农户金融抑制及其福利损失的计量分析，本文主要内容关键词为：农户论文,抑制论文,福利论文,损失论文,金融论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
JEL Classification:R200,Q140,D610
一、引言
农村金融对于农户异常重要，完善高效的农村金融市场不仅可以提高农户的收入和福利水平，而且能够减少农村中的贫困人口，缩小贫富差距。然而，近二十年来，理论研究和经验分析的成果均表明，发展中国家农村信贷市场的效率非常低下，农户金融抑制的程度普遍相当地严重(Stiglitz and Weiss,1981; Carter,1988; Milde and Riley,1988; Anjini Kochar,1997; Jeremy D.Foltz,2004)。与其他发展中国家相比，我国农户金融抑制的程度尤其严重，除了利率管制、逆向选择、交易成本等信贷市场不完善的共同根源外，为了服从工业化和城市化建设的发展战略，从上个世纪50年代后期开始，我国在农村长期进行金融管制，限制民间金融活动及私人组织，正式金融机构成为输出农村储蓄的媒介和工具，直接或间接地不断转移农户的金融资产和剩余，这导致农村金融资产严重匮乏，成为我国农户金融抑制的最重要原因之一。那么，我国农户金融抑制的程度究竟有多大呢？由于金融抑制，农户损失的福利有多少呢？定量地回答这些问题，正是本文的研究内容和目标。
早期估计农户金融抑制的程度及其对产出影响的方法之一是，分别估计借款农户和非借款农户的生产函数或供给函数，然后比较两者的估计量(David el al,1980)；方法之二是，将借款和非借款农户的样本数据混合起来，用以估计生产函数或供给函数。在模型中，借贷被当作投入品要素或供给的解释变量，受到了广泛的批评(Gershon Feder et al,1990)。近期，一些学者采用带有内生标准函数(endogenous criterion function)的switching模型估计了信贷配给对产出的影响(Gershon Feder et al,1990; Jeremy D.Foltz,2004)；另一些学者则使用biprobit模型估计了农村金融抑制的程度(Anjini Kochar,1997)。这些模型的运用是该领域研究方法质的飞跃，因为它把握了在农村金融市场上广泛存在的信贷配给问题，很好地反映了在农村信贷市场上存在极为普遍的金融抑制这一特点，从而较好地解决了早期研究中所存在的许多问题。
然而，或许是受模型估计技术限制或者其他缘故，学者们所做的研究依然存在着一些不足之处。例如，在biprobit模型的预测中，只考虑到了需求完全得不到满足的情形，而遗漏了需求只得到部分满足的情形，譬如，某个农户需要借款100元，结果只借到了60元，这显然低估了农户金融抑制的程度。我们的研究对原来的估计方法做了改进和完善，构建了更为合理的预测指标，有效地解决了前述的遗漏问题。我们还借鉴最近发展起来的模型和估计技术(Abadie,A.和Imbens G.W.,2004，2006)，在平均处理效应(average treatment effect)模型的框架下使用偏差修正的match模型，较准确地估计了金融抑制的福利损失。本文的贡献还在于，在供给模型中，我们纳入了能够反映信贷交易双方“关系”的变量；在需求模型中，我们纳入了反映农户医疗和教育费用支出的变量。这些变量的纳入，充分地刻画了我国农村信贷市场的本质特征，使我们的研究与其他学者的研究进一步区别开来，且更加具有针对性。
二、样本数据来源及分析
本文的数据来自于我们2004年所建立的一个数据库，数据收集是委托地方统计局农调队完成的，采用了四阶段分层抽样策略。第一阶段，我们根据区域经济的发展状况，在所有省份中采取分类抽样的方法，随机选择10个省，它们分别是河南、山东、辽宁、安徽、湖北、吉林、四川、江苏、河北和黑龙江。第二阶段，由每个被抽取省的统计局农调队从该省所属县或县级区中随机抽取3个县，共得到30个县。第三阶段，由每个被抽取县区的统计局农调队随机地抽取10个村庄，在抽取村庄时，我们排除了面积和人口特别大和特别小的村庄。第四阶段，每个被抽取村庄中排除最富裕和最贫穷的农户后，从中随机地抽取10个农户，总共得到3000个农户。数据库中，收集了这些农户2003年的收入、支出、金融信贷活动、生产经营活动、家庭基本情况和所处环境基本情况(村庄)的相关数据，这为我们估计农户金融抑制的程度及其福利损失的大小提供了丰富的数据资源和经验证据。表1给出了所有变量的样本数据的统计特征。
三、信贷配给模型及其经验分析
在这一部分，我们首先构建适合于信贷配给问题的模型，然后，运用样本数据进行估计，并对估计结果进行解释和分析。
(一)biprobit模型
当农户所需要的借款数额少于其从正式和非正式金融市场所获取的借款数额时，我们就说农户存在金融抑制。金融抑制有两种情形，其一是农户有需求，但借不到任何款项，完全得不到满足；其二是农户有需求，但只能借到部分款项，即部分满足。在现实生活中，由于金融管制、逆向选择和市场垄断等原因，即使调整利率水平，信贷市场往往也达不到均衡，即使有的农户愿意以更高的利率借款，他们的需求依然得不到满足，此时，就出现了信贷配给(credit rationing)问题，这是信贷市场有别于商品市场的一个显著特点。在存在信贷配给的情况下，我们无法直接观察到需求或者供给的真实值，而只能得到需求和供给相互作用的最终结果，它由需求和供给中较小的一方决定，显然，常规技术和经典计量经济模型难以处理这类问题。所幸的是，一些新发展起来的模型和估计方法为解决这类问题提供了途径。biprobit模型及其估计方法(Poirier,1980)比较适合于分析信贷配给问题并符合样本数据特点，本文就采用该模型及其方法来估计农户金融抑制的程度。
令y[，s][*]代表资金供给意愿的隐含变量，y[，s]代表是否愿意提供资金的决策变量；y[，d][*]代表农户资金需求意愿的隐含变量，y[，d]代表农户是否愿意申请贷款的决策变量；X[，1]为影响农户贷款需求的解释变量，X[，2]为影响资金供给的解释变量。假设ε[，1]和ε[，2]服从联合正态分布，建立联立模型如下：
注：①loan为贷款；②loanindex为是否贷款的变量，贷款为1，不贷款为0；③land为农户所经营的土地面积，土地总面积=承包耕地+自留地+山地+园地+牧草地+水面+转包地-转租地；④proca为生产性固定资产原值，单位为百元人民币；⑤edu为受教育程度，1为不识字或识字很少，2为小学水平，3为初中水平，4为高中水平，5为中专水平，6为大专及以上水平；⑥meexp为教育和医疗费用支出，单位为百元人民币；⑦liquidity为金融资产余额，单位为百元人民币；⑧transpo为农户距离码头或车站的远近；⑨vindus为在乡、村企业从业的劳动力占全村劳动力的比重；⑩eprov为是否在东部省份的变量，是取值为1，否则取值为0；(11)asset为生产性固定资产原值+房产价值，单位为百元人民币；(12)rela-ar为体现借贷双方关系的变量，当借款人向亲友借款或农户家里有人是村乡干部时，我们取值1，否则为0；(13)nagri为非农收入占家庭总收入的比重；(14)rvil为体现是否在资金供给充裕的村庄的变量，是取值1，否则为0；将每个村庄所有样本农户的纯收入加起来，指定超过所有村庄样本农户纯收入平均数的村庄，为富裕村庄；(15)ration为预测的信贷约束状况，1表示受到信贷约束，0为没有受到信贷约束；(16)labornum为农户家庭劳动力的个数；(17)noper为净经营收入；(18)nincom为净纯收入；(19)consum为农户家庭消费支出；(20)nlasset为非土地性资产，等于生产性固定资产原值+房产+金融资产，单位为百元人民币。
只有当农户具有资金需求(y[，d]=1)且资金供给方愿意向其提供贷款(y[，s]=1)时，交易才会发生，此时才能实际观察到农户的借贷行为，这是样本所能提供的最大信息。将借贷行为记作y，
(2)式是一个典型的biprobit模型，且观察值具有部分可观察性(partial observability)的特征。这类模型最早是由D.J.Poirier(1980)所提出的，模型估计采用最大似然法(MLE)，其对数似然函数如下：
这个模型能够有效地利用ε[，1]和ε[，2]之间的相关性，从而得到更准确的估计。不过，由于某些被解释变量无法被完全观察到，其模型估计的有效性必然受到一定的影响，这是因为信息的限制而不得不支付的成本(Chun-lo Meng和Peter Schmidt,1985)。
这里Φ[，BN]和Φ分别为联合正态和正态分布函数，ε[，2]-ε[，1]～N(0，
)(参见附录)。
(二)经验分析结果及其讨论
运用样本数据，对biprobit模型进行估计，结果见表2。我们首先分析资金需求的影响因素。从表2可以看出，土地面积、教育医疗费用支出对农户资金需求的影响是正向的，且均在1％的统计水平上显著，这说明农户的资金需求与其所经营的土地规模、教育医疗费用支出之间呈正相关关系。教育医疗费用支出是我们根据我国农户资金需求的特征而设置的一个重要变量，我国许多农户之所以借贷是因为子女上学或家庭成员生病，而这些支出对农户而言不仅数额大、要得急，而且具有刚性，农户自身的财力通常不够，常常需要借贷。金融资产余额对农户资金需求的影响是负向的，且在1％的统计水平上显著。当农户自有资金丰裕时，其对外部资金的需求会减少。生产性固定资产原值对农户资金需求的影响在统计上不显著。一方面，资本存量高的农户，可能有更大的投资目标，从而产生更多的资金需求，另一方面，固定资本充裕的农户也可能拥有更多的可变现的金融资产，从而其资金需求减弱，最终的影响方向要取决于这两者力量的对比。教育水平对农户资金需求的影响在统计上也不显著。一方面，教育水平高的农户，可能会制订更大、更新的投资计划，从而有更多的资金需求，另一方面，教育程度高的农户一般具有更高的收入水平，这又减少了其对资金的需求，两种相反的效应会相互抵消，其最终的影响方向通常比较模糊。交通条件(距车站码头的距离)和地理位置(是否在东部省份)对农户资金需求的影响在统计上均不显著，其原因可能是，与生产性固定资产原值一样，这些变量对需求均具有双重影响。
下面分析资金供给的影响因素。从表2可以看出，土地面积、受教育程度、地理位置(是否在资金充裕的村庄)对资金供给的影响都是正向的，且分别在10％、1％和1％的统计水平上显著；资金供给者倾向于给土地规模大、受教育水平高、富裕村庄的农户提供贷款。固定资产总值(生产性固定资产原值+房产价值)对资金供给的影响在统计上不显著，这个结论与理论分析的结果虽然不一致，却符合我国农村信贷市场的现实和特征，其主要原因是，一方面农户固定资产的变现能力较差，另一方面我国农户借贷大部分发生在亲友之间(比例大约为67.8％)，亲友之间的借贷更多地考虑了关系的远近和借款人的诚信与平时的表现，而不是资产的多寡，甚至贫富状况。交通条件对资金供给的影响在统计上并不显著，可能的原因是，在交通条件便利的社区中资金需求强烈的农户一般都比较贫困，与农户自身的条件相比，外在条件对供给决策的影响要更弱一些。
基于我国农户借贷大部分发生在亲友之间，以及乡村干部在获取正式金融机构的贷款时有巨大优势的国情和特征，我们的模型中还引入了“关系”变量，若借贷发生在亲友之间或农户家庭成员之一是乡村干部，我们就认为“关系”存在。“关系”对资金供给的影响是正向的，且在1％的统计水平上显著；“关系”在我国农村信贷市场上所发挥的作用非常大，当农户与资金供给者之间具有某种“关系”时，譬如，乡村干部与信用社间有关系、农户与亲友间有关系等，资金价格(利率)、资产数量和土地规模等就成为了相对不重要的影响因素。
在估计出biprobit模型的各系数后，再运用模型(4)，我们就能够很方便地计算出P(Y[，d][*]＞Y[，s][*]｜Y[，d][*]＞0)(需求数额没有被满足的程度)为70.92％，即农户金融抑制的程度。
四、配给效应模型及其实证结果分析
在这一部分，我们首先构建用于估计农户金融抑制的福利损失的模型，再沿用第三部分所得出的结果，对农户金融抑制的福利损失进行估计，并对估计结果进行解释和分析。
(一)match模型
在估计金融抑制的福利损失时，可以采用平均处理效应模型(average treatment effect model)，该模型在政策评价中得到了广泛的应用。平均处理效应模型(ATEM)最初运用于评价接受医疗或者参与项目的效果，然而，当我们所关心的变量为二值型时，这类模型总是适用的(Wooldridge,2003)。
我们的分析由引入反事实框架(counterfactual framework)开始，这一框架最早是由Rubin(1974)提出来的，许多学者先后运用过这一分析方法(Rosenbaum,Rubin,1983; Heckman,1992,1997; Imbens,Angrist,1994; Angrist,Imbens,Rubin,1996)。所谓反事实，指的是所有个体只有一个产出，它或者是接受处理下的产出，或者是未接受处理下的产出。对于任何农户i，令(Y[，i](0)，Y[，i](1))代表其两个潜在的产出，其中Y[，i](0)为没有受到金融抑制时的产出，Y[，i](1)为受到金融抑制时的产出。如果两者都可以观察到，则金融抑制对农户i的影响就为Y[，i](1)-Y[，i](0)；但农户不可能同时处于这样两种状态，我们只能观察到这两个产出中的一个。令观察到的产出为Y[，i]，则：
Y[，i]=Y[，i](W[，i])(5)
其中W[，i]∈｛0，1｝表示农户是否受到了金融抑制。实际上，我们现在所面临的是数据缺失问题。
我们感兴趣的是金融抑制对所有农户的平均处理效应，即总体平均处理效应(PATE)和样本平均处理效应(SATE)，其表达式如下：
类似地，可以定义受到金融抑制的农户的平均处理效应，即受抑制农户的总体平均处理效应(PATT)及其样本平均处理效应(SATT)，其表达式如下：
这里N[，1]=∑[，i]W[，i]。
对于某个特征变量为X[，i]且受到金融抑制的农户，我们已经观察到了其受抑制条件下的产出，现在的问题是要估计其在不受抑制情形时的产出。方法之一是使用那些特征变量与该农户相近却没有受到金融抑制的农户的平均产出。这就是match模型估计量的基本思想。对每个i，match模型通过找出数据中那些特征变量相近而没有受到金融抑制的农户，以解决产出不可观察的问题。
在实际应用中，人们常用的是简单match模型估计量，其规范表述如下：
假设对所有特征变量X的子集中的x，如下条件成立
注意在进行匹配时，这里允许放回，即每个农户可以重复作为匹配对象。允许放回的匹配能够比不允许放回的匹配得到更高的匹配质量，因为它增大了可能匹配对象的集合。
简单match模型使用如下估计量作为预期的潜在产出：
从而得到平均处理效应的估计量：
对于受到金融抑制的农户，其平均处理效应的估计量为：
尽管简单match模型估计量被许多经验分析者用来估计平均处理效应，但这些应用主要是基于直观的想法，它的大样本性质直到最近才得到深入的研究。当使用两个以上的连续特征变量(k≥2)进行匹配时，简单match模型估计量通常不是以N[1/2]的速度趋于一致的，其条件偏差项的随机阶数为N[-1/k](Abadie,Imbens,2004，2006)。这一发现非常重要，它意味着在一般的应用中，简单match估计量并不合适(其偏差太大)，特别是在特征变量比较多的时候，尤其如此。Abadie和Imbens(2004，2006)提出了一个基于偏差修正的估计量，解决了上述问题。新的估计量可以渐近地消除条件偏差，从而使得估计量达到以N[1/2]的速度趋于一致。因此，我们的研究将采用Abadie和Imbens所提出的偏差修正的match估计量方法，并在允许异方差存在的前提下，计算估计量的方差。
Abadie和Imbens的偏差修正match估计量表述如下：
令
[，w](X[，i])为μ[，w](X[，i])的一致估计量，且令
则平均处理效应的偏差修正估计量为
对于受到金融抑制的农户，其平均处理效应的偏差修正估计量为
方差的估计方法参见Abadie和Imbens(2004，2006)。注意估计平均处理效应时，对于总体或者样本的选择不会影响match估计量，而只影响方差，一般而言，前者的方差要大于后者。在我们的研究过程中，只估计了样本方差，并考虑了异方差的影响。
(二)估计结果及其讨论
采用传统的OLS模型估计金融抑制的福利损失时，会存在选择性偏差一类的问题(Wooldridge,2003)，从而可能低估福利损失的大小，而match模型较好地解决了这类问题，本文采用match模型估计出了农户金融抑制的福利损失大小，结果见表3、表4。
从表3可以看出，金融抑制对所有样本农户和受到金融抑制的样本农户的纯收入、净经营收入、消费性支出和非土地性资产的影响均为负；对净经营收入、消费性支出和非土地性资产的影响均在1％的统计水平上显著；对纯收入的影响分别在5％和10％的统计水平上显著；对纯收入的影响稍弱，可能的原因是农户纯收入中的相当大一部分是非投资性收入，譬如，农户劳动力外出打工所取得的收入(主要是劳动而非投资所得)，对资金的依赖性很小。
从表4可以看出，由于金融抑制，所有样本农户平均所损失的纯收入、净经营收入、消费性支出和非土地性资产分别为861.37元、942.19元、1100.03元和4799.61元人民币，占其纯收入、净经营收入、消费性支出和非土地性资产均值的比重分别为9.43％、15.43％、15.57％和14.58％；受到金融抑制的农户所损失的纯收入、净经营收入、消费性支出和非土地性资产分别为872.33元、1028.10元、1162.9元和4837.29元人民币，占其纯收入、净经营收入、消费性支出和非土地性资产均值的比重分别为9.55％、16.83％、16.46％和14.70％。表4的结果显示，所有样本农户和受到金融抑制的样本农户的各项福利指标的结果很接近，其主要原因是，一则我国农户金融抑制的程度高，高达70.92％；另则我国农村资金稀缺，农户之间的借贷对其福利的影响具有很强的关联性，由于是亲友之间的借贷，很多农户明知借出资金会影响自己的福利水平，然而也不得不借出，这种情况下，借贷行为的发生，只是福利损失在农户之间的转移。
五、研究结论与政策建议
本文研究的主要目标是要运用计量分析模型，采用微观样本数据，来估计农户金融抑制的程度及其所导致的福利损失。通过研究我们发现，农户金融抑制的程度
(需求数额没有被满足的程度)为70.92％。金融抑制对所有样本农户和受到金融抑制的样本农户的纯收入、净经营收入、消费性支出和非土地性资产的影响都是负方向的，且分别在5％(10％)、1％、1％和1％的统计水平上显著。由于金融抑制，所有样本农户损失的平均值占其纯收入、净经营收入、消费性支出和非土地性资产均值的比重分别为9.43％、15.43％、15.57％和14.58％；受到金融抑制的样本农户的平均损失占其纯收入、净经营收入、消费性支出和非土地性资产均值的比重分别为9.55％、16.83％、16.46％和14.70％。
土地面积、教育费用和医疗费用支出对农户资金需求的影响是正向的，且在1％的统计水平上显著，农户的资金需求与其所经营的土地规模、教育医疗费用支出之间呈现正相关的关系；金融资产余额对农户资金需求的影响是负向的，且在1％的统计水平上显著，农户的资金需求与其金融资产余额之间呈现负相关的关系；生产性固定资产原值、受教育水平、交通条件和地理位置(是否在东部省份)对农户资金需求的影响在统计上均不显著。
土地面积、受教育程度、地理位置(是否在资金充裕的村庄)对资金供给的影响都是正向的，且分别在10％、1％和1％的统计水平上显著；资金供给者倾向于给土地规模大、受教育水平高、富裕村庄的农户提供贷款。特别值得指出的是，“关系”对资金供给的影响也是正向的，其不仅在统计上十分显著(1％)，而且系数也很大，“关系”在我国农村信贷市场上所发挥的作用非常大。固定资产总值、交通条件对资金供给的影响在统计上不显著。
根据我们的研究结论，建立多种所有制有机混合的农村信贷市场，增加农村信贷市场外部资金的输入，建立农村医疗保障体系和助学贷款机制，缓解农户金融抑制的程度，可大幅度地提高农户的福利水平，减少农村中的贫困人口，从而有利于社会主义新农村及和谐社会的建设与发展。
论文中估计式(4)的证明如下：
标签：金融论文; 金融抑制论文; 农村金融论文; 统计模型论文; 信贷规模论文; 收入效应论文; 信贷配给论文; 关系处理论文;