客戶非財務特征的金融排斥結構對家庭財產差距的影響研究

康書生 余軍

(1.河北大學經濟學院，河北 保定 071002；2.河北大學管理學院，河北 保定 071002)

一、引言

金融排斥與貧富差距問題的研究始于20世紀80年代人們對金融地理歧視與貧困的關注，其中，表達貧富差距的變量通常為收入的不平等。相對于收入不平等，財產不平等是一個更值得關注的問題。美國國家科學院院士、密歇根大學教授謝宇認為中國財產不平等遠遠超過收入的不平等，事實上中國已經邁入不平等的第三個階段——財產不平等階段(1)美國國家科學院院士、密歇根大學教授謝宇2015年在受邀參加《賽先生》主辦的主題為“認識中國的不平等”演講會上提出，中國經歷過三個不平等階段。第一個階段是體制不平等，第二個階段是收入不平等，現在的中國已經進入第三個階段，即財產不平等階段。。改革開放以來，中國家庭經歷了幾代人辛苦的財富積累，通過代際傳遞不斷增加子女財富，使家庭財產差距凸顯。根據目前中國家庭金融調查(CHFS)四次公布的數據，2010年家庭總資產基尼系數達到0.72，2012年為0.69，2014年為0.67，2016年為0.69(2)總資產基尼系數依據西南財經大學中國家庭金融調查(CHFS)中心公布的數據計算得出。。有鑒于此，本文提出了金融排斥與家庭財產差距問題的思考。

金融排斥源于國家的金融約束政策，政府通過利率、儲蓄和信貸工具干預銀行機構的放貸行為，出于安全性和收益性的考慮，銀行機構通常會對低收入或缺乏抵押物的高風險客戶予以限制或排除。關于金融排斥與貧富差距的關系的研究也多從收入或資產的排斥視角展開。然而，隨著金融深化與普惠金融的發展，各國政府逐漸增加對被排斥群體的關注。這一群體本身缺乏優質的財務稟賦，在以財務標準為主的金融配置體制下難以獲得平等的金融權益。如何構建非財務特征與金融的直接傳導機制，既是解決目前金融貧困問題的一大突破點，也是人文金融主義在金融平權與社會價值創造方面的有益嘗試。進入21世紀，女性金融悄然興起，婦女金融聯盟于2000年成立，致力于為全球婦女創業提供金融服務；2015年，中國螞蟻金服助推首個女性互聯網金融服務項目的成立。但是，“人人貸”借貸平臺2011至2015年的交易數據顯示，中國女性受到的非理性歧視比男性更嚴重，既使有學歷背景也無助于提高她們的借款成功率[1]。2019年，中國65歲以上老齡人口比例達到11%，位居世界第十位，這些老年人亦有巨大的養老和健康保險支付、理財方面的金融需求。2017年世界銀行公布的數據顯示，中國60歲以上銀行借貸人口比僅為4.6%，大大低于泰國(16%)、日本(33.23%)、韓國(51.79%)、美國(80.0%)和加拿大(84.26%)的比例。此外，我國因金融知識匱乏、對金融機構不信任、畏懼風險、缺乏適合投資理財項目而產生的自我排斥問題也較為突出。根據中國家庭金融調查數據庫顯示，2011年零負債家庭的比例為60.9%，2013年為70%，2015年為68.9%，2017為68.4%(3)其中雖含有部分拒訪的比例，但側面仍可以證明中國家庭無借貸比例較高的事實。。由此可見，中國金融消費者的非財務特征尚未得到很好的重視與開發，非財務特征的金融排斥狀況依然嚴重。那么，非財務特征的金融排斥對中國家庭財產差距的貢獻究竟有多大？實施非財務金融配置標準是否比財務配置標準更有利于減貧？這一配置標準更適合哪些群體？我國農村地區若采用非財務配置標準，對財產差距的影響又有何表現？針對這些問題，本文展開了以下研究。

二、文獻綜述與研究假設

金融排斥與貧富差距的探討在學術界由來已久，經歷了從地理學到發展學的研究范式。金融排斥脫胎于20世紀80年代興起的金融地理學，是從空間失衡角度提取出來的一種金融歧視現象。Leyshon(1995)[2]給出的定義是，將金融服務從貧窮落后的地區撤退，把“阻止貧困和弱勢群體進入金融體系的過程”稱之為金融排斥。金融排斥現象在世界范圍內普遍存在，金融資源空間不平衡造成的貧窮問題也越來越受到各國的重視，并不斷從金融地區結構、地理環境等方面探索了金融包容的減貧思路，為后來金融地理融合、城鄉金融一體化建設等理念的提出提供了契機。發展中國家農村經濟的突出特點和銀行業的高度壟斷使得發展中國家的金融排斥程度遠高于發達國家[3]。Marron(2013)[4]認為金融排斥是近幾十年來全球經濟政治變革產生的一個普遍后果。地理排斥只是金融排斥在空間維度上的表現形式，實際上金融排斥是一個極為復雜的經濟社會文化問題[5]。于是，金融排斥的貧困問題逐漸轉向發展學研究階段。

金融排斥的發展學研究范式始于20世紀90年代，主要解決金融排斥與經濟發展的關系問題，貧富差距是其中的一項重要議題。美國經濟學家Gurley和Shaw第一次系統性地提出了金融與經濟發展互為因果關系的理論。在這一理論框架下，金融排斥與貧困問題的關系可描述為：局部地區經濟不發達會影響金融發展，從而加深金融排斥，進而制約地方經濟增長，導致階層貧困和地方貧困。Greenwood和Jovanovic提出金融發展與收入分配呈“庫茲涅茨效應”(即“倒U”型現象或門檻現象)，即金融發展水平較低時收入分配差距較大，金融發展水平較高時收入分配差距較小。之后，不斷有國內外學者通過宏觀數據驗證了金融發展對社會收入差距的影響[6-10]。然而，宏觀序列資料包含的部門和要素太多，經濟指標之間往往存在較大的相關性，不能準確描述金融對某一個部門或群體的排斥程度，進而可能影響實證結果的有效性。于是，進入21世紀后，學術界開啟了金融排斥與貧富差距的微觀研究模式。Kempson和Whyley(1999)[11]提出了測度微觀金融排斥變量的方法，可從地理、條件、評估、營銷、價格和自我排斥六個維度進行評估。Rosengard等(2001)[12]通過2001年印尼1469戶全國家庭抽樣調查數據發現，有生存能力的低收入家庭因為嚴重缺乏可抵押資產而難以獲得信貸機會，這成為制約其發展的重大因素。Collard和Kempson(2005)[13]認為由于低收入家庭很少有抵押物、收入水平低、信用評級模糊等原因導致銀行機構收取較高利息費用，使他們易陷入“金融貧困陷阱”。國內學者王叔華和楊有振(2012)[14]對2100戶農戶2005-2009年的微觀面板數據研究發現，金融資源對初始財富稟賦較低的農戶信貸的高門檻效應是造成農戶收入差距不斷擴大的重要誘因。尹志超等(2019)[15]基于2015年中國家庭金融調查數據，研究發現受賬戶排斥家庭收入貧困的概率最高，保險排斥其次，信貸排斥最低。

上述文獻，無論是宏觀層面還是微觀層面，基本上都是從客戶財務特征(收入或抵押物)的金融排斥視角探討貧富差距，很少涉及非財務特征排斥的視角。這主要源于金融機構主盈利的篩查機制，通常會對低財務水平的客戶設置較高的信用門檻。但作為客戶，除了財務特征之外，還有著復雜的個性偏好、性別差異、社會關系、文化教育、職業類型、居住環境等非財務特征，這些特征可能會使客戶產生獨有的金融行為慣性。例如：第一，孟加拉鄉村銀行的實踐證實，大部分婦女的性格更為謹慎，在選擇信貸渠道時更偏向于正規銀行機構或自我排斥，男性則比較具有冒險精神，在行為上對正規和非正規渠道均有涉及[16]；第二，我國已經進入老齡化社會，高齡客戶一般少有創業熱情，對信貸積極性一般不高，容易產生主觀上的自我排斥。我國參與正規金融的人口年齡呈“駝峰”型結構或倒“U”型結構，中年之后的金融參與活動率越來越低[17-18]；第三，許多文獻一致認為，學歷教育不足的人往往缺乏金融認知，容易做出自我排斥的選擇[19-23]；第四，職業作為個人能力的參考，借款人的職位越高越容易獲得貸款，而職位越低越不容易獲得貸款。一般來說，公務員、事業單位人員、教師、高管等被銀行視為優質客戶，而一般私企員工、個體戶、農民和失業者則很難獲得貸款；第五，社會關系與金融排斥的關聯國內已有大量文獻支持，在我國這樣一個關系型社會中，社會網絡關系可以分擔風險[24]，提高借貸可得性[25-26]，促進家庭創業[27-28]。財富少的家庭更會利用血緣、宗親等社會關系來獲得民間信貸[29-30]。此外，互聯網還能幫助用戶擴大社交，提高他們參與證券投資活動和網上理財的意愿[31]；第六，我國典型的城鄉二元經濟結構使得金融呈現明顯的地理排斥特征[3，32-33]，金融基礎設施的空間差異導致城鄉居民金融活動參與意識存在顯著異質性。總之，客戶的許多非財務特征均表現出了有跡可循的金融行為慣性。那么，這些非財務總和特征會表現出怎樣的金融排斥規律？與財務總和特征的金融排斥規律有何異同？鮮有學者針對這些問題進行系統研究，而區分這兩套特征的排斥差異也是本研究的立意基礎與創新思路所在。鑒于非財務特征金融行為的獨特性及其與財務金融行為可能存在的相似性，本文提出了假設1：

H1金融對客戶非財務特征的排斥具有不完全獨立于財務特征的慣性規律。

從地理學到發展學研究范式，從宏觀到微觀層面，金融排斥與貧富差距模型使用的被解釋變量主要為收入不平等指數，而解釋變量經歷了許多變化和進步，從地理排斥指數、金融發展指數到微觀多維度排斥指數等。但很少有學者根據客戶非財務特征來提取金融排斥指標，而用以解釋財產差距問題的更是少之又少。本研究的意義在于，我國已經進入了財產不平等階段，財產配置離不開金融資本，但備受金融排斥的弱勢群體本身就缺乏財務稟賦優勢，從其非財務條件出發或許可以另辟蹊徑，探索一條能與金融相結合的包容路徑來緩解財富差距問題。這是一條通過擴大金融權益受眾面，推動改善弱勢群體非財務基礎條件，增強其自身金融脫貧創富能力的有益路徑，值得積極探索和深入實踐。目前，討論單一非財務特征金融行為的文獻有很多，但研究非財務總和特征金融排斥規律的文獻則十分罕見。本文之所以以此為議題，是為了從整體上判斷非財務特征作為金融配置標準的宏觀減貧意義有多大，相比財務特征配置標準又有何優勢。據此，本文制定了如下研究方法：以家庭部門為研究對象，從戶主特征、社會網絡、居住地三個方面選取家庭的非財務特征，并借鑒對應分析法的卡方距離、慣性原理，測算出非財務特征對應的三大金融排斥慣性結構(規律)，并將其作為核心解釋變量構建家庭財產決定方程；然后，利用Shapley值分解法得到三種排斥結構的財產基尼系數的貢獻度，并與財務特征對應的三種排斥結構進行對比，得出非財務金融配置標準的優勢所在，并對農村家庭樣本進一步剖析；最后，提出相應的政策建議。

三、研究設計

(一)數據的來源與篩選

本文采用了西南財經大學公布的2017 年中國家庭金融調查中心(CHFS)的數據。該數據提供了每戶家庭的資產負債表信息，共涉及40 011戶家庭，覆蓋全國29個省、355個區縣、1 428個社區，具有全國、省級和部分副省級城市代表性。相比以往年份，問卷內容更為全面，隨機樣本范圍更大，還增加了金融知識、主觀態度、互聯網、普惠金融等方面的詳細信息，為此次研究提供了較為完備的信息資料。但是，數據庫中有21 318戶家庭借貸數據存在缺漏，由于無法辨認是因為家庭沒有借貸，還是受訪者“不清楚”、“不想透露”而拒訪，為了方便研究，本文剔除這些樣本，只保留有借貸信息的18 109個家庭作為最終研究對象。

(二)變量選取

1.被解釋變量

本文的研究思路是在家庭財產決定方程的基礎上，運用Shapley值分解法來獲取各個解釋變量對財產不平等的貢獻度。家庭財產決定方程中的被解釋變量被設定為家庭總資產對數。總資產包括金融資產和非金融資產兩大類，金融資產包括現金、儲蓄、國庫券、股票、借出款、基金、債券、理財產品等；非金融資產主要為房產、經營性資產、土地和耐用消費品等。2017年西南財經大學公布的家庭總資產數據呈現出一個左半凹型的分布結構，取對數后基本服從正態分布。

2.核心解釋變量

家庭財產決定方程的核心解釋變量是金融排斥與非財務特征的對應結構(簡稱非財務金融排斥結構)，這需要劃分出金融排斥類型和客戶非財務類型后再進行對照。(1)在金融排斥類型方面，本文借鑒了尹志超等(2019)[15]的做法，選擇了信貸、賬戶和保險三種金融產品，然后再對每種產品劃分排斥類型。首先，信貸排斥類型的依據是，假定民間借貸是銀行借貸的替代方式，在正規融資無法滿足家庭需求時會轉向民間融資渠道，民間借貸越多則意味著信貸排斥力度越高，反之，銀行借貸越多，信貸排斥力度越低。于是，本文將“純銀行借貸”認定為無排斥，“純民間借貸”認定為完全排斥，“主銀行借貸”認定為弱排斥，“主民間借貸”認定為強排斥。除此之外，零借貸家庭劃歸為自我排斥類型。然后，賬戶排斥類型依據的是擁有活期/定期存款賬戶和擁有銀行理財賬戶的種類，擁有賬戶種類越多反映客戶參與儲蓄支付和理財活動的意愿越強烈，自我排斥越弱，反之則越強。于是，將擁有“2種賬戶”的認定為無排斥，“1種賬戶”的為中排斥，“無賬戶”的為完全排斥(含自我排斥)。最后，保險排斥類型根據的是擁有養老保險和醫療保險的種類，擁有雙保險的認定為無排斥，單保險的認定為中排斥，無保險的認定為完全排斥(含自我排斥)。(2)在家庭非財務類型方面，本文主要選取了居住地、戶主個性特征(性別、年齡、學歷、職業)、社會關系(社交網絡、互聯網)三大類型，并通過聚類分析法將其劃分為五類非財務特征家庭(4)本文做了5類、10類和15類的聚類劃分，5類的Calinski and Harabaszpseudo 的F值是三者最高的。。

為考察按照非財務特征聚類的家庭與按照財務特征(5)這里的財務特征指的是家庭年可支配收入與凈資產兩項。聚類的家庭有何不同，本文通過相關性檢驗，發現二者的相關系數僅為-0.01，說明兩種特征劃分出來的家庭類型不存在相關關系。此外，本文還做了非財務金融排斥結構與財務排斥結構的相關性檢驗，結果為：(1)非財務信貸排斥結構與財務信貸排斥結構的相關系數在10%顯著水平上為0.24，因子分析法下的獨特性系數達到0.827；(2)非財務賬戶排斥結構與財務賬戶排斥結構的相關系數在10%顯著水平上為0.42，獨特性系數達到0.810；(3)非財務保險排斥結構與財務保險排斥結構的相關系數在10%顯著水平為0.89，獨特性系數為0.165。由此可見，中國家庭的財務特征與非財務特征對應的金融排斥結構并不完全相同。其中，信貸排斥結構的相似性最低，其次是賬戶排斥結構，保險排斥結構的相似性最高。而保險排斥之所以相似是因為本文選取了社會養老保險和社會醫療保險兩大基礎險種，大部分公民都有入保，并沒有明顯的財務和非財務特征之分。假設1由此得證，金融對客戶非財務特征的排斥確實呈現出獨有的慣性規律，但因為社保的非排他性又不完全獨立于財務特征。

表1列示了三大金融排斥類型的頻率結構與非財務慣性結構的對比。頻率結構是每種排斥類型出現的次數比例，非財務慣性結構則是包含非財務信息的金融聚類結構。

表1 三大金融排斥類型的頻率結構與非財務慣性結構對比

信貸排斥類型的頻率結構為23.83∶7.71∶6.44∶32.48∶30.54，賬戶排斥為3.31∶82.47∶14.32，保險排斥為75.98∶20.31∶3.71。但這些結構并未映射出非財務特征的排斥慣性，還需要通過專門的對應分析法予以提取。Stata的對應分析命令CA通過降維分析可最大化提煉出反映非財務特征聚集規律的金融排斥結構，并將其空間坐標值予以標準化，據此來近似度量金融排斥結構(6)非財務特征的信貸、賬戶和保險對應分析，在第一維的解釋力分別達到81.48%、93.97%、95.66%，解釋力度非常高。第一維的信息反映的是客戶非財務特征最主要的金融聚集規律，少數其他聚集規律則由其他維度解釋。，結果如圖1所示：

圖1 非財務特征的三種金融排斥結構

圖1中最上部分展示的是信貸排斥結構。離0點最近的是“純民間”點，說明在非財務特征標準下，絕大部分家庭選擇純民間借貸方式(完全排斥)；“零負債”代表的自我排斥與各類銀行借貸方式分屬0點的兩側，但位置在-1以外，說明因未達到銀行較高的非財務標準而放棄借貸的家庭比例很低；0點右側主要聚集著混合融資方式和純銀行借貸方式，且在1點附近，其比例并不高。中間部分展示的是賬戶排斥結構。

有賬戶和無賬戶的家庭分屬0點的兩側，說明存在顯著的非財務標準差異(有賬戶的非財務條件要求高，無賬戶的非財務條件要求低)，樣本家庭擁有1種賬戶(中度排斥)的比例最高，擁有2種賬戶的家庭相對較少，不申請或不愿申請賬戶的家庭更少。最下面展示的是保險排斥結構，可以看到擁有雙保險(無排斥)的家庭比例最高，其次是單保險(中排斥)，無保險或不愿參保的比例非常低。

總之，三種金融產品的非財務排斥慣性各有不同。其中，信貸以完全排斥為主，強排斥、弱排斥、無排斥以及自我排斥的比重較低；賬戶以中度排斥為主，完全排斥比無排斥的比例更低；保險傾向于無排斥，中排斥和無排斥的比重非常低。由此可見，整體上我國家庭信貸非財務排斥結構最不均衡，其次是賬戶排斥結構，最均衡的是保險排斥結構。

表2 相關變量定義與描述性統計結果

表3 相關變量的描述性統計結果

3.控制變量

為了構造家庭財產決定模型，本文借鑒何金財和王文春(2016)[34]、Brown和Taylor(2008)[35]、Jung等(2017)[36]的做法，選取了居住地、年收入、住房產權類型、戶主工作單位、年齡、學歷、家庭規模、健康狀況、手機持有類型、各省人均GDP、地區等作為控制變量。

(三)變量描述

模型涉及的因變量、自變量以及工具變量的定義和描述性統計結果如表2和表3所示。其中，“家庭財產”為因變量，“信貸排斥結構”、“賬戶排斥結構”、“保險排斥結構”為三個核心解釋變量，“居住地”到“地區”為控制變量，“信貸工具變量”到“戶主政治面貌”為工具變量。

四、家庭財產決定模型與實證分析

(一)模型構建

本文以三大金融排斥結構作為核心解釋變量，所構建的家庭財產決定方程如式(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分別代表家庭所在地區和家庭；asset代表家庭在受訪時點的總資產；cre_ex代表非財務特征的信貸排斥結構(簡稱信貸排斥結構)，acc_ex代表非財務特征的賬戶排斥結構(簡稱賬戶排斥結構)，ins_ex代表非財務特征的保險排斥結構(簡稱保險排斥結構)；control表示其他一系列控制變量，其中包含年齡和家庭規模的平方項；region表示家庭所在中部、東部和西部的固定效應，ε為隨機擾動項。

(二)模型估計結果與穩健性檢驗

首先，通過方差膨脹因子檢驗，解釋變量之間最大的VIF值為1.89，證明變量間不存在嚴重的多重共線性。表4列(1)和列(2)展示了三大非財務排斥結構的財產偏效應的OLS估計結果，其中，信貸排斥結構的財富邊際效應是三者中最高的。一部分原因是因為相比賬戶和保險的小額理財產品，信貸資本配置大額長期資產的財富效應要更高。另一部分原因則是金融排斥結構不均衡代表著金融資源的差異化配置，將資源向經濟發達地區或高財富家庭調配在一定程度上更具有經濟效率，可快速拉動財富總量增長。根據前文分析，信貸排斥結構是三者中最不均衡的，賬戶排斥結構其次，保險排斥結構最均衡。于是，適度增加非財務特征的金融排斥結構有助于提高家庭邊際財富總量，尤其是增加信貸排斥，但同時也可能導致財富不平等的加劇。

表4 家庭財產決定模型的OLS結果與2SLS回歸結果對比

三種金融排斥結構與家庭財產之間的顯著正相關關系可能來自于兩方面原因：(1)解釋變量與被解釋變量之間存在雙向因果關系，即金融排斥結構影響了家庭財產總量，家庭財產總量也導致了家庭金融資源的非均衡性；(2)此外，還可能存在某些不可觀測的因素變動，既影響了家庭金融排斥結構，也影響了家庭總財產。當解釋變量與被解釋變量之間存在雙向因果關系或回歸中存在不可觀測因素時，OLS估計結果的一致性就會出現問題。于是，本文借助工具變量對上述內生性問題進行檢驗。由于模型中有三大核心解釋變量，因此需要進行三項工具變量的聯合檢驗。在工具變量選擇方面，本文借鑒尹志超等(2019)[15]，何金財和王文春(2016)[34]的方法，基于從非財務特征上劃分的5個家庭類別，分別使用其他類別家庭的信貸排斥結構、賬戶排斥結構和保險排斥結構的加權平均值作為相應的信貸排斥結構、賬戶排斥結構和保險排斥結構的工具變量。除此之外，本文還增加了“各省家庭數量”的外生變量與之組成四元工具變量集進行過度性檢驗。檢驗結果是，Sargan統計量為0.06，P值為 0.81，可以接受工具變量集不存在過度識別的原假設。然后，進行識別不足檢驗，P值為0.00，可拒絕工具變量集與內生變量無關的原假設，即二者之間存在相關性。然后，進行弱工具變量檢驗，得到的Cragg-Donald Wald F統計量為5.6e+07(大于10)，可拒絕工具變量集為弱工具變量的原假設，即不存在弱工具變量問題，估計結果列示在表4中列(3)和列(4)。同時，還增加了“戶主政治面貌”與三個排斥結構工具變量的組合，也通過了上述各項檢驗。Sargan統計量為1.27，P值為 0.26；識別不足檢驗，P值為0.000；Cragg-Donald Wald F統計量為5.1e+07(大于10)，最后的回歸結果列示在表4中列(5)和列(6)。

兩次二階段回歸后的三種金融排斥結構依然對家庭總財產在1%統計水平上顯著正相關，而且三次回歸系數的估計值相差不大。結果表明，表4中OLS模型的三個金融排斥結構變量并未造成明顯的內生性問題，據此可以判斷OLS回歸結果具有可靠性。

表5 金融排斥結構的分位數回歸系數估計結果

(三)分位數回歸分析

為了進一步探索金融排斥結構在不同財產分位上的動態表現，表5給出了分位數回歸的估計結果。根據表5上半部分的數據，隨著家庭財產分位數的增加，三種非財務排斥結構的回歸系數均呈逐漸下降的趨勢，表明三項金融產品的非財務排斥結構對窮人家庭財富的邊際影響要高于富人家庭。此外，雖然窮人和富人家庭非財務信貸排斥的偏效應均是三者最高，但窮人家庭的賬戶和保險排斥也表現出不低的邊際效應，而這兩種排斥對富人影響都較小，富人家庭主要保留的是信貸非財務排斥效應。

為了對比非財務排斥結構與財務排斥結構的異同，表5下半部分還列示了財務排斥結構的分位數回歸結果(只將原三個非財務排斥變量更換為財務排斥變量，因變量和其他控制變量均不變，且通過了穩健性檢驗)。總體來說，財務排斥結構表現出來的財富邊際效應大部分與非財務排斥結構類似，同樣出現了隨分位數上升而下降的趨勢。其中，相比窮人家庭，富人家庭的財務信貸排斥下降幅度最大，下降了56.87%(在非財務信貸排斥結構中，富人相比窮人下降了38.80%)，而賬戶和保險下降幅度稍低，分別下降了37.73%和35.81%(對應非財務排斥結構中的下降比例分別為66.23%和59.65%)。總之，富人家庭三種財務排斥結構的財產偏效應均較低，即對富人的財富影響不大，除非富人產生自我排斥，否則基本上不存在因財務條件不達標而借不到錢、申請不到賬戶或保險的情況。但財務配置標準對窮人家庭影響依然較大，尤其是信貸和賬戶排斥結構表現出的偏效應依然較高，而國家社會基礎保障的推廣使窮人家庭因保險排斥產生的財富效應明顯下降很多。

綜合以上分析，非財務和財務兩套金融配置標準對窮人家庭來說，財產邊際效應(效率)均較高，兩者在理論上可以形成替代關系。對富人家庭來說，替代后賬戶和保險配置的邊際變化不大，均較低；但對信貸影響較大，非財務信貸配置下的富人財產的邊際效應相對更高。

五、金融排斥結構對家庭財產差距的貢獻分析

在考察完三大金融排斥結構的財產邊際效應后，再通過Shapley值分解法來獲取他們對家庭財產差距的貢獻度。

(一)基于Shapley值分解法的回歸模型貢獻度解析

近年來，基于回歸方程的Shapley值分解法在分析不平等上表現出諸多優勢，它適用于任何決定方程和任何度量不平等的指標。其基本原理為根據回歸方程的Shapley分解值，解析出各自變量和殘差對因變量不平等指數的相對貢獻，再從貢獻度的大小來確定自變量的重要性。具體分解過程如下。

第一步，基于回歸方程計算自變量和殘差對因變量不平等指數的貢獻率。根據式(1)建立的財產決定方程得到回歸方程簡略形式如式(2)所示

(2)

由于該方程采用的是半對數模型，在做Shapley分解時如果使用對數形式的分解可能會造成財富變量分布的扭曲[37]，因此在分解前有必要對回歸方程進行還原，做法是直接在式(2)的兩端取對數。

(3)

(4)

第二步，通過Stata計算式(1)各個自變量的Shapley分解值，然后乘以C(X)/I(asset)得出各個自變量對因變量不平等指數的相對貢獻率。但由于Stata自帶的Shapley分解命令無法處理較多變量的情形，本文將控制變量分成了五類：家庭收入、家庭社會網絡(工作單位、手機類型)、家庭特征(居住地、年齡、學歷、家庭規模、戶主健康)、家庭產權類型、地區經濟分布(各省人均GDP和地區類型)。最后，家庭財產決定模型的財產差距貢獻率總結在表6中，并同時給出了非財務排斥結構模型和財務排斥結構模型的對比數據。在全樣本中，兩種家庭財產決定模型的解釋變量對總資產基尼系數的貢獻率均達到85%左右，隨著財產百分位的下降，兩個模型下的解釋變量貢獻率均隨之下降，且每個分位數上的解釋變量貢獻率相差不大。

表6 家庭財產決定模型對財產差距的貢獻率

將各個自變量的Shapley分解值與表6中解釋變量的貢獻率相乘，即可得到某一自變量對財產差距的相對貢獻率，結果如表7所示。

整體來看，兩種排斥結構模型下的三個排斥結構貢獻率排序一致：信貸排斥貢獻率>賬戶排斥貢獻率>保險排斥貢獻率。非財務排斥模型中的信貸貢獻率要更明顯低于財務排斥模型。在非財務排斥模型中，各樣本信貸貢獻率平均約為賬戶的1.15倍，為保險的2.4倍；在財務排斥模型中，這兩個倍數分別是1.7倍和4.6倍。在全樣本中，三大非財務排斥結構對財產差距總貢獻率達到8.86%，低于財務排斥結構的13.05%。由此可以推斷，采用多元化的金融非財務配置標準整體上會比財務配置標準更有利于縮小家庭財富差距，更彰顯公平性。對于窮人家庭來說，雖然非財務排斥的貢獻度要高于富人家庭，財務排斥結構亦如是，但非財務配置機制的總貢獻度(9.58%)低于財務配置機制(14.02%)，這說明無論哪種配置方式對窮人來說都比富人更有失公平，但財務排斥機制的公平性更低。當然，除了金融排斥結構的影響之外，家庭特征、社會網絡、地區經濟以及收入對財富基尼系數依次都有較大貢獻，家庭住房產權類型的影響相對較低(7)住房產權類型影響較低是因為在本次數據樣本中，農村家庭比例約為42.63%，宅基地類型占比達72.84%(除去拒訪樣本)。中國農民住宅集體產權性質恰好保護了農民的住房權益，防止出現因為房地產市場化擴大到農村而產生的巨大財富差異。即使城市大量住房商品化，但這部分房產對拉大中國整體家庭財富差距的作用是有限的。。

表7 各解釋變量對財產基尼系數的相對貢獻率

為了更細致地對比窮人和富人家庭財務和非財務在信貸配置上的異同，本文列出對應分析法第一維解析的信貸排斥結構坐標值來進行分析：25百分位以下窮人家庭組非財務特征下的純銀行、主銀行、主民間、純民間借貸和無借貸(自我排斥)的坐標值分別為0.50、1.58、1.38、0.52、-1.40；財務特征下的各個坐標值分別為0.37、1.17、-0.82、0.16、-0.67。90百分位以上富人家庭組非財務特征下的純銀行、主銀行、主民間、純民間借貸和無借貸(自我排斥)坐標分別為0.45、0.68、0.44、-0.10、-0.89；財務特征下的坐標為0.13、-0.78、-0.64、-0.11、0.32。這些數據均經過標準化處理，具有可比性。對比結果如下。

1.相關性方面

利用以上坐標值構建了非財務信貸排斥結構變量與財務信貸排斥結構變量，窮人家庭的這兩個變量的相關系數為0.96*，富人家庭的為-0.62*。這正好印證了非財務和財務兩套信貸配置機制對窮人家庭有較強正相關關系，理論上具有可替代性；但對富人家庭則為負相關關系，不具備可替代性。

2.窮人家庭的信貸配置

窮人家庭的兩套信貸配置機制雖然整體上有較強相關性，但從坐標分布上來看仍存在區別。窮人家庭的民間借貸和銀行借貸(主要是政府扶貧貸款項目或小額信貸項目)均為正，說明兩種借貸方式下的非財務標準并無太大差別或歧視，由此增加了不少窮人利用信貸資金創業脫貧的機會；而有借貸與無借貸坐標值一正一負，說明存在因為達不到包括銀行和民間的任何借貸要求產生的自我排斥(-1.40)，因離0點較遠，這部分群體并不太多。再看財務信貸排斥坐標，窮人的銀行借貸與民間借貸/無借貸一正一負，說明二者之間存在較大的財務標準差異，銀行以財務標準為主，民間借貸則無太多財務標準或財務標準較低，因此窮人更傾向于向民間借貸(0.16，接近0)，其次銀行扶貧貸款或小額貸款的扶持也有一定支持力度(0.37)，但因為達不到銀行財務標準而自我放棄的比例則相對增多(-0.67)。可見，非財務和財務兩套信貸配置機制對窮人來說，雖然整體上相似度很高，但是前者更具有包容性和鼓勵性，后者則存在較大排斥性和自我抑制性。這也解釋了表7中窮人組非財務信貸排斥的貢獻率為何低于財務信貸排斥的現象。

3.富人家庭信貸配置

富人家庭的兩套信貸配置機制從整體上講并不具有可替代性。從坐標值對比來看，若采用非財務配置標準，銀行與民間借貸之間的標準顯著不同，銀行更高的非財務標準使得富人會更加傾向于純民間借貸方式，富人還會因為達不到銀行的高標準而產生一部分的自我排斥(-0.89)。若采用財務配置標準，銀行借貸(0.13)和民間借貸(-0.11)的標準程度顯然一高一低，富人兩者均可使用。從這個意義上來講，財務配置機制對大部分富人家庭來說并無太大差別。而非財務配置機制下，民間借貸(-0.10)明顯多于銀行借貸(0.45)，因為銀行的高非財務標準會使富人喪失原有的財富優勢進而轉向民間融資，這反而會給銀行機構帶來沖擊。

綜合以上分析，兩套配置體系對窮人家庭來說理論上具有可替代性，但實際上非財務配置體系的包容性和鼓勵性更高，更符合窮人利益；對富人家庭來說則有很大差異，二者并無相似性和替代性，且財務配置體系更符合富人利益。

表8 農村家庭單項非財務金融排斥結構的財產基尼系數相對貢獻率(%)

(二)對農村樣本的進一步研究

通過以上分析得出非財務金融配置標準對窮人家庭更為有利的判斷，于是本文接下來選擇農村樣本進一步研究。由于樣本中擁有雙保險的農戶家庭已達到74.04%，非財務保險排斥程度非常低，為簡化研究，本文只針對信貸和賬戶排斥具體剖析。選取性別、年齡、學歷、職業、關系和手機類型6個非財務特征分別與信貸和賬戶做對應分析得到12個排斥結構變量。然后通過相關性檢驗和共線性檢驗，剔除掉其中相關性較高和VIF值較大的7個變量，保留了表8中的5個結構變量。將這5個結構變量替換式(1)財產決策模型的核心解釋變量，并用Shapley值分解法最終得到農村地區家庭財產基尼系數的相對貢獻度。表8列(1)列示了5個變量相對貢獻率的大小排序為：學歷信貸排斥>手機賬戶排斥>年齡賬戶排斥>年齡信貸排斥>性別信貸排斥。為了檢驗這一排列順序的穩定性，本文還在原樣本中隨機抽取了80%和50%的比例進行對比，其排序結果與原樣本完全一致，可見原樣本排序具有一定可靠性。

圖2 農村家庭學歷信貸排斥結構

圖3 農村家庭手機賬戶排斥結構

圖4 農村家庭年齡賬戶排斥結構

圖5 農村家庭年齡信貸排斥結構

圖6 農村家庭性別信貸排斥結構構

圖2-6展示了農村家庭以上5個關鍵排斥結構的分布。可以看到農村家庭學歷基本在高中及以下層次，信貸方面主要處于強排斥、自我排斥和完全排斥狀態；擁有一種儲蓄賬戶的家庭居多，申請理財賬戶的非常少；66歲以上的戶主基本無賬戶，其他年齡層基本只擁有一種賬戶；36-50歲戶主接受政府扶貧貸款的較多，21歲以下和51-65歲群體基本處于被正規信貸完全排斥的狀態，66歲以上戶主主觀上不愿意接受貸款，21-35歲群體主要采用混合融資方式；農村女性戶主比例少，基本無主觀貸款意愿，男性戶主比例高，且以民間借貸為主。

以上基于非財務特征形成的信貸和賬戶排斥結構總體上對農村家庭財產差距造成了近10%的貢獻率。因此，須重視提高農村家庭信貸認知，普及智能手機利用率，增加成年以上農戶對理財賬戶的申請，繼續加大低息中短長期貸款在農村用戶的比例，消除女性自我排斥意識，增加正規專項女性信貸資金投放。

六、總結與建議

客戶非財務特征的金融排斥結構實際上是金融在人口結構、教育資源、環境關系等方面配置失衡的集中表現。本文通過實證研究發現：

第一，信貸、賬戶和保險三種非財務排斥結構雖然在一定程度上表現出均對家庭部門財富的促進作用(其中信貸排斥的財富偏效應最高)，但同時也造成了家庭財富的嚴重不平等(其中，信貸排斥的貢獻率最高)。并且隨著財產百分位的上升，這些排斥結構的財富偏效應和財產差距貢獻率均逐漸下降，即非財務排斥結構普遍對窮人家庭影響更大，對富人家庭影響較小。

第二，非財務和財務兩套配置標準對窮人家庭來說均不具備比較優勢，但財務標準更為苛刻，導致自我排斥的比重較高；而非財務標準通過認知培訓、關系建立以及政策幫扶可增加窮人家庭參與金融活動的機會和意愿。因此，非財務標準的金融配置機制更遵循窮人原則，更具有包容性和激勵性，對維護家庭財產公平性更有利。兩套配置標準對富人家庭則有較大差異。若銀行制定高水平非財務標準，會使富人喪失財富的比較優勢，使其轉向民間融資渠道或形成自我排斥，這并不符合富人利益，且向民間融資轉移亦會對正規金融機構帶來沖擊，于借貸供需雙方均不利。

第三，通過對農村樣本進一步研究發現，農村家庭部門的基礎保險配置做得較好，但信貸和賬戶的非財務排斥結構對財產差距的貢獻率共達到近10%的比例。其中年齡、性別和金融知識的信貸與賬戶歧視影響較大，須予以高度重視和解決。

在建議方面，本文提出對高收入家庭保持以財務標準為主的金融配置機制，對低收入家庭可采取非財務標準為主的金融配置機制。非財務配置標準側重于幫助弱勢客戶挖掘可與金融交互的非財務條件，并在這個過程中激發和改善他們的非財務稟賦水平，從而提升其金融創富能力。為此，本文提出了如下三個層面的建議：

第一，建立以政府為主導、以有限自由市場為輔助的混合型非財務金融配置體系。在農村地區，充分發揮政府在非財務金融配置體制上的“供給引導”作用，切實解決非財務金融規模、深度、風險與成本方面的問題；同時，還可發展自由市場“需求追隨型” 進入模式，允許非正規金融組織通過賺取適當盈利來克服非財務指標帶來的高風險，以維持業務的可持續性。

第二，利用大數據分析技術和智能手機普及來長期追蹤有借貸意愿的客戶。重點采集性別、年齡、健康狀況、人際關系、興趣愛好、血型、社區或工作單位口碑、金融知識、網上金融理財活動參與情況等信息。將這些信息加以串聯評估出客戶的非財務誠信值。通過建立非財務特征的征信體系，促使客戶重視社會誠信與健康問題、了解人與人之間互助的重要意義、提高學習金融知識和參與金融活動的熱情等，以此不斷提升他們的非財務稟賦水平。

第三，在社區或村級單位設立婦女創業專項基金，推行斷層年齡金融覆蓋計劃、成立金融學習互助小組，建立誠實守信、獎罰分明的信貸配給規章制度，旨在建立金融幫扶關系，營造金融知識學習氛圍和誠實守信的道德氛圍。

總之，非財務金融配置機制要以服務窮人為原則，以發展窮人、提升窮人為宗旨，通過規避其財務劣勢，促進其非財務能力的發展和完善，并以此為基礎實現脫貧致富的目標。