《Land》：Digital Intelligence–Agricultural Economy Integration and Agricultural Technological Choice Under Land Constraints: Evidence from China
编辑推荐：
在耕地约束日益趋紧的背景下，数字化与智能化技术对农业的影响不仅取决于其是否提高生产率，还取决于其如何在资本、劳动与土地之间重塑技术进步方向。研究人员利用中国省级面板数据，构建数字智能—农业经济融合（digital intelligence–agricultur
在耕地约束日益趋紧的背景下，数字化与智能化技术对农业的影响不仅取决于其是否提高生产率，还取决于其如何在资本、劳动与土地之间重塑技术进步方向。研究人员利用中国省级面板数据，构建数字智能—农业经济融合（digital intelligence–agricultural economy integration, DIAI）指数，并基于标准化要素增强型CES（constant elasticity of substitution, CES）生产函数测度资本—土地与劳动—土地技术偏向。结果表明，DIAI显著促进相对于土地的资本增强型和劳动增强型技术进步，表明数字智能主要通过围绕受限土地基础增强非土地要素的技术能力来重塑农业生产。机制分析表明，资本—土地技术偏向通过相对投入规模与相对价格两个渠道受到影响，而劳动—土地技术偏向主要与相对要素规模变化相关。进一步分析显示，这些效应集中于耕地稀缺地区，而在土地丰裕地区未发现显著效应。这表明土地稀缺是塑造数字智能技术选择效应的重要条件。总体而言，DIAI并未降低耕地的重要性；相反，它重新组织资本和劳动与土地结合的方式，并在土地约束更强的地区强化技术调整。更重要的是，这种非对称机制意味着，面向资本的技术调整政策应同时关注智能资本的配置和支配其使用的经济激励，而面向劳动的技术调整应更多关注劳动组织、技能升级以及劳动者与数字化生产系统的有效融合。这些发现为数字智能如何影响农业技术选择提供了新证据，并为改善要素配置、促进耕地集约与可持续利用提供了启示。
研究背景与问题。在耕地资源供给相对刚性且难以持续扩张的背景下，农业增长越来越依赖资本、劳动与技术如何围绕既定土地基础进行组织。对于耕地资源有限而农产品需求增长的经济体而言，这一约束尤为重要。既有研究广泛讨论数字化对农业生产率、绿色发展、资源利用效率与农村经济转型的影响，也关注人工智能、精准农业与数字决策支持系统在农业生产中的应用。然而，多数研究聚焦技术进步的水平或效率，较少关注技术进步方向，即技术进步究竟更多增强资本、劳动还是土地。全要素生产率提高并不能说明技术进步是资本增强型、劳动增强型还是土地增强型。在耕地供给相对固定的条件下，不同方向的要素增强型技术进步意味着缓解土地约束的不同路径，并影响要素替代、互补与土地利用集约化。数字智能可能通过遥感、土壤监测、精准灌溉等改善土地利用，也可能因智能机械、自动化设备、传感设施和数据基础设施而更多体现在资本和劳动中。哪种效应占主导是实证问题。耕地稀缺可能改变资本、劳动与土地的相对价值，从而影响技术选择激励。因此，研究人员提出三个问题：数字智能—农业经济融合（digital intelligence–agricultural economy integration, DIAI）是否系统影响资本—土地和劳动—土地之间的农业技术进步方向；通过何种渠道发生；是否因耕地资源稀缺程度不同而异。研究意义在于将分析从农业生产率结果拓展到技术选择方向，将耕地置于分析中心，并区分相对要素规模与相对价格机制。
研究人员利用中国省级面板数据，构建DIAI指数，采用标准化要素增强型CES（constant elasticity of substitution, CES）生产函数测度资本—土地与劳动—土地技术偏向，并分析机制与异质性。结论是DIAI显著促进相对于土地的资本增强型和劳动增强型技术进步，机制具有非对称性，效应集中于耕地稀缺地区。这为理解数字智能如何影响农业技术选择、改善要素配置和促进耕地集约可持续利用提供新证据。
关键技术与方法。样本为2011—2024年中国28个省份面板数据，排除香港、澳门、台湾和西藏；数据来自北京大学数字金融研究中心、EPS数据平台、CNRDS数据库、中国GDP核算历史资料、中国农业统计年鉴和省级统计年鉴；农田租金估算使用国务院发展研究中心研究团队覆盖25个省份669户农村家庭的调查数据。方法上，用熵权法（entropy-weight method）和耦合协调模型（coupling coordination model）构建DIAI；用纳入资本、劳动、土地的标准化CES生产函数，以非线性似不相关回归（nonlinear seemingly unrelated regression, NLSUR）估计，并引入加成参数μ和要素增强技术指数路径；据此计算资本—土地和劳动—土地技术偏向指数；基准模型采用省份和年份固定效应，机制模型检验规模与价格渠道，异质性按人均耕地面积年度中位数分组并设交互项；稳健性包括替换变量、全可行广义最小二乘（feasible generalized least squares, FGLS）、调整样本期、增加控制、剔除重叠指标、替代权重和滞后一期工具变量。
研究结果。
4.1 基准回归结果。通过基准回归，DIAI对资本—土地技术偏向（capital–land technological bias）和劳动—土地技术偏向（labor–land technological bias）的系数均显著为正，加入控制后分别为1.078和0.796，表明DIAI推动相对于土地的资本增强和劳动增强技术进步，但不意味着土地重要性下降。
4.2 稳健性检验。通过替换核心解释变量、改变估计方法（FGLS）、调整样本期（剔除2020、2021—2022）、增加控制变量（产业结构、农业灾害、农业研发、土地流转率）、剔除潜在重叠指标、采用非等权耦合权重、以滞后一期DIAI作工具变量，结果保持正显著，说明结论稳健。
4.3 机制分析。通过机制模型，资本—土地维度规模效应（0.896）和价格效应（2.527）均显著为正；劳动—土地维度规模效应（0.943）显著为正，价格效应不显著。说明资本—土地调整通过相对要素规模和相对价格共同作用，劳动—土地调整主要依赖相对要素规模变化。
4.4 耕地稀缺性异质性分析。通过按人均耕地面积年度中位数分组的子样本回归，耕地稀缺地区DIAI对资本—土地（1.611）和劳动—土地（1.483）技术偏向显著为正，土地丰裕地区不显著；全样本交互项与人均耕地面积交互显著为负，表明耕地越稀缺，DIAI的技术选择效应越强。
讨论与结论。讨论部分承认局限：DIAI为复合指数，可能存在测量重叠或加总误差；省级面板不能充分识别农场、作物、生产规模与土地管理异质性，农户年龄、数字技能、土地细碎化、采纳成本等微观机制有待家庭或农场数据；农田租金长期省级统计不足，需更完整土地租赁数据。未来可结合省级数据与农场调查或遥感信息，区分具体数字智能技术，考察技术方向变化是否转化为土地利用效率、环境绩效和长期农业可持续性。政策含义：政策应与当地耕地条件对齐，耕地稀缺地区优先精准机械、遥感、智能灌溉、变量投入和数字田间监测，土地丰裕地区侧重大型机械协调、跨区服务和分散农地数字化管理；资本导向调整兼顾智能资本配置与使用激励；劳动导向调整关注劳动组织、技能升级和劳动者与数字系统融合；政策评估从数字投入扩张转向数字技术围绕耕地重组要素的有效性。翻译研究结论部分：本研究考察耕地约束下DIAI如何塑造农业技术进步方向。利用中国省级面板数据，在标准化要素增强型CES框架内测度资本—土地与劳动—土地技术偏向，并考察规模与价格机制及耕地稀缺性的调节作用。实证结果表明，DIAI促进相对于土地的资本增强型和劳动增强型技术进步，但内在机制具有非对称性。资本—土地技术调整通过相对要素规模和相对要素价格变化共同发挥作用，而劳动—土地技术调整主要与相对要素规模变化相关。此外，这些效应集中于耕地相对稀缺地区。子样本结果进一步得到全样本交互检验支持，表明随着人均耕地减少，技术选择效应增强。这些发现对定向技术变迁文献具有更广泛启示：在定向技术变迁框架中，技术进步受不同生产要素相对稀缺性、经济回报和调整激励塑造；本研究将这一逻辑扩展到土地约束下的农业生产。耕地稀缺不只是对农业扩张施加物理上限，也改变技术调整方向的激励。当土地约束更强时，数字智能更可能增强与现有土地基础结合的资本和劳动的技术贡献。因此，数字转型不应被视为要素中性技术冲击，其效应取决于生产要素相对稀缺性以及数字能力嵌入农业生产的渠道。
