農戶通過互聯網平臺進行貸款以及貸款規模的影響因素實證分析

楊儒君 劉紅軍

摘要：互聯網借貸打破了傳統貸款門檻高、手續繁雜、缺乏有效抵押、獲批率低等問題，為解決農戶資金短缺、提升農戶獲取貸款的可能性提供了全新方案。運用我國10省（區）1 000戶農戶問卷調查的數據，總結農戶通過互聯網進行融資的現狀，將互聯網金融與農戶借貸行為相結合，借助雙欄模型對農戶通過互聯網平臺進行借貸的行為及規模的影響因素進行研究。結果表明，目前農戶通過互聯網進行貸款的比例并不高，且各解釋變量對貸款概率和貸款金額的影響存在較大差異。因此，從加強農村地區互聯網基礎設施建設、加大對農戶互聯網貸款知識的宣傳及普及程度、互聯網借貸立法監督等方面提出政策建議，以期為政府相關部門改善農村地區的融資困境、破解農戶融資難問題提供解決思路。

關鍵詞：農戶;互聯網;貸款;影響因素;雙欄模型

中圖分類號： F724.6? 文獻標志碼： A? 文章編號：1002-1302（2019）10-0342-05

2018年第15個中央一號文件指出，解決人民日益增長的物質文化需求，特別是鄉鎮人民對美好生活向往的物質需求和不平衡發展之間的矛盾，須要依賴于鄉村振興戰略的實施。這既是實現“兩個一百年”奮斗目標的必然要求，也是實現全員富裕的必然要求。我國農村人口眾多，“三農”問題日益突出，已經上升至國家戰略的高度，受到中共中央和國務院的高度重視。農業的發展、農民收入的增加離不開資金的支持，而目前制約農村經濟組織，尤其是單個農戶發展缺少的也恰恰是金融的支持。根據相關調查數據顯示，89.28%的農戶具有融資意愿，但通過正規金融機構獲取信貸的概率僅為28%，遠遠低于42%的全國平均信貸獲批率[1]，且融資成本普遍高出銀行基準利率10%～20%[2]。可見，融資難、融資貴問題已經成為農戶貸款的一大癥結。十八大以來，隨著“互聯網+農村金融”的不斷融合、推進，互聯網借貸為農戶獲取貸款帶來了新的融資途徑，也為政府解決農戶貸款難問題提供了新的思路[3]。一方面，與傳統借貸相比，互聯網借貸突破了以往貸款門檻高、手續繁雜、缺乏有效抵押、獲批率低等限制，提升了農戶及時獲取貸款的可能性;另一方面，互聯網借貸也為推動農村地區金融改革、促進農村經濟社會發展、打好農戶精準脫貧攻堅戰提供了全新方案[4]。互聯網金融是一種可跨越空間、地域鴻溝，將互聯網技術、大數據、云計算等深入應用到借貸行為的新型金融模式[5]。其通過對積累的海量數據進行風險分析，對有貸款申請的農戶開展風險等級評定，根據評定結果直接發放貸款。既有效解決了借貸雙方信息不對稱的問題，也為更多分散農戶獲得貸款提供了可能。因此，自互聯網貸款引入我國，便收到了借貸雙方的追捧，并日漸成為主要的借貸方式之一，極大地推動了金融行業市場的發展，引發了學術界的廣泛關注和討論。王修華等利用陜西省楊凌示范區、武功縣220個農戶的調研數據，運用因子分析、二元Logistic回歸模型進行研究，發現農戶家庭投入水平、農戶家庭收入特征和農村互聯網金融普惠發展程度對農戶借貸行為有正向影響，并在一定程度上肯定了農村互聯網金融對農戶貸款的積極作用[6]。李建軍等以江蘇省射陽縣農戶為例，通過文獻分析、實地考察和問卷調查，對農戶使用互聯網貸款意愿的影響因素進行分析，發現六成以上的農戶有通過互聯網進行貸款的意愿，而年齡層次、家庭總收入、對互聯網貸款的了解程度是影響農戶是否愿意通過互聯網貸款的主要因素[7]。李喬漳從微觀角度以“宜農貸”為例，在對“宜農貸”的發展情況、運營模式及流程進行剖析的基礎上，比較農戶在“宜農貸”平臺上的融資可得性與傳統金融及其他P2P平臺等的融資可得性，發現P2P模式作為傳統金融的一大補充，為解決我國農村貸款問題提供了新的解決途徑[8]。劉洋等分析農戶互聯網金融借貸中可能存在的風險，并提出化解風險的對策[9]。關于農戶融資影響因素的研究成果較多，已有研究結果表明農戶社會網絡、從業類型、經濟收支、家庭特征等會對其貸款行為產生影響[10]。其中，社會網絡能有效促進農戶的借款行為，尤其是對以私人借貸為主的非正規渠道金融借貸行為有正向的顯著影響[11];農戶家庭總收入與借貸額呈顯著正相關，而總支出相反[12];從事經營農業、非農產業均與農戶各類借貸額呈顯著正相關[13];農戶的受教育程度對農戶借貸行為具有顯著的正向作用[14]。通過梳理互聯網金融以及農戶借貸行為影響因素方面的文獻可知，目前學術界對互聯網貸款影響農戶貸款行為的研究幾乎空白。對互聯網金融的研究淺嘗輒止，且多為定型化的描述性研究，關于農戶借貸行為影響因素的研究雖多，卻沒有專門引入互聯網平臺這一因素的研究。因此，本研究運用我國10省（區）1 000戶農戶問卷調查的數據，總結農戶通過互聯網進行融資的現狀，將互聯網金融與農戶借貸行為相結合，構建double-hurdle model（雙欄）模型，對互聯網平臺下農戶貸款的可能性及借貸規模的影響因素進行實證研究，以期為政府相關部門改善農村地區的融資困境、破解農戶融資難問題提供理論依據和現實參考。

1 研究設計

1.1 數據獲取及分析

我國地域遼闊、區域農戶差異性非常大，而在統計年鑒或各類報告中對于農戶的相關統計缺乏詳盡的數據和資料。因此，為準確地掌握全國各地區農戶通過互聯網進行貸款的現狀，并對其貸款的可能性及貸款規模的影響因素進行科學分析，筆者所在課題組共邀請100名來自10個不同省（區），在農村居住的2017屆重慶城市職業學院大一學生，利用其參加寒假社會實踐活動的機會，每人發放調查問卷10份進行專項入戶調查。調查問卷的設計涉及3個方面：農戶家庭的基本情況（農戶年齡、農戶性別、受教育程度、家庭年總收入等）;農村互聯網金融服務情況（本村互聯網入戶率、農戶對互聯網貸款的了解程度、互聯網貸款公司是否在農村進行宣傳）;農戶互聯網貸款情況（農戶是否通過互聯網進行過貸款、貸款額度）。樣本覆蓋江蘇、浙江、山西、哈爾濱、新疆、陜西、河南、湖北、山東、寧夏等10個省（區）。為提高調查統計的有效性和準確性，在調查開始前期對調查問卷中所有較晦澀的專業術語進行通俗化處理，并根據各省（區）當地的語言習慣進行差異化處理。另外，調查前還集中對100名參與調研的學生進行簡短有效的培訓，包括入戶的方法、與農戶進行溝通的方法、詢問的技巧、問詢過程中的一些注意事項和解釋要點等。調查問卷總發放1 000份，有效回收問卷934份，樣本回收有效率高達93.4%。通過對有效樣本進行統計，得出變量的統計性描述（表1）。

依據本研究所涉及的3個方面，設計2個被解釋變量和10個解釋變量。由表1可知，目前農戶通過互聯網進行貸款的比例不高，均值僅為0.32;互聯網貸款公司在農村進行貸款宣傳的力度不足、重視程度不高，農戶對互聯網貸款的了解程度較低，處于不太了解與完全不了解之間;目前調查農戶的受教育程度普遍較低，基本處于高中水平。

1.2 指標選取及假設

根據已有研究成果可知，影響農戶融資的因素主要有農戶特征、家庭收支、社會網絡、主要收入來源等。由于本研究的主題是農戶通過互聯網平臺進行貸款，所以在基本影響因素的基礎上又引入互聯網相關指標，最終選取10個影響指標。農戶年齡、農戶性別和受教育程度是農戶特征方面的主要指標;家庭收支選取家庭年總收入和家庭年總支出2個指標表示;社會網絡選取家庭近親屬戶數表示;主要收入來源選取主要收入來源指標表示;互聯網相關指標選取互聯網入戶率、農戶對互聯網貸款的了解程度、互聯網貸款公司是否在農村進行宣傳3個指標表示（表2）。

根據相關研究成果和對934個農戶各項指標的描述性統計，初步提出如下假設：H1，農戶年齡對其在互聯網平臺進行貸款的可能性和貸款的規模有負面的關聯性。即農戶越年輕，接受新鮮事物的能力越強，使用互聯網的概率越高，抗風險能力越強，所以預計農戶的年齡與其是否通過互聯網平臺進行貸款以及貸款規模呈負相關。H2，農戶性別與其是否通過互聯網平臺進行貸款以及貸款規模關系不明確。經濟的發展提升了女性的社會地位，女性的經濟能力不斷提高，所以在對待風險的態度上也與過去的保守態度有了很大改變。農戶性別對其是否通過互聯網平臺進行貸款以及貸款規模關系暫不明確，不作預計。H3，農戶受教育程度與其在互聯網平臺進行貸款的可能性和貸款的規模有正向的關聯性。農戶受教育程度越高，越容易理解金融市場，對新事物的接受能力越強，了解新鮮事物的渠道越豐富，所以通過互聯網平臺貸款的可能性越大，但是受教育程度對貸款規模的影響暫不確定。H4，農戶的家庭總收入與其是否通過互聯網平臺進行貸款以及貸款規模關系不明確。通常情況下，農戶家庭總收入越高，其家庭積累財富的能力也越強，所以通過互聯網開展貸款的可能性也越低。但是如果家庭收入主要來源于農業或非農業生產經營，則其經營成本和費用也越高，投資力度也會較大，故發生貸款的可能性反而越大，所以該指標的影響方向暫不預計。H5，家庭的總支出與其在互聯網平臺進行貸款的可能性和貸款的規模有正向的關聯性。家庭總支出越高，無論其是生產性經營支出或者是家庭消費支出，其發生貸款的可能性和規模都會越高。H6，主要收入來源與其家庭是否通過互聯網平臺進行貸款以及貸款規模呈正相關。如果家庭主要收入來源于非農經營，其投資額度通常高于農業經營，所以與其家庭是否通過互聯網平臺進行貸款以及貸款規模呈正相關。H7，家庭近親屬戶數與其是否通過互聯網平臺進行貸款以及貸款規模呈負相關。農戶家庭主要近親屬戶數越多，表明其社會網絡資源也越多，其通過非金融渠道發生貸款的可能性也越高，所以通過互聯網貸款的可能性越小。但主要近親屬戶數與貸款規模的關系暫不確定。H8，互聯網的普及率與其在互聯網平臺進行貸款的可能性和貸款的規模有正向的關聯性。首先，只有互聯網普及到入戶的程度，農戶才有可能接觸到互聯網，也才有可能通過互聯網平臺發生貸款。其次，本村的互聯網入戶率越高，農戶通過身邊他人獲取互聯網貸款的信息越豐富，其對互聯網貸款知識的了解越多。H9，農戶對互聯網貸款的了解程度與其是否通過互聯網平臺進行貸款以及貸款規模呈正相關。農戶對互聯網貸款了解越多，對風險的了解也越深入，故其可以通過有效手段合理規避風險，也可以增強對互聯網貸款的信心。H10，互聯網貸款公司在農村宣傳的力度與農戶通過互聯網平臺進行貸款的可能性及貸款規模有正向的關聯性。宣傳力度會影響農戶對互聯網貸款知識的了解，進而才可能提高其貸款的概率和規模。

1.3 模型構建

目前，學術界關于農戶貸款影響因素的相關研究主要采用Logistic和Probit等分類數據模型。但是，根據此次調查結果統計，發現利用互聯網平臺進行貸款的農戶并不多，且多數無貸款金額。貸款金融呈現明顯非正態分布，如果運用Logistc模型可能會導致檢驗結果存在較大偏差;如果采用Probit模型，其隱含的利用互聯網平臺獲得0額度貸款金額的假設與實際情況存在一定偏差。而本研究涉及2個層次，第1個層次是研究農戶是否通過互聯網進行貸款，第2個層次是通過互聯網貸款的金額，這2個層次具有遞進關系。Tobit模型中的選擇方程和連續變量方程雖然可以實現2個層次分析，但是這2個方程的參數是一致的，即同一自變量對是否貸款以及貸款金額的影響是一致的。但是實際調研發現并非如此，如農戶年齡可能會很大程度低影響是否通過互聯網貸款，但并不一定對獲取貸款的金額有影響。為了避免出現這種情況，所以引入可以研究個體在經濟行為中2個不同決策階段的影響因素的雙欄模型進行實證分析。

雙欄模型，即double-hurdle modle，別稱廣義Tobit模型。在雙欄模型中獲取貸款的情況[包括貸款概率（Ploan）與貸款規模（loan）]，取決于不同參數。所以，可以通過構建1個Probit模型來分析影響農戶是否通過互聯網平臺進行貸款的因素，再構建1個截斷正態模型來分析農戶通過互聯網平臺獲得的貸款規模的影響因素，即可允許同一自變量X對2個方程產生不同影響。

第1步構建1個Probit模型來分析影響農戶是否通過互聯網平臺進行貸款的因素

式中：X1i表示影響農戶通過互聯網平臺進行貸款的各個解釋變量;α表示回歸系數;μi表示隨機變量;Qi表示潛在的中間變量。當Qi>0時，表示農戶通過互聯網進行了貸款，可以進行第2層次貸款規模的檢驗;當Qi≤0時，表示農戶沒有通過互聯網進行貸款，流程結束，無須進行下一層次的檢驗。通過模型表示如下。

式中：P（loan）i表示農戶通過互聯網貸款的情況;P（loan）i=1表示農戶通過互聯網進行了貸款;P（loan）i=0表示農戶沒有通過互聯網平臺貸款。

P（loan）i=1時，進入第2層次的截斷正態模型檢驗，分析農戶通過互聯網平臺獲得的貸款規模的影響因素

式中：loani表示農戶通過互聯網獲取貸款的規模;X2i表示影響農戶通過互聯網平臺獲取貸款規模的各個解釋變量;β表示回歸系數;i表示隨機變量。將2個層次結合起來可以得到最終的雙欄模型。

式中：Yi表示第i個農戶使用互聯網平臺進行貸款的情況，當公式（1）中Qi>0時，公式（2）中P（loan）i=1，可以進行公式（3）的計算，最終公式（4）Yi的值即等于公式（3）中的loani;當公式（1）中的Qi≤時，公式（2）中P（loan）i=0，模型計算終止，并在公式（4）中顯示為Yi的值=0。說明通過互聯網平臺進行貸款的農戶的額度為0。

2 結果與分析

2.1 雙欄模型檢驗結果

利用Stata 12.0軟件對構建的雙欄模型進行檢驗，分析農戶通過互聯網平臺進行貸款的概率以及獲取貸款的金額（表3）。

由表3可知，在概率方程中農戶年齡、家庭年總收入、家庭年總支出、主要收入來源、家庭近親屬戶數、農戶對互聯網貸款的了解程度等解釋變量對農戶互聯網貸款的可能性產生顯著影響。而在貸款規模方程中，農戶年齡、主要收入來源、農戶對互聯網貸款的了解程度等解釋變量對農戶互聯網貸款的規模產生顯著影響。比較2個方程的影響因素，確如上述所預計，解釋變量對2個方程的影響存在較大差異。如家庭年總支出對獲取貸款的概率產生顯著正影響，但對獲取貸款的規模卻為負，且未通過顯著性檢驗;家庭近親屬戶數對農戶進行互聯網貸款產生顯著負影響，卻不是農戶獲取貸款規模的主要影響因素等。

2.2 結果分析

2.2.1 對農戶互聯網貸款可能性的影響

2.2.1.1 農戶家庭特征 檢驗結果表明，農戶年齡對互聯網貸款的獲取概率產生負影響，系數為-0.256，且在5%統計水平上具有顯著性，與預計作用相符，說明年齡對農戶是否進行互聯網貸款有一定的影響;農戶年齡越大，對新鮮事物的抗拒能力越強，對風險的承受能力越弱。農戶家庭年總支出對互聯網貸款的獲取概率產生正影響，系數為0.764，且在1%統計水平上具有顯著性，與預計作用相符，說明農戶的家庭支出越大，對資金和融資的需求也越高，進而發生互聯網貸款的概率也越高。主要收入來源對互聯網貸款的獲取概率產生正影響，系數為 0.128，且在1%統計水平上具有顯著性，與預計作用相符，說明農戶從事非農經營對資金的需求超過農業經營，同時非農經營對外界事物的接觸和了解也更多，更容易接受互聯網貸款。家庭近親屬戶數對互聯網貸款的獲取概率產生負影響，系數為-0.217，且在1%統計水平上具有顯著性，與預計作用相符，說明社會網絡的發達對農戶通過互聯網平臺進行貸款產生反向作用，農戶在能夠通過社會關系借貸資金的情況下，并不愿意通過高利息開展互聯網融資。戶主性別、受教育程度、家庭年總收入對互聯網貸款產生正作用，但都不具有統計學意義。

2.2.1.2 農村互聯網金融服務情況 檢驗結果表明，農戶對互聯網貸款的了解程度對農戶互聯網貸款的獲取概率產生顯著正影響，系數為0.237，且在5%統計水平上具有顯著性，與預計作用相符，說明農戶對互聯網貸款的了解程度越高越傾向于通過互聯網平臺進行貸款，因為隨著農戶對互聯網融資的了解不斷加深，對其中的風險有了更準確的掌握，通過權衡后更加愿意傾向于承受風險。互聯網貸款公司是否在農村進行宣傳對農戶互聯網貸款的獲取概率產生顯著正影響，系數為0.238，且在10%統計水平上具有顯著性，與預計作用相符。宣傳是農戶了解互聯網貸款的一個最重要的、最直觀的渠道，宣傳的力度和有效性直接決定著農戶對互聯網貸款的了解程度，因此2個指標的影響方向是一致的。而互聯網入戶率這一指標未通過顯著性檢驗。

2.2.2 對互聯網貸款規模的影響

2.2.2.1 農戶家庭特征 檢驗結果表明，農戶年齡對互聯網貸款的規模產生負影響，系數為-0.020，且在5%統計水平上具有顯著性，與預計作用相符，說明農戶的年齡既是影響農戶產生互聯網貸款行為的重要因素，也是借出方考慮向農戶發放貸款額度的重要指標之一。因為年紀較輕的農戶賺取收入較容易，在還款上風險相對較小。同時，對于經營者來說，年輕農戶的經營項目也具有創新性和前瞻性，獲取利潤的前景也較好。主要收入來源對互聯網貸款的規模產生正影響，系數為 0.062，且在5%統計水平上具有顯著性，與預計作用相符，說明從事非農經營可以獲取更多的互聯網貸款金額，因為一般情況下非農生產經營比農業生產經營有更充分的抵押物，這也是借出方在發放貸款時考慮的一個重要規避風險的因素。戶主的性別、學歷、家庭收入和支出、家庭主要近親屬戶數對互聯網貸款規模的影響都不顯著，不具有統計學意義。

2.2.2.2 農村互聯網金融服務情況 檢驗結果表明，農戶對互聯網貸款的了解程度對農戶互聯網貸款的金額產生顯著正影響，系數為0.065，且在5%統計水平上具有顯著性，與預計作用相符，說明農戶對互聯網貸款的了解程度這一因素對2個方程的影響一致。可能是因為農戶對互聯網貸款了解更多，就會掌握更多的融資渠道和借出方，進而不僅增加了其獲取貸款的概率，也可以通過比較選擇與可以給自己更多資金支持的借出方合作。而互聯網入戶率和互聯網貸款公司是否在農村進行宣傳2個指標未通過顯著性檢驗。

3 結論與建議

本研究在總結前人經驗和方法的基礎上，運用10個省（區）1 000戶農戶問卷調查的數據，構建雙欄模型，對互聯網平臺下農戶借貸行為及借貸規模的影響因素進行實證研究。結果表明：第一，目前農戶通過互聯網進行貸款的比例并不高，均值僅為0.32，互聯網貸款在農戶融資中的應用還不夠深入。農戶貸款難、農村資金短缺問題仍然是目前制約“三農”經濟發展的重要因素。第二，農戶年齡、家庭年總收入和年總支出、主要收入來源、家庭近親屬戶數、農戶對互聯網貸款的了解程度等解釋變量對農戶進行互聯網貸款的概率有顯著影響。第三，農戶年齡、主要收入來源、農戶對互聯網貸款的了解程度等解釋變量對農戶互聯網貸款的規模產生顯著影響。第四，根據檢驗結果，解釋變量對概率方程和貸款金額方程的影響不一致。家庭年總支出和家庭近親屬戶數2個指標對農戶通過互聯網獲取貸款的概率和貸款金額的影響存在明顯差異。

綜上結論可知，化解我國農戶融資難題、加強“互聯網+貸款”的運用深度，提高農戶通過互聯網進行貸款的概率和規模等可以從以下幾方面著手：首先，政府加快農村地區網絡基礎設施建設。網絡入戶是開展互聯網貸款的必備條件之一，因此政府相關部門要加快農村地區、尤其是偏遠地區的網絡覆蓋率，并與電信部門聯合降低農村網絡使用費，真正使“互聯網+”惠及千千萬萬的農戶。其次，加大對農戶互聯網貸款知識的宣傳及普及。根據實證檢驗，農戶對互聯網貸款的了解程度是影響貸款可能性和貸款規模的共同因素之一。因此，國家及互聯網貸款發展公司要加大對農戶互聯網貸款有關知識的大力普及，讓更多的農民了解并運用互聯網貸款這一新興的貸款方式來解決自身資金短缺難題。最后，加強立法監督，為互聯網貸款提供強有力的司法保障。目前，我國尚未針對互聯網貸款出臺專門的法律法規，導致網絡借貸出現管理真空現象，給農戶貸款帶來較大風險。因此，盡快出臺《互聯網借貸管理辦法》，對借貸雙方的行為進行有效約束，規范和引導網絡借貸平臺健康可持續發展。

參考文獻：

[1]申 云. 社會資本、二元金融與農戶借貸行為[J]. 經濟評論，2016（1）：80-90，146.

[2]劉 鑫，林 建. 農村小微企業融資偏好及其影響因素分析——基于A市農村小微企業的調查[J]. 上海經濟研究，2015（6）：12-18.

[3]趙振宗. 我國農村金融市場供需缺口較大的原因及對策[J]. 經濟縱橫，2012（6）：104-106.

[4]董玉峰，劉婷婷，路振家. 農村互聯網金融的現實需求、困境與建議[J]. 新金融，2016（11）：32-36.

[5]謝 平，鄒傳偉，劉海二. 互聯網金融的基礎理論[J]. 金融研究，2015（8）：1-12.

[6]王修華，傅 勇，賀小金，等. 中國農戶受金融排斥狀況研究——基于我國8省29縣1 547戶農戶的調研數據[J]. 金融研究，2013（7）：139-152.

[7]李建軍，王 德. 搜尋成本、網絡效應與普惠金融的渠道價值——互聯網借貸平臺與商業銀行的小微融資選擇比較[J]. 國際金融研究，2015（12）：56-64.

[8]李喬漳. 農村金融改革、農戶融資可得性與農民收入增長[J]. 南方金融，2016（5）：95-102.

[9]劉 洋，王會戰. 互聯網視角下我國民間借貸的風險評價與控制——以P2P平臺為例[J]. 宏觀經濟研究，2017（3）：146-157.

[10]童馨樂，杜 婷，徐菲菲，等. 需求視角下農戶借貸行為分析——以六省農戶調查數據為例[J]. 農業經濟問題，2015（9）：89-96，112.

[11]張 杰，李 銳，李成友. 社會網絡對貧困農戶借貸行為的統計檢驗[J]. 統計與決策，2017（22）：108-112.

[12]盧亞娟，張菁晶，章建偉. 農戶借貸行為的影響因素——基于江蘇省調查數據的實證分析[J]. 南方金融，2016（10）：90-98.

[13]胡 楓，陳玉宇. 社會網絡與農戶借貸行為——來自中國家庭動態跟蹤調查（CFPS）的證據[J]. 金融研究，2012（12）：178-192.

[14]牛 榮，羅劍朝，張 珩. 陜西省農戶借貸行為研究[J]. 農業技術經濟，2012（4）：24-30.