《1、数字普惠金融的区域发展差异.docx》由会员分享，可在线阅读，更多相关《1、数字普惠金融的区域发展差异.docx（29页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、摘要：数字普惠金融的发展得益于普惠金融对传统金融的创新和数字技术的进步，其发展对我国经济市场中的“长尾市场”群体提供了金融服务。目前我国的数字普惠金融水平处于初期阶段，在区域层面上呈现出区域发展不平衡的特点。本文基于北京大学数字普惠金融指数(DIFI)，首先对东中西三个区域的数字普惠金融发展现状进行对比分析，探究不同地区这一金融服务对于消费、投资、出口发展的贡献差异，运用变异系数分析从时间维度衡量区域间差异值的变化趋势。接着通过多元回归分析，得到影响我国数字普惠金融存在区域差异的主要因素是人口密度、居民消费水平和高等教育受教育率。最后就上述研究结果尝试寻找促进区域协调发展的策略。关键词：数字普
2、惠金融 区域差异 影响因素 协调发展Abstract: The development of Digital financial inclusion is the combination of innovative financial inclusion and digital technology, and its development offers financial services to long-tailed market in Chinas economy. Nowadays, digital financial inclusion in China is at the init
3、ial stage, and shows the characteristic of imbalance on the region dimension. Based on Digital Financial Inclusion Index (DIFI), Peking University, the dissertation firstly compares the developments of digital financial inclusion in eastern, middle and western China, explores regional differences in
4、 consumption, investment and export, and employs coefficient of variation to analyze the changing trend on the time series. Then I reach the conclusion that the main factors to influence regional difference in digital financial inclusion are population density, resident consumption level and higher
5、education rate with the help of multiple regression analysis. At the end of the dissertation, I refer to the results I get in the study and seek for some solutions to promote coordinated development of the three regions in digital financial inclusion.Key words: 【digital financial inclusion】 【regiona
6、l differences】 【influential factors】 【coordinated development】一、 引言普惠金融（Financial Inclusion）的概念首次提出是在2005年联合国“国际小额信贷年”的宣传中，这一概念旨在全方位、有效且便捷地为社会各阶层和群体提供金融服务的体系。普惠金融进入中国之后，经过十年的发展，我国立足机会平等和商业可持续原则，针对小微企业、农民、城镇低收入人群等进行了概念推广和实践探索。随着互联网数字技术的发展，金融服务也逐渐与互联网接轨，改变了传统金融的服务模式和服务对象。2016年杭州G20峰会首次提出了发展数字普惠金融（Digi
7、tal Financial Inclusion）这一概念，在G20数字普惠金融高级原则中指出，数字普惠金融的范围覆盖了包括支付、转账、储蓄、信贷、保险、证券、理财等在内的各类金融产品和服务，以成本可控且发展模式可持续为前提，与数字技术相结合，为小微企业、农民等难以获得金融服务的群体提供满足其需求的一系列正规金融服务。目前中国有着规模庞大的长尾市场，据不完全统计，我国约有六至七千万的小微企业主和商户，低收入工薪阶层约占1.2亿到1.5亿人口，农民人口大约1.8亿到2亿。商业银行为这些群体提供金融服务需要投入大量的成本，因为这些群体缺乏完善的征信记录和征信画像，难以提供足够的抵押品，商业银行对这些
8、用户的金融服务需要经历严格复杂的信息收集、中期审查及贷后管理。对于商业银行而言，这些用户的单笔资金交易较小，而承担这部分业务的成本却异常高昂，相较于商业银行服务的大客户和企业客户，交易金额相差很大，因此商业银行不愿意承担这部分群体的金融服务。数字普惠金融立足于长尾市场用户对金融支持的需求，运用数字化优势与普惠金融政策补齐传统金融的短板，将金融服务触达到更边远的角落。现阶段我国数字普惠金融仍处于发展初期，区域发展有着不平衡的特点，基于其他学者对区域金融及数字普惠金融发展差异测度的研究，本文通过定量研究，探讨三大区域间差异的主要表现以及影响差异产生的原因，最后根据实证研究结果探究促进数字普惠金融区
9、域协调发展的措施。二、 文献综述一些学者在区域经济金融的视角下对衡量普惠金融以及数字普惠金融的发展进行了一系列定量研究。Thai-Ha Le等（2019）在亚洲范围内对各国普惠金融（Financial Inclusion）发展及其对金融效率和金融可持续性影响进行研究，研究结果显示各国的普惠金融水平波动较大甚至无明显趋势，且普惠金融对金融效率提高有着负面影响，但是有助于促进金融可持续性的发展1。Soumyendra Kishore Datta（2019）运用主成分分析从三个维度建立普惠金融指数（Financial Inclusion Index, FII）来衡量世界范围内各国普惠金融发展水平2。
10、杨燕（2015）根据我国20052013年的区域经济面板数据，从金融服务可获得性和使用情况这两个角度出发选择了6个具体指标，通过主成分分析的方法对我国各区域普惠金融发展水平进行定量测算，结果显示东部地区在普惠金融发展上居于全国领先水平，且普惠金融发展不平衡的路径大致与我国区域经济的不平衡规律大致吻合3。沈丽、张好圆等（2019）将Dagum基尼系数分解法和扩展的分布动态学模型运用与对我国普惠金融发展的区域差异及时序动态演变研究，分析得到中国区域普惠金融发展水平差异较10年前有所缩小，但呈现出先上升后下降的过程，东部地区与中西部地区的区间差异较大，在考察期内，中东部区间差异有所波动，中西部差异较
11、为平稳4。对于数字普惠金融的测度研究，当前学者使用更多的是北京大学数字金融研究中心联合蚂蚁金服研究院发布的北京大学数字普惠金融指数，基于蚂蚁金服的电子支付及互联网金融数据，对各省的数字普惠金融发展水平进行了全面且权威的量化，也为我们研究我国数字普惠金融区域差异提供了有效的信息来源5。在影响数字普惠金融区域发展存在差异的具体因素研究上，靳海红、张帅等（2019）通过面板数据计量，选取经济、社会、文化、地理等领域的代表性指标作为解释变量，建立影响区域数字普惠金融发展的多元回归模型，表明人均GDP水平、金融意识、人口密度、市场化程度等各因素均对数字普惠金融的发展有正向促进作用6。胡锦娟（2019）认
12、为数字普惠金融作为金融发展历程中的重要节点，受到经济发展的影响；政府通过支持金融科技发展、出台政策帮扶小微企业等干预措施对数字普惠金融发展有所助力；居民金融素养高低与居民做出金融决策息息相关；且互联网+的发展从技术层面为数字普惠金融提供支持。学者从以上几个角度对数字普惠金融的影响因素进行了动态面板分析，得到上述因素对数字普惠金融发展均影响显著，且受到其滞后一期值影响7。三、 我国数字普惠金融区域发展差异北京大学数字金融研究中心基于蚂蚁金服相关金融发展大数据，以省际和城市为维度编制了数字普惠金融发展指数。该指数从三个方面、对应12个二级维度对中国数字普惠金融发展情况进行定量分析。以每万人支付宝账
13、户数量和支付宝绑卡比率等为具体指标衡量数字普惠金融覆盖广度，从支付宝相关支付、货币基金、信贷、保险、投资、信用等业务使用程度计算数字普惠金融使用深度，通过移动支付、二维码使用、花呗和芝麻信用 免押支付、小贷实惠化等指标衡量数字化程度。其中2018年中国各省级数字普惠金融发展指数如下：图1：2018年各省数字普惠金融指数东部排名中部排名西部排名上海245.921湖北195.348重庆19010北京242.782安徽184.5813陕西184.3214浙江232.83江西179.8816四川183.7715福建212.784湖南176.6718内蒙古176.6817广东212.495山西176.6
14、219广西176.5720江苏212.346河南176.4921宁夏17224天津205.417黑龙江174.2522云南171.8125海南191.79吉林171.4326新疆168.0827辽宁188.8111贵州162.6628山东188.3112甘肃162.2229河北172.7923西藏156.8530青海155.3231均值209.65179.48171.7表1：2011年-2018年中国大陆31省市数字普惠金融发展指数均值从图1和表1中的指数排序可以看到，我国东中西三大区域的数字普惠金融发展存在明显的区域差异，而且总体上呈现从东到西递减的趋势，与我国各省经济发展规律大致吻合。近8
15、年的总体指数水平与2018年各省排名基本吻合，除个别省市2018年排名较总体平均水平有所波动，整体而言基本维持在东部区域领先、中部区域次之、西部区域发展最为落后的状况，且中西部地区指数差距较小，说明发展水平总体差距不大，而东部地区与排名第二的中部地区存在较为明显的指数差异，东部区域数字普惠金融发展优势突出。具体到各省份数据，上海市和北京市一直保持领先全国的水平，且东部区域的头部效应明显；中部区域湖北省处于领先位置，且2018年湖北省的数字普惠金融指数较2011年-2018年平均排名提高一位，表明2018年湖北省在数字普惠金融领域有较大发展；西部区域指数排名虽然整体靠后，但重庆市在该领域依然保持
16、全国前10的位置，说明数字普惠金融发展会受到地域经济水平的影响。就2018年的具体数据而言，东部各省处于领头羊位置，2018年该指数的算术平均值为327.18，由此可见2018年数字普惠金融资源仍集中于经济较为发达的东部沿海地区8；中部次之，均值为291.48；西部发展程度总体较为落后，区域平均数字普惠金融指数为280.31，从三个区域的平均指数来看，中西部差异不大，但东部区域总体发展明显领先。在中国31个省市的指数数据中，指数排名最高的前六位均属于东部区域，而指数数值最低的六个省（自治区，以下统称为省）均来自西部区域。（一） 数字普惠金融对区域经济消费、投资、出口的贡献差异经济学通常认为消费
17、、投资、出口是拉动经济发展的三驾马车，尤其对于我国而言，消费和投资构成了经济增长的重要因素。所以数字普惠金融对区域经济发展的影响程度会体现在三架马车上，数字普惠金融在区域发展的差异也可以通过分析其与三驾马车的相关关系进行分析。同样选取北京大学数字普惠金融指数（DIFI）作为衡量中国大陆31个省、直辖市、自治区（以下统称为省）的数字普惠金融发展水平的指标，由于近年部分相关区域统计数据公布不完整，采用2017年的数据进行计算。根据国家统计局官网公布的中国统计年鉴和各地区统计年鉴公布的经济数据，且为了剔除人口基数差异造成的影响，选取支出法计算下2017年各省地区生产总值，并且除以2017年年末常驻人
18、口，计算各省2017年人均GDP（gdp）作为区域经济发展水平指标；以各地2017年最终消费支出（包含居民消费和政府消费）作为区域消费水平的指标（con）；以各地2017年资本形成总额（包含固定资本形成总额和存货增加）为指标衡量当年地方投资水平（inv）；以各地2017年货物和服务净流出（出口数额减去进口数额）代表各省出口发展状况（NX），并且计算上述三个变量的人均水平。同样按照中国三大经济地带划分，从东、中、西三个区域的视角横向对比数字普惠金融在该区域经济发展方面与其他区域的差异。以数字普惠金融指数（DIFI）作为解释变量，各区域内省市的经济发展水平（economics）作为被解释变量（包括
19、人均地区生产总值（gdp）、人均最终消费支出（con）、人均资本形成总额（inv）和人均货物和服务净流出（NX），建立回归模型：economicsi=+jDIFI+ （1）其中，为常数项；j代表数字普惠金融指数回归系数；为残差项；i代表具体经济指标，包括economicsgdp、economicscon、economicsinv、economicsNX。1. 全国总体水平 economicsgdpeconomicsconeconomicsinveconomicsNXDIFI斜率100.3549.4417.7133.196p-value1.21e-10（*）8.65e-09（*）0.0783（.
20、）0.00043（*）t value9.7367.9701.8253.973Adjusted-R20.75760.67570.072120.3302表2：全国经济指标与DIFI指数回归结果概述图2：全国经济指标与DIFI回归拟合图从表1的回归数据来看，在四个线性回归关系中，解释变量DIFI的斜率都为正，说明2017年数字普惠金融的发展对促进全国整体经济发展、提高消费、投资和出口水平都有正向影响，且人均GDP、消费和出口三项的p值都小于0.01，2017年数字普惠金融对这三项的发展都起到了显著促进作用。从表1和图2所显示的情况来看，对于投资项而言线性拟合程度和线性相关关系较差，p-value0.
21、01，且DIFI指数相对人均投资额回归的Adjusted-R2趋近于0，散点图相对拟合直线分布较为离散，残差标准差较大，表明数字普惠金融发展对我国投资水平提高的影响作用有限。2. 区域发展差异东部区域中部区域西部区域DIFI斜率96.8730.3962.96p-value0.00231（*）0.2710.036（*）t value4.1981.2112.420Adjusted-R20.62440.062420.3064N11812表3：数字普惠金融对各区域GDP影响差异东部区域中部区域西部区域DIFI斜率58.8611.82-1.048p-value0.000914（*）0.3040.943t
22、 value4.8461.123-0.073Adjusted-R20.69210.03607-0.09941N11812表4：数字普惠金融对各区域人均消费水平影响差异东部区域中部区域西部区域DIFI斜率27.5813.11-43.25p-value0.0783（.）0.6460.318t value1.9860.483-1.052Adjusted-R20.2275-0.12290.009528N11812表5：数字普惠金融对各区域人均投资水平影响差异东部区域中部区域西部区域DIFI斜率10.425.452107.2p-value0.1080.7560.01232（*）t value1.7870
23、.3253.047Adjusted-R20.1798-0.14640.4296N11812表6：数字普惠金融对各区域人均出口水平影响差异从上表数据看出，三个区域横向对比，数字普惠金融发展对东部区域经济发展影响最为显著，资金更多流向消费和投资领域。其中具体表现在对人均消费水平提高的影响上，该项的p-value0.001，说明数字普惠金融与东部区域居民消费水平的提高有明显关系；对人均投资水平的影响次之，数字普惠金融在一定程度上促进了东部区域投资水平的提高；对于东部区域而言数字普惠金融对人均出口水平的提高并未产生显著影响，其中调整后的R2值约为0.18，数字普惠金融指数不能较好的解释东部区域2017
24、年出口发展状况。从中部区域相关数据分析来看，数字普惠金融的发展对该区域地区生产总值增长、消费、投资和出口都不存在显著影响。一方面可能由于样本数量较少，难以形成整体趋势，样本无法代表整体影响水平和发展状况；另一方面可能由于2017年数字普惠金融发展尚处于初期阶段，距离2016年G20峰会正式提出这一概念发展时间较短，相关资源还未在中部区域大面积投入，所以发展水平和程度受限，并未对区域经济发展产生显著影响。对于西部地区而言，DIFI值相对区域GDP水平回归的p值小于0.05，可以认为2017年数字普惠金融对西部地区的经济发展有显著影响，但影响显著程度不及东部区域。回归系数显示对于西部区域人均消费和
25、人均投资存在负向影响，但二者影响皆不显著，存在较大统计误差。对于人均出口而言，数字普惠金融对该项发展有着正向促进作用，且有着较为显著的影响，整体而言数字普惠金融对西部地区2017年经济发展的贡献主要来自于对出口发展的影响。综上，整体而言2017年数字普惠金融发展对我国经济增长有着积极的促进作用，其中在消费领域和出口领域表现较为明显，但是在投资领域还有较大的发展空间。从三大经济区域的视角来看，在不同区域之间数字普惠金融的发展存在不平衡、有差异的现象。根据2017年的数据，东部区域数字普惠金融发展领先于中西部地区，在西部地区的投入更优于中部地区。在区域内部，数字普惠金融对东部地区的消费水平提高和对
26、西部地区的出口水平发展有着相对显著的促进作用。（二） 变异系数分析变异系数（Coefficient of Variation）通过计算DIFI指数数据标准差和平均值的比值，可用来衡量数据离散程度的大小，在此可用于测量区域相对平衡程度，并且选取时间跨度为2011年到2018年DIFI指数的变异系数，从时间维度对比差异变化，研究数字普惠金融区域差异是否在缩小。变异系数越大，则区域差异越明显，越小则发展更为平衡9。各区域不同年份的变异系数计算结果如下： 地区20112012201320142015201620172018全国0.4650.2240.1690.1310.1040.0920.0880.0
27、99东部区域0.2870.1740.1390.1200.0980.0890.0880.095中部区域0.1410.0610.0560.0510.0330.0320.0370.051西部区域0.3470.1460.1030.0750.0530.0530.0420.045表7：2011-2018各区域数字普惠金融指数变异系数值图3：2011-2018各区域数字普惠金融指数变异系数趋势变化根据表6和图3所反映的2011-2018全国整体与各区域数字普惠金融变异系数来看，全国总体变异系数值大于或接近于0.1，说明数据离散程度较大，数字普惠金融发展差异化程度较为严重。但无论是东中西三个区域还是全国总体水
28、平，差异化水平都呈现出明显的逐年下降趋势，即近几年数字普惠金融向着平衡发展迈进。西部地区变异系数值年降幅较大，从2011年以0.347处于三大区域中差异化最高水平到2018年变异系数值仅为0.045，超越中部区域成为发展相对最为均衡的区域。中部地区变异系数水平长期处于较低水平，说明中部各省市间发展相对比较平衡。东部区域内虽然整体而言数字普惠金融发展程度较高，但内部差异化仍是一个较为突出的问题，2012-2018年东部地区变异系数远远高于中部和西部的水平，在做到整体发展的同时应该注重内部平衡发展。2018年三大区域变异系数差异较小，进一步证明了数字普惠金融触达边远地区的能力。总体而言，数字普惠金
29、融在我国的发展存在明显的区域差异，且在各区域发展各有特点。具体来看，东部区域发展水平最高，数字普惠金融对经济发展贡献最为突出，但是相较于其他两个区域，东部区域存在较为严重的内部发展不平衡现象。中部区域数字普惠金融发展较东部区域尚有差距，但长期而言中部区域内部发展更为平衡，变异系数长期处于较低水平，虽然2018年较2017年变异系数值略有提高。对于西部区域，数字普惠金融主要应用于出口领域，对经济发展总体而言有着显著促进作用，西部地区发展也从早期不平衡到近年发展愈加平衡的方向演变。四、 我国数字普惠金融区域发展差异的影响因素分析从上一部分的分析中我们认识到我国数字普惠金融的发展存在明显的区域差异，
30、即东部区域发展大幅领先中西部区域，中部优于西部，但中西部区域发展差距较小，这也与我国的经济发展规律大致符合。但是数字普惠金融的区域发展差异是受到多个经济因素综合影响的结果，还需分析具体的影响因素以及这些因素的影响程度。(一) 模型说明依然采用北京大学数字普惠金融指数（DIFI）的面板数据作为基准，基于解释变量数据可得性，截取2017年各省的DIFI指数作为被解释变量，建立影响我国区域数字普惠金融发展差异的多元回归模型：DIFIi=+1log10PDENi+2CSi+3EDUi+4FIi2+5IUi+ （2）其中i代表不同的地区，为截距项，为残差。(二) 变量选取和指标说明在上述回归模型中，被解
31、释变量DIFIi为2017年各省数字普惠金融指数。根据经验规律，经济、社会、文化、地理和数字技术发展等领域可能会影响传统金融或数字普惠金融的发展方向。参考数字普惠金融研究的具体内容，数据之间可能互相影响存在自相关关系，以及数据的可得性等因素，具体而言以人口密度（PDEN）、居民人均消费支出（CS）、高等教育受教育率（EDU）、金融深度（FI）、网络覆盖率（IU）五个领域作为解释变量研究其对我国数字普惠金融区域发展差异的影响。其中部分变量在计算过程中发现对DIFI指数产生的影响是非线性的，所以做了相应的调整。解释变量解释变量符号计算方法人口密度PDEN2017年末常住人口/省域面积居民人均消费支
32、出CS居民消费支出/2017年末常住人口高等教育受教育率EDU高等教育总人数/2017年末常住人口金融深度FIFIR+保险深度+社会融资规模增量网络覆盖率IU移动互联网用户率+宽带接入用户率表8：数字普惠金融影响因素衡量指标1. 人口密度（PDEN）我国幅员辽阔，地理因素影响金融普及和金融发展。受到地理因素影响的地形地势状况、通讯发展程度、交通通达度、距离中心城市的远近等都会影响金融资源的分配和数字普惠金融发展的成本。此外，地理条件与人群聚居分布密切相关，郭峰等（2019）讨论过数字普惠金融指数第一、第二梯队大致与我国著名的人口密度分界线胡焕庸线以东相吻合，这部分地区人口分布较为密集，经济市场
33、较为活跃。因此，人口密度综合了地理环境、交通等多个因素，对地理因素衡量具有代表性，本文选取人口密度用于衡量这一影响因素。通过查阅2018各省统计年鉴得到2017年各省年末常住人口，除以省域面积得到各省的人口密度数据。2. 居民人均消费支出（CS）金融的发展离不开经济增长的支持，同样的，一个地区数字普惠金融的发展受到当地经济运行状况和人民生活水平的影响。在经济较为发达的区域，经济产出高，居民可支配收入高，有较为充足的资金可用于数字普惠金融领域，且数字技术更新快。而在经济相对较为落后的区域，总体而言家庭恩格尔系数较高，数字普惠金融难以触达。这里采用2017年我国31省市的居民人均消费支出作为衡量地
34、区经济发展与人民生活水平的指标。3. 高等教育受教育率（EDU）金融意识对居民的资产配置有着深刻的影响，一个地区整体的金融意识水平对区域整体金融发展有着重要的驱动作用。对金融领域相关知识了解更多，更愿意将资产配置到更多的金融领域，而非局限于基本的银行存款，也更加能够接受、更加愿意尝试数字化的金融创新产品。但是金融意识是一个主观的概念，难以对其进行量化。金融意识与受教育水平密切相关，2018中国统计年鉴中对2017年分地区受教育人口进行了抽样调查，抽样比为0.824，从中获取各省大学专科、大学本科和研究生学历拥有者抽样人数，根据抽样比计算各省高等教育受教育总人数，从而计算高等教育受教育率。4.
35、金融深度（FI）一个地区的传统金融发展为该地区的金融数字化改革提供了重要的基础设施和发展土壤，金融产业相对活跃的地区更加容易推动金融创新和促进普惠金融产品的推广。在现有的文献研究中，许多学者采用金融相关率（FIR）指标来衡量一个地区的金融发展水平，通过计算M2与GDP的比值的方式考量一定时期内金融活动和经济活动的相对关系，但是这个指标只考虑了金融中介指标，并不能较好地评价金融发展水平10。随着金融市场的发展，一些学者将非银金融机构、证券市场和保险行业相关规模、效率等指标也纳入对地区金融发展水平的考量，近年来一些学者认为法律法规、文化宗教、国际贸易等因素对地区金融的发展也起着至关重要的作用。基于
36、数据可得性和可量化性，本文通过金融相关率（FIR）、保险深度和地区融资规模增量三个因素的综合影响来确定各省市的金融发展水平，反映经济金融化不断加强和深化的过程，这里以金融深度（FI）命名。根据各省2018年统计年鉴，选取2017年各省金融机构存贷款余额与地区生产总值的比率计算金融相关率，各省原保险保费收入情况与地区生产总值的比率计算保险深度，查阅2018中国金融年鉴中分地区2017年度社会融资增量，计算其占地区生产总值的比重，通过层次分析法（AHP）对各项要素的权重进行计算。（1） 层次分析法（AHP）层次分析法（Analytic Hierarchy Process, AHP）是通过定性与定量
37、分析相结合，解决多目标复杂问题的方法。该方法利用决策者的经验来判断各测量目标之间的相对重要程度，并合理地确定每个决策指标的权重，利用权重找到各指标的优劣排序，层次分析法可以比较有效地应用于一些难以定量研究的问题。在这里运用层次分析法决定构成金融深度三要素的权重。层次分析法的第一步是构造判别矩阵。将元素进行两两比较，根据因素间的重要性确定一个因素对另一个因素的得分。两个因素相比，如果A因素对B因素同等重要、稍微重要、明显重要、强烈重要、极端重要，则得分一次为1、3、5、7、9；如果重要性在两个划分之间，则得分为2、4、6、8。B因素相对A因素重要性的判断为前者判断值的倒数。金融深度计算判别矩阵如
38、下：FIR保险深度社会融资规模权重FIR12353.90%保险深度1/21229.73%社会融资规模1/31/2116.37%表9：层次分析法判别矩阵对判别矩阵进行归一化处理和特征向量计算，得到各影响因素的权重，如上表所示。从表中可以看到金融相关比率（FIR）对金融深度计算产生了超半数的影响，保险深度较社会融资规模对金融深度的影响更大。为检验上述判别矩阵是否存在逻辑不一致的情况，需要进行一致性检验。首先求出上述判别矩阵的最大特征值max=3.0092，定义一致性指标CI=max-nn-1=3.0092-33-1=0.004604，如果CI=0，则表示完全一致，可以直接判断矩阵通过，CI值越大越
39、不一致，需要进行进一步的计算。查表得当n=3时RI值为0.52，计算CR=CIRI=0.0088540.1，上述权重计算通过逻辑一致性检验，从而根据各省市三项指标各自的值乘上对应权重，相加得到各省市的金融深度指标。（2） 模型缺陷金融深度模型对于地区金融发展水平的评价仍有较大缺陷。首先，由于数据不可得，在指标选取上进能够找到银行相关的当年存贷款规模与保险相关的原保险保费收入情况，不能完整地覆盖金融市场。并且在经济较为落后、金融市场尚不成熟地区，金融活动更多集中于银行业，故存贷款总量占地区生产总值比重相对经济发达地区更大，造成数据的倾斜，难以真实的反映地区金融发展水平。在层次分析法的计算中判别矩
40、阵基于主观赋值，计算的主观性较强，难以形成客观的判断。5. 网络覆盖率（IU）相关经济金融指标的省际差异影响不同省市金融的差异化发展趋势，但基于数字普惠金融的数字化特点，互联网技术发展水平和技术覆盖程度也会对其产生影响。在数字化转型的今天，金融产品与互联网技术结合，大幅提高了产品推广的便利度，获取用户能力也大幅提升，使得广大金融产品服务对象能够更加直观且低成本的接触与了解该项产品。此外，技术创新也推动了金融创新。通过5G互联网、云计算等的运用，将传统金融产品附加技术价值，使得数字化的金融产品能够向纵深方向覆盖更广大的群体和涉猎更多的领域。根据中国统计年鉴和各省统计年鉴中的数据，参考宋晓玲等（2
41、019）所采取的以每100人中的互联网用户数来代表网络使用情况11，如今的互联网用户分为移动端用户和宽带用户两部分，选取各省市2017年移动互联网用户与互联网宽带接入用户数量，与当地年末常住人口进行比较，两项比值相加得到该地区总体网络覆盖率。（三） 实证结果与分析1. 实证结果总结运用R软件对式（2）进行多元回归分析，为消除解释变量间的多元共线性因素，采取逐渐引入变量的方式进行系统性分析。回归结果如下表所示：变量(1)(2)（3）（4）（5）log10PENDi2.11e-06 *（5.898）0.00334 *（3.208）0.0144 *（2.617）0.00534 *（3.040）0.0
42、0650 *（2.969）CSi1.5e-08 *（7.850）2.82e-06 *（5.892）6.17e-06 *（5.646）0.00019 *（4.372）EDUi0.0744 . （-1.856）0.03059 *（-2.287）0.02046 *（-2.475）FIi20.15756（1.455）0.36357（0.925）IUi0.05517 .（2.011）N3131313131Adjusted-R20.52970.84780.860.86560.8797表10：数字普惠金融影响因素回归结果2. 回归检验从上面的统计结果输出看到，总体而言5个因素的Adjusted-R2值较高，
43、反映出模型能过较好地解释我国数字普惠金融的区域发展差异，F统计量所对应的p-value也远远低于0.05的水平，模型从整体而言是显著的。但是Adjusted-R2值本身存在缺陷，会随着变量增多而增大，不能够有力地证明模型拟合的显著性。此外，变量之间是否存在共线性没有经过检验，所以需要对回归模型进行相关的检验。（1） 残差分析首先对模型进行残差分析，通过残差图直观对模型做出判断。图4：回归分析图形诊断一般情况下，当满足线性回归的基本假设时，残差图上的点应该是随机分布的，不呈现出任何的规律或趋势。根据图4所呈现的结果来看，左上的残差图整体而言呈随机分布，但是存在几个异常值使残差分布存在一定趋势，可
44、能存在异方差的情况，需要进一步检验。正态Q-Q图反映了样本是否近似服从正态分布。对于服从标准正态分布的样本数据而言，Q-Q图上的点应该位于直线附近。图中绝大多数点分布于y=x直线附近，仍然有几个异常点，可以判断样本总体呈正态分布。综上，数据可能具有异方差性，需要对异方差进行检验。（2） 异方差检验异方差的存在影响最小二乘估计量的有效性，此时t检验和F检验都不再有效，无法根据这些统计量反映的回归效果来进行分析和判断。运用R软件中的bptest()函数对回归模型进行BreuschPagan检验，得到的结果如下：图5：BreuschPagan检验结果从检验结果可以看到，检验的p-value很大，无法
45、拒绝原假设，因此认为原数据不具有异方差性。除了bptest()函数，R中gqtest()函数同样可以实现对样本的异方差检验，运用这一函数再一次对样本进行异方差检验：图6：Goldfeld-Quandt 检验结果检验结果与之前相同，p值较大，无法拒绝原假设。综合上述两个异方差检验的结果，可以得出结论，样本不存在异方差，无需进行修正。（3） 共线性检验此外，还需要对解释变量的相关关系进行检验。如果解释变量间存在相关关系，则回归模型中存在共线性特征，从而使模型估计失真。尤其由于本文模型中研究的经济变量之间容易出现相关的共同趋势，易产生多重共线性的情况，因此有必要对模型进行共线性检验。在R中通常采用计
46、算解释变量相关稀疏矩阵的条件数k来对变量共线性进行检验，如果k 100 多重共线性程度很小，100 k 1000 则多重共线性问题严重。计算得到k值为30.14732，因此可以认定解释变量间不存在多重共线性问题。3. 实证结果分析经过上面的回归检验，证明了回归模型是有效的，所以实证结果表明：（1）人口密度与数字普惠金融发展之间存在显著的正相关关系，回归系数为正，但是该关系并非线性关系，而是对数关系（对数拟合最优），说明地理优势能够促进更广泛的数字普惠金融普及度。在人口较为密集的地区，交通更为便捷，金融网点密度更大，数字普惠金融能够更为精准地服务到家庭或个人，有效地解释了我国数字普惠金融发展从东向西倾斜的趋势。（2）居民人均消费支出也显著影响了我国区域数字普惠金融