發(fā)薪日貸款：英雄還是惡棍？

1、工資日貸款：英雄還是惡棍？Adair Morse*Booth School of BusinessUniversity of Chicago摘要高利率的工資日貸款對于陷入財務(wù)危機的個體究竟是好是壞。以自然災(zāi)害作外生沖擊，我運用傾向匹配評分，三重不同規(guī)范探究了信貸獲得與福利之間的關(guān)系。我發(fā)現(xiàn)災(zāi)后加利福利亞的止贖數(shù)量增加，但是工資日貸款的存在減少了止贖（每1000戶減少1.2次止贖）,此外還減少了盜竊的發(fā)生，每1000戶減少2.67次盜竊，但對入室行竊與車輛盜竊并沒有影響。我的結(jié)論適用于遇到緊急狀況的個人。需要說明的是,并不是所有的工資日貸款客戶都是因為緊急事件而借款。 我從以下講座中受益匪淺Be

2、rkeley, Columbia, Duke, the European University Institute, the FDIC, the Federal Reserve Bank of Cleveland, the Federal Reserve Bank of New York, Harvard Business School, MIT, New York University, Northwestern University, Ohio State University, UCLA, University of Chicago, University of Illinois, Un

3、iversity of Maryland, University of Michigan, University of Southern California, Wharton, Yale, the WFA, and the European Summer Symposium in Financial Markets (Gerzensee).此外我還要感謝David Brophy, Michael Barr, Alexander Dyck, Fred Feinberg, E. Han Kim, Amiyatosh Purnanandam, Amit Seru, Tyler Shumway, a

4、nd Luigi Zingales for their helpful comments.人們對于融資提高企業(yè)價值鮮有爭議 例如Jayaratne and Strahan (1996); Rajan and Zingales (1998); Levine and Demirguc-Kunt (2001);Dahiya, John, Puri and Ramirez (2003); Guiso, Sapienza and Zingales (2004); Cetorelli & Strahan(2006); Paravisini (2006), etc，但對消費信貸是否為家庭產(chǎn)生福利卻不存在共識

5、。金融機構(gòu)可能會刻意迎合缺乏金融常識(Campbell, 2006)(Johnson,Kotlikoff and Samuelson, 2001; Stango and Zinman, 2007; Lusardi and Tufano, 2008)或陷入自我毀滅的消費狂熱中的人(ODonoghue and Rabin, 2006)，融資只會使得借款者每況愈下。本文中，我通過一個社區(qū)的自然實驗研究財務(wù)困境下融資渠道對于信貸受到限制的個體的福利影響。為信用受限的居民提供貸款的主要是工資日貸款者，他們主要提供短期，小額貸款給借款者以維持他們直到下一個發(fā)薪日的生計。其年化利率到400%多。本文中，通過

6、衡量止贖和小財產(chǎn)犯罪，我評估了工資日貸款究竟是緩解還是加劇了借款者的財務(wù)困境。近20%的美國居民遭受了經(jīng)濟上的限制，了解工資日貸款對于福利的影響是極其重要的。15%的美國的居民從工資日貸款者那兒貸款，目前這個市場達到了一年400億美元的規(guī)模 想要更好的了解這個市場，可以參考Caskey (1994, 2005); Fannie Mae (2002); Barr (2004); Bair (2005)。面對不斷增長的需求，州與聯(lián)邦執(zhí)法者們正在努力的打壓，規(guī)范市場。到目前為止，已經(jīng)有15個州禁止了工資日貸款。從某個角度講，工資日貸款者應(yīng)該使個體平穩(wěn)順利的度過危機而不用遭受支票的更大成本，不用支付滯

7、納金，終止和恢復(fù)的服務(wù)，也不會受到驅(qū)逐和取消贖回權(quán)。他們因以此幫助經(jīng)濟困難的客戶度過難關(guān)。這樣說來，工資日貸款有利于增加福利。另一種相反的觀點是工資日貸款減少福利。從貸款者處得到的資金可能會誘惑客戶更多的消費。缺少融資的渠道對容易受到消費誘惑的個體可能更為有利 (Gul and Pesendorfer, 2001; 2004; ODonoghue and Rabin, 2006)。這點上看，工資日貸款減少了福利。工資日貸款究竟是減輕還是增加了借款者的福利，我用自然災(zāi)害做社區(qū)的天然實驗。我用1996-2002年間加利福利亞州郵政編碼作分析。解決貸款者位置的外生性與社區(qū)經(jīng)濟環(huán)境導(dǎo)致的福利成果是測量

8、工資日貸款隨時間影響福利變化的兩大難題。為了克服內(nèi)生性，我建立一個相符的三重不同框架。實證模型的一個簡單發(fā)散顯示只要我能符合金融上的限制，實驗就能夠發(fā)現(xiàn)財務(wù)困境對于個體福利的影響與工資日貸款者在財務(wù)困境中所起的作用。陷入財務(wù)困境的居民的傾向的匹配優(yōu)先于自然實驗。我通過估計可能性提出了這些傾向在地區(qū)級別這些可能性來源于在SCF中，個體陷入財務(wù)困境作為社會經(jīng)濟學(xué)特征的一個功能。然后我通過將SCF系數(shù)應(yīng)用到普查在社區(qū)級別觀察到的社會經(jīng)濟變量映射這段關(guān)系。匹配本身還不能解決內(nèi)生性，但是使用三重不同規(guī)范卻促進了這一論調(diào)。外生性假設(shè)的關(guān)鍵在于無災(zāi)害的社區(qū)提供了一個基準以比較有無貸款者社區(qū)的福利增長的差別。

9、這樣，通過從觀測到的借款者減去災(zāi)害社區(qū)非借貸的福利增長再減去基準，我可以區(qū)分出觀察到的某地區(qū)的借貸者的存在的內(nèi)生性。三重不同規(guī)范模型可能有一個問題沒能解決。工資日貸款者所在的社區(qū)可能有其獨特性。在自然災(zāi)害期間，居民會變得異常的有彈性。我還不確定這點，但是我拋出這一話題通過用某區(qū)的十字路口的數(shù)量來檢測工資日借款者的位置。這基于工資日貸款者傾向于在重點交通和交通主干道集群的事實(U.S. Department of Treasury, 2000)。因為我在一個時間框架內(nèi)分析，所以我認為十字路口可以作為一種技術(shù)滿足內(nèi)生性假設(shè)。這結(jié)果暗示工資日貸款者對于陷入財務(wù)危機的個人有著積極地影響。自然災(zāi)害誘發(fā)的

10、止贖案例大幅增加72%,但是工資日貸款的出現(xiàn)使得這個數(shù)字變?yōu)橐话?，特別是，我發(fā)現(xiàn)危急時刻獲得信貸可以阻止每1000戶1.22的止贖。這結(jié)果也暗示工資日貸款減少了金融危機時小額財產(chǎn)犯罪的發(fā)生。我發(fā)現(xiàn)了重要的結(jié)果，只因為盜竊，至少判刑的財產(chǎn)犯罪。自然災(zāi)害導(dǎo)致盜竊增加13%（平均每1000戶里面有9戶），獲得信貸可以使每1000戶里減少2.67戶盜竊，或者說減輕了30%自然災(zāi)害的影響。我設(shè)計的實驗需要解釋這些結(jié)果。居民也可能在非經(jīng)濟危機時選擇工資日貸款。在工資日借款者的一篇調(diào)查里，Elliehausen and Lawrence (2001)報告說33%的借款并非因為緊急需求。某些借款者只是習(xí)慣性的

11、過度消費，用貸款去彌補資金差額。Skiba and Tobacman (2005)提供了相應(yīng)的證據(jù)。這些過度消費者最可能因此受到負的福利影響。因為我沒有確認工資日貸款的凈福利在借款者中的分配，所以我的結(jié)論只能是工資日貸款對于遇到財務(wù)危機的居民提供了有價值的服務(wù)，并不能分辨給那些習(xí)慣性過度消費者所帶來的影響。許多其他的文獻也在探索工資日貸款所帶來的福利影響。表面上看，這些結(jié)果相互矛盾。Morgan 和 Strain (2007)認為貸款者福利有所增長，但是Skiba ，Tobacman (2007) 和 Melzer(2008)認為恰恰相反。我認為，認識到貸款者的異質(zhì)性還有他們所面臨的環(huán)境 (B

12、ertrand and Morse, 2009a) ，所犯的錯誤(Brito and Harvey, 1995; Bernheim and Rangel, 2006;Skiba and Tobacman, 2009; Bertrand and Morse, 2009b)有很重要的意義。文章結(jié)構(gòu)如下。第一部分對工資日貸款市場進行概述。第二部分利用競爭力假說說明其究竟有助于還是有損于福利。第三部分提出三重差異實證方法與中間傾向得分匹配結(jié)果。第四部分展示了數(shù)據(jù)來源與統(tǒng)計簡介。第五，第六部分分別展現(xiàn)了止贖與犯罪的實證結(jié)果。第七部分總結(jié)。1.工資日貸款市場近十年有近20%的美國人遭受了信用限制。(Hal

13、l and Mishkin, 1982; Hubbard and Judd, 1986; Zeldes, 1989; Jappelli, 1990; Gross and Souleles, 2002)從主流銀行，貸款公司和信用卡處無法貸到款的居民往往會轉(zhuǎn)向高利貸。盡管工資日貸款每年貸款額超400億美元，但是教科書中卻少有提及。以汽車和家庭資產(chǎn)作抵押的貸款提供了更廉價的選擇，但是因為市場要求有價值資產(chǎn)的明晰的所有權(quán)，所以貸款的轉(zhuǎn)移額度并不大。除了工資日貸款外，陷入財務(wù)危機的居民的主要選擇是銀行透支貸款與空頭支票?？疹^支票依然是一種很常見的獲取資金的方法。盡管年利率取決于借款數(shù)量與持續(xù)時間，但是空

14、頭支票的成本多多少少要高過工資日貸款，尤其是某人有不良信用記錄時。銀行透支貸款與空頭支票有所不同，因為銀行提前同意用某種費用清掉透支支票。透支貸款在成本方面可以與工資日貸款一比，如果有更長的點數(shù)，就會更便宜。如果多個支票需要清算就會更貴。我的許多樣本可以廣泛的獲得透支貸款，尤其是那些有不良信用記錄的或者銀行不提供透支貸款的。因此對于我大部分的樣本來說，沒有工資日貸款的替代品。 見附錄以便更深的討論為什么工資日貸款沒有替代品。工資日貸款是怎么運作的？個人帶著最近的支票，支票本或者銀行記錄去工資日貸款點。沒有銀行記錄或者沒有工作的就沒有資格。一筆典型的貸款是300元，費用50元。在一個案例中，一個

15、借款者會開一張支票或者授權(quán)銀行取錢，數(shù)額為350元，日期定為工資日，通常有10到14天。貸款者核實工作與銀行信息，但是不會做一個正式的信用評估。在工資日，如果借款者無力兌付支票，這常常發(fā)生，她將回到工資日貸款點再為借款籌資，需要再付50元。借款者通常都會是熟客。根據(jù)Center for Responsible Lending (2004)的報告，91%的工資日貸款者一年內(nèi)都會有5次以上借款。（通常是8-13次）2競爭力假說居民往往會遭遇到一些緊急狀況（例如醫(yī)療費用或者車輛損毀），這使得他們?nèi)狈ΜF(xiàn)金。銀行并不為此提供資金，因為小額短期貸款的交易費用是巨大的。潛在的借款者處于反高利貸法與更高法律限

16、制的矛盾之中。數(shù)額較小的個人災(zāi)難會導(dǎo)致空頭支票，滯納金、效用終止,房屋收回,在某些時候，還會止贖，驅(qū)逐和破產(chǎn)。50元費用要比這些便宜多了，尤其是工資日借款躲避拖欠在多個義務(wù)。在這些情況下，工資日貸款者就有如英雄一樣。消費者權(quán)益團體認為，工資日貸款的問題不是單一貸款，而是循環(huán)貸款，如果居民不能在一次借貸中還清借款。這個觀點并不總是正確的。如果居民面臨短期的個人麻煩，他也許會愿意以400￥的代價解決而無論是否處于財務(wù)危機。即使對于重復(fù)借款者，工資日貸款也增進了那些有需要者的福利。在另一方面，消費者權(quán)益團體也許是對的。如果工資日貸款會帶來過度消費呢？大量的的文獻證明時間不一致的偏好會導(dǎo)致偏向性消費(

17、e.g., Jones, 1960; Thaler, 1990;Attanasio and Browning, 1995; Stephens, 2006) 和缺少儲蓄(e.g., Thaler andShefrin, 1981; Laibson, 1997; Laibson, Repetto, and Tobacman, 1998; Choi, Laibson and Madrian, 2005)。Gul and Pesendorfer (2001; 2004)ODonoghue and Rabin (2006), and Fudenberg and Levine (2006)的誘惑與自控力模

18、型說明工資日貸款所帶來的現(xiàn)金會導(dǎo)致偏向性消費。在這些模型中，在一些中間期，如果存在事前的自我控制機制，消費欲望可能會得到抑制。如果禁止工資日貸款，那么消費欲望很能會被降低。宣稱缺乏自我控制機制會降低福利需要一個特別的視角。顯示偏好參數(shù)(e.g., Gul and Pesendorfer, 2001;2004)工資日借款人從自發(fā)購買中獲得足夠的效用來抵消未來消費的消極后果。ODonoghue and Rabin (2006)從另一個視角認為工資日貸款就是惡棍。他們把福利看成事前的長期的。從這個角度看，消費欲望降低了整個生命周期內(nèi)的效用。如果工資日貸款能夠促進消費欲望，那么未來的消費就會降低。 O

19、Donoghue and Rabin (2003) and DellaVigna and Malmendier (2004)的觀點中借款者要么天真到缺乏自我控制力要么不存在承諾機制。如果不是這樣，個體就會自控。借款者可能同時受制于兩者，不能抵御花費的念頭，在貸款很容易的情況下輕易消費。從ODonoghue and Rabin (2006)的角度看，如果長期福利可以增進，那么工資日貸款理應(yīng)被禁止。需要注意的是。貸款者可以既是英雄也是惡棍。存在兩種借款者，一種是面臨著個人緊急事務(wù)，一種則把借款視為例行的商業(yè)活動。后者通常會伴隨著消費欲望所帶來的困擾。Skiba and Tobacman (2005

20、) 認為借款者的行為與個體對消費沖擊的反應(yīng)和時間不一致偏好的反應(yīng)是一致的。因為我實證性的設(shè)計重點是外生性沖擊誘導(dǎo)財務(wù)危機，我的結(jié)論可能無法發(fā)現(xiàn)消費欲望的負面影響。對于貸款者究竟是英雄還是惡棍還存在爭議，我們必須知道工資日貸款的分配。例如，多大比例的款項被用作幫助人們處理臨時的困境。Elliehausen and Lawrence (2001)發(fā)現(xiàn)66%的被調(diào)查者借款是為了應(yīng)急?；诖?，可認為我的結(jié)論可應(yīng)用于三分之二的工資日貸款。但是我更傾向于低調(diào)的解釋而不是把他用作福利加權(quán)的社會計劃。個人緊急狀況是生活的一部分，因此我才會發(fā)問工資日貸款者是英雄還是惡棍。有一部分借款者的福利我并不了解。我理解響

21、應(yīng)的政策含義。3實證方法論分析的目的是發(fā)現(xiàn)貸款者的存在對于福利有什么程度上的影響。財務(wù)危機（f)線性影響福利增長。高利率的貸款者（L）可能會減輕或者加劇福利。表示時間t地區(qū)z個體i福利的變化。表示時間第一次變化。我指的是福利增長隨時間的線性變化。時間虛擬變量去除了在福利增長中的任何經(jīng)濟大幅波動，所以個人財務(wù)危機的系數(shù)反映了時間t個體i的特定影響。等式式1去除了個體的福利增長的固定效應(yīng)，。如果個體可以接觸到貸款者，指示器變量等于1。在社區(qū)z是否用位置來定義能接觸到因為居民不會跑太遠去找一個貸款(Elliehausen andLawrence, 2001)，一個地區(qū)大約有21，000個人。在人口稠

22、密的地區(qū)，下一個社區(qū)可能很近。因此，為了預(yù)測，我忽略了人口稠密地區(qū)。如果等式1可以被預(yù)測，主要利率的系數(shù)可以反映接觸到貸款者是怎么作用于財務(wù)危機影響福利增長的。等式還存在三個嚴重問題。 另一個問題是殘差序列相關(guān)，這個問題可以相對輕松地被解決。1。從個體層面來看測量福利和個體財務(wù)危機的變量還沒有實現(xiàn)。2貸款者的位置是外生的，也許會導(dǎo)致估計量偏差。3，財務(wù)危機和福利增長都同時取決于社區(qū)的經(jīng)濟狀況這也導(dǎo)致可能存在偏差。在下文，我將對等式1進行一系列變換，并構(gòu)建框架解決這些問題。由于缺少數(shù)據(jù)，我將財務(wù)危機分為兩類：個人緊急危機與自然災(zāi)害危機 在實證環(huán)節(jié)，我允許危機的影響隨個人緊急狀況或自然災(zāi)害而變動，

23、但現(xiàn)在我假設(shè)個體要么資金受限要么充裕。由于兩類危機可以在同一時間發(fā)生，所以變量可以拆分為：分解的好處在于與貸款者的位置無關(guān)。準確的說災(zāi)難發(fā)生與貸款者的位置相關(guān)系數(shù)是0.005。另一種數(shù)據(jù)處理辦法是在社區(qū)層面聚合模型，平均社區(qū)的人口。聚合有利于兩方面的簡化。由于大的自然災(zāi)難地區(qū)相對較小，我將個人下標i從自然災(zāi)害變量中去除，如果地區(qū)太大那么災(zāi)難就沒什么影響了。另一個簡化是社區(qū)中個人緊急狀況的平均數(shù)量相當于社區(qū)中任一因為個人緊急狀況陷入財務(wù)危機個體的傾向。代表傾向。我假設(shè)社區(qū)有一個中期的對與個人緊急事務(wù)的傾向（時間下標消失）。個體可能進入或脫離危機，但是在一個給定的社區(qū)一段時間內(nèi)只有固定數(shù)量的個人陷

24、入危機。在更長期內(nèi)，這個假設(shè)不成立，因此在預(yù)測中，我把定為三年。和既不可以預(yù)測也不可以觀測。通過簡化和聚合得到一個包含所有可得數(shù)據(jù)的等式。 固定影響指的是沒有危機和貸款者時社區(qū)的福利。3.1反事實框架社區(qū)級別上的遇險的分解與組合并不能解決貸款者位置外生性與遺漏變量偏差的問題。但是，等式2運用三重區(qū)別的方法構(gòu)筑了一個反事實框架確實的解決了這些問題。基本思想就是運用一個DID對沒有遭受災(zāi)難的社區(qū)估測福利。(DID維度：時間，有無貸款者）同時對那些遭受自然災(zāi)害卻沒有受到隨機的救助的社區(qū)的反應(yīng)做一個類似的DID預(yù)測。操作如下。treat表示已經(jīng)遭受或?qū)⒁馐転?zāi)難的社區(qū)，cntrl表示沒有遭受過的?？梢?/p>

25、接觸到貸款者的社區(qū)我標記下標L，沒有的則是N。對于每一個可以接觸到貸款者的社區(qū)，想象選擇另一個沒有貸款者的社區(qū)，時間，居民在個人遇險時傾向皆吻合，選擇特定一對，假設(shè)。用等式2對這些社區(qū)做一個DID預(yù)測。需要注意的是我在所有受控社區(qū)中對DID做了一個平均。我不能把這個預(yù)測當做借貸者對福利影響的隨意的測量。有貸款者與無貸款者社區(qū)福利增長的區(qū)別在于貸款者位置的外生性與其他貸款者的經(jīng)濟傾向。同樣的操作得到了DID預(yù)測:在一個受控的例子中，我不能隨意解釋DID預(yù)測。福利增長的不同也許與有無貸款者相關(guān)但是這些原因卻與災(zāi)難引起的經(jīng)濟危機毫不相關(guān)。但是等式2揭示了平均來看，福利在兩種社區(qū)中如何區(qū)別增長的。根據(jù)

26、直覺，最終的區(qū)別從等式4的DID預(yù)測中減去等式3的DID預(yù)測。4個社區(qū)從1到M求平均值，最終預(yù)測是： 等式5中，我假設(shè)，因為社區(qū)固定影響并沒有受到災(zāi)難的影響。只要樣本足夠大這就成立。另外我認為四個都是在同一時間發(fā)生，所以去掉了時間下標。只要我在同一時間里選擇有災(zāi)難和無災(zāi)難配對，時間虛擬變量就可以被省略。我在等式中包含了時間虛擬變量。獨立性假設(shè)是不可缺少的條件。如果不存在自然災(zāi)害，那么有無貸款者社區(qū)的不同的福利增長將與受到救助的組一樣。假設(shè)基于自然災(zāi)害是隨機發(fā)生的。盡管貸款者位置外生性與遺漏變量偏差存在，但是這同樣存在于所有的社區(qū)里。任何從外生性導(dǎo)致的偏差分列于誤差項。相應(yīng)的方程是：等式受到限制

27、，所以第二和第四個系數(shù)相等，第三和第五個反映了遇到個人危機或者自然災(zāi)害對于財務(wù)危機的影響相同。我放松了限制以說明結(jié)論的通用性。顯示了危機對福利的影響， 顯示了貸款者的存在減少或放大了不同類型的財務(wù)危機。為了解決Bertrand, Duo and Mullainathan (2004)所討論的序列相關(guān)， 我把各郵政編碼放到一個觀測值里反映了在自然實驗里郵政編碼的變化。3.2彈性和工具變量可以認為有無貸款者的社區(qū)災(zāi)難的彈性不同因為貸款者的存在。缺失彈性的變量只在特定的條件下出現(xiàn)，因此受控的反事實框架不會糾正偏差 技術(shù)上講，前一塊顯示了和，但是這并沒有排除的可能性。要解決這個，必須討論為什么有貸款者

28、的社區(qū)與對照組的沒有貸款者的社區(qū)反應(yīng)不同。例如，在災(zāi)難時，貸款者可能出現(xiàn)在聯(lián)系更（不）緊密的社區(qū)。這并不顯著。我解決問題首先通過將受控變量插入可直接衡量彈性的等式7，然后測量貸款者的位置。對于止贖，我用商業(yè)的變化測量彈性，社區(qū)里建立和總體工資支付的數(shù)量通過人口標準化。還有房產(chǎn)的價格變化 (Campbell and Cocco, 2006)。對于小額財產(chǎn)犯罪，我用兩個經(jīng)濟變量加上暴力犯罪的變化來測量彈性。我分別用房產(chǎn)價格變量和暴力犯罪變量直接測量止贖和小額財產(chǎn)犯罪的直接影響。用協(xié)變量顯示結(jié)果，我通過工具變量確認我了的工作。變量是2006年一個區(qū)的十字路口數(shù)量。一個合適的變量必須滿足兩個要求：在第

29、一階段相關(guān)。在第二階段滿足排除限制條件。這很容易滿足。根據(jù)美國財政部的報告（2000）工資日貸款者，就像加油站一樣，總是出現(xiàn)在十字路口。這結(jié)果很直觀。在日常生活中，貸款者出現(xiàn)在居民容易接觸到的地方。為了排斥在外限制條件式成立，十字路口必須與福利增長的無法解釋的部分不相關(guān)。在匹配的第一時間差因變量社區(qū)下討論緩解了許多對排斥外在限制的破壞因素。要想破壞，路口的靜態(tài)測量預(yù)測了對社會福利的殘差變化。然而，可能存在對十字路口與人口密度關(guān)系的擔心。郵局不時的根據(jù)人口調(diào)整郵政編碼的大小。因此人口密度越大的地方擁有更小的土地面積。對于有相同人口的配對社區(qū)來說，土地面積大小是否會有更多十字路口并不明顯。但因為我

30、將大城市排除出分析，所以可以專心于可以對比的郵政編碼。更多的十字路口與經(jīng)濟活動的增長之間的聯(lián)系可能會有爭議。因為我對十字路口的測量是事后（2006）到分析期。在同一時期，地區(qū)經(jīng)濟增長可能會引起十字路口數(shù)量的增多。這不同。從住宅到商業(yè)的道路變化與新建道路的出現(xiàn)的進程都是十分緩慢的。此外，道路并不會消失，也不會因為經(jīng)濟活動的衰退就消失商業(yè)地塊。但是，即使測量的事后性不是問題，基礎(chǔ)設(shè)施有利于未來的經(jīng)濟發(fā)展，在將來可能會引起止贖和犯罪的下降因此，在預(yù)測4中，我建立薪資數(shù)據(jù)控制了經(jīng)濟活動的增長，在樣本期的末端靜態(tài)的預(yù)測了4。運用在1998年來自SCF的4300個人群樣本，估計這些人最后受這些措施限制的概

31、率。這樣的邏輯估計跟Jappelli（1990）和Calem美斯特（1995）使用的是相同的程序。我用他們的可以在政府文件中查找的社會經(jīng)濟變量，比如財富，收入，年齡，教育，婚姻狀況，種族，性別，職業(yè)，家庭出身，宗教信仰，教育程度，家庭規(guī)模，家庭和汽車保有量，住房成本等待。受益于社會經(jīng)濟特征的分布，而這不只是手段，我將變量定義在受訪者是否屬于一個值的范圍。例如，我不將收入作為一個變量使用，而是作為兩個范圍之間的一個指標。表2列出了受財政約束的概率估計結(jié)果。邏輯估計預(yù)測一個人89的時間是否收到財政限制。運用大多數(shù)的解釋收入和年齡變量的方差，得出R-平方運行從0.096到0.150。我只簡要地強調(diào)了

32、結(jié)果，有興趣的讀者參考Jappelli（1990）和Calem與美斯特（1995）。表2中的系數(shù)應(yīng)作為“一個富裕的，受過教育的，單身高級男性”的對比解釋。對于收入在 15,000 - 45,000美元的人而言，所有的三個因變量中，受到資金限制的概率是最高的。Elliehausen和勞倫斯（2001）的調(diào)查數(shù)據(jù)發(fā)現(xiàn)，個人收入在$ 25,000 - $ 50,000范圍內(nèi)的占“發(fā)薪日借款人”一半以上，這表明，我確定了一個與之相關(guān)的個人樣本范圍。貸款的制約因素在18和34之間的某個地方達到峰值，之后隨著年齡的增長而普遍減少。此外，非白人與擁有車輛的人面臨更多的約束。其他的結(jié)果會因用來衡量財政制約的變

33、量的不同而不同。在這些非決定性的結(jié)果中，教育是特別有趣的的變量。當加入收入變量是，教育變量具有的解釋力非常小；但除去收入這樣變量，會發(fā)現(xiàn)，在后期的還款方式規(guī)范中，那些沒有完成高中教育的人受到的制約會更多。我利用這些系數(shù)，查找普查數(shù)據(jù)中1762個加州郵政編碼的線性關(guān)系。換句話說，我根據(jù)每一個郵政編碼的特點，用居民百分比乘以每個系數(shù)并最后加總。我不但分別研究了三個衡量受財政限制的因素，而且還分別分析了1990年，1997年（更新的社會經(jīng)濟變量）和2000年這三年的普查數(shù)據(jù)。為了避免時間差異產(chǎn)生的預(yù)測誤差，我穿插在幾年之間進行研究。由于運用每一個變量分別測量制約因素中的重要部分可能引起爭議，所以，我

34、想將這些變量形成某種組合進行一次性測量。為簡單起見，也因為我不想強加主觀假設(shè)，我會重新確定預(yù)測變量的范圍，將每個變量賦予0.10相等的權(quán)重以便于論述，并對測量每個郵政編碼的三個變量取取平均數(shù)。為檢測是否丟失信息，我創(chuàng)建了一個索引，檢查三個變量的主成分。第一主成分占據(jù)了三個變量方差空間的的80（特征值為2.4）。因子載荷重量幾乎等于整個三個變量，并且這些因素的得分與我設(shè)定的平等加權(quán)指數(shù)的相似度超過0.95。 運用手中的傾向分數(shù)，我將那些遭受災(zāi)害和未遭受災(zāi)害的社區(qū)區(qū)分為兩個池進行近鄰比對，在允許更換的共同支持下，比對他們是更接近貸款人還是非貸款人。因為我的止贖和犯罪數(shù)據(jù)不能全面覆蓋所有郵政編碼和年

35、份，所以觀察的數(shù)量和匹配樣品是不一樣的。我所選擇的方法指導(dǎo)我應(yīng)該一次性做一個4路匹配（遭受災(zāi)難/非遭受災(zāi)難和貸款人/非貸款人）。然而，我遭受災(zāi)害的樣本池比非遭受災(zāi)害的樣本池校，所以我不太可能建立一個雙向匹配的偏差?？傮w而言，我在遭受災(zāi)害的觀察樣本（在一季度的水平）中選取了899個郵政編碼進行贖匹配，在遭受災(zāi)害觀察樣本（在一年的水平）中選取了492 郵政代碼進行犯罪匹配的意見。當對照組觀察值重復(fù)選擇時，我相應(yīng)的賦予以下四個組值都具有同等得權(quán)重：非遭災(zāi)/非貸款人社區(qū)，非遭災(zāi)/貸款人社區(qū)，遭害/非貸款人社區(qū)，遭災(zāi)/貸款人社區(qū)。我運行一個卡方檢驗，將居民的信貸約束平均傾向于四個社區(qū)。 0.438的邦弗

36、朗尼調(diào)整p值運行不拒絕，表明都是一樣的。4數(shù)據(jù)和匯總統(tǒng)計我把分析限定在加利福尼亞州,利用過去一段時間超過發(fā)薪日貸款人的位置和福利變量的微觀數(shù)據(jù),并把分析隔離在一個單一的監(jiān)管環(huán)境。我剔除大的市縣，把重點放在跨越郵政編碼線不作為日常業(yè)務(wù)的地區(qū)，和在我的犯罪數(shù)據(jù)更精確的（如下所述）的地方進行。特別是，我剔除了人口超過80萬人的11家大型citycounties（共58），等于或大于舊金山人口的所有縣。分析的時間段是1996-2002年。4.1福利變量止贖作為一種福利措施，當公民的房屋被取消贖回權(quán)的時候,它必須是公共事業(yè)的底線。誠然，有自己的房子抵債在某些情況下可以是有效的，即使考慮到大的交易成本。一

37、般的規(guī)則是，止贖是低效的，如果房主的收入現(xiàn)值是足以應(yīng)付目前的消費現(xiàn)值，包括住房消費，但房主缺乏獲得信貸使用未來收入作為抵押的平穩(wěn)消費。在我的經(jīng)驗設(shè)計中，匹配的三重差異減去了類似的社區(qū)（非災(zāi)區(qū)）的一般模式和強制止贖的災(zāi)害影響(災(zāi)區(qū)和非貸款區(qū))，從而隔離唯一的金融強制性止贖。 我用的因變量是從1996年至2002年期間郵政編碼下由加州房地產(chǎn)經(jīng)紀人協(xié)會和蘭德公司統(tǒng)計的季度住宅止贖.按我的方法，我的工作是止贖率, 從政府獲得的全部郵政編碼社會的總?cè)藬?shù)中業(yè)主自用住房止贖。表1報告，在估計使用匹配的樣本，取消抵押品贖回權(quán)的范圍從零到59每季度郵政編碼，平均10.9（6）（中位數(shù)）。就利率來說，這意味著平均

38、每千名業(yè)主自用的房屋有3.0單位的止贖。 我衡量福利的第二種方式是小財產(chǎn)犯罪。加州犯罪數(shù)據(jù)是加利福尼亞州刑事司法統(tǒng)計中心通過RAND統(tǒng)計1996至2002年的每個民警管轄。由于警方的管轄權(quán)可能是一個縣，市，鎮(zhèn)，或地方當局（例如，一所大學(xué)或鐵路警察部隊），我需要以一種有意義的方式分配犯罪。我手動確定由警察管轄范圍涵蓋所有郵政編碼和分配內(nèi)覆蓋的郵政編碼人口比重的罪行。我然后聚集橫跨所有警察部隊的郵政編碼的犯罪。這種方法是不完美的。最大的偏差將在洛杉磯，因為我根據(jù)人口分配所有在洛杉磯縣和在洛杉磯郵政編碼被市警察部隊逮捕的犯罪，加強了剔出這些大城市縣的需要。問題最不嚴重的是小城鎮(zhèn)，當?shù)鼐觳筷牶芎玫囟?/p>

39、義在郵政編碼內(nèi)。 其中可能的犯罪的措施，我專注于小的財產(chǎn)犯罪,盜竊罪（非有力盜竊的，例如店鋪盜竊），偷車及爆竊案。我專注于這些罪行，因為他們是非暴力，緩解財務(wù)困境和犯罪行為之間的聯(lián)系是最直接的。由于犯罪的力度是根據(jù)量刑標準，從盜竊偷車爆竊單調(diào)遞增，我可以學(xué)習(xí)到個人可以什么程度上用犯罪以緩解財務(wù)困境。表1報告的盜竊罪，偷車及爆竊案的平均數(shù)分別為672，145和232每郵政編碼。在這種估算中，我通過家庭單位正?；鼈?4.2發(fā)薪日貸款機構(gòu)和交叉口數(shù)據(jù)1996年加州參議院法案規(guī)定發(fā)薪日貸款合法化，并規(guī)定了在加州授權(quán)的公司的授權(quán)和監(jiān)管。該署有每個發(fā)薪商店的許可證數(shù)據(jù)，與原來的牌照日期和停牌日期，如果適

40、當?shù)脑挘瑸槊總€活動和非活動的貸款人。這些數(shù)據(jù)的一個需要注意的是，發(fā)薪商店在一定期限內(nèi)在兩個貸款類別中列出：加利福尼亞州的金融貸款機構(gòu)和消費信貸的貸款人。我過濾掉保險公司，汽車貸款公司和不動產(chǎn)貸款。我無法完全區(qū)分檢查收銀員許可證被借給只有標題貸款或不發(fā)薪的小額消費貸款。然而，根據(jù)我的計算,在2002年,有2160個發(fā)薪商店，或一個州每16000人有1個貸方。這個數(shù)字幾乎完全與被tegman和 Faris（2003）引用的加利福尼亞數(shù)據(jù)以及Graves和Peterson（2005）從律政司取得的數(shù)據(jù)是一致的。值得注意的是,2002到2005年發(fā)薪日貸款在加利福尼亞的數(shù)據(jù)大幅度增加.根據(jù)發(fā)薪日貸款人

41、的地址，我利用地理信息系統(tǒng)軟件（ArcView）繪制地址的經(jīng)度和緯度坐標，然后從政府郵政編碼覆蓋映射數(shù)據(jù)。表1介紹了社區(qū)級的發(fā)薪日貸款匯總統(tǒng)計。平均數(shù)和中位數(shù)的郵政編碼有1.9和1個發(fā)薪日貸款.設(shè)計在是/否的問題，是否有任何發(fā)薪日貸款，相當于以高于或低于中位數(shù)的郵政編碼社區(qū)的基礎(chǔ)上完成的.圖1描述2002年發(fā)薪日地點映射郵政編碼，連同社區(qū)從3.3節(jié)限制信貸的傾向。郵政編碼點越大，貸款密度越大。最小尺寸圓點表示在郵政編碼內(nèi)沒有貸款包括所有的角度。郵政編碼陰影反映的信貸約束的傾向;傾向越高的信用約束，顏色越深。我指出發(fā)薪日貸款的交叉口郵政編碼計數(shù)的位置。我從加州運輸部獲得2006年的詳細道路數(shù)據(jù)，

42、并計算節(jié)點在地理信息系統(tǒng)，地面道路相交的路口密度。高速公路或住宅區(qū)街道的地面道路是有區(qū)別的。對于國家指定的農(nóng)村地區(qū)，我允許高速公路要考慮地面道路，因為電子商務(wù)常常在非市區(qū)中心的高速公路出入口。平均數(shù)和中位數(shù)是74.8和55。 其他統(tǒng)計資料表1中的數(shù)據(jù)，B組共變數(shù)。郵政編碼水平的地理變量說明在這個表中.4.3自然災(zāi)害數(shù)據(jù) 自然災(zāi)害的數(shù)據(jù)來自南卡羅來納州大學(xué)的Sheldus危害數(shù)據(jù)庫，提供了位置（縣），類型（洪水，wild.re等），以及自然災(zāi)害的財產(chǎn)損失幅度。雖然災(zāi)害觀測是縣級，危害數(shù)據(jù)庫中的注釋字段包含更詳細的位置信息，最經(jīng)常的形式是查明受災(zāi)地區(qū)的城市名稱或NOAA（國家海洋和大氣管理局）代碼

43、。對于每一行的項目，我手動歸納災(zāi)害提供的最小面積，然后用地理信息系統(tǒng)方案覆蓋災(zāi)害郵政編碼歸屬。危害數(shù)據(jù)庫包含了所有的自然災(zāi)害，在一個縣造成超過50,000美元的財產(chǎn)損害。因為本文的重點是止贖，我關(guān)心保險的作用，特別是如果保險舉行差異性跨人口統(tǒng)計。因此，不是試圖控制可能的保險支付，我把重心放在保險可能最少覆蓋的災(zāi)難上，尤其是從我的樣本上消除地震，風災(zāi)和龍卷風災(zāi)害。一個補充的福利是，這些災(zāi)害是最有可能援引州或聯(lián)邦的一攬子援助。表1，B組包含災(zāi)害統(tǒng)計的突破,1996-2002年的樣本期間的災(zāi)害類型。我匯總子類別（例如，進入風暴冰雹）提出這些一般統(tǒng)計數(shù)據(jù)。洪水和泥石流災(zāi)害的人數(shù)最多（137宗）和社區(qū)的

44、影響（2,175）。82個暴風雨占1381郵政編碼觀測。最后，59野火造成701郵政編碼社區(qū)的損害。不出意外，造成財產(chǎn)損失（每事件）野火和洪水比風暴高出許多。因為止贖和犯罪數(shù)據(jù)不包括所有郵政編碼，這個估計只用了這些災(zāi)害的一個子集。5贖結(jié)果 表3和表4給出了匹配的樣本贖結(jié)果。因變量是郵政編碼的季度止贖率的變化，其中變化的平均止贖率定義在4至7的區(qū)間，這一區(qū)間是用在災(zāi)難發(fā)生后的平均止贖率（匹配組對齊）減去在災(zāi)難發(fā)生4個月前的平均止贖率得來的。我將發(fā)布期延后3個季度，以使加利福尼亞州的平均時間匹配在贖的高峰值。貝特朗，迪弗洛，Mullainathan（2004）強調(diào)，可以為郵政編碼設(shè)置一個單一的倒塌

45、觀察，以降低序列相關(guān)問題差異性。 自變量是那些由方程（7），加上郵政編碼中房價級差（季度平均值）的變化，變化的薪金（年度），以及機構(gòu)單位數(shù)目（年度）的變化。序列2和4包含與災(zāi)害相互作用的協(xié)變量，以消除自然災(zāi)害任何影響社會的彈性因素。列1和2的估計使用的是約束最小二乘穩(wěn)健標準誤差和年虛擬變量。下表顯示該變量是等于符號（C 1）和（C 2），分別在第一個限制條件和第二個限制條件下。第一個約束使得的系數(shù)（2）等于（1 -）*Disaster的系數(shù)。這個系數(shù)被解釋為financial distress 對foreclosure rate changes 的影響。第二個約束使得*Lender的系數(shù)（3）

46、等于（1 -）* Disaster*Lender的系數(shù)。這個系數(shù)體現(xiàn)了兩種類型的貸款人的財務(wù)困境的相互作用，進一步解釋為財務(wù)困境對貸款人有權(quán)進入的社區(qū)的抵押率變化的額外影響。列1和2表明，財務(wù)危機，由行一（）和行四（1 -）*Disaster）的系數(shù)體現(xiàn)，正如預(yù)期的，對喪失抵押品贖回權(quán)具有強烈的正面影響。然而，貸款人權(quán)利（行2和行5）減輕了這種沖擊。利率模型中的主要系數(shù)的差異在第一列和第二列之間相差不多，這表明列1的估計值不僅是確認遺漏的彈性變量。在解釋這些系數(shù)之前，我在一個無約束的框架下重復(fù)了1和2的估計值，只使用一個OLS difference-in-differences 方法（技術(shù)上，

47、由于因變量在變化，它是一個三差分），在列3和列4。我沒有限制我的估計值，為了確保我正在辨別XX自然實驗的災(zāi)難，而不是居民對于財務(wù)約束的傾向性。從列3和4，1和2來看，自然災(zāi)害的影響對個人福利的影響是非常相似的。因此，主要的結(jié)果是穩(wěn)健地放寬約束以使得所有形式的壓力相等地影響到抵押品贖回權(quán)（foreclosure）。因為列3和4比第1，2列更直接更保守，所以我從第4列來理解經(jīng)濟規(guī)模。Pre-disaster意味抵押品贖回權(quán)的數(shù)量為3.2每季度和每1000名業(yè)主自用住房。災(zāi)難的約束系數(shù)是1 : 6，這意味著一個災(zāi)難或其他困境的原因?qū)⒃斐深~外的1：6的喪失抵押權(quán)的房屋每1000家，增加百分之50。當個

48、人獲得貸款，所有除了喪失抵押品贖回權(quán)0.3的增加都得到緩解。融資似乎減輕了1.3喪失抵押品贖回權(quán)每1000家。相關(guān)變量的系數(shù)是符合預(yù)期的。隨著房價增長，喪失抵押品贖回權(quán)將如預(yù)期經(jīng)歷較低的增長。這種效果在自然災(zāi)害期間被消除掉。更多的工資總額也與較少的喪失抵押品贖回權(quán)聯(lián)系在一起，效果不受災(zāi)害影響。在更多的商業(yè)社會中，衡量企業(yè)的變化，增加了喪失抵押品贖回權(quán)的成長。然而，如果社區(qū)抵御災(zāi)害，他們不會失去企業(yè)，他們將經(jīng)歷喪失抵押品贖回權(quán)的低增長。我現(xiàn)在做的IV的結(jié)果。確保我能證明貸款人和取消抵押品贖回權(quán)之間的一個因果關(guān)系，表4列出了我采用交叉項工具所產(chǎn)生的結(jié)果。我對這些工具的變量用了控制函數(shù)方法，在這些變

49、量中第一階段的殘差被包含在了第二階段。我這樣做是因為，工具（instrument）和災(zāi)難（Disaster）的交互需求創(chuàng)造了非線性關(guān)系使得工具（instrument）進入第二階段。伍德里奇（2001）表明，控制函數(shù)方法在這些條件下是更好的。 右邊的表4顯示了第一階段回歸，利用交叉項作為工具。我把地區(qū)作為相關(guān)變量包含在了兩個階段里來引起地區(qū)郵編的大小差異。交叉項在預(yù)測是否一個貸款人所在位置時，在1%水平上是顯著的。除了房價，所有的變量都是顯著的。越多的工資總額增長，更多的企業(yè)增長和越低的區(qū)域預(yù)測的位置，貸款人。第一階段的F -統(tǒng)計量是31.64，超過了工具（instrument）相關(guān)的臨界值。我

50、從工具（instrument）對于貸款人（Lender）的回歸得到了這個可預(yù)測的概率。通過對第一階段的500次剝離和使用在500個新的第二階段估計值中500種不同的IV_Lender預(yù)測值，我修正了已產(chǎn)生的回歸元的第二階段的殘差。如果IV_Lender 不是一個產(chǎn)生的回歸元（Petrin and Train,2001），我會把500個新系數(shù)估計值的方差加到從第二階段估值來的參數(shù)的穩(wěn)健方差上。第二階段估計使用了OLS（最小二乘法）作為一個三差分在表3的第4列。為簡單起見，我不顯示所有的相關(guān)變量系數(shù)；他們跟表3第4列非常的相似。也許IV specification導(dǎo)致的最重要的變化，是這些主要變量

51、（Disaster; Lender; Disaster和Lender交叉項）的估計值都變大了。在一定程度上，這是技術(shù)性地。初始變量Lender是一個均值和標準差都等于0.5的虛擬變量。IV _Lender是一個有相同均值，但標準差等于0.5的連續(xù)變量。因此，Lender 和 Disaster*Lender的相關(guān)系數(shù)可能僅僅反映的是緊繞著均值的偏差。IV _Lender * Disaster的關(guān)鍵系數(shù)估計值是-3.09。雖然從第一步誤差bootstrapping過程，該變量參數(shù)的顯著性就在下降，但結(jié)果仍然是具有解釋力的。比較表3和表4的結(jié)果，我認為有兩個標準偏差的情況趨向于社區(qū)中有一個貸款人的現(xiàn)

52、狀（這是和表3中從沒有l(wèi)ender到有一個lender，在標準差方面的一個比較）。當自然災(zāi)害發(fā)生時，一個擁有一名移民借款人的two standard deviation higher贖回可能性將減少0.4 * -3.09，等于1.23。這些結(jié)果和表3中的結(jié)果十分相似：在1000人的社區(qū)的distress時，一個lender的存在將減輕1.23的贖回。直觀地說，一旦應(yīng)用了IV，我發(fā)現(xiàn)災(zāi)害造成的贖回增加了72%（= 2.3 / 3.2）。同時由于外生引致的財務(wù)困境導(dǎo)致的贖回增加，貸款人減少了一半多一點（56%）。關(guān)于穩(wěn)健性，我考慮的是payday lenders的目標是軍事基地。（聯(lián)邦政府于200

53、6年規(guī)定向軍事人員貸款是非法的）因為加利福尼亞有許多軍事基地，以及軍事人員可能不遵守贖回的一般規(guī)定，所以可能我可能發(fā)現(xiàn)了一種軍事效應(yīng)。我所得到的結(jié)果的解釋是，貸款人社區(qū)附近有軍事基地的現(xiàn)象普遍存在于受災(zāi)地區(qū)，而貸款人社區(qū)附近沒有軍事基地的現(xiàn)象普遍存在于不受災(zāi)地區(qū)，反之亦然。而且，我在所有的軍事社區(qū)進行了重新測試，從某種程度上來說這是真的。我以是否存在軍事銀行或ATM機的郵政編碼來衡量一個軍事社區(qū)。軍事銀行和ATM機的位置來自Army Bank, Navy Bank, Air Force Bank and Bank of America Military Bank這些網(wǎng)頁。在重新測試的結(jié)果和我之

54、前的贖回測試結(jié)果并沒有變化。6小產(chǎn)權(quán)犯罪結(jié)果表5的報告結(jié)果指出了三個小產(chǎn)權(quán)犯罪變量：盜竊，車內(nèi)盜竊及爆竊。因變量是每年在每戶的犯罪變化，這種變化是用發(fā)生災(zāi)難這一年的平均罪率（比賽組對齊）減去發(fā)生災(zāi)難前一年的平均止贖率所得到的。相同的彈性變項也包含在內(nèi)，有機構(gòu)和社區(qū)人均工資（但不包括房價）以及暴力犯罪。所有協(xié)變量都與災(zāi)害指標相互作用。列1-3使用的是估計約束最小二乘數(shù)，結(jié)合穩(wěn)健標準誤差和今年假設(shè)。該表顯示哪些變量被限制在的贖估計，并且與（C1）和（C2）符號相等。列4-6，在簡單的牛肚差異規(guī)范的基礎(chǔ)上，進行三個因變量的重復(fù)估計。一個引人注目的事實是，自然災(zāi)害不會影響車輛的盜竊或爆竊。更嚴重是財產(chǎn)

55、犯罪，這些反映領(lǐng)土或企業(yè)導(dǎo)向的犯罪行動更有組織性。然而，我發(fā)現(xiàn)，自然災(zāi)害的影響，使統(tǒng)計的盜竊罪統(tǒng)計顯著增加11.20個點。將這一結(jié)果放置在這樣的背景下，同比增長11.20的家庭盜竊罪意味著平均每1000戶就發(fā)生了68 盜竊罪，增長了18。研究發(fā)現(xiàn)，當個人獲得貸款，伴隨著自然災(zāi)害發(fā)生后的所有盜竊的增長將得到緩解。值得注意的是，在盜竊群體中，社區(qū)貸款利潤有一個達到9.98的陡峭增長。在跟第4欄不受約束的三重差異規(guī)范的結(jié)果非常相似。協(xié)方差結(jié)果看上去也很有趣。正如預(yù)期的那樣，暴力犯罪的變化解釋了非暴力的小財產(chǎn)犯罪變化的變化。災(zāi)害增加了暴力和小財產(chǎn)犯罪之間的關(guān)系強度，使它們之間的靈敏度幾乎翻了一倍。唯一

56、重要的其他協(xié)變量是，災(zāi)難發(fā)生后盜竊和偷車犯罪人群工資的變化，但在贖結(jié)果中，災(zāi)害不影響這種變量的敏感性。表6報告犯罪結(jié)果的工具變量規(guī)范，注重三差規(guī)格并盡量減少各因素之間的相互作用。一次汽車偷盜行為沒有影響的自然災(zāi)害或獲得信貸。我發(fā)現(xiàn)，獲得信貸的可以減輕財務(wù)困境帶來的影響。表5中顯示，系數(shù)的大小對四_lender *災(zāi)害與平行（4）的影響是非常相似的。四_lender是一個連續(xù)變量，然而，為了取消抵押品贖回權(quán)的結(jié)果，我調(diào)整解釋的事實，以求得更嚴格的標準偏差。由此產(chǎn)生的四級如下：自然災(zāi)害造成盜竊增加8.766或13%（= 8.766 / 68），和貸款人減輕2.67（= 13.36 * 0.2）犯罪或30%增加以下盜竊引起的金融困境。這一結(jié)果是重要的，但只有10%的置信水平。由于額外的差額產(chǎn)生的回歸，捕捉到引導(dǎo)標準誤差。也許最有趣的一系列犯罪的結(jié)果是，金融危機和效益。從獲得的信貸問題只有最小的財產(chǎn)犯罪，在連接之間需要現(xiàn)金和刑事行動無疑是最直接的。7結(jié)論借助在三重差異框架工作中的自然災(zāi)害外源性休克，