数字普惠金融对农业绿色全要素生产率的影响及空间溢出效应

■张翱祥 邓荣荣

一、引言

改革开放以来，中国农业经济快速发展，农业产出水平不断提高，粮食产量由1978年的30476.5 万吨增至2020年的66949 万吨，农民收入持续增长，2020年农村居民人均可支配收入达到17131 元，增速连续11年快于城镇居民。但我国农业生产仍然面临人多地少、自然灾害频繁等难题。同时，由于在种植过程中大量使用农业化工产品而造成了严重的环境污染，对农产品和农村环境安全构成了威胁。第二次全国污染源普查表明，环境污染的主要来源之一是农业污染源。在工业污染物治理初见成效的背景下，农业污染治理成为环境保护的关键。因此，农业的发展目标不仅仅是在资源刚性约束下确保农产品供需平衡，还必须充分考虑资源的承载能力和环境保护问题[1]。十九大报告提出要按照产业兴旺、生态宜居、乡风文明、治理有效、生活富裕的总体要求，实施乡村振兴战略。保证农村经济持续稳定的增长，注重农村生态环境的保护，提高资源环境约束下的全要素生产率成为农业发展的主要目标。

随着第四次工业革命的兴起，数字技术迅速发展，数字普惠金融作为数字技术与传统金融相结合形成的新业态，成为推动中国经济包容性增长的新动能[2]。数字普惠金融有效缓解了弱势群体的金融排斥问题，为农业、农村经济发展提供了资金支持[3]。农村金融被认为是促进农业绿色全要素生产率提升的重要手段[4]。然而，长期以来我国存在金融“二元结构”现象，与城镇相比，农村金融资源的可得性和可利用性都较低，这阻碍了农村经济的发展。数字普惠金融作为传统金融的助推器，其发展是否会对农村绿色全要素生产率产生影响？通过理论分析和实证检验探究这一问题，对我国推进乡村振兴战略、加快农业现代化具有理论和现实意义。

农业绿色全要素生产率是指将农业面源污染、碳排放等环境要素加入后计算得到的农业绿色全要素生产率，衡量了地区农业绿色发展的综合效率[5]。有关农业绿色全要素生产率的研究主要集中在效率测算、时空演化以及影响因素等几个方面。第一，在效率测算方面，现有的农业绿色全要素生产率效率测算方法主要有两种。一种是以随机前沿生产函数（SFA）为主的参数法[6，7]。该方法可以设定具体的生产函数形式，但往往只能考虑单一产出的情况，不能对多投入多产出的效率模型进行测度，在测算农业绿色全要素生产率时易产生偏差。另一种方法是以数据包络分析（DEA）为主的非参数方法。该方法考虑了多投入多产出的情况，通过线性规划得到生产前沿面并计算各决策单元的生产率，能够更加准确地对生产率进行测算和排序。在农业绿色全要素生产率的研究中，最常用的非参数方法有SBM模型和Malmquist-Luenberger（简称ML）指数[8，9]。其中，ML指数法可以考察农业绿色全要素生产率的动态变化情况，并能够提供生产率变化的细分，识别出效率变化的主要来源，因而得到了广泛的应用。例如，杜江等[10]采用GML 指数方法，从全国及省级层面测算了1991—2013年农业增长的环境技术效率、技术进步与环境全要素生产率。郭海红等[11]采用ML 指数法从动态视角分析了中国2006—2016年31 个省份的农业绿色全要素生产率变化情况及增长来源。金芳等[12]基于GML 指数测度了中国31 个省份1997—2017年的农业绿色生产率，并将其分解为绿色技术进步指数。第二，在时空演化方面，有关研究较为丰富，研究结论根据研究方法和研究角度的差异也会有所不同。例如，王兵等[13]基于碳排放约束和产区异质性研究发现1993—2017年中国农业绿色全要素生产率持续增长，其中技术进步是主要驱动力，主销区年均增长率最高，主产区次之，平衡区最低。刘亦文等[5]研究发现2001—2018年间中国八大经济区农业绿色全要素生产率均实现了较好的增长，但具有时间、空间及区域差异性，其中西南经济区增长最快，东北经济区增长最慢。第三，在农业绿色全要素生产率的影响因素方面，学术界已经展开了丰富且充分的研究，影响因素主要有农村人均收入、农业结构、农业受灾率、农村人力资本、农业财政支持、农村金融支持、工业化程度、城镇化程度等[14—16]。与本文研究密切相关的是有关金融发展与农村绿色发展的研究。例如，李健旋[4]从农村金融发展规模、金融发展结构以及金融发展效率三个角度分析了农村传统金融发展对农业绿色全要素生产率的作用，发现农村金融发展在提升农业绿色全要素生产率中起到了显著积极的作用。张军伟等[17]研究发现农村信贷和农业保险对绿色农业发展的作用不明显，农业信贷对小农户绿色生产作用不明显，但提高了规模农户碳排放强度，农业保险降低了蔬菜业碳排放强度。马骏等[18]从理论的角度分析得出结论：绿色金融与普惠金融协同发展可有效推动绿色农业发展，在提高农村金融可得性的同时，改善环境、降低碳排放。

综上所述，围绕农业绿色全要素生产率的效率测算、时空演化和影响因素，学术界已经积累了丰硕的研究成果，但少有研究涉及数字普惠金融发展对农业绿色全要素生产率的影响。贺茂斌等[19]、许钊等[20]通过实证研究验证了数字金融发展具有一定的碳减排效应和污染减排效应。同时，数字普惠金融的发展缓解了农村金融资源获取难、成本高、效率低等问题，提高了农户的正规信贷可得性和正规信贷规模[21]，推动了乡村振兴和农业农村现代化建设[22]。据此，本文重点聚焦数字普惠金融发展与农村绿色全要素生产率的关系，基于中国30 个省份2011—2018年的面板数据，分析数字普惠金融发展对农村绿色全要素生产率的影响，并分析其空间溢出效应和分维度影响，为更好地发挥数字普惠金融在农业、农村中的绿色增长效应提供稳健的实证依据和决策参考。

本文可能的贡献在于：第一，本文从数字普惠金融的角度拓展了金融发展与绿色全要素生产率关系的研究，丰富了与数字普惠金融和农业绿色发展相关的理论体系。第二，本文考虑了空间因素，关注邻省间可能存在的空间关联与溢出效应，并探寻空间溢出效应在农业绿色生产率增长中的重要作用。第三，本文采用工具变量法来缓解数字普惠金融和农业绿色全要素生产率之间可能存在的内生性问题，并采用三类空间权重矩阵进行空间计量分析，使研究结论更加可靠。

二、理论分析

具体来讲，数字普惠金融对农业绿色全要素生产率的影响体现在以下几个方面：

第一，数字普惠金融通过缓解融资约束提高农业绿色全要素生产率。数字普惠金融凭借互联网等数字技术可以实现金融服务交易的时空异步，使交易流程标准化、便捷化，降低了金融服务供给成本和农户的金融服务使用成本，帮助农户了解金融产品的作用、抵押担保条件等，激发农户使用金融服务的意愿，有助于缓解农村地区的金融需求不足和金融排斥等问题。数字技术的应用使传统金融服务打破“二八定律”[23]，发掘“长尾”市场，扩大农户对互联网保险、投资理财等金融产品的购买规模，使得金融机构能以较低的成本收拢零散的金融资源，在优化农户财富管理的同时整合金融资源，提升金融资源供给水平。普通农户和农村小微企业获得充足的资金后，将增加对农机设备、农业良种、新型农业技术设备的应用，推广农业机械化和农业技术化，实现生产规模化、集约化，降低资源的边际消耗和环境污染物的边际排放，提高各类投入要素的利用效率。此外，数字普惠金融还为生态农业、循环农业、智慧农业、创意农业等农业新兴产业的发展提供了筹资支持[24]。

第二，数字普惠金融通过优化资源配置提高农业绿色全要素生产率。首先，传统金融机构为了降低成本和提高收益，往往通过企业的可抵押资产、后续的盈利能力、现期市场规模等条件筛选授信客户，并倾向于为大型企业提供大额的信贷产品，这往往导致金融资源流向高消耗、高污染排放的工业企业。在农村地区，金融服务额度较小且信用收集困难，导致传统金融机构不愿在农村地区提供金融服务。而数字普惠金融内嵌的大数据、云计算等数字技术，可以对农户征信数据进行收集、分析、决策，弱化信息不对称和道德风险，帮助金融机构准确把握农户的金融服务需求[25]，为农户提供可负担的金融服务，亦可以与绿色金融理念相结合，更加精准地向种植业、养殖业、三产融合、农机装备、污染防治和新型主体培育等关键领域的绿色农业活动配置充足的金融资源[18]，从而提高农业绿色全要素生产率。其次，数字普惠金融推行的绿色发展理念，可以促进资本、技术、人才等生产要素向绿色农业等环保项目以及环境污染治理项目流动[26]，引导传统农业绿色转型。最后，数字普惠金融为农村小微企业、低收入农民等弱势群体提供了获得金融服务的机会，催生出新的就业岗位，拓展了农户增收的渠道，让农民更有条件提升技能，在农村地区产生劳动力池效应、人力资本效应，提高劳动力素质，优化劳动力配置[27，28]，最终提升农业绿色全要素生产率。

第三，数字普惠金融通过支持技术创新提高农业绿色全要素生产率。农业技术创新可以通过打破资源稀缺和传统技术落后的限制，大幅提高农业资源利用效率，改善农业发展质量和农业环境质量[29]。数字普惠金融对农业技术创新的影响体现在：一方面，农业技术创新具有投入沉没性、过程不可逆、成果不确定、调整成本高、融资成本高等特征，并且研发成果的产出和转化具有一定的滞后性，这就意味着农业技术创新需要充足的金融资源予以支持。对此，数字普惠金融可以凭借易获得、成本低的优势为农业技术创新提供充足的资金支持，而且数字普惠金融催生出了多样化的金融服务产品，农业企业可根据实际融资需求选择合适的金融工具及其组合来推动农业技术创新[30]。另一方面，张瑞娟等[29]研究发现金融保险和信息获取渠道能显著提升农户采纳新技术的概率。数字普惠金融的发展增加了农户购买保险产品和获取贷款的机会，有助于农户接收采纳新型农业生产技术，互联网、5G 等数字基础设施的完善拓宽了农户获取信息的渠道，这亦有利于农业技术的推广，最终促进农业绿色全要素生产率的提高。

三、研究方法

（一）农业绿色全要素生产率测算

本文采用SBM方向距离函数与ML指数相结合的方法测算农业绿色全要素生产率指数。假定有n个决策单元（DMU），且每个决策单元有3个向量，投入向量、期望产出向量和非期望产出向量，分别记为x ∈Rm，yg∈RS1，yb∈RS2。定义矩阵X、Yg、Yb分别为：其中X＞0，Yg＞0，Yb＞0，单元的生产可能集P为：

Tone[31]提出的包含非期望产出的非径向SBM模型将松弛变量和非期望产出加入到传统DEA 模型中，有效地测度了环境效率。单元k 在非期望产出的SBM方向距离函数如下：

式中：为方向距离函数；分别表示投入冗余量、期望产出不足量和非期望产出超出量；S-、Sg、Sb为所对应的向量；当S-=Sg=Sb=0时，时决策单元是有效的，λ为权重向量。在此基础上农业绿色全要素生产率指数（GML指数）可表达为：

若农业生产活动的期望产出大于非期望产出，那么GMLt,t+1＞1，表示农业绿色全要素生产率上升；反之，若非期望产出大于期望产出，那么GMLt,t+1＜1，表示生产率下降。GML 指数可进一步分解为技术效率变化（GEC）和技术进步（GTC）：

（4）式中，GECt,t+1为技术效率变化，表示当期与生产前沿面的“最佳实践者差距”。GECt,t+1＞1 时，说明效率提升；GECt,t+1＜1 时，说明效率下降。GTCt,t+1为技术进步，表示生产前沿面的变化情况，即两个时期“最佳实践”的变化率。GTCt,t+1＞1 时，说明技术进步；GTCt,t+1＜1 时，说明技术退步。

参考已有文献[10—12]，考虑数据的可得性和合理性，构建投入产出指标体系，如表1所示。其中：农业从业人员通过计算农林牧副渔从业人员与农业总产值占农林牧副渔业总产值比重的乘积得到。实际农业总产值以2011年为基期对各年度农业总产值进行平减处理得到。借鉴葛鹏飞等[32]的研究，以农业碳排放作为非期望产出，并把农业碳排放分为两部分，一部分是化肥使用、农用柴油、农地灌溉、农药使用及农膜使用引发的碳排放，另一部分是水稻生产所产生的甲烷（CH4）的排放，将水稻分为早稻、中稻和晚稻，根据各省的CH4排放系数计算CH4排放值，据此计算碳排放量。碳排放系数和CH4排放系数参见田云等[33]的研究。

表1 GML测算指标体系

（二）主要变量定义与数据来源

1.被解释变量。本文的被解释变量为农业绿色全要素增长率（GML）。前文提到的GML指数体现了农业绿色全要素生产率的增长率，是以前一年基期为1计算得来的环比指数。故在实证分析中，参照李谷成[14]的做法，对GML指数进行累积化处理，得到GML。

2.核心解释变量。本文的核心解释变量为数字普惠金融指数（DIF）。数据源自北京大学互联网金融研究中心发布的《数字金融普惠金融指数》[34]，该指数是在蚂蚁金融提供的金融服务数据基础上合成的，衡量了我国省级、城市级以及县级数字金融发展程度。数字普惠金融指数包括三个子维度，分别是覆盖广度、使用深度和数字化程度。其中，覆盖广度（Bre）主要包含支付宝账号数量、支付宝绑卡用户比例和支付宝账号绑卡数量三项指标，体现的是数字金融的覆盖率；使用深度（Dep）涵盖支付、信贷、保险、投资、信用以及货币基金等服务，体现的是数字金融工具种类的增多和可得性的提升；数字化程度（Dig）涵盖移动化、实惠化和便利化，体现的是数字金融与数字技术的融合程度以及普惠性程度。本文将采用这3 个子指标作为解释变量来研究不同维度数字金融对农业绿色全要素生产率的影响，并对上述变量均除以10，以缩小与被解释变量量纲的差距。

3.控制变量。参考以往研究[14-16]，本文控制了如下变量：①人均收入（Pa），采用以2011年不变价的农业生产总值除以乡村总人口来表示，反映农业经济发展的基本情况；②自然灾害（Nat），采用农作物受灾面积占农作物播种面积的比重表示，通常农业受灾率越高，引起的要素投入的损失会越大；③农业人力资本（Hum），采用人均受教育年限表示，设定小学、初中、高中中专、大专以上的受教育年限分别为6年、9年、12年和16年，据此计算人均受教育年限。④对外开放程度（Open），采用农产品对外贸易额占农业总产值的比重表示，对外开放水平更高的地区越容易学习国外先进的技术和管理经验，可能对本地区农业绿色发展产生促进作用。⑤城镇化率（Urb），采用非农人口占总人口的比重表示；⑥工业化程度（Ind），采用工业增加值占地区生产总值的比重表示，工业化程度的提升可能会增加对农产品的需求，促进农业经济发展。

各变量的描述性统计情况见表2。

表2 各变量描述性统计

4.数据来源。为了保证样本数据的连续性和可得性，结合行政区划调整和数据缺失的情况，本文的研究样本为2011—2018年中国30 个省份的面板数据（西藏、港澳台除外），数据均来源于《中国统计年鉴》《中国农村统计年鉴》以及EPS 数据库。对于部分缺失的数据，采用线性插值法进行补齐。

（三）模型设定

考虑到GML 可能存在空间依赖性或空间异质性[12]，而传统线性回归模型由于忽略空间因素可能会导致实证结果偏误[35]，因此，本文采用空间面板模型检验数字普惠金融与GML之间的关系，构建以下模型：

（5）式中：下标i、t为省份和时间；W为空间权重矩阵；GML为农业绿色全要素生产率（累积值）；DIF为数字普惠金融指数；C为一系列控制变量；u为省份个体效应；v为时间效应；μ为随机误差项；ρ为GML的空间自相关系数；λ为随机误差项的空间自相关系数。上式为空间计量模型的一般形式，根据相关系数是否为零可以将其分为3 种空间计量模型：当λ=β1=β2=0 时，该模型为空间滞后模型（Spatial Lag Model，SLM）；当ρ=β1=β2=0 时，该模型为空间误差模型（Spatial Error Model，SEM）；当λ=0时，该模型为空间杜宾模型（Spatial Durbin Mod⁃el，SDM）。后续将通过Moran’s I 指数检验GML 是否存在空间相关性，并通过LM 检验、Wald 检验和LR检验等方法决定采用何种空间计量模型。

四、实证结果

（一）中国农业绿色全要素生产率的变动趋势与空间差异

如图1所示，2011—2018年农业绿色全要素生产率、技术进步指数与技术效率指数的年均增长率分别为1.5%、1.2%和0.3%，由此可见技术进步与技术效率均推动了农业绿色全要素生产率的提升，但是技术进步的贡献率更大（80%）。按时序变化来看，农业绿色全要素生产率的增长率在2012—2013年出现了一次明显的提升，从成分来看，这是技术进步所推动的。2013年以后，农业绿色全要素生产率的增长率呈现缓慢上升的趋势，但始终大于1，表明在研究期内生产率经历着持续增长。就成分来看，技术进步指数仅在2014—2015年小于1，在其他年份仍是生产率增长的重要推动力，而技术效率呈现波动变化趋势，效率值在1上下浮动。

图1 2011—2018年中国农业绿色全要素生产率指数及其成分变动趋势

为识别区域间农业绿色全要素生产率的差异，本文根据国家统计局区域划分标准，比较东部（含北京等11个省份）、中部（含山西等8个省份）、西部（含内蒙古等12个省份）的农业绿色全要素生产率。表3显示了2011—2018年中国省际和区际农业绿色全要素生产率及其成分的变动情况。

表3 2011—2018年中国省域农业绿色全要素生产率指数及其成分变动趋势

在区际层面，东部地区、西部地区的农业绿色全要素生产率年均增长率分别为4.1%和0.3%，中部地区农业绿色全要素生产率呈负增长，年均下降0.4%，可见中部地区省份农业生产效率较为低下，农业生产受资源环境约束较为严重。从农业绿色全要素生产率的成分来看，东部、中部、西部地区技术效率的年均增长率分别为0.3%、0.1%和0.4%，技术效率对西部地区农业绿色全要素生产率的贡献最大。东部地区技术进步年均增长3.8%，中部和西部地区年均下降0.5%和0.1%，可见技术进步仅对东部地区农业绿色全要素生产率有所贡献，技术退步是中部地区生产率下降的主要原因。东部地区农业绿色全要素生产率为“双驱”增长模式，西部地区为技术效率“单驱”增长模式。

在省际层面，各省农业绿色生产率的变动存在较大差异，其中有20个省份生产率的年均增长率为正，占总数的2/3。以全国绿色全要素生产率年均增长率1.5%为参照值，有13 个省份位于其上，仅占总数的43.33%，东部地区有10 个省份，西部地区有3个省份，中部地区未有省份超过平均水平，可见农业绿色全要素生产率出现了“中部塌陷”的现象。从省际农业绿色全要素生产率成分的变动剖析生产率增长源泉，技术进步对21个省份的农业绿色全要素生产率起到了促进作用，技术效率对15个省份的农业绿色全要素生产率起到了促进作用。天津、浙江、山东、广东、湖北和陕西6个省份的技术效率和技术进步均大于1，呈“双驱”增长模式；北京、河北、辽宁、上海、江苏、福建、江西、湖南、重庆、四川、贵州和新疆12 个省份技术进步大于1，为技术进步“单驱”增长模式；吉林和河南2 个省份技术效率大于1，为技术效率“单驱”增长模式；其他10个农业绿色全要素生产率下降的省份中，仅有山西技术进步大于1，说明技术退步是导致这些省份生产率下降的主要原因。

（二）空间相关性

根据地理学中的空间依赖性和空间异质性，地理事物或其属性在空间分布上可能存在相关性，这种空间自相关性与传统线性回归模型的空间独立性假设相互矛盾，从而使得传统的统计学方法不再有效，因此在计量分析前需要检验变量是否存在空间相关性。本文采用Moran’s I指数检验农业绿色全要素生产率（GML）的空间自相关性，其计算公式如下：

式中：n 为省份数目；yi和yj分别为i 省和城市j省的GML；yˉ为各省GML 的平均值；Wij为空间权重矩阵，基于Rook 邻接标准获得。I 的取值范围为[-1，1]。其值为正且越趋向于1时，表示GML较高（较低）的省份在空间上集聚；其值等于0 时，则表示GML 随机分布；若其值为负且趋向于-1 时，则表示某省份与其周边省份的GML 具有显著的空间差异性。采用Z 统计量对Moran’s I 指数的显著性进行检验，Z值的计算公式如下：

采用Geoda软件测算GML的Moran’s I指数，结果如表4所示，可以看到省域GML的Moran’s I指数均为正且至少在10%的水平上显著，说明省域GML存在正的空间自相关性，Moran’s I指数呈现先下降后上升的趋势，后维持在0.15左右，且显著性有所加强，说明省域GML之间的空间相关性有所加强。

表4 省域GML的Moran’s I指数

（三）数字普惠金融对农业绿色全要素生产率的影响

前文的分析证实了农业绿色全要素生产率（GML）存在显著的空间依赖性，不满足传统线性回归模型区域之间互相独立的前提假设，需要采用空间计量模型对传统线性回归进行修正，进而实证分析数字普惠金融对GML 的影响。为判断采用何种模型最适合本文的研究，本文进行了各类模型选择的检验，结果如表5所示。拉格朗日乘数检验（LMtest）、似然比检验（LR-test）以及瓦尔德检验（Waldtest）均表明SDM 模型比SLM 模型和SEM 模型更加合理。因此，本文应选用SDM 模型。Hausman 检验统计量为110.75（p=0.00），表明固定效应要优于随机效应，因此本文主要对固定效应空间杜宾模型的回归结果进行解释说明，回归结果如表6所示。

表5 模型检验结果

表6 空间杜宾模型回归结果

1.数字普惠金融指数。数字普惠金融的系数为正且在5%的水平上显著，说明数字普惠金融促进了农业绿色全要素生产率的提升。数字普惠金融的发展缓解了农村地区的融资约束，提高了农村地区金融资源的配置效率，并促进了农业技术创新，从而对农业绿色全要素产生促进作用。数字普惠金融对技术效率和技术进步均产生了显著的提升作用，说明数字普惠金融，既通过缩小“落后者”的“最佳实践者差距”，也通过激励“领先者”的“最佳实践”促进了农业绿色全要素生产率的提升。

2.其他变量。人均收入的系数为正且显著，说明农户随着人均收入的提升，将会购买农业优质良种和先进农业机械设备，改进农业灌溉等基础设备，有利于提升农业绿色全要素生产率；自然灾害的系数为负且显著，说明自然灾害导致的损失，减少了农业产量，影响了落后者的“追赶效应”或先进者的“最佳实践”，不利于改善农业绿色全要素生产率；农业人力资本的系数为正且显著，说明农业人力资本带来了农业技术进步，使农业生产前沿面外扩，是决定生产率长期增长的关键因素。对外开放程度系数为正且显著，说明对外开放程度越高，各农业生产单位越容易学习到先进技术，有利于农业绿色全要素生产率的提升；城镇化率和工业化程度均显著提升了农业绿色全要素生产率，这是由于城镇化和工业化的推进为农业发展创造物质基础和产品市场，并持续地增加对农产品质量和数量的需求[4]，倒逼农业经济增长和农业生产结构优化，有利于农业绿色全要素生产率的提升。

3.空间滞后变量。空间自相关系数（ρ）为0.179，在5%的水平上显著，说明省域农业绿色全要素生产率存在空间相关性，进一步证实采用空间面板模型是合理的。周边地区数字普惠金融的发展不利于本省份的农业绿色全要素生产率提升，这可能是由于数字金融发展水平较高的省份对金融资源产生了“虹吸效应”，不利于本地区对农业的资金支持。周边省份人均收入、对外开放程度、城镇化率均提升了本省的农业绿色要素生产率，这主要是由于周边地区对农业产品的大量需求促进了本地区农业经济的增长，同时频繁的农业贸易往来促进了农产品专业化生产，扩大了农业技术的溢出效应，有利于促进农业绿色全要素生产率的提升。

为进一步研究数字普惠金融发展影响农业绿色全要素生产率的空间效应，本文参考已有研究[36]，采用偏微分求解方法对数字普惠金融发展影响农业绿色全要素生产率的空间效应进行详细分解，结果如表7所示。可以看到数字普惠金融指数的直接效应为正，间接效应为负，由于间接效应绝对值较大，导致总效应为负且显著，这表明各省份数字普惠金融的竞争效应不利于“落后者”的追赶，金融资源在区域间的配置不尽合理，应进一步优化金融资源的区域配置，提高金融资源在各地区的使用效率，扩大金融服务对农业绿色全要素生产率的边际效用。其他变量的分解结果与前文关于各变量空间滞后项的分析一致。

表7 空间杜宾模型的各变量效应分解

（四）数字普惠金融分维度对农业绿色全要素生产率的影响

为了进一步分析数字金融的哪些维度影响了农业绿色全要素生产率，本文分别对其进行空间杜宾模型估计，回归结果如表8所示。结果显示，数字普惠金融覆盖广度和数字化程度均促进了农业绿色全要素生产率的提升，而数字普惠金融使用深度的作用并不显著。覆盖广度的增加意味着网络支付普及率的提升，数字金融服务更易延伸到偏远城镇和农村地区，缓解农村融资约束，从而促进农业绿色全要素生产率的提升。数字化程度的提高意味着数字金融与数字技术的融合程度以及普惠性程度的提升，说明金融机构通过应用大数据、云计算等数字技术弱化了信息不对称，使金融服务更加精准化，同时降低了金融资源的利用成本和门槛，使金融服务更加便利、实惠，更易发挥农村金融对绿色全要素生产率的促进效应[4]。数字普惠金融使用深度并未发挥作用，这可能是由于农户对各类金融工具的认识不足，金融产品使用率较低，难以发挥金融工具多样化优势所导致的。

表8 分维度空间杜宾模型回归结果

（五）稳健性检验

本文的研究结论表明数字普惠金融显著提升了本省的农业绿色全要素生产率，为验证该结论的可靠性，本文拟通过以下方法进行稳健性检验：

1.内生性处理。尽管本文尽可能控制了影响农业绿色全要素生产率的变量，但可能依然存在遗漏变量所导致的内生性问题，并且数字普惠金融与农业绿色全要素生产率之间可能存在反向因果问题，农业绿色全要素生产率较高的地区可能更易推动数字普惠金融的发展。本文采用工具变量法缓解内生性，参考易行健等[37]、Bartik[38]的做法，构建工具变量“Bartik instrument”，即滞后一阶的数字普惠金融指数（DIFit-1）和数字普惠金融指数一阶差分（△DIFit-1）的乘积（DIFit-1×△DIFit-1），该工具变量模拟了在相同的发展趋势下，各省数字普惠金融指数的预期值。构建此工具变量的考虑如下：第一，全国数字普惠金融指数来自30个省（均值），因此其变化趋势不会明显受到单个省份的影响，差分项相对于单个省份而言可视作外生。第二，省份绿色全要素生产率可能受到其他未观测冲击的影响，但只要这种冲击没有影响全国数字金融指数，该工具变量就是有效的。工具变量法回归结果如表9（1）列所示，弱工具变量检验（C-D Wald F）、不可识别检验（Anderson LM）、过度识别检验（Sargan）均拒绝了原假设，表明工具变量的选取是合理的，数字普惠金融指数的系数为0.019，且通过了1%水平的显著性检验，说明数字普惠金融推动了农业绿色全要素生产率的提升，前文的实证结论是稳健的。

2.变换空间权重矩阵。本文分别采用地理距离矩阵和经济距离矩阵进行稳健性检验。其中，地理距离矩阵的非对角线元素采用城市间直线距离的倒数表示，经济地理矩阵的非对角线元素则采用各省份年均GDP 差值绝对值的倒数表示。如表9（2）和（3）列所示，无论采用何种空间权重矩阵，实证结果均表明数字普惠金融显著提升了本省的农业绿色全要素生产率，而周边省份数字普惠金融的发展降低了本省农业绿色全要素生产率。因此，前文的实证结论是稳健的。

表9 稳健性检验

五、结论及政策建议

本文在理论上分析了数字普惠金融对农业绿色全要素生产率的影响机理，并基于2011—2018年中国30 个省份的面板数据，采用ML 指数法测算了农业绿色全要素生产率指数，并基于空间杜宾模型研究了数字普惠金融对农业绿色全要素生产率的影响。主要结论如下：

第一，2011—2018年中国农业绿色全要素生产率不断改善，主要由技术进步推动。就地域分布来看，东部地区农业绿色全要素生产率增长最快，西部地区次之，而中部地区出现负增长。东部地区农业绿色全要素生产率为“双驱”增长模式，西部地区为技术效率“单驱”增长模式，技术退步是中部地区农业绿色全要素生产率下降的主要原因。

第二，数字普惠金融提升了绿色技术效率，促进了绿色技术进步，改善了农业绿色全要素生产率，但数字普惠金融对农业绿色全要素生产率产生了负的空间溢出效应。数字普惠金融的分维度回归结果表明，数字金融覆盖广度和数字化程度可促进农业绿色全要素生产率提升。

第三，人均收入、农村人力资本、对外开放程度、城镇化率、工业化程度均与农业绿色全要素生产率呈正相关关系，而自然灾害抑制了农业绿色全要素生产率的提升。

基于本文研究结论，提供以下政策建议：

第一，完善农村数字基础设施建设，发展数字普惠金融。注重城乡统筹发展，加快“数字乡村建设”，推动农村地区4G、5G网络通信基础设施建设，缩小城乡数字鸿沟，提高偏远农村地区计算机、智能手机等移动终端的普及率，提高农村互联网普及率并保证宽带网速，适度降低宽带和流量费用，提高农村居民对数字普惠金融服务的可得性，为发展数字普惠金融提供更好的硬件软件条件。

第二，优化金融资源配置，促进农业技术效率的提升和农业技术的进步。考虑各地区农业绿色发展的差异性，优化金融资源的区域配置，提高金融资源在各地区的使用效率。在中部、西部地区，积极运用数字化技术引导金融资源流向农业技术创新活动，促进技术进步和技术推广，扭转技术退步的局面。东部地区在维持技术进步的同时，应积极改进农业灌溉设备，推广农业机械设备，提高农业水利化、机械化和信息化水平，提升技术效率水平。

第三，提升数字普惠金融数字化程度，促进传统金融与数字技术深度融合，弱化信息不对称和道德风险，帮助金融机构准确把握农户的金融服务需求，提供更加精准、实惠的金融服务，增加供给水平并提升融通效率。

第四，重视区域视角中数字普惠金融与农业绿色发展的空间溢出效应，在推动本地数字普惠金融发展的同时，重视邻省间协调发展，避免因不合理竞争产生的空间负外部性，合理配置金融资源，大力支持落后地区数字普惠金融发展，加快推进金融基础设施建设，基于数字基础设施发挥发达地区与落后地区互联互通的辐射效应和带动作用，促进数字普惠金融的协同发展，进而推动农业绿色全要素生产率整体的提高。■