AI技术对农业企业生产效率的影响研究

摘要

农业部门在生产方式、生产效率与发展模式上，与其他行业存在显著差异。人工智能（AI）在农业领域的应用能否对全要素生产率（TFP）产生积极影响，这一问题仍有待探究。本研究以2011—2022年中国A股农业上市公司为研究样本，考察人工智能应用对农业企业全要素生产率的影响及其作用机制。研究结果表明，人工智能是提升生产效率的“农业加速器”，能够显著提高农业企业的全要素生产率。在经过一系列稳健性检验，并采用工具变量法处理内生性问题后，该结论依然成立。从作用机制来看，人工智能通过提升创新能力、优化人力资本结构、降本增效三条路径，推动农业企业全要素生产率提升。此外，人工智能的赋能效应在主营食用农产品、规模较大、民营企业以及位于东部地区的农业企业中表现更为显著。本研究为中国及其他发展中国家的农业企业制定精准的人工智能应用方案提供了理论指导，并对农业可持续发展具有重要的政策启示。

研究背景

农业是国民经济的根基，全球人口持续增长，预计2050年将突破90亿，粮食产量需提升70%才能满足需求；同时气候变化、资源短缺、疫情等多重因素加剧了农业生产的不确定性，迫切需要新技术提升农业生产力与可持续性。人工智能作为新一轮科技革命的核心驱动力，已在工业、服务业广泛应用，并逐步渗透农业领域，能够变革传统生产方式、提高资源利用效率，成为推动智慧农业与可持续农业发展的关键。农业企业是现代农业生产的关键载体，通过精准农业、智能监测、预测分析、智能装备与管理系统等AI应用，可显著提升效率、降低成本、增强生产可控性，是农业数字化转型的重要抓手。已有文献多聚焦AI对制造业、宏观区域TFP的影响，极少针对农业企业展开专门研究；且农业生产受自然条件约束强、效率与收益特征特殊，不能直接套用工业结论，亟需针对性实证检验。在农业市场竞争激烈、产品同质化严重的背景下，明确AI能否提升农业企业TFP、通过何种机制提升，成为亟待回答的关键问题。

研究贡献

（1）将AI对全要素生产率的研究框架拓展至农业领域，弥补了现有文献主要聚焦制造业、忽视农业企业的研究空白，丰富了农业数字化与生产率理论。

（2）从创新能力、人力资本结构、降本增效三个维度，系统识别并实证检验了AI提升农业企业TFP的传导路径，清晰揭示了作用机理。

（3）从产品类型、企业规模、产权性质、地区区位展开异质性分析，得出差异化赋能结论，为中国及发展中国家农业企业制定精准AI应用方案提供实证依据与决策参考。

研究结果

1.基准回归分析

表3列示了基准回归结果。表3第（1）列为仅纳入核心解释变量人工智能（AI），同时控制企业固定效应和年份固定效应的回归结果。第（2）列在第（1）列基础上加入各类控制变量。第（3）列纳入核心解释变量AI，并控制企业固定效应与行业—年份双向固定效应。第（4）列在第（3）列基础上进一步加入控制变量。无论是否加入控制变量、采用何种固定效应形式，表3各列中核心解释变量AI的系数均在1%水平上显著为正。这表明，人工智能应用能够显著提升农业企业的全要素生产率，研究假设H1得到验证。其主要原因在于，人工智能技术推动生产流程实现自动化与智能化，提升了生产效率、产品质量与决策精准度。借助自动化、智能决策支持与技术培训，AI技术为农业企业提供全方位支撑，有效提升其生产率水平。

2.机制检验结果

本文从创新驱动、人力资本以及降本增效三个方面检验人工智能对农业全要素生产率的作用机制。表4第（1）、（2）列报告了人工智能技术应用影响农业企业全要素生产率的创新驱动机制。第（1）列显示，AI的系数在1%水平上显著为正，表明存在创新驱动的中介效应。Sobel检验结果显示P值远低于0.01，进一步证实创新驱动机制的中介效应显著存在。同时，表4第（2）列表明，创新水平显著提升农业企业全要素生产率。表4第（3）列和第（4）列展示了人工智能技术应用影响农业企业全要素生产率的人力资本机制。第（3）列显示，AI的系数在1%水平上显著为正，说明存在人力资本的中介效应。进一步的Sobel检验显示P值远低于0.01，证实该中介效应显著成立。同时，表4第（4）列表明，人力资本水平显著提升农业企业的全要素生产率。表4的第（5）列和第（6）列展示了人工智能技术应用影响农业企业全要素生产率的降本增效机制。第（5）列显示，AI的系数在5%水平上显著为负，说明存在降本增效的中介效应。进一步的Sobel检验显示P值远低于0.01，证实该中介效应显著成立。同时，表4第（6）列表明，降本增效措施能够显著提升农业企业的全要素生产率。

3.异质性分析

(1)产品类型

依据产品类型，本文将农业企业分为两个子样本：食用农产品企业与非食用农产品企业。其中，食用农产品包括酒类、饮料、食品等类别；非食用农产品包括林业、纺织、饲料等类别。表5第（1）列和第（2）列的回归结果显示，食用农产品企业的AI系数在5%水平上显著为正，而非食用农产品企业的AI系数则不显著。这表明，相较于非食用农产品企业，人工智能应用对食用农产品企业全要素生产率的提升作用更强。原因主要包括：这类企业可利用物联网技术实现产品实时监测与溯源，提升产品质量与安全性；借助大数据分析优化生产计划与供应链管理，降低库存成本、缩短生产周期；同时依托电商平台拓宽销售渠道，提高销售效率与市场覆盖率，进而减少损耗与成本，最终提升全要素生产。

（2）企业规模

企业规模是影响人工智能应用对农业企业全要素生产率作用效果的重要因素。本研究以年末总资产对数的中位数为分组标准，将样本划分为大规模农业企业和小规模农业企业，考察人工智能对不同规模企业全要素生产率的影响。表6第（1）列和第（2）列的回归结果显示，大规模农业企业的AI系数在10%水平上显著为正，而小规模农业企业的AI系数不显著。这表明，人工智能应用对大规模农业企业全要素生产率的提升作用更为显著。产生这种差异的原因在于资源投入与技术积累不同：大规模农业企业通常拥有更充裕的资源，能够投入更多资金与人力用于人工智能技术的研发、应用与推广；它们往往具备更扎实的数据基础和技术团队，能更好地运用人工智能解决生产流程优化、智能决策等农业企业面临的各类问题。此外，大规模农业企业凭借影响力与资源优势，在人工智能技术推广应用上更具优势，便于在行业内更快落地应用。因此，人工智能应用对大规模农业企业全要素生产率的提升效果更为显著。

（3）企业产权性质

除企业规模外，产权性质是影响人工智能对农业企业全要素生产率作用效果的另一重要因素。本研究将中央和地方国有农业企业归为国有农业企业，其余所有制类型归为非国有农业企业。表7第（1）列和第（2）列的回归结果显示，非国有农业企业的AI系数在1%水平上显著为正，而国有农业企业的AI系数不显著。这表明，人工智能应用对非国有农业企业全要素生产率的提升作用更为显著。产生这一差异的主要原因在于市场竞争与经营灵活性优势：非国有农业企业通常更注重市场竞争、追求利润最大化，因而更愿意投资并尝试人工智能等新技术；这类企业在资金、技术、人才配置上更为灵活，能够更快响应市场需求，更迅速地将人工智能技术应用于农业经营中。此外，非国有农业企业在管理运营上效率更高、灵活性更强，能够更好地利用人工智能优化生产流程、提升生产效率，从而显著提高全要素生产率。

（4）企业地理位置

企业地理位置也会影响人工智能提升全要素生产率的效果。本研究依据国家统计局划分的三大经济区域，按照企业注册地将样本分为东部、中部、西部三个子样本，考察人工智能应用在不同区域特征下对全要素生产率的影响。表8第（1）、（2）、（3）列回归结果显示，东部地区农业企业的AI系数在1%水平上显著为正，而中部、西部地区农业企业的AI系数均不显著。这表明，与中西部地区相比，人工智能应用对东部地区农业企业全要素生产率的提升作用更为显著。产生这一差异的原因在于资源禀赋、技术积累与市场需求的优势：东部地区经济与技术基础更为发达，更容易获得资金、人才与技术支持，更利于农业企业应用人工智能技术。同时，东部地区市场需求更加多元活跃，推动农业企业更积极地采用新技术以提升竞争力。相比之下，中西部地区农业企业面临资源匮乏、技术滞后、市场竞争不足等问题，导致人工智能应用对全要素生产率的提升效果相对较弱。

4.稳健性检验

第一，替换被解释变量。本研究采用Ackerberg-Caves-Frazer（ACF）修正方法重新测算农业企业的全要素生产率（TFP），并将其作为模型（2）的被解释变量。回归结果如表9所示，核心解释变量AI的系数仍在1%的显著性水平下显著为正，表明研究结论具有稳健性。

第二，替换核心解释变量。上市公司年报中的 “管理层讨论与分析（MD&A）” 部分是学者研究的重点，该部分会直接或间接提及企业人工智能技术的应用情况。基于此，本研究进一步使用上市公司年报 MD&A 部分中人工智能相关关键词数量加 1 的自然对数（MD&A）作为模型（2）的核心解释变量，再次进行回归分析。表 10 的结果显示，核心解释变量 AI（MD&A）的回归系数在 1% 的水平下显著为正，说明研究结论依然稳健。

第三，改变样本周期。自2015年起，中国数字经济进入快速发展阶段。因此，本研究将样本区间进一步缩小为2015–2022年。表11第（1）列展示了回归结果，结果显示AI的系数在1%的显著性水平下显著为正，与此前的估计结果一致。这表明在剔除异常年份后，人工智能的应用依然显著提升了农业企业的全要素生产率，支持了研究假设H1，说明实证结果可靠。

第四，剔除异常城市样本。本研究剔除了北京、上海、天津、重庆4个直辖市及27个省会城市的样本，以减少特殊城市对估计结果的干扰。表11第（2）列报告了剔除这些异常城市样本后的回归结果。结果显示，核心解释变量AI的系数仍在1%的显著性水平下显著为正，与之前的估计结果保持一致。这表明，在中国不同地区，人工智能均能提升农业企业的全要素生产率，再次验证了结果的稳健性。

第五，倾向得分匹配（PSM）法。农业企业引入人工智能并非随机行为，会受到企业内部特征（如技术水平、人力资本）以及外部因素（如政策支持）的影响。因此，实证分析可能面临样本自选择偏差问题。为缓解该偏差对研究结论的干扰，本研究采用倾向得分匹配（PSM）方法进行进一步分析。以未使用人工智能技术的农业企业为控制组，使用人工智能技术的农业企业为处理组，选取一系列控制变量作为协变量，通过PSM方法筛选研究样本；随后利用筛选后的样本进行回归分析，结果如表11第（3）列所示。结果显示，核心解释变量AI的系数仍在1%的显著性水平下显著为正，与此前的估计结果一致，表明本研究的结论依然稳健。

第六， 为解决模型中潜在的内生性问题，本研究采用工具变量（IV）法进行内生性检验。在工具变量的选择上，本研究选取核心解释变量的一阶、二阶滞后项，以及各城市1984年末电话保有量对数与滞后一期全国互联网普及率的交互项。选择该交互项的理由如下：各城市1984年末的电话保有量与当地农业企业的发展变迁相关，而全国互联网普及率则与时间趋势相关；同时，中国互联网的发展在一定程度上以电话的普及为基础，因此历史上电话普及率较高的地区，后续互联网普及率往往也更高，进而与当地农业企业的人工智能应用水平相关联。表12的结果显示，在第一阶段回归中，所选工具变量的系数均在1%的水平下显著为正，且F检验统计量远大于10的临界值，表明工具变量满足外生性要求且有效，不存在弱工具变量问题。进一步地，第二阶段回归结果表明，核心解释变量AI的系数仍在1%的水平下显著为正。这意味着，在处理内生性问题后，人工智能应用水平对农业企业全要素生产率仍具有显著的正向影响。

研究结论

1.研究结论

本研究以2011—2022年A股农业企业为研究对象，旨在深入探究人工智能应用对全要素生产率的促进作用、内在作用机制及效果差异。结果表明，人工智能的应用显著提升了农业企业的全要素生产率水平。在进行一系列稳健性检验后，该结论依然成立，包括替换被解释变量、更换核心解释变量、剔除异常年份与城市样本、采用倾向得分匹配法，以及运用工具变量法处理内生性问题。上述稳健性检验保障了研究结果的可靠性。作用机制检验结果显示，人工智能通过创新驱动、人力资本优化、降本增效三大机制提升全要素生产率。同时，异质性分析表明，人工智能应用对全要素生产率的提升效应，在食用农产品类农业企业、大规模企业、民营企业以及东部地区企业中表现得尤为突出。

2.政策建议

基于上述研究结果，本文提出以下政策建议：

第一，加大对农业企业人工智能技术应用的政策支持力度。研究表明，人工智能可显著提升全要素生产率，这一效应在食用农产品企业、大规模企业、民营企业及东部地区企业中尤为突出。因此，政府应对这类企业给予更多财政补贴与技术支持，设立专项资金或税收优惠，鼓励人工智能技术的研发与应用。同时，加强技术培训与信息共享，重点面向中小企业与欠发达地区，缩小技术应用的资源与能力差距，推动区域均衡发展。

第二，优化人力资源配置。人工智能技术的有效落地需要高素质技能型劳动力。政府应通过教育与培训提升农民及农业从业者的技术水平，优化农业企业人力资本结构；建设农业技术培训中心，提供持续性技能提升课程，保障人工智能技术有效落地。此外，鼓励高校、科研机构与农业企业开展合作，培养更多适应智慧农业发展需求的专业人才。

第三，推动全产业链协同发展。人工智能技术可优化资源配置与管理流程，实现农产品全生命周期精细化管理。政府应推动农业大数据平台建设，整合生产、加工、物流、销售各环节数据资源，提升供应链沟通效率，降低生产与管理成本。通过政策引导与支持，鼓励农业企业参与农业大数据平台建设运营，实现数据共享与协同发展，提升农业全产业链竞争力。

第四，推进农业共享经济发展。农业共享经济尚处于起步阶段，而人工智能技术为其发展提供了新可能。政府应支持农业企业探索技术、设备、服务共享模式，提升资源利用效率；搭建农业设备共享平台，提供租赁与共享服务，降低中小企业设备购置与维护成本，缓解资金压力，提高生产资料配置效率。同时，推广成功案例与最佳实践，引导更多企业采用共享经济模式，推动农业生产现代化与可持续发展。

南京林业大学

数字林业与绿色发展研究院

服务国家绿色发展战略需求，聚焦数字林业经济、数字生态经济、数字环境经济、数字绿色治理、智慧感知林草技术研发应用等五个主要研究方向，为实现全球绿色和可持续发展目标做出积极贡献。让我们一起加油！

初审：汤 灿