论文部分内容阅读
摘要：本文运用2015—2019年中国44家上市券商的数据，实证检验金融科技对券商盈利能力增长的影响。研究结果表明，金融科技对企业盈利能力增长有积极影响，并且企业的较大规模，更强的竞争能力也对盈利能力产生积极影响，而单一的收入结构以及低效的管理对企业盈利具有负面影响。券商企业应通过加快金融科技布局、促进智能技术与券商业务深度融合、聚焦财富管理业务、利用数据分析完善服务与产品设计、加强金融科技人才引进与培养以及制定人才长期发展战略等金融科技与业务相结合的方式，提升企业竞争力，丰富收入结构以及提高管理效率，进而促进企业盈利能力增长。
关键词：金融科技;证券公司;回归模型
一、研究背景及意义
20世纪90年代，金融科技（Fintech）的概念由归属于花旗银行的研究项目“金融服务技术联盟”首次提出，而根据央行2019年8月出台的《金融科技（FinTech）发展规划（2019-2021年）》对金融科技的定义可知，金融科技是指运用人工智能、大数据、区块链、物联网等信息技术实现金融产品、业务流程以及经营模式等的改造与创新。随着金融行业的蓬勃发展，国内传统券商行业如今面临其他传统金融企业、互联网金融公司以及外资金融机构的多重冲击。与此同时，大部分券商公司目前也在积极加大金融科技的投入研发，通过金融科技同自身业务结合来保持核心竞争力。如何更好地利用金融科技促进自身服务实现更好的转型，提高产品质量以及提高经营效率，以此来促进企业盈利更快地增长是目前上市券商急需解决的问题。
二、文献综述
金融科技通常被理解为运用科技工具推动金融系统的变革与创新。有关学者围绕金融科技的内涵与技术特点进行了深入探讨。
2016年金融稳定委员会（FSB）首次对金融科技概念进行界定：金融科技是指通过技术进行金融创新，对金融产品、服务、金融机构以及金融市场带来变化的新产品服务、新技术应用以及新业务模式。而英国金融行为监管局（FCA）则界定金融科技是一种利用创新技术对公司目前的金融服务去中介化的进程。
国内有关研究中，易宪容（2017）认为金融科技同互联网金融以及科技金融有所区别。金融科技具体是将新技术用于金融行业，通过降低金融成本并提升金融效率的有效手段。需要重点区分的是，互联网金融强调的是传统金融服务与互联网技术相融合，本质上仍然属于金融。但金融科技主要强调科技，是服务于金融的科技产业。而周代数、张立超以及谭璐（2020）运用金融脱媒以及金融排斥理论分析券商金融科技发展动因，认为金融脱媒会促使金融服务更加线上化、数字化、虚拟化，而金融科技也会逐步缓解券商长期存在的金融排斥现象。
具体层面上，韩书成（2013）从券商经营效率出发，认为传统证券公司效率低下，需要通过创新以及科技人才培养提升经营效率。时分、时秒（2014）通过DEA方法针对29家不同规模券商做实证研究，结论认为，规模是影响经营效率重要因素，投入过多会造成规模报酬递减，但相比其他券商具有良好的竞争优势。而夏仕亮（2015）运用2009—2014年的数据进行实证分析，引入成本费用比作为变量，发现成本控制对获利影响显著。与此同时，王佳惠（2018）通过实证分析中信证券的收入结构发现券商要发展多元化收入以提高风险应对能力。
本文创新之处在于根据其他学者研究成果选择实证研究控制变量的同时，加入金融科技因素作为新的解释变量，并收集中国44家上市券商2015年至2019年的相关数据进行分析，然后采用相关性检验、KMO检验等分析方法对影响因素作进一步检验，最后建立多元回归模型对其影响因子作实证分析。
三、研究设计及实证分析
（一）模型建立
基于盈利能力分析相关理论，建立如下回归模型：
上述公式中，为盈利能力增长率，为该模型的被解释变量。表示金融科技投入情况，该变量作为模型的解释变量。到表示其他能够影响盈利能力变化的控制变量，表示企业规模变化影响，表示企业管理能力变化情况，表示企业主营业务收入结构变化情况，表示宏观经济环境变化，为模型的误差项。
（二）变量选取
1.被解释变量
本文研究金融科技对券商盈利能力增长的影响，所以券商盈利能力增长作为本文实证研究的因变量，盈利能力通常选取成本费用利润率、营业利润率、净资产收益率、总资产收益率以及资本收益率等指标，本文选取总资产净利率作为因变量研究对象，通过计算总资产净利率（ROA）增长率来分析企业盈利能力的变化情况。总资产净利率（ROA）增长率=（公司本年总资产净利率-公司上年总资产净利率）/公司上年总资产净利率。
2.解释变量
由于金融科技主要用于提升券商的管理能力、促进企业服务转型以及丰富企业的收入来源，研究比较难从数据端直观反映，而科研人员作为科技提升的主要因素，科研人员的数量占比能够很大程度反映一家公司的科研实力，故本文选择企业金融科技从业人员占员工总数的增长率作为自变量，用于解释企业金融科技投入程度以及水平高低。企业金融科技从业人员占员工总数的增长率=（公司本年金融科技从业人員占员工总数-公司上年金融科技从业人员占员工总数）/公司上年金融科技从业人员占员工总数。
3.控制变量
目前学界对券商盈利能力增长因素仍有诸多观点，不仅仅科研投入会对企业盈利能力造成影响，券商规模及业内竞争情况、管理能力、业务收入结构以及宏观环境因素也会影响券商的盈利增长。因此，为剔除影响上市券商盈利增长的其他因素，让模型结果更加精确，同时降低同一模块不同数据多重共线性影响，本文从每个模块中选出代表性数据即总资产规模占比增长率、成本收入比增长率、代理买卖证券业务净收入占比增长率以及GDP增长率（以年为单位）作为控制变量。
（1）总资产规模占比增长率 通常认为，企业总资产规模占市场总资产规模比重增长率能够反映一家企业的整体竞争力以及市场格局动态变化情况。因此本文选择总资产规模占比增长率作为控制变量之一。总资产规模占比增长率=（公司本年总资产占券商上市公司资产规模比例-公司上年总资产占券商上市公司资产规模比例）/公司上年总资产占券商上市公司资产规模比例。
（2）成本收入比增长率
一般来说，在估计券商盈利能力增长时，不能只考虑收入增长，而忽略成本对盈利能力增长的影响。一家公司成本费用高低一定程度上反映了管理水平的高低以及财务健康状况，而成本收入比增长率则反映企业成本控制能力的变化情况，所以，本文选择成本收入比增长率作为第二个控制变量。成本收入比增长率=（公司本年管理费用占营业收入的比例-公司上年管理费用占营业收入的比例）/公司上年管理费用占营业收入的比例。
（3）代理买卖证券业务净收入占比增长率
通常券商的主营业务收入主要包括代理买卖证券业务收入、手续费及佣金收入、证券承销业务收入、受托客户资产管理业务收入以及利息收入。而代理买卖证券业务净收入作为当前券商最重要的收入来源，在企业主营业务收入中占比最大，对企业的业务收入结构具有重要影响，而代理买卖证券业务净收入占比增长率则能反映企业收入结构变化情况。因此选择代理买卖证券业务净收入占比增长率作为文本的第三个控制变量。代理买卖证券业务净收入占比增长率=（公司本年代理买卖证券业务净收入占比-公司上年代理買卖证券业务净收入占比）/公司上年代理买卖证券业务净收入占比。
（4）GDP增长率
通常来说，金融行业较容易受宏观经济因素的影响，而券商作为金融行业中重要组成部分，当经济形势好时，券商盈利增长较快。而GDP增长率客观反映了宏观经济环境因素的变化状况，故选择GDP增长率（以年为单位）作为第四个控制变量。GDP增长率（以年为单位）的数据直接来源国家统计局。
（三）样本的选取及数据整理
金融科技首次引起中国市场关注是2015年，所以本文研究对象为2015年到2019年44家上市券商。本文数据主要来源于Wind数据库、锐思数据库、国家统计局。由于各券商公司上市时间，数据公布程度不同，为保证实验的准确性和数据的代表性，对数据公布不完整的，采取搜索公司年报补齐的方式，最后得到128个有效样本。关于自变量占比的计算和数据的汇总整理使用Excel工作表完成。所有计算过程均通过Stata14统计软件完成。本文数据样本涵盖大中小券商，其中已有券商资产规模占上市券商公司比重在2015到2019年分别为69%、69%、69%、76.6%和82%，具有较好的代表性。
（四）统计分析
为了便于对数据进行分析，用ROAG表示总资产收益率增长率，TEPG表示企业金融科技从业人员占员工总数的增长率，TAG表示总资产规模占比增长率，CIG表示成本收入比增长率，BSG表示代理买卖证券业务净收入占比增长率，GDPG表示GDP增长率。
1.描述性统计分析
被解释变量、解释变量和控制变量的描述性统计分析如表1所示。
从表1可知，金融科技从业人员占比变化率（TEPG）的标准差最大，为1.275 191，并且极差较大，为15.141 782，说明不同证券公司对于金融科技的投入程度存在巨大的差异，通常来说位于头部的券商公司财力较强，能够更好地投资科技产业，而其他小公司由于财务收入不稳定，甚至可能出现减少科研投入的情况，进而导致不同公司的科研规模增长速度不同。而总资产净利率增长率（ROAG）和总资产规模占比增长率（TAG）平均值大于0说明近几年券商行业处于增长的态势，且总资产规模在不断扩大。同时总资产规模占比增长率（TAG）最大值远大于最小值绝对值，而通常中小券商增长速度高于头部券商增长速度，则该数据主要说明资产规模增长主要是由市场中小券商迅速发展引起的。与此同时，成本收入比增长率（CIG）平均值为正说明企业的管理能力不能满足目前市场的发展，并且变量极差数值为3.439 209，处于最高水平，说明不同公司的管理水平存在较大区别，并且企业需要积极寻找新的途径来提升公司整体的管理能力，以提升企业经营效率。最后，从企业收入结构出发，由于中国证券交易主要集中于散户交易，且其他业务不够完善，代理买卖证券在很长一段时间都作为券商公司主要的收入来源而代理买卖证券业务净收入占比增长率（BSG）为负说明当前单一的收入结构已不能满足企业的发展需求，券商行业正通过完善其他业务来拓宽收入渠道。
2.相关性统计分析
本文对自变量与控制变量进行相关性统计分析，结果如表2。
按照通用标准，通常认为相关系数绝对值在0—0.3表示不存在相关性，0.3—0.6表示弱相关，0.6—0.8表示中等相关，而0.8—1.0表示强相关，从表2可知，所有相关系数绝对值均小于0.5，表示整体相关性不存在或仅有极弱的相关性。
（五）实证检验
1.多重共线性检验
为分析变量间是否存在多重共线性，本文对数据进行多重共线性检验，结果如表3所示。
可以用方差膨胀因子VIF来检验变量之间是否存在多重共线性，通常认为VIF越大，代表多重共线性越严重，会对回归分析结果造成显著影响。而一个经验规则认为，每一个变量对应一个VIF，当最大的VIF值都小于10时，可以认为不存在明显的多重共线性。而根据表3可知，自变量及控制变量的方差膨胀因子都远小于10，最大仅为2.13，因此可以认为该模型多重共线性程度不严重。
2.KMO检测
为进行更全面的变量相关性分析，检验数据是否存在公共因子，通过计算KMO值判断原始数据内部是否存在明显的公共因子，结果如表4所示。
通常认为，如果原始变量之间存在公共因子，则需要进行主成分分析和因子分析。根据Stata14计算可知原始数据的KMO值为0.304 0，通常KMO值大于0.5才能进行主成分分析和因子分析，该检验说明原始数据不适合作这两种分析。结合表3多重共线性检验结果说明该模型原始数据不存在明显的多重共线性、相互独立性较强，并且原始数据能较好地解释变量的变化。 （六）回归结果及分析
本文对44家上市券商2015年至2019年的相关数据建立多元回归模型，回归结果如表5所示。
从多元回归模型的回归结果来看，金融科技从业人员占员工总数的增长率（TEPG）、总资产规模增长率（TAG）、成本收入比增长率（CIG）和手续费及佣金净收入占比增长率（BSG）在0.05的水平上显著，且系数分别为0.228 735 2、0.593 602 3、-2.197 767 0和-1.254 088 0，该系数说明金融科技从业人员占员工总数的增长率（TEPG）和总资产规模占比增长率（TAG）会对企业总资产收益率增长率（ROAG）造成显著的积极影响。与此同时，该数据说明成本收入比增长率（CIG）和代理买卖证券业务净收入占比增长率（BSG）对企业总资产收益率增长率（ROAG）会造成明显的负面影响。而GDP增长率（GDPG）未通过显著性检验，不能说明该指标对企业总资产收益率增长率（ROAG）有显著关联。
以上数据结合全文可以说明，首先，券商行业受管理水平的影响非常明显，管理水平低的公司通常来说盈利能力较差。其次，代理买卖证券业务之所以会对企业盈利能力造成显著影响是由于中国目前的证券交易市场还是以散户交易为主的市场，在该市场中券商主要通过代理买卖证券进而收取费用，而中国散户的大量交易导致代理买卖证券业务收入成为大多数券商行业最主要的收入来源，该系数为负说明过多依赖代理买卖证券业务的券商收入结构过于单一，受经济周期和市场风险影响明显，不利于券商的利润增长。再者，总资产规模占比增长率与利润同方向增长则说明随着企業竞争力不断增强，公司逐渐抢夺原有券商公司的市场份额。随着公司占领的市场份额越来越多，话语权增大，抗风险能力更出色，规模效应导致在一定程度上大公司相较小公司经营成本更低并且效率更高，这会对企业长期盈利能力增长造成正面影响。而金融科技从业人员占员工总数的增长率的系数为正则说明金融科技对企业的利润增长的主要动因之一，主要原因是金融科技能够为券商财富管理业务转型提供强力助推剂，丰富券商的业务收入结构，而大数据分析能够提升企业的管理效率，进而提高企业同其他券商企业的竞争力，从而促进券商企业的盈利能力增长。
四、对策及建议
根据实证结果可知，金融科技对券商盈利增长具有积极作用。而金融科技主要从提高管理效率及简化业务流程、改善企业收入及财务结构、丰富已有产品种类等方面提升企业竞争力，进而促进企业资产规模扩张、盈利能力增长。本文将从以上几个方面对券商金融科技的实际运用提出具体建议。
（一）加快金融科技布局，促进智能技术与券商业务深度融合
首先，为迅速提高金融科技水平，券商可以通过注资、收购已有金融科技企业等方式获取核心技术以弥补自身短板。与此同时，针对关键共性技术，券商可自发组建行业联盟，开展深度合作，共同进行投入研发。其次，通过引入人工智能、大数据等新兴科技手段，促使券商前中后台部门业务流程自动化，以此减少处理数据、报告生成、对账以及结算等重复性高，模糊性低的工作所占用的企业资源。最后，企业应专门设立科技研发部门或者子公司，抢占技术制高点。并通过深入研究金融科技在公司整体层面的运用模式，不断优化现有业务流程，提升企业管理效率。
（二）聚焦财富管理业务，利用数据分析完善服务与产品设计
当前，券商金融科技业务布局已从之前机构保代业务、投资者交易业务逐渐转向财富管理业务，券商可以通过完善财富管理业务来扩宽原有收入渠道，丰富收入结构。具体表现为证券公司可以通过精准化、多维度的大数据分析方式生成用户画像并分析用户类别，以此挖掘潜在客户和聚焦存量客户深度开发，并根据用户画像运用差异化营销完成产品销售。与此同时，券商应加速智能投顾平台落地，该平台可以通过数据分析自动为客户提供决策建议并定制合适的产品组合，保证产品服务轻型化、敏捷化的同时，实现业务模式的创新。
（三）加强金融科技人才引进与培养，制定人才长期发展战略
金融科技人才作为金融科技发展重要因素之一，人才缺口已成为阻碍金融科技发展的巨大瓶颈。券商为更快抢占科技制高点，应加大金融人才引进与培养，最大程度填补金融科技现有的大量人才缺口。但从长期来看，当前市场的金融科技人才供给数量增长速度并不足以满足券商日渐增长的高端科技人才需求。因此，券商应主动制定人才长期发展规划，把人才培养放在金融科技投入的优先位置。与此同时，证券公司可以利用高校优质的学术资源及充足的生源，同高校开展金融科技人才联合培养，按照业界要求对学生进行实践授课，以此来培养和筛选优质人才，丰富企业金融科技人才后备库的同时，也能降低员工入职培养成本。
五、结语
本文通过对2015—2019年中国44家上市券商的数进行描述性分析，并经过多重共线性检验与KMO检验后，建立回归模型，进而实证检验金融科技及其他控制变量增长率对ROA增长率的影响。结论表明金融科技对企业盈利能力增长有积极影响，并且企业的较大规模、更强的竞争能力也对盈利能力产生积极影响，而单一的收入结构以及低效的管理对企业盈利具有负面影响。建议企业通过加强金融科技人才引进与培养、利用数据分析完善服务与产品设计以及促进智能技术与券商业务深度融合等方式，提升企业盈利能力水平。
参考文献：
[1]周代数，张立超，谭璐.券商金融科技发展的动因、风险与对策[J].海南金融，2020（3）.
[2]刘孟飞，蒋维.金融科技促进还是阻碍了商业银行效率？——基于中国银行业的实证研究[J/OL].当代经济科学.http：//kns.cnki.net/kcms/detail/61.1400.f.20200221.0931.002.html.
[3]赵旭.区块链技术对证券业发展的挑战及路径策略分析[J].武汉金融，2018（12）.
[4]赵鹞.Fintech的特征、兴起、功能及风险研究[J].金融监管研究，2016（9）.
[5]易宪容.金融科技的内涵、实质及未来发展——基于金融理论的一般性分析[J].江海学刊，2017（2）.
[6]皮天雷，刘垚森，吴鸿燕.金融科技：内涵、逻辑与风险监管[J].财经科学，2018（9）.
[7]韩书成，张帆，陈思琴，马浩然.证券公司经纪业务创新模式及其全面风险管理机理研究[J].金融经济，2013（18）.
[8]夏仕亮.券商收入结构与盈利能力关系实证检验[J].财会月刊，2015（32）.
[9]时分，时秒.基于DEA的创新类证券公司经营效率实证分析[J].金融经济，2014（24）.
基金项目：广东省研究生教育创新计划资助项目 （2019JGXM46）;2020 年广东省大学生创新创业计划项目。
关键词：金融科技;证券公司;回归模型
一、研究背景及意义
20世纪90年代，金融科技（Fintech）的概念由归属于花旗银行的研究项目“金融服务技术联盟”首次提出，而根据央行2019年8月出台的《金融科技（FinTech）发展规划（2019-2021年）》对金融科技的定义可知，金融科技是指运用人工智能、大数据、区块链、物联网等信息技术实现金融产品、业务流程以及经营模式等的改造与创新。随着金融行业的蓬勃发展，国内传统券商行业如今面临其他传统金融企业、互联网金融公司以及外资金融机构的多重冲击。与此同时，大部分券商公司目前也在积极加大金融科技的投入研发，通过金融科技同自身业务结合来保持核心竞争力。如何更好地利用金融科技促进自身服务实现更好的转型，提高产品质量以及提高经营效率，以此来促进企业盈利更快地增长是目前上市券商急需解决的问题。
二、文献综述
金融科技通常被理解为运用科技工具推动金融系统的变革与创新。有关学者围绕金融科技的内涵与技术特点进行了深入探讨。
2016年金融稳定委员会（FSB）首次对金融科技概念进行界定：金融科技是指通过技术进行金融创新，对金融产品、服务、金融机构以及金融市场带来变化的新产品服务、新技术应用以及新业务模式。而英国金融行为监管局（FCA）则界定金融科技是一种利用创新技术对公司目前的金融服务去中介化的进程。
国内有关研究中，易宪容（2017）认为金融科技同互联网金融以及科技金融有所区别。金融科技具体是将新技术用于金融行业，通过降低金融成本并提升金融效率的有效手段。需要重点区分的是，互联网金融强调的是传统金融服务与互联网技术相融合，本质上仍然属于金融。但金融科技主要强调科技，是服务于金融的科技产业。而周代数、张立超以及谭璐（2020）运用金融脱媒以及金融排斥理论分析券商金融科技发展动因，认为金融脱媒会促使金融服务更加线上化、数字化、虚拟化，而金融科技也会逐步缓解券商长期存在的金融排斥现象。
具体层面上，韩书成（2013）从券商经营效率出发，认为传统证券公司效率低下，需要通过创新以及科技人才培养提升经营效率。时分、时秒（2014）通过DEA方法针对29家不同规模券商做实证研究，结论认为，规模是影响经营效率重要因素，投入过多会造成规模报酬递减，但相比其他券商具有良好的竞争优势。而夏仕亮（2015）运用2009—2014年的数据进行实证分析，引入成本费用比作为变量，发现成本控制对获利影响显著。与此同时，王佳惠（2018）通过实证分析中信证券的收入结构发现券商要发展多元化收入以提高风险应对能力。
本文创新之处在于根据其他学者研究成果选择实证研究控制变量的同时，加入金融科技因素作为新的解释变量，并收集中国44家上市券商2015年至2019年的相关数据进行分析，然后采用相关性检验、KMO检验等分析方法对影响因素作进一步检验，最后建立多元回归模型对其影响因子作实证分析。
三、研究设计及实证分析
（一）模型建立
基于盈利能力分析相关理论，建立如下回归模型：
上述公式中，为盈利能力增长率，为该模型的被解释变量。表示金融科技投入情况，该变量作为模型的解释变量。到表示其他能够影响盈利能力变化的控制变量，表示企业规模变化影响，表示企业管理能力变化情况，表示企业主营业务收入结构变化情况，表示宏观经济环境变化，为模型的误差项。
（二）变量选取
1.被解释变量
本文研究金融科技对券商盈利能力增长的影响，所以券商盈利能力增长作为本文实证研究的因变量，盈利能力通常选取成本费用利润率、营业利润率、净资产收益率、总资产收益率以及资本收益率等指标，本文选取总资产净利率作为因变量研究对象，通过计算总资产净利率（ROA）增长率来分析企业盈利能力的变化情况。总资产净利率（ROA）增长率=（公司本年总资产净利率-公司上年总资产净利率）/公司上年总资产净利率。
2.解释变量
由于金融科技主要用于提升券商的管理能力、促进企业服务转型以及丰富企业的收入来源，研究比较难从数据端直观反映，而科研人员作为科技提升的主要因素，科研人员的数量占比能够很大程度反映一家公司的科研实力，故本文选择企业金融科技从业人员占员工总数的增长率作为自变量，用于解释企业金融科技投入程度以及水平高低。企业金融科技从业人员占员工总数的增长率=（公司本年金融科技从业人員占员工总数-公司上年金融科技从业人员占员工总数）/公司上年金融科技从业人员占员工总数。
3.控制变量
目前学界对券商盈利能力增长因素仍有诸多观点，不仅仅科研投入会对企业盈利能力造成影响，券商规模及业内竞争情况、管理能力、业务收入结构以及宏观环境因素也会影响券商的盈利增长。因此，为剔除影响上市券商盈利增长的其他因素，让模型结果更加精确，同时降低同一模块不同数据多重共线性影响，本文从每个模块中选出代表性数据即总资产规模占比增长率、成本收入比增长率、代理买卖证券业务净收入占比增长率以及GDP增长率（以年为单位）作为控制变量。
（1）总资产规模占比增长率 通常认为，企业总资产规模占市场总资产规模比重增长率能够反映一家企业的整体竞争力以及市场格局动态变化情况。因此本文选择总资产规模占比增长率作为控制变量之一。总资产规模占比增长率=（公司本年总资产占券商上市公司资产规模比例-公司上年总资产占券商上市公司资产规模比例）/公司上年总资产占券商上市公司资产规模比例。
（2）成本收入比增长率
一般来说，在估计券商盈利能力增长时，不能只考虑收入增长，而忽略成本对盈利能力增长的影响。一家公司成本费用高低一定程度上反映了管理水平的高低以及财务健康状况，而成本收入比增长率则反映企业成本控制能力的变化情况，所以，本文选择成本收入比增长率作为第二个控制变量。成本收入比增长率=（公司本年管理费用占营业收入的比例-公司上年管理费用占营业收入的比例）/公司上年管理费用占营业收入的比例。
（3）代理买卖证券业务净收入占比增长率
通常券商的主营业务收入主要包括代理买卖证券业务收入、手续费及佣金收入、证券承销业务收入、受托客户资产管理业务收入以及利息收入。而代理买卖证券业务净收入作为当前券商最重要的收入来源，在企业主营业务收入中占比最大，对企业的业务收入结构具有重要影响，而代理买卖证券业务净收入占比增长率则能反映企业收入结构变化情况。因此选择代理买卖证券业务净收入占比增长率作为文本的第三个控制变量。代理买卖证券业务净收入占比增长率=（公司本年代理买卖证券业务净收入占比-公司上年代理買卖证券业务净收入占比）/公司上年代理买卖证券业务净收入占比。
（4）GDP增长率
通常来说，金融行业较容易受宏观经济因素的影响，而券商作为金融行业中重要组成部分，当经济形势好时，券商盈利增长较快。而GDP增长率客观反映了宏观经济环境因素的变化状况，故选择GDP增长率（以年为单位）作为第四个控制变量。GDP增长率（以年为单位）的数据直接来源国家统计局。
（三）样本的选取及数据整理
金融科技首次引起中国市场关注是2015年，所以本文研究对象为2015年到2019年44家上市券商。本文数据主要来源于Wind数据库、锐思数据库、国家统计局。由于各券商公司上市时间，数据公布程度不同，为保证实验的准确性和数据的代表性，对数据公布不完整的，采取搜索公司年报补齐的方式，最后得到128个有效样本。关于自变量占比的计算和数据的汇总整理使用Excel工作表完成。所有计算过程均通过Stata14统计软件完成。本文数据样本涵盖大中小券商，其中已有券商资产规模占上市券商公司比重在2015到2019年分别为69%、69%、69%、76.6%和82%，具有较好的代表性。
（四）统计分析
为了便于对数据进行分析，用ROAG表示总资产收益率增长率，TEPG表示企业金融科技从业人员占员工总数的增长率，TAG表示总资产规模占比增长率，CIG表示成本收入比增长率，BSG表示代理买卖证券业务净收入占比增长率，GDPG表示GDP增长率。
1.描述性统计分析
被解释变量、解释变量和控制变量的描述性统计分析如表1所示。
从表1可知，金融科技从业人员占比变化率（TEPG）的标准差最大，为1.275 191，并且极差较大，为15.141 782，说明不同证券公司对于金融科技的投入程度存在巨大的差异，通常来说位于头部的券商公司财力较强，能够更好地投资科技产业，而其他小公司由于财务收入不稳定，甚至可能出现减少科研投入的情况，进而导致不同公司的科研规模增长速度不同。而总资产净利率增长率（ROAG）和总资产规模占比增长率（TAG）平均值大于0说明近几年券商行业处于增长的态势，且总资产规模在不断扩大。同时总资产规模占比增长率（TAG）最大值远大于最小值绝对值，而通常中小券商增长速度高于头部券商增长速度，则该数据主要说明资产规模增长主要是由市场中小券商迅速发展引起的。与此同时，成本收入比增长率（CIG）平均值为正说明企业的管理能力不能满足目前市场的发展，并且变量极差数值为3.439 209，处于最高水平，说明不同公司的管理水平存在较大区别，并且企业需要积极寻找新的途径来提升公司整体的管理能力，以提升企业经营效率。最后，从企业收入结构出发，由于中国证券交易主要集中于散户交易，且其他业务不够完善，代理买卖证券在很长一段时间都作为券商公司主要的收入来源而代理买卖证券业务净收入占比增长率（BSG）为负说明当前单一的收入结构已不能满足企业的发展需求，券商行业正通过完善其他业务来拓宽收入渠道。
2.相关性统计分析
本文对自变量与控制变量进行相关性统计分析，结果如表2。
按照通用标准，通常认为相关系数绝对值在0—0.3表示不存在相关性，0.3—0.6表示弱相关，0.6—0.8表示中等相关，而0.8—1.0表示强相关，从表2可知，所有相关系数绝对值均小于0.5，表示整体相关性不存在或仅有极弱的相关性。
（五）实证检验
1.多重共线性检验
为分析变量间是否存在多重共线性，本文对数据进行多重共线性检验，结果如表3所示。
可以用方差膨胀因子VIF来检验变量之间是否存在多重共线性，通常认为VIF越大，代表多重共线性越严重，会对回归分析结果造成显著影响。而一个经验规则认为，每一个变量对应一个VIF，当最大的VIF值都小于10时，可以认为不存在明显的多重共线性。而根据表3可知，自变量及控制变量的方差膨胀因子都远小于10，最大仅为2.13，因此可以认为该模型多重共线性程度不严重。
2.KMO检测
为进行更全面的变量相关性分析，检验数据是否存在公共因子，通过计算KMO值判断原始数据内部是否存在明显的公共因子，结果如表4所示。
通常认为，如果原始变量之间存在公共因子，则需要进行主成分分析和因子分析。根据Stata14计算可知原始数据的KMO值为0.304 0，通常KMO值大于0.5才能进行主成分分析和因子分析，该检验说明原始数据不适合作这两种分析。结合表3多重共线性检验结果说明该模型原始数据不存在明显的多重共线性、相互独立性较强，并且原始数据能较好地解释变量的变化。 （六）回归结果及分析
本文对44家上市券商2015年至2019年的相关数据建立多元回归模型，回归结果如表5所示。
从多元回归模型的回归结果来看，金融科技从业人员占员工总数的增长率（TEPG）、总资产规模增长率（TAG）、成本收入比增长率（CIG）和手续费及佣金净收入占比增长率（BSG）在0.05的水平上显著，且系数分别为0.228 735 2、0.593 602 3、-2.197 767 0和-1.254 088 0，该系数说明金融科技从业人员占员工总数的增长率（TEPG）和总资产规模占比增长率（TAG）会对企业总资产收益率增长率（ROAG）造成显著的积极影响。与此同时，该数据说明成本收入比增长率（CIG）和代理买卖证券业务净收入占比增长率（BSG）对企业总资产收益率增长率（ROAG）会造成明显的负面影响。而GDP增长率（GDPG）未通过显著性检验，不能说明该指标对企业总资产收益率增长率（ROAG）有显著关联。
以上数据结合全文可以说明，首先，券商行业受管理水平的影响非常明显，管理水平低的公司通常来说盈利能力较差。其次，代理买卖证券业务之所以会对企业盈利能力造成显著影响是由于中国目前的证券交易市场还是以散户交易为主的市场，在该市场中券商主要通过代理买卖证券进而收取费用，而中国散户的大量交易导致代理买卖证券业务收入成为大多数券商行业最主要的收入来源，该系数为负说明过多依赖代理买卖证券业务的券商收入结构过于单一，受经济周期和市场风险影响明显，不利于券商的利润增长。再者，总资产规模占比增长率与利润同方向增长则说明随着企業竞争力不断增强，公司逐渐抢夺原有券商公司的市场份额。随着公司占领的市场份额越来越多，话语权增大，抗风险能力更出色，规模效应导致在一定程度上大公司相较小公司经营成本更低并且效率更高，这会对企业长期盈利能力增长造成正面影响。而金融科技从业人员占员工总数的增长率的系数为正则说明金融科技对企业的利润增长的主要动因之一，主要原因是金融科技能够为券商财富管理业务转型提供强力助推剂，丰富券商的业务收入结构，而大数据分析能够提升企业的管理效率，进而提高企业同其他券商企业的竞争力，从而促进券商企业的盈利能力增长。
四、对策及建议
根据实证结果可知，金融科技对券商盈利增长具有积极作用。而金融科技主要从提高管理效率及简化业务流程、改善企业收入及财务结构、丰富已有产品种类等方面提升企业竞争力，进而促进企业资产规模扩张、盈利能力增长。本文将从以上几个方面对券商金融科技的实际运用提出具体建议。
（一）加快金融科技布局，促进智能技术与券商业务深度融合
首先，为迅速提高金融科技水平，券商可以通过注资、收购已有金融科技企业等方式获取核心技术以弥补自身短板。与此同时，针对关键共性技术，券商可自发组建行业联盟，开展深度合作，共同进行投入研发。其次，通过引入人工智能、大数据等新兴科技手段，促使券商前中后台部门业务流程自动化，以此减少处理数据、报告生成、对账以及结算等重复性高，模糊性低的工作所占用的企业资源。最后，企业应专门设立科技研发部门或者子公司，抢占技术制高点。并通过深入研究金融科技在公司整体层面的运用模式，不断优化现有业务流程，提升企业管理效率。
（二）聚焦财富管理业务，利用数据分析完善服务与产品设计
当前，券商金融科技业务布局已从之前机构保代业务、投资者交易业务逐渐转向财富管理业务，券商可以通过完善财富管理业务来扩宽原有收入渠道，丰富收入结构。具体表现为证券公司可以通过精准化、多维度的大数据分析方式生成用户画像并分析用户类别，以此挖掘潜在客户和聚焦存量客户深度开发，并根据用户画像运用差异化营销完成产品销售。与此同时，券商应加速智能投顾平台落地，该平台可以通过数据分析自动为客户提供决策建议并定制合适的产品组合，保证产品服务轻型化、敏捷化的同时，实现业务模式的创新。
（三）加强金融科技人才引进与培养，制定人才长期发展战略
金融科技人才作为金融科技发展重要因素之一，人才缺口已成为阻碍金融科技发展的巨大瓶颈。券商为更快抢占科技制高点，应加大金融人才引进与培养，最大程度填补金融科技现有的大量人才缺口。但从长期来看，当前市场的金融科技人才供给数量增长速度并不足以满足券商日渐增长的高端科技人才需求。因此，券商应主动制定人才长期发展规划，把人才培养放在金融科技投入的优先位置。与此同时，证券公司可以利用高校优质的学术资源及充足的生源，同高校开展金融科技人才联合培养，按照业界要求对学生进行实践授课，以此来培养和筛选优质人才，丰富企业金融科技人才后备库的同时，也能降低员工入职培养成本。
五、结语
本文通过对2015—2019年中国44家上市券商的数进行描述性分析，并经过多重共线性检验与KMO检验后，建立回归模型，进而实证检验金融科技及其他控制变量增长率对ROA增长率的影响。结论表明金融科技对企业盈利能力增长有积极影响，并且企业的较大规模、更强的竞争能力也对盈利能力产生积极影响，而单一的收入结构以及低效的管理对企业盈利具有负面影响。建议企业通过加强金融科技人才引进与培养、利用数据分析完善服务与产品设计以及促进智能技术与券商业务深度融合等方式，提升企业盈利能力水平。
参考文献：
[1]周代数，张立超，谭璐.券商金融科技发展的动因、风险与对策[J].海南金融，2020（3）.
[2]刘孟飞，蒋维.金融科技促进还是阻碍了商业银行效率？——基于中国银行业的实证研究[J/OL].当代经济科学.http：//kns.cnki.net/kcms/detail/61.1400.f.20200221.0931.002.html.
[3]赵旭.区块链技术对证券业发展的挑战及路径策略分析[J].武汉金融，2018（12）.
[4]赵鹞.Fintech的特征、兴起、功能及风险研究[J].金融监管研究，2016（9）.
[5]易宪容.金融科技的内涵、实质及未来发展——基于金融理论的一般性分析[J].江海学刊，2017（2）.
[6]皮天雷，刘垚森，吴鸿燕.金融科技：内涵、逻辑与风险监管[J].财经科学，2018（9）.
[7]韩书成，张帆，陈思琴，马浩然.证券公司经纪业务创新模式及其全面风险管理机理研究[J].金融经济，2013（18）.
[8]夏仕亮.券商收入结构与盈利能力关系实证检验[J].财会月刊，2015（32）.
[9]时分，时秒.基于DEA的创新类证券公司经营效率实证分析[J].金融经济，2014（24）.
基金项目：广东省研究生教育创新计划资助项目 （2019JGXM46）;2020 年广东省大学生创新创业计划项目。