数据要素对我国保险公司经营效率的影响研究

Research on the Influence of Data Elements on the Operational Efficiency of Chinese Insurance Companies

摘要: 当今世界进入数字经济时代，数据要素已经成为促进金融业高质量发展的核心资源。各保险公司正积极努力成为数据驱动的现代化保险企业，将数据要素全面融入生产和管理价值链的各个环节。本文根据2017~2022年40家我国保险公司的面板数据，利用DEA-BCC模型测算了其经营效率，并通过构造综合反映公司个体数据要素发展水平的数据要素指数，探究了数据要素对我国保险公司经营效率的影响及作用机制。研究结论表明：1) 数据要素的运用对保险公司经营效率具有正向促进作用；2) 不同资产规模的保险公司面对数据要素的影响，其经营效率存在差异性；3) 公司治理能力和市场竞争地位在数据要素对保险公司经营效率的影响过程中起到正向调节作用。

Abstract: As the world enters the era of digital economy, data elements have become the core resources to promote the high-quality development of the financial industry. Insurance companies are actively striving to become modern, data-driven insurance companies, integrating data elements into all aspects of the production and management value chain. Based on the panel data of 40 Chinese insurance companies from 2017 to 2022, this paper uses the DEA-BCC model to measure their operating efficiency, and explores the impact of data factors on the operating efficiency of Chinese insurance companies and its mechanism by constructing a data factor index that comprehensively reflects the development level of the company’s individual data factors. The results show that: 1) the application of data elements has a positive promoting effect on the operational efficiency of insurance companies; 2) Insurance companies with different asset sizes have different operating efficiency when faced with the influence of data factors; 3) Corporate governance ability and market competitive position play a positive moderating role in the influence of data elements on the operational efficiency of insurance companies.

1. 引言

当今数字经济时代，数据已成为推动我国经济高质量发展的重要战略资源。从2017年习近平总书记首次提出“数据要素”这一概念，到2020年《关于构建更加完善的要素市场化配置体制机制的意见》正式将数据要素与劳动、土地、资本、技术等传统要素并列，再到2022年《关于构建数据基础制度更好发挥数据要素作用的意见》布局数据基础制度体系的“四梁八柱”，最后到2023年国家数据局成立，数据要素迅速发展，有力推动了我国经济的高质量发展。

保险作为现代经济的重要产业，对于社会风险管理具有关键作用。保险业的高质量发展有助于构建新发展格局，推动全社会的高质量发展。2022年我国保险业全年实现保费收入约4.7万亿元，继续稳居全球第二。全球平均保险密度为1107美元每人、保险深度为6.6%，而我国保险密度为550美元每人、保险深度为3.88%，与发达国家相比差距仍然很大，显示出巨大的发展潜力。

数据成为生产要素，正在深刻变革保险的生产和服务方式。数据的应用降低了保险服务成本，提高了效率，扩大了覆盖面。保险公司通过数据分析可以更准确地评估风险，提供个性化定价策略，减少损失，加速理赔审核，提高营销效率，优化资源分配。数据要素的应用为保险业可持续发展注入了新活力，成为保险公司创新发展的重要驱动力。

数据要素的应用是否真的有助于提升保险公司的经营效率？保险公司对于数据要素的发展和应用通过何种作用机制影响其经营效率？本文立足于国家政策层面大力支持和发展数据要素的背景下，尝试探究数据要素的发展和应用对我国保险公司经营效率的影响效果和作用机制，对于把握数据要素赋能保险公司的真实贡献，推动保险业发展和创新具有重要意义。

2. 文献回顾

首先，关于数据要素内涵的研究。数据是对事实、活动等现象的记录，是反应事实的符号介质，相较于传统的土地、资本、技术、劳动力等要素，数据要素具有鲜明的独特性。综合各方观点，可以发现数据作为一种独特的技术产物，具有正外部性、虚拟性、部分排他性、非竞争性、规模报酬递增等特征[1]-[4]。其独特的特征有效突破了传统要素有限供给对经济增长的制约，为经济的稳定增长和持续发展奠定基础和可能。

其次，关于数据要素发展水平评估的研究。当前学术界数据要素发展水平的测度方法主要包括以下三种：一是代理变量法，宋炜[5]选用IFR世界工业机器人数据库中的工业机器人使用量作为代理变量；二是多指标决策方法，李治国[6]从数据要素管理、传播共享、开发应用、以及应用环境等多个维度运用熵权TOPSIS方法对数据要素的发展水平进行了测算；三是文本挖掘法，史青春[7]通过统计大数据技术应用水平、人工智能、大数据、云计算以及区块链技术水平等五项指标的细分指标在企业年度财务报告中的披露次数的总和，以此来衡量企业的数据要素利用水平。

再次，关于保险公司经营效率评估的研究。现有的研究方法主要包括杜邦分析法、因子分析法和前沿边界分析法这三种度量手段。杜邦分析法选用相对单一的财务指标，从财务角度对公司的经营效率进行评价[8] [9]。因子分析法克服杜邦分析法因过度关注财务结果而导致管理层短视的问题，在评估保险公司经营效率方面得到了广泛应用[10] [11]。随着效率测算模型的持续优化，前沿效率分析技术已成为主流的效率评估手段。其中，SFA法和DEA法是最为常见的两种方法[12]-[15]。

最后，关于数据要素对保险公司经营效率影响的研究。学术界中关于数据要素如何影响保险公司效率的研究较为匮乏，但对公司经营发展的积极影响已得到了充分证实。数据要素贯穿服务型制造价值链的全流程，在研发设计、生产制造、用户交付和产品运行等各场景中被广泛应用，对促进服务型制造的发展、提高企业竞争力具有重要作用[16]。数据要素能够通过提高数据挖掘水平、资本效率和技术效率促进制造业生产率提升[17]。数据要素能够有效提高组织学习能力，优化生产决策流程，并推动企业管理方式的创新变革，从而促进企业高质量发展[18] [19]。通过充分利用数据资源，企业能够有效降低预测误差，进而提升盈利能力[20]。

鉴于我国数据要素的发展尚处于初级阶段，关于数据要素与保险公司经营效率之间关系的研究文献显得较为稀缺，且大多数研究仅限于定性分析层面。本文将数据要素与保险公司经营效率纳入同一研究框架，通过构建数据要素发展指标体系合成了保险公司个体的数据要素指数作为核心解释变量，通过DEA法测算了保险公司经营效率作为被解释变量，探讨了数据要素的利用与发展对保险公司经营效率可能产生的影响及其作用机制，以期为保险行业发展提供有力支撑。

3. 理论分析与研究假设

3.1. 数据要素与保险公司经营效率

长尾理论视角下，数据要素有效缓解了保险公司挖掘长尾小微客户的高成本问题。随着数据资源的丰富和技术进步，保险公司通过数据挖掘与分析，更精准地洞察客户需求和行为模式，实现个性化、周到的服务，降低营销成本，提升运营效率。同时，数据挖掘和分析还能深入了解客户消费习惯、风险偏好，提供定制化保险产品和服务，增强客户黏性、满意度和获客率，为保险公司带来市场竞争优势。张瑞纲[21]指出，数据要素在保险产品开发、营销推广等多个环节发挥积极作用，为长尾客户带来切实利益。

从信息不对称的角度看，数据要素的持续发展帮助保险公司获取更全面、精确的数据，从而减少信息不对称。通过深入分析客户历史数据和行为偏好，保险公司能更准确地评估客户风险，降低道德风险和逆向选择问题，既降低风险又提高盈利能力。数据资产的信息优势在保险业务中发挥了重要作用，包括精准营销、客户获取、客户体验维护和风险控制，显著提升了保险公司的经营效率。李雅婷[22]指出，数据要素能降低信息不对称，使保险公司有效降低运营成本，提升服务能力和效率。

在上述分析的基础上，本文提出以下假设：

H1：数据要素的运用对保险公司的经营效率具有正向促进作用。

3.2. 数据要素对保险公司经营效率的影响机制

随着数据要素市场的发展，保险公司能利用数据评估风险、定价产品、处理索赔和进行市场分析。优秀的公司治理能确保数据的有效管理和使用，提高数据准确性和可靠性，增强风险管理和决策能力，提升经营效率。治理能力强的保险公司通常拥有更强的战略规划和执行力，能更有效地利用数据支持业务策略和运营决策。面对数据要素新技术冲击，这些公司能迅速决策，准确把握新技术趋势，发挥数据要素运用的先发优势。同时，他们更重视内部控制和合规性，减少法律和声誉风险，有利于公司的可持续发展和长期稳定。

在上述分析的基础上，本文提出以下假设：

H2：公司治理能力对数据要素和保险公司经营效率之间关系具有正向调节作用。

数据要素助力保险公司变革，较高市场竞争地位的公司能更有效地利用数据提升风险管理、产品创新、市场营销效率和数据安全性，从而增强整体经营效率。首先，高地位公司凭借更大资源投资数据收集和分析技术，利用先进工具更精准地评估风险、定价产品、优化索赔流程，提升经营效率。同时，其强市场影响力使其更易获取广泛数据资源，为策略制定提供更全面视角。其次，高地位公司更能利用数据开发新产品和服务，凭借成熟市场洞察力和客户理解能力，通过数据分析识别市场需求和趋势，推出更符合需求的产品，加强客户关系，提高市场份额。最后，高地位公司拥有更强品牌信誉和客户忠诚度，通过数据分析实现客户细分和个性化营销，提高销售效率和客户满意度。高效策略不仅提升现有产品销售，还助力开拓新市场，提高整体效率。

在上述分析的基础上，本文提出以下假设：

H3：市场竞争地位对数据要素和保险公司经营效率之间关系具有正向调节作用。

3.3. 数据要素提升保险公司经营效率的实现路径

保险公司积极应用数据要素，在业务模式、经营模式和管理模式上实现了创新的突破，推动了公司高质量发展。蔡继明[23]认为数据要素自身和物化在数据收集处理中的劳动在生产中均参与价值创造，数据要素所具有正外部性等特点，能够推动包括其他产品生产效率的综合生产效率的提升。因此结合现有文献，本文认为数据要素驱动保险公司高质量发展的实现路径大体有三：

首先，数据要素发挥在产品生产过程中发挥出要素自身初始存量的价值。通过充分利用数据要素，保险公司有效提升了既有要素的利用率、配置效率和边际产出率。这不仅促使既有要素的边际收益递减拐点向后推移，还显著减缓了递减下降的幅度，从而全面优化了公司的全要素生产率。其次，数据收集处理分析过程中的物化的劳动耗费，在生产过程中参与了价值创造。数据处理分析使数据要素具有价值创造功能，推动了保险公司由经验型决策转向数据驱动型决策。数据驱动型决策推动大规模自动化决策的实施，从而优化管理过程，提高决策的科学性，并显著提升企业的生产效率[24]。最后，随着数据要素的不断累积和增长，数据网络外部性随之增强，最终带动了其他产品生产效率的显著提升。

3.4. 信息科技与数字化转型的推动作用

信息科技和数字化转型为保险公司充分利用数据要素提供了强大的技术支持。通过云计算、大数据、人工智能等技术的应用，保险公司能够实现对海量数据的收集、存储、处理和分析，从而挖掘出更多的数据价值，提升经营效率。同时，数字化转型也推动了保险公司的业务模式创新和服务模式升级，使其能够更好地适应市场需求和客户变化。

首先，云计算技术为保险公司提供了弹性的计算资源和存储空间，使得保险公司能够根据实际业务需求快速调整资源配置，实现高效运营。同时，云计算还促进了保险公司之间的数据共享和协作，为行业内的合作和创新提供了有力支持。

其次，大数据技术的应用使得保险公司能够更深入地挖掘数据价值。通过对海量数据的分析和挖掘，保险公司能够更准确地了解客户需求和市场趋势，为产品开发、定价、营销等方面提供有力支持。同时，大数据还能够帮助保险公司实现风险控制和预警，提高风险管理的精度和效率。

此外，人工智能技术在保险行业的应用也日益广泛。通过机器学习、自然语言处理等技术的应用，保险公司能够实现智能客服、智能理赔等服务，提升客户体验和服务质量。同时，人工智能还能够帮助保险公司进行风险识别和评估，提高风险定价的准确性和合理性。

综上所述，信息科技和数字化转型为保险公司带来了无限可能。未来，随着技术的不断进步和应用场景的不断拓展，保险公司将能够更好地利用数据要素，推动业务模式的创新和服务模式的升级，实现更加高效、智能和可持续的发展。

4. 研究设计

4.1. 样本选取和数据来源

在全面考量数据的可读性和可获取性后，本文精选了40家保险公司在2017至2022年间的面板数据作为研究样本。本文的数据来源主要包括各保险公司的年报、《中国保险年鉴》《中国科技年鉴》《中国统计年鉴》以及各省份年鉴，部分数据辅以Wind数据库进行补充，对于部分缺失数据，则采用线性插值法进行估算。

4.2. 变量设定

4.2.1. 被解释变量

本文的被解释变量为我国保险公司经营效率(EFF)。本研究以40家我国保险公司在2017至2022年间的面板数据作为研究基础，通过投入导向型且规模报酬可变的DEA-BCC模型计算各保险公司的技术效率，进而作为评估其经营效率的依据。其中，选取了员工人数、权益资本以及营业费用作为投入指标，投资收益、保费收入以及赔付支出作为产出指标。指标说明见表1。

Table 1. Description of input indicators and output indicators

表1. 投入指标与产出指标说明

变量类型	变量名称	变量说明
投入指标	员工人数	保险公司员工人数
	权益资本	总资产 − 总负债
	营业费用	营业税金及附加 + 手续费及佣金支出 + 业务及管理费
产出指标	投资收益	利润表中“投资收益”项目
	保费收入	利润表中“保险业务收入”项目
	赔付支出	利润表中“赔付支出”项目

资料来源：本研究整理，下同。

本文通过DEAP2.1软件测算了样本公司的经营效率，限于篇幅，在此只展示测算结果的平均值(见表2)。我国保险业在2017至2022年间，40家保险公司效率均值由0.6提升至0.74。表明我国保险业整体效率虽然处于较低水平，但呈现出逐年改善的态势。

Table 2. Annual mean value of operating efficiency

表2. 经营效率年度均值

样本公司	2017年	2018年	2019年	2020年	2021年	2022年
均值	0.60	0.60	0.61	0.64	0.69	0.74

4.2.2. 解释变量

本文的核心解释变量是数据要素指数(DE)。本文在综合潘为华等[25]-[28]研究的基础上，从经济环境、科技创新、基础设施三个关键维度出发，构建了全面、系统的数据要素发展水平评估体系，见表3。

Table 3. Evaluation index system of the development level of data elements

表3. 数据要素发展水平评价指标体系

一级指标	二级指标	权重
经济环境	人均地区生产总值	0.08
	第三产业在GDP中的占比	0.05
科技创新	R & D经费投入强度	0.06
	R & D人员全时当量	0.17
	国内专利申请授权量	0.22
基础设施	互联网域名数	0.18
	互联网宽带普及率	0.03
	互联网宽带接入端口	0.08
	长途光缆线路长度	0.06
	电话普及率	0.05

在上述基础上，本文利用熵值法合成了我国31个省级单位的年度数据要素发展水平指数，并以其为基数，以各个保险公司在各个省份保费收入占比为权重，加权得到各个保险公司的年度数据要素指数。限于篇幅，在此只展示测算结果的平均值(见表4)。结果显示，这些公司的数据要素指数均值由0.23提升至0.35，呈现出稳定增长的态势。表明保险公司对数据要素的应用程度正在逐步上升。

Table 4. Annual mean value of data element index

表4. 数据要素指数年度均值

样本公司	2017年	2018年	2019年	2020年	2022年
均值	0.23	0.24	0.27	0.30	0.35

4.2.3. 控制变量

为保证研究的客观性，本文依据完颜瑞云等[29] [30]研究成果，选取以下控制变量：1) 宏观经济增长率(RGDP)：我国保险公司保费收入的增减与宏观经济运行状况存在显著的关联。2) 风险承担能力(RC)：具备较高风险承担能力的保险公司，能够扩大保险业务覆盖范围和规模，进而增加保费收入，优化经营管理效率。3) 劳动者素质(LQ)：劳动者素质是衡量保险公司人力资本结构的重要指标，员工整体素质的提升对于保险公司的经营管理至关重要。4) 资金运用(FU)：资金运用能力是评估保险公司竞争力和盈利能力的重要依据。5) 财务杠杆(LEV)：财务杠杆影响保险公司的经营成本、融资成本以及投资收益等，进而关系到公司的整体经营效率。6) 赔付率(LR)：赔付率是反映保险公司业务盈利情况和偿付能力的重要参数。7) 资产规模(LNSIZE)：大型保险公司具备更强的实力和技术水平，能够投入更多资源于数据技术，从而能够充分利用数据要素发展的所带来的竞争优势。

综上，各变量说明见表5。

Table 5. Summary of variables

表5. 变量汇总

类型	名称	符号	变量内涵
被解释变量	保险公司经营效率	EFF	由本研究利用DEA测算
解释变量	数据要素指数	DE	由本研究利用数据要素发展指标体系合成
调节变量	公司治理能力	GC	公司经营管理费用占公司保费收入的比重
	市场竞争地位	CP	公司保费收入与全国总保费收入的比值
控制变量	宏观经济增长率	RGDP	GDP增长率
	财务杠杆	LEV	资产负债率
	风险承担能力	RC	综合偿付能力充足率
	劳动者素质	LQ	本科及以上学历员工占比
	资金运用	FU	投资收益与保费收入的比率
	赔付率	LR	赔付支出与保费收入的比率
	资产规模	LNSIZE	总资产的对数

4.3. 模型设计

根据本文的研究假设，本文将构建以下相关计量模型来分别验证前文中提出的三个假设。

为验证本文提出的假设H1，构建模型(1)如下所示：

$\begin{array}{l}EF{F}_{it}={\beta }_0+{\beta }_{1}D{E}_{it}+{\beta }_{2}RGD{P}_{it}+{\beta }_{3}R{C}_{it}+{\beta }_{4}L{Q}_{it}\\ +{\beta }_{5}F{U}_{it}+{\beta }_{6}LE{V}_{it}+{\beta }_{7}L{R}_{it}+{\beta }_{8}LNSIZ{E}_{it}+{\mu }_i+{\epsilon }_{it}\end{array}$ (1)

其中，β₀为截距项，β₁为核心解释变量数据要素指数的回归系数，β₂~β₇为各个控制变量的系数，μ_i代表保险公司个体效应，ε_it代表随机扰动项，i代表保险公司个体，t代表时间。

为验证本文提出的假设H2和H3，构建模型(2)如下所示：

$\begin{array}{l}EF{F}_{it}={\beta }_0+{\beta }_{1}D{E}_{it}+{\beta }_{2}M{V}_{it}+{\beta }_{3}D{E}_{it}\ast M{V}_{it}+{\beta }_{4}RGD{P}_{it}+{\beta }_{5}R{C}_{it}\\ +{\beta }_{6}L{Q}_{it}+{\beta }_{7}F{U}_{it}+{\beta }_{8}LE{V}_{it}+{\beta }_{9}L{R}_{it}+{\beta }_{10}LNSIZ{E}_{it}+{\mu }_i+{\epsilon }_{it}\end{array}$ (2)

其中，MV_it表示保险公司i在t年的公司治理能力(或市场竞争地位)，DE_it * MV_it表示保险公司的治理能力(或市场竞争地位)在数据要素影响公司经营效率的调节效应。β₂衡量保险公司治理能力(或市场竞争地位)对其经营效率的影响大小，β₃衡量调节效应影响的大小。

5. 实证结果与分析

5.1. 基准回归分析

因此本文利用归并数据构建的模型属于归并回归模型，若采用OLS方法进行回归检验，可能引发参数估计的偏差和不一致性等严重问题。为确保研究的准确性和科学性，本文决定采用Tobit模型进行回归检验。具体模型如模型(1)所示，回归结果如下表6所示。

Table 6. Regression results

表6. 回归结果

变量名	EFF (1)	EFF (2)
DE	0.93^***	0.43^***
	(5.04)	(2.88)
RGDP		0.40
		(1.19)
FU		0.12
		(1.10)
LEV		0.78^***
		(4.31)
LQ		0.21^***
		(5.05)
RC		−0.06^***
		(−3.53)
LR		0.44^***
		(6.50)
LNSIZE		0.05^***
		(3.50)
_cons	0.39^***	−0.80^***
	(6.51)	(−4.55)

t-values are in parentheses. ^*** p < 0.01, ^** p < 0.05, ^* p < 0.1.

从回归分析结果可见，核心解释变量数据要素指数(DE)的回归系数在1%的水平下显著为正，这表明数据要素与保险公司经营效率之间存在明显的正相关关系。因此，假设H1得到了验证。

另外，宏观经济增长率(RGDP)的估计系数虽然为正，但并不显著，说明宏观经济的良好发展可能有利于保险公司经营效率的提升，但其影响并不明显。资金运用能力(FU)的估计系数为正，但并不显著，说明资金运用能力可能会对保险公司的经营效率产生积极影响，但其影响并不明显。财务杠杆(LEV)的估计系数在1%的水平下显著为正，这表明保险公司的财务杠杆与经营效率之间存在显著的正相关关系。劳动者素质(LQ)的估计系数在1%的水平下显著为正，说明保险公司员工的人力资本结构与经营效率之间存在显著的正相关关系。风险承担能力(RC)的估计系数在1%的水平下显著为负，这揭示出保险公司风险承担能力与经营效率之间存在显著的负相关关系。赔付率(LR)的估计系数在1%的水平下显著为正，这表明保险公司赔付率与经营效率之间存在显著的正相关关系。资产规模(LNSIZE)估计系数在1%的水平下显著为正，这表明保险公司资产规模与经营效率之间存在显著的正相关关系。

5.2. 异质性分析

为了进一步研究数据要素对不同资产规模保险公司经营效率影响的差异性，本文依据资产规模大小，将资产规模在整体样本中排名居前的50%的保险公司被归入大规模组，而其余则归入小规模组。随后，我们对这两组保险公司分别进行了深入的回归分析，具体模型如模型(1)所示，回归结果如下表7所示。

Table 7. Heterogeneity analysis of corporate asset size

表7. 公司资产规模异质性分析

变量名	EFF (大)	EFF (小)
DE	0.92^***	0.15
	(3.09)	(0.91)
RGDP	0.33	0.34
	(0.58)	(0.94)
FU	0.08	0.06
	(0.43)	(0.46)
LEV	1.26^***	0.96^***
	(2.89)	(5.47)
LQ	0.20^***	0.15^***
	(3.26)	(2.74)
RC	−0.13^***	−0.04^**
	(−3.22)	(−2.41)
LR	0.63^***	0.48^***
	(4.04)	(6.51)
LNSIZE	0.04	0.00
	(1.59)	(0.12)
_cons	−1.15^***	−0.44^*
	(−3.25)	(−1.76)

t-values are in parentheses. ^*** p < 0.01, ^** p < 0.05, ^* p < 0.1.

根据回归结果，数据要素指数(DE)的估计系数在资产大规模组呈现正值，且在1%的水平下显著。然而，在小规模组中，尽管系数也为正，但其影响并不显著。大规模保险公司因其庞大的资产规模和服务范围的广泛性，具备更强的竞争力。当面临数据要素的冲击时，这些公司能够利用其资金优势，迅速而准确地把握新技术的发展趋势，从而充分发挥数据要素带来的先发优势。

5.3. 稳健性检验

为确保基准回归结果的非随机性和可靠性，本文运用逐步回归法和被解释变量滞后一期进行了稳健性检验。被解释变量滞后一期的原因是数据要素的投入转化为最终的经济效益需要一定的时间，所以对公司经营效率的影响可能存在一定滞后性。结果显示，逐步回归法和被解释变量滞后一期均验证了基准检验结果的稳健性。限于篇幅，本文略去结果数据。

6. 进一步研究

6.1. 公司治理能力的调节效应

首先将调节变量公司治理能力(GC)引入回归模型。在构建的实证模型中，加入了衡量公司治理能力的指标GC，以及其与数据要素指数(DE)的交互项GC * DE，具体如模型(2)所示，回归结果如下表8所示。

Table 8. Test of adjustment effect

表8. 调节效应检验

变量名	EFF (1)	EFF (2)
DE	1.25^***	0.40^**
	(3.15)	(2.56)
RGDP	0.09	0.41
	(0.29)	(1.23)
FU	0.16	0.05
	(1.51)	(0.48)
LEV	0.76^***	0.85^***
	(4.55)	(4.55)
LQ	0.20^***	0.22^***
	(5.34)	(5.23)
RC	−0.05^***	−0.06^***
	(−3.49)	(−3.50)
LR	0.61^***	0.49^***
	(8.81)	(6.93)
LNSIZE	0.01	0.06^***
	(0.74)	(2.79)
GC	−0.03
	(−0.10)
GC * DE	−3.57^***
	(−2.99)
CP		−0.62
		(−0.74)
CP * DE		9.21^***
		(2.75)
_cons	−0.32	−0.86^***
	(−1.46)	(−3.81)

t-values are in parentheses. ^*** p < 0.01, ^** p < 0.05, ^* p < 0.1.

通过回归分析结果，发现公司治理能力(GC)与数据要素指数(DE)的交互项GC * DE估计系数在1%的显著性水平下为负，表明在相同的数据要素运用程度下，GC值越小，公司的治理能力越强，进而经营效率也越高。有效的公司治理结构能够确保公司决策过程的高效性。面对数据成为生产要素这一科技变革，这些公司能够迅速作出反应，抓住机遇，提高竞争力和盈利能力，从而实现更好的经营业绩。据此，假设H2得到了验证。

6.2. 市场竞争地位的调节效应

接下来在实证模型中加入衡量市场竞争地位的指标CP，以及其与数据要素指数(DE)的交互项CP * DE，具体模型如模型(2)所示，回归结果如表8所示。

从回归结果来看，保险公司市场竞争地位(CP)与数据要素指数(DE)的交互项CP * DE估计系数在1%的显著性水平下呈现正值，表明市场竞争地位在数据要素对公司经营效率的影响过程的积极调节作用。具体而言，具备较高市场竞争地位的保险公司，在面对数据要素这一技术变革时，展现出了强大的风险抵御能力，有效保障了公司经营活动的稳定进行。同时，由于大规模保费的稳定收入，为保险公司提供了充足的现金流，进一步促使公司加大在研发和创新方面的投入，积极拥抱数据要素新技术，提升公司的核心竞争力和盈利能力，最终推动公司经营效率的整体提升。因此，假设H3得到了验证。

7. 结论与建议

7.1. 结论

本文基于前人研究的成果，系统构建了评估数据要素发展水平的指标评价体系，并运用熵值法合成了40家保险公司自2017~2022年的数据要素发展指数。同时，通过数据包络分析方法测算了这些保险公司的经营效率，在此基础上进一步实证研究了数据要素与保险公司经营效率之间的内在联系。此外，本文还从公司治理能力和市场竞争地位的角度出发，探讨了它们在数据要素对保险公司经营效率影响过程中的调节作用，并根据资产规模对保险公司进行了异质性分析。经过深入研究，得出以下结论：

1) 数据要素的运用对保险公司经营效率具有提升作用。本文的实证分析表明，数据要素指数与保险公司经营效率之间存在正相关关系。数据要素能够推动保险公司变革，提升其在生产和管理全价值链各环节的效率。

2) 数据要素的运用对不同资产规模的保险公司经营效率的影响具有差异性。通过对样本保险公司按资产规模分类分析，发现数据要素的运用主要对大型保险公司经营效率产生显著影响。大型保险公司因其庞大的规模和服务范围，更易受到数据要素的影响。另外，大型保险公司具备更强的实力和技术水平，能够投入更多资源于数据收集和分析技术，从而能够充分利用数据要素发展所带来的竞争优势。

3) 公司治理能力和市场竞争地位在数据要素对保险公司经营效率的影响过程中起到正向调节作用。优秀的公司治理能力和较高的市场竞争地位能够使保险公司充分利用数据资源发展的竞争优势，从而实现运营效率的整体提升。在内部治理水平较高的公司中，决策流程更加高效，资源配置更加合理，从而降低了运营成本。另外，市场竞争地位较高的公司能够更好地利用数据资源，提高业务处理速度和准确性，从而提升了运营效率。

7.2. 建议

本研究在综合分析前文相关研究和发展现状的基础上，针对保险公司提出如下具体建议：

1) 强化数据驱动的产品研发与定价策略。保险公司应该进一步细化产品研发与定价步骤。首先，组建专业的数据分析团队，负责收集、整合和分析市场数据，深入挖掘客户需求和风险特征。其次，建立完善的产品研发流程，结合数据分析结果，明确产品定位和特色，制定详细的产品开发计划。最后，运用先进的定价模型和技术，综合考虑风险、成本、市场竞争等因素，制定科学合理的价格策略，以提高市场竞争力。

2) 推动数据驱动型业务发展。保险公司应该充分利用大数据和智能化技术优化业务流程。例如，通过引入人工智能算法改进风险评估和定价过程，提高处理速度和准确性。同时，利用大数据分析实现客户服务的个性化，根据客户的偏好和需求提供定制化的保险方案和服务。此外，保险公司还可以利用数据驱动的方法优化销售渠道和营销策略，提高市场覆盖率和客户转化率。

3) 加强数据安全和隐私保护。保险公司需要建立完善的数据保护机制。首先，制定严格的数据管理制度和操作规程，确保数据的合法收集、使用和存储。其次，加强数据访问控制和权限管理，防止数据泄露和滥用。此外，定期进行数据安全检查和评估，及时发现和解决潜在的安全隐患。同时，加强员工的数据安全意识培训，提高整个组织对数据保护和隐私的重视程度。

4) 投资员工数据素养培训。保险公司需要制定详细的员工培训计划。首先，针对不同岗位和职责的员工，设计不同的培训课程和内容，以提高其数据相关技能和应用能力。其次，通过线上线下的方式开展培训活动，如举办专题讲座、分享会等，鼓励员工积极参与学习和交流。最后，建立员工数据素养考核和激励机制，将数据素养纳入员工绩效评价体系，激发员工提升数据素养的积极性。