中国地区金融排斥及其收敛性——基于空间面板数据模型的实证研究，本文主要内容关键词为：中国论文,面板论文,实证研究论文,数据模型论文,地区论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
金融排斥的概念最早由Leyshon and Thrift提出，当时的研究主要侧重于分析金融服务的地理可达性。在此基础上，Kempson and Whyley指出金融排斥是一个多维度的动态化过程，由地理排斥、评估排斥、条件排斥、价格排斥、营销排斥和自我排斥这六个维度共同作用的结果。Kempson将金融排斥定义为人们在享受或者使用社会经济活动所必需的金融产品或服务的途径以及过程中遇到困难的现象。我国在快速发展过程中是否也存在金融排斥现象？排斥程度有多深？目前，已有学者利用银行业金融机构相关数据，研究证明我国各区域存在不同程度的金融排斥，且差距较大。 2010年中央一号文件提出“抓紧制定对偏远地区新设农村金融机构费用补贴等办法，确保3年内消除基础金融服务空白的乡镇”，表明我国政府已经重视并试图消除金融排斥问题。2013年中共第十八届三次会议正式提出“发展普惠金融，鼓励金融创新，丰富金融市场层次和产品”，说明为实现普惠金融，消除金融排斥势在必行。那么截至2012年我国金融排斥程度如何，近十年的发展趋势怎样，金融排斥在地区间的差异是趋于发散还是收敛？本文将对以上问题进行探讨分析。解决上述问题有利于了解金融排斥现状，并据此制定相适应的政策措施，以全面推进普惠金融的发展。 二、文献综述 关于衡量金融排斥程度的研究，学者大多以经典的“六维度”指标体系进行测量。高沛星、王修华(2011)基于银行类金融机构相关数据，综合简化了“六维度”衡量标准，采用变异系数法定量分析了我国农村金融排斥程度的区域差异，结果显示我国农村金融排斥指数从0.91跨度到0.39，具有明显的区域差异特征。李春霄、贾金荣(2012)基于省际银行数据构建了金融服务的深度、金融服务的可得度、金融服务的使用度、金融服务的可负担度四个维度的指标体系，对我国金融排斥程度进行了测算，其结果表明我国金融排斥程度较严重，主要体现为中西部地区。 目前国内对金融排斥的研究逐步深入，但鲜有学者对金融排斥收敛性进行系统研究。田杰、陶建平(2011)利用2006-2009年1728个县(市)的数据求得金融排斥指数(IFE)，采用σ收敛、β收敛和“俱乐部收敛”三种方法对金融排斥收敛性进行分析。但现有文献多以银行类金融机构数据代替整个金融业，不够全面。保险属于金融范畴，全国保费收入由2003年的3880亿元增至2012年的15487.93亿元，实际增长率达226.51%；赵尚梅、李勇、庞玉锋(2009)研究证明保险业发展对经济增长具有传导机制，并且对非保险部门存在溢出效应，说明保险市场占有率在增加，对金融与经济发展的促进作用增强。本文在现有研究的基础上，将保险机构相关数据纳入指标体系，对我国金融排斥程度进行测算。采用σ收敛和β收敛两种方法分析我国金融排斥收敛性，将空间计量考虑到β收敛模型中，以此探讨我国各省金融排斥存在空间溢出效应时的收敛性。 三、研究设计 (一)金融排斥指数构建 1.指标体系的构建 当今金融市场复杂多样，各种金融产品更是层出不穷，其中银行业和保险业业务与人们的日常生活息息相关，更被广大群众所熟知。所以笔者将保险机构相关数据纳入指标体系，用以衡量人们获取商业保险的能力，继续沿用银行机构相关数据衡量人们获取贷款的能力，以此更加全面测算我国金融排斥程度。本文参考李春霄、贾金荣(2012)研究中的维度确定方法，将六个维度简化为四个维度，即：金融服务深度、金融服务密度、金融服务可得度和金融服务可负担度。 金融服务深度主要衡量金融服务在国民经济中的贡献程度，用银行机构贷款余额和保险机构保费收入在GDP中的比重体现；金融服务密度主要衡量金融服务的渗透程度；金融服务可得度衡量金融服务的覆盖程度，主要反映金融机构和从业人员的分配情况；金融服务可负担度表示享受金融服务的负担大小，因银行提供的贷款来自其存款，存贷比越高说明有能力贷款的人越多，负担程度越小。构建的指标体系具体如表1所示。
2.金融排斥各指标的构建 (1)各维度指标的测度。选定各个维度的评价指标后，对我国各省金融排斥程度做综合评价，每个指标测度值的计算采用如下公式求得：
其中
表示第n指标在测度金融排斥指数时的计算值，代表这个地区在这个指标上的排斥程度。
表示第n指标的权重，
表示第n指标的实际值；
表示设定的第n指标的最大值；
表示设定的第n指标的最小值。 (2)金融排斥指数的测度。计算各个维度指标的测算值后，需要将各维度综合在一起衡量地区金融排斥程度，本文将金融排斥指数的测度公式设为以下形式：
根据Nathan et al.的研究发现，这种基于距离的指数测算公式满足许多数理特性，如标准性、单调性、一致性、对称性等，所以本文采用公式(2)来测算金融排斥指数。因各指标均为正向指标，则金融排斥指数数值越大被排斥程度越深，筹资能力越弱。 (3)各维度权重的确定方法。由于本文构建的金融排斥指数是一个相对的计算值，因此本文采用变异系数法测算各个指标的权重。在赋予各指标权重时，笔者认为四个维度对金融排斥产生的作用是等同的，将各个维度的权重均设为1，即存在
这样的等式关系。具体计算步骤和公式如下：
其中
代表各个指标的变异系数，
代表各个指标的标准差，
代表各个指标的平均数。 (二)收敛性模型 1.收敛模型 σ通常指研究对象的标准差，则σ收敛就是研究对象的标准差随时间变小的趋势。一般σ收敛的检验方程为：
其中
为t时各省IFE对数值的标准差，若
，则说明我国金融排斥存在σ收敛，表示各经济体IFE对数值的标准差随着时间的变化下降。 2.β收敛模型 β收敛是指区域经济的增长速度与初始水平呈反比，即落后地区的增长速度高于富裕地区，最终趋于均衡状态。研究发现，经济意义上的收敛同样适用于金融领域，因此，本文采用β绝对收敛来研究我国省际金融排斥的收敛速度，即金融排斥度初始水平较高的经济体比初始水平较低的经济体有更高的下降率。标准β绝对收敛模型形式如下：
其中T为时间跨度，α、β为待估计参数，若β＜0，则表明我国各区域金融排斥在计量时期内存在绝对β收敛；反之则不存在。 同时，根据趋同系数β的估计值，可以计算收敛速度：
由于我国各省金融排斥可能存在空间自相关，导致普通二乘法的估价结果有偏差，所以本文将空间效应因素考虑到模型中，运用空间计量经济学对我国区域金融排斥的收敛性做出检验。根据对空间因素的不同设定，空间计量模型主要分为空间滞后模型(SLM)和空间误差模型(SEM)。 (1)空间滞后模型是对因变量设置空间滞后因子，其β收敛形式如下：
其中，W是临近空间权重矩阵，为空间滞后因子，λ为空间自回归系数。本文将W设定为二进制空间邻接权重矩阵，设定方式是：若地区i与地区j相邻，则
为1，否则为0，主对角线上的元素为0；进行标准化处理，将元素除以所在行元素之和，使每行元素之和为1。空间滞后模型表示因变量在空间上的相互依赖关系，可以说明各省市金融排斥程度受其他地区的影响情况，以检验因变量存在空间溢出效应时的收敛性。 (2)空间误差模型是对误差项设置空间因子，其β收敛形式如下：
其中，w的定义和设定与空间滞后模型相似，ε代表模型的误差项，ρ为空间误差自相关系数。空间误差模型描述误差项的空间相互关系，说明各地区金融排斥程度受其他地区某种随机因素的影响，以检验存在这种因素影响时的收敛性。 需要说明的是，能否将空间计量纳入模型估计的范畴，应首先检验普通面板数据回归模型的残差是否具有空间相关性，如果残差具有空间依赖性，则考虑纳入空间滞后项或空间误差项。根据吴玉鸣(2006)对空间计量经济模型应用的研究，建议通过Moran I检验来判断地区间经济行为的空间相关性是否存在，采用极大似然法(ML)估计SLM模型和SEM模型的参数。如果Moran I的统计量显著，则存在空间依赖性。在空间依赖性的检验中，若LM-lag较LM-error在统计上更显著，且R-LMLAG比R-LMERR显著，则采用空间误差模型更合适；反之亦然。除了拟合优度R[2]检验外，常用的检验准则还有自然对数似然函数值(Log-L)、似然比率(LR)、赤池信息准则(AIC)和施瓦茨准则(SC)。其中Log-L值越大，LR越小，AIC和SC值越小，则模型拟合效果越好。 因金融排斥指数越小越好，T+t期的金融排斥指数较基期t的越小，说明越利于普惠金融发展。从公式(6)、(8)、(9)看出，β绝对收敛方程的因变量是单位时间金融排斥度的下降率。所以本文以2003年的金融排斥指数为基数，分别求得2004-2012年金融排斥较2003年单位时间下降率，作为β绝对收敛方程的因变量矩阵。 (三)数据来源 本文所涉数据来源于《中国统计年鉴》、《中国金融年鉴》、《中国保险年鉴》和各省份统计年鉴，包括10年31个省份的面板数据。为消除通货膨胀对经济变量的影响，本文采用CPI(2004-2012年)对各原始数据进行指数化处理，全部转化为以2003年为基准的实际数据。考虑到数据的可得性，2012年金融业法人单位数由平均增长率推算得出。数据处理软件主要采用Microsoft Excel 2010和MATLAB 2014a。 四、实证分析及结果 (一)我国金融排斥程度及分析 利用公式(1)、(2)、(3)、(4)可得出2003-2012年31个省份金融排斥指数的面板数据(由于篇幅有限，本文不将测算结果列出)，由结果可计算得两组均值，分别为同一地区10年金融排斥指数均值和同一年31个省份金融排斥指数均值，如表2和表3所示。
从表2可以看出，上海的金融排斥程度最低，排斥指数均值为0.3457，其次为北京和天津；而金融排斥程度最高的为西藏，其排斥指数均值高达0.9928，黑龙江、河北等地的金融排斥指数均值也临近0.8；除此之外大部分省市的金融排斥指数均值在0.6～0.8之间。可见我国绝大多数省市金融排斥程度较重，仅有3个省份的金融排斥程度较轻，均为经济发展较快的北京、上海和天津三大直辖市；而金融排斥较重的地区主要集中在人口密集且第三产业欠发展的省市或地理位置偏远的内陆地区。金融排斥最为严重的西藏，排斥指数为0.9928且近10年基本没有改善，其基本原因在于地理环境和宗教文化差异所致；地广人稀使金融服务难以合理分配，民族风俗使金融服务难以融入当地居民的日常生活。同时注意到，在这31个省市中相邻省市的金融排斥指数相近。如与上海临近的江苏省和浙江省，这两个省的金融排斥指数较其他省市小，而华中地区各省的金融排斥指数均在0.75上下，直观上看我国金融排斥可能存在空间溢出效应。 表3的数据反映了各年份金融排斥的时间趋势，各年均值基本在0.69上下浮动，表明10年间金融排斥程度没有得到改善，还处在排斥程度较严重的水平。同时，各年最大值基本为0.99、最小值大约在0.35左右，差距较大且没有缩小的趋势；而标准差和变异系数方面，2012年的值比2003年大，说明整体上金融排斥差距还在扩大，但在2008年处存在明显分界点。 (二)收敛结果及分析 1.我国金融排斥的σ收敛分析 将上述研究所得的金融排斥指数(IFE)代入公式(5)可得金融排斥的σ收敛情况，如表4。由表可以看出
，即是说较2003年而言，我国金融排斥不存在σ收敛。但同时，表中的σ值可分为两个阶段：2003-2007年和2008-2012年。在第一阶段，除2004年的σ值显著小于2003年外，其他三年的σ值仍略低于2003年，有
，说明该阶段存在σ收敛；同理，在第二阶段中亦有
，同样存在σ收敛。出现这种情况可能是由于2008年出现世界性的金融危机，全国各省的金融市场受波及范围和程度不同，加大了金融排斥差距。虽然整体而言我国金融排斥不存在σ收敛，但存在分阶段的σ收敛，若市场经济和政策环境不产生巨大不利影响，可以认为我国金融排斥的区域差距将逐步缩小。
2.我国金融排斥的β绝对收敛分析 对方程(6)进行普通最小二乘回归估计(OLS)，结果见表5。从回归结果可知，虽然β的估计值为负且通过了1%的显著性检验，但拟合度
仅为0.0471。继而根据LM检验结果，Moran I值为0.2241，LM(lag)、Robust LM(lag)、LM(error)和Robust LM(error)的统计量均通过1%的显著性检验，说明我国金融排斥的β收敛存在明显的空间相关性。 分别测算在SLM模型和SEM模型下的趋同情况，结果显示两种模型的
均优于OLS模型，尤其是SEM模型的
为0.2182，不仅远大于普通面板数据回归模型的拟合度，而且也大于SLM模型的拟合度0.086。同时比较Log-L值，SEM模型的Log-L值(626.4323)最大。综上可说明空间误差模型(SEM)要优于空间滞后模型(SLM)。
由表5中SEM模型的回归结果可知，β的估计值为负且通过1%的显著性检验，说明我国金融排斥度的下降率呈现出显著的地区收敛性。由公式(7)可得收敛速度为每年0.49%。除此之外，SLM模型的空间自回归系数λ和SEM模型的空间误差自相关系数ρ均显著为正，说明我国区域金融排斥度下降率的空间效应既受到相邻省市金融排斥下降率的影响，也与其随机冲击有关。 前已述及，我国金融排斥出现分阶段σ收敛，且2008年金融危机对全国金融市场影响巨大，所以在此亦分两个时段分别探讨金融排斥的β收敛性，结果如表6所示。
同理可知，阶段2003-2007年存在显著的空间溢出效应，而空间误差自相关系数ρ较空间自回归系数λ显著，所以SEM模型较SLM模型更优。表中数据显示三个模型的β值均为负，说明我国金融排斥在该阶段呈现β收敛特征。而阶段2008-2012年的空间溢出效应不显著，所以采用OLS模型即可，其β值亦为负，仍呈现β收敛特征。综上所述，无论分阶段讨论还是总体回归估计，我国金融排斥存在显著的β绝对收敛。 通过上述两种收敛性分析，表明我国金融排斥分阶段呈现σ收敛，且存在显著的β绝对收敛。σ收敛测算的是各年我国金融排斥度的标准差，反映σ值在时间轴上的纵向比较，虽然金融排斥的σ收敛具有阶段性，但仍可说明各省市的金融排斥差距存在逐步缩小的趋势。β收敛性描述的是我国各地区金融排斥度的下降率情况，β值为负说明区域金融排斥度的下降率将趋同，即原来金融排斥越大的省市，包容性金融发展的增速则越快。 五、研究结论及政策意义 (一)研究结论 本文借鉴现有研究成果，对我国金融排斥程度及其收敛性做了进一步探讨。在传统“六维度”评价体系的基础上，笔者对其做出调整并将保险机构相关数据纳入指标体系，以此综合分析我国金融排斥程度。测算结果显示，我国大部分省市金融排斥指数在0.6～0.8之间，仅北京、上海和天津的排斥指数低于0.5，而西藏的排斥指数高达0.99，说明我国地区金融排斥差距较大且总体较为严重；在时间趋势上，2012年金融排斥指数0.6943较2003年的0.6977没有显著下降，表明目前我国金融排斥问题没有得到有效缓解。 根据测算结果对金融排斥度进行σ收敛和β收敛分析，并分阶段进行讨论；β收敛分析在借鉴传统趋同模型的基础上，引入空间计量方法，求得拟合度更高的空间误差模型。分析结果显示我国地区金融排斥存在空间溢出效应，分别在2003-2007年和2008-2012年两个阶段中均呈现σ收敛特征，同时表现出显著的β绝对收敛，收敛速度为每年0.49%。 (二)政策意义 中国地区间金融排斥程度存在的较大差异必然影响各省金融的平衡发展，引起资本流入和资本形成的不平衡，加大我国各区域的经济发展差距。所以，本文的研究结果可为消除金融排斥、发展普惠金融提供参考。为此笔者提出以下两点建议： 第一，深化商业保险服务。本文在测算金融排斥指数的过程中，发现保险业相关指标数值较小。如北京和西藏2012年银行类金融机构贷款余额占GDP比重分别为241.56%和93.78%，而保险机构保费收入占GDP比重仅分别为5.16%和1.36%，说明保险业对促进我国普惠金融发展起到的作用尚浅。为减小全国金融排斥程度，在保持银行业有序发展的同时，应加大商业保险的渗透程度，不仅保险机构需加大产品的开发力度，为不同群体提供相适的产品，扩大覆盖面，而且政府应出台相关政策推动保险业发展，如税收优惠政策等，贯彻落实普惠金融旨意。 第二，重点关注排斥程度较重地区，逐步缩小差距。本文研究发现我国区域金融排斥存在空间溢出效应，即区域之间的金融排斥会产生相互影响，金融排斥较低的地区会正面影响相邻省市，但金融排斥严重的地区同样会负面影响相邻省市。所以在保证现有金融发展势头的基础上，重点关注金融排斥较重的省市，在机构设立、人才配备、资金投入、技术服务等方面给予大力支持，减小金融排斥程度，使省市间相互吸收更多正面效应，逐步实现互利共赢。如政府应效仿国外等发达经济体，将偏远地区设立网点数及推广任务纳入每年的考核体系中，强制性要求考虑被排斥群体，以此缩小地区金融差距，实现全国金融平衡协调发展。
标签：金融论文; 面板数据论文; 空间分析论文; 误差分析论文; 空间维度论文; 金融服务论文;
中国金融排斥及其趋同：基于空间面板数据模型的实证研究_金融论文
下载Doc文档