数字普惠金融、数字素养与中国农业产业结构升级

《Frontiers in Sustainable Food Systems》：Digital inclusive finance, digital literacy, and agricultural industrial structure upgrading in China

　　

研究人员利用2011-2023年中国31个省份的面板数据，采用双向固定效应模型（two-way fixed-effects model）检验了数字普惠金融（Digital Inclusive Finance, DIF）对农业产业结构升级的影响，并分析了其影响渠道。研究人员特别关注了农村居民数字素养（Digital Literacy, DL）在数字普惠金融与农业产业结构升级关系中的调节作用。结果表明，数字普惠金融显著促进了农业产业结构升级。这一发现在农业功能区（agricultural functional zones）和数字经济（Digital Economy, DE）发展水平不同的省份中保持一致，并且在工具变量（Instrumental Variable, IV）估计和一系列额外检验（包括极端值处理、剔除直辖市、控制COVID-19冲击以及滞后效应检验）中保持稳健。渠道分析表明，数字普惠金融显著改善了信贷可及性（Credit Accessibility, CA），促进了农业价值链整合（Agricultural Value Chain Integration, AVCI），并增强了通过数字渠道营销农产品的能力，为理解数字普惠金融如何影响农业产业结构升级提供了渠道层面的经验证据。此外，农村居民数字素养显著增强了数字普惠金融对农业产业结构升级的正向效应，且该效应在数字素养水平较高时更为明显。这些发现表明，在发展中国家，数字普惠金融并不会自动转化为农业产业结构升级。其有效性还取决于农村居民数字素养的提升以及信贷支持、农业价值链整合和数字销售条件等方面的配套进步。

**研究背景与问题**

农业产业结构升级是发展中国家农业转型的核心议题，其关键在于将土地、资本、劳动力和技术重新配置到更具生产力和附加值的活动中。传统金融服务因农业长周期、高风险、低抵押品及生产分散等特点，面临信息获取、合同设计及风险管理的高昂成本，难以有效覆盖长尾农村客户。数字普惠金融（Digital Inclusive Finance, DIF）凭借数字化渠道，理论上能缓解信息不对称、降低交易成本，为农业农村金融提供新机遇。然而，DIF的潜力并非自动转化为实际效果：其以数字技术为载体的特征可能降低传统金融交易成本的同时，也增加了生产者因数字操作、信息处理和风险评估而产生的使用成本。农村居民数字素养（Digital Literacy, DL）的城乡差距（2025年全球农村互联网使用率58%，远低于城市85%；中国农村成人基本数字素养率50.57%，低于城市65.92%）导致需求侧能力不足，可能制约DIF对农业产业结构升级的促进作用。现有文献多从产出扩张、效率提升或发展质量等角度评估DIF的农业效应，对农业产业结构升级这一综合性结构转型成果的直接考察有限；机制分析常聚焦单一渠道（如融资约束、要素配置），缺乏从融资、生产组织到产品营销的整合框架；且对需求侧数字能力差异的调节作用关注不足。为此，研究人员将DIF、DL与农业产业结构升级纳入统一分析框架，基于交易成本经济学，从融资可及、生产组织和产品营销三个关键环节考察DIF的渠道，并引入DL作为需求侧能力条件，探究DIF从“可及”到“有效使用”的转化条件。

**研究方法与关键技术**

论文利用2011-2023年中国31个省份的省级面板数据，以双向固定效应模型（控制省份和年份固定效应）为基准框架，检验DIF对农业产业结构升级的平均效应。为缓解内生性，采用两个工具变量：1984年电话通信水平与滞后全国互联网用户数的交互项、地形起伏度与滞后全国互联网用户数的交互项，进行两阶段最小二乘估计。通过一系列稳健性检验：缩尾（1%和99%分位、5%和95%分位）和截尾处理、剔除直辖市、控制COVID-19冲击（加入DIF与疫情虚拟变量交互项）、以及滞后效应检验（滞后一期和两期）。渠道分析中，分别以涉农贷款余额占比衡量信贷可及性（Credit Accessibility, CA）、农产品加工转化率衡量农业价值链整合（Agricultural Value Chain Integration, AVCI）、农村电商销售额衡量农产品数字营销能力（Digital Marketing Capacity, DMC）作为因变量，检验DIF的影响。调节效应分析中，将DIF和DL进行标准化，加入交互项DIF_Z×DL。异质性分析按农业功能区（主产区与非主产区）和数字经济发展水平（高、低组）进行子样本回归。数据来源包括北京大学数字普惠金融指数（2011-2023）、CSMAR数据库、中国统计年鉴、中国农村统计年鉴等。

**研究结果**

**5.1 基线回归结果（Baseline regression results）**：控制省份和年份固定效应及其他控制变量后，DIF系数为0.0606，在1%水平上显著为正，表明DIF显著促进农业产业结构升级，支持假设1。

**5.2 内生性处理（Addressing endogeneity）**：采用工具变量法后，第二阶段DIF系数为0.1407，在5%水平上显著。Kleibergen-Paap rk LM统计量（p=0.0042）拒绝不可识别假设，Cragg-Donald Wald F（21.766）和Kleibergen-Paap rk Wald F（11.014）表明弱工具变量问题有限，Hansen J统计量（p=0.4276）接受工具变量外生性，验证了结论的稳健性。

**5.3 稳健性检验（Robustness tests）**：缩尾（1%/99%及5%/95%分位）和截尾处理后DIF均显著为正；剔除直辖市后系数为0.0559（1%显著）；控制COVID-19冲击后DIF主效应显著，交互项不显著，表明疫情未改变促进作用；滞后一期和两期DIF系数均显著为正，表明效果具有持续性。

**5.4 渠道分析（Channel analysis）**：DIF对CA（系数5.6952，5%显著）、AVCI（系数1.6409，5%显著）和DMC（系数57.9453，1%显著）均有显著正向影响，表明DIF通过改善信贷可及性（支持假设1a）、促进农业价值链整合（支持假设1b）和增强农产品数字营销能力（支持假设1c）三个渠道推动农业产业结构升级。

**5.5 调节效应结果（Moderation effect results）**：DIF_Z系数（5.5927，1%显著）表明当DL处于样本均值时DIF显著促进升级；交互项DIF_Z×DL系数（0.2523，10%显著）为正，表明DL水平每提高一个标准差，DIF对升级的边际效应增加0.2523单位，即DL正向调节DIF的促进作用，支持假设2。

**5.6 异质性检验（Heterogeneity tests）**：按农业功能区划分，DIF在主产区（0.0630，1%显著）和非主产区（0.0531，5%显著）均显著为正；按数字经济发展水平划分，DIF在高水平组（0.0580，1%显著）和低水平组（0.0501，5%显著）也均显著，表明促进效应在不同农业功能和数字经济环境中相对稳定。

**讨论与结论**

讨论部分指出，本研究结果与多数已有文献一致，但特别强调了DL的正向调节作用，这与Wen和Liu（2023）关于DL主导农村居民金融行为反应的研究相呼应；而Li和Yang（2024）发现DL提升对农村居民金融市场参与（股票、基金等专业投资）不显著，原因在于其定义侧重于高风险金融投资，而本研究关注基础金融工具的使用，属于不同层次的金融行为。研究人员认为，DL是需求侧的“最弱一环”，即使供给端持续改善，需求侧意愿和能力不足仍会限制DIF的实效。

**研究结论**（翻译自原文7.1 Conclusion）：
第一，数字普惠金融显著促进农业产业结构升级。在控制省份固定效应、年份固定效应及相关协变量后，DIF系数保持正向且统计显著。经工具变量法缓解潜在内生性后，这一核心发现依然成立。缩尾、截尾处理、剔除直辖市、控制COVID-19冲击以及引入滞后项等一系列额外检验均支持该结论的稳健性。
第二，数字普惠金融显著改善了信贷可及性，促进了农业价值链的整合与延伸，并增强了通过数字手段营销农产品的能力。这些发现为理解数字普惠金融影响农业产业结构升级的可能渠道提供了经验证据。
第三，农村居民数字素养正向调节数字普惠金融对农业产业结构升级的效应。具体而言，随着农村居民数字素养水平提高，数字普惠金融的正向效应更强。较高的数字素养有助于降低数字金融服务的使用成本，从而使数字普惠金融更有效地降低农业生产和经营全过程的交易成本。
第四，异质性分析进一步表明，数字普惠金融对农业产业结构升级的促进作用在不同农业功能和数字经济发展水平的地区相对稳定。在主要产粮区和非主要产粮区，以及数字经济发展水平高和低的地区，估计系数均为正且统计显著。