數字普惠金融對農業綠色全要素生產率的影響及空間溢出效應

■張翱祥 鄧榮榮

一、引言

改革開放以來，中國農業經濟快速發展，農業產出水平不斷提高，糧食產量由1978年的30476.5 萬噸增至2020年的66949 萬噸，農民收入持續增長，2020年農村居民人均可支配收入達到17131 元，增速連續11年快于城鎮居民。但我國農業生產仍然面臨人多地少、自然災害頻繁等難題。同時，由于在種植過程中大量使用農業化工產品而造成了嚴重的環境污染，對農產品和農村環境安全構成了威脅。第二次全國污染源普查表明，環境污染的主要來源之一是農業污染源。在工業污染物治理初見成效的背景下，農業污染治理成為環境保護的關鍵。因此，農業的發展目標不僅僅是在資源剛性約束下確保農產品供需平衡，還必須充分考慮資源的承載能力和環境保護問題[1]。十九大報告提出要按照產業興旺、生態宜居、鄉風文明、治理有效、生活富裕的總體要求，實施鄉村振興戰略。保證農村經濟持續穩定的增長，注重農村生態環境的保護，提高資源環境約束下的全要素生產率成為農業發展的主要目標。

隨著第四次工業革命的興起，數字技術迅速發展，數字普惠金融作為數字技術與傳統金融相結合形成的新業態，成為推動中國經濟包容性增長的新動能[2]。數字普惠金融有效緩解了弱勢群體的金融排斥問題，為農業、農村經濟發展提供了資金支持[3]。農村金融被認為是促進農業綠色全要素生產率提升的重要手段[4]。然而，長期以來我國存在金融“二元結構”現象，與城鎮相比，農村金融資源的可得性和可利用性都較低，這阻礙了農村經濟的發展。數字普惠金融作為傳統金融的助推器，其發展是否會對農村綠色全要素生產率產生影響？通過理論分析和實證檢驗探究這一問題，對我國推進鄉村振興戰略、加快農業現代化具有理論和現實意義。

農業綠色全要素生產率是指將農業面源污染、碳排放等環境要素加入后計算得到的農業綠色全要素生產率，衡量了地區農業綠色發展的綜合效率[5]。有關農業綠色全要素生產率的研究主要集中在效率測算、時空演化以及影響因素等幾個方面。第一，在效率測算方面，現有的農業綠色全要素生產率效率測算方法主要有兩種。一種是以隨機前沿生產函數（SFA）為主的參數法[6，7]。該方法可以設定具體的生產函數形式，但往往只能考慮單一產出的情況，不能對多投入多產出的效率模型進行測度，在測算農業綠色全要素生產率時易產生偏差。另一種方法是以數據包絡分析（DEA）為主的非參數方法。該方法考慮了多投入多產出的情況，通過線性規劃得到生產前沿面并計算各決策單元的生產率，能夠更加準確地對生產率進行測算和排序。在農業綠色全要素生產率的研究中，最常用的非參數方法有SBM模型和Malmquist-Luenberger（簡稱ML）指數[8，9]。其中，ML指數法可以考察農業綠色全要素生產率的動態變化情況，并能夠提供生產率變化的細分，識別出效率變化的主要來源，因而得到了廣泛的應用。例如，杜江等[10]采用GML 指數方法，從全國及省級層面測算了1991—2013年農業增長的環境技術效率、技術進步與環境全要素生產率。郭海紅等[11]采用ML 指數法從動態視角分析了中國2006—2016年31 個省份的農業綠色全要素生產率變化情況及增長來源。金芳等[12]基于GML 指數測度了中國31 個省份1997—2017年的農業綠色生產率，并將其分解為綠色技術進步指數。第二，在時空演化方面，有關研究較為豐富，研究結論根據研究方法和研究角度的差異也會有所不同。例如，王兵等[13]基于碳排放約束和產區異質性研究發現1993—2017年中國農業綠色全要素生產率持續增長，其中技術進步是主要驅動力，主銷區年均增長率最高，主產區次之，平衡區最低。劉亦文等[5]研究發現2001—2018年間中國八大經濟區農業綠色全要素生產率均實現了較好的增長，但具有時間、空間及區域差異性，其中西南經濟區增長最快，東北經濟區增長最慢。第三，在農業綠色全要素生產率的影響因素方面，學術界已經展開了豐富且充分的研究，影響因素主要有農村人均收入、農業結構、農業受災率、農村人力資本、農業財政支持、農村金融支持、工業化程度、城鎮化程度等[14—16]。與本文研究密切相關的是有關金融發展與農村綠色發展的研究。例如，李健旋[4]從農村金融發展規模、金融發展結構以及金融發展效率三個角度分析了農村傳統金融發展對農業綠色全要素生產率的作用，發現農村金融發展在提升農業綠色全要素生產率中起到了顯著積極的作用。張軍偉等[17]研究發現農村信貸和農業保險對綠色農業發展的作用不明顯，農業信貸對小農戶綠色生產作用不明顯，但提高了規模農戶碳排放強度，農業保險降低了蔬菜業碳排放強度。馬駿等[18]從理論的角度分析得出結論：綠色金融與普惠金融協同發展可有效推動綠色農業發展，在提高農村金融可得性的同時，改善環境、降低碳排放。

綜上所述，圍繞農業綠色全要素生產率的效率測算、時空演化和影響因素，學術界已經積累了豐碩的研究成果，但少有研究涉及數字普惠金融發展對農業綠色全要素生產率的影響。賀茂斌等[19]、許釗等[20]通過實證研究驗證了數字金融發展具有一定的碳減排效應和污染減排效應。同時，數字普惠金融的發展緩解了農村金融資源獲取難、成本高、效率低等問題，提高了農戶的正規信貸可得性和正規信貸規模[21]，推動了鄉村振興和農業農村現代化建設[22]。據此，本文重點聚焦數字普惠金融發展與農村綠色全要素生產率的關系，基于中國30 個省份2011—2018年的面板數據，分析數字普惠金融發展對農村綠色全要素生產率的影響，并分析其空間溢出效應和分維度影響，為更好地發揮數字普惠金融在農業、農村中的綠色增長效應提供穩健的實證依據和決策參考。

本文可能的貢獻在于：第一，本文從數字普惠金融的角度拓展了金融發展與綠色全要素生產率關系的研究，豐富了與數字普惠金融和農業綠色發展相關的理論體系。第二，本文考慮了空間因素，關注鄰省間可能存在的空間關聯與溢出效應，并探尋空間溢出效應在農業綠色生產率增長中的重要作用。第三，本文采用工具變量法來緩解數字普惠金融和農業綠色全要素生產率之間可能存在的內生性問題，并采用三類空間權重矩陣進行空間計量分析，使研究結論更加可靠。

二、理論分析

具體來講，數字普惠金融對農業綠色全要素生產率的影響體現在以下幾個方面：

第一，數字普惠金融通過緩解融資約束提高農業綠色全要素生產率。數字普惠金融憑借互聯網等數字技術可以實現金融服務交易的時空異步，使交易流程標準化、便捷化，降低了金融服務供給成本和農戶的金融服務使用成本，幫助農戶了解金融產品的作用、抵押擔保條件等，激發農戶使用金融服務的意愿，有助于緩解農村地區的金融需求不足和金融排斥等問題。數字技術的應用使傳統金融服務打破“二八定律”[23]，發掘“長尾”市場，擴大農戶對互聯網保險、投資理財等金融產品的購買規模，使得金融機構能以較低的成本收攏零散的金融資源，在優化農戶財富管理的同時整合金融資源，提升金融資源供給水平。普通農戶和農村小微企業獲得充足的資金后，將增加對農機設備、農業良種、新型農業技術設備的應用，推廣農業機械化和農業技術化，實現生產規模化、集約化，降低資源的邊際消耗和環境污染物的邊際排放，提高各類投入要素的利用效率。此外，數字普惠金融還為生態農業、循環農業、智慧農業、創意農業等農業新興產業的發展提供了籌資支持[24]。

第二，數字普惠金融通過優化資源配置提高農業綠色全要素生產率。首先，傳統金融機構為了降低成本和提高收益，往往通過企業的可抵押資產、后續的盈利能力、現期市場規模等條件篩選授信客戶，并傾向于為大型企業提供大額的信貸產品，這往往導致金融資源流向高消耗、高污染排放的工業企業。在農村地區，金融服務額度較小且信用收集困難，導致傳統金融機構不愿在農村地區提供金融服務。而數字普惠金融內嵌的大數據、云計算等數字技術，可以對農戶征信數據進行收集、分析、決策，弱化信息不對稱和道德風險，幫助金融機構準確把握農戶的金融服務需求[25]，為農戶提供可負擔的金融服務，亦可以與綠色金融理念相結合，更加精準地向種植業、養殖業、三產融合、農機裝備、污染防治和新型主體培育等關鍵領域的綠色農業活動配置充足的金融資源[18]，從而提高農業綠色全要素生產率。其次，數字普惠金融推行的綠色發展理念，可以促進資本、技術、人才等生產要素向綠色農業等環保項目以及環境污染治理項目流動[26]，引導傳統農業綠色轉型。最后，數字普惠金融為農村小微企業、低收入農民等弱勢群體提供了獲得金融服務的機會，催生出新的就業崗位，拓展了農戶增收的渠道，讓農民更有條件提升技能，在農村地區產生勞動力池效應、人力資本效應，提高勞動力素質，優化勞動力配置[27，28]，最終提升農業綠色全要素生產率。

第三，數字普惠金融通過支持技術創新提高農業綠色全要素生產率。農業技術創新可以通過打破資源稀缺和傳統技術落后的限制，大幅提高農業資源利用效率，改善農業發展質量和農業環境質量[29]。數字普惠金融對農業技術創新的影響體現在：一方面，農業技術創新具有投入沉沒性、過程不可逆、成果不確定、調整成本高、融資成本高等特征，并且研發成果的產出和轉化具有一定的滯后性，這就意味著農業技術創新需要充足的金融資源予以支持。對此，數字普惠金融可以憑借易獲得、成本低的優勢為農業技術創新提供充足的資金支持，而且數字普惠金融催生出了多樣化的金融服務產品，農業企業可根據實際融資需求選擇合適的金融工具及其組合來推動農業技術創新[30]。另一方面，張瑞娟等[29]研究發現金融保險和信息獲取渠道能顯著提升農戶采納新技術的概率。數字普惠金融的發展增加了農戶購買保險產品和獲取貸款的機會，有助于農戶接收采納新型農業生產技術，互聯網、5G 等數字基礎設施的完善拓寬了農戶獲取信息的渠道，這亦有利于農業技術的推廣，最終促進農業綠色全要素生產率的提高。

三、研究方法

（一）農業綠色全要素生產率測算

本文采用SBM方向距離函數與ML指數相結合的方法測算農業綠色全要素生產率指數。假定有n個決策單元（DMU），且每個決策單元有3個向量，投入向量、期望產出向量和非期望產出向量，分別記為x ∈Rm，yg∈RS1，yb∈RS2。定義矩陣X、Yg、Yb分別為：其中X＞0，Yg＞0，Yb＞0，單元的生產可能集P為：

Tone[31]提出的包含非期望產出的非徑向SBM模型將松弛變量和非期望產出加入到傳統DEA 模型中，有效地測度了環境效率。單元k 在非期望產出的SBM方向距離函數如下：

式中：為方向距離函數；分別表示投入冗余量、期望產出不足量和非期望產出超出量；S-、Sg、Sb為所對應的向量；當S-=Sg=Sb=0時，時決策單元是有效的，λ為權重向量。在此基礎上農業綠色全要素生產率指數（GML指數）可表達為：

若農業生產活動的期望產出大于非期望產出，那么GMLt,t+1＞1，表示農業綠色全要素生產率上升；反之，若非期望產出大于期望產出，那么GMLt,t+1＜1，表示生產率下降。GML 指數可進一步分解為技術效率變化（GEC）和技術進步（GTC）：

（4）式中，GECt,t+1為技術效率變化，表示當期與生產前沿面的“最佳實踐者差距”。GECt,t+1＞1 時，說明效率提升；GECt,t+1＜1 時，說明效率下降。GTCt,t+1為技術進步，表示生產前沿面的變化情況，即兩個時期“最佳實踐”的變化率。GTCt,t+1＞1 時，說明技術進步；GTCt,t+1＜1 時，說明技術退步。

參考已有文獻[10—12]，考慮數據的可得性和合理性，構建投入產出指標體系，如表1所示。其中：農業從業人員通過計算農林牧副漁從業人員與農業總產值占農林牧副漁業總產值比重的乘積得到。實際農業總產值以2011年為基期對各年度農業總產值進行平減處理得到。借鑒葛鵬飛等[32]的研究，以農業碳排放作為非期望產出，并把農業碳排放分為兩部分，一部分是化肥使用、農用柴油、農地灌溉、農藥使用及農膜使用引發的碳排放，另一部分是水稻生產所產生的甲烷（CH4）的排放，將水稻分為早稻、中稻和晚稻，根據各省的CH4排放系數計算CH4排放值，據此計算碳排放量。碳排放系數和CH4排放系數參見田云等[33]的研究。

表1 GML測算指標體系

（二）主要變量定義與數據來源

1.被解釋變量。本文的被解釋變量為農業綠色全要素增長率（GML）。前文提到的GML指數體現了農業綠色全要素生產率的增長率，是以前一年基期為1計算得來的環比指數。故在實證分析中，參照李谷成[14]的做法，對GML指數進行累積化處理，得到GML。

2.核心解釋變量。本文的核心解釋變量為數字普惠金融指數（DIF）。數據源自北京大學互聯網金融研究中心發布的《數字金融普惠金融指數》[34]，該指數是在螞蟻金融提供的金融服務數據基礎上合成的，衡量了我國省級、城市級以及縣級數字金融發展程度。數字普惠金融指數包括三個子維度，分別是覆蓋廣度、使用深度和數字化程度。其中，覆蓋廣度（Bre）主要包含支付寶賬號數量、支付寶綁卡用戶比例和支付寶賬號綁卡數量三項指標，體現的是數字金融的覆蓋率；使用深度（Dep）涵蓋支付、信貸、保險、投資、信用以及貨幣基金等服務，體現的是數字金融工具種類的增多和可得性的提升；數字化程度（Dig）涵蓋移動化、實惠化和便利化，體現的是數字金融與數字技術的融合程度以及普惠性程度。本文將采用這3 個子指標作為解釋變量來研究不同維度數字金融對農業綠色全要素生產率的影響，并對上述變量均除以10，以縮小與被解釋變量量綱的差距。

3.控制變量。參考以往研究[14-16]，本文控制了如下變量：①人均收入（Pa），采用以2011年不變價的農業生產總值除以鄉村總人口來表示，反映農業經濟發展的基本情況；②自然災害（Nat），采用農作物受災面積占農作物播種面積的比重表示，通常農業受災率越高，引起的要素投入的損失會越大；③農業人力資本（Hum），采用人均受教育年限表示，設定小學、初中、高中中專、大專以上的受教育年限分別為6年、9年、12年和16年，據此計算人均受教育年限。④對外開放程度（Open），采用農產品對外貿易額占農業總產值的比重表示，對外開放水平更高的地區越容易學習國外先進的技術和管理經驗，可能對本地區農業綠色發展產生促進作用。⑤城鎮化率（Urb），采用非農人口占總人口的比重表示；⑥工業化程度（Ind），采用工業增加值占地區生產總值的比重表示，工業化程度的提升可能會增加對農產品的需求，促進農業經濟發展。

各變量的描述性統計情況見表2。

表2 各變量描述性統計

4.數據來源。為了保證樣本數據的連續性和可得性，結合行政區劃調整和數據缺失的情況，本文的研究樣本為2011—2018年中國30 個省份的面板數據（西藏、港澳臺除外），數據均來源于《中國統計年鑒》《中國農村統計年鑒》以及EPS 數據庫。對于部分缺失的數據，采用線性插值法進行補齊。

（三）模型設定

考慮到GML 可能存在空間依賴性或空間異質性[12]，而傳統線性回歸模型由于忽略空間因素可能會導致實證結果偏誤[35]，因此，本文采用空間面板模型檢驗數字普惠金融與GML之間的關系，構建以下模型：

（5）式中：下標i、t為省份和時間；W為空間權重矩陣；GML為農業綠色全要素生產率（累積值）；DIF為數字普惠金融指數；C為一系列控制變量；u為省份個體效應；v為時間效應；μ為隨機誤差項；ρ為GML的空間自相關系數；λ為隨機誤差項的空間自相關系數。上式為空間計量模型的一般形式，根據相關系數是否為零可以將其分為3 種空間計量模型：當λ=β1=β2=0 時，該模型為空間滯后模型（Spatial Lag Model，SLM）；當ρ=β1=β2=0 時，該模型為空間誤差模型（Spatial Error Model，SEM）；當λ=0時，該模型為空間杜賓模型（Spatial Durbin Mod?el，SDM）。后續將通過Moran’s I 指數檢驗GML 是否存在空間相關性，并通過LM 檢驗、Wald 檢驗和LR檢驗等方法決定采用何種空間計量模型。

四、實證結果

（一）中國農業綠色全要素生產率的變動趨勢與空間差異

如圖1所示，2011—2018年農業綠色全要素生產率、技術進步指數與技術效率指數的年均增長率分別為1.5%、1.2%和0.3%，由此可見技術進步與技術效率均推動了農業綠色全要素生產率的提升，但是技術進步的貢獻率更大（80%）。按時序變化來看，農業綠色全要素生產率的增長率在2012—2013年出現了一次明顯的提升，從成分來看，這是技術進步所推動的。2013年以后，農業綠色全要素生產率的增長率呈現緩慢上升的趨勢，但始終大于1，表明在研究期內生產率經歷著持續增長。就成分來看，技術進步指數僅在2014—2015年小于1，在其他年份仍是生產率增長的重要推動力，而技術效率呈現波動變化趨勢，效率值在1上下浮動。

圖1 2011—2018年中國農業綠色全要素生產率指數及其成分變動趨勢

為識別區域間農業綠色全要素生產率的差異，本文根據國家統計局區域劃分標準，比較東部（含北京等11個省份）、中部（含山西等8個省份）、西部（含內蒙古等12個省份）的農業綠色全要素生產率。表3顯示了2011—2018年中國省際和區際農業綠色全要素生產率及其成分的變動情況。

表3 2011—2018年中國省域農業綠色全要素生產率指數及其成分變動趨勢

在區際層面，東部地區、西部地區的農業綠色全要素生產率年均增長率分別為4.1%和0.3%，中部地區農業綠色全要素生產率呈負增長，年均下降0.4%，可見中部地區省份農業生產效率較為低下，農業生產受資源環境約束較為嚴重。從農業綠色全要素生產率的成分來看，東部、中部、西部地區技術效率的年均增長率分別為0.3%、0.1%和0.4%，技術效率對西部地區農業綠色全要素生產率的貢獻最大。東部地區技術進步年均增長3.8%，中部和西部地區年均下降0.5%和0.1%，可見技術進步僅對東部地區農業綠色全要素生產率有所貢獻，技術退步是中部地區生產率下降的主要原因。東部地區農業綠色全要素生產率為“雙驅”增長模式，西部地區為技術效率“單驅”增長模式。

在省際層面，各省農業綠色生產率的變動存在較大差異，其中有20個省份生產率的年均增長率為正，占總數的2/3。以全國綠色全要素生產率年均增長率1.5%為參照值，有13 個省份位于其上，僅占總數的43.33%，東部地區有10 個省份，西部地區有3個省份，中部地區未有省份超過平均水平，可見農業綠色全要素生產率出現了“中部塌陷”的現象。從省際農業綠色全要素生產率成分的變動剖析生產率增長源泉，技術進步對21個省份的農業綠色全要素生產率起到了促進作用，技術效率對15個省份的農業綠色全要素生產率起到了促進作用。天津、浙江、山東、廣東、湖北和陜西6個省份的技術效率和技術進步均大于1，呈“雙驅”增長模式；北京、河北、遼寧、上海、江蘇、福建、江西、湖南、重慶、四川、貴州和新疆12 個省份技術進步大于1，為技術進步“單驅”增長模式；吉林和河南2 個省份技術效率大于1，為技術效率“單驅”增長模式；其他10個農業綠色全要素生產率下降的省份中，僅有山西技術進步大于1，說明技術退步是導致這些省份生產率下降的主要原因。

（二）空間相關性

根據地理學中的空間依賴性和空間異質性，地理事物或其屬性在空間分布上可能存在相關性，這種空間自相關性與傳統線性回歸模型的空間獨立性假設相互矛盾，從而使得傳統的統計學方法不再有效，因此在計量分析前需要檢驗變量是否存在空間相關性。本文采用Moran’s I指數檢驗農業綠色全要素生產率（GML）的空間自相關性，其計算公式如下：

式中：n 為省份數目；yi和yj分別為i 省和城市j省的GML；yˉ為各省GML 的平均值；Wij為空間權重矩陣，基于Rook 鄰接標準獲得。I 的取值范圍為[-1，1]。其值為正且越趨向于1時，表示GML較高（較低）的省份在空間上集聚；其值等于0 時，則表示GML 隨機分布；若其值為負且趨向于-1 時，則表示某省份與其周邊省份的GML 具有顯著的空間差異性。采用Z 統計量對Moran’s I 指數的顯著性進行檢驗，Z值的計算公式如下：

采用Geoda軟件測算GML的Moran’s I指數，結果如表4所示，可以看到省域GML的Moran’s I指數均為正且至少在10%的水平上顯著，說明省域GML存在正的空間自相關性，Moran’s I指數呈現先下降后上升的趨勢，后維持在0.15左右，且顯著性有所加強，說明省域GML之間的空間相關性有所加強。

表4 省域GML的Moran’s I指數

（三）數字普惠金融對農業綠色全要素生產率的影響

前文的分析證實了農業綠色全要素生產率（GML）存在顯著的空間依賴性，不滿足傳統線性回歸模型區域之間互相獨立的前提假設，需要采用空間計量模型對傳統線性回歸進行修正，進而實證分析數字普惠金融對GML 的影響。為判斷采用何種模型最適合本文的研究，本文進行了各類模型選擇的檢驗，結果如表5所示。拉格朗日乘數檢驗（LMtest）、似然比檢驗（LR-test）以及瓦爾德檢驗（Waldtest）均表明SDM 模型比SLM 模型和SEM 模型更加合理。因此，本文應選用SDM 模型。Hausman 檢驗統計量為110.75（p=0.00），表明固定效應要優于隨機效應，因此本文主要對固定效應空間杜賓模型的回歸結果進行解釋說明，回歸結果如表6所示。

表5 模型檢驗結果

表6 空間杜賓模型回歸結果

1.數字普惠金融指數。數字普惠金融的系數為正且在5%的水平上顯著，說明數字普惠金融促進了農業綠色全要素生產率的提升。數字普惠金融的發展緩解了農村地區的融資約束，提高了農村地區金融資源的配置效率，并促進了農業技術創新，從而對農業綠色全要素產生促進作用。數字普惠金融對技術效率和技術進步均產生了顯著的提升作用，說明數字普惠金融，既通過縮小“落后者”的“最佳實踐者差距”，也通過激勵“領先者”的“最佳實踐”促進了農業綠色全要素生產率的提升。

2.其他變量。人均收入的系數為正且顯著，說明農戶隨著人均收入的提升，將會購買農業優質良種和先進農業機械設備，改進農業灌溉等基礎設備，有利于提升農業綠色全要素生產率；自然災害的系數為負且顯著，說明自然災害導致的損失，減少了農業產量，影響了落后者的“追趕效應”或先進者的“最佳實踐”，不利于改善農業綠色全要素生產率；農業人力資本的系數為正且顯著，說明農業人力資本帶來了農業技術進步，使農業生產前沿面外擴，是決定生產率長期增長的關鍵因素。對外開放程度系數為正且顯著，說明對外開放程度越高，各農業生產單位越容易學習到先進技術，有利于農業綠色全要素生產率的提升；城鎮化率和工業化程度均顯著提升了農業綠色全要素生產率，這是由于城鎮化和工業化的推進為農業發展創造物質基礎和產品市場，并持續地增加對農產品質量和數量的需求[4]，倒逼農業經濟增長和農業生產結構優化，有利于農業綠色全要素生產率的提升。

3.空間滯后變量。空間自相關系數（ρ）為0.179，在5%的水平上顯著，說明省域農業綠色全要素生產率存在空間相關性，進一步證實采用空間面板模型是合理的。周邊地區數字普惠金融的發展不利于本省份的農業綠色全要素生產率提升，這可能是由于數字金融發展水平較高的省份對金融資源產生了“虹吸效應”，不利于本地區對農業的資金支持。周邊省份人均收入、對外開放程度、城鎮化率均提升了本省的農業綠色要素生產率，這主要是由于周邊地區對農業產品的大量需求促進了本地區農業經濟的增長，同時頻繁的農業貿易往來促進了農產品專業化生產，擴大了農業技術的溢出效應，有利于促進農業綠色全要素生產率的提升。

為進一步研究數字普惠金融發展影響農業綠色全要素生產率的空間效應，本文參考已有研究[36]，采用偏微分求解方法對數字普惠金融發展影響農業綠色全要素生產率的空間效應進行詳細分解，結果如表7所示。可以看到數字普惠金融指數的直接效應為正，間接效應為負，由于間接效應絕對值較大，導致總效應為負且顯著，這表明各省份數字普惠金融的競爭效應不利于“落后者”的追趕，金融資源在區域間的配置不盡合理，應進一步優化金融資源的區域配置，提高金融資源在各地區的使用效率，擴大金融服務對農業綠色全要素生產率的邊際效用。其他變量的分解結果與前文關于各變量空間滯后項的分析一致。

表7 空間杜賓模型的各變量效應分解

（四）數字普惠金融分維度對農業綠色全要素生產率的影響

為了進一步分析數字金融的哪些維度影響了農業綠色全要素生產率，本文分別對其進行空間杜賓模型估計，回歸結果如表8所示。結果顯示，數字普惠金融覆蓋廣度和數字化程度均促進了農業綠色全要素生產率的提升，而數字普惠金融使用深度的作用并不顯著。覆蓋廣度的增加意味著網絡支付普及率的提升，數字金融服務更易延伸到偏遠城鎮和農村地區，緩解農村融資約束，從而促進農業綠色全要素生產率的提升。數字化程度的提高意味著數字金融與數字技術的融合程度以及普惠性程度的提升，說明金融機構通過應用大數據、云計算等數字技術弱化了信息不對稱，使金融服務更加精準化，同時降低了金融資源的利用成本和門檻，使金融服務更加便利、實惠，更易發揮農村金融對綠色全要素生產率的促進效應[4]。數字普惠金融使用深度并未發揮作用，這可能是由于農戶對各類金融工具的認識不足，金融產品使用率較低，難以發揮金融工具多樣化優勢所導致的。

表8 分維度空間杜賓模型回歸結果

（五）穩健性檢驗

本文的研究結論表明數字普惠金融顯著提升了本省的農業綠色全要素生產率，為驗證該結論的可靠性，本文擬通過以下方法進行穩健性檢驗：

1.內生性處理。盡管本文盡可能控制了影響農業綠色全要素生產率的變量，但可能依然存在遺漏變量所導致的內生性問題，并且數字普惠金融與農業綠色全要素生產率之間可能存在反向因果問題，農業綠色全要素生產率較高的地區可能更易推動數字普惠金融的發展。本文采用工具變量法緩解內生性，參考易行健等[37]、Bartik[38]的做法，構建工具變量“Bartik instrument”，即滯后一階的數字普惠金融指數（DIFit-1）和數字普惠金融指數一階差分（△DIFit-1）的乘積（DIFit-1×△DIFit-1），該工具變量模擬了在相同的發展趨勢下，各省數字普惠金融指數的預期值。構建此工具變量的考慮如下：第一，全國數字普惠金融指數來自30個省（均值），因此其變化趨勢不會明顯受到單個省份的影響，差分項相對于單個省份而言可視作外生。第二，省份綠色全要素生產率可能受到其他未觀測沖擊的影響，但只要這種沖擊沒有影響全國數字金融指數，該工具變量就是有效的。工具變量法回歸結果如表9（1）列所示，弱工具變量檢驗（C-D Wald F）、不可識別檢驗（Anderson LM）、過度識別檢驗（Sargan）均拒絕了原假設，表明工具變量的選取是合理的，數字普惠金融指數的系數為0.019，且通過了1%水平的顯著性檢驗，說明數字普惠金融推動了農業綠色全要素生產率的提升，前文的實證結論是穩健的。

2.變換空間權重矩陣。本文分別采用地理距離矩陣和經濟距離矩陣進行穩健性檢驗。其中，地理距離矩陣的非對角線元素采用城市間直線距離的倒數表示，經濟地理矩陣的非對角線元素則采用各省份年均GDP 差值絕對值的倒數表示。如表9（2）和（3）列所示，無論采用何種空間權重矩陣，實證結果均表明數字普惠金融顯著提升了本省的農業綠色全要素生產率，而周邊省份數字普惠金融的發展降低了本省農業綠色全要素生產率。因此，前文的實證結論是穩健的。

表9 穩健性檢驗

五、結論及政策建議

本文在理論上分析了數字普惠金融對農業綠色全要素生產率的影響機理，并基于2011—2018年中國30 個省份的面板數據，采用ML 指數法測算了農業綠色全要素生產率指數，并基于空間杜賓模型研究了數字普惠金融對農業綠色全要素生產率的影響。主要結論如下：

第一，2011—2018年中國農業綠色全要素生產率不斷改善，主要由技術進步推動。就地域分布來看，東部地區農業綠色全要素生產率增長最快，西部地區次之，而中部地區出現負增長。東部地區農業綠色全要素生產率為“雙驅”增長模式，西部地區為技術效率“單驅”增長模式，技術退步是中部地區農業綠色全要素生產率下降的主要原因。

第二，數字普惠金融提升了綠色技術效率，促進了綠色技術進步，改善了農業綠色全要素生產率，但數字普惠金融對農業綠色全要素生產率產生了負的空間溢出效應。數字普惠金融的分維度回歸結果表明，數字金融覆蓋廣度和數字化程度可促進農業綠色全要素生產率提升。

第三，人均收入、農村人力資本、對外開放程度、城鎮化率、工業化程度均與農業綠色全要素生產率呈正相關關系，而自然災害抑制了農業綠色全要素生產率的提升。

基于本文研究結論，提供以下政策建議：

第一，完善農村數字基礎設施建設，發展數字普惠金融。注重城鄉統籌發展，加快“數字鄉村建設”，推動農村地區4G、5G網絡通信基礎設施建設，縮小城鄉數字鴻溝，提高偏遠農村地區計算機、智能手機等移動終端的普及率，提高農村互聯網普及率并保證寬帶網速，適度降低寬帶和流量費用，提高農村居民對數字普惠金融服務的可得性，為發展數字普惠金融提供更好的硬件軟件條件。

第二，優化金融資源配置，促進農業技術效率的提升和農業技術的進步。考慮各地區農業綠色發展的差異性，優化金融資源的區域配置，提高金融資源在各地區的使用效率。在中部、西部地區，積極運用數字化技術引導金融資源流向農業技術創新活動，促進技術進步和技術推廣，扭轉技術退步的局面。東部地區在維持技術進步的同時，應積極改進農業灌溉設備，推廣農業機械設備，提高農業水利化、機械化和信息化水平，提升技術效率水平。

第三，提升數字普惠金融數字化程度，促進傳統金融與數字技術深度融合，弱化信息不對稱和道德風險，幫助金融機構準確把握農戶的金融服務需求，提供更加精準、實惠的金融服務，增加供給水平并提升融通效率。

第四，重視區域視角中數字普惠金融與農業綠色發展的空間溢出效應，在推動本地數字普惠金融發展的同時，重視鄰省間協調發展，避免因不合理競爭產生的空間負外部性，合理配置金融資源，大力支持落后地區數字普惠金融發展，加快推進金融基礎設施建設，基于數字基礎設施發揮發達地區與落后地區互聯互通的輻射效應和帶動作用，促進數字普惠金融的協同發展，進而推動農業綠色全要素生產率整體的提高。■