人口老齡化影響我國數字普惠金融的發展嗎？
——基于2011—2018年省級面板數據的實證檢驗

張正平，陳 楊

(1.北京工商大學經濟學院，北京 100048，2.北京工商大學數字金融研究中心，北京 100048)

一、引 言

近年來，我國數字普惠金融發展迅猛，成為服務小微企業、“三農”的重要手段[1]。然而，我國數字普惠金融發展仍需面對復雜社會環境帶來的沖擊，人口老齡化就是其中一個重要的社會環境因素。根據2021年5月公布的第七次全國人口普查數據，我國65歲及以上人口比重達到13.5%，人口老齡化程度已高于世界平均水平(9.3%)。生命周期理論表明，人口老齡化會引起個人對金融機構、金融工具和金融技術需求的轉變[2]，這種同質性需求變化可能影響金融發展水平[3]。但遺憾的是，有關人口老齡化與數字普惠金融發展關系的研究還非常有限，缺乏對于二者關系及其作用機制和異質性的深入分析。為此，本文探討了人口老齡化對數字普惠金融發展的影響及其異質性，并基于技術接受模型和風險厭惡時變特性，引入互聯網普及和風險厭惡兩個中介變量，探索性地考察人口老齡化影響數字普惠金融發展的機制。本文結論對我國普惠金融戰略實施和應對人口老齡化挑戰具有重要的借鑒意義。

人口結構與金融發展的關系較早受到學術界的重視，但從人口老齡化視角解釋金融發展的文獻相對較少，結論也不一致。王平權(1996)認為，人口與金融發展之間存在著相互依賴、相互適應、相互作用的關系[4]；而劉方和李正彪(2019)發現，人口老齡化對金融發展具有顯著的負向作用[3]。隨著人口老齡化不斷加劇，有關人口老齡化對金融可得性、普惠金融發展影響的研究開始受到關注。例如，Hogarth和O’Donnell(1997)指出，一個地區的老人過多不利于金融可得性的改善[5]。朱超和寧恩祺(2017)發現，金融發達地區老年人口占比與金融排斥程度顯著正相關[6]。

近年來，隨著數字技術的快速發展及其與金融業的深度融合，數字普惠金融逐漸成為普惠金融發展的方向，有關數字普惠金融的研究也隨之涌現。在數字普惠金融測度方面，葛和平和朱卉雯(2018)從覆蓋廣度、使用深度和數字服務支持三個維度選取16個指標構建了數字普惠金融指標體系[7]。郭峰等(2020)編制了一套包含省、市和縣三個層級的“數字普惠金融指數”[8]。在數字普惠金融發展特征方面，雖然我國數字普惠金融發展水平逐年提升，但是農村地區總體發展水平仍然較低，且各個省份之間仍存在一定差異[8]。在數字普惠金融的影響因素方面，人均收入和城鎮化水平對數字普惠金融的發展有顯著的正向影響[9]。值得注意的是，有少量文獻研究了人口年齡特征對數字金融使用的影響，如齊紅倩和李志創(2019)發現，目標群體的老年特征減少了數字金融的使用[10]。

上述文獻有助于我們理解人口老齡化與數字普惠金融發展的關系，但仍存在一些不足：一方面，已有文獻研究了人口老齡化對傳統普惠金融(1)孟娜娜和粟勤(2020)將傳統普惠金融定義為依托物理設施作為獲客和展業渠道的傳統金融業態，即以基礎設施驅動傳統金融機構參與的傳統金融形式[11]。本文遵循這一定義。的影響，但有關人口老齡化對數字普惠金融發展影響的研究仍十分有限；另一方面，已有文獻對人口老齡化影響數字普惠金融發展的異質性和機制關注不多。這些不足為本文的創新提供了機會，本文的邊際貢獻在于：(1)從人口老齡化視角解釋了我國數字普惠金融地區發展水平的差異，豐富了數字普惠金融的研究；(2)實證分析了人口老齡化對數字普惠金融發展的影響及其異質性，為全面理解數字普惠金融發展的影響因素提供了新的角度；(3)基于技術接受模型和風險厭惡時變特性，從互聯網普及和風險厭惡兩個層面分析并驗證了人口老齡化影響數字普惠金融發展的機制，深化了對數字普惠金融發展機制的認識。

二、理論分析與研究假設

(一)人口老齡化對數字普惠金融發展的影響

一方面，人口老齡化可能不利于傳統普惠金融的發展。根據生命周期理論，居民年齡增大，財富不斷積累但信貸需求開始下降，與此同時，金融機構的貸款年齡限制將老年群體部分潛在需求拒之門外，導致信貸需求隨老年人數量增加而下降，從而不利于傳統普惠金融的發展[12]。此外，“未富先老”是我國人口老齡化的重要特征，有限的收入加上老年群體對金融服務的自我排斥進一步降低了金融需求，從而影響傳統普惠金融的發展[13]。另一方面，人口老齡化可能進一步抑制數字普惠金融的發展。從數字普惠金融需求的角度看，數字普惠金融產品對使用者的認知水平和學習能力提出了一定要求，而老年人這方面的能力普遍較低，由此造成人口老齡化水平較高的地區對數字金融產品的使用意愿較低[14]。事實上，已有實證研究發現人口老齡化顯著地抑制了數字金融服務的使用[10]，這顯然不利于數字普惠金融的發展。從數字普惠金融供給的角度看，依托金融科技公司的創新理念和技術而得以快速發展的數字普惠金融，離不開高素質人才的支撐，但對人口老齡化水平較高的地區來說，其醫療負擔較為沉重，抑制了當地對人力資本的投資[15]。據此，本文提出如下假設：

H1：人口老齡化抑制數字普惠金融的發展。

(二)人口老齡化影響數字普惠金融發展的異質性

我國是一個區域經濟發展不平衡的國家，因此，人口老齡化對數字普惠金融發展的影響很可能因為區域差異而存在異質性。一方面，我國人口老齡化呈現出東高西低的區域差異特征，而數字普惠金融也存在由東至西遞減發展的特征[7]，這在一定程度上說明在不同的區域人口老齡化對數字普惠金融發展的影響可能存在差異；另一方面，東中西部地區傳統金融的發展是不均衡的，而數字普惠金融的發展依賴于傳統金融的積淀[16]，這進一步強化了數字普惠金融發展的區域差異。此外，我國人口老齡化水平具有“城鄉倒置”的特點，城鄉收入差距過大對于原本已經老齡化水平較高的農村地區無疑是雪上加霜，從而導致城鄉收入差距較大的地區人口老齡化對數字普惠金融發展的抑制作用可能更強。據此，本文提出如下假設：

H2a：人口老齡化對數字普惠金融發展的影響在不同的人口老齡化水平上具有異質性；

H2b：人口老齡化對數字普惠金融發展的影響在不同的區域具有異質性；

H2c：人口老齡化對數字普惠金融發展的影響在不同城鄉收入差距水平上具有異質性。

(三)人口老齡化影響數字普惠金融發展的機制

在我國互聯網普及率不斷提高的背景下，老年群體利用互聯網的水平仍處于較低層次。第47次《中國互聯網絡發展狀況統計報告》顯示，截至2020年12月，我國網民規模達9.89億，但60歲及以上用戶僅占11.2%。基于Davis(1986)提出的技術接受模型[17]，Phang等(2006)指出互聯網使用意愿是由感知有用性和易用性驅動[18]，而老年人往往對互聯網使用的感知有用性和易用性較低[19]，導致其互聯網使用意愿下降。究其原因，老年人的生理特征，包括認知能力下降、心理恐懼、生理機能下降等，阻礙其對互聯網等新技術的使用[19]，甚至使其處于社會隔離的狀態[20]，導致其難以接觸互聯網或缺少技能無法使用互聯網。因此，人口老齡化會抑制互聯網普及。然而，數字普惠金融的發展依賴互聯網普及。一方面，互聯網普及率越高，越有利于降低數字普惠金融的供給成本進而促進其發展。依托互聯網，金融機構可以充分利用數字技術的優勢，打破物理網點的地理限制，提高金融機構信息獲取和處理能力，降低金融服務成本[21]。另一方面，互聯網普及率越高，越有利于降低數字普惠金融的使用成本而促進其發展。依托互聯網，那些金融服務不足的群體可以通過手機銀行等渠道獲得金融服務，由此降低了他們獲取金融服務的門檻及成本[8]。此外，有研究表明，互聯網普及顯著促進了數字普惠金融的發展[21]。據此，本文提出如下假設：

H3：人口老齡化抑制了互聯網普及，進而不利于數字普惠金融的發展。

根據相關研究，風險厭惡在人的生命周期內存在時變特性，表現為年齡越大風險厭惡越強[22]，因此，人口老齡化會增強一個地區總體的風險厭惡[23]。一個地區風險厭惡越強可能越不利于當地數字普惠金融的發展。一方面，數字普惠金融本身屬于金融創新，并且在發展過程中不斷創新金融產品，而風險厭惡增強則會抑制數字技術等新技術[24]和金融創新產品的使用意愿[25]，從而減少數字普惠金融的需求，不利于數字普惠金融發展；另一方面，面對相同回報的金融服務，一個地區風險厭惡越強越傾向于選擇低風險的金融服務，而數字普惠金融在平臺管理、技術融合和監管等方面存在較大的風險[1]，導致風險厭惡越強的地區其數字普惠金融的需求越少，從而抑制數字普惠金融的發展。據此，本文提出如下假設：

H4：人口老齡化提高了風險厭惡，進而抑制數字普惠金融的發展。

由此，本文建立了一個人口老齡化影響數字普惠金融發展的分析框架，如圖1所示：

圖1 人口老齡化影響數字普惠金融發展的分析框架

三、研究設計

(一)數據來源

本文將北京大學數字金融研究中心發布的“數字普惠金融指數”與我國內地31個省份2011—2018年的宏觀數據相匹配作為實證檢驗的數據集。31個省份的變量數據來源于《中國統計年鑒》、各省份的統計年鑒、Wind數據庫、中經網統計數據庫和中國經濟社會大數據研究平臺。

(二)變量說明

1.被解釋變量

本文的被解釋變量為數字普惠金融。北京大學發布的“數字普惠金融指數”包括數字金融服務的覆蓋廣度、使用深度和數字化程度三個維度的33個具體指標，涵蓋省、市、縣三個層級[8]。參考宋曉玲和侯金辰(2017)[21]的做法，本文以2011—2018年的數字普惠金融省級指數取對數來衡量。

2.解釋變量

本文的解釋變量為人口老齡化。在已有的文獻中，通常采用65歲及以上人口占比、老年撫養比兩個指標衡量人口老齡化水平。但是，劉哲希等(2020)發現，我國人口老齡化進程已呈現出勞動人口占比下降、老年撫養比加速上升的態勢[26]，因此，本文采用老年撫養比來衡量，并在穩健性檢驗中采用65歲及以上人口占比作為其替換變量。

3.中介變量

對于風險厭惡，本文參考余靜文和姚翔晨(2019)從宏觀角度衡量風險厭惡的方法，利用各省份金融機構存款額與股票交易額的比值來衡量[23]。對于互聯網普及，參考程名望和張家平(2019)的方法，采用互聯網普及率作為衡量指標[27]。

4.控制變量

參考相關文獻，本文從經濟、社會、文化及地理四個維度選取控制變量。用經濟發展水平[9]反映經濟維度的影響；用城鄉收入差距[7][28]、政府干預[28]反映社會維度的影響；用普通高等學校畢業生人數反映文化維度的影響[9]；用人口密度[7]反映地理維度的影響。變量定義及描述性統計如表1所示。

表1 變量定義及描述性統計

(三)模型設定

Indexit=α0+λ1Indexi,t-1+α1Elderit+α2jXijt+Ai+λi+εit

(1)

其中，被解釋變量Indexit為第i個省份第t年的數字普惠金融指數；核心解釋變量Elderit為第i個省份第t年的人口老齡化水平；控制變量Xijt中j表示第j個控制變量；Ai為地區固定效應；λi為時間固定效應；εit為隨機誤差項。

為了驗證假設3和假設4，參考戴魁早和劉友金(2020)[29]，建立如下中介效應模型：

Indexit=α0+λ1Indexi,t-1+α1Elderit+α2jXijt+Ai+λi+ε1it

(2)

Zit=β0+λ2Zi,t-1+β1Elderit+β2jXijt+Ai+λi+ε2it

(3)

Indexit=γ0+λ3Indexi,t-1+γ1Elderit+γ2Zit+γ3jXijt+Ai+λi+ε3it

(4)

其中，Indexit、Elderit定義和模型(1)相同，Zit為中介變量，Xijt為控制變量，Ai為地區固定效應，λi為時間固定效應。需要說明的是，考慮到滯后項可以在一定程度上控制遺漏變量的潛在影響，我們在模型(3)中引入了中介變量的滯后一期作為控制變量。

1.1 材料 ①一次性無紡布，規格120 cm×120 cm、60 cm×60 cm各60塊;②雙層棉布，規格120 cm×120 cm、60 cm×60 cm各60塊(在包布一角訂一塊3 cm×3 cm的“補丁”，用于記錄使用次數);③3M壓力蒸汽滅菌化學指示卡及指示膠帶。

四、實證結果及分析

(一)基準回歸結果及分析

在實證分析前，對本文面板數據采用LLC單位根檢驗法進行檢驗，檢驗結果表明面板數據是平穩的。在回歸模型(1)時，以模型中被解釋變量滯后一期作為解釋變量，可能存在內生性問題，若直接采用混合回歸(OLS)、固定效應(FE)等傳統方法，會造成參數估計結果有偏和非一致性。另外，模型也可能存在遺漏變量和反向因果關系導致的內生性問題。因此，本文用動態面板廣義矩估計方法(GMM)對模型(1)進行估計，但考慮到GMM存在的橫截面相依性問題，參考朱超和張林杰(2012)[30]的做法，在模型中引入年度虛擬變量。GMM包括差分GMM和系統GMM，但差分GMM容易出現弱工具變量等問題，本文最終采用系統GMM進行回歸。

表2第(1)列采用系統GMM進行估計，第(2)—(5)列作為第(1)列的對照。第(1)列中AR(2)的結果說明擾動項的差分不存在二階序列相關，Sargan檢驗結果說明模型通過了過度識別檢驗，符合系統GMM的估計要求。在第(1)—(2)列(2)在回歸之前，我們檢驗了各變量的方差膨脹因子(VIF)，VIF最大值為4.31，均值為2.71，故不存在嚴重多重共線性問題。LM檢驗的結果拒絕了混合效應模型，Hausman檢驗的結果則拒絕了隨機效應模型，所以我們采用雙向固定效應模型進行估計。中，人口老齡化的系數均顯著為負，即人口老齡化抑制了數字普惠金融的發展，支持假設1。第(1)列中L.Index的系數0.346介于第(3)列的0.449和第(4)列的0.335之間，而第(5)列中差分GMM的L.Index系數不在該范圍內，表明系統GMM的估計結果并未因為樣本數量和工具變量的選擇而產生明顯的偏差，且相對于差分GMM的估計結果更準確。這進一步表明人口老齡化對數字普惠金融發展的抑制作用顯著且穩健。

表2 人口老齡化對數字普惠金融發展的影響：基準回歸

從第(1)列控制變量的結果來看，經濟發展水平的系數顯著為正，表明經濟發展水平是數字普惠金融發展的促進因素；數字普惠金融的滯后一期系數顯著為正，表明數字普惠金融發展存在積累效應；城鄉收入差距系數顯著為負，表明城鄉收入差距加大不利于數字普惠金融的發展，這與葛和平和朱卉雯(2018)[7]的研究結果一致。

(二)內生性分析

在前文的回歸中采用系統GMM進行估計，將數字普惠金融的滯后一期加入模型，同時控制時間效應，緩解了一部分內生性。但是，仍可能因遺漏變量和反向因果關系導致的內生性而使前文估計結果不可靠。為進一步緩解內生性，本文選擇應用較廣的解決單方程模型內生性的方法——面板工具變量法和動態面板模型。首先，引入工具變量后采用面板工具變量法進行估計，但本文的工具變量個數多于內生解釋變量個數，因此，采用GMM估計會更有效率。其次，前文采用的系統GMM是使用變量的滯后項作為工具變量進行估計，這種工具變量被稱為“GMM式”工具變量，而系統GMM還允許使用“額外的”工具變量，因此，參考陳虹和陳韜(2018)的做法[31]，本文引入“額外的”工具變量后仍采用系統GMM進行估計。一個有效的工具變量需要滿足相關性和外生性兩個條件，本文使用2011—2018年各省份養老機構數量和養老機構的床位數作為人口老齡化的工具變量(3)養老機構的數量和床位數采用為老年人與殘疾人提供住宿的服務機構的數量及其床位數，數據來源于中華人民共和國民政部網站(http:∥www.mca.gov.cn/article/sj/tjjb/sjsj/)。。一方面，人口高齡化和高齡老人的增加，會導致對養老機構和養老機構床位需求的增長，因此，養老機構的數量和床位數與人口老齡化存在相關性；另一方面，一個地區養老機構的數量和床位數與該地區數字普惠金融的發展在邏輯上沒有直接關聯，滿足外生性條件。

表3第(1)列為面板工具變量法的回歸結果。從工具變量的檢驗結果來看，該工具變量是有效的。具體來看，對工具變量進行不可識別檢驗的結果顯示，Anderson LM統計量為21.631，拒絕了“工具變量與內生變量不相關”的原假設；進行弱工具變量檢驗的結果顯示，Cragg-Donald Wald F統計量為11.317，不能拒絕“工具變量與內生變量有較強的相關性”的原假設；進行過度識別檢驗的結果顯示，Sargan統計量為0.947，強烈接受“所有工具變量均外生”的原假設。表3第(1)列結果顯示，人口老齡化的估計系數顯著為負，與基準回歸結果一致。第(2)列是系統GMM估計結果，AR(2)的結果說明擾動項的差分不存在二階序列相關，Sargan檢驗結果說明模型通過了過度識別檢驗，該工具變量是有效的。同時，人口老齡化的系數仍顯著為負，與基準回歸結果一致。

表3 人口老齡化對數字普惠金融發展的影響：內生性分析

(三)穩健性檢驗

本文采用兩種方法進行穩健性檢驗：一是參考劉哲希等(2020)[26]的做法，用65歲及以上人口占比替換老年撫養比進行估計；二是參考劉方和李正彪(2019)[3]的做法，將所有變量在1%和99%分位上做縮尾處理后進行估計。兩種方法得到的回歸結果(4)限于篇幅未列出穩健性檢驗結果，作者備索。依然顯著，進一步表明基準回歸結果是穩健的。

五、進一步討論

(一)異質性分析

1.不同人口老齡化水平的異質性影響

為了驗證假設2a，以人口老齡化的均值為界將樣本劃分為高人口老齡化組和低人口老齡化組后進行回歸，同時參考連玉君和廖俊平(2017)[32]提出的分組回歸后組間系數差異檢驗方法，引入啞變量Group，人口老齡化水平高于均值時Group取值為1，否則取值為0。交乘項Elder*Group的系數則體現了高人口老齡化組相較于低人口老齡化組的回歸系數差異，該系數顯著則意味著分組回歸后組間系數差異是顯著的，組間存在異質性。如表4所示，高人口老齡化組中核心解釋變量系數顯著為負，低人口老齡化組的系數為負但并不顯著，交乘項Elder*Group的系數顯著為負，這意味著人口老齡化水平越高，越不利于數字普惠金融的發展，支持了假設2a，也在一定程度上證實了基準回歸結果的穩健性。

表4 人口老齡化對數字普惠金融發展的影響：按人口老齡化水平分組

2.不同區域的異質性影響

為了驗證假設2b，將樣本劃分為東部地區、中西部地區兩個子樣本進行回歸，同時引入啞變量Group，東部地區取值為0，中西部地區取值為1。表5的回歸結果表明，在中西部地區人口老齡化顯著抑制了數字普惠金融的發展，而在東部地區人口老齡化對數字普惠金融發展的抑制作用不顯著，交乘項Elder*Group的系數顯著為負，這表明中西部地區人口老齡化對數字普惠金融發展的抑制作用更強，驗證了假設2b。

表5 人口老齡化對數字普惠金融發展的影響：按地理位置分組

3.不同城鄉收入差距的異質性影響

為驗證假設2c，按照城鄉收入差距的均值將樣本劃分為高城鄉收入差距組和低城鄉收入差距組，同時引入啞變量Group，高城鄉收入差距組取值為1，低城鄉收入差距組取值為0。如表6所示，高城鄉收入差距組中人口老齡化的系數顯著為負，低城鄉收入差距組的系數為負但不顯著，交乘項Elder*Group的系數也顯著為負，這表明城鄉收入差距越大，人口老齡化對數字普惠金融發展的不利影響越嚴重，支持了假設2c。

表6 人口老齡化對數字普惠金融發展的影響：按城鄉收入差距分組

(二)影響機制分析

根據前文的理論分析，人口老齡化對數字普惠金融發展的影響可能通過互聯網普及和風險厭惡發揮作用。為此，本文采用中介效應模型，分別以互聯網普及和風險厭惡作為中介變量，進一步檢驗人口老齡化對數字普惠金融發展產生影響的機制。估計結果如表7和表8所示，其中第(1)、(2)、(3)列分別對應前文的中介效應模型(2)、(3)、(4)。

表7報告了以互聯網普及為中介變量的估計結果。第(1)列人口老齡化的系數顯著為負，說明可以繼續進行中介效應檢驗。第(2)列人口老齡化的系數顯著為負，意味著人口老齡化水平的提高降低了互聯網普及。第(3)列人口老齡化的系數顯著為負，互聯網普及的系數顯著為正，表明互聯網普及在人口老齡化對數字普惠金融發展的影響中存在部分中介效應，即人口老齡化通過降低互聯網普及抑制了數字普惠金融的發展，假設3得到支持。由估計系數可得，β1*γ2=(-38.003)×0.004=-0.152，在總效應中互聯網普及作為中介變量的貢獻為(-0.152)/(-0.450)=33.78%。

表7 人口老齡化影響數字普惠金融發展的機制：互聯網普及的中介效應

表8報告了以風險厭惡為中介變量的估計結果。第(1)列人口老齡化的系數顯著為負，說明可以繼續進行中介效應檢驗。第(2)列人口老齡化的系數顯著為正，說明人口老齡化水平提高會顯著增加風險厭惡程度。第(3)列人口老齡化的系數顯著為負，風險厭惡的系數顯著為負，表明風險厭惡在人口老齡化對數字普惠金融發展的影響中發揮了部分中介作用，因此，假設4得到了支持。由估計系數可得，β1*γ2=9.175×(-0.026)=-0.239，在總效應中風險厭惡作為中介變量的貢獻為(-0.239)/(-0.450)=53.11%。

表8 人口老齡化影響數字普惠金融發展的機制：風險厭惡的中介效應

六、研究結論及政策啟示

本文基于中國內地31個省份2011—2018年面板數據，實證檢驗了人口老齡化對數字普惠金融發展的影響及其機制。研究發現：總體上，人口老齡化顯著抑制了數字普惠金融的發展；在人口老齡化水平較高的地區、中西部地區和城鄉收入差距較大的地區，人口老齡化對數字普惠金融發展的抑制作用更強；人口老齡化通過降低互聯網普及、增強風險厭惡進而抑制數字普惠金融的發展。

在當前大力推行普惠金融、積極應對人口老齡化的現實背景下，上述實證結論對我國數字普惠金融的健康發展具有重要的啟示：第一，努力延緩人口老齡化進程。一方面，應繼續發揮人口政策對老齡化的緩解作用，激發和釋放人們的生育意愿，改善人口結構；另一方面，應清醒地認識到老齡化將是一個較長時期內不可逆轉的基本國情，必須盡快形成“積極的老齡觀”，鼓勵部分老年人積極參與社會經濟活動。第二，因地制宜推進數字普惠金融發展。對不同地區采取差異化的策略來應對人口老齡化帶來的挑戰。一方面，著重加強對中西部地區、人口老齡化水平較高地區數字金融知識宣傳、教育和培訓的力度，并適當對中西部地區數字金融的發展給予政策扶持；另一方面，積極支持農村地區、貧困區縣數字普惠金融的發展，提高農村人口對數字金融的認知和應用水平。第三，大力提升地區互聯網普及率。一方面，努力提升互聯網的供給能力和服務水平，提高老年人接觸互聯網的機會，例如，繼續加大網絡基礎設施建設投入，提升網絡覆蓋水平，設計更加便捷的老人智能手機，開發更加簡潔易懂的用戶界面等；另一方面，改善老年人的互聯網體驗，提高老年人運用互聯網的能力，例如，擴大教育培訓覆蓋面，通過面向養老院、老年大學、社區開展互聯網知識宣講、志愿培訓和家人輔導等活動，使更多的老年人掌握互聯網的使用方法。第四，積極改善公眾對數字普惠金融的風險態度。一方面，大力加強數字普惠金融風險控制，減少數字普惠金融風險事件的發生。例如，盡快完善數字金融的監管規則，減少監管真空；加快制定數字金融行業的準入標準，營造良好的行業生態環境；建立完善的數字金融風險披露機制，減少風險事件發生等。另一方面，著力降低老年群體的風險厭惡，增強老年群體對數字金融的了解，提高老年群體的金融素養。