【《财政支农支出对农业全要素生产率影响实证分析案例》8900字】

财政支农支出对农业全要素生产率影响实证分析案例目录TOC\o"1-3"\h\u10687财政支农支出对农业全要素生产率影响实证分析案例 1274491.1动态面板模型 1122771.2变量说明和描述性分析 21201.2.1变量选取 2174701.2.2数据来源和描述性统计 3257731.3广义矩估计和多重共线性检验 4238181.3.1广义矩估计 4205201.3.2相关性分析与多重共线性检验 5262671.4财政支农支出对农业全要素生产率影响的宏观分析 616741.1.1财政支农支出对农业全要素生产率增长的影响 694261.1.2财政支农支出对农业全要素生产率构成的影响 761271.1.3稳定性检验 9154061.5不同区域财政支农支出对农业全要素生产率影响对比分析 11246691.5.1财政支农支出对农业全要素生产率增长影响的地区异质性分析 11255961.5.2财政支农支出对农业全要素生产率构成影响的地区异质性分析 12245241.5.3稳定性检验 1548081.6小结 16本章在前文理论分析和农业全要素生产率测算的基础上，采用相关面板数据，实证检验了财政支农支出对农业全要素生产率增长及其构成部分的影响，并进一步探究了财政支农支出对农业全要素生产率增长及其构成部分影响的区域异质性，以期能够全面分析我国财政支农支出对农业全要素生产率的影响，为我国各地区制定有效的财政支农政策，进而推动农业全要素生产率增长，实现高质量发展提供理论参考。1.1动态面板模型根据第三章的分析可知，上一期的农业全要素生产率增长与当期农业全要素生产率增长之间具有显著的相关性，说明农业全要素生产率增长是一个长期累积的过程，由于静态面板模型无法体现农业全要素生产率增长的动态变化，所以，本文采用动态面板模型来研究财政支农支出对农业全要素生产率的影响。动态面板模型相比静态面板模型，模型右边加入了被解释变量的滞后项，进而可以考虑前期对后期的影响作用。动态面板模型的一般形式为[68]：4-（1）其中，和分别表示省份和年份，表示被解释变量，表示滞后一阶被解释变量，为被解释变量滞后一阶的待估系数，表示核心解释变量，为核心解释变量的待估系数，表示控制变量，为控制变量的待估系数，表示个体效应，为随机误差项且服从正态分布。1.2变量说明和描述性分析1.2.1变量选取（1）被解释变量：农业全要素生产率增长率（TFPC）、技术效率变化（TEC）、规模效率变化（SC）。在前文第三章，运用随机前沿方法对农业全要素生产率进行了测算，并将其分解为技术进步、技术效率变化和规模效率变化三部分。根据似然比检验结果可知技术变化是中性的，技术进步在地区上并不存在差异，但技术效率变化和规模效率变化在时间和区域上都有明显的差异性，所以，在分析财政支农对农业全要素生产率的影响路径时，从技术效率和规模效率两个渠道进行研究。因此，本文选取农业TFPC、TEC和SC作为被解释变量。（2）核心解释变量：财政支农（ZNL），借鉴朱万里和胡瑜杰的做法，用财政支农支出占财政总支出的比重来表示财政支农[51]。一方面，国家财政用于农业的支出有利于改善农业的基础设施和生产条件，也有利于农业科技研发与新技术推广，预期对农业全要素生产率增长及其分解部分的影响为正；另一方面，由于目前我国财政支农资金存在总量不足、结构不合理、效率低下等问题，可能会抑制农业全要素生产率的增长。鉴于财政支农支出在不同年份发生了较大变化，借鉴唐建等的做法，1998-2002年财政支农支出选用支援农村生产支出和农业综合开发支出以及农林水利气象等部门事业费之和，2003-2006年选取农业支出和林业支出以及农林水利气象等部门事业费之和，2007-2018年选用农林水事务支出[48]。（3）控制变量：①城镇化水平（CZL），参考李文华[69]的指标选取方法，用各地区城镇人口数与总人口数比值来表示，在推进城镇化过程中，部分农村劳动力向城镇转移，进而改变农业生产要素组合比例，必定会对农业全要素生产率增长产生一定的影响。②自然灾害水平（SZL），参考王亚飞等[70]的方法，用农作物受灾面积与农作物总播种面积的比值来表示，自然环境的恶化预期将会对农业全要素生产率增长产生负面影响，同时，为应对自然灾害，可能会进行灾后农业技术推广，进而会改善农业技术效率。③灌溉基础设施（GGL），参考邓晓兰等[71]的方法，用有效灌溉面积与农作物总播种面积的比值进行衡量，农村灌溉基础设施条件的改善，有利于降低农业资本生产成本，提高农业生产要素利用效率。④工业化程度（GYH），参考周鹏飞等[30]的方法，用第二产业产值占地区总产值的比重进行衡量，一方面，工业化程度的提高，有助于现代工业理念向农业的扩散，推动农业向集约化发展转变，这可能对农业全要素生产率增长产生积极影响；另一方面，提高工业化水平可能会占用农业的部分资源，从而不利于农业的发展。表1.1变量符号及测度方式变量类别变量符号测度方式被解释变量农业全要素生产率增长率TFPC第三章中随机前沿超越对数生产函数法计算的全要素生产率变化及其分解部分结果农业技术效率变化TEC农业规模效率变化SC核心解释变量财政支农ZNL财政支农支出/财政总支出控制变量城镇化水平CZL城镇人口数/总人口数自然灾害水平SZL农作物受灾面积/农作物总播种面积灌溉基础设施GGL有效灌溉面积/农作物总播种面积工业化程度GYH第二产业产值/地区总产值1.2.2数据来源和描述性统计考虑到数据的可获得性和连续性，样本范围为全国31个省市自治区1998-2018年的面板数据，所有政府核算数据来源于《中国统计年鉴》、《中国农村统计年鉴》、《中国人口统计年鉴》及各省的统计年鉴，个别缺失数据采用插值法进行补缺处理。相关变量的描述性统计如表1.2所示。表1.2相关变量描述性统计变量样本数均值标准差最小值最大值TFPC6510.16481.6167-15.853422.5588TEC6510.01730.01230.00030.0538SC6510.13111.6163-15.890622.4944ZNL6510.09360.03430.02130.1897CZL6510.47730.16690.15200.8960SZL6510.24690.16120.00260.9359GGL6510.41160.17870.13911.0568GYH6510.45260.08280.18600.61501.3广义矩估计和多重共线性检验1.3.1广义矩估计在动态面板模型中，由于存在被解释变量的滞后项，所以会造成内生性问题，此时，估计静态面板模型参数有效的方法，都无法得到模型参数的一致估计量。广义矩估计（GMM）是基于模型中的参数满足一些矩条件进行参数估计的方法，其优点可以利用工具变量消除模型中的内生性。常用的广义矩估计方法为差分GMM和系统GMM。将模型4-（1）进行一阶差分变换，消除个体效应，可以得到：4-（2）在上式中，由于与相关，与无关，所以是一个合适的工具变量，同理都可以是的工具变量，矩条件为：4-（3）其中，，为其自身的工具变量，定义工具变量矩阵。为了更好地利用工具变量的信息，Arellano和Bond提出将所有可能的滞后变量考虑进来，在此基础上进行参数估计，称为差分GMM。此后，Blundell和Bond进一步完善，将差分GMM和水平GMM相结合，构建联立方程组进行估计，称为系统GMM。联立方程包括差分方程和水平方程，其形式为：4-（4）其中，，，其余符号定义与上节相同。矩条件为：4-（5）其中，工具变量矩阵，，，。由于系统GMM将差分GMM和水平GMM估计的工具变量进行有效整合，产生了更多的矩条件，样本信息利用更加充分，所以，系统GMM的估计量更加有效[76]。因此，为了解决模型中的内生性问题，本文采用系统GMM对动态面板模型进行估计。需要注意的是，使用系统GMM进行估计系数时，需要满足个体效应和差分变量不相关以及误差项不存在二阶自相关两个前提条件[72]。因此，为了模型估计结果的可靠性，需要进行误差项的自相关检验和工具变量过度识别检验。如果二阶自相关检验统计量的p值小于0.05，说明在5%的显著性水平上拒绝误差项无自相关的原假设，此时不满足前提条件。另外，可以采用Sargan检验判断工具变量的有效性，检验使用的工具变量是否存在过度识别问题，原假设为所有工具变量均有效，如果检验统计量p值小于0.05，说明在5%的显著性水平上拒绝误差项无自相关的原假设，此时不满足前提条件。1.3.2相关性分析与多重共线性检验本节对各变量进行相关性分析，各变量的Pearson相关系数和Spearman相关系数见表1.3和表1.4。从表中可以看出，各变量相关系数的绝对值较低，均低于0.5。表1.3各变量的Pearson相关系数表变量ZNLCZLSZLGGLGYHZNL1CZL-0.17541SZL-0.0630-0.29451GGL-0.09770.3101-0.23151GYH-0.0591-0.02200.0814-0.15141表1.4各变量的Spearman相关系数表变量ZNLCZLSZLGGLGYHZNL1CZL-0.06871SZL-0.0702-0.33941GGL-0.17010.3714-0.24071GYH-0.04760.11440.09760.06641经回归共线性诊断计算得出自变量矩阵的条件指数为11.44，小于30，表明回归模型所涉及的自变量之间不存在多重共线性问题。1.4财政支农支出对农业全要素生产率影响的宏观分析1.1.1财政支农支出对农业全要素生产率增长的影响本节的关键是检验财政支农支出对农业全要素生产率增长的影响作用，根据前文分析可知，上一期的农业全要素生产率变化与当期农业全要素生产率之间存在显著的相关性，基于此，在李晓嘉关于财政支农支出的实证研究基础上设定如下模型[73]：4-（2）其中，表示省份，表示时间，表示农业全要素生产率增长率，表示农业全要素生产率的一阶滞后项，表示核心解释变量财政支农，、、和均为控制变量，分别表示城镇化水平、自然灾害水平、灌溉基础设施和工业化程度，、、、、和为对应变量的待估计系数，为个体效应，为随机误差项。为了模型估计结果的有效性，采用系统GMM方法进行估计，估计结果如表1.5所示。从表1.5可以看出，所有模型的AR(2)和Sargan检验统计量所对应的p值均大于0.05，通过了误差项不存在二阶自相关和工具变量不存在过度识别的检验，表明采用动态面板模型是合理的，使用系统GMM方法进行估计是有效的。模型1至模型5的农业全要素生产率滞后一阶项前的系数均显著，所以模型选择滞后项为一阶是合理的，系数显著为负，这一结果说明农业全要素生产率增长是一个长期累积的过程，但过程存在一定的波动性，验证了前文第三章分析中农业全要素生产率增长具有波动性这一特征。表1.5财政支农对农业全要素生产率增长的影响回归结果变量被解释变量：TFPC模型1模型2模型3模型4模型5TFPCi,t-1-0.0169***(-12.924)-0.0008***(-2.8512)-0.0015***(-1.1915)-0.0096***(-28.0605)-0.0108***(-21.6871)ZNL2.1919***(19.196)3.6563***(55.0659)3.7131***(28.073)3.1310***(18.2677)3.8907***(17.3750)CZL-0.3225***(-15.692)-0.2984***(-10.9704)-0.6921***(-13.2963)-0.5444***(-0.0607)SZL-0.1163***(-3.7798)-0.1944***(-5.9252)-0.0495(-1.3981)GGL0.6839***(9.9011)0.6780***(8.7375)GYH-0.3920***(-1.9831)AR(2)test0.50660.66330.72310.78930.8262Sargantest0.81320.96580.95790.98140.9979Waldtest<2.22*10-16<2.22*10-16<2.22*10-16<2.22*10-16<2.22*10-16注：***表示1%，**表示5%，*表示10%，.表示15%，圆括号内为z值，AR(2)test和Sargantest的值为统计量所对应的p值，软件R。从表1.5的回归结果可以看出，模型1中财政支农前面的系数为2.1919，并且在1%的水平下通过了显著性检验，说明加大财政支农力度有利于提高农业全要素生产率的增长速度。从模型2至模型5的估计结果可以看出，逐步加入控制变量后，财政支农的系数仍为正数，并且均通过了1%的显著性检验，说明在加入控制变量和不加入控制变量的情况下，核心解释变量的影响方向并没有发生改变，财政支农对农业全要素生产率增长都表现为显著的促进作用，即提高财政支农支出占财政总支出的比重，不仅能提高农业全要素生产率，还能提高农业全要素生产率增长幅度，也就是说，提高财政支农力度是促进农业全要素生产率加速增长的一条可行途径。从控制变量来看，在模型2至模型5中，城镇化水平前面的系数均为负数，并且均在1%的水平下通过了显著性检验，表明城镇化水平的提高不利于农业全要素生产率增长。自然灾害水平在模型3和模型4中前的系数均为负数，且均通过了1%的显著性检验，在模型5中的系数为负但结果不显著，可能的原因是自然灾害水平可以通过多条途径来影响农业全要素生产率增长，导致了结果不显著。灌溉基础设施前面的系数在模型4和模型5中均为正数，并且都在1%的显著性水平下显著，说明改善灌溉基础设施条件对提高农业全要素生产率增长速度具有显著促进作用。工业化程度前的系数显著为负，说明工业化进程加快不利于农业全要素生产率的增长。1.1.2财政支农支出对农业全要素生产率构成的影响根据上节实证结果可知，财政支农从总体上促进了农业全要素生产率的增长，那么财政支农到底通过农业全要素生产率增长的哪一部分在发挥作用促进了农业全要素生产率的增长呢？为了更加深入了解财政支农的作用机制，进一步探索财政支农对农业全要素生产率增长的影响路径，建立以下模型：4-（3）4-（4）其中，表示省份，表示时间，和分别表示农业技术效率变化和规模效率变化，和分别表示农业技术效率变化的一阶滞后项和规模效率变化的一阶滞后项，表示核心解释变量财政支农，、、、均为控制变量，符号含义与前文定义相同，为个体效应，为随机误差项，、、、、、、、、、、和为对应变量的待估计系数。对于模型中可能产生的内生性问题，使用系统GMM进行估计，模型回归结果见表1.6。从中可以看出，模型中被解释变量的滞后一阶均显著，同时表明均通过了误差项不存在二阶自相关和工具变量不存在过度识别的检验，说明模型设计是合理的，使用系统GMM进行估计是有效的。表1.6财政支农对农业技术效率和规模效率变化的影响回归结果变量模型6模型7TECSCTECi,t-10.9887***(7.1797)SCi,t-1-0.0112***(-20.3916)ZNL0.0543***(7.0849)3.8421***(16.9713)CZL0.0112***(1.7139)-0.5733***(-9.9097)SZL0.0213***(7.4590)-0.0743**(-2.1867)GGL0.0277***(7.6960)0.6543***(8.1971)GYH-0.0206***(-1.7123)-0.3911***(-5.2834)AR(2)test0.07910.8396Sargantest0.97700.9976Waldtest<2.22*10-16<2.22*10-16注：***表示1%，**表示5%，*表示10%，.表示15%，圆括号内为z值，AR(2)test和Sargantest的值为统计量所对应的p值，软件R。从核心解释变量财政支农前的系数来看，财政支农对农业技术效率变化和规模效率变化的影响系数均为正值，且均在1%的显著性水平下显著，这显示财政支农对农业技术效率和规模效率变化都具有正向促进作用，说明财政支农不仅通过提高技术效率的途径来促进农业全要素生产率的增长，还通过促进规模效率增长的途径来推动农业全要素生产率的增长。从控制变量来看，城镇化水平对农业技术效率变化和规模效率变化的影响系数分别为正数和负数，且均在1%的显著性水平下显著，说明提高城镇化水平对农业技术效率增长具有正向作用，但不利于农业规模效率的增长，可能的原因为，一方面，提高城镇化水平，有利于农业人口非农化转移，并促进现代管理理念和先进技术向农业扩散，进而提高了农业技术效率，另一方面，城镇化进程的加快可能会造成农村土地的粗放使用，进而抑制了规模效率的增长。自然灾害水平对农业技术效率变化和规模效率变化的影响系数分别为正和负，且均在1%的显著性水平下显著，说明农业自然灾害会抑制农业规模效率增长，但可能通过灾后农业技术推广改善农业技术效率。灌溉基础设施对农业技术效率变化和规模效率变化的影响系数均为正，且均在1%的显著性水平下显著，说明改善农业生产条件对提高农业技术效率和规模效率都具有正向促进作用。工业化程度对农业技术效率变化和规模效率变化的影响系数均为负，且均在1%的显著性水平下显著，说明工业化进程加快不利于农业技术效率和规模效率的增长。1.1.3稳定性检验本文观测期是1998-2018年，包含了全面取消农业税和次贷危机，为剔除重大外部冲击对估计结果的影响，借鉴高琳和马兰的做法[74-75]，通过调整样本观测期对实证分析的结果进行稳定性检验。将样本分为1998-2009年、2010-2018年和1998-2006年三个时间段进行系统GMM估计。模型的稳定性检验结果分别见表1.7和1.8。表1.7分时间段财政支农对农业TFPC影响结果的稳定性检验变量1998-20092010-20181998-2006TFPCTFPCTFPCTFPCi,t-1-0.2740***(-121.8)-0.0023(-0.6935)-0.1709***(-57.5)ZNL13.3779***(38.1626)2.9708***(5.9794)0.1960*(1.9550)AR(2)test0.19060.76740.2363Sargantest0.61360.20100.2272Waldtest<2.22*10-16<2.22*10-16<2.22*10-16注：***表示1%，**表示5%，*表示10%，.表示15%，圆括号内为z值，AR(2)test和Sargantest的值为统计量所对应的p值，鉴于重点关注核心解释变量，本表不再列出相关控制变量的估计系数及其显著性检验，软件R。表1.8分时间段财政支农对农业TEC和SC影响结果的稳定性检验变量1998-20092010-20181998-2006TECSCTECSCTECSCTECi,t-10.9887***(6.5761)0.9886***(19.44)0.9887***(3.5571)SCi,t-1-0.2768***(-118)-0.0046(-0.6274)-0.1849***(-69.1398)ZNL0.0782***(7.0401)13.1616***(56.5444)0.0587***(1.2678)2.7824***(5.6002)0.1451***(5.7926)0.4791**(2.0682)AR(2)test0.80620.17620.24850.66090.77280.1707Sargantest0.61870.21830.58960.30720.54830.2992Waldtest<2.22*10-16<2.22*10-16<2.22*10-16<2.22*10-16<2.22*10-16<2.22*10-16注：***表示1%，**表示5%，*表示10%，.表示15%，圆括号内为z值，AR(2)test和Sargantest的值为统计量所对应的p值，鉴于重点关注核心解释变量，本表不再列出相关控制变量的估计系数及其显著性检验，软件R。从表1.7和表1.8的估计结果可以看出，在不同样本时段下，核心解释变量财政支农回归系数的符号都没有发生变化，并且大部分均通过了1%的显著性检验，说明财政支农从总体上对农业全要素生产率、农业技术效率变化和规模效率变化的正向影响作用是稳定的。1.5不同区域财政支农支出对农业全要素生产率影响对比分析1.5.1财政支农支出对农业全要素生产率增长影响的地区异质性分析为了分析财政支农支出影响农业全要素生产率增长的区域异质性，借鉴李梅和柳士昌的做法，在模型中引入虚拟变量[76]，按照传统的划分方法，将全国分为东部、中部、西部三个地区，并按照虚拟变量的引入规则，引入东中西部三个虚拟变量，分别用、和表示，建立以下模型：4-（5）其中，表示省份，表示时间，表示农业全要素生产率增长率，表示农业全要素生产率的一阶滞后项，表示核心解释变量财政支农，、、、均为控制变量，符号含义与前文定义相同，、、、、、、和为对应变量的待估计系数，为个体效应，为随机误差项。为了便于对比分析，模型4-（5）中控制变量的选择与总体分析财政支农影响农业全要素生产率增长时的模型一致。对于模型中可能产生的内生性问题，使用系统GMM方法进行估计，具体回归结果见表1.9。表1.9不同区域财政支农对农业全要素生产率增长的影响回归结果变量被解释变量：TFPC模型8模型9模型10模型11模型12TFPCi,t-1-0.0029***(-5.8755)-0.0041(-0.8444)-0.0042***(-5.6132)-0.0115**(-2.3642)-0.0124**(-2.5611)eastZNL1.6785***(7.8803)3.5213***(12.6385)3.2941***(5.9208)2.7726***(9.6199)3.3574***(11.2245)centralZNL0.4897．(1.5204)1.3926***(6.8167)2.1635***(1.0347)1.2699***(5.9511)2.0519***(8.5938)westZNL3.6977***(27.5075)1.4202***(28.9914)1.5816***(21.4207)3.9155***(22.9550)1.5212***(23.8412)CZL-0.2892***(-8.5828)-0.1800***(-1.0631)-0.6197***(-11.7444)-0.4592***(-9.6708)SZL-0.2460***(-5.6490)-0.1884***(-1.7037)-0.0374(-0.8299)GGL0.6184***(15.1736)0.6775***(16.3110)GYH-0.4554***(-7.2890)AR(2)test0.80510.89800.83920.94810.9448Sargantest0.99580.87170.99890.91390.9997Waldtest<2.22*10-16<2.22*10-16<2.22*10-16<2.22*10-16<2.22*10-16注：***表示1%，**表示5%，*表示10%，.表示15%，圆括号内为z值，AR(2)test和Sargantest的值为统计量所对应的p值，软件R。从表1.9中可以看出，AR(2)和Sargan检验的p值显示所有模型均通过了误差项不存在二阶自相关和工具变量不存在过度识别的检验，说明模型设计是合理的，使用系统GMM进行估计是有效的。模型8结果显示区域财政支农对农业全要素生产率提升都具有显著促进作用，在作用程度上，西部地区财政支农对农业全要素生产率提升的影响系数大于东部地区，东部地区大于中部地区，逐步加入控制变量进行回归后，区域影响系数符号和作用程度顺序并没有发生改变，且大部分变量均通过了1%水平的显著性检验，说明模型结果是稳定的，表明东中西部地区财政支农对农业全要素生产率增长都具有显著的正向促进作用，西部地区财政支农促进农业全要素生产率增长的作用程度高于东中部地区，可能的原因是自国家提出西部大开发战略以来，给予了西部地区更多的惠农政策支持，同时西部地区省份的农业发展水平相对较弱，所以农业全要素生产率和农业发展提升空间较大，因此西部地区财政支农对农业全要素生产率提升的边际效应要比东中部地区更为明显。1.5.2财政支农支出对农业全要素生产率构成影响的地区异质性分析根据上节实证结果可知，区域财政支农对农业全要素生产率的增长都具有显著的提升作用，那么，各地区财政支农促进农业全要素生产率增长的路径是否相同呢？为此，进一步探讨财政支农对农业全要素生产率作用内在机制的区域异质性，建立以下模型：4-（6）4-（7）其中，表示省份，表示时间，和分别表示农业技术效率变化和规模效率变化，和分别表示农业技术效率变化的一阶滞后项和规模效率变化的一阶滞后项，表示核心解释变量财政支农，、、、均为控制变量，符号含义与前文定义相同，为个体效应，为随机误差项，、、、、、、、、、、、、、、和为对应变量的待估计系数。为了解决动态回归过程中出现的内生性问题，继续使用系统GMM方法进行估计，用被解释变量的高阶滞后项作为工具变量，模型回归结果见表1.10。表1.10不同区域财政支农对农业技术效率和规模效率变化的影响回归结果变量模型13模型14TECSCTECi,t-10.9886***(5.7886)SCi,t-1-0.0124***(-2.5517)eastZNL-0.0860***(-5.6063)3.3552***(11.2170)centralZNL-0.0374***(-1.0128)2.0046***(8.3959)westZNL0.0617***(5.9507)1.3846***(23.1249)CZL0.0263***(11.8763)-0.6314***(-12.7724)SZL0.0199***(8.7565)-0.0591(-1.3102)GGL0.0240***(5.6580)0.6478***(15.5984)GYH-0.0227***(-6.4906)-0.4377***(-7.0063)AR(2)test0.10620.9463Sargantest0.98630.9304Waldtest<2.22*10-16<2.22*10-16注：***表示1%，**表示5%，*表示10%，.表示15%，圆括号内为z值，AR(2)test和Sargantest的值为统计量所对应的p值，软件R。从表1.10中可以看出，所有模型均通过了误差项不存在二阶自相关和工具变量不存在过度识别的检验，说明模型设计是合理的，使用系统GMM进行估计是有效的。模型13的结果显示，区域财政支农对农业技术效率增长的影响方向存在差异性，东部和中部财政支农对农业技术效率的影响系数都为负，西部地区财政支农的影响系数为正，且均通过了1%水平的显著性检验，表明东中部地区财政支农抑制了农业技术效率增长，西部地区财政支农对农业技术效率提升具有显著正向影响，可能的原因为东部地区二三产业相对比较发达，政府对农业的重视程度相对较低，对农业投资的积极性不高，在财政支出资金的使用方面更加偏向能带来GDP较快增长的部门和产业，可能会把本应用于支持农业的财政资金用于其他地方，而中部地区财政体制并不完善，政府部门在财政支农资金管理使用方面的效率比较低下，财政支农资金的结构可能存在一定的偏差，导致对农业先进技术的传播与扩散效果不理想，从而制约了农业技术效率的提升。区域财政支农对农业规模效率都具有显著促进作用，与表1.9模型12的回归结果进行对比可以看出，区域财政支农对农业规模效率增长的影响方向与区域财政支农对农业全要素生产率增长的影响方向相一致。综上，东中部地区财政支农是通过促进农业规模效率增长来促进农业全要素生产率的提升，西部地区财政支农通过促进农业规模效率增长和改善农业技术效率两种路径来促进农业全要素生产率的提升。1.5.3稳定性检验借鉴高琳和马兰的做法[74-75]，通过调整样本观测期对实证分析的结果进行稳定性检验。将样本分为1998-2009年、2010-2018年和1998-2006年三个时间段进行系统GMM估计。模型的稳定性检验结果分别见表1.11和1.12。表1.11分时间段不同区域财政支农对农业TFPC影响结果的稳定性检验变量1998-20092010-20181998-2006TFPCTFPCTFPCTFPCi,t-1-0.2566***(-10.7400)-0.0012(-0.1772)-0.1842***(-67.0932)eastZNL13.1352***(21.4070)1.5623***(9.4278)2.0742***(6.5