基于可解释机器学习的金融包容性影响因素研究——来自新兴经济体的证据

本研究针对新兴市场金融包容性关键驱动因素不明的问题，采用XGBoost-SHAP可解释机器学习技术，分析中国29,919个家庭样本的宏微观数据。研究发现城乡差异、家庭收入、互联网覆盖率和金融发展水平是四大核心影响因素，并揭示其非线性作用机制与群体异质性，为政策制定者优化资源配置提供量化依据。

　　

金融包容性（Financial Inclusion）作为促进经济普惠增长的核心要素，在新兴经济体发展进程中面临严峻挑战。尽管既往研究已识别出教育水平、收入差距等多维影响因素，但传统线性模型难以捕捉复杂非线性关系，且缺乏对关键驱动因素的量化排序。中国作为最具代表性的新兴经济体，其城乡二元结构加剧了金融资源分配不均，而数字技术的快速渗透又为跨越式发展带来新机遇。这种背景下，北京大学的研究团队在《Journal of Digital Economy》发表论文，首次将可解释机器学习框架应用于金融包容性研究领域。

研究团队整合中国家庭追踪调查（CFPS）与国家统计局2014-2020年数据，构建包含地理、经济、数字和社会四大维度的13项指标。采用合成少数类过采样技术（SMOTE）处理数据不平衡问题后，通过比较16种机器学习模型，确定XGBoost（极端梯度提升算法）为最优预测工具（R²
=0.842）。创新性引入SHAP（SHapley Additive exPlanations）方法解析特征重要性，并运用队列分析和交互效应