農業數字化對農業綠色全要素生產率增長的時空效應研究

韓海彬，鄧 美

（天津商業大學 公共管理學院，天津 300134）

一、引言與文獻綜述

農業是我國國民經濟的基礎，更是人類社會的衣食之源與生存之本。當前我國農業面臨著資源約束趨緊、勞動力短缺、生產技術落后等多重挑戰，要破解農業發展中的多重困境，只有促進農業高質量發展，而提升農業全要素生產率（TFP）是促進農業高質量發展的關鍵所在[1]。此外，2022年中央農村工作會議對建設農業強國進行了系統闡釋和全面部署，農業TFP作為一個復合指標能夠集中反映和刻畫農業強國的多維特征，因此農業TFP增長是農業強國建設的內生驅動力。同時，2022年中央農村工作會議上提出要建設農業強國需堅持農業綠色發展底色，為此要加快發展生態低碳農業。我國農業亟需重構增長機制，實現由要素驅動的粗放型增長向綠色全要素生產率驅動的綠色高質量發展轉變[2]。不同于傳統的農業TFP，農業綠色全要素生產率（GTFP）將農業環境污染作為非期望產出納入分析框架，更能刻畫農業綠色高質量發展的真實水平。由此可見，促進農業GTFP增長是推動農業綠色高質量發展的核心動力，將有助于提高農業可持續發展能力，加快農業強國建設。

當前，我國正由農業大國向農業強國邁進，加快農業強國建設的基本前提是轉變農業發展方式。互聯網、云計算和大數據等數字技術被廣泛應用于農業領域，使現代信息技術與農業生產的各個環節實現高效融合，是促進農業發展方式轉變的迫切需要。因此，隨著數字技術滲透到農業各生產環節，農業數字化已成為促進農業發展方式轉型，推動農業高質量發展的重要手段。2019年《數字鄉村發展戰略綱要》指出要提高農業數字化水平，建設綠色智慧鄉村，推廣農業綠色生產方式，推動農業綠色發展。隨著農業數字基礎設施建設逐漸完善，農業新技術和新知識可以利用數字渠道改善農業生產方式，促進農業綠色生產，最終推動農業綠色高質量發展。農業數字化與農業GTFP均是加快農業強國建設的有效方式，并且分別作為推動農業綠色高質量發展的重要手段和核心動力。那么，農業數字化與農業GTFP之間是否具有關聯性，這種關聯性又是否能突破傳統地理界線并表現出一定程度的空間溢出效應？本文試圖通過明晰上述問題，揭示農業數字化對農業GTFP增長的驅動機制，從而為促進農業綠色高質量發展轉型升級，加快農業強國建設提供理論支持和政策參考。

農業數字化是一個集物聯網、智能農業、自動化農業于一體的現代數字農業發展模式。當前學界對農業數字化的研究正處于起步和快速發展階段，相關研究主要集中于農業數字化轉型、農業數字化評價以及農業數字化賦能作用等方面。在農業數字化轉型的相關研究中，國內外學者主要從農業數字化轉型的戰略意義、制約因素及實施路徑等方面展開探討[3-4]；在農業數字化評價方面，相關文獻主要圍繞相對寬泛的數字鄉村建設綜合評價展開，只有少數文獻聚焦農業領域，在構建農業數字化指標體系的基礎上利用靜態評價法對農業數字化發展水平進行綜合評價[5]；在農業數字化賦能作用方面，相關文獻從理論或實證層面探討了農業數字化對農業強國建設、鄉村產業轉型、農業綠色發展以及新型農業經營體系構建等方面的重要作用[6-7]。

傳統的農業TFP測度只考慮農業投入要素對農業經濟增長的正向效應，而忽略其對農業生態環境的負向效應，從而導致政府部門在制定相關政策時僅關注農業經濟績效而忽略農業生態環境保護，這不符合農業綠色高質量發展的目標要求。農業GTFP將環境因素納入農業TFP的分析框架，不僅追求農業生產活動的經濟績效，還考慮資源與環境約束，以實現農業產出增長與環境治理的雙贏目標，從而使農業TFP評價更符合農業綠色高質量發展的內在要求[8]。近年來，隨著農業環境污染問題日益凸顯以及促進農業綠色高質量發展的現實需要，越來越多的學者將農業環境污染排放納入農業TFP測度體系，并對農業GTFP的評價及影響因素等問題展開研究。

在評價方法上，早期文獻大多利用基于方向性距離函數（DDF）的Malmquist-Luenberger（ML）指數將農業環境污染作為非期望產出納入評價指標體系，從而有效解決了農業環境全要素生產率評價問題。然而DDF模型假設投入和產出變量同比例變化，這種強假設條件與事實不符。為此，Tone（2003）[9]提出了非徑向SBM 模型，該模型能夠考慮松弛變量，克服了傳統徑向模型的弊端。因此，目前大多文獻傾向于利用基于SBM模型的ML指數對農業環境全要素生產率進行評價[10]。然而，需要說明的是，SBM模型將生產前沿面上距離決策單元最遠的點作為投影點，這與以最短路徑到達生產前沿面的效率優化目標相違背[11]。為此，Aparicio 等（2007）[12]提出了以強有效生產前沿面上距離決策單元最近的點作為投影點的MinDS（Minimum Distance model to Strong Efficient Frontier）模型，從而有效解決了SBM模型的弊端。鑒于此，少數學者如肖琴等（2020）[13]和劉亦文等（2021）[14]開始嘗試將MinDS模型與ML指數相結合構建用于環境全要素生產率評價的MinDS-ML指數模型。

影響農業GTFP增長的因素是多維度的，現有文獻分別圍繞自然因素、經濟因素、科技因素和社會因素等對農業GTFP的驅動機制展開全方位探討。但現有關于探究農業數字化對農業GTFP增長的影響效應方面的文獻較少，相關研究主要圍繞宏觀經濟領域，探討數字經濟對GTFP的影響。此外，專門聚焦農業領域的少數文獻主要從相對寬泛的數字鄉村層面出發，探討其對農業GTFP的影響。例如，杜建軍等（2023）[15]在對數字鄉村指數和農業GTFP指數進行測度的基礎上，利用中介效應模型探討了數字鄉村對農業GTFP增長的作用機制。

鑒于此，本文從以下兩方面對現有文獻進行拓展：一是在研究內容上，目前專門探討農業數字化對農業GTFP影響的文獻還不多見。本文在厘清農業數字化對農業GTFP影響機理的基礎上，利用空間計量模型實證檢驗農業數字化對農業GTFP增長的時空效應，將有助于從空間視角揭示農業數字化與農業GTFP之間的內在機理，從而為推動農業綠色轉型發展提供新動能。二是在研究方法上，首先，本文利用基于二次加權的“縱橫向”拉開檔次法對考察期內我國各省份的農業數字化發展水平進行動態評價，既能從縱向視角揭示各省份農業數字化發展水平的動態演變規律，又能從橫向角度刻畫不同省份農業數字化發展水平的優劣態勢，而且通過基于時間的二次加權，能夠從時間和空間雙重維度探索農業數字化發展水平的時空演變規律，從而有效克服了傳統靜態評價法的缺陷。其次，本文將MinDS 模型與Global ML 指數相結合構建MinDS-GML 指數模型，并利用該指數模型對我國各省份的農業GTFP 進行測度。該模型不僅具有MinDS模型的優良特性，而且還能解決傳統ML 指數不可傳遞性及可能出現無可行解的缺陷，從而保證測度結果的準確性和科學性。

二、農業數字化對農業GTFP的影響機制

與傳統農業相比，數字農業具有數據化、可視化、網絡化、智能化和共享化等特點。數字技術與農業生產相結合可轉變農業發展方式，促進農業GTFP增長。另外，從空間視角來看，農業數字化發展打破了時空壁壘，增強了區域間農業信息和資源交互作用的廣度和深度，在提升本地區農業GTFP的同時，也可能對鄰接地區農業GTFP產生正向或負向影響。具體來說，農業數字化可通過促進和抑制兩種不同的作用方向影響農業GTFP。

從農業數字化對農業GTFP的抑制作用看，農業數字化主要通過馬太效應、虹吸效應、擠出效應和不良競爭效應抑制農業GTFP增長。首先，當區域間農業數字化發展水平差異較大時，農業數字化水平較高的地區會聚集更多的人才、資金等生產要素，造成“強者愈強，弱者愈弱”的馬太效應[16]，從而導致不同區域農業數字化發展水平之間的差距進一步拉大，區域間農業數字化發展失衡可能會抑制農業GTFP增長。其次，區域農業數字化發展不平衡產生了“數字鴻溝”，在這過程中，對鄰接地區較高級的生產要素產生虹吸效應[17]，導致鄰接地區優質資源流失；同時，隨著本地區聚集高級生產要素的農業產業不斷飽和，一部分存在高污染、高消耗的農業產業被擠出到鄰接地區，進而導致鄰接地區的環境污染加重，從而對鄰接地區的農業GTFP增長產生抑制作用。最后，相鄰地區會通過不良競爭導致農業資源浪費，阻礙農業生產由傳統技術向綠色技術轉型，進而產生對農業GTFP增長的負向影響。

從農業數字化對農業GTFP的促進作用看，農業數字化主要通過良性競爭效應、溢出效應、生態效應和示范效應促進農業GTFP增長。首先，隨著農業數字化發展水平的提升，相鄰地區通過良性競爭實現優勢互補，可有效縮短農業生產技術研發周期，從而促進農業GTFP增長。其次，農業數字化發展產生的先進技術和管理經驗可通過互聯網突破時空約束，產生空間溢出效應，實現遠距離傳播，從而促進鄰接地區農業GTFP增長。此外，農業數字化發展實現農業產業鏈生態循環，促進農產品和農業資源的循環利用，促進農業經濟增長的同時減少環境污染，最終有利于提升農業GTFP。最后，相鄰地區通過示范效應學習和借鑒農業生產的新技術和新模式，實現農業產業的轉型與升級，進而促進農業GTFP增長。

三、研究方法、變量選取與數據來源

（一）研究方法

1.空間計量模型設定

本文采用空間計量模型分析農業數字化對農業GTFP增長的時空效應。常見的空間計量模型主要包括空間滯后模型、空間誤差模型和空間杜賓模型。其中，空間杜賓模型是更為一般化的空間計量模型，可用于分析本地區的被解釋變量是否受到本地區和鄰接地區的解釋變量的影響。因此，本文參考程德智和王滿倉（2021）[18]的研究，構建如下空間杜賓模型以揭示農業數字化對農業GTFP增長的時空效應：

其中，i和t分別表示地區和年份；GTFP表示被解釋變量，即農業綠色全要素生產率累計值；W表示空間權重矩陣；Digit表示作為核心解釋變量的農業數字化；δWijDigitit表示農業數字化的空間滯后項；Xit表示其他控制變量的集合；表示控制變量的空間滯后項；θit表示誤差項。

2.空間權重矩陣設置

構建空間權重矩陣是進行空間計量分析的重要前提。在已有文獻中，地理距離或經濟距離是最常見的空間權重矩陣的權重元素。本文綜合考慮地理距離權重和經濟距離權重雙重維度疊加的影響，參考任陽軍等（2022）[19]的研究，構建如下農業經濟地理嵌套權重矩陣（W）：

其中，Wg為地理距離權重矩陣，該矩陣的元素為考察期內省份間經緯度距離的倒數；為農業經濟規模對角矩陣，該矩陣的元素為t0到t1時段各省份農林牧漁業總產值均值與全國農林牧漁業總產值均值的比值。

（二）變量選取

1.被解釋變量：農業GTFP

按照韓海彬和楊冬燕（2023）[20]的思路，從投入產出角度構建農業GTFP評價指標體系。具體來說，本文選取的投入指標包括土地投入、勞動力投入、農業機械投入和化肥投入；選取的期望產出指標為農林牧漁業總產值。此外，在農業生產過程中除了產生期望產出之外，還會產生對農業生態環境造成污染的非期望產出，本文將農業面源污染和農業碳排放作為非期望產出指標，具體核算方法參見韓海彬（2020）[21]的研究。

在構建農業GTFP 評價指標體系的基礎上，本文將MinDS 模型與Global ML 指數相結合構建MinDSGML 指數模型，并利用該模型對我國各省份的農業GTFP 指數進行測度，具體公式參照Han 和Zhang（2020）[22]的方法。

2.核心解釋變量：農業數字化（Digit）

在已有相關文獻的基礎上[23]，本文構建包括農業數字化的發展環境、基礎設施環境和應用環境3個一級指標以及14個二級指標在內的農業數字化評價指標體系（見表1）。在此基礎上，參考韓海彬（2020）[21]的思路，利用基于二次加權的“縱橫向”拉開檔次法對我國各省份的農業數字化水平進行測度。

表1 農業數字化評價指標體系

3.控制變量

借鑒已有研究[24]，選取以下控制變量：（1）工業化水平（Industry）。工業化可能對農業生產產生技術溢出效應，從而推動農業現代化發展，并對農業GTFP增長產生影響。本文采用工業總產值占國內生產總值的比重衡量工業化水平。（2）農業產業結構（Agristru）。種植業、林業、畜牧業、漁業的比例結構變化，將導致不同細分部門之間的生產要素投入結構發生變化，進而引起農業GTFP的變化。本文采用農業總產值占農林牧漁業總產值的比重衡量農業產業結構。（3）電力利用水平（Electricity）。農村電力系統與農業產業發展息息相關，加強農村電力基礎設施建設，充分發揮其能源優化配置的核心優勢，以高效和安全的能源供給方式適應現代化農村生產模式，進而促進農業GTFP增長。本文采用農村用電量與農作物總播種面積的比值衡量電力利用水平。（4）城鄉收入差距（Income）。城鄉收入差距擴大直接影響農民的農業生產行為，可能導致部分農民為追求高產量和高收入而過量使用農用化學品，從而對農業GTFP增長產生影響。本文采用城鎮居民人均可支配收入與農村居民家庭人均純收入的比值衡量城鄉收入差距。

（三）數據來源

限于數據的可獲得性，本文選取2011—2020年不包括西藏和港澳臺地區的30個省份的面板數據作為樣本進行實證研究。文中涉及的原始數據均來源于《中國統計年鑒》《中國農村統計年鑒》《中國人口和就業統計年鑒》以及各省、自治區、直轄市的統計年鑒等。表2為各變量的描述性統計結果。

表2 變量描述性統計結果

四、實證結果與分析

（一）農業GTFP與農業數字化的測度結果

圖1刻畫了考察期內30個省份的農業GTFP與農業數字化的年平均值，其中左縱坐標表示農業GTFP指數，右縱坐標表示農業數字化水平。

圖1 2011—2020年我國各省份農業GTFP和農業數字化的平均值

如圖1所示，從農業GTFP的測度結果來看，絕大部分省份的農業GTFP均值大于1，說明考察期內我國農業GTFP整體提升，農業綠色轉型發展已見成效。從農業數字化的測度結果來看，考察期內農業數字化均值排在全國前五位的省份均位于東部地區，分別為江蘇（34.3500）、浙江（33.3510）、廣東（30.5268）、北京（29.7475）和上海（27.9687），這些省份的農業數字化水平均較高，農業數字化轉型發展位于全國前列。相較而言，農業數字化均值位列全國后五位的省份均位于西部地區，分別為新疆（13.6202）、貴州（13.4062）、寧夏（12.8646）、甘肅（12.5319）和青海（10.0721）。其中，全國農業數字化發展水平最高省份江蘇是最低省份青海的3.4倍。可見，我國各省份間農業數字化發展水平具有較大差異。

（二）空間計量模型的選擇

本文利用空間計量模型探討農業數字化對農業GTFP的空間溢出效應，但空間計量模型的具體形式需通過各種檢驗進行確定，具體檢驗結果見表3。首先，判斷模型是否存在空間誤差項和空間滯后項需要進行LM 檢驗。LM 檢驗結果顯示：LM-lag、Robust LM-lag 和Robust LM-error 統計量均在1%的顯著性水平上拒絕原假設，LM-error統計量也在10%的顯著性水平上拒絕原假設，說明空間誤差項和空間滯后項均應包含在所構建的模型中，因此本文考慮空間因素并利用空間計量模型進行實證分析是合理的。其次，LR似然比檢驗和Wald檢驗均證明空間杜賓模型不能退化為空間滯后模型和空間誤差模型，因此應選用空間杜賓模型進行回歸分析。此外，Hausman檢驗結果支持選擇固定效應模型。而且，時間LR檢驗和空間LR檢驗均在1%的顯著性水平上拒絕原假設，因此還需考慮時空雙固定效應模型。綜上，空間杜賓模型是最優選擇。

表3 空間計量模型選擇檢驗結果

（三）空間杜賓模型回歸結果分析

本文基于時空雙固定效應空間杜賓模型探討農業數字化對農業GTFP的時空效應，結果見表4。

表4 時空雙固定效應空間杜賓模型回歸結果

由表4可知，空間自相關系數ρ通過了10%的顯著性檢驗，說明農業GTFP存在顯著的空間溢出效應，且回歸結果的擬合優度R-squared為0.8697，說明本文構建的時空雙固定效應空間杜賓模型是合理的。需要說明的是，簡單的點估計結果可能導致對空間溢出效應的錯誤詮釋，而采用偏微分分解方法分解得到直接效應、間接效應和總效應可以提高結論的準確性[25]。此外，考慮到傳統的固定效應模型存在偏誤，本文基于Lee和Yu（2010）[26]的研究，同時給出傳統的時空雙固定效應空間杜賓模型以及時空雙固定效應偏誤校正空間杜賓模型的空間效應分解結果，具體見表5。

表5 空間杜賓模型的空間效應分解結果

由表5可知，兩種模型的空間效應分解結果基本一致，證明了本文實證結果的穩健性。其中，以本地區各解釋變量對本地區農業GTFP的影響效應表示直接效應；以本地區各解釋變量對鄰接地區農業GTFP的影響效應表示間接效應，即空間溢出效應。由于時空雙固定效應空間杜賓模型的應用更為廣泛，下文將以該模型為例對空間效應分解結果進行分析。

從核心解釋變量的空間效應分解來看，農業數字化對農業GTFP具有顯著的正向直接效應，其回歸系數在10%的水平上顯著為正，表明本地區農業數字化對本地區農業GTFP增長具有顯著的正向促進作用。可能的原因是，隨著本地區農業數字化水平的提升，以大數據、互聯網等為基礎的農業數字技術與農業生產各環節的深度融合，能夠促進農業技術進步，實現農業規模化經營，提高農藥、化肥等農業資源的利用效率，從而減少農業碳排放，最終有利于促進本地區農業GTFP增長。同時，農業數字化對農業GTFP的間接效應在1%的水平上顯著為正，表明本地區農業數字化對鄰接地區農業GTFP增長也具有顯著的正向影響。且農業數字化對農業GTFP 的間接效應強于直接效應，說明農業數字化對鄰接地區的農業GTFP 的促進作用更明顯。可能的原因是隨著本地區農業數字化水平的提升，本地區先進的農業生產技術和管理經驗將對鄰接地區產生示范效應和溢出效應，引導鄰接地區效仿和發揚本地區的先進經驗，從而對鄰接地區農業GTFP增長具有顯著促進作用。

從其他解釋變量的空間效應分解來看，工業化水平對農業GTFP具有顯著的正向直接效應，表明本地區的工業化水平顯著促進了本地區農業GTFP的增長。主要原因是工業化快速發展對農業生產具有明顯的輻射帶動作用，工業化水平的提高為農業生產提供了先進的生產工具和生產模式。具體來說，由工業化拉動的農業機械化的大力發展提高了農業生產效率；此外，農業生產參照工業化生產模式所具有的專業化、規模化和組織化的特點進行有效分工也可有效促進農業GTFP增長。農業產業結構對農業GTFP具有顯著的負向直接影響，可能的原因是，化肥和農藥等生產要素在種植業生產中應用廣泛，因此種植業是農業碳排放的主要來源，其在農業產業中所占比重越大，可能越制約本地區的農業GTFP增長。電力利用水平對農業GTFP的直接效應在5%的水平上顯著為負，說明本地區的用電負荷越大，對本地區的環境污染越明顯，從而阻礙本地區農業GTFP增長。城鄉收入差距對農業GTFP的直接效應也顯著為負，表明本地區的城鄉收入差距對本地區的農業GTFP增長具有顯著負向影響。可能的原因在于，當城鄉收入差距擴大時，農民可能會通過增加農藥、化肥等農用化學品的投入提高農業產量，從而導致農業環境污染加劇，進而影響農業GTFP 增長；此外，當城鄉收入差距擴大時，也可能會導致高素質農民為了追求較高的收入水平，而從農村轉移到城市，從農業轉移到非農產業，導致農業人才流失嚴重，從而抑制本地區的農業GTFP增長。對于間接效應而言，電力利用水平對農業GTFP的間接效應顯著為負，可能的原因在于，本地區的電能污染擴散至鄰接地區，可能會抑制鄰接地區的農業GTFP增長。此外，工業化水平、城鄉收入差距和農業產業結構對農業GTFP的間接效應的回歸系數均不顯著，說明三者對鄰接地區農業GTFP的影響效應不明顯。

（四）穩健性檢驗

空間權重矩陣的設定會對空間計量模型的回歸結果產生影響，因此為進一步檢驗空間計量模型回歸結果的穩健性，本文將替換上文農業經濟地理嵌套權重矩陣中的地理距離權重矩陣，將考察期內省會城市間公路里程數距離倒數作為該地理距離權重矩陣的元素，并與農業經濟規模對角矩陣相乘，構建出新的農業經濟地理嵌套權重矩陣進行穩健性檢驗。由于篇幅限制，本文僅呈現穩健性檢驗的空間杜賓模型空間效應分解結果。如表6所示，穩健性檢驗結果與前文實證結果基本保持一致，說明前文研究結論是可靠的。

表6 穩健性檢驗結果

五、研究結論與政策建議

本文在對農業數字化和農業GTFP進行測度的基礎上，利用空間杜賓模型實證檢驗農業數字化對農業GTFP增長的時空效應，得出如下結論：

1.考察期內，絕大部分省份的農業GTFP實現增長，說明我國農業GTFP整體獲得改善。各省份農業數字化發展水平差異懸殊，農業數字化發展水平位列全國前五位的省份均位于東部地區，農業數字化發展水平位列全國后五位的省份均位于西部地區，呈現東西發展不平衡的格局。

2.農業數字化對農業GTFP增長具有顯著的促進作用，本地區及鄰接地區的農業GTFP均受到本地區農業數字化的顯著正向影響，且間接效應大于直接效應，即農業數字化對鄰接地區農業GTFP增長的促進作用大于本地區。

3.本文還探討了除農業數字化之外的其他部分影響因素對農業GTFP增長的時空效應。從直接效應來看，工業化水平對本地區的農業GTFP增長具有顯著促進作用，而農業產業結構、電力利用水平和城鄉收入差距則對本地區農業GTFP增長具有顯著抑制作用；從間接效應來看，電力利用水平對鄰接地區農業GTFP增長具有顯著的負向影響。

基于以上研究結論，提出如下政策建議：

1.推動數字技術與農業生產的深度融合，促進農業GTFP增長。利用互聯網、云計算和大數據等數字技術在農業領域的不斷發展，實現智慧農業和精準農業。利用實時、動態的農業大數據平臺，對農業種植進行快速、多維的實時監測，經過數據分析后實施農業的智能灌溉、智能噴藥與精準施肥等，有效節約化肥和農藥等農業資源，在提高農業資源利用效率的同時減少農業環境污染，從而促進農業GTFP增長。

2.構建農村區域間數字化協同發展機制，促進農業綠色發展。當前各省份農業數字化發展水平存在較大差異，要構建農村區域間數字化協同發展機制，促進形成全國農業數字化協調發展格局。此外，區域間要共享農業數字化經驗和模式，借鑒江蘇、浙江和廣東等農業數字化發展水平較高地區的先進數字技術和農業發展模式，促進農業數字化發展水平較低地區突破農業生產技術瓶頸，由傳統的農業技術向農業數字技術和綠色技術轉變，從而減少農業碳排放和農業面源污染，促進農業綠色發展。

3.重視多方面影響因素，共促農業轉型升級。例如，充分利用工業化發展為農業領域帶來的技術紅利，推動農業數字技術和綠色技術研發；加快農業科技創新體系建設，優化和升級農業產業結構；升級農村電力系統，提高農業用電效率，減少電能污染；挖掘農業的增收潛力，縮小城鄉收入差距，從而引導農業綠色生產模式，共促農業轉型升級。