家庭金融调查篇(1)

(1)chfs抽样设计：经济富裕地区(东部地区)的样本比重相对较大(样本市县中东中西部省份的比例为32:27:21，全国为34:27:38)，城镇地区(相对于农村地区)的样本比重相对较大(样本中城镇居委会与农村村委会比例为181:139)，城镇富裕家庭占比较大，样本的地理分布比较均匀。

(2)数据核查：事后对所有受访者进行(电话)回访。

(3)拒访率：chfs的拒访率低于国内外相似或同类调查的拒访率。

(4)数据代表性：人口统计学方面，chfs调查数据在家庭规模、人口年龄结构和性别比例方面与国家统计局的数据比较一致，其中城市人口比例数据与国家统计局有差异(XX年chfs数据按户口计算为0.369，国家统计局公布的数据为0.513，但是国家统计局公布的城镇人口是指居住在城镇范围内的全部常住人口，不是户籍概念)。在居民收入总额上，chfs和国家统计局公布的全国居民收入总额、城市和农村居民收入总额、人均收入方面比较一致，在农村和城市人均收入内部构成上二者差距比较大。

(5)国内有影响力的家庭调查数据：中国健康与营养调查(chns)，中国家庭收入项目调查(chip)，中国综合社会调查(cgss)，中国健康与养老跟踪调查(charls)。

pps(probability proportionate to size sampling)：按规模大小成比例的抽样，它是一种使用辅助信息，从而使每个单位均有按其规模大小成比例的被抽中概率的一种抽样方式。pps 抽样是指在多阶段抽样中，尤其是二阶段抽样中，初级抽样单位被抽中的机率取决于其初级抽样单位的规模大小，初级抽样单位规模越大，被抽中的机会就越大，初级抽样单位规模越小，被抽中的机率就越小。

2.家庭人口和工作特征

(1)XX年chfs样本数据显示平均家庭规模为2.94人。少儿(15周岁以下)人口男女性别比为123:100，劳动年龄人口男女性别比为100.5:100，老年(60周岁以上)人口的男女性别小于1。

(2)无论是根据人口老龄化指标1(60周岁以上人口占总人口比例为10%，根据chfs我国XX年该数据为16.34%)还是指标2(65周岁以上人口占总人口比例为7%，我国为10.65%)都表明我国人口老龄化现象严重。少儿抚养比低于老年抚养比，且城市人口老龄化趋势高于农村。

(3)根据chfs数据，我国初中及以下学历的比例高达63.58%，年龄组越低的人群高学历的比例越高。

(4)根据chfs我国城市剩男、剩女(30周岁以上的未婚男女)的比例41:62，农村为59:38。

(5)企业雇佣的劳动力占从业人员的比例高达62%，其中38.44%在私营或个体企业工作，大力发展工商业可能是解决中国劳动力就业的主要途径，大力支持私营或个体企业的发展，中国劳动力就业压力将可能得到缓解。

(6)具有博士学历职工的工资收入低于硕士学历职工的工资，在这个阶段教育收入回报为负。

(7)随着人口年龄降低，初中学历以下人口比例显著降低，义务教育效果明显。

家庭金融调查篇(2)

国际上关于家庭金融的调查已展开多年，并建立了完善的微观数据库。如美国的消费者金融调查，旨在研究美国家庭收入、资产、负债情况；欧盟的家庭金融与消费网络调查，用于收集欧盟区代表性家庭的消费与金融数据。欧盟内部，还有西班牙的家庭金融调查，意大利的家庭收入与资产调查等。美国及欧元区主要国家的家庭金融调查已较为成熟，并对中央银行决策产生了深远影响，而国内相关研究几年前基本是空白，究其原因，主要是数据的缺乏。

2009年我们组织发起了中国家庭金融调查。事实上，调查的前期开展道阻且艰。西南财大几千名学生历经拒访、守候、跋涉，酷暑、台风、暴雨、地震等，访冷暖，问寒暄，尽管困难重重，学生们还是坚持用双脚丈量大地，用执著续写理想，让人为之感动。迄今历时7年，收集到全国29个省40000余户家庭的金融信息，目前数据具有全国、省级和副省级城市代表性。这是我国首个在全国范围对家庭金融问题进行调查的项目。从微观层面，全面了解中国家庭金融现状和发展趋势，为加快金融机构服务创新和金融产品设计提供支持；从宏观层面，为城镇化、房地产发展、经济增长和转型、收入分配等政策制定提供方案和参考依据。

随着经济腾飞，中国正在并将越来越重视数据库的构建使用。构建中国家庭金融调查数据库，既响应了国际上对中国微观数据的渴求，也顺应了中国经济发展的潮流。

中国家庭金融调查，是风雨的见证，是历史的浓缩。由调查梳理出的数据展现了中国经济良好的发展趋势。以国民收入为例，在政策引导下，中国家庭收入年年稳步增长。

而透过中国家庭金融调查发现，贫困家庭愿意消费却因收入不足而不能消费，高收入家庭则储蓄了高比例的收入。因此，缩小收入差距的扶贫政策已不仅仅是收入分配政策，更是经济增长和经济转型政策。

家庭金融调查篇(3)

【关键词】家庭金融资产 风险性投资 影响因素

一、理论研究背景及相关文献评述

（一）国外研究综述

随着家庭理财理财意识的不断提高以及金融产品日趋丰富，家庭资产组合选择问题开始进入了学术视野。在2006年的美国金融年会上，compbell曾经提出了一个独立的新研究方向，即家庭金融。与传统的金融研究方向资产定价，公司金融相比，家庭金融已经成为目前金融学研究的前沿领域。

与基于投资者的资产组合理论相比，家庭资产组合理论研究引入了经济特征，生命周期，人口统计特征等因素对金融资产选择的影响。yoo（1994）是有scf的三个独立年份的界面数据分析资产配良种的年龄效应，年轻和年老的家庭参与风险资产的概率更低。guiiso等（1996）使用意大利的面板数据研究发现较高的工资收入风险与较低的风险资产持有有关。

heaton和lucas（2000）在研究中引入工资机制，分析发现家庭的工资收入与股票收益之间呈现出高度相关，一般具有高背景风险的家庭对于风险资产的持有比较少。shum和aig（2006）在研究中考虑了人口统计特征，分析发现性别，婚姻状况以及受教育程度都会影响家庭金融资产的配置。guiso，sapienza（2004）研究发现家庭对外界社会，金融机构的信任度越高，那么他们持有风险资产的比例也就越高。

（二）国内研究综述

到目前为止，关于我国居民投资的实证研究相对较少。样本选择以及有效样本数据的获取是主要难点。有部分学者对居民的资产结构进行了考察，如史代敏、宋艳（2005），利用四川省统计局在2002年四川省城镇居民家庭金融财产的抽样调查数据，分别考虑了年龄、收入、财富规模、受教育程度、住房所有权五方面的因素建立线性模型，考察各因素对家庭金融资产总量，以及储蓄存款和股票在金融资产中所占比例的影响。吴晓求等（1999）利用证券持有的增加量统计出我国居民金融资产的增量结构，并重点分析了影响该结构的因素以及改革开放以来居民收入资本化趋势。另外汪红驹、张慧莲（2006）以最优资产选择模型为基础探讨了通货膨胀、股市收益波动、消费者风险偏好对消费者储蓄需求的影响。

近期，出现的一些有关于家庭金融资产投资的文献有：邢大伟（2009）基于江苏扬州的调查，对城镇居民家庭资产选择结构的实证研究，文章分析了性别，年龄，学历等方面对金融资产结构和实物资产结构的影响。陈国进，姚佳（2009）的基于美国scf数据库的风险性金融资产投资影响因素分析，文章采用美国消费者金融调查数据为样本，建立回归模型对影响因素进行分析。卢家昌，顾金宏（2009）基于江苏南京的调查，对城镇居民家庭资产选择行为的影响因素分析，主要分析了家庭金融资产在货币类产品，证券类产品，保障类产品三个方面投资影响因素。

二、调查研究方案设计

（一）研究假设

通过对已有文献的梳理和归纳，并结合中国的国情，提出以下可能对中国城镇家庭风险性金融投资产生影响的因素：

1.家庭财富和人口统计特征。alessie和soest曾经对荷兰家庭1993～1998的数据进行分析，运用probit回归模型和选择模型发现，年龄较大的户主和比较富裕的户主持有相对较高比例的风险性金融资产，同时随着家庭财富的增加，家庭持有风险性金融资产的比例也会增加。

2.住房投资。在我国，住房问题是长期以来绝大多数家庭都很关注的问题，房价的波动对中国家庭的投资行为也会产生一定的影响，而且由于房产具有消费与投资的双重性质，还可能使中国家庭的投资呈现出随生命周期变化的特征。

3.劳动收入。在中国，劳动收入是大多数家庭主要的经济来源，也是家庭可支配收入的重要组成部分。

如果能够从一定程度上增加家庭的劳动收入，那么一定程度上能提升家庭承担金融投资风险的愿望。

4.投资偏好及预期。中国家庭的投资行为不仅会受到对宏观经济预期的影响，投资偏好近年来作为行为金融研究的一部分也成为重要的研究因素。

（二）问卷的设计

问卷的概念量表在设计时，先是参照了已有的“个体投资者问卷调查”的成熟量表，然后根据研究假设中所提到的影响因素进行调整修改。问卷调查主要分两个方面：首先是对于家庭结构的调查，包括人口统计特征以及家庭人口的基本情况，如：户主的性别，年龄，受教育程度，婚姻状况以及职业；其次是关于家庭金融资产总量和结构的调查，如：家庭金融资产，人均收入，存款等。同时，问卷还设置了“验证题”来帮助剔除无效问卷。

（三）问卷的发放与回收

调查采用随机抽样调查，在人口比较集中的各区街口商区，单位门口进行发放，调查对象覆盖了个体户，金融从业者，公务员，医生，教师等人群，筛选主要是删除通过问卷中设置的“验证题”来删除明显胡乱填写的无效问卷以及存在异常值的问卷。而对于问卷中存在的数据缺失的情况，则主要是通过两种途径修改：对于第二部分数据缺失或缺失数据超过2项的，直接视为无效问卷；而对于缺失数据在两项以内的，则采用众数填补的法则进行数据完善。最后，通过汇总统计，可以得到下列数据；实际发放问卷数为500份，回收得到292份，回收率为58.4%，最后被认定的有效样本数为224份，回收有效率为76.7%。

（四）样本的收集和检验

本文的抽样调查样本来源于城镇家庭，以江苏无锡的抽样调查结果作为实证的数据来源。由于无锡地处长江三角洲经济较发达地区，因此抽样结果更具代表性和合理性。经过spss16.0对抽样数据的处理，得到如下对有效样本的描述性统计：

通过表一的样本描述性统计不难看出，家庭中户主的性别为男性的比例要高于女性，也就是说男性参与风险投资决策的比例要高于女性，而且户主年龄在35～60岁之间的比例较高。本户主学历为专科和本科的占到了将近90%，此外，从家庭财富规模的角度来看，家庭拥有金融资产总额在10万到100万之间的占了绝大多数。因此，总体看来，这样的抽样结果基本服从正态分布，这样的结构大体上也是合理的。

三、实证研究分析

（一）主要变量的选取及描述

本文研究主要是分析人口统计特征，家庭财富，背景风险等方面因素对城镇家庭风险性金融资产投资选择的影响以及影响程度。其中人口统计特征包括户主的性别，年龄，受教育程度，婚姻状况以及职业；背景风险包括劳动收入，房产投资，其余变量还包括投资偏好，投资预期。

（二）实证模型的选择

1.模型一：logistic回归模型。本文首先对城镇家庭风险性金融资产是否持有产生影响的因素的作用程度以及显著性进行实证分析和检验。持有风险性金融资产的为“1”，而未持有风险性金融资产的为“0”。在借鉴同类文献结论和研究成果的基础上，假设城镇家庭风险性金融资产持有受到家庭财富，户主的性别，年龄，受教育程度，婚姻状况以及职业，劳动收入，房产投资，投资偏好，投资预期等因素的共同作用，即y=φ（x1，x2，……xi）+ε。y表示的是城镇家庭风险性金融资产的选择行为，xi是影响家庭风险性金融资产选择的影响因素，ε为随即干扰项。由于在实证当中，我们遇到的被解释变量为虚拟变量，而非连续性变量，因此传统的多元回归模型并不适用，无法进行合理的假设检验。所以，本文选用logistic回归模型来进行实证研究。logistic回归模型是对二元因变量的概率建模，即当因变量是一个二元变量，只取0与1两个值时，因变量取1的概率p就是要研究的对象。这里我们假设家庭参与投资风险性金融产品的概率为p，p的取值范围在0-1之间，将p做logit变换，可以得到logistic回归模型：

logit（p）=β0+β1f+β2i+β3s+∑β4iai+∑β5iei+β6m+β7se+ β8ri+β9ip+β10ie

然后，通过极大似然估计的迭代方法，可以找到系数的“最可能”的估计，并采用wald检验对参数进行检验，当wald值大者（或sig值小者，小于0.05）显著性高。

2.模型二：tobit回归模型。本文还将从微观角度建立城镇家庭风险性金融资产占总金融资产比重的模型。由于单个家庭风险性金融资产可能为零

也就是存在某个家庭不投资风险性金融产品，即风险性金融资产占总金融资产比重为零，而已它作为被解释变量时，显然经典的线性模型已经不再适用。根据国内外相关文献得知，在存在截断数据的情况下，tobit模型是较为有效的计量经济学模型。

根据家庭持有风险性金融资产是否为零，可以将样本分为两类。第一类是含有不为零的因变量和自变量；第二类是仅很有不为零的自变量，而因变量为零。这样，我们可以把变量间线性关系表示为：yi’=βxi+εt。

实际在性质上，截断的观测值与未截断的观测值是存在显著差异的，这是因为风险性金融资产占总金融资产比重为0，表示该家庭不投资于风险性金融产品，因此即使解释变量变化很明显，这些家庭投资与风险性金融产品的比重仍为，不会有任何变化。这样，风险性金融资产占总金融资产比重在性质上类似于离散型的虚拟变量。因此，我们通过建立风险性金融资产占总金融资产比重的tobit模型，来刻画解释变量对被解释变量之间的影响。

根据经济学理论背景，我们初步建立风险性金融资产比重的tobit模型如下：

tobit（p）=β0+β1i+∑β2iai+∑β3iei+β4f+β5f2+εtif rhs>0

模型的设计基于理论与数据相结合的思路，一方面我们考虑到经济理论背景来选择变量；另一方面我们又考虑了调查所得样本中获得的信息。

我们在估计模型时将采用国外相关研究中普遍使用的最小二乘估计，这也是人们所探索出的适用于估计tobit模型的主要方法，其参数检验的适用方法为t检验，sig值小者（小于0.05）显著性高。

四、结论

本文运用对江苏省无锡地区的实地抽样调查数据，通过运用logistic回归模型和tobit回归模型研究家庭财富，人口统计特征，背景风险以及投资预期和偏好对家庭风险金融资产投资的影响，我们可以得到以下几个重要的结论：首先，中国城镇家庭风险性金融投资的财富效应十分显著，随着家庭财富的不断增加，家庭投资风险性金融资产的概率不断增加，投资于风险性金融资产的比例也不断提高。其次，背景风险对中国家庭投资风险性金融产品的有较明显的影响：中国家庭住房投资对参与风险性金融投资具有明显的“挤出效应”，随着住房投资的增加，家庭参与风险性金融投资的概率以及投资比例都有所下降；此外，随着人均劳动收入的增加，家庭投资风险金融产品的比例就越高。第三，人口统计特征对中国家庭投资风险性金融产品的影响比较显著：风险性金融投资的参与率随着学历的增加而增加，与年龄呈一条凸曲线，年轻家庭和老年家庭参与率较低，中年家庭参与率较高。从投资比例来看，高学历的家庭投资比例较高，而自主经营会对投资比例有挤出效应。第四，家庭的投资预期向好会对风险性金融投资比例产生正的影响，而投资偏好风险性资产则会对风险性金融投资的参与率产生积极的影响。

参考文献

[1]陈国进，姚佳.中国居民就爱听金融资产组合研究【j】.西部金融，2008（8），20-22.

[2]史代敏，宋艳 居民家庭金融资产选择的实证那个研究【j】.统计研究，2005（10），45-50.

家庭金融调查篇(4)

按照2011年美元和人民币平均汇率6.48来计算，69.1万亿美元相当于447万亿元人民币。全国约4亿城乡家庭，相当于每户家庭110万元资产净值。

北京大学宋国青教授2002年9月曾在本刊撰文，提出2001年中国居民总资产价值为32万亿元，其中金融资产11万亿元，城乡住房资产价值13万亿元（占到40％），私人拥有的生产性资产价值为7万亿元。按10％的负债扣除后，净资产约为30万亿元。如果69.1万亿美元这一数字是成立的，也就是说2001年－2011年十年间，中国居民资产爆增10倍多。

非金融资产虚实

《调查》未说明其调查的“城市居民”是指城市户籍居民，还是城市常住居民。根据测算，报告所指城市家庭应该仅限城市户籍，但报告中农民工家庭算在哪里，却没有给以解释。

首先，城市居民除房产之外的非金融资产数值偏高。《调查》显示，城市居民金融资产平均才11万元，但除了房产外的非金融资产居然有146万元之多。据《调查》所言：“在中国家庭金融调查中，家庭资产包括非金融资产和金融资产两大部分。家庭非金融资产包括农业、工商业等生产经营资产、车辆资产、家庭耐用品等资产、房产与土地资产。”这部分数值高是因为把私人企业的生产性经营资产都算入家庭资产。

这会造成一个问题，好比说把煤老板的矿井、饲料大王的工厂都算到非金融资产里，只要有一两个这样的亿万富翁在调查中被抽样到，其资产净值与平头百姓一平均，平均值就会很高。这会有很大误导性，也不符合国际规范。如果查阅美国联邦统计署所做的美国居民家庭资产汇总数据，就会发现只有金融资产、房产和车辆等大件，并没有把生产性资产算在内。

即便将私人企业主的生产性资产算入家庭资产，城市家庭平均146万元生产性资产，农村家庭平均12万元生产性资产，按2011年1.5亿城市户籍家庭和2.4亿农村和农民工家庭，合计2011年全国居民生产性资产约为249万亿元（城市220万亿元，农村29万亿元），而不是447万亿元，差距为何如此之大？

释疑房产净值

造成“中国人比美国人富”的第二个误会，是高估了房产净值。《调查》数据称，中国城市住房资产净值为150万亿元（户均100万元乘以1.5亿城市家庭），农村为48万亿元（户均20万元乘以2.4亿农村家庭），合计198万亿元。而2011年中国城市每套住房价值平均为85万元，户均拥有1.22套，所以户均住房价值达103万元。

如果仅限城市户籍，城市家庭户均1.22套住房倒还在可以理解的范畴，但每套住房价值为85万元则明显高估。

2011年中国新建商品住宅销售均价每平方米5011元，当前中国城市住房存量中半数以上是1998年前建成的，其市场价值远无法与新房相提并论。即使全都按照每平方米5011元来计算，套均85万元相当于每套城市住房面积平均下来都有170平方米，这与事实不符。

2006年之后，中国城市住房存量面积没有再公布。2006年的数字为113亿平方米。根据住建部公布的2011年城市人均住房面积31.6平方米乘以4.7亿城市户籍人口，可以得出2011年中国城市住房存量面积约在148亿平方米，即使全按照每平方米5011元来估计，城市住房资产的市场价值应该在74万亿元，不到调查所言150万亿元的一半。

2011年中国GDP为47万亿元，即使保守估计的城市住房资产价值71万亿元，也相当于GDP的1.5倍；如果是调查所提出的109万亿元，则相当于2.4倍；而调查提出的全国城乡198万亿元住房资产，相当于GDP的4倍，这是一个不可思议的数字。国际上一般认为，当一个国家的住房资产价值超过GDP的1.5倍，就具有很强的泡沫风险。

除了直接估测，还可以用房贷数据来推算住房资产价值。中国人民银行《货币政策执行报告2011年第四季度》报告显示，2011年末全国个人购房贷款余额7.14万亿元。一般认为住房的负债资产比应该是30％－50％，比如美国2010年居民部门房地产价值为18.19万亿美元，居民房地产贷款就达到了10.07万亿美元，占到55％。

中国城市家庭购房相对较保守，贷款成数很低，提前还款比例高，但也没有理由相信住房负债余额连资产价值的5％都不到。如果按负债是资产的10％推算，差不多城市住房总资产就是70万亿－80万亿元。这些说明该调查大大高估了中国居民的房产净值。

2011年中国农村住房面积约为290亿平方米（住建部公布的农村人均住房面积34平方米乘以8.5亿农业户籍人口），面积上比城市多出50％-80％（根据不同口径），但质量差、流通性差、市价低。按照每平方米1600元的市场价值来估计农村住房资产价值，大约是48万亿元，与《调查》所估计基本相当。这样2011年全国城乡住房净资产合计大概是120万亿元左右，远远低于198万亿元的估计。

不能聚沙为基

根据《调查》中统计的家庭金融资产数据显示，如果撇除城乡私人企业主的生产性资产220万亿元，并把城乡住房资产从198万亿元降到120万亿元，2011年中国城乡居民家庭资产净值的合理估计就应该是149万亿元，折合23万亿美元，相当于2010年美国居民家庭资产净值的40％，与2011年中美GDP的1∶2比例基本相当。

从户均角度看，全国4亿家庭户均37万元。其中1.5亿户城市户籍居民户均净资产58万元（金融净资产11万元，住房净资产47万元），2.4亿户农村户籍居民户均23万元（金融净资产3万元，住房净资产20万元）。考虑美国比中国多发达很多年，居民有更丰富手段积累资产，美国居民收入占GDP分配份额更比中国高，这个估计更加合理一些。

所以且慢唱高调，自认为中国人已经比美国人富有，这种虚假的幻觉可能导致错误的经济决策，从而不利于中国经济的未来发展，也不利于家庭作出合理的经济安排。

家庭金融调查篇(5)

关键词：家庭金融资产；金融资产选择；结构方程模型

文章编号：1003-4625(2010)03-0077-07

中图分类号：F830.6 文献标识码：A

一、引言

在2006年美国金融年会上，Campbell首次提出将家庭金融(Household Finance)作为与资产定价、公司金融等传统的金融研究方向并列的一个新研究方向，目前关于家庭金融的研究已成为金融学研究中的一个重要前沿领域。随着居民收入水平的不断提高，家庭金融资产在整个金融资产中的比重越来越大，在宏观经济运行中发挥着重要作用。在经济复苏的背景下，为实现“稳增长、扩内需”的宏观经济目标，鼓励家庭进行合理的金融资产投资，引导家庭金融资产流向，对于新的经济增长点的形成发挥着重要的作用。因此，研究我国家庭金融资产选择行为具有重要的理论和现实意义。

二、相关理论及文献的述评

(一)国外研究的现状

1.金融资产选择理论(The Theory of Portfolio Selection)

最早关于金融资产选择的理论可以追溯到Markowiz(1952)的均值一方差模型，提供了一种资产选择方法，即在进行投资决策时总是追求风险与收益的最佳配比；Branson(1975，1977)对金融资产选择理论进行了系统的论述，认为预期收益率、风险的大小和流动性的强弱是经济主体选择资产的主要依据。由于金融资产的预期收益率的高低和风险的大小不断变化，这些变化就会引起经济主体对各种金融资产偏好的变化，从而促使经济主体对持有资产的构成进行调整。

2.生命周期理论(The Theory of Life Cycle)

Modigliani(1954)的生命周期假说认为家庭在进行金融资产选择的时候，不仅考虑到当期状况，还要考虑到未来终生状况。目标是通过配置行为实现整个生命周期内的效用现值的最大化。随着年龄的变化，家庭面临的责任和义务以及未来收入都会发生变化，因此理性人会根据实际情况建立适合自己需要的投资组合。

3.家庭金融市场参与理论的进一步扩展

早期有关家庭金融市场参与多是将关注点集中在风险因素上，模型多是在完全市场假设条件下的，与现实中的家庭资产组合存在较大的差异。进一步研究认为，家庭资产选择行为不仅受到风险因素影响，而且还同时受到诸如工资、人口统计特征等因素的共同作用，相关研究的发展是在原有模型中加入新的因素以提高其解释能力。

(1)引入工资机制，考虑财富效应。工资作为家庭收入的一个重要来源，是家庭财富的重要组成部分，对家庭资产的配置会产生财富效应。Heaton and Lucas(2000a)研究表明工资收入与股票收益之间高度相关，具有高背景风险(自有房屋、工资收入等)的家庭对风险资产的投资很少，他们很少持有股票，很多就是不投资。Guiso等(1996)使用意大利的数据发现较高的工资收入风险与较低的风险资产持有相关。但Hoehguertel(2001)、Alessie等(2002)研究发现工资收入风险和风险资产持有的关系非常微弱。Guiso and Jappelli(2001)运用意大利的家庭资产调查数据研究发现，家庭资产组合主要取决于财富，金融资产占总资产的比重随着财富的增加而减少，富裕家庭倾向于更大比率的投资风险资产。

(2)考虑人口统计特征因素。Barber and Odean(2001)研究发现股市参与度与年龄呈现弱的负相关，与收入、教育呈现强的正相关关系。Guiso等(2002)实证发现教育哑变量在股市参与回归中表现出很强的统计显著，说明股市存在信息成本，因为受过高等教育的投资者面对信息障碍的机会较少。I-waisako(2003)对日本家庭股票参与决策与持股比例进行了计量分析，发现影响股市参与的因素有年龄、收入、财富、教育程度。Campbell(2006)认为教育程度、收入水平和财富规模对家庭参与公共证券投资具有较强的正效应，但对于家庭参与私人商业证券投资的影响比较复杂。Agnew(2003)、Shum and Faig(2006)认为性别、婚姻状况、年龄、受教育程度、背景风险等人口统计特征都会影响家庭金融资产的配置。

4.“有限参与”之谜

在理性人假设前提下，根据现代资产组合理论，家庭会根据风险差异对金融资产进行配置，并且投资于哪一类资产只存在于投资者风险偏好的差异上。为了实现个人收益最大化的目标，Sharpe(1964)等认为只要个人不是拥有一份与股票市场回报正相关的其他资产，每个人都应该持有一定数量的股票。但是现实情况是即便是股票市场比较发达的美国，也有一半的家庭并不持有股票(Bertaut and Start-McCluer，2002；Vissing-Jorgensen，1999)，这就是家庭金融市场参与的“有限参与”之谜。对于“有限参与”之谜的分析，现有研究主要是从交易成本、投资偏好、投资情绪、排挤效应等方面给出相关的解释。

(1)交易成本因素。在不完全市场的条件下，投资者买卖股票、借贷资金等资产选择行为会受到相关的限制，这使得交易成本因素被考虑到模型中.，以提高其解释能力。Cocco等(2005)分析发现持有风险资本是有参与成本的，这包括风险资产交易时对资金有一个最低门槛的要求，交易的固定成本，对风险投资品的熟悉、评估所需要花费的时间、精力和心理上的投入等。Deaton(1991)研究认为在投资者借贷受到限制的条件下，为了规避未来收入的波动，投资者更倾向于持有储蓄、债券等无风险资产使其免受收入波动风险的影响。Vissing-Jorgensen(1999)使用美国PSID数据估计了股票市场的进入成本和参与成本，发现固定交易成本对家庭参与股市的决策有重要影响。

(2)家庭投资偏好因素。家庭的投资偏好具有很大的异质性(Heterogeneity)，不同家庭的风险规避要求也会随着财富的变化而变化。Gusio and Paiella(2005)通过实证发现投资于风险资产的比例随着风险厌恶程度的增加而减少，并且风险厌恶人群投资风险资产的比例要低于风险偏好的人群。Kelly(1995)分析发现一般家庭直接持有的股票数量有限，多数是通过共同基金和退休金等方式间接持有股

票，这种非直接持有的资产更倾向于多元化，可以有效地降低家庭资产组合的风险。Campell and Cochrance(1999)的习惯形成模型(Habit Formation)以及Chetty and Szeidl(2005)提出的消费约定模型(Consumption Commitment)分析认为，风险的厌恶偏好会随着财富水平的短期变化而波动。Gomes and Miehaelides(2002)通过将偏好异质性引入模型，发现较能容忍风险的家庭没有积累起资产，所以不投资于股票。相反风险厌恶的家庭积累了资产，能够支付投资股票的固定成本，股票投资的参与度却不高，而一旦投资者参与股市，他们就会有将全部资金投资于股市的倾向。

(3)投资者行为因素。行为金融学的发展，有关投资者有限理性、投资者情绪、信任度、预期等行为因素被应用到家庭资产选择行为的研究中并取得了一定的研究成果。Hong,Kubik and Stein(2004)考虑了社会互动，发现那些与其共同社区的家庭很少交流的家庭不愿意自己持有股票，家庭会受身边所交往朋友和其他群体的影响，做出类似的资产选择。Guiso,Sapienza and Zingales(2004)用信任来解释家庭的股票投资行为，发现对外界社会、金融机构等信任度高的家庭更情愿投资风险资产。Purl and Robinson(2005)研究发现各个家庭之间的金融交易行为及其绩效表现出很大的异质性，对未来持有乐观预期(包括对自己平均寿命的乐观预期)的家庭其资产组合中投资于股票的比重较高。

(4)房产的排挤效应。住房对于家庭来说是一项重要的家庭财产，它虽不是家庭金融资产的组成部分，但是它对金融资产的配置产生着重要的影响，尤其是对于中产阶级的年轻家庭。Cocco(2004)研究了包含房产的家庭资产选择决策，发现房产排挤了投资者持有股票，这种排挤效应在年轻的投资者身上表现的尤为明显，房产几乎接近其总的金融财富。Yao and Zhang(2005)使用PSID数据估计了美国家庭股票投资与家庭房产变量之间的关系，发现在收入和净值一定的情况下，较高的房产价值减少了家庭参与股票市场和股票投资的概率。

(二)国内研究的进展及述评

王家庭(2000)系统地论述了家庭金融理论和行为，并深入剖析了家庭金融的本质特征和内在机制，认为家庭金融资产选择是家庭金融的重要部分。尽管国外针对家庭金融资产选择的研究成果已取得重要进展，但从国内情况来看，相关研究才刚刚起步，随着金融资产多元化的变化趋势在我国逐渐加快，居民部门金融资产结构单一的格局也正在改变(樊伟斌，2000)，家庭金融也正逐渐受到国内众多研究学者的关注。为了研究居民家庭金融资产结构的特征，李建军，田光宁(2001)、袁志刚，冯俊(2005)、骆祚炎(2007)等试图借助统计年鉴的宏观数据通过一定的统计方法推算我国家庭金融资产总量及各组成部分的量，并以此分析家庭金融资产的配置特点，但由于不同研究数据来源、估算方法的不一致，使得估算所得数据与现实的巨大差异，宏观推算数据的弊端日益显露出来，所得结论也不断受到挑战。目前已有学者开始使用微观数据对家庭的投资行为进行尝试研究，史代敏、宋艳(2005)较早注意到微观数据的重要性，利用2002年的调查数据展开了相关研究，但他们并未注意到不同家庭金融资产选择的行为差异。于蓉(2006)利用北京奥尔多投资咨询中心的“投资者行为调查”数据分析了消费者预期、信任度、社会互动、投资者情绪等对家庭参与股票市场的影响，但是现代家庭参与金融市场的方式已远远超出了传统的储蓄和股票投资，变得日益多样和复杂，因此其研究需要进一步的扩展和深入。邹红、喻开志(2009)通过问卷调查数据用统计描述的方法研究家庭金融市场参与的特征，统计分析的最大不足是没有控制住其他变量的影响。王宇、周丽(2009)通过问卷数据分析了农村家庭参与金融市场的影响因素，但中国农村金融市场相对落后，金融抑制普遍存在，多样化的金融工具缺失，加上农村居民对不同金融工具的认识程度有限，除储蓄存款外，其他金融产品的参与度非常有限。卢家昌、顾金宏(2009)通过因子分析和logistics回归等方法分析了家庭结构状况、经济状况、投资者行为等因素对城镇家庭在货币类产品、证券类产品和保障类产品投资方面的影响，但因子分析是对各影响因素进行统计意义上的归类，只能做到对因子的测量无法体现出因子之间影响结构。Logistic分析仅得出了相关因素是否对家庭金融资产选择产生影响，对于详细的金融资产投资比例的分配需要进一步分析。在实际投资过程中不同金融资产选择行为之间的相互影响无法体现，相关问题的研究有待进一步的深入。本文在总结已有研究结论的基础上，利用问卷收集的数据，采用结构方程模型分析城镇家庭金融资产的选择情况，试图进一步发展和完善已有研究成果。

三、研究设计

(一)问卷设计与回收分析

研究中所涉及的各变量数据是通过在江苏南京的专门问卷调查收集的。调查在设计时参考了“北京奥尔多投资咨询中心的投资者行为调查”、李心丹“个体投资者问卷调查”等已使用的成熟量表，以及江苏省统计公报、于蓉(2006)、王冀宁、李心丹(2003)等的研究结论。问卷共分三个部分，第一部分是对家庭结构的调查，主要收集家庭投资决策者的人口统计特征等基本信息，第二部分是关于家庭金融资产配置状况的调查，第三部分是关于家庭经济状况以及投资者行为的调查。为了有效发现实际调查中随意填写等情况，问卷中还专门加入了“验证题”和“测谎题”来帮助剔除无效问卷。

为了保证测量量表的有效性，我们先将其与相关领域的多位研究人员讨论并修改，在正式调查之前还进行了访谈式的试调查，经过多次修改确定最终问卷后才展开全面的调查。调查采用随机抽样方法，样本主要集中在人口比较集中的证券公司、银行、保险公司及商贸区，时间是从2008年12月至2009年1月，2009年2月至2009年3月完成数据的清洗和编码录入。清洗工作主要是删除异常值并利用问卷中的“验证题”和“测谎题”来剔除明显乱填的无效问卷。对部分问卷中缺失值处理方式是：第二部分缺失的直接归为无效问卷，其他部分缺失涉及研究变量在5项以内的用众数填充法补充，超过5项的归为无效问卷。最后经汇总统计，共发放问卷520份，回收334份，回收率64.2％，共获取有效样本290个，回收有效率为86.8％。有效样本的基本特征如表1所示。

从表1的样本特征可以看出，样本中家庭投资决策者多为男性，并且主要年龄介于31-40岁之间。受教育程度大多在大专以上，从图1和图2可以看出被调查的家庭多是三口之家，有35.17％的家庭月

收入在3000元-5000元之间。总体来说，样本的特征符合抽样目标群体的分布特征，样本的抽样结果基本服从正态分布，抽样结构是合理的。

问卷中每个观察值对应一个家庭。对家庭的理解遵循于蓉(2006)的定义，认为家庭是指包括一个经济上独立的个人或者夫妻以及经济上依赖于个人或夫妻的其他成员。并且假定被调查者对整个家庭的投资状况是了解的，对家庭投资决策者的基本特征是熟悉的。假定未婚的个人投资者是家庭人口为1的特殊家庭投资决策者，忽略其中的个人与家庭的差异性，认为其个人的金融资产选择行为与家庭的金融资产选择行为具有一致性。

选用克朗巴哈(Cronbach)仅系数测量条款的内部一致性来评价数据的可信度。由于Cronbaeh α系数，主要适用于观点、态度等问卷式的信度分析，一般认为信度系数不能低于0.5，如果信度系数达到0.8，说明调查结果是非常可靠的。本文主要使用信度系数来测度问卷中投资决策者的信任度、投资者预期等调查结果的可靠性，通过SPSS17.0分析得出Cronbachcα信度系数为0.634，说明问卷具有较高的信度，变量的测量结果是可信的，能够满足后续研究的需要。

(二)变量与模型的选择

结构方程模型(structural Equation Model，SEM)是用来检测观测变量和潜变量、潜变量与潜变量之间关系的一种多元统计分析方法。由路径分析、联立方程和潜变量模型三个独立统计方法有机交汇而成，在行为学科、经济学等领域有广泛的应用。SEM是一个方程体系，其分析方法主要包括两个部分：测量模型(Measurement Model)和结构模型(Structural Model)，前者用于衡量潜变量与观测变量之间的关系，后者用于衡量内生潜变量和外生潜变量之间的结构关系。之所以考虑采用结构方程的主要原因有：1.研究中涉及的家庭结构、经济状况、行为特征等如将他们作为影响变量是不能准确直接测量的，只能通过观测变量来间接测量。当考虑到货币类投资、证券类投资和保障类投资时，因变量的个数又不止一个，此时传统方法就不能妥善处理好这些不可直接观测的潜变量之间的复杂关系，而结构方程模型能同时处理潜变量和观测变量以及潜变量之间的相互关系，将多个因变量纳入到一个系统中，更贴近现实。2.在分析家庭金融资产选择行为时，由于涉及多个潜变量，这就存在一些主观或客观的测量误差，传统的统计模型中不允许这些误差的存在，而结构方程模型可以将这些误差纳入模型，能够加强模型对实际问题的解释性。3.在结构方程模型中可以同时处理因素的测量和因素之间的结构，允许更具弹性的模型设定，包含的信息更丰富。在探索性因子分析的基础上，最终确定结构方程模型中的潜变量和观测变量如表2所示。

表中遵循探索性因子分析的结论将性别(Gender)作为行为特征的观测变量，表明性别与风险偏好等投资者行为之间具有很强的相关性，这在Agnew(2003)、Shum and Faig(2006)等文献中已得到了证明。

由于潜变量保障类投资由唯一的观测变量In-surance来测量，按照结构方程模型简约的原则，在实际拟合过程中，用观测变量Insurance来直接替代潜变量，这样可以减少待估参数个数，增强模型的拟合效果。最终确定的结构方程模型见图3所示。

(三)实证检验

1.模型的识别

在结构方程模型的运算中，首先要判断模型的整体的识别性，要求

t0

其中，p为外生观测变量的个数，q为内生观测变量的个数，t为待估参数的个数，df为自由度。在这个模型中，p+q=16，t=46，dr=90，符合整体性识别的要求，因此该模型是可以识别的。

2.模型的拟合分析

在模型拟合时，采用最大似然法(Maximun Likelihood，ML)进行参数估计，模型的拟合效果如表3所示。

从模型拟合的各项指标来看，无论是绝对拟合指数还是相对拟合指数均在合理的范围内，模型的拟合效果比较理想，这使得模型的估计值是可以接受的。

3.结构模型和测量模型的参数估计

通过模型的识别、模型的拟合分析可以发现模型比较好地揭示了城镇居民家庭金融市场参与行为的各影响因素间的关系及强度。在参数估计部分将根据家庭金融资产选择行为的结构方程模型参数估计结果进行相关的分析和论证(见表4、表5)。

从显著性角度分析，在5％的显著水平下，无论是家庭结构、经济特征，还是行为特征、状态感知都对家庭的货币类投资选择产生影响，证券类投资选择主要受到家庭结构、经济特征和行为特征的影响，而保障类投资主要受家庭结构和状态感知变量的影响。这一研究验证了卢家昌、顾金宏(2009)的研究结论，同时也丰富了其研究成果。当考虑到家庭不同投资产品的投资比例变化时，经济特征变量对保障类投资的影响变得微弱，结果表明家庭对保障类产品的投资比例是有限度的，尽管家庭的经济收入可以不断的趋好，但是保障类投资不可能随着经济收入的变化一直增加下去。

从影响大小来看，无论货币类产品投资还是证券类产品投资，行为特征在四个潜变量中影响最为大，这表明当家庭同时面临货币类产品和证券类产品等多种投资选择时，最终的投资结果受家庭投资决策者的行为特征影响最大。保障类投资主要是受家庭结构的影响，表明目前家庭投资对保障类投资关注的较低，在这方面的投资更多的是考虑到家庭结构因素。这一研究结论从微观角度证实了家庭保险投资的研究结论，正如魏华林、杨霞(2007)指出的那样，保险产品重复供给等因素导致中国家庭不愿买、买不到其想要买的产品，这启示目前保险公司在设计相关保险产品时应将更多的关注点放在满足家庭结构特征的需求上。

从表5可以看出，在5％的显著水平下，除了性别(Gender)和投资者预期(Expectation)外，模型的其他观测变量与对应的潜变量之间都达到了显著水平。在假定Risk attitude对行为特征的回归权重为1时，观测变量Gender没有通过显著性检验，这说明在家庭进行投资决策时，男性和女性的差异不大，性别的差异不足以对资产选择行为产生大的影响，这与Shum and Faig(2006)等得出了不同的结论。在假定Sentiment对行为特征的回归权重为1时，状态感知变量的观测变量Expectation没有通过显著性检验，这表明目前城镇居民在进行金融投资时，更多的受自身情绪影响，对整个宏观经济形势等基本面的重视也还没有达到理想的水平，投资中短视行为明显，缺乏从长期理性角度把握投资机会的意识。

4.家庭金融市场参与行为中的“效应”分析

考虑到非标准化系数依赖有关变量测量单位的不足，在比较不同路径系数时无法直接使用。而采用标准化系数，可以比较不同系数的作用程度，所以此部分主要利用结构方程模型的标准化系数来进一步分析家庭金融资产选择过程中的相关“效应”。

“单一化效应”：从三个内生潜变量与对应观测变量的路径系数的大小可以看出，家庭在不同风险的金融资产投资时，选择较单一。就货币类投资来说，主要集中在储蓄存款，债券和理财产品相对较小；证券类投资中，股票是主要的投资选择；保障类投资主要集中在保险的投入；在所有的金融产品的投资选择中，储蓄存款又占绝大多数，家庭的投资选择较为单一。

“替代效应”：一定时期内家庭的金融资产数量是有限的，为了追求效益的最大化，使得家庭在不同金融资产选择时存在此消彼长的替代关系。对于货币类投资，从回归系数的正负可以看出，在储蓄存款与债券投资、银行理财产品投资上存在替代效应，在投入金额一定的条件下，存在此消彼长的关系。

“联动效应”：注意到状态感知变量在货币类投资和证券类投资中的不同作用方向，通过状态感知变量的不同影响，可以对货币市场和资本市场的“联动效用”给出一个微观解释。家庭投资者对宏观经济预期乐观时就会增加对证券类产品的投资，而对宏观经济预期持悲观态度时，就会收缩风险资产的投资，更倾向于投资储蓄存款等风险较少而收益固定的金融产品。家庭状态感知的反应会引起家庭金融市场参与结构的变化，从而实现货币市场与资本市场之间的“连通”和“联动”，这也可对“储蓄搬家”、“储蓄回流”等现象给出微观上的解释和验证。

“财富效应”：在家庭的金融资产选择中，货币类投资和证券类投资的“财富效应”显著，财富的增加既增加了投资两类产品的概率，也增加了投资的深度，但保障类投资的“财富效应”微弱，经济状况的改变仅是增加了投资概率，对参与深度影响不明显。

四、政策建议

本文基于问卷调查的数据，运用结构方程模型，对影响家庭金融资产选择行为的因素之间的逻辑关系和内在机制进行了实证检验，基于以上结论，提出如下政策建议：

第一，经济状况对于家庭的金融市场参与行为影响显著，货币类投资、证券类投资的“财富效应”显著。因此要提高我国金融市场的参与程度，活跃金融市场，从微观角度考虑就是要提高家庭的财富水平，不断提高居民收入，推动其参与金融市场的积极性。

家庭金融调查篇(6)

【关键词】风险型金融资产 金融资产选择 Probit模型

一、引言

随着金融市场发展，居民投资理财意识不断增强，越来越多的家庭开始通过股票、基金、理财等金融工具实现财富的保值增值。居民金融资产总量增速早已远高于国民生产总值和居民可支配收入的增速，并在居民生活和宏观经济运行

中发挥着重要作用。微观来看，研究居民家庭金融资产选择问题，能够引导居民家庭合理规划金融资产投资，为金融产品创新提供重要依据；宏观来看，通过分析家庭的金融资产选择特点，了解家庭参与金融市场的程度以及相关传导机制，对于优化我国家庭金融资产结构、推动我国金融市场改革、调整经济结构具有重要的指导意义。

与过去研究相比本文具有如下特点：1）从研究层面来看，以家庭微观调查数据为基础，克服了以往研究由于微观数据缺乏而导致研究只停留于宏观层面的不足；2）在指标选取方面，将房产加入组合选择模型，考虑了房产消费对居民家庭金融资产持有行为的影响；3）从评估方法来看，采用定性分析与定量评价相结合的分析方法，对变量的刻画更加精细，评价结果更加准确。

二、文献综述

（一）家庭金融资产选择行为影响因素研究

Heaton（2001）[1]研究发现股市参与度与年龄呈现弱的负相关关系，与收入、教育呈现强的正相关关系。Guiso，Sapienza and Zingales（2004）[1]发现对外界社会、金融机构等信任度高的家庭更情愿投资风险资产。Puri and Robinson（2005）研究发现对未来持有乐观预期的家庭更多地投资于风险较大的股票。Guven（2013）[2]认为房产的投资与消费的双重性质使家庭金融投资呈现随生命周期变化的特点，对房产的过度投资会减少对风险性金融资产的需求。于蓉（2006）考虑到消费者预期、信任度、社会互动、投资者情绪等行为特征对股票市场投资的影响。雷晓燕，周月刚（2010）[3]研究发现，健康状况变差会使其减少风险型金融资产的持有，并将资产向安全性较高的生产性资产和房产转移。王刚贞，左腾飞（2015）[4]认为投资者的风险偏好与投资经验、文化水平、性格特征、财富水平正相关与年龄负相关性。

（二）家庭金融资产选择行为分析方法的研究

国外研究方面，Markowiz（1952）提出均值――方差模型，提供了一种寻求风险与收益的最佳配比的金融资产选择方法。Angerer（2010）通过构建资产定价模型，把住房的双重属性都考虑在内，讨论住房――消费这一资产定价模型对预期股票的回报率产生的影响。史代敏和宋艳（2005）运用四川省2002年城镇居民家庭资产调查数据，采用Tobit模型对居民家庭金融资产选择进行实证研究。卢家昌，顾金宏（2010）[5]构建出家庭金融资产投资决策的结构方程模型，对影响家庭金融资产选择的各个变量之间的逻辑关系和内在机制进行了实证研究。窦婷婷（2013）运用因子分析法结合Logistic回归模型分析了家庭选择证券类、保险类货币类、这三类金融投资品种的影响因素及其作用程度。张兵等（2015）利用Heckman两阶段模型分析了宏观经济情况和地区特征对我国家庭证券类金融资产选择行为的影响。

通过对过去学者在家庭金融资产选择行为研究的分析可知，其不足之处有如下三点：1）在研究视角方面，数据来源多为宏观统计数据，研究主要停留在宏观层面，对于家庭微观层面的研究存在较大的不足；2）在研究方法方面，较多的是采用描述性统计分析，评价结果较为粗糙，对变量间关系刻画不够精确；3）在指标的选取方面，较少有考虑到房产投资对居民风险型金融资产选择行为的影响。

三、数据来源与样本统计性描述

（一）数据来源

本文数据来源于中国人民银行赣州市中心支行组织的“2016年赣州市城镇居民金融资产负债基本情况调查”。合计发放问卷1076份，剔除无效问卷后筛选出有效问卷1043份。

（二）问卷设计

由于城镇居民的金融资产存量和金融投资活动要明显多于农村居民，本次问卷调点选择城镇居民。在调查问卷中，主要设计了家庭成员、年龄、受教育程度、职业、收入水平、房产持有数。

（三）描述性统计

在1043张有效问卷中，持有风险性金融资产的家庭有238户，占比为22.82%。家庭常住人口均值在3.93，从人口结构上看，主要集中在3人～4人之间。决策者年龄均值为2.91，主要分布于31～40岁及41～50岁两个年龄层次。决策者文化水平度均值为4.55，从分布结构上看，学历按由高到低排布呈现正态分布态势。家庭月收入水平均值为4.01，介于5001～10000及10001～20000元两选项占比合计达到68.64%。家庭持有住房套数主要以1套为主，占比为77.18%，无住房及持有3、4套住房均属于少数占比。具体统计情况见表2。

四、实证分析

（一）变量的选取及度量

外部金融环境会决定家庭金融资产的选择范围和配置比例，但即使投资决策者面对同样的外部环境，不同的投资决策者依然会根据自身状况做出不同的投资决策，为了进一步探讨影响居民家庭金融资产选择的微观因素，在借鉴Rosen（2004）[2]、Guiso（2004）[4]、Clark（2012）[6]、于蓉（2006）[8]、李涛（2006）[9]、雷晓燕（2010）[11]、段军山（2016）[13]等学者的研究的基础上，结合实际调查数据，选取决策者年龄（age）、决策者文化水平（doe）、决策者职业（pro）、家庭收入状况（fme）、家庭人员数（fp）、持有房产套数（hn）六个因素对赣州市居民家庭金融资产选择影响因素进行分析。相关变量的度量方法见表1。

（二）居民金融资产选择行Probit模型的构建

研究居民金融资产持有问题，即“持有”和“不持有”风险型金融资产的二元决策问题，故可通过构建Probit模型对该问题进行分析。居民金融资产选择行Probit模型具体表达形式如下：

式（5）中，εi为随机扰动项，服从N（0，1）的标准正态分布。因此，居民家庭金融资产选择行为影响因素的Probit模型可建立为：

式（6）中，prob（Y=1/Xi）是居民“持有金融资产”（即Y=1）的概率。x1，x2，x3…xn为解释变量。α0为常数项，β1，β2，β3…βn为对应自变量的Probit回归系数，εi为随机扰动项，服从N（0，1）分布。根据前文的分析，选择了家庭人员数、年龄、文化水平、决策者职业、家庭收入状况、房产持有数6个解释变量研究赣州居民金融资产持有行为并构建出probit回归模型，各变量的具体说明见表1。

（三）Probit回归结果

以2016年4月在赣州市对居民进行网络问卷调查所获得的1043份有效问卷为数据来源，采用Stata11.0软件的probit运算工具对六个变量进行Probit回归分析（回归结果略），从全变量模型的回归结果来看，决策者年龄（age）、决策者职业（Pro）家庭人员数（fp）三项解释变量的P值分别为0.254，0.055，0.175，无法通过变量的显著性检验，为进一步提高模型和变量的显著性水平，故采用逐步回归法对6个解释变量分别进行回归分析，以确定模型最终的解释变量个数，最终Probit模型回归结果见表3所示。

五、结论

（1）在六个设定的主要模型影响因素中，决策者年龄、家庭人口数两个变量在回归模型中不显著，予以剔除，决策者文化水平、决策者职业、家庭收入状况、房产持有数四个变量回归效果较为显著，是居民家庭风险型金融资产持有行为的主要影响因素。

（2）在决策者文化水平方面，变量Z统计值达到-5.11，显著性检验通过且系数为负（注：文化水平越高，评分越低），即户主受教育水平越高，居民持有风险型金融资产需求的可能性就越大。可能的解释是文化水平高的户主其个人素质和能力均较高，具备较强的接受新事物、风险辨识和学习新技术的能力，能帮助他们在控制风险的基础上获取收益，故而有较强的风险型金融资产持有需求。

（3）在决策者职业方面，指标的Z统计值为-2.01，模型的显著性检验通过，其系数为负（注：职业稳定性越高，评分越低）。说明职业越稳定的决策者，其持有风险型金融资产需求的可能性越大。究其原因，职业稳定性越高的职业收入的稳定性越高，对金融资产的抗风险能力更强，因此对风险型金融资产的持有概率更高。

（4）在家庭收入水平方面，指标Z统计值为2.91，模型显著性检验通过，指标系数为正，说明随着家庭收入的增加，居民的风险型金融资产的持有需求呈现上升的趋势。原因很大程度是由于随着收入水平的增加，家庭可支配收入更多，居民对于风险投资的需求逐步上升所导致。

（5）在房产持有量方面，指标的Z统计值为4.02，模型的显著性检验通过，且其系数为正，说明家庭房产持有行为对家庭风险性金融资产投资存在正相关性，即房产投资并没有对家庭的风险性金融资产投资产生“挤出效应”。可能的解释有两点：首先，居民在持有房产后，购房压力降低，家庭可支配收入增加，促进了金融投资行为；其次，持有房产越多，居民家庭财富积累越大，家庭金融资产投资活动的抗风险能力提高，使该类家庭风险资产金融资产投资需求增加。

参考文献

[1]Guiso，L.，P.Sapienza & L.Zingales.the Role of Social Capital in Financial Development[J].American Economic Review，2004（94）：526-556.

[2]Guven C..Reversing the Question：Does Happiness Affect Consumption and Savings Behavior[J].Journal of Economics is Psychology，2012，33 （4）：29-36.

[3]雷晓燕，周月刚.中国家庭的资产组合选择：健康状况与风险偏好[J].金融研究，2010，（1）：31-45.

[4]王刚贞，左腾飞.城镇居民家庭金融资产选择行为的实证分析[J].统计与决策，2015，（12）：151-154.

家庭金融调查篇(7)

关键词：家庭金融　资产投资组合

经过30多年的改革开放，我国城乡居民家庭经济行为的市场化程度不断提高，家庭需求已从一般商品和劳务需求发展到更高层次的金融产品与服务的需求，金融消费的多样化和复杂化趋势日益凸显。随着家庭金融资产总量增加和种类的不断丰富，居民对家庭金融资产选择行为开始发生变化，家庭金融资产管理的内涵不断得到丰富，家庭金融理论研究也成为国内外金融学者研究的前沿领域之一。

一、理论背景与研究综述

一般认为，居民金融资产管理的研究是以家庭资产组合选择理论为基础的。现代金融理论中，关于投资者组合选择的理论经历了从静态到动态决策的发展过程。静态分析框架的基础是冯，纽曼和摩根斯坦(Von Neumannn&Morgenstern。1944)在不确定条件下的标准化决策公理。该公理表明，投资者关于最终消费的效用函数是凹的(concave utility function)，家庭将选择投资组合使得其最终消费的预期效用达到最大化。而效用函数的某种凹性度量，可以反映投资者的风险厌恶程度，递增的绝对风险厌恶会降低对风险资产的需求；而当家庭财富增加时，递减的绝对风险厌恶将会提高对风险资产的需求。在上个世纪60年代，经济学家将时间引入组合策略中，Mossin(1968)，Merton(1969)等人的研究表明，在常数相对风险(CRRA)效用函数的假定下，静态最优组合选择也是动态最优选择。如果效用函数不是CRRA的，则意味着家庭可以选择时变金融资产组合结构，家庭投资者可以平滑一生的消费，达到分散生命周期中的风险目的。还有另外的两个重要因素影响家庭金融资产组合：一个是流动性限制，另一个是家庭可能面临着不可保险的风险，如影响其人力资本的风险。当出现这两种情况时，家庭会减少风险资产投资。

二、家庭金融资产管理的国际比较

(一)欧美发达国家家庭金融资产管理现状

欧美发达国家的金融市场相对完善，家庭的金融资产组合选择值得借鉴。随着欧美各国关于资产组合微观数据库的建立，对家庭金融资产选择的实证研究逐渐增加。以John Heaton(2000)和Guiso，Haliassos&Jappelli(2003)为代表，欧美发达国家家庭金融资产管理情况主要表现在以下几个方面：

首先，欧美发达国家的家庭中，参与风险资产投资的比例并不高，平均的风险金融资产在家庭总资产中占的份额很低。不同国家的家庭参与风险金融资产投资的比例也有较大差异。风险投资比例最高的美国、瑞典家庭中，参与股票市场的投资比例大约为50％，英国的比例是1／3，而荷兰、德国、法国和意大利等国家庭参与股票市场的比例在15％～25％之间。美国中产阶层家庭中，平均风险金融资产只占家庭总资产的5％，其他国家的相应比例还要低一点。

其次，家庭金融资产投资存在明显的财富效应、教育效应以及一定程度的年龄效应。金融市场的参与成本将低收入家庭阻挡在风险投资门外，只有家庭收入达到一定水平，参与风险金融资产投资才有利可图。收入越高，家庭参与风险金融资产投资的比例越大。在欧美家庭中，低收入家庭只持有很少的金融资产，几乎不考虑风险金融资产的投资。收入超过平均水平以上的家庭占有总风险投资价值的绝大多数，尤其是位于前20％的高收入家庭，持有很大比例的金融资产。家庭成员受教育的程度对是否参与股市投资的家庭也有重要影响。美国家庭中，那些成员最高学历都不够高中程度的家庭只有非常低的比例涉足股市，而成员受过高等教育的家庭有近半数参与股市投资。年龄构成对家庭参与股票市场也有显著影响，但这种影响在不同国家有所差异。

再次，虽然不同国家的家庭资产配置有较大差异，但有一点很相似，不少家庭金融资产配置不够分散，尤其是一些高收入家庭。主要有以下几种具体表现：1、将家庭财富投资于极少数品种的风险资产上；2、投资局限于相对较小的市场范围，比如国内资产甚至更小范围的区域性资产，很少拥有国际化金融产品；3、一些家庭财富中，很大比例投资于家庭成员受雇的企业股票，虽然部分归因于公司的各种政策(如薪酬激励、养老保险政策)，但有的家庭则是基于历史业绩和股票在市场上的表现，而过多持有所在公司的股票。

(二)我国居民家庭金融资产管理现状

首先，我国目前还没有关于居民家庭金融资产方面的统计指标，只是在某些年份，一些地区做了局部调查。笔者将这些调查结果加以整理，概括出我国家庭的金融资产管理现状。

首先，自改革开放以来，我国家庭的金融资产数量快速增加，同时，家庭之间的金融资产数量差距也越来越大。国家统计局的数据表明，1996年最高收入的20％家庭金融资产占有全部家庭总金融资产的48％，而最低收入的20％家庭只占有总金融资产的4％，两者相比为12:1；而2002年的相应比例分别是66.4％、1.3％和51:1(赵人伟，2003)。1999年的调查数据表明：8.6％的最富裕家庭拥有总家庭金融资产中的60.4％，其中1.3％的最富裕家庭占有31.43％；而43.73％的最贫穷家庭只占有总金融资产的2.99％，贫富差距相当悬殊(孙学文，2004)。

其次，我国家庭金融资产配置从一元化发展到多元化，但是结构仍然很不合理。在我国的现代金融体系初步形成之前，家庭金融资产只限于银行存款，随着现代金融市场的建立和发展，家庭的金融资产从现金、银行存款等“安全”金融资产到各种较低风险的债券、保险金以及股票、期货和外汇等“风险性金融资产”，家庭金融资产品种日益多样化，但资产配置仍然很不合理。具体表现在收益很低的“安全”资产占据家庭金融资产中的太大比例。我国家庭的金融资产中，近七成是储蓄存款，其中定期存款占有很大的比例。即使在2006-2007年股市高涨期间，大量家庭金融资产由银行转移到股市时，城市家庭储蓄存款仍然不低于五成。另外，在家庭金融资产增加的同时，还存在有效保险需求不足的矛盾(魏华林，杨霞，2007)。

再次，我国家庭金融资产数量和配置结构都存在明显的区域差异。统计数据表明，不同地区居民金融资产分布极不均衡。截至2008年底，储蓄存款最多的5个省份，分别是广东、江苏、山东、浙江和北京，占全国储蓄存款的40％。其中，广东占全国储蓄的14.2％；储蓄存款最少的5个省份，分别是、青海、宁夏、海南和贵州，储蓄存款只占全国储蓄的2％(资料来源：国家发改委网站)。从家庭金融资产数据来看，黑龙江2007年的抽样调查数据表明(孙丽颖，2008)，

该省城乡居民家庭平均拥有不到2.2万人民币的金融资产，而江苏省江阴市农村家庭2005年的平均金融资产达到5.66万元(符国华，2006)。区域差异不仅表现在家庭金融资产数量上，不同地区居民金融资产结构也不同。2002年广东省居民金融资产中，居民储蓄存款和手持现金占金融资产总额的92.2％，证券投资占5％，其他金融资产占比为2.8％(资料来源：国家发改委网站，下同)；云南省居民储蓄存款和手持现金占比83.6％，证券投资占比16.4％，其它金融资产占比为0.19％；河南省居民居民储蓄存款和手持现金占比81.3％，证券投资占比10.1％，其它金融资产占比为8.6％；辽宁省居民储蓄存款和手持现金比例为88.8％，证券比例7.7％，其他金融资产为3.6％。这些省份的数据大致代表了我国不同区域的家庭金融资产结构情况。

最后，我国家庭风险性金融资产存在明显的财富效应和教育效应。2002年，我国对广东、山东、天津、河北、江苏、甘肃、四川和辽宁8省份的22个城市家庭做了金融资产抽样调查，按照家庭金融财富将城市家庭分为5个层次，从最贫穷的20％家庭到最富裕的20％家庭，拥有全部家庭股票总价值的比例分别是0.4％，3.0％，62％，15.4％，75％。可以看出，随着家庭财富的增加，拥有的风险性金融资产比例显著增多。将家庭按照文化程度分为小学、初中、高中、中专、大专、本科和硕士以上等7个文化层次，户均金融资产分别为48222,51994,56910、64460、106338、160176,220032元，可以看出，家庭金融资产与家庭成员受教育程度存在正相关关系。

三、结论与启示

(一)发挥金融中介的功能，降低投资者参与金融市场的成本

通过欧美各国家庭资产组合的国际比较来看，共同基金和养老基金等金融中介的存在使家庭更多间接地投资于风险性资产，金融中介可运用风险管理功能，辅助一般投资者参与日益复杂的金融市场和更有效的使用创新型金融工具，降低了一般投资者的参与成本。此外，应重视加强金融中介的职业标准和道德规范水平，因为他们的职业信誉会通过影响家庭的信任度而间接影响到参与股票的程度。

(二)建立多层次保险体系和新型福利制度，推进社会保障制度改革

近年来，随着收入分配体制、社会保障制度、住房、医疗、教育体制等方面改革不断深化，居民更多地面临未来收入与支出的不确定性。由于缺乏发达国家通常都有的社会保险和福利体系，使得个人需要更多的储蓄来保障自己的未来。因此，发展家庭金融需要推进社会保障制度改革，建立多层次保险体系和新型福利制度。

(三)增加城乡居民收入，尽快缩短贫富差距

收入是决定家庭金融发展的关键因素。上述研究也表明，家庭的收入(财富)对股票参与决策和投资比例都有显著的正向影响。目前。我国居民家庭财产总量虽然快速增加，但总量相对于发达国家仍然较低。因此，经济稳定发展，居民收入持续增加，家庭财富水平不断提升，家庭金融才能有更健康和坚实的发展基础。