【《互联网使用对农业全要素生产率增长影响的实证分析案例》6100字】

互联网使用对农业全要素生产率增长影响的实证分析案例目录TOC\o"1-3"\h\u24336互联网使用对农业全要素生产率增长影响的实证分析案例 V受教育水平（edu）：人力资本是体现在人身上的资本，蕴含在劳动者身上的各种知识、智力等，正规教育是其形成的主要途径（郭剑雄和鲁永刚，2011）。本文借鉴周晓时等（2018）的研究，用受教育程度来代表人力资本。（3）控制变量受灾率（disa）：气候变化是影响农业生产的重要因素，一些极端天气（如持续干旱、阴雨寡照等）会造成农业生产的波动，有极强的破坏性，不利于农业TFP增长。本文借鉴王钰等（2010）的研究，采用农作物受灾面积与农作物播种面积之比表示。土地质量（landu）：土壤作为农业生产投入要素，为农作物提供水分等能量，对农业TFP增长产生直接的影响。本文借鉴KeithWiebe（2003）的做法，以有效灌溉与播种面积之比表示。农业结构调整系数（struc）：种植业的结构调整反映了资源配置效率，能影响农业TFP。本文借鉴李国祥（2015）的做法，采用粮食作物占农作物总播种面积之比来表示。城镇化水平（urban）：城镇化也会影响农业生产，经济发达地区吸引了大量农村劳动力，加快其转移速度，影响了劳动力素质和农村土地流转，对农业TFP的作用不容忽视。已有研究中，较多采用本省非农业人口占总人口的比重来衡量，如刘瑞明和石磊（2015），鉴于此，本文也采用这一指标来衡量。财政支持(finan)：财政是公共资源的核心部分，各种支农资金的投入可以有效改善农业生产条件，促进农业综合生产能力的提高。已有研究中，较多采用财政支农支出占总财政支出的比重来衡量，如肖锐（2017），鉴于此，本文也采用这一指标衡量各地区对农业的支持力度。控制变量中受教育水平和城镇化水平的统计数据来自《中国人口和就业统计年鉴》，其他指标均来自于历年《中国统计年鉴》、《中国农村统计年鉴》以及各省市区的统计年鉴或农村统计年鉴，对相关变量的描述性特征如表4-1所示。表4-1各变量的描述性统计分析Table4-1Descriptivestatisticalanalysisofeachvariable变量变量定义平均值标准差最大值最小值TFP全要素生产率指数1.2070.2090.8802.033EFF技术效率指数1.0090.1230.6971.662TE技术进步指数1.2000.1690.9241.873internet互联网普及率0.3410.1860.0280.778edu受教育程度7.3570.8753.2399.364disa受灾率=农作物受灾面积/农作物播种面积0.2240.1490.0000.936landu土地利用率=有效灌溉面积/农作物播种面积0.4220.1770.1481.029urban城镇化=各省份非农人口/总人口0.5060.1530.1580.896finan财政支持=各省份财政支农支出/总财政支出0.0970.0360.0120.190struc农业结构调整系数=粮食作物播种面积/总播种面积0.6540.1290.0000.9581.1.2模型设定（1）基准模型构建在上述理论分析和数据测算的基础上，本文重点考互联网使用对农业TFP增长的影响。借鉴郭家堂和骆品亮（2016）的研究，本文构建的计量模型如下：（4-1）（4-2）（4-3）i表示地区，t表示时间，表示随机误差项。TFP、EFF和TE分别为本文的被解释变量农业TFP、农业技术效率和农业技术进步，需要取自然对数，internet为核心解释变量互联网，CV表示一组控制变量，包括受教育程度、受灾率等会对因变量产生影响的指标，表示非观测的各省份固定效应。（2）调节效应模型构建为了探索人力资本在互联网使用与农业TFP增长关系中的调节作用，借鉴温忠麟等（2005）的做法，将互联网普及率和受教育年限分别做中心化变换，得到c_internet和c_edu，则构建调节效应模型如下:（4-4）（4-5）1.2互联网使用与农业全要素生产率增长的实证结果分析1.2.1基准回归分析从理论上来说，若自变量间存在相关性，可能会造成模型的不稳定。为了保证估计结果的准确性，本文首先采用VIF方法对各变量进行多重共线性检验，结果显示{，……，}=3.38，显著小于经验法则所要求的最低数值10采用方差膨胀因子（VIF）对所涉及解释变量展开多重共线性检验，一般情况下VIF值不超过10，且越大则说明多重共线性问题越严重。，说明自变量间的线性关系可以忽略，即不存在严重的多重共线性。采用方差膨胀因子（VIF）对所涉及解释变量展开多重共线性检验，一般情况下VIF值不超过10，且越大则说明多重共线性问题越严重。其次，本文对模型（4-1）进行回归分析。普通的面板数据回归模型共三种类型：混合回归模型（OLS）、固定效应模型（FE）、随机效应模型（RE）。第一步，本文采用F检验进行估计，结果显示P=0.000<0.05，则在5％显著性水平上拒绝了“选用混合回归模型合理”的原假说，应选用固定效应模型。第二步，采用Hausman检验进行估计，结果显示P=0.000<0.05，则在5％显著性水平上拒绝了“选用随机效应模型合理”的原假说，应选用固定效应模型。因此，本文选用固定效应模型进行参数估计（表4-2）。表4-2互联网使用对农业TFP增长影响的实证估计结果Table4-2EmpiricalestimationresultsoftheinfluenceoftheInternetusageonthegrowthofagriculturalTFP变量OLSFEREinternet0.569***0.593***0.614***（0.051）（0.046）（0.043）lnedu0.557***-0.218*-0.003（0.062）（0.124）（0.100）disa-0.204***-0.046-0.060*（0.044）（0.032）（0.033）landu0.095**-0.105-0.118*（0.039）（0.081）（0.065）urban-0.560***0.351***0.092（0.072）（0.105）（0.094）finan0.368*-0.074-0.018（0.188）（0.121）（0.125）struc0.254***0.1200.152**（0.051）（0.076）（0.069）Constant-1.038***0.211-0.110（0.123）（0.228）（0.190）观测值372372372R20.4970.7290.723注：***、**和*分别表示1%、5%和10%的显著性水平，（）内为稳健标准误。列（2）是以农业TFP为解释变量的固定效应模型回归结果，可以看到核心解释变量internet的估计系数为0.593，在1%水平下显著，这与前文的理论预期是相符合的。其中，互联网的普及率每提高1%，农业TFP增长率能提高0.593%，表明互联网使用对农业TFP增长有显著的正向作用。从其余变量来看，人力资本对农业TFP增长有显著的负向作用，该结论与苏柱华和陈胜学（2012）的研究结论一致。可能的原因是，教育提高了农村劳动力的素质，造成农村劳动力转移到非农产业，导致家庭农业收入下降，降低了对农业生产重视程度，致使农业TFP降低。受灾率、土地质量和财政支持对农业TFP存在负向作用，但都不显著。城镇化水平在1%的显著性水平上显著且系数为正，城镇化发展会带动农业剩余劳动力转移和提高土地集约化程度，有利于单位劳动产出和土地产出率的提高，促进农业TFP增长。农业种植结构估计系数不显著，说明农业种植结构暂时还未对农业TFP增长发挥显著作用。1.2.2作用机制检验为了探究互联网使用对农业TFP增长的作用机制，本文将农业TFP增长分解为农业技术进步与农业技术效率变化，进一步讨论互联网使用对两者的影响，判定互联网使用到底通过哪种路径影响了农业TFP增长。在对农业技术效率变化和农业技术进步进行回归分析时，需要先确定选用何种模型，本节的检验过程同上文相同，在此不再赘述，均表明采用固定效应模型更合适。表4-3互联网使用影响农业技术效率变化和农业技术进步的实证估计结果Table4-3EmpiricalestimationresultsoftheinfluenceoftheInternetusageonagriculturaltechnologyefficiencychangesandagriculturaltechnologyprogress变量（1）（2）lnEFFlnTEinternet0.0210.572***（0.050）（0.044）lnedu-0.185-0.033（0.134）（0.120）disa-0.029-0.017（0.035）（0.031）landu-0.063-0.042（0.087）（0.078）urban0.0210.329***（0.114）（0.102）finan0.029-0.103（0.131）（0.118）struc0.275***-0.155**（0.082）（0.073）常数项0.2010.010（0.247）（0.221）观测值372372R20.0460.748注：***、**和*分别表示1%、5%和10%的显著性水平，（）内为稳健标准误。表4-3中列（1）是以技术效率变化为被解释变量的固定效应模型回归结果，可以发现，互联网使用对农业技术效率变化的估计系数值为0.021，但并未通过显著性检验，说明在样本期间，互联网使用对农业技术效率变化并未发挥正向作用，可能是因为互联网使用对农业技术效率的作用受到了农业生产者对信息技术运用能力的约束。列（2）是以农业技术进步为被解释变量的固定效应模型回归结果，可以发现，互联网使用对技术进步的估计系数值为0.572，且在1%的水平上显著，表明互联网使用对技术进步有促进作用，说明互联网使用加强了农业科研与生产的结合，提高科研成果的转化率，有效推动了农业技术的进步。基于以上分析，可以发现互联网使用对农业TFP增长的促进作用是通过影响农业技术进步来实现的。就其余控制变量而言，农业结构调整系数对农业技术效率和农业技术进步都有显著的影响，分别在1%和5%水平上通过显著性检验，城镇化水平对农业技术进步也有显著的正向影响。1.2.3地区异质性从上文的研究可以看出，互联网使用对我国整体农业TFP增长有明显促进作用。但不同地区发展水平、政策支持以及自然资源条件也存在着差异，这种提升作用是否也具有地区异质性的特征呢？为了检验互联网使用对农业TFP增长的影响是否具有地区差异，本文将中国31个省（市、区）按照国家统计局的划分方式，分为东、中、西部三大区域，进一步研究互联网使用对农业TFP增长的影响。本处的检验过程同上文相同，均表明固定效应模型最优。结果如表4-4所示。表4-4地区异质性估计结果Table4-4Regionalheterogeneityestimationresults（1）（2）（3）lnTFP（东）lnTFP（中）lnTFP（西）internet0.441***0.797***0.620***（0.090）（0.094）（0.063）控制变量YesYesYes常数项-0.2960.0030.059（0.615）（0.665）（0.223）观测值13296144R20.6790.8380.790注：***、**和*分别表示1%、5%和10%的显著性水平，（）内为稳健标准误。表4-4中列（1）-（3）分别为三大地区采用固定效应模型进行回归的结果。可以发现，互联网使用对东部、中部和西部地区农业TFP的回归系数为0.441、0.797、0.620，且都在1%水平下通过了显著性检验，说明三大地区都能通过互联网使用来提升农业TFP增长，与互联网使用对我国整体农业TFP增长的促进作用是一致的，也间接证实了本文结论的可靠性。同时，这种促进作用呈中部、西部、东部地区依次减弱，互联网使用对中部地区农业TFP的促进作用最强。一个合理的解释是，中部地区多为农业大省，是全国商品粮生产基地，随着互联网对农业的渗透作用日益增强，会促进农业生产要素的优化整合，最终提升农业TFP。1.3人力资本调节效应检验1.3.1调节效应检验本节基于各地区的样本数据，检验人力资本对互联网使用与农业TFP增长关系的调节作用。本文采用去中心化后的互联网普及率和受教育水平的交互项（c_internet*c_lnedu）来探究人力资本调节的效应。若交互项的回归系数显著，则表示人力资本的调节效应显著；若交互项的回归系数显著且为正，则表示人力资本会强化互联网使用对农业TFP增长的作用；若交互项的回归系数显著且为负，则表示人力资本会弱化互联网使用对农业TFP增长的作用；若交互项回归系数不显著，则表示人力资本对互联网使用与农业TFP增长的关系没有显著的调节作用。本节的检验过程同上文相同，均表明固定效应模型最优，结果如表4-5所示。

表4-5人力资本调节效应估计结果Table4-5Humancapitaladjustmenteffectestimationresults变量系数标准差t-值p-值internet0.549***0.04611.9700.000c_internet*c_lnedu0.667***0.1591.1800.000c_lnedu-0.3110.123-2.5400.012disa-0.0440.031-1.4000.161landu-0.0420.080-0.5200.600urban0.393***0.1033.8100.000finan-0.1000.119-0.8400.401struc0.0720.0750.9600.339常数项-0.041***0.083-0.5000.618注：***、**和*分别表示1%、5%和10%的显著性水平，（）内为稳健标准误。表4-5是以农业TFP为被解释变量的固定效应模型回归结果。人力资本与互联网普及率的交互项（c_internet*c_lnedu）回归系数为0.667，在1%水平下通过了显著性检验，其他控制变量的回归结果与前文基准模型回归结果一致。交互项的系数估计值反映出，人力资本对互联网使用促进农业TFP增长具有显著的正向调节效应，说明随着生产者受教育水平的提高，互联网使用对农业TFP增长的促进作用会增强。对此，一个合理的解释是，人力资本是使用互联网的必要条件与基础，随着互联网在农村地区的普及，需要相应水平的人力资本与之适应。一方面，受过良好教育的劳动力，继续学习的参与率比文化程度低的劳动力会更高，可以通过“干中学”来获取使用互联网的能力。受教育程度高的农民往往能熟练掌握互联网的操作技术，进而增强互联网使用对农业TFP增长的促进作用。另一方面，高人力资本所具备的分析、协调能力是对信息技术的有益补充。互联网带来农业生产经营方式的转型，要求农户进一步加强数据分析能力、综合协调能力，有效利用信息技术对农业生产管理做出决策。由此可见，农村劳动力作为互联网的使用者与受益者，只有通过提高受教育水平，才能更好地促进互联网在农业中的使用，进而增强互联网使用对农业TFP增长的提升作用。1.3.2地区异质性为了检验人力资本对互联网使用与农业TFP增长关系的调节作用是否具有地区差异，本文做了进一步研究。此处的检验过程同上文相同，均表明固定效应模型最优。鉴于此，对我国东、中、西部地区的实证检验依然选用固定效应模型，实证估计结果如表4-6所示。表4-6地区异质性估计结果Table4-6Regionalheterogeneityestimationresults（1）（2）（3）lnTFP（东）lnTFP（中）lnTFP（西）internet0.260**0.870***0.720***（0.103）（0.126）（0.055）c_internet*c_lnedu2.099***-0.7681.300***（0.644）（0.877）（0.177）c_lnedu-1.131**-0.299-0.199*（0.453）（0.308）（0.115）控制变量YesYesYes常数项-0.452**-0.678***-0.069（0.192）（0.198）（0.085）观测值13296144R20.7070.8400.853注：***、**和*分别表示1%、5%和10%的显著性水平，（）内为稳健标准误。列（1）呈现的是在东部地区的检验结果，人力资本与互联网普及率的交互项的回归系数为2.099，且在1%的水平下通过了检验，说明在东部地区，人力资本对互联网使用促进农业TFP增长具有正向调节效应。列（2）呈现的是在中部地区的检验结果，人力资本与互联网普及率的交互项回归系数为-0.768，并未通过显著性检验，说明人力资本的调节作用在中部地区并不明显。列（3）呈现的是在西部地区的检验结果，人力资本与互联网普及率的交互项回归系数为1.300，且在1%的水平下通过了检验，说明在西部地区，人力资本同样对互联网促进农业TFP增长具有正向调节效应。基于以上研究，发现人力资本可以调节互联网使用对农业TFP增长的促进作用。在东部和西部地区，这种调节作用表现为