數字金融與農業全要素生產率的關系探究
——基于數據包絡法和計量模型

秦佳慧（貴州大學）

一、引言

改革開放以來，中國農業發展取得巨大成就。根據2022年《中國農村統計年鑒》數據顯示，我國糧食總產量已由1978年的30477萬噸上升至2021年68285萬噸，農業經濟實現飛速增長。但是現階段的農業發展仍然受到多方面限制。[1]黨的二十大報告指出，建設農業強國，必須加快轉變農業發展方式，更加重視和依靠科技進步，走內涵式發展道路，提高農業全要素生產率。由此可見，農業全要素生產率的提升已成為農業高質量發展的新動能，是決定我國農業長期穩步增長的關鍵因素。

雖然目前學界在農業全要素生產率分析上已經取得了相對豐富的研究成果，但是鮮少有研究分析數字金融對其的影響，且測算方式多采用隨機前沿分析，但該方法依賴于參數估計，生產函數由研究中主觀設定，而數據包絡分析更適用于多投入多產出的生產效益評價，[2]因此，首先采用數據包絡分析了各省份不同時期農業全要素生產率及其分解內容，利用空間計量模型討論其空間溢出效應，為我國農業加速實現現代化轉型提供參考。剔除西藏、港澳臺和直轄市樣本，最終選取了2012—2020年中國26個省份的數據，個別缺失變量采取線性插值法進行預測補全，對相關變量作對數處理，對連續變量進行Winsorize雙側縮尾處理。數據來源于《中國農村統計年鑒》《中國統計年鑒》《中國人口和就業統計年鑒》和北京大學互聯網研究中心發布的《數字金融普惠金融指數》。

二、理論分析與研究假說

農業全要素生產率衡量的是在生產過程中，除了物質、勞動、資本投入以外其他因素對生產效率的影響，常包括農業技術進步和農業技術效率等。數字金融的發展可以通過緩解資金約束和提升資源配置效率提高農業全要素生產率。相較于傳統金融服務，數字金融能夠利用數字技術擺脫在時間和空間上的限制。首先，農村人群分布較散，傳統金融業務受到地域限制，覆蓋范圍難以向外擴張，而大數據與金融創新產品相結合能夠突破傳統金融的局限，為更多農戶生產經營活動提供資金支持。數字化的業務辦理模式簡化了申請和審批過程，使農戶獲得資金更加高效便利，能夠更大程度地滿足農戶生產性資金需求。其次，傳統金融業務要求借貸時需要足夠的抵押物和征信背景，由于農業市場信息不對等和農村個人信息的不透明，導致傳統金融機構無法準確判斷借貸風險，所以為了降低成本，金融機構往往更愿意向大型企業提供信貸服務，不愿在農村地區開展金融業務。但是在大數據等信息技術加持下，通過對農戶征信數據進行全方位收集和整理，金融機構能更加準確把握農戶的預期還款能力和服務需求，降低信息不對稱導致的道德風險，為客戶提供更加精準的金融資源。數字金融利用互聯網開展作業節省了機構自身的運營成本，同時也間接降低了借款人的成本壓力。

因此，提出假說：數字金融能夠提升農業全要素生產率。

三、研究設計

（一）變量選取

被解釋變量：農業全要素生產率。從產出和投入兩個層面進行測算，具體地選取農林牧漁總產值作為產出變量，用勞動力、土地、水資源、機械、化肥、農膜、農藥和柴油投入作為投入變量。考慮到利用參數法進行估計時，會因為函數設定不同導致在實際操作過程中出現較大誤差，所以利用DEAP 2.1軟件構建DEA-Malmquist指數來測算農業全要素生產率。

解釋變量：數字金融發展水平。用北京大學數字金融研究中心和螞蟻科技集團組成的聯合課題組編制的省級層面普惠金融指數來衡量。[3]

控制變量：人力資本，用鄉村高中及以上學歷占15歲以上人口比重表示；農村基礎設施建設，用鄉鎮衛生院數量表示；農村收入水平，用農村居民人均可支配收入表示；農業財政支出，用地方公共預算農林水支出表示；城鎮化，用城鎮化率表示。

（二）模型設計

由于經濟個體并非單獨存在，所以省份與省份之間的數字普惠金融發展息息相關，因此在分析數字普惠金融對農業全要素生產率的影響時，應該考慮數字普惠金融的空間依賴性。設定空間誤差模型探究數字普惠金融對農業全要素生產率的影響，具體模型如下：

W為空間權重矩陣，本文使用的是鄰接權重矩陣。λ為自相關系數，vit是隨機擾動項。

四、實證結果及分析

（一）農業全要素生產率測算

利用DEA-Malmquist指數測算農業全要素生產率、技術效率、技術進步、累積效率變動和規模效率變動。由于本文篇幅有限，僅列舉出東、西、中部地區農業全要素生產率及其分解的均值，具體結果見表1。在樣本期間內，西部地區農業全要素增長率最高，其次是東部地區，中部地區最低。東部地區和中部地區的全要素生產率增長都得益于技術進步，而西部地區是在技術進步和效率提升的同時作用下實現全要素生產率增長。

表1 2012—2020年農業全要素生產率及其分解項

（二）空間計量模型

1.空間自相關檢驗

利用鄰接權重矩陣和指數對各省數字金融發展進行空間自相關檢驗，數字金融的指數都在1%的水平下顯著為正，說明該變量存在空間正相關，呈現出“高高聚集”和“低低聚集”，因此有必要從空間角度進行分析。

2.空間模型實證結果

采用豪斯曼檢驗法發現，模型P值為0.001，意味著在1%的顯著水平上拒絕原假設，故選擇固定效應模型。拉格朗日（LM）檢驗中，LM-erro和穩健性LM-erro檢驗都在1%水平上顯著，但LM-lag和穩健性LM-lag檢驗都不顯著，借鑒Anselin和Florax（1995）[4]的評判標準，選擇空間誤差模型（SEM）進行實證檢驗。表2結果顯示，數字金融的發展對農業全要素生產率的提高有顯著空間溢出效應，1%的水平上，數字金融有利于技術效率和累積效率提升，但是對技術進步和規模效率變動影響不大。

表2 空間誤差模型回歸結果

3.穩健性檢驗

使用數字金融覆蓋廣度和數字金融使用深度作為解釋變量的替代變量，結果顯示，數字金融覆蓋廣度和使用深度分別在10%和5%的顯著水平上促進農業全要素生產率提高。穩健性估計結果與基準回歸結果不存在顯著差異，本文的研究結論依然成立。

五、結論與建議

（一）研究結論

首先基于2012—2020年中國26個省、自治區的面板數據利用DEAP2.1測算農業全要素生產率及其分解項，之后采用OLS、系統GMM和空間計量模型，通過Stata16.1軟件分析得出：首先，數字金融可以顯著促進農業全要素生產率的提升，在更換變量后該結論依然成立。其次，數字金融發展具有空間自相關性，各省份的數字金融發展水平受相鄰省份影響。最后，數字金融主要通過提升技術效率和累積效率來提升全要素生產率，對技術進步和規模效率提升作用不顯著。

（二）政策建議

基于上文提出以下政策啟示：一是持續發揮數字金融對農業全要素生產率的積極影響，加大對農村數字金融發展的支持。一方面，通過政策傾斜推動農村數字金融發展，尤其著力提升數字金融覆蓋廣度和數字金融使用深度；另一方面，地方政府應加快完善鄉村數字化建設，提升農村地區數字終端的普及率。二是要建立精準動態化、差異化的扶持機制，根據不同地區的發展差異，因地制宜構建地區數字金融發展體系。促進省際間交流，充分發揮數字金融對農業全要素生產率的空間溢出效應，推動農業現代化轉型。