农村数字化发展对农业全要素碳生产率的提升效应

王凤婷 王浩 孔凡斌

摘要 为应对全球气候变化，数字化转型的绿色效益受到关注。农业作为国民经济的基础，亦是第二大温室气体排放源，如何借助数字化同时实现农业降碳和增产是中国实现“双碳”目标的关键问题。基于2011—2020年中国30省份面板数据，遵循“发展基础-发展动力-发展结果”的逻辑构建农村数字化综合指标，运用EBM?GML方法准确量化农业全要素碳生产率（ATFCP），采用历史农村公路密度和上一年农村互联网用户数作为工具变量，研究农村数字化和ATFCP之间的因果关系。研究发现：①农村数字化能够提升ATFCP，经过一系列稳健性检验和内生处理，这一结论仍然成立。②农村数字化通过促进技术创新、规模经营、结构升级、产业集聚和非农就业，进而实现对ATFCP的提升。③异质性分析结果表明，农村数字化对ATFCP的正向影响表现为边际递减，在綠色发展水平较高或较低地区均能发挥显著提升作用。此外，农村数字化存在金融门槛，在农村金融发展水平较高地区的提升作用更强，这是制约农村数字化促进ATFCP提升的主要原因。④空间计量分析结果表明，农村数字化和ATFCP之间存在显著的空间效应，短期和长期的间接影响均显著为正，农村数字化不仅能够提升本地的ATFCP，还能通过技术扩散正向影响邻近地区的ATFCP。基于此，要进一步强化农村数字化降碳增产的红利效应，通过加大资金投入，完善数字基础设施建设，推动要素流动和技术落地，提升农村数字化发展潜力；要实施动态化和差异化数字乡村发展战略，完善区域间合作机制，促进各地区之间数字经济的协调发展。

关键词 数字化；碳生产率；超效率EBM模型；动态空间杜宾模型；空间溢出效应

中图分类号 F205 文献标志码 A 文章编号 1002-2104（2024）03-0079-12 DOI：10. 12062/cpre. 20230707

农业碳排放总量与工业碳排放总量相比并不突出，但农业碳排放源更加复杂，农业生产高位增长伴随的农业碳排放增量不断增加［1］。2021年农业温室气体碳排放占全球温室气体排放量比例已达到20%～25%［2］。据预测，2050年全球农业温室气体排放量可能会增加58%，成为最难以控制的碳排放源［3］。中国推进实现“双碳”目标，农业碳减排迫在眉睫。当前，农业碳减排面临严峻挑战：一方面，强制性减少农业碳排放，势必影响农业生产活动，不利于农业发展和农民增收。另一方面，中国农业生产仍然存在严重依赖化肥和农药投入的问题［3-4］，单纯通过改变耕作方式实现降碳不仅作用有限，并且这一方式也受到快速增长的粮食需求的阻碍［5-6］。因此，农业经济发展和农业碳减排需要纳入统一框架下进行统筹考虑。随着数字化深入发展，其强行业渗透性和边际收益递增性特点日益凸显，在粮食生产、耕地保护和工业技术等方面发挥着显著的改善作用［7-8］。那么，农村数字化能否协同提升“农业经济增长”和“农业碳减排”的双重目标效应，其影响机制是什么？该效应在不同异质性条件下有哪些差异？上述问题的回答对于丰富数字化转型的绿色效用理论，进而提出实现农业降碳增产双重目标的政策建议，兼具重要的理论与现实意义。

1 文献综述

农村数字化和农业全要素碳生产率（Agriculture TotalFactor Carbon Productivity，ATFCP）的研究本质是数字化与生产效率的因果关系探究，同时额外考虑了碳要素。因此，文献综述主要沿着以下脉络展开：一是梳理已有碳生产率的测度方法；二是梳理数字化对农业生产效率影响的研究；三是梳理数字化对农业碳生产率影响的研究。

1. 1 关于农业碳生产率的测度

关于碳生产率的测度，当前主要有单要素和全要素两种评价方法。第一种是单要素评价方法。该方法以碳排放总量与某一要素比值作为碳排放绩效衡量指标，但问题在于忽略了其他投入要素的影响。第二种是全要素评价方法。该方法将农业碳排放和投入要素均纳入全要素生产率增长测算框架，进而得到农业全要素碳生产率。全要素生产率的测度方法主要包括SFA 和DEA 两种方法。其中，DEA方法可以有效避免方程形式的设置错误，使其更易于操作，应用更普遍［9］。此后，为了克服传统DEA 方法无法区分环境因素等缺点，非径向非角度的SBM模型被提出［10］。为进一步进行动态效率分析，SBM模型与ML指数结合已成为衡量全要素生产率动态变化的最常用方法［11-12］。目前，较为有效的做法为EBM?GML方法，同时，结合超效率DEA 模型将EBM 超效率化［13］。其优势在于超效率EBM 模型包含径向与非径向两类距离，该模型是SBM模型的优化，同时该模型考虑了全局的GML指数，也克服了ML指数无可行解的问题。

1. 2 数字化对农业生产效率的影响

数字化发展推动农业生产方式的变革和生产效率的提升［14］。中国数字化转型开始转向深化应用、规范发展、普惠共享的新阶段，关于数字化发展与农业生产效率关系的研究也随之展开。例如，数字化与农产品技术进步率的关系［15］、数字经济与农业全要素生产率的关系［16］、数字经济与农业企业生产效率的关系［17］、数字金融与农业全要素生产率的关系［18］等。这些研究均认为，数字化能够有效提升农业生产效率。上述研究成果为深入探索两者间的因果关系提供了理论和方法借鉴。随着研究的进一步深入，碳要素被纳入生产效率范畴，但数字化和碳生产率的确切关系尚未有定论。

1. 3 数字化对农业碳生产率的影响

从已有研究的结论来看，如同硬币的两面，数字化对碳生产率的影响通常具有双重效应。一方面，数字化对碳生产率具有抑制作用。例如，已有研究基于澳大利亚的长时间序列数据发现，数字化的发展刺激了电力消费的增长，但电力效率却未提升，反而增加了本地的碳排放［19］。另一方面，数字化对碳生产率具有改善作用。数字化通过改善能源强度和能源消费规模提升城市碳生产率［20］，还可赋能工业碳生产率，且具有显著的空间溢出效应［21］。

就数字化对农业碳生产率的影响研究而言，已有文献仍存在一些局限。Zhong等［22］研究了数字经济和农业碳强度之间的关系，但农业碳强度作为单要素碳生产率指标，难以反映真实的农业生产效率。此外，其数字经济指标是基于城市互联网发展的数据，难以影响到农业农村的生产生活。Jiang等［23］和Xu等［24］基于农业农村数据构建了类似的农村数字化指标，尝试探讨农村数字化和农业绿色发展之间的关系。但前者的重点在于面源污染，且农村数字化指标并未考虑数字化转型对农村产值的贡献，因而指标的可靠性较弱。而后者仅考虑了种植业的碳排放，忽视了养殖业碳排放。鉴于农业活动的温室气体中有43%来自肠道发酵和粪便管理［25］，因而养殖业碳排放不可忽视。此外，上述3篇文献均未考虑内生性问题。

综上，为克服已有文献不足，有必要进一步基于中国数据，全面准确地构建并测度农村数字化指数和农业碳生产率，分析农村数字化和ATFCP之间的因果关系，探讨内在影响机制、多维度异质性和空间溢出效应，用以解决“农业经济增长和农业碳排放”这一矛盾的现实问题，助力实现农村数字化对农业的降碳增产效应。具体而言，主要从以下三个方面做出探索：第一，研究视角上，立足数字乡村和“双碳”背景，探讨农村数字化影响农业碳生产率这一议题，以尝试回答如何实现“农业经济增长”和“农业碳减排”双重目标。第二，研究方法上，一是为处理内生性问题，构建了历史农村公路密度与中国农村互联网人数的交乘项作为农村数字化的工具变量；二是为解决径向模型和非径向模型的固有问题，采用考虑非期望产出的全局Super?EBM 模型，改进了效率测量方法。第三，研究内容上，基于Grossman等［26］提出的经济增长和环境质量的分解效应理论，并结合中国农村数字化转型实践，从技术、规模、结构、集聚和就业5类效应对影响机制进行验证，结合地理区位、农业生产条件和农村发展环境进行多维度的异质性分析和空间效应分析，即通过提供多层次的实证分析视角，解构二者间的内在逻辑关系。

2 理论分析和研究假说

2. 1 农村数字化对ATFCP的影响机制

农村数字化通过作用于技术创新、规模化、结构升级、产业集聚和劳动力转型，进而影响农业生产数量、效率和结构，最终影响ATFCP。

技术效应。新经济增长理论认为，推动经济增长的核心动力是技术进步，农村数字化所带来的关键技术装备创新能够提升农业生产绩效。广泛的研究表明，经济增长与碳排放存在倒“U”型关系，即存在“环境库兹涅茨曲线”［27-28］。而随着农业经济发展到一定水平，农业经营主体和政府追求环境效益。农村数字化助推数字技术在田间地头落地，能够尽早达到这一拐点，从而实现降碳和增产的双赢。

规模效应。农村数字化借助数字技术实现规模经营，提高化肥、农用机械等利用效率，有助于降碳。一方面，依托农村数字化的信息资源整合功能，搭建土地要素流转平台，提供规模化经营基础。另一方面，依托农村数字化的大数据管理功能，构建农业物联网系统，提供规模化经营技术。

结构效应。根据Grossman等［26］关于经济增长和环境质量间的3个分解效应，除技术和规模效应以外，农村数字化带来的结构效应不可忽视。农村数字化以数字技术为纽带，通过创新赋能实现数字技术与农村产业的融合，促进产业链攀升，实现产业结构高级化，因而农村数字化可以实现在提升产品附加值的同时直接减少碳排放。

集聚效应。农村产业集聚主要表现为电子商务催生出产业集群，以“淘宝村”为代表。淘宝村是地理集聚和虚拟集聚的结合体。首先，虚拟集聚本身就是数字化的表征。虚拟集聚的跨时空特征降低了信息获取成本，有利于资源流向效率更高的部门。同时，虚拟集聚主要基于线上网络开展经济活动，本身具有低碳特征。其次，地理集聚带来规模效应、内部专业化分工效应以及同产业技术溢出效应，进而也能够极大地提升农业生产效率和缓解资源错配。

就业效应。随着数字化在农村的深度应用，电子商务和数字媒体为农村居民提供了更多的创收渠道，促进了非农就业［29］。非农就业能够推动兼业和土地流转，分别影响农户投入行为和实现土地规模经营，亦能有效促进农业经济增长和农业碳减排。

假说1：农村数字化发展能够提升ATFCP。

假说2：农村数字化的发展通过促进技术创新、规模经营、结构优化、产业集聚和非农就业，进而提升ATFCP。

2. 2 农村数字化对ATFCP的空间溢出影响

农村数字化对ATFCP 的影响可能存在空间溢出效应。根据托布勒第一地理定律，邻近事物的相关性更为密切，对于农村数字化而言，数字化转型的一个重要特征是它通过高效的信息传输压缩了时空距离，增强了区域间经济活动的广度和深度［20］。因此，当地农村数字化发展的经验和成果可以通过区域合作流入周边地区，提高周边农村数字化水平，其空间相关性得以存在［30-31］。对于ATFCP而言，由于CO2等温室气体的流动性以及每个地区间的地理联系，一个地区的农业碳排放亦将影响相邻地区。Zhong等［22］利用中国30省份面板数据研究数字经济和农业碳强度之间的关系，发现数字经济对碳强度的抑制作用具有显著的空间溢出效应，这一效应来自技术进步的扩散。因此，农村数字化发展带来的数字技术扩散，往往能够对ATFCP产生空间溢出影响，假说3由此提出。理论分析框架图如图1所示。

假说3：农村数字化对ATFCP 的影响存在空间溢出效应。

3 材料和方法

3. 1 模型设定

3. 1. 1 基准回归模型

为考察农村数字化对ATFCP的影响，构建如下计量模型：

3. 1. 2 机制检验模型

为避免传统三步法中介效应模型的缺陷，机制检验部分仅进行核心解释变量rd 对机制变量Mit 的回歸，至于Mit 对被解释变量atfcpit 的影响，拟采用文献佐证和道理阐述的方式解决。模型设定如下：

3. 1. 3 动态空间杜宾模型

为探究农村数字化对ATFCP的空间溢出效应，同时考虑农业碳生产率的变化可能存在时间依赖效应以及潜在的内生性问题，将滞后一期的ATFCP引入普通的静态空间面板杜宾模型，建立动态空间面板杜宾模型，见公式（3）：

3. 2 变量选取和说明

3. 2. 1 被解释变量：农业全要素碳生产率（ATFCP）

采用EBM模型和GML指数测算，分为投入、期望产出和非期望产出3类指标：①投入指标为土地（农作物播种面积）、劳动力（第一产业从业人数）、资本（农业资本存量）、农药、化肥、农膜使用量、农业用水用电和农业机械总动力。其中，资本存量首先通过缩减指数构造方法，得出第一产业投资数据的价格平减指数［32］。然后根据永续盘存法得出各省份第一产业资本存量数据［33］。②期望产出指标为第一产业实际增加值和农业碳汇量［34］。③非期望产出指标为农业碳排放总量，依据农地利用、畜禽养殖、水稻种植和农村生活碳排放4类碳排放源计算。农地利用为化肥（氮肥、磷肥、钾肥和复合肥）、农药、农膜、柴油、翻耕和灌溉。畜禽养殖为生猪、家禽、牛、马、驴、骡、山羊、绵羊等8种（由于畜禽饲养周期的不同，计算前需对畜禽平均饲养量以出栏率进行调整）。水稻种植为早稻、中季稻和晚稻。农村生活碳排放为农村生活能源碳排放，具体而言：首先，构建农村生活能源消耗数据库，包含原煤、洗精煤、汽油、柴油、电力等32种能源；其次，将上述32种能源消耗量转化为标准煤；最后，通过标准煤的碳排放折算系数（0. 68）计算。

3. 2. 2 核心解释变量：农村数字化

从数字基础设施、数字创新水平和数字产业发展3个维度构建农村数字化指标体系，见表1。在此基础上采用熵权法确定各指标权重。相关文献已建立较为完整的农业农村数字经济指标体系［30-31］，表1中指标体系的改进之处在于：一是根据“发展基础-发展动力-发展成果”的逻辑，分别对应数字基础设施、数字创新水平和数字产业发展3个维度，建立了农村数字化指标体系。二是聚焦农村层面的数字化发展，剔除了与农村数字化关联不强的指标（例如传统农业技术人员和传统涉农贷款等）。三是借助省级投入产出表，通过区分涉农数字行业（通信设备、计算机和其他电子设备；仪器仪表；信息传输、软件和信息技术服务），核算了农村由数字化发展带来的额外收益。

数字基础设施。数字基础设施的建设是农村数字化发展的基础，其中，互联网的接入和信息化设备的持有是支持农村数字化运行和发展的基础［31］。因此，将数字基础设施作为一级指标，其下设置3个二级指标：①从行政村村级层面和农民个体层面的宽带接入水平来衡量农村互联网普及率。②从彩色电视机、移动电话和计算机3个方面衡量农村信息化设备。③农业气象服务作为数字乡村建设的基础生产设施，已在农业生产中发挥愈加重要的作用。因此，也将其纳入农业数字基础设施，具体以农业气象观察站数量来衡量农业气象观察业务。

数字创新水平。数字创新的水平是农村数字化发展的动力。针对中国农村地区的数字服务水平现实情况设置4个二级指标：①农村数字化的发展应当服务于农村居民，体现为技术驱动。以农村营业网点服务人口衡量信息技术在农村的应用情况。农村营业网点服务人口越多，说明服务网点分布密度越小，因此为负向指标。②农村数字产品与服务消费，该指标用于衡量农村居民对于数字产品的消费水平，体现为消费驱动。以农村居民家庭人均交通通信消费支出来衡量。③农村数字金融体现农村的数字金融能力，体现为金融驱动。以数字普惠金融指数来衡量。④农村生产投资能够体现农村数字创新发展的经济基础实力，体现为投资驱动。以农村信息传输、计算机服务和软件业的投资额来衡量。

数字产业发展。数字产业的发展是农村数字化发展的成果。设置4个二级指标：①生产方面。利用第一产业中的数字经济规模占比衡量农业生产数字化程度。引入数字经济调整系数［35］，借助省级投入产出表测度第一产业中数字经济增加值［31］。②流通方面。由于中国物流代表性企业，如顺丰和三通一达等快递业务数据的不可得性，农村物流业务指标用农村邮政业务总量衡量，以体现农村电商、快递进村的能力。③运营方面。利用农村电子商务销售额和采购额之和衡量农业数字化运营的能力。④农业数字产业基地能够有效反映地区农村数字产业化发展的环境优劣，以淘宝村数量来测度。

3. 2. 3 控制变量

为尽可能地缓解遗漏变量偏误，进一步控制了影响ATFCP的其他变量。①农业经济发展水平（pgdp），以第一产业增加值与第一产业从业人员比值表示。经济增长对农业碳排放具有重要影响［28］。②农业产业结构（stru），以种植业和畜牧业增加值之和与农林牧渔增加值之比表示，种植业和畜牧业为农业碳排放的主要来源行业。③农业财政支持（afs），以农林水事务支出和财政支出之比表示。政府的外部政策干预能够影响碳排放［36］。④环境规制强度（er），以污染治理投资额和GDP的比值来表示，以尽可能反映当地的环境监管强度。⑤农村人力资本（edu），以农村平均受教育年限表示，通常来说教育水平的提升能够影响边际减排成本。⑥农业技术投入（tech），以农经机构的专业技术人员数量表示。

3. 3 数据来源

考虑到数据的可得性，样本范围为2011—2020年中国的30省份（未涉及西藏、香港、澳门和台湾）。数据主要来自相应年份的《中国农村统计年鉴》《中国统计年鉴》《中国农产品进出口统计月报》《中国人口和就业统计年鉴》和各省级年鉴。数字普惠金融数据来自已有研究成果［37］。此外，为了减轻异方差对模型估计结果的影响，在进行实证分析时所有连续变量均取自然对数。全部变量的描述性统计结果见表2。其中，农经机構的专业技术人员数据仅统计到2018 年，2019—2020 年通过插值法补齐，因此，存在非整数数据。

4 实证结果

4. 1 基准回归结果分析

表3报告了农村数字化对ATFCP影响的基准回归结果。根据Hausman检验，固定效应模型是合适的，结果见表3中列（1）和列（3），农村数字化对ATFCP的影响均在1%的水平上显著为正，从列（3）中可以看出，农村数字化水平每提升1%，ATFCP能够上升0. 629%。据此，假说1得到验证，即农村数字化能够提升ATFCP。具体提升作用表现在两个方面：一是农业要素使用效率得以提高，驱动粗放型传统农业转型精细化高效农业；二是催生低碳新业态，从产业结构层面实现农业产值增长和农业碳排放的相对减少。因此，在两个方面作用下实现农村数字化对ATFCP的提升。

控制变量方面，农业产业结构对ATFCP具有显著的负向影响，说明种植业和养殖业作为主要的两大农业碳排放来源，这两类行业比重的上升往往带来更大的农业碳排放，不利于ATFCP提升。农业财政支持和农村人力资本对ATFCP具有显著的正向影响，前者的原因在于发展低碳农业势必需要政府财政支持，政府财政对低碳生产的经营主体给予补贴，引导经营主体进行更加有效的低碳农业生产，而政府财政对“双碳”技术研发机构的支持，鼓励经营主体研发低碳农业技术。后者的原因在于人力资本水平的提升通常更倾向选择更为低碳的农业生产方式，从而影响边际碳投入，带动ATFCP的提升。

4. 2 稳健性检验

采取3种稳健性检验方法：一是自变量滞后。在时间层面，考虑到农村数字化对ATFCP的影响存在滞后影响，将农村数字化的一阶滞后项和二阶滞后项作为核心解释变量进行回归。二是控制区域时间趋势项。在区域层面，中国长期以来受到区域发展政策和地理位置等因素的影响，各区域发展存在明显的差异。这些差异可能随着时间的变化影响结果的正确估计。为此，构造区域虚拟变量（东中西部）和时间趋势变量的交互项。三是剔除直辖市。考虑到样本选择偏差问题，直辖市具有政策和经济天然优势，数字经济基础好。因此，剔除北京、天津、重庆和上海4个直辖市样本。结果见表4。在3种稳健性检验下，农村数字化均能显著提升ATFCP，證明了基准回归结果的稳健性。

4. 3 内生性讨论

为缓解模型可能的内生性问题，采用IV?2SLS方法处理。以往相关研究多选用1984年的邮电历史数据作为数字化指数的工具变量。但是，农村数字化的发展不同于城市。由于农村数字化起步晚、发展慢，其发展程度往往与当地农村基础设施的建设水平密切相关。区域层面的邮电发展水平难以影响农村层面的数字化发展，不满足“相关性”条件。此外，邮电指标不能完全脱离经济体系，不满足“外生性”条件［20］。鉴于此，遵循农村基础设施和农村数字化具有紧密关系这一逻辑，同时，鉴于样本中重庆于1997年正式设为直辖市，选择1998年农村公路密度作为工具变量。由于截面数据无法进行面板数据的计量回归，参考已有做法［38］，增加一个时变的变量进行交互。具体而言，以上一年全国农村互联网用户数分别与1998年各省农村公路密度构造交互项。

工具变量的选取需要满足相关性与外生性两个条件：一是相关性。农村数字化的发展有赖于数字基础设施的建设。数字基础设施的“数字”相对于传统基础设施而言，其本质仍然是基础。根据农村基础设施发展的历史和延续性，中国农村基础设施建设史上最关键的项目是“村村通”，主要指通公路。随着社会经济的发展，“村村通”项目的重点逐渐转向通宽带，从传统基础设施建设向数字基础设施建设推进。因此，历史农村道路密度会影响后续农村发展［39］，这对农村数字经济的发展具有重要意义。二是外生性。通常来说，公路并不会影响当前农业的碳生产率［40］。但农村公路会影响农村经济的发展，这可能会导致内生性，即工具变量不是因变量受到影响的唯一路径，从而影响工具变量的排他性约束。为了解决这一问题，采用了以下3种方法：①选择历史数据，1998年的数据与当前的样本数据相对较远，因此，很难与当前的因变量和扰动项相关联。②根据中国的“农村公路建设规划”，到2010年，所有符合条件的建制村基本上都建立了油路（水泥）公路连接（样本期为2011—2020年）。因此，农村公路的差异至少不会成为影响各省份ATFCP 的重要因素。③已将农村经济水平作为控制变量纳入实证模型，以更好地控制和观察农村经济对因变量的影响。此外，尽管构建了1个交互项，但国家层面的农村互联网用户数量不会直接影响每个省份的农村互联网用户数量。总体而言，工具变量的选择是合理的。

表5中2SLS模型的列（1）和列（2）结果表明：第一阶段中，工具变量和自变量满足相关性，农村公路密度大，历史基础设施条件越好，越有利于后续农村数字化发展；第二阶段中，农村数字化对ATFCP的影响依然在1%的水平上显著为正，且均通过工具变量有效性检验。此外，由于构造的工具变量本质上为地方层面的信息与国家层面的信息相结合，因此，进一步构造了一个Bartik 工具变量［41］：rdi，t - 1 × △rdt，t - 1 即一阶滞后农村数字化指数与农村数字化指数在时间上的一阶差分的乘积，将其加入2SLS模型中，结果依然成立。

4. 4 机制分析

为验证假说2，对农村数字化影响ATFCP 的作用渠道进行检验。根据前文理论分析，农村数字化能够通过技术创新、规模经营、结构升级、产业集聚和非农就业等路径影响ATFCP。

第一，技术效应。为了实证考察农村数字化对技术创新的影响，构造了技术创新指标。通常来说，专利被认为能够较好捕捉技术创新能力。但由于申请意愿和制度保护等因素，专利数量实际上并不能正确反映技术创新水平［42］。为客观准确反映中国农业技术创新现状，手工整理了中国农业科学院发布的农业知识产权报告。以报告中的农业知识产权创造指数来衡量技术效应，结果见表6列（1）。结果表明，农村数字化水平每提升1%，技术创新水平提升0. 647%，说明农村数字化显著促进了技术创新。现有研究基本证实了技术创新和ATFCP之间的正向关系。例如，Liu等［40］基于省际数据，发现技术溢出作用体现在农业研发投入的增加，以及绿色低碳技术的采用和应用，提升了生产效率和减少了碳产出，由此提升了ATFCP。Huang等［43］通过对ATFCP 进行生产分解发现，技术进步亦是ATFCP提升的关键驱动力。

第二，规模效应。为了实证考察农村数字化对规模经营的影响，构造了规模经营指标。使用规模化经营水平（农作物播种面积和农村户数的比值）衡量规模效应。原因在于，农业的小规模经营往往是与家庭经营组织相匹配的。因此，以家庭为单位的测度，较个体劳动力更为准确，即农村每户人家所经营的农地面积，结果见表6列（2）。结果表明，农村数字化水平每提升1%，规模经营水平提升0. 254%，说明农村数字化显著推动了规模经营。现有研究基本证实了规模经营和ATFCP之间的正向关系。例如，Zhu等［44］结合微观截面和宏观面板数据，发现规模经营能够有效降低农业生产要素的使用强度，从而实现ATFCP的提升；魏梦升等［45］以粮食主产区政策为例，发现该政策的粮食增产和碳减排效益主要得益于规模经营效应，表现为通过规模经营以提升农资的利用效率，最终提升ATFCP。

第三，结构效应。为了实证考察农村数字化对结构升级的影响，构造了结构升级指标。使用基于余弦法计算的农业产业结构高级化指数衡量结构效应［46］，结果见表6列（3）。结果表明，农村数字化水平每提升1%，结构升级水平提升0. 033%，说明农村数字化显著促进了结构升级。现有研究基本证实了结构升级和ATFCP之间的正向关系，例如，田云等［47］利用脱钩模型研究了农业碳排放的效率和公平，发现产业结构的优化能够有效改善农业增长和农业碳排之间的矛盾，从而提升ATFCP。

第四，集聚效应。为了实证考察农村数字化对产业集聚的影响，构造了产业集聚指标。使用区位商（agg =Ei /EtAi /At，Ei 为一省份的农业就业人数，Et 为一省份全部就业人数，Ai 为全国农业就业人数，At 为全国就业人数）衡量产业集聚水平，结果见表6列（4）。结果表明，农村数字化水平每提升1%，产业集聚水平提升0. 273%，说明农村数字化显著促进了产业集聚。现有研究基本证实了产业集聚和ATFCP之间的正向关系，例如，Liu等［40］指出集聚能够充分发挥集聚规模经济效应，提高资源配置效率，促进农业生产效率和碳减排，最终有助于提高ATFCP。

第五，就业效应。为了实证考察农村数字化对非农就业的影响，构造了非农就业指标。使用非农就业收入（农民工资性收入、资产性收入和转移性收入之和）衡量非农就业水平，结果见表6列（5）。结果表明，农村数字化水平每提升1%，非农就业水平提升0. 235%，说明农村数字化显著促进了非农就业。现有研究基本证实了非农就业和ATFCP之间的正向关系，例如，Chang等［48］利用分位数回归模型研究了非农就业和农业化学品使用之间的关系，发现非农就业能够有效降低包括化肥在内的各类化学品使用，有效减少了边际碳产出，从而提升ATFCP。

4. 5 异质性分析

进一步讨论农村数字化在不同地理区域、农业生产条件和农村发展环境下对ATFCP的影响。

4. 5. 1 区位条件

农村数字化对ATFCP增长的带动效应，可能由于区位条件不同而产生差异。因此，将样本分为东、中、西和东北4组，不同区位条件异质性结果见表7。结果表明，农村数字化能够显著提升东部和西部的ATFCP，尤其是东部地区的回归系数（1. 396）显著大于基准回归的系数（0. 629）。其可能的原因在于两个方面：一是东部地区经济发达，数字基础设施较为完善，网络化程度较高，较其他地区相比本身数字产业发达；二是东部地区农村普遍现代化程度高，其中，浙江省更是常年位于中国农村人均收入首位，数字经济易于向农村下沉、农民接受程度高。两方面因素有利于实现农村数字化。在中部和东北部地区，农村数字化对ATFCP的提升作用并不显著。可能的原因在于两类地区城乡差距大、数字基础较弱，就城镇化率而言，中部6省只有湖北省高于全国平均水平，对农村的支持能力相应偏弱，城乡“数字鸿沟”难以弥合。

4. 5. 2 碳生产率水平

为分析农村数字化对不同分位点ATFCP的影响，进一步采用双向固定的分位数模型验证，结果见表8。结果表明，在5个分位点上，农村数字化对ATFCP均存在显著正向影响，随着ATFCP水平不断提升，提升作用逐渐减弱，表现为边际效益递减。

4. 5. 3 农业绿色发展水平

因政策支持、經济发展和资源禀赋差异，中国各省份农业绿色发展水平不尽相同，在此差异下，农村数字化对不同农业绿色发展水平地区的ATFCP的影响可能产生差异。参考《中国绿色发展指数报告：区域比较》（2011—2019）获取30省份绿色发展水平数据，重新进行参数估计，结果见表9列（1）和列（2）。结果表明，农村数字经济对ATFCP均显著为正，说明数字化的绿色效应并不会受到当地已有绿色发展水平的限制，验证了数字化的包容性，亦符合表8中分位数回归的结果。

4. 5. 4 农村金融发展水平

自从数字技术融入农村金融业态以来，数字金融在农村得到了广泛应用和推广。实际上，数字金融的嵌入会受到农村自身金融发展水平的约束，因此，农村数字化对ATFCP的提升作用可能会受到传统金融发展的影响。为此，以农村金融发展水平（农民贷款与农林牧渔总产值的比值）作进一步异质性分析，结果见表9列（3）和列（4）。结果表明，农村数字化仅在高金融水平地区表现出显著的正向影响，说明农村数字化与农村金融之间存在一个“金融门槛”，金融水平低的农村不仅存在物理排斥，较低的金融水平通常意味着数字基础设施的不完善，而且还存在自我排斥，农户金融素养的匮乏导致数字金融的难以普及。综合作用下，农村金融水平较低的地区会制约农村数字化的发展。

5 进一步讨论：空间效应分析

为检验农村数字化和ATFCP 的空间自相关，使用Moran's I 指数来测试，结果见表10。结果表明，2011—2020年农村数字化的Moran's I 均在1% 或5% 的水平上显著正相关，说明农村数字化具有显著的空间自相关。ATFCP的Moran's I 虽然只有2020年显著为正，但是总体Moran's I 仍然在1%的水平上显著为正，因此，仍有必要作进一步的空间效应分析。

LM检验、LR检验和固定效应选择项检验结果表明具有时空双重固定效应的SDM模型是合适的。表11显示了农村数字化对ATFCP的空间效应估计结果。同时给出了空间回归模型在经济距离、地理距离和嵌套3个权重矩阵下的估计，以验证其稳健性，结果见表11 列（1）—列（3）。结果表明，空间自回归系数（ρ）均显著为正，证明了空间效应的存在。由于空间相互作用项（w×rd）的回归系数不能直接用于讨论空间边际影响。因此，为进一步测量相邻区域间复杂的空间相关性，通过计算偏导数得到系数，用总效应、直接效应和间接效应来描述相邻区域的空间边际效应，结果见表11列（1）。结果表明，短期和长期的间接影响分别在1%和5%的水平上显著为正，说明农村数字化对ATFCP存在显著的空间溢出效应，假说3得到验证。可能的原因在于数字技术的跨时空信息传播和共享增强了区域间的农村经济活动，即农村数字化的发展能够突破经济距离差异，不仅提升本地ATFCP，同时起到示范和引领作用，从而提升邻近地区的ATFCP。在地理距离矩阵下，农村数字化对ATFCP仍具有正向的空间溢出效应，但间接效应并不显著。在嵌套矩阵下，结论和经济距离矩阵下的结果基本一致。

6 结论和启示

6. 1 结论

基于2011—2020年中国30省份的面板数据，构建农村数字化综合指标，运用EBM?GML方法量化ATFCP，采用固定效应模型、分位数模型和动态空间杜宾模型等方法探索农村数字化对ATFCP的影响，得出如下研究结论。

第一，农村数字化能够显著提升ATFCP，在经过工具变量等一系列稳健性检验后，该结论依然成立。

第二，农村数字化通过推动技术进步、规模经营、结构升级、产业集聚和非农就业，进而实现ATFCP增长。

第三，农村数字化对ATFCP的提升作用存在区域异质性，东部地区因其经济基础优势，农村数字化能够发挥更大的积极效应。总体来看，农村数字化表现为边际效益递减的正向影响，在绿色发展水平低或高的地区均能发挥显著提升作用，在农村金融发展水平高的地区农村数字化的影响更为显著。

第四，农村数字化对ATFCP具有显著的空间溢出效应，短期和长期间接效应均显著为正。

6. 2 启示

以数字技术和传统农业的融合为代表的农村数字化将是实现“农业经济增长”和“农业碳减排”双重目标的重要工具。据此，结合上述结论，提出以下政策建议。

第一，鉴于农村数字化在提高农业碳生产率方面具有红利效应，未来应加大数字农业领域新技术、新产品和新模式的应用推广力度，尽快将农业传感器、智能装备等纳入农机购置补贴。坚持推进“宽带下乡”和“数字乡村”战略，实现农村4G或5G网络覆盖，保证农村居民基础的信息服务。同时，尝试设立数字经济示范村和农业大数据试点县，推动数字成果尽快转化为现实生产力。

第二，鉴于农村数字化通过技术、规模、结构、集聚和就业效应提升农业碳生产率，未来需加快推进覆盖农业全产业链条的数字农业试验区建设，促进产业集聚和加强农业绿色技术的创新，由此发挥规模经营和技术进步的協同作用。同时，调整农村产业发展重点，借助农村数字化推进农业与数字产业的融合，助力农特产品搭上“数字快车”和农文旅融合插上“数字化翅膀”，实现农业结构升级和就业多元化。

第三，鉴于农村数字化对农业碳生产率的影响具有显著区域异质性，未来应总结和提炼东部地区成功经验，实施动态化和差异化的数字乡村发展战略。对于农业绿色低碳发展已取得较好成效的地区，进一步巩固农村数字化的降碳增产红利，注重技术扩散，对低数字化水平的地区进行帮扶。对于低金融水平地区来说，优先发展农村金融机构，弱化物理排斥与自我排斥，发挥传统金融对农村数字化发展的支撑作用。

第四，鉴于农村数字化对农业碳生产率的影响具有显著空间溢出效应，未来应重点完善区域间的合作机制，借助数字化能够突破经济距离限制的优势，打造一体化的数字经济智慧服务平台，建立庞大的数字经济服务数据库，实现数据资源和平台共享，加强农业生产环境信息公开和技术扩散。

参考文献

［1］ 于卓卉，毛世平. 中国农业净碳排放与经济增长的脱钩分析

［J］. 中国人口·资源与环境，2022，32（11）：30-42.

［2］ FUGLIE K，RAY S，BALDOS U L C，et al. The R&D cost of climate

mitigation in agriculture［J］. Applied economic perspectives and

policy，2022，44（4）：1955-1974.

［3］ ALEKSANDRAL A， EMILY M， YOU L， et al. 5 Questions about

agricultural emissions， answered［EB/OL］.（2019-07-29）［2023-

03-16］. https：//www. wri. org/insights/5?questions?about?agricultural?emissions?answered.

［4］ KARKACIER O，GOKALP GOKTOLGA Z，CICEK A. A regression

analysis of the effect of energy use in agriculture［J］. Energy policy，

2006，34（18）：3796-3800.

［5］ TILMAN D，BALZER C，HILL J，et al. Global food demand and the

sustainable intensification of agriculture［J］. Proceedings of the National

Academy of Sciences of the United States of America，2011，

108（50）：20260-20264.

［6］ LITVINENKO V S. Digital economy as a factor in the technological

development of the mineral sector［J］. Natural resources research，

2020，29（3）：1521-1541.

［7］ LIOUTAS E D，CHARATSARI C，DE ROSA M. Digitalization of agriculture：

a way to solve the food problem or a trolley dilemma［J］.

Technology in society，2021，67：101744.

［8］ XIE Y，CHEN Z，BOADU F，et al. How does digital transformation

based Measure （SBM） approach［R］. Tokyo：National Graduate

Institute for Policy Studies，2004.

［11］ CHUNG Y H，F?RE R，GROSSKOPF S. Productivity and undesirable

outputs： a directional distance function approach［J］. Journal

of environmental management，1997，51（3）：229-240.

［12］ LI Y，CHEN Y Y. Development of an SBM?ML model for the measurement

of green total factor productivity：the case of Pearl River

Delta urban agglomeration［J］. Renewable and sustainable energy

reviews，2021，145：111131.

［13］ ANDERSEN P，PETERSEN N C. A procedure for ranking efficient

units in data envelopment analysis［J］. Management science，

1993，39（10）：1261-1264.

［14］ 孔凡斌，程文杰，徐彩瑶. 数字经济发展能否提高森林生态产

品价值转化效率：基于浙江省丽水市的实证分析［J］. 中国农村

经济，2023（5）：163-184.

［15］ 杨入一，孔繁涛. 数字化发展与农产品批发市场技术进步：兼

论农产品电商渠道的中介效应［J］. 中国流通经济，2023，37

（3）：3-16.

［16］ 孙光林，李婷，莫媛. 数字经济对中国农业全要素生产率的影

响［J］. 经济与管理评论，2023，39（1）：92-103.

［17］ 王菲，刘天军，宋经翔. 数字经济发展能提高农业企业加成率

吗：基于全国53196家农业企业的微观证据［J］. 山西财经大学

学报，2022，44（11）：15-27.

［18］ 唐建军，龚教伟，宋清华. 数字普惠金融与农业全要素生产率：

基于要素流动与技术扩散的视角［J］. 中国农村经济，2022（7）：

81-102.

［19］ SALAHUDDIN M，ALAM K. Internet usage，electricity consumption

and economic growth in Australia：a time series evidence［J］.

Telematics and informatics，2015，32（4）：862-878.

［20］ ZHANG W，LIU X M，WANG D，et al. Digital economy and carbon

emission performance：evidence at China's city level［J］. Energy

policy，2022，165：112927.

［21］ 任晓松，孙莎. 数字经济对中国城市工业碳生產率的赋能效应

［J］. 资源科学，2022，44（12）：2399-2414.

［22］ ZHONG R X，HE Q A，QI Y B. Digital economy，agricultural technological

progress，and agricultural carbon intensity：evidence from

China［J］. International journal of environmental research and public

health，2022，19（11）：6488.

［23］ JIANG Q，LI J Z，SI H Y，et al. The impact of the digital economy

on agricultural green development：evidence from China［J］. Agriculture，

2022，12（8）：1107.

［24］ XU N，ZHAO D S，ZHANG W J，et al. Does digital transformation

promote agricultural carbon productivity in China［J］. Land，2022，

11（11）：1966.

［25］ 翟郧秋，张芊芊，刘芳，等. 我国畜禽养殖业碳排放研究进展

［J］. 华南师范大学学报（自然科学版），2022，54（3）：72-82，2.

［26］ GROSSMAN G M， KRUEGER A B. Environmental impacts of a

North American Free Trade Agreement［R］. Combridge： National

Bureac of Economice Research， Inc， 1991.

［27］ LIU D N，XIAO B W. Can China achieve its carbon emission peaking：

a scenario analysis based on STIRPAT and system dynamics

model［J］. Ecological indicators，2018，93：647-657.

［28］ ZHANG L，PANG J X，CHEN X P，et al. Carbon emissions，energy

consumption and economic growth：evidence from the agricultural

sector of China's main grain?producing areas［J］. Science of the total

environment，2019，665：1017-1025.

［29］ ZHOU D， LI B. How the new media impacts rural development in

China： an empirical study［J］. China agricultural economic review，

2017， 9（2）： 238-254.

［30］ 朱红根，陈晖. 中国数字乡村发展的水平测度、时空演变及推

进路径［J］. 农业经济问题，2023，44（3）：21-33.

［31］ 慕娟，马立平. 中国农业农村数字经济发展指数测度与区域差

异［J］. 华南农业大学学报（社会科学版），2021，20（4）：90-98.

［32］ 徐现祥，周吉梅，舒元. 中国省区三次产业资本存量估计［J］.

统计研究，2007，24（5）：6-13.

［33］ 宗振利，廖直东. 中国省际三次产业资本存量再估算：1978—

2011［J］. 贵州财经大学学报，2014（3）：8-16.

［34］ 田云，张俊飚. 中国农业生产净碳效应分异研究［J］. 自然资源

学报，2013，28（8）：1298-1309.

［35］ 许宪春，张美慧. 中国数字经济规模测算研究：基于国际比较

的视角［J］. 中国工业经济，2020（5）：23-41.

［36］ GALINATO G I，GALINATO S P. The effects of government spending

on deforestation due to agricultural land expansion and CO2 related

emissions［J］. Ecological economics，2016，122：43-53.

［37］ 郭峰，王靖一，王芳，等. 测度中国数字普惠金融发展：指数编

制与空间特征［J］. 经济学（季刊），2020，19（4）：1401-1418.

［38］ NUNN N，QIAN N. US food aid and civil conflict［J］. American

economic review，2014，104（6）：1630-1666.

［39］ WANG Z， SUN S. Transportation infrastructure and rural development

in China［J］. China agricultural economic review， 2016， 8

（3）： 516-525.

［40］ LIU H， WEN S， WANG Z. Agricultural production agglomeration

and total factor carbon productivity： based on NDDF?MML index

analysis［J］. China agricultural economic review， 2022， 14（4）：

709-740.

［41］ 易行健，周利. 数字普惠金融发展是否显著影响了居民消费：

来自中国家庭的微观证据［J］. 金融研究，2018（11）：47-67.

［42］ FUNK J. Beyond patents： scholars of innovation use patenting as

an indicator of both innovativeness and the value of science， it

might be neither［J］. Issues in science and technology， 2018， 34

（4）： 48-54.

［43］ HUANG X Q，FENG C，QIN J H，et al. Measuring China's agricultural

green total factor productivity and its drivers during 1998-

2019［J］. Science of the total environment，2022，829：154477.

［44］ ZHU W，WANG R M. Impact of farm size on intensity of pesticide

use：evidence from China［J］. Science of the total environment，

2021，753：141696.

［45］ 魏夢升，颜廷武，罗斯炫. 规模经营与技术进步对农业绿色低

碳发展的影响：基于设立粮食主产区的准自然实验［J］. 中国农

村经济，2023（2）：41-65.

［46］ 付凌晖. 我国产业结构高级化与经济增长关系的实证研究

［J］. 统计研究，2010，27（8）：79-81.

［47］ 田云，吴海涛. 产业结构视角下的中国粮食主产区农业碳排放

公平性研究［J］. 农业技术经济，2020（1）：45-55.

［48］ CHANG H H，MISHRA A K. Chemical usage in production agriculture：

do crop insurance and off?farm work play a part［J］. Journal

of environmental management，2012，105：76-82.

（责任编辑：李琪）

affect agricultural enterprises' pro?land behavior：the role of environmental

protection cognition and cross?border search［J］. Technology

in society，2022，70：101991.

［9］ SUEYOSHI T，GOTO M. World trend in energy：an extension to

DEA applied to energy and environment［J］. Journal of economic

structures，2017，6（1）：13.

［10］ TONE K. Dealing with undesirable outputs in DEA： a Slacks?