EN中文

Resources Science >

2025 , Vol. 47 >Issue 11: 2395 - 2408

DOI: https://doi.org/10.18402/resci.2025.11.06

Land Resources

Impact and mechanism of digital capability enhancement on farmers’ farmland transfer behavior: A perspective of cost and trust

  • CHEN Ming , 1 ,
  • WANG Zhifan , 1 ,
  • WU Yunfeng 2
Expand
  • 1. School of Economics, Management and Law, University of South China, Hengyang 421001, China
  • 2. School of Economics and Finance, South China University of Technology, Guangzhou 510006, China

Received date: 2024-11-04

  Revised date: 2025-02-28

  Online published: 2025-12-02

Fold

Abstract

[Objective] With the rapid development of digital technologies, numerous emerging models derived from them have significantly influenced farmers’ farmland transfer behavior. This study aims to explore the impact of enhanced digital capabilities among farmers on their farmland transfer behavior, thereby providing insights to improve farmland utilization efficiency. [Methods] Based on data from 5243 households collected through the China Family Panel Studies (CFPS) from 2016 to 2020, this study employed methods such as double machine learning, the lasso algorithm, and lasso residual regression to examine the impact and specific mechanism of enhanced digital capabilities among farmers on their farmland transfer behavior at the household level. [Results] (1) Overall, the enhancement of farmers’ digital capabilities exerted a significant impact on rural farmland transfer, facilitating farmers’ farmland transfer. Compared to digital technology access, the enhancement of farmers’ digital capabilities in the dimensions of digital platform usage and digital information acquisition exerted a stronger impact on their farmland transfer behavior. (2) At the micro-sample level, the promoting effect of digital capability enhancement on farmers’ farmland transfer was stronger among young and middle-aged farmers, those with higher education levels, and those with higher income levels. At the regional sample level, the enhancement of digital capabilities among farmers located east of the Aihui-Tengchong line demonstrated a stronger positive impact on farmland transfer. (3) The enhancement of farmers’ digital capabilities primarily facilitated their farmland transfer behavior through two channels: promoting diversified employment opportunities and expanding their social networks. However, it simultaneously inhibited farmland transfer by reducing farmers’ trust in government. Specifically, the exposure to negative policy-related information on digital platforms at the current stage significantly weakened farmers’ trust in government regulatory capacity and institutional guarantees. However, this negative mechanism was not universal and exhibited heterogeneity across age and education levels. [Conclusion] Enhancing digital capabilities while mitigating the resulting risks to policy trust is a crucial driver for unlocking the digital dividends of farmland transfer.

Key words： digital capability; farmland transfer; double machine learning; lasso regression; China

Cite this article

CHEN Ming , WANG Zhifan , WU Yunfeng . Impact and mechanism of digital capability enhancement on farmers’ farmland transfer behavior: A perspective of cost and trust[J]. Resources Science, 2025 , 47(11) : 2395 -2408 . DOI: 10.18402/resci.2025.11.06

1 引言

为实现土地资源的优化配置和高效利用，提高农业生产效率，近年来中国政府高度重视农地经营权流转改革，通过完善政策支持、加强监督管理、推动相关法律法规修订、设立农村土地经营权流转交易市场等举措，持续推进经营权流转。党的十九大会议明确指出，“要深化农村土地制度改革，完善承包地‘三权’分置制度”，2024年中央一号文件强调，“要健全土地流转机制，整合盘活农村零散闲置土地”。推动农地流转不仅有利于优化土地资源配置、提高土地利用效率，还能节能减排[1]、增加农民收入、促进农业规模化和集约化经营，对农村经济发展具有显著的促进作用。据中国农业农村部的数据 ① ，我国农村土地经营权流转率已从2005年的4.6%上升至2023年的36%，取得了长足的进展。但进一步推动农地经营权流转不容忽视的问题是，农地流转政策的落地效果与市场运行效率在很大程度上取决于农户的参与意愿。作为农地流转的微观决策主体，农户的参与决策深受信息不对称的制约，信息获取渠道不畅将直接导致农户难以全面了解流转政策、市场价格和潜在流转方信息，削弱了农户进行流转的积极性，进而制约了农地流转政策实施的推进速度和实际成效[2]。
在破解农地流转信息障碍的背景下，数字乡村建设为优化农地流转市场带来了新的机遇。党的二十大报告明确提出建设数字中国的战略目标，2022年，中央网信办、农业农村部等多部门联合印发《数字乡村发展行动计划（2022—2025年）》，旨在从制度层面对推进数字乡村建设，充分发挥信息化对乡村振兴的驱动引领作用进行全面部署。截至2023年，中国农村宽带用户达1.92亿户，较上年增长1557万，互联网普及率也由2017年年底的35.4%上升至66.5%。农村数字技术的广泛应用与农户数字能力提升使农户可以更高效地获取和处理流转政策、市场价格等关键信息，从而降低其在信息不对称环境下的搜寻成本和决策风险[3]，帮助农户突破传统地域限制，构建起更为广泛的社会网络，加速了流转信息在网络节点间的传递和扩散并降低交易摩擦[4]。因此，农户数字能力的提升可能通过多重路径影响农户农地流转决策，成为破解农地流转信息障碍以推进农户农地流转的重要因素。
现有的文献主要围绕数字乡村建设对农户行为的影响展开，研究指出，随着数字乡村的深化，农户行为更倾向于非农化[5]、绿色化[6]以及机械化生产[7]。而本文所关注的土地行为研究上，Ogutu等[8]研究指出，数字化的出现无论是对土地生产率、劳动生产率还是全要素生产率等均带来了显著的正向影响。数字化对个体土地行为选择带来的影响主要为转变了个体以往参与土地活动的方式，农地流转是农业资源优化的重要方式之一，在数字化的支撑下，农村劳动力可以实现在不影响成本支出的前提下提升劳动效率和获取信息的能力，进而对于农地转出也有着一定的促进作用。沈琼等[9]的研究结果表明，互联网可拓宽农业知识技术的传播途径，提升农地生产效率，推动土地资源流转，以技术进步实现农地流转市场规模化和市场化。上述的研究大多聚焦于农村互联网等数字基础设施建设对农户农地流转的影响，即从外生数字投入的角度探讨推进农地流转的有效举措。值得思考的是，数字基础设施建设发展是否必然消除影响农村土地流转的土地市场信息不对称问题，在缺乏农户相应的数字能力的前提下，即使辅以完善的数字基础设施，也可能由于农户信息获取与传播困难、缺乏有效的沟通渠道等原因，限制其农地流转政策响应能力，从而制约了土地的有效流转，因此，在国家不断完善农地流转的体制机制与大力推动农村数字基础设施建设的背景下，从农户自身因素出发探寻农地流转目标的有效实现路径，对于突破农地流转效率瓶颈，推动我国农村农地规模化经营更具科学性。而从当前基于内部因素探讨农地流转驱动因素的相关研究来看，大多聚焦于家庭负担[10]、家庭务工[11]、人口特征[12]等因素对农户农地流转行为的影响，尚未有研究从农户数字能力的视角展开农地流转行为驱动因素的相关研究。从当前关于农户数字能力的其他研究来看，大多集中在其与农户家庭收入[13]、发展韧性[14]以及风险资产配置的关系上[15]。
基于此，本文以中国家庭追踪调查（CFPS）2016—2020年数据为基础，利用双重机器学习法对农户数字能力影响农地转出的效应、作用路径、异质性展开理论与实证分析。本文可能的边际贡献在于：①研究视角上，从农户多样化就业、关系网络以及政府信任度角度出发，探索了数字能力提升对农户农地流转行为的影响路径及其异质性，为探寻农户农地流转行为的驱动因素提供了新的政策视角；②农户数字能力指标测度视角上，采用定基极差熵权法测算农户数字能力水平，深刻反映了农户数字能力在空间与时间上的发展差异，克服了传统熵权法测度的数据仅具备横向空间可比性，不具备纵向时间可比性的局限；③研究方法上，采用因果推断实证中较为前沿的双重机器学习模型进行实证研究，同时利用套索算法以及LASSO的残差回归对工具变量进行筛选来克服模型内生性，科学地提炼数字能力对农户农地流转的边际影响；④研究内容上，本文还从年龄、教育、收入和地理区位4个角度出发，探讨数字能力在促进农户农地流转上的样本差异性表现，并针对数字能力提升在政府信任度上所扮演的“数滞”效应是否具有普适性进行了补充检验，丰富了该议题的理论与经验研究。

2 理论分析与研究假设

从信息经济学视角来看，较强的数字能力使农户能够熟练运用各类数字化工具和平台，突破传统“熟人社会”的信息获取局限，显著提升其搜寻、筛选和处理流转信息的效率，数字技能的提升增强了农户辨识和验证流转信息真实性的能力，有效降低其在信息不对称环境下的决策风险。从交易费用理论来看，数字能力的提升使农户能够更准确地评估和量化流转过程中的谈判成本、合约履行成本等交易费用构成[16]，进而提升其对流转收益的判断能力，最终通过降低交易摩擦促进农地流转契约的达成[17]。这一数字赋能过程实质上提升了农户参与农地要素市场的微观决策效率。本文从农户多样化就业、关系网络以及政府信任度3个角度出发，对农户数字能力提升影响其农地流转的机制渠道展开理论假设与分析，具体思路详见图1。
图1 农户数字能力提升促进农地流转作用机制分析框架

注：“+”代表积极影响，“-”代表消极影响。

Figure 1 Analytical framework of mechanism through which farmers’ digital capability enhancement promotes farmland transfer

（1）农户多样化就业。从就业匹配而言，数字能力的提升能显著降低农户获取就业信息的门槛和成本，不仅帮助其获得更丰富的就业市场信息，还能精准匹配适合的就业岗位，有效扩展了农户的就业场景[18]。通过数字化学习平台，农户能持续获取新知识与技能培训，不断提升人力资本水平和就业竞争优势，实现就业选择的多元化。更重要的是，数字能力的提升强化了农户运用数字普惠金融的能力，使其能够获取低成本创业资金支持，并借助数字平台开拓创业信息渠道，激发创业意愿[19]，进一步丰富就业选择。从机会成本而言，随着农业机械化水平提高和农户非农就业收入优势凸显，农户必须在务农与非农就业两者间做出权衡。在数字能力赋能下获得更优质的非农就业机会后，农户往往会选择通过农地流转方式降低农业生产时间投入，以便将更多时间配置到收益更高的非农就业活动中[20]，这种机会成本的考量最终强化了农户农地流转的意愿。
（2）网络关系。数字能力的提升使农户能够突破地理空间约束，构建起更为广泛和多元的关系网络，特别是在农地流转市场中建立起潜在流转方的广泛连接。这种数字化关系网络在传承传统“人情社会”信任优势的同时，能够针对性地解决农地流转中的特殊难题：①通过社交网络快速获取和验证潜在流转方的土地经营能力和信用状况，降低农地流转中的风险识别成本[21]；②利用关系网络中的共同关系人作为信用担保和纠纷调解的桥梁，化解农地流转中的履约风险顾虑；③基于数字社交平台积累的流转经验反馈和案例分享，帮助农户更准确地评估农地流转价格和条件的合理性，从而提高农地流转决策的科学性[22]。这种数字能力强化的关系网络作用直接缓解了农地流转市场中的信任缺失和信息不透明问题，从而在提升农地流转成功率的同时，也优化了流转的质量和效率。
（3）政府信任度。一方面，农户数字能力提升可能强化农户政府信任度，从而对其农地流转行为产生积极影响。数字能力的提升使农户能够更便捷地获取和理解政府发布的农地流转政策文件、改革试点经验和监管规则，这种信息可及性降低了农户对农地制度改革的不确定性认知。同时，农户能够通过数字渠道了解其他地区农地流转的成功案例和政府监管介入的有效性，进一步强化了农户对政府作为制度保障者和权益维护者角色的信任，从而减轻其对农地这一特殊资产进行流转的顾虑，最终促进其流转意愿。另一方面，农户数字能力提升也可能弱化农户政府信任度，不利于其农地流转行为。已有研究表明，微观个体对互联网的正面信息和负面信息具有不对称性反应偏好，即正常情况下，相较于积极或中立信息，负面信息容易引起人们的关注并产生响应[23]。网络技术常常具有放大负面新闻的效果，互联网极大增强了农户获取政策信息的机会和渠道，在信息了解环节，受消极偏见思想的影响，农户对与政府有关的负面消息会着重关注[24]，如补偿资金被截留、优惠政策打折、安置问题拖延、失地农户权益受损等信息可能掩盖其他信息成为焦点，打击农户对于政策的信心。因此，农户数字能力提升可能导致其更频繁接触政策执行中的问题和争议，从而降低对政府在农地流转过程中的监管能力和制度保障作用的信任度，这种信任的弱化会增加农户对流转风险的担忧，从而抑制其农地流转的意愿。
综上，本文提出如下假设：
H1：农户数字能力提升促进了农地流转行为。
H2：农户数字能力提升可通过促进农户多样化就业、强化农户关系网络促进农户农地流转。
H3a：农户数字能力提升可提升政府信任度促进农户农地流转。
H3b：农户数字能力提升弱化了政府信任度抑制了农户农地流转。

3 研究设计

3.1 模型构建

本文参考王茹婷等[25]、张涛等[26]研究的做法，采用双重机器学习来估计农户数字能力提升对其农地流转行为的因果效应。双重机器学习是由Chernozhukov[27]等提出的用来估计处理效应的一种模型，与传统的政策评估方法相比，首先该方法提出的模型放宽了变量之间的线性假设条件，允许变量之间非线性和交互影响的存在，其次该方法即使在应对较多控制变量时也可以精准地估计因果关系。具体模型如下：
T r a n s f e r i t = θ 0 D c i t + g ( X i t ) + U i t
D c i t = f ( X i t ) + V i t
式中： i为家庭； t为时间； T r a n s f e r i t为农地流转行为； D c i t为农户数字能力，其系数 θ 0反映了农户数字能力对其农地流转行为的影响； X i t为控制变量的集合； U i t和 V i t为误差项，其条件均值 E [ U i t X i t ,   D c i t ]、 E [ V i t X i t ]为0。 g ( X i t )与 f ( X i t )为待估计的函数形式，主要采用机器学习算法对主回归和辅助回归进行预测求解，本文在基准回归中主要选取随机森林算法。此外，为了避免机器学习进行模型预测的过拟合问题，双重机器学习采用了样本内外交叉验证的方法，其中样本分割比例为1: 4。

3.2 变量选取

3.2.1 被解释变量：农户农地流转（ T r a n s f e r i t）

本文选用的被解释变量为农户农地流转行为，根据问卷中的问题“是否将土地出租他人?”进行定义，无论是否收取租金，只要将土地交与其他人使用即视为“出租”。如回答“是”，取值为1，否则为0（表1）。
表1 描述性统计

Table 1 Descriptive statistics

类别 变量 含义 样本量 均值 标准差 最小值 最大值
被解释变量 T r a n s f e r i t 农地流转行为 15729 0.190 0.393 0 1.000
解释变量 D c i t 数字能力 15729 0.143 0.207 0.001 0.995
机制变量 J o b i t 农户多样化就业 15729 0.497 0.500 0 1.000
S e n i t 关系网络 15729 7.128 2.128 1.609 12.206
E v a i t 政府信任度 15729 2.527 0.956 1.000 5.000
控制变量 G e n d e r i t 性别 15729 0.769 0.421 0 1.000
U r b a n i t 户口类型 15729 0.096 0.295 0 1.000
C p c i t 政治面貌 15729 0.104 0.305 0 1.000
E d u i t 受教育年限/年 15729 1.828 0.907 0 3.178
H e a i t 健康情况 15729 3.078 1.234 1.000 5.000
A g e i t 年龄/岁 15729 3.934 0.270 2.833 4.533
F n u m i t 家庭人口数/人 15729 1.532 0.397 0.693 2.772
I n c o m e i t 家庭收入/万元 15729 10.663 1.022 6.907 13.710
I n f r a i t 基础设施 15729 2.539 1.052 1.000 6.000
E n v i t 周边环境 15729 2.465 1.049 1.000 6.000
S e c i t 治安状况 15729 2.108 0.975 1.000 6.000
R e l i t 邻里关系 15729 1.944 0.891 1.000 6.000
H e l p i t 邻里互助 15729 1.472 0.846 1.000 6.000
F e e l i t 村庄情感 15729 1.472 0.906 1.000 6.000
T F P i t 农业全要素生产率 15729 1.548 0.681 0.340 2.936

3.2.2 核心解释变量：农户数字能力（ D c i t）

从数字能力的内涵出发，借鉴陆镜名等[13]的做法，本文从数字技术接入、数字平台使用以及数字信息获取3个维度构建个体层面农户数字能力衡量指标体系（表2）。其中，数字技术接入是农户获取数字化信息的必备条件，是农户具备数字能力的前提。数字平台使用重在反映农户在社交、购物、娱乐、工作等领域数字技术应用方面的差异，是农户通过数字信息化设备发挥自身数字能力的重要体现。数字信息获取则是农户数字能力的底色，不仅是获取知识的过程，更包含了信息整合利用等一系列技能，构成数字能力的核心要素之一。传统熵权法对指标体系赋权具有仅限时间而不包含空间可比性的局限性，故借鉴陈鸣等[28]的做法，采用定基极差熵权法对个体层面农户数字能力进行测度，以此反映不同农户在时间和空间双维上数字能力的差异。
表2 农户数字能力指标体系

Table 2 Indicator system for farmers’ digital capabilities

维度 题项说明 均值 标准差
数字技术接入 是否移动上网：是=1，否=0 0.386 0.487
是否电脑上网：是=1，否=0 0.115 0.319
数字平台使用 上网时长/h 2.901 6.703
是否网上社交：是=1，否=0 0.222 0.415
是否网上购物：是=1，否=0 0.182 0.386
是否网上工作：是=1，否=0 0.355 0.479
是否玩网络游戏：是=1，否=0 0.139 0.346
数字信息获取 互联网对于日常获取信息的重要性：1~5个等级，等级越高越重要 0.286 0.182
是否通过网络学习：是=1，否=0 0.147 0.355
是否通过网络接收政治相关信息：是=1，否=0 0.339 0.473
是否通过网络发表政治言论：是=1，否=0 0.012 0.110

3.2.3 机制变量

（1）农户多样化就业（ J o b i t）
根据中国家庭追踪调查（CFPS）家庭经济库2016—2020年数据，选取“是否有人从事个体私营”与“是否外出就业”两个问题对农户多样化就业进行测度，若农户有从事个体私营或者外出就业则设定为1，若两者皆无则设定为0。
（2）关系网络（ S e n i t）
在社交网络中，关系网络作为一种有效的社会资源，属于无形资本类型，本文参考杨汝岱[29]的测度思路，用家庭人情礼支出金额的对数衡量农户关系网络，依据在于：“礼尚往来”一直是中国社会的传统习俗，尤其在农村地区持续保持“人情社会”的风俗习惯，人情礼作为农村传统社会的社交方式，是农户维系社会关系的重要手段，人情礼较多则证明农户的社交网络较广，农户拥有较强的关系网络，故人情礼可被视为农户关系网络的代理变量。
（3）政府信任度（ E v a i t）
中国家庭追踪调查数据依据农户对政府政策的评价设置了如下问题及赋值：“您对上一年度政府的工作给出的认可度为?”此题共有5个选项：“1”代表有很大成绩；“2”代表有一定成绩；“3”代表没有多大成绩；“4”代表没有成绩；“5”代表比之前更糟糕。本文依据该调查数据结果，将农户对政府工作认可结果视为政府信任度的代理变量，数值越低表明农户对政府的信任度越高，反之，则政府信任度越低。

3.2.4 控制变量

借鉴和参考已有相关文献选取如下变量在模型中进行控制。一是户主特征变量，包括性别（ G e n d e r i t）：男=1，女=0；户口类型（ U r b a n i t）：非农户口=1，农业户口=0；政治面貌（ C p c i t）：是党员=1，不是党员=0；受教育年限（ E d u i t）：受教育年数的自然对数；健康状况（ H e a i t）：共分1~5共5个等级，其中1表示非常健康，5表示不健康；年龄（ A g e i t）：年龄的自然对数。二是家庭背景变量，包括家庭规模（ F n u m i t）：家庭人口数的自然对数；家庭收入（ I n c o m e i t）：年纯收入的自然对数；家庭附近环境：包括交通等基础设施状况（ I n f r a i t）、家庭周边环境（ E n v i t）、家庭周边治安状况（ S e c i t）、邻里关系（ R e l i t）、邻里互助（ H e l p i t）和村庄情感（ F e e l i t），均分为6个等级，1~6分别表示很好、较好、一般、较差、很差、其他。三是其他控制变量，包括农业全要素生产率（ T F P i t），选取第一产业就业人数、机械总动力、播种面积、灌溉面积和化肥使用量为投入指标，第一产业实际增加值为产出指标，采用Malmquist-DEA方法计算，生成省级农业全要素生产率指数；以及除虚拟变量以外其余变量的二次项，以控制变量间可能存在的非线性影响，同时以时间和家庭虚拟变量的方式引入时间固定效应及家庭固定效应，进一步提高模型的拟合精度。

3.3 数据来源与描述性统计

本文所采用的数据来自中国家庭追踪调查（CFPS）数据库、《中国农村统计年鉴》以及各省份的统计年鉴。其中，中国家庭追踪调查数据库所覆盖的省份共计25个（不包括新疆、西藏、青海、内蒙古、宁夏、海南以及港澳台地区），在选取样本时进行了严格的统计学设计，使得所抽取的样本能够总体反映中国现实情况。为保证数据的连续性与可得性，首先挑选出2016—2020年均参与调查的家庭，对于家庭恒定不变的缺失值优先参考2010—2014年的调查数据填补，而后将关键变量缺失较为严重的样本进行剔除，最终得到5243个家庭的样本信息。根据统计可知，在因变量中，“农户农地流转”所得到的平均数值为0.190，由此可见，农户总体的流转度较低；在自变量中，农户数字能力所得到的平均数值为0.143，可知调查样本中农户数字能力仍处于一个较低水平。另外，本次被调查者中，农业户口和非农户口党员的总人数占比分别为8.82%和25.1%，且文化教育程度中位数为8年，可见被调查者大多数为群众，仅具有初中文化。各个变量的描述性统计如表1所示。

4 结果与分析

4.1 基准回归结果

本文回归结果详见表3。列（1）-（6）分别控制了个体层面、家庭层面、省份层面、二次项、时间固定效应和家庭固定效应，结果显示，在依次控制了这些变量后，农户农地流转Transferit的系数值仍在1%水平上显著，说明了农户数字能力提升增强了农户辨识和验证流转信息真实性的能力，同时提升其对流转收益的判断能力，从而显著促进了农地流转，H1得到验证。进一步从数字技术接入、数字平台使用以及数字信息获取3个维度出发，分别对农户农地流转进行再回归，考察农户数字能力各维度对农地流转的影响，结果如列（7）所示，3个维度的回归系数分别在1%、1%、10%水平上显著，且数字平台使用和数字信息获取相较于数字技术接入的系数更为明显，表明数字技术接入只是影响农户农地流转的先决条件，数字平台使用和数字信息获取可以更大程度上影响农户的流转意愿。农户数字平台使用能力和信息获取能力的提升，可以通过重构信息生态、优化交易流程、增强决策科学性等路径，直接作用于农地流转过程中的核心痛点，如信息不对称、高交易成本等。而单纯的技术接入若缺乏对平台的主动使用和信息处理能力，则难以最大程度上转化为实际流转行为。
表3 基准回归结果

Table 3 Benchmark regression results

变量 （1） （2） （3） （4） （5） （6） （7）
D c i t 0.1601***（0.0218） 0.1169***（0.0216） 0.1343***（0.0221） 0.1281***（0.0222） 0.1274***（0.0222） 0.0816***（0.0213）
数字技术接入 0.0074***（0.0019）
数字平台使用 0.0462***（0.0139）
数字信息获取 0.0412*
（0.0230）
控制变量个人层面 Yes Yes Yes Yes Yes Yes Yes
控制变量家庭层面 No Yes Yes Yes Yes Yes Yes
控制变量省级层面 No No Yes Yes Yes Yes Yes
控制变量二次项 No No No Yes Yes Yes Yes
时间固定效应 No No No No Yes Yes Yes
家庭固定效应 No No No No No Yes Yes
样本量 15729 15729 15729 15729 15729 15729 15729

注：*、**、***分别代表在10%，5%、1%的水平上显著；括号内为稳健标准误。下同。

4.2 内生性问题检验

本文所构建的计量模型必须考虑内生性问题，具体表现为：一是农地转出和互联网使用两者可能存在双向因果关系；二是遗漏变量问题，采用工具变量法处理可能存在的内生性问题。科学选取工具变量是确保内生性处理结果稳健性的关键，现有权威文献对于微观主体数字能力的工具变量常见于家庭邮寄通信支出[30]（Teleit）、农户对互联网的重视程度[31]（Lovenetit）、同村其他村民互联网使用情况[32]（Imitateit）、村庄网络使用情况[13]（Ctimeit）。当存在较多可供选择的工具变量时，传统的计量经济学方法往往对这些工具变量的有效性难以识别。为此，本文首先参考王晓兵等[33]和杨思莹等[34]的做法，以机器学习为核心，以套索算法为基础来对上述4个工具变量进行适用性选择。
随着套索算法中超参数 λ的增大，工具变量筛选只剩下农户对互联网的重视程度（ L o v e n e t i t）这一工具变量。为进一步验证此工具变量的实用性，进一步参考谢杰等[35]的做法，利用LASSO在2SLS第一阶段根据残差回归的F值和系数值筛选工具变量。上述4个变量的筛选结果如表4列（1）-（4）所示，采用LASSO残差回归方法筛选外生变量 L o v e n e t i t作为工具变量时，F统计值为2809.76，并且其系数值均相对其他工具变量较大，表明 L o v e n e t i t工具变量与核心解释变量的相关性更强。综上，本文选取“农户对互联网的重视程度”（ L o v e n e t i t）为最优工具变量，纳入双重机器学习部分线性工具变量模型进行内生性检验，其模型设置如下：
T r a n s f e r i t = θ 0 D c i t + g ( X i t ) + U i t
L o v e n e t i t = f ( X i t ) + V i t
工具变量法检验后的结果如表4列（5）所示，模型中仍采用基础回归的设定。由表4的结果可知，在采用工具变量后，其回归结果仍在1%的水平上显著为正，未改变基础回归的结论。
表4 工具变量法

Table 4 Instrumental variable method

变量 （1）
r D c i t		 （2）
r D c i t		 （3）
r D c i t		 （4）
r D c i t		 （5）
T r a n s f e r i t
r T e l e i t 0.0071***（0.0010）
r L o v e n e t i t 0.0558***（0.0011）
r I m i t a t e i t 0.0021***（0.0005）
r C t i m e i t 0.0007**（0.0003）
D c i t 0.1331***（0.0301）
控制变量 Yes Yes Yes Yes Yes
时间家庭固定效应 Yes Yes Yes Yes Yes
样本量 15729 15729 15729 15729 15729
F 46.62 2809.76 18.13 6.37
Prob>F 0.0000 0.0000 0.0000 0.0116

4.3 其他稳健性检验

4.3.1 考虑区县-时间交互固定效应

考虑到不同区县随时间变动的影响，本文在原有基准回归的基础上，进一步控制区县时间固定效应，结果见表5中列（1）。结果显示在考虑到相同区县内不同家庭间的联系下，其回归系数仍在1%水平上显著大于零，说明结果是稳健的。
表5 其他稳健性检验结果

Table 5 Results of other robustness tests

变量 （1） （2） （3） （4） （5） （6）
D c i t 0.0776***（0.0214） 0.1549***（0.0211） 0.120***（0.0223） 0.2850***（0.0073） 0.0851***（0.0214） 0.0293***（0.0074）
控制变量个人层面 Yes Yes Yes Yes Yes Yes
控制变量家庭层面 Yes Yes Yes Yes Yes Yes
控制变量省级层面 Yes Yes Yes Yes Yes Yes
控制变量二次项 Yes Yes Yes Yes Yes Yes
时间固定效应 Yes Yes Yes Yes Yes Yes
家庭固定效应 Yes Yes Yes Yes Yes Yes
样本量 15729 15729 15729 15729 15729 15729

4.3.2 更换机器学习算法

为避免设定双重机器学习模型算法时所引起的偏误，将模型中用来预测的随机森林算法分别更换为套索算法、梯度提升算法和神经网络算法。算法更换的稳健性结果详见表5中列（2）-（4）。结果显示，改变机器学习算法后，其结果仍在1%水平上显著大于零，证明基准回归结果的稳健。

4.3.3 更改样本分割比例

为避免设定双重机器学习模型样本分割比例所引起的偏误，本文将基准回归中样本分割比例由1: 4分别改为1: 2和1: 6。改变样本分割比例的回归结果详见表5中列（5）和（6）。结果显示，改变样本分割比例后，其结果仍在1%水平上显著大于零，证明基准回归结果的稳健性。

4.4 影响机制检验

参考江艇[36]的机制检验研究思路，探讨数字能力通过农户多样化就业、农户关系网络和政府信任度3种渠道影响农户农地流转，模型选择上仍采用基准回归时的设定，回归结果如表6所示。
表6 机制分析结果

Table 6 Results of mechanism analysis

变量 （1）
J o b i t		 （2）
S e n i t		 （3）
E v a i t
D c i t 0.0788***（0.0260） 0.6717***（0.0977） 0.0980**（0.0492）
控制变量个人层面 Yes Yes Yes
控制变量家庭层面 Yes Yes Yes
控制变量省级层面 Yes Yes Yes
控制变量二次项 Yes Yes Yes
时间个体固定效应 Yes Yes Yes
样本量 15729 15729 15729
表6列（1）结果表明，核心解释变量 D c i t系数为0.0788，在1%水平上显著，证明农户数字能力提升激发农户外出就业与自主创业热情，拓宽了农户就业选择，表明农户多样化就业是农户数字能力提升促进农户农地流转的重要机制之一。同理，表6列（2）结果表明，核心解释变量 D c i t系数为0.6717，在1%水平上显著，说明农户数字能力提升能强化农户关系网络，降低农地流转中的风险识别成本，化解农地流转中的履约风险顾虑，直接缓解了农地流转市场中的信任缺失和信息不透明问题，从而促进农地流转，H2得证。进一步对H3a与H3b进行竞争性检验，表6列（3）显示核心解释变量 D c i t系数为0.0980，在5%水平上显著，说明受偏见思维的影响，农户数字能力提升在政府信任度上消极影响更强，抑制了农户农地流转意愿，该结论进一步说明，相较于数字能力提升有助于农户便捷获取政策信息从而增强政府信任度的积极效应，数字平台带来的政策负面信息暴露导致农户对政府监管能力和制度保障作用的信任弱化效应更强，H3b得证。

4.5 拓展分析

4.5.1 数字能力提升对农户农地流转影响的异质性

尽管互联网带来的各类信息是无差别地传递至农户面前，但对于不同年龄、教育以及收入层次的农户而言，所产生的影响是不完全相同的。为检验该影响是否存在样本群体上的差异，为农地流转政策实践提供更为细致的设计路径，本文从年龄、教育、收入和地理区位4个角度出发，探讨数字能力在促进农户农地流转上的样本差异性表现。
（1）年龄异质性分析
农户年龄可能影响农户对土地的依赖程度、农户劳动能力以及非农收入比例，进而影响农户对农地流转的态度和行为。为探究年龄在数字能力赋能农户农地流转中的调节作用，本文设置年龄变量 a g e i t，将年龄45岁以下代表青年群体，设置为1（ a g e i t = 1），满45岁及以上代表中老年群体，设置为0（ a g e i t = 0），变量 a g e i t与农户数字能力 D c i t相乘后作为模型（1）和（2）的核心解释变量，并且把 D c i t添加到 X i t中作为控制变量进行回归，结果如表7列（1）所示， a g e i t × D c i t的系数在1%水平上显著为正，说明数字能力提升对于青年农户农地流转的促进效应显著高于中老年人农户群体，即数字能力提升引致的青年农户农地流转积极性较中老年人农户更高。青年农户更易接受新技术、擅长利用网络资源作出决策，并倾向于通过创新模式追求规模化经营和多元收入来源。相较之下，中老年农户由于习惯了传统耕作方式，对新模式的适应性较差，导致其农地流转的积极性不高。这一发现有助于理解年龄在农户农地流转中的影响，同时也表明，在面对老龄化问题时，通过适当的政策和措施激发中老年人政策响应的积极性和影响力，对于推动农业现代化和农户农地流转具有重要的作用。
表7 异质性分析结果

Table 7 Results of heterogeneity analysis

变量 （1） （2） （3） （4）
a g e i t × D c i t 0.0935***（0.0305）
e d u i t × D c i t 0.0538***（0.0098）
i n c o m e i t × D c i t 0.0107***（0.0020）
s p a i t × D c i t 0.1577***（0.0226）
控制变量个人层面 Yes Yes Yes Yes
控制变量家庭层面 Yes Yes Yes Yes
控制变量省级层面 Yes Yes Yes Yes
控制变量二次项 Yes Yes Yes Yes
时间个体固定效应 Yes Yes Yes Yes
样本量 15729 15729 15729 15729
（2）教育水平异质性分析
不同教育水平形成的认知会直接影响农户农地流转意识和行为，数字技术作为一种技术偏向型技术进步，其使用状况会受到教育差异的影响。为探究教育水平在数字能力赋能农户农地流转中的调节作用，根据户主受教育水平设置教育变量 e d u i t，将教育变量 e d u i t与农户数字能力 D c i t相乘后作为模型(1)和（2）的核心解释变量，并且把 D c i t添加到 X i t中作为控制变量进行回归，结果如表7列（2）所示， e d u i t × D c i t的系数在1%水平上显著为正，说明数字能力提升对于教育程度较高农户农地流转的促进效应显著高于教育程度较低农户群体，可能原因在于，农户的文化程度不仅影响着他们对农地流转的认识和接受程度，还影响着他们在农地流转过程中的决策能力和资源获取能力，因此在农户数字能力提升的背景下，文化程度较高的农户更有可能进行农地流转。
（3）收入水平异质性分析
农户人均收入规模是农村耕地承包经营权顺利流转的基础，也是影响其农地流入流出的重要因素之一。为探究收入水平在数字能力赋能农户农地流转中的调节作用，本文根据农户家庭纯收入设置收入变量 i n c o m e i t，将收入变量 i n c o m e i t与农户数字能力 D c i t相乘后作为模型（1）和（2）的核心解释变量，并且把 D c i t添加到 X i t中作为控制变量进行回归，结果如表7列（3）所示， i n c o m e i t × D c i t的系数在1%水平上显著为正，说明相较于低收入群体，高收入群体在数字能力提升时其农地流转意愿更强，高收入农户往往有更多机会接触并掌握先进的农业技术和管理知识，这类农户通常拥有较强的经济基础，能够承受土地转出带来的短期不确定性，并且有能力在城镇或其他非农领域寻找更好的发展机会，以追求更高的经济效益和社会福利，因此更倾向于将农地转出。这一发现揭示了收入水平在影响农户农地流入流出决策中的重要性，同时也揭示了不同收入农户在农地流转决策上的差异。
（4）地理区位异质性分析
我国幅员辽阔，不同地区农户不论是从自身受教育水平以及收入水平上，还是其土地所面临的自然条件来说有着明显差异，这将直接影响到数字能力提升时农户农地流转的决策。为考察地理区位对该影响的差异化表现，本文设置区位变量 s p a i t，将爱辉—腾冲线东侧的区位变量设置为1，西侧的设置为0。随后将该区位变量 s p a i t与农户数字能力 D c i t相乘后作为模型（1）和（2）的核心解释变量，并且把 D c i t添加到 X i t中作为控制变量进行回归，结果如表7列（4）所示， s p a i t × D c i t的系数在1%水平上显著为正，这说明数字能力在促进农户农地流转上有着明显的空间异质性，位于爱辉—腾冲线东侧的农户在数字能力提升时进行农地流转的倾向更强。通常来讲，爱辉—腾冲线东侧的经济更为发达，工业化和城市化进程较快，数字能力提升后农户面临的选择更多，并且该部分地区的地形较为平坦，更适合大规模机械化作业，这可能促进大范围的农地流转，形成大型农场或农业企业。相反，爱辉—腾冲线西侧多为山区或丘陵地带，地形复杂，不利于机械化操作，并且农户的收入大多依靠农地，因此可能更倾向于小规模家庭经营模式。

4.5.2 数字能力提升对政府信任度渠道影响的异质性

前文的机制分析表明，在全样本范围内，数字能力的提升降低了农户对政府的信任度，弱化了农户农地流转，进一步需要考虑数字能力提升在政府信任度上所扮演的“数滞”是否具有普适性，还是存在样本异质性，以全面综合认识数字能力提升在农地流转上的影响。基于此，本文从年龄和教育两个维度出发，探讨数字能力在政府信任度上赋能农地流转的可能存在的样本差异化特征。具体而言，参考世界卫生组织对不同年龄群体的定义将农户划分为3类，将18（含）至45周岁代表青年群体，45（含）至60岁代表中年群体，60岁及以上代表老年群体。而在教育的划分上，本文参考国家统计局对高等教育人群的定义，将受教育年限超过9年的代表高教育人群，9年及以下的代表低教育人群。不同群体在数字能力在政府信任度上所发挥的作用结果如表8所示。
表8 拓展分析结果

Table 8 Results of extended analysis

变量 Evait
（1）青年 （2）中年 （3）老年 （4）低教育 （5）高教育
D c i t 0.0570（0.0709） 0.1065（0.0762） 0.1190*（0.0643） 0.1249**（0.0631） 0.0848（0.0554）
控制变量个人层面 Yes Yes Yes Yes Yes
控制变量家庭层面 Yes Yes Yes Yes Yes
控制变量省级层面 Yes Yes Yes Yes Yes
控制变量二次项 Yes Yes Yes Yes Yes
时间个体固定效应 Yes Yes Yes Yes Yes
样本量 4521 6769 4439 7578 8151
表8列（1）-（3）显示了不同年龄群体样本中，数字能力提升对农户政府信任度的影响，结果显示， D c i t的系数仅在老年群体样本中显著为正，说明仅在老年群体样本中，数字能力提升降低了农户的政府信任度，从而不利于农户响应农地流转政策，而这一负面影响并未出现于青年及中年群体样本中，即随着青年及中年群体数字能力的增强，其对于农地流转政策的响应是积极的，其可能在于，数字能力的提升令农户群体暴露于海量信息中，老年群体更容易受到舆论的影响，也难以甄别信息的真伪，受网络上政府伪负面或放大负面信息的影响较大，相较而言，青年及中年群体对网上的“信息噪声”耐受性及甄别能力更强，从而在政府信任度上表现得较为稳定。
由表8列（4）、（5）显示了不同受教育程度群体样本中，数字能力提升对农户政府信任度的影响，结果显示， D c i t的系数出现了分化，数字能力在较低教育人群中表现出了“数滞”角色，但是在较高教育人群中却没有发挥功能，即仅在较低教育程度样本中，数字能力提升降低了农户的政府信任度，从而不利于农户响应农地流转政策，反之，在较高教育群体样本中，其数字能力的增强不影响其政府信任度。这一结论说明教育可以很大程度上改善偏见消极的影响，教育对思维的提升在于独立性思考，相较于较低教育群体，较高教育群体分辨能力更强，不仅会将负面信息的“乘数效应”降至最低，也有能力积极主动地搜寻验证信息，弱化了政府“数字公告”与农户之间存在的信息壁垒，从而对政府的信任较为稳定。

5 结论与政策启示

5.1 结论

本文基于2016—2020年中国家庭追踪调查（CFPS）微观数据，采用双重机器学习从家庭层面探讨了农户数字能力提升对农地流转的影响及具体机制。主要结论如下：
（1）从整体样本来看，农户数字能力提升对农户农地流转行为产生了重要影响，有利于促进农户农地流转，从农户数字能力分维度来看，数字技术接入、数字平台使用以及数字信息获取3个维度均能显著促进农户农地流转，但数字技术接入是影响农户农地流转的基础，数字平台使用和数字信息获取可以更大程度上影响农户的参与意愿。
（2）微观个体样本层面，数字能力提升影响农户农地流转的效应具有年龄、教育与收入水平等样本异质性，即在中青年、文化程度较高以及收入水平较高等样本群体中，数字能力提升对农户农地流转的促进效应更强。区域样本层面，数字能力提升影响农户农地流转的效应具有空间异质性，爱辉—腾冲线两侧的农户在数字能力提升时对农地流转的参与意愿有着明显差异，东侧的农户数字能力提升对农地流转的积极影响更强。
（3）农户数字能力提升主要通过促进农户就业多样化、拓宽农户关系网络两个渠道促进农户农地流转，但农户数字能力提升在政府信任度上消极影响更强，弱化了农户农地流转，表明相较于数字能力提升有助于农户便捷获取政策信息从而增强政府信任度的积极效应，数字平台带来的政策负面信息暴露导致农户对政府监管能力和制度保障作用的信任弱化效应更强。
（4）尽管农户数字能力通过降低农户政府信任度，从而抑制了农户农地流转，但这一负向作用机制并非普遍，具有年龄与受教育程度样本异质性，仅存在于老年群体及较低受教育群体样本中，这一结论进一步表明在推进数字乡村建设过程中需要特别关注老年和低教育程度农户的数字素养培养，从而降低数字能力提升可能带来的负向影响。

5.2 政策启示

上述结论对促进农户农地流转，提高土地资源利用效率具有重要的政策启示：
（1）加强农村地区农户数字素养，提升其数字能力，从而提升农地流转的效率和效果。当前我国农村互联网普及率不足70%，仍然存在较大缺口，数字乡村建设与农户数字能力培育仍存在一定的不足，政府应将提升农户数字能力作为优化农地流转市场的重要抓手，通过加强数字基础设施建设、开展数字技能培训、完善数字服务体系等举措，全面提升农户的数字素养。此外，在推进农村数字化转型过程中，还应采取“分层递进”的政策策略。不仅要夯实数字基础设施建设，完善农村地区网络覆盖和设备普及，解决农户数字技术接入的基础性需求，还要在此基础上重点加强对农户使用数字平台的培训和引导，优化涉农信息服务体系，提升农户获取和利用数字信息的能力。
（2）加强顶层设计，畅通农户数字能力驱动地区农地流转的提升渠道。首先大力支持农户组建数字社群和线上合作组织，通过这些网络，农户不仅可以相互交流数字技能、农地流转的经验和市场信息，提升其社会资本，同时也可以发挥数字能力高以及政府信任强农户的示范带头效应，赋能地区农地流转。其次要促进农户非农就业与数字化发展，支持和引导农户发展数字经济相关的非农就业机会，政府一方面可发展区域特色的数字产业，形成地区数字化产业链为农户提供更多多样化就业选择，另一方面可通过提供技术培训、就业指导，提升农户的就业选择，从而提升地区农地使用效率。
（3）注重政府形象管理，弱化“数滞”功能。由于消极偏见效应使得农户在面临庞大数字信息冲击时，反而加剧了与政府之间的信息不对称，降低了政府的信任度。政府可通过数字平台公开农地流转相关政策，透明化交易流程，并通过在线问答、媒体互动等加强与农户的互动，对于虚假信息以及造成农户恐慌的信息应做到及时回应，做好网上信息监管工作，以强化政府信用建设，增强政府政策实施的公信力。
（4）针对不同年龄、收入和教育群体实施差异化政策支持，通过分级扶持政策促进数字鸿沟的弥合。一方面针对希望转向非农产业的农户，政府可以提供就业培训、再就业支持，鼓励他们利用数字平台拓展职业机会，通过非农就业提升地区农地流转效果。另一方面通过政策补贴或社区互助，为低收入群体提供数字设备或网络服务补助，弱化收入在数字能力赋能农地流转的阻碍。此外要强化地区教育，教育不仅可以在农户就业和关系网络上赋能数字能力的农地流转效应，同时也可弱化农户受到消极偏见理论的影响。因此政府要加大农村地区的教育投资力度，借助数字化确保更多优质教育资源流向农村以及偏远地区，提升农户的整体教育水平，赋能农地流转。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
马国群, 吕丹阳, 谭砚文. 土地流转的节能减排效应及其机制[J]. 资源科学, 2024, 46(11): 2210-2224.

DOI

[Ma G Q, Lv D Y, Tan Y W. Energy saving and emission reduction effects of land transfer and its mechanism[J]. Resources Science, 2024, 46(11): 2210-2224.]

DOI

[2]
许竹青, 郑风田, 陈洁. “数字鸿沟”还是“信息红利”? 信息的有效供给与农民的销售价格: 一个微观角度的实证研究[J]. 经济学(季刊), 2013, 12(4): 1513-1536.

[Xu Z Q, Zheng F T, Chen J. Digital divided or digital provided? The effective supply of information and the farm-gate price: An empirical study from micro-level[J]. China Economic Quarterly, 2013, 12(4): 1513-1536.]

[3]
马亚飞, 谢小飞, 吕剑平. 数字化赋能: 互联网如何推动农地流转市场转型? 来自中国家庭金融调查的证据[J]. 经济体制改革, 2024, (4): 81-89.

[Ma Y F, Xie X F, Lv J P. Digital empowerment: How internet use can drive the transition of agricultural land transfer markets? Evidence from the China household finance survey[J]. Reform of Economic System, 2024, (4): 81-89.]

[4]
蔡文聪, 霍学喜, 杨海钰. 互联网使用能否促进农户农地转入? 基于交易成本的考察[J]. 农村经济, 2022, (7): 28-36.

[Cai W C, Huo X X, Yang H Y. Can internet use facilitate the transfer of farmers’ agricultural land? An examination based on transaction costs[J]. Rural Economy, 2022, (7): 28-36.]

[5]
张雷, 孙光林. 数字乡村对农户创业的影响机理[J]. 华南农业大学学报(社会科学版), 2023, 22(3): 69-82.

[Zhang L, Sun G L. Impacting mechanism of digital village on farmers’ entrepreneurship[J]. Journal of South China Agricultural University (Social Science Edition), 2023, 22(3): 69-82.]

[6]
Yang C F, Ji X, Cheng C M, et al. Digital economy empowers sustainable agriculture: Implications for farmers’ adoption of ecological agricultural technologies[J]. Ecological Indicators, 2024, DOI: 10.1016/j.ecolind.2024.111723.

[7]
Ma J K, Li G S, Chen P, et al. How does digital financial inclusion affect farmers’ choice of agricultural mechanization? Evidence from China[J]. Technology Analysis & Strategic Management, 2023, 37(7): 1-14.

[8]
Ogutu S O, Okello J J, Otieno D J. Impact of information and communication technology-based market information services on smallholder farm input use and productivity: The case of Kenya[J]. World Development, 2014, 64: 311-321.

DOI

[9]
沈琼, 李皓浩. 互联网使用与家庭农地流转[J]. 经济经纬, 2023, 40(6): 15-26.

[Shen Q, Li H H. Internet use and household farmland transfer[J]. Economic Survey, 2023, 40(6): 15-26.]

[10]
许彩华, 管睿, 余劲. 农户非农就业充分性对农地流转行为的影响研究: 基于性别差异视角的分析[J]. 农业技术经济, 2023, (8): 39-52.

[Xu C H, Guan R, Yu J. Research on the impact of farmers’ non-agricultural employment adequacy on farmland transfer behaviors: From the perspective of gender differences[J]. Journal of Agrotechnical Economics, 2023, (8): 39-52.]

[11]
吴明朗, 李雪松, 甄广雯. 数字禀赋、农地流转权能与农民收入福利[J]. 管理评论, 2022, 34(10): 291-303.

[Wu M L, Li X S, Zhen G W. Digital endowment, farmland transfer rights and farmers’income and welfare[J]. Management Review, 2022, 34(10): 291-303.]

[12]
徐晶, 张正峰. 家庭务工对农户参与农地流转行为的影响[J]. 中国土地科学, 2020, 34(10): 99-107.

[Xu J, Zhang Z F. The Effect of family off-farm work on farmers’ participation in farmland transfer[J]. China Land Science, 2020, 34(10): 99-107.]

[13]
陆镜名, 仇焕广, 苏柳方, 等. 数字能力能否促进牧户增收? 来自典型牧区的经验证据[J]. 中国农村经济, 2023, (12): 85-105.

[Lu J M, Qiu H G, Su L F, et al. Do digital capabilities enhance herdsmen’s income? Empirical evidence from typical pastoral areas[J]. Chinese Rural Economy, 2023, (12): 85-105.]

[14]
田杰, 李梦晗, 黄迈. 数字能力对农户家庭发展韧性的影响[J]. 农业经济与管理, 2024, (4): 49-61.

[Tian J, Li M H, Huang M. The impact of digital capability on the development resilience of rural households[J]. Agricultural Economics and Management, 2024, (4): 49-61.]

[15]
王小华, 刘云, 宋檬. 数字能力与家庭风险金融资产配置[J]. 中国农村经济, 2023, (11): 102-121.

[Wang X H, Liu Y, Song M. Digital capability and household risk financial assets allocation[J]. Chinese Rural Economy, 2023, (11): 102-121.]

[16]
罗必良. 科斯定理: 反思与拓展: 兼论中国农地流转制度改革与选择[J]. 经济研究, 2017, 52(11): 178-193.

[Luo B L. Rethinking and extension of the Coase theorem: Reform and choice of land circulation institutions in rural China[J]. Economic Research Journal, 2017, 52(11): 178-193.]

[17]
金祥义, 施炳展. 互联网搜索、信息成本与出口产品质量[J]. 中国工业经济, 2022, (8): 99-117.

[Jin X Y, Shi B Z. Internet search, information cost and quality of export products[J]. China Industrial Economics, 2022, (8): 99-117.]

[18]
阮若卉, 罗明忠. 农村劳动力数字素养、就业能力与非农就业[J]. 湖南农业大学学报(社会科学版), 2024, 25(4): 31-39.

[Ruan R H, Luo M Z. Digital literacy, employability and non-agricultural employment of rural labor[J]. Journal of Hunan Agricultural University (Social Sciences), 2024, 25(4): 31-39.]

[19]
孟祺. 数字经济与高质量就业: 理论与实证[J]. 社会科学, 2021, (2): 47-58.

[Meng Q. Digital economy and quality employment: Theory and empirical evidence[J]. Journal of Social Sciences, 2021, (2): 47-58.]

[20]
司瑞石, 周石磊, 刘明月. 农村非农就业稳定性对转出户农地流转续约的影响及其机制[J]. 资源科学, 2023, 45(4): 857-871.

DOI

[Si R S, Zhou S L, Liu M Y. Impact and mechanism of rural non-agricultural employment stability on farmland transfer contract extension of transfer-out households[J]. Resources Science, 2023, 45(4): 857-871.]

DOI

[21]
杨晶, 邓大松, 申云, 等. 社会资本、农地流转与农户消费扩张[J]. 南方经济, 2020, (8): 65-81.

DOI

[Yang J, Deng D S, Shen Y, et al. Social capital, land transfer and farmers’ consumption expansion[J]. South China Journal of Economics, 2020, (8): 65-81.]

DOI

[22]
尹志超, 仇化. “数智”还是“数滞”: 数字化转型与非农就业[J]. 经济学动态, 2024, (2): 32-51.

[Yin Z C, Qiu H. “Positive” or “negative”: Digital transformation and non-agricultural employment[J]. Economic Perspectives, 2024, (2): 32-51.]

[23]
张敏, 韩锡晴, 邵晶, 等. 对症下药还是面面俱到: 健康辟谣中信息呈现对说服效果的影响研究[J]. 信息资源管理学报, 2024, 14(5): 132-146.

[Zhang M, Han X Q, Shao J, et al. The influence of information presentation on the persuasive effect of health-related rumor debunking information[J]. Journal of Information Resources Management, 2024, 14(5): 132-146.]

DOI

[24]
王燕武, 莫长炜. 政务诚信与企业创新质量[J]. 当代财经, 2024, (4): 17-29.

[Wang Y W, Mo C W. Government integrity and enterprise innovation quality[J]. Contemporary Finance & Economics, 2024, (4): 17-29.]

[25]
王茹婷, 彭方平, 李维, 等. 打破刚性兑付能降低企业融资成本吗?[J]. 管理世界, 2022, 38(4): 42-64.

[Wang R T, Peng F P, Li W, et al. Does terminating rigid payment diminish financing cost of companies?[J]. Journal of Management World, 2022, 38(4): 42-64.]

[26]
张涛, 李均超. 网络基础设施、包容性绿色增长与地区差距: 基于双重机器学习的因果推断[J]. 数量经济技术经济研究, 2023, 40(4): 113-135.

[Zhang T, Li J C. Network infrastructure, inclusive green growth, and regional inequality: From causal inference based on double machine learning[J]. Journal of Quantitative & Technological Economics, 2023, 40(4): 113-135.]

[27]
Chernozhukov V, Chetverikov D, Demirer M, et al. Double/debiased machine learning for treatment and structural parameters[J]. The Econometrics Journal, 2018, 21(1): 1-68.

[28]
陈鸣, 王志帆. 智慧城市建设对共同富裕的影响: 基于双重机器学习的实证评估[J]. 现代财经(天津财经大学学报), 2024, 44(9): 20-36.

[Chen M, Wang Z F. The impact of smart city construction on common prosperity: Empirical evaluation based on double machine learning[J]. Modern Finance and Economics-Journal of Tianjin University of Finance and Economics, 2024, 44(9): 20-36.]

[29]
杨汝岱, 陈斌开, 朱诗娥. 基于社会网络视角的农户民间借贷需求行为研究[J]. 经济研究, 2011, 46(11): 116-129.

[Yang R D, Chen B K, Zhu S E. The credit behavior of rural households from the perspective of social network[J]. Economic Research Journal, 2011, 46(11): 116-129.]

[30]
祝仲坤, 冷晨昕. 互联网使用对居民幸福感的影响: 来自CSS2013的经验证据[J]. 经济评论, 2018, (1): 78-90.

[Zhu Z K, Leng C X. The impact of internet use on the subjective well-being of residents: Evidence from CSS2013[J]. Economic Review, 2018, (1): 78-90.]

[31]
李旭洋, 李通屏, 邹伟进. 互联网推动居民家庭消费升级了吗? 基于中国微观调查数据的研究[J]. 中国地质大学学报(社会科学版), 2019, 19(4): 145-160.

[Li X Y, Li T P, Zou W J. Has the internet promoted the upgrading of household consumption? Research based on the micro survey data of China[J]. Journal of China University of Geosciences (Social Sciences Edition), 2019, 19(4): 145-160.]

[32]
杨克文, 何欢. 互联网使用对居民健康的影响: 基于2016年中国劳动力动态调查数据的研究[J]. 南开经济研究, 2020, (3): 182-203.

[Yang K W, He H. The impact of internet usage on health of residents: A study from the China labor-force dynamic survey 2016[J]. Nankai Economic Studies, 2020, (3): 182-203.]

[33]
王晓兵, 赵龙强, 闵师, 等. 农村食物市场、食物消费与营养健康: 基于Ⅳ-LASSO方法的检验[J]. 农业经济问题, 2024, (8): 25-41.

[Wang X B, Zhao L Q, Min S, et al. Rural food market, food consumption, and nutritional health: Examination based on the Ⅳ-LASSO Method[J]. Issues in Agricultural Economy, 2024, (8): 25-41.]

[34]
杨思莹, 李雨彤, 陈思. 土地出让价格与智能制造: 抑制还是倒逼[J]. 产业经济研究, 2025, (3): 15-28.

[Yang S Y, Li Y T, Chen S. Land transfer prices and intelligent manufacturing: Suppression or forcing[J]. Industrial Economics Research, 2025, (3): 15-28.]

[35]
谢杰, 陈锋, 陈科杰, 等. 贸易政策不确定性与出口企业加成率: 理论机制与中国经验[J]. 中国工业经济, 2021, (1): 56-75.

[Xie J, Chen F, Chen K J, et al. Trade policy uncertainty and export firms’ markups: Theoretical mechanism and China’s experiences[J]. China Industrial Economics, 2021, (1): 56-75.]

[36]
江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022, (5): 100-120.

[Jiang T. Mediating effects and moderating effects in causal inference[J]. China Industrial Economics, 2022, (5): 100-120.]

Options
Outlines

/

〈 〉