论文部分内容阅读
【摘要】随着银行物理网点由外延扩张向布局优化转型，渠道经营逐步向专业发展。作为渠道经营的重要组成，资源配置管理应打破传统经验观念，更多依赖于营运数据分析，借助科学方法论的预判。本文从资源配置的一个实例入手，利用多元线性回归的方法，对银行物理网点资源配置进行实证分析。根据模型构建、检验以及修正，实现对资源投放的分析预测。实证结果可对渠道经营实践提供参考，以及方法论的借鉴。
【关键词】多元线性回归 银行网点 资源配置
一、引言
随着互联网金融的深入发展，其弱物理化的实质，对银行物理网点传统上的经营客观造成了较大冲击。为了顺应发展，各银行也借鉴国内外经验，纷纷推出“小而精”、“个性化”、“智能化”的网点，以多元化转型服务迎接移动互联时代的挑战。银行渠道管理理念也应同步甚至未雨绸缪。作为银行经营成本最昂贵的渠道，物理网点的营运已不能沿用传统方式，仅通过市场经验来判断营业面积、设施、人员等资源投放，甚至粗放式的追求大面积营业网点、豪华装修形象工程，来取得竞争优势。渠道资源投入应有大数据的思维，基于对历史数据的提炼分析，以及未来宏微观经济发展的预测，选择最优的资源投入品种和数量，在确保客户体验的同时，优化渠道投入产出结构，促进经营效能最大化。
本文拟采用多元线性回归模型对于银行物理网点的资源投入进行实证分析，可以对未来网点资源投入进行预测，以使资源得到合理配置。同时也为网点制定未来营运计划提供方法论依据。
二、指标选取
衡量网点资源配置合理性的指标较多，应根据全面性、代表性、科学性以及数据的可获得性原则选取指标。本文从网点资源配置的一个实例，即网点设备配置入手，探讨影响资源配置的经济指标。
网点的设备配置与设备自身功能类型、网点业务结构、设备对客户服务能力、网点最大负荷能力、客户对设备的潜在接受程度等因素相关。根据对设备需求的影响因素分析，预选取的经济指标为：设备功能覆盖、业务结构、日均服务能力、客流高峰、客户年龄结构这5类。本模型中样本数据来源于国内某商业银行经过一段时间运营验证设备配置合理的45家网点。
三、模型构建与检验
（一）研究假设
基于对网点设备配置的专业知识和经验判断，我们选取了设备功能覆盖、业务结构、日均服务能力、高峰服务能力、客户年龄结构这5类经济指标，作为预测网点设备配置的解释变量。结合数据的可获得性，考虑数据自身特点，本文假设影响网点资源配置数量的解释变量如下：
Y：合理的设备配置数量
X1：设备功能覆盖率=设备日均业务量/网点日均业务总量；
X2：业务结构比率=对私日均业务量/网点日均业务总量；
X3：日均服务能力=In（设备日均服务客户量）
X4：高峰客流压力=In（网点高峰客流量）
X5：客户年龄结构=网点到访客户里中青年客户占比
设备日均服务客户量、网点高峰客流量的量纲较其他因变量大得多，取对数形式，可减少多重共线性，并在一定程度上消除量纲影响。
（二）模型构建
根据假设条件设置网点设备配置的多元线形回归模型为：
运用Eviews8.0对45家网点数据进行OLS回归，初步回归结果如下：
由回归结果可知，解释变量整体对因变量拟合的相关系数Adjusted R-squared=0.854067，整体拟合程度较好。回归的常数项的t统计的P值>0.05，不能拒绝该项显著为零的原假设。解释变量X1、X3、X4、X5的参数t统计的P值小于0.05，拒绝原假设，设备功能覆盖率、设备日均服务能力、网点高峰客流压力、客户年龄结构对于网点的该种设备配置有显著的影响。
剔除影响不显著的因素，重新进行OLS回归，得到设备配置初步回归模型为：Y=1.34029X1+0.434947X3+0.376715X4+ 1.605963X5
（三）模型检验
应用OLS时要求模型的误差项必须满足无偏性、同方差、无序列相关、解释变量和误差项相互独立。由于本文构建的模型并非采用时间序列数据，故而进行异方差、多重共线性检验。
1.异方差检验。采用White检验法，由于Obs*R-squared的概率值0.3184大于显著性水平0.05，所以不能拒绝原假设，原回归模型不存在异方差。
2.多重共线性检验。解释变量X1、X3、X4、X5的两两之间相关系数如下表，由于X3和X4的相关系数为0.778374，存在较强相关性，因此需要对模型进行修正。
（四）模型修正
由于只有X3与X4的相关性较为显著，故而本文采用逐步剔除的方法对回归模型进行修正。运用OLS方法分别做出因变量Y对X1、X3、X5解释变量的回归；以及因变量对X1、X4、X5解释变量的回归。优先选择整体拟合程度更好，且各解释变量在统计上显著不为零的回归结果。经分析，应保留X1、X3、X5作为回归模型的解释变量。进一步检验修正模型的有效性，对其进行无常数项的回归，经检验不存在异方差以及多重共线性。
经过反复回归验证，最终构建出的网点设备配置的多元线性回归模型如下：
设备功能覆盖率、设备日均客户服务能力、客户年龄结构这几个自变量对因变量起到了显著的影响。
四、模型应用
根据实证分析结果，对于该种类型的设备配置，为达到科学合理的投入产出运行效果，应从设备自身功能类型、对客户服务能力、客户接受程度着手进行分析预测。如果这三方面的条件发生较大变动，可运用模型的线性关系对设备投入进行调整，确保资源的合理配置和有效利用。
对于物理网点营业场所、人员、设施、运行物料等相关资源投放，应充分分析，从宏微观视觉全面分析，选取有代表性、合理的经济指标，进行分析预测，从数量和结构上选择最优的方案，并且随内外在条件变化，调整资源投放结构，实现高效能的渠道经营管理。
作者简介：谢彬彬（1986-），女，福建人，经济学硕士，研究方向：商业银行经营管理。
【关键词】多元线性回归 银行网点 资源配置
一、引言
随着互联网金融的深入发展，其弱物理化的实质，对银行物理网点传统上的经营客观造成了较大冲击。为了顺应发展，各银行也借鉴国内外经验，纷纷推出“小而精”、“个性化”、“智能化”的网点，以多元化转型服务迎接移动互联时代的挑战。银行渠道管理理念也应同步甚至未雨绸缪。作为银行经营成本最昂贵的渠道，物理网点的营运已不能沿用传统方式，仅通过市场经验来判断营业面积、设施、人员等资源投放，甚至粗放式的追求大面积营业网点、豪华装修形象工程，来取得竞争优势。渠道资源投入应有大数据的思维，基于对历史数据的提炼分析，以及未来宏微观经济发展的预测，选择最优的资源投入品种和数量，在确保客户体验的同时，优化渠道投入产出结构，促进经营效能最大化。
本文拟采用多元线性回归模型对于银行物理网点的资源投入进行实证分析，可以对未来网点资源投入进行预测，以使资源得到合理配置。同时也为网点制定未来营运计划提供方法论依据。
二、指标选取
衡量网点资源配置合理性的指标较多，应根据全面性、代表性、科学性以及数据的可获得性原则选取指标。本文从网点资源配置的一个实例，即网点设备配置入手，探讨影响资源配置的经济指标。
网点的设备配置与设备自身功能类型、网点业务结构、设备对客户服务能力、网点最大负荷能力、客户对设备的潜在接受程度等因素相关。根据对设备需求的影响因素分析，预选取的经济指标为：设备功能覆盖、业务结构、日均服务能力、客流高峰、客户年龄结构这5类。本模型中样本数据来源于国内某商业银行经过一段时间运营验证设备配置合理的45家网点。
三、模型构建与检验
（一）研究假设
基于对网点设备配置的专业知识和经验判断，我们选取了设备功能覆盖、业务结构、日均服务能力、高峰服务能力、客户年龄结构这5类经济指标，作为预测网点设备配置的解释变量。结合数据的可获得性，考虑数据自身特点，本文假设影响网点资源配置数量的解释变量如下：
Y：合理的设备配置数量
X1：设备功能覆盖率=设备日均业务量/网点日均业务总量；
X2：业务结构比率=对私日均业务量/网点日均业务总量；
X3：日均服务能力=In（设备日均服务客户量）
X4：高峰客流压力=In（网点高峰客流量）
X5：客户年龄结构=网点到访客户里中青年客户占比
设备日均服务客户量、网点高峰客流量的量纲较其他因变量大得多，取对数形式，可减少多重共线性，并在一定程度上消除量纲影响。
（二）模型构建
根据假设条件设置网点设备配置的多元线形回归模型为：
运用Eviews8.0对45家网点数据进行OLS回归，初步回归结果如下：
由回归结果可知，解释变量整体对因变量拟合的相关系数Adjusted R-squared=0.854067，整体拟合程度较好。回归的常数项的t统计的P值>0.05，不能拒绝该项显著为零的原假设。解释变量X1、X3、X4、X5的参数t统计的P值小于0.05，拒绝原假设，设备功能覆盖率、设备日均服务能力、网点高峰客流压力、客户年龄结构对于网点的该种设备配置有显著的影响。
剔除影响不显著的因素，重新进行OLS回归，得到设备配置初步回归模型为：Y=1.34029X1+0.434947X3+0.376715X4+ 1.605963X5
（三）模型检验
应用OLS时要求模型的误差项必须满足无偏性、同方差、无序列相关、解释变量和误差项相互独立。由于本文构建的模型并非采用时间序列数据，故而进行异方差、多重共线性检验。
1.异方差检验。采用White检验法，由于Obs*R-squared的概率值0.3184大于显著性水平0.05，所以不能拒绝原假设，原回归模型不存在异方差。
2.多重共线性检验。解释变量X1、X3、X4、X5的两两之间相关系数如下表，由于X3和X4的相关系数为0.778374，存在较强相关性，因此需要对模型进行修正。
（四）模型修正
由于只有X3与X4的相关性较为显著，故而本文采用逐步剔除的方法对回归模型进行修正。运用OLS方法分别做出因变量Y对X1、X3、X5解释变量的回归；以及因变量对X1、X4、X5解释变量的回归。优先选择整体拟合程度更好，且各解释变量在统计上显著不为零的回归结果。经分析，应保留X1、X3、X5作为回归模型的解释变量。进一步检验修正模型的有效性，对其进行无常数项的回归，经检验不存在异方差以及多重共线性。
经过反复回归验证，最终构建出的网点设备配置的多元线性回归模型如下：
设备功能覆盖率、设备日均客户服务能力、客户年龄结构这几个自变量对因变量起到了显著的影响。
四、模型应用
根据实证分析结果，对于该种类型的设备配置，为达到科学合理的投入产出运行效果，应从设备自身功能类型、对客户服务能力、客户接受程度着手进行分析预测。如果这三方面的条件发生较大变动，可运用模型的线性关系对设备投入进行调整，确保资源的合理配置和有效利用。
对于物理网点营业场所、人员、设施、运行物料等相关资源投放，应充分分析，从宏微观视觉全面分析，选取有代表性、合理的经济指标，进行分析预测，从数量和结构上选择最优的方案，并且随内外在条件变化，调整资源投放结构，实现高效能的渠道经营管理。
作者简介：谢彬彬（1986-），女，福建人，经济学硕士，研究方向：商业银行经营管理。