金融服务业在享受数字化转型带来行业提升的同时，也应重视其中蕴藏的风险。同时，金融服务业在技术革命的浪潮中，也应兼顾好“追逐明星”和“扶危助弱”的关系，将数字金融和普惠金融有机结合，为社会风险的承担，以及技术教育、技术培训等新环境下的“数字社会安全网”的构建投入更多资源，贡献更多力量。

作为就业“缓冲垫”的金融服务业

以价值增加率(价值增加值/总产出)衡量，我国第三产业效率与美国比较接近：我国约55%，美国约62%，这与我国第二产业的价值增加率只相当于美国一半形成了鲜明对比。但这并不意味着我国第三产业的国际竞争力已经可与美国比肩，因为我国在每年取得约5000亿美元货物贸易顺差的同时，还有着约2500亿美元服务贸易逆差，这说明我国人民存在着大量的服务需求无法被国内供给所满足的情况。

服务业定价能力的薄弱是国内服务业供给缺乏竞争力的具体表现。在发达国家深陷通胀疲弱的经济背景下，我国的通胀水平一直保持在温和适度的合意区间，主要的支持来源来自于制造业：过去15年，我国消费品CPI年增速平均比美国高约1.7个百分点，而服务业CPI平均比美国低约0.5个百分点。事实上，与银行在企业融资定价中的强势地位不同，就整个服务业而言，其最终消费价格的迟缓增长与服务业规模的迅速扩张形成了鲜明的对比。

不仅是对下游定价能力不足，我国服务业还面临着上游投入成本超出其它行业的抬升。类比使用“单位劳动力成本”指标(劳动力小时名义工资/小时实际产出)来衡量劳动力成本的变化，我们构建“单位中间品成本”指标(产业的中间品名义投入/产业的实际产出)来衡量上游中间品投入成本的变化。从2002年至2017年的15年间，我国第三产业的单位中间品投入成本累计增长了约70%，几乎是第二产业累计增长率的2倍。可见，服务业处于产业链的最末端，对于其它上游行业中间品投入依赖度极大，服务业的成本管理能力也很弱，其价值增加值的创造空间受到上下游两个方向的挤压。

更进一步，将产业的经济性质和产业定价能力分析相结合，能够帮助我们更加客观的看待我国服务业较高的价值增加率。按照价值增加率和劳动力占比(劳动者报酬/GDP)的相关性，我们可以将经济产业划分为高效率带动就业型产业(价值增加率与劳动力占比正相关)和低效率带动就业型产业(价值增加率与劳动力占比负相关)：前者的劳动者人工替代弹性较低，改善效率的途径主要来自于技能培训等方式实现劳动者自身素质的提高，效率改进会提高劳动者报酬占价值增加值的比例，形成更高的就业吸纳能力，第三产业中的教育、医疗、文化娱乐等属于高效率就业带动型产业;后者的人工劳动替代弹性较高，提升效率的途径主要来自于资本投入，效率的改进会降低劳动者报酬占价值增加值的比例，形成更低的就业吸纳能力，因此这些行业扩大就业的过程一般来看也是效率降低的过程，第二产业以及第三产业中的金融、房地产、交运仓储等都属于低效率带动就业型产业。

在上游成本增长较快、下游价格转嫁能力不足的背景下，我国服务业仍然较高的价值增加率实际上是创造并稳定就业的“缓冲垫”，服务业在效率降低的过程中不断吸纳就业，第三产业的就业人口已经接近全部就业的一半，其中很大一部分进入的正是金融、地产等低效率带动就业型行业。我国传统金融服务业在新兴科技公司挑战下竞争力不足，也有着为了创造就业、承担社会责任，而不得不容忍一定程度效率下降的无奈。从这个意义上讲，这是金融服务业的高价值增加率从高位逐渐回落的过程，也是其支持实体经济、缓解社会就业压力的另一种表现形式。

金融服务业数字化转型应着力提升就业质量

服务业的本质是人对人的服务，服务业作为生产力发展高级阶段才能广泛发展的产业，也意味着一种更加安全、更加舒适、更有自由度和创造性的工作方式，其从业人员一般也具有更高的教育程度和个人素质，代表着更高的就业质量。在我国经济的高质量发展阶段，高质量的服务就业是一个最具包容性的产业目标。因此，金融服务业的数字化转型，不应南辕北辙的走向使用机器替代人力、用机器学习替代人脑思考的反面，而是如何运用最新的技术进步去提升人、开发人。衡量金融服务业数字化转型的成果，不应以信息基础设施等资本要素投入作为单一指标，更应重点关注劳动者质量、全要素生产率等衡量就业质量的指标变化。

第四次科技革命之所以值得期待，是因为我们看到美国的劳动生产率无论从总量还是结构上确实都因科技而改善。总量上，美国劳动生产率在2016年触底至0.5%之后，连续三年出现了较快的反弹，2019年达到1.6%;结构上，本轮美国劳动生产率的改善中，全要素生产率和资本投入的贡献均有所加快，这与美国2000年互联网泡沫前的资本投入单兵突进并不相同。

我国的全要素生产率也有很大的改进空间。根据美国经济咨商会计算数据，我国的全要素生产率增速仍在下降，只是增速有所放缓，2015-2019年的平均增速为3.2%，而2010-2014年间为3.8%。如果我国经济能够顺利的实现转型升级，参照韩国90年代经验，我国全要素生产率的提升幅度可以至少达到0.5个百分点，从而实现与美国类似的触底反弹。

在金融服务业通过提升人而非替代人的方式进行数字化转型，也是由金融市场的独特之处所决定的。金融市场中的理性行为和非理性行为同时存在，逻辑式的分析演绎和启发式的直觉判断都需要进行运用，2002年诺贝尔经济学奖得主卡尼曼将人类的决策方式划分为“慢系统”和“快系统”，数字技术能够有效弥补人类“慢系统”效率不足的缺陷，但“快系统”的存在仍是人类的独有优势：包括金融市场交易在内的人类经济行为都是高度场景化的，每个决策都并非单一任务的最优化，而在进行多目标权衡时，已有充分研究证明“快系统”的决策质量更高。此外，极端不确定性是金融市场重要特点，单纯依靠机器学习进行的模式识别难以应对极端情景，而这类情景下的决策构成了金融市场决策最重要的一部分。例如，罗伯特·戈登在《美国增长的起落》中曾引用了谷歌无人车的例子，它无法处理本应有交通信号灯但却被交通管理员人口接管的路口，而这样的不确定性在金融市场中是更加普遍的。因此，在数字化转型的技术路线上，金融服务业除了可以运用“AI+大数据”增加人均技术资本存量以外，还应考虑更多运用“BI+大数据”的方式增加从业者的决策质量，进而促进全要素生产率的全面提高。

防范技术大规模推广中的金融系统性风险

金融服务业在享受数字化转型带来行业提升的同时，也应重视其中蕴藏的风险。金融服务业是一个追求极致效率的行业。在复杂多变的市场中，比同业更快、更强是每一个金融企业的目标，这也带来尝试新技术的动力。然而，即便长期能够显著提升生产力的技术，也有其不成熟的阶段，可能带来风险。量化交易借助电脑算法的力量，充分挖掘信息、寻找稍纵即逝的机会，已经是当今市场上重要的一种交易策略。但在量化交易和配套监管尚处探索阶段的1987年，量化交易算法缺陷曾在美国股市的“黑色星期一”中推波助澜，让投资者深刻学习到新技术的不确定性。

实际上，新技术的应用与金融市场的动荡有很强的关联。人们对新技术应用的不断挖掘和憧憬所产生的泡沫，常常掩盖了技术背后的系统性金融风险。

在个别企业采用新的技术时，金融市场只会将技术的成败计入企业的个体风险。而一旦技术进入大规模推广阶段，整个社会生产模式、资源配置都必须围绕着新技术的规律进行重构，此时不论是新经济还是旧经济，都会被计入更高的预期回报，表现为整个金融市场上的折现率系统性上升。因此，大规模的技术推广的确定性越高，金融市场反而越容易出现新经济泡沫的崩溃。以上现象已被以芝加哥大学卢博斯·帕斯特教授为代表的多位学者在理论和实证上进行了严格证明，也与金融市场从业者的经验相吻合。

以正向社会广泛推广的关键技术个数衡量，可以清晰看到美国过去100年中三轮技术大规模推广的高峰：20年代的冰箱和电话，60年代电视和空调，以及世纪之交的手机、电脑。而无一例外的是，三轮技术革命即将完成之际，由于技术在全社会中应用的风险不确定性最终超过了大规模应用带来的经济价值，这三次技术推广的完成都伴随了美国股票市场的估值从高点的坠落。

人们对新技术从狂热转变到冷静，但市场的大幅波动给当时社会发展造成了不良影响。经济增长离不开金融行业，金融服务业支撑着各行各业，金融服务业在新技术的大规模应用上需要勇气与谨慎并存。新冠疫情为数字经济的大规模推广带来了更大的确定性，了解这种确定性对风险的双重含义，应是金融服务业恪守初心、服务实体的应有之义。

即使成功运用了新技术，金融服务业也需要时刻思考对社会的影响。国际贸易专家罗伯特·芬斯特拉曾将贸易全球化与技术进步类比，因两者生产资源再分配的过程十分相似，即企业将资源分配给单位产出更高的生产单位，从而获得总效率提升的过程。在国际贸易中，这个过程反映为跨国企业将生产基地从发达地区转移至人力成本更低的发展中地区;在技术进步中，则表现为高科技企业积极采用低成本的程序化机器替代相对昂贵人工的过程。

全球化的经济环境下，跨国企业在全球寻求生产成本套利机会，也使得高成本劳动力的发展机会面临丧失，全球结构性失衡的负外部性不断累积和发酵。具有不可替代性的劳动力继续享有工作机会，但低端制造业等岗位流失造成长期失业，最终造成贫富差距拉大和社会风险的上升。

本轮数字经济的发展应当更加均衡和更具包容性。金融服务业在技术革命的浪潮中，也应兼顾好“追逐明星”和“扶危助弱”的关系，将数字金融和普惠金融有机结合，为社会风险的承担，以及技术教育、技术培训等新环境下的“数字社会安全网”的构建投入更多资源，贡献更多力量。