绿色金融改革创新试验区对农业绿色发展的因果效应——基于数据要素投入的农业绿色全要素生产率（AGTFP）与双重机器学习分析

《International Journal of Agricultural Sustainability》：The impact of green finance reform and innovation pilot zones on agricultural green development: a causal inference analysis using double machine learning

　　

绿色金融是缓解农业融资约束、实现农业绿色转型的关键机制。研究人员基于2011–2022年省级面板数据，采用超效率SBM（slack-based measure）方法与GML（global Malmquist-Luenberger）指数测度农业绿色全要素生产率（AGTFP），并将数据要素纳入投入变量；随后运用双重机器学习（DML）和广义随机森林（generalized random forest）考察绿色金融改革创新试验区（GFRIPZs）对农业绿色发展的影响及其机制。结果表明：（1）GFRIPZs的设立显著促进农业绿色发展，该结论在多种检验下保持稳健；（2）GFRIPZs对东部和中部地区农业绿色发展的促进最强，在农业绿色发展水平较低、金融深化程度较低和市场化程度中等的省份亦较明显，且政策主要通过管理追赶（managerial catch-up）提升AGTFP；（3）GFRIPZs主要通过促进农业绿色技术创新、降低资源错配和提升农业规模经营来推进农业绿色发展。论文建议完善与试点区相关的政策，促进农业绿色技术创新和规模化生产，降低资源错配，并因地制宜施策。关键词：绿色金融改革创新试验区；农业绿色发展；双重机器学习。

研究背景与问题：全球农业生产的环境压力持续上升，FAO 2024年统计年鉴显示，2000—2022年全球农药消费增长70%、合成化肥施用增长37%、农食系统温室气体排放增长10%，农业生态系统脆弱性加剧。中国以约5%淡水、8%耕地支撑约18%人口，长期粗放农业发展在促进经济增长的同时给农业生态环境带来巨大压力，农药管理规章、农业面源污染监测评估实施方案等政策凸显农业绿色转型的紧迫性。农业绿色发展与二、三产业相比融资瓶颈更突出，绿色金融被视为现代经济的重要组成部分和关键驱动力，但绿色金融是否有效影响农业绿色发展及其机制仍缺乏有限且不确定的证据。既有AGTFP（agricultural green total factor productivity，农业绿色全要素生产率）测度通常以土地、劳动、机械、灌溉、农药、农膜、化肥等为投入，以农业产值和污染、碳排放等为产出，但多数未将数据要素纳入投入；数据作为战略生产要素可优化资源配置并替代稀缺投入。既有研究从政府支持、基础设施、电商、数字普惠金融、绿色金融等角度讨论农业绿色转型，但对GFRIPZs（Green Finance Reform and Innovation Pilot Zones，绿色金融改革创新试验区）政策效应及绿色技术创新、资源错配、规模经营等传导渠道的证据不足。因此，研究人员将GFRIPZs设立视为准自然实验，纳入数据要素重估AGTFP，并识别政策因果效应与机制。

研究与结论意义：研究人员使用2011—2022年省级面板数据，构建纳入数据要素的AGTFP测度体系，以GFRIPZs为处理变量，采用DML（double machine learning，双重机器学习）和广义随机森林评估政策对农业绿色发展的影响，并用机制模型检验绿色技术创新、资源错配和农业规模经营渠道。结论表明GFRIPZs显著促进农业绿色发展且稳健；政策效应在东部、中部、农业绿色发展水平较低、金融深化较低和市场化中等省份更明显，主要通过管理追赶提升AGTFP；机制上通过促进农业绿色技术创新、降低资源错配（尤其资本错配）和提升农业规模经营实现。其意义在于改进AGTFP测度、补充绿色金融政策因果证据、识别传导机制，并为完善试点政策、因地制宜推进农业绿色转型提供经验依据。

关键技术方法：研究人员基于2011—2022年中国省级面板数据，数据来自《中国农产品贸易发展报告》《中国农村统计年鉴》及省级和国家统计年鉴。AGTFP采用超效率SBM（slack-based measure）与GML（global Malmquist-Luenberger）指数测度，并把数据要素纳入投入；处理变量为GFRIPZs设立与否及实施后交互项。因果识别采用部分线性DML，以lasso为主，辅以支持向量机和岭回归，并进行五折交叉拟合；用广义随机森林估计个体处理效应和异质性阈值；机制模型在DML框架下检验机制变量；稳健性还包括工具变量（各省到上海大圆距离与全国R&D支出交互）、PSM（倾向得分匹配）、多期事件研究、安慰剂和空间权重矩阵溢出检验。

研究结果：基线回归结果显示，在部分线性DML框架下，逐步加入控制变量、年份和省份固定效应后，treat_i×post_it系数均显著为正，表明GFRIPZs设立显著提升AGTFP，支持H1。稳健性检验通过调整样本分割比例（1:4改为1:2、1:7）和更换机器学习模型（支持向量机、岭回归）、1%缩尾与截断、剔除直辖市、加入省份—年份交互固定效应、DML工具变量法、PSM、缩短样本期（剔除2020—2022）、以化肥和农药施用强度替代AGTFP、广义随机森林个体处理效应、平行趋势检验、安慰剂检验（随机分配处理1000次，经验p=0.010）和跨境溢出检验（四类空间权重矩阵），核心系数保持显著为正或替代测度呈负向，基线结论稳健。异质性检验显示，区域异质性中东部和中部显著为正、西部不显著；农业绿色发展水平异质性中低AGTFP组显著为正、高AGTFP组不显著；金融深化程度异质性中低金融深化组效应更强，广义随机森林给出最优阈值4.43；市场化水平异质性中中等市场化区间效应最强，峰值约8.14；分解回归显示政策对农业技术效率（EC_it）的正向影响最强，说明主要通过管理追赶提升AGTFP。影响机制检验显示，DML机制模型表明GFRIPZs显著促进农业绿色技术创新（替换为绿色专利综合指标后仍显著），显著降低资本错配但劳动错配不显著，显著提升农业规模经营（以规模经营户数替换后仍显著）；据此支持H2—H4，即通过绿色技术创新、降低资源错配和农业规模经营促进农业绿色发展。

讨论总结：讨论指出，研究结论与Guo et al.、Yuan et al.等关于GFRIPZs促进农业高质量、低碳和可持续生产的结论一致；相较已有研究，本文将农业碳排放和面源污染作为非期望产出，将数据要素纳入投入，使用DML和广义随机森林更准确评估政策效应；机制上强调三条传导渠道。异质性解释为：东部具金融、技术和政策优势；中部财政能力有限但通过绿色信贷和保险缓解融资约束，边际效应最明显；西部金融基础、机构数量、农业规模和产业升级较弱，短期提升有限；低AGTFP地区绿色金融需求更强；低金融深化地区政策红利更明显，高金融深化地区工商体系可能挤出农业绿色投资；中等市场化地区政府与市场互补。局限是受数据可得性限制，主要评估GFRIPZs总体影响，未分别分析典型试点区和不同时间段的长期效应。结论翻译：GFRIPZs作为绿色融资的重要实践基础，通过多种金融工具和政策创新显著推动农业低碳可持续转型。研究人员利用2011—2022年中国省级面板数据，先以超效率SBM和GML指数构建AGTFP测度体系评估农业绿色发展，再以广义随机森林和DML实证考察GFRIPZs实施对农业增长的影响及其内在逻辑。主要发现：第一，GFRIPZs设立显著促进各省农业绿色进步，基线结果在工具变量、调整样本分割比例、替换机器学习框架、缩短样本期、个体处理效应估计、平行趋势检验、安慰剂检验和跨境溢出检验等多种稳健性检验下高度可靠。第二，异质性分析表明，GFRIPZs的最显著收益出现在中部和东部地区；在农业绿色发展水平较低、金融深化水平较低和市场化程度中等的省份亦明显；政策主要通过管理追赶提升AGTFP。第三，机制检验表明，GFRIPZs通过促进生态友好型技术突破、纠正资源配置无效率和扩大农业规模经营来提升农业绿色表现。政策启示：应加强绿色金融产品创设与推广并协调试点区政策；促进农业绿色技术创新和规模化集约化生产，抑制资源错配特别是资本错配；短期资源宜投向土地整治、规模经营和资本错配纠正，持续研发投入以延长政策效果；根据东中西部差异实施差异化政策，中部优先扩围，低AGTFP省份优先，东部侧重提升绿色金融质量并防止信贷偏离农业，西部先建金融基础设施。