The Mechanism and Promotion Path of the Impact of Digital Agriculture on the Achievement of the Goal of Building a Strong Agricultural Country——Empirical Testing Based on the Perspective of Building a Strong Agricultural Province
-
摘要:
中国农业大而不强，实现由农业大国向农业强国跨越迫在眉睫。数字技术方兴未艾，成为推动国民经济发展的新动能。加快数字技术与农业融合，发展数字农业，是中国由农业大国迈向农业强国的必然选择。基于农业强省建设视角，实证检验数字农业促进农业强国建设的作用机制与推进路径以及财政支农对数字农业发展的影响，发现数字农业对农业强国建设目标的实现具有U型非线性影响，并且数字农业还通过促进新型农业经营主体和农业绿色产业发展间接推动农业强国建设目标的实现；财政支农通过促进数字农业发展赋能农业强国建设目标的实现。要实现农业强国建设目标，应大力发展数字农业，加快农业信息化建设；发展数字农业须持续投入，久久为功，要因地制宜地建立科学合理的数字农业投入机制，数字农业促进农业强国目标实现的作用彰显的地区应逐步引入市场机制，推动数字农业高质量发展，其他地区要加大财政支持数字农业力度，中央政府应为中西部欠发达地区提供数字农业发展专项支持；要以发展农民专业合作社为代表的新型农业经营主体和农业绿色产业为抓手，着力推进新型农业经营主体发展农业绿色产业，并提高其产前、产中和产后信息化水平。
Abstract:China's agriculture is large but not strong, and it is urgent to achieve a leap from a large agricultural country to an agricultural powerhouse. Digital technology is in the ascendant and has become a new driving force for promoting the development of the national economy. Accelerating the integration of digital technology and agriculture, and developing digital agriculture is an inevitable choice to help China's transition from a large agricultural country to an agricultural powerhouse. Based on the perspective of building a strong agricultural province, this study empirically examines the mechanism and promotion path of digital agriculture's impact on the achievement of the goal of building a strong agricultural country. Research has shown that digital agriculture has a U-shaped nonlinear impact on achieving the goal of building a strong agriculture. In addition to directly affecting the achievement of the goal of building a strong agriculture, digital agriculture also indirectly promotes the achievement of the goal of building a strong agriculture by promoting new agricultural business entities and the development of agricultural green industries. Financial support for agriculture is achieved by promoting the development of digital agriculture and empowering the construction of a strong agriculture. To achieve the goal of building a strong agriculture, we should vigorously develop digital agriculture and accelerate the construction of agricultural informatization; the development of digital agriculture requires continuous investment and long-term achievements. A scientific and reasonable digital agriculture investment mechanism should be established according to local conditions. Regions where digital agriculture plays a prominent role in promoting the goal of becoming a strong agricultural country should gradually introduce market mechanisms to promote high-quality development of digital agriculture. Other regions should increase financial support for digital agriculture, and the central government should provide special support for the development of digital agriculture in underdeveloped areas in central and western China; we should take the development of new agricultural business entities represented by farmers' professional cooperatives and agricultural green industries as the starting point, focus on promoting the development of agricultural green industries by new agricultural business entities, and improve the information technology level of their pre-production, production and post-production.
-
一. 问题提出
中国是农业大国，2022年中国粮食总产量达到6.87亿吨，连续7年超过6.5亿吨，肉、蛋、菜、果、鱼等农产品产量长期高居世界榜首，堪称世界第一农业大国。但中国还不是农业强国，2022年第一产业就业人数1.77亿人，平均每个农民只能养活7.98个中国人，与农业强国荷兰平均每个农民可以养活13.68个荷兰人的先进水平相去甚远，而且面临高达1 378亿美元的农产品贸易逆差。同时，中国农业还面临严重的环境污染，镉等重金属污染成为重要的土地污染源，四等及以下耕地面积占比高达68.76%[1]。2017年中国农业源化学需氧量1 067.13万吨、氨氮排放量21.62万吨、总氮排放量141.49万吨、总磷排放量21.20万吨，分别达到全国水污染物排放总量的49.77%、22.44%、46.52%和67.22%[2]。2018年《中共中央 国务院关于实施乡村振兴战略的意见》和《乡村振兴战略规划(2018—2022年)》均明确提出，要“加快实现由农业大国向农业强国转变”。2018年9月，习近平总书记在第十九届中共中央政治局第八次集体学习时也特别强调，要“实现农业大国向农业强国跨越”。党的二十大报告提出“加快建设农业强国”，摆脱农业大而不强的局面是中国当前乃至今后相当长一段时间“三农”工作的重要任务。2022年1月，中央网信办、农业农村部等十部委联合印发《数字乡村发展行动计划(2022—2025年)》，提出加快推进数字乡村建设，充分发挥信息化对乡村振兴的驱动引领作用，整体带动和提升农业农村现代化发展。党的二十大提出建设数字中国，2022年“中央一号文件”提出深入实施“数商兴农”和“互联网+”农产品出村进城工程，鼓励发展农产品电商直采、定制生产等模式，建设农副产品直播电商基地。数字农业能否推动农业强国建设？数字农业推动农业强国建设的作用机制是怎样的？政府应该怎么支持数字农业发展，进而实现农业强国建设目标？这些都是重大且迫切需要解决的理论和现实问题。
本文将对以上问题展开研究，首先通过文献回顾，简要介绍学界对农业强国概念、特征及评价指标、实现路径的研究，为本文研究奠定理论基础；然后从理论上阐述数字农业对农业强国建设目标实现的影响及其作用机制、财政支农对数字农业发展的影响，为建立计量模型提供理论依据；进而介绍计量模型、研究方法、变量选择及数据来源，基于2013—2021年省域面板数据实证分析数字农业对农业强国建设目标实现的影响及其作用机制、财政支农对数字农业发展的影响，并进行稳健性、异质性检验；最后给出研究结论与政策建议，为政府制定发展数字农业促进农业强国建设的政策提供理论依据。本研究旨在丰富和发展农业强国建设理论，并为制定农业强国建设相关政策提供决策参考。
二. 文献回顾
近年来，学术界就中国建设农业强国问题展开了深入研究。
一 农业强国的内涵
魏后凯、崔凯认为，农业强国是基于国际比较的多维动态概念，若一国农业整体或优势部门的现代化水平位居世界前列，并能引领世界农业发展，即可称为农业强国[3]。黄祖辉、傅琳琳提出，农业强国的基本内涵是“农业强、农村美、农民富”[4]。高强、周丽提出，建设农业强国的战略内涵主要是依靠自身力量解决中国人民吃饭问题，对内改变农业在国民经济中的短板地位，对外彰显中国农产品在国际市场中的竞争优势，实现农业高质量发展、农业农村现代化、农民农村共同富裕[5]。姜长云等认为，通过先进的农业科技和生产方式以及强有力的支持保护政策，实现极高的农业劳动产出效率、土地产出效率及资源配置效率，并最终表现出强大的农产品产出能力、供给能力，在全球农业格局中有充分的产品竞争力和强大的贸易话语权，构成对农业强国最凝练的表达[6]。从学者们对农业强国内涵的研究来看，农业强国应具备五个要素：一是强大的供给保障能力，能以自给或贸易方式满足国民对粮食及重要农产品的需求；二是强大的国际竞争力，在农产品贸易中保持贸易顺差；三是强大的科技创新能力，强大的供给保障能力建立在科技进步而不是大量消耗土地、劳动等传统生产要素的基础上；四是强大的可持续发展能力，本国农业发展具有可持续性，不是靠破坏环境等短期行为而出现的“昙花一现”；五是资源利用率高，即本国农业发展模式是节约资源的集约型发展模式，能高效利用土地、劳动、水以及化肥、农药、农膜、柴油、电力等资源。笔者认为，农业强国就是以强大的供给保障能力、科技创新能力、可持续发展能力和国际竞争力为支撑，采用集约型发展模式，在全球农产品生产与供给中具有重大影响力的国家。
二 农业强国的特征及评价指标
学者们根据自己对农业强国特征的认识来设计评价指标体系。魏后凯、崔凯等将农业强国的共性特征概括为“四强一高”，即农业供给保障能力强、农业科技创新能力强、农业可持续发展能力强、农业竞争力强和农业发展水平高，主张从农业供给保障能力、科技创新能力、可持续发展能力、竞争能力四个方面来评价农业强国建设程度[7]。黄祖辉、傅琳琳则把农业强国的关键性指标概括为“五高一低”，即农业科技进步贡献率高、农产品商品率高、土地产出率高、劳动生产率高、资源利用率高和农业劳动力比重低，主张从农业科技进步贡献率、农产品商品率、土地产出率、劳动生产率、资源利用率、农业劳动力比重来评价农业强国建设程度[4]。此外，唐仁健认为供给保障安全可靠、科技创新自立自强、设施装备配套完善、产业链条健全高端、资源利用集约高效、国际竞争优势明显是农业强国的基本特征[8]，许竹青则认为农业科技高水平创新、产业链条健全高端是农业强国的突出标志[9]。笔者认为，应从产业强国的视角看待农业强国的特征，农业强国地位是农业生产技术(包括种业)研发、农业生产、农产品加工、流通与消费等环节以及涉农领域配套等多方面造就的，农业强国评价指标体系的构建应妥善处理指标之间的边界和逻辑，指标的选择应具备可操作性，以发挥对农业强国建设实践的导向作用。
三 农业强国的实现路径
学者们主要从体系、政策支持与创新、产业融合以及发展模式转变等方面探讨了农业强国的实现路径。
1.加强体系建设。要建立和完善农业强国支撑体系，建立现代农业三大体系和双层经营体系，发展新型农业集体经济，统筹土地规模经营和服务规模经营，加快形成具有中国特色的农业适度规模经营体系[4, 7, 10]，建构政府、市场、行业组织“三位一体”的农业统一大市场体系[4]。
2.强化政策支持和科技创新。巴西从农业大国转变为农业强国是由国家驱动的创新和相关政策推动的[11]，中国应创新农业补贴和保障手段，明确科技、人才等方面的扶持重点，以建设农业强省、农业强市、农业强县为主抓手，提升农业发展内生能力，增强农业发展韧性[7]，实施科教兴国带动农业强国战略，藏粮于民、于地、于技，培育重要农产品供给保障能力和农业创新力、竞争力、可持续发展能力，筑牢粮食和重要农产品安全稳定供给底线[4, 6-7, 10]。
3.促进产业融合。应推进农业现代化与工业化、城镇化、信息化协调发展，增强农业产业链、供应链的韧性和稳定性[4, 10]。
4.推动农业绿色发展。应坚持人与自然和谐共生，实现农业生产绿色转型[10]。
上述研究从不同角度对农业强国建设进行了较为深入的探讨，为本文研究提供了重要的理论来源和参考借鉴，但现有研究尚未涉及省域层面。中国幅员辽阔，地域差异大，各地资源禀赋和农业发展程度不尽相同，需因地制宜才能把建设农业强省、农业强市、农业强县落到实处。此外，从研究方法来看，现有研究大多采用思辨式定性研究，鲜有定量分析农业强国建设目标实现的影响因素及其作用机制的实证研究文献。本文基于现有文献进一步厘清农业强国的内涵，构建省域农业强国建设目标实现程度评价指标体系，然后利用2013—2021年中国省域面板数据，实证分析数字农业对农业强国建设目标实现的影响因素及其作用机制，以及财政支农对数字农业发展的影响，为政府制定农业强国建设政策提供决策依据。
三. 理论分析与研究假设
数字农业是以数据作为关键生产要素，通过有效应用大数据、物联网、云计算、区块链等数字技术，实现农业生产、流通、消费等环节的数字化，推动传统农业向现代农业转型的一系列经济活动。
一 数字农业促进农业强国非线性发展
1 基于交易成本理论的分析
云计算和大型数据库有助于精准农业的发展[12]。数字技术广泛、深入渗透到农产品的生产、消费等全产业链各环节，降低了农产品生产者和消费者的信息搜寻成本，缓解甚至消除了农产品生产与消费之间的信息不完全、不对称，从生产和消费两个方面推动着农业发展。数字农业加快了先进农业生产技术的推广普及，为农民采用节约资源、环境友好的生产资料和技术提供了可能，促进了农业科技进步。数字农业使用通信、信息和空间分析技术使农业生产者能够有计划地检测和管理农业生产运营的全过程[13]，减少了浪费，降低了农业生产经营成本，提高了市场竞争力。在俄罗斯，农业企业采用数字商业模式可以提高通信效率和劳动生产率，降低企业的交易成本，进而影响俄罗斯食品的竞争力[14]。在农工综合体中使用数字技术不仅会增加生产和出口量，还会提高产品的竞争力[15]。同时，数字农业作为数字经济与农业深度融合的一种新型农业发展模式，对提高农业效率、提升农产品品质、降低商业市场和政府服务的交易成本、减少信息不对称以及实现农业高质量发展具有重要作用[16]。合理利用信息技术可以使农工综合体的效率几乎翻一番[15]。在农业领域，数字工具可以通过积极影响获取信息的能力以及联结农民和购买者来克服空间障碍，从而改善进入商业市场的机会[17]。通过互联网，生产者能够方便地获取消费者对农产品的品质及数量需求，消费者能够低成本地追溯到农产品生长发育各环节所处的环境条件及相应的要素投入[13, 18-19]，以判断该产品是否符合自己的要求。由于信息传播的广泛性、迅速性和低成本性，农产品生产、加工过程中的任何不法行为(比如违规添加、使用禁用农药、过量使用限用农药和添加剂等)极易被曝光，为同行和消费者所知晓，从而为公众、舆论有效监督创造了条件。这将迫使生产者按照消费者的需求生产健康、环保的绿色农产品，实现农产品有效供给。此外，数字技术嵌入农业要素配置体系可以实现资源利用绿色化[20]。发达国家发展绿色农业的经验表明，在使用数字信息技术和管理模式的基础上通过减少化肥、农药的施用以及化石能源的消耗，可以促进农业绿色发展[21]，提高农业的资源利用率。发展中国家农业发展的经验也表明，数字农业可以减少化肥、农药以及水资源的消耗，节约劳动，实现农业的绿色发展转型[22]，促进农业可持续发展。从资源配置的角度看，数字技术通过减少劳动力和资本的错配，显著促进了农业的可持续发展[23]。
2 基于挤出效应理论和创新补偿效应理论的分析
数字农业是数字技术渗透到农业生产经营活动中，与农业生产经营相融合的产物。数字技术与农业生产经营的融合不仅需要时间，而且是有成本的。数字经济对实体经济的影响是一种相互协同、相互作用的演化进程，当数字经济发展与实体经济相融合的水平较低时，将负向影响实体经济[24]。因此，尽管数字农业可以促进农业强国建设，但发展数字农业尤其是数字农业基础设施建设、农产品全产业链数据的采集与分析等方面需要投入大量资源，在资源紧约束条件下，将产生“挤出效应”——用于发展数字农业的投入将挤占用于农业其他领域的投入，从而发展数字农业将抑制农业强国建设。与此同时，数字农业发展降低了农业生产技术研发和转化、农产品生产与消费的交易成本，实现了先进农业生产技术的开发与需求、绿色农产品生产与消费的有效对接，推动农业科技进步和绿色农产品生产，将产生“创新补偿效应”，增加农产品有效供给，进而促进农业强国建设。当“挤出效应”占主导地位时，数字农业对农业强国建设的影响表现为抑制作用；当“创新补偿效应”占主导地位时，数字农业对农业强国建设的影响表现为促进作用。此外，数据具有“不可分性”或“粘连性”，在其投入再生产过程时需要“整体性”投入，达到一定数量才具有存在的意义和价值，即通过数据量变实现效率质变[25]。因此，在数字农业发展的起步阶段，数字农业对农业强国建设目标的实现具有抑制作用；在发展到一定规模后，数字农业对农业强国建设目标的实现具有促进作用。鉴于此，本文提出如下假说：
H1 数字农业对农业强国建设目标的实现具有U型非线性影响。
二 数字农业影响农业强国建设目标实现的机制
1 以新型农业经营主体为中介
近年来，以农民专业合作社为代表的新型农业经营主体能以其较大的生产经营规模摊薄采用现代数字技术的成本，这为新型农业经营主体采用现代信息技术、数字技术改善农产品质量、品牌运营与农产品营销提供了可能，进而提高了新型农业经营主体的运营绩效。因此，数字农业促进了农业规模化经营[26]，进而推动了新型农业经营主体的发展。同时，相对于普通农户，新型农业经营主体在大规模生产、商业运营和技术创新方面具有显著的比较优势，这可能会促使它们共同采用环境友好、资源节约型的生产运营模式[27-29]，推动了农业绿色发展，有利于农业强国建设目标的实现。总之，现代数字技术融入农业为新型农业经营主体生产绿色农产品创造了条件，新型农业经营主体生产绿色农产品则将促进中国农业强国建设目标的实现。因此，数字农业影响农业强国建设存在以下作用机制：数字农业促进了新型农业经营主体的发展，新型农业经营主体的发展推动了农业强国建设(为了便于表述，下文以“数字农业→新型农业经营主体→农业强国建设”表示)。鉴于此，本文提出如下假说：
H2 数字农业对新型农业经营主体发展具有显著的正向影响。
H3 新型农业经营主体发展对农业强国建设目标实现具有显著的正向影响。
2 以农业绿色产业发展为中介
数字技术降低了绿色农产品生产技术的推广普及成本，加速了绿色农产品市场需求信息的传播和扩散，方便了公众对绿色农产品生产的监督，降低甚至消除了绿色农产品消费市场“劣币驱逐良币”的可能，为绿色农产品的大规模生产创造了条件，促进了重要农产品的有效供给。有研究表明，数字技术的使用除了对农民的低碳生产行为有直接影响外，还通过影响农民的风险认知间接影响农民的低碳生产行为[30]。农业绿色产业发展提高了中国农业生产中绿色生产的比重，推动了中国农业绿色发展转型[31]，有利于农业强国建设目标的实现。因此，数字农业影响农业强国建设存在以下作用机制：数字农业促进了农业绿色产业发展，农业绿色产业发展推动了农业强国建设(为了便于表述，下文以“数字农业→农业绿色产业发展→农业强国建设”表示)。同时，考虑到“挤出效应”和“创新补偿效应”的存在，本文提出如下假说：
H4 数字农业对农业绿色产业发展具有显著的U型非线性影响。
H5 农业绿色产业发展对农业强国建设目标实现具有显著的正向影响。
三 财政支农支持数字农业
数据的开放共享和高渗透性使生产要素能够压缩时空距离，在不同平台和区域之间完全流动，数字经济具有显著的空间溢出效应[32]。农业具有天然的弱质性，农业投资具有投资需求量大、周期长、见效慢的特点。当前，农业经营主体仍以农民家庭超小规模经营为主，新型农业经营主体总体上规模小、实力弱，无力对农业特别是对外部性明显、公益属性强的数字农业进行大规模投资。这在客观上要求政府进行投资，并以公共产品和公共服务的形式提供给农业生产者。事实上，地方财政对农业的支持可以促进信息、技术和人才在当地的集聚[33]，这在一定程度上弥补了市场机制造成的数字农业资源投入的不足，有利于数字农业发展。因此，地方政府对农业的财政支持力度将影响当地数字农业的发展水平。鉴于此，本文提出如下假说：
H6 财政支农对数字农业发展具有显著的正向影响。
综上所述，数字农业促进农业强国建设的作用机制与推进路径如图 1所示。
四. 变量选择、研究方法与模型设定
一 变量选择
1 农业强国评价指标体系
本文参考魏后凯和崔凯[7]、许竹青[9]等学者的研究成果，结合中国省域农业经济发展实际以及数据的可得性，设计省域农业强国发展目标实现程度的评价指标体系，如表 1所示。
表 1 省域农业强国建设目标实现程度的指数评价指标体系一级指标 二级指标 正/逆向 供给保障能力 人均农林牧渔业增加值 + 市场竞争力 劳动生产率 + 土地生产率 + 农产品显示性比较优势指数 + 人均耕地面积 + 产业链条健全高端程度 + 农业产业高级化程度 + 科技创新能力 农业科技进步贡献率 + 农业机械化水平 + 专利申请量 + 可持续发展能力 农田有效灌溉面积占比 + 成灾面积占比 - 森林覆盖率 + 单位面积绿色食品标识产品数量 + 单位面积绿色食品有效用标企业数 + 单位面积化肥施用强度 - 资源利用率 单位面积农药施用强度 - 单位播种面积农膜使用强度 - 单位农业产值用水量 - 单位农业产值用电量 - 单位农业产值柴油消耗量 - 单位农业产值劳动消耗量 - 单位农业产值土地消耗量 - 注: 正/逆向表示指标与农业强国建设目标实现程度关系的方向，“+”表示正向；“-”表示逆向。下同。 供给保障能力。表征关键指标是人均农林牧渔业增加值(按常住居民人口数量平均的农林牧渔业增加值)，是从价值尺度来描述供给保障能力。人均农林牧渔业增加值越高，意味着当地第一产业产出的农产品越多，越能自给或通过贸易方式满足本地居民对粮食或其他重要农产品的需求。
市场竞争力。表征关键指标包括：(1)劳动生产率(按第一产业就业人口数量平均的农林牧渔业增加值)。劳动生产率越高，单位价值农产品耗费的劳动就越少，农产品市场竞争力就越强。(2)土地生产率(按耕地面积平均的农林牧渔业增加值)。土地生产率越高，单位价值农产品耗费的土地就越少，农产品市场竞争力就越强。(3)农产品显示性比较优势指数。农产品显示性比较优势指数越高，农产品国际市场竞争力就越强。(4)人均耕地面积(按第一产业就业人口数量平均的耕地面积)。人均耕地面积表征配置给每个农业劳动者自然资源的数量，配置给每个农业劳动者的自然资源越多，越有可能实现农业规模化经营，农产品市场竞争力就越强[34]。(5)产业链条健全高端程度(农产品加工业主营业务收入/农林牧渔业增加值)，表征农产品产值增值程度。农产品产值增值程度越高，农产品市场竞争力就越强。(6)农业产业高级化程度(农林牧渔业服务业增加值/农林牧渔业增加值)。农林牧渔业服务业增加值是农业生产经营服务所创造的价值，农林牧渔业增加值中农林牧渔业服务业增加值占比高，意味着农村产业结构升级提升了农村经济的韧性[35]，增加了农民的收入[36]。农产品显示性比较优势指数(RCA)计算公式如式(1)所示：
RCA=Xi/XtWi/Wt (1) 其中，Xi表示某地区农产品出口值，Xt表示某地区商品出口总值；Wi表示世界农产品出口值，Wt表示世界商品出口总值。
科技创新能力。表征关键指标包括：(1)农业科技进步贡献率。(2)农业机械化水平(单位主要农作物播种面积农用机械总动力)。机械化程度越高，意味着现代科技技术装备农业的程度越高。(3)专利申请量(每万常住居民专利申请量)。专利申请量越高，说明创新活动越活跃。
本文在进行农业科技进步贡献率的测算时，借鉴陶群山等[37]的测量方法，采用农业生产函数来测度各省农业科技进步率。
y=Axβ11xβ22xβ33xβ44 (2) 其中，y为各地区农林牧渔业增加值(亿元)，x1为耕地面积(千公顷)，x2为第一产业就业人数(万人)，x3为农用机械总动力(万千瓦)，x4为农业化肥施用折纯量(万吨)，A为农业科技进步指标，β表示投入要素的产出弹性，即βi表示在其他要素投入量不变的情况下，第i种投入要素投入量增加1%时，产出将增加βi%。
对式(2)两边取自然对数，得式(3)：
lny=lnA+β1lnx1+β2lnx2+β3lnx3+β4lnx4+ε (3) 基于2013—2021年省级面板数据，采用双向固定效应模型估计出回归系数β1、β2、β3、β4，然后将各地区对应年份的农林牧渔业增加值、耕地面积、第一产业就业人数、农用机械总动力、农业化肥施用折纯量代入式(3)，得到对应的农业科技进步指标，如式(4)所示：
Ait=elnyit−β1lnx1it−β2lnx2it−β3lnx3it−β4lnx4it (4) 可持续发展能力。表征关键指标包括：(1)农田有效灌溉面积占比(有效灌溉面积/耕地面积)。农田有效灌溉面积占比越高，农业生产的抗旱能力越强。(2)成灾面积占比(成灾面积/农作物总播种面积)。成灾面积占比越高，农业生产抗灾减灾能力越弱。(3)森林覆盖率。森林覆盖率越高，说明生态环境越好，农业可持续发展能力越强。(4)单位面积绿色食品标识产品数量(绿色食品标识产品数量/农作物总播种面积)。(5)单位面积绿色食品有效用标企业数(绿色食品有效用标企业数量/农作物总播种面积)。单位面积绿色食品标识产品数量、单位面积绿色食品有效用标企业数量越多，农业绿色发展程度越高，农业可持续发展能力越强。
资源利用率。表征关键指标包括：单位面积化肥施用强度(农用化肥施用折纯量/农作物总播种面积)、单位面积农药施用强度(农药使用量/农作物总播种面积)、单位播种面积农膜使用强度(农用塑料薄膜使用量/农作物总播种面积)、单位农业产值用水量(农业用水量/农林牧渔业增加值)、单位农业产值用电量(农业用电量/农林牧渔业增加值)、单位农业产值柴油消耗量(农用柴油使用量/农林牧渔业增加值)、单位农业产值劳动消耗量(第一产业就业人数/农林牧渔业增加值)、单位农业产值土地消耗量(耕地面积/农林牧渔业增加值)。单位面积化肥施用强度、农药施用强度、农膜使用强度越低，单位农业产值用水量、用电量、柴油消耗量、劳动消耗量、土地消耗量越小，说明资源利用越高效。
2 数字农业发展程度测算指标体系
本文借鉴Jiang等[32]的方法，同时考虑农产品和农业生产资料交易的特殊性和相关数据的可得性，从基础设施、信息化发展、互联网发展和数字交易发展四个维度构建数字农业发展程度评价指标体系，具体如表 2所示。
表 2 数字农业发展程度评价指标体系主指标 一级指标 二级指标 测度指标 单位 正/逆向 数字农业发展指数 基础设施指标 交通基础设施 公路密度：每平方公里国土公路里程 公里/平方公里 + 邮政快递基础设施 邮政投递里程密度：每平方公里国土农村投递路线 公里/平方公里 + 邮政农村每周平均投递次数 次 + 已通邮的行政村比重 % + 信息化发展指标 信息化基础 光缆线路密度 千米/平方千米 + 人均移动电话交换机容量 户/人 + 信息传输、软件和信息技术服务业城镇单位就业人员占比 % + 电话普及率(包括移动电话) 部/百人 + 农民数字素养：交通通信年消费支出 元/人 + 信息化影响 电信业务总量占地区GDP比重 % + 软件业务收入占地区GDP比重 % + 互联网发展指标 互联网基础 互联网宽带接入端口密度 个/人 + 域名数 万个 + 人均宽带接入用户数 户/人 + 互联网影响 网页数 万个 + 数字交易发展指标 数字交易基础 每百家企业拥有网站数 个 + 有电子商务交易活动的企业数比重 % + 数字交易影响 电子商务销售额占地区GDP比重 % + 电子商务采购额占地区GDP比重 % + 人均快递业务收入 元/人 + 人均快递量 件/人 + 网络支付数量及规模 - + 淘宝村数量 个 + 注：本文采用郭峰等[38]编制的北京大学数字普惠金融指数来衡量网络支付数量及规模；①淘宝村数据来自阿里研究院。 3 地方财政支农
地方财政支农是指地方政府一般财政预算支出中用于农林水事务的支出。考虑到地区间农业规模的差异性，本文用平均分摊在每个农业劳动力上的劳均地方财政支农支出来衡量地方财政对农业的支持力度。
4 农业绿色产业
农业绿色产业是指以生产绿色农产品(包含无公害农产品和有机农产品等)为目标，采用产业化经营模式的农业。考虑到各地农业规模各异，本文采用中国绿色食品发展中心发布的各省(市、自治区)单位面积绿色食品标识产品数量(个/千公顷)作为当地农业绿色产业发展水平的代理变量。
5 新型农业经营主体
农民专业合作社的成员既有普通农户，又有家庭农场，还有企业成员和其他成员[39]，是包容性很强的一种新型农业经营组织。截至2021年11月底，全国依法登记的农民专业合作社达到221.9万家，普通农户成员达5 737万余户，占全国农户总量的33.04%，②其中县级及以上示范社达16.8万家，是农业适度规模经营的主要形式，是乡村振兴、农业强国建设的主体力量。考虑到各地农业规模参差不齐，本文以每万农业就业人员拥有的农民专业合作社的家数(PCOOP)作为当地新型农业经营主体的代理变量。
6 控制变量
考虑到中国农业强国建设目标实现的实际情况，本文选择以下变量为控制变量。
农业产业集聚。农业产业集聚可以产生规模经济效应、规模外部性效应和行业外部性效应，进而对农业绿色发展效率产生影响[40]，在一定范围内有助于农业强国建设。本文采用区位熵来测算农业产业集聚程度，即用某省(市、自治区)农业产值与全国农业产值之比除以该省(市、自治区)生产总值与全国生产总值之比所得的商来表示。
城市居民恩格尔系数。恩格尔系数反映一个国家或地区居民生活富裕程度，居民生活越富裕，对农产品品质的要求越高，倒逼农产品生产者提高农产品品质，增强农产品市场竞争力，提高农产品有效供给能力。考虑到中国城市化进程已经进入中期阶段(2021年中国城市化率达到64.72%)，农产品商品化程度高，本文采用城市居民恩格尔系数(城市居民食品烟酒消费支出在消费支出中的占比)作为居民生活富裕程度的代理变量。
每万农业就业人员拥有的农民专业合作社家数。农民专业合作社是最具有包容性的新型农业经营组织，是农业适度规模经营的主要形式。农民专业合作社的发展壮大意味着农业生产逐步摆脱小农经济模式，能够更好地发挥规模经营的优势，摊薄先进农业生产技术引进、推广和普及成本，提高与农业产业链上下游交易主体的谈判地位，实现农产品品牌化经营，有利于农产品有效供给和农业科技进步以及市场竞争力的提高。
环境规制强度。在环境规制下，农业经营者必须遵守相关环境法规要求，并支付高昂的环境保护成本，这有利于促进当地和邻近地区的农业绿色发展[32]。根据“强波特假说”，环境监管强度越高，越有利于遏制农业碳排放[41]; 但如果环境监管重处理、轻预防，忽视环境友好型农业生产技术的研发与推广普及，那么即使抑制了农业污染排放，也会限制甚至妨碍农业生产经营正常进行，不利于农产品有效供给。因此，尽管环境规制对农业强国建设目标实现的影响方向有待检验，但毋庸置疑会产生影响。本文采用工业污染治理投资完成额与第二产业增加值之比作为环境规制强度的代理变量。
农业绿色产业。农业绿色产业具有生态环保、可持续性强的特征，农业绿色产业发展可以为消费者提供绿色、健康的高品质农产品，有利于提高农产品有效供给能力。
二 数据来源
本文所使用的数据，除另有说明外，均来源于国家统计局网站和各省(市、自治区)统计局网站以及2014—2022年《中国农村统计年鉴》《中国人口统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》《中国农村经营管理年报》《中国农村合作经济统计年报》。绿色食品有效用标企业(三年有效)数据来自2014—2022年《中国绿色食品年报》；世界农产品出口值和商品出口值数据来自世界贸易组织数据库。上述数据均采用各地区以2010年为基期的消费物价定基指数进行去通货膨胀处理。
三 研究方法
在多指标综合评价中，相比主成分法等权重确定方法，熵值法更适合对多个时间段不同研究对象进行评价。因此，本文首先基于熵值法计算各二级指标动态权重，对各二级指标进行加权，得出各一级指标；然后基于等值权重法对各一级指标进行加权，得出不同地区不同年份数字农业发展水平综合指数。具体计算步骤如下。
第一步，对各原始指标进行标准化处理。采用极差法对各原始指标Xij进行去量纲化和同向化处理，使数据大小保持在[0, 1]区间。本研究采用线性去量纲法，具体方法为：
正向指标: Xij=aij−min (5) \text { 负向指标: } X_{i j}=\frac{\max a_{i j}-a_{i j}}{\max a_{i j}-\min a_{i j}} (6) 式(5) (6)中，aij表示第i个一级指标中的第j个二级指标的原始值；Xij表示第i个一级指标中的第j个二级指标的标准化值。
第二步，为了避免去量纲化处理时出现零值的情况，当Xij=0时本文令Xij=0.000 01，对数据进行归一化处理：
p_{i j}=\frac{X_{i j}}{\sum\limits_{i=1}^m X_{i j}} (7) 式中，m为评价年度。
第三步，计算指标Xij的熵值系数ej和差异系数dj：
e_j=-\frac{1}{\ln m} \sum\limits_{i=1}^m p_{i j} \ln p_{i j} (8) d_j=1-e_j (9) 可见，熵值ej越小，指标间的差异系数dj越大，该指标就越重要。
第四步，进一步求得指标的Xij权重，n为指标个数：
w_j=\frac{d_j}{\sum\limits_{j=1}^n d_j} (10) 第五步，求得第i个一级指标的发展评价综合得分：
S_i=\sum\limits_{j=1}^n w_j p_{i j} (11) 第六步，在求得第i个一级指标的发展评价综合得分的基础上，采用等值权重法，得到不同地区不同年份数字农业发展水平综合指数以及农业强国建设目标实现综合指数。
四 模型设定
1 基准模型
本文被解释变量为农业强国建设目标实现综合指数(APDI)，核心解释变量为数字农业(DA)，控制变量为农业产业集聚(AIA)、城市居民恩格尔系数(ENGU)、每万农业就业人员拥有的农民专业合作社家数(PCOOP)、环境规制强度(ER)和农业绿色产业(DAGI)。考虑到数字农业对农业强国建设目标实现的影响有可能是非线性的，本文基于2013—2021年中国30个省(市、自治区)③的面板数据建立如式(12)所示的计量分析模型，来分析数字农业对农业强国建设目标实现的影响(为了避免可能的异方差，本文对每万农业就业人员拥有的农民专业合作社家数作取自然对数处理)：
\begin{array}{l} \ \ \ \ \ \ \mathrm{APDI}_{i, t}=\beta_0+\beta_1 \mathrm{DA}_{i, t}+\beta_2 \mathrm{DA}_{i, t}^2+\beta_3 \mathrm{AIA}_{i, t}+\beta_4 \mathrm{ENGU}_{i, t}+\beta_5 \ln \mathrm{PCOOP}_{i . t}+\beta_6 \mathrm{ER}_{i, t}+\beta_7 \mathrm{DAGI}_{i, t}+ \\ \nu_i+\varepsilon_{i, t} \end{array} (12) 式(12)中，下标i和t分别代表省份和年份，vi代表各省份不可观测的个体固定效应，εi, t代表随机干扰项，服从正态分布，且vi和εi, t不相关。
由式(12)对数字农业(DA)求一阶偏导得到数字农业对农业强国建设目标实现的边际影响，如式(13)所示：
\frac{\partial \mathrm{APDI}_{i, t}}{\partial \mathrm{DA}_{i, t}}=2 \beta_2 \mathrm{DA}_{i, t}+\beta_1 (13) 若β2＞0，数字农业对农业强国建设目标实现具有U型非线性影响。若式(13)＞0，数字农业对农业强国建设目标实现具有正向影响，反之则具有负向影响。
2 数字农业促进农业强国建设的机制检验
(1)“数字农业→新型农业经营主体→农业强国建设目标实现”的机制检验
为了避免遗漏变量引起的估计偏差，本文选择数字农业(DA)、农业产业集聚(AIA)、城市居民恩格尔系数(ENGU)作为控制变量来估计新型农业经营主体发展对农业强国建设目标实现的影响，选择交通便利(TRAF，每平方公里国土公路里程)、城市居民恩格尔系数(ENGU)、劳均农用机械总动力(TPTAM，按第一产业就业人口平均的农用机械总动力)作为控制变量来估计数字农业对新型农业经营主体发展的影响，构建如式(14)和式(15)所示的数字农业促进新型农业经营主体发展推动农业强国建设目标实现的作用机制检验模型(为了避免可能的异方差，本文对农业强国建设目标实现、新型农业经营主体、交通便利指标作了取自然对数处理；考虑到数字农业对新型农业经营主体可能存在的非线性影响，本文引入了数字农业的二次项)：
\ln \mathrm{APDI}_{i, t}=\alpha_0+\alpha_1 \ln \mathrm{PCOOP}_{i, t}+\alpha_2 \mathrm{DA}_{i, t}+\alpha_3 \mathrm{DA}_{i, t}^2+\alpha_4 \mathrm{AIA}_{i, t}+\alpha_5 \mathrm{ENGU}_{i, t}+\nu_i+\varepsilon_{i, t} (14) \operatorname{lnPCOOP}{ }_{i, t}=\beta_0+\beta_1 \mathrm{DA}_{i, t}+\beta_2 \ln \mathrm{TRAF}_{i, t}+\beta_3 \mathrm{ENGU}_{i, t}+\beta_4 \ln \mathrm{TPTAM}_{i, t}+\nu_i+\varepsilon_{i, t} (15) 如果α1、β1均显著地大于0，则说明存在数字农业促进新型农业经营主体发展进而推动农业强国建设目标实现的作用机制。
(2)“数字农业→农业绿色产业→农业强国建设目标实现”的机制检验
为了避免遗漏变量引起的估计偏差，本文选择数字农业(DA)、农业产业集聚(AIA)、城市居民恩格尔系数(ENGU)、环境规制强度(ER)、农村居民受教育程度(EDUR，根据农村居民接受不同类型教育的占比测算：农村居民受教育程度=未上过学占比×0+小学占比×6+初中占比×9+高中占比×12+大专及以上占比×16)作为控制变量来估计农业绿色产业发展对农业强国建设目标实现的影响，选择交通便利(TRAF)、城市居民恩格尔系数(ENGU)、农业产业集聚(AIA)作为控制变量来估计数字农业对农业绿色产业发展的影响，构建如式(16)和式(17)所示的数字农业促进农业绿色产业发展助力农业强国建设目标实现的作用机制检验模型(考虑到数字农业对农业绿色发展、农业强国建设目标实现可能存在的非线性影响，本文引入了数字农业的二次项；同时，为了避免可能的异方差，本文对农业绿色产业、交通便利、农村居民受教育程度、农业强国建设目标实现等指标作了取自然对数处理)：
\begin{aligned} & \quad \ \ \ln \mathrm{APDI}_{i, t}=\alpha_0+\alpha_1 \mathrm{DAGI}_{i, t}+\alpha_2 \mathrm{DA}_{i, t}+\alpha_3 \mathrm{DA}_{i, t}^2+\alpha_4 \mathrm{AIA}_{i, t}+\alpha_5 \mathrm{ENGU}_{i, t}+\alpha_6 \mathrm{ER}_{i, t}+ \\ & \alpha_7 \operatorname{lngDR}_{i, t}+\nu_i+\varepsilon_{i, t} \end{aligned} (16) \mathrm{DAGI}_{i, t}=\beta_0+\beta_1 \mathrm{DA}_{i, t}+\beta_2 \mathrm{DA}_{i, t}^2+\beta_3 \ln \mathrm{ENGU}_{i, t}+\beta_4 \mathrm{AIA}_{i, t}+\beta_5 \mathrm{TRAF}_{i, t}+\nu_i+\varepsilon_{i, t} (17) 如果α1、β2均显著地大于0，则说明存在数字农业促进农业绿色产业发展进而助力农业强国建设目标实现的作用机制。
3 财政支农对数字农业发展的影响检验
为了避免遗漏解释变量偏差，本文选择农业产业集聚(AIA)、R&D经费内部支出占地区生产总值的比重(RD)、农村居民受教育程度(EDUR)作为控制变量。考虑到可能存在的异方差，本文对按第一产业就业人口平均的地方财政一般预算中用于农业的支出(LFE)、农村居民受教育程度(EDUR)进行了对数化处理。在此基础上构建了如式(18)所示的财政支农影响数字农业的检验模型：
\mathrm{DA}_{i, t}=\beta_0+\beta_1 \ln \mathrm{LFE}_{i, t}+\beta_2 \mathrm{AIA}_{i, t}+\beta_3 \mathrm{RD}_{i, t}+\beta_4 \ln \mathrm{EDUR}_{i, t}+\nu_i+\varepsilon_{i, t} (18) 五. 实证结果分析
一 基准回归
常用的面板数据模型有混合模型(POLS)、固定效应模型(FE)和随机效应模型(RE)。如表 3所示，LM检验不拒绝使用混合回归模型的原假设, F检验在5%的显著性水平上拒绝了使用混合回归模型的原假设, 由此可见，应该使用固定效应模型进行最优估计。由表 3可知，数字农业发展水平及其二次项的估计系数均通过了1%的显著性水平检验，且二次项的估计系数大于0，表明从全国总体情况来看，数字农业对农业强国建设具有显著的U型非线性影响，假说H1得到支持。数字农业对农业强国建设边际影响的估计结果如表 4所示④。由表 4可知，从2015年起北京市数字农业对农业强国建设产生了显著的正向影响；从2019年起浙江省、上海市、广东省数字农业对农业强国建设产生了显著的正向影响；2021年福建省、江苏省数字农业也对农业强国建设产生了显著的正向影响，而且这种影响随着时间的推移逐渐增大。其他省份数字农业对农业强国建设的影响仍然是负向影响。可能的原因是，作为一种新的要素，数字对国民经济发展的推动作用日益彰显，政府越来越重视发展数字经济，数字赋能农业成为中国推动农业现代化转型的重要推手，数字农业成为中国“新基建”的重要组成部分；但由于农业比较效益低下，流入农业的资源总量有限，发展数字农业的投入挤占了其他建设农业强国的投入，致使在短期内数字农业发展对农业强国建设的影响表现为负面影响。同时，数字农业具有典型的平台经济效应特征：数字农业平台上用户越多，可供农产品生产者和消费者获取的数据就越多，农产品生产者和消费者就越有可能获得更有价值的信息，更科学地作出农产品生产与消费决策。这会吸引更多的用户，产生更多的数据，有助于进一步提高农产品生产与消费决策的精准性，如此形成良性循环，进而形成基于用户的规模经济或范围经济效应。随着数据的不断积累，农民获得信息、知识和技术的边际成本不断下降，有效产出将不断增加。也就是说，随着数字技术逐步渗透到农业生产与消费领域，推动环境友好型农业生产与消费技术的研究开发与推广普及，数字农业对农业强国建设的积极作用逐渐显现，数字农业对农业强国建设的影响渐趋正向，并且这种正向影响将随着数字农业的发展不断增强。
表 3 模型估计结果FE RE 克服内生性 2SLS LIML 系统GMM L.APDI -0.168 1*** (0.041 1) DA -1.124 5*** -0.414 2** -3.641 4** -0.991 6* -0.686 4** (0.268 2) (0.181 4) (1.457 2) (0.592 7) (0.291 4) DA2 1.887 7*** 0.979 7*** 6.048 1*** 2.238 3* 1.590 0*** (0.426 8) (0.359 5) (3.182 6) (1.316 4) (0.452 1) AIA 0.050 5** 0.014 0 0.142 8** 0.016 5 0.016 7** (0.022 9) (0.009 7) (0.059 0) (0.013 4) (0.008 0) ENGU -0.026 9*** -0.025 3*** 0.133 2 -0.040 8 0.092 6 (0.005 4) (0.005 7) (0.183 4) (0.103 4) (0.120 8) lnPCOOP 0.033 7** 0.001 0 0.106 2 -0.004 9 -0.005 8 (0.013 7) (0.009 1) (0.067 9) (0.010 3) (0.026 1) ER -0.043 7** -0.036 0** -0.087 0* -0.048 5** -0.028 0 (0.017 1) (0.015 7) (0.046 3) (0.021 5) (0.021 8) DAGI 0.014 0** 0.006 1 0.032 6 0.011 7 0.004 3 (0.005 5) (0.008 7) (0.030 9) (0.016 5) (0.012 9) _cons 0.033 0 0.154 0*** - 0.229 7*** 0.182 3* (0.038 4) (0.034 9) - (0.071 5) (0.109 8) F test 1.74** 3.47 LM test 1.57 AR1 -2.539 9** AR2 -0.695 9 Wald chi2 12.78 120.58 Endogeneity test of endogenous regressors 6.274** Sargan statistic 2.608 27.594 3 Cragg-Donald Wald F statistic 3.471 N 270 270 210 210 240 R2 0.090 0 - 0.099 3 0.071 4 - 注：***、**、*分别表示在1%、5%、10%的显著性水平上显著，括号内为稳健标准误，下表同。2SLS对应的F统计量为第一阶段F统计量。 表 4 数字农业对农业强国建设边际影响的估计结果(部分)年份 省份 边际影响 年份 省份 边际影响 2015 北京市 0.016 0 2020 浙江省 0.339 8 2016 北京市 0.075 1 2020 上海市 0.159 6 2017 北京市 0.183 0 2020 广东省 0.128 4 2018 北京市 0.243 3 2021 浙江省 1.087 0 2019 北京市 0.391 3 2021 北京市 0.796 1 2019 浙江省 0.216 3 2021 上海市 0.547 3 2019 上海市 0.067 6 2021 广东省 0.499 8 2019 广东省 0.034 4 2021 江苏省 0.298 2 2020 北京市 0.459 0 2021 福建省 0.035 7 二 内生性问题
内生性问题通常由测量误差、遗漏重要解释变量和互为因果关系引起。本文基于政府统计部门公布的权威数据进行计量分析，可以较好地避免测量误差问题；在计量分析模型中引入若干控制变量可以较好地避免遗漏重要解释变量问题，但仍可能存在互为因果关系引起的内生性问题。农业强国建设是政府农业政策所追求的重要目标，而数字农业有助于推动农业强国建设，所以政府有可能致力于发展数字农业来推动农业强国建设，也就是说政府对农业强国建设目标的追求以及农业强国建设目标的实现有可能反过来影响数字农业的发展(如果通过发展数字农业来促进农业强国建设行之有效，政府有可能加大对数字农业发展的支持力度以促成农业强国建设目标的进一步实现)，即数字农业与农业强国建设互为因果。鉴于此，本文采用工具变量法和系统GMM估计来克服可能存在的内生性问题。
1 工具变量法
当模型中内生变量与误差项相关而产生内生性时，常用的解决思路是根据相关理论分析与数据探索，寻找一个与解释变量相关但与随机误差项不相关的代理变量，即工具变量[42]。通常人们对信息的获取、识别乃至基于信任而采取行动需要一定的时间，因此数字农业建设对农业强国建设目标实现的影响在时间上可能具有滞后性，当前的数字农业发展可能对以后的农业强国建设目标实现产生影响，但当期农业强国建设目标实现不会影响以前的数字农业发展。农村邮递投递线路、人均包裹量、快递营业网点数在一定程度上反映了数字农业的发展，但农业强国建设不会影响农村邮递投递线路、人均包裹量、快递营业网点数，满足了工具变量的外生性要求。本文借鉴胡德龙、石满珍[43]的做法，选取数字农业发展的滞后二期项、农村邮递投递线路(取对数)、人均包裹量、2012年快递营业网点数等作为当期数字农业发展的工具变量，运用面板工具变量法控制内生性问题。由于2012年快递营业网点数是一个截面数据，不能直接用作面板工具变量，本文借鉴Nunn和Qian[44]的做法，用时间变量t(2013年t=1, 2014年t=2，以此类推)与之相乘得到面板数据。由表 3可知，内生性检验在5%的显著性水平上拒绝了“不存在内生性”的原假设；Sargan检验不拒绝“所有的工具变量都是外生的”原假设；第一阶段估计对应的F值(3.47)＜10，弱工具变量检验Cragg-Donald Wald F统计量大于Stock-Yogo weak ID testcritical values中15%偏误的临界值(9.93)，说明面板工具变量法(2SLS)所选择的工具变量是弱工具变量。因此，本文进一步采用对弱工具变量不敏感的有限信息最大似然估计法(LIML)来克服模型存在的内生性，估计结果如表 3所示。
2 系统GMM估计
系统GMM不仅可以在部分存在遗漏变量、测量误差等内生性来源的情形下得到一致估计，还可以提高估计效率[45]。本文引入被解释变量的滞后一阶项作为解释变量，构造动态面板数据模型，采用系统GMM估计方法进行估计。如表 3所示，AR2的P值大于0.1，表明扰动项虽然存在一阶自相关，但不拒绝“不存在二阶序列自相关”的原假设，可以使用系统GMM。Sargan过度识别检验的P值大于0.1，表明工具变量选择有效，可以较好地消除内生性问题。
由表 3可知，在工具变量法、LIML模型、系统GMM的估计中，数字农业的二次项估计系数均显著大于0。可见，在消除了内生性问题后数字农业对农业强国建设目标实现的非线性递增影响仍然存在。
三 稳健性检验
为了确保回归结果的稳健性，本文采用三种方法进行稳健性检验。
1 变更样本量(Model1)
考虑到中国的直辖市享有更大的政策倾斜和自主决策权，数字农业的发展情况与其他省份可能存在较大差异，为了使样本更具可比性、保证检验结论的稳健性，参考相关研究[46-48]，本文剔除直辖市样本后再进行固定效应估计，估计结果如表 5所示。
表 5 稳健性检验估计结果解释变量 Model1 Model2 Model3 q=0.25 q=0.50 q=0.75 DA -1.054 5*** -0.680 4** -0.911 7*** -1.434 2** -1.853 6*** (0.291 2) (0.285 7) (0.306 4) (0.715 5) (0.354 3) DA2 1.882 5*** 1.324 7*** 1.617 9*** 2.280 5** 2.427 6*** (0.460 9) (0.464 5) (0.494 7) (1.161 3) (0.420 3) AIA 0.044 3* 0.016 4 0.034 1 0.074 3 0.044 1 (0.022 5) (0.023 3) (0.025 0) (0.058 4) (0.029 2) ENGU -0.025 3*** -0.012 4 -0.020 0 -0.037 0 -0.026 3* (0.005 3) (0.014 9) (0.015 9) (0.037 3) (0.015 5) lnPCOOP 0.034 1** 0.026 2 0.030 1* 0.038 9 0.011 9 (0.014 7) (0.017 2) (0.018 2) (0.043 0) (0.030 6) ER -0.039 8** -0.021 3 -0.032 9* -0.059 2 -0.025 4 (0.018 0) (0.018 0) (0.019 1) (0.045 0) (0.016 8) DAGI 0.136 7 0.011 1 0.012 6 0.016 0 0.002 1 (0.085 6) (0.008 3) (0.008 7) (0.020 7) (0.009 3) _cons 0.016 0 -0.680 4** -0.911 7*** -1.434 2** 0.324 3** (0.041 1) (0.285 7) (0.306 4) (0.715 5) (0.155 0) N 234 270 270 270 270 R2 0.080 9 0.265 3 2 面板分位数模型(Model2)
一般情况下，回归模型是均值回归，考察的是解释变量x对被解释变量y的条件期望E(y|x)的影响，但条件期望较难反映条件分布全貌[49]。分位数回归刻画了在不同分位数下y对x进行回归，其结果能够得到x对整个条件分布的影响[50]。另外，分位数回归使用残差绝对值的加权平均作为最小化的目标函数，估计结果不易受极端值影响，更加稳健[51]。因此，本文采用面板分位数模型，选择25%、50%和75%三个分位点进行估计，估计结果如表 5所示。
3 双向固定效应模型(Model3)
前文的分析没有考虑时间和个体效应，为了确保估计结果的稳健性，本文采用双向固定效应模型来考察时间效应和个体效应，估计结果如表 5所示(估计结果时间效应如表 6所示、估计结果个体效应如表 7所示)。
表 6 双固定效应模型时间效应估计结果2013 2014 2015 2016 2017 2018 2019 2020 2021 回归系数 0 -0.005 3 0.033 2 0.037 9 0.030 9 0.074 1 0.091 3* 0.080 0 0.149 7* 标准误 (.) (0.015 9) (0.028 3) (0.031 8) (0.036 9) (0.048 1) (0.052 0) (0.059 2) (0.084 8) 表 7 双固定效应模型个体效应估计结果省份 constant 省份 constant 省份 constant 上海市 0.000 0 山西省 -0.216 3*** 湖北省 -0.173 7** (.) (0.060 0) (0.081 9) 云南省 -0.157 4 广东省 -0.004 9 湖南省 -0.156 0 (0.119 3) (0.042 1) (0.097 5) 内蒙古自治区 -0.225 8*** 广西壮族自治区 -0.283 8** 甘肃省 -0.244 1*** (0.085 8) (0.120 1) (0.089 5) 北京市 0.026 4 新疆维吾尔自治区 -0.295 9*** 福建省 -0.126 2** (0.035 9) (0.113 1) (0.051 1) 吉林省 -0.253 0*** 江苏省 -0.098 0*** 贵州省 -0.239 8** (0.078 1) (0.034 3) (0.111 2) 四川省 -0.191 6** 江西省 -0.218 9*** 辽宁省 -0.208 6*** (0.089 5) (0.074 5) (0.074 0) 天津市 -0.128 0*** 河北省 -0.206 4*** 重庆市 -0.150 2** (0.033 5) (0.074 5) (0.063 7) 宁夏回族自治区 -0.199 7** 河南省 -0.205 6*** 陕西省 -0.201 5*** (0.096 9) (0.073 2) (0.076 4) 安徽省 -0.184 8** 浙江省 -0.003 5 青海省 -0.210 7** (0.074 2) (0.029 0) (0.082 9) 山东省 -0.075 6 海南省 -0.185 9* 黑龙江省 -0.306 5** (0.055 2) (0.099 7) (0.118 3) 稳健性检验结果表明，在变更样本量、变更估计方法或模型后，数字农业发展水平及其二次项估计系数的数值、符号方向和显著性水平均没有发生明显变化，说明回归结果是稳健的。
四 异质性检验
不同地区因资源禀赋和经济社会发展阶段不同，数字农业、农业强国建设目标实现程度以及数字农业对农业强国建设目标实现程度的影响可能存在差异，须对此作进一步检验。借鉴国家统计局的划分方法，本文将所涉及的30个省(市、自治区)划分为东部、中部和西部地区，⑤分别采用固定效应模型进行检验，检验结果如表 8所示。
表 8 异质性检验估计结果解释变量 东部地区 中部地区 西部地区 DA -1.542 4*** -0.672 6 -0.253 5 (0.380 9) (1.932 2) (1.411 5) DA2 2.394 4*** 0.195 3 -0.716 2 (0.515 8) (5.594 3) (3.991 1) AIA 0.188 9** 0.007 3 0.042 2** (0.084 3) (0.018 3) (0.018 5) ENGU 0.610 7** -0.017 5** 0.052 7 (0.273 1) (0.006 3) (0.073 0) lnPCOOP 0.017 3 0.058 6 0.003 3 (0.030 9) (0.044 0) (0.035 5) ER -0.018 8 -0.088 6 -0.040 9 (0.040 6) (0.076 2) (0.023 1) DAGI 0.016 6** 0.095 6 -0.057 6 (0.005 8) (0.215 1) (0.155 9) _cons -0.122 7 -0.059 8 0.082 1 (0.081 2) (0.112 0) (0.088 5) N 99 72 99 R2 0.397 1 0.119 6 0.056 1 由表 8可知，数字农业二次项的回归系数在东部地区显著为正，在中部地区、西部地区却不显著。这说明总体上数字农业对农业强国建设具有显著的U型非线性影响，但对不同地区的促进作用有明显差异：对东部地区的促进作用显著，对中部地区和西部地区的促进作用不显著。可能的原因是，相对于中部地区和西部地区，东部地区经济社会发展水平较高，资本和高科技人才丰富，数字技术发达，绿色生产和消费能力较强，发展数字农业的红利能够更加充分地释放[32]; 中部地区、西部地区经济社会发展水平较低，绿色生产和消费能力较弱，阻碍了数字技术与农业的融合，导致数字农业发展水平低(本文测算表明，2021年东部地区数字农业发展指数平均水平为0.351 4，中部地区和西部地区分别为0.204 7、0.224 2)，对农业强国建设的正向影响还没有充分显现出来。
五 数字农业促进农业强国建设目标实现的机制检验
1 “数字农业→新型农业经营主体→农业强国建设目标实现”的机制检验
本文以30个省(市、自治区)2013—2021年度数据为样本，基于式(14)、式(15)估计数字农业对新型农业经营主体发展的影响以及新型农业经营主体发展对农业强国建设目标实现的影响，估计结果如表 9所示。
表 9 “数字农业→新型农业经营主体→农业强国建设目标实现”机制检验估计结果解释变量 被解释变量 新型农业经营主体(lnPCOOP) 农业强国建设目标实现(lnAPDI) FE RE FE RE lnPCOOP 0.262 7*** 0.008 1 (0.078 7) (0.058 8) DA 2.010 9*** 2.934 9*** -5.953 2*** -1.460 5 (0.621 6) (0.620 7) (1.544 7) (0.953 6) DA2 9.773 0*** 3.905 7** (2.335 0) (1.910 4) AIA 0.268 4** 0.074 6** (0.101 3) (0.036 5) ENGU -0.313 9*** -0.308 7*** -0.183 9*** -0.189 7*** (0.023 9) (0.028 8) (0.035 2) (0.036 2) lnTRAF 2.088 0** 0.174 0* (0.796 1) (0.103 9) PTPAM 0.102 4*** 0.130 3*** (0.031 8) (0.026 7) _cons 4.131 9*** 3.441 2*** -3.034 2*** -2.097 6*** (0.293 9) (0.153 1) (0.251 8) (0.218 3) F test 17.62*** 2.43*** LM test 334.37*** 6.29*** Hausman test 44.19*** 17.06*** Sargan-Hansen statistic 52.236*** 17.898 *** N 270 270 R2 0.643 4 0.092 6 表 9表明，F检验和LM检验均拒绝使用混合回归模型的原假设，稳健的hausman检验表明应该使用固定效应模型进行估计。在数字农业影响新型农业经营主体发展的回归模型中，数字农业的偏回归系数显著大于0，表明数字农业对新型农业经营主体发展具有显著的促进作用，假说H2得到支持；在新型农业经营主体发展影响农业强国建设目标实现的回归模型中，新型农业经营主体的偏回归系数显著大于0，表明新型农业经营主体发展对农业强国建设目标实现具有显著的促进作用，假说H3得到支持。因此，数字农业推动新型农业经营主体发展进而促进农业强国建设目标实现的作用机制是存在的。
2 “数字农业→农业绿色产业→农业强国建设目标实现”的机制检验
本文以30个省(市、自治区)2013—2021年度数据为样本，基于式(16)、式(17)估计数字农业对农业绿色产业发展的影响以及农业绿色产业发展对农业强国建设目标实现的影响，估计结果如表 10所示。
表 10 数字农业→农业绿色产业→农业强国建设目标实现机制检验估计结果解释变量 被解释变量 农业绿色产业发展(DAGI) 农业强国建设目标实现(lnAPDI) FE RE FE RE DAGI 0.013 0 0.035 2* (0.028 3) (0.018 8) DA -5.514 8*** -3.387 6* -4.065 5*** -1.954 6*** (1.810 4) (1.854 4) (1.328 2) (0.729 3) DA2 5.879 3** 3.998 3 7.476 2*** 5.080 1*** (2.612 7) (2.728 1) (2.136 8) (1.501 4) AIA -0.215 1** -0.196 8** 0.228 6** 0.081 9** (0.086 0) (0.087 8) (0.096 3) (0.040 7) ENGU 0.178 7* -0.199 1 -0.252 6*** -0.187 7*** (0.103 4) (0.154 8) (0.039 7) (0.032 3) lnTRAF 0.329 4 1.158 7*** (0.650 6) (0.157 7) ER -0.342 9*** -0.242 0** (0.123 6) (0.098 4) lnEDUR -0.031 5 -0.119 9*** (0.149 3) (0.046 5) _cons -2.822 7*** -2.353 8*** -1.627 2 -0.914 6** (0.267 4) (0.229 8) (1.120 4) (0.418 7) F test 13.67*** 1.81** LM test 280.97*** 3.92** Hausman test 20.64*** 10.68 Sargan-Hansen statistic 21.967*** 10.836 N 270 270 R2 0.061 3 0.092 6 表 10表明，在数字农业对农业绿色产业发展的影响检验模型中，F检验和LM检验均拒绝使用混合回归模型的原假设，稳健的hausman检验表明应该使用固定效应模型进行估计。数字农业二次项的偏回归系数显著大于0，表明数字农业对农业绿色产业发展具有U型非线性影响，假说H4得到支持。在农业绿色产业发展影响农业强国建设目标实现的检验模型中，F检验和LM检验均拒绝使用混合回归模型的原假设，稳健的hausman检验表明应该使用随机效应模型进行估计。农业绿色产业发展的偏回归系数显著大于0，表明农业绿色产业发展对农业强国建设目标实现具有显著的促进作用，假说H5得到支持。因此，数字农业推动农业绿色产业发展进而促进农业强国建设目标实现的作用机制是存在的。
六 财政支农助力数字农业发展的检验
以30个省(市、自治区)2013—2021年度数据为样本，基于式(18)估计财政支农对数字农业发展的影响，估计结果如表 11所示。
表 11 财政支农对数字农业发展的影响估计结果解释变量 模型 FE RE lnLFE 0.082 8*** 0.080 3*** (0.013 6) (0.009 9) AIA 0.057 7*** 0.045 2*** (0.013 0) (0.011 2) R&D 0.020 6*** 0.030 0*** (0.005 3) (0.009 5) lnEDUR 0.067 7*** 0.049 0*** (0.016 8) (0.008 5) _cons -1.264 6*** -1.090 3*** (0.183 1) (0.116 3) F test 15.96*** LM test 179.33 Hausman test 42.79*** Sargan-Hansen statistic 50.266*** N 270 270 R2 0.745 5 adj.R2 0.741 7 表 11表明，F检验和LM检验均拒绝使用混合回归模型的原假设，稳健的hausman检验表明应该使用固定效应模型进行估计。由表 11可知，财政支农通过了1%的显著性水平检验，且估计系数大于0，表明财政支农对数字农业的发展有显著的正向影响，假说H6得到支持。
六. 研究结论与政策建议
建设农业强国是中国农业现代化建设和乡村振兴的重要战略任务，发展数字农业是数字中国和数字乡村建设的重要组成部分。本文基于2013—2021年省域面板数据，实证检验了数字农业对农业强国建设目标实现的影响及其作用机制，以及财政支农对数字农业发展的影响。研究结果表明，数字农业对农业强国建设目标实现具有U型非线性影响。除了直接影响农业强国建设目标实现外，数字农业还通过促进新型农业经营主体和农业绿色产业发展间接推动农业强国建设目标实现。财政支农对数字农业发展具有显著的正向影响。基于以上结论，本文提出四点政策建议。
第一，大力发展数字农业。把发展数字农业作为数字乡村建设的重要内容，尤其是要把农业全产业链基础数据采集等基础性工作纳入“新基建”，加强涉农网站建设，围绕农民在农业生产经营和农产品销售中的“急、难、愁、盼”问题开发数字产品，积极开展数字农业信息服务，并以公共服务的方式为农产品生产经营者生产经营决策、农产品消费者消费决策提供咨询服务，提高农业信息化水平。同时，要着力提高农民数字素养，培育农民数字经济意识，尤其是通过访问正规、权威的农业技术服务网站、农产品供求信息发布网站获取农产品生产、销售信息的意识以及通过网络平台销售农产品的意识。此外，数字农业对农业强国建设目标实现的促进作用不能立竿见影，本文实证研究表明，除了东部少数几个省(市)外，全国大多数省(市、自治区)目前数字农业对农业强国建设目标实现的影响仍然是负向的，但这种影响会随着数字农业发展逐渐减弱，最终转变为正向影响。因此，要以战略眼光看待数字农业发展，要持续投入，久久为功。
第二，因地制宜建立科学合理的数字农业投入机制。除了继续加强数字农业基础设施建设、提高农业信息化水平外，在东部数字农业促进农业强国建设目标实现的作用已经彰显的省(市)，应逐步引入市场机制，鼓励企业为农业生产经营和农产品销售提供信息咨询服务，作为政府涉农公共服务的重要补充，充分发挥市场机制在资源优化配置中的基础性作用，促进数字农业高质量发展。中西部地区数字农业发展水平还比较低，数字农业对农业强国建设目标实现的促进作用还没有充分彰显，单靠市场机制难以为数字农业配置足够资源，需要政府以财政补贴的方式补偿数字农业发展的资源缺口，抵消挤出效应造成的消极影响。
第三，加大中央财政专项支持数字农业发展力度。当前，中国数字农业尤其是中西部地区数字农业还处于起步阶段，且中西部地区经济社会发展相对滞后，财力薄弱，无力为数字农业提供足额支持，因而除了当地政府应竭力克服自身财政困难为本地数字农业建设提供财政支持外，还需要中央政府以专项投入的方式予以配套补贴，为中西部地区数字农业发展提供必要的启动资金。
第四，发展数字农业要以发展农民专业合作社等新型农业经营主体和农业绿色产业为抓手。要充分重视农民专业合作社等新型农业经营主体在先进农业生产技术推广普及、绿色农产品营销中的作用，充分发挥农业绿色产业基地在重要优质农产品有效供给中的主力军作用，引导农民专业合作社等新型农业经营主体发展农业绿色产业，加大农民专业合作社等新型农业经营主体以及农业绿色产业基地农产品生产、经营过程中数据的采集、披露力度，为全社会农产品生产与消费提供可靠的信息保障，以信息为媒介，加快农业科研领域的新成果、新的经营方式的推广普及，形成农业新质生产力。(本文属于西南大学商贸学院数字经济与共同富裕创新团队系列研究成果。)
① 该数据是作者通过邮件向对方索取的，应对方的要求标注为对方指定的参考文献。
② 农户总数=农村居民人口数/农村家庭平均人口规模，农村居民人口数、农村家庭平均人口规模数分别来自2022年《中国统计年鉴》和《中国人口统计年鉴》。
③ 鉴于数据可得性和可比性，本文样本省份剔除了西藏、香港、澳门和台湾。
④ 限于篇幅，本文只列出边际影响>0的省份及其年份，其他省份的估计结果备索。
⑤ 东部地区包括辽宁省、北京市、天津市、河北省、山东省、江苏省、上海市、浙江省、福建省、广东省和海南省11个省(市)；中部地区包括吉林省、黑龙江省、安徽省、江西省、河南省、湖北省、湖南省、山西省8个省；西部地区包括陕西省、四川省、云南省、贵州省、广西壮族自治区、甘肃省、青海省、宁夏回族自治区、新疆维吾尔自治区、内蒙古自治区、重庆市11个省(市、自治区)。
-
表 1 省域农业强国建设目标实现程度的指数评价指标体系
一级指标 二级指标 正/逆向 供给保障能力 人均农林牧渔业增加值 + 市场竞争力 劳动生产率 + 土地生产率 + 农产品显示性比较优势指数 + 人均耕地面积 + 产业链条健全高端程度 + 农业产业高级化程度 + 科技创新能力 农业科技进步贡献率 + 农业机械化水平 + 专利申请量 + 可持续发展能力 农田有效灌溉面积占比 + 成灾面积占比 - 森林覆盖率 + 单位面积绿色食品标识产品数量 + 单位面积绿色食品有效用标企业数 + 单位面积化肥施用强度 - 资源利用率 单位面积农药施用强度 - 单位播种面积农膜使用强度 - 单位农业产值用水量 - 单位农业产值用电量 - 单位农业产值柴油消耗量 - 单位农业产值劳动消耗量 - 单位农业产值土地消耗量 - 注: 正/逆向表示指标与农业强国建设目标实现程度关系的方向，“+”表示正向；“-”表示逆向。下同。 
下载: 导出CSV
表 2 数字农业发展程度评价指标体系
主指标 一级指标 二级指标 测度指标 单位 正/逆向 数字农业发展指数 基础设施指标 交通基础设施 公路密度：每平方公里国土公路里程 公里/平方公里 + 邮政快递基础设施 邮政投递里程密度：每平方公里国土农村投递路线 公里/平方公里 + 邮政农村每周平均投递次数 次 + 已通邮的行政村比重 % + 信息化发展指标 信息化基础 光缆线路密度 千米/平方千米 + 人均移动电话交换机容量 户/人 + 信息传输、软件和信息技术服务业城镇单位就业人员占比 % + 电话普及率(包括移动电话) 部/百人 + 农民数字素养：交通通信年消费支出 元/人 + 信息化影响 电信业务总量占地区GDP比重 % + 软件业务收入占地区GDP比重 % + 互联网发展指标 互联网基础 互联网宽带接入端口密度 个/人 + 域名数 万个 + 人均宽带接入用户数 户/人 + 互联网影响 网页数 万个 + 数字交易发展指标 数字交易基础 每百家企业拥有网站数 个 + 有电子商务交易活动的企业数比重 % + 数字交易影响 电子商务销售额占地区GDP比重 % + 电子商务采购额占地区GDP比重 % + 人均快递业务收入 元/人 + 人均快递量 件/人 + 网络支付数量及规模 - + 淘宝村数量 个 + 注：本文采用郭峰等[38]编制的北京大学数字普惠金融指数来衡量网络支付数量及规模；①淘宝村数据来自阿里研究院。
下载: 导出CSV
表 3 模型估计结果
FE RE 克服内生性 2SLS LIML 系统GMM L.APDI -0.168 1*** (0.041 1) DA -1.124 5*** -0.414 2** -3.641 4** -0.991 6* -0.686 4** (0.268 2) (0.181 4) (1.457 2) (0.592 7) (0.291 4) DA2 1.887 7*** 0.979 7*** 6.048 1*** 2.238 3* 1.590 0*** (0.426 8) (0.359 5) (3.182 6) (1.316 4) (0.452 1) AIA 0.050 5** 0.014 0 0.142 8** 0.016 5 0.016 7** (0.022 9) (0.009 7) (0.059 0) (0.013 4) (0.008 0) ENGU -0.026 9*** -0.025 3*** 0.133 2 -0.040 8 0.092 6 (0.005 4) (0.005 7) (0.183 4) (0.103 4) (0.120 8) lnPCOOP 0.033 7** 0.001 0 0.106 2 -0.004 9 -0.005 8 (0.013 7) (0.009 1) (0.067 9) (0.010 3) (0.026 1) ER -0.043 7** -0.036 0** -0.087 0* -0.048 5** -0.028 0 (0.017 1) (0.015 7) (0.046 3) (0.021 5) (0.021 8) DAGI 0.014 0** 0.006 1 0.032 6 0.011 7 0.004 3 (0.005 5) (0.008 7) (0.030 9) (0.016 5) (0.012 9) _cons 0.033 0 0.154 0*** - 0.229 7*** 0.182 3* (0.038 4) (0.034 9) - (0.071 5) (0.109 8) F test 1.74** 3.47 LM test 1.57 AR1 -2.539 9** AR2 -0.695 9 Wald chi2 12.78 120.58 Endogeneity test of endogenous regressors 6.274** Sargan statistic 2.608 27.594 3 Cragg-Donald Wald F statistic 3.471 N 270 270 210 210 240 R2 0.090 0 - 0.099 3 0.071 4 - 注：***、**、*分别表示在1%、5%、10%的显著性水平上显著，括号内为稳健标准误，下表同。2SLS对应的F统计量为第一阶段F统计量。
下载: 导出CSV
表 4 数字农业对农业强国建设边际影响的估计结果(部分)
年份 省份 边际影响 年份 省份 边际影响 2015 北京市 0.016 0 2020 浙江省 0.339 8 2016 北京市 0.075 1 2020 上海市 0.159 6 2017 北京市 0.183 0 2020 广东省 0.128 4 2018 北京市 0.243 3 2021 浙江省 1.087 0 2019 北京市 0.391 3 2021 北京市 0.796 1 2019 浙江省 0.216 3 2021 上海市 0.547 3 2019 上海市 0.067 6 2021 广东省 0.499 8 2019 广东省 0.034 4 2021 江苏省 0.298 2 2020 北京市 0.459 0 2021 福建省 0.035 7
下载: 导出CSV
表 5 稳健性检验估计结果
解释变量 Model1 Model2 Model3 q=0.25 q=0.50 q=0.75 DA -1.054 5*** -0.680 4** -0.911 7*** -1.434 2** -1.853 6*** (0.291 2) (0.285 7) (0.306 4) (0.715 5) (0.354 3) DA2 1.882 5*** 1.324 7*** 1.617 9*** 2.280 5** 2.427 6*** (0.460 9) (0.464 5) (0.494 7) (1.161 3) (0.420 3) AIA 0.044 3* 0.016 4 0.034 1 0.074 3 0.044 1 (0.022 5) (0.023 3) (0.025 0) (0.058 4) (0.029 2) ENGU -0.025 3*** -0.012 4 -0.020 0 -0.037 0 -0.026 3* (0.005 3) (0.014 9) (0.015 9) (0.037 3) (0.015 5) lnPCOOP 0.034 1** 0.026 2 0.030 1* 0.038 9 0.011 9 (0.014 7) (0.017 2) (0.018 2) (0.043 0) (0.030 6) ER -0.039 8** -0.021 3 -0.032 9* -0.059 2 -0.025 4 (0.018 0) (0.018 0) (0.019 1) (0.045 0) (0.016 8) DAGI 0.136 7 0.011 1 0.012 6 0.016 0 0.002 1 (0.085 6) (0.008 3) (0.008 7) (0.020 7) (0.009 3) _cons 0.016 0 -0.680 4** -0.911 7*** -1.434 2** 0.324 3** (0.041 1) (0.285 7) (0.306 4) (0.715 5) (0.155 0) N 234 270 270 270 270 R2 0.080 9 0.265 3
下载: 导出CSV
表 6 双固定效应模型时间效应估计结果
2013 2014 2015 2016 2017 2018 2019 2020 2021 回归系数 0 -0.005 3 0.033 2 0.037 9 0.030 9 0.074 1 0.091 3* 0.080 0 0.149 7* 标准误 (.) (0.015 9) (0.028 3) (0.031 8) (0.036 9) (0.048 1) (0.052 0) (0.059 2) (0.084 8)
下载: 导出CSV
表 7 双固定效应模型个体效应估计结果
省份 constant 省份 constant 省份 constant 上海市 0.000 0 山西省 -0.216 3*** 湖北省 -0.173 7** (.) (0.060 0) (0.081 9) 云南省 -0.157 4 广东省 -0.004 9 湖南省 -0.156 0 (0.119 3) (0.042 1) (0.097 5) 内蒙古自治区 -0.225 8*** 广西壮族自治区 -0.283 8** 甘肃省 -0.244 1*** (0.085 8) (0.120 1) (0.089 5) 北京市 0.026 4 新疆维吾尔自治区 -0.295 9*** 福建省 -0.126 2** (0.035 9) (0.113 1) (0.051 1) 吉林省 -0.253 0*** 江苏省 -0.098 0*** 贵州省 -0.239 8** (0.078 1) (0.034 3) (0.111 2) 四川省 -0.191 6** 江西省 -0.218 9*** 辽宁省 -0.208 6*** (0.089 5) (0.074 5) (0.074 0) 天津市 -0.128 0*** 河北省 -0.206 4*** 重庆市 -0.150 2** (0.033 5) (0.074 5) (0.063 7) 宁夏回族自治区 -0.199 7** 河南省 -0.205 6*** 陕西省 -0.201 5*** (0.096 9) (0.073 2) (0.076 4) 安徽省 -0.184 8** 浙江省 -0.003 5 青海省 -0.210 7** (0.074 2) (0.029 0) (0.082 9) 山东省 -0.075 6 海南省 -0.185 9* 黑龙江省 -0.306 5** (0.055 2) (0.099 7) (0.118 3)
下载: 导出CSV
表 8 异质性检验估计结果
解释变量 东部地区 中部地区 西部地区 DA -1.542 4*** -0.672 6 -0.253 5 (0.380 9) (1.932 2) (1.411 5) DA2 2.394 4*** 0.195 3 -0.716 2 (0.515 8) (5.594 3) (3.991 1) AIA 0.188 9** 0.007 3 0.042 2** (0.084 3) (0.018 3) (0.018 5) ENGU 0.610 7** -0.017 5** 0.052 7 (0.273 1) (0.006 3) (0.073 0) lnPCOOP 0.017 3 0.058 6 0.003 3 (0.030 9) (0.044 0) (0.035 5) ER -0.018 8 -0.088 6 -0.040 9 (0.040 6) (0.076 2) (0.023 1) DAGI 0.016 6** 0.095 6 -0.057 6 (0.005 8) (0.215 1) (0.155 9) _cons -0.122 7 -0.059 8 0.082 1 (0.081 2) (0.112 0) (0.088 5) N 99 72 99 R2 0.397 1 0.119 6 0.056 1
下载: 导出CSV
表 9 “数字农业→新型农业经营主体→农业强国建设目标实现”机制检验估计结果
解释变量 被解释变量 新型农业经营主体(lnPCOOP) 农业强国建设目标实现(lnAPDI) FE RE FE RE lnPCOOP 0.262 7*** 0.008 1 (0.078 7) (0.058 8) DA 2.010 9*** 2.934 9*** -5.953 2*** -1.460 5 (0.621 6) (0.620 7) (1.544 7) (0.953 6) DA2 9.773 0*** 3.905 7** (2.335 0) (1.910 4) AIA 0.268 4** 0.074 6** (0.101 3) (0.036 5) ENGU -0.313 9*** -0.308 7*** -0.183 9*** -0.189 7*** (0.023 9) (0.028 8) (0.035 2) (0.036 2) lnTRAF 2.088 0** 0.174 0* (0.796 1) (0.103 9) PTPAM 0.102 4*** 0.130 3*** (0.031 8) (0.026 7) _cons 4.131 9*** 3.441 2*** -3.034 2*** -2.097 6*** (0.293 9) (0.153 1) (0.251 8) (0.218 3) F test 17.62*** 2.43*** LM test 334.37*** 6.29*** Hausman test 44.19*** 17.06*** Sargan-Hansen statistic 52.236*** 17.898 *** N 270 270 R2 0.643 4 0.092 6
下载: 导出CSV
表 10 数字农业→农业绿色产业→农业强国建设目标实现机制检验估计结果
解释变量 被解释变量 农业绿色产业发展(DAGI) 农业强国建设目标实现(lnAPDI) FE RE FE RE DAGI 0.013 0 0.035 2* (0.028 3) (0.018 8) DA -5.514 8*** -3.387 6* -4.065 5*** -1.954 6*** (1.810 4) (1.854 4) (1.328 2) (0.729 3) DA2 5.879 3** 3.998 3 7.476 2*** 5.080 1*** (2.612 7) (2.728 1) (2.136 8) (1.501 4) AIA -0.215 1** -0.196 8** 0.228 6** 0.081 9** (0.086 0) (0.087 8) (0.096 3) (0.040 7) ENGU 0.178 7* -0.199 1 -0.252 6*** -0.187 7*** (0.103 4) (0.154 8) (0.039 7) (0.032 3) lnTRAF 0.329 4 1.158 7*** (0.650 6) (0.157 7) ER -0.342 9*** -0.242 0** (0.123 6) (0.098 4) lnEDUR -0.031 5 -0.119 9*** (0.149 3) (0.046 5) _cons -2.822 7*** -2.353 8*** -1.627 2 -0.914 6** (0.267 4) (0.229 8) (1.120 4) (0.418 7) F test 13.67*** 1.81** LM test 280.97*** 3.92** Hausman test 20.64*** 10.68 Sargan-Hansen statistic 21.967*** 10.836 N 270 270 R2 0.061 3 0.092 6
下载: 导出CSV
表 11 财政支农对数字农业发展的影响估计结果
解释变量 模型 FE RE lnLFE 0.082 8*** 0.080 3*** (0.013 6) (0.009 9) AIA 0.057 7*** 0.045 2*** (0.013 0) (0.011 2) R&D 0.020 6*** 0.030 0*** (0.005 3) (0.009 5) lnEDUR 0.067 7*** 0.049 0*** (0.016 8) (0.008 5) _cons -1.264 6*** -1.090 3*** (0.183 1) (0.116 3) F test 15.96*** LM test 179.33 Hausman test 42.79*** Sargan-Hansen statistic 50.266*** N 270 270 R2 0.745 5 adj.R2 0.741 7
下载: 导出CSV
-
[1] 中国生态环境部. 2021中国生态环境公报[EB/OL]. (2022-05-28)[2022-06-08]. https://www.mee.gov.cn/hjzl/sthjzk/zghjzkgb/202205/P020220608338202870777.pdf. [2] 中国生态环境部, 国家统计局, 农业农村部. 第二次全国污染源普查公报[EB/OL]. (2020-06-09)[2020-06-09]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202006/W020200610353985963290.pdf. [3] 魏后凯, 崔凯. 建设农业强国的中国道路: 基本逻辑、进程研判与战略支撑[J]. 中国农村经济, 2022(1): 2-23. [4] 黄祖辉, 傅琳琳. 建设农业强国: 内涵、关键与路径[J]. 求索, 2023(1): 132-141. [5] 高强, 周丽. 建设农业强国的战略内涵、动力源泉与政策选择[J]. 中州学刊, 2023(3): 43-51. [6] 姜长云, 李俊茹, 巩慧臻. 全球农业强国的共同特征和经验启示[J]. 学术界, 2022(8): 127-144. [7] 魏后凯, 崔凯. 农业强国的内涵特征、建设基础与推进策略[J]. 改革, 2022(12): 1-11. [8] 唐仁健. 加快建设农业强国(认真学习宣传贯彻党的二十大精神)[N]. 人民日报, 2022-12-15. [9] 许竹青. 加强农业科技创新, 走好农业强国之路[N]. 科技日报, 2022－10－31. [10] 韩保江, 孙生阳. 建设农业强国的基本逻辑、主要特征与实现途径[J]. 社会科学辑刊, 2023(4): 112-121. [11] HOPEWELL K. The accidental agro-power: constructing comparative advantage in Brazil[J]. New political economy, 2016, 21(6): 536-554. doi: 10.1080/13563467.2016.1161014
[12] NESTERENKO N Y, PAKHOMOVA N V, RICHTER K K. Sustainable development of organic agriculture: strategies of Russia and its regions in context of the application of digital economy technologies[J]. Vestnik sankt-peterburgskogo universiteta-ekonomika-st petersburg university journal of economic studies, 2020, 36(2): 217-242.
[13] DEICHMANN U, GOYAL A, MISHRA D. Will digital technologies transform agriculture in developing countries?[J]. Agricultural economics, 2016, 47(S1): 21-33. doi: 10.1111/agec.12300
[14] ALESHINA E A, SERDOBINTSEV D V. Main aspects of building a digital business model of a Russian agricultural enterprise[J]. Scientific papers-series management economic engineering in agriculture and rural development, 2022(2): 33-42.
[15] ALEKSEEVA S, VOLKOVA G, SUKHANOVA O, et al. Digital transformation of agricultural industrial complex in the implementation of its development strategy[J]. Scientific papers-series management economic engineering in agriculture and rural development, 2021(2): 19-25.
[16] LÓPEZ-CASTA EDA A, ZAVALA-CRUZ J, PALMA-LÓPEZ D J, et al. Digital mapping of soil profile properties for precision agriculture in developing countries[J]. Agronomy, 2022, 12(2): 353. doi: 10.3390/agronomy12020353
[17] KRONE M, DANNENBERG P. Analysing the effects of information and communication technologies(ICTs) on the integration of East African farmers in a value chain context[J]. Zeitschrift fur wirtschaftsgeographie, 2018, 62(1): 65-81. doi: 10.1515/zfw-2017-0029
[18] EL BILALI H, ALLAHYARI S. Transition towards sustainability in agriculture and food systems: role of information and communication technologies[J]. Information processing in agriculture, 2018, 5(4): 456-464. doi: 10.1016/j.inpa.2018.06.006
[19] FAO. ICT uses for inclusive agricultural value chains[EB/OL]. (2013-01-28)[2023-07-26]. http://www.fao.org/docrep/017/aq078e/aq078e.pdf.
[20] QIN T, WANG L, ZHOU Y, et al. Digital technology-and-services-driven sustainable transformation of agriculture: cases of China and the EU[J]. Agriculture, 2022, 12(2): 297. doi: 10.3390/agriculture12020297
[21] 张柏杨, 刘佳颖, 朱睿博. 数字农业发展: 国际经验、减排效应与金融支持——基于成都的案例分析[J]. 西南金融, 2022(1): 28-39. [22] 谭秋成, 张红. 我国数字农业发展的可行性、存在的问题及相关建议[J]. 经济研究参考, 2022(2): 23-29. [23] JIA X. Digital economy, factor allocation, and sustainable agricultural development: the perspective of labor and capital misallocation[J/OL]. Sustainability, 2023, 15(5): 4418[2023-07-28]. https://dx.doi.org/10.3390/su15054418.
[24] 马勇, 王慧, 夏天添. 数字经济对中部地区实体经济的挤出效应研究[J]. 江西社会科学, 2021(10): 48-57. [25] 钟真, 刘育权. 数据生产要素何以赋能农业现代化[J]. 教学与研究, 2021(12): 53-67. [26] LIN Y, LI C. Towards sustainable development: research on the green growth effect of digital agriculture in China[J]. Environmental science and pollution research, 2023, 38: 36-47.
[27] LIU H. The tripartite evolutionary game of green agro-product supply in an agricultural industrialization consortium[J/OL]. Sustainability, 2022, 14(18): 11582[2023-07-28]. https://dx.doi.org/10.3390/su141811582.
[28] CAO Y, TAO L, WU K, et al. Coordinating joint greening efforts in an agri-food supply chain with environmentally sensitive demand[J/OL]. Journal of cleaner production, 2020, 277(9): 123883[2023-07-28]. https://doi.org/10.1016/j.jclepro.2020.123883.
[29] LI D, DANG H AND YU J. Can participation in cooperatives promote the adoption of green production techniques by Chinese apple growers: counterfactual estimation based on propensity score matching[J/OL]. Frontiers in environmental science, 2022, 10: 1026273[2023-07-28]. https://www.frontiersin.org/articles/10.3389/fenvs.2022.1026273/full.
[30] HUANG X H, YANG F, FAHAD S. The impact of digital technology use on farmers' low-carbon production behavior under the background of carbon emission peak and carbon neutrality goals[J/OL]. Frontiers in environmental science, 2022, 10: 1002181[2023-07-28]. https://doi.org/10.3389/fenvs.2022.1002181.
[31] TANG Y, CHEN M. The impact mechanism and spillover effect of digital rural construction on the efficiency of green transformation for cultivated land use in China[J/OL]. International journal of environmental research and public health, 2022, 19(23): 16159[2023-07-28]. https://doi.org/10.3390/ijerph192316159.
[32] JIANG Q, LI J, SI H, et al. The impact of the digital economy on agricultural green development: evidence from China[J/OL]. Agriculture, 2022, 12(8): 1107[2023-07-28]. https://doi.org/10.3390/agriculture12081107.
[33] XU L, JIANG J, DU J. The dual effects of environmental regulation and financial support for agriculture on agricultural green development: spatial spillover effects and spatio-temporal heterogeneity[J/OL]. Applied science, 2022, 12(22): 11609[2023-07-28]. https://doi.org/10.3390/app122211609.
[34] 徐灏龙, 陆铭. 求解中国农业困局: 国际视野中的农业规模经营与农业竞争力[J]. 学术月刊, 2021(6): 58-71. [35] 梁坤丽, 刘维奇. 农村产业结构升级对农村经济韧性的影响[J]. 经济与管理. 2023, 37(3): 63-73. [36] 曹菲, 聂颖. 产业融合, 农业产业结构升级与农民收入增长——基于海南省县域面板数据的经验分析[J]. 农业经济问题. 2021(8): 28-41. [37] 陶群山, 胡浩. 环境规制和农业科技进步的关系分析——基于波特假说的研究[J]. 中国人口·资源与环境. 2011(12): 52-57. [38] 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(4): 1401-1418. [39] 农业农村部农村合作经济指导司. 中国农村合作经济统计年报(2021)[M]. 北京: 中国农业出版社, 2022: 30. [40] 薛蕾, 申云, 徐承红. 农业产业集聚与农业绿色发展: 效率测度及影响效应[J]. 经济经纬, 2020(3): 45-53. [41] ZHANG F, WANG F, HAO R, et al. Agricultural science and technology innovation, spatial spillover and agricultural green development-taking 30 provinces in China as the research object[J/OL]. Applied sciences, 2022, 12(2): 845[2023-07-19]. https://doi.org/10.3390/app12020845.
[42] BURGESS S, SMALL D S, THOMPSON S G. A review of instrumental variable estimators for Mendelian randomization[J]. Statistical methods in medical research, 2017, 26: 2333-2355.
[43] 胡德龙, 石满珍. 数字经济对企业全要素生产率的影响研究[J]. 当代财经, 2023(12): 17-29. [44] NUNN N, QIAN N. US food aid and civil conflict[J]. American economic review, 2014, 104(6): 1630-1666.
[45] 邵小快, 胡怀国. 经济增长实证研究中的内生性[J]. 经济学动态, 2013(3): 109-118. [46] 陈诗一, 陈登科. 雾霾污染, 政府治理与经济高质量发展[J]. 经济研究, 2018(2): 20-34. [47] 周晓辉, 刘莹莹, 彭留英. 数字经济发展与绿色全要素生产率提高[J]. 上海经济研究, 2021(12): 51-63. [48] 周鹏飞, 沈洋, 李爱民. 农旅融合能促进农业高质量发展吗——基于省域面板数据的实证检验[J]. 宏观经济研究, 2021(10): 117-130. [49] 陈强. 高级计量经济学及Stata应用[M]. 北京: 高等教育出版社, 2010: 509. [50] KOENKER R, BASSETT JR G. Regression quantiles[J]. Econometrica: journal of the econometric society, 1978, 46(1): 33-50.
[51] 罗幼喜, 田茂再. 面板数据的分位回归方法及其模拟研究[J]. 统计研究, 2010, 27(10): 81-87. -
期刊类型引用(15)
1. 郑谦，吴国伟，程紫琳. 新型农业经营主体数字农业技术使用意愿的影响因素分析. 农业与技术. 2025(02): 165-172 . 
百度学术
2. 吴威威，商容轩. 数字农业新质生产力、创新要素配置与产业链韧性. 经济问题探索. 2025(01): 23-36 . 百度学术
3. 谢祎泠，刘志雄. 农地流转对农业数字经济发展的影响. 湖南农业大学学报(社会科学版). 2024(02): 22-29 . 百度学术
4. 王佳睿. 数字经济视域下辽宁省农产品众筹的路径研究. 公关世界. 2024(08): 10-12 . 百度学术
5. 王雅楠，利宏宁，李宇辰，刘馨蔚，汪寅河，杨菲. 农业农村数字化对农户增收的影响机制研究. 广东农业科学. 2024(04): 149-164 . 百度学术
6. 蒋婷，何相毅，熊心悦，黄子欣，苏欣. 数字技术对农业绿色发展的影响研究. 农村经济与科技. 2024(07): 47-50 . 百度学术
7. 郭修平，王鲁婷，王艳华. 数字农业发展对缩小城乡居民收入差距的作用机制与实践路径. 税务与经济. 2024(04): 83-90 . 百度学术
8. 胡联，方鑫威. 数字乡村对农业强国的影响机制与政策启示. 山西农业大学学报(社会科学版). 2024(05): 75-83 . 百度学术
9. 何逸馨，麦强盛. 风险警示对新型农业经营主体生存时间的影响：促进还是抑制. 现代农业. 2024(04): 56-63+71 . 百度学术
10. 蒋团标，何金盛. 农业强国视域下数字农业与乡村振兴耦合协调及空间分异分析. 农林经济管理学报. 2024(05): 576-586 . 百度学术
11. 许敏兰，胡彦梦. 数字经济驱动特色农业高质量发展的内在机理. 河北农业大学学报(社会科学版). 2024(05): 33-47 . 百度学术
12. 曲延春. 农业强国目标下的农村公共产品供给：作用机理与困境突破. 理论学刊. 2024(06): 132-140 . 百度学术
13. 余永琦，彭柳林，陈潜宜，卢慧，池泽新. 农业强省建设水平：时空演变与区域差异. 农业现代化研究. 2024(05): 782-792 . 百度学术
14. 符建华，张金. 黑龙江省数字农业发展水平评价. 天津农林科技. 2024(06): 34-38 . 百度学术
15. 高鸿. 数字农业对农产品质量与安全的影响. 农业工程技术. 2024(29): 126-127 . 百度学术
其他类型引用(9)
计量
- 文章访问数: 119
- HTML全文浏览量: 31
- PDF下载量: 101
- 被引次数: 24
