农村金融发展对农业经济增长的空间溢出效应分析——基于1978—2016年省级面板数据

温红梅，王宏宇，赵睿藜

(1.哈尔滨商业大学 金融学院，哈尔滨 150028;2.法国凯致商学院，法国 波尔多 33405)

引 言

我国在改革开放后恢复设立了中国农业银行，农村金融才正式开始发挥支持农业经济增长的作用。目前，我国农业发展逐渐由粗放式生产模式向机械化、集约化、现代化的绿色生产模式转变，在农业转型发展的关键时期，农业经济增长的压力与日俱增，而农村金融作为支持农民、农村与农业发展的经济资源，其在农业经济增长中起到了非常关键的作用(赵洪丹，2011)[1]。我国学者一直都非常关注农村金融与农业经济增长方面的研究(温涛、冉光和等，2005；曹协和，2013；黄红光、白彩全等，2018)[2-4]。在当前，农村金融的规模、结构、效率等各个方面均会影响到农业经济增长(张建波等，2010；成党伟，2019；温红梅等，2018)[5-7]。但不能否认的是，农村金融并未充分发挥支持农业经济增长的作用(张乐、黄斌全等，2016)[8]。因此，国家“中央一号文件”连续多年强调要发挥金融对农业经济发展的支持力度，中央银行也在引导地方性商业银行、农村信用社及村镇银行等将吸收的资金投放到农民及农业相关企业中。虽然这种政策性引导对农村金融支持农业经济增长方面起到了一定作用，但是我国农村金融依然存在各地区发展失衡的问题，这个问题是否解决则关系到农村金融能否充分发挥支持农业经济增长的作用。我国各地区农村金融的失衡发展是由哪些因素导致的？农村金融发展失衡在哪些地区表现的尤为突出？如何解决我国农村金融发展失衡的问题？回答这些问题将有利于我国农村金融的均衡发展，使其更好发挥支持农业经济增长的作用，为国家科学合理地制定农村金融发展的相关政策奠定基础。

一、文献综述

目前，农村金融与农业经济增长的研究主要集中在以下两个方面：

一方面，研究农村金融发展与农业经济增长的关系，即农村金融是否对农业经济增长起到作用。Goldsmith(1969) 、Mckinnon(1973)和Shaw(1973)提出的金融发展理论认为，经济发展需要得到金融的支持，并且强调金融在农业经济发展中发挥重要的作用[9-11]；Robinson (1952)的研究认为不能夸大金融对经济增长的作用[12]；Krugman(1999)认为如果不能改善农村金融市场，将会对农业经济起到抑制性的作用[13]；Mohsin、Abdelhak(2000)的研究也显示金融发展会对经济起到促进作用，这些学者的观点是金融发展带动了经济增长[14]；王丹、张懿(2006)[15]基于金融发展与经济增长理论，利用误差修正模型(ECM)实证检验了安徽省农村金融发展与农业经济增长的互动关系，研究认为农村金融发展会引致农业经济增长的变动；曹协和(2008)[16]利用VAR模型将结构建模静态分析与时间序列动态分析相结合，其研究结果显示农村金融发展对农业经济增长的短期作用小于长期作用。

另一方面，将农村金融细分化，从农村金融的规模、效率、结构来研究农村金融如何促进农业经济增长。陈文俊(2011)[17]将农村金融细分化，利用VAR模型研究对农业经济增长的影响，其研究结果显示农村金融发展规模是农业经济增长的主要原因，农村金融发展效率对农业经济增长的贡献度较小；严太华、曹小春(2011)[18]将农村金融发展划分为农村金融相关率、资本边际产出率和储蓄率，并运用Pagano模型对四川农村金融发展与农业经济增长进行实证分析，研究显示储蓄率与农业经济增长呈负相关关系，其余呈正相关关系；禹跃军、王菁华(2011)[19]利用1978—2010年的时间序列数据，运用VAR模型来研究农村金融规模、效率、结构与农业经济增长的关系，结果显示农村金融发展有助于农业经济增长，但是农村金融发展却滞后于农业经济增长；温红梅、朱伟真(2018)运用空间计量的方法，构建了农村金融规模、结构以及效率的农业经济增长模型，具体研究三者对农业经济增长的作用，研究结果显示农村金融规模、结构与效率均呈现显著的空间集聚性，农村金融的效率对农业经济增长的促进作用明显，而农村金融的规模和结构对农业经济增长的促进作用并不明显。

上述研究成果有助于观察农村金融对农业经济增长所发挥的作用，在政府制定相关政策方面具有理论与实践意义，不过现有的研究仍然有提高的空间。

首先，大部分已有研究往往基于静态因素，鲜有学者考虑农村地理位置之间空间因素的相互影响关系。但实际上随着我国农村交通基础设施和网络建设的不断完善，地区之间信息沟通、生产要素流动等变得更为快捷。正如Anselin(1988)[20]指出的“几乎所有空间数据都具有空间依赖性或空间自相关特征”，因此，从空间维度的角度来研究农村金融对农业经济增长，更有利于全面揭示我国各区域之间农村金融与农业经济增长的相互影响关系。

其次，虽然现有研究很多采用1978年以来的时间序列数据或面板数据，可在实证分析时没有把时间细化，没有将时间分段来进行研究。因为在改革开放40年中我国农村金融发展与农业经济增长均经历过多次制度与政策方面的调整，因此，从时间维度的角度来研究农村金融发展对农业经济增长的作用会更有实践意义。

二、农村金融对农业经济增长的机理分析

农村金融发展是指农村正规金融机构将信贷资金在农村进行配置的过程(刘艳华，2016)[21]。由于正规金融机构高严格的风险把控，加之农业产业低利润、弱担保的特点，导致我国从事农业生产的农民与企业面临严格的信贷配给，所以农村金融发展对农业经济增长具有重要作用。

(一)微观作用机制分析

农村金融发展对农业经济增长主要从三方面发挥作用，如图1所示。

图1 农村金融发展对农业经济增长的影响

1.农村金融发展可以促进农业产业升级。随着我国的经济发展与人口不断增长，对农业的依赖越发突出，要实现农业经济发展水平的提升，农业产业化是必须经历的过程，需要大力发展农业龙头企业。但即便是地方农业龙头企业，仍然避免不了高资产负债率和低利润率的问题，因此需要大量的信贷资金配给来支撑企业的发展。

2.农村金融发展有利于农业经济增长投资。近些年，我国中央财政与地方财政每年都会投入一定资金进行农业基础设施建设，虽然农业基础设施在不断建设与完善，但毕竟财政方面投入的资金有限，农业基础设置的建设仍然跟不上农业经济发展的步伐。农村金融发展则会提高农业固定资产的投资能力，尤其是交通基础设施的建设能力，以解决农业发展过程中的关键短板。

3.农村金融发展有助于农业科技创新。农业科技进步是农业经济发展的重要生产力，在农业经济发展较好的国家，农业科技进步对农业经济的发展发挥着至关重要的作用。而农村金融发展有利于农业科技的研发投入，促进农业科技成果转化，从而提升农业科技水平，为我国全面实现农业现代化奠定基础。

(二)空间溢出机制分析

由于农业经济增长具有显著的地理特征，邻近地区的农业经济发展可能存在空间溢出效应，其原因在于：

1.我国农业自然资源分布复杂。从东到西地势水平不断升高，由南向北横跨多个积温带。农作物需要选择适宜的生产地区进行种植，而生产种植地区的区域边界会影响到农业经济增长的地理辐射范围(Norman、Castle，1967)[22]。

2.我国各地区的地理位置与地理环境情况存在显著差异。这种差异会通过网络、交通运输和农业生产效率等对农业产出发挥影响，进而影响农业经济的增长。随着农业机械化程度和农村信息化水平的不断提升，这种影响的程度越发明显，促进了生产要素区域性的流动。

三、研究方法、变量选取与描述性统计

(一)空间相关性检验

本文采用空间自相关检验来发现我国农业经济增长是否存在空间溢出效应。通常认为如果同一变量在位置相邻地区的观测值相似，则该变量在相邻地区存在空间自相关。本文采用全局莫兰指数(Global Moran’s I)来检验农业经济增长是否具有空间相关性。

全局莫兰指数(Global Moran’s I)的计算公式为：

(1)

全局莫兰指数的计算值通常处于(-1,1)之间，当Moran’s I >0时，表示各省整体空间正相关，当Moran’s I <0时，则表示各省整体空间负相关，当Moran’s I =0，则表示各省整体不存在空间相关性。

(二)空间计量模型

在检验确定农业经济增长存在空间溢出效应后，需要考察农村金融发展对农业经济增长的空间溢出效应，这就需要使用到空间计量模型。空间计量模型是用于测度变量空间效应的模型，空间计量的基础模型主要有空间自回归模型(SAR)和空间误差模型(SEM)两种基本模型。SAR模型主要用来分析相邻区域因变量对本地区该因变量的影响，即空间溢出效应；而SEM模型则用来分析相邻区域因变量的误差影响，即相邻区域不可观测的因素对本地区因变量的影响。

Ansenlin(1988)[20]提出了空间回归模型的通用表达式为：

y=ρW1y+βX+ε

ε=λW2ε+με,μ～N(0,σ2In)

(2)

其中，y是因变量的n维向量，X是n×k维的解释变量矩阵，W1和W2为空间权重矩阵，β为相关参数向量，ρ和λ为模型回归系数，ε和μ为随机误差项，In为n阶单位矩阵。

当ρ≠0,λ=0时，式(2)转化为空间自回归模型(SAR)，即：

y=ρWy+βX+ε

(3)

当ρ=0,λ≠0时，式(2)则转化为空间误差模型(SEM)，即：

y=βX+ε,ε=λWε+μ

(4)

(三)空间权重矩阵

为准确度量农村金融发展对农业经济增长的影响，需要构建合适的空间权重矩阵。由于农业经济增长主要在相邻区域之间或地理位置相近之间相互影响，同时也参考现有文献的做法，文中采用空间邻近矩阵来实现。空间邻近矩阵又称0-1矩阵，用来表示区域之间是否连接，两地相邻则为1，两地不相邻则为0，空间邻近矩阵的表达形式如下：

(5)

(四)变量选取

在所有影响农业经济增长的因素中，农村金融发展是文中主要的考察对象，但是其他要素的影响在空间计量中也不能被忽视。为了避免分析有失偏颇，同时兼顾数据的可获得性，本文选取了对农业经济增长有重要影响的其他投入要素，并纳入整体的分析框架中。选取的指标如下：

1.被解释变量：农业经济发展水平(ECO)

在现有的研究成果中，学者们对农业经济发展水平的衡量指标集中在第一产业生产总值、第一产业增加值和农村人均纯收入方面。但是伴随着我国农村人口的迁移，农村留守人口及务农人员越来越少，仅采用第一产业生产总值或农村人均纯收入已经不能准确表达农业经济发展水平，并且第一产业生产总值中包含农、林、牧、渔四大类别，因此，本文选择第一产业中的农业总产值来代表农业经济发展水平。

2.核心解释变量：农村金融发展水平(CRE)

有些学者选择国有正规金融机构的农村贷款占比、农业贷款增加值、农村物理网点数量等来衡量农村金融发展水平，但是随着经济的发展、生活中支付方式的转变，在农村中正规金融机构的数量逐渐减少，农村获取的信贷资金主要来自地方性商业银行、农村信用社或村镇银行，此外还可以通过小额贷款公司获得信贷资金，基于此，选择各地区农业贷款余额来代表农村金融发展水平。

3.控制变量

(1)农机投入量(MAC)。农业机械的发展水平关系到粮食种植、收割的效率，从而影响农业经济发展水平，选择使用农机总动力来代表农机投入量。(2)化肥投入量(FER)。与农业种植的其他生产要素相比，化肥的投入会直接关系到粮食产量，进而影响农业经济发展水平，选择化肥折纯的投入总量来代表化肥的投入。(3)土地投入规模(LAND)。土地是农业生产过程中的主要投入要素之一，对农业产出与农业经济增长发挥着重要的作用，采用各区域农业耕地总面积来表示土地投入规模。

(五)数据来源与描述性统计

为了更全面研究农村金融发展对农业经济增长的影响，本文选择使用1978—2016年我国省级面板数据进行实证分析，数据主要来源于《新中国六十年统计资料汇编》、历年《中国金融年鉴》和《中国农村统计年鉴》。由于西藏地区数据缺失严重，故在研究过程中将西藏地区剔除，同时，数据选取范围不包括中国的香港、澳门和台湾地区，最终选取了我国30个省级区域。文中个别年份的缺失数据采用插值法预测取得，同时为消除异方差影响，对所有变量全部进行对数转换。样本的基本统计性描述见表1。

表1 描述性统计量表

四、农村金融发展对农业经济增长的空间计量分析

(一)农业经济增长的空间相关性分析

采用邻近矩阵对30个省份的农业经济增长进行了全局Moran’s I指数检验。表2为1978—2016年我国农业经济增长空间相关性的检验结果。根据表2所示，从1978—2016年我国农业经济增长Moran’s I的平均值为0.274，且在5%的水平下通过检验，这表明我国的农业经济增长并非空间随机分布，而是会受到邻近地区有关因素的影响，在空间地理位置上呈现出一定的空间集聚性。

为了更好地观察全局莫兰指数情况，根据表2 的结果编制了Moran’s I指数趋势图(图2)。由图2可以看出，1978—2016年我国农业经济增长的空间相关性在改革开放至20世纪90年代中期整体呈下降的趋势，从20世纪90年代中期开始整体呈上升的趋势。这主要源于我国改革开放后新的家庭联产承包责任制的实施，从包产到户至包干到户，加之农业合作组织形式也在不断调整，农民在逐渐适应新的变化，同时随着我国科技的提升，交通和网络的发展，使农业各类资源、农村生活所需各种产品通过集市、超市等在地区之间的流动性增强，延伸了农村区域经济辐射的边界。

图2 1978—2016年农业经济增长空间相关性趋势图

表2 1978—2016年农业经济增长的空间相关性检验

(二)空间计量模型的构建

为了进一步检验农村金融发展及相关要素对我国农业经济增长的影响，根据经典的柯布——道格拉斯生产函数，首先构建出普通形式的农业经济增长面板模型：

InECOit=ait+a1InCREit+a2InMACit+a3InFERit+a4InLANDit+εit

(6)

其中：ait为地区差异固定影响，a1、a2、a3和a4分别表示各影响因素对农业经济增长的影响参数，εit为随机干扰项。

在考虑空间影响因素后，为了研究相邻地区农业经济增长之间的作用关系，以及文中设定的解释变量及控制变量对农业经济增长的影响作用，构建了空间自回归模型(SAR)，模型的表达式如下：

InECOit=bit+ρWInECOit+β1InCREit+β2InMACit+β3InFERit+β4InLANDit+ηit

(7)

其中，b为截距项，β1、β2、β3和β4为解释变量和控制变量对农业经济增长影响的待估计参数。

由于上述SAR模型只考虑了影响农业经济增长的重要变量以及相邻地区农业经济增长的溢出效应，并没有考虑到文中未设定变量，即未能观测到因素对农业经济增长的影响。这些未考虑到的因素也可能存在空间外溢的情况，对农业经济增长产生不可忽视的影响，为此，需要检验误差项是否存在空间相关性。文中使用Moran’s I指数进行检验，检验结果为0.123，同时通过了1%的显著性检验，说明误差项存在空间相关性。因此，在考虑空间误差影响的基础上，构建空间误差模型(SEM)，其表达式如下：

InECOit=fit+γ1InCREit+γ2InMACit+γ3InFERit+γ4InLANDit+μit

(8)

其中，μit=λWμit+eit，f为截距项，r1、r2、r3和r4为解释变量和控制变量的相关系数，μ和e为误差项。

在模型估计之前，需要对建立的空间自回归模型(SAR)和空间误差模型(SEM)进行Hausman检验，来确定采用固定效应模型还是随机效应模型。结果显示，SAR模型与SEM模型的检验值分别为103.92和197.24，均通过了1%的显著性检验，因此文中最终确定采用固定效应模型。

(三)空间计量结果与分析

1.基准回归

在空间计量模型中，不仅需要考虑解释变量对被解释变量的影响，还需要考虑区域之间被解释变量的相互影响关系，即空间外溢性。首先对数据整体进行回归分析，检验结果见表3，通过观察可以发现在空间自回归模型(SAR)和空间误差模型(SEM)的检验结果中，ρ和λ的空间溢出效果并不显著，同时控制变量的检验结果也并不理想，分析原因可能是由于面板数据时间跨度较长而造成的，为了更好地进行回归检验，需要通过时间维度和空间维度分别进行回归分析。

表3 基准回归结果

2.时间维度

1978—2016年我国农业生产经历过各种政策调整、洪涝干旱等自然灾害，农村金融也经历着机构的增减、利率水平的变化等，农村的内部生产环境与外部生产环境均发生变化，因此，需要从时间维度来探究农村金融发展对农业经济增长产生的影响。文中将样本数据划分为1978—1987年、1988—1997年、1998—2007年和2008—2016年这四个时间段，对这四个时间段的数据分别进行回归，回归结果如表4所示。

表4 时间维度估计结果

在空间自回归模型(SAR)估计中，在这四个阶段ρ的估计值依次增大，分别为0.062、0.096、0.131和0.226，且显著性在逐渐增强。这充分说明我国相邻地区的农业经济增长存在明显的正效应，即我国各地区的农业经济增长水平可以通过空间地理传导机制进行资源要素的流动，这种流动可以通过农村定期的农贸集市、综合超市等进行，以对其相邻农村地区的农业经济增长起到显著的促进作用。

首先，观察核心解释变量对农业经济增长的作用方向与大小。估计结果显示，农村金融发展水平的系数均为正值，说明农村金融发展对农业经济增长具有正向影响，且系数大小与显著性在这四个阶段逐渐增强，这与近些年农村信用社、村镇银行和其他农村金融机构业务的发展有关，说明农村金融发展对农业经济增长越来越重要。具体而言，2008—2016年地区农村金融发展水平每提升1%，该地区农业增长水平则会增加22.6%。这说明，农村金融发展水平越高的地区，其农业经济发展水平也越高，由此可以推出，地区农村金融发展水平的差异是导致我国农业经济增长水平地区差异的主要原因之一。这种情况也与农村实际情况相符合，在我国农业经济增长较快的地区，例如河南、山东、江苏等省份，地区的农村金融发展水平较高，农业发展得到了农村金融发展的充分支撑，因此，这些地区的农业经济得以快速增长。

其次，在控制变量中土地对农业经济增长的影响由强变弱，原因是我国农业土地资源在逐渐减少。我国在改革开放初期在全国范围开发农业土地资源，尤其是新疆和黑龙江，当时的农业生产主要依靠规模经济，但是伴随着我国城镇化进程速度的不断提升，农业土地资源在逐渐减少，我国的农业生产战略已经转变为提高土地生产效率。同时，化肥与农机的作用在逐年增强。随着对农业生产效率要求的不断上升，土地所承载的生产压力越发严重，基本没有时间实现土地的养护，土壤越发贫瘠，因此需要投入大量的化肥来保障粮食产量，并且随着我国农业现代化进程的推进，农业机械化的程度越来越高，即便农民买不起高额的农业机械，但是可以通过租用的形式来获取农机使用，形成我国农机跨区作业的现象。

在空间误差模型(SEM)估计中，首先λ值在逐渐增大，显著性在逐年增强。这表明，农业经济增长除了农村金融发展、农机投入、化肥投入和土地投入的影响外，还会受到其相邻区域其他不可观测因素的影响，并且这种影响随着时间的推移越来越显著。具体而言，这些不可观测的因素包括金融意识、借贷利率、金融产品数量等经济因素影响，还包括农民文化水平、信用观念等文化因素的影响。在这些因素中，既有对农业经济发展起促进作用的因素，也有起到抑制作用的因素，甚至有一些因素对农业经济增长的影响无法准确判定。其次，四个区间λ的值均为正，且均小于空间自回归模型(SAR)中ρ的估计值。这表明，相邻地区每个不可观测的因素对农业经济增长的影响为正向影响且影响机制不同。同时，将空间自回归模型(SAR)中的解释变量与控制变量的估计参数值和空间误差模型(SEM)中变量的估计值进行对比，可以发现，在相邻地区不可观测因素的影响冲击下，农村金融发展水平、农机投入、化肥投入与土地投入等因素对农业经济增长的影响方向没有发生变化，但是，影响程度均有所减弱，说明相邻地区的不可观测因素会对农业经济增长产生重要影响。

3.空间维度

我国幅员辽阔，地势由东向西逐渐升高，南北横跨多个积温带，农业自然资源地区性差异显著，因此，为了从空间维度更好地进行研究，文中按地理位置的不同将30个省份的样本数据分为东部、中部和西部，分别对这三个区的数据进行回归。回归结果如表5所示。

表5 空间维度估计结果

首先，在空间自回归模型(SAR)中，ρ的估计值东部区最显著，西部区最不显著，说明东部区相邻地区农业经济增长的促进作用明显，中部区、西部区的作用依次下降，同时，农村金融发展对农业经济增长的影响也从东部区、中部区和西部区依次降低。其次，在空间误差模型(SEM)中，λ的估计值在西部区最为显著，其次是中部区，最低为东部区，说明西部区的农业经济增长除农村金融发展、农机投入、化肥投入、土地投入等以外，受金融意识、借贷利率、信用观念等其相邻区域的不可观测因素的影响较为显著，中部区和东部区的影响依次降低，这也与我国区域文化分布的实际情况相同。同时，农村金融发展对农业经济增长的显著性明显，其影响程度从东部区、中部区和西部区依次降低，不过由于受到不可观测因素的影响，与空间自回归模型(SAR)模型相比估计值略有下降。

(四)稳健性检验

为了检验农村金融发展对农业经济增长空间溢出效应的稳健性，本文通过构建空间经济权重矩阵来替代空间邻近矩阵，对上述实证结果进行检验，所选择的空间自回归模型(SAR)、空间误差模型(SEM)以及估计方法与前文一致。检验结果见表6，通过观察可以看出，稳健性检验结果与前文的实证结果最大的区别在于某些变量的系数发生变化，ρ和λ、控制变量的显著性和估计结果与上文的研究结论基本一致，说明本文农村金融发展对农业经济增长空间溢出效应的回归结果具有可靠性和稳健性。

表6 稳健性估计结果

五、研究结论与启示

本文利用1978—2016年我国30个省份的面板数据，在考虑空间因素的基础上构建了农村金融发展对农业经济增长的空间自回归模型(SAR)和空间误差模型(SEM)，得出的主要结论有：(1)全局Moran’s I指数的检验结果表明，我国农业经济增长存在显著的空间相关性，而且这种相关性由下降转为上升，说明我国相邻区域的农业经济增长的相互联系变得越来越紧密。(2)时间维度的检验结果表明，随着时间的推移，我国农村金融对农业经济增长发挥的作用越来越明显，农村金融发展水平的高低会影响该地区农业经济增长水平。(3)空间维度的检验结果表明，相邻地区的农村金融发展和农业经济增长会相互促进与影响，这种影响程度从东部区、中部区和西部区依次降低，而相邻区域不可观测因素的影响在东部区、中部区和西部区却依次上升。

本文可以得出以下启示：第一，我国各地区农村金融发展的政策制定，不应孤立考虑某一地区，而应充分考虑相邻地区农村金融以及农业经济增长的水平，使各区域之间的农村金融发展政策可以协同发挥作用；第二，各级地方政府应全力支持农村金融发展，协同金融机构建立风险补偿机制，以此来降低农村信贷资金投放风险，从而引导更多的金融机构进入农村；第三，西部区和中部区是我国农村金融实现全面均衡发展的关键地区，国家应重点考察这些地区农村金融发展实际面临的问题，在制定政策时应充分考虑文化水平、金融意识、信用观念等各方面问题。