我国将培育壮大农业新兴产业和未来产业

基于新古典增长收敛理论（Barro & Sala-i-Martin, 1992），技术落后地区具有后发优势——通过模仿和学习先进技术降低创新成本，从而实现对技术前沿的追赶。同时，技术扩散理论（Griliches, 1957）指出，农业技术传播具有空间依赖性——邻近省份因相似的自然资源禀赋和要素流动而形成技术溢出效应。"十五五"规划提出的67%全国农业科技进步贡献率目标，为检验收敛性提供了明确的参照锚点。

据此提出以下假说：
- H1：各省农业科技进步贡献率存在显著的β绝对收敛——贡献率较低的省份增速更快，预计在10-15年内接近67%目标。
- H2：农业科技进步贡献率存在正向空间溢出效应——邻近省份贡献率每提高1个百分点，本省贡献率提高0.3-0.6个百分点。
- H3：收敛速度存在区域异质性——粮食主产区的收敛速度快于东部沿海经济发达地区。

本文分两步进行识别。第一步：使用随机前沿分析（SFA）将各省农业产出增长分解为要素投入增长、技术进步和效率改善三部分，测算历年的农业科技进步贡献率。SFA相较于索洛余值法的优势在于区分了技术前沿进步与效率追赶。第二步：采用空间杜宾模型（SDM）识别省际技术溢出效应。关键识别假定为：（1）农业生产函数符合超越对数形式；（2）省份间的空间权重矩阵（地理距离倒数或邻接矩阵）能合理刻画技术传播路径；（3）技术无效率项服从截断正态分布且与解释变量独立。

SFA生产前沿面设定为：lnY_it = β₀ + β₁lnL_it + β₂lnK_it + β₃t + 0.5β₄t² + β₅lnL_it·t + β₆lnK_it·t + v_it - u_it

其中 Y_it 为农业总产值，L_it 为农业劳动力，K_it 为农业资本存量，t 为时间趋势。v_it ∼ N(0, σ²_v) 为随机误差，u_it ∼ N⁺(μ, σ²_u) 为技术无效率项。技术进步率 = ∂lnY/∂t = β₃ + β₄t + β₅lnL + β₆lnK，科技进步贡献率 = 技术进步率 / 产出增长率。

空间收敛方程为：ΔTP_it = α + β TP_{i,t-1} + ρW·ΔTP_it + θW·TP_{i,t-1} + γX_it + μ_i + λ_t + ε_it

其中 TP_it 为科技进步贡献率，W 为空间权重矩阵，系数 β < 0 则存在收敛，ρ 捕捉当期空间溢出，θ 捕捉滞后期空间溢出。

• 被解释变量：农业科技进步贡献率——由SFA估计的各省逐年技术前沿进步率与产出增长率之比，产出为农林牧渔业不变价总产值（国家统计局）
• 核心解释变量：滞后一期科技进步贡献率（检验收敛）、空间滞后项（检验溢出）
• 控制变量：农业R&D投入强度（省级农业科技支出/农业GDP）、农业机械化水平（单位面积农机总动力）、农业人力资本（农村劳动力平均受教育年限，来自《中国人口统计年鉴》）、有效灌溉面积占比
• 空间权重矩阵：基于省会城市球面距离的倒数权重矩阵（带宽500公里衰减）以及邻接矩阵作为稳健性比较
• 样本区间：2000-2024年，31个省份，共775个观测值

• 替换TFP测算方法：以索洛余值法和DEA-Malmquist方法替代SFA重新测算科技进步贡献率，检验收敛性结论是否对测算方法敏感。
• 替换空间权重矩阵：依次使用一阶邻接矩阵（rook contiguity）、经济距离矩阵（人均GDP差距倒数）和K近邻（K=5）矩阵替代地理距离矩阵，检验空间溢出效应是否对空间关联结构敏感。
• 排除直辖市样本：北京、上海、天津、重庆的农业占比极低，可能因结构差异驱动结论，剔除后重新估计收敛方程。
• 分时段检验：以2012年和2018年为断点，进行子样本β收敛检验，考察收敛速度是否在政策密集期加速。

---

新凯恩斯理论（Nakamura & Steinsson, 2014）指出，不同部门的乘数效应存在异质性——上游产业通过产业关联产生更强乘数效应，劳动密集型产业对就业的拉动更大。农业新兴产业涵盖智能设计育种（上游R&D密集型）、新能源农机（制造业关联型）、农业生物制造（化工与能源关联型）和农业低空经济（服务业关联型），其产业关联结构各不相同。在名义刚性和信贷约束条件下，政府对这些领域的定向投资通过缓解特定部门的融资约束和创造有效需求，产生差异化的产出和就业乘数。

据此提出以下假说：
- H1：农业科技总投资对农林牧渔业GDP的乘数效应在1.5-2.5之间，高于传统农业基础设施投资的乘数（约1.0-1.5）。
- H2：新能源农机产业的后向关联（制造业拉动）乘数最高，农业低空经济的前向关联（服务效率提升）乘数最持久。
- H3：在经济下行期（产出缺口为负），农业科技投资的乘数效应显著大于经济扩张期。

本文采用双重策略。首先，利用国家投入产出表进行静态乘数分析：将农业科技投入部门从传统农业中拆分出来，构建扩展的42部门投入产出表，计算农业新兴产业各子行业的产出乘数和就业乘数。其次，使用省级面板数据估计动态乘数——核心识别挑战在于农业科技投资的内生性（经济增长好的省份可能投资更多）。采用中央对地方的农业科技专项转移支付作为工具变量（Bartik-type IV）以分离外生投资冲击：IV_it = Σ_j share_{ij,t₀} × ΔTransfer_{jt}，其中 share_{ij,t₀} 为基期省份i在子领域j的初始份额。关键识别假定：中央农业科技转移支付的分配逻辑主要基于国家战略而非各省当期经济增长。

基准动态面板模型（局部投影法，Jordà, 2005）：

y_{i,t+h} - y_{i,t-1} = α_h + β_h ΔInvest_it + γ_h X_it + μ_i + λ_t + ε_{i,t+h}

其中 y_{i,t+h} 为省份i在t+h期的农业GDP对数或农村就业对数，h = 0, 1, ..., 5 为脉冲响应窗口，ΔInvest_it 为农业科技投资增速。β_h 直接刻画乘数效应的动态路径。工具变量估计时，用中央农业科技转移支付增速作为 IV_{it}，第一阶段方程为 ΔInvest_it = π IV_{it} + δ X_it + μ_i + λ_t + ν_{it}。

• 被解释变量：农林牧渔业不变价GDP对数和农村就业人数对数（国家统计局，年度省级）
• 核心解释变量：农业科技固定资产投资——将省级财政支出中"农业科技三项费用"和"农业综合开发"中科技类支出加总（《中国财政年鉴》），以农业固定资产投资价格指数平减
• 工具变量：中央对地方农业科技专项转移支付——从各年度《中央对地方转移支付预算》中提取农林水事务技术推广与转化科目
• 控制变量：农业机械总动力、化肥施用量、有效灌溉面积、农村人力资本水平、农产品价格指数
• 样本区间：2005-2024年，31个省份，年度频率，共620个观测值

• 替换乘数估计方法：以SVAR方法和Jordà (2005)局部投影法替代基准动态面板IV估计，比较不同方法下的脉冲响应函数（IRF）形态和峰值乘数。
• 替换投资变量：将农业科技固定资产投资替换为省级农业R&D支出（《全国科技经费投入统计公报》），检验结论是否对投资口径敏感。
• 排除其他政策干扰：控制同期实施的其他农业政策（如粮食直补、农机购置补贴、高标准农田建设）的执行力度指数，排除遗漏变量偏误。
• 状态依赖检验：依据HP滤波估计的产出缺口将样本分为扩张期和收缩期，分别估计乘数效应，检验H3的非对称性。

---

涉农新技术的市场推广面临双重障碍。其一，交易成本障碍（Williamson, 1985）：买方无法事前验证技术的真实性能，信息不对称导致高额的事前搜寻成本和议价成本，造成"柠檬市场"困境——优质技术难以获得首次应用机会。其二，风险分配障碍：农业技术创新的高沉没成本与长回报周期使得企业独自承担全部失败风险。涉农"首台（套）、首批次、首版次"政策通过两条路径发挥作用——政府以保费补贴和风险补偿机制分担了部分技术失败成本（风险分担渠道），同时以官方认定降低了买卖双方的信息不对称和合同订立成本（交易成本渠道）。

据此提出以下假说：
- H1：涉农"首台套"政策实施后，农业科技企业的专利申请量增加15-25%。
- H2：技术创新效应存在双重机制——交易成本渠道（降低买方事前搜寻成本）和风险分担渠道（政府分担技术失败损失），后者对突破性创新的促进效应更强。
- H3：政策效应在中小型农业科技企业和初创企业中更为显著（因这类企业面临更严重的融资约束和信誉不足）。

本文利用各省出台涉农"首台套"政策的时间差异构建渐进DID设计。2015年前后，多个省份陆续将首台套政策延伸至农业领域，但时间点和具体实施细则存在显著差异，形成准自然实验。使用Callaway & Sant'Anna (2021)的渐进DID估计量以解决处理效应异质性的问题。核心识别假定：（1）在政策出台前，处理组和未处理组在创新产出上满足平行趋势；（2）各省政策出台时点与潜在的创新趋势无关（即无预期效应）；（3）不存在跨省政策溢出效应干扰对照组。采用事件研究法对平行趋势假定进行事前检验。

基准渐进DID模型：

Y_{it} = α + β Treat_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 Y_{it} 为企业i在t年的创新产出（专利申请量对数），Treat_{it} = 1[企业i所在省份在t年已实施涉农首台套政策]。μ_i 为企业固定效应，λ_t 为年份固定效应，β 为平均处理效应（ATT）。

中介效应检验分两步：第一步，以企业销售费用率（交易成本代理变量）为被解释变量，检验政策是否降低了交易成本；第二步，以企业R&D投入中的"突破性创新"占比（发明专利在专利申请中的比重）为被解释变量，检验风险分担机制是否推动了更冒险的技术探索。

• 被解释变量：企业年度专利申请量（对数，区分发明专利、实用新型和外观设计）；企业R&D支出占营收比重
• 核心解释变量：Treat_{it} = 省份i在t年是否已出台涉农首台套政策（手工整理各省工信厅/农业农村厅文件）
• 中介变量：交易成本渠道——销售费用率（销售费用/营业收入，降低表示买方搜索和议价成本减少）；风险分担渠道——政府补贴中"首台套保费补贴"占比
• 控制变量：企业规模（总资产对数）、企业年龄、资产负债率、托宾Q、行业赫芬达尔指数
• 样本：A股农业上市企业 + 新三板农业科技企业（CSMAR + Wind），2010-2025年，年度面板

• Bacon-Decomp分解：将渐进DID的各组ATT分解为不同处理时点组的加权平均，检验是否存在"错误比较"驱动结论——即已处理组作为未处理组的对照组引入的偏误。
• 安慰剂检验：将各省政策出台时点提前3年作为虚假处理时点重新估计，检验"政策效应"是否确实来自真实政策而非事前趋势。
• 替换被解释变量：以企业新产品销售收入占比替代专利数量衡量创新产出，检验政策是否促进了从专利到商业化产品的转化。
• 排除其他政策干扰：控制同期各省实施的"高新技术企业认定"和"研发费用加计扣除"政策强度（以享受企业占比衡量），排除税收优惠政策的混杂效应。

---

在中国的政治集权与经济分权体制下，地方政府官员面临晋升竞争（周黎安, 2007），其政策注意力配置（Jones & Baumgartner, 2005）受到晋升激励强度和地方财政约束的双重影响。农业新质生产力政策的执行要求大量前期财政投入（建设数字农业基础设施、设立产业引导基金等），但经济回报周期长，对短期GDP增长的贡献有限。因此，财政充裕且官员晋升激励偏向"创新政绩"的省份更可能积极执行该政策；而财政紧约束或官员晋升激励偏向短期经济增长的省份则可能象征性执行。

据此提出以下假说：
- H1：省级财政自主度越高（一般公共预算收入/支出比越高），农业科技支出占财政支出比重越大，政策执行力度越强。
- H2：地方官员晋升激励强度（以市委书记年龄<55岁和任期<3年代理）与农业新质生产力政策执行力度正相关。
- H3：在官员考核中科技指标权重较大的省份（以省级政府工作报告中"科技/创新"词频为代理），政策执行效果显著优于考核权重偏低的省份。

识别面临的核心内生性挑战：（1）晋升激励与政策执行之间可能存在反向因果——政策执行好的省份官员更容易晋升；（2）遗漏变量——同时影响晋升激励和政策执行的省级不可观测特征。本文采用两个策略应对：一是利用官员个人特征（任期、年龄）作为晋升激励的工具变量——官员的任期和年龄由其任职历史和出生年份外生决定，与其当前政策偏好无关但直接影响其晋升激励强度（市委书记距65岁退休线越近、任期越长，晋升激励越弱）；二是控制省份固定效应和年份固定效应以消除不随时间变化的省级异质性和全国性时间趋势。此外，通过政府工作报告NLP文本分析构造"政策注意力"变量，作为政策执行意愿的补充测度。

基准面板固定效应模型：

PolicyExec_{it} = α + β₁ PromoteIncentive_{it} + β₂ FiscalAutonomy_{it} + β₃ Attention_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 PolicyExec_{it} 为省份i在t年的农业科技政策执行力度（省级农业R&D支出占农业GDP比重）。PromoteIncentive_{it} 为官员晋升激励强度（以市委书记任期和年龄构建综合指数）。Attention_{it} 为NLP文本分析得到的省级政府工作报告中"农业科技/新质生产力/智能育种"等核心词频占比。X_{it} 为控制变量。

工具变量第一阶段：PromoteIncentive_{it} = π₁ Tenure_{it} + π₂ Age_{it} + π₃ Z_{it} + μ_i + λ_t + ν_{it}，其中 Tenure_{it} 为市委书记在任年数，Age_{it} 为市委书记年龄。

• 被解释变量：农业科技政策执行力度——省级一般公共预算中农林水事务技术推广与转化支出/第一产业GDP（《中国财政年鉴》）；辅助指标：省级农业科技园区数量、国家农业高新技术产业示范区数量
• 核心解释变量：（1）晋升激励强度——综合指数，基于市委书记年龄（高于58岁=0，55-58岁=1，低于55岁=2）、任期（大于4年=0，2-4年=1，小于2年=2）的等权重加总；（2）财政自主度——一般公共预算收入/一般公共预算支出
• 政策注意力变量：省级政府工作报告中"农业新兴/未来产业/智能育种/生物制造/低空经济/AI农业"等关键词的TF-IDF权重
• 控制变量：人均GDP、第一产业占比、农村人口占比、省会到北京距离
• 样本区间：2005-2025年，31个省份，年度频率

• 替换被解释变量：以省级农业高新技术企业认定数量替代农业科技支出占比，检验政策执行力度测度方式的影响。
• 替换晋升激励变量：分别以"省长晋升激励"替代"市委书记晋升激励"，以及以"省委书记年龄-65岁"连续变量替代离散分档变量，检验结论是否对官员层级和测度方式敏感。
• 安慰剂检验：将官员晋升激励变量随机分配到各省（Fisher随机化检验，1000次），构建虚假估计系数的经验分布，检验真实估计值是否显著偏离随机分布。
• 排除直辖市与特殊省份：剔除北京、上海、天津、重庆以及西藏等农业占比极低的省份，检验结论是否由特殊样本驱动。

---

新结构经济学（林毅夫, 2011）指出，一个经济体的最优产业结构由其要素禀赋结构内生决定。农业新兴产业的集聚能否提升全要素生产率，取决于当地是否具备与之匹配的人力资本水平和技术吸收能力。Marshall (1920)的外部性理论表明，产业集聚通过三个渠道提升生产率：劳动力市场共享（专业人才池）、中间投入共享（专用性服务与设备供应商）和知识溢出（面对面交流与模仿学习）。然而，Jacobs (1969)指出，过度专业化集聚可能导致技术锁定，降低创新活力。中国农业科技水平区域差异悬殊，部分地区人力资本不足以支撑生物制造、AI农业等知识密集型产业的有效运转，集聚效应可能低于理论预期。

据此提出以下假说：
- H1：农业新兴产业集聚（以地级市农业科技企业密度衡量）对农业TFP具有正向促进效应，Blundell-Bond系统GMM估计的弹性在0.05-0.15之间。
- H2：集聚的正向效应存在人力资本门槛——只有当农村劳动力平均受教育年限超过9年（初中毕业）时，集聚效应才显著为正；低于门槛时集聚反而可能降低TFP（资源错配）。
- H3：不同子产业的集聚效应存在异质性——智慧农业和AI决策系统的知识溢出效应最强，新能源农机的劳动力市场共享效应最明显。

识别面临两个核心内生性问题：（1）反向因果——TFP高的地区天然吸引更多农业科技企业集聚；（2）遗漏变量——同时影响集聚和TFP的不可观测因素（如地理条件、地方政府效能）。本文采用Bartik工具变量（Bartik, 1991; Goldsmith-Pinkham et al., 2020）构建外生集聚冲击：IV_{it} = Σ_k share_{ik,t₀} × ΔAgglomeration_{kt}，其中 share_{ik,t₀} 为基期地级市i在子产业k的农业科技企业数量份额，ΔAgglomeration_{kt} 为全国层面子产业k的企业数量增长率。这一IV的有效性依赖于：全国行业增长趋势不受单个地级市TFP的影响（满足外生性），而基期份额通过产业集聚的路径依赖影响当期集聚水平（满足相关性）。

此外，采用Hansen (1999)的面板门槛回归模型检验人力资本门槛效应，以农村劳动力平均受教育年限为门槛变量，检验集聚系数在门槛前后的符号和显著性变化。

基准面板固定效应模型（工具变量2SLS）：

第一阶段：Agglomeration_{it} = π₁ IV_{it} + π₂ X_{it} + μ_i + λ_t + ν_{it}

第二阶段：TFP_{it} = α + β Agglomeration_{it}^hat + γ X_{it} + μ_i + λ_t + ε_{it}

其中 Agglomeration_{it} 为地级市i在t年的农业新兴产业集聚度（每千平方公里农业科技企业数量对数），TFP_{it} 为农业全要素生产率对数。X_{it} 控制变量包括农业机械总动力、化肥施用强度、有效灌溉面积占比、农业财政支出占比等。

门槛回归模型：TFP_{it} = α + β₁ Agglomeration_{it} × I(HumanCapital_{it} ≤ τ) + β₂ Agglomeration_{it} × I(HumanCapital_{it} > τ) + γ X_{it} + μ_i + λ_t + ε_{it}，其中 τ 由数据内生确定。

• 被解释变量：农业全要素生产率——基于地级市农业投入（劳动力、土地、化肥、机械、灌溉）和产出（农林牧渔业总产值）数据，采用LP方法（Levinsohn & Petrin, 2003）测算，以农业中间投入作为生产率冲击的代理变量
• 核心解释变量：农业新兴产业集聚度——从工商登记数据库提取经营范围含"智慧农业/智能农机/生物育种/农业大数据/农用无人机/新型食品"等关键词的企业数量，除以地级市行政面积（千平方公里）
• Bartik IV：以2005年各市农业科技企业子行业份额为基期权重，乘以全国该子行业企业数量同比增长率
• 门槛变量：农村劳动力平均受教育年限（《中国农村统计年鉴》地级市数据，以学历加权计算）
• 控制变量：地级市人均GDP、第一产业占比、城镇化率、农业机械化总动力、化肥施用强度
• 样本区间：2005-2024年，283个地级市，年度面板，约5660个观测值

• 替换TFP测算方法：以OP方法（Olley & Pakes, 1996）和Ackerberg-Caves-Frazer (2015)方法替代LP方法重新测算农业TFP，检验集聚效应系数对生产函数估计方法的敏感性。
• 替换集聚测度：以农业科技企业从业人员密度（工商登记参保人数/农业劳动力）替代企业数量密度，以及以农业专利密度（每万农业人口发明专利授权量）替代企业密度，检验结论是否对集聚变量构造方式敏感。
• 替代工具变量构造：以1980年代各市农业机械化程度作为当前农业科技集聚的"历史IV"（历史农业技术禀赋与当前集聚相关，但不直接影响当期TFP），替换Bartik IV重新估计。
• 子样本排除：依次剔除一线城市（北上广深）、粮食主产区和非粮食主产区，检验集聚效应是否由特定类型城市驱动。

---
# 📰 每日经济学论文选题

> 📅 日期：2026-06-02
> 📊 经济新闻：1 条
> 🎓 论文选题：5 个
> 🏷️ 覆盖领域：产业经济 — 消费与服务业

---