数字经济与农业高质量发展：影响效应与作用路径

王善高

（南京邮电大学 管理学院，南京 210003）

0 引言

改革开放以来，中国农业发展取得了举世瞩目的成就，但环境污染、水资源稀缺、耕地基础地力下降等问题也日益凸显，严重制约了中国农业的可持续发展[1]。要想破解上述难题，实现可持续发展，中国农业就必须走高质量发展之路。近年来，随着新一代信息技术的发展，融合数据资源和信息通信技术的数字经济应运而生[2]。作为经济发展的新动力，数字经济能否促进中国农业高质量发展呢？解答该问题对中国农业加快实现可持续发展具有重要意义。

关于数字经济对农业高质量发展的影响，现有文献进行了一定的探讨，但还存在以下不足：第一，对数字经济发展水平的测度存在较大的随意性。尽管目前已有机构对数字经济发展水平进行了测度，但测度结果尚未完全对外公开，学者们主要还是自行搜集数据进行测度。然而，学者们大多采用单一指标进行测度[3]，综合性上有所欠缺。虽然有一部分学者开始构建指标体系进行测度，但构建的指标体系涵盖面不足[4]，缺乏全面性。第二，大多数文献采用参数模型考察数字经济对农业高质量发展的影响。参数模型在设置上存在较大的主观性，而数字经济与农业高质量发展之间的关系较为复杂，采用参数模型进行研究很容易误设模型的函数形式。第三，忽视了数字经济影响农业高质量发展的路径。数字经济影响农业高质量发展的表现形式是数字化的知识和信息不断融入农业生产中，这会产生两种影响：一是数字化的知识和信息有助于提升农业经营主体的经营管理能力，表现为农业生产技术效率的提高；二是数字化的知识和信息与农业生产融合，衍生出新技术、新动能，表现为农业生产技术水平的提升。然而，鲜有学者基于效率和技术视角探讨数字经济对农业高质量发展的作用路径。

鉴于此，本文以2011—2020 年中国31 个省份的数据为研究样本，首先，运用熵值法测度数字经济发展水平；然后，运用半参数面板数据模型考察数字经济对农业高质量发展的影响及其异质性；最后，基于中介效应模型分析数字经济影响农业高质量发展的作用路径。

1 研究设计

1.1 数字经济发展水平测度

本文根据数字经济的内涵，参照工业和信息化部、赛迪顾问数字经济产业研究中心、中国信息通信研究院等权威机构发布的数字经济指标，并借鉴王军等（2021）[4]、盛斌和刘宇英（2022）[5]的分析思路，从数字经济发展基础、数字经济发展环境、数字产业化、产业数字化4个维度，选取10个一级指标、27个二级指标来测度数字经济发展水平，见下页表1。

表1 数字经济发展水平测度指标体系

本文采用熵值法确定指标权重，并通过加权求和计算数字经济发展水平。具体步骤如下：

第一步：对变量进行标准化处理，以消除量纲和计量单位的影响。正向指标的标准化公式为=(xij-minxj)/(maxxj-minxj)，负向指标的标准化公式为=(maxxj-xij)/(maxxj-minxj)。其中，为标准化后的指标值，minxj为第j项指标在所有年份中的最小值，maxxj为第j项指标在所有年份中的最大值。

第二步：确定指标权重。首先，计算第i年第j项指标所占的比重wij，公式为；其次，计算指标的信息熵ej，公式为，其中，m为评价年份；然后，计算信息熵冗余度dj，公式为dj=1-ej；最后，计算指标权重ξj，公式为

1.2 模型构建

1.2.1 半参数面板数据模型

半参数回归不预设函数形式未知的变量，仅将部分函数形式已知的变量参数化。为研究数字经济对农业高质量发展的影响，本文设置半参数面板数据模型如下：

其中，i和t分别表示省份和年份，quality为农业高质量发展，f(·) 代表函数关系并未明确的非参数估计，digital为数字经济，G为控制变量，α为省份固定效应，θ为时间固定效应，μ为随机扰动项，γ为待估参数。需要说明的是，早在2002年，Baltagi和Li（2002）[6]就提出用差分方法估计半参数面板数据模型，但由于求解过程比较复杂，相关研究一直停留在理论层面。那慕尔大学的Libois 和Verardi（2013）[7]于2013 年联合开发出了半参数面板数据模型的Stata估计指令xtsemipar，可在Stata软件中直接下载使用。

1.2.2 中介效应模型

本文借鉴温忠麟和叶宝娟（2014）[8]的研究，采用中介效应模型探究数字经济影响农业高质量发展的作用路径。具体模型如下：

其中，i、t、quality、digital、G、α、θ的含义与式（1）中一致；medium为中介变量，包括农业生产技术效率（eff）和农业生产技术水平（tec）；μ1it、μ2it、μ3it为各个模型的随机扰动项。

1.3 变量说明

1.3.1 被解释变量：农业高质量发展（quality）

大量研究指出，全要素生产率的提高是高质量发展的一个重要表征。因此，本文将全要素生产率作为高质量发展的代理指标。然而，传统的全要素生产率仅考虑了期望产出，忽视了非期望产出（污染物），这种做法会导致测算出的全要素生产率偏高。为克服传统全要素生产率的不足，本文将包含非期望产出的绿色全要素生产率[9,10]作为高质量发展的代理指标。

本文采用DEA 方法来测算农业绿色全要素生产率。具体而言，基于DEA方法，将投入、期望产出、非期望产出纳入同一个核算框架，运用非径向、非角度松弛方向性距离函数构造考虑非期望产出的Malmquist-Luenberger生产率指数（简称ML生产率指数），ML生产率指数是绿色全要素生产率的环比变化值，能够反映绿色全要素生产率的变化。

结合农业生产实际，选取如下指标测度农业绿色全要素生产率：（1）期望产出：用农林牧渔业总产值表示，并以2011 年为基期，用地区生产总值指数进行平减。（2）非期望产出：用农业污染物排放总量表示。（3）投入指标：①土地投入：用农作物播种面积表示。②劳动投入：用乡村农林牧渔业从业人员数表示。③化肥投入：用农用化肥施用折纯量表示。④机械投入：用农业机械总动力表示。基于上述指标，利用Stata 16 软件中的gtfpch 指令即可计算出农业绿色全要素生产率。

1.3.2 核心解释变量：数字经济（digital）

基于表1 中的指标，按照对变量进行标准化处理、用熵值法确定指标权重、计算综合得分等步骤，即可测算出各省份的数字经济发展水平。上述计算过程均可通过Stata 16软件编写操作指令实现。

1.3.3 中介变量：农业生产技术效率（eff）和农业生产技术水平（tec）

参照大多数学者的思路，采用包含非期望产出的SBM模型来测度农业生产技术效率（eff）和农业生产技术水平（tec）。Stata 16 软件中的gtfpch 指令可以直接估计包含非期望产出的SBM 模型，因此，基于农业生产的投入、期望产出、非期望产出指标，利用gtfpch指令测算即可。

1.3.4 控制变量

借鉴刘艳（2021）[11]、陈昭等（2022）[3]的研究，控制变量选取如下：（1）农业劳动力受教育程度（edu）：用农业劳动力的受教育年限表示。（2）地区资源禀赋（res）：用各地区水资源总量的对数作为地区资源禀赋的代理变量。（3）地方政府财政支农力度（sup）：用地方财政农林水事务支出占地方财政一般预算支出的比重表示。（4）对外开放程度（ope）：用外商直接投资占地区生产总值的比重表示。（5）城镇化水平（urb）：用城镇人口占年末常住人口的比重表示。最后，还在模型中加入了省份固定效应和年份固定效应。

1.4 数据来源及数据处理

本文以2011—2020年中国31个省份（不含港澳台）的数据作为研究样本进行分析。相关数据主要来源于国家统计局官网、工业和信息化部官网、《中国电子信息产业统计年鉴》《中国统计年鉴》《中国农村统计年鉴》、北京大学数字金融研究中心课题组发布的《北京大学数字普惠金融指数》以及第二次全国污染源普查领导小组公布的《农业污染源产排污系数手册》。

需要说明的是：第一，对于部分缺失的数据，采用插值法或外推法进行填补。第二，对于部分涉及金额的变量，以2011 年为基期，用地区生产总值指数进行平减处理。第三，《农业污染源产排污系数手册》公布的排污系数包括种植业氮磷排放系数、畜禽养殖业排污系数、水产养殖业排污系数3类，本文在计算出种植业、畜禽养殖业、水产养殖业污染物排放量的基础上，将3类污染物排放量加总折算为一个指标，统称为农业污染物排放量。

2 实证分析

2.1 数字经济发展水平测度结果分析

2.1.1 时间维度

图1 为2011—2020 年中国数字经济发展水平折线图。由图1可知，2011—2020年中国数字经济发展水平由0.088增长至0.246，年均增长率为12.1%，呈现明显的增长趋势。出现这种现象的原因可能有：（1）进入信息时代以后，新兴技术如雨后春笋般不断涌现，而数字经济是以数据资源为关键要素、以现代信息网络为主要载体的新经济形态，新兴技术的发展必然会推动数字经济的发展。（2）中国政府出台了一系列与数字经济发展相关的政策，如《“十四五”数字经济发展规划》等，在政府的推动下，数字经济得到了快速发展。

图1 2011—2020年中国数字经济发展水平折线图

2.1.2 空间维度

图2为中国31个省份数字经济发展水平（2011—2020年的均值）的柱状图。由图2 可知：（1）广东、江苏、北京、山东、浙江、上海、四川、福建、河南、湖北、河北、辽宁这12个省份的数字经济发展水平均高于0.16（全国平均水平），这些省份大多位于东部地区，数字经济发展处于领先地位。（2）湖南、安徽、陕西、广西、重庆、云南、江西、黑龙江、山西、贵州、内蒙古、天津、吉林这13个省份的数字经济发展水平虽然均低于0.16，但均高于0.08（全国平均水平的一半），数字经济发展相对缓慢，动力稍显不足。（3）新疆、甘肃、西藏、海南、青海、宁夏这6 个省份的数字经济发展水平均低于0.08，这些省份大多位于西部地区，数字经济发展尚未步入正轨。

图2 中国31个省份数字经济发展水平（2011—2020年的均值）

2.2 数字经济对农业高质量发展的影响

图3 和表2 展示了半参数面板数据模型的回归结果。其中，图3是核心解释变量的回归结果，表2是控制变量的回归结果。

图3 数字经济与农业高质量发展的关系

表2 数字经济与农业高质量发展的参数估计结果

由图3 可知，随着数字经济发展水平的上升，平滑曲线呈现先上升后下降的“倒U”型变化趋势，说明数字经济与农业高质量发展之间存在“倒U”型关系。周少甫和陈亚辉（2022）[12]、梁小甜和文宗瑜（2022）[13]在分析数字经济对服务业、制造业等行业高质量发展的影响时，也得出了类似的结论。从拐点（用逼近法求得拐点为0.60）来看，当数字经济发展水平低于0.60时，数字经济对农业高质量发展有正向影响；当数字经济发展水平高于0.60 时，数字经济对农业高质量发展有负向影响。出现这种现象的原因可能是，在数字经济发展初期，数字化的知识和信息可以不断融入农业生产中，提升农业生产的数字化水平，这在一定程度上会促进农业高质量发展；然而，当数字经济发展到一定阶段的时候，可能会挤出农业劳动者（大量研究指出，具有重复性的“程序性工种”更容易被数字技术所取代，而农业劳动者所从事的职业往往是“程序性工种”），农业劳动者是农业高质量发展的主体力量，随着农业劳动者被挤出，农业高质量发展水平会出现下降。

由表2可知，在控制变量中，地区资源禀赋、地方政府财政支农力度、对外开放程度对农业高质量发展均有显著影响。具体而言：（1）地区资源禀赋的系数在10%的水平上显著为正，说明地区资源禀赋对农业高质量发展有正向影响。这可能是因为农业资源越丰富的地区越容易发挥农业的比较优势，这在一定程度上会推动区域农业走上高质量发展的道路。（2）地方政府财政支农力度的系数在1%的水平上显著为正，说明地方政府财政支农力度对农业高质量发展有正向影响。这可能是因为地方政府财政支农力度越大，政府投入农业的财政资金就越多，这在一定程度上会提高农业基础设施建设水平，推动农业高质量发展。（3）对外开放程度的系数在1%的水平上显著为负，说明对外开放程度对农业高质量发展有负向影响。这可能是因为对外开放程度越高的地区，进口农产品的可能性越大，而这在一定程度上会对国内农业生产形成冲击，从而对农业高质量发展产生负向影响。

2.3 稳健性讨论

2.3.1 多重共线性问题

考虑到变量间可能存在的多重共线性问题，本文利用方差膨胀系数（VIF）进行了多重共线性检验。VIF 越大，表示多重共线性问题越严重。通常以10 为分界点，当VIF＜10 时，认为不存在多重共线性问题；反之，则存在多重共线性问题。表3 汇报了各变量的方差膨胀系数。由表3 可知，核心解释变量和控制变量的VIF 均小于10，说明各变量之间不存在多重共线性问题，这在一定程度上排除了本文选取的控制变量既会影响核心解释变量又会影响被解释变量的可能性。

表3 各变量的方差膨胀系数

2.3.2 内生性问题

从理论上看，本文可能存在内生性问题，因为数字经济和农业高质量发展可能同时受到某些不可观测因素的影响，而这些不可观测的因素又无法纳入模型中。为了克服可能存在的内生性问题，本文采用工具变量法进行稳健性检验。借鉴刘心怡等（2022）[14]、何琼和曲立（2022）[15]的研究，选择数字经济的二阶滞后项作为工具变量。工具变量的不可识别检验结果（Chi2=107.833，P=0.0000）显示，显著拒绝原假设，而且弱工具变量检验的F值（249.696）也大于10，说明本文选择的工具变量通过了不可识别检验和弱工具变量检验。从表4的回归结果来看，第一阶段数字经济二阶滞后项的系数在1%的水平上显著为正，第二阶段数字经济的系数也在1%的水平上显著为正，说明在消除了可能存在的内生性问题以后，数字经济对农业高质量发展依然具有显著影响，这意味着本文的实证结果具有一定的稳健性。

表4 数字经济对农业高质量发展的影响（内生性检验）

2.4 异质性分析

2.4.1 区域异质性

中国幅员辽阔，各地区的资源禀赋存在较大差异，因此数字经济对农业高质量发展的影响可能也存在区域差异。鉴于此，本文按照国家统计局的划分标准，将31个省份划分为东、中、西三大地区，以考察不同地区数字经济对农业高质量发展的异质性影响，结果见图4 和下页表5。其中，图4是核心解释变量的回归结果，表5是控制变量的回归结果。

图4 区域异质性检验的结果

表5 异质性分析结果

由图4可知，数字经济对农业高质量发展的影响存在明显的区域异质性。具体而言：（1）在东部地区，数字经济能显著促进农业高质量发展，但随着数字经济发展水平的提升，这种促进效应逐渐变弱。（2）在中部地区，数字经济也能促进农业高质量发展，但受数字经济发展水平的限制，这种促进效应尚未完全显现出来。（3）在西部地区，数字经济会显著抑制农业高质量发展，这可能是因为西部地区深处内陆，数字经济发展所需的基础设施相对薄弱，数字经济发展尚未步入正轨。

由表5可知，在区域异质性回归中，地区资源禀赋、地方政府财政支农力度、对外开放程度对农业高质量发展有显著影响。需要注意的是，地区资源禀赋的系数在东部和中部地区显著为正，在西部地区为负但不显著，这可能是因为本文的地区资源禀赋是用水资源总量的对数衡量的，而西部地区水资源相对匮乏，所以水资源总量对西部地区农业高质量发展的影响不明显。

2.4.2 时间异质性

考虑到数字经济发展水平和农业高质量发展水平均是动态变化的，因此数字经济对农业高质量发展的影响也可能存在时间上的差异。按照均等划分的思路，将样本期划分为2011—2015 年和2016—2020 年两个时间段，以考察不同时间段内数字经济对农业高质量发展的影响，结果见图5和表5。其中，图5是核心解释变量的回归结果，表5是控制变量的回归结果。

图5 时间异质性检验的结果

由图5可知，数字经济对农业高质量发展的影响存在明显的时间异质性。具体而言：（1）2011—2015 年，数字经济会显著促进农业高质量发展，这可能是因为数字经济还处于发展初期，数字化的知识和信息可以不断融入农业生产中，为农业生产注入新动能，所以数字经济对农业高质量发展有显著的正向影响。（2）2016—2020 年，数字经济与农业高质量发展之间存在“倒U”型的非线性关系，这一阶段数字经济对农业高质量发展的影响开始出现拐点，这可能是因为数字经济对农业劳动者形成了“挤出效应”，进而阻碍了农业高质量发展。

由表5可知，在时间异质性回归中，地区资源禀赋、地方政府财政支农力度、对外开放程度对农业高质量发展有显著影响。需要注意的是，无论是2011—2015 年，还是2016—2020 年，地方政府财政支农力度的系数都显著为正，说明无论在哪个时间段内，地方政府财政支农力度都对农业高质量发展有显著的促进作用。

2.5 作用路径探讨

中介效应检验的结果见表6。其中，列（1）至列（3）是将农业生产技术效率作为中介变量的估计结果，列（4）至列（6）是将农业生产技术水平作为中介变量的估计结果。

表6 中介效应检验结果

由表6 可知：列（1）表明数字经济对农业高质量发展有显著的正向影响；列（2）表明数字经济对农业生产技术效率有显著的正向影响；列（3）表明数字经济和农业生产技术效率均对农业高质量发展有显著的正向影响，而且与列（1）相比，数字经济的系数变小了（0.022＜0.046）。由此可见，农业生产技术效率是数字经济影响农业高质量发展的传导路径。可能的原因是，当数字化的知识和信息与农业生产融合时，很容易形成一系列的数据资源，这些数据资源能为农业生产主体提供指导，进行精细化的生产管理，这在一定程度上会提升农业生产技术效率，并进一步促进农业高质量发展。

由表6 可知：列（4）表明数字经济对农业高质量发展有显著的正向影响；列（5）表明数字经济对农业生产技术水平的影响不显著；列（6）表明数字经济对农业高质量发展有显著的正向影响，但农业生产技术水平对农业高质量发展的影响不显著。由此可见，农业生产技术水平不是数字经济影响农业高质量发展的传导路径。可能的原因是，技术创新是一个漫长的过程，需要经历研发、试验、推广等多个环节，因此数字化的知识和信息与农业生产融合并衍生出新的农业生产技术也需要漫长的时间，而我国数字农业的发展还处于早期阶段，很难衍生出具有突破性的农业生产技术，所以农业生产技术水平在数字经济影响农业高质量发展中的传导作用尚未显现出来。

3 结论

本文以2011—2020年中国31个省份的数据为研究样本，采用半参数面板数据模型、中介效应模型实证检验了数字经济对农业高质量发展的影响效应及其作用路径，结论如下：（1）2011—2020 年，中国数字经济发展水平呈逐年递增趋势，但存在明显的地区差异，具体表现为从东部地区向中部和西部地区渐次降低。（2）数字经济与农业高质量发展之间存在“倒U”型关系，当且仅当数字经济发展水平为0.60时，数字经济对农业高质量发展的影响达到最大。（3）在区域上，数字经济对东部地区和中部地区农业高质量发展有正向影响，对西部地区农业高质量发展有负向影响。在时间上，2015 年及以前数字经济对农业高质量发展仅有正向影响，2015 年以后数字经济对农业高质量发展的影响存在拐点，二者之间存在“倒U”型的非线性关系。（4）数字经济对农业高质量发展的影响主要是通过农业生产技术效率传导的，农业生产技术水平在数字经济影响农业高质量发展中的传导作用尚未显现出来。