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

【摘要】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。

【关键词】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

【中图分类号】F830      【文献标识码】A      【文章编号】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后， 其回归系数为0.0446， 在1%的水平上显著。 回归结果表明， 无论加入控制变量与否， 数字普惠金融均可对农业全要素生产率产生显著的提振作用。 这表明随着数字普惠金融的不断发展， 更多金融资源被用于农业生产， 农村居民、企业的金融可得性得到了很大程度的提升。 数字普惠金融不受物理网点束缚， 可以有效降低融资成本、缓解农村企业和农村居民的融资困境， 满足其对农业技术改善的资金需求， 推动农业前沿科技进步， 有利于加快农业生产核心技术突破， 进而促进农业全要素生产率的提升。 此外， 数字普惠金融还有助于推动农村实体经济发展， 在数字技术的加持下， “乡村物流”和“乡村电商”可有效促进农产品流通体系的建立， 有利于加快农业资金回流， 实现更加高效的资源配置， 提高农业全要素生产率。

在控制变量方面， 外资投入水平（fdi）的估计系数为-1.2814， 与农业全要素生产率负相关， 且在1%的水平上显著， 可能是因为农村居民与外部接触较少， 不能有效消化吸收外来技术， 外资投入反而对农业全要素生产率增长有抑制作用; 财政支持（fe）的估计系数为1.4165， 与农业全要素生产率正相关且在5%的水平上显著， 表明政府对农村的财政支持可有效缓解农业发展的资金困境， 减少农民的财税负担， 有利于提高农业全要素生产率; 城镇化水平（urban）的回归系数为1.3624， 显著为正， 说明城镇化水平的提高可以改善农村劳动力在城乡之间的配置， 有效提升农业全要素生产率; 农村居民受教育水平（edu）与农业全要素生产率正相关， 但不显著， 表明随着农村居民受教育水平的提升， 一方面农村人力资本要素投入可能增加， 但另一方面， 一些受教育水平较高的农村居民可能会从事非农产业， 反而减少了要素投入， 所以农村居民受教育水平对农业全要素生产率的影响并不显著; 受灾率（disa）的系数为负， 但未通过显著性检验。

为使研究结论更具指导意义， 本文分析了数字普惠金融各维度对农业全要素生产率的影响， 研究过程同上， 以固定效应模型为分析模型， 回归结果见表4。 由表4列（6）可知， 数字普惠金融覆盖广度对农业全要素生产率的估计系数为0.0544， 显著为正， 表明随着数字金融服务覆盖范围的不断扩张， 偏远农村地区人民更容易享受到金融发展和科技进步的红利， 金融可得性被大幅提高， 满足了农村居民因农业生产产生的融资需求， 有助于提高农业全要素生产率; 由列（8）可知， 数字普惠金融使用深度对农业全要素生产率的估计系数为0.0270， 在5%的水平上显著， 表明随着互联网保险和互联网信贷等服务的增加， 农村居民可以通过智能手机等基础移动终端设备满足自身的投融资需求， 这种低成本、便捷的金融服务方式有助于优化农村金融资源配置， 促进农村产业结构升级和经济发展， 为农业全要素生产率的提升提供动力; 由列（10）可知， 数字普惠金融数字化程度对农业全要素生产率的回归系数为0.0167， 在5%的水平上显著， 数字化是数字普惠金融发展的基础， 随着数字化水平的提高， 数字普惠金融的优势得以凸显， 除可以为农村居民和小微企业提供更高效、透明的金融服务外， 还能利用数字技术管控金融风险， 使资源配置更加有效， 对农业生产产生实质性影响。

为深入分析数字普惠金融对农业全要素生产率增长的作用路径， 本文将农业全要素生产率分解为农业技术进步（tech）和农业技术效率（ef）， 采用混合OLS模型和固定效应模型回归， 检验过程同上， 以固定效应模型为分析模型， 回归结果见表5。

由表5可知， 在固定效应模型下， 数字普惠金融与农业技术进步的估计系数为0.0303， 显著为正， 即数字普惠金融对农业技术水平提高具有显著促进作用。 一个合理的解释是： 首先， 数字普惠金融通过提高金融可得性和改善收入分配、增加经济机会等路径可有效减缓农村贫困， 增加农村居民可支配收入[23，24] ， 为其购置农业生产要素提供资金。 其次， 数字技术与普惠金融的有机结合提高了金融运行效率， 延伸了金融服务半径， 且其不依赖物理网点， 可有效降低农村居民和企业的融资成本， 减轻其融资负担， 为其引进、研发和吸收先进农业技术提供资金支持， 进而促进农业技术进步。 数字普惠金融与农业技术效率的回归系数为0.0159， 但未通过显著性检验， 表明数字普惠金融发展无法顯著改善农业技术效率。 从理论上讲， 数字普惠金融通过发挥减贫增收功能带动地区经济增长， 从而提高当地教育水平， 教育水平的提高意味着农村人力资本要素的增加， 但根据表5可知， 农村受教育水平与农业技术效率改善并无显著关系; 数字普惠金融可以借助数字技术汇总农村居民和小微企业的各项信息数据， 完善信息共享平台， 优化金融资源配置， 增加农业小微企业和居民金融可得性， 提高农业技术效率。 但完善信息平台、分析用户信用状态无法在短时间内完成， 数字普惠金融作为一个较新的概念目前还在不断深化、发展之中， 且我国农村地区的数字化程度还有待提升。 因此， 现阶段数字普惠金融发展无法显著提升农业技术效率。

2. 稳健性检验。 为进一步验证数字普惠金融及其各维度可对农业全要素生产率增长产生显著正向影响， 本文构建如下模型， 利用动态GMM方法进行稳健性检验。 回归结果如表6所示， 其中列（15）为数字普惠金融对农业全要素生产率影响的估计结果， 列（16） ～ 列（18）为数字普惠金融各维度对农业全要素生产率影响的估计结果。

Yit=∂+ρ1Yi，t-1+β1Xit+βiCoutrolit+μi+εt （4）

根据表6列（15） ～ 列（18）的检验结果可知， 回归方程的误差项不存在二阶序列相关， 且工具变量有效， 各个模型中被解释变量滞后一期值的回归系数分别为0.5719、0.5475、0.6730、0.8542， 并且均在1%的水平上显著， 表明本文设定的稳健性检验模型是合理的。 根据列（15） ～ 列（18）的估计结果可知， 数字普惠金融及其各维度指数均可显著提高农业全要素生产率， 与前文基准回归结果一致。

3. 分地区检验。 我国幅员辽阔， 不同省份的农业生产要素数量和质量存在差异， 且数字普惠金融发展程度不同。 为进一步分析数字普惠金融对农业全要素生产率的影响是否存在地域差异， 本文按照国家统计局的划分标准， 将31个省份划分为东部、中部和西部地区， 利用混合OLS模型和固定效应模型进行回归。 回归过程同上， 以固定效应模型为分析模型。

根据表7可知， 在固定效应模型下， 数字普惠金融与东部、中部、西部地区的农业全要素生产率的估计系数分别为0.0538、0.1174、0.1007， 均通过显著性检验， 表明数字普惠金融对中部地区农业全要素生产率的提振作用最大， 其次是西部和东部地区。 一个可能的原因是， 中部地区多为农业大省， 随着数字普惠金融发展水平的提升， 金融机构可以为中部地区农村居民和企业提供低成本、高效率的融资手段， 继续深化农业发展， 有利于加快农业技术进步， 补齐农业现代化短板， 最终对农业全要素生产率起到提振作用; 而东部地区主要以服务业和高科技产业作为发展重心， 农业所占比重相对较小， 西部地区农业所占比重相对较大但经济落后、金融发展不足， 且数字化程度较低。 因此， 数字普惠金融发展对东部和西部地区农业全要素生产率的促进作用要弱于中部地区。

4. 门槛效应检验。 根据前文基准回归和稳健性检验结果， 数字普惠金融及其各维度对农业全要素生产率起到显著提振作用， 为深入研究当数字普惠金融及其各维度处于不同发展水平时， 是否对农业全要素生产率产生不同影响， 本文利用公式（2）构建门槛效应模型。 其中， 以农业全要素生产率为被解释变量， 数字普惠金融指数（difi）和各维度指数（cover、depth、dig）为解释变量， 同时分别选取数字普惠金融及其维度指数为门槛变量， 且各门槛变量都通过了外生性检验， 证明模型有效。 门槛效应检验结果见表8。

根据表8可知， 数字普惠金融指数单一门槛下的P值为0.0833， 在10%的水平上显著， 但在双重门槛下的P值为0.2133， 并不显著， 所以数字普惠金融对农业全要素生产率的影响只存在一个关于数字普惠金融的单门槛效应; 覆盖广度指数和使用深度指数在单一门槛下的P值分别为0.6067和0.2275， 均未通过显著性检验， 即数字普惠金融服务的覆盖广度和使用深度对农业全要素生产率不存在门槛效应; 数字化程度指数在单一门槛下的P值为0.0333， 在5%的水平上显著， 但在双重门槛下的P值为0.2233， 不显著， 所以数字化程度与农业全要素生产率之间只存在一个关于数字化程度的单门槛效应。 由此可知， 数字普惠金融对农业全要素生产率存在门槛效应， 在数字普惠金融指数各维度方面， 只有数字化程度对农业全要素生产率存在门槛效应， 本文运用面板门槛模型进行回归估计， 结果见表9。

根据表9列（28）的回归结果， 当数字普惠金融指数小于门槛值时， 回归系数为0.0753， 在1%的水平上显著， 当数字普惠金融指数大于门槛值时， 回归系数为0.0877， 在1%的水平上显著， 这意味着无论数字普惠金融发展水平处于较低阶段还是较高阶段， 都可对农业全要素生产率产生显著的促进作用， 但该作用随着数字普惠金融的发展由弱变强。 一个合理的解释是， 当数字普惠金融发展水平处于较低阶段时， 其作用主要体现在缓解融资约束和减贫增收方面， 对优化农业要素配置和促进农业技术进步方面的作用不足; 当数字普惠金融发展水平处于较高阶段时， 金融资源配置效率提升， 数字普惠金融对农业全要素生产率的正向效应增强。 根据表9列（29）的回归结果， 当数字化程度指数小于门槛值時， 回归系数为0.0156， 但显著性水平较低， 当越过门槛值后， 数字普惠金融对农业全要素生产率的回归系数为0.0425， 在1%的水平上显著。 一个合理的解释是， 数字普惠金融凭借互联网、大数据、区块链等数字技术提供范围广、成本低、便捷的金融服务， 这正是其区别于传统金融的服务优势。 当数字化程度较低时， 数字普惠金融与传统金融的差异较小， 并不能完全发挥其利用数字技术降低融资成本、缓解融资困境的优势， 对农业全要素生产率的促进效果还有待提升; 当数字化程度达到一定水平后， 数字技术对金融服务的激活作用更大， 数字普惠金融的优势更加凸显， 金融资源配置更为有效， 这有力地缓解了农业生产的资金约束， 进而对农业全要素生产率产生更大且更为显著的提振作用。

四、研究结论与政策建议

（一）研究结论

本文在梳理农业全要素生产率和数字普惠金融相关文献的基础上， 选取2011 ～ 2018年我国省级面板数据， 利用DEA-Malmquist指数法测算各省农业全要素生产率， 并采用固定效应模型和门槛效应模型实证分析数字普惠金融对农业全要素生产率的影响， 得出以下研究结论： ①无论从总体上还是分维度研究， 数字普惠金融可有效提高农业全要素生产率; ②数字普惠金融主要通过促进农业技术进步提高农业全要素生产率， 对农业技术效率的提高则无显著影响; ③数字普惠金融对中部地区农业全要素生产率的提振作用最大， 其次是西部和东部地区; ④数字普惠金融对农业全要素生产率的提升存在单一门槛， 数字普惠金融对农业全要素生产率的提振作用随着数字普惠金融发展程度的提高而加大， 数字普惠金融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， 对农业全要素生产率的提振作用越大且越显著。

（二）政策建议

首先， 深入推进数字普惠金融发展， 政府部门应做好统筹和引导工作， 推动各地金融机构进行金融服务创新， 除在农村地区设置物理网点外还要逐步推广手机银行、ATM等数字金融服务， 简化数字金融产品操作流程， 设置普惠金融服务站点， 优化农村金融生态环境， 将偏远农村地区覆盖到数字金融的服务网络之下， 拓展和挖掘“长尾市场”， 主动为农村贫困地区的“长尾客户”提供金融服务， 提高农村地区居民和中小微企业的金融可得性， 为农业发展提供良好的融资环境， 引导先进的农业技术和农业机械设备进入农村， 用数字普惠金融激活农业生产动力。

其次， 深化数字金融基础设施生态系统建设， 加深数字化程度， 简化信息流动， 建立健全农村小额贷款信息平台和信用评价体系， 减少农户、农村企业、融资平台之间因信息不对称所引发的信用风险。 完善金融资源配置， 优化资金投入结构， 在数字普惠金融服务乡村的过程中， 着力提升其对农业技术效率的贡献。

再次， 继续推进农村互联网基础设施建设， 各地政府根据当地经济发展实情将基建资金适度向偏远农村地区倾斜， 积极与通信企业展开合作， 鼓励通信公司在农村地区增设基站， 定期维护设备， 实现广播电视网、电信网和互联网在农村的全覆盖， 提升农村居民的互联网参与率。 一方面利用互联网传播农业新知识、新技术， 降低农业信息传递成本， 促进农业技术外溢; 另一方面依靠互联网等现代信息技术完善农产品产销服务链， 建立产销信息平台， 将产销信息快速传达至农产品供需双方， 进一步挖掘市场， 提高农业发展效率， 为农村地区夯实减贫基础， 促进农业稳定发展。

最后， 进一步提高农户金融素养和自我保护意识， 各地金融机构、高校要积极配合政府部门为农村地区居民提供多样化的金融知识普及渠道， 定期下乡开展金融知识培训， 围绕农村生活和农产品交易向居民普及买卖交易、理财、保险、投融资等相关金融知识， 提高其识别金融服务和理财产品潜在风险的能力， 为数字普惠金融提振农业全要素生产率保驾护航。

【 主 要 参 考 文 献 】

[1] Cao K. H.， Birchenall J. A.. Agricultural productivity， structural change， and economic growth in post-reform China[ J].Journal of Development Economics，2013（3）：165 ～ 180.

[2] 徐璋勇，朱睿.金融发展对绿色全要素生产率的影响分析——来自中国西部地区的实证研究[ J].山西大学学报：哲学社会科学版，2020（1）：117 ～ 129.

[3] 李健，辛冲冲.金融发展的城市全要素生产率增长效应研究——基于中国260个城市面板数据分析[ J].当代经济管理，2020（9）：70 ～ 78.

[4] Jorgensen D. W.， Griliches Z.. The explanation of productivity change[ J].Review of Economic Studies，1967（3）：249 ～ 283.

[5] Gong， Binlei. Agricultural reforms and production in China： Changes in provincial production function and productivity in 1978 ～ 2015[ J].Journal of Development Economics，2018（132）：18 ～ 31.

[6] 赫国胜，张微微.中国农业全要素生产率影响因素、影响效应分解及区域化差异——基于省级动态面板数据的GMM估计[ J].辽宁大学学报：哲学社会科学版，2016（3）：79 ～ 88.

[7] 王璐，杨汝岱，吴比.中国农户农业生产全要素生产率研究[ J].管理世界，2020（12）：77 ～ 93.

[8] 陈鸣，邓荣荣.农业R&D投入与农业全要素生产率—— 一个空间溢出视角的解释与证据[ J].江西财经大学学报，2020（2）：86 ～ 97.

[9] 李欠男，李谷成.互联网发展对农业全要素生产率增长的影响[ J].华中农业大学学报（社会科学版），2020（4）：71 ～ 78+177.

[10] 贾蕊蕊，刘海燕，郭琨.中国农村商业银行经营绩效及其外部影响因素分析[ J].管理评论，2018（11）：26 ～ 34.

[11] 蒋永穆.中国农村金融改革40年：历史进程与基本经验[ J].农村经济，2018（12）：6 ～ 8.

[12] 谭霖，邓伟平.金融发展与全要素生产率互动：农业视角[ J].南方金融，2011（8）：23 ～ 26.

[13] 尹雷，沈毅.农村金融发展对中国农业全要素生产率的影响：是技术进步还是技术效率——基于省级动态面板数据的GMM估计[ J].财贸研究，2014（2）：32 ～ 40.

[14] 井深，肖龙铎.农村正规与非正规金融发展对农业全要素生产率的影响——基于中国省级面板数据的实证研究[ J].江苏社会科学，2017（4）：77 ～ 85.

[15] 李建军，韩珣.普惠金融、收入分配和贫困减缓——推进效率和公平的政策框架选择[ J].金融研究，2019（3）：129 ～ 148.

[16] Diniz E.， Birochi R.， Pozzebon M.. Triggers and barriers to financial inclusion： The use of ICT-based branchless banking in an amazon county[ J].Electronic Commerce Research Applications，2012（5）：484 ～ 494.

[17] 陳宝珍，任金政.数字金融与农户：普惠效果和影响机制[ J].财贸研究，2020（6）：37 ～ 47.

[18] 成学真，龚沁宜.数字普惠金融如何影响实体经济的发展——基于系统GMM模型和中介效应检验的分析[ J].湖南大学学报（社会科学版），2020（3）：59 ～ 67.

[19] 周利，廖婧琳，张浩.数字普惠金融、信贷可得性与居民贫困减缓——来自中国家庭调查的微观证据[ J].经济科学，2021（1）：145 ～ 157.

[20] 黄滢晓，汪慧玲.金融资源配置扭曲与贫困关系研究[ J].贵州社会科学，2007（12）：83 ～ 86.

[21] 樊文翔.数字普惠金融提高了农户信贷获得吗？[ J].华中农业大学学报（社会科学版），2021（1）：109 ～ 119.

[22] 李优树，张敏.数字普惠金融发展对系统性金融风险的影响研究[ J].中国特色社会主义研 究，2020（Z1）：26 ～ 34.

[23] 黄倩，李政，熊德平.数字普惠金融的减贫效应及其传导机制[ J].改革，2019（11）：90 ～ 101.

[24] 胡放之.数字经济、新就业形态与劳动力市场变革[ J].学习与实践，2021（10）：71 ～ 77.