数字普惠金融发展对县域农业全要素生产率增长的影响：基于异质性视角

郑宏运　李谷成

[摘 要] 基于2014—2018年860个县域面板数据，在利用全局Malmquist指数测算农业全要素生产率的基础上，利用无条件分位数固定效应模型分析了数字普惠金融发展对农业全要素生产率增长的影响。研究发现：数字普惠金融发展对县域农业全要素生产率增长具有显著正向影响，但影响具有异质性。具体来看，在选定的20、50和80分位点上，数字普惠金融发展的生产率提升效应随分位点提高而递增。与之相比，传统金融发展仅显著提升了第20和50分位点的农业全要素生产率，而在第80分位点没有显著影响。因此，从农业生产率视角看，数字普惠金融具有明显的“普惠”性质，应着力促进农村地区的数字普惠金融发展。

[关键词]数字普惠金融;农业全要素生产率;异质性;分位数回归模型

[中图分类号]  F832;F49;F323[文献标识码] A[文章编号] 1673-0461（2022）07-0081-07

一、引言

扩大全要素生产率（Total factor productivity，TFP）对农业经济增长的贡献，是改革开放以来中国农业取得巨大成就的成功经验[1]。新形势下，继续推动农业经济向全要素生产率驱动型增长转变得到了高度强调[2]，2018年中央一号文件和《国家质量兴农战略规划》明确提出要“持续提高农业创新力、竞争力和全要素生产率”。然而，当前农业生产“融资难、融资贵、风险高”等问题仍然突出，可能成为农业TFP持续增长的严重阻碍。例如，在宏观层面，由于农业投资周期长、受自然风险影响大等问题，金融资源倾向于在城市集聚[3]。而在微观层面，由于农户在信贷市场处于弱势地位，无法获得足够信贷服务[4]，形成了农业生产的信贷约束（Credit constraint）。这使得农户既难以增加投资以实现农业技术进步，也无法学习先进技术来提高农业生产效率，从而造成农业TFP增长难以持续的困境。在此背景下，为实现党的十九屆五中全会提出的“提高农业质量效益和竞争力”的目标，迫切需要加大金融资本对农投资力度、构建面向农业农村发展需求的现代金融体系。

近年来，中国的数字普惠金融得到迅猛发展，2011—2018年省级数字普惠金融指数年均增长率为36.4%。数字普惠金融模式克服了传统金融模式对服务机构网点、服务准入门槛和服务客户群体等方面要求高的弊端，对打通农业农村金融服务的“最后一公里”有重要意义[4]，已成为中国发展普惠金融的一项重要实践[5]。2018年中央一号文件明确提出“普惠金融重点要放在农村”。由于数字普惠金融具有“普惠”性质，加上近年来国家对农村地区信息通讯基础设施建设的投资与支持，数字普惠金融发展对农业农村经济方方面面都产生了重要影响。

本文从提升农业TFP的迫切需要和数字普惠金融发展的现实特征出发，重点关注数字普惠金融发展对县域农业TFP增长的影响。首先，利用2014—2018年860个县域面板数据和全局Malmquist全要素生产率指数测算县域农业TFP;其次，采用无条件分位数固定效应模型分析数字普惠金融发展对农业TFP的影响;最后，将数字普惠金融发展与传统金融发展相比较，探讨农业生产率视角下数字普惠金融是否具有“普惠”性质。

本文对已有文献的边际贡献在于：第一，探究数字普惠金融发展对农业TFP增长的影响，从农业生产率视角为验证数字普惠金融的普惠性质提供新的经验证据。第二，县域农村被认为是普惠金融的薄弱环节[4]，从县域层面开展研究极具现实意义。本文充分利用数字普惠金融指数的大样本数据优势，将数字普惠金融与农业生产率的研究向县域层面拓展。第三，采用无条件分位数固定效应模型考察数字普惠金融对农业TFP的异质性影响，与已有文献所利用的固定效应模型等只能估计平均效应的方法不同，无条件分位数回归可以提供不同农业生产率水平下的估计，相关结果具有更为精准的政策启示，从而可以充分发挥数字普惠金融发展的农业生产率提升效应。

二、文献综述与研究假设

（一）文献综述

从已有研究来看，数字普惠金融发展在缩小城乡收入差距[6]、增加农村居民消费支出[7]、促进农村居民创业[8]、提高农户信贷可得性[9]、降低农户贫困脆弱性[10]和提高生育率[11]等方面发挥了重要作用。一些文献关注到数字普惠金融发展对TFP率增长的作用，但主要集中在区域经济、非农部门等方面的研究。宋敏等[12]基于2011—2018年A股上市公司数据的研究指出，金融科技发展显著提高了企业TFP。江红莉和蒋鹏程[13]对2011—2017年A股非金融类上市公司开展研究，发现数字金融有效提升了企业TFP。侯层和李北伟[14]分析了2011—2018年省级面板数据并证实金融科技显著提高了省级TFP。贺茂斌和杨晓维[15]对2011—2018年省级面板的研究表明，数字普惠金融有效降低了金融服务门槛进而提高了区域TFP。褚翠翠等[16]利用2011—2018年省级面板数据的研究发现，数字普惠金融发展促进本省经济增长，但对邻近省份存在负向的空间溢出效应。就本文所知，仅有少数文献分析了金融发展与农业TFP增长的关系，且主要集中在省级层面的讨论。谢攀[17]分析了2009—2017年省级面板数据并发现金融发展对农业TFP有显著提升作用。李健旋[18]对2000—2015年省级面板数据的实证表明农村金融发展规模增加、结构优化和效率提高均显著提高了农业绿色TFP。葛和平和高越[19]利用2011—2018年省级面板数据的研究发现，数字普惠金融发展有效提升了农业TFP。这与刘艳[20]的研究结论相一致。

与上述文献不同，本文将视角转向数字普惠金融发展与县域农业TFP增长的关系。选择从数字普惠金融视角分析的原因主要有两点：一是全面推进乡村振兴、实现农业农村现代化迫切需要金融服务的赋能助力。而数字普惠金融是近年来中国金融市场领域的一项重要实践，对推动农业经济增长有重要意义，分析其对县域农业TFP的影响非常有必要。二是与工业等非农部门相比，农业部门及农业生产者在金融信贷市场上长期处于弱势地位[3-4]，如何改善农业信贷资源错配、缓解农户信贷约束始终是农村金融市场改革的重点。如果数字普惠金融真正具有“普惠”的性质，其对农业生产率的影响显然更为重要，开展相关研究更具意义。

（二）研究假设

根据全要素生产率理论，农业TFP衡量的是农业产出增长中去除投入增长的部分，即生产过程中除要素投入以外其他因素的加总影响，包括农业技术进步和要素利用效率提高等，但这些往往都是以增加投资为基础的[21]。数字普惠金融发展提高了农村地区金融和信贷服务的可得性，有效缓解农业生产中的融资约束[9]，进而会对农业TFP增长产生重要影响。

值得讨论的是，如果将农业生产单元的生产率差异考虑进来，那么，数字普惠金融发展的农业TFP提升效应对不同生产率水平的生产单元可能不是同质的。农业TFP的高低反映出生产单元在农业经济增长质量、农业技术创新、资源利用和配置效率等方面的差异[1]。对于低效率生产单元而言，较低的农业TFP水平不仅是其生产效率低下的体现，更反映出其在农业技术创新能力、效率改善和资源配置等方面可能存在瓶颈。经验证据上，ZHENG和MA[22]研究证实金融市场发展对农业资源配置效率的作用受当地资源配置效率相对水平的影响。这意味着，与已有文献所关注的平均效应不同，数字普惠金融发展对农业TFP的影响可能会随着生产单元相对生产率水平的不同而有所差异。对于低效率生产单元，受当地的农业技术水平或要素利用和配置能力等制约，数字普惠金融发展的农业TFP提升效应可能无法完全发挥;而对于高效率生产单元，受益于当地相对较优的农业技术水平或资源利用和配置能力，数字普惠金融发展的激励作用越发明显，农业TFP的提升效应会相对更高。根据上述讨论，可以提出本文的研究假说：

H1：数字普惠金融发展更大程度地促进了相对生产率较高的农业生产单元TFP增长。

三、实证方法与数据来源

（一）农业全要素生产率测算

本文参考已有文献[23]，利用数据包络分析方法中的全局Malmquist全要素生产率指数（Global Malmquist Index）测算农业TFP。传统DEA-Malmquist指数法在测算农业TFP时仅利用当期数据构造生产前沿面。与之相比，全局Malmquist指数在构建各期前沿面时包含了所有时期的参考集。这既避免了“技术退步”悖论的出现，同时也使测算指数具有可累乘和传递性的良好性质。在产出导向和规模不变的条件下，全局Malmquist全要素生产率指数可表示為：

公式（1）中，Eg（xt+1，yt+1）和Eg（xt，yt）分别表示在t+1期和t期的全局距离函数。本文在已有文献的基础上[24-26]，选择投入产出变量如下：农业产出以第一产业增加值表示，并以省级第一产业增加值指数折算为2014年不变价。投入包括劳动、土地、机械和化肥四种要素，这也是中国农业TFP研究中最常见的四种要素。其中，劳动投入以农林牧渔业从业人员表示，土地投入以农作物总播种面积表示，机械投入以农业机械总动力表示，化肥投入以农用化肥施用折纯量表示。

（二）无条件分位数固定效应模型

在讨论分析异质性的无条件分位数固定效应模型之前，首先考虑平均意义上数字普惠金融发展对农业TFP的影响，可以表示为：

公式（2）中，i表示农业生产单元，在本文中指县域，t表示年份。TFPit表示第i个县在t时期的农业TFP水平。Dit表示数字普惠金融发展程度，Xkit（k=1，…，k）表示第k个控制变量，α、β和γk为待估参数，μi和θt为空间效应和时间效应，εit为随机误差项。利用随机效应模型或固定效应模型对公式（2）进行估计，系数β就反映出数字普惠金融发展对农业TFP影响的平均效应。

根据上一节的理论分析，数字普惠金融发展对农业TFP的影响可能会因农业生产单元生产率水平的不同而有所差异。为此，本文利用无条件分位数固定效应模型对数字普惠金融发展的异质性影响开展实证检验。已有文献应用较为广泛的包括条件分位数回归（Conditional quantile regression，CQR）模型和无条件分位数回归（Unconditional quantile regression，UQR）模型[27]。需要指出的是，条件分位数回归的估计结果依赖于所选择的控制变量，当控制变量有所删减时所估计的结果也会随之变化，而无条件分位数回归则克服了这一缺点，所估计的结果是“无条件”的。所以本文主要利用无条件分位数回归模型进行分析。参考已有文献[28]，无条件分位数回归模型的再中心化影响函数（Recentered influence function，RIF）可以表示为：

公式（2）和（3）中的TFPit均表示农业TFP，以累积折算后的全局Malmquist指数表示[23]。qτ是农业TFP在第τ个分位点的无条件分布，I（lnTFPit≤qτ）是一个区分农业TFP比τ大还是小的二元变量，flnTFP（qτ）表示在qτ估计的农业TFP的概率密度函数（Probability density function）。由于本文所利用的是县域面板数据，必须对那些不随时间变化但可能会影响农业TFP的因素加以控制。基于此，本文主要利用BORGEN[29]提出的无条件分位数固定效应模型（UQR with fixed effects）估计公式（3）。

数字普惠金融发展Dit以数字普惠发展金融指数表示。本文还参考已有文献[4]，构建了传统金融发展水平变量，具体用金融机构贷款余额与地区GDP之比表示。与本文关注的普惠金融运行模式不同，传统金融服务主要是依赖于金融机构开展的。因此，金融发展水平可以反映传统金融发展程度，还可以与数字普惠金融发展的作用相比较。

本文选择控制变量如下：①人口密度，用总人口数与地区行政面积之比表示。人口密度可以反映出当地宏观经济特征，宏观经济发展会通过产业竞争、资源流动等影响农业TFP[2]。本文引入人口密度反映宏观经济环境对农业TFP的影响。②财政支出比重，用财政支出与地区GDP之比表示。政府干预经济较为典型的形式是进行财政补贴[30]。基于这一思路，本文认为财政支出占比可以反映出政府干预对农业TFP的影响。③产业结构指数，具体设定为第一产业总产值/地区生产总值+2×第二产业总产值/地区生产总值+3×第三产业总产值/地区生产总值。产业结构变迁理论指出，产业结构变迁过程伴随着部门间要素配置和生产率变化[31]，由此可能与农业部门的生产率增长息息相关。④卫生基础设施，用医疗卫生机构床位数与总人口之比表示。BARRO[32]基于内生增长模型在理论上证实基础设施建设对经济增长具有外部性。卫生基础设施既是一种典型的公共基础设施，又可以通过保障农业劳动力健康进而提升农村人力资本[2]。本文引入卫生基础设施来探究基础设施对农业TFP增长的影响。⑤土地资源禀赋，用农作物播种面积与农林牧渔业从业人员之比表示。ADAMOPOULOS和RESTUCCIA[33]通过跨国比较证实，土地密度是解释跨国农业生产率差异的重要因素。规模经济理论也指出，适度的土地经营规模有利于农业生产者实现规模经济，提高农业生产率。本文构建的人均农作物播种面积考虑了复种指数，更能真实反映土地资源禀赋对农业TFP的影响。⑥化肥使用强度，用化肥施用折纯量与农作物总播种面积之比表示。化肥可以有效提高土地肥力，是一种典型的土地节约型技术进步[22]。本文通过化肥使用强度来考察其对农业TFP的作用。相关性检验结果表明，上述控制变量与被解释变量存在显著相关性，表明本文变量选择相对合理。

（三）数据来源

本文数据主要来自于《中国县域统计年鉴》、《中国区域经济统计年鉴》和省市级统计年鉴等官方统计资料。数字普惠金融发展数据则来自于北京大学数字金融研究中心发布的数字普惠金融指数，该指数基于数字金融的覆盖广度、使用深度和数字程度等进行测度，对于该指数的指标体系和测算方法的详细介绍可以参考郭峰等的研究[5]。需要指出的是，本文所使用的数字普惠金融发展变量仍然是县域口径而非是针对于县域农业的，但县域在当前推进乡村振兴战略中的地位十分重要，特别是在区域金融协调发展方面扮演着关键角色。因此，本文认为用县域层面的数字普惠金融发展指数来表示农村普惠金融发展水平是合理的，这也与已有文献的处理相一致[4]。对于上述变量中的极少数缺失值，本文通过插值法予以补齐。

由于县域层面的普惠金融发展指数可用的最早年份为2014年，本文在测算农业TFP时，对数据进行匹配并得到了2014—2018年860个县的平衡面板数据。由于基期2014年的全局Malmquist指数为1，本文利用2015—2018年的面板数据分析数字普惠金融发展对农业TFP影响。各变量的描述性统计见表1。

本文还绘制了农业TFP的分布图，具体见图1。可以看出县域农业TFP分布整体较为分散，2015年至2018年，TFP分布函数向右移动，表明农业TFP在研究区间内呈增长趋势。但峰值却有所变小，分布更为分散，表明不同县域间农业TFP水平差异很大，只关注数字普惠金融发展的平均效应则会忽视可能存在的区域异质性。因此，利用无条件分位数固定效应模型探究异质性影响很有必要。

四、实证结果与分析

（一）数字普惠金融发展对农业TFP的影响分析

表2汇报了数字普惠金融发展对农业TFP影响的估计结果。为简明起见，本文仅汇报了无条件分位数固定效应模型在第20、50和80分位点的估计结果，具体见表2的第二至第四列。为进行比较，同时将固定效应模型估计的平均效应结果陈列在最后一列。通过Hausman检验结果判断选择固定效应估计是否合适，检验值在1%水平上显著，表明应选择固定效应模型估计。

首先看关键变量的结果，数字普惠金融发展在最后一列的系数为正且显著，表明在平均水平上，数字普惠金融发展对农业TFP增长有显著正向影响。分位数模型的估计结果则显示，在选定的3个分位点上，数字普惠金融发展对农业TFP的影响均为正且显著。估计系数从最低20分位点的0.139增长到最高80分位点的0.605，表明数字普惠金融发展的农业TFP提升效应随着分位点提高而增大。其现实含义是，对处于农业TFP高分位点的县而言，其从数字普惠金融发展中的获益更大。而数字普惠金融发展对农业TFP水平较低的县的农业生产率提升效应则相对较小。上述讨论支持了研究假说H1，表明数字普惠金融发展的农业TFP提升效应具有异质性，受农业生产单元相对生产率水平的影响。此外，其他控制变量如人口密度、财政支出比重、产业结构指数、卫生基础设施和土地资源禀赋等对农业TFP均有显著的异质性影响，考虑到本文重点关注数字普惠金融发展与农业TFP增长的关系，在此不多做讨论。

进一步将样本划分为东中西三个地区考察可能的地区异质性，估计结果见表3。限于篇幅，本文省略汇报控制变量的结果。固定效应模型和分位数模型的估计结果表明，在东中西部地区，数字普惠金融发展对农业TFP均有显著正向影响且同样存在异质性。这说明数字普惠金融发展对农业TFP的异质性影响在不同地区均广泛存在。值得注意的是，与东中部地区相比，数字普惠金融发展在西部的第20分位点的估计系数更大。说明尽管西部经济发展水平等相对较低，但对这些地区农业TFP水平较低的县，数字普惠金融的农业TFP提升作用更为明显。

（二）传统金融发展对农业TFP的影响分析

为与数字普惠金融发展相比较，本文还参考已有文献[4]，构建了传统金融发展水平指标，并分析其对农业TFP的影响，结果见表4。首先，最后一列的估计结果表明传统金融发展对农业TFP具有显著的正向影响，这与已有研究结论较为一致[17]。其次，分位数模型的估计结果表明，传统金融发展对农业TFP的显著正向影响仅存在于第20和50分位點，而对于最高的80分位点则没有显著影响。说明对位于农业TFP高分位点的县，传统金融发展并未起到提高农业生产率的作用。这一结果表明，与传统金融发展相比，数字普惠金融发展的农业生产率提升效应具有“普惠”作用。最后，表4与表2比较发现，数字普惠金融发展系数比传统金融发展更大。表明数字普惠金融发展的农业TFP提升作用更为显著。

（三）稳健性检验

部分文献指出，数字普惠金融发展变量可能是内生的[6]。虽然本文采用面板数据和固定效应模型来控制那些不随时间变化的遗漏变量，可以在一定程度上减轻内生性，但为了进一步验证结果的稳健性，本文通过替换关键变量进行稳健性检验。具体将数字普惠金融发展滞后一期进行估计。表5汇报了稳健性检验的估计结果，限于篇幅，同样省略汇报控制变量的估计。滞后一期的估计结果表明，数字普惠金融发展对农业TFP的正向影响仍然存在，虽然系数有所减小，但在固定效应模型和分位数回归模型中均显著。从系数大小来看，从20分位点的0.096提高到80分位点的0.413，仍然符合随分位数提高而单调递增的特征。综合来看，上述结果基本支持了表2的结果，表明本文的估计较为稳健。

五、结论与政策启示

本文重点分析了数字普惠金融发展对农业TFP增长的异质性影响。首先利用2014—2018年860个县域面板数据和全局Malmquist指数法测算了县域农业TFP，然后利用无条件分位数固定效应模型分析了数字普惠金融发展对农业TFP的异质性效应。论文发现：第一，数字普惠金融发展显著促进了县域农业TFP的增长，但影响的大小依赖于县域的相对生产率水平。即数字普惠金融发展对农业TFP的影响存在异质性。第二，在选定的第20、50和80分位点上，数字普惠金融发展的农业TFP提升效应随分位点的提高而递增。第三，与数字普惠金融不同，传统金融发展仅对那些生产率水平较低（第20和50分位点）的县域农业TFP有显著的提升作用，随着相对生产率的提高（第80分位点），其正向影响不再显著。

本文研究证实，从农业生产率视角来看，数字普惠金融发展具有明显的“普惠”性质。与之相比，传统金融发展则并不具备类似性质。本文的研究结论对推进农村金融市场改革、实现农业TFP可持续增长具有重要的政策启示。根据上述结论，本文提出如下的政策建议：第一，加快农村地区数字普惠金融发展与推广。数字普惠金融发展是促进不同地区农业TFP增长的有效途径。在农业动能转换的背景下，继续推动数字普惠金融发展有利于农业转向生产率驱动型增长。第二，推动数字普惠金融发展的政策制定需要注意地区间的均衡性和偏向性。实证结果表明，中部地区低生产率水平的县域受数字普惠金融发展的作用相对较小。对此，要针对性出台帮扶政策，具体措施可以通过加强金融基础设施建设、开展普惠金融使用培训等。第三，推动传统金融服务转型升级。鼓励银行业和金融服务业通过改造升级金融信贷服务等手段和形式，针对农村地区构建多层次、广覆盖的服务体系，以实现传统金融发展对不同地区农业TFP广泛的提升作用。

[参考文献]

[1]李谷成.中国农村经济制度变迁、农业生产绩效与动态演进——基于1978～2005年省际面板数据的DEA实证[J].制度经济学研究，2009（3）：20-54.

[2]高维龙，李士梅，胡续楠.粮食产业高质量发展创新驱动机制分析——基于全要素生产率时空演化视角[J].当代经济管理，2021，43（11）：53-64.

[3]钟腾，吴卫星，玛西高娃.金融市场化、农村资金外流与城乡收入差距[J].南开经济研究，2020（4）：144-164.

[4]张龙耀，邢朝辉.中国农村数字普惠金融发展的分布动态、地区差异与收敛性研究[J].数量经济技术经济研究，2021，38（3）：23-42.

[5]郭峰，王靖一，王芳，等.测度中国数字普惠金融发展：指数编制与空间特征[J].经济学（季刊），2020，19（4）：1401-1418.

[6]周利，冯大威，易行健.数字普惠金融与城乡收入差距：“数字红利”还是“数字鸿沟”[J].经济学家，2020（5）：99-108.

[7]LI J， WU Y， XIAO J J. The impact of digital finance on household consumption： evidence from China[J]. Economic modelling， 2020，86（September 2019）： 317-326.

[8]张林，温涛.数字普惠金融发展如何影响居民创业[J].中南财经政法大学学报，2020（4）：85-95.

[9]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.

[10]彭澎，徐志刚.数字普惠金融能降低农户的脆弱性吗？[J].经济评论，2021（1）：82-95.

[11]盛思思，徐展.数字普惠金融与生育：促进还是挤出[J].当代经济管理，2022，44（3）：81-89.

[12]宋敏，周鹏，司海涛.金融科技与企业全要素生产率——“赋能”和信贷配给的视角[J].中国工业经济，2021（4）：138-155.

[13]江红莉，蒋鹏程.数字金融能提升企业全要素生产率吗？——来自中国上市公司的经验证据[J].上海财经大学学报，2021，23（3）：3-18.

[14]侯层，李北伟.金融科技是否提高了全要素生产率——来自北京大学数字普惠金融指数的经验证据[J].财经科学，2020（12）：1-12.

[15]贺茂斌，杨晓维.数字普惠金融、碳排放与全要素生产率[J].金融论坛，2021，26（2）：18-25.

[16]褚翠翠，佟孟华，李洋，等.中国数字普惠金融与省域经济增长——基于空间计量模型的实证研究[J].经济问题探索，2021（6）：179-190.

[17]謝攀.城镇化、金融发展与农业全要素生产率[J].农村金融研究，2020（11）：27-37.

[18]李健旋.农村金融发展与农业绿色全要素生产率提升研究[J].管理评论，2021，33（3）：84-95.

[19]葛和平，高越.数字普惠金融发展对农业全要素生产率的影响[J].财会月刊，2021（24）：144-151.

[20]刘艳.数字普惠金融对农业全要素生产率的影响[J].统计与决策，2021，37（21）：123-126.

[21]SCHULTZ T. Transforming traditional agriculture[M]. New Haven： Yale University Press， 1964： 20-29.

[22]ZHENG H， MA W. The role of resource reallocation in promoting total factor productivity growth ： insights from China’ s agricultural sector[J]. Review of development economics， 2021（October 2020）： 1-22.

[23]郑宏运，李谷成.城乡政策偏向对农业资源配置效率的影响研究[J].农业技术经济，2020（7）：79-92.

[24]GONG B. Agricultural reforms and production in China： changes in provincial production function and productivity in 1978-2015[J]. Journal of development economics， 2018，132（October 2017）： 18-31.

[25]龚斌磊.投入要素与生产率对中国农业增长的贡献研究[J].农业技术经济，2018（6）：4-18.

[26]高帆.我国区域农业全要素生产率的演变趋势与影响因素——基于省际面板数据的实证分析[J].数量经济技术经济研究，2015（5）：3-19.

[27]ZHENG H， MA W， WANG F， et al. Does Internet use improve technical efficiency of banana production in China？ evidence from a selectivity-correct analysis[J]. Food policy， 2021： 102044.

[28]FIRPO S， NICOLE F M， THOMAS L. Unconditional quantile regressions[J]. Econometrica， 2009，77（3）： 953-973.

[29]BORGEN N T. Fixed effects in unconditional quantile regression[J]. The stata journal： promoting communications on statistics and stata， 2016，16（2）： 403-415.

[30]刘宗明，吴正倩.中间产品市场扭曲会阻碍能源产业全要素生产率提升吗——基于微观企业数据的理论与实证[J].中国工业经济，2019（8）：42-60.

[31]吴万宗，刘玉博，徐琳.产业结构变迁与收入不平等——来自中国的微观证据[J].管理世界，2018（2）：22-33.

[32]BARRO R J. Government spending in a Simple-Model of endogenous growth[J]. Journal of political economy， 1990，98（5）： S103-S125.

[33]ADAMOPOULOS T， RESTUCCIA D. The size distribution of farms and international productivity differences[J]. American economic review， 2014，104（6）： 1667-1697.

Impact of Digital Inclusive Finance Development on the Growth

of County-level Agricultural Total Factor Productivity：

From the Heterogeneous Perspective

Zheng  Hongyun，  Li  Gucheng

（College of Economics and Management， Huazhong Agricultural University， Wuhan 430070， China）

Abstract：  Based on the 2014 to 2018 panel data of 860 counties， this study first utilizes the Global Malmquist Index to measure agricultural total factor productivity and then employs the unconditional quantile regression model to analyze the heterogeneous impacts of digital inclusive finance development on agricultural total factor productivity growth. Results show that： Digital inclusive finance development significantly promotes agricultural total factor productivity growth at the county level， but the impacts are heterogeneous. Specifically， the TFP-increasing effects of digital inclusive finance development increase with the increase of quantiles from 20th， 50thto 80th quantiles. In comparison， traditional finance development only significantly increases agricultural total factor productivity at the 20thand 50thquantiles and posts no significant impact at the 80thquantile. Therefore， the results highlight that digital inclusive finance development has prominent “inclusion” characteristics from the agricultural productivity perspective. Anditis important to promote the development of digital inclusive finance in rural areas.

Key words：digital inclusive finance development; agricultural total factor productivity; heterogeneity; quantile regression model

（責任编辑：蔡晓芹）

收稿日期：2022-01-06

基金项目：国家自然科学基金项目《中国农业全要素生产率增长的微观基础及若干农业政策的生产率效应评估》（71873050）。

作者简介：郑宏运（1994—），男，山东临沂人，华中农业大学经济管理学院副教授，主要研究方向为农业资源配置与生产率;李谷成（1982—），男，湖南长沙人，华中农业大学经济管理学院教授、博士生导师，主要研究方向为农业经济理论与政策。