乡村振兴背景下普惠金融发展的脱贫攻坚效应 ——基于安徽省县域数据的实证研究

韩 妍， 黄顺武

(合肥工业大学 经济学院，合肥 230601)

发展普惠金融是脱贫攻坚的重要抓手。2020年是脱贫攻坚收官之年，也是乡村振兴的关键阶段。2017年，党的十九大报告提出要坚决打赢脱贫攻坚战，并首次提出乡村振兴战略。要顺利实现此战略目标，必须投入充分的金融资源。《乡村振兴战略规划(2018—2022 年)》提出要把更多金融资源配置到农村经济社会发展的重点领域和薄弱环节，更好满足乡村振兴多样化金融需求。在此背景下，从经济学的视角，研究普惠金融发展的脱贫攻坚效应，并藉此提出合理的政策建议，对于巩固脱贫成果、实现乡村振兴战略目标，具有显著的现实意义。

普惠金融影响脱贫攻坚的机理在于两种效应。一是直接效应，即普惠金融发展有助于直接打破金融的门槛和排斥效应，提高为贫困人口提供便捷金融服务的能力，直接发挥减贫作用。二是间接效应，即普惠金融发展能够优化贫困地区的资源配置和产业结构，促进经济增长，从而间接发挥了减贫效果。国内已有文献聚焦金融发展与扶贫问题。周逢民(2018)从金融功能角度出发，提出金融支持精准扶贫与乡村振兴的路径[1]。王曙光(2013) 指出，发展普惠金融的目标就在于消除贫困个体在金融资源供给与获得上的不均等，将各种金融服务赋予弱势群体，让扶贫走上“造血”之路[2]。田杰(2020)采用空间计量模型，基于817个县级单位的数据进行平衡面板分析，发现新型农村金融机构通过抑制农村资金外流而助力乡村振兴和减贫[3]。李建伟(2017)在变异系数法确定指标权重的基础上构建了普惠金融发展指数，测算了2009-2014年我国30个省份的普惠金融发展程度，发现大部分省域普惠金融发展对缩小本省域城乡收入差距具有显著的作用[4]。赵丙奇和李露丹(2020)指出，普惠金融和精准扶贫在扶贫对象、扶贫手段和扶贫主体上都具有高度的耦合关系；两者双管齐下产生的耦合效应，提升了精准脱贫绩效[5]。本文学术贡献在于，以2010-2019年安徽省63个县域数据为样本，构建并测度了安徽县域普惠金融发展指数和多维贫困指数，并实证研究普惠金融发展的脱贫攻坚效应。

一、研究设计

1.数据来源

本文研究对象是2010-2019年安徽省63个县/县级市/区(由于芜湖县、繁昌县在2020年调整为芜湖市辖区，所以纳入本文样本)。其中，国家贫困县19个(包括列入国家级贫困县的阜阳市颍东区和六安市裕安区两个市辖区)。县域主要数据来源于《中国县(市)社会经济统计年鉴》《中国扶贫开发年鉴》，银行营业网点等数据来自中国银行保险监督管理委员会网站。对于部分统计缺失的数据，以向相关县域的相关政府部门电话访谈为补充。

2.变量定义

(1) 被解释变量：贫困程度(pov) 关于贫困的测度，舒尔茨(1990)使用“能力贫困”的概念，即人的知识技能、健康方面的能力低下是贫困的根源[6]。参考相关文献，本文在基本检验中使用多维度贫困的度量方法，即贫困是由收入、健康、教育等方面的缺乏构成。其中：收入贫困以农民人均纯收入表示；健康贫困以医疗卫生机构人均床位数表示；教育贫困以人均中小学专任教师数表示。本文采用变异系数法计算出具体的贫困指数来测度贫困程度。具体计算方法如下：

表1 普惠金融指数计算指标

(3)控制变量 考虑数据可获得性，并参考相关文献，选择涉农贷款金额(loan=农户贷款、农村企业及各类组织贷款、城市企业和各类组织涉农贷款，取自然对数)、产业结构(indu=第一产业增加值/GDP增量)、财政结构(fstr=财政支出/财政收入)、开放程度(open=进出口额/GDP)、人口结构(depe=劳动人口/户籍人口)、受教育水平(edu=就业人员平均受教育年限)、固定资产投资(fixi=当年新增固定资产投资(亿元)，取自然对数)、人均移动电话数(cell=移动电话数/户籍人口数)等作为控制变量。

3.模型

通过huasman检验，p值接近于零，故选择个体和时间双固定效应模型，以更好地反映个体特征，同时保证参数估计的一致性。根据样本数据特征，本文选取面板模型实证研究普惠金融发展的脱贫攻坚效应。具体模型如下：

povit=α+βifiit+γControlit+μi+ωi+εit

(1)

其中，pov为贫困指数；ifi为普惠金融发展指数；Control为一系列控制变量；i表示61个样本县(市)；t为年份；μi代表个体固定效应；ωi代表时间固定效应；εit为随机扰动项。

二、实证结果及分析

1.描述性统计

变量的描述性统计结果显示，多维贫困指数pov的均值0.47，中值0.32，标准差0.36，这表明安徽县域平均贫困程度处于中等，但县域间存在一定差异，并且低于平均贫困程度的县域较多一些。同时，普惠金融发展指数ifi的均值0.19，中值0.15，标准差0.59，这意味着安徽县域普惠金融发展水平普遍不高，差异显著，并且较多样本低于普惠金融发展平均水平。此外，样本间开放程度差异最大，受教育水平、产业结构和涉农贷款差异较大，而人口结构和财政结构的差异较小。(限于篇幅限制，略去描述性统计表；读者如有需要，可与作者联系。)

为了观察贫困程度和普惠金融发展水平是否随时间而变化，本文将样本划分为两个阶段：2010-2014年和2015-2019年，并对两个阶段的贫困指数和普惠金融发展指数的均值差异进行t检验。检验结果见表2所列。

表2 贫困指数和普惠金融发展指数均值差检验结果

表2显示，无论是贫困指数(pov)，还是普惠金融发展指数(ifi)，第二阶段的均值大于第一阶段均值，并且均值差(0.18和0.11)均通过了5%的t检验。这表明，在样本期间内，安徽省县域普惠金融发展水平随着时间变化而显著提高，而贫困程度显著下降，安徽省县域脱贫攻坚在10年时间内取得了显著成就。至于二者之间是否存在内在关联，需要进一步通过以下的实证来检验。

2.基本检验

(1) 面板回归 运用husman检验，结果显示固定效应更适当。皖北地区(阜阳、亳州、宿州、淮北、淮南、蚌埠)人口密度较大，贫困状况较为严重，普惠金融发展水平也相对较低，因此本文将地区样本划为皖北地区和其他地区，并分别进行检验。检验结果见表3所列。

表3 面板检验结果

由表3可见，加入控制变量后，全样本检验的普惠金融发展指数(ifi)的系数增大(由0.336上升为0.374)，并且在5%的显著性水平下显著为正。这表明普惠金融的发展具有显著的脱贫攻坚效应：普惠金融指数每上升1个百分点，可以使得贫困下降0.374百分点。这意味着，在样本期间内，安徽县域通过大力发展普惠金融有效降低了贫困程度，这与样本期间内普惠金融指数和贫困指数总体逐年上升的事实是匹配的。控制变量中，涉农贷款、产业结构、开放程度、受教育水平、固定资产投资和人均移动电话数等变量对脱贫攻坚具有显著的积极影响。

进一步比较皖北与其他地区的检验结果，可以发现，其他地区的普惠金融发展指数的系数(0.411)和显著性(1%)均高于皖北地区的系数0.350和显著性(5%)。这意味着，皖北地区普惠金融发展的脱贫攻坚效应要显著小于其他区域。究其原因，可能在于，在样本期间内，皖北地区的金融发展和经济社会发展的基数较小、水平较低，并且二者关联程度相对较低，使得检验结果的显著性相对较小。

(2) 面板分位数回归 为了验证固定效应的结果，本文还对数据进行了面板分位数回归检验，以进一步确认和研究普惠金融指数的变化在不同分位数下的脱贫攻坚效应。本文选取了 25%、50%、75%三个具有代表性的分位点进行分析。结果见表4所列。

表4 分位数回归结果

续表

由表4可见，在控制其他变量的情况下，普惠金融的脱贫攻坚效应在 25%、50%和75%分位上均显著为正，ifi的回归系数在 0.307-0.399之间。从分位数回归系数趋势来看，无论是全样本，还是子样本，随着分位数增加，普惠金融指数对贫困指数的影响越大。也就是说，在贫困指数越大(总体经济社会发展水平越高)的区域，普惠金融的脱贫攻坚效应越明显。与其他区域相比，皖北地区普惠金融和经济社会发展水平均相对较低，其普惠金融发展对减贫的作用显著较小。

3.进一步讨论

(1) 内生性问题 本文实证研究的内生性问题在于可能会存在逆向因果问题，即金融机构更可能选择经济发展水平较好的区域进行金融扩展，也就是说，贫困状况可能会反向地影响金融发展。如果金融发展属于内生变量，那么对应的检验结果就可能会出现偏差。在研究设计中，本文使用的贫困指标为多维贫困指标，不仅有经济(收入)指标，还有教育指标和医疗指标，金融机构即使有识别经济指标的能力，但教育和医疗并不属于金融机构识别的经济指标范围之内，因而多维贫困指标直接影响普惠金融发展的概率是很小的。不过，为了尽量规避这种低概率情况，本文在以下稳健性检验中使用恩格尔系数替代多维贫困指标。检验结果显示，基本检验并不存在内生性问题。

(2) 稳健性检验 本文分别采用贫困率(pr=《中国县(市)社会经济统计年鉴》公布的贫困率)和恩格尔系数(ec=食品支出/总消费支出)作为贫困程度的代理变量，替代基本检验中的贫困指数。贫困率采用新标准下(2010年2 300元人民币不变价)的各样本县域贫困率。根据恩格尔定律，食物支出占居民总消费支出的份额越多，恩格尔系数越大，居民生活水平越低，贫困程度越高。这两个指标越大，意味着贫困程度越严重。因此，预期其变量的系数为负。检验结果见表5所列。

表5 稳健性检验结果

表5显示，无论是采用贫困率(pr)，还是恩格尔系数(ec)作为被解释变量，普惠金融发展(ifi)的系数均显著为负(全样本ifi的系数分别为-0.251、-0.176)，与预期相符。这说明普惠金融发展对于脱贫攻坚具有显著的积极作用，这验证了基本检验的结论。比较前文表3和表5可以发现，无论是全样本，还是子样本，以贫困指数(pov)作为被解释变量的ifi系数及显著性均显著优于以贫困率(pr)或恩格尔系数(ec)作为被解释变量的ifi系数，这表明本文构建的反映多维贫困的贫困指数(pov)，要显著地优于单一贫困指标，能够更好地反映脱贫攻坚的实际状况。

(3) 分时间段检验 为了考察普惠金融发展对脱贫攻坚的影响是否会随时间变化而变化，本文将样本拆分为两个时间段(2010-2014年和2015-2019年)，并分别进行检验和对比。检验结果显示(见表6所列)，两个时间段内，普惠金融发展均对脱贫攻坚产生显著影响(ifi系数均通过10%及以上的显著性水平检验)，但显著性随时间变化有所下降(第二时间段的ifi系数相对较小，并且显著性水平也相对较低)。这表明普惠金融发展的减贫效应的边际效果在下降。

表6 分时间段检验结果

三、结 语

在乡村振兴背景下，普惠金融发展与脱贫攻坚之间存在重要的内在关联。近年来，安徽省积极推进脱贫攻坚和乡村振兴工作，业已取得了积极成效。本文基于2010-2019年安徽省县域样本数据，通过构建普惠金融发展和多维贫困指数，实证研究普惠金融发展对脱贫攻坚的影响。主要研究结论如下：首先，安徽省县域普惠金融发展水平不断提高，而贫困程度显著下降。与前一阶段(2010-2014年)相比，后一阶段(2015-2019年)的普惠金融发展指数和多维贫困指数均值分别提升了0.18和0.11，并且均通过了均值差的t检验。其次，普惠金融发展具有显著的脱贫攻坚效应。普惠金融指数每上升1%，可以使得贫困下降0.374%，即金融发展水平越高，贫困下降的幅度越大。因此，继续大力发展县域普惠金融，对于取得脱贫攻坚的胜利具有显著现实价值。最后，与其他区域相比，皖北地区普惠金融发展水平显著较低，贫困程度相对较高，并且普惠金融发展对脱贫攻坚的作用也相对较小。因此，下一步安徽省脱贫攻坚的重点应该放在皖北地区。

在乡村振兴战略背景下，要通过发展普惠金融实现脱贫攻坚，必须系统性制定并推行一系列行之有效的政策。这些政策包括但不限于：加强顶层设计，优化安徽省县域普惠金融体制；坚持政府支持与市场化运行相结合的原则，加强普惠金融基础设施建设，提高普惠金融服务能力；鼓励金融创新，创新普惠金融产品，提高金融科技技术，降低金融服务成本；在县域加强对居民的普惠金融及其金融风险教育，构建信用体系，提升居民的金融素养。