区域数字金融发展对乡村相对贫困的影响及其作用机制

作者：刘自强 张天

来源：《金融发展研究》2021年第11期

摘 要：为检验我国数字金融发展的普惠程度，基于中国家庭金融调查数据与北京大学数字普惠金融指数的微观匹配数据，考察区域数字金融发展对乡村相对贫困的影响及其作用机制。结果表明：区域数字金融及其子维度的发展能显著提升农民整体收入水平，但惠及的重点人群是相对贫困线以上的农户，而相对贫困户受益面不足，现阶段无法显著缓解相对贫困。对其机制的分析表明：数字金融更多地表现为对传统金融业务的替代， 仅显著促进了相对贫困线以上农户金融可得性的提升，促进了这部分农户使用数字金融以实现增收;进一步地，相对贫困户难以获得数字金融服务的主要障碍因素并不是技术层面的数字鸿沟，即网络基础设施滞后，而主要源于相对贫困户因受教育水平所限导致金融素养较低而形成的参与门槛较高。对

此，建议提升农户的教育水平和金融素养，推进农村金融数字化进程，促进其与传统金融融合发展以提升相对贫困农户的数字金融参与。

关键词：数字金融;相对贫困;农民收入;金融可得性

中图分类号：F832.35 文献标识码：A 文章编号：1674-2265（2021）11-0013-08 DOI：10.19647/j.cnki.37-1462/f.2021.11.002 一、引言

我国全面建成小康社会后，下一步贫困治理的重点将转向缓解相对贫困的长效机制。农村地区是相对贫困治理的重要区域，提升农民收入水平是缓解农村相对贫困的重要途径，而这离不开数字金融的支持。作为互联网科技支撑下的新型金融业态，数字金融由于具有更强的地理穿透性，近年来在服务农业生产、农民生活的过程中，为农民脱贫致富提供了重要支撑，但其所表现出的普惠性能否适用于治理乡村相对贫困，还需要深入解析。在此背景下，本文以数字金融服务供给与需求为切入点，基于中国家庭金融调查数据（CHFS）与北京大学数字普惠金融指数的微观匹配数据，探究区域数字金融发展对乡村相对贫困的影响及其直接作用机制。这对巩固扶贫攻坚成果的工具手段选择具有理论意义，对下一步相对贫困治理实践也具有一定的應用价值。

本文对已有文献做如下拓展：一是在数字金融迅猛发展的背景下，考察其对乡村相对贫困的影响，从数字金融服务供给与需求的视角深入考察数字金融影响相对贫困的效应，有助于厘清当前数字金融在乡村发展中的普惠程度。二是参考相对贫困的度量指标，以乡村相对贫困户与非相对贫困户收入的变动差异作为乡村相对贫困状况的衡量指标，基于数字金融对乡村不同群体的收入作用差异来考察其对相对贫困的影响，拓展现有相关研究。 二、文献综述与理论分析

贫困的内涵丰富而复杂，学者对贫困的认识由单一收入维度、多维度衡量的绝对贫困逐步转向包含社会排斥与社会剥夺、能力缺失维度的相对贫困理论（杨立雄和谢丹丹，2007;Alkire 和Foster，2010）[1，2]。大多数学者认为相对贫困是在基本生存需要得到满足后，发展机会、社会保障等落后于社会一般水平的一种状态（王国敏和何莉琼，2021;叶兴庆和殷浩栋，2019）[3，4]。相对贫困是贫困长期、真实的表现形式，反映了社会发展和分配的不平衡、不充分情况。中国相对贫困存在城乡差异，相较于城镇，乡村地区相对贫困问题较严重（李永友和沈坤荣，2007;仲超和林闽钢，2020）[5，6]。已有文献表明收入来源较少、教育资源匮乏以及健康状况欠佳是导致相对贫困发生的重要因素，而金融资源可得、激发脱贫致富的内生动力是解决相对贫困问题的有效途径（米运生，2009;曾晨晨，2010;解垩和李敏，2020）[7-9]。

近年来，数字金融作为我国金融发展的新业态，凭借交易便捷、低成本等优势，触及金融活动的方方面面，成为推进我国乡村普惠金融发展、缩小城乡收入差距和缓解贫困的重要工具（Mookerjee和Kalipioni，2010;Suri和Jack，2016）[10，11]。已有研究分别从宏观、微观层面，基于省级面板数据、微观截面样本实证探寻了数字金融发展与贫困的关系，大多数研究认为数字金融总体上有利于贫困的缓解（黄倩等，2019;龚沁宜和成学真，2018;金发奇等，2021;彭澎和徐志刚，2021） [12-15]。部分学者进一步探讨了数字金融减贫的作用机制，认为其可以通过直接拓宽信贷获得渠道、增加信贷可获得性改善贫困状况（周利等，2021）[16]，也可以通过增加就业创业机会、促进经济增长和缩小收入差距等间接渠道发挥作用（刘锦怡和刘纯阳，2020）[17]。同时，部分研究探寻了减贫效应的地区差异，但仍未形成共识。姚凤阁和李丽佳（2020）[18]认为数字金融具有一定的普惠性，对西部居民作用最大，陈慧卿等（2021）[19]研究表明数字金融对中西部农村地区减贫效应的边际贡献相对较高。但曾福生和郑洲舟（2021）[20]的研究表明，西藏、青海等地区数字金融的减贫效果还未完全发挥。此外，部分学者进一步探究了数字金融对相对贫困的影响，大部分学者认为其对缓解相对贫困具有一定的促进作用（孙继国等，2020;谢升峰等，2021）[21，22]。

数字金融在相对贫困治理中的角色取决于数字金融对不同特征群体增收效应的作用差异。不同特征群体参与数字金融的程度，获取发展、生产经营所需的数字金融服务的差异也直接影响了区域数字金融对相对贫困的作用方向及程度，而相对贫困户与非相对贫困户是否获取数字金融服务、是否能实现增收取决于供给和需求两方面因素。一方面，数字金融在乡村的供给与延伸是农户获取数字金融服务的前提。根据路径依赖理论，作为传统金融的延续性创新，数字金融在乡村的发展一定程度上会延续传统金融机构分布、扩散路径，率先在经济基础较好、网络基础设施较完善的地区发展，会间接忽视在偏远地区的拓展，促使农户面临“数字鸿沟”问题（姚耀军和施丹燕，2017;张龙耀和邢朝辉，2021;Guo等，2016）[23-25]，这可能不利于缓解相对贫困。事实上，已有研究表明，数字金融无法供给接触不到互联网的居民，同时也挤占了这部分居民的经济资源与发展机会（何宗樾等，2020）[26]。相对贫困农户可能因为数字金融服务供给延伸滞后而无法获取其所需的服务。另一方面，弱势群体，尤其是乡村低收入群体由于知识水平、发展型要素积累等初始禀赋、资源的相对匮乏，一定程度上会阻碍金融需求转化为实际的数字金融服务，从而难以在数字金融的发展过程中获益（王瑶佩和郭峰，2019;王修华和赵亚雄，2020）[27，28]。实际上，有学者的研究结果说明仅仅依靠数字金融的推广和供给难以实现金融普惠，发展数字金融的同时，也需提升居民教育水平与金融素养（周雨晴和何广文，2020;郭峰和王瑶佩，2020）[29，30]。因此，从金融服务的需求方看，相对贫困户可能会因为自身教育程度较低等问题无法从数字金融发展中获益。

通过对现有文献的梳理可以发现，数字金融发展促进绝对贫困减缓的作用已得证实，但对于数字金融对相对贫困治理的研究，还需从更多角度对其进一步验证，其作用机制还需要深入探讨。本文从数字金融服务供给与需求两方面切入，着重从是否获取数字金融服务的直接渠道探讨其在乡村地区的减贫效果与直接作用机制，丰富相关研究。

三、研究设计

（一）变量选取及数据来源

1. 被解释变量。现有相对贫困的测度方法主要有以下几种：一是OECD成员国的做法，即将家庭等值规模可支配收入中位数的一定比例确定为相对贫困线;二是墨西哥、哥伦比亚、南非等部分发展中国家制定的多维贫困指标，基于相对剥夺视角，考虑教育、健康等权力或机会剥夺状况，形成多维相对贫困标准;三是基于收入差距视角，使用基尼系数进行测算。收入比例法数据处理较容易，但相对贫困的划分受主观因素影响，难以合理界定;多维相对贫困指标能够综合多种维度更全面地进行测度，但数据可得性难以保障;而部分学者认为基尼系数测算基础、测算过程中存在偏误和遗漏，具有局限性（孙久文和夏添，2019）[31]。综合指标合理性与数据处理简易性，本文采用样本中位数人均收入的40%作为相对贫困线将样本进行划分，并以其50%的划分线做稳健性检验，将相对贫困线以下的农户定义为相对贫困户，其余农户定义为非相对贫困户，选取这两部分农民的家庭人均收入水平，基于区域数字金融发展对二者收入的影响差异来考察其是否有效缓解乡村相对贫困。

2. 核心解释变量。本文的核心解释变量是区域数字金融发展，参考北京大学数字金融研究中心基于蚂蚁金服提供的数据所刻画的北京大学数字普惠金融指数，该指数包含支付、保险、信贷和信用等业务，从覆盖广度、使用深度和数字化程度三个维度，较好地衡量了区域数字金融发展水平。

3. 控制变量。除核心解释变量外，本文还控制了其他影响农民收入水平的因素，包括农户个体特征变量、家庭特征变量和地区特征变量。其中个体特征包括性别、年龄、是否已婚和健康程度;家庭层面，家庭规模和家庭总资产是家庭收入的重要影响因素，这里用家庭成员数和家用汽车数量加以衡量;地区层面控制变量包括人均GDP、产业结构和城镇化水平，其中产业结构用第二、三产业占GDP比重加以衡量。此外，本文添加了中部和西部的地区控制变量。表1给出了相关变量的描述性统计。

4. 数据来源。本文样本农户基本数据来源于2017年西南财经大学中国家庭金融调查与研究中心开展的中国家庭金融调查项目，其样本数据覆盖了全国范围内29个省（自治区、 直辖市，以下简称省份）;核心解释变量数据来自《北京大学数字普惠金融指数（第二期，2011—2018）》;地区控制变量数据来源于《中国统计年鉴》。按照中国家庭金融调查数据中微观样本所属的省份将相关数据与数字普惠金融指数合并，最终得到12732户乡村家庭有效样本，其中相对贫困户和非相对贫困户样本数分别为3908个和8824个。为保证实证结果的可靠性，本文还使用 2013年、2015年中国家庭金融调查数据进行了稳健性检验。 （二）模型构建

1. 模型设定。为研究区域数字金融发展对乡村相对贫困户和相对贫困线上农户收入差距的影响，本文选取农民家庭人均收入作为因变量，估计数字金融对农户收入的边际贡献，如果数字金融对相对贫困户收入的促进作用显著大于相对贫困线上农户，则表示区域数字金融发展会缓解乡村内部不同群体的收入差距，反之则扩大收入差距。具体模型如下：

其中，[β0]为常数项，[IFIP]表示核心解释变量数字金融发展指数，[xip]表示个体控制变量，[zip]表示家庭层面控制变量，[pip]表示地区层面的控制变量，[uip]为误差项。

2. 内生性问题。在估计数字金融发展对农民收入的影响时，要尽可能避免存在的内生性问题。一方面，农民收入水平较高的地区往往会推动当地数字金融发展，存在反向因果问题;另一方面，存在測量误差和遗漏变量问题，导致估计偏误。以上情况均可能导致模型存在内生性问题。为解决该问题，本文采用倾向得分匹配法削弱内生性的影响。 四、实证分析

（一）数字金融对农民收入和乡村相对贫困的影响

表2第（1）列给出了数字金融与农民收入的基准回归结果，第（2）（3）列和第（4）（5）列分别为以中位数农户人均收入的40%、50%作为相对贫困线的分样本回归结果。可以看出，总体样本中，数字金融系数显著为正，即区域数字金融发展会促进整体农民收入水平的提升，说明其发展增加了乡村金融服务，缓解了资金约束，有利于农户开展创业、生产经营等活动，提升乡村居民整体收入水平。第2—5列的结果显示，数字金融显著提升了相对贫困线以上农户的收入水平，但对相对贫困农户收入的提升无显著促进作用，说明数字金融的发展没有发挥出改善农民相对贫困状况的作用。这意味着，现阶段区域数字金融发展依旧难以充分缓解传统金融发展供给的不平衡、不充分问题，其普惠性在乡村地区尚未得到充分体现，无法惠及全部农民，也无法有效缓解乡村相对贫困。

在控制变量方面，户主是否已婚、健康水平、家庭拥有汽车数等个体、家庭因素显著扩大了乡村相对贫困户和非相对贫困户之间的收入差距，不利于相对贫困的缓和，而地区控制变量无显著影响。这意味着，一方面，相对于相对贫困线以上的农户，相对贫困农户离异、未婚比例较高，健康状况较差，家庭资产相对较少，其个人、家庭经济社会资本的匮乏或低效利用是造成其无法增收、加剧相对贫困的重要因素，而地区经济、产业发展为农民个人发展、生产经营提供了相近的地区经济、社会环境，因此不是制约减缓相对贫困的主要因素;另一方面，农户参与数字金融并从中获益存在一定的门槛，其初始经济、社会禀赋等因素一定程度上制约了相对贫困农户利用区域数字金融的发展实现自我发展与增收，不利于相对贫困的缓解。 本文进一步利用倾向得分匹配法进行稳健性检验，参考周雨晴和何广文（2020）[29]的做法，以各年度数字金融发展均值为界划，大于均值的赋值为1，视为处理组;小于均值的赋值为0，为控制组。同时，选取个体和家庭特征变量作为协变量，估计倾向得分。表3报告了倾向

得分匹配的平衡性检验结果，可以发现，解释变量的伪[R2]、[LR]统计量和标准化偏差在匹配后均大幅下降，可知用以下三种匹配方法匹配后，协变量不存在显著系统性差异，匹配效果较好。

通过对现有文献的梳理可以发现，数字金融发展促進绝对贫困减缓的作用已得证实，但对于数字金融对相对贫困治理的研究，还需从更多角度对其进一步验证，其作用机制还需要深入探讨。本文从数字金融服务供给与需求两方面切入，着重从是否获取数字金融服务的直接渠道探讨其在乡村地区的减贫效果与直接作用机制，丰富相关研究。 三、研究设计

（一）变量选取及数据来源

1. 被解释变量。现有相对贫困的测度方法主要有以下几种：一是OECD成员国的做法，即将家庭等值规模可支配收入中位数的一定比例确定为相对贫困线;二是墨西哥、哥伦比亚、南非等部分发展中国家制定的多维贫困指标，基于相对剥夺视角，考虑教育、健康等权力或机会剥夺状况，形成多维相对贫困标准;三是基于收入差距视角，使用基尼系数进行测算。收入比例法数据处理较容易，但相对贫困的划分受主观因素影响，难以合理界定;多维相对贫困指标能够综合多种维度更全面地进行测度，但数据可得性难以保障;而部分学者认为基尼系数测算基础、测算过程中存在偏误和遗漏，具有局限性（孙久文和夏添，2019）[31]。综合指标合理性与数据处理简易性，本文采用样本中位数人均收入的40%作为相对贫困线将样本进行划分，并以其50%的划分线做稳健性检验，将相对贫困线以下的农户定义为相对贫困户，其余农户定义为非相对贫困户，选取这两部分农民的家庭人均收入水平，基于区域数字金融发展对二者收入的影响差异来考察其是否有效缓解乡村相对贫困。

2. 核心解释变量。本文的核心解释变量是区域数字金融发展，参考北京大学数字金融研究中心基于蚂蚁金服提供的数据所刻画的北京大学数字普惠金融指数，该指数包含支付、保险、信贷和信用等业务，从覆盖广度、使用深度和数字化程度三个维度，较好地衡量了区域数字金融发展水平。

3. 控制变量。除核心解释变量外，本文还控制了其他影响农民收入水平的因素，包括农户个体特征变量、家庭特征变量和地区特征变量。其中个体特征包括性别、年龄、是否已婚和健康程度;家庭层面，家庭规模和家庭总资产是家庭收入的重要影响因素，这里用家庭成员数和家用汽车数量加以衡量;地区层面控制变量包括人均GDP、产业结构和城镇化水平，其中产业结构用第二、三产业占GDP比重加以衡量。此外，本文添加了中部和西部的地区控制变量。表1给出了相关变量的描述性统计。

4. 数据来源。本文样本农户基本数据来源于2017年西南财经大学中国家庭金融调查与研究中心开展的中国家庭金融调查项目，其样本数据覆盖了全国范围内29个省（自治区、 直辖

市，以下简称省份）;核心解释变量数据来自《北京大学数字普惠金融指数（第二期，2011—2018）》;地区控制变量数据来源于《中国统计年鉴》。按照中国家庭金融调查数据中微观样本所属的省份将相关数据与数字普惠金融指数合并，最终得到12732户乡村家庭有效样本，其中相对贫困户和非相对贫困户样本数分别为3908个和8824个。为保证实证结果的可靠性，本文还使用 2013年、2015年中国家庭金融调查数据进行了稳健性检验。 （二）模型构建

1. 模型设定。为研究区域数字金融发展对乡村相对贫困户和相对贫困线上农户收入差距的影响，本文选取农民家庭人均收入作为因变量，估计数字金融对农户收入的边际贡献，如果数字金融对相对贫困户收入的促进作用显著大于相对贫困线上农户，则表示区域数字金融发展会缓解乡村内部不同群体的收入差距，反之则扩大收入差距。具体模型如下：

其中，[β0]为常数项，[IFIP]表示核心解释变量数字金融发展指数，[xip]表示个体控制变量，[zip]表示家庭层面控制变量，[pip]表示地区层面的控制变量，[uip]为误差项。

2. 内生性问题。在估计数字金融发展对农民收入的影响时，要尽可能避免存在的内生性问题。一方面，农民收入水平较高的地区往往会推动当地数字金融发展，存在反向因果问题;另一方面，存在测量误差和遗漏变量问题，导致估计偏误。以上情况均可能导致模型存在内生性问题。为解决该问题，本文采用倾向得分匹配法削弱内生性的影响。 四、实证分析

（一）数字金融对农民收入和乡村相对贫困的影响

表2第（1）列给出了数字金融与农民收入的基准回归结果，第（2）（3）列和第（4）（5）列分别为以中位数农户人均收入的40%、50%作为相对贫困线的分样本回归结果。可以看出，总体样本中，数字金融系数显著为正，即区域数字金融发展会促进整体农民收入水平的提升，说明其发展增加了乡村金融服务，缓解了资金约束，有利于农户开展创业、生产经营等活动，提升乡村居民整体收入水平。第2—5列的结果显示，数字金融显著提升了相对贫困线以上农户的收入水平，但对相对贫困农户收入的提升无显著促进作用，说明数字金融的发展没有发挥出改善农民相对贫困状况的作用。这意味着，现阶段区域数字金融发展依旧难以充分缓解传统金融发展供给的不平衡、不充分问题，其普惠性在乡村地区尚未得到充分体现，无法惠及全部农民，也无法有效缓解乡村相对贫困。

在控制变量方面，户主是否已婚、健康水平、家庭拥有汽车数等个体、家庭因素显著扩大了乡村相对贫困户和非相对贫困户之间的收入差距，不利于相对贫困的缓和，而地区控制变量无显著影响。这意味着，一方面，相对于相对贫困线以上的农户，相对贫困农户离异、未婚比例较高，健康状况较差，家庭资产相对较少，其个人、家庭经济社会资本的匮乏或低效利用是

造成其无法增收、加剧相对贫困的重要因素，而地区经济、产业发展为农民个人发展、生产经营提供了相近的地区经济、社会环境，因此不是制约减缓相对贫困的主要因素;另一方面，农户参与数字金融并从中获益存在一定的门槛，其初始经济、社会禀赋等因素一定程度上制约了相对贫困农户利用区域数字金融的发展实现自我发展与增收，不利于相对贫困的缓解。 本文进一步利用倾向得分匹配法进行稳健性检验，参考周雨晴和何广文（2020）[29]的做法，以各年度数字金融发展均值为界划，大于均值的赋值为1，视为处理组;小于均值的赋值为0，为控制组。同时，选取个体和家庭特征变量作为协变量，估计倾向得分。表3报告了倾向得分匹配的平衡性检验结果，可以发现，解释变量的伪[R2]、[LR]统计量和标准化偏差在匹配后均大幅下降，可知用以下三种匹配方法匹配后，协变量不存在显著系统性差异，匹配效果较好。

通过对现有文献的梳理可以发现，数字金融发展促进绝对贫困减缓的作用已得证实，但对于数字金融对相对贫困治理的研究，还需从更多角度对其进一步验证，其作用机制还需要深入探讨。本文从数字金融服务供给与需求两方面切入，着重从是否获取数字金融服务的直接渠道探讨其在乡村地区的减贫效果与直接作用机制，丰富相关研究。 三、研究设计

（一）变量选取及数据来源

1. 被解释变量。现有相对贫困的测度方法主要有以下几种：一是OECD成员国的做法，即将家庭等值规模可支配收入中位数的一定比例确定为相对贫困线;二是墨西哥、哥伦比亚、南非等部分发展中国家制定的多维贫困指标，基于相对剥夺视角，考虑教育、健康等权力或机会剥夺状况，形成多维相对贫困标准;三是基于收入差距视角，使用基尼系数进行测算。收入比例法数据处理较容易，但相对贫困的划分受主观因素影响，难以合理界定;多维相对贫困指标能够综合多种维度更全面地进行测度，但数据可得性难以保障;而部分学者认为基尼系数测算基础、测算过程中存在偏误和遗漏，具有局限性（孙久文和夏添，2019）[31]。综合指标合理性与数据处理简易性，本文采用样本中位数人均收入的40%作为相对贫困线将样本进行划分，并以其50%的划分线做稳健性检验，将相对贫困线以下的农户定义为相对贫困户，其余农户定义为非相对贫困户，选取这两部分农民的家庭人均收入水平，基于区域数字金融发展对二者收入的影响差异来考察其是否有效缓解乡村相对贫困。

2. 核心解释变量。本文的核心解释变量是区域数字金融发展，参考北京大学数字金融研究中心基于蚂蚁金服提供的数据所刻画的北京大学数字普惠金融指数，该指数包含支付、保险、信贷和信用等业务，从覆盖广度、使用深度和数字化程度三个维度，较好地衡量了区域数字金融发展水平。

3. 控制变量。除核心解释变量外，本文还控制了其他影响农民收入水平的因素，包括农户个体特征变量、家庭特征变量和地区特征变量。其中个体特征包括性别、年龄、是否已婚和健康程度;家庭层面，家庭规模和家庭总资产是家庭收入的重要影响因素，这里用家庭成员数和家用汽车数量加以衡量;地区层面控制变量包括人均GDP、产业结构和城镇化水平，其中产业结构用第二、三产业占GDP比重加以衡量。此外，本文添加了中部和西部的地区控制变量。表1给出了相关变量的描述性统计。

4. 数据来源。本文样本农户基本数据来源于2017年西南财经大学中国家庭金融调查与研究中心开展的中国家庭金融调查项目，其样本数据覆盖了全国范围内29个省（自治区、 直辖市，以下简称省份）;核心解释变量数据来自《北京大学数字普惠金融指数（第二期，2011—2018）》;地区控制变量数据来源于《中国统计年鉴》。按照中国家庭金融调查数据中微观样本所属的省份将相关数据与数字普惠金融指数合并，最终得到12732户乡村家庭有效样本，其中相对贫困户和非相对贫困户样本数分别为3908个和8824个。为保证实证结果的可靠性，本文还使用 2013年、2015年中国家庭金融调查数据进行了稳健性检验。 （二）模型构建

1. 模型设定。为研究区域数字金融发展对乡村相对贫困户和相对贫困线上农户收入差距的影响，本文选取农民家庭人均收入作为因变量，估计数字金融对农户收入的边际贡献，如果数字金融对相对贫困户收入的促进作用显著大于相对贫困线上农户，则表示区域数字金融发展会缓解乡村内部不同群体的收入差距，反之则扩大收入差距。具体模型如下：

其中，[β0]为常数项，[IFIP]表示核心解释变量数字金融发展指数，[xip]表示个体控制变量，[zip]表示家庭层面控制变量，[pip]表示地区层面的控制变量，[uip]为误差项。

2. 内生性问题。在估计数字金融发展对农民收入的影响时，要尽可能避免存在的内生性问题。一方面，农民收入水平较高的地区往往会推动当地数字金融发展，存在反向因果问题;另一方面，存在测量误差和遗漏变量问题，导致估计偏误。以上情况均可能导致模型存在内生性问题。为解决该问题，本文采用倾向得分匹配法削弱内生性的影响。 四、实证分析

（一）数字金融对农民收入和乡村相对贫困的影响

表2第（1）列给出了数字金融与农民收入的基准回归结果，第（2）（3）列和第（4）（5）列分别为以中位数农户人均收入的40%、50%作为相对贫困线的分样本回归结果。可以看出，总体样本中，数字金融系数显著为正，即区域数字金融发展会促进整体农民收入水平的提升，说明其发展增加了乡村金融服务，缓解了资金约束，有利于农户开展创业、生产经营等活动，提升乡村居民整体收入水平。第2—5列的结果显示，数字金融显著提升了相对贫困线

以上农户的收入水平，但对相对贫困农户收入的提升无显著促进作用，说明数字金融的发展没有发挥出改善农民相对贫困状况的作用。这意味着，现阶段区域数字金融发展依旧难以充分缓解传统金融发展供给的不平衡、不充分问题，其普惠性在乡村地区尚未得到充分体现，无法惠及全部农民，也无法有效缓解乡村相对贫困。

在控制变量方面，户主是否已婚、健康水平、家庭拥有汽车数等个体、家庭因素显著扩大了乡村相对贫困户和非相对贫困户之间的收入差距，不利于相对贫困的缓和，而地区控制变量无显著影响。这意味着，一方面，相对于相对贫困线以上的农户，相对贫困农户离异、未婚比例较高，健康状况较差，家庭资产相对较少，其个人、家庭经济社会资本的匮乏或低效利用是造成其无法增收、加剧相对贫困的重要因素，而地区经济、产业发展为农民个人发展、生产经营提供了相近的地区经济、社会环境，因此不是制约减缓相对贫困的主要因素;另一方面，农户参与数字金融并从中获益存在一定的门槛，其初始经济、社会禀赋等因素一定程度上制约了相对贫困农户利用区域数字金融的发展实现自我发展与增收，不利于相对贫困的缓解。 本文进一步利用傾向得分匹配法进行稳健性检验，参考周雨晴和何广文（2020）[29]的做法，以各年度数字金融发展均值为界划，大于均值的赋值为1，视为处理组;小于均值的赋值为0，为控制组。同时，选取个体和家庭特征变量作为协变量，估计倾向得分。表3报告了倾向得分匹配的平衡性检验结果，可以发现，解释变量的伪[R2]、[LR]统计量和标准化偏差在匹配后均大幅下降，可知用以下三种匹配方法匹配后，协变量不存在显著系统性差异，匹配效果较好。

通过对现有文献的梳理可以发现，数字金融发展促进绝对贫困减缓的作用已得证实，但对于数字金融对相对贫困治理的研究，还需从更多角度对其进一步验证，其作用机制还需要深入探讨。本文从数字金融服务供给与需求两方面切入，着重从是否获取数字金融服务的直接渠道探讨其在乡村地区的减贫效果与直接作用机制，丰富相关研究。 三、研究设计

（一）变量选取及数据来源

1. 被解释变量。现有相对贫困的测度方法主要有以下几种：一是OECD成员国的做法，即将家庭等值规模可支配收入中位数的一定比例确定为相对贫困线;二是墨西哥、哥伦比亚、南非等部分发展中国家制定的多维贫困指标，基于相对剥夺视角，考虑教育、健康等权力或机会剥夺状况，形成多维相对贫困标准;三是基于收入差距视角，使用基尼系数进行测算。收入比例法数据处理较容易，但相对贫困的划分受主观因素影响，难以合理界定;多维相对贫困指标能够综合多种维度更全面地进行测度，但数据可得性难以保障;而部分学者认为基尼系数测算基础、测算过程中存在偏误和遗漏，具有局限性（孙久文和夏添，2019）[31]。综合指标合理性与数据处理简易性，本文采用样本中位数人均收入的40%作为相对贫困线将样本进行划分，并以其50%的划分线做稳健性检验，将相对贫困线以下的农户定义为相对贫困户，其余农

户定义为非相对贫困户，选取这两部分农民的家庭人均收入水平，基于区域数字金融发展对二者收入的影响差异来考察其是否有效缓解乡村相对贫困。

2. 核心解释变量。本文的核心解释变量是区域数字金融发展，参考北京大学数字金融研究中心基于蚂蚁金服提供的数据所刻画的北京大学数字普惠金融指数，该指数包含支付、保险、信贷和信用等业务，从覆盖广度、使用深度和数字化程度三个维度，较好地衡量了区域数字金融发展水平。

3. 控制变量。除核心解释变量外，本文还控制了其他影响农民收入水平的因素，包括农户个体特征变量、家庭特征变量和地区特征变量。其中個体特征包括性别、年龄、是否已婚和健康程度;家庭层面，家庭规模和家庭总资产是家庭收入的重要影响因素，这里用家庭成员数和家用汽车数量加以衡量;地区层面控制变量包括人均GDP、产业结构和城镇化水平，其中产业结构用第二、三产业占GDP比重加以衡量。此外，本文添加了中部和西部的地区控制变量。表1给出了相关变量的描述性统计。

4. 数据来源。本文样本农户基本数据来源于2017年西南财经大学中国家庭金融调查与研究中心开展的中国家庭金融调查项目，其样本数据覆盖了全国范围内29个省（自治区、 直辖市，以下简称省份）;核心解释变量数据来自《北京大学数字普惠金融指数（第二期，2011—2018）》;地区控制变量数据来源于《中国统计年鉴》。按照中国家庭金融调查数据中微观样本所属的省份将相关数据与数字普惠金融指数合并，最终得到12732户乡村家庭有效样本，其中相对贫困户和非相对贫困户样本数分别为3908个和8824个。为保证实证结果的可靠性，本文还使用 2013年、2015年中国家庭金融调查数据进行了稳健性检验。 （二）模型构建

1. 模型设定。为研究区域数字金融发展对乡村相对贫困户和相对贫困线上农户收入差距的影响，本文选取农民家庭人均收入作为因变量，估计数字金融对农户收入的边际贡献，如果数字金融对相对贫困户收入的促进作用显著大于相对贫困线上农户，则表示区域数字金融发展会缓解乡村内部不同群体的收入差距，反之则扩大收入差距。具体模型如下：

其中，[β0]为常数项，[IFIP]表示核心解释变量数字金融发展指数，[xip]表示个体控制变量，[zip]表示家庭层面控制变量，[pip]表示地区层面的控制变量，[uip]为误差项。

2. 内生性问题。在估计数字金融发展对农民收入的影响时，要尽可能避免存在的内生性问题。一方面，农民收入水平较高的地区往往会推动当地数字金融发展，存在反向因果问题;另一方面，存在测量误差和遗漏变量问题，导致估计偏误。以上情况均可能导致模型存在内生性问题。为解决该问题，本文采用倾向得分匹配法削弱内生性的影响。 四、实证分析

（一）数字金融对农民收入和乡村相对贫困的影响

表2第（1）列给出了数字金融与农民收入的基准回归结果，第（2）（3）列和第（4）（5）列分别为以中位数农户人均收入的40%、50%作为相对贫困线的分样本回归结果。可以看出，总体样本中，数字金融系数显著为正，即区域数字金融发展会促进整体农民收入水平的提升，说明其发展增加了乡村金融服务，缓解了资金约束，有利于农户开展创业、生产经营等活动，提升乡村居民整体收入水平。第2—5列的结果显示，数字金融显著提升了相对贫困线以上农户的收入水平，但对相对贫困农户收入的提升无显著促进作用，说明数字金融的发展没有发挥出改善农民相对贫困状况的作用。这意味着，现阶段区域数字金融发展依旧难以充分缓解传统金融发展供给的不平衡、不充分问题，其普惠性在乡村地区尚未得到充分体现，无法惠及全部农民，也无法有效缓解乡村相对贫困。

在控制变量方面，户主是否已婚、健康水平、家庭拥有汽车数等个体、家庭因素显著扩大了乡村相对贫困户和非相对贫困户之间的收入差距，不利于相对贫困的缓和，而地区控制变量无显著影响。这意味着，一方面，相对于相对贫困线以上的农户，相对贫困农户离异、未婚比例较高，健康状况较差，家庭资产相对较少，其个人、家庭经济社会资本的匮乏或低效利用是造成其无法增收、加剧相对贫困的重要因素，而地区经济、产业发展为农民个人发展、生产经营提供了相近的地区经济、社会环境，因此不是制约减缓相对贫困的主要因素;另一方面，农户参与数字金融并从中获益存在一定的门槛，其初始经济、社会禀赋等因素一定程度上制约了相对贫困农户利用区域数字金融的发展实现自我发展与增收，不利于相对贫困的缓解。 本文进一步利用倾向得分匹配法进行稳健性检验，参考周雨晴和何广文（2020）[29]的做法，以各年度数字金融发展均值为界划，大于均值的赋值为1，视为处理组;小于均值的赋值为0，为控制组。同时，选取个体和家庭特征变量作为协变量，估计倾向得分。表3报告了倾向得分匹配的平衡性检验结果，可以发现，解释变量的伪[R2]、[LR]统计量和标准化偏差在匹配后均大幅下降，可知用以下三种匹配方法匹配后，协变量不存在显著系统性差异，匹配效果较好。