金融科技與上市商業銀行全要素生產率的研究
——基于三階段SBM-DEA 模型

王秀意

（山東大學經濟研究院，濟南 250000）

一、引言

黨的十九大報告中提出：“我國經濟已由高速增長階段轉向高質量發展階段，正處在轉變發展方式、優化經濟結構、轉換增長動力的攻關期，建設現代化經濟體系是跨越關口的迫切要求和我國發展的戰略目標”。在這種經濟背景下，適度擴大總需求、著力加強供給側結構改革、提高供給系統質量和效率，已成為中國經濟轉型的突破口和支點。銀行部門作為金融部門的一個重要組成部分，對經濟的運作負有重大責任，迫切需要改變過去需求驅動的局面，通過技術創新和內部治理，在確保風險控制水平的同時，全面深化金融體質改革，提高銀行部門要素生產率，并加強其服務實體經濟的能力。

當前我國正處于高速增長向高質量發展階段轉變的經濟背景下，適度擴大總需求、加強供給側結構改革、提升供給系統質量和效率，已成為中國經濟轉型的突破口和支點。銀行部門作為金融部門的一個重要組成部分，對經濟的運作負有重大責任，迫切需要改變過去需求驅動的局面，通過技術創新和內部治理，在確保風險控制水平的同時，全面深化金融體質改革，提高銀行部門要素生產率，并加強其服務實體經濟的能力。

二、文獻回顧

（一）銀行效率

全要素生產率是一種衡量經濟增長質量的重要指標之一，指的是各種要素（如資本和勞動等）投入之外的技術進步或技術變化以促進經濟增長的因素（易綱等，2003）。一般而言，全要素生產率越高，生產能力越強。金融發展促進了要素生產率總量的重要性。其目的是增加社會流動資金的供應，促進企業的生產性融資，促進擴大生產，提高企業發展和提高生產效率。

在效率測算上，國外主要是有參數法（隨機前沿生產函數法）及非參數法（Malmquist 指數）。隨機前沿生產函數法是由Aigner et al（1977）幾位學者首先提出，他們打破了基于技術有效論的假設，補充了技術無效率問題，其觀點是全要素生產率的變化是由生產可能性邊界的移動及技術效率的變化共同作用的結果，認為這種情況更符合實際情況。Bauer 和Hancock（1993）運用隨機前沿生產函數法對1977—1988 年美國銀行業的全要素生產率進行了測算。1978 年，Charnes et al（1978）提出了數據包絡分析（DEA）理論，鑒于規模報酬的變化，將多輸入、多產出的DEA 模型劃分為規模報酬不變（CRS）模型和規模報酬可變（VRS）模型。Howcroft和Ataullah（2006）采用DEA 方法對印度和巴基斯坦商業銀行1992—1998 年的全要素生產率進行測算。Caves et al（1982）結合DEA 方法于1982 年使用Malmquist 全要素生產率指數（M指數）評估了商業銀行的生產率，后期學著在此基礎上結合指定距離函數Malmquist-Luenberger 全要素生產率指數（ML指數）進行研究。Gilbert et al（1998）使用ML 指數衡量1980 年后韓國政府私有化和商業銀行監管對韓國銀行部門全要素生產率的影響。Havrylchyk（2004）分析了波蘭商業銀行使用ML 指數進行的合并和收購，發現這種合并和收購提高了商業銀行的盈利能力。Huang（2016）使用ML 指數來衡量西歐商業銀行的全要素生產率，并發現小型銀行比中型銀行更有效。Duygun et al（2016）使用的ML 指數是根據以英國為基礎的（trade marking 和untrade marking）商業銀行在金融危機之前和之后的2005—2013 年的數據計算的，發現大多數商業銀行在觀察期間無法從危機的影響中恢復過來。

從國內研究看，張健華和王鵬（2010）利用產出距離函數測算了我國國有銀行及商業銀行的全要素生產率，得出我國金融體制的改革對銀行業全要素生產率的正向作用結果。郭曄等（2020）使用stochastic frontier approach（SFA）法對我國2008—2016 年102 家城市商業銀行的效率進行測算，實證說明不同類型的戰略投資者對于銀行效率產生的不同影響，引進戰略投資者能顯著提高我國商業銀行的效率。王兵和朱寧（2011）運用DEA 方法測算了2004—2009 年在不良貸款約束下的我國27 家商業銀行的全要素生產率，得到結論是考慮不良貸款測算的效率值要低于不考慮的情況。周小柯等（2015）計算了2008—2013 年中外商業銀行全要素生產率指數，結果表明，中國商業銀行資產和利潤的快速增長并未導致全要素生產率的增長。

對于影響銀行效率的因素研究有以下觀點：Berger 和Mester（1997）考慮了銀行資產規模，以及市場集中度等因素對銀行效率的影響。關于中國商業銀行總生產率增長或下降的主要驅動因素，鄭錄軍和曹廷求（2005）通過規模、創新、穩定性、盈利能力、配置、公司治理、股權結構及營業范圍八個方面來考察銀行效率的影響因素，得出結論集中型股權結構和公司治理機制是影響我國商業銀行效率的重要因素。趙永樂和王均坦（2008）使用DEA 測算了中國境內17 家商業銀行生產率的總體增長因素主要是技術進步造成的。蔡躍洲和郭梅軍（2009）分析了2004—2008 年的數據，得出結論認為，要素生產率總體下降的主要原因是技術進步下降，這與宏觀經濟監管有關。張弛（2007）通過引入國際戰略投資者角度實證研究銀行資本充足率與產權結構對銀行效率的影響，結果表明產權結構對銀行效率有顯著正向作用。呂驍（2012）認為中國商業銀行2002—2009 年的總體生產率系數是根據寬松變量計算的，發現技術進步水平高于效率下降，從而提高了生產率。柯孔林和馮宗憲（2013）利用global-malmquist-luenberger（GML）指數進一步研究了2001—2010 年15家中國商業銀行的數據，證實了早先得出的結論，即技術進步是全要素生產率增長的主要動力。

總體而言，對我國商業銀行效率和全要素生產率的研究，主要從技術進步和效率提升的角度對銀行業的整體效率和全要素生產率進行分解分析和研究。各產出因素的觀點分解，一般銀行業、各銀行及各集團層面各銀行的效率和生產率變化的文獻很少。然而，現有的從效率提升和技術進步來描述銀行總生產率的文獻，也很少解釋分解值的內涵并進一步分析其來源，本文將嘗試在這兩方面完成研究。

（二）金融科技與銀行效率

關于金融科技的定義，巴曙松和白海峰（2016）對金融科技做出定義，金融科技（FinTech）是一種手段，可以與金融行業的應用進行深度融合，能夠擴大金融服務、降低交易成本及提升金融業效率。2019 年，中國人民銀行發布的《金融科技（FinTech）發展規劃（2019—2021）》中提出，金融科技是金融創新的重要內容，號召充分發揮金融科技的推動作用，進一步加快我國金融業高質量發展。董貞良等（2021）基于價值空間分類框架對金融科技相關學術研究進行分析和評述，認為金融科技未來的研究應該致力于發展“中國化的金融科技”。

對于金融科技與銀行效率的研究，沈悅和郭品（2015）研究了互聯網金融對于我國商業銀行效率的提升的促進作用。楊望等（2020）認為金融科技推動金融創新、技術溢出及市場競爭，從而推動商業銀行的戰略轉型，對銀行效率提高產生積極作用。操先良（2020）則通過客戶、同業、監管和內部管理等維度，認為金融科技可以有效促進客戶范圍增加、交易成本降低、內部管理效率提高。李琴和裴平（2021）將銀行效率分解為成本效率和收入效率，認為金融科技通過減少資金成本和固定資產投入及增加利息收入和中間業務收入的渠道來提高銀行效率。從現有的研究來看，已有研究針對金融科技的文獻多集中于金融科技對銀行效率的整體影響，但鮮有探究這種影響的主要來源。金融科技的發展能夠顯著的促進銀行效率的提升嗎？這種促進作用主要來源在哪里？解決這一問題有利于深入理解金融科技的發展對銀行效率的具體作用機制，進而為銀行業如何利用金融科技提高自身競爭力提供借鑒。

因此，本文基于全要素生產率與銀行效率的相關研究基礎，以銀行不良貸款率作為非期望產出來評價我國上市商業銀行的效率分解。同時，本文相較于傳統的SBM-DEA 模型因為沒有考慮到環境因素和隨機擾動的影響，而使得效率的評價存在偏差，在探討非期望產出的銀行效率時加入環境因素和隨機擾動的影響。2019 年我國國內生產總之已達到12 萬億美元，位居全球第二位。隨著經濟的持續發展，銀行業在金融體系中將發揮著更大作用，國內經濟環境的發展也決定了銀行業的未來發展方向。因此在評價我國商業銀行效率時，需要加入外部環境及銀行業內部差異等因素的影響，以達到對銀行效率更加精準的評價。Fried et al（2002）提出了三階段DEA 方法，基于Aigner et al（1977）的隨機前沿分析（SFA）對外部環境及隨機噪聲進行了剔除，最終得出的決策單元效率更能反映其真實水平。三階段DEA 方法后續也被多名學者（黃憲等，2008；王赫一和張屹山，2012；王莉等，2012；周申蓓和張俊，2014；蔣書彬，2016）用于我國銀行業效率的研究。綜合國內外研究來看，本文的主要創新點在于運用基于非徑向和非角度及包含非期望產出的三階段SBM-DEA 模型對我國28 家上市商業銀行2009—2018 年的全要素生產率進行測算和分析，以此研究我國上市商業銀行的真實效率水平。此外，分析了人均GDP、銀行所有制、市場份額構成的外部環境對投出產出松弛的影響及商業銀行效率的改善方向。最后基于固定效應模型，對我國上市商業銀行金融科技對銀行效率的影響進行實證分析。

三、理論分析與研究假定

（一）理論分析

在與商業銀行的競爭、協作和互動過程中，金融科技基于算法技術及精準的市場定位、獲得精準客戶的推薦能力及大幅降低成本的優勢，成為傳統銀行的業務優勢。強大的競爭者最終在資產末期債務末期，一方面減少了傳統商業銀行的利潤；另一方面增加了它們承擔的風險。而隨著銀行業的進一步發展，一方面，商業銀行持續加強跟金融科技類公司的戰略投資及深層次合作，使得商業銀行能結合金融科技創新來提供更優的金融服務，優化用戶體驗；另一方面，根據技術溢出理論，競爭效應、示范效應、人才流動效應，以及金融科技與商業銀行的深度合作效應，進一步提高了商業銀行的全要素生產率，降低商業銀行的整體要素生產率。具體分析如下。

1.示范效應（demonstration effect）

當前，大數據、人工智能及數字貨幣、區塊鏈等新技術手段的應用，進一步推動和拓展商業銀行的發展。此前，互聯網金融已經極大的推動了商業銀行的發展，而商業銀行又通過模仿和學習金融科技領域的各種模式及理念，大大豐富了原有的產品體系。商業銀行在傳統經營的基礎上，增加了手機銀行、電子銀行等一系列業務模式，內部也新增了與金融科技相對接的業務部門，如建設銀行互聯網金融部。通過這種方式，商業銀行實現了自身效率的提升。

2.競爭效應

金融科技的應用及其市場滲透，與商業銀行的傳統業務展開了激烈的競爭，降低了行業的壟斷性，使得商業銀行不得不提升自身競爭力。傳統銀行的主要優勢是利用國家金融壟斷的市場地位，以及信息不對稱等手段獲得利潤。但金融科技的日益發展，給傳統商業銀行的支付及存貸款業務帶來了猛烈的沖擊。網絡融資平臺通過整合借貸雙方的相關資源，更透明的開展借貸業務，信息不對稱更小，有效降低了交易成本，使借貸雙方達成交易更加有效。大數據技術善于控制風險，可以更加有效地降低顧客信用審查的成本和評估風險。在存款業務方面，支付寶、微信等第三方支付平臺也分流了一部分商業銀行的存款業務。在支付交易方面，金融科技創新及應用更加廣泛，業務涉及個人和組織的各項活動，規模也在不斷擴大。就第三方支付而言，其低廉的交易費用、便捷的操作體驗和支持延遲支付等一系列優勢，對商業銀行私人結算業務產生了強烈的影響。

3.工人流動的影響（effect of workermobility）

金融科技技術人才擅長其領域的核心業務，并具有豐富的實踐經驗。當他們在行業內轉移時，他們可以提高商業銀行員工的技術水平和專業技能，使得商業銀行開始注重培養和引進金融科技人才，包括財務管理人才，以及計算機、數學、統計等專業人才。

4.結合效應（binding effect）

商業銀行與金融科技公司相互融合能進一步提升雙方的效率。一方面，商業銀行借助金融科技公司的各項新技術手段及理念，相互學習、做強業務、優化和調整業務；另一方面，商業銀行在資本上也有優勢，可以對金融科技公司的分銷和清算方面提供支持。代表性的例子有：2019 年12 月，螞蟻金服集團與工商銀行秉持“平等開放、互利共贏”的原則展開戰略合作，共同打造數字金融協同一體的新生態。在具體業務合作過程中，商業銀行可以和金融科技公司開展資源共享及優勢互補，提高雙方的效率。

（二）研究假設

基于上述分析，本文提出假設1：

商業銀行金融科技的發展有助于提高銀行效率。

考慮到金融科技的發展需要大量的資金與人力投入，而國有銀行、大型商業銀行與城商行在規模、管理體系及發展定位存在諸多不同，如國有銀行雖然在規模上占有優勢，但是體制缺乏靈活性。因此不同類型的上市銀行在金融科技對效率的效應發揮上存在不同。基于金融科技對不同類型上市銀行效率可能存在的影響不同，本文提出假設2：

金融科技的發展對不同類型的銀行效率的促進作用存在異質性。

四、模型構建

（一）數據選擇

考慮到中國各上市銀行的上市時間不同，公布的數據有限，通過刪除缺失數據，本文的樣本數據來自于2009—2018 年中國28 家上市商業銀行，包括5 家國有銀行（中國農業銀行、中國銀行、中國工商銀行、中國建設銀行、交通銀行）、9 家大型商業銀行（光大銀行、中信銀行、興業銀行、平安銀行、華夏銀行、招商銀行、浦發銀行、民生銀行、浙商銀行）、14 家城市商業銀行（北京銀行、上海銀行、寧波銀行、常熟銀行、成都銀行、江蘇銀行、貴陽銀行、杭州銀行、江陰銀行、南京銀行、蘇州銀行、西安銀行、長沙銀行、鄭州銀行）。數據來源是基于各個銀行的年度報告及國家統計局、中國人民銀行的公開資料。

（二）模型設定

本文使用的數據類型為10 年28 家上市銀行的面板數據，面板數據回歸的類型主要有：混合效應、固定效應及隨機效應模型。混合效應的前提假設是不考慮到個體效應和時間效應，假定不同個體之間無顯著差異。而隨機效應模型認為個體效應與自變量無關，一般的面板數據無法滿足這一假設條件要求，基于上述原因，本文選擇固定效應模型來進行面板回歸分析，具體模型如下：

其中：i為個體銀行；t為時間；TFPi，t為被解釋變量，表示銀行業全要素生產率；FRi，t為核心解釋變量，表示第i個銀行的金融科技指數；Z為模型選定的控制變量；β0為常數項；β1為金融科技指數對銀行全要素生產率的影響概率；γ為控制變量的回歸系數；δi為銀行固定效應；εi，t為隨機擾動項。

（三）變量說明

1.被解釋變量

銀行效率，基于樣本數據使用非期望產出的三階段SBM-DEA 模型測算。

2.核心解釋變量

金融科技發展指數。借鑒沈悅和郭品（2015）、李春濤等（2020）的方法，本文構建了銀行層面的金融科技發展指標。首先，從支付結算、資源配置、財富管理、信息渠道和技術路徑等維度出發，選取與銀行金融科技相關的關鍵詞，包括互聯網金融、消費金融、第三方支付、移動支付、在線支付、網上支付、手機支付、NFC（near field communication）支付、數字貨幣、網絡融資、網絡貸款、網貸、在線理財、互聯網理財、互聯網保險、智能投顧、征信、開放銀行、在線銀行、網上銀行、網銀、電子銀行、手機銀行、無卡取款、移動互聯、機器學習、深度學習、區塊鏈、智能、大數據、云計算、數據挖掘、語音識別、5G、人臉識別，共35 個關鍵詞。其次，將每個關鍵詞與樣本商業銀行進行匹配，并在百度新聞中按年度進行搜索，將每年每個銀行所有關鍵詞搜索的新聞數量進行加總得出樣本銀行每年的金融科技發展指數。在回歸分析中，對指數取對數變換以消除數據的異方差問題。

3.控制變量

經過提煉國內外學術專家的研究，外部的宏觀經濟環境、政府監管政策和各個銀行的資產負債強度等都影響商業銀行的全要素生產率。因此，本文通過三個層面構建模型中的一組控制變量，宏觀經濟層面（GDP 增長率）、行業層面（行業集中度，使用五大國有銀行資產占所有樣本銀行比值衡量）、微觀層面（存貸比、盈利能力（營業利潤/總資產）、自有資本比率（所有者權益與總資產比率）。表1 說明了各變量的含義及統計情況。

表1 主要變量的含義與描述性統計

五、基于三階段SBM-DEA 模型的銀行業效率測算及分析

傳統DEA 方法如charnes coopers rhodes（CCR）、banker charnes cooper（BCC）等多是徑向的或角度的，“徑向的”意味著在效率評價時投入（產出）同比例縮減（增加）以實現有效，“角度的”則意味著選擇從投入角度實現產出最大或從產出角度實現投入最小。這些模型無法考慮到投入及產出的松弛，更無法測算包含非期望產出的效率模型。目前可以測算非期望產出的方法主要有方向距離函數法及正向屬性轉換法等，但這些方法均無法處理投入產出的松弛。面對上述這些問題，Fare et al（1989）提出了包含“非合意要素”的數據包絡分析方法。Tone（2001）提出一種基于松弛變量（slacks-based measure，SBM）的方法。與傳統的DEA 模型有所區別，SBM 模型在目標函數中引入松弛變量使得SBM 模型不僅可以實現收益最大化，而且可以實現實際利潤最大化。SBM 模型同時也克服了徑向DEA 模型不能考慮投入產出的松弛性問題，并解決了考慮非期望產出的效率評估問題，在生態效率、環境效率、經營效率評價中應用廣泛。

（一）三階段SBM-DEA 模型

Fried et al（1999，2002）認為第一階段包含非期望產出的SBM-DEA 模型并沒有剔除環境因素和隨機誤差的影響，需要通過SFA 來予以剔除，即將第二階段SFA 回歸后的調整過的投入值和原始產出值再通過包含非期望產出的SBM-DEA 模型測算，得到的效率值更加客觀和準確。這三個階段內容綜合在一起，成為三階段SBA-DEA 模型。

（二）我國銀行業效率評價實證分析

經過三階段SBM-DEA 模型構建后，本部分將對我國銀行業效率進行分析。本章實證分析所用到的軟件是Maxdea8 和Frontier4.1。

1.模型指標選取原則

為了能客觀準確及全面地評價我國銀行業經營效率，一方面要借鑒國內外專家學者對銀行業經營效率的研究理論及方法；另一方面要遵循和滿足DEA 方法對投入和產出指標的相關原則要求。

（1）科學性原則。對我國銀行業經營效率進行評價時，需要選擇國內外專家學者研究過的、被實踐或業內認可的投入產出指標體系。

（2）關鍵性原則。根據研究對象及研究目的，選擇最關鍵、最科學的指標。

（3）可獲得性原則。選擇的指標還需要滿足數據的可獲得性及經濟性等特點。

（4）符合DEA 要求原則。DEA 方法要求投入與產出指標之間滿足正相關性，以及所有投入產出指標數據必須完整無缺失。

2.投入、產出指標的選取

國內外專家學者對我國銀行業經營效率評價有很多研究。關于非期望產出變量，Zha et al（2016）、楚雪芹等（2021）等在使用DEA 模型測算中國商業銀行效率時均使用不良貸款作為非期望產出，這種在效率評價中納入非期望產出或投入的方法，比較符合銀行業的實際經營情況。還有部分學者通過“壞賬”“市場風險”“環境保護”等角度來探討銀行業的“非期望產出”。胡曉燕等（2013）使用存貸款利率風險敞口和不良貸款率兩個指標作為非期望產出，通過兩階段DEA 模型得出結論，這種模型的應用相較于以往方法更能有效評價銀行的投出產出結構，在此基礎上指出改進方向。紀建悅和孔膠膠（2013）結合契約理論、商業銀行生產函數和期望理論的基礎，采用不良貸款作為非期望產出指標，運用SBM 模型評價商業銀行效率及分析其影響因素，得出結論利益相關者關系對我國商業銀行效率有關鍵性影響。李炫榆等（2019）考慮信用風險這一非期望產出，使用超效率SBM 模型，探討銀行業競爭與銀行效率的相關性，得出結論加快信用體系建設可以通過緩解銀行業的信息不對稱來提升銀行效率。表2 列出了國內使用DEA 方法測算銀行效率的學者所選擇的投入和產出指標情況，綜上所述，使用SBM-DEA 模型探討不良貸款率這一非期望產出對效率的評價在銀行業的應用還不多。

表2 我國銀行業效率文獻選取的投入與產出評價指標

在滿足DEA 模型指標選取原則的基礎上，參考國內外專家學者研究成果及本文的研究對象及目的，本文選擇從八個指標構建我國銀行業經營效率的投入產出指標體系，具體見表3。

表3 我國銀行業效率投入與產出指標體系

3.環境指標的選取

環境變量主要包括對我國銀行業經營效率有顯著影響但又不在主觀可控范圍內的因素。影響我國銀行業經營效率的因素眾多，參考已有研究，結合本文研究目的，主要考慮市場份額、銀行所有制和人均GDP 三個因素，具體說明如下：

（1）市場份額。各個銀行的市場份額指的是該銀行的每年新增存貸款額在整個樣本銀行存貸款額所占的比重。市場份額反映了銀行業的相互競爭及壟斷程度，是市場結構的主要表現。一般而言，單個銀行所占比例小，市場份額就小，而市場占有率越低，其競爭程度越強。

（2）銀行所有制。根據各個銀行所有制性質而設置的虛擬變量，其中五家國有控股銀行為0，其他銀行為1。不同所有制性質的銀行在業務發展、決策機制、社會責任等方面存在一定的差異，對銀行的經營效率產生一定的影響。

（3）人均GDP。人均國內生產總值的概念是一個國家或地區核算期內（通常是一年）實現的國內生產總值與這個國家和地區常住人口的比值，經常與購買力平價相結合，是對一個國家或地區的宏觀經濟運行狀況衡量的主要變量，對銀行業發展有明顯的影響。

4.實證分析

（1）第一階段：包含非期望產出的SBM-DEA 經營效率分析。這一階段主要通過Maxdea8 軟件中的包含非期望產出的SBM-DEA 模型（以投入為導向），對28 家銀行2009—2018 年共10 年的效率進行測算，得到個體、和分類別的技術、純技術和規模效率值。

2009—2018 年我國28 家銀行整體經營效率均值來看，北京銀行、西安銀行、長沙銀行、招商銀行、鄭州銀行、中國工商銀行和中國農業銀行的技術效率處在28 家銀行中的第一梯隊，效率均值為1，處于這些銀行的前沿面，表明其組織管理水平和規模化水平均為最優；中國銀行、興業銀行、平安銀行、浦發銀行、中國民生銀行、中國建設銀行和交通銀行的技術效率處在28 家銀行中的第二梯隊，效率均值都大于0.9，其中交通銀行最高，效率均值為0.959，表明其組織管理水平和規模化水平較優；而江陰銀行、常熟銀行、蘇州銀行、杭州銀行、寧波銀行、光大銀行、南京銀行、上海銀行、華夏銀行、成都銀行、中信銀行、江蘇銀行、貴陽銀行和浙商銀行的技術效率處在28 家銀行中的第三梯隊，效率均值都小于0.9，其中江陰銀行最低，效率均值為0.641，表明其組織管理水平和規模化水平相對較差。

而從銀行分類角度來看，總體而言，2009—2018 年，我國三類銀行技術效率均值都表現出波動起伏的趨勢，其中大型商業銀行波動較大，且最后幾年呈現下跌的趨勢，而國有控股銀行和城市商業銀行均呈現上漲的勢頭，其中城市商業銀行上漲速度更快。而從我國三類銀行技術效率均值來看，2009—2018 年，國有控股銀行的效率均值高于大型商業銀行，而大型商業銀行的效率均值高于城市商業銀行。雖然這個結論存在一部分合理的地方，但也有部分結論與一般意義上的認知存在一定的偏差，主要是因為各個銀行、各類銀行經營所處的外部環境存在一定的差異，對經營效率的測算結果產生了一定的影響。因此，必須剔除環境變量及隨機噪聲對測算結果的影響，以求得相對真實客觀的結果，從而得到有用的管理啟示。

（2）第二階段：SFA 模型回歸實證分析。根據第一階段的實證分析，得到了各個銀行的投入松弛，本節將進行第二階段SFA 分析，將第一階段得到的各個投入松弛（銀行規模、應付職工薪酬、所有者權益和營業支出的松弛變量）作為被解釋變量，將環境變量（市場份額、銀行所有制和人均GDP）作為解釋變量，通過建立SFA模型，運用Frontier4.1 軟件，可得如下結果，具體見表4。

表4 2009—2018 年間我國28 家銀行經營效率測算SFA 回歸結果（第二階段）

SFA 回歸整體分析：由表4 可知，2009—2018 年回歸結果中的所有LR值，即極大似然比均通過1%水平上的顯著性檢驗，可以認為本文所選擇的3 個外部環境因素對各個決策單元松弛值產生了顯著性影響，所以，本節進行SFA 回歸分析是非常有必要的。而且4 個回歸分析中的值分別為0.41、0.35、0.59、0.35 均大于0.1，且都通過顯著性檢驗，說明環境變量影響越大，管理無效率的影響較為明顯，隨機因素影響相對較小。從回歸結果來看，3 個環境變量對4 個投入松弛值的回歸系數全部通過了1%水平上的顯著性檢驗，進一步驗證了各個環境變量對投入松弛變量及投入變量產生顯著的影響。環境變量的系數正負，反映出環境變量對投入松弛值的影響關系，即負值表示增加環境變量會減少投入松弛值，即減少投入變量的損耗，從而提升經營效率；反之，環境變量的系數為正值，則表示增加環境變量將會提高投入松弛值，即加劇了投入變量的損耗，從而降低經營效率。

SFA 回歸具體分析：

①市場份額。市場份額與銀行規模松弛、應付職工薪酬松弛和營業支出松弛呈現顯著正相關性，與所有者權益松弛呈現顯著負相關性。這反映出市場份額增加將會增加這銀行規模、應付職工薪酬和營業支出這3 個投入的松弛變量，從而降低經營效率。市場份額增加將會減少所有者權益的松弛變量，從而提高經營效率。這一結果也反映了隨著銀行市場份額的提高，雖然會帶來所有者權益的下降，但市場規模也會相應提高，職工人數增加，薪酬和營業支出都會提升，如果借貸款業務或利潤無法相應得到更高提升的話，將會對經營效率產生負作用。銀行業想要提高經營效率的話，不能簡單通過擴大自身規模，提高市場份額的方式，特別是城市商業銀行和大型商業銀行，需要結合更多的創新和改革，找到適合自己的細分市場進行突破，在市場規模及自身優勢發揮兩方面找到契合點。

②銀行所有制。銀行所有制與銀行規模松弛、應付職工薪酬松弛呈現顯著正相關性，與營業支出松弛、所有者權益松弛呈現顯著負相關性。這反映出銀行所有制性質是全民所有制的話將會將會減少營業支出、所有者權益的松弛變量，從而提高經營效率。銀行所有制性質是其他形式的話將會增加銀行規模、應付職工薪酬這兩個投入的松弛變量，從而降低經營效率。這一結果也反映了銀行所有制性質是全民所有制的國有控股銀行，由于其規模大、網點多、員工多等特點，其職工薪酬等相較于其他商業銀行是偏低的，而且全民所有制的國有控股銀行承擔的社會責任也更大，某些決策并非完全遵照市場而定，從而降低了經營效率，這些因素在其他商業銀行身上并非產生相同的影響。

③人均GDP。人均GDP 與銀行規模松弛、應付職工薪酬松弛、營業支出松弛及所有者權益松弛均呈現顯著正相關性。這反映出人均GDP 的增加將會增加這銀行規模、應付職工薪酬、營業支出及所有者權益這四個投入的松弛變量，從而降低經營效率。這一結果也反映了隨著銀行所在地區的人均GDP 的提高，當地的經濟發展更好，也一定程度上提高了銀行的業務量、應付職工薪酬、營業支出及所有者權益等投入量，一旦投入上的提升沒有導致產出相應的提升的話，就會降低經營效率。各個銀行在一二線城市布局的同時，需要控制好相應的投入成本，并努力提升產出水平。同時考慮到一二線城市銀行業競爭更加激烈，有條件的銀行可以向三四線城市發展，一方面投入更小；另一方面競爭相對沒那么激烈，從而可以提高經營效率。

綜上所述，由于外在環境變量對我國28 個銀行的經營效率產生了一定程度的影響，導致第一階段包含非期望產出的SBM-DEA 模型測算出來的經營效率與實際情況存在一定的偏差。因此，有必要剔除這些環境變量對各個決策單元的影響，更加真實、客觀的對我國28 個銀行的經營效率進行綜合評價。

（3）第三階段：調整后的包含非期望產出的SBM-DEA 效率分析。對第三階段調整后的包含非期望產出的SBM-DEA 進行測算，獲得調整后的經營效率值。

從調整后的2009—2018 年我國28 家銀行整體經營效率均值來看，只有中國工商銀行、中國農業銀行的技術效率處在28 家銀行中的第一梯隊，效率均值為1，與第一階段相比，第一梯隊數量減少了5 家，北京銀行、西安銀行、長沙銀行、招商銀行、鄭州銀行的技術效率均值都小于1；效率均值都大于0.9 的第二梯隊銀行只有招商銀行、中國銀行和中國建設銀行，與第一階段相比，第二梯隊數量減少了4 家，其余23 家銀行的效率均值都小于0.9，與第一階段相比，第三梯隊的數量增加了9 家，其中江陰銀行和常熟銀行的技術效率均值甚至降到0.1 以下。而從純技術效率均值來看，北京銀行、江陰銀行、長沙銀行、鄭州銀行、西安銀行、招商銀行、中國工商銀行和中國農業銀行的純技術效率均值為1，其他銀行的純技術效率均值也大于0.98，光大銀行純技術效率均值最低，為0.981，這反映了剔除環境變量影響后，我國28 家銀行的組織管理等方面整體處于較高的水平；而從規模效率均值來看，中國工商銀行、中國農業銀行的規模效率均值為1，招商銀行、中國銀行和中國建設銀行3 家銀行效率均值都大于0.9，效率均值都小于0.9 的銀行為23 家，其中江陰銀行和常熟銀行的規模效率均值都在0.1 以下。這反映了我國銀行整體組織管理水平、技術水平較高，且較為接近，效率均值差異較大的原因在于部分銀行規模化水平不高，特別是城市商業銀行，更加確定了我國商業銀行的發展需要進一步提高規模化水平。

剔除環境變量影響后，大多數銀行技術效率均值均有所下降，光大銀行、交通銀行、浦發銀行、招商銀行、興業銀行、中國建設銀行、中國工商銀行、中國農業銀行、中國銀行和中興銀行技術效率均值保持不變或下降幅度較小，常熟銀行、貴陽銀行、蘇州銀行、江陰銀行、西安銀行、長沙銀行、鄭州銀行技術效率均值下降幅度非常大，受環境變量影響較大。

從銀行分類角度來看，剔除環境變量的影響后，2009—2018 年，我國三類銀行技術效率均值波動起伏的幅度變小，而國有控股銀行、大型商業銀行和城市商業銀行均整體呈現上漲的勢頭，說明我國三類銀行整體發展趨勢較好，均保持發展的勢頭。而從2009—2018 年我國三類銀行技術效率均值來看，依然是國有控股銀行均值大于大型商業銀行，大型商業銀行均值大于城市商業銀行。

從圖1 可以看出，剔除環境變量影響后，大多數銀行技術效率均值均有所下降，國有控股銀行技術效率均值保持不變或下降幅度較小，大型商業銀行技術效率均值下降幅度中等，而城市商業銀行技術效率均值下降幅度最大，受環境變量影響最大。總體而言，銀行業的發展，經營效率的提高，與市場規模關系非常密切，只有規模達到一定程度后，才能更好的獲得規模效益的提升，才能更快的提高經營效率，但同時也要注意，雖然市場規模與經營效率關系密切，但并非意味著各個銀行僅僅依靠擴大市場規模來提高經營效率，在擴大規模的同時，必須在內部組織管理、業務創新拓展及對客服務等方面下功夫，雙管齊下，才能應對越來越激烈的銀行業競爭，才能提高自身的經營效率。

圖1 2009—2018 年28 家銀行第一和第三階段效率均值對比

五、金融科技對銀行全要素生產率的實證分析

（一）回歸結果

表5 為金融科技影響銀行效率的基準回歸結果，列（1）為僅加入金融科技的回歸結果；列（2）為加入存貸比、盈利能力、自有資本比率一組控制變量的回歸結果；列（3）為進一步考慮到行業集中度及GDP 增長率等控制變量的回歸結果。通過逐步加入控制變量，可以觀察到金融科技對銀行效率的回歸系數是否發生變化，基準回歸采用的是固定效應模型

從表5 列（1）的結果看，在僅考慮金融科技對銀行效率影響的情況下，估計系數為0.0367，且在1%的水平上顯著。從列（2）和列（3）的結果來看，在先后加入部分控制變量和全部控制變量后，金融科技的估計系數依然為正數，且分別在1%和5%的水平上顯著，系數的值略有浮動。R2值隨著控制變量的增加逐步增加，表明金融科技對銀行效率的正向影響是顯著且穩定的，假設1 得到驗證。從列（3）的基準回歸結果可以看出，在樣本區間內，金融科技水平的提升堵銀行效率提升有顯著的促進作用，控制變量中，存貸比對銀行效率的影響顯著為負，說明銀行貸款占比的上升對銀行效率提升產生了抑制作用。

表5 金融科技對銀行業全要素生產率的基準回歸結果

（二）穩健性檢驗

1.工具變量

將解釋變量金融科技指數滯后一階生成工具變量，具體回歸結果見表6 中列（2），通過回歸結果可以看出，金融科技的估計系數依然是顯著為正的。因此通過加入工具變量處理后，金融科技對銀行效率的正向影響結論依然是穩健、可靠的。

表6 穩健性檢驗

2.替換控制變量

為了方式控制變量測算對回歸結果產生偏差，考慮到存貸款業務是我國銀行業的主營業務，本文將控制變量中的行業集中度的測算方法由五大行的資產占比更換為五大行的存貸款總額占樣本銀行存貸款總額的占比。通過對比表6 中列（3）回歸結果與基準回歸結果，可以看出，通過替換控制變量處理后，金融科技的估計系數均為正數，顯著性提高到1%的水平上。結果顯示金融科技的估計系數有所增加，說明基準回歸結果較為穩健。

（三）異質性分析

按照銀行類型將樣本分為5 家國有控股銀行、9 家大型商業銀行和14 家地方商業銀行，進行金融科技與銀行效率的異質性回歸分析。通過表7 回歸結果來看，金融科技對銀行效率的影響存在銀行類型上的差異。詳細來看，金融科技對國有控股銀行和大型商業銀行效率的正向影響水平比較高，這也基本與金融科技的實際發展需要相匹配。一方面，國有控股銀行與大型商業銀行的規模和科技人員占比相較于地方商業銀行來說，具有明顯優勢；另一方面，國有銀行在運行機制上相較于大型商業銀行，缺乏靈活性。這會在一定程度上抑制金融科技對銀行效率的提升。因此國有銀行金融科技對銀行效率的正向影響要低于大型商業銀行，地方商業銀行的作用最小。此外通過對比三組回歸結果中控制變量的影響系數可以看出，宏觀變量GDP 的增長率對國有銀行和大型商業銀行無顯著性作用，而對城市商業銀行卻存在顯著的負向影響。這說明城市商業銀行的效率提升與經濟增長存在脫節。

表7 銀行類型異質性檢驗

（四）效率分解

根據效率分解，技術效率指數（TE）=規模效率指數（SE）×純技術效率指數（PTE）。根據效率分解，技術效率指數（TE）=規模效率指數（SE）×純技術效率指數（PTE）。本文通過對全部樣本及按照銀行類型分類的三組樣本進行回歸分析，得到結果（表8）。結果表明，銀行金融科技與銀行規模效率，無論是全部樣本數據還是分組數據均無顯著影響，而金融科技對銀行純技術效率的回歸系數均大于0，除了城市商業銀行以外，其他樣本結果均為顯著。也就是，銀行的金融科技發展對國有控股銀行和大型城市商業銀行的純技術效率有顯著的促進作用，而對城市商業銀行純技術效率無顯著作用。

表8 效率分解

六、結論與啟示

（一）研究結論

為研究金融科技對上市銀行效率的影響，本文使用我國28 家上市銀行2009—2018 年的數據樣本，采用非期望產出的三階段SBM-DEA 模型，剔除環境與隨機因素對效率測算的干擾得到商業銀行的經營效率，并對經營效率進行分解，使用網絡爬蟲技術測算銀行層面的金融科技指數。在此基礎上，使用固定效應模型實證分析金融科技對銀行效率及效率分解（規模效率和純技術效率）的作用機制。本文最終得出結論：①在剔除環境因素后，商業銀行金融科技的發展能夠促進商業銀行進行產品與服務上的創新，從而對銀行全要素生產率有顯著的促進作用；②商業銀行金融科技的發展對不同類型的銀行效率的促進作用存在異質性，相較于城市商業銀行，對國有銀行和大型商業銀行的促進作用較大，其中對于大型商業銀行的作用最大；③商業銀行金融科技的發展對銀行純技術效率的提升有正向促進作用，表明金融科技的發展對銀行全要素生產率的作用更多來源于技術進步上。

本文實證證明金融科技對銀行效率的促進作用，對我國商業銀行如何深入推進金融科技的應用，創新產品和服務水平、優化內部管理，從而提高自身效率具有重要的實踐意義。

（二）建議

2019 年，《金融科技發展規劃（2019—2021）年》的發布，表明了國家對商業銀行發展金融科技的重視和迫切需要，也對商業銀行下一步金融科技的發展提出了要求。因此商業銀行應該抓住數字化轉型的機遇期，充分認識到發展金融科技對提升自身效率的重要性，利用金融科技不斷提高內部治理水平、優化產品和服務、科技賦能風險控制等，進一步推動銀行效率的提升。商業銀行應該抓住金融科技對資源配置驅動屬性，優化內部經營模式、降低運營成本，同時把握金融科技的創新驅動屬性，通過打造科技產品和重塑業務模式尋求新的利潤增長點，提升風險防范水平，充分發揮出金融科技對銀行效率提高的積極作用。

（三）研究不足

本文在研究中依然存在不足之處。一是由于金融科技發展在我國布局仍處于初期的探索階段，商業銀行的研發投入等指標數據非常有限。因此對于金融科技指數測度上不夠科學嚴謹。二是我國上市商業銀行由于上市時間不同，數據獲取上存在一定缺失，為了保證實證分析的真實性，在最終樣本的選擇上只能限制在上述的28 家上市商業銀行。