我国地方金融监管效率分析——基于三阶段DEA模型与Malmquist指数方法

黄祥钟 刘 畅

（福州大学，福建 福州 350108）

一、引言

近年来，我国金融风险高发区域已出现从传统金融体系向非传统金融体系转移的趋势，P2P网络借贷频繁“爆雷”，非法集资案件数量增多，地方各类交易所潜藏风险隐患不断显现。在此背景下，我国各省份地方金融监管能力与监管需求之间存在较大差距。相对地方金融机构的迅速发展，地方金融监管力量明显不足。根据Wind 数据统计，截至2020 年底，我国有小额贷款公司7118家，贷款余额8888亿元；融资租赁企业12156 家，融资租赁合同余额65070 亿元。基于地方金融组织不断发展壮大的背景下，对地方金融监管工作提出挑战。目前，山东、河北、四川、天津、上海等地区出台了地方金融监管条例，但地方性条例法律依据层级较低，并且条款具体应如何实施在实际工作中还难以把握。提高地方金融监管效率是解决目前我国地方金融监管能力与实际监管需求之间矛盾的一个重要思路。本文结合三阶段数据包络分析（DEA）模型和Malmquist 指数方法，分析比较我国各省份地方金融监管效率及其变化，以寻求改善监管效率的方法。

二、文献综述

国内外学者关于地方金融监管的研究大致从监管权力配置、监管法律制度和监管发挥作用的途径等三个方面展开。第一，中央与地方金融监管权力的配置。Haritchabalet et al.（2017）运用两区域模型分析中央与地方金融监管权利的最优配置。Colliard（2020）指出中央与地方联合监管能达到效率最优。第二，地方金融监管的法律制度建设。冯敏等（2022）指出地方金融监管的法律制度建设较为落后，地方行使金融监督权的法律依据依旧不完善并且法律支持薄弱。刘志伟（2017）指出中央与地方在地方金融监管实践中存在监管漏洞、执法冲突，为保证央地金融监管协同有效实现，需要辅以相应的行政法律责任。第三，地方金融监管发挥作用的途径。Blum（1999）认为有效的金融监管能提高各地商业银行的风险承受能力，从而维护金融秩序的稳定。马灿坤等（2021）指出地方金融发展、监管与地方金融风险整治之间存在着协调性，地方金融风险的处置过程会促进金融业的稳定与发展。邱新国和陈明兴（2021）通过实证得出，地方金融监管能有效促进区域金融发展，且二者间呈现“倒U 型”的关系，即随着金融监管的完善与发展，经济发展速度会相应增加，但是严苛的监管会限制经济增长的速度。

现有文献中，常使用DEA方法对金融机构效率进行分析。Mercan et al.（2003）利用1989—1999年土耳其商业银行的数据，以选定的基本财务比率作为投入产出指标进行DEA分析，发现被政府接管的银行DEA效率值较低。刘汉涛（2004）运用DEA 方法测度我国15 家商业银行2000—2002 年的技术、纯技术和规模效率，发现我国银行存在相对较大的技术无效率。张健华（2003）在利用DEA 方法对我国三类商业银行的规模、技术效率进行测度的基础上，应用Malmquist指数分析我国银行业效率的变化情况。相较于其他效率分析法，DEA 方法不需要对权重因素作出假设，效率评价结果较为客观，同时DEA 方法更适合研究多投入、多产出的情况，研究约束较少。但传统DEA方法没有考虑环境因素与统计噪声的影响，三阶段DEA模型能够分离影响决策单元的环境因素与随机扰动项，使效率测度结果更为可信，政策含义也更加具体（Fried et al.，2002），这些方法在科技金融效率评价（童纪新和曹越美，2019）和共享制造业发展效率测度（陈俊龙和唐秋，2022）等方面均有运用。

综上所述，目前文献在讨论央地金融监管分工与协调等方面已经有许多成果，但从地方金融监管部门的角度出发对地方金融监管效率进行评价与研究的文献仍较为缺乏。本文将运用DEA模型分析比较我国各省份地方金融监管效率，以寻求改善监管效率的方法。本文边际贡献体现在：一是对我国各省份地方金融监管效率进行评价，对现有研究进行完善；二是经研究发现，地方金融监管效率的差异主要受环境因素影响，剔除环境因素后，规模效率是制约地方金融监管效率提升的主要因素，这一发现具有一定的政策意义。

三、监管评价体系的构建

DEA 方法对效率的评估结果在很大程度上受所选取的投入与产出指标影响，因此，选择恰当的投入与产出指标显得尤为重要。在张建华（2003）、刘汉涛（2004）等学者研究商业银行效率的文献中，因商业银行为经营货币的特殊企业，通常使用生产法、中介法和资产法作为投入与产出的定义方法。本文研究的地方金融监督管理局作为非营利性监管部门，与商业银行有一定区别，但仍然可以借鉴其中的生产法，即将地方金融监督管理局视为地方金融监管这一“产品”的生产者，以此作为出发点选择投入与产出指标。

（一）投入指标的定义与选取

本部分结合各省份地方金融监督管理局决算中公布的机构职能，根据财务报表中各机构为实现促进区域金融稳定、防范化解金融风险、优化金融发展环境和促进金融发展等职能而产生的支出，选取人员经费、机关运行经费和金融服务支出等作为投入指标。

1.人员经费。地方金融监管部门在人事任用上的直接开支，包括基本工资、绩效奖金、培训进修费用等。

2.机关运行经费。为保障地方金融监管部门正常办公与运行而用于购买货物和服务的各项资金。

3.金融服务支出。指地方金融监管部门在对地方金融组织服务与管理时发生的支出，包括公共服务事项权限授权给地方金融组织的支出、出台行政规范以及进行行政管理与处罚的支出、搭建地方互联网服务平台的支出等。

（二）产出指标的定义与选取

地方金融监管目标的实现情况是判断监管活动是否有效的主要依据，孙鹏和赵维久（2020）的研究指出，金融监管的目标是紧紧围绕促进金融稳定与推动经济发展两方面。因此，本文根据2017 年全国金融工作会议精神中的“地方政府要在坚持金融管理主要是中央事权的前提下，按照中央统一规则，强化属地风险处置责任”和“引导金融促进地方经济平稳增长”这两项地方金融监管工作的要点，从“稳定”与“发展”出发，选取金融服务经济力度、区域银行业发展水平、区域证券业发展水平、区域保险业发展水平和区域金融稳定水平作为产出指标。

1.金融服务经济力度。该指标用社会融资规模增量占GDP 比重衡量。社会融资规模增量是全面反映金融对实体经济资金支持的总量指标，刘剑平（2020）认为这一指标可以评价地方金融体系服务经济发展的质量与结构，以及地方金融业态服务实体经济的能力。

2.区域银行业发展水平。该指标用地区银行业资产收益率（ROA）衡量。该指标的高低直接反映银行业盈利能力与发展能力的高低。

3.区域证券业发展水平。该指标用地区上市公司总市值占GDP 比重衡量。仲深和王春宇（2011）指出，地区证券市场的繁荣程度主要取决于地区上市公司的发展，地方证券公司仅起到服务作用，因此在衡量证券业发展总量时采用上市公司总市值占比这一指标更具说服力。

4.区域保险业发展水平。该指标用地区保险深度衡量。保险深度是指某地保费收入占该地区生产总值之比，反映该地保险业发展水平。

5.区域金融稳定水平。该指标用地区银行业拨备覆盖率衡量。我国金融体系以银行为主导，在地区金融体系中，银行更是占据主导地位（王擎等，2019），所以地区银行业的风险水平基本上可以代表地区金融风险水平。拨备覆盖率是实际上银行贷款可能发生的坏账准备金使用比率，该指标可以考察银行运行是否稳健、风险是否可控。

（三）环境变量的定义与选取

我国各省份金融发展水平和法律法规建设等方面差异显著，因此在评价地方金融监管效率时，必须考虑外部环境因素的影响。基于相关性、代表性和数据可得性的原则，结合我国地方金融监管发展的实际情况，本文选取7个环境变量来反映影响地方金融监管的外部因素。

1.地区人均GDP。该指标体现地区经济总体发展情况，同时通过控制人口变量体现地区经济特点。

2.地区城市化进程。该指标用城镇人口占地区总人口的比重衡量。城市化与金融发展存在互动关系，金融发展通过促进储蓄向投资转化、提高资产配置效率等促进城市化，城市化通过增加地区人口、人才引入等反作用于金融发展。

3.地区市场化率。市场化水平提高有利于发挥市场机制作用，推动金融发展，但同时市场化也可能会放大金融风险、影响金融稳定。该指标来自北京国民经济研究所编制的各省份衡量市场化相对进程指数体系中的地区市场化率分项指标。

4.地区政府执政能力。政府执政水平的高低，直接影响到地方政府职能的发挥，进而影响区域金融发展。该指标来自北京国民经济研究所编制的各省份衡量市场化相对进程指数体系中的地区政府执政能力分项指标。

5.地区对外开放水平。该指标用各省份进出口总额占当地GDP 的比重衡量。较高的对外开放程度使得地方金融监管部门的监管对象范围扩大，可能导致监管内容复杂化和监管难度增加，同时对外开放也可能引进更为先进的管理技术、优秀的人才等，这些最终都会影响监管效率。

6.地方财政收支压力。该指标用地方财政赤字率衡量，财政赤字率=（财政支出-财政收入）/GDP。经济增长与财政赤字存在着相互制约的关系，适度的财政赤字可以促进经济增长，但如果财政赤字过大或者短期赤字的利用不合理，可能会与货币风险叠加并通过货币乘数放大金融风险。

7.地方政府重视程度。该指标用地方金融监管支出占财政支出总额的比重衡量。地方金融监管部门属于地方政府的职能部门，具有非营利性质，其运作资金主要来自政府的财政拨款。地方政府的重视程度和支持力度，将直接影响其监管活动的开展力度，进而导致不同的产出效果。

人员经费、机关运行经费和金融服务支出三项数据来自各省份地方金融监管部门公布的决算数据，其他原始数据来自Wind 数据库。因部分省份数据缺失，本文最终数据样本包括16个省份。

四、模型的构建

（一）三阶段DEA模型

1.第一阶段：传统DEA 模型。DEA 模型是适用于评价相同类型的、具有多投入与多产出的决策单元（DMU）是否技术有效的一种非参数统计方法。DEA模型中的技术效率（TE）可分解为纯技术效率（PTE）与规模效率（SE），即：

其中技术效率（TE）表示在产出一定的前提下投入最小化或投入一定的情况下产出达到最大化的能力；规模效率（SE）表示与规模有效点相比规模经济性的发挥程度；纯技术效率（PTE）表示不考虑规模因素的效率。

第一阶段的DEA 模型分析不能将外部环境因素、随机误差以及内部管理因素对效率值的影响效果分开，此时无法通过测算出的效率值得出是由外部环境因素造成的低效率，还是由内部管理因素和随机干扰所导致的低效率。因此，下面进入第二阶段的分析。

2.第二阶段：相似SFA 模型。该部分主要运用SFA 模型（随机前沿方法）去分解第一阶段得到的投入冗余值。第一阶段在测算出各个决策单元效率值的同时，还会得到各个决策单元的投入冗余，该冗余即为各个决策单元效率最优条件下投入与实际投入之差。该投入冗余值同时受到外部环境因素、内部管理因素与随机扰动项这三者的影响。运用SFA 模型可以分解第一阶段得到的投入冗余值，得出环境因素对决策单元投入冗余的影响。

假设存在n个决策单元，每个决策单元使用m种投入，有p个环境因素影响投入冗余，据此建立回归方程为：

式中，Sik表示第k个决策单元第i项投入的差额值，i=1,2,…,m，k=1,2,…,n。zk=[z1k,z2k,…,zpk]表示p个环境变量，βi为环境变量的待估参数，f i(zk;βi)表示环境变量对投入差额值Sik的影响方式，一般取f i(zk;βi)=zk βi。vik+uik为复合误差项，vik表示随机干扰，并假设；uik表示管理无效率，并假设uik服从截断正态分布，即；vik与uik相互独立。当趋近于1 时，管理因素的影响占主导地位；当趋近于0 时，随机误差的影响占主导地位。

接下来用SFA 的回归结果来调整决策单元的投入，以体现不同决策单元的环境因素与随机扰动的影响。Fried（2002）指出，使各个决策单元处在同一公平的环境下竞争的方法有两种：第一种，根据SFA 回归结果的参数估计决策单元投入低效率的来源与方向，并据此向下调整决策单元的投入，数量取决于它们受环境因素的影响而处于不利地位的程度。第二种，将处于优势环境的决策单元投入增加。本文选用第二种方法分析，以避免某种极端的情况下，决策单元投入被调整为负的情况。调整公式如下：

其中，xik为第k个决策单元第i个投入项的实际值，i=1,2,…,m，k=1,2,…,n，为其调整后的值；为环境变量参数的估计值，为随机干扰项的估计值。代表把全部决策单元调整于相同环境，代表将全部决策单元的随机误差调整为相同情形。

3.第三阶段：调整后的DEA模型。将调整后的投入数据与原产出数据代入DEA 模型，重新计算各决策单元效率值。三阶段DEA 方法的特点体现为：利用投入冗余变量中包含的信息，剔除外部环境因素的影响，得到只体现内部管理水平的效率值；同时，可以通过对第二阶段的分析，来考察各个环境变量对投入的松弛变量的影响程度与方向。

（二）DEA-Malmquist指数

传统的DEA 模型是针对某一时间点进行效率评价，对决策单元的效率进行静态分析，无法分析决策单元每一年效率的变化与发展趋势。Malmquist生产力指数用于测量生产效率，是利用非参数距离函数衡量一个部门从t时刻到t+1时刻全要素生产率的动态变化趋势。Malmquist指数方法是在传统DEA方法的基础上提出的，可以反映效率的时间动态变化，从而避免时间选择随意性的影响（刘蔚玲等，2020）。

该指数的基本原理如下：假设共存在n个决策单元，T个生产日期，以t和t+1 表示2 个不同的生产日期，以分别代表时期t(t=1,2,…,T-1)和决策单元k(k=1,2,…,n) 的投入和产出向量，表示以t时期生产前沿面为基准测算t+1 时期决策单元r生产的DEA 效率，则其t至t+1 时期的Malmquist指数的计算公式表示如下：

构建DEA-Malmquist模型，得到包括全要素生产率指数、技术效率变化指数、技术进步指数、纯技术效率变化指数以及规模效率变化指数等测算数据，其中全要素生产率指数包括技术效率变化指数和技术进步指数，技术效率变化指数又划分为纯技术效率变化指数与规模效率变化指数。Malmquist指数大于1（Mr＞1）表示决策单元的生产力在该时期得到改善，Mr＜1则表示决策单元的生产力在该时期呈现衰退状态。

五、实证分析

（一）静态分析

本文选取三阶段DEA模型来对我国各省份2016—2020年的截面数据进行静态分析。

1.第一阶段：传统DEA模型。表1给出第一阶段（传统DEA模型）整体测算结果。2016—2020年间各省份地方金融监管整体综合技术效率均值在0.436至0.747 之间变化，表明整体金融监管效率有大幅提升的空间。自2017年起地方金融监管部门开始改革重组，到2019年各省份地方金融监管改革初步完成，地方金融监管局陆续挂牌成立后，综合技术效率开始逐年递增，从2018年的0.436增长至2020年的0.517，呈现缓慢增长趋势。

从综合技术效率分解来看（见表1），2016—2020年间16 个省份纯技术效率均值在0.560 至0.839 之间，纯技术效率与综合技术效率的变化趋势相符且数值较低，说明综合技术效率均值受纯技术效率的影响较大，意味着各省份整体的资源配置能力和管理水平较低，阻碍综合技术效率的提高。2018 年纯技术效率值为0.560，2020 年纯技术效率增长至0.672，说明各省份在地方金融监管改革后，资源配置能力和管理水平有所改善。2016—2020 年间各省份规模效率均值情况较好，均值在0.792 至0.914 之间，规模效率较高，促进综合技术效率的增长。

表1 第一阶段整体效率

表2 给出第一阶段各省份的测算结果。2016—2020 年间，黑龙江、北京、甘肃和青海的综合技术效率值分别为0.948、0.881、0.860 和0.820，均高于0.8，地方金融监管效率较好。上海、重庆、广西、湖南、河南、云南和天津的综合技术效率低于0.5。上海的规模效率为0.478，是造成其综合技术效率较低的主要原因，说明上海应加大对地方金融监管的投入。重庆、广西、湖南、河南、云南、天津的纯技术效率均低于规模效率，即纯技术效率低是造成这些地区地方金融监管效率较低的主要原因，说明这6个省份的资源配置能力不足，管理水平较低，需有效提升自身管理能力，将监管投入有效转化为产出，提高金融监管效率。

表2 第一阶段各省份效率值

表3 给出各省份的综合技术效率值。从各年份来看，2016 年的效率情况较好，北京、广东、黑龙江、湖南和甘肃的综合技术效率均达到最高值。但在2016—2020 年间，16 个省份中仅吉林的综合技术效率呈现总体上升趋势，其余均呈现不同程度的波动或下降的趋势。

表3 综合技术效率值

第一阶段效率测算的结果未考虑环境变量对地方金融监管效率的影响，需进一步分析剔除环境变量影响后的各省份金融监管效率。

2.第二阶段：SFA回归分析。如表4所示，人员经费投入松弛、机关运行经费投入松弛和金融服务支出投入松弛的随机前沿回归的单边似然检验值（LR）远高于临界值，均在1%的显著性水平下显著，整体显著性结果证明使用SFA模型是合理的，有必要剔除投入松弛中环境变量的影响以求得更加准确的效率值。

表4 投入松弛变量SFA回归

人员经费投入松弛SFA 回归结果中，地区人均GDP、地区市场化进程、地区对外开放水平、地方政府财政收支压力和地方政府重视程度对人员经费投入松弛的回归系数均在5%水平下显著，其中地区人均GDP、地区市场化进程、地方政府财政收支压力与人员经费投入松弛的回归系数符号为正，说明上述指标的上升会造成人员经费投入松弛的增加，造成地方金融监管效率的下降。地区政府执政能力、地区对外开放水平和地方政府重视程度对人员经费投入松弛的回归系数符号为负，说明上述指标的提升会降低人员经费投入松弛，表明提高地区政府执政能力、地区对外开放水平和地方政府重视程度可以减少人员经费的投入浪费，进而提升地方政府金融监管效率。

机关运行经费投入松弛SFA回归结果中，地区对外开放水平、地方政府重视程度与机关运行经费投入松弛的回归系数符号为负且有显著性，说明上述指标的提升会减少投入浪费，促进效率的提升。

金融服务支出投入松弛SFA回归结果中，地区城市化进程、地方政府财政收支压力、地方政府重视程度与金融服务支出投入松弛的回归系数在1%水平下显著，地方政府财政收支压力、地方政府重视程度的回归系数为负，说明这两个指标的提升会减少金融服务支出浪费，促进效率的提升。地区城市化进程的回归系数为正，该指标提升会造成金融服务支出的浪费，进而阻碍效率的提升。

综合上述结论发现，地区政府执政能力、地方政府重视程度、地区对外开放水平通过减少投入松弛，对地方金融监管效率具有促进作用，而地区城市化进程、地区市场化进程、地方政府财政收支压力会造成各投入松弛的增加，对地方金融监管效率具有抑制作用。第二阶段回归结果中环境变量对效率存在影响，需剔除环境变量后进一步对各地的金融监管效率进行测算分析。

3.第三阶段：整体分析。根据表5的第三阶段效率整体测算结果可知，2016—2020 年间各省份综合技术效率年平均值在0.808至0.880之间；综合技术效率五年平均值从第一阶段的0.566增长至第三阶段的0.846，较第一阶段有较大增长，说明在剔除环境变量的影响后，多数省份的金融监管效率上升。进一步分析发现，纯技术效率五年平均值从第一阶段的0.673增长至第三阶段的0.988，规模效率五年平均值从第一阶段的0.843增长至第三阶段的0.856，纯技术效率和规模效率的增长共同促进了综合技术效率的提升，其中纯技术效率增长幅度为46.8%。在第一阶段整体效率值的分解中可以看出，纯技术效率低于规模效率，说明是较低的纯技术效率制约了地方金融监管效率的提升；在剔除环境变量影响的第三阶段中，可以看出真正制约地方金融监管效率提高的是规模效率。因此，各省份在地方金融监管建设中应优先考虑继续增加监管投入，实现规模效益。从五年变化来看，综合技术效率小幅度波动，在2018 年地方金融监管局成立初期以及2020年疫情防控期间环比下降。

表5 第三阶段与第一阶段效率测算结果对比

由表6 的各省份第三阶段效率值（五年平均值）可知，第三阶段大多数省份综合技术效率较第一阶段均有不同幅度的提升，在剔除环境影响后，地方金融监管效率差异逐步缩小，这说明各省份在不受环境影响的情况下，其地方金融监管能力差距较小。其中受环境影响最显著的省份为北京，在原有环境变量的影响下，北京市的金融监管效率远高于其他省份，而在剔除环境影响后，北京市的金融监管优势相对下降，但仍处在效率较高的前沿面。

表6 各省份第三阶段和第一阶段效率测算结果对比

剔除环境影响后，综合技术效率值高于0.9 的省份为北京、上海、黑龙江、甘肃、重庆、湖南，其中北京和上海的效率值达到1，在没有环境因素的影响下，北京和上海的金融监管效率凸显出较强的竞争力。北京、上海的地方金融监管改革起步较早，地方金融监管经验丰富，高素质专业人才较多，在地方金融监管上更具优势。综合技术效率值低于0.8的省份为江西、青海、广东、内蒙古、广西、云南，除广东外，其他省份均为经济发展水平较低或相对偏远的省份，从这些省份综合技术效率拆分结果看，是较低的规模效率制约了整体金融监管效率的发挥，说明这些省份应进一步扩展地方金融监管规模，通过增加监管投入、增设分支机构等方式实现规模效益，提高规模效率。

从效率值分解来看，各省份纯技术效率值均在0.95以上，说明目前我国地方金融监管部门总体管理水平较高，技术的创新应用能力较强，但各省份的规模效率均值则差异较大。规模效率值在0.9以上的省份为北京、上海、黑龙江、甘肃、重庆、湖南，规模效率值在0.8 以下的省份为青海、江西、内蒙古、广西、云南，这五个省份的规模效率较低，说明这些省份金融监管规模还有待进一步扩大，规模效率提升空间较大。

（二）动态分析

为了更好地把握地方金融监管效率的动态变化规律，在上述静态分析的基础上，本文采用Malmquist指数法，利用三阶段DEA 模型中调整后的投入产出分析我国16个省份2016—2020年地方金融监管效率的动态变化。

1.Malmquist 指数分析。表7 给出地方金融监管的全要素生产率指数测算结果。整体来看，2016—2020 年我国各省份全要素生产率下降0.075，均值仅为0.980，表明我国地方金融监管效率总体呈下降趋势。分解来看，技术效率变化指数下降0.011，技术进步指数下降0.065，相比之下，技术进步指数的降低对全要素生产率提高起主要制约作用。进一步分解技术效率变化指数，可以看到纯技术效率变化指数基本保持不变，纯规模效率变化指数则降低了0.001，说明纯规模效率变化指数的降低是造成技术效率变化指数停滞的主要原因。各省份在2016—2020年对金融监管投入不足，资源配置效率较低以至于规模效率不高，这部分结论与三阶段DEA模型结论一致。

表7 2016—2020年各省总体地方金融监管部门全要素生产率指数测算结果

具体到各个年份来看，2016—2017 年全要素生产率指数为1.043，地方金融监管效率水平处在改善与提升的状态。2017—2018 年全要素生产率指数仅为0.900，表明地方金融监管效率相较于往年是降低的。2017 年地方金融监管部门改革伊始，存在部门职能重叠、专业人才不足等问题，可能使得监管机构不必要投入增加，从而导致监管效率降低。2018—2019年，全要素生产率为1.017，表明地方金融监管效率相较于往年有所改善。2018年地方金融机构改革基本完成，各省份均已设立地方金融监督管理局，地方金融监管制度初步成熟，故而效率有所改善。2019—2020年，全要素生产率为0.968，地方金融监管效率降低。2020 年受新冠肺炎疫情的冲击，地方经济波动性加剧，地方金融风险更为突出，地区金融监管难度加大，导致地方金融监管效率下降。

表8 给出各省份地方金融监管的全要素生产率测算结果。Malmquist 指数大于1 表示地方金融监管效率有所改善，包括广东、上海、吉林和青海等四地。从全要素生产率指数的分解来看，效率改善主要得益于技术进步指数的改善，表明这四地管理水平和技术创新能力在不断提高。Malmquist 指数小于1 的省份达到12 个，表明多数省份地方金融监管效率未得到显著改善。

表8 2016—2020年各省份地方金融监管部门全要素生产率及分解

（三）总结

根据以上分析结果，可将本文研究的16 个省份划分为四大类：第一类，监管效率较高且监管效率水平呈上升趋势的省份，为上海市。上海处在地方金融监管的效率前沿面，监管状态良好，应继续发挥其在技术创新与资源配置方面的优越性，成为其他省份地方金融监管部门学习的典范。第二类，监管效率较高但监管水平呈下降趋势的省份，包括北京、黑龙江、湖南、重庆和甘肃。技术进步指数的降低是导致这些省份地方金融监管效率不断下降的主要原因，该类省份地方金融监管部门应积极改进机构运行管理制度，培养高素质人才，通过积极搭建互联网金融服务平台等提高技术创新能力，以此改善监管效率。第三类，监管效率较低但监管水平不断提升的省份，包括广东、吉林和青海。这些省份金融监管效率较低，但整体呈改进趋势。第四类，监管效率较低且监管效率未得到有效改善的省份，包括天津、内蒙古、辽宁、江西、河南、广西、云南和青海。这些省份金融监管规模效率较低，应考虑加大金融监管支出、完善机构部门建设，从而提高资源利用效率，改善地方金融监管效率。

六、结论与建议

本文结合三阶段DEA 模型与Malmquist 指数方法，构建衡量地方金融监管效率的评价体系，从静态和动态两个视角分析2016—2020年我国各省份地方金融监管效率。研究结果表明：地方政府重视程度和地区对外开放水平会降低地方金融监管部门的投入冗余，而地区人均GDP、地区城市化、地区市场化和地方政府财政收支压力则会造成地方金融监管部门投入冗余的增加；剔除地区环境变量的影响后，真正制约地方金融监管效率提升的是较低的规模效率；不同省份间金融监管效率变化差异显著，我国部分省份地方金融监管存在管理低效或监管效率未得到有效改善的现象。

针对上述结论，本文提出如下建议：一是各地要抓紧制定完善地方金融监管的法规制度，使地方金融监管活动的开展有据可依；二是各地要结合实际情况适当加大对地方金融监管的支持力度，包括增加人力资源、增加经费投入等，使地方金融监管部门能力进一步提升；三是地方金融监管部门应通过加强部门分工等方式合理配置资源，并与地方立法机构、地方金融行业自律组织相互配合，提升规模效益；四是加强地方金融监管的省际交流与合作，管理低效的省份应积极与地方金融监管高效的省份开展技术与经验交流。