數字金融促進農民非農收入了嗎
——基于空間溢出效應和中介效應的實證分析

□ 李冉冉 崔蕊

一、引言

黨的二十大報告中，習近平總書記強調全面推進鄉村振興，提出發展鄉村特色產業，拓寬農民增收渠道。在鞏固拓展脫貧攻堅成果的重要關口，如何推進農村經濟發展是非常重要的命題。在農業農村發展環境改變的背景之下，農民收入結構逐漸發生變化，過去小農經濟來源更多為從種植業等第一產業獲得的收入，如今更多農民利用互聯網技術，發展電商直播等有別于傳統農業的個體經濟，非農收入占比增加。非農收入是農民通過資本、技術和管理能力等要素參與生產獲得的收入，包括股份分紅、利息等。根據《中國農村統計年鑒》數據可知，農民非農收入占比在2020年底達到76.8%，其中工資性收入達到40.7%，除第一產業外的經營性收入達到12.2%，目前已經成為農民收入的主要來源。

長期以來，為進一步提高農民收入，我國大力促進農村創業就業、發展新型特色產業，但由于農村地區金融排斥現象顯著，融資約束導致農村經濟發展緩慢、農民收入難以有效增長。在數字經濟時代，數字金融的迅速發展大大緩解了農民的資金約束的問題，有助于促進農民開展非農就業，進而促進了農民的非農收入，對解決農村收入問題、促進農村經濟發展具有重要意義。

二、文獻綜述

我國已有學者對金融與農村收入的關系做出相關研究。在傳統金融結構體系下，張龍耀等（2013）認為我國在政策上存在重視城市忽視農村的問題，農村金融發展明顯落后于城市，城鄉二元金融結構明顯，農村金融具有更高的準入門檻，難以支持農民開展創業活動。胡金焱和張博（2014）認為缺乏啟動資金是阻礙家庭選擇創業的主要障礙。

近年來，互聯網與數字技術的興起賦能數字金融，大大緩解了農民的資金約束。李繼尊（2015）認為數字金融以其門檻低、小品種以及個性化的金融服務解決了小微企業、“三農”等薄弱環節的融資難融資貴的問題。張傳勇和蔡琪夢（2021）研究認為數字金融有效地融合了網絡技術與金融服務，為“零工經濟”提供了重要的資金擔保和共享的信息資源，吸納了很多農村就業人員。張勛等（2019）認為，數字金融的發展改善了金融服務的可得性和便利性，推進農村創業機會均等化，顯著提高農村低收入群體的家庭收入。王永倉等（2021）研究發現數字金融的推出顯著促進了農戶家庭的收入增長，并改變其收入結構。張正平和王瓊（2021）認為傳統普惠金融無法精準識別三農群體的金融需求，而數字金融發展推動了資本替代勞動的農業生產進程，提高了農業生產效率。

本文的貢獻在于，嘗試研究數字金融對農民收入中的非農收入如何發揮作用，并從空間視角探討數字金融對周邊地區的溢出效應，從政策和區域兩方面討論數字金融影響非農收入的異質性。另外，鑒于以往文獻多集中于分析數字金融與農民非農收入的直接影響，本文引入農村產業融合水平和農村創業活躍度兩個變量，分析數字金融對非農收入的中間機制影響。

三、機理分析與研究假設

（一）數字金融促進農民非農收入的機理分析

受農業規模、技術、制度等因素制約，在傳統農業中農民收入主要為出售農產品獲得的報酬。進入20世紀90年代，農民收入中務農經營的部分不斷減少，而非農收入占比不斷增加（鐘甫寧和何軍，2007），因此解決非農就業問題成為實現農民增收的關鍵。以種植業為主的傳統農業向二、三產業過渡，農村私營企業或個體戶經營增加，我國農村信貸需求顯著上升。農村金融機構為避免風險需要借款者提供抵押資產，農村私營企業和個體戶無法滿足信貸條件，難以獲得足額資金從事生產以增加經營性收入，廣大農戶的融資需求不能得到有效保障，影響了農民非農收入的增長。受益于互聯網革命的浪潮影響，我國數字金融依托大數據和云計算得到快速發展，大大推進了我國普惠金融的成長（張勛等，2019）。數字金融服務取代了傳統金融的物理網點，資金交易雙方通過網上平臺直接交易，系統通過交易行為數據判斷借款者違約概率和還款能力，顛覆了以往基于個體資產負債放款的判斷方式。數字金融降低了客戶的進入門檻，克服了傳統金融機構的排他性，使得初始資本積累較少的農村私營企業和個體戶可以獲得貸款，保證資金充裕以擴大規模和研發技術，帶動產業升級，創造大量的非農就業機會，進一步增加了農民的非農收入（肖龍鐸和張兵，2017）。基于此，提出假設1：

H1：數字金融對當地農民非農收入具有積極促進作用。

（二）數字金融對農民非農收入的空間影響

任何地區的經濟發展都不會脫離于周邊地區而獨立存在，地區間往往存在潛在的影響與聯系（林光平等，2005），數字金融推動了當地農民的非農收入，也波及至鄰近地區或更遠的地區。初期階段，數字金融在基礎設施建設完備等條件更為優越的地區發展較快，而由于資本逐利性，數字金融會不斷向周邊地區擴散，當地經濟的增長也會通過生產要素與貿易合作的方式向外流動，通過“涓滴效應”對鄰近地區產生促進作用（徐章星，2021）。數字金融加速知識和信息數據在各地區的傳播，打破了金融服務的地理限制，有效地推動金融資源的地理滲透，實現金融服務供求雙方的跨空間對接，由此產生空間溢出效應。基于此，提出假設2：

H2：數字金融會對鄰近區域的非農收入產生正向空間溢出作用。

（三）數字金融促進農民非農收入的機制分析

非農就業比率的增加對農村信貸在期限、額度及類型方面提出更大的要求，數字金融的出現則增加了信貸的可得性。首先其基于大數據信息技術根據農村用戶的互聯網消費、支付行為數據，判斷用戶的誠信水平與還款能力，以較低成本對新開創的農村小微企業進行風險評估，提高其融資效率，減輕因信息不對稱產生的融資限制。其次數字金融的小額、零散、個性化投融資服務為作為長尾客戶的農村小微企業提供綠色融資通道，從而實現創業機會的均等化，有助提升創業績效。再次數字金融簡化了傳統商業模式中繁瑣的支付方式，縮短資金在流轉過程中產生的交易費用，使農村小微企業更便捷地進行線上交易，實現線下交易線上化，催生出共享經濟、電子商務諸多新型領域的創業形式（鞏鑫和唐文琳，2021）。數字金融大大緩解具有良好創新創業精神的農村企業家的融資約束，通過充分激發農民的創新與創業潛能，創造出大批非農就業機會，提高了農民非農收入（肖龍鐸和張兵，2017）。基于以上分析，提出假設3：

H3：數字金融能夠通過促進農村創業活躍度提高非農收入。

隨著農產品加工業、休閑產業和新興服務業在農村不斷發展，農村電商平臺以農產品產地直銷、品牌銷售方式帶動當地產業，利用互聯網技術直接將農業生產、農產品加工和銷售與其他服務行業連接，構建一體化生產鏈，實現了第一產業功能的轉型升級，有助于提高農民的非農收入（蔡潔，2020）。數字金融的下鄉拓寬了金融服務范圍和觸達能力，滿足農村產業融合多層次的資金需求。首先數字金融能夠利用“鯰魚效應”和“技術溢出效應”激勵傳統農村金融提高融資改革意愿，增強農民和農戶的信貸資金可得性（張岳和周應恒，2021）；其次數字金融支付平臺使農村產業融合交付便捷，為農產品線上銷售、直播帶貨等新型業態的發展創造良好的條件，提高農民的非農收入。據此，提出假設4：

H4：數字金融能夠通過促進農村產業融合發展提高非農收入。

四、研究設計

（一）模型設定

1.空間計量模型

通過構建空間計量模型檢驗數字金融對農民非農收入的影響效應，空間計量模型包括空間自回歸（SAR）模型、空間誤差（SEM）模型和空間杜賓（SDM）模型。SAR模型假設非農收入通過空間相互作用對其他地區產生影響，SEM模型假定空間效應通過誤差項傳導。SDM模型同時考慮了這兩種空間效應。鑒于不同空間作用對回歸結果產生不同的影響、揭示不同的經濟含義，為獲取較好的擬合結果以便展開分析，使用SAR、SEM和SDM三個模型分別進行檢驗。

以上分別為SAR、SEM和SDM的模型公式，N f i為各地區的農村非農收入，Di f表示數字金融，Controls代表一系列控制變量；W為空間權重矩陣，擾動項μ和ε均服從獨立同分布的條件，即μit～idd(0,σ2)，εit～idd(0,σ2)。

2.中介效應模型

為檢驗農村創業活躍度和農村產業融合在數字金融與非農收入中的傳導作用，結合溫忠麟和葉寶娟（2014）提出的中介效應模型進行估計，構建模型如下：

公式（5）、（6）表示數字金融通過農村創業活躍度影響非農收入的中介效應，Rea表示中介變量農村創業活躍度；公式（7）、（8）為數字金融通過農村產業融合發展影響非農收入的中介效應，Rid表示中介變量農村產業融合發展。如果系數1、φ2和τ1均顯著，則說明存在農村創業活躍度的中介效應。同樣，如果系數1、γ1和ψ2均顯著，則說明存在農村產業融合的中介效應。在此基礎上，如果φ1和ψ1分別顯著，即為部分中介效應，否則是完全中介效應。和分別表示農村創業活躍度和農村產業融合的中介效應占總效應的比重，反映二者促進農村非農收入的重要性。

（二）變量選取

1.被解釋變量

非農收入（N fi）。農村非農收入指的是農戶除農業經營收入以外的家庭經營收入、工資性收入、財產性收入和轉移性收入。其中財產性收入指包括儲蓄利息、房屋出租等對本人財產使用及處置獲得的收益；轉移性收入為包括補貼、賠款、撫恤金和退休金在內的二次分配中獲得的收入。工資性收入和家庭經營收入占比較大，選用這些收入的人均之和作為農民非農收入進行核算。

2.解釋變量

數字金融（Di f）。該變量從數字金融的覆蓋廣度、使用深度和數字化程度三個角度進行綜合考量，全面分析我國內地各個地區2011-2020年間數字金融的發展現狀和演變趨勢。

3.中介變量

農村創業活躍度（Rea）。使用農村私營企業和個體戶總和占就業總人口比重衡量農村創業活躍度，比重越大，則該地區創業開展得更加活躍。

農村產業融合發展（Rid）。農村產業融合發展是一個綜合性較強的指標，無法使用單一要素充分體現，參考張林和溫濤（2022）的做法，采用熵值法建立一級指標來衡量農村產業融合發展，基于數據的可得性，該指標體系構建如下表所示。

表1 農村產業融合發展指標體系

第一，采用熵值法對農村產業融合發展進行綜合評價，首先考慮到不同指標的量綱不同，對原始數據進行標準化的無量綱處理。

對于正向指標：

對于負向指標：

其中，t為時間，i為不同地區，j為各個指標。

第二，計算i地區t年間第j個指標的權重，記為Wijt。

第三，計算指標的信息熵ej與冗余度dj。

其中，m為年份個數，n為地區個數，k為指標個數。

第四，計算指標j的權重，記為Wj。利用信息熵的價值系數來確定指標權重大小，權重計算公式為：

最后，計算農村產業融合發展的綜合指數：

4.控制變量

為控制其他因素對農民非農收入的影響，參考部分學者的研究（王麗納和李玉山，2019；張岳和周應恒，2021；焦青霞和劉岳澤，2022），選擇控制變量如表2所示。

表2 變量定義

（三）數據來源

數字金融指標使用北京大學數字金融研究中心編制的第三期數字普惠金融指數作為代理變量。農村非農收入、農村創業活躍度、農村產業融合發展以及控制變量的相關數據來源于各年度的《中國農村統計年鑒》和《中國統計年鑒》。剔除了缺失數據較多的地區，部分缺失數值使用插值法進行補充完善，最終得到中國大陸30個省（區、市）的2011-2020年，共300個觀測值的平衡面板數據。

（四）描述性統計分析

如表3所示，非農收入極端值差距明顯，而標準差為53.516，說明我國整體非農收入存在差距，但差距不是十分嚴重。數字金融標準差為96.968，說明我國各地區數字金融的發展存在一定的差距；農村創業活躍度和農村產業融合發展不同地區存在差距，且存在較明顯的極端值。

表3 變量描述性統計

五、實證分析

（一）構建空間權重矩陣

1.空間鄰接矩陣W1

空間鄰接矩陣W1是根據省域間的相鄰關系來構造的空間權重矩陣，如果省域之間存在公共邊界，則記為1，反之記為0，其表達式為：

其中，i、j（i、j=1,2，…30）代表不同地區，將海南島設為與廣東省相鄰，解決其作為“孤島變量”的問題。

2.經濟距離矩陣W2

白俊紅等（2017）認為空間距離矩陣難以充分反映地區之間的關聯關系，經濟活動的空間溢出效應還會受到經濟發展水平差距的影響，因此基于各省市人均GDP建立經濟距離矩陣，表達式為：

其中，i和j表示不同地區，n表示時間跨度，W為n階對稱矩陣，為避免分析誤差，對空間權重矩陣進行行標準化處理，標準化公式為：

（二）空間相關性檢驗

1.全局空間相關性

Moran’s I指數能夠有效檢驗整個空間系統內鄰近地區間是否存在相關性，計算公式為：

其中，n為地區數量，S2表示樣本方差。Moran’s I指數的取值范圍一般為-1≤I≤1，當指數取值大于0時，即各地區在空間上是正相關，若小于0則為空間負相關，當接近于0時表示不存在空間相關性，研究對象呈現隨機分布狀態。非農收入與數字金融在W1和W2下的空間相關性如表4所示，兩個矩陣下的指數均通過1%的顯著性檢驗，表明在地理區位和經濟水平上，非農收入和數字金融均存在明顯的空間正相關性，且在地理區位上的空間相關性更為明顯。

表4 空間相關性檢驗

2.局部空間相關性

Moran散點圖能夠分析局部地區表現出來的分布特點，通過計算我國30個地區農民非農收入和數字金融的局部Moran’s I指數，發現大部分省份均拒絕“無空間相關性”的原假設，具有空間集聚關系。圖1和圖2是根據空間權重矩陣得到的農民非農收入的Moran散點圖，圖3和圖4是數字金融的Moran散點圖，更清楚地展現數字金融和農民非農收入的空間相關性。

圖1 非農收入的空間鄰接矩陣Moran散點圖

圖2 非農收入的經濟距離矩陣Moran散點圖

圖3 數字金融的空間鄰接矩陣Moran散點圖

圖4 數字金融的經濟距離矩陣Moran散點圖

可以看出，農民的非農收入和數字金融在空間鄰近矩陣和經濟距離矩陣下的分布相似，均主要分布在第一象限和第三象限，呈現明顯的H-H集聚和L-L集聚。L-L集聚的數量明顯多于H-H數量，非農收入與數字金融集聚基本重合，H-H集聚多為東部沿海省份，L-L集聚集中在東北地區和中西的地區。說明數字金融和農民非農收入具有很大的聯系。由于數字金融平臺有效實現服務對象的下沉，為農業提供了大量資金技術支持，顯著降低農民的融資成本，促進了農民非農收入的提高。

（三）實證結果分析

參考Elhorst（2014）的方法進行空間模型選擇，結果如表5所示。LM-lag和LM-error通過顯著性檢驗，說明傳統的非空間面板模型不再適用，需要使用空間計量模型；Robust-LM-error與Robust-LMlag均通過了顯著性檢驗，SEM模型與SAR模型均合適，SDM模型同時考慮了兩種模型的空間效應，因此使用SDM模型估計更適用，將重點分析SDM模型的回歸結果。

表5 SDM的模型檢驗

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

從表6的回歸結果中可以看出，在兩個空間權重矩陣下，數字金融在SDM模型中對當地非農收入的回歸系數分別為0.3689和0.2866，均通過了1%的顯著性檢驗，同時在SAR和SEM模型中也均顯著為正，說明數字金融能夠有效促進當地非農收入的增長。SDM模型在兩個空間權重矩陣的空間效應系數ρ均在1%的水平上顯著為正，同時SAR模型的空間系數ρ和SEM模型的λ也均顯著為正，說明無論是考慮鄰接關系還是經濟距離因素，農民非農收入均具有明顯的空間集聚特征，使用空間模型合理。地理區位鄰接和經濟距離越鄰近的地區之間，其農民非農收入存在顯著的空間相關關系。

表6 數字金融與非農收入的空間估計結果

為了避免空間回歸系數的誤差，本文參考LeSage和Pace(2008)的方法，使用偏微分將數字金融對農民非農收入的影響分解為直接效應和間接效應。直接效應表示本地區數字金融的變動對本地農民非農收入的影響效應；間接效應表示其他地區數字金融的變動對本地非農收入的影響。如表7所示，兩個空間權重矩陣下，數字金融的直接效應影響系數分別為0.4261和0.2990，并分別在1%的水平上顯著，說明本地區數字金融對本地農民非農收入具有促進作用。數字金融的間接效應在兩個空間矩陣下分別為0.6036和0.3135，并分別在10%和5%的水平上顯著，說明數字金融對經濟與地理區位鄰近地區的非農收入存在正向溢出作用，而且這種溢出作用大于本地數字金融的直接促進作用。由于數字金融不斷向周邊地區發展，通過“涓滴效應”惠及鄰近地區，推動產業跨區域發展，產生空間溢出效應。數字金融的空間溢出效應促進相鄰省市的技術創新，為金融領域的普惠發展提供技術支持，促進周邊地區資金融通，為農村產業融合發展提供便捷的數字金融服務，降低融資成本以激發農村創新創業的積極性，進而創造更多非農就業崗位和增加非農收入，證明了假設1和2。

表7 SDM模型的效應分解

（四）異質性檢驗

2016年我國十三五規劃頒布，提出要重點發展數字金融及相關技術，顯著提高了數字金融的覆蓋廣度和地位，為此選擇2016年為數字金融變革事件來定義虛擬變量：在2011-2015年取0，2016-2020年取1，進行政策視角的異質性分析。前文在分析空間相關性時發現，H-H集聚多集中在東部沿海地區，東部地區由于經濟基礎、人才積累和技術水平等方面優于中西部地區，有利于數字金融的迅速發展，因此與中西部地區會形成區域差異性。按照國家地區區域劃分規范，將30個省份分為東部、中西部地區，進行不同區域的異質性分析。

得出的結果如表8所示，在政策和區域視角上的異質性分析中，空間鄰接矩陣下的空間系數ρ均顯著，說明我國各地區的非農收入存在顯著的空間效應，數字金融不僅促進本地區的非農收入，同時對周邊地區非農收入具有明顯的正向空間溢出效應。在政策視角方面，數字金融與時間虛擬變量的交乘項系數顯著為正，說明從2016年大力發展數字金融的政策頒布開始，對非農收入的促進作用比政策頒布之前增強。在區域視角方面，數字金融與地區虛擬變量的交乘項系數顯著為正，由于我國中西部地區經濟基礎薄弱，互聯網等技術建設不完善，而較為先進的東部地區數字金融更有利于非農收入的增長，并且對周邊地區的非農收入的促進作用更強。

表8 異質性檢驗

（五）穩健性檢驗

1.不同空間權重矩陣的穩健性檢驗

前文根據空間鄰接矩陣W1分析數字金融與非農收入在地理區位上的空間溢出效應，本文進一步使用空間距離矩陣W3替換W1進行檢驗。同時參考有關學者的研究（孫喆和劉傳明，2020；程廣斌等，2022），經濟發展水平較高的地區對其他地區的空間影響高于落后地區的影響，即Wij≠Wji，因此構建非對稱經濟地理矩陣W4替換W2進行分析，兩個空間權重矩陣分別如下：

（1）空間距離矩陣W3

（2）非對稱經濟地理矩陣W4

表9為更換空間權重矩陣后的空間模型回歸結果，數字金融對非農收入的影響系數方向和顯著性水平沒有發生根本性的變化，驗證了前文結果的穩定可靠性。

表9 更換空間權重矩陣下的穩健性檢驗

2.替換變量的穩健性檢驗

非農收入對農民可支配收入具有主要的影響作用，本文將被解釋變量非農收入替換為農民可支配收入，回歸結果如表10所示，與前文結果沒有發生顯著變化，證明了數字金融促進非農收入結論的穩健性。

表10 替換變量的穩健性檢驗

3.考慮內生性的穩健性檢驗

遺漏變量和互為因果等內生性問題的存在會對估計結果產生影響，導致估計系數偏差和不一致。為驗證內生性問題是否對實證回歸過程產生實質性影響，使用動態空間計量模型、GMM方法和工具變量法三種方式進行穩健性檢驗。

在動態空間面板引入非農收入的空間滯后項，結果顯示數字金融對非農收入在兩類空間權重矩陣下仍顯著為正，說明在動態空間面板中，數字金融仍能夠促進非農收入的增長；使用GMM方法進行估計，數字金融的估計系數在5%的顯著性水平下為正。在工具變量法中，選擇互聯網普及率和電話普及率作為工具變量。這兩個指標滿足相關性與排他性的要求，而且不存在弱變量問題。如表11所示，在使用工具變量后，數字金融的發展對非農收入仍然起到顯著的正向促進作用，驗證了結果的穩健性。

表11 內生性檢驗

（六）影響機制檢驗

數字金融緩解農民的融資需求，促進了農戶創業的積極性，并延伸農村生產產業鏈，實現農業升級，創造了大量的非農就業，對非農收入的發展起到促進作用，因此數字金融通過促進農村創業活躍度和農村產業融合發展提高了非農收入。通過建立中介效應模型來檢驗這兩種機制，回歸結果如表12所示，可以發現農村創業活躍度和農村產業融合發展指數的影響是顯著的，農村創業活躍度在數字金融與非農收入間的中介效應占比為23.16%，農村產業融合的中介效應為34%。

六、結論與建議

本文使用我國30個省份2011-2020年的面板數據作為樣本，建立空間計量模型和中介效應模型檢驗我國數字金融與農民非農收入之間的空間關系和作用機制，得出如下結論：（1）數字金融對非農收入具有明顯的空間溢出作用，數字金融不僅對本地非農收入具有顯著的促進作用，其空間溢出效應也帶動了地理區位鄰接或者經濟鄰近地區非農收入的發展；（2）分區域來看，東部地區數字金融對非農收入的促進作用遠大于中西部；從政策實施來看，2016年十三五規劃數字金融變革之后，數字金融對農民非農收入地促進作用大于2016年之前；（3）農村創業活躍度和農村產業融合發展在數字金融促進非農收入的過程中起到中間傳導機制的作用。基于以上研究結論，得出下列建議：

首先，加快構建全方位的數字金融服務系統。農村弱勢群體所在地區發展基礎薄弱，數字金融平臺應推廣更具包容性與針對性、與農戶風險承受能力相匹配的金融產品與服務，打造線上線下有機結合的服務模式，支持農民利用線上渠道獲取數字金融產品及服務，為其創業就業提供啟動資金，以此推動農民增加非農收入。

其次，加強區域合作交流，建立區域間金融合作體系，增加數字金融在地區間的相互溢出和滲透，有效引導數字金融對周邊地區的帶動效應和輻射效應，加大各地區之間數字金融合作，通過數字金融引導地區間協同發展、良性互動，鼓勵各地區非農收入共同提高。完善中西部地區農村數字金融的基礎設施建設，創新適合的數字金融產品，提高中西部地區的非農收入，需要提高中西部偏遠農村的硬件設施水平，提升農村網絡覆蓋率和網絡使用率，為發展農村數字金融提供堅實的信息基礎設施，提高通過數字金融平臺獲取金融服務的能力。