1. 引言
金融排斥即Financial Exclusion,目前国际上还没有明确的定义,但大部分专家认为金融排斥是指有金融服务需求的人在顺畅地获得金融产品方面有障碍的情况。为了缓解金融排斥现象,中国于2006年第一次引入了普惠金融的概念,在时隔10年后,又审议通过了《推进普惠金融发展规划(2016~2020年)》,提出了提高落后地区金融服务覆盖率的发展方针。普惠金融涵盖范围较广,金融排斥是导致普惠金融难以顺利实施的一个关键因素,目前,中国的普惠金融政策处于实施初期,较少文献涉及到普惠金融发展过程中金融排斥改善情况的研究。因此,研究金融排斥问题有利于了解普惠金融发展规划的实施效果,对切实提升金融服务乡村振兴效率具有现实意义。
2. 文献综述
Leyshorn和Thrift (1993)最早提出了金融排斥的概念,该概念认为金融排斥是指某些社会阶层被阻碍获取金融服务的方式 [1] 。但仅限于对地理排斥方面的研究。随后经济学家和社会学家开始尝试从新的角度对金融排斥问题进行分析,Kempson和Whyley (1999)通过对文化和制度的分析,认为金融排斥包括地理排斥、评估排斥、价格排斥、条件排斥、自我排斥和营销排斥六个维度 [2] 。Helen Russell (2011)通过对爱尔兰家庭的实证研究,发现没有银行活期存款账户的爱尔兰家庭高达20%,他们都背负着高额的负债 [3] 。虽然国外对金融排斥问题的研究比较丰富和深刻,在研究方法上值得借鉴学习,但是由于中国与外国国情的不同,对于国内的研究缺乏参考性。国内金融排斥的研究仅处于萌芽阶段。对于金融排斥问题的现状,最早引入这个概念的学者是胡鞍钢和周立(2002),他们认为欠发达地区产生金融排斥问题的原因是信息不对称以及可抵押物欠缺等多种因素导致的金融资产在不同地区产生差异 [4] ;姚宏伟(2015)认为金融排斥是一个社会问题,而中国存在的金融排斥问题主要分为两类,包括农村金融排斥和小微企业金融排斥 [5] ;李春宵和贾金荣(2012)通过人类发展指数的计算方法来构建各省区的金融排斥指数,研究发现中国各省区的金融排斥差异大、跨度明显 [6] 。对于金融排斥产生的原因,杨德勇、田园(2013)使用主成分分析法和多元回归模型对中国四大经济区域产生金融排斥差异的原因进行分析 [7] ;陈思(2013)运用多种计量模型对中国农村地区的金融排斥进行研究,认为农村地区的金融排斥具有地区差异,且造成金融排斥的原因包括经济、文化因素 [8] 。对于破解金融排斥的对策,许圣道和田霖(2008)提出了单一农村金融结构的特征,即农村地区主要提供金融服务的机构只有农信社,并从政府、银行和农民本身的角度出发,提出了解决金融排斥问题的对策 [9] ;高慧(2017)借鉴了其他发展中国家以及发达国家的做法,从金融的需求者、供给者和政府三个方面提出破解中国金融排斥问题的新思路 [10] 。
3. 理论与研究方法
本文首先根据Kempson和Whyley提出的“六维度法”进行精简和改良为四个更切合时代背景的维度,包括使用性、便捷性、可得性、渗透性,借鉴人类发展指数的计算方法计算出2015~2017年各个省区的金融排斥指数,接着通过2017年的金融排斥指数对中国产生金融排斥的原因进行实证研究,最后从金融机构和政府两个角度提出对策。
3.1. 金融排斥指数的构建维度
目前,国际上较为通用的做法是“六维度法”,但是指标具有重复性和主观性,因此,笔者将六个维度精简为使用性、便捷性、可得性、渗透性四个维度,结合国际上的通行做法,用银行作为基础的金融服务机构,采用其各项指标来代表。指标的选取符合计量经济学的基础理论知识,既能全面地覆盖指标的衡量内容,也能使衡量各个维度的指标数据易于获取和量化,计算方法如表1所示。
Table 1. Metrics of financial exclusion index
表1. 金融排斥指数的衡量指标
3.2. 金融排斥指数的计算方法
本文通过借鉴联合国开发计划署编制的人类发展指数来确定各个省区的金融排斥指数,这在研究金融排斥问题上是国际上比较认可的做法。同时也对它的计算过程做了一定的修改:金融排斥指数是通过搜集中国31个省区的样本数据来确定各个指标的最大值和最小值的,而不是官方确定好的数值。最终,金融排斥指数的计算公式为式(1):
(1)
其中,IFE (Financial Exclusion Index)为金融排斥指数;Dn是衡量金融排斥指数的各个指标;Wn是衡量每个维度中各个指标所占的权重。再通过各个指标实际值与理想值的差距的测算来确定各个省区的金融排斥指数,取值范围是0 ≤ IFE ≤ 1,金融排斥指数越大,表明该地区的排斥性越强,排斥金融排斥指数越小,表明该地区的排斥性越弱。本文总共选取了8个衡量指标,因此n的取值为1 ≤ n ≤ 8,n为自然数。Dn与Wn的具体计算方法如式(2)和式(3):
(2)
Xn代表各个指标样本的实际值,Mn代表该指标在31个省区中的最小值,Mn代表该指标在31个省区中的最大值。Dn的取值范围是0 ≤ Dn ≤ wn,Dn均为正向指标。因此,当Dn的计算结果越小时,表明该指标在该省区的得分越低,金融排斥程度越严重;相反地,当Dn的计算结果越大时,表明该指标的得分越高,该地区的金融排斥程度较轻。
(3)
其中,
表示该指标的变异系数。笔者认为本文中四个维度都能很好地衡量金融排斥的程度,因此赋予每个维度相同的权重,但在同一维度中,不同的评价指标对该维度的解释力度是不同的,因此本文采用变异系数法来确定各个指标的相对权重。当
的计算结果越大时,表明该指标对这一维度的解释力度越大。变异系数的计算公式如式(4):
(4)
其中,
是各个指标的标准差,
是该指标的平均值。
4. 数据收集与分析
4.1. 省区金融排斥程度的比较
依据表1的指标顺序,得出2015~2017年各个指标的计算结果,即表2。计算所使用的数据主要来源于《中国统计年鉴》、Wind数据库和国泰安数据库。
Table 2. Statistical value of 2015~2017 financial exclusion index
表2. 2015~2017年金融排斥指数的统计值
将中国金融排斥的程度划分为五个等级:当0 ≤ IFE ≤ 0.4时,表明该省区的金融排斥程度极低;当0.4 ≤ IFE ≤ 0.7时,表明该省区的金融排斥程度较低;当0.7 ≤ IFE ≤ 0.8时,表明该省区金融排斥程度处于中等水平;当0.8 ≤ IFE ≤ 0.9时,表明该省区的金融排斥程度较高;当0.9 ≤ IFE ≤ 1时,则说明该省区的金融排斥程度极高。最后得出各个省区2015年~2017年的金融排斥指数如表3所示。
Table 3. Financial exclusion index of 31 provinces and regions in 2015~2017
表3. 2015~2017年31个省区的金融排斥指数
Table 4. Financial exclusion in the four major economic regions
表4. 四大经济区域的金融排斥程度
中国金融排斥程度极低的省份只有北京和上海,排斥指数的得分处于0.8~1的位置的省份占了一半左右,金融排斥最严重的是湖南省;由表4可知,按划分的四个经济区域来看,有3个区域IFE ≥ 0.8的占比超过一半,东部地区的占比仅有40%,金融排斥程度最低,其中,金融排斥指数得分较低的北京、天津、上海、浙江均在东部地区;占比位居第二的是东北地区;而西部地区的占比位居第三,金融排斥程度极高的省区有广西、贵州、云南,均是少数民族聚居的地区;而中部地区占比高达100%。
4.2. 实证分析
4.2.1
. 影响因素的选择
本节采用的数据主要来源于2017年的《中国统计年鉴》、Wind数据库以及表3计算所得的金融排斥指数,并通过量纲归一化处理后如表5所示。
Table 5. Influencing factors of financial exclusion
表5. 金融排斥的影响因素
金融发展水平:采用各省区本外币各项贷款余额与地区生产总值的比值来衡量该地区的金融发展水平。金融发展水平越高的地区,经济也一般较为发达,由于金融机构追求利益最大化,因此经济发达的省区金融排斥指数也较低。
人均可支配收入:各个省区的收入水平在很大程度上影响了金融排斥的程度,当居民的收入增多时,便会寻求金融服务等更高层次的金融产品;相反,低收入人群可以享受到的金融服务更少,金融排斥程度较为严重。
农业发展水平:采用各个省区第一产业总产值占地区生产比重的比值来衡量每个地方的农业发展水平。如果一个地区的农业发展水平较高,也能间接地反映出第二产业和第三产业占地区生产总值的比重较少,说明该地区的工业化水平较低。即一个地区的农业发展水平越高,该地区的金融排斥程度越高。
受教育程度:采用各个省区初中及以上学历的人口占六岁及以上人口的比重来衡量该地区的受教育程度。受教育程度越高的地区,该地区的人群能更好地理解金融产品,金融排斥程度也会更低。
4.2.2
. 模型的选择
综合多个参考文献和本文四个维度,最终选择的模型如式(5):
(5)
其中,IFE为金融排斥指数,FIN为金融发展水平,INC为人均可支配收入,AGR为农业发展水平,EDU为受教育程度,c、β1、β2、β3、β4为系数,μi为随机扰动项,i代表中国31个省区,取值范围为
,i为自然数。
4.2.3
. 回归结果与分析
运用Eviews6对模型进行计量回归检验,结果如表6所示。农业发展水平的参数估计值未能通过t检验,解释变量间可能存在多重共线性,因此通过逐步回归法将变量分别导入,在剔除农业发展水平的变量后,所有变量均显著。从表7的回归结果来看,模型整体上通过了5%显著性水平下的检验,调整的可决系数R2较高,模型拟合较好,中国金融排斥指数的变化情况的95.22%可被选取的影响因素解释;各个变量均通过5%的显著性检验,金融发展水平、人均可支配收入、受教育程度与金融排斥指数呈负相关关系。由于选取的数据是截面数据,需要对模型进行异方差检验,由表8知,P值0.0784 > 0.05,通过了5%显著性水平的检验,因此拒绝模型存在异方差的假设,模型的估计是有效的,最终表达式如式(6)。
(6)
Table 6. Quantitative regression results
表6. 计量回归结果
5. 结论与建议
5.1. 结论
第一,中国的金融排斥程度总体上比较严重,从2015~2017年的数据来看,这三年金融排斥指数的平均值都偏高;第二,中国的金融排斥程度存在省际差异和区域差异,从金融排斥指数平均值最低的0.288到最高的0.962,各个省区间的指数得分跨度大。从四大经济区域来看,金融排斥指数较低的都集中在东部地区;第三,造成中国金融排斥差异的原因是多样化的,中部和东北地区的金融发展水平较低,西部和少数民族聚居的地区的人均可支配收入较低,各个省区受教育的程度差别较小,但是西藏、青海等地明显偏低,因此要降低西部地区辍学率;而中部地区IFE ≥ 0.8的占比要高于西部地区的原因可能是西部地区有国家政策的支持。
5.2. 对策建议
首先,金融机构要提高自身金融服务的供给性,主动承担社会责任,认真践行支农政策,在边远地区增设营业网点;其次,金融机构的形式应更加多样化,除银行外,还应该涵盖互联网金融、信托和保险等。政府要营造良好的普惠金融发展环境,第一,要避免“一刀切”的政策,因地制宜发展金融产业,金融排斥程度极高的地区,要采取宽松的金融政策,确保基础的金融服务水平提升上来;金融排斥程度较低的地区则要聚焦创新前沿的金融领域,推进金融服务由增量导向转向提质导向。第二,未来金融产品势必呈现精细化的发展趋势,受教育水平低的人更容易被排斥在外,因此要注重普及金融知识,加大新兴金融产品的宣传力度。第三,由于偏远地区的信用记录存在缺失,降低了金融机构对农村地区放贷的积极性,政府应该完善信用体系的建设。
致谢
四年的本科学习即将画上句号,在此期间,老师、朋友和父母给予了我莫大的鼓励和支持,让我在这一段求学生涯里既充满干劲,又走得踏实。首先,感谢我的导师蓝裕平教授对我论文修改上的悉心指导,让我对论文的写作有了更加深入的理解;其次,感谢我的朋友对我的帮助,让我在学习交流中不断进步;同时,感谢我的父母一直以来对我生活的照顾和学业的理解,是你们的爱与包容让我成长。