普惠金融减贫效果研究

导语：普惠金融减贫效果研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：本文在对普惠金融测度和普惠金融减贫效果相关文献的梳理和总结归纳的基础上，选取甘肃省43个国家级贫困县作为样本，采用系统GMM法，对县域普惠金融的减贫效果展开实证分析。结论显示，普惠金融能较好地降低贫困发生率，而贫困具有固化倾向，加大了贫困地区脱贫的难度。

关键词：普惠金融；减贫效果；县域

本文以2011-2017年甘肃省43个国家级贫困县为研究对象，分析普惠金融的减贫效果，希望能为普惠金融助推脱贫攻坚提供参考。

一、文献综述

1.普惠金融的测度。在普惠金融测度相关研究方面，Sarma（2008）选取了银行渗透率、金融服务可得性与使用状况这三个层面，来测度不同国家的普惠金融发展水平[1]。Arora（2010）进一步考虑了获得金融服务的便利性和交易成本，分别从金融服务范围、交易便利性以及交易成本这三个层面对普惠金融水平进行测度[2]。Sama与Pais（2011）参考联合国HDI的做法，从地理渗透性、产品接触性与使用效用性这三个维度来建立普惠金融指数。从国内来看，我国从引入普惠金融这一概念起就对普惠金融的测度作了较多研究[3]。伍旭川、肖翔（2014）用国际组织所公布的数据，测度了全球一百多个经济体的普惠金融发展指数，并运用聚类分析法，将我国的普惠金融发展水平与其他金砖国家展开了对比分析[4]。王韦程（2015）认为要分别构建包含供、需双方以及外部因素这三个维度的分析框架，并按照该分析框架选取一系列指标，对我国普惠金融的发展情况展开了综合分析与评价[5]。焦瑾璞等（2015）在参考国际做法的基础上，结合我国的实际情况，从金融服务的可获得性、使用情况与服务质量三个维度建立指标体系，来测度我国各省份的普惠金融发展水平[6]。2.普惠金融的减贫效果。Nanda和Kaur（2016）设计了一个综合性的普惠金融指数，测算了68个国家的普惠金融发展水平，证实研究期内发展落后的国家普惠金融指数是上升的并趋同于发达地区，普惠金融指数与人类发展指数（减贫是其重要内容）具有强相关性[7]。国内的实证研究虽处于起步阶段，但大部分研究证实了普惠金融对减贫的积极影响。例如，韩晓宇（2017）对我国各省份2006-2014年间的普惠金融发展指数，并运用面板向量自回归模型进行了实证研究，结果表明我国普惠金融存在显著的减贫效应[8]。朱一鸣和王伟（2017）以2014年2018个县的截面数据为样本，利用2SLS展开实证分析，结果表明普惠金融的减贫增收效果对不同收入水平的人群存在明显差异，对贫困县的减贫增收影响显著小于非贫困县[9]。武丽娟和徐璋勇（2018）采用模糊断点回归法，选取我国27个省517个村的4023户农户微观数据，对我国普惠金融的减贫效果展开了实证分析，结果表明普惠金融对贫困减缓具有明显的正向作用[10]。Ding等（2018）分析了我国政府主导型小额信贷项目的微观作用机制，并研究了其反贫困效果[11]。基于此，本文选取2011-2017年甘肃省43个国家级贫困县为研究样本，建立动态面板数据模型，对普惠金融的减贫效果进行实证分析。

二、数据来源和变量选取

1.数据来源本文选取。2011-2017年甘肃省43个国家级贫困县为研究样本，采用的是动态面板数据。其中，银行网点数据来源于中国银监会网站公布的持有金融许可证的金融网点分布情况，贫困发生率数据来源于各县政府工作报告，其他数据来自于2011-2017年《中国县(市)社会经济统计年鉴》和《甘肃发展年鉴》。2.模型设定。根据普惠金融主要通过经济增长、收入分配等影响贫困减缓这一作用机制来设定模型。此外，基于贫困的延续性，这里参考Jeanneney和Kpodar(2008)的方法[12]，加入因变量的滞后项充当解释变量，由此得到以下模型：POVi,t=α0POVi,t-1+α1IFIi,t+α2GRPi,t+α3IGi,t+βXi,t+φi+μi+εi,t(1)其中，POV表示贫困减缓指标；IFI表示普惠金融指标；GRP表示经济增长；IG表示收入分配；X表示其他控制变量；i表示县域个体；t表示时期；φ是时间哑变量；μ是个体固定效应；ε是误差项；α和β为待估系数。因变量的滞后项充当解释变量会造成内生性问题。因此本文采用系统GMM法对模型（1）进行估计，能够消除面板数据中的固定效应的影响，同时放宽随机误差项要求服从正态分布的前提条件，也无须顾虑异方差与序列相关问题，所估计出来的参数估计量也更加有效、可靠。3.变量选取及基本统计特征。贫困指标(POV)。贫困发生率是普遍使用的贫困测度指标，具有易于理解、横纵向可比等优点。普惠金融发展水平（IFI）。本文从金融服务的可获得性、金融服务的使用情况以及效用度这三个维度来衡量。其中，金融服务的可得性用每万人所拥有的金融机构网点数量、每百平方公里金融机构网点数量来衡量；金融服务的使用情况用人均存款余额和人均贷款余额来衡量；金融服务的效用度采用贷款余额与GDP的比值以及存贷比这两个指标来进行衡量。然后参考黄倩（2019）测度普惠金融指数的方法[13]，来测度甘肃省县域普惠金融发展指数(IFI)。经济增长(GRP)。在面板数据实证研究中，一般采用人均国内生产总值与实际人均国内生产总值来表示经济增长水平。鉴于本文在控制变量中采用了通货膨胀，这里采用人均地区生产总值来表示经济增长。收入分配指标(IG)。基于县域数据的可获得性，这里用城镇居民人均可支配收入与农村居民人均纯收入的比值来表示。其他控制变量(X)。主要包括：产业结构(IND)，由于贫困群体大多居住在农村，其收入来源一般来自第一产业，所以用第一产业增加值/地区生产总值来测度；通货膨胀(CPI)，用居民消费价格指数来测度；城镇化水平(URB)，用城镇人口/总人口来测度；财政支出水平(GOV)，基于县域数据的可获得性，这里用财政支出与地区生产总值的比值来衡量。为了减少变量由于内生性、异方差等产生的影响，上述的变量都采用对数形式来计算。各变量的定义以及描述性统计如表1所示。

三、实证结果分析

1.普惠金融的减贫效果分析。系统GMM中工具变量的有效性检验主要有：Sargan检验，若其P值大于0.1，则所有工具变量都没有内生性问题；序列相关检验，若AR（2）的P值大于0.1，说明扰动项的二阶序列不相关；若系统广义矩估计值介于固定效应估计和混合估计的估计值之间，则系统GMM估计值是一致且无偏的（Bond，2001）。表2中前3列分别为模型（1）的混合估计、固定效应估计与系统GMM估计结果。第3列中因变量滞后项的影响系数估计值为0.941，介于固定效应估计影响系数估计值的0.805与混合回归估计影响系数估计值的0.982之间，且系统广义矩估计结果的Sargan检验与AR(2)的P值都大于0.1，说明运用系统广义矩估计法进行估计得到的估计值是可靠、有效的。从第3列中系统广义矩估计结果来看，贫困发生率滞后项的影响系数高度显著并且都大于0.8，说明贫困具有固化和持续性，因为贫困群体缺乏长期可持续的自我脱贫、自我发展的能力，导致陷入贫困陷阱难以自拔。而普惠金融和经济增长变量与贫困发生率的影响系数都显著为负，说明普惠金融发展水平的提高以及经济的增长均能有效降低贫困，其中，普惠金融对贫困发生率的回归系数为0.352，表明普惠金融指数每上升一个百分点，能促进贫困率降低0.352个百分点；收入分配与贫困减缓正相关，表明城乡收入不平等差距的拉大会扩大贫困面。2.稳健性检验。为了进一步检验普惠金融降低贫困发生率这一关系的稳健性，加入控制变量进行稳健性检验，在表2中的4至7列中依次加入如下控制变量：产业结构、通货膨胀率、城镇化水平以及财政支出水平，第8列为整体估计。结果显示，这些控制变量的加入并没有改变普惠金融降低贫困发生率的相关关系。此外，由控制变量的影响系数可以看出，产业结构与财政支出水平的提高能够促进贫困发生率的降低，但通货膨胀和城镇化对贫困发生率具有扩大作用。

四、研究结论

本文以甘肃省43个国家级贫困县为样本，采用系统GMM法，对县域普惠金融的减贫效果展开了实证分析，结论显示：第一，普惠金融显著、稳健地有利于降低贫困发生率。第二，经济增长对贫困发生率具有显著的降低作用，为贫困地区减缓贫困提供了现实基础；收入分配对贫困发生率有扩大作用。控制变量中，产业结构和财政支出能够降低贫困发生率，但通货膨胀和城镇化会扩大贫困面，但均存在影响不显著问题。第三，贫困发生率变量的滞后项高度显著且回归系数均大于0.8，说明甘肃作为典型的贫困地区，贫困具有固化倾向，从而加大了贫困地区脱贫的难度。

作者:李露丹 单位:宁波大学