安徽省涉農貸款配置效率評價及其影響因素分析
——基于DEA-Tobit模型

杜彩金,王曉潤,聶岸超

(1.安徽農業大學 經濟管理學院,安徽 合肥 230036;2.西南林業大學 機械與交通學院,云南 昆明 650000)

農業、農村、農民問題是關系到中華民族偉大復興的重大問題,黨的十九大報告就針對三農問題提出了鄉村振興戰略以發展農村經濟。隨著鄉村振興戰略的實施,如何發展農業,如何振興鄉村產業,成為一個亟待解決的重大問題。農村的經濟發展離不開農村金融資源的支持,而農業信貸作為重要的農村金融資源,在鄉村振興中有著舉足輕重的地位。早在2012年,銀監會就對涉農貸款的增量和增速提出了“兩個不低于”的要求。2022年初中央一號文件也提出,要求強化鄉村振興金融服務,將農業信貸當作重要的工作內容之一,突出農業信貸工作的重要性。發展農業信貸成為了一個重要的解決方案[1],然而農村在享受農業信貸規模發展帶來的大量收益的同時,各地農業信貸的使用存在效率偏低的情況[2],因此對涉農貸款配置效率進行研究是非常必要的。

安徽省地處長三角地區,是傳統的農業大省,也是農村改革的主要發源地,但是目前安徽省農村經濟的發展水平還有待進一步提高。2021年4月,《中共安徽省委安徽省人民政府關于全面推進鄉村振興加快農業農村現代化的實施意見》中指出要加大金融支農力度以全面推進鄉村振興。在加大金融支農力度的同時,也要提高金融資源的配置效率,這樣才能更好地發揮農村金融對鄉村振興的支持作用。因此,對安徽省涉農貸款的配置效率進行研究是必不可少的。

財政支農與金融支農相協調是當前我國非常重要的支農減貧政策,而縣域金融機構涉農貸款增量獎勵政策是一項利用財政手段引導金融資源向農村配置的重要舉措。行偉波、張思敏[3]通過研究發現:涉農貸款獎勵政策顯著的促進了我國農業經濟的發展,認為應該繼續推進財政引導金融支農的政策,為我國鄉村振興戰略提供更多支撐。在涉農貸款的安全性方面,徐利、章熙春[4]經過對廣東村鎮銀行中長期涉農貸款風險的研究,認為應該通過加強銀行內部控制,發展擔保形式,確保擔保充足;豐富資產抵押的形式和內涵;開展多樣化貸款,分散貸款投向,來降低涉農貸款風險,提高涉農貸款安全性。

當前,已有文獻關于涉農貸款效率的研究多是將涉農貸款作為農村金融資源的一部分,將農村金融作為金融的一個子系統,從宏觀上考察以農村信貸投放為手段的資金資源配置效率。[5]而對這種農村金融資金配置效率的研究主要是從農業信貸對農村經濟增長、農民收入增加所起作用的角度出發。Fan S等認為,政府對農村地區的投資可以直接或間接減少農村貧困,提高生產力。[6]郭剛、王雄通過實證分析中部區域農村金融與農村經濟發展的關系,發現不管在短期還是長期,農村金融效率都能夠促進中部農村經濟增長。[7]胡振華、陳恒智認為雖然城鄉居民之間的收入差距會隨著農村金融規模的發展而增大,但是可以通過提高農村金融效率和推進城鎮化進程來減小這個差距。[8]溫紅梅等對我國2010年中2 001個縣城進行實證分析,發現我國農村存在大量的金融資源投入冗余,從而導致金融效率水平整體偏低,同時還容易受到外部環境的影響。[9]向琳、鄭長德的實證研究也得到了類似的結論。[10]王大為、彭迪云等的研究表明江西省農村金融效率與農村經濟發展關系密切,但是農村金融效率整體偏低,需要加強金融建設。[11]王淑英等通過對我國30個省市2000—2009年的數據進行實證分析,發現農村金融效率直接正向影響著農村經濟,而且存在著正向的空間溢出效應,是影響農村經濟增長的非常關鍵的因素。[12]劉榮增等以我國2014—2018年的省級面板數據為樣本,實證發現金融規模和金融結構都能夠有效地促進城鄉之間的高質量融合發展,但是金融效率就沒有這種促進效果了。[13]

此外也有很多學者從地區差異的角度研究了農村金融的效率。向琳、郭斯華的研究表明:不同的農村地區,其金融規模會有很大的差別,因此,各地區不能只是一味地加大金融資源的投入,更重要的是要提高金融效率。[14]張一青、彭非以我國31個省級為樣本,對其農村金融效率進行研究,結果表明東部和中部地區的農村金融效率要遠高于西部地區,而且都容易受到外部環境因素的影響。[15]何振立通過對我國31個省市農村地區金融扶貧效率的研究,結果表明國內不同區域的金融扶貧效率呈現出了明顯的時空差異和區域分化,應通過加強金融扶貧服務創新等措施來提升金融扶貧效率。[16]

現有對涉農貸款效率的研究,取得了一定的成果,但是仍有一些不足之處。大部分學者選取的指標,在評估金融效率方面具備較強的適用性,但在反映涉農貸款效率方面稍有欠缺;在涉農貸款配置效率影響因素方面的研究較少,相關研究還可以進一步豐富。因此,本文通過運用DEA-BCC模型、Malmquist指數模型對安徽省各市涉農貸款配置效率進行靜態和動態的測度分析,來考察涉農貸款具體的實行效率,用Tobit模型對所測度的效率值進行影響因素分析,以期為提高安徽省涉農貸款效率提供決策參考和建議。

一、指標選擇與數據來源

(一)指標選擇

客觀、準確的投入產出指標的選取即指標體系的建立,是應用DEA方法測算效率的前提,不同的指標體系會得到不同的最終結果,而且指標的總數也會對測算的結果產生很大的影響:如果指標總數過多,則會使得效率為1的決策單元數量過多;如果指標總數過少,則可能會使得關鍵的問題被忽視。[17]在查閱各類相關文獻的基礎上,本文對相關文獻中的投入產出指標的選取進行了梳理,如表1所示。

表1 涉農貸款配置效率投入產出指標研究文獻梳理

由于本文關于涉農貸款配置效率的研究是從其對促進農村經濟增長和農民收入提高所起的作用為出發點的,所以產出指標的選取要能夠真實地反映兩者的情況,同時考慮到各市微觀數據的可獲得性以及各市之間農村人口的差別。本文選擇了以下的投入產出指標,產出指標包括農村人均第一產業增加值、農村人均可支配收入,相應的投入指標要從資金、固定資產、從業人員三方面來選擇;投入指標:農村人均涉農貸款余額、涉農貸款余額。與第一產業增加值之比、農村人均固定資產投資、第一產業從業人員數與農村總人數之比[5][9][18-21]。影響涉農貸款配置效率的因素有很多,在參考各類文獻的基礎上[5][18-21],再結合本文的研究特點,選取了產業結構、政府支農政策、農村金融發展、城鄉差距、銀行中介能力、金融相關率這6個外部因素來考察對效率值的影響。本文以效率值作為被解釋變量,以上6個外部因素作為解釋變量進行回歸分析,如表2所示。

表2 模型變量選擇

(二)數據來源

本文分析采用的數據涵蓋了2011—2020年間安徽省16個地級市,文中所用指標數據均是由以下數據計算得到。涉農貸款余額數據來源于中國人民銀行安徽省各地級市中心支行;農村總人口(由各市總人口和城鎮人口所占比重求出)、生產總值、第一產業增加值、農林牧漁固定資產投資額、第一產業就業人員數、農村人均可支配收入、城鎮居民可支配收入、農林水事務財政支出、銀行存貸款余額數據主要來源于《安徽統計年鑒》、安徽省部分地級市國民經濟和社會發展統計公報、《安徽省各地級市統計年鑒》。

通過運行Stata1 5.0軟件得到表2各變量的描述性統計,如下表3所示:

表3 描述性統計

二、研究方法與模型構建

(一)農業信貸配置效率測度的DEA模型構建

1.測度靜態效率的DEA-BCC模型構建

數據包絡分析法(Date Envelopment Analysis)簡稱DEA,它是一種常用的非參數方法,能夠對多投入多產出的單元進行相對效率的評價。在運用DEA模型時,不需要考慮投入和產出之間滿足的函數關系,也不需要考慮不同指標之間的單位差異,因此常用于各種情況下的投入產出效率的評價[22]。

DEA-BCC模型是一種基于規模報酬可變(VRS)的DEA模型,還可以根據研究者的需要分別從投入和產出的角度進行效率的測度。本文的研究對象更偏向于投入角度。在本文中,決策單元(DMU)為安徽省k個地級市,每個DMU有m種投入指標,n種產出指標,xij表示第i個市的第j種投入指標的投入量,xij>0;yir表示第i個市的第r種產出指標的產出量,yir>0。其中, i=1,2,……,k;j=1,2,……,m;r=1,2,……,n。設定DEA-BCC模型如下所示:

其中,ε為阿基米德無窮小量,s-、s+分別表示投入和產出松弛變量,θ為決策單元的效率值[23]。DEA-BCC模型可以將綜合技術效率(TE)進一步分解,分解后的指標分別為純技術效率(PTE)和規模效率(SE),而且三者滿足以下關系:TE=PTE× SE。

2.測度動態效率的DEA-Malmquist指數模型構建

Malmquist指數是通過距離函數求得比率,運用Malmquist指數可以測得各決策單元動態的全要素生產率(TFPCH)。由于本文是基于規模報酬可變的情況,所以可以進一步將全要素生產率分解為以下四個指標:綜合技術效率(EFFCH)、技術進步指數(TECH)、純技術效率指數(PECH)和規模效率(SECH)。他們之間滿足如下關系:全要素生產率=綜合技術效率×技術進步指數;綜合技術效率=純技術效率×規模效率[24]。Malmquist指數的具體表達形式為:

M>1時,表示全要素生產率提高,M=1時,表示全要素生產率不變,M<1時,表示全要素生產率下降。

(二)涉農貸款配置效率影響因素分析的Tobit模型構建

前文通過DEA方法測得的效率值僅反映了投入產出之間的聯系,為了進一步探究其他因素對安徽省各市涉農貸款配置效率的影響如何,要將前文測算的靜態效率值作為被解釋變量進行回歸分析。前文采用的DEA-BBC模型測算的靜態效率值均在0～1之間,這種數據屬于截斷數據,如果對這種數據進行OLS回歸的話,會導致最終的估計結果可能會出現偏差和不一致[25]。因此,本文選用Tobit模型來進行實證研究。

在以上變量的基礎上,構建如下的Tobit模型:

Yit=β0+β1CYit+β2YHit+β3DFit+β4NCit+β5CXit+β6FIit+ui+εit

其中,Yit為安徽省第i個市第t年的涉農貸款配置效率(包括綜合技術效率、純技術效率、規模效率),i=1,2…… 16;t=2011……2020;ui為個體固定效應,εit為隨機干擾項。

理論基礎與研究假設:指標的選擇應該建立在理論的基礎之上,產業結構理論、財政農業投資理論和農村金融市場理論為涉農貸款配置效率的外部影響因素選擇提供了理論支撐。

1.產業結構理論

產業結構是指農業、工業和服務業在一個國家或地區的經濟結構中所占的比重。各國以及各地區間經濟發展水平和國民收入水平的差異,主要是由于產業結構的不同。第一產業增加值占生產總值的比重可以衡量一個國家或地區農業在國民經濟中的地位。

第一產業增加值占生產總值的比重越大,那么農業對經濟的主導作用就會越強,三農問題就會越突出,進而涉農貸款的使用就更加有針對性。安徽省各地級市的產業結構有著很大的差異,那么不同地區涉農貸款的配置效率也會有著明顯的差異。因此,假設一:產業結構對涉農貸款配置效率具有正向作用,即第一產業比重越大,涉農貸款配置效率越高。

2.財政農業投資理論

財政農業投資理論認為政府應該在農田設施建設、農業科技推廣、農業教育等領域加強投入支持,為農業的現代生產創造條件,同時還必須重視人力資本投資。無論對農業進行何種投資,都要將資金投入到績效較高的涉農領域內。

資源的配置方式可以分為市場機制和政府干預。在完善的金融市場環境下,市場機制可以作為“看不見的手”來實現資源的有效配置,從而提高資源的使用效率,而政府的過度干預則有可能會產生負面的影響。但是現階段我國的市場機制還不健全,需要政府進行適當的干預來解決資源的配置問題。因此,假設二:假設政府支農政策對涉農貸款配置效率具有正向作用。

3.農村金融市場理論

農村金融市場論是對農業補貼理論的批判,其主要思想是肯定市場化機制在農村金融市場中發揮的作用,其認為政府應該放寬對農村金融市場的管制,使金融市場能夠達到供需平衡的狀態。雖然現實中農村金融市場理論的效果沒有得到有效的發揮,但是農村金融市場的發展程度對農村經濟的發展起到了很大的促進作用。

金融交易效率越高,就意味著資金流動性越高。一方面說明資金很有可能流向涉農領域;另一方面說明隨著存款被轉化成貸款,銀行的管理效率會得到提升,從而對涉農貸款配置效率產生一定的影響。因此,假設三:假設銀行中介能力對涉農貸款配置效率具有正向作用。

涉農貸款的數量可以直接影響到涉農貸款的規模,而不同階段規模報酬的產出是不同的,從而對涉農貸款配置效率的影響也是不同的。相關金融機構對涉農貸款資金的管理水平和對風險的警惕程度也都會影響到涉農貸款的配置效率。[26]現階段,安徽省涉農貸款規模非常大,且增長速度也很快,可能會使得涉農貸款規模過大而產生消極影響。因此,假設四:假設農村金融發展對涉農貸款配置效率產生負向的影響。

農村地區的金融資源相對于城市來說不夠完善,而且機會成本比較高,即使通過政府干預,將資源向農村傾斜,資金的逐利性也會使得資源從農村流向城市,資金外流在一定程度上會影響到資金的配置效率。[19]因此,假設五:假設城鄉差距對涉農貸款配置效率具有負向作用。

存貸款總額占生產總值的比重越高,可以在一定程度上推動一個地區的經濟發展,隨著地區經濟的發展,就可能會有更多的資金流向涉農領域,從而影響到涉農貸款配置效率。因此,假設六:假設金融相關率對涉農貸款配置效率是正向作用。

三、研究結果分析

(一)涉農貸款配置效率分析

1.涉農貸款配置靜態效率測度與分析

根據DEA-BCC模型,運用DEAP2.1軟件,從投入角度對2011—2020年安徽省16個地級市的投入產出數據進行測算,得到涉農貸款配置的綜合技術效率(TE)、純技術效率(PTE)和規模效率(SE)。結果如表4所示。

表4 安徽省各市2011—2020年涉農貸款靜態效率測度表

由表4可知:從整體上看,在2011—2020年這10年間,只有宿州、淮南、蕪湖3個市的靜態效率值全為1,即達到了有效率的狀態。其余各市的效率值均在平均值附近,意味著都存在不同程度的資源浪費的情況。這些市在個別年份也達到了整體有效率的狀態,而在其余年份就存在著純技術效率或者規模效率是無效率的狀態。從2020年來看,只有淮北、亳州、六安、安慶、黃山這五個市沒有達到有效率的狀態。六安的綜合技術效率為0.93,純技術效率為1,可見這種無效的狀態是規模方面的問題,同時六安是處于規模報酬遞增階段的,所以政府可以通過更加合理的資源投入擴大規模來解決規模方面的問題,以提高規模效率,從而提高整體效率,達到有效的狀態。而淮北、亳州、安慶、黃山無效狀態不單單是某一方面的原因,而是由管理、技術和規模多方面的原因綜合作用的結果,因此政府需要同時考慮到這些方面的因素來改進效率。2011—2019年,無效率的市也都存在著類似的情況。因此,總體上來說,安徽省大部分市的涉農貸款的配置都存在著無效率的情況,而無效率的原因又各不相同,有些是規模的問題,有些是管理、技術等方面的原因。這就需要各個市因地制宜進行改善,不能通過一刀切的方式進行。

2.涉農貸款配置動態效率測度與分析

根據DEA-Malmquist指數模型,運用DEAP 2.1軟件測算安徽省16個地級市2011—2020年涉農貸款的全要素生產力指數,并得到其各個分解指標。結果如表5、表6所示。

表5 2011—2020年安徽省涉農貸款配置Malmquist指數及其分解

表6 安徽省各市涉農貸款配置Malmquist指數及其分解

由表5可知,在2011—2020年間,Malmquist指數呈現出有增有減的態勢,平均增長率為4.4%。從更細致的分解指標技術進步和綜合技術效率來看,兩者都對整體4.4%的平均增長率作出了貢獻,前者的平均增長率為1.9%,后者的平均增長率為2.4%,所以后者比前者的貢獻大了一些,但相差不是很明顯。從具體的跨年度來看,Malmquist指數為小于1,意味著出現了負增長,其主要原因是較低的技術進步率導致的。而在2018—2020年間,Malmquist指數的值都在1.1以上,增長速度比較快,平均增長率大約17%,其中技術進一步的增長率大約為15%,貢獻較綜合技術效率大很多。因此,安徽省各市可以通過提高技術效率來達到提高涉農貸款配置效率的目的。

由表6可以看出,在2011—2020年間,安徽省只有亳州、宿州、阜陽、淮南四個市的全要素生產率是低于1的,說明這四個市的涉農貸款的配置效率在整體上是處于下降趨勢的。通過更進一步的分解指標可以看出,宿州、阜陽、淮南這三個市中只有技術進步率是小于1的,所以這個下降趨勢是由于在綜合技術效率保持不變的情況下,技術進步下降導致的。而亳州市的技術進步率和純技術效率值都是低于1 的,表明其低效率是由這兩方面下降導致的。其余各市的全要素生產率都是大于1的,說明他們的涉農貸款的配置效率處在一直上升的態勢。通過全要素生產率的分解可以看出,總體來說技術進一步的增長率要大于綜合技術效率的增長率,因此這些市的全要素生產率的增長主要都是技術進步貢獻的。整體來看,安徽省各市涉農貸款配置效率的提高,主要是通過近年來在金融改革創新帶來的技術進一步所推動起來的。

(二)安徽省涉農貸款配置效率的影響因素回歸結果及分析

1.安徽省涉農貸款配置效率的影響因素的回歸結果

本文運用Stata15.0軟件,分別將TE(綜合技術效率),PTE(純技術效率),SE(規模效率)作為被解釋變量,對模型進行了回歸。由于本文的數據為面板數據,面板Tobit模型分為固定效應和隨機效應,而且在采用隨機效應Tobit進行回歸估計時,同時對整體模型進行了LR檢驗,最終的結果顯示三個回歸估計的LR檢驗P值均小于0.01,即強烈拒絕原假設:“不存在個體效應”,所以本文應該選擇隨機效應Tobit模型。結果如表7所示。

表7 隨機效應Tobit模型回歸結果

2.解釋變量對效率值的影響分析

根據表7,我們可以得到以下結論:產業結構對TE、PTE和SE都有非常明顯的正向作用。究其原因:涉農貸款主要是為了支持農村、農業、農民發展而發放的貸款,在第一產業比重較高的地區,三農問題會更加突出,因此涉農貸款的使用會更加有針對性,且效果更加明顯,進而提高了涉農貸款的配置效率。銀行貸存比對PTE存在著顯著的正向影響,而對TE、SE的正向影響不顯著。銀行貸存比能夠反映出銀行作為金融中介機構對資金的轉化能力,隨著存款更多地被轉化成貸款,相關部門的管理和技術效率也會隨著提高,從而可以提高涉農貸款的配置效率。政府支農政策對TE和PTE有正向影響,但不是很顯著,而對SE的負向影響不顯著。主要原因在于地方政府的財政貼息、農業補貼等支持政策可以同金融機構的涉農貸款相配合,從而可以提高涉農貸款配置效率。農村金融發展程度對SE有顯著的負向影響,對TE、PTE的影響也是負向的,但是不顯著。結合前面的效率分析,這說明安徽省農村金融發展深度還未能發展成為推動農業發展的積極因素,可能的原因就是安徽省存在過度的涉農資金投入問題,只注重規模的增加,而沒有考慮到資金的使用和配置效率的提高,從而降低了涉農貸款的配置效率。考慮到在金融資源充裕的情況下,如果相關金融機構對涉農貸款資金的管理水平低下,而且對風險的警惕性不高,不能夠合理地配置涉農信貸資源,那么就會降低涉農貸款對農業經濟發展的整體貢獻程度,涉農貸款配置效率也會隨之降低。城鄉二元結構對TE和SE有明顯的負向作用,但是對PTE的負向影響不顯著。城鄉二元結構的存在即城鄉發展不協調,會拉大城鄉居民的收入差距。隨著城鎮居民收入的增多,他們對金融等服務資源的需求也會增加,這會導致農村地區的資本外流,從而降低了涉農貸款的配置效率。金融相關率對TE和SE都有顯著的正向影響,而對PTE的正向影響不顯著。金融相關率越高,說明存貸款余額占總產值的比重越高,那么就可能會有更多的資金流向涉農領域,從而提高涉農貸款的規模,進而可以提高規模效率。

3.穩健性檢驗

為了防止上述的回歸結果具有偶然性,保證實證結果的準確可靠,下面將采用兩種方法對三個回歸結果進行穩健性檢驗。一是通過不斷加入變量,來解決模型遺漏變量的問題;二是分別采用混合OLS模型,固定效應OLS模型、隨機效應OLS模型和隨機效應Tobit模型對各變量進行回歸分析。基于不同變量的穩健性檢驗結果如表8、表9、表10所示,基于不同方法的穩健性檢驗結果如表11、表12、表13所示。

表8、表9、表10分別展示了綜合技術效率TE、純技術效率值PTE和規模效率SE基于不同變量的穩健性檢驗結果。(1)列作為基準模型,控制了產業結構、政府支農政策、城鄉差距和金融相關率,為了檢驗回歸結果的穩健性,依次將剩余影響因素加入(2)列和(3)列基準模型。在(2)列模型中加入了銀行中介能力,在(3)列模型中加入了農村金融發展,結果顯示雖然各變量的顯著性受到了些許影響,但未發生明顯的變化,且符號也未發生改變,因此其結果是穩健的。

表8 TE回歸結果基于不同變量的穩健性檢驗

表9 PTE回歸結果基于不同變量的穩健性檢驗

表10 SE回歸結果基于不同變量的穩健性檢驗

表11、表12、表13分別展示了綜合技術效率TE、純技術效率值PTE和規模效率SE基于不同方法的穩健性檢驗結果。由檢驗結果可知,在隨機效應Tobit回歸模型中顯著的變量在混合OLS回歸模型,固定效應OLS回歸模型、隨機效應OLS回歸模型中大部分仍然顯著,而且符號也并未發生變化,因此通過了穩健性檢驗。

表11 TE回歸結果基于不同方法的穩健性檢驗

表12 PTE回歸結果基于不同方法的穩健性檢驗

表13 SE回歸結果基于不同方法的穩健性檢驗

四、研究結論與政策建議

(一)研究結論

本文運用DEA-BCC模型和Malmquist指數模型,對安徽省16個地級市2011—2020年的涉農貸款配置效率分別從靜態和動態的角度進行了分析。在此基礎上運用Tobit模型對投入指標之外的影響因素進行了回歸分析,得到以下結論。

1.從涉農貸款的靜態配置效率來看,從2011—2020年,安徽省除了宿州、淮南、蕪湖這3個市的涉農貸款配置是有效的,其余各市在有些年份都會存在無效的情況。而無效率的原因既有技術和管理方面的,也有規模方面的,所以相關部門在提高涉農貸款配置效率時,要充分考慮到各個市的特點進行因地制宜,不能簡單一刀切地加大涉農貸款的投入規模。

2.從涉農貸款的動態配置效率來看,2011—2020年,整體上看,除了亳州、宿州、阜陽、淮南這四個市,其他各市的涉農貸款的配置效率是在不斷提高的。通過進一步的分解指標可以看出,這種上升趨勢主要是近幾年的金融改革創新推動的,規模效應的貢獻度不大。

3.從涉農貸款配置效率的影響因素來看,第一產業占總體比例越大,銀行貸款存款比越高,涉農財政的有效實施,都會提高涉農貸款的配置效率。而由于金融資金外流和只注重資金規模的投入而忽視提高資源的使用效率等原因,城鄉二元結構和涉農貸款比重的增大則會降低涉農貸款的配置效率。

(二)政策建議

基于上文對涉農貸款配置效率的評價及影響因素分析,本文提出以下提升效率的政策建議:

1.鼓勵金融機構提高其內部管理效率,同時進行涉農金融產品的創新。針對技術進步對涉農貸款配置效率的促進作用,所以要加大金融機構關于涉農金融服務的創新,使其能夠針對性地推出更多符合農村特色優勢產業的金融產品和服務,進而推動農村產業結構升級,加快農村經濟發展。

2.相關部門也要根據本市的具體問題,選擇合適的方法來提高涉農貸款的配置效率,不能一味地增加資金的投入,而忽視提高資金的使用效率,這樣只會由于資源的錯配,而出現浪費資源的情況。要綜合考慮規模效率和純技術效率的結合,這樣才能有效地提高涉農貸款的配置效率。

3.城鄉二元機構之間存在的資金回報率差距和農業信貸面臨的高風險會使得金融資源流出農村,從而降低涉農貸款的配置效率。因此,要統籌城鄉發展,在大力推進城鎮化建設的基礎上還要注重農村經濟的發展,減小城鄉差距。同時也要完善金融機構的風險管控機制降低涉農信貸得不良貸款率,提高涉農信貸的穩定性和持久性。通過政府主導和市場配置相結合,農村的金融資源需求才能夠更好地得到滿足,金融資源的使用效率才能夠進一步被提高,從而起到應有的支持鄉村振興的作用。