河北省农业信贷资金配置效率对农业经济增长的影响研究

唐欣，孙小杰，王震

(华北理工大学 经济学院，河北 唐山 063210)

引言

改革开放以来，河北省一直是我国的农业大省。解决好“三农”问题始终是党和国家工作中的重中之重，河北省面临着结构性改革与发展，农业信贷资金作为必要的支持和保障制约着河北省农业经济的增长。

河北省农业厅批复了一系列政策性文件推动农业信贷的发展，农业信贷资金是否得到充分的利用问题亟待解决。河北省在推进实施农业信贷政策的同时，也强调了农业信贷的发展是农村金融服务于河北省乡村振兴的新途径。河北省农业信贷资金是否得到合理化配置的问题也应成为研究的焦点，来为农业信贷机制的完善保驾护航。因此，以测度农业信贷资金配置效率作为研究主体和重点，并针对河北省农业信贷资金如何得到有效利用提出可行性建议。

一、文献综述

现有的学术研究对信贷配置效率的度量没有统一的计算方法。国外学者中，WURGLER(2000)使用投资弹性来衡量资本配置效率，有效配置表现为，在规模报酬递增的行业中投资额上升，在规模报酬递减的行业中投资额下降。[1]MCLEAN(2012)采用资本投资对投资机会(Tobin Q)的敏感性度量资金的投资效率。[2]ADJOGNON等(2017)使用来自四个国家最新的具有全国代表性的数据来探索投入资金和信贷在其中的作用，结果表明，撒哈拉以南非洲农民传统的信贷使用率(正式或非正式)极低(在信贷类型，国家、作物和农场规模类别中)。取而代之的是，农民主要用来自非农活动和农作物销售的现金来资助现代投入品的购买。捆绑式的输出劳动力安排似乎是相对广泛地应用于农业的唯一信贷形式。[3]埃塞俄比亚通过促进现代投入(例如肥料和现代种子)来缩小这种差距，还促进了小额信贷机构和成员拥有的金融合作社，以减轻小农户的信贷约束。

国内学者中，胡静(2018)以产出增量与资本增量的比值表示，反映了一定时期内每一单位的实际投入带来的产量增加。[4]冯庆水等(2015)结合投入产出指标用三阶段DEA模型计算了我国农业信贷资金配置效率。[5]丁丹(2018)对于农村信贷配给指标，采用的是信贷配给这个反向指标，表示农业信贷资金与农村经济的匹配程度。[6]白俊等(2019)使用“信贷—绩效”敏感性指标衡量信贷配置效率。[7]

由于种姓、生产规模的歧视，农业信贷资金不能被合理化配置，无法满足部分农业生产者的信贷需求，但通过农业保险和农业贷款互联可以减少这种现象的发生。由于KUMAR(2013)分析了种姓是否会阻碍印度获得正规农业信贷，发现合作银行歧视等级较低的种姓借款人，尤其是在发展水平较高的地区。[8]NWOKO(1981)分析了建立农业信贷担保计划基金的法律工具以及该基金在1978年的运作。该基金旨在提高尼日利亚农业部门的生产能力和农业发展的社会成本的公共份额。但是，法律文书对小规模的传统农民有歧视，除非他们是集体农场或合作农场的成员，否则这些农民无法满足基金的抵押要求。因此，尽管给予了银行财政上的鼓励，农业贷款对他们还是没有足够的吸引力。[9]NARANJO等(2019)研究了在有保险和无保险的情况下，农户责任对信贷需求的影响。NARANJO等在哥斯达黎加的咖啡农进行了田间实验，测试农户在不同环境中选择的贷款额是多少，一方面依据贷款是否有保险，另一方面根据其债务情况来选择。研究结果表明，当有确定的责任和不确定的责任时，农户选择的与保险捆绑在一起的贷款额显著高于没有保险的贷款，且在有限责任的情况下，无论农业贷款是否被保险，信贷吸收率都很高。农户本身对风险的承担是具有脆弱性的，因此，作为增加农户信贷和减少农户遭受冲击的策略，农户在承担一定责任的基础上应增加保险的使用。[10]

政府应出台政策切实推行农业信贷，在宏观层面加强对农业信贷的干预。BISWARO(1988)通过分析坦桑尼亚的农业信贷发展现状，指出其金融机构主要建立在经济作物种植地区，农业信贷基本发放给商用性农业生产者，从而阻碍了坦桑尼亚整体农业信贷的发展，建议从长期经济战略的角度充分发挥农业信贷机构的作用，满足贷款者的生产性资金需求。[11]SWINNEN等(1999)评估了20世纪90年代中欧和东欧农业信贷的问题以及政府在这一过程中的作用。即使是在发达国家，其信贷市场运作也是不完善的，这是由于信贷配给等问题的出现。信贷的交易成本高，以致中欧和东欧农业部门的这些问题更为凸显。但中东欧国家政府施行了信贷补贴政策、贷款担保政策以及对专门农业贷款机构的干预政策等，这些政策对解决农业信贷问题是有效果的。[12]

国内学者运用DEA模型测度了西部地区、辽宁省等地的农业信贷资金配置效率。根据王彬(2010)选择的投入产出变量运用DEA模型研究了欠发达地区的农业信贷配置效率。[13]杨希等(2014)运用超效率DEA估计了西部地区各省份的农业资金配置效率。[14]陈治国等(2015)运用DEA模型计算了新疆2000-2013年的农村资金配置配置效率。[15]陈晓丽等(2016)构建新疆北疆农业信贷资源的配给效率模型，用农业信贷资本的投资产出弹性衡量了农业信贷配置效率为-1.15。[16]

二、河北省农业信贷资金配置效率的DEA分析

(一)研究方法

DEA(Data Envelopment Analysis)方法，即数据包络分析，是研究运筹学的一个常用方法。在一定时期后，对具有相同类型的决策单元(部门或地区)进行评价，其评价根据面板投入和产出数据来评价决策单元的优劣，即决策单元的有效性。在评估中，DEA模型得出的权重(权系数)可以反映大规模社会实验结果。

基于非参数估计的DEA-Malmquist指数法可以实现更加精确的测度。[17]Malmquist指数模型是专门针对面板数据的测算方法，故选取2005-2017年河北省11个市的四个指标进行实证分析，将投入产出指标作为基本决策变量，各市分别成为一个决策单元。

(二)指标选择与数据来源

考虑数据的可获得性和可靠性，选取两个投入指标和两个产出指标。若信贷资金在农业生产中的配置是有效率的，则单位信贷资金投入带来产值增量越大。DEA模型的投入产出指标设定见表1。数据来源于2005-2017年的《河北省经济年鉴》、《中国农村金融年鉴》等。

表1 DEA模型投入产出指标设定

(三)效率值分析

运用DEAP 2.1软件，利用收集的11个评估对象的投入、产出指标构建面板数据模型，得到技术效率(TE)。技术效率反映了农村信贷资金配置的综合效率，在数值上等于纯技术效率PECH和规模效率SE的乘积。TE=1表示区域农村信贷资金配置是高效的，资源得到了有效的配置，未造成农业信贷资金的流失，此时PECH和SE同时有效，共同促进了区域内部的农业经济增长。

实证结果见表2，2005-2017年河北省TE均值最小的是2008年，仅有0.79，最大的是2007年，达到了1.06，全省技术效率年均值为0.92。各市中均值最大的是邯郸市，达到了1.01，最小的是廊坊市为0.87，基本处于最低水平，其在2013年TE值降到最低水平0.62。张家口市、邯郸市近7年TE值均位居前列，远领先于廊坊、衡水等较落后的地区。

表2 2005-2017年河北省各地区技术效率值(TE)

可以看出，在整个统计区间，除2007年外，河北省各市的技术效率均值都小于1，未处于农业信贷资金运行的高效配置状态，且处于小幅波动的变化之中。

图1 河北省各地区农业信贷资金年均技术效率值

三、农业信贷配置效率对农业经济增长的影响效应分析

当农业信贷配置效率提高时，农业信贷投入有效。在资源有限的情况下，农业信贷资源没有被非农领域挤占，未造成资源的浪费。农业生产的资本要素充足，可以满足农业生产的正常运转，促进了全要素生产率的提高。农业资本存量的增加，推动了技术变革和农业绿色产业链的形成，总产出增加，满足优质农产品的有效供给，因而农业经济增长。

信贷资源配置扭曲时，大量廉价的信贷供给集中于农户，容易造成效益低下，甚至出现沉淀贷款。但规模性农企对农业经济增长的贡献远远超过农户。同时，农户和农企道德风险和持续经营低效的情况下，加深农企和农户贷款难的困境，造成金融系统不稳定，进而诱发金融危机，必然影响农业经济的增长。农业信贷配置效率低下，农业投资减少，产出率减少，规模效益低下，进而阻碍农业经济的增长。

四、信贷配置效率对农业经济增长影响的实证分析

(一)2SLS回归模型的选取

内生变量x是与扰动项相关的变量，但仍可能有与扰动项不相关的部分。如果能将内生变量x分解为内生部分与外生部分之和，则可能使用其外生部分得到一致估计。而要实现这种分离，通常需要借助另一变量，比如z，称为“工具变量”(Instrumental Variable，简记IV)，因为它起着工具性的作用。首先，变量z要能够帮助内生变量x分离出一个外生部分，则变量z自身必须是满足“外生性”(z与扰动项不相关)：

(1)

其次，变量z还须与x有一定关系，即满足“相关性”(z与x相关)：

(2)

假设找到内生变量x的有效工具变量z，则可将x对z进行最小二乘法(Ordinary Least Square，简称OLS)回归，从而分离出x的外生部分：

(3)

(4)

称此回归为“第二阶段回归”(second stage regression)。

(二)变量描述性统计分析

取对数就是为了减缓数据的波动趋势，在一定程度上缓解异方差。表3为各变量的描述性统计结果。

(三)面板协整检验

单位根检验结果见表4，所有变量的P值均小于0.01，强烈拒绝原假设，说明不存在单位根，时间序列是平稳的。

表4 Hadri单位根检验结果

Kao检验面板数据是否具有长期均衡的协整关系。表5汇报了5种不同的检验统计量，其对应的P值均小于0.01，故可在1%水平上强烈拒绝“不存在协整关系”的原假设，认为变量之间存在着长期协整关系。

表5 Kao检验结果

(四)变量间的相关性分析

在进行广义矩估计回归之前，先对解释变量进行Pearson相关系数检验，有关变量的相关性分析如表6所示。各变量间相关系数均较小，说明解释变量间的多重共线性不严重。

表6 相关性分析

自变量和控制变量都对因变量(第一产业总产值)在1%的水平下强烈的显著影响。除了农业机械总动力、农村用电量与农用化肥折纯量的相关系数，第一产业产值比重、工业化程度与农村用电量的相关系数的绝对值大于0.5为强相关之外，其他变量间的相关系数绝对值均不超过0.5基本为没有相关性或弱相关，由此可以作为假设第一产业产值比重、工业化程度、农村用电量、农用化肥折纯量以及农用机械总动力这几个变量可能存在内生性的条件之一。

表7检验了多重共线性的方差膨胀因子。本研究中虽然平均的VIF为5.24大于1，但是最大的VIF值为9.17小于10。表明自变量和控制变量之间不存在高度相关，即变量间不存在严重的多重共线性问题，可以进行多元线性回归。根据回归性分析和VIF值的大小，假设农村用电量、农用化肥折纯量以及农用机械总动力这三个变量存在内生性，而上述存在较强相关关系的变量，内生性处理后不会影响到整个模型的拟合优度。

表7 VIF值

(五)内生性检验与处理

首先，用Hausman检验解释变量的内生性(见表8)，使用工具变量法的前提是存在内生解释变量。如果接受原假设，则认为不存在内生解释变量，应该用最小二乘法(OLS)进行模型的回归。

表8 Hausman检验系数表

由于P值是0.0000，远远小于0.1，表明模型中存在内生解释变量，用IV估计优于OLS估计。

其次，对内生性进行处理。做二阶段工具变量回归，农用机械动力的对数(lnMEC)作为内生变量，农用化肥折纯量的对数(lnFER)为工具变量。不选择用农村用电量的对数(lnELE)一起作为工具变量是由于lnELE作为模型工具变量的过度识别检验未通过，Sargan值为0.000 2，拒绝工具变量选取有效的原假设即lnELE作为工具变量无效，lnELE为外生变量；不选择用lnMEC、lnFER和lnELE的滞后一阶作为工具变量是由于检验DWH检验P值为0.897 2大于0.05，无法拒绝以上解释变量为外生变量的假设，同理，其余滞后阶数也均无法满足条件。lnTE、lnELE、lnIND以及lnGDP分别为外生变量，报告第一阶段的回归结果。

第一阶段回归结果见表9，以lnMEC作为因变量，外生变量和工具变量作为解释变量，拟合优度为0.891，标准误差为0.225。发现工具变量lnFER在1%的水平下强烈拒绝原假设，与内生变量lnMEC呈显著的正相关关系，适合成为lnMEC的工具变量。

表9 第一阶段回归结果

如果工具变量与内生变量的相关性很弱，则通过工具变量分离出的外生变动仅包含很少的信息。因此，存在弱工具变量时进行的工具变量法就不准确。由表10弱工具变量检验结果可知，用农用化肥折纯量的对数作为工具变量，弱工具变量检验Cragg-Donald统计量为196.338，远远大于15%偏误下的临界值8.96，也远远大于10%偏误下的临界值16.38，即拒绝弱工具变量的原假设，表明用lnFER作为工具变量不存在弱工具变量的问题。

表10 弱工具变量检验

表11为第二阶段回归结果，可以看出，lnMEC与lnOUT呈显著的正向相关关系，回归系数由原来(OLS)的0.521 689 9上升为0.852 125 4，进一步证明工具变量对lnMEC的效应是有效的，这是lnMEC为内生变量，lnFER为工具变量的有力证据。本回归的标准误差为0.249 6，应用最小二乘法(OLS)的标准误差为0.227 1，标准误有所增加，反映了工具变量估计而导致的潜在的有效性损失。

表11 第二阶段回归结果

用White检验来检验模型是否存在异方差性，White异方差检验相应的伴随概率P值为0.0025小于0.05，拒绝模型不存在异方差性的原假设，认为回归模型具有明显的异方差性。另外，Durbin-Wu-Hausman内生性稳健检验结果为98.926 8，P值为0.0000，强烈拒绝农用机械总动力的对数是外生变量的原假设，即lnMEC是内生性变量，需要借助工具变量进行估计。使用工具变量法时，必须对工具变量的有效性进行检验，工具变量中若存在某个变量不是外生的，则会导致估计量不一致。本模型设定的内生变量和工具变量的个数都为1，工具变量恰好识别，IV-2SLS估计有效。

(六)农业信贷配置效率对农业经济增长的2SLS回归结果

必须考虑控制变量对农业经济增长的作用，否则会存在变量遗漏的问题。根据以上内生性处理，构建农业信贷配置效率对农业经济增长影响的模型：

(5)

式中：

表12为模型变量定义及相关变量的计算方法。

表12 变量定义

主要利用2SLS来检验河北省农业信贷配置效率对农业经济增长的作用是否显著。作为对照，表13仍然列出了混合OLS和FE的回归结果，其回归系数基本上大于2SLS估计方法，甚至部分回归系数符号相反，而2SLS模型估计所有解释变量的标准误普遍上升，这符合工具变量法的特征，即牺牲有效性来满足一致性。故着重对二阶段最小二乘法(2SLS)的回归结果进行分析。

表13 回归系数表

由于lnTE的回归系数为0.286 487 6，t检验的P值是0.074，在90%的显著性水平上通过了显著性检验，表明农业信贷配置效率对农业经济增长有正效应，并且认为其对模型是具有显著影响的。从控制变量看，lnMEC的回归系数为0.852 125 4，在1%的水平下通过了显著性检验，表明农业机械总动力对第一产业总产值有显著的正向影响；lnELE的回归系数为-0.309 847 1，是一个负值，在1%的水平上强烈拒绝原假设，表明农村用电量对第一产业总产值存在显著的负向影响；lnIND的回归系数为0.676 729 6，在1%的水平上通过了显著性检验，表明第一产业结构比重对第一产业总产值存在显著的正向影响；lnGDP的回归系数为1.083 98，在1%的水平上通过了显著性检验，强烈拒绝原假设，表明工业化程度对第一产业总产值存在显著的正向影响。

五、实证结论与对策建议

(一)实证结论

农业信贷资金利用率较高，但部分年份规模报酬递减。河北省各市的农业信贷资金配置效率均值达到0.87以上，年信贷配置效率也达到0.79以上。虽然河北省农业信贷资金配置效率整体较高，邯郸、张家口市领先全省，但廊坊等地农业信贷资金配置效率较低，信贷资源未得到有效配置，农业分散经营又致其无法形成规模效益，这严重阻碍了廊坊市农业经济的增长。河北省农业信贷资金配置效率高，信贷资金就能得到充分利用进而带来更高的产出。

河北省农业信贷配置效率对农业经济增长存在显著的线性正向影响。农业信贷配置效率的对数值对第一产业总产值对数值的回归系数为正值0.2864876，随着农业信贷综合效率的提高，第一产业总产值在增高，且P值为0.038，在5%的水平上拒绝原假设，二者具有显著的线性相关关系。农业信贷配置效率与农业经济增长呈正相关关系。这表明，农业信贷配置效率的提高会促进农业经济增长。

(二)对策建议

基于此，为提高河北省农业信贷资金配置效率，更好地发挥河北农村地区农业信贷资金投入的作用，提出以下建议。

首先，应加强生产补贴的激励，资金的吸引力促进农户和农企建立起健康、稳健的农业信贷资金配置机制。通过特色农产品税收减免政策，促进农业信贷资金的合理配置，促进形成规模性农业，优化绿色农业产业链。保持河北省发展特色农产品市场的活力，转化河北省各市农业产业结构，加快转变农业经济增长模式。

其次，建立农业保险与农业信贷互联机制，可通过分散非可抗性因素造成的农产品滞销风险，农保可分散和转移金融机构的不良贷款率风险，调动正规金融供给农业信贷资金的积极性，建立健全有效的河北省农业信贷机制可推进河北省农村金融体制改革，充分发挥农业信贷资金的杠杆作用，提高农业信贷资金的使用率，防止农业信贷资源被挤占或农业信贷资金的流失，保证河北省农业经济信贷资源的高效运转。

最后，改善农村金融生态环境。若农村金融生态环境被破坏，生产要素的产生和农业生产活动的展开都会受到严重影响，进而阻碍农业经济的增长。政府应出台具有权威性、强制性的农业信贷法规，将农业信贷纳入法制化的程序中，确保农业信贷工作的长期稳定性。改善农业信贷的信用环境，建立政府主导、正规金融机构和非正规金融机构参与的农业信贷机制，可有效解决农户和农企贷款难的问题。农业现代化是世界农业发展的基本趋势。新时期的改善农村经济环境必须立足于后工业化初级发展阶段的现状，保持农业信贷增速与规模，推动农业供给侧结构性改革与创新驱动发展结合，进而加快工业化进程。因此，应保持实体农业经济与“互联网+”农业的协调发展，将线上与线下销售相结合，可应对消费者对农产品的多样化需求。改善人文环境，农业生产者要提高节约用电、科学施肥的意识，过度用电或非科学施肥不仅增加了生产成本还阻碍了农作物的正常营养的吸收。生产者应增强环保节能意识，科学培育农作物，生产健康、绿色的农产品，提高农产品的质量，进而促进农业的发展。