郝曉露　高巍

摘 要：針對商業(yè)銀行人民幣貸款規(guī)模分配和盈利，建立商業(yè)銀行貸款分配及盈利最大化模型，為實(shí)現(xiàn)商業(yè)銀行貸款規(guī)模的合理分配提出建議。以商業(yè)銀行A為例，綜合運(yùn)用線性回歸、灰色預(yù)測、K均值聚類等方法建立相關(guān)模型，采用SPSS、EVIEWS、LINGO等軟件編程分析求解，最終提出商業(yè)銀行A存貸款規(guī)模合理分配方案。研究得出：存貸款利率的高低與地區(qū)經(jīng)濟(jì)發(fā)展水平密切相關(guān)，貸款規(guī)模分配也要考慮地區(qū)經(jīng)濟(jì)發(fā)展?fàn)顩r，并給出了基于實(shí)現(xiàn)商業(yè)銀行盈利最大化的貸款規(guī)模分配方案。合理的存貸款規(guī)模是實(shí)現(xiàn)商業(yè)銀行盈利的重要條件，建議銀行有關(guān)部門建立合理的評價(jià)體系，引入地區(qū)存、貸款增長速度等有效變量，考慮地區(qū)發(fā)展不均衡等因素，建立可靠的分配模型，實(shí)現(xiàn)最大盈利目標(biāo)。

關(guān)鍵詞：商業(yè)銀行;線性回歸;灰色預(yù)測;線性規(guī)劃;盈利最大化

商業(yè)銀行人民幣貸款規(guī)模分配模型的建立不僅有利于維持貨幣供給的穩(wěn)定，實(shí)現(xiàn)貨幣供應(yīng)量與經(jīng)濟(jì)增長速度相適應(yīng)，正確處理好抑制通貨膨脹與實(shí)現(xiàn)經(jīng)濟(jì)發(fā)展的關(guān)系;也是引導(dǎo)資金流向，促進(jìn)經(jīng)濟(jì)結(jié)構(gòu)調(diào)整、實(shí)現(xiàn)經(jīng)濟(jì)發(fā)展的重要手段。目前，對于人民幣貸款規(guī)模的分配，商業(yè)銀行多采用以存定貸、存貸結(jié)合、表內(nèi)外協(xié)同、資產(chǎn)負(fù)債動(dòng)態(tài)平衡模式，以實(shí)現(xiàn)在平衡區(qū)域發(fā)展差異的前提下，實(shí)現(xiàn)全行收益最大化。從宏觀經(jīng)濟(jì)角度，商業(yè)銀行人民幣貸款規(guī)模分配模型的建立不僅有利于維持貨幣供給的適度，實(shí)現(xiàn)貨幣供應(yīng)量與經(jīng)濟(jì)增長速度相適應(yīng)，正確處理好抑制通貨膨脹與實(shí)現(xiàn)經(jīng)濟(jì)發(fā)展的關(guān)系;也是引導(dǎo)資金流向，促進(jìn)經(jīng)濟(jì)結(jié)構(gòu)調(diào)整的重要手段。從商業(yè)銀行自身角度，商業(yè)銀行人民幣貸款規(guī)模分配模型的建立，有利于實(shí)現(xiàn)資金使用效率的最大化，實(shí)現(xiàn)資金使用的安全性、流動(dòng)性、盈利性。從企業(yè)角度，企業(yè)是商業(yè)銀行主要的貸款對象，貸款規(guī)模分配模型的建立，使得商業(yè)銀行能夠?qū)崿F(xiàn)貸款資金分配的因地制宜，緩解商業(yè)銀行在支持企業(yè)貸款需求方面所面臨的資金規(guī)模不足的問題，從而更好地為企業(yè)發(fā)展服務(wù)，激發(fā)企業(yè)發(fā)展的積極性。

諸多學(xué)者都對銀行貸款業(yè)務(wù)進(jìn)行了深入的研究。包括對貸款業(yè)務(wù)問題的研究，如：王振山和王志強(qiáng)[1]提出銀行貸款業(yè)務(wù)是我國貨幣政策的主要傳導(dǎo)途徑;鄭艷穎[2]指出商業(yè)銀行應(yīng)該正確處理好與小微企業(yè)之間的信貸關(guān)系;袁曉文[3]提出商業(yè)銀行是市場中資本資金的主要提供者的觀點(diǎn);李知臨和李德惠[4]選取了2008—2012年我國12家商業(yè)銀行的面板數(shù)據(jù)進(jìn)行實(shí)證研究，發(fā)現(xiàn)現(xiàn)階段我國貸款市場集中度相對較高。還包括對商業(yè)銀行貸款定價(jià)問題的研究，如：孟彩云[5]運(yùn)用RAROC模型對商業(yè)銀行貸款定價(jià)問題進(jìn)行實(shí)證分析;李晶[6]運(yùn)用KMV模型對商業(yè)銀行貸款定價(jià)進(jìn)行研究。此外，諸多學(xué)者還對商業(yè)銀行的信用風(fēng)險(xiǎn)問題進(jìn)行了研究，如：王健、呂德宏[7]運(yùn)用CreditMetrics模型對我國商業(yè)銀行貸款信用風(fēng)險(xiǎn)進(jìn)行了分析;周建斌、劉紅生等[8]運(yùn)用Logistic模型對風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)環(huán)境下的商業(yè)銀行貸款信用風(fēng)險(xiǎn)進(jìn)行了研究。

因此，可知眾多學(xué)者已經(jīng)從各個(gè)角度對商業(yè)銀行的貸款業(yè)務(wù)提出了見解，但對于貸款金額的投放問題的研究涉及較少，多停留在理論的層面。本文試圖通過對商業(yè)銀行人民幣貸款規(guī)模分配及盈利問題的研究，實(shí)現(xiàn)商業(yè)銀行貸款金額的合理投放。本文基于相關(guān)數(shù)據(jù)和文獻(xiàn)，以商業(yè)銀行A為例，試圖通過建立科學(xué)的數(shù)學(xué)模型提出合理的貸款規(guī)模分配方案，實(shí)現(xiàn)盈利最大化目標(biāo)，在本文結(jié)合各項(xiàng)數(shù)據(jù)運(yùn)用多種模型和軟件，對商業(yè)銀行盈利問題進(jìn)行計(jì)量分析。

一、數(shù)據(jù)的來源與模型的假設(shè)

本文數(shù)據(jù)來源于2018年第十五屆五一數(shù)學(xué)建模競賽B題;為了便于對問題的研究提出以下幾條假設(shè)：（1）貸款規(guī)模增長受限于其存款規(guī)模增長，只有在存款有效增長的情況下銀行才有充足資金用于貸款投放;（2）商業(yè)銀行A在全國存款總額中所占比例相對穩(wěn)定，每年可增長的存款量受限于社會(huì)資金總量的增長情況;（3）該銀行除客戶存款外無其他資金來源，且暫不考慮備付水平;（4）每個(gè)客戶存取款的行為是隨機(jī)的;（5）只考慮貸款業(yè)務(wù)對商業(yè)銀行盈利的影響。

二、整體研究思路

商業(yè)銀行的盈利來源于貸款業(yè)務(wù)、金融服務(wù)咨詢業(yè)務(wù)等方方面面。在本文中，對于商業(yè)銀行的盈利只考慮貸款業(yè)務(wù)，而影響貸款業(yè)務(wù)的收益主要包括貸款總額和貸款利率兩個(gè)因素，又由于貸款額受限于存款額，因此我們試圖通過對存款額的預(yù)測推測貸款額，并通過對未來年份貸款利率的預(yù)測，實(shí)現(xiàn)對盈利最大的計(jì)算。同時(shí)，我們認(rèn)為局部最優(yōu)能夠?qū)崿F(xiàn)總體最優(yōu)，因此我們將各地區(qū)分行按照經(jīng)濟(jì)發(fā)展?fàn)顩r劃分為不同的板塊。實(shí)現(xiàn)對商業(yè)銀行盈利最大化的分析求解。其具體思路論述如下：

首先，結(jié)合宏觀經(jīng)濟(jì)指標(biāo)，建立線性回歸模型，運(yùn)用EVIEWS軟件進(jìn)行擬合分析，并利用往年宏觀經(jīng)濟(jì)指標(biāo)預(yù)測2018年商業(yè)銀行A存、貸款增量。然后，在MATLAB軟件中，結(jié)合往年的利率水平，運(yùn)用灰色預(yù)測分析法，預(yù)測出2018年各省存、貸款利率。由于各省的經(jīng)濟(jì)發(fā)展水平存在差異，我們運(yùn)用K均值聚類模型將30個(gè)地區(qū)為4個(gè)經(jīng)濟(jì)發(fā)展板塊。最后，建立線性規(guī)劃模型，根據(jù)以前年份的貸款總額并結(jié)合上述預(yù)測出的2018年商業(yè)銀行A的貸款增量，預(yù)測出2018年各板塊的貸款總額，并根據(jù)各地2015—2017年的貸款總量波動(dòng)范圍，近似給出2018年各地的貸款總量的范圍;再依據(jù)其預(yù)測的貸款利率算出各板塊由于貸款業(yè)務(wù)所獲得的收益，確定其約束條件。然后使用LINGO軟件求解，實(shí)現(xiàn)局部最優(yōu)，進(jìn)而推斷整體最優(yōu)，給出實(shí)現(xiàn)凈收益最大化資金分配方案。

三、基于線性回歸模型對2018年商業(yè)銀行存貸款增量的預(yù)測

（一）研究思路

對于商業(yè)銀行而言，貸款規(guī)模增長受限于其存款規(guī)模的增長，只有在存款有效增長的情況下銀行才有充足的資金用于貸款投放[9]。具體來說，在某家商業(yè)銀行在全國存款總額中所占比例相對穩(wěn)定的情況下，每年可增長的存款量受限于社會(huì)資金總量的增長情況。從經(jīng)濟(jì)指標(biāo)上來看，社會(huì)存款增長與GDP、CPI、工業(yè)增加值等在內(nèi)的20項(xiàng)宏觀經(jīng)濟(jì)指標(biāo)密切相關(guān)[10]。因此，我們將宏觀經(jīng)濟(jì)指標(biāo)作為自變量，將“金融機(jī)構(gòu)人民幣各項(xiàng)存款余額增長比”作為因變量，對其建立線性回歸模型，并運(yùn)用Eviews軟件進(jìn)行線性擬合分析。

（二）研究方法

1. 模型的準(zhǔn)備

在此，主要運(yùn)用線性回歸模型，現(xiàn)行回歸模型是指利用線性回歸方程的最小二乘函數(shù)對一個(gè)或多個(gè)自變量和因變量之間的關(guān)系進(jìn)行建模的一種回歸分析。線性回歸可以用來對觀測數(shù)據(jù)集擬合出一個(gè)預(yù)測模型。當(dāng)完成這樣一個(gè)模型以后，對于一個(gè)新增的x值，在沒有給定與它相配對的y的情況下，可以用這個(gè)擬合過的模型預(yù)測出一個(gè)y值。

2. 建立線性回歸模型

在次，我們將“金融機(jī)構(gòu)人民幣各項(xiàng)存款余額增長比”作為因變量、將宏觀經(jīng)濟(jì)指標(biāo)作為自變量，建立線性回歸模型[11]。但由于在2018年各項(xiàng)宏觀經(jīng)濟(jì)指標(biāo)的預(yù)測值中，“國房景氣指數(shù)”、“固定資產(chǎn)投資完成額”、“金融機(jī)構(gòu)人民幣各項(xiàng)存款余額”三項(xiàng)指標(biāo)的數(shù)據(jù)不完整，因此將其剔除;同時(shí)，在進(jìn)行指標(biāo)選取時(shí)，我們經(jīng)過多次測驗(yàn)最終發(fā)現(xiàn)在選取17項(xiàng)指標(biāo)時(shí)效果最好。因此，我們設(shè)GDP同比、CPI同比、工業(yè)增加值同比等17項(xiàng)指標(biāo)分別記為x1、x2…x17;并設(shè)金融機(jī)構(gòu)人民幣各項(xiàng)存款余額增長比為，線性回歸模型建立如下：

3. 數(shù)據(jù)擬合

接下來，我們將所查找的2010-2017年對應(yīng)的17項(xiàng)宏觀經(jīng)濟(jì)指標(biāo)數(shù)據(jù)導(dǎo)入至Eviews軟件中進(jìn)行分析求解及線性擬合。根據(jù)結(jié)果得出線性回歸模型中各參數(shù)的值，并將其代入線性回歸模型中，最終求得的線性回歸方程如下：

4. 模型的檢驗(yàn)

在本模型中，我們主要考慮擬合優(yōu)度與F檢驗(yàn)評價(jià)模型。

擬合優(yōu)度檢驗(yàn)：由R2=0.7497，可知擬合優(yōu)度較好。

F檢驗(yàn)：針對H0，β1=β2…β17=0，給定顯著水平α=0.1，在F檢驗(yàn)統(tǒng)計(jì)表中查出自由度為k-1=17和n-k=12的Fα（17，12）的臨界值1.96，由F分布表可知：F=2.11，由于F=2.11>Fα（17，12），則應(yīng)拒絕原假設(shè)H0∶β1=β2…β17=0.

5. 求解存、貸款增長比，預(yù)測存、貸款增量

然后，將2018年17項(xiàng)宏觀經(jīng)濟(jì)指標(biāo)的預(yù)測數(shù)據(jù)代入線性回歸方程，以實(shí)現(xiàn)對2018年“金融機(jī)構(gòu)人民幣各項(xiàng)存款余額增長比”的求解，增長比為10.35%，那么2018年商業(yè)銀行A的存、貸款增長比為10.35%。通過2017年商業(yè)銀行A在全國各分行的存、貸款金額的求和，并將其與存、貸款增長比分別進(jìn)行乘積計(jì)算，其結(jié)果便為2018年商業(yè)銀行A存、貸款增量預(yù)測值，詳見表2。

四、基于灰色預(yù)測模型對2018年商業(yè)銀行A的存貸款利率的預(yù)測

（一）研究方法

在此，主要運(yùn)用灰色預(yù)測的方法，灰色預(yù)測是一種對含有不確定因素的系統(tǒng)進(jìn)行預(yù)測的方法?；疑A(yù)測通過鑒別系統(tǒng)因素之間發(fā)展趨勢的相異程度，即進(jìn)行關(guān)聯(lián)分析，并對原始數(shù)據(jù)進(jìn)行生成處理來尋找系統(tǒng)變動(dòng)的規(guī)律，生成有較強(qiáng)規(guī)律性的數(shù)據(jù)序列，然后建立相應(yīng)的微分方程模型，從而預(yù)測未來發(fā)展趨勢的狀況。

（二）結(jié)果分析

因此，我們根據(jù)相關(guān)數(shù)據(jù)對各省2015—2017年的存、貸款利率進(jìn)行了分析，運(yùn)用灰色預(yù)測方法，并采用MATLAB軟件對2018年商業(yè)銀行A各分行存、貸款利率分別進(jìn)行了預(yù)測，具體結(jié)果詳見表3。

由表3可知，對于經(jīng)濟(jì)發(fā)展?fàn)顩r較好的地區(qū)，如：北京、廣東、浙江、上海等地的存款利率較高、貸款利率較低;而對于經(jīng)濟(jì)發(fā)展?fàn)顩r較為落后的地區(qū)，如：新疆、貴州、青海等地的存款利率較低、貸款利率較高。因此，可以發(fā)現(xiàn)，存貸款利率的高低與地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r存在一定程度的關(guān)系。

五、基于K-均值聚類模型的地區(qū)分行分類

（一）研究思路

目前，商業(yè)銀行主要采用以存定貸、存貸結(jié)合、表內(nèi)外協(xié)同、資產(chǎn)負(fù)債表動(dòng)態(tài)平衡的模式，既要努力獲取全行最大收益，也要平衡各區(qū)域經(jīng)濟(jì)發(fā)展差異，調(diào)動(dòng)各單位各行業(yè)發(fā)展積極性，同時(shí)也要對國家重大項(xiàng)目、重點(diǎn)政策、民生工程等有一定程度的傾斜扶持，支持實(shí)體經(jīng)濟(jì)的有效發(fā)展。因此，在考慮貸款規(guī)模分配時(shí)，需要考慮不同分行的經(jīng)濟(jì)發(fā)展情況，同時(shí)結(jié)合各分行歷史貸款情況，分配該分行能夠消化的貸款額[13，14]。進(jìn)而，根據(jù)分行貸款利率水平分配貸款金額，使得商業(yè)銀行A實(shí)現(xiàn)凈收益最大化。在此，為便于研究我們利用K均值聚類的方法，將30個(gè)地區(qū)分行按照經(jīng)濟(jì)發(fā)展?fàn)顩r進(jìn)行了聚類分析。

（二）研究方法

為降低貸款資金分配的不合理性，實(shí)現(xiàn)分行資金投放的局部最優(yōu)化，我們試圖根據(jù)不同分行歷史貸款額占可貸款總額比例劃分出不同發(fā)展水平板。在此，我們采用K均值聚類模型進(jìn)行聚類分析、并運(yùn)用SPSS軟件分析求解，最終將北京、江蘇、上海等30個(gè)地區(qū)分行聚類[15]為四大類，并對這四類分行進(jìn)行了定義即發(fā)達(dá)地區(qū)、中等發(fā)達(dá)地區(qū)、發(fā)展中地區(qū)、欠發(fā)達(dá)地區(qū)，具體結(jié)果詳見表4，SPSS聚類圖如圖1所示。

（三）結(jié)果分析

根據(jù)上述結(jié)果，我們按照地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r可以將30個(gè)地區(qū)分行劃分為4大板塊。其中，北京、江蘇、廣州等5個(gè)地區(qū)為發(fā)達(dá)地區(qū);山東、河南、湖北等5個(gè)地區(qū)為中等發(fā)達(dá)地區(qū);四川、河北、重慶等12個(gè)地區(qū)為發(fā)展中地區(qū);吉林、黑龍江、新疆等8個(gè)地區(qū)為欠發(fā)達(dá)地區(qū)。因此，在進(jìn)行貸款規(guī)模分配時(shí)，要考慮地區(qū)的經(jīng)濟(jì)發(fā)展水平，進(jìn)行合理的貸款規(guī)模分配，對于不同板塊通過局部盈利最大化的分析，實(shí)現(xiàn)總體盈利最大化的貸款規(guī)模分配。

六、基于線性規(guī)劃模型的貸款規(guī)模分配

（一）研究思路

由于商業(yè)銀行A在全國存款總額中所占比例相對穩(wěn)定，每年可增長的存款量受限于社會(huì)資金總量的增長情況。可將這四大板塊看作是商業(yè)銀行A在全國范圍內(nèi)的四大分支，那么，每一板塊的可貸資金總額占商業(yè)銀行A的可貸資金總額的比例可看作是近似固定的。因此，只需計(jì)算出每一板塊的可貸資金總額在全行的占比即可在板塊間實(shí)現(xiàn)資金的合理分配，以使商業(yè)銀行A的凈收入實(shí)現(xiàn)最大化，結(jié)合灰色預(yù)測模型中對各分行2018年貸款利率的預(yù)測，即可運(yùn)用線性規(guī)劃模型給出目標(biāo)函數(shù)，得出貸款模分配結(jié)果[16]。

（二）研究方法

首先，根據(jù)2018年存貸款增量的預(yù)測，及對2015—2017年貸款總額數(shù)據(jù)，可得到2018年存款總金額，并近似求出2018年商業(yè)銀行A可貸款總金額。然后，通過求出各分行2015—2017各年占全行貸款比例，并根據(jù)聚類分析結(jié)果將各板塊的比例加總，即可求解出2018年各板塊的可貸款總額。此外，由于各分行占全行的貸款利率比例是在一定范圍內(nèi)進(jìn)行波動(dòng)，根據(jù)2015—2017年各省的歷史貸款總額求出其波動(dòng)范圍，取其最大及最小比例近似確定2018年各分行的貸款額的最大、最小值，即可給出線性規(guī)劃的約束條件。此處，我們以發(fā)達(dá)地區(qū)為例，我們預(yù)測出2018年發(fā)達(dá)地區(qū)的可貸款總額為18381億元，建立線性規(guī)劃模型，其目標(biāo)函數(shù)與約束條件表示如下。運(yùn)用LINGO軟件實(shí)現(xiàn)通過局部最優(yōu)化實(shí)現(xiàn)全局最優(yōu)化，最終求解出各分行貸款規(guī)模投放方案。其中，對于2018年各分行貸款額最大、最小值的計(jì)算步驟如下：

1. 分別求出2015、2016、2017年各分行貸款額占全行貸款額的比例，進(jìn)而給出各分行的最大占比RMax、最小占比RMin;

2. 根據(jù)所得的2018年貸款總金額Z，則2018年各分行的貸款波動(dòng)范圍可近似表示為

在此，我們設(shè)發(fā)達(dá)地區(qū)、中等發(fā)達(dá)區(qū)、發(fā)展中地區(qū)、欠發(fā)達(dá)地區(qū)的收益總額分別為W1、W2、W3、W4。

故各分行的貸款分配金額符號(hào)假設(shè)見表5。

接下來，我們以發(fā)達(dá)地區(qū)為例給出實(shí)現(xiàn)贏利最大化的線性模型，具體如下：

目標(biāo)函數(shù)：

（三）結(jié)果分析

通過對數(shù)據(jù)的查找計(jì)算，求得2018年各板塊的可貸款總額，具體結(jié)果見表6。對上述模型運(yùn)用LINGO編程，求得2018年商業(yè)銀行A各分行貸款規(guī)模分配方案，結(jié)果見表7。從表5與表6中可以發(fā)現(xiàn)，各個(gè)地區(qū)由于經(jīng)濟(jì)發(fā)展水平不同貸款分配規(guī)模呈現(xiàn)差異?？傮w而言，即貸款分配規(guī)模與經(jīng)濟(jì)發(fā)展水平存在正相關(guān)[17]關(guān)系，如：北京、江蘇、廣東等經(jīng)濟(jì)較為發(fā)達(dá)的地區(qū)，貸款額較高，均超過3000億元;而寧夏、青海等經(jīng)濟(jì)較為落后的地區(qū)，貸款額較低，甚至不足200億元。

七、結(jié)語

結(jié)合前面的討論，我們給出了實(shí)現(xiàn)總行收益最大化的銀行貸款規(guī)模的分配方案。結(jié)合上述分析結(jié)果，本文給出以下建議：

在進(jìn)行貸款分配時(shí)，要因地制宜，注意考慮不同地區(qū)經(jīng)濟(jì)發(fā)展水平的差異，給予適合的貸款規(guī)模分配。對于經(jīng)濟(jì)較為發(fā)達(dá)的地區(qū)，應(yīng)該提供更多的貸款規(guī)模;對于經(jīng)濟(jì)發(fā)展水平比較一般的地區(qū)，提供相對較少的貸款規(guī)模。因?yàn)榈貐^(qū)發(fā)展水平的不同，對資金的需求量會(huì)產(chǎn)生差異，經(jīng)濟(jì)較為發(fā)達(dá)的地區(qū)對于貸款需求量一般會(huì)高于經(jīng)濟(jì)發(fā)展?fàn)顩r較為落后的地區(qū)。

但是，僅僅依靠經(jīng)濟(jì)發(fā)展水平作為存貸款量的考核依據(jù)也是不合理的。例如，當(dāng)一個(gè)地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r處于上升階段時(shí)，對資金的需求會(huì)變大，因此要增加對該地區(qū)的貸款額分配量，以實(shí)現(xiàn)地區(qū)經(jīng)濟(jì)發(fā)展的目標(biāo)。因此，對于貸款規(guī)模的分配要考慮諸多因素，如：地區(qū)經(jīng)濟(jì)發(fā)展水平、地區(qū)經(jīng)濟(jì)發(fā)展?jié)摿Φ纫蛩囟家鳛楹饬康膶ο?，在綜合考慮各種因素的基礎(chǔ)上，實(shí)現(xiàn)盈利最大化的目標(biāo)。

建議商業(yè)銀行有關(guān)部門在引用上述模型進(jìn)行貸款規(guī)模分配時(shí)，還要引入地區(qū)存、貸款增長速度、盈利水平等有效變量，從而建立可靠、合理的分配模型，進(jìn)而在實(shí)現(xiàn)滿足地區(qū)經(jīng)濟(jì)發(fā)展的同時(shí)，實(shí)現(xiàn)商業(yè)銀行盈利最大化。

銀行貸款規(guī)模關(guān)乎國計(jì)民生，是國家進(jìn)行經(jīng)濟(jì)調(diào)控的重要手段，在進(jìn)行貸款規(guī)模投放時(shí)，應(yīng)該考慮諸多因素，以期在實(shí)現(xiàn)盈利最大化的基礎(chǔ)上，實(shí)現(xiàn)地區(qū)經(jīng)濟(jì)的協(xié)調(diào)發(fā)展。

參考文獻(xiàn)：

[1] 王振山，王志強(qiáng).我國貨幣政策傳導(dǎo)途徑的實(shí)證研究[J].財(cái)經(jīng)問題研究，2000，（12）：60-63.

[2] 鄭艷穎.商業(yè)銀行小微企業(yè)貸款業(yè)務(wù)研究[D].北京：北方工業(yè)大學(xué)，2017.

[3] 袁曉文.商業(yè)銀行視角下的中小企業(yè)融資問題研究[J].商業(yè)會(huì)計(jì)，2015，（11）：78.

[4] 李知臨，李德惠.我國商業(yè)銀行貸款價(jià)格競爭與風(fēng)險(xiǎn)的關(guān)系研究——基于我國主要非國有商業(yè)銀行的平衡面板數(shù)據(jù)分析[J].南方金融，2014，（6）：4-9.

[5] 孟彩云.利率市場化下我國商業(yè)銀行貸款定價(jià)能力探討——基于RAROC模型的貸款定價(jià)實(shí)證研究[J].西南金融，2014，（6）：35-37.

[6] 李晶.基于KMV模型的商業(yè)銀行貸款定價(jià)問題研究[D].安徽大學(xué)，2014.

[7] 王健，呂德宏.基于CreditMetrics模型的我國商業(yè)銀行貸款信用風(fēng)險(xiǎn)度量分析[J].商場現(xiàn)代化，2009，（5）：355.

[8] 周建斌.風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)環(huán)境下商業(yè)銀行貸款信用風(fēng)險(xiǎn)Logistic模型審計(jì)評價(jià)應(yīng)用研究[A].中國內(nèi)部審計(jì)協(xié)會(huì).中國內(nèi)部審計(jì)協(xié)會(huì)2008年度全國“風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)在風(fēng)險(xiǎn)管理中的應(yīng)用”理論研討暨經(jīng)驗(yàn)交流會(huì)一二等獎(jiǎng)?wù)撐膮R編[C].中國內(nèi)部審計(jì)協(xié)會(huì)：中國內(nèi)部審計(jì)協(xié)會(huì)，2008：6.

[9] 何雅婷.我國商業(yè)銀行流動(dòng)性對貨幣政策貸款傳導(dǎo)渠道的影響研究[D].重慶：重慶大學(xué)，2017.

[10] 朱家明，任筱翮.基于AHP-熵值法的精明增長計(jì)量分析[J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，41（6）：61-67.

[11] 交通銀行智慧現(xiàn)金項(xiàng)目組.商業(yè)銀行庫存現(xiàn)金營運(yùn)風(fēng)險(xiǎn)與效益應(yīng)用研究[J].福建金融，2017，（10）：4-11.

[12] 邵梅.城市商業(yè)銀行庫存現(xiàn)金控制研究[D].成都：西南交通大學(xué)，2015.

[13] 關(guān)珊，朱家明.中國農(nóng)業(yè)銀行不良貸款率影響因素的實(shí)證分析[J].雞西大學(xué)學(xué)報(bào)，2017，17（1）：61-65.

[14] 司守奎.孫璽菁.數(shù)學(xué)建模算法與應(yīng)用[M].北京：國防工業(yè)出版社，2015.

[15] 關(guān)珊，朱家明，關(guān)趙陽等.基于相關(guān)性聚類對城市空氣污染分析數(shù)據(jù)真實(shí)性的判別[J].河北北方學(xué)院學(xué)報(bào)（自然科學(xué)版），2017，33（07）：45-49，55.

[16] 任森春.商業(yè)銀行業(yè)務(wù)與經(jīng)營[M].北京：北京金融出版社，2015.

[17] 朱家明，劉明婷.上海對長三角地區(qū)經(jīng)濟(jì)影響度的計(jì)量分析[J].菏澤學(xué)院學(xué)報(bào)，2016，38（2）：31-36.