数字普惠金融发展对农业全要素生产率的影响 葛和平 高越【Summary】选取2011 ～ 2018年我国省级面板数据， 运用固定效应模型和门槛效应模型检验数字普惠金融发展对农业全要素生产率的影响， 结果发现： 数字普惠金融及其各维度均可提高农业全要素生产率; 数字普惠金融主要通过加快农业技术进步提升农业全要素生产率， 对农业技术效率影响不显著; 数字普惠金融对中部地区农业全要素生产率的促进作用最大， 其次是西部和东部地区; 数字普惠金融发展对农业全要素生产率的提升存在单一门槛， 数字普惠金融发展水平越高， 对农业全要素生产率的提振作用越大， 数字普惠金融的数字化程度对农业全要素生产率的提升存在单一门槛， 数字化程度越高， 促进作用越大且越显著Key】农业全要素生产率;数字普惠金融;DEA-Malmquist指数;固定效应模型;门槛效应模型F830 A 1004-0994（2021）24-0144-8一、引言农業发展作为国民经济增长的重要动力来源， 受到党和国家的高度重视 2016年《全国农业现代化规划（2016-2020）》报告指出， 为加快补齐农业现代化短板， 要求坚持走改革创新双轮驱动道路， 着力提升农业综合竞争力。
随后， 党的十九大报告首次提出乡村振兴战略， 要求从产业、人才、文化、生态、组织等方面深化农村改革， 重塑农村形态 在国家的政策支持和人民的共同努力下， 我国农业发展取得了巨大进步， 农业总产值连续五年超过50000亿元 但基于我国农业大而不强、多而不优的现实， 生产要素配置不均、农村产业发展缓慢、农业经济发展水平较低、城乡居民收入差距较大等问题仍然是阻碍我国农业现代化进程高效推进的主要问题 在新形势下， 单纯依靠要素投入的数量型增长难以对农业生产进步起到持续性推动作用， 因此， 解决“三农”问题、加快农业现代化进程的关键在于质量兴农， 即提高农业全要素生产率[1] 除加快农业战略科技创新、完善农技推广体系、加大农村人力资本投资和推进制度创新等传统路径外， 农业全要素生产率的提升还依赖于充足的资金支持， 即通过金融服务缓解融资困境、降低技术改善成本为农业生产提供资金保障 学术界就金融发展对全要素生产率的影响进行了广泛研究， 且大量研究成果表明， 金融发展可以显著提高农业全要素生产率[2，3] 随着互联网技术的深入发展， 数字普惠金融的出现为优化金融资源配置、提升金融服务效率指引了新的方向。
但是， 数字普惠金融的概念较新， 针对数字普惠金融发展与农业全要素生产率的研究还较少 鉴于此， 本文围绕农业全要素生产率， 探索数字普惠金融发展对农业全要素生产率的影响及其作用路径， 这对解决“三农”问题、促进农业高质量发展具有重要意义二、文献综述改革开放以来， 我国农业生产取得显著成果， 为加快构建农业现代化发展道路， 提升农业全要素生产率是必要之举 所谓全要素生产率， 是指总产出与要素总投入之比[4] ， 一般利用参数法或非参数法进行测算[5] 不同于一般产出指标， 全要素生产率可以被用来反映经济增长来源和经济发展效率 当前， 我国正处于经济高质量发展阶段， 农业发展的核心在于优化生产资源配置， 减少对要素投入的过度依赖， 而农业全要素生产率正是农业发展的关键所在， 提高农业全要素生产率有助于加快农村经济结构转型， 从而促进农业稳定发展[6，7] 农业全要素生产率的提高依赖于现代化机械设备和农业技术进步， 陈鸣和邓荣荣[8] 采用空间杜宾模型进行实证研究， 发现增加农业R&D投入可显著提升农业全要素生产率; 李欠男和李谷成[9] 认为互联网发展有利于打破农业知识传播的时空限制、引领农业技术进步， 从而提升农业全要素生产率。
农业技术开发、互联网基础设施建设和农技推广都离不开资金支持， 农村金融作为现代农业经济资源配置核心， 凭借其自身强大的资源配置能力和风险管控能力可以为农技创新活动创造融资渠道， 为我国农业平稳发展提供强有力的支撑[10，11] 大量研究表明， 农村金融对农业全要素生产率增长起到显著的促进作用[12-14] 但随着金融科技的不断发展， 资源要素流动更为频繁， 收入差距进一步拉大， 传统金融内在的“逐利性”和“嫌贫爱富”的特征使贫困群体无法获得所需的金融服务[15] ， 反而限制了这些地区农业全要素生产率的提升 随着互联网技术不断进步， 以数字技术为依托的数字普惠金融可以摆脱时间和空间的束缚， 为农村中小微企业和农村居民提供成本低、惠及面广、高效的金融服务[16] ， 进一步激活传统金融的发展潜力， 有助于优化农村金融资源配置， 促进农业部门发展[17] 相较于传统金融， 数字普惠金融在促进农业发展、提高农业全要素生产率方面存在以下优势： 第一， 融资成本低， 服务范围广 一方面， 数字普惠金融通过电子设备等移动终端进行运作， 摆脱了物理空间的限制， 减少了对固定资产的需求， 金融机构可以以更低的成本为农村企业和居民提供金融服务[18] ， 有助于减少金融排斥; 另一方面， 借助数字技术的独特优势， 数字普惠金融可以将金融服务拓展到传统金融机构难以触及的偏远地区， 提高偏远地区农村居民的金融可得性[19] ， 这有助于缓解农村居民在购置高质量农业生产要素时所面临的融资约束， 为其引进、研发和吸收先进农业技术提供资金支持。
第二， 信贷配置效率高， 风险防控能力强 农村传统金融市场存在严重的信息不对称， 金融机构通常采用基于抵押物的信贷技术甄别贷款对象[14] ， 这种客户选择方式不仅增加了信贷成本， 还降低了不具备合格抵押物的农村居民和农村小微企业的金融可得性， 导致金融资源扭曲式配置[20] 而数字普惠金融的出现可以打破信息孤岛、简化信息流动方式[21] ， 利用数字技术汇总农村居民和小微企业的各项信息数据， 搭建信息共享平台， 对用户信息进行深度挖掘并分析其交易行为， 评判其信用状态 通过数字技术创新增信机制， 不仅可以减少因硬性信用不足所导致的融资问题， 还能有针对性地进行风险防范[22] ， 这有利于改善农村金融资源配置状况， 提高农业技术效率综上所述， 现有研究成果主要集中于农业全要素生产率的定义、重要性及影响因素 在金融对农业全要素生产率的影响方面， 学者们大多基于传统金融视角， 并未考虑数字技术的作用， 且鲜少有学者直接就数字普惠金融发展对农业全要素生产率的影响进行研究 鉴于此， 本文的贡献在于： 第一， 基于数字普惠金融视角， 通过实证分析来探究其对农业全要素生产率的影响; 第二， 通过将农业全要素生产率分解为农业技术进步和农业技术效率， 研究数字普惠金融发展对农业全要素生产率的作用路径， 为服务乡村振兴战略、助力农业稳定发展提供现实指导。
三、实证研究（一）农业全要素生产率的测算为避免在使用参数法时因函数设定有误导致计算误差， 本文利用DEA-Malmquist指数法测算农业全要素生产率 以狭义农业为研究对象， 农业产出变量以农业总产值（亿元）表示， 并利用GDP平减指数以2008年为基期进行平减 农业投入变量包括： 农作物总播种面积（千公顷）、种植业从业人员（万人）、种植业机械总动力（万千瓦）、化肥施用折纯量（万吨）、有效灌溉面积（千公顷）和农村用电量（亿千瓦小时） 需要注意的是， 种植业从业人员、种植业机械总动力无法在统计年鉴中查找到具体数字， 因此利用农业总产值与农林牧渔总产值的比值进行计算， 根据种植业在农林牧渔中的占比衡量种植业从业人员数量和种植业机械总动力 农业全要素生产率的计算公式如下：（1）利用DEAP 2.1软件计算2011 ～ 2018年全国31个省份的农业全要素生产率水平值（tfp）、农业技术进步水平值（tech）和农业技术效率水平值（ef）， 考虑到本文研究的是农业全要素生产率的水平值， 则需要对Malmquist指数的测算结果进行累乘（以2010年为基年） 计算结果如表1所示从全国层面看， 我国农业全要素生产率水平值、农业技术进步水平值和农业技术效率水平值从2011 ～ 2018年不断上涨， 说明我国农业生产效率逐年提高， 生产技术取得进步， 要素配置更加高效， 有助于增加农业产出， 促进农业部门发展。
分地区看， 我国东、中、西部地区农业全要素生产率水平值、农业技术进步水平值和农业技术效率水平值从2011 ～ 2018年也呈上升趋势， 且中西部地区的农业全要素生产率水平值和农业技术效率水平值要高于东部地区 这可能是因为中西部地区多为农业大省， 农业要素投入充足且有关农业生产方面的经验更加丰富， 要素配置更加有效， 相对而言， 中西部地区农业发展水平更高 而中西部地区的农业技术进步水平值低于东部地区， 可能的原因是东部地区经济实力较强， 在采购先进农业机械和引进先进农业技术方面有足够的资金保障， 有助于提高农业技术水平二）模型构建1. 基准回归模型 为研究数字普惠金融对农业全要素生产率的影响， 构建如下面板模型：Yit=λ0+λ1DIFIit+λiControlit+μi+εit （2）其中： i表示地区; t表示时间; Yit表示被解释变量; DIFIit为核心解释变量; Controlit为控制变量; μi为不可观测的个体效应; εit为随机扰动项2. 面板门槛模型 为深入探讨当数字普惠金融处于不同发展阶段时， 能否对农业全要素生产率产生不同的影响， 本文利用面板门槛模型， 针对数字普惠金融发展对农业全要素生产率的影响进行实证分析， 构建如下门槛模型：Yit=λ0+λ1Controlit+λ2XitI（qit≤γ）+λ2XitI（qit>γ）+μi+εit （3）其中： I（?）为示性函数， 函数值取决于门槛变量qit。
其余变量含义与式（2）相同三）变量选取及数据来源1. 被解释变量 选取前文测算出的2011 ～ 2018年农业全要素生产率水平值（tfp）、农业技术进步水平值（tech）和农业技术效率水平值（ef）作为被解释变量 为消除异方差的影响， 对被解释变量进行取对数处理， 但是考虑到部分tfp、tech和ef为小数， 为避免取对数后变为负值， 本文将被解释变量加1后再取对数2. 核心解释变量 选取北京大学数字普惠金融指数（difi）及覆盖广度（cover）、使用深度（depth）和数字化程度（dig）三个维度作为核心解释变量3. 控制变量 农村居民受教育水平（edu）用农村居民平均受教育年限表示; 受灾率（disa）用受灾面积除以农作物总播种面积表示; 财政支持（fe）用财政支农支出除以总财政支出表示; 外资投入水平（fdi）用实际利用外商直接投资除以地区生产总值表示; 城镇化水平（urban）用非农人口除以地区总人口表示4. 数据来源 本文的研究对象是2011 ～ 2018年31个省份的面板数据， 数字普惠金融指数及维度指数来源于北京大学数字金融研究中心， 农业全要素生产率的产出、投入指标及控制变量所需要的数据来源于《中国统计年鉴》（2011 ～ 2018）、《中国农村统计年鉴》（2011 ～ 2018）及Wind数据库。
各变量的描述性统计结果如表2所示四）实证检验1. 基准回归 本文运用Stata 15.0软件， 利用混合回归模型和固定效应模型从全国层面研究数字普惠金融对农业全要素生产率的影响， 回归结果如表3所示 其中， 固定效应模型的P值为0.0000， 说明固定效应模型优于混合OLS模型， 因此采用固定效应模型 根据表3， 列（3）表示未加入控制变量的情况下， 数字普惠金融发展对农业全要素生产率影响的回归结果， 其估计系数为0.0969， 显著为正 列（4）表示在加入控制变量。