【数字经济】基于可解释机器学习金融包容性分析：来自新兴经济体的证据

主要观点总结

本文使用可解释机器学习分析新兴经济体的金融普惠现象，以中国为例，整合微观与宏观数据，构建XGBoost+SHAP框架，识别金融普惠的关键因素，并从全局/局部重要性、群体异质性和特征交互三个方面进行解释性分析。研究旨在提供量化依据，以识别重点人群、优化资源配置并设计更具针对性的政策。

关键观点总结

关键观点1: 研究背景与目的

金融普惠与减贫、金融可持续及包容性增长在新兴经济体中紧密相关，急需识别关键的决定因素，为精准干预和制度设计提供依据。

关键观点2: 研究方法与模型

采用可解释机器学习框架（XGBoost+SHAP），整合2014–2020年的微观与宏观数据，开展因素识别，并系统排序金融普惠驱动因素的重要性。

关键观点3: 研究发现

城乡属性、家庭收入、互联网覆盖与金融发展在全局重要性（SHAP）中显著领先；农村样本对普惠的贡献为负，而收入、互联网覆盖与金融发展贡献为正；XGBoost模型在多个评估指标上表现最优，适合作为SHAP解释的基座模型。

关键观点4: 政策建议

根据研究结果，提出加大农村与偏远地区的宽带与移动互联网覆盖、降低低收入群体使用正规金融的成本、在信贷、支付、保险等环节引入普惠考核与激励等建议。

关键观点5: 研究展望与边际贡献

本文首次在金融普惠领域引入XGBoost-SHAP进行分析，整合微观和宏观数据，揭示群体差异、区域脆弱性与多因子交互，给出按重要性排序的政策抓手。