数字-绿色协同转型与农业经济韧性：来自双机器学习模型的证据

《Food and Energy Security》：Digital-Green Collaborative Transformation and Agricultural Economic Resilience: Evidence From a Double Machine Learning Model

　　

工业污染治理与农业韧性的强化通常被并行而非协同推进。本研究认为，重污染企业的数字-绿色协同转型（DGCT）可以通过更高效要素配置产生的跨部门溢出效应提升农业经济韧性（AER）。研究人员利用2011年至2023年中国A股上市重污染企业的面板数据，采用双机器学习（Double Machine Learning）方法估计DGCT对AER的影响。结果表明，DGCT显著提升了AER，且该发现在包括替代机器学习算法、替代因变量和样本量变化在内的多项规格检验中保持稳健。进一步分析识别出三个潜在渠道：融资约束缓解、区域产业升级和全要素生产率提升。该积极效应在非沿海地区、主要经济圈以外地区以及主产区和产销平衡区尤为显著。此外，政府补贴和更发达的要素市场强化了DGCT的韧性增强效应。总体而言，本研究拓宽了对数字-绿色融合的理解，并为旨在促进产业与农业韧性协调发展的政策提供了实证支持。

在全球可持续发展转型背景下，数字化与绿色化融合成为推动高质量发展和低碳经济的关键路径。中国为实现“双碳”目标，出台多项政策推进数字与绿色协同发展。重污染企业因资源消耗和污染物排放量大，其数字-绿色协同转型（DGCT）不仅影响工业部门效率提升和减排，还对整体经济绿色转型产生重要影响。同时，农业经济韧性（AER）作为农业系统抵御外部冲击、维持稳定及适应转型的集成能力，正面临气候变化、资源约束、地缘冲突等日益严峻的挑战。现有研究多聚焦单一产业内部，缺乏对工业-农业跨部门溢出效应的系统分析，且传统计量方法在高维数据和非线性关系识别上存在局限。因此，研究人员开展本研究，旨在从跨部门溢出视角揭示重污染企业DGCT对AER的影响及其内在机制。该研究发表在《Food and Energy Security》。

研究人员采用双机器学习（Double Machine Learning, DML）框架中的部分线性模型，借助支持向量机（SVM）算法处理高维控制变量和非线性关系，利用交叉拟合（cross-fitting）和正交化消除正则化偏差，以估计DGCT对AER的因果效应。样本来源为中国A股上市重污染企业2011—2023年面板数据，企业数据来自年报文本、财务数据（CSMAR数据库）及专利文本（国家知识产权局）；农业数据来自《中国统计年鉴》《中国农村统计年鉴》等统计年鉴及地级市统计公报。

**4.1 基准回归结果**：DML估计显示，DGCT系数在1%水平上显著为正，表明重污染企业DGCT显著提升AER；对AER各维度分析表明，DGCT对恢复能力（RC）和创新能力（IC）有显著正向影响，对稳定维持能力（SMC）影响不显著。

**4.2 稳健性与内生性检验**：通过调整样本分割比、替换机器学习算法（神经网络、梯度提升）、缩尾处理、替换因变量测度（反事实预测法）、剔除直辖市样本、加入时间-行业和城市固定效应、以及使用Bartik工具变量进行部分线性工具变量估计，DGCT对AER的正向效应依然稳健显著。

**5.1 机制分析**：DGCT通过三个渠道促进AER：（1）缓解融资约束（KZ指数和SA指数检验均显著为负，支持假设2）；（2）促进产业结构升级（IU指数及空间向量法替代指标均显著为正，支持假设3）；（3）提升全要素生产率（LP法和OP法测算均显著为正，支持假设4）。

**5.2 异质性分析**：DGCT对AER的正向效应在非沿海地区（系数0.6401）强于沿海地区（0.3716）；在经济圈外地区（0.4126）强于经济圈内（0.1167）；在主产区和产销平衡区显著为正，但在主销区不显著。

**6 外部条件分析**：政府补贴（Subsidy）和要素市场发展程度（Market）均正向调节DGCT对AER的效应，交互项均显著为正。

**7.1 结论与讨论**：本研究证实了重污染企业DGCT对AER的跨部门溢出效应，主要贡献在于：将数字-绿色转型研究从产业内拓展至跨部门效应；构建了通过融资约束、产业升级和全要素生产率联结的整合分析框架；拓宽了韧性理论外延；引入DML方法改善因果识别。结论表明DGCT不仅是工业升级或环境治理的内部过程，更是农业经济韧性提升的重要外部来源。

**7.3 局限**：样本限于上市企业，可能不完全代表非上市企业；AER测度尚缺乏统一指标体系；DML框架未能充分捕捉长期动态互动。未来可用更细粒度数据、改进测度、引入动态框架进行深化。