数字普惠金融对城乡收入差距的影响——长三角地区的实证分析

Mechanisms of Digital Inclusive Finance in Narrowing the Urban-Rural Income Gap—An Empirical Analysis of the Yangtze River Delta Region

摘要: 乡村振兴战略深入实施与新型城镇化建设稳步推进，城乡发展格局持续优化，但发展不平衡不充分问题仍未根本解决。基于2016~2022年长三角27个城市面板数据，本文实证检验数字普惠金融对城乡收入差距的影响及其机制。结果表明：数字普惠金融的发展显著缩小了城乡收入差距。并且该影响通过提升涉农信贷可得性和赋能农村电商产业集聚双路径实现。随后异质性分析显示，数字普惠金融的发展对城乡收入差距的缩小作用在江苏省和安徽省更为明显，在浙江省相对有限。据此，政府、金融机构、企业及社会组织应积极采取行动使数字普惠金融在促进城乡融合发展和实现共同富裕中发挥更为关键的作用。

Abstract: With the deepening implementation of the rural revitalization strategy and the steady advancement of new urbanization, the pattern of urban-rural development continues to optimize. However, the fundamental issues of unbalanced and insufficient development remain unresolved. Based on panel data from 27 cities in the Yangtze River Delta (YRD) region spanning 2016~2022, this paper empirically examines the impact of digital inclusive finance (DIF) on the urban-rural income gap and its underlying mechanisms. The results indicate that the development of DIF significantly narrows the urban-rural income gap. This impact is realized through dual pathways: enhancing the accessibility of Agri-credit and empowering the agglomeration of rural e-commerce industries. Subsequent heterogeneity analysis reveals that the narrowing effect of DIF development on the urban-rural income gap is more pronounced in Jiangsu and Anhui provinces, while relatively limited in Zhejiang province. Accordingly, governments, financial institutions, enterprises, and social organizations should actively take actions to enable DIF to play a more critical role in promoting integrated urban-rural development and achieving common prosperity.

1. 引言

实现共同富裕是社会主义的本质要求，其中缩小城乡收入差距是关键环节。随着互联网、大数据等数字技术的普及，普惠金融的数字化转型成为提升金融包容性的重要力量。《数字经济促共富方案》(2023)进一步明确了数字普惠金融在促进共同富裕中的核心作用，为城乡收入收敛提供了新的路径。

学术界关于金融发展与收入差距的关系尚未形成一致结论，既有研究指出其可能遵循“倒U型”轨迹[1]，也可能呈现正向[2]或负向[3]关联。这些讨论多集中于宏观层面，对数字普惠金融具体的中介传导机制及其区域异质性的微观实证检验仍显不足。长三角地区作为国家经济发展的核心板块，尤其是浙江共同富裕示范区的建设，为相关研究提供了重要场域，然而针对该区域内部三省一市的深入异质性分析仍有欠缺。

因此，本文基于长三角地区27个城市2016~2022年的面板数据，综合运用固定效应模型、稳健性与内生性检验，实证分析数字普惠金融对城乡收入差距的影响，并重点通过机制检验与异质性分析，揭示其通过“提升涉农信贷可得性”与“赋能农村电商产业集聚”两条路径的作用机理及地区差异，以期为长三角地区数字普惠金融政策的精准优化提供依据。

本文后续结构安排如下：第二部分构建影响机制框架并提出研究假设；第三部分详述变量选取与数据来源；第四部分进行实证分析；第五部分进一步分析机制检验与异质性分析；第六部分总结研究结论并提出政策建议。

2. 数字普惠金融概述与影响机制分析

数字普惠金融依托大数据、人工智能等数字技术，旨在降低服务成本、突破时空限制，为传统金融难以覆盖的群体提供高效、安全的金融服务。这一模式为缓解城乡收入差距提供了新路径。其作用主要体现在以下两个核心机制。

2.1. 提升信贷可得性

传统金融机构因信息不对称和缺乏抵押物，对农户信贷支持有限。数字普惠金融利用大数据风控和移动支付技术，能够精准刻画农村信用画像，降低了金融机构的审贷成本与风险溢价，显著提升了涉农贷款的投放规模。这一路径直接缓解了农业生产和农村创业的资金匮乏问题，通过增加农民信贷资金投入来提高其生产性收入。后文将使用“涉农贷款余额”(Agri_credit)变量进行实证检验。

2.2. 推动农村电商集聚

数字普惠金融通过优化农村支付环境和提供电商专项贷款，大幅降低了农村居民参与电子商务的门槛。随着数字支付、农村物流与普惠信贷的深度融合，农村地区形成了以“淘宝村”为代表的电商产业集聚效应。这种集聚不仅创造了大量非农就业岗位，还带动了农村产业链的数字化转型，显著提升了农户的经营性收入。后文将引入“淘宝村数量”(Taobao_villages)变量进行检验。

基于以上机制分析，本文提出如下研究假设：

H1：发展数字普惠金融有助于缩小城乡收入差异；

H2：数字普惠金融通过增加涉农贷款规模，缓解信贷约束，从而缩小城乡收入差距；

H3：数字普惠金融通过推动淘宝村产业集聚，赋能农村电商发展，从而缩小城乡收入差距。

3. 变量测度与数据说明

3.1. 被解释变量

本文借鉴杨伟明等用泰尔指数来度量城乡收入差距[4] (Theil)。泰尔指数是经济学家泰尔(1967)提出的可以用来衡量地区间收入差距的指标，其取值范围为0到1之间，值越大代表越不平等，也即内部发展更不均衡。

假设一个国家或地区由n个个体组成，y_i表示第i个个体的收入，$\overline{y}$ 表示总收入的平均值。则泰尔指数T可以表示为：

$T=\frac{1}{n}{\displaystyle \sum _{i=1}^n\frac{y_i}{\overline{y}}}\ln \left(\frac{y_i}{\overline{y}}\right)$ (1)

因此，当泰尔指标数值较低时，表明该地区城镇居民和乡村居民收入差距正在逐年减小；反之亦然。根据长三角地区各省统计年鉴，本文整理出长三角地区范围内的27个地级城市2016至2022年间7年间城乡可支配收入的变化情况及其相关数据，并基于公式(1)计算出对应的泰尔指数。如表1所示，研究期内区域整体泰尔指数呈下降趋势，表明城乡收入差距持续收敛，但各省份间存在差异，安徽省内城市的泰尔指数普遍高于苏浙地区。

Table 1. Theil index of 27 prefecture-level cities in the Yangtze River Delta (2016~2022)

表1. 长三角27个地级城市的泰尔指数(2016~2022)

城市	2016	2017	2018	2019	2020	2021	2022
上海市	0.0210	0.0207	0.0204	0.0198	0.0192	0.0183	0.0179
南京市	0.0365	0.0358	0.0351	0.0333	0.0316	0.0300	0.0284
无锡市	0.0277	0.0274	0.0269	0.0258	0.0248	0.0238	0.0229
常州市	0.0360	0.0350	0.0340	0.0326	0.0312	0.0300	0.0288
苏州市	0.0323	0.0320	0.0315	0.0302	0.0289	0.0277	0.0266
南通市	0.0514	0.0493	0.0471	0.0457	0.0444	0.0431	0.0417
扬州市	0.0444	0.0426	0.0409	0.0395	0.0383	0.0369	0.0356
镇江市	0.0409	0.0395	0.0379	0.0362	0.0346	0.0331	0.0316
泰州市	0.0507	0.0486	0.0459	0.0447	0.0437	0.0426	0.0441
盐城市	0.0344	0.0333	0.0322	0.0310	0.0291	0.0277	0.0265
徐州市	0.0391	0.0378	0.0362	0.0337	0.0315	0.0294	0.0275
连云港市	0.0496	0.0474	0.0458	0.0442	0.0427	0.0413	0.0399
杭州市	0.0278	0.0264	0.0255	0.0236	0.0219	0.0204	0.0189
宁波市	0.0288	0.0283	0.0272	0.0258	0.0246	0.0236	0.0226
温州市	0.0453	0.0436	0.0422	0.0405	0.0389	0.0376	0.0364
嘉兴市	0.0283	0.0275	0.0261	0.0242	0.0226	0.0211	0.0198
绍兴市	0.0349	0.0331	0.0317	0.0297	0.0278	0.0259	0.0242
金华市	0.0517	0.0501	0.0476	0.0458	0.0441	0.0425	0.0409
台州市	0.0510	0.0495	0.0482	0.0463	0.0447	0.0433	0.0420
合肥市	0.0399	0.0378	0.0360	0.0338	0.0318	0.0298	0.0279
芜湖市	0.0388	0.0376	0.0368	0.0355	0.0343	0.0332	0.0330
安庆市	0.0939	0.0908	0.0882	0.0853	0.0828	0.0805	0.0785
宿州市	0.1091	0.1062	0.1030	0.0979	0.0936	0.0899	0.0865
亳州市	0.0918	0.0899	0.0876	0.0845	0.0819	0.0795	0.0774
阜阳市	0.1117	0.1084	0.1046	0.1008	0.0975	0.0945	0.0917
蚌埠市	0.0746	0.0720	0.0685	0.0657	0.0632	0.0608	0.0585
淮南市	0.0834	0.0796	0.0771	0.0741	0.0713	0.0688	0.0664

数据来源：作者根据长三角地区各省统计年鉴(2016~2022)计算得出。

3.2. 解释变量

当前，学界普遍运用北大数字金融中心与阿里金融研究院合编的数字普惠金融指数，衡量数字普惠金融的发展状况。它基于覆盖广度、使用深度和数字化程度三个一级维度，涵盖33个具体指标。北京大学的数字普惠金融指数旨在衡量地区的金融服务能力，通过上述三个维度反映相应的服务能力。

(a) 长三角部分地区数字普惠金融指数DIFI (b) 数字普惠金融覆盖广度DIFI1

(c) 数字普惠金融使用深度DIFI2 (d) 数字普惠金融数字化程度DIFI3

数据来源：北京大学的数字普惠金融指数(2016~2022)。

Figure 1. Digital financial inclusion index (DIFI) of partial regions in the Yangtze River Delta by different dimensions

图1. 不同维度下长三角部分地区数字普惠金融指数DIFI

因此，本文利用北京大学2021年发布的数字普惠金融指数作为核心解释变量，以长三角地区的各个城市为研究对象，进行了深入探讨。本文选用的2016~2022年长三角地区27个城市的部分实证数据如图1所示。

如图1所示，2016至2022年间，我国数字普惠金融发展整体水平持续攀升。图表显示，各地区发展存在差异，内部不平衡。

3.3. 控制变量

在控制变量的选择上，本文参考了张勋、郭峰、周利等学者的研究[5]-[7]，结合长三角地区的实际情况，选取了一系列对城乡收入差距有潜在影响的变量。具体包括经济发展水平(GDP)、产业结构(IS、TER)、就业状况(UN)、人口规模(POP)、工业化程度(IND)、对外开放度(FIE)、政府支出(EXP)及金融发展规模(FIN)等变量。具体变量名称与定义详见表2。

Table 2. Variable Definitions

表2. 变量定义

变量	变量定义	来源
核心变量
Theirl	城乡收入差距(泰尔指数)	作者根据长三角地区各省统计年鉴(2016~2022)计算
DIFI	数字普惠金融总指数	北京大学数字普惠金融指数(2016~2022)
DIFI1	数字普惠金融覆盖广度	北京大学数字普惠金融指数
DIFI2	数字普惠金融使用深度	北京大学数字普惠金融指数
DIFI3	数字普惠金融数字化程度	北京大学数字普惠金融指数
控制变量
GDP	地区生产总值(万元)，本文取其绝对数进行研究	国泰安
IS	第二产业增加值(百亿元)	国泰安
TER	第三产业增加值(百亿元)	国泰安
UN	年末城镇登记失业人员数(万人)	国泰安
POP	城镇户籍人口(万人)	国泰安
IND	规模以上工业企业数(千个)	国泰安
FIE	外商投资企业数(千个)	国泰安
EXP	地方财政一般预算内支出(万元)， 本文取其对数进行研究	国泰安
FIN	年末金融机构存款余额(万元)， 本文取其对数进行研究	国泰安
机制变量
Taobao_villages	本文中代表信贷可得性：对涉农贷款余额取对数。反映农村信贷资金供给规模。	统计年鉴
Agri_credit	本文中代表电商集聚度：淘宝村数量。反映农村电子商务产业的活力与集聚程度。	阿里研究院《中国淘宝村研究报告》

4. 实证检验

4.1. 描述性统计

本文将城镇与乡村居民之间的收入差距(Theirl)作为被解释变量，数字普惠金融指数(DIFI)作为核心解释变量[8]。此外，通过选定的上述九个控制变量来研究数字普惠金融对长三角地区的城乡收入差距的影响。其描述性统计如表3所示。

Table 3. Descriptive statistical analysis of variables

表3. 变量的描述性统计分析

Variable	Obs	Mean	Std.Dev.	Min	Max
Theirl	189	0.046	0.023	0.018	0.112
DIFI	189	2.782	0.474	1.801	4.607
DIFI1	189	2.731	0.575	1.505	4.559
DIFI2	189	2.763	0.433	1.875	5.107
DIFI3	189	2.984	0.401	1.993	4.672
GDP	189	17.821	0.825	16.081	19.917
IS	189	31.652	24.611	4.049	115.214
TER	189	42.858	52.141	3.908	330.968
UN	189	2.125	3.618	0	24.26
POP	189	110.778	217.297	0	1343
IND	189	3.955	2.725	0.603	13.277
FIE	189	0.395	0.669	0.002	2.91
EXP	189	15.858	0.721	14.595	18.358
FIN	189	18.325	1.005	16.582	21.315
Internet rural	189	4.534	1.99	0.841	9.224
Business rural	189	2.488	1.556	0.628	9.438

注：受北大数字普惠金融指数发布年限、部分城市数据可得性及统计口径一致性限制，本文最终构建了2016~2022年长三角27个城市的平衡面板数据。样本覆盖了该区域主要经济与人口，且时间跨度恰逢数字普惠金融快速发展期，具有代表性。

4.2. 基准回归分析

本文采取固定效应模型进行分析，构建如下基准回归模型：

${\text{Theirl}}_{it}={\beta }_0+{\beta }_1{\text{DIFI}}_{it}+{\eta }_x{X}_{it}+{\lambda }_i+V_t+{\epsilon }_{it}$ (2)

其中，${\text{DIFI}}_{it}$ 表示核心解释变量各个地区不同年份的数字普惠金融指数，$X_{it}$ 表示控制变量，${\beta }_1$ 、${\eta }_x$ 为回归系数，${\lambda }_i$ 代表省份固定效应，$V_t$ 代表时间固定效应。

Table 4. The impact of digital inclusive finance on the urban-rural income gap

表4. 数字普惠金融对城乡收入差距的影响

	(1)	(2)
	Theirl	Theirl
DIFI	−0.0652^***	−0.0786^***
	(−11.4975)	(−8.6610)
GDP		−0.0412^***
		(−7.6442)
IS		−0.0004^**
		(−2.3135)
TER		0.0003^**
		(3.0796)
UN		−0.0014^***
		(−3.5319)
POP		−0.0000^**
		(−2.5699)
IND		0.0038^***
		(3.7846)
FIE		−0.0050^*
		(−1.7251)
EXP		0.0018
		(0.3490)
FIN		0.0309^***
		(7.0270)
_cons	0.2271^***	0.3970^***
	(14.3719)	(6.4649)
N	189	189
Year FE	Yes	Yes
Province FE	Yes	Yes
R-sq	0.769	0.896
adj. R-sq	0.756	0.885
F	132.1916	48.7428
p	0.0000	0.0000

注：^***、^**、^*分别代表1%、5%、10%的显著性水平；括号中为t值。

表4的基准回归结果显示，无论是否纳入控制变量，DIFI的系数均显著为负，表明其对缩小长三角地区城乡收入差距具有稳定的促进作用。具体而言，指数每提升1单位，城乡收入差距平均降低约.0786单位，初步验证了假设H1。控制变量中，城镇化率、产业结构和金融化程度亦呈现显著的负向影响。该结果为后续分析其具体作用机制提供了基础。

4.3. 稳健性检验

为增强研究结论的可信度，本研究将数字普惠金融指数细化为覆盖广度(DIFI1)、使用深度(DIFI2)及数字化水平(DIFI3)三维度，重新评估长三角27个地级市普惠金融对收入差距的作用[9]。表5检验结果显示，覆盖广度显著缩小了城乡收入差距，是数字普惠金融缩小城乡收入差距的主要驱动力。而使用深度和数字化水平的影响不显著，这可能源于其发展程度或传导机制的差异。此外，控制变量的显著性与符号与基准回归相符，进一步证实了结论的可靠性。因此，研究进一步支持了假设H1，即数字普惠金融发展有利于缩小城乡收入差距。

Table 5. Analysis of the impact of digital inclusive finance coverage breadth (DIFI1, DIFI2, DIFI3) on the urban-rural income gap

表5. 数字普惠金融覆盖广度DIFI1、DIFI2、DIFI3对城乡收入差距的影响分析

	(1)	(2)	(3)
	Theirl	Theirl	Theirl
DIFI1	−0.0697^***
	(−8.5672)
DIFI2		−0.0398^***
		(−6.5977)
DIFI3			−0.0023
			(−0.3216)
GDP	−0.0356^***	−0.0535^***	−0.0628^***
	(−6.1811)	(−10.0612)	(−10.9124)
IS	−0.0006^**	−0.0002	−0.0002
	(−2.9189)	(−1.1708)	(−0.9635)
TER	0.0003^**	0.0001	−0.0000
	(3.0338)	(0.7317)	(−0.3615)
UN	−0.0006	−0.0020^***	−0.0009^**
	(−1.5467)	(−4.4643)	(−1.9914)
POP	−0.0000^**	−0.0000	−0.0000
	(−2.5384)	(−0.8663)	(−0.5648)
IND	0.0035^***	0.0033^**	0.0032^**
	(3.4551)	(3.0509)	(2.6117)
FIE	−0.0006	−0.0052^*	−0.0026
	(−0.1934)	(−1.6828)	(−0.7139)
EXP	0.0031	0.0116^**	0.0306^***
	(0.6059)	(2.2882)	(6.5552)
FIN	0.0278^***	0.0309^***	0.0206^***
	(6.4126)	(6.4320)	(4.0428)
_cons	0.3073^***	0.3580^***	0.3087^***
	(5.0753)	(5.4844)	(3.9159)
N	189	189	189
Year FE	Yes	Yes	Yes
Province FE	Yes	Yes	Yes
R-sq	0.896	0.881	0.851
adj. R-sq	0.884	0.868	0.834
F	48.3080	40.2734	28.5911
p	0.0000	0.0000	0.0000

注：^***、^**、^*分别代表1%、5%、10%的显著性水平；括号中为t值。

4.4. 内生性检验

为缓解反向因果引致的内生性问题，本文采用滞后一期的数字普惠金融指数(L.DIFI)进行回归。表6结果显示，其系数依然显著为负，与基准回归结论一致。这表明前期的数字普惠金融发展能显著缩小当期的城乡收入差距，增强了研究结论的可靠性。

Table 6. Endogeneity test: regression results of the one-period lagged variable

表6. 内生性检验：滞后一期变量回归结果

	(1)	(2)
	Theirl	Theirl
L.DIFI	−0.0634^***	−0.0827^***
	(−10.4762)	(−8.3708)
GDP		−0.0387^***
		(−6.5264)
IS		−0.0006^**
		(−2.7375)
TER		0.0003^**
		(2.8673)
UN		−0.0015^***
		(−3.5730)
POP		−0.0000
		(−1.1463)
IND		0.0041^***
		(3.9756)
FIE		−0.0036
		(−1.1094)
EXP		0.0001
		(0.0213)
FIN		0.0322^***
		(6.4184)
_cons	0.2162^***	0.3605^***
	(13.1948)	(5.2780)
N	162	162
Year FE	Yes	Yes
Province FE	Yes	Yes
R-sq	0.765	0.897
Adj.R-sq	0.751	0.884
F	109.7499	41.8588
P	0.0000	0.0000

注：^***、^**、^*分别代表1%、5%、10%的显著性水平，括号中为t值。

5. 进一步检验

5.1. 机制路径检验：提升涉农信贷可得性与赋能农村电商产业集聚

基于前文构建的理论框架，本研究实证检验了数字普惠金融通过提升涉农信贷可得性与赋能农村电商产业集聚两条路径影响城乡收入差距的机制。表7结果显示，在信贷供给维度，数字普惠金融对涉农贷款余额的影响显著为正，验证了假设H2，即数字普惠金融凭借大数据风控等技术手段，有效降低了农村金融服务的门槛与成本，通过“金融资源下沉”精准缓解了农户的融资约束。在产业赋能维度，数字普惠金融对淘宝村数量的影响系数为1.6355，验证了假设H3，表明数字普惠金融在完善支付体系与提供普惠信贷支持的基础上，显著推动了农村电商产业的集聚与壮大，进而通过带动非农就业与提升经营性收入实现减贫增收。综上所述，数字普惠金融既能通过“资金滴灌”强化涉农信贷供给，也能通过“产业赋能”激活农村电商活力，双向驱动长三角地区城乡收入差距的持续收敛。

Table 7. Mechanism path test results

表7. 机制路径检验结果

	(1)	(2)
	Taobao_villages	Agri_credit
DIFI	1.6355^**	0.3138^***
	(2.5360)	(3.2564)
GDP	−2.1995^***	0.1701^***
	(−5.2193)	(2.7013)
IS	0.0549^*	0.0089^**
	(1.8693)	(2.0296)
TER	0.1138^***	0.0087^*
	(3.4441)	(1.7695)
UN	0.0451^*	0.0117^***
	(1.6868)	(2.9404)
POP	0.0007	0.0001
	(1.3891)	(1.3337)
IND	0.3116^***	−0.0567^***
	(4.9342)	(−6.0054)
FIE	−0.5235^***	0.1890^***
	(−2.7972)	(6.7585)
EXP	2.2257^***	0.1957^***
	(4.5698)	(2.6891)
FIN	−0.9345^***	0.6929^***
	(−2.7609)	(13.6979)
_cons	7.8556^**	−12.2327^***
	(2.3206)	(−24.1803)
N	189	189
Year FE	Yes	Yes
Province FE	Yes	Yes
R-sq	0.741	0.990
Adj.R-sq	0.712	0.989
F	70.7652	14.2381
P	0.0000	0.0000

注：^***、^**、^*分别代表1%、5%、10%的显著性水平，括号中为t值。

5.2. 异质性检验

表8中，本文进一步对长三角地区三省(由于上海市一市观测值不足，遂选取江苏省、浙江省和安徽省三省数据)开展异质性分析，旨在深入探究数字普惠金融对城乡收入差距的影响在不同地区间的差异，为因地制宜制定政策提供更具针对性的参考。

Table 8. Heterogeneity test results of Jiangsu, Zhejiang and Anhui provinces

表8. 江苏、浙江、安徽三省异质性检验结果

	(1)	(2)	(3)
	江苏省	浙江省	安徽省
	Theirl	Theirl	Theirl
DIFI	−0.1032^***	−0.0263^*	−0.1131^***
	(−4.8236)	(−1.9208)	(−4.9538)
lngdp	−0.0273^**	−0.0690^***	−0.0163
	(−2.9851)	(−5.4519)	(−1.3296)
is	0.0006^**	0.0006^**	−0.0013
	(2.1124)	(2.9302)	(−1.1831)
ter	0.0001	0.0001	0.0009^**
	(0.6971)	(0.7176)	(3.3624)
un	0.0006	−0.0001	0.0014^*
	(0.8760)	(−0.1845)	(1.8847)
pop	−0.0000	−0.0000	0.0000
	(−1.4042)	(−1.1041)	(0.0781)
ind	−0.0008	−0.0002	0.0256^***
	(−0.6257)	(−0.1875)	(3.9654)
fie	−0.0019	−0.0326^***	−0.3202^**
	(−0.6920)	(−8.7406)	(−2.0679)
lnexp	−0.0333^***	0.0255^***	−0.0016
	(−3.9720)	(4.0143)	(−0.1018)
Lnfin	0.0334^***	0.0190^*	0.0127
	(5.1153)	(1.7131)	(1.1442)
_cons	0.7100^***	0.5795^***	0.4112^*
	(5.5799)	(3.8371)	(1.7276)
N	77	49	56
Year FE	Yes	Yes	Yes
Province FE	Yes	Yes	Yes
R-sq	0.633	0.956	0.964
Adj.R-sq	0.535	0.935	0.949
F	7.9431	63.3352	99.7080
P	0.0000	0.0000	0.0000

注：^***、^**、^*分别代表1%、5%、10%的显著性水平，括号中为t值。

表8异质性结果揭示了数字普惠金融收敛城乡收入差距的区域非均衡性：其效应在安徽最强，江苏次之，而在经济最发达的浙江相对微弱。这一梯度差异深刻反映了数字红利的边际递减规律与门槛效应。一方面，安徽等地传统金融供给相对不足，数字普惠金融发挥了关键的“补位”作用，边际回报显著；而浙江金融体系完备，单纯增加供给的边际增益自然下降。另一方面，浙江数字金融已向理财、保险等深化阶段转型，对用户的数字素养设定了更高门槛。低收入农户若缺乏相应技能，易陷入“能力型排斥”，导致难以通过高阶金融服务获益。这种由“接入鸿沟”转向“能力鸿沟”的结构性制约，进一步解释了其在浙江减贫效应的弱化。

6. 结论与建议

本文基于长三角地区27个城市2016~2022年的面板数据，从实证层面验证了数字普惠金融能够通过增加涉农贷款供给与推动淘宝村电商集聚这两条中介路径，显著缩小城乡收入差距。区域异质性分析进一步显示，该效应在安徽最为突出，江苏也较为明显，在浙江相对温和。

基于上述结论，为更好发挥数字普惠金融在促进城乡融合与共同富裕中的作用，提出以下建议：

首先，政策实施需体现区域差异性。在安徽及苏北等基础相对薄弱的地区，核心是“扩面”与“下沉”，应重点加强县域以下的5G网络与移动支付终端覆盖，并通过终端补贴、资费优惠等方式降低农村居民的初始接入成本。在浙江等发达地区应重点关注“数字素养提升”与“跨越能力鸿沟”。政策重心可以从硬件覆盖转向对农村老年人、低技能群体的数字金融教育与技能培训，防止技术进步带来的新型不平等。同时，政策制定者应继续深化农村金融数字化，不仅要扩大涉农贷款的覆盖面，更要依托数字技术精准赋能农村电商等特色产业的发展[10]。

其次，多方主体应协同共进。政府需持续加大农村新型基础设施投入，并开展针对性金融素养培训，同时建立动态监测评估体系以精准施策。金融机构应积极创新，开发契合农村需求的专属金融产品，并通过与基层组织合作拓展服务渠道。社会与企业力量则可依托其贴近性和技术优势，参与知识普及、产品共研及解决方案提供。

总之，本文的研究为长三角地区数字普惠金融政策优化提供了一定的理论依据和实践参考。未来，随着数字技术的不断进步和应用场景的日益丰富，数字普惠金融将在促进城乡融合发展和实现共同富裕中发挥更为关键的推动作用。