教育代際流動、數字金融發展與家庭返貧風險

■ 王思琦，田容至

一、引言

隨著絕對貧困線下人口的全部脫貧，我國迎來了全面建成小康社會的嶄新時代，但仍存在著扶貧工作不穩定、貧困戶發展能力受限、抗災能力弱等問題。又因新冠肺炎疫情的影響，貧困人口的返貧風險加劇。《關于建立防止返貧監測和幫扶機制的指導意見》《關于鞏固拓展民政領域脫貧攻堅成果同鄉村振興有效銜接的實施意見》等文件相繼提出把防止返貧作為今后扶貧工作的重要任務。

在返貧風險的預防中，低收入群體相對貧困代際傳遞仍然是工作中的重點與難點，而教育代際傳遞作為低收入群體提升個人能力、拓寬社會階層上升機會的重要工具，是影響社會經濟地位代際傳遞的主要渠道。研究教育代際流動不僅能夠深入理解貧困代際傳遞的影響機制，而且有助于制定相對貧困治理下更為精準的教育扶貧政策。目前已有大量研究證實了教育水平、家庭教育背景等因素對貧困的影響，但針對教育代際流動與家庭貧困的研究較少，且多以絕對貧困、相對貧困或多維貧困衡量家庭的福利水平，忽視了家庭的未來福利與風險。同時，鮮有文獻探討教育代際流動和數字金融發展的關系，也鮮有文獻研究數字金融的發展對教育代際流動和返貧風險影響。鑒于此，使用中國家庭金融調查（CHFS）數據，構造貧困脆弱性（VEP）這一前瞻性指標度量返貧風險，實證檢驗教育代際流動對家庭返貧風險的影響，并分析數字金融的調節效應。

二、理論機制與研究假說

（一）教育代際流動對返貧風險的影響

參考Becker & Tomes（1979）的研究構建父子兩期模型，父代為t-1期，子代為t期。為簡化分析，父代收入僅分配于消費與教育投資支出，具體模型如下：

其中，C為父代的消費支出，I為父代對子代的教育投資。子代的人力資本積累由父代教育投資支出與父代教育背景決定。將子代教育水平作為子代人力資本的代理：

其中，θ＞0，E表示父代教育背景，e表示子代的人力資本稟賦，主要包括基因遺傳與文化影響等因素影響。

子代的收入決定函數為：

其中，μ為常數，p為教育投資回報率。將式（2）代入式（3）得到：

假設父代的效用函數形式為Cobb-Douglas效用函數：

其中，0＜α＜1。將式（1）、式（4）代入式（5），得效用方程：

最大化效用函數的一階條件為：

最終求得最優教育投資支出：

此時可以發現，父代收入越高，對子代的教育投資支出越大。同時，由于0＜α＜1，[1-α/1-α（1-θp）]E＞0，表明父代教育背景是教育投資支出不足時的重要補充。

為進一步分析教育代際流動對子代收入的影響，參考Solon（2004）計算代際收入彈性的做法，引入代際教育流動方程：

其中，β為教育代際流動彈性。聯立式（3）與式（9）得：

對β求導得：

可以看出隨著教育代際流動彈性的增加，子代收入也會相應提高，進而增強家庭整體的風險抵抗能力，降低家庭再度陷入貧困的可能性。由此提出研究假設1。

假設1：教育代際流動對家庭返貧風險具有抑制作用，教育代際流動高的地區家庭返貧風險更低。

（二）數字金融的普惠效應與數字鴻溝

數字金融的發展為解決相對貧困問題提供了新的工具（張勛等，2019）。數字金融讓金融服務能夠從線下轉為線上、分散轉為集中，提高了金融服務供給范圍和能力，尤其是能拓展至與金融機構缺少接觸的貧困人群（李海峰等，2019）。數字技術提供了更充足的金融產品創新空間，并通過規模效應降低成本和風險，供給更具不同針對性的產品。例如人們可以用移動設備進行非現金支付，一些針對農民的創業貸款產品得以實現（張勛等，2019）。從家庭的角度，數字普惠金融增加其參與金融投資的機會（郭峰等，2020）。在扶貧方面，數字普惠金融被認為突破了傳統金融資源均衡配置的難點，進一步控制了金融扶貧風險（董玉峰等，2020）。

但數字鴻溝的存在也制約了數字金融的減貧效應。貧困群體對數字化技術與資源缺乏應用能力，對數字經濟參與度不足，限制了經濟、金融扶貧政策的有效發揮，使得貧困群體非但不能成為數字化浪潮中的受益者，反而成為相對受損者。數字金融的發展帶來海量的金融產品和相關信息引致了新型數據不對稱，表現在數據規模、質量、技術、管理等多方面（王作功等，2019），這給篩選信息能力較弱的消費者造成了新的風險。同時數字金融發展背景下風險較大金融機構對農村貧困人口和小微企業的信貸配給和金融排斥仍未消失，數字技術也沒有改變金融風險的隱蔽性、突發性和傳染性（何宏慶，2020），甚至可能便利風險擴散，從而加劇貧困人口在金融獲取方面的弱勢地位。因此數字金融的發展對覆蓋群體的受教育水平提出了更加專業化的要求，呂煒等（2020）發現不同教育背景的群體對教育代際流動的反應敏感程度存在差異，低學歷父代-低學歷子代群體的社會經濟地位處于相比較低的水平，寬松的代際流動環境能給其提供強大的脫貧動力，而高學歷父代-高學歷子代群體由于本身處于社會中的較高階層，寬松的代際流動環境已難以影響其經濟狀況。如果子代無法從父代獲取有效的數字金融知識，降低了家庭的數字化程度，會隨著數字金融發展進一步凸顯數字鴻溝所產生的信息不對稱效應。綜上所述，數字金融的發展既為普惠金融帶來了新的發展機遇，也由于數字鴻溝的存在產生了許多新的風險與挑戰。由此提出研究假設2。

假設2：數字金融的發展對教育代際流動的減貧效應具有促進作用，但由于數字鴻溝的存在會產生馬太效應。

三、數據來源與變量

（一）數據來源

本文使用2017年中國家庭金融調查（CHFS）中家庭問卷與個人問卷數據。由于每期僅對新加入的樣本詢問其父母的受教育水平，為增加樣本量，使用 2011、2013 和 2015 年的父代教育數據進行填補。剔除18 歲以下樣本、在校樣本和父母教育水平數據缺失的樣本，最終保留了26498 個樣本。由于父代受教育水平包括父親與母親的受教育水平，參考呂煒等（2020）的方法，將父母受教育水平最高者定義為父代教育水平。

（二）教育代際流動指標的構建

目前，學術界主要有兩種方法測量教育代際流動。一種是Solon（2004）基于經典代際流動模型而構建的代際教育彈性。該方法將子代教育程度或教育年限對父代教育程度或教育年限對數化后進行回歸，得到的回歸系數即為教育代際彈性，但該方法存在一定缺陷：一是子代與父代教育之間的關系并非線性或對數線性的；二是該方法對極端值較為敏感，這限制了該指標的適用性（王偉同等，2019）。因此，Dahl &Deleire（2008）引入了另一種新的測度方法，使用父代或子代在其同輩中的教育水平排名作為替代變量，代入方程中進行回歸，以此作為代際教育彈性的衡量指標。Chetty et al.（2014）則在理論上證明了這種測度方法的穩定性。該指標反映了子代對父代經濟地位或社會地位次序的繼承，具有較好的經濟學含義。因此本文選用后一種方法構建教育代際流動指標。

具體而言，首先根據樣本所居住的城市，對樣本的受教育水平進行排序。隨后，將樣本的受教育水平引入回歸方程，分城市進行回歸：

其中，Rank代表子代i 在城市c 所有子代中教育水平的次序；Rank代表父代i 在城市c所有父代中教育水平的次序；β即為代際教育流動性。根據上述結果，進一步構建一個城市的絕對教育代際流動性：

其中，AUM表示絕對向上流動性，α和β為截距與回歸系數，p為在所有父代中教育水平的百分位排名。借鑒Chetty et al.（2014）的做法，將p賦值為25。最終結果AUM代表當父代教育水平處于同輩中最低的25%時，其子代受教育水平的期望排名，其數值越大，代表子代向上的流動性越強。

（三）返貧風險指標的構建

本文使用Pritchett et al.（2000）提出的基于期望貧困的脆弱性（VEP）作為返貧風險指標，并參照單德朋（2019）的做法，采用三階段可行廣義最小二乘法（FGLS）進行概率估計。測度方法如下所示。

第一步，首先估計消費方程，并將回歸后得到的殘差平方取對數后作為消費波動進行OLS估計。具體估計方程如下：

其中，X是一系列影響家庭人均消費的相關變量，借鑒樊麗明和解堊（2014）的方法，納入家庭人均凈資產對數、家庭人均純收入對數、家庭人均負債對數等家庭特征與戶主年齡、性別、教育等個人特征變量和省級虛擬變量。

第二步，使用第一步得到的擬合值構建權重進行FGLS 估計，得到對數消費的期望值E（LnC｜X）和消費波動 V（LnC｜X）：

第三步，選擇貧困線，計算家庭h 的貧困脆弱性：

其中，LnZ為貧困線的對數。采用世界銀行最新公布的人均日消費1.9 美元與3.1 美元作為貧困線的劃分依據。如果家庭h在未來陷入貧困的概率大于貧困脆弱線，則認為該家庭具有貧困脆弱性。一般而言，貧困脆弱線有三種較為常用的設定方法，分別是貧困發生率、50%概率值和29%概率值（Günther&Harttgen，2009）。貧困發生率一般稱之為低脆弱線，以其作為標準可能會高估貧困程度。而50%概率值作為脆弱線只能識別出長期貧困的家庭，存在一定的局限性；而以29%概率值為脆弱性則可以將因消費波動導致貧困的家庭納入分析范圍。因此，本文以29%概率值作為脆弱線。

（四）數字金融指標

所選用的指標來自《北京大學數字普惠金融指數》。目前該指數已經被廣泛用于分析中國數字金融的發展狀況及其經濟效應。由于CHFS 僅報告樣本家庭所在省份，因此本文使用省級層面的數字金融指數。

（五）控制變量與描述性統計

為盡可能控制其他影響家庭貧困脆弱性的因素，還納入了一系列控制變量。各變量具體說明及描述性統計見表1。從表1 可以看出，在1.9 美元的貧困線下，家庭的平均貧困脆弱率5%，而在3.1 美元的貧困線時，家庭平均貧困脆弱率為23%。教育代際流動均值為13.76，說明對于教育水平處于最底層25%的父代，其子代的預期教育水平的平均排名能提高13.76%。即使是在教育代際流動性最低的城市，其子代的預期教育水平排名也能提高2.70%，而在教育代際流動性最高的城市，其子代的預期教育水平排名能提高25.43%。這說明各城市間的教育代際流動性存在著巨大的差異。數字金融指數均值為278.37，最小值與最大值相差96.45，說明各省份之間的數字金融發展程度亦差距懸殊。

表1 描述性統計

由于CHFS 僅在數據中公布樣本是否同一城市識別碼，根據識別碼僅能辨別樣本是否處于同一城市，而無法精確定位樣本所在的具體城市，因此在控制變量中為加入城市層面的控制變量，選擇在回歸中匯報城市層面的聚類穩健標準誤，以期降低回歸結果的估計偏誤。

四、實證結果分析

（一）基準回歸結果

考慮到被解釋變量為二元離散變量，使用Probit模型進行回歸分析，具體模型構建如下：

其中，VEP 為被解釋變量，即家庭的貧困脆弱性，AUM為子代所在城市的教育代際流動性，X 為控制變量矩陣，具體包括上文所述的家庭特征與戶主特征，ε為誤差項，假設其服從標準正態分布。

表2 為教育代際流動與家庭貧困脆弱性的模型估計結果，其中列（1）（2）僅加入樣本的個人特征變量，列（3）（4）加入了樣本的家庭特征變量。可以看出，在采用不同的貧困線和控制變量的情況下，教育代際流動對家庭貧困脆弱性的影響均顯著為負。列（1）教育代際流動增加10 個單位時，家庭陷于貧困的概率可以降低2.4%，在控制家庭特征變量后，這一效應雖然有所降低，但邊際效應仍然達到1.2%。描述性統計結果中家庭貧困脆弱率的均值為5%，降低1.2%相當于家庭貧困脆弱率降低了24%，這說明在經濟意義上，教育代際流動的減貧效應也是十分顯著的。因此假設1得到檢驗，即教育代際流動對家庭返貧風險具有抑制作用。

表2 基準回歸結果

（二）數字金融的調節效應

為驗證研究假設2的準確性，本文在實證模型中引入教育代際流動與數字金融指數的交互項。模型的估計結果如表3 所示，可以發現，在不同的貧困線標準下，數字金融指數及其與教育代際流動的交互項回歸系數均顯著為負，且該結論在5%的統計水平上顯著。這表明數字金融的發展增強了教育代際流動的減貧效應，假設2通過了檢驗。

表3 數字金融的調節效應回歸結果

為進一步探討數字金融各維度發展狀況對教育代際流動減貧效應的影響，本文在模型中引入了數字金融的三項子指數（覆蓋廣度cover、使用深度usage 與數字化程度digit）與教育代際流動的交互項。表4 為數字金融三項子指數與教育代際流動的調節效應回歸結果，可以發現，覆蓋廣度、使用深度、數字化程度與教育代際流動的交互項皆在1%的統計水平上顯著為負，該結論進一步說明數字金融對教育代際流動的減貧效應存在促進作用。其中數字化程度對家庭返貧風險的影響顯著為正，說明數字金融發展下數字化程度增強帶來的數字鴻溝會增加家庭的貧困脆弱性，但保持向上的教育代際流動能在很大程度上抵消數字鴻溝帶來的消極影響，從而在整體上降低家庭的返貧風險。

表4 數字金融子指數的調節效應回歸結果

（三）異質性分析

呂煒等（2020）發現不同教育背景的群體對教育代際流動的反應敏感程度存在差異性。因此，為探究教育代際流動性對不同群體的異質性影響，依據子代學歷和父代學歷，將樣本劃分為4 個群體，對其進行回歸分析。因1.9 美元貧困線下子樣本中的貧困人數過少，無法進行估計，因此使用3.1 美元作為貧困線標準。表5 為異質性分析的回歸結果，結果顯示教育代際流動對不同群體的貧困脆弱性的影響存在巨大差異。對于低學歷父代-低學歷子代而言，教育代際流動每增加10 個單位，其陷入貧困的概率可以有效降低5.3%，且這種效應在1%的統計水平上顯著。對于高學歷父代-高學歷子代來說，教育代際流動每增加10 個單位，其陷入貧困的概率也可降低1.1%。教育代際流動對低教育群體的影響是高教育群體的5倍，而相對貧困問題本身多存在于低教育群體中，這進一步說明提高教育代際流動對于解決相對貧困問題及有效防范返貧風險具有重要意義。

表5 異質性分析回歸結果

進一步對數字化程度（digit）與教育代際流動的交互項進行分析，可見低學歷父代-低學歷子代和低學歷父代-高學歷子代群體的數字化指數對家庭貧困脆弱性的影響系數顯著為正，說明數字鴻溝主要出現在家庭教育背景較差（父輩低學歷）的群體中，而如果父輩學歷較高，即使子代學歷較低，依然不會受到數字鴻溝的影響。子代無法通過向低學歷父輩學習來獲取數字知識，故更需要數字知識方面的幫扶以提高其數字化水平。盡管數字金融發展背景下低學歷父輩容易受到數字鴻溝的影響從而造成家庭較高的返貧風險，但是家庭向上的教育代際流動所帶來的減貧效應不會受到根本性影響?？梢娤蛏系慕逃H流動能夠一定程度上改善數字金融發展的負面影響。

表6 數字化程度交互項回歸分析

（四）穩健性檢驗①限于篇幅，結果留存備索。

為驗證上述主要結論的穩健性，使用以下方法對其進行穩健性檢驗。首先，剔除60 歲以上樣本。對于60 歲以上的樣本，其大部分都已經退出勞動力市場，教育水平對其家庭貧困脆弱性的影響相對較小。其次，由于在數據處理的過程中刪除了較多父代教育水平數據缺失的樣本，導致部分城市的樣本量較少，計算出來的教育代際流動性可能無法代表該市的真實水平。因此，剔除樣本量少于100人的城市再進行回歸。回歸結果與前文保持一致，證實了本文主要結論具有較好的穩健性。

（五）工具變量估計

由于缺乏城市層面的控制變量，本文主要面臨的內生性問題是遺漏變量。參考呂煒等（2020）的做法，使用同一省份其他所有城市的教育代際流動均值，作為該城市教育代際流動的工具變量。該變量滿足外生性與相關性的要求，是一個合格的工具變量。

表7 為工具變量的回歸結果，列（1）為一階段估計結果，結果發現同一省份其他所有城市的教育代際流動均值與該城市的教育代際流動顯著正相關?？赡艿慕忉屖牵粋€省的教育氛圍是相似的，同省的各城市之間可以通過相互學習，齊頭并進，進而對教育代際流動形成正面影響。一階段估計的F值為131.77，遠大于經驗法則規定的臨界值，Wald檢驗卡方值也在1%的統計水平上顯著，說明該工具變量不存在弱工具變量的問題。列（2）（3）則分別為1.9 美元貧困線和3.1 美元貧困線的工具變量回歸結果。結果表明，教育代際流動對家庭貧困脆弱性具有顯著的負面影響，且這種影響在1%的統計水平上成立。

表7 工具變量回歸結果

（六）影響機制分析

張棟浩和尹志超（2018）研究發現家庭是否陷入貧困，取決于其風險應對水平。如果家庭的風險應對水平低，無法妥善處理風險，熨平其消費波動，將會致使家庭貧困脆弱性較高。反之，如果家庭具備較高的風險應對能力，自身陷入貧困的概率也會相應降低。因此，參考Günther&Harttgen（2009）的方法，根據家庭貧困脆弱性的成因，對貧困脆弱性進行分解。若家庭未來消費水平低于貧困線，則將其定義為結構貧困性，并賦值為1；若家庭未來消費水平高于貧困線，則將其定義為風險貧困性，并賦值為2。若家庭不具有貧困脆弱性，則將其賦值為0。實證方法上采用張棟浩和尹志超（2018）的做法，使用多項Logit模型進行實證檢驗。

表8 為影響機制檢驗的回歸結果。結果發現教育代際流動對風險脆弱性的影響顯著大于對結構脆弱性的影響，且這種差異性影響在1.9美元和3.1 美元的標準下均顯著成立。該結果驗證了教育代際流動的影響機制，即教育代際流動主要通過提高家庭的風險應對能力，妥善處理家庭面臨的風險問題，熨平家庭消費波動，進而降低家庭陷入貧困的概率。

表8 影響機制回歸結果

五、結論與啟示

本文基于CHFS 數據構建了Probit 模型，引入數字金融的調節效應，實證研究了教育代際流動與家庭貧困脆弱性的影響，得到了如下結論：第一，教育代際流動可以有效降低家庭貧困脆弱性，教育代際流動性越高，家庭陷入貧困的概率越低，即教育流動環境越寬松，子代階層躍升的機會也就越高。第二，數字金融對教育代際流動的減貧效應存在促進作用，數字金融發展下的數字鴻溝會導致返貧風險的增加，但保持向上的教育代際流動能夠改善其負面影響。第三，不同教育背景的群體對教育代際流動的反應敏感程度存在差異性，教育代際流動對低學歷群體的減貧效應要顯著高于高學歷群體，且數字金融發展下的數字鴻溝更容易發生在家庭背景較差即父代學歷較低的群體之中，而如果父輩學歷較高，即使子代學歷較低亦不易受到數字鴻溝效應和信息不對稱效應的影響。

基于上述結論，本文認為在緩解相對貧困時：第一，要繼續強調“扶貧先扶智”，進一步發揮政府的主導作用，加大教育政策的支持力度和相關資金的投入，為相對貧困群體提供更好的宏觀教育環境。第二，要更加重視幫扶對象的能力提升，除繼續鞏固控輟保學成果外，注重加大脫貧地區職業教育支持力度，提高普通高中和普惠性學前教育質量，實施國家通用語言文字普及提升工程，打造升級版的“一村一名大學生計劃”，提升人力資本質量。第三，要建立長效機制，激發群眾內生動力。逐步形成推動鄉村振興的內外聯動，一方面要激發相對貧困地區學校和學生的內生動力，另一方面要加大外部支持與幫扶，逐步下沉優質教育資源。第四，在數字金融發展的宏觀背景下要堅持將提高教育代際流動性和社會整體數字化水平共同推進。