我国地级城市数字普惠金融空间溢出效应研究

奚晓军，蒋明琳

(闽南师范大学 商学院，福建 漳州 363000)

0 引言

数字普惠金融的正式定义在2016年G20杭州峰会上第一次提出，凡是运用数字技术推动普惠金融的行动即为数字普惠金融.理论上讲，数字普惠金融对小微企业和低收入群体融资、收入等产生显著影响，这已经得到了国内外学术界的共识.彭澎等[1]、陈慧卿等[2]研究发现，数字普惠金融具有显著的增收效应.北京大学数字金融研究中心编制了我国省级、市级和县级等多个行政层次的中国数字普惠金融指数，研究结果表明数字普惠金融的发展模式具有可持续、成本低、包容性强和覆盖广等特征.研究表明，推进数字普惠金融发展的条件日益完备，数字普惠金融生态持续改善.然而中国数字普惠金融发展的影响因素有哪些？不同地区数字普惠金融发展存在明显的地区异质性的原因是什么？这些问题的研究仍显不足，因此，探寻提高数字普惠金融发展水平的路径和机制是一个亟待解决的重要问题.

针对数字普惠金融影响因素的研究较少，大部分文献主要集中于数字普惠金融的内涵、发展方向和意义等方面.L.Anderloni和V.Daniela[3]指出，数字普惠金融影响因素主要包括金融发展程度、人口规模、政府支持力度、劳动者的技能和收入差异等；其他学者也基于不同视角研究数字普惠金融的影响因素，如基于政府的视角[4-5]、基于社会的视角[6]、基于信息技术的视角[7]、基于教育水平的视角[8]、基于金融机构的视角[9].近年来，数字普惠金融已经成为我国学者重点研究议题.张珩等[10]研究发现，数字普惠金融的影响因素主要包括：投资环境、产业结构、竞争环境、政府财政支出和城乡收入差距.张宇和赵敏[11]以西部六省为例，研究发现交通便利程度、信息技术水平、政府支持力度和第一产业发展水平对数字普惠金融产生显著的影响.吴金旺等[12]指出，互联网、网络消费水平和人均GDP对数字普惠金融的影响按照从高到低的次序排列.郭妍等[13]研究发现，与互联网发展相比，教育水平和金融知识等因素对数字普惠金融发展的影响作用更大.李明贤等[14]和张嘉怡等[15]研究发现，数字普惠金融发展的影响因素具有地区差异性.近年来，中国数字普惠金融发展水平在国际上已经趋于前列，具有覆盖面广、服务多元化等特点.空间计量经济学理论认为，不同地区之间的经济活动会相互影响，基于空间计量经济学视角对中国数字普惠金融发展影响因素进行研究，可以更好地解释区域化现象，推动数字普惠金融可持续发展，提升数字普惠金融聚集度.已有文献对数字普惠金融影响因素的研究较少考虑空间因素.陈银娥等[16]以中国数字普惠金融发展为例，指出数字普惠金融的发展在一定程度上存在空间聚集效应.李涛等[17]指出，在不同经济社会条件的不同经济体中普惠金融对经济增长的影响存在异质性.方蕾和粟芳[18]发现，普惠金融的发展具有明显的地域特征，在地区之间存在空间相关性.针对现有相关文献研究中的不足，本文的创新点如下：首无在数据选择上，利用2011—2019年我国217个地级及以上城市面板数据，对中国数字普惠金融的空间溢出效应和影响因素进行了实证分析.与省级面板数据相比，地级及以上城市面板数据具有更多的样本量，可以满足分样本实证分析的要求，且可以提供更多的信息，根据大数定理，可知实证研究结论更加接近事实.其次引入空间因素，运用空间计量方法对我国各地区数字普惠金融的空间关系进行了深入探讨，实证检验中国数字普惠金融是否存在空间溢出效应和空间异质效应，并基于存在空间相关性的前提下探寻提升中国数字普惠金融的有效途径和机制.

1 变量选择与数据来源

1.1 变量选择

北京大学数字金融研究中心编制的中国数字普惠金融指数(y)作为因变量.该指标体系分为省级、市级和县级等3个行政层次，以及广度、深度和数字化等3个维度，共计24个指标.通过整合中国数字普惠金融发展影响因素的相关研究，可以得出中国数字普惠金融发展的影响因素是多方面的.从经济发展水平、政府财政支持、地理因素、数字基础设施建设水平及教育水平等方面选取了影响因素作为自变量，具体如下：

(1)经济发展水平(x1).经济发展水平对金融发展起显著的推动作用，当地区经济发展水平较高，速度较快时，资金配置更合理，利用效率更高，数字技术发展更快，更有利于缓解金融排斥现象，因此数字普惠金融发展水平更高.地区经济发展水平充分反映了该地区的综合实力，在一定程度上反映了普惠金融发展的数字化程度，对数字普惠金融的发展起经济基础作用.李琼等[19]研究发现，提高经济发展水平，可有效提升普惠金融发展水平.陈银娥等[16]将经济发展对数字普惠金融的影响路径总结为三条：发展金融中介、深化社会分工、促进产业结构升级.本文采用人均GDP来表征地区经济发展水平，为保证数据平稳性，将人均GDP取对数，并以2011年为基期的不变价进行平减.

(2)政府财政支持(x2).政府对于市场经济的支持力度可以调节资源的配置，提高金融供给主体服务能力，使经济社会发展的重点群体和重点领域可以公平合理地获得金融服务和金融产品，政府参与地区经济活动必然会影响地区数字普惠金融的发展.因此，政府对经济的支持程度是影响数字普惠金融不可忽视的因素，反映了政府部门对普惠金融发展的支持力度.本研究采用政府财政支出占GDP的比重对政府支持力度进行度量，以2011年为基期的不变价进行平减.

(3)地理因素(x3).交通、通讯和地理距离的长短等地理因素对数字普惠金融发展具有重要的影响作用，良好的地理因素可以降低金融机构的经营成本，居民接触到金融产品和金融服务的可能性更大，金融领域供需双方接触更加便利.葛和平和朱卉雯[20]研究发现，地理因素对数字普惠金融有显著的影响作用.基于统计学视角，人口密度包含了地理位置、人文环境和交通等各方面的因素，因此本文选取人口密度作为地理因素度量指标.

(4)数字基础设施建设水平(x4).数字基础设施建设水平的高低影响人民群众获得普惠金融方便程度.完善的数字基础设施降低金融机构服务成本和金融信用风险，提高服务效率和服务质量，提升数字基础设施建设水平的可持续性、广覆盖性和可使用性，推动了金融组织变革，促进了金融创新，进而促进了数字普惠金融的发展.考虑到数据的可获得性，本文选取宽带接入用户数占该地区人口数的比值作为数字基础设施建设水平度量指标.

(5)教育水平(x5).推动教育发展会使居民群体对金融服务的认识以及对自身财富观念得到改善，从而提高居民的金融服务需求，进而影响数字普惠金融服务的发展水平.同时，教育水平的提升有助于在不稳定的复杂环境中做出正确决策以降低金融交易风险，有利于引进高技术人才和金融市场的资金注入，促进数字普惠金融的发展.本文选取中专以上受教育人口占地区人口的比值来度量教育水平.

1.2 数据来源

鉴于数据的可得性和时效性，本文选取我国217个地级市及以上城市2011—2019年间的面板数据.相关数据均来自于《北京大学数字普惠金融指数》《中国城市统计年鉴》《中国国家统计年鉴》和各省统计年鉴.该组数据由于时间跨度较短，数据平稳性较好，因此不进行面板数据的单位根检验.对于数据的处理主要使用了Stata15.0、MATLAB和R等统计软件.表1和图1呈现出数字普惠金融的描述性统计结果.由表1可知，中国数字普惠金融指数逐年升高.由图1可以看出，东部数字普惠金融的波动幅度较大，西部波动幅度次之，中部波动幅度最小.

表1 2011—2019年我国各地级市数字普惠金融指数描述性统计

图1 2011—2019年我国东中西部普惠金融指数的均值和波动率

2 实证分析

2.1 数字普惠金融的全局空间相关性

空间计量经济学认为，不同地区之间的经济活动在空间上存在相互依赖、相互影响的关系，并且距离越近的地区关系越密切，这被称为“地理学第一定律”.为了验证中国数字普惠金融发展是否具有空间溢出效应，运用全局域Moran指数对我国各地区数字普惠金融发展情况进行空间自相关检验.全局域Moran指数取值范围为-1～1之间，同时可用正态统计量Z值对不同地区空间相关性的显著性进行检验.若Z值在5%的显著性水平下显著为正，则数据具有正空间相关性，表明数据呈现空间聚集特征；若Z值在5%的显著性水平下显著为负，则数据具有负空间相关性，表明数据呈现空间分散特征；若Z值在5%的显著性水平下显著等于0，表明数据呈现随机分布特征.因此，本文采用全局Moran指数来刻画空间自相关程度，公式为

(1)

表2 2011—2019年我国各地级市普惠金融指数Moran指数检验

2.2 数字普惠金融的局部空间相关性

全局Moran指数无法分析局部地区的空间相关关系和空间聚集特征，为了测度各地区的空间属性以及邻近地区之间的空间相关程度，需要运用局部Moran指数分析局部空间相关性.局部Moran指数是基于地区局部视角进行空间相关性检验，本文运用Moran指数散点图法对我国局部区域进行空间自相关检验.Moran指数散点图坐标为(x，lagged(x))，其中lagged(x)为邻近地区数字普惠金融的加权平均值.根据x和lagged(x)的正负关系，可将集聚模式划分为HH(高—高)、LH(低—高)、LL(低—低)、HL(高—低)四个象限.若局部Moran指数为正数，则邻近地区的数字普惠金融具有空间相关性，在Moran散点图中位于第一、三象限，地区之间具有显著的空间聚集特征，其中第一象限是高数字普惠金融指数地区与高数字普惠金融指数地区相邻(HH)，第三象限代表的是低数字普惠金融指数地区与低数字普惠金融指数地区相邻(LL)；若局部Moran指数为负数，则表示邻近地区的数字普惠金融发展情况存在差异，具有显著的空间异质性，其中第二象限代表的是低数字普惠金融指数地区与高数字普惠金融指数地区相邻(LH)，第四象限代表的是高数字普惠金融指数地区与低数字普惠金融指数地区相邻(HL).2019年中国数字普惠金融的Moran散点图结果如图2所示.由图2中的第1个图来看，东部绝大部分地区都落在了第一和第三象限，而第二象限(HL)和第四象限(LH)较少.第一象限表示城市本身普惠金融发展程度高，同时邻近地区的发展程度也高(HH).第三象限(LL)表明不仅地区本身数字普惠金融发展程度较低，同时也抑制邻近地区数字普惠金融的发展.我国东部大部分地区的数字普惠金融发展具有正的空间相关性，呈现明显的集聚效应和传染效应.由图2中第3个小图可以看出，我国西部大部分地区均在第二、四象限，其中第二象限说明地区本身数字普惠金融发展程度低，但是邻近地区的发展程度高(LH)；第四象限表示地区自身数字普惠金融发展水平较高，但是邻近地区数字普惠金融发展水平较低(HL).说明我国西部地区数字普惠金融发展存在空间异质性.而中部地区的情况介于两者之间.由此可以发现，我国普惠金融不仅表现出一定的空间相关性，同时不同地区之间具有空间异质性，表明本文运用空间计量方法研究中国数字普惠金融发展影响因素是合适的.

2.3 模型选择

由于在使用面板数据模型进行估计时，要考虑使估计模型符合经济现实并避免模型设定偏差，需要先进行模型设定的检验，因此利用MATLAB R2014a进行面板数据LR检验，检验结果如表3所示.由表3第2列可知，P值小于0.01，因此在1%的显著性水平下拒绝“空间固定效应联合不显著”的原假设；同理，在1%的显著性水平下拒绝“时间固定效应联合不显著”的原假设.结合上述两个统计检验结果可知，模型应考虑空间和时间双向固定效应的空间面板数据模型.这一检验结果与理论分析不谋而合，由于不同地区的地理环境、行政效率等不可观测的变量会产生异质性问题，对数字普惠金融产生影响，而运用时间和空间双向固定效应模型可以消除这些异质性的影响.

表3 Hausman检验结果

由表4第1行可知，无论是LR检验还是Wald检验，其P值均小于0.01，因此在1%的显著性水平下拒绝“空间杜宾模型可以简化为空间滞后模型”；同理，在1%的显著性水平下拒绝“空间杜宾模型可以简化为空间误差模型”.因此，模型应选择空间面板杜宾模型.J.P.LESAGE[22]指出，在众多不同类型的空间计量模型中，只有空间杜宾模型才具有最好的实际应用价值，因为空间杜宾模型是唯一适合研究全局域空间溢出效应的模型，因为空间杜宾模型不仅包含因变量的空间滞后效应，能够反映来自于空间相邻因变量的全局域空间溢出效应，还包含自变量的空间滞后效应，能够刻画来自空间相邻自变量的空间相关性.

表4 空间面板数据模型的选择

根据以上研究结论，采用双向空间面板杜宾数据模型进行回归分析，构建实证模型

yit=μi+γt+ρWyit+xitβ+WXitθ+εit.

(2)

其中：i表示不同的截面成员，此处代表我国217个地级市；t表示时间，此处为2011—2019年；y为被解释变量，此处即指中国数字普惠金融指数；μ代表空间异质性；γ代表时间异质性；ρ代表空间自回归系数；θ代表自变量空间滞后项系数；ε代表残差项；x代表地区经济发展水平(x1)、政府财政支持(x2)、地理因素(x3)、数字基础设施建设水平(x4)和教育水平(x5).

2.4 实证结果分析

由表5的回归结果可知，拟合优度R2=0.997，说明模型拟合效果较为理想，构建的空间杜宾面板模型比较合理.同时空间自回归系数ρ>0，且通过1%的显著性水平检验，说明数字普惠金融发展水平会影响邻近地区的数字普惠金融发展水平，中国数字普惠金融具有显著的空间溢出效应.在影响因素分析中，地区经济发展水平(x1)在1%显著性水平上对数字普惠金融起正向影响作用.经济发展较好的地区人均收入较高，收入水平是反映一个家庭或个人的生产、消费和投资能力，一般来说家庭或个人的收入越高，受教育的机会越多、个人综合素质的提升越快、购买金融产品渠道越多，金融需求较旺盛，间接影响了个人选择金融渠道的偏好和风险承受能力，因此具有较高的普惠金融水平.地理因素(x3)对数字普惠金融发展水平起正向影响作用，且在1%的统计水平上显著，说明不同地理区域的数字普惠金融发展存在差异性.数字基础设施建设水平(x4)对数字普惠金融发展水平起正向影响作用，且在1%的统计水平上显著.说明数字基础设施建设水平能更好地促进数字普惠金融的发展.数字基础设施可以有效保障居民接触数字普惠金融.假设没有基础设施建设，群众就不能或十分难以获得数字普惠金融服务，考虑到2011—2019年的互联网建设水平和数字普惠金融的发展提高是一致的，互联网的普及同时也推动着人们信息获取能力的更新换代，故而回归结果具有合理性，数字基础设施建设水平将极大促进数字普惠金融的发展.教育水平(x5)对数字普惠金融发展水平起显著正向影响作用，且在1%的统计水平上显著.我国教育水平的提高，人民群众的金融与理财意识也将随之上升，有助于居民接触金融机构更便利、更好地享受金融服务和理解新型金融产品.尤其是在居民生活水平逐渐提高，对金融服务有所需求的情况下，居民更易于主动地寻求金融知识.

表5 空间面板杜宾模型的估计结果

2.5 地区异质性分析

陈银娥等[16]研究发现，我国地区差异对普惠金融可持续发展起重要影响作用.因此，为进一步考察不同地区中国数字普惠金融的影响因素，将全国样本分为东部、中部和西部分别进行实证分析.根据Hausman检验结果，中部地区运用时间固定效应模型；而中西部地区运用双向固定效应模型.具体估计结果如表6所示，由表6可以看出，东部地区、中部地区和西部地区，除了解释变量政府财政支持，其余解释变量的方向和显著性与全样本检验时基本一致.

表6 分地区空间面板杜宾模型的估计结果

2.6 稳健性检验

本文运用如下两种方法检验实证分析结果的稳健性：更换空间权重矩阵进行稳健性检验，将空间邻近权重矩阵替换为空间距离权重矩阵；进一步替换解释变量.方蕾和粟芳[18]、陈银娥等[16]将人均纯收入(z1)作为地区经济发展水平的代理变量，本文也借鉴这一方法并进行重新估计.可知，表5与表7的估计结果基本一致，说明本文的研究结果具有稳健性.

表7 稳健性检验的结果

3 结语

采用2011—2019年我国217个地级市及以上城市的面板数据，研究中国数字普惠金融的空间溢出效应和影响因素，研究发现：

(1)中国数字普惠金融逐年递增，且东部发展水平最高，波动幅度最大；中部次之，波动幅度最小；西部发展水平最低，波动幅度居中.

(2)运用Moran指数对中国数字普惠金融空间溢出效应进行了检验，检验结果表明，中国数字普惠金融存在显著的空间正相关性，但是东中部地区和西部地区数字普惠金融的空间相关性呈现不同的特征，其中东中部呈现正相关性，东部的正相关性大于中部的正相关性，而西部呈现空间负相关性.

(3)运用双向空间杜宾面板数据模型对中国数字普惠金融影响因素进行分析，回归结果显示，地区经济发展水平、地理因素、数字基础设施建设水平和教育水平对中国数字普惠金融起正向影响作用，且至少在10%显著性水平下成立；政府财政支持在东中部起负向影响作用，在西部起正向作用.