數字普惠金融對促進非農就業的影響研究

摘 要：本文基于數字普惠金融指數與中國家庭跟蹤調查數據（CFPS）構建Probit模型，實證檢驗數字普惠金融對非農就業的影響。研究表明：第一，數字普惠金融彌補了傳統金融高門檻的不足，顯著促進了非農就業;第二，數字普惠金融的三個分指標分別對非農就業產生了顯著的正向作用，數字化程度促進作用最大，覆蓋廣度次之，使用深度最弱;第三，數字普惠金融對非農就業的影響存在性別及地理上的異質性，對男性的促進作用更明顯，對東部與西部的正向作用更大。

關鍵詞：數字金融;覆蓋廣度;使用深度;非農就業;異質性分析

本文索引：鄭舒文.<標題>——基于CFPS數據的實證分析[J].商展經濟，2021（15）：-129.

中圖分類號：F832.0 文獻標識碼：A

DOI：10.12245/j.issn.2096-6776.2021.15.41

數字金融具有降低交易成本、優化資源配置等優勢，被認為是縮小收入差距、提升人民幸福感的重要工具。在加快數字社會建設步伐、建設數字中國的背景下，數字金融的發展是大勢所趨，是政策所向，是社會進步的必然要求。

中國就業人口逐年遞增，但部分地區失業率仍較高，且收入差距呈現擴大態勢。一方面，追求商業可持續性的金融機構難以評估小微企業、中低收入人群的風險，從而為了防止“逆向選擇”使得這些金融弱勢群體被排擠在金融服務之外;另一方面，以風險定價的金融機構即使提供服務，其收取的風險溢價也過高，弱勢群體無法以較小的機會成本為盈利性項目融資，傳統金融服務的高門檻在導致這些本可以就業的弱勢群體失業的同時，也產生了循環累積的因果效應，擴大收入差距——他們之所以得不到資金支持，就是因為他們沒有資金。但是數字普惠金融的發展卻能在很大程度上改善這種局面，增加資金的可得性，成為穩就業、保民生，縮小差距、優化配置的重要途徑。

互聯網金融的快速發展，尤其是支付領域的不斷突破，信息不對稱這一主要障礙已經在很大程度上得以緩解。依托技術進步、互聯網背后強大的算法支撐，金融弱勢群體的行為留痕，從而構成反映其信用、能力等的數據支持，其信息和經營行為能被金融機構獲取，極大地降低了包括信息搜尋成本在內的交易費用以及金融機構對他們產生機會主義傾向的預期，從而金融機構愿意以合理的價格提供信貸支持，彌補了傳統金融服務高門檻的不足，使資金流向盈利性項目[1]，對穩就業、縮差距起到了積極的作用。此外，數字普惠金融既包括對傳統金融服務的創新，也包括以電商平臺為基點的各項業務[2]，在提供資金支持的同時，助推就業形式的豐富與創新，如電商、淘寶村的涌現，這無疑提供了新時代解決就業問題的新思路[3]。

鑒于此，本文基于已有數據展開研究，實證分析數字普惠金融的發展能夠在多大程度上促進非農就業，同時對比分析其對非農就業的異質性影響。

1 研究設計

1.1 數據來源

本文研究數據源于微觀層面中國家庭追蹤調查（CFPS）以及宏觀層面數字普惠金融發展匹配數據。其中微觀數據為北京大學中國社會科學調查中心多階段、動態跟蹤調查全國25個省區16000戶家庭所得。而宏觀層面的數據則由北京大學數字金融研究中心發布，覆蓋31個省近2800個縣域。這兩套數據覆蓋范圍廣、樣本容量大、質量高。因而，以此分析數字金融的發展對非農就業的影響具有較高的可靠性。為了提升數據質量，在剔除缺失值后，本文篩選出7420個有效樣本，采用Stata15對數據進行分析。

1.2 變量選取

1.2.1 被解釋變量

本研究的被解釋變量為“是否非農就業”，該變量為二值虛擬變量。采用CFPS數據中“過去12個月是否從事農林漁牧”數據。

1.2.2 核心解釋變量

本研究的核心解釋變量為數字金融發展程度，直接采用2018年各省區數字普惠金融發展指數。為了研究數字普惠金融各分項指標對非農就業的影響，本研究引入覆蓋廣度、使用深度以及數字化程度三個二級指標。

1.2.3 控制變量

本研究的控制變量涵蓋個人層面的年齡、性別、教育、健康、婚姻狀況、上網時間，家庭層面的家庭規模、人均收入，以及宏觀層面的區域地理位置。這些都是已有實證分析中常用的影響就業的因素。

1.3 模型構建

本文研究重點是數字普惠金融對非農就業的影響，鑒于被解釋變量“是否非農就業”是二值變量，本文建立Probit回歸模型進行分析，在潛變量Y*框架下考察數字金融的影響。當Y*>0時，被解釋變量取值為1，否則為0。根據理論分析，本文確定了潛變量和基準模型的表達式[4]：

假設ε～N（0，1），則Y*服從正態分布。Y*是在研究過程中無法直接觀測但可間接推斷的潛變量，此處代表非農就業傾向。Xi、Xj分別代表與數字普惠金融相關的核心解釋變量與各控制變量。ɑi、βj為各變量所對應的回歸系數。

2 實證結果與分析

2.1 描述性統計

使用Stata15對各變量進行描述性統計，各變量的取值、標準差均在正常區間。

2.2 基準回歸模型

表2展示了Probit模型的回歸結果?；貧w結果表明，數字普惠金融對非農就業有顯著的正向影響。一方面數字金融的發展降低了金融機構獲取信息的交易成本，緩解信息不對稱程度，金融弱勢群體得以以合理價格為盈利性項目融資;另一方面數字金融也豐富了就業形式，在助推居民自我雇傭的同時，也在一定程度上為他人創造了更多的就業機會。此外，觀察控制變量可以發現人均收入和受教育程度對非農就業產生顯著的促進作用，而性別、家庭規模和地理位置則會顯著抑制非農就業。

2.3 穩健性檢驗

由于數字普惠金融發展指數屬于一級指標，為了保證實證結果的穩健性，本研究一方面進一步使用覆蓋廣度、使用深度以及數字化程度三個二級指標考察數字普惠金融對非農就業的影響;另一方面運用Logit模型替代Probit模型進行回歸。二級指標及Logit模型回歸結果均顯示，數字普惠金融對非農就業依然存在顯著的正向作用。雖然在三個分指標層面，其對非農就業促進作用強度不一：數字化程度促進作用最強，覆蓋廣度次之，使用深度最弱，但都與基準回歸模型結論一致。綜上，本文的實證結論較為穩健。

2.4 異質性分析

由于傳統非農就業在性別與地理位置層面呈現分化趨勢，本研究想要探究數字普惠金融對非農就業的影響會不會也呈現性別與地理位置的異質性。所以本研究進一步將樣本劃分為男、女，以及東、中、西分樣本，再單獨進行回歸分析?；貧w結果顯示，數字普惠金融顯著促進男性與女性的非農就業，但男性非農就業對數字金融的發展更為敏感。一個可能的解釋是，雖然社會觀念已經發生極大轉變，但女性在就業中的弱勢地位并未徹底扭轉。而在宏觀地理層面，回歸結果表明，數字普惠金融對東部、西部地區的非農就業有顯著的正向影響。之所以出現這樣的結果，是因為東部地區經濟基礎好，數字經濟能快速發展;西部地區由于受困于傳統金融高門檻的限制，經濟起點低，數字經濟的邊際效應大。

3 結語

本文基于probit模型對數字普惠金融指數與中國家庭跟蹤調查數據（CFPS）進行回歸分析，實證檢驗了數字金融對非農就業的影響，得出以下三點結論：第一，數字金融確實彌補了傳統金融高門檻的不足，顯著促進了非農就業;第二，數字普惠金融三個分指標分別對非農就業有著顯著的正向作用，數字化程度促進作用最強，覆蓋廣度次之，使用深度最弱;第三，數字普惠金融對非農就業的影響存在性別及地理上的異質性，對男性的促進作用更明顯，對東部與西部的正向作用更大。

探究數字普惠金融對非農就業的影響，無論在學術研究還是政策制定上都具有重要意義。本文的實證研究結果為政府制定政策提供了以上幾點思路：第一，政府應進一步推動數字金融的發展，通過優化基礎設施等途徑，提高數字金融覆蓋廣度、使用深度及數字化程度，使數字金融與傳統金融相互補充，更好地發揮其在促進非農就業方面的積極作用;第二，政府應關注數字普惠金融對非農就業在性別以及地理方面的異質性影響，引導相對弱勢群體的金融及互聯網教育，使數字金融能夠發揮更大的作用，惠及全體人民;第三，數字金融快速發展的同時，政府也應加強對數字金融的監管，完善相關法律，提高準入門檻，使其有序、健康地發展。

參考文獻

何婧，李慶海.數字金融使用與農戶創業行為[J].中國農村經濟，2019（1）.

星焱.農村數字普惠金融的“紅利”與“鴻溝”[J].經濟學家，2021（2）：102-111.

韓俊.農村新產業新業態的發展[J].中國金融，2017（3）：19-21.

謝文武，汪濤，俞佳根.數字普惠金融是否促進了農村創業？[J].金融理論與實踐，2020（8）：111-118.

Abstract： This paper constructs a Probit Model based on the Digital Financial Inclusive Index and China Family Tracking Survey Data （CFPS） to empirically test the impact of digital financial inclusion on non-agricultural employment. Research shows that： first， digital financial inclusion has made up for the shortcomings of traditional financial high thresholds， and has significantly promoted non-agricultural employment; second， the three sub-indicators of digital financial inclusion have had a significant positive effect on non-agricultural employment， the degree of digitalization has the greatest effect， followed by the breadth of coverage and the depth of use.

Third， the impact of digital financial inclusion on non-agricultural employment is gender and geographic heterogeneity， and the promotion effect on men is more obvious. The positive effect with the west is even greater. Third， the impact of digital financial inclusion on non-agricultural employment is heterogeneous in terms of gender and geography. The promotion effect on men is more obvious， and the positive effect on the east and west is greater.

Keywords： digital finance; breadth of coverage; depth of use; non-agricultural employment， heterogeneity analysis