考慮數據要素的中國農業綠色全要素生產率測算：理論框架與實證分析

關鍵詞數據要素；農業綠色全要素生產率；質量階梯；乘數作用；時空分異中圖分類號F323.22 文獻標志碼 A 文章編號 1002-2104（2025）05-0155-11 DOI：10.12062/cpre.20241122

經典增長理論認為，資本、土地、勞動力和技術進步等要素相互影響、共同作用，成為提高生產效率和推動經濟增長的重要驅動力。步人數字經濟時代，隨著遙感、地理信息系統和5G等數字技術的應用，數據成為引領新一輪農業技術躍遷的戰略性生產要素，對農業生產方式和經濟形態變革產生了重要的驅動作用[1-2]。為此，中國政府將數據作為與傳統物質要素并列的新型生產要素[3]；在《\"數據要素 × ”三年行動計劃（2024—2026年）》中，也強調要推動數據要素與勞動力、資本等要素協同，提高全要素生產率[4]。然而，與經濟快速增長形成鮮明對比的是，中國農業綠色全要素生產率的增速卻維持在相對較低水平[5]。一方面，農業總產值增速低于面源污染和碳排放的降低速度，使得化學要素投入導致的環境損耗大于農業經濟增益，降低了農業綜合效益[6；另一方面，農業生產者的要素使用效率和資源配置效率不高，農業綠色生產技術的運用能力也較弱，這阻礙了農業綠色技術進步和農業生產效率提升[7]。要想加快農業綠色全要素生產率增長，就必須減少農業污染排放、提高農業生產要素使用效率并加快農業綠色生產技術的研發和運用[8]。從理論上來說，數據要素所具有的外部性、協同性和乘數效應等經濟特征，可以優化要素資源配置、推動農業綠色技術進步[10]，進而提升農業綠色全要素生產率[11-12]。那么，數據要素是否推動了中國農業綠色全要素生產率增長？數據要素對農業綠色全要素生產率增長的具體貢獻是怎樣的？在農業變革不斷深化的背景下，將數據要素作為新型生產要素納入農業綠色全要素生產率的評估，對于推動農業高質量發展，實現中國式農業農村現代化具有重要的戰略意義。

1文獻綜述與理論分析

數字經濟時代，區別于傳統物質資本的數據要素被定義為能夠減少預測錯誤的信息[13-14]。作為一種新型生產要素，數據要素具有外部性、協同性、乘數效應等經濟特征[15]。這區別于資本、土地和勞動等物質要素特性，使數據成為引領新一輪產業和技術革命的關鍵要素[16]。一方面，數據要素可以在同一時點被多個農業主體使用，其價值不僅不會因為被使用而消失或發生轉移，而且會隨著其他農業生產數據的匹配和農戶偏好的搜集實現增值，即數據要素具有非競爭性1；另一方面，數據要素的生成技術特點和特殊存儲形態，使得其往往存在于農業生產者、農產品消費者和第三方銷售平臺等不同主體之中，加上其易于復制、傳播的物理特性，這極大地拓展了數據資源的使用范圍，形成了數據要素的非排他性[18]。非競爭性和非排他性的共同作用與數據分析工具相結合，形成了數據要素的外部性特征[19]。也就是說，在經過匹配、處理和擴散后，數據要素可以影響農業主體的生產活動[20]。因為數據要素產生的有效信息可以降低農業生產成本，減少農業污染物排放，這種正外部性可以通過網絡效應形成網絡外部性，即運用數字平臺的農業生產主體和農產品消費者越多，農業綠色生產技術和農產品消費偏好的獲取成本就越低，農產品的生產也會更具針對性[21]。

需要注意的是，數據作為一種非實體形式的要素，并不能獨立發揮作用，而是要以傳統物質資本為載體來協同發揮作用[22]。這種協同性也是數據要素發揮乘數效應的重要途徑。這是因為，數據要素的處理、分析和傳輸成本較低，能夠及時和傳統生產要素結合，運用到農業生產場景并服務于農業生產決策[23]。首先，“數據要素 +. 土地”可以實現對耕地的精確測量、對農作物種植種類的合理規劃以及對化學要素使用的定量控制，這可以減少農業面源污染排放[24；其次，“數據要素 + 資本\"可以優化投資者決策，促使農業資金被合理分配到農業生產當中，從而提高農業生產效率25；再次，“數據要素 + 勞動\"能夠提升農業生產者的人力資本水平，使其更容易了解農產品的生產、交易和消費者偏好[26-27]；最后，“數據要素 + 技術\"則能進一步帶動農業綠色生產技術創新，并加快農業綠色生產技術的傳播和運用。

數據要素不僅可以提升傳統單一要素的投入產出效率，還可以通過優化資源配置效率和替代稀缺要素等方式來提升農業綠色全要素生產率。一方面，數據要素可以突破物理空間限制，緩解農業生產、加工和消費環節的信息不對稱問題，促使生產者依據市場信息來調整農業生產活動和要素投入，進而提升資源配置效率[28-29]；另一方面，數據要素的介入可以使生產者充分了解農業生產所需要的養分、水分和空氣等數據，通過水培、巖棉栽培和基質栽培等方式來節約土地使用，這也可以加快農業綠色技術的應用并減少農業面源污染排放。此外，數據要素也可以形成以數據收集管理系統為核心的智能化、自動化生產流程，實現對部分農業生產環節中勞動力的替代，從而降低農業勞動力的使用成本。在對資本要素的替代方面，數據要素形成的數據平臺可以實現對不同地區、不同特征生產案例的分析、解讀，并通過動態模擬來建構最優農業生產路徑，降低農業資本錯配程度[30]。

現有研究已經就數據要素的內涵、維度和測度等內容進行了有益探討[31-34]。通過研究數據進人生產過程的基本模式，蔡躍洲等[1]將數據視作信息的載體;Jones等[35]進一步將作為生產要素的數據定義為信息中不屬于創意和知識的部分；蔡繼明等[18基于廣義價值論的一般均衡分析，詳細闡述了數據作為生產要素的特征、機制和參與價值創造的途徑。由于數據要素沒有具體物質形態，無法通過單一指標表征，李治國等3構建了數據要素的多維評價體系，采用TOPSIS熵權法測算了數據要素的配置水平。具體到農業領域，張蘊萍等2闡釋了將數據要素納入農業生產以推動鄉村振興的理論機制。然而，現有文獻在傳統物質要素的農業生產函數基礎上，欠缺關于數據要素對農業經濟影響的理論解釋，也未能將數據要素納入農業經濟增長模型評估其對農業綠色全要素生產率的推動作用。

相比已有文獻，本研究的邊際貢獻在于：第一，將數據作為區別于傳統物質資本的新型生產要素，在內生增長理論框架下將其內生化引入農業生產函數，以數據作為生產要素拓展內生增長理論在農業經濟領域的應用邊界；第二，構建農業部門的熊彼特質量階梯模型，理論演繹了數據要素通過外部性和乘數作用等經濟特征提升農業中間投入品質量階梯和驅動農業綠色技術進步，進而影響農業經濟增長的內在機制；第三，建立包含數據要素應用、數據要素外部性、乘數效應和應用環境在內的多維指標評價體系，來衡量中國農業部門的數據要素投入水平，并將其納入農業綠色全要素生產率測算，分析數據要素對農業綠色全要素生產率的增長貢獻，進一步豐富和完善綠色農業發展績效核算的研究視域。

2考慮數據要素的農業生產函數構建

進入數字經濟時代，數據要素根本性地改變了農業經濟活動中的要素投入結構[37]。本研究將數據要素納入農業生產函數，推導數據要素的外部性和乘數作用在提升農業綠色全要素生產率中所起的作用，論證將數據要素納入農業綠色全要素生產率測算的必要性。假定農業生產過程中存在數量為 L 的勞動力，農業勞動力同質且供給曲線無彈性。參照Jones等[35]的研究，本研究將數據 D_? 作為生產要素納入農業生產函數，最終農產品Y的種類固定為數量 N ，由數據要素 D_ι^∨ 農業勞動力 L， 農業中間投入x 和綠色生產技術水平 A 生產。那么，每種農產品 Y_jt 遵循的生產函數可以表示為：

式中 ?j 為第j類農產品； D_ι 表示數據要素在 Φ_t 期農產品生產中的應用規模； α₂ 為數據要素的應用程度，刻畫數據在農業生產函數中的貢獻率； κ_j 為農業中間投入品的最高質量階梯； 為應用數據要素后，質量得到提升的農業中間投入品（如種子、肥料和農藥等）數量； α₁ 為農業中間投入品在農業生產函數中的貢獻率； L_j 代表每一類最終農產品生產時的農業勞動力投入數量；系數 α，α₁，α₂∈（0，1） α₁+α₂=α

由于數據要素具有非競爭性和非排他性，農業生產者所獲取的數據均可運用于最終農產品生產。由公式（1）可知，數據作為獨立生產要素與勞動力、農業中間投入品和農業綠色生產技術一起決定了農產品最終產出，且數據要素的應用規模 D_ι 越大、應用程度 α₂ 越深，農產品的綠色生產效率就越高。

另外，數據要素可以提高農業中間投人品的質量階梯，即對農業中間投入品的生產質量和使用質量產生乘數作用，進而提升農業綠色全要素生產率。這是因為，數據要素的應用能夠使農業中間投入品的生產商接觸到更為先進的生產技術和更優質的產品，這可以提升農業中間投入品的使用效率，減少農業污染排放；同時，數據要素的應用也可以使農業生產者接觸到先進的農業綠色生產技術，促使其采用生物農藥、有機肥等優質的中間投入品，以及更高效的使用方法，這也可以提升中間投入品的利用效率。由于農業中間投入品多為消耗品，假定農業生產者為了保證農業綠色生產效率，會選擇最優質的農業中間投入品進行生產。農業中間投入品的生產商會持續進行研發、生產，確保自己的市場份額和利潤。參照Aghion等[38的方法，將經過數據要素的乘數作用提升質量后的 定義為質量水平q和中間品數量 x_jt 的函數，那么 可以表示為：

式中： 表示農業中間投入品的質量提升系數； 為常數 ?_I（t） 即數據要素提升農業中間投入品質量的乘數作用。

在農業生產初期，假定生產農產品的綠色技術水平 A 和運用于農業生產的中間投入品的質量水平均保持一致，那么在 χ_t 期，整個社會系統中的農產品總量 Y_t= 由最終農產品 Y_jt 組成，將公式（1）和公式（2）代入Y_jt 得： 說明在給定的 χ_t 期，農業生產函數 Y_ι 與數據要素的應用規模 D_ι 成正比，而農業勞動力、農業綠色技術水平與農業中間投入品的質量水平則保持不變。將農業中間投入品的需求數量（中間投入品需求數量根據壟斷定價和利潤最大化原則求得，限于篇幅，具體證明過程與后文部分推導過程從略）代人農產品生產函數，可以得到：

式（3）為去掉農業中間投入品參數后的最終農產品生產函數。可以看到，最終農產品的產量 Y_jt 與數據要素的應用規模 D_ι 農業綠色技術水平A以及農業中間投入品的質量水平 正相關。為了簡化分析，假定農產品生產和使用中產生的單位數據要素可以被其他農業生產者使用，當期數據要素可以對農業生產和農業綠色技術研發產生影響，而往期數據要素由于缺乏時效性不再具有價值。參考楊俊等37的研究，構建非競爭性和非排他性的數據要素：

式中： m 指的是農業生產者在自己的農業生產活動中獲取的各種數據相較于其他農業生產者獲取的生產數據的重要性 {μ_jt 表示農業生產者在自己的農業生產活動中獲取的各種數據被用于第j類農產品生產的比例 則表示農業生產者在生產j類以外的農產品時獲取的各種數據被用于改善第 j 類農產品生產的比例； 均為外生且為固定值，其他變量定義同上。 μ 與 代表數據共享程度，μ=1 或 即代表數據完全共享。數據共享程度是決定數據要素應用規模 D_ι 的重要因素。

數據要素的乘數作用為本研究證明數據要素推動農業綠色技術進步以及農業綠色全要素生產率增長的核心設定。根據Griliches[39]的S形擴散曲線，在農業生產前期，數據要素的應用和擴散速度都較慢；隨著數據要素應用規模 的不斷擴大和應用程度的持續提升，其重要性和蘊含的價值也逐漸被農業生產者廣泛認可，乘數作用也會不斷增強，最終達到數值為 a 的極值。此時，數據要素會對農業中間投入品產生 Ψ_a 倍的提升作用。根據公式（2），數據要素在第 Φ_t 期的乘數作用為 f（t） ，數據要素乘數作用的增速可以表達為 df（t）/dt ，與當前的乘數作用 f（t） 以及 f（t） 和極值 a 的差距 a-f（t） 成正比，比例系數為k。根據上述特征，可以將關于數據要素乘數作用的微分方程表述為如下形式：

求解可得數據要素的乘數作用 為：

式中： C₀ 為初期農產品消費量； ，可以看出， l 和 B 均是恒為正值的常數。在農業生產活動初期，即 t=0 時，農業生產者仍然采用傳統的生產方式。此時， a 相較于 B 足夠小 ，f（t） 的值趨近于零，說明數據要素的乘數作用極小；隨著時間 Φ_t 的逐漸增加，數據要素的乘數效應也逐漸開始發揮作用，當 χ_t 的值足夠大時， 逐漸趨于0。此時，數據要素促進農業生產的乘數效應達到極值 f（t）=a 。

數據要素不僅影響最終農產品的生產，也會通過乘數作用對農業綠色技術水平 A 和農業中間投入品的質量階梯產生影響。假定農業科研部門持續性地進行農業中間投入品的研發，參照Aghion等[38]的技術變遷模型，用 n₀ 和 n₁ 表示研發狀態占比， n₀+n₁=1n₀ 階段處于研發初期，只能按初始技術生產農業中間投入品； n₁ 階段可以充分發揮數據要素的乘數作用，通過最新的農業綠色技術生產農業中間投入品。在 n₁ 階段，農業中間投入品的最高質量階梯 κ_j 在 p_κ 的研發成功率下最終提升至 κ_j+1 ，提升 q-1 倍。在數據要素的乘數作用下，農業中間投入品的最高質量階梯會提升 （q-1）（1+f（t）） 倍。由于農業綠色技術水平A和農業中間投人品的質量階梯和使用效率密切相關，那么在 χ_t 期的技術水平下， ，t+1 期的農業綠色技術水平可以表示為：

在式（7）中，研發成功率 p_κ 取決于所研發的農業中間投入品的研發難度和資源投入。農業中間投入品的質量階梯越高，取得研發突破的難度越高，則研發成功率 p_κ 的值越低，即研發難度與農業中間投入品的質量階梯呈反向變動關系；研發資源投入越多，則研發成功率 p_κ 的值越高?？梢钥吹剑S著農業中間投入品質量階梯的提升， t+1 期的農業綠色技術水平 A_（t+1） 要高于 Φ_t 期的農業技術水平。據此，可以推斷數據要素對農業綠色技術進步有著增長效應，即考慮數據要素后的農業綠色技術進步速度應高于未考慮數據要素的農業綠色技術進步速度。

數據要素的農業經濟增長效應可以通過比較未考慮數據要素的農業經濟增長率與考慮數據要素后的農業經濟增長率來進行判斷。首先，在不考慮數據要素投入時，數據要素的乘數作用 f（t）=0 ，數據要素應用程度 α₂ 也為0，則最終農產品的生產函數為

結合式（7）可以得到不考慮數據要素的農業經濟增長率：

由式（8）可知，不考慮數據要素的農業經濟增長率受研發成功率 p_κj?j 農業中間投入品的質量提升系數 q 等影響。

現在考慮長期條件下農業生產中的數據要素投人，并假定數據要素的應用程度和乘數作用充分發揮，即農業生產者已全部完成農業綠色生產技術研發和農業生產轉型，乘數作用 f（t）=a 達到極值。由此得到數據要素作用下的長期農業經濟增長率：

對比式（8）和式（9）， 0lt;α₁lt;αlt;1 則 （1-α₁）/（1-α） gt;1， 且 qgt;1，agt;0 因此式（8）和式（9）的右側第一項有： 在式（8）和式（9）的右側第二項，由于 agt;0，α/（1-α）gt;0 ，則 。因此，有 即數據要素作用下的農業經濟增長率要高于未考慮數據要素的農業經濟增長率， γ_Ygt;γ₀ ，這說明數據要素具有長期的農業經濟增長效應。

中國是人口大國和農業大國，由于資本要素相對稀缺，改革開放以來的中國農業部門偏向于節約資本要素的勞動密集型技術進步。但是，仍有大量剩余勞動力依賴農業生存，化學生產要素的使用量大，利用效率也不高，這在一定程度上減緩了中國農業綠色全要素生產率的增速。隨著數字經濟規模的擴大和數字化轉型的加快，數據成為獨立于傳統物質要素的新型生產要素，其外部性和乘數作用也愈發凸顯。理論模型表明，數據要素能夠通過外部性和乘數作用提高農業中間投入品質量，推動農業綠色技術進步，進而提高農業經濟增長率。有鑒于此，本研究在測算中國農業部門數據要素投入的基礎上，將其納入農業綠色全要素生產率的測算。

3測算方法、數據選取與指標處理

3.1農業綠色全要素生產率的測算方法

傳統的DEA（dataenvelopmentanalysis）模型無法區分效率前沿面上有效決策單元的相對效率，本研究參照馬國群等[40]和黃少安等[41]的研究，選擇SBM（slack-basedmeasure）超效率模型測算靜態的農業環境技術效率，來對這些有效決策單元進行區分。同時，為了反映農業綠色生產效率的動態變化特征，進一步使用GML（globalmalmquist_luenberger指數來測算考慮數據要素的農業綠色全要素生產率，見表1。

3.2 數據選取

2011年，伴隨\"十二五\"規劃的推出，新的經濟發展戰略為數字經濟發展提供了明確的政策指導和支持。因此，本研究將2011—2022年中國30個省份的農業綠色全要素生產率作為研究對象（因數據可得性等原因，研究未涉及西藏、香港、澳門和臺灣）。農業期望產出是經過平減后的種植業總產值。農業非期望產出包括水體污染和土壤污染物殘留以及農業碳排放，前兩種污染類型通過單元調查評估法42和農業源系數手冊計算，農業碳排放參考李波等[43]的做法進行估算。

關于數據要素投人，本研究結合理論分析模型和李治國等3的研究，分別從數據要素應用程度、外部性、乘數作用和應用環境4個方面來構建相關指標，并用熵權法合并為數據要素投入指數。其中，數據要素應用程度主要是農業勞動力和相應雇用部門對數據要素的運用和控制；數據要素外部性體現為搭載農業生產信息的相應載體在農業生產者中的普及程度和數量水平；數據要素乘數作用則是將數據要素轉化為實際可用的形式，如農業綠色技術進步和農業產值增加；數據要素應用環境主要是指數據要素的開發應用、傳播共享和乘數作用發揮所依賴的外部環境（表2）。同時，借鑒焦青霞等[44]的做法，估算農業高技術產業的相關指標。

3.3農業數據要素投人的時空特征分析

中國2011—2022年間的農業數據要素投入水平如圖1所示?？傮w而言，中國農業部門的數據要素投人水平從2011年的0.0683上升至2022年的0.1781，年均增長9.1% 。這是因為，2011年，農業部發布了關于信息化發展的指導意見，明確了生產信息和信息資源在農業生產應用中的重要地位；2014年，中央一號文件也明確做出“農業全程信息化\"的部署，使數據在農業生產各環節中的應用程度不斷加深；2015年，中央一號文件要求推進信息進村入戶工程，加快農村信息基礎設施建設和寬帶普及，完善農業信息服務體系；2016年出臺的《“互聯網 + 現代農業三年行動實施方案》和中央一號文件指出，物聯網、云計算和大數據等信息技術在農業生產、管理和服務中的應用將全面展開，推動農業全產業鏈數字化升級；2017年中央一號文件要求推動信息進村人戶工程整省推進，深化“互聯網 + ”現代農業行動，為農業生產智能化、數據化創造條件；2018年中央一號文件提出，實施數字鄉村戰略，推動寬帶網絡和移動通信網絡在農村的覆蓋，發展數字農業并加強物聯網和遙感技術應用；2019年，中共中央辦公廳、國務院辦公廳印發《數字鄉村發展戰略綱要》，要求加快數字經濟發展和數據要素運用；2020年，中國政府明確提出，要提升要素資源配置效率，加快培育數據要素市場；2021年，中央一號文件提出實施數字鄉村建設工程，推動農村5G網絡與千兆光網建設，建立農業農村大數據體系，將數據要素深度融入農業生產、管理與服務；2022年，中央一號文件再次強調數字鄉村建設的重要性，提出加強農民數字素養培訓和拓展農業大數據應用場景，進一步推動農業數字化轉型。這使得數據要素在農業生產中的應用程度不斷加深，其外部性和乘數作用也愈發凸顯，推動了農業部門數據要素投入的持續增長。

表1中國農業綠色全要素生產率的指標測算體系

表2數據要素投入水平的多維指標體系

注：數據源自《中國統計年鑒》與《中國科技統計年鑒》。

從各省的橫向對比來看（表3），2011—2022年，農業部門數據要素投人水平排名前三的省份依次是廣東（0.5197）、江蘇（0.3574）和浙江（0.2670）。排名倒數的3個省份依次是青海（0.0144）、寧夏（0.0183）和海南（0.0250），這是因為，3個省份的農業生產受到自然資源稟賦和地理區位的限制，難以將數字技術運用到各農業生產環節中，最終表現出數據要素應用程度的相對滯后[43]。從不同區域來看，2011—2022年農業部門數據要素投人水平由高到低分別為東部（0.2009）、中部（0.0950）和西部（0.0399），糧食主產區（0.1371）高于非糧食主產區（0.1109）。東部地區的經濟較為發達，對農業生產的投入也相對較多，所以數據應用與數字農業發展領先于其他地區。糧食主產區主要是平原地區，具有優越的自然條件，適宜推廣機械化生產，也擁有大量數據應用場景，故表現出較高的農業數據要素投入水平。非糧食主產區與西部地區農業數據要素投人水平相對較低，是因為這些地區多屬山地丘陵，農業經營分散，機械化運用較少，數農融合的內生動力不足[43]，導致農業數據要素投入水平較低。

表32011—2022年各省份及地區農業數據要素投入水平

注： ① 表中的平均值為幾何平均值； ② 東部、中部、西部3個地區按照1986年全國人大六屆四次會議通過的“七五\"計劃標準進行劃分； ③ 糧食主產區包括黑龍江、河南、山東、四川、江蘇、河北、吉林、安徽、湖南、湖北、內蒙古、江西、遼寧13個省份；非糧食主產區包括其他17個省份（不含西藏、香港、澳門、臺灣）。

4考慮數據要素的中國農業綠色全要素生產率測算結果

4.1考慮數據要素前后中國農業環境技術效率的靜態比較

運用SBM超效率模型測算2011—2022年考慮數據要素的中國農業環境技術效率，即本年度各省份與農業生產前沿面的相對關系。為比較方便，列出了其他投入產出變量不變情況下，未考慮數據要素的農業環境技術效率測算結果，見表4?？梢钥吹剑紤]數據要素的農業環境技術效率從2011年的0.4108上升至2022年的0.7754，總體呈上升趨勢；同期未考慮數據要素的農業環境技術效率從0.3864增長到0.6781，同樣呈上升趨勢。說明2011年以來，中國的農業環境技術效率逐漸接近農業生產的最佳前沿面。在研究期內，農業生產者對于生產數據的運用不斷完善，這有利于綠色生產技術和清潔生產理念的運用和傳播，提高農業生產要素的利用效率并減少污染排放，進而提高農業環境技術效率。但也可以看到，無論考慮數據要素與否，研究期內的中國農業環境技術效率均值仍然較低，表明既有技術水平下的中國農業生產尚未達到高效的資源配置，農業經濟仍然依靠大量生產要素投入的粗放型增長方式驅動[44]。表4也表明，考慮數據要素后的中國農業環境技術效率均值（0.5145）要高于未考慮數據要素的農業環境技術效率均值（0.4681），數據要素對農業環境技術效率的平均提升幅度為 9.90% ，說明數據要素可以降低各省份與農業生產前沿面的差距，提高農業環境技術效率。這是因為，數據要素可以緩解農業生產、加工和消費環節的信息不對稱，促使農業生產者依據市場信息來調整農業生產活動和要素投入，進而提升資源配置效率。

圖12011一2022年中國農業部門數據要素投入的變化特征

表42011—2022年（未）考慮數據要素的農業環境技術效率

4.2考慮數據要素前后農業綠色全要素生產率的動態比較

靜態條件下考慮數據要素的中國農業環境技術效率要高于未考慮數據要素的農業環境技術效率，那么，數據要素是否也推動了農業綠色全要素生產率（agricul-turalgreentotalfactorproductivity，AGTFP）增長呢？表5顯示，考慮數據要素的農業綠色全要素生產率在2011—

2022年間的年均增速為 5.71% ，總體呈上升態勢；同期未考慮數據要素的農業綠色全要素生產率的年均增速為 5.47% ，說明數據要素可以進一步推動農業綠色全要素生產率增長（其貢獻率為 4.37% ）。這驗證了理論分析的內容，即數據要素具有長期的農業經濟增長效應。由表5也可以看到，無論考慮數據要素與否，農業綠色技術進步（agricultural green technological progress，AGTC）均是帶動農業綠色全要素生產率增長的主要因素，而農業綠色技術效率（agricultural green technological efficiency，ACEC）的均值小于1，這與現有研究結論保持一致[5-6]。這是因為，在農業支持保護補貼、綠色信貸補貼等一些農業政策的支持下，有機農藥、綠肥與良種的研發與推廣速度不斷加快，加上新型能耗低、污染少的農業機械設備的運用，農業綠色技術的進步速度也保持在較高水平。然而，農業綠色技術的應用和傳播需要載體，隨著大量農村青壯年勞動力進城務工，留守的部分農業勞動力難以掌握和運用農業綠色技術，這不利于農業綠色技術效率的提高。

表52011一2022（未）考慮數據要素的中國農業綠色全要素生產率及其分解

4.3考慮數據要素后農業綠色全要素生產率的空間分異

由于不同地區的農業資源稟賦和自然環境差異較大，為對比分析不同地區農業綠色全要素生產率的增長情況，進一步從省級層面和區域層面展開分析。研究期限內，除上海 （-3.54% 和吉林 （-0.42% 以外的省份都實現了農業綠色全要素生產率的增長。這是因為，上海作為高度城市化和工業化的地區，優質耕地被城市建設占用，農業生產空間受限；而吉林作為糧食主產區，穩產量的剛性需求與資源約束加劇存在矛盾，阻礙了其及時采用先進的農業綠色生產技術，且當地農田水利設施相對落后，防災抗災能力不強，這阻礙了吉林農業綠色全要素生產率的增長。表6表明，中國農業綠色全要素生產率增長最快的前10個省份依次為青海、貴州、云南、海南、黑龍江、天津、河南、重慶、廣西、湖北，主要在中西部地區。這是因為，中西部地區的農業經濟和技術水平相對落后，隨著數據要素的應用和傳播，其農業生產者可以通過技術溢出、學習模仿等方式來引進東部地區先進的農業綠色生產技術，這可以推動農業綠色全要素生產率增長。農業綠色全要素生產率增長最慢的10個省份主要集中于東、中部地區，這與現有文獻的研究結論保持一致[45]。

表62011一2022年各地區考慮數據要素的農業綠色全要素生產率

分區域來看，東部農業綠色全要素生產率的增速為3.76% ，中部、西部地區則分別為 4，45%，10，58% ，依次升高。這驗證了前文結論，即中、西部地區能夠發揮后發優勢，引進東部地區先進的農業綠色生產技術，促進綠色農業發展。東部地區的農業市場化程度相對較高，農業經濟發展也處于領先地位，農業生產者能夠充分運用先進的農業綠色生產技術，但這也加大了農業綠色技術跨越式提升和農業綠色生產效率大幅改善的難度。從糧食功能區域來看，非糧食主產區農業綠色全要素生產率的年均增速（7.09% 高于糧食主產區 （3.93% ）。這是因為，非糧食主產區也是經濟作物和特色農產品的生產基地，其農業生產不僅關注產量，更注重產品質量和市場需求，在采用綠色生產技術和改進農業生產方式方面更為靈活和積極。而糧食主產區的首要目標是確保糧食產量，在此目標下，農業生產者會優先通過化學要素投人和農業機械設備運用來確保糧食的生產流通，而非引進新的綠色生產技術，這會在一定程度上降低土壤肥力和增加污染排放，并降低農業綠色全要素生產率的增速。

5考慮數據要素的農業綠色全要素生產率的空間斂散性分析

前文表明，不同省份之間的農業綠色全要素生產率增長速度存在一定差距，那么，這種差距是在擴大還是縮小呢？進一步對此進行檢驗，即考察農業綠色全要素生產率增速較低的地區能否以一定的收斂速度追趕農業綠色全要素生產率增速較高的地區。LM檢驗結果在 1% 的顯著性水平上顯著，LR檢驗結果表明可以將空間杜賓模型簡化為空間誤差模型與空間自回歸模型，來分析考慮數據要素的中國農業綠色全要素生產率的空間 β 收斂特征。因此，借鑒已有研究[46]，設定空間條件 β 收斂模型：

式中 ?A_i，t+1 與 A_i，t 分別表示 i 省在 _t+1 年與 χ_t 年的農業綠色全要素生產率； Z 表示一系列控制變量， θ 為各控制變量的估計系數； W 是空間權重矩陣 ，ρ 為空間效應系數；ε_i，t 為誤差項， φ_i，t 是空間自相關的誤差項 為收斂性的判斷系數，若 _βlt;0 ，則存在空間 β 收斂特征。本研究使用距離權重矩陣來對公式（10）和公式（11）進行檢驗。其中，距離權重矩陣取省會城市間地理距離的倒數，并進行標準化。需要說明的是，鄰接權重矩陣和經濟距離權重矩陣的回歸結果并不顯著，即考慮數據要素的農業綠色全要素生產率并未表現出鄰近地區間和經濟聯系密切地區間的空間外溢特征，說明數據要素可以降低地理距離造成的信息障礙，推動農業生產信息和農業綠色生產技術在不同地區間的傳播。但是，數據要素目前未能加強鄰近地區和經濟聯系緊密地區的農業生產聯動。結合現有文獻[38.44-45]，選取農業結構、收入分配、受災程度、農村收入水平、農業機械密度、農村文化水平和財政支農水平作為控制變量。其中，農業結構以農作物總播種面積中糧食作物的種植面積占比表示；收入分配以城鎮人均可支配收入與農村人均純收入的比值表示；受災程度以農作物總播種面積中的受災面積占比表示；農村收入水平以農村居民人均純收入表示；農業機械密度以農業機械總動力與單位播種面積的比值表示；農村文化水平以農村居民平均受教育年限表示；財政支農水平以地方一般財政預算支出中的農林水事務支出占比表示。上述數據源自《中國統計年鑒》《中國農村統計年鑒》，部分缺失數據

通過線性插值法補足。

由表7可以看到，無論是空間自回歸模型還是空間誤差模型，農業綠色全要素生產率的估計系數均顯著為負，說明考慮數據要素的農業綠色全要素生產率存在空間條件 β 收斂，即農業綠色全要素生產率初始增長速度緩慢的地區擁有相對較快的增長速度。由表7也可以看到，農村收入水平與農業機械密度推動了農業綠色全要素生產率增長。農村收入水平促進了農業綠色全要素生產率，是因為農村居民收入越高，農業生產者越有能力采用農業綠色生產技術和先進設備，其保護環境的意識也會增強，這可以提高農業綠色全要素生產率。農業機械密度促進了農業綠色全要素生產率，是因為農業機械設備的運用可以節約農業勞動力的雇用成本，使得生產效率提高所帶來的正面影響大于石化能源使用所產生的負面影響，并最終表現出對農業綠色全要素生產率的促進作用。

表7考慮數據要素的中國農業綠色全要素生產率空間β 收斂檢驗結果

注： Plt;0.01 ^**Plt;0.05 ， ^*Plt;0.10

6 結論與政策含義

數據已經成為引領新一輪農業技術躍遷的戰略性生產要素，然而，現有內生增長理論卻未能揭示數據要素對農業經濟增長的內在影響機制。本研究將數據作為一種獨立的新型生產要素納入內生增長理論框架，構建了一個農業部門的熊彼特質量階梯模型，分析數據要素的外部性和乘數作用對農業綠色技術進步和農業經濟的影響，以數據作為生產要素來拓展內生增長理論在農業經濟領域的應用邊界。進一步地，運用熵權法測算了2011一2022年30個省份的數據要素投入水平，將其納入中國農業綠色全要素生產率的測算，分析數據要素對農業綠色全要素生產率的增長貢獻。研究發現： ① 數據要素所具有的外部性和乘數作用可以提升農業中間投入品的質量階梯，促進農業綠色技術進步，進而推動農業經濟增長。 ② 研究期內，考慮數據要素的中國農業環境技術效率（0.5145）要高于未考慮數據要素的農業環境技術效率（0.4681），數據要素對農業環境技術效率的平均提升幅度為 9.90% 。 ③ 考慮數據要素的農業綠色技術進步年均增長 8.58% ，而未考慮數據要素的農業綠色技術進步年均增長 6.91% ，數據要素對農業綠色技術進步的貢獻率為 24.19% ;考慮數據要素的中國農業綠色全要素生產率年均增長 5.71% ，高于未考慮數據要素的農業綠色全要素生產率的年均增速 （5.47%） ，數據要素對農業綠色全要素生產率的平均增長貢獻為 4.37% 。 ④ 中國農業綠色全要素生產率增長存在時空分異，西部、中部、東部地區依次降低，非糧食主產區、糧食主產區依次降低。 ⑤ 考慮數據要素的中國農業綠色全要素生產率存在空間條件β 收斂，農村收入水平和農業機械密度促進了農業綠色全要素生產率增長。

上述結論具有如下政策含義：第一，鑒于數據要素在提高農業中間投入品質量、推動農業綠色技術進步與農業經濟增長中的作用，應著重加強國家農業農村大數據平臺、鄉村網絡和農業物聯網等數據基礎設施建設，建立健全數據共享協調機制，滿足農業生產主體的數據需求。第二，實證結果表明數據要素可以降低各省份與農業生產前沿面的差距，提高農業環境技術效率，因此，應當充分利用數據要素的外部性和乘數作用等經濟特征，加快精準農業監測、智能農業設備和數據分析決策等數字技術在農業部門的運用，強化數據要素在提升單一要素投入產出效率和資源配置效率方面的乘數作用。第三，政府應通過資金補貼、稅收優惠等方式，進一步加大對農業綠色技術的研發與推廣支持，鼓勵農業經濟相對落后地區的生產者通過學習模仿、技術引進等方式獲取先進的農業綠色生產技術，保證農業綠色技術的進步幅度。第四，考慮到不同區域的農業綠色全要素生產率增長仍存在較大差異，東部和糧食主產區部分沒有達到生產前沿面的省份需要基于自身情況制定相應的發展戰略。東部地區要進一步推動農業綠色技術的迭代創新，加強農業前沿技術研發與系統集成，并通過技術轉移、技術培訓和經驗分享等方式將其成功經驗輻射到中西部地區；糧食主產區應在確保糧食安全的基礎上，出臺相應政策來推廣有機肥、綠肥和生物農藥，引進綠色環保的先進農機，以協調糧食生產、農業綠色技術進步和污染排放之間的關系。第五，由于農業綠色全要素生產率初始值較低的地區具有較快的增長速度，應強化農業綠色先行區的引領示范作用，構建完善的農業技術合作機制與農業政策聯動機制，通過先進地區帶動農業生產后發地區共同增長；鑒于農村收入水平和農業機械密度存在的正向影響效應，要鼓勵和支持農民新型合作社、家庭農場和專業大戶發展，增加農業生產者的收入水平，提供有關農機使用的技術培訓并加大農機購置補貼力度，提高農業機械設備的使用水平。

參考文獻

[1]蔡躍洲，馬文君.數據要素對高質量發展影響與數據流動制約[J].數量經濟技術經濟研究，2021，38（3）：64-83.

[2]馮永琦，林凰鋒.數據要素賦能新質生產力：理論邏輯與實踐路徑[J].經濟學家，2024（5）：15-24.

[3]中共中央關于堅持和完善中國特色社會主義制度推進國家治理體系和治理能力現代化若干重大問題的決定［N/OL].（2019-11-05）[2024-12-23]. htps：//www.gov.cn/zhengce/2019-11/05/con-tent_5449023.htm.

[4]國家數據局.“數據要素 x \"三年行動計劃（2024—2026年）[EB/OL].（2024-01-05）[2024-12-23].htps：//www.cac.gov.cn/2024-01/05/c_1706119078060945. htm.

[5]楊騫，王珪，李超，等.中國農業綠色全要素生產率的空間分異及其驅動因素[J].數量經濟技術經濟研究，2019，36（10）：21-37.

[6]郭海紅，劉新民.中國農業綠色全要素生產率的時空分異及收斂性[J].數量經濟技術經濟研究，2021，38（10）：65-84.

[7]胡江峰，王釗，黃慶華.資源錯配與農業全要素生產率：損失和原因[J].農業技術經濟，2023（11）：78-98.

[8]毛世平，張琛.以發展農業新質生產力推進農業強國建設[J].農業經濟問題，2024，45（4）：36-46.

[9]李三希，李嘉琦，劉小魯.數據要素市場高質量發展的內涵特征與推進路徑[J].改革，2023（5）：29-40.

[10]杜建軍，章友德，劉博敏，等.數字鄉村對農業綠色全要素生產率的影響及其作用機制[J].中國人口·資源與環境，2023，33（2）：165-175.

[11]MONDEJAR ME，AVTARR，DIAZ HLB，et al. Digitalization toachieve sustainable development goals：steps towards a smartgreen planet[J].Science of the total environment，2021，794：148539.

[12]RIJSWIJK K，KLERKX L，BACCO M，et al. Digital transformationof agriculture and rural areas：a socio-cyber-physical system frame-work to support responsibilisation[J]. Journal of rural studies，2021，85：79-90.

[13]VELDKAMP L，CHUNG C. Data and the aggregate economy [J].Journal of economic literature，2024，62（2）：458-484.

[14]FARBOODI M， VELDKAMP L. Long-run growth of financial datatechnology[J].American economic review，2020，110（8） ：2485-2523.

[15]李海艦，趙麗.數據成為生產要素：特征、機制與價值形態演進[J].上海經濟研究，2021，33（8）：48-59.

[16」張明，路先鋒，吳雨桐.數據要系經濟字：特征、確權、定價與父易[J].經濟學家，2024（4）：35-44.

[17]熊巧琴，湯珂.數據要素的界權、交易和定價研究進展[J].經濟學動態，2021（2）：143-158.

[18]蔡繼明，劉媛，高宏，等.數據要素參與價值創造的途徑：基于廣義價值論的一般均衡分析[J].管理世界，2022，38（7）：108-121.

[19]KSHETRI N.Big data's impact on privacy，security andconsumerwelfare[J].Telecommunications policy，2014，38（11）：1134-1145.

[20]ROLANDI S，BRUNORI G，BACCO M，et al. The digitalization ofagriculture and rural areas：towards a taxonomy of the impacts[J].Sustainability，2021，13（9）：2.

[21]張蘊萍，欒菁.數字經濟賦能鄉村振興：理論機制、制約因素與推進路徑[J].改革，2022（5）：79-89.

[22]謝康，夏正豪，肖靜華.大數據成為現實生產要素的企業實現機制：產品創新視角[J].中國工業經濟，2020（5）：42-60.

[23]GOLDFARB A，TUCKER C. Digital economics[J]. Journal of eco-nomic literature，2019，57（1）：3-43.

[24]AROUNA A，MICHLERJD，YERGO WG，et al. One size fits all：experimental evidence onthe digital deliveryof personalized exten-sionadviceinNigeria[J].American journal of agricultural eco-nomics，2021，103（2）：596-619.

[25]AKER JC，GHOSH I，BURRELL J. The promise （and pitfalls）ofICT for agriculture initiatives[J].Agricultural economics，2016，47（S1） ：35-48.

[26]金紹榮，任贊杰.鄉村數字化對農業綠色全要素生產率的影響[J].改革，2022（12）：102-118.

[27]杜建國，李波，楊慧．人口老齡化下農業人力資本對農業綠色全要素生產率的影響[J].中國人口·資源與環境，2023，33（9）：215-228.

[28]MULLER O，FAY M，BROCKEJVOM.The effect of big data andanalytics on firm performance：an econometric analysis consideringindustry characteristics[J]. Journal of management informationsystems，2018，35（2）：488-509.

[29］謝康，易法敏，古飛婷.大數據驅動的農業數字化轉型與創新[J].農業經濟問題，2022，43（5）：37-48.

[30]WOLFERT S，GE L，VERDOUW C，et al. Big data in smart farm-ing：areview[J].Agricultural systems，2017，153：69-80.

[31]徐翔，厲克奧博，田曉軒.數據生產要素研究進展[J].經濟學動態，2021（4）：142-158.

[32]徐翔，田曉軒，厲克奧博，等.中國數據要素規模估計與結構分析：基于信息價值鏈的視角[J].當代財經，2024（4）：3-16.

[33] BAKHSHI H. How can we measure the modern digital economy？[J]. Significance，2016，13（3） ：6-7.

[34]BERGEMANN D，BONATTI A，SMOLIN A. The design and priceofinformation[J].Americaneconomicreview，2018，1O8（1）：1-48.

[35] JONES C I，TONETTIC.Nonrivalry and the economics ofdata[J].Americaneconomic review，2020，110（9）：2819-2858.

[36]李治國，王杰.數字經濟發展、數據要素配置與制造業生產率提升[J].經濟學家，2021（10）：41-50.

[37]楊俊 李小明 黃守軍大數據 技術進步與經濟增長.大數據作為生產要素的一個內生增長理論[J].經濟研究，2022，57（4）：103-119.

[38]AGHIONP，HOWITTP，BRANT-COLLETTM，et al.Endoge-nousgrowththeory[M].Cambridge：MIT press，1998.

[39]GRILICHES Z.Hybrid corn：an exploration in the economics oftechnologicalchange[J].Econometrica，1957，25（4）：501.

[40]馬國群，譚硯文.環境規制對農業綠色全要素生產率的影響研究：基于面板門檻模型的分析[J].農業技術經濟，2021（5）：77-92.

[41]黃少安，孫圣民，宮明波.中國土地產權制度對農業經濟增長的影響：對1949—1978年中國大陸農業生產效率的實證分析[J].中國社會科學，2005（3）：38-47.

[42]陳敏鵬，陳吉寧，賴斯蕓.中國農業和農村污染的清單分析與空間特征識別[J].中國環境科學，2006，26（6）：751-755.

[43]李波，張俊飚，李海鵬.中國農業碳排放時空特征及影響因素分解[J].中國人口·資源與環境，2011，21（8）：80-86.

[44」焦青霞，劉岳澤.數字普惠金融、農業科技創新與農村產業融合發展[J].統計與決策，2022，38（18）：77-81.

[45]劉亦文，歐陽瑩，蔡宏宇.中國農業綠色全要素生產率測度及時空演化特征研究[J].數量經濟技術經濟研究，2021，38（5）：39-56.

[46]侯孟陽，姚順波.空間視角下中國農業生態效率的收斂性與分異特征[J].中國人口·資源與環境，2019，29（4）：116-126.

Estimating China's agricultural green total factor productivity considering data elements： theoretical framework and empirical analysis

MAGuoqun12，QIN Zhiyu12，CUI Yechen3，DAI Qiwen ^1，2 （20 （1.School of Economic and Management，Guangxi Normal University，Guilin Guangxi541Oo4，China;

2.KeyLaboratoryofigitalEmpowermentEconomicDevelopmen，GuangxiNoalUnversity，GuilinGuangxi54，Cina;

3.Schoolof AgricultureandRuralDevelopment，Henan UniversityofEconomicsandLaw，Zhengzhou Henan 450o16，China）

AbstractAsanewproductionfactordistinctfromtraditionalmaterialcapital，datahasbecomeanimportantsupportforewquality productiveforces inagiculture.Tispapeexaminedthefundamentalcharacteristsandconomicfeaturesofdataelementsandincorporatedthemintotheagriculturalproductionfunction，developinganagriculturalqualityladdermodel.Throughtheoreticaldeduction， thestudyexplodowteetealitinduiperectsofdataifuenceagicultualgreentcholoicalprogessndicltu algreentotalfactorproductivity（AGTFP）.Aftermeasuringtheinputlevelofagriculturaldataelementsusingtheentropyweightmethod，thisstudyemployedtheSBMsuper-eficiencymodelandtheGMLindextocalculateChina'sAGTPfrom211to.Furthermore，thespatial conditional β convergence model was employed to examine its spatial convergenceand divergence.The findings revealed that： ① Theexternalitiesand multiplier efectsofdata elementsaccelerated theagricultural green technological progress and had long-term agricultural economic growth effects. ② During the study period， China's agricultural environmental technological efficiency，considering data elements，was O.5145，with adata element contribution rate of 9.90% ③ The annual average growth of agricultural green technological progress，considering data elements，was 8.44 % ，with a data element contribution rate of 28.66 % . The annual average growth of China's AGTFP， considering data elements， was 5.66% ，with a data element growth contribution rate of 9.06% ： （204號 ④ ThegrowthrateofCinasAGTPncreasedsequentiallfromtheaster，totecentral，andtotewesternregions，withoain production areas exhibiting higher rates than grain production areas. ⑤ There existed spatial condition β convergence of AGTFP consideringdataelements，andbothruralincomelevelsandagriculturalmachinerydensitysignificantlypromotedthegrowthofAGTFP. Basedonthesefidings，tegovementshouldprioritizetheconstructionofdatainfrastrutureandestablishanefectivedata-sharing andcoordinationmehnis.Itisucialtofullyess tepotentialofdataelemets toanetheefiencyofctoriputsade sourceallcation.Furthermore，thegovermmentshouldencouragerelativelyunderdevelopedregions toaccelerateagriculturalgreen technologicalprogressthrough methodssuchasleaming，imitation，andtechnology introduction，therebypromotingAGTFP.

KeyWorddataeement;agiculturalgreentotalfactrproductity;qualityladder;ultipleret;spati-temoraldiati

（責任編輯：劉照勝）