数字金融促进农民非农收入了吗——基于空间溢出效应和中介效应的实证分析

□ 李冉冉 崔蕊

一、引言

党的二十大报告中，习近平总书记强调全面推进乡村振兴，提出发展乡村特色产业，拓宽农民增收渠道。在巩固拓展脱贫攻坚成果的重要关口，如何推进农村经济发展是非常重要的命题。在农业农村发展环境改变的背景之下，农民收入结构逐渐发生变化，过去小农经济来源更多为从种植业等第一产业获得的收入，如今更多农民利用互联网技术，发展电商直播等有别于传统农业的个体经济，非农收入占比增加。非农收入是农民通过资本、技术和管理能力等要素参与生产获得的收入，包括股份分红、利息等。根据《中国农村统计年鉴》数据可知，农民非农收入占比在2020年底达到76.8%，其中工资性收入达到40.7%，除第一产业外的经营性收入达到12.2%，目前已经成为农民收入的主要来源。

长期以来，为进一步提高农民收入，我国大力促进农村创业就业、发展新型特色产业，但由于农村地区金融排斥现象显著，融资约束导致农村经济发展缓慢、农民收入难以有效增长。在数字经济时代，数字金融的迅速发展大大缓解了农民的资金约束的问题，有助于促进农民开展非农就业，进而促进了农民的非农收入，对解决农村收入问题、促进农村经济发展具有重要意义。

二、文献综述

我国已有学者对金融与农村收入的关系做出相关研究。在传统金融结构体系下，张龙耀等（2013）认为我国在政策上存在重视城市忽视农村的问题，农村金融发展明显落后于城市，城乡二元金融结构明显，农村金融具有更高的准入门槛，难以支持农民开展创业活动。胡金焱和张博（2014）认为缺乏启动资金是阻碍家庭选择创业的主要障碍。

近年来，互联网与数字技术的兴起赋能数字金融，大大缓解了农民的资金约束。李继尊（2015）认为数字金融以其门槛低、小品种以及个性化的金融服务解决了小微企业、“三农”等薄弱环节的融资难融资贵的问题。张传勇和蔡琪梦（2021）研究认为数字金融有效地融合了网络技术与金融服务，为“零工经济”提供了重要的资金担保和共享的信息资源，吸纳了很多农村就业人员。张勋等（2019）认为，数字金融的发展改善了金融服务的可得性和便利性，推进农村创业机会均等化，显著提高农村低收入群体的家庭收入。王永仓等（2021）研究发现数字金融的推出显著促进了农户家庭的收入增长，并改变其收入结构。张正平和王琼（2021）认为传统普惠金融无法精准识别三农群体的金融需求，而数字金融发展推动了资本替代劳动的农业生产进程，提高了农业生产效率。

本文的贡献在于，尝试研究数字金融对农民收入中的非农收入如何发挥作用，并从空间视角探讨数字金融对周边地区的溢出效应，从政策和区域两方面讨论数字金融影响非农收入的异质性。另外，鉴于以往文献多集中于分析数字金融与农民非农收入的直接影响，本文引入农村产业融合水平和农村创业活跃度两个变量，分析数字金融对非农收入的中间机制影响。

三、机理分析与研究假设

（一）数字金融促进农民非农收入的机理分析

受农业规模、技术、制度等因素制约，在传统农业中农民收入主要为出售农产品获得的报酬。进入20世纪90年代，农民收入中务农经营的部分不断减少，而非农收入占比不断增加（钟甫宁和何军，2007），因此解决非农就业问题成为实现农民增收的关键。以种植业为主的传统农业向二、三产业过渡，农村私营企业或个体户经营增加，我国农村信贷需求显著上升。农村金融机构为避免风险需要借款者提供抵押资产，农村私营企业和个体户无法满足信贷条件，难以获得足额资金从事生产以增加经营性收入，广大农户的融资需求不能得到有效保障，影响了农民非农收入的增长。受益于互联网革命的浪潮影响，我国数字金融依托大数据和云计算得到快速发展，大大推进了我国普惠金融的成长（张勋等，2019）。数字金融服务取代了传统金融的物理网点，资金交易双方通过网上平台直接交易，系统通过交易行为数据判断借款者违约概率和还款能力，颠覆了以往基于个体资产负债放款的判断方式。数字金融降低了客户的进入门槛，克服了传统金融机构的排他性，使得初始资本积累较少的农村私营企业和个体户可以获得贷款，保证资金充裕以扩大规模和研发技术，带动产业升级，创造大量的非农就业机会，进一步增加了农民的非农收入（肖龙铎和张兵，2017）。基于此，提出假设1：

H1：数字金融对当地农民非农收入具有积极促进作用。

（二）数字金融对农民非农收入的空间影响

任何地区的经济发展都不会脱离于周边地区而独立存在，地区间往往存在潜在的影响与联系（林光平等，2005），数字金融推动了当地农民的非农收入，也波及至邻近地区或更远的地区。初期阶段，数字金融在基础设施建设完备等条件更为优越的地区发展较快，而由于资本逐利性，数字金融会不断向周边地区扩散，当地经济的增长也会通过生产要素与贸易合作的方式向外流动，通过“涓滴效应”对邻近地区产生促进作用（徐章星，2021）。数字金融加速知识和信息数据在各地区的传播，打破了金融服务的地理限制，有效地推动金融资源的地理渗透，实现金融服务供求双方的跨空间对接，由此产生空间溢出效应。基于此，提出假设2：

H2：数字金融会对邻近区域的非农收入产生正向空间溢出作用。

（三）数字金融促进农民非农收入的机制分析

非农就业比率的增加对农村信贷在期限、额度及类型方面提出更大的要求，数字金融的出现则增加了信贷的可得性。首先其基于大数据信息技术根据农村用户的互联网消费、支付行为数据，判断用户的诚信水平与还款能力，以较低成本对新开创的农村小微企业进行风险评估，提高其融资效率，减轻因信息不对称产生的融资限制。其次数字金融的小额、零散、个性化投融资服务为作为长尾客户的农村小微企业提供绿色融资通道，从而实现创业机会的均等化，有助提升创业绩效。再次数字金融简化了传统商业模式中繁琐的支付方式，缩短资金在流转过程中产生的交易费用，使农村小微企业更便捷地进行线上交易，实现线下交易线上化，催生出共享经济、电子商务诸多新型领域的创业形式（巩鑫和唐文琳，2021）。数字金融大大缓解具有良好创新创业精神的农村企业家的融资约束，通过充分激发农民的创新与创业潜能，创造出大批非农就业机会，提高了农民非农收入（肖龙铎和张兵，2017）。基于以上分析，提出假设3：

H3：数字金融能够通过促进农村创业活跃度提高非农收入。

随着农产品加工业、休闲产业和新兴服务业在农村不断发展，农村电商平台以农产品产地直销、品牌销售方式带动当地产业，利用互联网技术直接将农业生产、农产品加工和销售与其他服务行业连接，构建一体化生产链，实现了第一产业功能的转型升级，有助于提高农民的非农收入（蔡洁，2020）。数字金融的下乡拓宽了金融服务范围和触达能力，满足农村产业融合多层次的资金需求。首先数字金融能够利用“鲶鱼效应”和“技术溢出效应”激励传统农村金融提高融资改革意愿，增强农民和农户的信贷资金可得性（张岳和周应恒，2021）；其次数字金融支付平台使农村产业融合交付便捷，为农产品线上销售、直播带货等新型业态的发展创造良好的条件，提高农民的非农收入。据此，提出假设4：

H4：数字金融能够通过促进农村产业融合发展提高非农收入。

四、研究设计

（一）模型设定

1.空间计量模型

通过构建空间计量模型检验数字金融对农民非农收入的影响效应，空间计量模型包括空间自回归（SAR）模型、空间误差（SEM）模型和空间杜宾（SDM）模型。SAR模型假设非农收入通过空间相互作用对其他地区产生影响，SEM模型假定空间效应通过误差项传导。SDM模型同时考虑了这两种空间效应。鉴于不同空间作用对回归结果产生不同的影响、揭示不同的经济含义，为获取较好的拟合结果以便展开分析，使用SAR、SEM和SDM三个模型分别进行检验。

以上分别为SAR、SEM和SDM的模型公式，N f i为各地区的农村非农收入，Di f表示数字金融，Controls代表一系列控制变量；W为空间权重矩阵，扰动项μ和ε均服从独立同分布的条件，即μit～idd(0,σ2)，εit～idd(0,σ2)。

2.中介效应模型

为检验农村创业活跃度和农村产业融合在数字金融与非农收入中的传导作用，结合温忠麟和叶宝娟（2014）提出的中介效应模型进行估计，构建模型如下：

公式（5）、（6）表示数字金融通过农村创业活跃度影响非农收入的中介效应，Rea表示中介变量农村创业活跃度；公式（7）、（8）为数字金融通过农村产业融合发展影响非农收入的中介效应，Rid表示中介变量农村产业融合发展。如果系数1、φ2和τ1均显著，则说明存在农村创业活跃度的中介效应。同样，如果系数1、γ1和ψ2均显著，则说明存在农村产业融合的中介效应。在此基础上，如果φ1和ψ1分别显著，即为部分中介效应，否则是完全中介效应。和分别表示农村创业活跃度和农村产业融合的中介效应占总效应的比重，反映二者促进农村非农收入的重要性。

（二）变量选取

1.被解释变量

非农收入（N fi）。农村非农收入指的是农户除农业经营收入以外的家庭经营收入、工资性收入、财产性收入和转移性收入。其中财产性收入指包括储蓄利息、房屋出租等对本人财产使用及处置获得的收益；转移性收入为包括补贴、赔款、抚恤金和退休金在内的二次分配中获得的收入。工资性收入和家庭经营收入占比较大，选用这些收入的人均之和作为农民非农收入进行核算。

2.解释变量

数字金融（Di f）。该变量从数字金融的覆盖广度、使用深度和数字化程度三个角度进行综合考量，全面分析我国内地各个地区2011-2020年间数字金融的发展现状和演变趋势。

3.中介变量

农村创业活跃度（Rea）。使用农村私营企业和个体户总和占就业总人口比重衡量农村创业活跃度，比重越大，则该地区创业开展得更加活跃。

农村产业融合发展（Rid）。农村产业融合发展是一个综合性较强的指标，无法使用单一要素充分体现，参考张林和温涛（2022）的做法，采用熵值法建立一级指标来衡量农村产业融合发展，基于数据的可得性，该指标体系构建如下表所示。

表1 农村产业融合发展指标体系

第一，采用熵值法对农村产业融合发展进行综合评价，首先考虑到不同指标的量纲不同，对原始数据进行标准化的无量纲处理。

对于正向指标：

对于负向指标：

其中，t为时间，i为不同地区，j为各个指标。

第二，计算i地区t年间第j个指标的权重，记为Wijt。

第三，计算指标的信息熵ej与冗余度dj。

其中，m为年份个数，n为地区个数，k为指标个数。

第四，计算指标j的权重，记为Wj。利用信息熵的价值系数来确定指标权重大小，权重计算公式为：

最后，计算农村产业融合发展的综合指数：

4.控制变量

为控制其他因素对农民非农收入的影响，参考部分学者的研究（王丽纳和李玉山，2019；张岳和周应恒，2021；焦青霞和刘岳泽，2022），选择控制变量如表2所示。

表2 变量定义

（三）数据来源

数字金融指标使用北京大学数字金融研究中心编制的第三期数字普惠金融指数作为代理变量。农村非农收入、农村创业活跃度、农村产业融合发展以及控制变量的相关数据来源于各年度的《中国农村统计年鉴》和《中国统计年鉴》。剔除了缺失数据较多的地区，部分缺失数值使用插值法进行补充完善，最终得到中国大陆30个省（区、市）的2011-2020年，共300个观测值的平衡面板数据。

（四）描述性统计分析

如表3所示，非农收入极端值差距明显，而标准差为53.516，说明我国整体非农收入存在差距，但差距不是十分严重。数字金融标准差为96.968，说明我国各地区数字金融的发展存在一定的差距；农村创业活跃度和农村产业融合发展不同地区存在差距，且存在较明显的极端值。

表3 变量描述性统计

五、实证分析

（一）构建空间权重矩阵

1.空间邻接矩阵W1

空间邻接矩阵W1是根据省域间的相邻关系来构造的空间权重矩阵，如果省域之间存在公共边界，则记为1，反之记为0，其表达式为：

其中，i、j（i、j=1,2，…30）代表不同地区，将海南岛设为与广东省相邻，解决其作为“孤岛变量”的问题。

2.经济距离矩阵W2

白俊红等（2017）认为空间距离矩阵难以充分反映地区之间的关联关系，经济活动的空间溢出效应还会受到经济发展水平差距的影响，因此基于各省市人均GDP建立经济距离矩阵，表达式为：

其中，i和j表示不同地区，n表示时间跨度，W为n阶对称矩阵，为避免分析误差，对空间权重矩阵进行行标准化处理，标准化公式为：

（二）空间相关性检验

1.全局空间相关性

Moran’s I指数能够有效检验整个空间系统内邻近地区间是否存在相关性，计算公式为：

其中，n为地区数量，S2表示样本方差。Moran’s I指数的取值范围一般为-1≤I≤1，当指数取值大于0时，即各地区在空间上是正相关，若小于0则为空间负相关，当接近于0时表示不存在空间相关性，研究对象呈现随机分布状态。非农收入与数字金融在W1和W2下的空间相关性如表4所示，两个矩阵下的指数均通过1%的显著性检验，表明在地理区位和经济水平上，非农收入和数字金融均存在明显的空间正相关性，且在地理区位上的空间相关性更为明显。

表4 空间相关性检验

2.局部空间相关性

Moran散点图能够分析局部地区表现出来的分布特点，通过计算我国30个地区农民非农收入和数字金融的局部Moran’s I指数，发现大部分省份均拒绝“无空间相关性”的原假设，具有空间集聚关系。图1和图2是根据空间权重矩阵得到的农民非农收入的Moran散点图，图3和图4是数字金融的Moran散点图，更清楚地展现数字金融和农民非农收入的空间相关性。

图1 非农收入的空间邻接矩阵Moran散点图

图2 非农收入的经济距离矩阵Moran散点图

图3 数字金融的空间邻接矩阵Moran散点图

图4 数字金融的经济距离矩阵Moran散点图

可以看出，农民的非农收入和数字金融在空间邻近矩阵和经济距离矩阵下的分布相似，均主要分布在第一象限和第三象限，呈现明显的H-H集聚和L-L集聚。L-L集聚的数量明显多于H-H数量，非农收入与数字金融集聚基本重合，H-H集聚多为东部沿海省份，L-L集聚集中在东北地区和中西的地区。说明数字金融和农民非农收入具有很大的联系。由于数字金融平台有效实现服务对象的下沉，为农业提供了大量资金技术支持，显著降低农民的融资成本，促进了农民非农收入的提高。

（三）实证结果分析

参考Elhorst（2014）的方法进行空间模型选择，结果如表5所示。LM-lag和LM-error通过显著性检验，说明传统的非空间面板模型不再适用，需要使用空间计量模型；Robust-LM-error与Robust-LMlag均通过了显著性检验，SEM模型与SAR模型均合适，SDM模型同时考虑了两种模型的空间效应，因此使用SDM模型估计更适用，将重点分析SDM模型的回归结果。

表5 SDM的模型检验

LM-lag 58.957 0.000 32.276 0.000 Robust-LM-lag 8.866 0.003 65.541 0.000

从表6的回归结果中可以看出，在两个空间权重矩阵下，数字金融在SDM模型中对当地非农收入的回归系数分别为0.3689和0.2866，均通过了1%的显著性检验，同时在SAR和SEM模型中也均显著为正，说明数字金融能够有效促进当地非农收入的增长。SDM模型在两个空间权重矩阵的空间效应系数ρ均在1%的水平上显著为正，同时SAR模型的空间系数ρ和SEM模型的λ也均显著为正，说明无论是考虑邻接关系还是经济距离因素，农民非农收入均具有明显的空间集聚特征，使用空间模型合理。地理区位邻接和经济距离越邻近的地区之间，其农民非农收入存在显著的空间相关关系。

表6 数字金融与非农收入的空间估计结果

为了避免空间回归系数的误差，本文参考LeSage和Pace(2008)的方法，使用偏微分将数字金融对农民非农收入的影响分解为直接效应和间接效应。直接效应表示本地区数字金融的变动对本地农民非农收入的影响效应；间接效应表示其他地区数字金融的变动对本地非农收入的影响。如表7所示，两个空间权重矩阵下，数字金融的直接效应影响系数分别为0.4261和0.2990，并分别在1%的水平上显著，说明本地区数字金融对本地农民非农收入具有促进作用。数字金融的间接效应在两个空间矩阵下分别为0.6036和0.3135，并分别在10%和5%的水平上显著，说明数字金融对经济与地理区位邻近地区的非农收入存在正向溢出作用，而且这种溢出作用大于本地数字金融的直接促进作用。由于数字金融不断向周边地区发展，通过“涓滴效应”惠及邻近地区，推动产业跨区域发展，产生空间溢出效应。数字金融的空间溢出效应促进相邻省市的技术创新，为金融领域的普惠发展提供技术支持，促进周边地区资金融通，为农村产业融合发展提供便捷的数字金融服务，降低融资成本以激发农村创新创业的积极性，进而创造更多非农就业岗位和增加非农收入，证明了假设1和2。

表7 SDM模型的效应分解

（四）异质性检验

2016年我国十三五规划颁布，提出要重点发展数字金融及相关技术，显著提高了数字金融的覆盖广度和地位，为此选择2016年为数字金融变革事件来定义虚拟变量：在2011-2015年取0，2016-2020年取1，进行政策视角的异质性分析。前文在分析空间相关性时发现，H-H集聚多集中在东部沿海地区，东部地区由于经济基础、人才积累和技术水平等方面优于中西部地区，有利于数字金融的迅速发展，因此与中西部地区会形成区域差异性。按照国家地区区域划分规范，将30个省份分为东部、中西部地区，进行不同区域的异质性分析。

得出的结果如表8所示，在政策和区域视角上的异质性分析中，空间邻接矩阵下的空间系数ρ均显著，说明我国各地区的非农收入存在显著的空间效应，数字金融不仅促进本地区的非农收入，同时对周边地区非农收入具有明显的正向空间溢出效应。在政策视角方面，数字金融与时间虚拟变量的交乘项系数显著为正，说明从2016年大力发展数字金融的政策颁布开始，对非农收入的促进作用比政策颁布之前增强。在区域视角方面，数字金融与地区虚拟变量的交乘项系数显著为正，由于我国中西部地区经济基础薄弱，互联网等技术建设不完善，而较为先进的东部地区数字金融更有利于非农收入的增长，并且对周边地区的非农收入的促进作用更强。

表8 异质性检验

（五）稳健性检验

1.不同空间权重矩阵的稳健性检验

前文根据空间邻接矩阵W1分析数字金融与非农收入在地理区位上的空间溢出效应，本文进一步使用空间距离矩阵W3替换W1进行检验。同时参考有关学者的研究（孙喆和刘传明，2020；程广斌等，2022），经济发展水平较高的地区对其他地区的空间影响高于落后地区的影响，即Wij≠Wji，因此构建非对称经济地理矩阵W4替换W2进行分析，两个空间权重矩阵分别如下：

（1）空间距离矩阵W3

（2）非对称经济地理矩阵W4

表9为更换空间权重矩阵后的空间模型回归结果，数字金融对非农收入的影响系数方向和显著性水平没有发生根本性的变化，验证了前文结果的稳定可靠性。

表9 更换空间权重矩阵下的稳健性检验

2.替换变量的稳健性检验

非农收入对农民可支配收入具有主要的影响作用，本文将被解释变量非农收入替换为农民可支配收入，回归结果如表10所示，与前文结果没有发生显著变化，证明了数字金融促进非农收入结论的稳健性。

表10 替换变量的稳健性检验

3.考虑内生性的稳健性检验

遗漏变量和互为因果等内生性问题的存在会对估计结果产生影响，导致估计系数偏差和不一致。为验证内生性问题是否对实证回归过程产生实质性影响，使用动态空间计量模型、GMM方法和工具变量法三种方式进行稳健性检验。

在动态空间面板引入非农收入的空间滞后项，结果显示数字金融对非农收入在两类空间权重矩阵下仍显著为正，说明在动态空间面板中，数字金融仍能够促进非农收入的增长；使用GMM方法进行估计，数字金融的估计系数在5%的显著性水平下为正。在工具变量法中，选择互联网普及率和电话普及率作为工具变量。这两个指标满足相关性与排他性的要求，而且不存在弱变量问题。如表11所示，在使用工具变量后，数字金融的发展对非农收入仍然起到显著的正向促进作用，验证了结果的稳健性。

表11 内生性检验

（六）影响机制检验

数字金融缓解农民的融资需求，促进了农户创业的积极性，并延伸农村生产产业链，实现农业升级，创造了大量的非农就业，对非农收入的发展起到促进作用，因此数字金融通过促进农村创业活跃度和农村产业融合发展提高了非农收入。通过建立中介效应模型来检验这两种机制，回归结果如表12所示，可以发现农村创业活跃度和农村产业融合发展指数的影响是显著的，农村创业活跃度在数字金融与非农收入间的中介效应占比为23.16%，农村产业融合的中介效应为34%。

六、结论与建议

本文使用我国30个省份2011-2020年的面板数据作为样本，建立空间计量模型和中介效应模型检验我国数字金融与农民非农收入之间的空间关系和作用机制，得出如下结论：（1）数字金融对非农收入具有明显的空间溢出作用，数字金融不仅对本地非农收入具有显著的促进作用，其空间溢出效应也带动了地理区位邻接或者经济邻近地区非农收入的发展；（2）分区域来看，东部地区数字金融对非农收入的促进作用远大于中西部；从政策实施来看，2016年十三五规划数字金融变革之后，数字金融对农民非农收入地促进作用大于2016年之前；（3）农村创业活跃度和农村产业融合发展在数字金融促进非农收入的过程中起到中间传导机制的作用。基于以上研究结论，得出下列建议：

首先，加快构建全方位的数字金融服务系统。农村弱势群体所在地区发展基础薄弱，数字金融平台应推广更具包容性与针对性、与农户风险承受能力相匹配的金融产品与服务，打造线上线下有机结合的服务模式，支持农民利用线上渠道获取数字金融产品及服务，为其创业就业提供启动资金，以此推动农民增加非农收入。

其次，加强区域合作交流，建立区域间金融合作体系，增加数字金融在地区间的相互溢出和渗透，有效引导数字金融对周边地区的带动效应和辐射效应，加大各地区之间数字金融合作，通过数字金融引导地区间协同发展、良性互动，鼓励各地区非农收入共同提高。完善中西部地区农村数字金融的基础设施建设，创新适合的数字金融产品，提高中西部地区的非农收入，需要提高中西部偏远农村的硬件设施水平，提升农村网络覆盖率和网络使用率，为发展农村数字金融提供坚实的信息基础设施，提高通过数字金融平台获取金融服务的能力。