文摘
数据包络分析(DEA)已经被证明是一个强大的技术来评估一组均匀决策单元的相对性能(研究)。传统DEA方法的一个关键特性是,只有一个或多个集的最优虚拟权重(或因子)是用于聚合性能比效率,因此,效率分数可能过于极端的甚至是不现实的。另外,本文旨在开发一种新的性能优势概率方法和应用它来分析中国的银行业务。朝着这个目标,我们首先提出一个基于DEA方法扩展eco-inefficiency模型来解决银行业务及其可能的相对表现。自从eco-inefficiency将获得使用一组最优权重,我们进一步建立一个性能优势结构通过考虑所有套可行的重量从数据驱动的角度来看。然后,我们发展两个成对eco-inefficiency主导地位的概念,提出了低效率优势概率模型。最后,我们说明了eco-inefficiency优势概率方法与32中国上市银行从2014年到2018年来证明该方法的实用性和有效性。
1。介绍
四十年以来已经过去了1978年的伟大的改革开放政策,和中国在经济发展方面取得了实质性的进展,每年增加近百分之九的国内生产总值(gdp)从1978年的1495.41亿美元到2018年的13.608万亿美元。它是相当显著的,中国的银行业,特别是国有企业和上市银行,在中国经济增长发挥了重要作用[1,2]。在不断增长的国民经济发展,中国的银行业也大大得到提升和发展。例如,中国银行业总资产在2018年达到近41万亿美元,这比国内生产总值的三倍目前的美元。与此同时,前所未有的竞争在中国银行和中国国内银行与外资银行之间日益激烈的金融市场开放以来。参与世界各地的竞争挑战,对中国各银行来说是至关重要的特别注意他们的操作性能1,3,4]。此外,它也是一种内在的要求,保证和促进健康可持续的经济发展中国解决银行的性能。
家庭现有的绩效评价方法中,数据包络分析(DEA)的主要方法之一,因为其普遍适用性(5- - - - - -10]。DEA,首先引入了Charnes et al。11),进一步延长银行家et al。(12),是一种数据分析方法可用于评价决策单元的相对表现一组均匀(研究),这在实践中使用多个输入获得多个输出。DEA方法是它背后的基本逻辑比较研究的实际活动水平相对于理想状态时,将其实际输入输出包投射在生产前沿。获得生产前沿,所有研究的观察到的输入和输出是用于构造一套生产可能性(PPS)与一组特定的公理假设,虽然生产前沿是一个包的生产可能性集合。DEA方法具有许多明显的特点和优势,自成立以来工作Charnes et al。11),DEA已经应用于许多类型的活动在不同的上下文中(13- - - - - -16]。此外,DEA方法也被证明是一个强大的和可取的方法,绩效评估在银行业和被频繁应用于这个行业2- - - - - -4,17]。
传统的DEA方法允许每个DMU生成一组相对权重比率最大化聚合加权聚合加权输入输出的效率,同时也确保相同的比例不超过一个研究,和最大比率被认为是评估DMU的性能指标(18,19]。体重的决心是至关重要的绩效评估结果,但也有明显的担心减少DEA-based性能分析的适用性和应用程序(20.,21]。一方面,每个DMU选择最有利的重量最大化其效率比,因此,每个DMU的效率得分可能过于乐观了,甚至是不可能由于不切实际的权重集。另一方面,单独每个DMU选择它的重量,因此,他们的表现获得的分数是根据不同的标准,因此不具有可比性。
许多研究已经提出了更为合理的性能分析通过关注的选择可行的权重。库克et al。22和辊等。23]显示一组通用的权重方法,试图找到一套共同的重量,和性能评估是实现使用共同的权重。库克和克雷斯(24还]解决常见的权重集通过最小化的上下界重量的差距。花王和挂25)建议生成一组通用的权重通过最小化的平方的总和之间的区别可能效率分数组常见的重量和CCR在所有研究效率得分。类似的研究也可以发现刘&彭(26],花王[27),Zohrehbandian et al。28),Ramazani-Tarkhorani et al。29日),大家都会et al。30.李,et al。31日),和李et al。32]。虽然常见的一组权重方法可以提供一个通用的评价标准研究,其主要问题是,它仍然只考虑一个可能性为权重的估计性能。此外,常见的一组权重的确定仍然是一个大问题,会影响性能分析结果相对于不同的常见的权重集,并对此还没有达成共识。
关注的另一个研究流cross-efficiency方法,其中每个DMU选择一组常见的重量,然后共同权重的设置是用来评估每个DMU [33]。值得注意的是,经典的DEA方法评价每个DMU的相对效率利用其有利的重量(18,34),而cross-efficiency方法要求每个DMU的有利的权重集被用来评估本身以及其他研究的相对效率。结果,几套的重量是用来测量相对性能,这是相对于一个伟大的改进经典DEA方法考虑只有一组权重。此外,每个DMU将有最大效率得分基于自我评估和几个较小的效率得分基于同行评估。终极cross-efficiency分数可以聚合与这些自我评估和同行评估分数为每个DMU [35- - - - - -41]。DEA cross-efficiency方法有一些可取的特点,如满意之间歧视权力好和表现不好42),一个完整的排名的研究(43,更现实的权重不同的输入和输出(44]。文献目睹了许多研究在各种cross-efficiency评价方法对于许多类型的应用程序(45- - - - - -47]。虽然cross-efficiency方法考虑几套重量测量性能,它不足以涉及所有性能的可能性。此外,nonunique权重的确定,从每个DMU的视角也会减少cross-efficiency方法的适用性,作为聚合的个体交叉效率(41,48- - - - - -50]。
最近的研究萨罗城和Punkka [21]表明发展ratio-based效率分析对所有可行集的权重。萨罗城和Punkka21)构建排名间隔、支配关系,效率边界显示研究的效率比率之间的关系对所有可行集的权重,而不是一些集的权重通常是用于经典DEA研究。更具体地说,唐et al。51]提出一种新颖的效率概率优势模型和发展优势效率概率对所有可行的权重集,但是他们的方法是基于径向模型下的规模收益不变(CRS)的假设,只有传统理想的输出被忽略的输出。施(52]扩展了萨罗城和Punkka [21)模型集的所有可行的权重更常见和实用情况下考虑内部两阶段生产结构。该方法计算每个DMU的效率对整个系统范围以及每个子系统的效率边界。李等人。53)建立两阶段生产系统的效率排名间隔,计算每个DMU的区间整体排名系统,以及为每个亚阶。李等人。54]提出一种基于效率排名的固定成本分配方法的概念,解决了性能和效率排名区间通过考虑所有的相对权重。重要意义的考虑所有可行的权重集,因为这样做可以解决所有可能性从数据分析的角度来看,提供更合理、公平的评价结果。
在这篇文章中,我们将开发一个主导地位概率评估方法与非期望输出性能比基于DEA模型,并给出该方法与中国上市银行。从数据分析的角度来看,我们将考虑所有的可行的权重集用于估计比性能。朝着这个目标,我们首先构建绩效评价模型解决经典DEA的银行业务框架通过考虑只有一组的最优权重。由于银行业务不可避免地会产生一些不良的副产品,如与收入共同产生的坏账,延长eco-inefficiency模型。此外,eco-inefficiency模型是用于开发对优势结构考虑到所有的权重集合基于唐et al。51]。性能优势提出了概率计算的平均概率一定DMU的性能控制研究。概率更大的性能优势表明它是容易,DMU主宰所有其他的研究,这意味着它的低效率得分更容易比其他研究的数据驱动的分析。最后,该方法应用于32中国上市银行的四年数据集和实证结果表明,(1)效率优势概率很大程度上不同于低效率得分;(2)这些国有商业银行更有可能有一个更好的优势性能,而当地农村商业银行可能会非常有前途的低效表现在某些极端情况下可能表现不佳的低效率优势概率;(3)中国建设银行,中国工商银行(icbc)和工业银行三大上市银行是基于业务分析,相反,苏州农村商业银行、农村商业银行张家港、江阴农村商业银行与低效率优势概率最低的三家银行。本文有助于文学至少在以下几方面。首先,本文扩展一个新的DEA方法的框架,考虑到所有可行集的权重,而之前的研究只考虑一个或多个的权重集。其次,本文建立了一个成对的性能优势的概念,可以帮助决策者分析性能关系与价格信息(即任何上下文。、重量或乘数)。第三,分析中国上市银行的绩效,并提供一些实证发现,从而促进中国银行业。
本文的其余部分组织如下。部分2发展的数学方法延长eco-inefficiency使用效率和性能优势结构模型与非期望输出的分数。后来,该方法用于研究的实证性能分析32节上市银行3。最后,部分4结论,总结了本文。
2。数学建模
我们首先提出一个扩展eco-inefficiency模型来解决银行业务和可能的相对表现部分2。1。此外,我们建立一个性能优势结构考虑所有可行集的权重2.2节。
2.1。一个扩展Eco-Inefficiency模型
假设一组n同业银行,每个银行使用米输入为了生产年代传统的输出以及问不良的输出,如坏账的演示应用程序。坏账和不良贷款是一个共同生产和不可避免的副产品在银行业。不失一般性,我们认为每家银行作为一个齐次决策单元(DMU) DEA框架。此外, 消耗输入 产生理想的输出 和不良的输出 ,分别。构造建模之前,核心任务是确定适当的方法来处理不良的输出。很明显,不良的输出的强和弱的一次性的假设和理想的输出是两个最常见的和自然的方法在文献[55- - - - - -57]。之间的一个重要功能强和弱的一次性的假设是不受欢迎的输出是否可以产生无破损或后续成本的输出(58]。如果可以自由产生不良的输出没有损坏或后续成本,这意味着输入和输出都可以单方面改变不影响对方,那么不受欢迎的输出是假定为强烈一次性。相反,如果期望输出的生产确实有一些损坏或后续成本输入或理想的输出,这意味着减少不良的输出会导致减少的同时输出(59,60),那么不良的输出被认为是软弱的一次性。在这里,我们考虑弱通用性的假设,因为它更适合现实世界,更具体地说,银行业务的实证应用,很难自由减少坏账而不影响收入和银行业务的变化。为此,生产可能性集合(PPS)在收益变量(工具)的假设可以制定如下:
上述公式是非线性自换算系数和强度变量是未知的。此外,我们同样可以改变公式(1)成线性版本,它提出了以下公式:
基于公式(2),理想的和不受欢迎的输出都是加权nondisposed强度变量 ,而输入加权求和的nondisposed强度变量和处理强度变量 。此外,工具与假设是确保通过加总总nondisposed强度变量和处理强度变量1,即 。
基于上述PPS在公式(2),我们可以构建数学模型计算研究的相对性能。在本文中,我们遵循的实践陈和德尔玛(58)开发一个扩展eco-inefficiency以来eco-inefficiency模型绩效评估模型在建模活动有一些优势与期望输出与四个行之有效的模型在文献(不良的不良的输出作为输入,转换输出,方向性距离函数和双曲效率模型。读者可以参考陈,戴58细节的比较)。扩展eco-inefficiency模型制定如下:
在模型(3),变量 , ,和代表潜在的改进的输入量,理想的输出,和不良的输出,分别评估DMU可以相对于当前使用输入和输出生产达到理想基准目标效率边界。潜在的改进反映输入减少潜力和理想的输出扩张潜力(或不良的输出减少势)而不是实际使用输入和输出生产(61年,62年]。模型(3)使用slack-based公式类似于方向性距离函数(DDF)模型,以最大化平均添加剂低效率指数在所有输入和输出的措施,其中低效率指数表示潜在改进除以观察到的输入或输出。更具体地说,最优方向向量的模型(3以类似的方式)可以从内部获得,而et al。63年]。为此目的,假设 , ,和 ,方向向量在哪里吗 。解决模型(3)确定一个最优的解决方案 ,然后我们有 。因此,我们有一个系统的 未知的变量( )和 线性独立的方程 , , ,和 。连同另一个方程等用来确保一个有界和封闭的空间,然后我们有一个系统的 未知的变量和 线性独立的方程。因此,该系统具有一个独特的解决方案,我们可以获得一个最优的方向。
模型(3)略有不同的陈,戴58在几个方面:首先,我们也考虑到输入的改进,而陈,戴58]研究只输出改进;其次,我们假设弱通用性的假设理想的输出和期望输出,而强大的通用性建模假设是在陈和戴58]。此外,该工具的假设被认为是在模型(3),使其更适合实际应用。自个人效率指数理论有一个值从0到统一输入和期望输出与理想输出值从零到无穷大,整体平均效率低下也需要一个值从零到无穷大。平均效率指数越大,越评估DMU是低效的。平均效率指数为零值意味着效率边界上的DMU是没有改进的松弛,因此,DMU是有效的。
此外,模型(4)是一个双重配方上面的模型(3)在其乘数公式:
模型(4组件(即)计算效率低下。,the difference between aggregated inputs and aggregated outputs) for the evaluated DMU, yet the inefficient component is nonnegative for all DMUs, and some constraints on multipliers are held. Solving model (4)为每一个 分数决定了一系列的低效率通过一系列的最佳解决方案 。低效率分数可以用于在所有研究中,性能指标和低效率分数越小,性能越好是多少。
2.2。基于低效率得分优势概率
值得注意的是,低效率的得分之前获得可用于分析中国上市银行的表现,但有两个主要问题。一方面,它是计算只考虑最佳的减肥计划 而忽略其他可行的权重,因此获得的低效率得分可能太极端,甚至不切实际。另一方面,低效率的得分分别计算每个 ,由不同的研究和不同的权重将优先;因此,不是完全的结果具有可比性。
以来产生的低效率指标可以改变相对于不同的权重集,探索相关的性能是很重要的所有的可行的输入/输出权重集。为此,我们把注意力集中在效率优势萨罗城的概念和Punkka [21]。定义和讨论在萨罗城和Punkka [21和唐et al。51),效率决定通过两两比较的优势关系研究。此外,某些DMU主宰另一个DMU当且仅当它的效率分数是一样大的其他所有可行的输入/输出权重集和大至少一些可行的输入/输出权重集。在这里,我们遵循相同的萨罗城和Punkka [21和唐et al。51)来确定中国上市银行的主导地位的关系。相比之下,我们不可避免的不良的输出在银行业务中,如坏账,考虑。此外,我们跟随陈,戴58在关注eco-inefficiency分数而不是效率得分通过nonradial方向性距离函数模型。为此,我们首先构建低效率优势概念如下。
定义1。
占主导地位(表示为
)当且仅当总是有一个相对较小的低效率分数对于所有的可行的输入和输出权重集。
基于低效率得分的优势关系如果一定的低效率得分决定是小的吗所有可行的输入/输出权重集和较小的至少一些可行集的输入/输出权重。之间的支配关系和决定通过他们的低效率的比较。通过反思的概念模型(3)和模型(4),计算最大效率得分,我们可以制定模型(5)计算的效率范围当是固定的,预定的低效率水平的零要求约束呢
。事实上,效率低下的可以设置为任何非负价值米,用与
,我们可以得到相同的概率优势给出定义2和定义3;因此,我们立即设置的效率水平到零以下的简化模型:
一个额外的约束,插入模型(5)使可行的重量空间关闭,有界。最优目标函数模型(5)显示了低和上界DMU多少不同d可以相对的低效率得分在所有的可行的输入/输出权重集。使用模型(5优势结构),可以确定任何成对研究。更具体地说,如果低效率的水平是固定为零,如果
,这意味着总有一个较小的低效率得分相比
,然后占主导地位
。相反,如果
,这意味着总是会有更大的效率得分比吗(有一个效率低下的零水平),是由
。然而,对于更一般的情况下,我们不能获得完整的支配关系,通常真正的在实践中。因此,我们提出概率确定其性能优势。为此,我们遵循唐等人的作品。51)在构建效率优势概率的概念,给出定义2。
定义2。当有一个低效率的
,的概率占主导地位对所有可行集的输入和输出权重计算
。
很明显,如果
,这意味着总是会有较大的剩余效率低下的效率低下吗为
,低效率优势的可能性相对于将一个负的值。也就是说,它是不可能的主导
。为了一个有界范围,我们假设如果
。对于更一般的情况中
,的概率占主导地位将一个值从0到团结。更大的价值意味着它更有可能有一个较小的低效率得分相比对所有的可行的输入/输出权重集。
除了要注意定义2修复的效率水平计算效率低下的范围并进一步计算低效率优势的可能性相对于
。相比之下,我们也可以计算出低效率优势的可能性相对于修复的效率水平和计算效率低下的范围
。上述想法是制定模型(6),这非常类似于模型(5),但替代品为
:
另一个低效率优势的可能性相对于修复的效率水平在定义3。
定义3。当有一个低效率的
,的概率占主导地位对所有可行集的输入和输出权重计算
。
此外,整体效率得分的概率占主导地位的平均两个概率的修复效率水平的和
。更具体地说,定义4给出了概率成对其性能优势对效率低下的分数。
定义4。成对的性能优势的概率相对于对所有可行集的输入和输出权重
。
允许每个DMU的经典DEA方法来生成一组相对权重最大化其聚合的比例加权聚合加权输入输出同时确保相同的比例不超过一个研究,和最大比率被认为是评估DMU的效率得分。采取所有可行的权重集和低效率优势结构考虑,整体效率优势在一定概率在所有的研究可以通过对低效率的平均值计算优势在所有研究概率。上述观点给出定义5。
定义5。性能优势的可能性在所有研究所有可行集的输入和输出权重
。
经典DEA方法使用确定性的分数来衡量效率的相对性能,而性能优势概率是另一种性能指标从数据分析的角度来看,认为所有可行集的权重随机确定的相对性能。相当显著,不同的重量会导致不同的性能措施,涉及所有可能性概率和其性能优势在所有可行集的输入和输出的权重。性能优势的可能性计算其性能的概率控制的研究。概率更大的性能优势表明它是更容易,DMU支配其他的研究,这意味着它的低效率得分更可能比其他研究。
3所示。说明中国上市银行的应用程序
在本节中,我们说明该方法使用经验32中国上市银行的性能分析。因为该方法考虑所有可行集的权重,性能关系和比率指数结果更加全面、合理。
3.1。数据描述
这部分地址在中国上市银行的绩效。为简化和研究的目的,我们只考虑那些已经在中国注册的银行,在中国内地上市。更具体地说,只有中国银行属于组织和在深圳证券交易所和上海证券交易所上市是收集。相比之下,其他股票交易所上市的中资银行和外资银行在深圳证券交易所和上海证券交易所上市参与这项研究。因此,我们有32家上市银行。32为研究目的,我们给这些银行及其相应的编码表1。
在实践中,每个银行将使用多个输入生成多个输出,更具体地说主要是为了利润。在这项研究中,我们遵循类似的研究如王et al。4),咋et al。1],福山和Matousek [64年李,et al。65年朱,et al。2]在就业指人力资源和人力投资,固定资产指的是物质资本的资产价值,可以用于商业活动,和操作成本三个输入框。除了要注意操作成本在这项研究排除了劳动力投入的费用发生在银行业务,因为就业已经劳动力投入。此外,我们考虑三种不同的输出中生成银行业务,利息收入和noninterest收入两个理想的输出和不良的不良贷款比例今年作为一个不受欢迎的输出。利息收入是直接来自利息之间的差距存款和贷款的利息收入,而noninterest收入主要是来自佣金,证券投资,费用,和其他商业活动收入。然而,不良贷款是一个共同生产和不可避免的副产品,将极大地损害了银行。在这项研究中使用的输入和输出在表中做了总结2。
我们的实证研究包含操作数据32中国上市银行在2014 - 2018年期间,占160年的观察。所有这些上市银行的数据收集从官方渠道的银行年度报告和财务报告的银行在中国证券市场会计研究(CSMAR) 2014 - 2018。表3显示输入的描述性统计,理想的输出,和不良的输出这160的观察。它可以发现32之间的平均固定资产和运营成本上市银行逐年在增加,但平均就业和坏账比例增加到一个在2016年达到顶峰然后不断下降。此外,利息收入和noninterest收入显示增加的趋势,但下降。
3.2。结果分析
提供数据分析的银行业绩,我们首先计算低效率分数使用模型(3)或模型(4)nonradial DDF-based配方下的工具属性。这些32的低效银行从2014年到2018年在表4。自低效率分数代表了潜在的改进除以观察到的输入或输出,一个低效率得分为0表示没有改进的潜力。表4表明,通过选择最佳的权重集总输入和输出,许多上市银行将没有改进潜力极其有效。总有十个银行有一个低效率得分大于零,但平均效率得分在这些32上市银行根据波动。采用自工具与分析在这项研究中,我们不能得出任何有意义的结论,低效率逐年变化。此外,一些银行(DMU)6,贵阳银行;DMU8华夏银行;DMU15宁波银行;和DMU32,紫金矿业农村商业银行)总是有一个非零的低效率,这意味着这些银行总是显示非常可怕的性能与银行相比有新鲜感低效率指数。
因为前面的低效率得分分别导出了考虑只有一个最优权重,由此产生的性能信息可能是不现实的和不合理的。因此,我们可以使用本文提出eco-inefficiency优势概率方法分析银行性能考虑所有的可行的权重集。为此,我们首先使用模型(5)计算低效率分数间隔,然后使用定义22018年计算一级成对的概率。自从成对控制涉及一个概率矩阵很难出现在这篇文章中,我们任意江苏银行(央行),中国农业银行(ABC)和张家港农村商业银行(RCBZ)例如,和这三个银行的一级低效率的概率在所有32个银行是列在第二,第三,第四列的表5,即 , ,和(也可以考虑任何其他银行为例对计算结果)。结果代表认为银行的概率较小的低效率指数在其他银行一样,不同的权重是连接到输入和输出,以确保有效的其他银行的地位。例如,0.2699的价值意味着,北京银行的修复效率得分(DMU)1)为零,江苏银行的低效率得分将较小的概率为0.2699,较大的概率为0.7301 (1 - 0.2699)。与此同时,我们可以使用模型(6)和定义3计算另一个的概率,二级结果江苏银行(央行),中国农业银行(ABC)和张家港农村商业银行(RCBZ)在2018年的最后三列表中给出5。
不失一般性,每个DMU永远主宰自己,因为这三个银行将有一个主导的概率1本身无论一级概率优势或二级概率被认为是主导地位。从表5,我们可以发现,所有三家银行有更大的二级概率优势比其他银行的一级概率优势,它也确实是所有银行。这种差异是由于定义成对主导地位的风格,,我们不能随意使用一个主导的概率来表示性能评估与其他被忽略。通过平均两个成对的概率,我们可以计算成对概率以及主导概率主导地位。重新考虑表的三家银行5,我们展示了成对优势概率以及主导的概率为江苏银行,中国农业银行,农村商业银行张家港的表6。以低效率优势的概率江苏银行北京银行(DMU)1),例如,0.2699和0.3515的算术平均值的定义4正是成对低效率优势的概率江苏银行北京银行,0.3107。自从成对概率优势显示了江苏银行的低效率得分的概率相对于其他银行,通过考虑所有可行的输入和输出权重集,这意味着银行的低效率得分江苏小于北京银行的概率为0.3107。相比之下,江苏的效率低下的银行将由北京银行主导的概率为0.6893。
此外,通过聚合成对概率低效率优势在所有银行,我们可以获得的平均性能优势的概率低效率这三个银行的得分,在最后一列的表6。此外,以同样的方式进行如上所述,我们可以确定所有的低效率优势概率32中国上市银行从2014年到2018年,如表所示7。
如表7显示,这些银行有非常不同的低效率优势概率对所有可行集的权重相对低效的分数只来自一组最优的权值。例如,华夏银行(DMU)8)每年总是有一个积极的效率低下,大多数银行后,银行将排名。然而,华夏银行将有一个低效率优势概率为0.6105,0.5885,0.5749,0.5640,和0.5857 2014 - 2018年期间,分别。这种现象意味着华夏银行更有可能有一个低效率指数小于一半的银行。相比之下,通过只考虑最优权重,张家港农村商业银行(DMU)26)是极其有效的低效率得分0年,但它有一个相对较小的低效率优势每年概率(0.2405、0.2264、0.2289、0.2039和0.1864,分别),这意味着性能张家港农村商业银行的效率得分是处于不利地位的其他银行,解决所有体重的可能性。
此外,它可以发现,所有的银行都有一个相对稳定的低效率优势概率在2014 - 2018年期间,最大的变化是0.1343(0.2956 - -0.1613)紫金农村商业银行(DMU)32)和最小的变化为0.0087(0.7331 - -0.7244),上海浦东发展银行(DMU)18)。所有的银行都有一个eco-inefficiency主导地位的概率大于0.50或小于0.50五年样本(0.5是一个阈值,主导的概率等于占据概率),这意味着所有的银行都可以分为两组,一个高级银行,另一个用于劣质银行。分类如表所示8。从一般意义上说,我们发现中国建设银行(DMU)9),中国工商银行(DMU)4)、兴业银行(DMU25)、中国银行(DMU32),上海浦东发展银行(DMU)18)五大上市银行的操作性能。相比之下,最低的五家银行苏州农村商业银行(DMU22)、张家港农村商业银行(DMU)26),江阴农村商业银行(DMU)11农村商业银行),紫金矿业(DMU)32),常熟农村商业银行(DMU)2),所有的平均效率优势的概率小于0.2500。
eco-inefficiency和eco-inefficiency概率优势的32家上市银行给出了表4和7,分别。很明显,该方法将性能指标,不同于以前的方法。此外,我们的排名比较eco-inefficiency eco-inefficiency优势概率表9。它可以从表中找到9一方面,该方法会给绩效排名,很大程度上是不同于以前的方法。另一方面,传统的DEA模型不能区分所有银行,和更严重的是,二十多个银行列为第一个基于低效率得分,虽然eco-inefficiency优势概率方法确实可以给一个完整的所有银行的排名。从这个角度来看,该方法可以给出一个更合理和识别性能评估。
所有32个上市银行可以主要分为四组根据所有权,即国有银行、股份制银行、城市商业银行和农村商业银行。表10显示了分歧,和表11给出了平均效率优势概率不同的银行。
它可以从表11上市银行的四种表现出明显不同的性能优势概率。更具体地说,这五个国有银行平均效率最高统治地位概率,这几乎是三倍,最低的农村商业银行。这个结果表明,这些国有银行更可能有更好的性能与其他银行相比,所有的权重集。相比之下,那些农村商业银行更可能有更差的性能相对于其他银行。此外,不如国有银行和股份制银行优于城市商业银行,这是进一步优于农村商业银行。
利用提出的低效率优势概率方法,我们可以提供一个性能分析32中国上市银行来源于现实世界。因为该方法考虑所有可行集的权重,这是不同于经典DEA方法只关注一个或几个最佳的权重集,由此产生的性能分析更合理充分的重量和考虑到所有的可能性。此外,通过考虑所有可行的权重集,概率的性能优势在很大程度上是不同于传统的性能指标,得到了一些极端的重量,和相应的排名订单也发生了极大的改变。因此,建议的方法是有意义的,因为它可以提供一个全面的性能评估,而不是只有一些极端的表演从数据分析的角度。
4所示。结论
本文提出了一种新的DEA-based方法来评估中国上市银行的操作性能。由于传统DEA方法只考虑一组最优和极端的重量测量相对性能,由此产生的性能指标在实践中可能不合理甚至是不切实际的。从数据驱动决策的角度来看,本文所得采取一切可行集的输入/输出权重考虑而不是只有一些特殊的权重。为了这个目的,我们首先提出一个扩展eco-inefficiency模型来解决银行业务,建立一个两两方面的性能优势结构效率低下的分数。此外,我们计算的整体效率优势基于所有可行集的权重概率,概率和低效率优势可以用于中国上市银行的数据驱动的性能分析。该方法可以提供数据分析相对表现而不是只有一些极端的可能性,并进一步用于实证分析32在中国上市银行的操作性能。
本文可以对几个方面进行扩展。首先,本文考虑了可能的低效率得分范围但忽略了相关的可能性。我们考虑每一个可能的性能得分平等地,但它是常见的一些性能得分比其他人更有可能。因此,未来的研究可以开发各种表演的可能性基于不同的权重考虑。第二,在DEA领域重要的研究途径是如何解决研究的内部生产结构,因此,可以为类似的研究情况和复杂的内部结构和链接连接。第三,类似的方法基于所有的权重集合也可以为其他目的,如固定成本和资源分配和目标设置在真实的应用程序中。
数据可用性
说明数据用于支持本研究的发现是来自年度财务报告公开由这些银行在深圳证券交易所和上海证券交易所上市。此外,数据可从相应的作者。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
确认
这项工作是由中国国家自然科学基金资助(71901178号,71904084,71910107002,71725001),江苏省自然科学基金(没有。BK20190427),江苏省社会科学基金(没有。19 glc017),基础研究基金为中央财经大学西南大学(JBK2001020 JBK2003021号,和JBK190504)和南京航空航天大学(没有。NR2019003),为医生江苏省,创新和创业的基础。