金发奇 言珍 吴庆田

摘   要：数字普惠金融是传统普惠金融的持续深化，是减缓相对贫困的重要支撑力量。本文采用DEA-Tobit模型，利用2011—2018年我国31个省市数字普惠金融和相对贫困等数据，测算了数字普惠金融减缓相对贫困的效率与影响因素。研究结果表明：我国数字普惠金融减缓相对贫困的效率偏低且区域差异大，其中规模效率是西部地区综合效率较低的最主要原因，数字普惠金融减缓相对贫困存在较大的发展潜力;数字普惠金融减贫生产率指数变动主要受技术进步变动影响。在影响因素方面，金融中介效率、产业结构与财政自给率的提高与优化有利于提高数字普惠金融减贫效率;而金融发展规模的扩大会阻碍数字普惠金融减贫效率的提高。

关键词：数字普惠金融;相对贫困;金融减贫效率;DEA-Tobit模型

一、引言与文献综述

贫困问题一直是阻碍我国社会发展与进步的重要因素。党的十八大以来，以习近平同志为核心的党中央将脱贫攻坚作为实现第一个百年奋斗目标的重点任务，做出了一系列重大部署和安排，并取得了重大成就。2013—2018年，我国农村贫困人口减少了八千多万，贫困发生率也由10.2%降到了1.7%。在解决了绝对贫困问题之后，我国贫困治理的重难点将转向隐性的相对贫困。相对贫困是指在同一时期内，由于不同地区或不同阶层的社会成员主观认定的可维持生存水准的差异而造成的贫困（林闽钢，2020）[1]。解决相对贫困问题，不仅要满足最基本的生活水平，而且要缩小与社会平均生活水平的差距，解决发展不平衡的问题。然而，解决我国发展不平衡、不充分的包容性增长机制尚未完全构建起来。包容性增长概念兼顾公平与效率两个维度（Abor等，2018）[2]，而普惠金融又称包容性金融，旨在为金融排斥的小微企业、农民、城镇低收入人群等弱势群体以可负担的成本提供适当、有效的金融服务，促进经济社会的包容性增长。

（一）相对贫困衡量

汤森（1980）[3]认为相对贫困不仅是缺乏基本的生活必需品，还包括个人、家庭、社会组织在获得食物、住房、娱乐以及参与社会活动等方面的资源，使其不足以满足社会习俗的要求或社会鼓励和推广的平均生活水平，因此被排除在正常生活方式和社会活动之外的一种生存状态（杨立雄和谢丹丹，2007）[4]。杨舸（2017）[5]认为除收入和消费外，居住、教育、医疗等权益不足也是相对贫困的重要特征。施琳娜和文琦（2020）[6]从教育、健康、生活水平、收入、住房和资产状况等6个维度衡量相对贫困。

（二）数字普惠金融减贫效应

从微观上看，普惠金融发展能够提高弱势群体公平获得金融产品和服务的机会，直接缓解其收入、消费、教育、健康等多维约束（杨艳琳和付晨玉，2019;孔维汉和李爱喜，2019;罗荷花和骆伽利，2019;蒋瑛等，2019）[7-10];从宏观上看，普惠金融通过促进经济和产业发展，为社会弱势群体提供就业、创业机会，促进贫困减缓（黄秋萍等，2017;谭燕芝和彭千芮，2018）[11，12]。然而，也有部分学者研究表明普惠金融对减贫具有负面影响。例如，崔艳娟和孙刚（2012）[13]研究表明，金融发展对减贫的作用呈U形，即先恶化后改善，金融波动会抵消金融发展的减贫效果。王伟和朱一鸣（2018）[14]认为如果普惠金融只将贫困地区对金融机构的接触性排斥问题作为关注重点，那么将会进一步加剧资金外流，并对减贫产生负面影响。

（三）普惠金融减贫路径与模式

学术界普遍认为，普惠金融通过向弱势群体提供金融产品和服务，增加弱势群体收入，缓解城乡收入分配不平衡，直接改善弱势群体的贫困问题。同时通过推进技术创新、优化产业结构、促进包容性增長等间接缓解贫困（杨艳琳和付晨玉，2019;李建军和韩珣，2019）[7，15]。普惠金融减贫模式方面，贾辉辉和吕德宏（2019）[16]、郭小卉等（2019）[17]研究表明农业供应链融资模式能提高扶贫贴息贷款用途的精准性，降低道德风险，增加农户收入，扶贫效果更显著。

（四）普惠金融减贫效率评价

效率评价是衡量普惠金融发展是否对贫困减缓具有作用的关键。杜兴洋等（2019）[18]研究表明，农村金融发展水平及其效率提高、农村产业结构优化、政府金融政策支持等有利于提高扶贫效率;城乡二元经济结构将阻碍扶贫效率的提高。许星等（2019）[19]研究发现对贷款期限、额度、种类满意度以及对金融机构便利性满意度是影响金融扶贫绩效的前4位障碍因子。

已有研究大多关注普惠金融与绝对贫困的关系，研究成果主要集中于数字普惠金融减贫效应、路径与模式、效率评价与影响因素。本文尝试在借鉴此前学者研究成果的基础上，基于相对贫困视角，采用DEA-Tobit模型研究数字普惠金融减缓相对贫困的效率及其影响因素。

二、数字普惠金融减贫理论分析

随着数字技术在金融领域的深度融合与应用，数字普惠金融应运而生，并展现出可获得性广、交易成本低、风险控制力强等优势，将金融服务边界延伸至“长尾”市场，通过降低门槛效应和缓解金融排斥效应，改善城乡二元结构，助推贫困减缓（董玉峰和赵晓明，2018;宋晓玲，2017）[20，21]。本文认为数字普惠金融主要从以下三个方面收敛城乡差距，从而减少相对贫困。

（一）数字普惠金融对城乡收入差距的收敛机制

从降低门槛效应来看，数字技术的加入从三个方面降低金融服务的成本，从而降低了贫困群体获得金融服务的门槛，增加金融服务的可获得性。一是数字普惠金融不需要物理网点，仅通过互联网就能提供金融服务，降低金融机构运营成本;二是金融机构运用大数据、云计算、区块链等数字技术，可以简化交易程序，降低交易成本;三是金融机构利用数字技术对金融消费者进行精准画像，降低搜寻成本。

从缓解金融排斥效应来看，一方面，数字普惠金融将受金融排斥的农村贫困群体作为重点服务对象，通过向农村贫困群体就业、创业提供信贷资金支持，增强其增产创收的内生动力;另一方面，数字普惠金融以农村贫困群体可负担的成本为其提供金融服务，支持农村贫困群体对消费和投资进行长期决策，有利于提高金融资源配置效率，增加贫困群体收入，缩小城乡居民收入差距。

（二）数字普惠金融对城乡消费差距的收敛机制

从消费能力途径来看，一方面，数字普惠金融通过为农村居民提供门槛低、高效便捷的投资理财服务，有利于增加农村居民投资性收入，提升其消费能力;另一方面，通过为农村产业发展提供信贷支持，增加农村居民的工资性收入和经营性收入，可以促进其消费能力的提升。

从消费保障途径来看，一方面，数字技术能够帮助金融机构将消费信贷的触角延伸到原本处于金融服务边缘的农村贫困群体，有助于其增加消费预算;另一方面，电子化的商业保险打破了传统物理网点的限制，农村居民通过应用软件就能购买商业保险，增强了抗风险能力，有利于稳定消费预期、增加消费需求。

从消费支付途径来看，随着数字技术在支付领域的运用和普及，偏远地区的农村居民可以摆脱距离、交通基础设施等因素的制约，节约支付的时间成本和持有成本。此外，由于电商的普及，农村居民能够使用移动支付进行线上消费，削弱消费支付的地区限制，增加农村居民的消费需求。

（三）数字普惠金融对城乡医疗差距的收敛机制

一方面，数字普惠金融通过支持农村产业发展，能够提升农村经济发展水平，进而推动农村基础设施建设，有效提高农村地区医疗服务条件和水平。另一方面，农村经济增长将带来财政收入的增加，政府通过转移支付的方式增加民生领域的支出，加快农村基础设施、公共事业、公共服务建设，增加农村贫困群体社会福利，缓解农村地区医疗贫困状况，进而缩小城乡医疗水平差距。

三、研究方法与数据

（一）DEA分析

数据包络分析（Data Envelopment Analysis，DEA）的原理是通过保持决策单元（DMU）的投入不变，应用数学规划和统计数据确定相对有效的生产前沿面，将DMU投影到DEA的生产前沿面上，通过比较DMU偏离DEA生产前沿面的程度来判断相对有效性（Charnes等，1978）[22]。CCR模型假设规模报酬不变，BCC模型假设规模报酬可变。BCC模型将CCR模型中的技术效率（TE）分解为纯技术效率（PTE）和规模效率（SE），从而来反映所评价对象的经营管理水平（Banker等，1984）[23]。

（二）Malmquist指数

Sten Malmquistz于1953年提出Malmquist指数（章祥荪和贵斌威，2008）[24]。Fare等对Malmquist指数进行了拓展，将其从理论指数变成实证指数，并用于测度从t期到t+1期的生产效率（Fare等，1997）[25]。在規模报酬可变的假设下，从t期到t+1期的Malmquist生产率指数可表示为：

式中，Malmquist生产率指数等于技术进步指数（Techch）与技术效率变动指数（Effch）的乘积，其中技术效率变动指数（Effch）又可表示为纯技术效率变动指数（Pech）与规模效率指数（Sech）的乘积。

（三）数据来源及变量选择

1. 数据来源。数字普惠金融数据来源于北京大学数字研究中心所编制的数字普惠金融指数，相对贫困数据主要来源于《中国统计年鉴》、各省统计年鉴和《中国卫生和计划生育统计年鉴》。

2. 变量选择。本文以相对贫困为切入点，从投入和产出两方面选取以下指标：

（1）投入指标。根据北京大学数字研究中心所编制的数字普惠金融指数，选取数字普惠金融覆盖广度来衡量可获得性方面的投入，选取使用深度来衡量使用情况方面的投入。具体投入指标见表1。

（2）产出指标。本文采用泰尔指数来衡量城乡居民收入、消费以及医疗机构床位数的差距，并取泰尔指数的倒数作为产出指标。具体产出指标见表2。

四、数字普惠金融减缓相对贫困的效率分析

（一）数字普惠金融减缓相对贫困的综合效率分析

本文基于BCC模型，运用DEAP2.1软件，对我国31个省市2011—2018年数字普惠金融减缓相对贫困的效率进行测算，结果见表3。

首先，从整体上看，我国31个省市的数字普惠金融减缓相对贫困综合效率均值从2011年的0.411上升到2018年的0.547，增长率为33.09%，但总体效率仍然偏低，说明数字普惠金融资源的优势没有得到充分运用与发挥，其在减贫方面存在较大发展空间。

其次，2011—2018年我国31个省市的数字普惠金融减缓相对贫困综合效率差异较大，存在两极分化现象。其中天津综合效率均值达到0.973，而最低的云南只有0.250;只有北京、天津、内蒙古、吉林、黑龙江、上海、江苏、浙江、重庆、青海等10个省（市、自治区）的综合效率均值高于全国均值，说明数字普惠金融减贫效果存在较大的地区差异。

最后，2011—2018年我国31个省市的数字普惠金融减缓相对贫困的综合效率存在波动。重庆2011—2013年的综合效率为1，达到DEA有效，但2014—2018年的综合效率均小于1，呈下降趋势;天津2011年和2012年的综合效率分别为0.854和0.940，在2013—2018年的综合效率均为1，达到DEA有效。此外，绝大多数省市在2011—2018年的综合效率值一直小于1。

（二）数字普惠金融减缓相对贫困的综合效率分解

第一，从综合效率角度来看，表4显示，2018年只有天津的综合效率为1，达到DEA有效，其余30个省市的综合效率均小于1。在非DEA有效的省市中，北京、上海、安徽、江苏、湖北排名前五位，西藏、云南、新疆、贵州、甘肃排名后五位。综合效率排名落后的地区均在西部，说明西部地区数字普惠金融减贫的效果较差。

第二，从纯技术效率角度来看，尽管内蒙古、黑龙江、西藏、甘肃、青海、宁夏等地区的综合效率小于1，但纯技术效率等于1，表明这些地区的数字普惠金融资源得到了充分利用，而综合效率没有达到DEA有效，主要是因为规模效率较低，没有达到最佳状态。

第三，从规模效率角度来看，只有天津达到了DEA有效。在非DEA有效区域中，只有北京和上海接近理想值1，而西藏、云南、新疆、贵州、甘肃排名最后五位，其规模效率与全国平均水平存在一定差距。在规模报酬方面，除天津外，其他省市均为规模报酬递增，说明这些省市在数字普惠金融减贫方面潜力巨大，可以通过优化数字普惠金融资源的投入要素结构，扩展覆盖广度和使用深度，促进减缓相对贫困。

（三）数字普惠金融减缓相对贫困效率的时间演进

运用 DEAP2. 1软件对2011—2018年我国31个省市的数字普惠金融缓解相对贫困效率的Malmquist生产率指数进行测度和分解，具体结果见表5和表6。

表5结果表明，2011—2018年我国数字普惠金融减缓相对贫困的全要素生产率总体呈下降趋势，但下降幅度逐渐趋缓，并在2017—2018年达到了1.112，增长幅度为11.12%。从技术效率变动来看，2011—2012年、2016—2017年和2017—2018年大于1，其他时段虽小于1，但都大于0.9，接近1。进一步分析，纯技术效率变动在每个时段均大于1，表明数字普惠金融减贫的管理水平较高;而规模效率变动只有在2016—2017年和2017—2018年大于1，表明数字普惠金融减贫的投入要素结构还需要进一步调整。从技术进步变动来看，2011—2018年的数值均小于1，说明其呈下降趋势。2011—2012年的数值仅为0.235，但其他时段的数据均大于0.85，说明技术进步变动的下降幅度逐渐收窄。总体来看，全要素生产率呈负增长主要是由技术进步变动负增长引起的。因此，技术进步是提高全要素生产率水平的关键。

从表6可知，总体而言，我国数字普惠金融减缓相对贫困的全要素生产率呈现负增长，全国的平均增长幅度为-22.5%，技术进步变动幅度为-26.7%，而技术效率变动幅度为5.9%，表明技术进步变动负增长是造成全要素生产率负增长最主要的原因。

从技术进步变动来看，只有天津的技术进步变动指数大于1，说明天津重视数字普惠金融科技创新，并取得了较好的减贫效果。而其他地区的技术进步变动指数均小于1，说明我国绝大多数地区金融科技水平较低，对金融科技发展不够重视，没有认识到金融科技在减贫中的重要作用。因此，需增加科研投入，将大数据、人工智能、区块链等技术运用于金融科技开发之中，提升数字普惠金融科技水平。

从纯技术效率变动来看，纯技术效率变动指数大于1的地区有28个，约占90.32%，說明绝大多数地区的数字普惠金融资源得到了充分且有效地利用，数字普惠金融减贫效率的生产效率逐年提高。2011—2018年，只有北京、上海和重庆的纯技术效率变动指数小于1，表明这三个地区尚未充分发挥数字普惠金融资源在减贫中的作用，需要进一步提高数字普惠金融在减贫中的纯技术效率。

从规模效率变动来看，规模效率变动指数大于1的地区有9个，约占29.03%，说明我国仍有70.97%的省市数字普惠金融减贫的规模收益较差，规模化经营水平有待提高。其中，北京的规模效率变动指数最大，为1.069，说明北京的数字普惠金融资源投入规模比较合理，实现了数字普惠金融减贫的规模效益。而西藏的规模效率变动指数最小，仅为0.778，需要增加数字普惠金融资源的投入，合理优化金融机构的生产经营规模。

五、数字普惠金融减缓相对贫困效率的影响因素研究

为了进一步探索数字普惠金融减贫效率水平差异及其原因，本部分将运用Tobit模型深入分析数字普惠金融减缓相对贫困效率的影响因素。

（一）指标选取

从数字普惠金融减贫的直接作用机制来看，本文选取金融发展规模与金融发展效率两个因素。金融发展规模直接影响金融服务的成本与门槛，进而影响金融服务的可获得性，选取“年末金融机构贷款余额/国内生产总值”来衡量金融发展规模对数字普惠金融减贫效率的影响;金融发展效率代表金融机构的信贷资金转化能力，选取“年末金融机构贷款余额/存款余额”来衡量金融发展效率对数字普惠金融减贫效率的影响（杜兴洋等，2019）[18]。

从数字普惠金融减贫的间接作用机制来看，数字普惠金融通过促进经济增长的“涓滴效应”缩小城乡差距，减缓贫困。因此，选择“人均GDP”取对数来衡量经济发展水平对数字普惠金融减贫效率的影响（杜兴洋等，2019）[18]。

数字普惠金融通过支持农村地区的产业发展，促进产业结构优化，提高金融减贫效率，选择“第一产业和第三产业总产值/国内生产总值”来衡量产业结构对数字普惠金融减贫效率的影响（杜兴洋等，2019）[18]。减贫作为一项系统工程，需要各方共同发挥作用，尤其是政府财政支持，选取财政自给率即“一般公共预算收入/一般公共预算支出”来考察其对数字普惠金融减贫效率的影响。此外，数字普惠金融覆盖面的扩大离不开信息化基础设施的建设与潜在金融市场的培育，选取“信息传输、计算机服务和软件业投资/全社会固定投资总额”“普通高校在校学生数/常住人口”来衡量信息化基础设施与人口素质对数字普惠金融减贫效率的影响。

上述影响因素的数据主要来源于《中国统计年鉴》《中国金融年鉴》以及各省统计年鉴。数字普惠金融减缓相对贫困效率的影响因素描述性统计结果如表8。

（二）Tobit模型构建

通过BCC模型测算出来的数字普惠金融减缓相对贫困的效率值在0—1之间，OLS估计会导致估计结果有偏且不一致（Greene，1981）[26]。因此，本文采用Tobit模型研究影响数字普惠金融减缓相对贫困效率的因素。模型表达式如下：

（三）实证结果分析

在对Tobit模型进行回归之前，先利用Stata14进行Hausman检验，结果显示Prob=0.1808>0.05，因此选择随机效应Tobit模型，结果见表9。

回归结果表明，金融发展规模（FD）的系数在5%的水平下显著为负，表明我国存在“金融排斥”现象，农村贫困地区的信贷服务具有高风险、低回报的特点，对于金融机构而言经济发达地区更为“有利可图”;金融中介效率（FIE）、产业结构（IS）与财政自给率（FSR）的系数在5%的水平下显著为正，表明金融机构资金转化能力越强、金融支持农村产业发展力度越大与财政自给能力越强越能促进数字普惠金融减缓相对贫困的效率提升。因此，改善农村贫困地区的金融环境，有利于数字普惠金融减缓相对贫困效率的提高。

除上述影响因素外，经济发展水平（LNRGDP）、信息化基础设施（II）和人口素质（PQ）与数字普惠金融减缓相对贫困的效率不相关。人均GDP所反映的经济增长的“涓滴效应”对减贫效率的影响并不显著，对于农村地区和贫困地区而言，“涓滴效应”可能会由于城乡差距而被大幅削弱。信息化基础设施（II）和人口素质（PQ）与数字普惠金融减缓相对贫困效率不相关可能是由于其水平太低，均值分别只有0.0105、0.0190，未达到提高减贫效率的门槛。

六、结论及建议

（一）主要结论

本文研究结果表明：第一，我国数字普惠金融减缓相对贫困的综合效率处于较低水平，且各地之间差异大，存在两极分化现象，数字普惠金融减贫存在较大的发展空间。相较而言，东部地区数字普惠金融减贫综合效率较高，主要是由于技术效率和规模效率都处于较高水平;中部地区尤其是西部地区综合效率较低，主要是由规模效率水平较低引起的。第二，我国数字普惠金融减缓相对贫困的全要素生产率整体呈下降趋势，但由于纯技术效率的增长幅度较大，使得全要素生产率的下降幅度收窄，并在2017—2018年实现正增长;从各地Malmquist指数及其分解情况来看，除天津的全要素生产率变动指数大于1，其他地区的全要素生产率均呈负增长，主要是技术进步变动负增长引起的。第三，影响因素方面，金融发展规模、金融中介效率、产业结构与财政自给率显著影响数字普惠金融减缓相对贫困的效率。由于“金融排斥”的存在，金融资源更多聚集于经济发达地区，不利于贫困群体获得金融机构信贷支持，金融发展规模的扩大反而阻碍了数字普惠金融减贫效率的提高;金融中介效率的提高有利于资金利用效率的提高，产业结构的优化升级给农村贫困群体带来大量的就业和创业机会，财政自给能力越强则可用于金融减贫工作的资金也越多，有利于提升数字普惠金融减贫效率。

（二）相关建议

根据上述研究结论，就提高数字普惠金融减缓相对贫困效率提出以下政策建议：

第一，扩大数字普惠金融规模，完善金融服务配套设施，提高规模效率。首先，政府可以通过增加投资，大力支持商业银行、农信社、村镇银行在较为落后的中西部地区设点，扩大中西部地区的数字普惠金融机构规模。其次，行业协会、金融机构应积极开展从业人员培训，增加从业人员数量，提高从业人员服务水平。最后，积极推广手机银行、第三方支付、互联网保险等新型金融业态，通过扩大数字普惠金融的规模，提高中西部地区弱势群体金融服务的可获得性和覆盖率，保证贫困群体能够获得充足的金融产品和服务，进而提高数字普惠金融减贫效率。

第二，加大科技创新投入，提升数字普惠金融技术水平。首先，运用大数据与人工智能深度挖掘电商、社交、搜索等途径获取的数据，降低人工成本和交易成本，提升效率与风控能力，加速数字普惠金融发展进程。其次，利用在线支付、移动通信和其他数字技术为金融服务提供便利，研发推广安全、简单易用的操作界面，拓展数字普惠金融服务的广度和深度。

参考文献：

[1]林闽钢.相对贫困的理论与政策聚焦——兼论建立我国相对贫困的治理体系 [J].社会保障评论，2020，4（1）.

[2]Abor，Amidu，Issahaku. 2018. Mobile Telephony，Financial Inclusion and Inclusive Growth [J].Journal of African Business，19（3）.

[3]Shorrocks A，Townsend  P. 1980. Poverty in the United Kingdom：A Survey of Household Resources and Standards of Living [J].The Economic Journal，90（360）.

[4]杨立雄，谢丹丹. “绝对的相对”，抑或“相对的绝对”——汤森和森的贫困理论比较 [J].财经科学，2007，（1）.

[5]杨舸.流动人口与城市相对貧困：现状、风险与政策 [J].经济与管理评论，2017，33（1）.

[6]施琳娜，文琦. 相对贫困视角下的精准扶贫多维减贫效应研究——以宁夏彭阳县为例 [J].地理研究，2020，39（5）.

[7]杨艳琳，付晨玉.中国农村普惠金融发展对农村劳动年龄人口多维贫困的改善效应分析 [J].中国农村经济， 2019，（3）.

[8]孔维汉，李爱喜. 普惠金融发展对农村居民消费的影响研究 [J]. 东北财经大学学报， 2019，（4）.

[9]罗荷花，骆伽利. 多维视角下普惠金融对农村减贫的影响研究 [J]. 当代经济管理，2019，41（3）.

[10]蒋瑛，陈钰晓，田益豪. 信贷约束对农户多维贫困的影响分析——基于2016年中国家庭追踪调查数据（CFPS）的实证研究 [J].农村经济，2019，（4）.

[11]黄秋萍，胡宗义，刘亦文.中国普惠金融发展水平及其贫困减缓效应 [J].金融经济学研究，2017，32（6）.

[12]谭燕芝，彭千芮. 普惠金融发展与贫困减缓：直接影响与空间溢出效应 [J].当代财经，2018，（3）.

[13]崔艳娟，孙刚. 金融发展是贫困减缓的原因吗？——来自中国的证据 [J].金融研究，2012，（11）.

[14]王伟，朱一鸣.普惠金融与县域资金外流：减贫还是致贫——基于中国592个国家级贫困县的研究 [J].经济理论与经济管理，2018，（1）.

[15]李建军，韩珣.普惠金融、收入分配和贫困减缓——推进效率和公平的政策框架选择 [J].金融研究， 2019，（3）.

[16]賈辉辉，吕德宏.基于农业供应链的金融精准扶贫效果研究 [J].金融理论与实践，2019，（2）.

[17]郭小卉，段胜英，冯艳博.河北隆化县“政银企户保”金融扶贫模式探析 [J].金融理论与实践，2019，（1）.

[18]杜兴洋，杨起城，邵泓璐. 金融精准扶贫的绩效研究——基于湖南省9个城市农村贫困减缓的实证分析 [J].农业技术经济，2019，（4）.

[19]许星，杜君楠，吕卓洋.金融精准扶贫绩效评价及障碍因子诊断——基于贫困农户满意度视角 [J].武汉金融，2019，（2）.

[20]董玉峰，赵晓明.负责任的数字普惠金融：缘起、内涵与构建 [J].南方金融，2018，（1）.

[21]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）.

[22]A Charnes，W W Cooper，E Rhodes. 1978. Measuring the Efficiency of Decision Making Units [J].Charnes A，Cooper W W，Rhodes E，2（6）.

[23]Banker R D，Charnes A，Cooper W W. 1984. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis [J].Management Science，30（9）.

[24]章祥荪，贵斌威.中国全要素生产率分析：Malmquist指数法评述与应用 [J].数量经济技术经济研究，2008，（6）.

[25]Fare R，Grosskopf S，Norris M. 1997. Productivity Growth，Technical Progress，and Efficiency Change in Industrialized Countries：Reply [J].American Economic Review， 87.

[26]Greene W H. 1981. On the Asymptotic Bias of the Ordinary Least Squares Estimator of the Tobit Model [J]. Econometrica，49（2）.