下载掌阅APP，畅读海量书库
立即打开
乡村振兴，产业兴旺是重点。本节以北京市设施农业为研究对象，基于乡镇设施农业数字技术应用抽样调查数据，从乡镇层面，测算农业数字技术对农业产出的影响效应，以期从宏观层面验证农业数字技术的产出效应，为加快农业数字技术推广应用提供科学参考，对于实现北京农业现代化和乡村振兴具有重要意义。
内生增长理论指出，技术创新是经济持续增长的关键决定因素。农业技术进步能够突破资源禀赋稀缺、传统技术落后的制约，大幅提升农业生产效率和投入要素利用率，对农业产出有正向影响。当前全球农业科技进入信息化、智能化时代，数字技术具有强大的渗透、溢出、带动和引领作用，在农业领域表现出极强的经济驱动力。农业数字技术的创新性应用有助于提高农业生产效能。以农业生产环境监控技术为例，集成传感技术、物联网技术、智能控制装备、移动终端等，能够对农业生产环境的温湿度、CO 2 浓度等指标，进行精准感知与自动调控；水肥一体化技术能够基于“作物—环境”定量决策模型，优化作物灌溉、施肥环节的资源配置，实现水、化肥等农业要素的精准化、最优化投入；病虫害监测预警通过综合作物表型识别、大数据、人工智能等多项技术，利用“机器学习+经验模型”，对病虫害进行提前预警与科学决策。生产环境的精准监控、农业要素的科学投入、病虫害的提前预警等，都有助于提升农业生产效率和资源利用率，降低农业受灾风险，从而提升农业产出。
农业生产方式，劳动力、物质资本等资源禀赋差异，是引致农业产出不同的决定性因素。曾雅婷等（2018）、吕建兴等（2020）研究指出，在农业生产中，新技术的产出弹性往往受到资源禀赋异质性的影响，劳动力、物质资本资源禀赋的差异，通过作用于技术应用效率，对农业产出形成差异化影响。本研究认为，在乡镇层级，由于不同乡镇的农业劳动力、物质资本等农业资源禀赋不同，其农业数字技术投入的产出效益可能出现群体分层。冯晓龙等（2018）、Salazar和Rand（2016）研究表明，农业技术的采纳与有效应用往往存在“规模效应”驱使的临界点，只有具备了一定的基础规模，农业技术才能得到良好运转与维持，从而获取单位面积上的最高产量和最大经济效益。对于农业数字技术而言，在劳动力层面，更大规模的农业从业人员意味着更大的新技术采纳需求总量，且农业数字技术自动化、数据化、远程化的技术特点，使其具备节省人工的技术优势，故农业劳动力投入高的乡镇可能采用的农业数字技术更多；在物质资本层面，由于农业数字技术投入成本比较高昂，故农业物质资本投入高的乡镇，在采纳数字技术时，往往更愿意且有能力投入更多资金。因此，高劳动力投入乡镇与高物质资本投入乡镇更容易形成农业数字技术的规模化应用集群，也更容易产生农业数字技术应用的规模效应，对农业增产的效应也更加明显。
据此，本研究提出如下假设：
H1：就平均效应而言，农业数字技术投入对农业产出有显著正向影响。
H2：相较于低劳动力投入乡镇，高劳动力投入乡镇的农业数字技术增产效应更为显著。
H3：相较于低物质资本投入乡镇，高物质资本投入乡镇的农业数字技术增产效应更为显著。
为了深入研究数字技术对农业产出的影响，本研究假设农业生产函数为C-D函数：
其中， Y 为农业产出， L 为劳动力投入， K 为化肥等物质资本投入， T 为土地投入， A 为数字技术投入， α 、 β 、 γ 分别为外生参数。
通过对式（1-1）两边取对数，可得：
因此，亩均农业产出可表示为：
在此基础上，由于亩均农业产出还会受到其他控制变量 X 的影响，因此本研究计量模型的表达式如下：
其中，因变量ln y i 为亩均农业产出的对数，核心自变量ln a i 为亩均数字技术应用的对数，控制变量包含ln l i 、ln k i 、 X i ，ln l i 为亩均劳动力投入的对数，ln k i 为亩均物质资本投入的对数， X i 为拟选择信息化环境与区域虚拟变量。
本研究采用分位数回归法，对数字技术应用与农业产出之间的关系进行稳健性检验。由于分位数回归能够对因变量进行条件分布刻画，每个分位点上的回归系数（特别是中央或尾部）具备该条件分布中的特性，因此，通过分位数回归法，能够识别出数字技术应用对农业产出的全部分位影响情况，有助于验证基准模型的有效性与稳健性。分位数回归模型表达式如下：
其中， Q q （ln y i | X ）表示在给定自变量 X ，因变量ln y i 在第 q 分位数上的值， θ （ q ）表示在第 q 分位数上的回归系数。
为了研究在不同资源禀赋环境下，应用数字技术对农业产出的影响，本研究首先根据亩均劳动力投入和亩均物质资本投入两个分组变量，将总样本分为若干个子样本；其次针对不同劳动力资源禀赋乡镇群体、不同物质资本禀赋乡镇群体，分别进行OLS回归，回归模型如下：
其中， w 为本研究的分组变量，分别表示亩均劳动力投入与亩均物质资本投入， w 0 为分组变量的分组临界值。为了避免因样本量的限制而影响回归效果，本研究均根据分组变量将样本划分为两个组别。其中，由于亩均劳动力投入和亩均物质资本投入为连续变量，本研究将选取其0.5分位值作为分组临界值 w 0 ，根据分类，分别对各样本进行OLS回归，并将测算结果进行组间差异性比较。
本研究所用数据来自2022年2月开展的“北京乡镇设施农业数字技术应用抽样调查”。近年来，北京市积极推进人工智能、5G、物联网、北斗、大数据、区块链等新一代数字技术与农业深度融合应用，在设施农业领域，部署了一批农业物联网工程、高效设施工程等，因此选取北京市设施农业领域开展研究具有代表性。本研究选取朝阳区、海淀区、丰台区、门头沟区、房山区、通州区、大兴区、顺义区、昌平区、平谷区、怀柔区、密云区、延庆区13个区的乡镇干部进行随机抽样调查。为了提高调查效率和数据质量，以调查问卷形式开展调查，开发了专门的App应用软件，并对答题时间进行了规定，共发放问卷200份，回收有效问卷172份。
（1）因变量与核心自变量。对于因变量，本研究采用亩均农业产出来测度乡镇农业的产出情况，亩均农业产出是亩均设施农业产值的自然对数，均值为3.91。对于核心自变量，本研究聚焦于数字技术投入，为了使表征变量更具代表性和科学性，本研究核准了每个乡镇设施农业数字技术（包含生产环境监控技术、水肥一体化技术、病虫害监测预警技术等）应用总面积，因此本研究采用亩均数字技术应用面积的自然对数来表征数字技术投入，均值为0.02。由t检验初步可知，高数字技术投入乡镇（高/低数字技术投入是根据0.5分位值作为分组临界值划分的）的亩均农业产出均值为7.07，显著高于低数字技术投入乡镇的亩均农业产出均值3.40（见表1-3）。
表1-3 数字技术投入与农业产出t检验
注： *** 表示在1%水平上显著。
（2）控制变量。为了精确测算核心自变量对因变量的边际影响效应，本研究基于理论模型推导，在计量模型中加入了劳动力投入、物质资本投入、乡镇信息化环境以及乡镇区域虚拟变量，以控制其他因素可能造成的回归偏误。其中，劳动力投入是乡镇亩均设施农业从业人员的自然对数；物质资本投入是乡镇亩均设施农业化肥投入的自然对数；乡镇信息化环境由乡镇电商服务站覆盖率与政府农业信息化部门设置情况两个变量表征，乡镇电商服务站覆盖率是已建电商服务站的乡村数与行政村总数比值的自然对数，政府农业信息化部门设置情况是对是否设置承担信息化工作的行政科室、信息中心、信息站的评价；乡镇区域虚拟变量是根据北京市城市功能分区，将通州、大兴、顺义、昌平4个都市型现代农业的主要载体区域与其他区进行区别。在样本中，亩均劳动力投入的均值为0.23、亩均物质资本投入的均值为3.55、电商服务站覆盖率的均值为0.26、政府农业信息化部门设置情况的均值为0.59、区域虚拟变量的均值为0.30。
（3）工具变量。在内生性检验中，使用“亩均农业数字技术财政支持金额”作为工具变量，该变量是每个乡镇政府对促进农业数字技术推广应用的财政支出金额，为较好匹配核心自变量，同样计算了亩均金额的自然对数，其样本均值为1.18（见表1-4）。
表1-4 变量及其描述性统计
续表
表1-5运用OLS回归估计方法，汇总了数字技术投入对农业产出的边际估计结果。其中第（1）列仅控制了核心自变量，为了剔除其他变量的干扰，第（2）列基于生产函数加入了劳动力与物质资本两个控制变量，第（3）列引入了信息化外部环境与区域虚拟变量。回归结果表明：亩均数字技术投入在5%的显著性水平上，对乡镇亩均农业产出具有正向影响，且在控制所有变量的第（3）列中，亩均数字技术投入每年增加1%，乡镇亩均农业产出平均每年增加3.727%。经核准，基准检验结果与理论分析一致，即就平均效应而言，随着农业生产环境监控、水肥一体化、病虫害监测预警等数字技术投入的增加，物联网互联感知、大数据智能决策、智能控制设备自动调控等技术优势，推动了农业生产实现环境实时调控、要素精准投入、风险预判预警，从而提高了农业劳动生产率和资源利用率，减少了农业受灾风险，促进了农业增产增效。
此外，回归结果显示，当乡镇亩均物质资本投入、政府农业信息化部门设置情况等指标分别在1%与5%的显著性水平上时，对乡镇农业产出具有正向影响，其余控制变量对乡镇农业产出没有显著影响。
表1-5 数字技术投入对农业产出的影响效应
注： ** 、 *** 分别表示在5%、1%水平上显著。
此外，本研究对乡镇亩均农业产出按0.5分位值作为分组临界值，划分为高农业产出乡镇与低农业产出乡镇两类，据此探讨数字技术投入对不同产出层级乡镇的差异化影响。回归结果显示：
对于高农业产出乡镇，亩均数字技术投入在1%的显著性水平上时，对其亩均农业产出具有正向影响；对于低农业产出乡镇，亩均数字技术投入对其亩均农业产出没有显著影响（见表1-6）。该实证结果符合预期，即高农业产出乡镇一般物质资源禀赋更为丰富，且较高的农业产出可以反映出农业产业在乡镇经济结构中的重要性较高，从而能获得较多的政府财政倾斜与社会资本投资。因此，在高农业产出乡镇中，更多的乡镇有意愿和能力将农业数字技术投入实际生产中，以获取更多的产出效益。
表1-6 数字技术投入对不同产出层级农业产出的差异化影响效应
注： ** 、 *** 分别表示在5%、1%水平上显著。
在基准OLS分析中，我们对农业产出层级的分类仅考虑了0.5分位，难以全面剖析在高/低农业产出乡镇不同划分准则下，数字技术投入对农业产出边际影响的变动情况，为此，本研究应用分位数回归，分析了核心解释变量——数字技术投入的全分位边际影响。
由图1-9可见，亩均数字技术投入对亩均农业产出的边际贡献均大于0，但随着乡镇亩均农业产出分位数的增大，边际贡献在低分位中呈现先下降后上升的趋势，在高分位中呈现平稳上升的趋势，说明亩均数字技术投入对全部乡镇亩均农业产出均有正向贡献，但对于低农业产出乡镇的边际收入贡献不明显，对于高农业产出乡镇的边际收入有显著的正向贡献，这与基准OLS回归结论保持一致。即就平均效应而言，亩均数字技术投入对全部乡镇亩均农业产出有正向影响，但这种显著正向影响仅存在于高农业产出乡镇中，而在低农业产出乡镇并不存在明显的正相关关系。
综上，证明本研究基准检验结果具有稳健性。
图1-9 数字技术投入对农业产出边际影响的全分位回归结果
本研究在研究数字技术投入对乡镇农业产出的影响中，充分关注了由于遗漏变量、双向因果导致的内生性问题。一是在符合生产函数理论逻辑的前提下，设定剔选变量概率为 pe =0.2，通过逐步回归法确定控制变量，纳入劳动力、物质资本、信息化环境、区域虚拟变量等多项控制变量，以尽量减少因变量遗漏导致的估计偏误问题；二是本研究选择“亩均农业数字技术财政支持金额”这一变量，作为乡镇亩均数字技术投入的工具变量，进行内生性检验。选取该变量的原因在于：“亩均农业数字技术财政支持金额”衡量了当地乡镇政府对农业数字技术应用推广的财政支持力度，政府财政支持力度越高，越能有效激励设施农业数字技术投入，且“亩均农业数字技术财政支持金额”很难直接影响乡镇农业产出，即便产生影响也是通过扩大农业数字技术投入来发挥间接作用。
在选定工具变量之后，本研究建立IV模型开展两阶段最小二乘回归。从回归结果（见表1-7）可以看出：首先，Durbin Wu-Hausman检验拒绝了数字技术投入是外生这一原假设，表明基准模型确实面临内生性问题。其次，表1-7中第一阶段回归结果证明，“亩均农业数字技术财政支持金额”对亩均数字技术投入有显著的正向影响，说明将“亩均农业数字技术财政支持金额”作为工具变量不存在弱工具变量问题。本研究进一步进行了弱工具变量稳健性检验，F统计量拒绝了弱工具变量的原假设，表明本研究所使用的工具变量对乡镇农业数字技术投入有较强解释力，确实不存在弱工具变量问题。最后，表1-7中第二阶段回归结果证明，该模型在剔除内生性以后，农业数字技术投入依然在10%的水平上对亩均农业产出具有显著正向影响。这一结论与本研究基准模型结果一致，表明基准模型采用传统内生性问题解决方法是有效的，回归结果具有较好的稳健性。
表1-7 数字技术投入对农业产出边际影响的工具变量回归结果
注： * 、 ** 、 *** 分别表示在10%、5%、1%的水平上显著。
从乡镇资源禀赋差异角度，在分析农业数字技术投入对农业产出的影响时，本研究重点考察了劳动力投入与物质资本投入两个变量，即针对不同劳动力投入乡镇、不同物质资本投入乡镇，探讨农业数字技术投入对其农业产出的影响。
从表1-8中可以看出，对于高劳动力投入乡镇，农业数字技术投入对其农业产出有显著正向影响，亩均数字技术投入每增加1%，高劳动力投入乡镇亩均农业产出增长4.571%。对于低劳动力投入乡镇，农业数字技术投入对其农业产出没有影响，其主要原因在于，高劳动力投入乡镇由于农业从业人员规模大，往往有更大新技术采纳需求，特别是对于具备节省人工技术优势的农业数字技术需求，则更为明显。因此，在高劳动力投入乡镇中，将会有更大比例的乡镇采用农业数字技术，从而产生农业数字技术应用的规模效应，其数字技术的增产效应明显优于低劳动力投入乡镇。综上表明，在劳动力投入越多的乡镇，投入农业数字技术而引起的增产效应越显著。
表1-8 数字技术投入对不同劳动力投入乡镇农业产出的影响效应
注： * 、 ** 、 *** 分别表示在10%、5%、1%水平上显著。
从表1-9中可以看出，对于高物质资本投入乡镇，农业数字技术投入对其农业产出有显著影响，亩均数字技术投入每增加1%，高物质资本投入乡镇亩均农业产出增长4.294%。对于低物质资本投入乡镇，农业数字技术投入对其农业产出没有影响。相较于低物质资本投入乡镇，高物质资本投入乡镇由于拥有更为丰厚的资本积累，往往更有能力承担数字技术采纳的高成本，更容易形成农业数字技术应用的规模效应，故其数字技术的增产效应明显优于低物质资本投入的乡镇。综上表明，物质资本投入越多，农业数字技术投入的增产效应越显著。
表1-9 数字技术投入对不同物质资本投入乡镇农业产出的影响效应
注： * 、 ** 、 *** 分别表示在10%、5%、1%水平上显著。
基于北京乡镇设施农业数字技术应用抽样调查数据，本节对数字技术投入影响乡镇农业产出的效应进行了实证检验。研究结果表明：农业数字技术投入具有显著的增产效应，亩均数字技术投入每增加1%，乡镇亩均农业产出平均增加3.727%，但农业数字技术投入的增产效应仅在高农业产出乡镇中存在，弹性系数为4.422%，在低农业产出乡镇中尚不明显。同时，农业数字技术投入在促进乡镇农业增产中存在禀赋差异，即相较于劳动力投入少的乡镇，劳动力投入多的乡镇数字技术投入的增产效应更为明显；相较于物质资本投入少的乡镇，物质资本投入多的乡镇数字技术投入的增产效应更为明显。