信贷配给对农户收入和消费支出的影响

信贷配给对农户收入和消费支出的影响

定量估计农户信贷配给程度国际经验表明，完善有效的农村信贷市场不仅可以提高农民的收入和福利水平，还可以减少农村地区的贫困人口，减少贫困，这一直受到富人的关注。然而近30年来,发展中国家农村信贷市场的效率非常低下,农户信贷配给的程度普遍相当严重(Stiglitz和Weiss,1981;Carter,1988;Milde和Riley,1988;Kochar,1997;Foltz,2004;Li和Zhu,2010)。之所以如此,最重要的原因就在于农村信贷市场的不完备和信息的高度不对称。由于农户生产高度分散,同时容易受到天气、市场和健康等风险冲击,信贷机构或组织很难在事前了解到农户的信息或类型(逆向选择),在事后也很难有效地监督农户贷款的用途(道德风险),需要借助于“非利率”抵押品机制,而贫困农户又正好缺乏合格的抵押品,因此,往往会导致严重的信贷配给问题(Carter,1988;Aghion和Bolton,1997;Conning和Udry,2007)。与其他发展中国家相比,我国农村信贷配给的程度尤其严重,除了产生信贷配给的共同根源外,为了服从工业和城市优先发展的战略,从20世纪50年代后期开始,我国在农村长期进行金融管制,打击抑制民间信贷活动,农村正式信贷机构充当输出农户储蓄和农业剩余的媒介和工具,直接和间接地将其从农村积聚的资金不断转移到工业部门和城市;此外,通过工农产品“剪刀差”,摄取农业剩余,直接导致农村资金的严重匮乏,成为了我国农户信贷配给最重要的原因之一。尽管这些事实在相关文献中被关注,但是,还很少有文献运用面板数据来估计我国农户遭受信贷配给的程度及其所导致的福利损失。定量估计农户信贷配给程度及其影响的现有文献可分为两类:一类是直接法(DirectMethods),这类方法通过设计调查问卷和实地询问,获知农户信贷需求和其需求得到多大程度满足等的真实信息,由此推算出农户信贷配给的程度(Ladman,1984;Bell等,1997;Diagne,1997;Mushinski,1999;Boucher等,2006;刘西川等,2009)。尽管这种方法能够简单明了地计算出农户信贷配给程度,但过度依赖农户的主观判断,理论基础模糊,且没有充分考虑利率和贷款规模。另一类是间接法(IndirectMethod),这类方法采用计量模型估计信贷配给的程度,并分析其产生的因果关系(Cristina和Meyer,1980;Feder等,1990、1992;Kochar,1997;Foltz,2004;Petrick,2004;Li和Zhu,2010),上述两类方法时常相互依赖(Petrick,2003)。早期运用计量模型估计信贷配给影响农户生产产出的方法是在回归模型的框架中,将信贷配给处理成一个虚拟解释变量(Cristina和Meyer,1980),这种方法的缺陷是忽略了信贷配给的内生性,其估计量有偏(Feder等,1990;Green,2003)。近年来,Kochar(1997)运用Biprobit模型(Poirier,1980)估计分析了印度农村的信贷配给程度,在Kochar的模型中同时考虑了信贷需求和供给;Foltz(2004)运用概率内生开关模型(ProbitEndogenousSwitchingModel)估计了突尼斯乡村的信贷配给程度及其对农户产出的影响。他们的研究虽然考虑到信贷配给的内生性特征,但仍然存在着一些问题。在他们所报道的研究结果中,往往只考虑到需求完全得不到满足的情形,即完全配给的情形;而遗漏了需求只是部分满足的情形,即部分配给的情形。如果不考虑部分配给的情形,信贷配给程度不可避免地会被低估。李锐等(2007)考虑到上述文献的缺陷,采用截面数据估计出包含完全配给和部分配给两种情形在内的信贷配给程度,但是他们的研究并没有设定一个可行的标准明确定义农户的类型,即哪些农户受到了信贷配给(完全配给或部分配给),哪些农户没有受到信贷配给,只是给出了农户遭受信贷配给的概率。在研究信贷配给的产出影响时,为了解决估计过程中的内生性问题,Krandker和Faruqe(2003)采用两阶段估计模型,Foltz(2004)和褚保金等(2009)采用内生转换模型,李锐等(2007)采用Match模型,他们的研究均表明信贷配给对农户的产出的影响显著为负。但是,这些文献在估计信贷配给的产出效果时采用的大多是截面数据,难以考察信贷配给的动态特征。本文采用2003~2009年1000个样本农户的微观面板数据,对我国农户信贷配给的程度及其所导致的福利损失进行了估计和分析。本文对文献的贡献主要体现在如下四个方面:第一,采用面板数据模型估计农户遭受信贷配给的程度及其福利影响,较好地控制了“个体异质性”的影响,避免相关估计结果出现偏误(Cameron和Trivedi,2005)。第二,设定标准,明确定义了农户的类型,即哪些农户受到了信贷配给(完全配给或部分配给),哪些农户没有受到信贷配给。第三,发现当样本的类型不是外生给定的,而是运用农户的特征变量识别出来的时候,不宜运用Match模型来估计信贷配给的产出和福利影响,因为此时我们无法为目标农户找到配给的对象。因此,李锐等(2007)采用Match模型来估计农户遭受信贷配给的福利影响是值得商榷的。第四,在资金的供给方程中,我们不仅纳入了“关系变量”,充分考虑到了“关系变量”的部分内生性特征,而且还估计了不同融资渠道对农户信贷配给程度的影响。一、年生时期中国农户贷款渠道取得的初步信用分配初步分析研究所采用的数据来自于农业部农村固定观察点,时间跨度为2003~2009年,采用追踪调查的形式,样本具有很好的稳定性和连续性。样本选择采取分阶段分层抽样战略,第一阶段,根据区域经济发展情况,从所有省份中采取分类抽样的方式,随机选择10个省份,分别是辽宁、吉林、江苏、福建、山东、河南、湖北、四川、甘肃、新疆。第二阶段,在上述各省份中,随机抽取18个村庄;在抽取村庄的过程中,排除了面积和人口特别大或特别小的村庄。第三阶段,从各村庄中排除5%的特别富裕和特别贫穷的农户后,随机选取60个左右的样本农户,一共1000个样本农户。数据库中收集了各样本农户2003~2009年每年的收入、支出、信贷活动、生产经营活动、家庭和所处村庄的基本情况的详细数据,为本文的研究提供了丰富的经验事实。由于数据缺乏权重方面的信息,所以,样本数据可能并不能完全代表我国的所有农户,因此,我们应该谨慎地看待这篇论文的研究结论的一般性。尽管如此,我们依然相信本文的研究结论为理解我国农户信贷配给程度及其福利影响提供了有益的信息。表1分省份列出了2003~2009年样本农户从各融资渠道获得借款的年均户数,以及借款农户在所有样本农户中所占的百分比。从表1中可以看出,在这1000个样本农户中,年均有194个农户获得借款,占19.4%;其中,年均67.6个农户从正式渠道获得借款,只占所有获得借款农户总数的34.9%;大部分需要信贷资金的农户只能通过非正式渠道获取。基于我们采用的是样本农户7年的平均数这一经验事实,这个结论是稳健的。再从各省份情况来看,省份与省份之间获得贷款的农户所占百分比的年平均数相差很大,辽宁只有4.0%,而吉林和湖北两省分别高达35.6%和40.7%;吉林获得贷款的农户所占百分比高的重要原因是从正式渠道获得贷款的农户所占的比重要远远高于其他省份;而湖北获得贷款的样本农户所占百分比高的一个重要原因是该省样本农户收入普遍偏低,使得农户常常借助于“关系信贷”分担风险。表2列出了2003~2009年样本农户每年从各融资渠道获得贷款的总户数,以及借款农户占样本农户的百分比。从表2可以看出,获得贷款的农户在样本农户中所占的百分比几乎是逐年下降的,由2003年的24%减少到2009年的16.2%,其主要原因是样本农户从正式渠道获得贷款的百分比逐年急剧下降,由2003年的11.9%锐减到2009年的3.2%。这说明我国农户受到正式渠道信贷配给的程度越来越严重。表3中列出了2003~2009年所有样本农户借款总额的来源结构。从表3可以看出,农户从正式渠道获得的借款总额只占所有渠道借款总额的18.5%。由于从正式渠道获得借款的农户总数占借款农户总数的34.9%,因此,平均每个农户从正式渠道获得的借款数额要远低于其从非正式渠道所获的借款数额。此外,2003~2009年样本农户从农村信用社获取的借款数额占其从正式信贷渠道获取的借款数额的百分比高达77.2%,而从国有商业银行、扶贫贷款机构所获取的借款数额所占比例分别只有15.8%、7.0%,说明农村信用社是农户从正式信贷渠道获得借款的最重要来源。随着国有商业银行,特别是中国农业银行从农村逐步退出,迫切需要农村信用社发挥越来越大的作用。农户间的借款总额占其从非正式金融渠道获取借款总额的比重高达85.6%,而从民间金融组织、其他种经济组织所获取的借款所占百分比分别仅为3.1%和11.3%,后两者相加不到15%,与其他发展中国家相比要低得多,譬如巴基斯坦为43.8%,孟加拉为39.7%,印度为41.9%。这些数据说明我国农户获得贷款的渠道单一,重要原因之一是农村民间信贷组织非常不活跃,作用十分有限。表4给出计量分析模型中所有变量样本数据的基本统计特征。其中,借款额表示农户借贷数额,单位为百元人民币;是否有借款表示农户是否有借贷的虚拟变量,1为是,0为否;户主年龄的单位为年;实际经营土地面积表示农户当年实际经营的土地面积,土地总面积=承包耕地+自留地+山地+园地+牧草地+水面+转包地-转租地,单位为亩;生产性固定资产原值的单位为百元人民币;户主受教育程度的单位为年;教育医疗费用支出的单位为百元人民币;金融资产余额的单位为百元人民币;交通距离为农户距离码头或车站的距离,单位为公里;村企业就业比率表示农户所在村中,在乡、村企业从业的劳动力占全村劳动力的百分比;是否东部地区表示农户所在地区是否为东部省份的虚拟变量,1为是,0为否,本文令辽宁、江苏、福建、山东为东部;家庭资产原值为生产性固定资产原值+房产价值,单位为百元人民币;是否干部家庭表示农户中是否有家庭成员是国家干部或者乡村干部的虚拟变量,若有取值为1,否则为0;社会资本表示农户从所有亲友处获得的赠送收入,单位为百元人民币;是否接受过培训表示家庭中是否有成员接受过非农职业培训或农业技术培训的虚拟变量,1为是,0为否;是否富裕村庄为农户是否位于资金供给充足的村庄的虚拟变量,1为是,0为否,将每个村庄所有样本农户该年度的净收入加在一起,指定超过所有样本农户净收入平均数的村庄为富裕村庄;是否仅从正式渠道借款表示农户是否仅从正式渠道获得贷款的虚拟变量,1为是,0为否;是否仅从非正式渠道借款表示农户是否仅从非正式渠道获得贷款的虚拟变量,1为是,0为否;是否从不同渠道同时借款表示农户是否同时从正式和非正式两个渠道获得贷款的虚拟变量,1为是,0为否;家庭农业劳动人数表示农户家庭中从事农业生产或经营的劳动力人数;家庭非农劳动人数表示农户家庭中从事非农生产或经营的劳动力人数;家庭人口规模表示农户家庭总人口数;村企业数表示农户所在村企业的个数;劳动力所占比重表示劳动力占家庭成员总人数的比重;是否参加养老保险表示农户是否参加养老保险的虚拟变量,1为是,0为否;家庭净收入,由农户的总收入-生产性总支出(包括家庭经营费用、购置生产性固定资产费用、家庭经营外投资、缴纳税金、上交村集体费用等)计算得到,单位为百元人民币;家庭消费支出的单位为百元人民币;信贷配给预测值为预测的信贷配给状况,1表示农户受到配给,0表示农户未受到配给;样本个数为1000×7=7000个。二、信贷委托模型及其经验分析1.计量模型检验当农户所需要的借款数额少于他从正式和非正式信贷市场所获得的借款数额时,我们就认为农户遭受了信贷配给。信贷配给存在两种情形,一是农户有需求,但借不到任何款项,完全得不到满足,即完全配给的情形(Kochar,1997;Foltz,2004;Manrique和Ojah,2004;Dutta和Magableh,2006);二是农户有需求,但只能借到部分款项,部分得不到满足,即部分配给的情形(Li和Zhu,2010)。在现实生活中,由于金融管制,逆向选择、道德风险和市场垄断等原因,即使调整利率水平,信贷市场往往也达不到均衡,即使有的农户愿意以更高的利率借款,但它们的需求依然得不到满足,此时就出现了信贷配给(CreditRationing)问题。在存在信贷配给的情况下,我们无法直接观测到需求或者供给的真实值,而只能得到需求和供给相互作用的最终结果,它由需求和供给中较小的一方决定,显然常规技术和经典计量模型难以处理这类问题。本文采用Biprobit模型估计农户信贷配给程度,分析和讨论影响农户资金供求的重要因素。令y*sit表示t时供给农户i资金意愿的潜变量,ysit表示t时是否愿意提供农户i资金的决策变量,y*dit表示t时农户i资金需求意愿的潜变量,ydit表示t时农户i是否申请贷款的决策变量,Xit为t时影响农户i贷款需求的解释变量,Zit为t时影响供给农户i资金的解释变量。构建计量模型:其中,αi和ηi均不随t变化,且分别为需求方程和供给方程中的个体效应(IndividualEffect),反映个体“异质性”(IndividualHeterogeneity);εit、νit分别为需求方程和供给方程的特质随机误差项(IdiosyncraticErrors),Xit、Zit均严格外生,我们假设特质随机误差项服从二元正态分布,即:为了能够分析不随时间变化的因素(譬如,户主受教育程度等)的影响,本文采用随机效应模型进行估计和分析,此时Eα(i)=Eη(i)=0,αi,ηi⊥εit,νit,且αi,ηi⊥Xit,Zit。只有当农户i在t时具有资金需求(ydit=1),且资金供给方愿意向其提供贷款(ysit=1)时,交易才会产生,此时才能实际观测到农户的借贷行为。将借贷行为记作yit,则:式(3)是一个典型的双变量Probit模型,其观察值具有部分可观察性,这类模型最早是由Poirier(1980)提出来的。由式(1)可知,需求方程和供给方程间存在不同的个体效应αi和ηi。Helena等(2004)在处理不同方程间个体“异质性”时,假设方程组中不同个体效应αi和ηi服从2×2支撑点上的二元离散分布,然后再对个体效应进行积分,最后用极大似然估计方法得到参数的MLE。借鉴Helena等(2004)的研究思路,本文给出面板部分可观测Biprobit模型的估计过程。令θ=[β,γ,σε,ρ,p,α,]η表示待估参数族,那么农户i在t时的似然函数如式(4):其中式(5)中的ue788(εit,νit,ρ)表示相关系数为ρ的二元正态分布密度函数。假设个体效应αi,ηi服从2×2支撑点上(2×2PointsofSupport)的二元离散分布,并规定α={α1,α2},η={η1,η2},p={p11,p12,p21,p22},pkj=P(ηk,αj),其中j,k=1,2。则对于农户i来说,似然函数为:其中,G(·,·)表示个体效应的联合分布函数。我们对每个农户i的似然函数取对数、求和并求导,便可得到θ=[β,γ,σε,ρ,p,α,]η的MLE。得到参数估计值后,便可计算出t时农户i被完全配给的概率p(y*dit>y*sit,y*sit≤0y*dit>0)、被部分配给的概率p(y*dit>y*sit,y*sit>0y*dit>0)和被配给的概率p(y*dit>y*sity*dit>)0(包含部分和完全配给)。相关模型的数学证明和推导过程类似于Li和Zhu(2010)、Helena等(2004),为简便起见此处不再给出。在估计出t时农户i遭受配给、部分配和完全配给的概率值^pit后,我们设定临界值(CutoffPoint)为0.5(Cameron和Trivedi,2005)以确定农户是否遭受到了信贷配给。当t时农户i受到配给的概率值^pit>0.5时,我们认为此时农户i受到了信贷配给,反之则认为未受到配给。在明确定义t时农户i是否受到信贷配给后,便可很方便地计算出样本中受到信贷配给的农户所占的比率,即农户遭受信贷配给的程度。2.资金供给与资金需求的关系首先将所有时间截面上的样本数据看作是一个时间横截面上的数据,得到一组参数估计值;然后,将这些参数估计值作为初始值,代入面板数据模型进行估计,估计结果见表5。首先我们分析资金需求的影响因素。从表5可以看出,实际经营土地面积、上年生产性固定资本原值、教育医疗费用支出和地理位置(是否位于东部地区)对资金需求的影响均为正,且分别在5%、5%、1%和10%的统计水平上显著,这说明农户的资金需求与其所经营的土地规模、上年生产性固定资本原值和教育医疗支出正相关。农户耕种的面积与其生产成本成正比,在其他条件不变的条件下,所承包的面积越大,则用于购买生产资料,譬如,化肥、种子、农药等,以及在农忙季节雇佣劳动的资金需求也就越大。上年生产性固定资本越多,本年度所需要的营运成本就越高,从而会增加其资金需求。教育医疗支出是根据我国农户资金需求的特征而设置的一个重要变量,我国很多农户借贷的主要原因是子女上学或家庭成员生病,这些支出对农户而言不仅数额大,要的急,并且具有刚性,农户自身的资金往往不够,通常需要借贷。在东部地区,从事非农经营活动的农户比较多,对资金的需求也就比较旺盛。上年金融资产余额对资金需求的影响为负,且在10%的统计水平上显著,这说明农户的资金需求与其金融资产余额负相关,当农户自有资金充裕时,其对外部资金的需求就会减少。户主受教育程度对资金需求的影响在统计上不显著,一方面户主教育水平高的农户更倾向于采用新的农业技术,譬如,新的种子、新的化肥和新的农业机械等,或更倾向于从事非农经营活动,譬如,农产品深加工、饮食服务行业等,会导致大量的资金需求;另一方面,户主受教育水平高的农户一般收入也较高,这又减少了对资金的需求;两种相反的作用最终使得户主受教育程度对资金需求的影响在统计上不显著。交通距离(距离车站、码头的远近)、在乡村企业从业的劳动力占全村劳动力的比重对农户资金需求的影响在统计上均不显著,这些变量对资金需求的影响类似于受教育程度。然后,我们再分析资金供给的影响因素。从表5可知,实际经营土地面积和是否位于富裕村庄对资金供给的影响均为正,且分别在10%和5%的统计水平上显著,这说明资金供给者更倾向于提供贷款给土地规模大和富裕村庄的农户。一方面,土地规模越大,预期收入越高;另一方面,近年来,中国政府允许土地使用权流转,必要时可用作贷款抵押,从而提高了资金所有者的供给意愿。一般而言,在富裕村庄,信贷市场更发达,资金供给更充裕,愿意提供贷款的农户会更多。正式渠道对农户资金供给的影响在统计上不显著,而非正式渠道对农户资金供给的影响在5%的统计水平上显著,这说明与正式金融机构相比,农户更愿意为资金的需求者提供贷款,这与信贷配给的理论是一致的。与正式金融机构相比,农户对资金需求者———本地农户特别是亲友的信息了解更加充分,在应对逆向选择和道德风险问题时有更多的优势,而且由于关联交易的存在,农户还可接受现金之外的其他还款方式,譬如,用劳动或实物来偿还贷款。更为重要的是,农户之间的借贷相当于一种保险机制,农户遭受自然和经济的双重风险,自身非常脆弱,常常需要借助于乡邻和亲友之间的资金融通来维持生存和发展。Li和Zhu(2010)鉴于我国农户间借贷大多发生在亲友之间,或者农户家庭成员中有干部时,在获取正式金融机构贷款时具有优势这一事实,在文中引入了“关系”变量,其研究结果表明,“关系”对资金供给意愿的影响非常大。但是,他们在引入“关系”变量时并没有考虑到该变量的部分内生性问题,估计结果存在偏误。本文以衡量社会地位(是否干部家庭)和社会资本(农户所获得的赠送收入)作为“关系”变量,可避免“关系”变量引入所导致的内生性问题。从表5可以看出,社会地位和社会资本对资金供给的影响都是正的,且分别在1%和5%的统计水平上显著,这说明家庭成员中有国家或乡村干部的农户在获取贷款时具有优势,特别是在获取正式金融机构的贷款时,优势更加明显;农户所拥有的社会资本越充裕,获得贷款的可能性也就越高。显然,当资金的需求者和供给者之间存在很强的“关系”时,譬如,乡村干部与农村信用合作社、农户与其亲友之间的借贷,此时,户主受教育程度、交通距离(距离车站、码头的远近)、上年家庭资产原值(生产性固定资产原值+房产价值)、是否接受过培训对资金供给的影响就变得不再重要了。根据表5中面板Biprobit模型的估计结果,采用临界值识别出t时农户i是否受到信贷配给的状态后,可很方便地计算出所有样本中遭受配给的农户所占的比率,为64.5%,其中,被完全配给的农户所占的比率为54.0%,被部分配给的农户所占的比率为10.5%。三、信贷配给效果模型及其经验分析1.几何时农户的福利影响信贷在农户的消费和生产经营活动中发挥着至关重要的作用。农户生产经营活动需要经过平整土地、播种、栽培、管理和收获等一系列漫长而又复杂的过程,不仅遭受来自市场的风险,而且还要遭受来自自然条件的风险,价值实现过程非常脆弱。然而,在这一漫长的过程中,农户需要大量现金购买生产要素和必需消费品,却很少甚至没有任何收益。一旦生产经营失败,不仅影响下一个周期的生产经营,而且会使农户的当前消费面临困境。在一个信贷市场效率低下的社会,农户不得不存留大量的现金,使下一个周期的生产经营和消费活动得以维持和扩张。此时,农户的生产经营活动显然达不到最优的产出水平。因此,从理论上来说,在其他条件不变的情况下,信贷配给会使农户的收入和消费蒙受损失。经验事实果真如此吗?以下我们对此进行检验和分析。目前,估计政策或某个项目的效果的前沿计量方法是处理效应模型(TreatmentEffectModel),但是,处理效应模型只适用于样本类型明确给定的情形。由于本文所采用的数据是部分可观察的,因此,农户的类型(是否受到配给)不是预先给定的,需要我们运用已获得的部分可观测数据识别出来。当农户的类型是根据农户的特征变量识别出来的时候,运用Match模型来估计信贷配给的福利影响就变得不可行了,因为此时我们无法为目标农户找到配给对象。事实上,当我们采用部分可观测的数据,将农户的类型识别出来后,再将农户是否受到信贷配给处理成哑变量,据此估计信贷配给对农户收入和消费的影响,从方法上来讲也是可行的。虽然Cristina和Meyer(1980)在估计信贷配给的影响时,也是将农户是否受到信贷配给处理成哑变量D来进行估计的,但他们的估计存在内生性问题。本文所采用的哑变量^D是D的估计值,^D是在充分考虑资金供需双方特征的基础上估计出来的,从而避免了估计过程中的内生性。在识别出t时农户i是否受到信贷配给的类型后,可引入哑变量:我们以能够反映农户福利水平的净收入和家庭消费支出为因变量,构建如式(8)的面板数据模型,来估计信贷配给的影响程度:其中,yit表示t时农户i的净收入或家庭消费支出;ei为个体效应或者叫做个体“异质性”,表示随个体变化而不随时间变换的因素;ue788表示信贷配给影响农户净收入或家庭消费支出的程度;χit表示影响农户净收入或家庭消费支出的外生变量,φ为其系数;μit为特质随机误差项。为考察时不变因素的影响,本文假设个体“异质性”ei与χit不相关,采用随机效应模型进行估计。2.农户的年龄和信配给对农户家庭消费消耗的影响我们以户主年龄、户主受教育程度、家庭农业劳动力人数、家庭非农劳动力人数、实际经营土地面积、上年生产性固定资产原值、地理位置(是否位于东部沿海地区)、社会地位(家庭是否有国家或乡村干部)、社会资本(家庭每年获得的赠送收入)、是否接受过培训(家庭是否有成员参加过技术培训)、所在村的企业数、是否受到信贷配给作为农户家庭净收入的解释变量,而以户主年龄、户主受教育程度、家庭净收入、上年金融资产余额、地理位置、家庭人口数、家庭非农劳动力人数、家庭中劳动力所占比重、是否参与养老保险、是否受到信贷配给作为农户家庭消费支出的解释变量,并采用面板数据模型进行估计,结果见表6和表7。由表6可知,户主的年龄对净收入的影响在统计上不显著;户主受教育程度、实际经营土地面积、地理位置、上年生产性固定资产原值、社会地位、社会资本、是否接受过培训、家庭农业劳动力人数、家庭非农劳动力人数和农户所在村企业数对农户净收入的影响为正,且分别在10%、10%、1%、10%、1%、5%、5%、10%、5%和10%的统计水平上显著;信贷配给对农户净收入的影响为