数字普惠金融、金融素养与资产相对贫困*

丁建军，万 航

(吉首大学 商学院，湖南 吉首 416000)

一、引言

自2020年底我国彻底消除绝对贫困以来，贫困治理的重心从绝对贫困转向了相对贫困。Li et al.研究发现，我国财富不平等程度比收入不平等更为严重。[1]264-287这意味着相对贫困治理阶段除了关注收入贫困外，还应关注收入和资产配置共同引致的资产贫困问题。贫困不仅源于收入的短缺，还源自资产的匮乏。资产贫困也日益受到重视，一方面是当家庭遭受重大冲击时，持有一定资产能帮助低收入家庭生活免受较大影响、保持消费稳定和渡过难关。另一方面是收入与消费本身具有流动性，只能反映家庭福利的当期概况，不能揭示家庭频繁脱贫、陷贫或持续贫困的原因以及家庭应对风险和冲击的能力。[2]145-158可见，从资产角度测度和分析贫困，具有从收入与消费角度测度和分析贫困所不具备的优势。近年来，数字普惠金融凭借门槛低、覆盖广等优势，将被传统金融排斥的弱势群体包括在内，有助于贫困群体改善资产配置，提高流量收入向存量资产转化的效率，进而实现家庭财富保值增值。因此，研究数字普惠金融发展对相对贫困尤其是资产相对贫困的影响，对于构建和完善缓解相对贫困的长效机制具有显著的意义。

数字普惠金融发展与相对贫困的关系是当前学术界关注的重要议题。黄倩等认为数字普惠金融使贫困群体受益更多，并能改善居民内部收入不平等状况，进而缓解相对贫困。[3]90-101蔡宏宇等指出数字普惠金融虽能显著降低居民贫困发生率并让低收入与弱势群体受益，但其减贫效应需经历“先恶化后改善”的过程，即具有明显的时间滞后性。[4]24-30关于数字普惠金融如何减缓相对贫困，现有研究认为主要有以下途径：一是通过增加农户参与机会和提升其参与能力，帮助农户提升收入，缓解相对贫困；[5]64-77二是通过促进居民创业、缓解信贷约束和化解农业风险减缓相对贫困；[6]50-60三是通过正规信贷、非正规信贷、社会资本和人力资本等途径缓解主客观相对贫困。[7]44-60与此同时，金融素养作为“可行能力”的重要维度之一也会对相对贫困产生重要的影响，[8]369-411有关金融素养与贫困关系的研究表明，金融素养能有效抑制居民收入贫困和以资产衡量的持续性贫困，[9]22-30并且能够通过优化家庭金融决策降低相对贫困发生的概率。[10]81-84张梦林等研究发现金融素养可以降低农村家庭贫困脆弱性，并对社会资本匮乏的农村家庭的减贫效应更显著。[11]117-128单德朋也指出金融素养不仅能明显减缓城市居民收入贫困，而且对城市居民的资产贫困和贫困脆弱性影响更大。[12]136-154此外，数字普惠金融、金融素养以及相对贫困三者之间的关系也被关注，陈瑾瑜等指出数字普惠金融通过提升家庭投资者的金融素养影响家庭金融资产的选择；[13]51-61张海洋等发现数字普惠金融通过提高金融素养、增强风险识别能力降低家庭贫困脆弱性。[14]57-77，119不过，以上有关数字普惠金融与金融素养对相对贫困影响的研究大多基于收入和消费的视角，鲜有文献探讨数字普惠金融、金融素养与资产相对贫困之间的关系。

本文在匹配北京大学数字普惠金融指数与CHFS微观家庭数据的基础上，实证检验了数字普惠金融对资产相对贫困的影响效应及其影响路径。文章的边际贡献为：(1)与过去仅关注数字普惠金融对收入增长影响的研究不同，本文从资产配置效率的视角探讨数字普惠金融对资产相对贫困的影响；(2)利用Probit模型和IV-Probit模型实证检验数字普惠金融对相对贫困的减缓效应，既考虑了内生性问题，又考察了数字普惠金融减贫效应在不同区域和群体间的异质性；(3)将居民的金融素养作为中介变量，检验数字普惠金融减缓资产相对贫困的机制与路径。

二、理论分析与研究假设

借力大数据和云计算，数字普惠金融缓解资产相对贫困主要基于两个维度：(1)覆盖广度。数字普惠金融降低金融供需两端的成本，拓展金融服务覆盖范围，提升相对贫困群体金融服务的可获得性。一方面，数字普惠金融能突破金融服务的地域限制，无须设置众多的物理网点，尤其是无须在偏远地区设置金融网点，降低了金融机构的营业成本，扩大了金融服务的供给。另一方面，数字普惠金融凭借技术优势，实现金融服务地理全覆盖，居民包括偏远地区的弱势群体均无须付出额外的交通和时间成本往返于金融网点便可便捷地获得金融服务，刺激了金融服务的潜在需求。(2)使用深度。数字普惠金融提升金融供需双方的匹配度，深化数字普惠金融使用深度，提高资产配置效率和金融服务质量，增强金融减贫效能。金融机构通过大数据分析精准了解居民的金融服务需求，通过手机或电脑等终端设备推送多样化的金融产品及其组合，提升金融供需双方的匹配度，[15]92-104，7激活金融服务的有效需求，提高资产配置效率，实现资产保值增值，改善家庭财富存量，进而缓解资产相对贫困。不过，相对于覆盖广度而言，数字普惠金融的使用深度对资产相对贫困的减缓效应可能更强，原因在于前者虽为相对贫困群体提供使用数字普惠金融产品的可能，但更多的只是潜在的金融服务需求，要转化为现实的金融服务需求并且产生资产保值增值效能还需金融供需双方的精准匹配和良性互动。基于此，提出假设1：

H1：数字普惠金融有利于缓解资产相对贫困，并且数字普惠金融使用深度对资产相对贫困的缓解效应大于覆盖广度。

我国区域发展不平衡，东部地区经济发展水平高，传统金融和数字金融均较为发达，居民既可以便捷地从传统金融机构获得金融服务，也能很好地使用数字金融产品。发展相对落后的中西部地区，传统金融机构网点的地域分布有限，但数字普惠金融的发展突破了传统金融服务的时空约束，很好地弥补了传统金融服务供给的相对不足，使得受传统金融服务限制的居民可以利用数字金融平台进行资产配置。因而，不同发展区域数字普惠金融的资产贫困减缓效应可能存在差异。与此同时，家庭和群体层面上的异质性也可能影响数字普惠金融的资产贫困减缓效应。家庭层面上，互联网使用程度和风险偏好的差异是影响数字普惠金融资产贫困减缓效应差异的重要原因。一方面，使用互联网能拓展信息渠道，增加个体就业创业以及金融市场参与机会；另一方面，风险态度决定金融市场参与的方式和强度，风险偏好型家庭更积极地参与金融市场，且风险性金融资产投资比率更高，风险厌恶型家庭则更谨慎地参与金融活动，金融资产配置也更保守和稳健。[16]62-70群体层面上，受“二八法则”的影响，金融市场和金融机构往往将最优质的金融服务聚焦少数顶端客户，对大多数长尾客户金融服务需求关注不够和供给不足。而数字普惠金融凭借其“成本低、速度快、覆盖广”的优势，缓解信息不对称、降低金融服务成本，将“二八法则”中众多原本被忽视的群体纳入服务对象，[17]5-9使得不同客户群体都能享受个性化的定制金融服务。基于以上分析，提出假设2：

H2：数字普惠金融对资产相对贫困的减缓效应在区域、家庭和群体层面上存在异质性。

金融素养是影响金融产品使用、金融服务消费和资产保值增值的重要因素。金融素养往往由金融知识加以反映，《2014年全球金融发展报告》显示，78%的受访者将家庭获得金融服务的主要障碍归因于缺乏投资理财知识。数字普惠金融的发展有助于金融素养的提升，一方面，随着互联网和数字普惠金融的普及，人们可以更便捷和主动地获取金融知识，通过“耳濡目染”提高自身金融素养；另一方面，数字普惠金融平台借助大数据分析和互联网终端设备向消费者精准推送金融知识和产品信息，即通过“点对点”的金融知识宣传与在线培训提升居民的金融素养水平。与此同时，金融知识和金融经验越丰富，金融素养就越高，也更容易理解并接受数字普惠金融产品和服务，进而提升居民的金融市场参与度、数字普惠金融使用深度，更有效地发挥数字普惠金融在影响居民资产配置效率，改善家庭财富存量，缓解资产相对贫困中的作用。因此，提出假设3：

H3：数字普惠金融通过提升居民的金融素养进而缓解资产相对贫困。

三、数据来源与模型设定

(一)数据来源与变量说明

本文使用的数据来自两个层面，一是北京大学中国数字普惠金融研究中心发布的北京大学数字普惠金融指数，涵盖了中国31个省(1)不包括香港、澳门和台湾。、337个地级以上城市以及近 2 800 个县域的相关数据；二是中国家庭金融调查数据(CHFS)，用于描述微观个体和家庭金融行为的基本情况。本文主要使用CHFS2017年的数据，结合地级以上城市的数字普惠金融指数探究数字普惠金融对微观家庭资产相对贫困的影响(2)第一，借鉴胡联在《数字普惠金融发展缓解了相对贫困吗?》中的做法，将2017年CHFS与2016年数字普惠金融指数匹配。第二，经过数据清洗、剔除缺失变量和无效样本，共选取268个城市(含地级市和副省级城市，不包括直辖市和浙江省) 和6 302个家庭样本数据，由于中国直辖市存在较强的经济特殊性，所属直辖市的数字普惠金融指数与其他地级市存在明显差异；此外，数字普惠金融指数是在考虑数字普惠金融特征的基础上基于蚂蚁金服的数据编制而成，浙江省的特殊地理优势可能会给分析结果带来内生影响，因此去掉样本中的北京、天津、上海、重庆四个直辖市和浙江省。。

1.被解释变量

资产贫困从概念上可以划分为净资产贫困和多维资产贫困，前者把家庭金融资产减去家庭负债后得到的金融资产净值当作衡量资产贫困的指标，后者从多维视角定义资产贫困，认为资产是金融、人力、物质和社会资源的集合，侧重于资源禀赋，与能力紧密相连。此外，还有学者依据资产贫困线对资产贫困做了更加细致的划分，将资产贫困分为静态资产贫困和动态资产贫困。资产贫困测度方法也可以分为静态资产贫困测度法和动态资产贫困测度法，前者包括资产贫困比率法、资产贫困差距法、资产-收入法等，这些方法应用的基础是家庭资产数据的高可得性，对数据要求比较严苛；后者主要有动态资产贫困线测度法和资产贫困脆弱性测度法。本文使用静态资产贫困测度法测度资产相对贫困(3)由于本文使用CHFS2017年的数据，数据采集了家庭的人口统计特征、资产与负债、收入与消费等各方面的微观信息，能全面反映家庭金融的基本状况，提供了良好的数据支撑，故使用静态资产贫困测度法测度资产相对贫困。。具体地，借鉴Rippin的做法[18]230-255将人均家庭资产的70%作为所在城市的资产相对贫困线。如果居民家庭总资产低于相对贫困线，表明该家庭处于资产相对贫困状态，赋值为1；反之，赋值为0。

2.核心解释变量

一方面，采用北京大学数字普惠金融研究中心编制的数字普惠金融指数度量各样本家庭所在城市的数字普惠金融发展水平。另一方面，选用数字普惠金融指数中覆盖广度和使用深度两个子维度(4)共有三个子维度，考虑到“数字支持服务指数”波动较大，稳定性较差，本文不选用该子维度。其中，覆盖广度是数字普惠金融覆盖人群的评价指标；使用深度则反映互联网金融服务实际使用情况。进一步表征所在城市数字普惠金融发展的不同侧面。

3.中介变量

中介变量为户主的金融素养，借鉴胡振等的做法，[19]101-111将金融素养分为主观金融素养和客观金融素养，并使用迭代主因子法构建金融素养综合得分。具体地，根据CHFS2017年的调研问卷内容，选取对五个主客观金融问题回答的赋值数据，其中问题(1)(2)代表主观金融素养，问题(3)(4)(5)代表客观金融素养(5)受篇幅限制，略去具体问题及赋值情况。。借鉴尹志超的做法，[20]62-75依据五个问题设置八个变量采用迭代主因子法进行因子分析。在使用迭代因子法前，首先进行KMO检验和巴特利特球形检验，结果表明KMO值为0.742，Bartlett检验的P值为0.000，说明因子分析法适用。最终，选取特征值大于1的两个影响因子的值构建家庭金融素养得分，并将金融素养得分标准化为0～100的数值，其描述性统计见表1。

表1 描述性统计

4.控制变量

为了获得关键解释变量的无偏估计量，尽可能地减少遗漏变量所造成的估计偏误，本文控制了户主、家庭和区域层面的影响因素。户主层面，包括受教育年限、性别、年龄、婚姻状态、是否使用互联网、健康状况、风险偏好(6)其中，受教育年限分为三个等级，1为未完成九年义务教育，2为完成九年义务教育，3为大学及以上；健康状况分为五个等级，1代表非常不好，2 代表不好，3 代表一般，4 代表好，5 代表非常好；风险偏好分为三个等级，0代表风险厌恶，1代表风险中性，2代表风险追求。等个体特征。家庭层面，涉及总负债、医保、家庭人口规模、是否为拆迁户、信贷途径、是否持有基金、人力资本等家庭特征。其中，用医疗保健消费和教育文娱消费代理人力资本。地区层面，考虑了城乡和东中西部地区差异的影响。

5.工具变量

数字普惠金融发展通过提升家庭资产配置效率实现家庭财富保值增值，缓解资产相对贫困，但拥有较高资产的人也有可能因为教育程度和金融素养较高，更有能力使用数字普惠金融产品创造更多的收益。因此，二者之间可能存在互为因果的内生性问题。为了克服这一内生性问题，本文应用工具变量法进行估计。借鉴王修华等的做法，[21]114-133将数字普惠金融指数滞后一期和省域内除自身地级市以外的其他地级市的数字普惠金融发展水平的平均值作为数字普惠金融的工具变量引入模型。

(2)模型设定

为了验证数字普惠金融对资产相对贫困的缓解效应，设计以下回归模型：

Rpstatusi=α0+α1Difi+αiXi+μi

(1)

其中，Rpstatusi代表资产相对贫困状态，如果居民家庭总资产低于相对贫困线，表明该家庭处于相对贫困状态，赋值为1,反之，赋值为0；Difi代表i家庭所在地市数字普惠金融发展指数；Xi代表家庭、户主和区域层面的控制变量；μi为随机误差项；下标i代表家庭。由于因变量是二分类变量，故使用Probit模型。

为进一步探寻数字普惠金融缓解相对贫困的机制，应用中介效应模型识别金融素养对数字普惠金融减缓相对贫困的传导路径。式(2)至式(4)是中介效应检验的三个方程。

Rpstatusi=γ0+γ1Difi+γiXi+εi

(2)

Medi=β0+β1Difi+ωi

(3)

Rpstatusi=λ0+λ1Difi+λ2Medi+λiXi+νi

(4)

其中，Medi代表中介变量金融素养得分；εi、ωi、νi代表随机误差项。

四、回归结果分析

(一)基准回归

由表2列(1)可知(7)通过多重共线性和异方差检验，发现模型不存在多重共线性问题，但存在异方差，故使用stata中的hetprob命令估计。，数字普惠金融在5%的水平上显著负向影响居民资产相对贫困，影响系数为-0.007 2，表明数字普惠金融发展指数变化一单位，居民资产相对贫困的发生概率降低0.4%(8)离散选择变量的 Probit 或 Logit 模型，其回归系数的含义不同于OLS 模型，解释变量对被解释变量的影响效应需进行转换计算。。这意味着数字普惠金融发展水平越高，数字交易越活跃，居民进行金融活动的概率越大，使得投资渠道相对匮乏的居民可以更好地利用数字普惠金融进行资产优化配置，促进收入流量向财富存量转换，进而降低资产相对贫困发生的可能性。由表2中列(2)和列(3)可知，数字普惠金融指数的两个子维度覆盖广度和使用深度的系数也均显著为负，这表明两个子维度对资产相对贫困同样具有明显的减缓效应，其参数估计值分别为-0.006 5和-0.009 0。并且，相对于覆盖广度，数字普惠金融的使用深度对资产相对贫困的减缓效应更大。因而，假设1得到验证。从控制变量来看(9)受篇幅限制，省略控制变量结果。，户主的受教育年限和健康状况负向显著影响家庭的资产相对贫困状态。此外，使用互联网、家庭规模大、人力资本丰富、持有风险金融资产的家庭资产相对贫困概率更低，家庭是否有医保则对资产相对贫困的影响不显著。

表2 全样本分析结果

(二)异质性分析

1.区域异质性

为了检验数字普惠金融对资产相对贫困减缓效应是否存在区域异质性，分别对东部和中西部地区家庭样本进行回归分析，结果如表3的(1)(2)列所示，数字普惠金融在东部和中西部地区对资产相对贫困均有显著负向影响，但对中西部地区的减缓效应更强。

表3 分地区和家庭的回归结果

2.家庭异质性

考虑到家庭互联网使用程度和风险偏好对数字普惠金融资产配置效应的影响，分别生成互联网与数字普惠金融、风险偏好与数字普惠金融交互项，探讨其对资产相对贫困的影响，结果如表3中(3)(4)列所示。互联网使用与数字普惠金融指数、风险偏好与数字普惠金融指数的交互项系数显著为正，说明互联网使用程度提升和风险偏好增强会削弱数字普惠金融减缓资产相对贫困的效应。原因在于，一方面互联网使用程度高的家庭有除数字普惠金融之外的多种替代渠道改善存量财富，[22]50-56，[23]146-156缓解资产相对贫困，另一方面网络贷款和智能投顾中的欺诈、骗局等带来的负面影响也可能削弱数字普惠金融减缓资产相对贫困的效应。此外，风险偏好增强也会削弱数字普惠金融缓解资产相对贫困的效应，即偏好高风险、高回报项目的家庭不一定具备相应的金融素养，进而在数字普惠金融平台上投资、理财时过于自信，导致资产亏损和财富流失。

3.群体异质性

为了检验数字普惠金融对不同资产规模群体的资产影响的异质性，将家庭样本划分为四组，以家庭财富为被解释变量，检验数字普惠金融对家庭财富的影响。表3中列(5)至列(8)分别是 0.25、0.5、0.75、0.9 分位数的回归结果。可见，数字普惠金融指数的系数在0.5分位点时最高，之后随着资产分位点的提高而下降，并且在0.25分位点时的系数大于在0.9 分位点时的系数。这说明资产越多的群体，在数字普惠金融发展过程中并没有受益更多；数字普惠金融对不同资产规模群体的财富存量提升都有显著正向作用，并且对低资产群体的影响大于高资产群体。其原因可能是传统金融领域的“二八法则”作用于资产较多的富人群体，使得他们并不依赖于数字普惠金融增加家庭财富。而数字普惠金融的发展，让金融服务更加便捷，用户覆盖面更广，优化了金融市场供给结构，拓宽了相对贫困群体的投资渠道，进而使其财富保值增值。基于以上分析，假设2得到验证。

(三)机制分析

前文分析指出，数字普惠金融能够增强居民金融素养、优化资产配置效率、增值家庭财富，进而缓解资产相对贫困。一方面，数字普惠金融的信息渗透和社会互动效应有助于减缓“数字鸿沟”对家庭资产配置的制约，加强不同主体之间的信息和知识传递，提高相对贫困群体接触金融信息的频率，使其在“耳濡目染”中提升金融素养。另一方面，金融素养的提升有助于正确认知和主动利用数字普惠金融产品和服务，激发金融市场参与和优化资产配置行为，实现财富保值增值，进而缓解资产相对贫困。为此，将金融素养作为中介变量以识别数字普惠金融对资产相对贫困减缓效应的传导机制，回归结果如表4所示。

表4 金融素养的中介效应

其中，列(1)至列(3)验证了综合金融素养的中介效应。列(1)中数字普惠金融对资产相对贫困的影响系数显著为负，列(2)中数字普惠金融对综合金融素养的影响系数显著为正，列(3)中数字普惠金融和综合金融素养对资产相对贫困的影响均显著为负，并且Sobel检验和Bootstrap检验的系数显著为负，用Bootstrap法自助抽样1 000次后，中介效应系数的置信区间不包含0，这说明综合金融素养的中介效应存在且为部分中介效应。列(4)至列(7)进一步区分了主观金融素养(Finit1)和客观金融素养(Finit2)在数字普惠金融减缓资产相对贫困中的作用。其中，数字普惠金融对主观金融素养和主观金融素养对资产相对贫困的回归系数均不显著，Sobel检验和Bootstrap检验也不显著，说明主观金融素养在减缓资产相对贫困中不存在中介效应；而数字普惠金融对客观金融素养和资产相对贫困的回归系数均显著，客观金融素养对资产相对贫困的系数显著为负，Sobel检验和Bootstrap检验的系数显著为负，且中介效应系数的置信区间不包含0，说明客观金融素养在数字普惠金融减缓资产相对贫困中存在部分中介效应。

综上，假设3得到验证，并且投资者的客观金融素养水平越高，数字普惠金融减缓资产相对贫困的效应越大。

(四)内生性处理与稳健性分析

1.内生性处理

为了缓解内生性的影响，使用IV-Probit模型并将“省域内除自身地级市以外的其他地级市数字普惠金融发展水平的平均值”和“数字普惠金融指数滞后一期”作为工具变量。结果表明(10)受篇幅限制未予汇报，留存备索。，数字普惠金融对资产相对贫困的影响在IV-Probit估计中依然显著，并且沃尔德外生性检验和CLR、AR、K的P值均显著，表明核心解释变量是内生的，所选工具变量也不是弱工具变量。上述分析表明，推动数字普惠金融发展确实是减缓资产相对贫困的重要途径。

2.稳健性分析

进一步地，从以下四个方面对回归结果进行稳健性检验：(1)将回归模型替换为Logit模型，(2)使用经典的LPM模型检验，(3)剔除数字普惠金融发展程度较高的省会城市、副省级城市的家庭样本，(4)将地市及以上城市的数字普惠金融指数替换为县域尺度的数字普惠金融指数。结果表明(11)受篇幅限制未予汇报，留存备索。，无论是变换计量模型、剔除部分样本还是替换核心解释变量，数字普惠金融回归系数的符号以及显著性均和基准回归保持一致，说明数字普惠金融缓解资产相对贫困的结论具有稳健性。

五、结论与建议

本文基于匹配北京大学数字普惠金融指数与CHFS2017得到的268个城市的6 302个家庭样本数据，运用Probit模型和中介效应模型，实证检验了数字普惠金融对资产相对贫困的减缓效应及其传导机制，得到如下主要结论：(1)数字普惠金融有利于缓解资产相对贫困，并且数字普惠金融使用深度相比覆盖广度对资产相对贫困的缓解效应更大。(2)数字普惠金融对中西部地区居民的资产相对贫困缓解效应更强，这表明数字普惠金融是突破传统金融机构服务的时空限制、优化金融市场供给，提升中西部居民的金融可得性，减缓资产相对贫困的重要途径。不过，互联网使用程度提升和风险偏好增强会削弱数字普惠金融减缓资产相对贫困的效应。(3)数字普惠金融对不同资产规模群体的财富存量的提升都有显著正向作用，并且对低资产群体的影响大于高资产群体。这说明数字普惠金融发展过程中存在“长尾效应”，使得金融更具有普惠性，能让不同资产规模的群体都享受到数字普惠金融发展带来的好处。(4)数字普惠金融通过提高居民的金融素养缓解资产相对贫困，综合金融素养和客观金融素养发挥了部分中介效应，但主观金融素养不存在中介效应。然而，我国居民整体的金融素养较低，有75.59%的受访主体客观金融素养不及格，大部分受访主体的主观金融素养也不高。

基于上述结论，本文提出如下建议：(1)大力推进数字普惠金融发展。一方面，持续拓展数字普惠金融的覆盖广度，突破传统金融服务的地理限制，如加快推进5G基站、大数据中心等数字基础设施建设，实现区域全覆盖，进一步优化金融服务供给；另一方面，不断深化数字普惠金融的使用深度，鼓励数字普惠金融平台和传统金融机构加大科技创新投入，创新数字普惠金融产品，优化完善数字普惠金融服务功能，增强居民数字普惠金融使用的可负担性和效能，有效激发居民的金融服务需求和金融市场参与潜能。(2)加快推进中西部地区数字基础设施建设，促进数字普惠金融发展。加强中西部的通信基础设施建设，在偏远且互联网使用率低的中西部地区普及数字终端，为相对贫困群体提供定制化金融产品和金融服务，充分挖掘数字普惠金融的“包容性”和“普惠性”，让数字普惠金融惠及更多中西部地区的居民。(3)加强相对贫困户、老人等“数字弱势群体”的数字素养和金融知识培训，努力提升其数字普惠金融素养。政府应大力普及数字和金融知识，多维度、多渠道提升相对贫困和弱势群体的数字普惠金融素养，克服“数字鸿沟”和金融素养匮乏带来的“自我排斥”，同时增强其网络诈骗、金融风险防范意识。