数字普惠金融与农村低收入群体增收效应——来自中国家庭追踪调查（CFPS）数据的经验证据

陈晓华，潘梦琴

（浙江理工大学 经济管理学院，杭州 310018）

实现共同富裕是社会主义的本质要求，促进农村低收入群体增收是实现共同富裕的关键所在。据国家统计局统计，过去十年间我国农村贫困人口共减少1.66亿人，2020年现行标准下农村贫困人口全部脱贫，贫困县全部摘帽，绝对贫困现象历史性消除。我国如期打赢脱贫攻坚战，顺利完成“十三五”规划脱贫目标，取得瞩目成果实属“来之不易，成之惟艰”。由于我国城乡发展不平衡，农村存在脱贫人口基数大、动态性特征明显等问题（苏静，等，2019）［1］，我国低收入人口规模较大的事实是掣肘我国巩固脱贫攻坚成果的关键障碍，不利于实现共同富裕的美好愿景，因此巩固脱贫攻坚成果工作依旧无比艰巨。2021年2月21日，中央一号文件《中共中央、国务院关于全面推进乡村振兴加快农业农村现代化的意见》指出，把全面推进乡村振兴作为实现中华民族伟大复兴的一项重大任务，要实现巩固拓展脱贫攻坚成果同乡村振兴有效衔接，持续推进脱贫地区乡村振兴，加强农村低收入人口常态化帮扶。可见，农村低收入群体是国家开展巩固脱贫攻坚成果工作的重点关注对象，促进农村低收入群体增收、阻止收入差距持续扩大是我国当前防范化解返贫风险的重要手段。

推动普惠金融的发展是保障民生福祉的重要抓手。作为当前普惠金融发展的主流，数字普惠金融对农村低收入群体的影响受到社会和学界的广泛关注。2016年国务院发布关于印发推进普惠金融发展规划（2016—2020年）的通知，要求立足于机会平等要求和商业可持续原则，致力于将金融服务精准地触达中小微企业和低收入群体，尤其是偏远地区的农户。过去我国长期对立的二元城乡经济结构引致城乡发展不平衡，加之金融资源严重向城镇倾斜，制约了金融发展对农村地区经济发展和对农村居民收入增长的促进作用（叶志强，等，2011）［2］。通过数字技术，利用数字普惠金融推进经济可持续发展（黄益平、黄卓，2018）［3］、巩固拓展脱贫攻坚成果是改善农村人民生活品质的重要手段。因此，本文基于CFPS数据库面板数据，实证研究数字普惠金融对农村低收入群体增收的影响及作用机制，对国家制定关于巩固脱贫攻坚成果同乡村振兴有效衔接的政策有重要意义。

一、文献综述

纵观数字普惠金融对农村低收入群体增收影响的研究，学界主要就数字普惠金融对于农村居民收入影响进行了大量的深耕，这为农村低收入群体增收影响研究的开展奠定了坚实的基础。

首先，关于数字普惠金融与农村居民收入的影响研究。基于互联网技术和数字服务的数字普惠金融应运而生。数字普惠金融以其超越地理限制的高触达能力飞入万家，深入长尾群体队伍，起到了优化金融资源配置、市场深度融合、增收减贫的作用。陈慧卿等（2021）［4］基于省际面板数据实证发现，中部地区数字普惠金融的农村增收效应均大于东部地区和西部地区。何宜庆等（2021）［5］对2013—2018年31个省市数据进行实证研究，发现数字普惠金融的发展对农村居民收入增长存在门限效应，只有数字普惠金融发展程度越过门限值，才能进一步对农村居民收入起到促进作用。张林（2021）［6］通过对2014—2018年中国326个贫困县和812个非贫困县的动态面板数据回归表明，数字普惠金融促进了县域产业升级从而激发了农民增收效应，且这一中介机制在贫困县更为显著。宋晓玲（2017）［7］认为，数字普惠金融通过降低农村居民的金融服务成本、优化农村金融生态环境增加了农村居民收入水平，从而缩小了城乡收入差距。从微观视角切入，张勋等（2019）［8］研究得到了数字金融提高城乡居民的家庭收入、促进包容性增长的结论。

其次，关于数字普惠金融与低收入群体收入的影响研究。针对低收入人群的划分，国内外暂没有统一标准。从国际来看，欧盟、经合组织等国际组织和发达国家多采用收入中位数的40%、50%或60%作为低收入群体的衡量标准。叶兴庆、殷浩栋（2020）［9］和高强、曾恒源（2021）［10］以及黄征学等（2021）［11］学者均采用该划分方法开展实证研究。从国内来看，国家统计局把全体国民收入进行五等分，将处于最低20%收入阶段的群体划分为低收入群体，一些学者亦沿此划分逻辑实证研究了低收入群体增收的影响成因。目前学界分别从理论层面和实证层面研究了数字普惠金融对低收入群体收入的影响。潘锡泉（2019）［12］通过浙江六个乡（镇）村的实地走访，系统阐述了数字普惠金融帮扶低收入群体的影响机理。单德朋等（2020）［13］基于2014年中国家庭追踪调查（CFPS）数据，实证发现互联网使用对中国居民收入差距扩大具有显著的阻滞作用，且该作用在低收入群体（人均收入在均值以下）中更为显著。一些学者则聚焦于城镇弱势群体，按照收入等分的方法将城镇居民收入分为三组，实证发现数字普惠金融显著促进了城镇低收入群体的收入增长，但却扩大了城镇低收入群体与城镇中高收入群体之间的收入差距（李连梦、吴青，2021）［14］。此外，孙继国等（2020）［15］基于2017年CHFS截面数据证实了数字普惠金融能够通过促进家庭创业、缓解融资约束和降低家庭风险，达到减缓地区相对贫困的效果。

结合现有文献可知，数字普惠金融与低收入群体收入关系的研究相对有限，且存在以下不足：首先，虽有文献尝试分析数字普惠金融对低收入群体的影响，但划分标准并未体现城乡分割下农村低收入群体的结构差异，无法对农村低收入群体进行有效识别和帮扶，已有研究结论对乡村振兴战略政策制定的参考价值稍显不足；其次，已有文献多采用截面数据下低收入群体的识别方法，随着经济发展和收入水平提高，较难体现低收入群体划分的可比性，所得结论在动态性和稳定性方面难免存在缺憾，同时未能有效解决内生性问题；最后，数字普惠金融的农村微观作用机制有待深入，且已有文献多采用定性方法研究中介效应，无法了解各作用渠道的中介贡献。有鉴于此，本文基于2014—2018年CFPS数据库中的农户数据，借鉴高强、曾恒源（2021）［10］的方法，将农村居民人均收入中位数的40%作为识别低收入人群的取值标准，利用Probit面板数据模型从多维细化视角深入剖析数字普惠金融对低收入群体增收的影响机理，并借鉴Breen等（2013）［16］的KHB中介效应模型，从信贷可得、社会资本和信息获取等渠道进行深入检验，以期在弥补上述研究不足的基础上，为缩小城乡收入分配差距、实现共同富裕和乡村振兴战略的全面推进提供科学有益的参考。

二、理论分析与研究假设

本文认为，一方面，在金融市场上，数字普惠金融发展能够基于电子信息技术突破传统金融的地理空间限制，建立个人风险评估机制以缓解原有金融市场的信息不对称问题和“囚徒困境”，降低交易成本，在一定程度上提高农村低收入群体的信贷可得性；另一方面，在家庭层面上，数字普惠金融通过拓宽信息获取渠道和提高社会资本水平来促进农村低收入群体增收。

首先，流动性约束理论认为，不完美的信贷市场普遍存在信息不对称问题，传统金融市场“惜贷”现象严重使低收入群体尤其农村低收入群体容易遭受信贷约束，从而对农村居民消费和收入产生抑制作用。金融服务因其“嫌贫爱富”“精英俘获”等特征，更青睐具有还贷能力的富人，而将缺乏实物抵押的低收入群体拒之门外。这类弱势群体因自身能力不足，难以破除传统金融的信任机制，易遭受金融排斥，满足不了自身生活生产发展需求，从而陷入贫困“陷阱”（Galor、Zeira，1993）［17］。以大数据为支撑的数字普惠金融使得评估农村个人信贷风险成为可能，逆向选择和道德风险问题在一定程度上得到缓解，从而降低农村低收入群体的金融排斥程度，提高其使用金融服务的便利性，这更好地为农村家庭提供避险工具以平滑消费和增加收入。因此数字普惠金融的发展，拓宽了农村居民资金借贷途径，缓解其信贷约束［18］，优化农村金融资源配置，提高农户信贷可得性。故本文提出：

假说1：数字普惠金融发展通过提高信贷可得性促进了农村低收入群体增收。

其次，社会资本是农村居民收入增加不可忽视的影响因素之一，而“社会资本是穷人的资本”也得到大多数学者的证实（Akcomak，等，2009；Andriani，等，2010）［18-19］。首先，关系作为中国社会人际交往的关键纽带，是社会资本的重要构成，而社会资本是居民在行动中获取和使用的嵌入在特定社会网络中的资源（Lin，2001）［20］，能够通过人情往来互动增进亲友社会成员之间的感情；其次，信任机制、声誉机制和规范机制往往受到社会资本的约束与完善，有利于构建互信、互利、互惠的社会关系，降低风险以减少机会主义行为（Grootaert，2001）［21］，促进低收入群体福利增加。21世纪以来，无现金交易大行其道，移动支付的便利性驱动了以手机移动端软件为载体的数字金融产品的普及，例如支付宝和微信的转账等金融功能极大地强化了社会网络关系（李晓，等，2021）［22］，进而提高居民融资能力，为低收入群体提供创造收入的机会。故本文提出：

假说2：数字普惠金融通过提高社会资本水平促进了农村低收入群体增收。

最后，数字普惠金融的发展离不开互联网等平台媒介的支持，互联网作为信息渠道之一，打通了传统金融机构与低收入群体之间的信息壁垒（潘锡泉，2019）［12］，一方面将金融机构平台与信息接收者有力地黏结在一起，形成网络集群效应，降低了企业和金融机构的交易成本和居民的信息搜寻成本，以提供生产行为和活动的信息来源和机会（宋林、何洋，2021）［23］，促进就业和创业；另一方面各大银行通过移动端APP推送金融理财产品提升了顾客的金融知识水平（李晓，等，2021）［22］，通过互联网的信息传播和知识共享亦提高了居民的人力资本。已有研究表明，市场信息获取、人力资本提升均能对居民收入产生显著的正向作用（焦斌龙，2011；刘生龙，等，2021）［24-25］。故本文提出：

假说3：数字普惠金融发展通过拓展信息渠道促进了农村低收入群体增收。

三、研究设计

（一）指标选取

1.因变量。Yjt是衡量农村居民是否为低收入群体的哑变量，来源于CFPS数据库的家庭人均纯收入，借鉴高强、曾恒源（2021）［10］的做法，若家庭人均纯收入低于农村居民人均收入中位数的40%，处于农村低收入群体Yjt，则取值为0，反之亦然。

表1为2012—2020年农村居民人均收入中位数、农村绝对贫困标准线以及按照农村居民人均收入中位数40%计算而得的农村低收入水平线，可以看到历年农村低收入水平线均略高于我国历年农村绝对贫困线，这意味着对于当前农村相对贫困治理阶段，该比例是处于合理范围内的。因此本文认为，采取农村居民人均收入中位数的40%作为本文农村低收入水平线的做法是较为可行的。

表1 2012—2020年各农村收入线

2.核心解释变量。indexit为第t年第i省份的数字普惠金融指数，实证中以数字普惠金融指数的滞后一期表示为indexi，t-1，并取对数以降低反向因果可能带来的不良影响。此外，本文还选用数字普惠金融指数的两个细分维度，即覆盖广度和使用深度，以进一步刻画农村低收入群体增收机制。数字普惠金融指标包括覆盖广度和使用深度两个维度，其中，覆盖广度是指账户覆盖率，主要是由每万人拥有支付宝账号数量、支付宝绑卡用户比例和平均每个支付宝帐号绑定银行卡数组成；使用深度包括支付业务、信贷业务、保险业务、投资业务和征信业务等，通过人均使用笔数、人均使用金额等互联网金融使用情况来衡量。

3.中介变量。信贷可得：选取“非房贷的金融负债”作为信贷可得的间接度量，实证中取其对数，该变量来源于家庭经济问卷。社会资本：CFPS中国家庭追踪调查的家庭经济问卷询问了受访者“包括实物和现金，过去12个月，您家总共出了多少人情礼？”，实证中对人情礼支出取对数。信息获取：CFPS成人问卷询问了受访者“互联网对您获取信息的重要性”，1—5分从低到高代表“非常不重要”—“非常重要”，本文将“＞=3”赋值为1，视为信息获取水平高组，否则赋值为0，即信息获取水平低组。

4.控制变量。本文在回归方程中控制了影响家庭收入的其他因素。具体而言，首先控制了户主层面的特征变量，包括年龄（样本年份减去出生年份）、性别（男=1，女=0）、婚姻状况（在婚=1，其他=0）、政治面貌（中共党员=1，其他=0）、学历（文盲=0；小学=6；初中=9；高中=12；大专=15；本科=16；研究生=19）、健康水平（不健康=1；一般=2；比较健康=3；非常健康=4；很健康=5）；其次控制了家庭层面变量，具体有家庭规模、老年人比例（家庭中65周岁以上人数/家庭总人数）；最后，本文还考虑了地区的人口密度和传统金融发展水平对农村居民收入的影响，传统金融发展水平以金融机构贷款余额与GDP的比值衡量。

此外利用数据的家庭面板特征，借助Probit模型的家庭与时间双固定效应，有效控制不随时间变化但有可能影响农村低收入群体的家庭层面因素，以减少遗漏因素对估计结果造成的有偏影响。具体变量描述性统计如表2。

表2 描述性统计

（二）计量模型、方法以及数据来源

因变量Yjt取值为1，表示农户被纳入非低收入群体，反之亦然；核心解释变量表示为各省市数字普惠金融指数滞后一期对数ln（indexi，t-1）。鉴于因变量为二元变量，本文采用Probit模型作为基准模型。具体模型如下所示：

β1、β2、β3和β4分别是数字普惠金融和各控制变量的回归系数，Head of household controls、household controls和province controls分别为户主、家庭和地区控制变量，τj表示家庭固定效应，υt为年份固定效应，μijt为随机扰动项。

对于中介效应的检验，传统的中介效应检验只适用于线性模型，无法检验非线性模型（例如Probit模型）。因此本文借鉴Breen等（2013）［16］的研究，采用KHB中介效应检验方法。该检验方法不仅能够有效分解线性和非线性回归模型的中介效应，还能基于多维中介变量获得自变量的总效应、直接效应和间接效应及其中介贡献，进一步得到中介变量的中介贡献比例，从而具有更高的检验力和准确性（宋健、刘志强，2020）［26］。为使中介检验该部分内容更为详实，本文在KHB检验前加上分步回归检验法的回归分析结果。

本文研究变量数据来源主要有三个部分。自变量数字普惠金融数据源于“北京大学数字普惠金融指数”，该指数由北京大学数字金融研究中心和蚂蚁金服集团组成的联合课题负责编制，这套指数不仅包含了数字普惠金融指数（index），还包含了数字普惠金融指数的两个细分维度，即数字普惠金融覆盖广度（cov）和数字普惠金融使用深度（usa），涵盖全国31个省、337个地级以上城市，时间跨度为2011—2018年②。因变量农村家庭人均收入的微观数据源自北京大学中国社会科学调查中心的中国家庭跟踪调查（CFPS），该调查始于2010年，此后每隔一年一次，样本覆盖25个省/市/自治区，代表了中国95%的人口。在数据处理上，本文跟踪匹配2014年、2016年和2018年3期均参与调查 的 农村家户样本，根据财务回答人来识别户主身份。在对变量空缺值进行删除和对异常值进行1%双侧缩尾处理后，将其与数字普惠金融指数进行匹配。地区控制变量数据来源于历年《中国统计年鉴》。

四、实证分析

（一）基准回归

本文首先根据式（1）进行Probit模型回归，回归过程中均加入年份和家庭双向固定效应，分析了数字普惠金融及其细分维度对农村低收入群体增收的影响。具体而言，第（1）列、第（3）列和第（5）列中只加入核心解释变量；第（2）列、第（4）列和第（6）列中进一步控制了反映户主特征、家庭特征以及地区特征的变量。回归结果如表3所示。由估计结果可知，数字普惠金融、覆盖广度和使用深度的估计系数均为正，且在1%的水平上显著，这表明数字普惠金融及其细分维度均显著提高了农村居民跳出低收入群体的概率，促进了农村低收入群体增收。

表3 数字普惠金融对农村低收入人群增收的基准回归结果

进一步对比细分维度两组回归系数可知，模型中使用深度对农村低收入群体增收的估计系数大于覆盖广度，这在一定程度上表明使用深度发挥的增收效果更为显著，即使用深度更能推进农村低收入群体增收。其主要原因可能在于：不同于仅仅关注支付宝账户数和绑定银行卡（数）的覆盖广度，使用深度不仅从支付方面便利人们生活，从保险方面防范各种风险，还从信贷征信、投资理财方面大大提高了农村低收入群体的金融可得性，减缓金融排斥，使原本被传统金融机构排除在外的农村低收入群体触及互联网金融服务，对农村居民平滑消费和生产经营产生了长足的影响，从而达到增收目的。

（二）稳健性检验

1.内生性分析

基准模型考虑了反映户主、家庭和地区特征的控制变量，加入了双向固定效应，但依旧存在遗漏相关变量和互为因果关系的风险。因此，本文有必要进行进一步的稳健性检验和内生性分析。本文利用工具变量法，采用IV-Probit模型检验数字普惠金融及其不同维度对农村低收入群体增收的影响，首先借鉴张杰等（2011）［27］和Lewbel（1997）［28］的思想和做法，拟构建（数字普惠金融—数字普惠金融指数的均值）的三次方的指数作为数字普惠金融指数的工具变量；其次选择核心解释变量滞后一期项作为核心解释变量的工具变量，内生性分析结果如表4所示。

基于不同工具变量，表4第（1）—（6）列分别为数字普惠金融及其不同维度对农村低收入群体增收的内生性估计结果，由估计结果可知，数字普惠金融发展及其维度对农村低收入群体增收的估计系数均为正，且在1%的置信水平上显著，表明数字普惠金融发展及其不同维度会对农村低收入群体产生显著的增收作用。同样，不论是选取构建的工具变量，还是滞后一期项，Wald外生性检验至少在5%显著性水平下拒绝了“主要解释变量不存在内生性”的原假设，这表明模型在纠正内生性问题之后，数字普惠金融及其维度发展依旧显著提高了农村居民跳出低收入群体的概率，从而促进农村低收入群体增收，证实了前文估计结果是可靠的。

表4 内生性分析

2.替换被解释变量

2020年，我国农村贫困人口全部脱贫，这意味着消除相对贫困将是我国巩固脱贫攻坚成果之路的“主旋律”。本文借鉴李晓嘉（2015）［29］衡量农户贫困状况的做法，按照农户人均收入在当年本省收入的相对位置来衡量，如果农户人均收入低于当年本省人均农户收入的25%，则认定为低收入群体，被解释变量赋值为0，否则为1，以此重新构建我国农村低收入群体划分标准。由于该划分标准的特殊性，本文分别回归2014、2016和2018三年样本期数据，研究结果如表5所示。

表5 替换被解释变量

表5第（1）—（3）列分别为2014年、2016年和2018年数字普惠金融对农村低收入群体增收的分析结果。估计结果显示：首先，数字普惠金融发展估计系数为正，均通过了至少5%的显著性水平，数字普惠金融的发展在2014—2018年显著提高了农村居民跳出低收入群体的可能性，表现出数字普惠金融较强的增收效应；其次，数字普惠金融系数逐年增加，其作用效果呈现出明显的递增之势，上述现象一定程度上说明，随着数字普惠金融的发展和其在农村地区的渗透，数字普惠金融对农村低收入群体的增收作用逐年增强，即充分发挥数字普惠金融对农村低收入群体增收的促进效应能够为巩固脱贫攻坚成果和全面推进乡村振兴战略提供强有力的支持，这进一步证实了假说1的正确性。

五、机制分析

（一）数字普惠金融与信贷可得

表6汇报了信贷可得渠道在数字普惠金融促进农村低收入群体增收的中介效应检验结果。该回归结果显示，在控制其他变量和固定家庭和年份的基础上，第（3）列信贷可得估计系数与第（2）列数字普惠金融估计系数的乘积与第（3）列数字普惠金融估计系数的符号一致，说明数字普惠金融提高了农村低收入群体的信贷可得性，从而促进农村低收入群体增收。KHB检验同样显示信贷可得的中介效应值为正，且在5%的显著性水平下显著。信贷可得渠道是数字普惠金融促进农村低收入群体增收的显著性路径，即信贷可得发挥了部分中介作用，据此验证了研究假说1。通过缓解信息不对称，降低交易成本，数字普惠金融扩大了金融服务的触及范围，金融机构对低收入群体的“惜贷”现象得到缓解，农村低收入群体的信贷可得性得以提高，从而进一步促进了农村低收入群体收入增加。

表6 信贷可得渠道（分步检验+KHB检验）

（二）数字普惠金融与社会资本

表7为社会资本渠道的中介效应检验结果，同样控制了其他相关变量以及固定了家庭和年份效应。回归结果显示，第（3）列社会资本估计系数与第（2）列数字普惠金融估计系数的乘积与第（3）列数字普惠金融估计系数的符号是一致的，且KHB检验中的社会资本间接效应系数为正，在1%水平下显著。检验结果均表明，社会资本是数字普惠金融影响农村低收入群体增收的显著路径，数字普惠金融促进农村低收入群体增收的作用机制，部分是通过提高家庭社会资本实现传导的，由此验证了研究假说2。可能的原因在于，数字普惠金融提升了农村低收入群体的家庭社会互动水平，拓展了社会网络，这种社会资本投资使农村低收入群体的短期收入增加，同时社会资本积累有助于长期隔代的收入提高（刘倩，2017）［30］。

表7 社会资本渠道（分步检验+KHB检验）

（三）数字普惠金融与信息获取

由于地理限制和较高的交易成本，过去低收入群体与金融机构之间存在较深的“信息鸿沟”，数字普惠金融的发展使得金融机构通过数字化改革将金融产品信息传达至低收入群体，而低收入群体获取金融信息的成本也因此得以降低。表8为信息获取渠道的中介效应检验结果。根据分步回归检验结果，第（3）列信息获取估计系数与第（2）列数字普惠金融估计系数的乘积与第（3）列数字普惠金融估计系数的符号一致，同时KHB检验结果显示信息获取的间接效应估计系数为正，且通过了5%的显著性水平，信息获取在数字普惠金融促进农村低收入群体增收的中介效应确实存在。这表明数字普惠金融通过提升信息获取能力提高了农村低收入群体的收入水平。据此验证了研究假说3。

表8 信息获取渠道（分步检验+KHB检验）

（四）多维中介效应

从前述作用渠道来看，KHB方法能够检验线性和非线性模型的单维中介变量，接下来我们同样利用KHB方法进行多维中介变量的检验，以刻画分析所有微观渠道作用于数字普惠金融促进农村低收入群体增收的中介效应的贡献。表9报告了加入信贷可得、社会资本和信息获取这三个中介变量后的KHB中介效应检验结果。结果显示信贷可得、社会资本和信息获取渠道的估计系数均显著为正，说明上述中介渠道均显著成立。从绝对比例上看，信贷可得、社会资本和信息获取三类中介变量对数字普惠金融促进农村低收入群体增收的贡献度分别为1.80%、17.95%、1.40%。从相对比例上看，社会资本的中介效应贡献占比最大，达到84.86%，其次是信贷可得和信息获取，分别在中介效应中贡献8.50%和6.64%。总结而言，数字普惠金融确实会通过提高信贷可得性、增进家庭社会资本水平和提升信息获取渠道，对农村低收入群体的收入水平产生正向作用，提高农村居民跳出低收入群体的概率，充分发挥上述渠道的作用效应可成为我国巩固脱贫攻坚成果和推进乡村振兴的重要支撑。

表9 基于多维中介变量的KHB检验

六、群体间差异性分析

由于当前农村居民自身条件差异较大，数字普惠金融对农村低收入群体增收的作用可能受农户年龄、性别、婚姻、教育水平和工作性质异质性影响而产生差异。为捕捉上述因农户自身素质差异引致的影响，本文在基础模型中分别引入户主年龄、性别、婚姻、教育水平和户主工作性质与数字普惠金融的交互项进行回归，其中关于户主工作性质，CFPS成人问卷在“主要工作”模块中询问了受访者“这份工作是农业工作还是非农工作？”，若回答“农业工作（农、林、牧、副、渔）”，工作性质赋值为1，若回答“非农工作”，赋值为2。表10汇报了这一回归结果，从中可知数字普惠金融系数均显著为正。具体来看：第（1）列数字普惠金融与年龄交互项系数为负，且达到了1%的显著性水平，这表明，随着户主年龄的增加，数字普惠金融对农村低收入群体增收的促进作用将下降；然而第（2）（3）列数字普惠金融与性别交互项、数字普惠金融与婚姻交互项并不显著，从中可以看出农村低收入群体的收入受数字普惠金融发展的影响不存在性别差异，同样也没有因户主婚姻状况不同而产生差异；而第（4）列数字普惠金融与教育水平交互项系数为正，且通过了10%的显著性水平，可见随着户主教育水平的提升，数字普惠金融对农村低收入群体增收的促进作用将增强，换言之，户主受教育程度愈高，农村低收入群体愈能为家庭增加收入，从而跳出低收入群体，迈向中高收入群体的行列。最后第（5）列显示，数字普惠金融与户主工作性质交互项系数显著为正，且数字普惠金融系数未发生严重逆化现象，该回归结果意味着对于从事非农工作的群体而言，数字普惠金融的影响更大，对此可能的解释是，数字普惠金融在农村地区的发展与渗透，为中小微企业提供了良好的营商环境，扩大了农村低收入群体的就业机会与选择，促使其转向非农工作。此外，由于工作收入结构差异，农业工作的收入结构较少涉及保险、福利等方面，因此从事农业工作的群体受数字普惠金融影响不深。

表10 群体间差异性分析

七、结论与启示

本文基于中国家庭追踪调查数据库（CFPS）2014、2016和2018年的三期面板数据和北京大学数字金融研究中心的数字普惠金融指数，使用Probit模型实证研究了数字普惠金融对农村低收入群体增收的影响机理，并进一步从提高信贷可得、增进家庭社会资本积累以及提高信息获取效应三个渠道探究了数字普惠金融对农村低收入群体增收的作用机制。研究发现：其一，数字普惠金融发展显著促进了农村低收入群体增收，在IV-Probit模型和替换被解释变量的估计结果中，该结论依旧稳健可靠。其二，数字普惠金融的覆盖广度和使用深度均有助于促进农村低收入群体增收，相对覆盖广度而言，使用深度的作用效果更为显著。其三，机制分析结果表明，数字普惠金融发展通过提高农户信贷可得性、增进家庭社会资本积累和提高信息获取效应促进了农村低收入群体增收，且数字普惠金融发展带来的家庭社会资本积累效应是促进农村低收入群体增收的主要原因。其四，群体间差异性研究发现，随着户主教育水平的提升，数字普惠金融发展对农村低收入群体增收的促进作用将增强，随着户主年龄的增加，该促进作用将降低，并且对从事非农工作的户主的影响更大，但户主性别和婚姻状况不会改变数字普惠金融对农村低收入群体增收的作用效果。

本文细致分析了数字普惠金融对农村低收入群体增收的影响机理及其作用渠道，不仅完善了数字普惠金融与农村低收入群体的交叉研究，还对我国巩固脱贫攻坚成果和实施全面振兴乡村战略具有重要的政策启示。一是我国农村数字金融市场具有巨大的潜力和发展空间，在持续完善农村基础设施的基础上，加大数字普惠金融与低收入家庭、低教育水平家庭和老年人等特殊群体的对接力度，同时扩大数字普惠金融覆盖广度和快速深化数字普惠金融的使用深度，进一步提升农村低收入群体增收创收水平。二是鼓励金融机构金融产品和业务的数字化下沉，引导农村金融资源数字化革新，以健全农村农业数字普惠金融体系，进而提高农业农村信贷可得性，解决农户融资难、融资贵等问题，从而使得数字普惠金融对农村低收入群体增收产生更为显著的促进效应。三是创造良好的市场环境以促进农村社会网络的形成，增进家庭社会资本积累以优化社会资源配置，加快低收入群体的社会融合，助力全面乡村振兴战略。四是鼓励农村基础教育事业优先发展，促进各类教育资源和培训资源向乡村适当倾斜，以提高农村低收入群体的知识水平和工作技能，培植农村低收入群体的数字普惠金融意识，进而在提高数字普惠金融对农村低收入群体增收的促进效果的基础上，进一步提高农村低收入群体的“自我造血”功能，为巩固脱贫攻坚成果和乡村振兴战略提供内生动力。

注释：

① 本文得到了浙江理工大学基本科研业务费专项资金资助项目“瘸腿型技术蛙跳对‘一带一路’地区生产性服务资源配置效率约束的机理、破解路径与中国策略研究”（2021Y007）、浙江省新苗人才计划“创新型城市试点政策提升了城市创新水平吗——基于创新质量和创新数量视角分析”（2021R406077）等基金项目的支持。

② 见郭峰，王靖一，王芳，等：《测度中国数字普惠金融发展：指数编制与空间特征》，北京：北京大学数字金融研究中心2019年工作论文。