论文部分内容阅读
【摘要】数字普惠金融依托数字技术提升了居民金融服务的可得性。 为探究其是否促进了居民收入的增长、其对不同层级居民收入的影响是否存在差异性， 将2011 ～ 2017年我国285个地级市的统计年鉴数据、中国劳动力动态调查数据库（CLDS）和北京大学数字普惠金融指数进行匹配， 采用面板分位数回归模型， 实证检验数字普惠金融对居民收入的影响。 结果表明： 无论是宏观还是微观层面， 数字普惠金融都促进了居民收入的增长， 并且对中低收入群体促进效应更明显， 在考虑了内生性及进行了各种稳健性检验后结论仍然成立。 进一步的机制分析表明， 数字普惠金融可以通过促进居民创业来提高收入。 研究结论为我国当前发展数字普惠金融促进居民收入包容性增长提供了理论依据。
【关键词】数字普惠金融;收入效应;CLDS;面板分位数
【中图分类号】F832.5 【文献标识码】A 【文章编号】1004-0994（2021）10-0153-8
一、引言
近年来， 随着大数据、区块链、人工智能等的飞速发展， 信息化技术与普惠金融的结合越来越紧密， 扩大了普惠金融的服务范围， 提升了服务可得性和便利性。 数字普惠金融是数字信息技术和普惠金融相结合的时代产物， 既具备创新性又具备包容性， 以电子支付为基础， 弥补了传统金融管理成本高的不足， 以数字技术为保障， 催生了多元化的服务与产品。
近年来， 我国网络支付交易规模显著增长。 网络支付的蓬勃发展提升了数字普惠金融可得性。 对于居民个体来说， 水电缴费、交通出行、医疗结算、保险理财等领域都能做到支付和生活场景的无缝对接。 对于小微企业来说， 网络借贷拓展了融资渠道， 提升了融资效率和服务质量， 降低了融资成本。 另外， 我国涉农网贷为满足农村群体的不同需求而发展和衍生出多层次、多形态的网络借贷产品， 精准满足了农业生产经营需求， 扶持了三农群体。 由此可见， 一方面， 得益于互联网革命的中国数字普惠金融经历了快速发展， 为农民和普通城镇居民提升金融便利性和可得性， 减少了传统金融服务排斥现象。 同时， 数字金融发展带来的信息数据共享， 也会促进金融产业本身的发展及其普惠性的增强。 但另一方面， 不同地区的数字普惠金融资源配置不合理。 第一， 数字普惠金融还处在发展中， 不同地区的资源分配不一致， 使得各地区间城乡收入差距的变化趋势不一致。 第二， 若单单增加金融业务所服务的人群， 实际上只是增加了普惠金融服务数量， 却未满足人们对其的需求， 并没有彻底解决不发达地区的金融排斥问题[1，2] ， 对缩小城镇居民与农村居民的收入差距沒有实质性帮助。 第三， 数字技术还会引发比普通金融排斥影响更大的“数字排斥”问题， 增加不发达地区获得金融服务的难度， 使得缩小城乡收入差距的效应变弱[3] 。
那么， 数字普惠金融是否促进了居民收入的增长？ 其对不同层级居民收入的影响是否存在差异性？ 发展数字普惠金融， 既是服务实体经济、服务人民生活的重要任务， 也是金融供给侧结构性改革的落脚点。 在科技金融、移动支付、物联网技术大发展的背景下， 数字普惠金融对我国居民收入的影响更值得探讨。 相对于传统普惠金融， 数字普惠金融发挥了以下四个方面的功能： 打通信息壁垒， 缓解信息不对称; 突破时空的局限性， 降低交易成本; 增加支付的便利， 提升金融服务可得性; 优化金融服务的精度和宽度[4] 。 数字普惠金融通过进一步降低信息不对称和交易成本增强了融资功能。 普惠金融和数字技术的结合能够减轻金融排斥， 从而增加居民收入， 尤其是低收入群体的收入[5，6] 。 目前关于数字普惠金融对居民收入影响的实证研究不多， 黄益平和黄卓[7] 系统地回顾了我国数字金融的研究进展， 并提出了数字普惠金融对实体经济和传统金融的影响等若干需要实证研究的问题。 刘丹等[8] 基于2011～2015年我国内地29个省份数据， 发现数字普惠金融对农民非农收入有正向空间溢出效应。 张勋等[9] 首次将中国数字普惠金融指数和中国家庭追踪调查（CFPS）数据相结合， 评估了数字普惠金融对包容性增长的影响， 研究发现数字普惠金融促进了低收入群体的收入增长， 并且是通过促进农户创业来实现的。 大量文献主要采用省级层面数据实证分析了数字普惠金融对城乡收入差距的影响[10-14] ， 研究结果都表明数字普惠金融能缩小城乡收入差距。 部分文献研究了数字普惠金融的减贫效应， 如龚沁宜和成学真[15] 、陈阳和赵丙奇[16] 、黄倩等[17] 、刘锦怡和刘纯阳[18] 基于省级层面的数据实证分析了数字普惠金融对贫困的影响及其传导机制， 研究表明数字普惠金融发展总体上有利于贫困减缓， 并且主要是通过改善收入不平衡、促进创业等机制实现。 谢绚丽等[19] 研究发现数字普惠金融促进了创业。 任碧云和李柳颍[20] 基于2114位农村居民调查数据， 研究表明数字普惠金融促进了农村包容性增长。
以往有关数字普惠金融的研究大多采用省级层面数据， 但省际数据容易忽略区域差异， 而且数据样本量不足， 可能会影响实证结果的有效性。 本文比较系统地整理了2011 ～ 2017年我国285个地级市数字普惠金融和经济统计数据， 并将数字普惠金融指数与微观数据库CLDS（中国劳动力动态调查数据库）相匹配， 为分析数字普惠金融对居民收入增长的影响提供了来自我国地级市和微观层面的经验证据， 并且避免了以往文献使用小样本或偏宏观的数据而影响结果准确性的问题。 以往关于数字普惠金融和收入之间关系的研究， 往往会忽视内生性问题， 比如， 收入与数字普惠金融互为因果、模型遗漏变量、样本选择偏误等。 本文为解决内生性问题， 采用了面板分位数回归。 分位数回归法不仅不易受极端值的影响， 而且能从样本分层的角度提供更全面的信息。 同时， 本文在实证中引入工具变量， 保证了结果的稳健性。 二、研究设计
（一）计量模型构建
1. 数字普惠金融对宏观居民收入影响的模型构建。 具体如下所示：
LNFCIit=α0+α1DFIit+α2CONTROLS+?i+φt+μit （1）
式（1）中， LNFCIit表示居民收入水平， α0为截距项， CONTROLS为选取的所有控制变量， ?i代表个体固定效应， φt代表时间固定效应， μit为随机干扰项， i表示年份， t表示个体。
模型（1）中， α1用于衡量数字普惠金融的发展对居民收入的总体影响。 参考张勋等[9] 的做法， 加入分位数进一步讨论数字普惠金融对不同阶层的收入分配效应。 传统回归是普通均值回归， 容易被极端值干扰， 而分位数回归是对绝对偏差和的加权平均， 可以得到更可靠有效的结果。 且分位数估计可以将样本分层， 得到更全面、多方位的信息。
QLNFCIit（θ|DFIit）=βi+β（θ）DFIit （i=1，…，n; t=1，…，T） （2）
式（2）中， β（θ）为分位数估计回归的系数， β（θ）将会根据分位数的不同而发生改变， 如此， 可以同时得到多个分位数条件下核心解释变量DFIit的回归系数。 构建如下面板分位数回归模型：
Qθit（LNFCIit|DFIit）=αi+α1θDFIit+
α2θCONTROLS+εit （3）
式（3）中， θ表示分位数， αi为固定效应， CONTROLS为选取的所有控制变量， εit为随机误差项。
2. 数字普惠金融对微观居民收入影响的模型构建。 鉴于微观数据为截面数据， 故将模型设定如下：
FTI=α0+α1DFI+α2CONTROLS+μit （4）
式（4）中， FTI表示家庭总收入水平， α0为截距项， CONTROLS为选取的所有控制变量， μit为随机干扰项。
数字普惠金融发展能够有效缓解小微个体面临的融资约束， 提升信贷的可得性和便利性， 激发企业创立和就业增长， 从而拉动居民收入的增长。 因此， 在模型中设定被解释变量家庭创业状态和家庭是否就业为二维虚拟变量， 并引入Probit 二元选择模型进行实证分析。 具体如下：
Probit（ENTRE）=φ（α+βDFIF+
γCONTROLS+ε） （5）
式（5）中， ENTRE代表微观居民创业的二维虚拟变量， DFIF代表核心解释变量， CONTROLS为选取的所有控制变量。
（二）变量选取及描述性统计
1. 核心解释变量： 数字普惠金融发展水平。 本文采用北大数字金融研发中心公布的《北京大学数字普惠金融指数（2011-2018年）》进行研究， 用该指数（地级市层面数据）（DFI）衡量数字普惠金融发展水平。 该指标为涵盖了3个一级指标、8个二级指标和24个三级指标的指标体系， 从数字金融覆盖广度、使用深度和数字化程度出发， 利用层次分析法计算而得， 能够直观地反映我国数字普惠金融发展现状。 在微观层面， 数字普惠金融发展水平用每个家庭所在地级市的数字普惠金融指数（DFIF）代替。
圖1汇报了2011 ～ 2018年全国及三大区域的数字普惠金融发展水平的演变趋势。 观测期内， 全国及三大区域的数字普惠金融发展水平均呈明显上升趋势， 东部地区数字普惠金融发展的平均水平明显优于全国和中西部区域。 全国水平的数字普惠金融指数从2011年的51.77上升至2018年的233.44， 年均增长率为50.14%， 中西部地区数字普惠金融发展增速明显优于东部和全国， 有望实现我国普惠金融发展的整体趋同。
本文利用非参数核密度估计方法， 对我国数字普惠金融发展的动态演进轨迹、空间分布特征等方面展开进一步分析， 图2是由Stata 15.0绘制得到的全国数字普惠金融发展的核密度图。 2011 ～ 2018年数字普惠金融的分布曲线呈现逐渐向右平移的趋势， 表明我国数字普惠金融发展整体明显改善。 除2012年以外， 其他年份的曲线表现出明显的“双峰”， 说明数字惠普金融发展面临不协调的状况; 2011 ～ 2015年左锋突出， 说明全国数字普惠金融的发展集聚在较低水平; 2016 ～ 2018年右峰高于左锋， 说明数字普惠金融发展取得显著成效。
2. 被解释变量。 宏观层面， 考虑到农村和城镇在经济发展方面的差异， 本文分别选取农村居民人均纯收入（FCI）和城镇居民人均可支配收入（TCI）衡量农村、城镇居民的收入水平。 数据来自《2012-2018年中国城市统计年鉴》和Wind数据库。 在微观层面， 本文用家庭总收入（FTI）衡量居民收入水平， 数据来源于2016年中国劳动力动态调查数据（China Labor-force Dynamics Survey， CLDS）， 该数据包含劳动家庭成员、个体特征、经济活动和工作状况多个方面， 涉及全国29个省、市、自治区（港澳台、西藏、海南除外）的劳动者， 较广的覆盖范围和不同岗位、不同类型的劳动者分布使得数据具有很强的代表性。 3. 中介变量。 本文选取家庭创业状态（ENTRE）作为中介传导变量。
4. 控制变量。 考虑到其他因素可能对居民收入产生影响， 为了尽量消除误差， 更加准确地估计数字普惠金融对居民收入的影响， 本文设置了控制变量。 宏观层面的控制变量包括： ①金融发展水平（FL）， 用各地区历年的银行业金融机构人民币各项存贷款余额之和占地区国内生产总值的比重衡量。 ②政府干预水平（GIL）， 用政府公共财政支出占地区生产总值的比重衡量。 在我国， 政府在经济发展过程中扮演着重要角色， 政府行为对居民收入的初次分配与再分配具有重要的影响， 而居民收入的差距和居民收入的不平衡制约着经济的发展。 ③产业结构（IS）， 用第一产业增加值与当年地区生产总值的比值衡量。 ④就业水平（EL）， 用第一产业就业人数占各地区年末总人口数的比重衡量。 一个地区从事农业的人口比重较大， 代表该地区的经济可能欠发达。 ⑤通信设施水平（CFL）， 用每万户拥有固定电话个数衡量。 通信设施的覆盖与便利对居民有着重要的减贫增收效应。 ⑥投资水平（IL）， 用固定资产投资占地区生产总值的比重衡量。 固定资产投资体现着基础设施建设水平。 ⑦医疗发展水平（ML）， 用每万人床位数衡量。 ⑧教育发展水平（EDL）， 用教育经费支出占一般公共财政预算支出的比重衡量。 微观层面的控制变量包括： ①户主特征变量， 如户主年龄（AGE）、性别（GEN）、政治面貌（POL）、是否参加过技术培训（TEC）、健康水平（HEA）和婚姻状况（MAR）。 ②家庭特征变量， 如家庭规模（FS）、家庭成员手机（PHO）和互联网（INT）的使用情况。 ③社区特征变量（CS）， 户主所在社区的规模。 所有控制变量的原始数据来源于《2012-2018年中国城市统计年鉴》和2016年中国劳动力动态调查数据库， 并对变量的缺失值、奇异值进行了处理。
本文选取了较多实证分析变量， 且在模型设定前进行了解释变量间的相关性和共线性检验， 所有解释变量之间均不存在高度的共线性和相关性。 表1为主要变量的定义及描述性统计。
三、实证结果与分析
（一）宏观层面数字普惠金融对居民收入的影响
1. 数字普惠金融对居民收入的影响： 基准回归。 表2报告了数字普惠金融对居民收入影响的回归结果。 为了保证结果的稳健性， 同时进行了动态和静态回归分析。 回归结果显示， 数字普惠金融在1%的显著性水平上促进了居民收入的增长。
2. 数字普惠金融对不同收入阶层居民收入的影响： 面板分位数回归。 内生性问题出现的原因通常包含解释变量与被解释变量互为因果、变量测量误差、模型遗漏变量、样本选择偏误等四个方面。 本文的研究对象为我国285个地级市， 包括了东、中、西部三大区域不同经济水平的地区， 因此， 可避免由样本选择偏差而导致的内生性问题。 但有可能存在地区居民收入水平与当地数字普惠金融发展水平之间互为因果以及衡量指标存在测量误差、影响因素较多而不能全面控制等问题， 使得研究模型存在一定的内生性。 因此， 本文参考已有文献的做法， 拟将滞后一期的数字普惠金融指数作为内生变量的工具变量， 内生解释变量与其滞后变量相关， 而滞后变量与当期的扰动项不相关， 该工具变量同时通过了不可识别和弱工具变量检验。 数字普惠金融的发展促进了居民收入增长， 但不同收入阶层能否均等地享有数字普惠金融发展红利尚未可知。 在不关注极少数富裕群体的前提下， 农村人口的数字普惠金融发展边际报酬是否比城镇人口高？ 不同收入阶层的群体获益如何？ 为回答以上问题， 本文选取10% ～ 90%的分位点划分城乡居民收入层级， 基于模型（3）、运用面板数据工具变量分位数回归， 进一步论证数字普惠金融对不同收入阶层的边际贡献。
由表3可知， 农村居民和城镇居民的数字普惠金融发展指数影响系数分别为0.00418和0.00274， 在1%的水平上显著。 这类人口享有最低的金融要素边际报酬率， 20% ～ 70%分位点的系数呈现波动下降的趋势， 20%分位点处的人口享有最高的金融要素边际报酬率， 其所获得的增收效应最为明显， 随着分位数的上升， 增收影响逐渐下降， 而到了80% ～ 90%分位点， 数字普惠金融的影响系数又开始上升。 据此， 可推测不同收入阶层的居民并不能平等地享受数字普惠金融发展的红利。 同时， 数字普惠金融对农村和城镇居民的增收作用具有显著的异质性， 农村居民人均纯收入的数字普惠金融边际效应高于城镇居民人均可支配收入。 农村样本中， 数字普惠金融发展对不同收入阶层居民的收入效应规律为： 较高收入者（80% ～ 90%分位点）>较低收入者（20% ～ 50%分位点）>中等收入者（60% ～ 70%分位点）>极低收入者（10%分位点）。 较高收入者往往为农村中的精英群体， 其自身的素质、社会资源和经济实力会使他们优先享受到数字普惠金融发展带来的红利; 而收入较低者能够拥有比中等收入者更高的边际报酬， 说明数字普惠金融的包容性和精准帮扶起到作用， 削弱了中等收入者在地理位置、交通、信息方面的优势; 极低收入者的边际报酬最低， 意味着数字普惠金融也离不开基础设施的支撑。 城镇样本中， 数字普惠金融发展对不同收入阶层居民的收入效应规律为： 从10%分位点处开始下降， 至50%分位点以后开始上升。 之所以会产生先降后升的规律， 可能的解释是： 城镇居民拥有比较完善的信息和互联网方面的基础设施， 数字普惠金融的创新性帮助较高收入者增加效益， 包容性引导金融机构帮助更低收入者实现收入水平的提升。
（二）微觀层面数字普惠金融对居民收入的影响
1. 数字普惠金融与居民收入： 基准回归。 表4为数字普惠金融对家庭总收入的影响分析， 列（1）只考虑了滞后一期的数字普惠金融发展对家庭总收入的影响， 列（2） ～ （4）逐步控制了户主、家庭和村居特征变量， 且R2的值逐渐增大。 表4显示， 列（1） ～ （4）中数字普惠金融对家庭总收入均具有显著的正向影响。 技术培训、政治面貌、婚姻状况、健康水平对家庭总收入也产生了不同程度的正向促进作用。 户主是否使用手机或电脑对家庭总收入的影响通过了显著性检验， 表明数字普惠金融会通过互联网的使用影响家庭收入水平。
2. 数字普惠金融对各个层级居民收入的影响： 分位数回归。 由表5报告的结果可知， 20%分位点的影响系数高于10%分位点， 20% ～ 80%分位点的影响系数依次递减， 90%分位点的系数又略高于80%分位点。 图3直观地呈现了此规律： 微观家庭的收入效应随着分位数的上升逐渐降低。
3. 稳健性检验。
（1）本文将样本按照户主所在村居类型分为农村与城镇两个子样本， 研究在经济状况有显著差异的样本分类下， 数字普惠金融发展与家庭收入之间的关系是否存在显著差异， 同时采用工具变量分位数回归， 控制了内生性， 探寻不同收入阶层的系数差异性。
由表6的回归结果可以发现， 数字普惠金融对农村居民和城镇居民的家庭收入均产生了显著的正向影响， 而且在三个分位点上， 农村居民的回归系数均要大于对应的城镇居民。 随着分位点的增加， 城乡居民收入的数字普惠金融影响系数均下降。 这表明， 数字普惠金融对不同收入阶层的影响程度不同， 对较低收入群体的影响大于较高收入群体。 从全国范围来看， 农村居民的人数大约是城镇居民人数的1.7倍， 数字普惠金融发展对缓解城乡收入差距具有重要意义， 在促进我国包容性增长方面发挥了重要作用。
（2）本文将进一步考察覆盖广度、使用深度和数字化程度三个二级维度指数， 以及支付、保险、货币基金、投资、信用、信贷六个三级维度指数对居民收入的影响。 通过前文构建的模型进行回归， 回归结果见表7。
结果显示， 覆盖广度和使用深度能显著促进家庭收入的增长， 而数字化程度的贡献度未能显现。 在数字普惠金融发展初期， 覆盖广度可以缓解经济环境较差地区实体金融机构数量不足的问题， 减少信息不对称; 使用深度较好地解决了金融服务需求方面的问题， 便利需求， 刺激供给， 从而发挥增收作用。 因此， 发展数字金融产业， 需要继续拓宽金融服务的覆盖广度， 加大使用深度， 提升服务能力。 三级维度的系数表明， 信用是对系数影响最大的维度。 由于大数据和物联网的发展， 金融机构可以从生活数据的多个方面对居民的信用做出更科学的评级， 缓解了信息不对称。 因此， 在互联网技术大发展的背景下， 政府应该联合金融机构对消费者征信系统进行完善， 降低交易成本。
（3）用金融科技指数（FT）替换数字普惠金融指数。 借鉴沈悦等[21] 、李春涛等[22] 构建金融科技指数的算法， 用金融科技作为数字普惠金融的替代指标， 分析其对居民收入的影响。 结果如表8和表9所示， 数字普惠金融显著促进了居民收入的增长， 并且对农村居民和中低收入群体的促进效应更显著。
4. 传导路径： 居民创业与就业。 数字普惠金融为传统金融不能触达的创业者提供服务， 部分缓解了信贷约束; 同时， 其价格发现和风险监管功能提高了自主创业者资金融通效率， 进而节约了金融交易成本， 提升了资金投资效率。 据此， 数字金融可为城乡居民增加创业的机会， 提供更多的就业岗位， 即服从“数字金融→普惠金融→居民创业机会的均等化→居民收入增长”的传导机制。
采用Probit模型對数字普惠金融和居民创业之间的关系进行估算， 结果见表10。 同时， 选用滞后一期的数字普惠金融指数控制内生性问题， 并且控制了户主特征、家庭特征和社区特征变量， 力求结果的稳健性。
表10中， 第（1）列只考虑了数字金融发展程度指标; 第（2） ～ （4）列逐步控制了户主特征、家庭特征和社区特征; 第（5） ～ （6）列是将全样本分为农村和城镇两个子样本。 所有回归中， 数字普惠金融发展均对家庭创业产生了正向促进作用， 并且在1%的水平上显著， 在一定程度上证明了“数字金融→普惠金融→居民创业机会的均等化→收入增长”的传导机制。 另外， 本文发现数字普惠金融对农村居民创业的影响程度低于城镇居民。
四、研究结论与政策建议
本文分别将2011 ～ 2017年我国285个地级市的统计年鉴数据、中国劳动力动态调查数据库（CLDS）和北京大学数字普惠金融指数进行匹配， 采用面板分位数回归模型， 实证检验了数字普惠金融对居民收入的影响。 研究结果表明： 无论是宏观还是微观层面， 数字普惠金融都促进了居民收入的增长， 并且对中低收入群体的促进效应更明显， 在考虑了内生性及进行了各种稳健性检验后结论依然成立。 进一步的机制分析表明， 数字普惠金融可以通过促进居民创业来提高收入。 本文的研究结论为我国当前发展数字普惠金融、促进居民收入增长提供了理论依据。
相应的政策建议为： ①对于以农村为代表的经济发展较落后的地区， 大力推动数字金融的基础设施建设和信用信息体系建设， 主要体现在金融服务终端和网络设施等硬件上， 加快组织实施电信普遍服务和提速降费专项行动， 优化网络质量。 重视数字普惠金融目标人群的金融知识普及工作， 推进数字金融知识纳入教育体系。 强化对弱势地区的金融监管， 提升监管质效。 完善配套的支持政策， 激发金融机构内生动力。 ②对于以城镇为代表的信息化建设水平较高的地区， 应推动互联网金融创新发展、集聚发展、规范发展， 激发市场的主观能动性。 同时， 建立互联网金融风险防控体系， 完善数据共享协同机制， 协同各部门、地方政府和金融机构搭建大数据信用体系， 共享标准规范。
【 主 要 参 考 文 献 】
[1] 王瑶佩，郭峰.区域数字金融发展与农户数字金融参与：渠道机制与异质性[ J].金融经济学研究，2019（2）：84 ～ 95. [2] 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（1）：19 ～ 33.
[3] 李牧辰，封思贤，谢星.数字普惠金融对城乡收入差距的异质性影响研究[ J].南京农业大学学报（社会科学版），2020（3）：132 ～ 145.
[4] 田杰，刘勇，刘蓉.信息通信技术、金融包容与农村经济增长[ J].中南财经政法大学学报，2014（2）：112 ～ 118.
[5] Jack W.，Ray A.，Suri T.. Transaction networks： Evidence from mobile money in kenya[ J].The American Economic Review，2013（3）：356 ～ 361.
[6] Kapoor A.. Financial inclusion and the future of the Indian economy[ J].Futures，2014（56）：35 ～ 42.
[7] 黄益平，黄卓.中国的数字金融发展：现在与未来[ J].经济学（季刊），2018（4）：1489 ～ 1502.
[8] 刘丹，方锐，汤颖梅.数字普惠金融发展对农民非农收入的空间溢出效应[ J].金融经济学研究，2019（3）：57 ～ 66.
[9] 张勋，万广华，张佳佳等.数字经济、普惠金融与包容性增长[ J].经济研究，2019（8）：71 ～ 86.
[10] 宋晓玲.数字普惠金融缩小城乡收入差距的实证检验[ J].财经科学，2017（6）：14 ～ 25.
[11] 张子豪，谭燕芝.数字普惠金融与中国城乡收入差距——基于空间计量模型的实证分析[ J].金融理论与实践，2018（6）：1 ～ 7.
[12] 张贺，白钦先.数字普惠金融减小了城乡收入差距吗？——基于中国省级数据的面板门槛回归分析[ J].经济问题探索，2018（10）：122 ～ 129.
[13] 梁双陆，刘培培.数字普惠金融与城乡收入差距[ J].首都经济贸易大学学报，2019（1）：33 ～ 41.
[14] 赵丙奇.中国数字普惠金融与城乡收入差距——基于面板门限模型的实证研究[ J].社会科学辑刊，2020（1）：196 ～ 205.
[15] 龚沁宜，成学真.数字普惠金融、农村贫困与经济增长[ J].甘肃社会科学，2018（6）：139 ～ 145.
[16] 陈阳，赵丙奇.中国数字普惠金融的减贫效应研究[ J].科技与管理，2019（4）：63 ～ 68.
[17] 黄倩，李政，熊德平.数字普惠金融的减贫效应及其传导机制[ J].改革，2019（11）：90 ～ 101.
[18] 刘锦怡，刘纯阳.数字普惠金融的农村减贫效应：效果与机制[ J].财经论丛，2020（1）：43 ～ 53.
[19] 谢绚丽，沈艳，张皓星等.数字金融能促进创业吗？——来自中国的证据[ J].经济学（季刊），2018（4）：1557 ～ 1580.
[20] 任碧云，李柳潁.数字普惠金融是否促进农村包容性增长——基于京津冀2114位农村居民调查数据的研究[J]. 现代财经（天津财经大学学报），2019（4）：3 ～ 14.
[21] 沈悦，郭品.互联网金融、技术溢出与商业银行全要素生产率[ J].金融研究，2015（3）：160 ～ 175.
[22] 李春涛，闫续文，宋敏等.金融科技与企业创新——新三板上市公司的证据[ J].中国工业经济，2020（1）：81 ～ 98.
【关键词】数字普惠金融;收入效应;CLDS;面板分位数
【中图分类号】F832.5 【文献标识码】A 【文章编号】1004-0994（2021）10-0153-8
一、引言
近年来， 随着大数据、区块链、人工智能等的飞速发展， 信息化技术与普惠金融的结合越来越紧密， 扩大了普惠金融的服务范围， 提升了服务可得性和便利性。 数字普惠金融是数字信息技术和普惠金融相结合的时代产物， 既具备创新性又具备包容性， 以电子支付为基础， 弥补了传统金融管理成本高的不足， 以数字技术为保障， 催生了多元化的服务与产品。
近年来， 我国网络支付交易规模显著增长。 网络支付的蓬勃发展提升了数字普惠金融可得性。 对于居民个体来说， 水电缴费、交通出行、医疗结算、保险理财等领域都能做到支付和生活场景的无缝对接。 对于小微企业来说， 网络借贷拓展了融资渠道， 提升了融资效率和服务质量， 降低了融资成本。 另外， 我国涉农网贷为满足农村群体的不同需求而发展和衍生出多层次、多形态的网络借贷产品， 精准满足了农业生产经营需求， 扶持了三农群体。 由此可见， 一方面， 得益于互联网革命的中国数字普惠金融经历了快速发展， 为农民和普通城镇居民提升金融便利性和可得性， 减少了传统金融服务排斥现象。 同时， 数字金融发展带来的信息数据共享， 也会促进金融产业本身的发展及其普惠性的增强。 但另一方面， 不同地区的数字普惠金融资源配置不合理。 第一， 数字普惠金融还处在发展中， 不同地区的资源分配不一致， 使得各地区间城乡收入差距的变化趋势不一致。 第二， 若单单增加金融业务所服务的人群， 实际上只是增加了普惠金融服务数量， 却未满足人们对其的需求， 并没有彻底解决不发达地区的金融排斥问题[1，2] ， 对缩小城镇居民与农村居民的收入差距沒有实质性帮助。 第三， 数字技术还会引发比普通金融排斥影响更大的“数字排斥”问题， 增加不发达地区获得金融服务的难度， 使得缩小城乡收入差距的效应变弱[3] 。
那么， 数字普惠金融是否促进了居民收入的增长？ 其对不同层级居民收入的影响是否存在差异性？ 发展数字普惠金融， 既是服务实体经济、服务人民生活的重要任务， 也是金融供给侧结构性改革的落脚点。 在科技金融、移动支付、物联网技术大发展的背景下， 数字普惠金融对我国居民收入的影响更值得探讨。 相对于传统普惠金融， 数字普惠金融发挥了以下四个方面的功能： 打通信息壁垒， 缓解信息不对称; 突破时空的局限性， 降低交易成本; 增加支付的便利， 提升金融服务可得性; 优化金融服务的精度和宽度[4] 。 数字普惠金融通过进一步降低信息不对称和交易成本增强了融资功能。 普惠金融和数字技术的结合能够减轻金融排斥， 从而增加居民收入， 尤其是低收入群体的收入[5，6] 。 目前关于数字普惠金融对居民收入影响的实证研究不多， 黄益平和黄卓[7] 系统地回顾了我国数字金融的研究进展， 并提出了数字普惠金融对实体经济和传统金融的影响等若干需要实证研究的问题。 刘丹等[8] 基于2011～2015年我国内地29个省份数据， 发现数字普惠金融对农民非农收入有正向空间溢出效应。 张勋等[9] 首次将中国数字普惠金融指数和中国家庭追踪调查（CFPS）数据相结合， 评估了数字普惠金融对包容性增长的影响， 研究发现数字普惠金融促进了低收入群体的收入增长， 并且是通过促进农户创业来实现的。 大量文献主要采用省级层面数据实证分析了数字普惠金融对城乡收入差距的影响[10-14] ， 研究结果都表明数字普惠金融能缩小城乡收入差距。 部分文献研究了数字普惠金融的减贫效应， 如龚沁宜和成学真[15] 、陈阳和赵丙奇[16] 、黄倩等[17] 、刘锦怡和刘纯阳[18] 基于省级层面的数据实证分析了数字普惠金融对贫困的影响及其传导机制， 研究表明数字普惠金融发展总体上有利于贫困减缓， 并且主要是通过改善收入不平衡、促进创业等机制实现。 谢绚丽等[19] 研究发现数字普惠金融促进了创业。 任碧云和李柳颍[20] 基于2114位农村居民调查数据， 研究表明数字普惠金融促进了农村包容性增长。
以往有关数字普惠金融的研究大多采用省级层面数据， 但省际数据容易忽略区域差异， 而且数据样本量不足， 可能会影响实证结果的有效性。 本文比较系统地整理了2011 ～ 2017年我国285个地级市数字普惠金融和经济统计数据， 并将数字普惠金融指数与微观数据库CLDS（中国劳动力动态调查数据库）相匹配， 为分析数字普惠金融对居民收入增长的影响提供了来自我国地级市和微观层面的经验证据， 并且避免了以往文献使用小样本或偏宏观的数据而影响结果准确性的问题。 以往关于数字普惠金融和收入之间关系的研究， 往往会忽视内生性问题， 比如， 收入与数字普惠金融互为因果、模型遗漏变量、样本选择偏误等。 本文为解决内生性问题， 采用了面板分位数回归。 分位数回归法不仅不易受极端值的影响， 而且能从样本分层的角度提供更全面的信息。 同时， 本文在实证中引入工具变量， 保证了结果的稳健性。 二、研究设计
（一）计量模型构建
1. 数字普惠金融对宏观居民收入影响的模型构建。 具体如下所示：
LNFCIit=α0+α1DFIit+α2CONTROLS+?i+φt+μit （1）
式（1）中， LNFCIit表示居民收入水平， α0为截距项， CONTROLS为选取的所有控制变量， ?i代表个体固定效应， φt代表时间固定效应， μit为随机干扰项， i表示年份， t表示个体。
模型（1）中， α1用于衡量数字普惠金融的发展对居民收入的总体影响。 参考张勋等[9] 的做法， 加入分位数进一步讨论数字普惠金融对不同阶层的收入分配效应。 传统回归是普通均值回归， 容易被极端值干扰， 而分位数回归是对绝对偏差和的加权平均， 可以得到更可靠有效的结果。 且分位数估计可以将样本分层， 得到更全面、多方位的信息。
QLNFCIit（θ|DFIit）=βi+β（θ）DFIit （i=1，…，n; t=1，…，T） （2）
式（2）中， β（θ）为分位数估计回归的系数， β（θ）将会根据分位数的不同而发生改变， 如此， 可以同时得到多个分位数条件下核心解释变量DFIit的回归系数。 构建如下面板分位数回归模型：
Qθit（LNFCIit|DFIit）=αi+α1θDFIit+
α2θCONTROLS+εit （3）
式（3）中， θ表示分位数， αi为固定效应， CONTROLS为选取的所有控制变量， εit为随机误差项。
2. 数字普惠金融对微观居民收入影响的模型构建。 鉴于微观数据为截面数据， 故将模型设定如下：
FTI=α0+α1DFI+α2CONTROLS+μit （4）
式（4）中， FTI表示家庭总收入水平， α0为截距项， CONTROLS为选取的所有控制变量， μit为随机干扰项。
数字普惠金融发展能够有效缓解小微个体面临的融资约束， 提升信贷的可得性和便利性， 激发企业创立和就业增长， 从而拉动居民收入的增长。 因此， 在模型中设定被解释变量家庭创业状态和家庭是否就业为二维虚拟变量， 并引入Probit 二元选择模型进行实证分析。 具体如下：
Probit（ENTRE）=φ（α+βDFIF+
γCONTROLS+ε） （5）
式（5）中， ENTRE代表微观居民创业的二维虚拟变量， DFIF代表核心解释变量， CONTROLS为选取的所有控制变量。
（二）变量选取及描述性统计
1. 核心解释变量： 数字普惠金融发展水平。 本文采用北大数字金融研发中心公布的《北京大学数字普惠金融指数（2011-2018年）》进行研究， 用该指数（地级市层面数据）（DFI）衡量数字普惠金融发展水平。 该指标为涵盖了3个一级指标、8个二级指标和24个三级指标的指标体系， 从数字金融覆盖广度、使用深度和数字化程度出发， 利用层次分析法计算而得， 能够直观地反映我国数字普惠金融发展现状。 在微观层面， 数字普惠金融发展水平用每个家庭所在地级市的数字普惠金融指数（DFIF）代替。
圖1汇报了2011 ～ 2018年全国及三大区域的数字普惠金融发展水平的演变趋势。 观测期内， 全国及三大区域的数字普惠金融发展水平均呈明显上升趋势， 东部地区数字普惠金融发展的平均水平明显优于全国和中西部区域。 全国水平的数字普惠金融指数从2011年的51.77上升至2018年的233.44， 年均增长率为50.14%， 中西部地区数字普惠金融发展增速明显优于东部和全国， 有望实现我国普惠金融发展的整体趋同。
本文利用非参数核密度估计方法， 对我国数字普惠金融发展的动态演进轨迹、空间分布特征等方面展开进一步分析， 图2是由Stata 15.0绘制得到的全国数字普惠金融发展的核密度图。 2011 ～ 2018年数字普惠金融的分布曲线呈现逐渐向右平移的趋势， 表明我国数字普惠金融发展整体明显改善。 除2012年以外， 其他年份的曲线表现出明显的“双峰”， 说明数字惠普金融发展面临不协调的状况; 2011 ～ 2015年左锋突出， 说明全国数字普惠金融的发展集聚在较低水平; 2016 ～ 2018年右峰高于左锋， 说明数字普惠金融发展取得显著成效。
2. 被解释变量。 宏观层面， 考虑到农村和城镇在经济发展方面的差异， 本文分别选取农村居民人均纯收入（FCI）和城镇居民人均可支配收入（TCI）衡量农村、城镇居民的收入水平。 数据来自《2012-2018年中国城市统计年鉴》和Wind数据库。 在微观层面， 本文用家庭总收入（FTI）衡量居民收入水平， 数据来源于2016年中国劳动力动态调查数据（China Labor-force Dynamics Survey， CLDS）， 该数据包含劳动家庭成员、个体特征、经济活动和工作状况多个方面， 涉及全国29个省、市、自治区（港澳台、西藏、海南除外）的劳动者， 较广的覆盖范围和不同岗位、不同类型的劳动者分布使得数据具有很强的代表性。 3. 中介变量。 本文选取家庭创业状态（ENTRE）作为中介传导变量。
4. 控制变量。 考虑到其他因素可能对居民收入产生影响， 为了尽量消除误差， 更加准确地估计数字普惠金融对居民收入的影响， 本文设置了控制变量。 宏观层面的控制变量包括： ①金融发展水平（FL）， 用各地区历年的银行业金融机构人民币各项存贷款余额之和占地区国内生产总值的比重衡量。 ②政府干预水平（GIL）， 用政府公共财政支出占地区生产总值的比重衡量。 在我国， 政府在经济发展过程中扮演着重要角色， 政府行为对居民收入的初次分配与再分配具有重要的影响， 而居民收入的差距和居民收入的不平衡制约着经济的发展。 ③产业结构（IS）， 用第一产业增加值与当年地区生产总值的比值衡量。 ④就业水平（EL）， 用第一产业就业人数占各地区年末总人口数的比重衡量。 一个地区从事农业的人口比重较大， 代表该地区的经济可能欠发达。 ⑤通信设施水平（CFL）， 用每万户拥有固定电话个数衡量。 通信设施的覆盖与便利对居民有着重要的减贫增收效应。 ⑥投资水平（IL）， 用固定资产投资占地区生产总值的比重衡量。 固定资产投资体现着基础设施建设水平。 ⑦医疗发展水平（ML）， 用每万人床位数衡量。 ⑧教育发展水平（EDL）， 用教育经费支出占一般公共财政预算支出的比重衡量。 微观层面的控制变量包括： ①户主特征变量， 如户主年龄（AGE）、性别（GEN）、政治面貌（POL）、是否参加过技术培训（TEC）、健康水平（HEA）和婚姻状况（MAR）。 ②家庭特征变量， 如家庭规模（FS）、家庭成员手机（PHO）和互联网（INT）的使用情况。 ③社区特征变量（CS）， 户主所在社区的规模。 所有控制变量的原始数据来源于《2012-2018年中国城市统计年鉴》和2016年中国劳动力动态调查数据库， 并对变量的缺失值、奇异值进行了处理。
本文选取了较多实证分析变量， 且在模型设定前进行了解释变量间的相关性和共线性检验， 所有解释变量之间均不存在高度的共线性和相关性。 表1为主要变量的定义及描述性统计。
三、实证结果与分析
（一）宏观层面数字普惠金融对居民收入的影响
1. 数字普惠金融对居民收入的影响： 基准回归。 表2报告了数字普惠金融对居民收入影响的回归结果。 为了保证结果的稳健性， 同时进行了动态和静态回归分析。 回归结果显示， 数字普惠金融在1%的显著性水平上促进了居民收入的增长。
2. 数字普惠金融对不同收入阶层居民收入的影响： 面板分位数回归。 内生性问题出现的原因通常包含解释变量与被解释变量互为因果、变量测量误差、模型遗漏变量、样本选择偏误等四个方面。 本文的研究对象为我国285个地级市， 包括了东、中、西部三大区域不同经济水平的地区， 因此， 可避免由样本选择偏差而导致的内生性问题。 但有可能存在地区居民收入水平与当地数字普惠金融发展水平之间互为因果以及衡量指标存在测量误差、影响因素较多而不能全面控制等问题， 使得研究模型存在一定的内生性。 因此， 本文参考已有文献的做法， 拟将滞后一期的数字普惠金融指数作为内生变量的工具变量， 内生解释变量与其滞后变量相关， 而滞后变量与当期的扰动项不相关， 该工具变量同时通过了不可识别和弱工具变量检验。 数字普惠金融的发展促进了居民收入增长， 但不同收入阶层能否均等地享有数字普惠金融发展红利尚未可知。 在不关注极少数富裕群体的前提下， 农村人口的数字普惠金融发展边际报酬是否比城镇人口高？ 不同收入阶层的群体获益如何？ 为回答以上问题， 本文选取10% ～ 90%的分位点划分城乡居民收入层级， 基于模型（3）、运用面板数据工具变量分位数回归， 进一步论证数字普惠金融对不同收入阶层的边际贡献。
由表3可知， 农村居民和城镇居民的数字普惠金融发展指数影响系数分别为0.00418和0.00274， 在1%的水平上显著。 这类人口享有最低的金融要素边际报酬率， 20% ～ 70%分位点的系数呈现波动下降的趋势， 20%分位点处的人口享有最高的金融要素边际报酬率， 其所获得的增收效应最为明显， 随着分位数的上升， 增收影响逐渐下降， 而到了80% ～ 90%分位点， 数字普惠金融的影响系数又开始上升。 据此， 可推测不同收入阶层的居民并不能平等地享受数字普惠金融发展的红利。 同时， 数字普惠金融对农村和城镇居民的增收作用具有显著的异质性， 农村居民人均纯收入的数字普惠金融边际效应高于城镇居民人均可支配收入。 农村样本中， 数字普惠金融发展对不同收入阶层居民的收入效应规律为： 较高收入者（80% ～ 90%分位点）>较低收入者（20% ～ 50%分位点）>中等收入者（60% ～ 70%分位点）>极低收入者（10%分位点）。 较高收入者往往为农村中的精英群体， 其自身的素质、社会资源和经济实力会使他们优先享受到数字普惠金融发展带来的红利; 而收入较低者能够拥有比中等收入者更高的边际报酬， 说明数字普惠金融的包容性和精准帮扶起到作用， 削弱了中等收入者在地理位置、交通、信息方面的优势; 极低收入者的边际报酬最低， 意味着数字普惠金融也离不开基础设施的支撑。 城镇样本中， 数字普惠金融发展对不同收入阶层居民的收入效应规律为： 从10%分位点处开始下降， 至50%分位点以后开始上升。 之所以会产生先降后升的规律， 可能的解释是： 城镇居民拥有比较完善的信息和互联网方面的基础设施， 数字普惠金融的创新性帮助较高收入者增加效益， 包容性引导金融机构帮助更低收入者实现收入水平的提升。
（二）微觀层面数字普惠金融对居民收入的影响
1. 数字普惠金融与居民收入： 基准回归。 表4为数字普惠金融对家庭总收入的影响分析， 列（1）只考虑了滞后一期的数字普惠金融发展对家庭总收入的影响， 列（2） ～ （4）逐步控制了户主、家庭和村居特征变量， 且R2的值逐渐增大。 表4显示， 列（1） ～ （4）中数字普惠金融对家庭总收入均具有显著的正向影响。 技术培训、政治面貌、婚姻状况、健康水平对家庭总收入也产生了不同程度的正向促进作用。 户主是否使用手机或电脑对家庭总收入的影响通过了显著性检验， 表明数字普惠金融会通过互联网的使用影响家庭收入水平。
2. 数字普惠金融对各个层级居民收入的影响： 分位数回归。 由表5报告的结果可知， 20%分位点的影响系数高于10%分位点， 20% ～ 80%分位点的影响系数依次递减， 90%分位点的系数又略高于80%分位点。 图3直观地呈现了此规律： 微观家庭的收入效应随着分位数的上升逐渐降低。
3. 稳健性检验。
（1）本文将样本按照户主所在村居类型分为农村与城镇两个子样本， 研究在经济状况有显著差异的样本分类下， 数字普惠金融发展与家庭收入之间的关系是否存在显著差异， 同时采用工具变量分位数回归， 控制了内生性， 探寻不同收入阶层的系数差异性。
由表6的回归结果可以发现， 数字普惠金融对农村居民和城镇居民的家庭收入均产生了显著的正向影响， 而且在三个分位点上， 农村居民的回归系数均要大于对应的城镇居民。 随着分位点的增加， 城乡居民收入的数字普惠金融影响系数均下降。 这表明， 数字普惠金融对不同收入阶层的影响程度不同， 对较低收入群体的影响大于较高收入群体。 从全国范围来看， 农村居民的人数大约是城镇居民人数的1.7倍， 数字普惠金融发展对缓解城乡收入差距具有重要意义， 在促进我国包容性增长方面发挥了重要作用。
（2）本文将进一步考察覆盖广度、使用深度和数字化程度三个二级维度指数， 以及支付、保险、货币基金、投资、信用、信贷六个三级维度指数对居民收入的影响。 通过前文构建的模型进行回归， 回归结果见表7。
结果显示， 覆盖广度和使用深度能显著促进家庭收入的增长， 而数字化程度的贡献度未能显现。 在数字普惠金融发展初期， 覆盖广度可以缓解经济环境较差地区实体金融机构数量不足的问题， 减少信息不对称; 使用深度较好地解决了金融服务需求方面的问题， 便利需求， 刺激供给， 从而发挥增收作用。 因此， 发展数字金融产业， 需要继续拓宽金融服务的覆盖广度， 加大使用深度， 提升服务能力。 三级维度的系数表明， 信用是对系数影响最大的维度。 由于大数据和物联网的发展， 金融机构可以从生活数据的多个方面对居民的信用做出更科学的评级， 缓解了信息不对称。 因此， 在互联网技术大发展的背景下， 政府应该联合金融机构对消费者征信系统进行完善， 降低交易成本。
（3）用金融科技指数（FT）替换数字普惠金融指数。 借鉴沈悦等[21] 、李春涛等[22] 构建金融科技指数的算法， 用金融科技作为数字普惠金融的替代指标， 分析其对居民收入的影响。 结果如表8和表9所示， 数字普惠金融显著促进了居民收入的增长， 并且对农村居民和中低收入群体的促进效应更显著。
4. 传导路径： 居民创业与就业。 数字普惠金融为传统金融不能触达的创业者提供服务， 部分缓解了信贷约束; 同时， 其价格发现和风险监管功能提高了自主创业者资金融通效率， 进而节约了金融交易成本， 提升了资金投资效率。 据此， 数字金融可为城乡居民增加创业的机会， 提供更多的就业岗位， 即服从“数字金融→普惠金融→居民创业机会的均等化→居民收入增长”的传导机制。
采用Probit模型對数字普惠金融和居民创业之间的关系进行估算， 结果见表10。 同时， 选用滞后一期的数字普惠金融指数控制内生性问题， 并且控制了户主特征、家庭特征和社区特征变量， 力求结果的稳健性。
表10中， 第（1）列只考虑了数字金融发展程度指标; 第（2） ～ （4）列逐步控制了户主特征、家庭特征和社区特征; 第（5） ～ （6）列是将全样本分为农村和城镇两个子样本。 所有回归中， 数字普惠金融发展均对家庭创业产生了正向促进作用， 并且在1%的水平上显著， 在一定程度上证明了“数字金融→普惠金融→居民创业机会的均等化→收入增长”的传导机制。 另外， 本文发现数字普惠金融对农村居民创业的影响程度低于城镇居民。
四、研究结论与政策建议
本文分别将2011 ～ 2017年我国285个地级市的统计年鉴数据、中国劳动力动态调查数据库（CLDS）和北京大学数字普惠金融指数进行匹配， 采用面板分位数回归模型， 实证检验了数字普惠金融对居民收入的影响。 研究结果表明： 无论是宏观还是微观层面， 数字普惠金融都促进了居民收入的增长， 并且对中低收入群体的促进效应更明显， 在考虑了内生性及进行了各种稳健性检验后结论依然成立。 进一步的机制分析表明， 数字普惠金融可以通过促进居民创业来提高收入。 本文的研究结论为我国当前发展数字普惠金融、促进居民收入增长提供了理论依据。
相应的政策建议为： ①对于以农村为代表的经济发展较落后的地区， 大力推动数字金融的基础设施建设和信用信息体系建设， 主要体现在金融服务终端和网络设施等硬件上， 加快组织实施电信普遍服务和提速降费专项行动， 优化网络质量。 重视数字普惠金融目标人群的金融知识普及工作， 推进数字金融知识纳入教育体系。 强化对弱势地区的金融监管， 提升监管质效。 完善配套的支持政策， 激发金融机构内生动力。 ②对于以城镇为代表的信息化建设水平较高的地区， 应推动互联网金融创新发展、集聚发展、规范发展， 激发市场的主观能动性。 同时， 建立互联网金融风险防控体系， 完善数据共享协同机制， 协同各部门、地方政府和金融机构搭建大数据信用体系， 共享标准规范。
【 主 要 参 考 文 献 】
[1] 王瑶佩，郭峰.区域数字金融发展与农户数字金融参与：渠道机制与异质性[ J].金融经济学研究，2019（2）：84 ～ 95. [2] 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（1）：19 ～ 33.
[3] 李牧辰，封思贤，谢星.数字普惠金融对城乡收入差距的异质性影响研究[ J].南京农业大学学报（社会科学版），2020（3）：132 ～ 145.
[4] 田杰，刘勇，刘蓉.信息通信技术、金融包容与农村经济增长[ J].中南财经政法大学学报，2014（2）：112 ～ 118.
[5] Jack W.，Ray A.，Suri T.. Transaction networks： Evidence from mobile money in kenya[ J].The American Economic Review，2013（3）：356 ～ 361.
[6] Kapoor A.. Financial inclusion and the future of the Indian economy[ J].Futures，2014（56）：35 ～ 42.
[7] 黄益平，黄卓.中国的数字金融发展：现在与未来[ J].经济学（季刊），2018（4）：1489 ～ 1502.
[8] 刘丹，方锐，汤颖梅.数字普惠金融发展对农民非农收入的空间溢出效应[ J].金融经济学研究，2019（3）：57 ～ 66.
[9] 张勋，万广华，张佳佳等.数字经济、普惠金融与包容性增长[ J].经济研究，2019（8）：71 ～ 86.
[10] 宋晓玲.数字普惠金融缩小城乡收入差距的实证检验[ J].财经科学，2017（6）：14 ～ 25.
[11] 张子豪，谭燕芝.数字普惠金融与中国城乡收入差距——基于空间计量模型的实证分析[ J].金融理论与实践，2018（6）：1 ～ 7.
[12] 张贺，白钦先.数字普惠金融减小了城乡收入差距吗？——基于中国省级数据的面板门槛回归分析[ J].经济问题探索，2018（10）：122 ～ 129.
[13] 梁双陆，刘培培.数字普惠金融与城乡收入差距[ J].首都经济贸易大学学报，2019（1）：33 ～ 41.
[14] 赵丙奇.中国数字普惠金融与城乡收入差距——基于面板门限模型的实证研究[ J].社会科学辑刊，2020（1）：196 ～ 205.
[15] 龚沁宜，成学真.数字普惠金融、农村贫困与经济增长[ J].甘肃社会科学，2018（6）：139 ～ 145.
[16] 陈阳，赵丙奇.中国数字普惠金融的减贫效应研究[ J].科技与管理，2019（4）：63 ～ 68.
[17] 黄倩，李政，熊德平.数字普惠金融的减贫效应及其传导机制[ J].改革，2019（11）：90 ～ 101.
[18] 刘锦怡，刘纯阳.数字普惠金融的农村减贫效应：效果与机制[ J].财经论丛，2020（1）：43 ～ 53.
[19] 谢绚丽，沈艳，张皓星等.数字金融能促进创业吗？——来自中国的证据[ J].经济学（季刊），2018（4）：1557 ～ 1580.
[20] 任碧云，李柳潁.数字普惠金融是否促进农村包容性增长——基于京津冀2114位农村居民调查数据的研究[J]. 现代财经（天津财经大学学报），2019（4）：3 ～ 14.
[21] 沈悦，郭品.互联网金融、技术溢出与商业银行全要素生产率[ J].金融研究，2015（3）：160 ～ 175.
[22] 李春涛，闫续文，宋敏等.金融科技与企业创新——新三板上市公司的证据[ J].中国工业经济，2020（1）：81 ～ 98.