数字化智能化对金融业运行效率的影响研究

姚凤阁,王天航

(哈尔滨商业大学 金融学院, 哈尔滨 150028)

引 言

近年来信息技术的跨越式发展，推动了智能化与数字化在金融业的广泛应用，尤其支付宝的诞生，带动了以物联网、移动互联、云计算、区块链、生物识别等技术为基础的互联网支付、互联网保险与理财、股权众筹、网络消费等金融科技的快速崛起，金融业的发展打破了传统金融在时间的滞后性与空间上的距离性。在这样的大环境下，只有提高金融业运行效率才能确保经济社会的平稳运行，那么智能化与数字化的应用是否能对金融行业运行效率有所影响？这种影响是怎样的？研究这些问题将对金融业未来的发展方向与方式具有重要意义。

一、文献回顾

数字化与智能化广泛应用于金融行业，数字化是指一种信号处理过程，它是将各种复杂的外部信息进行量化，转变为易于计算机或者机器处理的语言；智能化则是事物借助人工智能等外部技术支持能动地满足人的各种需求的属性。现有文献针对数字化和智能化在金融业中应用的研究基本依托于金融科技的视角，“金融科技”一词在国内的出现晚于西方，由于国外相关文献对于“金融科技”的论述一直没能达成统一共识，所以也造成了后续研究侧重点的不同。Bunnell等(2020)认为金融科技是确保金融业务顺利运行的技术支持，并将这些技术根据业务模块做了区分，突出强调了金融科技对于传统金融业务缺陷的数字化支持[1]。Thakor(2020)则认为金融科技更侧重于创新，技术活动在金融领域的应用其意义在于对传统金融产品的升级以及服务的改善，是一种动态的推进过程而不仅仅是静态的科技手段[2]。也有一些学者对于金融科技的认识持有谨慎观点，Martino(2021)则认为金融科技同时也带给了传统金融更大的威胁，银行等金融机构的客户越来越适应新技术带来的优越性，因此迫使这些金融机构进行业务和战略的重新整合，这种冲击是具有破坏性的[3]。

关于金融业效率问题的研究，国内研究成果主要集中于行业区域性差异以及影响因素方面，金春雨等(2013)利用数据包络分析对我国2001—2010年金融业效率进行了测算，证明了在这期间金融业发展具有明显的区域特征，规模效率通过作用于技术效率与技术进步共同促进了金融业全要素生产率的提升[4]。金春雨和韩哲(2012)具体分析了影响金融业效率的因素，认为社会财富、产业结构和生活水平对其有显著正影响，而行业经营低效和经营环境则起到了反作用[5]。马正兵(2015)研究了1997—2012年我国金融业全要素生产率变化趋势，发现自1999年出现拐点以来，我国金融业全要素生产率增长一直为正，但是由于政府的非中性经济干预导致其中技术效率因素起到了制约作用[6]。戴伟和张雪芳(2015)对我国省级金融业效率绝对水平进行了测算，尽管2000年以后我国金融业效率处于正增长，但是整体来看效率水平绝对值偏低[7]。李雯和王纯峰(2019)研究发现供给侧和需求侧对金融效率的影响存在显著不同，且影响程度存在区域性差异[8]。在金融效率的其他影响方面，唐昭霞(2019)从微观层面证明了行业竞争有利于金融企业经营效率的提升[9]。梁琳(2021)借助双重差分模型分析了当前阶段我国人工智能政策对金融业的消极影响，验证了政策悖论的显著效应[10]。

金融业效率的研究已经不是新颖的命题，但关于数字化、智能化前沿技术对金融业效率的影响研究并没有得出统一的结论，导致这种结果的原因主要是：首先，对数字化和智能化等科技属性的变量量化存在难度，难以统一。例如现有文献在研究此种性质的变量多数会直接通过数字金融或者金融科技的视角进行展开，且在选取量化方法时通常采取文本挖掘法[11]、赋权构建相关指数[12]以及替代变量法[13]等不同方法。其次，金融业效率的测算由于投入产出指标的选取差异会造成最终结果的差异，并且时间跨度的不同也是造成其结果差异的一大因素。金融科技在近些年得到了快速发展，现有文献有相当一部分研究时间段跨度过于久远，同时缺乏权威的科技类量化指标，所以关于数字化智能化对金融业运行效率影响研究的命题也相对较为欠缺，因此进一步理顺两者作用机制，选取时间跨度更为合理和更新的数据，有利于为今后金融业高效率运行、更好地服务实体经济提供参考。

二、理论分析与研究假设

尽管“经济人假设”默认了经济行为中各方拥有“完全信息”，但信息不对称是一直存在的。出于逐利目的，交易双方或多或少会隐藏部分对自己无利的信息，事前信息不对称则容易导致逆向选择问题，而事后信息不对称则容易导致道德风险。作为经济运行的中介，金融业同时面临买方与卖方的双侧交易风险，银行等金融中介机构会经常寻求与熟悉的客户进行交易并且对其有优惠利率，而其他客户尤其一些中小企业则很难与金融中介机构达成交易或者以高溢价进行交易，这就是金融机构为避免信息不对称带来损失的一种体现。从宏观层面看，信息不对称的结果是经济体整体经营成本的上升，企业会有更高的融资约束[14]，金融业配置资源效率下降。

金融业作为一种轻资产行业且由于行业性质原因不像其他工业企业一样受地理位置因素影响明显，但是从理论上讲，地理位置所带来的优势必然对其发展造成潜移默化的影响，于是“金融集聚”开始独立作为一个研究分支。显而易见，金融集聚也是产业集聚的一种，而作为经济运行的中介，信息优势是其不可忽略的关键因素，并主导了金融集聚，“非标准化”信息会增加沟通成本，而行业集聚会降低这些损耗[15]。另外，随着现代技术的发展，高新技术产业的集聚同样对金融业有正向影响，这些技术在金融业中的广泛应用直接提升了行业资源配置与整合能力[16]。

综上所述，金融业作为经济的中介其运行效率的高低与市场中的“信息”息息相关。一方面，互联网金融服务实体经济的能力在不断增强，同时大数据、云计算、区块链等高新技术正推动市场信息的逐渐透明化，金融行业信息获取成本也随之降低；另一方面，信息驱动的金融产业集聚随着当今互联网技术的进步得到了进一步强化，依托数字化与智能化实现的资源互通与信息共享也打破了传统依托区位优势而得到的规模经济规律。因此本文提出如下假设：

假设：数字化智能化发展对于金融业运行效率有正向促进作用

三、实证分析

(一)数据来源与处理

1.核心解释变量的选取与处理

数字化智能化在金融业的应用属于金融科技的范畴，对于此类变量的衡量目前文献更多采用的处理方式是替代变量或者挖掘法构建一个衡量指数，本文认为文本挖掘法中建立初始词库以及对关键词的筛选等步骤过于主观，并且以“词频”反映“技术水平”过于片面，而且考虑到当前各大网站都有专门针对反爬虫的保护措施，文本挖掘法得到的信息并不能完全反映实际情况，因此考虑选取替代变量法构建解释变量，参考邱晗等(2018)的做法[13]，本文同样用其来衡量解释变量数字化智能化发展水平(DITEC)，数据选取2011—2019年省级面板数据。

2.被解释变量的选取与处理

确定被解释变量金融业效率(EFFICIENCY)首先需要选取合适的投入指标和产出指标。梳理现有文献可以发现，金融业效率的投入指标一般选取金融业从业人员数量、金融业固定资产投资额、金融业存款余额、金融业固定资本存量、金融机构数、金融业从业人员工资总额、银行业规模、证券业规模以及劳动力投入等，产出指标主要选取金融业增加值，也有文献选取了年末金融机构贷款余额[17-19]。参考现有文献并结合研究内容，同时考虑数据的可得性，投入指标选取金融业城镇单位就业人员、金融业法人单位数和年末金融机构存款余额，产出指标选取金融业增加值。其中，金融业城镇单位就业人员用来反映金融业投入的人力要素，数据来源为国家统计局；金融业法人单位数用来反映金融业投入的物力要素，数据来源为国家统计局；年末金融机构存款余额用来反映金融业投入的财力要素，数据来源为《中国城市统计年鉴》。所有数据选取2011—2019年省级面板数据。由于数据的缺失，金融业法人单位数2013年数据取了2014年和2012年的平均值。年末金融机构存款余额数据中，海南省只计入三亚市和海口市数据；贵州省只计入贵阳事、六盘水市、遵义市和安顺市，遵义市2019年数据缺失，以2018年和2020年的平均值代替；西藏自治区只计入拉萨市数据；青海省只计入西宁市数据；新疆维吾尔自治区只计入乌鲁木齐市和克拉玛依市数据。

3.控制变量

(1)地方政府一般预算支出(expenditure)。将地方政府一般预算支出作为其中一个控制变量(数据来源为国家统计局)，考虑到此变量数值过大，为了使实证结果更直观而对其取对数处理(lnexpenditure)。

(2)研究生及以上学历占比(education)。受教育程度是劳动力资本的重要构成要素，作为企业金融机构同样以利润最大化为经营目标，随着科技创新在金融系统中的应用，工作环境对复杂业务流程处理的要求也逐步提高，而高学历人才相对有着更高的适应性。因此将研究生及以上学历占比作为其中一个控制变量，其中西藏自治区2011年、2013年和2014年缺失数据根据其他年份情况按最低水平补齐，数据来源为《中国人口和就业统计年鉴》。

(3)城镇化率(urbanization)。城镇化有助于进一步深化产业分工，促进产业结构的合理转变，这一过程带动了金融业对资源尤其是资本要素的合理再分配，因此将城镇化率作为其中一个控制变量，其数值由城镇常住人口占该地区常住总人口的比值得到，相关数据来源于国家统计局。

(二)模型的设定

根据以上分析，设定如下计量模型：

EFFICIENCYit=αDITECit+β1Inexpenditureit+β2educationit+β3urbanizationit+λi+μt+εit

(1)

式中，变量EFFICIENCY表示金融业运行效率，变量EITEC表示数字化智能化发展程度，Inexpenditure表示取对数后的地方政府一般预算支出，education表示研究生及以上学历占比，urbanization表示城镇化率，系数α、β1、β2和β3分别表示数字化智能化发展程度、地方政府一般预算支出、研究生及以上学历占比和城镇化率对金融业运行效率的影响效应，i表示省份，t表示年份，λi表示个体固定效应，μt表示时间固定效应，εit表示扰动项。

(三)金融业运行效率测算及描述性统计

利用数据包络分析(DEA)对我国31个省级行政区金融业运行效率进行了测算。DEA模型以相对效率为基础，采用非参数方法来评价判断同类型的决策单元(DMU)，能够避免主观、减少误差并简化运算。DEA效率评价模型的原理是利用线性规划的方法，建立一个有效的最佳效率前沿面，将待测决策单元与前沿面进行对比，进而判断被检测决策单元是否有效并对现有的投入和产出值给予指导，最终实现效率最大化。最基础、最常用DEA模型主要有两类：一是不变规模报酬(CRS)的CCR模型，是在假设规模报酬不变的情况下进行效率测算；二是可变规模报酬(VRS)的BCC模型，其测算的纯技术效率以规模报酬可变为假设。本文运用的是基于投入角度的BCC(input-BC2)模型，X、Y为投入和产出变量，其数学公式如下：

(2)

模型中对决策单元DMU有效性的定义为：若θ=1且S-≠S+≠0，则称DMU为弱DEA有效；若θ=1且有S-=S+=0成立，则称DMU为DEA有效；若θ<1，则称DMU为非DEA有效。由此，以省级行政单位为划分标准，测算了其金融业运行效率。

根据测算结果可知(1)限于篇幅，相关测算结果节略，如果有需要，请向作者索取。，中国金融业运行效率在2018年和2019年整体上达到了较高水平，北京、天津、吉林、上海以及广东等省份及直辖市金融业运行效率达到高水准的时间较早，如果以时间轴来看，中国金融业运行效率总体呈现上升趋势，具体地，所用回归分析中各变量情况如表1所示：

表1 描述性统计

(四)回归分析

绘制被解释变量金融业运行效率与核心解释变量数字化智能化发展程度之间的散点图(如图1所示)，直观上看两者呈正相关关系，为了准确检验前述假设，对其具体影响机制做进一步验证。

图 金融业运行效率与数字化智能化发展程度关系散点图

基于全样本数据对其进行了固定效应(FE)和随机效应(RE)的回归，并通过Hausman检验对回归类型进行了选择(如表2可知)。Hausman检验的卡方值为29.94，P值为0，说明在1%的显著性水平下拒绝了“核心解释变量与个体固定效应不相关”的原假设，即应该选用固定效应模型进行分析。

核心解释变量DITEC的回归系数为正，且在5%的置信水平上显著，说明数字化智能化发展对金融业运行效率存在正向影响，这也验证了提出的假设成立。得益于支付宝的诞生，加速了数字化与智能化在互联网金融领域的创新，以大数据、区块链、云计算等前沿技术为支撑的现代信用体系和支付体系推动市场信息逐步透明化，在为市场参与者带来极大便利的同时，也让金融业分享了极大的红利。金融业以此为契机改变传统线下以人力物力投入主导的发展模式成功向技术主导型业务转型，新的业务模式能更好地适应个人消费习惯，同时也降低了与企业的沟通成本，使得经营成本大大降低，效率得到提升。

控制变量lnexpenditure的回归系数为负，且在5%的置信水平上显著，说明地方政府一般预算支出的增加会对金融业运行效率存在抑制作用。这似乎与人们的直观认知存在偏差，但事实上，财政支出一方面可能会使行业产生过度依赖的现象，另一方面可能还会打破原有良性运转体系。由此可知，财政支出对行业发展存在两面性。

控制变量education的回归系数为负，但回归结果并不显著，说明高学历人员对金融业运行效率的影响效应存在不确定性。高学历人员通常具备扎实的理论知识和完善的逻辑思维等优势，但在操作方面可能与熟练技术人员相比存在一定欠缺，金融行业的良性运转离不开高学历人员在管理端的集思广益，同样也离不开技术人员在运营端的辛勤付出，所以将学历因素视为影响被解释变量的单一因素进行研究存在一定不足，本文回归结果存在合理性。

控制变量urbanization的回归系数为正，且在1%的置信水平上显著，说明了城镇化有效推动了金融业运行效率的提升。相比于农村地区，城市具有更好的基础设施设备，随着农村人口的迁移，城市的负载进一步增加，这一方面意味着原先金融机构服务体系在城市的覆盖人群增加，另一方面人口的集聚也会促使产业的进一步优化和升级，高质量的服务覆盖网络与更有效的资金融通模式势必对金融业整体运行效率起到助推作用。

(五)内生性分析

前文的分析均在基于解释变量严格外生的基础上，但当模型中存在内生性解释变量时则会对估计结果的准确性产生影响，因此需对内生性问题进行检验并讨论以剔除内生性问题对文章结论产生的偏差。目前文献关于变量内生问题的处理方法更多地采用核心解释变量滞后一期的做法，本文同样借鉴此种方法，采用IV-2SLS进行回归，具体结果如表3所示：

表2 固定效应回归及Hausman检验结果

表3 内生性检验

由表3可知，Kleribergen-Paap rk LM检验在1%的显著性水平上拒绝了“工具变量识别不足”的原假设，同时Kleribergen-Paap rk F统计量为306.251，大于10%水平临界值16.38，说明不存在弱工具变量问题。另外，Anderson-Rubin检验在1%的显著性水平上拒绝了“工具变量与内生变量不相关”的原假设，由此说明此工具变量的有效性；核心解释变量系数绝对值稍有降低，但符号方向没有改变，且仍在1%的置信水平上显著，控制变量结果也与前文保持一致。

(六)异质性分析

现有文献针对异质性分析大多基于地理区域划分回归分组，但考虑到地理位置特性并不能充分反映经济学特性，因此以2011—2019年各省级行政单位的每万人年均GDP作为回归分组划分依据(此指标由各省级行政区各年GDP除以年末常驻人口再取平均值得出，数据来源于国家统计局)。具体地，将北京、上海、江苏、天津、浙江、山东、福建、广东、湖北、重庆、陕西、内蒙古、辽宁、湖南和安徽划分为经济发达地区，将河南、四川、江西、吉林、河北、山西、黑龙江、青海、云南、西藏、贵州、广西、甘肃、新疆、海南和宁夏划分为经济欠发达地区，分组回归结果如表4所示。

表4 异质性分析回归结果

由表4结果可以看出，在分地区的估计结果中数字化智能化对金融业运行效率的影响效应没有实质性改变，两组回归系数均为正，但对于全国层面来说显著性略微偏低。在经济欠发达地区，数字化智能化发展对金融业运行效率的促进作用更明显，因为相比于经济发达地区，在经济欠发达地区金融业发展空间更大，现代化技术的应用对行业整体的边际贡献更加明显；财政支出对经济欠发达省份的金融业运行效率抑制作用更明显，学历占比在分地区的回归估计中仍不显著，而城镇化率仍然在1%的置信水平上显著，其对经济欠发达地区的作用效果同样高于经济发达地区。

(七)稳健性检验

为了保证研究结果的可靠性，分别选择北京大学数字金融研究中心发布的数字普惠金融“覆盖广度(BREADTH)”和“使用深度(DEPTH)”两个指标替换原核心解释变量重新进行回归，由表5所示，数字化智能化发展对金融业运行效率的影响效应结果仅存在系数绝对值大小上的轻微改变，符号未发生改变，因此认为原结论未发生实质性改变，说明原结论具有可靠性。

表5 稳健性检验结果

四、结论及建议

本文基于近年来在支付宝、微信支付等带动下互联网金融快速发展的背景，研究了数字化智能化发展对我国金融业运行效率的影响，在控制了地方政府一般预算支出、研究生及以上学历占比和城镇化率变量后，设计了双向固定效应模型。研究认为，数字化智能化发展对我国金融业运行效率存在正向影响，在替换解释变量的稳健性检验下此结论依然成立，这种影响对经济欠发达的省份比经济发达省份的促进作用更加明显；财政支出则对金融业运行效率存在抑制作用，城镇化率同样对金融业运行效率有促进作用，但是学历因素对其影响则存在不确定性。

基于结论，为进一步提升我国金融业运行效率提出如下建议：

(1)加大研发投入，促进科技创新与金融运行深度融合。我国经济发展仍存在区域性不均衡现象，通过财政支出的政策性倾斜，持续推动前沿技术攻关，促进工业互联网、5G网络等技术更好与金融业融合，实现金融网络全覆盖与高效互通。

(2)细化财政支出分类，实现资金精准扶持。我国财政支出跟踪机制尚不成熟，资金使用效率反馈机制有待提高，笼统财政拨款容易造成局部资金使用的无效率，同时产生过度依赖性，细化资金流向有利于对特定对象的精准扶持。

(3)推动监管部门人才引进，完善制度体系。伴随着互联网金融的快速发展，越来越多的融资模式与资金业务随之产生，难免有不法分子钻法律空白进行不当敛财行为，监管部门一方面要通过引进专业的高层次人才对风险进行识别同时在网络后台进行有效监管，另一方面也要积极与法律部门沟通，联合出台相关政策法规，实现对投资者的及时保护。