中国数字普惠金融的减贫效应研究

陈阳　赵丙奇

摘 要：成本昂贵和效率低下导致传统普惠金融发展的可持续性受限，数字技术与普惠金融的结合为其可持续发展带来了新的解决方案。发展数字普惠金融是否能起到减缓贫困的作用，本文简要分析了数字普惠金融对贫困减缓的作用机理，之后以贫困发生率为被解释变量，引用数字普惠金融指数，基于中国省级面板数据，构建动态面板模型，并采用系统GMM方法进行模型估计。实证分析结果表明，数字普惠金融确实能够降低贫困发生率。此外，经济发展对贫困减缓的作用最强，而城乡收入分配差距扩大将导致贫困发生率增加。

关 键 词：数字普惠金融;系统GMM;贫困减缓

DOI：10.16315/j.stm.2019.04.005

中图分类号： F 832.1

文献标志码： A

Poverty reduction effect of digital inclusive finance in China

CHEN Yang， ZHAO Bing-qi

（Business School，Ningbo University，Nningbo 315211，China）

Abstract：The high cost and low efficiency limit the sustainability of traditional inclusive finance. The combination of digital technology and inclusive finance brings new solutions for its sustainable development. Does the development of inclusive digital finance contribute to poverty alleviation？ This paper briefly analyses the mechanism of digital inclusive finance on poverty alleviation. Then， take incidence of poverty as an independent variable， using the digital inclusive financial index， based on the provincial panel data of China to construct a dynamic panel model and the model is estimated by using the system GMM method. Empirical analysis shows that digital inclusive finance can indeed reduce the incidence of poverty. In addition， economic development has the strongest impact on poverty alleviation， and the widening income distribution gap between urban and rural areas will lead to an increase in the incidence of poverty.

Keywords：digital inclusive finance;system GMM;poverty alleviation

收稿日期： 2019-04-30

基金項目： 浙江省哲社规划课题（19NDJC114YB）

作者简介： 陈 阳（1994—），男，硕士研究生;

赵丙奇（1972—），教授，博士，硕士生导师.

由于贫困群体无法跨越取得金融服务的门槛，导致金融排斥广泛存在于世界各国。减少贫困人口，是大多数国家和地区致力于实现的重大目标，近年来，我国脱贫攻坚进行得如火如荼，减少直至消除贫困人口是政府致力于达成的重要目标。只有降低金融服务的门槛，才能使贫困群体取得正规金融服务，普惠金融的概念也应运而生。普惠金融的主旨是考虑在可负担成本的前提下为所有有金融服务需求的人提供适当和有效的金融服务。然而长期以来，其可持续性问题比较突出，因为普惠金融并不是一项慈善事业，而是通过提供金融服务使贫困群体能够自力更生同时保证金融机构的收益，因此，遵循市场经济规律是前提，不能罔顾成本和投资回报率。然而长期以来，普惠金融主要是政府主导，导致其没有足够的可持续动力，诸如成本高昂，效率低下，服务失衡等问题始终难以解决。2016年《G20数字普惠金融高级原则》面世，在官方的重视和指导下，其日后必将成为减贫的利器。数字普惠金融的定义为：泛指一切通过使用数字金融服务以促进普惠金融的正规金融服务行动。数字普惠金融的目的是解决金融需求问题和商业可持续问题，数字普惠金融是对传统普惠金融的继承和发展，是普惠金融的持续深化，但其本质仍是要为贫困群体提供金融服务，只是在服务形式上有所区别。我国数字普惠金融的提供主体包含传统金融机构和互联网金融企业，具体业态主要有网络借贷，网络小额信贷，网络股权融资等新型融资模式，以及手机银行，网上银行和移动支付等互联网金融服务渠道。近年来数字普惠金融组织架构得到了持续优化和改善，以银行为例，国有大型银行和多数股份制银行业通过设立普惠金融事业部，统筹发展数字普惠金融业务，为小微企业提供互联网线上融资服务，面向"三农"不断创新金融产品并兼顾其成本的可负担性，例如农业银行推出的惠农e贷，是农行依托互联网大数据技术，专门为农民设计的一款线上化、批量化、便捷化、普惠化的贷款产品。借助互联网，大数据和云计算等数字技术，提供金融服务所需的可变成本明显下降，贫困群体的金融门槛降低。推动数字普惠金融的发展是未来的大势所趋，必将极大改善金融排斥问题。

1 文献综述

用什么方式去评价普惠金融的发展水平是研究其减贫效应的首要问题，在学界，普遍的做法是根据普惠金融的内涵建立指标体系，运用数学手段将其指数化来衡量普惠金融的发展水平。Beck等[1]较早地建立了围绕着银行服务的金融包容性指标。Sarma[2]从银行服务广度、深度以及可获得性3大基本维度建立指标体系，借鉴联合国的人类发展指数的计算方式测算普惠金融指数。王婧等[3]以金融服务的范围和使用2大维度建立指标体系。金融服务可获得性、使用情况和服务质量3个维度被大多数学者采用，如肖翔等[4]，对二级指标的设定，学者们都有不同想法，如焦瑾璞等[5]的指标体系。2篇文献在指标赋权上做法也不一，前者采用的是变异系数法，后者则采取层次分析法。之前的普惠金融指标大多关注传统领域的金融服务，很少涉及到互联网、移动端等数字服务维度的指标，北京大学互联网金融研究中心课题组[6]则将数字服务支持程度作为一个维度纳入普惠金融指标体系，其余2个维度包括覆盖广度和使用深度在内共计24个指标，该指标体系比较全面和客观，几乎所有关于数字普惠金融的研究都是围绕该指数展开，因此本文将立足于该指数展开后续的实证分析。

直接研究数字普惠金融对贫困减缓的文献相对稀缺，有部分学者从数字普惠金融与城乡收入分配差距的问题切入展开研究，如梁双陆等[7]以泰尔指数作为城乡收入分配差距代理变量，建立面板回归模型，该经验研究证明数字普惠金融能够抑制城乡收入差距变大。张贺等[8]的研究结果也支持上述结论。张子豪等[9]则利用空間计量模型发现数字普惠金融具有缩小城乡收入差距的作用且存在空间依赖性。围绕着传统普惠金融对贫困减缓展开的研究比较丰富，崔艳娟等[10]将金融发展分为金融发展规模和金融发展效率，立足于动态面板模型的回归结果得出金融发展与贫困减缓的正相关关系。马彧菲等[11]借鉴崔艳娟和孙刚的研究，测算出各省普惠金融指数和金融包容性增长指数进行实证分析，发现它们有助于减缓贫困。卢盼盼等[12]通过设定能和不能取得普惠金融服务两类贫困家庭模型，从数理推导角度证明普惠金融能够帮助贫困群体积累财富进而摆脱贫困。罗斯丹等[13]在模型中加入普惠金融指数二次项，发现其与贫困减缓呈“U”型关系。上述研究均从中国省级层面出发分析普惠金融的减贫效应，邵汉华等[14]则把研究视角放到全球，收集90个国家的相关数据进行实证分析，最终结论也支持了普惠金融的减贫作用。数字普惠金融是对普惠金融的发展和继承，他们在本质上是高度一致的，本文将在前人研究的基础上，以数字普惠金融指数为核心解释变量，并假设其能够减缓贫困，之后设定动态面板模型进行实证分析以验证假设。

2 数字普惠金融减贫机理分析

传统的金融服务需要一定数量物理机构网点，而部分经济不发达地区以及地理环境恶劣的偏远地区由于基建成本昂贵、人口密度过小等原因，金融机构会舍弃为这部分群体提供服务。根据长尾理论，长尾效应导致追逐利益的金融机构只关注头部市场需求，即那些有良好偿债能力群体的金融需求，而忽视尾部市场需求，即贫困群体的金融需求，金融机构总是嫌贫爱富的，毕竟为前者提供服务存在较高成本和较大风险。数字普惠金融减贫机理，如图1所示。数字普惠金融与互联网结合能够解除空间距离的限制，扩大金融服务的触达范围，借助互联网技术的天然特性，发展数字普惠金融能够显著降低金融服务成本，降低长尾市场的边际成本，为金融机构放宽了成本约束，放低金融服务的门槛。此外，金融机构通过大数据分析个体的信用水平等特征能够显著降低信息不对称程度，金融机构可以为不同群体提供差异化的金融产品和风险定价来确保收益，从而使其具备一定的风险控制能力并从中盈利。

由于数字普惠金融带来了金融服务成本的缩减，同时又能够覆盖更广泛的人群，激活了原先具有偿还能力却无力取得金融服务群体的购买能力，金融机构依靠这部分长尾市场也获取了可观的利润， 这些赋予了数字普惠金融生机和活力，使其的发展是可持续的。数字普惠金融分别在微观和宏观方面对贫困减缓产生作用。数字普惠金融对贫困减缓的微观作用体现在降低金融服务门槛，增加贫困人口人力资本以及平滑消费。首先，发展数字普惠金融后，金融服务门槛降低，信贷约束得到缓解，贫困群体能够利用信贷资金进行增产创收，提高收入水平和生活质量，正规信贷的可获得性是发展中国家贫困群体尤其是贫农提高收入的关键因素之一。其次，贫困群体利用信贷资金能够平滑消费，以应对各种风险，如疾病，意外伤害等，增强风险抵御能力。最后，贫困群体的人力资本能够获得提升，一个人的收入与其工作能力相关，而工作能力又取决于受教育水平，取得教育也是存在成本的。贫困群体受教育水平低，而且贫困存在较强的代际相传和连续性，如果没有经济条件跨过人力资本门槛就难以提升收入水平。宏观作用则体现在数字普惠金融能够优化资源配置，强化金融作为经济血液的活力，从而推动经济增长，而持续的经济增长是减缓贫困的必要条件。经济增长能够增加社会财富，创造就业机会和投资机会，为社会消化富余的劳动力，增加了贫困群体的收入来源，使得贫困发生率能够下降。

3 实证分析

3.1 变量定义与数据说明

本文用到的数据都取自同花顺iFinD数据库，《中国统计年鉴》，民政部，国家统计局等，样本涵盖中国31个省份一共5年的数据，时间涵盖2011—2015年，每个省样本观测数共155个变量的含义和相关计算方式，如表1所示。

关于贫困的度量，考虑数据的可得性，本文借鉴卢盼盼和张长全的研究，以城市和农村低保人口占总人口比重表示贫困发生率。本文所用的数字普惠金融指数是北京大学数字普惠金融研究中心在2016年发布的。其余控制变量在借鉴罗斯丹，崔艳娟和孙刚等人的研究综合考虑后如下：edu为教育发展水平，认为受教育程度提高能够增加收入水平从而降低贫困发生率;open为对外开放度，对外开放度可能是影响贫困的一个因素; gov衡量政府干预经济程度;对于经济发展程度变量选用人均GDP;agr为财政支农水平;gap为城乡收入分配差距，以泰尔指数作为其代理变量，泰尔指数将人口变动因素考虑在内，与城乡收入差距之比相比，泰尔指数更好。

其中：下标i表示类别，当i=1时，表示城市，当i=2时，表示农村;yit表示可支配收入;yt表示t年2个地区总可支配收入。在查找数据时，发现某些年份不再统计农村可支配收入，用农村纯收入替代，经比较，发现2者相差不大;xit表示t年城镇/农村的总人口，xt表示t年总人口。所有变量的描述性统计如表2所示。

从图2可以看出，各省份数字普惠金融指数逐年增长，并呈现出一定的区域特征，其中经济发达地区的数字普惠金融指数总是高于经济相对薄弱的地区，且数字普惠金融的地区差距始终保持在一个比较稳定的范围内。

3.2 模型构建与结果分析

构建如下动态面板模型：

Poori，t=β0+β1Poori，t-1+β2ifii，t+

∑Controli，t+ui+vt+εi，t。（2）

其中：i代表省的编号，将31各省编号为1至31，t为时间;Poori，t为贫困发生率;Poori，t-1为其一阶滞后项;ifii，t为数字普惠金融指数;Controli，t为控制变量;ui为地区固定效应;vt为时间固定效应。考虑数据的统计误差和某些异常年份的极端值可能会影响研究的结果，首先对数据采取上下1%水平的极端值处理。此外，本文将除ifi外的所有变量化为百分数然后取对数值。模型中包含被解释变量的滞后项是动态面板模型的显著特征，如本文模型中的Poori，t-1，其与εi，t相关，模型会产生内生性。本文利用两阶段系统GMM估计方法对设定的动态面板模型进行估计。 模型估计结果如表3所示。

由表3可知，控制地区和时间固定效应后的模型估计结果，由于系统GMM估计采用了差分方程和水平方程的工具变量，这就要求干扰项没有二阶序列相关性，因此估计时要进行二阶序列相关检验，表3中AR（2）报告了二阶序相关检验的P值为0.190 3，表明扰动项不存在二阶自相关，可以采用系统GMM方法。表3的最后一行报告了Sargan检验的P值，该检验适用于检验模型工具变量的过度识别问题，上表中其P值为0.688 8，该结果表明模型的工具变量运用是合理的。

从估计结果来看，上一期的贫困发生率系数符号为正，说明上一期的贫困将在当前期有一定延续性。注意到核心解释变量数字普惠金融指数系数为-0.213 8，P值为0.001，系数估计值显著不为0，表明数字普惠金融具备减缓贫困的作用，其对减贫的作用效果为每增加1%，贫困发生率有0.213 8%的下降。此外，设定5%的置信水平，只有政府对经济干预度不显著。其中城乡收入分配差距的系数为0.116 4，说明城乡收入分配差距如果增加1%，将造成贫困发生率将增加0.116 4%。在其他控制变量中，人均GDP增长对贫困减缓的作用最大，其系数为-0.334 4，人均GDP的增长对贫困减缓起到基础性的作用。此外，教育发展水平系数为-0.315 5，说明教育能够减缓贫困，这也与预期相一致，教育可以帮助贫困群体提升知识和培养劳动技能，从而可以获取较高的工资收入达到减缓贫困的效果。政府对农林水事务的支出也有利于减缓贫困，农村往往分布着较多贫困群体，政府支农投入每增加1%，贫困发生率减少0.244 8%。此外，对外开放程度越高也对贫困减缓起到一定的有利作用。

3.3 模型稳健性检验

根据Roodman[15]对动态面板模型的研究，固定效應模型和OLS模型的被解释变量系数估计值分别决定了选用系统GMM估计的模型被解释变量估计值的上界和下界，因此本文估计了OLS模型和固定效应模型，3个模型的系数估计值如表3所示，发现采用系统GMM估计的动态面板模型贫困发生率的一阶滞后项估计系数为0.793，介于固定效应模型和OLS模型估计系数0.503和0.911之间，说明采用系统GMM估计方法得到的系数估计值是可信的。

4 结论与启示

本文首先分析了数字技术的优势和普惠金融的减贫机理，之后构建立动态面板模型，通过实证分析数字普惠金融是否存在减贫作用。主要结论如下：数字普惠金融能够降低贫困发生率;经济发展对贫困的减缓作用最强;收入分配差距的扩大将导致贫困发生率增加;提高教育水平和增加支农投入对贫困减缓也起到比较大的作用。

基于本文的研究，提出如下几点思考与建议：1）数字普惠金融的主要载体是互联网数字技术，借助互联网的天然优势可以降低长尾市场的边际成本，为金融机构放宽了成本约束，有效放低了金融服务的门槛。政府应当制定有效政策引导正规金融机构发展互联网金融平台，为更多贫困群体提供小额信贷服务，同时监管部门应设置监管红线防范风险。2）数字普惠金融有者丰富的内容，但是贫困群体普遍没有受过良好的教育，缺乏对其的认知能力，是阻碍其进一步发展的痛点之一。加强贫困群体对金融知识掌握度，加大向他们普及数字普惠金融的力度刻不容缓。只有在了解并理解的基础上才能使数字普惠金融得到进一步的普及，此外，也要让他们注重风险的防范。3）要着力在经济欠发达省份推广数字普惠金融，增加该地区数字普惠金融的可获得性和使用率。从历年数据来看，各省的数字普惠金融发展水平不断提高，然而大多数西部地区的数字普惠金融发展程度仍有较大的提升空间和提升潜力。欠发达地区往往聚集了较大的贫困人口，因此在欠发达地区加大资金投入并给与政策倾斜显得尤为关键。

参考文献：

[1] BECK T，DEMIRGUC-KUNT.Reaching out：access to and use of banking services across countries[J].Journal of Financial Economics，2007（1）：234.

[2] SARMA M.Index of financial inclusion[J].Jawaharlal Nehru University，Discussion Paper in Economics，2010（11）：1.

[3] 王婧，胡国晖.中国普惠金融的发展评价及影响因素分析[J].金融论坛，2013（6）：31.

[4] 肖翔，洪欣.普惠金融指数的编制研究[J].金融论坛，2014（9）：7.

[5] 焦瑾璞，黄亭亭，汪天都，等.中国普惠金融发展进程及实证研究[J].上海金融，2015（4）：12.

[6] 北京大学互联网金融研究中心课题组.北京大学数字普惠金融指数[R].北京：北京大学数字金融研究中心，2016：36.

[7] 梁双陆，刘培培.数字普惠金融与城乡收入差距[J].首都经济贸易大学学报，2019（1）：33.

[8] 张贺，白钦先.数字普惠金融减小了城乡收入差距吗：基于中国省级数据的面板门限回归分析，2018（10）：122.

[9] 张子豪，谭燕芝.数字普惠金融与城乡收入差距：基于状态空间模型的实证分析[J].金融理论与实践，2018（6）：1.

[10] 崔艳娟，孙刚.金融发展是贫困减缓的原因吗？：来自中国的证据[J].金融研究，2012（11）：116.

[11] 马彧菲，杜朝远.普惠金融指数测度及减贫效应研究[J].经济与管理研究，2017（5）：45.

[12] 卢盼盼，张长全.中国普惠金融的减贫效应[J].宏观经济研究，2017（8）：33.

[13] 罗斯丹，陈晓，姚欣悦.我国普惠金融发展的减贫效应研究[J].当代经济研究，2016（12）：82.

[14] 邵汉华，王凯月.普惠金融的减贫效应及作用机制：基于跨国面板数据的实证分析[J].金融经济学研究，2017（6）：65.

[15] ROODMAN D.How to do xtabond2：an introduction to “Differences” and “System” GMM in Stata[J].Stata Journal，2006，9（1）：86.

[编辑：费 婷]