中国农业信贷效率及其影响因素研究，本文主要内容关键词为：信贷论文,中国农业论文,效率论文,因素论文，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。
农业属于弱质行业，既容易遭受自然灾害、气候条件的影响，也面临较大的经营风险、政策风险，其自身资金的积累能力较弱，对外部资金的吸引能力也不强。为改变农村地区资金缺乏的局面，政府通过信贷规模调控、差别准备金政策、差别利率政策以及窗口指导等措施，引导金融机构加大涉农贷款资金的投入，降低融资成本。在多措并举的情况下，中国农业金融发展增长迅速，1999～2007年，农业贷款增长3.22倍，年均增速高达40%；2007～2013年间，新统计口径下的“涉农贷款”同样增速明显（见图1），6年间平均年增速为22.7%①。但据测算，农村地区存贷比却由1999年的82.1%降为2009年的48%②，可见由于资金的逐利性和高流动性，农村地区资金外流现象较为严重，信贷资金的投入可能通过其他渠道流失。而留在农村当地的信贷资金，可能由于沉淀在效率较低的项目上，对发展当地农业经济、提升农民生活水平的作用相对有限。因此，要解决“三农”问题，不仅要考虑加大资金投入，更应该重视资金配置效率的提升。农业信贷效率的提升，既能够在一定程度上阻止资金外流，吸引更多的外来资金，又真正发挥农业信贷对推进农村建设、促进农业经济发展与农民收入增长的关键作用。 当前对农业信贷效率的测度分析主要基于参数估计方法和非参数估计方法。前者主要使用回归分析（Burgess和Pande，2003；Allanson，2006；杨栋和郭玉清，2007；温涛和王煜宇，2005），需要对生产函数进行明确的设定，可能存在模型的设定误差。因此，越来越多的学者采用非参数估计方法来进行效率的测度。其中最为常见的是数据包络分析方法（DEA），该方法不寻求生产前沿函数的具体形式，而是结合所观测的实际数据，依据生产有效性标准找出位于生产前沿面上的相对有效点，进而指出决策单元提高效率的最佳途径。徐琼（2005）、吴华超和温涛（2008）、王伟和田杰（2009）利用DEA方法分别测算了浙江省、重庆市、湖北省内部的农业信贷效率，张林和肖诗顺（2011）则对西部欠发达地区农村资金配置效率进行测算，多为某个地区视角的研究。温涛和熊德平（2008）、周一鹿（2010）等从全国各地区的视角出发，使用投入导向的CCR模型计算农业信贷资金配置的技术效率。在投入变量的选择中，有的选择农业信贷作为单一投入变量（周一鹿，2010），有的选择财政支出、金融机构贷款以及第一产业从业人员作为投入变量（温涛和熊德平，2008）。 在农业信贷效率的影响因素研究方面，由于DEA技术计算出的各省份农业信贷效率的取值范围为[0，1]属于截断数据，如果以农业信贷效率值为因变量，直接用最小二乘估计法进行回归建模，参数估计有偏且不一致。而基于极大似然估计法的Tobit模型对于处理截断数据的计量模型，更具有科学性和可行性，在研究DEA效率值的影响因素分析中被广泛应用③（温涛和熊德平，2008；周一鹿，2010；张林和肖诗顺，2011）。但是现有的研究没有对影响农业信贷效率值的内外部因素进行细分，也没有考虑研究时段内发生农村金融机构重大改革这一事实。
总体来看，当前农业信贷效率研究存在如下待改进空间：第一，地区视角有待拓展和细化，单独某个地区的研究较为常见，但缺乏全面性的地区层面研究，而数量有限的这类研究中，也存在投入产出变量选择的科学性待进一步论证，投入变量需要进一步丰富的问题。第二，研究工具和统计计量方法较为单一，有待进一步丰富。例如，现有文献主要采用标准的DEA方法进行测算。但这种DEA估计量对于绝对效率水平的估计来说是有偏的、不一致的估计量，而在标准DEA技术上加以改进的Bootstrap-DEA技术具有较好的纠偏效能，能够提高研究的精度。第三，影响因素研究需要区分内外部因素，也需要结合考虑农村金融改革的历史进程，特别是要着重分析2003年农村信用社改革前后农业信贷效率影响因素的改变情况。 本文旨在分析农业信贷效率的总体情况与地区差异特征，探讨农业信贷效率的影响因素及其变化，并提出合理配置农业信贷资金、提升农业信贷效率以及促进各地区农业经济协调发展的对策。针对现有研究的不足，本文主要从以下两个方面对现有研究进行拓展和补充：第一，利用：Bootstrap-DEA技术测度全国层面及各省份农业信贷效率，以提高估计精度、改善DEA估计量的一致性，以获取更丰富的统计信息。第二，利用面板数据Tobit模型，以2003年新一轮农村信用社改革启动为界，分时段对影响农业信贷效率的若干因素进行实证分析，旨在发掘不同历史时期、不同经济社会环境背景下农业信贷效率的提升路径，并提出针对性的政策建议。 一、研究方法 标准的DEA方法将投入产出空间的前沿看作是完全效率状态，即使前沿上的投入产出组合事实上并非具有完全效率，DEA也将其设定为完全效率观测点。因此，标准的DEA估计量实际上测度的是一种“相对效率”，其只能被看成是绝对效率估计的上限（非效率水平的下限），真实的效率水平要小于等于DEA估计值（王亚华等，2008），并且DEA估计量渐近分布的一般情形难以确知（Kniep等，2003）。Bootstrap-DEA方法，用重复自抽样的方法来推断DEA估计量的经验分布，通过引入针对非参数距离函数估计的Bootstrap纠偏技术可以对技术效率及其变化进行更为精确的测度，在一定程度上改善了DEA估计量的一致性，近年来得到了广泛应用。 基于上述考虑，本文基于CRS（规模报酬不变）假定的DEA模型，使用Simar和Wilson（1998、2000）的Bootstrap-DEA技术进行纠偏，测度全国层面以及地区（省级）层面的农业信贷效率，并对测算结果进行后续分析。 1.测算步骤
随后可计算DEA的估计偏差，Bootstrap分布可以模拟原始样本估计量的分布，修正DEA估计偏差：
因此，Bootstrap-DEA偏差修正后的效率值为：
2.其他模型参数设置 （1）使用基于投入导向的模型。DEA模型可从投入导向和产出导向两个方向进行设定。本文主要关注各DMU的农业信贷资源利用情况，即在满足一定农业产出水平的前提下，尽可能地降低信贷资源的使用量。现有研究几乎全部将投入量作为基本决策变量，选择投入导向的模型，这种思路满足理论与现实合理性，本文沿用这一设定。 （2）使用规模报酬不变假定。DEA方法要求提前设定经济系统的规模经济程度，这是后续估计效率值的重要模型假设。不同规模的经济假定（例如规模报酬不变、可变规模报酬）对测算值的影响很大。从当前DEA实际应用情况来看，规模报酬不变（CRS）假定和可变规模报酬（VRS）的假定均得到使用。在中国省级层面的效率测度实证研究中，相当多的文献选择了基于规模报酬不变（CRS）假定的DEA模型。冯蕾（2009）的观点较有代表性：“虽然劳动力、资本、能源等投入都可以进行省域间的流动，但仍不可能像一个厂商那样，随意缩减投入量改变运营规模，很难想象一省为了实现规模最优缩减投入量。因此，对于每个省份来说，规模都是给定的，只能假设所有省份都以最优规模生产，选择直接使用规模收益不变模型（CRS）。”本文认为，DEA的规模报酬假定选择不是理论问题，各种假定选择均有其经济理论支持，具体适用应属于实证判断范畴，须根据最终的数据计算结果来进行选择。在后续测度研究中，本文分别按照规模报酬不变（CRS）假定和规模报酬递增（IRS）假定计算了两套数据结果。对结果分析发现，规模报酬不变（CRS）假定下的数据结果似更符合现实情况，相当多地区的农业信贷效率呈现较为规律、符合理论预期的态势。因此，基于数据结果的考量，本文选择规模报酬不变（CRS）假定的DEA模型。 二、数据与变量 本文以中国31个省份为研究对象，时间跨度为1999～2009年，DEA模型所需数据来源为历年《中国金融年鉴》《中国统计年鉴》《中国区域经济统计年鉴》《新中国六十年统计资料汇编》和中国经济与社会发展统计数据库。 样本期的选择主要兼顾数据可获得性与科学性。为尽可能避免非正常因素对农业信贷效率的扰动，本文选择1999年作为样本起始期，主要基于如下三种考虑：一是1996年中国农村信用社与中国农业银行脱钩，此后各地农村信用社经历行社纠纷、增资扩股等2～3年的“动荡期”，直至1999年才趋于稳定；二是1999年是“西部大开发”战略提出的元年；三是1999年是农村合作基金会全面关停的年份，农村金融秩序得以重塑。 本文的样本截止期仅到2009年，而没有更新至最新年份，原因在于“农业贷款”分省统计数据的可获得性。自2010年起，中国官方发布的金融统计口径发生调整，在各省份全部金融机构的“短期贷款”和“中长期贷款”统计指标中，不再包含“农业贷款”类别，导致2009年后的农业贷款分省数据无法获得。农业贷款为本文后续农业信贷效率DEA测度的最核心变量，如果贸然增加后续年份的替代性指标进行估算，可能对农业信贷效率的估计精度产生难以欲知的影响。 1.投入变量选择
农业贷款规模（
）是专指正规金融机构投入到农业各个环节的信贷资金，不包括非正规金融机构及个体信贷供给者投放的农业信贷资金。“农业各个环节”既包括农业的生产环节，也包括为农业服务的产前、产后行业和有关部门（如农业生产要素服务部门，农产品流通、加工和销售部门，农业科技服务部门等）。信贷资金既包括商业性农业信贷，也包括政策性信贷以及民间借贷。
农业资本存量（
）借鉴单豪杰（2008）的研究成果，使用永续盘存法估算1952～2009年中国省际全社会资本存量。但由于各省份农户或农业固定资产投资的时间序列数据缺乏，无法直接使用永续盘存法直接计算各省份农业资本存量。因此，本文通过拆分全社会资本存量实现对农业资本存量的近似估算。具体做法是：首先采用永续盘存法估算各省份全社会资本存量；其次，计算各省份农村固定资产投资占全社会固定资产投资的比重，以此作为拆分全社会资本存量的依据；最后，全社会资本存量乘以该比重得出农村资本存量估算值。 农作物播种面积（
）的选择主要基于如下考虑：土地是农业生产中重要的投入要素，密切影响农业的产出水平；为避免土地轮作、撂荒等情况对结果的干扰，使用农作物播种面积代表农业生产中的土地投入具有现实意义。 农村居民家庭恩格尔系数（
）为逆指标，数值越高反映居民生活水平和社会发展水平越低下，也即恩格尔系数与产出可能存在负向关联，属于“非合意性产出”（Undesirable Output）变量，需进行转换处理才能纳入DEA模型④。本文认为，投入品法既能确保DEA模型的线性，同时构造模型的方法较为简单直观，也具有较为合理的经济意义。因此，本研究采用投入品法，将恩格尔系数作为投入品处理。 2.产出变量选择 DEA模型的产出变量为第一产业增加值（
）、农业机械总动力（
）。之所以选择农业机械总动力，是因为国内外农产品市场供求、经济周期波动、自然灾害以及产业结构变迁等原因，第一产业增加值可能会出现异常波动，这种波动并不应由农业信贷的投入产出效率来解释，因此，选择第一产业增加值作为DEA模型的唯一产出变量可能会影响效率测度的精度。同时，农业发展必然伴随着生产过程中先进农业机械的大规模应用，作为农业发展的结果，农业机械化水平必然不断提升。当然，农业机械化水平的提升又会促进农业的生产技术水平和经济效益、生态效益提升，从而又推进农业的发展。 上述投入、产出变量中，以货币为单位的变量均已调整至2000年不变价格。 3.预备检验 DEA分析必须要满足等张性（Isotonicity）假定，即在决策单元各项投入增加的情况下，产出也应该相应增加。本文通过计算农业信贷等5种投入变量与第一产业增加值等2种产出变量之间的相关系数来进行等张性检验，结果显示，各项投入变量与产出变量间存在较为明显的正相关关系，数据满足等张性假定，符合DEA分析的基本条件（见表1）。
三、效率测算结果与分析 1.DEA计算工具及测算步骤 第一步，计算全要素技术效率DEA测度值。使用基于R平台的FEAR软件包，采用规模报酬不变（CRS）假定，计算出31个省份经Bootstrap方法纠偏后的全要素技术效率值，并给出了全要素效率值的置信区间。 第二步，采用金培振等（2011）提出的技术效率转换法，使用第一步计算得到的技术效率值和农业信贷投入的松弛量，得到农业信贷效率值。由于农业信贷投入的松弛量无法利用FEAR软件包直接得出，本文使用DEAP 2.1软件包获得。 一般来说，Bootstrap迭代的次数越多，计算结果就越精确，本文迭代次数分别取1000、2000、5000，所得结果并没有发生很大变化，证明这种方法具有较强的稳健性。最终运算结果选择迭代5000次。 2.全国层面计算结果分析 以各省份的历年农业贷款为权重，表2计算了1999～2009年期间全国未经Bootstrap技术纠偏的平均农业信贷效率原值（DEA），以及经Bootstrap技术纠偏后的效率值（BDEA），同时给出了纠偏后效率值的置信区间和标准差等相关统计性质。DEA与BDEA的变动趋势图见图1。由该图可以发现三项特征： 第一，1999～2009年中国农业信贷效率呈现总体较为平稳的态势，由初始年份的0.8930缓慢提高至2009年的0.9178，说明中国农业信贷效率一直维持在较为稳定的水平。这与温涛和熊德平（2008）的发现基本一致。 第二，提升农业信贷效率的过程中还存在波折，有两个时段能源效率值发生暂时下降（分别是1999～2003年和2004～2005年），尤其是后一时段，2004年已达到全部时段的峰值（0.9199）。 第三，DEA与BDEA两组测算结果存在明显差异（前者平均高出后者5.88个单位），这说明，未经Bootstrap纠偏的常规DEA效率原值存在高估农业信贷效率的倾向。
为验证Bootstrap-DEA技术的纠偏效能，本文进行如下分析： （1）正态性检验。本文首先通过对DEA与BDEA两组结果进行差异性假设检验，以判断Bootstrap-DEA技术的纠偏效能。变量的差异性假设检验有多种方法，可根据待检验变量的分布特征和偏斜程度，选择采用参数检验（例如常规t检验）或者非参数检验（例如Wilcoxon符号秩检验、中位数符号检验）等方法。 常规t检验对变量的正态性有一定要求。本文采用Kolmogorov-Smirnova与Shapiro-Wilk两种正态性检验法，对DEA和BDEA两组数据进行正态性检验。检验结果见表3，发现两组数据均拒绝了服从正态分布的原假设，说明不能使用常规t检验进行差异性检验，本文使用非参数检验方法对其差异性进行检验。
（2）DEA与BDEA数据的分布形态。计算两组数据的偏度系数，发现均为负偏（BDEA偏度为-2.0620，DEA偏度为-1.9240），两组数据分布的概率密度曲线见下页图2。由图2可知，虽然两组数据可视为配对样本，但它们均为非对称分布（负偏），故无法使用Wilcoxon符号秩检验其差异性。因此本文采用单样本中位数的符号检验法对两组数据的差异进行假设检验。 （3）差异性检验。首先，计算DEA与BDEA数据的差值DDEA： DDEA=DEA-BDEA （6） 令DDEA的总体中位数为Me，进行如下假设检验：
当原假设成立时，每个观测值大于中位数Me=m的概率和小于m的概率均为50%，这服从二项分布。经计算，DDEA的样本中位数为0.0584。令N为取值小于等于m的观测值个数，进行三次单样本中位数的符号检验，假设检验结果见表4。检验结果证实DEA和BDEA两组测算数据确实存在显著差异，且DEA显著高于BDEA。以假设检验2为例，说明在α=0.0373的显著性水平下，经Bootstrap纠偏后的农业信贷效率显著下降了0.0568个单位。
由此可见，Bootstrap-DEA技术具有较好的纠偏效能和精确度，经此技术测度的农业信贷效率，具有更高的估计精度，更适用于后续深入分析。 3.省级层面的计算结果分析 对31个省份的农业信贷效率BDEA估计值进行对比分析发现，1999～2009年间，平均农业信贷效率最高的前10个省份依次是湖南、辽宁、内蒙古、云南、河南、江苏、北京、浙江、吉林、广东，其中东部和中部省份占80%；而四川、甘肃、广西、重庆、宁夏、陕西、贵州的排名在最后，全部为西部省份。总体而言，东、中部省份的排名较为靠前，西部省份的排名靠后，基本与经济发展水平相一致。 值得注意的是，传统分类方式下的三大地区内部也出现了较为明显的分化。三个中部农业大省湖南、河南、吉林的农业信贷效率分别高居第1、5和9名，畜牧业大省内蒙古也排名第3，均超过了许多东部沿海经济更发达地区；而黑龙江、湖北、安徽和江西4个中部省份，效率值排名则位居靠后的第19、21、23和24名。 同时，我们也发现在2003～2005年，各地区农业信贷效率出现了先升后降的明显波动，大致在2004年前后达到一个峰值。基于此，本文将全部时段划分为1999～2003年和2004～2009年两个子时段，分别计算各地区的效率均值排名。比较各地区1999～2003年和2004～2009年两个子时段排名的差异，发现：第一，排名出现明显进步的省份有8个，分别是黑龙江（前进18名）、湖北（前进16名）、安徽（前进13名）、新疆（前进12名）、北京和青海（前进8名）、吉林和上海（前进7名）。说明新一轮农村信用社改革对这些地区农业信贷效率的提升有显著的促进作用。第二，排名出现明显退步的省份有6个，分别是内蒙古（退步11名）、广东和海南（退步12名）、山东（退步10名）、西藏和甘肃（退步9名）。第三，其他17个省份的排名在这两个时段基本维持稳定。
四、因素的实证分析 1.Tobit面板回归模型 本文使用基于极大似然估计方法的面板数据Tobit模型进行农业信贷效率影响因素的实证分析，模型表达式为：
2.影响因素指标选取 本文认为，影响农业信贷效率的因素可以归纳为两大方面：一是农村地区内部环境因素，如农村金融市场交易效率、农村人力资本、自然禀赋等；二是农村地区外围环境因素，如所处地区经济发展状况、城乡二元结构、财政因素等（见表6）。本文选取相应的指标作为解释变量代入Tobit模型，以期发现农业信贷效率地区差异的成因。 3.数据来源说明 本文选取1999～2009年时间段的各省份数据为样本，建立Tobit面板数据模型。由于西藏资料不全，最终数据剔除西藏后共30个省份。以2003年为分水岭，在对全时段建模（模型Ⅰ）的基础上，再分别建立1999～2003年时间段（模型Ⅱ）和2004～2009年时间段（模型Ⅲ）两个子模型。通过比较分析上述三个面板数据模型，期望在掌握1999～2009年全时段影响中国农业信贷效率的关键性、共同性因素的同时，更进一步分析不同历史时期、不同经济社会环境背景下，中国农业信贷效率影响因素的特殊性。选择2003年为时段分割点基于如下两点考虑。第一，中国于2003年下半年开始了新一轮农村信用社改革试点⑤，并且该年底国有商业银行股份制改革正式启动⑥，因此，在2003年设立时段分割点可以为探讨该项改革前后农业信贷效率影响因素的发展变化情况。第二，如前文所述，全国和各地区农业信贷效率在2003年前后出现了明显的波动（见图1和表5）。
4.模型计算结果 （1）表7给出的模型Ⅰ计算结果显示，1999～2009年全时段，影响各地区农业信贷效率的主要因素是人均GDP、人均全社会固定资产投资以及城镇化率。人均GDP对农业信贷效率实施正向影响，而人均全社会固定资产投资、城镇化率对农业信贷效率实施负向影响。而农村地区内部因素（农村地区贷存比、人均耕地面积、人均受教育年限）以及财政因素指标则均未通过显著性检验。 （2）1999～2003年的分时段模型Ⅱ结果显示，影响各地区农业信贷效率的主要因素与全时段（模型Ⅰ）相同，影响的方向也相同，分别为人均GDP（正向影响）、人均社会固定资产投资（负向影响）以及城镇化率（负向影响），仅在系数的估计值上存在数量差别。而农村地区内部因素（农村地区贷存比、人均耕地面积、人均受教育年限）以及财政因素指标也均未通过显著性检验。 （3）模型Ⅲ（2004～2009年时段）显示，在这个时间段里，影响农业信贷效率的因素有了相当明显的变化。影响显著的因素包括：人均GDP（正向影响）、人均全社会固定资产投资（负向影响）、农村地区存贷比（负向影响）、人均财政支出（负向影响）以及人均耕地面积（负向影响）等。需引起注意的是，与模型Ⅰ（全时段）和模型Ⅱ（1999～2003年）相比，城镇化率未通过显著性检验，人均受教育年限也不显著。
5.三个时间段模型计算结果分析 （1）人均GDP不管是在第一时段、第二时段还是全时段都通过了显著性检验，并对农业信贷效率产生正向影响。说明经济发展水平对农业信贷效率产生显著的正向影响，这与温涛和熊德平（2008）、洪婧（2009）的结论基本一致。比起欠发达地区的农村，经济发达地区的农村市场化程度与开放程度相对较高，农村地区得到工业“反哺”和其他非农村地区支持的机会也相对较多，对于资本、劳动力的吸引能力相对较高，技术改造与升级也相对便利，因此，农业信贷能够较为有效的促进农业经济发展。 （2）人均全社会固定资产投资无论是在第一时段、第二时段还是全时段都通过了显著性检验，并对该地区的农业信贷效率产生负面影响。众所周知，中国各地区经济增长呈现明显的投资拉动特征，固定资产投资的绩效一直遭到质疑，并且根据投资报酬边际递减规律，粗放式的依靠投资拉动的经济发展模式不可持续。本模型的结果，从一个侧面印证了中国固定资产投资的边际收益递减特征。本文认为，近年来各地区由政府主导的大规模固定资产投资会通过多种渠道直接或间接汇流入农村金融系统，在一定程度上造成农业金融资源的数量冗余，有可能使得原本相对合理的农业信贷结构发生变动，还有可能扭曲农业信贷产品的价格信号，从而影响农村金融体系的运行效率。 （3）农村地区贷存比在第一个时段不显著，在第二个时段成为显著的影响因素，并对农业信贷效率产生负面影响。农村地区贷存比的经济意义通常被理解为两种情况：一是反映农村地区资金外流情况（武翠芳，2009；中国农业银行课题组，2011）；二是反映农村金融市场的交易效率（温涛和熊德平，2008；沈军，2009；黎翠梅和曹建珍，2012等）。如果将农村地区贷存比视为衡量信贷资金外流情况的指标，那么农村地区贷存比较高的地区，说明本地区农业金融资源相对充裕，农业信贷机构将较多比例的信贷资源投放到了当地。如果将其视为农村金融市场交易效率的衡量指标，那么也同样意味着本地区农业贷款的发生频率较高，投放较为活跃。在金融资源较为充裕的情况下，如果农业信贷金融机构对农业信贷资金的管理水平低下，对风险的警惕性不高，未能合理配置农业信贷资源，就会降低农业信贷对农业经济发展的整体贡献程度，也即农业信贷效率随之降低。这有待进一步的验证。 （4）人均财政支出在第一个时段不显著，在第二个时段成为显著的影响因素，并对农业信贷效率产生负面影响。尽管该系数估计值相对较小，但值得注意的是，该系数估计值非常显著（P值为0.0030），这说明2003年以后，财政支出水平对农村金融部门产生了一定程度的挤出效应。农业信贷资金和财政支农资金一直都是农业生产最为关键的资金来源渠道，也是农村经济增长的最重要过的动力源泉，二者相辅相成，互为补充。因此，财政支出水平对农村金融部门产生一定的挤出效应，也是这一事实的客观反映。 （5）人均耕地面积在第一个时段不显著，在第二个时段成为显著的影响因素，并对农业信贷效率产生负面影响。拥有较多人均耕地面积的地区，对土地等自然禀赋的依赖性较强，通过外延式利用土地资源就能较为容易地满足粮食生产和生活需要，这在一定程度上忽视了农业生产技术的提高、农业生产基础设施的改进，农业机械化程度也相对较低，从而对农业信贷效率产生负面影响。 （6）城镇化率在第一个时段是显著的影响因素，且对农业信贷效率产生负面影响，但是在第二个时段不显著。说明第一时段的城镇化存在较为明显的问题，也即“速度较快，质量较低”。在特定的历史时期，特别是在二元经济结构条件下，如果城镇化水平与经济发展程度不匹配，城镇化进程的加快，有可能阻碍农村经济发展，并以牺牲农村经济、金融的发展为代价，这进一步证实了张杰（2007）、温涛等（2005）、温涛和熊德平（2008）、洪婧（2009）、周一鹿（2010）等的研究结论。但是在2003年以后，城镇化率未成为影响农业信贷效率的关键因素，说明随着经济的进一步发展，城镇化水平有可能与经济发展的契合程度提升，未对农业信贷效率造成负面冲击。 （7）从理论角度看，当农村金融市场健康有效运转时，高水平的人力资本应该能够对资源配置效率施加积极影响。但三个模型均显示人均受教育年限在任何一个时期都不是显著的影响因素。这与温涛和熊德平（2008）、周一鹿（2010）的实证检验结果相同。本文认为，这种现象反映中国现阶段农村人力资本质量仍处于较低水平、农村金融市场化程度较低的客观现实，在这两方面因素的作用下，农村人力资本还不足对农业信贷效率产生实质性影响。 另外，根据金融效率理论，产权制度等因素也对金融效率产生影响，但由于该因素无法予以量化，目前只能进行理论层面的探讨。在农村金融领域，最关键的产权问题包含农村土地产权以及农村金融组织产权。由于土地是农业生产最为关键的要素，倘若农民享有的土地权能不完整，尤其是没有充分的土地处置权、收益权，那么也无法使得土地成为有效的抵押品，并据此获得贷款。产权制度是金融制度的核心，由于农村金融市场的层次性、分散性及复杂性，单一的国有金融产权或者模糊不清的合作金融产权，都不利于形成有效的农村金融市场（赵崇生，2005）。 五、政策建议 本文实证研究结果证实，经济发展水平与模式、财政政策与固定资产投资、农业生产技术水平、农业金融机构效率、城镇化等因素均对农业信贷效率产生影响，这凸显了中国政府未来在提升农业信贷效率中的着力方向。政府应该合理定位自身职能，做好金融制度体系的“顶层设计”，各级政府需要明确职能边界，制定符合统筹城乡发展要求的农村金融中长期发展规划，逐步减少对农村金融市场的直接干预，提高宏观调控的质量与绩效，通过建立完善的制度体系与法律法规，保护专利与产权，消除当前广泛存在的地方保护和行政性垄断，保证市场机制的有序运行。具体而言，本文提出如下政策建议： 转变经济增长方式，走“集约型”发展道路。人均GDP对农业信贷效率产生正向影响，而人均全社会固定资产投资对农业信贷效率产生负面影响。这说明，一方面，发展地区经济对提升农业信贷效率具有积极意义，另一方面，依靠固定资产投资拉动的“粗放型”经济增长方式，可能损害经济发展的基础，对提升农业信贷效率不利。因此，地方政府在促进经济发展的过程中，应当摒弃依靠固定资产投资拉动的“粗放型”经济增长方式，走提升全要素生产率的集约型发展道路。地方政府应根据自身的资源禀赋条件，培育有特色、可持续、有竞争力的经济增长点，为农村金融机构创造商业机会。并通过增强农村的经济增长潜力，培育和支持现代农业，提高农民在当地的就业水平，增加农民的可支配收入，为提升农业信贷效率、促进农村金融市场发展创造条件。结合考虑当地经济发展阶段，适时适度推动城镇化建设。如果城镇化水平与经济发展水平不协调，将不利于农业信贷效率的提升和农村经济的稳定发展。因此，各地政府应当正视本地区所处的经济发展阶段，不能脱离本地区经济发展的实际而过快推进城镇化的进程。加大对农村人力资本的投入与培育，要打破农村地区的“贫困恶性循环”，加强农村人力资本的投资是关键。因此，中央政府应当健全农村社会保障体系，完善劳动力流动机制和激励机制，加大对农村教育的投入力度，提高农村居民的素质和能力，将农村地区丰富的人力资源转化为雄厚的人力资本。着力提升农业生产技术水平，技术水平的提高是现代农业生产最关键的环节。各地应当在严格执行现有耕地政策的基础上，重视农地资源的内涵式发展道路，推动农业技术进步。对于土地资源较为丰富的地区，更应当摒弃对传统耕地模式的依赖，加强对先进农业技术的推广与运用，提升农业机械化水平，从而真正发挥土地资源优势对农业信贷效率的促进作用。促进“财政支农”与“金融支农”政策的协调配合。金融资源配置具有天然的“有偿性”和“逐利性”，让其脱离对盈利的诉求而转向进行“无偿补贴”，显然不具现实意义，更可能损害农村金融市场发展的基础。贫困农户补贴、农村基础设施建设等这些公共领域，应当由政府财政支出来承担。因此，要减弱财政支出对农村金融部门的挤出效应，应当明确财政支农资金与农业信贷资金投放的范围与领域，加强金融部门与政府部门的协作与配合，共同提升支农资金的使用效益。农村金融机构应提升风险控制能力与经营效率。2003年以后，农村地区贷存比对农业信贷效率产生负面影响，说明农村金融市场的交易效率与农业信贷效率是相辅相成的关系。为提高农村金融市场的交易效率，风险防控是前提。农村金融机构可以从以下几个方面着手提升风险管控水平：一是完善风险管理组织体系，使风险管理重心下垂，把风险控制在县域与乡镇层面；二是改进风险管理技术，既要积极吸收以量化决策为特征的现代商业银行风险管理技术，又要开发适合本土金融市场的风险管理技术，重点解决农村金融市场信息不对称的问题；三是坚决顶住外部不合理的诉求和压力，不能以放弃长治久安为代价获取短期利益。同时，也要防止单纯追求“零风险”的错误倾向，保持风险与收益的平衡。在做好风险防控的基础上，农村金融机构要在防控风险的基础上，积极适应经济环境变化，加快促进经营转型，全面提升经营效率。 ①在2007年9月《涉农贷款专项统计制度》发布之前，中国人民银行公开发布的金融统计数据使用“农业贷款”口径，此后央行改用“涉农贷款”口径，后者包括“农林牧渔业贷款”和“其他涉农贷款”两类，而原有“农业贷款”统计数据在2010年以后不再公布。严格来说，新旧两种统计口径（“涉农贷款”与“农业贷款”）不可比。 ②本文参照武翠芳（2009）、中国农业银行课题组（2011）的相关研究，用农村地区存款与农村地区贷款的比较来估算资金外流情况。农村地区存款=农业存款+农户储蓄；农村地区贷款=农业贷款+乡镇企业贷款；农村地区存贷比=农村地区贷款/农村地区存款。该期间，全国存贷比从82.1%降至66.9%。农村地区存贷比与全国存贷比差距持续扩大，农村地区资金流出趋势加剧，存款转化为贷款的效率降低。 ③也常被称作DEA-Tobit两阶段法。 ④Wang等（2012）对转换处理方法进行了较为全面的总结：一是投入品法，将非合意性产出直接作为投入品处理；二是倒数法，也即将非合意性产出取倒数后作为产出品处理；三是线性数据转换法，通过线性变换构建一个新的变量，使其变动特征与意愿产出变量相同，然后将其作为产出变量，代入普通的线性规划去解DEA即可；四是方向距离函数（Diresctional Distance Funtion）法。 ⑤2003年6月27日，国务院印发《深化农村信用社改革试点方案》（国发[2003]15号文件），由此拉开了新一轮农村信用社改革试点，并于当年下半年率先开启江苏、山东、浙江等八省农信社改革试点工作。 ⑥2003年11月，国务院成立了国有商业银行股改领导小组，标志国有商业银行股份制改革才开始迈出具有真正实质性重要意义的关键一步。此后，工商银行、中国银行、建设银行、交通银行、农业银行陆续完成股份制改革和上市。
标签：农业论文; 规模报酬论文; 信贷规模论文; 农业发展论文; 差异分析论文; 中国农业论文; 三农论文; dea论文; 经济论文; 信贷论文;
