《Frontiers in Sustainable Food Systems》：Does the rural digital economy enhance green total factor productivity of agriculture? An empirical approach using double machine learning
编辑推荐：
引言： 在农业绿色转型的背景下，数字经济为缓解环境外部性与经营低效率提供了新路径。鉴于农业数字化高度依赖宏观层面数字资源的溢出效应，本研究构建了一个多维度的农村数字经济（Rural Digital Economy, RDE）分析框架。
方法： 采用双重机器学习
引言： 在农业绿色转型的背景下，数字经济为缓解环境外部性与经营低效率提供了新路径。鉴于农业数字化高度依赖宏观层面数字资源的溢出效应，本研究构建了一个多维度的农村数字经济（Rural Digital Economy, RDE）分析框架。
方法： 采用双重机器学习（Double Machine Learning, DML）模型，基于2011—2022年中国30个省份的面板数据，实证考察了农村数字经济对农业绿色全要素生产率（Green Total Factor Productivity, GTFP）的影响。
结果： 研究发现：（1）农村数字经济对农业绿色全要素生产率具有正向促进作用。维度分析严格证实，数字产业发展与产业数字化转型与该生产率增长存在正向关联，而仅靠基础数字设施并不足以产生显著效果。（2）机制分析表明，农村数字经济通过优化跨部门要素配置和显著降低农业污染能源强度来赋能绿色农业；然而，政府数字政策关注度的中介作用在统计上并未得到证实。（3）为准确捕捉非对称效应，基于分组异质性检验发现，在耕地规模较大的省份，农村数字经济的赋能效应显著更强。
讨论： 上述发现表明，当前农村数字经济赋能绿色农业主要通过结构性要素再配置与精准能源管理实现，而非即时的技术跃迁。为克服软硬件结构性滞后并缓解小农户面临的规模劣势，政策制定者应着力于提升农民数字素养、扩大共享型数字化社会服务，并实施基于市场的环境治理机制。
论文解读
一、研究背景与问题提出
在全球气候变化减缓与资源保护的紧迫要求下，推动绿色低碳生产已成为各国共识。农业作为全球温室气体排放的重要来源，其绿色转型对于实现联合国2030年可持续发展目标至关重要。中国作为农业大国，在碳达峰与碳中和目标的约束下，既面临粮食安全挑战，又亟需改变对农药、化肥等污染源的依赖。因此，如何实现产出与污染脱钩、提升农业绿色全要素生产率（Green Total Factor Productivity, GTFP），已成为当前中国农业转型的核心议题。
数字经济为农业绿色转型提供了新路径。物联网（Internet of Things, IoT）、大数据、云计算等数字技术正在重塑传统产业发展模式，中国政府推行的乡村振兴与数字乡村战略也在加速数字工具与农业生产的融合。理论上，数字应用能够提升信息传输速度和农业作业精准度，有效减少生产过程中的损耗，从而提升整体生产效率。然而，农村劳动力数字化进程缓慢、数字产业资源分配不公、数字化转型成本高昂等现实问题也构成了多重障碍。因此，农村数字经济（Rural Digital Economy, RDE）对农业发展的实际影响及其实现路径，亟需更严格的实证检验。
现有研究存在三个关键分析缺口：第一，随着越来越多农村居民学会使用互联网，城市网络应用正以极低成本向农村外溢，但多数研究忽视了这一独特的城乡数字共享特征，未能捕捉城乡数字融合的真实深度；第二，数字化的广泛影响要求在实证中考虑更多控制变量以获得稳健结果，但传统线性回归在处理高维控制变量时存在明显偏误；第三，现有研究通常以广义农林牧渔业为分析对象，加总数据无法反映各细分部门的特征，在宽泛层面测度效率会引入显著的数据噪声。基于上述缺口，本研究提出核心研究问题：农村数字经济——特别是通过城乡数字共享的视角——如何显著影响以种植业为核心的农业绿色全要素生产率？其多维驱动机制与非对称效应又是什么？
二、研究设计与核心方法
为回答上述问题，研究人员基于2011—2022年中国30个省级行政区的面板数据，聚焦种植业部门展开实证分析。研究采用了三个主要关键技术方法：
其一，在GTFP测度方面，采用包含超效率与可变规模报酬（Variable Returns to Scale, VRS）框架的SBM-GML模型（Slacks-Based Measure-Global Malmquist-Luenberger Model），即基于松弛变量的测度—全局曼奎斯特—卢恩伯格模型。该模型具有非径向测量、跨期可比性和指数可分解性等优势。投入指标涵盖农业劳动力、农作物播种面积、农业机械动力、化肥投入、农药投入、农用塑料薄膜投入和有效灌溉面积；期望产出包括种植业产值和种植业碳汇；非期望产出包括种植业碳排放和地表污染。研究采用混合缩放规则处理种植业投入数据，环境转化系数遵循IPCC（2019）指南。
其二，在RDE测度方面，研究从城乡数字共享视角出发，构建了包含数字基础设施（Digital Infrastructure, DINF）、数字产业发展（Digital Industry Development, DIND）和产业数字化转型（Industrial Digital Transformation, IDT）三个核心维度的指标体系，并采用熵权TOPSIS方法进行综合评价。该指标体系强调宏观数字产业向农村外溢的绝对规模，而非城乡相对差距。
其三，在因果识别方面，采用双重机器学习（Double Machine Learning, DML）模型。鉴于数字经济发展中固有的复杂非线性关系和高维控制变量，传统线性回归存在明显偏误。DML通过交叉验证和机器学习算法有效降低正则化偏误（regularization bias）和高维变量偏误，提供更可靠的实证推断。
三、研究结果
（一）基准回归结果：RDE对农业GTFP具有显著正向影响
基准回归分析表明，农村数字经济对种植业绿色全要素生产率具有显著的正向促进作用，假设H1得到验证。这一结论在一系列稳健性检验和内生性处理后依然成立。维度分解分析进一步揭示，数字产业发展和产业数字化转型与GTFP增长存在显著正向关联，而仅靠数字基础设施建设并不足以产生显著的赋能效果。这表明，农村数字经济的绿色赋能效应并非单纯依赖硬件铺设，而是更依赖于数字产业生态的成熟度和传统产业的数字化渗透深度。
（二）机制分析：要素配置优化与污染能源强度降低
机制检验结果显示，农村数字经济通过两条主要路径赋能绿色农业：第一，优化跨部门要素配置（Inter-sectoral Factor Allocation, IFA）。以泰尔指数（Theil index）衡量的产业结构合理化程度显示，RDE通过降低信息、协商和监督成本，促进劳动力向非农部门转移和高质量资本、数据要素回流农业，推动部门间要素边际生产率趋于均等化，从而缓解结构性资源错配，假设H2得到验证。第二，降低农业污染能源强度（Agricultural Polluting Energy Intensity, APEI）。RDE通过智能优化与资源调度减少机械冗余作业和空转时间，显著降低单位产出的柴油消耗；同时通过实时监测与精准管理实现按需灌溉和自动化环境控制，减少依赖火力发电的农业电力浪费，假设H3得到验证。然而，政府数字政策关注度（Government Digital Policy Attention, GDPA）的中介作用在统计上未得到证实，假设H4未获支持，说明当前政府数字政策关注度尚未有效转化为推动农业GTFP增长的实质性制度支撑。
（三）异质性分析：耕地规模差异下的非对称效应
为准确捕捉非对称效应，研究基于分组回归方法（而非调节效应模型）考察了农村人口密度、耕地规模和区域类型三个维度的异质性。结果显示，在耕地规模较大的省份，RDE对农业GTFP的赋能效应显著更强。这一发现表明，规模经营主体更能充分利用数字技术带来的精准管理和要素配置优势，而小农户则面临规模劣势的制约。
四、结论与政策启示
研究结论表明，当前农村数字经济赋能绿色农业主要通过结构性要素再配置和精准能源管理实现，而非即时的技术跃迁。这一发现揭示了RDE赋能绿色农业的现实路径特征：数字化的红利更多体现为对现有生产体系的优化重组，而非颠覆性技术突破。为克服软硬件结构性滞后并缓解小农户面临的规模劣势，研究提出三点政策建议：第一，着力提升农民数字素养，降低数字技术采用门槛；第二，扩大共享型数字化社会服务，使小农户也能以低成本获得数字赋能；第三，实施基于市场的环境治理机制，通过市场激励引导绿色生产行为。这些政策方向为政府制定差异化的数字乡村战略提供了实证依据。
