幸福感对家庭风险资产投资的影响

The Effect of Happiness on Household Investment in Risky Assets

摘要: 自改革开放以来，中国经济实现腾飞，居民的生活水平不断提高，但是家庭金融资产配置表现出结构单一、资产配置不平衡的现象，这种现象制约了家庭财富的增加，也降低了金融市场的活力。如何有效调整家庭资产配置方式，让家庭金融资产投资合理化和多元化是目前迫切需要解决的问题。而这也使得以研究个体投资者认知偏差和金融市场异象为主的行为金融学悄然兴起，逐渐成为当今金融研究领域的主流学派之一。在行为金融领域，主观幸福感作为一个重要的主观因素会对家庭投资决策产生影响。于是使用2017年中国家庭金融调查(CHFS)数据探究了主观幸福感对风险资产投资的影响，考虑到可能存在的内生性问题，使用县级年降水量作为工具变量，研究发现幸福感会降低家庭风险资产参与和风险资产投资比例。

Abstract: Since the reform and opening up, China’s economy has taken off and the living standards of its residents have been continuously improved. However, the allocation of household financial assets shows the phenomenon of single structure and unbalanced asset allocation, which restricts the increase of household wealth and reduces the vitality of financial markets. How to adjust household asset allocation effectively and rationalize and diversify household financial asset investment is an urgent problem to be solved at present. As a result, behavioral finance, which mainly studies individual investors’ cognitive biases and financial market anomalies, has emerged quietly and gradually become one of the mainstream schools in the field of financial research. In the field of behavioral finance, subjective well-being as an important subjective factor will have an impact on family in-vestment decisions. Therefore, the 2017 China Household Finance Survey (CHFS) data is used to ex-plore the impact of subjective well-being on risky asset investment. Considering the possible endogenous problems, the annual precipitation at the county level is used as the instrumental variable, and it is found that happiness will reduce the participation of household risky assets.

1. 引言

随着我国经济增长进入“新常态”，未来的经济增长方式将转变为利用生产要素质量和效率的集约式经济发展，这对我国经济结构转型提出了新的要求。广发银行联合西南财经大学发布的《2018中国城市家庭财富健康报告》(以下简称《报告》)中显示，在2011年~2017年之间，我国家庭总资产的年复合增长率达到7.6%，而同期的美国家庭资产增长率仅为3.4%。同时，我国城市户均资产从2011年的97万元增加到2017年的150.3万元，预计2018年将达到161.7万元。

虽然我国家庭总资产体量很大而且增速也是一直维持较高水平，但是家庭资产配置并不理想，房地产投资严重挤压了金融资产的投资。《报告》中显示房产投资占家庭资产的比重高达77.7%，而家庭投资金融资产的比重仅为11.8%，相比之下，美国家庭资产中房产仅占34.6%，金融资产占比42.6%。同时日本在2017年金融资产占家庭资产配置的比例高达61.1%，新加坡与瑞士也达到50%以上。也就是说与世界的发达国家的风险资产配置比例相比，我国居民风险资产配置比例太过于低，并不能很好的满足资产增值的预期。不仅如此，在家庭金融资产分配上，中国的家庭在各种金融资产配置上也是不平均，报告显示家庭金融资产中42.9%为银行存款，其次是理财产品，占比13.4%，股票占比8.1%，基金占比3.2%，债券占比仅为0.7%。也就是说我国家庭资产配置呈现出“亚健康”状态，资产配置的不平衡，缺乏投资品类的多样性，并不能很好的满足资产增值的需求。

那么哪些因素导致了中国家庭资产配置与西方国家家庭资产配置的差异呢？哪些因素可以影响家庭资产配置？基于此，主观幸福感是个人对当前生活质量的综合性评估，也是影响家庭资产配置的重要因素。自十八大以来，以习近平同志为核心的党中央不断推进思想建设、组织建设、作风建设、反腐倡廉建设、制度建设，统筹推进党的十八大以来部署的改革举措和改革任务，致力于提高人民的幸福感和安全感。在联合国最新发布的《全球幸福指数报告》中，中国位列世界第85位，较去年上升10位，相比于我国经济体量而言，国民幸福感并没有跟上经济发展的步伐。在国家致力于提升人民幸福感的背后有着更深层次的原因，最近几年我国致力于降低金融杠杆，这其中就包括在控制居民融资融券余额和消灭场外配资这两个方向的努力，而幸福感对风险资产的影响是更深层次的，探究两者的关系显得尤为重要。于是通过中国家庭金融调查(CHFS)中关于主观幸福感的问题设计：“总的来说，您现在觉得幸福吗？”来研究幸福感对居民投资决策的影响，同时由于幸福感与居民投资决策之间可能有双向因果关系，于是选择县级年度降水量作为工具变量。

总体上而言，家庭资产可以分为金融资产和非金融资产，并且进一步将金融资产分为无风险资产和风险资产，重点研究对象是风险资产。为了解决主观幸福感作为解释变量可能带来的内生性问题，使用县级年降水量作为工具变量，研究发现幸福感会降低家庭风险资产参与，同时越幸福的家庭其风险资产在金融资产中的比例都会更低。

2. 文献综述与理论假设

家庭是幸福生活的一种存在，随着国内外各种家庭数据的完善，家庭金融已经成为现代金融学的重要分支(张海洋，2017) [1] 。家庭资产配置决策、利用投资组合进行风险分散、住房抵押贷款的选择以及金融产品零售端的创新等都是家庭金融的重要研究范畴。家庭资产之间有相互替代的效用。吴卫星等人(2014) [2] 研究发现房产投资会对风险资产投资有挤出效应，而且这种影响并非线性的。何兴强等人(2009) [3] 通过对背景风险的研究发现，劳动收入的不确定性，商业和房产投资、是否购买了商业保险等因素对风险资产都有影响，同时健康状况并不会显著影响风险资产的配置。随着学者们发现金融市场上存在如羊群效应、过度交易、噪声等异象，传统的“理性人”假设已经无法解释这些现象，于是更多的人开始从主观因素的角度来研究家庭资产配置行为 [4] 。人们的金融知识水平(尹志超等，2014) [5] 、工作与生活满意度等(吴卫星等，2019) [6] 都会影响其风险资产配置。

除了上述关于异质性的研究之外，主观因素对家庭投资决策的影响也是相当大的，而这往往是行为金融学的研究范畴。在行为金融学的投资者非理性假设下，人往往会受到各种主观因素的影响从而做出非最有化的选择即行为偏差(李心丹，2005) [7] 。李涛(2007) [8] 使用投资者调查数据对投资者的参与惯性进行了研究，他发现投资者当前和未来期望的投资选择都存在参与惯性，也就是说投资者会倾向于维持过往的投资决策，这种选择是基于延迟决策的行为偏见的结果而并非理性选择的结果。在行为金融的研究范畴下，我们可以得出一个重要结论：主观因素会显著影响投资者的决策行为。

幸福感是一种生活满意度和情绪，会对投资决策产生影响，即主观幸福感会影响家庭的投资决策特别是对风险资产的投资。叶德珠等人(2015) [9] 利用中国家庭金融调查数据研究了幸福感对风险资产配置的影响，类似的还有张海洋等人(2017) [1] 探究了生活满意度对风险资产配置的影响，生活满意度是幸福感的另一种表述方式，他们最后的结论都是一致的，即幸福感(生活满意度)对风险资产参与和风险资产投资比例有显著负向影响。于是提出假设：

H1：幸福感对风险资产投资有负向的影响。

3. 变量定义与模型设立

首先使用的数据是西南财经大学中国家庭金融调查与研究中心于2017年发布的“中国家庭金融调查”(China Household Finance Survey，以下简称CHFS)。2017年CHFS覆盖全国29个省355个区县1428个居委会，样本规模达40,011户，追踪访问2015年样本26,824户，数据具有全国及省级代表性。剔除了家庭收入为零和小于零的样本827户，占总样本数2.1%，同时对于家庭人口统计特征如年龄、性别、健康和婚姻状况等我们以户主的人口统计特征来表示。在剔除缺失值和个别极端数据之后剩余有效样本数为33,987户。

3.1. 变量定义

3.1.1. 被解释变量

考察的被解释变量有两个，分别是：风险资产参与、风险资产占金融资产的比例。首先我们将金融资产分为风险资产和无风险资产，风险资产包括股票、基金、债券、金融衍生品、黄金和借出款，无风险资产包括现金、活期存款和定期存款。风险资产参与，若家庭投资了风险资产中的一项则取1，否则取0；风险资产比例，家庭投资风险资产总额与家庭拥有金融资产总额之比，取值范围为0到1。

3.1.2. 核心解释变量

主观幸福感。以对问卷中“总的来说，您现在觉得幸福吗？”这一问题的回答：非常不幸福、不幸福、一般、幸福、非常幸福，分别赋值1~5从而构造主观幸福感变量。

3.1.3. 控制变量

为控制遗漏变量对模型产生的影响，引入一系列可能对风险资产投资造成影响的外生因素：家庭总资产，包括金融资产和非金融资产，取其对数；房产数量，引入投资者拥有的房产数量作为控制变量；家庭收入，包括工资收入、资产增值收入、转移性收入和其他收入文取其对数；教育水平，构建两个虚拟变量“中等教育”和“高等教育”，其中“中等教育”代表初中、高中或者中专/职高的文化程度，“高等教育”代表大专/高职、大学、硕士研究生或者博士研究生的文化程度；金融知识，根据CHFS中的问卷设计“您平时对经济、金融方面的信息关注程度如何？”构建离散变量，问卷设有5个回答，分别是从不关注、很少关注、一般、很关注、非常关注，将其赋值1~5，即数值越大，金融知识越丰富；网络信息，网络信息这一变量的含义是受访者使用互联网作为获取财经信息的途径，使用CHFS中关于“您关注财经新闻的渠道是？”这一问题的回答，若受访者回答是使用财经类APP和互联网、手机等网页浏览则取1，使用其他传统渠道或者不关注财经信息则取0；社会信任，根据CHFS设计的问卷“您对不认识的人信任度如何？”构建离散变量社会信任，问卷设有5个回答，分别是非常不信任、不太信任、一般、比较信任、非常信任，将其赋值1~5，即数值越大，对陌生人的信任程度越高；地域，按照地区划分为东部、中部和西部，以西部为基准组构造两个虚拟变量，第一个虚拟变量为是否东部，若受访者所在城市为东部则取1，反之取0，第二个虚拟变量为中部，若受访者所在城市为中部则取1，反之取0，；性别，若为男性则取1，反之取0；年龄；考虑到异质性影响，引入城乡虚拟变量，若为农村则取1，反之取0；婚姻状况，构造虚拟变量单身与否，若受访者的状态为未婚/分居/离婚/丧偶则取1，反之若为已婚/同居/再婚则取0。

各变量的描述性统计见表1。

Table 1. Descriptive statistics of each variable

表1. 各变量的描述性统计

通过表1的描述性统计可以发现，家庭风险资产参与率为14.2%，家庭户均风险资产占金融资产的比重为5.4%，与西方发达国家相比是偏低的，这跟我国金融市场还不完善有关。受访者通过互联网获取财经信息的比例仅为12%，这相比于我国近80%的互联网普及率而言是比较低的，这也侧面反映了我国居民的金融素养有待提高，与之相对应的是金融知识变量均值为2.067，居民大多数还是不怎么关注金融和经济方面的信息。家庭幸福感的均值为3.86，这就是说大部分受访者认为自己现在比较幸福，实现人民幸福是我国实现“中国梦”的重要内容，人民幸福感的提升对正在面临经济转型的我们来说意义重大。在所有受访者中，男性比例为79.6%，女生仅占比20.4%，这也意味着男性在家庭决策中仍处于支配地位，不过值得一提的是，受访者的平均年龄为54岁，也就是说这种男性支配地位更多的存在于老一辈。在受教育程度上中等教育水平的受访者居多，即54.1%的受访者是初中、高中或者中专/职高毕业的。同时从表1可以看到东部的受访者占比52.5%，中部受访者比例为19%，按照城乡划分的话农村的人群占比为29.7%，城市受访者居多。

3.2. 模型设立

3.2.1. 以风险资产参与为被解释变量

风险资产参与只能取0或者1，这种在计量上称为二值选择，对于用这类变量作为被解释变量须采用二值选择模型，因此采用Probit模型，首先假设家庭投资风险资产或者股票的概率为：

$P\left(y=1|x\right)=F\left(x,\beta \right)=\varnothing \left(x^{\prime }\beta \right)={\displaystyle {\int }_{-\infty }^{x^{\prime }\beta }\varnothing (t)\text{d}t}$

其中Y表示风险资产参与，X表示解释变量，系数β表示待估计系数，对于第i个家庭其概率密度为：

$f\left(y_i|x\right)={\left[1-\varnothing \left(\frac{{x^{\prime }}_i\beta }{\sigma }\right)\right]}^{1\left(y_i=0\right)}{\left[1/\sigma \left(\left(y_i-{x^{\prime }}_i\beta \right)/\sigma \right)\right]}^{1\left(y_i>0\right)}$

再假设样本中的家庭相互独立，则整个样本的对数似然函数为：

$\ln L\left(\beta |y,x\right)={\displaystyle \underset{i=1}{\overset{n}{\sum }}{y}_i}\ln \left[\varnothing \left({x^{\prime }}_i\beta \right)\right]+{\displaystyle \underset{i=1}{\overset{n}{\sum }}\left(1-y_i\right)}\ln \left[1-\varnothing \left({x^{\prime }}_i\beta \right)\right]$

于是可以用最大似然估计法(MLE)来求解系数β，得到 。

3.2.2. 以风险资产投资占比为被解释变量

风险资产投资占比有很大一部分取值在0这个点，此时以风险投资占比作为被解释变量的模型其概率分布是由一个离散点0和一个连续分布组成的混合分布，如果使用普通最小二乘法(OLS)来估计，无论是使用整个样本还是使用离散点后的子样本，都不能得到一致估计。因此使用归并回归(Tobit)，该回归将混合分布的概率密度表示为：

$f\left(y_i|x_i\beta \right)=\{\begin{array}{l}\varnothing \left({x^{\prime }}_i\beta \right),若y_i=1\\ 1-\Phi \left({x^{\prime }}_i\beta \right),若y_i=0\end{array}$

于是可以使用最大似然估计(MLE)来估计这个模型，得到系数β的估计值 ${\hat{\beta }}_{MLE}$ 。

4. 实证检验与结果分析

4.1. 工具变量法下的模型与IV有效性识别

1.工具变量法下的IV-Probit模型和IV-Tobit模型

根据以往文献，幸福感与家庭投资决策之间存在反向因果关系，于是考虑引入工具变量来解决这个问题，Guven et al. (2014)提出天气会显著影响人的幸福感，他们将天气作为幸福感的预测因子得到了很好的结果，叶德珠等人(2015)使用省份年均降水量作为幸福感的工具变量，但是这样的后果就是存在省份固定效应，于是选取2017年各县级年均降水量作为幸福感的工具变量，极大程度上避免了固定效应的影响。

内生性问题将导致普通的Probit模型和Tobit模型的回归结果存在较大偏差(陈强，2014)，于是使用IV-Probit模型和IV-Tobit模型进行回归分析，IV-Tobit模型与IV-Probit模型不同的只是关于Y的定义，下面以IV-Probit模型为例分析其内在逻辑，该模型所涉及的方程为：

$y_{1i}^{\ast }={x^{\prime }}_i\alpha +\beta y_{2i}+u_i$

$y_{2i}={x^{\prime }}_i^{{\gamma }_1}+{z^{\prime }}_i^{{\gamma }_2}+{\epsilon }_i$

$y_{1i}=1\left(y_{1i}^{\ast }>0\right)$

同时假设扰动项 $\left(u_i,{\epsilon }_i\right)$ 服从期望值为0的二维正态分布：

$\left(\begin{array}{c}{u}_i\\ {\epsilon }_i\end{array}\right)~N[\left(\begin{array}{c}0\\ 0\end{array}\right),\left(\begin{array}{cc}1& \rho {\sigma }_v\\ \rho {\sigma }_v& {\sigma }_v^2\end{array}\right)]$

其中 $u_i$ 的方差为标准化的1，ρ为 $\left(u_i,{\epsilon }_i\right)$ 的相关系数。由此，利用两者的联合概率分布，使用最大似然估计法(MLE)得到系数β的估计值 ${\hat{\beta }}_{MLE}$ 。

2.IV有效性识别

将IV-Probit模型的第一阶段回归结果展现在表2，可以看到在控制了其他变量的影响后，降水量与幸福感之间在1%水平上显著相关，即降水量每增加1毫升，幸福感会下降0.0001249，于是可以认为降水量作为幸福感的工具变量是有效的。

Table 2. Regression results of the first step

表2. 第一步回归结果

注：括号中的数值代表t统计量，***，**和*分别表示1%，5%和10%水平上显著，下同。

4.2. 风险资产参与

对风险资产参与设立虚拟变量之后，其在模型中的含义就是发生概率，使用Probit模型和IV-Probit模型估计的结果如表3所示。

从表3的回归结果可以看到，第(1)列和第(2)列为没有引入人口统计特征作为控制变量下的回归结果，第(3)列和第(4)列则为控制了人口统计特征的回归结果，这样做的目的是起到对照作用。由于内生性问题的存在，使用Probit模型估计的结果会有较大偏差，所以使用IV-Probit模型的回归结果进行分析。从回归结果中可以看到，无论是否引入人口统计特征作为控制变量，幸福感都会显著负向地影响风险资产参与，这与前面的假设一致，幸福的人更不愿意投资风险资产，他们更倾向于维持当前的幸福状态而不愿意去进行冒险行为。

Table 3. Regression results

表3. 回归结果

4.3. 风险资产投资占比

风险资产投资占比有很大一部分取值在0这个点，此时以风险投资占比作为被解释变量的模型其概率分布是由一个离散点0和一个连续分布组成的混合分布，于是使用Tobit模型进行回归，考虑到幸福感作为主观因素存在的内生性问题使用IV-Tobit模型，回归结果如表4所示。

但是，风险资产投资额统计背后的含义是：只有受访者参与了风险资产市场才具有意义。也就是说此时的样本选择不再是随机的，模型存在由样本选择性偏差带来的内生性问题，于是使用了赫克曼两阶段模型进行修正，其基本思想是：第一步，研究者根据经济学思想对研究对象做出某种行为的概率设计一个模型，然后通过模型将研究对象的行为概率预测出来，得到逆米尔斯比率IMR；第二步，对原模型进行修正，即将得到的IMR引入原模型中作为一个额外的解释变量，若IMR是显著的，则说明样本选择性偏差导致的内生性问题影响了原模型的估计，于是要选择赫克曼两阶段模型修正之后的结果进行分析，反之，若IMR并不显著，则说明样本选择性偏差问题并不严重，可以使用原模型的回归结果进行分析。

将赫克曼两阶段模型的第二阶段的回归结果报告在表5，可以看到，逆米尔斯比率IMR在方程中是至少在5%水平上显著的，也就是说可以认为原模型的内生性问题较为严重，于是使用经过赫克曼两阶段模型修正之后的结果对风险资产投资比例进行分析。

Table 4. Regression results

表4. 回归结果

从表5的回归结果中可以看到，幸福感会显著负向地影响风险资产投资占比，这与前文的假设一致。幸福的人更愿意选择金融资产中风险更低的资产，如活期存款、定期存款甚至是持有现金。同时，随着国内保险业的发展，商业保险也成为了更多人的选择。

Table 5. Regression results

表5. 回归结果

5. 结论与政策建议

通过使用西南财经大学中国家庭金融调查与研究中心于2017年发布的“中国家庭金融调查”数据验证了主观幸福感对风险资产投资的影响。得出结论幸福感会显著负向地影响风险资产参与，即幸福感强的人更愿意维持当前的状态而不愿意参与风险资产投资。在行为金融领域，投资者并非是理性的，他们受到包括主观因素在内的各种不确定因素的影响，探究的主观态度对投资决策的影响这一主题也具有一定的理论和现实意义。一方面，学者在主观因素对投资决策的影响这一方向的研究并不多，实证结果是对当前家庭资产配置研究领域的文献补充。另一方面，金融相关从业人员也可以从实证结果中得到一些启发：由于幸福感与风险资产投资有着负向的影响，从业人员可以通过对客户的幸福感和社会互动进行分类，向幸福感高、社会互动低的投资者推荐低风险低收益的产品，向幸福感更低而社会互动高的投资者推荐较高风险较高收益的产品。为了让更多的投资者参与金融市场，政府和金融机构应该建立良好的交流互动平台，充分发挥社会互动的调节作用；政府和金融机构应该重视互联网上的财经信息的推送，因为互联网获取财经信息会改变投资者的参与意愿；保险从业人员则可以选择幸福感更高的家庭进行产品的推销，因为越幸福的人越愿意购买保险。