數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響及空間溢出效應(yīng)

■張翱祥 鄧榮榮

一、引言

改革開放以來，中國農(nóng)業(yè)經(jīng)濟快速發(fā)展，農(nóng)業(yè)產(chǎn)出水平不斷提高，糧食產(chǎn)量由1978年的30476.5 萬噸增至2020年的66949 萬噸，農(nóng)民收入持續(xù)增長，2020年農(nóng)村居民人均可支配收入達到17131 元，增速連續(xù)11年快于城鎮(zhèn)居民。但我國農(nóng)業(yè)生產(chǎn)仍然面臨人多地少、自然災(zāi)害頻繁等難題。同時，由于在種植過程中大量使用農(nóng)業(yè)化工產(chǎn)品而造成了嚴重的環(huán)境污染，對農(nóng)產(chǎn)品和農(nóng)村環(huán)境安全構(gòu)成了威脅。第二次全國污染源普查表明，環(huán)境污染的主要來源之一是農(nóng)業(yè)污染源。在工業(yè)污染物治理初見成效的背景下，農(nóng)業(yè)污染治理成為環(huán)境保護的關(guān)鍵。因此，農(nóng)業(yè)的發(fā)展目標不僅僅是在資源剛性約束下確保農(nóng)產(chǎn)品供需平衡，還必須充分考慮資源的承載能力和環(huán)境保護問題[1]。十九大報告提出要按照產(chǎn)業(yè)興旺、生態(tài)宜居、鄉(xiāng)風文明、治理有效、生活富裕的總體要求，實施鄉(xiāng)村振興戰(zhàn)略。保證農(nóng)村經(jīng)濟持續(xù)穩(wěn)定的增長，注重農(nóng)村生態(tài)環(huán)境的保護，提高資源環(huán)境約束下的全要素生產(chǎn)率成為農(nóng)業(yè)發(fā)展的主要目標。

隨著第四次工業(yè)革命的興起，數(shù)字技術(shù)迅速發(fā)展，數(shù)字普惠金融作為數(shù)字技術(shù)與傳統(tǒng)金融相結(jié)合形成的新業(yè)態(tài)，成為推動中國經(jīng)濟包容性增長的新動能[2]。數(shù)字普惠金融有效緩解了弱勢群體的金融排斥問題，為農(nóng)業(yè)、農(nóng)村經(jīng)濟發(fā)展提供了資金支持[3]。農(nóng)村金融被認為是促進農(nóng)業(yè)綠色全要素生產(chǎn)率提升的重要手段[4]。然而，長期以來我國存在金融“二元結(jié)構(gòu)”現(xiàn)象，與城鎮(zhèn)相比，農(nóng)村金融資源的可得性和可利用性都較低，這阻礙了農(nóng)村經(jīng)濟的發(fā)展。數(shù)字普惠金融作為傳統(tǒng)金融的助推器，其發(fā)展是否會對農(nóng)村綠色全要素生產(chǎn)率產(chǎn)生影響？通過理論分析和實證檢驗探究這一問題，對我國推進鄉(xiāng)村振興戰(zhàn)略、加快農(nóng)業(yè)現(xiàn)代化具有理論和現(xiàn)實意義。

農(nóng)業(yè)綠色全要素生產(chǎn)率是指將農(nóng)業(yè)面源污染、碳排放等環(huán)境要素加入后計算得到的農(nóng)業(yè)綠色全要素生產(chǎn)率，衡量了地區(qū)農(nóng)業(yè)綠色發(fā)展的綜合效率[5]。有關(guān)農(nóng)業(yè)綠色全要素生產(chǎn)率的研究主要集中在效率測算、時空演化以及影響因素等幾個方面。第一，在效率測算方面，現(xiàn)有的農(nóng)業(yè)綠色全要素生產(chǎn)率效率測算方法主要有兩種。一種是以隨機前沿生產(chǎn)函數(shù)（SFA）為主的參數(shù)法[6，7]。該方法可以設(shè)定具體的生產(chǎn)函數(shù)形式，但往往只能考慮單一產(chǎn)出的情況，不能對多投入多產(chǎn)出的效率模型進行測度，在測算農(nóng)業(yè)綠色全要素生產(chǎn)率時易產(chǎn)生偏差。另一種方法是以數(shù)據(jù)包絡(luò)分析（DEA）為主的非參數(shù)方法。該方法考慮了多投入多產(chǎn)出的情況，通過線性規(guī)劃得到生產(chǎn)前沿面并計算各決策單元的生產(chǎn)率，能夠更加準確地對生產(chǎn)率進行測算和排序。在農(nóng)業(yè)綠色全要素生產(chǎn)率的研究中，最常用的非參數(shù)方法有SBM模型和Malmquist-Luenberger（簡稱ML）指數(shù)[8，9]。其中，ML指數(shù)法可以考察農(nóng)業(yè)綠色全要素生產(chǎn)率的動態(tài)變化情況，并能夠提供生產(chǎn)率變化的細分，識別出效率變化的主要來源，因而得到了廣泛的應(yīng)用。例如，杜江等[10]采用GML 指數(shù)方法，從全國及省級層面測算了1991—2013年農(nóng)業(yè)增長的環(huán)境技術(shù)效率、技術(shù)進步與環(huán)境全要素生產(chǎn)率。郭海紅等[11]采用ML 指數(shù)法從動態(tài)視角分析了中國2006—2016年31 個省份的農(nóng)業(yè)綠色全要素生產(chǎn)率變化情況及增長來源。金芳等[12]基于GML 指數(shù)測度了中國31 個省份1997—2017年的農(nóng)業(yè)綠色生產(chǎn)率，并將其分解為綠色技術(shù)進步指數(shù)。第二，在時空演化方面，有關(guān)研究較為豐富，研究結(jié)論根據(jù)研究方法和研究角度的差異也會有所不同。例如，王兵等[13]基于碳排放約束和產(chǎn)區(qū)異質(zhì)性研究發(fā)現(xiàn)1993—2017年中國農(nóng)業(yè)綠色全要素生產(chǎn)率持續(xù)增長，其中技術(shù)進步是主要驅(qū)動力，主銷區(qū)年均增長率最高，主產(chǎn)區(qū)次之，平衡區(qū)最低。劉亦文等[5]研究發(fā)現(xiàn)2001—2018年間中國八大經(jīng)濟區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率均實現(xiàn)了較好的增長，但具有時間、空間及區(qū)域差異性，其中西南經(jīng)濟區(qū)增長最快，東北經(jīng)濟區(qū)增長最慢。第三，在農(nóng)業(yè)綠色全要素生產(chǎn)率的影響因素方面，學術(shù)界已經(jīng)展開了豐富且充分的研究，影響因素主要有農(nóng)村人均收入、農(nóng)業(yè)結(jié)構(gòu)、農(nóng)業(yè)受災(zāi)率、農(nóng)村人力資本、農(nóng)業(yè)財政支持、農(nóng)村金融支持、工業(yè)化程度、城鎮(zhèn)化程度等[14—16]。與本文研究密切相關(guān)的是有關(guān)金融發(fā)展與農(nóng)村綠色發(fā)展的研究。例如，李健旋[4]從農(nóng)村金融發(fā)展規(guī)模、金融發(fā)展結(jié)構(gòu)以及金融發(fā)展效率三個角度分析了農(nóng)村傳統(tǒng)金融發(fā)展對農(nóng)業(yè)綠色全要素生產(chǎn)率的作用，發(fā)現(xiàn)農(nóng)村金融發(fā)展在提升農(nóng)業(yè)綠色全要素生產(chǎn)率中起到了顯著積極的作用。張軍偉等[17]研究發(fā)現(xiàn)農(nóng)村信貸和農(nóng)業(yè)保險對綠色農(nóng)業(yè)發(fā)展的作用不明顯，農(nóng)業(yè)信貸對小農(nóng)戶綠色生產(chǎn)作用不明顯，但提高了規(guī)模農(nóng)戶碳排放強度，農(nóng)業(yè)保險降低了蔬菜業(yè)碳排放強度。馬駿等[18]從理論的角度分析得出結(jié)論：綠色金融與普惠金融協(xié)同發(fā)展可有效推動綠色農(nóng)業(yè)發(fā)展，在提高農(nóng)村金融可得性的同時，改善環(huán)境、降低碳排放。

綜上所述，圍繞農(nóng)業(yè)綠色全要素生產(chǎn)率的效率測算、時空演化和影響因素，學術(shù)界已經(jīng)積累了豐碩的研究成果，但少有研究涉及數(shù)字普惠金融發(fā)展對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響。賀茂斌等[19]、許釗等[20]通過實證研究驗證了數(shù)字金融發(fā)展具有一定的碳減排效應(yīng)和污染減排效應(yīng)。同時，數(shù)字普惠金融的發(fā)展緩解了農(nóng)村金融資源獲取難、成本高、效率低等問題，提高了農(nóng)戶的正規(guī)信貸可得性和正規(guī)信貸規(guī)模[21]，推動了鄉(xiāng)村振興和農(nóng)業(yè)農(nóng)村現(xiàn)代化建設(shè)[22]。據(jù)此，本文重點聚焦數(shù)字普惠金融發(fā)展與農(nóng)村綠色全要素生產(chǎn)率的關(guān)系，基于中國30 個省份2011—2018年的面板數(shù)據(jù)，分析數(shù)字普惠金融發(fā)展對農(nóng)村綠色全要素生產(chǎn)率的影響，并分析其空間溢出效應(yīng)和分維度影響，為更好地發(fā)揮數(shù)字普惠金融在農(nóng)業(yè)、農(nóng)村中的綠色增長效應(yīng)提供穩(wěn)健的實證依據(jù)和決策參考。

本文可能的貢獻在于：第一，本文從數(shù)字普惠金融的角度拓展了金融發(fā)展與綠色全要素生產(chǎn)率關(guān)系的研究，豐富了與數(shù)字普惠金融和農(nóng)業(yè)綠色發(fā)展相關(guān)的理論體系。第二，本文考慮了空間因素，關(guān)注鄰省間可能存在的空間關(guān)聯(lián)與溢出效應(yīng)，并探尋空間溢出效應(yīng)在農(nóng)業(yè)綠色生產(chǎn)率增長中的重要作用。第三，本文采用工具變量法來緩解數(shù)字普惠金融和農(nóng)業(yè)綠色全要素生產(chǎn)率之間可能存在的內(nèi)生性問題，并采用三類空間權(quán)重矩陣進行空間計量分析，使研究結(jié)論更加可靠。

二、理論分析

具體來講，數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響體現(xiàn)在以下幾個方面：

第一，數(shù)字普惠金融通過緩解融資約束提高農(nóng)業(yè)綠色全要素生產(chǎn)率。數(shù)字普惠金融憑借互聯(lián)網(wǎng)等數(shù)字技術(shù)可以實現(xiàn)金融服務(wù)交易的時空異步，使交易流程標準化、便捷化，降低了金融服務(wù)供給成本和農(nóng)戶的金融服務(wù)使用成本，幫助農(nóng)戶了解金融產(chǎn)品的作用、抵押擔保條件等，激發(fā)農(nóng)戶使用金融服務(wù)的意愿，有助于緩解農(nóng)村地區(qū)的金融需求不足和金融排斥等問題。數(shù)字技術(shù)的應(yīng)用使傳統(tǒng)金融服務(wù)打破“二八定律”[23]，發(fā)掘“長尾”市場，擴大農(nóng)戶對互聯(lián)網(wǎng)保險、投資理財?shù)冉鹑诋a(chǎn)品的購買規(guī)模，使得金融機構(gòu)能以較低的成本收攏零散的金融資源，在優(yōu)化農(nóng)戶財富管理的同時整合金融資源，提升金融資源供給水平。普通農(nóng)戶和農(nóng)村小微企業(yè)獲得充足的資金后，將增加對農(nóng)機設(shè)備、農(nóng)業(yè)良種、新型農(nóng)業(yè)技術(shù)設(shè)備的應(yīng)用，推廣農(nóng)業(yè)機械化和農(nóng)業(yè)技術(shù)化，實現(xiàn)生產(chǎn)規(guī)模化、集約化，降低資源的邊際消耗和環(huán)境污染物的邊際排放，提高各類投入要素的利用效率。此外，數(shù)字普惠金融還為生態(tài)農(nóng)業(yè)、循環(huán)農(nóng)業(yè)、智慧農(nóng)業(yè)、創(chuàng)意農(nóng)業(yè)等農(nóng)業(yè)新興產(chǎn)業(yè)的發(fā)展提供了籌資支持[24]。

第二，數(shù)字普惠金融通過優(yōu)化資源配置提高農(nóng)業(yè)綠色全要素生產(chǎn)率。首先，傳統(tǒng)金融機構(gòu)為了降低成本和提高收益，往往通過企業(yè)的可抵押資產(chǎn)、后續(xù)的盈利能力、現(xiàn)期市場規(guī)模等條件篩選授信客戶，并傾向于為大型企業(yè)提供大額的信貸產(chǎn)品，這往往導致金融資源流向高消耗、高污染排放的工業(yè)企業(yè)。在農(nóng)村地區(qū)，金融服務(wù)額度較小且信用收集困難，導致傳統(tǒng)金融機構(gòu)不愿在農(nóng)村地區(qū)提供金融服務(wù)。而數(shù)字普惠金融內(nèi)嵌的大數(shù)據(jù)、云計算等數(shù)字技術(shù)，可以對農(nóng)戶征信數(shù)據(jù)進行收集、分析、決策，弱化信息不對稱和道德風險，幫助金融機構(gòu)準確把握農(nóng)戶的金融服務(wù)需求[25]，為農(nóng)戶提供可負擔的金融服務(wù)，亦可以與綠色金融理念相結(jié)合，更加精準地向種植業(yè)、養(yǎng)殖業(yè)、三產(chǎn)融合、農(nóng)機裝備、污染防治和新型主體培育等關(guān)鍵領(lǐng)域的綠色農(nóng)業(yè)活動配置充足的金融資源[18]，從而提高農(nóng)業(yè)綠色全要素生產(chǎn)率。其次，數(shù)字普惠金融推行的綠色發(fā)展理念，可以促進資本、技術(shù)、人才等生產(chǎn)要素向綠色農(nóng)業(yè)等環(huán)保項目以及環(huán)境污染治理項目流動[26]，引導傳統(tǒng)農(nóng)業(yè)綠色轉(zhuǎn)型。最后，數(shù)字普惠金融為農(nóng)村小微企業(yè)、低收入農(nóng)民等弱勢群體提供了獲得金融服務(wù)的機會，催生出新的就業(yè)崗位，拓展了農(nóng)戶增收的渠道，讓農(nóng)民更有條件提升技能，在農(nóng)村地區(qū)產(chǎn)生勞動力池效應(yīng)、人力資本效應(yīng)，提高勞動力素質(zhì)，優(yōu)化勞動力配置[27，28]，最終提升農(nóng)業(yè)綠色全要素生產(chǎn)率。

第三，數(shù)字普惠金融通過支持技術(shù)創(chuàng)新提高農(nóng)業(yè)綠色全要素生產(chǎn)率。農(nóng)業(yè)技術(shù)創(chuàng)新可以通過打破資源稀缺和傳統(tǒng)技術(shù)落后的限制，大幅提高農(nóng)業(yè)資源利用效率，改善農(nóng)業(yè)發(fā)展質(zhì)量和農(nóng)業(yè)環(huán)境質(zhì)量[29]。數(shù)字普惠金融對農(nóng)業(yè)技術(shù)創(chuàng)新的影響體現(xiàn)在：一方面，農(nóng)業(yè)技術(shù)創(chuàng)新具有投入沉沒性、過程不可逆、成果不確定、調(diào)整成本高、融資成本高等特征，并且研發(fā)成果的產(chǎn)出和轉(zhuǎn)化具有一定的滯后性，這就意味著農(nóng)業(yè)技術(shù)創(chuàng)新需要充足的金融資源予以支持。對此，數(shù)字普惠金融可以憑借易獲得、成本低的優(yōu)勢為農(nóng)業(yè)技術(shù)創(chuàng)新提供充足的資金支持，而且數(shù)字普惠金融催生出了多樣化的金融服務(wù)產(chǎn)品，農(nóng)業(yè)企業(yè)可根據(jù)實際融資需求選擇合適的金融工具及其組合來推動農(nóng)業(yè)技術(shù)創(chuàng)新[30]。另一方面，張瑞娟等[29]研究發(fā)現(xiàn)金融保險和信息獲取渠道能顯著提升農(nóng)戶采納新技術(shù)的概率。數(shù)字普惠金融的發(fā)展增加了農(nóng)戶購買保險產(chǎn)品和獲取貸款的機會，有助于農(nóng)戶接收采納新型農(nóng)業(yè)生產(chǎn)技術(shù)，互聯(lián)網(wǎng)、5G 等數(shù)字基礎(chǔ)設(shè)施的完善拓寬了農(nóng)戶獲取信息的渠道，這亦有利于農(nóng)業(yè)技術(shù)的推廣，最終促進農(nóng)業(yè)綠色全要素生產(chǎn)率的提高。

三、研究方法

（一）農(nóng)業(yè)綠色全要素生產(chǎn)率測算

本文采用SBM方向距離函數(shù)與ML指數(shù)相結(jié)合的方法測算農(nóng)業(yè)綠色全要素生產(chǎn)率指數(shù)。假定有n個決策單元（DMU），且每個決策單元有3個向量，投入向量、期望產(chǎn)出向量和非期望產(chǎn)出向量，分別記為x ∈Rm，yg∈RS1，yb∈RS2。定義矩陣X、Yg、Yb分別為：其中X＞0，Yg＞0，Yb＞0，單元的生產(chǎn)可能集P為：

Tone[31]提出的包含非期望產(chǎn)出的非徑向SBM模型將松弛變量和非期望產(chǎn)出加入到傳統(tǒng)DEA 模型中，有效地測度了環(huán)境效率。單元k 在非期望產(chǎn)出的SBM方向距離函數(shù)如下：

式中：為方向距離函數(shù)；分別表示投入冗余量、期望產(chǎn)出不足量和非期望產(chǎn)出超出量；S-、Sg、Sb為所對應(yīng)的向量；當S-=Sg=Sb=0時，時決策單元是有效的，λ為權(quán)重向量。在此基礎(chǔ)上農(nóng)業(yè)綠色全要素生產(chǎn)率指數(shù)（GML指數(shù)）可表達為：

若農(nóng)業(yè)生產(chǎn)活動的期望產(chǎn)出大于非期望產(chǎn)出，那么GMLt,t+1＞1，表示農(nóng)業(yè)綠色全要素生產(chǎn)率上升；反之，若非期望產(chǎn)出大于期望產(chǎn)出，那么GMLt,t+1＜1，表示生產(chǎn)率下降。GML 指數(shù)可進一步分解為技術(shù)效率變化（GEC）和技術(shù)進步（GTC）：

（4）式中，GECt,t+1為技術(shù)效率變化，表示當期與生產(chǎn)前沿面的“最佳實踐者差距”。GECt,t+1＞1 時，說明效率提升；GECt,t+1＜1 時，說明效率下降。GTCt,t+1為技術(shù)進步，表示生產(chǎn)前沿面的變化情況，即兩個時期“最佳實踐”的變化率。GTCt,t+1＞1 時，說明技術(shù)進步；GTCt,t+1＜1 時，說明技術(shù)退步。

參考已有文獻[10—12]，考慮數(shù)據(jù)的可得性和合理性，構(gòu)建投入產(chǎn)出指標體系，如表1所示。其中：農(nóng)業(yè)從業(yè)人員通過計算農(nóng)林牧副漁從業(yè)人員與農(nóng)業(yè)總產(chǎn)值占農(nóng)林牧副漁業(yè)總產(chǎn)值比重的乘積得到。實際農(nóng)業(yè)總產(chǎn)值以2011年為基期對各年度農(nóng)業(yè)總產(chǎn)值進行平減處理得到。借鑒葛鵬飛等[32]的研究，以農(nóng)業(yè)碳排放作為非期望產(chǎn)出，并把農(nóng)業(yè)碳排放分為兩部分，一部分是化肥使用、農(nóng)用柴油、農(nóng)地灌溉、農(nóng)藥使用及農(nóng)膜使用引發(fā)的碳排放，另一部分是水稻生產(chǎn)所產(chǎn)生的甲烷（CH4）的排放，將水稻分為早稻、中稻和晚稻，根據(jù)各省的CH4排放系數(shù)計算CH4排放值，據(jù)此計算碳排放量。碳排放系數(shù)和CH4排放系數(shù)參見田云等[33]的研究。

表1 GML測算指標體系

（二）主要變量定義與數(shù)據(jù)來源

1.被解釋變量。本文的被解釋變量為農(nóng)業(yè)綠色全要素增長率（GML）。前文提到的GML指數(shù)體現(xiàn)了農(nóng)業(yè)綠色全要素生產(chǎn)率的增長率，是以前一年基期為1計算得來的環(huán)比指數(shù)。故在實證分析中，參照李谷成[14]的做法，對GML指數(shù)進行累積化處理，得到GML。

2.核心解釋變量。本文的核心解釋變量為數(shù)字普惠金融指數(shù)（DIF）。數(shù)據(jù)源自北京大學互聯(lián)網(wǎng)金融研究中心發(fā)布的《數(shù)字金融普惠金融指數(shù)》[34]，該指數(shù)是在螞蟻金融提供的金融服務(wù)數(shù)據(jù)基礎(chǔ)上合成的，衡量了我國省級、城市級以及縣級數(shù)字金融發(fā)展程度。數(shù)字普惠金融指數(shù)包括三個子維度，分別是覆蓋廣度、使用深度和數(shù)字化程度。其中，覆蓋廣度（Bre）主要包含支付寶賬號數(shù)量、支付寶綁卡用戶比例和支付寶賬號綁卡數(shù)量三項指標，體現(xiàn)的是數(shù)字金融的覆蓋率；使用深度（Dep）涵蓋支付、信貸、保險、投資、信用以及貨幣基金等服務(wù)，體現(xiàn)的是數(shù)字金融工具種類的增多和可得性的提升；數(shù)字化程度（Dig）涵蓋移動化、實惠化和便利化，體現(xiàn)的是數(shù)字金融與數(shù)字技術(shù)的融合程度以及普惠性程度。本文將采用這3 個子指標作為解釋變量來研究不同維度數(shù)字金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響，并對上述變量均除以10，以縮小與被解釋變量量綱的差距。

3.控制變量。參考以往研究[14-16]，本文控制了如下變量：①人均收入（Pa），采用以2011年不變價的農(nóng)業(yè)生產(chǎn)總值除以鄉(xiāng)村總?cè)丝趤肀硎荆从侈r(nóng)業(yè)經(jīng)濟發(fā)展的基本情況；②自然災(zāi)害（Nat），采用農(nóng)作物受災(zāi)面積占農(nóng)作物播種面積的比重表示，通常農(nóng)業(yè)受災(zāi)率越高，引起的要素投入的損失會越大；③農(nóng)業(yè)人力資本（Hum），采用人均受教育年限表示，設(shè)定小學、初中、高中中專、大專以上的受教育年限分別為6年、9年、12年和16年，據(jù)此計算人均受教育年限。④對外開放程度（Open），采用農(nóng)產(chǎn)品對外貿(mào)易額占農(nóng)業(yè)總產(chǎn)值的比重表示，對外開放水平更高的地區(qū)越容易學習國外先進的技術(shù)和管理經(jīng)驗，可能對本地區(qū)農(nóng)業(yè)綠色發(fā)展產(chǎn)生促進作用。⑤城鎮(zhèn)化率（Urb），采用非農(nóng)人口占總?cè)丝诘谋戎乇硎?；⑥工業(yè)化程度（Ind），采用工業(yè)增加值占地區(qū)生產(chǎn)總值的比重表示，工業(yè)化程度的提升可能會增加對農(nóng)產(chǎn)品的需求，促進農(nóng)業(yè)經(jīng)濟發(fā)展。

各變量的描述性統(tǒng)計情況見表2。

表2 各變量描述性統(tǒng)計

4.數(shù)據(jù)來源。為了保證樣本數(shù)據(jù)的連續(xù)性和可得性，結(jié)合行政區(qū)劃調(diào)整和數(shù)據(jù)缺失的情況，本文的研究樣本為2011—2018年中國30 個省份的面板數(shù)據(jù)（西藏、港澳臺除外），數(shù)據(jù)均來源于《中國統(tǒng)計年鑒》《中國農(nóng)村統(tǒng)計年鑒》以及EPS 數(shù)據(jù)庫。對于部分缺失的數(shù)據(jù)，采用線性插值法進行補齊。

（三）模型設(shè)定

考慮到GML 可能存在空間依賴性或空間異質(zhì)性[12]，而傳統(tǒng)線性回歸模型由于忽略空間因素可能會導致實證結(jié)果偏誤[35]，因此，本文采用空間面板模型檢驗數(shù)字普惠金融與GML之間的關(guān)系，構(gòu)建以下模型：

（5）式中：下標i、t為省份和時間；W為空間權(quán)重矩陣；GML為農(nóng)業(yè)綠色全要素生產(chǎn)率（累積值）；DIF為數(shù)字普惠金融指數(shù)；C為一系列控制變量；u為省份個體效應(yīng)；v為時間效應(yīng)；μ為隨機誤差項；ρ為GML的空間自相關(guān)系數(shù)；λ為隨機誤差項的空間自相關(guān)系數(shù)。上式為空間計量模型的一般形式，根據(jù)相關(guān)系數(shù)是否為零可以將其分為3 種空間計量模型：當λ=β1=β2=0 時，該模型為空間滯后模型（Spatial Lag Model，SLM）；當ρ=β1=β2=0 時，該模型為空間誤差模型（Spatial Error Model，SEM）；當λ=0時，該模型為空間杜賓模型（Spatial Durbin Mod?el，SDM）。后續(xù)將通過Moran’s I 指數(shù)檢驗GML 是否存在空間相關(guān)性，并通過LM 檢驗、Wald 檢驗和LR檢驗等方法決定采用何種空間計量模型。

四、實證結(jié)果

（一）中國農(nóng)業(yè)綠色全要素生產(chǎn)率的變動趨勢與空間差異

如圖1所示，2011—2018年農(nóng)業(yè)綠色全要素生產(chǎn)率、技術(shù)進步指數(shù)與技術(shù)效率指數(shù)的年均增長率分別為1.5%、1.2%和0.3%，由此可見技術(shù)進步與技術(shù)效率均推動了農(nóng)業(yè)綠色全要素生產(chǎn)率的提升，但是技術(shù)進步的貢獻率更大（80%）。按時序變化來看，農(nóng)業(yè)綠色全要素生產(chǎn)率的增長率在2012—2013年出現(xiàn)了一次明顯的提升，從成分來看，這是技術(shù)進步所推動的。2013年以后，農(nóng)業(yè)綠色全要素生產(chǎn)率的增長率呈現(xiàn)緩慢上升的趨勢，但始終大于1，表明在研究期內(nèi)生產(chǎn)率經(jīng)歷著持續(xù)增長。就成分來看，技術(shù)進步指數(shù)僅在2014—2015年小于1，在其他年份仍是生產(chǎn)率增長的重要推動力，而技術(shù)效率呈現(xiàn)波動變化趨勢，效率值在1上下浮動。

圖1 2011—2018年中國農(nóng)業(yè)綠色全要素生產(chǎn)率指數(shù)及其成分變動趨勢

為識別區(qū)域間農(nóng)業(yè)綠色全要素生產(chǎn)率的差異，本文根據(jù)國家統(tǒng)計局區(qū)域劃分標準，比較東部（含北京等11個省份）、中部（含山西等8個省份）、西部（含內(nèi)蒙古等12個省份）的農(nóng)業(yè)綠色全要素生產(chǎn)率。表3顯示了2011—2018年中國省際和區(qū)際農(nóng)業(yè)綠色全要素生產(chǎn)率及其成分的變動情況。

表3 2011—2018年中國省域農(nóng)業(yè)綠色全要素生產(chǎn)率指數(shù)及其成分變動趨勢

在區(qū)際層面，東部地區(qū)、西部地區(qū)的農(nóng)業(yè)綠色全要素生產(chǎn)率年均增長率分別為4.1%和0.3%，中部地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率呈負增長，年均下降0.4%，可見中部地區(qū)省份農(nóng)業(yè)生產(chǎn)效率較為低下，農(nóng)業(yè)生產(chǎn)受資源環(huán)境約束較為嚴重。從農(nóng)業(yè)綠色全要素生產(chǎn)率的成分來看，東部、中部、西部地區(qū)技術(shù)效率的年均增長率分別為0.3%、0.1%和0.4%，技術(shù)效率對西部地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率的貢獻最大。東部地區(qū)技術(shù)進步年均增長3.8%，中部和西部地區(qū)年均下降0.5%和0.1%，可見技術(shù)進步僅對東部地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率有所貢獻，技術(shù)退步是中部地區(qū)生產(chǎn)率下降的主要原因。東部地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率為“雙驅(qū)”增長模式，西部地區(qū)為技術(shù)效率“單驅(qū)”增長模式。

在省際層面，各省農(nóng)業(yè)綠色生產(chǎn)率的變動存在較大差異，其中有20個省份生產(chǎn)率的年均增長率為正，占總數(shù)的2/3。以全國綠色全要素生產(chǎn)率年均增長率1.5%為參照值，有13 個省份位于其上，僅占總數(shù)的43.33%，東部地區(qū)有10 個省份，西部地區(qū)有3個省份，中部地區(qū)未有省份超過平均水平，可見農(nóng)業(yè)綠色全要素生產(chǎn)率出現(xiàn)了“中部塌陷”的現(xiàn)象。從省際農(nóng)業(yè)綠色全要素生產(chǎn)率成分的變動剖析生產(chǎn)率增長源泉，技術(shù)進步對21個省份的農(nóng)業(yè)綠色全要素生產(chǎn)率起到了促進作用，技術(shù)效率對15個省份的農(nóng)業(yè)綠色全要素生產(chǎn)率起到了促進作用。天津、浙江、山東、廣東、湖北和陜西6個省份的技術(shù)效率和技術(shù)進步均大于1，呈“雙驅(qū)”增長模式；北京、河北、遼寧、上海、江蘇、福建、江西、湖南、重慶、四川、貴州和新疆12 個省份技術(shù)進步大于1，為技術(shù)進步“單驅(qū)”增長模式；吉林和河南2 個省份技術(shù)效率大于1，為技術(shù)效率“單驅(qū)”增長模式；其他10個農(nóng)業(yè)綠色全要素生產(chǎn)率下降的省份中，僅有山西技術(shù)進步大于1，說明技術(shù)退步是導致這些省份生產(chǎn)率下降的主要原因。

（二）空間相關(guān)性

根據(jù)地理學中的空間依賴性和空間異質(zhì)性，地理事物或其屬性在空間分布上可能存在相關(guān)性，這種空間自相關(guān)性與傳統(tǒng)線性回歸模型的空間獨立性假設(shè)相互矛盾，從而使得傳統(tǒng)的統(tǒng)計學方法不再有效，因此在計量分析前需要檢驗變量是否存在空間相關(guān)性。本文采用Moran’s I指數(shù)檢驗農(nóng)業(yè)綠色全要素生產(chǎn)率（GML）的空間自相關(guān)性，其計算公式如下：

式中：n 為省份數(shù)目；yi和yj分別為i 省和城市j省的GML；yˉ為各省GML 的平均值；Wij為空間權(quán)重矩陣，基于Rook 鄰接標準獲得。I 的取值范圍為[-1，1]。其值為正且越趨向于1時，表示GML較高（較低）的省份在空間上集聚；其值等于0 時，則表示GML 隨機分布；若其值為負且趨向于-1 時，則表示某省份與其周邊省份的GML 具有顯著的空間差異性。采用Z 統(tǒng)計量對Moran’s I 指數(shù)的顯著性進行檢驗，Z值的計算公式如下：

采用Geoda軟件測算GML的Moran’s I指數(shù)，結(jié)果如表4所示，可以看到省域GML的Moran’s I指數(shù)均為正且至少在10%的水平上顯著，說明省域GML存在正的空間自相關(guān)性，Moran’s I指數(shù)呈現(xiàn)先下降后上升的趨勢，后維持在0.15左右，且顯著性有所加強，說明省域GML之間的空間相關(guān)性有所加強。

表4 省域GML的Moran’s I指數(shù)

（三）數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響

前文的分析證實了農(nóng)業(yè)綠色全要素生產(chǎn)率（GML）存在顯著的空間依賴性，不滿足傳統(tǒng)線性回歸模型區(qū)域之間互相獨立的前提假設(shè)，需要采用空間計量模型對傳統(tǒng)線性回歸進行修正，進而實證分析數(shù)字普惠金融對GML 的影響。為判斷采用何種模型最適合本文的研究，本文進行了各類模型選擇的檢驗，結(jié)果如表5所示。拉格朗日乘數(shù)檢驗（LMtest）、似然比檢驗（LR-test）以及瓦爾德檢驗（Waldtest）均表明SDM 模型比SLM 模型和SEM 模型更加合理。因此，本文應(yīng)選用SDM 模型。Hausman 檢驗統(tǒng)計量為110.75（p=0.00），表明固定效應(yīng)要優(yōu)于隨機效應(yīng)，因此本文主要對固定效應(yīng)空間杜賓模型的回歸結(jié)果進行解釋說明，回歸結(jié)果如表6所示。

表5 模型檢驗結(jié)果

表6 空間杜賓模型回歸結(jié)果

1.數(shù)字普惠金融指數(shù)。數(shù)字普惠金融的系數(shù)為正且在5%的水平上顯著，說明數(shù)字普惠金融促進了農(nóng)業(yè)綠色全要素生產(chǎn)率的提升。數(shù)字普惠金融的發(fā)展緩解了農(nóng)村地區(qū)的融資約束，提高了農(nóng)村地區(qū)金融資源的配置效率，并促進了農(nóng)業(yè)技術(shù)創(chuàng)新，從而對農(nóng)業(yè)綠色全要素產(chǎn)生促進作用。數(shù)字普惠金融對技術(shù)效率和技術(shù)進步均產(chǎn)生了顯著的提升作用，說明數(shù)字普惠金融，既通過縮小“落后者”的“最佳實踐者差距”，也通過激勵“領(lǐng)先者”的“最佳實踐”促進了農(nóng)業(yè)綠色全要素生產(chǎn)率的提升。

2.其他變量。人均收入的系數(shù)為正且顯著，說明農(nóng)戶隨著人均收入的提升，將會購買農(nóng)業(yè)優(yōu)質(zhì)良種和先進農(nóng)業(yè)機械設(shè)備，改進農(nóng)業(yè)灌溉等基礎(chǔ)設(shè)備，有利于提升農(nóng)業(yè)綠色全要素生產(chǎn)率；自然災(zāi)害的系數(shù)為負且顯著，說明自然災(zāi)害導致的損失，減少了農(nóng)業(yè)產(chǎn)量，影響了落后者的“追趕效應(yīng)”或先進者的“最佳實踐”，不利于改善農(nóng)業(yè)綠色全要素生產(chǎn)率；農(nóng)業(yè)人力資本的系數(shù)為正且顯著，說明農(nóng)業(yè)人力資本帶來了農(nóng)業(yè)技術(shù)進步，使農(nóng)業(yè)生產(chǎn)前沿面外擴，是決定生產(chǎn)率長期增長的關(guān)鍵因素。對外開放程度系數(shù)為正且顯著，說明對外開放程度越高，各農(nóng)業(yè)生產(chǎn)單位越容易學習到先進技術(shù)，有利于農(nóng)業(yè)綠色全要素生產(chǎn)率的提升；城鎮(zhèn)化率和工業(yè)化程度均顯著提升了農(nóng)業(yè)綠色全要素生產(chǎn)率，這是由于城鎮(zhèn)化和工業(yè)化的推進為農(nóng)業(yè)發(fā)展創(chuàng)造物質(zhì)基礎(chǔ)和產(chǎn)品市場，并持續(xù)地增加對農(nóng)產(chǎn)品質(zhì)量和數(shù)量的需求[4]，倒逼農(nóng)業(yè)經(jīng)濟增長和農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)優(yōu)化，有利于農(nóng)業(yè)綠色全要素生產(chǎn)率的提升。

3.空間滯后變量?？臻g自相關(guān)系數(shù)（ρ）為0.179，在5%的水平上顯著，說明省域農(nóng)業(yè)綠色全要素生產(chǎn)率存在空間相關(guān)性，進一步證實采用空間面板模型是合理的。周邊地區(qū)數(shù)字普惠金融的發(fā)展不利于本省份的農(nóng)業(yè)綠色全要素生產(chǎn)率提升，這可能是由于數(shù)字金融發(fā)展水平較高的省份對金融資源產(chǎn)生了“虹吸效應(yīng)”，不利于本地區(qū)對農(nóng)業(yè)的資金支持。周邊省份人均收入、對外開放程度、城鎮(zhèn)化率均提升了本省的農(nóng)業(yè)綠色要素生產(chǎn)率，這主要是由于周邊地區(qū)對農(nóng)業(yè)產(chǎn)品的大量需求促進了本地區(qū)農(nóng)業(yè)經(jīng)濟的增長，同時頻繁的農(nóng)業(yè)貿(mào)易往來促進了農(nóng)產(chǎn)品專業(yè)化生產(chǎn)，擴大了農(nóng)業(yè)技術(shù)的溢出效應(yīng)，有利于促進農(nóng)業(yè)綠色全要素生產(chǎn)率的提升。

為進一步研究數(shù)字普惠金融發(fā)展影響農(nóng)業(yè)綠色全要素生產(chǎn)率的空間效應(yīng)，本文參考已有研究[36]，采用偏微分求解方法對數(shù)字普惠金融發(fā)展影響農(nóng)業(yè)綠色全要素生產(chǎn)率的空間效應(yīng)進行詳細分解，結(jié)果如表7所示?？梢钥吹綌?shù)字普惠金融指數(shù)的直接效應(yīng)為正，間接效應(yīng)為負，由于間接效應(yīng)絕對值較大，導致總效應(yīng)為負且顯著，這表明各省份數(shù)字普惠金融的競爭效應(yīng)不利于“落后者”的追趕，金融資源在區(qū)域間的配置不盡合理，應(yīng)進一步優(yōu)化金融資源的區(qū)域配置，提高金融資源在各地區(qū)的使用效率，擴大金融服務(wù)對農(nóng)業(yè)綠色全要素生產(chǎn)率的邊際效用。其他變量的分解結(jié)果與前文關(guān)于各變量空間滯后項的分析一致。

表7 空間杜賓模型的各變量效應(yīng)分解

（四）數(shù)字普惠金融分維度對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響

為了進一步分析數(shù)字金融的哪些維度影響了農(nóng)業(yè)綠色全要素生產(chǎn)率，本文分別對其進行空間杜賓模型估計，回歸結(jié)果如表8所示。結(jié)果顯示，數(shù)字普惠金融覆蓋廣度和數(shù)字化程度均促進了農(nóng)業(yè)綠色全要素生產(chǎn)率的提升，而數(shù)字普惠金融使用深度的作用并不顯著。覆蓋廣度的增加意味著網(wǎng)絡(luò)支付普及率的提升，數(shù)字金融服務(wù)更易延伸到偏遠城鎮(zhèn)和農(nóng)村地區(qū)，緩解農(nóng)村融資約束，從而促進農(nóng)業(yè)綠色全要素生產(chǎn)率的提升。數(shù)字化程度的提高意味著數(shù)字金融與數(shù)字技術(shù)的融合程度以及普惠性程度的提升，說明金融機構(gòu)通過應(yīng)用大數(shù)據(jù)、云計算等數(shù)字技術(shù)弱化了信息不對稱，使金融服務(wù)更加精準化，同時降低了金融資源的利用成本和門檻，使金融服務(wù)更加便利、實惠，更易發(fā)揮農(nóng)村金融對綠色全要素生產(chǎn)率的促進效應(yīng)[4]。數(shù)字普惠金融使用深度并未發(fā)揮作用，這可能是由于農(nóng)戶對各類金融工具的認識不足，金融產(chǎn)品使用率較低，難以發(fā)揮金融工具多樣化優(yōu)勢所導致的。

表8 分維度空間杜賓模型回歸結(jié)果

（五）穩(wěn)健性檢驗

本文的研究結(jié)論表明數(shù)字普惠金融顯著提升了本省的農(nóng)業(yè)綠色全要素生產(chǎn)率，為驗證該結(jié)論的可靠性，本文擬通過以下方法進行穩(wěn)健性檢驗：

1.內(nèi)生性處理。盡管本文盡可能控制了影響農(nóng)業(yè)綠色全要素生產(chǎn)率的變量，但可能依然存在遺漏變量所導致的內(nèi)生性問題，并且數(shù)字普惠金融與農(nóng)業(yè)綠色全要素生產(chǎn)率之間可能存在反向因果問題，農(nóng)業(yè)綠色全要素生產(chǎn)率較高的地區(qū)可能更易推動數(shù)字普惠金融的發(fā)展。本文采用工具變量法緩解內(nèi)生性，參考易行健等[37]、Bartik[38]的做法，構(gòu)建工具變量“Bartik instrument”，即滯后一階的數(shù)字普惠金融指數(shù)（DIFit-1）和數(shù)字普惠金融指數(shù)一階差分（△DIFit-1）的乘積（DIFit-1×△DIFit-1），該工具變量模擬了在相同的發(fā)展趨勢下，各省數(shù)字普惠金融指數(shù)的預期值。構(gòu)建此工具變量的考慮如下：第一，全國數(shù)字普惠金融指數(shù)來自30個省（均值），因此其變化趨勢不會明顯受到單個省份的影響，差分項相對于單個省份而言可視作外生。第二，省份綠色全要素生產(chǎn)率可能受到其他未觀測沖擊的影響，但只要這種沖擊沒有影響全國數(shù)字金融指數(shù)，該工具變量就是有效的。工具變量法回歸結(jié)果如表9（1）列所示，弱工具變量檢驗（C-D Wald F）、不可識別檢驗（Anderson LM）、過度識別檢驗（Sargan）均拒絕了原假設(shè)，表明工具變量的選取是合理的，數(shù)字普惠金融指數(shù)的系數(shù)為0.019，且通過了1%水平的顯著性檢驗，說明數(shù)字普惠金融推動了農(nóng)業(yè)綠色全要素生產(chǎn)率的提升，前文的實證結(jié)論是穩(wěn)健的。

2.變換空間權(quán)重矩陣。本文分別采用地理距離矩陣和經(jīng)濟距離矩陣進行穩(wěn)健性檢驗。其中，地理距離矩陣的非對角線元素采用城市間直線距離的倒數(shù)表示，經(jīng)濟地理矩陣的非對角線元素則采用各省份年均GDP 差值絕對值的倒數(shù)表示。如表9（2）和（3）列所示，無論采用何種空間權(quán)重矩陣，實證結(jié)果均表明數(shù)字普惠金融顯著提升了本省的農(nóng)業(yè)綠色全要素生產(chǎn)率，而周邊省份數(shù)字普惠金融的發(fā)展降低了本省農(nóng)業(yè)綠色全要素生產(chǎn)率。因此，前文的實證結(jié)論是穩(wěn)健的。

表9 穩(wěn)健性檢驗

五、結(jié)論及政策建議

本文在理論上分析了數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響機理，并基于2011—2018年中國30 個省份的面板數(shù)據(jù)，采用ML 指數(shù)法測算了農(nóng)業(yè)綠色全要素生產(chǎn)率指數(shù)，并基于空間杜賓模型研究了數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響。主要結(jié)論如下：

第一，2011—2018年中國農(nóng)業(yè)綠色全要素生產(chǎn)率不斷改善，主要由技術(shù)進步推動。就地域分布來看，東部地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率增長最快，西部地區(qū)次之，而中部地區(qū)出現(xiàn)負增長。東部地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率為“雙驅(qū)”增長模式，西部地區(qū)為技術(shù)效率“單驅(qū)”增長模式，技術(shù)退步是中部地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率下降的主要原因。

第二，數(shù)字普惠金融提升了綠色技術(shù)效率，促進了綠色技術(shù)進步，改善了農(nóng)業(yè)綠色全要素生產(chǎn)率，但數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率產(chǎn)生了負的空間溢出效應(yīng)。數(shù)字普惠金融的分維度回歸結(jié)果表明，數(shù)字金融覆蓋廣度和數(shù)字化程度可促進農(nóng)業(yè)綠色全要素生產(chǎn)率提升。

第三，人均收入、農(nóng)村人力資本、對外開放程度、城鎮(zhèn)化率、工業(yè)化程度均與農(nóng)業(yè)綠色全要素生產(chǎn)率呈正相關(guān)關(guān)系，而自然災(zāi)害抑制了農(nóng)業(yè)綠色全要素生產(chǎn)率的提升。

基于本文研究結(jié)論，提供以下政策建議：

第一，完善農(nóng)村數(shù)字基礎(chǔ)設(shè)施建設(shè)，發(fā)展數(shù)字普惠金融。注重城鄉(xiāng)統(tǒng)籌發(fā)展，加快“數(shù)字鄉(xiāng)村建設(shè)”，推動農(nóng)村地區(qū)4G、5G網(wǎng)絡(luò)通信基礎(chǔ)設(shè)施建設(shè)，縮小城鄉(xiāng)數(shù)字鴻溝，提高偏遠農(nóng)村地區(qū)計算機、智能手機等移動終端的普及率，提高農(nóng)村互聯(lián)網(wǎng)普及率并保證寬帶網(wǎng)速，適度降低寬帶和流量費用，提高農(nóng)村居民對數(shù)字普惠金融服務(wù)的可得性，為發(fā)展數(shù)字普惠金融提供更好的硬件軟件條件。

第二，優(yōu)化金融資源配置，促進農(nóng)業(yè)技術(shù)效率的提升和農(nóng)業(yè)技術(shù)的進步?？紤]各地區(qū)農(nóng)業(yè)綠色發(fā)展的差異性，優(yōu)化金融資源的區(qū)域配置，提高金融資源在各地區(qū)的使用效率。在中部、西部地區(qū)，積極運用數(shù)字化技術(shù)引導金融資源流向農(nóng)業(yè)技術(shù)創(chuàng)新活動，促進技術(shù)進步和技術(shù)推廣，扭轉(zhuǎn)技術(shù)退步的局面。東部地區(qū)在維持技術(shù)進步的同時，應(yīng)積極改進農(nóng)業(yè)灌溉設(shè)備，推廣農(nóng)業(yè)機械設(shè)備，提高農(nóng)業(yè)水利化、機械化和信息化水平，提升技術(shù)效率水平。

第三，提升數(shù)字普惠金融數(shù)字化程度，促進傳統(tǒng)金融與數(shù)字技術(shù)深度融合，弱化信息不對稱和道德風險，幫助金融機構(gòu)準確把握農(nóng)戶的金融服務(wù)需求，提供更加精準、實惠的金融服務(wù)，增加供給水平并提升融通效率。

第四，重視區(qū)域視角中數(shù)字普惠金融與農(nóng)業(yè)綠色發(fā)展的空間溢出效應(yīng)，在推動本地數(shù)字普惠金融發(fā)展的同時，重視鄰省間協(xié)調(diào)發(fā)展，避免因不合理競爭產(chǎn)生的空間負外部性，合理配置金融資源，大力支持落后地區(qū)數(shù)字普惠金融發(fā)展，加快推進金融基礎(chǔ)設(shè)施建設(shè)，基于數(shù)字基礎(chǔ)設(shè)施發(fā)揮發(fā)達地區(qū)與落后地區(qū)互聯(lián)互通的輻射效應(yīng)和帶動作用，促進數(shù)字普惠金融的協(xié)同發(fā)展，進而推動農(nóng)業(yè)綠色全要素生產(chǎn)率整體的提高?！?/p>