金融排斥对农户收入的影响——基于PSM 方法的经验分析

黄 潇

（1.西南财经大学博士后流动站，成都 610074；2.重庆工商大学 经济学院，重庆 400067）

1 研究背景

解决中国“三农”问题的关键之一在于促进农户收入增长。其中，农村金融发展对农村经济发展和农民增收具有重要作用——这已成为广泛共识［1-2］。党的十七届三中全会更是明确指出，“农村金融是现代农村经济的核心”。然而，受金融资源匮乏、地理位置、信息传播等因素的制约，目前中国农村金融发展仍缺乏普惠性：部分金融机构仍不同程度地具有“离农脱农”的倾向，致使不少农户受到金融排斥。据统计，2011年末全国金融机构空白乡镇仍有1696个，农户贷款余额仅占涉农贷款余额的21%①资料来源：中国人民银行农村金融服务研究小组.中国农村金融服务报告［R］.北京：中国金融出版社，2013.金融网点分布不均、供给型抑制加大资金供需缺口、金融产品不适应性等，都是当前中国农村金融体系的普惠性不高的体现。。这意味着，中国农村存在相当程度的金融排斥（financial exclusion），即某类群体因远离金融服务机构及其分支机构而被排斥在主流金融服务之外［3］。

考察农村金融对农户收入的影响，需要回答一个重要问题：如果存在金融排斥，那么农村居民收入会受到多大程度的冲击？改善农村金融环境、降低农户金融排斥到底能在多大程度上增加农村居民的收入？上述问题非常重要，但是专门对之进行探讨的文献还不多见。本文利用“中国家庭收入调查”（CHIP2002）的微观数据，结合金融排斥的内涵，从贷款、储蓄、证券和关系4个维度构建微观层面的金融排斥变量，并采用近似自然实验的倾向得分匹配法（propensity score matching，PSM）来解决样本选择性偏误和遗漏变量问题，利用自抽样方法（bootstrap）获得稳健性统计推断，为上述问题的解答提供一个稳健的实证支撑。

下文的结构安排如下：文献回顾；研究方法说明；数据来源及描述；实证结果探讨；全文总结及政策建议提出。

2 文献回顾

早期文献主要考察金融发展与农户收入的关系。例如，温涛、冉光和和熊德平［1］利用1952—2003年的数据进行实证研究，结果表明中国金融发展对农民收入增长具有显著的负效应，原因在于中国金融发展存在明显的结构性和功能性的失衡，特别是金融中介的低效率阻碍了金融发展对农民收入促进作用的有效提升［4］。深入考察中国农村的金融结构不难发现：农村存款和农业保险赔付与农民收入增长之间存在正向关系；而农村贷款和农业保险收入与农民收入增长之间存在负向关系［2］。上述研究表明，虽然中国农村金融的发展在一定程度上有助于提升农民收入水平，但是农村金融发展总体上缺乏普惠性①资料来源：中国人民银行农村金融服务研究小组.中国农村金融服务报告［R］.北京：中国金融出版社，2013.金融网点分布不均、供给型抑制加大资金供需缺口、金融产品不适应性等，都是当前中国农村金融体系的普惠性不高的体现。使得普通农户的金融可及性较差，从而引致金融排斥问题。

金融排斥的概念始于20世纪90年代中后期。与经常被使用的金融发展不同，金融排斥更关注金融市场的破坏、分割及其影响。“排斥”这一概念最初引自社会学领域，与金融相结合，体现出经济主体与金融服务的隔离。Leyshon和Thrift［3］首次对金融排斥进行了定义，即金融排斥是指某类群体因远离金融服务机构及其分支机构而被排斥在主流金融服务之外。Panigyrakis、Theodoridis 和Veloutsou［5］进一步指出，金融排斥就是因主流金融缺乏覆盖面和普适性而使部分经济主体不能以合适的方式融入主流金融服务中，进而形成金融服务的剥夺。Kempson和Whyley［6］系统性地指出金融排斥是一个多维概念，它包括地理排斥（geographical access exclusion）、评估排斥（access exclusion）、条件排斥（condition exclusion）、价格排斥（price exclusion）、营销排斥（marketing exclusion）和自我排斥（selfexclusion）。地理排斥是指交通不便而引致的金融服务不可及；评估排斥、条件排斥、价格排斥和营销排斥分别是指金融服务中评估、附加条件、服务价格和营销策略的排斥性而使某类经济主体因无法支付或无法接受而被排除在金融服务之外；自我排斥是指经济主体因主观原因而主动放弃获取金融服务②关于这6个维度的概念，还可以参见许圣道和田霖［12］的研究。。

在明确金融排斥的定义后，有关其影响因素的研究逐渐丰富。例如，Devlin［7］对英国的研究表明，在引致个体遭受金融排斥的因素中，教育程度和以住房表征的财富水平是最主要的，其次是收入水平、职业和地位。Simpson和Buckland［8］从信用约束的视角，利用1999—2005 年加拿大的调查数据以及Probit模型进行研究，发现收入（财富）水平与金融排斥概率显著负相关。Rama和Rupayan［9］对印度的经验研究表明，金融排斥程度随农户收入的增加而降低。也有学者认为居民收入低下并非引致金融排斥的最主要因素。Horska、Szafeanska 和Matysik-Pejas［10］对1000户波兰农村居民的研究显示，是否遭受金融排斥主要与个体的教育水平相关——后者直接影响个体的金融获取技能。

近年来，金融排斥同样引起国内学者的高度关注，国内学者对之进行了较为深入的探讨。总的来看，中国的金融排斥具有明显的城乡二元性，即农村更容易存在“金融沙漠”［11］。在中国农村，农民的金融知识匮乏是造成农民遭受金融排斥的重要原因之一，而这种知识是隐性且代际遗传的［12］。同时，中国农村的金融排斥还存在明显的地区差异：某地区的农村居民人均收入水平越高，该地区农村居民面临的金融排斥程度往往越低［13］。在影响因素方面，农户的收入和受教育程度对储蓄排除、贷款排除和基本保险排除3类主要的金融排除均有显著的负向作用［14］。李春霄和贾金荣［15］的研究也表明，农户的收入水平直接决定农户在贷款服务和储蓄服务上是否遭受排斥。即使在金融发展水平相对较高的城市，金融排斥亦存在。中国城市居民在储蓄、基金、保险和贷款等方面存在严重的金融受排斥状况，即城市居民不能以恰当、合理的方式获得这些金融服务［16］。

已有文献着重就金融排斥的成因进行了较为深入的探讨，并得出了丰富的结论。但是，金融排斥作为内生于经济环境的重要变量，不仅影响金融资源配置，而且会与经济发展和居民收入产生联系。在金融发展相对滞后的农村地区，金融排斥到底对农村居民的收入有多大影响？目前相关研究尚不多见。与以往研究相比，本文的特色在于：第一，考察金融排斥对农户收入的影响；第二，利用微观调查数据进行经验分析，更直观地考察金融排斥影响农民收入的诱因，对主要利用宏观数据进行分析的已有研究而言是一个有效补充；第三，采用近似自然实验的倾向得分法进行实证检验，有助于克服传统OLS（ordinary least square）方法存在的内生性偏误问题③在传统的OLS方法中，金融排斥通常被设置为一个虚拟变量来考察其对农民收入的影响；按照OLS方法，这种收入差异归结于是否受到金融排斥，但是这会出现某些不可观测变量（如文化观念、能力、机遇等）的缺失而导致估计结果有偏误（bias）的问题。，从而使估计结果更为稳健。

3 研究方法

已有文献通常基于Mincer收入方程来考察重要变量对居民收入的影响，即将居民收入的对数作为被解释变量，然后采用OLS方法考察重要控制变量的估计系数。但是，这可能产生两类问题：一是遗漏变量问题，即无法控制研究对象本身的趋势和特征导致难以完全分离引致收入差异的其他相关因素④例如，残差项可能包括与金融排斥相关但无法通过可观测变量（如性别、教育、年龄等）控制的“能力”或“禀赋”因素。；二是内生性问题，这会造成基于OLS 方法的估计结果是有偏的，即估计系数被放大或缩小。尽管工具变量（instrumental variable，IV）法是解决上述问题的主要方法之一，但是合适的工具变量往往难以获取（特别是在样本获得较为困难的调查数据中）。解决上述问题的另一个方法是自然实验，近年来该方法被越来越多地应用于计量分析。但是，社会科学研究中不可控的因素较多，一个纯粹的自然实验往往受限于成本、试验控制性因素，因此难以被施行。近年来，微观计量经济学领域中新发展起来的PSM 方法是一种近似于自然实验的方法，利用该方法可实现尽可能地分离出实验本身对实验对象的净效应，能有效克服上述OLS估计存在的不足。

Rosenbaum 和Rubin［17］提出的倾向得分匹 配法是典型的反事实（counterfactual）因果推断分析框架。观察样本后，可将受到金融排斥的个体划为处理组（treat group），将未受到金融排斥的个体划为对照组（control group）。倾向得分匹配法的基本思想是：将处理组与对照组的样本进行逐一匹配，使处理组与对照组的主要特征尽可能相似；然后，利用对照组尽可能地模拟处理组的反事实状态（即未受到金融排斥），比较个体在受到和不受到金融排斥这两种对立情形下的收入差异。倾向得分匹配法的基本步骤如下：

首先，运用Logit模型或Probit模型①本文采用Logit模型。Logit模型和Probit模型的差异在于密度函数的设定不同。笔者也用Probit模型进行了估计，其估计结果与Logit模型的估计结果相差不大。并结合反映农户金融特征的匹配变量，计算每个样本受到金融排斥的条件概率（即倾向得分值），使匹配标准由多维的降为一维的倾向得分值（PS）。

式（1）中：Di=1表示农户遭受金融排斥，Di=0表示农户未受到金融排斥；Xi表示处理组的可观察的农户特征（即上述的匹配变量）。

然后，对控制组与对照组的样本进行匹配。不同的匹配方法会导致不完全一致的匹配结果。常用的匹配方法有最近邻匹配（K-nearest neighbor matching）、半径匹配（radius matching）、核匹配（Kernel matching）和马氏距离匹配（Mahalanobis distance matching）等。最近邻匹配的规则是：从处理组和对照组中各找出一个样本，如果两者之间的PS值最小（min｛|PSi-PS0|｝），则认为两个样本的特征最接近。半径匹配的规则是：预先设定一个常数r，控制组中其PS与激励样本i的PS的差异小于r的样本都被选为匹配对象，即按照来min｛|PSi-PS0|≤r｝确定匹配样本。核匹配是基于非参数估计方法进行匹配，其基本思想是：抽取若干个来自对照组的样本以构成一个虚拟样本，使该虚拟样本的特征与控制组中某个样本的特征最为接近，从而完成匹配。当然，采用的核不一样，匹配结果也不一致，通常Gaussian核最为常用、其效果也比较稳健。马氏距离匹配是通过计算不同样本的协方差距离来考虑特征变量之间的联系，进而得到不同样本的相似度并进行匹配。上述匹配方法都有其适用性。为保证匹配结果的稳健性，本文同时采用上述4种方法进行匹配。

接着，进行平衡性假设检验，通过检验配对样本在上有无显著差异来确保匹配效果的精确性。值得注意的是，控制变量并非越多越好，虽然越多可带来更为丰富的匹配信息，但是会使平衡性假设更难被满足。

最后，计算处理组与对照组的平均收入差异，即平均处理效应（average treatment effect on treated），以得到金融排斥影响农户收入的净效应。

式（2）中：ATT表示金融排斥影响农户收入的净效应；表示农户受到金融排斥后的收入；表示农户未受到金融排斥的收入。

为保证估计结果的稳健性，本文采用自抽样（Bootstrap）来获得ATT 的标准误，自抽样循环次数设定为300。在基于大样本量的PSM 运算中，通常经过300次自抽样所得到的标准误在统计上已较为稳健。

4 样本筛选

4.1 数据来源

本文所用研究数据来源于“中国家庭收入调查”（CHIP2002）。根据研究目的，剔除城镇样本，并提出缺失关键变量（如收入、资产状况、负债状况、户主的年龄和受教育程度等）的样本，最终得到7664个有效样本。

4.2 变量选择

是否受到金融排斥是关键的识别变量。结合已有文献中有关金融排斥的内涵以及CHIP数据的特点，本文从贷款、储蓄、证券、关系4个方面考察中国农户遭受的金融排斥。如果农户受到金融排斥，则对相应变量赋值为1，否则赋值为0。

1）贷款排斥。它是指农户有贷款需求而金融机构拒绝提供贷款，或农户虽获得了贷款但实际获得的贷款量小于其贷款需求［15］。利用CHIP 数据，可通过考察农户是否获得扶贫贷款、是否获得其他形式贷款以及农户贷款额与农户脱贫所需资金数量的差额来辨别农户是否遭受贷款排斥。

2）储蓄排斥。它是指农户有储蓄需求但因金融机构的地理位置偏僻、储蓄产品不合适、不信任金融机构等原因而未将多余资金存入金融机构。如果在农户家庭的资产结构中有现金但无活期存款或定期存款，则认为它受到储蓄排斥。

3）证券排斥。是否有渠道接触有价证券在很大程度上体现了农户对现代金融的参与程度。若农户未接触股票、债券等有价证券，则认为农户受到有价证券排斥。根据中国银监会网站在2008年公布的《中国银行业农村金融服务分布图集》，获得保险、基金和证券等高端金融服务的农户微乎其微。而有价证券正日益成为农村个体获得投机性收入的主要途径。

4）关系排斥。中国农村是一个典型的关系型社会网络，农户的关系网络在很大程度上影响个体获取金融资源的渠道和能力。近期研究也表明，民间借贷组织的存在有助于增加农户的非正规借款数量［18］。结合本文所采用样本的特点，如果农户参加了互助合作基金社、小贷组织，或家庭中有县级以上机关干部、户主曾担任过企业管理人员和曾在金融部门任职，则认为该农户未受到关系排斥，否则认为受到关系排斥。

需要说明的是，以上金融排斥定义还包括那些对金融产品或服务没有需求的居民。然而，正是由于一些居民没有真正的金融需求，由此造成金融排斥程度被估计过高，因此需要对此进行剔除。但是，由于CHIP调查并未提供足够的调查信息来区分上述情况，因此采用上述方式构建金融排斥变量不失为数据受限条件下的一种尝试。基于此，本文同时从上述4个维度考察金融排斥及其对农户收入的影响。

另外，为了在处理组（受到金融排斥）与对照组（未受到金融排斥）之间进行倾向得分匹配，需要寻找合适的匹配变量。选取匹配变量既要考虑经济理论，又要注重匹配假设的成立和匹配的有效性。也就是说，既要选择那些在理论上（或被经验研究证明）与金融排斥相关的变量，又要保证这些变量满足平衡性假设。结合关于金融排斥的既有经验研究，以下3类变量在不同程度上与金融排斥存在明显联系。第一，居民的社会人口学特征，主要包括性别、年龄、婚姻状况、受教育程度、健康状况、宗教信仰、种族、政治面貌和家庭结构等；第二，家庭的经济财富特征，包括收入、家庭资产、家庭负债和信贷约束等；第三，居民的主观心态、态度和信念，包括信任度、乐观度、风险态度和社会互动程度等［16］。较为理想的方式是选取上述所有变量进行分析。

受样本信息限制，本文主要选取如下两类变量：一类是涉及户主信息的变量，具体包括户主年龄、受教育年限、健康水平、婚姻状态、户主的政治面貌，以及户主父亲的受教育水平、政治面貌、是否从事工商业经营，这是因为户主的禀赋在很大程度上决定家庭的资源获取能力和收入水平；一类是涉及户主背景条件的变量，具体包括家庭人均住房面积、家庭耕地面积、家庭生产性固定资产价值、家庭是否从事个体经营以及从事个体经营的年限、家庭外出人口占总人口比例。由此，上述变量基本覆盖了家庭的生产资本、社会资本和人力资本等信息，并考虑了代际传递的影响。在理想状态下，应尽可能多地选择上述变量，以便更贴近现实状况、更易发挥倾向得分匹配法的优势——消除选择性偏差。要完全消除这种偏差，需要匹配时能够控制所有可能对选择和结果产生影响的协变量，这往往要求在进行匹配时尽量控制足够多的变量［19］。然而，控制变量的数目越多，倾向得分匹配法的平衡性假设越难得到满足。为此，可采取逐步回归法来剔除那些对金融排斥影响不太显著的变量①逐步回归的基本思想是：按偏相关系数的大小次序将自变量逐个引入方程，对引入方程中的每个自变量的偏相关系数进行统计检验，效应显著的自变量留在回归方程中，循此继续遴选下一个自变量，最终得到最优的显著方程。本文将变量显著与否的标准设定为P值是否小于等于0.1。。本文对4个金融排斥维度都进行逐步回归判别，并综合结果选择了10个匹配变量②限于篇幅，未报告逐步回归及其结果筛选的过程，相关资料备索。——户主的年龄、受教育程度、政治面貌，户主父亲的受教育程度和政治面貌，以及家庭人均住房面积、家庭是否从事个体经营、家庭耕地面积、家庭生产性固定资产价值和家庭外出人口占总人口比例。

4.3 描述性统计

相关变量的含义及其描述性统计结果如表1所示。其中，重点关注农户受金融排斥的情况。总的来看，绝大多数农户受到证券排斥（均值最大），所受到的贷款排斥、储蓄排斥和关系排斥的比例基本接近，说明高端金融对农户的排斥程度远大于其他类型的金融排斥。

表1 变量选取及其基本描述性统计结果

5 实证结果分析

5.1 匹配检验

对Logit模型回归，估计出农户受金融排斥的概率（即对Logit模型进行回归所得的预测值），从而使匹配变量由多维转换为单维，Logit模型的回归结果见表2。从表2所示的Logit模型中各变量估计系数的显著性来看：在不同的金融排斥视角下，尽管仍有个别变量的系数不显著，但是总体上Logit模型中控制变量系数的符号是基本一致的且大多在10%水平下显著，说明这些匹配变量对农户是否受到金融排斥具有显著影响。

Logit模型的回归结果基本上符合预期，与既有的经验研究结果也基本一致。具体分析如下：

1）户主年龄。随着年龄（Age）的增加，农户受到各种类型的金融排斥的概率显著降低①笔者曾尝试加入年龄的平方项，但是年龄平方项的估计系数大多不显著，并且加入年龄平方项对年龄的估计系数的影响不大，故最终未将年龄的平方项作为匹配变量。。这是因为：样本户主的平均年龄为45岁，根据既有的经验分析结论，这个年龄的农户正处于收入水平随年龄的增加而升高的阶段；同时，年龄增长带来的阅历、社会资源、技能的丰富也有助于降低金融排斥概率。

2）户主的受教育程度。户主受教育程度（Edu）的提高也显著降低了金融排斥概率——这与预期基本相符。这是因为：教育是形成人力资本的主要渠道，教育水平往往与收入和地位正相关；不仅如此，农户的教育程度越高，农户接受金融知识、金融资讯的能力往往越强，越难受到金融排斥。

3）户主的党员身份（Political）。该变量的系数显著为负，说明具有党员身份的受访户具有更低的金融排斥概率，意味着政治资本在农户获取金融资源方面发挥着重要作用。

4）家庭人均住房面积。家庭人均住房面积（House）越大，农户受到金融排斥的概率相对越低。这是因为：家庭人均住房面积在一定意义上体现了农户的财富水平，而财富越多的个体往往是金融服务竞争的对象，受到金融排斥的概率相对越低。

5）家庭是否从事个体经营。家庭从事个体经营（Private）更易受到贷款排斥，而不易受到储蓄排斥、证券排斥和关系排斥。从事个体经营的农户受到贷款排斥的主要原因往往是未能获取足额的信贷资金。从事个体经营的农户之所以不易受到储蓄排斥、证券排斥和关系排斥，是因为他们在经营活动中通常会接触到这些金融体系。

6）家庭耕地面积。家庭耕地面积（Land）对不同类别的金融排斥的影响存在差异。拥有土地面积越多的农户越易受到储蓄排斥和证券排斥。其原因在于：农业的低收入和农地的非流动性使得土地对于农村家庭财富构成的意义大为缩减。不过，农户耕地面积较多会降低其受到关系排斥的概率。

7）家庭生产性固定资产价值。家庭生产性固定资产价值（Capital）在一定层面上反映了家庭拥有生产资本的能力，其数量的增加有助于借贷资金需求的减少，进而有助于家庭遭受金融排斥概率的降低。

8）家庭外出人口占总人口比例。家庭外出人口占总人口比例（Migration）越高，农户受金融排斥的概率越低。这是因为：外出人口主要流向城镇等金融排斥度相对较低的区域，有助于将金融信息、金融知识乃至投资需求带回流出地，进而降低金融排斥程度。

9）父代特征。户主父亲的党员身份（F＿politi-cal）和户主父亲的受教育程度（F＿edu）的系数都显著为负，这揭示出教育和政治资本的代际传承性，它们有助于降低农村家庭受金融排斥的概率。

表2 Logit模型的回归结果

倾向匹配得分法的另一重要假设是平衡性假设。如果匹配后所有变量在处理组和对照组的均值偏误都能大幅降低，则意味着不同组别的个体特征差异得到了大幅消除，配对样本具有高度相似性。本文仅列出了按照最近邻匹配法进行匹配后的平衡性假设检验结果（见表3），其他3种匹配方法的平衡性假设检验结果同样满足平衡性假设的要求，限于篇幅不再一一列出。从表3不难看出，无论从金融排斥的哪个维度来看，大多数变量在进行倾向得分匹配后的均值偏差在5%以下，说明满足平衡性假设①参照既有研究的做法，以处理组与对照组的均值偏差（Bias%）不超过5%作为是否通过平衡性检验的判断标准。。

表3 平衡性假设检验结果 %

5.2 匹配结果分析

表4列示了平均处理效应的估计结果。从表4可以得出：即使采用PSM 方法尽可能地控制内生性，金融排斥也仍会显著影响农户收入（大多数情况下在1%的水平下显著）。从ATT 的估计系数来看，证券排斥对农户收入的冲击效应最大，若农户遭受证券排斥，则其收入平均将降低32.7%，储蓄排斥（16.8%）、贷款排斥（11.7%）和关系排斥（3.8%）对农户收入的影响依次降低。

为何不同类型的金融排斥对农户收入的影响程度存在明显差异呢？本文深入不同类型的金融排斥的具体机理加以分析。

1）证券排斥。若农户受到该类型的金融排斥，则表明该农户未能触及股票、债券等有价证券。虽然改革开放以来中国农村居民的人均纯收入增长较快，但是农民投资渠道的发展相对缓慢。证券机构在农村地区的布局不足，加之农民缺乏金融知识和风险意识，因此大多数农民难以涉水资本市场。有条件进入资本市场进行投资的农村群体，往往是农村先富起来的且具有一定财富积累的高收入阶层。从本文的样本来看，受证券排斥的农户的年收入均值为2754元，远低于未受证券排斥的农户的年收入均值（4461元）。同时，未受证券排斥的农户的户主还具有更高的受教育水平①样本中未受到证券排斥的农户户主的平均受教育年限为8.91年，高于受到证券排斥的农户户主的平均受教育年限（7.30年）。，而较高的受教育程度会使农民更容易理解并以更低成本消费金融机构的产品和服务［20］。因此，农村地区证券投资服务的稀缺使得仅有少部分农村富裕阶层能获取资本投资渠道，在客观上形成了证券排斥，进而对农户的收入机会和收入水平产生不利影响。随着资本市场投资收入在居民收入中占比的增加，证券排斥对农村居民收入的影响在长期内将更为明显。

表4 平均处理效应（ATT）的估计系数

2）储蓄排斥。受到储蓄排斥的农户的收入水平比未受到储蓄排斥的农户平均低16.8%。虽然流动性约束、预防性储蓄是中国农村居民储蓄的主要动机［21］，但是若农户收入水平较低则难以有剩余收入进行储蓄，从而直接形成储蓄排斥。样本中，存在“入不敷出”（家庭总收入小于家庭总消费支出）的家庭在受储蓄排斥群体中达25.5%，而未受储蓄排斥群体中则鲜有家庭存在此现象。不仅如此，农户的储蓄行为还与其工作状态有关，因为农户从事非农工作会因工资发放、资金往来等而拥有银行存款。结合样本可知，未受储蓄排斥群体中有22%的农户从事非农个体经营，远高于受储蓄排斥群体中的该比例（12%）。因此，考虑到储蓄产品能为储户带来直接的利息收入，受储蓄排斥群体的收入往往更低。

3）贷款排斥。受到贷款排斥的农户的收入水平与未受到贷款排斥的农户平均低11.7%。通常农户贷款分为两类：一类是生产性贷款，主要用于进行生产性投资（如购置农业生产资料）；一类是生活性贷款，主要用于弥补家庭消费支出缺口，贷款主体集中在低收入阶层。在本文样本中，对农户贷款的调查主要集中生产性贷款，即多数农户的生产性融资需求无法满足。事实上，政府干预和信息不对称的存在使得一半以上具备有效需求的农户因信贷配给因素而无法得到正式机构的贷款［22］；正规贷款更偏向那些非农经营收入占比较大的农户，而对那些主要从事传统农业的农户（特别是贫困农户）覆盖不足，由此造成福利水平的提升极为有限［23］。因此，贷款排斥在抑制农户信贷需求的同时，进一步对其收入增长产生不利影响。

4）关系排斥。关系排斥对农户收入的影响程度最小，受到关系排斥的农户的收入水平比未受到关系排斥的农户平均要低3.8%。中国农村是一个典型的关系型网络社会，社会资本中的政治背景、农民与专业合作组织和正规金融机构的关系对农户获得的有效借贷机会和实际借贷额度均具有显著影响［24］，社会资本较少的农户难以获取足够的金融资源和金融服务。结合样本不难发现，2002年受关系排斥的农户的平均获得贷款额为246元，远低于未受关系排斥的农户的平均获得贷款额（701元）。而这种差异会逐渐转化为收入水平差距。由此，受关系排斥的农户的收入显著偏低也就不难理解了。

5.3 金融排斥对农户收入影响的地区差异分析

中国是一个区域发展差异明显的经济体，这同样表现在地区金融发展水平上。改革开放以来，中国东、中、西部地区的金融发展存在明显差异，东部地区的区位优势、政策性倾斜相对良好，引致中国金融发展的地区差异［25］。金融业的发展要以经济发展、人民生活水平的提高为基础，农村居民的收入水平决定了其能否在满足自身生存需要的基础上寻求更高层次的产品和服务。经验研究也表明，农村金融排斥存在明显的区域差异，农村居民收入水平越高的地区的金融排斥程度往往越低［13］。因此，考察金融排斥对农户收入影响的地区差异尤为必要。

本文根据样本所在省区，将样本划分为东部、中部和西部三类，分别利用4种匹配方法计算4类金融排斥的ATT 估计系数，结果如表5所示。

表5 分地区的ATT估计结果

1）贷款排斥。由表5可知，中国中、西部地区贷款排斥的平均处理效应要明显大于东部地区，说明贷款排斥对中、西部地区农户收入的冲击效应相对更大。其原因在于，东部地区的经济相对发达，因此贷款排斥对其农户收入的影响没有中、西部地区这么明显：一是农户自身收入较高和资本积累较多；二是金融网点、金融服务的普惠性较强；三是金融资源的倾斜度较大。反观中、西部地区（特别是部分西部边远地区），由于经济发展相对滞后，因此农户获取贷款的意愿与机会相距甚远，由此引致更大的冲击效应。

2）储蓄排斥。东部地区储蓄排斥的平均处理效应要远大于中、西部地区。储蓄排斥使得居民难以获取储蓄类金融产品及其相关收益。如果农户收入水平较低，那么储蓄排斥对农户收入的冲击效应相对较小；如果农户收入水平较高，那么农户为实现资产保值会更倾向于投资储蓄产品，由此导致农户在利息收入上的差异。。就现实情况而言，东部地区农村居民的收入要高于中、西部地区，因此东部地区农户的收入受储蓄排斥的影响相对更大。

3）证券排斥。东部地区证券排斥的平均处理效应大于中、西部地区。虽然中国农村居民总体上较少接触诸如证券等金融产品和服务，但是在一些相对发达的农村地区仍有少数先富农户有机会接触证券。而证券产品具有较大的收益性，能够直接提升农户的收入水平。反之，在金融发展水平相对较低的中、西部农村，由于接触证券的农户较少，因此证券排斥引致的收入差异也就不那么明显。

4）关系排斥。就估计系数的显著性而言，东、中部地区ATT 的估计系数虽然为负但大多不显著，说明受关系排斥和未受关系排斥的群体的收入差异并不十分明显。而西部地区ATT 的估计系数显著为负，说明受到关系排斥的个体的收入水平相应较低。原因在于：西部地区的金融发展相对滞后，正规金融的覆盖面较小、支持能力较有限，主要供给对象为富裕的或拥有较多社会资本的农户；贫困农户主要从非正规金融渠道获得金融支持［26］，而非正规金融的供给能力较为有限，且非正规金融的获取更多依赖于社会资本。因此，农户一旦受到关系排斥，便很难获得金融资源，由此造成关系排斥对收入的负向冲击。

6 结论及政策建议

本文基于金融排斥的内涵并利用“中国家庭收入调查”（CHIP2002）的数据，从贷款、储蓄、证券和关系4个维度构造了反映中国农村微观层面的金融排斥变量，进一步利用近似模拟自然实验的倾向得分匹配法考察了金融排斥对农户收入的影响。研究结果显示：第一，证券排斥对农户收入的冲击效应最大，若农户遭受证券排斥，则其收入平均下降32.7%，储蓄排斥（16.8%）、贷款排斥（11.7%）和关系排斥（3.8%）的冲击效应依次递减。第二，金融排斥对农户收入的影响存在明显的地区差异，即证券排斥和储蓄排斥对东部地区农户的冲击效应相对较大，说明金融产品和投资渠道的差异对发达地区农户收入的影响更为明显；西部地区农户的收入受贷款排斥和关系排斥的影响较大，这意味着生产性资本、社会资本的分布差异决定了欠发达地区农户的金融资源获取能力及其收入水平。

本研究的政策含义明显。一是要加大对农村金融的发展力度。目前中国农村金融服务的主要提供者仍是信用合作社，农民获得金融资源的渠道比较有限。金融机构可通过扩大金融网点的覆盖面、创新支付方式、增强金融产品的适应性、创新金融服务以满足差异化需求等，以及在有条件的地区推广手机银行、网络银行等，来降低农户受金融排斥的概率。二是要实施瞄准性的金融扶持政策，以满足不同地区、不同收入层级、不同社会背景的农村居民的金融需求。“简单、快捷、灵活”是农村金融产品应具备的特征，农村金融供给主体在设计农户金融产品时应切实考虑到这些特征，提高金融服务的针对性和有效性。三是在农村正规金融发展尚不健全的情况下重视对非正规金融的正确引导和开发，促进民间金融为农业生产和农民增收服务，形成新型化、多元化的农村金融组织体系。四是加强农村金融知识传播和金融风险教育。这一方面可有效消除资金供需双方的信息不对称问题、降低金融市场的交易成本，另一方面可拓宽居民的金融资源获取渠道、提升其金融产品甄别能力，同时促进金融风险可控。

［1］温涛，冉光和，熊德平.中国金融发展与农民收入增长［J］.经济研究，2005（9）：30-43.

［2］余新平，熊皛白，熊德平.中国农村金融发展与农民收入增长［J］.中国农村经济，2010（6）：77-86.

［3］LEYSHON A，THRIFT N.The restructuring of the UK financial services industry in the 1990s：a reversal of fortune？［J］.Journal of Rural Studies，1993，9（3）：223-241.

［4］刘忠群，黄金，梁彭勇.金融发展对农民收入增长的影响——来自中国面板数据的再检视［J］.财贸经济，2008（6）：27-33.

［5］PANIGYRAKIS G G，THEODORIDIS P K，VELOUTSOU C A.All customers are not treated equally：Financial exclusion in isolated Greek Islands［J］.Journal of Financial Services Marketing，2002，7（1）：54-66.

［6］KEMPSON E，WHYLEY C.Understanding and combating financial exclusion［J］.Insurance Trends（The Association of British Insurers），1999，21：18-22.

［7］DEVLIN J F.An analysis of influences on total financial exclusion［J］.Services industry journal，2009，28（8）：1021-1036.

［8］SIMPSON W，BUCKLAND J.Examining evidence of financial and credit exclusion in Canada from 1999to 2005［J］.The Journal of Socio-Economics，2009，38（6）：966-976.

［9］RAMA P，RUPAYAN P.Income related inequality in financial inclusion and role of banks：evidence on financial exclusion in India［C］.Indira Gandhi Institute of Development Research，working paper，2012，No.013.

［10］HORSKA E，SZAFEANSKA M，MATYSIK-PEJAS R.Knowledge and financial skills as the factors determining the financial exclusion process of rural dwellers in Poland［J］.Agricultural economics-zemedelska ekonomika，2013，59（1）：29-37.

［11］田霖.我国金融排斥的城乡二元性研究［J］.中国工业经济，2011（2）：36-45.

［12］许圣道，田霖.我国农村地区金融排斥研究［J］.金融研究，2008（7）：195-206.

［13］高沛星，王修华.我国农村金融排斥的区域差异与影响因素——基于省际数据的实证分析［J］.农业技术经济，2011（4）：93-102.

［14］徐少君，金雪军.农户金融排除的影响因素分析——以浙江省为例［J］.中国农村经济，2009（6）：62-72.

［15］李春宵，贾金荣.基于农户视角的金融排斥影响因素研究［J］.现代财经，2013（4）：21-29.

［16］李涛，王志芳，王海港，等.中国城市居民的金融受排斥状况研究［J］.经济研究，2010（7）：15-30.

［17］ROSENBAUM P R，RUBIN D B.The central role of the propensity score in observational studies for causal effects［J］.Biometrika，1983，70（1）：41-55.

［18］谭燕芝，丁浩，黄向阳.金融排斥视角下的中国农户正规借贷行为研究［J］.区域经济评论，2013（3）：86-94.

［19］BROOKHART M A，SCHNEEWEISS S，ROTHMAN K J，et al.Variable selection for propensity score models［J］.American journal of epidemiology，2006，163（12）：1149-1156.

［20］GUISO L，SAPIENZA P，ZINGALES L.Trusting the stock market［J］.Journal of Finance，2008，63：2557-2600.

［21］高梦滔，毕岚岚，师慧丽.持久收入与农户储蓄：基于八省微观面板数据的经验研究［J］.数量经济技术经济研究，2008（4）：40-52.

［22］朱喜，李子奈.我国农村正式金融机构对农户的信贷配给：一个联立离散选择模型的实证分析［J］.数量经济技术经济研究，2007（3）：37-49.

［23］黄祖辉，刘西川，程恩江.贫困地区农户正规信贷市场低参与程度的经验解释［J］.经济研究，2009（4）：116-128.

［24］童馨乐，褚保金，杨向阳.社会资本对农户借贷行为影响的实证研究——基于八省1003个农户的调查数据［J］.金融研究，2011（12）：177-191.

［25］李敬，冉光和，万广华 .中国区域金融发展差异的解释——基于劳动分工理论与Shapley值分解方法［J］.经济研究，2007（5）：42-54.

［26］叶敬忠，朱炎洁，杨洪萍.社会学视角的农户金融需求与农村金融供给［J］.中国农村经济，2004（8）：31-43.