数字金融如何精准促进目标农户增收

安丛梅

（中共杭州市委党校，浙江 杭州 310024）

习近平总书记在二十大报告中强调，要“全面推进乡村振兴”。乡村要实现振兴离不开金融资金的有效支持[1]，数字普惠金融凭借数据和科技的力量切实缓解了农村居民的金融约束，满足了农村居民多样化的金融需求，是带动农民增收和乡村振兴的有效途径[2][3]。然而，普惠金融不是“大水漫灌”，数字金融也不是社会救助。一方面，商业的可持续性原则要求金融机构以可负担的成本为有金融需求的社会各阶层群体提供金融服务，这就意味着金融机构与农户之间必须是成本收益相匹配的，采用市场化行为方式的金融机构只能为有金融需求、有还款能力的农户提供价格合理的金融服务。另一方面，部分农村居民属于能力禀赋匮乏的群体，加之所在地区的自然和社会环境较差，即使赋予其金融资源，也很难撬动他们的内生发展动力，金融扶贫对该群体贫困状况的改善作用有限，甚至存在消极影响[4][5]，采用财政扶贫[6]和就业扶贫[7]等政策效果更佳。有金融需求和有生产能力的农户面临的金融约束才是普惠金融关注的重点，通过赋能这类目标农户，普惠金融能最大程度地释放他们的经济活力和创新潜力，而这一部分农户也正是带动乡村经济发展、推进乡村振兴的主力。因此，农村的数字普惠金融应将目标瞄准为需求得不到满足、能力得不到释放的农户，帮助其获得价格合理的金融服务，从而以金融助力农民增收，并实现农村数字金融的可持续发展，确保金融在全面推进乡村振兴中发挥重要支撑作用。

本文运用中国社会科学院农村发展研究所编制的中国县域数字普惠金融指数，将其与农户微观数据进行匹配，并以是否为目标农户为标准对研究样本进行划分，重点考察数字金融对农户信贷可得性的差异化影响，分析数字金融对目标农户瞄准的影响因素，并探究数字金融对目标农户收入的作用效果。相较于已有研究，本文在以下几个方面有所推进：第一，从目标瞄准视角出发，识别了数字金融能够发挥较大作用的农户群体，一定程度上解决了以往研究由于未进行目标人群定位而导致的效率损失问题；
第二，从硬件设备、网络条件和村庄信息网络传递3 个方面对影响数字金融目标瞄准的因素进行验证，特别是对村庄信息由人际传递转为网络传递这一重要影响因素的关注，扩展了以往文献的研究范畴；
第三，从农业经营性收入、非农经营性收入、工资/创业性收入和财产性收入等多个维度考察了数字金融对目标农户收入的影响，并探究了信贷可得性的中介效应机制；
第四，文章所使用的微观数据来自于中国社会科学院开展的全国大型农村追踪调查，数据覆盖面广、质量较高，弥补了相关研究多采用区域性小规模数据和个别案例的问题，提高了研究结论的可靠性和精确度。

（一）数字金融与目标农户瞄准

农村的劳动年龄人口是拥有劳动能力的农村居民，也是实现贫困户“稳定就业一人，脱贫致富一家”的关键目标群体[8]，而那些受教育水平较高的农村居民，接受新鲜事物的能力和学习能力都比较强，是农村最具发展潜力的群体。然而，传统金融的排斥效应[5]限制了这类群体发展能力的提升和发展机会的获得，数字金融只有瞄准这类目标农户，才能有效提高金融资源的配置效率。与此同时，农村社会同样存在“数字鸿沟”和“知识鸿沟”[9]，部分农村居民由于受教育水平较低且金融素养不高，在互联网上留存的数据和信息有限，导致数字金融对其存在识别障碍；
相较于这类群体，拥有较高能力禀赋的农村居民则可以通过数字金融获得更多的金融支持。另外，数字金融的发展放松了金融机构对农户抵押物和初始财富的约束，提高了正规金融对农户的可及性和可负担性，特别是互联网的精准定位和个性化推荐功能，将极大促进正规金融与那些本身在生产、生活上有资金需要的农户的主动对接，激励有需求、有能力的农户从正规渠道申请贷款，促使农户将名义信贷需求转变为有效信贷需求[10]。基于以上分析，本文提出假设1：

假设1:数字金融对有需求、有能力的农户的信贷可得性的影响更加显著，且在目标群体中存在信贷需求侧的放大机制。

（二）数字金融对目标农户瞄准的影响因素

数字金融对目标农户的精准识别要求农户在网络上留下丰富的数据痕迹，并能够实现畅通的信息传递。首先，就农户的数据痕迹而言，网络数据的积累需要农户拥有基础硬件设备和良好的网络条件[11]，能够顺利接入互联网，产生网络交易和社交足迹等信息。数字金融依托大数据模型和互联网生态对农户各类信息进行有效识别和实时监测[12]，从而为农户提供数字金融服务，使其享受数字经济的红利。其次，就信息传递而言，农户会通过网络主动搜索就业创业、金融知识、生产指导等信息，数字金融则根据农户的不同偏好进行个性化推送，从而提高金融服务与农户信贷需求的匹配度。与此同时，农村地区是典型的熟人社会，乡村内部的信息传递呈现出明显的差序格局[13]，最先获取信息的是居于中心地位的村干部等精英阶层[14][15]，然后逐渐向其他群体扩散，普通农户获取信息的渠道少、信息化水平低。随着互联网的普及，农村的内部信息开始通过网络进行传播，传输过程逐渐扁平化，打破了传统信息传递的差序格局，极大提高了普通农户的信息水平，使得有需求、有能力的普通农户也可以及时获取信贷信息，数字金融对农户的触达性明显提升。综上，本文提出假设2：

假设2:硬件设备、网络条件和村庄信息网络传递均会影响数字金融对目标农户的瞄准。

（三）数字金融、信贷可得性与目标农户增收

数字金融的发展极大提高了农村金融的渗透性和可负担性，增加了农村居民的信贷可得性，特别是原来被排斥在金融体系之外的有需求、有能力的农户，可以更有效地对接并使用数字金融，并通过将信贷资金投向农业生产、非农经营、打工创业和理财等领域，扩宽家庭收入来源。对此，既有研究已经提供了丰富的经验证据。例如，谢绚丽等的研究表明，数字普惠金融的发展通过缓解农户的信贷约束，显著推动了农户的创业行为，增加了农户的收入来源[16]；
孙学涛等指出，数字金融在农村地区的普及，拓展了农业部门的资本要素来源，为农业生产提供了资金，同时也提升了农业生产的机械化和科技化水平，从而有助于提高农户收入[17]；
田鸽和张勋[18]的研究表明，以数字金融为代表的消费互联网的发展促进了农村低技能劳动力向数字化低技能的非农行业流动，带动了农村的非农就业[18]；
吴雨等认为数字金融的发展提高了投资便利性、促进了金融信息获取、提升了家庭的风险承担水平，从而优化了家庭的金融资产配置[19]；
卢亚娟和张菁晶也指出，随着普惠金融的发展，农村居民的家庭收入格局将发生改变，受教育程度高、身体健康和投资经验丰富的农村居民将更倾向于进行多元化的金融资产配置，也将获得更多的财产性收入[20]。综上，本文提出假设3：

假设3:数字金融通过提高目标农户的信贷可得性，增加了农户的多维收入。

基于以上分析，可以绘制出数字金融影响目标农户收入的作用机制图，见图1。

图1 数字金融影响目标农户收入的作用机制

（一）数据说明

本文实证分析所采用的数据库包含两个部分：第一，中国社会科学院农村发展研究所创建的中国乡村振兴综合调查（CRRS）数据库。CRRS 是一项全国性的大型农村追踪调查，依托中国社会科学院重大经济社会调查项目“乡村振兴综合调查及中国农村调查数据库建设”而开展。调查范围覆盖我国广东、浙江、山东、黑龙江等10 个省（自治区）、50个县(市、区)、156 个乡(镇)、308 个行政村和3833 户农户，样本数据在全国范围内具有较强代表性。本文使用的农户和村庄数据均出自该数据库。第二，中国社会科学院农村发展研究所编制的中国县域数字普惠金融指数（2019 年）数据库。该指数基于网商银行开展县域数字普惠金融业务的相关数据编制而成，从数字金融服务总体情况、服务深度、服务广度、服务质量等多个维度构建了县域数字普惠金融的评价体系，能够较为系统地反映我国县域数字普惠金融的发展情况。

（二）模型设定与变量选取

1.数字金融与目标农户瞄准

为考察数字金融对目标农户信贷可得性的影响，并验证假设1，本文根据农户是否有需求、有能力对总样本进行分组，并参照Chari 等[21]、仇焕广等学者[22]的方法，构建如下基准回归模型（1），分别对子样本进行估计。

其中，CAi和CDi为被解释变量，分别作为农户信贷可得性和农户信贷需求的代理变量；
DFc为核心解释变量，作为数字金融的代理变量；
FCi和VCv分别表示农户层面的控制变量和村庄层面的控制变量；
ε1为随机扰动项；
α0为常数项。下标i、v 和c分别表示农户、村庄和县域。另外，本文依据调查问卷中“2019 年以来您家生产经营和生活上有没有遇到什么事情需要借钱”将农户样本划分为有借款需求和无借款需求两个子样本，并参照杨艳琳和付晨玉[8]的思路，以农户的年龄是否在16-60 岁作为是否具备劳动能力的划分依据（16-60 岁为具备劳动能力）；
以教育水平是否为初中及以上作为是否具备学习能力的划分依据（初中及以上学历为具备学习能力）。

（1）被解释变量。假设1 主要聚焦于数字金融对目标农户信贷可得性的影响，因此模型（1）采用农户在正规金融机构中实际获得的贷款额度作为主要的被解释变量。此外，假设1 还要求验证数字金融对农户信贷需求侧的放大作用，因此本文还进一步将农户在正规金融机构中申请的贷款额度作为信贷需求的代理变量，以此对假设1 进行全面的检验。

（2）核心解释变量。文章主体部分以中国社会科学院农村发展研究所编制的中国县域数字普惠金融指数[23]对数字金融进行度量，后续稳健性检验中，本文将采用北京大学数字金融研究中心发布的北京大学数字普惠金融指数[24]作为数字金融的代理变量，对文章研究假设做进一步检验。

（3）控制变量。参照周力和沈坤荣[25]、李晓静等学者[26]的做法，本文从农户特征和村庄特征两个层面添加控制变量。农户特征变量包括：户主的年龄和年龄的平方；
户主受教育年限；
户主的性别，男性为1，女性为0；
户主是否担任本村职务，是赋值为1，否赋值为0。村庄特征变量包括：村委会距离乡镇政府的距离；
村庄是否位于山区，是为1，否为0；
村庄是否为城市郊区，是为1，否为0；
村庄人均可支配收入。

2.数字金融对目标农户瞄准的影响因素

为考察数字金融对各类目标农户瞄准的过程中，硬件设备、网络条件和村庄信息网络传递等因素是否会加深数字金融对目标农户信贷可得性的影响，并对假设2 进行验证，本文在模型（1）的基础上，分别引入硬件设备、网络条件、村庄信息网络传递与数字金融的交互项，以此验证数字金融影响目标农户信贷可得性过程中的调节机制，具体模型设定如下：

上式中，RMi为调节变量，代表数字金融对目标农户瞄准的影响因素。其中，硬件设备根据问卷中“家庭上网设备”的答案设定，无家庭上网设备取值为0，在智能手机、平板、笔记本电脑/台式电脑等3种设备中，每拥有1 项便赋值为1，并将得分加总；
网络条件根据问卷中“您家里网络条件如何”的答案设定，回答“非常好”取值为1，其他回答取值为0；
村庄信息网络传递则依据问卷中“您所在村是否会通过网络及时发布和传递重要信息”的回答设定，没有通过网络发布和传递信息取值为0，通过网络发布和传递信息但不及时取值为1，通过网络且及时发布和传递信息取值为2。DFc*RMi为数字金融与上述3 个调节变量的交互项，本文将重点关注交互项系数的方向和显著性水平。其余变量上文已做解释，不再赘述。

3.数字金融、信贷可得性与目标农户增收

基于假设3，本文将进一步考察数字金融通过增加目标农户的信贷可得性进而对目标农户收入的影响。此部分将采用中介效应模型进行检验，回归模型设定如下：

其中，模型（3）中FIi代表目标农户的收入，本文分别选取了农业经营性收入、非农经营性收入、工资/创业性收入和财产性收入作为农户收入的代理变量，从多个维度考察数字金融对目标农户收入的影响，并侧面验证数字金融的“造血”功能。模型（4）中CAi为中介变量，表示目标农户的信贷可得性，与上文选取的代理变量一致。本文根据温忠麟等[27]提出的中介效应检验步骤进行检验。首先，检验（3）式中γ1的显著性，如果γ1不显著则停止中介效应检验；
其次，分别检验（4）式和（5）式中δ1和2的显著性水平，如若δ1和2两个系数都显著，则继续检验1的显著性，1显著表示存在部分中介效应，1不显著则表示存在完全中介效应。如果系数δ1和2中至少有一个不显著，则进行Sobel 检验，检验通过表示存在中介效应，否则则表示中介效应不显著。

表1 汇报了本文主要变量的名称、标识和含义，并对变量进行了描述性统计。

表1 变量定义及描述性统计

（一）数字金融与目标农户瞄准

为验证假设1，本文依据问卷中“2019 年以来您家生产经营和生活上有没有遇到什么事情需要借钱”将样本划分为有借款需求农户和无借款需求农户两个子样本，并以年龄和教育水平为分组依据，进一步将样本划分为有/无劳动能力和有/无学习能力的子样本。基于模型（1），本文分别对上述子样本进行OLS 估计，实证结果见表2。其中，（1）列和（2）列分别为无借款需求和有借款需求的农户样本的回归结果，在有借款需求的农户样本中，数字金融对农户信贷可得性的影响系数为0.163，在1%统计水平下显著为正，而在无借款需求的样本中，数字金融对农户信贷可得性的影响系数仅为0.055。可以发现，有明显借款需求的农户在数字金融的发展过程中，可以获得更多的信贷支持。（3）列和（4）列的结果分别对应的是未处于劳动年龄和处于劳动年龄的农户样本，不难发现，只有在16-60岁的劳动年龄农户样本中，数字金融对信贷可得性的影响是显著的，系数为0.105。同样，（5）列和（6）列的实证结果表明，只有在初中及以上学历的农户样本中，数字金融对信贷可得性的影响显著为正，系数为0.138。以上结果表明，数字金融对处于劳动年龄的农户以及教育水平较高的农户所产生的正向影响更加显著。进一步地，数字金融（DF）组间系数差异性检验的P 值在1%的显著性水平上拒绝了两组系数不存在差异的原假设，这意味着数字金融对农户信贷可得性的影响在不同组别间存在显著差异。由此，假设1 前半部分的推论得到验证。

表2 数字金融对农户信贷可得性的影响

接下来进一步考察数字金融对有需求、有能力的农户信贷需求侧的影响，以验证数字金融对目标农户信贷需求的放大效果。表3 汇报了当被解释变量为农户申请的贷款额度时，模型（1）的OLS 实证结果。其中，（1）列和（2）列为不同借款需求样本的组间对比结果，在无借款需求的农户样本中，数字金融对农户信贷需求的影响在5%水平下显著为正，系数为0.057，而在有借款需求的农户样本中，数字金融的系数为0.162，在1%水平下显著。不难看出，相较于无借款需求样本，在有借款需求的样本中，数字金融的影响系数更大，显著性水平也更高。继续分析第（3）列和第（4）列，在年龄为16-60 岁的农户样本中，数字金融对信贷需求的影响系数为0.106，在1%水平下显著，而在非劳动年龄的农户样本中，数字金融的影响系数并不显著；
同样地，在（5）列和（6）列中，只有在初中及以上学历的农户样本中，数字金融对信贷需求的影响是显著为正的，系数为0.139。另外，数字金融（DF）组间系数差异性检验的P 值在1%的显著性水平上拒绝了两组系数不存在差异的原假设。以上结果证明，数字金融的发展提高了正规金融的可及性和可负担性，特别是对于本身具有借款需求和能力禀赋的农户，数字金融极大推动了正规金融与该群体的主动对接，有效激励有需求、有能力的农户通过正规渠道申请贷款，放大了农户的信贷需求，并支持农户信贷从名义上的需求向有效需求转变。综上，假设1 的全部推论得到验证。

表3 数字金融对农户信贷需求的影响

（二）数字金融对目标农户瞄准的影响因素

为验证数字金融对目标农户瞄准的影响因素，探究数字金融作用于不同目标农户信贷可得性过程中存在的调节机制，接下来本文将分别对有借款需求、有劳动能力和有学习能力的3 个目标样本采用模型（2）进行实证估计，并通过估计交乘项的系数来识别这一机制。

表4 汇报了有借款需求的农户样本的回归结果。第（1）列中，数字金融和硬件设备的交互项（DF*Internet device）系数为0.235，在5%水平下显著为正；
第（2）列中，数字金融和网络条件的交互项（DF*Network conditions）系数为0.167，在10%水平下显著为正；
第（3）列中，数字金融与村庄信息网络传递的交互项（DF*Village-NIT）系数为0.088，在5%水平下显著为正。可以看出，硬件设备、网络条件和村庄信息网络传递均会影响数字金融对有借款需求农户的瞄准，这3 个影响因素的改善将会加深数字金融对有借款需求农户信贷可得性的积极作用，特别是数字金融与硬件设备的交互项（DF*Internet device）系数达到0.235，表示在硬件设备的平均值1.297 处，数字金融每增加1 个单位，农户的信贷可得性将会增加约0.304 个单位，与信贷可得性的均值（13.108）相比，相当于会增加农户2.33%的信贷可得性，具有经济上的显著性。

表4 数字金融对目标农户信贷可得性影响的调节机制：有借款需求的农户样本

表5 和表6 分别汇报了有劳动能力和有学习能力的农户样本中模型（2）的实证结果。其中，表5报告了年龄在16-60 岁的农户样本结果。当调节变量为硬件设备时，交互项（DF*Internet device）系数为0.154，在5%水平下显著；
当调节变量为网络条件时，交互项（DF*Network conditions）系数为0.129，在5%水平下显著；
当调节变量为村庄信息网络传递时，交互项（DF*Village-NIT）系数为0.113，在1%水平下显著。上述结果表明，硬件设备、网络条件和村庄信息网络传递均会提高数字金融对于有劳动能力农户的识别效率，并加深数字金融对此类群体信贷可得性的影响。表6 报告了初中及以上学历农户样本的回归结果。第（1）列中，数字金融与硬件设备的交互项（DF*Internet device）系数为0.180，在1%水平下显著为正，说明农村上网设备的普及将会显著加深数字金融对有较强学习能力的目标农户信贷可得性的影响；
第（2）列中，数字金融与网络条件的交互项（DF*Network condi-tions）系数为0.095，但并不显著，说明对于初中及以上学历的农户，网络条件并不是影响数字金融对其瞄准的关键因素；
第（3）列中，数字金融与村庄信息网络传递的交互项（DF*Village-NIT）系数为0.141，在1%水平下显著为正，表示在村庄信息网络传递的平均值1.569 处，数字金融每增加1 个单位，农户的信贷可得性将会增加约0.221 个单位，与信贷可得性的均值（13.108）相比，相当于会增加农户1.69%的信贷可得性。

表5 数字金融对目标农户信贷可得性影响的调节机制：年龄在16-60 岁的农户样本

表6 数字金融对目标农户信贷可得性影响的调节机制：初中及以上学历的农户样本

接下来，本文将对3 个调节机制的作用效果进行比较，以检验各影响因素对不同目标群体的作用效率和敏感性。首先，硬件设备方面，数字金融与硬件设备的交互项（DF*Internet device）系数在有借款需求的农户样本中最大，在有劳动能力的样本中最小；
其次，网络条件方面，数字金融与网络条件的交互项（DF*Network conditions）对有借款需求的农户影响最大，在初中及以上学历的农户样本中影响不显著；
最后，村庄信息网络传递方面，数字金融与村庄信息网络传递的交互项（DF*Village-NIT）系数在有学习能力的农户样本中最大，在有劳动能力的样本中次之，在有借款需求的样本中最小。以上结果表明，硬件设备、网络条件和村庄信息网络传递均会影响数字金融对目标农户的瞄准，但不同影响因素在不同目标群体中的作用效率和效果是不同的。综上，本文验证了假设2。

（三）数字金融、信贷可得性与农户增收

为探究数字金融对不同目标农户收入的影响，以及信贷可得性在其中发挥的中介作用，下文将分别对有借款需求、有劳动能力、有学习能力的3 个目标样本采用中介效应模型进行实证估计，结果见表7-9。因为中介效应模型中的（4）式与模型（1）的结果一致，故不再重复汇报，只报告中介效应模型中（3）式和（5）式的实证结果。表7 为数字金融对有借款需求的农户样本的多维收入的影响结果，（1）列和（2）列的被解释变量为农业经营性收入，但（1）列中数字金融的系数并不显著，故停止中介效应检验。同样地，（3）列和（4）列中，当被解释变量为非农经营性收入时，数字金融的影响系数也不显著，说明数字金融对这两类收入无显著影响，且不存在中介效应。（5）列和（6）列的被解释变量为工资/创业性收入，数字金融的系数均在1%水平上显著为正，但Sobel 检验的结果表明不存在以信贷可得性为中介变量的中介效应，这说明对于有借款需求的农户而言，数字金融提高了其工资和创业性收入，但该影响作用并不是通过信贷可得性的增加而产生的。最后，（7）列和（8）列中，数字金融对目标农户财产性收入的影响显著为正，且通过了中介效应检验，Sobel 检验的Z 值为1.88，大于5%显著性水平上的临界值0.97，中介效应显著，表明数字金融通过提升目标农户的信贷可得性从而增加了农户的财产性收入。综上，只有当被解释变量为财产性收入时，目标农户才通过了中介效应检验。

表7 数字金融对目标农户收入影响的中介效应：有借款需求的农户样本

表8 和表9 分别汇报了有劳动能力和有学习能力的农户样本中中介效应模型的实证结果。其中，表8 报告了年龄在16-60 岁的农户样本的实证结果。（1）列和（2）列的被解释变量为农业经营性收入，但（1）列中数字金融的系数并不显著，停止中介效应检验。（3）列中，数字金融对农户的非农经营性收入的系数在10%水平下显著为正，且δ1和2两个系数都显著，继续检验1的显著性，第（4）列1（即DF 的系数）不显著，表明存在完全中介效应。进一步地，当被解释变量为工资/创业性收入时，（5）列和（6）列中数字金融的系数均在1%水平下显著为正，但并没有通过Sobel 检验，表明数字金融对目标农户的工资/创业性收入有正向影响，但不存在以信贷可得性为中介变量的中介效应。最后，（7）列和（8）列中，数字金融对目标农户的财产性收入的影响系数均在1%水平上显著为正，且Sobel 检验的Z 值为2.26，中介效应显著。综上，在有劳动能力的农户样本中，数字金融对目标农户的非农经营性收入和财产性收入存在中介效应。

表8 数字金融对目标农户收入影响的中介效应：年龄在16-60 岁的农户样本

表9 数字金融对目标农户收入影响的中介效应：初中及以上学历的农户样本

接下来分析表9 中初中及以上学历农户样本的实证结果。可以看到，（1）列和（2）列中，当被解释变量为农业经营性收入时，数字金融的影响系数并不显著，停止中介效应检验。（3）列中，当被解释变量为非农经营性收入时，数字金融的系数在10%水平下显著为正，且δ1和2两个系数都显著，但第（4）列1（即DF 的系数）不显著，则表示存在完全中介效应。（5）列和（6）列中，当被解释变量为工资/创业性收入时，数字金融的系数均在1%水平下显著为正，但并没有通过Sobel 检验，表明数字金融对目标农户的工资/创业性收入有正向影响，但不存在以信贷可得性为中介变量的中介效应。（7）列和（8）列中，数字金融对目标农户的财产性收入的影响系数均在5%水平上显著为正，且通过了Sobel 检验，中介效应显著。

由中介效应检验结果可知，在有借款需求、有劳动能力和有学习能力的3 个农户样本中，数字金融对目标农户的财产性收入均存在以信贷可得性为中介变量的中介效应；
只有在有劳动能力和有学习能力的目标农户样本中，数字金融对非农经营性收入存在中介效应，且为完全中介效应；
在3 个目标农户样本中，数字金融对农户的工资/创业性收入的影响均显著为正，但不存在以信贷可得性为中介变量的中介效应。

（四）稳健性及内生性检验

本文从3 个方面进行了稳健性检验和内生性检验①，所得结果与上文回归结果基本一致。

（1）替换核心解释变量。上文采用中国社会科学院农村发展研究所编制的中国县域数字普惠金融指数对数字金融进行度量。在稳健性检验中，本文采用北京大学数字金融研究中心发布的北京大学数字普惠金融指数作为数字金融的代理变量，对研究假设做进一步检验。稳健性检验结果与上文实证结果高度一致，证明本文结论具有稳健性。

（2）添加解释变量滞后项。考虑到经济因素本身具有惯性，数字金融对农户信贷可得性和农户收入的影响可能存在路径依赖，从而产生滞后效应，因此本文在模型中引入数字金融的滞后项，对研究假设做进一步验证。实证结果表明，确实存在数字金融的滞后影响，但在考虑该因素后，并不影响前文结论。

（3）选取合适的工具变量。尽管本文选取的数字金融指数为县域数据，农户数据为微观个体数据，在一定程度上缓解了农户微观数据影响县域数字金融的逆向因果问题，但仍不能完全排除变量之间潜在的相关和自相关关系。为了进一步解决由此产生的内生性问题，本文参照张勋等[28]的做法，选取县域与杭州的空间距离作为数字金融的工具变量，并采用2SLS 法进行检验估计。选取这一工具变量的合理性体现在：首先，县域与杭州的空间距离并不会影响样本内农户的微观行为，至少不会直接影响，满足外生性要求；
其次，县域与杭州的空间距离会显著影响县域数字普惠金融指数，杭州作为网商银行所在地、数字经济示范区，会对周边城市产生明显的辐射带动作用，满足相关性要求。2SLS估计的实证结果与上文的回归分析结果基本一致，OLS 估计并没有过度高估因果处理效应。另外，2SLS 估计的第一阶段结果显示，工具变量与数字金融显著正相关，且第一阶段F 值均大于10，故不存在弱工具变量问题。

农村数字普惠金融不应“大水漫灌”，而应“精准滴灌”，积极寻求与目标农户的精准对接。如此才能一方面充分发挥金融扶贫的功效，另一方面保障农村金融的可持续发展，让金融真正释放“造血”功能，为全面推进乡村振兴提供强劲支撑。本文基于中国乡村振兴综合调查（CRRS）数据库，探究了数字金融、目标瞄准与农户增收之间的关系，得出了以下几点结论：首先，数字金融显著增加了有需求、有能力的目标农户的信贷可得性，且对目标农户存在信贷需求侧的放大机制。其次，硬件设备、网络条件和村庄信息网络传递均会影响数字金融对目标农户的瞄准，但在不同目标群体中的影响效果不同，硬件设备和网络条件在有借款需求的农户样本中影响最大，村庄信息网络传递在有学习能力的农户样本中影响最大。最后，在有借款需求、有劳动能力和有学习能力的3 个农户样本中，数字金融对目标农户的财产性收入均存在以信贷可得性为中介变量的中介效应；
在有劳动能力和有学习能力的目标农户样本中，数字金融对非农经营性收入存在完全中介效应；
数字金融对农户的工资/创业性收入虽然不存在中介效应，但具有显著正向影响。基于以上结果，本文提出以下3 点政策建议。

第一，在发展农村数字普惠金融的过程中，应着重赋能有需求、有能力的农村居民，并继续充分依托互联网和科技的力量，深度挖掘用户数据，不断丰富应用场景，完善下沉服务。进一步细化农户的网络画像，准确把握目标农户的个性化信贷需求，加强数字金融对目标农户的瞄准和对接能力，从而最大程度地提高金融资源的利用效率，为农村数字金融的可持续发展提供保障。

第二，加强农村通讯基础设施建设，提升上网设备的覆盖率，改善农户的网络条件，使更多农户可以接入互联网，促使其信贷需求被有效捕捉。另外，应进一步推进乡村治理数字化和信息传播网络化，提高村庄内部信息的传播效率、增加传播广度，进而提升农户的信息化水平，助力数字金融提升对目标农户的瞄准效果。

第三，数字金融对农户的增收效应表明，我国应继续加大对农村数字普惠金融的推广力度，在注重区分目标农户的前提下，多层次、有针对性地提高数字金融对不同目标农户在多个维度的增收效果。对于有劳动能力和有学习能力的农户，应加强创业知识、专业技能和就业培训，提高数字金融对其非农经营性收入和工资/创业性收入的影响；
通过增强目标农户的专业理财知识储备和风险防范意识，提高数字金融对目标农户财产性收入的影响；
鉴于数字金融对农业经营性收入的影响较小，可以持续加强数字金融对农业生产环节的投入，赋能农业现代化，不断提升农业机械化水平，为多维度促进农民增收和推进乡村振兴贡献更多金融力量。

注：

①受篇幅所限，正文中未呈现稳健性和内生性检验的实证结果，备索。

猜你喜欢 信贷农户变量 农户存粮，不必大惊小怪今日农业(2022年13期)2022-09-15让更多小农户对接电商大市场今日农业(2021年8期)2021-07-28抓住不变量解题小学生学习指导(高年级)(2021年4期)2021-04-29也谈分离变量河北理科教学研究(2020年2期)2020-09-11聚焦Z世代信贷成瘾疯狂英语·新悦读(2020年1期)2020-02-20粮食日 访农户中国粮食经济(2018年11期)2018-01-23农户存粮调查中国粮食经济(2018年7期)2018-01-23SL(3,3n)和SU(3,3n)的第一Cartan不变量数学年刊A辑(中文版)(2015年2期)2015-10-30绿色信贷对雾霾治理的作用分析无锡职业技术学院学报(2015年3期)2015-02-28分离变量法：常见的通性通法新高考·高二数学(2014年7期)2014-09-18