数字基础设施与农业社会化服务对农业价值链效率的因果效应:基于SFA-DML的识别与创新驱动机制

《Sustainability》:Causal Effects of Digital Infrastructure and Agricultural Socialized Services on Agricultural Value Chain Efficiency: Identification Based on SFA-DML and Innovation-Driven Mechanisms

【字体: 大 中 小 】 时间:2026年08月12日 来源:Sustainability 4.1

编辑推荐:

  数字基础设施(DI)和农业社会化服务(ASSs)是农业价值链效率(AVCE)的关键驱动因素,然而其因果效应仍受内生性偏误的混淆。本研究利用2011–2023年中国31个省份的面板数据,构建了SFA-Tobit-DML集成框架。SFA估计省级技术效率;Tobit

  
数字基础设施(DI)和农业社会化服务(ASSs)是农业价值链效率(AVCE)的关键驱动因素,然而其因果效应仍受内生性偏误的混淆。本研究利用2011–2023年中国31个省份的面板数据,构建了SFA-Tobit-DML集成框架。SFA估计省级技术效率;Tobit提供关联性基准;采用K=5交叉拟合的双重机器学习(DML)识别因果平均处理效应(ATEs)。DML结果验证了DI的Tobit基准(LassoCV ATE:0.810,95% CI [0.656, 0.963];Tobit:0.826),同时揭示Tobit对ASSs的高估约37%(LassoCV:0.850 [0.599, 1.101];Tobit:1.347)。Bootstrap中介检验证实,农业研发投入分别中介了DI和ASS效应的61.58%和47.45%。异质性分析表明,城市化放大了DI的边际回报(低城市化地区ATE为1.401,高城市化地区为0.711),而政府干预表现出条件性挤出效应。这些发现意味着政策应从统一投资转向考虑区域吸收能力的差异化战略。
**论文解读:数字基础设施与农业社会化服务对农业价值链效率的因果效应——基于SFA-DML的识别与创新驱动机制**

**一、研究背景与问题提出**

在全球农业现代化加速和数字经济浪潮背景下,提升农业价值链效率(AVCE)已成为保障粮食安全和实现产业升级的战略核心。中国“乡村振兴”战略与“数字中国”战略深度交汇,以5G、物联网、大数据中心为代表的数字基础设施(DI)和以专业化、市场化为特征的农业社会化服务(ASSs)被视为驱动农业现代化的两大关键引擎。理论上,DI和ASSs能够赋能传统农业向高效现代价值链转型。然而,评估其实际赋能效应面临两大瓶颈:其一,因果识别中的内生性偏误。DI和ASSs的部署并非随机,而是与区域经济水平等因素高度相关,传统计量模型(如OLS)容易混淆“相关”与“因果”;其二,价值链内部机制的“黑箱”问题。现有研究普遍缺乏对DI和ASSs如何通过价值链传导效应的深入分解,因果路径尚不清晰。为此,本研究倡导农业经济学研究范式的转变,从纯粹追求效率提升手段的“工具理性”转向包含“价值理性”的综合分析,引入双重机器学习(DML)方法以更可靠地识别因果效应,并探索创新驱动机制与异质性效应。

**二、研究设计与技术方法**

研究人员采用2011–2023年中国31个省份的面板数据(N=403),构建了“SFA-Tobit-DML”集成分析框架。首先,采用随机前沿分析(SFA)模型(Battese & Coelli,1995)估算省级农业技术效率(TE),投入要素包括农业劳动力、农作物播种面积、农业机械总动力、有效灌溉面积、化肥施用量和农药施用量。其次,鉴于TE值介于0–1之间,采用Tobit截断回归模型作为基准回归,并进行中介效应检验(Baron & Kenny三步法及Bootstrap检验)。最后,为克服内生性,采用双重机器学习(DML)模型(Chernozhukov等,2018)进行因果识别,使用LassoCV、RidgeCV、随机森林和梯度提升四种机器学习算法作为 nuisance 函数估计器,采用K=5折交叉拟合,并报告异质性处理效应(HTE)。数据来源为中国统计年鉴和中国农业统计年鉴。

**三、研究结果**

**3.1 基准回归与协同效应分析**
SFA模型估计的平均农业技术效率为0.747。Tobit基准回归显示,DI对TE的系数为0.826(p<0.01),ASSs的系数为1.347(p<0.01),均显著为正,初步验证了H1和H2。DI与ASSs的交互项系数显著为正(7.78),表明二者存在协同效应,即数字连接需通过社会化服务转化为实际生产决策才能发挥最大效用。财政支农和城市化率的回归系数显著为负,反映了不匹配的财政干预和城市化对农业人力资本的虹吸效应。

**3.2 机制检验:农业研发投入的中介效应**
中介效应分析显示,DI对TE的总效应中,通过农业研发投入(Agri_RD_Input)传导的间接效应为0.508,占总效应的61.58%(Bootstrap 95% CI:[0.383, 0.634]);ASSs的间接效应为0.639,占总效应的47.45%(Bootstrap 95% CI:[0.428, 0.851])。这验证了H3和H4,表明农业研发创新投资是DI和ASSs提升TE的核心中介桥梁。

**3.3 DML因果识别与异质性分析**
DML模型结果(LassoCV为优选模型)显示,DI的ATE为0.810(95% CI:[0.656, 0.963]),与Tobit基准(0.826)接近,说明Tobit对DI的估计较为稳健;ASSs的ATE为0.850(95% CI:[0.599, 1.101]),显著低于Tobit的1.347,表明Tobit高估ASSs因果效应约37%。四种机器学习算法均得到1%水平下显著的正向ATE,支持H1和H2。异质性分析(CATE)表明:高PGDP地区DI的ATE(0.897)高于低PGDP地区(0.712);低城市化地区DI的ATE(1.401)远高于高城市化地区(0.711),而ASSs在高城市化地区(0.880)高于低城市化地区(0.664);高财政支持组DI的ATE(1.512)约为低财政支持组(0.707)的2.14倍,而低财政支持组ASSs的ATE(1.813)约为高财政支持组(0.557)的3.25倍。这些结果支持H5和H6,表明吸收能力与政府干预的调节作用。

**3.4 稳健性检验**
Tobit模型通过工具变量、修正OLS、子样本和VIF检验,结果保持稳健。DML模型在六种变量规格下结论一致,系数波动在±20%内,但过少控制变量(Spec5)可能导致系数极端值。

**四、讨论与结论**

**讨论**:本研究回应了“数字红利”强度和普遍性的学术争论。传统关联研究高估了数字红利的强度,DML揭示的真实ATE仅是表观相关的一部分,且数字红利是条件性的,依赖于区域吸收能力。政府支持(Gov_Support)的负向系数在DML异质性分析中得到限定:在数字基础设施渗透较强的地区,财政支持与TE的负向关联减弱,表明财政资源需与数字能力互补才能转化为效率提升。城市化率的负向系数与低城市化地区DI的较大ATE共同表明数字投资的边际报酬递减。ASSs在高城市化地区更强的效应符合吸收能力理论。研究局限包括:SFA估计的技术效率主要反映生产环节绩效,未来可结合网络DEA或价值链核算数据;省级数据可能掩盖省内异质性;DML依赖可观测变量条件无偏假设,未来可探索工具变量DML。

**结论**:本研究通过SFA-Tobit-DML集成框架,识别了DI和ASSs对农业技术效率的因果效应。DI的Tobit估计与因果估计一致,ASSs的Tobit估计高估约37%。农业研发投入中介了DI效应的61.58%和ASS效应的47.45%。异质性分析表明,DI在低城市化地区边际回报更高,ASSs在高城市化地区更有效,政府干预存在条件性挤出效应。政策建议包括:从硬件投资转向“创新+服务”双核协同;实施区域差异化补偿策略以促进分配正义;政府从直接干预转向规则制定者,提高财政补贴效率。本研究的创新在于将DML引入农业经济学因果评估,为“数字红利”评估提供新范式,并基于吸收能力与政府干预理论解释异质性,为精准数字乡村政策设计提供理论依据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号