?西北地區(qū)農(nóng)村金融排斥的區(qū)域差異及影響因素分析

楊夏林 陳步高

摘 要：以市域為研究單位，運用金融發(fā)展指數(shù)和泰爾指數(shù)，從區(qū)域的角度對西北農(nóng)村金融排斥程度進行比較和差異分解，并建立系統(tǒng)廣義矩模型分析其影響因素。得出以下結(jié)論：2009—2018年西北農(nóng)村金融排斥的區(qū)域總差異呈倒“U”型演變特征，地區(qū)內(nèi)的差異大于地區(qū)間差異;農(nóng)村人均純收入、城鄉(xiāng)收入差距、農(nóng)村老齡化程度及農(nóng)村就業(yè)人口是影響農(nóng)村金融排斥差異的主要因素，且以上影響因素在不同地區(qū)和時期對農(nóng)村金融排斥差異的影響程度不同。

關(guān)鍵詞：西北地區(qū);農(nóng)村金融排斥;區(qū)域差異;系統(tǒng)廣義矩

中圖分類號：F327文獻標識碼：A文章編號：1006-060X（2020）02-0107-05

Abstract： Taking the city area as the research unit， using financial development index and Theil index， this paper compares and decomposes the degree of rural financial exclusion in Northwest China from the regional perspective， and establishes the system generalized moment model to analyze its influencing factors. The conclusion is as follows： from 2009 to 2018， the total regional difference of rural financial exclusion in Northwest China shows an inverted “U” type evolution feature， and the difference within the region is greater than that between regions; rural per capita net income， urban-rural income gap， rural aging degree and rural employment population are the main factors affecting the difference of rural financial exclusion， and the above factors have different influence on the difference of rural financial exclusion in different regions and periods.

Key words： northwest China; rural financial exclusion; regional differences; system of generalized moment model

我國西北地區(qū)屬偏遠省份，金融機構(gòu)數(shù)量極少，當?shù)啬承┺r(nóng)戶是典型的“邊緣借款人”。理論界普遍認為金融排斥會制約當?shù)亟?jīng)濟的發(fā)展，尤其是在經(jīng)濟發(fā)展落后的農(nóng)村地區(qū)，金融排斥會阻礙農(nóng)民、農(nóng)企、農(nóng)業(yè)融資，導致城鄉(xiāng)收入差距持續(xù)擴大[1-2]。國內(nèi)學者對農(nóng)村金融排斥的研究較晚，但目前已取得豐碩的成果。初期，學者使用了定性分析方法研究了我國農(nóng)村金融排斥的原因[3-5]。隨著研究的深入，學者們開始采用定量分析方法對農(nóng)村金融排斥的區(qū)域差異進行測度，并通過構(gòu)建模型來探析影響差異性的因素[6]。測度方法也更具科學性，由間接反映各省金融排斥程度的因子分析法演變到金融排斥指數(shù)（IFE）測度法[7-8]。對上述研究總結(jié)如下。首先，在研究尺度上，多以全國作為研究單位，少有從市級這一微觀層面進行考察的。同一個省內(nèi)部規(guī)模不同的城市間可能存在明顯的異質(zhì)性，很有必要進行不同維度的比較。其次，在模型的構(gòu)建上，現(xiàn)有文獻多選用時間序列或截面數(shù)據(jù)

構(gòu)建模型，研究所用數(shù)據(jù)很少選用面板數(shù)據(jù)。最后，現(xiàn)有的文獻鮮有研究少數(shù)民族地區(qū)的金融排斥現(xiàn)象。因此，筆者在借鑒以往相關(guān)研究成果的基礎(chǔ)上對少數(shù)民族的農(nóng)村金融排斥也進行了探索。選用西北地區(qū)5個省、自治區(qū)總計49個市的相關(guān)數(shù)據(jù)，運用金融發(fā)展指數(shù)和泰爾指數(shù)，從金融排斥的角度探析西北農(nóng)村金融發(fā)展滯后的原因，以期為改善農(nóng)村金融排斥狀況，加快農(nóng)村金融發(fā)展，有針對性的采取破解措施提供參考。

1 數(shù)據(jù)來源與模型方法

1.1 數(shù)據(jù)來源與說明

該研究的樣本范圍為2009—2018年陜西省、寧夏回族自治區(qū)、甘肅省、青海省及新疆維吾爾族自治的地級及以上城市的農(nóng)村地區(qū)。由于某些省份個別地級市數(shù)據(jù)不全，因此剔除了個別地級市，最終保留的樣本點為49個。研究所采用的數(shù)據(jù)主要來自于以上5個省份（自治區(qū)）的統(tǒng)計年鑒、中國銀行業(yè)監(jiān)督管理會網(wǎng)站、《中國銀行業(yè)農(nóng)村金融服務分布圖集》、中國區(qū)域金融運行報告、中國縣市經(jīng)濟統(tǒng)計年鑒和中國經(jīng)濟統(tǒng)計信息網(wǎng)。

1.2 模型方法

通過金融發(fā)展指數(shù)（IFE）測算了西北地區(qū)農(nóng)村金融排斥程度，所選的指標為“四維度”分析指標，即金融服務的滲透度、使用度、可負擔度、效用度;在衡量西北各地區(qū)農(nóng)村金融排斥的差距時，采用了泰爾指數(shù)分析方法，這是由泰爾指數(shù)的分界性特征決定的[9-10]。在分析西北地區(qū)農(nóng)村金融排斥的影響因素時，選用了面板數(shù)據(jù)估計和系統(tǒng)廣義矩模型。選用系統(tǒng)廣義矩模型，其原因有2點。第一，西北地區(qū)49市、自治區(qū)的農(nóng)村人口規(guī)模、經(jīng)濟發(fā)展狀況等條件的不同可能會導致回歸結(jié)果出現(xiàn)異質(zhì)性;樣本包括了許多少數(shù)民族聚居區(qū)，少數(shù)民族與非少數(shù)民族相比，宗教信仰、歷史文化的不同，回歸結(jié)果可能也會存在異質(zhì)性。第二，農(nóng)村人均純收入、城鄉(xiāng)收入差距及農(nóng)村就業(yè)人口等變量之間，或者遺漏變量與其他變量之間相關(guān)會產(chǎn)生內(nèi)生性問題。因此，需要提高工具變量的有效性來解決樣本的異質(zhì)性和模型的內(nèi)生性問題，系統(tǒng)廣義矩（SYS-GMM）模型可以克服上述問題。在模型中，因變量為農(nóng)村金融排斥指數(shù)，自變量如表1所示。

2 結(jié)果與分析

2.1 西北地區(qū)農(nóng)村金融排斥的區(qū)域差異

2.1.1 西北各地區(qū)農(nóng)村金融排斥程度 表2為2009—2018年西北各地區(qū)農(nóng)村金融排斥的均值及排名。指數(shù)越大，排名越靠前，則該地區(qū)農(nóng)村金融排斥程度越高。由表2可知，各地區(qū)農(nóng)村金融排斥程度具有一定的差距，其中最高的是喀什地區(qū)，達到0.952;最低的是銀川市，為0.709;少數(shù)民族聚集地區(qū)的排斥指數(shù)相較于非少數(shù)民族地區(qū)要高;同一省份不同市區(qū)的農(nóng)村金融排斥程度可能具有較大的差距，如甘肅省的慶陽市排名為3，而酒泉市排名為48，兩者的排斥程度相差0.235;但陜西省西安市、甘肅省蘭州市與寧夏回族自治區(qū)的石嘴山這3個不同省份的市區(qū)其農(nóng)村金融排斥的差距較小，僅相差0.026左右。

2.1.2 西北地區(qū)農(nóng)村金融排斥的區(qū)域差異演變特征 運用泰爾指數(shù)，將西北地區(qū)各省按照行政區(qū)劃分為5組，可測算出各省之間和省份內(nèi)部差異程度及各自對總差異的貢獻情況，以揭示農(nóng)村金融排斥差異變化的原因。從圖1可以看出，2009—2018年西北地區(qū)農(nóng)村金融排斥的總差異呈倒“U”型演變特征，具體表現(xiàn)為：2009—2011年差距不斷擴大，2011—2015年差距平穩(wěn)變化，2015—2018年差距持續(xù)降低。省份內(nèi)部差異與總差異的變化趨勢一致，省份間的差距變化幅度較小。省份內(nèi)部差異是西北地區(qū)農(nóng)村金融排斥總差異的主要貢獻者，最高達到了2011年的67.82%，此后呈逐年下降態(tài)勢。相比于省份內(nèi)部，省份間差異對總差異的貢獻率較小，平均值為34.7%，但從2014年開始，農(nóng)村金融排斥的總體差異正逐漸由省份內(nèi)部轉(zhuǎn)向省份之間。

由圖1可知，西北地區(qū)農(nóng)村金融排斥的總差異是由省份內(nèi)部差異引起的，因此可對泰爾指數(shù)進行進一步分解，分析出省份內(nèi)部差異變化的原因，結(jié)果如圖2所示，新疆維吾爾族自治區(qū)農(nóng)村金融排斥的內(nèi)部差異是西北地區(qū)各省內(nèi)部總差異的主要貢獻力量，2009—2017年的變化趨勢為先擴大后縮小，2018年內(nèi)部差異又有所擴大。省份內(nèi)部差異顯著，表明新疆維吾爾族自治區(qū)各市之間農(nóng)村金融排斥程度存在的差距較大。其次是青海省、甘肅省和寧夏回族自治區(qū)，這3個省份的農(nóng)村金融排斥的內(nèi)部差異大致趨同，陜西省農(nóng)村金融排斥的內(nèi)部差異最小。

2.2 西北地區(qū)農(nóng)村金融排斥區(qū)域差異的影響因素

面板數(shù)據(jù)估計的方法包括2種：固定效應模型（FE）和隨機效應模型（RE）。在FE中，個體效應或時間效應與模型中的解釋變量具有相關(guān)性，而在RE中與解釋變量不相關(guān)。使用Hausman檢驗來選擇使用FE或RE，該研究中模型的 Hausman檢驗結(jié)果為接受原假設(shè)，因此選用了隨機效應模型。使用隨機效應法對樣本進行回歸可得到模型1和2，使用廣義矩法得到了模型3和4，其中模型2和4中分別加入了省份變量，如表3所示。為進行更深入分析，筆者做了分樣本回歸。模型5將樣本期間縮短為2013—2018年，以檢驗2013年黨的十八屆三中全會作出“發(fā)展普惠金融”戰(zhàn)略部署，各地積極構(gòu)建普惠型農(nóng)村金融體系后，這一外生沖擊對模型的影響。西北地區(qū)5省中有3個省份為少數(shù)民族聚居區(qū)，因此區(qū)分考慮了民族地區(qū)和非民族地區(qū)的樣本，設(shè)計了模型6。具體的回歸結(jié)果，見表4。在進行分樣本回歸時，選擇了隨機效應模型，原因有以下2點：一是在使用隨機效應和廣義矩分別進行回歸時，隨機效應模型中對被解釋變量影響顯著的變量較多;二是與隨機效應模型相比，廣義矩方法需要消耗較多的自由度，因為模型中包含了被解釋變量的滯后項且需要納入工具變量，在分樣本回歸中，樣本的數(shù)量有所減少，因此需要選用隨機效應模型來減少自由度的消耗，提高回歸結(jié)果的準確性。

2.2.1 農(nóng)民人均純收入 全球（FINDEX）數(shù)據(jù)庫（WorldBank 2013）提供了148個國家的成年人儲蓄、借貸、付費及管理風險行為方面的數(shù)據(jù)，數(shù)據(jù)顯示高收入家庭和低收入家庭在金融服務使用方面存在巨大的差距，高收入家庭更容易獲得金融服務[11]。在模型1和模型2中，農(nóng)民人均純收入均通過了顯著性檢驗，這與上述研究相符，但農(nóng)民人均純收入與農(nóng)村金融排斥程度呈正相關(guān)關(guān)系與其他學者的研究結(jié)論相反。結(jié)合西北實際情況，分析其原因可能在于：一是農(nóng)民思想觀念落后，且生活缺乏社會保障，在對抗疾病及生活中的其他風險時能力較低，導致他們習慣將收入儲存在家中，而不去接觸金融服務，加深了農(nóng)村金融排斥程度;二是西北地區(qū)農(nóng)民工輸出數(shù)量龐大，且外出打工收入已成為農(nóng)民家庭收入重要組成部分，農(nóng)民工收入的特點是缺乏信貸需求，因而農(nóng)民人均純收入雖然有所提高，但是農(nóng)村金融發(fā)展水平仍處于較低水平。因此，需要大力支持農(nóng)村第二產(chǎn)業(yè)和第三產(chǎn)業(yè)的發(fā)展，增加農(nóng)民收入來源的多樣性，改變農(nóng)民的思想觀念，進而緩解農(nóng)村金融排斥問題。

2.2.2 城鄉(xiāng)收入差距的影響 城鄉(xiāng)收入差距在全部模型中均通過了顯著性檢驗，且與農(nóng)村金融排斥差異呈顯著正相關(guān)，表明隨著城鄉(xiāng)收入差距的擴大，農(nóng)村金融排斥差異也擴大。金融機構(gòu)的“逐利”性和風險規(guī)避性使得其偏向于將資金投放到收益高、風險較低的地區(qū)，導致農(nóng)村資金不斷流向城市，農(nóng)民得到信貸的難度也隨之增大，進而加深了農(nóng)村金融排斥程度。當農(nóng)村金融排斥程度提高時，農(nóng)村經(jīng)濟發(fā)展勢必受到影響，城鄉(xiāng)收入差距也會進一步拉大，農(nóng)村金融發(fā)展和城鄉(xiāng)收入差距將陷入惡性循環(huán)發(fā)展中。李小建[12]的研究也從側(cè)面證實了這一觀點，他認為收入水平影響著金融機構(gòu)建立的區(qū)位選擇。農(nóng)村居民收入普遍偏低，城市居民收入相對較高，金融機構(gòu)會更偏向于在城市設(shè)立服務網(wǎng)點，無形中減少了農(nóng)村金融機構(gòu)數(shù)量，農(nóng)村金融服務滲透度也將隨之降低。因此，要在西北地區(qū)大力支持合作金融的發(fā)展以及農(nóng)村互助資金合作社的成立，以提高農(nóng)村金融資源配置的效率，使農(nóng)村資金能夠完全服務于農(nóng)業(yè)發(fā)展。

2.2.3 農(nóng)村就業(yè)人口 農(nóng)村就業(yè)人口通過了顯著性檢驗，系數(shù)為正，表明當農(nóng)村就業(yè)人口增加時，農(nóng)村金融排斥差異度會提高。而FSA研究表明具有穩(wěn)定就業(yè)

的群體更容易獲得金融服務[13]，就業(yè)能夠促進農(nóng)民收入的穩(wěn)定性，提升農(nóng)民資信度。模型中的結(jié)果與FSA的研究結(jié)論不相符，但結(jié)合農(nóng)村家庭人均純收入對農(nóng)村金融排斥差距的影響，回歸結(jié)果卻具有合理性。農(nóng)村就業(yè)人口每年都有所增加，且農(nóng)民工所占比率較高，目前國內(nèi)勞動密集型企業(yè)發(fā)展速度緩慢，且物價不斷增長，導致農(nóng)民工實際工資水平有所降低，加之農(nóng)民工缺乏對信貸的需求，最終被主流金融機構(gòu)所排斥。

2.2.4 農(nóng)村人口老齡化程度 農(nóng)村人口老齡化程度在全部模型中通過了1%的顯著性檢驗，系數(shù)為正，說明農(nóng)村金融排斥差異隨著農(nóng)村人口老齡化程度的提高而加劇。這一結(jié)果與杜本峰[14]的研究大致相同，他認為人口老齡化會降低儲蓄率，且農(nóng)村老人缺乏收入來源，銀行的逐利行為和門檻效應會將老人排斥在金融服務外，這勢必會降低農(nóng)村金融服務的使用度，加深農(nóng)村金融排斥程度。另一方面，目前農(nóng)村的社會保障機制尚不完善，農(nóng)村老人只能依靠子女養(yǎng)老，這無形中降低了農(nóng)村家庭的實際收入，致使農(nóng)民無力跨越金融服務的門檻。因此，要從農(nóng)村人口老齡化產(chǎn)生的原因著手，讓金融機構(gòu)能為更多農(nóng)村居民提供服務，例如提高農(nóng)村社會保障機制的運行效率、改變農(nóng)村傳統(tǒng)養(yǎng)老模式等。

2.2.5 不同時期的差異 2013年，黨的十八屆三中全會明確提出發(fā)展普惠金融，為推進普惠金融的發(fā)展，提高金融服務的覆蓋率、可得性和滿意度，國務院于2016年印發(fā)《推進普惠金融發(fā)展規(guī)劃》，首次提出普惠金融發(fā)展五年規(guī)劃。地方政府也先后根據(jù)國務院的規(guī)劃，出臺了地方實施方案，加快了地方普惠金融的發(fā)展進程。由模型5和模型2的對比分析可知，除城鄉(xiāng)收入差距和農(nóng)村就業(yè)人口外，其他變量對農(nóng)村金融排斥影響的顯著性均有所降低，且各變量的系數(shù)也有所降低，顯示2013年以來農(nóng)民人均純收入、農(nóng)村人口老齡化程度等變量的差異變得不是很顯著，說明普惠金融發(fā)展五年規(guī)劃的具體實施在一定程度上提高了農(nóng)村金融服務的可獲得性，促進了農(nóng)村金融的發(fā)展。

2.2.6 民族的差異 民族的差異在模型1和模型2中均對農(nóng)村金融排斥差異表現(xiàn)出正向顯著影響，少數(shù)民族聚居地區(qū)的農(nóng)村居民受到的金融排斥程度高于非少數(shù)民族聚居地區(qū)。分析其原因可能是少數(shù)民族人口分布不均，經(jīng)濟發(fā)展水平較低，使得金融需求具有分散性、不足性特征;且受宗教文化的影響，少數(shù)民族地區(qū)居民對金融服務的需求度低，削弱了金融機構(gòu)進駐并提供服務的吸引力。在模型6中，各因素的顯著性與模型1和模型2相比有所降低，這說明了少數(shù)民族地區(qū)農(nóng)村金融排斥程度對這些因素的依賴性較低，金融排斥可能多受宗教信仰或除上述因素以外其他因素的影響。

2.2.7 省份的差異 省份的差異在模型2和模型4中均沒有通過顯著性檢驗，僅在模型6中通過了顯著性檢驗。與泰爾指數(shù)的分析結(jié)果相同，進一步證實了西北地區(qū)農(nóng)村金融排斥的省份內(nèi)部差異大于省份之間的差異，總差異主要來自于省份內(nèi)部，省份間差異對總差異的貢獻較小，省份間差異的主要貢獻者為少數(shù)民族聚居的地區(qū)。

3 結(jié) 論

利用西北地區(qū)5個省、自治區(qū)共計49個市的數(shù)據(jù)對西北農(nóng)村金融排斥的區(qū)域差異及影響因素進行實證分析，得出以下結(jié)論。

第一，2009—2018年西北各地區(qū)農(nóng)村金融排斥程度表現(xiàn)出一定差異，總差異呈倒“U”型演變特征，具體表現(xiàn)為先不斷擴大、后平穩(wěn)變化、再持續(xù)縮小的演變趨勢，省份內(nèi)部差異大于省份之間的差異，省份內(nèi)部差異是總差異的主要貢獻者。

第二，在影響因素上，農(nóng)民人均純收入、農(nóng)村就業(yè)人口對農(nóng)村金融排斥差異均具有正向顯著影響，這雖與國內(nèi)其他學者的研究結(jié)論不同，但卻符合西北農(nóng)村的實際情況;城鄉(xiāng)收入差距在模型中均通過了顯著性檢驗，且系數(shù)為正，當城鄉(xiāng)收入擴大時，會提高農(nóng)村的金融排斥程度;農(nóng)村人口老齡化程度也在全部模型中通過了1%的顯著性檢驗，系數(shù)為正，農(nóng)村金融排斥程度會隨著農(nóng)村人口老齡化程度的提高而加劇;民族這一因素作為虛擬變量引入模型后也通過了顯著性檢驗，表明少數(shù)民族聚居地區(qū)的農(nóng)村金融排斥程度高于非少數(shù)民族聚居地區(qū)。

第三，分樣本回歸的結(jié)果表明，在不同時期和地區(qū)，上述影響因素對農(nóng)村金融排斥的影響程度不同。2013年國務院正式提出發(fā)展普惠金融、鼓勵金融創(chuàng)新、豐富市場層次和產(chǎn)品的戰(zhàn)略部署。這一政策的實施降低了以上因素對農(nóng)村金融排斥的顯著性，某種程度上促進了農(nóng)村金融發(fā)展，緩解了農(nóng)村金融排斥;在民族地區(qū)，農(nóng)村金融排斥程度對以上因素的依賴性也有所降低，體現(xiàn)出農(nóng)村金融排斥在民族地區(qū)和非民族地區(qū)的差異性。

參考文獻：

[1] 戴洛特，張 燕，李家華. 農(nóng)村普惠金融的特點及制約因素[J]. 西南金融，2019（6）：66-73.

[2] 周天蕓，劉 虹，楊海洋. 中國農(nóng)村金融的包容性及影響因素[J]. 財經(jīng)論叢，2018（12）：55-64.

[3] 劉長庚，田龍鵬，陳 彬，等. 農(nóng)村金融排斥與城鄉(xiāng)收入差距——基于我國省級面板數(shù)據(jù)模型的實證研究[J]. 經(jīng)濟理論與經(jīng)濟管理，2013（10）：17-27.

[4] 何德旭，饒 明. 我國農(nóng)村金融市場供求失衡的成因分析：金融排斥性視角[J]. 經(jīng)濟社會體制比較，2008（2）：108-114.

[5] 譚 露. 基于供給偏好視角下的我國農(nóng)村金融排斥問題研究[J]. 安徽農(nóng)業(yè)科學，2009，37（16）：7694-7695，7703.

[6] 羅永明，蔡洋萍. 基于農(nóng)戶視角的農(nóng)村金融排斥影響因素實證分析[J]. 金融理論與教學，2017（4）：10-14.

[7] 王一博，李翠霞，辛立秋. 農(nóng)民專業(yè)合作社金融排斥影響因素研究——基于正規(guī)金融服務需求角度[J].農(nóng)業(yè)經(jīng)濟與管理，2018（1）：35-47.

[8] 楊心影，俞 穎. 我國省際金融排斥變化趨勢及差異分析[J]. 時代金融，2019（13）：48-50.

[9] 韓曉宇. 普惠金融的減貧效應——基于中國省級面板數(shù)據(jù)的實證分析[J].金融評論，2017，9（2）：69-82，125-126.

[10] 李 琳，張 佳. 長江經(jīng)濟帶工業(yè)綠色發(fā)展水平差異及其分解——基于2004～2013年108個城市的比較研究[J]. 軟科學，2016，30（11）：48-53.

[11] World Bank. 2014 Global Financial Development Report：financial inclusion[R]. http：// www.worldbank.org， 2015-07-28.

[12] 李小建. 金融地理學理論視角及中國金融地理研究[J]. 經(jīng)濟地理，2006，26（5）：721-725，730.

[13] Financial Services Authority. In or Out？ Financial Exclusion：A Literature and research review[R]. London：FSA，Consumer research Paper，2000.

[14] 杜本峰. 人口老齡化對金融市場的影響分析[J]. 經(jīng)濟問題，2007（6）：111-113.

（責任編輯：成 平）