基于价值创造的银行经营业绩

基于价值创造的银行经营业绩评价指标体系分析研究1引言一家银行的经营业绩的好坏体现在它的价值创造，在查阅相关文献的基础上，价值创造主要表现为价值创造表现和价值创造能力。我们将银行经营业绩分为价值创造表现和价值创造能力两类指标。2银行经营业绩评价指标体系构造为了系统地描述银行经营业绩特征，我们将银行经营业绩划分为4个层次，第一层即目标层(A)为银行经营业绩，第二层分为银行价值创造表现和银行价值创造能力两个分目标层(B)，第三层对第二层进一步描述和分解，为准则层(C)，第四层位具体指标层(D)。指标体系结构框架图见图1。图1银行经营业绩指标体系结构框架图1）银行价值创造表现类指标价值创造表现评价指标分可为盈利能力、偿债能力和增长能力等。①常用来描述盈利能力指标有：EVA、销售利润率、总资产报酬率、净资产收益率和销售经营利润率等。②描述偿债能力常用指标有：流动比率、速动比率、现金比率、资产负债率和已获利息倍数等。③常用来描述增长能力指标有：经营利润增长率、股东权益增长率、营业收入增长率和资产增长率等。2）银行价值创造能力类指标价值创造能力指标包括营销能力、营运能力和研发能力等。①常用来描述营销能力指标有：客户满意度、市场占有率和营业费用占销售收入的比率等。②描述营运能力常用指标有：应收账款周转率、存货周转率和管理费用占资产比率等。③常用来描述研发能力指标有：R&D支出占营业收入比率和开发费用资本化率等。最初设立的指标往往会存在指标过多，指标间意义交叉重复，我们需要对指标进行筛选。可通过多重共线、主成分分析来排除密切相关的指标，最终我们确立银行经营业绩评价指标体系见表1。表1银行经营业绩评价指标体系目标层一级指标层二级指标层具体评价指标银行经营业绩价值创造表现盈利能力EVA（D1）总资产报酬率（D2）销售经营利率率（D3）偿债能力资产负债率（D4）已获利息倍数（D5）现金比率（D6）增长能力经营利率增长率（D7）股东权益增长率（D8）价值创造能力营销能力客户满意度（D9）市场占有率（D10）营业费用占销售收入比率（D11）营运能力应收账款周转率（D12）存货周转率（D13）管理费用占资产比率（D14）研发能力R&D支出占经营收入比率（D15）开发费用资本化率（D16）3银行经营业绩评价模型在建立了银行经营业绩评价指标体系后，需要用定量模型来加强评价结果的科学性。本文拟从理论上阐述BP神经网络在银行经营绩效评价过程的应用的可能性。BP（BackPropagation）神经网络又称多层前馈神经网络，其基本思想是最小二乘法（LeastMeanSquares）学习算法，是基于梯度搜索的最小均方差算法。为了获得网络实际输入和期望输出之间均方差最小，网络的学习过程是将误差从上层向下层传播修改权值的过程。BP神经网络包含正向和反向的传播过程。在正向传播过程中，信息从输入层经隐含层处理，传向输出层，每层神经元只影响下一层的神经元的状态，计算各神经元的实际输出如果在输出层不能得到期望输出，则转入反向传播。在反向传播过程中，误差信号沿原来的连接路线返回，先计算输出层的实际输出与所要求的输出之间的误差，并在传播过程中不断修改各层神经元的权重系数，使得输出层神经元值与期望值一致为止。用BP神经网络来建立模型进行评价关键在于获取训练样本值。训练样本即为专家样本，是BP神经网络的“教师值”，它是由多组的“输入、输出对”构成的，银行经营绩效评价的本质是模式识别。关于训练样本的获取笔者认为主要有以下两种方法：①选择典型银行，对其进行调查分析可得出其经营绩效状况，这可以作为BP神经网络的输出值；输入值则可以通过研究该银行财务报表等相关文件获取。这种方法优点主要为获取的训练样本数据很精确，缺点是训练样本的输出值既银行的经营绩效教难获得。②首先确立指标体系各具体指标的分级标准，根据所得的分级标准使用插值法来生成训练样本。这种方法特点为训练样本比第一种方法更容易获取，而且所获得的训练是有效的，缺点是样本代表性差。鉴于笔者所处的高度和能使用到的资源，用第二种方法获取训练样本更具有可行性。接着就是对指标体系各具体指标的进行分级，把D1到D16每个具体指标按很好、好、中等、差、很差分为五个区间，并确定各区间之间的临界值，这些临界值可以构成一个矩阵，记为M，M为16行、5列的矩阵。同样对银行经营绩效进行相应的分组，用向量组(1,0,0,0,0)t、(0,1,0,0,0)t、(0,0,1,0,0)t、(0,0,0,1,0)t、(0,0,0,0,1)t分别表示银行经营绩效状态为很好（I级）、好（II级）、中等（III级）、差（IV级）、很差（V级）。①指标分级后我们可以得出以下五组训练样本见表2。表2分级后五组训练样本输入值输出值样本一（M11,M21,…,M161)t(1,0,0,0,0)t样本二（M12,M22,…,M162)t(0,1,0,0,0)t样本三（M13,M23,…,M163)t(0,0,1,0,0)t样本四（M14,M24,…,M164)t(0,0,0,1,0)t样本五（M15,M25,…,M165)t(0,0,0,0,1)t②做第一次1/2插值可获取四组样本，为表述方便记Q1=（M11,M21,…,M161)t、Q2=（M12,M22,…,M162)tQ3=（M13,M23,…,M163)t、Q4=（M14,M24,…,M164)tQ5=（M15,M25,…,M165)t得出的四组样本见表3表31/2插值后四组训练样本输入值输出值样本六0.5*Q1+0.5*Q2(0.5,0.5,0,0,0)t样本七0.5*Q2+0.5*Q3(0,0.5,0.5,0,0)t样本八0.5*Q3+0.5*Q4(0,0,0.5,0.5,0)t样本九0.5*Q4+0.5*Q5(0,0,0,0.5,0.5)t③接着分别做1/4、1/8插值可得到总共五组样本见表4。表41/4、1/8插值后五组训练样本输入值输出值样本十0.25*Q1+0.5*Q2+0.25*Q3(0.25,0.5,0.25,0,0)t样本十一0.25*Q2+0.5*Q3+0.25*Q4(0,0.25,0.5,0.25,0)t样本十二0.25*Q3+0.5*Q4+0.25*Q5(0,0,0.25,0.5,0.25)t样本十三0.125*Q1+0.375*Q2+0.375*Q3+0.125*Q4(0.125,0.375,0.375,0.125,0)t样本十四0.125*Q2+0.375*Q3+0.375*Q4+0.125*Q5(0,0.125,0.375,0.375,0.125)t由于任意一个包含三层的神经网络可以模拟出所有的非线性的n维到m的映射，所以本文选取包含三层的神经网络模型，既只包括输入层，隐含层，输出层。本文选取上文所建立的指标体系指标作为神经网络的输入变量，因此神经网络的输入层节点数为16；输出向量为5行1列的矩阵，因此输出点节点数为5。而隐含层节点书本文拟采取公式1nnma来确立，选取不同隐含层节点数，对比他们的网络误差来确定最适合的隐含层节点数。n=16、m=5、a在1到10之间取值可得隐含层取值范围为[5，15]。把训练样本的输入数据和输出数据分别放入in和out的Excel文件中，再在MATLABR2007软件编写如下程序来确立隐含层的节点数。clearall;pn=xlsread('c:\in.xls');p=pn';tn=xlsread('c:\out.xls');t=tn';net=newff(minmax(p),[9,5],{'tansig','purelin'},'traingdm');//此处选取隐含节点为9net.performFcn='mse';net.trainParam.show=200;net.trainParam.lr=0.05;net.trainParam.mc=0.95;net.trainParam.goal=5e-2;net.trainParam.epochs=3000;net=train(net,p,t);最后选择隐含层节点数的标准为选择能在最快的收敛到0.05（此处的置信度为95%）的误差水平下的值。自此完成银行经营绩效BP神经网络评价模型的建立，可用此模型对具体银行的经营绩效进行评价。4总结和展望本文在阅读相关文献的基础上从价值创造表现和价值创造能力两个维度建立了银行经营绩效指标体系，从理论上建立一个BP神经网络模型来评价银行经营绩效。本文重点讨论了银行经营绩效体系框架，BP神经网络模型训练样本的获取方法，BP神经网络模型隐含层节点数的确立方法。鉴于笔者能力和所处环境的限制，本文还有很多不足之处，归纳起来主要有以下几点：1）银行经营绩效指标体系的各具体指标还有待改正。2）在获取训练样本的方法选择上，如果资源和能力允许，方法一更佳。3）未把分级标准M矩阵具体数字确定下来。4）在插值法时，只选择1/2、1/4、1/8插值，选择其他值可能效果更佳。张星标2013年3月24日