檀群君,王 丘

(安徽农业大学 经济管理学院，安徽 合肥 230036)

一、引 言

近年来，安徽省广大农村地区土地流转数量和规模呈上升趋势，一部分农户通过承包土地成为当地的种植大户，这些种植大户虽然已经不同于传统农户，但仍然由于金融供给不足或者金融供给与融资需求不匹配、缺少抵押物等原因而难以取得正规金融机构贷款，融资需求难以满足，经营规模难以扩大。

虽然种植大户既属于农户，也属于新型农业经营主体的一部分，但是在经营规模上比一般农户大，而小于新型农业经营主体中家庭农场的经营规模，并且，目前安徽省种植大户已经在新型农业经营主体中占多数。根据安徽省农委提供的资料，截至2012年年末，安徽省新型农业经营主体已注册登记的有187 974个，其中种植大户有153 960户，占比约为82%。因此，对安徽省种植大户的融资问题进行研究，具有重要意义。

二、文献综述

对于普通农户，陈丽、韦潇丽通过对实地调研所得数据进行整理分析发现，在所调查农户中，大部分有融资需求，超过50%的农户表示有过融资行为[1]。谢鑫等对新疆250户农户调查发现，由于金融机构的资金供给不足、对金融业务知识宣传不到位，有一半的农户选择向亲友借款[2]。胡剑调查发现，许多地方性金融机构的贷款利率定价方式传统僵化，贷款利率水平偏高[3]。Zellera and Diagnea提出，收入水平显著影响农户的融资行为，二者之间呈现明显的反向关系，收入减少时，农户融资需求更强烈[4]。

对于新型农业经营主体，梁月等对230个家庭农场进行问卷调查，并运用Logistic模型分析发现，家庭农业收入与农场主信贷需求具有负向关系，种植规模与农场主信贷需求具有正向关系[5]。王蔷等对四川省355户新型农业经营主体调查发现，有过借贷行为的主体比例超过一半，并且有69%的受访者表示未来仍有融资意愿[6]。王吉鹏等通过对131家新型农业经营主体调查发现，新型农业经营主体自身发展水平低、规模小，信用评级体系不健全以及农村金融机构发展滞后是影响新型农业经营主体融资需求的三个因素[7]。也有学者将影响融资需求的因素分为内部因素和外部因素。例如，林乐芬、法宁通过Logistic模型分析得出，影响新型农业经营主体融资需求的内部因素主要是新型农业主体自身特点，具体表现为管理水平不高、证件不全，并且资金需求规模大、期限长；外部因素分别是金融机构产品和服务与新型农业经营主体融资需求不匹配，政府政策支持力度小[8]。

对于种植大户融资相关的研究较少，陈洁通过对安徽省怀宁县、枞阳县的70户种粮大户的调查发现，只有6%的种粮大户从正规金融机构获得了足额贷款，并且金融机构贷款手续多、担保要求严格等原因抑制了当地种粮大户向正规金融机构的融资需求[9]。罗振军等对510户种粮大户实地调研，并利用Probit模型对所得数据分析后发现，种植规模与种粮大户融资需求具有正向关系，家庭收入水平、家庭资产规模与融资需求具有负向关系[10]。亓浩等利用有序Probit模型分析得出，种养规模、金融供给情况和政府支出力度对种养大户资金筹集难易的程度具有显著影响[11]。

以上研究中，在研究对象的选择上，多以普通农户或者以新型农业经营主体为研究对象，单独以种植大户融资问题为研究点的文献较少，而且各地种植大户融资特征不同，所以已有文献中提出的缓解各经营主体融资困境的建议对种植大户而言借鉴意义有限。在研究方法的运用上，多数研究通过问卷调查方式获得横截面数据，利用Logistic模型或Probit模型对数据进行分析，缺少对农户融资影响因素的历年相关数据的整体性分析，难以反映阶段性、宏观性农户融资需求特点，所提出的建议针对性、前瞻性不足。

三、安徽省种植大户基本情况与融资发展情况

(一)安徽省种植大户基本情况

为了保证数据的可比性，文章引用安徽省农委的标准，将种植大户定义为以商品化经营为主，露地农作物种植面积达到3.33公顷及以上、设施农业的设施占地面积1.67公顷及以上的农户。截至2012年年末，安徽省种植大户已突破15万户。

(二)安徽省种植大户融资发展情况

金融供给不足，资金供给与需求不匹配。供给规模方面，2000年到2016年安徽省农业贷款占各项贷款比例平均为7.2%。并且，以工农中建为主的商业银行在安徽农村地区的营业网点很少，从业人员更少，而且最低分层网点和人员一般只在县城，农村地区基层网点少，服务人群没有覆盖到众多种植大户。资金供给结构方面，虽然部分金融机构开发了农村小额信贷业务，但是农村小额信贷由于额度小、单一的扶贫目标和利率上限管制问题[12]，使得金融机构普遍不愿意开发此项业务，而成功申请小额信贷的农户因为额度小又难以满足资金需求。

财政资金供给方面，2016年年末，安徽财政支出中农林水事务支出为624.8亿元，占财政支出的比例仅为11.3%；供给结构方面，根据安徽省最新的统计口径，财政支农支出统一在农林水事务这一指标中列示，不再单独区分。所以从总量上和结构上看，财政资金供给规模小，对农业方面倾斜力度不够，导致种植大户资金缺口大。

此外，融资成本高也是安徽种植大户融资中面临的实际困难。正规融资渠道由于贷款审批程序多，门槛高，种植大户在向银行等正规金融机构申请贷款过程中，会产生各种交易成本；民间有息借贷等非正规融资渠道，其利息一般高于银行借款利率，且年息36%以内受国家法律保护，资金借出方更倾向于约定较高的借款利率，由此增加了种植大户的融资成本。

四、多元线性回归模型的构建

(一)指标选取

结合前人的研究资料和上述对安徽省实际情况的分析，本文分别从安徽省种植大户基本情况、金融供给情况、农民收入水平、资产投资情况、农业生产成本以及财政支农情况方面选取指标进行分析。

基本情况。基本情况包括耕地面积、农业机械总动力以及乡村办水电站个数。第一，耕地面积与农民收益密切相关，当其他条件不变时，耕地面积越大，农民收益越高，进行规模经营的意愿越强烈，进而也更有可能购买大型农机具，实现机械化，从而产生资金需求。第二，机械化覆盖率是衡量农业生产能力的一个重要指标。第三，安徽农业水利情况用乡村办水电站个数表示。种植业离不开水利灌溉设施，农村水利设施会影响农户种植规模，并且现代农业要实现规模化、产业化发展更加依赖水利、电力系统的完善。

金融机构供给情况。包括农业贷款余额、金融机构从业人员数两个指标。当资金需求上升，但农业贷款余额不足或者资金配置与种植大户需求不符时，种植大户难以从正规金融机构获得足够资金。金融机构从业人员数少，则平均每位种植大户获得的服务量少，进而有可能降低种植大户对金融机构的满意度，减少其向金融机构融资的可能性。

农户收入水平。金融机构只能从相对有限的信息中了解农户的偿债能力，农户人均可支配收入作为一个可以观测到的显性指标是金融机构决定是否发放贷款的考虑因素之一。由于文章研究对象是种植大户，以户均4口人计算[13]，得到户均可支配收入。

资产投资情况。金融机构向农户提供贷款往往要求其具有抵押物，但是农产品作为农户投入最多的资产却不符合抵押条件。农机具、厂房、农户自有房屋等可作为抵押资产，因此固定资产较多的种植大户更易获得金融机构贷款。农村农户固定资产投资额是衡量农户资产拥有情况的重要指标。

农业生产成本。农业生产成本与农户收益息息相关，在其他条件不变的前提下，生产资料价格等农业生产成本的上升会导致农户收益降低，进而可能增加农户对外部资金的需求量。

财政支农情况。财政支农资金作为国家支持农业发展的举措之一，必然会对种植大户融资需求产生影响。例如，财政支农资金中用于农业补贴的部分直接影响了种植大户获得的补助金额。

数据来源于《安徽统计年鉴》《中国金融年鉴》《中经网》，并经整理分析得出，数据分析使用SPSS软件。因为部分数据缺失以及指标“农业贷款余额”统计口径发生变化，为了使数据具有可比性，选取2000～2016年的数据，并利用最新的统计口径和安徽省农业贷款余额的增长率重新推算，安徽省种植大户融资需求相关影响因素具体数据见表1，各变量所代表的指标见表2。

表1 2000～2016年影响安徽省种植大户融资需求的相关因素

(二)模型构建

根据以上所述，这9个指标均有可能是影响安徽省种植大户融资需求的因素，因此，文章采用多元线性回归模型进行实证分析。多元线性回归模型一般形式：

Y=β0+β1X1+β2X2+……βnXn+ε

(1)

其中Y为被解释变量，X为解释变量，ε为随机误差项。本文因为有9个解释变量，所以n=1,2，…，9。

表2 变量的定义

五、安徽省种植大户融资影响因素的实证研究

(一)变量的描述性统计

表3和表4分别是变量的描述性统计具体结果和普通多元回归分析结果。

表3 变量的描述性统计结果

(二)普通线性回归分析

由表4可以看出，耕地面积X1、金融机构从业人员数X4、财政支农支出中农林水事务支出X9的系数为负值，不符合经济意义；各解释变量t统计量的Sig值均大于0.10，未通过t检验；且部分解释变量的方差膨胀因子VIF超过10，说明解释变量之间存在多重共线性，所以不能直接采用多元线性回归，可通过主成分分析法降低变量间的多重共线性。

表4 系数

注：a.因变量：融资需求Y.

(三)主成分分析

主成分分析法是利用降维的思想，将彼此之间可能存在相关关系的变量，转换成少数的彼此之间没有相关关系的综合指标，且综合指标能够反映原始变量的大部分信息的统计方法[14]。在进行主成分分析前，为了避免变量间的量纲影响，需要对数据进行标准化处理，然后对标准化后的数据X1～X9进行 KMO 和 Bartlett的检验，并根据检验结果判断是否适合做主成分分析，结果如表5所示。

表5 KMO 和 Bartlett的检验

表5是利用SPSS对标准化后的数据X1～X9进行主成分分析的部分结果，KMO统计量取值在0～1之间，KMO值越接近于1，表明变量之间的相关性越强，一般认为KMO值大于0.6，即可做主成分分析。表5的统计结果显示，KMO统计量为0.722，大于0.6，且Sig.值小于0.05，表示变量间存在相关关系，所以适合做主成分分析。

表6是设定选取特征值大于1作为主成分的分析图，可以看出主成分1的特征值为7.181，主成分2的特征值为1.044，均大于1，对总方差的累积贡献率达到了91.388%，表明从标准化数据X1～X9中提取了两个主成分，能够代替原始数据X1～X9的大部分信息。关于两个主成分的成分矩阵如表7所示。

表6 解释的总方差

表7 成分矩阵

注：①提取方法:主成分分析法；②已提取了2个成分.

可根据表7中的数据除以主成分相对应的特征值，得出这两个主成分中每个指标所对应的系数，并据此可写出对应的主成分方程分别为：

F1=0.288x1+0.368x2+0.341x3+0.357x4+0.366x5+0.371x6+0.358x7-0.014x8+0.370x9

(2)

F2=0.136x1+0.051x2+0.100x3-0.088x4-0.032x5-0.040x6+0.044x7+0.973x8-0.098x9

(3)

方程中的x均是原始变量标准化后的变量。

在SPSS软件中输入上述主成分方程F1和F2自动计算出来主成分变量，结果如表8所示。

根据表8可建立标准化融资需求和主成分变量之间的多元线性回归方程。模型结果如表9和表10所示。

由表9可知，R2为0.957，表明模型拟合度较好，说明有95.7%的预测可以由该模型来预测，且F统计量的Sig.为0.000小于0.05，说明模型通过F检验，模型整体显著。表10中方差膨胀因子VIF均为1，小于10，说明不存在多重共线性，且主成分变量F1和F2的t统计量的Sig.值均为0.000，小于0.05，说明主成分变量均通过t检验，所以，由表10可写出标准化的线性回归方程为：

Zy=-1.822×10-16+0.364F1+0.073F2

(4)

将主成分方程式(2)和式(3)代入式(4)中，并还原为关于原始变量的多元线性回归方程为：

Y=-17.35+1.49*10-6X1+0.001X2+0.009X3+0.018X4+0.004X5+0.0001X6+0.009X7+0.09X8+0.006X9

(5)

表8 标准化融资需求和主成分变量

表9 模型汇总

注：①预测变量: (常量), 主成分变量F1,主成分变量F1;② 因变量: Z融资需求Y.

表10 系数

六、模型预测检验

用式(5)所建立的模型对安徽省2000～2016年种植大户融资需求量进行预测，并将预测值与实际值进行了比较，结果如图1所示。

图1 2000～2016年安徽省种植大户融资需求的实际值与预测值比较

图1可以看出，2013年实际值与预测值最接近，相对误差仅为0.63%，2002年实际值与预测值误差较大，相对误差为22.52%。但是2000～2016年安徽省种植大户融资需求的预测值与实际值整体接近，虽然在个别年份二者之间存在一定差异，但是2000～2016年平均相对误差仅为9.8%。总体来说，该多元线性回归模型预测结果理想。

七、实证结果及相关建议

(一)实证结果

实证部分运用主成分分析法和多元线性回归方法确定了所选取的九个指标对安徽省种植大户融资需求的影响方向及程度，并根据模型对2017～2020年安徽省种植大户融资需求进行了预测，预测值分别为40.97亿元、43.18亿元、45.70亿元、48.50亿元。

解释变量X4对安徽省种植大户融资需求具有较大的正向影响。其他条件不变时，金融机构从业人员数(X4)每增加一个单位，安徽省种植大户融资需求增加0.18个单位。因为金融机构从业人员数越多，则平均每位种植大户获得的服务量越多，增加了其向金融机构融资的可能性。

解释变量X2、X3、X5、X6、X7、X8、X9对安徽省种植大户融资需求具有一定的正向影响。影响程度从大到小依次为：X8>X3= X7>X9>X5>X2>X6。其他条件不变时，农业生产资料价格指数(X8)、乡村办水电站个数(X3)、农村农户固定资产投资额(X7)、财政支农支出中农林水事务支出(X9)、农业贷款余额(X5) 、农业机械总动力(X2)、户均可支配收入(X6)每增加一个单位，安徽省种植大户融资需求分别增加0.09、0.009、0.006、0.004、0.001、0.0001个单位。生产资料价格等农业生产成本的上升会导致农户收益降低，进而可能增加农户对外部资金的需求量。种植业离不开水利灌溉设施，农业基础设施越完善，安徽省种植大户发展空间越大，进而其融资需求越旺盛；与实证结果相同，乡村办水电站个数的增加会带来种植大户融资需求的增加。种植大户进行规模经营，少不了需要购买大型农机具或者新建厂房，这些都需要投入资金，当大户自有资金不能满足固定资产投资需求时，就需要从外部融资，因此农村农户固定资产投资额越大，种植大户融资需求越大。政府增加财政支农力度，向大户释放出政府扶持农业发展的良好信号，大户在政策支持下扩大生产，融资需求增加。农业贷款余额发放规模增加，大户的平均获贷率提高，有助于提高大户对金融机构的信心，进而可提高其向金融机构融资的需求。农业机械总动力越高，一定程度上反映农业集约化程度越大，大户对融资购买农机具的需求越大。户均可支配收入对安徽省种植大户的正向影响很小，表明安徽省种植大户的户均可支配收入提高，就可加大对生产的投入，随着规模的扩大，大户的融资需求可能有所增加。

解释变量X1对安徽省种植大户融资需求具有轻微正向影响。当其他条件不变时，耕地面积(X1)每增加一个单位，安徽省种植大户融资需求增加1.49*10-6个单位，说明耕地面积的增加，对安徽省种植大户融资需求刺激作用很小。可能的原因是耕地面积增加，产生规模效应，因此，耕地面积对安徽省种植大户融资需求的刺激作用很小。

模型拟合良好，对预测未来安徽省种植大户的融资需求具有重要参考意义。2000～2016年，模型预测值与实际融资需求的平均相对误差仅为9.8%，说明模型拟合程度良好。由该模型预测出的2017～2020年的结果可以看出，在这四年中，安徽省种植大户融资需求呈逐年上升趋势，到2020年将接近50亿元。

(二)相关建议

1.加大农村金融供给服务力度，合理配置金融资金

农村金融机构营业网点少，致使其从业人员数量少，在安徽农村地区，金融机构网点大多撤离乡村，只保留县城少数网点的设置[15]。金融机构从业人员数增加，种植大户平均得到的服务人数增加，提高了种植大户对贷款政策的知悉程度和服务获得感，进而增加种植大户向金融机构融资的需求和概率。开发适合农业农村发展的信贷新品种，反映出农业贷款向种植大户的倾斜。例如工商银行安徽埇桥支行就推出了小额联保贷款，由三到五人组成借款小组，每人均给予一定的授信额度，并且组内成员对借款者的借贷责任承担连带保证责任。联保小组既适合安徽省种植大户的实际情况，金融机构又降低了坏账风险，有效解决了当地种植大户的融资难题。

2.完善农村基础设施建设

增加乡村办水电站个数，为农业灌溉带来便利，促使安徽省种植大户扩大经营规模，刺激其产生融资需求。同时经营规模的扩大，带来收入水平的提高，增加了安徽省种植大户还款能力，金融机构更愿意向其提供资金，缓解融资困境问题。

3.降低贷款门槛，减少对抵押物的限制条件

金融机构要求农户贷款抵押物为其自身持有的固定资产，一般金融机构认可的抵押物有大型农机具、厂房等。但是作为种植大户的资产重要组成部分的农业设施和农产品却不符合抵押物贷款要求，所以需要适当放宽抵押物的限制。例如2014年四川省出现首个农业设施——智能温室大棚融资的案例，这对安徽省内金融机构创新抵押物融资模式有重要借鉴意义。

4.增加财政扶持力度，提高财政支农支出，让种植大户更多享受政策扶持

以农机具补贴为例，财政支农支出是农机具补贴的资金来源之一，通过安徽省农机补贴系统可查到，2018年安徽省对耕整地机械这一大类的补贴金额在150元至16000元之间，但超过90%的耕整地机械补贴金额低于8000元，多数集中在1000至3000元之间，相对万元价位的农机具来说，该补贴金额过低。过低的补贴金额，无形中提高了种植大户的筹资难度。因此，加大农业机械的补贴，有利于解决种植大户融资困境。

5.促进固定资产投资均衡发展

种植大户固定资产投资包括厂房建设、大型农机具购买等多个方面，因此种植大户投资决策要考虑经济能力和资产用途，避免资金使用效率低下，甚至投资失败。