数字经济发展水平对农业碳减排的促进效应研究

摘要：在数字经济时代，推动全产业碳减排是应对全球气候变化风险的有效举措，考察数字经济发展水平对农业碳排放的影响对中国农业实现碳中和具有前瞻性意义。基于中国大陆31个省（区、市）1996—2020年的农业生产面板数据，采用排放系数法测算农业碳排放量，通过环境库兹涅茨曲线绘制与EKC检验来分析农业碳排放达峰趋势并作空间自相关性分析。利用熵值法测算各省（区、市）2011—2022年数字经济发展水平，采用空间计量模型、影响机制分析、异质性检验来研究数字经济发展水平对农业碳排放的影响。中国农业碳排放总体上于2014年实现达峰，全局Moran's I指数波动上升，农业碳排放强度变化表现出明显局部地理空间聚集趋势，数字经济发展水平对农业碳排放强度具有平均意义上32.6%的抑制作用。提出发展生态农业和提高农村数字经济渗透率等政策建议。

关键词：农业碳排放；数字经济；环境库兹涅茨曲线模型；空间杜宾模型

中图分类号：F323；F49文献标志码：A

0引言

随着工业化的推进，温室气体排放量与日俱增，全球气候变暖。中国在联合国气候变化峰会上公布“碳达峰”目标，即在2030年前逐步实现碳排放峰值，之后尽快使碳排放量下降。研究碳达峰的文献从研究主题可分为2类：（1）历史实际测算：胡婉玲等[1]研究发现全国、东、中、西部的农业碳排放量分别在2015年、2005年、2015年和2016年达到峰值。郑军和刘婷[2]测算出全国种植业碳排放量在2015年达峰，划分出达峰期、平台期和下降期。曾贤刚等[3]计算出中国种植业和畜牧业将在2015年稳定达峰。（2）未来前瞻预测：于贵瑞等[4]指出碳排放量将在2025年达峰。洪竞科等[5]测算出在参考情景下，中国碳排放将在2041年步入平台期，考虑碳排放约束情景、供给侧结构性改革情景，中国将分别在2033年、2029年碳达峰。从研究方法可分为3类：（1）聚类分析：郭芳等[6]

运用聚类分析方法将中国城市达峰趋势分为低碳潜力型、低碳示范型、人口流失型、资源依赖型和传统工业转型期城市；（2）STIRPAT模型：冉锦成等[7]基于STIRPAT模型拟合新疆农业碳排放峰值，得出基准情景和低碳情景下峰值分别出现在2040年和2029年；（3）灰色预测模型：刘杨和刘鸿斌[8]建立灰色预测模型GM（1，1）对山东省2021—2045年的农业碳排放量进行预测，得出其在2020年后下降，在2030年前已达峰；（4）环境库兹涅茨曲线模型检验：颜廷武等[9]对中国农业碳排放时间序列数据进行EKC检验，基于此研究拐点变动。通过计算农业碳排放量或情景预测得出碳达峰指标的文献屡见不鲜，故以科学评估碳达峰目标完成进度为目的，通过绘制环境库兹涅茨（EKC）曲线来直观观测，采用EKC检验方法的文献多基于时间序列数据回归，因此进行基于面板回归的EKC检验，若EKC曲线为理想形状即倒U型，且EKC检验结果对应倒U型曲线，则说明碳达峰在农业领域的子目标已实现。

在双碳目标的驱动下，考察数字经济与农业碳排放的关系可为科学减排降碳提供理论支撑。纵览研究数字经济与农业碳排放关系的文献，从研究结论看，刘震等[10]研究农村数字经济对农业碳排放的区域异质性和科学技术投入异质性影响，得出碳减排效应在东部、西部和高科学技术投入地区更加显著；李鑫等[11]利用双重固定效应和中介效应模型得出数字经济可以通过提高农业技术创新水平和人力资本水平来抑制农业碳排放。从数据来看，杨琳焱[12]运用SBM-GML模型测算农业碳排放效率，引入基于地理空间矩阵数据的空间杜宾模型验证数字经济对农业碳排放效率的作用；陈中伟和汤灿[13]以时空演变视角基于邻接矩阵数据分析数字经济对农业碳排放的溢出效应。可以发现，以往文献多基于邻接矩阵数据估计空间溢出效应，故在创建邻接矩阵之外又生成经济距离矩阵数据，以保证空间估计的稳健性，如果数字经济与农业碳排放显著负相关，则应深化数字经济在农业中的渗透。

1研究设计与数据来源

1.1 EKC曲线模型设定

环境库兹涅茨曲线（EKC）理论形成以二次、三次多项式为主的多种回归模型，二次多项式多对应于倒U型EKC曲线，三次多项式涵盖单调线性图形、倒U型曲线、N型曲线和倒N型曲线。若三次函数曲线与实际数据有出入或未通过显著性检验，则舍弃三次项，检验二次函数。以下简化版模型用以研究中国农业碳排放强度与农业经济强度间的关系：

lnPCO2it=β0+β1lnPGDPit+β2（lnPGDPit） +εit（1）

lnPCO2it=β0+β1lnPGDPit+β2（lnPGDPit）2+β（lnPGDP3） +ititε3

（2）

式中：PCO2it为第i省（区、市）第t年的农业碳排放强度；PGDPit为第i省（区、市）第t年的农业经济强度；εit为随机误差干扰项；β0为常数项；β1、β2、β3为待估参数，根据其符号判断EKC曲线形态（表1）。

1.2空间计量模型设定

作为区域经济学的重点之一，空间依赖性是指地理物体之间相互关联，在空间上接近的地理物体关联程度较高。空间计量模型引入传统计量经济学忽略的空间因素，考虑数据非匀质性，考察变量间的空间依赖性与交互效应，空间计量模型将空间依赖性设置成以下3种形式。

空间滞后模型（SAR）含有被解释变量的空间滞后项，当空间依赖性具有关键作用而引致空间相关时使用：

空间误差模型（SEM）加入空间误差项的空间滞后项，当误差项在空间上相关时使用：

lnACEIit=α+β1DEit+β2lnFPIit+β3lnFEPEit

空间杜宾模型（SDM）同时加入被解释变量和所有解释变量的空间滞后项与空间误差项，当本地被解释变量变化不仅受到本地解释变量影响，还受邻地解释变量影响时使用：

式中：ACEI（农业碳排放强度）为被解释变量，DE（数字经济发展水平）为核心解释变量，FPI（农民人均收入）、FEPE（财政环境保护支出）、BY（处理农业废弃物沼气工程的产气总量）、RP（乡村人口）为控制变量。

1.3农业碳排放测算

研究从4个维度构建中国农业碳排放量测算指标评价体系，一是农业投入碳排放，涵盖化肥（氮肥、磷肥、钾肥和复合肥）、柴油与农药的碳排放量；二是电力灌溉碳排放；三是养殖业碳排放，涉及牛、猪和羊的碳排放，来自于肠道发酵产生的甲烷排放和排泄物引起的甲烷与氧化亚氮排放；四是农作物碳排放，细分为稻谷、小麦、豆类、玉米、蔬菜和其他农作物的碳排放。田云和尹忞昊[14]的碳排放系数法，将4个维度16类碳源的数量或面积分别与对应的农业碳排放系数（表2）相乘，再对乘积求和即可得到总体农业碳排放量。

式中：C、C（c下标c为碳源种类）分别表示农业碳排放总量与各类具体碳源所引致的碳排放量，Tc、δc分别表示各类指标的数量或面积及与之相应的碳

排放系数。

农业碳排放强度PCO（2ACEI）为农业碳排放量与农作物面积之比，农业经济强度PGDP表示单位农作物面积上的农业产值。出于缩小数据以减少波动的目的，对这两个变量取对数，记为：lnPCO2it=ln（PCO2）；lnPGDPit=ln（PGDP）。

1.4数字经济测算

确定数字经济发展水平综合指数需要选择不同指标并赋予权重，赋权法分为主观赋权法和客观赋权法，主观赋权法主观判断指标间相对重要程度并分别赋予相应权重；客观赋权法根据指标原始信息赋权。为避免主观赋权不准确，采用客观赋权法中的熵值法对数字普惠金融指数、农村宽带接入用户、电信业务总量、光缆线路长度4个指标进行测算，属性均为正。作为互联网发展指标之一的农村宽带接入用户越高，说明互联网用户规模越大，网络效应的发挥使数字经济发展得越好。电信业务总量可以衡量信息化产出水平，电信业务总量越高，则信息化水平越高，对数字经济发展越有利。光缆线路长度体现信息化基础设施建设水平，光缆线路越长，说明信息化投入越高，则数字经济发展的保障性越强。

式（7）为指标同度量化，式（8）为熵权测量，式（9）为信息效用价值计算，式（10）为各指标权重测算[15]。

1.5空间自相关检验

制作31个省（区、市）以农业碳排放强度为代表的经济距离矩阵，测度2个区域在经济空间的距离，公式如下：

式中：W是权重矩阵，g、g分别代表1996ijij−2020年地区i、j农业碳排放强度的平均值，gi、gj之间的差值越小，Wij越大，说明地区在经济空间中越相近。

莫兰指数被用于研究同一区域内变量的数值之间是否具有相互关联的潜力，公式为：

莫兰指数

I的取值区间一般为（-1.0，1.0），当I>0时，存在空间正相关性，莫兰值越大，空间相关性越强；当I<0时，空间呈负相关性，其数值越小，空间差异性越大；当I=0时，不存在空间相关性。

1.6数据来源

基于数据与研究的相关性以及可得性，采集中国大陆31个省（区、市）1996—2020年的面板数据，涉及数字经济的影响效应分析部分选用2011—2022年数据，所有数据取自《中国畜牧兽医年鉴》《中国农业统计资料》《中国农村统计年鉴》《中国农业年鉴》《中国环境统计年鉴》等统计年鉴、国家统计局网站和北京大学数字金融研究中心，对个别缺失数据用插值法补齐。

2中国农业碳排放时空演进分析

2.1中国农业碳排放时间序列分析

将31省（区、市）的农业碳排放强度与农业经济强度数据分别加总得到全国层面时间序列数据，样本范围为1996—2020年，分离出31个省（区、市）1996—2020年的时间序列数据并分别统计达峰时间（表3），绘制全国层面EKC曲线图。

图1说明全国层面已于农业总产值约为5.185 1×104亿元时实现农业碳达峰，对应达峰时间为2014年。在农业现代化的推进过程中，化肥、柴油、农药、农业机械、农膜等农用物资投入的增加在提升农业产出的同时也带来了农业污染，但经济发展由粗放式向集约式转变更是大势所趋，农业经济开始依靠农用物资质量和利用率的提高，以及农用物资的优化组合，通过更新生产技术、提升农民素质和加强农作物秸秆等废弃物的循环利用等来促进自身增长。

2.2基于面板回归的EKC检验

2.2.1单位根检验

表4报告自然对数序列lnPCO2和lnPGDP、（ln⁃PGDP）2、（lnPGDP）3及其一阶差分序列的单位根检验结果，3个自然对数序列lnPGDP、（lnPGDP）2、（lnP⁃GDP）3非平稳，△lnPCO2和△lnPGDP、△（lnPGDP）2、△（lnPGDP）3这4个一阶差分序列都平稳，其中△（lnPGDP）3经过二阶滞后平稳，故可以对△ln⁃PCO2～I（1）和△ lnPGDP～I（1）、△（lnPGDP）2～I（1）、△（lnPGDP）3～（I 1）进行协整检验。

2.2.2协整检验与格兰杰因果关系检验

面板协整检验结果见表5，3个检验标准都在1%的显著性水平下拒绝变量间不存在协整关系的原假设，故可对lnPCO2和lnPGDP、（lnPGDP）2、（lnP⁃GDP）3作面板回归。表6为面板格兰杰因果关系检验结果，在1%的显著性水平下拒绝“lnPGDP不是lnPCO2的格兰杰原因”原假设与“lnPCO2不是lnPG⁃DP、（lnPGDP）2、（lnPGDP）3的格兰杰原因”原假设，说明lnPCO2同lnPGDP存在双向格兰杰因果关系，这将保证后续EKC检验结果的准确性。

2.2.3 EKC系数估计

经过表7与实际数据的比对，选择没有三次方项的模型2[16]，回归方程为：

lnPCO2=-0.042（lnPGDP）2+0.988lnPGDP+0.682

对称轴为n=11.76，对应的拐点临界值PGDP为1.280 27×105。由β1>0，β2<0可知农业碳排放强度与农业经济强度间存在“倒U型”关系，与前文绘制的全国EKC曲线形状一致。在农业发展的前一阶段，农业劳动力资本边际报酬递减，农用物资投入的增加成为农业经济发展的主导力量，化肥、柴油、农药、农机投入增多，农业经济强度与农业碳排放强度同向上升。随着农业经济的发展，粗放型农业发展模式逐渐暴露出环境污染的弊端，人们不得不研发应用现代化农业生产技术，如智能农业机械、精准播种技术，在提高农业生产率的同时降低了农业碳排放强度。

2.3空间自相关性分析

空间自相关性分析能定量刻画农业碳排放强度的空间依赖性和空间演化规律，是正确建立空间误差、滞后、杜宾这3种计量模型的必要条件，分为全局和局部空间自相关性检验，全局空间自相关性分析通过计算Moran′s I统计量来反映各省（区、市）农业碳排放强度的总体空间关联程度，局域空间自相关性检验通过绘制跳跃年份的莫兰散点图来观察空间对象的空间异质性，反映各省（区、市）与其邻近省（区、市）在农业碳排放强度上的空间依赖程度。

2.3.1全局Moran′s I指数

表8报告了莫兰指数I和p值，1996—2020年的莫兰值均为正，且基本上均通过了10%的显著性水平检验，说明31个省（区、市）农业碳排放强度的空间正相关性大致明显。Moran′s I指数呈升-降-升的波动变化态势，从1996年的0.138上升到2020年的0.457，即整体呈上升趋势，说明农业碳排放强度的聚集程度曲折深化。

2.3.2局部莫兰散点图

图2刻画了1996年、2010年、2020年的农业碳排放强度莫兰散点图，31个省（区、市）被划分为4个象限，第1象限是高-高聚集区（H-H），表示该区域附近区域都具有较高的农业碳排放强度；第2象限是低-高聚集区（L-H），表示该区域农业碳排放强度较低，而附近区域的农业碳排放强度较高；第3象限是低-低聚集区（L-L），表示该区域与附近区域均存在较低的农业碳排放强度；第4象限是高-低聚集区（H-L），表示该区域农业碳排放强度较高，而附近区域的农业碳排放强度较低。由图2可知，拟合曲线斜率为正，说明农业碳排放强度在空间上具有高-高聚集与低-低聚集特征，即存在空间正相关性。第1象限有上海、江苏等多个以东部地区为主的省市，反映了高农业碳排放强度集聚在东部的地理空间分布上具有依赖性；第2象限有内蒙古、甘肃、湖北等多个以中西部地区为主的省市，反映了低农业碳排放强度集聚在中西部的地理空间分布上具有依赖性，这可能是因为东部的农业机械化水平、人口密度及农产品需求量比中西部的更高，而东部的可播种土地比中西部的更破碎稀缺，从而东部的农业碳排放量大于中西部，农业播种面积小于中西部，导致东部的农业碳排放强度普遍高于中西部。

3数字经济对农业碳排放的影响效应分析

当前数字经济正处于发展前期，新兴数据要素与传统农业生产要素的交叉融合加速要素边际报酬递增，对农业经济增长发挥乘数效应和倍增作用。数字经济对农业碳排放强度的影响在打破地理空间限制的过程中外溢到邻近地区，产生空间溢出效应。考虑到中国的区位差异性，对数字经济发展的农业降碳效应分别作东中西部地区单独回归分析。

3.1影响机制分析

表9显示数字经济对农业碳排放强度的估计结果，估计系数为-0.326，且在5％水平上显著，说明数字经济（DE）与农业碳排放强度（lnACEI）之间存在着显著负相关关系，即数字经济的发展对农业碳排放有显著抑制作用，数字经济发展水平每提高1个单位，农业碳排放强度将降低32.6%。可能解释为：数字基础设施向农村延伸有利于弥合农村居民的数字鸿沟，农户在接触互联网的过程中了解运用低碳农业生产方式，注意废弃物循环利用；数字技术通过实时跟踪农作物面积、化肥农药施用量、农产品需求量等数据，精确测算出碳排放以便农户按需生产和减排控碳；绿色数字金融产品蚂蚁森林依托数字平台让2亿多用户将碳减排付诸实践，数字金融还打破了传统金融对农村地区的限制，有利于农民增收和引进低碳环保技术。为检验数字经济发展水平影响农业碳排放强度中存在的中介效应，采用江艇[17]的检验思路，摒弃中介变量对被解释变量的影响估计，选用农业经济强度作为中介变量引入模型。从回归结果可以看出，农业经济强度对数字经济的回归系数显著为正，即数字经济发展水平越好，农业经济强度越高。数字经济通过数字技术促进农业经济发展，大数据精准匹配农产品供需两端，农产品种植结构优化，信息不对称地消除降低供需错配概率，农业生产利润率提高。根据前文基于环境库兹涅茨理论的EKC曲线分析，2011—2020年农业经济强度与农业碳排放强度大致呈反向变动关系。因此数字经济发展可以通过提高农业经济发展水平来降低农业碳排放。

表10中基于邻接矩阵和经济距离矩阵的结果基本一致，其中，数字经济发展水平的空间溢出效应为-0.537，通过1%置信水平下的显著性检验，说明数字经济对农业碳排放具有负向空间溢出效应，即该地区数字经济发展水平每提高1单位，相邻地区农业碳排放强度将降低53.7%。可能的解释为：农业技术公司利用数字经济平台公布招聘信息吸引人才，农业技术研发者借助数字经济平台对比相邻区域的薪资待遇差异，人才跨区域流动携带农业技术移植与扩散，相邻区域农业碳排放强度受到抑制。

3.3异质性检验

进一步研究数字经济影响农业碳排放强度的区域异质性，利用固定效应模型得出回归结果见表11。在中西部地区，数字经济对农业碳排放强度的估计系数都显著为负，表明随着数字经济的发展，中西部的农业碳减排效果较好。中西部地区正处于农业上升期，农村电商等数字产业化与产业数字化在农村的实现增加了农民非农就业，就业渠道的增加使农民不必一味增加农用物资投入，农业碳排放强度下降。东部地区系数不显著，可能是因为东部地区农作物需求多、产量大，数字经济发展虽然较快，但被农业碳排放量部分抵消了扩散效应。

4结论与建议

4.1结论

整理31省（区、市）1996—2020年农业生产数据，采用熵值法测算了数字经济发展水平，构建了农业碳排放量评价指标体系并测算出农业碳排放强度，通过绘制环境库兹涅茨（EKC）曲线和进行EKC检验来分析农业碳排放达峰趋势，在EKC检验之前通过了面板单位根检验、面板协整检验、面板格兰杰因果关系检验，再通过中介效应检验、空间杜宾模型、异质性分析来研究数字经济发展水平对农业碳排放强度所产生的效应。得到如下结论：①农业碳排放的EKC曲线以倒U型特征为主，即在1996—2020年的时间跨度下，农业碳排放强度先与农业经济强度同向变动，后反向变动，说明农业生产领域已经实现碳达峰；②由于数字经济起步较晚，出于数据可得性考虑将小时间跨度2011—2022年作为前一个大研究期的后半段，在此小研究期内，全局Moran′s I指数波动上升，各省（区、市）农业碳排放量的变化表现出明显的局部地理空间聚集趋势；③数字经济发展对农业碳排放强度有一定的抑制作用，数字经济通过提高农业经济强度来发挥降碳作用，该地区数字经济发展水平每提高1个单位会导致相邻地区农业碳排放强度降低53.7%，数字经济对农业碳减排的促进效应在中西部较为显著。前后文的联系在于，中介变量农业经济强度对农业碳排放强度的影响可通过基于环境库兹涅茨理论的EKC曲线分析来验证。

4.2建议

（1）发展生态农业，巩固农业碳达峰成果。兼顾社会经济发展与生态环境保护，发展现代化生态农业与设施农业，扩大有机肥和病虫害生物防治技术应用，控制农业碳源；加强对农村居民的环保宣传与低碳技术使用培训，减少农业废弃物，提高资源利用效率和农业全要素生产率；实行低碳经济行为奖励示范从而引导农业碳排放强度继续下降，促进农业绿色低碳转型及人与自然和谐共生的可持续发展。

（2）提高农村数字经济渗透率，推动农业数智化转型。加强农村人口互联网销售能力培训，改进乡村数字基础设施；促进无人机、大数据、物联网等数字技术在农业生产上的应用，提高病虫害的监测、预防和治理的时效性进而减少农药使用量；发挥数字普惠金融对农业低碳生产方式的支持作用，让农民能享受到更加便利的数字金融服务，破除农村金融的“长尾”局面；因地制宜促进农业区域协同发展，提高农村数字经济渗透率并依托大国规模效应共享数b3aaf0ed1a7cbc6ffe8b65479d874ed0d8059a1743556f30e1875381e4b7331e字红利。

参考文献：

[1]胡婉玲，张金鑫，王红玲.中国农业碳排放特征及影响因素研究[J].统计与决策，2020，36（5）：56-62.

[2]郑军，刘婷.主要发达国家碳达峰碳中和的实践经验及对中国的启示[J].中国环境管理，2023，15（4）：18-25+43.

[3]曾贤刚，余畅，孙雅琪.中国农业农村碳排放结构与碳达峰分析[J].中国环境科学，2023，43（4）：1906-1918.

[4]于贵瑞，郝天象，朱剑兴.中国碳达峰、碳中和行动方略之探讨[J].中国科学院院刊，2022，37（4）：423-434.

[5]洪竞科，李沅潮，蔡伟光.多情景视角下的中国碳达峰路径模拟：基于RICE-LEAP模型[J].资源科学，2021，43（4）：639-651.

[6]郭芳，王灿，张诗卉.中国城市碳达峰趋势的聚类分析[J].中国环境管理，2021，13（1）：40-48.

[7]冉锦成，苏洋，胡金凤，等.新疆农业碳排放时空特征、峰值预测及影响因素研究[J].中国农业资源与区划，2017，38（8）：16-24.

[8]刘杨，刘鸿斌.山东省农业碳排放特征、影响因素及达峰分析[J].中国生态农业学报（中英文），2022，30（4）：558-569.

[9]颜廷武，田云，张俊飚，等.中国农业碳排放拐点变动及时空分异研究[J].中国人口·资源与环境，2014，24（11）：1-8.

[10]刘震，张晓星，魏威岗.农村数字经济发展对农业碳排放的影响：基于29个省份的面板数据分析[J].江苏大学学报（社会科学版），2023，25（3）：20-32+47.

[11]李鑫，张林，杨祝三，等.数字经济是否抑制了农业碳排放：基于中国城市层面的经验证据[J].西部金融，2023（3）：39-46.

[12]杨琳焱.数字经济对农业碳排放效率的影响及空间溢出效应[J].生产力研究，2023（9）：65-69.

[13]陈中伟，汤灿.数字经济发展对农业碳排放的影响及其时空效应[J].科技管理研究，2023，43（12）：137-146.

[14]田云，尹忞昊.中国农业碳排放再测算：基本现状、动态演进及空间溢出效应[J].中国农村经济，2022（3）：104-127.

[15]王军，朱杰，罗茜.中国数字经济发展的水平及演变测度[J].数量经济技术经济研究，2021，38（7）：36-42.

[16]崔鑫生，韩萌，方志.动态演进的倒“U”型环境库兹涅茨曲线[J].中国人口·资源与环境，2019，29（9）：74-82.

[17]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.

Research on the Promoting Effect of Digital Economy Development Level onAgricultural Carbon Reduction

REN Yi，LUO Lei

（School of Economics， Lanzhou University of Finance and Economics， Lanzhou Gansu 730101， China）

Abstract：In the era of digital economy， promoting industry-wide carbon emission reduction is an effective

measure to to cope with the risks of global climate change. Examining the impact of digital economy development onagricultural carbon emissions has forward-looking significance for achieving carbon neutrality in Chinese agricul⁃ture. Based on the agricultural production panel data of 31 provinces in Chinese Mainland from 1996 to 2020， theagricultural carbon emissions were measured by the emission coefficient method， and the peak trend of agriculturalcarbon emissions was analyzed through environmental Kuznets curve drawing and EKC test and spatial autocorrela⁃tion analysis. Using the entropy method to calculate the level of digital economy development in each province（au⁃tonomous region， municipality directly under the central government）from 2011 to 2022， using spatial econometricmodels， impact mechanism analysis， and heterogeneity tests to study the impact of digital economy development lev⁃el on agricultural carbon emissions. Overall， China′s agricultural carbon emissions reached their peak in 2014， withglobalMoran′s Iincreasing. The intensity of agricultural carbon emissions showed a clear trend of local geographicspatial clustering， and the level of digital economy development had an average inhibitory effect of 32.6% on agricul⁃tural carbon emission intensity. Propose policy recommendations on developing ecological agriculture and increas⁃ing the penetration rate of rural digital economy were put forward.

Key words：agricultural carbon emissions; digital economy; environmental Kuznets curve model;spatial durbinmodel