客户非财务特征的金融排斥结构对家庭财产差距的影响研究

康书生 余军

(1.河北大学经济学院，河北 保定 071002；2.河北大学管理学院，河北 保定 071002)

一、引言

金融排斥与贫富差距问题的研究始于20世纪80年代人们对金融地理歧视与贫困的关注，其中，表达贫富差距的变量通常为收入的不平等。相对于收入不平等，财产不平等是一个更值得关注的问题。美国国家科学院院士、密歇根大学教授谢宇认为中国财产不平等远远超过收入的不平等，事实上中国已经迈入不平等的第三个阶段——财产不平等阶段(1)美国国家科学院院士、密歇根大学教授谢宇2015年在受邀参加《赛先生》主办的主题为“认识中国的不平等”演讲会上提出，中国经历过三个不平等阶段。第一个阶段是体制不平等，第二个阶段是收入不平等，现在的中国已经进入第三个阶段，即财产不平等阶段。。改革开放以来，中国家庭经历了几代人辛苦的财富积累，通过代际传递不断增加子女财富，使家庭财产差距凸显。根据目前中国家庭金融调查(CHFS)四次公布的数据，2010年家庭总资产基尼系数达到0.72，2012年为0.69，2014年为0.67，2016年为0.69(2)总资产基尼系数依据西南财经大学中国家庭金融调查(CHFS)中心公布的数据计算得出。。有鉴于此，本文提出了金融排斥与家庭财产差距问题的思考。

金融排斥源于国家的金融约束政策，政府通过利率、储蓄和信贷工具干预银行机构的放贷行为，出于安全性和收益性的考虑，银行机构通常会对低收入或缺乏抵押物的高风险客户予以限制或排除。关于金融排斥与贫富差距的关系的研究也多从收入或资产的排斥视角展开。然而，随着金融深化与普惠金融的发展，各国政府逐渐增加对被排斥群体的关注。这一群体本身缺乏优质的财务禀赋，在以财务标准为主的金融配置体制下难以获得平等的金融权益。如何构建非财务特征与金融的直接传导机制，既是解决目前金融贫困问题的一大突破点，也是人文金融主义在金融平权与社会价值创造方面的有益尝试。进入21世纪，女性金融悄然兴起，妇女金融联盟于2000年成立，致力于为全球妇女创业提供金融服务；2015年，中国蚂蚁金服助推首个女性互联网金融服务项目的成立。但是，“人人贷”借贷平台2011至2015年的交易数据显示，中国女性受到的非理性歧视比男性更严重，既使有学历背景也无助于提高她们的借款成功率[1]。2019年，中国65岁以上老龄人口比例达到11%，位居世界第十位，这些老年人亦有巨大的养老和健康保险支付、理财方面的金融需求。2017年世界银行公布的数据显示，中国60岁以上银行借贷人口比仅为4.6%，大大低于泰国(16%)、日本(33.23%)、韩国(51.79%)、美国(80.0%)和加拿大(84.26%)的比例。此外，我国因金融知识匮乏、对金融机构不信任、畏惧风险、缺乏适合投资理财项目而产生的自我排斥问题也较为突出。根据中国家庭金融调查数据库显示，2011年零负债家庭的比例为60.9%，2013年为70%，2015年为68.9%，2017为68.4%(3)其中虽含有部分拒访的比例，但侧面仍可以证明中国家庭无借贷比例较高的事实。。由此可见，中国金融消费者的非财务特征尚未得到很好的重视与开发，非财务特征的金融排斥状况依然严重。那么，非财务特征的金融排斥对中国家庭财产差距的贡献究竟有多大？实施非财务金融配置标准是否比财务配置标准更有利于减贫？这一配置标准更适合哪些群体？我国农村地区若采用非财务配置标准，对财产差距的影响又有何表现？针对这些问题，本文展开了以下研究。

二、文献综述与研究假设

金融排斥与贫富差距的探讨在学术界由来已久，经历了从地理学到发展学的研究范式。金融排斥脱胎于20世纪80年代兴起的金融地理学，是从空间失衡角度提取出来的一种金融歧视现象。Leyshon(1995)[2]给出的定义是，将金融服务从贫穷落后的地区撤退，把“阻止贫困和弱势群体进入金融体系的过程”称之为金融排斥。金融排斥现象在世界范围内普遍存在，金融资源空间不平衡造成的贫穷问题也越来越受到各国的重视，并不断从金融地区结构、地理环境等方面探索了金融包容的减贫思路，为后来金融地理融合、城乡金融一体化建设等理念的提出提供了契机。发展中国家农村经济的突出特点和银行业的高度垄断使得发展中国家的金融排斥程度远高于发达国家[3]。Marron(2013)[4]认为金融排斥是近几十年来全球经济政治变革产生的一个普遍后果。地理排斥只是金融排斥在空间维度上的表现形式，实际上金融排斥是一个极为复杂的经济社会文化问题[5]。于是，金融排斥的贫困问题逐渐转向发展学研究阶段。

金融排斥的发展学研究范式始于20世纪90年代，主要解决金融排斥与经济发展的关系问题，贫富差距是其中的一项重要议题。美国经济学家Gurley和Shaw第一次系统性地提出了金融与经济发展互为因果关系的理论。在这一理论框架下，金融排斥与贫困问题的关系可描述为：局部地区经济不发达会影响金融发展，从而加深金融排斥，进而制约地方经济增长，导致阶层贫困和地方贫困。Greenwood和Jovanovic提出金融发展与收入分配呈“库兹涅茨效应”(即“倒U”型现象或门槛现象)，即金融发展水平较低时收入分配差距较大，金融发展水平较高时收入分配差距较小。之后，不断有国内外学者通过宏观数据验证了金融发展对社会收入差距的影响[6-10]。然而，宏观序列资料包含的部门和要素太多，经济指标之间往往存在较大的相关性，不能准确描述金融对某一个部门或群体的排斥程度，进而可能影响实证结果的有效性。于是，进入21世纪后，学术界开启了金融排斥与贫富差距的微观研究模式。Kempson和Whyley(1999)[11]提出了测度微观金融排斥变量的方法，可从地理、条件、评估、营销、价格和自我排斥六个维度进行评估。Rosengard等(2001)[12]通过2001年印尼1469户全国家庭抽样调查数据发现，有生存能力的低收入家庭因为严重缺乏可抵押资产而难以获得信贷机会，这成为制约其发展的重大因素。Collard和Kempson(2005)[13]认为由于低收入家庭很少有抵押物、收入水平低、信用评级模糊等原因导致银行机构收取较高利息费用，使他们易陷入“金融贫困陷阱”。国内学者王叔华和杨有振(2012)[14]对2100户农户2005-2009年的微观面板数据研究发现，金融资源对初始财富禀赋较低的农户信贷的高门槛效应是造成农户收入差距不断扩大的重要诱因。尹志超等(2019)[15]基于2015年中国家庭金融调查数据，研究发现受账户排斥家庭收入贫困的概率最高，保险排斥其次，信贷排斥最低。

上述文献，无论是宏观层面还是微观层面，基本上都是从客户财务特征(收入或抵押物)的金融排斥视角探讨贫富差距，很少涉及非财务特征排斥的视角。这主要源于金融机构主盈利的筛查机制，通常会对低财务水平的客户设置较高的信用门槛。但作为客户，除了财务特征之外，还有着复杂的个性偏好、性别差异、社会关系、文化教育、职业类型、居住环境等非财务特征，这些特征可能会使客户产生独有的金融行为惯性。例如：第一，孟加拉乡村银行的实践证实，大部分妇女的性格更为谨慎，在选择信贷渠道时更偏向于正规银行机构或自我排斥，男性则比较具有冒险精神，在行为上对正规和非正规渠道均有涉及[16]；第二，我国已经进入老龄化社会，高龄客户一般少有创业热情，对信贷积极性一般不高，容易产生主观上的自我排斥。我国参与正规金融的人口年龄呈“驼峰”型结构或倒“U”型结构，中年之后的金融参与活动率越来越低[17-18]；第三，许多文献一致认为，学历教育不足的人往往缺乏金融认知，容易做出自我排斥的选择[19-23]；第四，职业作为个人能力的参考，借款人的职位越高越容易获得贷款，而职位越低越不容易获得贷款。一般来说，公务员、事业单位人员、教师、高管等被银行视为优质客户，而一般私企员工、个体户、农民和失业者则很难获得贷款；第五，社会关系与金融排斥的关联国内已有大量文献支持，在我国这样一个关系型社会中，社会网络关系可以分担风险[24]，提高借贷可得性[25-26]，促进家庭创业[27-28]。财富少的家庭更会利用血缘、宗亲等社会关系来获得民间信贷[29-30]。此外，互联网还能帮助用户扩大社交，提高他们参与证券投资活动和网上理财的意愿[31]；第六，我国典型的城乡二元经济结构使得金融呈现明显的地理排斥特征[3，32-33]，金融基础设施的空间差异导致城乡居民金融活动参与意识存在显著异质性。总之，客户的许多非财务特征均表现出了有迹可循的金融行为惯性。那么，这些非财务总和特征会表现出怎样的金融排斥规律？与财务总和特征的金融排斥规律有何异同？鲜有学者针对这些问题进行系统研究，而区分这两套特征的排斥差异也是本研究的立意基础与创新思路所在。鉴于非财务特征金融行为的独特性及其与财务金融行为可能存在的相似性，本文提出了假设1：

H1金融对客户非财务特征的排斥具有不完全独立于财务特征的惯性规律。

从地理学到发展学研究范式，从宏观到微观层面，金融排斥与贫富差距模型使用的被解释变量主要为收入不平等指数，而解释变量经历了许多变化和进步，从地理排斥指数、金融发展指数到微观多维度排斥指数等。但很少有学者根据客户非财务特征来提取金融排斥指标，而用以解释财产差距问题的更是少之又少。本研究的意义在于，我国已经进入了财产不平等阶段，财产配置离不开金融资本，但备受金融排斥的弱势群体本身就缺乏财务禀赋优势，从其非财务条件出发或许可以另辟蹊径，探索一条能与金融相结合的包容路径来缓解财富差距问题。这是一条通过扩大金融权益受众面，推动改善弱势群体非财务基础条件，增强其自身金融脱贫创富能力的有益路径，值得积极探索和深入实践。目前，讨论单一非财务特征金融行为的文献有很多，但研究非财务总和特征金融排斥规律的文献则十分罕见。本文之所以以此为议题，是为了从整体上判断非财务特征作为金融配置标准的宏观减贫意义有多大，相比财务特征配置标准又有何优势。据此，本文制定了如下研究方法：以家庭部门为研究对象，从户主特征、社会网络、居住地三个方面选取家庭的非财务特征，并借鉴对应分析法的卡方距离、惯性原理，测算出非财务特征对应的三大金融排斥惯性结构(规律)，并将其作为核心解释变量构建家庭财产决定方程；然后，利用Shapley值分解法得到三种排斥结构的财产基尼系数的贡献度，并与财务特征对应的三种排斥结构进行对比，得出非财务金融配置标准的优势所在，并对农村家庭样本进一步剖析；最后，提出相应的政策建议。

三、研究设计

(一)数据的来源与筛选

本文采用了西南财经大学公布的2017 年中国家庭金融调查中心(CHFS)的数据。该数据提供了每户家庭的资产负债表信息，共涉及40 011户家庭，覆盖全国29个省、355个区县、1 428个社区，具有全国、省级和部分副省级城市代表性。相比以往年份，问卷内容更为全面，随机样本范围更大，还增加了金融知识、主观态度、互联网、普惠金融等方面的详细信息，为此次研究提供了较为完备的信息资料。但是，数据库中有21 318户家庭借贷数据存在缺漏，由于无法辨认是因为家庭没有借贷，还是受访者“不清楚”、“不想透露”而拒访，为了方便研究，本文剔除这些样本，只保留有借贷信息的18 109个家庭作为最终研究对象。

(二)变量选取

1.被解释变量

本文的研究思路是在家庭财产决定方程的基础上，运用Shapley值分解法来获取各个解释变量对财产不平等的贡献度。家庭财产决定方程中的被解释变量被设定为家庭总资产对数。总资产包括金融资产和非金融资产两大类，金融资产包括现金、储蓄、国库券、股票、借出款、基金、债券、理财产品等；非金融资产主要为房产、经营性资产、土地和耐用消费品等。2017年西南财经大学公布的家庭总资产数据呈现出一个左半凹型的分布结构，取对数后基本服从正态分布。

2.核心解释变量

家庭财产决定方程的核心解释变量是金融排斥与非财务特征的对应结构(简称非财务金融排斥结构)，这需要划分出金融排斥类型和客户非财务类型后再进行对照。(1)在金融排斥类型方面，本文借鉴了尹志超等(2019)[15]的做法，选择了信贷、账户和保险三种金融产品，然后再对每种产品划分排斥类型。首先，信贷排斥类型的依据是，假定民间借贷是银行借贷的替代方式，在正规融资无法满足家庭需求时会转向民间融资渠道，民间借贷越多则意味着信贷排斥力度越高，反之，银行借贷越多，信贷排斥力度越低。于是，本文将“纯银行借贷”认定为无排斥，“纯民间借贷”认定为完全排斥，“主银行借贷”认定为弱排斥，“主民间借贷”认定为强排斥。除此之外，零借贷家庭划归为自我排斥类型。然后，账户排斥类型依据的是拥有活期/定期存款账户和拥有银行理财账户的种类，拥有账户种类越多反映客户参与储蓄支付和理财活动的意愿越强烈，自我排斥越弱，反之则越强。于是，将拥有“2种账户”的认定为无排斥，“1种账户”的为中排斥，“无账户”的为完全排斥(含自我排斥)。最后，保险排斥类型根据的是拥有养老保险和医疗保险的种类，拥有双保险的认定为无排斥，单保险的认定为中排斥，无保险的认定为完全排斥(含自我排斥)。(2)在家庭非财务类型方面，本文主要选取了居住地、户主个性特征(性别、年龄、学历、职业)、社会关系(社交网络、互联网)三大类型，并通过聚类分析法将其划分为五类非财务特征家庭(4)本文做了5类、10类和15类的聚类划分，5类的Calinski and Harabaszpseudo 的F值是三者最高的。。

为考察按照非财务特征聚类的家庭与按照财务特征(5)这里的财务特征指的是家庭年可支配收入与净资产两项。聚类的家庭有何不同，本文通过相关性检验，发现二者的相关系数仅为-0.01，说明两种特征划分出来的家庭类型不存在相关关系。此外，本文还做了非财务金融排斥结构与财务排斥结构的相关性检验，结果为：(1)非财务信贷排斥结构与财务信贷排斥结构的相关系数在10%显著水平上为0.24，因子分析法下的独特性系数达到0.827；(2)非财务账户排斥结构与财务账户排斥结构的相关系数在10%显著水平上为0.42，独特性系数达到0.810；(3)非财务保险排斥结构与财务保险排斥结构的相关系数在10%显著水平为0.89，独特性系数为0.165。由此可见，中国家庭的财务特征与非财务特征对应的金融排斥结构并不完全相同。其中，信贷排斥结构的相似性最低，其次是账户排斥结构，保险排斥结构的相似性最高。而保险排斥之所以相似是因为本文选取了社会养老保险和社会医疗保险两大基础险种，大部分公民都有入保，并没有明显的财务和非财务特征之分。假设1由此得证，金融对客户非财务特征的排斥确实呈现出独有的惯性规律，但因为社保的非排他性又不完全独立于财务特征。

表1列示了三大金融排斥类型的频率结构与非财务惯性结构的对比。频率结构是每种排斥类型出现的次数比例，非财务惯性结构则是包含非财务信息的金融聚类结构。

表1 三大金融排斥类型的频率结构与非财务惯性结构对比

信贷排斥类型的频率结构为23.83∶7.71∶6.44∶32.48∶30.54，账户排斥为3.31∶82.47∶14.32，保险排斥为75.98∶20.31∶3.71。但这些结构并未映射出非财务特征的排斥惯性，还需要通过专门的对应分析法予以提取。Stata的对应分析命令CA通过降维分析可最大化提炼出反映非财务特征聚集规律的金融排斥结构，并将其空间坐标值予以标准化，据此来近似度量金融排斥结构(6)非财务特征的信贷、账户和保险对应分析，在第一维的解释力分别达到81.48%、93.97%、95.66%，解释力度非常高。第一维的信息反映的是客户非财务特征最主要的金融聚集规律，少数其他聚集规律则由其他维度解释。，结果如图1所示：

图1 非财务特征的三种金融排斥结构

图1中最上部分展示的是信贷排斥结构。离0点最近的是“纯民间”点，说明在非财务特征标准下，绝大部分家庭选择纯民间借贷方式(完全排斥)；“零负债”代表的自我排斥与各类银行借贷方式分属0点的两侧，但位置在-1以外，说明因未达到银行较高的非财务标准而放弃借贷的家庭比例很低；0点右侧主要聚集着混合融资方式和纯银行借贷方式，且在1点附近，其比例并不高。中间部分展示的是账户排斥结构。

有账户和无账户的家庭分属0点的两侧，说明存在显著的非财务标准差异(有账户的非财务条件要求高，无账户的非财务条件要求低)，样本家庭拥有1种账户(中度排斥)的比例最高，拥有2种账户的家庭相对较少，不申请或不愿申请账户的家庭更少。最下面展示的是保险排斥结构，可以看到拥有双保险(无排斥)的家庭比例最高，其次是单保险(中排斥)，无保险或不愿参保的比例非常低。

总之，三种金融产品的非财务排斥惯性各有不同。其中，信贷以完全排斥为主，强排斥、弱排斥、无排斥以及自我排斥的比重较低；账户以中度排斥为主，完全排斥比无排斥的比例更低；保险倾向于无排斥，中排斥和无排斥的比重非常低。由此可见，整体上我国家庭信贷非财务排斥结构最不均衡，其次是账户排斥结构，最均衡的是保险排斥结构。

表2 相关变量定义与描述性统计结果

表3 相关变量的描述性统计结果

3.控制变量

为了构造家庭财产决定模型，本文借鉴何金财和王文春(2016)[34]、Brown和Taylor(2008)[35]、Jung等(2017)[36]的做法，选取了居住地、年收入、住房产权类型、户主工作单位、年龄、学历、家庭规模、健康状况、手机持有类型、各省人均GDP、地区等作为控制变量。

(三)变量描述

模型涉及的因变量、自变量以及工具变量的定义和描述性统计结果如表2和表3所示。其中，“家庭财产”为因变量，“信贷排斥结构”、“账户排斥结构”、“保险排斥结构”为三个核心解释变量，“居住地”到“地区”为控制变量，“信贷工具变量”到“户主政治面貌”为工具变量。

四、家庭财产决定模型与实证分析

(一)模型构建

本文以三大金融排斥结构作为核心解释变量，所构建的家庭财产决定方程如式(1)所示

Ln(asseti,j)=α0+α1cre_exi,j+α2acc_exi,j+α3ins_exi,j+αtΣcontroli,j+aregioni+εi,j

(1)

其中，i、j分别代表家庭所在地区和家庭；asset代表家庭在受访时点的总资产；cre_ex代表非财务特征的信贷排斥结构(简称信贷排斥结构)，acc_ex代表非财务特征的账户排斥结构(简称账户排斥结构)，ins_ex代表非财务特征的保险排斥结构(简称保险排斥结构)；control表示其他一系列控制变量，其中包含年龄和家庭规模的平方项；region表示家庭所在中部、东部和西部的固定效应，ε为随机扰动项。

(二)模型估计结果与稳健性检验

首先，通过方差膨胀因子检验，解释变量之间最大的VIF值为1.89，证明变量间不存在严重的多重共线性。表4列(1)和列(2)展示了三大非财务排斥结构的财产偏效应的OLS估计结果，其中，信贷排斥结构的财富边际效应是三者中最高的。一部分原因是因为相比账户和保险的小额理财产品，信贷资本配置大额长期资产的财富效应要更高。另一部分原因则是金融排斥结构不均衡代表着金融资源的差异化配置，将资源向经济发达地区或高财富家庭调配在一定程度上更具有经济效率，可快速拉动财富总量增长。根据前文分析，信贷排斥结构是三者中最不均衡的，账户排斥结构其次，保险排斥结构最均衡。于是，适度增加非财务特征的金融排斥结构有助于提高家庭边际财富总量，尤其是增加信贷排斥，但同时也可能导致财富不平等的加剧。

表4 家庭财产决定模型的OLS结果与2SLS回归结果对比

三种金融排斥结构与家庭财产之间的显著正相关关系可能来自于两方面原因：(1)解释变量与被解释变量之间存在双向因果关系，即金融排斥结构影响了家庭财产总量，家庭财产总量也导致了家庭金融资源的非均衡性；(2)此外，还可能存在某些不可观测的因素变动，既影响了家庭金融排斥结构，也影响了家庭总财产。当解释变量与被解释变量之间存在双向因果关系或回归中存在不可观测因素时，OLS估计结果的一致性就会出现问题。于是，本文借助工具变量对上述内生性问题进行检验。由于模型中有三大核心解释变量，因此需要进行三项工具变量的联合检验。在工具变量选择方面，本文借鉴尹志超等(2019)[15]，何金财和王文春(2016)[34]的方法，基于从非财务特征上划分的5个家庭类别，分别使用其他类别家庭的信贷排斥结构、账户排斥结构和保险排斥结构的加权平均值作为相应的信贷排斥结构、账户排斥结构和保险排斥结构的工具变量。除此之外，本文还增加了“各省家庭数量”的外生变量与之组成四元工具变量集进行过度性检验。检验结果是，Sargan统计量为0.06，P值为 0.81，可以接受工具变量集不存在过度识别的原假设。然后，进行识别不足检验，P值为0.00，可拒绝工具变量集与内生变量无关的原假设，即二者之间存在相关性。然后，进行弱工具变量检验，得到的Cragg-Donald Wald F统计量为5.6e+07(大于10)，可拒绝工具变量集为弱工具变量的原假设，即不存在弱工具变量问题，估计结果列示在表4中列(3)和列(4)。同时，还增加了“户主政治面貌”与三个排斥结构工具变量的组合，也通过了上述各项检验。Sargan统计量为1.27，P值为 0.26；识别不足检验，P值为0.000；Cragg-Donald Wald F统计量为5.1e+07(大于10)，最后的回归结果列示在表4中列(5)和列(6)。

两次二阶段回归后的三种金融排斥结构依然对家庭总财产在1%统计水平上显著正相关，而且三次回归系数的估计值相差不大。结果表明，表4中OLS模型的三个金融排斥结构变量并未造成明显的内生性问题，据此可以判断OLS回归结果具有可靠性。

表5 金融排斥结构的分位数回归系数估计结果

(三)分位数回归分析

为了进一步探索金融排斥结构在不同财产分位上的动态表现，表5给出了分位数回归的估计结果。根据表5上半部分的数据，随着家庭财产分位数的增加，三种非财务排斥结构的回归系数均呈逐渐下降的趋势，表明三项金融产品的非财务排斥结构对穷人家庭财富的边际影响要高于富人家庭。此外，虽然穷人和富人家庭非财务信贷排斥的偏效应均是三者最高，但穷人家庭的账户和保险排斥也表现出不低的边际效应，而这两种排斥对富人影响都较小，富人家庭主要保留的是信贷非财务排斥效应。

为了对比非财务排斥结构与财务排斥结构的异同，表5下半部分还列示了财务排斥结构的分位数回归结果(只将原三个非财务排斥变量更换为财务排斥变量，因变量和其他控制变量均不变，且通过了稳健性检验)。总体来说，财务排斥结构表现出来的财富边际效应大部分与非财务排斥结构类似，同样出现了随分位数上升而下降的趋势。其中，相比穷人家庭，富人家庭的财务信贷排斥下降幅度最大，下降了56.87%(在非财务信贷排斥结构中，富人相比穷人下降了38.80%)，而账户和保险下降幅度稍低，分别下降了37.73%和35.81%(对应非财务排斥结构中的下降比例分别为66.23%和59.65%)。总之，富人家庭三种财务排斥结构的财产偏效应均较低，即对富人的财富影响不大，除非富人产生自我排斥，否则基本上不存在因财务条件不达标而借不到钱、申请不到账户或保险的情况。但财务配置标准对穷人家庭影响依然较大，尤其是信贷和账户排斥结构表现出的偏效应依然较高，而国家社会基础保障的推广使穷人家庭因保险排斥产生的财富效应明显下降很多。

综合以上分析，非财务和财务两套金融配置标准对穷人家庭来说，财产边际效应(效率)均较高，两者在理论上可以形成替代关系。对富人家庭来说，替代后账户和保险配置的边际变化不大，均较低；但对信贷影响较大，非财务信贷配置下的富人财产的边际效应相对更高。

五、金融排斥结构对家庭财产差距的贡献分析

在考察完三大金融排斥结构的财产边际效应后，再通过Shapley值分解法来获取他们对家庭财产差距的贡献度。

(一)基于Shapley值分解法的回归模型贡献度解析

近年来，基于回归方程的Shapley值分解法在分析不平等上表现出诸多优势，它适用于任何决定方程和任何度量不平等的指标。其基本原理为根据回归方程的Shapley分解值，解析出各自变量和残差对因变量不平等指数的相对贡献，再从贡献度的大小来确定自变量的重要性。具体分解过程如下。

第一步，基于回归方程计算自变量和残差对因变量不平等指数的贡献率。根据式(1)建立的财产决定方程得到回归方程简略形式如式(2)所示

(2)

由于该方程采用的是半对数模型，在做Shapley分解时如果使用对数形式的分解可能会造成财富变量分布的扭曲[37]，因此在分解前有必要对回归方程进行还原，做法是直接在式(2)的两端取对数。

(3)

(4)

第二步，通过Stata计算式(1)各个自变量的Shapley分解值，然后乘以C(X)/I(asset)得出各个自变量对因变量不平等指数的相对贡献率。但由于Stata自带的Shapley分解命令无法处理较多变量的情形，本文将控制变量分成了五类：家庭收入、家庭社会网络(工作单位、手机类型)、家庭特征(居住地、年龄、学历、家庭规模、户主健康)、家庭产权类型、地区经济分布(各省人均GDP和地区类型)。最后，家庭财产决定模型的财产差距贡献率总结在表6中，并同时给出了非财务排斥结构模型和财务排斥结构模型的对比数据。在全样本中，两种家庭财产决定模型的解释变量对总资产基尼系数的贡献率均达到85%左右，随着财产百分位的下降，两个模型下的解释变量贡献率均随之下降，且每个分位数上的解释变量贡献率相差不大。

表6 家庭财产决定模型对财产差距的贡献率

将各个自变量的Shapley分解值与表6中解释变量的贡献率相乘，即可得到某一自变量对财产差距的相对贡献率，结果如表7所示。

整体来看，两种排斥结构模型下的三个排斥结构贡献率排序一致：信贷排斥贡献率>账户排斥贡献率>保险排斥贡献率。非财务排斥模型中的信贷贡献率要更明显低于财务排斥模型。在非财务排斥模型中，各样本信贷贡献率平均约为账户的1.15倍，为保险的2.4倍；在财务排斥模型中，这两个倍数分别是1.7倍和4.6倍。在全样本中，三大非财务排斥结构对财产差距总贡献率达到8.86%，低于财务排斥结构的13.05%。由此可以推断，采用多元化的金融非财务配置标准整体上会比财务配置标准更有利于缩小家庭财富差距，更彰显公平性。对于穷人家庭来说，虽然非财务排斥的贡献度要高于富人家庭，财务排斥结构亦如是，但非财务配置机制的总贡献度(9.58%)低于财务配置机制(14.02%)，这说明无论哪种配置方式对穷人来说都比富人更有失公平，但财务排斥机制的公平性更低。当然，除了金融排斥结构的影响之外，家庭特征、社会网络、地区经济以及收入对财富基尼系数依次都有较大贡献，家庭住房产权类型的影响相对较低(7)住房产权类型影响较低是因为在本次数据样本中，农村家庭比例约为42.63%，宅基地类型占比达72.84%(除去拒访样本)。中国农民住宅集体产权性质恰好保护了农民的住房权益，防止出现因为房地产市场化扩大到农村而产生的巨大财富差异。即使城市大量住房商品化，但这部分房产对拉大中国整体家庭财富差距的作用是有限的。。

表7 各解释变量对财产基尼系数的相对贡献率

为了更细致地对比穷人和富人家庭财务和非财务在信贷配置上的异同，本文列出对应分析法第一维解析的信贷排斥结构坐标值来进行分析：25百分位以下穷人家庭组非财务特征下的纯银行、主银行、主民间、纯民间借贷和无借贷(自我排斥)的坐标值分别为0.50、1.58、1.38、0.52、-1.40；财务特征下的各个坐标值分别为0.37、1.17、-0.82、0.16、-0.67。90百分位以上富人家庭组非财务特征下的纯银行、主银行、主民间、纯民间借贷和无借贷(自我排斥)坐标分别为0.45、0.68、0.44、-0.10、-0.89；财务特征下的坐标为0.13、-0.78、-0.64、-0.11、0.32。这些数据均经过标准化处理，具有可比性。对比结果如下。

1.相关性方面

利用以上坐标值构建了非财务信贷排斥结构变量与财务信贷排斥结构变量，穷人家庭的这两个变量的相关系数为0.96*，富人家庭的为-0.62*。这正好印证了非财务和财务两套信贷配置机制对穷人家庭有较强正相关关系，理论上具有可替代性；但对富人家庭则为负相关关系，不具备可替代性。

2.穷人家庭的信贷配置

穷人家庭的两套信贷配置机制虽然整体上有较强相关性，但从坐标分布上来看仍存在区别。穷人家庭的民间借贷和银行借贷(主要是政府扶贫贷款项目或小额信贷项目)均为正，说明两种借贷方式下的非财务标准并无太大差别或歧视，由此增加了不少穷人利用信贷资金创业脱贫的机会；而有借贷与无借贷坐标值一正一负，说明存在因为达不到包括银行和民间的任何借贷要求产生的自我排斥(-1.40)，因离0点较远，这部分群体并不太多。再看财务信贷排斥坐标，穷人的银行借贷与民间借贷/无借贷一正一负，说明二者之间存在较大的财务标准差异，银行以财务标准为主，民间借贷则无太多财务标准或财务标准较低，因此穷人更倾向于向民间借贷(0.16，接近0)，其次银行扶贫贷款或小额贷款的扶持也有一定支持力度(0.37)，但因为达不到银行财务标准而自我放弃的比例则相对增多(-0.67)。可见，非财务和财务两套信贷配置机制对穷人来说，虽然整体上相似度很高，但是前者更具有包容性和鼓励性，后者则存在较大排斥性和自我抑制性。这也解释了表7中穷人组非财务信贷排斥的贡献率为何低于财务信贷排斥的现象。

3.富人家庭信贷配置

富人家庭的两套信贷配置机制从整体上讲并不具有可替代性。从坐标值对比来看，若采用非财务配置标准，银行与民间借贷之间的标准显著不同，银行更高的非财务标准使得富人会更加倾向于纯民间借贷方式，富人还会因为达不到银行的高标准而产生一部分的自我排斥(-0.89)。若采用财务配置标准，银行借贷(0.13)和民间借贷(-0.11)的标准程度显然一高一低，富人两者均可使用。从这个意义上来讲，财务配置机制对大部分富人家庭来说并无太大差别。而非财务配置机制下，民间借贷(-0.10)明显多于银行借贷(0.45)，因为银行的高非财务标准会使富人丧失原有的财富优势进而转向民间融资，这反而会给银行机构带来冲击。

综合以上分析，两套配置体系对穷人家庭来说理论上具有可替代性，但实际上非财务配置体系的包容性和鼓励性更高，更符合穷人利益；对富人家庭来说则有很大差异，二者并无相似性和替代性，且财务配置体系更符合富人利益。

表8 农村家庭单项非财务金融排斥结构的财产基尼系数相对贡献率(%)

(二)对农村样本的进一步研究

通过以上分析得出非财务金融配置标准对穷人家庭更为有利的判断，于是本文接下来选择农村样本进一步研究。由于样本中拥有双保险的农户家庭已达到74.04%，非财务保险排斥程度非常低，为简化研究，本文只针对信贷和账户排斥具体剖析。选取性别、年龄、学历、职业、关系和手机类型6个非财务特征分别与信贷和账户做对应分析得到12个排斥结构变量。然后通过相关性检验和共线性检验，剔除掉其中相关性较高和VIF值较大的7个变量，保留了表8中的5个结构变量。将这5个结构变量替换式(1)财产决策模型的核心解释变量，并用Shapley值分解法最终得到农村地区家庭财产基尼系数的相对贡献度。表8列(1)列示了5个变量相对贡献率的大小排序为：学历信贷排斥>手机账户排斥>年龄账户排斥>年龄信贷排斥>性别信贷排斥。为了检验这一排列顺序的稳定性，本文还在原样本中随机抽取了80%和50%的比例进行对比，其排序结果与原样本完全一致，可见原样本排序具有一定可靠性。

图2 农村家庭学历信贷排斥结构

图3 农村家庭手机账户排斥结构

图4 农村家庭年龄账户排斥结构

图5 农村家庭年龄信贷排斥结构

图6 农村家庭性别信贷排斥结构构

图2-6展示了农村家庭以上5个关键排斥结构的分布。可以看到农村家庭学历基本在高中及以下层次，信贷方面主要处于强排斥、自我排斥和完全排斥状态；拥有一种储蓄账户的家庭居多，申请理财账户的非常少；66岁以上的户主基本无账户，其他年龄层基本只拥有一种账户；36-50岁户主接受政府扶贫贷款的较多，21岁以下和51-65岁群体基本处于被正规信贷完全排斥的状态，66岁以上户主主观上不愿意接受贷款，21-35岁群体主要采用混合融资方式；农村女性户主比例少，基本无主观贷款意愿，男性户主比例高，且以民间借贷为主。

以上基于非财务特征形成的信贷和账户排斥结构总体上对农村家庭财产差距造成了近10%的贡献率。因此，须重视提高农村家庭信贷认知，普及智能手机利用率，增加成年以上农户对理财账户的申请，继续加大低息中短长期贷款在农村用户的比例，消除女性自我排斥意识，增加正规专项女性信贷资金投放。

六、总结与建议

客户非财务特征的金融排斥结构实际上是金融在人口结构、教育资源、环境关系等方面配置失衡的集中表现。本文通过实证研究发现：

第一，信贷、账户和保险三种非财务排斥结构虽然在一定程度上表现出均对家庭部门财富的促进作用(其中信贷排斥的财富偏效应最高)，但同时也造成了家庭财富的严重不平等(其中，信贷排斥的贡献率最高)。并且随着财产百分位的上升，这些排斥结构的财富偏效应和财产差距贡献率均逐渐下降，即非财务排斥结构普遍对穷人家庭影响更大，对富人家庭影响较小。

第二，非财务和财务两套配置标准对穷人家庭来说均不具备比较优势，但财务标准更为苛刻，导致自我排斥的比重较高；而非财务标准通过认知培训、关系建立以及政策帮扶可增加穷人家庭参与金融活动的机会和意愿。因此，非财务标准的金融配置机制更遵循穷人原则，更具有包容性和激励性，对维护家庭财产公平性更有利。两套配置标准对富人家庭则有较大差异。若银行制定高水平非财务标准，会使富人丧失财富的比较优势，使其转向民间融资渠道或形成自我排斥，这并不符合富人利益，且向民间融资转移亦会对正规金融机构带来冲击，于借贷供需双方均不利。

第三，通过对农村样本进一步研究发现，农村家庭部门的基础保险配置做得较好，但信贷和账户的非财务排斥结构对财产差距的贡献率共达到近10%的比例。其中年龄、性别和金融知识的信贷与账户歧视影响较大，须予以高度重视和解决。

在建议方面，本文提出对高收入家庭保持以财务标准为主的金融配置机制，对低收入家庭可采取非财务标准为主的金融配置机制。非财务配置标准侧重于帮助弱势客户挖掘可与金融交互的非财务条件，并在这个过程中激发和改善他们的非财务禀赋水平，从而提升其金融创富能力。为此，本文提出了如下三个层面的建议：

第一，建立以政府为主导、以有限自由市场为辅助的混合型非财务金融配置体系。在农村地区，充分发挥政府在非财务金融配置体制上的“供给引导”作用，切实解决非财务金融规模、深度、风险与成本方面的问题；同时，还可发展自由市场“需求追随型” 进入模式，允许非正规金融组织通过赚取适当盈利来克服非财务指标带来的高风险，以维持业务的可持续性。

第二，利用大数据分析技术和智能手机普及来长期追踪有借贷意愿的客户。重点采集性别、年龄、健康状况、人际关系、兴趣爱好、血型、社区或工作单位口碑、金融知识、网上金融理财活动参与情况等信息。将这些信息加以串联评估出客户的非财务诚信值。通过建立非财务特征的征信体系，促使客户重视社会诚信与健康问题、了解人与人之间互助的重要意义、提高学习金融知识和参与金融活动的热情等，以此不断提升他们的非财务禀赋水平。

第三，在社区或村级单位设立妇女创业专项基金，推行断层年龄金融覆盖计划、成立金融学习互助小组，建立诚实守信、奖罚分明的信贷配给规章制度，旨在建立金融帮扶关系，营造金融知识学习氛围和诚实守信的道德氛围。

总之，非财务金融配置机制要以服务穷人为原则，以发展穷人、提升穷人为宗旨，通过规避其财务劣势，促进其非财务能力的发展和完善，并以此为基础实现脱贫致富的目标。