甘肃省普惠金融测度及减贫效应分析——基于甘肃省14个市(州)动态面板数据

侯继森

(兰州财经大学统计学院，甘肃 兰州 730020)

1 引言

1.1 研究背景

2019年是实现脱贫攻坚的关键一年，也是由“扶贫攻坚”过渡到“乡村振兴”的关键阶段，甘肃省作为西部大开发重点省份，其经济发展落后。2019年底，约有93.5万人贫困人口实现脱贫，贫困发生率从2018年的5.6%下降到0.9%，而全国贫困发生率为0.6%，其贫困发生率仍然比全国平均水平高，且甘肃省贫困人口占全国贫困人口的17%。因此，其脱贫工作，成为全国全面脱贫的重中之重。在目前精准扶贫、脱贫攻坚的大环境中，金融扶贫是脱贫工作最直接有效的途径，有着不可替代的作用。

1.2 甘肃省金融扶贫现状及问题

为了实现精准扶贫，首先在2017年甘肃省政府为更精确地掌握农民的贫困情况，深度走访乡村，因地制宜采取措施。但是，在实际实施过程中由于甘肃省贫困程度深、扶贫困难大等实际条件，扶贫之路依然存在很多阻碍和困难。

1.3 普惠金融的提出

由于上述问题的存在，使得金融服务不能精准发挥其作用，金融排斥问题依旧存在，此时普惠金融的概念开始出现。

1.4 本文创新之处

(1)指标选取方面。本文在借鉴Sarma(2008)围绕金融服务的可获得性、金融服务质量和金融服务使用状况的基础上，根据现实因素和数据的可获得性，在金融服务可获得性维度上，添加了线上可获得的指标，即移动电话普及率和互联网普及率。在金融服务渗透度维度上，除了存款余额水平、贷款余额水平外，添加了涉农贷款的比重和小微企业贷款比重两个指标。

(2)在普惠金融发展的减贫效应分析方面，大多数学者认为普惠金融可以减少贫困发生，促进经济增长，研究的是普惠金融和贫困之间的线性关系。本文研究普惠金融和贫困程度两者之间是否存在非线性关系，利用甘肃省14个市(州)2008—2017年的面板数据，采用动态面板差分GMM方法研究普惠金融发展对农民贫困程度的减缓作用，定量研究甘肃省普惠金融的减贫效应，这对甘肃省由完成脱贫攻坚任务平稳过渡到乡村振兴具有一定的参考意义。

2 甘肃省普惠金融发展水平的测度

2.1 指标选取及数据处理

本文借鉴Sarma(2008)围绕金融服务可获得性、金融服务质量和金融服务使用状况这三个维度，采用2008—2017年甘肃省14个市(州)10年的面板数据研究甘肃省的普惠金融发展状况及减贫效应。数据来源于《甘肃发展年鉴》《甘肃金融年鉴》《甘肃省金融运行报告》并在使用时对有关数据进行整理计算。

2.2 普惠金融指数测度

根据普惠金融指数IFI测算公式，得出2008—2017年甘肃省14个市(州)的140个普惠金融综合指数IFI。

3 普惠金融发展的减贫效应的模型分析

3.1 动态面板模型构建

本文参考罗斯丹(2016)的研究，采用人均纯收入作为贫困程度水平指标变量，因为其可以反映居民收入和生活质量水平，本期人均收入受上一期的影响，所以本文也将滞后一期的人均收入加入模型中，得到如下动态面板模型：

(1)

其中，被解释变量pov代表贫困程度水平，ifi作为核心解释变量。由于农村贫困程度受当地经济发展水平(pgdp)、产业结构水平(is)、收入分配水平(ins)、城镇化率(city)、地方居民受教育水平(edu)和政府干预程度(gov)的影响，作为控制变量加入模型中，用Xit表示。i为甘肃省各市的截面单元，i=1,2,…14,t表示时间因素，ηi表示地区个体效应，μit为残差项。

本文所涉及到的被解释变量和解释变量可能互为因果关系，使得即使个体效应ηi是固定效应，数据的组内最小二乘估计量也会是有偏和非一致的。因此，为克服内生性问题，本文采用Arellano和Bond(1991)的广义矩估计(差分GMM)来对模型进行估计。

3.2 变量的选取和描述

(1)被解释变量：贫困程度指标pov。

(2)解释变量：本文采取上文计算的普惠金融发展指数IFI作为核心解释变量。考虑到还会有其他因素产生减贫效应，因此这里引入当地经济发展水平、产业结构水平、收入分配水平、城镇化率、地方居民受教育水平、通货膨胀率和政府支持等控制变量。

4 甘肃省普惠金融减贫的实证分析

4.1 面板数据单位根检验

在面板数据中由于存在时间影响因素，因此数据的平稳性检验是很有必要的。在面板数据单位根检验中，本文分别采用LLC检验和Fisher-PP检验对数据进行单位根检验。

表1 各变量的单位根检验

由表1可见，在两种检验下，各序列都在显著性水平0.05下拒绝了存在单位根的原假设，各变量是平稳的，因此可以进一步进行静态和动态模型回归分析。

4.2 实证分析

在研究普惠金融发展对贫困减缓作用的实证分析中，使用Eviews9.0进行静态面板和动态面板估计。各模型估计结果如表2所示。

(1)GMM估计结果与分析

在表2中，模型(1)-(3)为静态面板回归的结果，模型(4)为动态面板采用差分GMM方法得到的结果。模型(1)采用传统最小二乘估计方法，该方法忽略了个体之间的差异性，使得模型估计结果有着很大的偏差，模型(2)是采用固定效应(FE)模型估计得出的结果，要比OLS更准确，模型(3)是使用面板随机效应(RE)模型估计得到的结果，因为该模型比固定效应模型的自由度少，因此当个体效应的误差项是随机分布时，该方法非常适合。

在Hausman检验结果中我们可以看到，其检验P值为0.000<0.05，拒绝原假设，因此认为随机影响模型中个体效应与解释变量是相关的，即认为固定效应模型比随机效应模型更好，所以选择固定效应模型。

动态面板差分GMM方法考虑了个体差异，我们在检验工具变量选取是否合理时，第一要检验模型的随机干扰项是否存在序列相关，如表2，AR(1)的P值为0.0161小于显著性水平0.05，且AR(2)的P值为0.3564大于0.05，即模型一阶序列自相关且二阶序列不相关，模型的随机干扰项是不存在序列相关的；第二是Sargan检验，保证工具变量的外生性，从而保证估计量的一致性，从表2我们可以看到，Sargan检验的P值为0.707>0.05，不能拒绝原假设，认为所有的工具变量是有效且合理的。因此认为差分GMM估计结果是一致无偏的，本文的估计结果具有实际的参考意义。

根据以上分析比较，认为差分GMM优于其他三个估计，因此对差分GMM估计结果进行解释分析。由表2来看，lnpov(-1)的系数在0.01的水平上显著为正，农民人均收入受上一期影响，可见农民的贫困程度呈惯性发展。核心解释变量的一次项、二次项均显著为负，说明在甘肃省14个市(州)的面板数据模型中普惠金融对农村贫困的减缓作用呈倒U型。在控制变量中，政府干预程度在0.01水平上均显著为正，即政府采用扩大政府支出的宏观财政政策会促进减缓农村贫困，产生积极的影响；地区经济发展水平和当地居民受教育程度也在0.01的水平上显著为正，认为两者均对农民人均收入的增加呈积极影响。当地经济水平越高会带动各方面的发展，农村居民收入也会更高。

表2 普惠金融发展的减贫效应静态与动态模型结果

5 结论及对策建议

经过研究，得出以下结论：第一，甘肃省普惠金融发展整体水平不高，且发展很不均匀。第二，农村贫困程度的一阶滞后项pov(-1)的估计系数显著为正且均大于0.7，说明甘肃省各地区贫困状况呈惯性效应，长期贫困积累是导致当期贫困、阻碍经济发展的主要原因。第三，普惠金融发展指数和农村贫困程度之间存在显著的倒“U 型”二次函数关系，即甘肃省普惠金融可以促进农村贫困的减缓，其影响效果是先增大后减小。第四，政府干预程度、当地居民受教育水平和经济发展水平对贫困的减缓都发挥着显著的正向作用，若增强政府教育投资，提高当地居民教育水平，提高经济发展速度均可以带动农村贫困的减缓。

对于上述得出的结论，本文提出一些建议：

第一，从金融部门角度来说，需要提高普惠金融服务质量、扩展金融服务深度、完善金融服务体系、创新丰富金融产品。首先，金融业相关部门应该降低金融服务门槛，确保更多弱势群体和贫困群体享受到高质量的金融产品，更快地摆脱贫困现状。其次，金融部门需要根据贫困人群的特殊需求丰富创新金融产品，增加涉农贷款和小微企业贷款金额，并且应提供多种金融服务的方式。最后，各类金融机构应该扩大深度和广度，使地处偏僻、交通不变的农村居民更方便地享受金融服务。

第二，从政府角度来说，在财政方面，在扶贫过程中政府发挥着不可替代的作用，政府应增加财政投入，引导金融机构以各种方式支持扶贫项目。在教育支出方面，政府应增加教育支出，大部分地处贫困地区的农村居民不具备较高知识水平，没有理解金融产品的能力，也会造成金融服务的无效，增强农村居民的知识水平，以便更好地掌握和理解金融知识。在政策宣传和金融知识普及方面，金融机构和驻村工作队互相合作，积极做好金融知识的宣传和普及工作，让农村居民以更直接的方式获取金融知识。最后，政府应该做好基础设施建设，加强道路修建，让地处偏远的农村居民能更方便及时地接触到金融机构。