数字化转型对中小银行全要素生产率的影响与机制研究.docx

第40卷第4期2023年7月经济经纬EConOmiCSUrVeyVol.40No.4Jul.2023数字化转型对中小银行全要素生产率的影响与机制研究王书华刘慧超2,范瑞2（1.山西财经大学晋商研究院，山西太原030006;2.山西财经大学金融学院，山西太原030006）88888888888888888888888888888888888888888888888888摘要：基于银行数字化转型背景，以2012-2020年我国106家中小银行为样本，在使用SBM-LM模型测得银行全要素生产率，利用银行年报进行文本挖掘测得银行数字化转型指数的基础上，研究银行数字化转型对银行全要素生产率的影响及作用机制.结果显示:数字化转型能够显著提升中小银行全要素生产率，并且因银行的属性、规模等的不同而对其全要素生产率产生异质性影响.数字化转型对股份行全要素生产率的提升作用最强，其次是农商行和城商行；相比小型银行，中型银行由于其规模大、基础好，数字化转型对其影响更大、效果更好。在影响机制方面，中小银行侧重于通过降低固定资产投入成本、提升利息净收入水平和中间业务规模水平以提升全要素生产率.研究结果为更好推动我国中小银行数字化转型，促进银行全要素生产率的提升提供借鉴.关键词：中小银行；数字化转型；全要素生产率；数字经济；金融科技基金项目：国家自然科学基金项目（71303142）;山西省高等学校科学研究优秀成果培育项目（2019SK024）;教育部人文社会科学研究青年项目（22YJC790024）;山西省高等学校哲学社会科学研究项目（2021W072）;山西省高等学校人文社会科学重点研究基地项目（20200122）作者简介：王书华（1978-）,男，山东荷泽人，教授，博士生导师，主要从事金融计量分析研究；刘慈超（1998-）,男，山西汾阳人，博士研究生，主要从事数字经济研究；范瑞（1988-）,男，山西偏关人，博士,讲师，主要从事金融理论与政策研究.中图分类号:F830文献标识码:A文章编号:1006-1096（2023）04-0149-12收稿日期:2022-08-0488888888888888888888888888888888888888888888888888随着我国经济由高速增长转向高质量发展，经济增长动力也从要素驱动转向创新驱动。有效提升全要素生产率是中国经济能否实现高质量发展的关键，全要素生产率也成为衡量经济高质量发展效率和质量水平的核心指标（陈诗一等，2021;廖常文等,2023）.中小银行服务地方经济、服务小微客群的作用不容忽视,对其全要素生产率的提升也成为推动经济高质量发展的重要一环（高超等,2021）同时,我国经济形态由农业经济、工业经济转向数字经济，数据作为关键的生产要素成为促进全要素生产率提升的重要动因。数字经济作用于企业最直接的表现是数字化在企业内的普及和应用（李琦等，2021）。作为数字经济落地生根的必要抓手，加快数字化转型成为了社会各行各业实现长足发展的重要渠道，协同推进数字产业化和产业数字化转型更是成为了国家战略。在数字化转型的这一历史大潮下，商业银行特别是中小银行，是不可或缺的参与者。本文以20122020年我国Ill家商业银行数据为样本,其中106家中小银行设为实验组,5家国有大行设为对照组，在进行对照实验分析的基础上，重点分析银行数字化转型对全要素生产率的影响，深挖其作用机制并进行异质性分析对于提升银行全要素生产率进而推动金融供给侧结构性改革和金融业高质量发展具有一定的现实意义和理论价值。相较于以往研究，本文的边际贡献主要体现在以下四个方面：第一，从数字化转型角度出发，揭示数字化转型对中小银行全要素生产率的影响机制O第二，将研究视角转向数字化转型这一新型商业模式，分析并实证检验其作用机理与实施路径。第三，根据相关政策文件中出现的关健词构建了银行数字化转型关键词词库，避免了以往文献选择关键词时出现的同质化问题。第四，将中小银行与国有大银行进行了对照，分析了数字化转型对两类银行的不同影响机制，为中小银行进一步明确数字化转型方向、细化数字化转型流程提供理论依据。一、文献综述与研究假设进入数字经济时代,如何提升全要素生产率也引起了学界重视，对于数字经济以及全要素生产率的研究也层出不穷。现有文献主要从以下三个方面展开研究：一是对银行全要素生产率的研究。现有文献从金融科技、不良贷款约束等不同角度研究了银行全要素生产率（郭庆旺等，2005;李朝鲜等，2022）,在对全要素生产率的实证研究中，更多的学者采用以数据包络分析（DEA）方法作为代表的非参数方法对效率进行测度.但这一方法在测度银行全要素生产率时却忽略了不良贷款对银行全要素生产率的影响等问题（柯孔林等，2008）,而随着近年来我国商业银行面临的不良贷款反弹压力逐渐升高，在这种背景下如果忽略不良贷款进行银行效率测算是不合理的O基于此，本文采用由Tone（2001）构造出的包含非期望产出的SBM模型,这一模型进行了优化并弥补了传统DEA模型的缺陷，国内在测量带有非期望产出的效率值时也采用这一方法（陈红玲,2018）同时，由于SBM模型测度出的效率值只局限于当年前沿面的静态效率，因此本文采用Chung等（1997）提出的考虑非期望产出的ML指数以进行跨期比较效率变化。二是对数字化转型的研究。对于数字化转型的定义，国内外学者给出了相应的解释。部分学者认为数字化转型囊括了如社交、移动、分析、云技术和物联网（SMAQT）等新数字技术，由此,使用信息化技术转型的企业就可以被看作是数字化转型的企业（ChaniaSetal,2019）.但随着对数字化转型研究的不断深入，学界认为数字化转型是要在新型信息技术的驱动下通过数字资产创造价值和收入，利用创新来改进企业业务或进行组织变革，从根本上提高企业的执行力或影响力（涂心语等，2022;宋敏等，2021）.具体到商业银行来说，其数字化转型是要让数字技术融入银行各个领域从而为客户提供价值，进而从根本上改变银行的运营方式（Ortakoyetal,2019;江红莉等,2021）。总体而言,探究数字化转型的相关文献及理论成果已经十分丰富，但是现有文献研究主体大多集中于企业及上市银行，鲜有从中小银行角度进行测量的相关实证文献，对中小银行这一研究主体而言还有较大探索空间.三是对数字化转型与全要素生产率的研究。已有文献在具体到数字化转型与全要素生产率的关系研究时,大多讨论数字化转型对盈利能力、普惠金融、企业融资等的影响（徐伟呈等,2022;刘淑春等,2021）,本文将视角进一步延伸至数字化转型对中小银行全要素生产率的影响，为数字化转型这一新型商业模式如何推动金融高质量发展提供了实施路径。本文从数字化转型对银行全要素生产率的直接与间接影响两个方面进行分析：（一）数字化转型对银行全要素生产率的直接影响数字化转型对银行影响最大的两个领域是客户体验和运营效率。第一，数字化转型导致了积极的规模经济，降低了银行的边际成本，增加了银行规模收益。国内外学者通过研究发现，数字化转型通过创新与改进既有金融产品和服务，从而改变了商业银行的传统经营模式，有利于实现普惠金融服务模式创新（沈悦等,2015;MeePadUngetalz2009）。在数字化转型过程中,银行也能够通过对员工相关培训以提高客户亲密度和满意度从而提升客户体验。第二，数字化转型的作用体现在对商业银行自身全要素生产率的提升O在数字化转型的影响下，银行通过增加线上交易量，节省人力资源和交易执行时间、大数据分析有价值的数据信息等路径提升经营收益，最终将数字化转型的效果体现在银行经营业绩上，从而提升了银行全要素生产率。对于中小银行而言，数字化转型对于增强中小银行风险抵御能力、提升银行服务效率更具有积极意义，对于提高全要素生产率可以产生正向影响，因此,部分研究者认为数字化转型确实可以帮助商业银行提高绩效。有学者对数字化转型提升银行经营绩效的观点持保留意见，他们认为商业银行数字化转型与运营效率两者间没有明显的相关性，且不同性质银行间存在着较大的差异。在具体表现方面，数字化转型带来了新的消费者需求，这使得银行在服务上不得不推陈出新以稳定客户。有学者认为，我国上市商业银行数字化转型与运营效率两者间没有明显的相关性.数字化转型对于商业银行尤其是中小银行全要素生产率到底是拖累还是促进，成为了本文研究的出发点。基于此，本文提出研究假设1：数字化转型有利于提升中小银行全要素生产率。（二）数字化转型对银行全要素生产率的间接影响银行数字化转型的出发点在于降低成本，实现现有业务的边际改进，适应环境和客户的数字化转变，增加银行收入和利润以提升在行业中的核心竞争力。因此,对于银行数字化转型而言，能够通过降本、增收两个途径以促进银行全要素生产率的提升.第一,银行通过数字化转型能够降低银行运营成本进而提升银行全要素生产率。区别于以往扫楼式的获客方式,商业银行通过融入消费场景、结合支付融资的方式,搭建起全渠道获客、活客、黏客的立体循环,并从客户经营管理需求出发,实现获客和金融服务的转化的同时节省人工分类成本,进而降低了获客成本。第二，降低营销成本，相较于大型银行而言，中小银行的优势在于深耕本地市场，客户联系度和忠诚度高，通过大数据精准化营销，降低了营销成本，加快了接触新客户或做出信贷决策的速度，从而降低了成本。第三，降低运营成本，数字化转型通过将业务线上化，降低了中小银行对物理网点的依赖，同时通过数字员工等新型数字技术对银行基础岗位的替代，减少了员工数量以帮助银行降低人工作业成本。因此,总的来看，商业银行数字化转型可以通过减少员工人数和固定资产投入实现降低成本以提高商业银行全要素生产率。基于此,本文提出如下假设：假设2a:数字化转型通过减少员工人数的渠道提高中小银行全要素生产率。假设2b:数字化转型通过减少固定资产投入的渠道提高中小银行全要素生产率。银行通过数字化转型能够扩大市场份额，提升营业收入进而提升银行全要素生产率.对于商业银行而言，净利息收入与非利息收入是其营业收入最重要的两大来源在进行数字化转型过程中，银行通过充分利用大数据、人工智能等技术，能够精准定位更多未触及的长尾客户以产生新的收入来源，并且数字化转型也要求银行改变自身管理和经营进程，在提高银行抵御风险能力、稳定现有业务利润增长的同时形成新的利润增长点。同时，在利率市场化改革的大背景下，作为银行非利息收入的主要构成科目中间业务的规模快速增长,成为了商业银行低成本的稳定收入来源之一。中间业务收入高，表明一家银行开拓市场能力强、运作效率高，因此，中小银行在进行数字化转型过程中，对于中间业务的优化也是必然综上,本文认为银行数字化转型可以通过"增收"进而影响银行全要素生产率。基于此,本文提出如下假设：假设2c:数字化转型通过提升利息净收入水平以提高中小银行全要素生产率。假设2d:数字化转型通过扩大中间业务规模水平以提高中小银行全要素生产率。二、研究设计（一）数据选择及处理本文所用到的微观数据主要来源于BankScope数据库以及借助python软件收集整理的各银行年报中的财务数据，部分存在缺失值的指标使用Wind数据库、各银行各年的跟踪信用评级报告进行补充。为提高样本数据的可靠性，本文对原始数据进行了基本处理：（D为保证样本时间的连续性，将连续两年及以上未公布年报的银行样本进行剔除。（2）由于本文涉及农村商业银行的研究，农商行成立时间较晚，大多于2010年前后由农信社等形式改制，因此对2011年后成立的农商行迸行剔除。（3）对在样本期间进行合并重组的银行,且重组前后资产规模相差程度较大的样本进行剔除。经过上述处理,最终得到了2012-2020年Ill家银行共999个观测值组成的平衡面板数据,其中中小银行有106家共954个观测值。特别的,对所有连续型变量在左右各1%的水平上进行缩尾处理以降低异常值的干扰。（二）变量设定1.被解释变量:银行全要素生产率根据前文所述,本文使用SBM模型对全要素生产率进行测度，x为投入,yg为期望产出，P为非期望产出,s为松弛变量,p为效率值,其取值范围在0到1之间，当且仅当P=I时,这一决策单元DMU有效。-151l4t）nf>三stX=XX+S（1）OO#=YI人-s：y0Ws°M,s）入>o其中，（X。，死o）分别表示投入单元、期望产出和非期望产出单元的值,（X,Yg,Yb）表示效率的前沿面,S0-5?.s;表示松弛值为测度包含非期望产出的生产率水平,本文借鉴Chung等（1997）将方向距离函数与Malmquist模型结合的方法以测算Ill家全样本银行2012-2020年各年的全要素生产率水平,得出基于产出的从t期到t+1期的ML指数为：IU卬s'4U）l÷,（jr,ob）PIr+f>J'r'LllBP,fr',.,.>to,lll各变量含义与（1）式相同，ML；+1值即本文所研究的全要素生产率TFP值。在指标选取上,本文选用年末银行员工人数（mputl）、年末固定资产余额（mput2）和存款总额（Input3）作为投入要素，产出要素主要包括年末贷款总额（OUtPUtI）和利息收入（0utput2）两个期望产出要素以及一个非期望产出（OUtPUt3）,对于商业银行非期望产出而言，大部分学者采用不良贷款指标做非期望产出进行测度，也有部分学者使用备用金等科目，基于本文研究主题，在数字化过程中，通过数字技术对银行贷款质量监测，能够缓解不良贷款的上升o因此，本文选用不良贷款期末余额及其他投入产出要素进行银行全要素生产率的测度。相关投入产出变量的描述性统计如表1所示。表1TFP测度相关变量的描述性统计变量类型变景符号平均值中位数标准差最小值最大值Inputl20420.6213034.00070664.292300.000491794.000Input293.7389.895336.9810.3182535.250TFP测度Input38976.3271225.63928772.38640.463251347.260Outputl6807.145828.38521557.17524.286186243.080CXrtPUt2511.14578.3221423.9481.53410925.210QJtPUt398.03012.103325.0860.0042940.7802 .核心解释变量:银行数字化转型指数（DT指数）对于数字化转型的测度，现有研究还未形成统一的结论。部分学者使用虚拟变量进行测度（何帆等，2019）也有学者通过多个维度建立数字化指标体系，并采用相关方法测度企业数字化水平（董晓林等,2021）但是，上述方法大多聚焦于企业特定指标，使用虚拟变量进行测度又无法体现数字化强度，均在不同程度上存在着局限性。目前学界对于数字化转型的测度，更多的方法是对年报使用文本挖掘测度关键词词频，构建数字化指数O年报中词汇的用法能够反映出企业未来的展望和前进路径，在很大程度上能够体现企业所一以贯之的经营理念（吴非等，2021;张萌等，2022）,通过对特定词在年报中出现次数的衡量可以判断企业对这些关键词所代表事物的重视程度0由此，本文借鉴Zhai等（2022）的做法,利用关键词构建银行数字化转型指数。根据中国银监会办公厅关于银行业保险业数字化转型的指导意见，对商业银行数字化转型的要求进行分析，对有关数字化转型的词语进行收集分类整理，并根据陆洋等（2021）文献，添加符合银行数字化转型特征的关键词，形成由89个关键词组成的用户词典在此基础上，对银行数字化转型指数进行清洗后进行词频统计o将收集好的各银行年报进行排序整理,利用python软件将年报进行格式转换后采用jieba中文分词软件，对年报进行分词并将其中出现的关键词进行词频统计。由于部分银行在港交所上市，年报形式为繁体字,添加关键词的繁体字形式,并在统计时剔除关键词前后出现"不""否"等否定词,词频加总后统计出各银行每一年的数字化转型关键词词频，进行对数化处理后得到银行数字化转型指数（DT指数）并根据相关关键词出现频次高低，借助python软件编程制作相关关键词词云以显示我国银行业整体对于数字化转型关注度更高的方面,相关词云如图1所示。图1银行数字化转型关键词词云资料来源:根据相关关维词出现频次高低，借助python软件编程制作词云3 .中介变量根据前文所作分析,银行数字化转型主要通过"降本""增收"两大类渠道提高银行全要素生产率。具体细化指标为：成本控制方面选择员工人数增长率（Sgr）、固定资产增长率（Agr）进行分析。营业收入选用利息净收入（Nn）和中间业务收入（InterB）衡量。4 .控制变量（COntrOl）借鉴相关文献（黄大禹等,2021）,选取了董事会独立性（IndePend）、第一大股东持股比例（LSR）、不良贷款率（NPL）等银行层面的变量对影响银行全要素生产率的潜在因素进行进一步控制。（三）模型设定1 .基准回归模型为验证银行数字化转型与银行全要素生产率之间的关系，即假说1,本文采用OLS方法的固定效应模型进行基准回归分析，建立的具体的基准模型如（3）式所示。其中，i和t分别代表银行和年份，TFP,t代表全要素生产率QT.,代表银行数字化转型指数,Controls.t代表控制变量,1表示银行层面的个体固定效应Et代表随机干扰项°TFPit=+1DTjt+Controt-Kq+e11（3）2 .中介效应模型为验证假说2a至2d,本文借鉴温忠麟等（2004）对中介模型的研究,建立中介效应模型进行检验：TFPit=a+a1DTjt+Controlsl,-Hjq+t（4）INTERit=b+b1DTit+Controls11+t（5）TFP11=c+qDTlt+c,INTER,l+Control+*t（6）其中NTERit是中介变量，具体包括成本控制方面的员工人数增长率、固定资产增长率，营业收入方面的利息净收入与中间业务收入t与Tit是随机扰动项，其余变量与基准回归模型定义内涵相同。相关变量选择及定义如表2所示。表2变量选择与定义变量类型变量名称变量符号变量定义被解算变量银行全要素生产率TFP根据SBM-ML模型测度解释变量银行数字化转型指数DTpython词频统计后取对数值成本控制员工人数增长率Sgr（银行在职员工上期期末值-本期期末值）/在职员工上期期末值（银行固定资产上期期末值-本期期末值）/中介变量固定资产增长率Agr固定资产上期期末值4ttt,llf'利息净收入增加收入中间业务收入NII期末利息净收入对数值InterB期末手续费及佣金收入对数值重事会独立性Independ独立董事人数/潴事会人数控制变量第一大股东持股比例LSR年末第一大股东持股比例不良贷款率NPL不良贷款年末余额/贷款总额三、模型结果与分析（一）描述性分析在确定变量选取与数据来源之后，对全样本银行进行描述性分析。表3列出其中两年情况进行分析。样本银行的全要素生产率在2013年为0.965,2019年为1.052,总体呈现上升态势。与此同时,银行数字化转型指数也从2013年的1.177上升至2019年的2.185,说明银行对数字化转型愈来愈重视。而固定资产增长率和银行员工增长率均随着时间的增长逐步下降，利息净收入和中间业务收入规模逐年扩大，也可以说明银行的成本控制能力和增加营收的能力也在逐步提升°表3变量描述性统计变量20132019平均值标准差最小值最大值平均值标准差最小值最大值TFP0.9650.1370.5751.3631.0520.1380.690L531DTL177L1140.0003.8502.1851.2160.04.500Sgr0.1300.107-0.0630.4780.0580.118-0.1070.754Agr0.2440.343-0.0591.6240.1050.253-0.127L151NII22.1191.56819.20526.68822.6891.53919.77426.959InterB19.6022.24615.45925.40020.3722.26616.17225.768Independ0.2690.1030.0000.4550.3160.0870.0830.455LSR19.34314.7230.58077.119.42713.7972.34077.090NPL10070.5460.0902.9901.6880.6680.7603.950从全要素生产率的变化来看（图2）,中小银行全要素生产率整体浮动在1附近,但于国有大行相比表现稍有不足O具体到各类中小银行来看，全要素生产率由高到低的银行类型为农商行,城商行与股份制银行。y-农商行-中小银行整体（次坐标轴）T-国有大行（次坐标轴）图2各类银行20122020年全要素生产率走势图(二)基准回归分析在对相关变量进行描述性统计后，对中小银行组与国有大行组数据进行回归来检验银行数字化转型对银行全要素生产率的直接影响。表4(1)(2)(3)列显示了对中小银行的回归结果，结果显示数字化转型指数(DT)的回归系数显著为正，表明中小银行通过数字化转型确实能够显著提升银行全要素生产率，因此,研究假设1成立。表4(4)(5)(6)列显示了对国有大行的回归结果，结果显示数字化转型的系数显著为正，进一步验证了数字化转型对银行全要素生产率的提升作用。从控制变量来看，表4第列显示，在固定效应下不良贷款率(NPL)的系数为负且在5$水平下显著，以往研究表明，银行能够通过对不良贷款的处理，降低不良贷款发生率，从而提高商业银行全要素生产指数，本文结果也印证了这一观点。而董事会独立性与第一大股东持股比例对银行全要素生产率的影响不确定。表4基准回归结果变量中小银行国有大行(1)(2)(3)(4)(5)(6)DT0.015”0.0210.010w0.022,0.041,0.018(2.27)(2.89)(2.05)1,94(1.90)(0.86)NPL-0.040-0.022-0.099w-0.025(-4.10)(-2.95)(-2.10)(-0.60)LSR-0.002-0.0000.0010.000(-1.34)(-0.84)(0.66)(0.52)Independ0.1200.0450.1460.063(1.28)(0.77)(0.46)(0.21)固定效应控制控制不控制控制控制不控制样本信944944944454545R20.0060.0290.0320.153银行个数106106106555注：()中为t统计量.门内为Z值.*、*、*分别表示15*10%的显著水平(三)稳健性检验1.内生性检验尽管在前文基准检验中已经控制了相关变量，但由于本文所采用的中小银行数据，相对于国有大行而言获得的难度性较高，因此依旧可能存在潜在的遗漏变量、因果倒置等问题，使得估计出现偏误，此外，银行全要素生产率也可能通过提升银行业绩利润进而推动银行自身的数字化转型,可能出现双向因果的问题。为避免实证检验中可能出现的内生性问题影响结论的可信度，本文进一步采用工具变量回归和滞后期回归等方式对内生性问题进行检验。第一，借鉴赵璨等(2020)构建工具变量的思路，选用银行注册地互联网普及率作为工具变量进行内生性检验，该工具变量符合相关性与外生性两个约束条件：一方面，银行所在地区的互联网普及率愈高.银行通过数字技术、大数据等数字化转型手段所获得的信息就愈多；另一方面，互联网普及率作为外生因素，难以影响银行其他因素。表5(1)(3)列显示了工具变量的回归结果,在考虑了银行数字化转型与全要素生产率之间可能存在的内生性问题之后，数字化转型指数的回归结果与前文保持一致，同时工具变量检验的Kleiber-gen-PaaprkLM的p值均为0.00,拒绝不可识别的原假设,Kleibergen-PaaprkWaldF统计量分别为13.083和49.917,大于对应的15%的StOCk-YogO标准(8.96)和10$的StOCk-YogO标准(16.38),表明弱工具变量问题不存在，为稳健起见，本文也使用了对弱工具变量更不敏感的有限信息最大似然法进行估计，结果与2SLS非常接近，也可以从侧面印证不存在弱工具变量。第二，数字化转型对于银行全要素生产率的影响具有一定的时滞性，因此重新构建银行数字化转型指数，对其取滞后一期数据进行处理。如表5(2)(4)列所示，可以发现在对核心解释变量DT取滞后一期后与基准回归结果接近，无论是中小银行还是国有大行的银行数字化转型与全要素生产率都呈显著正相关。表5内生性检验结果变量(1)(2)(3)(4)DT(IV)0.089(1.70)0.060-(2.05)DTIff0.02910.041-(3.79)(2.08)Kleibergen-PaaprkLM12,46814.069(P-val)(0.00)(0.00)Kleibergen-PaaprkWaldF13.08349.917控制变量控制控制控制控制样本量9448384540R20.0370.188银行个数106106552.其他稳健性检验替换核心解释变量。本文借鉴赵宸宇等（2021）的做法，将各银行数字化转型指数最大值出现年份之后的数字化转型指数全部设置为该最大值，重新构建数字化转型指数。替换被解释变量TFPo对于前文借助SBM-ML测算得出的全要素生产率，本文采用同为非参数方法的DDF模型对6项投入产出指标重新进行计算,并计算出新的全要素生产率重新回归。借鉴前人经验,将全要素生产率替换为劳动生产率并重新回归，劳动生产率由营业收入除以员工人数得到（冼国明等，2018）o变更回归模型。考虑到线性回归模型潜在的模型设定偏误，本文用面板Tobit模型对前文所用的OLS模型进行替代，并重新进行回归。四是加入新的控制变量。考虑到数字化转型作为一项银行的顶层设计，如果黄事会管理层对于银行数字化的态度不明朗，则无法长期推进这一任务。因此，本文在控制变量中加入两职合一变量并进行重新回归。结果发现无论是中小银行还是国有大行.在经过一系列稳健性检验后,结果依旧显著。（四）进一步分析根据银行本身的微观特征，按照银行属性、银行规模的不同进行分类并分组回归以进行异质性分析。参考Zhu（2012）的做法，设计如下三个样本进行动态回归，样本1是将中小银行样本中的股份行剔除，样本2是将中小银行样本中的城市商业银行进行剔除，样本3是将中小银行样本中的农村商业银行进行剔除。将子样本的回归结果与银行整体样本的回归结果进行比较，若子样本回归中核心解释变量的回归系数变高，则说明被剔除的样本银行的数字化转型能力低于中小银行整体，反之则说明被剔除的样本银行数字化转型能力越高。最后对分组回归的系数进行差异检验。表6基于企业微观特征的异质性检验变量银行属性银行规模样本1TFP样本2TFP样本3TFP中资中型银行TFP中资小型银行TFP0.015,0.030,0.023E0.06000.015,DT(1.92)(3.11)(2.62)(2.46)(1.95)-28.57%42.86%9.52%185.71%-28.57%-0,044-0.034“-0.0360.009-0,043NPL(-4.38)(-2.21)(-3.09)(0.18)(-4.39)10.00%-15.OOS-10.00%-122.50%7.50%-0.0020.002-0.003,-0.000-0.002LSR(-1.46)(0.96)(-1.76)(-C.07)(-1.46)0.00-200.OOS50.OOS-100.00%0.00%0.1260.0600.1360.3210.115InterB(1.28)(0.46)(1.(0.86)(1.18)5.00%-50.00%13.33%167.50%-4.17%样本量845317726126818R20.0320.0520.0280.0950.033银行个数9536811492注：括号中为t统计量.*、*、*分别表示1%、5$、10%的显著水平，t统计量下方数字为分组回归与整体样本回归相比根据表6所示，样本1-3中，核心解释变量DT的系数分别为0.015、0.030与0.023,与全样本回归结果相比，三者的变化程度依次为-28.57%,42.86$和9.52席,可以看出.数字化转型对于不同属性银行的全要素生产率提升存在着异质性。将数字化转型对银行全要素生产率的提升作用进行排序：股份行居第一，其次是农村商业银行，对城市商业银行提升效果最差。股份行在数字化转型方面一直走在行业前列，大部分股份行已经跨越数字化转型的阵痛期，数字化与业务深度融合，因此对于全要素生产率提升作用较强。农商行因其数字化起步晚，并借助行业领军银行的经验及技术等，在数字化转型方面表现要比城商行更好。按照银行规模进行回归。对于中小银行而言，其在规模上也存在着区别，本文将样本分为中资中型和中资小型银行两类以探究其异质性®O根据表6(4)(5)列所示回归结果来看.数字化转型对中型银行与小型银行全要素生产率的影响均显著,核心解释变量DT与中小银行回归结果相比，两类银行的变化程度依次为185.715和-28.57$,中型银行由于其规模大，基础好.数字化转型对其影响更大、效果更好。而小型银行由于其规模小，底子薄.数字化运营和服务能力相对不足，若在其实力尚未完备时贸然进行数字化转型，若无外界强有力支持，势必会对其经营绩效产生影响。四、影响机制分析为深化研究，采用中介效应模型研究中小银行数字化转型对银行全要素生产率的影响，结合实证模型设定.从降本、增收两个角度选取中介变量以探究影响机制。表7和表8分别从成本控制与增加收入两个方面列示了中小银行与国有大行数字化转型影响银行全要素生产率的中介效应估计结果。(一)从成本控制角度来看表7(2)(3)列的结果显示中小银行的固定资产增长率(Agr)系数并不显著，使用bootstrap进行检验后依旧不显著，表明中小银行并不通过降低固定资产增长率提升银行全要素生产率。2013年中国银监会在简化支行行政审批流程后,部分中小银行通过设立支行的方式.以较快的速度弥补了自身在物理网点上的不足，扩大了金融服务覆盖面。对于这部分中小银行而言，降低固定资产增长率反而不利于提升银行全要素生产率。表7(4)(5)列列示了中小银行员工人数增长率(Sgr)的分析结果。歹J(4)中数字化转型指数的系数显著为负，表明银行通过数字化转型能够降低银行员工人数增长率.歹U(5)中员工人数增长率的系数显著为负，说明降低银行员工人数的增长率能够提升银行全要素生产率。中小银行通过数字化转型，利用智能化的设备替代机械性重复性的工作，从而减少员工需求进而降低成本，最终促进银行全要素生产率的提升。综上,研究假设2a不成立,研究假设2b成立。而对于国有大行而言，情况恰好相反。根据表7(7)(8)列的结果显示，国有大行的固定资产增长率系数显著为负。这意味着.通过数字化转型.国有大行通过将无接触业务将业务线上化，减少了对传统物理网点的依赖。而根据表7(9)(10)列所示，国有大行员工人数增长率系数并不显著，使用bootstrap进行检验后依旧不显著，说明国有大行全要素生产率的提升并不受员工人数增长率的影响。表7中小银行数字化转型对全要素生产率的影响机制检验(一)(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)TFPAgrTFPSgrTFPTFPAgrTFPSgrTFPDT0.021B-0.0120.020-0.0100.0150.041-0.058-0.016-0.0150.032(2.89)(-0.72)(2.83)(-2.72)(2.23)(1.90)(-2.89)(0.71)(-1.28)(1.51)-0.050-0,439”(-3.35)(-2.61)-0,523-0.591*(-8.18)(-2.02)控制变量控制控制控制控制控制控制控制控制控制控制固定效应控制控制控制控制控制控制控制控制控制控制样本量9449449449449444545454545R20.0290.0210.0420.1120.1010.1530.3420.2910.2840.241银行个数10610610610610655555注括号中为t统计量,*、*、*分别表示遥、5%、10%的显著水平(二)从增加收入的角度来看表8(2)(3)列显示了中小银行净利息收入(NII)的分析结果，列(2)中数字化转型指数的系数显著为正，表明中小银行通过数字化转型能够提升净利息收入。歹U(3)中净利息收入的系数显