数字金融促进家庭农场生存发展的实证研究
——基于33402个家庭农场的微观证据

2022-11-28 09:02田杰谭秋云谢升峰
农村金融研究 2022年8期
关键词:农场变量融资

◎田杰 谭秋云 谢升峰

一、引言

“家庭农场”这一概念自2013年在中央一号文件中出现以来,逐渐成为推动农地规模经营、促进农业现代化发展和实施乡村振兴战略的重要载体。党的十八大以来,新型农业经营主体和服务主体呈快速发展之势。而家庭农场作为立体式复合型现代农业经营体系中的重要组成部分,不仅是现代农业发展主体、主要农产品供给主体,同时还是社会化服务主体。《新型农业经营主体和服务主体高质量发展规划(2020-2022年)》指出,中国家庭农场在2018年底已达60万家,是2013年的4倍;截至2020年6月底,全国家庭农场超过100万家。加快培育发展家庭农场、农民合作社、农业社会化服务组织等在内的新型农业经营主体和服务主体,是实现乡村产业兴旺、培育农业农村新动能、促进小农户和现代农业发展有机衔接的迫切需要,对推进农业现代化、实现乡村全面振兴具有重大意义。但是根据国家市场监督管理总局国家企业信用信息公示系统2019年公布的全国家庭农场数据,截止到2019年6月,全部注册登记的23万个家庭农场中,有31225个家庭农场已经陆续退出,这反映了一个客观事实,即我国家庭农场生存能力较弱,家庭农场退出率高。融资约束是制约家庭农场发展的重要因素(张迎春等,2018)。目前,家庭农场面临着抵押品不足、利率较高、手续复杂、家庭农场自身融资能力较弱、政策金融支持力度不够、商业金融供给水平较低等方面的融资障碍和约束(陈培磊、郭沛,2020)。当前,在科技革命和产业变革的大背景下,数字金融的发展已成为一国金融高质量发展的重要引擎。依托云计算、大数据处理技术,数字金融在一定程度上大大缓解了金融市场中的信息不对称、交易成本和融资约束等问题。基于互联网的数字金融,使金融服务的可得性和便利性得到大幅度改善,这显然为家庭农场的高质量发展和可持续生存能力提供了有利条件。那么,数字金融能否缓解家庭农场面临的融资约束,减少较高的交易成本,并降低其生存风险?数字金融对家庭农场生存风险的影响是否存在异质性?

鉴于此,对数字金融与家庭农场生存关系进行系统性研究,将有助于探索影响家庭农场生存风险的新因素,厘清数字金融对家庭农场生存的作用机制和影响渠道,从而为解决我国家庭农场可持续发展出谋划策。本文的边际贡献在于:一是通过梳理文献,探讨数字金融对家庭农场生存风险影响的机理;二是利用2014-2018年数字金融县域数据与54624个家庭农场数据相匹配,采用离散时间Cloglog生存模型,深入考察数字金融对家庭农场生存风险的影响机制及异质性。本文剩余部分的结构安排如下:第二部分是理论分析与研究假说;第三部分是研究设计;第四部分是实证分析;第五部分是传导机制分析,第六部分是异质性分析;第七部分是结论与政策建议。

二、理论分析与研究假说

Clementi & Hopenhayn(2006)通过在企业生存模型中引入企业的道德风险,分析了企业和金融机构的信息不对称对企业生存的影响,认为由于信息不对称导致的融资约束将影响企业日常经营和未来发展。马光荣、李力行(2014)的研究进一步表明,金融契约效率的提升会通过降低高生产率企业的融资约束来降低其退出概率。针对家庭农场面临的融资约束,本文在以上分析的基础上具体阐述数字金融如何借助数字技术缓解家庭农场融资约束,从而降低家庭农场的生存风险。

由于面临信息不对称以及抵押担保缺乏,家庭农场面临着融资约束,且融资成本较高。数字金融通过缓解家庭农场融资约束,能有效降低其生存风险。首先,数字金融借助人工智能技术、大数据技术、云计算、区块链等技术收集家庭农场生产、生活等多维度的数据信息,降低了金融机构与家庭农场之间的信息不对称,缓解了家庭农场融资约束。与传统金融侧重收入、学历、财务报表等硬信息不同,数字金融更倾向于利用贷款人在互联网上沉淀下来的大量行为数据等软信息,借助大数据分析手段,构建信用评估模型(Duarte et al.,2012)。农村电商的快速发展,不仅为互联网金融创造了应用场景,也为农村数字普惠金融发展铺设了金融基础设施(星焱,2021)。随着当前数字乡村的发展,金融机构通过应用人工智能、云计算来快速获取、处理和分析农产品生产体系、经营体系、管理体系等全产业链大数据信息(夏显力等,2019)。数字技术收集家庭农场的多维信息并以此作为是否提供信贷服务的依据,使缺乏信用记录的家庭农场实现了融资,并使其信用记录也更加完整,缓解了融资约束。其次,数字金融依托数字技术提升了对家庭农场当前市场信息判断和长远发展的战略分析,有利于提升家庭农场的无形资产价值(张迎春等,2018),避免了当前家庭农场难以满足抵押担保而导致无法获得融资的弊端。根据中国数字乡村发展报告(2019),家庭农场数字化监管服务系统于2017年在全国推广使用,收录了全国59万多个家庭农场信息,提供家庭农场名录建设、跟踪监测、示范评定等日常维护功能,有效提升了查询、统计、管理等工作效率。进入数字监控的家庭农场能够规范农场生产、管理、技术,打造属于自家农场的品牌,使得家庭农场的生产与销售具有了稳定性和持久性。有了数字化的实时监控,农场主不再是随意生产销售的农户,会充分考虑成本收益问题,因此能够高效率地使用化肥农药等而不会像小农户那样以产量最大化为导向不计成本地投入。因此,为了实现利润最大化,许多家庭农场积极转变农业生产方式,更加注重农产品的生态效益,更愿意为消费者提供品质优良、生态安全的农产品。数字金融依托大数据、云计算、人工智能、5G、物联网、区块链等技术提升了家庭农场的无形资产价值,降低了家庭农场融资约束,提高了家庭农场的生存能力。

假说1:数字金融通过降低家庭农场融资面临的信息不对称和抵押品要求,缓解融资约束,降低其生存风险。

数字金融使得只要有互联网,就可以实现支付、转账、借贷等功能,一定程度上解决了传统金融机构获客及风险评估成本高的问题,能够帮助家庭农场弥补长期以来金融服务的不足(谢绚丽等,2018)。数字金融通过网络贷款、众筹、供应链金融等融资模式填补了传统金融机构服务的不足,为更多的家庭农场提供高效便捷的融资服务,其便利性金融服务包括支付宝账户及其绑定的银行卡等电子账户。与传统银行物理网点相比,数字业务成本可降低约90%,其中,开户和账户维护成本降低65%~75%、现金存取成本降低40%~60%、支付和转账成本降低90%~95%(星焱,2021)。数字金融可以根据家庭农场农业生产中种植、养殖的实际需要决定信贷产品的期限和额度,而数字技术让信贷产品的期限、额度更加匹配农业生产周期,不仅使银行资金使用效率最大化,同时也减少了家庭农场由于固定期限产品造成的额外成本(贝多广、汪雯羽,2020)。数字金融依托数字技术增加了家庭农场主申请贷款的渠道,帮助家庭农场主节省了大量的时间成本、信息搜寻成本,也提高了金融机构的审贷效率,降低了涉农贷款的风险和成本。数字技术使更多元的家庭农场主数据被用以衡量客户质量,增大借款客户获得金融支持机会的同时也减小了金融机构的业务风险。同时,数字金融利用技术优势减少了农村金融业务中线下人员的数量,也减少了人工成本,它基于电脑和智能手机等终端设备,突破了传统物理网点的时空局限,并规避了部分信贷人员“吃拿卡要”等寻租成本。因此,数字金融活动不受时间和空间的限制,以较低的成本联合其他部门构建家庭农场信用体系,为家庭农场定制精准的金融服务,进一步降低了家庭农场融资约束,从而降低了其生存风险。

假说2:数字金融通过为家庭农场提供金融服务便利,降低其生存风险。

三、研究设计

(一)模型设计

目前学术界关于生存分析模型的已有研究主要有以下几种,即连续时间的Cox道德风险比例模型、离散时间模型1和加速失效时间模型(AFT模型)。本文选用生存分析模型中的“互补双对数模型”(Cloglog模型)离散时间模型,其原因在于:一方面,AFT模型为参数模型,需要对基准风险的分布进行人为设定,而Cox比例风险模型由于其半参分布的特征,无需进行该操作,因此运用范围比AFT模型广,但与Cloglog模型相比,Cox比例风险模型的等比例风险假定较为苛刻,且该模型估计往往会忽略个体异质性效应的作用,会对回归结果造成较大的偏差;另一方面,生存分析模型中传统的“Cox道德风险比例模型”主要用于处理连续时间面板数据,但是面临处理大样本数据时的结点问题时2,Cloglog模型能够有效解决Cox模型在处理大样本数据时的结点问题,同时控制了不可观测的异质性问题3,并主要处理离散时间面板数据的生存分析,从而有效避免了Cox模型在使用时必须满足比列危险假设的缺陷4。

鉴于离散时间模型可以避免连续时间Cox模型的缺陷,本文构建离散时间模型如式(1),以期准确地估计数字金融对家庭农场生存风险的影响。

其中,上述模型中hit=1-exp[-exp(cControlit+φt)]表示风险率,F(hit)越大,表示家庭农场经营风险越大,即家庭农场生存概率越低;Indexit表示i家庭农场在t时期的数字金融发展程度,即本文的核心解释变量;Controlit为一系列控制变量;φt表示基准风险函数,并随时间变化而改变;Yeart、Indsk、Provr分别表示年份、行业和地区不可观测效应;itkr表示随机扰动项。

(二)变量选取

1.被解释变量。变量State为代表家庭农场生存与否的离散变量,如果家庭农场经营状态为营业或筹建,则家庭农场状态为生存,记为1,否则记为0。因为被解释变量是离散的、非连续的,故采用二项选择模型进行分析(Chang & Wang,2022)。对于家庭农场生存时间的界定,参照马光荣、李力行(2014)的做法,定义为家庭农场首次进入市场至其退出该市场所经历的时间,即在t期时家庭农场存在于样本之中,而t+1期时家庭农场不存在于样本中,此时可以认为家庭农场退出了市场。

2.核心解释变量。本文采用了北京大学数字金融研究中心的中国数字普惠金融发展指数(郭峰等,2020)。以Indext表示,并用Coverage、Useage、Digital分别表示数字金融服务的覆盖广度、使用深度和数字化程度这三个维度。用Credit、Credit-Loan分别表示使用深度中的信用业务、信贷业务。

3.控制变量。本文还控制了一些对家庭农场生存风险有重要影响的变量。首先在家庭农场整体层面,本文选用家庭农场年度总资产对数作为衡量家庭农场规模的指标,同时考虑到两者间可能存在非线性关系,本文参照苏振东等(2016)的做法,将家庭农场规模的平方也加入模型中;农场年龄采用样本期基期年份与开业年份的差值进行计算;利润率以家庭农场利润总额与总资产的比值表示;销售利润率以家庭农场利润总额占营业收入的比值表示;家庭农场性质往往决定了经营方式和经营目标,进而在一定程度上影响到其生存风险,因此本文在回归中还引入了家庭农场性质虚拟变量,当家庭农场属于个人独资家庭农场时取值为1,否则取值为0。其次在县域层面,县域经济状况被纳入考虑,这是影响家庭消费的重要宏观变量。此外,为了考虑传统金融对家庭农场生存风险的影响,模型中还考虑了县域层面的金融发展变量(金融机构存贷款余额之和与GDP的比值)。此外,经营年度、行业状况和地理位置决定了家庭农场的经营环境,故本文引入家庭农场经营所在年份(Year)、家庭农场所在行业5(Inds)和家庭农场所在地区(Prov)三类虚拟变量,以控制年份周期、行业和地理位置对家庭农场生存风险的影响。

4.工具变量。参考张勋等(2020)的做法,本文使用家庭所在县域与杭州的球面距离、家庭所在县域与全国其他省会的球面距离以及家庭农场所在县域与三大核心城市(北京、杭州、深圳)的平均球面距离作为数字金融的工具变量,数据通过地理信息系统计算后获得。

(三)数据处理和来源

本文采用2014-2018年家庭农场的微观数据。家庭农场基本信息和年报财务数据来源于国家信用信息公示系统,由企研数据整理提供6。该数据库搜集了全国29个省(自治区、直辖市)58103个家庭农场的信息,共计94027个微观数据样本7。本文首先参考谢千里等(2008)对各变量异常值的检测方法,将家庭农场规模、利润率、销售利润率等财务指标在1%的水平上进行缩尾处理,以规避异常值所产生的影响。其次,借鉴Brandt et al.(2012)序贯匹配的方法,将2014-2018年家庭农场数据跨期合并,随后通过筛选家庭农场的经营状态以及最终出现年份等信息,用于识别和区分家庭农场的退出和存活状态,最终获取了33402家家庭农场共计48515个有效样本数据(见表1)。

表1 变量说明和描述性分析

四、实证结果

(一)基准回归

本文采用离散时间Cloglog生存模型研究数字金融对家庭农场生存风险的影响,回归结果如表2所示。第(1)-(4)列为逐步增加控制变量的回归结果。结果显示,数字金融发展显著降低了家庭农场“失败”的可能性,即降低了家庭农场退出市场的风险率。在加入全部控制变量后,第(4)列结果中数字金融的系数值依然在1%的置信水平上显著。此外,各组内数字金融的显著性无明显差异,这说明本文对于数字金融发展作用效果的识别较为一致。

表2 数字金融对家庭农场生存风险的影响

(二)内生性和稳健性检验

1.内生性处理

为克服潜在的内生性问题,本文参照张勋等(2020)的做法,选取了三类工具变量。其中前两类工具变量与本地区的数字金融发展程度显然具备相关性。首先,众所周知,以支付宝为代表的数字金融的发展起源于杭州,因此杭州的数字金融发展处于领先位置。其次,省会通常是一个省份的数字金融发展中心,距离省会城市越近,数字金融的发展也越好。因此,这两个指标与数字金融发展紧密相关。对于第三类工具变量,核心城市之所以没有选择上海,是因为上海离杭州较近。

值得注意的是,数字金融发展是随年份变化的变量,但本文所选取的工具变量并不随时间变化,这使得通常的第二阶段估计失效。因此,本文将工具变量与全国层面(除本县域外)的数字金融发展指数均值进行交互,作为新的具有时间变化效应的工具变量。本文首先从统计学的角度检验了两者的相关性。在表3的第(1)、(3)、(5)列中,分别报告了三类工具变量的第一阶段的回归结果。根据结果显示,这三类距离的工具变量都与数字金融发展显著正相关,意味着离数字金融发展中心越近,数字金融的发展水平越高,这与本文的预期相符8。表3的第(2)、(4)、(6)列为采用工具变量估计的第二阶段回归结果。本文首先考察工具变量的有效性,发现第一阶段考虑异方差的弱工具变量检验F统计量大于10,表明工具变量满足相关性特征,说明本文选取的工具变量是有效的。此外还发现数字金融发展的估计系数依然在1%的水平上显著,证实了估计结果的稳健性。

表3 工具变量

2.稳健性检验

在模型选择方面,Cloglog模型属于离散时间生存模型,本文采用Probit生存模型、Logit生存模型、Cox模型、替换核心解释变量Ln(Index)进行进一步检验。表4汇报了最终的检验结果,第(1)-(4)列分别展示了Probit模型、Logit模型、Cox模型的回归结果。结果显示数字金融依然可以降低家庭农场的生存风险,且都通过了5%水平的显著性检验。因此,上述检验可以表明基准回归分析具有较强的稳健性,回归结果表明数字金融发展显著而有效地降低了家庭农场生存风险。

表4 稳健性检验

五、传导机制实证分析

(一)融资约束

首先,本文选取外生性较强的SA指数作为家庭农场融资约束的代理变量。SA指数由Hadlock& Pierce(2010)提出和构建,计算公式为:SA=-0.737*Size+0.043*Size^2-0.04*Age,在国内外学术界得到较为广泛的应用。

如果数字金融与融资约束的交互项系数显著为负,表明数字金融对融资约束较高的家庭农场作用效果更好。表5第(1)-(3)列汇报了回归结果。实证结果发现,无论是数字金融还是数字金融与融资约束的交互项,回归系数均显著为负,证明了数字金融显著降低了融资约束较高的家庭农场的生存风险。

表5 杠杆率与家庭农场生存风险

其次,为进一步验证数字金融通过缓解融资约束降低家庭农场生存风险的机制,利用数字金融发展的子指数来展开分析。实际上,数字金融发展之所以能够实现资源的合理配置,其本质就是允许有融资约束的个体进行借贷,从而能够缓解或消除融资约束。信用业务则是信贷业务展开的前提,因而也与融资约束相关。故选取与融资约束有关的指标,即分维度指数中的信贷业务和信用业务。

表6 杠杆率与家庭农场生存风险

在表5第(4)-(9)列中,本文分别在基准回归中添加了使用深度中的信贷业务指数和信用业务指数。通过第(4)列和第(7)列回归结果发现,信用业务指数和信贷业务指数均在1%的水上显著为负,分别降低了家庭农场1.50%和1.22%的生存风险。证实了数字金融发展可以通过缓解融资约束来降低家庭农场生存风险。此外,本文分别考察了数字金融发展的子指数与融资约束的交互项之间的关系,再次验证信用和信贷发展是否可以通过缓解融资约束达到降低家庭农场生存风险的目的。表5第(6)列和第(9)列的结果显示,信用业务和信贷业务均能降低融资约束,且前者降低家庭农场生存风险的作用高于后者。

本文通过用总负债/总资产表示杠杆率作进一步检验。将杠杆率与数字金融指数及其子指数的变量进行交互,表7第(1)-(9)列报告回归结果。结果发现,回归结果并未发生显著性变化,表明结果是稳健的,数字金融的发展对杠杆率高的家庭农场降低生存风险的作用更显著。

表7 金融服务成本与家庭农场生存风险

(二)融资服务便利性

在基准回归的基础上,利用中国数字普惠金融发展的子指数来进行机制检验。数字普惠金融发展指数包括覆盖广度、使用深度和数字支持服务程度3个方面。覆盖广度主要通过电子账户数(如互联网支付账号及其绑定的银行账户数)的覆盖程度来体现;使用深度依据实际使用互联网金融服务的情况来衡量;数字服务支持方面,便利性和成本高低是影响用户使用金融服务的主要因素。有2类子指数可以反映交易成本。第一类是覆盖广度,即电子账户的覆盖程度;第二类是数字支持服务程度,因为该子指数主要通过实惠化、信用化指数体现。数字支持服务程度越高,企业获得金融服务的成本越低。

表7第(1)-(2)列中,本文分别分析这2类子指数与家庭农场生存风险的关系。事实上,无论是覆盖广度还是数字支持服务程度,都降低了家庭农场生存风险,尤其是数字支持服务程度。这很容易理解,数字支持服务中的实惠化指数直接反映了企业贷款的交易成本,花呗中的芝麻信用更是体现了部分使用者可免押金的情况。从两者的数值大小来看,覆盖广度能降低家庭农场0.78%的生存风险,数字支持服务程度能降低家庭农场1.45%的生存风险,数字支持服务程度的缓解作用是覆盖广度的2倍,表明数字支持服务程度是降低交易成本的主要手段。这初步证实了数字金融可通过实惠化获得低成本的金融服务,从而降低家庭农场生存风险。

六、进一步讨论

(一)地区差异分析

不同地区的数字金融发展水平不一样,因此其对家庭农场生存风险的降低作用可能不同。本文按照东、中、西三个子样本对各地区内的家庭农场进行分类回归,考察不同地区数字金融发展差异对家庭农场生存风险的影响。回归结果如表8所示。从表8第(1)-(3)列可以看出,无论是东部、中部还是西部,数字金融均在1%的水平上显著为负,表明数字金融发展均能降低东、中、西部地区家庭农场的生存风险。从具体的数值来看,数字金融对家庭农场生存风险的影响效应存在地区差异,西部地区的作用效果最强,其次是中部地区,最后是东部地区。这表明,西部地区数字金融的发展和普及能更有效地缓解家庭农场面临的融资约束和提供便利化的金融服务,从而降低其生存风险。

表8 地区差异分析

(二)发展程度差异分析

1.小型和大型家庭农场。数字金融发展的一大特征就是普惠性,即数字金融发展过程中的效率与公平。相比于在传统金融市场中更受投资者青睐的大型企业,数字金融对中小企业的资金需求起到了“雪中送炭”的效果(谢绚丽,2018)。为考察数字金融发展对不同规模大小的家庭农场生存风险的影响,本文将家庭农场资产总额作为家庭农场资产规模大小的代理变量,以家庭农场资产规模的中位数为标准,将全部家庭农场划分为小型家庭农场和大型家庭农场两类,并分别对其进行回归,回归结果如表9第(1)列和第(2)列。对比这两列数字金融发展的系数值可以发现,数字金融发展对小型家庭农场生存风险的降低效果优于大型家庭农场。在传统金融市场中,小型家庭农场往往由于规模小、信息披露不完善、缺乏较好的风控管理而被正规金融机构拒之门外,或由于资产规模小、抵押品价值低不能获得足够的信贷。因此,数字金融通过为小型家庭农场提供便利金融服务和缓解融资约束来降低生存风险的作用更显著。

2.初创型和发展型家庭农场。本文依据家庭农场年龄大小将家庭农场生存时间划分为初创型和发展型两类9,并对这两类家庭农场分别进行回归,回归结果如表9第(3)列和第(4)列。通过对比第(3)-(4)列数字金融发展的系数值可以发现,这两类变量的回归系数均为负,初步显示数字金融发展均能降低不同生存阶段的家庭农场生存风险。具体来看,数字金融降低家庭农场生存风险的作用在初创型家庭农场中效果更强,大约是发展型的3倍。可能源于初创型家庭农场由于创立时间短、市场信息不完善、可支配的抵押品少、面临的信息不对称问题更加严重、较低的信息透明度导致其更容易面临融资约束困境。金祥义(2019)的研究也表明,相较于现存企业,银行业市场的发展更能降低新进企业面临的市场风险率。因此,数字金融降低家庭农场生存风险的作用在初创型家庭农场中更为明显。

表9 发展程度差异分析

七、结论与政策建议

本文从理论和实证两个方面评估了数字金融的发展对家庭农场生存风险的影响。利用2014-2018年数字金融县域数据与33402家家庭农场共计48515个微观数据相匹配,采用离散时间Cloglog生存模型,深入考察数字金融对家庭农场生存风险的影响及其异质效应。研究结果表明:第一,在样本期内,数字金融发展显著地降低了家庭农场的生存风险,采用多种工具变量进行内生性及稳健性检验后,以上结论仍然成立;第二,数字金融通过提供低成本的金融服务和缓解融资约束实现降低家庭农场生存风险的作用;第三,异质性分析表明,数字金融对家庭农场生存风险的影响,在西部地区、小型和初创型家庭农场中效果更为明显,这提现了数字金融的普惠性特征。

本文的研究结果表明,数字金融发展能显著降低家庭农场的生存风险。因此,在国家大力发展数字经济的背景下,应进一步深化互联网、大数据、云计算、区块链等新型技术与传统金融的融合,提升家庭农场的生存能力。数字金融通过缓解融资约束实现降低家庭农场生存风险的作用,因此要进一步推进数字金融业务发展,改进对家庭农场的授信方式,以提升家庭农场获得资金的效率。在推进数字金融发展的过程中,如何降低家庭农场获取金融服务的成本是关键,要重点关注数字金融的覆盖广度和数字支持服务带来的实惠性。最后,数字金融对西部地区、小型和初创型家庭农场作用更强,这表明了数字金融的普惠性。因此,要进一步加强信用和科技基础设施建设,同时家庭农场需要积极探索如何借助数字金融改善自身经营,降低生存风险,提高生存率。只有解决了生存问题,家庭农场才可以持久经营,才能有助于更好地促进农业现代化发展和实施乡村振兴战略。

注释:

1离散时间模型包括Cloglog模型、Probit模型和Logit模型,研究中通常使用的是“互补双对数”Cloglog(Complementary Log-Log)模型。

2结点问题为由于数据记录方式,在数据中往往存在时间结点,企业死亡通常以年为单位,而Cox模型却假设持续时间可以取任意的正值,如果只有较少的时间区间或者时间单位较大时,很多企业死亡会在同一精准的时间发生,结点数量会很高,而结点存在会使回归系数的估计产生渐进误差。

3不可观测的异质性体现在对个体收集信息时未被测量出的对生存产生影响的协变量的效应,忽略对不可观测的异质性的控制会引起谬误的时间依存性和参数估计的偏误(Salant,1977)。

4比例危险假设指的是两个个体之间的危险率之比不随时间的改变而改变。同时,离散时间模型Cloglog模型是一种替代Logit模型和Probit模型分析的一种新方法,但与这两种模型不同的是,在转换过程中估计量是不对称的,因此,这个模型主要用于正(负)结果是稀缺的。由于本文所采用是微观企业的年度面板数据,因此采用Colglog模型无疑更加合适。

5家庭农场所处的行业类型主要有:农、林、牧、渔业;交通运输、仓储和邮政业;居民服务、修理和其他服务业;批发和零售业;科学研究和技术服务业;教育;采矿;水利、环境和公共设施管理业;文化、体育和娱乐业;制造业;住宿和餐饮业;租赁和商务服务业12类。

6该数据库包含家庭农场代码、行业类型、家庭农场登记注册类型、注册资金、经营范围、经度、维度、成立时间、死亡时间等基本信息,以及总资产、总负债、所有者权益、主营业务收入、利润等主要财务指标。

7北京、上海以及港澳台地区除外。

8第一阶段的回归拟合系数较高,是因为本文利用了县域层面的变量作为被解释变量,而存在家庭层面的变量作为解释变量,造成拟合程度较高。

9由于本文的研究时间为2014-2018年,时间较短,故分类两类最为合适。

猜你喜欢
农场变量融资
农场假期
抓住不变量解题
融资
也谈分离变量
融资
农场
7月重要融资事件
一号农场
5月重要融资事件
丰收的农场