数字金融与农业全要素生产率的关系探究——基于数据包络法和计量模型

秦佳慧（贵州大学）

一、引言

改革开放以来，中国农业发展取得巨大成就。根据2022年《中国农村统计年鉴》数据显示，我国粮食总产量已由1978年的30477万吨上升至2021年68285万吨，农业经济实现飞速增长。但是现阶段的农业发展仍然受到多方面限制。[1]党的二十大报告指出，建设农业强国，必须加快转变农业发展方式，更加重视和依靠科技进步，走内涵式发展道路，提高农业全要素生产率。由此可见，农业全要素生产率的提升已成为农业高质量发展的新动能，是决定我国农业长期稳步增长的关键因素。

虽然目前学界在农业全要素生产率分析上已经取得了相对丰富的研究成果，但是鲜少有研究分析数字金融对其的影响，且测算方式多采用随机前沿分析，但该方法依赖于参数估计，生产函数由研究中主观设定，而数据包络分析更适用于多投入多产出的生产效益评价，[2]因此，首先采用数据包络分析了各省份不同时期农业全要素生产率及其分解内容，利用空间计量模型讨论其空间溢出效应，为我国农业加速实现现代化转型提供参考。剔除西藏、港澳台和直辖市样本，最终选取了2012—2020年中国26个省份的数据，个别缺失变量采取线性插值法进行预测补全，对相关变量作对数处理，对连续变量进行Winsorize双侧缩尾处理。数据来源于《中国农村统计年鉴》《中国统计年鉴》《中国人口和就业统计年鉴》和北京大学互联网研究中心发布的《数字金融普惠金融指数》。

二、理论分析与研究假说

农业全要素生产率衡量的是在生产过程中，除了物质、劳动、资本投入以外其他因素对生产效率的影响，常包括农业技术进步和农业技术效率等。数字金融的发展可以通过缓解资金约束和提升资源配置效率提高农业全要素生产率。相较于传统金融服务，数字金融能够利用数字技术摆脱在时间和空间上的限制。首先，农村人群分布较散，传统金融业务受到地域限制，覆盖范围难以向外扩张，而大数据与金融创新产品相结合能够突破传统金融的局限，为更多农户生产经营活动提供资金支持。数字化的业务办理模式简化了申请和审批过程，使农户获得资金更加高效便利，能够更大程度地满足农户生产性资金需求。其次，传统金融业务要求借贷时需要足够的抵押物和征信背景，由于农业市场信息不对等和农村个人信息的不透明，导致传统金融机构无法准确判断借贷风险，所以为了降低成本，金融机构往往更愿意向大型企业提供信贷服务，不愿在农村地区开展金融业务。但是在大数据等信息技术加持下，通过对农户征信数据进行全方位收集和整理，金融机构能更加准确把握农户的预期还款能力和服务需求，降低信息不对称导致的道德风险，为客户提供更加精准的金融资源。数字金融利用互联网开展作业节省了机构自身的运营成本，同时也间接降低了借款人的成本压力。

因此，提出假说：数字金融能够提升农业全要素生产率。

三、研究设计

（一）变量选取

被解释变量：农业全要素生产率。从产出和投入两个层面进行测算，具体地选取农林牧渔总产值作为产出变量，用劳动力、土地、水资源、机械、化肥、农膜、农药和柴油投入作为投入变量。考虑到利用参数法进行估计时，会因为函数设定不同导致在实际操作过程中出现较大误差，所以利用DEAP 2.1软件构建DEA-Malmquist指数来测算农业全要素生产率。

解释变量：数字金融发展水平。用北京大学数字金融研究中心和蚂蚁科技集团组成的联合课题组编制的省级层面普惠金融指数来衡量。[3]

控制变量：人力资本，用乡村高中及以上学历占15岁以上人口比重表示；农村基础设施建设，用乡镇卫生院数量表示；农村收入水平，用农村居民人均可支配收入表示；农业财政支出，用地方公共预算农林水支出表示；城镇化，用城镇化率表示。

（二）模型设计

由于经济个体并非单独存在，所以省份与省份之间的数字普惠金融发展息息相关，因此在分析数字普惠金融对农业全要素生产率的影响时，应该考虑数字普惠金融的空间依赖性。设定空间误差模型探究数字普惠金融对农业全要素生产率的影响，具体模型如下：

W为空间权重矩阵，本文使用的是邻接权重矩阵。λ为自相关系数，vit是随机扰动项。

四、实证结果及分析

（一）农业全要素生产率测算

利用DEA-Malmquist指数测算农业全要素生产率、技术效率、技术进步、累积效率变动和规模效率变动。由于本文篇幅有限，仅列举出东、西、中部地区农业全要素生产率及其分解的均值，具体结果见表1。在样本期间内，西部地区农业全要素增长率最高，其次是东部地区，中部地区最低。东部地区和中部地区的全要素生产率增长都得益于技术进步，而西部地区是在技术进步和效率提升的同时作用下实现全要素生产率增长。

表1 2012—2020年农业全要素生产率及其分解项

（二）空间计量模型

1.空间自相关检验

利用邻接权重矩阵和指数对各省数字金融发展进行空间自相关检验，数字金融的指数都在1%的水平下显著为正，说明该变量存在空间正相关，呈现出“高高聚集”和“低低聚集”，因此有必要从空间角度进行分析。

2.空间模型实证结果

采用豪斯曼检验法发现，模型P值为0.001，意味着在1%的显著水平上拒绝原假设，故选择固定效应模型。拉格朗日（LM）检验中，LM-erro和稳健性LM-erro检验都在1%水平上显著，但LM-lag和稳健性LM-lag检验都不显著，借鉴Anselin和Florax（1995）[4]的评判标准，选择空间误差模型（SEM）进行实证检验。表2结果显示，数字金融的发展对农业全要素生产率的提高有显著空间溢出效应，1%的水平上，数字金融有利于技术效率和累积效率提升，但是对技术进步和规模效率变动影响不大。

表2 空间误差模型回归结果

3.稳健性检验

使用数字金融覆盖广度和数字金融使用深度作为解释变量的替代变量，结果显示，数字金融覆盖广度和使用深度分别在10%和5%的显著水平上促进农业全要素生产率提高。稳健性估计结果与基准回归结果不存在显著差异，本文的研究结论依然成立。

五、结论与建议

（一）研究结论

首先基于2012—2020年中国26个省、自治区的面板数据利用DEAP2.1测算农业全要素生产率及其分解项，之后采用OLS、系统GMM和空间计量模型，通过Stata16.1软件分析得出：首先，数字金融可以显著促进农业全要素生产率的提升，在更换变量后该结论依然成立。其次，数字金融发展具有空间自相关性，各省份的数字金融发展水平受相邻省份影响。最后，数字金融主要通过提升技术效率和累积效率来提升全要素生产率，对技术进步和规模效率提升作用不显著。

（二）政策建议

基于上文提出以下政策启示：一是持续发挥数字金融对农业全要素生产率的积极影响，加大对农村数字金融发展的支持。一方面，通过政策倾斜推动农村数字金融发展，尤其着力提升数字金融覆盖广度和数字金融使用深度；另一方面，地方政府应加快完善乡村数字化建设，提升农村地区数字终端的普及率。二是要建立精准动态化、差异化的扶持机制，根据不同地区的发展差异，因地制宜构建地区数字金融发展体系。促进省际间交流，充分发挥数字金融对农业全要素生产率的空间溢出效应，推动农业现代化转型。