保险科技、经营效率及传导机制研究

孙明明，裴 平，何 涛

（南京大学 商学院，江苏 南京210093）

一、引言

新冠肺炎疫情令保险行业线下业务严重受阻，促使保险行业对数字化转型的重要性和迫切性有了更为深刻的认识，而保险科技的快速发展为保险行业数字化转型提供了契机。近十年来，中国的保险科技迅速发展，科技与保险融合，科技赋能保险企业，保险企业因数字化转型而迸发出新的活力。各类人寿保险企业、财产保险企业、保险中介企业和互联网保险平台纷纷布局保险科技，依托保险科技打造以转型升级为特征的保险新生态。它们通过自主开发互联网保险产品与服务，或与科技公司合作等方式，实现了线下和线上保险业务的大幅度增长，优化了业务流程，提升了保险企业经营效率。但是，现有文献关于保险科技发展对中国保险企业经营效率的影响所做研究尚不多见，且不够深入。深入剖析保险科技对保险企业经营效率的影响，明确其传导渠道，能够为加快中国保险企业的转型升级提供理论依据和决策参考。

保险科技是指由传统或非传统市场参与者利用信息技术为保险企业提供特定解决方案的创新，即利用技术创新推动现有保险模式创新，以节省成本和提高效率（Stoeckli et al.，2018；Bun and Sopot，2018）［1-2］。从保险科技的概念上可以看出，保险科技最终目的是降低成本和提高效率，但遗憾的是，一直缺乏有效的理论对保险科技影响保险企业经营效率的传导渠道进行研究。学者们也尝试从保险企业负债端、资产端和风险承担行为研究保险科技对保险企业的作用和影响路径（完颜瑞云、锁凌燕，2019）［3］，从保险科技发展与财产保险企业经营效率的关系上进行研究（贾立文、万鹏，2019）［4］，但是从未涉及保险科技影响保险企业经营效率传导渠道的研究。本研究发现保险科技依托云计算、大数据、人工智能、物联网、区块链、虚拟现实等相关技术，可以实现保险产品线上化、差异化和个性化，能够较好地解决保险行业零碎化、碎片化的痛点。通过动态定价、自动承保和智能理赔，保险企业减少了人力资源投入，极大地提高了经营效率，使得保险企业保费收入大幅增长。此外，保险公司的“孤岛式运营”使得重复工作普遍存在，增加了风控成本。保险科技利用人工智能、大数据等技术开启了“智能风控模式”，利用海量风险规则和机器学习实现保险企业风险管理的智能预警和多维核验，从而降低保险企业风险支出等。因此，本文认为保险科技对保险企业经营效率具有正向促进作用。

基于以上考量，本文将通过实证研究检验保险科技对保险企业经营效率的影响，并深入分析其背后的传导机制。为证实保险科技与保险企业经营效率成正比，本文选取2010—2018年中国40家保险企业样本数据，利用自下而上逐级加权平均汇总法编制中国保险科技指数，采用三阶段DEA模型测算中国保险企业经营效率指标。在此基础上，建立模型实证检验保险科技对中国保险企业经营效率的影响。为明晰保险科技影响保险企业经营效率的传导渠道，本文主要从保险企业的投入视角和产出视角进行研究，实证检验保险科技通过保险企业业务收入、投资收益、赔付支出和业务管理费等渠道影响保险企业经营效率的情况。此外，本文还研究了保险科技对不同类别保险企业经营效率的异质性。

本文的贡献主要在于：①选取2010—2018年中国保险企业样本数据，从多个角度实证检验了保险科技对保险企业经营效率有正向促进作用，通过稳健性检验后该结果依然成立。②揭示出保险科技对不同类别保险企业经营效率影响的异质性，实证检验发现保险科技对人寿保险企业经营效率的影响更加显著，同时还发现保险企业成立年份对保险企业经营效率具有抑制作用。③创新性地从投入视角和产出视角，实证检验保险科技影响保险企业经营效率的传导渠道，发现保险科技可以通过保险企业保险业务收入和业务管理费传导渠道影响保险企业经营效率。④根据研究结论，提出相关政策建议。

本文其他部分安排如下：第二部分是相关文献回顾与研究假设；第三部分是研究设计与样本数据；第四部分是实证检验及其结果；第五部分是中介效应检验；第六部分是结论与建议。

二、文献回顾与研究假设

（一）文献回顾

关于保险企业经营效率，已有不少研究成果。侯晋、朱磊（2004）［5］采用数据包络模型（DEA）对中资保险企业经营效率进行研究，发现中国保险企业经营效率不高的主要原因之一是集约化程度低，同时还发现集约化程度低明显降低了保险企业的盈利能力。姚树洁等（2005）［6］使用DEA模型对中国22家保险企业进行实证检验，发现大型保险企业经营效率明显高于小型保险企业经营效率，直销方式更有利于保险企业经营效率的提升。刘革、赵孟华（2006）［7］利用复合DEA模型对中国不同地区保险企业经营效率进行评价，认为东部沿海地区经济发达省份保险企业经营效率高于其他省份保险企业经营效率，保险企业经营效率最重要的影响因素是资产规模和人员投入。黄薇（2006）［8］采用随机前沿分析（SFA）模型对保险企业的成本效率和利润效率进行实证检验，发现仅改变保险企业产权结构并不能有效提高经营效率，公司治理结构、组织形式、营销体系、资产规模和产品多元化程度是影响中国保险企业经营效率的主要因素。钟凡（2009）［9］分析了中国人寿保险企业经营效率的影响因素，认为在保险市场竞争日趋激烈的背景下，人寿保险企业的利润主要来自投资收益，经营效率高的保险企业虽然不能因为技术效率和规模效率而获得较高的利润，但可以在竞争中获得更多的市场份额。何洁、闫冰（2009）［10］分别使用DEA和SFA两种模型对总保费、标准保费和分渠道保费的产出效率进行测算，研究认为大中城市的保险企业经营效率不容乐观，以其资金推动业务发展的特征较明显，经营效率也有待进一步提高。肖智、肖领（2010）［11］利用能处理负值的半定向径向测算（SORM）方法分析了2005—2008年中国25家财产保险企业的经营效率，发现中资保险企业的平均经营效率要低于外资保险企业。尚颖、贾士彬（2012）［12］采用DEA模型，对保险专业代理机构的技术效率、规模效率和纯技术效率进行分析，指出保险专业代理机构存在规模效率低下以及资本和营业费用投入过大等问题。田新民、李晓宇（2013）［13］通过建立扩展型两阶段（CCR）模型，选取2006—2010年中国17家保险企业的样本数据进行实证检验，结果表明中国保险业整体经营效率呈现出“N”字形趋势，保险企业的经营效率与公司成立时间和资产规模正相关。

上述文献未涉及保险科技对保险企业经营效率的影响，真正涉及保险科技与保险企业经营效率的研究起步较晚。贾立文、万鹏（2019）［4］研究了保险科技发展与保险企业经营效率的关系，认为保险科技能够提高财产保险企业的经营效率。完颜瑞云、锁凌燕（2019）［3］选择2007—2017年中国31个省份的非平衡面板数据，就保险科技对保险企业的作用和影响路径进行了实证检验，认为保险科技对保险企业负债端、资产端和风险承担行为的影响是显著且稳健的。

以往研究很少涉及保险科技对中国保险企业经营效率的影响，一方面是因为中国保险科技发展的时间不长，另一方面是因为相关研究所需要的样本和数据不容易获取。为了研究保险科技对中国保险企业经营效率的影响，本文首先借鉴北京大学互联网金融发展指数的编制方法，构建和测算中国保险科技指数，然后采用三阶段DEA模型测算中国保险企业经营效率。在此基础上，本文利用计量经济模型，选取2010—2018年中国20家人寿保险企业和20家财产保险企业的样本数据，实证检验保险科技对中国保险企业经营效率的影响及其传导机制。

（二）研究假设

保险科技是新生事物，关于保险科技的内涵和本质，目前还没有形成共识。本文认为，保险科技是指通过互联网、大数据、云计算、人工智能和区块链等先进技术，拓展保险服务边界，扩大保险市场规模，提升保险理赔效率，降低保险产品成本，进而形成对保险市场、保险机构和保险服务产生重大影响的保险新业态。保险科技的本质是保险，虽然保险科技的技术水平在不断提升，但是保险科技服务于经济补偿、资金融通和社会保障的保险功能始终未变。科技赋能保险，保险企业利用互联网、大数据、云计算、人工智能和区块链等先进技术可以替代传统人力，在投保、核保、承保和理赔等环节嵌入科技手段，这有利于优化业务流程，促进产品创新，降低服务成本，防范各种风险，进而提高保险企业经营效率。

保险企业按照经营范围和市场定位不同，可以分为人寿保险企业和财产保险企业。由于人寿保险企业与财产保险企业在投保人、保险标的、保险期限和市场特征等方面存在较大差异，因而两类保险企业的经营效率对保险科技发展的敏感度不同。相比财产保险企业，人寿保险企业的业务流程更加单一和规范，理赔过程更加简单和快捷，因此保险科技发展对提升人寿保险企业经营效率发挥的作用更加明显。因此，本文提出假设1。

假设1：保险科技对保险企业经营效率有正向促进作用，且这种正向促进作用在人寿保险企业表现得更加明显。

剖析保险科技影响保险企业经营效率的传导渠道，要从保险企业经营效率的定义入手。保险企业经营效率是指单位时间内所完成的保险业务的数量和质量，单位时间内完成的保险业务越多，即保险业务收入越高、赔付支出越低，经营效率就越高，反之，经营效率就越低。因此，本文从产出视角和投入视角分析保险科技影响保险企业经营效率的传导机制。

从产出视角看，保险科技通过增加保险企业承保端和投资端收入影响保险企业经营效率。在承保端，保险科技打破了地理等因素对保险企业的时空约束，实现了保险产品的在线化，克服了传统保险营销无法解决的碎片化和零散化痛点，从而提升了保险业务收入。根据长尾理论，保险科技的获客范围得到极大拓展，丰富了客户的触达路径，增强了销售渠道的能效。此外，保险科技依托大数据技术对客户群体进行细分，识别用户需求、偏好和风险状况，以此来绘制客户画像，实现保险销售主体向客户的转变，把热销的保险产品向更加丰富的利基产品转变，不断创造高频碎片化、差异化的个性化保险产品，进而为客户提供个性化保险产品定制和定价，使客户由被动选择向主动选择转变，实现精准营销，让客户享受多样化的增值服务，最终实现保险业务收入增加。在投资端，保险科技能够缓解信息不对称情况，进而改善委托代理关系中的逆向选择和道德风险，从而提升保险企业投资收益。互联网以其空间和时间的穿透性为信息传递和共享提供了快速的虚拟通道，利用人工智能等技术建立监督模型，当保险资金投资代理人做出任何不利于保险资金投资委托人的决定及操作后，触发智能监督模型，从而实现保险资金委托人对保险资金代理人的有效监督。保险科技借助人工智能建模，可以通过资产模型由计算机得出最优投资组合，可以通过多因子风控模型更准确地把握前瞻风险，可以通过信号监控、量化手段制定择时策略。人工智能、大数据的加持，使得保险企业投资收益增加。因此，本文提出假设2。

假设2a：保险科技通过保险业务收入渠道对保险企业经营效率产生影响；

假设2b：保险科技通过保险投资收益渠道对保险企业经营效率产生影响。

从投入视角看，保险科技通过降低赔付端和管理端支出影响保险企业经营效率。在赔付端，保险科技借助物联网和可穿戴设备感知场景、感知客户的动态变化，不仅可以实现远程定损、极大地减少现场定损的投入，而且还可以根据感知设备运行环境的变化提早预判和告警潜在风险。保险科技的区块链技术具有去中心化、不可篡改、可追溯性和安全可信等特点，有助于解决保险产品同质、保险数据安全和保险理赔欺诈等一系列难题，进而推动保险企业高质量发展。保险科技借助海量交易数据和人工智能建模，解决保险企业、医疗机构和参保人的信息不对称、医疗保障缺位、控费手段缺失、数据链断裂等一系列问题，及时发现虚假报案、过度理赔和欺诈行为，降低核保理赔的风险，最终实现保险企业赔付支出的降低。在管理端，保险企业的业务管理费主要包括人员工资、职工福利、办公费和差旅费等，其中支出份额较大的是人员工资和职工福利。保险科技发展改变了保险企业主要依赖人工开展业务的粗放经营模式，可以大幅减少人力资源的投入，节约人力资源投入成本，减少工资和职工福利等支出。因此，本文提出假设3。

假设3a：保险科技通过保险赔付支出渠道对保险企业经营效率产生影响；

假设3b：保险科技通过保险业务管理费渠道对保险企业经营效率产生影响。

三、研究设计与样本数据

（一）样本选取与数据来源

在中国，保险科技与互联网保险的内涵几乎相同。因此，从事互联网保险业务的保险企业可以作为本文的研究样本。为使研究样本具有广泛性和可比性，根据规模相近和互联网化程度较高的要求，本文选取平安人寿等20家人寿保险企业和安盛天平等20家财产保险企业作为研究样本。本文选取的样本数据来源于《中国保险年鉴》、保险企业的年报、中国银行保险监督管理委员会批准的保险企业互联网保险产品数量、中国保险行业协会发布的合作第三方网络平台数量和合作保险中介机构数量，以及通过手工或Python爬虫软件从权威网站和媒体上抓取的相关数据。因为从2010年开始，中国才比较完整地公布与披露本文所做研究需要的相关数据，而且2019年个别样本数据尚不完整，所以本文选取的样本数据时间为2010—2018年。

（二）关键变量构建与测算

1.解释变量

本文选择保险科技指数为解释变量，保险科技指数是衡量保险科技发展水平的指标。保险科技指数编制所要考虑的因素包括中国保险行业协会官网披露的保险企业互联网保险产品数量、合作第三方网络平台数量、合作保险中介机构数量、保险发展指数（创新能力），通过Python程序爬取当年成立的保险科技企业数量，以及北京大学互联网金融研究中心发布的省级普惠数字金融指数。为编制保险科技指数，本文借鉴北京大学互联网金融中心编制互联网金融发展指数方法中关于三级指数权重和四级指数权重的思路［14］，参考李琴、裴平（2021）［15］银行系金融科技指数的构建，采用综合实际调研、专家访谈、参考相关文献的方法，设定互联网保险产品数量的权重为20%，合作第三方网络平台数量的权重为15%，合作保险中介机构数量的权重为15%，当年成立的保险科技企业数量的权重为20%，保险发展指数（创新能力）的权重为15%，省级普惠数字金融指数的权重为15%。

保险科技指数的测算采取自下而上逐级加权平均汇总的方法。由于2010年是保险科技相关数据开始披露的年份，同时为方便本文实证检验，设2010年的保险科技指数为基准值100。计算保险科技指数，首先要计算环比指数，然后再基于环比指数，通过链式相乘得到定基指数。其计算公式如下：

2.被解释变量

本文选择保险企业经营效率为被解释变量，保险企业经营效率是衡量保险企业投入产出成效的指标。关于保险企业经营效率的研究，Aigner等（1977）［16］提出随机前沿分析（Stochastic Frontier Approach，SFA）模型，即首先确定生产函数类型，然后对确定的生产函数用最小二乘法、非线性回归法和极大似然估计法进行估计，并将残差项分解为随机残差项和无效率残差项，最后用无效率残差项的条件期望值作为技术效率值。Charnes等（1978）［17］提出数据包络分析（Data Envelopment Analysis，DEA）模型，该方法首先维持决策单元的输入和输出保持不变，然后借助观测样本值和数学规划共同确定相对有效边界，并将各决策单元投影到相对有效边界上，最后根据偏离程度确定决策单元效率的高低。Fired等（2002）［18］在Aigner和Charnes研究的基础上，结合SFA模型和DEA模型，提出了三阶段DEA模型：第一阶段采用传统DEA模型，即以投入导向的可变规模收益BCC模型（由Banker，Charnes和Coper提出）计算出各决策单元的效率值和投入值的松弛变量；第二阶段以松弛变量为被解释变量，以外部环境因素为解释变量，建立以投入为导向的SFA模型，以消除管理无效率因素和随机误差对松弛变量的影响，并计算出调整后的投入变量；第三阶段针对调整后投入变量和原产出值，使用DEA模型对消除管理无效率因素和随机误差影响后的决策单元进行经营效率测算。因为三阶段DEA模型同时考虑了管理无效率因素和随机误差的影响，能够更加真实地反映决策单元的经营效率，所以本文选用三阶段DEA模型测算保险企业的经营效率。

通过三阶段DEA模型测算人寿保险企业和财产保险企业的经营效率，可以得到综合技术效率（crste）、纯技术效率（vrste）和规模效率（scale）三个结果。综合技术效率（crste）是对决策单元的资源配置能力、资源使用效率等多方面能力的综合衡量与评价，纯技术效率（vrste）是对受企业管理和技术等因素影响的生产效率的评价，规模效率（scale）反映的是由于企业规模因素影响的生产效率。三者之间的关系是综合技术效率（crste）=纯技术效率（vrste）×规模效率（scale）。考虑综合技术效率（crste）是综合了多方面因素，因此以此作为保险企业经营效率TFP的代理变量。

3.控制变量

借鉴完颜瑞云、锁凌燕（2019）［3］和黄星刚、杨敏（2020）［19］的研究方法，结合本文研究目的，选择7个控制变量，以更全面地分析保险科技发展对互联网保险企业产品创新能力的影响。①成立年份（Ly），是指保险企业成立的年份，可以用来衡量保险企业生存能力，保险企业成立当年记为1，以后每年加1。②保险业务收入（Bc），是指保险企业的保费收入，可以用来衡量保险企业业务收入。③投资收益（Ic），是指保险企业的利息、股息等投资性收益，可以用来衡量保险企业投资收益。④赔付支出（Pc），是指保险企业支付的原保险合同赔付款项和再保险合同赔付款项，可以用来衡量保险企业的风险控制。⑤业务管理费（Mf），是指保险企业组织施工生产经营活动所发生的管理费用，可以用来衡量保险企业的管理。⑥责任准备金（Dd），是指保险企业未到期责任准备金、未决赔款准备金和保险保障基金，可以用来衡量保险企业的负债。⑦实收资本（Ca），是指保险企业实际收到的投资人投入的资本，可以用来衡量保险企业的注册资产规模。

（三）实证检验模型的构建

为验证假设1，即保险科技与保险企业经营效率正相关，本文建立以下线性回归模型：

其中：被解释变量为保险企业经营效率TFPi,t，其数值通过三阶段DEA模型测算得到；解释变量为保险科技指数Iti,t，反映保险科技发展水平，其数值通过自下而上逐级加权平均汇总的方法得到；控制变量包括保险企业成立年份（Ly）、保险业务收入（Bc）、投资收益（Ic）、赔付支出（Pc）、业务管理费（Mf）、责任准备金（Dd）和实收资本（Ca），其数值主要来源于中国保险行业协会披露的年报数据；αj为各变量系数，其中j=0，…，8；t表示时间维度，t=2010，…，2018；εi,t为随机扰动项。

为验证假设2和假设3，即保险科技影响保险企业经营效率的传导机制，本文采用中介效应模型来检验传导机制的存在。相对于其他检验方法，中介效应模型能够有效降低乘积系数模型出现错误的概率（温忠麟、叶宝娟，2014）［20］。本文构建的中介效应模型如下：

式（3）中：被解释变量为Medk，i，t，代表中介变量保险业务收入（Bc）、投资收益（Ic）、赔付支出（Pc）、业务管理费（Mf），考虑保险企业经营规模的影响，回归时分别用上述4个变量除以当年的总资产，其中k=1，…，4，表示各个中介变量，i表示第i个保险企业，t表示年份；控制变量为Xi,t，代表保险企业成立年份（Ly）、责任准备金（Dd）和实收资本（Ca）等；βk为各变量系数，其中k=0，…，2；其他变量同式（2）中一致，在此不再赘述。

式（4）中：被解释变量为TFPi，t；解释变量为Medk，i，t；Xi，t为控制变量；γm为各变量系数，其中m=0，…，3；其他变量同式（2）中一致，在此不再赘述。

各变量及其说明见表1所列。

表1 变量及其说明

为直观展示样本变量的统计特征，本文对表1中各变量进行描述性统计，其结果见表2所列。保险企业经营效率均值为0.55，中位数为0.51，说明保险企业经营效率呈现出右偏分布，有超过半数的保险企业经营效率低于平均值，这反映出我国保险企业经营效率还有较大提升空间。保险科技发展指数均值为5.89，小于其中位数6.25，说明保险科技发展呈现左偏分布，表明保险科技发展情况较好。

表2 变量描述性统计

四、实证检验及其结果

（一）保险科技对保险企业经营效率的影响

1.基准回归

为验证保险科技与保险企业经营效率正相关，本文采用式（2），分别用三阶段DEA模型所得的综合技术效率（TFP/crste）、纯技术效率（vrste）和规模技术效率（scale），对20家人寿保险企业和20家财产保险企业的样本数据进行全样本企业回归分析。本文的豪斯曼检验结果P值为0，随机效应模型优于固定效应模型的原假设被显著拒绝，因此采用固定效应模型。考虑同一家保险企业不同年份之间的扰动项一般存在自相关，所以采用保险企业层面的聚类稳健标准误，其结果见表3所列。

表3显示，保险科技指数（It）对保险企业经营效率（TFP/crste）、纯技术效率（vrste）和规模技术效率（scale）的回归系数分别为0.141、0.159和0.089，且均在1%水平上显著，即保险科技与保险企业经营效率正相关，说明保险科技发展提高了保险企业经营效率、纯技术效率和规模技术效率。这主要是因为保险科技的应用和发展可以促进保险企业的资源配置能力、资源使用效率和技术水平的提高，进而使得保险企业经营效率、纯技术效率和规模技术效率全面提高。由此，可验证假设1成立。

表3还显示，保险企业成立年份（Ly）对保险企业经营效率（TFP/crste）和规模技术效率（scale）的回归系数分别为-0.004和-0.005，且均在1%水平上显著，表明随着保险企业成立年份的增加，保险企业经营效率略有下降，这主要是因为中国保险市场尚未完全放开，保险行业竞争还不充分，保险企业随着成立年份的增加，其创新能力逐渐弱化，进而抑制了保险企业经营效率的提高；投资收益（Ic）对纯技术效率（vrste）的系数为0.051，且在1%水平上显著，说明投资收益越高，保险企业用于技术研发的资金会越多，因此保险企业纯技术效率（vrste）得以提升。

表3 保险科技对保险企业经营效率影响的全样本实证检验

2.异质性分析

进一步进行异质性分析，验证保险科技与保险企业经营效率正相关在人寿保险企业表现得更加明显，本文将全样本企业分为20家人寿保险企业和20家财产保险企业两组分样本企业，然后采用式（2），以保险企业经营效率（TFP）为被解释变量对样本企业进行分组回归分析，其结果见表4所列。

表4 保险科技对保险企业经营效率影响的分样本实证检验

表4显示，在人寿保险企业样本组，保险科技指数（It）的系数为0.981且在1%水平上显著，明显大于财产保险企业样本组保险科技指数（It）的系数0.072，即保险科技与保险企业经营效率正相关在人寿保险企业表现得更加明显，说明保险科技发展能更加有效地提高人寿保险企业的经营效率。这主要是因为人寿保险企业的业务流程比财产保险企业的更单一、规范和标准化，保险科技的标准化和程序化能够较好地契合人寿保险企业的经营活动。综上所述，假设1成立，保险科技对保险企业经营效率有正向促进作用，且这种正向促进作用在人寿保险企业表现得更加明显。

（二）稳健性检验

为保障保险科技对保险企业经营效率影响回归结果的可靠性和非随机性，本文采用变量替换法、分样本法和缩尾法等，对保险科技与保险企业经营效率之间的关系做稳健性检验。

1.变量替换法

借鉴完颜瑞云、锁凌燕（2019）［3］和黄星刚等（2020）［19］的研究做法，选择北京大学数字金融研究中心编制的中国数字普惠金融指数中的保险业务分项指数（It′）来替代保险科技指数。该指数以“蚂蚁科技”保险海量底层交易账户数据为基础，首先选取“每万人支付宝用户中被保险用户数”“人均保险笔数”和“人均保险金额”三个互联网保险业务指标，然后对这三个保险业务指标进行无量纲化处理，接着根据层次分析的变异系数赋权法确定具体业务指标权重，最后计算出保险业务分项指数。公式（2）中将保险科技指数这个变量替换为It′，然后分别对保险企业全样本进行回归，其结果见表5第（1）列。

2.缩尾法

为避免可能存在的极端值对实证检验结果的影响，有必要对选定变量进行1%和99%分位的缩尾处理，并重新进行回归分析，其结果见表5第（2）列。

3.变化保险科技编制权重

远程用电检查系统数据采集功能，主要对过电压、过电流以及功率等参数进行计算。首先，根据侦听远程终端接收数据信息，然后逻辑分析程序采用“SEMMA”方法论进行数据分析，如下图所示。

为了消除保险科技指数编制时权重选择对回归结果的影响，本部分对前文设定的权重重新进行考虑。自2020年新冠疫情暴发以来，保险企业线下业务受到严重影响，越来越多的保险企业意识到发展保险科技的重要性，保险企业发展保险科技的路径由依赖创新转向自主创新，即保险企业更倾向于成立保险科技子公司，以便进行自主创新。因此，本部分重新对权重进行设定，上调当年成立的保险科技企业数量的权重为30%，下调合作第三方网络平台数量的权重为10%、合作保险中介机构数量的权重为10%、保持互联网保险产品数量的权重为20%、保险发展指数（创新能力）的权重为15%，省级普惠数字金融指数的权重为15%。用新的保险科技指数重新进行回归，其结果见表5第（3）列。

表5第（1）列全样本保险科技指数（It′）的回归系数为0.063，且在1%水平上显著；第（2）列保险科技指数（It）的回归系数为0.090，且在1%水平上显著；第（3）列保险科技指数（It）的回归系数为0.086，且在1%水平上显著。由此可知，解释变量替换后，保险科技发展对保险企业经营效率仍具有正向促进作用，且缩尾法和变换保险科技编制权重回归结果与之前基本一致，证明回归结果比较稳健。

表5 保险科技对保险企业经营效率影响的稳健性检验

（三）内生性问题

鉴于保险企业发展保险科技是提升保险企业经营效率的理性选择，而保险科技发展与保险企业经营效率之间存在双向因果关系会导致内生性问题，本部分即对其内生性问题进行检验。

1.引入滞后变量

考虑保险企业当前的经营效率不会影响其前期的保险科技发展程度，本文使用保险科技的滞后一期值替代当期值，对模型重新进行回归检验，回归结果见表6第（1）列。

此外，考虑保险企业经营效率往往具有持续性，即存在时间维度上的自相关性，本文将被解释变量保险企业经营效率的滞后一期引入模型中，构建动态面板模型，采用系统高斯混合模型（GMM）方法进行估计，以解决反向因果、遗漏变量等造成的内生性问题。首先采用面板Fisher检验对变量进行单位根检验，发现解释变量和被解释变量都是平稳的，然后以变量的滞后项及差分滞后项作为工具变量，使用两步系统GMM方法对模型进行估计，回归结果见表6第（2）列。

2.工具变量法

为进一步使得保险科技发展对保险企业经营效率影响的回归结果更可靠，本部分采用工具变量法进行内生性问题检验。借鉴谢绚丽等（2018）［21］的做法，选择互联网普及率（INT）作为保险科技发展的工具变量，回归结果见表6第（3）列。

表6第（1）列保险科技指数（It）滞后一期的系数为0.205，且在1%水平上显著，说明保险科技发展滞后一期与保险企业经营效率显著正相关；第（2）列保险企业经营效率（TFP）滞后一期的系数为0.177，且在1%水平上显著；第（3）列在引入工具变量后，保险科技发展指数（It）的系数为0.150，且在1%水平上显著。综上所述，表6中核心解释变量的结果与上文回归结果基本保持一致，表明本文的结论是稳健的。

表6 保险科技对保险企业经营效率影响的内生性检验

五、中介效应检验：保险科技对保险企业经营效率的影响机制研究

（一）产出视角：保险业务收入和投资收益传导渠道

为验证假设2，即从产出视角研究保险科技影响保险企业经营效率的传导渠道，本文采用式（3）和式（4），分别从产出视角和投入视角对保险科技影响保险企业经营效率的保险业务收入、投资收益、赔付支出和业务管理费四个传导渠道进行实证检验和回归分析。

根据保险企业经营效率的概念可知，保险业务收入和投资收益的增加均可导致保险企业产出的增长，进而会影响保险企业经营效率。本文以保险业务收入和投资收益为中介变量，检验保险科技通过保险业务收入和投资收益传导渠道对保险企业经营效率的影响。根据中介效应模型，同时对式（3）和式（4）进行回归，其结果见表7所列。

表7 中介效应模型实证检验：产出视角

表7第（1）列中保险科技指数（It）对保险业务收入（Bc）的影响系数为-0.412，在1%水平上通过显著性检验，表明保险科技发展降低了保险企业业务收入；第（2）列中保险业务收入（Bc）对保险企业经营效率（TFP）的影响系数为0.018，表明保险企业收入的增加提升了保险企业经营效率，但是未通过显著性检验。根据中介效应检验规则，保险科技发展对保险业务收入的影响系数和保险业务收入对保险企业经营效率的影响系数中有一个不显著时，需要进一步做Sobel检验，若通过Sobel检验，则说明中介效应成立。表7第（1）列中Sobel检验的P值为0.063，即说明中介效应在10%水平下通过显著性检验，表明保险科技发展通过保险业务收入传导渠道影响保险企业经营效率。同时，第（1）列中Sobel的中介效应占比为0.402，表明保险科技发展通过保险业务收入传导渠道影响保险企业经营效率的中介效应比例为40.2%。因此，本文假设2a成立，即保险科技通过保险业务收入渠道对保险企业经营效率产生影响。

表7第（3）列中保险科技指数（It）对保险企业投资收益（Ic）的影响系数为0.654，但未通过显著性检验；而保险企业投资收益（Ic）对保险企业经营效率（TFP）的影响系数为-0.025，但未通过显著性检验。根据中介效应检验规则，保险科技发展对保险企业投资收益的影响系数和保险企业投资收益对保险企业经营效率的影响系数均未通过显著性检验，说明保险科技发展通过保险企业投资收益传导渠道无法对保险企业经营效率产生影响。因此本文假设2b不成立。可能的原因是：保险企业进行投资的方式主要是通过第三方进行委托代理，此时保险企业发展保险科技并不能影响投资收益。

（二）投入视角：保险赔付支出和业务管理费传导渠道

根据保险企业经营效率的概念可知，保险企业赔付支付和业务管理费的增加均可导致保险企业投入的增长，进而会影响保险企业经营效率。本文以保险企业赔付支出和业务管理费为中介变量，检验保险科技通过保险企业赔付支出和业务管理费传导渠道对保险企业经营效率的影响。根据中介效应模型，同时对式（3）和式（4）进行回归，其结果见表8所列。

表8 中介效应模型实证检验：投入视角

表8第（1）列中保险科技指数（It）对保险企业赔付支出（Pc）的影响系数为0.715，表明保险科技发展增加了保险企业赔付支出，但未通过显著性检验；第（2）列中保险企业赔付支出（Pc）对保险企业经营效率（TFP）的影响系数为0.033，表明保险企业收入的增加提升了保险企业经营效率，但是未通过显著性检验。根据中介效应检验规则，保险科技发展对保险企业赔付支出的影响系数和赔付支出对保险企业经营效率的影响系数都不显著时，说明保险科技发展通过保险企业赔付支出传导渠道不会影响保险企业经营效率，因此，假设3a不成立。可能的原因是：保险企业发展保险科技主要应用在产品创新等领域，对保险企业风险管理重视程度不够，导致保险科技发展无法降低保险企业赔付支出。

表8第（3）列中保险科技指数（It）对保险企业业务管理费（Mf）的影响系数为-0.385，表明保险科技发展降低了保险企业业务管理费，且在1%水平上通过了显著性检验；第（4）列中保险企业业务管理费（Mf）对保险企业经营效率（TFP）的影响系数为-0.025，表明保险企业业务管理的减少可以提升保险企业经营效率，且在10%水平上通过显著性检验。根据中介效应检验规则，保险科技发展对保险企业业务管理费的影响系数和业务管理费对保险企业经营效率的影响系数都显著时，说明保险科技发展通过业务管理费传导渠道可以对保险企业经营效率产生影响。同时，第（3）列中Sobel的中介效应占比为0.396，表明保险科技发展通过保险企业业务管理费传导渠道影响保险企业经营效率的中介效应比例为39.6%。因此，假设3b成立。

六、结论与建议

在借鉴国内外相关文献和深入调研的基础上，本文编制保险科技指数，测算保险企业经营效率，选取2010—2018年中国20家人寿保险企业和20家财产保险企业的样本数据，实证检验了保险科技对中国保险企业经营效率的影响：①保险科技对保险企业经营效率有正向促进作用，说明保险科技发展有利于提高保险企业经营效率，这一结论在经过稳健性检验后依然成立；与财产保险企业相比，保险科技与保险企业经营效率正相关在人寿保险企业表现得更加明显；随着保险企业成立年份的增加，保险企业经营效率有所弱化。②保险科技影响保险企业经营效率的传导渠道是保险科技可以提高保险企业的保险业务收入，同时保险科技可以降低保险企业的业务管理费。

基于上述结论，本文提出以下对策性建议：①政府部门，特别是保险行业监督管理部门要出台相关鼓励政策和优惠措施，如税收优惠、专项资金补贴和分担保险科技研发风险等，引导和支持保险企业的保险科技研发与应用。②保险企业要进一步加强与科技企业和高等院校的跨界合作，借助合作伙伴的科技优势，为保险企业发展保险科技奠定坚实基础；人寿保险企业和财产保险企业都要加大对保险科技的投入，积极利用互联网、大数据、云计算、人工智能和区块链等先进技术，拓展业务边界、优化业务流程，创新产品与服务，特别是财产保险企业要制定更加规范和标准化的业务流程，实现保险企业的转型升级；保险企业要守正创新，回归保险业务本源，依靠保险科技在产品开发、精准营销、风险控制等方面发力，提高保险企业纯技术效率和规模技术效率，从而提高保险业务收入，同时加强经营分析、成本控制、资金运作，降低保险企业的业务管理费。