金融排斥现象的主要内容

对金融排斥的chaall指标进行普通的面板数据模型分析，结果如表7．3所示。固定效应模型显示，人均收入（lninco）对金融排斥的确有显著的负影响，即人均收入越高，金融排斥程度越低。同时，就业比例（empl）、交通方便性（tran）、执法效率（punish1）也对金融排斥有显著的负影响；而经济增长速度（grow）、存贷利差（spread）则对金融排斥有显著的正影响。

同时，男性比例（man）并没有对金融排斥产生显著的影响。从国外研究文献看，男性比例本来就是一个争议的话题：更多的学者倾向于认为由于男性比女性的收入相对更高，因此被排斥的可能性更小；然而FSA（2000）却认为性别并不是重要的影响因素，本研究的结果也支持了FSA的结论。年龄特征（age0，age65），尤其是65岁以上人群的比例并没有显示出对金融排斥的显著影响，一方面反映出这些年龄群的人们由于具有一定的积储，往往会享受到一定的金融服务，例如储蓄服务等。此外，立法程度（law0）、年份虚拟变量（yea）等对金融排斥也没有显著作用，这一方面印证了许多学者提出的“执法比立法更重要”这一论点，另一方面也显著出我国金融机构的撤并改革并没有构成对各地区金融排斥的显著影响。

表7．3 普通面板数据回归下的结果

续表

注释：以chaall为因变量进行OLS回归，对于模型FE、RE，hausman检验显示应该选择FE模型；表格下方分别为F统计值、卡方统计值以及hausman检验的卡方统计值以及对应的P值；其中，***表示在1％水平上显著，**表示在5％水平上显著，*表示在10％水平上显著。采用stata8．0实现，下文同。

随机效应模型也显示了类似的结果，当然，其还体现出儿童这一群体比例越高，金融排斥程度也越高；但利用hausman检验，发现结果支持FE模型，因此，我们可以暂时认为儿童比例对金融排斥并没有产生显著的影响。当然，由于mino、social、east、mid虚拟变量具有时间的不变性特征，因此无法在FE模型中得以体现，在此情况下，我们仍然可以从RE模型中得到一点信息。RE模型显示，mino、mid对金融排斥并没有产生显著的影响，也就是说，在一定程度上，是否属于少数民族、是否是中部地区，对金融排斥的作用不显著；然而，东部地区却对金融排斥有显著作用；同时，社会资本也对金融排斥产生了显著的负作用，即一个地区社会资本程度越高，则金融排斥程度相对就较低，较好地支持了上文所提到的观点。

对于少数民族地区与金融排斥之间显示无显著关系，这与国外的研究结果不一致，可能主要是受到其他干扰因素的影响。相关分析方法显示chaall与mino间的相关系数为0．16，且mino的回归系数为2．96（尽管不显著）。一般而言，少数民族聚集区的金融基础设施相对薄弱，同时由于文化等因素，其更容易产生自我排斥现象，因此，从某种程度上表明，少数民族地区的金融排斥程度还是会相对较高。

Cebulla（1999）曾指出，当上述特定的“人群经济”变量对金融排斥进行解释后，剩余的相当一部分“残差”需要由区位因素来解释，上述实证结果也在一定程度上支持了这一观点，尽管在模型（4）回归中并不显著。从模型（2）中可以看出，东部地区相对于中西部地区对金融排斥有显著的负向作用，该结果其实也较好地印证了上文中关于金融排斥的空间分布问题。这表明，东部地区已经形成了一种良性的累积效应，金融排斥程度相对较低；而中部和西部地区却陷入了“金融沙漠”境地，形成了金融排斥的“地理空洞”。

对金融排斥进行AR（1）模型分析，结果也基本类似，而且金融排斥指标本身体现出了显著的自回归特性；然而此时，就业比例并没有成为影响金融排斥的显著因素。

其实，由于上文所提到的内生性原因，上述普通面板回归所得到的结果可能存在一定的偏差。固定效用模型假设检验要求解释变量与任何一期的特异误差都不相关，而实际上该假设未必能得到满足；同时，empl、tran等变量存在着组间变异相对而言较为显著、而组内变异较弱这一特征，因此采用固定效用进行估计时，去掉时间均值得到的转换值及其变异会普遍偏小，从而降低这些变量对各地区金融排斥的影响；而且回归模型FE（AR（1））与模型FE的结果差异较为明显，说明可能存在一定的强相依过程，所以违背了固定效应回归的假设，因此，此时的固定效应估计并不一定正确。而对于随机效应模型而言，由于解释变量与遗漏的个体效应可能相关，因而RE也无法保证结果的可靠性。此外，更重要的一点是，上述静态面板数据模型假设特异误差无时间相关性，所以未考虑动态性，因而十分容易引起动态面板估计的偏差。考虑到这些因素，下文将进行GMM动态面板回归分析。

做SYS‐GMM分析的前提是模型设定必须是FE形式的，因此，我们对表7．3中的变量进行了舍取，由于man、age0、age65、law0、law1、law2、year并没有对金融排斥产生显著影响，相关性分析表也显示这些变量并没有与金融排斥指标间存在高度的相关性；而social、east、mid、mino等变量由于其时间不变性特征，因而也无法引入到模型中进行分析。故进行动态GMM分析模型为：

excluit＝φi＋β1lnincoit＋β2emplit＋β3growit＋β4spreadit＋β5tranit＋β6punish1it＋εit

对该模型进行DIF‐GMM和SYS‐GMM分析，结果如表7．4所示。（1）和（2）分别为一阶段与两阶段的差分GMM回归，对所有的变量求一阶差分，以滞后变量水平值作为差分变量的工具进行估计；（3）和（4）为一阶段与两阶段的系统GMM回归，以滞后变量的差分作为水平变量的工具。这四个回归的工具变量矩阵均由lninco、empl、grow、spread、tran、punish1组成，其中变量lninco具有明显的内生性，即变量lnincoit与当期和滞后期特异误差项εis（s≤ t－1）相关，因此，可将其若干期滞后向量作为工具；而其余变量经过检验可将其看成外生变量，直接进入工具矩阵。由表7．4可以看出，误差项的一阶序列相关、二阶序列不相关检验与Sargan过度识别约束检验均通过，说明该工具矩阵较好地解决了内生性问题。同时，如Bond（2002）、Roodman（2006）等所建议的，在小样本条件下的强相依过程回归中，SYS‐GMM的估计结果要比DIF‐GMM更加可靠，因此本部分的分析主要以SYS‐GMM的结果为主。

表7．4 DIF‐GMM和SYS‐GMM回归的结果

注释：lag＿chaall，lag＿lninco分别为chaall，lninco的一阶自回归项；在DIF‐GMM中，分别以L．chaall，L．lninco作为内生变量的工具变量；在SYS‐GMM中，分别以D． chaall，D．lninco作为内生变量的工具变量；在DIF‐GMM和SYS‐GMM的二阶回归中均采用了winderjie修正方法；AR（1）和AR（2）分别为Arellano‐Bond一阶、二阶序列相关检验，对应数据为标准正台分布下的P值；Sargan检验用来检验工具的有效性，对应数据为卡方分布下的P值。另外，由于DIF‐GMM回归的差分转换消除了常数项，因此为了方便比较，在做SYS‐GMM中也没有考虑常数项。

相比较于表7．3，表7．4显示，lninco在1％的水平上高度显著，表现出了与金融排斥间高度显著的负相关作用，稳健地支持了文献中所提到的“金融排斥是收入的一个负函数”论题。其实收入对金融排斥的影响也可能通过银行分支机构的多少反映出来，收入越低，往往银行分支机构就越少。如李小建等（2006）的研究就表明，在1979年以后，某一区域“人均收入水平的高低”作为一个重要的区位影响因素，将决定着我国相当一部分银行的网点布局。因此，人均收入对金融排斥程度有着显著的负作用。

同时，就业率作为影响个人（或家庭）雇佣状态的一个显性体现，对金融排斥也有着显著的负作用；换句话说，失业率越高，金融排斥的可能性就越大。此外，交通的便利性和执法效率的提高，均对金融排斥产生了一定的负作用，即交通越便利，接触金融服务的可能性就增加，因此，金融排斥的程度会有所降低；执法效率的提高，在一定程度上会从制度上减少违约概率，从而提高金融机构进行金融服务提供的意愿，并在一定程度上也会减少人们的“自我排斥”倾向。

而经济增速和存贷利差显示出了和表7．3类似的结论，即经济增长速度越快、利差越大，则金融排斥的程度也越高。这一方面显示出，经济的快速增长，并没有带来全民收入的普遍提高，而是以差距化发展为代价的，因此导致了经济增速越快，而金融排斥程度越高，当然该结论仅仅适合于我们的样本数据段中；离开了这一阶段，有可能会得到负向的作用关系，即经济发展越快，金融排斥程度也越低这表现了经济发展到一定阶段时出现的良性循环状态。同时，利差越大，显示了利用金融服务的成本越高，因此便导致了金融排斥程度的提高。

对狭义金融排斥指标、以及金融排斥各维度指标进行同样的GMM分析，结果如表7．5所示。由此可见，狭义金融排斥指标chaxia的结果与chaall的结果基本类似，即人均收入、就业比例、交通便利性、执法效率对金融排斥有显著的负影响；而经济增速、存贷利差对金融排斥有显著的正影响。

同时，各维度的结果显示：人均收入对chause、chadepo、chainsu确实产生了显著的负作用，但对chageo、chauti、chaloan并没有表现出显著的作用，究其原因，一方面可能是由于指标本身的代表性问题所诱导的，因为我们采用的这些指标主要是以各省（市）为基本面的，可能并不能很好地针对具体微观个人进行影响因素分析；另一方面，也反映出了金融机构分支在地理选择上、以及贷款的服务上并不完全依赖于当地人们的收入情况，可能“行政”因素也发挥了一定的作用，因而弱化了人均收入对chageo的影响；而且回归结果也确实均显示出其系数为负，尽管不显著。

而就业比例除了对chageo和chainsu没有发挥显著作用外，对chauti、chause、chadepo、chaloan均产生了显著的负作用。这同样反映了金融机构分支的选址决策并不完全依赖于就业状态等的影响。交通便利性没有对chageo、执法效率没有对chadepo产生显著负作用，反映出金融机构分支的地理选择上，也没有完全依赖于交通方便性。与其他服务不同，储蓄服务更多地还是依赖于个人的收入等状态，而对制度性影响的依赖较少。变量spread对chause和chainsu并没有发挥显著的作用，这也是与金融服务的具体特点结合在一起的，其实在我们前文构建chause指标时可以看出，对基本保险服务是否享受成为一个重要的组成，而显然，利差对保险服务并不会产生直接的影响，这在一定程度上导致了本实证中的作用不显著。同时，实证结果也显示，经济增速对chainsu也没有产生显著的影响，并且其系数为负，也就是说，经济增速的提高，在一定程度上会降低对基本保险服务的享受度，这可能与经济增长所伴随的财产增加、以及对保险的需求增加有密切的关系。

但是，不管如何，总体上而言，SYS‐GMM的结果还是显著地支持了“人均收入、就业比例、交通便利性、执法效率为金融排斥程度的负函数、而经济增速、存贷利差为金融排斥程度的正函数”这一结论。