财政支持、数字普惠金融与多维贫困缓解*

吴庆田，王欣宇

（中南大学商学院，湖南 长沙 410083）

一、引言与文献综述

普惠金融在脱贫攻坚中所发挥的关键作用已被学界和业界广泛认同。普惠金融作为金融制度的创新，可以增加贫困户实际获得资金的机会，这与我国进一步缓解相对贫困事业目标是相契合的（赵经涛，2020）。因此，大力发展普惠金融是帮助贫困人群培养脱贫增收“内在动力”的关键举措。随着金融科技与数字技术发展，数字普惠金融通过提高对目标群体识别的精准度，可以有效弥补传统金融与传统普惠金融不足（董玉峰等，2020）。但由于金融天然的逐利性，贫困地区、贫困群众依然是数字普惠金融服务的薄弱环节。此外，政府参与是普惠金融市场发展的重要推动力量（Kabakova和 Plaksenkov，2018）。推进薄弱领域数字化发展和金融科技的普及，提供全面的政策保障、发挥财税正向激励以及提升消费者金融素养，是提升普惠金融减贫效果的重要方式和手段（惠献波，2020；郑志强，2020）。财政金融协调配合形成减贫的强大合力是大势所趋。首先，实现农村普惠金融可持续发展、发挥普惠金融减贫效果要求转变当前以政府为主导的发展模式，追求财政支持与普惠金融协同发展（董晓琳等，2016；耿军会和孙璐，2019）；其次，在缓解多维贫困过程中，财政与普惠金融的对象与途径存在协同性（吴本建等，2019；张东玲等，2020）；最后，财政的支持与引导有助于实现普惠金融的可持续发展，提升普惠金融防止返贫的长效性（宋彦峰，2021）。

财政支持数字普惠金融的减贫模式是必要且可行的。一方面，政府可以为数字普惠金融发展起良好的辅助与支持作用；另一方面，政府可以对数字普惠金融在减贫事业中无法涉及的方面予以补充和完善。已有研究表明，财政支持对传统金融的减贫效果存在有门槛的促进作用（孙倩，2019）。现阶段政府虽然对数字普惠金融财税支持政策支持力度大、撬动效应强，但也存在可持续性较弱、政策间协调性较差等短板（王道新，2020；徐学军和陈雪君，2015）。因此，构建财政对数字普惠金融缓解相对贫困的稳定且可持续的支持机制，对弥补市场性金融手段的不足，提升数字普惠金融缓解多维贫困积极性、稳定性与持续性具有重要意义。

综上所述，已有文献分别对数字普惠金融、财政政策两方面因素对减贫的影响进行了深入研究，但较少学者从财政支持视角考察数字普惠金融缓解多维贫困效果，仅有少量文献从耦合协调度、门槛效应考察财政支持对普惠金融减贫的影响，但也缺乏对财政支持数字普惠金融减贫效应的影响机制和异质性进行深入研究。财政政策对数字普惠金融发展的支持效果如何，能否推动数字普惠金融缓解多维贫困效应，这些都是值得研究的重要问题。本文以我国23个省市为研究样本，运用A-F双界法构建多维贫困指数，结合历年各省统计年鉴等相关数据，实证研究财政支持对数字普惠金融发挥缓解多维贫困效应的影响，探究财政支持数字普惠金融的门槛效应。

与以往文献相比，本文可能的贡献和创新主要体现在以下三个方面：第一，现有文献大多从单一角度考察财政政策、数字普惠金融与贫困的关系，本文将三者结合起来，从财政支持的视角研究数字普惠金融的多维减贫效应；第二，在数据处理方面，进行宏微观数据匹配，对北京大学中国家庭追踪调查（CFPS）数据采用A-F双界法测算多维贫困指数；第三，本文以财政支持为门槛变量，运用面板门槛效应模型对数字普惠金融缓解多维贫困的门槛效应进行检验，发现合理的门槛区间内财政支持有利于提升数字普惠金融缓解多维贫困效应。

二、理论分析与研究假说

（一）理论分析

阿玛蒂亚·森的可行能力理论是多维贫困概念的理论基础，他认为贫困不仅是收入贫困，更体现在一系列社会生存与生活能力遭到剥夺，如：免受疾病、接受教育、改善生活质量等机会与能力。基于此，国内外学者开始将贫困识别由单一收入贫困转变为涵盖生活各方面的多维贫困，目前多维贫困指标在我国得到较为广泛的运用。与绝对贫困相比，相对贫困更加复杂、覆盖范围更广、持续时间更长，这就使得对相对贫困的识别与认定是多维度的。因此，运用多维贫困指标能够更精准且全面地识别我国相对贫困水平。

财政支持是指政府通过无偿拨付的方式对相关产业、行业给予资金支持。财政支持数字普惠金融具体指的是，在良好协调政府与金融市场关系的基础上，利用财政政策给予数字普惠金融自主、可持续发展的制度与资金保障。财政支持包含以下手段：第一，通过加大贷款贴息和金融机构奖补力度降低金融机构贷款门槛、改善基础设施环境，从而拓展数字普惠金融业务覆盖区域。财政部分别于2008年和2009年设立小额担保贷款财政贴息资金、县域涉农贷款增量奖励资金和农村金融机构定向费用补贴，通过财政奖补政策调动金融机构参与积极性，有效推动数字普惠金融发展（丁攀等，2020；粟芳和方蕾，2016）；第二，通过加大对风险分摊基金的投入以及支持保险业创新保险产品，构建强有力的风险分担机制，鼓励金融机构基于数字普惠金融创新多元化金融产品，进而激发金融机构参与数字普惠金融的内生动力，并提高数字普惠金融产品供给与需求的匹配性；第三，创新财政资金利用方式，改变传统财政奖补通过财政入股、财政担保等推动数字普惠金融发展的方式，由政府部门与金融机构共同建立准公共性质基金，大力发展政府性融资担保平台（陈明亮，2013；财政部，2020），提高财政资金利用率，推动数字普惠金融持续健康发展；第四，对开展普惠金融业务的机构采取税收优惠，财政部和税务总局于2017年对小额贷款公司、小微企业、融资担保、农村金融共四类普惠金融税收政策实施优惠，为相关主体减负从而激活普惠金融发展动力。

（二）研究假设

普惠金融发展与我国缓解多维贫困在理论渊源中具有协调一致性（周孟亮，2018），但金融 “嫌贫爱富”的本质会导致普惠金融的目标发生偏移。因此，政府应对普惠金融进行适当的支持与引导，从而矫正其负外部性。数字普惠金融缓解多维贫困的局限性表现在：第一，数字普惠金融在相对贫困地区受到基础环境不健全、经营风险高、金融产品同质化等问题影响，容易导致金融体系固有的市场失灵等短板；第二，相对贫困群体容易被边缘化、受到金融风险冲击的伤害更大（温涛，2011；Boukhatem，2016；Rewilak，2017），这使得数字普惠金融减贫效应无法完全释放。因此运用适度、可持续的政府支持通过耦合效应规范引导数字普惠金融可持续发展，是完善数字普惠金融发展环境、填补数字普惠金融缓解多维贫困的“空白点”的内在需求。在此基础上，本文提出以下假说：

H1：财政支持通过耦合效应促进数字普惠金融发挥缓解多维贫困的效应，且在数字普惠金融发展水平不同的地区表现出异质性。

政府通过提升财政支持与数字普惠金融发展的协调性、匹配性，可以弥补市场失灵。国内外经验表明，财政“输血式”减贫存在扶贫效率较低、可持续性较差、针对性不强、目标偏离等局限性（Apostu，2012；郑秉文，2019； JouiNi，2018；邢成举和李小云，2013），且财政支持的度难以把握。财政对数字普惠金融的支持力度是重要影响因素，不足或者过度的财政支持都可能会影响数字普惠金融减贫效果。为回答上述问题，本文提出以下假说：

H2：财政支持对数字普惠金融的多维减贫效果存在门槛效应。

本文将在全面考察财政支持影响数字普惠金融多维减贫效果的基础上，通过对多维贫困总指数分解，进一步考察数字普惠金融的减贫效应是否对不同类型的贫困存在差异性，以及定性考察财政支持能否对数字普惠金融缓解各类贫困问题起到积极促进作用。基于此，本文提出以下假说：

H3：财政支持数字普惠金融对不同维度贫困的缓解具有异质性。

三、多维贫困的测度

（一）数据来源与样本筛选

本文运用中国家庭追踪调查（CFPS）数据库的个体样本数据构建多维贫困指数，该调查从2010年开始每两年进行一次，因此本文采用2010年、2012年、2014年、2016年、2018年共五年的调查数据。调查内容涵盖家庭、个人在经济、生活、健康、教育、金融等多个维度，可以有效构建多维贫困指数。剔除部分数据缺失的省市，最终得到23个省市5年的样本数据。在去除无效样本，并对样本进行梳理后，各年样本量分别为11473、11313、9060、10620、10836。依据多维贫困指数的群体可分性，在多维贫困综合指数基础上计算各省每年的多维贫困指数。

（二）多维贫困指数的构建

国内现有研究多采用A-F双界法构建多维贫困指数。关于指标权重，部分学者采用等权重法（谢家智和车四方，2017），也有学者采用非等权重方法（沈扬扬等，2018；惠献波，2020）。本文为更好满足政策评估需要，参考Alkire和Foster的双界线法，采用AF法和BP神经网络赋权法测算多维贫困指数，具体步骤如下：

基于以上信息可以得到多维贫困指标MPI：

其中多维贫困指数MPI具有如下性质：

第一，可拆分性：

即多维贫困指数可以分解为贫困广度H与贫困深度A：

其中：q为多维贫困人口数量；H为多维贫困发生率，即多维贫困广度；A为多维贫困平均被剥夺程度，即多维贫困深度。

第二，群组可分性：

各维度指标权重的选取与z临界值、k临界值共同影响MPI的变化。本文运用神经网络赋权法对每个维度指标进行赋权，神经网络法通过对样本的反复训练能够更真实地模拟社会经济现实状况。参考洪晓成（2016）的研究，选取收入、生活条件、固定资产、金融资产、教育、健康共6个维度、10个指标构建多维贫困指标体系，各指标设计及权重如表1所示：

表1 多维贫困指标设计及权重

（三）多维贫困指数分析

临界值k取值范围为0.3-0.8，其取值会影响多维贫困广度H。当k上升时，H下降，则多维贫困指数MPI下降，即多维贫困率降低。依据CFPS数据测算的我国2010、2012、2014、2016、2018年多维贫困指数结果如表2所示。

表2 2010-2018年我国多维贫困指数

2010-2018年我国多维贫困指数如表2所示。横向分析可以看到，我国多维贫困指数MPI会随k值上升而下降，且在k=0.8时几乎为0。多维贫困广度H与多维贫困深度A也随k值上升而下降，且多维贫困广度H的变化幅度较大。纵向分析可以看到，多维贫困深度A随时间呈现波动变化状态，而多维贫困广度H则随时间呈现下降趋势，进而使得多维贫困指数MPI整体处于下降趋势。这表明，我国多维贫困整体状况得到缓解、多维贫困广度缩减成效明显，但多维贫困深度的减缓程度不高，这是当前及今后缓解多维贫困的重要任务。

四、研究设计

（一）变量选取

第一，核心解释变量。一是数字普惠金融发展水平（DI），用北京大学数字普惠金融发展指数进行测度，该指数由北京大学数字金融研究中心基于蚂蚁金服数据编制而成。由于北京大学数字普惠金融发展指数只涵盖2011-2018年，因此本文运用指数平滑法拟合得到2010年各省市数字普惠金融发展指数。二是财政支持（FS），用人均财政支持普惠金融发展资金表示。2015年出台的《推进普惠金融发展规划（2016-2020年）》明确提出，设立普惠金融发展专项资金，该项资金于2016年开始发放。依据财政部印发的《普惠金融发展专项资金管理办法》，专项资金主要用于县域金融机构涉农贷款增量政策、农村金融机构定向费用补贴政策、创业担保贷款贴息及奖补政策和PPP项目以奖代补政策共四项。以此为依据，对2010-2014年的财政县域金融机构涉农贷款增量奖励资金、农村金融机构定向费用补贴资金、小额担保贷款财政贴息资金和PPP项目补贴资金进行收集、整理，从而形成2010年、2012年、2014年的财政支持普惠金融发展资金数据，缺失数据采用插值法补齐。三是财政支持普惠金融（DI×FS），用财政支持金融指标与数字普惠金融指标的乘积表示，反映财政支持数字普惠金融多维减贫的影响。为避免回归系数过小，本文将上述指标乘以10000进行放大。

第二，控制变量。参考魏晓博等（2020）、孙倩（2019）的研究，选取以下控制变量：①产业结构，发展第一产业在减贫中发挥重要作用（张萃，2011），采用各地区第一产业产值占当地GDP的比重作为产业结构衡量指标；②城镇化水平，城镇化具有显著地减贫效果，但随着时间推移其效果可能会减弱（解垩，2020），本文用各地区城镇人口占总人口比重进行衡量；③教育程度，采用人均受教育年限法进行测算；④地方经济发展水平，一个地区的多维贫困水平与当地经济发展水平紧密相关，本文用地方人均GDP水平表示地方经济发展水平；⑤互联网发展水平，互联网发展水平可以反映一个地区的信息化程度，且互联网的发展降低了居民日常生活生产的交易成本，是缓解多维贫困资金的重要途径，本文用各地区互联网普及程度表示互联网发展水平；⑥对外开放水平，对外开放水平与当地居民生活状况密切相关，通常来看，一个地区对外开放水平越高，居民获取收入、改善生活的途径越多，本文用进出口总量同GDP的比重进行衡量；⑦固定资产水平，固定资产是居民生活生产的重要基础，本文用人均固定资产水平对其进行衡量。

（二）数据来源与统计特征

本文选取2010年、2012年、2014年、2016年和2018年23个省市的省级面板数据为样本进行实证检验。原始数据来自各省市历年统计年鉴、北京大学数字普惠金融发展指数、中国家庭追踪调查（CFPS）数据库、国家工信部网站，缺失值用插值法补全。各变量的描述性统计结果见表3。

表3 各变量描述性统计结果

（三）模型设计

由于CFPS数据为间隔年份调查数据，本文样本是跨期十年每期间隔一年的五年面板数据。当期多维贫困状况一般和前期的多维贫困水平相关，由于多维贫困的持续性较强，因此本文采用系统GMM模型，将被解释变量的滞后项作为解释变量引入到回归模型，使模型具有动态的解释能力。同时该模型可以较好地控制内生性、异方差等计量问题。基于上文理论推导，建立式（6）形式的基本动态面板模型，引入财政支持与数字普惠金融的交叉项的式（7）：

式（7）以式（6）为基础，进一步讨论了财政支持对数字普惠金融缓解多维贫困的复合影响。其中：α0为常数项，α1为普惠金融（DI）系数，α2为财政支持数字普惠金融指标（DI×FS）系数，αj为各控制变量系数，Control为控制变量，ε为随机扰动项。

根据上文分析可知，作为影响数字普惠金融缓解多维贫困的重要变量，财政支持对该贫困缓解可能存在门槛效应。鉴于此，借鉴Hansen（1999）的门槛回归方法，以财政支持为门槛变量，建立式（8）形式的单一面板门槛和式（9）形式的双重面板门槛效应回归模型以检验假设H2：

式（8）假定门槛变量存在单一门槛效应，式（9）假定门槛变量存在双重门槛效应。I(·)为指示函数，qi,t为门槛变量，γ为门槛值，εi,t为误差项。

7)目前，这套联合制动系统通过推广应用，效果达到了设计要求，解决了煤层气钻机车重载下长坡无法持续制动的难题，但联合制动作用的匹配研究还需进一步跟踪测试完善。

五、实证分析

（一）基本模型回归分析

本文分别采用被解释变量和弱外生解释变量的滞后项作为工具变量，参考现有研究文献，选择临界值k=0.3作为多维贫困水平的衡量指标。表4的实证分析中，列（1）仅考虑数字普惠金融对多维贫困的缓解作用，列（2）中加入财政支持与数字普惠金融交叉项，列（3）和列（4）为列（2）在不同数字普惠金融发展水平下的模型（将全样本按照数字普惠金融发展指数的中位数划分为数字普惠金融发展水平较高和较低两个样本）。

表4 系统GMM估计基本模型回归结果

注：1.“***”、“**”、“*”分别代表在10%、5%、1%显著性水平下显著；2.括号内为对应的Z值；3.AR2和Sargan的输出结果为相应检验的p值；4.L代表滞后项。下同。

从表4可以看到， AR（2）检验中P值均大于1%，可认为扰动项不存在二阶自相关。Sargan检验中P值均大于5%，认为不存在过度识别问题，因此构建的模型是相对稳健的、工具变量地选择是适宜的。

在回归结果中，列（1）的数字普惠金融对多维贫困具有不显著的缓解作用，这说明当前数字普惠金融的发展与缓解多维贫困的进程是统一的，但其实际效果不够明显。这表明，要进一步释放数字普惠金融缓解多维贫困的效能，需从多方面支持使得数字普惠金融的发展更可能地缓解多维贫困。

列（2）中，数字普惠金融在10%的显著性下显著为负，通过与列（1）的系数进行对比发现，在财政支持下，数字普惠金融的多维贫困缓解效应更加明显且效果得到放大。假设H1得到验证。这说明，充分发挥数字普惠金融缓解多维贫困的作用，离不开财政的大力支持与引导，只有加大财政的支持与指引，才能使数字普惠金融实现其本质目标。

在数字普惠金融发展水平不同的地区，数字普惠金融自身的减贫效果与财政支持的耦合效应存在显著差异。对比列（3）和列（4）可以发现：第一，在数字普惠金融发展水平较低的地区，数字普惠金融对多维贫困的缓解效应被显著抑制。这与前文理论分析一致，即数字普惠金融的创新仍无法回避“嫌贫爱富”的本质特征。由于数字普惠金融低水平地区配套基础设施、信用体系不完善，导致该地区风险较高，许多数字普惠金融供给方更倾向于将吸收的存款及资金转移到发展水平较高的区域，从而使数字普惠金融发展水平较低地区的居民难以享受数字普惠金融发展红利。而在数字普惠金融水平较高的地区，其金融发展已相对健全，数字普惠金融发展的各方面阻碍较少，其正外部性覆盖范围更广、力度更强，也使得数字普惠金融的减贫效应得到充分发挥。第二，列（3）和列（4）中，数字普惠金融与财政支持交互项的系数出现了显著差异。列（3）结果表明，在数字普惠金融发展水平较低的地区，政府对数字普惠金融的支持能够更有效地发挥其正外部性，起到较好的保护、支持和引导作用。列（4）结果表明，在数字普惠金融发展水平较高的地区，财政支持会削弱数字普惠金融的多维减贫效应。可能的原因是，在这些已经实现了数字普惠金融自主发展的地区，财政支持的大量投入难以进一步增强其普惠效果。

（二）财政支持数字普惠金融多维减贫的门槛效应检验

现有关于财政对普惠金融减贫影响的研究中，大部分学者认为财政与普惠金融的政策协调性较差、两者配合尚未达到最优。前文的研究也表明，财政支持对数字普惠金融缓解多维贫困促进效果还有待进一步加强。基于此，本文以人均财政支持为门限变量，进行门槛效应分析，结果如表5所示。可以看到，随着门限变量取值发生变化，数字普惠金融的系数也出现显著变化，即存在显著的门槛效应，且财政支持数字普惠金融缓解多维贫困具有显著的双重门槛效应，假设H2得到验证。这意味着当财政支持投入过少和过多时，其支持数字普惠金融缓解多维贫困的效应都会减弱，只有财政支持处于一个适度的中间水平时，才能更好地促进数字普惠金融缓解多维贫困。

表5 数字普惠金融对缓解多维贫困的面板门槛效应回归结果

（三）财政支持影响数字普惠金融贫困缓解的异质性分析

参考以往研究文献，本文选取的多维贫困指数包含六个维度，那么数字普惠金融对各种维度的贫困缓解效应如何，是否能对各类型贫困的缓解都起作用呢？财政支持在其中又扮演什么样的角色？为回答上述问题，本文在表4中列（2）的基础上，依次用收入、生活、健康、固定资产、金融、教育共六个维度的贫困状况替代多维贫困综合指数进行实证分析，回归结果如表6所示。

表6 财政支持数字普惠金融对不同贫困回归结果

回归结果表明，财政支持对数字普惠金融缓解贫困的影响具有异质性。数字普惠金融的发展可以改善收入贫困、固定资产贫困和教育贫困，而对生活贫困、健康贫困与金融贫困具有消极作用。财政支持主要提升了数字普惠金融对收入贫困、生活贫困、金融贫困的减缓效应。由此假设H3得到验证，即财政支持对数字普惠金融多维减贫的积极作用是具有方向性的。

（四）稳健性检验

第二，替换核心解释变量。为保证结果稳健性，本文采用替换核心解释变量的方法进行稳健性检验，以财政支持占公共财政预算支出比重作为财政支持指标的代理变量，并采用系统GMM方法进行估计。

第三，改变变量计算方式。本文对数字普惠金融进行对数形式的变换，再次进行稳健性检验，以期在不改变经济含义的前提下消除异方差。

三种方式的稳健性检验结果如表7所示。回归结果与前文基本保持一致，即财政支持对数字普惠金融的多维减贫效应具有促进作用，且数字普惠金融整体多维减贫效果显著。

表7 稳健性回归结果

六、研究结论与政策建议

我国脱贫攻坚取得了全面胜利，缓解相对贫困是巩固脱贫成果、实现与乡村振兴有效衔接中十分重要的任务，而推进数字普惠金融可持续发展是完成这一任务的关键举措。基于此，本文利用省级面板数据检验财政支持对数字普惠金融缓解多维贫困效果的影响，研究结论表明：第一，财政支持对数字普惠金融缓解多维贫困具有一定的促进作用，但在数字普惠金融发展水平不同的地区表现出较大的差异性。第二，财政支持应当维持在适当的水平，支持不足和过度支持都会削弱财政与数字普惠金融在缓解多维贫困中耦合效应的发挥。第三，财政支持对数字普惠金融减贫效用的发挥，在不同贫困维度中表现出了异质性。

基于以上研究结论，提出如下政策启示：

第一，在巩固脱贫攻坚成果的阶段，要继续发挥财政支持对数字普惠金融缓解多维贫困的促进作用。财政资金在扶贫过程中的导向性功能不可忽视，要充分运用财政资金撬动、引导多元化金融资本进入相对贫困地区。同时还应该创新财政支持方式，将财政支持深入到直接融资、信用担保、数字普惠金融等领域，实现相对贫困地区金融资金供给由传统金融向多层次数字普惠金融体系可持续性“造血”转变。

第二，建立并完善财政对数字普惠金融多维减贫的适度支持机制，根据数字普惠金融的多维减贫进程，动态调整财政支持力度。在遇到不确定性冲击时，可以给予数字普惠金融机构短期资金奖补，缓解外界风险的冲击。而在数字普惠金融长期发展过程中，财政应当减少“输血”式补贴，以避免对数字普惠金融发展及减贫效应形成过度干预。

第三，针对不同地区制定差异化的财政支持政策。在数字普惠金融发展水平较低区域，由于其自主发展能力和可持续性较差，财政资金应当率先进入并发挥支持作用。在数字普惠金融发展水平较高的地区，财政支持应更加灵活适度，避免过度投入，应给予数字普惠金融机构更大的自主权，以充分释放其数字普惠金融多维减贫效应。