张城恺 李 华 张彦军 杨丽丽

（1.北京市科学技术研究院，北京 100089；2.北京农学院，北京，102200）

一、引言及文献综述

党的十八大以来，党中央、国务院把农业现代化建设、乡村数字化发展推至空前高度，在立足新时代农情国情、积极推进数字技术与乡村融合发展的基础上，提出了金融科技、数字乡村等一系列重大战略部署。但就现实情况而言，我国乡村地区发展非均衡现象客观存在，仍有综合供给不平衡、数字鸿沟突出、普惠金融目标偏移等一系列问题。为了解决当前存在的问题，国家陆续出台了一系列政策与规划：《数字乡村发展战略纲要》提出要以数字乡村战略为抓手，进一步推动我国城乡融合发展和现代化建设进程；《金融科技发展规划（2022—2025）》①金融科技的相关名词还有“数字普惠金融”“互联网金融”等，根据《金融科技发展规划（2022—2025）》以及众多学者的评述，金融科技、数字普惠金融和互联网金融的差别细微，因此本文统一使用金融科技来概称。强调要解决金融科技发展不平衡不充分等问题，更好地满足数字经济时代的新要求、新任务。由此可见，国家高度重视金融科技与数字乡村的发展，处理好两者的关系对实现中国式现代化意义重大，故针对金融科技与数字乡村关系的研究很有意义。

近年来，基于金融科技与数字乡村取得的巨大成效，两者关系的研究一直是学者讨论的重点。张文娟和张正平（2022）认为数字乡村的建设为金融科技发展提供了重要机遇，在数字基础设施建设、多样化金融需求以及降低金融成本等方面有显著的推进作用[1]。为进一步探讨两者之间的关系，有学者从金融科技与乡村振兴等更宏观的视角切入。金融科技促进乡村振兴具有天然优势，谭燕芝和李云仲等（2021）依据哈耶克的“供给优先”理论，认为乡村振兴发展的首要任务是发挥金融供给先导作用，数字金融作为普惠金融的载体，能够在几乎零边际成本的情况下，第一时间为需求客户提供服务，摆脱了时间和地理对传统金融机构的限制[2]。乡村振兴的发展也需要高水平金融科技力量，李季刚和马俊（2021）指出金融科技可以有效促进乡村振兴发展，在覆盖广度和数字化程度上具有显著特征，并且存在非线性相关关系[3]。除了针对两者关系的研究，学者们对金融科技与数字乡村各自所在的分领域也展开大量探索。一方面，基于金融科技的概念[4]、发展模式[5]、运行机理[6]等方面开展理论探讨，并利用实证研究手段向社会共同富裕[7-9]、产业协同发展[10-11]等领域持续拓展。另一方面，聚焦数字乡村发展的内涵[12]，在乡村数字治理[13]、数字基础设施[14]、乡村数据资源开发与管理[15]、乡村数字产业[16-17]等维度深度挖掘。

综上所述，直接开展金融科技与数字乡村关系的研究还较少，相关研究主要集中在金融科技和数字乡村分领域内，对两者间作用机制进行实证研究的成果甚是鲜见。本文的边际贡献在于：第一，构建了适用于科学评价金融科技与数字乡村发展水平的指标体系，测度了金融科技与数字乡村的综合发展水平，丰富了金融科技与数字乡村的发展理论；第二，运用耦合协调度模型、面板回归模型实证分析金融科技与数字乡村的耦合协调度以及影响两者耦合协调的驱动因素，深度剖析金融科技与数字乡村的互促关系，为两者间融合发展提供依据和对策建议。

二、指标体系、研究方法及数据来源

1. 构建指标体系

为了更客观、全面、系统分析我国金融科技与数字乡村建设的耦合协同作用，综合考量指标的科学性、代表性，本文最终形成两大系统的综合评价指标体系，见表1。选用熵权法对各项指标进行赋权，测算金融科技与数字乡村发展水平。

表1 金融科技与数字乡村综合指标体系

金融科技指标体系。利用数字金融指数作为金融科技代表指标。其中，金融科技涵盖了覆盖广度、使用深度、数字化程度，能够针对中国金融科技发展现状展开更为客观全面的指标评价。

数字乡村指标体系。对标《数字农业农村发展规划（2019—2025）》《中国数字乡村发展报告（2020）》《数字乡村标准体系建设指南》等规划与报告中的相关指标，设置了资金投入、基础设施、农业生产和生活服务4 个维度，共计15 个具体指标，其指数范围在0—1之间。

2. 数据来源

金融科技指标的相关数据来源于北京大学研究团队。数字乡村指标相关数据分别来自《中国统计年鉴》《中国农村统计年鉴》以及各省（区、市）统计年鉴，还有阿里研究院相关报告中的数据。其中针对统计年鉴中某些具体指标的缺失问题，本文从官方网站和官方报告中获取，对缺失数据采用插值法进行推算。西藏、香港、澳门、台湾因数据缺失严重，本文予以剔除。

3. 研究方法

本文旨在通过构建金融科技和数字乡村指标体系，测算中国金融科技和数字乡村的发展水平，利用耦合协同模型分析中国地区间耦合协同的空间差异效应，采用面板数据回归估计影响耦合协同的驱动因素。具体步骤与方法如下：

（1）耦合协同模型

第一，耦合度模型。耦合用来反映两个或两个以上系统间相互影响和相互作用的关系。为了研究金融科技与数字乡村间的彼此影响关系，基于上述评价指标体系，建立金融科技与数字乡村耦合度模型，具体公式为：

其中，C 代表金融科技与数字乡村发展的耦合水平，C 的取值范围在[0，1]之间。

第二，协调度模型。为了深入研究金融科技与数字乡村间的协调关系，反映各系统间耦合程度高低，引入协调度模型，具体模型为：

其中，T 代表金融科技与数字乡村的协调程度，α 、β 为待定系数，本文设定金融科技与数字乡村同等重要，故将α 、β 均赋值为0.5。

第三，耦合协调度模型。进一步构建耦合协调度模型以客观反映两系统耦合发展程度与协调性，具体模型如下：

其中，D 表示金融科技与数字乡村耦合协调发展程度，取值范围在[0，1]之间。为了更加直观地反映金融科技与数字乡村的耦合协调水平，基于两系统实际发展程度，以均值分段法为基础，将其划分为8 个等级，如表2 所示。

表2 两系统耦合协调发展等级

（2）面板数据回归模型

系统间的耦合是多种因素驱动的结果。因耦合协调度是耦合质量的良好反应，依此构建面板回归模型，探讨耦合的驱动因素。基于耦合协调度介于[0，1]之间，受因变量的限制，其数值的有限性不能忽视，所以采用面板数据回归模型：

其中，下标i 和t 分别为个体和时间；α 为常数项；β1，β2，…，β5为各变量的回归系数；εit为误差项。

三、实证研究

1. 金融科技与数字乡村综合指数分析

（1）综合指数的时序特征

经过系统测算得到2013—2020 年中国30 个省（区、市）的金融科技与数字乡村综合指数，见图1。我国各省（区、市）的金融科技和数字乡村实现快速发展，呈渐次上升的态势，金融科技的总体发展高于数字乡村的发展。从金融科技发展的角度看，2013 年的水平与数字乡村相差无几，一直保持11.94%的平均增速持续增长，到2020 年达到顶峰0.342。从数字乡村建设的角度看，2013—2020 年的年均增长率为7.49%，虽然保持每年持续增长，但是其发展速度远低于金融科技。

图1 金融科技与数字乡村综合指数的时序特征

（2）综合指数的空间特征

金融科技已经具备了显著的空间聚集特征，在空间上形成了以东部省（市）为主的“一带三核心”中心发展区和以内陆为辅的“一极多点”次级发展区，具体数值见表3。

表3 金融科技与数字乡村发展水平

东部发展经济带的形成催生了金融科技以“北京- 天津”为核心的环渤海地区、以“浙江- 上海- 江苏”为核心的长三角地区和以“广东- 福建”为核心的东南部地区集聚的地理分布格局。三大地理中心所在的省（区、市），2020 年金融科技综合指数介于0.380—0.432 之间，均值达0.394。其中北京和上海的金融科技指数最高，客观反映了两座城市在要素供给、产业发展和政策支撑上的投入，成为带动全国金融科技发展的战略高地。以湖北为核心的中部地区成为内陆新增长点，金融科技综合指数为0.359，带动中部和西部等内陆省份形成多点协调发展的格局。金融科技发展水平较低的省（区、市）则主要位于我国北部沿边地区，东起黑龙江西至新疆，其金融科技综合指数尚不足0.350。

我国数字乡村综合指数形成了东部沿海的“数字发展带”，并呈现出沿东、中、西部梯度下降的态势。在东部沿海的“数字发展带”上，广东、浙江、江苏和山东表现最为抢眼，其综合指数分别达到了0.582、0.574、0.557 和0.430，成为东部领跑地区。数字乡村综合指数中低值点主要包含以河南为代表的中部内陆省份，其综合指标值介于0.130—0.257 之间。与金融科技发展水平不同，西部部分省（区、市）成为数字乡村发展综合指数低值聚集区，除四川发展较好，其他西部省（区、市）数值不高于0.190。

从地理格局看，两大综合指数均形成了从沿海到内陆等级递减的态势，分布特征上有明显的空间联系，与各地经济社会发展关系密切。并且，部分地区的综合指数展现出超脱地域水平的表现，如金融科技发展较好的湖北达到0.359，数字乡村发展较好的四川达到0.332，成为带动周边区域的“领头羊”。

2. 金融科技与数字乡村耦合协调及时空特征分析

（1）耦合协调度的时序特征

在确定金融科技与数字乡村综合发展水平的条件下，运用式（3）进一步测算两系统的耦合协调度，结果见图2。

图2 两系统耦合协调度时序特征

两系统耦合协调度均值在考察期内持续增长，从2013 年的0.266 增长到2020 年的0.362，进入初级协调阶段，说明金融科技与数字乡村两体系之间的相互影响仍不够深入。从变化幅度看，耦合协调度均值逐年增高，年均增长幅度为4.5%，说明两系统之间的相互作用和相互影响在持续提升，但整体上还有巨大的成长空间。耦合协调度的均值存在阶段性特征。2013—2015 年耦合协调度快速增长，但是在2015—2016 年期间耦合协调度增速突然趋缓，直到2017 开始才维持6.6%左右的缓步增长。

（2）耦合协调度的空间特征

以2013—2020 年两系统耦合协调度分析其空间特征，如表4 所示。2013 年，两系统耦合协调度空间分布极不均衡，各省（区、市）的耦合协调度从0.203 到0.340 不等，均值为0.266。处于濒临失调阶段的有25个省（区、市），主要集中在中部、西部和部分东部地区，其中也包含了北京、天津、重庆等传统数字化发展较好的地区。处于初级协调阶段的有5 个，包含江苏、广东、山东等地区，其中江苏的耦合协调度最高，达到了0.340。东部、中部、西部的耦合协调度均值分别为0.290、0.266、0.240，形成由东向西依次递减的态势。由此可见，2013 年两系统的耦合协调度水平非常低，整体水平处于起步阶段。

表4 2 013 年与2 02 0 年各省（区、市）耦合协调度测量与排名

对比2013 年的耦合协调度，2020 年各省（区、市）的耦合协调度实现了较大提升，地区间的差异明显扩大。2020 年各省（区、市）耦合协调度的最大值和最小值分别为0.492 和0.266，均值为0.362。按照耦合协调度发展等级看，以浙江为代表的东部地区6 个省（市）和四川耦合协调度最高，最高达到0.492，迈入中级协调阶段。北京、河北、河南、安徽等20 个省（区、市）进入初级协调阶段，耦合协调度介于0.304—0.398 之间。此外，仍然有宁夏、青海、海南处在濒临失调阶段，耦合协调度不足0.3。整体看，各种要素的集聚产生了金融科技与数字乡村两大系统非均衡发展的客观现状。

结合表4，两系统耦合协调度的整体空间特征表现为：受国家与地方经济、社会、政策和区位条件差异的影响，考察期起始阶段虽然耦合协调度不高，但仍有部分东部地区进入初级协调阶段，考察期尾声阶段高数值聚集区主要处于东部沿海地区，空间分布呈现自东向西逐次递减的态势。

3. 驱动因素研究

（1）变量选取

为了分析各因素对两系统耦合协调度的影响，本文将上述计算得到的金融科技与数字乡村耦合协调度（D）作为被解释变量，选取经济发展水平、地区产业结构、社会发展水平、居民金融活跃度和数字基础设施水平作为解释变量。其中：①经济发展水平（EDL）。金融科技与数字乡村的发展均离不开国家与地方经济的持续增长，高水平的经济形态有助于两者发展，用人均GDP 表示。②地区产业结构（RIS）。地区产业结构调整，能有力支撑数字乡村建设以及实现乡村高质量发展，用第二产业增加值与第一产业增加值比值来表示。③地区人口密度（RPD）。高密度的人口将带来更高的数字化需求，丰富金融科技与数字乡村的发展，用年末常住人口除以土地面积来表示。④居民金融活跃度（FAR）。具有金融高承载力的居民将为金融科技的发展带来坚实的需求端数量，用居民存贷款之和与GDP 比值来表示。⑤数字基础设施水平（DIL）。数字基础设施水平的高低直接反映了地区整体数字化程度，用光缆线路长度来表示。

（2）驱动因素分析

两系统耦合协调的驱动因素估计结果见表5。以面板数据为基础构建列（1）混合效应模型、列（2）随机效应模型和列（3）固定效应模型并逐一进行回归分析。列（1）的估计结果中，存在变量估计系数不显著现象，并且从三组模型的数值对比可知，混合效应模型值最低为0.878，拟合优度最低，与预期不一致，无法推动两个系统的耦合协调。列（2）的随机效应模型的拟合优度虽然高于混合效应，但依然存在变量估计系数不显著和系数估计值符号为负的情况，与理论预期相背离。在对随机效应和固定效应的Hausman 检验中，估计结果p 值为0.000，在1%水平下显著，拒绝了随机效应的原假设，因此列（3）报告了固定效应的估计。列（3）报告中变量系数均在1%水平下显著，并且系数估计符号符合理论预期，因此，可以认为计量结果稳定可靠。

从表5 可知，固定效应模型的R2值达到0.960，说明模型的拟合度较高，选取的变量可以很好地解释被解释变量。根据固定效应模型：第一，经济发展水平（EDL）的系数为正且在1%水平下显著，人均GDP 的数值直接反映了当地人民的生活水平与生活方式，经济水平越高的地区对数字化提升的要求越高，数字化得到提升后，反向刺激经济持续增长。第二，地区产业结构（RIS）在1%的水平下负向显著，体现出第一产业占比越高越能促进两系统的耦合协调程度。第三，地区人口密度（RPD）正向且在1%水平下显著，人口密度变量对两系统耦合协调具有积极的促进作用，反映出人口集中度较高的东部沿海地区耦合协调度高，西部人口集中度低的地区耦合协调度较低。第四，居民金融活跃度（FAR）正向且在1%水平下显著，其活跃度越高潜在客户就越高，较高的客户储备直接刺激金融机构的营收，表明金融科技可以体现出居民金融生活中的深度与广度，促进两系统的耦合协调。第五，数字基础设施水平（DIL）正向且在1%水平下显著，地区整体数字基础设施的覆盖效果、稳定程度、运行速度是影响数字乡村建设的重要因素，发展程度高的省份，其耦合协调度也较高。

四、结论与建议

本文系统梳理了金融科技与数字乡村相互作用的耦合关系，在此基础上构建金融科技与数字乡村综合评价指数，并运用耦合协调度模型、面板回归模型对金融科技与数字乡村之间的耦合协调程度以及影响耦合协调的驱动因素进行了分析。

1. 研究结论

第一，金融科技与数字乡村综合指数按照时间增长呈现出逐年递增的态势，时空分异明显。从时间特征看，金融科技综合指数比数字乡村综合指数贡献度大，系统间的耦合协调由金融科技主导。从空间格局看，金融科技形成以东部省（市）为主的“一带三核心”中心发展区和以内陆为辅的“一极多点”次级发展区，数字乡村则形成了东部沿海“数字发展带”，并呈现由东向西梯度下降的态势。

第二，金融科技与数字乡村耦合协调度在时间上表现出阶段性与上升性。阶段性特征指2016 年以后，系统间耦合协调度的增长幅度明显高于前期。系统间的耦合协调度总体呈持续上升态势，从濒临失调发展到初级协调，但距离优质协调还有较大的增长空间。

第三，金融科技与数字乡村耦合协调度在空间上具有差异性与集聚性。金融科技与数字乡村的空间差异性显著，耦合协调度空间分布非均衡，出现东部强、中部平、西部弱的态势。30 个省（区、市）的耦合协调度跨度较大，覆盖濒临协调到中级协调的范围。

第四，金融科技与数字乡村的耦合协调度是多种因素共同驱动的结果。经济发展水平、地区产业结构、地区人口密度、居民金融活跃度和数字基础设施水平的驱动效果明显。

2. 对策建议

第一，探索差异化的地区推广方案与策略，提升金融科技与数字乡村发展水平。由地方政府牵头，结合金融机构的需要推进农村地区金融科技教育与宣传，提高落后地区农村居民数字金融可得性，从居民内在属性上提高金融科技能力。基于各地区金融科技与数字乡村发展水平各异的现实，制定相应的发展策略，对于东部沿海经济发达地区，鼓励多从内在属性上提升居民的金融科技能力，对于中西部欠发达地区，要注重外在属性的提升。

第二，打造中西部增长极，推进金融科技与数字乡村进一步协同发展。基于我国金融科技与数字乡村耦合协调出现的东部强、中部平、西部弱态势，要突出中西部的政策支持，推动重大项目落地，打造新增长点。围绕中西部地区形成“头部带动、多点分布”的格局，在中西部地区探索培养能够引领辐射地区发展的“极化区域”，实现中西部经济高质量发展。

第三，健全要素流动机制，构建适合金融科技与数字乡村发展的内外部环境。进一步推动要素市场化改革、健全市场化配置的体制机制，通过市场竞争形成价格，调节供求关系，优化资源配置，最终实现数据、人口、技术、资本等促进金融科技与数字乡村发展的重要要素，科学、合理地融入数字化建设实践中。