數字普惠金融發展對縣域農業全要素生產率增長的影響：基于異質性視角

鄭宏運　李谷成

[摘 要] 基于2014—2018年860個縣域面板數據，在利用全局Malmquist指數測算農業全要素生產率的基礎上，利用無條件分位數固定效應模型分析了數字普惠金融發展對農業全要素生產率增長的影響。研究發現：數字普惠金融發展對縣域農業全要素生產率增長具有顯著正向影響，但影響具有異質性。具體來看，在選定的20、50和80分位點上，數字普惠金融發展的生產率提升效應隨分位點提高而遞增。與之相比，傳統金融發展僅顯著提升了第20和50分位點的農業全要素生產率，而在第80分位點沒有顯著影響。因此，從農業生產率視角看，數字普惠金融具有明顯的“普惠”性質，應著力促進農村地區的數字普惠金融發展。

[關鍵詞]數字普惠金融;農業全要素生產率;異質性;分位數回歸模型

[中圖分類號]? F832;F49;F323[文獻標識碼] A[文章編號] 1673-0461（2022）07-0081-07

一、引言

擴大全要素生產率（Total factor productivity，TFP）對農業經濟增長的貢獻，是改革開放以來中國農業取得巨大成就的成功經驗[1]。新形勢下，繼續推動農業經濟向全要素生產率驅動型增長轉變得到了高度強調[2]，2018年中央一號文件和《國家質量興農戰略規劃》明確提出要“持續提高農業創新力、競爭力和全要素生產率”。然而，當前農業生產“融資難、融資貴、風險高”等問題仍然突出，可能成為農業TFP持續增長的嚴重阻礙。例如，在宏觀層面，由于農業投資周期長、受自然風險影響大等問題，金融資源傾向于在城市集聚[3]。而在微觀層面，由于農戶在信貸市場處于弱勢地位，無法獲得足夠信貸服務[4]，形成了農業生產的信貸約束（Credit constraint）。這使得農戶既難以增加投資以實現農業技術進步，也無法學習先進技術來提高農業生產效率，從而造成農業TFP增長難以持續的困境。在此背景下，為實現黨的十九屆五中全會提出的“提高農業質量效益和競爭力”的目標，迫切需要加大金融資本對農投資力度、構建面向農業農村發展需求的現代金融體系。

近年來，中國的數字普惠金融得到迅猛發展，2011—2018年省級數字普惠金融指數年均增長率為36.4%。數字普惠金融模式克服了傳統金融模式對服務機構網點、服務準入門檻和服務客戶群體等方面要求高的弊端，對打通農業農村金融服務的“最后一公里”有重要意義[4]，已成為中國發展普惠金融的一項重要實踐[5]。2018年中央一號文件明確提出“普惠金融重點要放在農村”。由于數字普惠金融具有“普惠”性質，加上近年來國家對農村地區信息通訊基礎設施建設的投資與支持，數字普惠金融發展對農業農村經濟方方面面都產生了重要影響。

本文從提升農業TFP的迫切需要和數字普惠金融發展的現實特征出發，重點關注數字普惠金融發展對縣域農業TFP增長的影響。首先，利用2014—2018年860個縣域面板數據和全局Malmquist全要素生產率指數測算縣域農業TFP;其次，采用無條件分位數固定效應模型分析數字普惠金融發展對農業TFP的影響;最后，將數字普惠金融發展與傳統金融發展相比較，探討農業生產率視角下數字普惠金融是否具有“普惠”性質。

本文對已有文獻的邊際貢獻在于：第一，探究數字普惠金融發展對農業TFP增長的影響，從農業生產率視角為驗證數字普惠金融的普惠性質提供新的經驗證據。第二，縣域農村被認為是普惠金融的薄弱環節[4]，從縣域層面開展研究極具現實意義。本文充分利用數字普惠金融指數的大樣本數據優勢，將數字普惠金融與農業生產率的研究向縣域層面拓展。第三，采用無條件分位數固定效應模型考察數字普惠金融對農業TFP的異質性影響，與已有文獻所利用的固定效應模型等只能估計平均效應的方法不同，無條件分位數回歸可以提供不同農業生產率水平下的估計，相關結果具有更為精準的政策啟示，從而可以充分發揮數字普惠金融發展的農業生產率提升效應。

二、文獻綜述與研究假設

（一）文獻綜述

從已有研究來看，數字普惠金融發展在縮小城鄉收入差距[6]、增加農村居民消費支出[7]、促進農村居民創業[8]、提高農戶信貸可得性[9]、降低農戶貧困脆弱性[10]和提高生育率[11]等方面發揮了重要作用。一些文獻關注到數字普惠金融發展對TFP率增長的作用，但主要集中在區域經濟、非農部門等方面的研究。宋敏等[12]基于2011—2018年A股上市公司數據的研究指出，金融科技發展顯著提高了企業TFP。江紅莉和蔣鵬程[13]對2011—2017年A股非金融類上市公司開展研究，發現數字金融有效提升了企業TFP。侯層和李北偉[14]分析了2011—2018年省級面板數據并證實金融科技顯著提高了省級TFP。賀茂斌和楊曉維[15]對2011—2018年省級面板的研究表明，數字普惠金融有效降低了金融服務門檻進而提高了區域TFP。褚翠翠等[16]利用2011—2018年省級面板數據的研究發現，數字普惠金融發展促進本省經濟增長，但對鄰近省份存在負向的空間溢出效應。就本文所知，僅有少數文獻分析了金融發展與農業TFP增長的關系，且主要集中在省級層面的討論。謝攀[17]分析了2009—2017年省級面板數據并發現金融發展對農業TFP有顯著提升作用。李健旋[18]對2000—2015年省級面板數據的實證表明農村金融發展規模增加、結構優化和效率提高均顯著提高了農業綠色TFP。葛和平和高越[19]利用2011—2018年省級面板數據的研究發現，數字普惠金融發展有效提升了農業TFP。這與劉艷[20]的研究結論相一致。

與上述文獻不同，本文將視角轉向數字普惠金融發展與縣域農業TFP增長的關系。選擇從數字普惠金融視角分析的原因主要有兩點：一是全面推進鄉村振興、實現農業農村現代化迫切需要金融服務的賦能助力。而數字普惠金融是近年來中國金融市場領域的一項重要實踐，對推動農業經濟增長有重要意義，分析其對縣域農業TFP的影響非常有必要。二是與工業等非農部門相比，農業部門及農業生產者在金融信貸市場上長期處于弱勢地位[3-4]，如何改善農業信貸資源錯配、緩解農戶信貸約束始終是農村金融市場改革的重點。如果數字普惠金融真正具有“普惠”的性質，其對農業生產率的影響顯然更為重要，開展相關研究更具意義。

（二）研究假設

根據全要素生產率理論，農業TFP衡量的是農業產出增長中去除投入增長的部分，即生產過程中除要素投入以外其他因素的加總影響，包括農業技術進步和要素利用效率提高等，但這些往往都是以增加投資為基礎的[21]。數字普惠金融發展提高了農村地區金融和信貸服務的可得性，有效緩解農業生產中的融資約束[9]，進而會對農業TFP增長產生重要影響。

值得討論的是，如果將農業生產單元的生產率差異考慮進來，那么，數字普惠金融發展的農業TFP提升效應對不同生產率水平的生產單元可能不是同質的。農業TFP的高低反映出生產單元在農業經濟增長質量、農業技術創新、資源利用和配置效率等方面的差異[1]。對于低效率生產單元而言，較低的農業TFP水平不僅是其生產效率低下的體現，更反映出其在農業技術創新能力、效率改善和資源配置等方面可能存在瓶頸。經驗證據上，ZHENG和MA[22]研究證實金融市場發展對農業資源配置效率的作用受當地資源配置效率相對水平的影響。這意味著，與已有文獻所關注的平均效應不同，數字普惠金融發展對農業TFP的影響可能會隨著生產單元相對生產率水平的不同而有所差異。對于低效率生產單元，受當地的農業技術水平或要素利用和配置能力等制約，數字普惠金融發展的農業TFP提升效應可能無法完全發揮;而對于高效率生產單元，受益于當地相對較優的農業技術水平或資源利用和配置能力，數字普惠金融發展的激勵作用越發明顯，農業TFP的提升效應會相對更高。根據上述討論，可以提出本文的研究假說：

H1：數字普惠金融發展更大程度地促進了相對生產率較高的農業生產單元TFP增長。

三、實證方法與數據來源

（一）農業全要素生產率測算

本文參考已有文獻[23]，利用數據包絡分析方法中的全局Malmquist全要素生產率指數（Global Malmquist Index）測算農業TFP。傳統DEA-Malmquist指數法在測算農業TFP時僅利用當期數據構造生產前沿面。與之相比，全局Malmquist指數在構建各期前沿面時包含了所有時期的參考集。這既避免了“技術退步”悖論的出現，同時也使測算指數具有可累乘和傳遞性的良好性質。在產出導向和規模不變的條件下，全局Malmquist全要素生產率指數可表示為：

公式（1）中，Eg（xt+1，yt+1）和Eg（xt，yt）分別表示在t+1期和t期的全局距離函數。本文在已有文獻的基礎上[24-26]，選擇投入產出變量如下：農業產出以第一產業增加值表示，并以省級第一產業增加值指數折算為2014年不變價。投入包括勞動、土地、機械和化肥四種要素，這也是中國農業TFP研究中最常見的四種要素。其中，勞動投入以農林牧漁業從業人員表示，土地投入以農作物總播種面積表示，機械投入以農業機械總動力表示，化肥投入以農用化肥施用折純量表示。

（二）無條件分位數固定效應模型

在討論分析異質性的無條件分位數固定效應模型之前，首先考慮平均意義上數字普惠金融發展對農業TFP的影響，可以表示為：

公式（2）中，i表示農業生產單元，在本文中指縣域，t表示年份。TFPit表示第i個縣在t時期的農業TFP水平。Dit表示數字普惠金融發展程度，Xkit（k=1，…，k）表示第k個控制變量，α、β和γk為待估參數，μi和θt為空間效應和時間效應，εit為隨機誤差項。利用隨機效應模型或固定效應模型對公式（2）進行估計，系數β就反映出數字普惠金融發展對農業TFP影響的平均效應。

根據上一節的理論分析，數字普惠金融發展對農業TFP的影響可能會因農業生產單元生產率水平的不同而有所差異。為此，本文利用無條件分位數固定效應模型對數字普惠金融發展的異質性影響開展實證檢驗。已有文獻應用較為廣泛的包括條件分位數回歸（Conditional quantile regression，CQR）模型和無條件分位數回歸（Unconditional quantile regression，UQR）模型[27]。需要指出的是，條件分位數回歸的估計結果依賴于所選擇的控制變量，當控制變量有所刪減時所估計的結果也會隨之變化，而無條件分位數回歸則克服了這一缺點，所估計的結果是“無條件”的。所以本文主要利用無條件分位數回歸模型進行分析。參考已有文獻[28]，無條件分位數回歸模型的再中心化影響函數（Recentered influence function，RIF）可以表示為：

公式（2）和（3）中的TFPit均表示農業TFP，以累積折算后的全局Malmquist指數表示[23]。qτ是農業TFP在第τ個分位點的無條件分布，I（lnTFPit≤qτ）是一個區分農業TFP比τ大還是小的二元變量，flnTFP（qτ）表示在qτ估計的農業TFP的概率密度函數（Probability density function）。由于本文所利用的是縣域面板數據，必須對那些不隨時間變化但可能會影響農業TFP的因素加以控制。基于此，本文主要利用BORGEN[29]提出的無條件分位數固定效應模型（UQR with fixed effects）估計公式（3）。

數字普惠金融發展Dit以數字普惠發展金融指數表示。本文還參考已有文獻[4]，構建了傳統金融發展水平變量，具體用金融機構貸款余額與地區GDP之比表示。與本文關注的普惠金融運行模式不同，傳統金融服務主要是依賴于金融機構開展的。因此，金融發展水平可以反映傳統金融發展程度，還可以與數字普惠金融發展的作用相比較。

本文選擇控制變量如下：①人口密度，用總人口數與地區行政面積之比表示。人口密度可以反映出當地宏觀經濟特征，宏觀經濟發展會通過產業競爭、資源流動等影響農業TFP[2]。本文引入人口密度反映宏觀經濟環境對農業TFP的影響。②財政支出比重，用財政支出與地區GDP之比表示。政府干預經濟較為典型的形式是進行財政補貼[30]。基于這一思路，本文認為財政支出占比可以反映出政府干預對農業TFP的影響。③產業結構指數，具體設定為第一產業總產值/地區生產總值+2×第二產業總產值/地區生產總值+3×第三產業總產值/地區生產總值。產業結構變遷理論指出，產業結構變遷過程伴隨著部門間要素配置和生產率變化[31]，由此可能與農業部門的生產率增長息息相關。④衛生基礎設施，用醫療衛生機構床位數與總人口之比表示。BARRO[32]基于內生增長模型在理論上證實基礎設施建設對經濟增長具有外部性。衛生基礎設施既是一種典型的公共基礎設施，又可以通過保障農業勞動力健康進而提升農村人力資本[2]。本文引入衛生基礎設施來探究基礎設施對農業TFP增長的影響。⑤土地資源稟賦，用農作物播種面積與農林牧漁業從業人員之比表示。ADAMOPOULOS和RESTUCCIA[33]通過跨國比較證實，土地密度是解釋跨國農業生產率差異的重要因素。規模經濟理論也指出，適度的土地經營規模有利于農業生產者實現規模經濟，提高農業生產率。本文構建的人均農作物播種面積考慮了復種指數，更能真實反映土地資源稟賦對農業TFP的影響。⑥化肥使用強度，用化肥施用折純量與農作物總播種面積之比表示。化肥可以有效提高土地肥力，是一種典型的土地節約型技術進步[22]。本文通過化肥使用強度來考察其對農業TFP的作用。相關性檢驗結果表明，上述控制變量與被解釋變量存在顯著相關性，表明本文變量選擇相對合理。

（三）數據來源

本文數據主要來自于《中國縣域統計年鑒》、《中國區域經濟統計年鑒》和省市級統計年鑒等官方統計資料。數字普惠金融發展數據則來自于北京大學數字金融研究中心發布的數字普惠金融指數，該指數基于數字金融的覆蓋廣度、使用深度和數字程度等進行測度，對于該指數的指標體系和測算方法的詳細介紹可以參考郭峰等的研究[5]。需要指出的是，本文所使用的數字普惠金融發展變量仍然是縣域口徑而非是針對于縣域農業的，但縣域在當前推進鄉村振興戰略中的地位十分重要，特別是在區域金融協調發展方面扮演著關鍵角色。因此，本文認為用縣域層面的數字普惠金融發展指數來表示農村普惠金融發展水平是合理的，這也與已有文獻的處理相一致[4]。對于上述變量中的極少數缺失值，本文通過插值法予以補齊。

由于縣域層面的普惠金融發展指數可用的最早年份為2014年，本文在測算農業TFP時，對數據進行匹配并得到了2014—2018年860個縣的平衡面板數據。由于基期2014年的全局Malmquist指數為1，本文利用2015—2018年的面板數據分析數字普惠金融發展對農業TFP影響。各變量的描述性統計見表1。

本文還繪制了農業TFP的分布圖，具體見圖1。可以看出縣域農業TFP分布整體較為分散，2015年至2018年，TFP分布函數向右移動，表明農業TFP在研究區間內呈增長趨勢。但峰值卻有所變小，分布更為分散，表明不同縣域間農業TFP水平差異很大，只關注數字普惠金融發展的平均效應則會忽視可能存在的區域異質性。因此，利用無條件分位數固定效應模型探究異質性影響很有必要。

四、實證結果與分析

（一）數字普惠金融發展對農業TFP的影響分析

表2匯報了數字普惠金融發展對農業TFP影響的估計結果。為簡明起見，本文僅匯報了無條件分位數固定效應模型在第20、50和80分位點的估計結果，具體見表2的第二至第四列。為進行比較，同時將固定效應模型估計的平均效應結果陳列在最后一列。通過Hausman檢驗結果判斷選擇固定效應估計是否合適，檢驗值在1%水平上顯著，表明應選擇固定效應模型估計。

首先看關鍵變量的結果，數字普惠金融發展在最后一列的系數為正且顯著，表明在平均水平上，數字普惠金融發展對農業TFP增長有顯著正向影響。分位數模型的估計結果則顯示，在選定的3個分位點上，數字普惠金融發展對農業TFP的影響均為正且顯著。估計系數從最低20分位點的0.139增長到最高80分位點的0.605，表明數字普惠金融發展的農業TFP提升效應隨著分位點提高而增大。其現實含義是，對處于農業TFP高分位點的縣而言，其從數字普惠金融發展中的獲益更大。而數字普惠金融發展對農業TFP水平較低的縣的農業生產率提升效應則相對較小。上述討論支持了研究假說H1，表明數字普惠金融發展的農業TFP提升效應具有異質性，受農業生產單元相對生產率水平的影響。此外，其他控制變量如人口密度、財政支出比重、產業結構指數、衛生基礎設施和土地資源稟賦等對農業TFP均有顯著的異質性影響，考慮到本文重點關注數字普惠金融發展與農業TFP增長的關系，在此不多做討論。

進一步將樣本劃分為東中西三個地區考察可能的地區異質性，估計結果見表3。限于篇幅，本文省略匯報控制變量的結果。固定效應模型和分位數模型的估計結果表明，在東中西部地區，數字普惠金融發展對農業TFP均有顯著正向影響且同樣存在異質性。這說明數字普惠金融發展對農業TFP的異質性影響在不同地區均廣泛存在。值得注意的是，與東中部地區相比，數字普惠金融發展在西部的第20分位點的估計系數更大。說明盡管西部經濟發展水平等相對較低，但對這些地區農業TFP水平較低的縣，數字普惠金融的農業TFP提升作用更為明顯。

（二）傳統金融發展對農業TFP的影響分析

為與數字普惠金融發展相比較，本文還參考已有文獻[4]，構建了傳統金融發展水平指標，并分析其對農業TFP的影響，結果見表4。首先，最后一列的估計結果表明傳統金融發展對農業TFP具有顯著的正向影響，這與已有研究結論較為一致[17]。其次，分位數模型的估計結果表明，傳統金融發展對農業TFP的顯著正向影響僅存在于第20和50分位點，而對于最高的80分位點則沒有顯著影響。說明對位于農業TFP高分位點的縣，傳統金融發展并未起到提高農業生產率的作用。這一結果表明，與傳統金融發展相比，數字普惠金融發展的農業生產率提升效應具有“普惠”作用。最后，表4與表2比較發現，數字普惠金融發展系數比傳統金融發展更大。表明數字普惠金融發展的農業TFP提升作用更為顯著。

（三）穩健性檢驗

部分文獻指出，數字普惠金融發展變量可能是內生的[6]。雖然本文采用面板數據和固定效應模型來控制那些不隨時間變化的遺漏變量，可以在一定程度上減輕內生性，但為了進一步驗證結果的穩健性，本文通過替換關鍵變量進行穩健性檢驗。具體將數字普惠金融發展滯后一期進行估計。表5匯報了穩健性檢驗的估計結果，限于篇幅，同樣省略匯報控制變量的估計。滯后一期的估計結果表明，數字普惠金融發展對農業TFP的正向影響仍然存在，雖然系數有所減小，但在固定效應模型和分位數回歸模型中均顯著。從系數大小來看，從20分位點的0.096提高到80分位點的0.413，仍然符合隨分位數提高而單調遞增的特征。綜合來看，上述結果基本支持了表2的結果，表明本文的估計較為穩健。

五、結論與政策啟示

本文重點分析了數字普惠金融發展對農業TFP增長的異質性影響。首先利用2014—2018年860個縣域面板數據和全局Malmquist指數法測算了縣域農業TFP，然后利用無條件分位數固定效應模型分析了數字普惠金融發展對農業TFP的異質性效應。論文發現：第一，數字普惠金融發展顯著促進了縣域農業TFP的增長，但影響的大小依賴于縣域的相對生產率水平。即數字普惠金融發展對農業TFP的影響存在異質性。第二，在選定的第20、50和80分位點上，數字普惠金融發展的農業TFP提升效應隨分位點的提高而遞增。第三，與數字普惠金融不同，傳統金融發展僅對那些生產率水平較低（第20和50分位點）的縣域農業TFP有顯著的提升作用，隨著相對生產率的提高（第80分位點），其正向影響不再顯著。

本文研究證實，從農業生產率視角來看，數字普惠金融發展具有明顯的“普惠”性質。與之相比，傳統金融發展則并不具備類似性質。本文的研究結論對推進農村金融市場改革、實現農業TFP可持續增長具有重要的政策啟示。根據上述結論，本文提出如下的政策建議：第一，加快農村地區數字普惠金融發展與推廣。數字普惠金融發展是促進不同地區農業TFP增長的有效途徑。在農業動能轉換的背景下，繼續推動數字普惠金融發展有利于農業轉向生產率驅動型增長。第二，推動數字普惠金融發展的政策制定需要注意地區間的均衡性和偏向性。實證結果表明，中部地區低生產率水平的縣域受數字普惠金融發展的作用相對較小。對此，要針對性出臺幫扶政策，具體措施可以通過加強金融基礎設施建設、開展普惠金融使用培訓等。第三，推動傳統金融服務轉型升級。鼓勵銀行業和金融服務業通過改造升級金融信貸服務等手段和形式，針對農村地區構建多層次、廣覆蓋的服務體系，以實現傳統金融發展對不同地區農業TFP廣泛的提升作用。

[參考文獻]

[1]李谷成.中國農村經濟制度變遷、農業生產績效與動態演進——基于1978～2005年省際面板數據的DEA實證[J].制度經濟學研究，2009（3）：20-54.

[2]高維龍，李士梅，胡續楠.糧食產業高質量發展創新驅動機制分析——基于全要素生產率時空演化視角[J].當代經濟管理，2021，43（11）：53-64.

[3]鐘騰，吳衛星，瑪西高娃.金融市場化、農村資金外流與城鄉收入差距[J].南開經濟研究，2020（4）：144-164.

[4]張龍耀，邢朝輝.中國農村數字普惠金融發展的分布動態、地區差異與收斂性研究[J].數量經濟技術經濟研究，2021，38（3）：23-42.

[5]郭峰，王靖一，王芳，等.測度中國數字普惠金融發展：指數編制與空間特征[J].經濟學（季刊），2020，19（4）：1401-1418.

[6]周利，馮大威，易行健.數字普惠金融與城鄉收入差距：“數字紅利”還是“數字鴻溝”[J].經濟學家，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]張林，溫濤.數字普惠金融發展如何影響居民創業[J].中南財經政法大學學報，2020（4）：85-95.

[9]樊文翔.數字普惠金融提高了農戶信貸獲得嗎？[J].華中農業大學學報（社會科學版），2021（1）：109-119.

[10]彭澎，徐志剛.數字普惠金融能降低農戶的脆弱性嗎？[J].經濟評論，2021（1）：82-95.

[11]盛思思，徐展.數字普惠金融與生育：促進還是擠出[J].當代經濟管理，2022，44（3）：81-89.

[12]宋敏，周鵬，司海濤.金融科技與企業全要素生產率——“賦能”和信貸配給的視角[J].中國工業經濟，2021（4）：138-155.

[13]江紅莉，蔣鵬程.數字金融能提升企業全要素生產率嗎？——來自中國上市公司的經驗證據[J].上海財經大學學報，2021，23（3）：3-18.

[14]侯層，李北偉.金融科技是否提高了全要素生產率——來自北京大學數字普惠金融指數的經驗證據[J].財經科學，2020（12）：1-12.

[15]賀茂斌，楊曉維.數字普惠金融、碳排放與全要素生產率[J].金融論壇，2021，26（2）：18-25.

[16]褚翠翠，佟孟華，李洋，等.中國數字普惠金融與省域經濟增長——基于空間計量模型的實證研究[J].經濟問題探索，2021（6）：179-190.

[17]謝攀.城鎮化、金融發展與農業全要素生產率[J].農村金融研究，2020（11）：27-37.

[18]李健旋.農村金融發展與農業綠色全要素生產率提升研究[J].管理評論，2021，33（3）：84-95.

[19]葛和平，高越.數字普惠金融發展對農業全要素生產率的影響[J].財會月刊，2021（24）：144-151.

[20]劉艷.數字普惠金融對農業全要素生產率的影響[J].統計與決策，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]鄭宏運，李谷成.城鄉政策偏向對農業資源配置效率的影響研究[J].農業技術經濟，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]龔斌磊.投入要素與生產率對中國農業增長的貢獻研究[J].農業技術經濟，2018（6）：4-18.

[26]高帆.我國區域農業全要素生產率的演變趨勢與影響因素——基于省際面板數據的實證分析[J].數量經濟技術經濟研究，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]劉宗明，吳正倩.中間產品市場扭曲會阻礙能源產業全要素生產率提升嗎——基于微觀企業數據的理論與實證[J].中國工業經濟，2019（8）：42-60.

[31]吳萬宗，劉玉博，徐琳.產業結構變遷與收入不平等——來自中國的微觀證據[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

（責任編輯：蔡曉芹）

收稿日期：2022-01-06

基金項目：國家自然科學基金項目《中國農業全要素生產率增長的微觀基礎及若干農業政策的生產率效應評估》（71873050）。

作者簡介：鄭宏運（1994—），男，山東臨沂人，華中農業大學經濟管理學院副教授，主要研究方向為農業資源配置與生產率;李谷成（1982—），男，湖南長沙人，華中農業大學經濟管理學院教授、博士生導師，主要研究方向為農業經濟理論與政策。