农户通过互联网平台进行贷款以及贷款规模的影响因素实证分析

杨儒君 刘红军

摘要：互联网借贷打破了传统贷款门槛高、手续繁杂、缺乏有效抵押、获批率低等问题，为解决农户资金短缺、提升农户获取贷款的可能性提供了全新方案。运用我国10省（区）1 000户农户问卷调查的数据，总结农户通过互联网进行融资的现状，将互联网金融与农户借贷行为相结合，借助双栏模型对农户通过互联网平台进行借贷的行为及规模的影响因素进行研究。结果表明，目前农户通过互联网进行贷款的比例并不高，且各解释变量对贷款概率和贷款金额的影响存在较大差异。因此，从加强农村地区互联网基础设施建设、加大对农户互联网贷款知识的宣传及普及程度、互联网借贷立法监督等方面提出政策建议，以期为政府相关部门改善农村地区的融资困境、破解农户融资难问题提供解决思路。

关键词：农户;互联网;贷款;影响因素;双栏模型

中图分类号： F724.6  文献标志码： A  文章编号：1002-1302（2019）10-0342-05

2018年第15个中央一号文件指出，解决人民日益增长的物质文化需求，特别是乡镇人民对美好生活向往的物质需求和不平衡发展之间的矛盾，须要依赖于乡村振兴战略的实施。这既是实现“两个一百年”奋斗目标的必然要求，也是实现全员富裕的必然要求。我国农村人口众多，“三农”问题日益突出，已经上升至国家战略的高度，受到中共中央和国务院的高度重视。农业的发展、农民收入的增加离不开资金的支持，而目前制约农村经济组织，尤其是单个农户发展缺少的也恰恰是金融的支持。根据相关调查数据显示，89.28%的农户具有融资意愿，但通过正规金融机构获取信贷的概率仅为28%，远远低于42%的全国平均信贷获批率[1]，且融资成本普遍高出银行基准利率10%～20%[2]。可见，融资难、融资贵问题已经成为农户贷款的一大症结。十八大以来，随着“互联网+农村金融”的不断融合、推进，互联网借贷为农户获取贷款带来了新的融资途径，也为政府解决农户贷款难问题提供了新的思路[3]。一方面，与传统借贷相比，互联网借贷突破了以往贷款门槛高、手续繁杂、缺乏有效抵押、获批率低等限制，提升了农户及时获取贷款的可能性;另一方面，互联网借贷也为推动农村地区金融改革、促进农村经济社会发展、打好农户精准脱贫攻坚战提供了全新方案[4]。互联网金融是一种可跨越空间、地域鸿沟，将互联网技术、大数据、云计算等深入应用到借贷行为的新型金融模式[5]。其通过对积累的海量数据进行风险分析，对有贷款申请的农户开展风险等级评定，根据评定结果直接发放贷款。既有效解决了借贷双方信息不对称的问题，也为更多分散农户获得贷款提供了可能。因此，自互联网贷款引入我国，便收到了借贷双方的追捧，并日渐成为主要的借贷方式之一，极大地推动了金融行业市场的发展，引发了学术界的广泛关注和讨论。王修华等利用陕西省杨凌示范区、武功县220个农户的调研数据，运用因子分析、二元Logistic回归模型进行研究，发现农户家庭投入水平、农户家庭收入特征和农村互联网金融普惠发展程度对农户借贷行为有正向影响，并在一定程度上肯定了农村互联网金融对农户贷款的积极作用[6]。李建军等以江苏省射阳县农户为例，通过文献分析、实地考察和问卷调查，对农户使用互联网贷款意愿的影响因素进行分析，发现六成以上的农户有通过互联网进行贷款的意愿，而年龄层次、家庭总收入、对互联网贷款的了解程度是影响农户是否愿意通过互联网贷款的主要因素[7]。李乔漳从微观角度以“宜农贷”为例，在对“宜农贷”的发展情况、运营模式及流程进行剖析的基础上，比较农户在“宜农贷”平台上的融资可得性与传统金融及其他P2P平台等的融资可得性，发现P2P模式作为传统金融的一大补充，为解决我国农村贷款问题提供了新的解决途径[8]。刘洋等分析农户互联网金融借贷中可能存在的风险，并提出化解风险的对策[9]。关于农户融资影响因素的研究成果较多，已有研究结果表明农户社会网络、从业类型、经济收支、家庭特征等会对其贷款行为产生影响[10]。其中，社会网络能有效促进农户的借款行为，尤其是对以私人借贷为主的非正规渠道金融借贷行为有正向的显著影响[11];农户家庭总收入与借贷额呈显著正相关，而总支出相反[12];从事经营农业、非农产业均与农户各类借贷额呈显著正相关[13];农户的受教育程度对农户借贷行为具有显著的正向作用[14]。通过梳理互联网金融以及农户借贷行为影响因素方面的文献可知，目前学术界对互联网贷款影响农户贷款行为的研究几乎空白。对互联网金融的研究浅尝辄止，且多为定型化的描述性研究，关于农户借贷行为影响因素的研究虽多，却没有专门引入互联网平台这一因素的研究。因此，本研究运用我国10省（区）1 000户农户问卷调查的数据，总结农户通过互联网进行融资的现状，将互联网金融与农户借贷行为相结合，构建double-hurdle model（双栏）模型，对互联网平台下农户贷款的可能性及借贷规模的影响因素进行实证研究，以期为政府相关部门改善农村地区的融资困境、破解农户融资难问题提供理论依据和现实参考。

1 研究设计

1.1 数据获取及分析

我国地域辽阔、区域农户差异性非常大，而在统计年鉴或各类报告中对于农户的相关统计缺乏详尽的数据和资料。因此，为准确地掌握全国各地区农户通过互联网进行贷款的现状，并对其贷款的可能性及贷款规模的影响因素进行科学分析，笔者所在课题组共邀请100名来自10个不同省（区），在农村居住的2017届重庆城市职业学院大一学生，利用其参加寒假社会实践活动的机会，每人发放调查问卷10份进行专项入户调查。调查问卷的设计涉及3个方面：农户家庭的基本情况（农户年龄、农户性别、受教育程度、家庭年总收入等）;农村互联网金融服务情况（本村互联网入户率、农户对互联网贷款的了解程度、互联网贷款公司是否在农村进行宣传）;农户互联网贷款情况（农户是否通过互联网进行过贷款、贷款额度）。样本覆盖江苏、浙江、山西、哈尔滨、新疆、陕西、河南、湖北、山东、宁夏等10个省（区）。为提高调查统计的有效性和准确性，在调查开始前期对调查问卷中所有较晦涩的专业术语进行通俗化处理，并根据各省（区）当地的语言习惯进行差异化处理。另外，调查前还集中对100名参与调研的学生进行简短有效的培训，包括入户的方法、与农户进行溝通的方法、询问的技巧、问询过程中的一些注意事项和解释要点等。调查问卷总发放1 000份，有效回收问卷934份，样本回收有效率高达93.4%。通过对有效样本进行统计，得出变量的统计性描述（表1）。

依据本研究所涉及的3个方面，设计2个被解释变量和10个解释变量。由表1可知，目前农户通过互联网进行贷款的比例不高，均值仅为0.32;互联网贷款公司在农村进行贷款宣传的力度不足、重视程度不高，农户对互联网贷款的了解程度较低，处于不太了解与完全不了解之间;目前调查农户的受教育程度普遍较低，基本处于高中水平。

1.2 指标选取及假设

根据已有研究成果可知，影响农户融资的因素主要有农户特征、家庭收支、社会网络、主要收入来源等。由于本研究的主题是农户通过互联网平台进行贷款，所以在基本影响因素的基础上又引入互联网相关指标，最终选取10个影响指标。农户年龄、农户性别和受教育程度是农户特征方面的主要指标;家庭收支选取家庭年总收入和家庭年总支出2个指标表示;社会网络选取家庭近亲属户数表示;主要收入来源选取主要收入来源指标表示;互联网相关指标选取互联网入户率、农户对互联网贷款的了解程度、互联网贷款公司是否在农村进行宣传3个指标表示（表2）。

根据相关研究成果和对934个农户各项指标的描述性统计，初步提出如下假设：H1，农户年龄对其在互联网平台进行贷款的可能性和贷款的规模有负面的关联性。即农户越年轻，接受新鲜事物的能力越强，使用互联网的概率越高，抗风险能力越强，所以预计农户的年龄与其是否通过互联网平台进行贷款以及贷款规模呈负相关。H2，农户性别与其是否通过互联网平台进行贷款以及贷款规模关系不明确。经济的发展提升了女性的社会地位，女性的经济能力不断提高，所以在对待风险的态度上也与过去的保守态度有了很大改变。农户性别对其是否通过互联网平台进行贷款以及贷款规模关系暂不明确，不作预计。H3，农户受教育程度与其在互联网平台进行贷款的可能性和贷款的规模有正向的关联性。农户受教育程度越高，越容易理解金融市场，对新事物的接受能力越强，了解新鲜事物的渠道越丰富，所以通过互联网平台贷款的可能性越大，但是受教育程度对贷款规模的影响暂不确定。H4，农户的家庭总收入与其是否通过互联网平台进行贷款以及贷款规模关系不明确。通常情况下，农户家庭总收入越高，其家庭积累财富的能力也越强，所以通过互联网开展贷款的可能性也越低。但是如果家庭收入主要来源于农业或非农业生产经营，则其经营成本和费用也越高，投资力度也会较大，故发生贷款的可能性反而越大，所以该指标的影响方向暂不预计。H5，家庭的总支出与其在互联网平台进行贷款的可能性和贷款的规模有正向的关联性。家庭总支出越高，无论其是生产性经营支出或者是家庭消费支出，其发生贷款的可能性和规模都会越高。H6，主要收入来源与其家庭是否通过互联网平台进行贷款以及贷款规模呈正相关。如果家庭主要收入来源于非农经营，其投资额度通常高于农业经营，所以与其家庭是否通过互联网平台进行贷款以及贷款规模呈正相关。H7，家庭近亲属户数与其是否通过互联网平台进行贷款以及贷款规模呈负相关。农户家庭主要近亲属户数越多，表明其社会网络资源也越多，其通过非金融渠道发生贷款的可能性也越高，所以通过互联网贷款的可能性越小。但主要近亲属户数与贷款规模的关系暂不确定。H8，互联网的普及率与其在互联网平台进行贷款的可能性和贷款的规模有正向的关联性。首先，只有互联网普及到入户的程度，农户才有可能接触到互联网，也才有可能通过互联网平台发生贷款。其次，本村的互联网入户率越高，农户通过身边他人获取互联网贷款的信息越丰富，其对互联网贷款知识的了解越多。H9，农户对互联网贷款的了解程度与其是否通过互联网平台进行贷款以及贷款规模呈正相关。农户对互联网贷款了解越多，对风险的了解也越深入，故其可以通过有效手段合理规避风险，也可以增强对互联网贷款的信心。H10，互联网贷款公司在农村宣传的力度与农户通过互联网平台进行贷款的可能性及贷款规模有正向的关联性。宣传力度会影响农户对互联网贷款知识的了解，进而才可能提高其贷款的概率和规模。

1.3 模型构建

目前，学术界关于农户贷款影响因素的相关研究主要采用Logistic和Probit等分类数据模型。但是，根据此次调查结果统计，发现利用互联网平台进行贷款的农户并不多，且多数无贷款金额。贷款金融呈现明显非正态分布，如果运用Logistc模型可能会导致检验结果存在较大偏差;如果采用Probit模型，其隐含的利用互联网平台获得0额度贷款金额的假设与实际情况存在一定偏差。而本研究涉及2个层次，第1个层次是研究农户是否通过互联网进行贷款，第2个层次是通过互联网贷款的金额，这2个层次具有递进关系。Tobit模型中的选择方程和连续变量方程虽然可以实现2个层次分析，但是这2个方程的参数是一致的，即同一自变量对是否贷款以及贷款金额的影响是一致的。但是实际调研发现并非如此，如农户年龄可能会很大程度低影响是否通过互联网贷款，但并不一定对获取贷款的金额有影响。为了避免出现这种情况，所以引入可以研究个体在经济行为中2個不同决策阶段的影响因素的双栏模型进行实证分析。

双栏模型，即double-hurdle modle，别称广义Tobit模型。在双栏模型中获取贷款的情况[包括贷款概率（Ploan）与贷款规模（loan）]，取决于不同参数。所以，可以通过构建1个Probit模型来分析影响农户是否通过互联网平台进行贷款的因素，再构建1个截断正态模型来分析农户通过互联网平台获得的贷款规模的影响因素，即可允许同一自变量X对2个方程产生不同影响。

第1步构建1个Probit模型来分析影响农户是否通过互联网平台进行贷款的因素

式中：X1i表示影响农户通过互联网平台进行贷款的各个解释变量;α表示回归系数;μi表示随机变量;Qi表示潜在的中间变量。当Qi>0时，表示农户通过互联网进行了贷款，可以进行第2层次贷款规模的检验;当Qi≤0时，表示农户没有通过互联网进行贷款，流程结束，无须进行下一层次的检验。通过模型表示如下。

式中：P（loan）i表示农户通过互联网贷款的情况;P（loan）i=1表示农户通过互联网进行了贷款;P（loan）i=0表示农户没有通过互联网平台贷款。

P（loan）i=1时，进入第2层次的截断正态模型检验，分析农户通过互联网平台获得的贷款规模的影响因素

式中：loani表示农户通过互联网获取贷款的规模;X2i表示影响农户通过互联网平台获取贷款规模的各个解释变量;β表示回归系数;i表示随机变量。将2个层次结合起来可以得到最终的双栏模型。

式中：Yi表示第i个农户使用互联网平台进行贷款的情况，当公式（1）中Qi>0时，公式（2）中P（loan）i=1，可以进行公式（3）的计算，最终公式（4）Yi的值即等于公式（3）中的loani;当公式（1）中的Qi≤时，公式（2）中P（loan）i=0，模型计算终止，并在公式（4）中显示为Yi的值=0。说明通过互联网平台进行贷款的农户的额度为0。

2 结果与分析

2.1 双栏模型检验结果

利用Stata 12.0软件对构建的双栏模型进行检验，分析农户通过互联网平台进行貸款的概率以及获取贷款的金额（表3）。

由表3可知，在概率方程中农户年龄、家庭年总收入、家庭年总支出、主要收入来源、家庭近亲属户数、农户对互联网贷款的了解程度等解释变量对农户互联网贷款的可能性产生显著影响。而在贷款规模方程中，农户年龄、主要收入来源、农户对互联网贷款的了解程度等解释变量对农户互联网贷款的规模产生显著影响。比较2个方程的影响因素，确如上述所预计，解释变量对2个方程的影响存在较大差异。如家庭年总支出对获取贷款的概率产生显著正影响，但对获取贷款的规模却为负，且未通过显著性检验;家庭近亲属户数对农户进行互联网贷款产生显著负影响，却不是农户获取贷款规模的主要影响因素等。

2.2 结果分析

2.2.1 对农户互联网贷款可能性的影响

2.2.1.1 农户家庭特征 检验结果表明，农户年龄对互联网贷款的获取概率产生负影响，系数为-0.256，且在5%统计水平上具有显著性，与预计作用相符，说明年龄对农户是否进行互联网贷款有一定的影响;农户年龄越大，对新鲜事物的抗拒能力越强，对风险的承受能力越弱。农户家庭年总支出对互联网贷款的获取概率产生正影响，系数为0.764，且在1%统计水平上具有显著性，与预计作用相符，说明农户的家庭支出越大，对资金和融资的需求也越高，进而发生互联网贷款的概率也越高。主要收入来源对互联网贷款的获取概率产生正影响，系数为 0.128，且在1%统计水平上具有显著性，与预计作用相符，说明农户从事非农经营对资金的需求超过农业经营，同时非农经营对外界事物的接触和了解也更多，更容易接受互联网贷款。家庭近亲属户数对互联网贷款的获取概率产生负影响，系数为-0.217，且在1%统计水平上具有显著性，与预计作用相符，说明社会网络的发达对农户通过互联网平台进行贷款产生反向作用，农户在能够通过社会关系借贷资金的情况下，并不愿意通过高利息开展互联网融资。户主性别、受教育程度、家庭年总收入对互联网贷款产生正作用，但都不具有统计学意义。

2.2.1.2 农村互联网金融服务情况 检验结果表明，农户对互联网贷款的了解程度对农户互联网贷款的获取概率产生显著正影响，系数为0.237，且在5%统计水平上具有显著性，与预计作用相符，说明农户对互联网贷款的了解程度越高越倾向于通过互联网平台进行贷款，因为随着农户对互联网融资的了解不断加深，对其中的风险有了更准确的掌握，通过权衡后更加愿意倾向于承受风险。互联网贷款公司是否在农村进行宣传对农户互联网贷款的获取概率产生显著正影响，系数为0.238，且在10%统计水平上具有显著性，与预计作用相符。宣传是农户了解互联网贷款的一个最重要的、最直观的渠道，宣传的力度和有效性直接决定着农户对互联网贷款的了解程度，因此2个指标的影响方向是一致的。而互联网入户率这一指标未通过显著性检验。

2.2.2 对互联网贷款规模的影响

2.2.2.1 农户家庭特征 检验结果表明，农户年龄对互联网贷款的规模产生负影响，系数为-0.020，且在5%统计水平上具有显著性，与预计作用相符，说明农户的年龄既是影响农户产生互联网贷款行为的重要因素，也是借出方考虑向农户发放贷款额度的重要指标之一。因为年纪较轻的农户赚取收入较容易，在还款上风险相对较小。同时，对于经营者来说，年轻农户的经营项目也具有创新性和前瞻性，获取利润的前景也较好。主要收入来源对互联网贷款的规模产生正影响，系数为 0.062，且在5%统计水平上具有显著性，与预计作用相符，说明从事非农经营可以获取更多的互联网贷款金额，因为一般情况下非农生产经营比农业生产经营有更充分的抵押物，这也是借出方在发放贷款时考虑的一个重要规避风险的因素。户主的性别、学历、家庭收入和支出、家庭主要近亲属户数对互联网贷款规模的影响都不显著，不具有统计学意义。

2.2.2.2 农村互联网金融服务情况 检验结果表明，农户对互联网贷款的了解程度对农户互联网贷款的金额产生显著正影响，系数为0.065，且在5%统计水平上具有显著性，与预计作用相符，说明农户对互联网贷款的了解程度这一因素对2个方程的影响一致。可能是因为农户对互联网贷款了解更多，就会掌握更多的融资渠道和借出方，进而不仅增加了其获取贷款的概率，也可以通过比较选择与可以给自己更多资金支持的借出方合作。而互联网入户率和互联网贷款公司是否在农村进行宣传2个指标未通过显著性检验。

3 结论与建议

本研究在总结前人经验和方法的基础上，运用10个省（区）1 000户农户问卷调查的数据，构建双栏模型，对互联网平台下农户借贷行为及借贷规模的影响因素进行实证研究。结果表明：第一，目前农户通过互联网进行贷款的比例并不高，均值仅为0.32，互联网贷款在农户融资中的应用还不够深入。农户贷款难、农村资金短缺问题仍然是目前制约“三农”经济发展的重要因素。第二，农户年龄、家庭年总收入和年总支出、主要收入来源、家庭近亲属户数、农户对互联网贷款的了解程度等解释变量对农户进行互联网贷款的概率有显著影响。第三，农户年龄、主要收入来源、农户对互联网贷款的了解程度等解释变量对农户互联网贷款的规模产生显著影响。第四，根据检验结果，解释变量对概率方程和贷款金额方程的影响不一致。家庭年总支出和家庭近亲属户数2个指标对农户通过互联网获取贷款的概率和贷款金额的影响存在明显差异。

综上结论可知，化解我国农户融资难题、加强“互联网+贷款”的运用深度，提高农户通过互联网进行贷款的概率和规模等可以从以下几方面着手：首先，政府加快农村地区网络基础设施建设。网络入户是开展互联网贷款的必备条件之一，因此政府相关部门要加快农村地区、尤其是偏远地区的网络覆盖率，并与电信部门联合降低农村网络使用费，真正使“互联网+”惠及千千万万的农户。其次，加大对农户互联网贷款知识的宣传及普及。根据实证检验，农户对互联网贷款的了解程度是影响贷款可能性和贷款规模的共同因素之一。因此，國家及互联网贷款发展公司要加大对农户互联网贷款有关知识的大力普及，让更多的农民了解并运用互联网贷款这一新兴的贷款方式来解决自身资金短缺难题。最后，加强立法监督，为互联网贷款提供强有力的司法保障。目前，我国尚未针对互联网贷款出台专门的法律法规，导致网络借贷出现管理真空现象，给农户贷款带来较大风险。因此，尽快出台《互联网借贷管理办法》，对借贷双方的行为进行有效约束，规范和引导网络借贷平台健康可持续发展。

参考文献：

[1]申 云. 社会资本、二元金融与农户借贷行为[J]. 经济评论，2016（1）：80-90，146.

[2]刘 鑫，林 建. 农村小微企业融资偏好及其影响因素分析——基于A市农村小微企业的调查[J]. 上海经济研究，2015（6）：12-18.

[3]赵振宗. 我国农村金融市场供需缺口较大的原因及对策[J]. 经济纵横，2012（6）：104-106.

[4]董玉峰，刘婷婷，路振家. 农村互联网金融的现实需求、困境与建议[J]. 新金融，2016（11）：32-36.

[5]谢 平，邹传伟，刘海二. 互联网金融的基础理论[J]. 金融研究，2015（8）：1-12.

[6]王修华，傅 勇，贺小金，等. 中国农户受金融排斥状况研究——基于我国8省29县1 547户农户的调研数据[J]. 金融研究，2013（7）：139-152.

[7]李建军，王 德. 搜寻成本、网络效应与普惠金融的渠道价值——互联网借贷平台与商业银行的小微融资选择比较[J]. 国际金融研究，2015（12）：56-64.

[8]李乔漳. 农村金融改革、农户融资可得性与农民收入增长[J]. 南方金融，2016（5）：95-102.

[9]刘 洋，王会战. 互联网视角下我国民间借贷的风险评价与控制——以P2P平台为例[J]. 宏观经济研究，2017（3）：146-157.

[10]童馨乐，杜 婷，徐菲菲，等. 需求视角下农户借贷行为分析——以六省农户调查数据为例[J]. 农业经济问题，2015（9）：89-96，112.

[11]张 杰，李 锐，李成友. 社会网络对贫困农户借贷行为的统计检验[J]. 统计与决策，2017（22）：108-112.

[12]卢亚娟，张菁晶，章建伟. 农户借贷行为的影响因素——基于江苏省调查数据的实证分析[J]. 南方金融，2016（10）：90-98.

[13]胡 枫，陈玉宇. 社会网络与农户借贷行为——来自中国家庭动态跟踪调查（CFPS）的证据[J]. 金融研究，2012（12）：178-192.

[14]牛 荣，罗剑朝，张 珩. 陕西省农户借贷行为研究[J]. 农业技术经济，2012（4）：24-30.