数字普惠金融与流动人口家庭相对贫困

蒋晓敏周战强张博尧

一、引言

党的十八大以来，党中央把脱贫攻坚摆在治国理政的突出位置。经过8年的努力，现行标准下9 899万农村贫困人口全部脱贫，取得了脱贫攻坚战的全面胜利，这意味着存在中国数千年的绝对贫困问题得到解决。我国反贫困的战略重心由解决绝对贫困转向治理相对贫困，以巩固拓展脱贫攻坚成果，让脱贫基础更加稳固、成效更可持续。

我国城乡二元结构以及工业化、市场化进程决定了我国的相对贫困不仅在农村和城市同时存在，还具有流动性特征。尤其是20世纪90年代以来，我国流动人口大幅增加。2020年第七次人口普查的数据显示，我国流动人口已达到3.76亿(1)数据来源：第七次全国人口普查主要数据情况，http://www.stats.gov.cn/tjsj/zxfb/202105/t20210510_1817176.html。。根据原国家卫生计生委2017年进行的流动人口动态监测调查，流动人口的相对贫困比例并不低，达到18.89%；在相对贫困的流动人口中，绝大多数是农民工，其占比达到89.81%。而且受户籍、公共福利制度、劳动市场歧视、自身教育水平和社会资源等因素的影响，流动人口较城镇本地居民更易于陷入相对贫困状态(杨洋和马骁，2012[1]；杨舸，2017[2])。流动人口为流入地经济社会发展做出了重要贡献，然而作为边缘群体，其利益容易受到忽视。正确面对和解决这一群体的相对贫困问题，对于巩固脱贫攻坚成果、缩小收入差距、实现共同富裕等具有重要意义。

相对贫困群体收入水平低，其发展缺少必要的资金。普惠金融立足于机会平等，把农民、城镇低收入群体等作为重点服务对象。它能够汇集金融资源，降低金融服务的门槛，增加金融服务的可获性，在消除贫困、实现社会公平与和谐中具有重要的作用(Beck等，2007[3]；Jones，2008[4]；李建军等，2020[5])，但也有少数研究从金融资源配置效率、收入增长效应异质性角度发现普惠金融减贫效果有限或不明显(Arestis和Caner，2009[6]；杨艳琳和付晨玉，2019[7])。最近几年，随着数字普惠金融的迅速发展，学者们开始研究数字普惠金融对贫困和相对贫困的影响(孙继国等，2020[8]；张栋浩等，2020[9])。这些研究主要关注的是城市或农村常住居民群体，很少专门关注规模巨大的流动人口群体。相对于本地居民，流动人口收入较低、受教育水平较低，更易受到数字鸿沟的限制(邱泽奇等，2016[10])。在这种情况下，他们能否借助数字普惠金融发展带来的机会，提高自身的收入水平，避免或减少陷入相对贫困的可能，是在巩固脱贫攻坚成果阶段亟需认真探讨和解决的问题。

本文借助中山大学中国劳动力动态调查数据(CLDS)、北京大学金融研究中心发布的数字普惠金融数据和中国城市统计数据，探讨了数字普惠金融对流动人口家庭相对贫困的影响。结果表明数字普惠金融的发展显著提高了流动人口家庭相对贫困的可能性，这一影响可能是通过减少流动人口家庭在本地的社会参与实现的，并且较低的家庭人力资本、缺乏社会保险会加深这一影响。本文的主要贡献在于：一是着眼于已有研究很少关注的流动人口这一特殊人群的相对贫困问题，从迅速发展的数字普惠金融角度，阐释数字普惠金融对流动人口家庭相对贫困的影响规律，丰富和拓展了相对贫困领域的研究；二是探讨了数字普惠金融对流动人口家庭相对贫困的影响机制，认为数字普惠金融减少了流动人口家庭在本地的社会参与，进而提高其陷入相对贫困的可能性；三是分析了人力资本和社会保险在数字普惠金融与流动人口家庭相对贫困关系中的调节作用，深化了对两者关系的认识。

二、文献综述

影响相对贫困的因素十分复杂，既有微观因素，又有宏观因素。在微观层面上，个体的物质资本、人力资本、社会资本对相对贫困有很大影响。Gustafsson和Ding(2020)[11]对2002—2013年中国城镇相对贫困问题研究发现，就业机会缺乏、抚幼和养老负担沉重的居民积累的物质资本较少，更有可能陷入相对贫困的状况。受教育程度、技能培训是人力资本的重要衡量标准。李实等(2020)[12]认为不同受教育群体的相对贫困状况存在差别，初中以上学历劳动者的相对贫困状况呈现增长的趋势。罗明忠等(2020)[13]发现职业技能培训能够降低农户的相对贫困状况，但农业技能培训的影响程度更高，非农业技能培训对农户多维贫困的影响则更为显著。对于贫困农户而言，社会网络中的资源能够为农户提供改善自身状况所需要的发展能力(周晔馨和叶静怡，2014[14])。谭燕芝和张子豪(2017)[15]认为社会网络关系能够帮助农户缓解融资约束，改善农户多维贫困的状况。就宏观层面而言，基本公共服务、分配制度、市场化、产业智能化等会影响劳动者个体或者家庭的相对贫困状况。温兴祥和郑子媛(2020)[16]发现基本公共服务过多集中在城市，存在地区和群体差异，公共服务分配不均衡，将导致相对贫困问题的出现。李永友和沈坤荣(2007)[17]认为相对贫困问题的出现主要是由于财富初始分配环节中不同行业间劳动力要素价格的差异，财富分配的差距必然导致弱势收入群体感到相对贫困。王春超和叶琴(2014)[18]发现市场化有助于促进知识和信息的传播，缩小贫富差距，缓解农民工相对贫困的状况。杨飞和范从来(2020)[19]提出产业智能化能够通过创造新的就业机会，提高生产效率，改善低收入者的收入状况，缩小收入差距，促进中国益贫式发展。

解决贫困问题，离不开金融，尤其是普惠金融的支持。Dupas和Robinson(2013)[20]认为普惠金融能够汇集金融资源，使得投资和支付更加便利化，提高储蓄转化为投资的效率，促进经济增长。Burgess和Pande(2005)[21]认为普惠金融能够降低信贷门槛限制，让更多农民享受到低成本的金融服务，从而缩小城乡收入差距，缓解农村贫困状况。Miled和Rejeb(2015)[22]发现普惠金融的发展能够增加金融产品和服务的可获得性，改善居民贫困状况。Jones(2008)[4]提出普惠金融能够通过增加资本积累和正规借贷，改善家庭在健康、教育等方面的贫困现状，提高家庭的幸福感水平。然而也有少数研究认为普惠金融会降低金融资源配置效率，对不同收入群体的收入增加效应存在差异，导致扶贫效果有限或不明显(Arestis和Caner，2009[6]；杨艳琳和付晨玉，2019[7])。出现不一致结论可能是因为普惠金融对不同群体贫困状况的影响存在差异，朱一鸣和王伟(2017)[23]研究发现，普惠金融为高收入者带来的收入增长效应要大于低收入者。Kondo等(2008)[24]提出普惠金融并不能改变极端贫困者的贫困状况。此外，普惠金融对贫困的影响并非独立于个人生存所需的内外部环境，Sahay和Cihak(2018)[25]认为普惠金融的发展应该避免在单一路径上实现，“孤岛心理”的存在不利于发挥普惠金融在经济发展中的积极作用。

伴随着互联网的普及和数字技术的发展，数字普惠金融成为普惠金融发展的重要方向。数字普惠金融对相对贫困影响的研究开始受到关注，其影响渠道可能有信贷约束、创业机会、人力资本、物质资本积累和信息鸿沟等(孙继国等，2020[8]；张栋浩等，2020[9]；谢升峰等，2021[26])。孙继国等(2020)[8]研究发现，数字普惠金融能够通过降低信贷门槛、增加信贷供给、化解金融风险、增加居民创业来缓解相对贫困的状况。张栋浩等(2020)[9]基于多维贫困的视角，对农村地区的相对贫困进行研究发现，数字普惠金融通过提高人力资本和物质资本能够显著改善收入、教育、生活等方面的贫困，对健康方面的贫困影响则不显著。而谢升峰等(2021)[26]认为数字普惠金融会通过信息鸿沟对居民相对贫困产生影响，这种影响呈现出先升高后降低的特点，在数字普惠金融发展的早期，高低收入者之间的数字普惠金融使用不平衡将会带来信息使用的鸿沟，从而提高相对贫困的状况，但在数字普惠金融发展较高的阶段，信息鸿沟将减少，居民相对贫困的状况会相应得到改善。

可以看出，已有文献关注的主要是城市和农村常住居民的相对贫困，对流动人口的相对贫困关注得很少。虽然国内外关于普惠金融与贫困、多维贫困的研究较多，但数字普惠金融对相对贫困影响的研究还处于起步阶段，得出的结论存在分歧，尚需要进一步讨论。因此，本文基于中山大学中国劳动力动态调查数据(CLDS)、北京大学金融研究中心发布的数字普惠金融数据和中国城市统计数据，探讨数字普惠金融对流动人口家庭相对贫困的影响。

三、研究假设

近年来，数字普惠金融成为普惠金融的重要发展方向。与传统普惠金融相比，数字普惠金融增加了金融产品和服务供给(Miled和 Rejeb，2015[22])，减少了金融供给方地理位置和营业时间的约束，降低了金融服务的门槛和成本(Burgess和Pande，2005[21])，提高了金融服务的可达性和可得性，能够让更多人有机会享受到更加便利化的金融服务。但是数字普惠金融并没有改变自身的金融逻辑，其本质仍然是一种商业行为，是在成本可负担及商业可持续原则下开展的，它要求惠及对象具有必要的物质资本、一定风险承受能力。相对于本地居民，流动人口收入较低，拥有的物质资本较少，抗风险能力较弱，导致他们有可能缺少必要条件，无法利用数字普惠金融服务。

数字普惠金融不仅涉及资金使用风险，还涉及网络安全、信息安全等。我国数字经济发展迅速，无论在初创还是成长阶段其所受的监管相较于传统金融较少，网络安全和信息安全存在较多漏洞(唐松等，2020[27])。从2016年至2018年，全国法院审理结案的网络犯罪案件在全国刑事案件中的占比呈逐年攀升的趋势。2018年网络犯罪案件量同比增加50.91%，其中网络诈骗案件占比高达30%(2)数据来源：2019年最高法院发布网络犯罪大数据报告以及电信网络诈骗犯罪典型案例，https://www.chinacourt.org/index.php/article/detail/2019/11/id/4644045.shtml。。网络安全和犯罪问题导致人们对于数字普惠金融的信任程度降低，使用积极性下降。与本地居民相比，流动人口利用互联网投资积极性不高。根据2017年中国家庭金融调查数据显示，流动人口使用互联网理财大都在2万元以下，远低于本地人的投资水平。

数字普惠金融为惠及对象提供了均等的受益机会，但是并不意味着他们的受益是均等的。Sen(1999)[28]认为贫困产生于对人们可行能力的剥夺。一方面，由于存在数字鸿沟，不用或者少用互联网、移动通讯设备的人群没有相关数据信息，无法或难以获得这类金融服务。另一方面，缺少必要金融知识和素养的个体不太可能利用数字普惠金融带来的受益机会。流动人口平均受教育水平仅为初中，比本地居民的要低一些，金融知识和素养相对缺乏，使用互联网、移动通讯设备的范围较小、频率较低，导致他们与本地居民在数字普惠金融利用上存在差异，受益机会也不均等。可见，数字普惠金融面临着一些需要金融服务的流动人口因为缺少必要的物质资本、风险承受能力等导致的“不能用”问题、因为网络安全以及网络诈骗导致的“不敢用”问题、因为存在“数字鸿沟”与金融知识及素养缺乏造成的“不会用”问题，导致流动人口在数字普惠金融的使用机会、程度、频率、范围等方面不及本地居民，由此带来的收入增加也不及本地居民，拉大了他们的收入差距，导致流动人口更可能陷入相对贫困。因此，本文提出研究假设1。

假设1：数字普惠金融显著提高了流动人口家庭相对贫困的概率。

社会参与是社会资本的重要组成部分(陆迁和王昕，2012[29])，人们通过积极参与社会组织或团体活动，增强了社会信任，拓宽了社会网络规模，获取到更多的机会和资源，从而改善自身收入状况。在传统的社会交往过程中，流动人口面对陌生的流入地环境，为打破隔阂，尽快融入流入地，会参加各种各样的社会组织，与他人进行社会交往，利用社会资本带来更多的物质回报(Bourdieu，1984[30])。但近些年以互联网为代表的信息技术的应用和推广，在给流动人口带来生活便利的同时，也带来了生活方式的巨大变革，尤其是以互联网技术为基础的数字普惠金融的发展，一方面为流动人口提供了更加灵活多样的资金使用方式，使得他们突破了传统金融的限制，降低了传统私人借贷行为发生的可能性(吴雨等，2020[31])，也打破了在资金获取上对传统关系的依赖。他们将较多时间用于信息的搜寻和识别上，在社会交往中更有针对性地选择“朋友圈”，减少了对本地线下社会组织或团体活动的参与(Kraut等，1998[32]； McPherson等，2006[33])。另一方面，网络诈骗案件频发，人们之间的信任程度下降，流动人口在本地参与社会团体或组织活动方面变得更为谨慎。这不利于流动人口在本地构建新型社会网络关系，扩大其社会网络规模和异质性，不利于他们获得更多的收入，有可能陷入相对贫困的状况。因此，本文提出研究假设2。

假设2：数字普惠金融降低了流动人口在本地的社会参与程度，从而提高了其家庭相对贫困的概率。

教育是人力资本投资的重要形式，受教育水平的差别会影响流动人口对数字普惠金融的利用程度(邱泽奇等，2016[10])。一般来说，受教育水平越高的个体具备更高的学习理解能力，花费较少的精力和成本就能够了解互联网、金融等知识，更倾向利用网络进行互联网资本的积累(DiMaggio和Hargittai，2001[34])，而且他们对风险的抵御能力更强(彭澎和徐志刚，2021[35])，能利用金融资源更好地为自己服务(Maladonado和González-Vega，2008[36]； Ligon和Schechter，2003[37])，提高其收入水平，这扩大了不同受教育水平流动人口使用数字普惠金融带来的收入差距，导致受教育水平较低的流动人口家庭陷入相对贫困的可能性更大。因此，本文提出研究假设3。

假设3：较低的人力资本水平加剧了数字普惠金融对流动人口家庭相对贫困的影响。

社会保险主要包括养老、医疗、工伤、失业和生育保险。根据中山大学中国劳动力动态调查数据(CLDS)，上述五险全部参加的受访流动人口仅占8.85%，可见流动人口社会保险的参与程度较低。社会保险能够有效化解风险，实现风险分担(Walker，2005[38])，具有收入维持的功能，能够有效克服家庭生存环境的脆弱性，阻止收入差距的进一步扩大，实现社会公平(李棉管和岳经纶，2020[39])。一方面，拥有社会保险的流动人口能够借助社会的力量有效分散风险，避免因疾病或意外事故冲击所导致的生产性投资和人力资本投资下降(Hamid等，2011[40])，更有条件利用数字普惠金融，发挥数字普惠金融低门槛、金融产品和服务易获得的优势，抓住更多机会，提高收入水平(谢绚丽等，2018[41])，降低陷入相对贫困的可能性。另一方面，拥有社会保险的流动人口，能够有效保持健康，增加劳动力供给(Fogel，1994[42])，获得稳定的收入来源，利用数字普惠金融所带来的机会，有效提高收入水平，更有可能摆脱相对贫困。因此，本文提出研究假设4。

假设4：社会保险的缺乏加剧了数字普惠金融对流动人口家庭相对贫困的影响。

四、数据、变量及模型设定

(一)数据来源

本文使用的数据来源有三种：一是流动人口数据,来自中山大学中国劳动力动态调查数据(CLDS)。该数据于2011年开始试调查，2012年开启正式调查，之后每两年进行一次，采用PPS抽样和轮换样本追踪调查的方式，覆盖中国29个省份(除港澳台、西藏、海南外)。该调查涉及受访者的个人、家庭、村居三个层面，包含受访者的基本情况、教育、工作、迁移、健康、社会参与、经济活动、基层组织等领域，能够较好地反映中国剧烈变迁的社会现状。本文使用的是2012、2014、2016年劳动力动态调查数据中的流动人口家庭面板数据。二是数字普惠金融数据,来自北京大学金融研究中心发布的数字普惠金融指数。该数据是由北京大学金融研究中心和蚂蚁金服集团从2011年开始采用无量纲化的方法联合编制，覆盖中国31个省份、337个地级市以及2 800个县域城市(除港澳台外)。它包含数字金融覆盖广度、使用深度和普惠金融数字化程度3个子维度，共计33个具体指标，能够较好地反映数字普惠金融的发展状况。三是城市层面统计数据来自1985、2012、2014、2016年的《中国城市统计年鉴》。本文将2011、2013、2015年城市数字普惠金融数据分别与2012、2014、2016年劳动力动态调查及城市统计数据进行匹配。经过数据的清洗和处理，共得到有效样本量3 560个。

结合所用数据，本文将流动人口界定为户籍所在区(县、市)乡镇/街道以外居住的人员，户主的居住地和户口所在地不一致的家庭为流动人口家庭。

(二)变量及其描述性统计

1.因变量。

本文的因变量是相对贫困。关于相对贫困的衡量，大多数研究倾向使用人均可支配收入中位数或平均数的40%、50%或者60%作为相对贫困线(Fuchs，1969[43]；World Bank，2001[44])。收入中位数的设置标准不易受到收入两端人群的影响，结果较为稳健(Preston，1995[45]； Gottlieb 和Fruman，2011[46]；李实等，2020[12])，但使用收入中位数的多大比例合适尚无一致结论。若比例过高，则需要脱贫的个人或家庭相对较多，给政府带来的压力相对较大，若比例较低，则政府短期脱贫的压力相对较小(李实等，2020[12])，达不到使尽可能多的贫困人口脱贫的目标。考虑到我国城乡一体化趋势，本文将各城市家庭人均收入中位数50%作为相对贫困线，若问卷中流动人口家庭人均收入处于各城市家庭人均收入中位数的50%以下，则相对贫困设置为1，否则设置为0。样本中，大约有19.75%的流动人口家庭处于相对贫困的状况。

2.核心自变量。

本文的核心自变量是数字普惠金融。参考已有文献(谢绚丽等，2018[41]；张勋等，2019[47]；吴雨等，2020[31])，本文利用数字普惠金融指数作为该变量的衡量指标。为深入研究数字普惠金融的影响，本文也利用数字普惠金融指数的子维度即数字金融覆盖广度、数字金融使用深度、普惠金融数字化程度做了进一步分析。因该指数采用无量纲化的标准，为方便处理，本文将该指数及其子维度都使用了除以100的处理方法。

3.中介变量。

社会参与。户主是家庭收入的主要贡献者，本文将户主在本地社会参与作为家庭社会参与的代理指标。根据问卷中的问题，将户主在本地“居委会、社工机构、业主委员会、休闲/娱乐/体育俱乐部/沙龙、学习/培训机构、同乡会、宗亲组织、公益/社会组织/志愿者团体、宗教组织”等社团或社会组织参与状况设置为计数变量，若在本地社会团体或组织参与数量每增加一个，该变量分数增加1，分数越高，表明该户主社会参与程度越高。样本中家庭平均参与1个社会组织，社会参与程度较低。

4.调节变量。

(1)人力资本。以受教育程度为主的人力资本积累能够改善劳动力质量，提高劳动者的市场竞争力(邱泽奇等，2016[10])。本文根据流动人口家庭的平均受教育程度衡量人力资本，若其处于初中及其以下，则人力资本变量设置为1，否则设置为0。样本中流动人口家庭的人力资本水平较低，大约有55.56%的家庭平均受教育程度处于初中及以下。

(2)社会保险。参加社会保险能够帮助流动人口避免因疾病、意外事故、失业等陷入贫困的风险，是一个家庭抗风险能力的重要衡量标准(Akotey和Adjasi，2014[48]；刘子宁等，2019[49])。根据问卷中的问题，若作为家庭主要劳动力收入来源的户主没有参与医疗、养老或者其他任一类社会保险，则社会保险参与变量设置为1，否则设置为0。样本中大约有17.33%的流动人口尚未参与任何社会保险，流动人口的生存环境较为脆弱。

5.控制变量。

参考已有文献，本文控制了户主个人基本特征、家庭特征和城市特征三类变量。其中户主个人基本特征变量包括户主性别、婚姻状况、健康状况等。若户主为男性，则户主性别变量为1，否则为0。样本中男性户主多于女性户主，其占比高达77.47%。若户主已婚或再婚，则户主婚姻状况变量为1，否则为0。样本中已婚或再婚的户主占比为83.12%。户主的健康状况分为非常不健康、比较不健康、一般、健康、非常健康，分别赋值为0、1、2、3、4。样本中户主的平均健康状况较好。家庭特征变量包括家庭人口规模、老年抚养比、家庭劳动力平均年龄、家庭劳动力平均年龄平方、家庭收支比等变量。流动人口家庭规模平均为3.33人。老年抚养比为家庭64岁以上人口数在家庭15～64岁劳动力总人口数中的占比。样本中流动人口家庭的老年抚养比为10.48%。流动人口家庭劳动力较为年轻，平均为37岁。家庭收支比为家庭总收入占家庭总支出的比重，样本中大多数流动人口家庭一半以上的收入用于支出。城市特征变量包括金融水平、第三产业占GDP的比重、外商投资比重、每万人医生人数等变量。金融发展水平为各城市年末金融机构贷款余额占GDP的比重，样本中各城市金融投资额较高，金融发展水平相对较好。第三产业占GDP的比重为各城市第三产业增加值占GDP的比重，样本中第三产业对GDP的贡献较高，占比达51.43%。外商投资比重为外商固定资产投资额在GDP中的占比，样本中外商固定资产投资积极性较高，占比约为28.73%。每万人中医生人数为各城市医生人数在总人口中的占比，样本中医生人数相对缺乏，医疗资源不足，每万人中平均拥有43名医生。

表1 描述性统计结果

(三)模型设定

1.基准模型。

由于流动人口家庭相对贫困是虚拟变量，本文设定了下列Probit模型分析数字普惠金融对流动人口家庭相对贫困的影响。

Prob(povertyit=1)=Φ(βfinanceit+Xitγ+δi+τt)

(1)

其中，povertyit表示第i个家庭在t时期的相对贫困状况，financeit为第i个家庭所在城市t时期的数字普惠金融发展状况，Xit为户主个人基本特征、家庭特征、城市特征等控制变量向量，δ为城市固定效应，τ为年份固定效应，β、γ是系数项。

2.中介效应模型。

为研究数字普惠金融对流动人口家庭相对贫困的影响机制，根据Baron和Kenny(1986)[50]提出的方法，本文用模型(1)与下面模型(2)和(3)构建了中介效应模型：

mediumit=γ0+γ1financeit+Xitγ2+δi+τt+σit

(2)

Prob(povertyit=1)=Φ(φ1mediumit+φ2financeit

+Xitφ3+δi+τt)

(3)

其中，mediumit为第i个家庭户主在t时期本地的社会参与。γ0、γ1、γ2、φ1、φ2、φ3为系数项，σit为随机误差项。其他变量说明同模型(1)。在β显著的情况下，若γ1和φ1显著且符号为正，说明存在显著中介效应；若γ1和φ1至少有一个不显著，用Bootstrap法检验零假设γ1φ1=0，拒绝该零假设说明存在显著中介效应，否则中介效应不显著(温忠麟和叶宝娟，2014[51])。如果社会参与在数字普惠金融与流动人口家庭相对贫困之间发挥中介效应，就说明数字普惠金融通过流动人口的社会参与对其相对贫困产生影响。

3.调节效应模型。

为分析数字普惠金融与流动人口家庭相对贫困的关系是否受到调节变量的影响，根据Baron和Kenny(1986)[50]的研究，本文设定了调节效应模型(4)：

Prob(povertyit=1)=Φ(βfinanceit+ηadjustit

+λfinanceit×adjustit+Xitγ+δi+τt)

(4)

其中，adjustit表示第i个家庭在t时期的调节变量人力资本或社会保险，financeit×adjustit为第i个家庭在t时期核心解释变量数字普惠金融与调节变量的交互项，η，λ为系数项，其他变量说明同模型(1)。

五、实证结果分析

(一)基准模型回归结果

表2报告了基准模型即Probit模型的回归结果。作为对照，在该表中也报告了OLS模型的估计结果。其中，列(1)是仅保留数字普惠金融和城市及年份固定效应的Probit回归结果；列(2)、列(3)是逐步加入户主个人基本特征、家庭特征、城市特征变量的Probit回归结果，可以发现随着控制变量的不断加入，数字普惠金融显著提高了流动人口家庭陷入相对贫困的概率；列(4)～列(6)为相应的OLS回归结果，估计的数字普惠金融系数显著性和方向与Probit结果一致，结果较为稳健。这验证了假设1。

表2 基准模型回归结果

从控制变量来看，相对于未婚的户主，已婚户主的配偶也能够分担相应的家庭责任，降低了家庭相对贫困发生的可能性。户主的健康状况越好，越容易获得持久稳定的收入来源，降低了家庭因病致贫或因病返贫的可能性。家庭人口规模越大，需要操心和承担的事情也就越多，生活成本支出也就越大，陷入相对贫困的可能性也就越高。年龄对相对贫困的影响呈倒U型，家庭劳动力平均年龄越大，积累的资源和社会资本也就越多，收入状况相对较好，有助于降低家庭相对贫困发生的可能性，但当劳动者达到一定年龄，他们在劳动力市场中的竞争力将会逐渐下降，收入状况恶化，从而增加了家庭相对贫困发生的可能性。家庭收支比越高，表明家庭中的收入越能满足维持基本生活所需要的生存需求，有较强的风险承担能力，从而降低流动人口家庭发生相对贫困的可能性。外商投资比重越高，城市经济发展水平越好，人们之间的收入差距越大，提高了流动人口家庭发生相对贫困的可能性。

(二)归因分析：基于数字普惠金融收入效应的视角

数字普惠金融打破了传统金融的限制，降低了人们获取资金的门槛，为他们提供更多的就业或者创业机会，促进其收入水平的增加，但数字普惠金融要求人们具备一定的物质资本、金融素养和风险承担能力。流动人口与本地居民在受教育程度、金融素养、社会资本、就业或创业机会、风险承受能力等方面存在较大差距，数字普惠金融对流动人口和本地居民家庭的收入效应存在差别，这可能导致流动人口家庭陷入相对贫困。有鉴于此，本文以家庭收入的对数为因变量，对数字普惠金融和上述控制变量进行回归估计，结果见表3中列(1)～列(3)。可以发现，数字普惠金融对本地居民家庭收入增加效应较为明显，但对流动人口家庭收入的影响并不显著。因此数字普

表3 数字普惠金融收入效应的回归结果

惠金融扩大了流动人口和本地居民之间的收入差距，抬高了相对贫困的标准，提高了流动人口家庭陷入相对贫困的可能性。

(三)中介效应模型回归结果

数字普惠金融利用互联网技术，提高金融服务可得性，降低金融服务门槛和交易成本，增加居民获得金融产品机会，但这需要使用者花费更多的时间对相关互联网、金融信息进行搜寻和识别。利用互联网时间的增加挤出了流动人口线下参与社会组织和活动的时间(Putnam，2000[52]；陈福平等，2018[53])，减少了他们在本地的社会参与，弱化了原本比本地居民要弱的社会网络关系，较难利用在本地的社会网络获取更高、更稳定的收入，容易使他们陷入相对贫困的状况。表4中列(1)～列(3)是将社会参与作为中介变量的Probit回归结果。可以发现列(2)中数字普惠金融对社会参与的影响显著为负；将社会参与放入列(3)，发现它与数字普惠金融对流动人口家庭相对贫困的影响均显著，表明面对数字普惠金融的快速发展，流动人口在线上花费时间增加，使得他们线下社会参与减少，增加了他们陷入相对贫困的可能性。列(4)～列(6)相应的OLS回归结果也得出同样的结论。这验证了假设2。

表4 中介效应模型回归结果

(四)调节效应模型回归结果

1.人力资本。

数字普惠金融要求人们具备一定的知识储备和学习能力，劳动者受教育水平的差异将会影响数字普惠金融的使用差别。表5中列(1)和列(3)是将人力资本作为数字普惠金融对流动人口家庭相对贫困影响调节变量的Probit和OLS回归结果，可以发现数字普惠金融与人力资本交互项系数的估计结果显著为正，表明家庭平均较低的受教育状况加深了数字普惠金融对流动人口家庭相对贫困的影响，验证了假设3。数字普惠金融虽然能够增加金融资源的可得性、缓解资金约束、激发交易活力，但如果没有相应的教育水平作为支撑，它带来的收入增加效应较小，这将扩大不同教育水平流动人口的收入差距，提高较低教育水平流动人口陷入贫困的可能性。

2.社会保险。

社会保险能够影响个体的风险承受能力以及当前可以使用的收入数量，进而影响其利用数字普惠金融带来的获利机会和程度。表5中列(2)和列(4)是将社会保险作为数字普惠金融对流动人口家庭相对贫困影响调节变量的Probit和OLS回归结果，可以发现数字普惠金融与社会保险交互项的系数显著为正，表明缺乏社会保险加深了数字普惠金融对流动人口家庭相对贫困的影响，验证了假设4。社会保险的缺乏，会使流动人口更多地暴露在风险之中，变得更加谨慎，减少了利用数字普惠金融改善收入的机会，从而加深数字普惠金融对流动人口相对贫困的影响。

表5 调节效应模型回归结果

(五)异质性回归结果

上述回归分析表明，数字普惠金融会影响流动人口家庭相对贫困状况，但这种影响在不同户籍类型、不同流入地类型、不同金融监管强度的地区之间是否存在差异，还需要进一步分析。

1.基于户籍类型的分组分析。

按照流动人口户主的户籍，可将流动人口家庭分为非农户籍和农业户籍流动人口家庭。若流动人口户主的户籍类型为非农业，则为非农户籍流动人口家庭。若流动人口户主的户籍类型为农业，则为农业户籍流动人口家庭。两组人口在受教育程度、社会保障、劳动力价格等方面存在较大差异，导致数字普惠金融对流动人口家庭相对贫困的影响存在差别。为分析数字普惠金融对不同户籍类型流动人口家庭相对贫困的影响是否存在差异，本文基于户籍类型将样本分组回归。表6中列(1)、(2)、(7)、(8)分别给出了Probit和OLS回归结果。可以发现，数字普惠金融对农业户籍流动人口家庭相对贫困的影响显著，但对非农户籍流动人口家庭相对贫困的影响不显著，这可能是因为相对而言，农业户籍流动人口与本地居民的受教育程度、薪酬水平、社保参与等差距较大，他们利用数字普惠金融产生的收入效应较小，从而更易陷入相对贫困状态。

2.基于流入地类型的分组分析。

不同区域经济发展水平、市场开放程度、劳动者人力资本存在差距，这可能对流动人口家庭相对贫困的影响存在差别。为研究数字普惠金融对不同流入区域流动人口家庭相对贫困的影响是否存在差别，本文将样本分为东部和中西部两组估计。表6列(3)、列(4)给出了Probit回归结果，可以发现数字普惠金融对东部地区流动人口家庭相对贫困的影响较大。对分组回归后的组间差异进行检验发现，两组差异在10%的显著性水平上显著。这可能是因为相对于中西部地区，东部地区经济较为发达，市场机会更多，本地居民受教育水平较高，对市场机会更为敏感，对数字普惠金融接受和利用度也较高，获取的收益更大，从而造成流入东部地区的流动人口陷入相对贫困的概率更大。列(9)、列(10)为相应的OLS回归结果，所得结论与Probit模型的类似。

3.基于金融监管强度的分组分析。

我国数字普惠金融发展迅速，但是由于金融监管制度不健全、不完善，不同地区的金融监管强度存在差异，由此可能导致数字普惠金融对流动人口家庭相对贫困的影响存在差别。为分析不同金融监管强度情况下数字普惠金融对流动人口家庭相对贫困的影响是否存在差别，本文借鉴唐松等(2020)[27]将省级金融监管支出/金融业增加值作为各地区金融监管强度的做法，基于金融监管强度的中位数将样本分为金融监管较强和金融监管较弱两组。表6中列(5)、(6)、(11)、(12)分别给出了Probit和OLS回归结果，可以发现数字普惠金融对金融监管较弱地区的流动人口家庭相对贫困的影响较为显著，对金融监管较强地区的流动人口家庭相对贫困则没有显著影响。这可能是由于相对于金融监管较强的地区，金融监管较弱地区对数字普惠金融的监管较不完善，网络安全和信息安全存在较多漏洞，流动人口对数字普惠金融“不敢用”的问题较为突出，从而使得流动人口家庭较难借助数字普惠金融增加收入，提高了他们陷入相对贫困的概率。

表6 异质性分析结果

(六)内生性分析与稳健性检验

1.内生性分析。

在分析数字普惠金融对流动人口家庭相对贫困影响时，本文使用的是地区层面的数字普惠金融变量，单个流动人口家庭相对贫困不太可能反向影响数字普惠金融，但是可能存在因遗漏村居条件、劳动力自身能力等变量和变量测量误差而产生的内生性问题。为解决可能的内生性问题，本文使用工具变量的方法进行估计。本文选取的工具变量分别为《中国城市统计年鉴》中各城市1984年邮电局数量(黄群慧等，2019[54]；赵涛等，2020[55])和上一年各城市固定电话用户数。

邮电局是办理邮政和电信业务的机构。在1998年邮政和电信实现分营之前，固定电话的安装和使用通过邮电局来完成。固定电话接入是早期互联网走进人们视野的重要方式，固定电话的发展推动了互联网的普及和应用。数字普惠金融的发展依赖于互联网技术及其应用。因此邮电局的分布与互联网使用进而与数字普惠金融的发展有关。而历史上邮局的分布对于流动人口家庭相对贫困是难以产生影响的，满足排他性的要求。随着电信技术的发展，固定电话的使用逐渐式微，方便、多样化、多元化的移动通信方式得到普及和推广(赵涛等，2020[55])，我们已经由固定电话时代进入移动通信的时代，这进一步推动了互联网的普及与应用，促进了数字普惠金融的发展，同时固定电话的使用状况并不会直接影响流动人口家庭的相对贫困状况，满足排他性的要求。但1984年邮局数量是截面数据，本文借鉴Nunn 和 Qian(2014)[56]、黄群慧等(2019)[54]的方法，将1984年邮电局数量和上一年全国移动通信使用量(与时间有关)的交互项作为工具变量。

表7中列(1)、列(2)是将各城市1984年邮电局数量和上一年各城市固定电话用户数作为工具变量的Probit回归结果，列(3)、列(4)为相应的2SLS回归结果。可以发现第一阶段回归中1984年邮电局数量对数字普惠金融的影响显著且为正，而上一年各城市固定电话用户数对数字普惠金融的影响显著为负，这表明历史上邮局数量能够通过影响人们的互联网使用习惯，促进数字普惠金融的发展，而当前固定电话使用下降的趋势，也验证了在互联网影响下移动支付的发展是促进数字普惠金融发展的重要推手。Wald检验和Sargan检验的结果分别拒绝了“弱工具变量”和“过度识别”的原假设。第二阶段的回归系数表明，数字普惠金融显著提高了流动人口家庭相对贫困的概率，与这一结果相比，表2中列(3)的基准回归结果低估了数字普惠金融对流动人口家庭相对贫困的影响。

表7 工具变量回归结果

2.稳健性检验。

本文采用以下三种方法进行稳健性检验：第一种方法为替代核心被解释变量，Gottlieb 和 Fruman(2011)[46]、李实等(2020)[12]认为中位数收入的40%或60%也能较好地体现家庭相对贫困状况。将家庭平均收入的40%、60%分别设置为相对贫困标准，构造核心被解释变量替代变量进行回归，可以发现数字普惠金融系数的显著性和方向与基准回归结果一致。第二种方法为控制本地村居固定效应进行的稳健性检验。不同村居的环境及治理机制可能存在差异，导致数字普惠金融对流动人口家庭相对贫困的影响存在差别。本文进一步控制了村居固定效应进行回归，可以发现数字普惠金融系数的显著性和方向与基准回归结果一致。第三种方法为使用子样本进行回归。未就业者可能使家庭相对贫困的估计结果有偏，根据问卷中户主的就业状态，将“未工作”“退休”“失业/下岗”“丧失劳动能力”等流动人口从样本中删掉，仅保留有工作的流动人口作为子样本1进行回归，可以发现数字普惠金融系数的显著性和方向与基准回归结果一致。另外，本文将户主在户籍所在区(县、市)以外地区居住半年以上的流动人口家庭作为子样本2进行回归，可以看出数字普惠金融系数的显著性和方向与前述基准回归结果一致(3)受篇幅所限，稳健性分析结果未在文中列出，感兴趣的读者可向作者索要。。这些检验结果说明基准回归结果是稳健的。

(七)进一步分析：数字普惠金融子维度的回归结果

数字普惠金融主要由覆盖广度、使用深度和数字化程度三个子维度构成，其中覆盖广度是由互联网支付账号和绑卡银行账户数来体现的，使用深度主要涉及支付、信贷、保险、投资和征信等服务，数字化程度则将借款利率成本和便利化程度考虑在内。各子维度对流动人口家庭相对贫困的影响可能存在差别。本文分别利用数字普惠金融的三个子维度和前述控制变量与流动人口家庭相对贫困进行回归，可以发现数字普惠金融的子维度使用深度、数字化程度显著提高了流动人口家庭相对贫困的可能性，而覆盖广度对流动人口家庭相对贫困的影响不显著。(4)受篇幅所限，数字普惠金融子维度的回归结果未在文中列出，感兴趣的读者可向作者索要。这可能是因为不受地域限制的使用深度和低成本、低门槛的数字化程度，虽然拓宽了家庭借贷、交易和投资的渠道，但与本地居民相比，流动人口家庭收入水平较低、教育水平较低、社会资本较少、社会保险缺乏、生存环境脆弱，限制了他们利用数字普惠金融带来的扩大收入机会，在一定程度上提高了他们陷入相对贫困的可能性。

六、结论与建议

我国脱贫攻坚已经取得了决定性胜利，然而人民日益增长的美好生活需要和发展不充分、不平衡之间的矛盾依然存在，相对贫困是当前乃至未来较长时间内我国需要解决的重要问题。本文使用北京大学金融研究中心发布的数字普惠金融数据、中山大学中国劳动力动态调查和中国城市统计数据分析了数字普惠金融对流动人口家庭相对贫困的影响。结果表明：(1)数字普惠金融显著提高了流动人口家庭相对贫困的可能性，因为它扩大了流动人口和本地居民之间的收入差距；(2)数字普惠金融对于流动人口家庭相对贫困的影响是通过减少他们在本地的社会参与实现的；(3)较低的家庭人力资本水平、缺乏社会保险加深了数字普惠金融的影响，使得流动人口家庭陷入相对贫困的可能性显著提高；(4)数字普惠金融对流动人口家庭相对贫困的影响因户籍、流入地类型、金融监管强度而存在差异，对农业户籍、流入东部地区、金融监管较弱地区的流动人口家庭相对贫困影响较大；(5)数字普惠金融的子维度使用深度、数字化程度能够显著提高流动人口家庭相对贫困的可能性，而覆盖广度的影响不明显。

上述结论为减轻流动人口家庭相对贫困提供了思路。流动人口受教育水平较低，金融素养和技能缺乏，抗风险能力较差，与本地人之间存在使用数字普惠金融的差异，带来了新的贫富分化。因此，政府应加强对金融市场监管，防范和打击网络诈骗犯罪，营造健康安全的数字普惠金融发展环境；努力缩小不同人群在数字普惠金融使用上的数字鸿沟，提升流动人口的知识技能水平，改善流动人口因受教育水平较低、金融素养缺乏导致的数字普惠金融使用差异，发挥数字普惠金融在借贷中低门槛的优势，提高流动人口的收入水平，缩小流动人口与本地居民的收入差距，降低其相对贫困的可能性；进一步推进社保制度改革，用好税收和转移支付等手段，增加社保支出，实现城乡医疗、养老等公共服务的接轨，提高流动人口社保参与度，增强其风险承担能力，避免流动人口家庭出现因学、因病、因意外事故或短期收入下降致贫的状况。