摘 要：數(shù)字經(jīng)濟(jì)與農(nóng)村發(fā)展的緊密融合對(duì)農(nóng)業(yè)碳排放具有極大影響。為探索農(nóng)業(yè)碳排放是否受到農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展的影響，以2012—2022年農(nóng)村數(shù)字經(jīng)濟(jì)和農(nóng)業(yè)碳排放數(shù)據(jù)為基礎(chǔ)，運(yùn)用熵值法將農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展的三級(jí)指標(biāo)數(shù)據(jù)進(jìn)行賦權(quán)處理，然后通過(guò)加權(quán)平均法得出二級(jí)指標(biāo)數(shù)據(jù)，再結(jié)合熵值法、加權(quán)平均法、傾向得分匹配法（PSM）和雙重差分法（DID），分析了農(nóng)村數(shù)字經(jīng)濟(jì)對(duì)農(nóng)業(yè)碳排放的影響。結(jié)果表明，推動(dòng)農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展可有效降低農(nóng)業(yè)碳排放。

關(guān)鍵詞：農(nóng)村數(shù)字經(jīng)濟(jì)；碳排放；PSM-DID法

中圖分類號(hào)：X322；F49；F323 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-7909（2024）16-77-5

DOI：10.19345/j.cnki.1674-7909.2024.16.016

0 引言

我國(guó)作為一個(gè)擁有悠久農(nóng)業(yè)歷史的大國(guó)，農(nóng)業(yè)生產(chǎn)活動(dòng)十分廣泛。因此，在低碳發(fā)展和數(shù)字化發(fā)展的雙重目標(biāo)下，探討農(nóng)村數(shù)字經(jīng)濟(jì)對(duì)農(nóng)業(yè)碳排放的影響具有重要的理論和現(xiàn)實(shí)意義。

目前，國(guó)內(nèi)外關(guān)于農(nóng)業(yè)碳排放的研究主要聚焦于兩個(gè)方面：一是農(nóng)業(yè)碳排放的特征和測(cè)算。例如，金書秦等［1］對(duì)我國(guó)農(nóng)業(yè)碳排放的結(jié)構(gòu)特點(diǎn)進(jìn)行了研究；WEST等［2］計(jì)算了化肥、農(nóng)藥、農(nóng)田灌溉及作物生長(zhǎng)全過(guò)程中每單位的碳排放量。二是農(nóng)業(yè)碳排放的影響因素。例如，徐清華等［3］通過(guò)實(shí)證研究發(fā)現(xiàn)，農(nóng)業(yè)機(jī)械化對(duì)減少農(nóng)業(yè)碳排放具有顯著效果；張頌心等［4］的研究表明，科技進(jìn)步在某種程度上能夠抑制農(nóng)業(yè)碳排放；BERHANU等［5］的研究顯示，氣候智能農(nóng)業(yè)（CSA）技術(shù)可以有效減少農(nóng)業(yè)生產(chǎn)的溫室氣體排放。近年來(lái)，國(guó)內(nèi)學(xué)者圍繞農(nóng)村數(shù)字經(jīng)濟(jì)對(duì)農(nóng)業(yè)碳排放的影響也取得了一些研究成果。例如，陳中偉等［6］指出，農(nóng)村數(shù)字經(jīng)濟(jì)的發(fā)展顯著降低了農(nóng)業(yè)碳排放強(qiáng)度，并且這種效應(yīng)還通過(guò)農(nóng)業(yè)社會(huì)化服務(wù)水平的提高得到進(jìn)一步增強(qiáng)；劉震等［7］通過(guò)建立農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展綜合評(píng)價(jià)指標(biāo)體系，實(shí)證分析了農(nóng)村數(shù)字經(jīng)濟(jì)對(duì)農(nóng)業(yè)碳排放的具體影響；陳昕等［8］指出，數(shù)字經(jīng)濟(jì)能夠通過(guò)減少地區(qū)的碳排放強(qiáng)度來(lái)實(shí)現(xiàn)減碳效果，且數(shù)字經(jīng)濟(jì)的這種減碳效果呈現(xiàn)出先增加后減少的變化趨勢(shì)，整體形態(tài)上表現(xiàn)為倒“U”形特征。

以上內(nèi)容為研究提供了借鑒，但仍存在一些不足之處：第一，現(xiàn)有文獻(xiàn)較多從城市數(shù)字經(jīng)濟(jì)與碳排放之間的關(guān)系展開(kāi)研究，鮮有從定量的角度關(guān)注農(nóng)村數(shù)字經(jīng)濟(jì)與農(nóng)業(yè)碳排放量之間的相互作用；第二，現(xiàn)有文獻(xiàn)大多關(guān)注低碳城市試點(diǎn)政策的減排效應(yīng)和經(jīng)濟(jì)效應(yīng)，鮮有研究低碳城市試點(diǎn)政策對(duì)農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展的中介效應(yīng)。因此，研究基于2012—2022年農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展指標(biāo)數(shù)據(jù)及農(nóng)業(yè)碳排放數(shù)據(jù)，綜合運(yùn)用熵值法、加權(quán)平均法、傾向得分匹配法（PSM）和雙重差分法（DID）量化分析農(nóng)村數(shù)字經(jīng)濟(jì)對(duì)農(nóng)業(yè)碳排放的影響。

1 研究設(shè)計(jì)

傳統(tǒng)的回歸分析無(wú)法避免指標(biāo)的選擇偏差，故指標(biāo)中原有的農(nóng)村經(jīng)濟(jì)發(fā)展程度、農(nóng)民對(duì)新型農(nóng)業(yè)生產(chǎn)方式的可接受度［9］及地域環(huán)境［10］等，都會(huì)不同程度地干擾農(nóng)村數(shù)字經(jīng)濟(jì)對(duì)農(nóng)業(yè)碳排放的影響，從而影響回歸結(jié)果。而PSM可通過(guò)匹配傾向值相近的控制組（采取低碳城市試點(diǎn)政策）和處理組（未采取低碳城市試點(diǎn)政策），克服2個(gè)群組在樣本選擇上的偏誤，科學(xué)合理地平衡數(shù)據(jù)，從而能夠更精確地分析因果關(guān)系。故研究運(yùn)用PSM-DID方法來(lái)探究農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展對(duì)農(nóng)業(yè)碳排放的影響，共有以下4個(gè)步驟。

第一，數(shù)據(jù)預(yù)處理。為了避免三級(jí)指標(biāo)體系的多重共線性，利用熵權(quán)法將三級(jí)指標(biāo)轉(zhuǎn)換成二級(jí)指標(biāo)，隨后運(yùn)用加權(quán)平均法將二級(jí)指標(biāo)轉(zhuǎn)化為一級(jí)指標(biāo)，轉(zhuǎn)化后的一級(jí)指標(biāo)構(gòu)成PSM-DID回歸模型的解釋變量。第二，計(jì)算傾向分?jǐn)?shù)值。這一步利用 Logistic 參數(shù)模型對(duì)混淆變量進(jìn)行計(jì)算，得出每個(gè)樣本個(gè)體中實(shí)施低碳城市試點(diǎn)政策的概率。第三，基于傾向值進(jìn)行匹配及匹配效果檢驗(yàn)。利用卡尺為0.03的最近鄰匹配方法將控制組和處理組的個(gè)體進(jìn)行匹配，并對(duì)匹配效果進(jìn)行平衡性檢驗(yàn)，直到控制組和處理組的PS值存在顯著的差異性。第四，進(jìn)行PSM-DID回歸分析?；谄ヅ浜玫臄?shù)據(jù)，利用PSM-DID模型對(duì)數(shù)據(jù)進(jìn)行回歸分析，從而分析農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展對(duì)農(nóng)業(yè)碳排放的影響。

1.1 變量說(shuō)明

1.1.1 被解釋變量

1.1.2 解釋變量

關(guān)鍵解釋變量為農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展水平，由數(shù)字基礎(chǔ)設(shè)施（construction）、數(shù)字產(chǎn)業(yè)發(fā)展（industrial）、數(shù)字技術(shù)發(fā)展（tech）3個(gè)二級(jí)指標(biāo)組成，各二級(jí)指標(biāo)又由若干三級(jí)指標(biāo)組成。這里，參照王軍等［11］構(gòu)建的中國(guó)數(shù)字經(jīng)濟(jì)發(fā)展水平指標(biāo)體系，并結(jié)合農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展情況，構(gòu)建農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展評(píng)價(jià)指標(biāo)體系，如表1所示。

1.1.3 控制變量

控制變量為該城市是否為低碳城市。將31個(gè)?。ㄗ灾螀^(qū)、直轄市）分為低碳城市（Dc=1）和非低碳城市（Dc=0）兩類，以此討論低碳城市試點(diǎn)政策對(duì)農(nóng)業(yè)碳排放的影響。

1.2 數(shù)據(jù)來(lái)源

研究從《中國(guó)統(tǒng)計(jì)年鑒》（2012—2022）、《中國(guó)農(nóng)村統(tǒng)計(jì)年鑒》（2012—2022）、ESP數(shù)據(jù)平臺(tái)及北京大學(xué)發(fā)布的數(shù)字普惠金融指數(shù)等數(shù)據(jù)庫(kù)搜集相關(guān)數(shù)據(jù)。采用的數(shù)據(jù)涵蓋了2012—2022年中國(guó)31個(gè)省（自治區(qū)、直轄市），總計(jì)341個(gè)樣本。各二級(jí)指標(biāo)描述性統(tǒng)計(jì)分析結(jié)果如表2所示。

1.3 數(shù)據(jù)預(yù)處理

為研究各個(gè)解釋變量對(duì)因變量的影響，需根據(jù)三級(jí)指標(biāo)數(shù)據(jù)測(cè)算二級(jí)指標(biāo)。熵值法［12］是一種客觀賦值法，其根據(jù)各項(xiàng)指標(biāo)觀測(cè)值所提供的信息大小來(lái)確定指標(biāo)權(quán)重。由于各指標(biāo)的計(jì)量單位并不統(tǒng)一，因此，研究通過(guò)熵值法將各三級(jí)指標(biāo)數(shù)據(jù)進(jìn)行處理，即將各三級(jí)指標(biāo)的計(jì)量單位統(tǒng)一化，具體步驟為：

1.4 模型構(gòu)建

在探究實(shí)施低碳城市試點(diǎn)政策與未實(shí)施低碳城市試點(diǎn)政策之間的結(jié)果差異時(shí)，由于針對(duì)多個(gè)特征X進(jìn)行對(duì)比較為困難，故選擇將多維控制變量X用傾向得分P（x）代替，這樣就只需要對(duì)單一的傾向得分變量進(jìn)行匹配。如果兩個(gè)樣本的傾向得分相同，則將其中一個(gè)作為控制組，另一個(gè)作為處理組。傾向得分的表達(dá)式為［13］：

2 實(shí)證分析

2.1 平衡性檢驗(yàn)

為使研究數(shù)據(jù)匹配的結(jié)果更具有說(shuō)服力，對(duì)匹配前后處理組和控制組的偏差進(jìn)行檢驗(yàn)。系列混淆變量在處理組和控制組之間的偏差檢驗(yàn)結(jié)果如表4所示。

由表4可知，匹配前匹配變量的標(biāo)準(zhǔn)誤絕對(duì)值均在20%以內(nèi)，故匹配效果良好；所有變量在匹配前均通過(guò)顯著性檢驗(yàn)，匹配后則并未通過(guò)；經(jīng)過(guò)匹配，各變量間的差異顯著減小，t值下降，P值變得不再顯著，表明匹配后的處理組與控制組在匹配變量上幾乎沒(méi)有差異，從而通過(guò)了平衡性檢驗(yàn)。此外，匹配后所有變量的標(biāo)準(zhǔn)化偏差絕對(duì)值大幅減小，證明處理組和控制組的分布具有高度一致性，滿足傾向得分匹配的平衡性假設(shè)。匹配前后控制組（Dc=1）和處理組（Dc=0）的共同支撐域圖如圖1所示。

由圖1可知，匹配前和匹配后控制組和處理組的絕大多數(shù)樣本數(shù)據(jù)都在共同取值范圍內(nèi)，而不在共同取值范圍內(nèi)的樣本傾向得分值比較極端，集中在6附近。

結(jié)合表4和圖1可知，處理組和控制組之間的混淆變量在匹配后的差異均不顯著，即匹配的效果較好。

2.2 傾向值匹配結(jié)果

指標(biāo)數(shù)據(jù)處理后，在PSM匹配前和PSM匹配后的回歸結(jié)果如表5所示。其中，匹配前表示對(duì)指標(biāo)數(shù)據(jù)處理之后通過(guò)PSM匹配之前的回歸結(jié)果，匹配后表示對(duì)指標(biāo)數(shù)據(jù)處理之后再通過(guò)PSM匹配之后的回歸結(jié)果。

由表5可知，在進(jìn)行PSM匹配前，數(shù)字基礎(chǔ)設(shè)施（construction）提升1個(gè)單位可以使農(nóng)業(yè)碳排放升高16.43個(gè)單位，數(shù)字產(chǎn)業(yè)發(fā)展（industrial）提升1個(gè)單位可以使得農(nóng)業(yè)碳排放降低11.25個(gè)單位，數(shù)字技術(shù)發(fā)展（tech）提升1個(gè)單位可以使得農(nóng)業(yè)碳排放降低2.79個(gè)單位。在進(jìn)行PSM匹配后，當(dāng)數(shù)字基礎(chǔ)設(shè)施（construction）提升1個(gè)單位時(shí)，農(nóng)業(yè)碳排放升高159.1個(gè)單位，并且在1%的統(tǒng)計(jì)水平上顯著；當(dāng)數(shù)字產(chǎn)業(yè)發(fā)展（industrial）提升1個(gè)單位時(shí)，農(nóng)業(yè)碳排放降低104.2個(gè)單位，并且在5%的統(tǒng)計(jì)水平上顯著；當(dāng)數(shù)字技術(shù)發(fā)展（tech）提升1個(gè)單位時(shí)，農(nóng)業(yè)碳排放降低50.73個(gè)單位，并且在10%的統(tǒng)計(jì)水平上顯著。

3 研究結(jié)論與政策建議

3.1 研究結(jié)論

研究使用2012—2022年中國(guó)31個(gè)?。ㄗ灾螀^(qū)、直轄市）農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展和農(nóng)業(yè)碳排放數(shù)據(jù)，將數(shù)據(jù)分為控制組和處理組，利用熵值法對(duì)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，再利用PSM-DID模型對(duì)數(shù)據(jù)進(jìn)行回歸分析，探索3個(gè)二級(jí)指標(biāo)表示的農(nóng)村數(shù)字經(jīng)濟(jì)對(duì)農(nóng)業(yè)碳排放的影響，得出3個(gè)基本結(jié)論。

3.1.1 農(nóng)村數(shù)字基礎(chǔ)設(shè)施與農(nóng)業(yè)碳排放呈正相關(guān)

數(shù)字基礎(chǔ)設(shè)施建設(shè)推動(dòng)了農(nóng)業(yè)數(shù)字經(jīng)濟(jì)發(fā)展，但也會(huì)在建設(shè)過(guò)程中增加碳排放。例如，數(shù)字基礎(chǔ)設(shè)施建設(shè)帶動(dòng)了電子商務(wù)、智能農(nóng)業(yè)等新興產(chǎn)業(yè)的快速發(fā)展，但產(chǎn)業(yè)的快速擴(kuò)張可能導(dǎo)致傳統(tǒng)高碳產(chǎn)業(yè)的加速發(fā)展；同時(shí)，由于居民消費(fèi)模式的變化及交通運(yùn)輸效率的提升，會(huì)產(chǎn)生更多交通排放，從而增加農(nóng)村碳排放。

3.1.2 農(nóng)村數(shù)字產(chǎn)業(yè)發(fā)展與農(nóng)業(yè)碳排放呈負(fù)相關(guān)

數(shù)字產(chǎn)業(yè)發(fā)展通過(guò)提高資源利用效率、促進(jìn)清潔能源應(yīng)用、綠色供應(yīng)鏈管理、生態(tài)監(jiān)測(cè)與管理及推動(dòng)循環(huán)經(jīng)濟(jì)等，在促進(jìn)經(jīng)濟(jì)增長(zhǎng)的同時(shí)，降低碳排放，推動(dòng)可持續(xù)發(fā)展。

3.1.3 農(nóng)村數(shù)字技術(shù)發(fā)展與農(nóng)業(yè)碳排放呈負(fù)相關(guān)

數(shù)字技術(shù)發(fā)展通過(guò)推動(dòng)農(nóng)村企業(yè)綠色技術(shù)應(yīng)用、優(yōu)化供應(yīng)鏈管理、促進(jìn)循環(huán)經(jīng)濟(jì)發(fā)展及提升信息獲取能力等，改變農(nóng)村居民對(duì)低碳經(jīng)濟(jì)的認(rèn)知，并促使其積極參與，從而實(shí)現(xiàn)可持續(xù)發(fā)展目標(biāo)。

3.2 政策建議

3.2.1 擴(kuò)大低碳試點(diǎn)城市范圍

各地區(qū)要結(jié)合實(shí)際情況制定針對(duì)性政策，并將搜集到的成功經(jīng)驗(yàn)進(jìn)行推廣，將低碳城市試點(diǎn)政策擴(kuò)大到農(nóng)村地區(qū)。低碳城市試點(diǎn)政策通過(guò)相應(yīng)的激勵(lì)措施和懲戒方式推動(dòng)相關(guān)企業(yè)實(shí)施綠色轉(zhuǎn)型，有助于碳減排目標(biāo)的實(shí)現(xiàn)。因此，在全國(guó)范圍實(shí)施低碳城市試點(diǎn)政策的同時(shí)，應(yīng)該兼顧政策規(guī)制和資金支持，引導(dǎo)企業(yè)在基礎(chǔ)設(shè)施建設(shè)過(guò)程中采用低碳技術(shù)來(lái)實(shí)現(xiàn)經(jīng)濟(jì)效益與環(huán)境效益的雙贏。

3.2.2 加強(qiáng)農(nóng)村數(shù)字基礎(chǔ)設(shè)施的低碳轉(zhuǎn)型

在農(nóng)村基礎(chǔ)設(shè)施建設(shè)中，部分地區(qū)仍然采用粗放的建設(shè)方式，導(dǎo)致碳排放增加。因此，應(yīng)該優(yōu)化產(chǎn)業(yè)資源配置和提高生產(chǎn)效率，降低能源消耗，推進(jìn)傳統(tǒng)粗放型產(chǎn)業(yè)向綠色智能化方向轉(zhuǎn)型；提升農(nóng)村信息化水平，加強(qiáng)5G網(wǎng)絡(luò)建設(shè)，建立智慧農(nóng)業(yè)體系，減少對(duì)高碳基礎(chǔ)建設(shè)的依賴，加強(qiáng)數(shù)字技術(shù)的直接效應(yīng)，實(shí)現(xiàn)產(chǎn)業(yè)節(jié)能降耗。

3.2.3 推進(jìn)農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展的技術(shù)支持

繼續(xù)增加科學(xué)技術(shù)投入，鼓勵(lì)農(nóng)業(yè)科技創(chuàng)新，創(chuàng)新金融產(chǎn)品和服務(wù)，提高科技創(chuàng)新領(lǐng)域的金融供給量，從技術(shù)方面推動(dòng)數(shù)字技術(shù)與低碳技術(shù)相融合。推動(dòng)數(shù)字技術(shù)的普及和應(yīng)用，通過(guò)數(shù)字經(jīng)濟(jì)發(fā)展帶動(dòng)數(shù)字技術(shù)普及，持續(xù)提升居民低碳環(huán)保和資源節(jié)約意識(shí)，實(shí)現(xiàn)村民生活低碳化。

參考文獻(xiàn)：

［1］金書秦，林煜，牛坤玉.以低碳帶動(dòng)農(nóng)業(yè)綠色轉(zhuǎn)型：中國(guó)農(nóng)業(yè)碳排放特征及其減排路徑［J］.改革，2021（5）：29-37.

［2］WEST T， MARLAND G. A synthesis of carbon sequestration， carbon emissions， and net carbon flux in agriculture： comparing tillage practices in the United States［J］. Agriculture， Ecosystems and Environment， 2002（91）： 217-232.

［3］徐清華，張廣勝.農(nóng)業(yè)機(jī)械化對(duì)農(nóng)業(yè)碳排放強(qiáng)度影響的空間溢出效應(yīng)：基于282個(gè)城市面板數(shù)據(jù)的實(shí)證［J］.中國(guó)人口·資源與環(huán)境，2022（4）： 23-33.

［4］張頌心，王輝，徐如濃.科技進(jìn)步、綠色全要素生產(chǎn)率與農(nóng)業(yè)碳排放關(guān)系分析：基于泛長(zhǎng)三角26個(gè)城市面板數(shù)據(jù)［J］.科技管理研究， 2021， 41（2）：211-218.

［5］BERHANU Y， ANGASSA A， AUNE J. A system analysis to assess the effect of low-cost agricultural technologies on productivity， income and GHG Emissions in mixed farming systems in Southern Ethiopia ［J］. Agricultural Systems， 2021（187）： 102988.

［6］陳中偉，湯燦.數(shù)字經(jīng)濟(jì)發(fā)展對(duì)農(nóng)業(yè)碳排放的影響及其時(shí)空效應(yīng)［J］. 科技管理研究， 2023，43（12）：137-146.

［7］劉震，張曉星，魏威崗.農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展對(duì)農(nóng)業(yè)碳排放的影響：基于29個(gè)省份的面板數(shù)據(jù)分析［J］.江蘇大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2023， 25（3）：20-32.

［8］陳昕，金殿臣，張亞豪.數(shù)字經(jīng)濟(jì)能否助力“雙碳”目標(biāo)的實(shí)現(xiàn)：基于中國(guó)省級(jí)面板的實(shí)證分析［J］.社會(huì)科學(xué)家，2023（8）：70-76.

［9］溫濤，陳一明.數(shù)字經(jīng)濟(jì)與農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)融合發(fā)展：實(shí)踐模式、現(xiàn)實(shí)障礙與突破路徑［J］.農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題，2020（7）：118-129.

［10］慕娟，馬立平.中國(guó)農(nóng)業(yè)農(nóng)村數(shù)字經(jīng)濟(jì)發(fā)展指數(shù)測(cè)度與區(qū)域差異［J］.華南農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2021（4）：90-98.

［11］王軍，羅杰，羅茜.中國(guó)數(shù)字經(jīng)濟(jì)發(fā)展水平及演變測(cè)度［J］.數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2021，38（7）：26-42.

［12］李珒，胡佳霖，王熙.全球視域下數(shù)字經(jīng)濟(jì)發(fā)展的碳減排效應(yīng)及其作用機(jī)制［J］. 中國(guó)人口·資源與環(huán)境，2024，34（8）：3-10.

［13］胡永遠(yuǎn)，周志鳳. 基于傾向得分匹配法的政策參與效應(yīng)評(píng)估［J］. 中國(guó)行政管理，2014（1）：98-101.