传统农村金融、数字金融与农业经济韧性研究:基于双重机器学习(Double Machine Learning, DML)的因果推断

《Sustainability》:Research on Traditional Rural Finance, Digital Finance, and Agricultural Economic Resilience: Causal Inference Based on Double Machine Learning

【字体: 大 中 小 】 时间:2026年06月30日 来源:Sustainability 4.1

编辑推荐:

  农业经济韧性(Agricultural Economic Resilience, AER)不仅是推动乡村振兴和保障粮食安全的关键路径,也是农业可持续发展的重要保障。基于2014年至2023年中国1410个县域的面板数据,本研究采用熵权法、双重机器学习(Doub

  
农业经济韧性(Agricultural Economic Resilience, AER)不仅是推动乡村振兴和保障粮食安全的关键路径,也是农业可持续发展的重要保障。基于2014年至2023年中国1410个县域的面板数据,本研究采用熵权法、双重机器学习(Double Machine Learning, DML)模型、工具变量(Instrumental Variable, IV)模型和面板门槛模型,系统分析了传统农村金融(Traditional Rural Finance, TRF)对农业经济韧性(AER)的影响及其潜在机制。同时,研究考察了数字金融(Digital Finance, DF)在TRF影响AER过程中的门槛效应,并进一步探讨了DF和TRF在缩小农业发展差距中的作用,旨在为中国及其他发展中国家的乡村振兴和粮食安全提供科学依据,助力农业可持续发展。研究结果表明:(1) TRF能够显著提升AER,其中农业科技创新(Agricultural Technological Innovation, ATI)和农业社会化服务(Agricultural Socialized Services, ASS)发挥了中介作用;(2) DF及其维度(覆盖广度、使用深度和数字化程度)在TRF对AER的影响中表现出门槛效应,随着DF及其维度的提升,TRF的正向效应呈现边际递减趋势,表明两者之间存在竞争性的挤出效应;(3) TRF对AER的促进作用表现出显著的异质性,在农业县以及东、中、西部地区更强,呈现“中部>东部>西部”的格局,而在东北地区则不显著;(4) TRF显著缩小了农业发展差距,而DF总体上显著加剧了这种差距,尽管其不同维度在效应上存在明显的异质性,其中覆盖广度持续且显著地扩大了区域农业发展差距。

论文解读:《传统农村金融、数字金融与农业经济韧性研究》

研究背景与意义

在全球气候变化加剧和资源环境约束日益严峻的背景下,农业经济韧性(Agricultural Economic Resilience, AER)已成为推动农业从“规模扩张”向“可持续发展”转型的核心保障。作为发展中国家的典型代表,中国农业长期面临经营细碎化和小农生产模式的挑战,导致农村金融市场存在严重的信息不对称和信贷约束,限制了农业资本形成和技术进步。虽然中国政府通过降低准入门槛、财政补贴及发展数字金融(Digital Finance, DF)等措施取得了一定成效,但关于传统农村金融(Traditional Rural Finance, TRF)与新兴DF如何共同作用于AER的内在机制仍不明确。现有研究多将二者割裂,且常因高维控制变量的处理不当而产生估计偏差。鉴于此,研究人员基于中国县域层面的微观数据,深入探讨不同金融形态对AER的综合影响,这不仅有助于厘清农村金融生态的演化逻辑,也为构建多层次的农村金融服务体系提供了科学证据。该研究成果发表于国际期刊《Sustainability》。

关键技术方法

为实现上述研究目标,研究人员构建了中国1410个县域2014年至2023年的面板数据集。在指标测度方面,研究基于“压力-状态-响应”框架,利用熵权法从抵抗力、恢复力和适应力三个维度测算了AER综合指数。在因果识别策略上,研究采用了前沿的双重机器学习(Double Machine Learning, DML)模型,通过随机森林(Random Forest, RF)等算法进行交叉拟合与最优算法组合选择,有效控制了高维混杂因素并识别出净因果效应。此外,研究人员还引入了面板门槛模型(Panel Threshold Model)来检验DF的非线性特征,并运用工具变量(Instrumental Variable, IV)法和多种稳健性检验确保结论的可靠性。

研究结果

1. 基准回归与内生性处理
基准回归结果显示,TRF的发展能够显著提升AER水平,且这一结论在处理了潜在的内生性问题后依然成立。研究人员选取了同一地级市其他县域的传统金融机构网点平均数以及1996年至2005年历史网点数的对数作为工具变量,通过DML结合两阶段最小二乘法(2SLS)的框架进行估计,证实了TRF对AER的促进作用是稳健的,不存在显著的逆向因果关系干扰。
2. 传导机制分析
中介效应检验揭示了TRF发挥作用的具体路径。研究发现,农业科技创新(Agricultural Technological Innovation, ATI)和农业社会化服务(Agricultural Socialized Services, ASS)是关键的传导渠道。TRF通过缓解农业经营主体的融资约束,为其技术研发和设备引进提供支持,进而增强了农业系统的抗风险能力和恢复力。
3. 门槛效应分析
非线性效应的检验结果表明,DF的发展水平构成了TRF发挥作用的重要边界条件。随着DF整体水平及其覆盖广度、使用深度和数字化程度的跨越式提升,TRF对AER的边际贡献呈现出显著的递减趋势。这验证了两者之间存在的竞争性挤出效应,即成熟的DF凭借大数据风控优势分流了传统客户,从而削弱了物理网点密集型的传统金融支持农业的力度。
4. 异质性分析
研究进一步发现,TRF的赋能效果在不同地理和经济特征的县域间存在显著差异。从区域分布看,TRF在中部地区的正向效应最强,东部次之,西部较弱,而在东北地区则未表现出显著影响。从功能定位看,TRF在农业主导型县域的促进作用远强于工业主导型县域。这种差异主要归因于各地区农业生产模式、信用环境及大型商业银行竞争关系的不同。
5. 区域发展差距探讨
在区域协调层面,研究得出了具有警示意义的结论。TRF的发展有助于缩小县域间的农业发展差距,体现了其普惠性和公平性。然而,DF整体上却显著拉大了这种差距。特别是DF的覆盖广度维度,由于其高度依赖互联网基础设施和数字素养,往往导致资金向发达地区集聚,产生了“数字鸿沟”和“金融虹吸”现象,加剧了区域发展的不平衡。

讨论与结论翻译

结论翻译:
提升农业经济韧性(AER)为推进乡村振兴和保障粮食安全提供了强力支撑,对农业可持续发展具有重要的现实意义。主要研究结论如下:
(1) 传统农村金融(TRF)能够显著改善AER,其中农业科技创新(ATI)和农业社会化服务(ASS)发挥了中介作用。
(2) 数字金融(DF)及其维度(包括覆盖广度、使用深度和数字化程度)在TRF对AER的影响中表现出门槛效应,随着DF及其维度的提升,TRF的正向效应呈现边际递减趋势,表明两者之间存在着竞争性的挤出效应。
(3) TRF对AER的促进作用表现出显著的异质性,在农业县以及东、中、西部地区更强,呈现“中部>东部>西部”的格局,而在东北地区则不显著。
(4) TRF显著缩小了农业发展差距,而DF总体上显著加剧了这种差距,尽管其不同维度在效应上存在明显的异质性,其中覆盖广度持续且显著地扩大了区域农业发展差距。
政策启示总结:
基于上述结论,研究人员提出应强化县域农村金融体系建设,鼓励设立新型农村金融机构并给予税收优惠;推动DF与TRF的协同发展,建立农户信息共享平台,探索“线上+线下”联合放贷模式;针对东北地区大农业的特点优化金融资源配置;同时关注DF可能带来的“数字鸿沟”问题,加强欠发达地区的数字基础设施建设,防止资金过度非农化转移。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号