安徽省綠色信貸與農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型關(guān)系研究

孟 凱 王一赫

1.安徽農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院，安徽 合肥 230036；2.安徽農(nóng)業(yè)大學(xué)人文社會科學(xué)學(xué)院，安徽 合肥 230036

0 引言

加快助力綠色金融發(fā)展，是銀行業(yè)推動經(jīng)濟(jì)綠色發(fā)展的重要任務(wù)之一。綠色信貸是我國銀行業(yè)做好綠色金融工作的重要工具和路徑，大力發(fā)展綠色信貸有助于提升綠色金融賦能綠色發(fā)展的質(zhì)量和水平。安徽省作為我國的農(nóng)業(yè)大省，近年來大力推進(jìn)農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型升級，不斷加強(qiáng)生態(tài)文明建設(shè)。筆者主要探討安徽省綠色信貸與農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型的關(guān)系，旨在為推進(jìn)當(dāng)?shù)剞r(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型提供參考。

1 文獻(xiàn)綜述

滕偉[1］通過分析我國綠色金融發(fā)展的實(shí)際情況，構(gòu)造相關(guān)模型并進(jìn)行實(shí)證分析，以論證綠色金融對商業(yè)銀行盈利能力的影響。袁敏菁[2］選取2009—2019年205 個地級市為研究對象，對中國各地區(qū)綠色金融和經(jīng)濟(jì)綠色增長進(jìn)行了測度和特征分析；同時，深入探究綠色金融影響中國經(jīng)濟(jì)綠色增長的內(nèi)在機(jī)理，并基于雙向固定效應(yīng)等模型，實(shí)證分析了綠色金融對中國經(jīng)濟(jì)綠色增長的影響。李虹等[3］從全國30 個?。ㄗ灾螀^(qū)、直轄市）2015—2019 年碳排放量數(shù)據(jù)發(fā)現(xiàn)，綠色金融發(fā)展情況對碳排放的影響存在地理空間差異，部分地區(qū)發(fā)展綠色金融與碳中和目標(biāo)契合度不高。據(jù)此，整理和總結(jié)了3 個綠色金融改革試驗(yàn)區(qū)省份的經(jīng)驗(yàn)做法，并從地理空間差異視角提出了改進(jìn)的建議。陶信林[4］利用江西省2011—2020 年時間序列數(shù)據(jù)，采用VAR 模型和方差分析，實(shí)證檢驗(yàn)了綠色金融對農(nóng)村產(chǎn)業(yè)融合的影響，并結(jié)合VAR 模型的方差分析，提出相應(yīng)的解決對策。

2 模型介紹和數(shù)據(jù)選取

2.1 向量自回歸模型（VAR模型）

向量自回歸模型（Vector Autoregressive，VAR 模型）[5］是一種多元時間序列模型，用于估計(jì)多個變量之間的動態(tài)關(guān)系。VAR模型的基本形式為

式（1）中：Yt是k維內(nèi)序列變量的一個列向量；Ai是一個k×k的矩陣，表示第i個時滯期的系數(shù)；p是模型的滯后期數(shù)；εt是一個k維白噪聲隨機(jī)變量的列向量。在實(shí)際研究中，往往難以確定多個變量之間的因果關(guān)系，而向量自回歸模型提供了良好的解決思路。

2.2 數(shù)據(jù)選取

筆者選取安徽省各年商業(yè)銀行涉農(nóng)貸款量[6］（loan）衡量安徽省綠色信貸水平，選取安徽省各年農(nóng)業(yè)化肥使用量[7］（num）和農(nóng)業(yè)碳排放量[8］（c）衡量安徽省農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型水平。這主要是因?yàn)榘不帐∞r(nóng)業(yè)產(chǎn)業(yè)在相關(guān)政策要求下不斷進(jìn)行綠色轉(zhuǎn)型，有機(jī)作物種植面積不斷擴(kuò)大，化肥使用量增大，因此，化肥使用量指標(biāo)能一定程度上衡量農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型狀況。同時，在“雙碳”目標(biāo)下，農(nóng)業(yè)碳排放量能代表安徽省農(nóng)業(yè)產(chǎn)業(yè)綠色轉(zhuǎn)型情況，因此選取農(nóng)業(yè)碳排放量指標(biāo)。

筆者選取安徽省2000—2020 年的商業(yè)銀行涉農(nóng)貸款（loan）、化肥使用量（num）及農(nóng)業(yè)碳排放量（c）進(jìn)行分析，數(shù)據(jù)主要來自安徽省統(tǒng)計(jì)局官網(wǎng)和國泰安數(shù)據(jù)庫，使用的統(tǒng)計(jì)分析軟件為Stata 17.0。

碳排放量主要包括柴油碳排放量、化肥碳排放量、農(nóng)藥碳排放量、農(nóng)膜碳排放量、灌溉碳排放量、翻耕碳排放量，計(jì)算公式為

式（2）中：∝表示碳排放系數(shù)，筆者所選取的碳排放系數(shù)及參考來源如表1 所示；N表示農(nóng)業(yè)產(chǎn)業(yè)在不同方面的碳排放量。

表1 主要碳排放系數(shù)

2.3 數(shù)據(jù)預(yù)處理

為方便后續(xù)數(shù)據(jù)分析，筆者對所研究數(shù)據(jù)取對數(shù)，研究lnloan、lnnum和lnc這3 個變量的關(guān)系。數(shù)據(jù)的描述性統(tǒng)計(jì)結(jié)果如表2所示。

表2 描述性統(tǒng)計(jì)結(jié)果

3 實(shí)證分析與結(jié)果

3.1 平穩(wěn)性檢驗(yàn)

平穩(wěn)性檢驗(yàn)主要是檢驗(yàn)時間序列數(shù)據(jù)是否平穩(wěn)，能保證選取的數(shù)據(jù)具有意義，避免出現(xiàn)偽回歸現(xiàn)象。首先，筆者對時間序列進(jìn)行增廣迪基-福勒檢驗(yàn)（Augmented Dickey-Fuller test，ADF檢驗(yàn)），從而保障數(shù)據(jù)分析的可行性。如果ADF 檢驗(yàn)的P值小于預(yù)設(shè)的顯著性水平（0.05），則拒絕原假設(shè)，認(rèn)為時間序列是平穩(wěn)的；反之，則認(rèn)為時間序列是非平穩(wěn)的。在經(jīng)過一階差分后，3 個變量均拒絕原假設(shè)（見表3），因此時間序列是平穩(wěn)的。

表3 ADF檢驗(yàn)結(jié)果

3.2 確定最優(yōu)滯后階數(shù)

通過赤池信息準(zhǔn)則（AIC）、HQ 信息準(zhǔn)則（HQIC）和似然比檢驗(yàn)（LR）等參數(shù)數(shù)量準(zhǔn)則[一般情況使用AIC 和SC 準(zhǔn)則進(jìn)行檢驗(yàn)，若AIC 和SC 準(zhǔn)則不一致時，需要通過LR 準(zhǔn)則進(jìn)行取舍，同時可用其他同類準(zhǔn)（HQIC準(zhǔn)則）進(jìn)行輔助檢驗(yàn)］可以確定該模型的最優(yōu)滯后階數(shù)。從表4 可知，當(dāng)AIC 和HQIC 最小，LR 最大時，滯后階數(shù)均為4 階，因此可確定4 階為此模型的最優(yōu)滯后階數(shù)。

表4 滯后期選取結(jié)果

3.3 構(gòu)建VAR模型

在確定最優(yōu)滯后階數(shù)后，筆者構(gòu)建了VAR 模型。構(gòu)建的VAR模型為

筆者采用AR 特征根檢驗(yàn)法確定模型的平穩(wěn)性。從Stata 數(shù)據(jù)處理結(jié)果來看（見圖1），共存在12 個單位根，且所有特征根都在單位圓以內(nèi)，說明該系統(tǒng)是平穩(wěn)的，可繼續(xù)進(jìn)行后續(xù)分析。

圖1 AR特征根結(jié)果

3.4 格蘭杰因果檢驗(yàn)

在前文確定最優(yōu)滯后階數(shù)為4 階的基礎(chǔ)上，對系統(tǒng)進(jìn)行格蘭杰因果檢驗(yàn)，結(jié)果如表5 所示。根據(jù)表5，當(dāng)P值小于0.05 時，后者變量是前者變量的原因。因此，商業(yè)銀行涉農(nóng)貸款（lnloan）增加是農(nóng)業(yè)碳排放量（lnc）得到控制的原因（P=0.008＜0.05）。同時，隨著相關(guān)政策的出臺，農(nóng)業(yè)行業(yè)自發(fā)性進(jìn)行產(chǎn)業(yè)轉(zhuǎn)型，碳排放量和化肥的使用量受到約束，碳排放量（lnc）和化肥使用量（lnnum）的約束能進(jìn)一步增加商業(yè)銀行涉農(nóng)貸款（lnloan）的需求量（P=0.000＜0.05）。

表5 格蘭杰因果檢驗(yàn)結(jié)果

3.5 正交脈沖響應(yīng)分析

在脈沖響應(yīng)模型中，系統(tǒng)的輸出信號可以通過輸入信號與系統(tǒng)的脈沖響應(yīng)函數(shù)的卷積來計(jì)算。脈沖響應(yīng)函數(shù)描述了系統(tǒng)對一個單位脈沖信號的響應(yīng)。筆者在對3 個變量進(jìn)行脈沖響應(yīng)分析后，選取兩個具有代表性的響應(yīng)圖進(jìn)行分析。

圖2 是lnnum對lnloan的脈沖響應(yīng)。從圖2 可以看出，在前4期，銀行信貸受到了來自化肥使用量的正向沖擊，并且在第3 期達(dá)到頂峰，然后開始下降，從第6期后逐漸達(dá)到平穩(wěn)水平。這說明在農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型取得初步成果后，進(jìn)行農(nóng)業(yè)生產(chǎn)的個人和企業(yè)對相關(guān)農(nóng)業(yè)貸款的需求處于較高增長水平。

圖2 ln num對ln loan脈沖響應(yīng)圖

圖3是lnnum對lnc的脈沖響應(yīng)。從圖3可以看出，在前4期，農(nóng)業(yè)碳排放量受到了來自化肥使用量的正向沖擊，第4期后，沖擊逐漸下降，漸漸達(dá)到平穩(wěn)水平。從圖上可知，化肥使用量對農(nóng)業(yè)碳排放量影響顯著。

圖3 ln num對ln c脈沖響應(yīng)圖

3.6 方差分解

為進(jìn)一步準(zhǔn)確了解3個變量之間的沖擊和影響程度，筆者對lnnum、lnloan、lnc這3 個變量進(jìn)行方差分解，具體變量方差分解[9］結(jié)果如表6所示。

從表6 可知，農(nóng)業(yè)化肥使用量在8 期內(nèi)受自身影響較大，受商業(yè)銀行涉農(nóng)貸款量及農(nóng)業(yè)碳排放量影響較小。出現(xiàn)這種現(xiàn)象的原因主要在于安徽省內(nèi)農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型政策的要求，將工作重心放在推動化肥、農(nóng)藥等使用減量上，促進(jìn)綠色新農(nóng)政策落實(shí)，因此化肥使用量得到有效控制。商業(yè)銀行涉農(nóng)貸款在第1 期主要受到自身的影響，貢獻(xiàn)度達(dá)到93.23%，但隨著時間的推移，其受化肥使用量的影響越來越大，化肥使用量對貸款的貢獻(xiàn)率長期保持在50%以上，受農(nóng)業(yè)碳排放量影響較小，總體貢獻(xiàn)度一直維持在5%左右。由此可見，安徽省在農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型過程中，農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型對商業(yè)銀行涉農(nóng)貸款的需求影響不斷加大。農(nóng)業(yè)碳排放量在第1 期就受到來自化肥使用量極大的沖擊，化肥使用量對農(nóng)業(yè)碳排放量貢獻(xiàn)度高達(dá)91.49%，在此后時間內(nèi)，其對農(nóng)業(yè)碳排放量貢獻(xiàn)度一直保持在90%以上，這表明化肥使用量直接影響農(nóng)業(yè)碳排放量。與此同時，商業(yè)銀行涉農(nóng)貸款對農(nóng)業(yè)碳排放量的貢獻(xiàn)度較小，第1期無明顯貢獻(xiàn)度，但隨著時間推移，貢獻(xiàn)度也緩慢增加，但增幅較小，這表明綠色信貸的效果需要長時間觀察，短期內(nèi)效果較弱。

表6 變量方差分解結(jié)果 %

4 結(jié)論和建議

4.1 結(jié)論

①格蘭杰因果檢驗(yàn)表明，綠色信貸能影響農(nóng)業(yè)碳排放量，促進(jìn)產(chǎn)業(yè)轉(zhuǎn)型。②脈沖響應(yīng)結(jié)果表明，農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型取得初步成果后，進(jìn)行農(nóng)業(yè)生產(chǎn)的個人和企業(yè)對相關(guān)農(nóng)業(yè)貸款的需求處于較高增長水平。③方差分解表明，農(nóng)業(yè)化肥使用量受自身影響較大，受商業(yè)銀行涉農(nóng)貸款量及農(nóng)業(yè)碳排放量影響較??；商業(yè)銀行涉農(nóng)貸款在第1 期主要受到自身的影響，但隨著時間的推移，其受化肥使用量的影響越來越大，受農(nóng)業(yè)碳排放量影響較?。换适褂昧繉r(nóng)業(yè)碳排放量貢獻(xiàn)度較大，商業(yè)銀行涉農(nóng)貸款對農(nóng)業(yè)碳排放量的貢獻(xiàn)度較小。

4.2 建議

第一，安徽省農(nóng)業(yè)產(chǎn)業(yè)發(fā)展應(yīng)該制定可持續(xù)發(fā)展目標(biāo)，并將其納入未來經(jīng)濟(jì)發(fā)展中。這些目標(biāo)可包括減少碳排放、提高資源利用效率、促進(jìn)生態(tài)保護(hù)等。第二，安徽省應(yīng)進(jìn)一步提高綠色信貸的利用率，同時加強(qiáng)貸款使用的針對性。銀行應(yīng)對綠色信貸項(xiàng)目進(jìn)行跟蹤監(jiān)管，確保貸款按照相關(guān)協(xié)議運(yùn)用在合適的農(nóng)業(yè)領(lǐng)域，提高農(nóng)業(yè)貸款利用率。