金融科技对上市商业银行效率的影响研究——基于三阶段超效率SBM-Tobit模型.pdf

西部金融 2023年第7期金融科技对上市商业银行效率的影响研究基于三阶段超效率SBM-Tobit模型熊盼（广州华立学院经贸学院，广东广州511325）摘要：本文基于2019-2021年我国21家上市商业银行面板数据，运用带非期望产出的三阶段超效率SBM-Tobit模型对上市商业银行效率进行了测度及金融科技因素对其影响的分析。研究发现：增加金融科技人员能促进上市商业银行效率的提升，且对国有行和股份行的影响更显著；增加金融科技投入资金对国有行规模效率的提高有效，但负作用于国有行、股份行纯技术效率；金融科技子公司成立年限越长，股份行综合技术效率和纯技术效率越高，国有行规模效率和区域行纯技术效率越低。政策含义：上市商业银行应制定金融科技人才战略，引进更多金融科技人员，激发人才创新创造活力，突破关键核心技术，推动银行转型升级；科学统筹金融科技投入，优化资金配置结构，充分提高资金利用率；借助金融科技子公司，赋能不同类型银行差异化经营发展。关键词：金融科技；银行效率；三阶段超效率SBM；Tobit；随机效应中图分类号：F832.33文献标志码：A文章编号：1674-0017-2023（7）-0089-09一、引言党的二十大报告指出“高质量发展是全面建设社会主义现代化国家的首要任务”，实现金融业高质量发展是中国式现代化的本质要求，也是优化社会主义金融资源配置效率的必由之路。如何推进金融业高质量发展，实现金融为实体经济服务目的？在经济新常态下，必须提高金融供给质量，深化金融供给侧结构性改革。从金融供给方面看，资本、劳动力、技术等生产要素是改革的源泉和动力，特别是技术，由新古典增长模型的结论可知，经济达到稳态后人均产出的增长只能来自于技术进步，所以金融供给侧结构性改革的重点在于金融科技创新。近年来，金融科技呈现迅速扩张发展态势，尤其是以上市商业银行为代表的金融企业主体，加强布局金融科技战略，纷纷加大金融科技投入，不断引进金融科技人才，为用户提供数字化、个性化和智能化的金融服务，同时更好地防范化解金融风险。金融科技为商业银行的发展带来了新机遇，也产生了不小的竞争挑战。金融科技的兴起不仅改变金融服务的方式和形态，还改变商业银行业务模式和运营策略，对商业银行的效率产生重要影响。随着金融科技的发展，信息技术、大数据分析和人工智能等技术的应用可以改善商业银行的内部流程和运营管理，提高商业银行业务的效率。商业银行通过引入创新的金融科技产品和服务，实现更高效的交易处理、风险管理和客户服务。这些技术大大减少人力成本和时间成本，加快交易速度，降低错误率，从而提升整体效率。本文以上市商业银行为研究对象，实证分析金融科技对其效率的影响程度，边际贡献在于采用金融科技人员数量、金融科技投入资金、金融科技子公司成立年限等变量进行解释，为银行业金融科技策略的选择提供新的参考思路。收稿日期：2023-06作者简介：熊盼（1987），男，广东广州人，硕士，经济师，现供职于广州华立学院经贸学院。基金项目：教育部产学合作协同育人项目“数字金融虚拟仿真综合实训室”（220501462315031）；广东省普通高校特色创新项目“粤港澳大湾区产教融合度测算及影响因素分析”（2021WTSCX143）；广州华立学院科研项目“大湾区银行数字化建型的关键问题研究”（HLKY-2021-SK-10）。注：本文为作者观点，文责自负。金融实务89西部金融 2023年第7期二、文献综述（一）银行效率测算首先对银行效率进行测算，采用方法一般有参数法和非参数法。参数法最常用的是随机前沿法SFA（Stochastic Frontier Approach），非参数法以数据包络分析DEA（Data Envelopment Analysis）使用最为广泛。最早提出的随机前沿生产函数来估计效率，使用的是半正态分布假设下的横截面模型(Aigner et al.1977)，在此基础上进行再参数化改进（Battese et al.1977），估算出具体效率值（Jondrow et al.1982），进一步开始使用随机效应（Pitt et al.1981）、固定效应面板数据（Schmidt et al.1984）分析，之后又推广使用截断正态分布假设下的面板数据模型，并提出最流行的BC92模型和BC95模型（Battese et al.1988，1992，1995）。数据包络分析DEA是一种以线性规划模型来评价决策单元效率的方法，可以处理多投入多产出的情形，包括规模报酬不变的CCR模型（Charnes et al.1978）和规模报酬可变的BCC模型（Banker et al.1984），用于银行分支机构运营效率评价（Sherman et al.1985）。之后又发展出众多种扩展模型，如SBM模型、超效率模型、RAM模型等。为了剔除环境因素和统计噪声对决策单元效率的影响，Fried等(2002)提出三阶段DEA模型，通过第二阶段构建相似SFA模型分离出管理因素、环境因素以及随机误差来调整投入值，得到更准确的效率值。（二）金融科技与银行效率学术界就金融科技对银行效率的影响的研究普遍认同的论点是金融科技对银行运营效率会产生积极的影响，金融科技投入越多，其效率就越高(Maryunita and Nugroho 2022)，金融科技创新不仅提高银行成本效益，还进一步增强银行所使用的技术(Lee,Li et al.2021)，金融科技发展可提高盈利能力，促进金融改革，并改善风险控制(Wang,Xiuping et al.2021)。另一些研究则认为，金融科技导致银行业竞争加剧，推高风险承担（陈孝明等，2022），使得银行利差收窄（田秀娟等，2023），阻碍成本效率的提高（刘孟飞等，2020）。大部分研究都是通过银行金融科技发展指数的构建来分析两者之间的影响作用机制（杨望等，2020；李琴等，2021）。与上述研究不同，本文采用带非期望产出的三阶段超效率SBM模型，选取银行在金融科技发展中的三个量化指标（金融科技人员数量、金融科技投入资金、金融科技子公司成立年限）和银行经营的“三性”原则作为上市银行效率的影响因子，紧贴银行经营实践活动，具有一定的现实意义和创新价值。三、模型构建（一）非期望产出超效率SBM模型Tone（2003）定义出带有非期望产出的SBM模型，但并不包含超效率。对于评价结果有多个有效DMU效率值1的情况，标准效率模型无法比较，但超效率模型可以进一步区分有效DUM的效率高低，将等于1的效率值转变成大于1进行排序，从而实现有效区分。根据SBM超效率模型可以推导出带有非期望产出超效率 SBM 模型（成刚，2014），表达式如下：min*=1+1mi=1ms-ixik1-1w1+w2()r=1w1s+ryrk+t=1w2sb-tbtk(1)s.t.j=1,j knxijj-s-i xikj=1,j knyrjj+s+r yrkj=1,j knbtjj-sb-t btk1-1w1+w2()r=1w1s+ryrk+t=1w2sb-tbtk 0,s-,s+0i=1,2,m;r=1,2,q;j=1,2,n（j k）其中，*表示DUM效率值，*0；X=()xij Rm n，Y=()yrj Rw1 n，B=()btj Rw2 n分别是投入向量、期望产出向量、非期望产出向量；s-i、s+r、sb-t分别表示投入松弛、期望产出松弛、非期望产出松弛；m、w1、w2分别为投入、期望产出、非期望产出变量个数，是权重向量。本文的第一、三效率值测算采用该模型。（二）三阶段超效率SBM-DEA模型金融实务90西部金融 2023年第7期第一阶段运用非期望产出超效率SBM模型将原始投入产出数据带入得到上市银行的初始效率。首先考虑样本来源的科学性、合理性、可得性，本文选取我国21家上市银行2019-2021年间公布的财报数据，分别是6家国有控股银行（工商银行、农业银行、建设银行、中国银行、交通银行、邮储银行），8家股份制银行（招商银行、中信银行、平安银行、浦发银行、兴业银行、光大银行、广发银行、恒丰银行），7家区域性银行（上海银行、北京银行、青岛银行、甘肃银行、沪农商行、广州农商行、东莞农商行），具有较好的代表性和广泛性，数据来源于各银行年报、统计局和人行等官方渠道。其次，指标的选择参考生产法，再结合前期学者的研究成果选取以下投入产出变量，如表1所示：表1上市银行投入产出变量及说明类型投入变量期望产出变量非期望产出变量名称员工人数固定资产业务及管理费非利息收入利息净收入不良贷款额说明体现银行劳动力的投入体现银行实物资本投入体现银行货币资本投入反映银行中间业务、创新业务的回报反映银行传统主营业务回报衡量银行风险状况的指标最后，对投入产出变量进行Pearson相关性检验，得到的系数具有同向性且相关性强，因此确认所选变量是合理的。表2投入产出变量Pearson相关系数矩阵Variable员工人数固定资产业务及管理费非利息收入0.885*0.926*0.879*利息净收入0.979*0.878*0.959*不良贷款额0.950*0.908*0.895*注：*p0.01,*p0.05,*p0.1第二阶段使用随机前沿模型（SFA）回归分析来剔除环境因素和随机因素的影响，即将所有上市银行置于同等的外部环境下。三阶段超效率SBM-DEA模型的关键在于第二阶段随机前沿分析，根据Fried(2002)，N个单独SFA回归采用的一般形式如下：snk=fn()zk;n+vnk+unk(2)其中，n=1,.,N,k=1,.,K，snk是第n个DUM的第k个投入松弛，fn()zk;n是可行松弛前沿，zk是环境变量，n是估计参数，vnk是统计噪声，unk是管理无效率，假定vnkN（0，2vn），unkN+（un，2un），vnk和unk独立分布。调整投入公式为：xAnk=xnk+maxkzkn-zkn+maxkvnk-vnk(3)其中，n=1,.,N,k=1,.,K，xAnk、xni是调整后、调整前的投入量，maxkzkn-zkn是环境因素调整，maxkvnk-vnk是统计噪声调整。这里需要分离vnk+unk来求vnk，分离公式如下：vnk=Evnk|vnk+unk=snk-zkn-Eunk|vnk+unk(4)n=1,.,N,k=1,.,K，最终即可求得调整后的投入量xAnk。第三阶段再次运用非期望产出超效率SBM模型对调整后的投入产出变量进行测算，最后得到真实反映银行经营水平的效率值。（三）Tobit模型作为被解释变量的效率值eff大于零，即在零处截尾，属于受限的因变量，因此适用于Tobit模型回归。影响银行效率的因素包括宏观因素、行业因素和微观因素，针对本文研究目的，选择从微观因素进行分析。金融实务91西部金融 2023年第7期2019年央行印发的金融科技发展规划中明确指出金融机构要披露用于创新性研究与应用以及科技人员数量与占比，上市商业银行陆续公布金融科技投入和金融科技人员数据。此外，规划还提出探索设立金融科技子公司等创新模式。本文将与金融科技有关的因素：金融科技投入资金（取对数）lnfp、金融科技人员数量（取对数）lnfi、金融科技子公司成立年限fs作为主要解释变量，探讨其对银行效率的影响。另外，依据银行三性原则营利性、安全性、流动性，分别选取资产报酬率roa、不良贷款率npl、流动性比例lr作为控制变量。定义Tobit模型形式如下：effit=+1lnfpit+2lnfiit+3fsit+j=1njwjit+it(5)其中，i为上市商业银行，t为时期，是常数项，、是待估系数，w是控制变量，it是残差项。四、效率实证分析（一）第一阶段效率测算采用Matlab软件并运用非期望产出超效率SBM模型对上市银行2019-2021年间效率值进行测算，结果如表3所示。从综合技术效率（TE）来看，均值大于1的的银行从高到低分别有平安银行、上海银行、招行银行、邮储银行、东莞农商行、北京银行，而工商银行青岛银行、中国银行、农业银行、恒丰银行、甘肃银行排名靠后。从纯技术效率（PTE）来看，绝大部分以上的银行均超过或接近1，只有广发银行、恒丰银行低于0.8。从规模效率（SE）来看，除广发银行、恒丰银行、东莞农商行外，其余均与综合技术效率值接近。如图1所示，综合技术效率曲线与规模效率曲线拟合程度较高。表32019-2021年我国21家上市银行效率测算第一阶段结果年份银行类别工商银行农业银行建设银行中国银行交通银行邮储银行招商银行中信银行平安银行浦发银行兴业银行光大银行广发银行恒丰银行上海银行北京银行青岛银行甘肃银行沪农商行广州农商行东莞农商行TE20190.5250.4230.5280.4240.4371.1001.0280.7271.1240.6820.8100.6400.5780.2211.1391.0770.4810.3591.0101.0071.06920200.5520.4140.5620.4390.5641.0271.0440.6231.3730.6600.7980.6500.5760.3431.1041.0470.4610.2590.5970.4081.05820210.5680.4680.5980.4791.0191.0631.1490.6471.2280.6121.0460.6830.5140.3891.0761.0050.5220.3160.5800.5431.007均值0.5480.4350.5630.4470.6741.0631.0740.6661.2420.6520.8850.6580.5560.3181.1061.0430.4880.3110.7290.6521.045排名161914189431011371115202617218125PTE20191.1191.0171.0571.0010.6381.1731.1561.0201.1831.0291.1171.0180.6390.3091.2101.0771.0761.1011.0141.0081.80120201.1311.0281.0580.7191.0531.1261.1671.0151.4050.8041.0230.7640.5870.4491.1451.0501.1201.1970.7080.5551.60220211.0931.0271.1260.7291.0431.1111.2270.7561.2400.7461.0820.7450.5470.5031.1451.0081.3071.2641.0091.1061.363均值1.1141.0241.0800.8160.9111.1371.1830.9301.2760.8601.0740.8420.5910.4201.1671.0451.1681.1870.9100.8901.588排名812919147413217101820216115315161SE20190.4690.4160.5000.4240.6850.9380.8890.7130.9500.6630.7250.6290.9050.7160.9410.9990.4480.3260.9960.9980.59420200.4880.4020.5310.6110.5360.9120.8940.6130.9770.8210.7810.8500.9800.7640.9640.9970.4110.2160.8440.7360.66020210.5200.4550.5310.6570.9780.9560.9360.8560.9900.8210.9670.9170.9400.7740.9400.9970.3990.2500.5750.4910.739均值0.4920.4250.5210.5640.7330.9350.9070.7270.9720.7680.8240.7990.9420.7510.9480.9980.4190.2640.8050.7420.664排名181917161356142107941131202181215金融实务92西部金融 2023年第7期图121家上市银行第一阶段各效率均值曲线图（二）第二阶段随机前沿SFA分析将第一阶段测出的综合技术效率的三个投入松弛变量作为被解释变量，以 GDP 增速、市场集中度(CR4)、产权性质三个环境变量作为解释变量，运用SFA模型进行回归。通过Frontier4.1软件计算得到以下结果。如表4所示，本模型回归均在1%的显著性水平上通过广义单边似然比检验（LR），拒绝不存在无效率下的原假设，值均在0-1范围内且通过显著性检验，表明SFA模型适用，越接近1，说明主要由管理无效率主导。三个环境变量对三个投入松弛变量的影响均通过显著性检验，因此需剔除环境因素和管理因素对效率测度的影响。表42019-2021年我国21家上市银行效率测算第二阶段SFA回归结果变量常数项GDP增速市场集中度(CR4)产权性质2LR员工人数松弛变量-143549.05*（-21.30）-19424.10*（-52.51）218069.56*（91.51）117255.34*（12.56)6637297700*(6637297700)0.97*(19.32)65.27*固定资产松弛变量697.19*(14.85)-1010.04*(-2.69)-2264.41*(-25.16)374.62*(2.83)220313.94*(4300.77)0.84*(24.15)30.86*业务及管理费松弛变量-4804.39*(-363.06)652.49*(377.62)13371.63*(2872.27)65.46*(2.23)11801.72*(10000.77)0.69*(10.92)18.13*注：1）*、*、*分别为通过1%，5%、10%的显著性检验；2）括号内的数值为t值。从回归结果可见，GDP增速与员工人数松弛变量、固定资产松弛变量的系数为负，表明经济增长可以减少员工投入冗余和固定资产投入冗余，亦即越靠近目标值，从而促进银行效率改善；与业务及管理费松弛变量的系数为正，说明经济增长使得业务及管理费投入冗余增加，亦即越远离目标值，导致银行效率低下。市场集中度与员工人数松弛变量、业务及管理费松弛变量正相关，反映出市场集中度的提高会增加员工投入冗余和业务及管理费投入冗余，降低银行效率；与固定资产松弛变量负相关，可知市场越集中固定资产投入松弛越少，有助于效率提升。产权性质与所有松弛变量的系数均为正，体现出国有控股银行将会增加所有投入变量冗余，抑制效率，而非国有控股银行则正好相反。（三）第三阶段效率测算经过第二阶段回归值分离出管理无效率项和随机误差项，得到调整后的投入产出变量，并重新进行测金融实务93西部金融 2023年第7期算，得到第三阶段效率值，此时的结果更为真实准确。如表5所示，在综合技术效率上，工农中建交五大行的均值变化明显上升，北京银行、上海银行、沪农商行、广州农商行、青岛银行、平安银行、东莞农商行的均值变化明显下降。在纯技术效率上，从均值来看，整体变化不太明显，前后差距不大。在规模效率上，工农中建四大行的均值变化明显上升，北京银行、广州农商行、沪农商行、恒丰银行、上海银行、广发银行、青岛银行的均值变化明显下降。表52019-2021年我国21家上市银行效率测算第三阶段结果年份银行类别工商银行农业银行建设银行中国银行交通银行邮储银行招商银行中信银行平安银行浦发银行兴业银行光大银行广发银行恒丰银行上海银行北京银行青岛银行甘肃银行沪农商行广州农商行东莞农商行TE20191.0261.0201.0641.0061.0891.1681.1280.6490.6630.6281.0540.4620.3090.0610.4110.2730.0590.0370.1830.1191.01120201.0601.0321.0570.7951.0691.1291.1050.5461.0130.6210.9100.6040.3220.0910.3310.2630.0720.0260.1600.0921.00020211.0511.0271.1180.8651.0551.1211.1910.5660.8350.5300.8430.5770.2690.1030.3020.2600.0700.0300.1520.0970.096均值1.0451.0271.0800.8891.0711.1391.1410.5870.8370.5930.9360.5480.3000.0850.3480.2650.0670.0310.1650.1030.703排名563842112911713151914162021171810PTE20191.1191.0231.0891.0211.2151.1991.1291.0101.0361.0061.1151.0131.0000.6211.0741.0111.0081.0071.0001.0011.21720201.1311.0391.0810.8501.1931.1361.1660.8021.1710.8641.0120.8240.7270.6441.0371.0101.0081.0130.8451.0001.26820211.0931.0331.1410.8941.1631.1241.2000.8291.1000.8081.0710.8510.7540.7771.0360.8181.0311.0231.0021.0041.219均值1.1141.0321.1040.9221.1911.1531.1650.8801.1020.8931.0660.8960.8270.6811.0490.9461.0161.0140.9491.0021.235排名510616243197188172021915111214131SE20190.9170.9980.9770.9850.8960.9740.9990.6430.6400.6250.9450.4570.3090.0980.3830.2700.0580.0360.1830.1190.83120200.9370.9940.9770.9350.8960.9940.9470.6810.8650.7190.9000.7340.4430.1410.3190.2610.0710.0250.1890.0920.78920210.9610.9940.9790.9670.9070.9980.9920.6830.7590.6560.7880.6790.3570.1330.2910.3180.0680.0290.1510.0970.079均值0.9380.9950.9780.9620.9000.9890.9800.6690.7550.6670.8780.6230.3700.1240.3310.2830.0660.0300.1740.1030.566排名614572310911812141815162021171913对比第一阶段和第三阶段综合技术效率均值，国有控股银行、区域性银行受到环境因素和随机因素的影响相对比较显著，第一阶段国有控股银行综合技术效率均值较低，主要是由于其规模效率均值被低估造成的，而区域性银行则相反，第一阶段的规模效率均值被高估。图221家上市银行第一、三阶段综合技术效率均值比较曲线图金融实务94西部金融 2023年第7期五、金融科技影响实证分析（一）Tobit模型回归回归之前先对变量做相关性分析，结果如表6，影响因子与效率值相关性比较显著。为避免解释变量间多重共线性，再进行VIF检验，结果如表7，解释变量的方差膨胀因子小于10，可以认为不存在多重共线性，能够进行回归。表621家上市银行效率影响因素Pearson相关系数矩阵Variableefflnfplnfifsroanpllreff10.791*0.719*0.448*0.594*-0.429*-0.485*lnfp10.920*0.497*0.495*-0.251*-0.719*lnfi10.503*0.426*-0.190-0.641*fs10.380*-0.248*-0.354*roa1-0.637*-0.609*npl10.297*lr1注：*p0.01,*p0.05,*p0.1表7VIF检验结果VariablelnfplnfilrroanplfsMean VIFVIF8.186.792.572.561.731.423.871/VIF0.1223210.1472790.389570.3909570.5768090.704956以第三阶段综合技术效率值、纯技术效率值、规模效率分别单独做为被解释变量，金融科技人员数量、金融科技投入资金、金融科技子公司成立年限为主要解释变量，运用Stata软件进行随机效应Tobit模型回归，得到以下表8结果。表8金融科技影响上市银行效率的回归结果（不含控制变量）Variablelnfplnfifs_consTECoefficient0.217*-0.0630.013-0.548*Std.err.0.0630.0530.0220.309Z3.42-1.200.58-1.77PTECoefficient0.07*-0.056*-0.010.942*Std.err.0.0310.0250.0120.139Z2.23-2.29-0.886.80SECoefficient0.178*-0.0170.015-0.646*Std.err.0.0480.0410.0160.206Z3.71-0.410.90-3.14注：*、*、*分别为通过1%，5%、10%的显著性检验。金融科技三个解释变量当中，只有金融科技人员数量对三个被解释变量同时显著，金融科技投入资金仅对纯技术效率显著，金融科技子公司成立年限不显著。进一步可知，金融科技人员数量每增加1%，银行综合技术效率值将平均增加0.217%，纯技术效率值平均增加0.07%，规模效率值平均增加0.178%。相比纯技术效率，金融科技人才对规模效率的贡献更大，以致综合技术效率变化更多。金融科技投入资金每增加1%，纯技术效率值平均减少0.056%，主要是由于金融科技投入资金巨大，在发展初期对其他方面的营业支出形成“挤出效应”，金融科技投入资金的产出相对较少，在一定程度上抑制纯技术效率提升。加入控制变量后，同样采用随机效应Tobit回归，结果如表9所示，主要解释变量的影响依旧，系数值发生微小变化，比如金融科技人员数量对纯技术效率的回归系数值由0.07减小到0.061，对规模效率的回归系金融实务95西部金融 2023年第7期数值由0.178上升到0.18，但综合技术效率的回归系数值不变；金融科技投入资金对纯技术效率的回归系数值由-0.056变为-0.053。而金融科技子公司成立年限仍旧不显著。在控制变量中，代表营利性指标的资产回报率对综合技术效率值、纯技术效率值、规模效率均为显著的正向影响，且系数值较高，表明银行资产回报率越高，其经营效率亦越高；代表安全性指标的不良贷款率不显著，代表流动性指标的流动性比例只对规模效率显著，说明流动好的银行其规模效率会相对较高。表9金融科技影响上市银行效率的回归结果（含控制变量）Variablelnfplnfifsroanpllr_consTECoefficient0.217*-0.0330.0030.471*-0.0580.006-1.471*Std.err.0.0560.0490.0190.1730.0950.0040.563Z3.85-0.680.182.72-0.611.54-2.61PTECoefficient0.061*-0.053*-0.0120.231*-0.0670.0020.775*Std.err.0.0280.0230.0100.0820.0470.0020.247Z2.22-2.30-1.162.82-1.440.953.13SECoefficient0.180*0.0050.0060.309*-0.0630.005*-1.329*Std.err.0.0430.0360.0140.1360.0700.0030.410Z4.180.130.422.27-0.911.82-3.24注：*、*、*分别为通过1%，5%、10%的显著性检验。（二）异质性分析考虑不同类型银行在资源禀赋、内部控制、外部政策等方面存在的差异，将上市银行分成国有行、股份行和区域行三组进行异质性分析。回归结果如表10所示，金融科技人员数量对国有行和股份行的效率值均显著，除了与国有行规模效率呈弱负相关以外，其余均呈正相关，表明金融科技人员增长有利于国有行、股份行效率提高。金融科技投入资金与国有行、股份行纯技术效率负相关，与国有行规模效率正相关。金融科技子公司成立年限与国有行规模效率弱负相关，与股份行综合技术效率、纯技术效率弱正相关，与区域行纯技术效率负相关，反映出金融科技子公司成立年限对股份行效率的提升有积极作用。表10金融科技对不同类型上市银行影响的异质性回归结果Variablelnfplnfifsroanpllr_cons国有行TE0.116*（0.054）-0.036（0.066）-0.018（0.020）0.333（0.221）-0.116（0.082）0.012*（0.004）-0.473（0.885）PTE0.164*（0.053）-0.180*（0.066）0.001（0.020）0.312（0.220）-0.080（0.081）0.011*（0.004）0.473（0.879）SE-0.035*（0.016）0.121*（0.019）-0.018*（0.006）0.033（0.065）-0.029（0.024）0.001（0.001）0.107（0.258）股份行TE0.162*（0.051）-0.034（0.052）0.042*（0.014）0.760*（0.143）0.103（0.081）0.003（0.004）-1.454*（0.784）PTE0.108*（0.034）-0.127*（0.035）0.028*（0.009）0.409*（0.096）0.010（0.054）-0.001（0.003）0.757（0.526）SE0.122*（0.043）0.057（0.043）0.018（0.012）0.483*（0.120）0.035（0.068）0.005（0.003）-1.631*（0.657）区域行TE-0.055（0.133）-0.025（0.057）0.094（0.070）0.434（0.326）-0.333（0.253）0.010*（0.004）0.121（0.814）PTE0.020（0.024）-0.007（0.011）-0.096*（0.015）0.091（0.058）0.014（0.047）-0.002（0.001）1.023*（0.149）SE-0.039（0.106）-0.013（0.046）0.089（0.056）0.363（0.260）-0.256（0.203）0.007*（0.003）0.054（0.652）注：1）*、*、*分别为通过1%，5%、10%的显著性检验；2）括号内数值为标准误。（三）稳健性检验将控制变量资产报酬率roa替换成另一个营利性指标净利差ni（Net interest margin），由回归结果金融实务96中国金融学会中国金融会计学会中国金融教育发展基金会中国国际经济关系学会西南金融编辑部重庆金融编辑部宁夏金融编辑部青海金融编辑部内蒙古金融研究编辑部区域金融研究编辑部（广西）华北金融编辑部金融发展研究编辑部（济南）云南省金融学会贵州省金融学会西藏自治区金融学会陕西省金融学会陕西省金融会计学会新疆金融学会山东大学经济研究院（中心）南开大学数量经济研究所西安交通大学经济与金融学院中央财经大学经济学院西北大学经济管理学院陕师大中国西部金融研究中心西北农林科技大学农村金融研究所西部金融2023年第7期金融实务可知表金融科技人员数量的显著性不变，并且其系数值的变化相对比较稳定，仅略微减小一点。综合技术效率方面，其系数值从0.217减少到0.205；纯技术效率方面，其系数值从0.061减少到0.058；规模效率方面，其系数值从0.18减少到0.175。而金融科技投入资金对纯技术效率的回归系数值则由-0.053变为-0.046。说明通过稳健性检验。同样地，将控制变量流动性比例lr替换成另一个流动性指标流动性覆盖率lcr（Liquidity coverage ratio），由回归结果可见金融科技人员数量依然显著，并且系数值的变化亦甚微，其余变量和系数与表9的结果比较亦相差很小，再次肯定结果稳健。六、结论与政策启示 本文采用2019-2021年我国21家上市商业银行面板数据，通过带有非期望产出的三阶段超效率SBM模型分析得到剔除环境因素和随机因素后的上市商业银行效率，再运用Tobit模型论证金融科技三个因素对上市商业银行效率的影响。研究结果表明：第一，金融科技人员数量的增加能显著提高上市商业银行效率，且对国有行、股份行的效率提升更加明显，但对区域行的作用并不显著。第二，金融科技投入资金对国有行规模效率有一定促进作用，对国有行、股份行纯技术效率存在负面作用。第三，金融科技子公司成立年限对股份行的综合技术效率和纯技术效率起正向影响作用，对国有行规模效率却为弱负向影响，对区域行纯技术效率起负向影响作用。基于上述结论，提出以下政策建议：首先，加大金融科技人员配置，提高金融科技人员占比，加强金融科技人才建设，激发金融科技人才创新潜能，充分发挥金融科技人才红利，为银行高质量发展提供智力支撑和技术保障。其次，合理安排金融科技投入，提高资金使用效率，避免不合理或过剩投资，出现资源浪费或影响其他业务支出，保证资金落到实处、收到实效。最后，依托金融科技子公司精准赋能银行，国有行旗下金融科技子公司加速规模效率形成，股份行稳步推进其金融科技子公司创新发展，区域行可选择合适的金融科技子公司合作，走出差异化、特色化、精细化的转型路径。参考文献 1 Aigner D,Lovell C A K,Schmidt P.Formulation and estimation of stochastic frontier production function models J.Journal of Econometrics,1977,6(1):21-37.2 Battese G E,Corra G S.Estimation of a production frontier model:with application to the pastoral zone of eastern australia J.Australian Journal of Agricultural Economics,2012,21(3):169-179.3 Jondrow,James M.et al.On the estimation of technical inefficiency in the stochastic frontier production function model J.Journal of Econometrics 1982(19):233-238.4 Pitt M M,Lee L F.The measurement and sources of technical inefficiency in the Indonesian weaving industry J.Journal of Development Economics,1981,9(1):43-64.5 Schmidt P,Sickles R C.Production frontiers and panel data J.Journal of Business&Economic Statistics,1984,2(4):367-374 6 Battese G E,Coelli T J.Prediction of firm-level technical efficiencies with a generalized frontier production f