檀群君,王 丘

(安徽農(nóng)業(yè)大學 經(jīng)濟管理學院，安徽 合肥 230036)

一、引 言

近年來，安徽省廣大農(nóng)村地區(qū)土地流轉(zhuǎn)數(shù)量和規(guī)模呈上升趨勢，一部分農(nóng)戶通過承包土地成為當?shù)氐姆N植大戶，這些種植大戶雖然已經(jīng)不同于傳統(tǒng)農(nóng)戶，但仍然由于金融供給不足或者金融供給與融資需求不匹配、缺少抵押物等原因而難以取得正規(guī)金融機構(gòu)貸款，融資需求難以滿足，經(jīng)營規(guī)模難以擴大。

雖然種植大戶既屬于農(nóng)戶，也屬于新型農(nóng)業(yè)經(jīng)營主體的一部分，但是在經(jīng)營規(guī)模上比一般農(nóng)戶大，而小于新型農(nóng)業(yè)經(jīng)營主體中家庭農(nóng)場的經(jīng)營規(guī)模，并且，目前安徽省種植大戶已經(jīng)在新型農(nóng)業(yè)經(jīng)營主體中占多數(shù)。根據(jù)安徽省農(nóng)委提供的資料，截至2012年年末，安徽省新型農(nóng)業(yè)經(jīng)營主體已注冊登記的有187 974個，其中種植大戶有153 960戶，占比約為82%。因此，對安徽省種植大戶的融資問題進行研究，具有重要意義。

二、文獻綜述

對于普通農(nóng)戶，陳麗、韋瀟麗通過對實地調(diào)研所得數(shù)據(jù)進行整理分析發(fā)現(xiàn)，在所調(diào)查農(nóng)戶中，大部分有融資需求，超過50%的農(nóng)戶表示有過融資行為[1]。謝鑫等對新疆250戶農(nóng)戶調(diào)查發(fā)現(xiàn)，由于金融機構(gòu)的資金供給不足、對金融業(yè)務知識宣傳不到位，有一半的農(nóng)戶選擇向親友借款[2]。胡劍調(diào)查發(fā)現(xiàn)，許多地方性金融機構(gòu)的貸款利率定價方式傳統(tǒng)僵化，貸款利率水平偏高[3]。Zellera and Diagnea提出，收入水平顯著影響農(nóng)戶的融資行為，二者之間呈現(xiàn)明顯的反向關(guān)系，收入減少時，農(nóng)戶融資需求更強烈[4]。

對于新型農(nóng)業(yè)經(jīng)營主體，梁月等對230個家庭農(nóng)場進行問卷調(diào)查，并運用Logistic模型分析發(fā)現(xiàn)，家庭農(nóng)業(yè)收入與農(nóng)場主信貸需求具有負向關(guān)系，種植規(guī)模與農(nóng)場主信貸需求具有正向關(guān)系[5]。王薔等對四川省355戶新型農(nóng)業(yè)經(jīng)營主體調(diào)查發(fā)現(xiàn)，有過借貸行為的主體比例超過一半，并且有69%的受訪者表示未來仍有融資意愿[6]。王吉鵬等通過對131家新型農(nóng)業(yè)經(jīng)營主體調(diào)查發(fā)現(xiàn)，新型農(nóng)業(yè)經(jīng)營主體自身發(fā)展水平低、規(guī)模小，信用評級體系不健全以及農(nóng)村金融機構(gòu)發(fā)展滯后是影響新型農(nóng)業(yè)經(jīng)營主體融資需求的三個因素[7]。也有學者將影響融資需求的因素分為內(nèi)部因素和外部因素。例如，林樂芬、法寧通過Logistic模型分析得出，影響新型農(nóng)業(yè)經(jīng)營主體融資需求的內(nèi)部因素主要是新型農(nóng)業(yè)主體自身特點，具體表現(xiàn)為管理水平不高、證件不全，并且資金需求規(guī)模大、期限長；外部因素分別是金融機構(gòu)產(chǎn)品和服務與新型農(nóng)業(yè)經(jīng)營主體融資需求不匹配，政府政策支持力度小[8]。

對于種植大戶融資相關(guān)的研究較少，陳潔通過對安徽省懷寧縣、樅陽縣的70戶種糧大戶的調(diào)查發(fā)現(xiàn)，只有6%的種糧大戶從正規(guī)金融機構(gòu)獲得了足額貸款，并且金融機構(gòu)貸款手續(xù)多、擔保要求嚴格等原因抑制了當?shù)胤N糧大戶向正規(guī)金融機構(gòu)的融資需求[9]。羅振軍等對510戶種糧大戶實地調(diào)研，并利用Probit模型對所得數(shù)據(jù)分析后發(fā)現(xiàn)，種植規(guī)模與種糧大戶融資需求具有正向關(guān)系，家庭收入水平、家庭資產(chǎn)規(guī)模與融資需求具有負向關(guān)系[10]。亓浩等利用有序Probit模型分析得出，種養(yǎng)規(guī)模、金融供給情況和政府支出力度對種養(yǎng)大戶資金籌集難易的程度具有顯著影響[11]。

以上研究中，在研究對象的選擇上，多以普通農(nóng)戶或者以新型農(nóng)業(yè)經(jīng)營主體為研究對象，單獨以種植大戶融資問題為研究點的文獻較少，而且各地種植大戶融資特征不同，所以已有文獻中提出的緩解各經(jīng)營主體融資困境的建議對種植大戶而言借鑒意義有限。在研究方法的運用上，多數(shù)研究通過問卷調(diào)查方式獲得橫截面數(shù)據(jù)，利用Logistic模型或Probit模型對數(shù)據(jù)進行分析，缺少對農(nóng)戶融資影響因素的歷年相關(guān)數(shù)據(jù)的整體性分析，難以反映階段性、宏觀性農(nóng)戶融資需求特點，所提出的建議針對性、前瞻性不足。

三、安徽省種植大戶基本情況與融資發(fā)展情況

(一)安徽省種植大戶基本情況

為了保證數(shù)據(jù)的可比性，文章引用安徽省農(nóng)委的標準，將種植大戶定義為以商品化經(jīng)營為主，露地農(nóng)作物種植面積達到3.33公頃及以上、設(shè)施農(nóng)業(yè)的設(shè)施占地面積1.67公頃及以上的農(nóng)戶。截至2012年年末，安徽省種植大戶已突破15萬戶。

(二)安徽省種植大戶融資發(fā)展情況

金融供給不足，資金供給與需求不匹配。供給規(guī)模方面，2000年到2016年安徽省農(nóng)業(yè)貸款占各項貸款比例平均為7.2%。并且，以工農(nóng)中建為主的商業(yè)銀行在安徽農(nóng)村地區(qū)的營業(yè)網(wǎng)點很少，從業(yè)人員更少，而且最低分層網(wǎng)點和人員一般只在縣城，農(nóng)村地區(qū)基層網(wǎng)點少，服務人群沒有覆蓋到眾多種植大戶。資金供給結(jié)構(gòu)方面，雖然部分金融機構(gòu)開發(fā)了農(nóng)村小額信貸業(yè)務，但是農(nóng)村小額信貸由于額度小、單一的扶貧目標和利率上限管制問題[12]，使得金融機構(gòu)普遍不愿意開發(fā)此項業(yè)務，而成功申請小額信貸的農(nóng)戶因為額度小又難以滿足資金需求。

財政資金供給方面，2016年年末，安徽財政支出中農(nóng)林水事務支出為624.8億元，占財政支出的比例僅為11.3%；供給結(jié)構(gòu)方面，根據(jù)安徽省最新的統(tǒng)計口徑，財政支農(nóng)支出統(tǒng)一在農(nóng)林水事務這一指標中列示，不再單獨區(qū)分。所以從總量上和結(jié)構(gòu)上看，財政資金供給規(guī)模小，對農(nóng)業(yè)方面傾斜力度不夠，導致種植大戶資金缺口大。

此外，融資成本高也是安徽種植大戶融資中面臨的實際困難。正規(guī)融資渠道由于貸款審批程序多，門檻高，種植大戶在向銀行等正規(guī)金融機構(gòu)申請貸款過程中，會產(chǎn)生各種交易成本；民間有息借貸等非正規(guī)融資渠道，其利息一般高于銀行借款利率，且年息36%以內(nèi)受國家法律保護，資金借出方更傾向于約定較高的借款利率，由此增加了種植大戶的融資成本。

四、多元線性回歸模型的構(gòu)建

(一)指標選取

結(jié)合前人的研究資料和上述對安徽省實際情況的分析，本文分別從安徽省種植大戶基本情況、金融供給情況、農(nóng)民收入水平、資產(chǎn)投資情況、農(nóng)業(yè)生產(chǎn)成本以及財政支農(nóng)情況方面選取指標進行分析。

基本情況。基本情況包括耕地面積、農(nóng)業(yè)機械總動力以及鄉(xiāng)村辦水電站個數(shù)。第一，耕地面積與農(nóng)民收益密切相關(guān)，當其他條件不變時，耕地面積越大，農(nóng)民收益越高，進行規(guī)模經(jīng)營的意愿越強烈，進而也更有可能購買大型農(nóng)機具，實現(xiàn)機械化，從而產(chǎn)生資金需求。第二，機械化覆蓋率是衡量農(nóng)業(yè)生產(chǎn)能力的一個重要指標。第三，安徽農(nóng)業(yè)水利情況用鄉(xiāng)村辦水電站個數(shù)表示。種植業(yè)離不開水利灌溉設(shè)施，農(nóng)村水利設(shè)施會影響農(nóng)戶種植規(guī)模，并且現(xiàn)代農(nóng)業(yè)要實現(xiàn)規(guī)?；?、產(chǎn)業(yè)化發(fā)展更加依賴水利、電力系統(tǒng)的完善。

金融機構(gòu)供給情況。包括農(nóng)業(yè)貸款余額、金融機構(gòu)從業(yè)人員數(shù)兩個指標。當資金需求上升，但農(nóng)業(yè)貸款余額不足或者資金配置與種植大戶需求不符時，種植大戶難以從正規(guī)金融機構(gòu)獲得足夠資金。金融機構(gòu)從業(yè)人員數(shù)少，則平均每位種植大戶獲得的服務量少，進而有可能降低種植大戶對金融機構(gòu)的滿意度，減少其向金融機構(gòu)融資的可能性。

農(nóng)戶收入水平。金融機構(gòu)只能從相對有限的信息中了解農(nóng)戶的償債能力，農(nóng)戶人均可支配收入作為一個可以觀測到的顯性指標是金融機構(gòu)決定是否發(fā)放貸款的考慮因素之一。由于文章研究對象是種植大戶，以戶均4口人計算[13]，得到戶均可支配收入。

資產(chǎn)投資情況。金融機構(gòu)向農(nóng)戶提供貸款往往要求其具有抵押物，但是農(nóng)產(chǎn)品作為農(nóng)戶投入最多的資產(chǎn)卻不符合抵押條件。農(nóng)機具、廠房、農(nóng)戶自有房屋等可作為抵押資產(chǎn)，因此固定資產(chǎn)較多的種植大戶更易獲得金融機構(gòu)貸款。農(nóng)村農(nóng)戶固定資產(chǎn)投資額是衡量農(nóng)戶資產(chǎn)擁有情況的重要指標。

農(nóng)業(yè)生產(chǎn)成本。農(nóng)業(yè)生產(chǎn)成本與農(nóng)戶收益息息相關(guān)，在其他條件不變的前提下，生產(chǎn)資料價格等農(nóng)業(yè)生產(chǎn)成本的上升會導致農(nóng)戶收益降低，進而可能增加農(nóng)戶對外部資金的需求量。

財政支農(nóng)情況。財政支農(nóng)資金作為國家支持農(nóng)業(yè)發(fā)展的舉措之一，必然會對種植大戶融資需求產(chǎn)生影響。例如，財政支農(nóng)資金中用于農(nóng)業(yè)補貼的部分直接影響了種植大戶獲得的補助金額。

數(shù)據(jù)來源于《安徽統(tǒng)計年鑒》《中國金融年鑒》《中經(jīng)網(wǎng)》，并經(jīng)整理分析得出，數(shù)據(jù)分析使用SPSS軟件。因為部分數(shù)據(jù)缺失以及指標“農(nóng)業(yè)貸款余額”統(tǒng)計口徑發(fā)生變化，為了使數(shù)據(jù)具有可比性，選取2000～2016年的數(shù)據(jù)，并利用最新的統(tǒng)計口徑和安徽省農(nóng)業(yè)貸款余額的增長率重新推算，安徽省種植大戶融資需求相關(guān)影響因素具體數(shù)據(jù)見表1，各變量所代表的指標見表2。

表1 2000～2016年影響安徽省種植大戶融資需求的相關(guān)因素

(二)模型構(gòu)建

根據(jù)以上所述，這9個指標均有可能是影響安徽省種植大戶融資需求的因素，因此，文章采用多元線性回歸模型進行實證分析。多元線性回歸模型一般形式：

Y=β0+β1X1+β2X2+……βnXn+ε

(1)

其中Y為被解釋變量，X為解釋變量，ε為隨機誤差項。本文因為有9個解釋變量，所以n=1,2，…，9。

表2 變量的定義

五、安徽省種植大戶融資影響因素的實證研究

(一)變量的描述性統(tǒng)計

表3和表4分別是變量的描述性統(tǒng)計具體結(jié)果和普通多元回歸分析結(jié)果。

表3 變量的描述性統(tǒng)計結(jié)果

(二)普通線性回歸分析

由表4可以看出，耕地面積X1、金融機構(gòu)從業(yè)人員數(shù)X4、財政支農(nóng)支出中農(nóng)林水事務支出X9的系數(shù)為負值，不符合經(jīng)濟意義；各解釋變量t統(tǒng)計量的Sig值均大于0.10，未通過t檢驗；且部分解釋變量的方差膨脹因子VIF超過10，說明解釋變量之間存在多重共線性，所以不能直接采用多元線性回歸，可通過主成分分析法降低變量間的多重共線性。

表4 系數(shù)

注：a.因變量：融資需求Y.

(三)主成分分析

主成分分析法是利用降維的思想，將彼此之間可能存在相關(guān)關(guān)系的變量，轉(zhuǎn)換成少數(shù)的彼此之間沒有相關(guān)關(guān)系的綜合指標，且綜合指標能夠反映原始變量的大部分信息的統(tǒng)計方法[14]。在進行主成分分析前，為了避免變量間的量綱影響，需要對數(shù)據(jù)進行標準化處理，然后對標準化后的數(shù)據(jù)X1～X9進行 KMO 和 Bartlett的檢驗，并根據(jù)檢驗結(jié)果判斷是否適合做主成分分析，結(jié)果如表5所示。

表5 KMO 和 Bartlett的檢驗

表5是利用SPSS對標準化后的數(shù)據(jù)X1～X9進行主成分分析的部分結(jié)果，KMO統(tǒng)計量取值在0～1之間，KMO值越接近于1，表明變量之間的相關(guān)性越強，一般認為KMO值大于0.6，即可做主成分分析。表5的統(tǒng)計結(jié)果顯示，KMO統(tǒng)計量為0.722，大于0.6，且Sig.值小于0.05，表示變量間存在相關(guān)關(guān)系，所以適合做主成分分析。

表6是設(shè)定選取特征值大于1作為主成分的分析圖，可以看出主成分1的特征值為7.181，主成分2的特征值為1.044，均大于1，對總方差的累積貢獻率達到了91.388%，表明從標準化數(shù)據(jù)X1～X9中提取了兩個主成分，能夠代替原始數(shù)據(jù)X1～X9的大部分信息。關(guān)于兩個主成分的成分矩陣如表7所示。

表6 解釋的總方差

表7 成分矩陣

注：①提取方法:主成分分析法；②已提取了2個成分.

可根據(jù)表7中的數(shù)據(jù)除以主成分相對應的特征值，得出這兩個主成分中每個指標所對應的系數(shù)，并據(jù)此可寫出對應的主成分方程分別為：

F1=0.288x1+0.368x2+0.341x3+0.357x4+0.366x5+0.371x6+0.358x7-0.014x8+0.370x9

(2)

F2=0.136x1+0.051x2+0.100x3-0.088x4-0.032x5-0.040x6+0.044x7+0.973x8-0.098x9

(3)

方程中的x均是原始變量標準化后的變量。

在SPSS軟件中輸入上述主成分方程F1和F2自動計算出來主成分變量，結(jié)果如表8所示。

根據(jù)表8可建立標準化融資需求和主成分變量之間的多元線性回歸方程。模型結(jié)果如表9和表10所示。

由表9可知，R2為0.957，表明模型擬合度較好，說明有95.7%的預測可以由該模型來預測，且F統(tǒng)計量的Sig.為0.000小于0.05，說明模型通過F檢驗，模型整體顯著。表10中方差膨脹因子VIF均為1，小于10，說明不存在多重共線性，且主成分變量F1和F2的t統(tǒng)計量的Sig.值均為0.000，小于0.05，說明主成分變量均通過t檢驗，所以，由表10可寫出標準化的線性回歸方程為：

Zy=-1.822×10-16+0.364F1+0.073F2

(4)

將主成分方程式(2)和式(3)代入式(4)中，并還原為關(guān)于原始變量的多元線性回歸方程為：

Y=-17.35+1.49*10-6X1+0.001X2+0.009X3+0.018X4+0.004X5+0.0001X6+0.009X7+0.09X8+0.006X9

(5)

表8 標準化融資需求和主成分變量

表9 模型匯總

注：①預測變量: (常量), 主成分變量F1,主成分變量F1;② 因變量: Z融資需求Y.

表10 系數(shù)

六、模型預測檢驗

用式(5)所建立的模型對安徽省2000～2016年種植大戶融資需求量進行預測，并將預測值與實際值進行了比較，結(jié)果如圖1所示。

圖1 2000～2016年安徽省種植大戶融資需求的實際值與預測值比較

圖1可以看出，2013年實際值與預測值最接近，相對誤差僅為0.63%，2002年實際值與預測值誤差較大，相對誤差為22.52%。但是2000～2016年安徽省種植大戶融資需求的預測值與實際值整體接近，雖然在個別年份二者之間存在一定差異，但是2000～2016年平均相對誤差僅為9.8%。總體來說，該多元線性回歸模型預測結(jié)果理想。

七、實證結(jié)果及相關(guān)建議

(一)實證結(jié)果

實證部分運用主成分分析法和多元線性回歸方法確定了所選取的九個指標對安徽省種植大戶融資需求的影響方向及程度，并根據(jù)模型對2017～2020年安徽省種植大戶融資需求進行了預測，預測值分別為40.97億元、43.18億元、45.70億元、48.50億元。

解釋變量X4對安徽省種植大戶融資需求具有較大的正向影響。其他條件不變時，金融機構(gòu)從業(yè)人員數(shù)(X4)每增加一個單位，安徽省種植大戶融資需求增加0.18個單位。因為金融機構(gòu)從業(yè)人員數(shù)越多，則平均每位種植大戶獲得的服務量越多，增加了其向金融機構(gòu)融資的可能性。

解釋變量X2、X3、X5、X6、X7、X8、X9對安徽省種植大戶融資需求具有一定的正向影響。影響程度從大到小依次為：X8>X3= X7>X9>X5>X2>X6。其他條件不變時，農(nóng)業(yè)生產(chǎn)資料價格指數(shù)(X8)、鄉(xiāng)村辦水電站個數(shù)(X3)、農(nóng)村農(nóng)戶固定資產(chǎn)投資額(X7)、財政支農(nóng)支出中農(nóng)林水事務支出(X9)、農(nóng)業(yè)貸款余額(X5) 、農(nóng)業(yè)機械總動力(X2)、戶均可支配收入(X6)每增加一個單位，安徽省種植大戶融資需求分別增加0.09、0.009、0.006、0.004、0.001、0.0001個單位。生產(chǎn)資料價格等農(nóng)業(yè)生產(chǎn)成本的上升會導致農(nóng)戶收益降低，進而可能增加農(nóng)戶對外部資金的需求量。種植業(yè)離不開水利灌溉設(shè)施，農(nóng)業(yè)基礎(chǔ)設(shè)施越完善，安徽省種植大戶發(fā)展空間越大，進而其融資需求越旺盛；與實證結(jié)果相同，鄉(xiāng)村辦水電站個數(shù)的增加會帶來種植大戶融資需求的增加。種植大戶進行規(guī)模經(jīng)營，少不了需要購買大型農(nóng)機具或者新建廠房，這些都需要投入資金，當大戶自有資金不能滿足固定資產(chǎn)投資需求時，就需要從外部融資，因此農(nóng)村農(nóng)戶固定資產(chǎn)投資額越大，種植大戶融資需求越大。政府增加財政支農(nóng)力度，向大戶釋放出政府扶持農(nóng)業(yè)發(fā)展的良好信號，大戶在政策支持下擴大生產(chǎn)，融資需求增加。農(nóng)業(yè)貸款余額發(fā)放規(guī)模增加，大戶的平均獲貸率提高，有助于提高大戶對金融機構(gòu)的信心，進而可提高其向金融機構(gòu)融資的需求。農(nóng)業(yè)機械總動力越高，一定程度上反映農(nóng)業(yè)集約化程度越大，大戶對融資購買農(nóng)機具的需求越大。戶均可支配收入對安徽省種植大戶的正向影響很小，表明安徽省種植大戶的戶均可支配收入提高，就可加大對生產(chǎn)的投入，隨著規(guī)模的擴大，大戶的融資需求可能有所增加。

解釋變量X1對安徽省種植大戶融資需求具有輕微正向影響。當其他條件不變時，耕地面積(X1)每增加一個單位，安徽省種植大戶融資需求增加1.49*10-6個單位，說明耕地面積的增加，對安徽省種植大戶融資需求刺激作用很小。可能的原因是耕地面積增加，產(chǎn)生規(guī)模效應，因此，耕地面積對安徽省種植大戶融資需求的刺激作用很小。

模型擬合良好，對預測未來安徽省種植大戶的融資需求具有重要參考意義。2000～2016年，模型預測值與實際融資需求的平均相對誤差僅為9.8%，說明模型擬合程度良好。由該模型預測出的2017～2020年的結(jié)果可以看出，在這四年中，安徽省種植大戶融資需求呈逐年上升趨勢，到2020年將接近50億元。

(二)相關(guān)建議

1.加大農(nóng)村金融供給服務力度，合理配置金融資金

農(nóng)村金融機構(gòu)營業(yè)網(wǎng)點少，致使其從業(yè)人員數(shù)量少，在安徽農(nóng)村地區(qū)，金融機構(gòu)網(wǎng)點大多撤離鄉(xiāng)村，只保留縣城少數(shù)網(wǎng)點的設(shè)置[15]。金融機構(gòu)從業(yè)人員數(shù)增加，種植大戶平均得到的服務人數(shù)增加，提高了種植大戶對貸款政策的知悉程度和服務獲得感，進而增加種植大戶向金融機構(gòu)融資的需求和概率。開發(fā)適合農(nóng)業(yè)農(nóng)村發(fā)展的信貸新品種，反映出農(nóng)業(yè)貸款向種植大戶的傾斜。例如工商銀行安徽埇橋支行就推出了小額聯(lián)保貸款，由三到五人組成借款小組，每人均給予一定的授信額度，并且組內(nèi)成員對借款者的借貸責任承擔連帶保證責任。聯(lián)保小組既適合安徽省種植大戶的實際情況，金融機構(gòu)又降低了壞賬風險，有效解決了當?shù)胤N植大戶的融資難題。

2.完善農(nóng)村基礎(chǔ)設(shè)施建設(shè)

增加鄉(xiāng)村辦水電站個數(shù)，為農(nóng)業(yè)灌溉帶來便利，促使安徽省種植大戶擴大經(jīng)營規(guī)模，刺激其產(chǎn)生融資需求。同時經(jīng)營規(guī)模的擴大，帶來收入水平的提高，增加了安徽省種植大戶還款能力，金融機構(gòu)更愿意向其提供資金，緩解融資困境問題。

3.降低貸款門檻，減少對抵押物的限制條件

金融機構(gòu)要求農(nóng)戶貸款抵押物為其自身持有的固定資產(chǎn)，一般金融機構(gòu)認可的抵押物有大型農(nóng)機具、廠房等。但是作為種植大戶的資產(chǎn)重要組成部分的農(nóng)業(yè)設(shè)施和農(nóng)產(chǎn)品卻不符合抵押物貸款要求，所以需要適當放寬抵押物的限制。例如2014年四川省出現(xiàn)首個農(nóng)業(yè)設(shè)施——智能溫室大棚融資的案例，這對安徽省內(nèi)金融機構(gòu)創(chuàng)新抵押物融資模式有重要借鑒意義。

4.增加財政扶持力度，提高財政支農(nóng)支出，讓種植大戶更多享受政策扶持

以農(nóng)機具補貼為例，財政支農(nóng)支出是農(nóng)機具補貼的資金來源之一，通過安徽省農(nóng)機補貼系統(tǒng)可查到，2018年安徽省對耕整地機械這一大類的補貼金額在150元至16000元之間，但超過90%的耕整地機械補貼金額低于8000元，多數(shù)集中在1000至3000元之間，相對萬元價位的農(nóng)機具來說，該補貼金額過低。過低的補貼金額，無形中提高了種植大戶的籌資難度。因此，加大農(nóng)業(yè)機械的補貼，有利于解決種植大戶融資困境。

5.促進固定資產(chǎn)投資均衡發(fā)展

種植大戶固定資產(chǎn)投資包括廠房建設(shè)、大型農(nóng)機具購買等多個方面，因此種植大戶投資決策要考慮經(jīng)濟能力和資產(chǎn)用途，避免資金使用效率低下，甚至投資失敗。