基于詞向量的數(shù)字金融指標(biāo)體系構(gòu)建及實(shí)證

高澤，張品一，葛新權(quán)

(北京信息科技大學(xué) 經(jīng)濟(jì)管理學(xué)院，北京 100192)

0 引言

近年來(lái)，數(shù)字金融經(jīng)歷了從誕生到飛速發(fā)展的階段。數(shù)字金融一般是指利用數(shù)字技術(shù)來(lái)實(shí)現(xiàn)融資、支付、投資和其他金融業(yè)務(wù)的模式。我國(guó)政府和學(xué)者高度重視數(shù)字金融的發(fā)展，“十四五”規(guī)劃中提到，我國(guó)在十四五階段應(yīng)“穩(wěn)妥發(fā)展金融科技，加快金融機(jī)構(gòu)數(shù)字化轉(zhuǎn)型”。[1]因此，如何通過(guò)合適的方法測(cè)度數(shù)字金融發(fā)展水平以揭示我國(guó)數(shù)字金融的發(fā)展?fàn)顩r，成為了迫切需要解決的問(wèn)題。

現(xiàn)有的數(shù)字金融指標(biāo)體系多與普惠金融相結(jié)合進(jìn)行指數(shù)合成測(cè)度，其中國(guó)際上以G20普惠金融指標(biāo)體系為代表，國(guó)內(nèi)則以北京大學(xué)發(fā)布的數(shù)字普惠金融指數(shù)為代表。因針對(duì)的領(lǐng)域有所差別，上述指標(biāo)體系不可避免地存在諸如數(shù)據(jù)來(lái)源單一、對(duì)普惠功能方面?zhèn)戎剡^(guò)多等問(wèn)題。由此本文旨在借助算法技術(shù)構(gòu)建一種客觀(guān)的數(shù)字金融指標(biāo)體系，在準(zhǔn)確地揭示我國(guó)數(shù)字金融的發(fā)展現(xiàn)狀的同時(shí)，盡可能對(duì)未來(lái)在數(shù)字金融發(fā)展水平測(cè)度方面的研究提供便利。

1 研究現(xiàn)狀

目前國(guó)內(nèi)外學(xué)者在數(shù)字金融方面已有很多研究，其中對(duì)數(shù)字金融測(cè)度的研究方法基本分為如下幾類(lèi)。

第一類(lèi)是直接運(yùn)用北京大學(xué)數(shù)字金融研究中心發(fā)布的“北京大學(xué)數(shù)字普惠金融指數(shù)”作為衡量數(shù)字金融發(fā)展的指標(biāo)。郭峰等[2]編制的這套數(shù)字金融指數(shù)在我國(guó)較早地提出了完整的數(shù)字金融測(cè)度體系。張勛等[3]、萬(wàn)佳彧等[4]直接使用該指數(shù)測(cè)度數(shù)字金融發(fā)展水平，結(jié)合各研究領(lǐng)域具體數(shù)據(jù)，發(fā)現(xiàn)數(shù)字金融水平的提升有助于促進(jìn)低資本家庭的創(chuàng)業(yè)行為,從而促進(jìn)中國(guó)的包容性增長(zhǎng)。Yu等[5]則利用該指數(shù)，測(cè)度并研究了數(shù)字金融對(duì)農(nóng)村居民消費(fèi)結(jié)構(gòu)的影響，發(fā)現(xiàn)數(shù)字金融水平的發(fā)展在多方面提高了農(nóng)村居民的消費(fèi)水平。直接使用這一指標(biāo)的方法，可能存在因該指數(shù)過(guò)于側(cè)重?cái)?shù)字金融的普惠性，而忽略了其科技屬性的問(wèn)題。

第二類(lèi)是通過(guò)第三方支付的規(guī)模作為衡量數(shù)字金融發(fā)展的指標(biāo)。Gu[6]基于金融機(jī)構(gòu)的第三方支付數(shù)據(jù)，對(duì)目前的數(shù)字金融作出了總體風(fēng)險(xiǎn)預(yù)測(cè)，并提出了一套金融風(fēng)險(xiǎn)的預(yù)測(cè)方法，為防范數(shù)字金融風(fēng)險(xiǎn)提出了新的解決方案。這種方法具有一定實(shí)際意義，但也有學(xué)者如封思賢等[7]認(rèn)為其僅僅采用單個(gè)第三方支付的數(shù)據(jù)來(lái)對(duì)數(shù)字金融進(jìn)行衡量，難免失之片面，存在一定的局限性。

第三類(lèi)是通過(guò)互聯(lián)網(wǎng)文本挖掘技術(shù)，依據(jù)全網(wǎng)文本構(gòu)建數(shù)字金融指數(shù)。沈悅等[8]采用文本挖掘方法建立了互聯(lián)網(wǎng)金融指數(shù)，較早實(shí)現(xiàn)了以文本挖掘?yàn)榉椒y(cè)度金融行業(yè)發(fā)展水平。李琴等[9]通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)對(duì)銀行系金融科技發(fā)展指數(shù)進(jìn)行了測(cè)量，進(jìn)一步實(shí)證了文本挖掘技術(shù)在金融業(yè)中應(yīng)用的可行性。姚加權(quán)[10]等總結(jié)了使用上市公司披露文本、社交網(wǎng)絡(luò)文本、網(wǎng)絡(luò)搜索指數(shù)等數(shù)據(jù)在文本挖掘領(lǐng)域的被使用情況，并對(duì)文本挖掘技術(shù)在金融領(lǐng)域的應(yīng)用進(jìn)行研究，提出了針對(duì)金融領(lǐng)域的文本挖掘中數(shù)據(jù)選擇問(wèn)題的解決思路。通過(guò)文本挖掘，所得數(shù)據(jù)更具時(shí)效性，能夠反映數(shù)字金融發(fā)展水平的變化。

現(xiàn)有研究中不管通過(guò)何種方法建立數(shù)字金融指標(biāo)體系，其區(qū)別多在指標(biāo)權(quán)重的計(jì)算環(huán)節(jié)，而指標(biāo)體系內(nèi)容的確定則多為直接搬用官方文件或主觀(guān)添加個(gè)別指標(biāo)[11]，準(zhǔn)確性、有效性存在不足。因此，本文在上述研究方法的基礎(chǔ)上擴(kuò)展，結(jié)合文本挖掘與詞向量構(gòu)建數(shù)字金融的指標(biāo)體系。首先，利用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)匯總獲得新浪網(wǎng)近年來(lái)有關(guān)于數(shù)字金融的新聞數(shù)據(jù)；其次，整理清洗初始文本數(shù)據(jù)后，利用基于Python語(yǔ)言的詞向量法程序?qū)⒃~語(yǔ)轉(zhuǎn)換為詞向量，基于詞向量相似度等確定數(shù)字金融指標(biāo)體系的內(nèi)容與權(quán)重；最后通過(guò)總體指標(biāo)和分級(jí)指標(biāo)體系對(duì)我國(guó)2016-2022年數(shù)字金融發(fā)展水平進(jìn)行分析研究并提出建議。本文的主要?jiǎng)?chuàng)新在于研究方法的使用上選擇了詞向量法，基于新聞文本構(gòu)建數(shù)字金融指標(biāo)體系內(nèi)容并計(jì)算權(quán)重，揭示了我國(guó)數(shù)字金融的發(fā)展水平以及不同指標(biāo)間的發(fā)展水平差異和發(fā)展速度差異。

2 研究方法

本文運(yùn)用文本挖掘法和詞向量構(gòu)建數(shù)字金融指標(biāo)體系。流程如下：①準(zhǔn)備語(yǔ)料庫(kù)，利用Python技術(shù)在門(mén)戶(hù)網(wǎng)站進(jìn)行文本挖掘，并使用jieba庫(kù)進(jìn)行數(shù)據(jù)預(yù)處理，具體包括中文分詞、去除停用詞以及自定義詞典；②處理詞向量，同樣借助Python處理生成詞向量，計(jì)算關(guān)鍵對(duì)象余弦值相似度，完善指標(biāo)體系；③實(shí)證分析，使用具體數(shù)據(jù)進(jìn)行測(cè)度分析，給出結(jié)論及建議。如圖1所示。

圖1 研究流程

詞向量即Word2Vec，是一種基于自然語(yǔ)言處理的詞語(yǔ)處理技術(shù)，由Mikolov T.等[12]研究和開(kāi)發(fā)，其本質(zhì)是利用淺層神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)語(yǔ)句或詞語(yǔ)在語(yǔ)料庫(kù)中出現(xiàn)的頻率和位置，并將其嵌入維度適中的空間之中，達(dá)到向量化的目的。Word2Vec能夠在一定的語(yǔ)料基礎(chǔ)上，利用最優(yōu)的訓(xùn)練模式，將詞語(yǔ)迅速、高效地表示成矢量，從而為自然語(yǔ)言處理領(lǐng)域提供了新的研究手段。王靖一等[13]運(yùn)用主題模型、詞向量模型等方法，建立了金融科技情緒指數(shù)。

詞向量包括連續(xù)詞袋模型(continuous bag- of-word model，CBOW)和跳字模型(skip-gram)兩種訓(xùn)練模式，簡(jiǎn)單來(lái)說(shuō)，CBOW通過(guò)語(yǔ)境來(lái)預(yù)測(cè)目前的單詞，而skip-gram則通過(guò)當(dāng)前單詞對(duì)上下文各j個(gè)詞語(yǔ)進(jìn)行預(yù)測(cè)。兩種訓(xùn)練模式皆為包含輸入層、隱含層和輸出層的淺層神經(jīng)網(wǎng)絡(luò)，詳細(xì)原理可參考Mikolov T.等[12]的研究。

在skip-gram模型中，輸入層與隱含層之間的權(quán)值表示為一個(gè)V×N的矩陣W，其中，V代表文本挖掘構(gòu)成的數(shù)字金融詞典中特征詞的數(shù)量，N代表隱含層神經(jīng)元個(gè)數(shù)。W中的每一行是一個(gè)N維的向量，它與輸入層中相應(yīng)的特征詞相聯(lián)系，第i個(gè)特征詞wi在W中相應(yīng)的行向量表示為vwi。假設(shè)輸入層有一個(gè)特征詞wi的獨(dú)熱編碼向量x∈RV，其中僅xi=1，其余為0，則x對(duì)應(yīng)的隱含層向量h可以表示為

h=xT·W=vwi

(1)

隱含層到輸出層的權(quán)值用N×C維的矩陣W′表示，其中C為特征詞wi窗口上下文向量的個(gè)數(shù)。

設(shè)第j個(gè)上下文詞語(yǔ)在W′中對(duì)應(yīng)的向量為uj，則特征詞wi與第j個(gè)上下文詞語(yǔ)相關(guān)度為

ui,j=vwi·uj

(2)

通過(guò)訓(xùn)練模型，調(diào)整權(quán)值矩陣W和W′，使得特征詞生成上下文詞語(yǔ)的概率最大化，求出所有詞的詞向量。

詞向量間余弦相似度公式如下：

(3)

式中，v1和v2代表需要計(jì)算余弦相似度的兩個(gè)詞向量。

由此得到各對(duì)應(yīng)詞向量之間的余弦相似度，作為后續(xù)確定指標(biāo)內(nèi)容和計(jì)算權(quán)重的重要客觀(guān)依據(jù)。

3 數(shù)字金融指標(biāo)體系構(gòu)建

3.1 文本挖掘與數(shù)據(jù)預(yù)處理

本文選取新浪新聞網(wǎng)新聞文本為研究對(duì)象，利用關(guān)鍵詞“數(shù)字金融”進(jìn)行檢索，確保獲得的是具有一定時(shí)效性、且與本研究最直接相關(guān)的新聞文本信息。

通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)，在新浪新聞網(wǎng)站內(nèi)爬取2021年6月至12月標(biāo)題或主題內(nèi)容中含有“數(shù)字金融”的新聞中的所有文本，獲取了約70萬(wàn)字節(jié)的初始新聞文本數(shù)據(jù)。對(duì)數(shù)據(jù)實(shí)施去除停用詞、文本分詞、設(shè)置自定義詞典等數(shù)據(jù)清洗的流程。在完成數(shù)據(jù)清洗過(guò)程后，獲得約65萬(wàn)字的與主題詞“數(shù)字金融”尤為相關(guān)的龐大詞庫(kù)。與此同時(shí)，再次通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)整理獲得整個(gè)新聞文本庫(kù)中出現(xiàn)次數(shù)即詞頻最高的一批詞語(yǔ)，對(duì)其進(jìn)行詞云分析，如圖2所示。上述操作可通過(guò)運(yùn)用基于Python的PyCharm軟件中的jieba庫(kù)和wordcloud庫(kù)，并結(jié)合對(duì)應(yīng)編程技術(shù)來(lái)實(shí)現(xiàn)。這為下文構(gòu)建數(shù)字金融指標(biāo)體系的一級(jí)指標(biāo)提供了研究思路與技術(shù)支持。

圖2 詞云

3.2 構(gòu)建數(shù)字金融指標(biāo)體系

參考現(xiàn)有數(shù)字金融代表性文獻(xiàn)如郭峰等[2]、黃益平等的研究成果[14]，同時(shí)通過(guò)對(duì)文本數(shù)據(jù)庫(kù)高詞頻詞語(yǔ)進(jìn)行如表1所示的歸納總結(jié)，本文將數(shù)字金融指標(biāo)體系的主要內(nèi)容界定為3個(gè)方面，即：網(wǎng)絡(luò)通信基礎(chǔ)設(shè)施建設(shè)方面、數(shù)字金融為個(gè)體用戶(hù)的服務(wù)內(nèi)容方面、金融行業(yè)對(duì)數(shù)字化創(chuàng)新投入力度方面。由此確定指標(biāo)體系的3個(gè)一級(jí)指標(biāo)，即基礎(chǔ)設(shè)施、服務(wù)內(nèi)容、創(chuàng)新實(shí)踐，并以這3個(gè)詞作為一級(jí)指標(biāo)關(guān)鍵詞，為后續(xù)確立二級(jí)指標(biāo)及計(jì)算具體權(quán)重奠定基礎(chǔ)。

表1 文本庫(kù)高詞頻詞語(yǔ)

當(dāng)兩個(gè)向量間角度假定都在0～90°時(shí)，其余弦值可以表示角度數(shù)值的大小。由于本文中的向量皆為文本詞語(yǔ)通過(guò)詞向量法生成，故其角度范圍一般都限制在0～90°之間，其夾角余弦的取值范圍即為[1,0]。當(dāng)兩個(gè)向量的方向重合時(shí)，夾角余弦取最大值1，當(dāng)兩個(gè)向量的方向呈90°垂直時(shí)，夾角余弦取最小值0。夾角余弦值越大，表示兩個(gè)向量越緊鄰，詞語(yǔ)之間的相關(guān)性也就越強(qiáng)；夾角余弦值越小，表示兩個(gè)向量越遠(yuǎn)離，兩詞語(yǔ)之間的相關(guān)性也就越弱。因此在詞向量法的運(yùn)用中，通過(guò)余弦值的大小就可表示兩角度的大小，同時(shí)也就可以獲得兩個(gè)語(yǔ)言向量在語(yǔ)料庫(kù)中的相似度或語(yǔ)義相關(guān)度的大小。

本文使用此前通過(guò)文本挖掘獲得的數(shù)字金融語(yǔ)料庫(kù)，利用詞向量擴(kuò)充二級(jí)指標(biāo)。首先，與此前數(shù)據(jù)清洗過(guò)程中的自定義詞典同理，在詞庫(kù)合并得到“基礎(chǔ)設(shè)施”“服務(wù)內(nèi)容”“創(chuàng)新實(shí)踐”等自定義詞語(yǔ)，程序生成語(yǔ)料庫(kù)中所有詞語(yǔ)的向量；然后更換檢索詞，使程序輸出語(yǔ)料庫(kù)中與“基礎(chǔ)設(shè)施”“服務(wù)內(nèi)容”“創(chuàng)新實(shí)踐”3個(gè)詞語(yǔ)的余弦相似度最高的20個(gè)詞；最后，優(yōu)先使用余弦值相似度較高的詞語(yǔ)，借鑒參考本研究領(lǐng)域權(quán)威文獻(xiàn)，同時(shí)結(jié)合數(shù)據(jù)合理性與數(shù)據(jù)可得性，確定具體二級(jí)指標(biāo)。

由此，本文基于數(shù)字金融概念的界定，聚焦代表性行業(yè)領(lǐng)域，同時(shí)考慮到數(shù)據(jù)的可得性和可比性，構(gòu)建含有3個(gè)一級(jí)指標(biāo)、15個(gè)二級(jí)指標(biāo)的數(shù)字金融指標(biāo)體系，體系中指標(biāo)均為正向效益型指標(biāo)，具體如表2所示。

表2 數(shù)字金融指標(biāo)體系

3.3 數(shù)字金融指標(biāo)體系權(quán)重計(jì)算

數(shù)字金融指標(biāo)體系的權(quán)重計(jì)算方法是詞向量相似度計(jì)算法，其分配原則為自上而下的權(quán)重分配，公式為：

(9)

首先計(jì)算一級(jí)指標(biāo)關(guān)鍵詞與主題關(guān)鍵詞的詞向量余弦相似度，根據(jù)其余弦值相似度數(shù)值之間的比例分配總計(jì)為1的指標(biāo)體系權(quán)重，自此獲得一級(jí)指標(biāo)的權(quán)重。具體權(quán)重分配為：“創(chuàng)新實(shí)踐”部分所占比例最多，達(dá)到了48.42%；另外兩部分則相差不大，“基礎(chǔ)設(shè)施”權(quán)重為23.43%，“服務(wù)內(nèi)容”權(quán)重為28.15%。這些數(shù)據(jù)體現(xiàn)了十四五規(guī)劃中多次提到的創(chuàng)新改革對(duì)金融產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型的重要性；與此同時(shí)，基礎(chǔ)設(shè)施的建設(shè)和高質(zhì)量服務(wù)內(nèi)容的落實(shí)到位也不可或缺。

在對(duì)一級(jí)指標(biāo)完成權(quán)重分配后，同理，對(duì)后續(xù)具體指標(biāo)進(jìn)行余弦值相似度計(jì)算，分配其指標(biāo)權(quán)重。當(dāng)計(jì)算二級(jí)指標(biāo)余弦相似度時(shí)，其計(jì)算對(duì)象應(yīng)更換為對(duì)應(yīng)的一級(jí)指標(biāo)，具體數(shù)值如表3～5所示。

表3 “基礎(chǔ)設(shè)施”中二級(jí)指標(biāo)權(quán)重

表4 “服務(wù)內(nèi)容”中二級(jí)指標(biāo)權(quán)重

表5 “創(chuàng)新實(shí)踐”中二級(jí)指標(biāo)權(quán)重

4 實(shí)證分析

數(shù)字金融的發(fā)展具有動(dòng)態(tài)性特征和異質(zhì)性特征，所以在數(shù)字金融發(fā)展水平的測(cè)度方面，本文作出了兩方面的測(cè)度：按年份時(shí)間的總體態(tài)勢(shì)變化測(cè)度和按各級(jí)指標(biāo)分類(lèi)的分類(lèi)態(tài)勢(shì)變化測(cè)度。

2016-2020年數(shù)字金融指數(shù)如圖3所示。由圖可見(jiàn)，全國(guó)數(shù)字金融綜合指數(shù)在2016-2020年間呈現(xiàn)出上升趨勢(shì)，以2016年為基期，定義其數(shù)字金融指數(shù)為100，則2017-2020年數(shù)字經(jīng)濟(jì)指數(shù)分別為108.69、117.64、131.15、143.16。在增長(zhǎng)速度的測(cè)度方面，2017年至2018年數(shù)字金融指數(shù)增長(zhǎng)相對(duì)較慢，其對(duì)應(yīng)數(shù)字金融指數(shù)漲幅分別為8.69%、8.23%；2019年至2020年數(shù)字金融指數(shù)增長(zhǎng)相對(duì)較快，對(duì)應(yīng)漲幅則為11.48%、9.16%。測(cè)度得到的數(shù)字金融指數(shù)最大值為2020年的143.16。這說(shuō)明近年來(lái)我國(guó)數(shù)字金融發(fā)展水平越來(lái)越高，同時(shí)數(shù)字金融發(fā)展速度也越來(lái)越快，但增長(zhǎng)速度在2020年略有下降。

圖3 2016-2020年數(shù)字金融綜合指數(shù)

在本文指標(biāo)體系中，3個(gè)一級(jí)指標(biāo)對(duì)整體數(shù)字金融指數(shù)的影響存在差異，且每年的數(shù)值大小與變化趨勢(shì)都略有不同，故分別測(cè)度其對(duì)整體指數(shù)的不同影響，如圖4所示。

圖4 2016-2020年數(shù)字金融指數(shù)組成結(jié)構(gòu)

由圖4可以看出，數(shù)字金融指數(shù)的結(jié)構(gòu)形式隨著時(shí)間變化而變化，其中“創(chuàng)新實(shí)踐”部分從2016年占比48.42%下降到2020年占比46.66%；而“基礎(chǔ)設(shè)施”部分則從2016年占比23.43%上漲到2020年的24.58%，與此同時(shí)“服務(wù)內(nèi)容”部分的占比基本保持不變。

各二級(jí)指標(biāo)在指數(shù)構(gòu)成中的變化如表6所示。在2016-2020年間，15個(gè)二級(jí)指標(biāo)中有4個(gè)指標(biāo)的對(duì)應(yīng)指數(shù)變化幅度超過(guò)25%，分別為1.2網(wǎng)站數(shù)、2.5移動(dòng)支付占總支付數(shù)量比重和1.6金融信息技術(shù)服務(wù)收入、2.1數(shù)字平臺(tái)上基金數(shù)量；其中前者為負(fù)向增長(zhǎng)，后者為正向增長(zhǎng)。說(shuō)明在2016-2020年間，網(wǎng)站數(shù)量和移動(dòng)支付占比對(duì)數(shù)字金融發(fā)展指數(shù)的影響逐漸減??；與此同時(shí)，金融信息技術(shù)服務(wù)收入和數(shù)字平臺(tái)基金數(shù)量對(duì)數(shù)字金融發(fā)展指數(shù)的影響逐漸增加。

表6 2016-2020年二級(jí)指標(biāo)變化率

郭峰等[2]基于層次分析法和變異系數(shù)法相結(jié)合所構(gòu)建的指標(biāo)體系及其做出的測(cè)度給出了2011年至2018年我國(guó)的數(shù)字金融指數(shù)，但其使用的層次分析法因其具有主觀(guān)因素的局限性，多用于定性研究，因此該體系的指標(biāo)權(quán)重確定等與本文存在一定差別，例如，其測(cè)度數(shù)據(jù)中2016年至2018年數(shù)字金融平均增長(zhǎng)率為15%，高于本文中的8%，原因可能包括主觀(guān)因素造成的影響。本文基于計(jì)算機(jī)算法和文本數(shù)據(jù)的指標(biāo)體系構(gòu)建一定程度上避免了主觀(guān)判斷可能帶來(lái)的問(wèn)題，所得數(shù)據(jù)結(jié)論也更具獨(dú)立性。

5 結(jié)論與建議

本文利用文本挖掘技術(shù)獲得新聞文本數(shù)據(jù)，同時(shí)借助詞向量法，構(gòu)建了含有3個(gè)一級(jí)指標(biāo)、15個(gè)二級(jí)指標(biāo)的數(shù)字金融指標(biāo)體系。然后進(jìn)行實(shí)證測(cè)度，對(duì)數(shù)字金融總體層面和分類(lèi)細(xì)項(xiàng)層面進(jìn)行了分析，主要結(jié)論和建議如下。

第一，從總體來(lái)看，全國(guó)數(shù)字金融指數(shù)在2016至2020年間呈現(xiàn)出上升趨勢(shì)，指數(shù)值由100上升至143.16。這說(shuō)明我國(guó)近年來(lái)越來(lái)越重視數(shù)字金融對(duì)經(jīng)濟(jì)高質(zhì)量發(fā)展的作用，數(shù)字金融發(fā)展態(tài)勢(shì)良好。但指數(shù)增速在近年有所回落，為繼續(xù)大力發(fā)展數(shù)字金融，應(yīng)對(duì)導(dǎo)致增速下降的原因開(kāi)展研究。

第二，從數(shù)字金融的3個(gè)一級(jí)指標(biāo)來(lái)看，“基礎(chǔ)設(shè)施”部分在過(guò)去5年中對(duì)數(shù)字金融的影響力逐步上升，說(shuō)明穩(wěn)固可靠的基礎(chǔ)設(shè)施建設(shè)將是支持?jǐn)?shù)字金融發(fā)展的基石，應(yīng)保證基礎(chǔ)設(shè)施的穩(wěn)定性，加強(qiáng)對(duì)基礎(chǔ)設(shè)施的維護(hù)與修繕。

與此同時(shí)，“創(chuàng)新實(shí)踐”部分對(duì)數(shù)字金融指數(shù)始終具有重要影響，但對(duì)其增長(zhǎng)推動(dòng)力近年有所下滑，反映出只局限于對(duì)金融傳統(tǒng)方式進(jìn)行數(shù)字化手段改革和利用機(jī)構(gòu)數(shù)字化來(lái)對(duì)金融機(jī)構(gòu)重新賦能已無(wú)法有力地引領(lǐng)數(shù)字金融的創(chuàng)新發(fā)展，需持續(xù)加大在創(chuàng)新方面的投入，包括但不限于數(shù)字技術(shù)創(chuàng)新、服務(wù)形式創(chuàng)新、科研人員投入等。

“服務(wù)內(nèi)容”部分在數(shù)字金融指數(shù)中的構(gòu)成占比基本保持不變，說(shuō)明無(wú)論何時(shí)數(shù)字金融中的服務(wù)內(nèi)容都是不可忽視的。需努力保證數(shù)字金融服務(wù)有條不紊持續(xù)進(jìn)行，提高服務(wù)內(nèi)容質(zhì)量，增加可選服務(wù)數(shù)量。

第三，數(shù)字金融指數(shù)的內(nèi)部構(gòu)成發(fā)生變化。金融信息技術(shù)服務(wù)收入對(duì)數(shù)字金融指數(shù)的影響上升超過(guò)40%，說(shuō)明金融服務(wù)的數(shù)字化轉(zhuǎn)型以及在收入方面獲得正向回報(bào)，且對(duì)數(shù)字金融發(fā)展水平的影響也逐步加深，實(shí)現(xiàn)了對(duì)數(shù)字金融的反哺；而網(wǎng)站數(shù)對(duì)數(shù)字金融指數(shù)的影響下降超過(guò)30%，這與用戶(hù)逐漸減少在網(wǎng)頁(yè)端的數(shù)字金融活動(dòng)，轉(zhuǎn)而更加青睞于移動(dòng)端數(shù)字金融的趨勢(shì)一致。