数字普惠金融对促进非农就业的影响研究——基于CFPS数据的实证分析

华东政法大学商学院 郑舒文

数字金融具有降低交易成本、优化资源配置等优势，被认为是缩小收入差距、提升人民幸福感的重要工具。在加快数字社会建设步伐、建设数字中国的背景下，数字金融的发展是大势所趋，是政策所向，是社会进步的必然要求。

中国就业人口逐年递增，但部分地区失业率仍较高，且收入差距呈现扩大态势。一方面，追求商业可持续性的金融机构难以评估小微企业、中低收入人群的风险，从而为了防止“逆向选择”使得这些金融弱势群体被排挤在金融服务之外；另一方面，以风险定价的金融机构即使提供服务，其收取的风险溢价也过高，弱势群体无法以较小的机会成本为盈利性项目融资，传统金融服务的高门槛在导致这些本可以就业的弱势群体失业的同时，也产生了循环累积的因果效应，扩大收入差距——他们之所以得不到资金支持，就是因为他们没有资金。但是数字普惠金融的发展却能在很大程度上改善这种局面，增加资金的可得性，成为稳就业、保民生，缩小差距、优化配置的重要途径。

互联网金融的快速发展，尤其是支付领域的不断突破，信息不对称这一主要障碍已经在很大程度上得以缓解。依托技术进步、互联网背后强大的算法支撑，金融弱势群体的行为留痕，从而构成反映其信用、能力等的数据支持，其信息和经营行为能被金融机构获取，极大地降低了包括信息搜寻成本在内的交易费用以及金融机构对他们产生机会主义倾向的预期，从而金融机构愿意以合理的价格提供信贷支持，弥补了传统金融服务高门槛的不足，使资金流向盈利性项目[1]，对稳就业、缩差距起到了积极的作用。此外，数字普惠金融既包括对传统金融服务的创新，也包括以电商平台为基点的各项业务[2]，在提供资金支持的同时，助推就业形式的丰富与创新，如电商、淘宝村的涌现，这无疑提供了新时代解决就业问题的新思路[3]。

鉴于此，本文基于已有数据展开研究，实证分析数字普惠金融的发展能够在多大程度上促进非农就业，同时对比分析其对非农就业的异质性影响。

1 研究设计

1.1 数据来源

本文研究数据源于微观层面中国家庭追踪调查(CFPS)以及宏观层面数字普惠金融发展匹配数据。其中微观数据为北京大学中国社会科学调查中心多阶段、动态跟踪调查全国25个省区16000户家庭所得。而宏观层面的数据则由北京大学数字金融研究中心发布，覆盖31个省近2800个县域。这两套数据覆盖范围广、样本容量大、质量高。因而，以此分析数字金融的发展对非农就业的影响具有较高的可靠性。为了提升数据质量，在剔除缺失值后，本文筛选出7420个有效样本，采用Stata15对数据进行分析。

1.2 变量选取

1.2.1 被解释变量

本研究的被解释变量为“是否非农就业”，该变量为二值虚拟变量。采用CFPS数据中“过去12个月是否从事农林渔牧”数据。

1.2.2 核心解释变量

本研究的核心解释变量为数字金融发展程度，直接采用2018年各省区数字普惠金融发展指数。为了研究数字普惠金融各分项指标对非农就业的影响，本研究引入覆盖广度、使用深度以及数字化程度三个二级指标。

1.2.3 控制变量

本研究的控制变量涵盖个人层面的年龄、性别、教育、健康、婚姻状况、上网时间，家庭层面的家庭规模、人均收入，以及宏观层面的区域地理位置。这些都是已有实证分析中常用的影响就业的因素。

1.3 模型构建

本文研究重点是数字普惠金融对非农就业的影响，鉴于被解释变量“是否非农就业”是二值变量，本文建立Probit回归模型进行分析，在潜变量Y*框架下考察数字金融的影响。当Y*＞0时，被解释变量取值为1，否则为0。根据理论分析，本文确定了潜变量和基准模型的表达式[4]：

假设ε～N(0，1)，则Y*服从正态分布。Y*是在研究过程中无法直接观测但可间接推断的潜变量，此处代表非农就业倾向。Xi、Xj分别代表与数字普惠金融相关的核心解释变量与各控制变量。ɑi、βj为各变量所对应的回归系数。

2 实证结果与分析

2.1 描述性统计

使用Stata15对各变量进行描述性统计，各变量的取值、标准差均在正常区间。

表1 变量说明

2.2 基准回归模型

表2展示了Probit模型的回归结果。回归结果表明，数字普惠金融对非农就业有显著的正向影响。一方面数字金融的发展降低了金融机构获取信息的交易成本，缓解信息不对称程度，金融弱势群体得以以合理价格为盈利性项目融资；另一方面数字金融也丰富了就业形式，在助推居民自我雇佣的同时，也在一定程度上为他人创造了更多的就业机会。此外，观察控制变量可以发现人均收入和受教育程度对非农就业产生显著的促进作用，而性别、家庭规模和地理位置则会显著抑制非农就业。

表2 数字普惠金融与非农就业基准回归模型

2.3 稳健性检验

由于数字普惠金融发展指数属于一级指标，为了保证实证结果的稳健性，本研究一方面进一步使用覆盖广度、使用深度以及数字化程度三个二级指标考察数字普惠金融对非农就业的影响；另一方面运用Logit模型替代Probit模型进行回归。二级指标及Logit模型回归结果均显示，数字普惠金融对非农就业依然存在显著的正向作用。虽然在三个分指标层面，其对非农就业促进作用强度不一：数字化程度促进作用最强，覆盖广度次之，使用深度最弱，但都与基准回归模型结论一致。综上，本文的实证结论较为稳健。

表3 数字普惠金融与非农就业稳健性检验

2.4 异质性分析

表4 数字普惠金融与非农就业：性别、地理异质性

由于传统非农就业在性别与地理位置层面呈现分化趋势，本研究想要探究数字普惠金融对非农就业的影响会不会也呈现性别与地理位置的异质性。所以本研究进一步将样本划分为男、女，以及东、中、西分样本，再单独进行回归分析。回归结果显示，数字普惠金融显著促进男性与女性的非农就业，但男性非农就业对数字金融的发展更为敏感。一个可能的解释是，虽然社会观念已经发生极大转变，但女性在就业中的弱势地位并未彻底扭转。而在宏观地理层面，回归结果表明，数字普惠金融对东部、西部地区的非农就业有显著的正向影响。之所以出现这样的结果，是因为东部地区经济基础好，数字经济能快速发展；西部地区由于受困于传统金融高门槛的限制，经济起点低，数字经济的边际效应大。

3 结语

本文基于probit模型对数字普惠金融指数与中国家庭跟踪调查数据(CFPS)进行回归分析，实证检验了数字金融对非农就业的影响，得出以下三点结论：第一，数字金融确实弥补了传统金融高门槛的不足，显著促进了非农就业；第二，数字普惠金融三个分指标分别对非农就业有着显著的正向作用，数字化程度促进作用最强，覆盖广度次之，使用深度最弱；第三，数字普惠金融对非农就业的影响存在性别及地理上的异质性，对男性的促进作用更明显，对东部与西部的正向作用更大。

探究数字普惠金融对非农就业的影响，无论在学术研究还是政策制定上都具有重要意义。本文的实证研究结果为政府制定政策提供了以上几点思路：第一，政府应进一步推动数字金融的发展，通过优化基础设施等途径，提高数字金融覆盖广度、使用深度及数字化程度，使数字金融与传统金融相互补充，更好地发挥其在促进非农就业方面的积极作用；第二，政府应关注数字普惠金融对非农就业在性别以及地理方面的异质性影响，引导相对弱势群体的金融及互联网教育，使数字金融能够发挥更大的作用，惠及全体人民；第三，数字金融快速发展的同时，政府也应加强对数字金融的监管，完善相关法律，提高准入门槛，使其有序、健康地发展。