Развитие производительных сил нового качества в сельском хозяйстве Китая под влиянием цифровой экономики

Введение . В докладе Си Цзиньпина на XX Всекитайском съезде Коммунистической партии Китая (КПК) была обозначена национальная цель «ускорить строительство мощной аграрной державы»¹. Основываясь на специфике Китая – «большой страны с мелким сельским хозяйством», лидер страны заявил, что традиционные производственные силы требуют модернизации. Для строительства мощной аграрной державы необходимо научно обоснованное распределение технологических и промышленных инноваций (Су И, 2024).

Цифровая экономика, поддерживаемая передовыми производственными силами, отличается высокой инновационностью и мощной проникающей способностью (Лю Сяомин, 2023). Ее стремительное развитие стало важным условием глобальных промышленных преобразований. Цифровизация способна оптимизировать распределение ресурсов в сельском хозяйстве. Быстрый рост цифровой экономики в Китае обеспечивает прочную основу для формирования и укрепления производственных сил нового качества в сельском хозяйстве страны.

В период с 2012 по 2022 гг. китайская цифровая экономика ежегодно росла в среднем на 15,9 %, а ее доля во внутреннем валовом продукте (ВВП) увеличилась за это время с 20,9 до 41 %, что означает номинальный рост на 10,3 %2. В 2022 г. уровень цифровизации сельского хозяйства, промышленности и сферы услуг в КНР составил 10,5; 24 и 44,7 % соответственно (Цзо Ци, 2025). Стремительное развитие цифровой экономики Китая создает возможности для формирования и ускоренного укрепления производственных сил нового качества в сельском хозяйстве. Динамику развития цифровой экономики Китая в последние годы отображает рисунок 1.

Рис. 1 . Доля цифровой экономики в ВВП Китая³

Fig. 1 . Share of the Digital Economy in China’s GDP

В настоящее время в академических кругах существует относительно мало исследований, посвященных взаимосвязи цифровой экономики и производственных сил нового качества в сельском хозяйстве. Способна ли цифровая экономика стимулировать формирование и развитие этих сил, каков механизм воздействия и каналы передачи ее влияния, а также как высвободить «цифровые дивиденды» для выращивания высокоуровневых производственных сил нового качества в сельском хозяйстве, чтобы поддержать строительство мощной аграрной державы, – вот ключевые исследовательские вопросы данной статьи.

Ее практическая значимость для разработки обозначенной проблематики заключается в следующем.

Во-первых, в трехмерной перспективе (сельскохозяйственный работник, средства труда, предметы труда) строится и измеряется система оценочных показателей, а с помощью динамической карты (Kernal density) описываются пространственно-временные тенденции эволюции производственных сил нового качества в сельском хозяйстве на провинциальном уровне Китая за 2012–2022 гг., что служит ориентиром для понимания текущей ситуации развития. Во-вторых, рассматривая цифровую экономику как движущий фактор, мы использовали системную модель GMM для анализа ее воздействия, а в качестве инструментальных переменных были актуализированы исторические данные для смягчения проблемы эндогенности, что обеспечило надежность и достоверность регрессионных результатов. В-третьих, с точки зрения эффективности распределения ресурсов были исследованы каналы передачи воздействия, прояснен их внутренний механизм. В-четвертых, проанализирована гетерогенность с позиций повышения уровня отраслевой структуры и способности к усвоению знаний, обеспечивая теоретическую основу для разработки дифференцированной политики.

Обзор литературы . С момента своего появления в 2023 г. концепция производственных сил нового качества привлекает все больше внимания со стороны ученых, академические круги добились значительных результатов в ее исследовании.

Ученые полагают, что производственные силы нового качества превосходят ранее существовавшие (Лю Вэй, 2024), характеризуются информатизацией, сетевой интеграцией и интеллектуализацией (Гу Хайлян, 2024), опираются на передовые отрасли как доминирующие (Хун Иньсин, 2024; Чжоу Вэнь, Сюй Линъюнь, 2023) и имеют высокоэффективную способность преобразовывать природу, обусловленную интеграцией научно-технологических ресурсов (Жэнь Бао-пин, 2024; Чжан Линь, Пу Цинпин, 2023).

Исследования указывают, что выдвижение таких производственных сил имеет теоретическую и практическую основу (Гао Фань, 2023); они не заменяют традиционные, а используют технологические прорывы для восстановления экономики и ее продвижения вперед (Жэнь Баопин, 2024; Чжоу Вэнь, Сюй Линъюнь, 2023).

Основные методы измерения уровня производственных сил нового типа включают построение системы их оценки на основе составляющих элементов (Ван Цзюэ, 2024; Хань Вэньлун и др., 2024) или использование сверхэффективной модели MinDW-Malmquist для измерений.

Академические круги исследуют также логику и пути стимулирования развития таких производственных сил цифровой экономикой. Например, последняя обеспечивает поддержку доступностью данных, цифровизацией отраслей и т.д. (Чжоу Вэнь, Е Лэй, 2024), а также придает импульс за счет повышения инновационных способностей предприятий и интеграции промышленных цепочек (Чжай Сюцюань, Ся Синьюй, 2024).

Некоторые ученые фокусируются на сущности обозначенных сил, логике их формирования и проблемно-ориентированных решениях, связанных с их развитием (Вэй Хоукай, У Гуанхао, 2024; Гао Юань, Ма Цзюцзе, 2024); ученые признают, что производственные силы нового качества в сельском хозяйстве сочетают в себе интегрированные традиционные и уникальные черты.

Таким образом, исследования производственных сил нового качества в целом достаточно обширны, однако применительно к аграрной сфере они все еще находятся на начальной стадии и имеют два основных недостатка. Во-первых, большинство публикаций носят теоретический и констатирующий характер, игнорируя комплексный анализ механизмов и эмпирическую проверку выводов. Во-вторых, в настоящее время отсутствуют работы, в которых исследуется взаимосвязь производительных сил нового качества с точки зрения эффективности распределения ресурсов. Исходя из этого, настоящая статья актуальна тем, что в ней с позиции оптимизации распределения сельскохозяйственных ресурсов мы попытались представить влияние цифровой экономики на производительные силы нового качества в сельском хозяйстве и его механизм, используя исторические данные в качестве инструментальных переменных для преодоления эндогенности и реализовав эмпирическую проверку на основе провинциальных панельных данных.

Цель работы – предоставить эмпирическое обоснование для повышения уровня производительных сил нового качества в сельском хозяйстве Китая.

Механизм влияния цифровой экономики на производительные силы нового качества в сельском хозяйстве . Цифровая экономика, использующая электронные знания и информацию в качестве ключевого элемента и технологические инновации как основную движущую силу, интегрируется с реальной экономикой, реструктурируя существующую модель развития (Хун Инь-син, Жэнь Баопин, 2024). Последняя включает 3 направления. Во-первых, это подготовка высококвалифицированных сельскохозяйственных работников: опираясь на цифровые платформы, расширяются каналы обучения и гибко организуется учебный процесс (Ян Цзюньгэ, Ван Циньмэй, 2024). Во-вторых, имеет место модернизация сельскохозяйственных средств труда: технологическая поддержка стимулирует интеллектуализацию сельхозтехники, совершенствует цифровую инфраструктуру в сельской местности и способствует распространению цифровых устройств (Чжан Яо, Сунь Вэй, 2024). В-третьих, происходит расширение сельскохозяйственной сферы труда: появляются виртуальные предметы труда, а с помощью цифровых технологий исследуются новые материальные объекты.

На основании этого выдвигается гипотеза H1: цифровая экономика способствует развитию производственных сил нового качества в сельском хозяйстве за счет подготовки высококвалифицированных работников, модернизации средств труда и расширения сферы применения предметов труда в сельском хозяйстве.

Каналы воздействия цифровой экономики на производственные силы нового качества в сельском хозяйстве. Воздействуя на три элемента производственных сил, цифровая экономика повышает эффективность распределения ресурсов в сельском хозяйстве, тем самым способствуя развитию новых качественных производственных сил. Она повышает качество человеческого капитала и способствует рациональному распределению рабочей силы; устраняет информационную асимметрию и направляет факторы производства в высокоэффективные секторы; порождает новые виды экономической деятельности и оптимизирует звенья производства и распределения. Поскольку новые качественные производственные силы проявляются в росте совокупной факторной производительности (Жэнь Баопин, 2024), эффективность распределения ресурсов играет здесь ключевую роль.

На основании сказанного выдвигается гипотеза H2: цифровая экономика способствует развитию производственных сил нового качества в сельском хозяйстве за счет повышения эффективности распределения ресурсов.

Дизайн исследования . В данной статье строится следующая динамическая панельная модель:

В уравнении (1):

обозначает провинцию (город);

• — год;

• представляет собой уровень производственных сил нового качества в сельском хозяйстве;

• обозначает уровень развития цифровой экономики;

• - набор контрольных переменных;

• и - индивидуальный и временной фиксированные эффекты соответственно;

• - случайную ошибку.

Выбор переменных включал следующее.

• 1.    Объясняемая (зависимая) переменная – производственные силы нового качества в сельском хозяйстве (newp). Основываясь на анализе теоретической сущности производственных сил нового качества в сельском хозяйстве и академических исследованиях, в данной статье с опорой на методологию Чжу Ди и Е Линьсяна (2024) мы попытались выстроить комплексную систему оценочных показателей за счет отбора индикаторов по трем категориям: работник, предметы труда и средства труда в сельском хозяйстве (таблица 1).

• 2.    Объясняющая переменная dige (уровень развития цифровой экономики, DIGE). Уровень ее развития мы определяли по двум направлениям: функционал Интернета и состояние цифровых финансов. Для измерения аспекта развития Сети были отобраны четыре показателя: уровень распространения, численность занятых в онлайн-сфере, объем интернет-зависимого выпуска и число пользователей. Аспект развития цифровых финансов измерялся с помощью Индекса инклюзивных цифровых финансов, совместно разработанного специалистами Исследовательского центра цифровых финансов Пекинского университета и группы Ant Financial. Итоговый сводный показатель уровня развития цифровой экономики рассчитывался с применением метода взвешивания на основе энтропии (энтропийного весового метода).

• 3.    Переменная-механизм (опосредующая переменная). Эффективность распределения ресурсов выступает в качестве переменной-механизма, через которую цифровая экономика способствует развитию производительных сил нового качества в сельском хозяйстве. В данной статье эффективность распределения ресурсов оценивается через эффективность распределения труда. Для этого проводится регрессия темпов роста занятости на совокупную факторную производительность (TFP), а полученный коэффициент регрессии TFP используется как количественная мера эффективности распределения труда и, соответственно, как переменная механизма. Конкретная модель выглядит следующим образом:

Таблица 1. Система показателей для оценки производственных сил нового качества в сельском хозяйстве

Table 1 . System of Indicators for Assessing

New Quality Production Forces in Agriculture

Целевой уровень	Уровень критериев	Первичные показатели	Вторичные показатели	Описание показателей	Атрибут
Производственные силы нового качества в сельском хозяйстве	Сельскохозяйственные работники	Навыки работников	Развитие работника (труда)	Расходы сельских жителей на образование, культуру и развлечения	Положительный
			Доля технической подготовки взрослых в сельской местности	Число окончивших культурно-технические школы для взрослых в сельской местности / численность сельского населения	Положительный
		П роизводител ьность труда	Валовая продукция на душу населения в первичном секторе	Валовая продукция первичного сектора (сельское, лесное, рыбное хозяйство) / численность занятых в первичном секторе	Правильный
			Доход на душу сельского населения	Располагаемый доход на душу населения в сельской местности	Положительный
		Потенциал занятости работника	Мобильность сельской рабочей силы	Располагаемый доход на душу населения в сельской местности	Негативный
			Интеллектуальный потенциал	Число студентов бакалавриата по сельскохозяйственным специальностям	Положительный
	Объекты сельскохозяйственного труда	Экологическая среда	Зеленая экология / экологическая устойчивость	Лесистость (покрытая лесом площадь)	Положительный
				Расходы на охрану окружающей среды / общие государственные расходы	Положительный
			Охрана природных ресурсов	Площадь восстановления земель, подверженных эрозии	Положительный
			Управление загрязнением	Доля выбросов COD (химическое потребление кислорода) в сельском хозяйстве / доля валовой продукции первичного сектора	Негативный
				Доля выбросов аммиачного азота в сельском хозяйстве / доля валовой продукции первичного сектора	Негативный
		Новые качественные отрасли / индустрии нового качества	И н нова ционность аграрной отрасли	Число фермерских профессиональных кооперативов/ численность занятых в первичном секторе	Положительный
				Число ведущих государственных сельскохозяйственных предприятий	Положительный
			Развитие услуг для сельского, лесного, животноводческого и рыбного хозяйств	Добавленная стоимость в сфере услуг для сельского, лесного, животноводческого и рыбного хозяйств	Положительный
			Цифровая инфраструктура	Число абонентов широкополосного доступа в Интернет в сельской местности / количество сельских домохозяйств	Положительный
				Длина волоконно-оптических линий связи на квадратный километр	Положительный
			Потребление энергии	Потребление энергии в сельском, лесном, животноводческом и рыбном хозяйствах / валовая продукция сельского, лесного, животноводческого и рыбного хозяйств	Негативный
				Потребление электроэнергии на душу населения в сельской местности	Положительный
		Нематериальные средства производства	Научно-технические инновации	Численность научно-технических работников в сельском хозяйстве	Положительный
				Объем накопленных (капитализированных) затрат на научно-исследовательскую работу в сельском хозяйстве	Положительный
			Уровень цифровизации	Индекс инвестиций в инклюзивные цифровые финансы в сельской местности	Положительный
				Индекс мобильных платежей в системе инклюзивных цифровых финансов в сельской местности	Положительный

В уравнении (2):

представляет собой разность логарифмических значений численности работников в периоды t и t-1;

• - это логарифмическое значение совокупной факторной производительности.

• 4.    Контрольные переменные. Для более комплексного анализа воздействия цифровой экономики на производительные силы нового качества в сельском хозяйстве в статье приняты следующие контрольные переменные.

Следуя исследованию Лу Сяодуна и Лянь Юйцзюня (2012), для расчета эффективности распределения труда применялся метод Олли – Пейкса.

Уровень экономического развития (rgdp): измеряется как валовой внутренний продукт (ВВП) на душу населения в каждой провинции.

Человеческий капитал (hum): в качестве его измерителя в сельской местности используется среднее количество лет образования сельской рабочей силы по провинциям.

Уровень урбанизации (urb): определяется как доля городского населения в общей численности населения региона.

Государственное вмешательство (gov): измеряется как доля общих фискальных расходов в ВВП для оценки уровня финансовой поддержки со стороны провинциальных правительств.

Инфраструктура (infru): уровень развития инфраструктуры определяется в соответствии с общей площадью автомобильных дорог на конец года.

Источники данных . Количественные данные в данной статье представлены из «Статистического ежегодника Китая», «Статистического ежегодника сельского хозяйства Китая», «Статистического ежегодника лесного хозяйства Китая» и «Статистического ежегодника городов Китая» за период с 2012 по 2022 гг. по 31 провинции, городу центрального подчинения и автономному району Китая (за исключением специальных административных районов Сянган, Аомэнь и провинции Тайвань). Описательная статистика переменных представлена в таблице 2 ниже.

Таблица 2 . Описательная статистика переменных

Table 2 . Descriptive Statistics of Variables

Переменные	Наблюдение	Среднее	Стандартное отклонение	Минимум	Максимум
lnnewp	341	–1,8453	0,5032704	–2,945589	–0,680273
lndige	341	–2,3418	0,7044087	–4,049075	–0,5270897
lnrgdp	341	7,8840	0,2967759	7,032624	8,618666
lngov	341	9,8546	0,9823	6,5525	11,7684
lnhuman	341	10,9334	0,4381639	9,888882	12,15643
lnurb	341	4,067724	0,2203675	3,129826	4,495355
lninfru	341	9,844059	0,9112665	6,675445	11,60784
lnrescal	341	0,3983685	0,3621197	0,0013172	2,393466

Эмпирический анализ . На основе построенной ранее системы показателей и с применением метода энтропии (алгоритм Чжу Ди, Е Линьсяна (2024)) был рассчитан уровень производственных сил нового качества в сельском хозяйстве, а их эволюционные характеристики проанализированы в пространственно-временном измерении. В статье построена трехмерная динамическая карта ядерной плотности (Kernel density), которая наглядно отображает уровень их развития, пространственно-временную эволюцию и тенденцию к поляризации (рис. 2).

Рис. 2 . Трехмерная динамическая карта ядерной плотности производственных сил нового качества в сельском хозяйстве в провинциях Китая

Fig. 2 . Three-Dimensional Dynamic Map of the Nuclear Density of New-Quality Agricultural Production Forces in China’s Provinces

Основные характеристики таковы:

• 1)    распределение производственных сил нового качества на провинциальном уровне сначала сместилось вправо, а затем влево, что отражает развитие провинций (городов, автономных районов) в условиях колебаний;

• 2)    наблюдается асимметрия с правым хвостом распределения, указывающая на наличие территорий с высоким уровнем развития;

• 3)    в период 2012-2019 гг. распределение сменилось с много- на одномодальное, что отражает сокращение межпровинциального разрыва и возникновение определенной тенденции к поляризации;

• 4)    в 2020 г. распределение сместилось влево, что, возможно, было обусловлено сдерживающим воздействием пандемии на развитие.

Таким образом, общий уровень производственных сил нового качества в сельском хозяйстве на провинциальном уровне стабильно повышается, а разрыв между провинциями постепенно сокращается.

Для оценивания динамической панельной модели и контроля над проблемой эндогенности, которая может быть вызвана двусторонней причинно-следственной связью, в статье применен системный обобщенный метод моментов (SYS-GMM). Результаты оценивания по другим моделям приведены для удобства сравнения.

В колонках (1)–(3) таблицы 2 представлены результаты оценивания по OLS, модели с фиксированными эффектами (FE) и модели со случайными эффектами (RE) для уравнения (1). Поскольку статистика Хаусмана составила 13,98 (P = 0,0516), для дальнейшего анализа была выбрана модель с фиксированными эффектами. В колонке (4) таблицы 2 приведены результаты системного GMM (SYS-GMM) оценивания: p-значение теста AR (2) превышает 0,1, что позволяет отклонить нулевую гипотезу о наличии автокорреляции второго порядка, а тест Хансена подтверждает валидность инструментальных переменных, свидетельствуя о надежности регрессионных результатов.

Таблица 2. Результаты влияния цифровой экономики на производительные силы нового качества в сельском хозяйстве

Table 2 . Results of the Impact of the Digital Economy on New-Quality Productive Forces in Agriculture

Переменные	(1)	(2)	(3)	(4)
	OLS	FE	RE	SYS-GMM
L,lnnewp				0,3887***
				(6,87)
lndige	0,2944***	0,1077**	0,1713***	0,1041***
	(5,53)	(1,86)	(3,21)	(2,69)
lnrgdp	0,4088***	0,3459***	0,4709***	0,1606*
	(5,42)	(2,88)	(5,11)	(1,76)
lnhum	–0,0296	0,1135***	0,1387*	0,9404***
	(–0,46)	(2,71)	(1,64)	(12,12)
lnurb	0,0489	0,2260	0,3131	0,0852
	(0,37)	(0,77)	(1,41)	(0,24)
lngov	–0,1411*	–0,2319*	–0,3260***	–0,4038***
	(–1,64)	(–1,77)	(–3,17)	(–2,90)
lninfru	0,2234***	0,2603**	0,2679***	0,4289*
	(–2,98)	(–2,37)	(–3,00)	(1,91)
Cons	–1,6628*	–0,5962	–1,055
	(–1,89)	(–0,53)	(–1,06)
AR(1)				[0,002]
AR(2)				[0,343]
Hansen test				0,207

Примечание: в скобках приведены данные Z-статистики для коэффициентов регрессии; ^* , ^** , ^*** означают статистическую значимость на уровне 10, 5 и 1 % соответственно; значение AR (2) представляет собой p-значение теста на автокорреляцию второго порядка (аналогично для последующих таблиц)

Если рассматривать конкретные результаты, то лагированное на один период значение lnnewp является статистически значимым и положительным, что указывает на наличие path dependence (в зависимости от траектории предшествующего развития) в динамике производственных сил нового качества в сельском хозяйстве. В колонках (2) и (4) коэффициент при переменной цифровой экономике (lndige) является значимым и положительным на уровне 5 %, что свидетельствует о ее позитивном влиянии на развитие производственных сил нового качества в сельском хозяйстве и предварительно подтверждает гипотезу H1.

Проведем анализ результатов гетерогенности.

• 1.    Гетерогенность отраслевой структуры: уровень повышения отраслевой структуры измеряется как отношение добавленной стоимости третичного сектора к вторичному. Группировка проведена по медиане регионального показателя за 2022 г. Как показывают колонки (1)–(3) таблицы 3, коэффициент при ключевой объясняющей переменной является значимым и положительным только в регионах с высоким уровнем структуры, где стимулирующий эффект цифровой экономики проявляется более отчетливо.

• 2.    Гетерогенность способности к усвоению знаний: базовая инновационная способность и активность инноваций измеряются соответственно численностью персонала, занятого научноисследовательской работой (НИОКР) в промышленных предприятиях, и долей объема сделок на технологическом рынке. Группировка также проведена по медиане данных за 2022 г. Колонки (3)– (6) таблицы 3 показывают, что коэффициенты значимы во всех группах, однако в регионах с более высокой способностью населения к усвоению знаний величина коэффициента больше, а эффект стимулирования – более выраженный.

В статье применяются три метода проверки устойчивости:

• 1.    Переоценка объясняемой переменной. Для расчета уровня развития производственных сил нового качества в сельском хозяйстве используется метод главных компонент (PCA).

• 2.    Замена метода измерения объясняющей переменной. В соответствии с исследованием Юань Чуня (Юань Чунь и др., 2021) на основе текстов правительственных отчетов провинций анализируется частота использования слов, связанных с цифровизацией, в контексте интеграции инновационных технологий во все сферы жизни. Рассчитывается доля цифровых терминов и индекс уровня цифровизации, который используется в качестве инструментальной переменной для развития цифровой экономики.

• 3.    Исключение выборки городов центрального подчинения. Учитывая особый статус и уровень развития населенных пунктов указанного типа, мы удалили их из выборки для исключения влияния ненаблюдаемых факторов, и проверка была проведена заново.

Таблица 3 . Анализ результатов гетерогенности

Table 3 . Analysis of Heterogeneity Results

05 z ф ф ф	(1)	(2)	(3)	(4)	(5)	(6)
	ф >s _ л s о ф ф >• У “ah	Ф _ s J Ф Ф 5» О РИ Эрг с 5 °	Го I о"к О О S Z * =гю о ГО О О О О О СО Z о S	ГО _Q оо5 s 5 го о § m о т ООО Z о S	Л О £ S О ГС О с -0 о £ S	ГО л S ш т g и s
lndige	0,2933***	0,1315	0,2104*	0,1257*	0,2432**	0,1437**
	(2,93)	(1,56)	(1,89)	(1,76)	(2,16)	(2,02)
lngdp	0,2754**	0,1931	0,5164	0,0641	1,0016*	0,0250
	(2,14)	(1,43)	(0,85)	(0,61)	(1,79)	(0,25)
lnhum	0,0695	0,2617	–0,2957	0,3362***	–0,2591	0,3794***
	(0,47)	(1,06)	(–0,78)	(2,72)	(–0,72)	(3,18)
lnurb	–0,3980	0,2462	2,4937***	0,0790	2,8658***	0,0914
	(–0,92)	(0,47)	(3,12)	(0,19)	(3,62)	(0,23)
lngov	–0,1571	–0,4742*	–0,4448	–0,2080	–1,0339	–0,2337
	(–0,94)	(–1,98)	(–0,61)	(–1,15)	(–1,55)	(–1,35)
lninfru	–0,1426	0,0638	–0,9041***	0,0198	–1,0333***	0,0356
	(–1,19)	(0,49)	(–3,38)	(0,20)	(–3,48)	(0,37)
Cons	0,9199	0,3232	–2,8587	–0,3490	–1,5115	0,1632
	(0,53)	(0,20)	(–0,99)	(–0,26)	(–0,58)	(0,13)
Регион – ФЭ	ДА	ДА	ДА	ДА	ДА	ДА
Год – ФЭ	ДА	ДА	ДА	ДА	ДА	ДА
R – squared	0,210	0,108	0,119	0,178	0,152	0,192
N	176	165	176	165	176	165

Результаты регрессии, отраженные в таблице 4, показывают, что величина, направление и статистическая значимость ключевых переменных в основном совпадают с результатами базовой регрессии, что подтверждает устойчивость (робастность) полученных выводов.

Таблица 4 . Проверка устойчивости

Table 4 . Stability Check

Переменные	(1)	(2)	(3)
	Переоценка зависимых переменных	Замена объясняющих переменных	Исключение городов центрального подчинения (ЦПГ)
lndige	0,0930***	0,2118***	0,1521***
	(3,89)	(8,16)	(2,69)
lnrgdp	–0,0096	0,1545*	0,0828
	(–0,24)	(1,75)	(0,94)
lnhum	0,0079	0,2181**	0,3171***
	(0,17)	(2,12)	(3,08)
lnurb	–0,3116**	0,0735	–0,0543
	(–2,42)	(0,26)	(–0,18)
lngov	0,0748	0,0152	–0,0977
	(1,33)	(0,13)	(–0,75)
lninfru	0,0484	0,0382	0,0406
Регион – ФЭ	ДА	ДА	ДА
Год – ФЭ	ДА	ДА	ДА
Cons	0,5530	–3,4692***	–0,3860
	(1,22)	(–4,36)	(–0,37)
R – squared	0,113	0,262	0,160
N	341	341	297

Для проверки эндогенности на основе базовой оценки SYS-GMM для дальнейшего выявления воздействия цифровой экономики на производительные силы нового качества в сельском хозяйстве применялся метод инструментальных переменных (IV). В качестве инструментальной переменной для уровня развития цифровой экономики в провинции/городе за соответствующий год мы использовали перекрестный член (interaction term) между историческим показателем – количеством почтовых отделений на миллион населения в каждой провинции/городе в 1984 г. – и количеством интернет-пользователей по всей стране в предыдущем году.

Таблица 5 представляет результаты регрессии, оцененной с помощью метода наименьших квадратов в два этапа (2SLS). F-статистика значительно превышает 10, что указывает на валидность выбора инструментальной переменной и наличие сильной корреляции с эндогенной переменной. Результаты свидетельствуют о том, что после контроля проблемы эндогенности с помощью метода инструментальных переменных выводы базовой регрессии остаются устойчивыми.

Таблица 5 . Результаты оценивания с помощью инструментальных переменных

Table 5 . Estimation Results Using Instrumental Variables

Переменная	1-й этап	2-й этап
	lndige	lnnewp
iv-lndige	0,1821***
	(21,92)
lndige		0,3951***
		(5,93)
Control	ДА	ДА
Cons	–4,3484***	–0,8988
	(–8,03)	(–0,83)
Регион – ФЭ	ДА	ДА
Год – ФЭ	ДА	ДА
Cragg – Donald Wald F Statistic	480,363***
N	341	341

Теоретический анализ механизма передачи показывает, что развитие цифровой экономики может повысить эффективность распределения ресурсов в сельском хозяйстве и тем самым способствовать развитию производительных сил нового качества в сельском хозяйстве. Следуя подходу Р.М. Барона, Д.А. Кенни (Baron, Kenny, 1986), для проверки данного механизма в статье построены три регрессионных уравнения.

(4)(5)

где X – вектор контрольных переменных;

M – медиатор (посредническая переменная);

остальные переменные определены аналогично.

В таблице 6 представлены результаты проверки посреднического эффекта (медиации) эффективности распределения ресурсов во взаимосвязи между цифровой экономикой и уровнем развития производительных сил нового качества в сельском хозяйстве.

Таблица 6 . Результаты проверки механизма передачи

Table 6 . Results of the Transmission Mechanism test

	(1)	(2)	(3)
Посреднический эффект	Эффект распределения ресурсов
Зависимая (объясняемая) переменная	lnnewp	lnresall	lnnewp
lndige	0,3287***	0,1668***	0,2842***
	(5,41)	(3,34)	(4,71)
M			0,2671***
			(4,10)
Cons	–2,7782***	0,6230	–2,9446***
	(–5,97)	(0,104)	(–6,45)
Control	ДА	ДА	ДА
Регион – ФЭ	ДА	ДА	ДА
Год – ФЭ	ДА	ДА	ДА
Доля посреднического эффекта		13,5 %
R-squared	0,5301	0,3889	0,5513

Результаты анализа показывают, что общий эффект цифровой экономики на производительные силы нового качества составляет 0,3287 и является статистически значимым на уровне 1 %.

В колонке (2) отображается влияние цифровой экономики на распределение ресурсов. Коэффициент при переменной цифровой экономики является значимым и положительным на уровне 1 %, что указывает на ее существенное стимулирующее воздействие на эффективность распределения ресурсов в сельском хозяйстве.

В колонке (3) показано влияние как цифровой экономики, так и эффективности распределения ресурсов на производительные силы нового качества в сельском хозяйстве. Коэффициенты при обеих переменных являются значимыми и положительными. При этом значение y (0,2842) для цифровой экономики меньше, чем а (0,3287) из модели общего эффекта. Это свидетельствует о том, что цифровая экономика способна косвенно способствовать развитию производственных сил нового качества в сельском хозяйстве через повышение эффективности распределения ресурсов. Значимость данного посреднического эффекта дополнительно подтверждается тестом Собела и Bootstrap-тестом, которые значимы на уровне 1 %. Рассчитанная доля посреднического эффекта в общем составляет 13,5 %.

Заключение . В контексте всестороннего продвижения сельских территорий и строительства мощной аграрной державы цифровая экономика стала важной движущей силой высококачественного экономического развития. Основываясь на перспективе эффективности распределения ресурсов и используя панельные данные на уровне провинций за 2012–2022 гг., мы попытались эмпирически оценить влияние цифровой экономики на производственные силы нового качества в сельском хозяйстве.

Сделаны следующие выводы.

Во-первых, общий уровень производственных сил нового качества в сельском хозяйстве Китая стабильно повышается, а межпровинциальный разрыв постепенно сокращается. Цифровая экономика может значительно способствовать развитию сельских территорий, что подтверждается проверками на робастность и эндогенность.

Во-вторых, наблюдается выраженная гетерогенность: стимулирующий эффект цифровой экономики более заметен в регионах с высоким уровнем повышения отраслевой структуры, а также с сильной базовой инновационной способностью и высокой активностью.

В-третьих, механизм воздействия проявляется в том, что цифровая экономика опосредованно стимулирует развитие производственных сил нового качества в сельском хозяйстве путем оптимизации распределения ресурсов.

В-четвертых, необходимо учитывать совокупное влияние гиг-экономики и структурных изменений в трудовых ресурсах: первая обеспечивает гибкую рабочую силу для цифровизации сельского хозяйства, но несет риски, такие как недостаток навыков. 200 млн мобильных молодых людей обладают цифровыми преимуществами, соответствующими интеллектуальному производству, а проблема низкой добавленной стоимости в сельском хозяйстве требует точного соответствия спроса и предложения.

На основе этого предлагаются следующие рекомендации:

• 1.    Активизировать распространение и применение в аграрной сфере инновационных цифровых технологий, способствовать полномасштабной цифровой модернизации всей сельскохозяйственной производственной цепочки, углублять интеграцию цифровых и реальных секторов, а также развивать новые виды экономической деятельности, связанные с производственными силами нового качества в сельском хозяйстве.

• 2.    Использовать цифровые технологии для продвижения интеллектуальной трансформации сельскохозяйственного производства и методов его организации, оптимизировать соответствие спроса и предложения, а также повысить эффективность распределения ресурсов.

• 3.    Осуществлять точное регулирование с учетом различий в отраслевой структуре и инновационном потенциале территорий. Развитым провинциям следует уделять внимание инвестициям в передовые технологии, чтобы лидировать в продвижении новых качественных производственных сил. Слаборазвитым регионам необходимо сосредоточиться на усилении прикладных исследований в ключевых сферах для повышения уровня отраслей и инновационного потенциала.

• 4.    Адаптироваться к гиг-экономике и изменениям в структуре рабочей силы, создать гибкую систему поддержки. Разработать модульные цифровые учебные курсы для сельского хозяйства, обеспечить точное соответствие обучения гиг-вакансиям через онлайн-платформы; создать платформу для работы в цифровом сельском хозяйстве, интегрировать краткосрочные потребности в рабочей силе; создать фонд накопления навыков, усовершенствовать механизмы трудовой защиты, смягчить ограничения, накладываемые мобильностью рабочей силы на внедрение технологий.