数字金融对商业银行经营效率的影响——基于16 家上市银行的实证研究

高 旭，高建斌

（1.济南大学商学院，山东济南250002；2.井冈山大学商学院，江西吉安343009）

一、引 言

自第三次信息技术革命以来，互联网、人工智能等信息技术发展迅猛，日益渗透到现代经济、社会、生活的方方面面，改变了传统行业的模式和业态，在金融行业中主要表现为数字金融的产生和发展。数字金融以其便捷性、透明性、普惠性的特点推动了金融业发展，对整个行业带来了巨大的冲击。

商业银行是金融体系的重要组成部分。长期以来，我国商业银行的盈利模式单一，利润主要来源于存贷款利息差，随着利率市场化进程，商业银行的利息收入增速面临趋势性下降。数字金融的发展进一步对商业银行经营产生影响。一方面，数字金融加剧了商业银行经营困境，在数字金融模式下，第三方支付平台、互联网金融公司如雨后春笋般涌现，其支付便捷，信息处理和风险评估通过网络化方式进行，借贷成本远低于银行信贷，挤压了商业银行的盈利空间，从而弱化了商业银行的金融中介角色和职能，一定程度上对商业银行的资产、负债和收益产生影响，在商业银行的经营过程中表现降低了商业银行的经营效率。另一方面，数字金融是金融行业的发展导向，商业银行也进行了数字化转型和改革以适应并促进数字金融的发展，如光大银行打造移动金融生态链，构建“金融+生活”的服务平台，激活长尾客户群，从而拓宽了银行的业务范围和盈利空间。因此，数字金融对商业银行而言也是一种机遇。

银行通过沟通借贷双方、办理国际结算、为储户提供理财服务等方式发挥信用中介、支付中介、信用创造和金融服务等职能作用。银行是国民经济中的不可或缺的重要载体，银行业的运行情况将显著影响国民经济发展，因此有必要关注银行经营质量和效率。商业银行的经营效率是学界和业界关注的重要指标，从整体上反映了银行发展情况。当前我国经济进入了新发展格局，内外部环境复杂多变，数字金融究竟给商业银行带来了怎样S 的影响？商业银行又将如何应对数字金融这一发展趋势？这些问题不仅关系到商业银行本身的经营决策和经营管理，也关系到金融行业的未来变革和方向，因此本文将此作为主要内容。首先采用全局主成分分析法和DEA-Malmquist 模型测度商业银行的经营效率，其次利用面板数据实证检验数字金融对商业银行经营效率的影响，最后基于实证结果提出政策和建议，以化解和减少数字金融对商业银行的不利影响，优化商业银行运营模式，提高金融服务水平。

二、文献综述

一般认为，金融与科技的融合发展可分为三个递进的阶段：金融IT 阶段、互联网金融阶段以及金融科技阶段[1]，其中金融科技阶段是最新发展阶段，并以数字金融为主要特征。数字金融泛指利用数字技术实现融资、支付、投资和其他新型金融业务模式[2]。学界对数字金融的关注主要包括以下几个方面。第一，数字金融发展程度的测度，以北京大学编制的数字普惠金融指数知名度最高，该指数根据蚂蚁金服提供的微观数据编制，考虑了数字金融服务的广度、深度和数字化程度[3]。此外，还有学者采用文本挖掘法、主成分分析法等方法测度了数字金融发展程度。第二，数字金融的经济增长效应，其原因主要是数字金融促进了金融体系内以市场为导向的制度变革，提高实体部门融资可得性，从而促进生产发展[4]。第三，数字金融的减贫效应，数字金融通过深度挖掘“长尾市场”，缓解信贷约束，化解农业风险、改善收入分配等方式实现[5]。第四，数字金融的创新效应，基于上述效应，数字金融增加了对创新活动的资金供给，拥有更强的信息筛选、风险评估能力，使金融机构投资决策更加精准，对企业创新具有正向激励作用[6]。第五，数字金融发展面临的问题，尽管数字金融优势明显、发展迅速，但仍存在地区差异大、违约风险高、监管难度大等问题[7]。

商业银行经营效率是学界关注的热点话题之一。效率衡量单位时间（投入）完成的工作量（产出）。银行经营效率可以理解为银行在经营过程中投入单位人力、物力、资本等要素所实现的贷款、利润等。关于银行经营效率的测度，主要有以下几种方式：一是主成分分析法，该种方法基于研究者构建的指标体系，主观性较强；二是随机前沿分析，即SFA，通过构建利润效率超对数模型得到银行效率；三是数据包络分析，即DEA，通过找到所有决策单元的生产前沿面确定决策单元的相对效率。DEA 方法不设定具体的函数形式，是非参数估计；而SFA 方法是参数估计，对研究对象有生产函数的要求。此外，SFA 方法只能考虑单产出，而DEA 方法允许多产出的情况。因此，本文选择DEA 模型进行商业银行经营效率的测度。关于商业银行经营效率的影响因素。主要包括宏观因素和微观因素。宏观方面，经济金融自由的程度越高，银行的成本优势越大，利率市场化程度越高、货币供给量越大，商业银行整体效率越高[8][9]；微观方面，银行的所有者权益、存贷比、资产收益率、资本充足率等特征对经营效率有显著影响[10]。

数字金融是金融行业的巨大变革，对银行等传统金融机构产生明显冲击。一方面，以蚂蚁金服等机构为代表的互联网金融公司从供给端争夺了商业银行的业务空间，通过创新理财产品、贷款产品，为居民提供更加便捷的金融服务，一定程度上打破了银行在信贷市场的垄断地位，加剧银行的价格、客户和地域竞争情况，并将数字金融的潜在风险转移、分散、传染到传统银行部门，使银行部门承担了更高的风险，通过替代效应降低了银行利润效率[11]。另一方面，数字金融也刺激了需求端的增长。金融业的技术变革促进银行自身的创新发展，从内部管理、业务触达、技术应用等方面改善，从而提升了银行的服务、产出能力[12]。目前各大银行积极开展数字化转型升级，利用金融科技来增长业务、留住客户并吸引新客户。相较于新兴的中小互联网金融机构，银行以其强大的经济资本占据优势，在已有较为成熟的数字信息技术的背景下，开展数字化转型成本更低、可行性更大，因此升级效率更高[13]。部分学者还认为，尽管数字金融扩张迅速，但其与商业银行的业务呈现高度互补性，是传统银行业的补充而不是替代，因此对银行经营影响有限[14]。

综上，数字金融对商业银行而言挑战与机遇并存，有必要通过实证研究进行检验，明确数字金融的实际影响。此外，注意到我国银行体系的复杂性，商业银行存在多种类型，根据股权结构可以分为国有控股银行、城市商业银行、股份制商业银行等，各类银行在管理模式、业务开展等方面存在较大差异，因此本文基于商业银行异质性，进行了不同银行的子样本实证分析，以进一步深入研究。

三、模型和变量

（一）DEA-Malmquist 模型

评价企业等决策单位经营情况的方法包括模糊评价法、熵值法、多元统计方法、数据包络分析（DEA）等。模糊评价法等传统研究方法在指标选取和权重计算上具有一定的主观性，熵值法权数依赖样本，多元统计法需要有足够多的评价对象，而DEA 将决策单元（企业、行业等）的生产过程视为一个黑箱，考虑在一定的投入和产出情况下该决策单元的效率，是一种非参数的统计估计方法，具有避免主观性、简单易算等优势。因此，本文采用DEA 模型进行分析。

DEA 方法最早由Charnes 等人提出，他们基于规模报酬不变假设构建了CCR 模型[15]，随后Banker 等放松了对规模报酬的假设，基于规模报酬可变假设提出BCC 模型[16]。进一步，Fare 和Grosskopf 针对传统DEA 模型只能测度同一时期的效率值的缺陷，将Malmquist 指数与DEA 模型结合，该模型可分析决策单元效率的动态变化情况，并测度决策单元的全要素生产率[17]，增强了DEA 评价结果的能力。因此，本文采用DEA-Malmquist 模型分析上市银行的经营效率。

1.BCC 模型

DEA 分析方法由一系列模型构成，考虑到规模报酬不变假设存在一定局限性，故选取BCC 模型进行分析。设有n 个银行（BANK），其经营活动需投入m 种变量xi（i=1,2,…,m），产出s 种变量：yr（j=1,2,…,s），记第j 个银行为BANKj，则BANKj的所有投入和产出变量可分别用向量Xj和Yj表示：

基于投入导向的BCC 模型的线性规划形式可用式（1）来表示：minθ

其中，λ 为权重，θ 即为银行j 的效率。BCC 模型的含义是在确定生产可能集的前提下，给出最佳生产状态的描述，即生产前沿面，各银行的经营效率是相对于生产前沿面的效率。

2. Malmquist 指数

Malmquist 指数衡量银行的全要素生产率（TFP），可分析银行效率的变动情况和原因，从第t期到第t+1 期Malmquist 指数的计算公式为：

其中，Dt和 Dt+1分别表示银行在第 t、t+1 期的生产效率相对于t 期的生产前沿的距离函数，Xt、Yt、Xt+1和 Yt+1分别表示第 t 期投入、第 t+1 期投入产出、第t+1 期投入和第t+1 期产出。根据式（2），Malmquist 指数是技术效率（effch）和技术进步（techch）的乘积，进一步可将技术效率（effch）分解为纯技术效率（pech）和规模效率（sech）的乘积，则Malmquist 指数可写为：

若技术效率（cffch）值为1，即纯技术效率（pech）和规模效率（sech）均为1，表明银行位于生产前沿面上，实现DEA 有效，否则无效；若技术进步（techch）值大于1，表明银行利用技术进步的效率水平逐年提高，否则逐年降低；若Malmquist 指数（即全要素生产率TFP）值大于1，表明银行整体经营效率相对于前一年提高，否则降低。

（二）全局主成分分析（GPCA）

DEA 模型需要人为设置投入变量和产出变量，Dyson 等指出决策单元个数不能低于投入、产出变量个数乘积的两倍[18]，因此限制了投入、产出变量的个数，从而造成所选取的变量可能一定程度上不能完全代表决策单元的投入和产出情况。为解决这一问题，本文在DEA 模型的基础上增加了全局主成分分析法（GPCA）。主成分分析法（PCA）针对变量较多的情况，通过原变量的线性组合，将多个变量转化为少数几个相互独立的新变量。一方面，PCA 避免了原变量因彼此相关而带有重复信息，影响综合评价结果的问题；另一方面PCA 又解决了原变量个数太多的缺点，由此被认为具有“降维”的作用，能够很好弥补DEA 模型的局限性。

传统PCA 只能针对横截面数据进行分析，不能直接对面板数据进行分析，无法反映被评价主体在不同时期综合得分情况。学者大多采取分期评价的方法，对每一期的数据进行PCA 过程，进而分析和比较不同时期的评价结果，但实际上各期主成分分析结果并不在统一的超平面上，因此不具有可比性。全局主成分分析（GPCA）方法针对面板数据进行操作，解决了传统PCA 不能兼顾时间的问题。GPCA 引入时间维度，对各指标将样本观测值按年份排列，然后按照传统PCA 过程进行分析，保证了数据的可比性。

设向量X、Y 是原始的投入变量和产出变量，经过 GPCA 后得到 X'、Y'，则 X 和 X'Y 和 Y'之间的关系为：

A、B 是主成分特征矩阵，由此得到新的投入、产出变量。总的来说，测度商业银行经营效率的过程和思路可以用图1 表示，即首先对投入、产出指标体系进行全局主成分分析，将多项指标降维以在反映更多信息的同时满足DEA 分析的要求，其次通过DEA-Malmquist 模型分析银行的经营效率。

图1 商业银行经营效率测度过程

（三）面板数据模型

为研究数字金融发展对商业银行生产效率的影响，构建面板数据模型对其内在关系进行检验。设定的面板数据固定效应模型如下：

被解释变量 TFPit是商业银行的生产效率，用经DEA-Malmquist 模型分析得到的全要素生产力代表，核心解释变量IDXit是数字金融发展程度，用北大数字普惠金融指数衡量，CTRLSit为一系列控制变量，ui表示各银行不随时间变化的特征，εit是随机扰动项。

北京大学数字普惠金融指数又可按照数字金融服务的覆盖广度、使用深度和普惠金融数字化程度三个维度划分为三个子指数，为进一步分析数字金融对银行经营效率的影响，将数字金融覆盖广度（CB）、使用深度（UD）和数字化程度（DL）作为核心变量，替代数字普惠金融指数（IDXit）进行实证分析，设定的面板数据固定效应模型如下。

（四）变量和数据

1.投入和产出指标

参考已有研究[19]，考虑商业银行的经营管理、机构设置等方面的主要投入，选取了核心资本（TOC）、固定资产（FA）、营业支出（OE）、利息支出（IE）、吸收存款（AMD）、分支机构数（NB）和在职员工人数（NE）等指标，这些指标反映了商业银行开展业务过程中的主要支出和费用、发展扩大过程中的机构设置成本。

为更全面反映商业银行的产出情况，选取发放贷款及垫款（LOAN）、利息净收入（NII）、手续费及佣金净收入（NFCI）、净利润（NP）、净利润增长率（ GRNP）、不良贷款率（NPLR_REC）等指标，其中不良贷款率指标进行了取倒数的正向化处理，从而所有指标均为正向指标，即数值越大，代表投入（产出）越高。

2.控制变量

采用面板数据模型（公式（5）-（6））分析数字金融对商业银行效率的影响。参考前人研究[20]，选择以下变量作为控制变量：①拨备覆盖率（PCR）、现金资产比（CACR）、产权比率（DER）、股东权益比例（EAR）和净息差（NIM）等银行财务指标，此类变量与商业银行的安全性、流动性、盈利性密切相关，对商业银行经营效率存在潜在影响；②开放程度（OPEN）和资本市场发展程度（MVG）等宏观变量，开放程度衡量宏观经济的开放程度，经济开放一方面引入外资银行与国内银行竞争，另一方面扩大银行的业务范围，因此开放程度可能对银行经营效率存在影响，本文的样本来自于上市银行，资本市场发展程度对上市银行的经营成果也存在一定影响。各变量的具体含义见表2。

表2 控制变量

3.样本和数据

学术界衡量数字金融发展程度的通用做法是采用北京大学编制的数字普惠金融指数。该指数基于蚂蚁金服集团提供的数据，从数字金融服务的覆盖广度、使用深度和普惠金融数字化程度三个维度构建了指标体系，较为全面地衡量了数字金融的发展情况。该指数的最新数据是2011-2018 年的各省（直辖市、自治区）的数字金融发展指数。本文选取北大数字普惠金融指数衡量数字金融，研究时间设置为2011-2018 年。

截止2021 年3 月23 日，我国股票市场上市银行共40 家。为保证上市银行数据的稳定性，剔除2010 年11 月以后上市的银行，并剔除了指标数据有缺失的银行，最终得到16 家上市银行。16家上市银行数据和宏观经济数据主要来源于同花顺iFinD 数据库、CSMAR 数据库。采用SPSS25.0、DEAP2.1 和Stata15.0 等统计软件进行分析。

四、实证分析

（一）全局主成分分析结果

采用全局主成分分析法对投入指标体系进行降维，为检验指标体系的有效性和可行性，首先进行KMO 检验和Bartlett 球形检验，表3 报告了检验的结果，KMO=0.880>0.6，且Bartlett 检验说明各指标不是相互独立的，因此可采用主成分分析法进行变量降维。

表3 KMO 和 Bartlett 检验

对各指标进行主成分分析，为避免数据单位不同而带来的影响，采用标准化的方法进行数据无量纲化处理。设定最大迭代次数为25，根据特征值大于1 的原则，提取了1 个主成分，其方差贡献度为94.68%，能较好反映指标体系的信息。表4报告了各变量的成分矩阵和主成分系数，主成分系数由成分矩阵各元素除以特征值的平方根，并进行归一化处理后得到。

表4 成分矩阵和主成分系数

由此经过GPCA 后得到主成分指标I1，并计算得到2011-2018 年各商业银行的投入主成分指标的数值如表5 所示。

表5 各银行投入主成分数值

由于DEA 模型要求投入、产出指标的数值均为正值，因此对上述投入主成分指标数值进行如下的正向化处理，使处理后的数值落在区间[0.1,1]内，正向化处理后各银行主成分数值结果列示在表6 中。

表6 各银行投入主成分数值（正向化处理后结果）

对产出指标进行同样的操作，KMO 检验得到KMO=0.817>0.6，Bartlett 检验显著性接近0，说明各指标不是相互独立的，因此可采用主成分分析。为了使各变量之间的信息更加独立，采用最大方差法（Varimax）法进行因子旋转，最终选取了两个主成分，其方差贡献度分别为63.23%、30.64%，累计方差贡献度为93.87%，较为全面地反映了产出指标体系的信息。经过正向化处理后得到产出主成分指标O1、O2。由于篇幅限制，表7 仅报告了2011 年产出第一、第二主成分指标的数值。

表7 2011 年各银行产出第一、二主成分数值（正向化处理后结果）

（二）DEA-Malmquist 分析结果

运用 DEAP 2.1 软件对 2011-2018 年 16 家上市银行进行DEA-Malmquist 分析，得到各家银行逐年的经营效率结果和整体经营效率结果，表8、表9 汇报了Malmquist 效率指数情况。

表8 各银行经营效率的Malmquist 指数及其分解

表9 2011-2018 年各银行平均Malmquist效率指数及其分解

从地区上来看，技术效率（effch）方面，仅有平安银行、宁波银行、招商银行、农业银行、光大银行等6 家银行的值高于1，这些银行的技术效率是上升的，而平均来说，银行技术效率值为0.992，大部分银行技术效率没有改进。技术效率可以分解为纯技术效率和规模效率，整体上纯技术效率值为0.991，规模效率值为1.002，表明纯技术效率下降，规模效率增加，技术效率的降低主要由纯技术效率的降低引起。技术进步（techch）方面，仅有宁波银行、浦发银行和北京银行3 家银行技术进步指数值小于1，说明各银行利用科技创新提高了生产效率，总体上银行技术进步指数均值为1.003，增加了0.3%。全要素生产率（tfp）方面，平安银行、华夏银行、招商银行、农业银行和光大银行的全要素生产率值大于1，表明这些银行经营效率增加，大多数银行全要素生产率值小于1，根据上文分析，其主要是由技术效率降低导致的。

从时间上来看，2011-2018 年银行平均全要素生产率均值（tfp）为0.995，下降了0.5%，仅在2012-2013 年、2013-2014 年间大于 1，在绝大多数时间里小于1，表明银行整体经营效率不高。主要原因是技术效率（effch）下降，2011-2018 年各银行技术效率下降了0.8%，其中有4 年银行技术效率比前一年降低，2016 年银行技术效率相对于2015 年下降最为明显，达到3.4%，该年无论是纯技术效率（pech）还是规模效率（sech）均小于1。在所分析的时段里技术进步（techch）值提升，平均来说，后一年比前一年技术进步值提升0.3%，银行利用技术显著提升了经营效率。

（三）数字金融对银行经营效率影响的实证分析

1.基本回归结果分析

由PCA 和DEA-Malmquist 模型得到银行在2012-2018 年间的全要素生产率（TFPit）数据，以北大数字普惠金融指数（IDXit）为核心解释变量，与各控制变量统一纳入式（5）进行实证分析，回归结果如表 10 第（1）-（3）栏所示，第（1）栏为采用最小二乘法回归的结果，第（2）-（3）栏为面板数据模型回归后的结果，根据霍斯曼检验选用固定效应模型，其中第（2）栏控制了个体效应，第（3）栏控制了个体和时间效应。在控制其它变量情况下，衡量数字金融发展程度的变量IDXit系数均大于0，并通过显著性检验，表明数字金融对商业银行经营效率具有正向影响。数字金融发展越好，商业银行经营效率越高，这可能是因为数字金融为商业银行带来了新的发展机遇，数字金融具有便捷性、普惠性等优势，促进了信贷业务的实现，也进一步扩大了银行的潜在贷款人等客户。银行系统是我国金融体系的核心，第三方支付等互联网金融业务最终依旧要通过商业银行才能完成现金流的实际交割，因此商业银行开展业务更加便捷、广泛，其本身也利用数字技术等手段提高了商业银行的经营效率。

表1 投入指标、产出指标体系

表10 实证检验结果

控制变量方面，固定效应模型下衡量商业银行流动性的变量现金资产比（CTAR）系数在1%显著性水平下显著为正，表明现金资产比对商业银行具有正向作用，现金资产比越大，商业银行流动性越强，其经营效率越大。控制了个体固定效应的模型中，股东权益比率（EAR）系数为-0.136，并通过显著性检验，说明股东权益比率对商业银行经营具有反向作用，其原因可能是股东权益比率体现了银行资产中所有者投入的比例，股东权益比率越大，商业银行资产中负债部分越小，未能充分利用杠杆作用以提高经营活动能力。净息差（NIM）系数为0.081，在10%显著性水平下显著。净息差指的是银行净利息收入和银行全部生息资产的比值，反映了银行资产运用的效果，因此净息差越大，商业银行利用资产盈利的能力越强，从而经营效率越高。拨备覆盖率（PCR）、产权比率（DER）和宏观变量开放程度（OPEN）、资本市场发展程度（MVG）对商业银行的经营效率没有显著影响。

进一步分析数字金融发展对商业银行效率影响的来源。将数字金融覆盖广度（CB）、使用深度（UD）和数字化程度（DL）作为核心变量，替代数字普惠金融指数（IDXit），如公式（6）所示。根据霍斯曼检验，同样选择固定效应模型，回归结果如表10 第（4）栏所示。CB、UD 和 DL 变量的系数均为正值，但CB 的系数未通过显著性检验，即数字金融覆盖广度对商业银行经营效率的影响具有不确定性；UD 和DL 变量的系数分别在5%、1%显著性水平下显著，表明数字金融的使用深度和数字化程度对商业银行经营效率有促进作用，在控制其他变量不变的情况下，平均来说，UD 和DL 分别提高1%，将分别促进商业银行效率提高0.0844%和0.0923%。总的来说，数字金融的发展提高了商业银行经营效率，并主要通过数字金融服务的使用深度和普惠金融数字化程度实现，数字金融使用广度对商业银行金融效率的影响不显著。

2.效率分解回归结果分析

全要素生产率（TEP）可以分解为技术效率（effch）与技术进步（techch）的乘积。为进一步检验数字金融发展究竟对经营效率的哪些方面产生影响，以全要素生产率的分解效率，即技术效率（effch）和技术进步（techch）分别作为被解释变量进行回归分析，结果如表11 所示，第（1）栏被解释变量为技术效率（effch），第（2）栏被解释变量为技术进步（techch）。由表格可知，数字金融发展对商业银行技术效率和技术进步均产生了正向作用，但影响程度有所差异，技术效率（effch）、技术进步（techch）的系数分别为0.001720 和0.001460，数字金融发展对技术效率的作用效果更加明显，其原因可能是数字金融推动商业银行在现有技术水平上通过协调各种经营要素的投入，提高经营水平的能力更强，而通过促进银行技术创新以提高经营效率的难度更大，因此效果没有前者明显。

表11 效率分解实证检验结果

3.异质性分析

考虑到我国的银行体系是多层次、多形式、立体化的系统，包括国有控股商业银行、股份制商业银行、城市商业银行、农村商业银行、政策性银行等，差别较大，数字金融的发展对不同银行经营效率的影响可能有所差异，因此有必要针对不同性质的商业银行进行分样本回归。本文选取的16 家上市银行按照银行性质可分为三类：国有控股商业银行（中国银行、农业银行、工商银行、建设银行、农业银行）、股份制商业银行（平安银行、浦发银行、华夏银行、民生银行、招商银行、兴业银行、光大银行、中信银行）和城市商业银行（宁波银行、南京银行、北京银行），对这三个子样本进行实证，结果如表12 所示。数字金融发展程度（IDXit）指标系数均显著，且数字金融对经营效率的偏效应均为正，但绝对值有所差别。第（1）、（2）、（3）栏样本分别为国有控股商业银行、股份制商业银行和城市商业银行，IDXit的系数分别为 0.000909、0.00197 和0.00240，数字金融对城市商业银行和股份制商业银行的经营促进效果较好，而对国有商业银行经营的影响较低。这说明城市商业银行和股份制商业银行对数字金融技术溢出的吸收能力更强，利用数字金融机遇经营的效果更好。

表12 分样本实证检验结果

五、结论与建议

在数字金融时代，各互联网金融公司跑马圈地试图重筑金融业格局，对传统银行带来了巨大冲击，倒逼银行进行数字化转型升级。本文首先结合全局主成分分析法和DEA-Malmquist 模型，对2011-2018 年16 家上市商业银行的经营效率进行测度，测度结果表明2011-2018 年多数银行全要素生产率值小于1，银行整体经营效率不高，主要是由于技术效率降低导致的。其次，利用16 家上市银行2011-2018 年的面板数据实证检验数字金融对商业银行经营效率的影响，并针对商业银行股权结构异质性进行分样本回归，发现数字金融对商业银行经营效率具有显著的正向影响，并主要通过数字金融服务的使用深度和普惠金融数字化程度实现，而数字金融使用广度对商业银行金融效率的影响不显著；此外，数字金融对城市商业银行和股份制商业银行的经营促进效果较好，对国有商业银行经营的影响较低。因此，为化解和减少数字金融对商业银行的不利影响，优化商业银行运营模式，提高金融服务水平，提出以下政策建议。

第一，利用金融科技，提高经营效率。在产业数字化的导向下，银行业也应加快行业数字化转型，提高自身科技化水平，建立信用数据库，完善企业、个人画像，缓解因信息不对称带来的金融供求困境，可尝试组建以数字化为主导的科技型银行，提高金融服务针对性、普惠性。利用金融科技推动理财产品创新，构建线上交易平台，提高储户对银行理财产品的可获得性，打通线上线下支付结算渠道，以此提升储户的支付结算效率，从而改善银行经营，提高银行效率。

第二，基于异质性深化银行数字化改革。对于大型商业银行而言，其资本实力雄厚，客户群体的规模也较大，稳定性强，但未能很好适应数字金融的发展，因此应加快数字化改革，吸纳科技型人才，开展具有特色的、金融创新度高的业务。对于股份制银行和城市商业银行而言，可以继续凭借自身在数字化发展程度上的先行优势，推动产品创新研究，兼顾安全性效益型和创新性，以数字金融突破发展瓶颈。