银行效率影响因素研究范文

本站小编为你精心准备了银行效率影响因素研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《北京工商大学学报》2016年第3期

摘要:

提高政策性银行效率是实现其市场化改革和资源合理配置的必然选择。文章利用DEA超效率模型测算我国2000—2014年三家政策性银行的效率值，并采用Tobit回归模型对我国政策性银行效率的影响因素进行了深入的探讨。结果表明，除了成本管控能力外，资产质量、银行规模、稳定性、资产配置能力和人力资本质量等因素都对政策性银行效率具有显著的正向促进作用。在此基础上，通过收敛性模型进行检验，发现我国政策性银行效率存在绝对β收敛和条件β收敛。最后，根据相关实证结论提出可行性政策启示。

关键词:

政策性银行;银行效率;DEA超效率模型;Tobit模型;收敛性;收敛检验

党的十八届五中全会指出，中国需要发展更高层次的开放型经济，积极参与全球经济治理和公共产品供给，提高我国在全球经济治理中的制度性话语权。李若谷(2015)［1］提出让政策性金融成为助推器。政策性金融服务作为商业性金融的重要和有益补充，对于支持国家经济建设、社会事业发展和实现国民经济稳定增长，发挥着不可替代的作用。在2015年的总理政府报告中也再次强调发挥好政策性金融在增加公共产品供给的导向作用。可见，当前适逢政策性金融改革的窗口期，分析我国政策性金融机构经营发展中存在的问题，具有十分重要的理论意义和实践意义。政策性金融机构作为我国金融体系发展的重要组成部分(白钦先，1993［2］;贾康、孟艳，2009［3］)，它包括政策性银行、政策性保险机构和政策性担保机构等相关政策性机构。其中，以国家开发银行(以下简称国开行)、中国农业发展银行(以下简称农发行)和中国进出口银行(以下简称进出口行)三家政策性银行为我国政策性金融活动最主要的运营载体，扮演着国家扶持“弱势群体”的重要角色，并在政策性金融机构服务实体经济中发挥着主导作用。

一、文献回顾与评述

关于银行效率研究可追溯到20世纪50年代，其研究理论和方法也一直备受各国关注和重视。国外学者Farrell(1957)［4］最早将生产效率方法运用到非营利组织的公共部门进行综合效率分析，并奠定Charnesetal．(1978)［5］提出DEA方法的理论基础。之后，Sherman＆Gold(1985)［6］又将DEA方法推广到银行各分支机构效率的研究中。至此，DEA方法受到学术界的追捧。Bergeretal．(1993)［7］研究发现大银行比小银行更有效率，这可能与抵消规模不经济有关。Fethietal．(2000)［8］运用DEA方法研究土耳其银行效率，发现其资产规模越大，获利能力越强且管理效率越高，但所有权结构和资本充足率并没有产生显著的影响。这点同Halkos＆Salamouris(2004)［9］测算希腊银行效率所得出资产规模与效率正相关的结论保持一致。Grigorian(2002)［10］运用DEA方法测算17个转轨经济国家的银行业效率，发现人均GDP、市场势力和自有资金比率与银行效率呈正相关，而金融市场发展程度却阻碍银行效率的增长。Staubetal．(2010)［11］采用DEA方法对2000—2007年巴西银行业效率进行分析，发现其效率比欧洲和美国的银行效率低，主要归因于技术资源配置效率偏低，并且得出银行经营活动类型与规模同经济效率不存在显著的相关性结论。Ayadi(2013)［12］采用DEA方法对1996—2010年突尼斯商业银行效率进行分析，发现信贷规模的扩大对银行效率产生负效应以及国有银行比私有银行更有效率。同时，应对效率较差的银行，Zimková(2014)［13］还提出了改变管理制度和增强激励政策等建议。故此，银行业效率成为金融业可持续发展的重要关注砝码。银行业效率研究为我国银行业的长期发展提供了重要的理论借鉴意义。政策性银行作为政策性金融服务实体经济的主力军，虽然坚持保本微利的原则，但也要讲究其自身的经营效率，这也引起国内专家和学者们的关注。王广谦(1997)［14］和杨德勇(1997)［15］成为国内较早关注我国商业银行业效率的学者，并促使我国金融发展提升一个新的台阶。之后，涌现了大批学者包括张健华(2003)［16］、迟国泰等(2005)［17］、王兵和朱宁(2011)［18］等人展开对我国商业银行业效率的研究。银行效率测算中通常所采用的DEA一般模型(CCR模型)，而这种模型会导致银行效率高值排名的无序化，此时弥补这种缺陷的超效率模型便成了最佳选择。其中，罗登跃(2005)［19］对我国12家商业银行2001年和2002年的效率研究和吴少新等(2009)［20］对我国4家村镇银行的经营效率研究都是采用DEA的超效率模型去修正一般模型(CCR模型)的分析方法，并得出了有价值的实证结论。在不满足于选择超效率模型单纯测算银行效率的现状下，又进一步采用Tobit回归模型探讨了对其效率的影响因素分析。从银行产权的角度，朱南等(2004)［21］得出影响国有商业银行盈利效率偏低的主要原因是模糊不清的产权关系;从银行分支机构的角度，赵翔(2010)［22］得出存款特点、收入结构和支行类型等对其支行效率显著影响的结论;从银行股改的角度，王文卓(2013)［23］发现股改对商业银行的效率有提升作用，并得出了资产回报率、市场规模和管理能力等对其效率具有重要影响的结论。相比商业性银行效率研究，政策性银行要相对更晚些，主要以杨晔(2007)［24］、栾义君和马增华(2009)［25］等几位学者分别从不同的区间段来考察我国政策性银行的经营效率，均得出政策性银行总体效率偏低的一致结论。因此，如何提高政策性银行效率，让其更好地服务实体经济的发展，便成为当下政策性金融改革最为关注的焦点。本文通过对现有政策性银行效率研究文献的回顾与梳理，发现前期的几位学者研究都采用DEA一般模型(CCR模型)的分析方法，无法对效率的高值进行准确的排名和甄别，故对效率问题分析存在一定的局限性。限于此研究背景下，并结合政策性银行的本质属性特征，本文尝试采用DEA超效率模型和Tobit模型来全面的分析我国政策性银行的效率及其影响因素，并进一步对其效率的收敛性做了开创性的探索。以期通过对潜在影响效率的因素进行挖掘，捕捉到影响政策性银行效率的真正内因，实现政策性金融服务实体经济的杠杆作用。

二、政策性银行效率的评价

(一)DEA的超效率模型相对效率评价方法说明如下:图1为A、B、C、D、E五种投入和一种产出所构成的决策单元，其中构成生产前沿面的ABCD为有效率单元，E为无效率的单元且被生产前沿面包络。设OB与生产前沿面的交点为B0，其B点的效率值为:TEB=OB0/OB=1，意味有效率决策单元;而设OE与生产前沿面的交点为E0，其E点的效率值为:TEE=OE0/OE＜1，意味无效率决策单元。采用传统的DEA一般模型(CCR模型)所测决策单元只能被分为无效和有效两类，但因存在多个同时有效的决策单元的缺陷而不能做出进一步的评价。而DEA的改进模型(超效率模型)却恰恰弥补了这一点，使对同时有效的决策单元能够进行深入的评价和比较。其思路是:在评价某个决策单元时，将其排除在决策单元的集合之外。具体说明见图2，对于计算B点的效率，将其排除在决策单元的参考集之外，此时有效生产前沿面ABCD变为ACD，其效率值为:TEB=OB0/OB＞1;而原来无效决策单元的E点，在生产前沿面ABCD并没有改变的前提下，其得出的效率评价值仍然与一般模型(CCR模型)保持一致，即TEE=OE0/OE＜1。用模型表示为式(1)。模型得出的θ为第k家被考察单元的效率，并依据θ=1和θ＜1判断决策单元是否有效。通过以上模型求解的minθ值，即为第k家被考察单元的超效率评价值，以此对决策单元进行更为准确地有效评价。

(二)指标选择与数据说明关于政策性银行投入变量和产出变量的选择，本文遵循张健华(2003)［16］、迟国泰等(2005)［17］、王兵和朱宁(2011)［18］等测算商业银行效率所采用的中介法，即银行作为金融中介的角色，充当借贷的桥梁作用。借鉴了已有政策性银行效率研究的变量选择基础(杨晔，2007［24］;栾义君、马增华，2009［25］)。故将投入与产出变量定义如下:将政策性银行的固定资产净值、员工人数、资金来源和营业费用定义为投入变量。其中，固定资产净值来自于各家政策性银行资产负债表中的固定资产项目;银行员工人数用来衡量劳动力资本;资金来源是政策性银行最主要的一项投入，而又与其商业性银行的资金来源存在明显的区别，其资金来源主要来自于发行的政策性金融债券、财政拨款等;营业费用是银行经营投入的重要体现，政策性银行也不例外，所以将营业费用也列为一项投入。政策性银行虽然坚持着保本微利的经营原则，但并不意味着亏本经营，因此把税前利润作为衡量产出变量之一。贷款净额作为政策性银行经营信贷资金管理的风向标，并考虑将其作为另一个产出变量。数据说明:本文收集三家政策性银行2000—2014年总计675个样本数据，数据均来源于三家政策性银行2000—2014年的财务年报和2001—2015年的《中国金融年鉴》。

(三)政策性银行的超效率测算值本文通过DEASOLVER软件，对政策性银行的综合效率进行了测量，其结果如下。表1测算结果可以看出，改进模型修正了一般模型(CCR模型)测算效率值的缺陷。尤其是国开行在一般模型(CCR模型)下测算的效率值均为1的有效单元，显然很难对该行的效率作出评价。另外，农发行和进出口行也出现了大部分效率值为1的有效单元这种情况。采用改进模型以后，其表示有效单元的真实效率值就会被准确估算出，这样才能够合理、准确地作出对政策性银行效率的评价。在2000—2014年期间，我国政策性银行的效率值并未出现持续的上升或下降。在平均效率值方面，国开行为1.031，农发行为0.807，进出口行为0.939，可以看出，国开行较高，而农发行较低。国开行因业务模式创新和商业化改革，其效率相对最高;而农发行受经营业务模式单一和人员冗余等诸多因素影响，其效率相对较低。在效率增长的稳定性方面:国开行为0.017，农发行为0.052，进出口行为0.005。可以看出，进出口行是最稳定的，这点从它在促进贸易增长、加快贸易往来的贡献度逐年增加中有所体现;而农发行作为国家扶持三农政策的重要信贷载体，其政策性农业贷款回收的长期性和不可控性极大地束缚了该行的业务发展，进而导致其效率增长的稳定性较差。

三、政策性银行效率的影响因素分析

(一)确定效率影响因素的两阶段法及Tobit模型对于投入与产出指标共同决定的DEA模型所测得的效率值，也同样会受到环境因素的影响。而DEA评价中所衍生出来的“两阶段”方法却综合了两者的考虑，使其效率评价更加准确。所谓“两阶段”方法，第一阶段就是采用DEA模型评价出决策单元的效率值;而第二阶段就是将所测得的效率值作为被解释变量对环境因素的解释变量进行线性回归，以其解释变量的系数正负和显著性来判断对效率值的影响。考虑到评价值的最小值为0，对于被截断的数据若采用OLS进行回归，其参数估计肯定是有偏且不一致。Tobit针对上面出现的问题，提出了解决方案是构造模型(2)。其中，Xi是(k+1)维的解释变量，βT是(k+1)维的未知参数向量，ei～N(0，σ2)，此模型被称为截取回归模型。其主要特征是当解释变量Xi取实际观测值时，则被解释变量yi以受限制的方式取值。如果yi＞0时，“无限制”观测值取实际的观测值;如果yi≤0时，“受限”观测值均截取为0。通过证明利用极大似然法估计Tobit模型值的βT和σ2是一致估计量。

(二)政策性银行效率的影响因素实证结果分析1.变量定义及模型构建从现有文献研究来看，影响政策性银行效率的因素大体分为两类(外部环境和内部管理)。外部环境包括地区经济发展水平、宏观经济环境和监管制度安排等;内部管理包括资产质量、稳定性和人力资本结构等。对于影响政策性银行效率的外部环境，显然是客观存在且难以改良的。相比之下，通过完善内部管理提高政策性银行经营效率更显得行之有效。因此，本文选择内部管理因素作为解释变量，解释变量选择说明如下。

(1)资产质量(AQ)。资产质量的优劣直接关系到其投放信贷资金能否正常循环运转以及在金融市场的竞争生存能力。资产质量越好，表明政策性银行的竞争力越强，效率越高，反之亦然。故本文选择政策性银行不良贷款率作为资产质量指标。

(2)银行规模(BS)。根据已有文献研究表明，银行业具有规模经济效应，随着规模增大，其成本降低且效率提高。本文选择政策性银行总资产的自然对数作为银行规模指标。

(3)稳定性(ST)。资本充足率是金融当局衡量银行资本是否充足和抵御风险能力的重要监管指标。本文选择政策性银行权益资本与总资产的比值———权益资本比率作为资本充足率衡量稳定性指标。

(4)资产配置水平(AA)。资产配置水平反映银行对其持有的资产负债的种类、数量和结构组合作出决策的水平。本文选择政策性银行贷款与总资产的比值———贷款资产比率作为资本配置指标。(5)人力资本质量(LA)。人力资本质量是反映银行的人力资源结构安排和配置效率的重要指标，并成为能降低经营成本且提高效率的重要因素。本文选择本科及以上学历人数占比作为人力资本质量的指标。(6)成本管控能力(CP)。成本控制就是采用系统工程的原理对银行经营过程中所产生的各种费用进行计算、调节和监督，并寻找一切可能降低成本的方法。本文选择政策性银行净利润与总收入的比值作为成本管控能力指标。依据以上解释变量选择说明，本文拟建立如下回归模型:其中，EF表示超效率值。i=1，2，3;1代表国开行，2代表农发行，3代表进出口行。j代表年份，即2000—2014年各年。εij为随机扰动项。2.实证结果分析本文采用Eviews5.1软件建立面板数据模型，对(3)式所示2000—2014年我国政策性银行效率的Tobit模型进行回归分析，其基本统计描述结果见表2，回归模型结果见表3。通过表3回归结果可以发现，除了成本管控能力(CP)外，资产质量(AQ)、银行规模(BS)、稳定性(ST)、资产配置能力(AA)和人力资本质量(LA等因素都通过显著性检验，说明上述因素对政策性银行效率具有显著的正向促进作用。具体回归结果说明如下。

(1)资产质量指标系数为正，并且在5%的水平上显著，反映资产质量对政策性银行的效率具有正向显著影响。政策性银行在经营业务时，需要严格控制其不良贷款率，确保资产良性循环，这样可以有效提高政策性银行的效率。

(2)银行规模指标系数为正，并且在1%的水平上显著，反映出适当的扩大政策性银行的规模，有利于提高政策性银行的效率，并降低其经营成本。现阶段政策性银行的总体效益呈现出边际收益递增的趋势，加大政策性金融的扶持力度也成为应对当下国情之需的良药。由此可见，适度扩大政策银行规模是提高其经营效率的亟须措施。

(3)稳定性指标系数为正，并且在10%的水平上显著，反映稳定性对政策性银行的效率也具有正向显著影响。资本充足率作为《巴塞尔协议》规定考核银行稳定性的关键指标，并受到世界各国银行的追捧，足以见证其重要性。政策性银行作为银行业发展的重要组成部分，其稳定性也必须引起足够重视。

(4)资产配置水平系数为正，并且在1%的水平上显著，反映资产配置对政策性银行效率的正向显著影响。政策性银行对其资产配置实行多样化分配和专业化管理，这样不仅降低了银行内部的控制风险，而且还提高了银行资产的配置水平，从而促进效率提升。

(5)人力资本质量系数为正，并且在1%的水平上显著，反映人力资本质量对政策性银行效率的正向显著影响。21世纪最缺的是什么?是人才。人才的重要性在政策性银行的经营效率中也有所体现，政策性银行制定完善的员工发展规划和晋升机制，使员工素质技能和工作责任感有所增强，进而发挥人力资本在工作中的高杠杆作用，通过强化内在软实力来提升政策性银行的效率。

(6)成本管控能力与政策性银行效率相关性没有通过显著性检验，其影响效果难以判断，但成本控制能力也是政策性银行在今后应引起足够重视的方面，寻找有效降低成本费用的方法和手段，是实现其政策性目标的基础条件之一。

四、收敛性检验

我国三家政策性银行经过20多年的发展与改革，走出了不同的轨迹，其效率差异是否在逐渐减小呢?按照经济学里面的新古典经济增长理论，会存在这样一种形式，比较发达的经济体因其资本投入报酬存在边际递减的规律而将增长的速度拉慢，并逐渐与不太发达的经济体增长速度缩小差距，这种差距会随着时间的推移趋同于一个平衡增长路径，经济理论把这种现象称为经济增长的收敛(Barro＆Sala-i-Martin，1992)［26］。他们把收敛现象分为两类:一类是σ收敛;二类是β收敛，按照经济体收敛的稳态是否相同，β收敛又分为绝对β收敛和条件β收敛。

(一)σ收敛检验借鉴

以往的研究经验，本文使用标准差和变异系数来检验我国政策性银行效率是否存在σ收敛。其中，δ=1N∑Ni=1(EFi－EF槡)(N为样本个数，EFi为效率样本值，EF为效率平均值)，变异系数CV=δ/EF(δ为效率标准差，EF为效率平均值)。利用文中所测得的结果，本文计算2000—2014年我国政策性银行效率的标准差和变异系数(见图3)。图3为我国政策性银行效率值的标准差和变异系数，整体上来看，我国政策性银行在2000—2014年区间的效率标准差和变异系数并未出现持续的下降趋势，说明我国政策性银行只存在区间段的σ收敛。就具体年份来看，2001—2003年、2004—2006年、2008—2009年、2013—2014年这四个区间段我国政策性银行的效率标准差和变异系数呈上升趋势，表现出一定的发散性。鉴于标准差和变异系数变动幅度较大，且下降趋势并不是很明显，本文进一步通过β收敛检验我国政策性银行效率的收敛性。

(二)绝对β收敛检验

绝对β收敛主要探讨效率较差的政策性银行能否赶上效率较好的政策性银行，最终达到相同稳定的增长速度，借鉴Barro＆Sala-i-Martin(1992)［26］的研究框架，将绝对β收敛的检验方程形式设置为式(4)。ln(EFi，t+T/EFi，t)/T=α+βlnEFi，t+μi，t(4)其中，EFi，t、EFi，t+T分别表示各家政策性银行在t期、t+T期的效率值，T为观察期时间跨度，α为常数项，β为收敛系数，ui，t为随机扰动项。若β值为负值，则表明存在绝对β收敛。见表4，通过回归结果得出整体绝对β收敛回归系数为－0.1583，国开行绝对β收敛回归系数为－0.3047，农发行绝对β收敛回归系数为－0.1713，进出口行绝对β收敛回归系数为－0.3082，所有β均通过1%的显著性检验。这意味着初始效率较高的政策性银行在未来效率的增长会相对缓慢，即三家政策性银行的效率会趋于相同的稳定增长速度，效率较差的政策性银行存在追赶效率较好的政策性银行趋势，三家政策性银行的发展正在向一个均衡的增长路径运动。

(三)条件

β收敛检验与绝对β收敛不同之处在于各家政策性银行效率存在不同的稳定水平，条件β收敛衡量的是政策性银行的效率是否收敛各自的稳定水平，对于条件β收敛检验的研究一般采用PanelData固定效应模型，因为它能够设定界面和时间固定效应，并考虑了不同个体有不同的稳态值和自身的稳态值随时间变化而变化。不同于传统的加入控制变量的检验方法，由于PanelData的固定效应项对应着不同经济体各自不同的稳态条件，故加入控制变量是多余的。并再次借鉴Barro＆Sala-i-Martin(1992)［26］的研究框架，将条件β收敛的检验方程形式设置为式(5)。其中，EFi，t+1、EFi，t表示各家政策性银行在t+1、t期的效率值，α为常数项，β为收敛系数，ui，t为随机扰动项。若β值为负值，则表明存在条件β收敛。见表5，通过回归结果得出整体条件β收敛回归系数为－0.2880，并通过5%的显著性检验。这意味着上一期政策性银行的效率水平越高，其效率的增长幅度会越慢，反之亦然。三家政策性银行效率会收敛于各自的稳定水平。综合以上收敛性分析，很容易发现我国政策性银行效率变动表现出很强的收敛性。随着时间推移，不同政策性银行的效率离散程度明显会减小。政策性银行效率不仅会收敛到自身的稳定水平，不同政策性银行效率也会收敛到相同的稳定增长速度。

五、结论与政策启示

本文通过超效率模型和Tobit模型对我国政策性银行效率进行了分析，得出的结论如下:我国政策性银行总体效率偏低。其中，国开行效率最高，农发行效率最差。这种低效率的持续，一方面会抑制商业化改革的长期发展战略，另一方面也会弱化政策性银行的政策性金融服务作用与功能。进一步采用Tobit模型对其影响效率因素进行回归后得出:除了成本管控能力外，资产质量、银行规模、稳定性、资产配置能力和人力资本质量等因素对政策性银行效率具有显著的正向促进作用。最后通过收敛性检验，发现我国政策性银行效率存在绝对β收敛和条件β收敛。通过上面的实证结论，得出如下政策启示:在政策性银行经营业务中，应该严格把控资产质量关卡，不能因利润和其他目的而有所怠慢，通过保证优质的资产质量，促使政策性的经营业绩稳步上升;鉴于政策性银行的效率与其规模呈正向相关关系，政策性银行可以适度的扩大其业务规模，以此来增加规模效应所带来的经营效率提高，这与“十三五”规划关于推进政策性银行改革不谋而合;资本充足率成为政策性银行稳定性的命脉，无论是何种性质的银行，离开《巴塞尔协议》规定的最低资本充足率要求，都会成为脱缰的野马，后果不堪设想。建立有效的资本充足率约束机制既可以提高抵御金融风险的能力，又可以降低政策性银行的资金成本，为政策性银行的良好资本运作能力保驾护航;优化资产配置结构和提高行业竞争力是新一轮政策性银行改革的关键，多样化和专业化的资产配置能力成为新常态下经济发展不可回避的诉求;人力资本质量在政策性银行发展中也应引起足够重视，优化的人力资本结构表现出索洛经济增长模型的劳动有效性，意味着政策性银行中员工的劳动有效性表现得越突出，政策性银行所呈现的综合效益水平越好。因此，基于中国经济面临“新常态”处境的背景下，政策性银行应秉承“十三五”规划的改革浪潮，实现政策性与市场性目标双赢的局面，加快其自身改革的前进步伐，并优化其政策功能和作用，着实提高经营的效率和效益。并以此来全面提升政策性目标的实现度，发挥政策性金融弥补商业性金融的缺口作用，实现金融发展的动态平衡架构，更好地促进政策性金融服务实体经济的效率和贡献度。

参考文献:

［1］李若谷．让政策性金融成为助推器［EB/OL］．(2015－12－29)［2016－02－01］．

［2］白钦先．各国政策性金融机构比较［M］．北京:中国金融出版社，1993．

［3］贾康，孟艳．政策性金融何去何从:必要性、困难与出路［J］．财政研究，2009(3):2－9．

［14］王广谦．经济发展中金融的贡献与效率［M］．北京:中国人民大学出版社，1997．

［15］杨德勇．论中国金融效率的现状及政策选择［J］．财经理论研究，1997(2):54－60．

［16］张健华．我国商业银行效率研究的DEA方法及1997—2001年效率的实证分析［J］．金融研究，2003(3):11－25．

［17］迟国泰，孙秀峰，芦丹．中国商业银行成本效率实证研究［J］．经济研究，2005(6):104－114．

［18］王兵，朱宁．不良贷款约束下的中国上市商业银行效率和全要素生产率研究———基于SBM方向性距离函数的实证分析［J］．金融研究，2011(1):110－130．

［19］罗登跃．基于DEA的商业银行效率实证研究［J］．管理科学，2005(2):39－45．

［20］吴少新，李建华，许传华．基于DEA超效率模型的村镇银行经营效率研究［J］．财贸经济，2009(12):45－49．

［21］朱南，卓贤，董屹．关于我国国有商业银行效率的实证分析与改革策略［J］．管理世界，2004(2):18－26．

［22］赵翔．银行分支机构效率测度及影响因素分析———基于超效率DEA与Tobit模型的实证研究［J］．经济科学，2010(1):85－96．

［23］王文卓．我国商业银行股改效率评价与影响因素分析———基于DEA超效率模型和Tobit回归模型［J］．上海金融，2013(5):38－41．

［24］杨晔．我国政策性银行改革和职能调整的研究［J］．财政研究，2007(10):50－53．

［25］栾义君，马增华．我国政策性银行的DEA效率分析［J］．技术经济，2009(7):87－89．

作者：林春 单位：辽宁大学经济学院