数字普惠金融对农业碳排放的影响效应研究

□ 徐敏 张云慧

一、引言

气候变化和可持续发展在全球范围内日益成为焦点议题，国际社会采取多种行动来减少碳排放，以应对气候变化对全球经济稳定性的威胁。当前我国正处于经济增速放缓、经济增长新旧动能转换的关键时期，加快推进“双碳”目标的实现可能是“破局”之道。农业碳排放包括了来自农作物种植、畜牧业、土壤管理和农村能源使用等多个方面的排放源，在碳减排方面具有巨大的潜力。减少农业碳排放不仅有助于降低温室气体浓度，还可以改善土壤质量、提高农产品产量，从而实现可持续农业发展。

受资源环境所限，传统的农业生产方式，即高度污染、高能耗、低效率的生产模式理应随新经济态势协同变化，向绿色、环保、可持续的生产方式转变。2021年10月26日，国务院发布《2030年前碳达峰行动方案》，明确金融在实现碳达峰行动中的保障作用。数字普惠金融是一种基于金融科技创新的金融服务方式，具有在农业领域实现碳减排目标的巨大潜力。首先，数字普惠金融可以为农民提供更多融资渠道，帮助他们投资于更环保、更高效的农业生产方式，减少碳排放。其次，数字技术的应用可以提高农业生产的智能化程度，使农民更精确地管理资源、用水和用能，从而减少不必要的资源浪费和碳排放。此外，数字普惠金融可以帮助监测和评估农业碳排放，为碳市场和碳交易提供更准确的数据和支持。因此，数字普惠金融为实现农业领域碳减排目标提供了可行性和技术支持。数字普惠金融与农业碳减排的结合在资金和技术方面创造出一种协同效应，推动农业领域低碳绿色可持续发展。

二、文献综述及研究假说

（一）文献回顾

目前关于数字普惠金融与碳排放已有较为深入的研究，学界普遍认为数字普惠金融对碳排放有负向影响，其具体作用机制包括创新、创业和产业升级效应等。许钊等（2021）经实证分析得出了数字普惠金融对于污染排放抑制效应的具体机制，包括创新、创业和产业机构的升级等，郭桂霞等（2022）经研究发现数字普惠金融发达地区的碳排放显著下降，并发现其作用机制主要是降低产业融资成本。有学者则通过加入第三个变量全要素生产率，间接研究了数字金融和碳减排的关系。沈洋等（2021）认为数字普惠金融可以通过数字化服务降低搜集信息的难度和成本，降低金融服务的门槛，同时可以提高农业全要素生产率。贺茂斌等（2021）实证验证了数字普惠金融对全要素生产率的影响，全要素生产率的提升进而减少碳排放，惠献波（2021）经实证指出数字普惠金融通过创新、创业及产业升级效应促进全要素生产率的提升。张翱翔等（2022）经研究表明中国农业绿色全要素生产率不断提高，数字普惠金融起到了决定性因素。

数字普惠金融的碳减排效应在农业细分领域的研究目前相关文献较少。苏培添等（2023）利用空间杜宾模型发现数字普惠金融与农业碳排放强度存在错位的空间叠加形态，何宏庆等（2023）证明数字普惠金融与绿色农业之间存在非线性关系，绿色农业随着数字普惠金融门槛的提高其对促进作用也愈发显著，申云等（2023）实证表明数字普惠金融可以通过降低农业碳排放强度、提高农业生产社会化服务水平和农业产业融合深度，助推农业绿色低碳高质量发展，付伟等(2022)研究发现不同省份数字普惠金融发展水平的作用效果具有双重门槛效应，对农业低碳发展的提升存在边际递增特征。

综上所述，数字普惠金融在解决碳排放问题方面已经有了全面的表现，同时其在农业碳排放领域发挥的重要作用不容小觑，但目前数字普惠金融带来的农业碳减排效应没有得到充分的重视。基于此，本文将视角转向数字普惠金融的发展与农业碳排放强度的关系，本文的边际贡献可能有以下两点：第一，全面推进乡村振兴、实现农业现代化迫切需要金融服务的赋能助力，目前关于数字普惠金融在农业这一细分领域的碳减排影响研究较少，本文聚焦农业领域探究其影响效应；第二，与其他非农业部门相比，农业部门及农业生产者面临更加严峻的“金融排斥”问题，缓解农村偏远弱势群体的信贷约束一直是农村金融市场改革的重点，本文深入探究了数字普惠金融影响农业碳排放的作用机制，验证了农业技术进步的中介效应，丰富了数字普惠金融的的实践路径。

（二）理论机制

1.数字普惠金融对农业碳排放的直接影响

第一，数字普惠金融缓解了农村发展融资贵融资难的问题，为偏远地区的发展提供了金融支持。技术的进步使金融服务在时间与空间两方面的限制得到改善，解决了传统金融歧视，为“长尾客群”获取资金提供了可行路径，实现了低成本高效率的的资金匹配。一方面，互联网的发展降低了金融机构的搜寻成本，便于获取偏远农业主体更完整全面的信贷信息，借贷双方实现无缝衔接，最大程度缓解了信息不对称而产生的逆向选择难题，有效提升金融效率，为农业绿色低碳发展注入了新活力。另一方面，从供给侧的角度提高了农业部门的金融服务可得性，打破了长期以来限制农业发展的融资问题，给偏远地区的群体提供了更多获取资金的有效渠道，为农业绿色发展提供了充足的资本要素，摆脱了资金的限制，农业主体将大力开展创新活动实现农业碳减排的目标。

第二，数字普惠金融有效缓解“金融排斥”，增加农民收入，创造再就业机会并改善创业行为，绿色农业生产增多进而抑制碳排放。由于我国金融服务在农村地区长期缺位，农业技术进步和经营生产规模的扩大受到制约。数字普惠金融的发展从产品和服务两方面更好满足农业部门的金融需求，为线上债券、股票和农地证券化流转的发展提供了可能,这些新模式会显著提高农民的收入带动乡村产业发展，为农民创造新的就业机会并改善农民的创业行为。一方面，农民创业活动会促进农业生产力的转移，进而增加劳动力从事农业生产的机会成本，倒逼农业生产进行技术革新，有效地降低了农业碳排放；另一方面，农民在涉农创业方面，随着“双碳”目标的落实和收入的增加会选择资源节约、污染排放少的领域，结合数字发展新态势拓展更多清洁业务，减少碳排放。

第三，数字普惠金融充分协同互联网的“网络效应”和“经济连接”作用，为解决“三农问题”搭建了高效便捷的数字化环保服务平台，提高了农村的资源利用效率。基于互联网技术，以APP为基础推动绿色消费、绿色支付、二手平台等线上交易，降低了资源消耗和交易成本。随着数字化的推进，一方面闲置物品交易平台的出现使社会中闲置资源得到二次利用；另一方面基于互联网和移动通信技术的发展，将金融和环保理念结合，如支付宝等移动支付平台推出的“蚂蚁森林”，通过线上线下相结合的方式将用户侧的数据转化为现实中的植树造林项目，助推生态环境绿色发展。此外，在央视开启公益助农直播的助力下，电子商务蓬勃发展催生更多农业新业态，激发农民新型需求，拓展更多的生产和服务模式，资金周转进入良性循环，为农业生产和农村发展创造更多动力。

综上所述，提出本文假设1：数字普惠金融对于农业碳排放具有抑制效应。

2.数字普惠金融对农业碳排放的间接影响

技术进步是经济增长的内在动力，绿色低碳技术不仅成为实现“双碳”目标的有力抓手，也为推动我国经济高质量发展提供了内在驱动力。数字普惠金融为农业技术进步提供了资本要素可得性，具体表现为缓解信贷约束、增加农民收入。农业生产技术的进步需要资本的介入：在财政政策上，新技术在农业生产中的投入得到了政府优惠政策的资金补贴；在金融服务乡村振兴背景下，农民引入新技术时的借贷成本显著降低。因此，数字普惠金融对于资金约束较强的农村地区具有技术进步效应。农业技术进步对农业碳减排有显著影响，一方面，新技术的应用通过提高传统能源的利用率，加快要素流动进而提升资源配置效率，降低单位能源的碳排放量；另一方面，技术进步将优化农业产业结构，能源消费结构随之改善，绿色能源将大规模应用到生产实践中。同时，农业碳排放的增加也会倒逼技术进步机制，共同起到抑制农业碳排放的作用。更重要的是，“数字+普惠金融”的模式会促进技术的传播与交流，互联网缓解了大家的信任约束，使他们更愿意分享技术与经验，最终提高农业生产率。

综上所述，提出假说2：数字普惠金融通过促进农业技术进步进而实现农业碳减排。

三、研究设计

（一）模型设定

1.基准回归

基准回归模型检验假设1，为了消除异方差的影响，本文将各控制变量取对数形式加入模型中，基准回归模型设定如下：

式（1）中，i表示省份，t表示时间，Ei,t表示农业碳排放强度，DFIi,t表示数字普惠金融发展水平，Xi,t为控制变量，λi表示省份固定效应；εi,t表示随机扰动项。

2.中介效应回归

为检验假设2，即验证农业技术进步的间接影响，参考温忠麟等（2014）的中介效应检验方法。构建中介效应模型，模型设定如下：

式（2）-（4）中，Mi,t为中介变量，本文使用农业技术进步率（TECHi,t）来衡量，其中α、β、γ为回归系数，μt和λi分别表示年份、省份固定效应；εi,t、φi,t、δi,t表示随机扰动项。

（二）变量选取

1.被解释变量：农业碳排放强度（E）

首先计算农业碳排放总量（C），参考李波等（2011）研究，本文主要碳源界定为化肥、农药、农用柴油、农用塑料薄膜、农作物播种面积和农业灌溉面积。

表1 各碳源碳排放系数

农业碳排放计算公式为：

目前，农业碳排放强度主要用各地区总碳排放量与单位农业产值的比值来衡量，计算公式为：

其中，E为碳排放强度（kg/万元），其中T（kg）表示农业碳排放总量，GDP（万元）为各省份农业总产值，为剔除价格因素的影响，本文以2011年作为不变价格，将农业产值换算成2011年可比产值。

2.核心解释变量：数字普惠金融指数（DIFI）

核心解释变量为数字普惠金融发展水平，选用北京大学数字金融研究中心发布的数字普惠金融指数，同时将分析三个维度对农业碳减排的影响的异质性。

3.中介变量：农业技术进步率（TECH）

借鉴田云（2016）的研究为了得到相对稳定的测算，本文运用DEA-Malmquist指数法，产出指标为2011年为基期的各地区农林牧渔业总产值。借鉴何晓霞等（2022）的做法，投入指标包括劳动力、土地、农业机械、化肥和能源投入。

4.控制变量。控制变量的选取借鉴了黄大湖和丁士军（2022）、孙学涛和于婷（2022）等的处理方法，本文选取以下7个控制变量。

（1）城镇化水平（URB）：选用城镇人口占总人口的比重来衡量。越高的城镇化水平意味着越多的劳动力需求，城市虹吸效应让更多农村地区人口涌入城镇，离农生产会降低农业碳排放强度。

（2）人力资本水平（EDU）：使用各地区农村人口平均受教育年限来衡量。人口的受教育程度越高其对数字普惠金融使用程度越深，预期会加速降低农业碳排放的强度。

（3）财政支农水平（FINAN）：采用各地区农林水支出占财政总支出的比重表示，政府对农业的重视程度与其在农业方面财政支出有很大的关系，这将显著影响农业绿色发展。

（4）农业发展水平（AGD）：一般选取人均农业收入来衡量，其中人均农业收入用实际农林牧渔总产值与第一产业从业总人数的比重来衡量。

（5）产业结构升级（IND）：采用第三产业增加值占地区总产值的比重表示。

（6）农业基础设施（FAC）：使用各省份农业机械总动力来衡量。

（7）农业受灾程度（DIS）：使用各省份农业受灾面积占其播种面积得比重来衡量。农业受灾会影响农业收益，进一步影响碳排放强度。

（三）数据来源

本文选用全国30个省（市）（不含西藏、台湾、香港、澳门）的面板数据对模型进行估计，省级层面的农业统计数据来源与2011-2020年《中国统计年鉴》、《中国农业年鉴》、《中国农村统计年鉴》以及各省历年统计年鉴以及北京大学数字普惠金融中心编制的《数字普惠金融指数》测算的北京大学数字普惠金融数据。部分变量的缺失值采用插值法、均值法补齐，最终形成了2011-2020年30个省份的平衡面板数据。

（四）描述性统计

1.各变量描述性统计

各变量描述性结果如表2所示。

表2 各变量描述性统计

2.农业碳排放强度测算结果

根据公式（5）（6）测算出了全国30个省份近10年的农业碳排放强度，下表3为6种碳源排放量和农业碳排放强度的平均值，其中还列出了考察期2011-2020年始末两年的农业碳排放强度，对10年内各省市的碳排放的变化做一个初步判断。

表3 2011-2020年中国各省市农业碳排放强度平均值

图1显示，2011-2020年各省份农业碳排放强度的均值均有不同程度的下降，伴随着我国经济高速发展、绿色生产技术革新和各类三农政策地出台，10年间我国农业发展也经历了重大变革，越来越趋于绿色、可持续的耕作方式使得农业碳排放强度大幅下降。

图1 2011-2020年全国各省市平均农业碳排放强度均值变化

从农业碳排放强度的平均值看，10年内我国各省份农业格局发生了变化。2011年农业碳排放强度均值排名前十的依次是云南省、吉林省、安徽省、宁夏自治区、江西省、黑龙江省、甘肃省、内蒙古自治区、浙江省和海南省，而2020年农业碳排放强度均值排名前十的依次是吉林省、内蒙古自治区、宁夏自治区、上海市、安徽省、新疆自治区、山西省、甘肃省、浙江省和河南省。总体以农业大省为主，其中云南省和海南省10年内农业碳排放强度有较大幅度的下降。农业碳排放强度超过200kg/万元的有4个，分别是吉林省、内蒙古自治区、安徽省和宁夏自治区。在样本时间内，上述省份的农业发展相对滞后，主要为粗放型农业生产模式，且存在农民环保意识不足等问题，因此各地政府亟需加大资金投入和出台利好政策来帮助区域转变农业生产方式，提高农民农业生产中的环保意识。

从六大碳排放源看，农用化肥碳排放量最大，其次是柴油的使用。河南省农用化肥碳排放量达618.47百亿吨，山东省和安徽省的农用化肥碳排放量也位居前列，同时农机柴油的大量使用也意味着农业耕作技术有待进一步提高，推动农业绿色生产技术革新迫在眉睫。

四、实证结果与分析

（一）基准回归

数字普惠金融对农业碳排放强度影响效应的实证结果如下表4所示：

表4 数字普惠金融对农业碳排放强度的影响：基准回归

表4显示，固定效应模型的数字普惠金融回归系数值分别为-0.280和-0.111，且通过了1%显著性水平的检验，说明数字普惠金融对农业碳排放有显著的抑制作用，假设1成立。在固定效应面板模型下，数字普惠金融水平每提升1个单位，农业碳排放强度将平均下降0.111个单位，不考虑控制变量时其抑制效应更显著。

在控制变量中，城镇化水平、农业发展水平、产业结构升级和农业基础建设对农业碳排放强度有显著的负向影响，城镇化水平每提升1个单位，农业碳排放强度将平均下降3.133个单位，城镇化水平的提升意味着更多的农村人口流向城镇，从事农业生产的劳动力减少，农业碳排放随之减少；另外，越高的城镇化水平意味着越完善的数字基础建设，这使得数字普惠金融发展更好地发挥作用。农业发展水平每提升1个单位，农业碳排放将平均下降0.077个单位，农业发展水平代表了地区的人均农业收入，人均收入越高意味着越多农业生产方式的变革，这将大规模应用绿色农业生产技术，而农业技术的进步将会实现农业碳减排。产业结构升级每提升1个单位，农业碳排放强度将平均下降1.447个单位，产业结构升级导致地方产业重心发生转变，更偏向于高级化、智能化的产业发展。这些产业不仅可以降低农业碳排放强度，同时也会进一步简化数字普惠金融在偏远地区的推进进程。农村基础建设水平每提高1个单位，农业碳排放强度将平均下降0.107个单位，基础建设水平与农业机械化程度相关，而机械化水平代表了农业技术进步，新型绿色农业技术得以应用，农业碳排放强度随之下降。

人力资本水平和财政支农水平对农业碳排放强度没有产生显著的负向影响，可能的原因是我国偏远乡村的高水平人才数量还没有达到规模水平，政府部门仍需大力推进偏远乡村的基础教育进程，让数字普惠金融更好地服务偏远地区；其次财政支农水平力度欠缺，还未彻底改变传统粗犷型的农业生产方式，农业碳排放强度未得到改善。

（二）稳健性检验

1.内生性检验

一般来说，变量存在内生性问题有三方面原因：测量误差、遗漏变量和互为因果。本文的内生性可能源于两个方面，一是遗漏变量，影响农业碳排放的因素有很多，尽管本文尽可能控制了和农业碳排放有关的变量，但仍然可能存在遗漏变量导致的内生性问题；二是反向因果，前文证明数字普惠金融对农业碳排放有抑制作用，随着农业碳排放的减少，农业生产方式会更加现代化，资源配置效率更加高效，这将“倒逼”农业主体进行思维和技术更新，主动利用金融手段筹资、开拓新型数字化售卖方式来提高资源利用率，促进了数字普惠金融的发展。因此，本文对核心解释变量数字普惠金融指数分别选取移动电话普及率（LnPHONE）和数字普惠金融一阶滞后项（L.LnDFI）作工具变量，运用两阶段最小二乘估计法解决内生性问题。

结果如表5所示，LM统计值和Wald F统计量检验结果均显著为正，工具变量有效。在考虑内生性问题后，数字普惠金融对农业碳排放强度仍具有显著的抑制作用，拟合系数为-0.265和-0.544，与上文结果保持一致，结果基本稳健和可靠。

表5 内生性检验

2.稳健性检验

运用面板分位数回归进行稳健性检验。选取0.25、0.5、0.75三个分位数进行检验，得到的结果如表6所示，核心解释变量系数的显著性和方向与上文一致，数字普惠金融对农业碳排放有明显的抑制作用，结果稳健。

表6 稳健性检验

（三）机制检验——中介效应结果分析

路径C的检验结果见基准回归模型，数字普惠金融对农业碳排放的回归系数β1为-0.111，且在1%水平下显著；由上表7可知，在路径A的检验中，数字普惠金融对中介变量农业技术进步的回归系数α1为0.081；在路径B的检验中，中介效应模型下农业技术进步对农业碳排放的回归系数γ2为-0.629；在路径C'的检验中，中介效应下数字普惠金融对农业碳排放的回归系数γ1为-0.060，以上系数均通过了显著性检验。上述结果表明农业技术进步是影响农业碳排放的部分中介变量，假说2成立。

表7 中介效应检验

数字普惠金融使偏远地区同样可以触达金融服务，极大缓解了长期以来农村地区融资难的困境，降低了引入新技术所需的资金门槛，打破了传统农业的作业方式和耕种理念，技术进步使农业生产实现了从粗放式的高污高排到集约式的低碳绿色的转型。

图2 农业技术进步中介效应机制图

（四）异质性分析

1.维度异质性分析

将指标细分后更容易分析和解释现实问题。为了进一步研究各维度视角下数字金融对地区农业碳排放强度的影响，本文将分析数字普惠金融的三个分指标对农业碳排放的影响效应。

表8中的估计结果显示，数字普惠金融三个维度的回归系数均显著为负，这表明不同维度均对农业碳排放强度产生了负向影响。不考虑控制变量时将高估其对农业碳排放强度的抑制效果。

表8 数字普惠金融不同维度对农业碳排放强度的影响

其中，覆盖广度的抑制作用最强，其次是使用深度，数字化程度影响效应最弱。具体来说，数字普惠金融覆盖广度发展水平每提升1个单位，农业碳排放强度将平均下降0.095个单位，使用深度发展水平每提升1个单位，农业碳排放强度将平均下降0.066个单位，数字化程度发展水平每提升1个单位，农业碳排放强度将平均下降0.063个单位。

覆盖广度的增加是网络普及率提升的表现，相比传统的实体金融，数字金融服务偏远城镇和农村地区更为友好，为广大农民群体提供更加便利的技术。使用深度的增加意味着除了最基础的存款业务有更多金融服务进入到农民的生产生活中，数字普惠金融缓解了金融机构处理信息量降低了信息不对称的程度，金融服务更加精准，极大地拓宽了农民的融资渠道，降低了金融服务门槛，缓解了农村的融资约束，减少了交易成本，提升了资源配置效率，为农业生产经营提供了更多的资金支持。而数字化程度抑制作用相对较弱，说明我国在偏远地区数字金融与数字技术的融合程度不够，数字化基础建设薄弱，金融机构对偏远地区金融服务精准度不够，数字化程度亟需完善。

2.区域异质性分析

不同地区经济发展水平存在较大差异，各类资源要素的分配也不尽相同，农业技术和劳动力程度同样存在较大差异，基于此，数字普惠金融对各地区的农业碳排放强度抑制作用也会存在异质性，为进一步探讨影响的差异，本文将研究对象划分为东部、中部与西部三个地区样本进行检验，考察期为2011-2020年。

表9结果表明，东部、中部和西部地区数字普惠金融发展均显著抑制了农业碳排放的强度，中部地区数字普金融的抑制效应最高，其次是动部地区，而中部地区的抑制效应最低，显现出明显的区域异质性。数字普惠金融水平对农业碳排放强度的抑制效应在东部地区最大，具体来说，数字普惠金融每提升1个单位，农业碳排放强度将平均下降0.319个单位。在中部地区和西部地区，数字普惠金融每提升1单位，农业碳排放强度将平均下降0.226和0.293。东部地区的农业碳排放强度在10年内呈现出大幅下降趋势，均值由2011年220.34kg/万元下降到2021年108.92kg/万元，其中海南的农业碳排放强度由248.45下降至84.43，下降了164个单位，浙江、福建和广东3个省份的农业碳排放强度下降值也均超过100个单位，伴随着我国数字普惠金融的大力推进，东部地区农业碳减排取得了良好的效果。中部地区承担我国农业生产的重任，碳减排的效果逊于东部地区，10年内农业碳排放强度由231.39kg/万元下降至128.63kg/万元，下降值平均在100个单位左右，山西、吉林、黑龙江、安徽、江西、河南农业碳排放强度的均值为167.53，其中吉林省的农业碳排放强度10年内仅下降了10个单位，均值为258.29。

表9 数字普惠金融对农业碳排放强度的影响：区分东中西部地区

数字普惠金融对农业碳排放的影响依旧未能改变因经济发展水平而产生的差异。东部沿海地区开放早开放程度较高，基础设施完善，数字化进程推进较为容易，同时居民和政府的绿色农业意识更强；越高的地区经济发展水平，越需要高水平的金融服务做支撑，而数字普惠金融服务的普及与这一点深度契合，为地区农业提供了更多的融资可能性，进而显著抑制了东部地区农业碳排放强度。西部地区的碳减排效应略显著于东部地区，可能的原因是近年来我国大力拓展西部数字化格局，在“东数西算”等低碳绿色的利好政策的加持下，西部地区的数字基础设施更先进，同时西部地区可能在农业现代化方面处于早期阶段，这意味着有更多的机会采用数字技术来提高农业生产效率和降低碳排放。因此，我们必须在中西部地区大力开展基础设施建设，全面推进数字科技产业化和产业数字化赋能，通过数字化科技改变传统金融服务的弊端，加强对农业从业者的数字技术培训，从而实现更好的碳减排效果。

五、结论与建议

本文基于2011-2020年中国30个省份的面板数据，首先测算了2011-2020年农业碳排放强度，又利用DEA指数测算了10年内中国30个省市的农业技术进步率，在此基础上建立固定效应模型和中介效应模型，验证了数字普惠金融对农业碳排放强度的影响，研究得出以下结论：（1）数字普惠金融对农业碳排放强度有显著的抑制作用，并通过了稳健性检验。（2）农业技术进步在数字普惠金融对农业碳排放强度的抑制作用中存在部分中介效应。（3）数字普惠金融覆盖广度、使用深度和数字化程度在不同程度上均发挥了对农业碳排放强度的抑制作用，其中最为显著的是覆盖广度，其次是使用深度和数字化程度。（4）数字普惠金融对农业碳减排的影响存在区域异质性，东部地区数字普金融的抑制效应最高，其次是西部地区，而中部地区的异质效应最低。

针对以上结论，本文提出以下几点建议：

第一，依托数字技术与数字经济，着力发展数字普惠金融，以解决传统金融在服务农业生产上的短板，推进农业技术进步、农业碳减排和环境友好型农业的发展，同时通过环保服务平台搭建和金融工具创新等手段鼓励农业生产中的碳减排活动；提高农村地区数字普惠金融知识普及，政府等有关部门要加大将金融知识下沉到农村等偏远地区的力度；此外，地方政府与企业应引导社会资本进入到乡村振兴和可持续发展的体制机制中，借助互联网平台助力农民农业碳减排活动。

第二，积极发挥数字普惠金融的技术进步效应，以数字金融为发展引擎带动技术创新，大力开展绿色农业相关的专利研究，为农业低碳发展提供新动力。

第三，落实高素质人才教育进程，提升区域人力资本水平，加快人才赋能农业领域，高效利用数字普惠金融抓手解决农业碳排放问题；加大财政支农水平，增加研发投入，鼓励绿色低碳技术相关的研发，各政府部门要予以更多的政策和资金支持。

第四，拓宽金融服务的地理边界，降低不同区域间资金融通的成本，疏通东西部、城乡和不同城市能级间的信息交流渠道，打破各地区之间的信息壁垒，在环境保护和低碳农业的发展中发挥数字普惠金融与技术创新的空间辐射作用，实现真正的绿色低碳可持续发展。