期刊佳文 | 农业数字化转型的减污降碳协同效应

随着全球气候变化的加剧和环境污染问题的日益突出，协同推进减污降碳扩绿增长已成为国际社会的普遍共识。农业是国民经济的基础产业，农业领域的减污降碳不仅关乎农业生产绿色可持续发展，而且关乎经济社会发展全面绿色转型。作为世界上最大的农业生产国之一，中国在推进农业现代化进程中呈现出十分突出的高污染高碳排特征。《2022年中国生态环境统计年报》数据显示，2022年全国农业源化学需氧量、氨氮、总氮（TN）和总磷（TP）排放量分别为1785.7万、28.1万、174.4万和27.7万t，分别占全国排放量的68.8%、34.2%、55.0%和80.2%；全部废水污染物中农业源排放量占比高达66.5%，已超过工业源和生活源，成为中国水污染物的最主要来源［1］。同时，根据中国环境与发展国际合作委员会数据报道，中国农业部门的温室气体排放量约占到总排放量的17%［2］，是仅次于能源行业的第二大来源［3］。农业源的碳排放与面源污染相互交织在一起，构成了农业生态系统复杂的立体复合污染［4］。

从产生原因看，农业面源污染和碳排放具有高度的同根同源性［5］。例如，化肥的过度使用不仅会产生诸如氨氮等面源污染物，也会产生大量的二氧化碳和氧化亚氮等温室气体；又如畜禽养殖是农业面源污染的最大源头，同时也是甲烷排放的重要来源之一［6］，这为实现二者的协同减排提供了现实基础。2022年，生态环境部等联合印发《减污降碳协同增效实施方案》，提出“协同推进种植业、畜牧业、渔业节能减排与污染治理”，进一步从顶层政策设计上强调了农业面源污染与碳排放问题协同解决的重要性。农业减污降碳协同治理旨在通过一体化措施，协同减少农业面源污染物排放和温室气体排放，以减轻农业活动对环境的负面影响。围绕农业减污降碳协同，已有研究主要从协同减排的制度体系构建［7］、协同效应测度、驱动因素识别［8-13］以及现实困境与推进路径［14，15］等角度进行了探索。当前研究表明，我国农业“减污”与“降碳”呈现较好的协同趋势，但也面临着减污降碳压力大、协同性有待增强的挑战。因此，探寻新的发展方式以促进农业减污降碳协同增效目标的加快实现，无疑具有重要的理论和实践意义。

传统农业生产模式无法完全摆脱对农用化学品的依赖，在很大程度上增加了农业减污降碳协同治理的难度［16］。近些年，随着数字红利源源不断地向农业领域扩散，依托物联网、大数据、云计算、人工智能和遥感技术等底层科技，将数字技术与农业绿色低碳发展战略有机结合［17，18］，用数字化路径促进农业减污降碳成为可能。一方面，相比实物要素，数字技术更具“清洁性”，其应用将替代部分劳动、资本等传统实物要素，减少实物资源消耗和污染物排放［19］。另一方面，作为一种赋能技术，数字技术以其强大的信息集成、智能化管理和决策优化功能，深度融入农业生产经营各个环节，有助于实现“环境可测、生产可控和质量可溯”的生产模式［20］，为实现农业减污降碳目标迎来新的契机。那么，数字化究竟能否成为推进农业面源污染与碳排放协同减排的新动能？已有研究主要从碳排放角度，评估农业数字化转型的环境效应。如Balogun等［21］对非洲地区农业数字化实践的调查表明，将数字化引入农业可以减少碳排放。田红宇等［22］实证检验发现，数字经济发展显著降低了粮食生产中的碳排放水平。随后更多的经验研究证实了数字经济发展对农业碳排放具有显著抑制作用［23-30］。但是，已有研究缺乏对农业数字化转型减污降碳协同效应的考察。由于农业生产活动的分散性和面源污染的非点源性［31］，农业减污降碳协同相较于工业部门更为复杂，边际减排成本的存在也使得实现农业减污与降碳协同减排比单一污染物减排更加困难［9］。因此，数字化有助于农业碳减排并不必然意味着会促进农业减污降碳协同效应的提升。

鉴于此，本文在测度各省农业数字化水平的基础上，探究农业数字化转型能否产生减污降碳的协同效应，并对其背后的作用机制展开检验，以期深化对二者关系的认识。本文可能的边际贡献体现在：①区别于已有研究从单一污染排放的视角来考察农业数字化转型的环境效应，本文基于农业面源污染与碳排放同根同源同过程的特性，实证检验数字化对农业减污降碳的协同作用，是对现有研究的重要延伸；②通过编制数字经济投入产出表，对各省农业数字经济增加值规模进行测算，相较于文献中普遍使用的数字经济指数，可以更加直观地反映各省农业数字化水平；③从技术效应和要素配置效应视角揭开了数字化赋能农业减污降碳协同的机制“黑箱”，以期为制定数字农业发展战略以服务于农业减污降碳协同增效目标提供了政策靶向。

1理论分析与研究假说

1.1数字化对农业减污降碳的影响

从排放来源看，化肥农药的过度使用、农业废弃物和畜禽养殖排泄物处理不当以及传统生产方式资源利用效率低下是诱发农业面源污染和碳排放增加的共同原因［7］。以大数据、云计算、物联网和人工智能为代表的数字技术在农业领域的渗透应用，为农业面源污染和碳排放协同治理带来了革命性的技术突破，提供了精准化、高效化和透明化的农业减污降碳协同治理方案。具体表现在：第一，数字技术与农业生产过程的紧密结合，有助于推动传统粗放型农业生产方式向智能化精细化转变，实现化肥农药、灌溉用水等生产要素的精确配比和量化管理，减少资源浪费导致的环境污染和温室气体排放。第二，通过土地传感、土壤监测等智能化手段，适时调控农作物生长所需的条件，可以最大限度发挥农业生产潜力，从根本上减少对化肥、农药的依赖，为农业生产减污降碳提供可能。第三，数字技术赋能可以有效提升传统生产要素效能，在提高农业生产效率的同时，降低农业活动对环境的压力，推动单位产出的农业面源污染物和碳排放强度不断降低。第四，借助物联网技术，农户可以实现对农业生产过程中资源消耗、排污状况的实时监测和追踪，及时对高耗能高排放生产环节进行优化改进，对农业废弃物进行规范化管理，进而实现减污降碳的目的。据此，提出假说1，数字化能够有效促进农业面源污染物和碳排放协同减排。

1.2数字化对农业减污降碳的作用机制

农业减污与降碳的协同机制主要体现在源头预防和过程控制这2个方面。其中，源头预防是指通过推广农业绿色生产技术，从根源上减少对化肥农药等污染性生产要素和高能耗高碳排生产资料的需求；过程控制是指在农业生产的全过程中采取必要的措施，提高农业生产资源的利用效率，以预防碳排放和污染的产生。数字化转型不仅能够提升农业绿色技术创新水平，通过源头预防实现农业减污降碳协同；而且还有助于提升农业资源配置效率，从过程控制上实现农业面源污染物和碳排放的协同减排。基于此，将数字化转型促进农业减污降碳协同的作用机制概括为技术效应和资源配置效应。

（1）技术效应绿色技术创新是促进农业生产绿色转型的核心动力，也是实现减污降碳目标的重要工具［32］。而数字经济作为一种创新驱动型经济，在整合创新资源、打通创新堵点上具有明显优势［33］，能够有效促进农业绿色技术创新，从生产端发力推动农业面源污染物和碳排放协同减排。首先，数字技术的嵌入能够打破农业绿色技术创新信息传递的时空限制，推动创新资源在更大范围内互通共享，从而提高农业绿色技术创新效率。其次，数字技术具备的开放性、共享性、平台性等特征，为跨部门协同创新创造了条件，有利于各类创新主体通过高水平合作来推动农业绿色技术创新。最后，数字技术的普及应用打破了信息流动的壁垒，可以帮助创新主体及时捕捉市场对绿色农产品的需求状态，从而有针对性地开展技术创新活动，提高创新的时效性和有效性。据此，提出假说2，数字化通过绿色技术创新对农业减污降碳协同产生促进作用。

（2）资源配置效应生态环境问题归根到底是资源粗放利用造成的［34］。转变资源利用方式、提高资源利用效率，能够避免生产过程中不必要的资源浪费，减少碳排放和污染物的产生。而资源利用效率与资源配置状况密切相关。数字技术与农业的深度融合可以助力农户精确掌握农业生产动态，更加精准和高效地配置农业生产资源，实现农业面源污染物与碳排放协同减排的过程控制。首先，大数据、云计算等数字技术在农业领域的应用能够显著提升农户的决策效率和生产管理水平，优化农业生产布局，制定更加科学合理的生产计划。其次，农业的数字化改造有助于实现农业管理的精细化，实现精准播种、精准施肥施药、智能灌溉和精准收获，有效提高农业资源利用效率。最后，数字赋能能够实现生产要素的数字化，从而可以通过数字化手段进行更高效地管理和优化配置，提升资源配置的效率和精度，减少传统生产中由于“信息孤岛”“信息盲区”所导致的资源错配。据此，提出假说3，数字化通过优化资源配置对农业减污降碳协同产生促进作用。

2材料与方法

2.1模型构建

在评估人类活动的环境影响方面，Dietz等［35］提出的人口、富裕和技术的随机回归影响模型（STIRPAT）由于具有充分的生态学依据，且易于进行扩展而得到广泛应用。根据STIRPAT方程的参数设定，环境污染的指数增长主要受到人口、经济与技术因素的影响。其一般形式表示如下：

式中，I表示以环境污染为主的人类活动对环境的影响，P、A和T分别表示人口、富裕程度和技术，a表示常数项，b、c和d分别表示上述各因素对应的弹性系数，e表示误差项。对式（1）两端同时取对数，即可得到多元线性回归模型。在实际应用中，由于技术属于内生化的因素，且很难找到合适的代理变量，很多文献直接将T归入误差项［36］，转而估计模型：

另外，按照York等［37］的观点，既然技术水平包括影响单位产出环境效应的任何因素，那么只要符合乘积原则（即技术T可以表示成其他影响因素的乘积），就可以通过对T的分解，将其他理论上影响环境的因素作为独立变量加入到STIRPAT模型中。由于数字要素既可作为新型生产要素直接参与农业生产，也可以技术进步的形式间接扩展农业生产前沿面［38］，本文将数字化对环境的影响从技术中分离出来加入到式（2）中，同时将一些影响技术的变量如人口结构和经济结构等作为控制变量也加入到式（2）中，得到扩展的STIRPAT方程：

式中，下标i和t分别表示省份和年份。lnY_it表示农业减污降碳水平，借鉴陆敏等［39］的思路，用农业面源污染物排放量和农业碳排放量的交乘项衡量。由于二者均为逆指标，交乘项不仅可以反映其整体减排程度，而且也切合“碳污同源”说，符合减污降碳协同治理的系统性。lnP_it表示人口规模，lnA_it表示富裕程度，dig_it表示农业数字化水平，X_it表示控制变量集。λ_i和γ_t分别表示省份固定效应和年份固定效应。a、b、c、β和δ表示待估计参数，本文感兴趣的是参数β，由于lnY_it为负向指标，β<0且通过显著检验时，说明农业数字化转型具有显著减污降碳协同效应。e_it为随机误差项。

在此基础上，为探究绿色技术创新和资源配置效率是否为数字化促进农业减污降碳协同的潜在机制，参照苑文华等［40］做法，首先检验上述活动如何受到数字化的影响。模型设定为：

式中，M_it表示机制变量，包括绿色技术创新和资源配置效率；Z_it表示包括STIRPAT模型基础变量在内的所有控制变量；其他变量定义与基准回归模型保持一致；参数ψ衡量了数字化对机制变量的影响。

进一步地，如果绿色技术创新（资源配置效率）同时增强了数字化在促进农业减污降碳协同方面的作用，那么其就可以被视为数字化影响农业减污降碳协同的一个机制。扩展后的回归模型设定如下：

式中，本文重点关注参数ψ₃，并且预期其系数显著为负。这意味着，在绿色技术创新水平（资源配置效率）越高的省份，数字化对农业减污降碳协同的促进作用越大，即机制变量助力数字化发挥农业减污降碳协同效应。

2.2变量选取

2.2.1被解释变量

本文的被解释变量是农业减污降碳水平（lnY），借鉴陆敏等［39］的思路，用农业面源污染物排放量和碳排放量的交乘项衡量。其中，农业面源污染物排放量采用单元调查评估法测算，污染物来源包括农田化肥类、畜禽养殖类和农田固废类。计算公式如下：

式中，m表示产污单元，n表示污染物；E表示农业面源污染物排放量；E_mn表示单元m污染物n的排放量；G_mn表示单元m污染物n的产生量；μ_mn表示单元m污染物n的流失率；T_m表示单元m的指标统计数；ρ_mn表示单元m污染物n的产污系数。参考已有研究并遵循“抓大放小”的策略［41］，本文将各类污染分解为14个产污单元，表1给出了各产污单元的统计指标及其排放清单。

农业碳排放量采用碳排放系数法测算，排放源包括水稻生长、农地翻耕、农业灌溉、化肥农药农膜使用、农用柴油燃烧、猪牛羊及家禽养殖等六大类［42］。具体计算公式为：

式中，C表示农业碳排放总量；C_i表示第i类碳源所产生的碳排放量；AD_i表示第i类碳源的活动水平；EF_i表示第i类碳源的碳排放系数（表2）。

2.2.2核心解释变量

本文核心解释变量是农业数字化（dig），用农业数字经济增加值占行业总增加值的比例表示。数字化包括数字产业化和产业数字化两大部分。由于产业数字化并不形成新的数字产品和服务，不宜直接纳入数字经济规模，因此，本文主要从数字产业化角度对农业数字经济增加值进行核算，即实际上测度的是农业增加值中依赖于数字产品和服务投入得到的部分。参考高一铭等［44］的研究，本文利用国民经济核算法对各省农业数字经济增加值规模进行测算。首先，根据各省公布的投入产出表构建数字经济调整系数；然后，按该系数计算得到农业部门中通过消耗数字产品或服务实现的产出；最后，假设数字经济中间消耗占总产出的比例与相应产业中间消耗占总产出的比例相同，引入行业增加值率计算得到农业部门数字经济增加值。

2.2.3机制变量

本文的机制变量包括2个：①绿色技术创新（lnpat），用每万人口农业绿色专利申请量衡量。其中，农业绿色专利申请量为农业绿色发明专利申请量与农业绿色实用新型专利申请量之和。由于专利数量存在右偏态分布的情况［45］，本文对其进行加1后取自然对数处理。②资源配置效率（lntfp），借鉴段冶等［46］的研究，用农业全要素生产率衡量。本文使用基于数据包络分析的全局Malmquist指数对各省农业全要素生产率进行测算，其中产出为不变价农林牧渔业总产值，投入包括农作物播种总面积、农用化肥施用量、农业机械总动力和第一产业从业人员。由于Malmquist指数是一个相对值指标，本文以2005年为基期，将其转换为累计增长率后取自然对数。

2.2.4控制变量

基于STIRPAT模型框架，同时参考已有研究成果，选取以下变量作为控制变量：①人口规模（lnP），用年末常住人口表示；②富裕程度（lnA），用人均地区生产总值表示，考虑到环境EKC曲线的存在，同时加入其平方项；③农业经济结构（plant），用种植业产值与农林牧渔业总产值之比表示；④粮食种植比例（crop），用粮食作物播种面积与农作物总播种面积之比表示；⑤城镇化率（csh），用城镇常住人口与年末常住总人口之比表示；⑥财政支农力度（fine），用农林水事务支出与地方一般公共预算支出之比表示；⑦农业对外开放（open），用农产品进出口总额与农林牧渔业总产值之比表示；⑧农业生产集聚（agg），用农林牧渔业增加值区位熵衡量，等于各省农林牧渔业增加值占该省地区生产总值的比例除以全国农林牧渔业增加值占国内生产总值的比例。

2.3数据来源

自2005年中央一号文件首次提出“加强农业信息化建设”以来，我国农业数字化进入加快赶超阶段。基于样本代表性考虑，本文使用2005-2022年中国31个省（自治区和直辖市，中国台湾、香港和澳门资料暂缺）的平衡面板数据展开实证分析。农业数字经济增加值根据省级投入产出表核算得到，其中非编表年份投入产出表使用改进广义RAS平衡法产生；农业绿色专利申请量通过中国专利数据库手工搜集和整理获得；其他基础数据来自研究年份的《中国统计年鉴》《中国农村统计年鉴》《中国农业年鉴》及各省（区、市）统计年鉴。各变量描述性统计结果见表3。

3结果与讨论

3.1基准回归

表4报告了基于固定效应模型的基准回归结果。列（1）显示，dig的估计系数在1%水平上显著为负，表明数字化显著促进了农业减污降碳协同，假说1得到验证。为了规避交乘项中存在污染物排放或碳排放某一项增加的可能性，列（2）和列（3）分别检验农业数字化转型对减污和降碳的影响。结果显示，两组回归中dig的估计系数均在1%水平上显著为负，说明数字化能够同时显著减少农业面源污染物排放和碳排放。具体而言，农业数字经济增加值占比每提高1个百分点，将使得农业面源污染物排放量下降5.7%，农业碳排放量下降4.7%，进一步验证了农业数字化转型具有显著的减污降碳协同效应。

3.2稳健性检验

3.2.1处理内生性

数字化影响农业减污降碳协同的同时，也可能受到其反向影响，从而产生内生性问题。本文使用工具变量法来缓解这一潜在担忧。参考史常亮［47］的方法，本文选取各省1998年农村固定电话普及率（每百人农村固定电话用户数）作为农业数字化的工具变量。固定电话作为早期通信基础设施的代表，不仅是后续数字化建设的基础，而且其普及率可以间接反映当地经济社会发展水平、对信息技术的重视程度以及对新技术的接纳能力，以上都是影响农业数字化进程的重要背景因素。因此，两者之间存在潜在的相关性。但随着通信技术的更新换代，传统固定电话已基本退出历史舞台，其应该不会对当今农业生态环境产生影响，故同时符合外生性要求。由于各省1998年农村固定电话普及率是截面数据，为满足随时间与省份双维度变动，本文参考卢京宇等［26］的做法，将该变量与上一年全国互联网普及率（与时间相关）的交互项作为最终使用的工具变量（IV）。表5列（1）报告了面板两阶段最小二乘法（2SLS）的一阶段回归结果，IV的估计系数在1%的水平上显著为正，符合预期；同时一阶段F统计量远大于经验临界值10，可以认为不存在弱工具变量问题。列（2）为二阶段回归结果，异方差稳健的DWH检验在5%的水平上拒绝不存在内生性问题的原假设，说明应该使用面板2SLS进行一致估计。控制内生性后，dig的估计系数依旧在1%的水平上显著为负，说明基准回归结果稳健。

3.2.2替换被解释变量

减污和降碳实际上属于同一环境系统内2个不同的子系统，故可以构建耦合协调度模型评价减污降碳之间的协同关系。借鉴罗良文等［48］的做法，本文以极差归一化后的农业面源污染物排放量和农业碳排放量为基础，计算二者的耦合协调度作为被解释变量重新进行回归。由于农业面源污染物排放量和农业碳排放量均为负向指标，计算出的耦合协调度数值越小，代表二者的耦合协同状况越好。从表5列（3）可以看出，将被解释变量替换为耦合协调度后，dig的估计系数在5%的水平上显著为负，说明数字化转型有助于实现农业减污降碳的耦合协调发展，进一步证实农业数字化转型存在减污降碳协同效应。

3.2.3替换核心解释变量

国民经济核算法在测量农业数字经济规模上虽更为合理，但也存在生产边界模糊、部分新型数字活动未被纳入核算范围、无法完全统计数字化所带来的增加值等问题［49］。相较之下，建立综合评价指标体系，编制数字经济指数可以更真实、全面地反映农业数字经济的发展水平及动态趋势。本文从农业农村数字基础设施和数字技术应用2个方面，选取农村互联网宽带普及率、农村电脑普及率、农村移动电话普及率、农村投递线路密度、农业气象观测业务站点个数、淘宝村个数和数字普惠金融指数等7项指标，运用变异系数法构建农业数字经济指数（dig2），然后替换原核心解释变量进行回归，结果如表5列（4）所示。dig2的估计系数在1%的水平上显著为负，说明农业数字化的不同度量方式并未对本文研究结论造成根本性影响。

3.2.4调整研究窗口

2020年新冠肺炎疫情的暴发给全国经济社会正常运行带来较大冲击，这可能会对估计结果造成影响。为排除这一时期数据指标的异常波动对回归结果的干扰，将研究样本区间调整为2005-2019年。表5列（5）的回归结果表明，即便在改变样本时间窗口的情况下，dig的估计系数依然至少在5%的水平上显著为负，印证了基准回归结论具有较强的稳健性。

3.2.5系统GMM估计

农业减污降碳是一个动态、持续的过程，并且由于农业生产周期本身较长，还存在一定的时间滞后性。为了能够准确捕捉到这一特征，本文将被解释变量的一阶滞后项作为解释变量引入模型，将其扩展成动态面板模型，并使用两步系统GMM方法对其进行估计，结果如表5列（6）所示。AR（2）检验和Hansen检验的伴随概率P值均大于0.1，说明扰动项差分不存在二阶自相关、工具变量也不存在过度识别问题，使用系统GMM进行估计是合适的。dig的估计系数至少在10%的水平上显著为负，说明即使考虑了动态因素，数字化对农业减污降碳协同依旧具有显著促进作用。

3.3作用机制检验

为进一步探究数字化促进农业减污降碳协同的作用机制，基于式（4）和式（5），本文先分别考察数字化对农业绿色技术创新和农业资源配置效率的影响，然后再分别将数字化与上述机制变量的交互项纳入基准回归模型，考察其对农业减污降碳协同的影响，结果如表6所示。从列（1）可以看出，当被解释变量为农业绿色技术创新时，dig的估计系数在1%的水平上显著为正，说明数字化对农业绿色技术创新具有显著的正向促进作用。而列（2）的回归结果显示，交互项dig×lnpat的估计系数在1%的水平上显著为负，表明数字化能够通过促进绿色技术创新来减少农业生产过程中的面源污染与碳排放，即绿色技术创新是数字化促进农业减污降碳协同发展的重要作用机制，因此，假说2得到验证。类似地，列（3）中当被解释变量为农业资源配置效率时，dig的估计系数在5%的水平上显著为正，说明数字化转型有助于促进农业资源优化配置。而列（4）中交互项dig×lntfp的估计系数在1%的水平上显著为负，表明数字化能够通过提高资源配置效率来降低农业面源污染和碳排放，即资源配置效率提升亦是数字化促进农业减污降碳协同发展的重要作用机制，假说3也得到验证。为排除两种作用机制的互相干扰，列（5）同时对技术效应机制与资源配置效应机制进行检验。结果显示，交互项dig×lnpat和dig×lntfp的估计系数分别在10%和1%的水平上显著为负，进一步证实了数字化能够通过促进绿色技术创新和提高资源配置效率的双重路径实现农业减污降碳协同推进。

3.4异质性分析

3.4.1地理区域异质性

中国农业数字化发展不平衡不充分问题突出，数字化水平总体呈现“东高-中西低”的空间格局，且梯度差异逐渐扩大。为明确这是否会导致农业数字化转型的减污降碳效果同样存在差异，将样本划分为东部和中西部地区两组分别进行回归。从表7列（1）和列（2）可以发现，在不同区域内数字化均表现出显著的减污降碳效应，但相对而言东部地区的偏回归系数更大更显著，并且组间系数差异至少通过10%水平显著性检验。这表明，相比于中西部地区，农业数字化转型的减污降碳协同效应在东部地区更为明显。这可能是因为东部地区的农业生产技术和数字化水平相对更高，实现农业减污降碳协同的条件更好［9］，因此数字技术的红利能够得到更为充分地释放。

3.4.2数字化水平异质性

“梅特卡夫法则”揭示了互联网的价值随着网络节点增加呈指数级增长。一般认为，数字经济同样遵循“梅特卡夫法则”，即随着数字化水平的提高，其对实体经济的赋能效应将呈边际效应递增的规律［50］。为检验数字化对农业减污降碳协同的影响是否也存在类似规律，本文根据各地农业数字化水平的均值将样本分为高、低两组进行回归，结果如表7列（3）和列（4）所示.在高数字化水平地区，dig的估计系数在1%水平上显著为负；而在低数字化水平地区则不显著，同时组间系数差异通过1%水平显著性检验。这意味着，“梅特卡夫法则”在数字化与农业减污降碳的关系中仍然适用，即只有当农业数字化水平跨越一定阈值后，其才会产生显著的减污降碳协同效应。

3.4.3数字基础设施异质性

新型数字基础设施是产业数字化的载体，是数字技术使用和发挥作用的基础性条件［51］。而不同地区之间数字基础设施发展的不均衡性，可能导致数字化的减污降碳协同效果相应呈现出差异性。为检验这一点，本文根据清华大学发布的《中国新型基础设施竞争力指数（2023）》，将得分超过平均分的前14位定义为高数字基础设施地区，而将后17位定义为低数字基础设施地区，然后分别进行回归。表7列（5）和列（6）结果显示，在高数字基础设施地区，农业数字化表现出显著的减污降碳协同效应；而在低数字基础设施地区，二者之间却并不具备统计学上的显著关联，同时组间系数差异检验通过1%水平显著性检验。这证实了农业数字化减污降碳协同效应的发挥需要有较为完备的硬件基础，只有具备较好的数字基础设施支撑时，才能获得良好的减污降碳协同效果。

3.4.4人力资本异质性

人力资本水平的高低直接影响着农民对数字化技术的理解、接受以及实际操作能力，进而会对农业数字化转型的作用效果产生影响［52］。本文选取农村人口平均受教育年限作为人力资本的代理变量，并依据其均值将样本分为人力资本高、低两个组分别进行回归。其中，平均受教育年限的计算公式为：未上过学人口占比×1+小学人口占比×6+初中人口占比×9+高中人口占比×12+大专及以上人口占比×16。由表7列（7）和列（8）可知，数字化仅对高人力资本地区的农业减污降碳存在显著的协同减少效应，而对低人力资本地区的影响并不显著，并且组间系数差异检验至少在10%的水平上显著。这说明，人力资本确实是影响数字化作用效果发挥的重要因素，提高地区人力资本水平有助于强化农业数字化转型的减污降碳协同作用。

4建议

（1）加快互联网、大数据、人工智能等数字技术在农业生产领域深度应用，持续加强农村信息基础网络设施建设和优化，加快农田水利、公路、电力、冷链物流、农产品加工等传统基础设施的数字化改造升级，为农业数字化转型创造条件，夯实数字化驱动农业减污降碳协同治理基础。

（2）精准定位数字化赋能农业减污降碳的结合点，探索赋能作用有效发挥的途径。应重视绿色技术创新和资源优化配置在数字化促进农业减污降碳中的中介渠道作用，持续加大对新型农业绿色技术创新资源的投入，鼓励科研院所紧扣肥料、养殖、碳汇、种植等重点领域，开展节能降碳先进技术研发和模式创新；加快推进农村产权流转市场建设，充分发挥市场机制的作用，提高农业资源配置的效率和科学性，打通数字化与农业绿色低碳转型之间的梗阻。

（3）因地制宜推进农业数字化转型。对于东部地区和数字农业发达省份，应拓宽数字技术在农业领域的运用场景，积极推动数字技术和农业产业的深度融合；而对于中西部地区和数字基础设施薄弱、人力资本缺乏的省份，应加快补齐农村数字基础设施短板，强化数字技能教育培训服务，提升农民数字素养和数字技术应用能力，为充分释放数字技术减污降碳潜力创造条件。

5结论

（1）农业数字化转型具有显著的减污降碳协同效应，能够同时显著减少农业面源污染物排放和碳排放。在控制内生性、替换被解释变量和核心解释变量、调整研究窗口和使用系统GMM估计等稳健性检验后，该结论依然成立。

（2）机制检验表明，绿色技术创新和资源配置效率提升是数字化促进农业减污降碳协同的2个重要作用机制，并且数字化能够通过促进绿色技术创新和提高资源配置效率的双重路径实现农业减污降碳协同推进。

（3）农业数字化转型的减污降碳协同效应具有地区异质性，具体表现为在东部地区、高数字化水平地区、高数字基础设施地区和高人力资本地区，数字化对农业减污降碳协同的促进效应更为显著。