银行信贷与农村经济发展——基于空间计量模型的实证分析

□ 周如青 蒋佳玉

一、引言

“十三五”时期，中国加快推进农业农村现代化建设，832个贫困县、12.8万个贫困村全部摘帽，乡村振兴实现良好开局。然而，我国农业农村发展仍面临许多矛盾和挑战，如农村地区产业发展基础薄弱、农村金融市场体系不完善等深层次、结构性问题。对此，《“十四五”推进农业农村现代化规划》中强调深化农业农村供给侧结构性改革，巩固拓展脱贫攻坚成果，坚持农业农村现代化，全面实施乡村振兴战略。

而夯实乡村振兴的经济社会基础离不开金融的有力支撑。银行作为金融体系中至关重要的组成部分，通过吸收存款和发放贷款来解决微观主体面临的融资问题。通过加大银行对“三农”信贷支持，推动金融资源流向农业农村，从而提高产出效率、推动农业农村经济发展。因此，研究银行信贷与农村经济发展间的关系对服务微观主体、扎实推进乡村振兴具有重要现实意义。

由于我国幅员辽阔，中国农村区域经济发展十分不平衡，发达地区农村与欠发达地区农村经济发展水平都存在较大的差异。因此，地理空间因素也是影响农村经济增长不可忽视的重要原因之一。伴随着区域资源要素流动，省域、城乡的互动联系，从空间地理的视角来分析我国银行信贷与农村经济发展的内生关系以及溢出效应，对于促进农村经济增长起到一定作用。

二、文献综述

迄今为止，关于银行信贷与农村经济增长关系的研究还没有统一的定论。King和Levine（1993）通过对发展中国家进行研究，发现农业信贷效率低会阻碍农业生产增长。Burgess和Pande（2005）研究印度农村信贷发展与农村经济增长的相关性，发现发展信贷很大程度上能够促进农村产出和降低贫困水平。在国内，徐笑波（1994）通过描述性统计刻画我国农村经济发展。温涛和王煜宇（2005）认为发展农业贷款一定程度上不仅抑制农业经济发展，而且也会影响农民收入水平的提升。朱喜和李子奈（2006）认为短期来说，涉农贷款不能促进农村投资，提升农民收入，长期来说涉农贷款与农村投资以及农民收入并没有相互均衡关系。江美芳和朱冬梅（2011）研究表明农村金融机构贷款与农村经济增长有很高的依存度和关联度，同时农村金融机构贷款对农村经济增长起到促进作用。孙勇智和孙启明（2013）研究表明农业信贷对农村经济发展有基础性作用，但是其无法满足解决经济增长问题的需要。李富有和郭小叶（2016）研究表明提升农村信贷资金利用率可以推动农村经济发展，同时推动农村经济发展也能够提高农村信贷规模和效率。王劲屹（2018）研究表明农户存款增加可以推动农村经济发展，但是农村金融机构信贷对其经济发展影响并不大。权飞过和王晓芳（2020）采用农村信贷户占比来度量农村信用环境，表明农村信贷促进农村经济增长。玉国华（2021）基于劳动力转移这一中介变量，研究表明农村信贷投入对农村经济增长、城乡收入差距具有显著的抑制作用。

而研究银行信贷与农村经济发展问题的国内外文献中，学者大都采用时间序列相关的模型进行分析，无论是Burgess和Pande还是温涛等等。再如，姚耀军、禹跃军和王菁华采用VAR模型及Granger因果检验，朱喜、李子奈采用VEC模型进行协整分析等等，无一不是运用时间序列进行研究从而得出农村信贷发展与经济增长方面的结论。近年来，随着前沿的空间面板数据模型逐渐走进学者的视野，越来越多的研究开始考虑地理位置对经济的影响，将空间地理视角应用到经济金融学领域。众所周知，影响地区经济发展水平的因素还有地理区位。经济高度发展的地区也会对周边地区产生一定的溢出效应。因此，用该模型来研究银行信贷与农村经济发展之间的关系有一定必要性。方先明和孙爱军（2010）利用中国省级数据研究我国经济增长空间集聚特征，仅是通过构建空间截面回归模型分析金融发展与经济增长的关系，并未构建空间面板计量模型进行深入研究。张宇青和周应恒（2013）采用Moran’s I指数以及空间计量模型研究农村金融发展和经济增长间的关系，但是其数据选择上选择样本时间较短，可能存在一定偏差，无法衡量两者变化趋势。洪港和邹俊中（2019）运用空间计量模型采用近10年各省市面板数据研究农村金融发展与经济发展之间的关系，但是其选取的指标过于单一，不能全面刻画我国农村银行信贷发展水平。因此，本文将从以下几个方面着手，在现有文献基础上进一步深入分析银行信贷与农村经济发展的关系。首先，选取2010-2020年中国各省、直辖市农村相关数据，利用Moran’s I指数来分析各省市农村经济发展空间关联特征；其次，通过构建空间计量模型，即SLM模型、SEM模型和SDM模型来分析银行信贷与农村经济增长之间的关系和内在作用机制，考虑空间异质性和依赖性，进一步检验各指标对农村经济发展直接效应、间接效应和综合效应；最后根据相关结论提出相应的对策与建议。

三、研究方法及变量选取

（一）空间自相关性检验

衡量各变量的空间相关性，一般用Moran’s I指数来测定，取值范围为[-1,1]，若指数大于0说明变量之间存在正向空间溢出效应，若指数小于0说明存在负向空间溢出效应。其计算公式如下：

一般而言，大多数学者按照Rook衔接以共同边界定义邻近关系来构造二元邻近空间权重矩阵，即矩阵中元素均由1和0组成，如果区域和区域相邻则为1，不相邻则为0。但是在本文计量模型设定中，考虑类似于海南没有陆地相邻，相邻关系不足并不能有效对样本区位信息进行建模。同时，二元邻近空间矩阵的构建本身是假设不相邻地区间不存在任何空间相关，与实际情况出入较大，故本文用地理距离来构建空间权重矩阵。矩阵中元素形式如下：

（二）空间计量模型

Anselin和Lee C将空间计量方法分为空间滞后模型（SAR）和空间误差模型（SEM）。之后，在两大模型的基础上发展形成空间杜宾模型（SDM）。

1.空间滞后模型（SAR）。最初针对截面数据进行研究，通常被认为是描述空间相关性的空间自回归过程。其表达式为：

2.空间误差模型（SEM）。衡量误差项之间存在的序列相关，用来度量邻近单元关于因变量误差冲击对本单元的影响程度。其表达式为：

3.空间杜宾模型（SDM）。建立在空间滞后模型和空间误差模型的基础上，它不仅考虑因变量的空间相关关系，而且也将自变量的空间相关关系加入考量。该模型的数学表达式为：

对于空间计量模型的选择是本文研究的关键所在。首先，使用拉格朗日乘数法（LM检验）对模型进行判别。LM检验包括四种经典统计量：LM-error统计量、LM-lag统计量、Robust LM-error统计量和Robust LM-lag统计量。根据Anselin拉格朗日乘数检验判别准则制作流程图进行模型选择（图1）。

图1 空间计量模型选择判别流程

（三）变量选取与数据来源

鉴于农村经济测算相对来说比较复杂，国内外学者在变量选取上不尽相同，各有优劣。本文在指标选取上，除了考虑指标本身的代表性、可解释性，还需要考虑数据的可获得性以及完整性。因此，选取衡量指标如下：

1.被解释变量：农村经济发展指标。经济增长一般是用GDP来衡量，但是由于我国农村经济的复杂性，我国官方统计年鉴没有数据直接准确表明农村GDP。而现有文献中大部分学者，如谭崇台等利用第一产业生产总值来衡量农村经济发展情况。但是随着乡村振兴的不断推进，农村产业结构也发生重大变化，农村GDP中第二、第三产业所占比例也不断增加，因此，仅用第一产业来衡量我国农村经济并不能充分反映农村发展的真实情况。也有部分学者如王淑英等用第一产业和乡镇企业增加值之和来衡量农村经济增长，但是这种方法会存在重复计算的情况。所以，本文选取各省市农村居民可支配收入来反映各省农村经济发展水平（记为lngdp），该指标会淡化三大产业划分，直接从收入的角度综合体现农村地区经济发展情况，有较强的现实意义。

2.解释变量：银行信贷规模和效率指标。本文核心变量为银行信贷，主要从信贷的规模和效率两个角度进行衡量。从推动乡村振兴、脱贫攻坚的角度研究信贷规模，涉农贷款余额这一指标更能反应各省市对农村地区信贷支持。其中涉农贷款余额涉及到中国农业银行、中国农业发展银行、中国邮政储蓄银行等重要农村金融机构。考虑到各省市产业结构的差异，因此本文参照陈龙(2020)用涉农贷款占比=（涉农贷款总额/各省贷款总额）/第一产业占比来衡量信贷规模（记为scale）。

Goldsmith（1969）提出用金融相关比率来衡量金融效率和发展水平。而国内学者衡量银行信贷效率，大都会采用发放给私人部门的银行信贷比例，或者是金融机构贷款与存款的比值。考虑到数据的可得性，本文选择金融机构贷款与存款的比值来衡量（记为efficiency）。

3.控制变量：在实际情况中，农村经济增长还受其他因素的影响。农村经济发展离不开劳动力，劳动力投入量即可以用农村人口数来表示(labor)。同样，农村住户固定资产投资（记为investment）是一种再生产活动，包括农村房屋新建、更新以及机械设备、器具购置等等，不仅发展农村基础设施建设，而且促进农村生产经营影响其经济发展。

本文选取2010-2020年中国31个省市自治区农村作为研究对象，研究数据均来自WIND数据库、《中国统计年鉴》、《中国金融年鉴》以及《中国农村统计年鉴》等。并对缺失数据采用插值法进行填充，同时对部分数据进行对数处理以便模型分析。

四、实证分析

（一）空间自相关性检验

为了更好地了解农村经济发展情况以及空间集聚现象，本文运用GeoDa空间计量软件将其可视化。制作2010年以及2020年我国农村地区经济发展情况五分位图，按照颜色深浅对经济情况进行区分，颜色越深代表农村经济发展情况越好（其中，台湾不计入讨论）。通过图2不难看出无论是2010年还是2020年颜色深浅相近的区域相连，即农村经济发展水平较高的地区主要分布在东南沿海，有江苏、浙江、广东等，而农村经济发展水平较低的地区主要分布在西北腹地，有青海、甘肃等。说明我国农村经济增长在空间上存在集聚效应。

图2 2010年、2020年我国各省、直辖市农村经济发展情况

本文构建空间距离矩阵计算2010-2020年我国农村经济增长的全局Moran’s I指数和相关统计值，进一步确定空间相关性以及农村经济增长的溢出效应。如表1所示，2010-2020年我国农村经济发展Moran’s I指数在0.130-0.168之间上下波动，表明我国农村经济呈现明显的正向空间相关性特征。

表1 2010-2020年农村经济发展Moran’s I指数

图3分别表示2010年、2020年我国农村经济增长的空间分布Moran’s I散点图，横轴表示农村经济增长情况，纵轴表示邻近省市的农村经济增长情况。 以2020年散点图为例，观测值位于第一象限的省市地区农村经济发展较好，同时也具有明显的正向空间溢出效应，如广东、浙江、江苏等省市，构成“强强集聚”；位于第二象限的地区农村经济虽然发展较差，但是也具有明显的空间滞后性，其相邻的农村经济对其有正向的溢出效应，如吉林、山西、河北、河南等省市。而位于第三象限的地区农村经济发展较差，空间滞后性也较低，这些省市的相邻农村经济具有反向溢出效应影响，如甘肃、贵州、宁夏、广西等省市，构成“弱弱集聚”。由此可知，我国省市农村经济上具有空间自相关性。

同时不难看出，随着时间的推移从2010年到2020年农村经济发展集聚程度稳中有进，区域性高地已经形成。第一象限的“强强集聚”省市以及第三象限的“弱弱集聚”省市基本情况维持不变。因此，在推进农村经济发展中，要突出重点省市农村地区。不仅要关注发展较薄弱的省市区域农村，着眼从内部解决问题，而且应紧抓经济基础相对较好、辐射能力相对较强的区域，促进转型升级发挥空间溢出效应，从而拉动整体经济水平的提升。

图3 2010年、2020年我国农村经济增长空间分布Moran’s I散点图

（二）空间计量模型选择及参数分析

我国省市农村区域经济上具有空间自相关性，运用传统的OLS估计不能有效分析农村经济增长影响因素，因此本文运用Matlab软件构建空间计量模型（SAR、SEM和SDM模型）来实现。

表2 空间计量模型估计结果

表3 空间计量模型的LM检验

根据表2空间杜宾模型估计结果可知，农村银行信贷规模（scale）与农村经济发展水平呈显著负相关关系，或许是因为我国农村信贷发展模式还处于初期，资本积累存在一定的门槛效应，尽管银行信贷在农村规模上不断扩大，但是仍未达到能够提高农村经济发展的阈值，金融排斥现象较为严重。进而从侧面也反映农村银行信贷市场化程度较低，缺乏动力、活力，信贷资源供给不足，难以满足农村市场多层次需求，不利于农村经济发展。银行信贷效率（efficiency）与农村经济增长呈显著正相关关系，这说明相较于单一的信贷规模“量”的扩大，银行信贷效率“质”的提升更能促进农村经济增长。农村人口数（labor）对农村经济增长有显著的负作用，可能是因为农村有大量老龄化人口，即使会有很多劳动力通过外出打工流向城市地区，但剩余劳动力仍然存在，并导致农村劳动效率较低从而影响农村经济增长。农村地区银行信贷主要用于农村生产经营、固定资产投资。固定资产投资（investment）推动农村基础设施建设以及再生产活动，推动农村经济发展水平的提升。通过研究空间效应变量，不难发现我国农村经济发展存在空间上的互动效应，距离接近的省市地区之间相互影响。一个省市农村银行信贷规模（W*scale）和乡村人口数（W*labor）对周边地区呈负向影响，银行信贷效率（W*efficiency）和固定资产投资（W*investment）对促进周边区域农村经济有正向作用。

但是，Lesage J P（2009）指出，空间杜宾模型（SDM模型）中包含空间滞后因变量和自变量，并加入空间加权矩阵W。如果将空间杜宾模型简单的视为某个变量对被解释变量产生的影响，将会存在严重偏差，估计结果无法直接反映边际效应，也无法准确衡量不同变量给农村经济发展带来的直接影响。因此，为了更好地进一步解释空间溢出效应，本文将对空间杜宾模型求偏微分来检验各个解释变量对农村经济发展的直接效应和间接效应，结果见表4。

表4 农村经济增长SDM 模型的直接与间接效应检验结果

表4中直接效应是直接反映该地区银行信贷对本地区经济增长的作用，间接效应则是反映空间溢出效应存在与否。银行信贷规模（scale）具有1%置信水平下显著负的直接效应，10%置信水平下显著负的间接效应和总效应。具体来说，单纯扩大银行信贷并不能对本省市农村经济增长起到促进作用，同时也可能对邻近省市发展带来不利影响，总体来看各省市在信贷规模上没有形成良好的协同机制，跨省市实施信贷规模的扩张难度较大。而银行信贷效率（efficiency）对于农村经济发展具有显著正向直接效应、间接效应和总效应，说明信贷效率的提升在促进本省市农村经济增长的同时，还具有正向外部性和示范效应。通过提升本省银行信贷效率同样也能促进邻近省市地区农村经济发展水平的提高。就控制变量来说，乡村人口（labor）对农村经济发展有显著负向直接影响、间接影响和总影响，人口老龄化、劳动效率较低影响本地区农村经济发展，显著的空间溢出效应会通过农村人口转移对各省市农村经济增长产生一定的相互竞争。固定资产投资（investment）对农村经济增长有显著的正向直接影响、间接影响和总影响，扩大固定资产投资、完善农村基础设施建设，不仅能够促进本省市农村经济增长，也会带动邻近省市农村经济的增长。

五、结论与建议

本文选取我国31个省市自治区2010-2020年数据，运用空间计量模型研究银行信贷与农村经济发展之间关系，结果表明：我国各省市农村经济发展水平存在明显的空间集聚效应。单纯的扩大银行信贷规模一定程度上会抑制农村经济发展，而提升银行信贷效率才是促进农村经济增长的关键因素。信贷效率的提升不仅促进本地区农村经济发展，而且能带动邻近省市农村经济发展。因此，根据以上研究，提出以下建议：

第一，强化区域合作，促进协同发展。通过Moran’s I指数进行的全局检验，不难发现农村经济发展具有很强的空间依赖性，各省市空间关联不断加强。因此，促进农村经济增长，加强区域合作显得尤为重要。农村经济发展较好的地区应积极发挥引领带动作用，例如上海、江苏、浙江等省市农村，增强它们带动腹地发展的能力；要积极支持欠发达省市农村的发展，尤其是青海、甘肃、西藏等地，从内部发现问题，妥善处理好高速发展和高质量发展间的平衡关系，因地制宜将资源优势转化为产业优势，形成具有本地特色的区域发展机制；要全面深化区域合作，完善定点帮扶、对口支援工作，使金融资源配置在区域间流动并达到最优状态，构建省市农村经济均衡发展的长效机制，增强农村经济发展活力。

第二，拓宽融资渠道，推动信贷创新。通过空间杜宾模型（SDM模型）可知，农村信贷规模对农村经济增长有显著的反向影响。这可能是由于我国农村经济发展模式不完善、基础薄弱，并没有完成市场所需的资本积累。虽然信贷规模不断扩大，但是并没有对农村经济增长起到促进的作用。又或是农村融资渠道较为单一，需要进行渠道上的创新。而从实证结果，银行信贷规模对农村经济发展有显著负的直接效应、间接效应以及总效应，表明单纯扩大银行信贷并不能对本省市农村经济增长起到促进作用，同时也可能对邻近省市发展带来不利影响。所以，在农村信贷发展中不能仅一味的追求“量”，而忽视“质”。这就要求推动信贷创新，引入“云计算”等新技术，发展数字信贷，对农村客户运用精准数字画像、数字信用评级以及进行数字授信，夯实农村数字信贷的用户基础，促使资金流入农村。

第三，提高信贷效率，支持实体经济。根据空间杜宾模型（SED模型）可知，提高信贷效率促进本省市农村经济发展的同时也能辐射邻近省市地区的农村经济发展。由此可见，发展农村经济的着眼点还是提高银行信贷效率。这就要求利用金融政策来引导农村的银行提高贷存比率，优化信贷结构，提高贷款发放效率，更好满足农村人口以及乡镇企业的融资需求。此外，农村固定资产投资对推动农村经济发展也起到推动作用，因此，要加大银行信贷对农村生产经营活动、固定资产投资的扶持，通过信贷投向基础设施推动再生产，吸引和巩固农村可用资本，促进人才、资本等生产要素的流动，提升农村金融效率，切实服务实体经济，进而实现农村经济协调可持续发展。