剖析商业银行综合运行能力因子.doc

免责声明：图文来源于网络搜集版权归原作者所以若侵犯了您的合法权益请作者与本上传人联系我们将及时更正删除。剖析商业银行综合运行能力因子一、全球金融机构介绍随着2021年美国次贷危机的爆发全球众多金融机构都遭受到不同程度的冲击所受影响最大的是美国银行业其倒闭银行每年都有100多家（可以从美国联邦保险机构fdic网站上查找）当然这些银行都很小。而作为零售业银行的典范—花旗银行也遭受巨大的损失。这次危机波及世界各地我国金融机构也未能完全幸免。在金融全球化、金融自由化和金融工程化的趋势下全球金融市场的发展加快给金融机构带来很多机遇同时也带来不少挑战。特别地商业银行作为金融机构的重要主体更面临着收益和风险的抉择。自国有商业银行股份制改造以来我国银行业得到了快速发展银行业金融机构资产规模迅速膨胀在2021年世界企业500强排名中中国工商银行和中国建设银行双双挤进前二十这也给银行的经营带来更多的风险。如何控制各类风险增强银行的综合运营能力对保证银行业的平稳健康发展尤为重要。本文的研究依据是我国商业银行2021年年度报告探究商业银行各财务指标与其综合运营能力的关系给出商业银行平稳健康发展的对策。本文首先选取了我国2021年底前上市的14家商业银行的财务指标作为变量运用spss软件进行统计分析得出银行综合运营能力各因子的得分方程。接着对实验结果进行分析进而得出各财务指标对银行平稳运营和盈利能力的影响。经研究我们发现在各财务指标中净利润、核心资本充足率和不良贷款拨备率的不利变动分别会对商业银行的盈利能力、承担损失能力及资产质量水平产生重要影响这有一定的理论实践意义。二、实证分析（一）实证方法概述因子分析是将具有错综复杂关系的变量（或样品）综合为数量较少的几个因子以再现原始变量与因子之间的相互关系同时根据不同因子还可以对变量进行分类它是属于多元分析中处理降维的一种统计方法。在构建银行综合运营能力的指标体系的过程中为尽可能比较全面、完整地反映刻画银行的能力需要从多个角度进行观测选取多个指标收集大量数据进行分析。多变量大样本虽然可以为我们提供丰富的信息却增加了数据采集、处理的难度而且多个变量间的相关关系加大了分析难度。通过对原始变量重新组构选取的因子的数量远少于原有指标变量的数量减少分析时的计算工作量同时它们可以反映原有众多指标的绝大部分信息不会产生重要信息的丢失。因子间没有线性相关关系可以对变量的分析提供较大的便利。另外因子变量都有较为明确的经济含义为我们的分析提供了更直观的解释。（二）商业银行样本和主要财务指标的选取首先为测量我国商业银行的综合运营能力本文选取了我国2021年底前上市的14家商业银行（见附录一）作为代表进行实证分析。其次根据上述各商业银行2021年年度报告选取其2021至2021年的财务指标共11个它们是：平均总资产净回报率、利润总额、净利润、每股收益（基本与稀释）、资本充足率、核心资本充足率、不良贷款率、不良贷款拨备率、贷款总额、存款总额以及每股经营活动中产生的现金流量净额。（三）实证分析1.因子分析首先将所有数据导入spss11.5中采用主成分分析法提取公因子并用最大方差法进行因子旋转（旋转后的因子载荷矩阵见表4）分析结果如表：上表示是对数据是否可进行因子分析的kmo和bartlett检验的结果。kmo检验用于检验变量间的片相关系数是否过小一般情况下当kmo大于0.9时效果最好小于0.5时不适合进行因子分析。从表1看出kmo检验结果是0.725比较接近0.9比较适合做因子分析。bartlett检验的sig.取值0.000表示拒绝相关系数矩阵是单位矩阵的原假设说明各个变量不是相互独立的。其次按特征根大于“1”为标准提取公因子结果如表2：表2表示主成分列表表中列出了所有11个主成分且按照特征根从大到小的次序排列。从表中可以看出第一主成分特征根为4.469方差贡献率为40.627%第二个主成分特征根为2.747方差贡献率为24.971%前三个主成分的累计方差贡献率为81.804%已超过了80%且第4个主成分特征根小于1故选出3个因子。再次得到因子载荷矩阵如表3反映各个变量的变异可以由哪些因子解释。通过因子载荷矩阵就可以给出各变量的因子表达式。如：利润总额=0.970*f1+0.048*f2+0.225*f3。所以利润总额主要由第一个主成分解释。最后我们得到了旋转后的因子载荷矩阵如表4。通过此表就可以把主成分表示为各个变量的线性组合。选取对各个因子影响大的变量得出因子得分方程并对因子命名：f1（盈利能力因