上述变量的具体定义见附表7．1，对其进行面板数据的基本统计描述，结果如表7．1所示。从表7．1中可以看出，对于面板数据指标lninco、empl、man、know、tran、tele、age0、age65、grow、infl，以及金融排斥各指标的组内差异，相对于总体差异而言，基本上体现出较小的波动性，尤其是金融排斥各指标。
表7．1 各变量的基本统计描述
续表
注释，对于每一变量，分别从上而下有三种统计方式，为：总体、组间、组内，其对应的样本量分别为N＝434，n＝31，T＝14。
进一步，对各指标间的相关性进行分析，如表7．2所显示的，金融排斥各指标与lninco、know、tele、tran间存在高度的负相关性，其相关系数基本上在0．7以上，且十分显著；进一步，lninco与know、tele、spread、punish2也存在高度的相关性，均在0．7以上，并且，know与tele、tran、age0之间，tele与know、tran之间，infl与spread、law2之间，punish2与spread之间均存在高度的相关性。因此，未避免回归模型中出现多重共线性，未将know、tele、punish2、infl指标纳入，然而，实际上，基于前三个指标与lninco以及tran的高度正相关性（且高度显著，表中未报告出来）、inf与lninco间的高度负相关，我们有理由相信，若回归结果显示lninco、tran对金融排斥间有显著的负作用的话，那么，know、tele、punish2也同样对金融排斥产生一定的负作用、infl对金融排斥产生一定的正作用。下文的回归分析将遵循如此的思路。
同时，相关分析结果显示，empl、age65、spread、law0、law1、law2、punish1、punish2、social以及east均与金融排斥各指标间存在一定的负相关性，也符合研究文献得出的结论；而man、age0、grow、infl、mino以及mid等指标却与金融排斥存在一定的正相关性，这表明男性比例高并不能引起金融排斥程度的降低，反而有增加的趋势，尽管这种正相关性并不显著；同时，经济过快的增长也并没有带来金融排斥程度的降低，反而在一定程度上可能会拉大贫富差距，从而引起金融排斥程度的提高，尽管该系数并不显著；当然，0～15岁年龄层的人数比例增加、通货膨胀率的提高、少数民族以及中部地区这四个指标，从理论上而言，确实与金融排斥间存在正相关性，我们的相关性结果也支持了该论点。
[1] 上文的理论分析中之所以未加入宏观环境因素，一方面是为了防止模型的复杂化；更重要的是，关于宏观环境，例如经济增速等对于金融排斥的作用，较少有外文文献进行分析，因此，缺乏理论假设的基础；但是作为实证性的探讨，我们不妨将其引入，看看其与金融排斥间到底存在怎样的关系。
[2] 之所以以从业人数占比进行衡量，而非（1－失业率）指标，主要是考虑到若运用后一指标，从统计年鉴中可以看出，该值的变化较小，并且体现在数值上表现为接近于1的就业率，因此可能对金融排斥的作用不大，所以这里便没有采用（1－失业率）指标。
[3] 其实一个更合适的指标是各地区大专或以上学历的人数占比，该指标能较好地体现出“存量”的作用，但由于该指标有好几个年份数据缺乏，因而需要一定的推算，所以为减少误差，笔者没有采用，而替代地以在普通高校学生人数占比表示，尽管该指标有一定的“滞后”性，但鉴于其与“大专或以上人数占比”之间的高度相关性，以此代替之，也可以从一定程度上反映出其对金融排斥的作用。
[4] 对于不一致的数值，以相应年份的《中国统计年鉴》为准，下同。
[5] 尽管从一定意义上而言，对我国法律对债权人权利的保护程度可能可以更好地反映法律这一维度对金融排斥的影响，因为本书中对金融排斥的研究对象主要为储蓄、信贷和基本的保险服务，其界定更多地是从债权债务角度进行的；然而，由于缺乏相对应地一些条文和依据，因此，可以间接地以法律对投资者的保护进行替代，正如LLSV （2000）和Denis＆Mc Connell（2003）等研究所指出的，其实对投资者保护和对债权债务人的保护是有密切的联系的，因此，该指标在一定程度上也可以间接反映出法律对债权人的保护程度，同时，也从一个更广的角度反映了法律保护程度这一问题。
[6] 衡量社会资本一个更合适的指标是每省市自治区每一年的自愿献血量，但由于缺乏该数据，故无法以此指标进行衡量。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
