關于金融科技企業經營效益的研究
——基于數據要素增值的視角

■黃 勇，張紅梅

一、引言

中國人民銀行從頂層設計上對我國的金融科技發展全局進行了全面而長遠的謀劃，引領行業發展方向。各大金融機構加快搶占金融科技戰略制高點的腳步，設立金融科技公司。螞蟻金服等金融科技企業深耕前沿技術領域，將人工智能、大數據等技術在精準營銷、支付轉賬等方面深入推進應用。而2020年初新冠肺炎疫情的暴發，展現出疫情時代金融科技的新應用場景，更加凸顯其應用價值。

在金融科技如火如荼的發展態勢中，金融科技企業扮演著不可或缺的角色，而數據要素則發揮著極大的增值作用。一方面，金融科技企業圍繞數據資源的采集與應用，形成了數字技術聯系程度深、供求信息交互能力強、分析決策層次高的經營管理方式，發展出平臺經濟、共享經濟等新經濟和新業態，從而實現靜態數據資源與產出價值之間的轉換（馮科，2022）。另一方面，金融科技企業通過推動數據要素與資本、勞動力等生產要素進行動態互動，共同發揮要素之間的協同效應，進而形成乘數效應，在數字化互動中實現產業價值鏈延伸（王建冬和童楠楠，2020）。數據要素增值與金融科技企業經營管理之間存在著密不可分的關系，因此從數據要素增值的角度，整體性分析金融科技企業的經營效益，在助力金融科技企業數字化發展方面具有重要的理論意義。

二、文獻綜述

回溯金融科技過往理論研究，可以發現對金融科技的研究大多分為兩個層面。一是探究金融科技的系統性宏觀影響。金融科技憑借其技術特征改變了金融服務的底層邏輯，但并未改變金融的基本屬性。從融資的角度看，金融科技緩解了金融市場上的信息不對稱，降低了企業貸款的違約率（Donald，2020），提升了實體經濟的融資效率（劉園等，2018）。從資本配置的角度看，金融科技依靠其創新發展調整金融行業要素稟賦結構，引導金融資本的流向，結合產業關聯效應，帶動產業結構升級，促進了實體經濟的發展（楊子榮和張鵬楊，2018）。二是探究金融科技微觀層次的積極作用。金融科技在商業銀行的廣泛運用，給銀行業帶來了深遠的變革，對商業銀行的全要素生產率（沈悅和郭品，2015）、資產負債表（邱晗等，2018）、銀行業競爭（孟娜娜等，2020）等方面產生了廣泛而顯著的影響。

而從實踐應用上看，金融科技近幾年來呈現蓬勃發展的態勢，其發展過程中有著豐富的數據要素屬性，更具有發展趨勢上的邏輯必然性。首先以阿里巴巴為代表的金融科技企業通過日常經營積累了海量的數據資源，天然具有金融科技發展的良好生態（劉少波等，2021）；其次以大數據挖掘、機器學習、數據分析等數字化技術構成了金融科技應用的基礎手段；最后數據資源是金融科技商業運用的基石和商業價值的源頭（蔡躍洲和馬文君，2021）。具體而言，金融科技企業利用自身數據要素優勢，推動了產品、服務、業務和模式的創新。從產品方面而言，數據要素的主要作用是追蹤用戶習慣，了解用戶需求，便于金融科技企業實現產品與用戶精準匹配，獲取更大的消費者剩余（Corniere &Taylor，2020）；從服務方面而言，金融科技企業利用相關技術手段獲取公司年報、政府公開信息披露等數據和信息，提取出價值信息，從而輔助客戶進行投資決策（王智新等，2021）；從業務方面而言，大范圍、寬領域、多維度的數據信息幫助金融科技企業強化了機器學習等技術手段，提升了金融科技企業的軟件開發水平（Beraja et al，2020）；從商業模式方面而言，隨著金融科技企業發展壯大，其商業模式將愈發依賴于數據要素作用，這種商業模式憑借龐大的用戶數據資料和足夠的數據分析工具，極大可能通過網絡的力量占領市場（Donald，2020）。

通過對以上文獻進行歸納總結，可以發現：第一，對金融科技的研究大都集中在商業銀行，少有文獻研究金融科技企業。第二，數據要素作為新興研究熱點，少有文獻在微觀層面實證探討數據要素與金融科技企業經營效益內在關聯。基于此，本文的邊際貢獻在于以下幾點：第一，研究對象上，金融科技企業和傳統金融機構從對抗走向合作已成趨勢，然而卻鮮有文獻對金融科技企業經營效益進行研究；第二，研究內容上，建立數學模型證明了金融科技企業以金融科技為手段，提取并利用有價值的數據信息的能力對其經營效益的影響，并推論出異質性，彌補了以往相關研究中僅以單一的文字說明所存在的數理依據說服力不足的缺陷；第三，研究方法上，在進行數學模型理論推導時使用了抽象函數，解決了以往相關文獻中使用具體函數所帶來的特定性，更具備一般性。

三、理論分析與假設提出

隨著數字技術的發展，數據和信息在大數據挖掘、機器學習等技術處理下使得傳統生產要素之間單一的協同性被不斷強化（蔡躍洲和馬文君，2021），從而提取出數據要素價值△V。加之金融科技應用層出不窮，金融科技應用的層次和體系更加復雜，其從海量的數據中持續地挖掘出知識和信息的能力不斷加強，即：?x/?DIC＞0，x 表示數據要素，DIC 表示以金融科技為手段，提取并利用有價值的數據信息的能力，即數據要素增值能力。而基于數據要素的金融科技創新產品和服務，催生新的經營模式，衍生新的生產經營流程，充分挖掘了金融科技企業的內在發展潛力，從而降低了金融科技企業的生產經營成本C。此外，基于數據要素的金融科技減少了金融科技企業生產經營過程中的信息不對稱，強化了風險管理技術，優化了金融科技企業的生產經營，即?C/?x＜0。因此，基于數據要素的金融科技所帶來的價值增值可以視為金融科技企業降低的生產經營成本，即△C=-△V。不妨假設C=C（x，y）×L，其中y 表示其他因素對單位資金運用成本C（x，y）的綜合影響，L表示資金運用，則有：

借鑒劉孟飛和王琦（2021）的分析框架，將立足于數據要素增值原理的金融科技作用引入企業利潤最大化的分析框架，通過相應的數理推導，論證在多條件約束下數據要素增值對金融科技企業的經營效益的具體影響機理。該分析框架如下：

假設1：金融科技企業通過借債（B）和權益資本（E）來構成企業的資金來源，并將這些資金用于構成企業自身的經營活動（L）。考慮到企業安全性和流動性需要，金融科技企業并不會將所有的資金用于自身的生產經營活動，而是選擇將一部分借債所籌集的資金用作現金儲備（M），于是有B+E=L+M。

在惡嘴攻擊與串謀攻擊的實驗中,惡意節點都隨機地提供推薦信任值給節點。圖7和圖8分別顯示了惡嘴攻擊和串謀攻擊對間接信任的影響,隨著惡意推薦比例的增加,各模型得到的間接信任與真實間接信任之間的差值也隨之增大。

假設2：假設現金儲備中來自借債部分的資金占比為m（0＜m＜1），則有M=m×B。借債所獲取的剩余資金（1-m）×B全部用于金融科技企業的自身經營活動，占金融科技企業用于自身經營活動的資金的比例為b（0＜b＜1），即有：b×L=（1-m）×B；則占金融科技企業用于自身經營活動（1-b）×L部分的資金全部來源于權益資本E，即E=（1-b）×L。

假設3：假設市場上其他因素不變，金融科技企業通過借債獲取資金所支付的利率越高，金融科技企業所能籌集到的資金規模越大，則有B=B+e×R，B表示不考慮利率因素作用下，金融科技企業自身所具有的借債潛力的大小，e表示市場對金融科技企業借債所支付的利率的敏感程度，e＞0。

假設4：假設市場上其他因素不變，金融科技企業權益籌資下的股權收益率越高，越容易獲取市場上的投資者青睞，金融科技企業所籌集到的權益資本也就越大，則有E=E+f×R。E表示金融科技企業自身所具有的股權籌資潛力程度，f 表示市場對金融科技企業的股權收益率的敏感程度，f＞0。

假設5：假設不考慮其他因素，金融科技企業用于經營活動的資金L 與其經營活動的收益率R有關；考慮到金融科技企業不同發展階段收益率可能為正為負，將其生命周期系數T納入模型中。當其處于初創期或成長期時，生命周期變量T取值趨近正無窮大；當其處于成熟期或衰退期時，生命周期變量T 取值趨近0。因此，金融科技企業用于經營活動的資金處于以下四種邏輯狀態下，如表1所示：

表1 邏輯狀態表

當金融科技企業處于初創期或成長期時，若收益率為正，即狀態R＞0，T→+∞，此狀態下，其用于經營活動的資金使用L 少，但收益率R高，金融科技企業得以快速成長，擴大其規模，L與R負相關，故有：L=L-T×R，L為意愿資金運用；當金融科技企業處于初創期或成長期時，若收益率R為負，即狀態R＜0，T→+∞，此狀態下，盡管其收益為負，但其具有遠大發展前景，可以在未來中實現巨額收益；而符合此狀態下的金融科技企業用于經營活動的資金L大，R低甚至為負，L與R負相關，故有：L=L-T×R；當金融科技企業處于成熟期或衰退期時，若收益率為正，一般情況下L 較大，而收益率R較低，其生產經營趨于穩定，L 與R負相關，故有L=L-T×R；當金融科技企業處于成熟期或衰退期時，若收益率為負，則企業不具備存在的現實意義，狀態R＜0，T→0無效，無須進行討論。

依據上述假設，引入企業利潤最大化數學模型：

將式（3）帶入式（2）可得：

由?π/?L=0可得最優資金使用：

R=π/L 表示一單位資金投入可以帶來的凈收益的大小。從金融科技企業規模考慮，該值越大，其經營效益R越高。因此可得：

對式（7）的DIC求偏導可得：

由式（8）可知，基于數據要素增值的金融科技降低了金融科技企業的經營管理成本，金融科技企業不斷加大資金投入L擴大規模，并達到利潤最大化，使得其對金融科技企業的積極影響更大，經營效益增加。π*/B 表示金融科技企業所舉債的每一單位資金所帶來的最大凈收益，當金融科技企業達到最大凈收益后，從企業的財務風險考慮，B 值越大，企業的財務風險越高，π*/B值越小，企業的經營效益R越低。因此可得：

對式（9）的DIC求偏導可得：

其中?C（x，y）/?DIC＜0，0＜m＜1，b＞0。

由式（10）可知，隨著金融科技的持續發展，金融科技企業從金融市場獲得借款擴大企業規模，其負債水平不斷增加，金融科技企業的財務風險累積。在達到利潤最大化后，金融科技企業財務風險逐漸凸顯，使得其對企業消極影響更大，企業的經營效益下降。

從金融科技企業的現實發展歷程角度出發，金融科技作用下的數據要素幫助金融科技企業不斷優化其結構，調整其內部的各種要素配置，提高了資源配置的效率（宋敏等，2021）。從而充分挖掘金融科技企業的潛力，使得金融科技企業的產品和服務推陳出新、獨具特色，更加滿足市場的需求，不斷降低金融科技企業的生產管理成本。此過程中，數據要素對金融科技企業經營效益的積極影響大于其他因素帶來的消極影響，金融科技企業的經營效益增加。而金融科技企業在數據要素的助力下不斷擴大其規模，使得企業財務風險等不利因素帶來的消極影響不斷累積，而用于獲取數據要素作用的金融科技研發和應用成本逐步增加，導致其對金融科技企業經營效益的消極影響也增加。與此同時，數據要素帶來的邊際收益卻減少，最終其消極影響大于其積極影響，金融科技企業經營效益會下降。因此，數據要素會使金融科技企業的經營效益具有先上升后下降的非線性特征。故提出假設6。

假設6：金融科技企業的數據要素增值能力與其經營效益之間存在著“倒U型”的非線性關系。

此外，由于不同的金融科技企業b、e等初始稟賦不同，金融科技企業之間可能會存在差異。為了考察不同金融科技企業經營效益的異質性，對式（10）求b的偏導可得：

由反證法可知：如果所有的金融科技企業不存在異質性，則其他因素不影響金融科技企業經營效益的變動，即b 的變動不會影響?R/?DIC 的變動，式（11）結果應該恒等于0，這與式（11）結果矛盾。故有，不同金融科技企業之間的經營效益確實存在著差異性。因此提出假設7。

假設7：金融科技企業的數據要素增值能力對其經營效益的影響存在異質性，其對體量和行業重要性較大的金融科技企業的經營效益影響更顯著。

四、實證設計

（一）樣本選取和數據來源

以A股上市的金融科技公司為研究對象，考慮到一些金融科技公司上市較晚，且部分企業相關數據披露不全，故最終選取了39家金融科技企業2015—2020年的年度數據作為樣本。數據來源于Wind數據庫、同花順網站、東方財富網等。

（二）變量定義

1.被解釋變量

利用金融科技企業的資產負債表、現金流量表和利潤表，運用因子分析法構建了金融科技企業的綜合經營效益指標CEI，如表2 所示。運用SPSS 26 對CEI 指標體系進行因子分析，結果顯示KMO值均大于0.5，且巴特利特球形度檢驗的顯著性均小于0.001，說明可以運用因子分析法對CEI指標體系進行降維處理，求得2015—2020年金融科技企業綜合經營效益指標。

表2 CEI指標體系

2.解釋變量

目前學術界缺乏對數據要素及相關變量的研究（榮健欣和王大中，2021），借鑒相關文獻，通過以基于數據要素的金融科技關鍵技術和核心應用的發展水平去衡量金融科技企業獲取并利用有價值的數據信息能力，即數據要素增值能力DIC，其指標體系如表3所示。

表3 數據要素增值能力指標體系

3.控制變量及描述性統計

宏觀上，社會經濟發展狀況對企業的經營效益的影響不能忽視，因此選取GDP和CPI來量化宏觀經濟發展水平；微觀上選取金融科技企業的資產規模（asset）、貨幣現金持有（lncash）、企業經營周期（cycle）來控制企業自身因素對經營效益的影響。

表4 變量的描述性統計

（三）模型設定

采用動態面板數據，使用系統GMM 方法，實證分析金融科技企業數據要素增值能力對其經營效益的影響，具體模型表達式如下：

其中，i表示企業個體，t表示年份，Control表示控制變量，μ表示個體差異，ε表示隨機擾動項，CEI表示滯后一期的經營效益，iv 表示金融科技企業的體量及行業重要性。當企業資產規模大于10億元時，iv取1.5；當其介于1億元和10 億元之間時，iv 取1；當其小于1 億元時，iv 取0.5。通過分段賦值，在后續的實證中，只需要驗證引入iv項后的DIC×iv項的顯著性相對于DIC略微較差時，就可證明假設7成立。

五、實證結果分析

（一）金融科技企業經營效益實證分析

基準回歸結果如表5 所示。通過對表5 的分析，可以得出以下結論：第一，AR（1）的P值小于0.05，AR（2）的P 值大于0.1，通過了自相關檢驗，說明模型中的隨機擾動項差分不存在二階序列相關；且在進行工具變量過度識別檢驗中，Sargan 檢驗中的P 值大于0.05，通過了Sargan 檢驗，表示模型中所有的工具變量均有效；因此，本文構建的系統GMM 動態面板模型具備合理性，并且估計結果是有效的。第二，金融科技企業數據要素增值能力DIC 的系數為正，二次項DIC的系數為負，并且都在1%水平上顯著，證明了金融科技企業的數據要素增值能力與其經營效益之間具有明顯的“倒U型”關系，與前文的理論證明相吻合。第三，L.CEI的系數在1%水平下顯著為正，證明了滯后一期的經營效益對本期有著顯著的促進作用；GDP 的系數在1%水平顯著為正，CPI的系數在5%水平下顯著為負，表明了良好的宏觀經濟發展對企業經營效益有著提升作用；cycle 的系數在10%水平下顯著為負，asset 系數在10%水平下顯著為正，驗證了企業自身優秀的經營管理有助于提升經營效益。綜上所述，假設6得證。

表5 金融科技企業的經營效益實證結果

續表5

（二）金融科技企業經營效益異質性分析

在探究金融科技企業數據要素增值能力對經營效益的異質性時，引入iv 來代表金融科技企業的體量和行業重要性。規模體量較大、市場領域更重要的金融科技企業憑借其資金、技術、人才等要素優勢，更容易在金融科技領域占據優勢。從表6 可以看出，DIC×iv、DIC×iv 都在1%置信水平上顯著，且DIC×iv、DIC×iv的P值均大于DIC、DIC，理論分析與實證結果一致。鑒于此，可以認為金融科技企業的數據要素增值能力對其經營效益的影響存在異質性，其對體量和行業重要性較大的金融科技企業的經營效益影響更顯著，假設7得證。

表6 金融科技企業的經營效益異質性結果

續表6

（三）穩健性分析

為保證研究結果的穩健可靠，選取數字普惠金融指數DFI作為替代解釋變量重新回歸，結果如表7所示。

表7 穩健性結果

由表7 可知，數字普惠金融指數一次項（DFI）的系數為正，而二次項系數（DFI）為負，且在5%水平上顯著。盡管少數控制變量不顯著，但整體結果大致不變。證明了金融科技企業的數據要素增值能力與其經營效益之間確實具有顯著的“倒U 型”關系。DFI×iv、DFI×iv 分別在10%的置信水平下顯著為正、為負，其他結果基本保持一致，可見金融科技企業的數據要素增值能力對其經營效益影響的異質性結果是穩健的。

六、結論與建議

通過數理模型的推導，論證了金融科技企業以金融科技為手段，提取并利用有價值的數據信息的能力對其經營效益的影響機理，并推論出不同的金融科技企業之間的經營效益存在差異性。最后基于2015—2020年39 家上市金融科技企業的面板數據進行了系統GMM 實證檢驗。研究表明：金融科技企業的數據要素增值能力與其經營效益之間具有顯著的“倒U 型”關系，并且存在著異質性，其對規模體量和行業重要性較大的金融科技企業的經營效益影響更顯著。

針對以上研究結論，提出以下建議：第一，金融科技企業應繼續強化技術與業務深度融合，鞏固其先行的技術優勢，以便在未來的競爭中占據優勢地位；第二，金融科技應用“百花齊放”，而關鍵核心技術亟待突破，金融科技企業應確立“技術試點先行”的戰略方向，在新興技術領域勇于嘗試探索；第三，金融科技的技術標準和安全規范正不斷完善，其監管體系將會逐漸形成，金融科技企業應積極地擁抱監管，在監管體系框架下穩健規范經營。