EN中文

自然资源学报 >

2024 , Vol. 39 >Issue 12: 2980 - 3004

DOI: https://doi.org/10.31497/zrzyxb.20241215

其他研究论文

数字金融与社会网络对农户精准农业技术采用的影响——以水肥一体化技术为例

  • 李家辉 ,
  • 程雯欣 ,
  • 陆迁
展开
  • 西北农林科技大学经济管理学院，杨凌 712100
陆迁（1967- ），男，宁夏中宁人，博士，教授，博士生导师，研究方向为农业经济管理。E-mail:

李家辉（1997- ），男，山东蓬莱人，博士研究生，研究方向为农业经济与管理。E-mail:

收稿日期: 2023-11-27

  修回日期: 2024-07-16

  网络出版日期: 2024-12-16

基金资助

国家自然科学基金项目(71973105)

收起

The impact of digital finance and social network on the adoption of precision agricultural technology by farmers: Taking water and fertilizer integration technology as an example

  • LI Jia-hui ,
  • CHENG Wen-xin ,
  • LU Qian
Expand
  • College of Economics and Management, Northwest A&F University, Yangling 712100, Shaanxi, China

Received date: 2023-11-27

  Revised date: 2024-07-16

  Online published: 2024-12-16

Fold

摘要

基于内蒙古、山西和陕西三省（自治区）806份农户微观调查数据，以水肥一体化技术为例，实证分析数字金融与社会网络对农户精准农业技术采用的影响及其机制。研究发现：（1）数字金融与社会网络对农户精准农业技术采用均有显著促进作用，且社会网络能够强化数字金融对农户精准农业技术采用的影响，在控制内生性问题以及稳健性检验后，该结论依然成立。（2）机制分析表明，数字金融通过提高农户借贷可得性、信息可得性和风险承担水平促进其采用精准农业技术，且社会网络能够强化数字金融对农户借贷可得性、信息可得性和风险承担水平的影响。（3）异质性分析表明：① 数字支付和数字借贷功能对农户精准农业技术采用有显著促进作用，且社会网络能强化数字支付对农户精准农业技术采用的影响；② 强社会网络主要发挥借贷和风险调控作用，弱社会网络主要发挥信息调控作用；③ 在精准农业技术采用上，小规模和高学历农户更能通过社会网络获取数字金融红利。因此，建议加快数字金融在乡村地区的普及与优化，注重农户的社会网络建设，加大精准农业技术补贴力度，完善农业技术培训与示范体系，建立健全受损补偿机制。

关键词： 数字金融; 社会网络; 精准农业技术; 技术采用; 调节作用

本文引用格式

李家辉 , 程雯欣 , 陆迁 . 数字金融与社会网络对农户精准农业技术采用的影响——以水肥一体化技术为例[J]. 自然资源学报, 2024 , 39(12) : 2980 -3004 . DOI: 10.31497/zrzyxb.20241215

Abstract

Based on 806 micro-survey data of farmers in Inner Mongolia, Shanxi and Shaanxi provinces (autonomous region), this paper takes the water and fertilizer integration technology as an example to empirically analyze the impact of digital finance and social network on the adoption of precision agricultural technology by farmers and its mechanism. This study found that: (1) Digital finance and social network have a significant impact on promoting the adoption of precision agricultural technology by farmers, and social network can strengthen the impact of digital finance on the adoption of precision agricultural technology by farmers. (2) Mechanism analysis shows that digital finance promotes farmers to adopt precision agricultural technology by improving farmers' loan availability, information availability and risk-taking level, and social network can strengthen the impact of digital finance on farmers' loan availability, information availability and risk-taking level. (3) Heterogeneity analysis shows that: (Ⅰ) Digital payment and digital credit have a significant impact on promoting the adoption of precision agricultural technology by farmers, and social network can strengthen the impact of digital payment on the adoption of precision agricultural technology by farmers. (Ⅱ) Strong social network mainly plays the role of lending and risk regulation, while weak social network mainly plays the role of information regulation. (Ⅲ) In the adoption of precision agriculture technology, small-scale and highly educated farmers are more likely to obtain digital financial dividends through social networks. Therefore, it is suggested to speed up the popularization and optimization of digital finance in rural areas, focus on the social network construction of farmers, increase the subsidy of precision agricultural technology, improve the training and demonstration system of agricultural technology, and establish and improve the damage compensation mechanism.

Key words： digital finance; social network; precision agriculture technology; technology adoption; regulating effect

农业发展过程中资源利用效率低下、面源污染严重仍是制约发展中国家农业可持续与高质量发展的突出问题，推广精准农业技术成为克服该问题的重要手段之一。精准农业技术能够基于观察和测量作物的单位田间生产环境变化，有针对性地调整要素投入结构，实现定时、定位、定量化管理，以达到增收提效和保护环境的目的[1]。中华人民共和国农业农村部在《农业绿色发展技术导则（2018—2030年）》中明确将发展高效灌溉技术、水肥一体化技术等精准施水、施肥技术作为主要任务之一。然而，由于精准农业技术具有资本密集、知识密集等技术属性，农户采用该类技术所面临的资金、信息学习以及风险承担能力的门槛较高，导致农户对其采用率较低[2,3]。以水肥一体化技术为例，水肥一体化技术作为中国现阶段正大力推广的一项精准农业技术，通过将灌溉与施肥融为一体，能够实现精准施水、定点施肥，节约资源的同时也能实现提质增效。但水肥一体化技术设施前期投资较大，且土壤监测、要素投入等技术使用过程存在一定的知识门槛，这对于农户采用该技术产生较大阻碍[3]。因此，如何缓解农户弱质性与精准农业技术属性之间的矛盾，成为推动精准农业技术扩散的关键问题，对于农业可持续与高质量发展具有重要现实意义。
当前学术界对精准农业技术的推广与扩散展开了较为丰富的研究。部分研究分析了精准农业技术扩散的阻碍，认为技术的初始投入成本较高、技术知识和信息的获取难度较大以及经营规模化程度低阻碍了农户采用精准农业技术[3⇓-5]；部分研究致力于探索农户采用精准农业技术的诱因，研究表明较高的受教育程度和家庭收入[6]、较大的耕地面积、开展技术培训与示范[7]以及政策补贴支持[8]有助于农户采用精准农业技术；也有部分研究聚焦于某一视角探究推动精准农业技术扩散的方案，例如社会网络[9]、借贷可得性[10]、产业组织[11]、经营风险[12]和外部政策[13]等视角。纵观已有研究可以发现，资金因素、信息获取因素和风险因素是影响农户精准农业技术采用行为的重要因素。随着网络化、信息化和数字化的发展，以数字金融为代表的新兴金融服务模式正逐渐改变传统乡村金融服务格局，数字技术与互联网平台的有机结合克服了传统金融服务对基础设施、物理网点的依赖，农户凭借智能移动设备可以随时随地获取金融服务，极大地改善了农户的金融服务可及性。此外，数字金融在降低借贷门槛、拓展借贷和信息获取渠道方面具有显著优势。因此，数字金融的兴起可能为精准农业技术的推广与扩散注入新动能，成为缓解农户弱质性与精准农业技术属性之间矛盾的潜在抓手，但已有研究对此关注较少。仅少数学者关注到数字金融对农户技术采用行为的影响，认为数字金融能够缓解借贷和信息约束，提升社会信任和风险承担水平，进而影响农户的技术采用行为[14⇓-16]。但既有研究主要关注数字金融对绿色生产技术的影响，而对兼具资本和知识密集特点的精准农业技术的影响尚不明晰。
此外，学者们研究数字金融对农业技术扩散的影响时忽略了社会网络的作用。社会网络是社会个体或组织之间因资源流动而形成的相对稳定的关系体系[17]，该体系包含诸多节点，节点之间的互动与联系会影响个体的社会行为，这种影响逐渐被应用到农户行为的研究中。在农村地区，基于“地缘”“亲缘”以及“熟人”等关系的社会网络具有明显的互信互惠特征，网络关系中的成员通过物质、信息等资源共享的形式对农户的生产决策具有重要影响[18]。实际上，数字金融在农村地区发挥数字红利的过程中，社会网络具有不可或缺的作用。从实证经验上看，有学者的研究显示，社会网络在乌干达农村移动货币使用与金融包容性的关系中发挥正向调节作用[19]，即社会网络有助于提升数字金融的包容性；从理论上看，数字金融与社会网络在缓解农户借贷约束、信息约束，提升农户风险承担水平方面的作用相似，对农户采用新技术具有重要作用。社会网络作为农户自身的一种资本禀赋，是农户获取资金、信息以及风险分担的重要渠道，其与数字金融的有机结合，将有助于数字金融发挥其数字红利。在实践中，农户通过使用数字金融的支付功能获取（或提供）资金支持以及基于数字金融交流平台获取（或共享）信息与社会网络密切相关。此外，具有风险分担机制的社会网络或可强化数字金融的风险分担功能。换言之，社会网络可能在数字金融影响农户技术采用的过程中发挥“放大器”的作用，但该作用有待实证检验。
鉴于此，本文基于内蒙古、山西和陕西三省（自治区）粮食种植户的微观调查数据，以水肥一体化技术为例，使用倾向得分匹配法（Propensity Score Matching，PSM）和条件混合估计法（Conditional Mixed Process，CMP）处理可能存在的内生性问题，实证分析数字金融对农户精准农业技术采用的影响及影响机制，并检验社会网络在此过程中的“放大器”作用，以及考察数字金融的不同功能、不同类型的社会网络和农户的不同禀赋所带来的差异化影响，以期为精准农业技术的推广与扩散提供经验证据和政策参考。相比于已有研究，本文可能的边际贡献在于：（1）以农户弱质性与精准农业技术属性之间的矛盾为切入点，研究数字金融对具有资本和知识密集属性的精准农业技术采用的影响及其机制。当前鲜有文献从数字金融视角探究推动精准农业技术扩散的方案，本文将对此进行拓展与补充。（2）将社会网络纳入数字金融影响农户技术采用行为的分析框架，检验社会网络在数字金融影响农户技术采用行为过程中的调节作用，弥补现有研究探讨数字金融与农户技术采用行为时忽略社会网络作用的不足。（3）本文充分考虑数字金融的不同功能、社会网络的不同类型和农户禀赋差异对农户精准农业技术采用的异质性影响，有助于深化理解数字金融如何在基于社会网络的农村语境下发挥其数字红利。

1 理论分析与研究假说

农户有限理性理论认为农户的行为决策受到个体禀赋、信息不完备以及环境不确定性等多方面条件的约束，农户基于“有限理性”寻求最优选择[20,21]。精准农业技术是一类典型的资本和知识密集型技术，农户在做出是否采用精准农业技术决策时，不仅受到自身经济禀赋和融资能力的影响，也受到农户搜集技术信息的能力和应对高额投资与农业弱质性之间潜在风险能力的约束。而数字金融和社会网络可以从农户借贷可得性、信息可得性和风险承担水平等三个方面缓解农户弱质性与精准农业技术属性之间的矛盾，促进精准农业技术扩散。

1.1 数字金融对农户精准农业技术采用的影响

首先，传统金融机构在农村地区面临着由信息不对称导致的监管成本高、治理难度大等障碍[22]，会对农户设置较高的借贷门槛，并且借贷额度较低，农户因此面临着供给型信贷约束。而数字金融能够有效提升农户的借贷可得性。相比于传统金融借贷，数字金融依托于互联网、大数据、云计算等信息通信技术，可以较好地降低由信息不对称导致的潜在风险，借贷门槛低且时效快，在降低金融服务成本、扩大金融服务半径等方面具有显著优势[23]，进而缓解了农户面临的供给型信贷约束，提升农户的正规借贷可得性。而借贷可得性的提升将有助于缓解农户采用精准农业技术所面临的资金约束，促进其采用精准农业技术。
其次，精准农业技术具有知识密集型的特点，农户进行精准农业技术采用决策前需要掌握技术使用的必要信息，达到一定的技术认知水平。然而农户在信息获取、筛选、利用等方面较为弱势[24]。数字金融能够提升农户的信息可得性。一方面，数字金融依托于信息通信技术，其支付、借贷、理财功能均有信息传递的作用，农户可以通过数字金融平台直接获取与生产经营有关的相关信息，且数字金融传递信息的准确度和透明度更高[24,25]，这将有助于农户掌握精准农业技术使用的必要信息，促进其采用精准农业技术。另一方面，数字金融大多应用于网络消费场景中，当农户使用其支付功能进行网络消费时，可以接收到农产品质量信息、价格信息以及消费者对绿色产品的需求信息，这将有助于提升农户的市场认知、绿色生产认知，从而倒逼农户采用能够提质增效的精准农业技术。
最后，精准农业技术具有投资大且回报周期长的特点，而农业生产与销售过程易受天气冲击与市场冲击等潜在风险的影响，农户能否应对采用精准农业技术的潜在风险问题成为其技术采用决策的重要一环。而农户通过使用数字金融可以改善其风险承担水平。一方面，数字金融将用户置于支付、借贷和理财等各类金融场景中，农户可以通过数字金融平台购买理财产品提高预防性储蓄或者购买保险产品以应对风险冲击；另一方面，农户通过使用数字金融接触和了解各类金融产品，一定程度上提升了农户的金融知识，从而有助于农户更好地配置家庭金融资产，提升其资产组合有效性[26]，为应对风险冲击提供保障。而风险承担水平的提升将有助于农户采用精准农业技术。因此，本文提出如下假说：
H1a：数字金融能够促进农户采用精准农业技术。
H1b：数字金融能够通过提升农户借贷可得性、信息可得性和风险承担水平促进农户采用精准农业技术。

1.2 社会网络对农户精准农业技术采用的影响

社会网络是基于个体之间的社会关系构成的相对稳定的系统，在农村地区具有典型的“亲缘”“地缘”以及“熟人”等关系特征[18]。社会网络关系中的成员资源共享，行为具有趋同性，使得社会网络成为农业技术扩散的重要途径。首先，社会网络是农户进行融资的重要渠道，农户通过社会网络融资，门槛低且无复杂手续，成员之间基于互信互惠的原则，有效缓解了农户采用精准农业技术所面临的资金约束；其次，社会网络是农户的信息获取渠道，网络成员之间信息互通，可以帮助农户获取与技术使用、技术效果相关的信息，提升其技术认知水平，从而促进其采用精准农业技术；最后，社会网络是农户重要的风险分担网络，当农户受到风险冲击时，可以通过社会网络获得成员在物质、资金以及情感上的支持，提升农户的风险承担水平，以应对精准农业技术采用的潜在风险问题。因此，本文提出如下假说：
H2：社会网络能够促进农户采用精准农业技术。

1.3 社会网络在数字金融与农户精准农业技术采用关系中的调节作用

虽然数字金融与社会网络均可通过影响农户的借贷、信息以及风险承担等方面影响农户的精准农业技术采用行为，但二者之间存在本质的区别，这一区别导致数字金融与社会网络在影响农户精准农业技术采用过程中是互补关系而非替代关系。具体而言，数字金融是一种数字化工具，其借助互联网与大数据等数字技术，通过降低交易成本、提高信息传递速率，提高了资金与信息的流动性和金融服务的可及性。而社会网络是农户的关系网络，是农户获取资金、信息和平滑风险的重要渠道。社会网络对数字金融影响农户精准农业技术采用的调节作用可以体现在以下三个方面：
在借贷可得性方面，非正规借贷是民间借贷的常见形式，数字金融的数字支付功能能够摆脱地域限制，极大降低交易成本。农户凭借此功能可以从无论是“地缘型”还是“非地缘型”社会网络关系中以低本高效的形式融资，提升农户的非正规借贷可得性。此时，农户的社会网络规模越大，其融资渠道越多，则数字金融对农户借贷可得性的影响便越明显。在信息可得性方面，数字金融应用于多类社交场景中，农户借助数字金融平台可以与其关系网络成员进行技术信息的交流，且信息传递成本低、速率高[27,28]，能够较好地提升农户信息可得性。在此过程中，农户的社会网络规模越大，其信息获取渠道越多，则数字金融对农户信息可得性的影响便越明显。在风险承担水平方面，农户遭受风险冲击时，能否及时获得风险分担网络成员的帮助，是其能够顺利平滑风险，避免陷入贫困的关键[29]。而传统金融服务交易成本高且时效慢，跨地域的风险分担网络无法及时帮助成员应对冲击[30]。数字金融的支付功能克服了传统金融服务受地域限制和对物理网点的依赖，交易成本低且时效快，农户可以凭借此功能安全、及时地获得风险分担网络成员的帮助，从而有效平滑风险[16]。在此过程中，农户的社会网络规模越大，其风险分担渠道越多，则数字金融对农户风险承担水平的影响便越明显，进而将强化数字金融对农户精准农业技术采用的影响。因此，本文提出如下假说：
H3a：社会网络在数字金融影响农户精准农业技术采用的过程中发挥正向调节作用。
H3b：社会网络在数字金融影响农户借贷可得性、信息可得性和风险承担水平的过程中发挥正向调节作用。

1.4 数字金融与社会网络对农户精准农业技术采用的异质性影响

对于数字金融的不同功能而言，数字支付、数字借贷和数字理财是数字金融三个重要功能。数字支付主要降低交易成本，提高交易时效性使得农户能够获得资金支持并应对风险冲击，数字借贷主要通过降低借贷门槛为农户提供资金支持，数字理财主要通过为农户提供低投资门槛、高流动性和多样化的理财产品使得农户更加有效地配置家庭金融资产，进而提升财产性收入和风险承担水平[31]。理论上看，三者均可能缓解农户采用精准农业技术的阻碍，但影响效果可能存在差异。而且根据前文分析，数字支付的资金支持和风险分担作用的发挥更加依赖于社会网络，而数字借贷和数字理财更多地作用于使用者个体，二者基于社会网络的溢出效应较弱，可能导致数字金融的不同功能在社会网络的调节作用下对农户采用精准农业技术的影响效果存在差异。
对于不同类型的社会网络而言，格兰诺维特[32]在其提出的“弱关系”理论中按照交往的频繁程度、联络的紧密程度和互惠程度将社会网络划分为强社会网络与弱社会网络。已有研究认为，强社会网络主要为农户提供资金、情感上的支持，具有利益联结紧密和风险共担的特征[17]，但由于强社会网络的“地缘性”和“亲缘性”较高，导致信息传递的同质性较高，不利于农户获取更多的技术信息。而弱社会网络成员分布范围较广，更容易获取异质性非冗余信息[33]，有利于提升农户的技术认知，但由于其利益联结程度较低，在为农户提供资金支持和风险分担方面的作用较弱。因此，理论上看，强社会网络在数字金融影响农户精准农业技术采用的过程中主要发挥借贷和风险调控作用，弱社会网络主要发挥信息调控作用。
对于农户禀赋差异而言，经营规模和学历是影响农户精准农业技术采用行为的重要禀赋特征[4,6]。在经营规模方面，不同规模农户的生产专业化程度以及资本禀赋不同，大规模农户的技术认知水平、资本禀赋较高，采用新技术的边际成本较低[12]；而小规模的农户在技术知识积累、农业可用资金以及风险承担水平等方面均较为弱势。因此，数字金融与社会网络对不同规模农户的精准农业技术采用行为可能存在影响差异。在农户学历方面，相比于低学历农户，高学历农户通常学习能力、技术认知能力和社会资本禀赋相对较高，采用新技术的积极性较强[16]。因此，数字金融与社会网络对不同学历农户的精准农业技术采用行为可能存在影响差异。
数字金融与社会网络对农户精准农业技术采用的影响机理如图1所示。
图1 数字金融与社会网络对农户精准农业技术采用的影响机理

Fig. 1 The influence mechanism of digital finance and social network on farmers' adoption of precision agricultural technology

2 研究方法与数据来源

2.1 数据来源

本文使用的数据来源于课题组于2022年7-8月对内蒙古自治区、山西省和陕西省开展的粮食种植户微观调查。选择该三省（自治区）作为调研区域的原因有二：第一，内蒙古自治区、山西省和陕西省均处于黄河流域，水源充足，灌溉便利，且黄河流域地势平坦，土壤肥沃，为精准农业技术推广奠定基础。实际上，精准农业技术并非只适用于平原地区，丘陵、山地也能发展精准农业，以水肥一体化技术为例，水肥一体化技术是现阶段解决丘陵、山地地区缺水，灌溉和施肥艰难的有效方式之一[34]。第二，中华人民共和国农业农村部办公厅在其印发的《推进水肥一体化实施方案（2016—2020年）》中针对不同地区作出水肥一体化技术推广的战略部署。其中包括在西北地区推广玉米、马铃薯、棉花膜下滴灌水肥一体化技术2000万亩（1亩≈667 m2），在华北地区推广小麦、玉米微喷水肥一体化技术2000万亩。故本文选择华北地区的内蒙古自治区和山西省以及西北地区的陕西省作为研究区域，以考察数字金融与社会网络对农户精准农业技术采用的影响。在此基础上，课题组选择内蒙古自治区的达拉特旗、准格尔旗，山西省的平陆县以及陕西省的大荔县作为区县级调研区域。先通过预调研了解调研区域与研究主题相关的基本情况，并进一步修订调查问卷，而后在正式调研过程中，采取分层随机抽样的方法，各县选取2~3个镇，各镇选取3~5个村，各村随机抽取10~20个农户 ① 进行问卷调查。问卷内容包括农户个体与家庭基本情况、生产经营情况、数字金融使用情况以及精准农业技术采用情况。此次调研共发放问卷821份，剔除无效问卷后得到806份有效数据，问卷有效率为98.2%。其中收集内蒙古自治区331份数据、山西省235份数据和陕西省240份数据。

2.2 模型构建

（1）基准回归模型。为考察数字金融使用对农户精准农业技术采用的影响，考虑到精准农业技术采用为二分类变量，故选择Probit模型进行估计。同时，在模型中加入数字金融使用与社会网络的交互项以考察社会网络在数字金融影响农户精准农业技术采用过程中是否存在调节效应。具体模型设置如下：
T e c h h j i = α 0 + α 1 D g i h j i + α 2 S o c h j i + γ C o n h j i + ε h j i
T e c h h j i = α 3 + α 4 D g i h j i + α 5 S o c h j i + α 6 D g i h j i × S o c h j i + γ C o n h j i + ε h j i
式中： T e c h表示农户是否采用精准农业技术； D g i表示农户的数字金融使用情况； S o c表示农户的社会网络； D g i × S o c表示数字金融与社会网络的交互项； C o n表示控制变量； ε表示随机干扰项； h、 j、 i分别表示县域、村域、农户个体编号； α 0~ α 6、 γ表示待估计参数。
（2）倾向得分匹配法（PSM）。由于农户是否使用数字金融受自身禀赋的影响，是农户“自选择”的结果，导致模型存在样本选择偏误。故本文选择能够克服样本选择偏误的PSM模型，通过利用倾向得分值，从未使用数字金融的农户中寻找与使用数字金融初始禀赋相似的农户作为“使用数字金融的农户若未使用数字金融”的反事实样本，以最大程度降低样本偏差，进而有效评估数字金融对农户精准农业技术采用的影响。具体实施过程如下：
首先，估计每个样本的倾向得分值。即利用Logit模型估计农户使用数字金融的条件概率拟合值：
P ( X i ) = P r ( J i = 1 | X i ) = e x p ( X i ' β ) 1 + e x p ( X i ' β )
式中： P ( X i ) 表示第i个农户的倾向得分值； J为处理变量， J i = 1表示第i个农户使用数字金融， J i = 0表示第i个农户未使用数字金融； X i表示第i个农户的个体及家庭经营特征； β表示解释变量的系数。
其次，将处理组与对照组按照倾向得分值进行匹配。为保障估计结果的稳健性，本文采用k近邻匹配、卡尺匹配和核匹配等三种方法进行匹配。其中，为实现均方误差最小化，近邻匹配取k=4；卡尺范围取0.01；核匹配使用默认核函数和带宽。
最后，估计处理组与对照组的平均处理效应（ATT），得到数字金融对农户精准农业技术采用的影响效果。其表达式为：
A T T = E ( Y 1 i - Y 0 i | J i = 1 ) = E ( Y 1 i | J i = 1 ) - E ( Y 0 i | J i = 1 )
式中： E ( ∙ ) 表示农户采用精准农业技术的条件期望；Y1i表示在可观测条件下，使用数字金融的农户i的精准农业技术采用行为；Y0i表示在反事实假设下，使用数字金融的农户i在未使用数字金融情况下的精准农业技术采用行为。
（3）条件混合估计法（CMP）。考虑到农户个体禀赋差异，可能存在认知水平、学习能力等不可观测因素同时影响农户的数字金融使用与精准农业技术采用，导致模型存在遗漏变量问题。由于数字金融是内生变量，可能导致数字金融与社会网络的交互项也是内生变量，需要使用工具变量法克服上述内生性问题。由于内生变量为类别变量，两阶段最小二乘法（2SLS）不再适用，故本文借鉴Roodman[35]提出的CMP模型来克服内生性问题。该模型分为两大阶段，第一阶段是使用内生变量对工具变量进行回归，第二阶段是将因变量与内生变量和第一阶段估计的残差拟合值进行回归得到无偏估计结果。该模型能够通过估计方程之间残差的相关系数判断模型是否存在内生性问题。
（4）中介效应模型与有中介的调节效应模型。为检验数字金融对农户精准农业技术采用行为的影响机制以及社会网络在此过程中的调节机制，本文建立的中介效应模型和有中介的调节效应模型如下：
首先，根据依次检验法的建模思路，建立中介效应的检验方程：
Y = β 0 + β 1 X + χ C + e 1
M = β 2 + β 3 X + χ C + e 2
Y = β 4 + β 5 X + β 6 M + χ C + e 3
其次，在上式基础上纳入交互项，以检验有中介的调节效应：
Y = a 0 + a 1 X + a 2 U + a 3 X U + χ C + e 4
M = a 4 + a 5 X + a 6 U + a 7 X U + χ C + e 5
Y = a 8 + a 9 X + a 10 U + a 11 X U + a 12 M + χ C + e 6
式中： Y表示农户是否采用精准农业技术； X表示农户数字金融使用情况； M表示中介变量（借贷可得性、信息可得性与风险承担水平）； U表示社会网络； C表示控制变量； e 1~ e 6表示随机误差项； β 0~ β 6、 a 0~ a 12、 χ均表示待估计参数。

2.3 变量选择

（1）被解释变量：精准农业技术采用。由于水肥一体化技术是一项典型的精准农业技术，故以农户是否采用水肥一体化技术表征农户的精准农业技术采用行为。
（2）核心解释变量：数字金融使用。借鉴何婧等[24]的研究，从数字支付、数字借贷和数字理财三个方面考察农户的数字金融使用情况。若农户至少使用上述三个功能中的一个，则认为农户使用了数字金融，赋值为1；否则赋值为0。此外，借鉴王小华等[36]、刘涛等[37]的研究，将农户使用数字金融不同功能的数量作为数字金融使用程度的代理变量，农户每使用一种功能则计1分，取值范围为0~3。由于数字支付、数字借贷和数字理财是数字金融的不同功能，各自也均存在使用程度的问题（例如使用频率），导致对三个功能使用数量直接相加不能很好地刻画数字金融使用程度，甚至可能产生测量误差，影响估计结果。但受限于调查数据，本文未收集到关于使用频率的数据。因此，为避免扩大测量误差带来的不利影响，本文在后续的讨论中主要以“农户是否使用数字金融”作为数字金融使用的代理变量，仅在基础回归中纳入数字金融使用程度，以此作为数字金融使用变量的稳健性支撑。
（3）调节变量：社会网络。鉴于格兰诺维特[32]按照交往的频繁程度、联系的紧密程度和互惠程度将社会网络划分为强社会网络与弱社会网络，本文从这两个维度构建社会网络的指标体系。已有研究关于强社会网络和弱社会网络的表征上，大多采取单一指标的形式。例如，在强社会网络的表征上，已有研究主要使用“人情礼品支出”[38]、“遇到困难时能够提供帮助的人数”[39,40]、“经常联系的亲戚数量”[41,42]等指标；在弱社会网络的表征上，已有研究主要使用“通讯支出”[38]、“手机联系人数量”[40,43]、“经常联系的朋友数量”[41]。结合已有研究和格兰诺维特对社会网络强弱的划分依据，选取“人情往来密切程度”“与亲戚聚会的频繁程度”“困难时能提供帮助的人数”等三个指标刻画强社会网络，选取“手机联系人数量”“与朋友聚会频繁程度”“参加集体活动频繁程度”等三个指标刻画弱社会网络，最终构建的社会网络指标体系如表1所示。在此基础上使用熵值法对各指标进行赋权，进而计算强社会网络、弱社会网络和社会网络的分数。
表1 社会网络指标体系

Table 1 Index system of social network

一级指标 二级指标 三级指标 赋值
社会网络 强社会网络 人情往来密切程度 1=从不；2=偶尔；3=一般；4=经常；5=频繁
与亲戚聚会的频繁程度 1=从不；2=偶尔；3=一般；4=经常；5=频繁
困难时能提供帮助的人数 1=很少；2=比较少；3=一般；4=较多；5=很多
弱社会网络 与朋友聚会频繁程度 1=从不；2=偶尔；3=一般；4=经常；5=频繁
参加集体活动频繁程度 1=从不；2=偶尔；3=一般；4=经常；5=频繁
手机联系人数量/个 1=[0, 30]；2=(30, 60]；3=(60, 90]；4=(90, 120]；5=120以上
（4）中介变量：使用农户获得借贷的难易程度表征借贷可得性；以农户通过手机获取农业信息的时长表征信息可得性；借鉴吴雨等[26]的研究，使用农户的风险态度表征农户的风险承担水平，因为农户的风险态度会随着风险承担水平的变化而变化[44]。
（5）工具变量：借鉴刘涛等[37]的研究，使用村庄内除本人外其他农户使用数字金融的平均水平作为数字金融的工具变量。基于农户行为模仿理论，村庄内除本人外其他农户使用数字金融的平均水平会影响本人对数字金融的使用，但与本人的精准农业技术采用行为无直接关系，在理论上满足工具变量的相关性与外生性条件。
（6）控制变量。借鉴孙杰等[2]和朱月季等[9]的研究，从农户个体特征、家庭特征、生产经营特征以及外部环境特征等方面选取户主年龄、受教育年限、种植年限、健康状况、家庭劳动力人数、非农就业人数、家庭总收入、耕地面积、农业收入占比、是否获得农业补贴、亩均生产成本、是否参与过技术培训、是否购买农业保险、是否加入产业组织、到乡镇距离、土地细碎化、土地整治以及降水变化等作为本文的控制变量。具体的变量描述如表2所示。
表2 变量定义与描述性统计

Table 2 Variable definition and descriptive statistics

变量名称 变量定义与赋值 均值 标准差
被解释变量
精准农业技术采用 采用水肥一体化技术=1，未采用=0 0.404 0.491
核心解释变量
数字金融使用 至少使用数字支付、数字借贷和数字理财中的一项=1，每一项均未使用=0 0.670 0.471
数字金融使用程度 使用数字支付、数字借贷和数字理财的项数 0.806 0.685
调节变量
社会网络 由熵值法计算所得 0.580 0.200
强社会网络 由熵值法计算所得 0.214 0.072
弱社会网络 由熵值法计算所得 0.366 0.165
中介变量
借贷可得性 借贷的难易程度：1=非常不容易，2=比较不容易，3=难易适中，4=比较容易，5=非常容易 2.692 1.087
信息可得性 每周使用手机获取农业信息的时长/时 0.839 0.980
风险承担水平 投资意愿：1=不愿承担任何风险，2=投资较低风险较低回报项目，3=投资中等风险、中等回报项目；4=投资较高风险、较高回报项目；5=投资高风险、高回报项目 2.526 1.205
控制变量
户主年龄 受访者实际年龄/岁 55.988 10.212
受教育年限 受教育年限/年 7.440 2.755
种植年限 从事农业经营的时长/年 30.722 12.029
健康状况 不健康=1，一般=2，健康=3 2.611 0.677
劳动力数量 家庭劳动力人数/人 2.561 1.018
非农就业人数 家庭非农就业人数/人 0.942 0.897
家庭总收入 家庭年总收入/万元 12.294 13.021
耕地面积 家庭耕地面积/亩 20.630 39.503
农业收入占比 农业收入占总收入比例 0.559 0.339
农业补贴 获得农业补贴=1，未获得=0 0.202 0.402
亩均成本 亩均生产成本（取对数） 6.932 0.376
技术培训 参与技术培训=1，未参与=0 0.365 0.482
农业保险 购买=1，未购买=0 0.290 0.454
产业组织 加入=1，未加入=0 0.098 0.298
到乡镇距离 到最近的乡镇的距离/km 4.693 3.099
土地细碎化 耕地规模与耕地块数的比值 4.026 3.268
土地整治 参与土地整治=1，未参与=0 0.448 0.498
降水变化 近五年降水变化情况：增加=1，不变=2，减少=3 2.126 0.498
工具变量
村均数字金融使用 同一村庄其他农户使用数字金融的平均水平 0.668 0.129

3 结果分析

3.1 基准回归结果

数字金融与社会网络对农户精准农业技术采用的基础回归结果如表3所示。表3列（1）为纳入交互项之前的回归结果，数字金融使用与社会网络对农户精准农业技术的影响均在1%的水平上显著为正，说明数字金融与社会网络均能促进农户采用精准农业技术，H1a和H2得以验证。列（2）为纳入交互项的回归结果，数字金融使用与社会网络的交互项在1%的水平上显著为正，说明社会网络在数字金融影响农户精准农业技术采用的过程中发挥正向调节作用，H3a得以验证。由列（3）可以看出数字金融使用程度通过了1%水平的显著性检验，且系数为正，说明数字金融使用程度越高，越有利于农户采用精准农业技术，进一步验证了H1a。根据列（4）估计结果，数字金融使用程度与社会网络交互项在1%的水平上显著为正，同样说明社会网络在数字金融影响农户精准农业技术采用的过程中发挥正向调节作用，进一步验证了H3a。上述估计结果表明，依托于互联网、大数据等信息通讯技术的数字金融在提升金融服务渗透度上具有显著优势，农户借助数字金融平台能够以较低成本进行融资、获取所需信息并提升自身的风险应对能力，从而缓解了采用精准农业技术所面临的阻碍。而基于信任、互利互惠机制的社会网络，能够放大数字金融对农户精准农业技术采用的影响。
表3 数字金融与社会网络对农户精准农业技术采用的基础回归结果

Table 3 Basic regression results of digital finance and social network on farmers' adoption of precision agricultural technology

变量 （1）技术采用 （2）技术采用 （3）技术采用 （4）技术采用
数字金融使用 0.932***(0.175) 1.009***(0.178)
社会网络 2.225***(0.400) 2.302***(0.424) 2.184***(0.408) 2.707***(0.455)
数字金融使用×社会网络 3.603***(0.854)
数字金融使用程度 0.793***(0.151) 0.906***(0.161)
数字金融使用程度×社会网络 3.750***(0.844)
年龄 -0.025**(0.012) -0.023**(0.012) -0.025**(0.012) -0.023**(0.012)
受教育年限 0.031(0.028) 0.024(0.029) 0.029(0.029) 0.027(0.030)
健康状况 0.063(0.115) 0.077(0.118) 0.086(0.116) 0.086(0.119)
种植年限 0.023**(0.010) 0.019*(0.010) 0.024**(0.010) 0.020**(0.010)
劳动力数量 0.013(0.077) 0.024(0.078) 0.012(0.077) 0.029(0.078)
家庭总收入 0.023**(0.009) 0.020**(0.009) 0.021**(0.009) 0.020**(0.010)
耕地面积 0.025***(0.008) 0.020***(0.008) 0.024***(0.008) 0.020**(0.008)
农业收入占比 0.922***(0.250) 0.945***(0.236) 0.923***(0.250) 0.936***(0.258)
农业补贴 1.260***(0.214) 1.225***(0.219) 1.301***(0.215) 1.245***(0.221)
亩均成本 -0.346*(0.207) -0.359*(0.209） -0.324(0.208) -0.363*(0.212)
非农就业人数 0.219**(0.104) 0.217**(0.106) 0.207**(0.105) 0.201*(0.108)
技术培训 0.360**(0.163) 0.340**(0.166) 0.345**(0.164) 0.329*(0.168)
农业保险 0.037(0.216) 0.053(0.221) 0.060(0.216) 0.051(0.258)
产业组织 1.029***(0.334) 1.083***(0.341) 1.004***(0.339) 1.075**(0.346)
到乡镇距离 -0.072**(0.030) -0.069**(0.031) -0.073**(0.030) -0.069**(0.031)
土地细碎化 -0.077**(0.030) -0.063**(0.030) -0.072**(0.030) -0.058*(0.030)
土地整治 -0.001(0.164) -0.022(0.168) 0.042(0.165) 0.004(0.170)
降水变化 -0.485***(0.090) -0.488***(0.092) -0.477***(0.090) -0.488***(0.093)
常数项 0.065(1.686) 2.077(1.705) -0.054(1.695) 2.128(1.729)
村级效应 已固定 已固定 已固定 已固定
LR chi2 581.04*** 599.68*** 581.76*** 603.69***
Pseudo R2 0.5621 0.5801 0.5628 0.5840
N/个 806 806 806 806

注：*、**、***分别表示估计结果在10%、5%和1%的水平上显著，下同。

对于控制变量而言，在农户基本特征上，年龄、种植年限、家庭总收入和非农就业人数显著影响农户精准农业技术采用行为，其中年龄为负向影响，种植年限与家庭总收入是正向影响，与已有研究结论相符[45,46]。在生产经营特征上，耕地面积、农业收入占比、农业补贴、技术培训和产业组织能够显著促进农户采用精准农业技术。可能的原因是精准农业技术的采用存在一定的规模门槛[3]，耕地面积较大的农户采用精准农业技术有利于实现规模经济效应；农业收入占比较高的农户，对农业生产较为重视，更希望通过采用精准农业技术提高经济效益；农业补贴能够提高农户种植积极性，增强生产投资意愿，有利于采用新技术；技术培训有利于农户掌握技术使用的相关知识，并提升其对技术采用效果的认知；产业组织可以为农户提供相关的技术服务，并通过一定的利益联结机制为农户的农业生产分担风险[47]，从而促进其采用精准农业技术。但亩均成本对农户采用精准农业技术有显著负向影响，可能的原因是较高的生产成本提高了农户进一步投资所面临的资金约束，抑制了农户对新技术的采用。在外部环境特征上，到乡镇距离、土地细碎化和降水变化对农户精准农业技术采用有显著负向影响。可能是因为到乡镇距离越近，信息获取越便利，更有助于提升农户对新技术的认知；较高的土地细碎化程度阻碍了农户规模化经营，不利于达到采用精准农业技术的规模门槛；较低的降水量增加了干旱的可能性，加大了农业生产的风险，降低了农户采用新技术的积极性。

3.2 内生性问题处理

3.2.1 样本选择偏误

考虑到农户是否使用数字金融受自身初始禀赋的影响，导致模型存在样本选择偏误问题，故使用PSM模型克服该问题。通过共同支撑域检验和平稳性检验后的估计结果如表4所示。可以看出，基于三种匹配方法得到的数字金融使用对农户精准农业技术采用的ATT均在1%的水平上显著，均值为0.141，说明在克服样本选择偏误后，数字金融依然能够促进农户采用精准农业技术。且三种匹配方法估计得到的ATT较为接近，估计结果具有一致性，说明估计结果是稳健的，再次验证H1a。
表4 数字金融使用对农户精准农业技术采用的平均处理效应

Table 4 The average treatment effect of digital finance on farmers' adoption of precision agricultural technology

匹配方法 处理组均值 对照组均值 ATT 标准误 t值
k近邻匹配 0.458 0.333 0.125*** 0.044 2.84
卡尺匹配 0.458 0.306 0.152*** 0.044 3.45
核匹配 0.458 0.313 0.145*** 0.041 3.55
平均值 0.458 0.317 0.141

3.2.2 遗漏变量

考虑到基础回归模型可能存在遗漏变量导致的内生性问题，本文使用村庄内除本人外其他人使用数字金融的平均水平作为数字金融的工具变量，并将其与社会网络的交互项作为数字金融与社会网络交互项的工具变量，使用CMP模型重新估计，结果如表5所示。列（1）~列（3）和列（4）~列（6）分别报告了数字金融使用和数字金融使用程度与社会网络对农户精准农业技术采用的影响。首先，内生性检验参数ρ12分别通过了1%和5%水平的显著性检验，ρ23均在1%的水平上显著，说明模型存在内生性问题。其次，根据列（1）和列（4）结果，村庄其他人数字金融使用平均水平能够在1%的水平上显著影响数字金融使用和数字金融使用程度。同样，根据列（2）和列（5）结果，村庄其他人数字金融使用平均水平与社会网络的交互项对数字金融使用与社会网络的交互项以及数字金融使用程度与社会网络的交互项的影响均在1%的水平上显著为正，满足工具变量的相关性。进一步，参考叶金珍等[48]的研究，借助线性模型的弱工具变量检验方法，得到的一阶段F值均大于经验值10，说明不存在弱工具变量。根据列（3）和列（6）的估计结果，数字金融使用和数字金融使用程度对农户精准农业技术采用均有显著正向影响，二者与社会网络的交互项系数也显著为正，说明在处理内生问题后，数字金融能够促进农户采用精准农业技术，且社会网络在此过程中发挥正向调节作用，前文的估计结果是稳健的。
表5 CMP模型估计结果

Table 5 CMP model estimation results

变量 （1）
数字金
融使用		 （2）
数字金融使用
×社会网络		 （3）
技术
采用		 （4）
数字金融
使用程度		 （5）
数字金融使用程度
×社会网络		 （6）
技术
采用
村均数字金融使用 1.078***
(0.418)		 1.142***
(0.401)
村均数字金融使用×社会网络 0.553***
(0.119)		 1.132***
(0.187)
数字金融使用 1.076*
(0.573)
社会网络 1.296***
(0.377)		 1.835***
(0.401)
数字金融使用×社会网络 11.014***
(1.466)
数字金融使用程度 0.885***
(0.323)
数字金融使用程度×社会网络 7.314***
(1.060)
控制变量 已控制 已控制 已控制 已控制 已控制 已控制
一阶段F值 302.562 12.847 196.088 11.557
LR chi2 624.69*** 667.24***
ρ12 -0.215***
(0.046)		 -0.115**
(0.051)
ρ13 0.259
(0.366)		 -0.232
(0.213)
ρ23 -0.697***
(0.184)		 -0.596***
(0.192)
N/个 806 806

3.3 影响机制分析

根据前文理论分析，数字金融能够通过借贷可得性、信息可得性与风险承担水平三条路径影响农户精准农业技术采用行为，且社会网络能够调节数字金融对借贷可得性、信息可得性与风险承担水平的影响，进而影响农户的技术采用行为，故需使用中介效应模型和有中介的调节效应模型对上述影响机制进行检验。关于上述模型的检验方法通常包括依次检验法和Bootstrap法，前者是多数国内学者使用的方法[49]，然而该方法检验效度较低，容易得到不显著的结果，而基于偏差校正的非参数Bootstrap法具有更高的检验力，但只要依次检验法得到显著的结果，便不存在检验效度低的问题，其结果甚至优于Bootstrap法[50]。因此，本文借鉴温忠麟等[50]以及叶宝娟等[49]的研究，使用依次检验法和Bootstrap法两种方法进行本文的机制检验，以保障研究结论的可靠性，具体检验结果如表6和表7所示。
表6 中介效应检验结果

Table 6 Mediation effect test results

变量 （1）
技术采用		 （2）
借贷可得性		 （3）
技术采用		 （4）
信息可得性		 （5）
技术采用		 （6）
风险承担水平		 （7）
技术采用
数字金融 0.185***
(0.029)		 0.588***
(0.092)		 0.148***
(0.029)		 0.486***
(0.077)		 0.160***
(0.030)		 0.959***
(0.113)		 0.141***
(0.030)
借贷可得性 — — 0.062***
(0.011)		 — — — —
信息可得性 — — — — 0.051***
(0.014)		 — —
风险承担水平 — — — — — — 0.046***
(0.009)
控制变量 已控制 已控制 已控制 已控制 已控制 已控制 已控制
F 15.08*** 4.50*** 15.90*** 3.66*** 15.31*** 3.97*** 15.69***
Adj R2 0.517 0.210 0.535 0.168 0.525 0.184 0.531
表7 有中介的调节效应检验结果

Table 7 Mediated moderation effect test results

变量 （1）
技术采用		 （2）
借贷可得性		 （3）
技术采用		 （4）
信息可得性		 （5）
技术采用		 （6）
风险承担水平		 （7）
技术采用
数字金融 0.203***
(0.029)		 0.643***
(0.093)		 0.170***
(0.029)		 0.546***
(0.077)		 0.186***
(0.029)		 0.961***
(0.114)		 0.169***
(0.030)
社会网络 0.363***
(0.068)		 0.281
(0.222)		 0.348***
(0.067)		 0.394***
(0.184)		 0.351***
(0.068)		 1.026***
(0.273)		 0.326***
(0.068)
数字金融×社会网络 0.841***
(0.143)		 1.757***
(0.466)		 0.751***
(0.142)		 1.999***
(0.385)		 0.779***
(0.145)		 1.098*
(0.573)		 0.802***
(0.142)
借贷可得性 — — 0.051***
(0.011)		 — — — —
信息可得性 — — — — 0.031**
(0.014)		 — —
风险承担水平 — — — — — — 0.036***
(0.009)
控制变量 已控制 已控制 已控制 已控制 已控制 已控制 已控制
F 16.93*** 4.70*** 17.46*** 4.21*** 16.84*** 4.23*** 17.23***
Adj R2 0.555 0.223 0.567 0.201 0.558 0.202 0.564
中介效应的检验结果如表6所示。根据列（1）、列（2）结果可知，数字金融对农户精准农业技术采用和借贷可得性均有显著正向影响。由列（3）结果可知，将数字金融与借贷可得性同时纳入模型后，二者对农户精准农业技术采用均有显著正向影响，说明借贷可得性的中介效应显著。同理，根据列（1）、列（4）、列（5）和列（1）、列（6）、列（7）结果，在数字金融对农户精准农业技术采用、信息可得性和风险承担水平均有显著正向影响的前提下，将数字金融与中介变量同时纳入模型后，二者对技术采用的影响均显著为正，说明信息可得性和风险承担水平的中介效应显著。上述结果表明以数字化、信息化为特征的金融服务模式在为农户提供资金支持、传递信息以及分担风险方面具有重要作用，进而能够影响农户的精准农业技术采用行为，H1b得以验证。
有中介的调节效应检验结果如表7所示。首先，由列（1）估计结果可知，数字金融及其与社会网络的交互项对农户精准农业技术采用均有显著正向影响，说明社会网络能够正向调节数字金融对农户精准农业技术采用的影响。其次，根据列（2）结果可知，数字金融与社会网络的交互项对借贷可得性具有显著正向影响，说明社会网络能够强化数字金融对借贷可得性的影响。最后由列（3）结果可知，将数字金融与社会网络的交互项和借贷可得性同时纳入模型后，二者对技术采用的影响均显著为正，说明以借贷可得性为中介变量的有中介的调节效应显著。同理，根据列（1）、列（4）、列（5）和列（1）、列（6）、列（7）结果，数字金融与社会网络的交互项对中介变量的影响显著为正，将二者同时纳入模型后，交互项与中介变量对技术采用的影响均显著为正，说明以信息可得性和风险承担水平为中介变量的有中介的调节效应均显著，社会网络能够强化数字金融对借贷可得性、信息可得性和风险承担水平的影响，进而影响农户精准农业技术采用。上述结果表明，社会网络拓展了农户的融资、信息获取和风险分担渠道，强化了数字金融的融资、信息传递和风险分担功能，进而为农户采用精准农业技术提供有利条件，H3b得以验证。
进一步检验上述结果的稳健性，借助SPSS Process程序中的Model 4和Model 7，采用基于偏差校正的非参数Bootstrap法再次检验上述影响机制。检验结果如表8所示。由中介效应的检验结果可知，在进行5000次重复抽样后，借贷可得性、信息可得性和风险承担水平的中介效应在95%水平上的置信区间均不包含0，说明三个中介效应均显著，再次验证H1b。由有中介的调节效应检验结果可以看出，以社会网络为调节变量，以借贷可得性、信息可得性和风险承担水平为中介变量的有中介的调节效应在95%水平上的置信区间均不包含0，说明三个有中介的调节效应均显著，再次验证H3b。说明前文的估计结果是稳健的。
表8 影响机制检验结果

Table 8 Influence mechanism test results

作用类型 作用路径 调节变量 效应值 标准误 95%置信区间
中介效应 数字金融→借贷可得性→精准农业技术采用 — 0.282 0.079 [0.153, 0.466]
数字金融→信息可得性→精准农业技术采用 — 0.247 0.066 [0.141, 0.398]
数字金融→风险承担水平→精准农业技术采用 — 0.363 0.099 [0.207, 0.598]
有中介的调节效应 数字金融→借贷可得性→精准农业技术采用 社会网络 0.912 0.340 [0.381, 1.698]
数字金融→信息可得性→精准农业技术采用 社会网络 1.118 0.331 [0.609, 1.915]
数字金融→风险承担水平→精准农业技术采用 社会网络 0.634 0.264 [0.218, 1.246]

3.4 异质性分析

3.4.1 基于数字金融不同功能的异质性分析

根据理论分析，数字金融的不同功能可能对农户精准农业技术采用的影响效果存在差异，且不同功能在社会网络这一媒介下的影响效果也可能存在差异。因此，本文进一步聚焦数字金融不同功能对上述可能存在的异质性效果进行检验，结果如表9所示。
表9 数字金融不同功能与社会网络对农户精准农业技术采用的影响差异

Table 9 Differences in the impact of different functions of digital finance and social network on farmers' adoption of precision agricultural technology

变量 （1）
技术采用		 （2）
技术采用		 （3）
技术采用		 （4）
技术采用		 （5）
技术采用		 （6）
技术采用
社会网络 2.229***
(0.042)		 2.285***
(0.0423)		 2.245***
(0.395)		 2.283***
(0.407)		 2.307***
(0.392)		 2.457***
(0.431)
数字支付 0.969***
(0.175)		 1.039***
(0.178)
数字支付×社会网络 3.544***
(0.838)
数字借贷 0.907**
(0.443)		 0.871*
(0.479)
数字借贷×社会网络 0.971
(2.075)
数字理财 0.127
(0.404)		 0.363
(0.591)
数字理财×社会网络 3.992
(2.942)
控制变量 已控制 已控制 已控制 已控制 已控制 已控制
LR chi2 583.69*** 602.25*** 554.55*** 554.79*** 549.87*** 552.95***
Pseudo R2 0.5646 0.5826 0.5365 0.5367 0.5319 0.5349
N/个 806 806 806 806 806 806
根据列（1）结果，数字支付与社会网络显著促进农户采用精准农业技术采用，根据列（2）结果，数字支付与社会网络的交互项系数在1%的水平上显著为正。说明数字支付能够促进农户采用精准农业技术，且社会网络在此过程中发挥正向调节作用。结合列（3）、列（4）结果，数字借贷显著促进农户采用精准农业技术，数字借贷与社会网络交互项系数虽为正但不显著，说明社会网络在数字借贷影响农户精准农业技术采用过程中无显著调节效应。可能的原因是使用数字借贷的农户可以较好地缓解资金约束，有助于采用精准农业技术。但相比于正规借贷，农户更加偏好于基于社会网络的非正规借贷形式[51]。社会网络规模较大的农户拥有更多的民间借贷渠道，使用数字正规借贷的概率反而可能相对较低，由此导致社会网络对其调节效应不显著。结合列（5）、列（6）结果，数字理财对农户精准农业技术采用无显著影响，数字理财与社会网络的交互项系数也不显著，与胡杰等[52]的研究结论相类似。原因可能是数字理财提升农户收入水平、技术认知水平的作用相对有限，故对农户精准农业技术采用的影响不显著。

3.4.2 基于不同类型社会网络的异质性分析

根据理论分析，不同类型的社会网络在数字金融影响农户精准农业技术采用过程中的调节作用存在差异，而且社会网络中的强弱关系对技术扩散的影响也是学术界一直存在争议的话题。部分研究认为“强关系”是人情网而非信息桥，其提供的情感、资金和物质支持推动了农业技术扩散[17,53]，也有研究强调“弱关系”的信息传递作用对技术扩散尤为重要[33]。为进一步理解不同类型的社会网络在数字金融影响农户精准农业技术采用过程中的作用，本文使用依次检验法和Bootstrap法进行异质性检验，以保障研究结论的可靠性。
基于依次检验法的对调节变量为强社会网络和弱社会网络的有中介的调节效应估计结果分别如表10和表11所示。由表10和表11的列（1）结果可以看出，强社会网络和弱社会网络与数字金融的交互项对农户精准农业技术采用均有显著正向影响，说明二者均能强化数字金融与农户技术采用的影响。结合表10列（2）、列（3）可以看出，数字金融与强社会网络的交互项对借贷可得性的影响显著为正，且将二者同时纳入模型后，二者对技术采用的影响均显著为正，有中介的调节效应显著，说明强社会网络能够强化数字金融对借贷可得性的影响，进而影响农户的精准农业技术采用行为。而由表11列（2）结果可得，数字金融与弱社会网络的交互项对借贷可得性的影响不显著，说明弱社会网络不能强化数字金融对农户借贷可得性的影响。产生这一差异的原因可能是强社会网络与弱社会网络在信任与利益联结上存在差异。根据“弱关系理论”[32]，强社会网络成员间的信任度、互惠度和情感度均较高，由此导致关系的稳定度更高，借贷的交易成本和隐形风险均较低；弱社会网络成员间的信任度、利益联结度较低，关系稳定度较弱，借贷的交易成本与隐形风险较高。
表10 基于依次检验法的有中介的调节效应估计结果（调节变量为强社会网络）

Table 10 Estimated results of the mediated moderation effect based on sequential test (the moderating variable is strong social network)

变量 （1）
技术采用		 （2）
借贷可得性		 （3）
技术采用		 （4）
信息可得性		 （5）
技术采用		 （6）
风险承担水平		 （7）
技术采用
数字金融 0.187***
(0.029)		 0.603***
(0.090)		 0.153***
(0.029)		 0.488***
(0.077)		 0.163***
(0.029)		 0.967***
(0.112)		 0.148***
(0.030)
强社会网络 0.511***
(0.188)		 0.365
(0.586)		 0.491***
(0.185)		 0.114
(0.501)		 0.506***
(0.186)		 1.494**
(0.730)		 0.451**
(0.186)
数字金融×强社会网络 1.365***
(0.001)		 6.776***
(1.134)		 0.984***
(0.366)		 1.014
(0.969)		 1.315***
(0.360)		 5.794***
(1.411)		 1.130***
(0.362)
借贷可得性 — — 0.056***
(0.012)		 — — — —
信息可得性 — — — — 0.049***
(0.014)		 — —
风险承担水平 — — — — — — 0.041***
(0.009)
控制变量 已控制 已控制 已控制 已控制 已控制 已控制 已控制
F 15.21*** 5.13*** 15.80*** 3.56*** 15.41*** 4.23*** 15.63***
Adj R2 0.527 0.244 0.541 0.167 0.534 0.202 0.538
表11 基于依次检验法的有中介的调节效应估计结果（调节变量为弱社会网络）

Table 11 Estimated results of the mediated moderation effect based on the sequential test method (the moderating variable is weak social network)

变量 （1）
技术采用		 （2）
借贷可得性		 （3）
技术采用		 （4)
信息可得性		 （5）
技术采用		 （6）
风险承担水平		 （7）
技术采用
数字金融 0.203***
(0.029)		 0.602***
(0.095)		 0.170***
(0.029)		 0.565***
(0.077)		 0.187***
(0.030)		 0.919***
(0.115)		 0.168***
(0.030)
弱社会网络 0.428***
(0.082)		 0.493*
(0.270)		 0.401***
(0.081)		 0.501**
(0.220)		 0.413***
(0.082)		 1.318***
(0.330)		 0.378***
(0.082)
数字金融×弱社会网络 0.944***
(0.178)		 0.888
(0.584)		 0.896***
(0.176)		 2.759***
(0.476)		 0.863***
(0.182)		 0.185
(0.713)		 0.937***
(0.176)
借贷可得性 — — 0.055***
(0.011)		 — — — —
信息可得性 — — — — 0.030**
(0.014)		 — —
风险承担水平 — — — — — — 0.038***
(0.009)
控制变量 已控制 已控制 已控制 已控制 已控制 已控制 已控制
F 16.76*** 4.48*** 17.42*** 4.40*** 16.65*** 4.18*** 17.15***
Adj R2 0.553 0.214 0.567 0.211 0.555 0.200 0.563
同理，对比表10和表11的列（4）、列（5）可得，强社会网络与数字金融的交互项对信息可得性的影响不显著，说明强社会网络不能强化数字金融对信息可得性的影响；而弱社会网络与数字金融的交互项对信息可得性的影响显著为正，且二者同时纳入模型后对技术采用的影响均显著为正，说明弱社会网络能强化数字金融对信息可得性的影响，进而影响农户采用精准农业技术。这一差异可能是由强社会网络与弱社会网络在信息传递作用上的差异所导致的。根据“弱关系理论”[32]，强关系网络容易获得重复性信息，弱关系网络传递的信息广度较高，且重复性低，对个体决策的帮助更有效。因此，农户借助数字金融平台，以低本高效的形式获取技术信息时，更加依赖于弱社会网络。
对比表10和表11的列（6）、列（7）可得，强社会网络与数字金融的交互项对风险承担水平的影响显著为正，且二者同时纳入模型后对技术采用的影响均显著为正，说明强社会网络能强化数字金融对风险承担水平的影响，进而影响农户采用精准农业技术；而弱社会网络与数字金融的交互项对风险承担水平的影响不显著，说明弱社会网络不能强化数字金融对风险承担水平的影响。产生这一差异的原因可能是强社会网络主要为农户提供物质、资金以及情感上的支持，弱社会网络主要发挥传递不同类型信息的作用[38]。农户遭受风险冲击时，更加依赖于强社会网络获取关系成员的支持以提升风险承担水平。
进一步基于偏差校正的非参数Bootstrap法再次检验不同类型社会网络在数字金融影响农户精准农业技术采用过程中的差异化影响。检验结果如表12所示。通过各路径在95%水平上的置信区间可以看出，在路径“数字金融→借贷可得性→精准农业技术采用”中，强社会网络的95%水平上的置信区间不包含0，有中介的调节效应显著；弱社会网络的95%水平上的置信区间包含0，有中介的调节效应不显著。同理，在路径“数字金融→信息可得性→精准农业技术采用”中，弱社会网络的有中介的调节效应显著，而强社会网络不显著。在路径“数字金融→风险承担水平→精准农业技术采用”中，强社会网络的有中介的调节效应显著，而弱社会网络不显著。上述结果说明强社会网络能够强化数字金融对农户借贷可得性和风险承担水平的影响，而弱社会网络仅能强化数字金融对农户信息可得性的影响，与依次检验法的估计结果一致，说明该结论具有稳健性。
表12 基于Bootstrap法的有中介的调节效应估计结果

Table 12 Estimation results of mediated moderation effect based on Bootstrap method

作用路径 调节变量 效应值 标准误 95%置信区间
数字金融→借贷可得性→精准农业技术采用 强社会网络 3.747 1.164 [1.968, 6.515]
弱社会网络 0.451 0.318 [-0.092, 1.152]
数字金融→信息可得性→精准农业技术采用 强社会网络 0.752 0.589 [-0.238, 2.036]
弱社会网络 1.456 0.413 [0.823, 2.442]
数字金融→风险承担水平→精准农业技术采用 强社会网络 2.297 0.838 [1.040, 4.318]
弱社会网络 0.422 0.274 [-0.026, 1.033]

3.4.3 基于农户禀赋的异质性分析

根理论分析，农户在经营规模与学历上的禀赋差异可能导致数字金融与社会网络对农户精准农业技术采用的影响效果不同，本文从农户耕地规模与受教育程度两个方面进行基于农户禀赋的异质性分析。估计结果如表13所示。
表13 数字金融与社会网络对不同类型农户精准农业技术采用的影响差异

Table 13 The differences in the impact of digital finance and social network on the adoption of precision agricultural technology by different types of farmers

变量 （1） （2） （3） （4） （5） （6） （7） （8）
小规模 大规模 低学历 高学历
数字金融使用 1.129***
(0.219)		 1.114***
（0.217）		 0.988*
(0.539)		 1.185**
(0.567)		 1.602***
(0.313)		 1.334***
(0.283)		 0.925***
(0.303)		 1.269***
(0.339)
社会网络 3.111***
(0.504)		 2.863***
(0.524)		 1.246
(1.005)		 1.456
(1.045)		 1.184*
(0.628)		 1.124
(0.695)		 3.673***
(0.783)		 4.759**
(0.955)
数字金融使用×社会网络 3.722***（1.125） 2.965
(2.099)		 0.320
(1.609)		 5.797***
(1.482)
控制变量 已控制 已控制 已控制 已控制 已控制 已控制 已控制 已控制
LR chi2 408.52*** 419.60*** 127.91*** 129.99*** 245.75*** 245.78*** 299.99*** 318.18***
Pseudo R2 0.5382 0.5528 0.6612 0.6720 0.5375 0.5376 0.6282 0.6663
N/个 634 634 172 172 376 376 430 430
由列（1）、列（2）结果可知，数字金融使用与社会网络以及二者交互项对小规模农户的精准农业技术采用均有显著正向影响，说明数字金融能促进小规模农户采用精准农业技术，且社会网络在此过程中发挥正向调节作用。由列（3）、列（4）结果可知，数字金融对大规模农户的精准农业技术采用有显著正向影响，但社会网络和数字金融与社会网络交互项对其影响不显著。原因可能是大规模农户的专业化经营程度和资本禀赋相对较高，对社会网络的依赖度相对较低；而小规模农户自身在经济、风险承担方面较为弱势，使用数字金融获取技术采用的相关支持时，较为依赖社会网络。因而导致社会网络能够强化数字金融对小规模农户精准农业技术采用的影响。
根据列（5）、列（6）结果，数字金融对低学历农户的精准农业技术采用有显著正向影响，但数字金融与社会网络交互项对其影响不显著。根据列（7）、列（8）结果，数字金融使用与社会网络以及二者交互项对高学历农户的精准农业技术采用有显著正向影响，说明数字金融能促进高学历农户采用精准农业技术，且社会网络在此过程中发挥正向调节作用。原因可能是相比于低学历农户，高学历农户的学习能力较强，对新技术的接纳能力较强，借助数字金融平台并依托于社会网络获取大量技术信息，高学历农户可以较好地将信息应用于实践，因而导致社会网络能够强化数字金融对高学历农户精准农业技术采用的影响。

3.5 稳健性检验

3.5.1 替换因变量

为检验前文估计结果的稳健性，本文选择替换因变量的表征方法，将农户是否采用精准农业技术替换为采用面积后重新估计，结果如表14所示。由列（1）~列（4）结果可以看出，数字金融使用、数字金融使用程度和社会网络及其交互项对精准农业技术采用面积有显著正向影响，说明数字金融能够提升农户精准农业技术采用面积，且社会网络在此过程中发挥正向调节作用，证明了前文估计结果的稳健性。
表14 稳健性检验结果

Table 14 Robustness test results

变量 （1） （2） （3） （4） （5） （6） （7） （8）
替换因变量 替换核心解释变量
数字金融使用 2.263***
(0.811)		 2.893***
(0.818)		 0.818***
(0.169)		 0.879***
(0.172)
社会网络 6.418***
(1.971)		 5.979***
(1.954)		 5.435***
(1.981)		 5.326***
(1.967)		 2.255***
(0.399)		 2.262***
(0.413)		 2.163***
(0.405)		 2.363***
(0.426)
数字金融使用×社会网络 16.380***
(4.099)		 2.875***
(0.852)
数字金融使用程度 2.579***
(0.604)		 2.137***
(0.613)		 0.592***
(0.117)		 0.640***
(0.124)
数字金融使用程度×社会网络 9.022***
(2.643)		 2.174***
(0.628)
控制变量 已控制 已控制 已控制 已控制 已控制 已控制 已控制 已控制
LR chi2 2321.00*** 2336.81*** 2331.29*** 2342.86*** 574.92*** 586.65*** 577.32*** 590.23***
Pseudo R2 0.2820 0.2840 0.2833 0.2847 0.5562 0.5675 0.5585 0.5710
N/个 806 806 806 806 806 806 806 806

3.5.2 替换核心解释变量

进一步选择替换核心解释变量的表征方法检验前文结果的稳健性，借鉴已有研究[54,55]，将数字保险纳入数字金融使用的范畴，重新考察数字金融对农户精准农业技术采用的影响。估计结果如表14所示。由列（5）~列（8）结果可以看出，数字金融使用、数字金融使用程度和社会网络及其交互项对精准农业技术采用仍然有显著正向影响，进一步证明了前文结果的稳健性。

4 结论与讨论

4.1 结论

本文基于内蒙古、山西和陕西三省（自治区）806份农户微观调查数据，以水肥一体化技术为例，实证分析了数字金融与社会网络对农户精准农业技术采用的影响及影响机制。研究发现：（1）数字金融与社会网络对农户精准农业技术采用有显著促进作用，且社会网络能够强化数字金融对农户精准农业技术采用的影响，在控制内生性问题以及稳健性检验后，该结论依然成立。（2）机制分析表明，数字金融通过提高农户借贷可得性、信息可得性和风险承担水平促进其采用精准农业技术，且社会网络在数字金融影响农户借贷可得性、信息可得性和风险承担水平的过程中发挥正向调节作用。（3）异质性分析表明，数字支付和数字借贷对农户精准农业技术采用有显著促进作用，社会网络仅能强化数字支付对农户精准农业技术采用的影响；强社会网络主要强化数字金融对农户借贷可得性和风险承担水平的影响，弱社会网络主要强化数字金融对农户信息可得性的影响；数字金融能够促进不同规模和不同学历的农户采用精准农业技术，社会网络仅能强化数字金融对小规模和高学历农户精准农业技术采用的影响。

4.2 讨论

本文研究结论对于理解数字金融如何促进精准农业技术扩散具有一定的理论意义与实践价值。在理论上，本文将社会网络纳入数字金融影响农户技术采用行为的分析框架，并构建相应的理论基础，研究结果表明数字金融在农村地区发挥数字红利能够惠及农户的精准农业技术采用行为，且社会网络有助于释放数字金融的数字红利，使其数字红利能够在农户关系网络中产生溢出效应。这在一定程度上解释了数字金融具有普惠性与包容性的原因，为后续关于数字金融的普惠性、包容性与外溢性的研究提供了理论借鉴和经验证据。
在实践上，基于本文研究结论，可以获得如下政策启示：第一，加快推动数字金融在乡村地区的普及与优化。一方面，完善乡村数字基础设施建设，设立数字金融服务网点，为农户普及金融知识，宣传数字金融的优势，提升农户对数字金融的可及性与接受度，尤其注重引导农户使用数字支付和数字借贷，从而助推农户采用精准农业技术；另一方面，鼓励金融机构与互联网平台有机结合，降低金融借贷门槛并简化手续，针对农户推出多样化金融产品，从而有效发挥数字金融在农户借贷可得性和风险分担方面的作用。同时也应重视数字金融在信息传递方面的作用，支持农技推广部门利用数字金融相关平台，开发农业技术普及版块，增加农户获取技术信息的便利性。第二，加强农户的社会网络建设。一方面，通过开展乡村文娱活动或引导农户加入产业组织的形式增加农户面对面交流与学习的机会，巩固和拓展农户的强社会网络；另一方面，通过搭建社会网络数字化平台，鼓励农户在数字平台中互相交流，使农户的社会网络摆脱“地缘”限制，扩大农户的社交半径，拓展其弱社会网络。第三，鉴于资金、信息和风险是影响农户采用精准农业技术的重要因素，政府应加大精准农业技术采用补贴力度，完善农业技术培训与示范体系，建立健全受损补偿机制，从而提升农户采用精准农业技术的积极性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
BLASCH J, WAN D K B, WAN B P, et al. Farmer preferences for adopting precision farming technologies: A case study from Italy. European Review of Agricultural Economics, 2022, 49(1): 33-81.

[2]
孙杰, 周力, 应瑞瑶. 精准农业技术扩散机制与政策研究: 以测土配方施肥技术为例. 中国农村经济, 2019, (12): 65-84.

[SUN J, ZHOU L, YING R Y. A study on the diffusion mechanisms and policies of precision agriculture technology: A case study of soil testing and formulated fertilization technology. Chinese Rural Economy, 2019, (12): 65-84.]

[3]
李淑芳. 中国精准农业推广对策研究. 科学管理研究, 2019, 37(4): 125-130.

[LI S F. Research on China's precision agriculture promotion countermeasures. Scientific Management Research, 2019, 37(4): 125-130.]

[4]
SUN X, RITZEMA H, HUANG X, et al. Assessment of farmers' water and fertilizer practices and perceptions in the North China Plain. Irrigation and Drainage, 2022, 71(4): 980-996.

[5]
MOZAMBANI C I, DE SOUZA FILHO H M, VINHOLIS M M B, et al. Adoption of precision agriculture technologies by sugarcane farmers in the state of São Paulo, Brazil. Precision Agriculture, 2023, 24(5): 1813-1835.

[6]
TEY Y S, BRINDAL M. Factors influencing the adoption of precision agricultural technologies: A review for policy implications. Precision Agriculture, 2012, 13: 713-730.

[7]
TAMIRAT T W, PEDERSEN S M, LIND K M. Farm and operator characteristics affecting adoption of precision agriculture in Denmark and Germany. Acta Agriculturae Scandinavica, Section B: Soil & Plant Science, 2018, 68(4): 349-357.

[8]
BARNES A P, SOTO I, EORY V, et al. Exploring the adoption of precision agricultural technologies: A cross regional study of EU farmers. Land Use Policy, 2019, 80: 163-174.

[9]
朱月季, 杨倩, 王芳. 社会网络对蕉农采纳资源节约型技术的影响机制: 以水肥一体化技术为例. 资源科学, 2021, 43(6): 1099-1114.

DOI

[ZHU Y J, YANG Q, WANG F. Mechanism of influence of social networks on banana farmers' adoption of resource conservation technologies: A case study of the drip fertigation system. Resources Science, 2021, 43(6): 1099-1114.]

[10]
马九杰, 崔怡, 董翀. 信贷可得性、水权确权与农业节水技术投资: 基于水权确权试点准自然实验的证据. 中国农村经济, 2022, (8): 70-92.

[MA J J, CUI Y, DONG C. Credit availability, water rights confirmation and water-saving technology investment: Evidence based on quasi-natural experiment in water rights confirmation pilots. Chinese Rural Economy, 2022, (8): 70-92.]

[11]
万凌霄, 蔡海龙. 合作社参与对农户测土配方施肥技术采纳影响研究: 基于标准化生产视角. 农业技术经济, 2021, (3): 63-77.

[WAN L X, CAI H L. Study on the impact of cooperative's participation on farmers' adoption of testing soil for formulated fertilization technology: Analysis based on the perspective of standardized production. Journal of Agrotechnical Economics, 2021, (3): 63-77.]

[12]
冯晓龙, 仇焕广, 刘明月. 不同规模视角下产出风险对农户技术采用的影响: 以苹果种植户测土配方施肥技术为例. 农业技术经济, 2018, (11): 120-131.

[FENG X L, QIU H G, LIU M Y. Technology adoption of farmers in different farm sizes under production risk: A case study of apple farmers' formula fertilization technology by soil testing. Journal of Agrotechnical Economics, 2018, (11): 120-131.]

[13]
薛彩霞, 黄玉祥, 韩文霆. 政府补贴、采用效果对农户节水灌溉技术持续采用行为的影响研究. 资源科学, 2018, 40(7): 1418-1428.

DOI

[XUE C X, HUANG Y X, HAN W T. Influence of government subsidies and adoption effect on continuous adoption behavior of water-saving irrigation technology by farmers. Resources Science, 2018, 40(7): 1418-1428.]

DOI

[14]
YU L L, ZHAO D Y, XUE Z H, et al. Research on the use of digital finance and the adoption of green control techniques by family farms in China. Technology in Society, 2020, 62: 101323, Doi: 10.1016/j.techsoc.2020.101323.

[15]
ZHAO P P, ZHANG W, CAI W C, et al. The impact of digital finance use on sustainable agricultural practices adoption among smallholder farmers: An evidence from rural China. Environmental Science and Pollution Research, 2022, 29(26): 39281-39294.

[16]
李家辉, 陆迁. 数字金融对农户采用绿色生产技术的影响. 资源科学, 2022, 44(12): 2470-2486.

DOI

[LI J H, LU Q. The impact of digital finance on farmers' adoption of green production technologies. Resources Science, 2022, 44(12): 2470-2486.]

[17]
李航飞, 韦素琼, 陈松林, 等. 粤台农业合作试验区台湾兰花技术扩散社会网络特征分析. 地理研究, 2020, 39(11): 2479-2492.

DOI

[LI H F, WEI S Q, CHEN S L, et al. Characteristics of social network of Taiwan's orchid technology diffusion in Guangdong-Taiwan agricultural cooperative pilot zone in Shaoguan city, Guangdong province. Geographical Research, 2020, 39(11): 2479-2492.]

[18]
李航飞, 韦素琼, 魏少彬. 农户视角下台湾农业技术在大陆扩散影响因素分析: 以广东韶关粤台农业合作试验区兰花种植业为例. 自然资源学报, 2020, 35(7): 1686-1698.

DOI

[LI H F, WEI S Q, WEI S B. Analysis on the influencing factors of the diffusion of Chinese Taiwan's agricultural technology in China's Mainland from the perspective of farmers: Taking orchid planting industry in Guangdong-Taiwan agricultural cooperative experimental zone in Shaoguan of Guangdong province as an example. Journal of Natural Resources, 2020, 35(7): 1686-1698.]

[19]
OKELLO C B G, NTAYI J M, MUNENE J C, et al. Mobile money and financial inclusion in sub-Saharan Africa: The moderating role of social networks. Journal of African Business, 2018, 19(3): 361-384.

[20]
杨玉珍. 农户缘何不愿意进行宅基地的有偿腾退?. 经济学家, 2015, (5): 68-77.

[YANG Y Z. Why are farmers unwilling to vacate their homesteads with compensation?. Economist, 2015, (5): 68-77.]

[21]
龚已迅, 杨丹. 养殖户气候适应性行为对提高养殖业生产效率的影响. 自然资源学报, 2021, 36(11): 2966-2979.

DOI

[GONG Y X, YANG D. The effect of farmer adaptation behavior to climate change on the improvement of breeding industry production efficiency. Journal of Natural Resources, 2021, 36(11): 2966-2979.]

[22]
周月书, 苗哲瑜. 数字普惠金融对农户生产经营投资的影响. 中国农村观察, 2023, (1): 40-58.

[ZHOU Y S, MIAO Z Y. The impact of digital inclusive finance on farmers' investment in production and operation. China Rural Survey, 2023, (1): 40-58.]

[23]
许兰壮, 张乐柱, 伍茜蓉. 数字金融释放了农村家庭消费潜力吗? 基于边际消费倾向视角的机制分析. 农业技术经济, 2023, (3): 37-52.

[XU L Z, ZHANG L Z, WU Q R. Has digital finance release farmers consumption potential? Mechanism analysis from the perspective of marginal propensity to consume. Journal of Agrotechnical Economics, 2023, (3): 37-52.]

[24]
何婧, 李庆海. 数字金融使用与农户创业行为. 中国农村经济, 2019, (1): 112-126.

[HE J, LI Q H. Digital finance and farmers' entrepreneurship. Chinese Rural Economy, 2019, (1): 112-126.]

[25]
彭澎, 徐志刚. 数字普惠金融能降低农户的脆弱性吗?. 经济评论, 2021, (1): 82-95.

[PENG P, XU Z G. Can digital inclusive finance reduce the vulnerability of peasant households?. Economic Review, 2021, (1): 82-95.]

[26]
吴雨, 李晓, 李洁, 等. 数字金融发展与家庭金融资产组合有效性. 管理世界, 2021, 37(7): 92-104, 7.

[WU Y, LI X, LI J, et al. Digital finance and household portfolio efficiency. Journal of Management World, 2021, 37(7): 92-104, 7.]

[27]
尹志超, 公雪, 郭沛瑶. 移动支付对创业的影响: 来自中国家庭金融调查的微观证据. 中国工业经济, 2019, (3): 119-137.

[YIN Z C, GONG X, GUO P Y. The impact of mobile payment on entrepreneurship: Micro evidence from China Household Finance Survey. China Industrial Economics, 2019, (3): 119-137.]

[28]
刘魏, 张应良, 王燕. 数字普惠金融发展缓解了相对贫困吗. 经济管理, 2021, 43(7): 44-60.

[LIU W, ZHANG Y L, WANG Y. Can digital inclusive finance alleviate relative poverty. Business and Management Journal, 2021, 43(7): 44-60.]

[29]
JACK W, SURI T. Risk sharing and transactions costs: Evidence from Kenya's mobile money revolution. The American Economic Review, 2014, 104: 183-223.

[30]
RILEY E. Mobile money and risk sharing against village shocks. Journal of Development Economics, 2018, 135: 43-58.

[31]
宋文豪, 黄祖辉, 叶春辉. 数字金融使用对农村家庭生计策略选择的影响: 来自中国农村家庭追踪调查的证据. 中国农村经济, 2023, (6): 92-113.

[SONG W H, HUANG Z H, YE C H. The impact of digital finance use on rural household livelihood strategy selection: Evidence from the China rural household panel survey. Chinese Rural Economy, 2023, (6): 92-113.]

[32]
GRANOVETTER M S. The strength of weak ties. American Journal of Sociology, 1973, 78(6): 1360-1380.

[33]
何君, 孙丽. 畜牧生产中技术扩散的社会网络研究: 以内蒙古和林格尔县X村奶牛养殖过程为例. 农村经济, 2007, (9): 87-89.

[HE J, SUN L. Research on the social network of technology diffusion in animal husbandry production: Taking the dairy cattle breeding process in X village of Helingeer county, Inner Mongolia as an example. Rural Economy, 2007, (9): 87-89.]

[34]
曾永. 水肥一体化技术在山地砂糖橘栽培上的应用. 广西农学报, 2020, 35(4): 17-19, 25.

[ZENG Y. The application of integrated water and fertilizer technology in the cultivation of sugar orange in hillside area. Journal of Guangxi Agriculture, 2020, 35(4): 17-19, 25.]

[35]
ROODMAN D. Fitting fully observed recursive mixed-process models with cmp. The Stata Journal: Promoting Communications on Statistics and Stata, 2011, 11(2): 159-206.

[36]
王小华, 马小珂, 何茜. 数字金融使用促进农村消费内需动力全面释放了吗?. 中国农村经济, 2022, (11): 21-39.

[WANG X H, MA X K, HE X. Does the use of digital finance promote the full release of rural consumption domestic demand power?. Chinese Rural Economy, 2022, (11): 21-39.]

[37]
刘涛, 伍骏骞. 数字金融与农户消费: 基于中国家庭金融调查数据的经验分析. 农业技术经济, 2023, (2): 111-128.

[LIU T, WU J Q. Digital finance and farmers' consumption: An empirical analysis based on the data of China Household Finance Survey. Journal of Agrotechnical Economics, 2023, (2): 111-128.]

[38]
王浩林, 王子鸣. 网络“互嵌”与农村家庭创业选择: 兼论共同富裕实现. 中国农村经济, 2022, (9): 63-81.

[WANG H L, WANG Z M. Network "inter-embeddedness" and the choice of rural family entrepreneurship: A further discussion on achieving common prosperity. Chinese Rural Economy, 2022, (9): 63-81.]

[39]
孙鹏飞, 赵凯, 周升强, 等. 风险预期、社会网络与农户宅基地退出: 基于安徽省金寨县626户农户样本. 中国土地科学, 2019, 33(4): 42-50.

[SUN P F, ZHAO K, ZHOU S Q, et al. Risk expectation, social network and farmers' behavior of rural residential land exit: Based on 626 rural households' samples in Jinzhai county, Anhui province. China Land Science, 2019, 33(4): 42-50.]

[40]
秦江城. 金融素养对农民创业决策的影响. 合肥: 安徽农业大学, 2024.

[CHEN J C. The impact of financial knowledge on farmers' entrepreneurial decision: An analysis based on credit constraints and social networks. Hefei: Anhui Agricultural University, 2024.]

[41]
王淇韬, 郭翔宇. 感知利益、社会网络与农户耕地质量保护行为: 基于河南省滑县410个粮食种植户调查数据. 中国土地科学, 2020, 34(7): 43-51.

[WANG Q T, GUO X Y. Perceived benefits, social network and farmers' behavior of cultivated land quality protection: Based on 410 grain growers' surveys in Hua county, Henan province. China Land Science, 2020, 34(7): 43-51.]

[42]
王萍. 灾害冲击、社会网络与家庭金融脆弱性. 济南: 山东大学, 2024.

[WANG P. Disaster impact, social network and family financial vulnerability. Jinan: Shandong University, 2024.]

[43]
马千惠. 现代通讯技术使用对农户质量安全生产行为影响研究: 以山东寿光蔬菜种植户为例. 杨陵: 西北农林科技大学, 2023.

[MA Q H. Study on the influence of modern communication technology on farmers' behavior of quality and safety in production: Taking vegetable growers in Shouguang, Shandong as an example. Yangling: Northwest A & F University, 2023.]

[44]
ROSZKOWSKI M J, DAVEY G. Risk perception and risk tolerance changes attributable to the 2008 economic crisis: A subtle but critical difference. Journal of Financial Service Professionals, 2010, 64(4): 42-53.

[45]
杨高第, 张露. 农业生产性服务对农户耕地质量保护行为的影响: 来自江汉平原水稻主产区的证据. 自然资源学报, 2022, 37(7): 1848-1864.

DOI

[YANG G D, ZHANG L. Impact of agricultural productive services on farmland quality protection behaviors of farmers: Evidence from the main rice-producing areas in Jianghan Plain. Journal of Natural Resources, 2022, 37(7): 1848-1864.]

[46]
黄炎忠, 罗小锋. 化肥减量替代:农户的策略选择及影响因素. 华南农业大学学报: 社会科学版, 2020, 19(1): 77-87.

[HUANG Y Z, LUO X F. Reduction and substitution of fertilizers: Farmer's technical strategy choice and influencing factors. Journal of South China Agricultural University: Social Science Edition, 2020, 19(1): 77-87.]

[47]
李家辉, 陆迁. 加入合作社对农户土地转入行为的影响. 资源科学, 2022, 44(6): 1181-1195.

DOI

[LI J H, LU Q. Influence of joining cooperatives on farmers' land transfer-in behavior. Resources Science, 2022, 44(6): 1181-1195.]

[48]
叶金珍, 王勇. 相亲结婚真的靠谱吗? 基于CFPS2014数据的研究. 南开经济研究, 2019, (1): 117-136.

[YE J Z, WANG Y. Are blind date marriages really reliable? A study based on CFPS2014. Nankai Economic Studies, 2019, (1): 117-136.]

[49]
叶宝娟, 温忠麟. 有中介的调节模型检验方法: 甄别和整合. 心理学报, 2013, 45(9): 1050-1060.

[YE B J, WEN Z L. A discussion on testing methods for mediated moderation models: Discrimination and Integration. Acta Psychologica Sinica, 2013, 45(9): 1050-1060.]

DOI

[50]
温忠麟, 叶宝娟. 中介效应分析: 方法和模型发展. 心理科学进展, 2014, 22(5): 731-745.

DOI

[WEN Z L, YE B J. Analyses of mediating effects: The development of methods and models. Advances in Psychological Science, 2014, 22(5): 731-745.]

DOI

[51]
范志雄, 王晓鸿, 曹子坚. 精准扶贫信贷对贫困农户家庭消费的影响: 基于田野调查的实证分析. 农业技术经济, 2021, (11): 46-61.

[FAN Z X, WANG X H, CAO Z J. The impact of targeted poverty alleviation credit on household consumption of poor farmers: Empirical analysis based on field investigation. Journal of Agrotechnical Economics, 2021, (11): 46-61.]

[52]
胡杰, 王宗林, 罗剑朝. 数字金融使用与农民幸福感: 基于创业中介视角的实证. 中国农业大学学报, 2023, 28(3): 250-264.

[HU J, WANG Z L, LUO J C. Use of digital finance and farmers' happiness: Empirical evidence based on an entrepreneurial intermediary perspective. Journal of China Agricultural University, 2023, 28(3): 250-264.]

[53]
胡海华. 社会网络强弱关系对农业技术扩散的影响: 从个体到系统的视角. 华中农业大学学报: 社会科学版, 2016, (5): 47-54, 144-145.

[HU H H. Impacts of strong ties and weak ties of social network on the diffusion of innovation technology: Based on an individual-to-system perspective. Journal of Huazhong Agricultural University: Social Sciences Edition, 2016, (5): 47-54, 144-145.]

[54]
李超伟, 张龙耀. 信息通信技术使用、金融交易成本与农户数字金融参与: 基于距离、密度与人情成本三重维度的考察. 南京农业大学学报: 社会科学版, 2023, 23(2): 168-177.

[LI C W, ZHANG L Y. The use of ICT, financial transaction costs and rural households' digital financial participation: An investigation based on the three dimensions of distance, density and human relationship cost. Journal of Nanjing Agricultural University: Social Sciences Edition, 2023, 23(2): 168-177.]

[55]
翁飞龙, 霍学喜. 数字金融对规模经营农户新技术采用的影响. 中国农村观察, 2024, (1): 85-107.

[WENG F L, HUO X X. The impact of digital finance on large-scale farmers' new technology adoption. China Rural Survey, 2024, (1): 85-107.]

Options
文章导航

/

〈 〉