1. 引言
在迎来乡村振兴战略建设的第六年之际，国务院发布了乡村振兴重点工作的相关文件，意见中提出了金融服务在实施乡村振兴战略中的重要作用。传统的农业生产模式难以支持新农业发展，因此在融合数字技术的基础上，从金融服务资源覆盖、农业信贷风险转移、农村信用体系建设等方面入手，建立新农村产业模式就十分重要。我国供应链金融市场规模自2021年以来就获得了巨大的突破，供应链金融的应用与发展已经不再是简单的将产业链与融资进行组合了，而是“数字化 + 供应链 + 金融服务”的高度融合。2017年，乡村产业的结构性改革首次被党中央提出，而农业产业结构改革需要以完善的金融支持为前提，作为一种为解决农业产业融资难、融资贵而从工业领域的供应链金融衍生出的新思路，农业供应链金融被提出。
数字普惠金融就是在原有的金融服务模式中穿插了数字化技术，基于数字技术突破农业供应链金融中存在的信用不足、农业担保品不足等问题，增强风险控制能力，提高农业供应链金融的服务能力，加固数字农业供应链的业务链条，增强供应链上各个部分的信任度，引导金融资源和闲置资金流向具有发展潜力的企业。这打破了以往农业供应链金融服务顺周期偏好、短周期性和风险审慎性评价的约束。利用数字普惠金融这种创新型的金融服务的优势和特点，解决农业供应链金融发展中信用与金融支持不足的问题，并在此基础上搭建更加快速、高效和准确的数字农业供应链金融体系，切实解决数字农业发展瓶颈并提供一个可行的乡村振兴战略实施路径。
本文围绕数字普惠金融服务如何解决农业供应链金融发展中存在的各项痛点问题，针对数字普惠金融发展水平变化，以及其变化对农业供应链金融可能造成的影响和可能存在的原因，验证数字普惠金融对数字农业供应链金融的促进作用，综合来说有以下两个方面的贡献：
(1) 理论意义：本文提出在数字经济时代，融合数字技术后的普惠金融对农业供应链金融的信任度进行加固，构建起更加适应现代农村产业发展的数字农业供应链金融服务链条，实现金融资源支持与产业发展相向而行。通过相对系统的实证分析对比，以期能为数字普惠金融与数字农业供应链金融相关理论体系的发展提供有价值的参考。
(2) 实践意义：本文通过对在农业供应链金融发展过程中数字普惠金融发挥着怎样的作用的研究，证明数字普惠金融在一定程度上解决了农业供应链金融服务发展过程中出现的融资问题，加速了数字农业在我国的发展，具有一定的实践意义。
2. 文献综述
2.1. 数字普惠金融
数字普惠金融(Digital Financial Inclusion, DFI)，即数字化的普惠金融，在2016的G20峰会上提出，其内涵为可以通过融合数字化解决的金融问题并因此促进普惠金融发展的行为。
对现有文献进行梳理发现，现阶段国内外的学者对数字普惠金融在经济生活中发挥的作用与传统的普惠金融是有重叠的，就重叠部分而言主要存在以下观点，数字普惠金融进程能够切实影响经济发展[1] [2]，数字普惠金融能够影响宏观经济发展[3] [4]，数字普惠金融具有减贫效应[5] [6]，数字普惠金融可以通过提高收入来缩小城乡差距[7] [8]，数字普惠金融能够有效提高农民的收入，以此来缩小城乡收入差距[9] [10]。与传统普惠金融相比，数字普惠金融具有一些更加强大的功能，数字普惠金融可以利用数字技术扩大信息化程度，实现覆盖更广的服务领域[11]，同时，在风险评估、风险定价、服务综合性等方面对传统的普惠金融进行了拓展和创新[12]。数字普惠金融能够促进技术发展、资源有效分配和企业的融资等微观层面的应用[10] [13]。
2.2. 数字农业供应链金融
根据Miller等的观点，农业供应链金融被认为是一种建立在农业生产链条上的，为了给链条主体提供资金融通而进行的一种金融服务[14]；汪雯羽则认为农业供应链金融是一种贯穿农业生产全过程、形成信息流的新型融资模式[15]。农业供应链金融融资模式具有加速传统农业向现代农业模式转化的功能，同时还促进了中小农业企业的发展[16]。数字农业供应链金融模式与相比于传统农业供应链金融，融合了更多的创新化数字化技术，可以建立更有利于农村产业发展的生产信息平台，有效弥补传统农村金融服务中风险高、缺口大、低效率等问题[17]。
Zhao等学者在研究中就提出，大数据强大的采集和分析能力能够发挥对供应链金融的预测性，能够帮助金融服务供给侧更加深入和全面的了解客户信息[18]。胡尧、吴庆跃就梳理了供应链金融数字化的发展趋势，提出应对供应链金融的数字化，存在两面性，金融服务主体需要把握发展的机遇[19]。
2.3. 文献评述
通过上述文献分析可以知，数字普惠金融在宏观层面与微观层面都能够发挥促进经济增长的作用，基于微观层面，在数字普惠金融的支持下，数字农业供应链金融在一定程度上解决我国农村产业发展中的融资难、融资贵的问题，促进各农村产业协调发展和高质量发展，但仍缺乏探究数字普惠金融对农业供应链金融有何具休影响，是如何促进数字农业供应链金融的发展的深入研究。本文主要围绕数字普惠金融对数字农业供应链金融的支持，关注数字普惠金融发展水平对农业供应链金融产生的支持效应。定位2011年至2021年的数据，验证数字普惠金融是否对农业供应链金融具有促进作用，同时具有什么样的特点，并按照地区进行异质性分析。
3. 数字普惠金融对农业供应链金融支持的实证分析
3.1. 研究假设
根据现有研究，本文就数字普惠金融发展水平对数字农业供应链金融水平的影响做出以下研究假设：
假设I，数字普惠金融可以提高数字农业供应链金融水平。
假设II，数字普惠金融对数字农业供应链金融的支持水平存在地区差异。
3.2. 实证模型设定
查阅相关实证方面的文献发现，现有的文献中对供应链金融水平的计量主要包括两种主要的模式，Fazzari、Hubbard和Petersen [20]提出了以投资–现金流敏感性衡量企业融资约束的方法，这种模型依靠融资的约束性不能够完全解释，因此之后的学者提出了另外一种模型，即现金–现金流敏感性模型，由Almeida、Campel和WEisbach [21]提出，这一模型指出，当企业面临资金缺口时会更倾向于优先从内部融资，利用企业自身的现金流来作为备用现金储备，因此缺少融资供给的中小企业会表现为现金–现金流敏感。
就国内情况而言，近来国内学者大多都沿用了现金–现金流敏感模型，姚王信、夏娟和孙婷婷以我国的中小型上市科技企业为研究样本，基于现金–现金流敏感模型，证明了供应链金融对融资约束问题可以产生一定的缓解作用[22]；朱秋华、杨毅和杨婷以我国创业板上市公司作为样本数据同样证明了该结论[23]。
本文沿用现金–现金流敏感模型，选用面板数据，在确定回归模型的基础上进行回归分析，考虑在实际的实证过程中存在个体差异、时间因素以及一些其他的因素可能对结果产生影响，选用固定效应模型进行分析。
3.3. 样本选取与数据说明
对本文相关研究所用数据选取做出如下筛选与解释：(1) 样本数据的面板数据为沪深京主板下申万2021年行业分类中的农、林、渔、牧板块的上市企业的年度经营数据；(2) 解释变量为数字普惠金融指数；(3) 剔除存在数据缺失的样本；(4) 剔除ST企业；(5) 农业企业经营数据均来自于CSMAR数据库，货币市场数据源自于中国人民银行年度统计。
3.4. 体系构建与变量说明
经过Hausman检验，本文采用固定效应模型分析数字普惠金融对农业供应链金融的影响，基于上文分析搭建了基础模型如公式(1)所示：
(1)
在模型(1)中，SCF为供应链金融指数，D-Finance为数字普惠金融指数(缩写为DF)，X表示控制变量，βi表示研究对象的个体固定影响效应，μ表示随机误差项。i表示从0至n的正整数，t表示时间，单位为年，是跨度为0至10的正整数。本文需要验证的是模型中参数β1的估计值，以此来验证数字普惠金融对农业供应链金融的影响。
3.4.1. 被解释变量
SCF为供应链金融指数，其可以用公式(2)表示如下：
(2)
上式中
可以解释为编号为i的企业在第t年的供应链金融指数，STL表示年末的短期借款数量，AP表示年末的应付帐款的数量，NP表示年末应付票据数量，TA表示年末的总资产。SCF越大，表示农业供应链金融水平越高；相反，SCF越小，表示农业供应链金融水平越低。
3.4.2. 解释变量
D-Finance (DF)表示数字普惠金融指数，来源于北京大学的数字金融研究中心课题组，涵盖2011年至2021年全国31个省以及3000多个地级市的数字普惠金融指数，本文依据农业企业的注册地将每个企业划分为不同的地区，分别选用对应省级的数字普惠金融指数分析。数字普惠金融指数的大小分别对应该省份的数字普惠金融发展水平的高低，由于数字普惠金融指数的数值较大，因此对其进行了100倍的缩小，以保证数据的平稳，且便于进行计算和分析。
3.4.3. 控制变量
X表示其他可能对农业企业的供应链金融水平产生影响的变量，基于对以往文献的整理，选取五个控制变量以减少实证结果的误差，分别是企业未来投资机会(GR)、企业续存年限(Age)、托宾Q值(TobinQ)即企业市场价值与账面价值的比值、商誉(Goodwill)和企业规模(Size)。GR具体测算是营业收入变动/企业年末总资产，用来衡量企业的成长性；上市公司的商誉可以直接从披露的资产负债表中查找，由于商誉的数值一般都较大，因此对其进行109倍的缩小，以保证数据的计算性；企业的规模一般由上市企业当年度的总资产衡量，为了保持数值一致性，这里取总资产的对数表示。
综合考虑数据的可靠性和可获得性，本文的初始样本数据为2011年至2021年沪深京上市的农业公司的面板数据，在初始数据的基础上删掉上市时间较短、存在数据缺失的企业，最终存在78家农业上市公司的856条年度观测数据。并通过处理得到相关变量，本文所用变量名称以及测度方式如表1所示：
Table 1. Variable name measurement and measurement method
表1. 变量名称及测度方式
变量类型 |
变量名 |
符号 |
测度方式 |
被解释变量 |
供应链金融指数 |
Scf |
(STL + AP + NP)/TA |
解释变量 |
数字普惠金融指数 |
D-finance |
北京大学数字普惠金融指数2011~2021/100 |
控制变量 |
企业未来投资机会 |
GR |
营业收入变动/企业年末总资产 |
|
企业存续年限 |
Age |
企业存续期限 |
|
托宾Q |
TobinQ |
市场价值/账面价值 |
|
商誉 |
Goodwill |
商誉/109 |
|
企业规模 |
Size |
eAP |
4. 实证检验与结果分析
4.1. 描述性统计分析
相关变量的描述性数据如表2所示，从表中的数据可以看出，被解释变量供应链金融指数的均值为0.226，标准差为0.16，差异性较低，说明在2011年至2021年期间农业供应链金融的发展整体呈现较为平稳的趋势，相比之下，DF的方差较大，数据变化的范围都较大。同时从最值来看，总体企业的农业供应链金融指数都处于一个较低的水平，并且两极分化严重。
4.2. 变量线性回归分析
本文基于公式(1)的基准模型，首先对各变量对农业供应链金融指数是否存在显著影响，在此部分采用Stata对面板数据进行回归分析。表3展示了数字普惠金融指数对企业的供应链金融水平的面板数据线性回归模型的结果。
如上表3中展示，数字普惠金融指数对农业供应链金融指数的影响水平呈现显著正相关，回归系数为0.008 < 0.01，所以证明在1%的置信水平下显著，这就说明数字普惠金融指数的增长能够给予农业供应链金融正向的支持效应，并且是显著影响。因此线性回归分析验证假设I。
Table 2. Results of descriptive statistical analysis of variables
表2. 变量描述性统计分析结果
|
N |
mean |
P50 |
sd |
min |
max |
Scf |
856 |
0.226 |
0.207 |
0.156 |
0.00100 |
0.794 |
D-finance |
856 |
2.504 |
2.668 |
1.047 |
0.188 |
4.590 |
GR |
856 |
0.742 |
0.571 |
0.598 |
0.00500 |
4.126 |
Age |
856 |
18.24 |
18 |
5.723 |
4 |
40 |
TobinQ |
856 |
2.172 |
1.760 |
1.552 |
0.715 |
28.41 |
Goodwill |
856 |
0.990 |
0.00400 |
3.725 |
0 |
59.88 |
Size |
856 |
21.86 |
21.74 |
1.061 |
18.53 |
26.06 |
Table 3. The influence of digital financial inclusion Index on the level of enterprise supply chain finance
表3. 数字普惠金融指数对企业供应链金融水平的影响
VARIABLES |
(1) Scf |
D-finance |
0.008*** |
|
(0.44) |
GR |
0.048*** |
|
(4.01) |
Age |
0.006* |
|
(−1.07) |
TobinQ |
−0.002** |
|
(0.75) |
Goodwill |
0.003*** |
|
(−1.61) |
Size |
0.047*** |
|
(5.65) |
Constant |
0.752*** |
|
(−4.05) |
|
|
Observations |
856 |
Number of code |
78 |
R-squared |
0.055 |
4.3. 异质性分析
将样本数据中的农业企业按照注册地划分为东部地区、中部地区、西部地区和东北地区四个部分。将初始样本数据进行分组实证分析，如表4和表5所示，为分组变量的描述性分析结果。
从上表中可以观察到农业供应链金融指数的均值在东部地区为0.294，中部地区为0.246，西部地区为0.207，东北地区为0.196呈现依次递减的结果，同样的，数字普惠金融指数在东中西三个地区的也是呈现以此递减的趋势，这说明我国的农业供应链金融发展水平存在地区差异，这种差异主要呈现出东部地区普遍好于西部地区的特点。同时，对比最大值与最小值发现东部地区的农业供应链金融发展水平差距较大。
Table 4. Grouping variables descriptive statistics: eastern and central
表4. 分组变量描述性统计：东部与中部
VARIABLES |
东 |
|
|
|
|
中 |
|
|
|
|
N |
mean |
sd |
min |
max |
N |
mean |
sd |
min |
max |
Scf |
413 |
0.294 |
0.138 |
0.00204 |
0.677 |
192 |
0.246 |
0.144 |
0.00799 |
0.582 |
D-finance |
413 |
2.752 |
1.073 |
0.324 |
4.590 |
192 |
2.355 |
1.014 |
0.284 |
3.919 |
GR |
413 |
0.723 |
0.537 |
0.0768 |
4.126 |
192 |
0.984 |
0.732 |
0.00480 |
3.343 |
Age |
413 |
18.52 |
6.150 |
4 |
40 |
192 |
17.89 |
5.406 |
7 |
37 |
TobinQ |
413 |
2.095 |
0.980 |
0.994 |
6.944 |
192 |
2.468 |
2.647 |
0.715 |
28.41 |
Goodwill |
413 |
0.991 |
4.591 |
0 |
59.88 |
192 |
1.314 |
3.324 |
0 |
16.33 |
Size |
413 |
21.88 |
0.943 |
20.28 |
26.06 |
192 |
21.83 |
1.242 |
18.53 |
25.90 |
Table 5. Grouping variables descriptive statistics: west and northeast
表5. 分组变量描述性统计：西部与东北部
VARIABLES |
西 |
|
|
|
|
东北 |
|
|
|
|
N |
mean |
sd |
min |
max |
N |
mean |
sd |
min |
max |
Scf |
210 |
0.207 |
0.171 |
0.000681 |
0.679 |
41 |
0.196 |
0.226 |
0.00455 |
0.794 |
D-finance |
210 |
2.197 |
0.934 |
0.188 |
3.636 |
41 |
2.286 |
0.901 |
0.336 |
3.572 |
GR |
210 |
0.529 |
0.458 |
0.0129 |
3.303 |
41 |
0.885 |
0.701 |
0.290 |
2.500 |
Age |
210 |
18.18 |
5.402 |
4 |
31 |
41 |
17.32 |
4.028 |
10 |
26 |
TobinQ |
210 |
1.930 |
0.957 |
0.932 |
8.389 |
41 |
2.799 |
1.472 |
1.147 |
7.987 |
Goodwill |
210 |
0.883 |
2.191 |
0 |
12.35 |
41 |
0.00728 |
0.0196 |
0 |
0.120 |
Size |
210 |
21.82 |
1.114 |
19.51 |
25.61 |
41 |
22.01 |
1.014 |
20.32 |
23.61 |
从表6分地区的数字普惠金融对农业供应链金融水平的影响可以看出，我国不同地区的数字普惠金融指数对农业供应链金融的影响水平是不同的，就线性回归结果而言，与基准模型数字普惠金融指数可以显著正向影响农业供应链金融的结果是一致的，但是还存在地区异质性，主要特点表现为东部地区数字普惠金融指数对农业供应链金融的回归系数为0.054 > 0.008，说明东部地区的影响效应更加的显著，而中西部地区的影响效应较总体样本而言较小，说明中西部地区的数字普惠金融体系依然还不是很完善，存在上升空间，该结果验证了假设II。
5. 结论与建议
5.1. 研究结论
本文通过定性定量分析结合实证分析验证了数字普惠金融对农业供应链金融具有支持作用，并验证了这种支持效应的特点。结合全文分析和实证研究，本文得出以下结论：
Table 6. The impact of the Digital Financial Inclusion Index on supply chain finance: by region
表6. 数字普惠金融指数对供应链金融的影响：分地区
VARIABLES |
(1) Scf |
(2) Scf |
(3) Scf |
(4) Scf |
D-finance |
0.054*** |
0.041*** |
0.0051*** |
0.0017*** |
|
(0.026) |
(0.044) |
(0.039) |
(0.100) |
GR |
0.061** |
0.058*** |
0.056*** |
0.058*** |
|
(0.017) |
(0.018) |
(0.032) |
(0.131) |
Age |
0.013*** |
0.016** |
0.009*** |
0.040** |
|
(0.008) |
(0.014) |
(0.011) |
(0.028) |
TobinQ |
−0.005*** |
−0.004*** |
−0.004*** |
−0.051** |
|
(0.005) |
(0.004) |
(0.010) |
(0.016) |
Goodwill |
0.000* |
0.004* |
0.009* |
2.349** |
|
(0.002) |
(0.003) |
(0.006) |
(1.041) |
_cons |
0.286** |
0.022** |
0.258** |
0.648* |
|
(0.088) |
(0.151) |
(0.133) |
(0.315) |
N |
413.000 |
192.000 |
210.000 |
41.000 |
r2 |
0.040 |
0.113 |
0.068 |
0.612 |
r2_a |
−0.108 |
−0.021 |
−0.065 |
0.515 |
其一，在理论层面，基于对我国农业发展的现状以及存在问题的情况进行研究和梳理，提出了数字农业供应链金融发展的必要性，并提出了目前制约农业供应链金融发展的主要因素为企业的融资获得性问题，并通过对现有文献的整理提出数字普惠金融可以在一定程度上促进农业供应链金融发展的假设，并以此建立了模型进行解释。
其二，在实证层面，本文通过利用沪深京上市公司中农、林、渔、牧分类下的公司2011年至2021年的年度数据为初始样本数据进行实证分析，并结合数字普惠金融指数，研究数字普惠金融对农业供应链金融的影响，利用Stata数据处理工具进行描述性分析以及线性回归分析，验证了数字普惠金融对农业供应链金融的发展具有显著的正效应，在此基础上，将样本数据中的78家农业上市公司根据注册地划分为四个地区，总共856条初始数据，通过分类实证验证了数字普惠金融对农业供应链金融的影响存在地区差异性，普遍表现为东部发达地区的影响显著性大于中西部地区。
5.2. 政策建议
根据本文的实证结果，并基于我国目前乡村振兴的背景，数字普惠金融的发展对数字农业以及农业供应链金融的发展都具有重要作用，数字普惠金融利用自身的覆盖广、普惠性、数字化等特点，帮助提高农业供应链金融的发展水平，降低广大农村产业经营者获得金融支持的门槛，降低农业发展的融资成本，提高闲置资金的使用效率，优化资源的配置，对我国建设现代化农村、奔向共同富裕具有重要作用。针对以上结果提出以下政策建议：
其一，完善国内农村地区网络基础建设。就我国目前的现状而言，农村地区的数字化发展依然处于初始阶段，缺少基础设施，只有完善网络基建，才能促进数字普惠金融发展，令其发挥其完全的功能。
其二，大力发展乡村，缩小城乡差距。就实证结果分析而言，数字普惠金融与数字农业供应链金融的发展水平存在明显的地区差异，而造成这种地区差异的最主要的原因就是地区经济的发展程度。需要优化供给侧的结构改革，实现发展更平衡。
其三，完善数字普惠金融发展策略。数字普惠金融的发展确实改善了我国农村产业的发展，提供了更低门槛的金融资源获取渠道，但是随着其普惠化，风险程度也随之上升，因此针对互联网、大数据、云计算等技术要做好风险的防范和监督，完善数字普惠金融发展的相关监管体系，强化风险预警能力。