信贷约束、数字金融与居民消费

张 驰,王满仓,李翠妮

(1.西北大学 经济管理学院,陕西 西安 710127;2.商务部国际贸易经济合作研究院,北京 100710)

一、引言

居民消费是拉动国民经济增长的重要源泉,一直以来都受到学术界和政府部门的广泛关注。事实上,自2014年起,消费需求已成为拉动中国经济增长的第一驱动力。然而,伴随着最终消费率的快速攀升,居民消费率却始终停滞不前[注]最终消费率=(政府消费+居民消费)/GDP;居民消费率=居民消费/GDP。。根据世界银行数据库的统计,2020年中国的居民消费率仅为38.10%,不仅远低于同期的发达国家水平,甚至低于同期的发展中国家以及世界平均水平[注]发达国家居民消费率:美国(67.23%)、英国(60.91%)、法国(53.13%)、德国(50.71%)、日本(53.40%);发展中国家居民消费率:印度(58.59%)、巴西(62.72%);世界平均居民消费率(55.33%)。。为此,习近平总书记在多个场合反复强调,要加快形成以国内大循环为主体、国内国际双循环相互促进的新发展格局;同时,国家“十四五”规划也进一步指出,必须强化国内大循环的主导作用。国内大循环的战略基点在于扩大内需,特别是居民消费水平的提升。现阶段,中国正经历全球经济低迷、贸易壁垒盛行以及国内疫情反复等多重困难,国民经济面临严峻挑战。因此,唯有加快扩大内需、提升居民消费水平才是解决当前“经济困境”的关键。

那么,究竟是什么原因造成了中国居民消费率的持续低迷呢?以生命周期假说、永久收入假说以及相对收入假说为代表的西方主流消费理论认为,可预期的或滞后的收入变化不会对当期的居民消费造成影响,因为人们可以通过储蓄或借贷对短期的收入波动进行补偿,消费理应比收入更加平滑[1]。因此,从理论上看,短暂的冲击对居民消费支出的影响几乎可以忽略不计。然而,在日常生活中人们发现,居民的消费行为与上述理论预期并不相符,并且大量经验证据表明居民的消费行为对于永久性收入冲击过于平稳,而对于暂时性收入冲击过于敏感[2]。之所以出现这种现象,除了预防性动机、偏离理性行为、“短视”以及消费习惯等因素之外,可能还有一个重要原因,那就是家庭受到信贷约束的影响[注]在已有文献中,“信贷约束”和“流动性约束”之间的界限往往是模糊的。为了全文的一致性,我们统称为信贷约束。,从而降低了消费水平[3]。而不完全的金融市场被认为是导致信贷约束的主要成因[4]。得益于互联网、大数据、云计算等数字信息技术与经济社会各领域的深度融合,数字金融应运而生,作为金融发展的一部分,数字金融不仅是当前完善中国金融市场的重要内容,同时也是释放居民消费潜力的重要抓手。已有研究表明,数字金融不仅能通过提高交易效率、节约时间成本进而刺激消费市场的发展,还能有效弥补传统金融的不足,满足弱势群体和偏远地区的金融需求,缓解居民受到的信贷约束[5]。鉴于此,探讨信贷约束与数字金融影响居民消费的内在机制,对于缓解居民信贷约束和提升居民消费水平具有重要的理论和现实意义。

综上所述,本文抓住信贷约束和数字金融共同影响居民消费这一特征,利用宏观和微观相结合的层次数据,采用分层线性模型(HLM),实证考察了信贷约束和数字金融对居民消费的影响。可能的边际贡献在于:第一,在研究视角上,改变了以往单纯从微观家庭特征或宏观地区特征视角探讨提升居民消费的研究范式,本文从微观和宏观相结合的视角为提升居民消费水平提供了新的思路;第二,在研究内容上,从效用函数模型出发,将数字金融、信贷约束和居民消费纳入一个统一的分析框架,从理论上探讨相关的内在机制;第三,在研究方法上,借助分层线性模型巧妙地将不同层次的数据纳入同一个模型中进行回归分析,克服了传统计量工具的缺陷,扩展了居民消费领域的研究方法和分析范围。

二、文献综述

在西方主流消费理论始终无法对经济现实做出合理解释的背景下,国外学者通过“过度敏感性”测试,印证了居民的当期消费支出与预期或滞后的收入波动显著相关,进而指出了客观存在的信贷约束问题[2-3]。在认识到信贷约束的重要性之后,越来越多的学者开始关注信贷约束对居民消费行为的影响。Holm利用消费者效用函数,从理论上证明了信贷约束抑制居民消费的内在机制[6]。Jappelli和Pistaferri、Baker分别基于不同国家的家庭数据,从实证上提供了信贷约束抑制居民消费的经验证据[7-8]。其中,Jappelli和Pistaferri还发现信贷约束对缺乏流动性资产的家庭消费影响更大[7]。与国外相比,中国的金融市场发展相对滞后,居民的信贷消费观念也较为薄弱。因此,在国内早期的探索中,就有学者指出中国居民低迷的消费水平并不是由于其面临的信贷约束所造成的,进而得出缓解信贷约束的相关政策无法起到预期作用的结论[9]。近年来,信贷约束抑制居民消费这一观点逐渐成为共识,但不同研究的侧重点有所区别。徐亚东等认为信贷约束对居民消费具有“挤出效应”,且收入不平等加剧了信贷约束的挤出效应[10];杭斌和余峰则认为信贷约束对居民消费的抑制效应可能与家庭地位等级的高低有关,并且除了当期面临的信贷约束,潜在的信贷约束同样是阻碍居民消费进一步提升的重要因素[11];纪园园和宁磊认为信贷约束对不同消费结构均呈现显著的抑制作用,但对于发展型消费的影响更加突出[12]。此外,还有研究从数字金融、信用卡使用以及商业保险的视角出发,提出了缓解信贷约束从而提升居民消费的办法[13-15]。

根据已有文献,数字金融主要通过两个方面促进居民消费水平的提升。一方面,数字金融可以直接释放居民的消费潜力。郭华等发现扩大数字金融的覆盖广度和使用深度可以有效提升农村居民的消费支出[16];何宗樾和宋旭光发现这种促进效应对于城镇居民同样适用,并且在基础性消费支出方面尤为明显[17];张勋等则从支付变革的角度证实了数字金融主要通过缩短居民的购物时间来增加消费[5]。除了对消费水平的影响之外,杜家廷等还发现数字金融同样是推动居民消费升级的重要手段[18]。另一方面,数字金融还能通过缓解信贷约束间接提升居民消费水平。易行健和周利发现当家庭无法通过正常途径获得借贷以应对不确定的冲击时,数字金融能够有效降低信贷约束的概率从而促进居民消费,并且该效应在农村地区、中西部地区和中低收入家庭更为明显[19];姚健和臧旭恒认为数字金融提高了金融服务的可得性,能够有效缓解家庭信贷约束,有助于居民消费水平的进一步提升,但是对于高流动性资产充足的家庭并不稳健[13];黎翠梅和周莹认为数字金融在缓解信贷约束促进居民消费的过程中,在一定程度上受到辖区范围、当地金融体系以及监管政策的限制[20]。

以上研究成果为本文的创作提供了大量相关的理论支撑和思路借鉴,但同时存在以下局限性:首先,在已有研究成果中,对于信贷约束这一核心变量的衡量至今尚未形成共识性的结论,不同的衡量方法可能会使得研究结论产生偏差;其次,在现有文献中,由于传统计量工具的限制导致大多研究成果未能全面地反映居民消费的实际情况。以家庭“个体消费者”为对象的研究忽略了地区特征的差异,以宏观“代表消费者”为对象的研究无法体现消费行为的个体差异。鉴于此,本文采用理论分析和实证分析相结合的方式,引入分层线性模型,以期能够得到更全面、更可靠的研究结论。

三、理论分析与研究假设

(一)基准框架

本文借鉴Deaton的分析框架[21],构建了一个跨期的连续时间效用函数模型。假设代表性家庭的效用水平取决于各个时期的消费水平,具体的函数形式为:

(1)

其中,E表示期望;u(·)表示效用函数,且u′(·)≥0,u″(·)≤0;β表示贴现率;ct表示家庭的消费水平。由于家庭的消费水平取决于相应时期的收入和资产,因此式(1)受到如下约束:

ct=yt+(1+r)wt-wt+1

(2)

其中,yt表示家庭收入;wt表示期初资产;wt+1表示期末资产净值;r表示利率水平。假设代际之间不存在遗赠动机,那么在整个生命周期内,家庭的实际消费量不会超过其总体收入水平,即各期净资产的现值之和必须满足不能为负:

(3)

通常情况下,如果当期的收入水平不能满足家庭的消费需求时,居民可通过信贷行为来平滑其消费需求,只需满足生命周期内的净资产现值之和为正值即可。在式(2)和式(3)的约束下,可以得到关于效用函数的欧拉方程:

u′(ct)=βE[rt+1u′(ct+1)]

(4)

(二)引入信贷约束

由上文分析可知,在遭遇短期的冲击时,家庭需要通过借贷才能平滑其消费水平。然而,当家庭存在信贷约束时,居民各期的最高消费水平均不能超过当期的收入水平,这就意味着在任何时期,家庭的期末资产净值必须非负,即:

wt+1≥0

(5)

在式(2)和式(5)的约束下,可以得到信贷约束条件下效用函数的欧拉方程:

u′(ct)≥βE[rt+1u′(ct+1)]

(6)

式(6)表明,当面临信贷约束时,家庭在t期的边际效用高于t+1期边际效用水平到t期的贴现值,家庭基于效用最大化的消费受到了约束,其消费需求没有得到完全满足,消费水平受到抑制。鉴于此,本文提出假设1:

假设1:信贷约束对家庭居民消费的增长具有抑制效应,家庭面临的信贷约束程度越高,居民消费水平越低。

(三)引入数字金融

由上文可知,信贷约束的存在不利于居民消费的增加。借鉴刘彤彤和吴福象的研究方法[22],以家庭的风险水平和金融市场的贷款利率定义信贷约束,具体形式为:

(7)

其中,δi表示第i个家庭面临的信贷约束,i={1,2,…,I};Ri表示金融市场的贷款利率;τi表示家庭的真实风险水平。在排除了遗赠动机的前提下,假设家庭只能借助金融市场通过借贷才能平滑自身消费水平,家庭以信用资产为抵押,且只有当预期消费效用超过预期成本时,才会发生借贷行为。即:

Ui≥θiLi(1+Ri)+(1-θi)Ki

(8)

其中,θi表示还款概率,且0<θi<1;Li表示贷款金额;Ki表示家庭信用资产,由于信用资产无需花费金钱,所以Ui>Ki。化简可得:

(9)

在放贷过程中为掌握居民的信用信息,金融市场需支付一定的成本。因此,对于金融市场而言,其放贷条件为预期收益不低于信息成本。即:

θiLi(1+Ri)≥εiLi

(10)

其中,εi表示信息成本占贷款金额的比重。化简得:

(11)

数字金融依托数字信息技术可以精确定位信息价值,准确识别消费者信用信息,降低授信门槛,能有效改善以往由于信息不对称所导致的借贷不畅[19]。因此,我们认为数字金融发展与εi呈负相关关系,即:

εi=εi(DF)

(12)

∂εi/∂DF<0

(13)

其中,DF为数字金融的发展程度。那么,根据式(9)和(11)可知,居民通过金融市场缓解信贷约束的必要条件为:

(14)

由式(7)和(14)可以得到居民的信贷约束δi为:

(15)

由于Ui>Ki,可以得出∂δi/∂εi>0。再结合式(13),可以得到∂δi/∂DF<0。可知当数字金融发展水平提高时,在一定程度上使居民的信贷约束问题得到较好解决,家庭的期末资产净值wt+1无需满足非负的限制,甚至可以为负值,因此消费者在当期资金不足的情况下可以借助数字金融的信贷服务实现跨期消费。鉴于此,本文提出假设2:

假设2:数字金融发展可以缓解居民所面临的信贷约束进而提升消费水平。

四、模型设定、数据与变量

(一)模型设定

在前面的讨论中,我们反复强调居民消费不仅受到自身信贷约束等微观特征的影响,还受到所处地区数字金融等宏观特征的影响。这就使得本文的研究样本形成了“微观—宏观”嵌套式的结构数据。虽然不同地区的家庭之间存在独立性,但处于同一地区经济环境下的家庭之间并非是独立的。一方面,如果将这种结构数据纳入单一模型中进行回归,将严重违背样本独立性的基本假设;另一方面,如果对结构数据分组后分别进行回归,又会丢失大量的信息,导致回归结果出现偏误。因此,本文借鉴Raudenbush和Bryk的研究方法[23],利用分层线性模型来考察信贷约束和数字金融对居民消费的影响。该模型可以巧妙地处理嵌套结构的非独立数据,不仅能同时考虑微观及宏观特征对居民消费的影响,还能明确区分残差的组内效应和组间效应。具体的模型形式如下:

层-1:consumptionij=β0j+β1jXij+eij

(16)

层-2:β0j=γ00+γ01Wj+μ0j

(17)

β1j=γ10+γ11Wj+μ1j

(18)

其中,consumptionij是被解释变量,表示第j个地区第i个家庭的消费情况;Xij表示微观解释变量;Wj表示宏观解释变量。β1j反映了微观解释变量对家庭消费的影响。由于家庭位于不同地区,地区特征又反作用于家庭,因此式(17)和式(18)是对层-1模型系数的回归,而层-1模型的截距和斜率,在层-2模型中成为被解释变量,每个地区的系数都取决于地区特征。将式(17)和式(18)代入式(16),可以得到分层线性模型的混合模型:

consumptionij=(γ00+γ10Xij+γ01Wj+γ11WjXij)+(μ0j+μ1jXij+eij)

(19)

式(19)由两部分组成。第一个括号部分是模型的固定效应。γ00表示总截距,即样本中地区平均消费;γ01表示宏观解释变量的系数;γ10表示微观解释变量的系数;γ11表示不同层次交互项的系数,也被称为“跨层交互效应”[注]在本文设定的分层线性模型中,跨层交互效应具体是指宏观因素通过调节微观因素对被解释变量的影响。。第二个括号部分是模型的随机效应。μ0j表示组间方差即家庭消费在地区间变异的程度;μ1j表示微观解释变量对居民消费的影响在地区间的变异程度;eij表示组内方差即家庭消费在地区内变异的程度,并且假定eij～N(0,σ2),μij～N(0,τ00)和cov(eij,μij)=0[注]对于分层线性模型更详细的解释可参考Raudenbush(2002)。。

根据分层线性模型的一般分析范式[23],本文将依次构建分层线性模型的四个子模型分别进行研究。第一,为确保使用分层线性模型的合理性,需要建立零模型进行可行性分析。零模型的特点是模型不包含任何解释变量,主要目的是对回归结果的随机效应进行方差分析,并计算由于地区差异所造成家庭消费变异程度的组内相关系数(ICC)[注]计算公式为:ICC=组间方差/(组内方差+组间方差)。从严格意义上来说,这类似于确定系数的概念。比如回归中的R2,表达的是方差中被解释的比例,并且该解释比例不是通常所说的相关系数,而是相关系数的平方。。如果ICC不显著,就说明家庭消费在地区间不存在差异,那么就没有必要再使用分层线性模型;反之,则应当使用分层线性模型进行进一步分析。第二,构建随机系数模型,即将信贷约束等微观解释变量纳入零模型的第一层,可以考察信贷约束对居民消费影响。第三,构建以平均值作为结果的回归模型,即将数字金融等宏观解释变量纳入零模型的第二层,可以用数字金融来解释地区间居民家庭消费的差异。第四,构建以截距项与斜率项为结果变量的回归模型,也称为完整模型,即将微观变量和宏观变量同时纳入零模型,主要是为了考察数字金融如何通过调节信贷约束来影响居民消费。

(二)数据来源

考虑到数据的可得性以及所采用的“嵌套”式分层数据的特征,本文数据主要来源于两个方面。微观层次反映家庭和人口特征的数据来自2018年中国家庭追踪调查(CFPS)数据,宏观层次反映地区特征的数据来自2019年《中国统计年鉴》,二者均反映了中国2018年的经济状况。本文以省份为纽带将二者相结合。同时,为了使数据达到建模和实证分析的要求,删除了CFPS数据中无法识别地区的家庭以及消费和收入状况不合理的家庭,接着删除了包含样本量较少的地区(包括内蒙古、宁夏、海南、西藏、新疆以及青海)。最终,本文采用的样本包括25个省级行政区(不包含港澳台)12 379户家庭的分层数据。

(三)变量选择

1.被解释变量

本文的被解释变量为居民消费。用CFPS数据中“过去12个月总消费”来反映。为进一步探讨居民消费的结构性问题,本文在扩展性分析中还将关注信贷约束和数字金融对于食品、衣着以及居住等八大类消费支出的变化。

2.核心微观解释变量

本文核心微观解释变量为信贷约束。但目前学术界关于信贷约束的识别和衡量方法尚未形成统一结论。已有文献对衡量信贷约束的讨论主要集中于两类。一是间接衡量法。主要思路是以家庭信贷约束产生的结果反推出家庭是否受到信贷约束[3]。具体做法是如果家庭的短期收入变动不影响其消费,则不受信贷约束;反之,则认为家庭受到信贷约束。该方法的主要弊端在于即使家庭未受信贷约束影响,出于储蓄动机家庭消费水平仍然受短期收入影响。因此,间接衡量法存在一定的局限性。二是直接衡量法。主要思路是参考家庭曾经或当前信贷行为中的经验信息直接对信贷约束进行衡量[10]。具体做法是在问卷中设计相关的问题选项,利用获取的信息直接判断家庭是否受到信贷约束的信息。该方法直接且不失全面。因此,根据2018年CFPS问卷的设计,对“您家借钱金额较大时,有没有被拒绝的经历”这一问题进行筛选,将存在借款被拒的家庭视为受到信贷约束,变量取值为1,否则为0。在稳健性检验中我们还将引入间接衡量法对样本数据再次进行回归,确保本文的研究目标是可靠的。

3.核心宏观解释变量

本文核心宏观解释变量为数字金融。数字金融如何借助信息技术对居民消费产生影响是本文关注的核心议题之一,但具体指标的获取难度较大。本文参考易行健和周利的做法[19],直接利用北京大学数字金融研究中心发布的数字普惠金融发展指数作为数字金融的代理变量。该指数依托蚂蚁金服的交易大数据,从数字金融的覆盖广度、使用深度和数字支持服务程度三个维度出发,在一定程度上能够真实呈现中国各地区数字金融发展水平。

4.控制变量

为尽可能避免因遗漏变量而导致的内生性问题,借鉴已有文献[11-12,19],本文围绕微观和宏观两个层面引入一系列控制变量。第一,微观控制变量分为家庭特征和人口特征。家庭特征包括家庭收入、金融财富、住房财富、家庭规模、老人抚养比(65岁以上)以及少儿抚养比(16岁以下)。人口特征包括户主性别(男性取1,否则取0)、户主年龄、户主受教育程度(取值为0～22代表不同阶段的学历)、户主婚姻状况(已婚取1,否则为0)、户主社会保障情况(拥有社会保障取1,否则为0)以及户主健康状况(健康取1,否则为0)。第二,宏观控制变量包括经济发展水平和房地产价格指数。经济发展水平是一个地区经济条件的综合体现,采用人均GDP来衡量。房产是中国居民家庭资产的重要组成部分,房产价格的变化不仅直接影响居民消费水平,还对居民的信贷约束具有重要意义[15]。因此,本文在宏观控制变量中引入房地产价格指数。先用各省每年的住房销售额除以住房销售面积计算住房平均价格,再以近五年来住房平均价格指数来刻画房地产价格指数。在具体研究中,我们对居民消费、家庭收入、金融财富、住房财富、经济发展水平和数字金融等主要指标进行了对数化处理。变量的描述性统计见表1。

表1 描述性统计

五、实证分析

(一)基于分层线性模型分析

为确保本文使用分层线性模型的合理性,首先对零模型进行回归。回归结果见表2第(1)列。由零模型随机效应可知,组间方差的估计值是7.35,并且通过了1%水平的显著性检验,说明同一地区家庭之间的消费水平具有显著的关联性和聚类性;相反不同地区家庭之间消费水平存在较大的差异性,表明了宏观特征对于居民消费具有重要意义。组内方差的估计值是35.21,由此我们可以计算出组内相关系数ICC为0.172 6,即家庭消费的差异大约17.26%是由地区宏观特征的差异造成的。根据Cohen的判断准则可知[24],ICC超过13.8%就属于高度关联强度,必须将组间效应考虑到分层线性模型当中。因此,本文使用分层线性模型是合理的。

在通过了可行性分析的基础上,本文依次对分层线性模型的其他子模型分别进行回归。回归结果分别见表2第(2)～(4)列。随机系数模型的回归结果显示:固定效应方面,信贷约束的回归系数显著为负,说明信贷约束对居民消费具有抑制作用,即家庭所面临的信贷约束越严重,家庭消费水平越低,验证了假设1。可能的解释是当家庭遭遇短期的收入冲击时,由于信贷约束的存在,导致居民无法从信贷机构或其他途径获得借贷来平滑消费,迫使其降低原有的消费水平。随机效应方面,随机系数模型的组内方差比零模型下降了25.16,因此可以计算出一个测量组内的解释方差削减比例的“组内解释方差”为0.714 6(计算公式为:组内解释方差=(零模型的组内方差-设定模型的组内方差)/零模型的组内方差,下文的“组间解释方差”的计算方法类似)。也就是说在加入了信贷约束等微观层次的解释变量后,方差被层-1模型所解释的比例达到71.46%。由此可以得出结论,本文设定的层-1模型较大程度上避免了遗漏变量的现象。

以均值为结果模型的回归结果显示:固定效应方面,数字金融的回归系数显著为正,说明数字金融可以显著促进居民消费水平的提升。这可能是因为数字金融的发展伴随着支付手段的变革降低了交易费用,同时居民摆脱了对传统金融物理网点的依赖,从而直接促进了不同地区家庭的平均消费。随机效应方面,以均值为结果模型的组间方差与零模型相比有所下降。据此,可以计算出组间方差的削减比例为0.275 1。这说明引入数字金融等宏观变量可以解释地区间居民平均消费差异的27.51%。在前文随机系数模型中微观变量解释了居民消费差异的71.46%。这也再次说明虽然数字金融等宏观因素可以造成地区居民平均消费的差异,但是在影响居民消费方面,家庭特征和人口特征依然占据主导地位。

表2 分层线性模型的回归结果

完整模型的回归结果显示:固定效应方面,这里我们主要感兴趣的在于数字金融是如何通过调节信贷约束从而影响居民消费水平的。可以发现,在以信贷约束为斜率方程下,数字金融发展指数的回归系数显著为正,说明当其他条件不变时,数字金融不断上升将降低信贷约束对居民消费的不利影响,即数字金融能够有效缓解信贷约束对消费的抑制作用,验证了假设2。可能的原因是数字金融降低了金融服务门槛,丰富了居民的信贷渠道,当居民面临短期冲击时可以借助数字金融的信贷业务从而平滑自身的消费水平。随机效应方面,与其他模型相比,完整模型无论是组内方差还是组间方差都呈现出大幅下降,模型的拟合程度最好,说明在完整模型中居民消费的差异在微观和宏观两个层面都得到了很大程度的解释。

(二)稳健性检验

为确保上文实证结果的可靠性,进行以下三个方面的稳健性检验。第一,为避免极端值的存在导致回归结果发生偏误,本文同时剔除了收入与消费最高的和最低的5%样本。回归结果见表3第(1)列。观察可知回归结果与上文基本一致,说明本文的研究结论比较稳健。第二,为确保上文研究结论的可靠性,再次引入间接衡量法来对信贷约束进行识别。借鉴纪园园和宁磊的研究思路[12],先计算了家庭流动性资产(包括现金、存款、基金、股票和债券等)和家庭平均三个月的支出。将流动性资产小于平均三个月支出的家庭定义为流动性资产不足家庭,即家庭受到信贷约束,再次进行回归。表3第(2)列的回归结果显示,各变量的显著性和系数符号与前文的回归结果基本一致,说明上文结论具有稳健性。第三,在上文的实证分析中,本文是将数字金融的总指数作为核心宏观解释变量进行回归的。为确保其他维度的数字金融与总指数的一致性,借鉴易行健和周利的做法[19],本文利用北京大学数字普惠金融发展指数中二级指标覆盖广度和使用深度替换数字金融总指数分别进行回归。回归结果分别见表3的第(3)～(4)列。结果发现所有变量的符号和系数都比较稳定,与前文完整模型差别不大,说明上文结果具有稳健性。

表3 稳健性检验

六、扩展性分析:分样本的异质性分析

(一)分城乡的异质性分析

由于中国长期以来形成的城乡二元的经济特征,使得农村地区的数字金融发展水平普遍落后于城镇地区,并且城乡居民在收入水平、消费观念以及借贷方式等方面都存在明显差异[17]。因此,为探讨信贷约束、数字金融与居民消费在城乡之间的异质性,本文进一步将样本区分为城镇家庭和农村家庭两类分别进行回归。回归结果见表4第(1)～(2)列。结果显示,就城镇家庭而言,信贷约束对其消费水平的抑制作用大于农村家庭,但是农村家庭数字金融的跨层级交互效应大于城镇家庭。可能的解释是,农村居民具有自给自足的经济模式以及相对保守的消费观念,导致农村居民对信贷约束的“敏感度”不足。此外,相比城镇家庭,受金融网点以及金融可及性的限制,农村家庭普遍存在金融抑制现象,因此数字金融的快速发展对农村家庭信贷约束的缓解作用要大于对城镇家庭的缓解作用。

表4 分城乡与不同收入群体异质性

(二)不同收入组家庭的异质性分析

由于信贷约束对消费的抑制作用可能与不同收入组相关[25]。据此,按照家庭的年收入水平,将样本按三等分方式分为低收入组家庭、中收入组家庭以及高收入组家庭分别进行回归。回归结果见表4第(3)～(5)列。回归结果显示:不同收入组家庭信贷约束的回归系数均显著为负,并且信贷约束对居民消费的抑制作用在不同收入组之间存在显著差异。相比之下,信贷约束对中低收入组家庭消费的抑制效应更加强烈,缓解这类群体的信贷约束可以带来消费水平较大的提升。同时,数字金融的跨层交互效应对于中低收入组家庭显著为正,而对高收入组家庭并未通过显著性检验。可能的原因是,中低收入组家庭由于持久性收入不高更容易面临严重的信贷约束问题,抑制了消费水平的提高,数字金融的发展更能为其提供信贷支持,降低其信贷约束,增加其消费支出。而高收入组家庭往往不易受信贷约束的限制,信贷约束对其消费支出的影响不大,同时数字金融对其信贷约束的缓解作用也比较有限。

(三)分户主受教育程度的异质性分析

随着知识经济和信息时代的到来,人力资本对于日常的经济活动越来越重要。一方面,人力资本的差异不仅可以影响居民所面临的信贷约束;另一方面,数字金融活动的开展同样需要一定的互联网知识和技能[19]。因此,根据户主受教育程度的差异对样本进行分组,包括文盲(或半文盲)、小学、初中、高中(或中专、技校和职高)和大学学历以上(包括大专)五个子样本分别进行回归。回归结果见表5。由回归结果可知,无论户主的受教育程度如何,信贷约束都会对其消费水平产生抑制效应,但是随着户主受教育程度的提高,这种抑制效应逐渐减弱。此外,数字金融的跨层级交互效应只有当户主的受教育程度达到初中以上时才开始变得显著并且不断增大。对此可能的解释是,随着户主受教育程度的不断提升,人力资本积累逐渐丰富,金融市场会放松其借贷限制,降低其面临的信贷约束。同时,受教育程度的提升伴随着金融知识的增加以及互联网能力的提升,更能够借助数字金融来缓解自身的信贷约束问题,从而满足自身的消费需求。

表5 户主受教育程度异质性

(四)不同消费类型的异质性分析

为进一步考察信贷约束和数字金融对居民不同消费类型影响的异质性,对食品、衣着和居住等八大类消费支出进行分组回归,回归结果见表6。回归结果表明,信贷约束的回归系数除了对食品、衣着和医疗保健支出没有通过显著性检验之外,对其他消费类型的回归系数均显著为负,说明信贷约束的抑制作用主要针对居民的发展型消费和享受型消费。同时,数字金融的跨层交互效应也表明数字金融的发展可以有效缓解信贷约束对不同消费类型的抑制作用。可能的原因是生存型消费属于满足居民生活的必需消费,不易受信贷约束的影响。因此,信贷约束主要抑制了更高层次的消费支出,但是数字金融的发展可以缓解信贷约束对高层次消费的抑制作用。由此可见,缓解信贷约束、推动数字金融发展对居民的消费升级同样具有重要意义。

表6 消费类型异质性

七、结论和建议

本文以省份为纽带,将2018年中国家庭追踪调查的微观数据与2019年《中国统计年鉴》的宏观数据相对接,借助分层线性模型,综合考察了信贷约束与数字金融对居民消费的影响效应以及数字金融如何通过缓解信贷约束影响居民消费。研究结果表明:信贷约束对居民消费具有显著的抑制效应,即居民面临的信贷约束越严重,居民的消费水平越低。同时,居民消费的差异大约17.26%是由于数字金融发展水平等宏观特征的地区差异所造成的,但数字金融的快速发展不仅能够直接提升家庭的平均消费,还能通过缓解信贷约束间接促进居民消费的提升。就信贷约束对居民消费的抑制效应而言,在城镇家庭、中低收入家庭以及受教育程度较低家庭中表现得尤为明显。就数字金融对居民消费影响效应而言,在农村家庭、中低收入家庭以及受教育程度较高家庭中更加突出。此外,无论是信贷约束还是数字金融,主要作用于居民的发展型和享受型消费,而对居民的生存型消费影响不大。

据此,本文提出以下政策建议。第一,建议政府在制定消费政策的过程中重视居民的信贷约束问题,鼓励广大金融机构在合理范围内充分发挥消费信贷的积极作用,进而缓解家庭所面临的信贷约束。这也是在既定收入水平下,释放居民消费潜力的重要途径。第二,建议政府积极推动数字金融发展,加大对数字基础设施的投资力度,为数字金融发展提供更有力的硬件保障,弥补传统金融在服务弱势群体和偏远地区上的不足,更好地发挥数字金融的普惠性。第三,建议政府加大数字金融对更多家庭的普及力度,重点是中低收入人群家庭和农村家庭,降低这些家庭参与金融服务的门槛,更好地发挥数字金融缓解信贷约束以及提高消费水平的作用。第四,建议政府进行数字金融知识教育,提升居民的互联网技能和整体的金融素养,帮助广大居民克服使用金融产品与服务中的障碍,努力弥合数字鸿沟,更好地发挥数字金融对居民消费的促进作用。