承接上節實證結果，本節將進一步檢視，經社文化地位指數、數學素養評量分 數、性別對於金融素養評量分數的影響，在不同國家是否有差異。由於模型(2)的樣 本數比模型(1)少三分之一，而且表示統計模型解釋能力的 R-square 沒有顯著提升，
因此本節只針對模型(1)的三個自變數 Status、MathLit、Gender 進行後續分析。
由以下圖2 可以看出，在控制其他自變數後，經社文化地位指數提高 1 單位，
對於金融素養評量分數的正向影響，在比利時、荷蘭影響最大，可以提高50 分以
上；在義大利、俄羅斯影響最小，提高不到25 分。
圖 2 PISA 2015 年經社文化地位指數提高 1 單位，在不同國家對金融素養評量 分數的正向影響(在控制其他自變數後：數學素養評量分數、性別)
為了進一步分析經社文化地位指數對於金融素養評量分數的影響，在不同國 家會有如此不同的原因，下頁表8 列出了各國在 2015 年的整體經濟環境數據，
0 10 20 30 40 50 60
俄羅斯 義大利 西班牙 巴西 立陶宛 斯洛伐克 波蘭 智利 美國 祕魯 加拿大 中國 荷蘭 比利時 全部14國
Global Innovation Index，GII)。
資料來源：The World Bank Group 和 Cornell INSEAD WIPO 官方網站
上頁表8 中的全球創新指數，為從 2007 年起，由聯合國世界智慧財產權組 織（World Intellectual Property Organization，WIPO)、美國康奈爾大學(Cornell University)、歐洲工商管理學院(Institut Européen d'Administration des Affaires，
INSEAD)和夥伴機構每年聯合發布的指標，由七大面向，包括：機構環境、人力 資本和研究、基礎建設、市場成熟度、商業成熟度、知識和科技產出、創新產 出，所構成的80 項指標為分析依據，對經濟體的創新情況進行分數排名。
為了進一步瞭解表 8 的各項整體經濟環境變數和模型(1)Status 係數，會有怎
麼樣的關聯性，分析相關係數矩陣做成如下表9。
表 9 PISA 2015 年金融素養評量參與國家當年度的整體經濟環境變數 和模型(1)Status 係數的相關係數矩陣
平均每人 GDP
GDP
成長率 吉尼指數 全球 創新指數
模型(1) Status
係數 平均每人GDP 1.000
GDP 成長率 -0.030 1.000
吉尼指數 -0.454 -0.336 1.000
全球創新指數 0.900 0.249 -0.473 1.000
模型(1)Status 係數 0.394 0.442 -0.393 0.525 1.000
表9 中的模型(1)Status 係數，代表在控制數學素養評量分數和性別之後，經社 文化地位指數上升 1 單位，對金融素養評量分數的正向影響大小。由表 9 可以發 現，正向影響的大小和平均每人GDP、GDP 成長率、全球創新指數，有中度正相 關；正向影響的大小和吉尼指數，則有中度負相關。這代表說，在整體社會富裕、
素養表現的正向影響愈大；但是在貧富愈不均的國家，父母經濟社會文化地位對於 子女PISA 金融素養表現的正向影響愈小。這種相關性的經濟直覺，也許可以從為 何要課徵富人稅的原因來理解。
在美國專門研究富人稅和富人如何避稅的柏克萊加州大學(The University of California, Berkeley)經濟學系助理教授 Gabriel Zucman，於 2019 年 5 月接受 Bloomberg Businessweek 雜誌專訪時表示8，他認為美國總統川普(Donald John Trump)在 2017 年推出的減稅政策―刪減企業稅、提高企業主的扣除額、以及放寬 遺產稅規定―很難不被解釋為一種政治攫取（political capture）的形式，因為得到 減稅的富人往往不是把錢拿去做企業再投資，而是捐獻更多政治獻金、雇用更多遊 說團體、和透過收購來消滅競爭對手，投入更多在鞏固財富地位。
如果不是以創新、白手起家的階級流動方式提高經社文化地位，而只是在貧富 不均的環境下無效率的加強鞏固財富地位的話，並無助於子女金融素養表現的提 升。
從下頁圖3 可以看出，在控制其他自變數後，數學素養評量分數提高 1 單位，
對於金融素養評量分數的正向影響，在荷蘭影響最大，可以提高約1.2 分；在俄羅
8 原文為：Zucman says the response to inequality must be aggressive because wealth is self-reinforcing.
The rich can always earn more, save more, and then spend more than everyone else to get their way. He considers Trump’s 2017 tax law—which slashed rates on corporations, created a new deduction for business owners, and made the estate tax even easier to avoid—to be a textbook example. “It’s hard not to interpret that as a form of political capture,” The actual effect of lower taxes on the rich, he argues, isn’t to stimulate the economy but to further enrich the rich and further incentivize greed. In his analysis, when the wealthy get tax breaks, they focus less on reinvesting in businesses and more on hiring lobbyists, making campaign donations, and pursuing acquisitions that eliminate competitors. “ Once you’ve created a successful business and the wealth is established and you own billions of dollars, then what these people spend their time doing is trying to defend that position,”
B. Steverman (2019, May 23). The wealth detective who finds the hidden money of the super rich.
斯、義大利影響最小，提高約0.8 分。
從上頁圖4 可以看出，在控制其他自變數後，性別是男生，對於金融素養評量
分數的負向影響，在斯洛伐克影響最大，會降低約31 分；在義大利影響最小，降
低不到5 分；在中國，沒有統計上的顯著影響。
為何性別是男生，對於金融素養評量分數的影響會是負向的？以下圖 5 為
PISA 2015 年男生和女生在金融素養評量能力五個等級的人數分布比例(全部 14 國)。
圖5 顯示，分數最低的等級 1，男生分布比例多於女生；分數較高的等級 2、3、4，
女生分布比例都多於男生；只有在分數最高的等級5，男生分布比例才多於女生一
些；所以整體女生表現優於男生。男生的金融素養評量分數分布，相對於女生，比 較高低分兩極化。
圖 5 PISA 2015 年男生和女生在金融素養評量能力五個等級的人數分布比例 (全部 14 國)
28.6%
22.0%
23.0%
16.8%
9.6%
25.5%
23.8%
25.4%
17.0%
8.3%
0.0% 5.0% 10.0% 15.0% 20.0% 25.0% 30.0% 35.0%
Level 1 Level 2 Level 3 Level 4 Level 5
女生(59,414人) 男生(59,154人)
第伍章 結論
本文使用OECD 的 PISA 2015 年資料，以多元迴歸統計模型實證父母之經濟 社會文化地位對於子女的金融素養有正向影響。此正向影響的大小會因國家而有 所不同；平均每人 GDP、GDP 成長率或全球創新指數愈高，則此正向影響愈大；
吉尼指數愈大，則此正向影響越小。
關於多元迴歸模型裡的其他變數，數學素養評量分數，對金融素養評量分數有 顯著正向影響；性別是男生，除了中國，在其他國家都對金融素養評量分數有顯著 負向影響；學生校外每週自主學習時數，對金融素養評量分數有顯著負向影響；在 家是否大部分時間說本測驗語言，在部分國家對金融素養評量分數有顯著正向影 響，在荷蘭對金融素養評量分數有顯著負向影響。
一些研究限制如果可以改善，將能增進本研究。一些不錯的變數，例如：學生 對未來就業準備、家長參與學校活動時間，由於缺失值太多，無法使用。此外，
目前只有十幾個國家參與PISA 金融素養評量，不容易做深入分析；像是德國懷疑 仍在初步階段發展的PISA 金融素養評量的有效性、與其他 PISA 素養評量的相似 性，因此尚未參與。
對於統計模型的改進修正，如果以經社文化地位指數為 X 軸，金融素養評量
分數為Y 軸，用局部加權散布圖平滑法（Locally Weighted Scatterplot Smoothing，
LOWESS）可以畫出有點彎曲的曲線，接著把經社文化地位指數的平方作為新增加 的變數，放入模型(1)和模型(2)，在全部 14 國的樣本資料集，可以得到係數為正而 且統計上顯著的結果；但是以個別國家的樣本資料集做迴歸的話，得出的係數在各 國有正、有負，統計上在部分國家顯著、在部分國家不顯著，未來研究者在設計實
證模型時可將此納入考慮。此外，由於PISA 經社文化地位指標的重要性，其五個 組成成分，也許可以進一步拆解，探討各成分的影響程度以及關鍵核心；例如另一 國際獨立機構，國際教育學習成就調查委員會（The International Association for the Evaluation of Education Achievement，IEA）對四年級和八年級學生所做的國際數學 與科學教育成就調查（Trends in International Mathematics and Science Study，TIMSS)，
研究該調查的學者Wößmann (2008)認為，學生家中的藏書數量可以作為衡量家庭 背景的指標，而且在解釋學生測驗表現上，效果強於任何其他變數。最後，各國整 體經濟數據對於解釋學生金融素養表現有一定的作用，可以考慮直接放入統計模 型作為變數，或作為經社文化地位指數的交互作用項，對金融素養表現進行分析。
不過，隨著數位時代下網路的普及，以及金融科技的未來發展，父母經社文化 地位影響子女金融素養的重要程度會不會因此改變？ Ito、Narula 與 Ali (2017)在 哈佛商業評論上探討區塊鏈技術的影響，認為加密貨幣讓透明的分散化金融體系 有機會建立，降低目前太過複雜化的金融系統風險，並減少使用者所需的仲介和成 本。2019 年 4 月，法國興業銀行（Société Générale）在以太坊（Ethereum）公鏈上 用證券代幣的形式發行資產擔保債券；Facebook 計劃於 2020 年上半年在全球範 圍推出加密貨幣Libra，目前已獲得 Visa、MasterCard、PayPal、eBay、Lyft、Uber 等27 家企業支持；2019 年 6 月，國際清算銀行 (Bank for International Settlements，
BIS)的董事會批准在瑞士巴塞爾、香港和新加坡建立創新中心 (Innovation Hub)，
以促進各國中央銀行合作因應金融科技的快速變化。這些發展將可能改變目前的 財務金融環境，也是日後研究時，需要注意的趨勢。
參考文獻
Bank for International Settlements (2019, June 30). BIS to set up Innovation Hub for central banks. Retrieved from https://www.bis.org/press/p190630a.htm
Cleveland, W. S. (1979). Robust locally weighted regression and smoothing scatterplots.
Journal of the American Statistical Association, 74(368), 829-836.
doi:10.1080/01621459.1979.10481038
Demir, İ., Kılıç, S., & Ünal, H. (2010). Effects of students’ and schools’ characteristics on mathematics achievement: Findings from PISA 2006. Procedia Social and Behavioral Sciences, 2(2), 3099-3103. doi:10.1016/j.sbspro.2010.03.472
Heidi, K.. (2010). What PISA tells us about the quality and inequality of Japanese education in mathematics and science. International Journal of Science and Mathematics Education, 8(3), 389-408. doi:10.1007/s10763-010-9196-5
Huber, P. J. (1967). The behavior of maximum likelihood estimates under nonstandard conditions. In L. M. Le Cam & J. Neyman (Eds.), Proceedings of the fifth Berkeley symposium on mathematical statistics and probability (Vol.1, pp.221-233). Berkeley, CA: University of California Press.
Ito, J., Narula, N., & Ali, R. (2017, March 9). The blockchain will do to the financial system what the Internet did to media. Harvard Business Review. Retrieved from https://hbr.org/2017/03/the-blockchain-will-do-to-banks-and-law-firms-what-the-internet-did-to-media
Kohler, U., Karlson, K. B., Holm, A. (2011). Comparing coefficients of nested nonlinear probability models. The Stata Journal, 11(3), 420-438.
Libra Association (2019). Partner with Libra. Retrieved from
https://libra.org/en-Lin, E., & Shi, Q. (2014). Exploring individual and school-related factors and environmental literacy: Comparing U.S. and Canada using PISA 2006. International Journal of Science and Mathematics Education, 12(1), 73-97. doi:10.1007/s10763-012-9396-2
Little, R. J. A., & Rubin, D. B. (2002). Statistical analysis with missing data (2nd ed.).
Hoboken, New Jersey: John Wiley & Sons. doi:10.1002/9781119013563
Organisation for Economic Co-operation and Development (2002). PISA 2000 technical report. Paris: Author.
Organisation for Economic Co-operation and Development (2017). PISA 2015 technical report. Paris: Author.
Organisation for Economic Co-operation and Development (2017). Students' financial literacy (PISA 2015 Results, Vol. 4). Paris: Author.
Perry, L., & Mcconney, A. (2010). Does the SES of the school matter? An examination of socioeconomic status and student achievement using PISA 2003. Teachers College Record, 112(4), 1137-1162.
Riitsalu, L., & Poder K. (2016). A glimpse of the complexity of factors that influence financial literacy. International Journal of Consumer Studies, 40(6), 722-731.
doi:10.1111/ijcs.12291
Schuhen, M., & Schürkmann, S. (2016). Construct validity with structural equation modelling. In C. Aprea, E. Wuttke, K. Breuer, N. K. Koh, P. Davies, B. Greimel-Fuhrmann, & J. S. Lopus (Eds.), International handbook of financial literacy (pp.
Schuhen, M., & Schürkmann, S. (2016). Construct validity with structural equation modelling. In C. Aprea, E. Wuttke, K. Breuer, N. K. Koh, P. Davies, B. Greimel-Fuhrmann, & J. S. Lopus (Eds.), International handbook of financial literacy (pp.