# 数字金融与居民消费：理论机制、数据来源与识别策略——近十年实证文献述评（初稿） > 初稿说明：本稿综述 2016—2026 年间的主要实证文献，并为理论溯源保留少量更早的奠基性文献（如 Jack and Suri，2014）。文献经 OpenAlex、Crossref、期刊官网和作者主页逐条核实。参考文献中标 † 的条目，其页码、题名或卷期只有单一来源或来源之间有冲突，投稿前需在中国知网（CNKI）复核。正文中对各文献结论的概括依据其摘要或期刊官网信息；凡转引自二手文献的，均已注明"据后续文献转述"。 **摘要**：过去十年，移动支付、网络消费信贷、互联网理财和保险等数字金融服务在中国快速普及，"数字金融能否以及如何提振居民消费"成为宏观政策和家庭金融研究的共同关切。本文从理论机制、数据来源和识别策略三个维度梳理国内外实证文献。现有研究大体一致地发现，数字金融与居民消费正相关，但在四个问题上分歧明显：效应的人群分布是"普惠"还是"马太效应"；主导机制是支付便利性还是流动性约束；数字金融缩小还是扩大了消费不平等；消费增加是否等于福利改善。造成分歧的原因主要在于：数字金融的测度口径不同（区域指数还是家庭使用），样本期与数据库不同，工具变量的排他性约束难以成立，以及机制检验过度依赖中介效应三步法。本文最后提出可切入的研究空白，包括：拆分数字金融各类业务、分别识别其因果效应，利用政策冲击做准实验识别，交叉核对效应量级，开展福利评估，以及研究数字金融进入成熟期后的效应变化。 **关键词**：数字金融；移动支付；网络消费信贷；居民消费；因果识别 --- ## 一、引言 扩大居民消费是构建以国内大循环为主体的新发展格局的核心议题。与此同时，以支付宝、微信支付为代表的移动支付，以及花呗、借呗、京东白条等网络消费信贷，已深度嵌入中国家庭的日常交易。北京大学数字金融研究中心编制的"北京大学数字普惠金融指数"覆盖省、市、县三级（郭峰等，2020），为大规模实证研究提供了基础数据，相关文献由此在 2018 年后迅速增加。在此之前，早期研究多以"互联网金融"为口径，基于宏观时间序列或省级数据展开（崔海燕，2016；张李义和涂奔，2017）；此后研究重心转向家庭微观数据与因果识别，并扩展到农村金融需求（傅秋子和黄益平，2018）、家庭货币需求（尹志超等，2019）、收入差距与贫困（周利等，2020；何宗樾等，2020）以及家庭脆弱性（赵亚雄和王修华，2022）等相邻议题。Huang 等（2020）对中国移动支付的发展历程及其在风险分担和创业方面的作用做了系统梳理。 现有综述多从"数字普惠金融的经济效应"整体出发（黄益平和黄卓，2018；Agarwal and Chua，2020），专门围绕居民消费、并系统比较识别策略的述评仍不多见。本文的贡献在于：（1）把分散的机制论述归纳为六条可检验的理论渠道；（2）比较区域指数、家庭调查和平台交易三类数据在测度上的系统差异；（3）评估主流识别策略的关键假设及其潜在威胁；（4）在此基础上梳理文献分歧的来源，提出具体的研究切入点。 需要说明的是，本文所说的"数字金融"包括数字支付、数字信贷（含先买后付，BNPL）、互联网理财和互联网保险四类业务。这四类业务影响消费的理论渠道并不相同，这一点是理解文献分歧的关键，后文将反复回到这里。 --- ## 二、理论机制 在标准的生命周期—持久收入假说框架下，消费由一生资源和跨期偏好决定，金融服务的便利与否本不应影响消费。数字金融之所以可能影响消费，是因为现实中存在交易成本、流动性约束、收入风险和行为偏差等摩擦。现有文献的理论论证大致可以归纳为六条渠道（见表 1）。 ### （一）交易成本与支付便利性 移动支付降低了"出门购物—携带现金—找零"的时间与交易成本。张勋等（2020）构建了含购物时间的一般均衡模型，指出数字金融通过节省购物时间提高消费。他们用中国家庭追踪调查（CFPS）数据匹配北京大学数字普惠金融指数，在工具变量估计下发现，支付便利性是数字金融促进消费的主要渠道，而以家庭负债比交互项检验的流动性约束渠道并不显著。Li 等（2023）提供了一个巧妙的佐证：在中国家庭金融调查（CHFS）数据中，降雨较多或日照较弱的地区，电子支付对家庭可选消费的促进作用更强，而医疗等必需消费不受影响，说明节省"出门成本"确实是其中一条渠道。国际上，Agarwal 等（2024）利用印度 2016 年废钞令造成的外生冲击发现：家庭此前对现金的依赖程度每高出 10 个百分点，数字支付使用率上升 2.94 个百分点，月度消费上升 2.38%；并且在现金供给恢复后消费仍维持在较高水平。他们排除了购买替代、收入冲击、信贷供给和价格变化等解释，将其归因于数字支付削弱了禀赋效应。 ### （二）流动性约束与信贷可得性 当家庭面临借贷约束时，消费对当期收入过度敏感（Zeldes，1989；Deaton，1991）。数字信贷依托大数据风控，降低了信息不对称和服务门槛，理论上可以放松这类约束。易行健和周利（2018）是国内较早基于家庭微观数据的研究，据后续文献转述，他们发现数字普惠金融主要通过缓解流动性约束和便利支付促进消费。谢家智和吴静茹（2020）基于 CHFS 2013 年数据和代际交叠模型，以工具变量两阶段最小二乘法发现，数字金融通过缓解信贷约束促进家庭消费，且对低收入和农村家庭作用更大。Zhao 等（2022）结合工具变量与双重差分法，发现移动支付促进农村家庭消费的渠道包括降低交易成本、缓解流动性约束和减少心理账户损失。尹志超和张号栋（2018）则在家庭层面讨论了互联网金融与信贷约束的关系，为这一渠道提供了前置证据。 国际证据显示，数字信贷的作用更多体现在冲击下的消费平滑，而非整体消费水平的提升。Suri 等（2021）研究了肯尼亚的数字贷款产品 M-Shwari，发现它没有替代其他信贷，但使受冲击家庭因冲击而放弃必要支出的概率下降了 6.3 个百分点。先买后付（BNPL）是数字信贷的新形态。Bian 等（2023）利用中国一家头部电子钱包的交易数据，考察了 BNPL 等内部支付选项对信贷扩张和消费行为的影响；Berg 等（2024）从商家角度发现，提供 BNPL 使销售额提高约 20%，主要来自信用资质较低的顾客；Ashby 等（2025）的实验研究表明，BNPL 甚至比信用卡更能刺激消费。 ### （三）预防性储蓄、风险分担与消费平滑 在收入不确定的情形下，家庭会进行缓冲存货式的预防性储蓄（Carroll，1997）；而完全风险分担意味着个体消费不应随个体特异性收入冲击波动（Townsend，1994）。数字金融降低了汇款和保险的成本，可能改善风险分担、降低预防性储蓄动机。 这一领域的奠基性证据来自 Jack and Suri（2014）：在肯尼亚，遭受负向冲击的非 M-PESA 用户消费下降约 7%，用户家庭的消费则基本不受影响，机制是汇款数量和汇款来源的多样性增加。Suri and Jack（2016）进一步估计，M-PESA 使约 19.4 万户（约 2%）肯尼亚家庭脱贫。中国情境下，Wang and Wang（2022）发现，在数字普惠金融发展较好的地区，家庭特异性收入冲击对消费增长的冲击被明显削弱；李政和李鑫（2022）利用全球金融包容性指数（Global Findex）数据发现，数字普惠金融帮助受冲击家庭平滑消费（主要体现在非耐用品上），但过度借贷会削弱这一作用；张龙耀和张静（2022）发现，数字普惠金融缓解了健康冲击对家庭非医疗消费的挤出。何宗樾和宋旭光（2020）把"降低不确定性、释放被抑制的需求"列为两条核心机制之一。尹志超等（2022）直接考察了移动支付对家庭储蓄率的影响。 ### （四）收入效应与财富效应 数字金融可能通过促进创业、非农就业和财产性收入，间接提高消费。张勋等（2019）发现数字金融通过促进创业带来包容性增长；张勋等（2021）发现数字金融对未接入互联网的家庭作用更大，机制是推动劳动力向非农就业转移。Luo 等（2022）基于 CFPS 数据，把创业和收入增加识别为数字金融促进消费的两条主要渠道。在财富效应方面，杨雅鑫等（2024）利用约 3 万名支付宝用户的理财数据，并以 CHFS 交叉验证，发现互联网理财收益产生了财富效应，提高了发展享受型消费的占比；Hong 等（2020）发现，金融科技使用程度更高的个体参与公募基金投资的概率和风险承担水平都更高。吴雨等（2021）则从资产组合有效性的角度提供了相关证据。 ### （五）心理账户与"支付痛感" 行为经济学认为，现金支付带来的"支付痛感"会抑制消费；而信用卡、电子支付等不透明的支付方式会削弱这种痛感（Prelec and Loewenstein，1998；Thaler，1999）。Prelec and Simester（2001）的实验显示，使用信用卡时的支付意愿明显更高。Zhao 等（2022）把"心理账户损失减少"作为移动支付促进农村消费的渠道之一，Agarwal 等（2024）提出的"禀赋效应减弱"也属于这一类解释。这条渠道的福利含义与前几条截然不同：如果消费增加源于行为偏差，那么消费增加不一定意味着福利改善（见第五部分第四节）。 ### （六）信息、消费场景与网络购物 数字金融通常嵌入电商平台和"超级 App"，扩大了可及的商品集合与消费场景。Li 等（2020）基于 CHFS 2013、2015、2017 年三期面板数据，在中介模型中识别出网络购物、数字支付、网络信贷、互联网理财和商业保险五条渠道。Carlin 等（2023）发现，金融信息聚合 App 上线降低了用户获取个人财务信息的成本，透支罚款随之减少，说明数字金融也可能通过改善信息来提高决策质量，而不只是刺激消费。 **表 1　数字金融影响居民消费的理论渠道与代表性证据** | 渠道 | 理论基础 | 主要对应业务 | 代表性实证 | 证据要点 | |---|---|---|---|---| | 交易成本/支付便利性 | 购物时间模型、交易成本 | 数字支付 | 张勋等（2020）；Li 等（2023）；Agarwal 等（2024） | 支付便利性是主要渠道；恶劣天气下效应更强；印度废钞令的准实验证据 | | 流动性约束/信贷可得性 | 借贷约束下的消费理论（Zeldes，1989；Deaton，1991） | 数字信贷、BNPL | 易行健和周利（2018）；谢家智和吴静茹（2020）；Zhao 等（2022）；Suri 等（2021）；Berg 等（2024） | 国内多数研究支持，但张勋等（2020）不支持 | | 预防性储蓄/风险分担 | 缓冲存货模型（Carroll，1997）；风险分担（Townsend，1994） | 支付（汇款）、保险、信贷 | Jack and Suri（2014）；Wang and Wang（2022）；李政和李鑫（2022）；张龙耀和张静（2022） | 冲击下消费平滑能力增强；过度借贷削弱这一效应 | | 收入/财富效应 | 持久收入假说 | 全业务、理财 | 张勋等（2019，2021）；Luo 等（2022）；杨雅鑫等（2024） | 经由创业、非农就业、理财收益间接起作用 | | 心理账户/支付痛感 | 行为经济学（Prelec and Loewenstein，1998；Thaler，1999） | 支付、BNPL | Prelec and Simester（2001）；Zhao 等（2022）；Ashby 等（2025） | 消费增加可能源于行为偏差，福利含义存疑 | | 信息/消费场景 | 搜寻成本、平台经济 | 支付+电商 | Li 等（2020）；Carlin 等（2023） | 网络购物是重要中介；信息改善可减少错误决策 | --- ## 三、数据来源 数据来源直接决定了"数字金融"测度的是什么，因而是理解文献分歧的第一把钥匙。现有研究使用的数据大致分为三类（见表 2）。 ### （一）区域层面：北京大学数字普惠金融指数 郭峰等（2020）基于一家代表性数字金融机构（蚂蚁集团）的海量微观数据，编制了覆盖 31 个省、337 个地级以上城市和约 2800 个县域的指数，包括覆盖广度、使用深度和数字化程度三个子维度，以及支付、信贷、保险、投资等业务分指数。大量省级或城市面板研究直接以该指数为核心解释变量，例如邹新月和王旺（2020）用省级面板空间计量模型发现，数字普惠金融通过收入、移动支付、消费信贷和保险四条渠道提高居民消费，且西部效应大于东部；江红莉和蒋鹏程（2020）、南永清等（2020）和吕雁琴和赵斌（2019）分别讨论了消费结构优化、城镇消费潜力和城乡消费差距。 这类数据的优势是覆盖面广、时间序列较长，局限也很明显。第一，指数反映的是单一平台的区域供给与使用状况，不等于家庭自身的使用。第二，区域指数与当地经济发展、互联网基础设施高度共线，遗漏变量问题突出。第三，区域加总无法区分"同一批家庭消费增加"和"人口构成变化"。 ### （二）家庭层面：微观调查数据 国内微观研究主要依托四类调查： - **中国家庭金融调查（CHFS）**：数据询问了移动支付、网购、网络借贷等使用情况，因而能够直接测度家庭层面的数字金融使用，是本领域使用最多的数据。例如易行健和周利（2018）、Li 等（2020）、谢家智和吴静茹（2020）、Zhao 等（2022）、Zhang 等（2022）、Yu 等（2022）、Liu 等（2020）、Chen 等（2024）、Wang 等（2025）。 - **中国家庭追踪调查（CFPS）**：多与区域指数匹配使用，例如张勋等（2019，2020，2021）、何宗樾和宋旭光（2020）、Luo 等（2022）、Hu 等（2023）、王海燕等（2021）。 - **中国综合社会调查（CGSS）、中国社会状况综合调查（CSS）、中国劳动力动态调查（CLDS）**：例如 He 等（2024）使用 CGSS 2017，祝仲坤（2020）使用 CSS2015，王修华和赵亚雄（2020）使用 CLDS。 - **国际调查**：如 Global Findex（李政和李鑫，2022）。 在实际使用中，家庭层面的数字金融变量有两种口径："所在地区的数字金融发展水平"（把区域指数匹配到家庭），以及"家庭自身是否使用"（如是否使用移动支付）。前者回答的是"环境效应"，后者回答的是"使用者效应"。两者的识别对象、选择偏差的来源和政策含义都不同，但不少文献在比较结论时并未加以区分。 ### （三）交易层面：平台与行政大数据 交易级数据近年开始出现，它能直接观测支付方式和消费金额，从而避免调查数据的回忆误差。国内的例子有：Hong 等（2020）使用的支付宝个体数据、Bian 等（2023）使用的电子钱包—商户匹配交易数据、杨雅鑫等（2024）使用的约 3 万名支付宝用户的理财与消费数据。国际上，Agarwal 等（2024）使用印度的消费交易数据，Higgins（2024）使用墨西哥借记卡发放与商户 POS 终端数据，Suri 等（2021）使用 M-Shwari 的行政数据，Carlin 等（2023）使用金融聚合平台的数据。这类数据的局限在于：只能观测单一平台内的消费（存在跨平台、跨支付方式替代），样本的代表性存疑，数据获取门槛也较高。 **表 2　三类数据来源的比较** | 数据类型 | 典型来源 | 数字金融测度 | 消费测度 | 主要优势 | 主要局限 | |---|---|---|---|---|---| | 区域指数面板 | 北京大学数字普惠金融指数 + 统计年鉴 | 区域供给/使用强度 | 区域人均消费 | 覆盖广、时间长、可做空间分析 | 与区域发展共线；生态谬误；单一平台口径 | | 家庭调查 | CHFS、CFPS、CGSS、CSS、CLDS | 家庭使用（是否使用）或匹配区域指数 | 家庭自报分类支出 | 可控制家庭特征；可分析异质性与消费结构 | 自选择；回忆误差；调查间隔约两年 | | 平台/行政交易数据 | 支付宝、电子钱包、印度消费交易、M-Shwari | 实际交易行为 | 交易金额、品类 | 高频、精确；可构造准实验 | 跨平台替代不可见；代表性与可得性受限 | --- ## 四、识别策略 数字金融的使用具有高度内生性：收入更高、受教育程度更高、更年轻的家庭既更可能使用数字金融，也有更高的消费；同时，消费需求本身也会推动支付工具的采纳（反向因果）。现有文献主要采用以下五类识别策略（见表 3）。 ### （一）固定效应面板回归 省级或城市面板的双向固定效应模型是早期研究的主流（如邹新月和王旺，2020；吕雁琴和赵斌，2019）。它能吸收不随时间变化的地区特征，但无法处理随时间变化的混杂因素，例如数字金融与互联网基础设施、电商物流、城镇化同步推进带来的影响。 ### （二）工具变量法 工具变量法是本领域最常用的策略，常见的工具有： 1. **到杭州的距离**：以蚂蚁集团总部所在地杭州为中心，地级市到杭州的球面距离衡量数字金融的扩散成本。该工具变量在张勋等（2019）之后被广泛采用，Hong 等（2020）也使用了类似的到杭州距离工具变量。主要威胁是排他性约束：到杭州的距离同时刻画了与长三角经济中心的距离，可能通过市场一体化、产业转移等渠道直接影响收入与消费。由于距离本身不随时间变化，实践中常与时间趋势或全国层面的变量交互，这又引入了类似 Bartik 工具变量的识别问题（Goldsmith-Pinkham et al.，2020）。 2. **到发达城市或省会的地理距离**：如张勋等（2021），威胁与上一类相同。 3. **地形起伏度**：Yu 等（2022）以地形起伏度作为数字普惠金融的工具变量，进行 2SLS 和 IV-Tobit 估计。但地形同样影响交通、市场可达性和农业生产方式，排他性存疑。 4. **诱致需求类工具变量**：Yang 等（2023）从移动支付的诱致需求角度构造工具变量，估计移动支付使农村家庭消费提高 29.8%—52.3%。 5. **同群均值**：许多 CHFS 研究以同社区或同城市其他家庭的使用率作为工具变量。这类工具变量在理论上违反排他性约束：同群使用率可能通过社会互动、本地商业环境直接影响消费。 ### （三）准自然实验与双重差分 国际上最可信的证据大多来自外生冲击：Agarwal 等（2024）利用印度废钞令，以家庭此前的现金依赖度作为冲击暴露强度；Higgins（2024）利用墨西哥政府向贫困家庭分批发放约 100 万张借记卡的政策；Jack and Suri（2014）以 M-PESA 代理网点的四倍扩张作为外生变异来源。国内研究中，Zhao 等（2022）结合工具变量与双重差分法；Liu 等（2020）利用新冠疫情冲击，考察疫情期间移动支付与家庭消费的关系；但利用政策冲击的研究总体仍然很少。此外，当处理时点交错且效应异质时，传统双向固定效应双重差分估计存在偏误，需要采用 Callaway and Sant'Anna（2021）、Sun and Abraham（2021）、de Chaisemartin and D'Haultfœuille（2020）等稳健估计量。 ### （四）匹配与再加权 He 等（2024）使用增广逆概率加权（AIPW）估计量；祝仲坤（2020）结合倾向得分匹配（PSM）、处理效应模型与 2SLS；Wang 等（2025）以 PSM 作为稳健性检验。匹配类方法依赖"可观测变量选择"假设，无法处理数字素养、风险偏好等不可观测因素造成的自选择。 ### （五）空间计量 邹新月和王旺（2020）等研究使用空间计量模型，刻画数字金融对邻近地区的溢出效应。需要注意的是，空间权重矩阵的设定具有任意性，空间模型本身也不解决内生性问题。 ### （六）机制检验方法 绝大多数中文文献采用 Baron and Kenny（1986）式的三步法中介效应模型检验机制。江艇（2022）系统指出，在因果推断框架下，三步法难以识别中介效应：中介变量本身是内生的，其系数无法解释为因果效应。他建议把重点放在识别"处理变量→中介变量"这一步的因果效应，并从理论上论证中介变量与结果变量之间的关系，或者通过理论推导出的异质性检验来佐证机制。按照这一标准，现有大量机制结论的证据强度有待重新评估。 **表 3　主要识别策略比较** | 策略 | 关键识别假设 | 代表性文献 | 主要威胁 | |---|---|---|---| | 双向固定效应面板 | 不存在时变混杂因素 | 邹新月和王旺（2020）；吕雁琴和赵斌（2019） | 数字金融与基础设施、城镇化同步推进 | | IV：到杭州距离 | 距离只通过数字金融影响消费 | 张勋等（2019）；Hong 等（2020） | 与长三角经济辐射相关；交互项的 Bartik 识别问题 | | IV：地形起伏度 | 地形只通过数字金融影响消费 | Yu 等（2022） | 地形影响交通、市场可达性与收入 | | IV：同群均值 | 同群使用不直接影响本户消费 | 大量 CHFS 研究 | 同群效应、本地商业环境 | | 准实验/DID | 平行趋势；冲击外生 | Agarwal 等（2024）；Higgins（2024）；Jack and Suri（2014）；Zhao 等（2022） | 预期效应；交错处理下的估计偏误 | | 匹配/AIPW | 可观测变量选择 | He 等（2024）；祝仲坤（2020） | 不可观测的数字素养与偏好 | | 中介三步法 | 中介变量外生（通常不成立） | 绝大多数中文文献 | 中介变量内生，不能解释为因果机制（江艇，2022） | --- ## 五、现有研究的主要分歧 ### （一）效应的人群分布："普惠"还是"马太效应" 这是最显著的分歧，两种结论都有不少文献支持。 - **支持"普惠"的研究**：易行健和周利（2018）据后续文献转述，发现促进作用在农村、中西部及中低收入家庭中更明显；Li 等（2020）发现资产较少、收入较低、金融素养较低以及三四线城市的家庭受益更大；Zhao 等（2022）发现移动支付对老年、低收入、低教育群体的作用更大；邹新月和王旺（2020）发现西部效应大于东部；谢家智和吴静茹（2020）发现低收入和农村家庭受益更大。 - **支持"马太效应"或城镇偏向的研究**：张勋等（2020）发现数字金融主要提升城镇居民消费，对农村居民消费没有明显提升；何宗樾和宋旭光（2020）发现效应集中在城镇居民的短期消费；Luo 等（2022）发现东部、城镇和高财富家庭效应更大；Li 等（2023）发现城镇、高学历、年轻家庭效应更大；王修华和赵亚雄（2020）发现非贫困户能借助数字金融平滑消费，贫困户却不能。 **分歧来源**：（1）数据库不同：CFPS 研究多指向城镇偏向，CHFS 研究多指向普惠，两者的抽样框和消费口径不同，值得做系统比较；（2）测度口径不同："地区数字金融水平"衡量的是潜在可及性，而农村家庭可能"有可及但未使用"；"家庭是否使用"则只在使用者内部比较，存在自选择；（3）样本期不同：早期数据（2013—2015）处于数字金融在农村快速渗透的阶段，边际效应可能更大；（4）异质性分析多采用分组回归，很少正式检验组间系数差异，部分"差异"可能并不显著。 ### （二）主导机制：支付便利性还是流动性约束 张勋等（2020）明确否定了流动性约束渠道的显著性，认为支付便利性起主导作用；而易行健和周利（2018）、谢家智和吴静茹（2020）、Zhao 等（2022）、Yang 等（2026）等均把缓解信贷或流动性约束视为关键渠道。造成分歧的一个重要原因是：多数研究用的是数字金融总指数，无法分离支付与信贷这两类业务；另一个原因是机制检验方法不同——张勋等（2020）用交互项，其他研究多用中介三步法。在江艇（2022）的框架下，后者的结论更难被视为因果证据。 ### （三）消费不平等：缩小还是扩大 Chen 等（2024）与 Wang 等（2025）基于 CHFS 发现，数字金融使用降低了农村家庭的消费不平等或相对剥夺；吕雁琴和赵斌（2019）发现数字普惠金融有助于缩小城乡消费差距。与此相反，齐红倩和刘倩含（2022）用再中心化影响函数（RIF）回归发现，数字普惠金融在提高消费水平的同时加剧了消费不平等；张勋等（2021）发现，数字鸿沟扩大了接入与未接入互联网家庭之间的收入与消费差距。分歧部分源于比较对象不同：前者比较的是使用者内部或农村内部的差距，后者比较的是接入者与未接入者之间的差距。前者的结论以"已接入"为前提，后者则揭示了"接入"本身的不平等。 ### （四）消费增加是否等于福利改善 多数中文文献默认"消费增加 = 福利改善"。但越来越多的证据表明需要区分不同情形：He 等（2024）基于 CGSS 2017 发现，移动支付提高了消费品与文娱支出，却显著降低了满足感、加重了抑郁（农村居民更明显）；王海燕等（2021）发现数字金融推高了家庭杠杆率；Chai and Qi（2025）基于 CHFS 2017—2021 年面板发现，移动支付提高了家庭过度负债的可能性；Ashby 等（2025）关于 BNPL 的实验证据也提示存在过度消费风险。反方向的证据则包括 Carlin 等（2023）发现的信息改善带来的错误决策减少，以及 Suri 等（2021）、李政和李鑫（2022）发现的消费平滑。由此可见，支付痛感/心理账户渠道带来的消费增加，与流动性约束放松带来的消费增加，福利含义可能截然不同。 ### （五）消费结构与效应形态 Hu 等（2023）、Yu 等（2022）、王小华等（2022）、杨雅鑫等（2024）关注消费升级（发展享受型消费占比提高）；Yang 等（2022）则聚焦农村生存型消费；何宗樾和宋旭光（2020）发现效应主要体现在必需的生活消费上。Yang 等（2026）进一步发现，数字普惠金融与生存型消费呈 U 型关系，对发展型消费有线性正效应，对享受型消费则呈非线性影响，说明"线性 + 总指数"的设定可能掩盖了结构性变化。效应是否持久同样存在分歧：何宗樾和宋旭光（2020）认为效应主要体现在短期；Agarwal 等（2024）则发现现金恢复后消费仍保持在较高水平。 ### （六）量级的可比性 不同研究报告的效应量级相差很大：Agarwal 等（2024）的准实验估计为"现金依赖度每高 10 个百分点，消费高 2.38%"；而部分基于 CHFS 横截面工具变量的研究，估计移动支付使农村家庭消费提高 30%—50%（Yang et al.，2023）。即使考虑处理定义（"是否使用"与"边际暴露"）和局部平均处理效应（LATE）的差异，后一类估计仍偏大。这可能反映了弱工具变量或排他性约束不成立带来的偏误，值得系统检验。 --- ## 六、研究空白与可切入方向 **1. 拆分数字金融各类业务，分别识别其因果效应，尤其是网络消费信贷** 现有研究多以总指数或"是否使用移动支付"作为解释变量，无法区分支付、信贷、理财、保险的独立作用，而这正是机制分歧的根源。中国本土关于花呗、白条等网络消费信贷（含 BNPL）影响消费与债务的因果证据仍然稀缺，宋科等（2023）讨论了互联网消费信贷与传统消费信贷的关系，Bian 等（2023）提供了平台层面的证据。可切入的方向包括：利用信用额度规则的断点做断点回归（RDD），或利用平台政策调整做事件研究。例如，2021 年起花呗、借呗等产品陆续接入央行征信系统的相关调整，可作为外生冲击的候选（具体时点与覆盖范围需另行核实）。 **2. 用政策冲击提高识别可信度** 国内研究利用外生冲击的很少。可考虑的冲击包括：数字人民币试点自 2019 年末起分批扩围（城市层面交错 DID）、平台监管整改、新冠疫情期间的线下消费限制（Liu et al.，2020），以及县域数字基础设施项目的分批建设。使用交错 DID 时，应报告 Callaway and Sant'Anna（2021）等稳健估计量和事件研究图，并检验平行趋势与预期效应。若沿用"到杭州距离 × 时间"类工具变量，建议按 Goldsmith-Pinkham 等（2020）的方法报告识别权重与暴露变量的平衡性检验。 **3. 量级的交叉核对与元分析** 就本文检索所及，尚未见到针对"数字金融—居民消费"中文文献的系统元分析。可以收集已发表估计值，统一换算为弹性或半弹性，检验发表偏倚（如漏斗图、PET-PEESE），并分析估计值的差异多大程度上可由数据库、测度口径、识别策略和样本期解释。这本身就是一项有贡献的研究，也能为第五部分的分歧提供定量裁决。 **4. 区分"支出增加"与"消费增加"：净效应与一般均衡** 自报支出的上升可能源于：线下向线上的渠道替代、跨期提前消费（被未来的还款抵消）、跨地区消费转移（邹新月和王旺（2020）的空间溢出），或价格变化。可以借助交易级数据或面板数据检验跨期替代（例如信贷使用后若干期的消费回落），借助区域数据检验邻近地区的负溢出，从而得到净效应。 **5. 福利评估与行为偏差** 现有文献极少进行福利评估。可以从以下角度切入：（1）结合主观福利、债务逾期、财务脆弱性等结果变量，区分"约束放松型"和"偏差驱动型"消费增加（参考 He et al.，2024；Chai and Qi，2025）；（2）构建含现时偏好的结构模型，量化 BNPL 的福利效应；（3）检验信息型数字金融工具（如记账、提醒类 App，参考 Carlin et al.，2023）能否抵消过度消费。 **6. 机制检验方法的规范化** 可按照江艇（2022）的建议，用理论推导出的异质性检验替代中介三步法。例如：若流动性约束是主导渠道，效应应集中在流动资产低于两个月收入的家庭（Zeldes 式分组）；若支付便利性是主导渠道，效应应集中在购物时间成本高的家庭或恶劣天气时期（类似 Li et al.，2023）；若心理账户是主导渠道，效应应集中在支付痛感敏感的品类上。 **7. 数字金融成熟期的效应变化** 现有证据主要来自 2011—2018 年，即数字金融的快速扩张期。2019 年后移动支付已近饱和，边际效应是否递减、效应形态是否非线性（如 Yang et al.，2026 发现的 U 型关系），亟需利用 CHFS 2019/2021、CFPS 2020/2022 等较新数据重新检验。尹志超等（2022）关于储蓄率的研究也提示，应关注更长期的跨期配置效应。 **8. 特定群体与数字鸿沟** 老年人（Yu 等（2022）发现存在年龄异质性；张勋等（2021）讨论了数字鸿沟）、流动人口/新市民、低数字素养群体在使用数字金融上存在障碍。可研究适老化改造、数字技能培训等干预对消费的影响，适合采用随机对照试验或田野实验。 **9. 供给侧与双边市场视角** Higgins（2024）显示了商户端技术采纳的网络外部性，Berg 等（2024）说明了 BNPL 的商户价格歧视机制，但中文消费文献几乎没有从商户、平台竞争角度出发的研究。可以把商户收款码普及、平台费率政策等因素纳入分析，研究数字金融通过供给侧（商品可得性、价格）影响消费的渠道。 **表 4　可切入的研究设计示例** | 选题方向 | 可用数据 | 识别策略 | 预期贡献 | |---|---|---|---| | 网络消费信贷接入征信对消费与负债的影响 | CHFS 面板 / 平台合作数据 | 事件研究 / DID（按使用强度划分暴露程度） | 补充 BNPL 的中国因果证据，区分约束放松与过度消费 | | 数字人民币试点与居民消费 | 城市面板 + 微观调查 | 交错 DID（稳健估计量） | 提供政策冲击识别的支付便利性证据 | | "数字金融—消费"中文文献元分析 | 已发表估计值 | 元回归、发表偏倚检验 | 定量解释文献分歧 | | 移动支付饱和期的边际效应 | CHFS 2015—2021、CFPS 2014—2022 | 面板 FE + 非线性/门槛设定 | 检验效应递减与形态变化 | | 流动性约束渠道的理论驱动检验 | CHFS | 流动资产分组 + IV | 用替代中介三步法的方式裁决机制分歧 | --- ## 七、结论 近十年的文献已形成一个基本共识：数字金融与居民消费正相关，且在冲击下有助于消费平滑。但"为什么"和"对谁"仍存在实质分歧。分歧主要源于三点：第一，"数字金融"是一个包含支付、信贷、理财、保险的复合概念，不同业务的作用渠道与福利含义迥异；第二，区域指数与家庭使用两种测度对应不同的估计对象；第三，主流工具变量的排他性约束和中介三步法的因果解释都较为薄弱。未来研究的边际贡献，很可能来自以下几个方面：拆分业务类型、利用外生冲击、引入交易级数据、开展福利评估，以及对已有估计进行系统的定量整合。 --- ## 参考文献 （按 GB/T 7714—2015 著者-出版年制排列，中文文献在前、按著者姓氏拼音排序，外文文献在后、按著者姓氏字母排序；标 † 者需在知网复核卷期或页码。） ### 中文文献 [1] 崔海燕. 2016. 互联网金融对中国居民消费的影响研究[J]. 经济问题探索, (1): 162-166. † [2] 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[J]. 金融研究, (11): 68-84. [3] 郭峰, 王靖一, 王芳, 等. 2020. 测度中国数字普惠金融发展：指数编制与空间特征[J]. 经济学(季刊), 19(4): 1401-1418. [4] 何宗樾, 宋旭光. 2020. 数字金融发展如何影响居民消费[J]. 财贸经济, (8): 65-79. [5] 何宗樾, 张勋, 万广华. 2020. 数字金融、数字鸿沟与多维贫困[J]. 统计研究, (10): 79-89. [6] 黄益平, 黄卓. 2018. 中国的数字金融发展：现在与未来[J]. 经济学(季刊), 17(4): 1489-1502. † [7] 江红莉, 蒋鹏程. 2020. 数字普惠金融的居民消费水平提升和结构优化效应研究[J]. 现代财经(天津财经大学学报), 40(10): 18-32. [8] 江艇. 2022. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, (5). † [9] 李政, 李鑫. 2022. 数字普惠金融与未预期风险应对：理论与实证[J]. 金融研究, (6): 94-114. [10] 吕雁琴, 赵斌. 2019. 数字普惠金融与城乡居民消费差距[J]. 金融与经济, (12): 76-81. [11] 南永清, 宋明月, 肖浩然. 2020. 数字普惠金融与城镇居民消费潜力释放[J]. 当代经济研究, (5): 102-112. † [12] 齐红倩, 刘倩含. 2022. 数字普惠金融发展对我国居民消费不平等的影响[J]. 经济问题探索, (10). † [13] 宋科, 武沛璋, 李鸿翔, 等. 2023. 互联网消费信贷与传统消费信贷：互补还是替代?[J]. 管理科学学报, (4): 41-61. † [14] 王海燕, 岳华, 李韫琪. 2021. 数字金融发展如何影响家庭"加杠杆"?——动态效应、异质性特征与机制检验[J]. 南方经济, 40(9): 18-35. [15] 王小华, 马小珂, 何茜. 2022. 数字金融使用促进农村消费内需动力全面释放了吗?[J]. 中国农村经济, (11): 21-39. [16] 王修华, 赵亚雄. 2020. 数字金融发展是否存在马太效应?——贫困户与非贫困户的经验比较[J]. 金融研究, (7): 114-133. [17] 吴雨, 李晓, 李洁, 等. 2021. 数字金融发展与家庭金融资产组合有效性[J]. 管理世界, (7): 92-104. [18] 谢家智, 吴静茹. 2020. 数字金融、信贷约束与家庭消费[J]. 中南大学学报(社会科学版), (2): 9-20. [19] 杨雅鑫, 宋科, 张劲帆. 2024. 互联网理财、财富效应与居民消费——来自互联网平台居民理财行为的微观证据[J]. 金融研究, (1): 56-75. [20] 易行健, 周利. 2018. 数字普惠金融发展是否显著影响了居民消费——来自中国家庭的微观证据[J]. 金融研究, (11): 47-67. [21] 尹志超, 公雪, 潘北啸. 2019. 移动支付对家庭货币需求的影响——来自中国家庭金融调查的微观证据[J]. 金融研究, (10): 40-58. [22] 尹志超, 吴子硕, 蒋佳伶. 2022. 移动支付对中国家庭储蓄率的影响[J]. 金融研究, (9): 57-74. † [23] 尹志超, 张号栋. 2018. 金融可及性、互联网金融和家庭信贷约束——基于CHFS数据的实证研究[J]. 金融研究, (11): 188-206. [24] 张李义, 涂奔. 2017. 互联网金融对中国城乡居民消费的差异化影响——从消费金融的功能性视角出发[J]. 财贸研究, (8): 70-83. [25] 张龙耀, 张静. 2022. 健康冲击、数字普惠金融与家庭消费[J]. 南方经济, 41(8): 39-51. [26] 张勋, 万广华, 张佳佳, 等. 2019. 数字经济、普惠金融与包容性增长[J]. 经济研究, 54(8): 71-86. [27] 张勋, 杨桐, 汪晨, 等. 2020. 数字金融发展与居民消费增长：理论与中国实践[J]. 管理世界, (11): 48-63. †（页码另有来源记为 48-62） [28] 张勋, 万广华, 吴海涛. 2021. 缩小数字鸿沟：中国特色数字金融发展[J]. 中国社会科学, (8): 35-51. [29] 赵亚雄, 王修华. 2022. 数字金融、家庭相对收入及脆弱性——兼论多维"鸿沟"的影响[J]. 金融研究, (10): 77-97. [30] 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"[J]. 经济学家, (5): 99-108. † [31] 祝仲坤. 2020. 互联网技能会带来农村居民的消费升级吗?——基于CSS2015数据的实证分析[J]. 统计研究, 37(9): 68-81. [32] 邹新月, 王旺. 2020. 数字普惠金融对居民消费的影响研究——基于空间计量模型的实证分析[J]. 金融经济学研究, 35(4): 133-145. ### 外文文献 [33] 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. [34] Agarwal S, Ghosh P, Li J, et al. 2024. Digital payments and consumption: evidence from the 2016 demonetization in India[J]. The Review of Financial Studies, 37(8): 2550-2585. [35] Ashby R, Sharifi S, Yao J, et al. 2025. The influence of the buy-now-pay-later payment mode on consumer spending decisions[J]. Journal of Retailing, 101(1): 103-119. [36] Baron R M, Kenny D A. 1986. The moderator–mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations[J]. Journal of Personality and Social Psychology, 51(6): 1173-1182. [37] Berg T, Burg V, Keil J, et al. 2024. The economics of "buy now, pay later": a merchant's perspective[R]. NBER Working Paper No. 33152. [38] Bian W, Cong L W, Ji Y. 2023. The rise of e-wallets and buy-now-pay-later: payment competition, credit expansion, and consumer behavior[R]. NBER Working Paper No. 31202. [39] Callaway B, Sant'Anna P H C. 2021. Difference-in-differences with multiple time periods[J]. Journal of Econometrics, 225(2): 200-230. [40] Carlin B, Olafsson A, Pagel M. 2023. Mobile apps and financial decision making[J]. Review of Finance, 27(3): 977-996. [41] Carroll C D. 1997. Buffer-stock saving and the life cycle/permanent income hypothesis[J]. The Quarterly Journal of Economics, 112(1): 1-55. [42] Chai S, Qi H. 2025. Mobile payments and households' over-indebtedness: micro evidence based on subjective and objective perspectives[J]. SAGE Open, 15(4): 21582440251388078. [43] Chen Z, Li X, Zhang J, et al. 2024. Does digital finance alleviate household consumption inequality? Evidence from China[J]. Finance Research Letters, 60: 104844. [44] de Chaisemartin C, D'Haultfœuille X. 2020. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review, 110(9): 2964-2996. [45] Deaton A. 1991. Saving and liquidity constraints[J]. Econometrica, 59(5): 1221-1248. [46] Goldsmith-Pinkham P, Sorkin I, Swift H. 2020. Bartik instruments: what, when, why, and how[J]. American Economic Review, 110(8): 2586-2624. [47] He Q, Ma W, Vatsa P, et al. 2024. Impact of mobile payment adoption on household expenditures and subjective well-being[J]. Review of Development Economics, 28(1): 264-285. [48] Higgins S. 2024. Financial technology adoption: network externalities of cashless payments in Mexico[J]. American Economic Review, 114(11): 3469-3512. [49] Hong C Y, Lu X, Pan J. 2020. FinTech adoption and household risk-taking: from digital payments to platform investments[R]. NBER Working Paper No. 28063. [50] Hu D, Zhai C, Zhao S. 2023. Does digital finance promote household consumption upgrading? An analysis based on data from the China family panel studies[J]. Economic Modelling, 125: 106377. [51] Huang Y, Wang X, Wang X. 2020. Mobile payment in China: practice and its effects[J]. Asian Economic Papers, 19(3): 1-18. [52] Jack W, Suri T. 2014. Risk sharing and transactions costs: evidence from Kenya's mobile money revolution[J]. American Economic Review, 104(1): 183-223. [53] Li J, Wu Y, Xiao J J. 2020. The impact of digital finance on household consumption: evidence from China[J]. Economic Modelling, 86: 317-326. [54] Li J, Luo S, Zhou G. 2023. Electronic payment, natural environment and household consumption: evidence from China household finance survey[J]. International Review of Financial Analysis, 85: 102472. [55] Liu T, Pan B, Yin Z. 2020. Pandemic, mobile payment, and household consumption: micro-evidence from China[J]. Emerging Markets Finance and Trade, 56(10): 2378-2389. [56] Luo S, Sun Y, Zhou R. 2022. Can fintech innovation promote household consumption? Evidence from China family panel studies[J]. International Review of Financial Analysis, 82: 102137. [57] Prelec D, Loewenstein G. 1998. The red and the black: mental accounting of savings and debt[J]. Marketing Science, 17(1): 4-28. [58] Prelec D, Simester D. 2001. Always leave home without it: a further investigation of the credit-card effect on willingness to pay[J]. Marketing Letters, 12(1): 5-12. [59] Sun L, Abraham S. 2021. Estimating dynamic treatment effects in event studies with heterogeneous treatment effects[J]. Journal of Econometrics, 225(2): 175-199. [60] Suri T, Jack W. 2016. The long-run poverty and gender impacts of mobile money[J]. Science, 354(6317): 1288-1292. [61] Suri T, Bharadwaj P, Jack W. 2021. Fintech and household resilience to shocks: evidence from digital loans in Kenya[J]. Journal of Development Economics, 153: 102697. [62] Thaler R H. 1999. Mental accounting matters[J]. Journal of Behavioral Decision Making, 12(3): 183-206. [63] Townsend R M. 1994. Risk and insurance in village India[J]. Econometrica, 62(3): 539-591. [64] Wang X, Wang X. 2022. Digital financial inclusion and household risk sharing: evidence from China's digital finance revolution[J]. China Economic Quarterly International, 2(4): 334-348. [65] Wang X, Li X, Zhou H. 2025. Digital finance use and household consumption inequality: evidence from rural China[J]. Review of Development Economics, 29(3): 1344-1360. [66] Yang B, Ma F, Deng W, et al. 2022. Digital inclusive finance and rural household subsistence consumption in China[J]. Economic Analysis and Policy, 76: 627-642. [67] Yang W, Yang P, Shi H, et al. 2023. Mobile payment application and rural household consumption—evidence from China household finance survey[J]. Sustainability, 15(1): 341. [68] Yang W, Mo X, Zeng Y, et al. 2026. How does digital inclusive finance impact consumption structure of urban–rural residents? Evidence from household survey data in China[J]. Review of Development Economics, 30(1): 313-330. [69] Yu C, Jia N, Li W, et al. 2022. Digital inclusive finance and rural consumption structure: evidence from Peking University digital inclusive financial index and China household finance survey[J]. China Agricultural Economic Review, 14(1): 165-183. [70] Zeldes S P. 1989. Consumption and liquidity constraints: an empirical investigation[J]. Journal of Political Economy, 97(2): 305-346. [71] Zhang J, Zhang H, Gong X. 2022. Mobile payment and rural household consumption: evidence from China[J]. Telecommunications Policy, 46(3): 102276. [72] Zhao C, Wu Y, Guo J. 2022. Mobile payment and Chinese rural household consumption[J]. China Economic Review, 71: 101719. --- ### 附：投稿前待办 - [ ] 在 CNKI 复核标 † 条目的卷期页码与题名，重点是张勋等（2020）的页码（48-63 还是 48-62）、江艇（2022）的页码、周利等（2020）的题名。 - [ ] 易行健和周利（2018）的工具变量构造与异质性结论目前依据后续文献转述，需读原文确认后再定稿。 - [ ] Hu 等（2023）、Yang 等（2022）、Zhang 等（2022）三篇英文文献本稿只引用了研究主题，未概括结论；如需在分歧部分展开，请先阅读全文。 - [ ] 第六部分提到的政策冲击（花呗、借呗接入征信，数字人民币试点批次）需核对官方文件的具体时间与范围。 - [ ] 引言中对崔海燕（2016）、张李义和涂奔（2017）"基于宏观或省级数据"的定性，是根据研究年代所作的概括，未读原文，定稿前请核对。