数字普惠金融能否提升农业全...于异质性与空间溢出效应视角_张启文.pdf

一、引言实现农业高质量发展与提升农业全要素生产率（Agricultural total factor productivity，ATFP）密不可分，而金融的发展可以为ATFP持续增长提供资金支持和资源配置的优化。目前，传统农村金融仍存在“金融排斥”现象，这使得农业生产活动中“融资难、融资贵”等问题更加凸显。因而，传统农村金融迫切需要改革创新，而融入数字技术后的数字普惠金融为解决上述问题提供了新的思路。数字普惠金融从2016年在杭州G20峰会上首次被定义，到2021年“中央一号文件”明确指出要大力开展农村数字普惠金融，可见其不仅在国家层面受到高度重视，在农业生产中也发挥着重要作用。数字普惠金融是数字技术与普惠金融相融的产物，理论上，不仅可通过提供多样化、低成本的金融产品来促进农业技术进步，还可通过解决金融机构与农户间资源配置失灵的问题来提高农业技术效率，进而有利于促进ATFP持续增长。因此，数字普惠金融对农业生产经营活动的支撑作用至关重要。近年来，中国数字普惠金融迅猛发展。数据显示，数字普惠金融指数的平均值由2011年的40.0持续增加至2020年的数字普惠金融能否提升农业全要素生产率？*基于异质性与空间溢出效应视角张启文，田静（东北农业大学经济管理学院，哈尔滨150030）*项目来源：教育部人文社会科学青年项目（21YJC790002）；黑龙江省社会科学基金项目（22JYB241）。作者简介：张启文，男，博士，教授，研究方向：农村金融、农业保险。摘要：基于20112019年31个省、市、自治区的面板数据，在利用SBM-GML指数测算中国31个省、市、自治区的农业全要素生产率的基础上，构建固定效应模型和空间杜宾模型实证分析数字普惠金融对农业全要素生产率的影响。结果表明：数字普惠金融主要通过促进技术进步来提升农业全要素生产率，但其存在维度与区域异质性。相较于金融覆盖广度和普惠金融数字化程度，金融使用深度提升农业全要素生产率的效果最佳；中、东部地区的数字普惠金融促进了农业全要素生产率的提升，而西部地区的数字普惠金融却不利于农业全要素生产率的提升；在粮食主产区，数字普惠金融有助于提升农业全要素生产率，但在粮食主销区和产销平衡区，数字普惠金融对农业全要素生产率的影响不显著。空间溢出效应分析表明，本地区数字普惠金融对本地农业全要素生产率具有正向影响，但邻近地区数字普惠金融对本地农业全要素生产率具有负向影响。为此，应大力发展农村数字普惠金融，促进数字普惠金融在各地区间协调发展。关键词：数字普惠金融；农业全要素生产率；SBM-GML指数；空间Durbin模型中图分类号：F304.4文献标志码：A文章编号：1674-9189（2023）01-0045-12Agricultural Economics and Management2023年第1期 总第77期45341.2，年均增长率达到32.2%。同时，与传统金融相比，数字普惠金融因扩散性和流动性特征能够推动金融服务在空间上的渗透。那么，快速发展的数字普惠金融对ATFP的影响究竟如何？该影响是否具有差异性？数字普惠金融对ATFP的影响具有怎样的空间溢出性？回答以上问题将有助于依托数字普惠金融推动中国农业高质量发展。二、文献回顾ATFP是衡量农业绩效的有效参考指标之一，提高ATFP一直是世界上确保不断增长的人口需求不超过粮食供应能力的主要手段（Fuglie等，2021），是农业可持续发展的关键所在（张恒等，2021）。全要素生产率的提高与金融的发展有着密不可分的联系，众多学者对二者之间关系进行了研究，尚未得到一致结论。部分学者认为金融的发展能够提升农业全要素生产率。尹雷等（2014）使用 DEA-Malmquist指数测算中国30个省份ATFP的变动情况，发现农村金融的发展通过促进农业技术进步来提升ATFP，且该影响存在区域异质性。刘照媛（2021）研究发现，农村金融的发展通过提升资源配置效率、完善基础设施来促进农业生产技术进步，进而提升ATFP。此外，陈泽（2019）发现农村金融的发展促进了农业技术进步与ATFP的提升，但却抑制了农业生产技术效率的提高。与上述不同的是，李娅（2021）测算了成渝经济圈的ATFP，发现成渝经济圈内农村金融的发展可提升农业全要素生产率，其主要通过农业技术进步以及农业技术效率的提高来实现。随后，普惠金融逐渐发展起来，Hua等（2021）使用F-P指数测算中国ATFP，实证分析发现普惠金融在促进ATFP增长上发挥着积极作用。蔡时杰（2020）发现我国普惠金融主要通过促进技术效率和优化资源配置来促进ATFP的提升。随着数字普惠金融的发展，张爱英等（2021）使用DEA-Malmquist指数对ATFP进行测算，指出数字普惠金融可通过促进农业技术进步以提升ATFP，而且人力资本的积累是农业全要素生产率的又一影响因素。然而刘艳（2021）却认为，数字普惠金融的发展主要通过提高农业生产的技术效率来促进ATFP的提升，并且此影响在东部地区沿海地区最大。郑宏运等（2022）认为数字普惠金融的发展有利于提升县域ATFP。然而也有学者得出不同结论，李晓阳等（2017）从农地规模的视角出发，认为农村金融的发展抑制了ATFP的提高，且这种影响随着农地经营规模的扩大而增大。综上所述，现有关于数字普惠金融与ATFP之间关系的研究中，学者均使用了DEA-Malmquist指数对ATFP进行测算，但该指数相较于SBM-GML而言，未考虑松弛变量的问题，进而使得估计结果不精确（洪图等，2020），因而本文使用SBM-GML指数以更加精准地测算中国ATFP变动情况。此外，现有研究中大多使用普通面板回归分析数字普惠金融对ATFP的影响，但未考虑地区之间存在经济关联，忽视了数字普惠金融对ATFP影响的空间溢出效应。为此，本文基于20112019年31个省、市、自治区的面板数据，在利用SBM-GML指数测算中国31个省份的ATFP的基础上，构建固定效应模型和空间Durbin模型实证分析数字普惠金融对ATFP的影响路径、维度异质性、区域异质性以及空间溢出效应。三、理论分析与研究假说（一）数字普惠金融与农业全要素生产率资金是农户进行农业生产活动的前提，然而农户获得的政府财政补贴资金远不足以支撑其农业生产活动，因而农村金融对农户生产经营活动的支持作用举足轻重。数字普惠金融相较于普惠金融具有创新性，具体表现为：金融产品丰富多样、实行差异化定价、精准获客、靶向营销以及智能风险管理（曾燕等，2020），因而数字普惠金融主要通过提供资金支持（张爱英等，2021；李娅，2021）与提高资源配置效率（刘照媛，2021；刘艳，2021）来提升农业全要素生产率。一方面，数字普惠金融可缓解融张启文等：数字普惠金融能否提升农业全要素生产率？基于异质性与空间溢出效应视角46Agricultural Economics and Management2023年第1期 总第77期资约束为农业生产活动提供资金支持，使得农民资金充足进行农业生产活动以及农业技术创新活动，进而有利于提升ATFP。另一方面，数字普惠金融可降低交易成本来提高资源配置效率，进而促进提升ATFP。依托于互联网的便利性，数字普惠金融可通过线上服务对农户融资，不仅可节约农户的“皮鞋成本”，还可节约金融机构为农户提供金融服务的时间与空间成本，降低交易成本，使得农户可享受更低成本的金融产品，进而有利于提升ATFP。据此，提出假说1。假说1：数字普惠金融能够提高ATFP。（二）数字普惠金融与农业全要素生产率的分解项农业全要素生产率可分解为技术进步与技术效率变化，其中，技术进步主要指迅速进行技术定位、持续进行技术创新；技术效率则是识别和消除阻碍农业实现高效率的障碍（李谷成等，2010）。1.数字普惠金融与农业技术进步传统金融机构为了将风险调整在可控的范围内，将一些缺少可担保物的、低收入的农民排斥在外，形成金融排斥现象。数字普惠金融能够通过提高金融的覆盖广度，为受到金融排斥的农户提供金融服务，缓解融资约束，使得农民资金充足进行农业技术创新活动，进而有助于促进农业技术进步。基于此，提出假说2。假说2：数字普惠金融能够通过促进农业技术进步来助力提升ATFP。2.数字普惠金融与农业技术效率理论上，数字普惠金融通过数字技术使金融机构可充分了解其客户线上交易的信用情况，可有效地避免因资源配置失灵导致的信息不对称问题，进而提高资源配置效率，实现农业技术效率的提升。但在实践中，数字普惠金融对农业技术效率的提升作用会受到数字普惠金融发展程度与使用主体的影响，当前农村地区数字普惠金融发展水平不高，加之农民对其了解不足，进而使得数字普惠金融无法充分发挥资源配置的作用，导致数字普惠金融抑制了农业技术效率的提升。为此，提出假说3。假说3：数字普惠金融不能通过促进农业技术效率来助力提升ATFP。（三）数字普惠金融对农业全要素生产率的空间溢出效应根据地理学第一定律，在空间互动的状态下，数字普惠金融对农业全要素生产率的影响具有空间溢出效应。数字普惠金融可跨越时间和空间的壁垒提供金融服务，使得金融要素在区域间流动，农业全要素生产率不仅受当地数字普惠金融的影响，同时还受邻近地区数字普惠金融的影响。由于邻近地区数字普惠金融的发展存在竞争效应，并且不同地区的金融资源配置各不相同，数字普惠金融之间的竞争效应可能会导致不良的后果（张翱祥等，2022），不利于落后者的追赶，进而不利于邻近地区ATFP的提升，产生负的空间溢出间接效应。据此，提出假说4。假说4：数字普惠金融的发展对ATFP的影响具有负向的空间溢出效应。四、研究设计（一）模型设定依据理论分析，本文构建如下基准回归模型：lnATFPit=a0+a1lnDIFIit+ajZit+i+it（1）lnTCit=b0+b1lnDIFIit+bjZit+i+it（2）lnECit=c0+c1lnDIFIit+cjZit+i+it（3）其中，lnATFPit表示i地区第t年的农业全要素生产率的对数；lnDIFIit表示i地区第t年的数字普惠金融指数的对数；lnTCit、lnECit表示i地区第t年的农业技术进步和农业技术效率的对数；Z表示控制变量，包括城镇化率（Urban）、财政支农（Gov）、人均地区生产总值（Rgdp）、受灾率（Dis）；i表示地区47固定效应，it表示随机误差项。为探究数字普惠金融对农业全要素生产率影响的空间溢出效应，本文构建一般空间计量模型：lnATFPit=+j=1,j1nWitlnATFPit+1lnDIFIit+2Zit+j=1,j1nWit(lnDIFIit+Zit)+i+t+it（4）其中，lnATFPit表示i地区第t年的农业全要素生产率的对数；lnDIFIit表示i地区第t年的数字普惠金融指数的对数；Zit表示一系列控制变量，Wit为邻接（01）空间权重矩阵，t表示时间固定效应，i表示空间固定效应，it表示随机误差项。若的值不为0，而的值为0，则式（4）化简为空间滞后模型；若的值为0，而的值为0，则式（4）化简为空间误差模型。（二）变量说明1.被解释变量农业全要素生产率（ATFP）及其分解项农业技术进步（TC）和农业技术效率（EC）。本文采取DEA（数据包络分析）法计算SBM-GML指数测算农业全要素生产率的变动情况，这一方法最早由Fare等人提出，其不仅具有客观性，还能反映出农业全要素生产率的变动情况，投入、产出变量的选取，如下表1所示。其中，农业全要素生产率可拆分为技术进步与技术效率变化，即ATFP=TCEC。由于SBM-GML指数测量农业全要素生产率是动态的，参考张爱英等（2021）等人的研究，选定2010年为基年，设定该年TFP为1，用2010年的ATFP与2011年的Malmquist指数的乘积表示2011年的累计ATFP。并以此类推，计算各地区各年的累积ATFP，将动态农业全要素生产率转化为累积农业全要素生产率。2.解释变量数字普惠金融指数（DIFI）及其三个维度，具体包括：金融覆盖广度（Cov）、金融使用深度（Usa）、普惠金融数字化程度（Dig）。本文选取北京大学数字金融研究中心公布的数字普惠金融指数作为衡量数字普惠金融发展水平的指标。3.控制变量考虑到农业全要素生产率还会受到其他因素影响，因而本文参考李谷成等（2010）、张恒等（2021）等人的做法，选取以下四个相关变量作为控制变量。城镇化水平（Urban）：以城镇年末人口与地区年末总人口之比表示，以控制城镇化水平对农业全要素生产率的影响。理论上，城镇化不仅可通过促进剩余劳动力转移来提高劳动力资源配置效率，进而促进农业全要素生产率的提升；城镇化还可促进城乡资本流动来深化农业资本，进而促进农业全要素生产率的提升（武宵旭等，2019）。财政支农（Gov）：以政府农林水支出与一般公共预算支出之比表示，以控制政府的扶持对农业全要素生产率的影响。理论上，政府对农业的扶持，有助于完善农村基础设施建设、提高农民的生产积极性，进而促进农业全要素生产率的提高。人均地区生产总值（Rgdp）：以地区生产总值与该地区人口之比表示，以张启文等：数字普惠金融能否提升农业全要素生产率？基于异质性与空间溢出效应视角表1投入产出变量表投入产出变量劳动投入土地投入机械动力投入灌溉投入化肥投入农业产出代理变量第一产业就业人数（万人）农作物总播种面积（千公顷）机械总动力（万千瓦）有效灌溉面积（千公顷）化肥施用量（万吨）农林牧渔总产值（亿元）48Agricultural Economics and Management2023年第1期 总第77期控制地区经济发展对农业全要素生产率的影响。理论上，经济增长会通过扩大市场规模、完善基础设施、提供较好的金融服务来促进农业全要素生产率的提高。受灾率（Dis）：以受灾面积与农作物播种面积之比表示，以控制自然灾害对农业全要素生产率的影响。理论上，农业生产极易受到自然灾害的影响，自然灾害的频发不利于农业全要素生产率的提高。（三）数据来源与描述性统计分析基于数据的可操作性、可获得性以及及时性，本文选取20112019年的数据进行实证分析。数据主要来自北京大学数字普惠金融研究中心官网、中国农村统计年鉴、中国统计年鉴以及各省、市、自治区的统计年鉴，对个别缺失的农作物播种面积采用均值插补法进行补充，变量的描述性统计分析如下表 2所示。表2变量描述性统计分析五、实证结果与分析（一）农业全要素生产率测算结果分析本文采用MaxDEA8软件测算20112019年中国的SBM-GML指数，得出此期间中国农业全要素生产率的变动情况，如表3所示。从时间趋势上看，自2017年开始，中国各个地区的SBM-GML指数均大于1，说明中国农业全要素生产率正在稳步上升。从空间分布上看，江苏、浙江、安徽、福建、广东、广西、海南、四川、贵州、云南等地区的SBM-GML指数均大于1，说明以上地区的农业全要素生产率在逐渐提高；其他地区的SBM-GML指数虽然在个别年份小于1，但从整体上看，这些地区的农业全要素生产率依然呈现出不断增长的趋势。（二）基准回归分析为选取最优的估计方法，先进行F检验和豪斯曼检验。检验结果显示，两个检验的P值均为0，因变量分类被解释变量解释变量控制变量变量农业全要素生产率（ATFP）技术进步（TC）技术效率变动（EC）数字普惠金融指数（DIFI）金融覆盖广度（Cov）金融使用深度（Usa）普惠金融数字化程度（Dig）城镇化水平（Urban）财政支农（Gov）人均地区生产总值（Rgdp）受灾率（Dis）定义由SBM-GML指数测算出农业全要素生产率变动情况由SBM-GML指数分解出来的技术变动指数由SBM-GML指数分解出来的技术效率变动指数北京大学数字金融研究中心公布的数字普惠金融指数北京大学数字金融研究中心公布的数字金融覆盖广度北京大学数字金融研究中心公布的数字金融使用深度北京大学数字金融研究中心公布的普惠金融数字化程度城镇年末人口（万人）/地区年末总人口（万人）农林水支出（亿元）/一般公共预算支出（亿元）地区生产总值（亿元）/人口数（万人）受灾面积（千公顷）/农作物播种面积（千公顷）均值1.511.521.01202.35182.25197.02215.950.570.125.520.15标准差0.420.300.2991.6590.4791.4684.720.130.033.450.12最小值0.980.560.5816.221.966.767.580.230.041.640.01最大值4.322.343.04410.28384.66439.91410.280.900.2043.120.6249地区北京天津河北山西内蒙古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南西藏陕西甘肃青海宁夏新疆201020111.151.121.131.121.181.141.151.221.081.151.211.141.171.141.081.071.021.191.161.191.191.221.181.101.211.061.221.051.181.050.99201120121.131.081.091.071.081.091.081.180.971.111.061.081.101.081.071.071.091.081.051.041.051.101.081.181.121.051.081.111.091.071.10201220131.211.131.111.081.091.111.101.140.991.071.081.041.051.221.131.111.060.991.071.051.051.091.031.241.121.011.131.101.221.101.05201320141.101.081.021.051.001.021.011.041.041.051.021.061.061.051.051.011.061.041.051.041.091.051.041.221.041.111.071.051.061.051.02201420150.941.091.000.990.981.031.011.020.941.101.041.041.061.041.041.011.071.061.041.051.061.091.071.151.021.001.011.050.941.080.98201520161.021.081.071.111.010.980.951.020.971.071.111.071.141.111.011.051.131.081.131.101.091.151.081.261.051.161.101.111.121.071.04201620171.020.830.890.990.990.860.751.061.061.071.031.011.040.990.990.970.990.871.001.021.010.981.021.111.071.071.030.911.081.071.13201720181.071.061.071.031.071.051.061.011.081.091.051.021.081.061.061.041.041.031.081.041.051.081.031.071.141.121.051.061.351.121.09201820191.271.121.081.101.061.071.111.071.011.151.531.111.121.131.061.111.101.231.141.121.141.151.111.261.221.151.111.151.701.011.09表320102019我国各地区农业全要素生产率变动情况张启文等：数字普惠金融能否提升农业全要素生产率？基于异质性与空间溢出效应视角而本文使用含有固定效应的模型进行回归分析，回归结果见表4。（1）列汇报了数字普惠金融对ATFP的影响，（2）列和（3）列分别汇报了数字普惠金融对农业技术进步以及农业技术效率变化的影响。关于核心解释变量。（1）列回归结果显示，数字普惠金融的系数在1%显著水平上为0.0524，说明数字普惠金融能够促进农业全要素生产率的提高。（2）列回归结果显示，数字普惠金融的系数在1%显著水平上为0.1441，说明数字普惠金融能够促进农业技术进步。（3）列回归结果显示，数字普惠金融的系数在1%显著水平上为-0.0923，说明数字普惠金融的发展不利于提升农业技术效率，可能是由于农业经营主体对数字普惠金融的了解不足，使得数字普惠金融未充分发挥优化资源配置效率的功能，进而不利于农业技术效率的提升。关于控制变量，城镇化水平对农业全要素生产率的影响为正，说明城镇化水平的提高有利于提升ATFP；受灾率对农业全要素生产率的影响为负，受灾率的提高不利于农业全要素生产率的提高，因此应提高农业对自然灾害的抵抗能力。财政支农和人均地区生产总值对农业全要素生产率的影响系数为正，但不显著。50Agricultural Economics and Management2023年第1期 总第77期表4数字普惠金融对农业全要素生产率及其分解项的影响（三）内生性处理为了解决遗漏变量和反向因果等原因造成的内生性问题，本文借鉴齐绍洲等（2015）的做法，分别选取数字普惠金融滞后一期、二期、三期作为工具变量进行2SLS回归，回归结果如下表5所示。（1）、（2）、（3）列分别展示了数字普惠金融滞后一期、二期、三期作为工具变量的2SLS回归结果，其中数字普惠金融系数均显著为正，说明数字普惠金融能够促进农业全要素生产率提升，证明研究结果比较稳健。变量lnDIFIUrbanGovRgdpDisConsR_sq地区效应N（1）lnATFP0.0524*(2.93)3.4898*(9.32)0.6689(1.14)0.0027(1.01)-0.1987*(-2.67)-1.9287*(-11.91)0.7098控制279（2）lnTC0.1441*(7.21)2.1538*(5.15)0.3691(0.57)-0.0055*（-1.85）0.0308（0.37）-1.5804*（-8.75）0.6624控制279（3）lnEC-0.0923*（-3.84）1.4583*（2.90）-0.0301（-0.04）0.0090*(2.51)-0.2193*(-2.19)-0.3792*(-1.74)0.0948控制279注：*、*、*分别表示在10%、5%、1%的水平下显著，括号内为t值或z值，下同。表5内生性回归结果lnDIFI控制变量R_sqN（1）滞后一期作为工具变量0.2903*(10.89)YES0.3102248（2）滞后二期作为工具变量0.3394*(6.44)YES0.2279217（3）滞后三期作为工具变量0.3751*(5.09)YES0.1859186（四）异质性分析1.维度异质性数字普惠金融主要包括金融覆盖广度、金融使用深度以及普惠金融数字化程度三个维度，不同维度的作用也各不相同（尹振涛等，2021）。为进一步探究各维度对ATFP的影响，分别将各个维度作为解释变量进行回归。一方面，有利于进一步探究数字普惠金融影响农业全要素生产率的机理；另一方面，有助于为数字普惠金融的发展指明方向。表6汇报了数字普惠金融不同维度对ATFP及其分解项的影响，（1a）、（1b）（1c）列给出了数字普惠金融不同维度对ATFP的影响，金融覆盖广度、金融使用深度与普惠金融数字化程度的系数分别为0.0409、0.0525、0.0429，且均在1%统计水平上显著，说明数字普惠金融的覆盖广度、使用深度和数51字化程度均显著促进了农业全要素生产率的提高，其中，金融使用深度的影响最大，普惠金融数字化程度次之，金融覆盖广度最小。（2a）、（2b）（2c）列给出了数字普惠金融不同维度对农业技术进步的影响，金融覆盖广度、金融使用深度与普惠金融数字化程度的系数分别为0.1025、0.1516、0.1026，且均通过显著性检验，说明数字普惠金融的覆盖广度、使用深度和数字化程度均有利于促进农业技术进步，相较于金融覆盖广度与普惠金融数字化程度，金融使用深度的影响最大。（3a）、（3b）（3c）列给出了数字普惠金融不同维度对农业技术效率变化的影响，金融覆盖广度、金融使用深度与普惠金融数字化程度的系数均在1%统计水平上显著为负，说明数字普惠金融的覆盖广度、使用深度和数字化程度均不利于农业技术效率的提高，其原因可能是农业技术效率的改善受到农业劳动力自身素质的制约，目前大部分农户受教育程度不高，对数字普惠金融的了解和应用程度较低，使得数字普惠金融的三个维度不能充分发挥资源配置功能。张启文等：数字普惠金融能否提升农业全要素生产率？基于异质性与空间溢出效应视角表6数字普惠金融维度异质性的回归结果lnCovlnUsalnDigUrbanGovRgdpDisConsR_sq地区固定N金融覆盖广度（1a）lnATFP0.0409*(2.90)3.5496*(9.83)0.6360(1.08)0.0029(1.11)-0.1847*(-2.47)-1.8962*(-11.21)0.7096控制279（2a）lnTC0.1025*(6.38)2.5109*(6.11)0.3817(0.57)-0.0046(-1.53)0.0626(0.74)-1.5631*(-8.13)0.6489控制279（3a）lnEC-0.0626*(-3.28)1.1707*(2.39)0.0083(0.44)-0.2377*(-2.35)-0.2377*(-2.35)-0.3684(-1.61)0.0806控制279金融覆盖深度（1b）lnATFP0.0525*(2.81)3.5940*(10.09)0.5779(0.97)0.0025(0.95)-0.1992*(-2.67)-1.9755*(-12.71)0.7090控制279（2b）lnTC0.1516*(7.29)2.3323*(5.89)0.0506(0.08)-0.0061*(-2.05)0.0313(0.38)-1.6779*(-9.71)0.6636控制279（3b）lnEC-0.0992*(-3.96)1.3729*(2.88)0.1926(0.24)0.0094*(2.63)-0.2201*(-2.21)-0.3252(-1.56)0.0981控制279金融数字化程度（1c）lnATFP0.0429*(3.11)3.8178*(13.21)0.9499*(1.67)0.0025(0.95)-0.2062*(-2.78)-2.0998*(-15.26)0.7111控制279（2c）lnTC0.1026*(6.55)3.2420*(9.88)1.1797*(1.82)-0.0055*(-1.83)0.0082(0.10)-2.0834(-13.33)0.6516控制279（3c）lnEC-0.0579*(-3.09)0.6652*(1.69)-0.5694(-0.73)0.0088*(2.42)-0.2038*(-2.02)-0.0401(-0.21)0.0762控制2792.区域异质性中国地域辽阔，数字普惠金融在各地区的发展不可避免地存在差异，在考虑不同地区的地区差异时，进一步检验数字普惠金融对农业全要素生产率的影响是否会发生变化，回归结果见表7。（1）列汇报了中国各个地区数字普惠金融对ATFP的影响，数字普惠金融促进了中、东部地区的农业全要素生产率的提高，却不利于西部地区农业全要素生产率的提升，其原因可能是西部地区数字普惠金融的发展水平较低。数字普惠金融有利于提升粮食主产区ATFP，但数字普惠金融对粮食主销区、产销平衡区ATFP的影响不显著。（2）列汇报了数字普惠金融对农业技术进步的影响，数字普惠金融均有助于促进中国东、中、西部地区的农业技术进步，但相较于中、西部地区，数字普惠金融对东部地区的农业技术进步的影响最大。数字普惠金融能够促进粮食主产区、主销区以及产销平衡区的农业技术进步，但该影响52在粮食主销区最大。（3）列汇报了数字普惠金融对农业技术效率的影响。总体而言，数字普惠金融对六个地区的农业技术效率的影响为负，因而应提高数字普惠金融在农业生产活动中的资源配置效率。Agricultural Economics and Management2023年第1期 总第77期表7不同地区数字普惠金融对农业全要素生产率及其分解项的影响地区东部地区中部地区西部地区粮食主产区粮食主销区粮食产销平衡区（1）lnATFP0.0703*(2.36)0.0802*(2.74)-0.0090(-0.35)0.0671*(3.35)0.0611(1.63)-0.0076(-0.28)（2）lnTC0.1876*(4.33)0.0742*(3.50)0.0990*(3.08)0.1116*(4.57)0.1386*(2.60)0.1091*(3.11)（3）lnEC-0.1288*(-2.73)0.0054(0.16)-0.1075*(-2.62)-0.0525*(-1.76)-0.0798(-1.58)-0.1157*(-2.64)（五）空间溢出效应分析表8为数字普惠金融的全局莫兰指数，20012019年的数字普惠金融全局莫兰指数均大于0.4，且高度显著，说明数字普惠金融存在正向空间效应。非空间面板的LM和稳健的LM检验P值均小于0.05，因此应该使用考虑了空间效应的空间面板回归。表8数字普惠金融的全局莫兰指数年份201120122013201420152016201720182019I值0.5250.5880.5220.5500.4690.5170.4920.5230.544z值3.9124.3903.9434.1413.5783.9283.7543.9454.088P value0.00000.00000.00000.00000.00000.00000.00000.00000.0000为确定空间回归模型的具体形式，进行Wald检验与LR检验，检验结果如表9所示，二者的P值均小于0.01，说明选取空间Durbin模型进行估计更合适。然后进行Hausman检验，其P值为0，因此选择含有固定效应的空间Durbin模型进行估计。表10是分别采用空间权重矩阵（W1）、空间距离矩阵（W2）、以及空间经济矩阵（W3），包含固定效应的空间Durbin模型的回归结果。从空间自回归系数来看，采用三个空间矩阵进行回归的结果均高度显著为正，说明农业全要素生产率对其自身具有正向的空间溢出效应。从核心解释变量来看，数字普惠金融系数均为正，且在5%水平上通过显著性检验，说明数字普惠金融有利于提升农业全要素生产率。数字普惠金融的空间滞后系数均为负，且通过显著性检验，说明邻近地区数字普惠金融的发展对53变量lnDIFIWxlnDIFIW10.0979*（2.29）-0.1468*（-3.41）0.4672*（7.53）W20.0750*(2.21)-0.0105*（-2.86）0.6670*(11.7)W30.1004*(2.48)-0.1310*（-3.14）0.5136*(7.42)表9Wald检验与LR检验结果注：括号内为P值。检验方法Wald检验LR检验空间滞后模型16.49*（0.0056）33.20*（0.0000）空间误差模型16.23*（0.0062）38.21*（0.0000）张启文等：数字普惠金融能否提升农业全要素生产率？基于异质性与空间溢出效应视角当地农业全要素生产率具有负向传导作用。原因可能是相邻地区数字普惠金融的发展会吸引金融资本向邻近地区转移（张翱翔等，2022），从而不利于本地区农业全要素生产率的提高。表10数字普惠金融对农业全要素生产率的空间溢出效应表11数字普惠金融对农业全要素生产率的空间溢出效应分解变量lnDIFI总效应-0.0904*（-3.62）直接效应0.0898*(2.29)间接效应-0.1802*(-3.95)表11给出了数字普惠金融对农业全要素生产率空间溢出效应的总效益、直接效应和间接效应，结果如下所示。数字普惠金融对农业全要素生产率的直接影响系数为0.0898，且在5%统计水平上显著，说明数字普惠金融的发展提高1%会使得本地区农业全要素生产率提高0.0868%，数字普惠金融的发展能够有效地提升本地区农业全要素生产率；数字普惠金融的间接效应系数为-0.1802，说明邻近地区数字普惠金融不利于本地区农业全要素生产率的提升，说明数字普惠金融在区域间发展不平衡，金融资源在区域间没有得到合理配置，应进一步优化金融资源的区域配置，促进区域经济协调发展；数字普惠金融对农业全要素生产率的总效应高度显著为负，其主要是由于数字普惠金融对农业全要素生产率的负向间接效应的绝对值大于其对农业全要素生产率的正向直接效应，进而使得数字普惠金融对农业全要素生产率的空间溢出效应的总效应为负。六、结论与政策建议（一）结论本文基于20112019年31个省、市、自治区的面板数据，在利用SBM-GML指数测算中国31个省、市、自治区农业全要素生产率的基础上，构建固定效应模型和空间Durbin模型实证分析数字普惠金融对农业全要素生产率的影响，得出以下结论：第一，数字普惠金融的发展整体上促进了农业全要素生产率的提升，但其效果具有区域异质性和维度异质性。在中、东部地区，数字普惠金融促进了农业全要素生产率的提升，而在西部地区，数字54普惠金融却不利于农业全要素生产率的提升；在粮食主产区数字普惠金融有助于提升农业全要素生产率，但在粮食主销区和产销平衡区，数字普惠金融对农业全要素生产率的影响不显著。数字普惠金融的覆盖广度、使用深度和数字化程度均显著促进了农业全要素生产率的提高，其中，金融使用深度的影响最大，普惠金融数字化程度次之，金融覆盖广度最小。第二，数字普惠金融主要通过促进农业技术进步来提升农业全要素生产率，但数字普惠金融不利于提升农业技术效率。第三，数字普惠金融虽可显著促进本地区农业全要素生产率的提升，但会对邻近地区农业全要素生产率的提升具有一定的负面作用，数字普惠金融对农业全要素生产率的空间溢出效应的总效应为负。（二）政策建议第一，大力推进数字普惠金融的发展。一方面，政府应拓宽数字普惠金融的覆盖广度。应加快推进中国数字乡村建设，进一步完善网络、通信等基础设施建设，不断提升乡村地区互联网普及率，为拓宽数字普惠金融覆盖广度提供基础条件，深化数字普惠金融覆盖广度对农业全要素生产率的影响。此外，金融机构增加金融服务产品种类，拓宽金融融资渠道，从而扩大金融的覆盖广度。另一方面，加强农户数字普惠金融产品的使用程度。政府应鼓励农户采用数字普惠金融产品，如提供补贴、降低利率等，加深农户对数字普惠金融的使用程度，强化数字普惠金融使用深度对农业全要素生产率的影响。第二，提升农业生产经营者数字普惠金融素养。农业生产经营者数字普惠金融素养是数字普惠金融助力提升农业全要素生产率的关键所在。政府应通过相关培训、学习等途径向农业经营主体普及数字普惠金融相关知识，提高农业经营主体对数字普惠金融的了解，增加农业经营主体对数字普惠金融的运用，使数字普惠金融促进农业技术效率的提高。第三，重视数字普惠金融的区域协调发展。当前数字普惠金融发展存在东高西低的不均衡现象，应进一步推动数字普惠金融在西部欠发达地区的发展，促进各地区协调发展，避免产生地区间的不良竞争，充分释放数字普惠金融对农业全要素生产率的影响。参考文献 1 张恒,郭翔宇.农业生产性服务业发展与农业全要素生产率提升:地区差异性与空间效应J.农业技术经济,2021(5):93-107.2 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,2014,25(2):32-40.3 刘照媛.农村金融发展对农业全要素生产率的影响研究D.沈阳:辽宁大学,2021.4 陈泽.农村金融发展对农业全要素生产率的影响及其作用机制D.南京:南京财经大学,2019.5 李娅.农村金融发展对农业全要素生产率的影响研究D.重庆:重庆工商大学,2021.6 蔡时杰.我国农村普