前言：寻找写作灵感？中文期刊网用心挑选的人口老龄化对居民家庭投资风险的影响，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
[摘要]以家庭投资风险偏好为研究对象，在人口老龄化的社会背景环境下，分析这一基本条件对于投资风险偏好的影响状态。通过论述老龄化在风险投资中的应用地位，在建立基本偏好影响理论框架的同时，提取并建立完整的数据模型。经过对数据信息的深入推演，确定人口老龄化对于居民家庭投资风险偏好的影响状态，供相关研究参阅讨论。
[关键词]人口老龄化；家庭投资；风险管理；投资偏好
人口老龄化是我国社会发展进程中不可避免的问题。在当前的社会环境中，人口老龄化问题的影响条件已经逐渐浮现，并对社会产生了明显的影响。从金融行业的视角出发，这种社会性问题也会对我国居民家庭投资风险偏好造成一定程度的影响。而为了说明这一影响，则需要从老龄化的影响条件入手，引导后续分析模型建立与统计。
一、老龄化对风险资产配置的影响
家庭资产配置的理论系统中，生命周期理论对后续的研究活动产生了明显的影响。假定理性消费者在整个生命周期中，都需要通过储蓄实现资本的效用最大化管理。因此，在这一理论系统的影响条件下，社会人口的老龄化发展，就会增加社会群众的消费倾向，并降低储蓄总量与倾向。其他针对人口老龄化的研究，也将生命周期理论作为基础，确定了中年人对于股票投资的倾向程度。在国内的相关研究中，养老金与社保是分析这一问题的关键。在我国的医疗养老保险体系下，年龄成为了影响金融资产结构的重要参数。
二、偏好影响研究的理论框架
年龄状态对于投资风险的偏好状态，主要建立在风险异质性特征与不同年龄的认知差异中。在这两项影响条件的基础上，家庭的投资风险偏好，也会产生不同程度的变化，并对整体人口老龄化环境中的家庭投资倾向造成影响，而为了更好地说明这一内容，需要以此为基础，建立起完整的理论研究框架，以此保证偏好影响条件的状态分析，确定影响研究的现实意义[1]。行为经济学视角下，人们的偏好内容带有一定的异质性特征，是一种微观复杂性的表现，并重点体现在年龄差异条件上。从心理学的角度出发，人们进入老龄化阶段后，随着经济收入的降低，对经济状态有更加强烈的敏感度。然而在财富渴望程度上升的同时，根据其自身生命周期的特征表现，又表现出对于风险本能的厌恶。老年阶段，在身体精力下降、健康恶化的条件下，也会自然的降低其风险承受能力，以此表现出风险溢价的高标准要求状态。不同年龄状态的认知条件，也会影响人们的风险偏好状态。在研究过程中发现，随着年龄的增长，认知能力会表现出先增长再降低的发展曲线。通过社会追踪性调查发现，风险偏好内容与人们的认知能力有明显的关联性。在认知能力较高的年龄段状态下，更倾向于高风险的投资项目；而在认知水平降低后，人们对于低风险的投资项目则表现出明显的倾向性。对应在年龄状态下，处于老龄状态的低认知能力，会影响其投资风险倾向，并更加侧重于低风险的投资内容。由此，在全年龄段的投资风险偏好曲线中，呈现出了与认知能力同步的“倒U型”曲线结构。
三、数据信息基础上的影响模型分析
(一)数据来源与变量模型
本文所采用的数据信息，源自于网络，是各大金融机构与高校调研中心数据的汇总。在内容上，基本覆盖了2018年以前，全国30各省级(直辖市、自治区)单位中，8650户家庭的投资状态。通过对其资本配置状态的分析与评估，形成了完整的样本数据6000例，以此作为变量模型的分析基础，论述人口老龄化状态对于家庭投资风险偏好的影响条件。在对问卷信息进行设定的过程中，设置了风险意向自我定位内容，并在后续的选择项目中，从侧面重新定位了风险偏好的评估条件，以此保证了整个高风险项目的偏好分析，维护数据信息来源的对应状态。整体统计数据中，选择高风险的测试者总数的13.83%，中度风险偏好家庭占25.73%。而其余60.43%，均为低风险偏好家庭[2]。从整体数据显示来看，接受调查测试的老龄化家庭，在整体偏好选择上，更加倾向于低风险状态。
(二)数据描述分析
通过对基础数据信息的统计，可以将年龄作为分析的线性变量数据。将十年作为一组，从20-29岁作为第一组分析数据，并在最终将80岁以上作为独立小组，形成七组数据，以此完成数据内容中各项影响参数的带入分析。从整体数据情况来看，将低风险偏好作为常量，数据变化程度尤为明显。其中，第一组(20-29)的低风险偏好比例为22.15%，而第七组(80以上)的低风险偏好则为89.61%。另外，将高风险数据作为常量，第一组有39.24%的人选择了高风险项目，而第七组对于高风险的选择，仅为1.69%，远远的低于第一组的数据权重。统一基础数据的支撑下，不同学历水平，也会对风险的差异化偏好产生的影响。没有上过学的人群中，仅有5.12%选择高风险偏好，而在高学历的博士人群中，则有55.56%的人选择高风险项目。
(三)差异模型说明
依据数据基础建立差异化模型的过程中，可以根据低风险、中风险、高风险这三种差异化的选择，确定三种不同的风险态度。在模型建立中，可以选择序状态的Logit回归模型作为分析基础，通过多分类状态的逻辑斯蒂回归模型，完成整体的数据分析。建立模型的过程中，可以对因变量投资风险进行系统拆分，并在结合年龄实际分析对象状态的前提下，形成对应的回归数据。由此，在Logit回归模型中，形成假设数据，借助自身的有序化优势条件下，判断发生风险比例变动的具体因素与相应的边际因素。本文在对居民投资风险偏好进行分析的过程中，可以首先将年龄作为独立的分析因素带入到模型系统中做出假设分析，完成对应结论的归纳整理。同时，在得到相应的分析数据后，也可将这一年龄状态下的数据作为基础，向其中带入其他的变量数据，以此形成新型的综合数据，保证整体分析的指导价值，并细化分析研究的内容。另外，在这一模型数据的基础上，也可带入所有的变量参数，形成独立模型。通过这一模型，可以与年龄模型信息进行合并，并形成新的模型数据。
(四)模型分析结果
在经过计算统计之后，可以分别对不同模型的应用条件作出评估，并整理出多种应用型结论内容。在对实际数据结果作出总结的同时达到整体数据分析的客观需要。首先在不同的模型的结构中，确定了风险偏好提升等级过程中产生的可能性下降。在结论内容上，再次印证了年龄增加，投资风险偏好降低的关系状态[3]。在对综合模型计算结构进行分析的过程中，可以确定因变量分类中的回归数值变化曲线。尤其是在投资风险偏好提高的过程中，可以确定高、中等风险倾向的降低趋势。由此，也确定了整体数值的合理性状态。七组模型数据(如下表所示)中，第一组(20-29)与第二组(30-39)这两组数据的变化区间较大。而第二组(30-39)与第三组(40-49)之前的差异化状态又明显缩减。这一情况，说明了年龄提升条件下，风险偏好的相对平稳变化状态。在进入60岁以后，这一风险偏好的数值状态，又呈现出了加剧下降的趋势。这主要是在受测者进入老年段之后，出现的边际数值量增加。另外，通过对受教育程度的分析，可以确定高风险倾向与受教育水平的正比例关系。在模型边际效应的数值计算中，也再次佐证了这一数值的可行性状态。而健康状态，也是影响投资风险偏好的重要内容，并与年龄状态之间表现出密切的关系水平。具体的边际数值中，受测对象上升一个等级，都会在健康状态上发生相应的变化。尤其在中、高风险偏好中，良好的健康状态会起到积极的影响作用。
(五)影响条件拓展
我国实际社会环境中，社会人口主要分为城市人口与农村人口这两种类型。在经济状态选择的分析过程中，需要对这一社会特殊性的状态作出评价与分析，并在分别定位社会人口条件的同时，确定其各自不同的老龄化投资倾向。由此，在补充模型分析内容的过程中，保证分析的社会价值与指导意义。方法上，可以将有序状态的Logit回归模型作为具体的应用方法，在控制变量的条件下，保持与原有最佳模型的同步状态。然后，再分别列举回归系数与边际效应的具体数值。由此得出农村居民投资的风险偏好的最终情况。另外，通过新建立的城乡差异化模型，可以在家庭成员总数的变量条件上，确定投资风险偏好的不显著状态，同时也确定健康状态对于农村居民投资影响的不显著状态。但是，在性别、教育程度的数据差异，会对农村居民的风险偏好产生明显的影响。而健康条件、家庭收入的内容，则对城市居民的投资偏好程度有较为显著的影响。通过对农村居民与城市居民的风险偏好边际效应异同分析，可以再次强调年龄与风险偏好的反比例关系，并具体地将70岁作为数值近似的比较控制点。在70岁以前，城镇居民的边际数值曲线相对农村居民更加陡峭(如图1所示)。而70岁这一节点之后，农村与城镇居民的边际曲线都下降到了相对较低的位置，并没有表现出较大的差异化状态，呈现出了一定的数据趋同发展状态。不仅城乡差异社会状态会对其所属居民的投资风险偏好造成影响，不同性别也会产生明显的差异，而这也是居民家庭投资风险偏好，受老龄化影响的研究拓展内容。在对数据调查信息进行调整的同时，将性别作为主要分析对象，可以在形成边际曲线的基础上，得到具体的数据内容。相较于男性的投资风险偏好，女性的风险偏好在全年龄段中，都要低于男性的边际数值。并在随着年龄的不断增长，两个独立的曲线数据(如图2所示)，逐渐表现出明显的趋同性特征。综上，在对金融数据进行调查与总结的过程中，结合我国当前的人口老龄化现状，分析这一社会条件对于居民投资偏好的影响作用。通过分析，不仅可以更加清晰的定位我国居民的金融选择状态，也能为金融行业的发展调整提供帮助。在制定新型金融工具的过程中，可以充分地发挥数据之大价值，引导居民参与理财的同时，保证国民经济的稳定发展状态，以此更好地适应老龄化社会环境。
[参考文献]
[1]周海珍,曹航玮.延迟退休政策下养老保险的收入再分配效应研究[J].金融理论与实践,2019(6):94-100.
[2]徐佳,龚六堂.金融知识会影响家庭退休安排吗?融知基于中国居民家庭微观调查的分析[J].中国地质大学学报(社会科学版),2019,19(2):126-137.
[3]邹小秡,杨芊芊.主观预期寿命对家庭资产配置的影响———基于CHARLS数据的经验分析[J].经济理论与经济管理,2019(2):44-61.
[4]周晓波,周立群.人口结构对股市参与率和参与程度的影响———根据深圳证券交易所数据的测算[J].证券市场导报,2017(6):21-29.
作者:赵向华 单位:中北大学信息商务学院
