数字金融对我国居民部门杠杆的影响研究——基于空间面板数据模型

叶仁道，林 雅，徐艾菂

(1.杭州电子科技大学 经济学院，浙江 杭州 310018；2.浙江越秀外国语学院 国际商学院，浙江 绍兴 312000)

从2015年党的十八届五中全会提出降杠杆要求，到2018年中央财经委员会提出“结构性去杠杆”战略目标，我国始终高度重视杠杆在金融系统稳定高质量发展中的重要地位。根据2020年《中国金融稳定报告》，2019年我国宏观杠杆率同比增长约5%，增幅低于主要发达经济体，杠杆加速积累势头得到有效遏制。2021年，在脱贫攻坚战和全面建成小康社会圆满完成之际，更需聚焦居民部门杠杆增速和结构，关注居民部门向数字时代迈进时的所思所忧所盼。债务和收入是影响居民部门杠杆水平的主要因素。目前，我国居民部门债务企稳，债务结构不断优化。其中，个人普惠小微经营贷款余额持续增长，住房类贷款增速总体放缓。居民部门金融市场参与稳步提升，全民金融素养和金融知识储备向前迈进一大步，这些都是数字金融新业态发展结出的累累硕果。

随着“数字中国”建设征程的大力推进，数字金融新业态驶入创新发展快车道。以区块链和人工智能为核心的新一轮金融产业数字革命正在蓬勃兴起，为经济高质量发展激发新动能。2011—2020年，中国数字金融指数年均增长32.17%(郭峰等，2020)[1]。基于数字技术的移动支付和电子商务水平领跑全球，其中黏附的成千上万的移动终端和积淀的用户信用大数据持续反哺数字金融发展。值得注意的是，依托数字技术的金融新业态具有天然的“普惠”禀赋，为克服小微企业和弱势群体融资难提供了一种可能的解决方案。这一独特禀赋也使数字金融与居民部门生产生活高度融合，有望克服困扰传统金融几十年的难题(黄益平和黄卓，2018)[2]。然而，数字金融新业态也加剧了居民部门杠杆不稳定性。2018年，网络借贷“暴雷潮”给市场主体和监管当局上了生动而沉重的一课。网络借贷从肆意生长、乱象丛生，到大浪淘沙、转型清退的全过程警醒我们：新业态派生出的新风险不容忽视。2020年上半年，受新冠疫情影响，移动支付和数字货币等网络应用增长迅速，同时也为投机者窃取用户隐私信息、传播不法内容、实施网络诈骗等提供了可乘之机。新业态风险对居民部门资产负债结构产生重大冲击，甚至可能成为引发系统性金融危机的导火索。因此，基于数字金融新业态蓬勃发展的大背景，本文将对数字金融发展对居民部门杠杆的影响进行理论与实证研究。

一、文献综述

(一)居民部门杠杆

经典经济学理论中，杠杆率是权益资本和总资产的比率，杠杆大小反映收益与风险的角力。宏观层面居民部门杠杆率有GDP和收入两种度量口径。GDP口径的居民杠杆率以债务和GDP的比率或住户贷款和GDP的比率来表示(李扬等，2012；刘哲希和李子昂，2018；刘晓光等，2018)[3-5]。收入口径通常以贷款和收入的比率来表示(Mian和Sufi，2010)[6]。微观层面居民部门杠杆率主要以居民家庭收入水平、住房资产和金融资产占总债务的比率来表示(Brown等，2019)[7]。King(1994)、Jordà等(2016)、Mian等(2017)指出，经济扩张时期居民部门杠杆上扬与此后出现的经济收缩之间存在紧密联系[8-10]。田新民和夏诗园(2016)发现居民部门杠杆水平的提高对宏观经济有促进作用，但长期高杠杆则会导致系统性风险的隐性积累[11]。刘晓光等(2018)从动态视角审度杠杆率，认为杠杆合意水平依经济周期阶段不同而调整[5]。Stein(2012)指出居民部门杠杆与金融系统稳定性密切相关，金融危机发生前往往可以观察到居民部门超速加杠杆现象[12]。

(二)数字金融与居民部门杠杆

部分文献探讨数字金融对居民部门杠杆的作用机理。Han和Melecky(2013)认为数字金融具有独特的普惠效应，帮助低收入家庭熨平财产在整个生命周期的褶皱，促进家庭收支平衡和财富稳定[13]。战明华等(2018)发现数字金融发展会改变居民部门储蓄偏好[14]。傅秋子和黄益平(2018)指出农村正规借贷遇冷和消费信贷蓬勃发展是金融数字化变革的一体两面[15]。部分文献从区域异质性角度研究数字金融对居民部门金融参与模式的影响。李涛等(2016)发现数字金融有助于缓解金融排斥问题[16]。李建伟(2017)认为我国数字金融发展存在区域分化，这将导致城乡居民收入差距进一步扩大[17]。孙英杰和林春(2018)研究表明监管制度、人才培养和社会融资等因素是数字金融发展水平区域分化的催化剂[18]。

二、数字金融对居民部门杠杆的作用机理

(一)普惠效应

在传统金融需求端，信息获取成本和进入门槛是约束居民金融市场参与的主要原因。数字金融新业态所特有的便利性、即时性和高效性等特征，有助于减轻交易摩擦(Fuster等，2019)[19]。例如，数字金融深耕各大消费场景并与电商平台高度融合，克服传统金融对物理网点的依赖实现金融产品和服务门槛下移(Jack和Suri，2014；张勋等，2020)[20,21]。依托大数据和云计算等技术将金融业务扩展到出行和社交等各领域，数字金融帮助用户以良好信用享受低成本金融增值服务。在传统金融供给端，居民部门金融服务供给短缺(黄益平和陶坤玉，2019)[22]。金融中介的存在与市场不确定性、信息不对称以及风险管理需求密切相关，而“二八定律”使得传统金融在解决居民部门融资难问题时力所不及。数字金融以长尾效应对峙“二八定律”，这正是数字金融发展壮大的内在逻辑基础。相比商业银行等主要金融中介，数字金融能够跨区域吸收公众存款，中小投融资者等长尾客户会被其吸引并呈现出规模效应。从技术角度看，数字金融具有强大的信息优势和风险管理优势，能够革新期限匹配和信贷风险评估方式，从而纾解居民部门融资难问题。

(二)收入效应

一方面，数字金融为居民部门财富积累开辟新渠道。例如，通过缓解信贷和信息约束促进居民创业，提高整体创业绩效，促进居民收入增长(何婧和李庆海，2019)[23]。证券业务数字化降低居民参与金融投资门槛，智能投顾和实时交互简化交易流程，为居民部门金融参与开辟绿色通道。另一方面，数字金融加剧居民部门收入不稳定性。例如，由于资本市场监管法规不完备、投资者结构不成熟、市场主体对资本市场风险认知不充分等原因，“租房贷”和“小微贷”等套路重重的网络应用在市场上泛滥，个人投资者极易成为“羊群”的一份子(黄浩，2018；吴非等，2020)[24,25]。

(三)信息效应

数字金融的信息效应主要通过提高居民部门金融知识水平和社会交互水平等途径发挥作用。数字时代，金融资讯传播的速度、广度、准度均实现质的跨越，这不仅大幅度拓宽了居民部门资本市场信息接触面，也从系统上提升了居民部门整体金融素养(郭峰和王瑶佩，2020)[26]。金融信息储备量和掌握水平与居民财富聚积能力正相关(Behrman等，2012)[27]，金融素养提升将有效引导居民部门投资组合多元化(Lusardi和Mitchell，2014)[28]。

(四)溢出效应

随着物联网的创新发展，高效的信息云传递压缩地理时空上的距离，使得经济要素空间依赖性日益增强(赵涛等，2020)[29]。已有研究发现数字金融发展具有马太效应，即加剧区域经济发展不平衡，进而可能导致居民部门杠杆区域分化(Wójcik，2020；王修华和赵亚雄，2020)[30,31]。因此在研究数字金融对居民部门杠杆的影响时，应当充分考虑居民部门杠杆和区域数字金融发展的空间相关性。

三、居民部门杠杆特征分析

(一)分布特征

由于区域经济金融化程度和互联网普及水平差异较大，数字金融发展也呈现出显著的空间异质性(郭峰等，2020；李建伟，2017)[1,17]。因此，本文根据各省研究期间内的年均数字金融发展指数(dgf)将样本省份划分为三个组别(1)数字金融发展指数(dgf)来源于北京大学数字普惠金融研究中心，是我国目前最具有代表性的开源数字金融发展度量指数，兼顾序列连续性和横向可比性。数字金融发展指数可分解为覆盖广度(cvb)、使用深度(dpt)和数字化程度(dgr)三个维度。指标体系构建及编制过程见郭峰等(2020)[1]。，分别为“数字金融引领区”(dgf>207.0)，“数字金融成长区”(194.5

图1 全国和三大区域居民部门杠杆核密度曲线图

由图1可知，随着时间的推移，全国核密度曲线(a)波峰向右下方移动，底部开口扩大，说明全国居民部门杠杆水平总体升高，杠杆区域分化问题明显，省际经济发展异质性增强。数字金融引领区核密度曲线(b)也呈现波峰位置向右下方移动和底部开口扩大的趋势，但曲线总体更加平滑且曲线右侧尾部明显增厚，说明高杠杆在数字金融引领区相对集聚。数字金融成长区核密度曲线(c)总体杠杆水平低于全国，后期曲线右侧尾部增厚，底部开口扩大，说明数字金融成长区内部高杠杆省份比例提高，区域内部异质性增强。数字金融滞后区核密度曲线(d)波峰下移，总体形态由陡峭走向平滑，底部开口略微扩大，说明数字金融滞后区居民部门杠杆增长较为缓慢，区域内部异质性逐渐增强。

(二)空间相关性检验

基于莫兰指数对省际居民部门杠杆进行空间相关性检验，结果如表1所示。

表1 居民部门杠杆莫兰指数

由表1可知，全局莫兰指数均显著为正，表明我国省际居民部门杠杆存在显著全局空间集聚性。纵向上看，全局莫兰指数逐年提高，年均增长14.21%，表明居民部门杠杆空间相关性持续增强。总体而言，各省份居民部门杠杆存在较强的交互联系，且随着数字技术发展以及省际交往加深，居民部门杠杆与空间近邻省份的交互关系不断强化。全局莫兰指数的显著性为数字金融和居民部门杠杆的空间依赖性研究提供了统计意义上的支持。

由局部莫兰指数可知，山东、安徽、福建三省在研究期间均属于HH区域，呈现显著高杠杆集群特征。甘肃和新疆两省在研究期间均属于LL区域，呈现显著低杠杆集群特征。HL表示本省份居民部门杠杆高而空间近邻省份居民部门杠杆低，LH则表示本省份居民部门杠杆低而空间近邻省份居民部门杠杆高。江西省前期属于LH区域，后期受空间近邻省份辐射影响进入HH区域。四川省在研究期间内基本都落在HL区域，表现出显著而持续的高杠杆离群特征。

四、研究设计

(一)模型设计

面板数据模型一般形式如下：

Yt=Xtα+μ+1Nδt+εt,t=1,…，T

(1)

其中，Yt是N维向量，由第t期N省份居民部门杠杆所构成。Xt=(X1t…XNt)′,其中Xit=(1,xit1,…,xitK)′，由常数项和K个解释变量所构成，i=1,…,N。α是(K+1)维回归系数向量。μ表示N维个体效应项，δt表示第t期的时间效应，εt表示随机扰动项。

居民部门杠杆存在显著的空间相关性，基于普通面板数据模型的研究可能得出片面的结论，故本文考虑基于空间面板数据模型进行实证研究。通过引入空间权重矩阵W(行标准化的邻接矩阵)及其交互项，构建空间杜宾模型(Spatial Durbin Model, SDM)：

Yt=ρWYt+Xtα+WXtβ+μ+1Nδt+εt,t=1,…,T

(2)

其中，N阶空间权重矩阵W描述省际空间依赖关系。WYt和WXt分别表示被解释变量和解释变量的空间滞后项。ρ是被解释变量空间自回归系数，β是(K+1)维解释变量空间自相关向量。若解释变量无空间滞后效应，则SDM退化为空间滞后模型(Spatial Lag Model, SLM)，参照时间序列自回归模型的定义范式，SLM也被称为空间自回归(Spatial Autoregressive, SAR)模型。若解释变量和被解释变量均无空间滞后效应但扰动项空间自相关，则SDM退化为空间误差模型(Spatial Error Model, SEM)。若解释变量和被解释变量均无空间滞后效应且扰动项无空间自相关，则SDM退化为一般面板数据模型。

(二)指标选取

本文实证研究对象为2015—2018年我国31个省(不包括台湾和香港澳门特别行政区)。被解释变量为居民部门杠杆，采用收入口径。之所以采用收入口径，一方面是因为兼具序列连续性和横向可比性的居民部门微观调查数据目前难以获取，另一方面是因为GDP口径的测度方法过于宏观，代表性不强。为缓解遗漏变量引起的模型内生性问题，借鉴相关文献研究成果，本文在模型中加入必要的控制变量。表2给出变量说明。

表2 变量说明

五、实证分析

(一)统计检验和模型选择

由于居民部门杠杆具有显著空间相关性，本节构建空间面板数据模型研究数字金融对居民部门杠杆的影响。首先基于Wald检验和LR检验进行模型选择，表3给出检验结果，其中Wald-lag和LR-lag检验原假设Ha为β=0(SDM可以简化为SLM)，Wald-error和LR-error检验原假设Hb为β+ρα=0(SDM可以简化为SEM)。由表3可知，数字金融引领区通过Wald-lag、LR-lag和LR-error检验，但未通过Wald-error检验。由Elhorst(2014)，若检验结果不一致，则应选择SDM，因为其一般性强于另外两个模型[32]。数字金融成长区和数字金融滞后区均通过检验，故本文选择构建SDM。

表3 模型检验结果

(二)数字金融对居民部门杠杆的影响

由表4可知：(1)居民部门杠杆空间自回归系数均显著为正，而数字金融空间自相关系数均显著为负，表明各省份在空间上不仅存在外生的数字金融交互效应，还存在内生的居民部门杠杆交互效应。数字金融系数估计值均显著为正，但系数估计值并不能直接代表数字金融对居民部门杠杆的边际影响。进一步计算得到直接效应和溢出效应，前者表示数字金融发展对本省居民部门杠杆的边际影响，后者表示数字金融发展对空间近邻省份居民部门杠杆的边际影响。(2)数字金融对居民部门杠杆的直接效应值均显著为正，且数字金融发展程度越高，其边际提升对居民部门杠杆的影响越小。在数字金融发展滞后的省份，数字金融对居民部门杠杆的弹性为0.749，而在数字金融发达的上海、北京和浙江等省份，数字金融对居民部门杠杆的弹性仅为0.557，比滞后区低约25.6%，表明数字金融缓解融资约束和信息约束的效用遵循边际递减规律。基于数字技术的金融新业态依托普惠属性潜移默化地影响居民部门资产负债结构，缓解居民部门融资约束，提升居民部门杠杆。且数字金融虽然为居民部门财富积累开辟了新渠道，但其肆意生长也提高了风险和危机的发生频率，使得居民部门负债收入比例上扬。此外，数字金融通过缓解居民部门信息约束提升居民部门资金利用配置效率，合理调整资产负债结构。(3)数字金融对居民部门杠杆的溢出效应值均为负，且在引领区和滞后区显著，表明数字金融会抑制空间近邻省份居民部门杠杆增长。数字金融具有共享性和即时性优势，空间近邻省份通过信息网络和智能终端低成本接收数字金融发展的辐射影响。值得注意的是，直接效应值和溢出效应值的符号相反，说明数字金融发展可能强化杠杆区域分化，加剧区域经济发展不平衡。

表4 数字金融对居民部门杠杆的SDM估计结果

(三)多维数字金融对居民部门杠杆的影响

为更好把握数字金融发展方向，本节参考郭峰等(2020)[1]将数字金融发展指数分解为覆盖广度(cvb)、使用深度(dpt)和数字化程度(dgr)，分别考察其对居民部门杠杆的影响。根据模型检验结果构建SDM，表5给出估计结果。

表5 多维数字金融对居民部门杠杆的SDM估计结果

由表5可知：(1)数字金融覆盖广度对居民部门杠杆的直接效应值均为正，在引领区和滞后区显著，表明覆盖广度的扩大是数字金融提升居民部门杠杆的重要途径，且覆盖广度对数字金融滞后区居民部门杠杆的影响大于数字金融引领区。覆盖广度溢出效应值均显著，但引领区符号为正，其他地区符号为负。究其原因，引领区成熟的数字技术具有更强的辐射作用，不仅能够提升本省居民金融可得性，也将普惠效应、收入效应和信息效应扩散到了空间近邻地区。(2)数字金融使用深度直接效应值在引领区和成长区显著但符号相反，说明使用深度直接效应值受到区域数字金融总体发展水平的影响。引领区使用深度的进一步提升会降低本地区居民部门杠杆，而成长区使用深度的提升则会提高本地区居民部门杠杆。值得注意的是，在数字金融三维度中，使用深度溢出效应值均不显著，故可认为使用深度仅作用于本省份居民部门杠杆，对其他省份的影响较小。(3)金融数字化程度直接效应值在引领区和成长区显著，但符号相反。究其原因，引领区金融数字化程度达到较高水平，金融科技实践走在世界前列。这种情况下，金融监管机制和监管法规也需做出相应变革以监测更加隐蔽的数字金融风险。我国数字金融监管形式有过相对宽松的阶段，这使得许多套路重重的监管套利形式在市场上泛滥，加剧居民部门收入不稳定性。数字化程度溢出效应值均为正，在成长区和滞后区显著，说明数字化程度提升有助于缓解因覆盖广度扩大导致的杠杆区域分化问题，但其溢出效应值相对覆盖广度来说较小。滞后区的溢出效应值大于其他地区，表明提升数字化程度是促进数字金融包容性发展的有力抓手，也是缓解居民部门杠杆分化有效方式。

六、结论与建议

(一)结论

随着“数字中国”建设的大力推进，以信息技术为核心的金融产业数字革命蓬勃兴起，深刻改变着居民的生产生活。本文立足数字金融发展新阶段，分析数字金融对居民部门杠杆的影响。研究结果表明：其一，我国居民部门杠杆的全局莫兰指数为正且持续增长，省际居民部门杠杆空间集聚特征显著。其二，数字科技赋能金融普惠，有力推动居民部门杠杆增长，缓解融资难融资贵问题。其三，数字金融收入效应加剧居民部门收入波动。数字金融尚属新兴业态，虽然数字支付和电商金融在我国蓬勃发展，但以网络借贷为代表的数字金融形式的全面清退也给我们敲响警钟。其四，数字金融信息效应提升国民金融素养。数字金融特有的区块性、大数据和云计算等特征有效缩小地理时空距离，帮助系统性提升国民金融素养。这又进一步带动居民部门金融市场参与，优化居民部门杠杆结构，提升资本利用配置效率。其五，数字金融空间外溢效应强化杠杆区域分化问题，提升数字化水平是数字金融服务长足发展的关键因素。

(二)建议

根据上述结论，本文提出如下建议：其一，加强数字技术发展区域协同，缩小金融发展领域数字鸿沟。在金融数字化发展进程中，应重视区域异质性，推动区域数字金融协调发展，缩小居民部门杠杆区域差异。通过财政补贴、专项资金、项目示范等扶持政策，努力缩小金融发展领域数字鸿沟。充分发挥数字技术后发优势，加快数字技术推广应用，以缓解居民部门杠杆分化，推动中国经济高质量发展。其二，加快金融数字化核心技术创新步伐，充分释放区域协同发展新动能。数字化程度是促进数字金融包容性发展的有力抓手，金融数字化程度提升可有效缓解居民部门杠杆分化。应进一步合理布局数字金融新业态基础设施，提升金融数字化程度。积极鼓励高等院校开设人工智能、区块链和金融大数据分析等相关专业，高度重视新型高素质信息技术人才的培养。其三，优化数字金融新业态审慎监管思路，以公平秩序推进数字技术创新。创新总是机遇与风险并存，世界上不存在无风险的创新。应把握金融业务数字化发展的平衡点，有的放矢，使数字金融监管与数字金融发展程度相匹配，在鼓励金融创新的同时确保数字金融运行在法制轨道。合理界定个人信息采集尺度，保护用户隐私数据，让信息采集有法可依，有制可循。其四，高度重视整体金融素养提升，坚决遏制金融诈骗高发态势。数字金融信息效应大幅扩展居民部门金融信息接触面，但面对数字金融新业态下风险的隐匿性和多发性，监管层应加强金融科技知识储备，熟悉新业态金融业务模式，把握数字金融运行规律。居民部门应进一步强化风险意识，减少边缘高风险金融投机，合理规划自身杠杆结构。