刘琳 李子丰

（天津师范大学，天津 300387）

一、引言

数字普惠金融是大数据、云计算等数字技术与传统普惠金融相结合的产物，数字普惠金融的出现一方面降低了普惠金融服务的获客成本，提升了业务覆盖范围；另一方面，也大大提升了业务的开展效率，使普惠金融业务的可持续盈利能力得到提高，更能调动供给端参与的积极性。长期的政策支持为我国数字普惠金融营造了良好的发展环境，使我国数字普惠金融水平不断攀升。但近年来，我国数字普惠金融在经历了前期的“拓荒式”增长后，增长的脚步明显放缓，且不同地区间的数字普惠金融发展水平存在显著差异。为了寻找背后的原因，并进一步制定推动数字普惠金融均衡发展的相关举措，有必要对我国数字普惠金融发展的差异情况、差异来源和影响因素等进行深入剖析，为相关政策的制定提供参考和建议。

二、文献综述

无论是研究传统普惠金融还是数字普惠金融，首先要有合适的方法对普惠金融进行量化测度。早期国外学者们对此进行了许多尝试：Sarma（2008）从金融服务的渗透、使用、效用三个维度构建普惠金融的评价指标；随后Sarma &Paris（2011）参考联合国人类发展指数的构建方法，从银行渗透度、金融服务可使用性及金融服务的使用情况三个维度测度发展中国家和发达国家普惠金融的发展状况。Gupte et al.（2012）从服务渗透性、使用度、便利性和交易成本四个维度构建普惠金融发展评价体系；Beck et al.（2013）从金融覆盖渗透度和使用深度两个维度出发，利用四个指标构建普惠金融发展测度评价体系，为该领域提供了新的视角。从国内学者研究情况来看，最具代表性的是郭峰和熊云军（2021）基于蚂蚁集团的海量用户数据构建的“北京大学数字普惠金融指数”。该指数由三个维度构成，包含33个细分指标，并具体到省级、市级及县级指数，填补了数字普惠金融在量化测度方面的空白。

参考传统普惠金融的影响因素，学者们对数字普惠金融的影响因素进行研究。葛和平和朱卉雯（2018）构建数字普惠金融指标体系并进行实证分析，发现经济状况、互联网使用度、地理状况、金融思维、收入差距等指标与数字普惠金融发展存在显著相关性；孙英杰和林春（2018）发现经济发展、政府干预和人力资本质量等因素对普惠金融发展存在显著促进作用，而市场化和信息化却对其存在显著抑制作用；陈银娥等（2020）通过时空地理加权回归模型，发现农村金融环境、农村经济发展、投资环境及城乡协调发展等因素与普惠金融存在明显相关性。李明贤等（2021）等利用面板数据模型实证检验发现经济因素、社会因素、人口教育及人口收入等因素会影响湖南省县域数字普惠金融发展；董晓林和张晔（2021）创新性地从自然资源依赖的视角出发，基于中国273个地级市的面板数据进行实证分析，研究发现自然资源依赖显著阻碍了数字普惠金融的发展，并且这种负向影响体现在覆盖广度、使用深度及数字化程度等三个维度。

梳理现有文献可以发现，当前学者对数字普惠金融的经济效应研究较多，而对数字普惠金融影响因素的研究则相对较少，将人口结构纳入影响因素的研究更是几乎没有，在老龄化加剧、新生代教育水平快速提升和产业结构迅速变迁的社会背景下，这些研究的时效性略显不足。此外，我国数字普惠金融经历了早期的快速发展后，现在的发展形势与初期相比发生了较大变化，而对数字普惠金融发展区域差异进行分析描述的相关文献较少。本文基于最新的数字普惠金融指数，利用Dagum基尼系数法及Kernel密度非参数估计方法，对我国数字普惠金融的区域差异、差异来源及分布动态演进做深入分析，并进一步基于省级面板数据对我国数字普惠金融发展的影响因素进行实证检验，以全面揭示影响我国数字普惠金融发展的因素，为相关政策的制定提供参考。

三、中国数字普惠金融发展的区域差异分析

本文使用Dagum 基尼系数描述我国数字普惠金融发展的区域差异及差异来源，该方法由Dagum（1997）提出，将总体差异按来源分解为子群内差异贡献、子群间差异贡献和超变密度贡献，相较于传统基尼系数和泰尔指数法，该方法能够准确追踪差异来源。本文借鉴Dagum 的方法计算我国东、中、西部三个地区2011—2020 年间的Dagum 基尼系数，具体计算公式如下：

式（1）中，G总代表基尼系数，j、h代表子群个数，i、r代表子群内省份个数，k代表子群总数，n代表省份总数，nj()nh代表第j（h）子群内的省份个数，Eji（Ehr）代表第j（h）子群内的省份i（r）的数字普惠金融指数，EDIFI代表数字普惠金融指数的算数平均值。

由图1 展示的我国数字普惠金融发展总体差异来看，2011—2017 年间总体Dagum 基尼系数呈现持续下降趋势，从2011 年的0.2500 下降至2017 年的0.0459，降幅达81.64%，说明考察期内我国数字普惠金融发展的总体地区差异大幅缩小，空间非均衡状况得到缓解；之后在2018—2020 年间Dagum 基尼系数整体有所上升，说明我国数字普惠金融发展的总体差异在经历了早期的大幅缩小后，如今有扩大趋势。从区域内差异来看，东部地区和西部地区的Dagum基尼系数在2011—2017 年间迅速缩小，缩减幅度分别为69.41%和87.59%，说明考察期内东部地区和西部地区数字普惠金融发展的区域内差异大幅缩小；之后在2018—2020年呈小幅上升趋势，说明两地区的区域内差异略有上升；中部地区数字普惠金融发展的区域内差异在2011—2014年间持续缩小，Dagum基尼系数由0.0697 下降至0.0231，下降比例为66.85%。2015—2020 年中部地区Dagum 基尼系数由0.0143 上升到0.0309，提升了116.61%，说明考察期内中部地区区域内差异大幅扩大。

图1 我国数字普惠金融发展总体差异及区域内差异

图2 展示的是我国数字普惠金融发展区域间差异，可以直观地看出，在2011—2015年间Dagum基尼系数大幅下降，东—中、东—西、中—西的降幅分别达到了75.84%、76.75%和84.25%，说明我国数字普惠金融发展的区域间差异在考察期内大幅缩小；在2016—2020 年间Dagum 基尼系数呈小幅上升趋势，说明区域间差异经历了早期的大幅缩小后，如今有所回升，但在2020年上升趋势有所减缓；2017年中部地区和西部地区的数字普惠金融发展水平差异最小，为0.0257，2011年东部地区和西部地区间的数字普惠金融发展水平差异最大，为0.3679。整体来说，2011—2020年间我国数字普惠金融发展水平的区域间差异呈缩小趋势，区域间数字普惠金融发展趋于协调，但考察期后几年区域间差异有所扩大。

图2 中国数字普惠金融发展区域间差异

图3 展示的是我国数字普惠金融发展总体差异的来源，从对全国数字普惠金融发展总体差异的贡献程度来看，2011—2020 年间区域间差异贡献最大，变动区间为67.10%～73.42%，平均变动率为70.31%，说明2011—2020年全国数字普惠金融发展的总体差异主要来自区域间差异；区域内差异贡献的变动区间为20.32%～23.73%，平均变动率为22.52%，相比区域间差异贡献更小；超变密度贡献最小，变动区间为4.66%～9.17%，平均变动率为7.17%，数字普惠金融发展情况差异受区域间样本交叉重叠问题的影响较小。从贡献率的变动趋势来看，2011—2020 年间区域间差异贡献占比呈波动下降趋势，由2011 年的72.50%下降至2020 年的67.1%，下降了5.40%，而区域内差异贡献及超变密度贡献在考察期内分别提升了3.41%和1.99%，有明显上升趋势。因此，在制定解决数字普惠金融发展区域差异问题的政策时，要更侧重和聚焦于缩小区域间差异。

图3 中国数字普惠金融发展总体差异的来源

四、中国数字普惠金融的分布动态及演进

上文通过Dagum 基尼系数揭示了我国数字普惠金融发展水平的区域差异及差异分解情况，但上述分析不能体现发展水平绝对差异的动态演进情况，为了更好地体现我国数字普惠金融发展绝对差异的分布动态及演进规律，本文使用kernel密度估计方法对数字普惠金融发展指数在全国及东、中、西部地区分布的位置、态势、延展性和极化趋势进行分析。

Kernel 密度估计作为一种能够对随机变量的概率密度进行估计的非参数估计方法，可通过连续的密度曲线刻画随机变量分布状况，已经成为研究空间非均衡分布的一种重要方法。设f()x为中国数字普惠金融发展指数x的密度函数，在点x的概率密度可由式（2）估计：

其中，N为观测值的个数，K（·）为核密度函数，Xi为独立分布的观测值，x为观测值的均值，h为带宽，带宽越小，估计的精确度越高。根据Kernel密度函数的表达形式不同，核函数可分为高斯核、三角核、四角核等多种形式。本文选择常用的高斯核函数进行估计，表达式为：

图4为全国31个考察地区2011—2020年数字普惠金融指数的核密度示意图。从波峰的移动来看，2011—2020 年我国数字普惠金融发展水平分布曲线的主峰位置有显著右移趋势，说明考察期内我国数字普惠金融发展水平大幅提升；主峰高度经历了先上升后下降的变化过程，说明我国数字普惠金融发展的绝对差异先缩小后扩大，这与前文对基尼系数的分析结果一致；样本观测期内主峰宽度加大，经历了由双峰到多峰的过程，侧峰较低且始终存在右拖尾，延展性逐渐拓宽，说明我国各省份数字普惠金融发展呈现出多极化趋势，存在梯度效应。

图4 全国数字普惠金融发展动态演进趋势

图5、6、7 分别为我国东、中、西部地区2011—2020年数字普惠金融指数的核密度三维透视图。从波峰移动来看，考察期内东、中、西部三个地区数字普惠金融发展水平分布曲线的主峰位置均向右大幅移动，说明考察期内各地区数字普惠金融发展水平均有大幅提升；各地区主峰高度均存在先上升后下降的趋势，说明我国数字普惠金融发展的总体差异经历了先缩小后扩大的过程；东部地区主峰宽度加大，并逐渐由双峰过渡到多峰，延展性得到拓宽，说明样本观测期内东部地区的数字普惠金融发展水平存在明显的多极分化现象。中部地区未出现侧峰，但主峰宽度存在显著的拓宽趋势，说明中部地区数字普惠金融发展存在明显的非均衡现象；西部地区主峰宽度呈现先变窄后加宽的变动趋势，并由单峰逐渐发展为双峰，说明西部地区数字普惠金融发展的空间非均衡趋势先变小后增大，且有极化现象出现。

图5 东部地区数字普惠金融发展的动态演进趋势

图6 中部地区数字普惠金融发展的动态演进趋势

图7 西部地区数字普惠金融发展的动态演进趋势

五、中国数字普惠金融发展影响因素的实证分析

（一）模型构建、变量选取及数据来源

本文构建数字普惠金融发展影响因素的回归模型如下：

公式（4）中，i，t分别代表省份和年份，DIFI是被解释变量，即数字普惠金融指数，pgdp为人均GDP，tradition代表传统金融发展水平，exp代表财政支出，gap代表城乡收入差距，pop代表人口密度，net代表互联网发展水平，edu代表人口教育结构，employ代表人口就业结构，odr代表人口年龄结构，并对人均GDP、人口密度和互联网发展水平三个变量取对数，μi为地区固定效应，φt为时间固定效应，∈it为随机扰动项。

本文所使用的数据来自《中国统计年鉴》和《中国金融年鉴》、Wind数据库及各地区政府部门官网发布的公告，选取2011—2020年全国31个省份（港澳台地区数据缺失）的各项指标，每个指标包含310 个观测值。具体变量定义如表1所示，各变量的统计性描述见表2。

表1 变量定义

表2 变量统计性描述

（二）实证结果及分析

1.基准回归。首先，通过F检验、Hausman检验和LM检验，发现本文适合使用固定效应模型，回归结果见表3。列1为以北京大学数字普惠金融指数（DIFI）为被解释变量得到的基准回归结果，列2、3、4分别为以覆盖广度（cov）、使用深度（use）及数字化程度（digi）为被解释变量得到的回归结果。

表3 基准回归及分指数回归结果

从基准回归的结果来看，第一，人均GDP（lnpgdp）与数字普惠金融指数（lnDIFI）在1%水平下显著正相关，说明数字普惠金融发展仍受限于经济发展水平。数字普惠金融的底层技术为互联网金融，一方面，经济发展能有效催生新型互联网技术在金融方向的应用；另一方面，经济发展可以创造大量资金需求，居民对金融产品的需求提升，促使金融机构加大金融产品的创新力度，数字普惠金融发展水平亦随之提升。

第二，传统金融发展水平（tradition）与数字普惠金融指数（ln DIFI）在1%水平下显著正相关，说明数字普惠金融发展存在对传统金融发展的路径依赖。传统金融机构是资金的重要提供者，传统金融发展水平对数字普惠金融的影响不仅仅体现在资金的体量上，也体现在产品设计和贷款政策上。

第三，政府财政支出（exp）与数字普惠金融指数（ln DIFI）在1%水平下显著正相关，说明数字普惠金融发展受财政政策影响。合理的财政支出能够保证交通、互联网等基础设施建设完善，提升数字普惠金融的触达能力，为居民及高新技术企业提供健康的发展环境；同时财政在教育方面的支出增加能够提升人口的知识素养，为企业提供稳定的人才供应并增加金融服务的使用人数，促进技术和需求的双向发展。

第四，城乡收入差距（gap）与数字普惠金融指数（ln DIFI）在1%水平下显著负相关，城乡居民收入差距的扩大不利于数字普惠金融水平进步。城乡居民收入差距的扩大一方面会促使财富向少数人集中，不利于整体人口素质的提升，减少数字普惠金融的使用人数；另一方面，会对产业结构升级产生抑制作用。从而缩减当地融资需求，阻碍数字普惠金融的发展。

第五，人口密度（lnpop）与数字普惠金融指数（lnDIFI）相关性为正但并不显著。从可获得性方面来看，数字普惠金融产品多数情况下出现在手机银行、互联网等网络化产品中，用户对数字普惠金融产品的使用无需通过线下形式实现，因此人口密度虽能对传统金融发展产生助推力，但对数字普惠金融发展的促进作用并不显著。

第六，互联网发展水平（lnnet）与数字普惠金融指数（ln DIFI）在1%水平下显著正相关，说明互联网发展水平的提升能够有效推动数字普惠金融发展。从数字普惠金融的本质来看，数字普惠金融是传统普惠金融与互联网、大数据等相结合的综合产物。互联网使用者数量的增长会促进传统普惠金融产品的网络化，有效提升传统普惠金融产品的可获得性，使数字普惠金融发展水平不断提升；互联网技术的发展也使数字普惠金融产品的底层技术更加完善，有利于金融机构更好地创新符合居民需求的数字普惠金融产品。

第七，人口教育程度（edu）与数字普惠金融指数（ln DIFI）在5%水平下显著正相关，说明人口教育结构的优化有利于数字普惠金融的发展。首先，人口教育程度的提升能够提高社会整体素质，有利于高端产业人才供给，促进经济发展水平提升；其次，高教育程度的居民能更好地理解金融产品和获取金融服务，因此人口教育程度的提升能够有效缓解金融排斥，让更多的居民参与到数字普惠金融的使用中；最后，人口教育程度的提升有助于为社会提供更多的科技型人才和创业型人才，不断完善数字普惠金融产品，提升数字普惠金融使用需求。

第八，人口就业结构（employ）即第三产业GDP占比，与数字普惠金融指数（lnDIFI）在1%水平下显著正相关。第三产业是指除第一、二产业外的其他行业，实证结果说明数字普惠金融发展对第三产业具有一定的依赖性，地区产业结构从第一、二产业向第三产业转移的过程对数字普惠金融发展具有一定的促进作用。

第九，人口年龄结构（odr）即老年抚养比，与数字普惠金融指数（ln DIFI）在1%水平下显著负相关，说明人口老龄化进程会阻碍数字普惠金融发展。同等条件下，处于退休阶段的老年人群收入保障一般要低于处于工作年龄的人群，数字普惠金融服务的供给端出于风险规避的目的，其产品设计使得老年人在获取金融服务方面存在滞后性；此外，随着年龄的增加，人们对于新事物的接受速度会逐渐下降，思维难以跟上日新月异的金融产品及各式各样的新型互联网应用技术的变化。多种因素共同影响下，导致老年人群在获取金融服务、理解金融产品等问题上存在一定困难，因此人口老龄化会阻碍数字普惠金融的发展。

从细分指数的回归结果来看，经济发展、政府干预、收入水平三个维度的指标对覆盖广度、使用深度及数字化程度三个细分指数均有显著影响，其中城乡收入差距对三个细分指数均为负向影响，说明其对数字普惠金融发展的阻碍作用体现在覆盖广度、使用深度及数字化程度三个方面。值得注意的是，传统金融发展水平与数字普惠金融数字化程度指数在10%水平下显著负相关，这或许是由于当前数字普惠金融业务盈利性不足所致。从当下情况来看，金融机构传统信贷业务的盈利性高于数字普惠金融业务，因此在传统信贷市场发展良好的情况下，金融机构更倾向于以传统信贷模式发放贷款，而不是加大数字普惠金融的产品研发力度，从而阻碍普惠金融产品的数字化发展。各细分指数回归与基准回归的差异主要体现在人口结构维度的四个指标之上：人口教育结构对数字普惠金融的影响主要体现在使用深度及数字化程度方面，说明教育程度的提升能够促进居民用更深入、更加数字化的方式使用数字普惠金融服务，而不能很好地提升数字普惠金融的覆盖广度。人口就业结构和人口年龄结构对数字普惠金融的影响则主要体现在覆盖广度及使用深度方面，第三产业就业的增长会提升数字普惠金融覆盖面，促进居民更深入地享受数字普惠金融服务。年龄结构带来的影响则恰恰相反，人口年龄结构与覆盖广度、使用深度指数分别在1%和10%水平下显著负相关，说明人口老龄化进程会缩小数字普惠金融覆盖广度，阻碍民众对于数字普惠金融服务的深度使用，从而阻碍数字普惠金融发展。从可获得性的两个指标，即人口密度与互联网发展水平的回归结果来看，人口密度与三个细分指数呈不显著的正相关关系，该结果与基准回归一致，说明人口密度对数字普惠金融发展的促进作用并不明显。

2.异质性检验。为进一步探究我国不同区域数字普惠金融发展影响因素的异质性，本文将样本观测范围内的31 个省份划分为东、中、西部三个地区，并分别对各变量进行回归，结果见表4。从表4 中可以看出，各地区人均GDP、互联网发展水平和教育水平的提升能够显著促进数字普惠金融发展，城乡收入差距这一因素在三个区域内均为负向影响，说明城乡收入差距的扩大会阻碍数字普惠金融发展，与基准回归结果一致；传统金融发展水平在东、西部与被解释变量相关性显著；财政支出对数字普惠金融指数的影响在中部地区和西部地区显著为正，在东部地区并不显著；人口就业结构对数字普惠金融的影响在西部地区并不显著，与东部、中部的指数分别在1%和5%水平下正相关；东、中、西部地区人口年龄结构与被解释变量负相关，其中与中部地区和西部地区数字普惠金融指数的相关性水平分别为1%和5%，说明相较于东部地区，人口老龄化对中、西部数字普惠金融发展的阻碍性更强。

表4 基准回归及分地区回归结果

3.内生性检验。考虑到数字普惠金融发展可能受上期发展情况的影响而存在内生性问题，本文进一步选择数字普惠金融指数的滞后一期指数作为工具变量，使用动态面板回归模型，通过系统GMM（SYSGMM）法进行回归，如式（5）所示：

其中DIFIii,t-1为滞后一期的数字普惠金融指数，x为各影响因素。首先，为保证工具变量的有效性及外生性，系统GMM 法要求进行过度识别约束检验及扰动项自相关检验。由表5 可见，序列相关AR 检验结果表明，随机扰动项存在一阶自相关，但二阶不相关。由此可接受原假设，即“随机扰动项无自相关”，说明工具变量是有效的。其次，本文选用Hansen 检验方法进行过度识别约束检验，回归结果显示Hansen 检验的P 值大于0.1，接受“工具变量与随机误差项不相关”的原假设，即工具变量是有效的。

从表5的回归结果中可以看到，滞后一期的数字普惠金融指数（L.DIFI）与数字普惠金融指数（DIFI）在1%水平下显著正相关，说明数字普惠金融的发展存在一定惯性，居民对于数字普惠金融服务的理解和使用存在一个由浅入深的过程，因此数字普惠金融事业需要扎实稳步地推进，不能一蹴而就。此外，系统GMM 回归结果与固定效应模型的基准回归、细分回归结论基本一致，模型稳健性也得到了再次验证。

表5 动态面板回归结果

六、结论与政策建议

本文利用Dagum基尼系数和Kernel估计方法，对我国数字普惠金融发展的区域差异、差异来源及分布动态演进进行分析。在此基础上，基于省级面板数据对数字普惠金融发展的影响因素进行实证检验，主要结论为：第一，我国数字普惠金融发展的总体差异在2011—2017 年持续下降，又在2018—2020 年有所回升，总体差异主要来自区域间差异。第二，我国数字普惠金融发展存在明显极化趋势。分地区看，东部地区存在明显多极分化现象，中部地区数字普惠金融发展空间非均衡情况加剧，西部地区数字普惠金融发展的空间非均衡趋势先变小后增大，且有极化现象出现。第三，实证检验发现经济发展、政府干预、收入水平、可获得性、人口结构等均对数字普惠金融发展具有显著影响。

基于以上研究，提出如下几点政策建议：一是正视差距、补齐短板，加强对数字普惠金融的政策支持。数字普惠金融的发展受历史发展情况影响，存在惯性，因此相对落后的地区要正视差距，厘清自身存在的问题，在此基础上积极学习先进地区发展经验，深化相关产业政策支持，营造良好的市场环境，提升数字普惠金融产业竞争力，进一步缩小数字普惠金融发展区域差异。二是加强互联网基础设施建设，优化产业结构，为数字普惠金融发展提供新动力。互联网发展水平的提高能够拓宽居民信息渠道，让居民有更多机会接触金融营销产品，提升数字普惠金融产品的可获得性。因此要加强网络设施铺设，发展金融科技，降低金融产品使用的信息门槛，提升弱势群体对数字普惠金融产品的使用频次和深度，为数字普惠金融发展提供新动力。各地要重点支持高附加值产业发展，促进产业转型升级，提升居民就业质量和收入，形成“产业发展—数字普惠金融发展—产业发展”的良性循环。三是进一步放宽生育政策，重视人才培养与引进。近年来我国老龄化进程明显加快，人口老龄化不利于数字普惠金融产业发展和业务开拓，因此应进一步放宽生育政策，延缓老龄化进程。同时落后地区应注重人才培养，加大人才引进力度，为数字普惠金融产业建设提供充足人才供应，推动数字普惠金融稳步发展。