绿色金融、要素配置效率与农民增收

韩伟达（贵州大学）

一、引言

当前，城乡要素错配、要素流通不充分带来的农村发展不充分，农民经营性收入和工资性收入增收幅度相较之前正在减弱。在新的形势下，要缩减城乡收入差距，促进城乡居民共同富裕，关键在于找到让农民富裕起来的新路径。今后一个时期，农民增收形势只会更加复杂，亟需解决农民收入增收困难等问题。为给经济高质量发展提供更强劲的动能，持续稳定提高农民收入的核心在于重视农村发展的平等性、自主性和内生性。城乡要素错配是城乡关系不协调的重要障碍，也已成为影响农民收入的主要阻碍。

二、研究设计

（一）变量选取

如表1所示，本文选取绿色金融综合发展水平作为解释变量。本文参考余江龙等的研究方法，用绿色信贷（DIF1）、绿色保险（DIF2）、绿色投资（DIF3）及综合指标绿色金融指数（DIF）共四种指标度量我国绿色金融发展水平。本文被解释变量为农民收入，选取农业收入（Pif）对农民收入情况进行度量。同时引入受教育程度（EL）、农业经济水平（AEI）、基础设施建设（ROAD）、政府干预程度（GOV）作为回归模型中的控制变量。

（二）数据来源

文章研究对象为2013—2022年中国30个省市自治区（未涉及港澳台和西藏地区），文章数据分别来自《中国统计年鉴》 《中国农村统计年鉴》 《中国分省份市场化指数报告2021》。

（三）变量描述性统计

根据表1可知，我国农业收入均值为14 320.92元，标准差为5778.33，其范围从最小值5588.8元到最大值38 520.7元，也存在同样显著的差异。以上统计数据表明，我国农民收入之间仍存在较大差距。另外，我国不同地区之间的统计数据仍存在较大差距，其中绿色金融于各省份之间差距较大，原因可能是各省份人口分布情况差异较大等原因所导致。控制变量方面，我国受教育程度、农业经济水平、基础设施建设、政府干预程度数值之间差异较小。

（四）模型构建

本文主要研究基于绿色金融指数对农民收入的影响，样本数据为2013—2022年上市公司的短面板数据，并进行单位根检验、变量相关性分析及多重共线性检验，结果显示本文数据均能通过相关检验，基于以上检验结果构建如式（1）所示双向固定效应回归模型：

表1 变量描述性统计

其中，PIFi,t指第t年省份i的农业收入，用于衡量各省份农民收入情况；DIFi,t为第t年省份i的绿色信贷、绿色投资、绿色保险及绿色金融指数。

三、实证分析

（一）基准分析结果

表2为绿色金融指数、绿色信贷、绿色保险、绿色投资如何影响农业收入的实证回归结果。第Ⅰ列中，绿色金融指数为主要解释变量，回归结果显示，在控制多个变量的情况下，绿色金融指数对农业收入的影响在1%显著性水平下具有显著的正向效应，表明绿色金融指数的提升可能有助于农业收入的增长。第Ⅱ列结果显示，绿色信贷在1%的显著性水平下农业收入表现出显著正向的影响，即绿色信贷覆盖广度越大，农业收入增长的可能性越大。第Ⅲ列中绿色保险在1%的显著性水平下对农业收入具有显著的正向影响，这表示，绿色保险的使用深度越高，农业收入的增长潜力可能就越大。但在第Ⅳ列中，若将绿色投资作为主要解释变量的回归结果显示其对农业收入的影响并不显著。这可能表明，在控制其他因素的情况下，绿色投资并不能够直接影响农业收入，或者其影响效应可能被其他因素覆盖。对于控制变量的影响，基础设施建设在回归结果中均对农业收入展现出显著的正向影响。而政府干预程度在第Ⅰ列和第Ⅲ列中对农业收入表现出显著的正向效应，但在第Ⅱ列和模型Ⅳ中其影响并不显著。这可能意味着政府干预程度对农业收入的影响会受到其他因素的影响。另外，受教育程度和农业经济水平在所有模型中对农业收入的影响均未显现显著。以上研究结果表明，绿色金融指数、绿色信贷和绿色保险对农业收入的增长都起到了积极的推动作用，而绿色投资的影响却不显著，其原因可能是由于诸多其他因素所导致，如农业生产环境、市场机会、政策支持及农民对于普惠金融数字化程度的可接受度等。

表2 农业收入回归结果

（二）稳健性检验

1.替换自变量。为检验以上研究结果的稳健性，替换文章的绿色金融指数重新估计。根据表3的结果显示，在替换核心解释变量后，数字普惠金融指数仍对农民增收具有显著的正向作用，这再一次验证了假设一的稳健性。

2.工具变量法。根据表3的结果显示，在考虑内生性问题之后，绿色金融指数对农民增收的促进作用仍然存在。

表3 稳健性检验结果

四、结论与建议

文章探讨了绿色金融对农民收入影响的内在机制，研究发现：绿色金融指数对农业收入的提高具有显著的正向作用；绿色信贷能有效提高农业收入；绿色保险使用深度对农业收入同样具有积极的正向作用。

当前，在推进农村绿色金融过程中仍存在基础设施薄弱滞后、绿色金融发展生态不佳、数字应用场景不丰富、大数据信用体系建设难度大等困难和问题。