的生产效率普遍出现大幅度下降的情况下，破产银行之所以倒闭的原因是因为其效率下降的程度高于行业平均水平。
　　本文的创新点在于应用DEA模型对破产银行进行预测时，第一次提出以两倍于实际破产银行数量的银行作为预测的破产银行进行银行破产预测。结果表明，与以实际破产银行数量为基准运用DEA模型对破产银行进行识别的结果相比，用于统计预测结果好坏的第二类错误率提高5.1%可以使第一类错误率降低17.13%，基于破产银行的正确预测比将健康银行错误识别为破产银行更加重要的观点，本文认为当将破产银行的预测数量扩大至两倍于实际破产银行的数量后，运用DEA模型对银行进行破产预测的表现更优，尤其是当金融危机发生期间，银行业生产率下降、银行破产数量大幅上升时。
　　本文在运用DEA模型对样本银行进行破产预测时，人为地选择了预测的破产银行数量，其中，DEA模型预测结果Ⅰ以实际的破产银行数量为基准确定预测的破产银行数量，DEA模型预测结果Ⅱ以实际破产银行数量的两倍作为预测的破产银行数量。这种确定预测的银行数量的方法较为主观且略显粗糙。但本文认为 Malmquist全要素生产率指数的大小有助于确定预测的破产银行数量，Malmquist全要素生产率指数的大小与预测的具体破产银行数量的数量关系可作为未来DEA破产预测研究的一个方向。

目录

声明

1.绪 论

1.1 研究背景

1.2 研究意义

1.3 研究方法的发展历史

1.4 研究内容及本文框架

1.5 创新点

2.文献综述

2.1 DEA模型的运用

2.2 变量的选择

2.3 Malmquist全要素生产率指数

2.4 地理位置对银行效率的影响

2.5 本章小节

3.研究方法

3.1 DEA基本模型

3.2 超效率模型

3.3 方向距离函数超效率模型

3.4 Malmquist模型

3.5 Fisher判别法

3.6 本章小节

4.实证分析

4.1 样本数据

4.2 DEA模型对银行进行破产预测的结果分析Ⅰ

4.3 Fisher判别法的银行破产预测结果的分析

4.4 DEA模型预测结果Ⅰ与Fisher判别法实证结果的对比分析

4.5 DEA模型对银行进行破产预测的结果分析Ⅱ

4.6 Malmquist分析

4.7本章小节

5.结 论

5.1 实证结论

5.2 研究不足

5.3 研究展望

参考文献

后记

致谢