数字化政策对农业绿色全要素生产率的影响
——基于国家大数据综合试验区的准自然实验

张钟桓 苟伟 靖智超
（山东农业大学，山东 泰安 271018）

      摘要：本文研究了数字经济对农业绿色发展的影响，发现国家大数据综合试验区的设立对提高农业绿色全要素生产率有着显著影响，数字技术通过优化资源配置、促进绿色生产技术的扩散以及提升农业用地流转效率，推动了农业的绿色高质量发展。基于研究结果，提出了推动数字技术在农业中的进一步应用与推广的政策建议。
      关键词：国家大数据综合试验区；农业绿色全要素生产率；数字经济
引言
      随着全球互联网的飞速发展，数字经济日渐成为经济发展的动力。数字技术的广泛应用，不仅加速了各行业的升级换代，还改变了传统的生产方式和消费模式，重塑了全球经济格局。数字经济通过大数据、人工智能、物联网等技术，打破了信息壁垒，提升了资源配置效率，推动了经济的持续增长和创新发展。特别是在疫情的背景下，数字经济展现出强大的抗风险能力，成为全球经济复苏的关键驱动力。
      在全球环境压力增大和资源紧张的背景下，推动农业的可持续发展已成为各国关注的焦点。作为衡量农业是否高效、环保生产的重要指标，农业绿色全要素生 产 率（Green Total Factor Productivity in Agriculture，GTFP）逐渐引起了人们的广泛研究。不同于传统的全要素生产率，GTFP 不仅关注投入要素的效率提升，还将环境因素纳入考量，强调资源利用的可持续性和对生态环境的保护。通过减少污染、优化资源配置和采用绿色技术，GTFP 为实现农业的绿色发展提供了有效路径。随着科技进步和数字技术的广泛应用，农业正面临前所未有的发展机遇。然而，如何平衡经济效益与环境保护，推动绿色生产技术的普及，仍是实现农业绿色高质量发展的关键问题。
一、政策背景与理论分析
（一）政策背景
      国家大数据综合试验区的设立是中国推动数字经济发展的重要举措之一。随着信息技术的快速进步和数字经济的崛起，大数据的广泛应用正不断推动经济社会的发展。为了抢占全球科技竞争和未来发展的制高点，国家出台了一系列政策推动大数据技术的应用和发展。国家大数据综合试验区的设立旨在通过政策引导和资源倾斜，构建大数据技术和产业发展的创新生态系统。2016年，贵州成为首个国家大数据综合试验区。同年 10 月，国家又成立了京津冀、珠江三角洲、上海、河南、重庆、沈阳和内蒙古试验区。截至目前，全国共建立了八大试验区，共同引领东部、中部、西部、东北“四大板块”的大数据产业发展。试验区的主要任务包括推动大数据技术创新和产业应用，完善大数据产业链，促进大数据与传统产业的深度融合，探索大数据在社会治理、公共服务、智慧城市等领域的应用场景，形成一批具有示范效应的大数据应用解决方案。国家大数据综合试验区建设以来成效显著。以贵州为例，根据《国家大数据（贵州）综合试验区发展报告 2022》，数字经济增速连续八年位居全国前列，数字经济增加值占全省生产总值比重达 39.1%，数字产业创新发展成效显著。国家大数据综合试验区建设带动了当地数字经济和大数据的快速发展，并赋能其他产业，推动产业数字化转型。
（二）理论分析
      国家级大数据综合试验区在推动农业绿色全要素生产率（GTFP）发展方面，具有重要的理论基础。首先，根据新生产要素理论，大数据作为新型生产要素能够显著提高农业生产效率。通过数据的收集、分析和应用，试验区能够优化农业资源配置，提高劳动力、土地和资本等传统要素的使用效率，从而推动技术进步与农业全要素生产率的提升。其次，技术扩散理论指出，技术进步的有效推广依赖于信息的迅速传播。大数据综合试验区通过整合物联网、云计算和人工智能等先进技术，能够加速绿色农业技术的扩散和普及，促进精准农业的发展，减少化肥、农药等资源的过度使用，从而提高绿色全要素生产率。此外，规模经济与范围经济理论表明，农业生产规模化和多样化可以带来效益提升。因此，国家级大数据综合试验区通过提升信息传递效率、促进技术进步和优化资源配置，为农业绿色全要素生产率的提升提供了坚实的理论依据和实践路径。由此，本文提出假说 1（H1）：大数据试验区的设立可以提高农业绿色全要素生产率。
二、模型设定与数据说明
（一）农业绿色全要素生产率测度
      本文采用基于非期望产出的超效率松弛变量模型对农业绿色全要素生产率进行准确测定。SBM 模型通过将非期望产出（如污染物排放）纳入分析框架，能够更全面地评估农业生产过程中的绿色效率，特别是在资源利用与环境保护之间的平衡。SBM 模型的核心在于同时考虑了期望产出（如农业产出效率）和非期望产出（如污染物排放、资源过度消耗）的影响。通过引入松弛变量，SBM 模型可以捕捉不同农业生产主体在投入要素使用和产出效率上的非效率之处。效率值介于 0~1，数值越接近 1，意味着农业生产效率越高，绿色全要素生产率越好。
（二）模型设定
      本文使用双重差分法 (DID) 考察了大数据试验区的设立对农业绿色全要素生产率的影响，具体模型设定如下：

式中：下标 i、t 分别为省份和年份；GTFPit 为省份 i 在 t年的农业绿色全要素生产率水平；DIDit 为 t 年省份 i 是否属于大数据试验区，是则取值为 1，否则取值为 0 ；Xit为一系列影响农业绿色全要素生产率的控制变量，参考胡永浩等 [2] 的研究，本文控制变量为经济发展水平、产业结构、城乡收入差距、农业总产值、城镇化水平、财政支农和受灾率；ρi 为省份固定效应，用来控制省份层面不随时间变化的特征；ηt 为时间固定效应，用来控制全国层面随时间变化的特征；εit 为随机扰动项；α 为常数项；β 为影响系数。
（三）数据来源与处理
      （1）大数据试验区。为了构造核心解释变量，本文将前文提到的八大综合试验区作为模型的实验组，构建本文的虚拟变量。
      （2）省份数据。考虑到数据的可得性等问题，以及 2020 年后疫情对数字经济发展带来了负面影响，参考孙伟增等 [1] 对年份的选取，本文使用 2010—2019 年的省级数据。它们都来自国泰安数据库、《中国统计年鉴》《中国农村统计年鉴》和国家统计局与各地方统计年鉴 [3]。
三、实证分析
（一）基准回归表 
      1 是建立试验区对全要素生产率的影响的估计结果。表中 gtfp（1）为省份和年份固定效应，gtfp（2）为省份层面的控制变量，核心解释变量的符号均不变，回归结果稳健。表 1 的回归结果显示，大数据试验区设立政策的系数均在 1% 的水平上显著为正，因此假说 1 得到验证。

（二）平行趋势检验
      平行趋势假设是 DID 模型的关键，在政策实施前两组的变化趋势必须是平行的，因此本文对所构建的模型进行平行趋势检验 [3]，构建如下模型： 

       在模型（2）中k ∈ [-6，3]， 表示以 2016年为界线，构建一个虚拟的变量，采取大数据综合试验区获批建设前 6 年和后 3 年，并以获批建设前第 k=-1 期为基期。结果发现综合试验区建设前，各年份回归系数均不显著，表明该政策实施前实验组和控制组的时间变化趋势一致，不存在显著差异。在政策实施后的 3 期中，系数均显著异于 0，因此通过了平行趋势检验（图 1），由此判定国家级大数据综合试验区建立的优势。

（三）稳健性检验
      （1）安慰剂检验。本文根据 2016 年大数据试验区的设立情况，随机生成了相同数量的处理组城市。图 2展示了“伪”大数据试验区对农业绿色全要素生产率回归系数 P 的密度分布，水平线是 P=0.1 的显著性水平，竖直线是真实系数值。从图 2 中可以发现随机生成的“伪”大数据试验区系数值分布在零值附近，均小于基准回归结果；P 值大多位于 0.1 以上，说明“伪”大数据试验区的回归系数不明显，本文得到的结果不是偶然，安慰剂检验通过是大数据试验区带来的影响。

      （2）倾向得分匹配双重差分法。为避免国家级大数据综合试验区设立前处理组与对照组之间的差异造成的偏差影响模型估计的有效性，本文采用 PSM-DID 方法进行稳健性估计。将试验区省份作为处理组，近邻匹配寻找对照组，再采用 DID 方法进行检验。匹配后的回归结果显示，DID 的系数仍然在 1% 水平下显著，说明研究结果稳健。
四、结语
      国家级大数据综合试验区在推动农业绿色全要素生产率（GTFP）发展中具有关键作用。建议大力支持大数据技术在农业中的推广与应用，加强技术培训和基础设施建设，同时制定吸引数字人才的政策，吸引更多精通大数据互联网的毕业生深入基层，不断推动数字技术在农业生产中的应用和推广，提高农民对数字设备的更新速度。同时，不断完善农业数字化基础设施建设，为数字技术应用提供基础。
参考文献
[1] 孙伟增, 毛宁, 兰峰, 等.政策赋能、数字生态与企业数字化转型:基于国家大数据综合试验区的准自然实验[J].中国工业经济, 2023(9):117-135.
[2] 胡永浩, 张昆扬, 武拉平, 等.环境规制对农业绿色全要素生产率的影响[J].生态经济, 2023, 39(12):118-125.
[3] 曾钦友, 张璇.数字金融对农业绿色全要素生产率的门槛效应研究:基于农业产业集聚视角[J].区域金融研究,2022(7):77-83.