乡村振兴战略背景下我国农村金融效率分析

■郑德鹏 钟贞贞 吴 玲

（1.中国人民银行三亚市中心支行 海南三亚 572000；2.中国人民银行海口中心支行 海南海口 570106）

一、研究背景及意义

全面建设社会主义现代化国家，实现中华民族伟大复兴，最艰巨最繁重的任务在农村。2017年，中国共产党第十九次全国代表大会的报告首次提出实施乡村振兴战略，将“三农”工作提升到了一个新的政治高度，指明实施乡村振兴战略有助于解决“三农”问题。《乡村振兴战略规划（2018-2022年）》明确提出健全“金融支农”体系，进一步加大金融服务乡村振兴战略的力度。2019年1月，人民银行会同银保监会、证监会、财政部和农业农村部联合印发《关于金融服务乡村振兴的指导意见》，提出金融服务乡村振兴的短期和中长期目标，明确了各类金融机构服务差别化定位，要求银行金融机构深化金融产品和服务创新，加大金融资源投入，引导更多金融资源回流农村。同时，要求建立健全多渠道资金供给体系，拓宽乡村振兴资金来源，促进农业农村优先发展。当前，我国农村金融水平得到显著提高，但仍面临着一系列问题，主要表现为我国农村金融需求群体众多与金融服务供给不匹配，以及农村金融发展不平衡不充分等问题。进一步促进我国农村金融全面高质量发展，提高农村金融资源使用效率，营造良好的农村金融环境，不仅有助于促进农村经济发展和释放农村发展活力，更有助于乡村振兴战略的实施。因此，研究我国农村金融效率问题具有重要的现实意义。

二、文献综述

随着我国城乡一体化发展、精准脱贫以及乡村振兴战略的提出，国内学者对我国农村金融的研究逐渐深入，主要从宏观和微观两个层面开展研究。宏观层面，侧重于农村金融效率的界定以及农村金融推动地方经济发展的效率研究，部分学者研究了农村金融效率的影响因素、区域农村金融效率的差异。如李建等人认为，现有农村金融制度缺乏对农村微观经济现状与农户特征的联系，导致农村金融效率水平不高。赵洪丹等人认为，农村金融效率是指农村金融机构将农村居民储蓄转化为农业贷款的能力。微观层面，学者更多地开展了农村金融效率测算、基于农村金融机构指标体系的效率等问题的研究。如向琳等人在对我国各区域农村金融效率研究时发现，各区域农村金融效率整体水平差别不大，但中西部地区农村金融效率略高于东部地区。孟兆娟等人从省级层面和划分中东西区域来对我国农村金融效率进行测算，发现我国农村金融效率呈现先高后低趋势，省级经济发展水平差异和政府干预程度导致我国各区域农村金融效率存在差异。岳意定等人从经营与服务两个方面分析了我国农村金融效率问题，发现导致我国农村金融效率偏低的主要原因是农村金融组织不完善、资金利用率不高以及涉农贷款投入不足，同时指出，良好的农村金融生态和健全的金融体系有助于提高我国农村金融效率。薛薇等人认为，我国西部相关制度不够健全以及管理水平不高，是我国西部农村金融效率相对较低的原因，农村金融效率分布不均衡。武臻等人基于2007～2012年西部12个省级城市的数据发现，西部农村金融市场配置效率不高，同时还发现技术进步有助于农村金融市场配置效率提升。孙玉荣等人通过DEA模型分析我国2011年30个省份的农村金融效率，其中选择农村金融机构从业人员、机构数、总资产作为模型投入指标，农村金融机构存款、贷款及利润作为产出指标，实证表明我国大多数省级农村金融效率低下。阮华等人以江西省作为决策单元，选择农村信贷余额、城镇固定资产投资作为投入指标，选择第一产业增加值、农民人均纯收入、第二产业增加值作为产出指标，通过Malmquist指数模型测算出江西省农村金融效率。张一青等人通过DEA-Tobit模型，分析我国30个省份的农村金融效率，结果证明运用四阶段DEA-Tobit模型测算农村金融效率与经典的DEA模型测算的结果不尽相同，发现外部因素对农村金融效率的影响显著。陈莉等人以每年作为决策单元，选取1994～2014年的农村金融机构数量、农村涉农贷款、农村存款、农村保险费用收入面板数据作为投入指标，以农村家庭平均收入和农村GDP作为产出指标，通过模型分析，表明我国农村金融效率水平较高，除了个别年份存在波动外，农村金融朝着积极的方向发展。李彩霞等人以京津冀地区作为决策单元，选取农村金融机构从业人数、营业网点及总资产作为投入指标，以农林牧渔业人均总产值、农村居民人均纯收入作为产出指标进行分析，实证结果表明，整体上京津冀地区金融机构配置全要素生产率稳中有降，农村金融资源在京津冀地区的分配不均衡，京津地区优于河北省。

当前，国内学者对我国农村金融效率测算已经有了较为系统的研究，为我国研究农村金融效率的测算提供了更多的思路。但受限于数据可得性，大部分学者更多的是研究一个省份的农村金融效率或者进行静态分析，较少针对全国性农村金融动态效率进行分析。随着我国乡村振兴战略的实施，农村金融效率的高低在一定程度上影响着我国农村经济发展以及乡村振兴战略的实施效果。基于此，本文以我国各省份（含直辖市，不含西藏自治区，以下简称“各省份”）2010～2020年农村经济和金融相关数据作为投入和产出，测算和分析我国各省份农村金融效率和全要素生产率，在此基础上为我国农村金融发展提出政策建议。

三、农村金融效率测算方法及模型构建

（一）模型构建

1.超效率SBM模型。数据包络分析方法（DEA）最早由Charnes等学者提出，是一种评价决策单元效率的非参数线性规划分析方法，常见的有基于规模收益不变的CCR模型和基于规模收益可变的BCC模型，在效率评价领域应用广泛。由于传统DEA模型是基于径向距离函数对目标效率进行测算，而现实应用场景中很难满足径向条件。因此，Tonek提出了SBM模型，这是一种非径向模型，有效地解决了传统DEA模型的不足，但SBM模型仍无法对DMU效率值为1时的情形进行区分。后来，Tonek又提出引进修正松弛变量的超效率SBM模型，该模型测算效率值可以等于或大于1，有效地解决了当决策单元（DMU）效率值为1时无法进一步区分的问题。

在使用超效率SBM模型测算各省份的农村金融效率时，假设每个省份农村金融活动是通过多种金融资源投入得到多种期望产出，除第k个DMU外的其他DMU构建生产可能集为：

假设每一个省份作为一个决策单元（DMU），每个DMU有m个投入和s个产出，第k个DMU的超效率模型定义为：

其中，目标函数ρSE的值越大，则该决策单元的效率越高。

2.Globe-Malmquist指数分析方法。传统的DEA模型主要是用来评价某一时期生产技术效率，但在现实生活中，生产技术和技术效率是不断变化的，当评价DMU包含多个时间面板数据时，需要采用Globe-Malmquist指数分析方法。Globe-Malmquist（GM）指数分析方法是针对时间序列的DMU的效率进行动态分析（即全要素生产率TFP），TFP指数是将各期DMU的综合作为参考集，实现跨期分析。TFP指数可以分解为技术进步指数（TC）及技术效率指数（EC）。具体定义如下：

其中，xt、yt分别是被测算DMU在t期的投入和产出值，TFPt,t+1是指测算的省份由t到t+1期农村金融效率TFP的变动值，ρg(x t,yt)表示基于全局各期生产技术和t期投入产出的效率值；ρg(x t+1,yt+1)表示基于全 局各期生产技术和t+1期投入产出的效率值；ρt(x t,yt)表示各省份在t期的效率值；ρt(x t+1,yt+1)表示各省份在t+1期的效率值。的值表示前沿t+1与全局前沿的靠近程度；的值表示前沿t期与全局前沿的靠近程度。当TFPt,t+1＜1时，表示农村金融TFP退步；当TFPt,t+1=1时，表示农村金融TFP无变化；当TFPt,t+1＞1时，表示农村金融TFP进步。当ECt,t+1＜1时，表示技术效率下降；当ECt,t+1=1时，表示相邻两个时期技术效率无变化；当ECt,t+1＞1时，表示技术效率提高。当TCt,t+1＜1时，表示生产技术退步；当TCt,t+1=1时，表示生产技术无变化；当TCt,t+1＞1时，表示生产技术进步。

（二）指标选择和面板数据来源

如何科学地选取投入与产出指标，对于研究农村金融效率问题显得尤为重要。国内很多学者在研究农村金融效率时，基本上从农村金融与农村经济发展这一思路出发，如陈国治等人在研究西北地区农村金融效率时，选择农村贷款作为投入指标；董竹等人在研究农村金融与经济发展问题时，选择农村GDP和农村居民人均收入作为产出指标等。本文参考国内相关学者关于农村金融效率的研究成果，并综合考虑我国农村金融现状、数据可获性、全面性来选取决策单元、投入与产出指标，其中投入指标主要选择农村金融领域的指标，产出指标主要选择农村经济的指标。具体如下：选择农村金融机构网点数量、农村金融机构从业人数、地方财政农林水事务支出、涉农贷款余额作为投入指标；选择第一产业生产增加值、农村居民人均可支配收入、农村居民人均消费支出作为产出指标，详见表1：情况。

表1 农村金融效率研究投入指标与产出指标

2.面板数据来源。本文重点研究全国各省份的农村金融效率，选取2010～2020年各省份的农村金融与经济相关数据，进行农村金融效率静态与动态的研究分析，其中金融相关数据主要来自中国人民银行官网、中国农村金融服务报告、中国区域金融运行分析报告等；经济相关数据主要来自国家统计局。

四、农村金融效率测算结果与分析

1.投入与产出指标。本文选取农村金融机构网点数量、农村金融机构从业人数作为投入指标，是因为农村金融机构和从业人数更能反映农村金融服务的覆盖面及农村金融机构的供给能力；涉农贷款余额能准确地反映出农村获得金融信贷资源支持力度的大小；地方财政农林水事务支出在一定程度上反映了政府向农村经济发展提供财政资源，从而撬动金融资源向农村倾斜的力度。由于农村金融机构网点数、农村金融机构从业人数的个别年份数据缺失，为了确保数据的完整性，本文根据其年均增长率进行推算，具体计算方法是：以北京为例，假设计算出北京2010～2019年农村金融机构网点数年均增长率为r，北京2019年农村金融机构网点数为b，则北京2020年金融机构网点数等于b*(1+r)。同理，测算出农村金融机构网点数和农村金融机构从业人数缺失的数据。西藏地区的农村金融机构网点数和从业人数的数据缺失严重，为了确保数据完整性，将其剔除。

产出指标选取第一产业生产增加值、农村居民人均可支配收入和农村居民人均消费支出，其中第一产业生产增加值能充分反映出一个地区的农村经济发展程度；农村人均消费支出可以反映出一个地区的农村居民的生活水平；农村居民人均可支配收入能很好地反映一个地区的农村居民收入

本文运用SBMrun软件，基于超效率SBM模型与Malmquist指数方法，测算我国2010～2020年间30个省份农村金融全要素生产率指数及分解指标。下面用超效率SBM模型对农村金融效率进行静态分析，用超效率SBM-Malmquist指数全要素生产率对农村金融效率进行动态分析。

（一）基于超效率SBM模型的农村金融效率分析

通过使用超效率SBM模型测算2010～2020年30个省份的农村金融效率的相对效率值和效率平均值。从表2中可知，我国农村金融效率均值达到0.79，这说明我国农村金融资金利用处在较好的水平，各地区的农村金融效率存在一定的差别。从我国四大区域的农村金融效率均值来看，东部地区的农村金融效率均值最高，为1.07，说明东部地区农村金融资源的利用率最高；中部地区为0.69，东北地区为0.65，西部地区为0.63，说明西部地区的总体农村金融效率相对较低。在30个省份中，有9个省份的农村金融效率均值大于1，占比30%，主要集中在东部地区，分别是上海、浙江、福建、江苏、广东、山东、天津、海南及湖北，这9个省份的农村金融效率值在2010～2020年期间的效率值基本大于1，说明这些省份每年的DEA有效，农村金融效率较高。有17个省份的农村金融效率均值小于全国平均水平，占比56.67%，主要在中西部地区，这些省份的农村金融效率较低，金融资源利用效率不高，有待于进一步加强。

表2 用超效率SBM模型测算30个省份的农村金融效率的结果

（二）基于超效率SBM-Malmquist指数全要素生产率的测算结果

下面从农村金融TFP指数年均值及年均增长率、农村金融TFP指数及其分解项的时序变化、各省TFP指数增长动力分类三个方面分析我国农村金融TFP总体特征及趋势。

1.各省份农村金融TFP指数值及年均增长率分析。运用SBMrun软件对2010～2020年间我国30个省份农村金融全要素生产率指数（TFP）进行测算，表3为30个省份农村金融全要素生产率指数值。从整体上来看，全国农村金融全要素生产率在2010～2020年间均值为1.06，整体处于上升阶段，其中有28个省份的农村金融全要素生产率均值大于1，最高的3个省份分别是黑龙江（1.17）、浙江（1.14）、上海（1.13），主要集中在东北地区和东部地区，可能是受当地农村经济和财政金融政策的影响，农村金融效率提升较快。2010～2015年间，全国农村金融全要素生产率均值为1.02，年均增长率为-1.92%，表明在这段时间内，全国农村金融生产全要素生产率变化有所下降，而在2015～2020年间，全国农村金融全要素生产率均值达到1.1，年均增长率达到3.17%，表明这段时间我国的农村金融全要素生产率提升较快，农村的金融生态环境有所改善。这可能是2015年的“中央一号文件”（《关于加大改革创新力度加快农业现代化建设的若干意见》）提出，要推动农村金融立法，以法律的形式明确政策性和商业性金融支农责任；大力建设农村信用体系和农村支付体系，加强对农村金融消费者的教育培训等一系列举措，有效地推动了农村金融领域的基础设施建设，极大地改善了农村地区的金融生态环境。

表3 30个省份的农村金融全要素生产率指数值

2.全国农村金融TFP指数及分解指数的动态演变。我国各省份在2010～2020年农村金融全要素生产率指数（TFP）可以分解为技术效率指数（EC）和技术进步指数（TC），如表4所示。TFP、EC及TC指数年均值分别为1.06、1.02、1.05，年均增长率分别为0.88%、0.18%和0.67%，这说明我国农村金融全要素生产率指数、技术效率指数（EC）和技术进步指数（TC）均有一定程度的提高,但总体水平依然不高。

表4 我国的农村金融全要素生产率及分解指标

从图1中可以看出，我国农村金融技术进步与技术效率基本呈现反向的关系，当技术效率提高时，技术进步表现为下降；当技术进步提升时，技术效率表现为下降。这表明可能在现有农村金融制度及政策条件下，短期内的技术进步难以实现，技术效率提高促进技术进步具有一定的滞后性。另外，农村金融全要素生产率指数与技术进步指数的变动趋势基本保持一致，这说明了当前我国农村金融全要素生产率与技术进步有着密切的关系，技术进步能有效提升农村金融全要素生产率。从2015年始,全国农村金融TFP指数和技术进步指数持续呈现上升趋势，这表明我国农村金融全要素生产率的增长动力主要来自技术进步，而技术效率优化对其的贡献则相对较小。其原因可能是我国在打赢脱贫攻坚战期间，加大了对农村地区的金融资源和技术支持，使得农村地区的技术进步较快，农村的经济金融环境得到改善，农村金融资源得到有效利用，提高了技术创新转化的能力。

图1 2010～2020年我国农村金融全要素生产率指数及其指标时序图

3.分区域对农村金融全要素生产率指数进行异质性分析。将30个省份划分为东部地区、东北地区、中部地区和西部地区进行分析，四大区域2010～2020年的农村金融TFP指数及其分解指标，如表5所示。我国四个经济地区的农村金融TFP均值均大于1，其中东北地区农村金融TFP均值最高，达到1.1，西部地区1.08，东部地区1.05，中部地区1.03，我国四大经济区域的农村金融全要素生产率均有所提高。从农村金融TFP年均增长率来看，不同地区的农村金融TFP指数年均增长情况存在明显差异，其中西部地区＞中部地区＞东部地区＞东北地区，这说明四个地区推动农村经济发展的动力可能不同。东北地区农村金融TFP年均增长率下降了1.34%，主要是由技术进步指数下降造成的，这说明了东北地区技术进步指数的下降是导致农村金融全要素生产率下降的主要原因。东部地区、中部地区和西部地区农村金融TFP年均增长率分别为0.79%、1.37%、1.38%，东部地区农村金融TFP增长的动力主要来自技术进步，中部地区增长的动力主要来自技术效率的提升，西部地区增长的动力主要来自技术进步和技术效率的提升，二者共同促进了西部地区农村全要素生产率指数的增长。总体而言，我国四大经济区域农村金融全要素生产率增长的动力来源存在显著差异。

表5 2010～2020年四大经济区域农村金融效率TFP指数及分解指标

（三）综合分析农村金融效率的优势和不足

为了更加全面地分析我国的农村金融效率，基于上述测算结果，将采取静态和动态相结合的方式进行分析。以2010～2020年30个省份农村金融效率和全要素生产率指数均值为标准，构建农村“金融效率(静态)-全要素生产率指数(动态)”矩阵象限，将30个省份分为四个象限，综合比较分析各省份农村金融效率的优劣势，为各省份农村经济金融的发展提供参考。第一象限：农村金融效率(静态)＞平均值、全要素生产率指数(动态)＜平均值，表明效率高，但提升速度慢；第二象限：农村金融效率(静态)＞平均值、全要素生产率指数(动态)＞平均值，表明农村金融效率高，且提升速度快；第三象限：农村金融效率(静态)＜平均值、全要素生产率指数(动态)＜平均值，表明农村金融效率低，且提升速度慢；第四象限：农村金融效率(静态)＜平均值、全要素生产率指数(动态)＞平均值，表明农村金融效率低，但提升速度快。如图2所示。

图2 我国农村“金融效率（静态）-全要素生产率指数（动态）”散点图

第一象限有海南、山东、湖北等8个省份，其农村金融效率大于均值，全要素生产率指数小于均值，说明这类省份的农村效率水平相对较高，但增长速度慢。第二象限有江苏、广东、浙江等5个省份，其农村金融效率大于均值，全要素生产率指数大于均值，这些省份（含直辖市）的农村效率水平相对较高，且增长速度快，主要集中在东部发达地区。第三象限有安徽、湖南、山西等7个省份，其农村金融效率小于均值，全要素生产率指数小于均值，这些省份的农村效率水平相对较低，且增长速度慢，未来需要从数量和质量两个方面共同提升农村金融效率。第四象限有重庆、云南、贵州等9个省份，其农村金融效率小于均值，全要素生产率指数大于均值，这类省份的农村效率水平相对较低，但增长速度相对较快，未来农村金融效率的提升潜力较大。

五、研究结论与建议

本文采用超效率SBM-Malmquist全要素生产率指数，对我国2010～2020年30个省份的农村金融效率进行实证分析，并构建农村“金融效率（静态）-全要素生产率(动态)”均值，综合分析各省份农村金融效率的优势与不足，得出相关结论和建议如下：

总体上看，我国各省份农村金融效率相对较高，但区域间农村金融发展水平不平衡，东部地区的省份农村金融发展水平相对较高。建议农村金融效率值小于1的省份，借鉴上海、广东、江苏等农村金融效率较高地区的发展经验，与当地实际情况相结合，加大对农村地区的资源投入及科学配置，不断提升服务质量，从而提高农村金融效率。

我国农村金融全要素生产率、技术效率及技术进步均呈上升态势，但各省份间存在一定的差别。从2015年始，农村金融全要素生产率上升明显，技术效率与技术进步的提升共同促进了全要素生产率的提高，其中技术进步是全要素生产率提升的主要动力。所以，对于技术进步指数不高的省份，如东北三省及西部大多数省份，应该注重提升农村农业管理水平，加大农业技术的投入和创新力度，从而进一步提升农村金融效率水平。

从农村“金融效率（静态）-全要素生产率（动态）”矩阵划分结果来看，应重点关注位于第四象限的省份，这些省份的农村金融效率水平较低且全要素生产率指数不高。农村金融效率受政策、经济和金融生态环境等多重因素影响，因此，为了全面提升农村金融的效率，建议从以下几面开展工作：一是结合每个省份农村发展水平、发展需求、资源和农作物等因素，科学制定农业发展规划，遵循循序渐进的原则，推动农村金融经济发展；二是大力推动普惠金融事业的发展，加大农村金融领域的基础设施建设，特别是农村信用体系和支付体系的建设，进一步提高农村金融服务水平，拓宽农村金融覆盖面，增强农村金融供给能力，从而改善农村金融生态环境；三是科学制定奖励措施，鼓励农村金融机构加大对“三农”的支持力度，引导更多的金融资源向农村倾斜。