数字普惠金融与居民创业：来自中国劳动力动态调查的证据

冯大威 高梦桃 周 利

江西财经大学 产业经济研究院，江西 南昌 330013 广东外语外贸大学 金融学院，广东 广州 510006

一、引言

在中国劳动力面临的多种就业选择中，创业正成为越来越重要的就业形式。1989～2009年期间，中国非农创业率年均增长率超过10%(解垩，2012[1])。近年来，伴随中国就业压力的不断增大、经济增速的日益放缓，“大众创业、万众创新”这一“双创”战略逐渐成为突破制约经济可持续发展瓶颈的重要战略之一(周广肃和樊纲，2018[2])。创业问题的重要性，吸引国内外学者进行了一系列研究，主要涉及两个方面：对创业影响因素的研究以及对创业回报的讨论，前者更是研究的重点。在影响创业的众多因素中，资本与创业的关系吸引了学者们最多的关注，并提出了在创业过程中存在流动性约束的假说，即“资金门槛”限制了创业选择。

作为金融发展的一部分，普惠金融是指能有效和全方位地为社会所有阶层群体提供服务的金融体系，这一概念最早由联合国于2005年正式提出。自此，发展普惠金融成为破解传统金融体系金融排斥、为弱势群体提供可持续金融服务的方式之一(星焱，2015[3])。而依托于数字技术和互联网而发展起来的数字普惠金融则可将金融服务延伸到传统金融难以触及的领域，为更广泛的群体提供金融服务，扩展了金融服务的覆盖面(丁杰，2015[4])，由此推动了普惠金融的发展。根据北京大学数字金融研究中心编制的中国数字普惠金融指数(郭峰等，2016[5])，中国各省份数字普惠金融指数的平均值从2011年的40提高到了2015年的220，在短短的几年内增长迅速。现有对数字普惠金融与微观主体经济行为关系的研究并不多，对数字普惠金融的影响的探讨往往局限于宏观层面，如经济发展、收入不平等及贫困等(李涛等，2016[6])。而数字普惠金融的发展提高了微观主体的信贷可得性，并降低了融资成本，使得创业者面临的信贷约束被大大降低了。因此本文重点从数字普惠金融的视角研究中国居民的创业问题，分析数字普惠金融的发展是否有利于提高中国居民的创业概率及创业表现，并剖析其背后的作用机制。

二、文献综述与理论分析

(一)文献综述

围绕数字金融发展与创业关系这一问题，既有文献根据研究数据的不同，主要包括三类。第一类是利用宏观数据进行研究。如谢绚丽等(2018)[7]将北京大学数字普惠金融指数省级数据与省级层面创业数据相匹配，研究了数字金融的发展及推广与创业活动水平之间的关系，发现数字金融的发展对创业有显著的促进作用。第二类是利用宏观数字金融和微观创业匹配数据进行研究。如张勋等(2019)[8]将中国各省份数字普惠金融发展指数与中国家庭追踪调查(CFPS)微观数据相匹配，研究中国数字普惠金融的发展对家庭创业的影响，发现数字普惠金融的发展显著地促进了农村居民的创业行为，但对城镇居民创业行为的帮助作用有限；王金杰等(2019)[9]利用县级层面电子商务发展指数和城乡居民收入分配与生活状况调查(CHIPS2013)匹配数据，研究了县域电子商务水平对农村居民创业选择的影响，结果表明电子商务显著地促进了农村居民的创业选择及其创业投资和雇佣规模。第三类是使用微观层面的数字金融发展和创业数据进行的研究。如尹志超等(2019)[10]运用中国家庭金融调查(CHFS)数据，研究家庭移动支付行为对家庭创业决策和经营绩效的影响，发现移动支付显著提高了家庭创业的概率和工商业项目的经营绩效；何婧和李庆海(2019)[11]利用中国农业大学开展的农村普惠金融调查数据，分析了家庭数字金融使用对农户创业行为和创业绩效的影响，发现数字金融使用不仅缓解了农户的信贷约束，增加了农户的信贷可得性，而且还通过特有的社会信任强化机制提升了农户的社会信任感，最终促进农户创业，提高创业绩效。

纵观现有文献，直接讨论数字普惠金融与创业关系的研究相对较少，而本文重点从数字普惠金融的视角分析中国居民的创业行为，评估区域数字普惠金融发展对居民创业选择及创业表现的影响，并分析其背后的作用机制。

本文可能的创新有如下几点：第一，基于宏观层面数字金融普惠指数与微观层面CLDS劳动力调查匹配数据，研究地区数字普惠金融发展水平对微观主体创业行为的影响，这样做既能通过分析微观主体的创业行为，从而解释地区创业活动水平差异，也克服了利用宏观创业数据样本规模的局限性；第二，考虑到内生性问题导致的估计偏误，通过选取滞后期数字普惠金融指数作为核心解释变量、引入工具变量及利用面板固定效应模型进行估计等多种方法缓解潜在的内生性问题；第三，考虑到中国关系型社会这一特殊背景，检验了社会资本所发挥的调节效应；第四，在研究创业选择行为的基础上，从雇员规模和收入的角度考察了数字普惠金融发展对创业表现的影响。

(二)理论分析框架

Evans and Jovanovic(1989)[12]最早提出了流动性约束下的创业选择模型，这一模型成为了后续研究中分析微观主体创业行为时模型构建的基础。而以该模型为基础的拓展模型，也可以用来分析数字普惠金融与创业行为的关系。

简化起见，只考虑单一时期，期初劳动者的就业状态均为工资获得者，家庭拥有初始财富为z，劳动者面临保持工资性工作状态或从事创业活动两种选择。如果保持工资性工作状态，能够获得的工资收入为劳动力市场外生给定的u，那么期末劳动者的总收入为：

πw=u+rsz

(1)

式(1)中，rs为1加上存款利率，其总收入包括两部分，工资性收入u为流量收入，家庭财富现值rz为存量收入。

如果选择从事创业，其生产函数取决于企业家能力和物质资本两种投入：

y=θkα

(2)

其中，θ为企业家能力；k为资本投入；α为资本产出弹性，且0<α<1

那么期末创业者的总收入为θkα+r(z-k)。r的取值取决于初始财富z和投入资本k的关系。如果z>k，代表创业活动的资本投入完全来自自有财富z，则期末其收入包括两部分：创业收入θkα及存款收入rs(z-k)；如果z

由于信息不对称和道德风险的存在，个体在资本市场面临着信贷约束，个体在资本市场上能够获得的最大贷款额不超过其拥有初始财富的固定倍数λ-1，λ≥1(Evans and Jovanovic，1989)，所以个体在创业活动中可以利用的，包括自有的和借贷的最大资本量为λz。

给定收入函数和预算约束条件，创业活动面临的最优化问题如下：

max{θkα+r(z-k)}

(3)

(4)

若k*λz，则创业者不面临信贷约束，在创业过程中可以实现最优资本投入k*，可以获得的最高收入为：

(5)

若k*>λz，则创业者面临信贷约束，由于其收入函数在资本处于[0,k*]的区间内是递增的，因此理性个体会选择投入全部的可利用资本λz，此时创业者的最高收入为：

πe=θ(λz)α-(λ-1)rlz

(6)

结合不受信贷约束和受信贷约束两种情况，创业者的分段收入函数如下：

如果只能选择一种职业，理性个体会通过比较两种职业的相对收入来做出创业选择，相对收入函数π(z,θ)为创业活动净收入减去工资性工作收入：

对于理性个体而言，若π(z,θ)>0，则选择创业活动；若π(z,θ)<0，则选择工资性工作；若π(z,θ)=0，则个体在两类就业方式的选择之间不存在差异。

以上理论分析，介绍了在给定条件下劳动力所面临的最优化条件，而数字普惠金融的发展可以从两方面改变上述最优化条件：一方面，提高外部金融可得性。对于不受信贷约束的个体，数字普惠金融发展不会对其创业选择及创业表现产生影响，但对于受信贷约束的个体，数字普惠金融发展提高了信贷可得性，即其他条件不变的情况下，λ变大了，由于创业收入函数在资本处于[0,k*]的取值范围内是单调递增的，因此创业收入也提高了，相对收入的提高也就意味着创业概率的提高；另一方面，数字普惠金融发展降低了融资成本，贷款利率下降，即rl变小了，因此创业收入也提高了。基于以上理论分析，本文提出如下理论假说。

假说1：数字普惠金融的发展通过提高金融服务可得性及降低融资成本而提高创业收入。

假说2：伴随数字普惠金融的发展，创业活动的相对收入在提高，进而有利于提高理性个体选择创业的概率。

三、数据来源、模型设定及描述性统计

(一)数据来源

本文研究数据为微观劳动力调查与宏观数字普惠金融发展匹配数据。其中微观数据来源于中山大学社会科学调查中心的中国劳动力动态调查(CLDS)。CLDS以15～64岁的劳动年龄人口为调查对象，样本覆盖中国29个省市。基于指标统一性和样本追踪率的考虑，本文采用2014和2016年两期数据。同时将研究样本限于在被调查时点从事非农工作的个体，最后保留的有效样本数为15540个。

本文采用的宏观数据来自北京大学数字金融研究中心发布的中国数字普惠金融指数。该指数由北京大学数字金融研究中心和蚂蚁金服集团通过采用蚂蚁金服的交易账户数据共同编制，用于刻画中国数字金融发展程度的变迁，包括数字普惠金融总指数、三个二级维度子指标以及多个三级维度子指标。详细指标说明和指数编制过程请参阅郭峰等(2016)的做法。该数据公布了省级、地级市及县域三个层级的数字普惠金融指数，本文利用省级层面的指数与微观创业数据进行匹配。虽然CLDS数据也可以识别到城市，但本文15540个有效样本广泛分布于全国159个地级市，分配到每个城市的样本量较少，尤其是中小城市，因此本文没有利用地级市层面指数进行匹配。

(二)模型设定及变量选取

本文首先考察数字普惠金融发展对居民创业选择行为的影响，因变量为二值虚拟变量，因此设定如下个体层面的二元Probit模型：

Entrepreneur(1,0)ijt=g(α+λIndexjt-1+Xijtβ+ηj+δt+εijt)

(7)

其中，Entrepreneur(1,0)ijt表示省份j中的个体i在第t年是否是创业者的虚拟变量，若劳动力当前的就业身份是创业者，则该变量取值为1，若为工资获得者，则取值为0。个体问卷中，针对有全职工作的受访者，将其工作划分为雇员、雇主、自雇和务农四种状态，本文只保留从事非农工作的个体，将就业状态为“雇主”和“自雇”的归为创业者，将工作状态为“雇员”的归为工资获得者。据此定义，创业者是自己为自己工作，相对于受雇于他人。同时，本文也从雇员规模及创业动机的角度考虑了创业者群体的内部异质性。依据创业活动中“是否雇佣他人工作”这一标准，将就业状态为“自雇”的劳动力归为“自雇型”创业者，将就业状态为“雇主”的劳动力归为“雇主型”创业者，前者不雇佣他人工作，后者则雇佣1人及以上。依据创业动机，将创业原因为“没有更好的工作选择”归为“生存型”创业者，将创业原因为“抓住好的创业机会”及“当时有好的工作岗位，但创业机会更加好”归为“机会型”创业者(1)CLDS个体问卷针对就业身份为“自雇”和“雇主”的个体，进一步询问了其选择创业的原因，选项包括四类：抓住好的创业机会、没有更好的工作选择、以上两个都是和当时有好的工作岗位但创业机会更加好。。

Indexjt-1为滞后一年的个体所在省份j的数字普惠金融指数，反映了所在地区数字普惠金融发展程度，取值越大，发展程度越高。本文也使用覆盖广度、使用深度及数字服务支持三个二级维度指标对估计结果的稳健性进行了检验；X为影响创业行为的控制变量，包括个体层面的年龄、年龄平方、性别、婚姻状况、党员身份、户口、教育、健康及社会资本，家庭层面的家庭收入和家庭规模；ηj和δt分别为省份固定效应和年份固定效应。

在考察数字普惠金融发展对居民创业选择行为影响的基础上，本文进一步考察数字普惠金融发展对个体创业表现的影响，模型的具体形式如下：

Yijt=α+λIndexjt-1+Xijtβ+ηj+δt+εijt

(8)

本文只保留就业身份为创业者的样本，因变量Yijt为创业者的经营表现，既有研究中，衡量创业表现的常用指标有生存率、资产、雇员规模、销售额、收入等(Schmalz et al.，2017[13]；Blattman et al.，2014[14])，结合数据的可得性，本文从雇员和收入两个方面衡量创业活动的经营表现(2)CLDS问卷针对“雇主型”创业者，进一步询问了其创业活动的雇员人数，而“自雇型”创业者的雇员人数为0。。其他变量同方程(1)。主要变量定义见表1。表2为基于CLDS2016的数据描述性统计分析。

表1 主要变量的定义

资料来源：CLDS数据。为了消除离群值的影响，对于个人收入、社会资本及家庭收入等连续变量，在1%的水平上进行了缩尾，且进行了加1取对数处理

表2 主要变量的描述性统计

续表2

家庭规模4.3171.847118互联网使用率54.5314.3017.2579.81

四、实证分析

(一)基准估计

本文采用二值Probit模型对方程(1)进行估计，表3报告了边际估计系数。其中，第(1)、(2)列为逐步回归结果；为了进一步探究数字金融的哪一个层面对创业产生了影响，本文还选用了数字普惠金融指数的三个二级维度指标：覆盖广度、使用深度和数字支持服务程度。其中，覆盖广度主要反映数字金融的覆盖率，使用深度主要衡量实际使用互联网金融服务的频率等，而数字支持服务程度侧重于考察数字金融的便利性和效率。第(3)、(4)、(5)列为估计结果。

估计结果显示，数字普惠金融系数显著为正，说明地区数字金融发展程度越高，个体选择创业的概率越大，从而验证了假说1。数字普惠金融指数的三个细分指标系数均为正，但只有覆盖广度和使用深度系数在统计上显著，且前者对个体创业概率的提升效应明显高于后者，说明中国数字金融的规模依然不能有效满足居民的需求。控制变量的回归结果与既有研究保持一致。

表3 数字普惠金融对创业行为的影响——基准估计

续表3

健康-0.0222(0.0142)-0.0216(0.0142)-0.0223(0.0142)-0.0220(0.0142)教育-0.0151∗∗∗(0.0011)-0.0152∗∗∗(0.0011)-0.0151∗∗∗(0.0011)-0.0151∗∗∗(0.0011)社会资本0.0106∗∗∗(0.0032)0.0105∗∗∗(0.0032)0.0106∗∗∗(0.0032)0.0107∗∗∗(0.0032)家庭收入-0.0011(0.0029)-0.0013(0.0029)-0.0011(0.0029)-0.0011(0.0029)家庭规模0.0056∗∗∗(0.0019)0.0056∗∗∗(0.0019)0.0056∗∗∗(0.0019)0.0057∗∗∗(0.0019)省份固定效应是是是是是年度固定效应是是是是是观测值1554015540155401554015540

注：***、**、*分别表示在1%、5%、10%的水平上显著；所报告系数为边际系数，括号内为聚类稳健标准误

(二)考虑内生性的估计

以上基准估计结果可能是有偏的，实证分析时需要考虑内生性问题。一方面，个体的风险偏好、对新事物的接受程度不同，上述因素不仅会影响个体创业行为，也会影响到个体对数字普惠金融的使用，在定量分析中难以对上述因素进行全面度量，因此就存在由于遗漏变量导致内生性的可能；另一方面，考虑到数字普惠金融的便利性及降低交易成本的功能，也会引发创业者对数字普惠金融的需求，从而产生反向因果问题。为了缓解潜在内生性问题对估计结果的干扰，本文采用了三种方法：第一种是采用滞后期的核心解释变量，取滞后可以在一定程度上减弱由反向因果关系带来的影响。结合数据的可得性，本文以滞后三期的数字普惠金融指数作为核心解释变量；第二种是引入工具变量，本文选用家庭所在省份的互联网使用率作为数字普惠金融指数的工具变量(3)在利用工具变量法进行估计时，本文也借鉴谢徇丽等(2018)的做法，利用中国互联网络信息中心(CNNIC)公布的中国互联网分省普及率或网民规模作为工具变量，研究结论依旧稳健。。CLDS家庭问卷中询问了家庭互联网使用情况，具体问题为“在过去的一年中，您家使用互联网的情况是？”回答选项包括四类：只使用电脑上网；只使用手机上网；既使用电脑上网，也使用手机上网；不上网。本文将使用手机或电脑上网的赋值为1，不上网的赋值为0，然后分省份计算平均值，即可得到每一个城市的互联网使用率(%)。从理论上分析，一方面，数字普惠金融的发展依赖于互联网金融以及数字技术，因此当家庭所在城市的互联网使用率越高，越能推动数字普惠金融的发展，工具变量与内生变量存在正相关关系，满足相关性要求；另一方面，各省份的互联网使用率不会明显地受到该地区内某个家庭创业情况的影响，满足外生性要求。这使得互联网普及率可能成为一个有效的工具变量(4)除了相关性和外生性，工具变量的有效性还需要满足只通过内生变量这一条渠道影响因变量。本文选取的工具变量为互联网使用率，但互联网使用会通过信息渠道效应、融资效应、社会互动效应、风险偏好效应等四种渠道影响微观主体创业行为(周广肃和樊纲，2018)。因此本文的工具变量还存在一定问题。。表4中第(2)列弱工具变量检验计算的是最小特征值统计量值，大于10%显著性水平下的临界值，说明通过了弱工具变量检验；第三种方法是利用面板固定效应模型进行估计，这在一定程度上能够控制遗漏变量、尤其是不随时间发生变动的遗漏变量对估计结果的干扰。

表4 数字普惠金融对创业行为的影响——内生性估计

注：***、**、*分别表示在1%、5%、10%的水平上显著；所报告系数为边际系数；控制变量同基准模型；第(2)列弱工具变量检验为最小特征值统计量值

(三)基于异质性的估计结果

以上分析是基于二元Probit模型的估计结果，没有考虑创业者群体内部异质性。本文进一步从雇员规模及创业动机的角度讨论创业者群体的内部异质性，利用多元Probit模型，分析个体在工资性工作、“自雇型”创业与“雇主型”创业之间，以及在工资性工作、“生存型”创业与“机会型”创业之间的多元选择行为。

表5为多元Probit模型估计结果，以工资性工作作为对照组。由表5可以发现，数字普惠金融显著提高了个体选择“自雇型”创业或“生存型”创业的概率，但对选择“雇主型”创业或“机会型”创业影响虽然为正，但在统计上并不显著。这可能是因为，相对后两类创业活动，前两类创业活动“准入门槛”较低，对初始资金投入的要求较低，因此更容易受外部金融环境的影响。

表5 数字普惠金融对创业行为的影响——考虑创业异质性

注：***、**、*分别表示在1%、5%、10%的水平上显著；所报告系数为边际系数；控制变量同基准模型

五、进一步讨论：机制、调节效应及创业表现

(一)机制检验

上述分析表明，数字普惠金融发展能够显著提升居民创业概率，本文进一步对其影响机制进行检验。在理论分析部分，本文提出数字普惠金融发展更有利于获取外部金融资源及降低融资成本，帮助潜在创业者突破资金门槛，进而提高其创业概率。为了对上述机制进行检验，本文采用如下检验思路：如果上述机制成立，受信贷约束影响越大的个体，其创业行为越容易受数字普惠金融发展的影响。因此本文根据受信贷约束影响程度进行了分组，第一种分组方法是按照家庭经济条件进行分组，将家庭收入低于中位数水平的定义为低收入组，高于中位数水平的定义为高收入组，一般而言，前者受信贷约束影响更大。第二种分组方法是按照家庭所在的外部金融环境好坏进行分组，依据家庭所在社区是否有银行，所在社区有银行则意味着外部金融环境较好。表6为分组估计结果，第(1)、(2)列分别为低收入组和高收入组估计结果，第(3)、(4)列分别为社区无银行组和有银行组估计结果，从中可以发现数字普惠金融发展只对前一组样本存在显著正向影响；也就是说，数字普惠金融发展只对面临较为严重信贷约束个体的创业行为存在显著正向影响。

表6 数字普惠金融对创业行为的影响——机制检验

注：***、**、*分别表示在1%、5%、10%的水平上显著；所报告系数为边际系数；控制变量同基准模型

(二)考虑社会资本调节效应

作为一个传统的关系型社会(Bian，1997[15])，社会资本在中国拥有广泛的土壤，在人们经济事务决定中发挥着重要作用。因此在中国这种“关系型社会”的特殊情境下，数字普惠金融发展对居民创业行为的影响可能存在不确定性。一方面，社会资本在获取外部非正规金融资源方面发挥着比较重要的作用(林建浩等，2016[16])。社会网络成员间一般比较熟悉，这能够增进信息的交流和传递，有效缓解信息不对称问题(Granovetter,1973[17])，且社会网络成员间往往临近或交往频繁，培养了群体间的相互信任，能够有效缓解道德风险，从而降低交易成本。也就是说，社会资本与数字普惠金融可能存在“替代”关系；但另一方面，数字普惠金融的发展作为近年新产生的事物，人们对其的接受需要一定的时间，尤其是对于受教育水平较低、金融知识匮乏的群体。对于社会网络强的家庭，由于社会性学习或者从众心理，个体间可以更为频繁地相互交流(孟涓涓等，2013[18])，因此更有利于数字普惠金融的发展；也就是说社会资本与数字普惠金融可能存在“互补”关系。

社会资本会弱化还是强化数字普惠金融对创业行为的影响，本文通过引入数字普惠金融与社会资本交互项，对上述理论进行了检验。表7为估计结果，其中第(1)、(3)列利用个体问卷中“过去一年给过你帮助的人”作为社会资本衡量指标，而第(2)、(4)列选取家庭问卷中的“礼金支出”作为衡量指标，第(1)、(2)列不考虑内生性，第(3)、(4)列则利用工具变量法进行估计。表7估计结果显示，数字普惠金融与社会资本交互项系数均显著为正，也就是说社会资本水平越高，数字普惠金融发展对其创业行为的影响越大。

表7 数字普惠金融对创业行为的影响——考虑社会资本调节效应

注：***、**、*分别表示在1%、5%、10%的水平上显著；所报告系数为边际系数；控制变量同基准模型

(三)数字普惠金融对创业表现的影响

以上内容分析了数字普惠金融发展对居民创业概率的影响，但是创业活动的强度或规模却存在大小之分。因此本文进一步以雇员规模和收入为代理变量估计数字普惠金融发展对居民创业表现的影响。表8为估计结果，第(1)～第(3)列因变量为雇员规模，第(4)～第(6)列因变量为收入，其中第(1)、(4)列为基准估计，第(2)、(5)列采用滞后三期的数字普惠金融指数作为核心解释变量，第(3)、(6)列利用工具变量法进行估计，工具变量同前文。考虑到雇员规模有约88%样本取值为0，本文在因变量为雇员数量时利用Tobit模型进行估计，结果显示数字普惠金融的发展不仅提高了居民创业概率，还提高了其创业表现。

表8 数字普惠金融对创业表现的影响

续表8

控制变量是是是是是是省份固定效应是是是是是是年度固定效应是是是是是是观测值388738873887388538853885

注：***、**、*分别表示在1%、5%、10%的水平上显著；控制变量同基准模型

六、研究结论与政策含义

基于中国数字普惠金融发展指数和中国劳动力动态调查(CLDS)匹配数据，本文研究了中国数字普惠金融发展对居民创业行为的影响。研究发现：数字普惠金融发展显著提高了中国居民的创业概率，通过采用多种方法缓解潜在的内生性问题后，这一结论依旧稳健；本文还进一步讨论了创业活动的内部异质性，估计了数字普惠金融对居民在工资性工作、“自雇型”创业与“雇主型”创业，以及在工资性工作、“生存型”创业与“机会型”创业之间的多元选择问题，发现数字普惠金融只对选择“自雇型”和“生存型”创业有显著正向影响，而不影响选择“雇主型”和“机会型”创业；考虑到中国关系型社会这一特殊背景，本文也检验了社会资本在创业过程中所发挥的调节效应，发现社会资本会强化数字普惠金融的影响；最后，本文检验了数字普惠金融对创业表现的影响，发现其显著提高了创业活动的雇员规模和收入。

本文的政策含义是非常明显的。在推进双创工作中，政府部门需要重视数字普惠金融的发展，尤其是注重提升弱势群体对数字金融产品的使用能力，以激发其创业热情，提升其创业能力，使这部分弱势群体更好地享有数字普惠金融所带来的普惠性。同时，本文注意到中国的创业形式仍然以“自雇型”创业和“生存型”创业为主，该类创业无论是对微观主体效用的提升还是对宏观经济发展的影响均有限。因此在鼓励创业行为的同时，政府部门也要引导创业者实现从“自雇型”创业和“生存型”创业向“雇主型”创业和“机会型”创业的转变，从而优化创业结构。