基于改進SFA模型的銀行效率與風(fēng)險動態(tài)關(guān)系研究
——來自中國16家上市商業(yè)銀行的經(jīng)驗證據(jù)

鐘世和，何英華，吳 艷

(1.西安交通大學(xué) 經(jīng)濟與金融學(xué)院，陜西 西安 710061； 2.中國人民銀行西安分行 營業(yè)管理部，陜西 西安 710002；3.陜西省審計廳，陜西 西安 710002； 4.秦農(nóng)銀行，陜西 西安 710077)

一、引言

控制風(fēng)險與提高效率不僅是商業(yè)銀行必須權(quán)衡的兩難抉擇，也是國家維護金融穩(wěn)定和促進經(jīng)濟發(fā)展的兩大主題。特別是2008 年“次貸危機”以來，世界各國都提高了對風(fēng)險控制的要求，巴塞爾協(xié)議Ⅲ的頒布，更顯示出銀行風(fēng)險控制的重要性。2012年以來，隨著中國經(jīng)濟邁入新常態(tài)，商業(yè)銀行的風(fēng)險逐漸開始暴露，在這種情況下中國政府將金融安全提到了國家安全的高度。2012年，黨的十八大報告提出“完善金融監(jiān)管，推進金融創(chuàng)新，提高銀行、證券、保險等行業(yè)競爭力，維護金融穩(wěn)定”的要求；2017年7月，習(xí)近平總書記在全國金融工作會議上指出：“金融是現(xiàn)代經(jīng)濟的核心，金融安全是國家安全的重要組成部分”；同年10月，黨的十九大報告強調(diào)“健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線”，這充分說明金融安全事關(guān)國家安全。效率是商業(yè)銀行的生命線，是商業(yè)銀行在市場競爭中立于不敗之地的關(guān)鍵所在，中國的金融體系是典型的銀行主導(dǎo)型，資本市場發(fā)展較為緩慢，如何處理好商業(yè)銀行風(fēng)險與效率的關(guān)系以及提高商業(yè)銀行效率和風(fēng)險控制能力，對中國金融體系乃至國家經(jīng)濟發(fā)展和社會穩(wěn)定起著非常關(guān)鍵的作用。因此，研究二者的動態(tài)關(guān)系具有理論和現(xiàn)實意義。

關(guān)于商業(yè)銀行風(fēng)險對效率影響方面的研究，可以概括為兩個階段：第一階段，采用簡單的回歸方法研究風(fēng)險對效率的影響。首先，運用參數(shù)或非參數(shù)方法測算銀行效率，前者的典型代表為隨機前沿方法(Stochastic Frontier Approach，SFA)，后者的典型代表為數(shù)據(jù)包絡(luò)分析(Data Envelopment Analysis，DEA)；其次，采用相關(guān)的風(fēng)險指標(例如流動性風(fēng)險、信用風(fēng)險等指標)對銀行效率進行回歸分析。Fan等人運用SFA估算了1998 年美國銀行的利潤效率，通過回歸分析發(fā)現(xiàn)利潤效率與信用風(fēng)險及破產(chǎn)風(fēng)險呈正相關(guān)關(guān)系，而與流動風(fēng)險的關(guān)系不顯著[1]；白雪梅等人運用SFA模型測算了2005—2011年中國13家商業(yè)銀行的成本效率，實證檢驗了信用風(fēng)險對其的影響[2]。第二階段，直接將風(fēng)險納入效率模型與未納入效率模型的結(jié)果進行對比。Drake等人以日本1997年的商業(yè)銀行為研究對象，采用DEA模型測算了考慮和不考慮商業(yè)風(fēng)險因素的銀行效率，結(jié)果差異較大[3]。

當前，關(guān)于商業(yè)銀行效率對風(fēng)險影響方面的研究文獻相對較少，主要集中于國外學(xué)者的研究上。Williams研究發(fā)現(xiàn)，銀行的低效率將促使商業(yè)銀行經(jīng)理為了自己的聲譽、信用而冒更大的風(fēng)險[4]；Jeischko等人研究發(fā)現(xiàn)，低效率將導(dǎo)致較高的風(fēng)險[5]；Abedifar 等人研究了商業(yè)銀行效率對違約風(fēng)險的影響，結(jié)果表明不同的樣本得出的結(jié)論相反[6]；Delis 等人以美國銀行業(yè)的數(shù)據(jù)為實證對象，首次基于改進的SFA模型將風(fēng)險內(nèi)生化(風(fēng)險作為潛在變量既不是產(chǎn)出也不是投入)，測算了商業(yè)銀行的效率，并在測算商業(yè)銀行方差的基礎(chǔ)上檢驗了商業(yè)銀行效率對風(fēng)險的影響，發(fā)現(xiàn)效率對風(fēng)險有負向影響[7]。

綜上所述，現(xiàn)有文獻多集中于研究商業(yè)銀行風(fēng)險對效率的影響，效率對風(fēng)險影響的研究文獻相對較少。在研究方法上，前期的研究多采用傳統(tǒng)SFA或DEA研究商業(yè)銀行效率；在模型設(shè)計上，雖然考慮了風(fēng)險，但尚未將風(fēng)險內(nèi)生化，且外生的是某一類風(fēng)險或幾類風(fēng)險，尚未將商業(yè)銀行的整體風(fēng)險內(nèi)生化。近期，Delis 等人的研究取得了顯著的成果，該文通過對SFA模型改進，內(nèi)生化了風(fēng)險，使得測算的結(jié)果更加符合現(xiàn)實情況[7]。為此，筆者基于該文改進的SFA模型，以中國銀行業(yè)微觀數(shù)據(jù)為實證對象檢驗商業(yè)銀行效率與風(fēng)險的互動關(guān)系。本文的貢獻是：一是采用基于改進的SFA模型，將商業(yè)銀行風(fēng)險內(nèi)生化，使商業(yè)銀行效率的測算更加準確；二是采用方差法測算商業(yè)銀行的整體風(fēng)險，彌補了當前研究僅研究個別風(fēng)險或多個風(fēng)險與商業(yè)銀行效率關(guān)系的不足；三是采用向量自回歸(Vector Auto-regression，VAR)模型，檢驗商業(yè)銀行效率與風(fēng)險的互動關(guān)系，并在方差分解的基礎(chǔ)上，檢驗了相互影響程度的差異。本文的實證結(jié)果為中國商業(yè)銀行如何適度承擔風(fēng)險和在穩(wěn)健經(jīng)營的前提下進一步深化改革發(fā)展、提高效率、控制風(fēng)險，提供了實證依據(jù)。

二、基于改進SFA模型的商業(yè)銀行效率測算

(一)改進的SFA模型

1.SFA的基本模型——利潤效率。假設(shè)商業(yè)銀行是在給定產(chǎn)量和要素價格的條件下，通過調(diào)整產(chǎn)出價格和投入數(shù)量實現(xiàn)最大化利潤，商業(yè)銀行的利潤目標函數(shù)如下：

(1)

其中Π指某商業(yè)銀行在某一特定時間點的利潤水平；x和y表示生產(chǎn)的投入和產(chǎn)出，它們的價格分別是w和p，這個函數(shù)在實證研究上較為普遍與流行，因為該方法的一個重要優(yōu)點是它可估計偏離完全競爭行業(yè)的利潤函數(shù)。利潤目標函數(shù)式(1)假設(shè)所有商業(yè)銀行都在最佳利潤前沿生產(chǎn)，然而這個假設(shè)是相當有問題的，因為所有的商業(yè)銀行都在一定的成本或收入無效率的生產(chǎn)水平下生產(chǎn)。為了確定考慮效率水平，通常的做法是估計如下形式的方程：

logΠit=x'itβ+vit-uit

(2)

其中x'it表示在時間t商業(yè)銀行i的投入價格和產(chǎn)出的向量，β為待估計的技術(shù)參數(shù)；vit為隨機擾動，并且uit≥0是單邊誤差項，代表利潤無效率。利潤效率可計算為exp(-uit)。

2.內(nèi)生化風(fēng)險的SFA模型——利潤效率與回報效率。上述SFA的基本模型是不考慮風(fēng)險的，從文獻綜述來看，盡管有學(xué)者注意到將與風(fēng)險相關(guān)的變量納入到SFA模型，但局限是不能將所有風(fēng)險都納入到SFA模型，且風(fēng)險是外生的。為此，擬通過利潤或回報的隨機波動來改進SFA模型，使得風(fēng)險內(nèi)生化。為了將風(fēng)險正式納入SFA模型，將式(2)擴展如下：

(3)

Πit=Π*it+εit

(4)

具體而言，參照現(xiàn)有波動模型的具體形式，依據(jù)式(3)式(4)給出式(5)：

η1logui，t-1+c1，it

(5)

式(5)中z'是潛在影響風(fēng)險的其它變量的向量，c1是隨機擾動，α01，α1，γ1，δ1，η1是主要估計的參數(shù)。方程式(3)～(5)是穩(wěn)健的，只要無效率部分u不受風(fēng)險部分的影響。

同理，可得到式(6)，該式可用來估計改進的SFA模型的利潤或回報效率：

(6)

(二)基于改進的SFA模型參數(shù)的估計方法

因基于改進的SFA模型使用了較多的潛在變量，采用Delis 等人的參數(shù)估計方法[7]，以馬爾可夫鏈蒙特卡羅方法(Markov Chain Monte Carlo methods，MCMC)為核心的貝葉斯估計技術(shù)，對模型涉及的參數(shù)進行估計。

(三)樣本選擇、數(shù)據(jù)來源及變量說明

1.樣本選擇及數(shù)據(jù)來源。截止2017年2月，中國上市商業(yè)銀行的數(shù)量為25家，其中有9家上市日期較晚，關(guān)鍵數(shù)據(jù)指標難以獲取。因此，本文最終選擇16家上市商業(yè)銀行為實證對象(見表1)，其中 5家大型商業(yè)銀行、8家股份制商業(yè)銀行、3家城市商業(yè)銀行，這16家上市銀行的數(shù)據(jù)質(zhì)量較好，是中國銀行業(yè)的代表；樣本期為2001—2016年，樣本數(shù)據(jù)主要來源于Wind數(shù)據(jù)庫，對于個別缺失數(shù)據(jù)，查詢各銀行年報或國泰安數(shù)據(jù)庫；對于極少數(shù)不能查找到的數(shù)據(jù)，采用線性插值法補齊。

表1 中國上市商業(yè)銀行表

2．變量說明。在當前測算商業(yè)銀行效率的文獻中，關(guān)于投入產(chǎn)出的選擇由于方法不同而造成選擇的結(jié)果不同。銀行投入和產(chǎn)出的劃分方法主要有“生產(chǎn)法”、“中介法”、“資產(chǎn)法”，這三種方法各有優(yōu)缺點。因此，很多文獻結(jié)合生產(chǎn)法和中介法的優(yōu)缺點，如李棟將投入變量設(shè)為勞動力、實物資本和可貸資金，將產(chǎn)出變量設(shè)為利息收入與非利息收入[9]。本文沿用這一方法，各變量的說明如表2所示。在計算勞動力福利支出時，采用“支付給職工以及為職工支付的現(xiàn)金”，因其與“應(yīng)付職工薪酬” 相比，能更全面地反映企業(yè)支付給員工的福利。所有的變量最終采用自然對數(shù)形式，其中稅前利潤、利息收入、非利息收入的單位均為元。

表2 投入產(chǎn)出變量表

(四)效率測算結(jié)果與分析

依據(jù)基于改進的SFA模型，運用R軟件，測算出16家上市商業(yè)銀行的利潤效率；同時，為了便于對比，還基于傳統(tǒng)SFA模型測算了商業(yè)銀行利潤效率，并將運用兩種模型測算的結(jié)果進行了對比分析。受篇幅限制測算過程和結(jié)果未有列出，以下僅給出分析結(jié)論(測算結(jié)果可向作者索要)：

第一，總體來看，商業(yè)銀行效率呈現(xiàn)整體螺旋式上升趨勢。從2001年的0.567 4增長至2016年的0.781 9，其中2008年商業(yè)銀行效率有較大的下降幅度，從2007年的0.723 8下降至2008年的0.641 1。值得警惕的是，近年來銀行業(yè)效率整體出現(xiàn)下降的趨勢，2014—2016年呈現(xiàn)微弱的下降趨勢，這可能與近年來整體經(jīng)濟增長下降和“次貸”危機遺留問題造成的風(fēng)險逐漸釋放相關(guān)。

第二，基于改進的SFA模型與傳統(tǒng)的SFA模型計算的銀行效率比較分析，如圖1所示?；诟倪M的SFA模型計算的效率值較低，從2001—2016年的樣本均值看，傳統(tǒng)SFA模型測算的利潤效率顯著高于基于改進的SFA模型測算的效率均值，這一結(jié)論與當前的很多研究結(jié)論一致，忽視風(fēng)險因素會過高估計商業(yè)銀行的利潤效率；從各年度商業(yè)銀行樣本均值排名看，效率排名一致；從趨勢上看，兩種方法測算的結(jié)果基本一致。

圖1 改進和傳統(tǒng)SFA模型的商業(yè)銀行利潤效率均值趨勢圖

三、基于方差法的商業(yè)銀行風(fēng)險測算

(一)方差法

自20世紀 80 年代以來，國外學(xué)者們所采用的度量銀行風(fēng)險的方法大致可劃分為四大類 ：代理變量法、資本資產(chǎn)定價法、方差法以及其它方法[10]。綜合來看，代理變量法是研究某一具體風(fēng)險與其它變量的關(guān)系，但其缺點是不能代表商業(yè)銀行所有的風(fēng)險；資本資產(chǎn)定價法因缺點太多，當前已很少使用該方法度量風(fēng)險；方差法的優(yōu)點是包括了研究對象的所有風(fēng)險類型，適合研究整體風(fēng)險與其它變量的關(guān)系。由于本文主要考察商業(yè)銀行整體風(fēng)險與效率的互動關(guān)系，因此選擇方差法估計商業(yè)銀行風(fēng)險。

通過公式(7)計算風(fēng)險，以計算窗口[t1，tm]內(nèi)公司I資產(chǎn)回報率的標準差來衡量公司戰(zhàn)略風(fēng)險的大小(其中tm=t1+m-1)，即：

(7)

(8)

(二)樣本選擇、數(shù)據(jù)來源及變量說明

1.樣本選擇及數(shù)據(jù)來源。與測算商業(yè)銀行效率的樣本及數(shù)據(jù)來源相同。

2.變量說明。以方差法計算風(fēng)險，需要的變量為總資產(chǎn)回報率，但由于Wind數(shù)據(jù)庫中上市商業(yè)銀行總資產(chǎn)回報率數(shù)據(jù)不全，而總資產(chǎn)凈利率數(shù)據(jù)較為完整，加之兩者概念差異不大，而且都用以衡量企業(yè)盈利能力?？傎Y產(chǎn)回報率=息稅前利潤/平均資產(chǎn)總額×100%，總資產(chǎn)凈利率=凈利潤/平均資產(chǎn)總額×100%。因此，本文以總資產(chǎn)凈利率計算商業(yè)銀行的風(fēng)險，為了與計算利潤效率時的投入產(chǎn)出數(shù)據(jù)形式保持一致，以總資產(chǎn)凈利率的自然對數(shù)計算其方差，這是因為前面在計算利潤效率時所有的變量都取自然對數(shù)，而且自然對數(shù)在數(shù)據(jù)上比較平穩(wěn)。

(三)風(fēng)險測算結(jié)果與分析

沿用舒慶英測量風(fēng)險時窗口期的設(shè)置[11]，本文將商業(yè)銀行風(fēng)險的窗口設(shè)置為3，并采用滾動窗口計算。圖2顯示了2003—2016年樣本期內(nèi)16家上市商業(yè)銀行風(fēng)險年度均值的趨勢，該圖表明年度均值呈現(xiàn)為波動式下降的趨勢，尤其是2008—2009年降幅較大，從2008年的0.332 0降至2009年的0.172 3，背后的原因可能是宏觀經(jīng)濟下行造成銀行不良資產(chǎn)增多。

圖2 16家上市商業(yè)銀行風(fēng)險年度均值趨勢圖

四、基于VAR模型的商業(yè)銀行效率與風(fēng)險動態(tài)關(guān)系實證檢驗

(一)VAR模型設(shè)定

為克服傳統(tǒng)經(jīng)濟計量模型方法變量間可能存的內(nèi)生或外生性問題，Sims提出了向量自回歸模型(Vector Auto regression，VAR)[12]，這是研究時間序列相互關(guān)系的重要模型，一經(jīng)提出就得到了發(fā)展并廣泛應(yīng)用[13]。向量自回歸模型可通過格蘭杰(Granger)檢驗變量間的因果關(guān)系、可通過脈沖響應(yīng)函數(shù)反映變量間的動態(tài)關(guān)系、可通過方差分解反映其它變量對某一變量變動的貢獻程度，其優(yōu)點是讓數(shù)據(jù)說明變量間的客觀關(guān)系，而無需經(jīng)濟理論的支撐；當樣本較多時可避免參數(shù)過多而不可識別模型的問題；不用區(qū)分變量是否為內(nèi)生或外生。因此，本文選擇VAR模型檢驗商業(yè)銀行效率與風(fēng)險之間相互影響的動態(tài)關(guān)系。

首先，在設(shè)定之前，采用STATA13.0先后進行數(shù)據(jù)平穩(wěn)性檢驗、因果檢驗、最優(yōu)滯后項選擇，結(jié)果表明風(fēng)險和效率的數(shù)據(jù)是平穩(wěn)的；其次，效率和風(fēng)險之間存在格蘭杰意義上的因果關(guān)系；再次，為了避免模型內(nèi)生性問題，依據(jù)面板VAR模型的STATA程序包設(shè)計[14]，調(diào)用pvarsoc命令，可依據(jù)CD/J/JPVALUE/MBIC/MAIC/MQIC準側(cè)，確定模型的最優(yōu)滯后階數(shù)為1。VAR模型的具體形式如式(9)所示，其中l(wèi)nrisk表示基于方差法計算銀行風(fēng)險的自然對數(shù)，lnriskeffi表示基于改進SFA模型計算利潤效率的取自然對數(shù)。

(9)

(二)實證結(jié)果與分析

調(diào)用面板VAR模型STATA程序，給出模型系數(shù)的估計結(jié)果、方差分解及脈沖響應(yīng)分析。

1.模型估計結(jié)果。模型估計結(jié)果如表3所示，結(jié)果表明估計系數(shù)均在5%的水平上顯著。從結(jié)果分析可發(fā)現(xiàn)，效率與風(fēng)險呈現(xiàn)雙向負向相關(guān)關(guān)系，這從整體風(fēng)險的視角驗證了中國商業(yè)銀行風(fēng)險和效率的關(guān)系呈現(xiàn)雙向負向相關(guān)關(guān)系，即“鮑曼悖論”在中國商業(yè)銀行微觀層面是成立的。從效率對風(fēng)險影響的估計系數(shù)的方向和大小，可判斷出效率的提高可顯著地降低風(fēng)險(系數(shù)為-0.220 167 4)，而風(fēng)險的提高對降低效率的負向作用較為有限(系數(shù)僅為-0.030 816 4)。

表3 效率—風(fēng)險VAR模型估計結(jié)果表

2．脈沖響應(yīng)分析。脈沖響應(yīng)函數(shù)刻畫了內(nèi)生變量對誤差變化大小的反應(yīng)，是在誤差項上加一個標準差大小的沖擊對內(nèi)生變量的當期值和未來值的影響[15]，對一個變量的沖擊直接影響這個變量，并且通過VAR模型的動態(tài)結(jié)構(gòu)傳導(dǎo)給其它內(nèi)生變量。通過方差分解的分析確定了風(fēng)險對效率與效率對風(fēng)險波動的解釋程度，但是無法確定風(fēng)險(效率)的變動如何影響效率(風(fēng)險)，只有將這種影響程度量化，商業(yè)銀行才能采取有效措施應(yīng)對風(fēng)險或效率的周期性波動。脈沖響應(yīng)函數(shù)是解決該問題的有效工具，實證結(jié)果見圖3。

根據(jù)研究的需要，重點分析效率對風(fēng)險的脈沖響應(yīng)分析、風(fēng)險對效率的脈沖相應(yīng)分析。效率在對風(fēng)險一個單位標準差正向的沖擊后，在第一期發(fā)生-0.050 5個標準差的變動、在第二期達到最小為-0.538 8之后沖擊作用逐漸縮減、直至第10期為-0.003 503 5接近于零，這說明效率的增加對風(fēng)險有降低作用，這種降低作用在第二期達到最大；風(fēng)險對效率一個單位標準差正向的沖擊后，效率在第一期發(fā)生-0.389 7個標準差變動、在第二期達到最小為-0.435 2之后沖擊作用逐漸縮減，直至第10期為-.001 964 8接近于零，這說明風(fēng)險的增加對效率有降低作用，這種降低作用在第二期達到最大。

圖3 效率與風(fēng)險相互脈沖響應(yīng)圖

3.方差分解。通過進行方差分解，得到不同VAR方程的沖擊反應(yīng)對內(nèi)生變量波動的貢獻度，結(jié)果見表4。由表4可以看出：從風(fēng)險的方差分解來看，風(fēng)險波動對風(fēng)險方差的貢獻最大，平均為65.6%，而效率波動對風(fēng)險方差的貢獻均值只有34.4%，效率對風(fēng)險的影響一直在30%左右，說明效率對風(fēng)險影響較大；從效率的方差分解來看，效率波動對效率方差貢獻最大，平均在92.5%，而風(fēng)險波動對效率方差貢獻均值為7.5%。因此，對于商業(yè)銀行而言，提高效率意義重大，不僅能單方面提高整體運營效率，而且有助于降低商業(yè)銀行的風(fēng)險波動，并產(chǎn)生持久的影響。

表4 效率—風(fēng)險VAR模型方差分解結(jié)果表

注：“：”前為沖擊項，“：”后為反應(yīng)項。

五、結(jié)論與啟示

綜上所述，為考察商業(yè)銀行效率與風(fēng)險的動態(tài)關(guān)系，本文以2001—2016年16家上市商業(yè)銀行的微觀數(shù)據(jù)為實證對象，基于改進的SFA模型測算了中國商業(yè)銀行的效率；基于方差法測算了商業(yè)銀行的風(fēng)險；以VAR模型實證檢驗了商業(yè)銀行效率和風(fēng)險的互動關(guān)系，得出以下結(jié)論：

第一，基于改進SFA測算的商業(yè)銀行效率更加準確。傳統(tǒng)的SFA模型在測算商業(yè)銀行效率時忽視或不能將全部風(fēng)險納入模型或僅將部分風(fēng)險外生納入模型，這些都將導(dǎo)致測算的不準確。改進的SFA模型將風(fēng)險內(nèi)生化，使得測算的結(jié)果更加準確。從2001—2006年、2007—2011年、2012—2016年的樣本均值看，傳統(tǒng)的SFA模型測算的利潤效率均值分別為0.764 8、0.886 4、0.947 9；改進的SFA模型測算的效率均值分別為0.604 2、0.728 1、0.796 2，前者比后者分別高了23.6%、21.7%、21.2%。

第二，效率與風(fēng)險存在雙向負相關(guān)關(guān)系，風(fēng)險的提高對效率具有負向作用，但影響較為有限。相比風(fēng)險對效率的影響，效率對風(fēng)險的影響更大。VAR模型估計結(jié)果表明：從效率對風(fēng)險影響的VAR實證結(jié)果看，效率的估計系數(shù)為-0.220 167 4，這說明效率的提高可顯著地降低風(fēng)險；從風(fēng)險對效率影響的VAR實證結(jié)果看，風(fēng)險的系數(shù)為-0.030 816 4，這說明風(fēng)險的提高對效率具有負向作用，但影響較為有限。VAR模型的方差分解表明：相比風(fēng)險對效率的影響，效率對風(fēng)險的影響更大。從風(fēng)險的方差分解看，風(fēng)險波動對風(fēng)險方差的貢獻最大，平均為65.6%，而效率波動對風(fēng)險方差的貢獻均值只有34.4%，效率對風(fēng)險的影響一直在30%左右，說明效率對風(fēng)險影響較大。從效率的方差分解看：效率波動對效率方差貢獻最大，平均在92.5%，而風(fēng)險波動對效率方差貢獻均值為7.5%。VAR模型的脈沖響應(yīng)表明：風(fēng)險對效率或效率對風(fēng)險的動態(tài)沖擊均在第二期達到最大值，隨后逐年縮減，至第十期接近為0。

依據(jù)上述結(jié)論，可得出如下政策啟示：

第一，以利率市場化為契機，著力提高商業(yè)銀行效率，以降低商業(yè)銀行風(fēng)險?；赩AR模型檢驗的商業(yè)銀行效率與風(fēng)險的動態(tài)關(guān)系表明，與風(fēng)險對商業(yè)銀行效率的影響相比，商業(yè)銀行效率對風(fēng)險的影響更大。因此，商業(yè)銀行要以利率市場化改革為契機，通過成本管理、創(chuàng)新管理、規(guī)模擴張等方式著力提高內(nèi)部管理效率，這將直接提高商業(yè)銀行效率，并較好地降低商業(yè)銀行的風(fēng)險。

第二，商業(yè)銀行在經(jīng)營的過程中，要做好風(fēng)險和效率的權(quán)衡。隨著利率市場化的不斷推進，商業(yè)銀行面臨的風(fēng)險不斷加大，一是利率市場化本身增加了商業(yè)銀行經(jīng)營的不確定性，帶來了風(fēng)險；二是很多商業(yè)銀行通過主動承擔風(fēng)險以獲取更大的利潤。然而，本文的研究結(jié)論表明，主動承擔風(fēng)險的行為會加大商業(yè)銀行的風(fēng)險，進而會降低其效率。因此，商業(yè)銀行在主動承擔風(fēng)險時必須制定對應(yīng)有效、可行的風(fēng)險控制措施，否則主動承擔風(fēng)險雖然增加了當期的利潤，但卻以犧牲效率為代價，并會對后期經(jīng)營帶來不利影響。

第三，著力提高商業(yè)銀行效率，不斷增強風(fēng)險控制能力，實現(xiàn)商業(yè)銀行健康、可持續(xù)發(fā)展。提高風(fēng)險、控制效率是商業(yè)銀行的兩大永恒主題，但從兩者的互動關(guān)系看相互的影響并不對稱，效率波動對風(fēng)險方差的貢獻均值高達34.4%，而風(fēng)險波動對效率方差貢獻均值僅為7.5%。因此，對于商業(yè)銀行而言，提高效率意義重大，不僅能單方面提高整體運營效率，而且有助于降低商業(yè)銀行的風(fēng)險波動，并將產(chǎn)生持久的影響。