，沈凯月

（西安邮电大学 经济与管理学院，陕西 西安 710061）

一、引 言

“粮安天下，农稳社稷。”保障粮食安全是促进经济发展、实现社会稳定的重要前提。耕地作为粮食生产的基本保障，其种植结构变化将直接对国家粮食安全产生深刻影响［1］。然而，近年来我国耕地种植结构呈现“非粮化”趋势，具体表现为粮食作物播种面积占农作物播种面积的比例下降，由2015年的71.31%逐渐下降到2020年的69.72%，并且2020年的粮食作物播种面积也较2015年减少了2.2万公顷（1）。种植结构的“非粮化”趋势将会导致我国粮食供应短缺严重，从而危害国家粮食安全［1］。为了实现种植结构“趋粮化”发展，国务院办公厅于2020 年11 月印发了《国务院办公厅关于防止耕地“非粮化”稳定粮食生产的意见》（国办发〔2020〕44号），2021年中央一号文件再次提出要防止耕地“非粮化”。在此基础上，2022 年中央一号文件进一步强调要稳定粮食播种面积和产量。由此可知，如何促进耕地种植结构“趋粮化”已经成为社会各界关注的焦点问题。

近年来，学者们对耕地种植结构变迁的影响因素展开了丰富的研究，主要包括以下四个方面：其一，劳动力影响耕地种植结构变迁。学者们普遍认为，农村劳动力的非农转移会使农民更倾向于种植粮食作物［2-8］。然而，孟菲等学者却认为，劳动力非农转移能够扩大经济作物的种植面积［9］；黄玛兰和李晓云从劳动力价格角度出发，研究发现工资上涨更有利于增加蔬菜等经济作物的种植面积，而不利于粮棉作物种植比例的增加［5］。其二，资本影响耕地种植结构变迁。学者们的观点包括：机械化投入水平提高有利于扩大粮食生产面积［2，10-14］；而农业机械化服务价格上涨则会鼓励经济作物生产［15］。另外，叶初升和马玉婷研究发现，农民的人力资本水平越高，农民越有可能种植经济作物［16］；刘余和周应恒则认为，农业固定资产投资对“非粮化”趋势存在抵挡作用［17］。其三，土地影响耕地种植结构变迁。有学者认为，农地转入提高了水稻等粮食作物的种植比例［18］；也有学者持相反观点，他们认为农地转入显著促进了种植结构的“非粮化”调整［19］。对于土地流转费用，王善高和雷昊研究发现，当费用上涨时，转入户会基于利润目标采取相应的生产策略，增加经济作物种植比例［20］。其四，补贴政策影响耕地种植结构变迁。江生忠等认为，农业保险财政补贴政策能够显著持续增加水稻和小麦的种植面积［21］；Jayne等研究发现，获得粮食补贴的家庭至少在短期内可以提高粮食产量和生产水平［22］；与Jayne等学者的观点一致，Wang等学者同样认为农业补贴政策可以有效地促进种植结构“趋粮化”发展［23-25］。

随着数字乡村战略深入实施，加快科技创新、推动农业数字化转型逐渐成为保障粮食安全的重要支撑。其中，农村地区数字基础设施是对信息基础设施和传统基础设施的数字化改造，是数字乡村建设的基础性工程［26］。在此背景下，我国更加重视农村地区数字基础设施建设。2013 年，国务院发布了《国务院关于印发“宽带中国”战略及实施方案的通知》（国发〔2013〕31号），此后农村互联网普及率由2013 年的27.5%增长到2021 年的57.6%（2）；另外，随着信息进村入户工程的展开，截至2021年底，我国已建成46.7万个益农信息社，农业信息服务体系更加完善［27］。目前，学术界通常将农村地区数字基础设施作为数字乡村体系的一部分进行研究。郝爱民和谭家银通过构建数字乡村评价体系，研究发现数字乡村建设有助于提升粮食体系韧性［28］；刘灵辉等实证发现，数字乡村建设对乡村振兴具有显著促进作用［26］。在理论研究方面，刘元胜认为，加强数字基础设施建设是农业数字化转型亟待解决的问题之一［27］；与刘元胜观点一致，黄卓和王萍萍也认为我国数字农业的发展需要数字基础设施的保障，因此要完善数字基础设施的建设［29］。

基于上述分析，本文选取2011—2020 年我国31个省份（不包括港澳台地区）的面板数据作为研究样本，探讨农村地区数字基础设施对种植结构的影响。相较于已有研究，本文的边际贡献在于：第一，本文以农村地区数字基础设施为切入点，为探讨种植结构的影响因素贡献了新视角；同时，为更详细地研究两者之间的关系，本文根据数字基础设施的用途将其划分为数字生产基础设施和数字生活基础设施。第二，本文研究了数字生产基础设施对种植结构的影响，并验证了两者之间存在非线性关系。第三，本文在分析数字生产基础设施对种植结构影响的基础上，进一步考察了数字生活基础设施在两者之间的调节效应以及人力资本的异质性作用。

二、理论分析与研究假说

为了保障国家粮食安全，我国政府提出了“藏粮于地，藏粮于技”这一战略，并在此战略的引领下出台了稳定种粮农民补贴、完善粮食最低收购价等政策。但是，由于粮食具有“准公共物品”的属性［19］，导致各项粮食政策无法有效地对农民生产行为进行干预。另外，由新古典经济学中的厂商理论可知，生产者是始终追求自身利益最大化的理性经济人。因此，面对市场价格变化，农民不会始终种植收益较低的粮食作物，而是会根据自身禀赋调整粮食作物和经济作物的种植比例，实现收益最大化。随着数字乡村战略的深入实施，数字生产基础设施逐渐用于农业生产之中。因此，数字生产基础设施投入水平的高低一定程度上影响着耕地的种植结构，并且两者间可能存在非线性关系。

本文将数字生产基础设施定义为农村地区可用于农业生产的数字基础设施。由已有研究可知，数字基础设施具有前期投入高、风险不确定性等特征［30-31］。在数字生产基础设施投入初期，农民无法熟练掌握数字生产基础设施的使用方法，因此为高效使用数字生产基础设施，农民会投入大量的人力资本。并且作为一种新型的农业生产工具，数字生产基础设施在使用过程中自身也会产生一定的成本［32］。因此，在理性经济人假设和成本压力的双重作用下，农民更倾向于追求高收益。另外，在投入初期，考虑数字生产基础设施的风险不确定性，农民会选择种植收益周期较短的农作物。与粮食作物相比，经济作物具有经济效益高、种植周期短等特点，因此在数字生产基础设施投入初期，为了抵消其种植成本，农民会为经济作物配置更多的生产要素。

随着数字生产基础设施投入程度的加深，农民逐渐能够熟练地掌握数字农业生产技术。数字生产基础设施能够对劳动力要素形成替代效应，从而有效改善农业规模化生产过程中劳动力资源不足的困境，促进土地、技术和劳动力要素的合理配置，降低农业生产成本，提高土地利用率和生产率，实现规模效益。与劳动密集型的经济作物相比，土地密集型的粮食作物更适宜机械化水平高的大规模生产条件［8］。这是因为生产经济作物需要使用更复杂的技术，而目前用于生产经济作物的机械装备还不够成熟，从而导致经济作物在农业生产各个环节中机械化应用水平均较低。因此，随着数字生产基础设施投入水平的提高，为了实现利益最大化，农民会选择种植粮食作物，实现规模化生产。

基于上述分析，本文提出假说1。

H1：数字生产基础设施与种植结构之间存在非线性关系。

本文将数字生活基础设施定义为农民在日常生活中易接触和使用的数字基础设施。数字生活基础设施主要从四个方面影响种植结构：首先，在数字生活基础设施的支持下，农民更易接触互联网金融等新型融资方式，从而简化贷款手续、降低贷款成本［33］。在获得资金支持后，农民通常会选择种植高投入、高回报的经济作物来弥补贷款成本。其次，通过使用数字生活基础设施能够减少价格投机行为，显著降低生产资料采购成本和农产品销售成本，并且与粮食作物相比，更有利于降低经济作物生产成本，促进种植结构“非粮化”。再次，农民通过使用数字生活基础设施能够提高信息获取能力［34］，从而及时、准确地了解当前的粮食补贴政策。在粮食补贴政策的指引下，农民种粮积极性得到提高，从而促进种植结构“趋粮化”［35］。最后，数字生活基础设施的使用会促使农村劳动力向非农行业转移［36］，而劳动力的非农转移则会使农民选择种植易于机械化生产的粮食作物，增加粮食作物的种植比例［7］。

数字生活基础设施能够强化数字生产基础设施与种植结构之间的非线性关系，表现为数字生活基础设施投入程度越高，数字生产基础设施与种植结构之间的非线性关系越陡峭。一方面，在数字生产基础设施投入初期，农民更倾向于种植经济作物。此时，数字生活基础设施的投入能够帮助农民在短时间内学会数字生产基础设施的操作方法，从而促使农民加大对数字生产基础设施的投入，使得农业生产成本增加。考虑成本问题，农民通常会选择种植收益高的经济作物，由此强化了数字生产基础设施对种植结构“趋粮化”的负面影响。另一方面，随着数字生产基础设施投入程度的提高，农民逐渐倾向于种植粮食作物。此时，数字生活基础设施能够帮助农民远程监控农业生产过程，更利于形成规模化生产。在规模化生产条件下，种植粮食作物能够获得更高的收益，因此有助于强化数字生产基础设施对种植结构“趋粮化”的正向影响。

基于上述分析，本文提出假说2。

H2：数字生活基础设施在数字生产基础设施与种植结构两者关系中存在正向调节效应。

三、研究设计

（一）模型设定

根据上文的理论分析，本文以种植结构为被解释变量，以数字生产基础设施为核心解释变量，采用双向固定效应模型进行估计，并在模型中加入数字生产基础设施的平方项，以验证数字生产基础设施与种植结构间是否存在非线性关系。模型设定如下：

为了考察数字生活基础设施的调节作用，本文在式（1）的基础上依次加入数字生活基础设施、数字生活基础设施与数字生产基础设施的交互项。模型设定如下：

式（1）-（3）中，PSi,t为本文的被解释变量，表示种植结构；DPIi,t为本文的核心解释变量，表示数字生产基础设施，其二次项为DPI2i,t；Controlsi,t为本文的控制变量，包括土地质量水平等变量；DLIi,t为本文的调节变量，表示数字生活基础设施；γt表示时间固定效应；μi表示地区固定效应；εi,t表示随机误差项。

（二）变量说明

1.被解释变量

本文被解释变量为种植结构（PS）。借鉴何蒲明［37］的研究，采用粮食作物播种面积与农作物播种面积的比值来表示种植结构，直接动态地反映种植结构“趋粮化”或“非粮化”的过程。

2.核心解释变量

本文核心解释变量为数字生产基础设施（DPI）。数字生产基础设施是指能够支持数字农业发展的通信设备、智慧物流等基础设施，是加快农业数字化转型的重要支撑［38］。我国农村地区数字生产基础设施目前处于起步阶段，测算存在困难，因此本文运用熵值法从农村用电量、农业气象观测站个数、农村物流建设水平和长途光缆线路建设水平四个方面对数字生产基础设施进行测度，具体评价指标体系见表1所列。农村电力的平稳运行为数字生产基础设施的发展奠定了基础，因此本文借鉴张鸿等［39］、张志坚和尹佑松［40］的方法，选择各省份农村用电量作为农村电力发展水平的代表变量；农业气象观测站为及时获取气候信息提供了科学依据，是数字生产基础设施的信息基础，本文参考朱红根和陈晖［41］、孙淑惠等［42］学者的方法将其作为数字生产基础设施的衡量指标；农村物流作为数字生产基础设施平稳运行的重要保障，不仅关系到农产品对外流通，还影响着农业生产资料的供给，因此本文参考伍国勇等［43］的做法，将其列入数字生产基础设施的指标体系；数字生产基础设施通过良好的信息通信设施实现农业高效生产，本文借鉴张志新等［44］的方法，选择各省份长途光缆线路长度与省域面积的比值对信息通信设施发展水平进行度量。

表1 数字生产基础设施评价指标体系

3.调节变量

本文调节变量为数字生活基础设施（DLI）。考虑互联网是农民在生活中最易接触和使用的数字技术，因此本文借鉴祝志勇和刘畅畅［45］、田红宇和王嫒名［46］的研究，选取农村宽带接入用户数的对数作为数字生活基础设施的替代变量。

4.控制变量

考虑除数字生产基础设施以外其他因素对种植结构的影响，本文借鉴朱满德等[13]、薛选登和谷秀云[47]的研究，选取以下控制变量：①土地质量（LQ），由化肥使用量与农作物播种面积的比值来表示；②受灾率（DR），由受灾面积与农作物播种面积的比值来表示；③从业人数（NE），由第一产业从业人数的对数值表示；④农民收入结构（IS），由经营净收入与农村居民家庭人均可支配收入的比值表示。

（三）数据来源

本文选取2011—2020 年我国31 个省份（不包括港澳台地区）的面板数据作为研究样本，所有变量的原始数据均来自《中国统计年鉴》《中国农村统计年鉴》及各省份统计年鉴。对于部分缺失数据，采用拉格朗日插值法补全。各变量的描述性统计见表2所列。

表2 变量描述性统计

四、基准回归与稳健性检验

（一）基准回归分析

为了探究数字生产基础设施对种植结构的影响，本文基于2011—2020 年我国31 个省份的面板数据，选择双向固定效应模型进行回归，回归结果见表3 所列。表3 中模型（1）为仅考虑数字生产基础设施作为解释变量的回归结果，由估计结果可知，数字生产基础设施对种植结构有负向影响，且在10%的统计水平上显著，即数字生产基础设施水平越高，粮食作物种植比例会越低，农民越倾向于种植经济作物。表3 中模型（2）为加入土地质量、受灾率、从业人数以及农民收入结构4 个控制变量后的回归结果，可以看出，数字生产基础设施的估计系数依然为负，并且在5%的统计水平上显著，说明回归结果是稳健的。以上结果表明，数字生产基础设施在短期内显著促进了经济作物种植规模的扩大，即农民为了弥补短期内使用数字生产基础设施所带来的成本，而选择种植生产周期短、收益高的经济作物。

表3 基准回归分析

在控制变量中，土地质量在1%的统计水平上显著负向影响种植结构，即土地质量越高，农民种植经济作物的比例越高；而受灾率在1%的统计水平上显著正向影响种植结构，即土地的受灾程度越高，农民越倾向于种植粮食作物，这可能是因为与粮食作物相比，经济作物对于生长条件的要求更高并且收益也较高，因此在土地质量越高、受灾程度越低的情况下，种植经济作物给农民带来的收益较大；控制变量中的从业人数和农民收入结构则对种植结构影响不显著。

表3 中模型（3）在模型（2）的基础上加入了数字生产基础设施的平方项，结果显示数字生产基础设施与种植结构呈“U”型关系。这表明当数字生产基础设施投入水平小于拐点时，投入水平越高，经济作物的种植比例越高；而当投入水平超过拐点时，随着数字生产基础设施投入水平的提高，粮食作物的种植比例会随之增加，即“趋粮化”发展。经计算，数字生产基础设施与种植结构曲线的拐点为0.843，超过了目前数字生产基础设施水平。因此，为充分发挥数字生产基础设施对种植结构“趋粮化”的促进作用，还应继续提高数字生产基础设施的投入水平。根据上述分析结果，H1得以验证。

（二）稳健性检验

为了检验基准回归结果的稳健性，本文采用补充变量法、改变样本容量法、工具变量法和改变估计方法四种方法来考察数字生产基础设施对种植结构的影响。

首先，表4 模型（1）、模型（2）分别为加入控制变量机械化水平和财政支农后的回归结果。由回归结果可知，数字生产基础设施与种植结构之间依然存在“U”型曲线关系，并且控制变量的符号也与基准回归一致，说明结果较稳健。

表4 稳健性检验1

其次，模型（3）和模型（4）为对样本数据进行了上下1%缩尾处理的结果，可以看出，数字生产基础设施及其二次项系数显著且符号不变，结果依然稳健。

再次，本文使用工具变量法处理由反向因果、遗漏变量等因素引起的内生性问题。借鉴黄永春等［48］的方法，采用各省份1984 年的邮局数量作为数字生产基础设施的工具变量。一方面，历史上各省份的邮局数量能够反映各地传统通信基础设施的发展水平，而通信基础设施的建设情况会影响后续阶段各省份数字技术的发展进程，进而对农村地区数字生产基础设施的发展产生影响［49］；另一方面，历史上各省份邮局数量难以直接影响耕地种植结构，满足排他性。同时，考虑该工具变量属于截面数据，无法直接用于面板数据进行计量分析，因此借鉴Nunn 和Qian［50］、赵涛等［49］的做法，构建各省份上一年互联网宽带接入用户数与各省份1984 年邮局数量的交互项及其平方项，作为该年度各省份数字生产基础设施及数字生产基础设施平方项的工具变量。由表5 模型（1）可知，在处理内生性问题后，数字生产基础设施与种植结构之间仍存在“U”型曲线关系，表明基准回归结果稳健。

表5 稳健性检验2

最后，本文改变估计方法，使用差分GMM方法对基准模型进行稳健性检验，结果见表5 所列。表5 模型（2）和模型（3）中数字生产基础设施及其二次项系数显著且符号不变，说明检验结果稳健。另外，模型（2）和模型（3）中的AR（1）检验P值皆小于0.01，说明模型存在一阶自相关；模型（2）和模型（3）中的AR（2）检验P值和Hansen Test 值皆大于0.1，说明模型不存在二阶自相关与工具变量的过度识别问题。

五、调节效应与异质性分析

（一）数字生活基础设施的调节效应分析

表6 为数字生活基础设施的调节效应回归结果。由表6 模型（1）可知，数字生活基础设施对种植结构影响不显著；表6中模型（2）的结果显示，数字生产基础设施与数字生活基础设施的交互项在5%的统计水平上显著负向影响种植结构，数字生产基础设施平方项与数字生活基础设施交互项系数则在10%的统计水平上显著，且回归系数为正。由此可知，数字生活基础设施在数字生产基础设施与种植结构的关系中存在调节作用，H2得以验证。本文借鉴Haans等［51］的检验方法，进一步明晰数字生活基础设施的调节作用。拐点平移判别式β1β4-β2β3=-0.294（<0），表明拐点随着数字生活基础设施投入的增加而逐渐左移，拐点提前出现；另外，数字生产基础设施的平方项与数字生活基础设施交互项系数在10%的显著性水平上为正，表明数字生活基础设施的调节作用使得“U”型曲线关系变得更陡峭。如图1所示，不论数字生活基础设施投入水平的高低，数字生产基础设施与种植结构之间始终呈“U”型关系，并且随着数字生活基础设施投入水平的提升，“U”型曲线陡峭程度提高。这表明在数字生产基础设施投入初期，数字生活基础设施增强了数字生产基础设施与种植结构“趋粮化”的负向关系，使种植结构更快地向着“非粮化”发展；在达到拐点后，数字生活基础设施又增强了数字生产基础设施与种植结构“趋粮化”的正向关系，即促使粮食作物种植比例快速增加。可能的原因是，数字生活基础设施在数字生产基础设施投入过程中起着辅助作用，一方面，通过数字生活基础设施可以帮助农民获取与数字生产基础设施有关的信息，如使用方式、最新产品等；另一方面，数字生活基础设施也能够远程监管和控制数字生产基础设施的使用。由此可知，数字生活基础设施在数字生产基础设施与种植结构“趋粮化”的关系中存在正向调节效应。

图1 数字生产基础设施与种植结构关系

表6 数字生活基础设施的调节效应

（二）异质性分析

舒尔茨认为，对农民进行人力资本投资是对传统农业进行改造的关键措施之一［52］。农民的人力资本水平直接影响农民对农村数字基础设施的使用程度，进而对农作物种植结构产生影响。考虑农民人力资本水平明显的地区差异及其对数字基础设施使用程度的影响，本文借鉴叶初升和马玉婷［16］的做法，用农村居民平均受教育年限来表示人力资本水平。因此，本文以农民人力资本水平为依据，将31个省份划分为人力资本水平较高的地区和人力资本水平较低的地区。农民人力资本水平的高低，影响着数字生产基础设施对种植结构的作用。在农民人力资本水平较高的地区，一方面，农村数字基础设施的建设水平较高；另一方面，该地区的农民通常具有对数字技术使用的强烈需求，并且农民也更愿意将数字技术应用到农业生产中。由表7可知，在农民人力资本水平较高的地区，数字生产基础设施对种植结构的影响显著，并且两者之间呈“U”型曲线关系。而在农民人力资本水平较低的地区，数字生产基础设施与种植结构之间的关系不显著。该结果表明，农民的人力资本水平一定程度上影响数字生产基础设施与种植结构的关系。

表7 异质性分析：基于人力资本水平划分

六、结论与启示

本文基于2011—2020年我国31个省份的面板数据，利用双向固定效应模型实证分析了数字生产基础设施对种植结构的影响，以及数字生活基础设施在数字生产基础设施与种植结构关系中的调节效应，得出以下结论：第一，数字生产基础设施会对种植结构产生影响，并且两者间存在显著的“U”型曲线关系。增加控制变量、缩尾处理、采用工具变量法和改变估计方法后，结果仍然稳健。当数字生产基础设施投入水平小于拐点时，随着投入水平的提高，农民会增加经济作物的种植比例，促进种植结构“非粮化”；当超过拐点后，投入水平提高，农民会增加粮食作物的种植比例，促进种植结构“趋粮化”。第二，数字生活基础设施在数字生产基础设施与种植结构的“U”型关系中存在正向调节效应。第三，在人力资本水平较高的地区，数字生产基础设施与种植结构之间的“U”型关系仍显著；但是在人力资本水平较低的地区，两者之间的关系不显著。

基于上述研究结论，本文得到如下启示：第一，重视数字生产基础设施在促进耕地种植结构“趋粮化”中的重要作用。现阶段，我国农村地区数字生产基础设施的建设水平不高，农民对于数字生产基础设施的使用程度也较低，导致我国农业生产还未迎来数字生产基础设施促进种植结构“趋粮化”的拐点。鉴于此，在数字乡村战略的引领下，应加快农村地区数字生产基础设施建设，并为农民开展有关数字生产基础设施使用方法的培训，提高数字生产基础设施在农业生产中的投入水平，发挥其在保障粮食安全中的积极作用。第二，应重点关注数字生活基础设施在数字生产基础设施与种植结构“趋粮化”关系中的正向调节作用。一方面，进一步提高数字生活基础设施在农村地区的覆盖范围，让更多的农民有使用的机会；另一方面，鼓励农民将数字生活基础设施应用到粮食生产中，帮助农民利用数字生活基础设施及时地获取粮食价格和粮食补贴政策等信息，从而降低粮食生产成本，提高粮食作物种植面积。第三，大力培育农业数字化人才，为数字基础设施促进种植结构“趋粮化”提供人才支撑。一方面，政府可与科研机构展开合作，重点培养农业数字化专业人才，为农村地区新型数字生产基础设施的研发做好充足的人才储备；另一方面，定期为农民开展农业数字化指导和培训，从而增加农民使用数字生产基础设施的知识储备。

注 释：

（1）数据来源于《中国农村统计年鉴》（2016年和2021年）。

（2）数据来源于第33次《中国互联网络发展状况统计报告》（2014 年）和第49 次《中国互联网络发展状况统计报告》（2022年）。