数字普惠金融促进居民就业吗——来自中国家庭跟踪调查的证据

方观富 许嘉怡

上海对外经贸大学 国际经贸学院，上海 201620

一、引言

目前，中国就业形势严峻，就业结构性矛盾凸显。新生代农民工大量涌入城市，城镇就业新增劳动力数量持续上升。中国部分城镇地区的失业率仍然较高，不平衡的地区失业率将会进一步扩大中国地区差距，可能对社会政治稳定产生消极影响。面对目前严峻的就业挑战，中共十八大提出了“劳动者自主就业、市场调节就业、政府促进就业和鼓励创业”相结合的方针；2018年，中央经济工作会议明确指出，政府要把促进就业作为2019年经济工作的重点任务，进一步实现稳增长和稳就业。

数字金融拓展了传统金融的服务边界，完善了中国金融服务体系，对居民就业和收入可能会存在正面促进作用(1)中国是全球数字金融发展最快的国家。以移动支付为例，2016年网上支付用户4.75亿，网民使用网上支付比例64.9%，其中手机支付用户4.69亿，年增长率为31.2%，网民手机支付比例为67.5%。。数字金融泛指传统金融机构与互联网公司利用数字技术实现融资、支付、投资和其他新型金融业务模式，包括移动支付、互联网借贷以及众筹融资等。数字金融借助互联网和移动设备，依托于云计算和大数据，降低了金融服务的交易成本、信用评估风险和信息不对称，改善了农民、低收入人群、小微企业等弱势群体的金融服务可得性。目前，学界对数字普惠金融的社会影响研究仍处于起步阶段，关于数字普惠金融的就业影响研究则是更加匮乏。因此，本文试图从微观实证的研究角度，探讨数字普惠金融对居民就业和收入的影响。

本文的研究可能有三个方面的贡献：第一，丰富了现有讨论金融发展对经济发展影响的文献。国内外绝大部分研究发现金融发展对就业和收入有正面影响(Levine，1997[1]；武志，2010[2])，但也有学者认为金融业的过度膨胀可能会对经济增长产生不利影响(Krugman，2009[3]；胡静波和刘雅娇，2019[4])，本文从数字普惠金融的角度检验了创新型的金融发展模式对居民就业和收入的影响；第二，目前关于数字普惠金融的已有文献主要集中于消费、创业、农村金融等角度(谢绚丽等，2018[5]；易行健和周利，2018[6])，本文则从就业角度补充了现有对数字普惠金融的研究；第三，本文通过异质性分析探讨数字普惠金融对不同类型以及不同地区个体就业的影响，验证数字普惠金融在就业方面的普惠作用，有利于政府进一步完善数字普惠金融体系，发挥数字普惠金融的减贫效应。

二、文献综述

金融发展是就业的重要影响因素之一。Rajan and Zingales(1998)[7]认为金融发展能够降低企业的融资成本，缓解融资约束，有利于企业发展，促进就业。李巍和蔡纯(2013)[8]认为金融发展会显著提升国内不同省份的就业水平，并且不同地区之间较为协同的金融发展进程更有利于就业状况的好转。王光栋和姜振波(2014)[9]的研究发现扩大私人部门信贷规模、深化金融市场化改革以及减少政府的金融干预都有助于就业的增加。Beck et al.(2007)[10]的研究表明金融发展增加了最贫穷的五分之一人口的收入，减少了收入不平等。

包容性金融为所有家庭和企业家，特别是最边缘化的家庭和企业家提供负担得起和公平的金融服务。其中信贷服务可得性的增加使他们能够参与生产性经济活动，制定长期消费和投资计划，应对不利冲击，提高整体盈利能力。随着普惠金融的发展，农村家庭的贫困脆弱性降低，增加了农村居民和低收入家庭的收入(尹志超等，2019[11])。

但中国普惠金融发展还存在许多的问题和不足。就服务类型而言，普惠金融不仅应包括与银行有关的金融服务，还应包括在线投资和财富管理、网络贷款、互联网保险、大数据信贷调查和其他金融服务。农户、贫困家庭、低收入家庭、年老家庭尤其是夹心层家庭，享受到的普惠金融水平明显较低(尹志超等，2019)。

随着以互联网为基础的第三次技术革命的进行，中国实现了数字经济和数字金融的快速发展。传统金融机构需要通过建立网点来扩大其覆盖范围，由此产生的高额成本使得这些金融机构无法渗透到偏远地区及农村。但是数字金融通过信息通信技术的应用促使原本被排斥在正规金融体系之外的群体能够以较低的成本相对容易地获取金融服务，使金融机构为农村边远、贫困地区以及低收入群体提供普惠金融服务成为可能，金融服务可得性大幅提高(孟凡征等，2014[12])。到2025年，数字金融的广泛应用将使所有新兴经济体的年GDP增长3.7万亿美元，创造多达9500万个就业机会(Manyika et al.,2016[13])。

目前关于数字普惠金融对就业影响的讨论仍然有限。本文认为数字普惠金融可能从以下三个方面对就业和工作收入产生影响。一是数字金融降低了现有企业的融资成本，扩大了现有企业规模，从而增加了居民就业和工作收入。Manyika et al.(2016)发现数字普惠金融发展为因缺乏信贷获取渠道而受阻的小型企业注入了新的活力。数字金融一方面通过互联网平台建立的一些诸如淘宝或者微信这样的“场景”紧紧地黏住数千万甚至上亿的移动终端；另一方面又通过对来自社交媒体和网购平台等的大数据进行分析，做信用评估，实现降低获客与风控的成本，从而降低金融服务门槛和服务成本，改善中小微企业的融资环境，解决中小企业融资难的问题。二是数字普惠金融通过提高城市和农村的创业来促进就业。谢绚丽等(2018)发现数字普惠金融发展对创业有显著的促进作用，尤其对城镇化率较低的省份、注册资本较少的微型企业有更强的鼓励创业的作用。何婧和李庆海(2019)[14]认为数字普惠金融的发展通过缓解农户的信贷约束，提升农户的社会信任感为农户创业提供了更多可能。三是金融会为创新提供支持，释放大量的新商业机会，从而增加了居民就业和收入。Giudici and Paleari(2000)[15]认为财务约束会阻碍企业创新发展，尤其是对中小型高科技公司。王博等(2017)[16]研究表明网络借贷通过信用认证机制、信息披露机制以及多次借贷积累的声誉软信息可以降低信息不对称、信息搜寻成本和交易成本，从而为企业创新提供资金支持。

三、数据和识别策略

(一)数据来源与指标说明

本文的数据主要包括以下四个部分：一是2011～2018年北京大学数字金融研究中心发布的中国省级数字普惠金融指数；二是2012～2018年共4期的中国家庭跟踪调查数据；三是中国互联网络信息中心公布的2011～2016年分省互联网普及率；四是各省统计年鉴和各省检察院工作报告中获取的各省预算支出、传统金融发展水平(银行业金融机构各项贷款余额/国内生产总值)和职务犯罪立案数等地区宏观经济变量。

1. 数字普惠金融指数。该指数由北京大学数字金融研究中心研究组和蚂蚁金融服务公司共同编制，描述了2011～2018年中国各地的数字金融发展程度，覆盖了中国31个省、市、自治区(不含港澳台地区)、337个城市和1754个县。由于支付宝、中国银行等机构业务涵盖面广，该指标能较好地衡量地区间数字金融发展的差异。本文选用了省级层面的数字普惠金融总指标以及3个子指标(覆盖广度、使用深度、数字支持)。为方便系数解读，本文将初始的数字金融指数均除以100后进行实证分析。

2. 中国家庭跟踪调查。该调查是北京大学调查中心开展的具有全国代表性的大规模家庭跟踪调查，从2010年开始，此后每隔一年一次。它搜集了详细家庭个人方面的信息，包括家庭人口特征、经济条件和成员健康状况等。2016年调查期间，调查组并没有询问上一期有工作收入且仍在工作的人员收入状况，这导致个人工作总收入存在大量缺失值。本文用家庭问卷中的当年家庭总收入除以家庭规模得到的平均个人总收入来填补这些缺失值。

3. 互联网普及率。中国互联网络信息中心公布的2011～2016年分省互联网普及率覆盖了中国31个省、市、自治区(不含港澳台地区)。该变量被用作数字普惠金融指数的工具变量。

4. 各省统计年鉴和各省检察院工作报告。本文选取政府财政支出、金融机构各项贷款余额/国内生产总值，以及职务犯罪立案人数来分别控制各省的财政支持、当地传统金融发展水平和当地法律制度环境对就业收入的影响(2)由于2014～2016年部分省份只发布了职务犯罪人数，因此对缺失立案数只有人数的省份本文按照前一年近似处理；对于未公布的2017年和2018年这两年的数据用平均年增长率计算替代。。

中国的数字金融服务在2000～2018年间实现了跨越式的发展。2011年中国省级数字普惠金融指数中位数为0.40，2014年增至1.77，2018年更上升至3。同时，中国数字金融发展表现出显著的区域异质性。2018年上海市数字金融指数最高，是同年数字金融指数最低的青海省的1.44倍(3)该指数的详细信息参见郭峰等(2019[17])的研究。。这为本文识别数字金融对就业收入的影响提供了足够大的变量差异。本文将样本限制为16～65岁的非学生样本。表1报告了本文主要结果变量和控制变量的描述性统计量。

(二)实证分析策略

本文聚焦于数字普惠金融对就业的影响，回归模型如下：

其中，Yipt代表被解释变量，表示p省成年个体i在t期的就业和收入的对数；indexp(t-1)为核心解释变量，表示p省滞后一期的数字普惠金融指数；αi表示个体固定效应，该固定效应控制了所有不随时间变化或者在短时间内保持稳定的个体特征变量，包括性别、教育程度、家庭背景和家庭人口结构等；αc表示城市固定效应，该固定效应控制了所有随时间不变的对个体就业和收入有固定影响的城市因素，包括城市基础设施建设、宗族文化观念等；λt表示年份固定效应，控制所有随时间变化的对个体就业和收入有影响的因素，如物价水平变动等；Xindividual代表随时间变化的特征变量，包括年龄、年龄的二次项；εipt为随机扰动项。为控制相同省份内部居民就业和收入的相关性，本文使用以省份为聚类变量的聚类稳健标准差。

在稳健性检验部分，本文还控制了与数字金融相关的地方宏观经济变量。lbudgetp(t-1)表示p省滞后一期的政府财政支出的自然对数；loan_GDPp(t-1)为p省滞后一期的银行业金融机构各项贷款余额/GDP；lawp(t-1)代表p省滞后一期的职务犯罪立案数的自然对数。

在讨论数字普惠金融对就业收入的影响时，本文需要处理两个内生性问题，即反向因果和遗漏变量偏差问题。首先，本文对回归模型解释变量取滞后一期，研究上期数字普惠金融对当期就业的影响(4)本文也使用当期数字金融指数作为核心被解释变量，回归结果类似。；同时控制个体和时间固定效应，这样可以部分缓解遗漏变量偏差问题。其次，本文采用各省网络普及率作为数字普惠金融指数的工具变量。一方面，互联网的普及是数字金融发展的基本条件，两者密切相关；另一方面，本文在控制了政府财政支持、传统金融发展水平以及地区制度环境后，互联网普及率和就业之间不存在直接关联渠道。这使得互联网普及率成为一个有效工具变量(谢绚丽等，2018)。

四、实证结果分析

(一)基准结果分析

图1比较了2012～2018年中国家庭跟踪调查期间，数字金融发达和落后地区就业和收入水平的差异。

图1显示，在大多数年份数字金融发达地区的就业水平以及工作收入都要高于数字金融落后地区的就业水平以及工作收入。

表2进一步采用计量模型来检验数字普惠金融对就业收入的影响。其中，第1和第2列被解释变量为是否就业的虚拟变量；第3和第4列被解释变量为工作收入的对数；第1和第3列仅控制了年龄、年龄二次项、年份和城市固定效应，结果表明数字金融对居民的就业和工作收入都有着显著的正面影响。

由于不同城市的风俗文化和社会经济状况存在较大差异，不同城市的居民就业和工作收入不一定直接可比，因此，在表2的第2和第4列中，本文额外加入了个体固定效应。在控制个体固定效应后，数字普惠金融总指数对居民就业和工作收入依然有显著的正面影响。具体来说，上年数字金融总指数增加0.15个单位，相当于数字金融总指数从2012年全国的25分位数(0.28)上升到当年的75分位数(0.43)，居民就业的概率平均会增加3%，工作收入平均会提高7%(5)2012年，数字金融发展程度处于25分位数的省份是河南省，处于75分位数的是辽宁省。。

为消除担心地方宏观经济变量可能会干扰本文实证结果的疑虑，因此本文增加财政支出作为控制变量。表3第1和第4列控制了上年各省政府的财政支出，回归结果与基准回归结果没有明显差异，表明政府支出不影响本文的结论。

地区传统金融和数字金融往往同时发展，传统金融发展也可能会刺激地方居民就业和工作收入增加。为缓解传统金融对估计结果可能造成的偏差，表3的第2和第3列进一步控制了传统金融发展水平。采取信贷总额和GDP的比值来衡量地方传统金融发展水平(Levine，1997)，结果表明控制地方金融发展水平后，本文的基本结论依然保持不变。一个地区的营商环境和法律制度也可能会同时影响数字金融和地区经济发展。而在表3的第3和第6列中，本文额外控制了各省职务犯罪立案数的对数，基本结果依然稳健。

表3 数字普惠金融与就业：稳健性检验

本文使用滞后一期的解释变量来减弱反向因果问题，通过控制固定效应和其他宏观经济变量来解决可能存在的遗漏变量偏差。为消除本文的结论会受到反向因果和不可观测的遗漏变量的影响的疑虑，如地方的金融市场可能预测到地方就业的改善，从而提前完善当地数字金融的配套设施。同时，地方政府实施了部分产业政策，这些未被观察到的政策可能会影响估计结果。因此，本文使用省级互联网普及率做工具变量回归，进一步解决可能存在的内生性问题。

表4前两列报告的是就业工具变量回归结果。第1列报告了第一阶段回归结果，结果显示互联网普及率对数字普惠金融发展有显著正面影响。第一阶段回归的F统计量为18.14，表明不存在弱工具变量问题。第2列报告了两阶段回归结果，结果表明数字普惠金融对居民就业的概率仍有显著的正面影响。第3、第4列报告的是收入的工具变量回归结果。其中，第3列是第一阶段回归结果，第4列是两阶段回归结果。由于就业和工作收入的样本量不同，所以第一阶段回归结果系数不同。第3列第一阶段回归结果的系数显著为正，但是其F统计量为8.21，可能会存在弱工具变量问题。第4列的回归结果表明，数字普惠金融对居民工作收入仍有显著的正向影响。为解决可能存在的弱工具变量问题，本文使用Anderson-Rubin置信区间检验，结果依然不变。总的来说，工具变量回归结果表明，反向因果和遗漏变量偏差对本文原先的结论影响不大。

表4 工具变量回归

注：其他控制变量包括年龄、年龄二次项上年政府财政支出、上年信贷总额/GDP、上年职务犯罪立案数；括号内为聚类到省级层面的聚类稳健型标准差；***、**、*分别表示1%、5%、10%的显著性水平

(二)数字普惠金融的其它影响

数字普惠金融指数可以细分成3个子指标，即覆盖广度、使用深度和数字化程度。数字金融的覆盖广度指数主要是根据互联网支付账号及其绑定的银行账户数等来构建。数字金融的使用深度指数是以互联网金融服务的实际使用情况来衡量，包括支付服务、信贷服务、保险服务、投资服务和征信服务等金融服务的使用量。使用深度指数同时考虑了数字金融服务的实际使用人数、人均交易笔数和人均交易金额。数字化指数衡量了数字金融服务的便利性和成本，主要是根据金融服务的移动化程度和使用者的贷款利率等来构建。

表5报告了数字普惠金融的子指标对就业和收入的影响。第1、第2和第3列依次报告的是覆盖广度、使用深度和数字化程度指数对居民就业的影响；第4、第5和第6列依次报告的是覆盖广度、使用深度和数字化程度指数对居民收入对数的影响。由表5可知，数字普惠金融覆盖广度指数和使用深度指数对就业和收入都有显著的正向影响，但是数字化程度指数对就业和收入影响接近零，且在统计上不显著。也就是说，数字普惠金融可能使部分偏远地区或者被传统金融忽略的群体获得了金融服务，从而促进了这部分人群创业或者就业；而从就业和收入的角度来说，数字普惠金融服务的覆盖和使用可能比金融工具的便捷性或者使用成本更加重要。

本文将就业类型划分为非农自雇、自家农业生产、非农受雇、农业受雇这四种类型(6)本文将非农自雇定义为自己或自己家从事非农工作，并且拥有4人或以上下属。以考察数字普惠金融对不同类型就业的影响(表6)。表6中，数字普惠金融对非农自雇、非农受雇和农业受雇的影响均显著为正，对自家农业生产就业的影响为负但在统计上不显著。具体来说，上年数字普惠金融总指数从2012年全国的25分位数上升到当年的75分位数，非农自雇、非农受雇和农业受雇的概率分别会增加0.5%、6.3%和1.0%。也即数字普惠金融显著增加了居民从事非农自雇工作的概率，该结果与谢绚丽等(2018)的研究结果一致；此外数字普惠金融对非农受雇的影响最大。这说明数字普惠金融不仅促进了新企业的产生，也在更大程度上促进了原有企业的成长。这可能是因为数字普惠金融缓解了企业的融资约束，从而促进了企业的发展。

本文将集体企业、联营企业、有限公司、外商、港澳台商、家族企业、私营企业、个体工商户和民办非企业/协会/行会/基金会/村居委会组织归为私营企业，将事业单位和国有控股企业归为国有企业，将政府部门、党政机关和人民团体归为政府机关来研究数字金融对私有企业、国有企业和政府机关单位就业的影响(表7)。其中，被解释变量是居民是否在某种类型企业或者单位就业，如果是则取1，否则取0。由表7可知，数字普惠金融对私有企业和国有企业的影响均显著为正，而对党政机关的影响显著为负。结果显示，数字普惠金融对私有企业的就业促进作用最大。这可能和中国现行的金融体系结构有关。以国有银行为核心的传统金融体系更倾向于为国有企业或者政府部门提供融资服务，而私营企业可获得的融资服务有限。数字普惠金融的发展降低了私有企业获取金融服务的门槛，能够解决融资难、融资贵问题。另外，数字普惠金融发展还可能推动企业技术创新，提高全要素生产率，加速转型升级(易信和刘凤良，2015[18])。

(三)异质性分析

数字普惠金融是否真的具有普惠性的特点？数字普惠金融是否对弱势群体和发展落后地区影响更大？本文进一步分析数字金融影响的异质性。

表8 个体层面的异质性分析

表8报告了个体层面的异质性影响。其中，第1和第2列分别报告了男性和女性样本的回归结果，即数字普惠金融对男性和女性就业都有显著的促进作用，但对女性的影响更大。女性工作的概率一般来说低于男性，这主要是因为女性往往承担着照顾家中老人和孩子的任务，她们非工作时间的效用比较大。数字普惠金融通过电脑、手机等互联网终端为灵活就业提供可能性，因此数字普惠金融对女性就业的影响可能更大。

表8中，受教育程度低于高中的样本被归为低教育人群，受教育程度为高中以上的样本被归为高教育人群，其中第3和第4列报告了不同教育程度的子样本回归结果，即数字普惠金融对低教育程度人群的就业有显著正面影响，对高教育程度人群的正面影响较小，而且不显著。低教育程度人群的金融知识有限，他们获取的金融信息可能是碎片化的并且存在滞后性，这些因素导致他们使用传统金融工具的频率较低。数字普惠金融降低了金融服务的交易门槛，提升了金融信息获取能力，拓宽了获取金融服务的渠道，从而改善了低教育程度人群的就业。

表8中40岁以下的人群被归为年轻人组，40岁以上的人群被归为中老年组。第5和第6列报告了不同年龄段的子样本回归结果，即数字普惠金融对年轻人组和中老年组的就业都有显著正向影响，但对年轻人组的影响更大。与中老年人相比，年轻人往往更有冒险精神，就业可能更加灵活。数字普惠金融推动了金融服务创新，降低了融资成本，为青年人灵活就业提供了更好的金融环境，从而促进了青年人的就业。

接下来本文分析数字普惠金融影响的地区异质性。中国城镇化水平越来越高，城乡差距也不断扩大。数字普惠金融对就业的影响也可能具有城乡差异。表9的第1和第2列报告了城市和农村子样本的回归结果，即数字普惠金融对农村和城市居民的就业都有显著促进作用，但对城市地区的影响略大。中国的农村金融原本就是中国金融市场短板，农村地区网络设施建设尚不完善，农户数字金融的素养欠缺，所以数字普惠金融对农村就业人群影响小于城市。

中国东西部经济发展极不平衡，传统金融服务交易中心集中在东部地区。表9的第3和第4列报告了东部和中西部两个子样本回归结果。由表9可知，数字普惠金融对中西部地区的就业有显著的正向影响，对东部地区的影响较小而且不显著。这可能是因为中西部地区比较偏远，正规金融机构建立的成本较大，传统金融发展较为缓慢(易行健和周利，2018)。数字金融的使用门槛较低，只需要连接互联网的电脑或者手机终端。数字普惠金融能够弥补传统金融的不足，从而显著促进中西部地区居民的就业。

五、结论

本文采用数字普惠金融指数和中国家庭跟踪调查数据，基于固定效应和工具变量模型，实证检验了数字普惠金融发展对居民就业和收入的影响，得出四点主要结论。第一，数字普惠金融发展总体上显著促进了居民就业，增加了居民工作收入。传统金融发展程度、政府投资、法制环境等相关的地方宏观经济变量都不会影响本文结论。第二，数字普惠金融指数涵盖3个维度。其中，数字金融的覆盖广度和使用深度都对就业和收入有显著促进作用，而数字支持对就业和收入影响较小并且不显著。第三，数字普惠金融发展对非农自雇、非农受雇和农业受雇都有显著正向影响，其中非农受雇受到的影响最大；而这些增加的非农受雇人群大多进入了私营企业。第四，数字金融的就业影响具有一定的普惠性，即数字金融对传统弱势群体的就业影响更大。数字金融对女性、低教育程度和西部地区居民的就业影响更大。但相较于城市，数字金融对农村地区的影响仍然有限。

本文研究结果对中国政府目前发展数字金融的政策具有重要的启示。首先，政府应该进一步完善数字金融的覆盖广度和使用深度，扩大金融系统的服务人群，同时促进传统金融与数字金融的竞合发展，逐渐丰富和完善数字金融市场的产品体系，更好地满足大众的金融需求。其次，农村地区数字普惠金融发展仍然不足，数字普惠金融对农村就业的促进作用仍然有限。政府应该加强金融资源在各地区的均衡分配，继续完善农村地区的数字金融基础设施建设，包括移动互联网络和现代化金融监管系统等，使农村、偏远地区人群能够享受基本的金融服务。同时，政府应加强对农村、偏远地区人群的金融教育，提高他们的数字金融素养。最后，数字金融依托于大数据分析以及互联网交易，由此可能会产生个人隐私侵犯、数据安全、信用评估等问题。因此，政府需要对数字金融市场进行严格的风险控制，完善顶层设计的相关法律法规，加强信息披露平台和信息获取机制的建设；同时要提高数字金融市场的准入门槛，规范数字金融市场交易。