摘要 基于2012—2021年黃河流域省級面板數(shù)據(jù)，運用Global-Malmquist-Luenberger模型測算該流域農(nóng)業(yè)綠色全要素生產(chǎn)率，并實證分析數(shù)字普惠金融對該流域農(nóng)業(yè)綠色全要素生產(chǎn)率的影響。結(jié)果表明：①黃河流域農(nóng)業(yè)綠色全要素生產(chǎn)率呈增長趨勢，年均增長2.5%。各區(qū)域當中，下游農(nóng)業(yè)綠色全要素生產(chǎn)率均值最高，中游最低，上游則處于中間水平。各?。▍^(qū)）中，僅有內(nèi)蒙古自治區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率均值小于1，主要是因為技術(shù)進步受阻的現(xiàn)象，總體農(nóng)業(yè)綠色生產(chǎn)技術(shù)出現(xiàn)衰退。其余省（區(qū)）農(nóng)業(yè)綠色全要素生產(chǎn)率均值均大于1，僅山西省存在技術(shù)轉(zhuǎn)化不暢，技術(shù)轉(zhuǎn)化效率低的問題。②數(shù)字普惠金融總指數(shù)、覆蓋廣度、使用深度和數(shù)字化程度指數(shù)對黃河流域總體農(nóng)業(yè)綠色全要素生產(chǎn)率、技術(shù)進步指數(shù)和技術(shù)效率指數(shù)均有顯著的正向影響。數(shù)字普惠金融總指數(shù)和數(shù)字化程度指數(shù)對上、中、下游均有顯著的正向影響，覆蓋廣度指數(shù)和使用深度指數(shù)對中、下游有顯著的正向影響，對上游的正向影響不顯著。

關(guān)鍵詞 數(shù)字普惠金融；農(nóng)業(yè)綠色全要素生產(chǎn)率；Global-Malmquist-Luenberger模型；黃河流域

中圖分類號 F323.3 文獻標識碼 A 文章編號 0517-6611（2024）21-0197-06

doi：10.3969/j.issn.0517-6611.2024.21.041

開放科學（資源服務）標識碼（OSID）：

Research on the Impact of Digital Inclusive Finance on Agricultural Total Factor Productivity in the Yellow River Basin

YUAN Jia-wei

（Economics and Management School of Yangtze University， Jingzhou， Hubei 434023）

Abstract Based on provincial panel data in the Yellow River Basin from 2012 to 2021， calculate the green total factor productivity of agriculture in the basin using the Global Malmquist Lunberger model， and empirically analyze the impact of digital inclusive finance on the green total factor productivity of agriculture in the basin. The results indicate that： ① The green total factor productivity of agriculture in the Yellow River Basin is showing an increasing trend， with an average annual growth rate of 2.5%. Among various regions， the average green total factor productivity of downstream agriculture is the highest， the middle reaches are the lowest， and the upstream is at the middle level. Among all provinces （regions）， only Inner Mongolia Autonomous Region has an average agricultural green total factor productivity of less than 1， mainly due to the phenomenon of technological progress being hindered， resulting in a decline in overall agricultural green production technology. The average green total factor productivity of agriculture in other provinces （regions） is greater than 1， and only Shanxi Province has the problem of poor technology transformation and low technology transformation efficiency. ② The total index of digital inclusive finance， coverage breadth， depth of use， and degree of digitization have significant positive effects on the overall agricultural green total factor productivity， technological progress index， and technological efficiency index in the Yellow River Basin. The total index of digital inclusive finance and the degree of digitization index have significant positive impacts on upstream， midstream， and downstream， while the coverage breadth index and depth of use index have significant positive impacts on midstream and downstream， while the positive impact on upstream is not significant.

Key words Digital inclusive finance;Agricultural green total factor productivity;Global Malmquist Lunberger model;Yellow River Basin

作者簡介 袁加偉（1987—），男，江西上饒人，碩士研究生，研究方向：農(nóng)業(yè)保險服務鄉(xiāng)村振興。

收稿日期 2023-12-12

農(nóng)業(yè)是我國經(jīng)濟發(fā)展的基礎，我國歷來重視農(nóng)業(yè)的發(fā)展，但長期以來，我國農(nóng)業(yè)的發(fā)展模式都以粗放式發(fā)展為主。長期的粗放式發(fā)展導致我國農(nóng)業(yè)污染嚴重，土壤肥力下降，土壤板結(jié)嚴重，對我國農(nóng)業(yè)的可持續(xù)發(fā)展產(chǎn)生不利影響。為促進農(nóng)業(yè)可持續(xù)發(fā)展，我國政府出臺了一系列政策，如中央一號文件等，都提出了要推動農(nóng)業(yè)綠色發(fā)展，進而實現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展。雖然農(nóng)業(yè)綠色發(fā)展的趨勢是不可逆的，但由于農(nóng)業(yè)具有弱質(zhì)性，使得農(nóng)業(yè)綠色轉(zhuǎn)型難度較大，也需要更多的資金支持，而傳統(tǒng)金融機構(gòu)具有較強的趨利性，所提供的金融服務也偏向于第二、三產(chǎn)業(yè)，這使得農(nóng)業(yè)綠色發(fā)展很難從傳統(tǒng)金融機構(gòu)獲得金融支持。數(shù)字普惠金融具有較強的普惠性，又兼具數(shù)字屬性，使得其使用深度和覆蓋廣度均明顯優(yōu)于傳統(tǒng)金融，同時也降低了涉農(nóng)產(chǎn)業(yè)融資的難度，使得農(nóng)業(yè)綠色發(fā)展能夠獲得更多的資金支持。

隨著數(shù)字技術(shù)的發(fā)展和環(huán)保意識的深入人心，數(shù)字普惠金融和農(nóng)業(yè)綠色發(fā)展逐漸受到學術(shù)界的重視，并成為學術(shù)界研究的熱點。有關(guān)普惠金融的研究起步較早，2010年Sarma［1］利用定量分析的方法對普惠金融的發(fā)展進行了測算，并根據(jù)測算結(jié)果分析各國之間發(fā)展的差異。隨著信息技術(shù)和數(shù)字技術(shù)的發(fā)展，金融逐漸與數(shù)字技術(shù)融合［2］，使得普惠金融的數(shù)字化程度得到提升，進一步促進了數(shù)字普惠金融的發(fā)展［3］。數(shù)字普惠金融的發(fā)展使得其具有更高的使用深度和覆蓋廣度，金融的公平性也獲得了進一步提高［4］，偏遠地區(qū)和欠發(fā)達地區(qū)能夠獲得的金融資源也更多，進一步降低了地區(qū)間金融發(fā)展的差距［5］。數(shù)字普惠金融的普惠性和易得性使得各項產(chǎn)業(yè)都能夠獲得金融支持，促進地區(qū)經(jīng)濟發(fā)展［6］，縮小城鄉(xiāng)收入差距，降低收入的不確定性［7］。

隨著人們對優(yōu)質(zhì)農(nóng)產(chǎn)品需求的增加，學術(shù)界加大了對農(nóng)業(yè)綠色全要素生產(chǎn)率的研究。傳統(tǒng)的農(nóng)業(yè)全要素生產(chǎn)率研究并沒有將環(huán)境污染納入到具體的分析當中，Pittman［8］最早考慮環(huán)境污染問題，他在分析造紙廠全要素生產(chǎn)率的過程當中將污染問題列入了非期望產(chǎn)出當中，為后來的研究提供了方向［9］?，F(xiàn)階段有關(guān)農(nóng)業(yè)綠色全要素生產(chǎn)率的分析主要包含對農(nóng)業(yè)綠色全要素生產(chǎn)率的動態(tài)演進分析［10］和區(qū)域性差異分析［11］等，同時還包括農(nóng)業(yè)勞動力老齡化［12］、環(huán)境規(guī)制［13］、農(nóng)業(yè)保險發(fā)展［14］和農(nóng)業(yè)社會化服務［15］等對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響。因此，筆者根據(jù)黃河流域2013—2021年數(shù)字普惠金融和農(nóng)業(yè)綠色生產(chǎn)的面板數(shù)據(jù)，運用Global-Malmquist-Luenberger（GML）模型測算該流域農(nóng)業(yè)綠色全要素生產(chǎn)率，運用Tobit模型分析該流域數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響。

1 變量選取及模型設定

1.1 變量選取及數(shù)據(jù)來源

1.1.1 糧食綠色全要素生產(chǎn)率變量選取。

參考王亞飛等［16］和沈洋等［17］的研究成果，依據(jù)數(shù)據(jù)的可得性，選取農(nóng)業(yè)機械總動力、有效灌溉面積、化肥施用量、農(nóng)村用電量、農(nóng)作物播種總面積、第一產(chǎn)業(yè)從業(yè)人員、農(nóng)用塑料薄膜使用量、農(nóng)藥使用量、農(nóng)用柴油使用量作為投入變量，選取農(nóng)業(yè)總產(chǎn)值作為期望產(chǎn)出，農(nóng)業(yè)碳排放量作為非期望產(chǎn)出，并構(gòu)建相應指標體系（表1）。

按照李波等［17］的研究成果，該研究建立了一個估算公式，并給出了農(nóng)業(yè)碳排放源及系數(shù)表，以便更好地了解農(nóng)業(yè)碳排放情況。估算公式如下：

E=Ei=Ti×γi（1）

式中：E為農(nóng)業(yè)的碳排放總量；Ei為各種碳源的碳排放量；Ti為各碳排放源的量；γi為各碳排放源的碳排放系數(shù)。經(jīng)過研究，分別歸納出農(nóng)業(yè)碳排放系數(shù)，化肥使用量、農(nóng)藥施用量、農(nóng)用塑料波摸使用量、農(nóng)用柴油使用量、農(nóng)作物總播種面積、有效灌溉面積的系數(shù)分別為0.895 6 kg·kg-1、4.934 1 kg·kg-1、5.18 kg·kg-1、0.592 7 kg·kg-1、312.6 kg·km-2、20.476 kg·hm-2。

1.1.2 Tobit回歸模型變量選取。

參考唐勇等［19］和張啟文等［20］的研究，將黃河流域農(nóng)業(yè)綠色全要素生產(chǎn)率作為被解釋變量，將數(shù)字普惠金融總指數(shù)、覆蓋廣度指數(shù)、使用深度指數(shù)和數(shù)字化程度指數(shù)作為解釋變量，并進行取對數(shù)處理，選取地區(qū)經(jīng)濟結(jié)構(gòu)、財政支農(nóng)占比和受災率作為控制變量，具體指標選取見表2。

1.1.3 數(shù)據(jù)來源。

該研究所用數(shù)據(jù)中，數(shù)字普惠金融總指數(shù)、覆蓋廣度指數(shù)、使用深度指數(shù)和數(shù)字化程度指數(shù)來源于《北京大學數(shù)字普惠金融指數(shù)（2011—2021）》，其余數(shù)據(jù)均由《中國統(tǒng)計年鑒》《中國農(nóng)村統(tǒng)計年鑒》和《中國人口與就業(yè)統(tǒng)計年鑒》整理得來。

1.2 模型構(gòu)建

1.2.1 Global-Malmquist-Luenberger模型。

Fre等［21］首先利用DEA方法來統(tǒng)計Malmquist指標，從而使DEA模式可以有效地解析。Chung等［22］進一步在Malmquist模式的基石上引入了方向距離函數(shù)，并將其轉(zhuǎn)化為Malmquist-Luenberger（ML）指數(shù)。具體如下：

MLt+1t=（MLt×MLt+1）12=

1+Dt（xt，yt，bt;yt，-bt）

1+Dt（xt+1，yt+1，bt+1;yt+1，-bt+1）

×

1+Dt+1（xt，yt，bt;yt，-bt）

1+Dt+1（xt+1，yt+1，bt+1;yt+1，-bt+1）

12

=

1+Dt+1（xt，yt，bt;yt，-bt）

1+Dt（xt，yt，bt;yt，-bt）

×

1+Dt+1（xt+1，yt+1，bt+1;yt+1，-bt+1）

1+Dt（xt+1，yt+1，bt+1;yt+1，-bt+1）

12

×1+Dt+1（xt，yt，bt;yt，-bt）

1+Dt+1（xt+1，yt+1，bt+1;yt+1，-bt+1）

=Echt+1t×Techt+1t

（2）

式中：x、y表示投入、產(chǎn)出指標；b表示非期望產(chǎn)出；t表示時間；Ech表示技術(shù)效率；Tech表示技術(shù)進步。

Oh［23］基于Chung等的研究成果，建立了Global-Malmquist-Luenberger（GML）模型，以有效克服傳統(tǒng)Malmquist-Luenberger指數(shù)無法實現(xiàn)循環(huán)傳輸性和線性規(guī)劃無解的實際問題，其公式如下：

GML=1+DG（xt，yt，bt;yt，-bt）

1+DG（xt+1，yt+1，bt+1;yt+1，-bt+1）

=1+Dtv（xt，yt，bt;yt，-bt）

1+Dt+1v（xt+1，yt+1，bt+1;yt+1，-bt+1）×

1+DGc（xt，yt，bt;yt，-bt）

1+DGv（xt，yt，bt;yt，-bt）

1+DGc（xt+1，yt+1，bt+1;yt+1，-bt+1）

1+DGv（xt+1，yt+1，bt+1;yt+1，-bt+1）

×

1+DGv（xt，yt，bt;yt，-bt）

1+Dtv（xt，yt，bt;yt，-bt）

1+DGv（xt+1，yt+1，bt+1;yt+1，-bt+1）

1+DT+1v（xt+1，yt+1，bt+1;yt+1，-bt+1）

=Echt+1×Techt+1

=Pecht+1t×Secht+1t×Techt+1t

（3）

式中：技術(shù)效率Ech被進一步分解為純技術(shù)效率Pech和規(guī)模效率Sech；GML、Pech、Sech大于1（小于1）分別表示全要素生產(chǎn)率提升（下降）、純技術(shù)效率改善（惡化）、規(guī)模效率提高（下降）。

1.2.2 Tobit模型。

農(nóng)業(yè)綠色全要素生產(chǎn)率為離散變量，運用Tobit模型分析數(shù)字普惠金融對黃河流域農(nóng)業(yè)綠色全要素生產(chǎn)率的影響，具體公式如下：

GMLit=θ+αvarit+βcontrolit+εit（4）

其中：GMLit表示省第t年的n農(nóng)業(yè)綠色全要素生產(chǎn)率；varit表示解釋變量，即數(shù)字普惠金融總指數(shù)，覆蓋廣度、使用深度和數(shù)字化程度指數(shù)；controlit為控制變量；α為解釋變量系數(shù)，β為控制變量系數(shù)，θ為常數(shù)項；εit表示隨機誤差項。

2 實證分析

2.1 黃河流域農(nóng)業(yè)綠色全要素生產(chǎn)率測算結(jié)果及分析

基于上述研究方法和指標體系，運用Matlab2017b對黃河流域2013—2021年農(nóng)業(yè)綠色全要素生產(chǎn)率進行測算，結(jié)果見表3～5。

由表3可知，2012—2021年黃河流域農(nóng)業(yè)綠色全要素生產(chǎn)率均值為1.025，說明在此期間該流域農(nóng)業(yè)綠色全要素生產(chǎn)率呈增長趨勢，年均增長2.5%。從具體時間來看，該流域僅在2017和2021年的效率值低于1，說明這2年農(nóng)業(yè)綠色全要素生產(chǎn)率出現(xiàn)了下降，分別下降了4.5%和5.2%。各區(qū)域當中，下游農(nóng)業(yè)綠色全要素生產(chǎn)率均值最高，中游最低，上游則處于中間水平，且下游地區(qū)各年農(nóng)業(yè)綠色全要素生產(chǎn)率值均高于1，說明下游地區(qū)始終處于增長狀態(tài)。主要原因是：下游地區(qū)的河南省和山東省均是我國的農(nóng)業(yè)大省，經(jīng)濟和科技發(fā)展水平較高，農(nóng)業(yè)發(fā)展條件也較好，農(nóng)業(yè)綠色發(fā)展轉(zhuǎn)型也較為順暢；中游地區(qū)主要位于黃土高原和內(nèi)蒙古高原，生態(tài)環(huán)境較為脆弱，農(nóng)業(yè)發(fā)展條件較差，經(jīng)濟和科技實力也較低，使得該地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率較低；上游地區(qū)的青海省、甘肅省和寧夏回族自治區(qū)雖然也較為脆弱，但四川省農(nóng)業(yè)發(fā)展水平較高，且青海省、甘肅省和寧夏回族自治區(qū)的設施農(nóng)業(yè)和生態(tài)農(nóng)業(yè)發(fā)展較早，這也使得該地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率值高于中游。各省（區(qū)）中，僅有內(nèi)蒙古自治區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率均值小于1，這說明在樣本期間內(nèi)，內(nèi)蒙古農(nóng)業(yè)綠色全要素生產(chǎn)率呈下降趨勢，年均下降1.2%。其余?。▍^(qū)）農(nóng)業(yè)綠色全要素生產(chǎn)率均值均大于1，說明在此期間，黃河流域除內(nèi)蒙古自治區(qū)外其余省（區(qū)）均呈增長趨勢。具體來看，下游的河南省和山東省農(nóng)業(yè)綠色全要素生產(chǎn)率均值明顯高于其余?。▍^(qū)），上游地區(qū)各省（區(qū)）生產(chǎn)率均值雖低于河南省和山東省，但大多數(shù)省（區(qū)）生產(chǎn)率均值處于中間水平，中游的陜西省生產(chǎn)率均值雖較高，但山西省和內(nèi)蒙古自治區(qū)卻明顯較低，這也使得中游地區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率均值低于上游和下游。

由表4可知，2012—2021年黃河流域農(nóng)業(yè)綠色技術(shù)進步均值為1.026，說明在此期間該流域農(nóng)業(yè)綠色全要素生產(chǎn)率呈增長趨勢，年均增長2.6%。從具體時間來看，該流域僅在2017和2021年的效率值小于1，說明2017和2021年黃河流域農(nóng)業(yè)綠色技術(shù)進步受阻，出現(xiàn)了短暫的技術(shù)衰退。各區(qū)域當中，下游技術(shù)進步指數(shù)均值最高，中游最低，上游則處于中間水平，且下游地區(qū)各年技術(shù)進步指數(shù)值均大于或等于1，說明下游地區(qū)農(nóng)業(yè)綠色技術(shù)進步較為通暢。主要原因是：下游地區(qū)的經(jīng)濟和科技發(fā)展水平較高，農(nóng)業(yè)發(fā)展條件也較好，這使得下游地區(qū)無論是農(nóng)業(yè)科研還是科研技術(shù)的實驗和轉(zhuǎn)化均要優(yōu)于上游和中游，技術(shù)進步指數(shù)也高于上游和中游。各省（區(qū)）中，除內(nèi)蒙古自治區(qū)外，其余省（區(qū)）技術(shù)進步指數(shù)均值均高于1，說明在樣本區(qū)間內(nèi)僅有內(nèi)蒙古自治區(qū)農(nóng)業(yè)綠色技術(shù)進步受阻。

由表5可知，各?。▍^(qū)）中，僅有山西省農(nóng)業(yè)綠色技術(shù)效率指數(shù)有波動，且技術(shù)效率均值小于1。從時間維度來看，2014—2019年山西省農(nóng)業(yè)綠色技術(shù)效率指數(shù)均小于1，說明山西省農(nóng)業(yè)綠色技術(shù)在樣本期間內(nèi)存在技術(shù)轉(zhuǎn)化不暢，技術(shù)轉(zhuǎn)化效率低的問題。其余?。▍^(qū)）農(nóng)業(yè)綠色技術(shù)效率均為1，說明這些地區(qū)在樣本期間內(nèi)農(nóng)業(yè)綠色技術(shù)效率指數(shù)值無變動。中游地區(qū)的變化與山西省相同，黃河流域總體農(nóng)業(yè)綠色技術(shù)效率指數(shù)均值為1，2014—2017年和2019年農(nóng)業(yè)綠色技術(shù)效率指數(shù)值則小于1，技術(shù)效率指數(shù)值出現(xiàn)下降。

2.2 數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響測算及結(jié)果分析

該研究選用Tobit模型，分析黃河流域數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響，其結(jié)果見表6和表7。

從表6可以看出，數(shù)字普惠金融總指數(shù)，覆蓋廣度、使用深度和數(shù)字化程度指數(shù)均會對黃河流域農(nóng)業(yè)綠色全要素生產(chǎn)率產(chǎn)生正向影響，且均通過了0.01水平的顯著性檢驗。數(shù)字普惠金融各項指數(shù)對技術(shù)進步指數(shù)的影響也均為正，且通過了0.05水平的顯著性檢驗，說明數(shù)字普惠金融各項指數(shù)能夠通過提高技術(shù)進步指數(shù)來提升農(nóng)業(yè)綠色全要素生產(chǎn)率。數(shù)字普惠金融具有較強的易得性，能夠有效彌補農(nóng)業(yè)科研的資金缺口，進而促進農(nóng)業(yè)綠色技術(shù)進步。數(shù)字普惠金融各項指數(shù)對技術(shù)效率指數(shù)的影響均為正，且均通過了0.05水平的顯著性檢驗，說明數(shù)字普惠金融能夠提高農(nóng)業(yè)綠色生產(chǎn)技術(shù)的轉(zhuǎn)化效率，進而提高農(nóng)業(yè)綠色全要素生產(chǎn)率。

由表7可知，數(shù)字普惠金融總指數(shù)對上、中、下游均有顯著的正向影響，且分別通過了0.10、0.05和0.01水平的顯著性檢驗，說明數(shù)字普惠金融的發(fā)展會對各區(qū)域農(nóng)業(yè)綠色發(fā)展有促進作用。覆蓋廣度指數(shù)分別在0.05和0.01的顯著性水平對中游和下游有正向影響，對上游的正向影響不顯著。主要原因是：上游地區(qū)金融發(fā)展水平較低，金融機構(gòu)網(wǎng)點數(shù)和金融服務人員數(shù)均較少，此時的數(shù)字普惠金融由于發(fā)展水平過低的原因?qū)е聼o法發(fā)揮其應有的效用，也就無法對農(nóng)業(yè)綠色全要素生產(chǎn)率產(chǎn)生顯著的影響；中游和下游地區(qū)金融機構(gòu)較為發(fā)達，此時的數(shù)字普惠金融能夠有效發(fā)揮其效用，進而對農(nóng)業(yè)綠色全要素生產(chǎn)率產(chǎn)生顯著影響。使用深度指數(shù)則在0.10的顯著性水平對中游和下游農(nóng)業(yè)綠色全要素生產(chǎn)率有正向影響，對上游的影響不顯著。主要原因是：深度指數(shù)主要由人均使用次數(shù)和人均使用金額等指標構(gòu)成，由于上游金融發(fā)展水平較低，導致人均使用次數(shù)和人均使用金額等均較低，也就不會對農(nóng)業(yè)綠色全要素生產(chǎn)率產(chǎn)生顯著影響；而中游和下游則由于金融發(fā)展水平較高，因此對農(nóng)業(yè)綠色全要素生產(chǎn)率有顯著影響。數(shù)字化程度指數(shù)對上、中、下游有顯著正向影響，說明數(shù)字化程度指數(shù)對各區(qū)域農(nóng)業(yè)綠色全要素生產(chǎn)率有促進作用。

3 研究結(jié)論和建議

3.1 結(jié)論

根據(jù)黃河流域2013—2021年面板數(shù)據(jù)，運用GML模型對該流域農(nóng)業(yè)綠色全要素生產(chǎn)率進行測算，再運用Tobit模型實證分析數(shù)字普惠金融對該流域農(nóng)業(yè)綠色全要素生產(chǎn)率的影響，得出主要結(jié)論如下：

（1）黃河流域農(nóng)業(yè)綠色全要素生產(chǎn)率呈增長趨勢，年均增長2.5%。各區(qū)域當中，下游農(nóng)業(yè)綠色全要素生產(chǎn)率均值最高，中游最低，上游則處于中間水平。各?。▍^(qū)）中，僅有內(nèi)蒙古自治區(qū)農(nóng)業(yè)綠色全要素生產(chǎn)率均值小于1，主要是因為技術(shù)進步受阻的現(xiàn)象，總體農(nóng)業(yè)綠色生產(chǎn)技術(shù)出現(xiàn)衰退。其余?。▍^(qū)）農(nóng)業(yè)綠色全要素生產(chǎn)率均值均大于1，僅山西省存在技術(shù)轉(zhuǎn)化不暢，技術(shù)轉(zhuǎn)化效率低的問題。

（2）數(shù)字普惠金融總指數(shù)、覆蓋廣度、使用深度和數(shù)字化程度指數(shù)對黃河流域總體農(nóng)業(yè)綠色全要素生產(chǎn)率、技術(shù)進步指數(shù)和技術(shù)效率指數(shù)均有顯著的正向影響。數(shù)字普惠金融總指數(shù)和數(shù)字化程度指數(shù)對上、中、下游均有顯著的正向影響，覆蓋廣度指數(shù)和使用深度指數(shù)對中、下游有顯著的正向影響，對上游的正向影響不顯著。

3.2 建議

3.2.1 完善欠發(fā)達地區(qū)和農(nóng)村地區(qū)數(shù)字普惠金融發(fā)展環(huán)境。由上述結(jié)論可以看出，黃河上游這種欠發(fā)達地區(qū)數(shù)字普惠金融對農(nóng)業(yè)綠色全要素生產(chǎn)率影響的顯著性較低。數(shù)字普惠金融雖然能夠降低金融服務的門檻，但西部欠發(fā)達地區(qū)和農(nóng)村地區(qū)本身金融發(fā)展基礎較弱。因此，應當逐步擴大欠發(fā)達地區(qū)和農(nóng)村地區(qū)互聯(lián)網(wǎng)覆蓋范圍，促進普惠金融與“互聯(lián)網(wǎng)+”的融合，降低金融服務門檻，促進數(shù)字普惠金融發(fā)展。

3.2.2

加大農(nóng)業(yè)綠色技術(shù)的投入力度，提高農(nóng)業(yè)綠色全要素生產(chǎn)率。由上述結(jié)論可以看出，農(nóng)業(yè)綠色全要素生產(chǎn)率下降主要是因為農(nóng)業(yè)綠色技術(shù)進步受阻。因此，應當積極引導社會各界資金進入到農(nóng)業(yè)綠色技術(shù)的研發(fā)當中，逐步開發(fā)出適宜各地實際的農(nóng)業(yè)綠色生產(chǎn)技術(shù)，如適宜于荒漠地區(qū)和黃土高原地區(qū)的高效節(jié)水灌溉技術(shù)，耐鹽堿地、耐寒、耐旱的海水稻技術(shù)。建立多元投入模式，以政府為主導，以數(shù)字普惠金融為輔，引導社會各界資金進入，拓展資金來源，使社會各界都能夠參與到農(nóng)業(yè)綠色技術(shù)研發(fā)當中。

3.2.3

加大人才培養(yǎng)，促進數(shù)字普惠金融和農(nóng)業(yè)綠色協(xié)同發(fā)展。首先，加大教育投入力度，尤其是要加大農(nóng)民職業(yè)教育的投入力度，提高農(nóng)民素質(zhì)和技術(shù)水平，培育新型農(nóng)民，提高農(nóng)民對新型信息技術(shù)的接受程度，促使農(nóng)民能夠熟練利用數(shù)字普惠金融，為自身農(nóng)業(yè)生產(chǎn)提供資金支持。其次，要逐步建立產(chǎn)學研結(jié)合的發(fā)展模式，暢通農(nóng)業(yè)綠色技術(shù)的轉(zhuǎn)化渠道。最后，加大優(yōu)秀人才的引進力度，通過人才引進迅速解決自身發(fā)展所遇到的問題，同時通過引進的優(yōu)秀人才來加強自身人才的培養(yǎng)，逐步提高自身人力資源水平。

參考文獻

［1］ SARMA M.Index of financial inclusion［R］.New Delhi，India：Indian Council for Research on International Economic Relations，2010.

［2］ GABOR D，BROOKS S.The digital revolution in financial inclusion：International development in the fintech era［J］.New political economy，2017，22（4）：423-436.

［3］ KAPOOR A.Financial inclusion and the future of the Indian economy［J］.Futures，2014，56：35-42.

［4］ 郭峰，王靖一，王芳，等.測度中國數(shù)字普惠金融發(fā)展：指數(shù)編制與空間特征［J］.經(jīng)濟學，2020，19（4）：1401-1418.

［5］ 張龍耀，邢朝輝.中國農(nóng)村數(shù)字普惠金融發(fā)展的分布動態(tài)、地區(qū)差異與收斂性研究［J］.數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2021，38（3）：23-42.

［6］ 薛秋童，封思賢.數(shù)字普惠金融、居民消費與經(jīng)濟高質(zhì)量發(fā)展［J］.現(xiàn)代經(jīng)濟探討，2022（7）：26-40.

［7］ 任經(jīng)輝.黃河流域數(shù)字普惠金融對城鄉(xiāng)收入差距影響的實證研究［J］.河南師范大學學報（自然科學版），2022，50（5）：56-62.

［8］ PITTMAN R W.The costs of water pollution control to the Wisconsin paper industry：The estimation of aproduction frontier［D］.Madison：University of Wisconsin-Madison，1979.

［9］ 代瑞熙，許世衛(wèi).中國小麥綠色全要素生產(chǎn)率時空特征及影響因素［J］.農(nóng)業(yè)工程學報，2022，38（8）：304-314.

［10］ 周應恒，楊宗之.生態(tài)價值視角下中國省域糧食綠色全要素生產(chǎn)率時空特征分析［J］.中國生態(tài)農(nóng)業(yè)學報，2021，29（10）：1786-1799.

［11］ 彭曉丹，孔令成.長江經(jīng)濟帶農(nóng)業(yè)綠色全要素生產(chǎn)率時空差異及收斂性分析［J］.安徽農(nóng)業(yè)科學，2023，51（14）：213-217，239.

［12］ 王淑紅，楊志海.農(nóng)業(yè)勞動力老齡化對糧食綠色全要素生產(chǎn)率變動的影響研究［J］.農(nóng)業(yè)現(xiàn)代化研究，2020，41（3）：396-406.

［13］ 井莉.環(huán)境規(guī)制下我國糧食生產(chǎn)綠色全要素生產(chǎn)率分析［J］.南方農(nóng)業(yè)學報，2021，52（8）：2311-2318.

［14］ 周法法，鄭義，李軍龍.農(nóng)業(yè)保險發(fā)展與農(nóng)業(yè)綠色全要素生產(chǎn)率：內(nèi)在機制與實證檢驗［J］.世界農(nóng)業(yè)，2022（10）：70-82.

［15］ 張夢玲，童婷，陳昭玖.農(nóng)業(yè)社會化服務有助于提升農(nóng)業(yè)綠色生產(chǎn)率嗎？［J］.南方經(jīng)濟，2023（1）：135-152.

［16］ 王亞飛，張齊家，柏穎.我國農(nóng)業(yè)綠色全要素生產(chǎn)率及其時空演變［J］.統(tǒng)計與決策，2022，38（20）：98-102.

［17］ 沈洋，周鵬飛.農(nóng)業(yè)綠色全要素生產(chǎn)率測度及收斂性分析：基于碳匯和碳排放雙重視角［J］.調(diào)研世界，2022（4）：58-68.

［18］ 李波，張俊飚，李海鵬.中國農(nóng)業(yè)碳排放時空特征及影響因素分解［J］.中國人口·資源與環(huán)境，2011，21（8）：80-86.

［19］ 唐勇，呂太升.數(shù)字普惠金融能提升農(nóng)業(yè)全要素生產(chǎn)率嗎？［J］.哈爾濱商業(yè)大學學報（社會科學版），2023（3）：3-18.

［20］ 張啟文，田靜.數(shù)字普惠金融能否提升農(nóng)業(yè)全要素生產(chǎn)率？——基于異質(zhì)性與空間溢出效應視角［J］.農(nóng)業(yè)經(jīng)濟與管理，2023（1）：45-56.

［21］ FRE R，GROSSKOPF S，KNOX LOVELL C A.Production frontiers［M］.Cambridge：Cambridge University Press，1994.

［22］ CHUNG Y H，F(xiàn)RE R，GROSSKOPF S.Productivity and undesirable outputs：A directional distance function approach［J］.Journal of environmental management，1997，51（3）：229-240.

［23］ OH D H.A global malmquist-luenberger productivity index［J］.Journal of productivity analysis，2010，34（3）：183-197.