马玉婷，女，南京林业大学经济管理学院讲师;
曹淑雯(通信作者)，女，华东理工大学商学院硕士生;
潘春阳，男，华东理工大学商学院副教授。
《南京农业大学学报（社会科学版）》2025年第六期
提高农业绿色全要素生产率是农业新质生产力的应有之义，也是促进农业高质量发展的必然要求。区别于以往研究，本文基于2011—2023年中国277个地级市数据，采用非期望产出的Super⁃SBM模型和GML指数模型对各城市的农业绿色全要素生产率进行量化评估，并实证检验数字金融对农业绿色全要素生产率的影响及其机制。研究结果表明:第一，数字金融能够显著提升农业绿色全要素生产率，经过一系列稳健性检验和内生性检验后，该结论仍然成立。第二，机制检验表明，数字金融能够通过绿色偏向的资源配置效应和绿色偏向的技术创新效应提高农业绿色全要素生产率。第三，从益贫式增长视角进一步分析发现，在低收入群体､低人力资本群体以及欠发达地区，数字金融的绿色增长效应更强，表明数字金融在促进农业绿色全要素生产率上呈现显著的益贫性，能够促进农业益贫式绿色增长。本研究有助于更深刻地认识和理解数字金融对农业绿色全要素生产率的作用机制，为数字金融实现农业益贫式绿色增长提供方向指引。
资源和环境不仅是经济发展的内生变量，更是农业可持续增长的核心约束条件。长期以来，中国农业经济的高速增长主要依赖土地扩张､劳动力密集投入和化学要素(化肥､农药､农膜)的过量使用。这种粗放型农业增长方式呈现显著的“三高一低”特征，即高资源消耗､高环境代价､高质量风险与低全要素生产率。相关数据显示，2022年中国水稻､小麦､玉米三大主粮的化肥利用率和农药利用率仅为41.3%和41.8%。其中，化肥每公顷施用量约为300千克，远超国际公认的环境安全上限(225千克/公顷)。这不仅严重影响耕地质量和农产品质量，更直接制约了农业绿色全要素生产率的提升空间。
提高农业绿色全要素生产率，既离不开政府的顶层设计，也需要金融体系提供有力的资金支持。受我国城乡二元金融结构的影响，农村金融市场长期处于供求失衡状态，农村地区
“融资难､融资贵”问题依然突出。近年来，以数字技术为依托的数字金融发展迅速，凭借其数字化､普惠性等功能，显著降低了金融服务成本，有力缓解了信息不对称问题，增强了金融服务供给的可持续性和可及性，从而有效弥补了传统金融服务的不足。实证研究表明，数字金融在农村地区同样能够发挥重要作用:它不仅能够提高农户信贷可得性､增加农户收入，还能通过农业产业结构升级､人力资本积累､农业技术创新等途径显著提升农业绿色全要素生产率。此外，教育性和健康性农村人力资本也被证明能够正向调节数字金融对农业绿色全要素生产率的影响。然而，既有研究在分析数字金融对农业绿色全要素生产率的影响机制时，大多集中于一般性分析层面，忽略了影响机制的绿色偏向性。并且，这些研究多采用省级数据。中国幅员辽阔，各省内部在资源禀赋､自然条件以及经济发展水平等方面差别很大，采用省级数据难以准确识别数字金融对农业绿色增长的微观影响。在探讨数字金融以其金融服务影响农业绿色增长时，不仅要关注金融服务的可及性扩张问题，更有必要从微观视角深入揭示益贫式绿色增长问题。因此，在现有研究的基础上，本文进一步关注的问题是:数字金融以何种机制影响农业绿色全要素生产率?在基础条件差､资源禀赋少､金融素养低的农业农村领域，面对低收入群体､低教育程度群体，数字金融对农业绿色全要素生产率的促进作用是否更为强劲?能否促进农业益贫式绿色增长?对上述问题的分析，不仅能为中国式现代化和农业高质量发展提供有力证据，还能为全球农业绿色转型和农业可持续发展提供中国智慧与中国方案。
为此，本文基于2011—2023年中国277个地级市面板数据，采用非期望产出的Super⁃SBM模型和GML指数模型，对各地级市的农业绿色全要素生产率进行量化分析，并在此基础上实证检验数字金融对其的影响及作用机制。此外，本文还进一步考察数字金融对低收入群体､低人力资本群体以及欠发达地区农业绿色全要素生产率的驱动效应。本文的边际贡献主要体现在以下三个方面:第一，相较于现有少量基于省级数据的实证研究，本文以地级市研究单元展开分析，为揭示数字金融的农业绿色增长效应提供更微观的经验证据，也为考察农业绿色增长的益贫性奠定客观基础。第二，不同于现有文献一般性的影响机制讨论，本文从农业绿色全要素生产率的本质内涵出发，重点从绿色偏向的资源配置效应和绿色偏向的技术创新效应两个维度深入揭示数字金融对农业绿色全要素生产率的影响机制，特别强调影响机制的绿色偏向性，这为数字金融的农业绿色增长效应提供更具针对性的解释框架。第三，区别于现有文献多关注数字金融对农业绿色全要素生产率的同质性影响，本文强调数字金融中的“包容性”内涵，并以此视角实证检验其是否更有利于提高低收入群体､低人力资本群体以及欠发达地区农业绿色全要素生产率的增长，从而为数字金融推动农业益贫式绿色增长提供方向指引。
农业绿色全要素生产率是在传统农业全要素生产率的基础上，进一步考虑资源与环境硬约束，用以衡量在既定要素组合情况下实现产出最大化和污染最小化的绿色生产效率。目前，学术界围绕该主题已经开展了较为丰富的研究。一部分学者基于中国省级数据，对农业绿色全要素生产率进行了测度，并分析了其空间分异特征及其形成机制。另有一些学者进一步探讨了其影响因素，如绿色贸易壁垒､农业产业集聚､财政支出､农业保险､数字乡村建设､数字经济以及环境规制等，均被证实对农业绿色全要素生产率具有显著的提升作用。
随着数字金融的不断发展，学者们开始关注其对农业农村经济发展的影响。基于宏观面板数据的实证研究发现，数字金融作为传统金融的有效补充，能够收敛城乡收入差距､提高农业全要素生产率并促进农业高质量发展。在微观层面，实证研究显示，数字金融通过缓解农户家庭资金约束､改善信息不对称､扩大农业经营规模等途径，有效提高了农户收入。此外，数字金融还有助于提升脱贫摘帽地区的内生发展动力，降低返贫风险。另有学者从理论层面深入论述了数字金融赋能农业新质生产力的内在逻辑和实现路径。
现有研究更多地关注数字金融对农业农村经济发展的影响，但这种发展是否存在绿色偏向?在数字金融促进农业农村经济发展的同时是否保住了“绿水青山”?数字金融是否有助于将“绿水青山”转化为“金山银山”?当我们分析这一问题，不能以忽略省内差异性的方式､以省级层面“均值化”简单得出数字金融能够显著促进农业绿色发展的结论。在本文看来，数字金融还能够从多方面提高农业绿色全要素生产率。第一，数字金融以其门槛低､成本低､可及性强等优势，能够有效缓解农户的融资约束，增加农业生产性投资，这为农业绿色生产提供资金支持;第二，数字金融的数字化特征，能够减少信息不对称，缓解金融资源错配，引导资金更多流向农业绿色生产项目;第三，数字金融有助于激励农业绿色技术创新，推进农业投入品减量，从而提高农业绿色全要素生产率。此外，数字金融能够通过解决农业生产全生命周期中遇到的困境，进而促进农业可持续发展。
具体来看，数字金融可以通过两条路径作用于农业绿色全要素生产率:绿色偏向的资源配置效应､绿色偏向的技术创新效应。
一是绿色偏向的资源配置效应。加快农业绿色转型，实现“绿水青山”向“金山银山”的转换，需要绿色发展资本。相比富裕群体或地区，贫困群体或地区不仅缺乏绿色发展的能力，还缺乏绿色发展的动力，更容易陷入绿色发展陷阱。数字金融以其独特的数字化与普惠性优势，能够有效弥补传统金融的不足，提高金融资源配置效率，促进资本高效流向绿色生产领域。首先，数字金融的数字化特征有利于简化审批与支付流程，提升金融服务的便捷性与效率，降低金融交易成本。其次，数字金融凭借其数字化特征能够实现对农户生产数据的精准捕捉，缓解金融机构与农户间的信息不对称，进而促进更多金融资源合理､精准投放至农业绿色生产的关键区域与群体。比如，给予采纳绿色生产方式的农户以低息贷款，激励更多农户采取更环保更绿色的生产方式。此外，数字金融的普惠性特征有利于促进金融资源在不同地区与群体间的优化配置，推动农业的绿色增长与社会公平的双重实现，更好地实现农业益贫式绿色增长。
二是绿色偏向的技术创新效应。科技创新是农业绿色增长的重要动力。农业绿色技术创新常常面临资金短缺的困境，加之传统金融对农村的排斥，绿色技术创新意愿与能力受到严重制约。数字金融能够有效降低绿色技术研发的融资约束，引导金融资源流向农业绿色技术研发与应用领域，激励农业绿色技术创新，降低农业绿色技术创新风险，进而促进农业绿色全要素生产率的提高。具体而言，根据偏向性技术进步理论，技术进步方向受要素相对价格和市场规模影响。数字金融能通过“改变要素相对价格-诱导绿色偏向的技术创新”的路径影响农业绿色全要素生产率。数字金融通过降低绿色技术的融资成本，改变传统农业中“高污染-低成本”与“绿色技术-高成本”的要素价格比，激励农户和企业进行绿色技术研发与创新，从而诱导技术向绿色方向演进。此外，在数字金融的影响下，即使不是严格“绿色”的一般农业发明专利，但其对绿色技术创新仍具有间接推动作用。一方面，环境之间存在关联，一般农业发明专利(如农业机械化深耕装置)在提升农业生产效率的同时，通过调整农业种植结构和农业劳动力转移，影响污染性投入要素和废弃品处理，间接产生环境效益。另一方面，由于技术存在外溢效应，农业专利技术的研发与应用可能催生绿色偏向的技术创新。
综上所述，本文提出以下三个研究假说:
H1:数字金融能够促进农业绿色全要素生产率的提高。
H2:数字金融能够通过绿色偏向的资源配置效应提高农业绿色全要素生产率。H3:数字金融能够通过绿色偏向的技术创新效应提高农业绿色全要素生产率。
(一)数据来源
根据数据可得性，本研究选择中国277个地级市作为研究样本，讨论数字金融对农业绿色全要素生产率的影响及其机制。其中，数字金融数据源自北京大学数字普惠金融研究中心发布的数字普惠金融指数，农业绿色全要素生产率则采用包括非期望产出的Super⁃SBM模型和GML指数模型予以测算。相关数据来自各城市统计公报､《中国农村统计年鉴》和《中国环境统计年鉴》。此外，本文还匹配了城市层面的经济特征变量，数据来自《中国城市统计年鉴》《中国人口和就业统计年鉴》以及历年城市统计公报，个别缺失值采用线性插值法予以补齐，最终得到2011—2023年277个地级市的平衡面板数据集。
(二)变量选取与测度
1.被解释变量
本文以农业绿色全要素生产率(AGTFP)作为被解释变量，该变量通过Super⁃SBM模型和GML指数模型测算得到。具体模型设置如下:假设决策单元(DecisionMakingUnit，DMU)投入､期望产出与非期望产出分别表示为x､yg和yb。
其中，投入指标包括第一产业劳动力､农作物总播种面积､农用机械总动力､有效灌溉面积以及化肥､农药和农膜的使用量。期望产出指标采用农业总产值予以衡量，并以2011年为基期进行价格平减，将其转换为实际可比产值。非期望产出指标包括碳排放和农业面源污染两项。受数据可得性限制，本文仅对化肥､农药和农膜使用所产生的碳排放总量进行测算，碳排放源的系数分别是:化肥0.8956kgC/kg､化学农药4.9341kgC/kg､农膜5.18kgC/kg。在农业面源污染方面，采用清单分析法，选取化学需氧量(COD)､总氮(TN)､总磷(TP)､农药及农膜作为污染因子，并设定化肥流失率为0.65，农药污染率为0.5，地膜残留率为0.1。
公式表达如下:
GMLt+1表示决策单元GML指数在t到t+1年变化，DG是基于全局的方向距离函数､DT是基于当期的方向距离函数，下标C表示规模报酬不变，下标V表示规模报酬可变。PEC表示纯效率变化，PTC表示纯技术进步，STC表示规模技术变化，SEC表示规模效率变化。
2.核心解释变量
本文的核心解释变量是数字金融(DF)，以北京大学数字普惠金融研究中心公布的“数字普惠金融指数”(2011—2023)作为其代理变量。为了缓解数据的异方差问题，并使各变量的量纲更为统一，本文对该指数进行对数化处理。
3.控制变量
参考杨怡的研究，本文选取以下6个控制变量。具体包括:(1)经济发展水平(GDP)，以地区总产值衡量，并对它以2011年为基期进行平减处理;(2)财政支出强度(expend)，以财政支出与地区总产值之比衡量;(3)农业产业结构(struct)，用第一产业占地区生产总值的比重表示;(4)城镇化(urban)，用非农业人口占户籍人口比重表示;(5)经济开放程度(FDI)，用当年实际使用外资额占地区生产总值的比例来表示;(6)机械投入(machine)，用农用机械总动力的对数表示。
4.机制变量
根据前文的理论分析，数字金融可以通过绿色偏向的资源配置效应和绿色偏向的技术创新效应影响农业绿色全要素生产率。为检验上述两个机制，我们采用农业绿色技术效率
(EC)作为检验绿色偏向的资源配置效应的机制变量，数据源于GML分解指标纯效率变化(PEC)与规模效率变化(SEC)的乘积;采用农业发明专利的对数(patent)和农业绿色发明专利的对数(patent_green)作为检验绿色偏向的技术创新效应的机制变量，该数据来源于国家知识产权局，其中农业发明专利通过检索A01专利分类号整理所得，农业绿色发明专利基于《国际专利分类表(IPC2023)》中与农业绿色技术直接相关的子分类筛选整理所得，主要包括灌溉替代技术､农药替代品以及土壤改良技术3个子分类。
各变量的描述性统计见表1。
(三)实证策略
为研究数字金融对农业绿色全要素生产率的影响，构建如下基准回归模型:
式(2)中，β0为常数项，β1为核心解释变量系数，i，t分别为某个城市和年份，AGTFP为农业绿色全要素生产率，DF为数字金融，Control为各控制变量，Cityi为不随时间变化的城市固定效应，Yeart为不随个体变化的时间固定效应，εit为随机误差项。
(一)基准回归结果
表2汇报了数字金融对农业绿色全要素生产率的基准回归结果。其中，第(1)列为加入控制变量､年份固定效应的估计结果，第(2)列引入了城市固定效应，第(3)列增加了城市层面的聚类稳健标准误。结果表明，不论哪一种情况，数字金融的回归系数均显著为正，这说明结果具有稳健性。具体而言，根据第(3)列的结果，数字金融在1%的显著性水平上对农业绿色全要素生产率具有正向影响，数字金融水平每提升1%，农业绿色全要素生产率平均上升0.553个百分点，假说1得到验证。
(二)稳健性检验
1.替换核心解释变量
为进一步检验基准回归结果的稳健性，参考易行健和周利的研究，采用数字金融覆盖广度指数和保险业务指数作为新的解释变量重新进行估计。结果显示，覆盖广度指数和保险业务指数的回归系数分别在1%和5%的统计水平上显著为正。可见，无论采用数字金融综合指数还是其细分维度指标，数字金融的核心解释力均未发生实质性改变，这表明结论是稳健的。
2.剔除直辖市
考虑到不同区域间的经济发展水平不一，数字金融的作用效果也可能呈现差异性，从样本中剔除北京､上海､天津和重庆4个直辖市并重新进行回归分析。回归结果显示，剔除直辖市后，数字金融在5%的统计水平下显著促进农业绿色全要素生产率，说明提高数字金融水平可以显著提升农业绿色全要素生产率，这表明结论是稳健的。
3.缩尾处理
为消除离群值对估计结果的影响，对所有变量在2%和98%分位上进行极端值缩尾，然后重新回归。回归结果表明，缩尾处理后，数字金融在1%的统计水平上显著促进农业绿色全要素生产率，同样表明结论是稳健的，再次验证了假说1成立。
4.缩短研究区间
考虑到研究区间涉及2021年，该年度中国经济受疫情影响极为严重，农业经济同样受到极大影响。为剔除特殊年份的影响，采取缩短研究区间的方法，进一步检验基准回归结果的稳健性。结果显示，数字金融的回归系数仍然显著为正，这表明结论是稳健的。
(三)内生性讨论
在上述基准回归模型中，虽然尽可能地控制了相关变量，并控制了时间和地区固定效应，也进行了一系列的稳健性检验以证实结论的可靠性，但仍然可能存在内生性问题。为此，本研究参考王磊和马金铭的做法，选择全市每年的固定电话用户数作为数字金融的工具变量进行内生性检验。首先，固定电话的普及程度和使用情况在一定程度上可以反映一个地区的通信基础设施水平和信息化程度，而信息化程度是数字金融发展的重要基础，因此可以认为固定电话数在很大程度上会影响一个地区的数字金融发展水平，这较好满足了工具变量与内生变量的相关性条件。其次，固定电话数作为一个通信基础设施的指标，并不直接参与农业生产过程，也不会直接影响农业绿色全要素生产率的提升，在一定程度上满足外生性的要求。第一阶段F统计量为28.493，表明不存在弱工具变量问题。第二阶段回归结果显示，在解决内生性问题后，数字金融的农业绿色增长效应仍然存在，再次证明本研究结果稳健可靠。
(四)机制检验
1.绿色偏向的资源配置效应
为检验假说2中绿色偏向的资源配置效应机制，本文采用农业绿色技术效率(EC)作为机制变量，实证检验数字金融对农业绿色技术效率的影响。模型构建如下:
表3列(1)和列(2)汇报了绿色偏向的资源配置效应机制检验结果。列(2)结果显示，数字金融在10%的统计水平上显著为正，说明数字金融能够通过绿色偏向的资源配置效应提升农业绿色全要素生产率，假说2得到验证。可能的原因是，以信息技术为支撑的数字金融不仅简化了审批支付流程，还能够追踪农户交易行为数据补充征信体系，缓解金融机构与农户之间的信息不对称，提高了金融资源配置效率，促进金融资源流向农业绿色发展项目，引导农业生产绿色化､低碳化。
2.绿色偏向的技术创新效应
为了检验绿色偏向的技术创新效应机制，本文分别将农业发明专利的对数(patent)和农业绿色发明专利的对数(patent_green)作为机制变量，实证检验数字金融能否通过促进农业技术创新提高农业绿色全要素生产率。模型构建如下:
表3列(3)到列(6)汇报了绿色偏向的技术创新效应机制检验结果。列(4)和列(6)的回归结果显示，当控制时间和地区固定效应并且聚类到城市层面时，数字金融分别在5%和1%的统计水平上显著推动农业绿色技术创新，说明数字金融能够通过绿色偏向的技术创新效应提升农业绿色全要素生产率，假说3得到验证。值得注意的是，由于农业生态系统是高度关联､相互影响的，即便不是直接针对绿色技术的农业发明，也可能在实施过程中产生节能减排､资源高效利用等绿色效应。这一发现不仅验证了数字金融对农业技术创新的推动作用，更进一步揭示了技术创新在推动农业绿色转型中的溢出效应。
(一)微观层面:对弱势群体的益贫性
从理论上说，数字金融对弱势群体(在农村，弱势群体主要集中于低收入农户和低人力资本农户)的益贫性主要体现在以下三个方面:一是提高金融服务的可获得性与包容性。数字金融凭借其数字技术优势和普惠属性，显著降低了金融服务的使用门槛和交易成本，使传统金融难以覆盖的弱势群体被纳入正规金融服务体系中。金融服务可得性的提高，使得低收入农户更便捷地获得信贷支持和农业保险等生产性资源，为其采纳绿色农业技术､改善农业生产方式提供了资金支持，从而有助于提高农业绿色生产率。二是缓解信贷约束。数字金融依据大数据､人工智能等技术，能够更精准地识别和评估农户的信用状况与还款能力，克服传统金融服务因信息不对称而导致的信贷配给问题。这使得金融机构能够更有针对性地为不同特征农户提供适配的金融产品，帮助弱势群体解决融资难､融资贵问题，增强其绿色投资的积极性与可持续性。三是促进农业技术扩散与知识溢出。数字平台通过视频､在线培训等低门槛传播方式，使受教育程度较低的农户也能便捷地接触到先进的农业绿色生产技术和管理知识。这种广泛而高效的技术扩散效应，有助于加速农业绿色技术的推广与应用，从而对提升农业绿色全要素生产率产生积极作用。
然而，弱势群体享受数字金融服务可能面临数字鸿沟的挑战。面对这一挑战，许多地方在数字金融的实践中采取了填补“数字鸿沟”的措施。一是简化操作流程。数字金融平台设计简洁､易操作，使得弱势群体也能够轻松上手，享受便捷的金融服务。二是提供金融教育。数字金融平台还通过线上课程､视频教程等方式，为弱势群体提供金融知识普及和技能培训。那么，近年来的数字金融实践是否跨越了“数字鸿沟”给弱势群体带来“数字红利”?在促进农业绿色全要素生产率上能否发挥其包容性作用，实现农业益贫式绿色增长?换句话说，对于低收入群体､低人力资本群体，数字金融对农业绿色全要素生产率的促进作用是否更强?为验证这一问题，分别将农户收入的对数(income)和人力资本(rural_hr)作为门槛变量进行估计，通过考察变化的不连续性，实证检验数字金融是否具有益贫性。其中，人力资本采用农户的受教育年限来衡量。设定面板门槛模型如下:
其中，Ι(·)表示示性函数，γ1为门槛值，其余变量含义与基准回归保持一致。采用Bootstrap循环检验300次，结果通过显著性检验。收入和受教育年限的门槛值分别为9.073和7.815。
表4回归结果显示，在门槛前后，数字金融的农业绿色增长效应一直存在。列(1)显示，当农户收入水平低于门槛值9.073时，数字金融的回归系数显著为正且回归系数为0.645，说明在低收入人群中，数字金融每增加1%，农业绿色全要素生产率提升0.645个百分点。当农户收入水平跨过门槛值9.073时，数字金融回归系数为0.546，这种效果小于低收入人群。类似的，列(2)显示，当农户受教育年限低于7.815这一门槛时，数字金融的回归系数在1%统计水平上显著为正且回归系数为0.542。当农户受教育年限高于门槛值7.815时，数字金融的回归系数为0.495，这种效果小于低人力资本群体，呈现民生需求主导的增长模式。上述结果表明，在低收入群体和低人力资本群体中，数字金融对农业绿色全要素生产率的促进作用更强，数字金融具有显著的益贫式绿色增长效应。
(二)宏观层面:对欠发达地区的益贫性
相较于发达地区，欠发达地区往往面临更严重的金融服务不平等问题。传统金融机构这些地区的分支机构和金融服务覆盖率往往较低，导致欠发达地区农户难以获得足够的金融支持。从理论上说，数字金融通过不断完善数字金融基础设施，能够突破传统金融服务的时间和空间限制，推动金融服务向更深､更广范围发展，将金融服务向欠发达地区拓展，有助于欠发达地区以较低成本､较低门槛､更加便捷地获得金融服务，从而缓解发达地区与欠发达地区之间的金融不平等，提升发展的均衡性和有效性。
那么，近年来的数字金融实践是否跨越了“数字鸿沟”，给欠发达地区带来“数字红利”?数字金融是否有助于缩小欠发达地区和发达地区农业绿色全要素生产率，实现农业益贫式绿色增长?为检验上述问题，将样本分为发达地区和欠发达地区，分别检验数字金融对这两个地区农业绿色全要素生产率的影响。其中，发达地区主要包括东部沿海省份，欠发达地区主要包括中西部内陆省份。由于地理位置､资源禀赋､政策扶持､历史文化等多重因素，东部沿海地区比中西部内陆地区的经济发展程度高。
表5的回归结果显示，数字金融对发达地区农业绿色全要素生产率并没有显著影响，而对于欠发达地区则呈现显著的促进作用。可见，相比发达地区，数字金融对欠发达地区农业绿色全要素生产率的促进作用更强。其原因可能在于，数字金融以其低门槛､低成本和高效率等优势为欠发达地区农户提供了更充分的金融支持，并引导更多金融资源流向绿色生产项目，从而显著提升了农业绿色全要素生产率。相比之下，发达地区本身金融发展程度比较高，数字金融所带来的边际提升效应相对有限，因而其对农业绿色全要素生产率的提升效果并不显著。上述结果说明，数字金融能够充分发挥其益贫性功能，有效缓解地区间金融发展的不平等，助力实现更具包容性的农业绿色增长。这与王磊和马金铭的结论有所不同。本文认为，产生差异的原因可能包括:首先，他们使用省级数据进行分析，而本文采用的是地级市数据，数据颗粒度的不同可能导致了研究结论的不同。其次，本文的被解释变量是农业绿色全要素生产率，而他们的被解释变量为基于熵值法测算的农业绿色发展水平，两者虽然都能反映农业绿色发展水平，但两者在测算方法和数据结构上存在区别，这也可能是结论不一致的原因。简言之，数字金融的“长尾覆盖”特性，能够有效缓解弱势群体在绿色转型中面临的流动性约束。这一发现不仅拓展了金融发展理论中的包容性增长维度，也深化了对于数字金融的农业绿色增长效应的理解。
本文研究发现:第一，数字金融能显著提升农业绿色全要素生产率，并且经过一系列稳健性检验､内生性检验后，该结论仍然成立。第二，机制检验表明，数字金融能通过绿色偏向的资源配置效应和绿色偏向的技术创新效应提高农业绿色全要素生产率。具体而言，数字金融可以有效缓解信息不对称，优化资源配置，促进金融资源更加高效与公平，进而提高农业绿色全要素生产率。此外，数字金融能通过推动农业绿色技术创新，促进农业绿色全要素生产率提升。第三，数字金融的益贫式绿色增长效应检验结果显示，在低收入群体､低教育程度群体以及欠发达地区，数字金融对农业绿色全要素生产率的促进作用更强，说明数字金融能够促进农业益贫式绿色增长。
结合上述研究结论，本文提出以下政策建议。第一，要持续强化数字金融在农业农村领域的应用与推广。金融机构要积极运用新兴信息技术，依据不同地域特点，针对性打造具有惠农利民特性的普惠金融产品与服务体系，促进金融资源以更高效､更便捷､低成本方式惠及更大范围群体，尤其是弱势群体和欠发达地区农民群体。第二，相关政府部门以及金融机构要加大数字金融在农村地区的宣传力度，积极开展数字金融教育与培训工作，培训内容不仅要涵盖数字金融的基础知识，如电子支付､网上银行､手机银行等操作技能，还要包括数字金融风险防范知识，努力提高农民群众尤其是低收入群体､低受教育程度群体对数字金融的理解度和接受度，切实增强农民群众的金融意识和素养。第三，政府要加强对农业绿色技术创新的资金支持，优化资金配置领域，提高资金使用效率，确保资金能够精准投入农业绿色技术创新的关键领域和重点项目上。同时联合企业､高校､研究机构等创新主体开展农业绿色技术创新攻关，推动绿色技术创新成果在农业生产领域的应用与推广，切实提高农业科技创新成果转化效率。
《南京农业大学学报（社会科学版）》于2001年创刊，是南京农业大学主办的学术性理论刊物。目前已入选CSSCI来源期刊、全国中文核心期刊、国家社科基金资助期刊、教育部名栏工程期刊、人大复印资料重要转载来源期刊。
本刊常设“农村社会发展”“农民问题”“农业经济”“土地问题”等栏目。主要关注农村社会发展与转型、乡村治理、粮食安全保障、农民生计与保障、农村土地制度与土地流转、贫困与精准扶贫、农村组织与制度、农业经营主体、农村金融、生态经济与环境治理、农产品生产与流通、农村政治与文化等具有政策性、现实性并有一定学术性和理论高度的研究。
投稿网址：http://njnydxxbskb.paperonce.org/
咨询电话：025-84396306
10个月宝宝每天需要喝多少奶粉？
