农村产业融合对农业碳排放的非线性影响机制

[摘 要：厘清农村产业融合对农业碳排放的非线性关系，对建设农业强国、践行“双碳”目标具有重大意义。文章基于2007—2022年中国30个省份的面板数据，实证探讨农村产业融合对农业碳排放的非线性影响机制。研究表明：农村产业融合与农业碳排放之间存在“倒U”型关系，且受地理区位、农业绿色技术创新水平的影响；农业科技进步在两者关系中起到了中介作用；农业环境规制正向调节了两者的“倒U”型关系，推动其拐点左移，形态趋于陡峭；农村人口老龄化负向调节了两者的“倒U”型关系，推动其拐点右移，形态趋于平缓。进一步分析发现，2016年开始的农村三产融合试点政策强化了后期农村产业融合对农业碳排放的抑制作用，且这一抑制作用在试点地区更为明显；农村产业融合对农业碳排放呈现“倒U”型的空间溢出效应。

关键词：农村产业融合；农业碳排放；非线性关系；农业科技进步；农业环境规制；农村人口老龄化

中图分类号：F323；X322""" "" 文献标识码：A """" 文章编号：1007-5097（2025）02-0048-12""""""" ]

Nonlinear Impact Mechanism of Rural Industrial Integration on

Agricultural Carbon Emissions

LU Yihenga， YIN Minhaob， TIAN Yunb， HUANG Longjunjiangb

（a. School of Economics; b. School of Business Administration， Zhongnan University of Economics and Law， Wuhan 430073， China）

Abstract：Clarifying the nonlinear relationship between rural industrial integration and agricultural carbon emissions is of great significance for establishing a powerhouse in agriculture and achieving the \"dual carbon\" goals. Utilizing panel data from 30 provinces in China spanning the years 2007 to 2022， this essay empirically investigates the nonlinear impact mechanism of rural industrial integration on agricultural carbon emissions. Research findings reveal an \"inverted U-shaped\" relationship between rural industry integration and agricultural carbon emissions， modulated by geographical location and the degree of innovation in agricultural green technology. The advancement of agricultural technology serves as a mediating factor in this relationship. Furthermore， environmental regulations in agriculture exert a positive moderating effect on this \"inverted U-shaped\" relationship， resulting in a leftward shift of the turning point and a steeper curve. In contrast， the aging rural population exerts a negative moderating effect， shifting the turning point rightward and rendering the curve more gradual. Further analysis indicates that the rural agriculture-industry-services integration pilot policy， initiated in 2016， has intensified the mitigating impact of subsequent rural industrial integration on agricultural carbon emissions， with this effect being more pronounced in pilot regions. Moreover， rural industrial integration demonstrates an \"inverted U-shaped\" spatial spillover effect on agricultural carbon emissions.

Key words：rural industrial integration; agricultural carbon emissions; nonlinear relationship; advancement of agricultural technology; environmental regulations in agriculture; aging rural population

一、引言及文献综述

近年来，全球升温趋势仍在持续，极端气候事件频发且已成为影响人类健康乃至经济社会可持续发展的重要因素。面对严峻形势，各国政府先后谈判达成《京都议定书》《巴黎协定》等重要协议，构建了全球气候治理体系的规则框架，然而，温室气体的增长势头并未得到根本扭转。2020年9月，中国也作出推进“碳达峰碳中和”重大战略决策，并在兑现碳减排承诺的道路上稳步前行。在这一过程中，除将碳减排视角聚焦于人口密集、企业林立的城镇工业部门之外，农业碳排放问题亦不容小觑。联合国粮农组织在COP26气候变化大会上的报告显示，农业粮食系统碳排放量已占到全球人为碳排放量的31%，仅2019年就释放了约170亿吨当量的二氧化碳。可见，农业部门的减碳潜力巨大，推进农业碳减排既是实现农业高质量发展的关键所在，也是践行“双碳”目标的重要一环。

随着乡村振兴战略的纵深推进，农村产业融合成为各级政府“三农”工作的重心。2015年中央一号文件首次提出“推进农村一二三产业融合发展”；2019年《国务院关于促进乡村产业振兴的指导意见》强调“促进产业融合发展，增强乡村产业聚合力”；《“十四五”推进农业农村现代化规划》更是将农村一二三产业融合发展放在了突出位置。农村产业融合综合性强、涉及面广，新技术、新模式、新业态贯穿其中，专业大户、龙头企业和农民合作社等发展成为主要的融合参与主体。党的二十大报告指出，要“协同推进降碳、减污、扩绿、增长”，农村产业融合所产生的环境效应理应受到关注。目前，学者多习惯遵循“非黑即白”的线性思维来剖析农村产业融合的环境效应，即要么肯定其减污降碳的正向环境效应［1-2］，要么发现其抑制农业碳排放效率的负向环境效应［3］。然而，在技术积累不足、环境治理效率低、老龄化程度高的农业农村领域，受“人、地、技、钱”等要素的限制，农村产业融合与农业碳排放的关系可能是一个长期的、动态的演变过程。因此，两者之间是否会存在非线性关系，从而突破以往研究得出的线性结论，是本文主要解决的核心问题。

农村产业融合，是以实现农民增收为目的，以乡村全面振兴为基石，以完善各方利益联结机制为核心，依托农业产业，通过延伸农业产业链条、拓宽农业多功能性、促进农业服务业融合、培育农业新业态等方式创造新的价值载体，并形成乡村产业聚合体的过程［4］。近年来，很多学者围绕农村产业融合问题展开研究，主要涉及概念界定、测算方法和发展路径等［5-6］。其中，也有学者关注农村产业融合所产生的经济效应。一方面，郭军等（2019）［7］聚焦于微观农户增收视角，认为农村产业融合可以通过提高资金、技术、人力和财政等要素配置效率改善城乡贫富差距，实现农户减贫创收；另一方面，熊爱华和张涵（2019）［8］从宏观农业转型视角发现，农村产业融合能集聚各类优质要素并推动农业产业链延伸，进而挖掘农村消费新潜力，最终实现产业结构升级和产业链增值，助力农业现代化转型。

关于农业碳减排问题，现有研究主要从两个维度展开。一是从理论层面探讨农业碳减排的概念界定、现实困境和减排路径［9-10］，并基于减排潜力测度［11］、减排政策优化［12］和减排技术改良［13］等细分领域拓展研究边界。二是从实证层面考察农业碳排放的驱动因素。早期，学者主要基于KAYA恒等式、LMDI模型、STIRPAT模型等方法探讨驱动因子［14-15］。随着研究的深入，GWR模型、空间计量模型乃至机器学习算法等手段也逐渐被纳入探讨范围［16-18］。整体上看，虽然各类驱动因素的测算方法、指标构成皆有不同，但大致可划分为自然、经济、社会和政府四个层面［19］。

至于农村产业融合与生态环境的关系问题，目前仍存在争议。一方面，有学者认为农村产业融合能够通过提高乡村治理能力、促进农业科技进步、满足多元化需求等路径发挥正向环境效应，进而推动乡村振兴与生态文明建设有机结合［1］；另一方面，也有学者认为农村产业融合改善了农业生产条件，由此刺激了生产者的逐利意愿并使其扩大生产规模，反而可能加剧农业面源污染［20］。此外，还有研究认为，在农村产业融合的非均衡发展背景下，各地产业融合水平、融合主体培育规模、产业链延伸程度均存在较大差异，致使农村产业融合对生态环境的影响可能呈现阶段异质性［21］。

综上，已有成果虽为本文提供诸多可借鉴的思路，但少有研究涉及农村产业融合影响农业碳排放的逻辑关联及其传导机制，更鲜有成果突破传统线性研究考量两者之间可能存在的非线性关系。

鉴于此，本文可能的边际贡献主要有三点：①厘清农村产业融合对农业碳排放的非线性作用机理，拓宽农业低碳转型的研究范畴；②健全省域层面农村产业融合水平和农业碳排放测度的指标体系，提高衡量结果的可靠性；③在“农村产业融合-农业碳排放”研究范式下探讨其中介路径和调节路径，并进一步从试点政策和空间溢出视角进行拓展研究，为完善农村产业融合路径、赋能农业农村减碳增效提供借鉴。

二、理论分析与研究假设

（一）农村产业融合对农业碳排放的直接影响

学界多引入环境库兹涅茨曲线来阐释经济增长与环境质量的关系。农村产业融合是农业农村经济转型升级的重要抓手，而农业碳减排攸关农业农村绿色发展和“双碳”目标布局，两者之间可能符合环境库兹涅茨曲线假说而呈现非线性关系。

农村产业融合前期，一二三产业融合程度较低，地方政府受资源约束，被迫牺牲非经济职能目标以实现短期经济效益［22］，乡村建设更多奉行“生产主义心态”而强调产值增长、农民增收。此时，各类资源密集型、劳动密集型农业项目不断投资落地，生产规模逐渐扩大，资源消耗量激增，引发化肥、农药和牲畜等关键性农业碳源增长，农业面源污染、畜禽养殖粪污等环境问题频现；农村公共服务供给不足、配套设施脱节，农业技术和管理模式较为落后，规模化经营尚未成势；再加之早期盈利能力薄弱的生产者不具备改良生产和治理环境的经济实力，三者的综合作用导致农业碳排放随之增加。农村产业融合后期，地方部门相继贯彻“两山论”“生态文明建设”等论断和理念，相关环境治理布局不断向农业全产业链渗透。得益于产业融合程度加深，农业产业链延伸、多功能性扩展等融合路径不断带来加法效应和乘法效应，农业投资回报率明显上升，人才、资本及技术等外部优质要素逐渐流入乡村产业，催生出智慧农业、田园综合体、农光互补等新业态、新技术，从而提高农业物资及能源利用效率，减少农业碳排放。与此同时，随着支农财政强化农村产业融合的要素保障，水电交通、教科文卫等公共服务日臻完善，农业技术体系逐步健全，继而带动了规模化经营，最终有利于提高资源配置效率并降低资源消耗强度，进一步实现农业碳减排。此外，在城乡融合发展背景下，为顺应消费市场对高品质农产品的需求，各融合主体也倾向于更新技术设备、引进良种及应用绿色低碳型管理模式以保障产品质量，同样有助于削减农业碳排放量。综上，农村产业融合对农业碳排放的影响并非单一线性的。据此，本文提出假设1。

H1：农村产业融合对农业碳排放呈“倒U”型影响。

（二）农业科技进步的中介作用

农业技术进步历来被视为实现农业碳减排的重要驱动力［17］。随着各项低碳技术的应用，生产者逐渐掌握精准施肥、科学用药和选育良种等先进生产手段，通过优化农业生产结构或能源投入结构等方式降低生产成本，提高劳动力、土地、能源等传统生产要素的配置效率，继而改善以往的粗放型生产模式，最终削减农业碳排放量。

然而，科技创新与推广一般会受到成果质量、应用成本和采纳意愿等因素的限制［23］。初期，较低的农村产业融合水平并不能有效促进农业科技进步。这是因为，早期各融合主体参与生产项目成本高、收益见效周期长，且要素资源错配现象较为严重，保收意愿强烈的生产者为此选择缩减技术引进资金，这不仅影响自身技术积累，还削弱了农业科技创新动力，由此阻碍了农业低碳转型。后期，各融合主体普遍实现增收，进而提高了自身的技术采纳能力，从需求端驱动农业技术为适应产业融合需要而不断更新；同时，农业产业链的持续延伸也提高了小农户与现代农业的衔接程度，从资金、知识共享、社会化服务等角度打破技术推广瓶颈，有效降低技术采纳门槛，从而增强了地区技术普及率和技术创新能力。据此，本文提出假设2。

H2：农业科技进步是农村产业融合对农业碳排放产生“倒U”型影响的非线性中介路径。

（三）农业环境规制的调节作用

随着农村生态环境形势日益严峻，农业环境规制手段逐渐演变为制度环境的一项重要内容。前期，农村产业融合主体多处于始创阶段，实力孱弱且保收意愿强烈，此时较低的农业环境规制水平可能会产生“遵循成本”效应，增加生产者的污染治理成本并挤占其低碳技术创新与应用空间。生产者迫于未来填补环境服从成本的压力，往往选择争取暂时收益，尽快扩大短期要素投入和产出规模，碳排放反而有所提升［24］；同时，无法达到环保标准的高污染单位由农业环境规制强硬区转移至宽松区，也一定程度上造成农业碳源的扩散。后期，随着环境治理体系的健全，农业环境规制所引发的“创新补偿”效应将逐步抵消“遵循成本”效应带来的环境负外部性，推动农村产业融合对农业碳排放的抑制作用更早实现、效果更好，表现为“倒U”型曲线拐点左移、形态趋于陡峭。一方面，农村产业融合势头加快，绿色低碳农产品市场占有率上升，综合实力增强的生产者普遍采纳环境友好型技术，调整农业生产方式和布局，以此响应环境规制手段、优化要素配置和提高产品附加值［25］；另一方面，绿色金融、化肥减量增效等环保补贴也进一步降低了技术采纳成本，鼓励生产者保持环保行为。此外，在农业产业链延伸过程中，小农户囿于环保约束且受利益联结机制牵引，出于成本最小化的决策增强了其融入现代农业产业链的意愿和信心，期望凭借组织化生产分担风险、共享服务，共同应对环境政策对农业生产的高标准、高要求，同样有利于削减碳排放量。据此，本文提出假设3。

H3：农业环境规制会正向调节农村产业融合与农业碳排放的“倒U”型关系，推动其曲线拐点左移、形态趋于陡峭。

（四）农村人口老龄化的调节作用

研究表明，农业人力资本水平直接决定农业绿色发展进程［26］。老龄农户在健康状况、劳动强度及受教育程度等方面处于明显弱势，其对农业新技术、新模式也存在排斥情绪［27］，整体上不利于农业绿色转型升级。前期，农村产业融合水平较低，技术条件相对有限，小农生产模式尚未被打破。由于人口流失和劳动力质量下降，各地出现一定程度的抛荒撂荒、弃养畜禽等现象，使农业生产规模扩张速度放缓，导致“倒U”型曲线趋于平缓。而部分老龄农户为保证农业产出，被迫依赖化肥、农药和农机等要素的粗放式投入以应对劳动力短缺，进而延长了前期农村产业融合的农业增碳效应，导致“倒U”型曲线拐点右移。后期，农村产业融合虽然带动技术水平及规模化经营程度有所提升，并随即跨越拐点演变为农业碳减排效应，但受限于较低的劳动力质量，先进生产技术与模式的采纳度仍然不高，这使农业碳减排效应受到一定程度的削弱。据此，本文提出假设4。

H4：农村人口老龄化会负向调节农村产业融合与农业碳排放的“倒U”型关系，推动其曲线拐点右移、形态趋于平缓。

三、模型设定、变量选取与数据来源

（一）模型设定

1. 基准模型

为了验证农村产业融合与农业碳排放的非线性关系，本文参考Haans等（2016）［28］的研究，选用面板双向固定效应模型进行检验，具体模型设定如下：

[Carbonit=α0+α1Conit+α2Con2it+λCVit+μi+δt+εit] （1）

其中：[Carbon]表示农业碳排放；[i]、[t]分别表示省份和时间；[Con]、[Con2]分别表示农村产业融合水平及其二次项；[CV]表示一系列控制变量；[α0]表示截距项；[α1]、[α2]和[λ]表示待估计参数；[δt]表示时间固定效应；[μi]表示个体固定效应；[εit]表示随机干扰项。

2. 中介效应模型

鉴于学界目前对因果推断经验研究所涉及的中介效应的反思［29］，本文主要聚焦于如何提高因果关系识别可信度，而非强调检验中介效应的大小。据此，本文借鉴江艇（2022）［29］的研究，考察“倒U”型关系的传导机制，模型设定如下：

[Carbonit=β0+β1Conit+β2Con2it+λCVit+μi+δt+εit] （2）

[Techit=γ0+γ1Conit+γ2Con2it+λCVit+μi+δt+εit] （3）

[Carbonit=θ0+θ1Conit+θ2Con2it+θ3Techit+λCVit+μi+δt+εit] （4）

[Carbonit=δ0+δ1Techit+δ2Tech2it+λCVit+μi+δt+εit] （5）

[Carbonit=ρ0+ρ1Conit+ρ2Con2it+ρ3Techit+ρ4Tech2it+λCVit+μi+δt+εit] （6）

其中：[Techit]表示中介变量，即农业科技进步；式（2）至式（4）为传统三步法检验流程；式（3）中的[γ1]和[γ2]用于探讨农村产业融合与农业科技进步的关系；式（5）中的[δ1]和[δ2]用于探讨农业科技进步与农业碳排放的关系；而[θ2]和[ρ2]显著与否仅作为判断农业科技进步在农村产业融合影响农业碳排放的过程中是起到部分传导作用还是完全传导作用的试探性证据。

3.调节效应模型

为了验证农业环境规制和农村人口老龄化在农村产业融合影响农业碳排放中的调节作用，本文构建如下模型：

[Carbonit=α0+α1Conit+α2Con2it+α3Zit×Con+α4Zit×Con2+α5Zit+λCVit+μi+δt+εit] （7）

其中，[Zit]表示调节变量，本文为农业环境规制和农村人口老龄化。根据Haans（2016）等［28］的研究，判断“倒U”型关系的调节效应及其特征有如下三步：第一步，若自变量二次项与调节变量交互项的系数[α4]显著，则说明存在调节效应。第二步，当[α1α4−α2α3lt;0]，曲线拐点随调节变量增强而左移；当[α1α4−α2α3gt;0]，则曲线拐点随调节变量增强而右移。第三步，若系数[α4]显著为正，则“倒U”型曲线随调节变量增强而趋于平缓；若系数[α4]显著为负，则“倒U”型曲线随调节变量增强而趋于陡峭。

4.空间杜宾模型

为进一步探究农村产业融合对农业碳排放可能存在的非线性空间溢出效应，本文构建空间杜宾模型（Spatial Dubin Model），具体设定如下：

[Carbonit=α0+α1Conit+α2Con2it+ρWCarbonit+θ1WConit+θ2WCon2it+λCVit+μi+δt+εit ] （8）

其中：[W]为空间权重矩阵，本文选用地理距离矩阵报告结果；[ρ]为被解释变量的空间滞后项待估参数；[θ1]和[θ2]为被解释变量空间交互项的待估参数。

（二）变量说明

1.被解释变量：农业碳排放（[Carbon]）

农业碳排放测度是一个涉及多方面的综合性工程，难以采用单一或少量指标表征。目前，学界测算农业碳排放大多局限于农用物资投入等单维视角，其测算体系仅包含化肥、农药、农膜、农用柴油、灌溉和翻耕等碳源，无论是从广度还是深度上来看皆有拓展空间。据此，本文参考田云和尹忞昊（2022）［30］的研究，主要从以下四个维度构建农业碳排放测算体系：一是化肥、农药、农膜等农用物资投入所引发的碳排放，对应的碳排放系数参考李波等（2011）［9］的研究；二是水稻在不同生长周期所引发的[CH4]排放，具体[CH4]系数和处理方法参考闵继胜和胡浩（2012）［31］的研究；三是牛、马、羊、猪、家禽等主要畜禽品种所产生[CH4]和[N2O]排放，各自对应的系数和处理方法均参考闵继胜和胡浩（2012）［31］的研究；四是原煤、洗精煤、汽油、柴油、电力等12种主要农业能源消耗所引发的碳排放，相关的碳排放系数参照蒋金荷（2015）［32］的研究。据此，本文构建的农业碳排放指标测算方法如下：

[Carbon=∑Carboni=∑Ni×δi] （9）

其中：[Carboni]为第[i]种碳源的碳排放量；[Ni]为第[i]种碳源的数量或面积；[δi]为第[i]种碳源的碳排放系数。为保持测算口径统一，本文将[CH4]和[N2O]等温室气体统一转换成标准二氧化碳。由IPCC第四次评估报告可知，1吨[CH4]和[N2O]的换算系数分别为25吨和298吨[CO2]。

2. 核心解释变量：农村产业融合水平（[Con]）

目前，关于农村产业融合水平测度问题，学界虽未有统一方法，但大多通过构建相应的指标体系，再采用熵值法［33］进行测度。此外，尽管各成果所选用的具体指标不尽相同，但大多涉及农业产业链延伸、农业多功能性拓展、农业新业态培养、农业服务业融合、农业技术渗透和利益联结机制完善等内容。借鉴郝爱民和谭家银（2023）［5］、张林和温涛（2022）［33］的做法，本文选取上述六个维度共9个二级指标构建农村产业融合指标体系（见表1），并采用熵值法完成测算。

3. 中介变量：农业科技进步（[Tech]）

目前，《全国农业可持续发展规划（2015—2030年）》等文件皆以科技进步贡献率作为衡量科技进步的重要指标。同时，索洛余值法由于具备计算简单、易于操作等优势，早在1997年便被原国家农业部认定为农业科技进步贡献率的统一测算方法（1）。据此，本文参考陶群山和胡浩（2011）［34］的研究，选取化肥施用量、农作物总播种面积、农业机械总动力、第一产业从业人员和农林牧渔总产值等指标，构建农业生产函数测算中国各省份的农业科技进步贡献率，并将其作为农业科技进步的替代变量。

4. 调节变量

本文调节变量包括农业环境规制（[Er]）和农村人口老龄化（[Age]）。对于农业环境规制，现有成果大多选用环保人员数量和环境污染治理项目投资额作为其替代变量，然而上述指标多是面向非农产业测度所得，难以可靠地反映农业环境规制的真实水平。因此，考虑节能环保财政支出能够反映政府对环境保护和节能减排的重视程度，可在一定水平下视作农业环境规制强度的指标［35］，本文结合邓晴晴等（2020）［36］的做法，先以第一产业增加值在GDP中的比重同地方节能环保财政支出的乘积估算出各省份的农业节能环保财政支出，并用所得数据除以农业总产值来表征农业环境规制水平。对于农村人口老龄化，本文参考金绍荣和王佩佩（2023）［37］的研究，以乡村老年人口抚养比度量该指标，其计算方法为乡村65岁及以上人口数与乡村15～64岁人口数的比值。

5. 控制变量

为避免遗漏变量造成的估计偏误，本文选取如下控制变量：农业发展水平（[Ec]），采用农林牧渔总产值与第一产业从业人数之比衡量；财政支农力度（[Af]），采用地方农林水事务支出与农林牧渔总产值之比衡量；农业产业集聚（[Ai]），参考田云和尹忞昊（2022）［30］的研究，采用农业区位熵衡量；农地规模经营（[Sm]），采用农作物总播种面积与第一产业从业人数的比值衡量；农业产业结构（[Is]），采用种植业、畜牧业产值之和与农林牧渔总产值的比值衡量；作物种植结构（[Ps]），采用粮食作物播种面积与农作物总播种面积的比值衡量。

（三）数据来源与处理

本文选取中国30个省份为研究对象，因数据可得性问题暂未包括西藏及港澳台地区。测算农业碳排放所涉及的能源消耗数据均源自2008—2023年的《中国能源统计年鉴》，其他碳源数据则源自《中国统计年鉴》《中国农村统计年鉴》《中国农业统计资料（1949—2019）》；农村产业融合相关数据来源于2008—2023年的《中国统计年鉴》《中国农村统计年鉴》《中国人口和就业统计年鉴》《中国休闲农业年鉴》《中国农业机械工业年鉴》、各省份统计年鉴、全国温室数据系统以及各省份市场主体发展报告；农业环境规制、农林水事务支出、农村人口老龄化等变量数据则来源于2008—2023年的《中国统计年鉴》《中国农村统计年鉴》《中国人口和就业统计年鉴》。为排除价格因素影响，对农林牧渔总产值、地区生产总值等经济类指标以2007年为基期做了消胀处理。部分数据缺失值采用均值差补、线性插补和移动平均法等予以补齐。

各变量的描述性统计见表2所列。

四、实证结果及分析

（一）基准回归分析

在展开基准回归前，本文对模型进行了三个方面的合理性检验（2）。一是多重共线性检验。经检验，各变量的方差膨胀因子（VIF）介于1.41～3.82之间，远低于10的判断边界，表明模型不存在多重共线性。二是面板平稳性检验。为避免面板数据波动所带来的伪回归现象，本文选取适用于短面板数据的HT法、IPS法对主要变量的平稳性展开检验。经检验，各主要变量均表现出一阶平稳，证明面板数据不存在伪回归现象。三是Hausman检验。结果显示，应选择固定效应模型作为基准回归模型。

基准回归结果见表3所列。其中，列（1）包含核心解释变量但未控制固定效应；列（2）包含核心解释变量及其二次项且控制了时间固定效应和个体固定效应;列（3）至列（5）则依次加入农业发展水平、财政支农力度等控制变量。可以发现，加入控制变量后，核心解释变量及其二次项的显著性和方向均未发生明显变化，且[R2]由0.205增至0.709，表明模型估计结果较为稳健。列（5）结果显示，[Con]、[Con2]的回归系数分别为1.918和-3.991，且均在1%水平下显著，由此表明农村产业融合与农业碳排放呈显著的“倒U”型关系。进一步计算“倒U”型曲线的拐点，得到[1.918/（2×3.991）≈0.240]。其经济学解释在于：当农村产业融合水平低于0.240时，推进农村产业融合会促进农业碳排放；当农村产业融合水平跨越0.240后，推进农村产业融合会抑制农业碳排放。可能的原因是：前期，农村产业融合优先关注增产增收，带动大量农业生产项目和资源消耗，但囿于融合水平低、设施技术落后和农户资本积累不足等因素，农业生产尚无法有效遏制化肥、农药等碳源使用规模，导致农业碳排放增长；后期，随着发展条件改善，受规模经济和范围经济驱动，农村产业融合进一步密切了各融合主体的利益联结机制，陆续催生出诸多新产业、新业态、新模式，先进的技术体系得以应用与推广，促进资源消耗强度和配置效率的此消彼长，最终有利于农业碳减排。

（二）内生性处理和稳健性检验

1. 内生性处理

一方面，基准模型虽然已加入控制变量来缓解遗漏变量偏误，但仍然无法完全考量自然环境、农户生产预期等不可观测因素所造成的内生性问题；另一方面，地区农业碳减排工作也可能反向影响当地农村产业融合的项目进程和要素供给。为此，本文借鉴宋全云等（2017）［38］构建工具变量的做法，选取某一省份除自身以外其余省份的农村产业融合水平均值的滞后项作为工具变量。选取思路为：由于相邻省份的发展路径可能存在协同性、适用性，各省份往往倾向于学习周边地区的农村产业融合模式，最终影响自身的农村产业融合水平，因而满足工具变量的相关性；同时，其他省份农村产业融合水平均值的滞后项不与本省的误差项相关，满足工具变量的外生性。根据表4列（1）和列（2）可知，第一阶段工具变量Iv在1%水平下显著，且第二阶段农村产业融合和农业碳排放的回归结果也与前文一致。同时，Kleibergen-Paap rk Wald F statistic下的F值（256.355）大于所有临界值，Kleibergen-Paap rk LM statistic下的LM值为10.974且通过了1%显著性水平，说明模型不存在识别不足以及弱工具变量问题。由此得出，在控制可能的内生性问题后，结论依然是稳健的。

2. 稳健性检验

本文采取如下三种策略进行稳健性检验：一是U test检验。有学者指出，仅仅依靠解释变量及其二次项系数判断“倒U”型关系仍缺乏说服力，可能会将单调且向原点弯曲的曲线误判为“倒U”型曲线。据此，借鉴王菲等（2023）［39］的研究，对“倒U”型关系进一步展开U test检验。二是调整变量测算方式。对于解释变量，采用熵权TOPSIS法评价各省份农村产业融合水平；对于被解释变量，采用农业碳排放强度（农业碳排放量与农作物总播种面积之比）作为农业碳排放的替代指标，具体结果见表4列（3）和列（4）。三是缩尾处理。为克服数据异常值造成的估计偏误，本文对样本数据进行1%水平的双边缩尾处理，结果见表4列（5）。

U test检验结果（3）表明，曲线左侧斜率为正（1.770），右侧斜率为负（-3.135），表明其同时存在上升和下降的趋势；而曲线拐点（0.240）位于其核心解释变量的取值范围［0.019，0.633］内，且Plt;0.01，表明农村产业融合与农业碳排放的“倒U”型关系的确存在，由此验证H1。此外，无论替换自变量、因变量还是双边缩尾，相关检验结果仍然不变，由此进一步验证了基准结论的稳健性。

（三）异质性分析

1. 区域异质性

由于资源禀赋和发展水平等方面的差异，中国东部、中部和西部地区农村产业融合对农业碳排放的非线性影响效应也可能呈现不同特征。区域异质性分析结果见表5列（1）至列（3）。可见，农村产业融合与农业碳排放的“倒U”型关系仅在东部地区成立。可能的解释是，东部地区经济相对发达，农业技术体系较为健全，规模化经营程度较高，因而率先开展一系列农村产业融合实践，前期消耗大规模生产资料而促进农业碳排放，后期汇集各项优质要素并提高资源配置效率，发挥出较强的农业碳减排效果，由此形成显著的“倒U”型关系。与之相反，中部和西部地区农村产业融合起步较晚、发展滞后，且面临农业基础薄弱、乡村产业竞争加剧、科技成果转化效率不高和劳动力外流等挑战的多重夹击，区域内同时存在农业项目的过度扩张和耕地抛荒撂荒、弃养畜禽等现象，因而其农村产业融合尚未对农业碳排放产生明显的“倒U”型关系。

2. 农业绿色技术创新水平异质性

近年来，为了减少农业生产对气候的不利影响，农业领域开始积极探索农业绿色低碳技术创新途径，各地在化学投入品减量、废弃物综合利用等关键环节不断完善技术体系。当地区农业绿色技术创新存在差异时，农村产业融合对农业碳排放的影响效应也可能呈现异质性。对此，本文借鉴王菲等（2023）［39］的研究，选用各省份农业绿色实用新型专利申请量来表征地区农业绿色技术创新水平。本文以研究期内各省份农业绿色实用新型专利申请量的中位数为界，将研究期内480份省级样本数据划分为高水平农业绿色技术创新地区和低水平农业绿色技术创新地区两类，并分别展开回归分析，具体结果见表5列（4）和列（5）。可见，在两类地区，农村产业融合与农业碳排放皆呈现“倒U”型关系，但U test结果显示，前者曲线右侧斜率的绝对值（2.715）明显大于后者（2.245），表明农村产业融合对高水平农业绿色技术创新地区的农业碳减排效果更好，这可能得益于环境友好型技术更新迭代对节能减碳的突出贡献。

（四）作用机制检验

1. 中介效应检验

对农业科技进步这一作用渠道的实证检验结果见表6列（1）至列（5）。其中，列（2）显示，农村产业融合及其二次项对农业科技进步的回归系数分别为-2.888和4.014，且均在1%水平下显著，表明在农村产业融合发展过程中，农业科技进步贡献率呈现先降低后提升的“U”型变化态势。究其原因：前期，农村产业融合水平较低，技术创新与应用因面临资源错配、激烈竞争和逐利心态等不利境况而受到了一定阻碍；后期，农村产业融合水平明显提升，农业多功能性拓展及不同产业间的渗透融合发挥出更大的技术和知识集聚效应，进而刺激技术互补创新，有效推动了农业科技进步。同时，由列（4）和列（5）可知，农业科技进步及其二次项的回归系数皆为一正一负，且在1%水平下显著，这可以成为揭示农业科技进步在农村产业融合与农业碳排放关系中发挥间接中介作用的试探性证据。可能的解释是：早期，农村产业融合发展促进农业科研投入增加，但相关技术受发展水平的限制主要聚焦于增产增收，即增碳效应明显；后期，随着农村产业融合的深化和存量积累，更多的低碳节能技术得以应用并削减了农业碳排放量，转而表现出碳减排效应。进一步观察列（3），农业科技进步的回归系数为-0.112且在1%水平下显著，表明农业科技进步在总体上有利于农业碳减排。据此，H2成立。

2. 调节效应检验

表7揭示了农业环境规制、农村人口老龄化在农村产业融合与农业碳排放之间的非线性调节作用。其中，列（2）显示农业环境规制与农村产业融合二次项的交互项在1%水平下显著为负（-4.116），且系数[α1α4−α2α3=-0.964lt;0]，表明农业环境规制对“倒U”型曲线的正向调节效应成立，推动曲线拐点左移，曲线形态趋于陡峭，由此验证H3，其调节效应如图1（a）所示。可能的原因是：前期，较低的农业环境规制强度不仅在一定程度上抑制各融合主体的技术创新热情与采纳意愿，还迫使其在短期内选择增产或寻找“污染避难所”，导致农业碳排放有所增加；后期，随着农业环境规制增强，农村产业融合带动具备较强经济实力的农业生产者更新技术和生产模式，并进一步融入现代农业产业链，通过整合各项资源要素“抱团”达到环保要求，不仅增强了农村产业融合的碳减排效应，还促使其更早实现。

表7列（4）显示，农村人口老龄化与农村产业融合二次项的交互项在1%水平下显著为正（0.123），且系数[α1α4−α2α3=0.058gt;0]，说明农村人口老龄化对“倒U”型曲线的负向调节效应成立，推动曲线拐点右移，曲线形态趋于平缓，由此验证H4，其调节效应的示意图如图1（b）所示。可能的原因是：前期，农村产业融合处于起步阶段，农业生产方式仍相对粗放，技术条件较为薄弱，老龄化问题迫使农业生产者为保证产出而加大农业物资及能源投入规模，推动“倒U”型曲线拐点右移；后期，由于农村老龄化现象日益严重，低质量劳动力成为农村产业融合过程中引进技术、改良生产和提高人力资本等减碳手段的重要阻碍因素，导致“倒U”型曲线趋于平缓，并最终削弱了农村产业融合的碳减排效应。

五、进一步探讨

（一）试点政策效应

2016年，在《关于推进农村一二三产业融合发展的指导意见》等文件指导下，中央财政专项安排12亿元，支持安徽、重庆、贵州、黑龙江、江苏、江西、辽宁、山东、河南、湖北、湖南、浙江等12个省份开展农村产业融合试点工作，试点省份因而在农产品加工流通、农村电商、产业扶贫等方面获得了更多的资金支持。据此，为了检验农村产业融合对农业碳排放的影响在试点前后、是否试点省份条件下的异质性，本文以2016年为界生成虚拟变量，该年以前赋值为0，该年及以后赋值为1，回归结果见表8列（1）。可见，虚拟变量的回归系数为-0.379且在1%水平下显著，说明自2016年开始的试点政策显著增强了农村产业融合对农业碳排放的抑制作用。

同时，进一步将30个省份以试点政策实施前后、是否推行试点为条件分别展开回归分析。需要说明的是，在此重点比较试点前后期农村产业融合对农业碳排放的作用方向，故仅在模型内放入农村产业融合的一次项。根据表8列（2）和列（3）可知，农村产业融合的回归系数仅在试点后显著为负，在试点前虽为负但不显著。可能的解释是：试点前超八成省份皆未跨越降碳拐点，因此相应抵消了整体上农村产业融合对农业碳排放的抑制效应；而试点政策通过汇集各类优质资源支持农业低碳转型，带动部分省份跨越拐点，从整体上演变为农业碳减排效应。同时，试点地区和非试点地区农村产业融合的系数虽皆显著为负，但前者绝对值大于后者，说明试点地区农村产业融合的农业碳减排效应更明显。原因可能在于：一方面，随着相关试点政策的扶持，试点区域持续吸引资本、技术及人才等要素在农村空间聚集，并由此形成了规模经济效应，进而提高要素配置效率并降低农业碳排放；另一方面，试点政策带动各省份逐步检验农业固碳减排方案的可行性和有效性，总结碳治理经验教训，调整环境监管方式，缓解技术推广瓶颈，并最终强化了农村产业融合的碳减排效应。

（二）空间溢出效应

近年来，党中央作出全面推进乡村振兴、加快建设农业强国的战略部署，进一步打破传统的地理空间限制，进而持续畅通各类农业生产要素的有序流动。因此，农村产业融合在削减本地区农业碳排放的同时，可能还会通过空间溢出效应影响其他地区的农业碳减排进程。基于这一问题，本文借助空间计量模型对其进行研究分析。

本文选用地理距离矩阵对农村产业融合水平和农业碳排放两个变量进行空间自相关检验，结果显示，两个变量的全局莫兰指数均为正值且皆通过了1%或5%水平的显著性检验（4）。同时，为确定空间计量模型的具体形式，本文对空间计量模型进行了一系列检验。LR和Wald检验结果表明，应选择空间杜宾模型而非空间误差模型或空间滞后模型；Hausman检验和联合显著性检验结果表明，应选择双向固定效应空间杜宾模型。

经偏微分方法分解后的空间杜宾模型估计结果见表9所列。结果显示，农村产业融合及其二次项的直接效应与间接效应均在1%水平下通过显著性检验，且一次项系数为正而二次项系数为负，表明农村产业融合对农业碳排放具有显著的“倒U”型空间溢出效应。可能的解释是，前期，农村产业融合不仅刺激了本地的农业生产，还强化了区域间的竞争关系并带动周边地区争先效仿；而相邻地区为追逐红利，会选择进一步扩大生产规模和要素投入来提升产量，从而导致农业碳排放总量不断攀升。后期，随着农村产业融合水平的提升，区域间经济差距缩小、经贸合作增多，优质要素资源流动效率明显提高，由此形成技术进步与管理模式持续优化的良性互动机制；周边地区通过充分借鉴，逐渐产生了技术溢出效应和经验溢出效应，最终减少农业碳排放。

六、结论与建议

本文基于2007—2022年中国30个省份的面板数据，探究了农村产业融合对农业碳排放的非线性影响及作用机制，得出如下结论：农村产业融合与农业碳排放呈现“倒U”型关系，但具有一定的异质性，具体表现为，“倒U”型关系仅在东部地区成立，在高水平农业绿色技术创新地区更显著。作用机制分析表明，推动农业科技进步是农村产业融合对农业碳排放产生影响的非线性中介机制；农业环境规制正向调节了农村产业融合与农业碳排放的“倒U”型关系，推动曲线拐点左移，曲线形态更加陡峭；农村人口老龄化则负向调节了农村产业融合与农业碳排放的“倒U”型关系，推动曲线拐点右移，曲线形态更加平缓。进一步分析表明，2016年开始的农村产业融合试点政策强化了农村产业融合对农业碳排放的抑制作用，且该抑制作用在试点省份更为明显；同时，农村产业融合对农业碳排放呈现“倒U”型的空间溢出效应。

结合上述结论，本文提出如下建议：

第一，多措并举促进农村产业融合，制定差异化农业碳减排规划。各省份在制定相关规划时，不仅要关注经济基础、区位优势和技术水平等条件差异，还必须充分考虑空间效应。对低水平农业绿色技术创新地区，重点在于提高产业融合质量，要补齐基础设施短板，提高资金、人才和技术等要素配置效率，进而催生并做强农村电商、智慧农业等新产业、新业态，普及绿色低碳生产方式；对高水平农业绿色技术创新地区，重点在于产业融合与减排能力的协同增效，要积极建立经验、技术共享平台，完善对口帮扶机制，总结推广先进适用的农村产业融合路径，助力农业碳减排工作。

第二，健全农业技术体系，完善农业社会化服务。技术瓶颈、农村人口老龄化可能给农业低碳转型带来负面影响。为此，科技端要加强科研团队建设，整合优化农业科技资源，加快环境友好型技术创新及推广力度，践行“产学研用”一体化发展模式，将农村产业融合过程中的科技成果转化成实打实的碳减排能力；劳动端则需大力培育公益性、社会性服务机构等多元服务主体，持续拓宽服务领域，促进信息化、智能化同农业社会化服务的深度融合，提升农业减排固碳的能力。

第三，因地制宜调整环境规制政策，合理选择农业环境规制工具。一方面，农业碳排放相对于其他领域有其特殊性，农业环境规制手段应结合各地实情灵活调整思路、细节，尽量避免“遵循成本”效应和“一刀切”做法损害农村固碳减排潜力；另一方面，政府部门可结合地区实际推进环保标准、排放限额等“控制型”工具与绿色补贴、技术示范等“激励型”工具的多元组合，找到农村产业融合与农业减污降碳的平衡点。

注 释：

（1）资料来源于《关于规范农业科技进步贡献率的测算方法的通知》［农科综〔1997〕13号］。

（2）受限于篇幅，合理性检验结果未予列出，留存备索。

（3）受限于篇幅，U test检验结果未予列出，留存备索。

（4）受限于篇幅，空间自相关检验结果未予列出，留存备索。

参考文献：

［1］罗明忠，魏滨辉.农村产业融合的环境效应分析［J］.农村经济，2022（12）：57-66.

［2］谢帮生，陈鎏鹏，董丙瑞，等.农村产业融合的农业碳减排效应研究［J］.农林经济管理学报，2024，23（2）：197-205.

［3］谢会强，吴晓迪.城乡融合对中国农业碳排放效率的影响及其机制［J］.资源科学，2023，45（1）：48-61.

［4］江泽林.农村一二三产业融合发展再探索［J］.农业经济问题，2021（6）：8-18.

［5］郝爱民，谭家银.农村产业融合赋能农业韧性的机理及效应测度［J］.农业技术经济，2023（7）：88-107.

［6］申学锋，何妮，李政.农村产业融合发展的问题与路径选择［J］.财政科学，2023（9）：87-94.

［7］郭军，张效榕，孔祥智.农村一二三产业融合与农民增收——基于河南省农村一二三产业融合案例［J］.农业经济问题，2019（3）：135-144.

［8］熊爱华，张涵.农村一二三产业融合：发展模式、条件分析及政策建议［J］.理论学刊，2019（1）：72-79.

［9］李波，张俊飚，李海鹏.中国农业碳排放时空特征及影响因素分解［J］.中国人口·资源与环境，2011，21（8）：80-86.

［10］赵敏娟，石锐，姚柳杨.中国农业碳中和目标分析与实现路径［J］.农业经济问题，2022（9）：24-34.

［11］吴贤荣，张俊飚，田云，等.基于公平与效率双重视角的中国农业碳减排潜力分析［J］.自然资源学报，2015，30（7）：1172-1182.

［12］田云，陈池波.市场与政府结合视角下的中国农业碳减排补偿机制研究［J］.农业经济问题，2021（5）：120-136.

［13］何艳秋，陈柔，朱思宇，等.策略互动和技术溢出视角下的农业碳减排区域关联［J］.中国人口·资源与环境，2021，31（6）：102-112.

［14］戴小文，漆雁斌，唐宏.1990—2010年中国农业隐含碳排放及其驱动因素研究［J］.资源科学，2015，37（8）：1668-1676.

［15］刘丽辉，徐军.基于扩展的STIRPAT模型的广东农业碳排放影响因素分析［J］.科技管理研究，2016，36（6）：250-255.

［16］李慧，李玮，姚西龙.基于GWR模型的农业碳排放影响因素时空分异研究［J］.科技管理研究，2019，39（18）：238-245.

［17］田云，尹忞昊.技术进步促进了农业能源碳减排吗？——基于回弹效应与空间溢出效应的检验［J］.改革，2021（12）：45-58.

［18］邓路，袁圣博，白萍，等.基于机器学习算法的新疆农业碳排放评估及驱动因素分析［J］.中国生态农业学报（中英文），2023，31（2）：265-279.

［19］尹忞昊，田云，卢奕亨.中国农业碳排放区域差异及其空间分异机理［J］.改革，2023（10）：130-145.

［20］LAI Y，YANG H，QIU F，et al. Can Rural Industrial Integration Alleviate Agricultural Non-Point Source Pollution？Evidence from Rural China［J］. Agriculture，2023，13（7）：1389.

［21］田彩红，李琳，廖斌.农村一二三产业融合能否促进农业绿色发展？——以长江经济带579个县域为例［J］.自然资源学报，2024，39（3）：601-619.

［22］张华，丰超，刘贯春.中国式环境联邦主义：环境分权对碳排放的影响研究［J］.财经研究，2017，43（9）：33-49.

［23］赵雯歆，罗小锋，唐林.劳动力转移对农户粮食绿色生产效率的影响——兼论技术推广的作用［J］.资源科学，2023，45（7）：1440-1454.

［24］JAFFE A B，STAVINS R N. Dynamic Incentives of Environmental Regulations：The Effects of Alternative Policy Instruments on Technology Diffusion［J］. Journal of Environmental Economics and Management，1995，29（3）：43-63.

［25］罗小锋，杜三峡，黄炎忠，等.种植规模、市场规制与稻农生物农药施用行为［J］.农业技术经济，2020（6）：71-80.

［26］杜建国，李波，杨慧.人口老龄化下农业人力资本对农业绿色全要素生产率的影响［J］.中国人口·资源与环境，2023，33（9）：215-228.

［27］孙中义，王力，李兴锋.人口老龄化、农业社会化服务与农业高质量发展［J］.贵州财经大学学报，2022（3）：37-47.

［28］HAANS R F J，PIETERS C，HE Z L.Thinking About U：Theorizing and Testing U- and Inverted U-Shaped Relationships in Strategy Research［J］. Strategic Management Journal，2016，37（7）：1177-1195.

［29］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.

［30］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.

［31闵继胜，胡浩.中国农业生产温室气体排放量的测算［J］.中国人口·资源与环境，2012，22（7）：21-27.

［32］蒋金荷.中国城镇住宅碳排放强度分析和用能政策反思［J］.数量经济技术经济研究，2015，32（6）：90-104.

［33］张林，温涛.数字普惠金融如何影响农村产业融合发展［J］.中国农村经济，2022（7）：59-80.

［34］陶群山，胡浩.环境规制和农业科技进步的关系分析——基于波特假说的研究［J］.中国人口·资源与环境，2011，21（12）：52-57.

［35］吴力波，杨眉敏，孙可哿.公众环境关注度对企业和政府环境治理的影响［J］.中国人口·资源与环境，2022，32（2）：1-14.

［36］邓晴晴，李二玲，任世鑫.农业集聚对农业面源污染的影响——基于中国地级市面板数据门槛效应分析［J］.地理研究，2020，39（4）：970-989.

［37］金绍荣，王佩佩.人口老龄化、农地流转与农业绿色全要素生产率［J］.宏观经济研究，2023（1）：101-117.

［38］宋全云，吴雨，尹志超.金融知识视角下的家庭信贷行为研究［J］.金融研究，2017（6）：95-110.

［39］王菲，孙淑惠，刘天军.数字经济发展推进了农业生产方式变革吗——来自黄河流域地级市的证据［J］.中国农村经济，2023（9）：122-143.

［责任编辑：陈春香］