数字普惠金融对农业绿色低碳转型的影响研究——基于贵州县域面板数据的空间效应分析

李晓龙 张琼月 刘雨欣

（贵州财经大学大数据应用与经济学院，贵州 贵阳 550025）

一、引言与文献综述

农业作为基础性产业，是中国碳排放的主要来源之一，因此加快推动农业朝着绿色低碳方向转型发展，是实现“双碳”目标不可缺少的环节。与传统农业发展模式相比，绿色低碳发展注重降低农业生产过程中的资源消耗，减少农业污染排放和维护农业环境效益，从而形成农业经济增长与农业环境保护之间的良性循环。贵州作为农业大省，农业生产过程中造成的面源污染和碳排放等问题与绿色转型和减排目标之间的矛盾较为突出（李晓龙等，2023）。要想真正实现农业绿色低碳转型，不仅需要依靠政策的激励引导，更需要金融市场的强有力支持，尤其是要重视发挥数字普惠金融的巨大作用。近年来，依托国家大数据综合试验区优势，贵州数字普惠金融取得了飞速发展。作为一种新型金融服务方式，数字普惠金融能够极大地缓解农业融资约束问题，引导资金流向农业绿色产业，促进农业绿色技术创新，并带动农产品消费和农民生活绿色化，从而为实现农业绿色低碳发展提供新契机。那么，数字普惠金融究竟对贵州农业绿色低碳转型有何影响？考虑地域空间关联因素后，这种影响是否存在空间溢出效应？这些问题的解答，对于“双碳”目标背景下进一步完善贵州农业绿色低碳转型的数字普惠金融服务具有重要意义。同时，将贵州省作为研究案例也可为其他地区的农业绿色低碳转型提供经验借鉴。

影响农业碳排放的因素众多，已有研究主要集中于经济和社会两个层面。第一，经济层面因素主要包括农业经济增长、农业产业结构优化与农业产业集聚。卢奕亨等（2023）认为，初期农业生产大量使用化肥和农药等资源，导致碳排放量不断上升，但当农业经济发展到一定水平后，高效清洁的新技术将取代高污染的旧式技术，因此农业碳排放强度会下降。范东寿（2022）指出，农业产业结构决定着能源消费结构和能源利用效率，因而与碳排放强度密切相关。产业集聚推动农业企业之间的分工协作和绿色技术的相互学习，有利于提高生产效率，减少碳排放。毛小明和钟诚（2022）指出高耗能企业的集中会增加碳排放，因此产业集聚对农业碳排放的影响方向不确定。第二，社会层面因素主要包括城镇化和科技进步。刘战伟（2021）指出城镇化发展导致农村劳动力减少，因此农业生产需要提高劳动生产率，进行规模化经营以保持产量，这是有利于降低碳排放强度的过程，然而，如果农户通过大量投入化肥和农药等手段避免减产，则会提高碳排放强度。从另一角度来看，黄晓慧等（2022）认为转移至城镇的居民对农产品的安全品质要求更高，这会倒逼农业绿色化生产。总之，城镇化对农业低碳发展的影响方向也是不确定的。理论上，科技进步能够提高农业资源利用率，推动粗放型生产模式转型，从而减少农业碳排放（张颂心等，2021），然而科技进步并不总是有利于农业碳减排。李成龙和周宏（2020）认为以种质创新为代表的生物型技术进步能够降低农业碳排放强度，但机械型技术进步可能会提升农业碳排放强度。

事实上，金融因素也会对农业碳排放产生重要影响，相关文献主要聚焦于以下两个方向。一是传统金融对农业碳排放的影响研究。徐文成等（2022）指出农村金融发展可以缓解农业生产的融资约束，进而推动实施农业技术创新和农业产业结构升级，最终促进农业低碳发展。此外，资金问题的解决有利于调动农户扩大农地规模经营的积极性，从而降低生产成本，提高劳动生产率，最终影响农业绿色效率（陆杉和熊娇，2021）。二是数字金融对农业碳排放的影响研究。首先，数字金融能够提升绿色全要素生产率。数字技术将传统的金融服务线上化，能够促进资本要素的市场化配置（范欣和尹秋舒，2021），拓宽农业经营的融资渠道，从而促使农业生产增加对新型技术设备的应用（张翱祥和邓荣荣，2022），同时也引导更多资本、技术和劳动流入绿色农业，进而提高农业绿色全要素生产率。其次，数字金融能够引导农业低碳发展。刘敏楼等（2022）指出数字金融可以将绿色发展理念寓于金融服务中，这有利于培养农户绿色生产意识，推动生产技术的绿色化升级（申云和洪程程，2023）。最后，数字金融能够促进农民生活方式和大众对农产品消费模式的绿色化，倒逼农业低碳生产。关于空间溢出效应，一方面数字金融促进不同区域间的资源共享，特别是推动绿色技术转移和转化（黄永春等，2022），另一方面碳排放本身也具有空间自相关性。Du et al.（2022）认为一个地区可以通过学习相邻地区先进的减排技术和政策来促进自身碳排放效率的提升。所以，数字金融对农业碳排放的影响可能向邻近地区溢出。

综上所述，已有文献对农业碳排放的影响因素、传统金融与数字金融对农业碳排放的影响进行有益研究，然而大部分学者们是基于省级层面数据测算农业碳排放并探讨其影响因素，缺少从县域层面系统考察数字普惠金融对农业绿色低碳转型的影响。县域是农业碳排放的基本单元（周一凡等，2022），研究县域农业绿色低碳转型的空间分布特征及其驱动因素，有利于制定差异化的农业碳减排措施。本文以贵州省78 个县域单元为研究对象，测算农业绿色低碳转型水平，通过空间自回归模型实证检验数字普惠金融对农业绿色低碳转型的影响及其空间效应，以期为贵州省农业绿色低碳转型提供理论依据与政策启示。本文可能的边际贡献在于：第一，从数字普惠金融的角度探讨如何推进农业绿色低碳转型，理论分析并实证检验数字普惠金融对农业绿色低碳转型的影响，有助于丰富数字普惠金融的绿色效应研究；第二，将研究样本拓展到县域层面，下沉农业碳排放测度的空间尺度，从相对微观的层面考察数字普惠金融对农业绿色低碳转型的作用，是对现有文献的有益补充；第三，进一步讨论数字普惠金融覆盖广度、使用深度和数字化程度对农业绿色低碳转型的异质性影响，有助于比较数字普惠金融各维度对农业绿色低碳转型的作用效果，进而寻找提高数字普惠金融的农业绿色低碳效应的可能路径。

二、理论分析与研究假说

（一）数字普惠金融影响农业绿色低碳转型的内在机理

数字普惠金融是数字技术与金融的结合体，延续了传统普惠金融的发展理念，既保持着优化资源配置的功能，又具有独特的绿色属性和环境正外部性，能够引领低碳生产方式。相比传统金融服务，数字普惠金融利用数字技术能够更有效地支持农业生产经营，同时作用方式和路径也更丰富。具体地，数字普惠金融可以通过以下途径作用于农业碳排放强度，进而影响农业绿色低碳转型。

第一，生产要素再配置效应。数字普惠金融能够提高资本、土地、技术和劳动力等要素的利用效率，进而促进农业绿色低碳转型。首先，数字普惠金融可以有效解决农业融资问题。数字普惠金融不仅有助于缓解信息不对称问题，也能打破金融交易的时空距离，使资金汇转时间缩短，交易费用大大降低，最终显著提升农业资本的流通速度和效率。从资本配置角度来看，数字普惠金融通过引导资金流向农业环保项目，促进农业绿色低碳发展。其次，数字普惠金融能够推动农地流转。融资和信息不对称问题的缓解有利于实现土地大规模承包，而农地的整合和农业生产技术的提升能够减少各种资源浪费和低效率问题的发生，推动农业高效和低碳发展（付伟等，2023）。此外，借助数字化平台，数字普惠金融可以推动绿色生产技术和金融知识的溢出，有助于培养现代化的农业企业主和职业农民，提升农业绿色低碳生产效率。

第二，农业技术创新效应。长期以来，农业技术创新活动面临着一定的融资约束。数字普惠金融能够精准提取“软信息”，将其作为信用评估和贷款发放的依据，可以显著降低农户的融资门槛，从而为农业技术创新活动提供更多资金支持。值得注意的是，农业技术创新不一定带来农业碳排放强度的降低，这是因为如果农业技术创新偏向于使用含碳能源要素的“非清洁生产”，那么农业产出确实可以增加，但碳排放总量也可能随之增加。因此，数字普惠金融应注重与绿色低碳相结合，引导农业技术创新更多地偏向于“清洁生产”，即促进农业生产向资源消耗低、环境污染少、投入产出高的技术领域突破，将绿色技术渗透到生产的各环节。总体而言，数字普惠金融通过技术创新效应能够降低农业碳排放强度，从而推动农业绿色低碳转型。

第三，绿色消费效应。数字普惠金融通过促进消费模式和生活方式绿色化，可以倒逼农业生产绿色低碳转型。首先，数字化发展使得线上交易和服务成为可能，农产品及相关产业也开始探索和逐步发展线上经营模式，不但有助于减少资源消耗，还有助于引导绿色消费（李庆海等，2023），倒逼农业生产绿色化转型升级。其次，数字普惠金融丰富了数据和信息的获取渠道，加速了农业企业信息透明化，有助于降低政府对农业企业的污染监管难度，也减少公众对农业经营产生环境问题的监督成本，倒逼农业企业注重研发绿色技术，从而替代落后的耗能技术，减少资源消耗和污染排放。在绿色低碳成为主流消费理念和政府对农业环境问题的监管日益强化的背景下，数字普惠金融向农户提供融资服务时将非常关注农业生产项目的绿色化程度，而农户为了获得数字普惠金融的支持，必然会注意进行绿色化经营活动。

综上所述，本文提出研究假说H1：数字普惠金融能够促进农业绿色低碳转型。

（二）数字普惠金融影响农业绿色低碳转型的空间溢出效应

上述分析表明，数字普惠金融可以通过生产要素再配置效应、农业技术创新效应以及绿色消费效应促进农业绿色低碳转型，然而这一结论忽略了经济活动的空间关联性，使得数字普惠金融对农业绿色低碳转型的实际作用效果可能被低估。根据地理学第一定律，在空间关联的状态下，数字普惠金融对农业绿色低碳转型的影响存在空间溢出效应。本文认为这种空间效应可以从以下两个方面实现。

一方面，数字普惠金融可以促进农业生产要素在地区之间的相互流动，而要素的流动是导致农业绿色低碳生产具有空间关联性的重要原因（巩鑫和唐文琳，2021）。首先是资金和金融服务的流动。数字普惠金融可以有效引导资金流向，并且利用数字技术跨越时空提供金融服务，使得相邻地区能够享受同等水平的金融服务，助力农业绿色低碳生产。因此数字普惠金融不仅能够促进当地农业的绿色低碳发展，还会影响邻近地区的农业绿色低碳转型。其次是生产技术的流动。数字普惠金融助力一个地区农业生产技术的快速发展，而邻近地区农户也能以较低成本获取同等水平的技术，有助于实现区域之间高效生产技术的合理配置，提高本地区和邻近地区的农业生产效率，最终降低碳排放强度，促进本地和邻近地区的农业绿色低碳转型。最后是农业生产的经验交流。邻近地区的农户之间往往会分享和交流经营心得，农业生产经营比较落后的地区可以学习先进地区的成功经验，从而加速本地区的农业绿色低碳转型。

另一方面，数字普惠金融具有绿色消费和生产意识的溢出效应。首先，数字普惠金融的服务过程本身就具有绿色节约属性，比如移动支付实现了无纸化交易，减少了纸张使用对生态资源的消耗（朱杰堂等，2022）。数字普惠金融的这一优点对于培育低碳的消费理念和引导绿色的生产生活方式具有重要意义。其次，数字普惠金融对农户绿色生产意识的培养并不仅仅限定在某个地区。地理距离可能使得地区之间农业生产经营的信息交流成本上升，从而降低绿色生产知识溢出的可能性，但数字普惠金融可以推动信息通信技术在农业生产领域的持续渗透，提高数字设备在农村的覆盖广度，给绿色生产知识和技术的流动提供便捷通道，加快地区之间农业生产知识和技术的共享频率（徐维祥等，2022）。因此，得益于数字技术，数字普惠金融对低碳消费观念和农业绿色生产意识的培养作用可以向邻近地区溢出，从而降低邻近地区农业碳排放强度，促进该地区农业绿色低碳转型。

综上所述，本文提出研究假说H2：数字普惠金融对农业绿色低碳转型的影响存在空间溢出效应。

三、研究设计

（一）计量模型设定

为了检验数字普惠金融对农业绿色低碳转型的影响及其空间溢出效应，本文构建空间计量模型，并根据LM、LR 和Wald 检验选择具体的空间计量模型。综合实验前预检验结果，同时考虑到县域农业绿色低碳转型的空间依赖性，本文最终选择空间自回归模型（SAR），模型构建如下：

其中，i为县域，t为年份。ACO为被解释变量农业绿色低碳转型，DIF为核心解释变量数字普惠金融。ρ为空间自回归系数，表示县域农业绿色低碳转型溢出的方向和程度。W表示县域之间的权重关系，本文分别使用以下两种空间权重矩阵：一种是地理邻接空间权重矩阵，即相邻县域取值为1，若不相邻或自身则取值为0；另一种是地理距离空间权重矩阵，采用基于县域之间球面距离平方的倒数表示。β1代表数字普惠金融系数，β2代表控制变量系数，X为控制变量。μ表示空间固定效应，ν表示时间固定效应，ε为扰动项。

（二）变量选择

1.被解释变量。本文的被解释变量为农业绿色低碳转型（ACO），借鉴范东寿（2022）的研究，选取农业碳排放强度作为代理变量。碳排放强度指标的测度方法主要有单位GDP 碳排放量法、单位面积碳排放量法和人均碳排放量法等（徐清华和张广胜，2022），本文选择单位面积碳排放量法，即农业碳排放强度（吨/公顷）=农业碳排放总量/农作物播种面积。其中，农业碳排放总量的计算要确定相关的碳排放系数。由于农业碳排放主要来源于化肥、农业机械动力、农业灌溉以及畜牧养殖，参考吴贤荣等（2014）的研究，本文采用的不同途径碳排放系数分别为化肥0.8956（千克/千克）、农业机械总动力0.1800（千克/千瓦）、农业灌溉20.4760（千克/公顷）、牛存栏301.4400（千克/头）、羊存栏34.1000（千克/只）、猪存栏35.2594（千克/头）。根据碳排放系数，可以计算农业碳排放总量，公式为:

其中,Ti分别为化肥施用量、农业机械总动力、农业灌溉面积、牛存栏量、羊存栏量、猪存栏量，δi则为这六种碳排放源相应的碳排放系数，Ci为六种排放源对应的碳排放总量。

2.核心解释变量。本文的核心解释变量包括数字普惠金融（DIF）及其三个分维度，即数字普惠金融覆盖广度（CBH）、数字金融使用深度（USD）和普惠金融数字化程度（DDE）。数字普惠金融指标数据来源于北京大学数字金融研究中心，该指标体系由北京大学和蚂蚁金服基于支付宝交易账户数据合作编制，具有以下三个优点：第一，数字普惠金融指数同时考虑了数字金融服务所覆盖的人群和领域，具有广度与深度;第二，数字普惠金融指数随着金融体系的发展而变化，具有纵向和横向可比性；第三，数字金融服务不仅仅局限于银行信贷服务，还包括支付、保险、投资和信用服务等，具有多元化属性。另外，该指标体系综合考虑了传统金融服务与数字技术的融合发展，比较符合目前中国金融业的发展趋势，能够弥补前人对金融数字化研究的不足。

3.控制变量。在控制变量的选取上，本文参考范欣和尹秋舒（2021）、黄晓慧等（2022）、徐清华和张广胜（2022）等学者的做法，主要从农业碳排放的影响因素中选择，具体变量描述如下。一是经济发展结构（EST），以第一产业增加值与地区生产总值之比来衡量，可以在一定程度上反映样本县域农业经济的相对发展状况。二是农业服务业发展（ASE），以农林牧渔服务业增加值与农作物总播种面积之比（千元/公顷）来衡量。农业服务业的发展能够带动农产品销量的提升，增加农民收入，从而影响农业生产的积极性。三是农业种植结构（APS），计算公式为粮食作物种植面积/（农作物播种面积-粮食作物种植面积）。农作物主要包括粮食作物与经济作物，其中粮食作物生产的碳排放量相对较低，增加粮食作物的种植面积有利于降低农业碳排放强度。四是农业灌溉状况（AIR），以有效灌溉面积与农作物播种总面积之比来衡量。灌溉设施是农业碳排放的重要来源，有效灌溉面积的提升既反映了农业灌溉设备利用率的提高，也可能意味着碳排放总量的增加。五是对外开放水平（OPE），以外资投资总额与地区生产总值之比来衡量。外资投资可以带来先进技术，但也可能由于资本逐利导致资源错配，因此对外开放水平能够对农业绿色发展产生影响。

（三）数据来源

本文主要选取2015—2021 年贵州省9 个地级市（包括民族自治州）的78 个县域单元作为研究对象。考虑到市辖区与县（县级市）在经济金融特征方面存在较大差异，样本不包含云岩区、南明区、乌当区、观山湖区、花溪区、白云区、钟山区、红花岗区、汇川区、西秀区等10个市辖区。本文使用的相关原始数据主要来自《贵州统计年鉴》《中国县域统计年鉴》《国民经济与社会发展统计公报》，以及贵州省宏观经济数据库、北京大学数字金融研究中心等，其中少量缺失的数据采用插值法补齐。经过一系列数据筛选和匹配整理，本文主要变量的描述性统计结果见表1。

表1 主要变量描述性统计结果

四、实证检验与结果分析

（一）空间自相关性检验

1.全域空间自相关检验。为了探究农业绿色低碳转型的空间分布是否随机，即邻近区域农业碳排放强度的取值是否具有明显的关联性，本文进行空间自相关性检验，表2是2015—2021年贵州县域农业碳排放强度的全域空间自相关检验结果。莫兰（Moran）指数可以衡量县域之间农业碳排放强度的空间关联性，取值大于0 表示各县域存在正向的空间相关性。同理，Moran 指数小于0 表示负向的空间自相关，等于0表示无空间自相关，即碳排放强度完全随机分布，而且指数的绝对值越大表示空间自相关程度越大。由表2可以看出，在地理邻接空间权重矩阵和地理距离空间权重矩阵下，历年农业碳排放强度的Moran指数值均为正数，而且都通过了5%的显著性水平检验，表明各县域之间的农业碳排放强度存在正向的空间相关性。这说明农业绿色低碳转型在空间分布上不是随机的，而是存在空间集聚现象。

表2 2015—2021年贵州县域农业碳排放强度的全域Moran指数

2.局域空间自相关检验。为了更清楚地显示农业碳排放强度的空间相关性，图1 和图2 分别绘制了2015 年和2021 年的Moran 散点图。图中第一象限表示高-高集聚，即碳排放强度高的县域被碳排放强度同样高的县域包围。同理，第二象限表示低-高集聚（碳排放强度低的县域被碳排放强度高的县域包围）、第三象限表示低-低集聚、第四象限表示高-低集聚。从图1、图2中可以看到，大部分县域位于第一和第三象限，说明农业碳排放强度较高或较低的县域在空间上相互集聚，而且2021年农业碳排放强度高-高集聚和低-低集聚的现象比2015 年更明显。通过分析2015 年和2021 年农业碳排放强度的局部Moran 散点图，发现其在大多数地区均拒绝“无空间自相关”的原假设，这与全局Moran指数检验结论一致。以上分析说明研究农业绿色低碳转型时考虑空间相关性是必要的，忽略这种空间特征得出的结论会有失偏颇。

图1 2015年贵州县域农业碳排放强度的局域Moran散点图

图2 2021年贵州县域农业碳排放强度的局域Moran散点图

（二）空间计量回归结果

结合Hausman 检验、拟合优度（R2）、自然对数似然函数值（Log likelihood）以及变量显著性，本文选择地区固定效应的空间自回归模型（SAR）进行回归，结果如表3 所示。可以看出，一方面，无论是不考虑空间相关性的OLS 回归或是分别采用两种空间权重矩阵的SAR回归，结果均表明数字普惠金融对农业碳排放强度产生了负向影响，并且通过了1%的显著性水平检验，这验证了研究假说H1，即数字普惠金融能够降低农业碳排放强度，进而促进农业绿色低碳转型。另一方面，在地理邻接空间权重矩阵和地理距离空间权重矩阵下，SAR 回归的空间自回归系数ρ均为正，而且都通过了1%的显著性水平检验，说明县域间农业碳排放强度存在显著正向的空间相关性，一个县域农业碳排放强度的增加将带动其周边县域农业碳排放强度的提高。

表3 空间计量回归结果

在控制变量中，经济发展结构对农业碳排放强度的估计系数显著为负，说明如果第一产业增加值在地区生产总值中的占比提升，那么农业碳排放强度将下降，这可以为研究农业经济增长对碳排放强度的影响提供证据；农业服务业发展的估计系数为正但不显著，这可能是因为样本县域农林牧渔服务业发展水平较低，未能显著表现出对农业碳排放强度的影响；农业种植结构的估计系数在OLS回归中显著为正，在考虑空间相关性的SAR回归中却不显著，说明粮食作物种植面积相对经济作物种植面积的增加在一定程度上会提高农业碳排放强度，但这一作用会因受到空间因素的影响而减弱；农业灌溉状况对农业碳排放强度的估计系数显著为正，说明有效灌溉面积提高将增大碳排放强度，这可能是因为样本县域农业灌溉模式或者使用的设施能耗较大，碳排放强度较大；对外开放水平的估计系数为负但不显著，这可能是因为样本县域外资投资程度相对较低，对农业碳排放的影响不明显。

（三）空间溢出效应分解

为了验证数字普惠金融对农业绿色低碳转型影响的空间溢出效应，本文采用系数分解方法，将回归系数具体分解为直接效应、间接效应与总效应三个部分，其中间接效应能够反映数字普惠金融对邻近县域农业碳排放强度的作用。空间溢出效应分解结果如表4 所示。从表4 中可以看出，无论在哪种空间权重矩阵下，数字普惠金融对农业碳排放强度的直接效应均在1%的水平下显著为负，间接效应即空间溢出效应则至少在5%的水平下显著为负。该结果表明数字普惠金融不仅可以在本县域范围内降低农业碳排放强度，促进农业绿色低碳转型，而且能够辐射到邻近县域，对其农业绿色低碳转型产生积极影响。换言之，数字普惠金融对农业绿色低碳转型的影响存在显著正向的空间溢出效应，即本文研究假说H2得以验证。

表4 空间溢出效应分解结果

经济发展结构对农业碳排放强度的直接效应和间接效应均显著为负，说明邻近县域第一产业增加值占比情况可能存在相关性，所以经济发展结构对碳排放强度的降低作用表现出空间相关性；农业服务业发展的估计系数均不显著，说明样本县域农林牧渔服务业的发展对当地和邻近县域的农业碳排放都没有明显影响；农业种植结构的直接和间接效应均不显著，说明样本中农业种植结构对当地和邻近县域的碳排放都没有显著影响；农业灌溉状况对农业碳排放强度的直接效应和间接效应基本显著为正，说明有效灌溉面积对碳排放的正向作用具有溢出效果，这可能是因为邻近县域使用的农业灌溉模式类似或者灌溉设备类型相同，所以灌溉过程的碳排放强度均较大；对外开放水平的估计系数均不显著，说明样本县域外资投资对当地和邻近县域农业碳排放的影响不明显。

（四）稳健性检验

为了检验前文研究结论的可靠性，本文采用以下两种方法进行稳健性检验。一是更换被解释变量。本文重新构造农业碳排放强度指标，替换原来的被解释变量，新的计算公式为：农业碳排放强度（吨/万元）=农业碳排放总量/农林牧渔业增加值。二是更换估计方法。与前文采用地区固定效应的空间自回归模型（SAR）相比，本部分采用随机效应的空间自回归模型（SAR）重新进行估计。稳健性检验结果如表5 所示，从中可以看出，无论是更换被解释变量还是更换估计方法，核心解释变量数字普惠金融对农业碳排放强度的估计系数均显著为负，表明前文基本回归结论“数字普惠金融能够促进农业绿色低碳转型”具有一定的可靠性。另外，稳健性检验下数字普惠金融对农业碳排放强度的间接效应均显著为负，说明“数字普惠金融对农业绿色低碳转型的影响存在正向空间溢出效应”的结论同样具有可靠性。

表5 稳健性检验结果

五、进一步讨论：异质性分析

由于数字普惠金融包括覆盖广度、使用深度和数字化程度三个方面，因此本文进一步分析数字普惠金融不同维度对农业绿色低碳转型的异质性影响，结果如表6 所示。至少在5%的显著性水平下，三个维度均对农业碳排放强度表现出负向影响，但相比于使用深度和数字化程度，数字普惠金融覆盖广度对农业碳排放强度的估计系数绝对值更大，这表明其对农业绿色低碳转型的促进作用更大。覆盖广度的拓展意味着更多涉农企业和农户能够获得金融服务，而使用深度增加说明数字普惠金融工具和服务能够逐步满足农业生产需求，数字化程度提高反映数字普惠金融服务线上化程度高，摆脱对物理网点的依赖，因此三个维度都有利于降低农业碳排放强度。覆盖广度对农业碳排放强度的降低作用最大，其原因可能是目前样本县域的农户对数字化金融服务虽然有所接触，但理解不深，而使用深度包括支付、基金和投资等多方面内容，数字化程度更是重点考察数字技术的便民效果，所以数字普惠金融的使用深度和数字化程度在当地难以明显提升。相对来说，覆盖广度的拓展比较容易实现，所以它对农业碳排放的影响在三者中最为明显。

表6 异质性分析结果

从解释变量对被解释变量的间接效应来看，数字普惠金融三个维度对农业绿色低碳转型的影响同样具有正向的空间溢出效应，且作用大小排序仍然为覆盖广度、使用深度和数字化程度。邻近县域之间农业生产的资源共享以及信息和技术交流比较容易实现，所以数字普惠金融覆盖广度拓展、使用深度增加和数字化程度提高不仅能够降低当地的农业碳排放强度，而且还会影响邻近县域的农业绿色低碳转型。至于为何三者影响农业绿色低碳转型的空间溢出作用存在差距，原因可能是在样本县域三者的发展状况本身存在差距。数字普惠金融的覆盖广度主要考量农户参与移动支付系统的银行卡数量和比例，而使用深度和数字化程度需要综合多方面的指标，对样本县域的金融和经济水平要求更高，所以二者的发展比较缓慢。

六、研究结论与政策启示

本文在理论分析数字普惠金融对农业绿色低碳转型的影响机理基础上，选取2015—2021年贵州省9个地级市（民族自治州）的78个县域级单元为研究对象，采用探索性空间分析方法和空间计量模型，实证检验数字普惠金融对农业碳排放强度的影响及其空间溢出效应，主要研究结论如下。第一，空间自相关检验发现，农业碳排放强度表现出显著正向的空间自相关性，即农业绿色低碳转型在空间分布上不是随机的，而是存在空间集聚现象。第二，基准回归模型结果表明，数字普惠金融有利于降低农业碳排放强度，从而能够促进农业绿色低碳转型。第三，空间效应分解发现，数字普惠金融对农业绿色低碳转型的影响存在显著正向的空间溢出效应。第四，异质性分析发现，相比数字普惠金融使用深度和数字化程度，覆盖广度对农业碳排放强度的负向影响更大。在空间溢出效应方面，同样是数字普惠金融覆盖广度促进农业绿色低碳转型的空间溢出效应最大，其次是使用深度，最后是数字化程度。

根据理论分析和实证研究结论，本文提出以下几点建议。第一，因地制宜发展数字普惠金融。各级政府可以借鉴国内外成功经验，同时考虑本地的经济发展状况和人口及环境等因素，制定数字普惠金融的发展规划，加快完善数字普惠金融基础设施建设。第二，加大对数字普惠金融的支持力度。一方面要积极创造有利的宏观环境，另一方面要推进大数据、区块链和云计算等技术的升级，大力支持数字普惠金融的持续稳定发展。第三，推动数字普惠金融向绿色农业经济倾斜。可以通过设立绿色农业担保基金，分担低碳农业投资的风险，从而增大数字普惠金融对绿色农业的资金支持力度，更好地促进农业绿色低碳生产。第四，引导数字普惠金融向“三农”渗透。鼓励金融机构积极对接农村居民和现代农业经营组织等市场主体，进一步扩展数字普惠金融在农村金融市场的覆盖广度、使用深度和数字化程度，为农业经营主体提供便捷、低成本的融资服务。第五，加强区域间碳减排的交流与合作。低效率的县域应积极学习借鉴高效率县域的减排技术和相关政策，从而增强节能减排的系统性和联动性。第六，稳步推进数字普惠金融的发展。在守住底线的前提下要给足数字普惠金融“试点容错”的空间，才能够进一步释放其绿色效应，助力经济发展的绿色转型升级。