数字普惠金融对居民消费的影响研究
——基于空间计量模型的实证分析

邹新月 王 旺

广东财经大学 金融学院，广东 广州 510320

一、引言

在中共十九大报告中，习近平总书记提出中国社会的主要矛盾已经转变为“人民日益增长的物质文化需求与不平衡不充分发展之间的矛盾”，人民对物质文化的需求集中体现在消费水平上。十九大还指出中国经济已由高速增长阶段转入高质量发展阶段(马宇和安晓庆，2018[1])，提出在投资、出口和消费这三驾马车之中，必须大力发挥消费在经济发展中的基础性作用。消费升级对于提高中国经济“内循环”具有非常重要的意义。但是中国居民的消费率一直徘徊在较低的水平，1990年中国居民的消费率为46.7%，2017年也仅为38.4%，不仅低于欧美发达国家，甚至还低于60%的世界平均水平(1)数据来源：《国际统计年鉴2018》。。传统理论认为消费水平与收入密切相关，但中国居民收入从2007年的12522元人民币(下同)增加到2017年的25973.8元，增长了107.42% ，居民消费率过低，意味着中国居民消费需求相对不足，仍然存在更大的进步空间。

消费理论认为收入约束、信贷约束、预防性储蓄动机是压抑居民消费的主要原因，但是中国居民收入逐渐增长，收入约束对消费的约束明显减小，因此可以通过推动金融发展来缓解上述因素的制约。2013年中共十八届三中全会正式从国家战略的角度提出发展普惠金融；2016年，杭州举办的G20峰会正式通过了第一个数字普惠金融发展的国际性共同纲领。作为普惠金融发展的新形式，数字普惠金融凭借其低成本、广覆盖等战略优势，能够有效为偏远地区和低收入群体提供更为简便、快捷的金融服务。数字普惠金融在缓解金融排斥方面具有重要作用，那么其是否能够缓解居民的信贷约束进而提高居民消费水平？数字普惠金融对中国不同地区居民消费的影响有何差异？数字普惠金融影响居民消费的作用机制是如何传导的？对这些问题的回答，在经济新常态下对于促进中国居民消费升级，转变经济发展方式，推动经济“内循环”具有非常重要的现实意义。

二、文献综述

作为普惠金融发展的新形式，数字普惠金融具有低成本、广覆盖等传统普惠金融所不具备的战略优势；但是由于缺乏统一的数据衡量标准，关于数字普惠金融的数据获取难度较大，目前国内外的相关研究主要关注传统的普惠金融及其对经济发展的相关影响。

早期学者认为，普惠金融的发展主要通过缓解企业的融资约束，进而降低企业的管理风险促进经济增长(Levine,2005[2]；Elhorst et al.,2010[3])。一部分学者以企业内部创新的角度为切入点，发现数字普惠金融可以有效促进企业创新，进而推动经济增长(Kapoor,2014[4]；谢绚丽等,2018[5])。张勋等(2019)[6]从居民创业的视角进行实证研究，发现数字普惠金融能够有效推动低收入群体的创业活动，进而促进中国经济的包容性增长。任碧云和李柳颍(2019)[7]以及邢小强等(2019)[8]使用京津冀农村居民调查数据研究了数字普惠金融与农村经济发展之间的关系，认为数字普惠金融的发展能够有效促进中国农村地区经济发展水平的提高。

Ozili(2018)[9]等分析了数字普惠金融对金融自身的影响，认为数字普惠金融是今后一段时期金融服务的主要手段，借助于移动互联网这个信息媒介，能够以最小的成本服务最广的客户，为偏远地区和低收入群体提供便利，有利于抑制“金融排斥”现象的发生。傅秋子和黄益平(2018)[10]使用微观调查数据研究数字普惠金融对农村居民非正规金融需求的影响，发现数字普惠金融对传统商业银行的业务形成了一定的冲击，但同时也提升了农村居民非正规性金融需求。

中国国内较早研究数字普惠金融与居民收入差距的学者认为，数字普惠金融的发展能够促进地区经济高质量发展，有效缩小城乡居民之间的收入差距(蒋长流和江成涛，2020[11]等)。贺大维(2019)[12]在考虑内生性的基础上，建立面板数据回归模型分析了数字普惠金融与居民收入差距之间的收敛关系。近年来，对数字普惠金融减贫效应的研究逐渐增多。黄倩等(2019)[13]发现数字普惠金融主要是通过收入增长和改善收入分配来减少贫困。刘锦怡和刘纯阳(2020)[14]实证研究发现数字普惠金融主要通过两条途径减缓农村贫困现象的发生：一是通过互联网信贷和互联网保险的发展直接减缓农村贫困；二是通过增加个体就业间接减缓农村贫困。

随着数字普惠金融的快速发展，尤其是2016年和2019年北京大学编制的数字普惠金融指数对外发布，国内学者逐渐将研究重点转向数字普惠金融与居民消费这一领域。张李义和涂奔(2017)[15]从城乡消费结构视角进行研究，发现数字普惠金融能够有效促进居民消费结构升级；但这种促进作用对城镇居民的影响要远远大于农村居民。崔海燕(2017)[16]通过GMM模型从东、中、西部三大区域的视角分析数字普惠金融对农村居民消费的影响，发现数字普惠金融虽然能够有效提高居民消费水平，但这种作用在不同区域之间存在较大差异，东部地区影响作用最大，中部次之，西部最小。而易行健和周利(2018)[17]通过对中国家庭追踪调查的数据进行分析，发现数字普惠金融对居民消费水平的提高作用在中西部地区和农村地区更为显著。Li et al. (2020)[18]利用CHFS非平衡面板数据进行研究，发现数字普惠金融能够有效促进家庭经常性支出水平的提高，数字普惠金融的发展还能够缩小城乡居民消费差距。

通过梳理相关文献不难发现，国内外对于数字普惠金融与居民消费之间的研究仍然较少，大多数研究还是局限于农村居民消费，对于居民总体消费水平的考察以及内在传导机制的研究依然缺乏。本文的贡献在于：使用宏观面板数据，将数字普惠金融与居民消费支出联系起来，从总体性视角梳理二者之间的关系；首次引入空间计量模型分析数字普惠金融与居民消费之间的关系，从时间和空间的角度进行梳理，并探究是否存在空间溢出效应，弥补了现有研究的不足；从数字普惠金融内部切入，多角度梳理其影响居民消费的传导机制；运用LASSO方法筛选控制变量，使用移动电话普及率和移动电话基站数量作为工具变量进行内生性检验，为今后相关研究提供了良好的工具变量来解决内生性问题。

三、研究设计

(一)模型构建

随着社会经济的发展，各地区之间的经济联系和群众交往也越来越密切，区域之间的消费水平在空间上也可能存在相关性，如果使用传统的计量分析方法可能会导致结论缺乏科学性，不能真正反映变量之间的真实关系。因此，本文使用空间计量来研究数字普惠金融与居民消费之间的关系，构建空间自回归模型：

(1)

其中，Y是被解释变量；X是解释变量；ρ为空间自相关系数；λ为空间残差相关系数；W为空间权重矩阵；β为自变量系数；ε为残差；σ是μ的方差。

(二)变量选取与数据来源

1.被解释变量。本文的被解释变量是居民消费，鉴于数据的可得性和连续性，使用居民人均消费性支出(tvc)作为居民消费的代理变量；同时，为了消除物价上涨因素对居民消费支出所带来的影响，以2011年为基期对该变量进行平减化处理。数据主要来源于各省统计年鉴。

2.解释变量。数字普惠金融主要是借助互联网通信技术服务大众，所以具体指标的获取难度较大。本文使用北京大学互联网研究中心提供的数字普惠金融总指数(fina)作为解释变量，该指数依托蚂蚁金服的海量数据，在一定程度上能够反映中国数字普惠金融发展现状。

3.控制变量。考虑到其他影响居民消费水平的因素，本文用LASSO方法对控制变量进行筛选，根据LASSO的运行结果，主要保留以下控制变量：(1)居民人均可支配收入(tvi)。收入决定理论认为当期收入对居民消费支出的影响是绝对的，因为数据统计口径的变化，居民人均可支配收入是从2013年开始发布，对于2011年和2012年缺失的数据使用插值法进行填补。(2)城镇化水平(city)。作为衡量一个地区经济发展水平的重要指标，城镇化对居民消费水平具有重要影响，本文使用城镇人口占总人口的比重进行测算。(3)教育水平(edu)。本文使用6岁以上受教育程度高于初中的人口占总人口的比重来代表地区教育水平。(4)医疗服务水平(tre)。流动性约束理论认为医疗和社会保障水平的高低对居民消费具有重要影响，因此本文使用医疗支出占财政支出的比重作为衡量指标。(5)人口结构。生命周期假说认为人口结构与居民消费之间具有紧密关联，因此本文使用少儿抚养比(young)和老年抚养比(old)来衡量人口结构。(6)性别结构(sex)。本文引入性别比来衡量各地区人口性别结构情况。(7)产业结构(IS)。本文使用第三产业增加值占GDP的比重来衡量地区产业结构。(8)政府行为(gov)。政府行为对居民消费同样具有重要影响，因此本文使用财政支出占 GDP的比重来衡量政府行为。

(三)描述性统计分析

本文选择了中国30个省、市、自治区(不含西藏和港澳台地区)从2011～2018年的数据，部分缺失数据使用插值法进行填补，样本观测值的数量为240。描述性统计分析结果如表1所示。

从表1可以看出，从2011～2018年，中国各地区居民消费水平差异非常明显，居民人均消费性支出最高为43351.312元，平均值为15405.611元，而最小值仅为6216.601元。数字普惠金融指数最高值为377.734，平均值为84.98，地区之间也存在较大差异。各省市居民收入、城镇化、教育水平等控制变量之间也同样存在非常明显的差异。

四、实证分析

(一)构建空间权重矩阵

为了检验各地区居民消费水平是否存在空间相关性，必须建立空间权重矩阵，因此本文基于各省份之间的地理位置构建空间邻接矩阵；并且基于各省份之间的经济发展水平构建经济距离矩阵和反经济距离矩阵；同时根据数字普惠金融发展水平构建数字普惠金融嵌套矩阵。

1.空间邻接矩阵。空间邻接矩阵是根据各省市的相邻关系(拥有非零长度的公共边界)来构造的空间权重矩阵，若两个省市之间有共同边界记为“1”；若两省市之间没有共同边界则记为“0”。其数学表达式为：

(2)

其中，i、j(i，j=1,2,…,N)是不同地理单元的个体观测点。虽然海南省作为“孤岛变量”在地理位置上没有接壤省份，但本文将其设置为与广东省相邻。

2.空间嵌套矩阵。本文首先计算出各省市的GDP和数字普惠金融平均值，然后在此基础上进一步构建经济距离矩阵、反经济距离矩阵和数字普惠金融嵌套矩阵。

(3)

其中，i、j(i，j=1,2,…,N)是不同地理单元的个体观测点；y表示嵌入矩阵的经济变量。本文主要嵌入各省份的GDP平均值和数字普惠金融指数平均值，分别构建经济距离矩阵、反经济距离矩阵和数字普惠金融嵌套矩阵。

3.标准化处理。为了避免分析误差，本文对矩阵进行标准化处理，使其行和为1，标准化公式为：

(4)

(二)空间相关性检验

检验空间相关性通常有两类方法：一是分析空间数据在整个系统内表现出来的分布特征，通常被称为全局空间相关性，一般用Moran’I指数、Geary’C指数测度；二是用来分析局部子系统所表现出的分布特征，又被称为局部空间相关性，一般用Moran散点图来测度。

1.全局空间相关性。Moran’I指数能够有效检验整个空间区域中邻近地区之间的相关关系，判断各省市在空间范围内是正相关、负相关还是不相关，其计算公式如式(5)：

(5)

其中，n是研究区域内地区总数；S2为样本方差；ωij为空间权重矩阵的(i,j)元素。Moran’I指数的取值范围一般为-1I1，当指数取值大于0时表示各省份在空间上是正相关；当指数取值小于0时表示各省份在空间上是负相关；当取值接近于0时表示不存在空间相关性。

本文分别计算了空间邻接矩阵和经济距离矩阵之下居民消费水平、数字普惠金融的空间相关性(表2)。

表2 空间相关性检验

空间矩阵计算出的指数值均通过显著性检验，所有年份对应的Z值均大于1.96，表明中国各地区居民消费水平存在非常显著的空间自相关性，即消费水平相近的省份具有地理邻近性。

2.局部空间相关性。本文使用局部Moran's I散点图来检验局部地区是否存在集聚性；并基于上文建立的经济距离权重矩阵，画出中国30个省、市、自治区(不含西藏和港澳台地区)2011年和2018年各地区居民消费水平、数字普惠金融发展水平的Moran指数散点图(2)限于篇幅，这里仅显示了2011年和2018年的结果，其余备索。。

表3和表4分别是2011年和2018年Moran指数散点图结果。从表3和表4可知，中国居民消费支出和数字普惠金融主要分布在第一象限和第三象限内，呈现出明显的H-H集聚和L-L集聚状态，观测点高值与高值关系紧密、低值与低值关系紧密。这表明中国居民消费水平高的省份，其临近省份消费水平也比较高；居民消费水平低的省份，其临近省份的水平也同样比较低。但第三象限的集聚数量明显高于第一象限，说明中国仍然有相当多的地区消费水平较低。数字普惠金融集聚状态和消费支出集聚状态总体保持一致。

表3 2011年结果汇总

续表3

表4 2018年结果汇总

(三)实证结果分析

本文使用的面板数据加上了地理空间维度，因此在选择模型时必须考虑两个方面的问题：一是选择固定效应还是随机效应，hausman检验结果说明模型设定应该选择固定效应；二是哪一个空间模型最优，本文便在空间邻接矩阵和经济距离矩阵的基础上分别对空间自回归模型(SAR)、空间误差模型(SEM)以及空间杜宾模型(SDM)进行检验，所有的模型均设定了时点固定效应，在分析之前本文所有的数据均取自然对数(表5)。

表5 数字普惠金融与城乡消费差距的SDM估计结果

续表5

估计结果表明，无论是空间邻接矩阵还是经济距离矩阵，数字普惠金融的系数和显著性水平大体上保持一致。空间模型的系数显著为正，说明数字普惠金融的发展不仅能促进本地区内部消费水平的提高，而且对邻近省市消费水平同样具有正向溢出作用。居民收入和城镇化的系数均为正，说明收入水平的提高和城镇化的推进对居民消费支出的增加具有积极推动作用。在人口结构方面，少儿抚养比和老年抚养比与居民消费支出呈现出明显的负相关关系；但少儿抚养比的抑制作用要显著大于老年抚养比。产业结构因素的系数为正，说明第三产业的发展能够显著提高居民消费水平。各省市的性别构成和政府行为对居民消费支出的影响效果不明显。

本文通过LM检验判断空间自回归模型是最优的，为了避免上文系数估计的误差，进一步测算空间自回归模型之下数字普惠金融对居民消费水平的空间效应(表6)。

表6 空间效应分解

效应分解结果表明，数字普惠金融在邻接矩阵和经济距离矩阵下的直接效应分别为0.13和0.14，在5%的显著性水平下正向促进居民消费支出的提高，间接效应基本保持在0.02，说明对其他地区消费水平的提升同样具有积极作用。

(四)稳健性检验

为了检验上文估计结果的稳健性，本文将空间邻接矩阵和经济距离矩阵进行更换，用反经济距离矩阵和普惠金融嵌套矩阵进行重新估计；同时用全体居民消费水平替换居民人均消费性支出作为被解释变量，用数字普惠金融指数中的覆盖广度和使用深度这两个二级指标替换数字普惠金融总指数；若估计结果和上文一致，则说明稳健性检验通过(表7)。

表7 稳健性检验

续表7

表7第(1)、第(2)、第(3)列是反经济距离矩阵的估计结果；第(4)、第(5)、第(6)列是数字普惠金融嵌套矩阵的估计结果；第(2)和第(5)列用覆盖广度替换数字普惠金融总指数作为解释变量；第(3)和第(6)列用深度替换数字普惠金融总指数作为解释变量。稳健性检验结果表明，数字普惠金融的发展能够提高本地居民消费水平，促进临近地区消费水平的提高。这与上文的研究结论基本一致，说明文章的结论具有稳定性。

(五)影响机制检验

根据上文的分析结果可以发现，在空间计量的视角下，数字普惠金融的发展能够有效促进居民消费水平的提高。但是很少有研究涉及其内在的影响机制。为了进一步梳理数字普惠金融对居民消费支出的影响机制，在参考刘世鹏(2019)[19]相关研究的基础上，本文对其影响机制进行检验。刘丹等(2019)[20]发现数字普惠金融的发展可以直接促进居民收入水平的提高，因此本文将收入水平作为间接传导机制。高远(2019)[21]发现数字普惠金融能够通过支付方式的创新来促进零售业的发展，居民也基本使用移动支付进行网购。因此，结合北京大学数字普惠金融体系的构成，本文将移动支付作为直接传导机制，同时将数字普惠金融指数中的互联网信贷和互联网保险也作为直接传导机制。

首先，数字普惠金融自身的战略优势有效降低了低收入群体获取金融服务的门槛，能够为居民提供了更为丰富的投资理财平台。以支付宝和零钱通为代表的互联网理财产品的出现，有效分散了居民的投资风险，显著提高了居民的投资性收入，进而促进了消费水平的提高。其次，高效便捷的数字化支付手段使消费者摆脱了现金的束缚，随机消费的可能性增大，消费频率和消费金额也同样会增加。再次，以花呗为代表的互联网信贷能够有效缓解居民的流动性约束，进而促进消费支出的增加。最后，数字普惠金融的发展催生出了众多的互联网保险，保险参与水平的提高有助于减少居民预期的不确定性，进而增加了当期消费。表8给出了机制检验的估计结果。

表8 中介机制检验

表8中，前3列将收入作为间接传导机制进行检验，后3列分别检验数字普惠金融内部的直接传导机制。第(1)列表明数字普惠金融与居民消费支出存在正相关关系；第(2)列检验结果表明，数字普惠金融对居民收入也有显著的正向影响；第(3)列中，作为中介变量的数字普惠金融和居民收入通过了显著性检验；第(4)列将支付使用指数(pay)作为解释变量；第(5)列将信贷使用指数(credit)作为解释变量；第(6)列将保险使用指数(insur)作为解释变量。后3列的回归系数均显著为正，并通过显著性检验，因此中介效应存在。

(六)内生性检验

虽然本文使用LASSO方法进行控制变量筛选，但依然可能遗漏其他变量，进而造成估计结果存在偏差。为了解决可能存在的内生性问题，本文分别使用动态空间面板、GMM模型、工具变量这三种办法进行内生性检验(表9)。

表9 内生性检验

表9中，第(1)列和第(2)列分别在经济距离矩阵和反经济距离矩阵的基础上引入了被解释变量的空间滞后项，fina的系数分别为0.193和0.172，说明在动态空间面板下，数字普惠金融仍然能够促进居民消费水平的提高；第(3)列使用GMM方法进行估计，fina的系数为0.279，在5%的显著性水平下显著为正。

目前国内对于数字普惠金融工具变量的研究较少，梁双陆和刘培培(2019)[22]主要是使用互联网普及率作为工具变量，本文在其研究的基础上选取移动电话普及率和移动电话基站数量作为工具变量。之所以选取这两个变量作为工具变量有两个原因。第一，数字普惠金融主要是借助互联网来实现自身发展，随着移动互联网技术的普及，移动互联网逐渐取代宽带成为人们上网的首要选择，同时一个地区移动电话普及率越高，基站的数量也相对越多，数字普惠金融发展的基础和潜力也越大，因此移动电话普及率和移动电话基站的数量与数字普惠金融发展水平密切相关，满足相关性要求。第二，移动电话普及率和移动电话基站的数量并不直接影响居民消费水平；尤其是移动电话基站数量，主要受制于当地的人口状况和通信公司的决策，受其他因素干预较少，具有很强的政策性，满足排他性要求。表9中，第(4)列在没有加入控制变量的情况下使用移动电话普及率作为工具变量；第(5)列在引入控制变量的情况下使用移动电话普及率作为工具变量；第(6)列使用移动电话基站数量作为工具变量。表9的结果表明，在使用工具变量后，数字普惠金融的发展仍对居民消费水平产生显著正向影响，且估计系数与上文的估计结果相比，作用得到了明显的提升，基本保持在0.2左右，说明移动电话普及率和移动电话基站数量会影响数字普惠金融的发展，作为工具变量对模型具有较好的解释能力。

(七)空间异质性分析

数字普惠金融的发展能够促进居民消费水平的提高，但中国东部、中部和西部地区的经济社会发展存在非常明显的差异。为了深入分析各个地区之间的影响大小，本文根据中国地理分区对经济距离矩阵进行分解来检验不同地区之间影响大小(表10)。

空间异质性检验表明，中部地区的回归系数不显著，数字普惠金融的发展对东部地区和西部地区的促进作用非常显著，东部地区的系数为0.171，而西部地区的系数为0.251。这同时也说明数字普惠金融对于西部地区的影响作用大于东部地区，发展数字普惠金融有助于缩小地区之间的消费差距。

五、结论

本文通过建立空间自回归模型分析了2011～2018年中国30个省、市、自治区(不含西藏和港澳台地区)的数字普惠金融与居民消费水平的关系，主要得出三点结论。第一，从整体来看，数字普惠金融的发展能够通过收入、移动支付、消费信贷和保险促进消费。第二，在空间计量的视角下，数字普惠金融对消费的影响具有正向空间溢出，本地区数字普惠金融的发展会对周围地区的消费产生促进作用。在考虑内生性后，结论依然成立。第三，数字普惠金融对消费的影响在不同地区之间存在较大差异，对西部地区的影响最大，东部次之。

基于以上研究结论，本文提出三点建议。第一，持续推进数字普惠金融的发展。政府可以通过加强互联网基础设施建设来进一步推动数字普惠金融的发展，以此提升居民消费水平；尤其要加强中、西部地区互联网基础设施建设，因为中、西部地区经济发展水平相对较弱，一些偏远山区很难铺设金融服务网点；而通过数字普惠金融低成本的投入，可以降低这些地区获取金融服务的门槛，助力脱贫攻坚工作的顺利推进，有助于这些地区实现弯道超车。第二，发展重点应有所侧重。在数字普惠金融内部，互联网信贷对居民消费支出的影响作用最为显著，互联网信贷能够有效降低居民获取贷款的门槛，缓解低收入群体的信贷约束。政府应发挥数字普惠金融对消费的引导作用，在互联网信贷方面多投入，同时积极推动互联网保险的发展。第三，各地区之间应加强合作，落后地区要学习发达地区发展数字普惠金融的先进经验，增强彼此之间的技术交流，促进数字普惠金融在地区之间协调均衡发展；特别应注意数字普惠金融促进消费过程中的杠杆积累问题，数字普惠金融的发展虽然缓解了低收入群体的信贷约束，但是过度使用互联网贷款可能会导致家庭负债过度积累。