人工智能与农业生产效率

《Frontiers in Sustainable Food Systems》：Artificial intelligence and agricultural production efficiency

　　

作为新一轮技术革命的核心驱动力，人工智能(AI)正深刻重塑农业生产模式与要素配置格局。然而，AI对农业生产效率的影响并非线性过程，其作用机制及随技术渗透深化的演进路径仍是亟待回答的理论与现实问题。研究人员基于2005—2023年中国31个省级面板数据，应用多期双重差分法(multi-period difference-in-differences, DID)系统考察AI对农业生产效率的影响及机制切换的动态特征。研究得出三点发现：第一，AI发展对农业生产效率具有显著正向效应；第二，该效应通过土地利用率与智能技术采纳两条机制传导；第三，两机制呈现主导性时序切换，遵循“智能技术采纳先行、土地利用率提升后居主导”的模式。本研究将静态机制检验拓展至机制切换的动态分析，为差异化农业数字化政策设计提供理论依据与量化参考。

研究背景方面，中国共产党第二十次全国代表大会报告明确提出加快建设农业强国，2025年中央一号文件将“发展农业新质生产力”列为优先任务，2025年政府工作报告提出深入实施“AI+”行动，农业农村部印发《国家智慧农业行动计划(2024—2028)》部署三大智慧农业行动。在此系列政策引导下，中国农业科技贡献率超63%，综合机械化率超75%，以AI为代表的数字技术成为农业现代化国家战略力量。现有文献多聚焦特定AI技术对单一生产环节产出的影响，少有将AI作为通用目的技术(general-purpose technology, GPT)系统考察其对农业全要素生产率(total factor productivity, TFP)的整体效应、传导路径与边界条件，机制动态演进研究尤为缺乏。论文发表于《Frontiers in Sustainable Food Systems》。

关键技术方法上，研究人员构建2005—2023年中国31省面板数据，来源包括CSMAR、CNRDS、?《中国科技统计年鉴》、环境统计年鉴及各省统计年鉴，剔除严重缺失样本。基准识别采用多期双重差分法(DID)，核心解释变量为人工智能创新发展试验区政策虚拟变量，被解释变量为农业TFP；机制变量为土地利用率（复种指数与单位耕地粮食产出）与智能技术采纳（农业航空器作业面积）；控制变量含财政支持、一产占比、人均GDP、城镇化率、城乡收入差距、开放度与金融发展水平。辅以事件研究法(event study)检验平行趋势与机制动态切换，并采用安慰剂检验、Bacon分解、工具变量法（省份质心至杭州距离×年份）及替换变量法做稳健性分析。

研究结果部分，基准回归显示AI系数0.065且在1%水平显著，假说1得证。平行趋势检验满足政策前处理组与对照组无显著差异。稳健性检验中，500次随机置政策时点安慰剂系数集中于0，真实值0.065显著偏离；Bacon分解“坏对照组”权重仅2.3%；工具变量Kleibergen–Paap rk LM在1%水平显著、rk Wald F为27.692大于16.38临界值；替换被解释与控制变量后结论不变。机制检验中，土地利用率渠道下AI系数显著为正（复种指数与单位面积粮食产出双指标印证），假说2成立；智能技术采纳渠道下农业航空器作业面积显著受AI促进，假说3成立。动态机制检验通过事件研究法绘制相对政策时点系数，发现政策后第1—2年智能技术采纳系数显著为正、第3年起土地利用率系数显著为正并居主导，假说4“早期智能技术采纳主导、后期土地利用率主导”成立。异质性分析显示，低农业集聚组AI系数0.086（1%显著）高于高集聚组0.034（不显著），低人力资本组0.234（1%显著）高于高人力资本组0.021（不显著），表明AI红利在欠集聚与低技能区更具包容性，政策补贴跨接数字鸿沟是重要调节。

讨论与结论翻译部分，研究人员指出AI作为通用目的技术，其农业生产力释放遵循“硬件驱动先行、效率驱动后至”的阶段性扩散逻辑，与GPT扩散S形曲线及生产率J曲线理论一致。研究边际贡献有三：视角上将AI作为GPT引入农业TFP框架，拓展生物周期与自然风险约束下农业效率决定因素边界；机制上揭示土地利用率与智能技术采纳的时序切换，弥补静态机制缺陷；政策上依阶段提出“装备扩散—数据基础—决策优化”三阶段路径。结论确认AI显著提升区域农业生产效率，传导依赖智能技术采纳与土地利用率改善，且主导机制由前者向后者的动态切换得到事件研究法识别。该研究为差异化农业数字化政策从“是否有效”推进至“机制如何随时间演化”提供实证支撑，对防止区域数字鸿沟扩大、引导技术红利向低集聚低人力资本区倾斜具有决策价值。