農(nóng)村信貸可得性影響因素研究
——基于Adaptive Logistic Lasso Regression回歸方法

王新玲

（中國社會科學(xué)院研究生院，北京 102488）

農(nóng)村信貸可得性影響因素研究
——基于Adaptive Logistic Lasso Regression回歸方法

王新玲

（中國社會科學(xué)院研究生院，北京 102488）

基于中國家庭收入調(diào)查項目 （CHIP） 2013年度數(shù)據(jù)的農(nóng)村住戶調(diào)查部分，運用Adaptive Logistic Lasso Regression模型實證研究了農(nóng)村信貸市場中影響農(nóng)戶信貸可得性的因素。研究結(jié)果與現(xiàn)有文獻并不完全一致，農(nóng)戶動產(chǎn)總額、金融資產(chǎn)總額、當(dāng)年度非農(nóng)業(yè)經(jīng)營性固定資產(chǎn)對農(nóng)戶信貸可得性具有顯著影響，農(nóng)戶其他的人口學(xué)特征（年齡、教育、健康程度等）、工作性質(zhì)、是否購買保險和擁有土地面積等對可獲得貸款不具顯著影響；信貸供給端的貸款績效風(fēng)險—激勵機制、貸款代理人的個人特質(zhì)及職業(yè)素質(zhì)等很大程度上也會影響信貸可獲得性。

農(nóng)村信貸；可得性；普惠金融

一、引言

農(nóng)村金融是我國金融體系中相對薄弱的環(huán)節(jié)，中國的農(nóng)村信貸市場依然有待完善。2015年國務(wù)院發(fā)布了《推進普惠金融發(fā)展規(guī)劃（2016—2020年）》，其中提到要為小微企業(yè)、農(nóng)民、城鎮(zhèn)低收入人群等提供普惠金融服務(wù)。近年來，雖然政府信貸支農(nóng)助農(nóng)力度不減，但中國農(nóng)村居民依然面臨著較為嚴(yán)重的金融約束問題（汪昌云等，2014）。分析農(nóng)村信貸市場中影響農(nóng)戶信貸可得性的影響因素，有助于提高農(nóng)村金融服務(wù)水平，完善農(nóng)村金融，克服因金融資源分布不均衡而加大的城鄉(xiāng)差距。

發(fā)展中國家的農(nóng)村金融市場大多包括正規(guī)金融市場和非正規(guī)金融市場（Barslund等，2008），中國也是如此（張兵和張寧，2012）。在農(nóng)村正規(guī)金融市場中，農(nóng)戶因缺少合格的抵押品和擔(dān)保，且所借資金用途不夠明確，償還能力難以評估，導(dǎo)致正規(guī)信貸渠道融資難問題。因此，很多有信貸需求的農(nóng)戶可能轉(zhuǎn)而選擇非正規(guī)金融市場，即來自非營利性的親朋熟人借貸，以及私人貸款、借款組織，如專業(yè)放債人、零售商和典當(dāng)商等（Cheng和Xu，2004）。在農(nóng)村的信貸市場上，非正規(guī)金融渠道甚至比正規(guī)金融渠道更普遍（Ghate等，1992）。

除了從兩類金融市場的視角研究農(nóng)村信貸行為外，現(xiàn)有文獻也主要從信貸市場的兩端，即需求方與供給方分別研究信貸可得性的影響因素，目前對前者的實證研究更多一些。關(guān)于農(nóng)戶信貸需求的影響因素，大都集中在農(nóng)戶人口學(xué)特征、家庭特征、社會經(jīng)濟狀況等對消費需求的影響。呂德宏和朱瑩（2017）將農(nóng)戶分為務(wù)農(nóng)型、務(wù)工型和經(jīng)商型三類，務(wù)農(nóng)型農(nóng)戶信貸風(fēng)險的影響因素為家庭耕地面積和年齡，務(wù)工型影響因素多為農(nóng)戶年齡、家庭勞動力占比和政府貼息。王曙光和王東賓（2011）通過Probit模型估計發(fā)現(xiàn)，家庭人口數(shù)量、平均年齡越大，獲得貸款的可能性越??；家庭千元以上財產(chǎn)越多、房產(chǎn)價值越高的人獲得貸款的可能性越大。目前關(guān)于收入因素與信貸需求關(guān)系的研究結(jié)論并不一致，謝昊男（2011）的研究認(rèn)為，農(nóng)戶收入增加引致信貸需求的增加，收入的增長保證其一定的還款能力，從而激發(fā)了新資金借貸的需求。但彭克強和劉錫良（2016）持相反觀點，認(rèn)為伴隨農(nóng)戶人均收入水平的提高，其非農(nóng)創(chuàng)業(yè)意愿加強，農(nóng)戶感受到的正規(guī)信貸約束并無減輕，反而明顯加重。秦建群等（2011）通過用Logistic模型研究認(rèn)為，農(nóng)戶的家庭收入、家庭規(guī)模、家庭負(fù)擔(dān)率以及是否購買養(yǎng)老保險對農(nóng)戶的信貸需求有顯著的正向影響，樣本農(nóng)戶的年齡與信貸需求之間成倒U形關(guān)系，且農(nóng)戶從事的經(jīng)濟活動類型也會影響信貸需求，純農(nóng)業(yè)農(nóng)戶對信貸需求有顯著的正向影響，而非農(nóng)業(yè)農(nóng)戶（兼業(yè)農(nóng)戶）對信貸需求有顯著的負(fù)向影響。

從供給端來看，信貸可獲得性的影響因素中，對貸款人（金融機構(gòu)）來講，農(nóng)業(yè)保險可被視作一種有效的抵押品替代信號，增加農(nóng)戶信貸可得性和信貸額（任樂等，2017）；農(nóng)地產(chǎn)權(quán)也是影響農(nóng)村金融市場的重要因素，農(nóng)戶農(nóng)地確權(quán)和農(nóng)地流轉(zhuǎn)有助于顯著提高農(nóng)戶的名義信貸需求（張龍耀等，2015）。胡楓和陳玉宇（2012）發(fā)現(xiàn)社交網(wǎng)絡(luò)（“關(guān)系”）對農(nóng)戶信貸可得性有正向影響，戶主為女性且受教育程度不高的農(nóng)戶不太容易獲得正規(guī)金融機構(gòu)貸款且貸款額較小，經(jīng)濟條件好的農(nóng)戶則更可能從正規(guī)金融機構(gòu)獲得較多的貸款。

現(xiàn)有的研究文獻中，數(shù)據(jù)大都來自區(qū)域性問卷調(diào)查，時間跨度相對較?。ㄍǔ?—3個月），樣本代表性可能存在不足。本文采用中國家庭收入調(diào)查項目（Chinese Household Income Project）中的農(nóng)村住戶樣本數(shù)據(jù)，時間長達12個月（2013年全年），涉及全國各省市共11013戶樣本農(nóng)戶，樣本具有較強的代表性。同時在分析方法上，目前大多數(shù)研究借用傳統(tǒng)的Logistic或Probit模型進行回歸分析，難以剔除變量間多重共線性的影響，且在高維度變量情況下導(dǎo)致預(yù)測精度大大降低，本文采用的Adaptive Logistic Lasso Regression模型，可有效進行高維度數(shù)據(jù)回歸，同時克服了數(shù)據(jù)集變量之間的多重共線性問題，極大地提高模型解釋能力與預(yù)測精度。

二、數(shù)據(jù)

本文使用的數(shù)據(jù)來自于北京師范大學(xué)中國收入分配研究院公布的中國家庭收入調(diào)查項目 （CHIP）2013年度數(shù)據(jù)，本研究使用的是其農(nóng)村住戶調(diào)查部分。CHIP2013的樣本來自國家統(tǒng)計局2013年城鄉(xiāng)一體化常規(guī)住戶調(diào)查大樣本庫，覆蓋全部31個省（市、自治區(qū)）的16萬戶居民，按照東、中、西分層，從15個省份126個城市234個縣區(qū)抽樣選出11013戶（本文中有效樣本為10490戶）農(nóng)村住戶樣本。

被解釋變量：凡在2013年向農(nóng)村正規(guī)金融機構(gòu)申請過貸款的農(nóng)戶，無論是否申請到，本文都將其視為具有借貸行為的農(nóng)戶；在表1中因變量“農(nóng)戶借貸①”為二元離散變量，樣本農(nóng)戶答案為②與③時，取值為0；而答案為③時，取值為1。需要指出的是，CHIP問卷中關(guān)于借貸問題的設(shè)計是“您或您家庭中的成員是否從銀行、農(nóng)村信用社、其他商業(yè)或金融機構(gòu)、其他正規(guī)放貸組織或民間放貸者那里提出過借貸申請或要求”，所以本文模型中并未嚴(yán)格區(qū)分正規(guī)和非正規(guī)信貸市場，將問卷中不同信貸供給方統(tǒng)一視為信貸供給者（逐利性的）②。

解釋變量：為了減少因缺少重要變量而出現(xiàn)的模型偏差問題，本文選取了調(diào)查中24個自變量，為了方便描述，分別列表。表1描述的大多為定類變量，包括農(nóng)戶的年齡、婚姻狀況、政治面貌、受教育程度、健康狀況、是否村干部、是否殘疾，以及農(nóng)戶的工作類型、合同性質(zhì)和養(yǎng)老保險福利等變量。表2的變量統(tǒng)計描述都是可量化變量，包括近三年的可支配收入（2011—2013），農(nóng)業(yè)工作時長（從事家庭農(nóng)林牧漁）、非農(nóng)工作時長、金融資產(chǎn)總額、負(fù)債余額、農(nóng)業(yè)及非農(nóng)經(jīng)營性資產(chǎn)、動產(chǎn)總額及擁有土地面積。

為了消除各變量不同量綱帶來的影響，同時消除由于異方差性給模型造成的偏誤，本文已對所有自變量進行標(biāo)準(zhǔn)化處理；且在計量分析中將農(nóng)戶的每一筆借款作為一個獨立的借貸行為樣本進行分析；對于樣本中的缺失數(shù)據(jù)（數(shù)量很少），在計量處理中用該項目數(shù)據(jù)的平均值作補充。

從表3中可以粗略地看出，農(nóng)村信貸市場中，向親戚、朋友借款的農(nóng)戶數(shù)量比向營利性借貸機構(gòu)的多，親朋借貸中所有借貸均會被滿足的比例相對高一點，這點也已被實證研究證實（Ghate等，1992）；未選擇向營利性金融結(jié)構(gòu)提出貸款的最主要原因是農(nóng)戶覺得提出申請會被拒絕，這和現(xiàn)有文獻結(jié)論相似，即除了正規(guī)金融機構(gòu)的外部性約束外，農(nóng)戶自身存在的認(rèn)知偏差和行為偏差也使得農(nóng)戶難以借助金融機構(gòu)有效融資（王冀寧和趙順龍，2007）。而在農(nóng)戶的認(rèn)知中，他們覺得向銀行、農(nóng)信社等金融機構(gòu)或其他借貸組織等貸款會被拒絕的前六大主要原因是“沒有人作擔(dān)?！薄ⅰ笆杖氲?、信貸員擔(dān)心還不起”、“有欠款未還清”、“沒有抵押品”以及“與信貸員不熟悉”。

表1：農(nóng)戶借貸可得性變量描述（定類變量部分）

表2：農(nóng)戶借貸可得性變量（變量可量化部分）

表3：不同貸款渠道貸款情況統(tǒng)計

三、實證分析

為了避免多重共線性而產(chǎn)生的可能偏差，在自變量為多維數(shù)據(jù)集的情況下，本文選取Adaptive Logistic Lasso Regression（ALLR）方法進行模型的建立和自變量的選擇，這是目前計量經(jīng)濟學(xué)比較前沿的一種模型回歸方法，具有很高的解釋力和精確度。

Lasso Regression允許盡可能多地選取自變量，排除因先入為主的觀念而遺漏的變量，同時可以通過對偏差估計量縮減，剔除變量之間的線性關(guān)系，最后將對因變量不具有顯著影響的變量系數(shù)壓縮為零，非零參數(shù)所對應(yīng)的則是對因變量具有顯著影響的自變量。而傳統(tǒng)的Logistic Regression并不適合高維變量數(shù)據(jù)集，且變量之間可能存在多重共線性，在結(jié)果中很難剔除。

（一）傳統(tǒng)Logistic模型

假設(shè)有二元變量yi，其中：

pi為yi=1時的概率并且與自變量xi相關(guān)。因此，Logistic回歸模型可以被定義為：

在上式中β為(k+1)×1包含有常數(shù)項的回歸系數(shù)向量。同時定義xi為長度為k+1的自變量向量。那么p(xi)可以寫為：

所以當(dāng)有N個觀測值時，似然方程為：

對數(shù)似然方程為：

假設(shè)βj為向量β的第j個變量，那么βj的最大似然估計值的滿足條件為：

（二）Adaptive Lasso模型

Zou（2006）提出Adaptive Lasso方法的動機來源于Tibshirani（1996）提出的Lasso方法。Adaptive Lasso方法對傳統(tǒng)Lasso的懲罰項進行改良，確保了Lasso方法在合適的懲罰項約束下具有理想性質(zhì)，即：第一，變量選擇的有效性；第二，系數(shù)估計具有和真實模型已知系數(shù)一致的大樣本性質(zhì)。

對于使用OLS估計的一般線性模型，Adaptive Lasso估計值為：

應(yīng)用于Logistic回歸時將Loss Function替換為異號的對數(shù)似然方程：

其中，λ為常數(shù)參數(shù)，定義為調(diào)和參數(shù)；為基于最大似然估計的自適應(yīng)權(quán)重，γ＞0，且一般情況下，γ=2。

另外，對于參數(shù)λ，我們假設(shè)有c個候選項。最優(yōu)參數(shù)的選擇基于BIC（貝葉斯信息準(zhǔn)則）：

常數(shù)z為向量β中非零的個數(shù)。顯然對于不同的調(diào)和參數(shù)，估計值和β中非零的個數(shù)并不相同。在所有c個候選參數(shù)中，最優(yōu)的調(diào)和參數(shù)使得BIC的值最大。

四、結(jié)論和討論

表5：ALLR模型回歸結(jié)果

在ALLR模型的回歸結(jié)果中，系數(shù)非零的只有常數(shù)項，金融資產(chǎn)總額、2013年度非農(nóng)業(yè)經(jīng)營性資產(chǎn)（非農(nóng)業(yè)經(jīng)營性固定資產(chǎn)現(xiàn)價估計凈值）和動產(chǎn)總額，即農(nóng)戶的金融資產(chǎn)總額、本年度非農(nóng)業(yè)經(jīng)營性固定資產(chǎn)、動產(chǎn)總額以及常數(shù)項包含的可能變量（非本文所覆蓋的變量）對農(nóng)戶信貸可得性有顯著正向影響，回歸結(jié)果與現(xiàn)有文獻結(jié)論并不完全一致。

首先，從農(nóng)戶人口學(xué)特征來看，農(nóng)戶的教育水平（Nguyen，2007）以及年齡因素（Li等，2011）在先前的研究中被證實與信貸供給呈現(xiàn)倒U形關(guān)系，但在本文的ALLR模型中，我們并沒有發(fā)現(xiàn)這兩個變量對因變量有顯著影響，且考慮到年齡對信貸可得性的影響可能非線性，我們將（戶主年齡的平方/100）作為一個單獨變量添加到原模型重新回歸之后，結(jié)果無異。因此單從計量模型角度，筆者推測戶主的教育水平和年齡很可能會與模型中的其他變量自相關(guān)，即教育水平和年齡相對較高的人，所擁有的資產(chǎn)總額（或可抵押物）就越多，獲得信貸的可能性也許越高，而在傳統(tǒng)的logistic模型中，這種變量的多重共線性很難剔除掉，所以使用Logistic模型所得結(jié)論可能就會是年齡或教育水平對信貸可獲得性具有正向影響。農(nóng)戶的婚姻狀況、政治面貌、健康狀況、是否村干部均對信貸可得性無顯著影響。

其次，本文ALLR模型估計的動產(chǎn)總額對信貸可得性的影響系數(shù)比較高（β=1.0894），這也符合經(jīng)驗結(jié)論。本文的動產(chǎn)總額為2013年末住戶動產(chǎn)（包括汽車、黃金、耐用品）。農(nóng)戶融資難的主要原因之一就是缺少合適的抵押品或擔(dān)保人，所以金融機構(gòu)等信貸供給方為了降低風(fēng)險，可能會轉(zhuǎn)而參考農(nóng)戶動產(chǎn)情況。進一步而言，我們也注意到回歸結(jié)果中“擁有土地面積”對信貸可獲得性不具有顯著影響，這和傳統(tǒng)慣例中不動產(chǎn)抵押的不同之處是現(xiàn)行體制下大部分農(nóng)村土地和房屋不可流轉(zhuǎn)抵押，因此農(nóng)戶所擁有的土地數(shù)量對信貸供給者參考意義不大。

同樣的，本年度非農(nóng)業(yè)經(jīng)營性固定資產(chǎn)現(xiàn)價估計凈值對信貸可得性具有顯著性正向影響（β=0.65）。在CHIP數(shù)據(jù)手冊說明中，“非農(nóng)業(yè)經(jīng)營性固定資產(chǎn)指非農(nóng)業(yè)生產(chǎn)經(jīng)營戶在家庭或個人從事的非農(nóng)業(yè)生產(chǎn)經(jīng)營活動中，所擁有的使用期限較長、直接參加或服務(wù)于生產(chǎn)經(jīng)營過程的房屋建筑物、機器設(shè)備、器具工具等資產(chǎn)”。非農(nóng)經(jīng)營性活動包括非純農(nóng)業(yè)農(nóng)戶經(jīng)營的小生意、小買賣、小店鋪或小作坊等非農(nóng)經(jīng)營項目，一般來說，這類農(nóng)戶使用資金效率相對高些，以該類固定資產(chǎn)作抵押或擔(dān)保更容易獲得信貸。

再者，農(nóng)戶本年度的金融資產(chǎn)余額（包括現(xiàn)金、存款、股票、基金等）也對信貸可得性具有顯著性正向影響（β=0.2770），盡管其參數(shù)值小于動產(chǎn)總額和非農(nóng)業(yè)經(jīng)營性固定資產(chǎn)；這和現(xiàn)有文獻相似，王曙光和王東賓（2011）認(rèn)為家庭千元以上財產(chǎn)越多，獲得貸款的可能性越大。在缺少有效抵押品的情況下，農(nóng)戶可證實的金融資產(chǎn)總額越高，說明償還能力就越高。

最后，本模型中的常數(shù)項估計值（λ=1.765）大于其他自變量的系數(shù)估測值，可以推測在本文模型所覆蓋的農(nóng)戶家庭特征、人口學(xué)特征、社會經(jīng)濟條件等自變量之外，從信貸供給端來看，結(jié)合現(xiàn)有文獻的實證研究，信貸可得性還與農(nóng)戶社會網(wǎng)絡(luò)、信貸供給方信貸激勵機制設(shè)計、信貸員的主觀選擇偏好等具有相關(guān)性。社會學(xué)家費孝通（2007）曾指出，農(nóng)村社會就是一張因血緣、地緣、姻親等關(guān)系而結(jié)成的關(guān)系網(wǎng)，農(nóng)戶的“政治關(guān)系、人際關(guān)系、組織關(guān)系”等社會關(guān)系可視作一種信用擔(dān)保，對獲得金融資源有正向影響，一旦農(nóng)戶信貸違約，也將損害其長期積累的社會資本。即便在正規(guī)金融市場中，金融機構(gòu)在信貸決策時也會考慮貸款人的社會信用和社會關(guān)系（Akoten等，2006）。貸款農(nóng)戶如果能夠認(rèn)識所貸款銀行的客戶或銀行職員，或者獲得他們的推薦都將有助于獲得貸款（Vaessen，2001）。同時，金融機構(gòu)等信貸供給方對信貸員的績效—風(fēng)險激勵機制以及信貸員本身的個人特質(zhì)、職業(yè)素質(zhì)會在信貸決策中施加影響（Cole等，2015）。有研究在對14名以色列銀行信貸員進行深度訪談后發(fā)現(xiàn)，相比硬性的財務(wù)數(shù)據(jù)，信貸員更多地借助于“直覺”做出信貸決策（Lipshitz等，2007）；因此，本模型中的常數(shù)項估計值所對應(yīng)的變量很大程度上比農(nóng)戶其他的硬性財務(wù)指標(biāo)對信貸可獲得性的影響更大。

健全高效的農(nóng)村信貸市場對縮小城鄉(xiāng)差距具有重大意義。及時的信貸有助于農(nóng)村居民平滑消費曲線，增加農(nóng)戶資本積累和提高收入，跳出貧窮的惡性循環(huán)。金融機構(gòu)應(yīng)建立適合農(nóng)村信貸市場的信貸決策機制，可以深入到農(nóng)村社區(qū)了解農(nóng)戶的社會網(wǎng)絡(luò)和生產(chǎn)活動，克服信息不對稱，弱化傳統(tǒng)財務(wù)指標(biāo)的參考意義，改變農(nóng)戶融資認(rèn)知偏差。政府層面應(yīng)加快推進農(nóng)村土地和房屋流轉(zhuǎn)抵押制度的確定和推廣，盤活農(nóng)村資產(chǎn)尤其是不動產(chǎn)，提高農(nóng)村居民的融資能力，建立農(nóng)村普惠制的金融制度。

注：

①CHIP調(diào)查有關(guān)家庭借貸方面的問題時是以家戶（household）為單位的，已避免同一家庭成員之間可能出現(xiàn)的重復(fù)樣本數(shù)據(jù)。

②區(qū)別于農(nóng)戶向親戚或朋友借貸（農(nóng)村社會中大多是不需要償還利息，因此可視為非營利性的）。

③分別根據(jù)CHIP調(diào)查中變量代碼n02_1、n03_1、n02_2、n03_2統(tǒng)計得出。

[1]Barslund，M.，Tarp，F(xiàn).2008.Formal and informal rural credit in four provinces of Vietnam[J].The Journal of Development Studies，44（4）.

[2]Cheng，E.，Xu，Z.2004.Rates of interest，credit supply and China’s rural development[J].Savings and Development.

[3]Zou，H.2006.The adaptive lasso and its oracle properties[J].Journal of the American Statistical Association，101（476）.

[4]Tibshirani，R.1996.Regression shrinkage and selection via the lasso[J].Journal of the Royal Statistical Society.Series B（Methodological）.

[5]Cole，S.，Kanz，M.，&Klapper，L.2015.Incentivizing Calculated Risk-Taking：Evidence from an Experiment with Commercial Bank Loan Officers[J].The Journal of Finance，70（2）.

[6]Lipshitz，R.，&Shulimovitz，N.2007.Intuition and emotion in bank loan officers’credit decisions[J].Journal of Cognitive Engineering and Decision Making，1（2）.

[7]胡楓，陳玉宇.社會網(wǎng)絡(luò)與農(nóng)戶借貸行為——來自中國家庭動態(tài)跟蹤調(diào)查（CFPS）的證據(jù)[J].金融研究，2012，（12）.

[8]呂德宏，朱瑩.農(nóng)戶小額信貸風(fēng)險影響因素層次差異性研究[J].管理評論，2017，29（1）.

[9]彭克強，劉錫良.農(nóng)民增收、正規(guī)信貸可得性：與非農(nóng)創(chuàng)業(yè)[J].管理世界，2016，（7）.

[10]秦建群，呂忠偉，秦建國.中國農(nóng)戶信貸需求及其影響因素分析——基于Logistic模型的實證研究[J].當(dāng)代經(jīng)濟科學(xué)，2011，（5）.

[11]任樂，王性玉，趙輝.農(nóng)戶信貸可得性和最優(yōu)貸款額度的理論分析與實證檢驗——基于農(nóng)業(yè)保險抵押品替代視角[J].管理評論，2017，29（6）.

[12]謝昊男.發(fā)達地區(qū)農(nóng)戶信貸需求影響因素分析——基于浙江寧?？h農(nóng)村調(diào)查研究[J].農(nóng)村經(jīng)濟，2011，（7）.

[13]王冀寧，趙順龍.外部性約束、認(rèn)知偏差、行為偏差與農(nóng)戶貸款困境——來自716戶農(nóng)戶貸款調(diào)查問卷數(shù)據(jù)的實證檢驗[J].管理世界，2007，（9）.

[14]張龍耀，王夢珺，劉俊杰.農(nóng)地產(chǎn)權(quán)制度改革對農(nóng)村金融市場的影響——機制與微觀證據(jù)[J].中國農(nóng)村經(jīng)濟，2015，（12）.

[15]費孝通.鄉(xiāng)土中國[M].上海：上海世紀(jì)出版社，2007年.

[16]汪昌云，鐘騰，鄭華懋.金融市場化提高了農(nóng)戶信貸獲得嗎?——基于農(nóng)戶調(diào)查的實證研究[J].經(jīng)濟研究，2014，（10）.

[17]張兵，李丹，孟德峰.降低市場準(zhǔn)入與緩解農(nóng)戶正規(guī)信貸約束[J].金融論壇，2015，（1）.

A Study on Factors Affecting Rural Credit Accessibility——Based on Adaptive Logistic Lasso Regression

Wang Xinling
（Graduate School of ChineseAcademy of Social Sciences，Beijing 102488）

Based on the rural household survey data of the Chinese Household Income Project（CHIP） 2013，this paper uses the Adaptive Logistic Lasso Regression model to study the factors that affect rural credit availability in rural credit market.The results of the study are not completely consistent with the existing literature.Farmers'total amount of movable assets，total amount of financial assets，and the non-agricultural fixed assets in the current year have significant impact on the credit availability of rural households.Other demographic characteristics（age，education，etc.），the nature of work，whether to buy insurance and household land area have no significant impact on the availability of loans;seen from the credit supply side，the risk-incentive mechanism in financial agents，the loan officers'personal qualities and professional quality may also affect the credit availability to some extent.

rural credit，availability，inclusive finance

F832.43

A

1674-2265（2017）11-0018-06

2017-09-06

國家社科基金重大招標(biāo)項目（第一批）“面向未來的我國大國經(jīng)濟發(fā)展戰(zhàn)略研究”（項目代碼11＆ZD002）。

王新玲，女，山東臨沂人，中國社會科學(xué)院研究生院政府政策系博士研究生，研究方向為國民經(jīng)濟學(xué)、農(nóng)村經(jīng)濟、人口經(jīng)濟學(xué)。

（責(zé)任編輯 孫 軍；校對SJ，GX）