“机器代人”还是“创新聚人”？

王华 马晓芳

摘   要：不断发展的数字金融深刻改变着我国现有的金融格局，对传统金融行业的就业造成了巨大的冲击。一方面，数字金融“机器代人”效应，将会缩减传统金融业的就业规模；另一方面，数字金融的“创新聚人”效应却会对传统金融业就业规模起到促进作用。数字金融对传统金融行业就业规模的影响究竟是怎样的？本文通过城市级面板数据，实证检验数字金融对传统金融业就业规模的影响、作用机制及其异质性表现。研究发现：数字金融的发展对传统金融业总体的就业影响更多是“机器代人”效应。本文的研究结论意味着，数字金融在带来便利的同时，也会带来失业的风险，应该理性看待数字金融带来的金融智能化发展模式，并积极适应金融智能化转型。

关键词：数字金融；就业规模；机器代人；创新聚人

DOI：10.3969/j.issn.1003-9031.2024.02.005

中图分类号：F830             文献标识码：A     文章编号：1003－9031（2024）02－0058－18

一、引言及文献综述

随着以Chat GPT为代表的人工智能技术取得里程碑式的突破，其强大的功能引发全球关注，也让在人工智能时代下不断完善的数字金融对传统金融行业所形成的颠覆式改变引发了我们的思考。以大数据、云计算、人工智能等智能技术为支撑的数字金融，一方面，打破了传统金融服务的“二八定律”，扩大了金融服务的消费群体与产业规模；另一方面，通过绕过传统金融中介，让资金供需双方实现直接对接，提高了资金的利用效率。数字金融逐渐成为我国传统金融业企业在此次浪潮下追求持续成长的必然选择，与此同时，数字金融作为金融领域中的技术变革将会对传统金融行业的就业规模造成何种影响。

数字金融尚处于不断演进的过程中，当今世界并未对其形成共同的认识。在现有的研究成果当中，数字金融的概念类似于“互联网金融”和“金融科技”。其中，“互联网金融”是偏向于互联网科技与金融的衔接，更加注重互联网技术与金融的结合，而“金融科技”是偏向于新型技术对金融服务的升级，希望通过技术创新来实现金融行业的改头换面，以此来改变金融业务与金融市场，其本质更注重金融（谢平和邹传伟，2012）。黄益平（2018）认为数字金融是一种更加广泛、更加中性的概念，它包含了“互联网金融”多元化的信息渠道和“金融科技”的创新技术，互联网企业通过深入使用先进的数字科技进行金融服务深化和金融产品创新而产生的新型金融业态。本文在此基础上，结合我国数字经济的发展现状，认为数字金融是在数字经济的推动下，新兴的互联网企业通过运用先进的信息技术实现现代多元媒体与金融服务的融合，引发的一种新金融业态，并没有因为其深度使用数字技术而改变其本质属性，改变的仅仅只是金融的形成方式、外在形式与服务方式，现如今其主要表现为移动支付、网络借贷、数字化理财等金融模式。

与之相对的传统金融行业由银行业、证券业、保险业、信托、基金、典当、金融租赁、财务公司等金融机构组成（杨艳琳等，2015）。传统金融业务的开展往往需要实体业务点以及销售人员走访完成，数字金融通过虚拟通道可以在任何时间节点完成，而且数字金融依托大数据和云计算让投资信息变得透明并及时送达给各个投资者，改变了以往信息不对称或消息滞后经常导致的决策错误的局面，突破了以往传统金融时间和空间上的局限性。并且数字金融让资金高效地汇集使得一些以往需要高投入的投资项目如今成为可能，成功将业务成本转嫁至第三方，以最小成本运营，对提高企业的利润率有着重要作用，其众多优势使得我国的数字金融正进行着爆炸式的发展（谢平和邹传伟，2012；刘澜飚，2013）。

Huixin and Chunmei（2013）发现数字金融的到来虽然促进了社会生产力的提升和经济水平的增长，但同时也给传统金融行业的就业带来了一定阻碍。朱太辉等（2016）认为数字金融的快速发展很大程度改变了传统金融业务的服务方式，传统金融从业者无法在这一次技术变革中做到“无缝衔接”，很可能引发技术性失业的风险。廖岷（2017）基于金融科技的角度，研究了新科技所带来的人工智能对传统的金融体系的冲击，发现科技进步提升了金融服务的质量，但也导致了金融行业的竞争更加激烈，会造成大面积“机器代人”的現象。数字金融高效便捷的模式，挤占了大量传统金融业的业务，减少了金融机构对劳动力的需求（李婷等，2022）。与传统金融相比，数字金融由于打破了时间上和空间上的限制，整体上压缩了很多金融中介机构的生存空间，在为整个金融市场带来新的生机与模式的同时，也大规模地减少了传统金融业的就业规模（Lee and Shin，2018）。

但是，也有学者认为数字金融由于极大地缓解了传统金融机构的融资约束，利于传统金融机构进行投融资、增加产量以及扩大生产规模，而增加对金融劳动力的需求量（孟娜娜和粟勤，2020；邱志刚等，2020）。同时也通过拓展金融边界，衍生出更多的金融产品与金融服务的需求，直接导致对劳动力的需求增加（Drasch et al.，2018）。数字金融不仅可以扩大金融劳动力的需求规模进而促进金融业就业，也可以由于其“创新性”而直接衍生出一些新的就业岗位，如产品经理、移动端和PC端的设计与研发以及数据分析与建模等（尹志超，2021）。并且数字金融还可以激励居民运用技术创新进行自由的金融创业（杜念宇和赵建，2023）。这意味着数字金融的发展将达到“创新聚人”的效果。

综合现有研究，数字金融对传统金融行业就业规模的影响效应尚不清晰。数字金融的发展，一方面不可避免地对传统金融业就业产生了替代，且其对就业者技能水平的高要求也造成了结构性、摩擦性失业现象的出现；另一方面，数字金融也赋予了劳动者更多的选择权与自由度，催生了新的金融业就业形态从而促进了就业规模的扩张。金融业作为带动经济发展的关键力量，数字金融的发展和应用对传统金融业就业规模是否以及产生何种影响，是“机器代人”还是“创新聚人”是目前亟需回答的问题。只有厘清数字金融发展与金融业就业规模的关系，才能更好地发展金融行业，增进民生福祉。本文采用市级面板数据进行实证检验与分析，尝试就数字金融对我国传统金融行业就业规模的影响进行探析，以期为该领域研究补充相关证据。

二、理论分析与研究假说

Dale T Mortensen（1998）研究发现，科技进步既能创造新的就业岗位也能减少旧的就业岗位，但总体上就业人数是减少的。杨艳琳等（2015）发现金融相关部门的技术进步对其就业更多表现为阻碍作用。数字金融促进就业的效果目前总体上并不理想。一方面，创造新的就业岗位，需要与人力资本进行一定程度的磨合，金融企业将会受到较大的约束并且需要承担较高的投资风险（孙灵燕，2023）；另一方面，行业规模的持續扩大所带来的就业效应需要以稳固的实体经济为基石，如果实体经济的提升程度没有与行业规模的发展程度适配，那么通过扩大生产规模而促进劳动力需求的作用会大打折扣（李辉和邓琪钰，2023）。并且，目前我国金融发展现状同发达国家相比不够完善，我国金融机构大多采用多层控股的形式，不仅容易存在结构冗多的问题而且面对新形势的挑战难以快速做出创新性的改变。金融机构普遍缺乏创新思维，大多情况下采取照搬照抄的运营模式，较少根据自身具体情况创建独具特色的发展模式，让数字金融的创新效应无法得到充分的发挥。此外，金融市场管理不规范，金融竞争混乱，企业过度看重短期效益，推出产品和服务的速度大于质量。上述种种导致无法充分发挥技术革新所带来的“创新聚人”效应，数字金融所蕴含的巨大潜力有待挖掘。

近年来，金融行业出现了大规模的裁员现象。英国汇丰银行和德意志银行分别于2021年和2022年削减3.5万个和1.8万个工作岗位；我国四大国有银行近五年每年减员人数连续超过2.6万人；美国富国银行裁员在2022年规模达到最大，“优化”岗位数达6.6万个，占总岗位数的四分之一；日本保险巨头于2019年便启用智能机器人代替30%理赔员工；巴黎证交所宣称在数字金融的帮助下只需不到10名交易员就可完成全法国的现金股票交易业务；据花旗银行的报告称：未来十年中，仅欧美银行业就将有30%从业人员失业，金融行业就业形势严峻。数字金融这一新型金融业态所带来的这种不可逆的冲击，所呈现的更多的是“机器代人”现象。

由于技术革新所带来的技术进步往往更容易取代依赖旧技术的工人（Michael Podgursky，1995）。金融业由于同时具有金融属性和技术属性，其本身的技术属性决定了在数字金融广泛渗入不断打破技能边界的当代，传统金融业将会出现大规模的“机器代人”现象。牛津大学的相关研究指出，在目前现存的技能职业中，传统金融这一行业最容易受到由于科技进步所带来的就业威胁。Frey（2016）系统分析美国全行业就业数据，认为传统金融业就业由于科技进步遭受“机器代人”影响尤为突出。另外，数字金融发展加速金融“脱媒”，微信、支付宝等移动支付方式因其便捷性等优势，从处于传统金融边缘的小额投资者逐渐到个体资产量较大的专业机构与企业，不断抢占传统金融机构客户，挤压传统金融机构业务，传统金融业务所占市场越来越少（吴桐桐，2021）。银行等金融机构的客户越来越适应新技术带来的优越性，为使金融业务的办理更加智能化，迫使这些金融机构进行业务和战略的重新调整，应用智能机器来代替金融从业人员，这种冲击对原有的就业岗位是具有破坏性的（陈柱等，2017），如投行业及证券业大量固定格式的文档撰写工作、量化交易以及投资顾问等岗位逐渐被机器所取代，金融行业越来越呈现“机器代人”的现象。数字金融的快速发展会使更多金融从业人员面临失业问题（杨萌萌，2018）。

基于上述分析，提出假说1：数字金融的发展对传统金融业就业的“机器代人”效应大于“创新聚人”效应。

数字金融的快速发展，使金融机构借助更为先进的技术手段，获得更加全面和精准的信息，可促进相关利益方获得真实、一致的信息，降低信息不对称引起的金融摩擦、金融抑制以及金融错配，并提高金融运行和交易进行的效率（唐松，2020）。先进技术给传统行业带来的技术优化，改变了传统行业的工作方式，由以往的人工服务为主到半自动化服务再到现在的信息化服务，大幅地提升了行业劳动力的工作效率。一方面，数字金融提高工作效率导致传统金融机构所提供的服务和产品的周期都大幅缩短，这使得每段时期所需要的工人数量大量减少，大量工人频繁地暂时性失业（谢姗姗，2018），从而使得金融行业劳动力市场均衡状态下的失业人数增加；另一方面，生产周期的缩短等同于机构收回运转资金的周期缩短，降低了传统金融机构投资的成本与风险，将会加剧新企业进入此行业的困难，从而减少了可以创造的社会就业岗位，拉长了金融业失业者重新就业的周期。

基于上述分析，提出假说2：数字金融通过提高工作效率减少了传统金融业总体的就业规模。

数字金融让移动数字技术不断渗入我们的生活与工作当中，智能电子设备以及各类网络app的频繁使用，让更多人使用移动支付、网上贷款、网络购物、数字理财（黄益平，2018）。一方面，数字金融与物联网和电子商务的结合，便于居民找到更适合自己的资产交易模式和风险管理工具，因此“自金融”的现象越来越多（董婧璇，2022）。与此同时，移动数字技术的不断普及形成网络效应，帮助人们建立了自己的信息网格，快速获取以往难以获取到的金融信息和知识，大幅度地减少了对人工服务的需求，进而减少了金融机构对劳动力的需求（温涛，2023）。另一方面，数字金融通过转变业务形式打破了金融服务在时间上和空间上的限制，相应缩减了金融机构物理网点的布局规模，减少了建设营业网点所必需的门面、柜台、专业人员等成本投入。据统计，2020年我国有超过2000家银行网点退出金融市场，2022年银行网点退出数量进一步增加，达到2809家，金融业物理网点大幅度减少，金融业进入新的业态模式。

基于上述分析，提出假说3：数字金融通过转变业务形式减少了传统金融业总体的就业规模。

随着数字金融的潮流涌动以及金融同行业竞争的进一步激烈，智能化成为金融机构发展的必然方向。各金融机构为升级与改造自身科技将会投入大量的成本，逐步增加新型金融业态，不断创新金融模式，以此来加强自身在现今金融行业中的竞争力。同时，金融机构为了运用先进设备和技术，将会在招聘人才时更加倾向于具有熟练技术以及专业知识的复合型人才，从根源上大幅提高了金融业就业的门槛（李晓栋等，2022）。同时，为了满足工作岗位的技能需求，金融机构将进一步对人力资本进行定向选择（向秀莉等，2022），适应数字金融所带来的需求变化的人力资本，进一步提升金融业从业人员的就业门槛。

金融业的人力资源配置由此改变，一方面为适应数字金融带来的个性化金融产品的扩张，对劳动者的素质和能力提出了更高的要求，从事重复性和机械性工作的传统从业人员逐渐被机器所取代。如数字货币、虚拟智能账户等的出现，让人工查看文档、搜索信息甚至数据分析等一些金融工作将会消失，一些前台分析、销售人员甚至合规管理人员也将被人工智能所取代。另一方面，由于数字金融可以在前端服务客户，在中台参与金融授信、金融风险分析和各类金融交易中的决策，在后台可用于金融业务的监督和金融风险的防范，实现“以一抵三”的效果，这是大部分普通劳动力难以达到的程度，金融机构出于利润最大化的考虑，将会提前终止上述金融业务服务岗位，从而减少金融行业的就业数量。

基于上述分析，提出假说4：数字金融通过提高就业门槛减少了传统金融业总体的就业规模。

我国传统金融行业一直以来内部存在不平衡现象，其中银行业长期以来处于主导地位，占据了金融行业的绝大多数经济资源与人力资源，同时由于其偏向“铁饭碗”的工作类型，更是一度成为了热门的工作岗位。近几年随着我国金融体制的不断完善，银行业在金融业的比值相应下降，而其余行业在金融业占据了越来越多的资源与份额。金融业的不断发展让人员结构不断符合其行业结构的需求，这是行业结构不断适应社会需求的结果（杨艳琳等，2015）。由于其工作内容、人力资本素质以及社会需求的匹配程度的差异性，数字金融对其所带来的影响将会不同。为了具体探究数字金融对我国金融业就业结构造成的影响，我们按照目前的主流传统金融业范围，分别研究数字金融对其子行业就业规模所造成的影响。

由于一个国家或地区的金融活动和金融资源在若干区域的空间分布状态是非均衡的，将会影响地区的发展以及对数字金融的适应能力（曾妮妮等，2016）。尤其是随着我国近年来所实施的“西部大开发”“中部崛起”“东北振兴”等一系列区域协调战略的深入推进，在此过程中金融活动或金融资源伴随着区域的协调发展，各地区的金融活动和金融资源形成了地区间差异。如图3所示，从目前北京大学普惠金融指数所公布的最新的2021年省级层面的数据来看，无论是从数字金融覆盖广度、使用深度和数字化程度三个子项来看，还是从数字金融总指数来看，数字金融在不同省份间呈现不均衡的发展态势。总体来看，我国数字金融的发展呈现东高西低的态势。我国各地区金融人力资源、发展规模、完善程度都呈现地区间差距，这将会让数字金融的发展对各地区传统金融业就业规模的影响效应产生一定程度的差异。

基于此，提出如下研究假说：

假说5a：数字金融对传统金融业就业规模影响具有子行业异质性。

假说5b：数字金融对传统金融业就业规模影响具有地区异质性。

三、数据、变量与模型设定

（一）数据来源

由于目前缺乏直接的数字金融数据，目前关于构建各地区数字金融的测量方式有以下三种：第一种，通过百度新闻高级检索搜索“地级市+数字金融关键词”的搜索量与地级市进行匹配作为地区数字金融发展水平的代理变量（金洪飞等，2020；李春涛等，2020）；第二种，各市数字金融公司数量作为当地数字金融发展水平的指标（宋敏等，2021）；第三种，因为互联网货币基金业务的开展依赖于第三方支付，两者间的相关性较强，选取第三方支付规模作为数字金融发展的测度指标（战明华等，2020；许月丽等，2020）。本文认为，第一种方式所得到的数据未筛除无关或错误信息，因而欠缺准确性；第二种方式所得到的数据，测量误差较大难以反映当地数字金融供给端情况等问题；第三种方式所得到的数据仅采用支付规模数据则过于片面。

而中国数字金融与当前数字普惠金融实践具有很强的相关性，所以采用北京大学数字金融研究中心编制的中国数字普惠金融指数代替数字金融（赵亚雄和王修华，2022；谢绚丽等，2018；邱晗等，2018）。在本研究中，我们也沿用这一设定。基于这一指数，葛和平和朱卉雯（2018）建立了突出数字支持金融服务的测量体系，并指出我国数字金融发展呈现空间集聚特征，出现了巨大的地区差距，即东部发展水平远高于中西部。对于数字金融的影响因素方面，除了地区经济发展水平、城市规模、人口密度、地理位置等常规影响因素以外，数字技术发展水平与数字普惠金融的数字化程度、覆盖广度具有显著的正向关系（陈惠中等，2023；吴金旺等，2018）等。该数据库通过运用无量纲化方法和层次分析法，借鉴以往的学者和机构在编制普惠金融指数所使用的方法，确定数字普惠金融各个指标进行合成时的权重以及各个维度的得分，计算得到精确到各地区的数字普惠金融指数，该数据具有一定的严谨性和权威性。

用于构建这些城市级变量的数据来自CSMAR数据库、中国城市统计年鉴、中国劳动统计年鉴。虽然省级指数和城市级指数的时间跨度为从2011到2021年，县域指数时间跨度为从2014到2021年，但由于县级金融业就业数据缺失较为严重，且与研究相关的经济数据也缺失严重，不具有说服力，所以我们选取城市级金融业就业数据作为研究样本。由于城市级数字金融数据最早为2011年，城市级就业数据目前更新到2019年，所以我们选取2011到2019年的样本进行研究。在对数字金融数据和城市级金融业就业数据的缺失值、异常值进行删除之后，得到2612个样本，其中覆盖294个城市。

（二）变量说明

1.被解释变量

传统金融业被认为是指生产同类产品或提供类似服务的经营单位的集合，涵盖了银行业、证券业、保险业三大行业，以及其他尚未包括在内的金融组织，如信托、基金、典当、金融租赁、财务公司等（杨艳琳等，2015），本文也遵循这一界定。传统金融业就业率（Emp）中所使用的从业人数据此测算。

2.解释变量

数字金融（DF）其中具体包括共计33项细化指标，为避免使用单个指标或者单个维度的指标，造成对数字金融现状的片面解读，将分项指标无量纲化后进行层次分析计算得到。同时具有纵向和横向上的可比性，并且对于DF这一指数数值越大，则代表该地区的数字金融服務强度越高。

3.作用机制变量

工作效率（WE）：由于我国的传统金融体系是由银行业主导的，所以可以用存款和贷款的总量来衡量该地区传统金融业的工作量，即使存在部分家庭或者企业向非银行机构进行贷款，最终钱也会以存款的方式流入银行（金洪飞等，2020）。所以定义工作效率为地区存贷款的总量除以地区金融业的从业人数。

业务形式（MS）：我们定义为该地区线上业务交易总额占该地区交易总额的比值，以此来衡量该地区业务形式的转变程度。

就业门槛（ST）：我们定义就业门槛为该地区科学技术投入费用占该地区生产总值的比重，以此来在衡量在新型金融业态下进入该地区传统金融业就业门槛的高低。

4.控制变量

地区发展水平（PG）：地区的经济发展水平与就业有显著的相关关系，地区的经济发展水平可以促进该地区的就业率，就业率的提升可以继续推动地区经济的发展（张晓琳，2013），所以本文在进行研究地区的就业情况时，该地区的经济发展水平是一个极为重要的影响因素。

第三产业发展情况（IS）：我国在产业结构转型期，第三产业结构的占比越来越大，并且第三产业是劳动密集型产业，需要大量的劳动力输入，所以第三产业增加值占比越大，就业弹性系数越大，就业吸纳能力越强（杨萌萌，2018），与国家就业状况紧密相连。

职工平均工资（AW）：各行各业的劳动报酬是不同的，所以会在一定程度上导致某个行业对就业者更具有吸引力，这也会在一定程度上影响某个行业的就业率（郑得坤等，2021）。

政府干预程度（IL）：政府对市场经济进行宏观调控是稳定经济发展、稳定城市就业的必要手段，政府通过制定一系列宏观政策，如对货币、财政进行一定程度的干预，可以起到“四两拨千斤”的效果，减缓经济危机的发生和调节城市的就业情况（李春涛等，2021）。

教育水平（EL）：地区教育水平的高低直接决定人力资本质量，教育水平较高的地区劳动力拥有的技能水平更高，在就业市场上更容易匹配到合适的雇主，即教育水平更高的地区劳动力供给会更充分，就业规模会得到提高（李晓栋等，2022）。

基于相关文献和实际研究需要，本文将以上变量作为本文所需要的变量，以此确保本文实证检验的准确性与正确性。表1列出了变量及其具体定义，同时为确保在研究中能够得到准确和可靠的结果，在数据收集和处理过程中，也需要严格遵循表1中所列的衡量方法。

（三）模型构建

因为每年的就业情况通常会受到往年就业情况的影响，所以本文将引入被解释变量滞后一期的变量作为本文的控制变量，来消除这一因素带来的影响。我们在分析各个变量之间的关系时，为了避免内生性对实证结果的干扰，采用两步系统GMM进行估计。根据（Bond et al.，2001）研究指出系统GMM模型具有如下优点：首先，可以消除非时变的遗漏变量问题，从而解决估计结果的偏误问题；其次，当估计模型存在内生变量时，使用工具变量会使相关系数的估计保持一致；最后，当存在测量误差时，使用工具变量也会得到一致性的估计结果。因此，使用该模型能够有效地解决测量误差、非时变的遗漏变量和解释变量的内生性等问题。

为研究数字金融与传统金融业的就业规模（地区发展水平、第三产业发展情况、职工平均工資、政府干预程度、对外开放程度）之间的关系，构建传统金融业就业率与DF指数的动态回归模型，本文的两步系统GMM估算具体表示为：

Emp=α+αEmp+αDF+αX+city+year+ε （1）

其中，X代表一系列相应的控制变量，角标i、t分别代表i地区和第t年份，city表示地区固定效应，year表示时间固定效应，ε代表随机干扰项。

此外，为探究数字金融对传统金融业就业规模的影响机制，我们依然通过两步系统GMM估计来检验这一假说，其GMM估计模型具体表现为：

Y＝β+βY+βDF+βX+city+year+ε （2）

其中，Y代表对应的作用机制变量，X代表一系列相应的控制变量，角标i、t分别代表i地区和第t年份，city表示地区固定效应，year表示时间固定效应，ε代表随机干扰项。

在进行GMM估计时，通常会对所有变量进行单位根检验，以确保其平稳性。虽然本文由于样本的年份太短，不能为每个地区提供足够数量的观察结果，所以不能进行单位根检验。但通常单位根检验在时间序列研究中更为重要，在面板数据研究中，尤其是对于那些具有大N但t小的样本作用甚小。

四、实证分析

（一）描述性统计

表2显示了在我们所选择的样本期（2011年到2019年内）各相关变量的描述性统计。我国数字金融发展水平差异很大，DF指数范围从17.02到321.6，其平均值和标准差分别为165.3和65.29。城市中平均有3.72%的员工在金融行业工作，金融业就业率（Emp）跨城市差异较大，最小值和最大值分别为0.0346%和16.9%。

（二）基础回归分析

本文使用stata16对从2011年到2019更新数据年的294个城市所形成的面板数据进行实证分析，表3报告了两步系统GMM模型（1）估计结果。如列（1）所示，我们发现数字金融对金融业就业影响负向显著，DF指数的系数为-1.257，即城市金融业就业率标准差为65.29的前提下，一个城市增加一个数字金融的强度，金融业从业人员比例将下降1.26%，证实了本文假说1，数字金融的强度增加减少了传统金融业总体就业规模，即更多的是“机器代人”现象。在表4中，我们报告了模型（2）的估计结果，在列（1）中城市传统金融业的工作效率系數显著为正，此结果表明城市数字金融的快速发展，提升了传统金融行业的工作效率，进而减少了对劳动力的需求，证实了本文假说2；在列（2）中，城市传统金融业的业务形式系数显著为正，表明城市数字金融的快速发展，改变了传统金融行业的业务形式，进而减少了对劳动力的需求，证实了本文假说3；在列（3）中城市金融业就业门槛系数显著为正，此结果表明城市数字金融的快速发展，提升了传统金融行业的就业门槛，减少了对劳动力的需求，证实了本文假说4。

（三）稳健性检验

为了保证本研究结果的可靠性和严谨性，本文采用缩小样本容量（模型1）和替换变量法（模型2）两种方法对回归结果进行稳健性检验，两种方法均继续采用两步系统GMM模型进行回归估计。前者为剔除直辖市相关数据，只对地级市进行回归分析，由于直辖市的经济发展水平、政策优惠、技术水平都优于一般地级市，可能会对结果造成影响，该稳健性回归分析结果如表5所示。后者用金融规模（FL）代替地区发展水平（PG），金融规模（FL）借鉴张懿等（2019）郑得坤（2021）等多数学者的研究成果，采用一地年末金融机构存款余额占国内生产总值GDP的比值来表示。该稳健性回归分析结果如表5所示：数字金融对金融业就业率依旧负向显著，对金融业的工作效率依旧正向显著。对于模型（1）和模型（2）的两次稳健性分析结果均与基础回归结果显著性一致，本文结论具有较强的可靠性与有效性，可以很好地反映出统计量的计量关系，能够得出符合实际的结论。

（四）异质性分析

考虑到数字金融对传统金融业就业规模的影响可能会受到细分行业差异和地区差异的影响，本文从上述两个方面进行异质性分析。其中传统金融子行业分类遵循目前绝大多数观点，分为银行业、证券业、保险业与其他金融业四类（杨艳琳等，2015）。地区划分参考常悦（2020）等学者对我国东部、西部、中部的区域界定。

其中子行业异质性是指，传统金融行业中的巨头银行业与证券业的就业率随着数字金融发展强度的增加而大幅度减少，出现大规模的“机器代人”现象，而规模相对较小的保险业和其他金融业的就业率的变化对数字金融的发展强度不显著。这可能是因为银行业存在人员冗杂的状况，行业内部从事决策、管理的行政人员偏多（廖烁颖，2020），在数字金融的不断冲击下，这些阻碍竞争力提升的岗位将被大量淘汰；证券业参与主体众多、价值链条较长、缺少强势中心的场景，往往面临信用评估成本高昂、信用链条过长、信用关系难以建立的痛点（王玉，2021），急需使用数字技术构建起一种沿链式进行信用构建和高效传导的全新机制，以降低反复交互的人力成本；保险业产品条款复杂、专业术语繁多，对销售人员的招募与培训等方面的持续投入提出了远高于其他行业的要求，核保、核赔等后端服务也需大量人员对接，数字金融的发展对保险业的“机器代人”作用不明显；其他金融业由于金融资源占比较少，客户资源较少，难以形成大规模网上交易（杨艳琳，2015），因此数字金融的发展对其影响尚不明显。

其中地区异质性是指，东部地区的金融业就业率随着数字金融发展强度的增加而大幅减少，西部地区的金融业就业率却由于数字金融的发展而有所提升，中部地区的金融业就业率对数字金融的发展强度不显著。这说明数字金融的快速发展对经济较为发达的东部地区金融业就业的影响更多的是“机器代人”效应，而在经济发展较为落后的西部地区对金融业就业规模更多地起到了促进作用，即更多的表现为“创新聚人”效应，数字金融对于发展程度处于中间地位的中部地区金融业就业规模的影响尚不明显。这是因为东部地区经济发展水平较高，金融发展较为完善，传统的金融从业者密集。而数字金融所需的新型高端金融人才的培养周期较长，短期内难以及时补充，企业为了保持竞争力，出现了大规模的“机器代人”现象；西部地区数字金融的不断发展所带来的智能科技与信息科技大幅地改变了以往金融机构的工作方式，使得原本相对落后的金融服务与实体经济需求进一步贴合，充分发挥出数字金融所带来的“创新聚人”效应。

由表6的实证结果可知：传统金融业中的银行业和证券业的Emp系数显著为负，而保险业与其他业务的Emp系数不显著，证明了我国数字金融对传统金融业就业规模的影响存在子行业异质性，验证了假说5a。

由表7的实证结果可知：东部地区的Emp系数显著为负，西部地区的Emp系数显著为正，中部地区的Emp系数不显著，证明了我国数字金融对传统金融业就业规模的影响存在地区异质性，验证了假说5b。

五、结论与建议

（一）结论

本文使用北京大学数字普惠金融指数和CSMAR数据平台中相关的城市级数据，构成了在2011年到2019年间的城市级的面板数据。并通过两步系统GMM估计模型，实证检验了数字金融的发展对我国传统金融业就业规模的影响以及作用机制，得出如下结论。

第一，数字金融发展程度的增强显著降低了传统金融行业的就业规模，表现出“机器代人”的整体效应。分析表明，数字金融通过提高传统金融行业的工作效率、转变业务形式、提高就业门槛降低了传统金融行业的就业规模。

第二，数字金融对传统金融业就业规模的影响存在子行业异质性。数字金融对我国传统金融业中的银行业与证券业呈现大规模的“机器代人”效应，对保险业与其他金融业就业规模的影响不显著。对我国整个金融业行业而言，数字金融的快速发展打破了我国金融行业内的资源壁垒，减少了信息不对称与不透明所带来的人力流动成本，也减少了金融机构的招聘成本。充分地发挥金融市场的资源配置功能，精准匹配金融劳动力市场的供需，避免造成金融机构过多重复的工作岗位和冗余的工作结构，提升金融行业整体的工作效率，更加契合智能时代下的社会发展需求。

第三，数字金融对传统金融业就业规模的影响存在地区异质性。数字金融对我国东部地区传统金融业就业规模的影响呈现“机器代人”效应，对西部地区传统金融业就业规模的影响呈现“创新聚人”效应，对中部地区传统金融业就业规模影响不显著。数字金融推动了我国金融格局的全新发展，一方面提高了资金的利用效率，另一方面丰富了投资和融资渠道，提升了金融的资产配置能力，必将给我国各地区经济发展带来深远影响。数字金融的不断发展，提升了金融业效率，有利于活跃地区金融市场，缓解中西部地区“金融排斥”现象，真正实现数字金融普及应用带来的金融服务普惠化。

（二）建议

随着产业信息化、数字化、智能化的程度不断加深，传统金融业劳动力大规模被机器所取代，数字金融给传统金融业带来的“机器代人”效应超过了“创新聚人”效应。为防范数字金融给金融业带来的失业风险，使数字金融的“创新聚人”效应得到充分发挥，本文提出以下建议。

第一，推进金融人力资本结构高级化。高技能人才往往可以利用数字金融所带来的技术优势去创造更多的经济价值，而低技能人才却极易被取而代之，面对数字金融所带来的一系列的冲击，高技能人才占比极小的传统金融行业必然要承受行业智能化发展所带来的就业压力。在社会智能化发展的大趋势下，金融行业要完成结构升级，必然需要大量高技术人才作为支撑。政府应加快构筑高技能人才培养的长效机制，形成金融智能技术发展和人力资本积累的正向循环。一方面，持续推动人工智能发展，合理利用人工智能技术应用，进而倒逼中低技能劳动力自主学习“人机协作”相关技能，实现技能更新迭代，以此减弱数字金融所带来的“机器代人”效应；另一方面，设置人工智能人才培养专项补贴，增加人工智能相关学科的教育经费与研究经费，引导企业、高校及科研机构联合培养人工智能技术研发应用的高端新型人才，进一步推进人力资本结构高级化，为未来数字金融发挥“创新聚人”效应进行充足的人才积蓄。

第二，促进金融行业合理智能化。面对数字金融带来的冲击和劳动力市场就业压力， 政府应该促进金融行业智能化合理发展。一方面，金融机构应该结合规模效应的路径机制和新产品效应路径机制等，来积极扩大“创新聚人”效应，让机构迅速从单一技术层机构成长为应用层综合机构，以此提供更多的就业岗位。如数据标注人员、技术测试人员、疑问解答人员、智能设备推广人员、智能设备维护人员等，以此来吸纳更多的劳动力，充分发挥“创新聚人”的潜力。另一方面，加强企业的创新思维，敢于创新发展理念与发展机制，以创新驱动实体经济与金融经济的强强联合，从上层的整体理念构建到中层的人才结构设计，再到具体的岗位的工作内容安排，都要做到有序向前推进。让企业在面对新一轮的金融革命浪潮时不至于首先陷入市场激烈竞争的恐慌当中，可以逐步推进企业内部金融人才的就业内容与岗位的改革，减轻“机器代人”现象。通过不断形成较为完善的金融服务水平与能力，突破金融资源限制所带来的束缚，让数字金融更好地发挥“创新聚人”效应，进一步拓展金融人才的就业空间。

第三，创建良好的金融发展环境。良好的金融环境是数字金融发挥积极创新效应的坚实基础。一方面，要积极推进数字金融的发展，数字金融加速了资金、信息、数字等要素的自由流通与有效配置，众多金融服务与产品层出不穷，如互联网支付、网络借贷、数字保险、网络众筹和互联网理财等逐渐走入我们的日常生活当中。并且数字金融通过数学模型计算出各类客户群体对金融产品和服务的个性化需求点，让金融产品和服务符合更多群体的需求，扩大金融业务以及所服务人群规模，形成一定的社会经济效应，从而达到“创新聚人”的效果；另一方面，创建专业化的就业保障体系，对于那些由于人工智能技术在金融业广泛应用而产生的结构性失业人员，完善就业保障体系，健全相关的法律法规，给予失业人群缓冲期的保障。针对失业人员建立就业信息平台，为失业人员再就业提供信息与技能的帮助。注重培养终身学习的理念，将是减轻“机器代人”效应、缓解就业压力和弥补高技术人员短缺的重要途径。通过不断构建良好的金融发展环境，形成较为完善的金融服务水平与能力，突破金融资源限制所带来的束缚，让数字金融更好地发挥“创新聚人”效应，进一步拓展金融人才的就业空间。

（责任编辑：夏凡）

参考文献：

[1]曾妮妮，永春芳，汪晶晶，辛冲冲.中国金融发展的空间格局演变及驱动因素研究——基于地级及以上城市的分析[J].金融发展研究，2016（10）：12-19.

[2]常悦，李北伟，李桃.数字时代下欠发达地区产学研合作协同创新研究——基于资源拼凑理论视角[J].经济纵横，2023（9）：103-110.

[3]陈惠中，赵景峰.中国数字金融空间关联网络结构特征与影响因素分析[J].统计与决策，2023，39（11）：145-149.

[4]陈柱，衣述冰.金融科技影响银行体系稳定性的机制研究[J].金融与经济，2022（1）：24-34.

[5]董婧璇，臧旭恒，姚健.移动支付对居民家庭金融资产配置的影响[J].南开经济研究，2022（12）：79-96.

[6]杜念宇，赵建.数字金融能促进创新创业吗？——来自280个地级市的证据[J].新金融，2023（3）：50-56.

[7]葛和平，朱卉雯.江苏省互联网金融人才发展状况与竞争趋势[J].阅江学刊，2018，10（3）：75-85+147.

[8]郭峰，王靖一，王芳，孔涛，张勋，程志云.测度中国数字普惠金融发展：指数编制与空间特征[J].经济学（季刊），2020，19（4）：1401-1418.

[9]黃益平.中国数字金融能否持续领先？[J].清华金融评论，2018（11）：35-36.

[10]金洪飞，李弘基，刘音露.金融科技、银行风险与市场挤出效应[J].财经研究，2020，46（5）：52-65.

[11]李春涛，闫续文，宋敏等.金融科技与企业创新——新三板上市公司的证据[J].中国工业经济，2020（1）：81-98.

[12]李辉，邓琪钰.数字经济发展的就业效应研究[J].人口学刊，2023，45（4）：41-56.

[13]李婷，吕琳琳，余晓秋.数字普惠金融对就业水平的影响研究[J].现代商贸工业，2022，43（24）：92-94.

[14]李晓栋，万诗婕.数字金融对劳动力的就业结构效应；：理论与检验[J].经济与管理评论，2022，38（4）：113-123.

[15]廖岷.金融科技发展的国际经验和中国政策取向[J].新金融评论，2017（4）：108-125.

[16]廖烁颖，李广培.“机器人”应用对就业市场供需的影响——以银行业为例[J].中国市场，2020（14）：14-16+33.

[17]刘澜飚，沈鑫，郭步超.互联网金融发展及其对传统金融模式的影响探讨[J].经济学动态，2013（8）：73-83.

[18]孟娜娜，粟勤.挤出效应还是鲶鱼效应：金融科技对传统普惠金融影响研究[J].现代财经（天津财经大学学报），2020，40（1）：56-70.

[19]邱晗，黄益平，纪洋.金融科技对传统银行行为的影响——基于互联网理财的视角[J].金融研究，2018（11）：17-29.

[20]邱志刚，罗煜，江颖，伍聪.金融科技会颠覆传统金融吗？——大数据信贷的经济解释[J].国际金融研究，2020（8）：35-45.

[21]宋敏，周鹏，司海涛.金融科技与企业全要素生产率——“赋能”和信贷配给的视角[J].中国工业经济，2021（4）：138-155.

[22]孙灵燕.数字金融对传统金融业的变革性影响与转型路径[J].东岳论丛，2023，44（3）：141-148+192.

[23]唐松，伍旭川，祝佳.数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异[J].管理世界，2020，36（5）：52-66+9.

[24]王玉.基于区块链技术的证券业生态构建研究[J].探求，2021（4）：73-83.

[25]溫涛，刘渊博.数字素养、金融知识与农户数字金融行为响应[J].财经问题研究，2023（2）：50-64.

[26]吴金旺，郭福春，顾洲一.数字普惠金融发展影响因素的实证分析——基于空间面板模型的检验[J].浙江学刊，2018（3）：136-146.

[27]吴桐桐，王仁曾.数字金融、银行竞争与银行风险承担——基于149家中小商业银行的研究[J].财经论丛，2021（3）：38-48.

[28]向秀莉，郭雪.数字普惠金融与城镇居民就业质量研究[J].金融理论与实践，2023（1）：61-71.

[29]谢平，邹传伟.互联网金融模式研究[J].金融研究，2012（12）：11-22.

[30]谢姗珊.我国金融科技的就业效应研究[D].长沙：湖南大学，2018.

[31]谢绚丽，沈艳，张皓星，郭峰.数字金融能促进创业吗？——来自中国的证据[J].经济学（季刊），2018（4）：1557-1580.

[32]许月丽，李帅，刘志媛.数字金融影响了货币需求函数的稳定性吗？[J].南开经济研究，2020（5）：130-149.

[33]杨萌萌.金融科技发展对就业的影响[D].济南：山东大学，2018.

[34]杨艳琳，黄密桃.中国金融产业的就业效应研究[J].西南金融，2015（3）：16-20.

[35]尹志超，刘泰星，张逸兴.数字金融促进了居民就业吗？[J].福建论坛（人文社会科学版），2021（2）：98-112.

[36]战明华，汤颜菲，李帅.数字金融发展、渠道效应差异和货币政策传导效果[J].经济研究，2020，55（6）：22-38.

[37]张晓琳.就业质量对经济发展水平的影响[J].东方企业文化，2013（19）：65-66.

[38]张懿，纪建悦，周婧琳.金融配置视角下金融发展与技术创新——基于房地产投资占比的遮掩效应研究[J].价格理论与实践，2019（12）：92-95.

[39]赵亚雄，王修华.数字金融、家庭相对收入及脆弱性——兼论多维“鸿沟”的影响[J].金融研究，2022（10）：77-97.

[40]郑得坤，李凌.金融发展与居民消费的关系研究——基于收入分配的中介效应[J].首都经济贸易大学学报，2021，23（2）：9-24

[41]朱太辉，陈璐.Fintech的潜在风险与监管应对研究[J].金融监管研究，2016（7）：18-32.

[42]Chunmei L，Huixin Y.How does technological progress affect employment and wage differences in China’s information industry？[J].China Economist，2013（4）：44-56.

[43]Dale T Mortensen，Christopher A.Pissarides.Technological Progress，Job Creation，and Job Destruction[J].Review of Economic Dynamics，1998，1（4）.

[44]Drasch J B，Schweizer A，Urbach N.Integrating the‘Troublemakers’：A taxonomy for cooperation between banks and fintechs[J].Journal of Economics and Business，2018，100.

[45]Frey B C，Osborne A M.The future of employment：How susceptible are jobs to computerisation？[J].Technological Forecasting & amp；Social Change，2017，114.

[46]Lee I，Shin J Y.Fintech：Ecosystem，business models，investment decisions，and challenges [J].Business Horizons，2018，61（1）.

[47]Michael Podgursky.The in dustrial structure of job displacemen，1979-89[J].Monthly Labor Review，1992，115（9）.

收稿日期：2023-12-14

作者简介：王 华（1975-），女，黑龙江齐齐哈尔人，中央民族大学经济学院副教授、硕士生导师；

马晓芳（1999-），女，山西太原人，中央民族大学经济学院硕士研究生。

①东部：北京、福建、广东、海南、河北、江苏、辽宁、山东、上海、天津、浙江；西部：甘肃、广西、贵州、内蒙古、宁夏、青海、陕西、四川、新疆、云南、西藏；中部：重庆、安徽、黑龙江、河南、湖北、湖南、江西、吉林、山西。