■ 王思琦,田容至
随着绝对贫困线下人口的全部脱贫,我国迎来了全面建成小康社会的崭新时代,但仍存在着扶贫工作不稳定、贫困户发展能力受限、抗灾能力弱等问题。又因新冠肺炎疫情的影响,贫困人口的返贫风险加剧。《关于建立防止返贫监测和帮扶机制的指导意见》《关于巩固拓展民政领域脱贫攻坚成果同乡村振兴有效衔接的实施意见》等文件相继提出把防止返贫作为今后扶贫工作的重要任务。
在返贫风险的预防中,低收入群体相对贫困代际传递仍然是工作中的重点与难点,而教育代际传递作为低收入群体提升个人能力、拓宽社会阶层上升机会的重要工具,是影响社会经济地位代际传递的主要渠道。研究教育代际流动不仅能够深入理解贫困代际传递的影响机制,而且有助于制定相对贫困治理下更为精准的教育扶贫政策。目前已有大量研究证实了教育水平、家庭教育背景等因素对贫困的影响,但针对教育代际流动与家庭贫困的研究较少,且多以绝对贫困、相对贫困或多维贫困衡量家庭的福利水平,忽视了家庭的未来福利与风险。同时,鲜有文献探讨教育代际流动和数字金融发展的关系,也鲜有文献研究数字金融的发展对教育代际流动和返贫风险影响。鉴于此,使用中国家庭金融调查(CHFS)数据,构造贫困脆弱性(VEP)这一前瞻性指标度量返贫风险,实证检验教育代际流动对家庭返贫风险的影响,并分析数字金融的调节效应。
参考Becker & Tomes(1979)的研究构建父子两期模型,父代为t-1期,子代为t期。为简化分析,父代收入仅分配于消费与教育投资支出,具体模型如下:
其中,C为父代的消费支出,I为父代对子代的教育投资。子代的人力资本积累由父代教育投资支出与父代教育背景决定。将子代教育水平作为子代人力资本的代理:
其中,θ>0,E表示父代教育背景,e表示子代的人力资本禀赋,主要包括基因遗传与文化影响等因素影响。
子代的收入决定函数为:
其中,μ为常数,p为教育投资回报率。将式(2)代入式(3)得到:
假设父代的效用函数形式为Cobb-Douglas效用函数:
其中,0<α<1。将式(1)、式(4)代入式(5),得效用方程:
最大化效用函数的一阶条件为:
最终求得最优教育投资支出:
此时可以发现,父代收入越高,对子代的教育投资支出越大。同时,由于0<α<1,[1-α/1-α(1-θp)]E>0,表明父代教育背景是教育投资支出不足时的重要补充。
为进一步分析教育代际流动对子代收入的影响,参考Solon(2004)计算代际收入弹性的做法,引入代际教育流动方程:
其中,β为教育代际流动弹性。联立式(3)与式(9)得:
对β求导得:
可以看出随着教育代际流动弹性的增加,子代收入也会相应提高,进而增强家庭整体的风险抵抗能力,降低家庭再度陷入贫困的可能性。由此提出研究假设1。
假设1:教育代际流动对家庭返贫风险具有抑制作用,教育代际流动高的地区家庭返贫风险更低。
数字金融的发展为解决相对贫困问题提供了新的工具(张勋等,2019)。数字金融让金融服务能够从线下转为线上、分散转为集中,提高了金融服务供给范围和能力,尤其是能拓展至与金融机构缺少接触的贫困人群(李海峰等,2019)。数字技术提供了更充足的金融产品创新空间,并通过规模效应降低成本和风险,供给更具不同针对性的产品。例如人们可以用移动设备进行非现金支付,一些针对农民的创业贷款产品得以实现(张勋等,2019)。从家庭的角度,数字普惠金融增加其参与金融投资的机会(郭峰等,2020)。在扶贫方面,数字普惠金融被认为突破了传统金融资源均衡配置的难点,进一步控制了金融扶贫风险(董玉峰等,2020)。
但数字鸿沟的存在也制约了数字金融的减贫效应。贫困群体对数字化技术与资源缺乏应用能力,对数字经济参与度不足,限制了经济、金融扶贫政策的有效发挥,使得贫困群体非但不能成为数字化浪潮中的受益者,反而成为相对受损者。数字金融的发展带来海量的金融产品和相关信息引致了新型数据不对称,表现在数据规模、质量、技术、管理等多方面(王作功等,2019),这给筛选信息能力较弱的消费者造成了新的风险。同时数字金融发展背景下风险较大金融机构对农村贫困人口和小微企业的信贷配给和金融排斥仍未消失,数字技术也没有改变金融风险的隐蔽性、突发性和传染性(何宏庆,2020),甚至可能便利风险扩散,从而加剧贫困人口在金融获取方面的弱势地位。因此数字金融的发展对覆盖群体的受教育水平提出了更加专业化的要求,吕炜等(2020)发现不同教育背景的群体对教育代际流动的反应敏感程度存在差异,低学历父代-低学历子代群体的社会经济地位处于相比较低的水平,宽松的代际流动环境能给其提供强大的脱贫动力,而高学历父代-高学历子代群体由于本身处于社会中的较高阶层,宽松的代际流动环境已难以影响其经济状况。如果子代无法从父代获取有效的数字金融知识,降低了家庭的数字化程度,会随着数字金融发展进一步凸显数字鸿沟所产生的信息不对称效应。综上所述,数字金融的发展既为普惠金融带来了新的发展机遇,也由于数字鸿沟的存在产生了许多新的风险与挑战。由此提出研究假设2。
假设2:数字金融的发展对教育代际流动的减贫效应具有促进作用,但由于数字鸿沟的存在会产生马太效应。
本文使用2017年中国家庭金融调查(CHFS)中家庭问卷与个人问卷数据。由于每期仅对新加入的样本询问其父母的受教育水平,为增加样本量,使用 2011、2013 和 2015 年的父代教育数据进行填补。剔除18 岁以下样本、在校样本和父母教育水平数据缺失的样本,最终保留了26498 个样本。由于父代受教育水平包括父亲与母亲的受教育水平,参考吕炜等(2020)的方法,将父母受教育水平最高者定义为父代教育水平。
目前,学术界主要有两种方法测量教育代际流动。一种是Solon(2004)基于经典代际流动模型而构建的代际教育弹性。该方法将子代教育程度或教育年限对父代教育程度或教育年限对数化后进行回归,得到的回归系数即为教育代际弹性,但该方法存在一定缺陷:一是子代与父代教育之间的关系并非线性或对数线性的;二是该方法对极端值较为敏感,这限制了该指标的适用性(王伟同等,2019)。因此,Dahl &Deleire(2008)引入了另一种新的测度方法,使用父代或子代在其同辈中的教育水平排名作为替代变量,代入方程中进行回归,以此作为代际教育弹性的衡量指标。Chetty et al.(2014)则在理论上证明了这种测度方法的稳定性。该指标反映了子代对父代经济地位或社会地位次序的继承,具有较好的经济学含义。因此本文选用后一种方法构建教育代际流动指标。
具体而言,首先根据样本所居住的城市,对样本的受教育水平进行排序。随后,将样本的受教育水平引入回归方程,分城市进行回归:
其中,Rank代表子代i 在城市c 所有子代中教育水平的次序;Rank代表父代i 在城市c所有父代中教育水平的次序;β即为代际教育流动性。根据上述结果,进一步构建一个城市的绝对教育代际流动性:
其中,AUM表示绝对向上流动性,α和β为截距与回归系数,p为在所有父代中教育水平的百分位排名。借鉴Chetty et al.(2014)的做法,将p赋值为25。最终结果AUM代表当父代教育水平处于同辈中最低的25%时,其子代受教育水平的期望排名,其数值越大,代表子代向上的流动性越强。
本文使用Pritchett et al.(2000)提出的基于期望贫困的脆弱性(VEP)作为返贫风险指标,并参照单德朋(2019)的做法,采用三阶段可行广义最小二乘法(FGLS)进行概率估计。测度方法如下所示。
第一步,首先估计消费方程,并将回归后得到的残差平方取对数后作为消费波动进行OLS估计。具体估计方程如下:
其中,X是一系列影响家庭人均消费的相关变量,借鉴樊丽明和解垩(2014)的方法,纳入家庭人均净资产对数、家庭人均纯收入对数、家庭人均负债对数等家庭特征与户主年龄、性别、教育等个人特征变量和省级虚拟变量。
第二步,使用第一步得到的拟合值构建权重进行FGLS 估计,得到对数消费的期望值E(LnC|X)和消费波动 V(LnC|X):
第三步,选择贫困线,计算家庭h 的贫困脆弱性:
其中,LnZ为贫困线的对数。采用世界银行最新公布的人均日消费1.9 美元与3.1 美元作为贫困线的划分依据。如果家庭h在未来陷入贫困的概率大于贫困脆弱线,则认为该家庭具有贫困脆弱性。一般而言,贫困脆弱线有三种较为常用的设定方法,分别是贫困发生率、50%概率值和29%概率值(Günther&Harttgen,2009)。贫困发生率一般称之为低脆弱线,以其作为标准可能会高估贫困程度。而50%概率值作为脆弱线只能识别出长期贫困的家庭,存在一定的局限性;而以29%概率值为脆弱性则可以将因消费波动导致贫困的家庭纳入分析范围。因此,本文以29%概率值作为脆弱线。
所选用的指标来自《北京大学数字普惠金融指数》。目前该指数已经被广泛用于分析中国数字金融的发展状况及其经济效应。由于CHFS 仅报告样本家庭所在省份,因此本文使用省级层面的数字金融指数。
为尽可能控制其他影响家庭贫困脆弱性的因素,还纳入了一系列控制变量。各变量具体说明及描述性统计见表1。从表1 可以看出,在1.9 美元的贫困线下,家庭的平均贫困脆弱率5%,而在3.1 美元的贫困线时,家庭平均贫困脆弱率为23%。教育代际流动均值为13.76,说明对于教育水平处于最底层25%的父代,其子代的预期教育水平的平均排名能提高13.76%。即使是在教育代际流动性最低的城市,其子代的预期教育水平排名也能提高2.70%,而在教育代际流动性最高的城市,其子代的预期教育水平排名能提高25.43%。这说明各城市间的教育代际流动性存在着巨大的差异。数字金融指数均值为278.37,最小值与最大值相差96.45,说明各省份之间的数字金融发展程度亦差距悬殊。
表1 描述性统计
由于CHFS 仅在数据中公布样本是否同一城市识别码,根据识别码仅能辨别样本是否处于同一城市,而无法精确定位样本所在的具体城市,因此在控制变量中为加入城市层面的控制变量,选择在回归中汇报城市层面的聚类稳健标准误,以期降低回归结果的估计偏误。
考虑到被解释变量为二元离散变量,使用Probit模型进行回归分析,具体模型构建如下:
其中,VEP 为被解释变量,即家庭的贫困脆弱性,AUM为子代所在城市的教育代际流动性,X 为控制变量矩阵,具体包括上文所述的家庭特征与户主特征,ε为误差项,假设其服从标准正态分布。
表2 为教育代际流动与家庭贫困脆弱性的模型估计结果,其中列(1)(2)仅加入样本的个人特征变量,列(3)(4)加入了样本的家庭特征变量。可以看出,在采用不同的贫困线和控制变量的情况下,教育代际流动对家庭贫困脆弱性的影响均显著为负。列(1)教育代际流动增加10 个单位时,家庭陷于贫困的概率可以降低2.4%,在控制家庭特征变量后,这一效应虽然有所降低,但边际效应仍然达到1.2%。描述性统计结果中家庭贫困脆弱率的均值为5%,降低1.2%相当于家庭贫困脆弱率降低了24%,这说明在经济意义上,教育代际流动的减贫效应也是十分显著的。因此假设1得到检验,即教育代际流动对家庭返贫风险具有抑制作用。
表2 基准回归结果
为验证研究假设2的准确性,本文在实证模型中引入教育代际流动与数字金融指数的交互项。模型的估计结果如表3 所示,可以发现,在不同的贫困线标准下,数字金融指数及其与教育代际流动的交互项回归系数均显著为负,且该结论在5%的统计水平上显著。这表明数字金融的发展增强了教育代际流动的减贫效应,假设2通过了检验。
表3 数字金融的调节效应回归结果
为进一步探讨数字金融各维度发展状况对教育代际流动减贫效应的影响,本文在模型中引入了数字金融的三项子指数(覆盖广度cover、使用深度usage 与数字化程度digit)与教育代际流动的交互项。表4 为数字金融三项子指数与教育代际流动的调节效应回归结果,可以发现,覆盖广度、使用深度、数字化程度与教育代际流动的交互项皆在1%的统计水平上显著为负,该结论进一步说明数字金融对教育代际流动的减贫效应存在促进作用。其中数字化程度对家庭返贫风险的影响显著为正,说明数字金融发展下数字化程度增强带来的数字鸿沟会增加家庭的贫困脆弱性,但保持向上的教育代际流动能在很大程度上抵消数字鸿沟带来的消极影响,从而在整体上降低家庭的返贫风险。
表4 数字金融子指数的调节效应回归结果
吕炜等(2020)发现不同教育背景的群体对教育代际流动的反应敏感程度存在差异性。因此,为探究教育代际流动性对不同群体的异质性影响,依据子代学历和父代学历,将样本划分为4 个群体,对其进行回归分析。因1.9 美元贫困线下子样本中的贫困人数过少,无法进行估计,因此使用3.1 美元作为贫困线标准。表5 为异质性分析的回归结果,结果显示教育代际流动对不同群体的贫困脆弱性的影响存在巨大差异。对于低学历父代-低学历子代而言,教育代际流动每增加10 个单位,其陷入贫困的概率可以有效降低5.3%,且这种效应在1%的统计水平上显著。对于高学历父代-高学历子代来说,教育代际流动每增加10 个单位,其陷入贫困的概率也可降低1.1%。教育代际流动对低教育群体的影响是高教育群体的5倍,而相对贫困问题本身多存在于低教育群体中,这进一步说明提高教育代际流动对于解决相对贫困问题及有效防范返贫风险具有重要意义。
表5 异质性分析回归结果
进一步对数字化程度(digit)与教育代际流动的交互项进行分析,可见低学历父代-低学历子代和低学历父代-高学历子代群体的数字化指数对家庭贫困脆弱性的影响系数显著为正,说明数字鸿沟主要出现在家庭教育背景较差(父辈低学历)的群体中,而如果父辈学历较高,即使子代学历较低,依然不会受到数字鸿沟的影响。子代无法通过向低学历父辈学习来获取数字知识,故更需要数字知识方面的帮扶以提高其数字化水平。尽管数字金融发展背景下低学历父辈容易受到数字鸿沟的影响从而造成家庭较高的返贫风险,但是家庭向上的教育代际流动所带来的减贫效应不会受到根本性影响。可见向上的教育代际流动能够一定程度上改善数字金融发展的负面影响。
表6 数字化程度交互项回归分析
为验证上述主要结论的稳健性,使用以下方法对其进行稳健性检验。首先,剔除60 岁以上样本。对于60 岁以上的样本,其大部分都已经退出劳动力市场,教育水平对其家庭贫困脆弱性的影响相对较小。其次,由于在数据处理的过程中删除了较多父代教育水平数据缺失的样本,导致部分城市的样本量较少,计算出来的教育代际流动性可能无法代表该市的真实水平。因此,剔除样本量少于100人的城市再进行回归。回归结果与前文保持一致,证实了本文主要结论具有较好的稳健性。
由于缺乏城市层面的控制变量,本文主要面临的内生性问题是遗漏变量。参考吕炜等(2020)的做法,使用同一省份其他所有城市的教育代际流动均值,作为该城市教育代际流动的工具变量。该变量满足外生性与相关性的要求,是一个合格的工具变量。
表7 为工具变量的回归结果,列(1)为一阶段估计结果,结果发现同一省份其他所有城市的教育代际流动均值与该城市的教育代际流动显著正相关。可能的解释是,一个省的教育氛围是相似的,同省的各城市之间可以通过相互学习,齐头并进,进而对教育代际流动形成正面影响。一阶段估计的F值为131.77,远大于经验法则规定的临界值,Wald检验卡方值也在1%的统计水平上显著,说明该工具变量不存在弱工具变量的问题。列(2)(3)则分别为1.9 美元贫困线和3.1 美元贫困线的工具变量回归结果。结果表明,教育代际流动对家庭贫困脆弱性具有显著的负面影响,且这种影响在1%的统计水平上成立。
表7 工具变量回归结果
张栋浩和尹志超(2018)研究发现家庭是否陷入贫困,取决于其风险应对水平。如果家庭的风险应对水平低,无法妥善处理风险,熨平其消费波动,将会致使家庭贫困脆弱性较高。反之,如果家庭具备较高的风险应对能力,自身陷入贫困的概率也会相应降低。因此,参考Günther&Harttgen(2009)的方法,根据家庭贫困脆弱性的成因,对贫困脆弱性进行分解。若家庭未来消费水平低于贫困线,则将其定义为结构贫困性,并赋值为1;若家庭未来消费水平高于贫困线,则将其定义为风险贫困性,并赋值为2。若家庭不具有贫困脆弱性,则将其赋值为0。实证方法上采用张栋浩和尹志超(2018)的做法,使用多项Logit模型进行实证检验。
表8 为影响机制检验的回归结果。结果发现教育代际流动对风险脆弱性的影响显著大于对结构脆弱性的影响,且这种差异性影响在1.9美元和3.1 美元的标准下均显著成立。该结果验证了教育代际流动的影响机制,即教育代际流动主要通过提高家庭的风险应对能力,妥善处理家庭面临的风险问题,熨平家庭消费波动,进而降低家庭陷入贫困的概率。
表8 影响机制回归结果
本文基于CHFS 数据构建了Probit 模型,引入数字金融的调节效应,实证研究了教育代际流动与家庭贫困脆弱性的影响,得到了如下结论:第一,教育代际流动可以有效降低家庭贫困脆弱性,教育代际流动性越高,家庭陷入贫困的概率越低,即教育流动环境越宽松,子代阶层跃升的机会也就越高。第二,数字金融对教育代际流动的减贫效应存在促进作用,数字金融发展下的数字鸿沟会导致返贫风险的增加,但保持向上的教育代际流动能够改善其负面影响。第三,不同教育背景的群体对教育代际流动的反应敏感程度存在差异性,教育代际流动对低学历群体的减贫效应要显著高于高学历群体,且数字金融发展下的数字鸿沟更容易发生在家庭背景较差即父代学历较低的群体之中,而如果父辈学历较高,即使子代学历较低亦不易受到数字鸿沟效应和信息不对称效应的影响。
基于上述结论,本文认为在缓解相对贫困时:第一,要继续强调“扶贫先扶智”,进一步发挥政府的主导作用,加大教育政策的支持力度和相关资金的投入,为相对贫困群体提供更好的宏观教育环境。第二,要更加重视帮扶对象的能力提升,除继续巩固控辍保学成果外,注重加大脱贫地区职业教育支持力度,提高普通高中和普惠性学前教育质量,实施国家通用语言文字普及提升工程,打造升级版的“一村一名大学生计划”,提升人力资本质量。第三,要建立长效机制,激发群众内生动力。逐步形成推动乡村振兴的内外联动,一方面要激发相对贫困地区学校和学生的内生动力,另一方面要加大外部支持与帮扶,逐步下沉优质教育资源。第四,在数字金融发展的宏观背景下要坚持将提高教育代际流动性和社会整体数字化水平共同推进。