数字金融对农业产业链韧性的影响

数字经济对农业产业链韧性影响的研究摘要:本文基于2014—2023年中国31个省份的面板数据，实证研究数字金融对农业产业链韧性的影响及其作用机制。通过熵权-TOPSIS法构建农业产业链韧性综合评价指标体系，结合双向固定效应模型与中介效应检验，研究发现：数字金融发展显著提升农业产业链韧性，且这一作用通过优化资金调配能力与驱动产业结构升级两条路径实现。异质性分析表明，东部地区因数字基础设施完善、产业结构优化，其促进作用更为显著。研究为深化数字金融与农业产业链融合、提升风险抵御能力提供理论依据，并提出完善农村数字金融基础设施、推动区域差异化发展等政策建议，助力农业现代化与乡村振兴战略实施。关键词:数字金融；农业产业链；韧性；产业结构升级AstudyoftheimpactofthedigitaleconomyontheresilienceoftheagriculturalchainAbstract:Basedonthepaneldataof31provincesinChinafrom2014to2023,thispaperempiricallyinvestigatestheimpactofdigitalfinanceonthetoughnessoftheagriculturalindustrychainanditsmechanismofaction.Throughtheentropyweight-TOPSISmethodtoconstructacomprehensiveevaluationindexsystemofthetoughnessoftheagriculturalindustrychain,combinedwiththetwo-wayfixedeffectmodelandmediationeffecttest,thestudyfindsthatthedevelopmentofdigitalfinancesignificantlyimprovesthetoughnessoftheagriculturalindustrychain,andthiseffectisachievedbyoptimisingtheabilitytodeployfundsanddrivingtheupgradingoftheindustrialstructureintwopaths.Heterogeneityanalysisshowsthatthepromotioneffectismoresignificantintheeasternregionduetotheimprovementofdigitalinfrastructureandoptimisationofindustrialstructure.Thestudyprovidesatheoreticalbasisfordeepeningtheintegrationofdigitalfinanceandtheagriculturalindustrychain,improvingriskresistance,andproposespolicyrecommendationstoimproveruraldigitalfinancialinfrastructureandpromoteregionaldifferentiateddevelopment,whichwillhelptheimplementationofagriculturalmodernisationandruralrevitalisationstrategies.Keywords:DigitalFinance;AgriculturalChain;Resilience;IndustrialStructureUpgrade)4.3实证结果分析4.3.1描述性统计与分析本文所有变量的描述性统计结果如表3所示。可以发现，农业产业链韧性指标（AR）的最小值为0.039，最大值为0.509，标准差为0.110，表明各个省份之间的农业产业链韧性存在较大的差异。农业产业链韧性均值为0.199，表明在2014-2023年农业产业链抗冲击能力仍较弱。数字金融（df）的平均数值为3.014，最小值为1.598，最大值为0.509，数字金融水平在长期发展中逐步提升。表3描述性统计变量样本量均值标准差中位数最小值最大值AR3100.1990.1100.1720.0390.509Df3103.0140.7563.0531.5984.590Urb3100.6160.1180.6090.3320.893Indus3100.3080.0820.3170.0780.461Envir3101.7640.8471.7570.0393.444Labor3100.0220.0060.0220.0100.041Fuel3103.6601.1854.0750.5315.388Str3100.1440.0930.1310.0100.366Funds3101.6220.6481.4970.7283.852Inter3100.2710.1990.2200.0130.8654.3.2数字金融对农业产业链韧性的相关检验（1）相关系数检验为了避免变量之间由于过度相关影响实证结果的可靠性，本文对各变量先进行相关性分析，结果见表4，分析发现在研究中变量之间的相关性较低，且数字金融和农业产业链韧性相关系数为0.253，说明数字金融对粮食供应链韧性可能有显著的正向影响。表4相关性分析ARDfUrbIndusEnvirLaborFuelAR1Df0.253***1Urb0.09000.524***1Indus0.391***-0.143**0.113**1Envir0.599***-0.0930-0.175***0.500***1Labor0.01100.492***0.557***0.108*0.01701Fuel0.602***-0.125**-0.184***0.577***0.305***-0.08801*p<0.1,**p<0.05,***p<0.01（2）多重共线性检验多重共线性发生在当两个或更多的预测变量在统计模型中高度相关。在这种情况下，这些变量之间的关系会影响模型对各个变量影响的准确评估。一般用方差膨胀因子（VIF）来度量多重共线性严重程度。表5结果说明，所有变量的VIF值均小于10，不产生多重共线性问题。表5多重共线性检验VariableVIF1/VIFDf1.6500.604Urb1.8900.529Indus1.8000.555Envir3.0000.333Labor1.6800.597Fuel3.4400.291Mean2.240（3）Hausman检验和White异方差本研究通过豪斯曼检验与怀特检验对模型的设定偏误及异方差问题进行诊断。豪斯曼检验结果显示，检验统计量chi2(6)=38.33，伴随概率P值为0.0000，在1%显著性水平上强烈拒绝“随机效应模型更有效”的原假设，表明固定效应模型更适用于本研究。这意味着农业产业链中的个体异质性（如区域资源禀赋、政策支持等）与核心解释变量数字金融发展水平存在显著相关性，若采用随机效应模型将导致参数估计的非一致性。因此，选择固定效应模型能够有效控制个体效应与解释变量的相关性，确保估计结果的无偏性和稳健性。进一步地，怀特检验结果显示chi2(27)=152.79，P值为0.0000，表明模型存在显著的异方差问题。异方差的出现可能源于农业产业链各环节（生产、加工、流通等）对数字金融的响应存在结构性差异，或区域经济特征导致扰动项方差非恒定。对此，本研究采用聚类稳健标准误进行修正，以消除异方差对参数估计有效性的影响，确保统计推断的准确性。4.3.3数字金融对农业产业链韧性的基准回归表6汇报了数字金融发展水平（Df）对农业产业链韧性（AR）影响的基准回归结果。如列（4）所示，数字金融发展水平的回归系数为0.921，且在1%的统计水平上显著为正，这一结果表明数字金融发展水平的提升能够显著增强农业产业链韧性。具体而言，数字金融发展水平每提高1个单位，农业产业链韧性将提升0.921个单位。这一正向关系可能源于以下机制：首先，数字金融通过优化资金配置效率，提高资金调动能力，为农业产业链各环节提供更便捷的融资渠道；其次，数字金融服务有助于分散农业生产经营风险，优化产业结构，提高合理性。表6数字金融对农业产业链韧性的基准回归(1)(2)(3)(4)(5)ARARARARARDf1.205***1.087***1.036***0.905***0.921***(0.022)(0.022)(0.021)(0.020)(0.020)Urb0.0710.042-0.0970.083-0.093(0.107)(0.113)(0.133)(0.133)(0.156)Indus-0.120**-0.209***-0.261***-0.246***(0.053)(0.068)(0.082)(0.079)Envir0.040**0.036**0.028(0.019)(0.018)(0.017)Labor-3.340**-2.714*(1.587)(1.610)Fuel0.018***(0.007)_cons-0.206**-0.116-0.053-0.0300.0005(0.089)(0.102)(0.102)(0.107)(0.097)YearYESYESYESYESYESIDYESYESYESYESYESN310.000310.000310.000310.000310.000r20.9670.9680.9680.9690.970Standarderrorsinparentheses*p<0.1,**p<0.05,***p<0.014.3.4稳健性检验为保证研究结论的可靠性与稳健性，本文从多个维度进行了系统性检验，主要包括样本筛选和变量替换两种方法。首先，考虑到直辖市（北京、上海、天津、重庆）在农业经济结构、政策支持力度以及现代化进程等方面具有显著特殊性，本文通过剔除直辖市样本进行回归分析（表7）。其次，为避免单一指标可能存在的测量偏差，本文采用北京大学数字普惠金融指数的三个子维度——覆盖广度、使用深度和数字化程度作为核心解释变量的替代指标（表7），为便于系数比较，本文将三个子维度指标除以100后代入实证回归。实证结果显示，在剔除特殊样本和使用替代变量的不同设定下，数字金融发展水平的回归系数均在1%的水平上显著为正，其方向与大小与基准回归结果高度一致。这一发现进一步验证了数字金融通过扩大服务覆盖面（覆盖广度）、提升金融服务渗透率（使用深度）以及优化技术应用（数字化程度）等多重渠道，显著增强了农业产业链的风险抵御能力和可持续发展韧性。稳健性检验结果不仅支持了基准回归结论的可靠性，更从方法论层面证实了数字金融与农业产业链韧性之间存在稳健的正向关联，为相关政策制定提供了更为全面的经验依据。表7稳健性检验剔除直辖市覆盖深度使用广度数字化水平(1)(2)(3)(4)Df0.116***0.057**0.050***0.037***(0.025)(0.024)(0.014)(0.009)Urb-0.625***-0.2430.019-0.077(0.191)(0.165)(0.142)(0.164)Indus-0.253***-0.349***-0.272***-0.276***(0.091)(0.082)(0.090)(0.076)Envir0.0030.0290.030*0.039**(0.016)(0.018)(0.017)(0.018)Labor-3.704*-3.629**-3.098*-2.902*(1.959)(1.648)(1.822)(1.502)Fuel0.0020.020***0.016**0.016**(0.008)(0.007)(0.006)(0.007)_cons0.381***0.252***0.0890.131(0.145)(0.096)(0.100)(0.095)YearYESYESYESYESProvinceYESYESYESYESN270310310310R20.9730.9680.9700.970Standarderrorsinparentheses*p<0.1,**p<0.05,***p<0.014.3.5内生性检验考虑到上述检验可能无法妥善解决实证分析中因遗漏变量、反向因果关系引发的内生性问题，本文采用工具变量法（IV）进行重新估计。参考赵涛（2020）➡郝爱民那篇文章、郝爱民（2022）的做法，选取互联网宽带接入端口（inter）作为工具变量。互联网宽带接入端口作为数字基础设施的核心指标，直接决定了数字金融服务的覆盖广度与应用深度。数字金融的普及高度依赖互联网技术支持，例如移动支付、在线信贷等业务均需以稳定的网络连接为基础。宽带端口数量的增加能够显著提升区域网络承载能力，从而推动数字金融产品的渗透率（郭峰等，2020）。这表明工具变量与内生解释变量（数字金融）具有强相关性，符合工具变量选取的基本前提。其次，互联网宽带接入端口的布局主要由政府信息化战略与电信运营商投资规划驱动，其建设时序与规模与农业产业链韧性的区域差异无直接关联。宽带端口作为物理设施，其数量变化不会直接作用于农业产业链的组织韧性或抗风险能力，因而满足排他性约束假设。利用两阶段最小二乘法(2SLS)估计的回归结果如表8所示，IV估计系数在1%的水平上显著为正，工具变量满足正相关假设。同时，Kleibergen-PaaprkLM统计量P-val=0.002小于0.1，因此拒绝不可识别原假设，Kleibergen-PaaprkWaldF统计量、Cragg-DonaldwaldF统计量大于10%Stock-Yogo的临界值，因此均通过弱工具变量检验。Anderson-RubinWald统计量的P-val=0.0000小于0.01，因此拒绝内生回归系数之和等于零的原假设，以上检验统计量证明工具变量有效。第二阶段回归结果显示，df的估计系数在1%的水平上显著为正，与基准回归结果一致。综上，表明本文的假设1仍然成立。表8内生性检验(1)(2)DfARInter0.473***(0.086)Df0.541***(0.118)Urb-1.037**0.270(0.481)(0.301)Indus-0.727***0.305*(0.213)(0.181)Envir0.055-0.006(0.046)(0.027)Labor-14.568***4.371*(3.142)(2.369)Fuel-0.0310.028**(0.020)(0.013)Obs310310YearYESYESProvinceYESYESAdjust_R2-0.563F30.6006.605CDWaldF37.441SWSstat.39.002Kleibergen-Paap_LM_S31.211Kleibergen-Paap_P-val0.002Anderson-RubinWaldP-val0.000Standarderrorsinparentheses*p<0.10,**p<0.05,***p<0.014.3.6中介效应为深入探究数字金融发展水平影响农业产业链韧性的内在机制，本文基于江艇（2020）提出的因果中介分析框架，构建了规范的中介效应模型，重点考察产业结构合理化与资金调动能力两条潜在的作用渠道。在产业结构合理化机制方面，本文采用泰尔指数（STR）作为中介变量，该指标通过衡量产业间资源配给效率来反映产业结构合理化程度，数值越大表示产业结构越合理。表4列（2）的回归结果显示，数字金融发展水平对STR的回归系数在1%水平上显著为正（β=0.145，p<0.01），表明数字金融能够显著提升产业结构合理化水平。结合基准回归结果，可以确认产业结构合理化在数字金融影响农业产业链韧性的过程中发挥了中介作用。既有文献也指出，优化产业结构可以提高农业产业链韧性（郝爱民，2023）在资金调动能力机制方面，本文以农村居民人均可支配收入（Funds）来衡量区域资金调动能力。表9列（1）的估计结果表明，数字金融发展对Funds具有显著正向影响（β=0.436，p<0.01），证实资金调动能力是数字金融提升农业产业链韧性的另一重要传导渠道。发挥中介作用。既有文献也指出，资金调动能力的提高可以提高农业产业链韧性（CRESPOJelat，2014）上述发现不仅验证了理论假说，更揭示了数字金融通过优化产业结构与改善资金配置双重路径来增强农业产业链韧性的微观机制，为完善农村数字金融服务体系提供了针对性的政策启示。表9中介效应检验FundsStrDf0.436***0.145***(0.135)(0.018)Urb1.260-0.287*(1.139)(0.151)Indus-0.930*0.297***(0.476)(0.083)Envir0.392***-0.014(0.144)(0.013)Labor-27.351**-2.280(12.164)(1.598)Fuel0.0460.006(0.036)(0.004)_cons6.531***-0.157(0.759)(0.102)YearYESYESProvinceYESYESN310310R20.9930.964Standarderrorsinparentheses*p<0.1,**p<0.05,***p<0.014.3.7异质性分析为深入考察数字金融发展对农业产业链韧性影响的区域异质性，本文在整体分析的基础上，进一步将样本按地理位置划分为东部、中部和西部三大区域进行分组回归，考虑到西藏、香港、澳门、台湾因数据可得性问题未纳入分析。表10分别报告了东部、中部和西部地区的回归结果。实证结果显示，数字金融发展水平在三大区域的回归系数均在统计上显著为正，证实了数字金融对农业产业链韧性的促进作用具有普遍性。值得注意的是，东部地区的系数估计值最高，且为1.517，显著大于中部和西部地区。这种区域差异可能源于以下原因：首先，东部地区经济发展水平较高，具备更完善的数字基础设施和金融服务体系；其次，东部地区产业结构更为优化，农业现代化程度更高，能够更好地发挥数字金融的赋能效应；最后，东部地区人力资本储备更丰富，有利于数字技术与农业生产的深度融合。这一发现为制定差异化的区域数字金融支持政策提供了重要参考依据。表10异质性分析东部中部西部Df1.517**0.783***0.066***(0.028)(0.050)(0.016)Urb-0.966***1.495***0.106(0.314)(0.479)(0.130)Indus-0.278**-0.417-0.221***(0.119)(0.294)(0.060)Envir0.059**0.079**-0.015(0.026)(0.036)(0.009)Labor-0.553-25.311***1.306(1.696)(4.070)(0.973)Fuel0.082*0.058**0.006(0.045)(0.023)(0.004)_cons0.282-0.908***-0.059(0.177)(0.329)(0.064)YearYESYESYESProvinceYESYESYESN130.00060.000120.000r2_a0.9700.9710.990Standarderrorsinparentheses***1%**5%*10%*p<0.1,**p<0.05,***p<0.015研究结论与政策建议5.1研究结论本文基于数字金融与农业产业链韧性的理论框架，结合中国31个省在2014~2023年相关数据，实证检验了数字金融对农业产业链韧性的影响及其作用机制。研究发现：第一，数字金融发展对农业产业链韧性具有显著的提升作用，且这一结论在经过内生性处理和稳健性检验后依然成立。数字金融通过缓解信息不对称、降低交易成本、扩大服务覆盖面等途径，为农业产业链各环节主体提供了更为高效和普惠的金融支持，从而增强了产业链应对内外部冲击的适应能力和恢复能力。第二，机制分析表明，数字金融通过促进产业结构升级与提升资金调配能力两大路径间接强化农业产业链韧性。一方面，数字金融通过推动农业技术创新、优化生产要素配置，助力农业产业链向高附加值环节延伸，实现产业结构升级；另一方面，数字金融通过优化资金供需匹配效率、强化风险分散功能，提升了农业经营主体的资金可得性和使用效率，为产业链稳定运行提供了流动性保障。第三，异质性分析显示，数字金融对农业产业链韧性的促进作用在东部地区更为显著，表明区域数字基础设施与金融生态的完善程度是影响政策效果的重要条件。5.2政策建议基于上述结论，为进一步发挥数字金融对农业产业链韧性的赋能作用，本文提出以下政策建议：第一，深化数字金融与农业产业链的融合，完善农村数字金融基础设施。

政府应加大对农村地区数字基础设施的投入，扩大5G网络、物联网和移动支付的覆盖范围，为数字金融服务下沉提供硬件保障。同时，鼓励金融机构开发适配农业产业链需求的数字化金融产品，如基于区块链的供应链金融、基于大数据的信用评估模型等，解决传统金融因抵押物不足导致的“融资难”问题。第二，以数字金融为抓手推动农业产业结构升级。

一方面，通过财政补贴、税收优惠等政策引导数字金融资源向农业科技研发、绿色农业、智慧农业等领域倾斜，支持农业数字化转型；另一方面，鼓励龙头企业与数字平台合作，构建“生产—加工—流通—消费”全链条数字化生态，推动产业链纵向延伸与横向整合，提升农业附加值。第三，强化数字金融的资金调配功能，优化风险防控机制。

建立农业产业链专项信贷担保基金，通过政府、金融机构与第三方平台的风险共担模式，降低金融机构服务农业的信用风险。同时，利用数字技术构建农业产业链风险监测预警系统，动态评估自然灾害、市场波动等风险，提升资金配置的前瞻性和精准性。第四，实施差异化区域发展战略，弥合数字金融发展鸿沟。

针对中西部地区数字金融渗透率较低的问题，应通过跨区域协作机制，推动东部技术、人才与金融资源向中西部转移。此外，加强农村数字金融知识普及，通过培训提升农户和新型经营主体的数字素养，为数字金融工具的应用奠定人力资本基础。总之，数字金融是提升农业产业链韧性、实现农业现代化的重要引擎。未来需通过政策协同与制度创新，持续释放数字金融的普惠效应与乘数效应，为构建安全、高效、可持续的农业产业链提供坚实支撑。

参考文献BergerCS,GleisnerF.EmergenceofFinancialIntermediariesinElectronicMarkets:TheCaseofOnlineP2PLending[J].BusinessResearch,2009,2(1):39-65.Bruhn,M.andI.Love,TheRealImpactofImprovedAccesstoFinance:EvidencefromMexico[J].TheJournalofFinance,2014,69(3):1347-1376ChengL,ZhangJ.Istourismdevelopmentacatalystofeconomicrecoveryfollowingnaturaldisaster?Ananalysisofeconomicresilienceandspatialvariability[J].CurrentIssuesinTourism,2020,23(20):2602-2623.ChenL,DuiH,ZhangC.Aresiliencemeasureforsupplychainsystemsconsideringtheinterruptionwiththecyber-physicalsystems[J].ReliabilityEngineeringandSystemSafety,2020,199:106869.GomberP,KochJ,SieringM.DigitalFinanceandFinTech:currentresearchandfutureresearchdirections[J].JournalofBusinessEconomics,2017,87(5):537-580.MartinR.Regionaleconomicresilience,hysteresisandrecessionaryshocks[J].JournalofEconomicGeography,2012,12(1):1-32.MuW.,vanAsseltE.D.,vanderFels-KlerxH.J.Towardsaresilientfoodsupplychaininthecontextoffoodsafety[J].FoodControl,2021,125:107953.RuiyingLi,QiangDong,ChongJin,RuiKang.ANewResilienceMeasureforSupplyChainNetworks[J].Sustainability,2017,9(1):144.ShahrokhiM.E-Finance:Status,Innovations,ResourcesandFutureChallenges[J].ManagerialFinance,2008,6:365-398.曹菲,聂颖.产业融合、农业产业结构升级与农民收入增长——基于海南省县域面板数据的经验分析[J].农业经济问题,2021(08):28-41.崔耕瑞.数字金融与产业高质量发展[J].西南民族大学学报(人文社会科学版),2022,43(02):136-144.蔡乌赶,许凤茹.中国工业韧性的测度及时空演变特征研究[J].经济体制改革,2022(06):90-97.陈晓东,刘洋,周柯.数字经济提升我国产业链韧性的路径研究[J].经济体制改革,2022(01):95-102.戴浩,魏君英,陈银娥.数字普惠金融对我国农业经济韧性的影响研究[J].价格理论与实践,2023(08):144-148.付宏,毛蕴诗,宋来胜.创新对产业结构高级化影响的实证研究——基于2000—2011年的省际面板数据[J].中国工业经济,2013(09):56-68高巍,王婧.数字普惠金融对中小农业企业融资约束的缓解效应研究[J].中国农业会计,2023,33(11):85-88.郝爱民,谭家银.数字乡村建设对我国粮食体系韧性的影响[J].华南农业大学学报(社会科学版),2022,21(03):10-24.胡志强,苗长虹,熊雪蕾等.产业集聚对黄河流域工业韧性的影响研究[J].地理科学,2021,41(05):824-831.蒋辉,张驰,蒋和平.中国农业经济韧性对农业高质量发展的影响效应与机制研究[J].农业经济与管理,2022(01):20-32.李傲波,戴浩.数字普惠金融对农业产业结构升级的影响机制研究[J].浙江农业科学,2024,65(02):475-482.梁林,赵玉帛,刘兵.国家级新区创新生态系统韧性监测与预警研究[J].中国软科学,2020,(07):92-111.李萌,何宇,潘家华.“双碳”目标、碳税政策与中国制造业产业链韧性[J].中国人口·资源与环境,2022,32(09):22-34.李萍,何瑞石,刘畅.数字乡村建设赋能农业经济韧性的影响机制及效应[J].统计与决策,2024,40(02):11-17.李胜会,戎芳毅.知识产权治理如何提升产业链韧性？——基于国家知识产权示范城市政策的实证检验[J].暨南学报(哲学社会科学版),2022,44(05):92-107.25黄益平,黄卓.(2018).数字普惠金融的中国实践.《经济学（季刊）》,17(4),1401-1420.26沈悦,郭品.(2015).互联网金融、技术溢出与商业银行全要素生产率.《金融研究》,(3),160-175.张勋,万广华,张佳佳,何宗樾.(2019).数字经济、普惠金融与包容性增长.《经济研究》,54(8),71-86.Beck,T.,Demirgüç-Kunt,A.,&Pería,M.S.M.(2018).Financialinclusionandinclusivegrowth:Areviewofrecentempiricalevidence.WorldBankPolicyResearchWorkingPaper,8040.Bhamra,R.,Dani,S.,&Burnard,K.(2011).Resilience:Theconcept,aliteraturereviewandfuturedirections.InternationalJournalofProductionResearch,49(18),5375-5393.Gomber,P.,Koch,J.A.,&Siering,M.(2017).DigitalfinanceandFinTech:Currentresearchandfutureresearchdirections.JournalofBusinessEconomics,87(5),537-580.WorldBank.(2020).*TheGlobalFindexDatabase2021:FinancialInclusion,DigitalPayments,andResilienceintheAgeofCOVID-19*.WorldBankPublications.Allen,F.,Gu,X.,&Kowalewski,O.(2020).F