作为数字金融行业的领先者,近来蚂蚁集团的“上市风波”让高杠杆率、金融风险、国家监管等词再次成为社会各界广泛关注的焦点。据悉,蚂蚁集团2020年上半年总营收的39%来自家庭消费贷款业务①,这得益于数字金融的发展。数字金融最大的优点是其普惠性,作为数字技术和金融的结合体,具有覆盖广泛、触达便捷、政策靶向性强、边际成本近乎为零等独特优势,对于家庭杠杆率产生了积极影响。再加上繁重的房贷压力等使得家庭部门杠杆率迅速攀升,这被视为我国金融系统中潜在的“灰犀牛”问题(周广肃、王雅琦,2019)。快速增长的家庭杠杆率也会放大宏观经济的脆弱性,给宏观经济与金融稳定带来隐忧,甚至可能引发系统性金融风险(马建堂等,2016;庄毓敏、张祎,2020)。
① 资料来源:蚂蚁集团招股书。
从目前的实际情况来看,我国居民家庭一直处于加杠杆通道。在以国内大循环为主的双循环发展格局下,家庭加杠杆有利于扩大消费,增强消费对经济发展的基础性作用,推动经济由投资和外需拉动的增长向以消费为主的内需拉动的增长转型(潘敏、荆阳,2018;张雅淋等,2019)。然而,过高的家庭杠杆率对消费的刺激作用有限,制约微观主体理性决策,且存在较大的债务风险(上海财经大学高等研究院课题组,2018;周广肃、王雅琦,2019)。基于此,2015年12月中央经济工作会议将“去杠杆”作为供给侧结构性改革“三去一降一补”的五大任务之一。2018年4月中央财经委员会第一次会议提出“以结构性去杠杆为基本思路,努力实现杠杆率稳定和逐步下降”。2019年4月中央政治局会议强调要“坚持结构性去杠杆,在推动高质量发展中防范化解风险”。在此背景下,从数字金融发展视角研究家庭部门杠杆率迅速攀升的原因,对防范化解债务风险、推进结构性去杠杆和必须要守住不发生系统性金融风险的底线具有一定的理论价值和现实意义。
在宏观和微观数据可得性日益提高的情况下,国内外学者开始对家庭部门杠杆率急速攀升的“前因”与“后果”进行研究。“前因”方面,经济发展水平、城市化进程、金融深化程度、住房价格、储蓄率、通货膨胀率、金融素养、信贷可得性、居民消费的时间偏好、不确定性外部冲击等被认为是影响家庭部门加杠杆的重要因素(Casoloro et al., 2006;Mian and Sufi, 2013;刘哲希等,2019;周广肃、王雅琦,2019;贾立等,2020;隋钰冰等,2020)。“后果”方面,研究较多的是杠杆率上升所产生的经济效应,包括收入分配效应、消费效应、资产配置效应、家庭与企业债务交互式负反馈效应等,以及高杠杆率对金融稳定与系统性金融风险的影响(Dynan and Edelberg, 2013;Yao et al., 2015;马建堂等,2016;潘敏、刘知琪,2018;上海财经大学高等研究院课题组,2018;刘晓光等,2019;张雅淋等,2019;陈洋林等,2019;周利、易行健,2020)。
这些文献整体刻画了家庭杠杆率上升的“前因”和“后果”,但尚未有文献直接考察数字金融发展对家庭杠杆率的影响和具体机制。图 1显示了2011年以来数字金融发展与家庭杠杆率之间的关系,从图上不难发现二者具有明显的正相关关系,也即说明家庭杠杆率的上升与数字金融的发展几乎处于同一时期。那么,数字金融的迅速发展是否能够显著提升样本期内中国家庭的杠杆率呢?存在什么样的影响?是否具有动态效应?在不同的群体中是否存在异质性及可能的影响机制?本质而言,数字金融泛指传统金融机构与互联网公司利用数字技术实现融资、支付、投资和其他新型金融业务模式(黄益平、黄卓,2018),其借助大数据、云计算、区块链和人工智能等信息技术,改善传统金融中由于信息不对称而产生的高风险溢价和高运营成本问题(唐松等,2020),为拓展金融的服务范围和触达能力提供了稳定的技术支撑(郭峰等,2016)。通过互联网科技与金融行业的结合,以信息技术为支撑的数字金融可以缓解信贷约束、减少信息不对称、降低交易成本和优化资源配置(谢平、邹传伟,2012)。从而极大提升金融资源的可利用性,尤其是改善那些被传统金融机构排斥的弱势群体的金融服务可得性(何婧、李庆海,2019)。正因为此,数字金融发展为家庭负债提供了可能。如在日常的交易情境中使用蚂蚁借呗、微粒贷、P2P等进行小额借贷,这类小额借贷审核手续简单,不需要任何抵押物。再加上居民消费观念的转变,债务作为消费平滑的工具之一,满足了越来越多居民家庭的大额资产购置与跨期消费需求(庄毓敏、张祎,2020),进一步激发了家庭负债性消费。
![]() |
图 1 2011-2018年数字金融发展与中国家庭杆杆率 数据来源:上海财经大学高等研究院、北京大学数字金融研究中心。 |
本研究主要与两类文献相关,一类是研究家庭杠杆率上升的“前因”和“后果”,这类文献上述已经论述。而更丰富的文献则集中于数字金融领域。有关数字金融的研究,众多学者从多个维度出发对此展开探讨。第一类研究主要关注数字金融的相关概念与内涵(谢平、邹传伟,2012;黄益平、黄卓,2018);第二类研究侧重于探究数字金融对传统金融的影响,包括对银行业务(郑志来,2015)、银行效率(沈悦、郭品,2015)、银行风险承担(刘忠璐,2016)、货币政策传导(战明华等,2018)等方面的影响;第三类研究重点关注数字金融发展所产生的经济效应,包括减贫效应研究(黄倩等,2019;郑志强,2020)、对实体经济或经济增长的作用(张勋等,2019;钱海章等,2020)、缩小城乡差距的直接和间接机制(周利等,2020;宋晓玲,2017)、创新创业的机理(万佳彧等,2020;唐松等,2020;谢绚丽等,2019;何婧、李庆海,2019)、刺激消费(周利、易行健,2020)、家庭金融资产配置(周雨晴、何广文,2020)等方面;第四类侧重于探讨数字金融与金融风险、金融监管的关系(黄益平、黄卓,2018;朱家祥等,2018)。可见,通过以上文献总结发现,尚未有学者对数字金融发展如何影响家庭杠杆率这一问题进行系统性探讨,而本文恰恰从这一角度弥补了现有文献的缺失,给出了一个近年来家庭杠杆率急剧攀升的一个解释,并且试图识别不同类型家庭的差异性影响和动态效应。
除了估计数字金融发展对家庭杠杆率的整体影响效果之外,本文的另一个核心问题是讨论数字金融发展影响中国家庭杠杆率的传导渠道。通过对已有文献的梳理,我们推测数字金融发展可能从以下几个方面对家庭加杠杆产生影响。第一,提升金融资源的可获得性,缓解家庭所面临的流动性约束。一方面,数字金融发展通过信息技术,降低了信息不对称程度和金融服务门槛,破解了长期存在的金融服务不足和金融排斥问题(何婧、李庆海,2019)。与传统金融业务模式相比,数字金融更注重规模效应和尾部效应,已有数据的积累降低了开拓相关业务的边际成本,经营模式的互联网化也使得数字金融的覆盖范围不受时间和空间的限制(钱海章等,2020),从而扩大家庭信贷资金的来源范围。另一方面,数字金融发展带来了金融工具的多样性,金融工具的多样化为家庭加杠杆提供了可能。除金融机构在产品和模式上的创新外,快速发展的互联网金融公司的网络贷款也增加了家庭加杠杆意愿(李晓嘉,2018),成为家庭负债性支出不可或缺的一部分。第二,在金融资源可得性提高的情况下,便利性的支付手段可能会导致家庭更多的非计划负债。数字金融发展带来了支付方式的变革,特别是支付宝、微信等移动支付方式的出现,居民参与商业活动的频率和金额均得到大幅度提升(何宗樾、宋旭光,2020)。移动支付与储蓄卡、信用卡、微信钱包、支付宝钱包、蚂蚁借呗、京东白条等多种支付渠道相关联(王晓彦、胡德宝,2017),其使用的便利性和消费者“心理账户”效应可能导致非计划负债的增加(尹志超等,2019)。第三,降低家庭面临的不确定性,增加当期负债意愿。按照预防性储蓄假说,当经济个体面临收入的不确定性越大时,其越不可能按照随机游走来消费,更倾向于减少消费,那么当期负债性消费也会相应减少。数字保险作为数字金融的核心业务,在分担风险、降低损失不确定性等方面发挥着重要的支撑作用,有助于提升家庭抗风险的能力,降低未来现金流的不确定性(何宗樾、宋旭光,2020),进而提升家庭当期负债意愿。
鉴于此,本文基于2014年、2016年和2018年中国家庭追踪调查(CFPS)微观数据和中国数字普惠金融指数数据,系统考察数字金融发展对家庭杠杆率的影响和动态效应,并进一步探索可能的影响机制。本文可能的贡献主要在以下三个方面:一是研究视角上。从数字金融视角给出了家庭杠杆率急速上升的一个解释,不但丰富了家庭杠杆率的相关研究,也扩展了数字金融在经济领域的应用,是对现有研究的一个补充;二是研究内容上。文章既考察了数字金融发展对个体家庭杠杆率的影响,在此基础上,也实证检验了数字金融发展影响家庭杠杆率的具体作用渠道,对其作用机制进行初探,从而丰富了两者之间的传导机制研究。本文在全面把握我国家庭整体杠杆率的同时,也考虑了数字金融发展对家庭杠杆率的异质性影响;三是研究方法上。为了克服潜在的内生性,尝试使用不同的稳健性检验方法和工具变量进行内生性处理,使得结论更加可靠。
本文余下结构安排如下:第二部分介绍数据来源、变量选取与模型设定;第三部分汇报实证分析结果;第四部分探讨数字金融发展对家庭杠杆率的异质性影响;第五部分检验数字金融发展影响家庭杠杆率的传导机制;最后给出本文结论与研究启示。
二、数据来源、变量选取与模型设定 (一) 数据来源本文主要使用了四个方面的数据,第一部分数据来自国家统计局,主要为宏观经济变量。第二部分数据来自樊纲、王小鲁和朱恒鹏编写的“中国分省份市场化指数报告(2018)”,用以衡量各省份市场化程度。第三部分数据来自北京大学数字金融研究中心编制的“中国数字普惠金融指数”。该指数的空间跨度包含省级、城市和县域三个层级,参考已有研究的惯常做法,如谢绚丽等(2018)、张勋等(2019)、唐松等(2020),本文也使用省级层面的数字金融数据。详细指标说明和指数编制过程请参阅郭峰等(2016)的做法。第四部分数据来自2014年、2016年和2018年北京大学中国社会科学调查中心的中国家庭追踪调查(CFPS)数据库。该数据是两年一期的跟踪调查数据,旨在通过收集个体、家庭和社区三个层面的数据,反映我国经济社会等方面的变迁。CFPS样本共覆盖25个省、市、自治区①,每期样本规模约为16000户,包含家户中全部的家庭成员信息,是一个比较有代表性的全国家庭调查数据。其问卷类型共有四种,社区卷、家庭卷、成人卷及少儿卷,我们主要使用的是家庭卷和成人卷。因两者属于不同层次的数据,我们用stata15进行了数据合并,并假定家庭年长者为户主,经剔除空白值、缺失值、不知道以及拒绝回答等无效数据后,最终获得能够提供有效信息的样本21, 920个。
① 除港澳台地区、新疆、西藏、青海、内蒙古、宁夏、海南。
(二) 变量选取与统计性描述1.被解释变量:家庭杠杆率。遵循已有研究的惯常做法(潘敏、刘知琪,2018;周广肃、王雅琦,2019),本文用贷款总额比家庭总收入来衡量家庭杠杆水平。其中,贷款总额既包括从银行部门进行的贷款,也包括从亲戚朋友和民间组织得到的借款。CFPS调查问卷中对应的问题是“您家待偿银行贷款额”和“待偿亲友及民间借款”。
2.核心解释变量:数字普惠金融指数。本文选取中国数字普惠金融指数作为数字金融发展的代理变量,该指数已经被广泛认可并应用于分析中国数字金融发展程度,反映了数字技术助力金融发展的总体情况和变化趋势(傅秋子、黄益平,2018),具有相当的代表性和权威性。为了检验估计结果的可靠性,我们也使用了三个二级分类指数覆盖广度、使用深度、数字支持服务程度进行稳健性测试。对于覆盖广度,主要根据地区支付宝账户数量编制而成,是数字金融的覆盖人群的评价指标。对于使用深度,衡量的是地区实际使用互联网金融服务的频率等。第三个是数字支持服务程度,侧重于考察地区数字金融的便利性和效率(谢绚丽等,2019)。图 2显示了2011-2018年中国数字普惠金融指数及其分指数的演变趋势,可以看出,不管是总指数还是各分指数整体都呈现出上升之势。
![]() |
图 2 2011-2018年数字普惠金融指数及其分指数 资料来源:郭峰、王靖一、王芳、孔涛、张勋、程志云, 2020, “测度中国数字普惠金融发展: 指数编制与空间特征”,《经济学季刊》,第4期。 |
3.控制变量。参考已有文献,本文还加入了其他影响家庭杠杆率的变量。这些变量的加入,可在一定程度上减少遗漏变量问题。具体包括户主特征变量、家庭特征变量、宏观经济变量及其他控制变量。首先是户主特征变量,包括户主性别、年龄、年龄平方项、户籍、婚姻状态、受教育程度、健康状况、风险偏好①、是否电脑上网、是否手机上网。一般来说,偏好风险、经常使用手机、电脑上网的家庭更容易借贷,家庭杠杆率可能较高。其次是家庭特征变量,包括是否自有房屋、房屋数量、是否创业、当前工作状态、家庭资产水平。与无自有房屋、无创业和有工作的家庭相比,拥有房屋、创业和无工作的家庭更可能负债。家庭资产水平也是影响家庭杠杆率的重要因素,家庭资产水平越高,家庭杠杆率越低。因此,本文加入了一个衡量家庭资产水平的变量,即用您家现金及存款总额来代表家庭资产水平。再者是宏观经济变量,包括人均GDP、市场化程度、金融深化程度。从家庭负债作为一种金融活动来看,经济发展程度越高、金融体系越完善、市场化和金融深化程度越高,居民家庭利用负债进行跨期资产配置、平滑消费的可能性和便利性就越大(庄毓敏、张祎,2020),从而家庭的杠杆率也就越高。因此,本文加入了人均GDP、市场化程度和金融深化程度三个宏观变量。最后为了控制杠杆率的时间趋势和区县个体差异,本文还加入了时间固定效应和区县固定效应。上述具体变量的定义与描述性统计如表 1所示。
① CFPS问卷中给出了相关风险试验,1.直接获得100元;2.扔硬币,如果结果是正面数字得200元,结果是反面则什么也得不到。若选择直接获得100元,则为风险规避者;若选择仍硬币,则为风险爱好者。
![]() |
表 1 主要变量的定义与描述性统计 |
1.基准模型的设定。为了验证数字金融发展对家庭杠杆率的影响,本文设定了如下反映数字金融发展与家庭杠杆率关系的面板固定效应检验模型:
$ {\rm{ }}Debtratio{{\rm{ }}_{it}} = {\alpha _1} + {\alpha _2}{\rm{ }}ln {\rm{ }}\left({Digita{l\_f}inanc{e_{it}}} \right) + {\alpha _3}{X_{it}} + {\delta _t} + {\mu _v} + {\varepsilon _{it}} $ | (1) |
其中,Debtratioit为家庭杠杆率;ln(Digital_financeit)为数字金融发展的对数值,α2是本文重点关注的系数,显著为正,表明数字金融发展提升了家庭杠杆率。反之,则抑制了家庭杠杆率;Xit为控制变量,包括户主特征变量、家庭特征变量、宏观经济变量;δt为控制时间趋势的固定效应;μv为区县固定效应;εit为随机扰动项。
2.中介效应模型的设定。为了有效揭示数字金融发展影响家庭加杠杆的传导机制,借鉴Baron and Kenny(1986)、杨克文、何欢(2020)提出的中介效应检验方法,设定如下依次递归模型来检验中介变量的中介效应:①检验数字金融发展对家庭杠杆率的影响,如果数字金融发展的系数显著,表明数字金融发展对家庭杠杆率具有显著影响,同时,进行下一步骤的检验;②检验数字金融发展对中介变量的影响,如果数字金融发展的系数显著,说明数字金融发展能够影响中介变量;③在步骤①的基础上加入中介变量,如果中介变量的影响显著,同时数字金融发展的系数相对于步骤①中的系数变小或不显著,表明中介变量具有部分或全部的中介效应。按照上述检验思路,本文设定如下识别检验模型:
第一步,检验数字金融发展是否影响家庭杠杆率。
$ {\rm{ }}Debtratio{{\rm{ }}_{it}} = {\alpha _1} + {\alpha _2}ln \left({Digita{l\_f}inanc{e_{it}}} \right) + {\alpha _3}{X_{it}} + {\delta _t} + {\mu _v} + {\varepsilon _{it}} $ | (1) |
第二步,检验数字金融发展是否影响中介变量。
$ Intervenin{g\_v}ariabl{e_{it}} = {\alpha _1} + {\alpha _2}ln \left({Digita{l\_f}inanc{e_{it}}} \right) + {\alpha _3}{X_{it}} + {\delta _t} + {\mu _v} + {\varepsilon _{it}} $ | (2) |
第三步,将数字金融发展和中介变量同时加入模型。
$ Debtratio{{\rm{ }}_{it}} = {\alpha _1} + {\alpha _2}ln \left({Digita{l\_f}inanc{e_{it{\rm{ }}}}} \right) + Intervenin{g\_v}ariabl{e_{it{\rm{ }}}} + {\alpha _3}{X_{it{\rm{ }}}} + {\delta _t} + {\mu _v} + {\varepsilon _{it{\rm{ }}}} $ | (3) |
其中,Intervening_variableit为中介变量;剩余变量含义与(1)式相同。
三、实证结果分析 (一) 基准回归结果分析表 2给出了数字金融发展对家庭杠杆率的估计结果。其中,第(1)-(3)列为基准面板固定效应模型的估计结果,第(4)-(5)列为工具变量法的估计结果。所有模型均控制了宏观经济变量、时间固定效应和区县固定效应。由第(1)-(3)列面板固定效应模型的估计结果可知,在依次控制户主特征变量和家庭特征变量后,数字金融发展的估计系数依然在1%的显著性水平上为正,这表明数字金融发展显著促进了家庭杠杆率的提升。以表 2的第(3)列为例,从数量上看,数字金融发展每增加1%,将促使家庭杠杆率上升0.0058%,具有显著的统计和经济意义。
![]() |
表 2 数字金融发展对家庭杠杆率的影响 |
此外,需要说明的是,基准模型的估计可能无法有效解决模型中存在的遗漏变量或互为因果问题。家庭杠杆率在受到数字金融发展影响的同时,家庭加杠杆本身也会反过来影响数字金融发展。这是因为家庭在加杠杆的同时,或许使互联网朝着更便利与低成本的方向进步,进而促进数字金融的发展。为了解决以上问题,一方面,我们尽可能多地纳入控制变量,如户主特征变量、家庭特征变量及宏观经济变量;另一方面,参考傅秋子、黄益平(2018)、张勋等(2019)研究中的方法,选取家庭所在地区与杭州的距离作为数字金融发展的工具变量,并采用IV进行估计。由于我们选取的工具变量并不随时间而变化,这使得通常的第二阶段估计失效。据此,根据何宗樾、宋旭光(2020)的研究,将工具变量与省级层面的数字金融指数均值进行交互,作为新的具有时间变化效应的工具变量。我们认为这一变量满足工具变量的相关性和外生性两个条件:首先,以支付宝为代表的数字金融发展在杭州起源,杭州的数字经济发展在全国处于领先位置,可以预期,在地理上距离杭州越近,数字金融的发展程度应该越高。其次,尽管数字金融的主要实现形式在线上,其发展程度仍受地理空间因素影响,且呈现出与杭州相距越远则推广难度越大的特点(傅秋子、黄益平,2018),因而在一定程度上满足工具变量相关性条件。最后,这一地理距离并不会直接影响家庭加杠杆,因而满足工具变量外生性的条件。综上分析,本文所构造的工具变量具有一定的合理性。后文中还将在估计中给出具体的检验结果,对工具变量做进一步说明。
表 2的第(4)-(5)列也给出了工具变量法的估计结果。从第一阶段的回归结果可知,家庭距离杭州的距离与数字金融发展显著负相关,这意味着距离数字金融发展中心越远,数字经济的发展水平越低,与我们的预期相符。且弱工具变量F统计量的值远大于10,表明所选择的工具变量与内生解释变量之间是高度相关的,因此可以排除弱工具变量的可能性。第二阶段的回归结果显示,数字金融发展的系数在10%的显著性水平上仍然为正,该回归结果与基准模型的回归结果在方向上保持一致,这表明在使用工具变量克服了潜在的内生性问题后,数字金融发展仍然显著提高了家庭杠杆率。由此,综合以上各模型的回归结果,发现数字金融发展确实为家庭加杠杆提供了途径。
(二) 稳健性检验通过以上的回归分析,发现数字金融发展对家庭杠杆率会产生显著的正向影响,但对这一发现还需谨慎,为进一步检验基准模型的可靠性,本文运用不同的策略对基准模型的估计结果进行进一步分析。首先,上述分析我们采用的是中国数字金融发展总指数,由于总指数由覆盖广度(支付宝账户数量、绑定银行卡的数量)、使用深度(支付、信贷、保险、投资、征信)和数字支持服务程度(便利性、金融服务成本)三个二级分类指标合成。因此本文进一步分析了数字金融哪些层面的发展促进了家庭加杠杆。本部分将利用总指数的三个二级指标对家庭杠杆率进行回归分析,以检验基准回归中总指数的显著性与符号是否发生显著变化。其次,中国的直辖市存在较大的经济特殊性,数字金融发展、家庭杠杆率等活动也可能存在不同。对此,借鉴唐松等(2020)的研究做法,本文删除了直辖市的样本重新进行回归检验。再者, 文章选取不同的数据库,中国劳动力动态调查(CLDS)数据,中国家庭金融调查(CHFS)数据,并运用相同的变量重新对数字金融发展与家庭杠杆率的关系进行检验。最后,中国家庭的借贷来源主要有两类,一类是银行部门的贷款,另一类是亲友及民间借贷。在中国人情社会的背景下,民间借贷也是构成家庭借贷来源的重要组成部分(周广肃、王雅琦,2019)。因此本文将家庭总债务拆分成银行贷款和亲友及民间借贷两部分,分别计算杠杆率并进行回归,以区分哪种贷款类型驱动了家庭加杠杆。
表 3给出了三个分指数的检验结果,经验结果显示,不管是覆盖广度、使用深度还是数字化程度都对家庭杠杆率产生了显著的正向影响。这一结果与基准模型相比,无论是显著性还是符号均无发生明显变化。表 4给出了其他稳健性检验策略的估计结果。表 4的第(1)-(3)列显示,在剔除了直辖市样本、使用不同的数据库后,得出了与基准模型、分指数回归基本一致的结论。表 4的第(4)-(5)列显示,数字金融发展通过刺激家庭从银行部门的贷款和民间借贷,抬升了中国家庭的杠杆率。综上,通过不同策略的稳健性检验之后,数字金融发展能够显著提升家庭杠杆率的这一研究结论具有相当的稳健性。
![]() |
表 3 稳健性检验一:各分指数对家庭杠杆率的影响 |
![]() |
表 4 稳健性检验二:不同策略方法对家庭杠杆率的影响 |
数字金融已经渗透到人们生活的方方面面,特别是移动支付的出现,与高铁、共享单车、网购一并称为新时代的“四大发明”(尹志超等,2019)。从现有的日常应用场景来看,移动支付、数字信贷、数字保险、数字投资、数字征信等数字产品不断涌现,其与居民生活深度融合,不但只在短期意义上对家庭加杠杆具有重要影响,抑或能为家庭长期加杠杆提供可能,这也是在结构性去杠杆背景下政策制定者需要关注的重点内容之一。基于此,为了检验数字金融发展对家庭杠杆率的动态影响,参考黄锐等(2019)的研究,本文将数字金融指数进行滞后处理。基本思路为:以2018年的数据为基准,保持基于2018年数据的被解释变量和除数字金融发展外的解释变量不变,用基于2013-2017年的数字金融发展变量替换2018年的对应变量,以此来刻画数字金融发展的动态影响。
最终估计结果如表 5所示。不难发现,在数字金融发展滞后的1-5期中,核心解释变量数字金融发展的系数除2015年之外都至少通过10%的显著性检验,从而证实了数字金融发展对家庭杠杆率长期影响的存在性。从估计系数来看,0.5945>0.3891>0.3670>0.3599。这表明随着数字经济的兴起,数字金融对家庭杠杆率的影响将会越来越大。
![]() |
表 5 数字金融发展对家庭杠杆率的影响:动态效应 |
已有研究发现,住房过度消费是居民杠杆率快速攀升的主要原因,占居民总负债的60.8%①。一方面,住房的消费和投资双重属性助推了家庭负债和杠杆率的上升,作为消费品给家庭提供基本的生活要素,满足消费需求,作为投资品给家庭带来收益和增值(杨赞等,2014)。由于我国房地产价格近十年来一直处于上升通道,家庭对房屋的升值预期可能会使家庭借债炒房的意愿增强,甚至出现过度负债。另外,国内居民投资渠道相对匮乏,买房成为家庭实现财富保值增值的一种理性选择(周广肃、王雅琦,2019)。另一方面,随着城镇化的推进和房地产市场的发展,住房刚性需求增大,不断上涨的房价加之相对宽松的货币政策增加了住房需求,尤其是按揭贷款利率的下调,更多家庭和个人涉足房地产市场,使得房贷规模迅速上升(周广肃、王雅琦,2019)。除了住房负债之外,近年来消费贷和经营贷的负债比重也迅速上升,成为家庭杠杆率上升的重要因素。这主要归因于数字金融发展所带来的金融可得性的提升,扩宽了借贷资金的来源范围,且借贷成本较低,满足了家庭日常负债的需要。为了验证数字金融发展对哪一部分借贷类型的影响最大,本文将家庭总杠杆分解成房贷、装修贷、消费贷和经营贷四个部分,分别进行回归,以考察数字金融发展对家庭杠杆率的异质性影响。表 6给出了不同借贷类型的估计结果。结果发现,数字金融发展对装修贷的影响并不显著,而对房贷、消费贷和经营贷的影响在1%的显著性水平为正,这表明数字金融的发展主要作用于房贷、消费贷和经营贷上,进而提升家庭的杠杆率。
① https://www.sohu.com/a/272444748_556378。
![]() |
表 6 数字金融发展对家庭杠杆率的影响:分借贷类型 |
以上我们对数字金融发展如何影响家庭杠杆率进行了详细讨论,但是并没有完全回答数字金融发展对不同群体影响的异质性问题。由于家庭本身的自然属性和社会属性等方面的差异,可能会产生不同的影响效果。因此,考察数字金融发展与家庭杠杆率的关系在不同群体中的异质性,具有重要的现实意义。本部分分别从家庭所属区域、年龄和城乡等不同角度考察数字金融发展的异质性影响。选择家庭所属区域、年龄和城乡三个角度进行异质性分析的原因在于,数字金融发展与家庭杠杆率在三者之中表现出较大的差异性。从家庭所属区域来看,东部地区经济较为发达,科技创新能力强,则表现出较高的数字金融发展程度和家庭杠杆率,中部地区次之,西部地区最低;从年龄分层来看,不同年龄段群体使用数字金融和面临的家庭杠杆率也不相同。一般来说,中青年群体接受新事物的能力强,特别是对新技术的应用能力。数字金融作为数字技术与金融的结合体已被广大中青年群体所接受,同时,这一群体也面临着较大的借贷压力,尤其是房贷,故而无论是对数字金融的理解还是面临的家庭杠杆率都比少年群体和老年群体更大;从城乡来看,城市总是比农村表现出更高的数字金融发展程度和更高的家庭杠杆率,具有显著差异。因此,本部分选择从这三个角度进行异质性分析。表 7汇报了估计结果。
![]() |
表 7 数字金融发展对家庭杠杆率的影响:分区域、年龄、城乡分析 |
对于区域层面的异质性来说,表 7的第(1)-(3)列显示,无论是东部地区群体还是中西部地区群体,数字金融发展都能够显著提升他们的家庭杠杆率。从系数上看,西部(2.7045)>中部(1.5765)>东部(0.5666),这表明家庭杠杆率的提升主要体现在中西部地区。不难理解的是,数字金融最大的优点是其普惠性,因而对所有区域家庭的杠杆率都具有显著性影响。整体来看,各区域数字金融发展的系数在显著性方面并不差异,但在系数大小方面,数字金融发展对家庭杠杆率的影响具有区域异质性。特别地,数字金融发展对中西部地区群体的家庭杠杆率影响程度更大。
对于年龄层面的异质性来说,我们将样本划分为25岁以下、25-55岁和55岁以上三个年龄段。这种划分与我们的整个生命周期相符,25岁以下或55岁以上可能对数字金融发展与家庭杠杆率并不敏感。属于第二个年龄组的受访者即将或已经步入社会,参与了劳动力市场,与年轻群体相比,他们并不是初学者,而是积累经验,这一群体对数字金融的认知程度和面临的家庭杠杆率是社会最真实的反映。最后一个年龄组的群体即将或者已经退出劳动力市场。表 7的第(4)-(6)列显示,数字金融发展对25岁以下和55岁以上那部分群体的影响并不显著,而对25-55岁这部分群体具有显著的正向影响。这表明数字金融发展显著提升了25-55岁这部分群体的家庭杠杆率。一般来说,25岁以下和55岁以上这部分群体的偿债能力较弱,负债动机意愿不强,导致数字金融发展对这部分群体的影响不显著。整体来看,数字金融发展对家庭杠杆率的影响具有年龄异质性。特别地,数字金融发展对25-55岁这部分群体的家庭杠杆率影响程度更大。
对于城乡层面的异质性来说,表 7的第(7)-(8)列显示,数字金融发展对城市和乡村两个群体都具有显著的正向影响,这一结果也是数字普惠金融的应有之义。与此同时,从它们的系数来看,农村群体的系数大于城市群体的系数(0.6365>0.3503), 这说明数字金融发展对农村家庭加杠杆的作用更大。这可能是因为农村家庭面临比城市家庭更为严重的流动性约束,导致家庭较高的负债率。整体来看,数字金融发展的系数在显著性方面并无太大差异;但在系数大小方面,数字金融发展对家庭杠杆率的影响具有城乡异质性。特别地,数字金融发展对农村地区群体的家庭杠杆率影响程度更大。
五、机制检验上述分析表明,数字金融发展能够显著提升家庭的杠杆率,而且数字金融的覆盖广度、使用深度和数字支持服务程度都是促进家庭加杠杆的具体途径。那么,进一步需要解释的是数字金融影响家庭加杠杆的机制是什么?目前,关于数字金融发展影响家庭杠杆率的机制尚不明确(杨克文、何欢,2020)。在引言部分,我们对可能的影响机制进行了文献梳理,数字金融发展可能通过提升金融资源可获得性、强化支付便利性和降低家庭面临的不确定性三个途径对家庭杠杆率产生影响。那么,为了有效揭示以上三种传导机制,本文使用中介效应模型对可能的传导机制进行检验(中介效应模型前面已经论述)。对于金融可得性的衡量,已有文献主要从两方面进行测度:一是采用有无获得正规贷款和非正规贷款来衡量家庭的金融可得性(何韧等,2012;卢亚娟等,2014)。二是采用每万人拥有的银行机构数量来衡量金融可得性(尹志超等,2015;肖龙铎、张兵,2017)。囿于数据可得性,本文使用家庭有无获得正规贷款和非正规贷款来衡量家庭的金融可得性。对于支付便利性的衡量,借鉴何宗樾、宋旭光(2020)的研究,选取“使用互联网络进行商业活动的频率有多高?①”这一问题进行衡量。对于家庭所面临的不确定性衡量,参照已有研究,选择支出的标准差来表征家庭面临的不确定性(Carroll and Samwick, 1998;何宗樾、宋旭光,2020)。
① 您/你使用互联网络进行商业活动的频率有多高?1.几乎每天;2.一周3-4次;3.一周1-2次;4.一月2-3次;5.一月一次;6.几个月一次。
表 8、表 9和表 10给出了中介效应模型检验结果。其中,表 8为金融可得性渠道检验结果;表 9为支付便利性渠道检验结果;表 10为不确定性渠道检验结果。三个表中的第(1)列为第一步检验结果,结果表明,数字金融发展都显著提升了家庭的杠杆率,与上述结果相一致。第(2)列为第二步检验结果,结果表明,数字金融发展对金融可得性、支付便利性和家庭面临的不确定性影响均显著。其中,对金融可得性和支付便利性的影响显著为正,对家庭面临的不确定性的影响显著为负,这表明数字金融发展提升了家庭的金融可得性和支付便利性,且能够降低家庭所面临的不确定性。第(3)列为第三步检验结果,结果表明,金融可得性、支付便利性和家庭面临的不确定性对家庭杠杆率的影响也都显著,从而证明了金融可得性、支付便利性和家庭面临的不确定性中介效应的存在性。与此同时,还可以发现,当控制中介变量之后,相比基准回归中数字金融发展的系数,这里的数字金融发展系数均有所下降。因此,可以认为金融可得性、支付便利性和家庭面临的不确定性在数字金融发展影响家庭杠杆率的过程中具有部分中介效应,②分别为0.1654、0.1362和0.0029。
② 中介效应占比中介效应占比=0.1098*0.4703/0.3122=0.1654;另外两个中介效应占比以此类推。
![]() |
表 8 金融可得性渠道检验 |
![]() |
表 9 支付便利性渠道检验 |
![]() |
表 10 不确定性渠道检验 |
数字金融作为传统金融通过科技赋能方式形成的新产物,对微观经济主体乃至宏观经济高质量发展都有着重大影响。本文将北京大学数字普惠金融指数与中国家庭追踪调查(CFPS)数据相结合,研究了数字金融发展对家庭杠杆率的影响,并对其可能的异质性和作用机制进行探讨。研究发现,数字金融发展能够显著推动家庭杠杆率的攀升,并对家庭杠杆率的攀升具有长期效应。从数量上看,数字金融发展每提高一个单位,将促使家庭杠杆率上升0.0058%。该结论在经过内生性处理和一系列稳健性检验后仍然成立。对该影响在不同群体中可能存在的异质性进行分析,结果发现,数字金融发展对家庭杠杆率的影响在不同借贷类型、不同区域、年龄和城乡之间存在非对称性,数字金融发展对家庭杠杆率的提升在有房贷、消费贷和经营贷的家庭、中西部地区家庭、25-55岁家庭、农村地区家庭更为明显。机制分析表明,数字金融发展通过提高金融可得性、强化支付便利性和降低家庭面临的不确定性而对家庭杠杆率产生积极影响。
2020年5月14日中共中央政治局会议上,习总书记提出构建“以国内大循环为主体,国内国际双循环相互促进的新发展格局”到十九届五中全会提出“实施扩大内需战略”。消费作为扩大内需的重要手段之一,对实现内循环和内需战略起着关键性作用。而家庭加杠杆有利于扩大消费,推动经济由外需拉动的增长向以消费为主的内需拉动的增长转型,但也不能忽视家庭的债务风险。因此,基于上述分析,本文具有以下重要的政策启示:一是从长期来看,数字金融发展是大势所趋,并对家庭加杠杆具有持续性影响效果,特别是互联网金融的发展,其最典型的当属蚂蚁集团旗下的支付宝、花呗、借呗、微粒贷等工具,在提高了家庭金融可得性的同时,也使得超前消费和负债性消费观念日益深入人心,给金融稳定带来隐忧。据此,应发挥数字金融对家庭加杠杆的助推作用,从而满足人们日益增长的物质文化需求,同时加强对家庭杠杆率的监测和管控,避免发生家庭债务风险。这是因为数字金融可以在提高金融可得性和强化支付便利性等方面为家庭提供更好的金融服务,提高金融服务的覆盖范围、质量和效率。但也需要家庭把握适度原则,防止家庭杠杆率的过高过快增长。家庭杠杆率过高意味着债务负担的加重,在长期来看会冲击国家的金融稳定性,因此要积极防范家庭杠杆率过高的风险,守住不发生系统性金融风险的底线。比如可以完善金融机构对于家庭负债的监控体制,健全风险评估和防控机制。二是引领数字金融朝着提高家庭金融素养的方向发展,家庭金融素养的提高意味着风险识别能力、承受能力、金融知识水平等方面的同步提高,可以帮助家庭改善负债结构和提高家庭金融的稳定性,从而让家庭杠杆率保持在一个合理的水平。三是根据研究结论,数字金融发展对有房贷、消费贷和经营贷的家庭以及农村地区家庭杠杆率的促进作用更为明显,因此要特别关注该类群体,加强对这类群体的检测和防控,避免因过重的债务负担而造成生活福利损失。
[] |
陈洋林、张学勇、李波, 2019, “家庭加杠杆的资产配置效应研究”, 《中央财经大学学报》, 第 3 期, 第 23-33 页。 |
[] |
傅秋子、黄益平, 2018, “数字金融对农村金融需求的异质性影响——来自中国家庭金融调查与北京大学数字普惠金融指数的证据”, 《金融研究》, 第 11 期, 第 68-83 页。 |
[] |
郭峰、孔涛、王靖一、张勋、程志云、阮方圆、孙涛、王芳, 2016, "数字普惠金融指标体系与指数编制", 北京大学互联网金融研究中心工作论文。 |
[] |
何婧、李庆海, 2019, “数字金融使用与农户创业行为”, 《中国农村经济》, 第 1 期, 第 114-128 页。 |
[] |
何韧、刘兵勇、王婧婧, 2012, “银企关系、制度环境与中小微企业信贷可得性”, 《金融研究》, 第 11 期, 第 103-115 页。 |
[] |
何宗樾、宋旭光, 2020, “数字金融发展如何影响居民消费”, 《财贸经济》, 第 8 期, 第 65-79 页。DOI:10.3969/j.issn.1002-8102.2020.08.005 |
[] |
黄倩、李政、熊德平, 2019, “数字普惠金融的减贫效应及其传导机制”, 《改革》, 第 11 期, 第 90-101 页。 |
[] |
黄锐、赖晓冰、唐松, 2020, “金融科技如何影响企业融资约束?——动态效应, 异质性特征与宏微观机制检验”, 《国际金融研究》, 第 6 期, 第 25-33 页。 |
[] |
黄益平、黄卓, 2018, “中国的数字金融发展: 现在与未来”, 《经济学(季刊)》, 第 3 期, 第 1489-1502 页。 |
[] |
贾立、袁涛、邓国营, 2020, “金融素养能降低家庭债务负担吗——基于CHFS数据的实证分析”, 《广东财经大学学报》, 第 3 期, 第 98-112 页。 |
[] |
李晓嘉, 2018, “中国家庭债务激增的成因和化解对策”, 《人民论坛》, 第 13 期, 第 82-84 页。DOI:10.3969/j.issn.1004-3381.2018.13.032 |
[] |
刘晓光、刘元春、申广军, 2019, “杠杆率的收入分配效应”, 《中国工业经济》, 第 2 期, 第 42-60 页。 |
[] |
刘哲希、随晓芹、陈彦斌, 2019, “储蓄率与杠杆率: 一个U型关系”, 《金融研究》, 第 11 期, 第 19-35 页。 |
[] |
刘忠璐, 2016, “互联网金融对商业银行风险承担的影响研究”, 《财贸经济》, 第 4 期, 第 71-85 页。 |
[] |
卢亚娟、张龙耀、许玉韫, 2014, “金融可得性与农村家庭创业——基于CHARLS数据的实证研究”, 《经济理论与经济管理》, 第 10 期, 第 89-99 页。DOI:10.3969/j.issn.1000-596X.2014.10.008 |
[] |
马建堂、董小君、时红秀、徐杰、马小芳, 2016, “中国的杠杆率与系统性金融风险防范”, 《财贸经济》, 第 1 期, 第 7-23 页。 |
[] |
潘敏、荆阳, 2018, “我国家庭部门杠杆率变化趋势及影响”, 《人民周刊》, 第 21 期, 第 64-65 页。 |
[] |
潘敏、刘知琪, 2018, “居民家庭'加杠杆'能促进消费吗?——来自中国家庭微观调查的经验证据”, 《金融研究》, 第 4 期, 第 75-91 页。 |
[] |
钱海章、陶云清、曹松威、曹雨阳, 2020, “中国数字金融发展与经济增长的理论与实证”, 《数量经济技术经济研究》, 第 6 期, 第 26-46 页。 |
[] |
沈悦、郭品, 2015, “互联网金融、技术溢出与商业银行全要素生产率”, 《金融研究》, 第 3 期, 第 160-175 页。 |
[] |
宋晓玲, 2017, “数字普惠金融缩小城乡收入差距的实证检验”, 《财经科学》, 第 6 期, 第 14-25 页。 |
[] |
隋钰冰、尹志超、何青, 2020, “外部冲击与中国城镇家庭债务风险”, 《福建论坛(人文社会科学版)》, 第 1 期, 第 132-144 页。 |
[] |
唐松、伍旭川、祝佳, 2020, “数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异”, 《管理世界》, 第 5 期, 第 52-66+9 页。DOI:10.3969/j.issn.1002-5502.2020.05.005 |
[] |
万佳彧、周勤、肖义, 2020, “数字金融、融资约束与企业创新”, 《经济评论》, 第 1 期, 第 71-83 页。 |
[] |
王晓彦、胡德宝, 2017, “移动支付对消费行为的影响研究: 基于不同支付方式的比较”, 《消费经济》, 第 5 期, 第 77-82 页。 |
[] |
肖龙铎、张兵, 2017, “金融可得性、非农就业与农民收入——基于CHFS数据的实证研究”, 《经济科学》, 第 2 期, 第 76-89 页。 |
[] |
谢平、邹传伟, 2012, “互联网金融模式研究”, 《金融研究》, 第 12 期, 第 11-22 页。DOI:10.3969/j.issn.1009-4350.2012.12.006 |
[] |
谢绚丽、沈艳、张皓星、郭峰, 2018, “数字金融能促进创业吗?——来自中国的证据”, 《经济学(季刊)》, 第 4 期, 第 1557-1580 页。 |
[] |
杨克文、何欢, 2019, “互联网使用对居民健康的影响——基于2016年中国劳动力动态调查数据的研究”, 《南开经济研究》, 第 3 期, 第 182-199 页。 |
[] |
杨赞、张欢、赵丽清, 2014, “中国住房的双重属性: 消费和投资的视角”, 《经济研究》, 第 s1 期, 第 55-65 页。 |
[] |
尹志超、公雪、郭沛瑶, 2019, “移动支付对创业的影响——来自中国家庭金融调查的微观证据”, 《中国工业经济》, 第 3 期, 第 125-143 页。 |
[] |
尹志超、吴雨、甘犁, 2015, “金融可得性、金融市场参与和家庭资产选择”, 《经济研究》, 第 3 期, 第 87-99 页。 |
[] |
战明华、张成瑞、沈娟, 2018, “互联网金融发展与货币政策的银行信贷渠道传导”, 《经济研究》, 第 4 期, 第 63-76 页。 |
[] |
张勋、万广华、张佳佳、何宗樾, 2019, “数字经济、普惠金融与包容性增长”, 《经济研究》, 第 8 期, 第 71-86 页。DOI:10.3969/j.issn.1005-2674.2019.08.008 |
[] |
张雅淋、孙聪、姚玲珍, 2019, “越负债, 越消费?——住房债务与一般债务对家庭消费的影响”, 《经济管理》, 第 12 期, 第 40-56 页。 |
[] |
郑志来, 2015, “互联网金融对我国商业银行的影响路径——基于互联网+对零售业的影响视角”, 《财经科学》, 第 5 期, 第 34-43 页。DOI:10.3969/j.issn.1000-8306.2015.05.004 |
[] |
郑志强, 2020, “数字普惠金融、空间溢出与农村减贫”, 《西安交通大学学报(社会科学版)》, 第 2 期, 第 108-118 页。 |
[] |
中国宏观经济形势分析与预测课题组, 2018, "风险评估、政策模拟及其治理——释放内部活力, 应对外部风险", 《上海财经大学高等研究院》。 |
[] |
周广肃、王雅琦, 2019, “住房价格、房屋购买与中国家庭杠杆率”, 《金融研究》, 第 6 期, 第 1-19 页。DOI:10.3969/j.issn.1009-3109.2019.06.001 |
[] |
周利、冯大威、易行健, 2020, “数字普惠金融与城乡收入差距: '数字红利'还是'数字鸿沟'”, 《经济学家》, 第 5 期, 第 99-108 页。 |
[] |
周利、易行健, 2020, “房价上涨、家庭债务与城镇居民消费: 贷款价值比的视角”, 《中国管理科学》, 第 11 期, 第 80-89 页。 |
[] |
周雨晴、何广文, 2020, “数字普惠金融发展对农户家庭金融资产配置的影响”, 《当代经济科学》, 第 3 期, 第 92-105 页。 |
[] |
朱家祥、沈艳、邹欣, 2018, “网络借贷: 普惠·普骗·与监管科技”, 《经济学(季刊)》, 第 4 期, 第 1598-1622 页。 |
[] |
庄毓敏、张祎, 2020, “居民部门债务增长的宏观效应”, 《中国金融》, 第 2 期, 第 16-18 页。DOI:10.3969/j.issn.1001-0734.2020.02.003 |
[] |
Baron R. M., Kenny D. A., 1986, "The Moderator-mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations". Journal of Personality and Social Psychology, 51(6), 1173–1198.
DOI:10.1037/0022-3514.51.6.1173 |
[] |
Carroll C.D., Samwick A., 1998, "How Important Is Precautionary Saving?". The Review of Economics and Statistics, 80(3), 410–419.
DOI:10.1162/003465398557645 |
[] |
Casolaro L., Gambacorta L., Guiso L., 2006, "Regulation, Formal and Informal Enforcement and the Development of Household Loan Market: Lessons from Italy". The Economics of Consumer Credit, 32(4), 93–134.
|
[] |
Dynan K.W., Edelberg, 2013, "The Relationship Between Leverage and Household Spending Behavior: Evidence from The 2007-2009 Survey of Consumer Finances". Federal Reserve Bank of St Louis Review, 95(5), 425–448.
|
[] |
Mian A., Rao K., Sufi A., 2013, "Household Balance Sheets, Consumption and the Economic Slump". Quarterly Journal of Economics, 128(4), 1687–1726.
DOI:10.1093/qje/qjt020 |
[] |
Yao, J. Fagereng A., and G. Natvik, 2015, "Housing, Debt, And The Marginal Propensity to Consume", Working Paper.
|