张梦德

摘 要：以安徽省16个地级市2007—2017年的年度数据为样本，构建可进行测算的安徽普惠金融发展指标体系，运用变异系数法赋权后，对安徽普惠金融发展水平进行测度。实证结果显示：除合肥外，安徽省普惠金融发展水平偏低，各地级市发展水平失衡，并且泰尔系数和人口城镇化率会受到普惠金融的影响。

关键词：普惠金融；综合评价；VAR模型；区域差异

文章编号：1004-7026（2019）03-0019-03 中国图书分类号：F832.1 文献标志码：A

普惠金融自提出以来便受到国内外学者的广泛关注。汪晓文等（2014）研究表明，金融机构为贫困地区提供贷款，促进贫困地区产业的发展，以此达到脱贫的目的；江春等（2015）认为最好的减贫方式是建立支持企业家创新创业活动的金融体系，改善宏观经济运行环境；申云（2016）认为应通过金融创新对贫困人口的生产和生活给予信贷支持。在減贫效果研究中，普惠金融总体上是有利于贫困减缓的（韩晓宇，2017），但贫困减缓效应随着普惠金融发展水平的提高有所减弱（黄秋萍等，2017），并且呈现出区域性差异（刘华珂，2018）。

1 安徽省普惠金融发展水平

1.1 构建指标体系

为了分析安徽普惠金融发展水平，需要计算其普惠金融发展指数（IFDI）。对于内容丰富的普惠金融来说，单一指标很难测度，所以应首先构建具体的指标体系。基于选取指标的适用性、包容性和可得性原则，同时借鉴国内外专家学者关于普惠金融发展水平评估指标构建的研究文献。结合安徽省16个地级市的实际情况，从金融服务的可获得性、金融服务的效用性和金融服务的相对质量3个主维度、7个子维度出发，具体情况见表1。

1.2 计算安徽省普惠金融发展指数（IFDI）

由于指标的量纲方面存在较大差异，这里我们运用极差法对数据进行线性变换，将其映射到[0，1]之间，以除去原始数据的量纲。具体如式：

xij=■

其中，Xij为数据原始值，Xminj为第j个指标的最小值，Xmaxj为第j个指标的最大值，xij为标准化后的数据矩阵。

为了反映各个指标对安徽普惠金融发展水平的贡献度，并且避免主观因素对各维度进行赋权带来的误差，本项目采用变异系数法对各指标和各维度赋权，具体如下：

ej=■ ；wj=■

其中，σj为第j个指标的标准差， aj为第j个指标的均值，ej为第j个指标的变异系数，wj为第j个指标的权重。由于选取时间段为2007—2017年，共11个维度，所以最终权重是一个k行、n列的矩阵。

最后根据王婧（2013）普惠金融发展指数可表示为n维笛卡尔空间中的点与最优普惠金融水平点之间的反欧几里德距离，可计算出安徽省各地级市的普惠金融发展指数，用IFDI表示，得出普惠金融指数公式如下：

IFDIik=■

其中，由于xij在2007—2017年每年1个，所以共有k个xij，这里用x■■表示；w■■为wkj矩阵的平方；IFDIik为第i个地级市，第k年的普惠金融发展水平。

1.3 评价安徽省普惠金融发展水平

从横向看，由上测算得出的普惠金融发展指数IFDI的排名可以看出合肥市、黄山市及铜陵市位居前三。其中有合肥市普惠金融发展水平前期较高，近两年的发展水平有所下降，就指标来看，主要是金融业从业人数以及金融网点数增速减慢，然而人口却不断在增加的原因。同时，也有如亳州市这样逐渐提高的，整体可见2008年和2013年，各市出现普惠金融发展峰值。从横向看，安徽省普惠金融发展水平区域性失衡，发展水平大都集中在0.2左右，为了更加直观地反映安徽16个地级市的普惠金融发展水平，利用k-means聚类分析归类，结果如表2。

2 安徽省普惠金融发展的减贫效应实证检验

2.1 建立VAR模型

本项目基于面板数据，选取普惠金融发展指数、贫富差距（泰尔指数）、城镇化率3个解释变量建立该领域较少运用的VAR模型。前文中已经获得了相应的普惠金融发展指数，这里我们对泰尔指数和城镇化率的获取作出解释：

2.1.1 泰尔指数（TI）

分析减贫效应，此处选择了能反映区域贫富差距的指标。具体公式如下：

TI=∑■×log■

其中，TI是泰尔指数，I是总收入，Ii是第i个地区的收入，P是总人口，Pi是地区i的人口。

2.1.2 城镇化率（UR）

城镇化率具有广泛的含义，狭义上一般指人口城镇化。其计算公式为：UR=城镇常住人口/总人口。

参照一般VAR模型，VAR模型如下：

IFDIi=A1IFDIi-1+…+ApIFDIi-p+B1TIi+…+BrTIi-r+C1 URi+…+CδTIi-δ+εi

TIi=A1TIi-1+…+ApTIi-p+B1IFDIi+…+BrIFDIi-r+C1 URi+…+CδTIi-δ+εi

URi=A1URi-1+…+ApURi-p+B1TIi+…+BrTIi-r+C1 IFDIi+…+CδIFDIi-δ+εi

其中，IFDI、TI和UR均为i维变量，p、r和δ表示滞后期阶数。

2.2 单位根检验与Granger因果关系检验

本文首先对IFDI、TI和UR的序列进行单位根检验，以判断各序列是否平稳。利用EViews.10分析软件，得到结果如表3所示，检验结果表明，变量在二阶差分后均变为平稳序列，且在三阶差分后各变量的平稳性相较于二阶差分变差。

为分析普惠金融发展与泰尔系数以及人口城镇化率之间的关系，同时研究本项目选取的控制变量是否真正影响泰尔系数以及人口城镇化率，本文通过Granger因果关系检验来判断相关关系。具体结果如表4。

可以看出，在1%的显著水平下，普惠金融发展水平IFDI为泰尔系数TI的格兰杰原因，说明区域贫富差距（泰尔系数）受到普惠金融发展水平差异的影响；普惠金融发展水平IFDI为人口城镇化率的格兰杰原因，说明普惠金融在一定程度上影响了人口的迁移。但是从显著性的大小来看，对泰尔系数的解释情况，IFDI以0.003 0的概率拒绝原假设，而对城镇化率的解释情况，IFDI以0.009 2的概率拒绝原假设，这说明IFDI对泰尔系数TI的解释能力更强。

2.3 VAR模型的分析

利用EViews.10计量经济分析软件，得出方程的系数矩阵如表5。

各方程的拟合优度分别为0.96、0.88和0.81，均高于0.8，表明模型整体显著。同时我们发现以IFDI作为内生变量，优度明显高于另外两种情况。这与之前的格兰杰因果检验得到的结果大致相似，即普惠金融的发展水平能更好地解释地区间的贫富差距及人口城镇化率的差异。

为进一步了解VAR模型整体的稳定性及平稳性，借助AR根的图表进行分析。如图1所示，所有的点都落在单位圆内，说明建立的VAR模型满足平稳性条件。

在VAR稳定的基础下，为了进一步了解随机扰动项对变量的影响关系，利用较为常用的冲击反应图进行说明。图2是这3个经济变量间的冲击反应图。

纵向来看，抛开IFDI对其自身正向冲击的影响来看，TI和UR对IFDI也均为正向冲击；在对TI的冲击中，IFDI为正向冲击，且作用缓慢增加，而其本身及UR的沖击则不太明显；在对UR的冲击中，IFDI为负向冲击，其本身及TI的冲击均为不太明显的负向冲击。

横向来看，IFDI对其本身及TI为正向冲击，且对其自身的冲击效果较好，对UR则为较弱的负向冲击；TI对其自身及UR冲击均较弱，对IFDI则为较强的正向冲击；UR对自身及TI的冲击都较弱，对IFDI也为正向冲击。

由图2可知，对一个变量的变动均受到3个变量的影响，为了解各个变量长期影响的相互程度，得出方差分解图，如图3所示。可以看出，在各个变量的长期影响中，其自身均占有较大的一部分，且在第五期以后均保持平稳。在对IFDI的影响中，自身占68%，TI和UR均占15%左右，TI略高，可以说，后期IFDI的解释，其自身和TI就占85%以上，所以长期来看，人口城镇化率对普惠金融发展水平影响并不大。在对TI的解释中，后期的解释自身和IFDI占89%左右，同上可知，长期来看人口城镇化率对泰尔系数的影响不大。对比UR和TI的解释可知，在其自身的较大解释程度下，IFDI依旧持有30%左右的解释程度，而TI和UR对IFDI的解释却均维持在10%左右，所以可知，相比二者对IFDI的解释，IFDI对其二者的解释更有力度。

3 结论与启示

从宏观层面来看，由于3个变量变动大都由其自身所决定，唯有普惠金融发展水平对另外二者有着相对较大的影响，但也只有30%左右。所以，为了更好地制定政策和措施来促进3者的发展，必须切实完善3者之间的传导机制。

从微观层面看，安徽省的普惠金融发展时间较长，就目前而言，为进一步解决小微企业和三农的问题，必须在坚持既定政策的基础下，精准化地利用资源，完善信息传导机制，避免信息欠缺。

同时，必须形成普惠金融发展水平的核准机制，确保并监督相关政策的推行和落实，借此也可以加快人口城镇化率和缩小贫富差距，从而促进3者协同发展。