农村金融发展对农业技术创新影响研究

胡瑜杰， 朱万里

(甘肃省高校区域循环经济重点实验室； 兰州财经大学 陇桥学院， 兰州 730101)

改革开放以来实行的“家庭联产承包责任制”极大调动农民生产的积极性，农产品产量长期保持增长的态势。目前，随着中国经济发展进入“新常态”，由过去重视经济的增速向调整经济结构转变以来，农业经济增长仅依靠物质要素投入的增加已不适应经济发展的需要。党的十八大以来，习近平总书记高度重视农业技术创新，强调农业要实现现代化，关键在技术进步和创新，创新驱动发展模式将成为实现农业经济增长、农业高质量发展的必然选择。2017年，中国农业科技贡献率达到57.5%，超过传统生产要素的贡献，到2020年中国农业科技贡献率将超过60%。尽管中国农业技术创新的贡献率不断提高，对农业经济增长发挥出积极地促进作用，但农业科技创新体系还存在很多问题，包括农业技术创新投入不足、农业科技创新成果转化率偏低、农业技术创新人才缺口大及科技创新主体单一等，其中创新经费投入不足是制约农业技术创新的关键因素。目前，农业技术创新经费投入主要来源农村金融资本，在不同的农业发展区域和农业生产阶段，农村金融资本所产生的作用存在差异性。因此，研究农村金融发展对我国农业技术创新的影响效应具有重要的现实意义。

1 文献回顾

农村金融作为农业科技创新经费投入的重要构成，一定程度上弥补财政支农支出对农业科技创新投入的不足，并进一步促进农业科技创新及其成果转化。King 和 Levine[1]认为金融中介通过对企业家信息的甄别，并对其进行融资支持，可有效促进科技创新。蒋淇威等[2]通过对我国1991-2014年相关数据进行格兰杰因果关系检验得出农村金融发展对农业科技创新具有直接作用和间接作用。肖干等[3]利用1993-2010年省级面板数据进行实证分析得出在控制其他变量的前提下，农村金融发展的结构、规模和效率与农业科技进步贡献率呈正相关关系，农村金融发展水平的提升有利于提高农业科技进步贡献率，金融支持是实现农业技术创新的重要支撑。张乐柱等[4]运用柯布-道格拉斯生产函数和索洛余值法测算农业科技进步水平时间序列，发现农业科技进步与农村金融发展之间单向格兰杰因果联系。谭亮[5]提出金融资本有助于加强农业科技研发，形成新的农业合作模式，以创新性农业金融体系促进农业产业革新，从而实现农业的全面改革升级。然而，对金融发展促进农业科技创新的关系研究也存在不同的看法，陈刚等[6]通过对1994-2003年金融发展进行实证分析得出金融发展在促进劳动资本积累的作用显著，但阻碍了科技进步和技术效率的改善。这一现象的存在，与政府部门对金融机构干预过多而致其对农业科技创新资金投入及使用的低效率。也有学者从财政支农、农业经济增长、机械化投入、固定资产投资等因素对农业技术创新的影响。

国内外学者对农业科技创新做了大量的研究，但还存在一些不足：第一，研究内容上较为空泛，有学者研究了农村金融发展对农业经济增长、农业科技创新的影响，但鲜有学者研究农业金融发展对农业技术创新的影响；第二，研究方法上，很多研究都是定性的规范分析，缺乏必要的实证研究，得出的结论无法验证，在已有的实证研究文献中，研究方法较为单一，较少涉及农业技术创新指标选取问题；基于此，本文将以中国2000-2017年30个省市的面板数据，从静态面板模型和动态GMM模型两个视角，研究农村金融发展对农业技术创新的影响，以丰富该领域的研究。

2 农村金融发展对农业技术创新影响的实证研究

2.1 理论阐释

这一部分我们将分析农业金融发展对农业技术创新的影响机理、传导机制，并提出文章的理论假说。

一个国家或地区农业生产要素禀赋差异直接影响农业技术创新的实现类型选择，一般认为，一个国家或地区非技术类农业资源越丰富，对农业技术创新产生的“替代效应”越强，但也有学者认为，非技术农业资源也会对农业技术创新形成“互补效应”。结合中国农村实际看，农村金融发展应该有利于农业技术创新的提高，这是因为从金融机构资金投放的偏好看，由于农业生产的周期长、风险大，起初金融机构对农村市场的信贷投放的偏好较弱，但由于近年来国家对“三农”问题重视程度逐年增强，乡村振兴战略的提出必然会引导金融机构投放更多资金到农村，将会为农业提供大量的信贷资金支持，为了落实“产业兴旺”的战略要求，这些信贷资金会偏向于农业科技领域的投入。因此，提出文章的假说：农村金融发展有利于农业技术创新提高，农村金融发展是农业技术创新的正向指标。

2.2 指标选取和数据来源

2.2.1 被解释变量

衡量技术创新通常采用专利申请量和专利授权量，或者新产品的销售收入，但已有的统计资料中只能查到历年全国的农林牧渔业专利申请量，各省(市、区)不易获取。仿照熊文,朱永彬[7]的做法，选用每十万人农业植物新品种权申请数(plant)来作为农业技术创新的一个替代指标，同时，为了保证结论的稳健性，根据姚延婷,陈万明,李晓宁[8]的研究思路，选取各地区节水灌溉类机器拥有量(万套)(体现农业机械技术)和各地区用沼气数量(万户)作为农业技术创新的其他替代变量。数据均来源于《新中国农业 60 年统计资料》、《中国农业年鉴》等。

2.2.2 解释变量

文章的核心变量是农村金融发展。不同于学界从金融规模、金融结构和金融效率三个视角来衡量，这是因为针对农业方面，该做法过于笼统，无法有针对性的衡量对农业领域的支持力度，因此，本文选用农业贷款额作为衡量农业金融发展的指标。

控制变量方面，主要引入和农业技术创新密切相关的财政支农、农业经济增长水平(百亿元)、机械总动力(百万千瓦)、农村固定资产投资额(百亿元)等变量。其中，财政支农的统计指标在不同年份发生了较大变化，借鉴刘宏霞,汪慧玲,谢宗棠[9]的做法，2000年-2002年选取农业综合开发支出，2003年-2006年选用农业和林业支出以及农林水利气象等部门的事业费支出之和，2007年-2016年选用农林水利事务支出作为不同阶段的财政支农指标；农业经济增长水平为历年各省(市、区)农林牧渔总产值/历年各省(市、区)农村人口；农村固定资产投资额的统计体系在2010年后发生了变化，2000年-2010年的数据来自《中国农村统计年鉴》，2011年-2017年的数据来自《中国固定资产投资统计年鉴》中的农林牧渔类投资额以及其他和农村有关的固定资产投资。由于西藏较多指标数据缺失，无法获取港澳台相关的农业数据，文章的研究样本为2000年-2017年我国30个省(市、区)。

以上所有原始数据均来源于数据主要来自农业部植物新品种保护办公室和《中国金融统计年鉴》、《中国统计年鉴》、《中国农村统计年鉴》、《中国农业年鉴》、《中国固定资产投资统计年鉴》、《新中国农业 60 年统计资料》、《中国科技统计年鉴》，表1和图1分别是各变量描述性统计。

2.3 实证结果分析

2.3.1 平稳性检验和协整检验

为了避免可能存在“伪回归”问题，因此，对模型进行实证分析前，应首先做各变量的平稳性检验。如各变量满足是平稳的，或满足同阶单整，则需进一步做协整检验。常见的面板数据平稳性检验的方法有LLC、IPS、Fisher-ADF和 Fisher-PP等，虽然每一种检验方法都有其适用范围，但为了保证检验结果的稳健性，表2和表3完整报告了四种方法下变量水平值和一阶差分值的平稳性检验结果。(1)考虑到文中涉及的经济变量均为绝对数量，为了避免出现异方差等问题，本文对经济变量取自然对数。

表1 变量的描述性统计

表2 面板数据的平稳性检验(水平值)

表3 面板数据的平稳性检验(一阶差分值)

从表2的结果可知，被解释变量每十万人拥有农业植物新品种权申请数(lnplant)、节水灌溉类机器拥有量(lnirrigation)和各地区用沼气数量(lnmarshgas)LLC、IPS、Fisher-ADF和 Fisher-PP四种不同检验方法下的实证结果都表明，在5%的显著性水平下，无法拒绝存在单位根的原假设，表明变量的水平数据是不平稳的。解释变量农村金融发展(lnagrloan)以及其他的控制变量的水平值也是不平稳的。而表3的检验结果则表明，在5%的显著性水平下，全部变量拒绝了存在单位根的原假设。因此，所有变量满足一阶单整，应进一步检验变量间是否存在长期的协整关系。检验面板数据是否存在协整关系的方法有：Pedroni和Kao检验、Johansen协整检验。依照本文面板数据的特征，本文使用Pedroni检验。检验结果报告于表4。

表4 面板数据协整检验结果

Pedroni检验提供了个体协整和组间协整检验结果，从表4可知，Panel PP和Panel ADF统计量值分别为5.153 986和6.923 412，组间协整检验结果Group pp和Group ADF统计量的值分为6.830 251和7.383 444。全部在5%的显著性水平下拒绝了不存在协整关系的原假设，表明变量间存在长期稳定的协整关系。

2.3.2 静态面板模型实证结果分析

对于面板数据，首先应先判断是采用混合效应还是个体效应。若是混合效应直接计算混合回归结果，若是个体效应，则需进一步检验是固定效应还是随机效应。首先，进行混合效应和个体效应检验，其检验方法为F检验，原假设是所有的个体随机干扰项都是0，即可以接受混合效应。运用stata14.0 软件检验可知，F test that all ui=0:F(29,445)=59.36,Prob>F=0.000 0，在5%的显著性水平下，明显拒接了采用混合效应的原假设。其次，进行固定效应和随机效应检验。固定效应和随机效应检验的常用方法是豪斯曼检验。stata14.0 软件检验结果显示：chi2(6)=(b-B)′[(V_b-V_B)^(-1)](b-B)=17.97，Prob>chi2=0.006 3，在5%的显著性水平下拒绝采用随机效应的原假设，因此，最终的面板模型为固定效应面板模型。

根据以上检验，模型为固定效应下的面板模型。表5报告了固定效应面板模型的回归结果。(2)文章只报告了被解释变量为每十万人拥有农业植物新品种权申请数(lnplant)的回归结果，节水灌溉类机器拥有量(lnirrigation)和各地区用沼气数量(lnmarshgas)作为被解释变量的实证结果与之相似，不再赘述。从表5知，rho=0.89011363，再次表明模型不应采用混合效应，R2=0.7710，F=96.74,表明模型整体的拟合效果较好。核心解释变量农村金融发展显著的提升了农业技术创新水平，初步验证了文章提出的理论假说；其他控制变量大多在10%的显著性水平下促进了农业技术创新水平的提高。

表5 固定效应面板回归结果

2.3.3 系统GMM模型结果分析

由于各变量无法保证严格外生性，一些变量可能受到另一些变量的影响，内生性问题可能导致静态面板模型实证结果是有偏的，得出的结论缺乏稳健性，而系统GMM模型能有效解决该问题，一般认为在小样本情况下，系统GMM比差分GMM估计偏差更小，结论更稳健。因此，本文拟使用系统GMM模型估计对变量间的关系做进一步分析。

滞后一期的被解释变量会影响被解释变量当期的水平，为了控制滞后一期被解释变量的影响，将滞后一期的农业技术创新(Inplant)作为一个解释变量纳入模型。综合考虑各解释变量，相比于其他解释变量，各地区农业机械总动力由于受农业自然环境，经济发展水平制约，短期内不会有显著变化，因此，把农业机械总动力作为外生变量，其他解释变量作为内生变量。模型的估计结果见表6。

表6 系统GMM估计的回归结果

首先对系统GMM的适用性做检验，为了估计的一致性，系统GMM估计的前提是随机干扰项不存在自相关，Arellano-Bond检验结果显示，在1%的显著性水平下，无法拒接扰动项无自相关的原假设，可以使用系统GMM；再对工具变量过度识别进行Sargan检验，检验结果表明，在1%的显著性水平下，无法拒接“所有工具变量均有效”的原假设。进一步观察Wald统计量值为2 637.84，表明模型整体上回归结果是显著的。

观察系统GMM估计的回归结果，不管是核心解释变量，还是控制变量，其稳健的标准误和固定效应下的相比都有所降低，表明模型的精确度进一步提高。具体来看，在5%的显著性水平下，滞后一期的农业技术创新水平有利于本期农业技术创新水平的提高，表明农业技术创新具有共同的变动趋势，“累加效应”明显；农村金融发展水平每提高1%，农业技术创新水平将提高0.0127791%，这表明农村金融支持是农业技术创新提升显著的影响因素，验证了文章的假说。

控制变量方面，财政支农每提高1%，农业技术创新水平将提高0.4653761%，表明财政支农的力度越大，用于农业技术创新的支出占比就会越高，有效提升了农业技术创新水平；机械化总动力(lnmechan)和人均固定资产投资额(lnpinfr)都至少在10%的显著性水平下提升了农业技术创新水平，但农业经济增长不是农业技术创新显著的影响因素。

3 结论与建议

利用中国30个省(市、区)2000-2017年的面板数据，通过静态面板模型和动态GMM模型实证研究了农村金融发展对农业技术创新的影响。研究结果表明：第一，各变量都满足一阶单整，具备长期稳定的协整关系；第二，静态面板模型的最佳形式为固定效应静态模型；第三，静态固定模型和动态系统GMM模型的实证结论都表明，农村金融发展显著提升了农业技术创新水平；第四，财政支农、机械化程度和人均固定资产投资额都显著的提升了农业技术创新水平，但农业经济增长不是农业技术创新显著的影响因素。

结合以上分析，提出如下建议：一是加大对农村发展的金融支持力度，防止服务于“三农”的金融机构和金融资金流向其他领域，不断打造农业技术创新提升的金融新动能；二是因地制宜，有针对性的制定、落实财政支农方案，进一步加大农业技术创新的财政支农力度，同时，确保财政支农资金专款专用，提高财政支农效率；三是践行创新驱动战略，尤其是在农业发展领域，多渠道、宽领域、全方位的探索农业技术创新提升的新路径。