一.   问题提出

2020年后，随着全面建成小康社会和打赢脱贫攻坚战目标的实现，中国扶贫工作的重点由消灭绝对贫困转向缓解相对贫困。与绝对贫困着眼于满足基本生活需要不同，相对贫困强调收入不平等、机会被剥夺^[1]、社会排斥和主观相对剥夺感^[2]，甚至人居环境等生态环境维度的不平等也被纳入相对贫困的范畴^[3]。相对贫困者就是处于收入、机会不平等中的弱势群体和遭受社会排斥、相对剥夺的人。2021年习近平总书记在全国脱贫攻坚总结表彰大会上强调, “对易返贫致贫人口要加强监测，做到早发现、早干预、早帮扶”, “坚决守住不发生规模性返贫的底线”^[4]。可见，新发展阶段相对贫困治理的核心任务为在预防返贫(绝对贫困)风险的前提下，降低收入和机会不平等，减少社会排斥，消除主观相对剥夺感。相对贫困治理有助于聚焦解决中国发展不平衡不充分的现实问题，也是谋篇布局“十四五”规划、建设社会主义现代化强国的题中应有之义^[5]。无论是绝对贫困还是相对贫困，资金稀缺均是贫困者的核心特征^[6]。然而，由于信息不对称引致的风险高和规模小导致的交易成本高，低收入群体和弱势群体普遍易遭受金融排斥。金融排斥作为社会排斥的一种形态，本身具有相对贫困的含义，金融排斥会加剧收入、机会不平等程度。为了提高低收入群体和弱势群体的金融可及性，降低金融排斥，2005年联合国正式提出“普惠金融”概念，2006年中国正式引入惠普金融。然而，普惠金融具有“风险大、成本高、收益低”的特征，与可负担、可持续相冲突，因此普惠金融发展面临困境。随着数字科技发展，数字普惠金融应运而生。数字普惠金融突破了时间与空间的限制，通过降低成本、有效控制风险、扩大服务边界等打破了普惠金融发展局限，以可负担的成本重点为低收入群体和弱势群体提供服务的金融业态，为缓解金融排斥、降低不平等提供了可能。

理论上，数字普惠金融利用大数据、物联网、云计算等高新信息技术，降低了交易成本，可为贫困人口提供以前无法获得的发展机会，缓解金融排斥。这不仅能提高低收入群体的增收能力，降低收入不平等程度^[7-8]，而且能提高居民的获得感与幸福感^[9]，有效缓解相对贫困。但也有研究表明，数字普惠金融自身存在“数字鸿沟”问题，贫困人口缺乏应用数字化技术与资源的能力，使其成为数字化浪潮中的相对受损者^[10]，即数字普惠金融通过“贫者愈贫，富者愈富”的马太效应加剧了不平等。

近年来，伴随着精准扶贫精准脱贫方略的持续推进，中国农村数字化基础设施建设快速发展。截至2019年10月，中国行政村通光纤和4G的比例均超过98%^[11]，农村互联网普及率明显提升，城乡“数字鸿沟”明显缩小。这能够在一定程度上有效克服“数字鸿沟”缺陷，在推动数字普惠金融发展的同时，进一步强化其缓解相对贫困的效果。在这一背景下，本文以预防返贫风险为前提，将收入不平等、机会不平等以及主观相对剥夺感等纳入多维相对贫困分析框架，探讨数字普惠金融对多维相对贫困治理的效果，以及如何利用数字普惠金融建立缓解多维相对贫困的长效机制。

二.   文献综述

相对贫困概念最早由Townsend提出，其认为贫困不仅意味着最基本的生活资料不足，还意味着资源的缺乏与被剥夺，使其达不到社会的平均生活水平；相对贫困是一种社会比较贫困，不局限于生活水平，也强调人的主观心理感受，通过与社会其他人相比较从而产生的被剥夺的感觉^[2]。之后，不少学者从能力、权利^[12]、脆弱性^[13]和社会排斥等多个维度来定义相对贫困，机会缺失、能力或权利的排斥以及相对剥夺^[14]等构成相对贫困的基本内涵。但部分学者建议仍以收入为基础，认为如果家庭收入等于或少于平均收入的某一比例，或者处于社会最低的某一比例，则称这部分人陷入相对贫困状况^[15]。例如，张青建议将人均收入的1/3—2/5作为相对贫困线^[16]；周力建议将家庭人均收入低于全国居民人均收入中位数50%的状况界定为相对贫困^[17]；孙久文和夏添建议以5年为调整周期，采用农村居民中位数收入的40%为相对贫困线^[18]。也有学者认为2020年后中国的相对贫困定义和标准应当是多维的。例如，王小林和冯贺霞认为贫困不仅包括经济维度，还包括社会发展维度和生态环境维度，应综合考虑居民家庭收入、消费、就业、教育、健康、社会保障、人居环境等指标^[3]；汪三贵和周俊娜建议制定涵盖收入、教育、健康、就业、社会保障和生活环境等的多维相对贫困指标体系^[19]；向德平和向凯指出未来相对贫困不可能仅由单一的中位收入指标来测量，还需要将能力、权利、脆弱性与风险纳入其指标体系^[20]。此外，还有学者认为相对贫困的标准应随着经济发展状况和贫困形势变化动态调整，总体遵循“合理反映相对贫困群体与社会平均水平的差异”原则，对各维度加权系数、指标、临界值进行动态增减、修正和完善，将赋权增能、社会安全、心理及主观福利逐渐纳入多维相对贫困维度^[21]。

相对贫困的成因多元且复杂，包括收入分配不均^[22]、缺乏可行能力、工作贫困、社会资本缺乏和社会排斥等。其中，金融排斥作为社会排斥的一种表现形式，恶化了中国尤其是欠发达地区的相对贫困状况。普惠金融通过构建包容性的金融体系为社会各阶层尤其是弱势群体提供金融服务，能缓解金融排斥，助力低收入者走出贫困陷阱^[23]；而数字普惠金融依托高新技术提供金融服务，能够进一步降低金融服务的门槛和成本，增加低收入群体的金融服务可得性，从而对收入不平等和获得感产生影响。因此，为缓解欠发达地区的金融排斥和相对贫困状况，数字普惠金融得到政府和贫困研究者的普遍重视。目前关于数字普惠金融对多维相对贫困影响的研究，主要集中于数字普惠金融对收入不平等和返贫风险的影响，而关于机会不平等和主观相对剥夺感的研究较少，将四者结合起来的研究更是鲜见。

关于数字普惠金融与收入不平等关系的研究。有学者认为，数字普惠金融通过提高低收入群体的金融服务可得性，促进家庭消费^[24-25]，有助于居民增收^[26]，使经济实现包容性增长，尤其对农户的收入提升效果更显著^[27]，从而缓解收入不平等^{[23, 28]}。但也有学者认为，“数字鸿沟”会加剧贫困人口在金融获取方面的弱势地位^[29]，导致“贫者愈贫，富者愈富”的马太效应，从而加剧社会不平等。

关于数字普惠金融与主观幸福感关系的研究。数字普惠金融发展不仅提高了贫困家庭参与金融市场的可能性，降低了社交排斥^[30]，从而增加了幸福感，而且强化了资金运行的透明度，减少了金融诈骗和金融犯罪，增强了民众的“金融幸福感”^[31]。

关于数字普惠金融对返贫风险影响的研究。数字普惠金融本身存在“数字鸿沟”和监管失灵风险等问题，引致了新型数据不对称，增加了信息弱势群体所面临的风险。但普惠金融提供的储蓄、信贷以及保险等服务有助于提高农村家庭的风险应对水平，从而降低其贫困脆弱性^[32]，也可避免由于消费波动过大而产生贫困脆弱性^[33]。

综上所述，目前学术界对相对贫困的衡量方法尚未形成统一意见，数字普惠金融对缓解多维相对贫困的效果也有待进一步研究。总体来看，现有研究存在以下不足：第一，主流学术界大多提议以收入的一定比例确立相对贫困线，相对贫困标准的设定过于单一；第二，中国已经攻克绝对贫困并向相对贫困治理转变，巩固脱贫成果，对易返贫致贫人口实施常态化监测是过渡期的重点工作之一，也是相对贫困治理的新起点，但现有文献在研究相对贫困治理举措时，几乎没有关注到返贫风险的防范监测问题；第三，既有文献多集中于数字普惠金融对绝对贫困的治理，对相对贫困治理方面的研究甚少。因此，本文希望在如下方面有所推进：一是在监测返贫风险的前提下，纳入收入不平等、机会不平等和主观相对剥夺感来衡量家庭层面的多维相对贫困；二是创新性地研究数字普惠金融对多维相对贫困的影响，为缓解多维相对贫困建言献策。

三.   数字普惠金融对多维相对贫困的影响机制及研究假说

传统普惠金融是指通过加强政策扶持以及完善市场机制和金融基础设施来提高金融服务的可得性，使社会所有阶层和群体都能享受到价格合理的金融服务，尤其是那些原本被金融体系排斥的弱势群体^[34-35]。但是，瞄准弱势群体、产业和地区的要求从客观上导致普惠金融面临“高风险、高成本、低收益”难题，从而与可负担成本和可持续发展目标相冲突。近年来，快速发展的数字技术成为解决传统普惠金融中存在的信息不对称问题的一把“利器”，数字普惠金融也应运而生。数字普惠金融是传统普惠金融与大数据、云计算和人工智能等数字技术深度融合的产物，其依托于互联网，突破了传统普惠金融的局限，具有“交易成本低、传播速度快、覆盖范围广”的优势^[36]，然而“数字鸿沟”使得部分弱势群体无法享受信息红利的问题也相伴而生。

一   数字普惠金融能降低弱势群体金融排斥，缓解多维相对贫困

在数字技术驱动下，普惠金融通过降低交易成本、提升风险控制能力和拓展金融服务供给范围三种途径提升金融普惠性^[37]。弱势群体通常被正规金融机构排斥，因而缺乏发展资金是其核心特征。数字普惠金融恰好能有效抑制弱势群体面临的金融排斥，降低信贷约束，增加对其的金融服务供给，从而增加个人投资资金，故而能缓解多维相对贫困。

第一，数字普惠金融能缓解信贷约束，助力弱势群体扩宽增收渠道，缓解收入不平等。首先，数字普惠金融能抑制金融排斥，提高金融服务可得性，降低信贷约束，优化家庭金融资产配置，提高资金利用效率，促进增效增收。此外，数字普惠金融通过线上开发“闪贷”“e贷”“随心贷”等产品，切实“足额、便捷、便宜”全方位地满足了实体经营主体(包括但不限于个体工商户、小微企业)的短期融资需求，满足生产经营投资以供生产设备和技术改造升级，提高经营收入。其次，信贷、储蓄、保险、信息咨询等金融服务供给的增加，为弱势群体提供改善生活、增加营养、学习技能、发展生产的资金，促进人力资本积累；数字普惠金融还可提供金融保险知识培训和发展生产建议等服务，提高其增收能力，激发脱贫致富的内生动力。相比较而言，高收入群体和优势群体已享有高质量的金融服务，数字普惠金融对其增收效果的边际贡献有限，而低收入群体和弱势群体一直遭受金融排斥和数字技术缺乏的影响，其使用数字普惠金融产品的边际报酬更大，从而能有效降低收入不平等。

第二，数字普惠金融能增加人力资本投资，提供就业、创业机会，缓解机会不平等。低收入群体和弱势群体往往面临人力资本投资不足以及就业、创业机会缺失等困难，数字普惠金融为解决上述难题提供了可能。首先，数字普惠金融直接为居民提供低成本的信贷资金，使其有机会继续接受教育或者参加各类专业技能培训，增加营养支出，改善健康状况，从而提升人力资本，增强其在劳动力市场的竞争力，为获取好的工作机会提供了可能。其次，互联网技术的广泛应用和金融服务门槛的降低，打破了创业者的技术壁垒和融资难题，激发了普通民众和草根阶层的创新创业，降低了机会不均等。相对于高收入群体和优势群体而言，数字普惠金融补齐了低收入群体和弱势群体就业、创业机会短板，其使用数字普惠金融带来的边际贡献更大，降低了机会不平等。

第三，数字普惠金融能增进弱势群体福祉，提升获得感，降低主观相对剥夺感。首先，数字普惠金融发展使居民能够通过信贷、储蓄、保险和投资服务获得资金，该资金可用于满足居住、社交和精神健康等需求，促进居民福祉水平的提升。其次，数字普惠金融助推区域经济增长，通过收入分配效应提高农村居民收入水平，优化收入分配格局，缩小城乡收入分配差距^[38]，增强居民的幸福感和获得感。最后，数字普惠金融通过众筹、农村股权、合作担保等金融工具创新，使民间投融资向养老、医疗、教育、交通等公共服务倾斜，提高普惠金融对农村公共物品供给的促进作用，让农民充分享受教育、养老、交通等民生改善和生活便利所带来的幸福感。相对于高收入群体和优势群体而言，数字普惠金融对低收入群体和弱势群体的边际效用更大，能有效降低其主观相对剥夺感。

二   “数字鸿沟”会强化弱势群体的自我排斥，进而强化多维相对贫困

依托于数字科技的数字普惠金融存在“数字鸿沟”问题，数字科技会强化弱势群体的自我排斥，降低弱势群体使用金融产品的可能性。“数字鸿沟”的存在使得信息通信技术的发展只对那些富裕阶层有利，导致低收入和高收入人群之间的差距越来越大^[39]，从而加剧了社会不平等。此外，“数字鸿沟”使得弱势群体无法享有信息红利，数字技术的高门槛会提高内生式脱贫难度，增加返贫风险。

现实中，随着中国“村村通”和“电信普遍服务试点”两大工程的深入实施，农村数字化基础设施建设快速发展。截至2020年3月，中国农村地区互联网普及率为46.2%，较2018年底提升了7.8%，城乡之间的互联网普及率差距缩小了5.9%^[40]。农户数字化基础设施可得性的提高会逐渐缓解“数字鸿沟”，并促进数字普惠金融释放数字红利，推动相对贫困治理。此外，数字普惠金融具有直接的增收效应，对低收入群体的边际收益、边际效用更大，能有效降低收入不平等、机会不平等和主观相对剥夺感，虽然数字普惠金融会增加返贫风险，但影响相对较小。基于以上分析，提出本文的研究假说：

假说1：数字普惠金融发展能有效缓解多维相对贫困。

假说2：数字普惠金融能够降低收入不平等、机会不平等和主观相对剥夺感。

假说3：数字普惠金融可通过降低信贷约束、提高人力资本投资来缓解多维相对贫困。

三   数字普惠金融对多维相对贫困的缓解作用具有异质性

农村金融一直是中国金融体系中的薄弱环节。随着数字技术的兴起，数字普惠金融逐步成为深耕农村金融、开展金融扶贫的生力军，在支农、惠农方面具备独特优势，不断提升农民金融服务可得性。相对于城市居民而言，农村居民使用数字普惠金融的边际收益更大。相对于高学历群体而言，低学历群体由于人力资本缺乏往往更易被传统金融排斥，而数字普惠金融主要服务于被传统金融排斥的低收入者和弱势群体等“长尾客户”，较好地满足了低学历群体的金融服务需求。因此，相对于高学历群体而言，低学历群体使用数字普惠金融的边际效益更高，能更好地缓解多维相对贫困。基于以上分析，本文进一步研究数字普惠金融对不同群体相对贫困的影响。

假说4：数字普惠金融缓解多维相对贫困存在学历以及城乡区域的异质性。

四   数字普惠金融存在门槛低、监管力度不足等问题，增加了返贫风险

理论上，数字普惠金融具有灵活便捷、体量较小等特点，能够较好地适应农村期限短、额度小的融资需求，满足农户临时的资金短缺，降低贫困脆弱性。数字普惠金融可为农民提供保险等风险管理工具，当遭遇农业风险时，能够快速启动赔付机制恢复农业再生产，降低返贫风险。但实际上，由于数字普惠金融的低门槛以及便利性，偿债能力差的借款人可快捷地获取小额贷款，刺激了超前消费、过度消费，增加了返贫风险。此外，由于数字普惠金融存在相关监管制度缺失错位等问题，缺乏牌照的金融机构为了吸引客户，违规向资信状况差的客户发放贷款引致信用风险叠加，进一步增加了返贫风险。

假说5：数字普惠金融发展会增加农户返贫风险。

四.   研究设计

一   数据来源

本文数据来源于2017年CHFS数据库与2017年北京大学数字普惠金融指数的合并数据库。为了保护受访者的隐私，CHFS公开数据库里仅有家庭所在地的省份信息，而数字普惠金融指数公布的数据涵盖了省、市、县各维度，分别代表了各省、市、县数字普惠金融的发展程度。考虑到数字普惠金融指数须与CHFS数据库兼容，本研究采用了2017年数字普惠金融指数的省级数据来探究数字普惠金融发展对多维相对贫困的影响。2017年CHFS数据库中样本量合计40 011户，由于涉及的相关变量存在缺失值等问题，最终得到有效样本量为11 120户。

二   变量选择

1   被解释变量

被解释变量为多维相对贫困(repov)，包括收入不平等、机会不平等、主观相对剥夺感和返贫风险四个方面。由于在所使用数据库里选用的数字普惠金融指数是省级数据，因此在测算某个家庭的收入不平等、机会不平等时，参照对象是同一省域范围内的其他家庭；在测算收入不平等、机会不平等、返贫风险和主观相对剥夺感指数后，运用熵值法合成家庭层面的多维相对贫困指数。

(1) 收入不平等(inc_sd)

借鉴Kakwani的相对剥夺指数^[41]来测算家庭收入不平等。具体方法是将每户家庭的人均收入与所在群组中比自身人均收入高的家庭进行比较，得出该家庭的收入不平等指数。令Y代表一个群，群组内样本数量为n，将群组内家庭按平均收入进行升序排列，该群组的人均收入分布为Y=(y₁, y₂, …，y_n)，根据定义：

将RD(y_j，y_i)对j求和，并除以n个家庭人均收入的均值，则y_i的收入不平等为：

其中，μ_Y是群Y中所有家庭户人均收入的均值，μ_yi⁺是Y中人均收入超过y_i的样本人均收入的平均值，γ_yi⁺是Y中人均收入超过y_i的样本数占Y中总样本的百分比。

(2) 机会不平等(unop)

机会不平等包括教育机会不平等、健康机会不平等、就业机会不平等以及社会保障机会不平等。囿于相关数据的可得性，本文选取家庭成员当年上半年所读学校类型(Medu)，并运用Kakwani的相对剥夺指数来计算机会不平等(unopportunity)。

(3) 主观相对剥夺感(Rdep)

本文采用对自身健康状况的感知(health)和对幸福感的感知(happiness)来测算主观相对剥夺感，并参考何立新和潘春阳的方法^[42]来测量主观相对剥夺感：

(4) 返贫风险(povp)

借鉴Haughton和Khandker的做法^[43]，基于截面数据进行贫困脆弱性测度，以计算该家庭未来陷入贫困的概率。返贫风险概率公式为：

其中，Povertyp_{i, t}代表第i个家庭t时期的返贫风险，指未来家庭收入Y_{i, t+1}低于某个门槛值(贫困线poor)的概率。未来收入包括可观测变量X_i及误差项e_i，未来收入表达式为：

将公式(5)带入公式(4)中，得到公式(6)：

参考Chanudhuri等人的估计办法^[44]，采用三阶段可行广义最小二乘法估计收入方程：

其中，Y_{i, t}代表家庭i在t时期的收入，X_{i, t}是个体或家庭的特征变量。在本文中，Y_{i, t}采用的是家庭人均收入的对数，X_{i, t}采用的是家庭规模、婚姻、工作状况、教育情况等变量，以省份为单位预测$\widehat{Y}$ = Y_{i, t}及残差项σ_{e, i}。

接下来，估计家庭人均收入的对数期望值$\widehat{E}$和方差σ_{e, i}²：

假设家庭平均收入服从对数正态分布，返贫风险的公式为：

其中，lnpoor是贫困线的对数，借鉴单德朋的做法^[45]，将2015年世界银行规定的1.9美元/人/天的贫困线标准经汇率调整后的4 503.31元/人/年作为收入的贫困线标准。

2   核心解释变量

核心解释变量为数字普惠金融发展指数(zindex)，参考张勋等的方法^[27]，使用由北京大学数字金融研究中心和蚂蚁金服集团共同编制的数字普惠金融指数。为了进一步研究数字普惠金融的不同维度对相对贫困的影响，分别选用覆盖广度(zcoverage)、使用深度(zusage)和数字化程度(zdigit)等一级指标。覆盖广度(zcoverage)主要通过电子账户的覆盖率体现，表明该地区数字金融基础设施的覆盖程度；使用深度(zusage)以数字金融的实际服务状况来衡量，反映该区域数字金融服务的水平；数字化程度(zdigit)则衡量数字普惠金融的便利程度。为了平衡指数差异，在实证过程中对数字普惠金融发展总指数及其一级指标均采用无量纲化处理。

3   控制变量

除了核心解释变量外，还需要控制其他影响多维相对贫困的因素。本文选取的控制变量包括户主层面的控制变量和家庭层面的控制变量。户主层面的控制变量有性别(gender)、年龄(age)、年龄的平方/100(age2)、婚姻状况(married)、是否为党员(party)和风险偏好程度(risk)^①。家庭层面的控制变量为家庭总资产的对数(asset)、家庭成员数(familysize)、家庭抚养比(depratio)。

4   其他变量

其他变量有信贷约束(finance)、人力资本投资(invest)、收入水平(pov)、受教育水平(edu)以及城乡区域(rural)。其中，信贷约束(finance)的衡量指标是问卷中的“截至目前，您家是否曾向银行/信用社申请贷款，但是被拒绝？”(“是”表明遭受信贷约束，取值为1；“否”表明未遭受信贷约束，取值为0)；人力资本投资(invest)的衡量指标为教育培训支出/10 000；受教育水平(edu)分为初中及以下和高中及以上两类，前者为低学历，取值为1，后者为高学历，取值为0。

表  1  变量的描述性统计

变量符号	变量定义	观测值	均值	标准误	最小值	最大值
repov	多维相对贫困，由收入不平等、机会不平等、返贫风险和主观相对剥夺感运用熵值法合成	11 120	0.094	0.038	0.017	0.405
zindex	数字普惠金融发展指数	11 122	0.421	0.256	0	1
inc_sd	收入不平等	11 120	0.632	0.217	0	0.999
unop	机会不平等	11 120	0.736	0.248	0	1
povp	返贫风险	11 120	0.019	0.037	0	0.334
Rdep	主观相对剥夺感	11 120	0.320	0.167	0	1
zcoverage	数字普惠金融覆盖广度	11 120	0.424	0.245	0	1
zusage	数字普惠金融覆盖深度	11 120	0.432	0.237	0	1
zdigit	数字普惠金融数字化程度	11 122	0.452	0.216	0	1
finance	信贷约束	11 055	0.053	0.224	0	1
invest	人力资本投资	10 813	0.730	1.571	0	60
rural	城乡区域，农村=1，城镇=0	11 120	0.277	0.447	0	1
edu	受教育水平，低学历=1，高学历=0	11 120	0.358	0.479	0	1
gender	性别，男性=1，女性=0	11 119	0.813	0.390	0	1
age	年龄	11 119	49.001	12.046	18	98
age2	年龄的平方/100	11 119	25.462	12.133	3.24	96.04
married	婚姻状况，未婚=0，已婚=1	11 120	0.892	0.310	0	1
party	是否为党员，非党员=0，党员=1	11 120	0.109	0.312	0	1
risk	风险偏好程度，风险厌恶=0，风险中立=1，风险偏好=2	11 122	0.174	0.486	0	2
depratio	家庭抚养比	11 120	0.260	0.236	0	1
familysize	家庭成员数	11 120	3.859	1.317	1	15
asset	家庭总资产的对数	11 120	13.199	1.629	2.996	17.217

下载: 导出CSV 

| 显示表格

三   模型设定

1   基准模型

在探讨数字普惠金融对多维相对贫困的影响时，考虑到多维相对贫困指数是左删尾变量，因此采用Tobit模型做基础回归分析，回归模型为：

其中，多维相对贫困(repov_i)表示第i个家庭面临的多维相对贫困状况；zindex表示该区域的数字普惠金融发展指数；X_i代表会影响多维相对贫困的户主个人因素和家庭因素；ε_i表示随机变量。

2   中介效应模型

数字普惠金融兼具数字技术和普惠金融优势，为了厘清数字普惠金融对多维相对贫困的影响机制，本文以信贷约束(finance)、人力资本投资(invest)为中介变量，建立如下中介效应模型：

其中，Z_i代表中介变量，根据Baron和Kenny的研究^[46]，α₁反映数字普惠金融对多维相对贫困的总效应，β₂反映数字普惠金融对多维相对贫困的直接效应，σ₁、β₁反映中介效应的大小。如果α₁、β₁、β₂均显著，但β₂比α₁小，说明为部分中介效应；如果α₁、β₁均显著，β₂不显著，则说明为完全中介效应。

五.   实证结果及检验

一   回归结果及分析

1   数字普惠金融对多维相对贫困及其各个维度的影响

数字普惠金融对多维相对贫困及其各维度影响的回归结果如表 2所示。表 2第(1)列的回归结果表明，数字普惠金融对多维相对贫困的影响在1%的水平上显著为负，数字普惠金融每增加1%，多维相对贫困减少0.058 4%。第(2)列回归结果表明数字普惠金融发展会增加农户的返贫风险，数字普惠金融每增加1%，返贫风险增加0.005 4%。为了进一步探究数字普惠金融对相对贫困各个维度的影响，分别将数字普惠金融对家庭人均收入(Aincome)、收入不平等(inc_sd)、机会不平等(unop)、主观相对剥夺感(Rdep)进行回归，结果见表 2的第(3)至(6)列。第(3)列的回归结果表明，数字普惠金融对家庭人均收入的作用在1%的水平上显著为正，数字普惠金融每增加1%，家庭人均收入增加0.671 9%，说明数字普惠金融具有显著的增收效果。第(4)列的回归结果表明，数字普惠金融对收入不平等的作用在1%的水平上显著为负，数字普惠金融每增加1%，家庭收入不平等减少0.168 9%。这与Bae等认为普惠金融能够缩小收入不平等^[47]的观点基本一致。第(5)列表明数字普惠金融对机会不平等的影响不显著，即在统计意义上，数字普惠金融的发展无法缓解机会不平等。第(6)列的回归结果表明，数字普惠金融对主观相对剥夺感的作用在1%的水平上显著为负，数字普惠金融每增加1%，主观相对剥夺感减少0.065 8%。

表  2  数字普惠金融对多维相对贫困及其各维度的影响回归结果

	(1)	(2)	(3)	(4)	(5)	(6)
	repov	povp	Aincome	inc_sd	unop	Rdep
zindex	-0.058 4*** (-16.856 9)	0.005 4*** (3.984 0)	0.671 9*** (17.309 7)	-0.168 9*** (-27.026 1)	0.012 3 (1.371 0)	-0.065 8*** (-12.084 3)
控制变量	是	是	是	是	是	是
N	18 951	11 118	18 951	18 951	18 951	18 952
R2	-0.067 4	-0.045 7	0.097 4	-5.097 8	3.314 3	-0.153 2
注：*、* *、* * *分别表示在10%、5%、1%的水平上显著；括号内为t检验值。后表同。

下载: 导出CSV 

| 显示表格

综上可知，数字普惠金融能有效缓解多维相对贫困，假说1得到验证，但是也会增加返贫风险。进一步分析可知，数字普惠金融对收入不平等和主观相对剥夺感都具有负向影响，但对机会不平等的影响不显著，假说2部分得到验证。比较回归结果的相关系数可知，数字普惠金融对收入不平等的抑制作用更大，对主观相对剥夺感的缓解作用要小一些。

2   数字普惠金融一级指标对多维相对贫困影响的回归结果分析

表 3报告了数字普惠金融一级指标对多维相对贫困的影响结果。从表 3可知，数字普惠金融覆盖广度、深度以及数字化程度对多维相对贫困均有显著的负向影响。以第(1)列为例，数字普惠金融覆盖广度对多维相对贫困的影响在1%的水平上显著为负，数字普惠金融覆盖广度每增加1%，多维相对贫困减少0.062 4%。通过比较表 3中的相关系数可知，数字普惠金融的覆盖广度对多维相对贫困的减缓作用最明显，数字普惠金融的覆盖深度次之，数字化程度的作用最小。此结论可为今后以数字普惠金融助力多维相对贫困减缓提供政策方向。但同时需要注意的是，数字普惠金融覆盖广度和深度会增加返贫风险。

表  3  数字普惠金融一级指标对多维相对贫困影响的回归结果

	(1)	(2)	(3)	(4)	(5)	(6)
	repov	povp	repov	povp	repov	povp
zcoverage	-0.062 4***	0.004 7***
	(-17.312 5)	(3.350 2)
zusage			-0.054 0***	0.006 8***
			(-14.664 6)	(4.687 5)
zdigit					-0.016 1***	-0.000 8
					(-4.325 6)	(-0.542 4)
控制变量	是	是	是	是	是	是
N	18 951	11 118	18 951	11 118	18 951	11 118
R2	-0.067 9	-0.045 6	-0.065 0	-0.045 9	-0.058 1	-0.045 4

下载: 导出CSV 

| 显示表格

二   内生性处理与稳健性检验

1   内生性处理

常见的内生性问题主要是由反向因果和遗漏变量造成的。一方面，数字普惠金融能够缓解低收入群体的资金约束，促进社会消费，使经济实现包容式增长，从而减轻多维相对贫困；另一方面，相对贫困群体易受传统金融的排斥，数字普惠金融的便利性和低门槛使得相对贫困群体更倾向于选择数字普惠金融产品，从而促进数字普惠金融发展。可见，数字普惠金融和多维相对贫困之间可能存在反向因果关系。此外，当从家庭层面考察数字普惠金融对多维相对贫困的影响时，容易受到对新事物的接受能力、消费偏好等不可测因素的影响，从而造成遗漏变量问题。

本文选用2017年互联网普及率(internet)^② 作为工具变量。数字普惠金融是以互联网的发展为基础的，数字普惠金融发展与互联网普及率之间呈高度相关关系，而宏观层面的省域内互联网普及率与微观层面的家庭多维相对贫困之间不存在直接关系，因此，互联网普及率可作为工具变量来解决内生性问题。

表 4报告了内生性问题的回归结果，(1)列表明互联网普及率(internet)在1%的水平上与数字普惠金融呈显著正相关关系，互联网普及率(internet)越高，数字普惠金融发展程度越好。一阶段F值为4 602.54，工具变量t值为164.82，不存在弱工具变量问题。(2)列表明数字普惠金融在1%的水平上与多维相对贫困呈显著负相关关系，在二阶段回归里，Wald检验的估计值为1 947.62，在1%的水平上拒绝了不存在内生性的原假设，说明使用工具变量进行分析是必要的。

表  4  工具变量回归结果

	(1) zindex			(2) repov
internet	1.777 5*** (164.851 7)		zindex: internet	-0.075 1*** (-16.610 0)
控制变量	是		控制变量	是
F值统计量	4 602.54		Wald检验	1 947.62
t值	164.82		P值	0.000

下载: 导出CSV 

| 显示表格

2   稳健性检验

(1) 删除样本的稳健性检验

考虑到在校学生和老年个体等特殊群体因缺乏金融需求、对互联网技术不熟练等而较少参与数字普惠金融，在稳健性检验中剔除了18岁以下的学生和60岁以上的老年人样本，回归结果如表 5所示。第(1)(3)(5)(7)列分别报告了数字普惠金融、数字普惠金融覆盖广度、数字普惠金融覆盖深度、数字普惠金融数字化程度对多维相对贫困具有显著的负向影响；第(2)(4)(6)列分别报告了数字普惠金融、数字普惠金融广度、数字普惠金融覆盖深度会增加返贫风险，而数字普惠金融数字化程度对返贫风险影响不大。这与本文基准回归结果一致，证实了基准回归具有较好的稳健性。

表  5  删除样本的稳健性检验

	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)
	repov	povp	repov	povp	repov	povp	repov	povp
zindex	-0.062 3***	0.003 9**
	(-16.367 5)	(2.722 3)
zcoverage			-0.065 8***	0.003 4*
			(-16.573 6)	(2.316 5)
zusage					-0.059 0***	0.004 8**
					(-14.583 9)	(3.201 1)
zdigit							-0.016 9***	-0.001 0
							(-4.165 2)	(-0.608 0)
N	15 398	8 941	15 398	8 941	15 398	8 941	15 398	8 941
R2	-0.078 1	-0.027 6	-0.078 4	-0.027 6	-0.075 8	-0.027 7	-0.067 3	-0.027 4

下载: 导出CSV 

| 显示表格

(2) 替换样本的稳健性检验

为了进一步验证基准回归结果的稳健性，本文采用2015年CHFS数据库与北京大学编制的数字普惠金融2015年各省份数据结合而成的数据库进行回归，回归结果如表 6所示。第(1)(3)(5)列分别报告了数字普惠金融、数字普惠金融覆盖广度、数字普惠金融覆盖深度在1%的水平上对多维相对贫困具有显著的负向影响；第(7)列报告了数字普惠金融的数字化程度对多维相对贫困的影响不显著。第(2)(4)(6)(8)列分别报告了数字普惠金融、数字普惠金融覆盖广度、数字普惠金融覆盖深度以及数字普惠金融数字化程度增加了返贫风险。总体而言，虽然第(7)(8)列结果与前面结论有一定的偏差，但不影响主要回归结果，这证实了基准回归有较好的稳健性。

表  6  替换样本的稳健性检验

	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)
	repov	povp	repov	povp	repov	povp	repov	povp
zindex	-0.055 6***	0.003 4*
	(-14.037 2)	(2.256 1)
zcoverage			-0.063 5***	0.004 6**
			(-15.477 5)	(2.925 2)
zusage					-0.047 8***	0.004 1*
					(-11.332 9)	(2.568 7)
zdigit							-0.000 4	0.004 4*
							(-0.103 8)	(2.463 0)
N	15 609	7 272	15 609	7 272	15 609	7 272	15 609	7 272
R2	-0.026 2	-0.054 5	-0.028 0	-0.047 7	-0.023 2	-0.054 6	-0.017 5	-0.054 6

下载: 导出CSV 

| 显示表格

六.   进一步讨论

一   中介效应分析

由本文理论分析部分可知，数字普惠金融可能通过降低信贷约束、提高人力资本投资两种机制来缓解多维相对贫困。为验证数字普惠金融通过哪种机制实现多维相对贫困治理，本文选取信贷约束(finance)和人力资本投资(invest)作为中介变量，通过逐步检验回归系数和Bootstrap检验方法进行机制检验。检验结果如表 7和表 8所示。

表  7  基于逐步回归法的中介效应检验结果

	(1)	(2)	(3)	(4)	(5)	(6)
	repov	finance	repov	repov	invest	repov
zindex	-0.046 2***	-1.536 0***	-0.044 3***	-0.046 2***	0.543 6***	-0.045 3***
	(-13.858 4)	(-10.965 9)	(-13.254 4)	(-13.858 4)	(8.329 9)	(-13.344 5)
finance			0.021 1***
			(6.332 5)
invest						-0.001 7**
						(-2.883 1)
控制变量	是	是	是	是	是	是
N	18 976	18 926	18 926	18 976	18 410	18 410
R2	-0.060 6	0.023 5	-0.061 9	-0.060 6	0.015 0	-0.060 8

下载: 导出CSV 

| 显示表格

表  8  基于Bootstrap的中介效应检验

路径	效应	效应量系数	标准误	95%置信区间
				下限	上限
数字普惠金融→信贷约束→多维相对贫困	直接效应	-0.001 724 5***	0.000 320 5	-0.002 352 6	-0.001 096 4
	中介效应	-0.044 332 4***	0.001 355 3	-0.008 975 9	-0.003 663 3
数字普惠金融→人力资本投资→多维相对贫困	直接效应	-0.000 839 3*	0.000 421 8	-0.001 666 0	-0.000 012 5
	中介效应	-0.045 342 8***	0.003 536 7	-0.052 274 6	-0.038 411 1

下载: 导出CSV 

| 显示表格

表 7的第(1)(2)(3)列报告了信贷约束(finance)的中介效应。从第(2)列可知，数字普惠金融在1%的水平上显著降低了居民信贷约束，数字普惠金融发展每增加1%，信贷约束降低1.536 0%。第(1)(3)列中相关系数在1%的水平上显著为负，通过比较系数大小，可知信贷约束的中介效应成立，且为部分中介效应，表明数字普惠金融能够通过降低信贷约束缓解多维相对贫困。第(4)(5)(6)列报告了人力资本投资(invest)的中介效应。从第(5)列可知，数字普惠金融的发展在1%的水平上提高了人力资本投资，数字普惠金融发展每增加1%，人力资本投资增加0.543 6%。第(4)(6)列中相关系数在1%的水平上显著为负，通过比较系数大小，可知人力资本投资的中介效应成立，且为部分中介效应，表明数字普惠金融发展能够通过增加人力资本投资缓解多维相对贫困。假说3得到验证。

为了验证逐步回归法的中介效应检验结果的稳健性，进一步采用Bootstrap方法进行中介效应检验，将重复抽样次数设置为1 000，置信度选择95%。从表 8报告的结果可知，中介效应检验结果在95%的置信水平上均未包括0，信贷约束和人力资本投资均发挥了显著的中介效应，直接效应的系数显著为负，表明信贷约束和人力资本投资均发挥了部分中介效应。此结论证实了逐步回归法的中介效应检验结果具有较好的稳健性。

二   异质性分析

从表 9第(1)列可知，数字普惠金融对多维相对贫困的影响存在学历上的异质性。相对于高中及以上学历群体而言，数字普惠金融对初中及以下学历群体多维相对贫困的减缓作用更显著，数字普惠金融发展增加1%，初中及以下学历群体的多维相对贫困多降低0.024 0%。从第(2)列可知，数字普惠金融对多维相对贫困的影响存在城乡区域的异质性。相对于城市而言，数字普惠金融对农村群体多维相对贫困的减缓作用更显著，数字普惠金融发展增加1%，农村群体的多维相对贫困多减少0.021 7%。假说4得到验证。

表  9  数字普惠金融对多维相对贫困影响的异质性分析

	(1)	(2)
	repov	repov
zindex	-0.047 2***	-0.045 7***
	(-9.569 7)	(-11.958 3)
zindex×edu	-0.024 0***
	(-3.614 4)
edu	-0.010 3**
	(-3.237 2)
zindex×rural		-0.021 7**
		(-2.715 8)
rural		-0.007 4*
		(-2.264 6)
控制变量	是	是
N	18 962	18 976
R2	-0.071 0	-0.063 8

下载: 导出CSV 

| 显示表格

七.   结论与政策启示

通过以上分析，本文得到三点结论。

第一，数字普惠金融能够有效缓解多维相对贫困，但同时会导致农户返贫风险增加。进一步分析可知，数字普惠金融有助于降低收入不平等和主观相对剥夺感，其中数字普惠金融对收入不平等的抑制作用更大，对主观相对剥夺感的作用小一些。

第二，数字普惠金融覆盖广度、深度以及数字化程度对多维相对贫困均存在显著的负向影响，再次验证了数字普惠金融具有显著的贫困减缓作用。数字普惠金融的覆盖广度对多维相对贫困的减缓作用最明显，数字普惠金融的覆盖深度次之，数字化程度的作用最小。此结论为今后以数字普惠金融助力减缓多维相对贫困提供了政策方向。

第三，数字普惠金融发展通过降低信贷约束、提高人力资本投资两种机制发挥对多维相对贫困的减缓作用。数字普惠金融的多维相对贫困减缓作用具有异质性，低学历群体以及农村居民使用数字普惠金融能够更大程度地缓解多维相对贫困。

根据以上研究结论，可以得到三点政策启示。

第一，要积极推动数字普惠金融服务体系建设，多渠道宣传普及金融知识，增强公众金融素养和公众自身风险防范意识，提高知识水平，完善数字普惠金融用户风险防范机制，对有返贫风险的农户实行动态管理，筑牢数字普惠金融风险防控堤坝。

第二，要加快贫困地区的数字普惠金融建设，创新数字普惠金融产品服务体系，进一步增加数字普惠金融的可得性，降低信贷约束，为弱势群体提供定制化的精准服务。鼓励商业银行等正规金融机构深耕教育信贷产品和小额信贷市场，完善非现金结算、小额信贷等数字化服务，提高金融产品和服务的可得性和适用性。

第三，要进一步加强数字化基础设施建设，完善数字技术相关配套服务。尤其是推动欠发达地区电信设施建设，降低电信服务资费，促进信息与知识的开放性获取，提高信息的有效供给，增强公众对有效信息的利用能力，缩小“数字鸿沟”，让公众公平享受信息化时代的数字红利。

①此变量的具体问题是：如果您有一笔资金用于投资，您最愿意选择哪种投资项目？(仅询问新受访户)备选项有：1. 高风险、高回报的项目；2. 略高风险、略高回报的项目；3. 平均风险、平均回报的项目；4. 略低风险、略低回报的项目；5. 不愿意承担任何风险；6. 不知道。取值标准：选项4、5、6取值为0，表示风险厌恶；选项3取值为1，表示风险中立，选项1、2取值为2，表示风险偏好。

②数据来源于中国统计年鉴。