互聯網使用對家庭債務水平的影響研究

摘 要 我國住戶部門債務杠桿率持續上升，居民杠桿率已達世界前列。并且，隨著數字金融的發展，家庭對互聯網的使用會在一定程度上加劇家庭債務水平。本文通過中國家庭追蹤調查（ CFPS）2012年至2018 年的樣本數據來研究互聯網使用是否增加了家庭債務水平。研究結果表明：第一，互聯網使用整體上對家庭債務水平上升有顯著影響，互聯網使用頻率、互聯網支出深度和使用渠道均加重了家庭債務水平。第二，網絡借貸和網絡支付在互聯網使用影響家庭債務水平中發揮了調節作用。第三，異質性檢驗表明，互聯網使用對家庭債務水平在環渤海地區與長三角地區家庭、城鎮地區家庭、高資產與低學歷家庭中有顯著影響，在高互聯網普及率地區家庭、高GDP 地區家庭以及高收入家庭中影響力度更大。第四，采用工具變量法與傾向得分匹配法進行內生性檢驗后，本文的結論依然穩健。同時穩健性檢驗結果表明，互聯網使用對家庭債務水平影響在滯后1 年時依然顯著。本文研究豐富了家庭債務成因機制研究，為合理減輕家庭債務水平、防止家庭債務風險溢出提供了新的研究角度。

關鍵詞 互聯網使用;家庭債務水平;數字金融;網絡支付;網絡借貸

0 引言

互聯網技術發展為社會經濟帶來了重大變革。近十年來，我國互聯網普及率從2012 年的42. 1%快速上升至2021 年的71. 6%，上網人數從2010 年的5. 1 億人增至2021 年約10. 3 億人，互聯網寬帶接入端口數從2012 年的1. 9 億個升至2021 年的9. 5 億個①。互聯網的快速普及與家庭成員的工作、學習、生活、社交等場景深度融合，加深了家庭對互聯網的使用。家庭對互聯網的使用具體包括：（1）互聯網滲透增加了家庭成員使用互聯網時間，提高了家庭成員上網頻率。根據中國互聯網絡信息中心的報告顯示，2011 年我國互聯網普及率達到38. 3%，人均周上網時長為18. 7 小時，而2021 年我國互聯網普及率上升至73%，人均周上網時長也提升至28. 5 小時②;（2） 隨著網絡技術發展，互聯網應用種類繁多，用戶可以通過互聯網進行消費、娛樂與工作等行為，增加了家庭成員對互聯網的使用深度。根據第51 次《中國互聯網絡發展狀況統計報告》，我國網民網絡支付、網絡購物、網絡游戲、線上辦公使用率均達到50%以上③;（3）移動互聯網憑借便捷性、及時性與個性化等特點大大提高了用戶生活水平與工作質量，以手機為代表的移動互聯網正在取代使用固定設備來連接互聯網的傳統方式（Samsudeen and Selvaratnam，2019），擴寬了家庭成員使用互聯網的渠道。截至2022 年12 月，我國網民手機上網的比例已經高達99. 8%，而使用臺式計算機、筆記本電腦上網的比例分別僅有34. 2%與32. 8%④。（4） 互聯網技術的發展帶來了金融服務模式創新，催生出了數字金融等新興金融業態，拓展了金融服務邊界。

隨著互聯網、移動上網快速普及和居民對互聯網使用加深，網絡支付、網絡銀行、網絡借貸與消費金融等金融科技逐漸滲透到家庭中，為其帶來了極大的生活和工作便利。例如高效和可靠的電子支付系統能夠實現更快的支付、更好的跟蹤交易，從而減少交貨時間、節省成本。相比于傳統銀行，互聯網金融機構可以通過大數據掌握用戶的歷史信用，消費記錄以及風險偏好，從而使低收入人群更易獲得貸款，擴大金融業務覆蓋范圍（郭偉棟等，2022）。然而，對互聯網的頻繁不當使用也會造成嚴重后果：一是過度消費。移動支付的便利與不需要攜帶現金的無形化特點，弱化了人們對消費行為的意識。短視頻與自媒體的盛行使得人們盲目跟風購買，逐漸形成超前消費的理念，在該理念的引導下，具有較強消費欲望的人常常進行過度消費（林慰曾和施心德，2018）。這種過度消費行為的出現可能導致消費者入不敷出，而花唄、借唄、微粒貸、趣分期等消費貸款平臺利用賒銷的方式在滿足了消費者超期購物欲望的同時，使消費者背負了更多的債務。二是過度借貸。李政和李鑫（ 2022） 的研究表明網絡借貸緩解了金融排斥，這些初次接觸網絡借貸的用戶通常會過度高估自己的還款能力，從而造成過度借貸。三是過度放貸。部分網絡金融機構通過低利率、零利息分期等條件誘導消費者進行借貸。同時，在面對希望規避首付要求的借款人時，這些金融機構并未調整貸款要求與定價決定。然而，當借款人的違約風險上升、信用評分下降時，這些機構也沒有及時地調整貸款到期時間與貸款收益率。以上問題最終都將對家庭債務水平產生重大影響。

同時，我國家庭債務水平近年來處于快速上升通道。2020 年9 月末，世界主要國家居民杠桿率統計數據顯示，中國以61. 1%的居民杠桿率位居全球前列，高于全球新興經濟體53. 9%的平均水平①。尤其是新冠疫情的全球性暴發，各國通脹壓力增大、失業率增高引起的家庭現金流中斷使得家庭財富、家庭短期與長期償債能力降低，從而導致還款壓力增大，家庭債務水平增加。當家庭債務水平過高時，可能提高銀行金融風險、影響政府償債能力，區域性金融風險（王海軍等，2023）。現有文獻對家庭債務成因研究主要基于家庭微觀特征、房地產市場、金融發展等方面。在家庭微觀特征方面，研究發現受教育年限（謝綿陛，2018）、家庭成員性別（ 胡金焱和宋唯實，2018）、家庭人口結構（ 謝太峰等，2022）、家庭收入水平（伍再華等，2017）、家庭凈財富（ De Stefani， 2020） 等均會對家庭債務情況產生影響。在房地產市場方面，周廣肅和王雅琦（2019）等人研究發現房地產價格上升顯著地推高了家庭杠桿率。任國英等人（2020） 研究發現，家庭持有住房的數量會影響家庭借貸購買耐用消費品的決策，從而影響家庭債務水平。在其他方面，研究表明數字金融（王海軍和楊虎，2022）、金融發展水平（伍再華和張雄，2016）、信息發展水平（Snchez， 2018）、貨幣政策（張棟浩和王棟，2022）等也會在一定程度上對家庭債務水平造成影響。然而，現有文獻雖然部分涉及了互聯網發展對家庭債務水平影響研究，但是缺乏微觀視角的具體分析和影響機制的深入探討。

為此，本文基于北京大學中國家庭追蹤調查（CFPS） 數據，構建了互聯網使用對家庭債務水平影響的微觀計量模型。與現有文獻相比，本文邊際貢獻在于：第一，使用CFPS 中的微觀數據構建了互聯網使用以及家庭債務水平測度指標，并利用網絡借貸與網絡支付的調節效應模型，研究互聯網使用影響家庭債務水平的具體作用機制， 為研究家庭債務風險成因提供了新的微觀證據。第二，對互聯網使用進行了細化分類，具體分為互聯網使用廣度與互聯網使用強度，并分析了互聯網使用不同類型對家庭債務水平的具體效應，深化了互聯網使用經濟后果的研究文獻。第三，驗證了地域特點、經濟發展、家庭學歷與財務等因素對互聯網使用影響家庭債務水平的異質性特征，為家庭債務水平的風險治理對策提供了經驗證據。

1 理論分析與研究假設

1.1 互聯網使用對家庭債務水平的影響分析

移動互聯網、大數據、人工智能、云計算、物聯網等新一代信息技術的發展，深刻影響著家庭的投資、消費、就業等經濟行為，進而影響家庭的資產配置和負債決策（ Bank for International Settlements， 2018），可能帶來家庭債務規模的上升。首先，從信息不對稱理論角度看，互聯網技術發展極大降低了家庭信息搜尋成本和交易成本。家庭成員在使用互聯網時能夠接觸更多商品與服務信息，借助大數據技術應用，互聯網平臺精準營銷打破了時空的物理界限，有針對性地增加了人們消費需求，尤其在疫情期間，線上消費有力地支撐了家庭的基本需求。因此，互聯網使用增大了家庭舉債消費空間。其次，從技術創新理論角度看，互聯網的普及帶來了新職業、新崗位、新業態和新經濟，是數字經濟社會建設的基石，為家庭成員多樣化擇業和創新創業提供了可能，而創新創業存在顯著的融資約束，互聯網的發展顯著減輕了這種約束，家庭對互聯網的使用促進了其對金融機構的借貸，來提高家庭創業的概率，因此家庭從事創新創業可能帶來籌資規模的上升，增加家庭債務水平（周廣肅等，2018）。最后，互聯網使用通過削弱家庭償債能力來增加家庭債務水平。目前已有研究表明，互聯網使用通過降低交易成本提高了家庭投資金融風險資產的概率（ 周廣肅等，2018）。家庭對風險資產進行投資可能造成較大程度的虧損，顯著地降低了家庭償債能力。同時互聯網使用提升了家庭風險偏好，家庭成員互聯網使用頻率越高，風險偏好提升的程度越大（張世虎和顧海英，2020），從而可能導致家庭危機意識的降低，增加家庭債務水平。基于此，本文提出假設1。

假設1： 互聯網使用顯著提高了家庭債務水平。

1.2 互聯網使用對家庭債務水平影響的機制分析

基于前述分析，互聯網的不當使用會造成過度消費、過度借貸、過度放貸等嚴重后果。互聯網使用會通過網絡借貸與網絡支付的渠道對家庭債務水平產生間接影響。

1. 互聯網使用對網絡借貸和網絡支付的影響

一是在網絡借貸方面，相比于傳統的金融借貸服務，網絡借貸憑借互聯網得天獨厚的優勢而更受借款者的青睞。互聯網平臺替代了傳統金融機構的實體網點和體力勞動，互聯網金融的去中介化可以縮短借貸者的融資過程從而降低交易成本。同時互聯網技術在數字金融上的應用使得更多的人能夠接受到數字金融服務，擴展了借貸者可行交易集，使以前不可能的交易成為可能（ Xieand Zou，2012），使許多缺乏金融知識、無法識別和承擔風險的借款者更容易取得貸款（Xie et al. ，2016）。研究顯示，互聯網普及率越高的地區，網絡借貸市場的需求越大，地區內網貸平臺數量增長越快（江嘉駿等，2020）。同時互聯網金融在填補傳統金融對農村地區家庭、低收入家庭等金融服務缺失方面取得了巨大的效果，數字金融能夠有效緩解農戶的金融排斥問題，增加農村居民對信用卡等金融服務的使用（陳寶珍和任金政，2020）。因此互聯網使用在非正規金融不可觸及的時候，能夠顯著改善信貸約束，增加家庭信貸需求（ 尹志超和張號棟，2018）。

二是在網絡支付方面，互聯網發展誕生的數字金融導致微信、支付寶等移動支付服務的不斷壯大，使居民能夠更高效、便捷地取得金融服務（ 張勛等，2020）。互聯網技術發展帶來了支付方式的創新。在數字金融中，移動支付和在線支付被廣泛用來降低交易成本。同時移動支付使消費者打破時間與空間的制約，提高了消費的便利性（尹志超等，2022）。2019 年年底國內疫情暴發更加體現出互聯網支付的重要性，疫情期間線下購物渠道受阻，移動支付成為居民購物支付的主要方式。而在后疫情時代，為促進消費復蘇，各地政府相繼為市民分發消費券。2022 年1 月至2022 年6 月底，全國20 余個城市累計發放消費券總額超100 億元，消費券的發放促進了居民對移動支付的使用。中國互聯網絡信息中心于2022 年2 月25 日發布的《第49 次中國互聯網絡發展狀況統計報告》中的數據顯示，受益于微信、支付寶等第三方支付機構覆蓋率的擴大以及數字人民幣的推廣，截至2021 年年底，中國使用網絡支付的用戶數量達到9. 04 億，占中國網民總數的87. 6%。網絡購物用戶數量8. 42 億，占網民總數的81. 6%①。

2. 網絡借貸與網絡支付對家庭債務水平的影響

一是在網絡借貸方面，一方面數字金融會通過網絡借貸對正規借貸的替代性來增加家庭對非正規貸款的需求，提高了家庭對正規信貸的約束（ 潘爽等，2020）。而非正規的網絡借貸主要是在虛擬世界中進行的，因此認證借款人身份與信用狀況的難度增大。借款人可能會構造虛假的個人信息與信用狀況，使得互聯網金融平臺無法有效地識別借款人的資產水平與償債能力，從而貸出超出借款人自身經濟能力的款項，這增加了網絡貸款用戶出售家庭資產償還貸款的可能性，提高了家庭債務水平（ Wamalwa，2019）。同時自律能力相對較差的家庭很可能會超支和過度借貸。如果不加以控制，這可能會引發信貸市場的債務危機（Agarwal and Chua，2020）。另一方面，網絡貸款平臺的借款年利率遠大于傳統金融機構借款年利率，這意味著網貸平臺用戶在借款后需要支付更多的利息，無疑提高了用戶的家庭債務水平。

二是在網絡支付方面，網絡支付由于剔除了現金，具有降低支付透明度與支付痛苦感的特點，促使消費者更傾向于網絡消費。研究顯示，年輕群體相比于老年群體有著更超前的消費觀。根據尼爾森數據分析公司發布的《2019 年中國年輕人負債狀況報告》，在年輕人中，互聯網分期產品的滲透率超過六成，并且有42. 9%的年輕人偏好或只購買互聯網分期產品。為了迎合年輕人消費偏好，提高消費者的滿足度，消費平臺逐步推出如“花唄” “白條” 以及“金條” 等賒銷和分期付款服務。消費者在進行網絡購物行為時會受到“心理賬戶”影響，在消費過程中會權衡收益與損失來獲得最高的滿足度（ Thaler，1985）。而在雙通道“心理賬戶”的作用下，消費者在分期購物時有著更強烈的購物欲望，導致消費者進行過度消費和超前消費等一些非理性消費行為（吳水龍等，2020）。賒購和分期付款的方式增加了家庭成員的負債額，使得家庭負債水平上升。基于上述分析，本文提出假設2。

假設2： 互聯網使用推動了網絡借貸和網絡支付，并通過這兩種渠道提高了家庭債務水平。

1.3 互聯網使用對家庭債務水平影響的異質性

在互聯網普及的進程中，不同國家、地區、社區、群體之間，由于信息技術和互聯網應用的發展、普及以及接受程度不同造成的信息落差被稱為數字鴻溝。首先，從獲取信貸能力來看，數字鴻溝會降低家庭債務的可得性（ 尹志超等，2021）。同時，由于數字鴻溝的存在，數字金融對不同居民的影響存在區別。一方面數字金融為能夠獲得互聯網服務的居民帶來便利與機會，擠出那些不能接觸到互聯網的居民可能得到的機會（何宗樾等，2020），另一方面數字金融對城鎮家庭的金融服務取得能力影響有限，對農村家庭金融可得性的影響較大（ 王修華和趙亞雄，2022），從而使不同家庭取得貸款的能力產生了差異。其次，從償債能力來看，互聯網使用對農村家庭的收入效應與對城鎮家庭的收入效應不同（程名望和張家平，2019）。同時不同城市的經濟發展水平存在差異，這使得家庭所在地區的互聯網普及度與家庭財務水平存在一定的異質性，并且這種異質性能夠通過家庭對互聯網依賴度與信任度的不同來影響家庭消費水平以及金融資產配置水平（王智茂等，2020），因此互聯網使用對城鄉居民以及發展程度不同的城市家庭的償債能力與債務水平影響也不相同。所在地區發展程度高的家庭更容易接觸多樣化互聯網服務，從而影響家庭債務水平。最后，從對家庭風險的識別來看，能夠有效識別債務風險的家庭，會嚴格控制家庭債務以及資產水平，將債務水平控制在可償還的范圍內，同時偏好選擇正規的金融機構進行借貸行為，避免資不抵債而形成債務風險，增加家庭金融脆弱性。研究顯示，家庭成員平均學歷高的家庭因為有豐富的金融知識儲備，更偏好正規的信貸需求（尹志超等，2015）。通過金融知識方面的教育可以影響家庭資產配置，積累財富，增加收入的穩定性（單德朋，2019），并以此來降低家庭債務水平。因此本文提出假設3。

假設3： 互聯網使用對家庭債務的影響會因地區發展水平、家庭收入水平、家庭資產水平與家庭受教育水平等差異表現出異質性特征。

2 研究設計

2.1 數據來源

本文樣本和數據來自中國家庭追蹤調查（ CFPS）2012 年至2018 年間4 次抽樣調查數據，以及北京大學普惠金融中心發布的中國數字普惠金融發展指數中的部分數據。CFPS 的樣本覆蓋中國除香港、澳門、臺灣、新疆、西藏、青海、內蒙古、寧夏和海南之外25 個省、市和自治區的16000 戶家庭各個方面的數據。在數據的篩選及處理方面，通過對數據庫缺失變量進行插補以及剔除了嚴重的缺失變量，最終得到了42468 條有效樣本。

2.2 變量選取

1. 因變量

參考蔡兆瑞等（2022）、王海軍和楊虎（2022） 研究思路，本文構建了兩個因變量來反映家庭微觀層面的債務水平，分別是家庭資產負債率（DAR）與家庭負債總額（debt）。其中家庭資產負債率（ DAR） 為家庭債務總額與家庭總資產之比，主要反映家庭長期償債能力。家庭資產負債率越高，長期償債能力越弱，家庭債務水平則越高。家庭資產負債率反映了家庭債務水平的相對水平。而家庭負債總額（debt） 為家庭房貸負債與非房貸負債之和，反映了家庭債務總規模，家庭債務總規模越高，家庭還款壓力則越大。家庭負債總額反映了家庭債務水平的絕對水平。上述指標均從CFPS 數據庫中計算獲得。

2. 自變量

本文的自變量來自CFPS 調查問卷中“ U. 手機與網絡模塊”。為了量化互聯網使用概念，本文界定了互聯網使用廣度和使用強度兩個維度的解釋變量。互聯網使用廣度方面，本文將CFPS 中“是否電腦上網”與“是否移動上網”合并得出是否使用互聯網（Use） 的虛擬變量，上網為1，否則為0。該變量最直觀地體現了家庭是否進行互聯網使用。互聯網使用強度方面，構造使用頻率、支出深度和使用渠道三個細分指標。其中，使用頻率指標采用根據CFPS 調查問卷中“業余上網時間” 回答結果進而得到每周人均上網時間小時數（ Time）;支出深度指標采用根據問卷中“網上購物花費額” 回答結果進而得到人均網上購物花費額（Ons）;使用渠道指標采用根據問卷中“是否移動上網” 回答結果進而得到家庭移動上網比（phone）。

3. 調節變量

根據前述理論分析和研究假設，本文構建了兩個微觀家庭層面的調節變量。參考姜富偉等（2021）類似做法，將CFPS 調查問卷中“互聯網作為信息渠道的重要程度”的五檔回答結果從“非常不重要”至“非常重要”分別賦值為1～5，分別與北京大學數字金融研究中心發布的數字普惠金融系列指數中的每個家庭所在省份的信貸業務指數與數字化指數兩個指標相乘，得到家庭信貸業務指數（Cre）與家庭數字化指數（Dig） 作為網絡借貸和網絡支付兩個調節變量的代理變量。上述兩個調節變量將普惠金融指數的信貸業務指數①與數字化指數②從省市級層面的宏觀變量轉化為家庭層面的微觀變量，更好地和被解釋變量與解釋變量相匹配。因此構造后的家庭信貸業務指數與家庭數字化指數表明網絡貸款普及程度與網絡支付使用程度越高的城市中，家庭越重視互聯網使用，越傾向于使用網絡借貸與網絡支付。

4. 控制變量

根據已有文獻資料與研究需要，本文選取以下控制變量。（1） 家庭成員平均年齡（age）;（2）家庭成員中成年女性占比（gender）;（3）家庭成員中大專以上學歷占比（ education）; （ 4） 家庭成員中就業占比（ job）; （ 5） 家庭收入水平（income）;（6）家庭婚姻狀況（ marry）;（7） 家庭戶口所在地（ regis）;（8） 家庭房產數量（house）;（9）房地產指數（Res）;（10）地區生產總值（GDP）;（11）地區信貸增速（credit）;（12）地區金融化程度（ finance）。上述變量中的（1） ～（8） 均由CFPS 2012 年至2018 年的數據計算得出，（9） ～（12）為宏觀層面經濟數據，來源為國家統計局的分省年度數據。以上變量及其具體說明如表1 所示。

2.3 描述性統計

表2 為上述全部變量的描述性統計。為了使數據更具真實性，使回歸分析結果更加合理科學，因此在回歸之前對數據進行了進一步處理，剔除了極度異常的家庭收入水平、家庭總負債，僅保留DAR 中0～100 的取值。上表根據描述性統計，42468 條觀測值中標準差最高值為13. 044，最低為0. 215，均在正常范圍以內。同時對所有變量進行方差膨脹因子（ VIF） 分析，其中VIF 最大值為4. 22，最小值為1. 03，模型的VIF 均值為2. 94，均在可接受范圍0～10 之間。并且對所有變量進行了相關系數分析，結果表明變量整體不存在嚴重的多重共線性。

2.4 模型設計

1. 基準回歸模型

由于被解釋變量中存在大量的0 值，本文在基準回歸中使用了Tobit 模型。Tobit 模型是應對被解釋變量連續分布卻集中于0 值上情況的最佳模型。本文基準回歸使用Tobit 隨機效應模型，并固定了年份效應、省份效應與城鄉效應。構造基準回歸模型（1）：

2. 調節效應模型

為研究互聯網使用對家庭債務的影響機制，本文加入了互聯網使用變量與調節變量的交互項來構建調節效應模型，模型如下：

3 實證分析

3.1 基準回歸

表3 為模型（1）的基準回歸結果。由于使用Tobit 模型，回歸系數為影響系數，僅有符號上的意義，不能表示邊際效應，因此為了對比三種強度指標的影響強弱，本文對回歸系數均進行了邊際效應轉換。其中，回歸結果（1） ～（2） 為因變量與互聯網使用廣度的邊際效應，回歸結果（3） ～（4）為因變量與互聯網使用強度的邊際效應。回歸結果（1） ～（2） 顯示互聯網使用廣度對家庭資產負債率和家庭債務總額的影響均在1%水平上顯著為正，相比于不使用互聯網的家庭，使用互聯網的家庭資產負債率與家庭總負債分別增加0. 185%與0. 196%。互聯網使用強度指標對家庭債務水平同樣存在顯著影響。回歸結果（3） ～（4）顯示，互聯網使用頻率每增加1%， 家庭資產負債率與家庭總負債結果分別提高0. 125%與0. 813%。互聯網支出深度每增加1%，家庭資產負債率與家庭總負債分別提高0. 020%與0. 092%。互聯網使用渠道每增加1%，家庭資產負債率與總負債分別提高0. 486%與0. 935%。說明互聯網支出深度與使用渠道的增加均會提升家庭債務水平。對比三種強度指標的邊際效應絕對值可以看出，互聯網使用渠道對因變量影響大于互聯網使用頻率與互聯網支出深度對因變量的影響（0. 486gt;0. 125gt;0. 020;0. 935gt;0. 813gt;0. 092），表明移動上網占比對家庭債務水平的影響要大于家庭人均上網時間與家庭人均網購額對家庭債務的影響。綜上所述，本文的研究假設1 成立。

控制變量方面，家庭成員平均年齡對家庭資產負債率與家庭債務總額的影響均顯著為負，說明家庭成員的平均年齡越高，家庭債務水平越低。家庭老齡化程度越重即家庭成員平均年齡越大的家庭，家庭債務杠桿水平越低。謝太峰等（2022）的研究發現，女性占比對家庭債務總額的影響為負，表明女性占比越高的家庭負債越低。造成該結果的主要原因為在網絡借貸中，女性借款者的借貸意愿明顯低于男性借款者（胡金焱和宋唯實，2018）。家庭成員大專以上學歷占比對家庭資產負債率的影響并不顯著，對家庭債務總額的影響顯著為負，表明家庭成員平均學歷越高，家庭負債總額越低。通常低學歷的家庭成員由于金融素養較低，可能對貸款成本的理解出現偏差從而進行過度借貸（ Li et al. ，2020）。家庭成員就業率對因變量的影響均顯著為負，這說明家庭成員就業率越高，家庭債務水平越低。家庭收入水平對家庭資產負債率的影響顯著為負，說明家庭收入水平越高的家庭，家庭債務水平的相對水平越低，但家庭收入水平對家庭債務總額的影響顯著為正，說明收入水平越高的家庭越有意愿舉債。家庭婚姻狀況對家庭債務水平的影響為正，根據譚本艷等人（2022） 的推測，已婚家庭承受的經濟壓力更大，因此家庭債務水平也越大。家庭戶口所在地結果表明，農村戶口家庭相比于城鎮戶口家庭具有更高的債務水平。研究表明，農村家庭與城鎮家庭相比具有更大的債務風險（張正平等，2023）。住房數量結果表明，住房數量越多的家庭，家庭債務水平越高。地區GDP 對家庭資產負債率與家庭債務總額的影響為正，表明所在地區GDP 越高的家庭，債務水平越低。房地產指數對因變量的影響部分顯著并且均負相關，表明所在地區商品房價格越高的家庭，債務水平越低。最后，信貸增速和金融化程度對家庭資產負債率和債務總額的影響均顯著為正，表明信貸擴張和金融化程度加深，在一定程度上加重了家庭債務水平。

3.2 機制檢驗

根據計量模型（2），表4 為引入調節變量后，互聯網使用通過調節變量影響家庭債務水平的實證結果。其中第1～2 列是引入調節變量家庭信貸業務指數與互聯網使用廣度交互項的邊際效應，第3～4 列是引入調節變量家庭數字化指數與互聯網使用廣度交互項的邊際效應。表中交互項的系數均顯著為正，說明對于頻繁使用網絡借貸與網絡支付的家庭，互聯網使用廣度對家庭債務水平的提高作用要更強。第（5） ～（6）列為引入調節變量家庭信貸業務指數分別與互聯網使用頻率、互聯網支出深度、互聯網使用頻率交互項的邊際效應，第（7） ～（8）列是引入家庭數字化指數分別與互聯網使用頻率、互聯網支出深度、互聯網使用頻率交互項的邊際效應。可以看出，交互項回歸系數同樣顯著為正，說明更傾向于使用網絡借貸與網絡支付的家庭，互聯網使用強度對家庭債務水平的提高作用更強。

以上結果表明，互聯網使用通過網絡支付和網絡信貸兩種渠道對家庭債務水平發揮了調節效應。因此，本文假說2 基本成立。

3.3 異質性檢驗

本文樣本來源于CFPS 數據庫，該數據庫包含全國25 個省、區、市的家庭數據，具有地域覆蓋范圍廣、區域跨度大的特點。同時，由于地區的經濟發展不平衡，處于不同地區的家庭本身也存在較大差異。因此，為了考察互聯網使用對家庭債務水平的異質性特點，將樣本重新進行分組回歸。從地理位置角度劃分：（1）根據家庭所在地域的不同，將樣本家庭分為環渤海地區家庭、長三角地區家庭、泛珠三角地區家庭以及其他地區家庭;（2）根據家庭所在地區類型的不同，將樣本家庭分為城鎮家庭和鄉村家庭。此外，根據不同省份的發展水平來劃分：（3）根據家庭所在省份的互聯網發展程度不同，將樣本家庭分為低互聯網普及率省份家庭（互聯網普及率排名后50%） 和高互聯網普及率省份家庭（ 互聯網普及率排名前50%）;（4）根據家庭所在省份的發展水平不同，將樣本家庭分為低GDP 省份家庭（ GDP 排名后50%） 和高GDP 省份家庭（ GDP 排名前50%）。最后，從家庭學歷與財務層面來劃分：（5）根據家庭學歷不同，將樣本分為高學歷家庭（家庭有大專以上學歷成員）和低學歷家庭（家庭無大專以上學歷成員）;（6）根據家庭年總收入不同，將樣本家庭分為低收入家庭（年總收入后50%）和高收入家庭（年總收入前50%）;（7）根據家庭總資產不同，將樣本家庭分為低資產家庭（總資產排名后50%）和高資產家庭（總資產排名前50%）。按如上分組，使用家庭總債務作為被解釋變量重新進行回歸，回歸結果如表5 ～表7 所示。

表5 為地域和城鄉分組回歸結果。從地域分組結果可以看出，互聯網使用廣度和互聯網使用渠道兩個變量對家庭債務水平的影響在四個地區均較為顯著。而互聯網使用頻率和互聯網支出深度對家庭債務水平的影響僅在環渤海地區與長三角地區顯著，在泛珠三角地區與其他地區并不顯著，但邊際效應的估計參數值為正，說明互聯網使用頻率和互聯網支出深度對泛珠三角地區與其他地區家庭債務水平可能存在一定影響。但導致這兩個地區不顯著的原因可能在于，泛珠三角地區所覆蓋的省份內部差異相對較大（ 該區域既有廣東、香港、澳門這種高度發達地區，也有云南、貴州這樣欠發達地區） ，互聯網發展程度和家庭經濟狀況極不均衡，互聯網使用頻率和互聯網支出深度這兩項指標的差異也更大，因此導致而互聯網使用頻率和互聯網支出深度這兩個指標對家庭債務水平的影響不明顯。而其他地區是除了上述三個地區之外的中國其他省份，無論是互聯網發展程度還是經濟金融發展程度均相對欠發達，也可能存在上述同樣現象。從城鄉分組來看，互聯網使用對鄉村戶口家庭的債務水平僅存在部分影響，而對城鎮戶口家庭債務水平則存在顯著影響。相關研究表明，城鄉二元結構導致城市與農村的發展不平衡，金融服務錯配嚴重，因此導致城市地區互聯網使用對家庭債務水平的影響顯著（ 張正平等，2023）。此外，組間差異p 值表明，地域分組與城鄉分組的組間差異是顯著的。

表6 為根據省份發展水平分組的回歸結果，從互聯網發展分組可以看出，互聯網普及率高的地區較互聯網普及率較低的地區，估計系數的絕對值更大，同時也更為顯著，說明互聯網使用對家庭債務水平的影響力度在高互聯網普及率地區更大。根據GDP 分組則顯示，互聯網使用對家庭債務水平的影響在高GDP 省份影響力度大，說明在高GDP 地區，家庭對互聯網的使用更能明顯地增加家庭債務水平，并且組間差異具有顯著性。

表7 為通過家庭學歷與財務狀況分組重新回歸得到的結果。家庭學歷分組的結果顯示，互聯網使用廣度與互聯網使用頻率對家庭債務水平的影響在高學歷家庭中為負，在低學歷家庭中顯著為正，說明高學歷家庭通過互聯網使用能夠降低家庭債務水平。同時互聯網支出深度對家庭債務水平的影響在低學歷家庭中顯著，在高學歷家庭中不顯著。造成該結果的原因是，受教育程度高的家庭成員使用互聯網工作、學習以及社交的頻率更高，因此積累了人力資本與社會資本來獲得更高的收入水平，收入水平提升降低了家庭成員舉債意愿，從而降低了家庭債務水平，而且受教育程度較高的家庭成員通過互聯網進行網絡購物的行為相對較少（張國勝和吳晶，2021）。通過家庭收入分組的結果可以發現，互聯網使用廣度對家庭債務水平的影響在高收入家庭為負，在低收入家庭為正。說明高收入家庭通過互聯網使用能夠降低家庭債務水平，而低收入家庭通過互聯網使用會提高家庭債務水平。有研究表明，相比于高收入家庭，低收入家庭借貸概率與借貸規模都更大（伍再華等，2017）。同時低收入家庭在購物時更傾向于使用賒購、分期購物與信用卡等增加家庭債務水平的方式，張曉紅等人（2017）經過研究發現，收入水平低的家庭更愿意使用信用卡進行線下線上支付，從而抬高家庭債務水平。家庭資產分組結果顯示總資產較低的家庭，互聯網使用對家庭債務的影響顯著性較低，而高資產家庭，隨著互聯網使用的增加，可能會顯著影響家庭債務水平。同時，對于低資產與低收入的家庭，互聯網使用渠道對家庭債務的影響程度要大于對低資產與低收入家庭的影響，說明低資產與低收入家庭更傾向于通過移動互聯網進行網絡借貸與成本更低的網絡支付。

綜上所述，本文的假設3 基本成立。

3.4 內生性檢驗

1. 工具變量檢驗

互聯網使用與家庭債務可能存在反向因果關系而導致內生性問題，本文采取了工具變量法進行內生性檢驗。考慮到工具變量所需要的相關性與外生性，本文構造了三個工具變量，即通過互聯網普及度（ Inc） 作為互聯網使用頻率的工具變量，省內快遞網點總數（Esp）作為互聯網支出深度的工具變量，分省移動電話普及率（Phc）作為互聯網使用渠道的工具變量。互聯網普及度數據來源于中國互聯網絡信息中心每年發布的互聯網普及率， 其中2018 年數據根據2010—2016 年數據的平均增長率計算得出;快遞網點數與移動電話普及率來源于國家統計局各年度統計年鑒。三個工具變量選取原因如下：互聯網普及度反映了地區網絡普及的成果，家庭對互聯網的使用時間要依賴于地區的互聯網普及度，地區的互聯網普及度越高，家庭對互聯網的使用頻率越高;快遞網點數反映了各省份快遞網絡的發達程度，快遞網絡越發達，網絡購物的成本越低，家庭越傾向通過網絡購物替代傳統線下購物;移動電話普及率是移動上網的前提，省內移動電話普及率越高，居民使用電話進行包括上網在內的各項活動的占比越大，這滿足了工具變量的相關性要求。而三個工具變量本身不會直接影響家庭債務水平，與其他內生變量以及誤差項均無相關關系。采用兩階段最小二乘法構建模型如下：

2. 傾向得分匹配法（PSM）

使用傾向得分匹配法的數據處理方法能夠有效降低數據的自選擇偏差。將使用互聯網的家庭設為實驗組，不使用互聯網的家庭設為對照組，并且通過模型選出家庭平均年齡、房地產指數、家庭總資產與家庭就業占比作為協變量，通過使用半徑匹配的估計方法來進行匹配。根據表9，半徑匹配的平均處理效應為0. 960，t 值為32. 010，在1%的水平上顯著。表10 顯示了平衡性檢驗結果，匹配后標準偏差絕對值均小于10%，表明經過匹配后，兩組無顯著差異，協變量選取以及匹配效果較好，再次證明了本文的基準回歸是穩健的。

3.5 穩健性檢驗

1. 滯后期回歸

因為家庭成員通過互聯網進行長期過度的借貸與消費行為，逐漸累積并提高了債務水平，導致互聯網使用對家庭債務水平的影響可能存在時滯。因此在基準回歸的基礎上，本文加入了解釋變量的1 期滯后和2 期滯后來進行穩健性檢驗。因為CFPS 數據庫2 年更新一次，所以每期滯后時間為2 年，變量名稱分別為Use2、Use4、Time2、Time4、Ons2、Ons4、phone2、phone4。表11 的滯后期回歸結果顯示，滯后1 期的互聯網使用變量對家庭債務水平的影響依然在10%的顯著性水平上顯著。其中，互聯網使用廣度與互聯網使用頻率對家庭債務的邊際效應較基準回歸增大，但是互聯網支出深度對家庭資產負債率的影響略微減小。當解釋變量滯后2 期時，互聯網使用廣度僅對家庭資產負債率顯著，對家庭債務總額不再顯著，互聯網使用渠道對家庭資產負債率的影響仍然在10%的顯著性水平上顯著。但是，互聯網使用頻率與互聯網支出深度對家庭資產負債率與債務總額的影響則不再顯著。由此可以看出互聯網家庭人均上網時間與人均網購額對家庭債務的影響會隨著時間逐漸減弱，但移動上網對家庭債務的影響幾乎不會隨著時間減弱。因此，互聯網使用廣度與互聯網使用強度對家庭債務水平在當期以及滯后1～2 年內都有著很強影響，互聯網使用渠道對家庭債務的影響在3～4 年內依然明顯。

2. 變量替換

本文家庭債務水平主要由家庭資產負債率與家庭負債總額表示，其中家庭資產負債率反映了家庭相對債務水平，家庭負債總額反映了家庭的絕對債務水平。為了進一步檢驗互聯網使用對家庭債務的影響，本文運用了代表家庭長期償債能力和償債水平的金融資產負債率（ FDAR） （ 王海軍和楊虎，2022），反映家庭短期償債能力的家庭債務收入比（DTI）以及房貸資產負債率（HDAR）與非房貸資產負債率（NHDAR） 來進行穩健性檢驗。上述數據均通過CFPS 數據庫中2012—2018 年的相關數據計算得到。具體的回歸結果如表12 所示。第（1） ～（2）列顯示，互聯網使用對金融資產負債率與家庭債務收入比的影響均十分顯著。其中，互聯網使用對家庭債務收入比的邊際效應與基準回歸中對家庭資產負債率相應的邊際效應差別不大。第（3） ～（4） 列表明互聯網使用對非房貸資產負債率影響更加顯著，這可能是因為家庭主要通過互聯網增加消費貸款等非房貸負債來影響家庭債務水平。變量替換結果表明，基準回歸有較強的穩健性。

3. 樣本重組

本文樣本取自2012 年至2018 年，考慮到我國的互聯網普及率，網絡貸款以及網絡支付比例是逐步擴大的，并在2014—2015 年得到快速發展。因此，本文通過將樣本重組至2014—2018 年的分樣本數據進行穩健性檢驗，回歸結果如表13 所示。第1～2 列顯示，除去2012 年樣本后互聯網使用頻率與互聯網支出深度對家庭資產負債率的影響依舊顯著，并較基準回歸中邊際效應略微增大。第3～4 列顯示，互聯網使用對家庭負債總額的影響依然顯著，并且回歸系數同樣變大。根據樣本重組結果，說明本文的基準回歸結果具有較強的穩定性。

4 結論與政策建議

本文基于2012—2018 年CFPS 的42468 條微觀抽樣數據，研究了互聯網使用對家庭債務水平的影響與作用機制。結論如下：第一，互聯網使用在總體上提高了家庭債務水平。其中，互聯網使用頻率、互聯網支出深度與互聯網使用渠道均能顯著提高家庭債務水平;第二，網絡借貸與網絡支付在互聯網使用影響家庭債務水平過程中發揮了明顯調節作用;第三，異質性檢驗發現，互聯網使用對家庭債務水平在環渤海地區與長三角地區家庭、城鎮地區家庭、高資產與低學歷家庭中有顯著正向影響，在高互聯網普及率地區家庭、高GDP 地區家庭以及高收入家庭中影響力度更強;第四，穩健性檢驗結果表明，互聯網使用頻率與互聯網支出深度對家庭債務的影響在當期以及滯后1 期時影響明顯。此外，通過更換變量、樣本重組、工具變量與傾向得分匹配法進行穩健性檢驗以及內生性檢驗，結果依然支持本文結論。基于此，本文提出如下政策建議：

第一，降低家庭債務水平，防止家庭債務風險外溢。2012 年至2020 年間，我國住戶部門杠桿率上升42. 5%，住戶存貸比也增加了27. 6%，為避免住戶部門高杠桿積累后出現金融風險，金融監管部門要穩定家庭部門杠桿率。此外，要防止住戶部門杠桿風險跨領域傳播，穩定樓市價格，防止政策變動導致樓市資金杠桿斷裂并快速傳至金融與非金融機構。與此同時，當住戶部門杠桿率快速上升時，政府應當引導居民消費需求，防止杠桿風險導致非貿易部門和貿易部門間的資源錯配（袁歌騁和潘敏，2021）。

第二，加強數字金融監管，創新監管方式，提高監管水平。重點監管移動手機端借貸與助貸平臺，明確借貸平臺用戶審核制度與貸款制度，防止借款人通過虛假身份信息進行借貸，同時減少無抵押無擔保的網絡貸款，避免貸款超出申請人還款能力。通過媒體報道數字金融業務風險讓貸款者可以獲得更加全面客觀的信息，同時加強被監管機構的信息透明度（ 沈艷和王靖一，2021）。嚴格管理以避免網絡消費購物平臺作為助貸平臺、增加用戶賒購額度、在購物平臺中插入借貸信息等行為，從而切斷消費者進行過度借貸消費的途徑。

第三，加強互聯網普及與教育，努力消除數字鴻溝。政府應提升互聯網普及率，增加互聯網接入端口數量，尤其提升農村地區互聯網絡的滲透率，從而增加不同區域家庭接受數字服務機會。政府應當明確數字不平等產生的根本原因，解決家庭收入不平等的問題，對于身處數字鴻溝的家庭進行重點關注和精準幫扶（陳夢根和周元任，2022）。同時，對老年人進行數字技能培訓，為大學生開設相關課程以及講座，幫助學生識別非正規貸款，了解過度借貸、超前消費等方式的危害。

參考文獻

蔡兆瑞， 丁騁騁， 蔡曉慧. 2022. 子女性別結構如何影響家庭負債[J]. 財貿經濟，

43（4）： 113-128.

Cai Z R， Ding C C， Cai X H. 2022. How does the gender of children affect

household debt？ [ J]. Finance amp; Trade Economics， 43 （ 4）： 113-128. （ in

Chinese）

陳寶珍， 任金政. 2020. 數字金融與農戶： 普惠效果和影響機制[J]. 財貿研究， 31（6）：

37-47.

Chen B Z， Ren J Z. 2020. Digital finance and farm households： Inclusive effects

and mechanisms[J]. Finance amp; Trade Economics， 31（6）： 37-47. （in Chinese）

陳夢根， 周元任. 2022. 數字不平等研究新進展[J]. 經濟學動態，（4）： 123-139.

Chen M G， Zhou Y R. 2022. Latest research progress on digital inequality[ J].

Economic Perspectives， （4）： 123-139. （in Chinese）

程名望， 張家平. 2019. 互聯網普及與城鄉收入差距： 理論與實證[J]. 中國農村經

濟，（2）： 19-41.

Cheng M W， Zhang J P. 2019. Internet popularization and urban-rural income gap：

A theoretical and empirical analysis[J]. Chinese Rural Economy， （2）： 19-41. （in

Chinese）

鄧東升， 陳釗. 2019. 互聯網金融風險與投資者風險意識———來自網貸平臺交易數

據的證據[J]. 財貿經濟， 40（2）： 101-113.

Deng D S， Chen Z. 2019. The risk of internet finance and the risk awareness of

investors： Evidence from transaction data of P2P online lending platforms [ J].

Finance amp; Trade Economics， 40（2）： 101-113. （in Chinese）

郭偉棟， 周志中， 乾春濤. 2022. 手機App 列表信息在信用風險評價中的應用———

基于互聯網借貸平臺的實證研究[J]. 中國管理科學， 30（12）： 96-107.

Guo W D， Zhou Z Z， Qian C T. 2022. Application of mobile app list in evaluating

borrowers credit risk-an empirical analysis of an online lending platform [ J].

Chinese Journal of Management Science， 30（12）： 96-107. （in Chinese）

何宗樾， 張勛， 萬廣華. 2020. 數字金融、數字鴻溝與多維貧困[J]. 統計研究， 37（10）：

79-89.

He Z Y， Zhang X， Wan G H. 2020. Digital finance， digital divide， and

multidimensional poverty[J]. Statistical Research， 37（10）： 79-89. （in Chinese）

胡金焱， 宋唯實. 2018. 借貸意愿、融資效率與違約風險———網絡借貸市場參與者

的性別差異研究[J]. 東岳論叢， 39（3）： 52-61.

Hu J Y， Song W S. 2018. The willingness to borrow， financing efficiency and

default risk—A study on gender difference of P2P loan participants[ J]. Dongyue

Tribune， 39（3）： 52-61. （in Chinese）

姜富偉， 馬甜， 張宏偉. 2021. 高風險低收益？ 基于機器學習的動態CAPM 模型解

釋[J]. 管理科學學報， 24（1）： 109-126.

Jiang F W， Ma T， Zhang H W. 2021. High risk low return？ Explanation from

machine learning based conditional CAPM model [ J]. Journal of Management

Sciences in China， 24（1）： 109-126. （in Chinese）

江嘉駿， 高銘， 盧瑞昌. 2020. 網絡借貸平臺風險： 宏觀驅動因素與監管[J]. 金融

研究， （6）： 152-170.

Jiang J J， Gao M， Lu R C. 2020. Risk of online lending marketplace： Macro factors

and regulation[J]. Journal of Financial Research， （6）： 152-170. （in Chinese）

李政， 李鑫. 2022. 數字普惠金融與未預期風險應對： 理論與實證[J]. 金融研究，

（6）： 94-114.

Li Z， Li X. 2022. Digital financial inclusion and resilience to unanticipated shocks：

Theory and evidence [ J]. Journal of Financial Research， （ 6）： 94-114. （ in

Chinese）

林慰曾， 施心德. 2018. 互聯網消費金融： 信用錯配、修復與完善[ J]. 南方金融，

（6）： 73-81.

Lin W Z， Shi X D. 2018. Internet consumer finance： Credit mismatching， repairing

and perfecting[J]. South China Finance， （6）： 73-81. （in Chinese）

潘爽， 魏建國， 胡紹波. 2020. 互聯網金融與家庭正規信貸約束緩解———基于風險

偏好異質性的檢驗[J]. 經濟評論， （3）： 149-162.

Pan S， Wei J G， Hu S B. 2020. Internet finance and household credit constraint

mitigation： Evidence based on the heterogeneity of risk preference[ J]. Economic

Review， （3）： 149-162. （in Chinese）

任國英， 汪津， 李銳. 2020. 地位尋求與城鎮家庭購買耐用消費品借貸行為的研究

[J]. 中央財經大學學報， （7）： 79-90.

Ren G Y， Wang J， Li R. 2020. Study on the status seeking and debt behavior of

urban households[J]. Journal of Central University of Finance amp; Economics， （7）：

79-90. （in Chinese）

單德朋. 2019. 金融素養與城市貧困[J]. 中國工業經濟， （4）： 136-154.

Shan D P. 2019. Financial literacy and urban poverty [ J]. China Industrial

Economics， （4）： 136-154. （in Chinese）

沈艷， 王靖一. 2021. 媒體報道與未成熟金融市場信息透明度———中國網絡借貸市

場視角[J]. 管理世界， 37（2）： 35-50.

Shen Y， Wang J Y. 2021. Media report and information transparency in immature

financial markets： The perspective of peer-to-peer lending in China[ J]. Journal of

Management World， 37（2）： 35-50. （in Chinese）

譚本艷， 吳艷， 甘子琪. 2022. 中國家庭債務風險測度及其預警研究[J]. 金融發展

研究， （12）： 38-48.

Tan B Y， Wu Y， Gan Z Q. 2022. Measurement and early warning of household debt

risk in China[ J]. Journal of Financial Development Research， （12）： 38-48. （ in

Chinese）

王海軍， 楊虎. 2022. 數字金融滲透與中國家庭債務擴張———基于房貸和消費的傳

導機制. 武漢大學學報（哲學社會科學版）， 75（1）： 114-129.

Wang H J， Yang H. 2022. Digital finance penetration and Chinas household debt

expansion transmission mechanism based on housing loans and consumtions[ J].

Wuhan University Journal （ Philosophy amp; Social Science）， 75（ 1）： 114-129. （ in

Chinese）

王海軍， 劉宇涵， 于明哲. 2023. 中國家庭債務風險的跨部門溢出效應研究[J]. 國

際金融研究， （1）： 28-39.

Wang H J， Liu Y H， Yu M Z. 2023. The cross-sectoral spillover effect of household

debt risk in China[J]. Studies of International Finance， （1）： 28-39. （in Chinese）

王修華， 趙亞雄. 2022. 數字金融發展與城鄉家庭金融可得性差異[ J]. 中國農村

經濟， （1）： 44-60.

Wang X H， Zhao Y X. 2022. The development of digital finance and differences in

financial availability between urban and rural households [ J]. Chinese Rural

Economy， （1）： 44-60. （in Chinese）

王智茂， 任碧云， 王鵬. 2020. 互聯網信息依賴度與異質性家庭消費： 金融資產配

置的視角[J]. 管理學刊， 33（2）： 52-65.

Wang Z M， Ren B Y， Wang P. 2020. Internet information dependence and

heterogeneous household consumption： A perspective of financial asset allocation

[J]. Journal of Management， 33（2）： 52-65. （in Chinese）

吳水龍， 王雪蕾， 袁永娜， 等. 2020. 分期消費下物質主義價值觀對購買意愿的影

響研究[J]. 管理學報， 17（12）： 1831-1838， 1880.

Wu S L， Wang X L， Yuan Y N， et al. 2020. Impact of consumers material values

on purchase intention under consumer installment [ J ]. Chinese Journal of

Management， 17（12）： 1831-1838， 1880. （in Chinese）

伍再華， 張雄. 2016. 城鎮化視角下收入不平等與家庭債務變動———來自中國30

個省市的數據[J]. 經濟與管理， 30（3）： 39-45.

Wu Z H， Zhang X. 2016. Income inequality and changes in household debt in the

view of urbanization—Data from 30 provinces and Cities [ J]. Economy and

Management， 30（3）： 39-45. （in Chinese）

伍再華， 葉菁菁， 郭新華. 2017. 收入不平等、社會保障支出與家庭借貸行為———

基于CFPS 數據的經驗分析[J]. 財經科學， （12）： 55-68.

Wu Z H， Ye J J， Guo X H. 2017. Income inequality， social security expenditure

and household borrowing—Evidence from CFPS data[ J]. Finance amp; Economics，

（12）： 55-68. （in Chinese）

謝綿陛. 2018. 家庭債務收入比的影響因素研究———來自于微觀調查數據的證據

[J]. 中國經濟問題， （1）： 62-72.

Xie M B. 2018. Factors influencing household debt-income ratio： Evidence from

micro survey data[J]. China Economic Studies， （1）： 62-72. （in Chinese）

謝太峰， 路偉， 劉瑩. 2022. 人口結構對家庭杠桿水平的影響[J]. 金融論壇， 27（10）： 3-

12.

Xie T F， Lu W， Liu Y. 2022. The impact of population structure on the level of

household leverage[J]. Finance Forum， 27（10）： 3-12. （in Chinese）

楊文華， 盧露， 徐斌， 等. 2021. 收入差距會提升家庭杠桿率嗎———來自CFPS 的經

驗證據[J]. 財經科學， （12）： 106-118.

Yang W H， Lu L， Xu B， et al. 2021. Does income gap increase household leverage

ratio： Evidence from CFPS [ J]. Finance amp; Economics， （ 12）： 106-118. （ in

Chinese）

尹志超， 宋全云， 吳雨， 等. 2015. 金融知識、創業決策和創業動機[J]. 管理世界，

（1）： 87-98.

Yin Z C， Song Q Y， Wu Y， et al. 2015. Financial knowledge， entrepreneurial

decision-making and entrepreneurial motivation[J]. Journal of Management World，

（1）： 87-98. （in Chinese）

尹志超， 張號棟. 2018. 金融可及性、互聯網金融和家庭信貸約束———基于CHFS

數據的實證研究[J]. 金融研究， （11）： 188-206.

Yin Z C， Zhang H D. 2018. Financial availability， internet finance and households

credit constraints： Evidence from CHFS data[ J]. Journal of Financial Research，

（11）： 188-206. （in Chinese）

尹志超， 蔣佳伶， 嚴雨. 2021. 數字鴻溝影響家庭收入嗎[ J]. 財貿經濟， 42（9）：

66-82.

Yin Z C， Jiang J L， Yan Y. 2021. Does the digital divide affect household income

[J]. Finance amp; Trade Economics， 42（9）： 66-82. （in Chinese）

尹志超， 仇化， 路慧澤. 2022. 突破消費時空限制： 通勤時間、移動支付與家庭消費

[J]. 財經科學， （4）： 92-105.

Yin Z C， Qiu H， Lu H Z. 2022. Breaking the time and space limit of consumption：

Commuting time， mobile payments and household consumption [ J]. Finance amp;

Economics， （4）： 92-105. （in Chinese）

袁歌騁， 潘敏. 2021. 家庭部門杠桿變動對經濟增長的影響分析[J]. 財貿經濟， 42（2）：

86-102.

Yuan G C， Pan M. 2021. Impacts of household sectors leverage changes on

economic growth rate [ J]. Finance amp; Trade Economics， 42 （ 2）： 86-102. （ in

Chinese）

張棟浩， 王棟. 2022. 家庭債務問題研究： 影響因素、經濟社會效應、風險評估及防

范[J]. 金融評論， 14（6）： 93-121.

Zhang D H， Wang D. 2022. Research on household debt issues： Influencing

factors， economic and social effects， risk assessment and prevention[ J]. Chinese

Review of Financial Studies， 14（6）： 93-121. （in Chinese）

張國勝， 吳晶. 2021. 數字賦能下高學歷為什么帶來了更高的工資溢價———基于

CFPS 數據的實證研究[J]. 勞動經濟研究， 9（3）： 27-46.

Zhang G S， Wu J. 2021. Why does a higher education degree bring a higher wage

premium under the digital empowerment： An empirical study with CFPS data[ J].

Studies in Labor Economics， 9（3）： 27-46. （in Chinese）

張世虎， 顧海英. 2020. 互聯網信息技術的應用如何緩解鄉村居民風險厭惡態

度？ ———基于中國家庭追蹤調查（CFPS）微觀數據的分析[ J]. 中國農村經濟，

（10）： 33-51.

Zhang S H， Gu H Y. 2020. How can the application of the internet and information

technologies alleviate rural residents risk aversion attitude？ An analysis based on the

micro data of China family panel studies[ J]. Chinese Rural Economy， （10）： 33-

51. （in Chinese）

張衛東， 卜偲琦， 彭旭輝. 2021. 互聯網技能、信息優勢與農民工非農就業[J]. 財

經科學， （1）： 118-132.

Zhang W D， Bu S Q， Peng X H. 2021. Internet technology， information advantage

and off-farm employment of rural labor—Micro evidence from the 2017 Chinese

general social survey[J]. Finance amp; Economics， （1）： 118-132. （in Chinese）

張曉紅， 朱明俠， 劉輝. 2017. 中國消費者信用卡使用的影響因素分析[J]. 蘇州大

學學報（哲學社會科學版）， 38（2）： 103-111.

Zhang X H， Zhu M X， Liu H. 2017. Analysis of the influencing factors on the use of

credit cards by Chinese consumers[J]. Journal of Soochow University （Philosophy amp;

Social Science Edition）， 38（2）： 103-111. （in Chinese）

張勛， 楊桐， 汪晨， 等. 2020. 數字金融發展與居民消費增長： 理論與中國實踐

[J]. 管理世界， 36（11）： 48-62.

Zhang X， Yang T， Wang C， et al. 2020. Digital finance and household

consumption： Theory and evidence from China[ J]. Journal of Management World，

36（11）： 48-62. （in Chinese）

張正平， 任康萍， 譚秋云. 2023. 數字金融發展與城鄉家庭債務風險差異[J]. 財經

問題研究， （3）： 80-93.

Zhang Z P， Ren K P， Tan Q Y. 2023. The development of digital finance with the

and difference debt risk of urban and rural households[ J]. Research on Financial

and Economic Issues， （3）： 80-93. （in Chinese）

鐘京東， 秦雪征， 劉沖. 2021. 互聯網使用、金融素養與金融決策———基于2013—

2017 年中國家庭金融調查的研究[J]. 經濟理論與經濟管理， 41（11）： 68-78.

Zhong J D， Qin X Z， Liu C. 2021. Internet use， financial literacy， and financial

decisions—A Study based on 2013—2017 China household finance survey [ J].

Economic Theory and Business Management， 41（11）： 68-78. （in Chinese）

周廣肅， 樊綱. 2018. 互聯網使用與家庭創業選擇———來自CFPS 數據的驗證[ J].

經濟評論（5）： 134-147， doi： 10. 19361/ j. er. 2018. 05. 10.

Zhou G S， Fan G. 2018. Internet usage and household entrepreneurship： Evidence

from CFPS[J]. Economic Review， （5）： 134-147， doi： 10. 19361/ j. er. 2018. 05.

10. （in Chinese）

周廣肅， 梁琪. 2018. 互聯網使用、市場摩擦與家庭風險金融資產投資[ J]. 金融研

究， （1）： 84-101.

Zhou G S， Liang Q. 2018. Internet usage， market frictions and household

investment on risky financial assets[ J]. Journal of Financial Research， （1）： 84-

101. （in Chinese）

周廣肅， 王雅琦. 2019. 住房價格、房屋購買與中國家庭杠桿率[ J]. 金融研究，

（6）： 1-19.

Zhou G S， Wang Y Q. 2019. Housing prices， housing demand， and the debt ratio

of Chinese households [ J]. Journal of Financial Research， （ 6）： 1-19. （ in

Chinese）

Agarwal S， Chua Y H. 2020. FinTech and household finance： A review of the empirical

literature[J]. China Finance Review International， 10（4）： 361-376.

Cherry S F， Jiang E X， Matvos G， et al. 2021. Government and private household debt

relief during covid-19[R]. Cambridge： National Bureau of Economic Research.

De Stefani A. 2020. Debt， inequality and house prices： Explaining the dynamics of

household borrowing prior to the great recession[J]. Journal of Housing Economics，

47： 101601.

Li K K， Liu D， Mai X D， et al. 2020. What drive excessive borrowing and underborrowing？

A field experiment[R]. Rochester： Social Science Research Network.

Samsudeen S N， Selvaratnam G. 2019. Consumers intention to use mobile internet

services： A Sri Lankan study[C] / /2019 3rd International Conference on Computing

and Communications Technologies （ICCCT）. Chennai： IEEE， 126-132.

Snchez J M. 2018. The information technology revolution and the unsecured credit

market[J]. Economic Inquiry， 56（2）： 914-930.

Thaler R. 1985. Mental accounting and consumer choice[J]. Marketing Science， 4（3）：

199-214.

Wamalwa P， Rugiri I W， Lauler J. 2019. Digital credit， financial literacy and household

indebtedness[ R]. KBA Centre for Research on Financial Markets and Policy

Working Paper Series. Nairobi： Kenya Bankers Association （KBA）， 1-41.

Xie P， Zou C W， Liu H E. 2016. The fundamentals of internet finance and its policy

implications in China[J]. China Economic Journal， 9（3）： 240-252.