数字金融、家庭债务与金融整治

马彧菲 王媛媛 熊德平

摘   要：基于中国家庭金融调查（CHFS）2013年、2015年、2017年和2019年四期数据，构建Probit模型和固定效应模型分析数字金融对家庭债务的影响，并基于近年来金融整治的一个典型样本——P2P网贷风险专项整治，构建强度DID模型探讨实行金融整治政策能否有效降低家庭债务。研究发现：（1）数字金融的使用显著提高了家庭负债概率和债务水平；（2）金融整治之后，使用数字金融家庭的债务水平出现显著降低；（3）异质性分析显示，金融整治政策对使用数字金融的家庭的债务缓解作用，在中西部地区、贫困家庭和农村家庭中更为显著，在我国打赢脱贫攻坚战和实施乡村振兴战略进程中发挥了有益作用。研究结论对我国规范发展数字金融、防范金融风险、巩固拓展脱贫攻坚成果同乡村振兴有效衔接等方面有着重要的政策启示。

关键词：数字金融；家庭债务；金融整治；脱贫攻坚；乡村振兴

中图分类号：F832.35  文献标识码：A  文章编号：1674-2265（2024）02-0064-09

DOI：10.19647/j.cnki.37-1462/f.2024.02.007

一、引言

党的二十大报告提出：“加强和完善现代金融监管，强化金融稳定保障体系，依法将各类金融活动全部纳入监管，守住不发生系统性风险底线。”家庭作为国家发展的重要基点，家庭金融风险不仅是家庭经济状况的体现，也是国家金融风险的重要组成部分。根据国家资产负债表研究中心的数据，近年来中国居民的杠杆率迅速增长，从2010年的25%增加到2022年的62%（见图1）。近十年中国居民杠杆率增量接近35%，居世界首位（见图2）。在高速增长的同时，结构性差异也应该受到重视，因为高收入人群的杠杆率并不高，低收入人群的杠杆率反而很高。西南财经大学和中国人民银行联合发布的《中国家庭金融调查报告》显示，30～40岁家庭的房贷总额是其年收入的11倍，但收入最低的五分之一家庭的贷款总额是其年收入的32倍，低收入家庭每年无法用自己的收入支付本息。该报告还显示，农村家庭平均负债36504元，农村经济发展迅速，农民支出增长，信贷需求上升，负债的农村家庭日益增多，过高的杠杆增加了农村家庭的债务风险。

与此同时，我国数字金融正以惊人之势蓬勃发展，数字金融服务走在世界前列。数字金融给传统金融带来了新的生机和活力，但也将风险扩散和渗透到了各个家庭之中。数字金融通过减少业务限制、服务于“长尾”需求、降低或缓解市场流动性约束、促进消费需求等，进一步增加了农村和贫困家庭举债的概率与债务规模，可能加大家庭负债的风险，数字金融一度出现非法高利放贷、暴力讨贷、P2P网贷跑路等乱象，严重地扰乱了金融市场的秩序，危及社会的稳定。针对这种情况，2016年国务院办公厅发布《互联网金融风险专项整治工作实施方案》，对P2P网络借贷的问题展开专门整改。中国P2P网贷市场的交易量和借贷余额在2019年末都出现了明显的下降（见图3），全国正常运营的P2P网贷平台数量跌至343家，较2016年的2568家下降86.64%（见图4）①，P2P平台数呈阶梯式下降，从来源上筛选并剔除了高风险和不稳定因素，缓解了因数字金融带来的家庭负债风险。

以上现象引发了我们的思考：家庭债务迅速扩张是否与当前数字金融的快速发展有关？P2P网贷风险专项整治能否有效缓解数字金融发展导致的家庭债务攀升问题。为此，本文利用中国家庭金融调查（CHFS）数据，构建计量模型，对上述问题进行研究，旨在为我国降低家庭部门债务杠杆、维护金融市场稳定提供新思路。

二、文獻综述

（一）数字金融与家庭债务

部分学者研究表明，数字金融在某种程度上提高了居民家庭负债。易行健和周利（2018）[1]认为，随着金融数字化快速深入，居民信贷需求、消费倾向和债务规模将受到较大影响，数字金融的发展增加了家庭的债务收入比。傅秋子和黄益平（2018）[2]认为，随着数字金融的发展，农村生产性贷款需求不断下降，但在这个过程中农村消费信贷需求呈现递增的趋势。陈宸等（2022）[3]认为数字金融通过流动性约束、非理性支出和便利交易三种机制促进了家庭债务规模和债务杠杆率的提高。王海军（2022）[4]发现由于数字金融的信贷软约束，信贷市场的过度借贷和过度负债会导致家庭债务膨胀，增加了家庭债务的脆弱性和不稳定性，数字金融应用的扩大和金融数字化水平的提高是家庭债务增加的重要原因。

另一部分学者研究表明，数字金融的发展可以降低金融排斥，使居民可以更便利地获得金融产品和服务，有利于居民增加可支配收入，从而缓解家庭负债问题。李奥等（2022）[5]认为数字金融有利于缩小数字鸿沟并缓解信息不对称问题，并帮助农村居民解决过度负债的问题。易行健和张凌霜（2021）[6]认为从普惠的观点出发，数字金融在减少金融排斥、增加居民可支配收入方面起到了积极的作用，从而减少了家庭负债。Gomber等（2017）[7]认为数字技术为金融发展带来新的机会，大量创新性金融产品和服务依托数字金融迅速扩张。程郁等（2009）[8]认为农村金融市场的信用限制更加严苛，对居民的选择和期望产生影响，进而造成需求性信用约束。居民向银行等传统金融机构申请贷款会在一定程度上受到主观或客观的贷款限制，而发展数字金融可以减少家庭的金融排斥，提高家庭财务的可用性，缓解家庭债务问题（傅秋子和黄益平，2018；郭峰和王瑶佩，2020）[2，9]。

（二）数字金融与金融整治

金融整治是我国金融监管的一种常见现象和机制行为，对于金融市场上普遍存在且危害重大的现象，监管部门会通过限制和禁止非法活动和风险事件，对相关行为主体进行行政或刑事处罚来进行整治（冯辉，2020）[10]。

依托各种科技手段，数字金融为传统金融业务提供了技术支持，以金融为主、科技为辅的方式为金融业赋能。在数字金融促进经济快速稳健发展和推动普惠金融数字化的同时，监管缺位条件下金融过度自由化和创新导致非法集资、高利贷、P2P暴雷、网络诈骗、校园贷和“套路贷”等一系列金融乱象和风险事件频发，许多家庭陷入债务危机，影响金融市场的稳定和安全。诱导借贷、被动借贷、变相借贷和高息放贷是特别需要注意的几种典型情况（王海军，2022）[4]。因此，金融监管很有必要（谢平等，2014）[11]。

（三）家庭债务与金融整治

目前，关于金融整治与家庭债务的文献较少。部分学者研究表明，家庭债务的扩张需要金融整治。陆岷峰和徐博欢（2018）[12]认为，金融市场信用过度扩张导致过度负债是金融乱象的根源之一，因而需要金融整治。陈莹和李冬昕（2014）[13]认为，2008年金融危机以来，以家庭为代表的小额借款人过度负债导致还款困难等金融风险，已成为影响许多国家经济平稳运行和社会稳定的突出问题，因此，金融整治显得尤为必要。李涛（2017）[14]认为我国民间金融具备典型的高利贷化和高杠杆化特征，造成家庭债务水平上升，近年来民间借贷的崩溃并没有停止，引发了各种金融乱象，金融整治也更加必要。张丽平和任师攀（2022）[15]认为，在消费金融快速发展的过程中，由于一些消费金融提供者过度逐利，社会责任感淡薄，导致市场出现了裸贷、高利贷、暴力催收等诸多乱象，致使家庭债务水平上升，也需要进行金融整治。

综上所述，目前国内外研究对数字金融与家庭债务的关系并未达成共识。部分学者认为数字金融可以缓解流动性约束、扩大消费支出，提高家庭负债可能性；还有一些学者提出，数字金融能够降低金融排斥，增加家庭的可支配收入，从而降低家庭的资产负债率。同时，近年来金融乱象频发，金融整治日益重要，但是关于金融整治的研究主要集中于法学领域，对其产生的经济效应还研究甚少。本文基于近年来金融整治的一个典型样本——P2P网贷风险专项整治，使用双重差分模型，探讨金融整治前后，使用数字金融的家庭与未使用数字金融的家庭在家庭债务方面的差别。本文的研究结合金融领域与法学领域，可以丰富数字金融及金融整顿领域的相关研究。

三、理论分析与研究假设

（一）数字金融促进家庭债务增长

数字金融促进居民家庭债务增长的机制如下：第一，数字金融的准入门槛较低，使得长尾群体也能获得金融服务，弥补传统金融供给的不足。通过利用数字化技术，金融机构可以将海量的零散用户信息进行整合，对用户进行信用评价，减少信息不对称度（何婧和李庆海，2019）[16]，使那些不能享受传统金融服务的弱势群体也能够获得信贷支持。第二，数字金融促进了消费，增加了居民负债的可能性。一方面，数字金融具有成本低、效率高、覆盖更广泛的特点，可以提高金融的普惠性（何宗樾和宋旭光，2020）[18]，满足了居民家庭多元化的金融需求，为用户提供更为便捷的金融服务，让使用者在融资过程中获得更多便利，缓解用户的流动性约束，大幅释放了被抑制的消费需求 （易行健和周利，2018；张勋等，2020）[1，17]，增加了居民负债的可能性。另一方面，数字金融的便利性直接促进了以债务为导向的家庭变现。数字支付的便捷使我们的社会进入了去现金时代。人们对现金的交易需求减少，这加速了居民的交易频率和非理性消费。手机支付的速度和便利性有了明显提高，无形中促进了居民的消费，数字货币形态在一定程度上减弱了用户对现金损失的心理落差和敏感性，导致家庭债务增加。据此，本文提出如下假设：

假设1：数字金融的使用会显著提高家庭的负债概率与债务水平。

（二）金融整治有效降低使用数字金融家庭的债务

P2P网贷风险专项整治作为近年来金融整治的一个典型样本（冯辉，2020）[10]，在数字金融加大了部分家庭债务风险的情况下，能有效降低家庭部门的负债概率和债务水平。P2P网贷产品在金融市场中表现出强劲的普遍性与适用性，用户不再受时间和空间的局限，通过平台信用评级即可获得贷款。由于网络借贷具有参与门槛低、线上交易隐蔽性强等特点（冯兴元等，2020）[19]，使得家庭债务攀升。金融整治通过限制业务规模和规范交易规则，追究相关主体行政或刑事责任及重构相关市场，规范网络市场环境。一方面，金融整治从供给端规范网贷的发展。以强制性、禁止性内容为核心的网贷整治能够遏制风险源头（冯辉，2020）[10]，从可获贷款途径中筛选并剔除网贷市场中的高风险和不稳定因素，提高金融行业准入门槛，清理不具备长期经营实力的金融企业，确保剩余金融企业能持牌经营。监管部门还深入了解金融创新活动，及时发现其中隐藏的风险，规范金融创新（贾清，2019）[20]。另一方面，金融整治从需求端规范居民家庭的借贷行为。金融市场的复杂性、多样性导致我国金融监管往往处于滞后状态，家庭金融风险意识不强，金融整治能够对整个社会形成威慑，规范居民家庭行为，遏制数字金融导致的家庭过度授信、过度贷款问题，缓解家庭过度负债问题，降低家庭的债务水平。据此，本文提出如下假设：

假设2：金融整治之后，使用数字金融的家庭的债务水平显著降低。

（三）金融整治效果存在异质性

家庭的负债行为和决策具有鲜明的群体差异性特点（吴卫星等，2013）[21]，同时，负债决策还具有一定的惯性，即过去的负债情况会影响一个家庭当前和未来的负债决策，具体表现为高负债家庭更倾向于继续负债（Canakci，2021）[22]，家庭背负的债务和金融风险不断积累。因此，金融整治对家庭债务的影响效果也因群体的不同而不同。数字金融的发展拓宽了金融服务的范围，使得金融服务对于普通居民来说更加触手可及，加之国家政策向“三农”倾斜，农村居民和低收入人群的金融需求不再仅限于资产端的收益，也开始进入信贷市场，农村和贫困家庭的负债也在逐渐增加（尹志超和张号栋，2018）[23]。但是，农村经济发展过程中存在“金融排斥”现象，农村居民受教育程度、收入和金融素养偏低，易受到信贷约束，面对紧急情况时的应急储蓄可能不足。因此，农村家庭和贫困家庭更容易陷入“以贷还贷”的恶性循环（张华泉和申云，2019）[24]。实行金融整治后，这一恶性循环将能够得到有效缓解。由于贫困人口在我国地區之间分布不平衡，东部地区农村贫困发生率远低于中部和西部地区。我国东部地区的经济更为发达，人们的生活条件更富裕，进行线上贷款的可能性更低。而我国的大部分贫困家庭集中在中西部地区，经济和金融发展程度不高，居民受到的流动性约束更大，更容易使用不合规的网络贷款，增加家庭债务风险，金融整治政策的出台对这些家庭起到了警示作用，对其家庭债务的缓解作用更大。据此，本文提出如下假设：

假设3：金融整治政策对使用数字金融家庭的债务水平的缓解作用具有区域和群体异质性，在中西部地区、贫困家庭和农村家庭中缓解作用更大。

四、研究设计

（一）数据来源

本文使用的数据来自CHFS 2013年、2015年、2017年和2019年的数据，该项目由西南财经大学开展。该数据的人口特征与普查结果非常接近，数据质量高，样本代表性好（甘犁等，2015）[25]。在处理了具有严重缺失值和异常值的样本后，本文共获得4975户家庭的四期数据，共计19900个观测值。

（二）变量定义

1. 被解释变量：家庭债务。参考张自然和祝伟（2019）[26]对家庭负债行为的衡量方法，本文从两个方面来测度家庭债务。一是家庭是否负债（ifdebt），根据家庭债务总额是否大于0来判断。当债务总额大于0时，赋值为1；反之赋值为0。二是家庭负债的程度，具体用债务收入比（ratioDI）来衡量，即家庭总债务与家庭总收入之比，同时，从收入角度衡量可能忽视了家庭总体财产情况，因此，构建债务资产比（ratioDA）指标，即家庭总债务与家庭总资产之比，使用这两个指标共同反映家庭债务相对规模。

2.  解释变量：数字金融（DF）。参照何婧和李庆海（2019）[16]的研究，本文主要从数字支付、数字理财、数字信贷三个角度考察数字金融在家庭中的应用。对于2013—2019年使用过这三项中任意一项的居民家庭，DF赋值为1，一直未使用过数字金融的家庭DF赋值为0。

3. 控制变量。参考已有文献中提出的可能对家庭债务造成影响的因素，本文选取的控制变量包括三个层面：户主层面、家庭层面和地区层面。户主层面包括性别（gender）、年龄（age）、年龄平方（age2）和婚姻状况（marriage）。家庭层面包括房产数量（house）、少儿抚养比（ratioyoung）、家庭的总资产（asset）、总收入（income）和净资产（NA）。地区层面包括人均GDP（GDP）和金融发展水平（finance）。所有变量的定义和描述性统计见表1。

由表1可知，样本中有31.87%的家庭存在负债，与欧美等发达国家相比，我国存在负债的家庭比例较低，但随着居民家庭贷款需求的上升，这一比例会进一步上升。债务收入比均值为1.0514，表明家庭债务超过了家庭收入，家庭债务风险值得关注和警惕。数字金融均值为0.1662，表明数字金融在我国的普及度还不高。从户主特征来看，户主平均年龄为57岁，大部分为已婚男性。从家庭特征来看，样本家庭的年平均收入为3.82万元，平均净资产为13.74万元。

（三）模型设计

1. 基准回归。本文使用Probit和固定效应模型分别就数字金融对居民家庭是否负债、债务收入比和债务资产比的影响进行基准回归。在检验数字金融对居民家庭是否负债的影响时，通过Probit模型进行回归检验：

[ifdebtipt=α0+α1DFipt+α2Xipt+λp+μt+εipt]  （1）

在检验数字金融对家庭债务收入比、债务资产比的影响时，通过固定效应模型进行回归检验：

[ratioDIipt/ratioDAipt=β0+β1DFipt+β2Xipt+λp+μt+εipt]  （2）

[ifdebtipt]表示家庭是否负债，[ratioDIipt]表示家庭的债务收入比，[ratioDAipt]表示家庭债务资产比，[DFipt]表示数字金融。下标[i]代表家庭个体，下标[p]代表家庭所在省份，下标[t]代表年份。[Xipt]为包含各户主层面、家庭层面和地区层面的控制变量。[λp]与[μt]分别固定了省份与时间。[εipt]为随机扰动项。

2. 强度DID模型。2016年国务院办公厅发布《互联网金融风险专项整治工作实施方案》，正式启动P2P网贷风险专项整治工作。本文的研究范围为2013—2019年，因此，将2013年、2015年设置为政策前，2017年、2019年设置为政策后。

在双重差分模型中，需要根据是否受到政策冲击将样本划分为处理组和控制组。如果简单以家庭在2013年、2015年、2017年和2019年中是否使用过数字金融，来划分处理组和对照组，那么将存在以下问题：（1）如果部分家庭在2013年和2015年没有使用过数字金融，但在2017年或2019年使用了，将他们划分为处理组就不太恰当；（2）如果部分家庭2017年或2019年原本想使用数字金融，但受政策影响实际上未使用，将他们划分为对照组也不太合理。因此，更恰当的处理方式是：剔除2017年或2019年使用而在此前未使用过数字金融的家庭，然后，以2013年和2015年数字金融的使用量均值作为期初的受处理强度treat，以准确衡量受政策冲击的强度。

因此，本文采用强度DID模型，更为精准地展示出政策的效应，具体的估计模型为：

[ratioDIipt/ratioDAipt=?0+?1treatipt×postt+?2treatipt+?3postt+?4Xipt+λp+μt+εipt]   （3）

其中，[treat]为处理强度指标，使用家庭在2013年、2015年使用数字金融的均值计算得出。[post]=1表示实施P2P网贷风险专项整治政策之后，否則[post]=0。[treat×post]为强度变量与时间变量的交互项，其系数[?1]代表实施P2P网贷风险专项整治政策后对使用数字金融家庭的债务的影响。其余变量含义与模型（1）和（2）一致。此外，被解释变量是虚拟变量可能会导致双重差分估计结果有偏，因此，在进行双重差分估计的时候，将不再保留家庭是否负债这一虚拟变量。

五、实证分析

（一）基准回归

表2展示了数字金融的使用对居民家庭债务的影响。表2第（1）—（2）列呈现出了数字金融对家庭是否负债影响的估计结果，回归结果显示，随着年份固定效应、省份固定效应的加入，数字金融的系数显著为正，证明了数字金融的使用会增加家庭负债的概率。表2第（3）—（6）列呈现了数字金融的使用对家庭债务收入比和家庭债务资产比的影响，回归结果显示，随着年份固定效应、省份固定效应的加入，数字金融的系数显著为正，证明了居民使用数字金融会增加家庭债务收入比和债务资产比。因此，本文假设1成立。

（二）平行趋势检验

双重差分模型一般需要在满足平行趋势假设的前提下使用，也就是在政策未实施的情况下，实验组与对照组的发展趋势并不存在显著差异，本文参考Amore和Bennedsen（2013）[27]的做法，利用事件研究法分别在基准模型基础上加入是否实施P2P网贷风险专项整治政策的前后2期的时间虚拟变量与处理变量的交互项进行平行趋势检验。为了避免完全共线性，我们以回归中政策实施前1期作为基准组，具体模型设置如下：

[ratioDIipt/ratioDAipt=φ0+φ1treatip×post-3+φ2treatip×post1+φ3treatip×post3+λp+μt+εipt]  （4）

其中，[post]为各期时间虚拟变量。[φ1]为政策实施前的效果，[φ2]、[φ3]为政策实施后的效果，其余变量含义与前文模型相同。如果实施政策前的系数不显著，则说明平行趋势成立。由表3可知，政策实施前变量[treat×post-3]的系数均不显著，满足平行趋势假设，即政策实施前，实验组和控制组不存在显著的差异。

（三）強度DID回归

本文探究金融整治对使用数字金融家庭的债务的影响，基于近年来金融整治的一个典型样本——P2P网贷风险专项整治，运用强度DID模型，对CHFS四期面板数据进行回归。表4的列（1）、列（2）和列（3）、列（4）分别为被解释变量为债务收入比、债务资产比时的回归结果。结果表明，金融整治政策的实施能够显著降低使用数字金融的家庭的债务水平。因此，本文假设2成立。

（四）稳健性检验

1. 更换回归模型。考虑到债务收入比和资产负债比指标分布具有明显的右侧截断特征，本文采用适合右侧截断分布的Tobit模型替代基准回归中的固定效应模型，以避免因估计方法选择的偏误而对核心结论造成干扰，回归结果见表5。研究发现，在Tobit估计模型下，交互项的回归系数仍显著为负，说明模型的选择偏差不会干扰本文的核心结论，即金融整治政策能够降低使用数字金融的家庭的债务水平这一结论具有稳健性。

2. 安慰剂检验。本文通过反事实的方法来检验对照组和实验组是否具有共同的趋势，由表6可知在假定政策时间为2018年的条件下，交互项系数都不显著。因此，本文的实验组和对照组存在共同趋势，即满足使用双重差分模型的前提，进一步证明了金融整治政策能够降低使用数字金融的家庭的债务水平这一结论的稳健性。

六、进一步分析

目前，我国经济发展正处在巩固拓展脱贫攻坚成果同乡村振兴有效衔接的进程中，巨大的资金需求为农村金融提供了新的增长点。在大数据智能化的时代，数字金融的发展可以为农村金融和农村经济发展提供新的平台。然而，数字金融在农村贫困群体和经济不发达地区群体中的发展仍面临技术支持、风险监管等多重挑战，因此，本文从收入、地区、城乡三个方面进行异质性检验，探讨金融整治在我国打赢脱贫攻坚战和实施乡村振兴战略的历史进程中是否发挥了有益作用。

（一）金融整治在数字金融赋能脱贫攻坚中的防范风险作用

2015年11月中共中央 、国务院做出《关于打赢脱贫攻坚战的决定》，2020年脱贫攻坚取得全面胜利。本文样本数据中2017年和2019年正好处于我国脱贫攻坚期间，因此，将全样本分为贫困和非贫困两个子样本分别进行回归，探讨金融整治是否起到赋能脱贫攻坚的作用。具体而言，从样本家庭2013年是否贫困，以及2013年、2015年是否同时贫困两个角度进行划分②。我国农村贫困标准2013年现价为每人每年生活水平2736元，2015年为2855元。

回归结果见表7和表8，交互项系数在贫困家庭中显著，在非贫困家庭中不显著，表明金融整治政策对使用数字金融的贫困家庭债务的缓解作用更大。可能是因为相比非贫困家庭，贫困家庭较难获得正规金融资源，受到的流动性约束更大，更可能会进行网贷，产生负债的可能性更大，金融整治政策起到了一定的风险防范作用，对家庭债务的缓解作用更大。

由于贫困人口在我国地区之间的分布不平衡，东部地区农村贫困发生率远低于中部和西部地区，本文将样本划分为东部和中西部地区的两个子样本分别进行回归③。表9的回归结果表明，金融整治政策对于各地区的家庭债务均存在负向影响，但仅有中西部地区的回归结果显著，这可能是由于中国东部地区的经济更为发达，人们的生活条件更富裕，进行网贷的可能性更低。而我国的大部分贫困家庭集中在中西部地区，当地经济和金融发展程度不高，居民受到的流动性约束更大，更容易进行网贷，增加家庭债务风险，金融整治政策对这些家庭起到了警示作用，对家庭债务的缓解作用更大。

（二）金融整治在数字金融赋能乡村振兴中的风险防范作用

党的二十大报告提出：“全面建设社会主义现代化国家，最艰巨最繁重的任务仍然在农村。”因此，在巩固拓展脱贫攻坚成果的同时，要落实乡村振兴战略，以乡村振兴为契机，推进农村相对贫困的治理，拓宽相对贫困的治理渠道。本文按照家庭所在区域，将样本划分为城镇家庭和农村家庭，探讨金融整治在推进乡村振兴战略中的作用。表10的回归结果显示，交互项系数在农村家庭中显著，在城镇家庭中不显著，表明金融整治政策对使用数字金融的农村家庭债务的缓解作用更大。这可能是因为与城镇家庭相比，农村家庭普遍受到更强的金融排斥。在正规金融可得性较低的情况下，农村家庭更倾向于通过非正规金融、民间借贷甚至高利贷进行融资，这更容易增加家庭债务风险，金融整治治理了一系列金融乱象，对家庭债务风险的缓解作用更大。综上，本文假设3成立。

七、研究结论与建议

本文基于CHFS 2013年、2015年、2017年和2019年四期数据，从微观角度出发构建Probit和固定效应模型，分析数字金融对家庭债务的影响，并基于近年来金融整治的一个典型样本——P2P网贷风险专项整治，构建强度DID模型，探讨金融整治能否有效降低家庭债务。通过实证分析，得出以下结论：第一，数字金融的使用会显著提高家庭的负债概率与债务水平；第二，强度DID模型回归结果显示，2016年实施的P2P网贷风险专项整治对使用数字金融的家庭的债务水平起到了显著的缓解作用；第三，异质性分析结果显示，金融整治政策对使用数字金融的家庭的债务水平的缓解作用在贫困家庭、中西部地区家庭和农村家庭中更为显著，在我国打赢脱贫攻坚战和实施乡村振兴战略进程中发挥了有益作用。

基于以上结论，為了提高金融整治政策的监管质效，缓解数字金融对家庭债务的促进效应，维护宏观金融系统稳定，本文提出以下政策建议：第一，规范数字金融发展，防范家庭债务风险。一方面，规范数字平台发展，守住不发生系统性风险底线，推进数字金融有序发展；另一方面，平衡创新与风险的关系，完善风险预警机制，加强征信体系建设，强化对弱势群体家庭部门的风险监测。第二，完善金融监管体系，把握金融整治力度。一方面，深化金融监管体制机制改革，对数字金融实施精细化监管，推动监管科技的发展；另一方面，时刻关注金融整治效果，掌握好整治力度，发挥好金融整治的综合功能。第三，增强家庭风险防控意识，助推数字金融协调发展。一方面，合理控制低收入群体和农村群体的金融供给，缓解家庭金融排斥，引导家庭适度参与金融市场；另一方面，提升居民金融素养，增强家庭风险防控意识，提倡合理消费，理性借贷。

注：

①数据来源于网贷之家研究中心。

②划分标准参考国家统计局住户调查办公室《中国农村贫困监测报告》（2016）。

③东部地区包括上海、浙江、江苏、山东、天津、北京、河北、辽宁和广东；中西部地区包括江西、安徽、湖北、湖南、河南、山西、吉林、黑龙江、陕西、贵州、重庆、四川、甘肃、青海、云南、广西。

参考文献：

[1]易行健，周利.数字普惠金融发展是否显著影响了居民消费——来自中国家庭的微观证据 [J].金融研究，2018，（11）.

[2]傅秋子，黄益平.数字金融对农村金融需求的异质性影响——来自中国家庭金融调查与北京大学数字普惠金融指数的证据 [J].金融研究，2018，（11）.

[3]陈宸，方芳，张乐.数字普惠金融、收入水平与家庭负债 [J].经济经纬，2022，39（01）.

[4]王海军.数字金融助推了家庭债务风险吗？——基于CFPS的微观证据 [J].国际金融研究，2022，（07）.

[5]李奥，桑晨颖，吕勇斌.数字普惠金融与农户家庭过度负债——基于中国家庭金融调查数据的经验分析 [J].金融教育研究，2022，35（01）.

[6]易行健，张凌霜.数字普惠金融对家庭资产负债率的影响——基于家庭微观数据的实证估计 [J].福建论坛（人文社会科学版），2021，（02）.

[7]P Gomber，JA Koch，M Siering. 2017. Digital Finance and FinTech：Current Research and Future Research Directions [J]. Journal of Business Economics，55（5）.

[8]程郁，韩俊，罗丹.供给配给与需求压抑交互影响下的正规信贷约束：来自1874户农户金融需求行为考察[J].世界经济，2009，（05）.

[9]郭峰，王瑶佩.传统金融基础、知识门槛与数字金融下乡 [J].财经研究，2020，46（01）.

[10]冯辉.金融整治的法律治理——以“P2P网贷风险专项整治”为例 [J].法学，2020（12）.

[11]谢平，邹传伟，刘海二.互联网金融监管的必要性与核心原则 [J].国际金融研究，2014，（08）.

[12]陆岷峰，徐博欢.金融乱象与金融治理——基于改革开放40年金融整治经验 [J].财经科学，2018，6（10）.

[13]陈莹，李冬昕.小额借贷者过度负债：问题与治理[J].江西社会科学，2014，34（12）.

[14]李涛.中国式民间金融乱象之谜：反思与重建 [J].经济体制改革，2017，4（01）.

[15]张丽平，任师攀.促进消费金融健康发展  助力释放消费潜力 [J].管理世界，2022，38（05）.

[16]何婧，李庆海.数字金融使用与农户创业行为 [J].中国农村经济，2019，（01）.

[17]张勋，杨桐，汪晨，万广华.数字金融发展与居民消费增长：理论与中国实践 [J].管理世界，2020，36（11）.

[18]何宗樾，宋旭光.数字金融发展如何影响居民消费 [J].财贸经济，2020，41（08）.

[19]冯兴元，燕翔，程萍.中国P2P网络借贷行业的发展、问题与监管 [J].社会科学战线，2020，（09）.

[20]贾清.金融乱象如何依法整治 [J].人民论坛，2019，（09）.

[21]吴卫星，徐芊，白晓辉.中国居民家庭负债决策的群体差异比较研究 [J].财经研究，2013，39（03）.

[22]M Canakci. 2021.The Impact of Monetary Policy on Household Debt in China [J].Korea Distribution Science Association，24（4）.

[23]尹志超，张号栋.金融可及性、互联网金融和家庭信贷约束——基于CHFS数据的实证研究 [J].金融研究，2018，（11）.

[24]张华泉，申云.家庭负债与农户家庭贫困脆弱性——基于CHIP2013的经验证据 [J].西南民族大学学报（人文社科版），2019，40（09）.

[25]甘犁，尹志超，谭继军.中国家庭金融调查报告（2014） [M].成都：西南财经大学出版社， 2015.

[26]张自然，祝伟.中国居民家庭负债抑制消费升级了吗？——来自中国家庭追踪调查的证据 [J].金融论坛，2019，24（08）.

[27]MD Amore，M Bennedsen. 2013. The Value of  Local Political Connections in a Low-Corruption Environment[J].Journal of Financial Economics，110（2）.