《江苏社会科学》：农村正规与非正规金融发展对农业全要素生产率的影响——基于中国省级面板数据的实证研究（井深、肖龙铎）

经济学研究 农村正规与非正规金融发展 对农业全要素生产率的影响 ——基于中国省级面板数据的实证研究 井深肖龙铎 内容提要本文利用1997-2014年的中国省级面板数据,采用DEA- Malmquist指数法和间接估算方法 测算了中国农业全要素生产率和农村正规与非正规金融的发展水平,并通过系统GMM估计实证分析了农 村正规与非正规金融发展对农业全要素生产率及其中间渠道的影响。研究结罘表明:1997-2014年,中 农业全要素生产率增长主要由技术进步推动;农村正规与非正规金融发展对农业全要素生产率增长均具有 显著促进作用,但作用渠道各异,正规金融主要通过技术进步渠道,而非正规金融主要通过技术效率渠道来 促进农业全要素生产率增长,且这种促进作用在2007-2014年期间明显比1997-2006年更大。 关键词正规金融非正规金融农业全要素生产率系统GMM 井深,南京市城建集团总会计师 10009 肖龙铎,南京农业大学金融学院博士研究生210095 、引言 新古典经济增长理论认为全要素生产率( Total factor productivity,以下简称TFP)的增长是经济持 续增长的唯一源泉。自20世纪70年代末实施经济改革以来,中国农业经济迅速増长,虽然要素投λ 的增加在其中扮演着重要角色,但TF的贡献也不容忽视。而从实际来看,在未来相当长的时期内, 中国农业发展都将面临资源和市场的双重约束,因此,推动农业TFP增长,提高生产要素利用效率对 于中国农业经济发展具有重要的现实意义。 一个基本的问题是,TFP的增长究竟受哪些因素影响?在TFP众多的决定因素中,金融的作用 受到了学术界的广泛关注。始于 King et al.(1993)的开创性研究,大量文献从不同的角度论证了金 融发展对TFP增长的显著促进作用( Beck et al.,2000; Buera et al.,2011)。那么,农村金融发展与农 业TFP是否也有类似的关系?长期以来,中国农村金融呈现正规与非正规金融共存的二元结构特 征:一方面是以农信社及其他商业银行为主的正规金融部门;另一方面是游离于正规金融之外,不 江苏社会科学20174·77

经 济 学 研 究 江苏社会科学 2017/4· · 一、 引 言 新古典经济增长理论认为全要素生产率（Total Factor Productivity，以下简称TFP）的增长是经济持 续增长的唯一源泉。自20世纪70年代末实施经济改革以来，中国农业经济迅速增长，虽然要素投入 的增加在其中扮演着重要角色，但TFP的贡献也不容忽视。而从实际来看，在未来相当长的时期内， 中国农业发展都将面临资源和市场的双重约束，因此，推动农业TFP增长，提高生产要素利用效率对 于中国农业经济发展具有重要的现实意义。 一个基本的问题是，TFP的增长究竟受哪些因素影响？在TFP众多的决定因素中，金融的作用 受到了学术界的广泛关注。始于King et al.（1993）的开创性研究，大量文献从不同的角度论证了金 融发展对TFP 增长的显著促进作用（Beck et al.，2000；Buera et al.，2011）。那么，农村金融发展与农 业 TFP 是否也有类似的关系？长期以来，中国农村金融呈现正规与非正规金融共存的二元结构特 征：一方面是以农信社及其他商业银行为主的正规金融部门；另一方面是游离于正规金融之外，不 农 村 正 规 与 非 正 规 金 融 发 展 对 农 业 全 要 素 生 产 率 的 影 响 ——基于中国省级面板数据的实证研究 井 深 肖龙铎 内容提要 本文利用1997-2014年的中国省级面板数据，采用DEA-Malmquist指数法和间接估算方法 测算了中国农业全要素生产率和农村正规与非正规金融的发展水平，并通过系统GMM估计实证分析了农 村正规与非正规金融发展对农业全要素生产率及其中间渠道的影响。研究结果表明：1997-2014年，中国 农业全要素生产率增长主要由技术进步推动；农村正规与非正规金融发展对农业全要素生产率增长均具有 显著促进作用，但作用渠道各异，正规金融主要通过技术进步渠道，而非正规金融主要通过技术效率渠道来 促进农业全要素生产率增长，且这种促进作用在2007-2014年期间明显比1997-2006年更大。 关键词 正规金融 非正规金融 农业全要素生产率 系统GMM 井 深，南京市城建集团总会计师 210009 肖龙铎，南京农业大学金融学院博士研究生 210095 77

农村正规与非正规金融发展对农业全要素生产率的影响 受监管当局控制的非正规金融部门。然而在大多数讨论金融发展与TFP关系的文献中,非正规金 融作为一种内生金融形式通常是被忽略的 Dasgupta,2004)。已有文献表明,在农村金融市场严重 的信息不对称及金融抑制的背景下,非正规金融已经成为中国农村各经济主体尤其是农户、农村中 小企业等小规模经济主体的主要融资来源(鲁钊阳等,2015)。基于此,本文将正规与非正规金融纳 人统一框架,利用1997-2014年的中国省级面板数据,实证分析农村正规与非正规金融发展对农业 TFP的影响。从这一视角进行研究,首先有助于更全面地理解农村金融发展影响农业TFP以及农业 经济增长的机制,其次有助于更好地认识正规与非正规金融之间的关系,进而为下一步的农村金融 改革提供政策启示。 模型设定、数据来源及变量选择 1.模型设定 考虑一个如下形式的生产函数 Y=A4×F(La,K (1) 其中,Y为地区农业生产总值,A为农业TFP,L表示劳动,K表示资本,包括土地、机械、化肥等要 素,和t分别表示地区和时间。假设农业TFP受农村金融发展的影响,因此,A可以表示为如下形式 A=8×FDa×XB (2) 其中,FD为农村金融发展水平,X为一系列控制变量,δ为影响农业TFP的其他因素,a和B为参 数。由于农村金融呈现正规与非正规金融共存的二元结构特征,因此,(2)式可以转换成如下形式: a=6×NF“XINF“X (3) 其中,NF为正规金融发展水平,NF4为非正规金融发展水平,a1和a2为参数。对(3)式两边取对 数得 In A=In S,+ar In NFita2In INFa+B In X. 进一步,农业TFP可分解为技术进步(TP)和技术效率(TE)两部分,同时,考虑到一般经济活动存 在惯性趋势,本文釆用动态面板回归模型,将滞后一期的被解释变量作为解释变量。在此基础上,构 建本文的计量模型如下 In TFPi=a+ao In TFPa-+a, In NFi+a-In INFi+ B, In X+htea In TP=oP+o In TPa-+p, In NF, +2 In INF B, In X+H2texir (6) In TEr=y+yo In TEir-1+y,In NF+y2 In /NFa+ B, In Xu+Hs+Ex (7) 其中,H为不可观测的个体特征,α、φ、y为待估参数,β为控制变量待估参数集,E为随机扰动 项。参考已有研究,本文的控制变量包括:农村人力资本水平(HUM)、进出口水平(EX)、外资投入水 平(FD)、自然灾害情况(DSA)、乡村文化建设情况(CUL)以及城镇化水平( URBAN)。 2.数据来源 考虑到原始数据的可得性,本文所用数据为1997-2014年中国大陆地区除西藏以外的30个省级 地区的面板数据(由于西藏主要年份的相关统计数据严重缺失,本文将西藏的数据剔除),30个省级 地区的数据构成一个平衡面板。本文所使用的全部数据均来源于1998-2015年的《中国统计年鉴》 《中国固定资产统计年鍳》、《中国农村统计年鉴》以及各省级地区的统计年鍳。由于样本数据时间跨 度较长,为了使不同年份数据的比较具有科学性,本文将采用GDP平减指数对文中所有涉及价格衡 量的指标进行处理。 78·2017/4江苏社会科学

农 村 正 规 与 非 正 规 金 融 发 展 对 农 业 全 要 素 生 产 率 的 影 响 · ·2017/4 江苏社会科学 受监管当局控制的非正规金融部门。然而在大多数讨论金融发展与TFP 关系的文献中，非正规金 融作为一种内生金融形式通常是被忽略的（Dasgupta，2004）。已有文献表明，在农村金融市场严重 的信息不对称及金融抑制的背景下，非正规金融已经成为中国农村各经济主体尤其是农户、农村中 小企业等小规模经济主体的主要融资来源（鲁钊阳等，2015）。基于此，本文将正规与非正规金融纳 入统一框架，利用1997-2014年的中国省级面板数据，实证分析农村正规与非正规金融发展对农业 TFP的影响。从这一视角进行研究，首先有助于更全面地理解农村金融发展影响农业TFP以及农业 经济增长的机制，其次有助于更好地认识正规与非正规金融之间的关系，进而为下一步的农村金融 改革提供政策启示。 二、模型设定、数据来源及变量选择 1. 模型设定 考虑一个如下形式的生产函数： Yit=Ait×F（Lit，Kit） （1） 其中，Y为地区农业生产总值，A为农业TFP，L表示劳动，K表示资本，包括土地、机械、化肥等要 素，i和t分别表示地区和时间。假设农业TFP受农村金融发展的影响，因此，Ait可以表示为如下形式： Ait=δit×FDit α ×Xit β （2） 其中，FDit为农村金融发展水平，Xit为一系列控制变量，δit为影响农业TFP的其他因素，α和β为参 数。由于农村金融呈现正规与非正规金融共存的二元结构特征，因此，（2）式可以转换成如下形式： Ait=δit× NFα1 it × INFα2 it Xit β （3） 其中，NFit为正规金融发展水平，INFit为非正规金融发展水平，α1和α2为参数。对（3）式两边取对 数得： ln Ait=ln δit+α1 ln NFit+α2 ln INFit+β ln Xit （4） 进一步，农业TFP可分解为技术进步（TP）和技术效率（TE）两部分，同时，考虑到一般经济活动存 在惯性趋势，本文采用动态面板回归模型，将滞后一期的被解释变量作为解释变量。在此基础上，构 建本文的计量模型如下： ln TFPit=α+α0 ln TFPit-1+α1 ln NFit+α2 ln INFit+ β' 1 ln Xit+H1i+ε1it （5） ln TPit=φ+φ0 ln TPit-1+φ1 ln NFit+φ2 ln INFit+ β' 2 ln Xit+H2i+ε2it （6） ln TEit=γ+γ0 ln TEit-1+γ1 ln NFit+γ2 ln INFit+ β' 3 ln Xit+H3i+ε3it （7） 其中，Hi为不可观测的个体特征，α、φ、γ为待估参数，β' 为控制变量待估参数集，εit为随机扰动 项。参考已有研究，本文的控制变量包括：农村人力资本水平（HUM）、进出口水平（EX）、外资投入水 平（FDI）、自然灾害情况（DISA）、乡村文化建设情况（CUL）以及城镇化水平（URBAN）。 2. 数据来源 考虑到原始数据的可得性，本文所用数据为1997-2014年中国大陆地区除西藏以外的30个省级 地区的面板数据（由于西藏主要年份的相关统计数据严重缺失，本文将西藏的数据剔除），30个省级 地区的数据构成一个平衡面板。本文所使用的全部数据均来源于1998-2015年的《中国统计年鉴》、 《中国固定资产统计年鉴》、《中国农村统计年鉴》以及各省级地区的统计年鉴。由于样本数据时间跨 度较长，为了使不同年份数据的比较具有科学性，本文将采用GDP平减指数对文中所有涉及价格衡 量的指标进行处理。 78

经济学研究 3.变量选择 (1)被解释变量—一农业TFP的测算及分解 目前,TFP的测算主要有四种方法:生产函数法、增长核算法、随机前沿分析法和数据包络分析法 (即DEA- Malmoμuis指数法)。本文选择DEA- Malmquist指数法对农业TP进行测算。选择此方法的 理由是:首先,DEA- Malmquist指数法属于非参数方法,不需要对生产函数的形式做出先验假定,也不 需要进行参数估计,因此可以避免因生产表11997-2014年中国各地区农业TFP指数及分解 函数设定偏误而产生的误差( Fare et al, 与农村正规与非正规金融发展水平测算 1998);其次,本文的主要目的是检验农村 农业农业技术农业技术农村正规农村非正规 地区|TFP指数进步指数效率指数金融发展金融发展 正规与非正规金融发展对农业TFP产生 (TFP)(TP)(TE)水平(NF)水平(INF) 1.002 0.074 0.363 影响的中间渠道,而DEA- Malmquist指数北京1092 1.092 1.000 .216 0.920 法可以将全要素生产率进行有效分解,这 天津1.0651.0660.9990.195 河北1.074 1.010 0.041 为本文的研究提供了便利。 西1.0671.0491.0170045 0.377 按照前文描述,本文利用1997-2014 内蒙古1.0581.042101 0.0310.174 辽宁1.0771.0661.011 0.311 年中国大陆地区除西藏以外的30个省级古林107510731020260203 地区的面板数据使用DEA- Malmquist指黑龙江10521048 上海1.0591.0591000.341 数法测算中国农业TFP。其中,产出指标江苏1.085106610180.0970626 1.070 1.054 选取农林牧渔业总产值,单位亿元,并以 安徽1.0521.0620.9910.0390.279 GDP平减指数对各年的名义值进行处理福建10861.001006049028 江西1.0451.0690.978 0.282 得到以1997年为不变价格衡量的实际山东1.0781.0771001 值。投入指标选取以下四个:农作物总播 河南 0.996 0.028 湖北1.050107509770.029 0.205 种面积,单位干公顷;农林牧渔业从业人湖南1.0561.0580998 员数单位万人;农业机械总动力单位万广1012102.910153.1 千瓦;化肥实际施用量,单位万吨。 海南1.0681.0690.9990.024 利用DEAP21软件对1997-2014年 重庆 0431.068 0.064 0.330 川1.0621.075 0.988 0.041 中国30个省级地区农业TFP指数(TFP)、贵州10561.0690980.055 衣业技术进步指数(TP)以及农业技术效云南105210530.9009025 陕西1.0801.0731 0.278 率指数(TE)进行测算,结果见表1前3甘肃1067104910170052 青海1.085 1.0511.032 0.315 列。可以看出,19972014国农业宁夏107210531017070342 TFP年均增长66%,而通过对农业TFP进 行分解可知,农业技术进步年均增长数中在业发村正规发本数非在规技发 64%,农业技术效率年均增长02%,表明展水平(NF)均是199-014年的平均值 农业TFP的增长主要是由技术进步推动,而技术效率的贡献相对较小 (2)农村正规与非正规金融发展水平 由于缺乏统计数据,相比于正规金融,非正规金融发展水平的测算历来是相关研究的难点。陈志 武(2005)将民间利率作为衡量非正规金融发展水平的负指标,即非正规金融发展水平越高,民间利率 越低,但是,采用这一做法来衡量衣村非正规金融发展水平将存在以下两个问题:一是目前中国金融 统计部门并没有关于农村地区民间借款利率的统计数据;二是在农村非正规金融市场中,不仅存在高 于银行利率的高息借款,而且存在着大量零息借款,这类借款通常带有互助性质,是农村非正规金融 江苏社会科学201714·79

经 济 学 研 究 江苏社会科学 2017/4· · 3. 变量选择 （1）被解释变量——农业TFP的测算及分解 目前，TFP的测算主要有四种方法：生产函数法、增长核算法、随机前沿分析法和数据包络分析法 （即DEA-Malmquist指数法）。本文选择DEA-Malmquist指数法对农业TFP进行测算。选择此方法的 理由是：首先，DEA-Malmquist指数法属于非参数方法，不需要对生产函数的形式做出先验假定，也不 需要进行参数估计，因此可以避免因生产 函数设定偏误而产生的误差（Fare et al.， 1998）；其次，本文的主要目的是检验农村 正规与非正规金融发展对农业 TFP 产生 影响的中间渠道，而DEA-Malmquist指数 法可以将全要素生产率进行有效分解，这 为本文的研究提供了便利。 按照前文描述，本文利用1997-2014 年中国大陆地区除西藏以外的30个省级 地区的面板数据，使用DEA-Malmquist指 数法测算中国农业TFP。其中，产出指标 选取农林牧渔业总产值，单位亿元，并以 GDP平减指数对各年的名义值进行处理 得到以 1997 年为不变价格衡量的实际 值。投入指标选取以下四个：农作物总播 种面积，单位千公顷；农林牧渔业从业人 员数，单位万人；农业机械总动力，单位万 千瓦；化肥实际施用量，单位万吨。 利用 DEAP 2.1 软件对 1997-2014 年 中国30个省级地区农业TFP指数（TFP）、 农业技术进步指数（TP）以及农业技术效 率指数（TE）进行测算，结果见表 1 前 3 列。可以看出，1997-2014 年中国农业 TFP年均增长6.6%，而通过对农业TFP进 行分解可知，农业技术进步年均增长 6.4%，农业技术效率年均增长0.2%，表明 农业TFP的增长主要是由技术进步推动，而技术效率的贡献相对较小。 （2）农村正规与非正规金融发展水平 由于缺乏统计数据，相比于正规金融，非正规金融发展水平的测算历来是相关研究的难点。陈志 武（2005）将民间利率作为衡量非正规金融发展水平的负指标，即非正规金融发展水平越高，民间利率 越低，但是，采用这一做法来衡量农村非正规金融发展水平将存在以下两个问题：一是目前中国金融 统计部门并没有关于农村地区民间借款利率的统计数据；二是在农村非正规金融市场中，不仅存在高 于银行利率的高息借款，而且存在着大量零息借款，这类借款通常带有互助性质，是农村非正规金融 表1 1997-2014年中国各地区农业TFP指数及分解 与农村正规与非正规金融发展水平测算 地区 全国 北京 天津 河北 山西 内蒙古 辽宁 吉林 黑龙江 上海 江苏 浙江 安徽 福建 江西 山东 河南 湖北 湖南 广东 广西 海南 重庆 四川 贵州 云南 陕西 甘肃 青海 宁夏 新疆 农业 TFP指数 （TFP） 1.066 1.092 1.065 1.074 1.067 1.058 1.077 1.075 1.052 1.059 1.085 1.070 1.052 1.086 1.045 1.078 1.062 1.050 1.056 1.061 1.042 1.068 1.043 1.062 1.056 1.052 1.080 1.067 1.085 1.072 1.087 农业技术 进步指数 （TP） 1.064 1.092 1.066 1.063 1.049 1.042 1.066 1.073 1.048 1.059 1.066 1.054 1.062 1.080 1.069 1.077 1.067 1.075 1.058 1.064 1.062 1.069 1.068 1.075 1.069 1.053 1.073 1.049 1.051 1.053 1.074 农业技术 效率指数 （TE） 1.002 1.000 0.999 1.010 1.017 1.015 1.011 1.002 1.004 1.000 1.018 1.014 0.991 1.006 0.978 1.001 0.996 0.977 0.998 0.997 0.981 0.999 0.976 0.988 0.988 0.999 1.006 1.017 1.032 1.017 1.012 农村正规 金融发展 水平（NF） 0.074 0.216 0.195 0.041 0.045 0.031 0.048 0.026 0.015 0.341 0.097 0.183 0.039 0.049 0.042 0.056 0.028 0.029 0.031 0.080 0.025 0.024 0.064 0.041 0.055 0.049 0.047 0.052 0.144 0.087 0.046 农村非正规 金融发展 水平（INF） 0.363 0.920 0.836 0.358 0.377 0.174 0.311 0.203 0.152 1.034 0.626 0.920 0.279 0.258 0.282 0.405 0.301 0.205 0.232 0.407 0.191 0.089 0.330 0.250 0.249 0.215 0.278 0.184 0.315 0.342 0.153 注：表中农业TFP指数（TFP）、农业技术进步指数（TP）、农业技术效 率指数（TE）以及农村正规金融发展水平（NF）、农村非正规金融发 展水平（INF）均是1997-2014年的平均值。 79

农村正规与非正规金融发展对农业全要素生产率的影响 的重要组成部分(张兵等,2012),若采用民间利率作为衡量农村非正规金融发展水平的指标,将无法 反映这部分非正规金融的发展情况。李建军(2010)从借款人的角度,通过假定单位GDP一定的贷款 系数,测算了中国未观测信贷的规模(未观测信贷即非正规金融)。但是囿于统计数据的可获性,将这 方法引申用于测算各地区农村非正规金融的规模同样不能奏效。 本文参考胡宗义等(2013)的方法,利用农村固定资产投资来源的数据来间接估算农村正规与非 正规金融的规模。在《中国固定资产统计年鉴》中,农村固定资产投资包括农村非农户投资和农户投 资两部分,其中农村非农户投资的资金来源包括国家预算内资金、国内贷款、利用外资、自筹资金和其 他资金,农户投资的资金来源包括国内贷款、自筹资金和其他资金。本文把农村非农户投资中国家预 算内资金、国内贷款、利用外资部分以及衣户投资中国内贷款部分之和作为农村正规金融,把农村非 农户投资以及农户投资中的自筹资金与其他资金之和作为农村非正规金融。用农村正规金融与第 产业增加值之比来衡量农村正规金融发展水平(NF),用农村非正规金融与第一产业增加值之比来衡 量农村非正规金融发展水平(INF)。以上所有涉及价格衡量的指标均采用GDP平减指数进行处理 (以1997年为不变价格衡量),具体测算结果见表1最后两列。 可以看出,无论是国家层面还是地区层面,农村非正规金融发展水平均明显高于正规金融,反映 出非正规金融在中国农村地区广泛存在,成为农村金融的重要组成部分。已有研究表明,非正规金融 基于血缘、地缘、业缘的关系,在信息筛选、风险控制等方面具有比较优势,在农村正规金融覆盖短期 难以有效提髙的背景下,非正规金融满足了农村小规模经济主体的融资需求,提髙了农村金融资源的 配置效率,进而有效促进了农业经济增长( Andreas,2014)。 (3)其他控制变量 农村人力资本水平(HUM):本文采用农村居民平均受教育年限作为农村人力资本水平的衡量指 标。首先,赋予不同受教育水平的农村居民不同的受教育年限(相关统计年鉴中的数据是6岁以上人 口的受教育年限,因此本文测算出的也是6岁以上的农村居民受教育年限):较少识字或文盲=0年,小 学=6年,初中=9年,高中或中专=12年,大专及以上=16年。然后,以不同受教育水平人口数占衣村居 民总人口数的比重作为权数,加权求和计算出各地区农村居民的平均受教育年限,用以衡量各地区农 村人力资本水平 进出口水平(EX):本文选取“进出口总额与地区生产总值的比”来衡量各地区的进出口水平。 外资投入水平(FD):本文选取“实际利用外商直接投资与地区生产总值的比”来衡量各地区的外 资投入水平 自然灾害情况(DISA):本文选取“总受灾面积与耕地总面积的比”来衡量各地区的自然灾害情 乡村文化建设情况(CUL):文化是经济发展的重要决定因素,文化可通过制度环节影响经济绩 效,因此,本文将乡村文化建设情况作为一个控制变量,选取“乡镇文化站个数与地区乡镇总数的比 来衡量各地区乡村文化建设情况。 城镇化水平( URBAN):本文选取“非农业人口与地区总人口的比”来衡量各地区的城镇化水平。 三、实证结果及分析 如前文所述,本文计量模型中加人了被解释变量的滞后一期值作为解释变量,构成动态面板模 型,而这将会使模型因为加入了滞后一期而产生自相关;同时,各地区的农业TFP显然会受到一些不 80·201714江苏社会科学

农 村 正 规 与 非 正 规 金 融 发 展 对 农 业 全 要 素 生 产 率 的 影 响 · ·2017/4 江苏社会科学 的重要组成部分（张兵等，2012），若采用民间利率作为衡量农村非正规金融发展水平的指标，将无法 反映这部分非正规金融的发展情况。李建军（2010）从借款人的角度，通过假定单位GDP一定的贷款 系数，测算了中国未观测信贷的规模（未观测信贷即非正规金融）。但是囿于统计数据的可获性，将这 一方法引申用于测算各地区农村非正规金融的规模同样不能奏效。 本文参考胡宗义等（2013）的方法，利用农村固定资产投资来源的数据来间接估算农村正规与非 正规金融的规模。在《中国固定资产统计年鉴》中，农村固定资产投资包括农村非农户投资和农户投 资两部分，其中农村非农户投资的资金来源包括国家预算内资金、国内贷款、利用外资、自筹资金和其 他资金，农户投资的资金来源包括国内贷款、自筹资金和其他资金。本文把农村非农户投资中国家预 算内资金、国内贷款、利用外资部分以及农户投资中国内贷款部分之和作为农村正规金融，把农村非 农户投资以及农户投资中的自筹资金与其他资金之和作为农村非正规金融。用农村正规金融与第一 产业增加值之比来衡量农村正规金融发展水平（NF），用农村非正规金融与第一产业增加值之比来衡 量农村非正规金融发展水平（INF）。以上所有涉及价格衡量的指标均采用GDP平减指数进行处理 （以1997年为不变价格衡量），具体测算结果见表1最后两列。 可以看出，无论是国家层面还是地区层面，农村非正规金融发展水平均明显高于正规金融，反映 出非正规金融在中国农村地区广泛存在，成为农村金融的重要组成部分。已有研究表明，非正规金融 基于血缘、地缘、业缘的关系，在信息筛选、风险控制等方面具有比较优势，在农村正规金融覆盖短期 难以有效提高的背景下，非正规金融满足了农村小规模经济主体的融资需求，提高了农村金融资源的 配置效率，进而有效促进了农业经济增长（Andreas，2014）。 （3）其他控制变量 农村人力资本水平（HUM）：本文采用农村居民平均受教育年限作为农村人力资本水平的衡量指 标。首先，赋予不同受教育水平的农村居民不同的受教育年限（相关统计年鉴中的数据是6岁以上人 口的受教育年限，因此本文测算出的也是6岁以上的农村居民受教育年限）：较少识字或文盲=0年，小 学=6年，初中=9年，高中或中专=12年，大专及以上=16年。然后，以不同受教育水平人口数占农村居 民总人口数的比重作为权数，加权求和计算出各地区农村居民的平均受教育年限，用以衡量各地区农 村人力资本水平。 进出口水平（EX）：本文选取“进出口总额与地区生产总值的比”来衡量各地区的进出口水平。 外资投入水平（FDI）：本文选取“实际利用外商直接投资与地区生产总值的比”来衡量各地区的外 资投入水平。 自然灾害情况（DISA）：本文选取“总受灾面积与耕地总面积的比”来衡量各地区的自然灾害情 况。 乡村文化建设情况（CUL）：文化是经济发展的重要决定因素，文化可通过制度环节影响经济绩 效，因此，本文将乡村文化建设情况作为一个控制变量，选取“乡镇文化站个数与地区乡镇总数的比” 来衡量各地区乡村文化建设情况。 城镇化水平（URBAN）：本文选取“非农业人口与地区总人口的比”来衡量各地区的城镇化水平。 三、实证结果及分析 如前文所述，本文计量模型中加入了被解释变量的滞后一期值作为解释变量，构成动态面板模 型，而这将会使模型因为加入了滞后一期而产生自相关；同时，各地区的农业TFP显然会受到一些不 80

经济学研究 易观测的特征变量的影响,导致被解释变量的滞后一期值与残差项相关;另外,模型中关键解释变量 农村金融发展与农业TFP也可能互为因果关系,从而存在内生性问题。为了解决动态面板模型存在 的内生性问题, Arellano et al.(1991)将所有可能的滞后变量作为工具变量对模型进行GMM估计,即 “差分GMM”,但差分GMM容易出现弱工 表2系统GMM的估计结果 具变量问题,且无法估计非时变参数的影_变量模型(1)模型(2)模型(3) nTFP(-1)0.0742-(290) 响( Blundell et al,1998)。 Blundell et al.hnP(-1) 0.1254(3,27) (1998)为提高差分GMM估计的有效性,mTE(-1) 0.0912(298) nNF0.0191“(2.25)0.0257“(3.71)-000(-0.57) 提出了系统GMM。相比于差分GMM,系 nNF0.0403-(2.93)0.0037(1.69)00366“(301) 统GMM可以使模型估计效率更高,同时HM0432200758921089173 可以估计出非时变参数。按照选择权重FD-00402(-156)00030.3)-00149(-075) 矩阵的不同,系统GMM可以分为一步 InDIA-0004-136)-0015(-103)-000(-125) hCUL.0090189)0.0161(093)0751(232) (m=两步(1wp)估计,而在有1LAN0791015381095189 限样本中处理自相关和异方差问题时,两Wad检验60.3900006463710000379261000 步系统GMM比一步系统GMM的效率更AR(1) 0.0012 0.0070 AR(2) 高( Roodman,2006)。因此,本文采用两 步系统GM的估计方法,利用Sa12.0样090 0.9710 0.9910 注:①括号内为相应系数的x值;②方括号内是Wal检验的P值;③ 软件分别对前文设定的动态面板模型进AR(1)、AR(2) Sargan检验给出的均是相应统计量的P值:④ 行回归,结果见表2 分别代表在10%、5%、1%的水平上显著。 从表2可以看出,在模型(1)、(2)、(3)随机扰动项检验中,AR(2)的P值均大于0.1,故无法拒绝 随机扰动项无二阶序列相关”的原假设,说明本文的系统GMM估计是一致的。同时,三个模型中 Sargan检验的P值也无法拒绝“所有工具变量均有效”的原假设,说明工具变量是有效的。而三个模 型中被解释变量滞后一期值均在1%的水平上显著,表明个体的当前行为受过去行为的影响,本文设 定的动态面板模型是合理的。 模型(1)的估计结果显示,正规金融(NF)与非正规金融(INF)发展均对农业TFP增长产生显著的 E向影响,且非正规金融发展水平的系数更大,表明非正规金融对农业TFP增长的促进作用要大于正 规金融。模型(2)中,正规金融发展水平的系数在1%的水平上显著为正,非正规金融发展水平的系数 在10%的水平上显著为正,但小于正规金融的系数,表明正规与非正规金融发展均对技术进步具有正 向影响,且正规金融对技术进步的促进作用更明显。从模型(3)的估计结果可以看出,非正规金融发 展水平的系数在1%的显著水平上为正,表明非正规金融的发展促进了技术效率的改善,而正规金融 却对技术效率没有显著影响。综上,正规与非正规金融均对农业TFP增长具有显著的促进作用,但作 用渠道各异,正规金融主要通过技术进步渠道,非正规金融则主要通过技术效率渠道来促进农业TFP 增长。可能的原因在于,与非正规金融相比,正规金融具有资金规模优势,而技术硏发通常需要较大 规模的资金提供支持,因而正规金融发展在促进技术进步方面表现更优。但另一方面,农村正规信贷 市场存在着严重的信息不对称,正规金融机构在向各农业经济主体发放信贷时往往处于信息劣势,因 而其通常采用基于抵押物的信贷技术来甄别贷款对象,以克服信息不对称,降低信贷风险( Hoff et al. 1990)。这不仅提高了农村正规信贷的交易成本,更把缺乏抵押物的农户及农村中小企业等小规模农 业经济主体“挡在正规金融的门外”。一些具有创新精神的小规模农业经济主体由于正规信贷约束而 无法进行相关农业投资,从而产生资源配置扭曲,阻碍了农业TFP的增长。相比之下,基于血缘、地 江苏社会科学20174·81

经 济 学 研 究 江苏社会科学 2017/4· · 易观测的特征变量的影响，导致被解释变量的滞后一期值与残差项相关；另外，模型中关键解释变量 农村金融发展与农业TFP也可能互为因果关系，从而存在内生性问题。为了解决动态面板模型存在 的内生性问题，Arellano et al.（1991）将所有可能的滞后变量作为工具变量对模型进行GMM估计，即 “差分GMM”，但差分GMM容易出现弱工 具变量问题，且无法估计非时变参数的影 响（Blundell et al.，1998）。Blundell et al. （1998）为提高差分 GMM 估计的有效性， 提出了系统GMM。相比于差分GMM，系 统GMM 可以使模型估计效率更高，同时 可以估计出非时变参数。按照选择权重 矩阵的不同，系统 GMM 可以分为一步 （one-step）和两步（two-step）估计，而在有 限样本中处理自相关和异方差问题时，两 步系统 GMM 比一步系统 GMM 的效率更 高（Roodman，2006）。因此，本文采用两 步系统 GMM 的估计方法，利用 Stata12.0 软件分别对前文设定的动态面板模型进 行回归，结果见表2。 从表2可以看出，在模型（1）、（2）、（3）随机扰动项检验中，AR（2）的P值均大于0.1，故无法拒绝 “随机扰动项无二阶序列相关”的原假设，说明本文的系统GMM估计是一致的。同时，三个模型中 Sargan检验的P值也无法拒绝“所有工具变量均有效”的原假设，说明工具变量是有效的。而三个模 型中被解释变量滞后一期值均在1%的水平上显著，表明个体的当前行为受过去行为的影响，本文设 定的动态面板模型是合理的。 模型（1）的估计结果显示，正规金融（NF）与非正规金融（INF）发展均对农业TFP增长产生显著的 正向影响，且非正规金融发展水平的系数更大，表明非正规金融对农业TFP增长的促进作用要大于正 规金融。模型（2）中，正规金融发展水平的系数在1%的水平上显著为正，非正规金融发展水平的系数 在10%的水平上显著为正，但小于正规金融的系数，表明正规与非正规金融发展均对技术进步具有正 向影响，且正规金融对技术进步的促进作用更明显。从模型（3）的估计结果可以看出，非正规金融发 展水平的系数在1%的显著水平上为正，表明非正规金融的发展促进了技术效率的改善，而正规金融 却对技术效率没有显著影响。综上，正规与非正规金融均对农业TFP增长具有显著的促进作用，但作 用渠道各异，正规金融主要通过技术进步渠道，非正规金融则主要通过技术效率渠道来促进农业TFP 增长。可能的原因在于，与非正规金融相比，正规金融具有资金规模优势，而技术研发通常需要较大 规模的资金提供支持，因而正规金融发展在促进技术进步方面表现更优。但另一方面，农村正规信贷 市场存在着严重的信息不对称，正规金融机构在向各农业经济主体发放信贷时往往处于信息劣势，因 而其通常采用基于抵押物的信贷技术来甄别贷款对象，以克服信息不对称，降低信贷风险（Hoff et al.， 1990）。这不仅提高了农村正规信贷的交易成本，更把缺乏抵押物的农户及农村中小企业等小规模农 业经济主体“挡在正规金融的门外”。一些具有创新精神的小规模农业经济主体由于正规信贷约束而 无法进行相关农业投资，从而产生资源配置扭曲，阻碍了农业TFP的增长。相比之下，基于血缘、地 表2 系统GMM的估计结果 变量 lnTFP（-1） lnTP（-1） lnTE（-1） lnNF lnINF lnHUM lnEX lnFDI lnDISA lnCUL lnURBAN 常数项 Wald检验 AR（1） AR（2） Sargan检验 样本量 模型（1） 0.0742***（2.90） — — 0.0191**（2.25） 0.0403***（2.93） 0.1432**（2.04） 0.0458（* 1.74） -0.0402（-1.56） -0.0034（-1.36） 0.0299（* 1.89） 0.0379（* 1.85） 0.6967（1.03） 606.39[0.0000] 0.0012 0.4136 0.9890 540 模型（2） — 0.1254***（3.27） — 0.0257***（3.71） 0.0037（* 1.69） 0.7587**（2.28） 0.0076（1.18） 0.0023（0.93） -0.0015（-1.03） 0.0161（0.93） 0.2015***（3.86） -1.8316**（-2.45） 646.37[0.0000] 0.0070 0.2201 0.9710 540 模型（3） — — 0.0912***（2.98） -0.0002（-0.57） 0.0366***（3.01） 0.0829（* 1.76） 0.0485**（2.22） -0.0149（-0.75） -0.0009（-1.25） 0.0751**（2.32） 0.0795（* 1.81） -0.3821（-0.91） 379.26[0.0000] 0.0018 0.2425 0.9910 540 注：①括号内为相应系数的z值；②方括号内是Wald检验的P值；③ AR（1）、AR（2）、Sargan检验给出的均是相应统计量的P值；④ * 、**、*** 分别代表在10%、5%、1%的水平上显著。 81