数字普惠金融对传统普惠金融信贷供给的挤出效应与协同效应研究

MACROBUTTONMTEditEquationSection2SEQMTEqn\r\hSEQMTSec\r1\hSEQMTChap\r1\h数字普惠金融对传统普惠金融信贷供给的挤出效应与协同效应研究

内容摘要基于北京大学数字普惠金融指数、区县级年鉴数据和利用python爬取的区县级银行网点数据，构建全国21个省包含的1368个区县级样本，研究数字普惠金融对传统普惠金融的协同效应与挤出效应。实证研究发现，我国人均机构网点数与人均贷款额呈显著正相关。在此基础上，通过对总体的交叉项回归，发现了数字普惠金融指数对人均机构网点数与人均贷款额之间关系的显著影响。从总指数来看，数字普惠金融的发展对于人均贷款额存在显著的协同效应。分别从数字普惠金融的三个维度来看，覆盖广度、使用深度对传统普惠金融贷款供给存在显著的协同效应。控制地区差异后发现，从总指数来看，发达地区数字普惠金融的发展对人均贷款额有协同效应，欠发达地区则是显著的挤出效应。从数字普惠金融三个细分维度来看，发达地区的数字普惠金融的覆盖广度对于人均贷款额存在协同效应，欠发达地区则存在显著的挤出效应。发达地区的数字普惠金融的使用深度发展对于人均贷款额存在显著的协同效应，欠发达地区则存在显著的挤出效应。关键词：普惠金融数字普惠金融挤出效应协同效应县级样本

目录目录一、文献综述 4二、研究设计 5（一）数据来源 5（二）变量选取及处理 5（三）模型设定 6三、实证结果分析 7（一）基础回归 7（二）基准模型 8（三）考虑到地区间差异 9五、结论 11

数字普惠金融对传统普惠金融的挤出与协同效应研究在2005年联合国提出“普惠金融(InclusiveFinance)”之后，世界各国开始重市构建自身普惠金融体系。我国在过去的十几年中也取得了较为不错的发展，截止2017年，全国基础金融服务已覆盖5313万个行政村，行政村基础金融服务覆盖率为96.44%。2013年十一届三中全会提出“发展普惠金融，鼓励金融创新，丰富金融一方面能层次和产品”的指导方针，通过数字化普惠金融解决传统普惠金融的“地理性壁垒”。数字普惠金融解决了农村金融“最后一公里”的问题，帮助传统普惠金融进行了客户再教育，提供了更为准确的用户画像，使得借贷流程中对征信的审批更为方便。但同时，更快的审批速度与更灵活的融资提供方案使得数字普惠金融成为传统普惠金融的有力竞争者。因此数字普惠金融是对传统普惠金融不足之处的补充，还是存在替代影响，对于未来综合性普惠金融的发展方向具有十分重大的指导意义。一、文献综述金融排斥现象最早由西方学者所提出。Leyshon＆Thrift(1995)发现英美两国存在金融排斥。通过地理图的方式来刻画不同地区金融排斥的严重程度，并通过定量分析说明地区性金融排斥可能会加剧地区间经济发展的不平衡程度。在此基础上，Kempson&Whyley(1999)等人提出了包括地理排斥在内的用以衡量金融排斥的六大指标依据。Beck,Demirgu¨c&Honohan(2009)等人从经济发展的视角探究全球性的金融排斥现象，比较若干发达国家与发展中国家不同金融体系，尤其是金融分支机构的渗透度，从而发现政策对缓解金融排斥的积极作用。针对全球性的金融排斥，联合国早在2003年就提出了普惠金融的概念，旨在解决“穷人”难以获得基础金融服务的问题。在这一背景下，王志军(2007)，何德旭、饶明(2008)，王修华(2009)等人以定性角度指出了我国金融排斥的特征及形成机理，并指出了我国农村金融排斥造成的资金缺口，从供给角度研究金融排斥的根本原因。针对农村金融体系建设，焦瑾璞(2014)指出，国际上最初重点关注的是银行信贷的排斥性，有时也考虑保险业，较少涉及证券业等其他金融业。粟芳、方蕾(2016)对研究中国金融排斥的文章进行了详细的梳理，正确剥离了金融排斥的表象与根源。通过信息熵法分析我国农村地区在银行、保险、互联网金融三个方面的现状与根源。最后认为我国应该加强对农村保险市场的政府扶持力度与农村地区培训宣传投入。在全球性数字化进程当中，宋晓玲(2017)选取了25个发达国家和40个发展中国家的数据进行分析后认为互联网可以提升普惠金融的发展水平。关于数字普惠金融的相关研究也是主要集中在“减贫效应”，缩小城乡收入差距等层面。本文通过定性与定量手段，研究数字普惠金融对传统普惠金融在信贷供给层面的影响。二、研究设计（一）数据来源本文使用的数字普惠金融发展指数来自《北京大学数字普惠金融指数》（2011-2018），该套指数是由北京大学数字金融研究中心和蚂蚁金服集团联合课题组利用蚂蚁金服关于数字普惠金融的海量数据共同编制，在空间跨度上涵盖省级、城市和区县三个层次，从总指数及其三个维度：覆盖广度、使用深度和数字化程度对地区数字普惠金融发展水平进行刻画，科学、准确第刻画了中国数字普惠金融的发展现状。区县的GDP、第一产业产值、财政支出等其他数据来自于各省市2018年统计年鉴、中国县（市）统计年鉴、中国区域统计年鉴以及国家统计局。金融机构数量来自中国银行保险监督管理委员会。（二）变量选取及处理由于全国部分省市的2019年统计年鉴还未发布，区县的地区生产总值、第一产业产值、财政支出等其他数据来自于各省市2018年统计年鉴、中国县（市）统计年鉴、中国区域统计年鉴以及国家统计局，其中金融机构的数量通过python爬取结合样本区县名称进行数据处理。将删除存在缺失值的区县样本之后，最终获取2017年21个省市共1368个区县的截面数据进行实证分析。表1汇报了所有变量的描述统计表SEQ表格\*ARABIC1变量描述性统计变量单位样本量均值标准差最小值最大值总指数/1368102.3726.03880.28131.01覆盖广度/136891.4815.06660.43113.04使用深度/1368123.46612.76683.48174.73数字化程度/136899.9897.50459.27164.05地区生产总值亿元1368222.203255.0785.8693520.35农民人均可支配收入元136822952.2774438.91.39893000社会消费品零售总额万元1368834000946000149189460000常住人口万人136850.27233.3971.06229.79财政总支出万元1368371000254000528612930000年末金融机构贷款总额万元136815900002450000195593.32e+07城乡居民储蓄总额万元136817500001830000512401.50e+07金融机构数量个136864.0168144.299161379地区aa：地区按照人均贷款额度分为发达地区、中等地区、欠发达地区，以中等地区作为基准组.（三）模型设定1.基础回归：人均金融机构网点数与人均贷款额关系本文首先需要探究人均金融机构网点数与人均贷款额的关系，因此构建如下模型（1），取对数以消除经济变量的共线性。（1）被解释变量，表示地区人均贷款金额。核心解释变量表示地区每万人拥有的金融机构网点数；借鉴前人研究（董晓琳等，2012），控制变量X选取地区生产总值、农民人均可支配收入、常住人口、地区财政支出占GDP比重、人均城乡居民储蓄、社会消费品零售总额，以上变量通常是显著影响一个地区金融服务状况，以此作为控制变量，使得模型核心变量的解释力度更强。2.基准回归：挤出效应还是协同效应？在大力增加普惠金融供给，减少农村地区供给侧需求排斥的背景下，由于传统普惠金融推进贷款门槛的下降以及贷款金额的提高主要是通过金融服务网点进行推进的，因此金融网点的个数往往是影响地区普惠金融发展以及贷款金额提高的重要变量。本文通过构建模型（2）来研究地区数字普惠金融发展对金融机构贷款存在何种影响效应，由于经济变量一般会存在严重的共线性，因此在模型中对经济变量取对数变换：（2）其中，被解释变量，核心解释变量含义同基础回归模型，表示该地区数字普惠金融发展总水平水平，i=1,2,3,4分别表示总指数、覆盖广度、使用深度及数字化程度，表示数字普惠金融对传统金融的影响效应。3.考虑地区间发展水平差异由于不同地区传统普惠金融发展状况不同，样本之间存在异质性，相应的数字金融的影响效应存在不同的影响方式，因此以人均贷款额作为分类变量，以其1/4分为点和3/4分为点将样本的传统普惠金融的发展情况分为三类：发达、中等以及欠发达。本文将中等地区作为基准组，构建模型（3），探究数字普惠金融发展对于发达地区和欠发达地区影响效用的差异(3)其中为地区虚拟变量，j=1表示发达地区，j=2表示欠发达地区，通过引入三元交互项探究不同地区的差异。三、实证结果分析（一）基础模型表2展示了基础模型的OLS回归结果。从回归结果来看，在未控制变量时，人均金融机构数与人均贷款额有正的显著关系，人均金融机构数增加1%，人均贷款额增加0.332%；在控制变量之后，人均金融机构数与人均贷款额依旧拥有显著的正向关系，人均金融机构数平均增加1%，人均贷款额增加0.060%。因此，可以认为人均金融机构数的增加的确会使得人均贷款额增加，这也验证了前人所做研究的结果。表SEQ表格\*ARABIC2人均金融机构数与人均贷款额回归结果人均贷款额解释变量(1)(2)lnNum0.332***0.060**(0.032)(0.024)控制变量否是_cons0.777***-1.580***(0.020)(0.097)Obs.13681368R-squared0.0720.580***p<0.01,**p<0.05,*p<0.1（二）基准模型表3展示了基准模型的OLS回归结果。从总指数来看，数字普惠金融的发展对于人均贷款额存在显著的协同效应，数字普惠金融总指数每提高1点，人均贷款余额将增加0.057%。在控制了地区社会经济发展水平之后，当数字普惠金融总指数每提高1点，人均贷款额增加0.028%。分别从数字普惠金融的三个维度来看，覆盖广度、使用深度对传统普惠金融贷款供给存在显著的协同效应，当覆盖广度每提高1点，人均贷款额增加0.046%，当使用深度每提高1点，人均贷款额增加0.01%；数字化程度对普惠金融贷款供给存在挤出效应，数字化程度每提高1点，人均贷款额下降0.005%。以上结果表明数字普惠金融对于传统普惠金融贷款供给存在协同效应，这也很好的印证了国家在推动普惠金融发展过程中，所强调的数字普惠金融先行的重要性。表3数字普惠金融影响效应回归结果人均贷款额解释变量(1)(2)(3)(4)(5)Index10.057***0.028***(0.003)(0.003)lnNum*Index10.002***0.000(0.000)(0.000)Index20.046***(0.003)lnNum*Index20.000(0.000)Index30.010***(0.001)lnNum*Index30.000*(0.000)Index4-0.005***(0.002)lnNum*Index40.001**(0.000)控制变量否是是是是常数项-4.988***-3.957***-5.164***-2.420***-1.042***(0.280)(0.236)(0.267)(0.137)(0.196)Obs.13681368136813681368R-squared0.2980.6140.6350.6020.582Standarderrorsareinparenthesis***p<0.01,**p<0.05,*p<0.1（三）考虑到地区间差异表3报告了地区间差异的OLS回归结果，从数字普惠金融总指数来看，发达地区的数字普惠金融的发展对于人均贷款额存在显著的协同效应，数字普惠金融总指数每提高1点，人均贷款余额将增加0.003%，欠发达地区的数字普惠金融的发展对于人均贷款额存在显著的挤出效应，数字普惠金融总指数每提高1点，人均贷款余额将下降0.002%。分别从数字普惠金融的三个维度来看，发达地区的数字普惠金融的覆盖广度发展对于人均贷款额存在显著的协同效应，覆盖广度指数每提高1点，人均贷款余额将增加0.004%，欠发达地区则存在显著的挤出效应，覆盖广度指数每提高1点，人均贷款余额将下降0.002%；发达地区的数字普惠金融的使用深度发展对于人均贷款额存在显著的协同效应，使用深度指数每提高1点，人均贷款余额将增加0.002%，欠发达地区则存在显著的挤出效应，覆盖广度指数每提高1点，人均贷款余额将下降0.002%；发达地区的数字普惠金融的使用深度发展对于人均贷款额存在显著的协同效应，使用深度指数每提高1点，人均贷款余额将增加0.003%，欠发达地区则存在显著的挤出效应，覆盖广度指数每提高1点，人均贷款余额将下降0.002%。表4数字普惠金融对普惠金融贷款供给影响的地区差异回归结果人均贷款额解释变量(1)(2)(3)(4)lnNum1.092***1.306***0.506***0.409**(0.333)(0.403)(0.180)(0.203)lnNum*Index1-0.011***(0.003)lnNum*Index1*D10.003***(0.000)lnNum*Index1*D2-0.002***(0.001)lnNum*Index2-0.014***(0.004)lnNum*Index2*D10.004***(0.001)lnNum*Index2*D2-0.002***(0.001)lnNum*Index3-0.004***(0.001)lnNum*Index3*D10.002***(0.000)lnNum*Index3*D2-0.002***(0.000)lnNum*Index4-0.004**(0.002)lnNum*Index4*D10.003***(0.000)lnNum*Index4*D2-0.002***(0.001)控制变量是是是是常数项-1.501***-1.497***-1.510***-1.495***(0.096)(0.096)(0.096)(0.097)Obs.1362136213621362R-squared0.6090.6090.6070.606***p<0.01,**p<0.05,*p<0.1D1:发达地区，D2：欠发达地区五、结论本文通过回归分析，发现我国人均机构网点数与人均贷款额呈显著正相关。总体上，数字普惠金融的发展对于人均贷款额存在显著的协同效应。控制地区差异后发现，发达地区数字普惠金融的发展对人均贷款额有协同效应，欠发达地区则是显著的挤出效应。其中，发达地区的数字普惠金融覆盖广度对于人均贷款额存在协同效应，欠发达地区则存在显著的挤出效应。发达地区的数字普惠金融使用深度发展对于人均贷款额存在显著的协同效应，欠发达地区则存在显著的挤出效应。通过上述研究发现，我们看到了数字普惠金融与普惠金融的地区性差异。因此建议地方政府在建设普惠金融体系时，应结合自身现状，调整数字普惠金融在综合普惠金融体系当中的地位，重新审视地方普惠金融体系结构的合理性与完整性，在重视减少金融攻击排斥的同时，削减金融需求排斥，加大对地区内群众基础的金融宣传普及，更好的发挥普惠金融的作用。参考文献[1]周天芸,刘虹,杨海洋.中国农村金融的包容性及影响因素[J].财经论丛,2018(12):55-64.[2]黄红光,白彩全,易行.金融排斥、农业科技投入与农业经济发展[J].管理世界,2018,34(09):67-78.[3]周洋,任柯蓁,刘雪瑾.家庭财富水平与金融排斥——基于CFPS数据的实证分析[J].金融经济学研究,2018,33(02):106-116.[4]周洋,王维昊,刘雪瑾.认知能力和中国家庭的金融排斥——基于CFPS数据的实证研究[J].经济科学,2018(01):96-112.[5]粟芳,方蕾.中国农村金融排斥的区域差异:供给不足还是需求不足?——银行、保险和互联网金融的比较分析[J].管理世界,2016(09):70-83.[6]何德旭,苗文龙.金融排斥、金融包容与中国普惠金融制度的构建[J].财贸经济,2015(03):5-16.[7]李春霄,贾金荣.我国金融排斥程度研究——基于金融排斥指数的构建与测算[J].当代经济科学,2012,34(02):9-15+124.[8]高沛星,王修华.我国农村金融排斥的