社會經濟特征、信息技術與農村金融排除——來自我國1765個縣(市)的經驗證據

田 杰，陶建平

(華中農業大學經濟管理學院，湖北 武漢 430070)

一、前 言

近年來，金融排除的危害性已經引起各國政策制定者的重視，減輕甚至消除金融排除被視為許多國家優先發展的政策。而且一些國家實施了促進普惠性金融法律規則的制定，比如美國的社區再投資法和法國的反金融排除法(1998)，印度和英國政府在2005年也先后成立了反金融排除工作委員會，就是為了監控和促進金融包容性的發展。金融排除也廣泛的引起了學者的興趣。現實中，學者們發現甚至一些發達的金融體系比如美國和英國都普遍存在金融排除，并且一定的人群仍然被排除在正式的金融體系之外［1］。如何測度不同地區的金融排除以及找出金融排除的影響因素成為學術上的一個重要議題［2］。作為世界發展中的大國，我國的金融排除狀況也越來越引起人們的關注，2008年世界銀行中國代表處發表報告，建議中國拓展金融服務的渠道，提高對于窮人和中小企業的金融服務支持。而城鄉二元經濟的巨大差異，也使我國農村地區遭受相對更為嚴重的金融排除。那么，如何測度我國農村不同地區金融排除狀況，什么因素導致我國農村部分群體的金融排除?

金融排除的反面是普惠性金融，建立完善的普惠性金融體系，通過提供安全、可靠的儲蓄、貸款和匯兌、理財投資等金融服務來有效地提高整個社會的效率，從而促進整個社會包容性增長。金融包容性包括三個方面的維度:地理滲透性、使用效用性和產品接觸性，這些維度一起建立了一個普惠性的金融體系［1］。Chakravarty and Pal［3］開發的 IFI指數包括了地理滲透性、使用效用性和產品接觸性等三個維度的信息，使對普惠性金融發展程度的計算更為成熟、合理。目前尚未見國內有文獻使用這一指數，本文將首次使用這一指數對我國縣域農村金融排除進行測度。對于金融排除影響因素的分析，由于數據缺乏目前的文獻大多都是使用單個年份31個省的數據(田霖［4］，許圣道［5］)或 49 個國家的樣本數據［1］或99 個國家的樣本數據［6］，而小樣本數據會影響到結果的精確性。

本文的貢獻主要體現在兩點:首先，本文試圖通過使用金融排除指數，結合2009年的數據來測算我國1765個縣(市)的農村金融排除度，克服了以往文獻中樣本量少，誤差比較大的缺點，而且，使用縣級層面的數據避免了使用省級層面數據所忽略的省內不同農村地區的發展差異。其次，本文根據計算出來的指數，綜合目前已有文獻的研究，比較全面的分析導致我國農村金融排除度空間差異的因素。

二、文獻綜述與理論假說

目前國外文獻對金融排除的定義主要是從社會排除這個大背景來考慮的。金融排除就是阻止一定的社會群體和個人獲取正規的金融服務［7］。金融排除也被認為是一定的人群沒有能力通過合適的方式獲取必需的金融服務，而導致排除的發生可能是由于受到環境、價格和負面的社會經歷和觀察等導致的自我排除［8］。印度政府的報告將金融排除性定義為“在一個可支付的成本上確保金融服務的獲取，并且脆弱群體(如弱勢的和低收入的群體)能及時充分的獲取貸款。從以上關于金融排除的涵義看出，目前研究并沒給出一致結論。徐少君［9］從狹義和廣義的角度對金融排除進行了總結。從廣義視角看，金融排除是指阻礙貧困群體、貧窮地區接觸金融系統這一過程，即與金融系統完全隔離;若從狹義視角看，金融排除是指(個體)未接觸一類或幾類金融產品或服務，如未接觸儲蓄服務，便可被稱為“儲蓄金融排除”(ANZ)［10］。金融服務主要包括儲蓄、貸款、保險等基本類金融服務和證券、金融咨詢服務等衍生類金融服務(FSA)［11］，未接觸儲蓄、貸款、保險等基礎性金融服務便被視為金融排除。

關于金融排除的文獻已經充分的指出了金融排除性是一個復雜的現象，有多個維度。因此，各國學者一直在探索用更科學的指數來量化金融排除度。文獻中大量被學者使用的用于測量金融排除性的指標主要是使用銀行賬戶的人數，通常用每1000人所擁有的銀行賬戶數來表示。英格蘭東南發展機構(SEEDA)有開創性貢獻，他們開發了復合剝奪指數(Index of multiple deprivation)，但是由于數據的不可獲得性，導致了這一指數無法在我國使用。Sarma and Pais［1］提出了一個多維度的IFI指數，這個指數吸收了金融排除三個維度的信息，即地理滲透性、使用效用性和產品接觸性等各個方面的信息，計算的結果介于0到1，高的值表明了高的金融排除性。相對 Beck et al［6］使用單個的指標來說，IFI因為吸收了多個維度的信息可以用一個單一的數值表示出來，因此，這個指數提供了一個測量金融排除度的法。其后，Chakravarty and Pal［1］進一步對該指數進行了完善，計算方法更為成熟。

對金融排除影響因素的分析，目前已有的理論主要從需求引致、供給誘導及社會環境影響三方面把握其誘因。(1)需求引致類的金融排除是由于金融需求主體的某項特征如收入、年齡、教育、種族、住房擁有狀況、不悅的金融借貸經歷、心理因素等所引發的排除。更高的收入水平意味著居民有更多的資源和更強的能力來獲得金融產品和服務，因而這些居民構成了金融機構的首選客戶［14］;年齡對金融排除狀況的影響可能反映了財富、收入、認知能力等因素的作用［15］，受教育程度的提高會使居民更容易理解并以更低成本來消費金融機構的產品和服務［16］。受教育程度也可能間接通過受教育程度所反映的學習和認知能力來影響金融排除狀況;少數族裔居民可能會受到更多歧視，因而是金融排除對象［14］。居民的主觀心態、態度和信念以及社會結構會影響其金融排除狀況，包括信任度、樂觀度、風險態度、社會互動程度等［17］。(2)供給誘導則涉及影響金融機構資金供給的若干條件與因素，如金融基礎設施、地理便利性、市場營銷策略、價格水平、產品多樣性等。以上因素對應著 Kempson and Whyley［18］提出的地理排除、價格排除、和營銷排除三個維度。金融基礎設施的缺乏，地理上的不便利性會導致居民由于無法就近獲取金融服務，不得不依賴公共交通系統到達相距較遠的金融中介，從而產生地理排除。金融產品的價格過高，超出了某些經濟主體的償付能力，導致價格排除的發生;主流金融機構的目標營銷策略，產品多樣性的缺乏往往會將某類人群有效排除，導致了營銷排除的發生。此外，銀行部門的結構和健康程度也會對金融包容產生影響。銀行部門健康和金融包容負相關，因為銀行的資本資產比例越高，在借貸上越謹慎，因此和普惠性金融發展負相關。銀行高的不良貸款比例很有可能是銀行提供貸款給低收入的很容易違約的農戶所導致的，或是為了遵從政府的指定性貸款。假如借款是給了廣大的農戶，隨后導致的高的不良貸款比例會促進普惠性金融的發展，而將貸款用于其它用途導致的不良貸款則對普惠性金融發展沒影響［1］。外資銀行比例越高，普惠性金融發展程度越低。以往認為外資銀行的進入將會增加信貸的供給和通過提升競爭力來促進整個銀行業的效率，但是由于信息的不透明，外資銀行不愿意借款給小商業者，導致了較低的金融包容性，這和Berger et al［19］外資銀行的障礙假說相一致。(3)金融排除的社會誘發要素則包括如下方面:人口統計的變化、收入差距及勞動力的結構變動、社會支持、市場化程度等，這些社會要素會對某類社會群體的金融排除水平產生影響［20］。此外，當地法律對投資者債權人利益保護程度、執法效率水平、社會資本環境等的提高，能顯著降低金融排除程度［9］。

考慮到數據的可獲得性，本文不能對全部理論進行檢驗，因此，本文提出如下的待檢驗理論假說:

H1:在其他條件不變的情況下，收入越高、就業比例越高、信息技術水平越高、金融教育越充分、GDP增長率越高、政府支持力度越強、城鎮化比例越高、商業化程度越高，則金融排除程度較低。

H2:在其他條件不變的情況下，城鄉收入差距越大、位于中、西部地區、少數民族地區，則農村金融排除程度相對越高。

H3:在其他條件不變的情況下，銀行不良資產比例越高，則金融排除程度相對較低。

三、模型介紹與變量分析

(一)金融包容測度指標與金融排除指數(IFE)介紹

Beck et al［6］最早提出了測度普惠性金融的8個指標，分別是每萬人金融機構網點數;每百平方公里金融網點數;每萬人ATM數;每百平方公里ATM數;人均儲蓄/人均GDP;人均貸款/人均GDP;每千人儲蓄賬戶數;每千人貸款賬戶數。在此研究的基礎上，其后的學者如徐少君［9］、Sarma and Pais［1］、田杰和陶建平［21］等結合普惠性金融的概念，提出了普惠性金融的三大維度:地理滲透性、使用效用性、產品接觸性。

所有的這些指標提供了經濟體中金融發展寬度的一個方面。考慮到金融排除的過程是非常復雜的和多維度的，任何一個單一的指標都不能充分的反應金融排除的程度。目前文獻對發展水平的測度方法主要是使用因子分析法［22-23］和全局主成分分析法［9］，Sarma and Pais［1］提出了金融包容指數(Index of financial inclusion)，這個指數吸收了普惠金融三個維度的信息，從而提供了一個比較綜合的測度普惠金融的方法。Chakravarty［3］對這一指數進行了改進，計算方法更為完善、成熟。具體介紹如下:金融包容指數的構建考慮了多方面的信息，比如地理滲透性、使用效用性、產品接觸性。IFI指數吸收了這些維度的信息并用一個單一的指數表示出來，它介于0到1之間，0表示完全的金融排除，1表示完全的金融包容。IFI指數和HDI、HPI、GDI等計算方法相似。在計算這些指標的時候，首先計算每個維度的指數。維度di用如下的公式計算:

臨床表現：（1）脈搏≥ 100次 /min；（2）母親體溫≥37.5℃；（3）子宮緊張有壓痛；（4）胎心過速，胎心率＞160次/min；（5）羊水有臭味。實驗室檢查：（1）血 WBC≥15×109/L；（2）胎盤胎膜病理結果（+） ；（3）C-反應蛋白（CRP）≥8 mg/L。上述臨床表現和實驗室檢查中滿足3項或以上可診斷，或者細菌培養（+）或胎盤病理（+）者可診斷。

其中，Ai=i維度的實際值;mi=i維度的最小值;Mi=i維度的最大值。假定銀行體系有K≥1維度的活動。每個維度代表一個功能。這些功能可量化為存款賬戶數/千人，國內的存款/國內生產總值等等。Xi代表功能i的值，Xi的上限和下限分別表示為Mi和 mi，Mi＞ mi。這表明(Mi，mi)并不是一單獨集合。假定Mi和mi可以獲得，于是有xi∈［mi，Mi］。樣本的最大和最小值分別是Mi，mi。功能i的指標值用函數 A 來表示，A 的值是 A(xi，mi，Mi)，xi∈ ［mi，Mi］。假定 A 是連續的，連續性確保了 xi，mi，Mi中產生的誤差對A產生最小的影響。A給定為:Ar(xi，mi，是一個常數。r可被解釋為包容度敏感常數，在給定的xi，mi，Mi下，r減少，Ar(xi，mi，Mi)增加。于是，可得:

其中，r=0.25，0.5 或 1;IFI是一個遞減函數，且滿足如下特性:(1)最小值和最大值分別為0和1;(2)單調性;(3)同質性;(4)遞減函數。Ar(xi，mi，Mi)100/(kIr)可被認為是維度i對總普惠性金融的貢獻，從而可確認不同的維度對總普惠性金融的貢獻率。

表1 農村普惠性金融測度指標

(二)農村金融排除影響因素以及分析模型的選擇

根據本文以上的理論假說，考慮到數據的可得性以及參考FSA、田霖［4，12］、Beck et al［6］、許 圣道［5］、徐少君［9］、Sarma and Pais［1］等的研究成果，本文構造了12個具體變量:①Log income表示居民可支配收入(對數化處理)，金融排除首先是收入的函數，收入水平對個人可能遭受的金融排除具有決定性作用。保持其他控制變量不變，低收入顯著增加了金融排除的機率，因此，本文用各縣(市)居民人均可支配收入(取對數)作為金融排除的解釋變量之一;②Urbanization表示城鎮化比例。城鎮化比例越高，農村金融排除程度越低，本文用城鎮人口比上總人口來表示;③Inequality表示不平等，已有文獻對不平等有多種表示方式，但是鑒于城鄉收入差距是目前最重要的不平等及考慮到數據可得性，本文采用這個指標;④GDP－growth表示GDP增長率。反映地區經濟發展的宏觀環境優劣，本文用各個縣(市)年均GDP增長率來反映;⑤Business表示商業文化環境。商業文化環境為金融創新和金融發展提供外部條件，本文用各地區個體工商戶和中小企業數與總人口的比例來度量;⑥Education又稱為金融教養(Financial literacy)。受教育程度高的居民表現出來的金融素養也使金融機構傾向于將其作為首選的客戶，而且金融知識的代際遺傳使富裕家庭的孩子更容易掌握金融產品的使用方法。另外，后天金融教育的薄弱也會導致金融排除的發生。由于中學教育在我國整個教育體系中的重要地位，本文用各個縣中學生在校人數與總人口數的比例近似反映;⑦Employ表示就業狀況。就業會影響到個人的收入或通過工資的發放、匯款來影響個人的金融市場參與。這里采用各個縣(市)就業人員所占比例作為度量指標;⑧Restrict表示政府對城鄉經濟的支持力度，用政府總的財政支出近似替代反映;⑨Non－p－credit表示銀行不良資產比例，用銀行不良貸款比上各項儲蓄和貸款的總和來近似表示;⑩Information表示信息技術水平。手機技術在農村和城市貧民區的普及，將有助于彌合數字鴻溝(Digital Divide)且便利于居民采用主流金融服務。本文采用各個縣(市)固定電話、移動電話普及率反映不同區域的信息技術水平;?Location該指標為表示地理特征的虛擬變量，以反映地域差別的影響。本文假定東、中、西部地區金融排除程度逐漸增強，因此，西部地區取值為3，中部取2，東部取1;?Mino表示民族差異。該指標是一個虛擬變量，反映區域的民族構成。民族的差異也會造成金融排除，特別是低收入的少數民族聚集區，因此少數民族聚集地區賦值1，其他地區賦值0。

表2 各個變量的描述統計

以上影響因素和農村金融排除的關系可以用如下的理論模型來表示:

IFE指數值在0到1之間，本文考慮采用Logit模型的形式對金融排除指數進行轉換，轉換后的方程是一個Logit函數，描述如下:這樣轉換后的因變量在負無窮到正無窮之間。這允許本文使用經典的OLS回歸。轉換后的變量是一個關于IFE的單調遞增的函數，并且保持了和IFE相同的次序。

回歸方程的一般形式如下:Y=a0+a1X1+a2X2+….+anXn+ε;

X1、X2……Xn表示回歸變量，a1、a2是待估計的參數，ε是隨即誤差項。Y的變化比例關于變量X的線性方程估計表示成如下:

因此，Y相對于單位X的變化而改變是由ai和Xi決定的。

(三)數據來源

本文以上變量的數據時間段為2009年的統計數據;數據來源于2010《中國縣(市)社會經濟統計年鑒》、中國銀監會官方網站中農村金融圖集收集的2006-2009年各個縣市的銀行類和經濟類統計數據，以及2010各個省份的統計年鑒。

四、實證分析

(一)樣本統計分析

表2是農村金融排除各個維度的指數的平均數及各個維度的指數對總的金融排除度的貢獻率，考慮到樣本數量比較多以及我國東、中、西發展的不平衡性，本文將樣本縣(市)劃分為東、中、西部 (東部11省區市、中部9省區和西部11省區市東部地區包括河北、北京、天津、山東、江蘇、上海、浙江、福建、遼寧、廣東和海南，中部省區包括山西、安徽、江西、河南、湖北、湖南、黑龍江、吉林和內蒙古，其他省份為西部省區)，并計算了三大區域平均的金融排除指數及各個維度的平均指數。從表2中可以看出，東、中、西部地區金融排除度依次遞增，從金融排除的各個指數貢獻率看出，每百平方公里的網點數過低導致了比較高的金融排除度，其次是人均儲蓄/人均GDP、人均貸款/人均GDP、對金融排除貢獻最低的是每萬人的金融網點數，以上順序也表明了降低金融排除需要依次從以上各個方面著手。

表3 農村金融排除指數的各個維度

2.回歸分析結果與討論

(1)社會經濟特征因素。IFE和社會經濟因素的回歸結果顯示在表4中。社會經濟因素變量包括人均收入，失業率，受教育程度，城鎮化比例和城鄉收入差距、政府對縣域經濟的支持力度、宏觀經濟增長率。本文發現了社會經濟因素和IFE的顯著相關性。如表3所表示的，人均GDP系數在5%水平上負相關，這證實了理論表明的收入在金融排除中的關鍵作用，也就是縣域居民人均收入水平越高，農村金融排除度越低;城鄉收入差距和IFI指數在1%的水平上顯著的正相關。即縣域內收入不平等程度越高，個人更有可能遭受高的金融排除。這和Kempson and Whyley［18］、Buckland et al［24］得出的收入不平等程度越高的國家更有可能存在相對高的金融排除的結論相一致;受教育水平和農村金融排除在1%的水平顯著的負相關，這表明了高的受教育水平會導致低的農村金融排除;城鎮化比例和農村金融排除在1%的水平顯著的負相關。這證明了地理排除的作用:住在農村地區的和遠離城鎮金融中心的更有可能被排除在金融體系之外［7，25］;就業率和農村金融排除在1%的水平顯著的負相關。這表明了未就業或沒有穩定的工作，將會導致居民使用更少的金融服務。國外已有的研究已經發現通過自動轉賬支付報酬成為主要的影響金融排除的方式;政府對縣域經濟的支持力度與農村金融排除在1%的水平顯著的負相關，縣級財政支出項目包括基本建設支出、農業生產支出、教育支出、社會保障支出和醫療衛生支出，這都會通過不同的方式作用于到金融排除的各個因素，從而最終對地區的金融排除產生影響;GDP增長率和金融排除在1%的水平顯著的正相關，這表明了宏觀經濟增長如果不能讓大多數的個人收入得到增加，不僅不會減輕金融排除，反而會加重金融排除;商業文化環境和金融排除在1%的水平顯著的負相關，這證實了商業文化環境為金融創新和金融發展提供外部條件這一觀點。

(2)信息技術水平。表征信息技術水平的每千人電話使用比例和農村金融排除在1%的水平顯著的負相關，這表明了信息的通暢性在金融排除性中扮演了重要的角色。這和Beck et al［6］的結論是一致的，他發現電話網絡和銀行網點的延伸是正相關的。農村信息技術的完善，將提高農業的科技化程度，拓寬農產品融資渠道，增加農民收入，降低金融排除;同時擁有電話的農戶逐漸接受和采納高科技金融服務也引致金融排除減小［4］。限于數據的可獲得性，本文未分析表示信息技術水平的其他方面，比如電腦普及率、互聯網普及率及當地的公路網。

(3)其它因素。本文發現銀行不良資產的比例和金融包容性不存在相關性，而且相關系數為正，這表明了這和以往的觀點認為銀行及銀行類金融機構通過提供信貸給小企業和低收入的人群，導致了不良貸款比例上升，從而增強金融包容性的結果是相對立的;我國少數民族聚居區農村金融排除嚴重，且在1%的水平上顯著，相關系數相對高，這證實了文獻已經確認的農村金融排除是廣泛存在的社會排除的問題的一個反映，被排除在金融體系的是那些屬于低收入的人群，少數民族群體等等［25］。地區位置在1%的水平上和金融排除顯著的正相關，也就是越接近中、西部地區，更有可能遭受相對較高的農村金融排除。

表4 農村金融排除的影響因素分析

五、結論與政策涵義

通過對我國1765個縣域的金融排除指數測算分析結果表明:從構成農村金融排除的各個指數貢獻率看，每百平方公里的網點數過低導致了比較高的金融排除度，其次是人均儲蓄/人均GDP、人均貸款/人均GDP、每千人貸款賬戶擁有量等指標對農村金融排除有明顯的影響，對農村金融排除貢獻最低的是每萬人的金融網點數。對影響農村金融排除因素的經驗性分析表明:表征社會經濟特征的人均收入越多、就業率越高、金融教育水平越充分以及商業化程度越高、城鎮化比例越高、政府對經濟發展的支持力度越強，農村金融排除越低;用城鄉收入差距表示的不平等程度越高，農村金融排除度越高;信息技術使用比例越高，農村金融排除越低。本文的分析還表明了中、西部地區、少數民族地區更有可能遭受較高的農村金融排除。以上結論大部分驗證了本文的假說。

根據上述測算分析與經驗分析的結論，本文提出幾點改善我國農村金融排除的政策建議:

(1)增設金融網點，著力提高農村地區金融服務覆蓋面。要著力完善網點布局，做到“不空白”。在所有金融服務空白鄉鎮設立固定營業網點，讓農民錢有地方存、款有地方取、賬有地方轉、票有地方匯;普遍惠及一切需要金融服務的社會群體，尤其應該惠及于被傳統金融體系所忽視的農村貧困群體;積極鼓勵各類社會資本進入農村地區設立金融機構，如為農戶提供金融服務的村鎮銀行、貸款公司、農村資金互助社等形式，著力解決農村地區銀行業金融機構網點覆蓋率過低、金融供給不足、競爭不充分等問題。

(2)對農村地區金融機構的資金外流實施必要的限制，促進儲蓄資源用于當地縣域經濟的發展。農村金融排除是農村金融服務領域的市場失靈，具有很強的外部性。因此，政府有責任對農村金融排除進行合理干預，制定相關的防止金融機構在農村地區撤并機構的政策;規定在農村地區的所有銀行業金融機構在保證資金安全的前提下，必須將一定比例的新增存款投放當地。此外，政府針對農村金融排除進行漸進性干預，如適度放寬存貸款利率、減免金融業務營業稅等的政策措施，吸引外部資金流入農村地區。

(3)普及金融服務的新技術，有效減少農村金融排除。積極發展現代支付工具，如電話銀行、手機銀行、短信通等，提高空白鄉鎮金融服務的充分性與多樣性。此外，依托鄉鎮政府和公安部門，各個縣域銀行類金融機構著力布設ATM機等自助設備，做到金融服務全覆蓋，讓農民共享科技金融的便捷性。

(4)加快農村城鎮化、工業化、農業產業化進程，推動縣域經濟發展。縣域社會經濟特征中城鎮化比例、就業率、商業文化環境、收入不平等、政府對當地經濟的支持力度等指標要素對減輕金融排除的作用打破了以往研究中的以割裂的視角看待城鎮、農村金融排除問題，縣域經濟的發展將會有效的解決我國廣大農村地區的金融排除。因此，應從縣域內城鄉統籌的視角，借鑒城鎮、農村經濟地域系統的耦合機制與規律，充分利用城鎮經濟的擴散力，實現農村金融外部性的內部化。

［1］Sarma M，Pais J.Financial inclusion and development［J］.Journal of International Development，2010:1-16.

［2］Beck T，Honohan P.Finance for all?Policies and pitfalls in expanding access.［R］.Washington D.C:World Bank，2007.

［3］Chakravarty S R，Pal R.Measuring financial inclusion:An axiomatic approach［R］.Indira Gandhi Institute of Development Research，Mumbai Working Papers，2010，No.2010-03.

［4］田霖.我國金融排斥的城鄉二元性研究［J］.中國工業經濟，2011(2):36-45.

［5］許圣道，田霖.我國農村地區金融排斥研究［J］.金融研究，2008(7):195-206.

［6］Beck T，Demirguc-Kunt A，Martinez Peria M S.Reaching out:Access to and use of banking services Across countries［J］.Journal of Financial Economics，2007，85(1):234-266.

［7］Leyshon A，Thrift N.Geographies of financial exclusion:Financial abandonment in Britain and the United States［J］.1995，3(20):312-341.

［8］Sinclair S P.Financial exclusion:An introductory survey［R］.Heriot-Watt University Working Paper，Edinburgh:2001.

［9］徐少君，金雪軍.中國金融排除影響因素:理論和實證研究［C］.第五屆中國金融學年會論文集，2008.

［10］ANZ.A report on financial exclusion in Australia［R］.2004.http://www.anz.com/aus/aboutan2/community/programs/pdf/Financial Exclusion-Final Report.pdf.

［11］Financial Services Authority.Financial capability in the UK:Establishing a baseline［R］.2006.

［12］田霖.我國金融排除空間差異的影響要素分析［J］.財經研究，2007(4):107-119.

［13］高沛星，王修華.我國農村金融排斥的區域差異與影響因素—基于省際數據的實證分析［J］.農業技術經濟，2011(4):93-102.

［14］Devlin J F.A detailed study of financial exclusion in the UK［J］.Journal of Consumer，2005，28:75-108.

［15］Ameriks J，Zeldes S.How do household portfolio shares vary with age?［R］.TIAA-CREF Working Paper，2004.

［16］Guiso L，Sapiens P，Zingales L.Trusting the stock market［J］.Journal of Finance，2008(6):2557-2600.

［17］李濤，王志芳，王海港，等.中國城市居民的金融受排斥狀況研究［J］.經濟研究，2010(7):15-30.

［18］Kempson E，Whyley C.Kept out or opted out?Understanding and combating financial exclusion［C］.Bristol UK Policy Press，1999 .

［19］Berger A N，Klapper L F，Udell G F.The ability of banks to lend to informationally opaque small business［J］.Journal of Banking and Finance，2001，25:2127-2167.

［20］Hersi W M.The role of Islamic finance in tackling financial exclusion in the UK［D］.Durhan University，2009.

［21］田杰，陶建平.農村金融排除對城鄉收入差距的影響——來自我國1578個縣(市)面板數據的實證分析［J］.中國經濟問題，2011(5):56-64.

［22］吳雄周，曾福生.湖南城市可持續發展水平的區域差異實證分析——基于因子分析法和聚類分析法［J］.華中農業大學學報(社會科學版)，2010(5):99-103.

［23］潘傳快，熊巍.基于因子分析法的湖北省新農村建設實證分析［J］.華中農業大學學報(社會科學版)，2010(3):60-63.

［24］Buckland J，Guenther B，Boichev G.There are no banks here:Financial and insurance exclusion services in Winnipeg's North End［R］.University of Winnipeg Working Paper，2005.

［25］Kempson E ，Whyley C.Understanding and combating financial exclusion［J］.Insurance Tend，1999，21:18-22.