1、2023年 第4期北方BEIFANGJINGMAO经贸收稿日期：2022-10-12作者简介：王杨清(1999-)，女，浙江丽水人，硕士研究生，研究方向：经济学。互联网金融对家庭消费结构的影响分析王杨清（浙江财经大学 数据科学学院，杭州 310018）摘要：本研究基于 CHFS2019 数据，运用倾向得分匹配法实证研究互联网金融对家庭消费结构的影响，并探究互联网金融对家庭消费结构影响的异质性，最后通过中介模型进一步探讨其影响机制。研究结果显示：有互联网金融的家庭恩格尔系数较低，消费结构相对更倾向于发展型和享受型消费；互联网金融对家庭消费结构存在显著的正向影响，这种正向影响在高金融素养家庭、有信
2、贷需求家庭、无金融理财产品持有家庭中更为显著；家庭风险态度在互联网金融对家庭消费结构的影响中具有部分中介效应。关键词：互联网金融；家庭消费结构；家庭金融风险；PSM中图分类号：F830文献标识码：文章编号：1005-913X（2023）04-0079-06一、引言“构建国内国际双循环相互促进的新发展格局”是“十四五”时期一个重大战略部署，在双循环测度的背景下，消费侧逐渐纳入国内大循环测度的热门指标，有关研究显示消费侧包含消费水平、消费结构、消费升级和消费新业态，1可见，消费结构是消费侧改革的重要组成部分，因此，消费结构升级进一步推进了新发展格局之构建，成为实现经济高质量发展的重要前提。互联网金
3、融是融合互联网技术和金融理论搭建的互联网金融在线支付等服务体系。2近些年，随着互联网的不断普及，互联网金融得到了快速发展，全国第三方支付系统业务金额稳步增长，移动支付加速智能化升级，带来居民支付行为和支付方式的转变。由此，居民消费结构是否随之改变成为值得探讨的问题。近些年，有关互联网金融和消费结构之间的关系有许多研究。齐红倩和马湲君（2021）3构建 Ivprobit模型，研究互联网金融对城镇家庭消费结构升级的影响，结果显示互联网金融通过提高金融可得性、引导信贷需求促进城镇家庭消费结构升级。孙成昊和谢太峰（2020）4通过理论模型研究表明，互联网消费金融的发展可以显著提升家庭消费升级，并且对农
4、村家庭和中东部地区的影响更加明显。邢天才和张夕（2019）5通过构建 VAR 模型探究互联网消费金融对城镇居民家庭消费升级和消费倾向的影响方向和程度，研究表明两者之间存在带动效应。在互联网金融和消费升级之间的研究，主要集中运用不同类型的模型研究互联网金融对消费结构的影响，并多以城镇消费或农村消费为研究对象。鉴于此，本研究尝试以家庭为单位，使用微观调查数据，运用倾向得分匹配法（PSM）等方法实证研究互联网金融对家庭消费结构的影响，进一步探讨互联网金融对家庭消费结构的影响机制及其异质性分析。二、研究设计（一）数据来源和样本选择中国家庭金融调查（China Household FinanceSurv
5、ey，CHFS）是由西南财经大学家庭金融调查与研究中心在全国范围内展开的调查项目。2019 年，中心第五轮入户调查全面展开，样本规模约 4 万户，受访人数约 10 万人。经数据筛选和缺失值处理，最终选择 30782 份观测数据作为研究样本。（二）变量选取及说明1.被解释变量为探究互联网金融对家庭消费结构的影响，被解释变量设为消费结构。消费结构包含三种类型：生存型消费、发展型消费和享受型消费。生存型消费占比越大，表示该家庭越贫困，这与恩格尔系数理论相符合。因此，本研究以恩格尔系数为基础构建家庭消费结构指标。经济学家Orshansky M6研究发现，恩格尔系数在 0.3 处形成转折点，该点以上的家
6、792023年 第4期NORTHERN ECONOMY AND TRADE庭为贫困家庭，在该点以下为富裕家庭。因此，恩格尔系数小于 0.3 划分为消费结构较优的家庭并赋为1，大于 0.3 则赋为 0。消费结构变量命名为 eng_ri 变量，当 eng_ri 为 1 时说明家庭消费中生存型消费占比小而享受型消费和发展型消费的占比会大一些，家庭消费结构相对更优化。2.解释变量解释变量为互联网金融，互联网金融可以包含移动支付、互联网理财、互联网消费金融、数字金融与开放银行等方面。在家庭中，互联网金融更多涉及第三方支付体系有关服务。因此，在 CHFS2019 问卷的调查中，所设计的问题“目前，您家是否
7、开通支付宝、微信支付、京东网银钱包、百度钱包等第三方支付账户？”可用于衡量家庭互联网金融指标。拥有第三方账户表示涉及互联网金融即赋值为 1，没有涉及互联网金融则赋值为 0。3.匹配变量匹配变量参照已有研究，从以下三个方面选取代表性变量：一是家庭控制变量：家庭资产、家庭规模、家庭收入、家庭负债；二是户主变量：户主性别、户主年龄、健康状况、婚姻状况；三是社会变量：城市水平、城镇农村变量、省份变量、地区变量。4.中介变量为进一步分析互联网金融与家庭消费结构的影响路径，本研究尝试引入家庭金融风险态度（risk）变量衡量两者之间的中介效应。在 CHFS2019 问卷的调查中，所设计的问题“如果您有一笔资
8、金用于投资，您最愿意选择哪种投资项目？”可以表示被访者的投资倾向类型，其中选择“高风险”“略高风险”和“平均风险”赋值为 1，表示愿意接受更高风险的金融风险态度，选择“略低风险”“不愿意承担任何风险”和“不知道”赋值为 0，表示低风险的金融风险态度。5.异质性分析变量在 CHFS 调查中，设置了金融知识相关的题目，因此，将答对题目的被访者划分为高金融素养，答错则划为低金融素养；根据受访户信贷需求确认问题，划分为有信贷需求和无信贷需求群体；根据经济、金融方面的信息关注程度，将“非常关注、很关注、一般关注”划分为高关注度，其余划分为低关注度；根据受访户持有金融理财产品确认（不含互联网产品）问题，划
9、分为持有金融理财产品和无金融理财产品（变量说明如表 1 所示）。（三）研究方法1.倾向得分匹配法为了尽量克服内生性问题，本文使用倾向得分匹配法进行分析。倾向得分匹配法是按照互联网金融这一指标将观测数据分为处理组和控制组，将有互联网金融的家庭作为处理组，没有互联网金融的家庭作为控制组，通过一定的匹配原则，检验互联网金融对家庭消费结构的作用，进一步验证互联网金融对家庭消费结构的影响。计算倾向得分如式（1）：E（Yi）=E（YiTt=1，PiT（Xi）-E（YiKt=0，PiK（Xi）（1）其中，YiT是有互联网金融的结果变量，t=1 表示有互联网金融的样本；YiK为假设有互联网金融的家庭实际没有互
10、联网金融的结果变量，是无法观测的，t=0 表示没有互联网金融的样本；PiK表示控制组中最接近处理组样本拥有互联网金融的概率值PiT；Xi表示一组可能影响互联网金融发生的控制变量。匹配完成后，根据匹配后样本计算互联网金融对家庭消费结构的平均处理效应 ATT 值，即式（2）：ATT=1Ni，t=1（Y1iT-Y0iK）（2）2.机制检验随着家庭接触互联网金融，家庭金融风险态度会发生变化，从而产生不同的家庭消费行为，导致家庭消费结构的变化。因此，本研究将家庭金融风险态度变量作为中介变量，检验互联网金融是否对家庭金融风险态度产生影响，从而影响家庭消费结构的不一致性。构建中介效应模型如下：eng_ri=
11、0+1int_fina+iCi+i（3）risk=0+1int_fina+iCi+i（4）eng_ri=0+1risk+2int_fina+iCi+i（5）金融与资本802023年 第4期北方BEIFANGJINGMAO经贸表 2描述统计分析对象有互联网金融(n=15304)无互联网金融(n=15478)均值差均值标准差均值标准差城市水平 city_level城镇乡村 rural省份 prov_code地区 region2.2140.2437.0681.7980.8950.42715.0330.8692.3820.47536.5761.8480.8430.49915.0470.862-0.16
12、8-0.2350.492-0.05家庭资产 log_asset家庭负债 log_debt家庭储蓄 log_sav家庭收入 log_income5.8021.9673.1824.7970.6252.442.0010.6345.2350.9621.8594.3290.7671.8492.0840.7330.5671.0051.3230.468户主性别 gender户主年龄 age教育程度 educ婚姻状况 marriage健康状况 healthy0.75653.3123.9582.2542.4920.43312.2511.6971.0060.9320.7567.4642.7122.6183.001
13、0.44211.2441.2421.4481.0170.006-14.1521.246-0.364-0.509恩格尔系数 eng消费结构 eng_ri家庭风险态度 risk0.370.5640.2790.1790.4960.4490.4620.3720.0780.2030.4830.268-0.0920.1920.201表 1变量说明变量定义及赋值eng 恩格尔系数；eng_ri(1=富裕，0=贫困）int_fina 该家庭是否有互联网金融水平（1=有，0=无）city_level 所在城市（1=一线，2=二线，3=三线，4=四线）rural（0=城市，1=乡村）prov_code 调查问卷中
14、的省份编码region（1=东部，2=中部，3=西部）log_asset 家庭人均总资产的对数log_debt 家庭总负债的对数log_sav 家庭总储蓄对数log_income 家庭收入对数gender（1=男性户主，0=女性户主）age 离散变量educ(1=没上过学，2=小学，3=初中，4=高中，5=中专/职高，6=大专/高职，7=大学本科，8=硕士研究生，9=博士研究生)marriage（1=未婚，2=已婚，3=同居，4=分居，5=离婚，6=丧偶）healthy（1=非常好，2=好，3=一般，4=不好，5=非常不好）risk（1=高风险态度，0=低风险态度）tofina_skill（答
15、对金融知识题目=1，答错=0）cre_have（有信贷需求=1，无=0）fina_attention（高关注度=1，低关注度=0）fina 金融理财产品持有情况（不含互联网产品）（有=1，无=0）变量家庭消费结构互联网金融城市城镇乡村省份地区家庭资产家庭负债家庭储蓄额家庭收入户主性别户主年龄户主文化程度户主婚姻状况户主健康状况金融风险态度金融素养信贷需求金融关注度金融理财产品变量选取被解释变量解释变量匹配变量中介变量异质性分析变量三、实证分析（一）描述性统计变量描述性统计如表 2 所示。通过以下几个方面分析表 2 统计结果。一是社会特征：有互联网金融家庭居住城市水平更高，更有可能居住在城镇，且
16、更多属于中东部地区。二是家庭特征：有互联网金融家庭收入和资产更高，家庭储蓄明显更多，但家庭负债也高。三是户主特征：户主性别变量差异不大，说明样本具有合理性；有互联网金融家庭户主年龄更小，且教育程度更高，健康状况也更好。综812023年 第4期NORTHERN ECONOMY AND TRADE表 4匹配结果的平衡性检验2.2182.25-3.681.20.240.475-50.5-44.240.2420.251-29637.06836.5763.32.8737.08237.354-1.844.71.7981.848-5.8-5.11.81.819-2.163.85.8025.2358171.055.7975.783297.51.9670.96246.440.761.951.9042.195.54.7974.3368.259.814.7924.7693.495.10.7560.751.41.20.7560.76-0.93353.31267.464-120.4-105.653.39852.9843.597.13.9582.71283.873.613.9423.8943.396.12.254
