回归结果分析-脱贫攻坚与数字普惠金融实践

（1）面板数据的稳定性检验

本书利用ADF检验对变量的稳定性进行了检验，检验结果见表5.2。可以看出，所有变量都为1阶单整序列，在1%显著性水平下能够通过ADF检验，而原序列则为非平稳序列。

表5.2　面板数据的平稳性检验

在单整阶数相同的条件下，采用Pedroni检验法对模型中解释变量与被解释变量的面板数据进行协整检验，检验结果见表5.3。可以看出，在1%的显著水平下，变量之间协整检验的PP统计量和ADF统计量均显著，由此拒绝原假设，即解释变量普惠金融指数（INDEX）分别与被解释变量第一产业增加值（DCZ）、第一产业增加值占GDP比例（DCZZ）存在长期、稳定的协整关系。

表5.3　面板数据的协整检验

在协整关系成立的基础上，进一步考察解释变量与被解释变量之间的因果关系，Granger检验的结果见表5.4。可以看出，普惠金融指数（INDEX）与被解释变量第一产业增加值（DCZ）之间存在着单项的因果关系，即INDEX的变化可以影响DCZ。而普惠金融指数（INDEX）与第一产业增加值占GDP比（DCZZ）之间存在双向的因果关系，二者可以相互作用影响。

表5.4　面板数据的因果检验

综合以上分析可以得出，面板回归模型中所涉及的解释变量与被解释变量之间可以建立回归模型。(www.xing528.com)

（2）模型的设定检验

本书通过F检验和Hausman检验来判断所建立的面板数据模型是混合效应模型、固定效应模型还是随机效应模型。检验结果见表5.5。从检验结果来看，两个模型的F统计量和Hausman统计量在1%显著性水平下均是显著的，由此得出模型（5.1）和模型（5.2）均采用固定效应模型。

表5.5　模型类型选择检验

（3）面板数据的回归结果

利用Eviews 8.0对面板数据进行回归分析，其中，除解释变量DCZZ外，其他变量均做了取对数处理，并比较了加入控制变量前后的结果，见表5.6。在模型（5.1）中，普惠金融指数（INDEX）对第一产业增加值（DCZ）的变量显著性检验在1%的显著性水平下拒绝了原假设，即INDEX对DCZ有显著影响，并且控制变量加入后，并没有影响变量INDEX的显著性和模型整体的拟合性，说明模型的设定是合理的。同样，在模型（5.2）中，普惠金融指数（INDEX）对第一产业增加值占GDP比例（DCZZ）的变量显著性检验也在1%的显著性水平下拒绝了原假设，即INDEX对DCZZ有显著影响。并且控制变量的加入后，并没有影响变量INDEX的显著性和模型整体的拟合性，说明模型的设定是合理的。在以上检验结果的基础上，进一步对模型的结论做出经济解释。在模型（5.1）中，普惠金融指数（INDEX）每增加1%，对应的第一产业增加值（DCZ）会增加0.136%；在模型（5.2）中，普惠金融指数（INDEX）每增加1%，第一产业增加值占GDP比例（DCZZ）会下降0.7786%。初步可以得出，普惠金融能够对农业产业的发展和转型升级有着良好的促进作用。结合前文的机理分析，与林春等（2019）的研究结论一致，即普惠金融的发展使农村低收入群体能够更便利地获得有效金融服务，并在一定程度上增加乡镇企业等群体对农村劳动力的吸纳，从而推动了第一产业劳动力的转移^[8]。

表5.6　面板数据回归结果

续表

2015年年末，国务院在《推进普惠金融发展规划（2016—2020年）》^[9]（国发〔2015〕74号）中明确指出了普惠金融的发展意义，由此在2016—2018年间，数字普惠金融指数也发生了非常明显的变化，与2011—2015年间的指数形成鲜明对照，证明中国的数字普惠金融事业已经走过了粗放式的圈地时代，进入了深度拓展的新阶段。从郭峰、孔涛和王靖一等（2019）编制的“北京大学数字普惠指数”数据来看，2015年之前全国各地之间数字普惠金融发展差异较大，2015年之后差距有变小的趋势。但是从服务效率来看，农业结构转型升级的推进步伐是滞后于数字普惠金融的发展速度的，尤其是区域间差异较大。如果比较数字普惠金融指数（INDEX）、第一产业增加值（DCZ）和第一产业增加值占GDP比例（DCZZ）三个指标的变异系数的话（如图5.1所示），在2011—2018年间，我国各省（区）市间数字普惠金融的发展差异逐步缩小，由此数字普惠金融指数的变异系数在变小。在此期间，农业产业增加值和农业产业增加值占比两个指标的变异系数并没有发生明显变化，这说明数字普惠金融对农业产业转型升级的服务效率并没有提升。结合实际来看，目前我国数字普惠金融业发展仍存在普惠性不足的问题，农业领域中开展业务范围仍主要集中在支付领域，尤其是在经济发展水平相对落后的农村地区，潜在金融需求仍没有得到满足，数字普惠金融在农业生产领域的渗透率仍需进一步提升。