农户数字普惠金融增收效应的实证分析
——基于农户调查数据和分位数模型的再检验

刘艳华 张国钊 余畅婉

（安徽工业大学商学院，安徽 马鞍山 243000）

一、引言

实现农民增收， 是党的二十大所提出的乡村振兴和共同富裕的重要内涵。 据国家统计局数据显示，尽管我国城乡居民收入比由2010 年的3.23，下降到2022 年的2.45， 但农民相对较低的收入问题依然存在。 如何进一步提高农民参与社会收入分配的比重，增强其收入“获得感”，仍然是迫切需要解决的问题。金融发展作为资源配置的重要途径， 理应发挥其在改善农民收入格局中的重要作用[1]。 当前，数字普惠金融的快速发展有效缓解了传统普惠金融普遍存在的金融排斥[2]、金融机构“使命漂移”、农村信贷市场“资源错配”[3]以及信贷风险积累上升[4]等问题，提供了缓解因机会与权利不平等造成的相对贫困的长效机制[5]。

梳理现有文献发现， 相关研究主要集中于普惠金融或数字普惠金融的减贫效应、 收入效应及城乡收入差距效应等方面。 首先，在数字普惠金融的减贫效应方面， 基于互联网对普惠金融供给成本与使用成本的节约和经济机会创造功能， 很多学者认为数字普惠金融可以减缓贫困[6-8]。 因为数字普惠金融可以提升长尾客户获得金融服务的获得机会， 以此来增加其增收脱贫的机会[9]。 也有学者认为，在短期内数字普惠金融发展的减贫效应显著， 长期减贫效应不显著[10]，并发现经济增长的速度对数字普惠金融的农村减贫力度具有“阈值”效应[11]。 其次，在数字普惠金融对农民收入影响方面， 大多数学者都持积极观点[12-14]，认为数字普惠金融可以从整体上促进居民收入公平[15]。 其原因是数字普惠金融的多元化发展提高了金融服务的地理覆盖度和可获性，有助于农村居民发挥既有优势进行项目投资，进而增加收入[16]。最后，在数字普惠金融发展对城乡收入差距的影响研究方面，学术界基本支持数字普惠金融对城乡收入差距的缩小作用[17-19]，具有显著的“数字红利”效应[20]。 但是，其数字红利大小会受到教育水平、门槛效应、互联网技术等方面的影响[21-22]，并具有结构异质性[23-24]和非线性效应[25]。

毫无疑问， 已有研究对我们探究数字普惠金融的收入效应具有积极作用。 但需要指出的是，现有研究视角主要集中在宏观领域， 基于微观视角的研究较少，尤其是通过调查数据加以分析的文献较少。 由于数字普惠金融与收入存在交互关系， 现有研究可能存在严重的内生性问题。 因此，如何剔除收入对数字普惠金融的反作用，需要进一步探究。 另外，在探究数字普惠金融的收入效应时， 多数研究采用的是北京大学数字金融中心编制的数字普惠金融指数， 然而该指数测度的对象包括城乡中小微企业、 城镇个体工商户等非农户主体，使用该指数探讨其对农户的收入作用关系，会造成映射关系有偏， 所得参数不能真实反映数字普惠金融对农户收入的真实作用效果。 为此，本文借鉴北京大学数字金融中心数字普惠金融指数的编制原理，编制专门针对农户主体的数字普惠金融指数， 进而以微观调查数据为研究样本， 采用收入分位数模型实证分析数字普惠金融对农户增收的效果， 为探索数字普惠金融对农户的真实收入效应提供现实和理论依据。

二、作用机制分析

从农户金融行为的视角看，数字普惠金融对农户收入的作用机制主要体现为信贷服务增收机制、投资理财增收机制和互联网保险的收入稳定机制三个方面。

（一）信贷服务增收机制。 农业产业的脆弱性、农户的低收入水平、征信数据不完善、互联网普及率低等问题，导致了农户在信贷市场受到严重的信贷配给。数字普惠金融机构借助大数据、云计算等技术工具，可以提高征信效率，降低金融机构与农户之间的信息不对称程度；数字普惠金融服务的获取门槛低，可获性强，可以有效地缓解信贷约束问题。 信贷服务可获性的提高，有助于解决低收入农户在生产投资、教育投资和创业投资面临的资金约束，为其提高收入创造条件。

（二）投资理财增收机制。 金融服务的数字化和网络化，打破了时空的限制，拓宽了农户的投资理财渠道， 余额宝、 零钱通等理财工具的低门槛和高效率，为农户提供了丰富的理财产品，为其资产保值增值创造了条件。

（三）互联网保险的收入稳定机制。 数字化社会将改变原有保险的外部环境， 互联网保险成为农户收入增加的“助推器”和“稳定器”。 一方面，人寿保险、财产保险等险种既可以转移风险，免受财产重大损失，也可以稳定收入。 另一方面，互联网保险机构通过数据挖掘技术手段获取农户客户的基本信息，通过大数据和云计算技术分析客户消费倾向和消费行为习惯，为客户提供精准保险服务。

三、研究设计、指标选取与变量定义

（一）研究设计

1.问卷内容设计。 根据本文的研究主旨，调研问卷的内容主要包括农户特征、农户收入状况、农户数字普惠金融特征和地区特征等四部分内容。 其中，农户特征主要包括户主性别、年龄、学历、家庭劳动力数量、家庭成员身体健康总体状况等；农户收入特征主要为农户人均月收入水平； 农户数字普惠金融特征包括数字普惠金融的渗透性、可获得性、使用效用性和使用深度五个维度； 地区特征包括所在村是否为信息服务站、农村地区网络信号强度等内容。

2.调研对象与调查方法。 本文通过采用实地调查及线上调查结合的方式， 调查了全国29 个省市的农户。由于调查样本需要保证随机性与可代表性，因此本次调查在各省市进行分层抽样。 根据分层抽样技术来确定样本数量，公式如下：

其中，N、Z、d、σ 分别表示样本量、置信区间Z 统计量、抽样误差范围和标准差。

由表1 可知， 样本量的确定主要取决于置信水平和抽样误差。 为了提高研究结果的可信度，本文将样本容量的置信度控制为99%， 抽样误差不超过5%，查表得Z=2.5，σ=0.5，d=5%。因此，N==665.64， 得出此次调查所需最小样本量。 抽样过程为：每个省市抽取3 个地级市，每个地级市抽取2 个县市，每个县市抽取2 个乡镇，每个乡镇抽取2 个村，每个村抽取2 户居民。 在调查期间获得总样本数1 019份，远超此次调查时所需最小样本量的设定，其中有效样本1 003 份，有效样本率达到98.43%。

表1 不同置信区间和抽样误差下的样本量

（二）变量选取与测度

1.被解释变量（Income）：本文将户人均月收入定为被解释变量， 通过分位数模型来研究解释变量及控制变量对不同区间的户人均月收入的影响程度。

2.核心解释变量：农户数字普惠金融发展水平及其测度（DIFI）。

（1）指标体系的构建

通过查阅有关文献， 发现北京大学编制的数字普惠金融指数（2011—2015 年）在学术界中占有重要的权威性，因此，我们在借鉴北京大学数字普惠金融指数编制原理的基础上， 选取了符合农户数字普惠金融特征的指标体系。 指标体系如下页表2 所示。

表2 农户数字普惠金融发展水平指标体系

（2）数字普惠金融指数的计算方法

第一步，基于变异系数法确定权重。 本文借鉴杨艳琳等学者的计算方法[26]，客观上对农户数字普惠金融变量赋予权重，计算公式为：

其中Wmp为变异系数；SDi为每个变量的标准差；Meanj为每个变量的平均值，且i=j。

第二步，计算农户数字普惠金融水平。 本文借鉴杨艳琳和付晨玉（2019）[26]等学者的计算方法，采用如下公式计算：

其中，DIFI 为农户数字普惠金融指数,Wmp为变异系数，即第m 个具体指标在第p 个农户的权重，通过变异系数法确定；Vmp表示每个指标计算值， 由xmp进行统一量纲处理后再乘以其权重Wmp得到。

3.控制变量

为了提高回归结果的准确性， 本文还选取了以下控制变量来研究其对农户人均月收入的影响，主要包括户主性别（gender）、年龄（age）、学历（edu）、农村地区网络信号强度（sig）、身体健康状况（health）以及家庭劳动力人数（fm）。

（三）描述性分析

从统计表3 中可以看出， 调研样本农户的男女性别比例相当，但男性略多于女性。 家庭劳动力人数主要集中在3 至4 人， 该样本数约占总样本的69.59%。户主的年龄主要分布在18~30 岁之间，占比63.01%。 被调查者的文化程度普遍不高，高中及以下学历者占比56.93%； 达到本科及以上学历的农户占比略低，为30.51%。

表3 样本农户基本特征

农户所在地网络信号一般及以下的占全部样本的66%。 由于国家新基建的实施，农村地区的网络信号强度有所增强，但是相比城市地区，网络强度较差。主要原因在于部分农村地区地处偏远，基站数量少，而使用智能设备数量较多，造成网络供不应求。

样本农户的人均月收入水平总体较低，其中，在2 000 元以下的样本数最多，占总样本的比重为41.48%。本文的具体变量名称及定义、统计性描述结果如表4 所示。

表4 变量定义及统计性描述

四、实证研究

（一）模型设计

为了考察农户数字普惠金融及其他变量对农户的增收效应，本文建立如下基准模型：

其中，Incomei是被解释变量， 为农户人均月收入；DIFIi是核心解释变量，代表的是第i 个农户数字普惠金融发展水平；Controli是控制变量， 包括age、gender、edu、health、sig、fm、β0和β1为待估参数，α0、α1为截距项；εi为随机干扰项。

本文认为， 不同农户的数字普惠金融发展水平不同，进而具有不同的增收效应。 但是，传统的回归模型一般分析的是解释变量x 对被解释变量y 的条件期望E(y|x)，其目标函数（）容易受极端值的影响。所以，本文真正关心的是x 对整个条件分布y|x的影响。 如果能够估计出条件分布y|x 的若干条件分位数，就能更加全面地获得条件分布y|x 信息。 分位数回归将残差绝对值的加权平均（）作为最小化的目标函数，故其不受极端值的影响，较为稳健、可靠，能够更好地反映出数字普惠金融对不同收入水平的农户收入的作用差异。 基于此，本文构建关于农户人均月收入ω 的分位数模型：

其中，Incomeω是条件分布下Income|(DIFI，ci)的ω 条件分位数；c 是控制变量；ξ 是随机扰动项。

（二）回归结果与分析

为了研究数字普惠金融对不同收入水平农户的增收效应及其异质性，本文选择25%、50%、75%、90%、95%的收入分位数进行回归分析， 并与OLS 基准模型进行比较。 其中25%、50%、75%、90%、95%分位数分别对应人均月收入为2 000 元以下、2 001~5 000元、5 001~8 000 元、8 001~11 000元、11 000 元以上的农户。 为了更好的考察农户的基本状况对其收入的影响，本文首先分析未引入控制变量下不同分位数农户数字普惠金融对其收入的影响， 然后再引入控制变量进行估计分析。 表5 是分别采用了OLS 回归与分位数回归的结果。 未引入控制变量的估计结果表明， 数字普惠金融发展水平（DIFI）对农户人均月收入的回归系数显著为正， 且作用系数的变化态势表现为先上升后下降， 呈现为倒“U”型趋势，且对低收入农户的影响程度稍小。 这说明数字普惠金融有助于农户增收。

表5 OLS 与分位数回归结果

为了更好地分析控制变量对收入的异质性影响，本文引入了控制变量来进行检验。

在引入控制变量后，F 统计量的P 值是显著的，但是不同分位数的回归与普通最小二乘回归得到的结果存在明显的差异。 当人均月收入由25% 向95%变化时，影响农户收入的变量系数、标准误和显著性发生了变化。 这说明，各变量的作用并不像基准回归模型所揭示的那么简单，而是在不同的分位数下，其影响作用不同。

从分位数回归结果可以看出：

（1）在不同分位点处，数字普惠金融对农户收入的影响程度呈现出不同的变化规律。

对人均月收入的回归系数呈现出准倒U 型曲线。 具体而言，在25%的收入处，数字普惠金融发展水平（DIFI）每提高一个单位，在2 000 元以下的人均月收入相应增加0.235 个单位。 随着收入水平区间的增高，数字普惠金融发展水平对农户收入增加的贡献程度持续升至到最高点90%分位点处的0.538，此后又下降到95%的0.351。 同时，数字普惠金融发展水平（DIFI）对于低收入和高收入区间的农户影响都比较小，收入提高程度最大的则是中间收入阶层。

结果显示：在低收入群体和高收入群体中，性别不同对农户收入的影响较小，反而是在收入区间为5 001~8 000 元及以上的农户更容易受到性别的影响，即男性对人均月收入提升的贡献更大。 这主要源于，在农业体力劳作中，男性要优于女性，相对而言，男性会承担更多的劳务工作和体力工作； 在农村地区，家庭劳动力越多，从事农业劳动的人数相对较多。从农户年龄来看，随着年龄的增长，工作技能和经验的不断累积会带来经济收入的增加；一般而言，身体越健康的农户个体，劳作能力越强，其收入水平会相对较高。

受教育程度 （edu） 和农村地区网络信号强度（sig）对农户收入作用呈现出一种“上升-下降”的变化态势。 受教育的程度越高、农村网络基础设施越完善， 农户家庭成员越能从自身学历优势中享受的更多的资源，所获取的信息也会增多，相应的也会带来收入渠道的增多，其收入会有一定程度的增加。

（2）在不同分位点处，农户个体特征呈现出较大的异质性作用。

在2 000 元以下的收入区间（25%分位点），数字普惠金融发展水平（DIFI）、教育（edu）、所处地区网络信号强度（sig）等变量是决定农户收入的关键因素，此时， 增加农户收入的有效途径主要是提高居民的数字普惠金融素养、 提高受教育程度以及增强农村地区网络基础设施的有效性与及时性。

在2 001~5 000 元的收入区间（50%分位点），农户增收的主要因素除包括25%分位点因素之外，还包括健康状况（health），这说明农户应该在以上措施的基础上，保持良好的健康状况，为创造收入奠定基础。

在5 001~8 000 元的收入区间（75%分位点），所有解释变量都显著地影响农户的收入， 农户可以从多维方面来提高其自身的收入水平。 从对增收的作用来看，数字普惠金融发展水平的贡献率最高，其次为年龄（age）和地区网络的信号强度（sig），贡献最小的是性别（gender）。

在8 001~11 000 元的收入区间 （90%分位点），显著变量变成数字普惠金融发展水平（DIFI）、性别（gender）、年龄（age）、农村地区网络信号强度（sig），而此时年龄的贡献能力持续下降， 数字普惠金融发展水平（DIFI）和农村地区的网络信号强度（sig）的贡献能力出现了飞跃， 农户收入分别提高了11.39%和18.41%的贡献程度。 需要注意网络信号强度（sig）回归系数在95%置信区间宽度的变化情况， 置信区间变宽可能对其精确性产生一定的影响。

在11 000 元以上的收入区间（95%分位点），网络信号强度由显著转变为不显著， 显著变量仅仅保留数字普惠金融发展水平（DIFI）和年龄（age），数字普惠金融发展水平下降34.76%，在此分位点处95%的置信区间变得更宽，而此时的教育程度（edu）虽不显著，但与农村居民收入呈负相关。

（三）数字普惠金融结构对农户收入的影响

为了进一步分析数字普惠金融对农户收入的作用，本文将从渗透性（penetrability）、可获得性（accessibility）、使用效用性（utility）和使用深度（depth）四个方面分别进行回归分析。 回归结果见表6。

表6 数字普惠金融结构的农户增收效应估计结果

从整体来看， 数字普惠金融各维度均通过显著性检验。 渗透性、使用效用性、使用深度回归系数分别为0.220、-0.070 7、0.201、0.351，且均通过了1%水平上的显著性检验，表明在农村地区，数字普惠金融这三个维度的发展能够促进农户增收， 对农户增收都具有正向效应。 可获得性（accessibility）的回归系数为负，通过了5%水平上的显著性检验，这说明数字普惠金融的可得性没有显著促进农户收入的增长，其原因可能在于，由于农村征信体系不够完善，数字普惠金融对信贷等资源的配置效率较低。

（四）内生性检验与稳健性检验

1.内生性检验

为解决变量遗漏产生的内生性问题， 本文在调研时尽可能将影响因素纳入模型之中。 为解决数字普惠金融发展水平与农户收入之间的互为因果关系， 本文引入了农户所在村组织是否设置信息服务站作为工具变量， 这在一定程度上会影响数字普惠金融的发展， 但与农户收入基本不相关， 满足“所有变量均为外生”的原假设，具体而言，符合工具变量的两个条件：(1)相关性，即两个工具变量与数字普惠金融发展水平相关， 检验得P 值为0.000；(2)独立性，经过检验P 值为0.160 9，即农户人均月收入与选取的工具变量之间不相互独立。而且内生变量的个数小于工具变量的个数，故可以进行过度识别检验，来验证其有效性。

根据以上分析，本文重新构建以下模型：

其中，R 为工具变量；DIFI 为第一阶段回归结果预测值。

本文对联立方程组采用2SLS 进行回归，下表7 的结果表示工具变量的选择是合适的，首先，F=22.94>10，P=0.000，拒绝原假设“工具变量没有解释能力”；其次，弱工具变量的问题在这里也不明显；同时，过度识别统计量为2.047，P 值为0.152 5，故接受“存在一个工具变量的原假设”；最后，Durbin-Wu-Hausman 检验结果说明数字普惠金融发展水平与农户收入存在内生性的问题。 两阶段回归结果见表7。

表7 两阶段回归

2.稳健性检验

为了进行稳健性检验， 本文采用主成分分析法重新确定权重来计算数字普惠金融发展水平， 重新对（5）式进行回归。

主成分分析法是一种客观赋权的方法，在实际中广泛运用。 本文利用SPSS23.0 软件计算得出A1至A10的权重带入公式（3）计算出数字普惠金融发展水平，再用STATA14 软件重新进行回归测算其稳健性。稳健性回归结果见表8。

表8 稳健性检验结果

通过上述检验，得出的结果与前文基本一致。 此外，本文还通过减少样本量来进行稳健性检验，结果在主要变量上与前文基本一致。 因此，本文研究得出的结论是稳健、可靠的。

五、研究结论与政策启示

基于农户调查数据和分位数模型实证数字普惠金融的增收效应进行了再检验，结论总结如下。

第一， 数字普惠金融是促进农户增收的关键因素， 数字普惠金融对不同收入水平的农户都具有显著的影响，但是影响程度呈现准倒“U”型；而户主年龄越大、男性劳动力越多、家庭劳动人口数量越多和家庭成员身体越健康程度，对农户收入增加越明显；户主受教育程度与农村地区网络的信号强度对农户收入的增加都呈现出“上升—下降”的趋势。

第二，在不同分位点处，农户收入影响因素呈现出较大的异质性特征。 数字普惠金融发展水平对低收入水平农户和高收入水平农户的正向作用均小于中等收入水平农户的影响。

以下是上述研究结论带来下的政策启示。

一方面，要不断提升农村居民的金融素养。 通过提高农村居民的金融知识和技能、 资信水平和受教育程度，提高数字普惠金融的渗透性、使用效用和使用深度，发挥数字普惠金融对农户增收的积极作用。

另一方面， 增强对数字普惠金融发展的软硬件支撑。 通过完善数字普惠金融相关的法律法规，加强通讯技术在普惠金融领域的创新应用， 推动农村数字基础设施高质量发展， 强化数字金融交易平台建设，有助于规范数字普惠金融市场的秩序，降低金融风险，提高数字普惠金融的运行效率，进而提高数字普惠金融对农户收入的正向作用。