黄河流域数字普惠金融对农业全要素生产率的影响研究

摘要  基于2012—2021年黄河流域省级面板数据，运用Global-Malmquist-Luenberger模型测算该流域农业绿色全要素生产率，并实证分析数字普惠金融对该流域农业绿色全要素生产率的影响。结果表明：①黄河流域农业绿色全要素生产率呈增长趋势，年均增长2.5%。各区域当中，下游农业绿色全要素生产率均值最高，中游最低，上游则处于中间水平。各省（区）中，仅有内蒙古自治区农业绿色全要素生产率均值小于1，主要是因为技术进步受阻的现象，总体农业绿色生产技术出现衰退。其余省（区）农业绿色全要素生产率均值均大于1，仅山西省存在技术转化不畅，技术转化效率低的问题。②数字普惠金融总指数、覆盖广度、使用深度和数字化程度指数对黄河流域总体农业绿色全要素生产率、技术进步指数和技术效率指数均有显著的正向影响。数字普惠金融总指数和数字化程度指数对上、中、下游均有显著的正向影响，覆盖广度指数和使用深度指数对中、下游有显著的正向影响，对上游的正向影响不显著。

关键词  数字普惠金融；农业绿色全要素生产率；Global-Malmquist-Luenberger模型；黄河流域

中图分类号  F323.3  文献标识码  A  文章编号  0517-6611（2024）21-0197-06

doi：10.3969/j.issn.0517-6611.2024.21.041

开放科学（资源服务）标识码（OSID）：

Research on the Impact of Digital Inclusive Finance on Agricultural Total Factor Productivity in the Yellow River Basin

YUAN Jia-wei

（Economics and Management School of Yangtze University， Jingzhou， Hubei 434023）

Abstract  Based on provincial panel data in the Yellow River Basin from 2012 to 2021， calculate the green total factor productivity of agriculture in the basin using the Global Malmquist Lunberger model， and empirically analyze the impact of digital inclusive finance on the green total factor productivity of agriculture in the basin. The results indicate that： ① The green total factor productivity of agriculture in the Yellow River Basin is showing an increasing trend， with an average annual growth rate of 2.5%. Among various regions， the average green total factor productivity of downstream agriculture is the highest， the middle reaches are the lowest， and the upstream is at the middle level. Among all provinces （regions）， only Inner Mongolia Autonomous Region has an average agricultural green total factor productivity of less than 1， mainly due to the phenomenon of technological progress being hindered， resulting in a decline in overall agricultural green production technology. The average green total factor productivity of agriculture in other provinces （regions） is greater than 1， and only Shanxi Province has the problem of poor technology transformation and low technology transformation efficiency. ② The total index of digital inclusive finance， coverage breadth， depth of use， and degree of digitization have significant positive effects on the overall agricultural green total factor productivity， technological progress index， and technological efficiency index in the Yellow River Basin. The total index of digital inclusive finance and the degree of digitization index have significant positive impacts on upstream， midstream， and downstream， while the coverage breadth index and depth of use index have significant positive impacts on midstream and downstream， while the positive impact on upstream is not significant.

Key words  Digital inclusive finance;Agricultural green total factor productivity;Global Malmquist Lunberger model;Yellow River Basin

作者简介  袁加伟（1987—），男，江西上饶人，硕士研究生，研究方向：农业保险服务乡村振兴。

收稿日期  2023-12-12

农业是我国经济发展的基础，我国历来重视农业的发展，但长期以来，我国农业的发展模式都以粗放式发展为主。长期的粗放式发展导致我国农业污染严重，土壤肥力下降，土壤板结严重，对我国农业的可持续发展产生不利影响。为促进农业可持续发展，我国政府出台了一系列政策，如中央一号文件等，都提出了要推动农业绿色发展，进而实现农业可持续发展。虽然农业绿色发展的趋势是不可逆的，但由于农业具有弱质性，使得农业绿色转型难度较大，也需要更多的资金支持，而传统金融机构具有较强的趋利性，所提供的金融服务也偏向于第二、三产业，这使得农业绿色发展很难从传统金融机构获得金融支持。数字普惠金融具有较强的普惠性，又兼具数字属性，使得其使用深度和覆盖广度均明显优于传统金融，同时也降低了涉农产业融资的难度，使得农业绿色发展能够获得更多的资金支持。

随着数字技术的发展和环保意识的深入人心，数字普惠金融和农业绿色发展逐渐受到学术界的重视，并成为学术界研究的热点。有关普惠金融的研究起步较早，2010年Sarma［1］利用定量分析的方法对普惠金融的发展进行了测算，并根据测算结果分析各国之间发展的差异。随着信息技术和数字技术的发展，金融逐渐与数字技术融合［2］，使得普惠金融的数字化程度得到提升，进一步促进了数字普惠金融的发展［3］。数字普惠金融的发展使得其具有更高的使用深度和覆盖广度，金融的公平性也获得了进一步提高［4］，偏远地区和欠发达地区能够获得的金融资源也更多，进一步降低了地区间金融发展的差距［5］。数字普惠金融的普惠性和易得性使得各项产业都能够获得金融支持，促进地区经济发展［6］，缩小城乡收入差距，降低收入的不确定性［7］。

随着人们对优质农产品需求的增加，学术界加大了对农业绿色全要素生产率的研究。传统的农业全要素生产率研究并没有将环境污染纳入到具体的分析当中，Pittman［8］最早考虑环境污染问题，他在分析造纸厂全要素生产率的过程当中将污染问题列入了非期望产出当中，为后来的研究提供了方向［9］。现阶段有关农业绿色全要素生产率的分析主要包含对农业绿色全要素生产率的动态演进分析［10］和区域性差异分析［11］等，同时还包括农业劳动力老龄化［12］、环境规制［13］、农业保险发展［14］和农业社会化服务［15］等对农业绿色全要素生产率的影响。因此，笔者根据黄河流域2013—2021年数字普惠金融和农业绿色生产的面板数据，运用Global-Malmquist-Luenberger（GML）模型测算该流域农业绿色全要素生产率，运用Tobit模型分析该流域数字普惠金融对农业绿色全要素生产率的影响。

1  变量选取及模型设定

1.1  变量选取及数据来源

1.1.1  粮食绿色全要素生产率变量选取。

参考王亚飞等［16］和沈洋等［17］的研究成果，依据数据的可得性，选取农业机械总动力、有效灌溉面积、化肥施用量、农村用电量、农作物播种总面积、第一产业从业人员、农用塑料薄膜使用量、农药使用量、农用柴油使用量作为投入变量，选取农业总产值作为期望产出，农业碳排放量作为非期望产出，并构建相应指标体系（表1）。

按照李波等［17］的研究成果，该研究建立了一个估算公式，并给出了农业碳排放源及系数表，以便更好地了解农业碳排放情况。估算公式如下：

E=Ei=Ti×γi（1）

式中：E为农业的碳排放总量；Ei为各种碳源的碳排放量；Ti为各碳排放源的量；γi为各碳排放源的碳排放系数。经过研究，分别归纳出农业碳排放系数，化肥使用量、农药施用量、农用塑料波摸使用量、农用柴油使用量、农作物总播种面积、有效灌溉面积的系数分别为0.895 6 kg·kg-1、4.934 1 kg·kg-1、5.18 kg·kg-1、0.592 7 kg·kg-1、312.6 kg·km-2、20.476 kg·hm-2。

1.1.2  Tobit回归模型变量选取。

参考唐勇等［19］和张启文等［20］的研究，将黄河流域农业绿色全要素生产率作为被解释变量，将数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数作为解释变量，并进行取对数处理，选取地区经济结构、财政支农占比和受灾率作为控制变量，具体指标选取见表2。

1.1.3  数据来源。

该研究所用数据中，数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数来源于《北京大学数字普惠金融指数（2011—2021）》，其余数据均由《中国统计年鉴》《中国农村统计年鉴》和《中国人口与就业统计年鉴》整理得来。

1.2  模型构建

1.2.1  Global-Malmquist-Luenberger模型。

Fre等［21］首先利用DEA方法来统计Malmquist指标，从而使DEA模式可以有效地解析。Chung等［22］进一步在Malmquist模式的基石上引入了方向距离函数，并将其转化为Malmquist-Luenberger（ML）指数。具体如下：

MLt+1t=（MLt×MLt+1）12=

1+Dt（xt，yt，bt;yt，-bt）