湖北金融统计学会课题金融研究中心.docx
- 文档编号:29665145
- 上传时间:2023-07-26
- 格式:DOCX
- 页数:20
- 大小:80.54KB
湖北金融统计学会课题金融研究中心.docx
《湖北金融统计学会课题金融研究中心.docx》由会员分享,可在线阅读,更多相关《湖北金融统计学会课题金融研究中心.docx(20页珍藏版)》请在冰豆网上搜索。
湖北金融统计学会课题金融研究中心
城镇居民住宅地震保险购买意愿
对需求的主观影响
——基于北京、成都、大理问卷调查的实证分析
高俊
摘要:
产生购买意愿是形成保险需求是根本动力。
本文基于北京、成都、大理城镇居民关于地震保险购买意愿方面的调查数据,结合控制居住地、收入、教育水平、住房按揭等个人特征,通过构建结构方程模型,从风险认知、保险认知及政府行为三个角度来探索我国居民住宅地震保险需求的形成路径。
研究结果表明,在上述三个地区,人们对地震保险的购买意愿随着地震风险认知的提高而提高,但随着保险认识的加深而降低。
政府的地震防御行为则通过提高人们对地震的认知水平和住宅的抗震能力来提高地震保险需求。
我们的结果并未显示出政府救助行为对地震保险的“挤占效应”。
基于上述结论,我们认为:
居民住宅地震保险可以在大城市先试行,在强化科普大众的灾害及抗震相关知识的
同时,需要通过政府信用为保险业作担保,规范行业经营和服务,以化解保险行业信任危机,提高人们的地震保险需求。
关键词:
地震住宅保险;风险认知;保险认知;政府行为;结构方程模型
一、引言
居民住宅保障问题是我国历次地震后暴露出的突出问题。
据我国民政部、国家减灾办发布的《2013年上半年全国灾情》显示,地震灾害是造成损失的最主要灾害类型,全国32%的因灾倒塌房屋、53%的因灾损坏房屋由地震造成。
作为分散地震损失的重要工具之一,住宅地震保险(简称“地震保险”)制度近年来已越来越引起学术界和决策部门的高度重视。
然而,要发行和推广地震保险产品,了解和满足人们相应的地震保险需求是基本前提。
所谓保险需求,是指在某一保险费率水平上,消费者从保险市场上愿意且有能力购买的保险商品数量。
换言之,在价格既定的前提下,有效的保险需求取决于人们的购买意愿和购买能力两个因素。
可令人遗憾的是,迄今为止,国内外研究财产保险需求的文献多集中于“购买能力”层面的考察,较少涉及对内在“购买意愿”层面实证研究,这使得保险需求的形成路径变成了一个无法窥探的黑箱,阻碍了我们对保险需求的真实情况做出准确判断,使我们难以设计出符合我国国情的地震保险产品,难以为国家灾害风险管理体系建设提供全面客观的参考。
综览文献,国内外对包括地震保险在内的灾害保险研究主要集中在问题剖析和方案解决上,主要涵盖:
灾害保险的必要性和重要意义、开展灾害保险存在主要的问题和障碍、灾害保险的形势和费率厘定、以及灾害保险政策建议等,这些研究主要侧重于定性分析,也有一些简单、描述性的定量分析,对灾害保险需求的实证研究则较少。
参考其它财产保险及农业保险需求方面的实证研究,我们发现这些研究通常会做两项常规处理:
①用已实现的保费收入来代表需求;②除考虑经济环境、制度环境等宏观因素影响外,还会考虑人口学变量(如性别、年龄、收入、学历等)对保险需求的线性影响。
而鉴于本文要考查的出发点,可能较难采用上面提及的常规做法:
①我国尚没有充足的地震保险经营数据,也就无法通过保费收入作为相应保险需求的代理变量来实证分析巨灾保险需求的决定机制,只能通过寻找其他的代理变量来分析,但目前鲜有这方面的研究;②从效用理论和保险学理论出发,虽然知道人口学变量是通过对风险认知和保险认知等因素来主观影响保险需求的,但我们发现这种更深层次的影响机制的研究不仅需要微观数据的支撑,而且还存在多个原因导致多种结果的复杂局面,亦蕴含着类似风险认知、政策认知、保险认知此类无法用数据直观显示的潜在变量,因此也很难用当前普遍使用的线性回归方法来进行深入分析。
基于上述研究和存在的问题,本文以北京、成都、大理三地的实际调研数据为基础,分析民众的地震保险购买意愿的构成及主观影响因素,借助于社会学和心理学研究常用到的结构方程模型,来揭示地震保险需求的路径形成规律,为政府推行地震保险制度、保险公司设计和销售地震保险产品提供心理与行为方面的理论与经验依据。
本文分六个部分展开,第一部分是引言;第二部分是命题与假设推演;第三部分是研究设计,包括调查问卷设计与样本回收数据的统计整理、研究方法的大致介绍;第四部分是模型与数据分析,包括不同城市住宅地震保险需求的个人特征分析和潜变量结构模型及含个人因素的综合结构方程模型的构建;第五部分是对模型结果的讨论分析;第六部分是结论与建议。
二、命题与推演
购买意愿是促使人们产生地震保险需求最根本的内在动力。
查阅相关心理学文献我们发现,人们对地震保险的购买意愿可分解为“是否需要购买保险”(即风险认知)和“需要购买多少保险”(即保险认知)两部分,并受宏、微观环境的交互影响:
一边是国家构建的灾害风险管理的宏观环境,另一边是个体自身的经济实力、消费习惯等微观特征。
图1勾勒了本文的研究思路:
通过购买意愿(包括风险认知和保险认知两个方面)为核心中介变量来分析政府行为和个人特征对地震保险需求影响的传导路径,并利用一个完整的地震保险需求结构模型来估计各个路径参数。
图1地震保险需求形成路径的研究框架
(一)风险认知与地震保险需求
除表示个体对于外界各种客观风险的感受和认识外,风险认知还有更深的含义,即代表了个人衡量判断其所处环境,评估减缓办法,决策进一步行动的过程(Riordan,1986)。
只有个体认为感知到风险较大从而必须进行专门处理时,风险才被视为真正的问题。
从此角度出发,对地震风险的认知是民众形成地震保险需求的起点,进而催生保险消费行为(蒲成毅,2007)。
那么,民众对地震风险的认知是如何形成的呢?
苏筠等(2009)认为,一个基本的认知过程可以抽象为感知觉、认知加工、思维与应用三大部分,即个体根据直观判断和主观感受所获得的经验(谢晓非、徐联仓,1995),根据环境刺激、信息进行纪录、筛选、凝聚成知识与记忆,来做出对主观不确定性(即风险)的判定,并以此作为逃避、改变、接受风险的态度及行为决策的判断依据(Slovic,1978)。
地震风险的不确定性主要包括发生时间和损失程度不确定两个方面,民众对地震风险的认知因此也可以分解为对地震灾害的关注和对自有房屋抗震性的了解两个因素。
其中,对地震灾害的关注是指民众对地震灾害相关信息、历史及知识的关心程度和了解情况,是民众有无地震保险需求的直接动因,也是其进行灾害风险评估的前提条件。
灾害风险评估,是民众对地震发生可能性及房屋财产损失可能性的预测,是风险态度和风险应对行为主要判定依据。
在一般人看来,人们对地震风险的评估应该是客观且理性的,至少在学术研究中,地震风险可以用包含地震发生概率及损失的函数来估测;但在日常生活中,人们主要靠对地震风险的了解和房屋的抗震性来判断。
在客观信息不完备的情况下,民众心里的情感成分会使其倾向于以更加感性的方式评价自身与灾害事件的关系(于清源、谢晓非,2006),从而造成人们在灾害风险评估时的有限理性。
因此,人们只有对地震灾害及房屋抗震性等信息掌握得越完善,才能做出越理性的风险评估。
而这种评估的质量是直接影响了民众的风险态度(或称风险规避程度)的,对其是否参与地震保险具有较为显著的影响(张跃华、杨菲菲,2012)。
保险需求,是民众在比较众多地震风险应对方式后的一种行为选择,受前面两个因素的综合影响,是地震风险认知的外在体现。
遵循上述风险认知与地震保险需求的关系,本文提出如下三个命题:
:
民众对地震风险的相关信息越关注,其对地震保险的需求就越大。
:
民众对自身房屋的抗震性越了解,其对地震保险的需求就越大。
:
民众对地震风险的相关信息越了解,其对自身房屋的抗震情况就越关注。
(二)政府对风险认知的影响
风险认知强调对风险相关信息的处理,并同受众的心理密切相关。
而政府在防范并化解社会危机方面处在关键地位,发挥着主导作用,会通过灾前防御及灾后救助等途径影响人们的心理和地震风险的认知水平,进而影响人们的地震保险需求。
在地震发生前,政府往往通过宣传地震风险信息、监督建筑质量以及训练救援团队等手段来减少地震风险给社会带来的危害。
这些手段,一方面可以有效传播地震方面的基本知识和最新信息,普及房屋抗震概念,提高人们的抗震意识;另一方面也可建立人们在对各项减灾措施、设施效能的正向估计基础上的心理状态。
正向估计是对实现期望可能性的估计,表明信任主体有信心相对安全地避免灾害、减少损失。
例如,张美华、苏筠(2008)等的研究发现,减灾能力的信任会降低民众对灾害的恐惧感,明显增加其控制灾害的信心。
在地震发生后,政府通常会通过灾中救援及灾后救助等减少和补偿灾害损失。
传统经济学理论认为,灾后救助与地震保险本质相同,两者通常以替代品的形式出现,灾后救助被称为“免费保险”。
因此,政府灾后救助尽管在受灾地区的恢复和重建过程中起到关键性作用,但如果民众预期到政府在灾后会进行救助或对政府灾后救助寄予了较高期望,则会相应减少其对保险的需求(Lewis&Nickerson,1989;Kaplow,1991;Coate,1995)。
与此同时,如果政府承担了居住在高风险地区民众的部分地震风险成本,高风险地区民众的风险防范意识就会降低,也不利于减少高风险地区的风险暴露,这会导致人们对灾后救助产生更高的期望,会预期下一次灾害来临时政府将有更高的救助支出,从而会对民众的地震保险需求产生挤出效应。
由此,得到如下五个命题:
:
政府的灾前防御做得越好,民众对地震风险越关注。
:
政府的灾前防御做得越好,民众对房屋抗震情况越了解。
:
政府积极、完善地灾后救援会导致民众忽略风险。
:
政府的灾后救援会让民众忽视自身房屋抗震性的了解。
:
政府的灾后救援会对民众的地震保险需求产生“挤出效应”。
(三)保险认知与地震保险需求
保险具有保障职能和风险补偿职能,民众对地震保险的需求除了来自于自身对地震风险的认知度以外,还来自于他们的保险意识,即保险认知。
这种认知分为两个层面:
一是对保险产品的了解程度,二是对保险产品的态度,即保险是否重要。
一般而言,对保险产品越了解的民众,越愿意购买保险;而对保险不了解的民众,可能就不愿意购买保险。
赵建东和冯庆水(2009)的研究表明,如果购买过任何一款保险产品,其对保险的大致运作流程及其保障程度都会有所了解,进而也会产生和增加其对地震保险的需求;当然,如果曾经购买保险但在理赔或给付过程中遇到问题则会影响其购买地震保险的积极性。
一般而言,这是呈正向的显著影响的。
据此,提到以下命题:
:
个体的保险认知会对其保险需求有正面引导作用。
三、研究设计
(一)问卷设计
对于上述七个命题,在分析相关文献的基础上我们设计了调查问卷。
问卷共分两个部分,第一部分是问卷的主体,由保险产品认知、地震风险认知、地震保险需求及对政府在地震风险管理中应该发挥作用的认知等4个维度构成。
其中,“保险产品认知”的相关题项参考赵建东、冯庆水(2009)的做法,通过“是否购买过保险产品”(“1”为是,“0”为否)及“不购买保险产品的原因”等问题来了解被调查者的保险认知情况;“地震风险认知”和“地震保险需求”的相关题项以台湾灾害防救科技中心的《水灾风险认知调查问卷》为蓝本进行编制,“地震风险认知”部分集中考察民众对地震风险关心程度、对地震的知识掌握情况、对地震频率预测及损失控制可能性的认知,各项问题以3点量表测量(“1”表示没有,“2”表示一般,“3”表示非常),同时关注民众的住房防护意识,由受测者以“是”或“否”作答,“地震保险需求”在假设一定保险费率的前提下,设置不同保额占房屋总价值的比例让民众做出反映保险需求情况的选择(“0”为不购买,“1”为低于10%,“2”为10%至50%,“3”为50%至80%,“4”为80%以上);“对政府在地震风险管理中应发挥作用的认知”的相关题项根据赵美华(2008)的区域减灾能力信任测量指标设计题项,以被调查者对政府减灾工作的满意和对政府角色的期望程度来测量,采用5级李克特度量方法,每个题项从1到5分别表示满意或期望重要的程度从低到高的变化。
问卷第二部分为背景资料,主要记录被调查者的个人信息,如性别,年龄、受教育程度、月收入、职业、家庭状况、房屋数量、房屋所有权等信息。
(二)数据收集
2011年,在清华大学媒介调查实验室的协助下,我们完成了对北京、成都、大理三地城镇居民的入户/电话问卷调查。
之所以选择这三个城市的城镇居民为抽样对象,主要依据有两个:
一是按照城市发生地震的频率和时间,上述三个城市具有代表性。
北京近200年内没有发生过破坏性地震,云南大理于1925年发生过7级地震,四川成都于2008年强烈感受到邻近汶川发生的7.8级地震。
二是按照城市经济发展水平和居民受教育程度,北京、成都和大理层次分明,极具代表性。
以上设定可使样本在职业、年龄、性别、受教育水平、收入等方面尽量分散,确保样本覆盖范围尽量广泛,使分析结论有较好的代表性。
最终,在剔除关键题项遗漏和答题缺失较多的问卷后,我们共得到1005份有效问卷,其中北京402份、成都300份、大理303份。
有效样本的性别构成为男性占61.1%,女性占38.9%;在年龄分布上,24岁以下占28.8%,25~34岁占42.6%,35~44岁占19.3%,45岁以上占9.4%;从受测者的受教育程度看,初中及以下占12.8%,高中(中专)占18%,大专、本科占60.9%,硕士及以上占8.3%;在月收入方面,1000元及以下占20.4%,1001~3000元占31.6%,3001~5000元占26.4%,5001~8000元占12.1%,8001元及以上占9.5%;在职业构成方面,政府工作人员占4.3%,企业管理人员占15.8%,公司职员占20.8%,专业技术人员占15.2%,服务人员占5.4%,工人占6.8%,农民占1.2%,离退休人员占1.4%,学生占16.2%,个体经营者占5.0%,其他职业占7.9%;在拥有的房屋数量上,无房的有1位,拥有1套的占68.3%,拥有2套的占23.8%,拥有3套及以上的占7.9%;从房屋所有权上看,有住房按揭的占33.5%,无住房按揭的占66.5%。
(三)研究方法
若我们将以上获得的关于受访者的收入、年龄、按揭情况等可以明显观察到的指标称为“显变量”的话,那第二部分假设推演中所涉及的“风险认知”、“政府行为”和“保险认知”等概念无法直接观测到的变量则被称为“潜变量”。
已往涉及保险需求的实证研究多采用传统回归方法来分析显变量及指标之间的关系,而要更深入地分析地震保险需求的传导路径,则需量化潜变量间的关系,需要借助于社会学和心理学研究常用到的结构方程模型(StructuralEquationModeling,SEM)。
该模型主要由测量模型和结构模型两个模块构成,通过多层的嵌套回归来描述潜变量和指标之间、潜变量之间的关系。
结构模型指的是界定潜变量与潜变量之间因果关系的模型。
潜变量中被假定为自变量的称“外生潜变量”
,被假定为因变量的称“内生潜变量”
:
(1)
在式
(1)中,
为反映内生潜变量与外生潜变量关系的待估参数矩阵。
为反映内生潜变量
之间的待估参数矩阵;
为结构模型的干扰项向量。
测量模型是反映潜变量与观测项目之间关系的模型,由两个方程组成,分别规定了内生潜变量
和内源测量项目(指标向量)
之间,以及外生潜变量
与外源测量项目(指标向量)
之间的联系。
(2)
在式
(2)中,
是描述
与
之间关系的待估参数矩阵,表示内生潜变量发生1个单位变化,其所对应的内生指标预期会发生的变化;
是描述
与
之间关系的待估参数矩阵,表示外生潜变量发生1个单位变化,其所对应的外生指标预期会发生的变化;
和
分别为
和
的干扰项向量。
由于本文中的部分量表是第一次在国内使用,因此需对各量表中的测量项目做内部一致性信度检测,剔除量表中的干扰项目,以净化量表反映的内容;然后通过对“风险认知”量表和“政府行为”量表进行探索性因子分析(ExploratoryFactorAnalysis,EFA)来明确和突出量表所反映的主题,并得出相应潜变量;随后,为保证所得潜变量可用于结构方程模型,还需用验证式因子分析基于测量模型(即式
(2))对上述潜变量进行测量,通过判断模式适配度的相应指标来选择支持结构方程模型概念构建的潜变量模式;最后,依据式
(1)构建相应的结构模型。
四、数据与模型
(一)不同城市住宅地震保险需求的个人特征
不同城市之间的社会文化环境和经济环境差异,可能会导致各地居民保险消费理念及保险需求方面的差异。
考察不同城市居民的地震保险需求是否存在个人特征差异,关系到我国住宅地震保险制度是否需要分区域推行的问题。
表1不同城市居民个人因素与其地震保险需求的
相关性对比
城市
居住地
性别
年龄
教育
收入
家庭结构
按揭情况
房屋价格
北京
.a
-0.095
-0.001
0.096
0.124*
0.096
0.078
-0.038
成都
.a
-0.089
0.003
0.027
0.083
0.069
-0.015
-0.028
大理
.a
-0.024
-0.031
0.291**
0.159**
-0.122*
0.159**
-0.031
三城市综合
-0.062*
-0.065*
-0.010
0.167**
0.135**
0.001
0.076*
-0.023
注:
a.因为至少有一个变量为常量,所以无法进行计算。
b.**.为在0.01水平(双侧)上显著相关;*.为在0.05水平(双侧)上显著相关。
为此,我们分城市对居民个人因素与其地震保险需求之间的相关性进行了对比(如表1所示),结果表明:
分城市考察的各因素与保险需求的相关性绝大部分都不显著,仅有北京居民的收入与其地震保险需求显著正相关,大理居民的教育、收入、住房按揭状况与其地震保险需求显著正相关,家庭结构(即家庭人口数)与其地震保险需求收入显著负相关。
若不以城市差异为前提,居民有5项个人因素指标与其地震保险需求显著相关,其中,居住地、性别与地震保险需求显著负相关,教育、收入和按揭状况与地震保险需求显著正相关。
这意味着,我国推行住宅地震保险不需要分区域进行,而仅需考虑城市推行先后的问题。
为此,本文在后面的研究中也将不会分城市进行建模。
(二)量表的信度与效度
由于“风险认知”量表和“政府行为”量表的题项较多,本文需要检测其内部一致性信度,即检测量表中各个题目是否反映了相同的内容和特质,以剔除干扰题目,净化量表所反映的内容,常用Cronbach's
系数进行检测。
对于“风险认知”量表,经过对题目内容的斟酌比较和反复地内部一致性信度调试,将10个题目精简至4个题目,得到最终的Cronbach's
系数为0.621(>0.6),这说明最终由这4个题目组成的量表是有效的。
对于“政府行为”量表,在将原有的22个题目精简至15个题目后,得到最大的Cronbach's
系数为0.908,这反映了量表具有很高的可靠性。
在检验了量表主题的一致性后,我们要进一步检测量表的主题明确性和有效性程度,即检测两量表的效度,所采用的方法是探索性因子分析。
不过在此之前,需要用取样适切性量数(Kaiser-Meyer-Olkinmeasureofsamplingadequacy,KMO)的值来判别题项间是否适合进行因素分析。
一般而言,当KMO<0.50时,表示题项间不适合进行因素分析;相对的,若KMO>0.80,表示题项间的关系是良好的,适合进行因素分析;如果KMO>0.90,表示题项间关系是极佳的,非常适合进行因素分析(Spicer,2005)。
“风险认知”量表:
在内部一致性信度检测后保留下来的4个题目的KMO值为0.599>0.5,表示题项尚可做因素分析。
然后,采用最大方差法(Varimax)旋转得到1个因素(将其称为“风险认知”),总解释率为44.50%,其中有1题的因素载荷较低,将之删除后因素总解释率升至的56.83%。
因素“风险认知”包括城镇居民对居住城市地震断裂带分布状况、居住地破坏性地震发生历史的关注和了解情况以及其对居住房屋抗震级别的了解程度。
“政府行为”量表:
基于内部一致性信度检测保留下来的15个题目进行KMO值计算,得到KMO=0.897>0.8,说明这些题目很适合做因素分析。
然后,采用最大方差法(Varimax)旋转得到2个因素,总解释率为58.77%;将因素载荷过低的1题删除后,2个因素的总解释率升至60.72%。
其中,因素“政府防御”反映的是民众对当前政府在地震防灾减灾中所做工作的满意度,具体包括向居民提供相关培训、定期组织地震应急演练、建立专业救援队伍及避难场所、发布地震防灾减灾公益广告、对校舍等建筑进行安全性监管和加强供水供电设施的安全性与可靠性等。
因素“政府救灾”体现了民众对政府在汶川地震和玉树地震过程的满意程度,主要涉及救援的反应速度、救援的专业能力、救援的指挥协调能力、新闻报道的透明度、对社会各界的动员能力、受灾群众的安置能力以及救援资金与物资的合理使用等方面。
至此,我们已得出了待用于构建结构方程模型的五个因素:
保险需求、保险认知、风险认知、政府防御和政府救援。
根据Anderson等人(1988)的观点分两步构建模型,先是运用式2通过验证性因子分析法验证测量模型,测量模型合乎要求以后再构建结构方程模型。
结果表明,测量模型的拟合性较好(
(157)=1215.37;p=0.00;CFI=0.90;RMSEA=0.080;RMR=0.02;GFI=0.99;IFI=0.98),且所有题项都对应于假设的因子结构,具有较强的统计显著性(p<0.001),内敛效度较好,说明各题项对各个潜变量的测量是可靠的,据此对潜变量所做的理推测是有效的。
最后,Harman单因子模型与本研究的6因子测量模型卡方检验的结果具有显著的差异性(
df=13;
=2156.92;p<0.001),这表明各变量表现出很高的判别效度,即各潜在变量的主题差异明显。
(三)潜变量结构模型
本部分的主要目的是探讨政府对风险认知的影响,以及风险认知和保险认知对保险需求的影响。
根据前面讨论的理论假设及测量模型的结果,以保险认知、政府防御和政府救灾三因素作为外生潜变量,以灾害认知、房屋抗震认知为中介潜变量,构建结构模型Ⅰ来考察风险认知等因素对内生潜变量地震保险需求的作用机制。
研究使用软件LISREL8.7对模型进行参数估计,并根据假设方向和t检验结果对模型进行修正和综合比较,基于最优的指标确定了最终的结构模型。
最终模型的拟合指数如表3所示,分为三类:
绝对拟合指数、相对拟合指数和简约拟合指数,主要用来检验最终模式与观察数据的拟合程度。
根据侯杰泰等(2004)的建议标准(见表2),综合各项提标的判断,本研究所有假设构成的结构模型拟合度较好,可以用以检验相应理论假设。
理论模型的路径系数和假设检验结果总结于表3中。
如表3中路径系数显示,风险认知方面的因素对保险需求有正向影响。
其中,灾害知识对保险需求直接影响的路径系数为0.48(p=0.000),表明灾害知识越丰富,民众的地震保险需求越强烈,命题
得以验证;房屋抗震对保险需求也较为显著,路径系数为0.26(p=0.077),表明民众对房屋抗震级别越了解,或者在房屋改造和装修过程中越考虑到抗震效果,其对地震保险的需求就越大,命题
得到验证。
而这种民众对房屋抗震情况的关注程度,会受其对居住地相应地震风险了解情况和影响,表3中灾害知识对房屋抗震的影响路径系数为0.26(p=0.000),命题
得到了验证,说明灾害知识对房屋抗震有直接促进作用,并间接增强了其保险需求。
表2结构模型1的拟合指数
拟合指标
模型
估计
衡量标准
绝对拟合指数
卡方值
1218.60
GFI
0.90
≥0.90,假设模式可解释观察资料变异数与共变数比例
AGFI
0.86
≥0.90,在计算时将自由度纳入后所计算出
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 湖北 金融 统计 学会 课题 研究中心
![提示](https://static.bdocx.com/images/bang_tan.gif)