当前，全球气候变化和环境污染问题已成为威胁人类社会可持续发展的重大挑战。中国作为世界最大的发展中国家和能源消费国，肩负着应对气候变化和环境治理的重要责任［1］。自20世纪中期以来，为保障粮食安全，我国逐步建立了以“高投入-高产出”为特征的农业生产模式［2］。这种模式在解决人口增长与粮食供应问题方面发挥了重要作用，但也造成了化肥农药使用强度高、畜禽养殖规模化等问题，使农业成为温室气体排放和面源污染的主要来源之一［3，4］。《2023中国农业农村低碳发展报告》指出，我国农田碳排放强度比发达国家高出20%-30%，单位面积农药使用量是OECD国家的3倍，农业温室气体排放占全国总量的15%，面源污染贡献率超过15%［5］。

面对这一双重挑战，我国提出了“协同推进降碳、减污、扩绿、增长”的战略部署，农业污染控制与碳排放治理的双重目标协同推进，已成为国家生态文明建设的重要方向。在此背景下，本文引入“农业减污降碳协同效应”概念，旨在刻画农业系统中污染物控制与温室气体减排之间的内在耦合关系。该效应强调源头一致性、路径协同性与结果共益性，体现出系统性治理优势，区别于传统农业绿色发展或碳减排研究所强调的单一目标路径［6］。

已有研究主要从农业污染末端治理［7-9］和碳排放定量核算［10-12］等方面展开，但在协同视角下的整合研究仍显薄弱。当前研究路径主要包括3类：一是识别农业污染与碳排放的直接协同关系［13］；二是构建经济与环境评估指标体系［14］；三是探索污染与碳排耦合机制［15］。从方法上看，早期研究多采用Tapio脱钩指数和熵权TOPSIS方法，尽管能够揭示污染与碳排放的协同趋势，但难以充分揭示变量间的动态内在联系［16-18］。近年来，LMDI分解方法和空间计量模型的应用显著提升了对区域差异和协同效应的识别能力［10，19］。与此同时，数字经济的迅速发展为农业系统减污降碳转型提供了前所未有的技术基础与平台支撑［20，21］。其通过要素配置优化、信息反馈机制与产业协同作用，具备促进农业污染控制与碳减排协同提升的潜力［22，23］。从技术路径来看，相关研究多聚焦于智能化农业设备、物联网感知系统和遥感监测等数字工具对农业生产过程的赋能作用，强调其在实现农业过程减排和末端排放控制中的应用价值；从政策路径来看，已有研究则提出，应通过加强财政支持、完善绿色基础设施、推动制度性激励，构建与数字技术发展相匹配的政策环境，以释放其在协同治理中的系统效益［24，25］。但当前研究多聚焦于数字经济对农业碳排或污染治理的单向影响，对于其在协同效应中的多路径作用机制识别仍显不足。

综上，当前关于数字经济对农业减污降碳协同效应的研究已奠定了良好的基础，但仍存在较多的研究空间。以往多数研究仍集中于数字经济对农业碳减排或减少污染的单向影响，对数字经济和减污降碳协同效应之间的关系及其驱动机制缺乏系统性分析。因此，本文构建农业减污降碳协同效应测度体系，采用双向固定效应模型实证检验数字经济对该协同效应的总体影响，并引入农业产业结构升级与农机技术进步两个中介变量探讨其作用机制。进一步从粮食生产功能区与经济发展水平两个维度识别区域异质性效应，力图为推动农业绿色发展与经济高质量发展提供理论依据与政策建议。

1理论分析框架

1.1数字经济对农业减污降碳协同效应的影响机制

数字经济通过“技术赋能”与“流程优化”两条路径，有效推动农业生产体系向低碳、高效和可持续方向转型，进而显著增强减污降碳协同效应。在技术赋能方面，数字经济强化了农业的信息感知与智能决策能力，推动农业系统从“粗放经验式管理”向“精准数据驱动”转型。一方面，农业物联网、遥感监测和智能传感网络等底层基础设施的广泛部署，使得农田土壤墒情、气象变化和污染源分布等关键指标可实现全天候、全流程采集［24，26，27］。另一方面，基于云计算和人工智能构建的分析平台，能够对多源数据进行实时处理，为播种、灌溉和施肥等生产活动提供科学决策建议，从而显著提升农业资源利用效率，减少过量投入导致的环境污染与温室气体排放。在流程优化方面，数字经济通过重塑农业产品的流通路径与运作效率，降低了非生产环节的资源浪费与碳排强度。一方面，数字孪生技术使得农业管理者能够对不同气候条件和作物生长周期进行仿真预测，从而预先规避高污染、高能耗的作业方式［28］；另一方面，借助区块链和智能物流系统，农产品流通过程的追溯性、透明度与运输效率大幅提升，运输路线得以最优化配置，减少了能源消耗与冷链物流中的隐性碳排放风险［25］。这些技术手段协同作用于农业价值链的“前-中-后”各环节，在提升效率的同时，实现污染与碳排放的同步控制。基于上述机制，本文提出研究假设H1：数字化转型对农业减污降碳协同效应具有显著正向影响。

1.2数字经济影响农业减污降碳协同效应的间接机制

1.2.1农业产业结构升级

数字经济通过数据要素和智能技术对农业全链条的深度嵌入，正在持续推动农业产业结构由“初级生产主导”向“服务主导”转型［29］，从而增强农业减污降碳协同效应［30］。这一过程本质上体现为农业服务化，即农林牧渔生产中，育种、农机作业、初加工和销售等环节通过专业化服务替代农户自营，带来要素配置效率和环境治理效率的双重提升。首先，数字平台实现了信息要素与土地、劳力和资本等传统生产要素的高效对接［31］，使农业服务组织能够精准响应农户需求，显著减少资源错配与由此带来的环境外部性问题。其次，随着农业服务业的发展，诸如精准施肥、病虫害监控和低碳初加工等环节得以标准化和智能化外包，避免了农户重复作业和非理性投入，降低面源污染与碳排放风险［32］。最后，服务环节的专业化与集约化运作为环保规范的统一执行提供了技术与制度基础，强化了农业全过程的污染物控制与碳排放治理能力［33］。因此，农业产业向服务主导产业转型不仅提升了农业系统的运行效率，也在源头和流程上实现了污染物减排与碳排控制的协同提升，成为数字经济驱动下的重要“绿色中介”。考虑到农业产业结构升级对减污降碳效应的促进具有一定的滞后性，本文在机制检验中选取农业产业结构升级指标的滞后一期作为代理变量。基于上述机制，本文提出研究假设H2：数字经济通过推动农业产业结构升级促进农业减污降碳协同效应（图1）。

1.2.2农机技术进步

数字经济通过技术要素的深度嵌入与产业链整合，推动农机装备智能化和精准化升级，从而显著增强农业减污降碳的协同效应［34，35］。首先，随着物联网、卫星定位和人工智能等技术在农业装备中的广泛应用，传统农机逐步升级为具备感知、识别、判断与决策能力的智能农机系统。这种转变不仅提高了作业效率，还实现了对环境变量的动态适应与自动调控［36］。其次，通过精准定位和智能分析等技术革新，智能农机实现了作业参数的实时调整与环境条件的精确匹配，有效提高了作业效率和能源利用率。最后，农机技术革新通过精准播种、按需施肥等新技术应用，产生了明显的环保综合效益，降低了农业生产单位产出的碳强度与污染强度［37，38］。因此，农机技术的升级不仅是农业技术进步的重要体现，更是实现减污降碳协同效应的关键路径。基于上述分析，本文提出以下研究假设H3：数字经济通过促进农机技术进步实现农业减污降碳协同效应（图1）。

2材料与方法

2.1模型设定

2.1.1基准计量模式设定

基于上述理论机制分析，为了实证检验数字经济对农业减污降碳协同效应的影响以及验证各间接影响路径。构建如下回归模型：

式中，D_it表示被解释变量，为农业减污降碳协同效应；Digital表示解释变量，为数字经济发展水平；Controls表示控制变量；α₀表示常数项；α₁和α₂表示待估系数；μ_i表示随机扰动项；λ_t表示省份固定效应；ε_it表示时间固定效应，i表示省份、t表示年份，下同。

2.1.2机制模型设定

借鉴江艇等［39］对于机制效应检验方法的研究，对于数字经济影响农业减污降碳协同效应的机制进行实证检验。构建如下机制模型：

式中，M_it表示机制变量，包括农业产业结构升级（Aisu）和农机技术进步（Amtp）。

2.1.3Kernel密度估计

Kernel是一种重要的非参数统计方法，主要用于估计随机变量的概率密度函数。其在经济学中被广泛应用于分析数据分布和描述非参数统计特性，特别是在研究数据分布形态或区域间差异时具有重要价值。随机变量X的密度函数进行估算，如式（3）。本文选择高斯核函数对农业减污降碳协同效应耦合协调度的动态演练，如式（4）所示，以更直观地揭示观察区域间减污降碳协同效应协调度的分布形态。

2.2变量说明

2.2.1被解释变量和解释变量

模型中的解释变量、被解释变量及控制变量选取，紧密围绕理论机制中的关键因素。

被解释变量：农业减污降碳协同效应。本文借鉴朱洋洋等［15］的做法，由于CO₂排放与污染物排放具有“同根同源”的特征，这种内在关联性决定了减污降碳协同效应是系统协调的必然产物。构建农业减污降碳协同效应模型：

式中，C表示农业碳排放和面源污染的耦合度，其取值范围为[0，1]，为进一步分析减污降碳协同效应的协调发展程度，将构建耦合协调度模型如下：

式中，T表示2个系统的综合协调指数，α₁和α₂分别表示2个系统的权重，由于本研究认为2个系统都同等重要，故令α₁=α₂=1/2。其中D越接近0，说明减污降碳协同效应的协同性越差，反之，则减污降碳协同效应的协同性越优。

为支撑上述模型测算，本文从碳排放与面源污染两个维度构建了指标体系，系统覆盖种植业与畜牧业的主要排放源。在碳排放方面涵盖：农用物资投入如化肥、农药和地膜的使用，农业能源消耗如柴油使用量，以及农业活动过程中的翻耕、灌溉和水稻种植产生的甲烷排放，畜禽养殖过程中的甲烷与氧化亚氮排放，共计5个核算单元；在面源污染方面，指标体系包括化肥残留引发的污染、农作物生产所产生的固体废弃物，以及畜禽养殖过程中的粪污排放等在内的12个核算单元。相关指标的选取依据IPCC指南、国内权威研究成果及行业标准，确保测度方法的科学性与数据的可比性，具体见表1。

解释变量：数字经济发展水平。本文借鉴彭晖等［43］和金绍荣等［44］做法，将数字经济划分为3个相互关联的维度：农村数字基础设施、农业数字发展和农民数字素养。农村数字基础设施为农业生产、管理和管理提供了网络和通信等硬件支撑，提高了农民的数字化素质；农业数字发展是对农业生产与工业发展进程的直接影响，反映了数字化技术在农业领域中的实践成效；而农民数字素养又直接影响到农村数字化技术的普及与应用程度。如表2所示，该指标体系共包含3个一级指标和14个二级指标，采用熵值法对各个指标的权重进行客观赋权。熵值法的优势在于能够根据指标数据的变化程度自动确定权重，避免主观因素干扰，消除了人为的影响，使评估结果更加客观和科学。

2.2.2机制变量

（1）农业产业结构升级（Aisu）借鉴曹菲等［45］研究，以农林牧渔专业及辅助性活动产值占农林牧渔业总产值的比例来衡量，并作为农业产业结构优化的代理变量。该值越大，说明农林牧渔服务业占比越大，农业内部的服务业水平越高，即农业产业结构水平越趋于高级化。

（2）农机技术进步（Amtp）借鉴田云等［46］以每kW·h农业机械动力的农业科研投入存量进行表征，其中农业科研投入存量的计算方式参照陈斌开等［47］的方法。

2.2.3控制变量

①环境规制强度（Eri），借鉴田云等［48］做法，采用环境污染治理投资额占地区生产总值比例。②城镇化水平（Ur），借鉴魏梦升等［49］做法，采用城镇人口占地区总人口的比例。③涉农支出强度（Afei），借鉴杨广勇［50］的做法采用涉农支出金额占地方一般公共预算支出的比例计算。④农作物受灾强度（Cdi），借鉴Zhang［51］做法，农业受灾面积占农作物总播种面积的比例。⑤财政压力指数（Fsi），借鉴王淑贺等［52］做法，用财政预算支出占财政预算收入的比例来衡量。⑥地区产业结构（Pis），借鉴刘爽等［13］做法，采用第一产业增加值占地区生产总值的比例表示。

2.3数据来源与描述性统计

本文选择的样本数据主要为2013-2022年的省级面板数据，其中，中国西藏和港澳台地区由于数据暂缺被剔除。数据主要来源于《中国统计年鉴》《中国能源统计年鉴》《中国农村统计年鉴》《中国环境统计年鉴》《中国畜牧业年鉴》、国家统计局、北京大学数字金融研究中心和中国互联网络信息中心等。其中农业生产总值的统计口径为农林牧渔业，对个别缺失数据采用插值法予以补齐。表3报告了本文主要变量的描述性统计特征。

3结果与讨论

3.1特征事实

3.1.1数字经济发展水平时空演变特征

本研究以2013年、2018年和2022年的3个重要年份为观测节点，分析30个省份数字经济的时空演变规律。图2清晰呈现了不同区域的发展差异。2013年，我国数字经济发展呈现明显的“东部快、西部慢”的区域差距。东部沿海的长三角、珠三角和京津冀地区依靠政策扶持，最早形成了数字经济优势区域。中部地区中，湖北、四川等省发展较快，而河南、安徽等传统农业大省则刚开始接触数字化发展。西部地区因地理位置偏远，整体发展相对落后，区域间不平衡问题突出。2018年，数字经济发展格局发生新变化，更多省份进入快速发展阶段。部分中等发展水平的省份通过加强农村网络建设、改善网络环境、发展电子商务等措施取得显著进步。但区域间发展差异依然存在，先进省份在数字产业创新、技术应用深度等方面优势更加明显。2022年，30个省份数字经济总体上呈现出良好的发展趋势，较发达省份数量进一步增多，地区间的差距也在逐步缩小。

3.1.2农业减污降碳协同效应时空演变特征

基于2013-2022年3个关键年份的时序分析，我国农业减污降碳协同效应整体呈现出稳步提升态势，但区域差异仍较为明显。如图3所示。2013年，农业减污降碳协同效应呈现典型的“东高西低”区域分布。北京和上海等经济发达地区因农业技术先进、环境治理经验丰富，较早建立了协同机制。相比之下，中西部省份则受制于传统粗放型农业生产方式，整体协同效应较弱。2018年，在政策驱动和技术创新的双重推动下，区域格局开始出现变化。一方面，如河北和辽宁通过优化生产方式取得进展；另一方面，东部沿海地区持续深化农业现代化改革，协同水平进一步提升。但湖南和安徽等中部省份因技术应用滞后和产业转型缓慢，在减排增效方面仍面临较大困难。2022年，全国农业减污降碳协同效应工作取得新进展。东部沿海地区继续保持领先优势，山东和江苏等省份依托数字农业和绿色技术，保持领先态势。但中西部地区如湖南和四川仍面临地形复杂、机械化受限和环境治理压力大等挑战，协同效应提升缓慢，区域发展不均问题依然存在。

3.1.3Kernel密度估计

由于传统空间分析方法难以全面反映农业碳排放和面源污染的耦合协同效应的地区绝对差异及其动态演进。因此，本文使用Kernel密度估计分析评价两者之间耦合协同效应的分布动态及其演进过程。如图4所示，2013-2022年间，农业减污降碳协同效应的核密度估计曲线呈现逐步提升趋势。从不同时期和密度曲线的分布位置来看，其中心点逐渐右移，表明全国整体的农业减污降碳协同效应正在逐年提升。与此同时，曲线宽度逐渐收窄，反映各省份间耦合协调度的地区差异逐步缩小，呈现“俱乐部收敛”特征。尽管核密度曲线在部分年份呈现轻微的“右拖尾”现象，但随着时间的推移，特别是2016年之后，曲线的波峰高度明显提升且分布区间缩窄，这说明各省份耦合协调度的发展逐步趋于均衡。整体而言，2013-2022年三者的耦合协调度经历了“逐步提升-区域差异收敛”的演进过程，反映出减污降碳协同效应的显著进步。

3.2基准回归分析

方差膨胀因子检验结果显示，所有自变量的VIF值均处于可接受范围（最大值为2.81），排除了多重共线性的干扰。其次，通过LM检验（统计量760.10）、F检验（13.69）和Hausman检验（52.02）的显著性结果（P值均小于1%），确定采用时间和个体的双固定效应模型更为合适。为增强研究结论的可信度，本文采用逐步回归法构建基准模型。具体而言：表4列（1）仅考察数字经济核心变量的作用；列（2）加入环境规制强度和城镇化水平两个控制变量；列（3）进一步纳入涉农支出强度和农作物受灾强度；列（4）的完整模型还包含了财政压力指数和地区产业结构等控制变量。实证分析结果显示，数字经济对农业减污降碳协同效应具有显著的促进作用。随着模型逐步纳入各类控制变量，回归结果呈现两个重要特征：其一，模型拟合优度持续改善，表明模型设定趋于完善；其二，数字经济变量的回归系数虽然有所减小，但一直保持在1%的显著性水平上。根据列（4）的估计结果，数字经济发展水平每提升1个百分点，将带动农业减污降碳协同效应提高0.422个百分点。由此，假设1得以验证。

3.3内生性检验

3.3.1滞后一期

参考田云等［46］做法，将数字经济发展水平滞后一期纳入模型进行回归，表5列（1）的检验结果显示：滞后一期的数字经济变量回归系数仍在1%水平上正向显著。这一结果不仅证实了数字经济对农业减污降碳协同效应的提升作用具有持续性，更重要的是表明基准回归结果不受即时双向因果关系的干扰，有效缓解了模型可能存在的内生性问题。

3.3.2外生政策冲击

为排除外部政策变化对分析结果的干扰，本研究参考王淑贺等［52］做法，在基准模型中引入数字经济政策虚拟变量进行稳健性检验。具体而言，如果某省份在某年度实施数字经济相关政策时，该变量取值为1，否则为0。表5列（2）结果显示，在排除政策因素干扰后，数字经济对农业减污降碳协同效应的促进作用仍然非常显著，这一结论进一步证实了基准回归结论的可靠性。

3.3.3工具变量法

为进一步解决遗漏变量和反向因果问题，本文借鉴黄群慧等［53］和赵涛等［54］做法，选取1984年各省份每百人固定电话数量作为工具变量，并将其与滞后一期的全国信息技术服务收入构建交互项，形成面板工具变量。历史通信基础设施水平与当前数字经济相关，但通过滞后项与全国信息技术收入的交互项控制时间趋势，满足外生性要求。相关结果如表5列（3），可以发现，工具变量与核心解释变量显著相关，满足相关性条件。此外，KP-LM检验和C-D Wald F检验结果显示工具变量不存在识别不足和弱识别问题。在控制内生性后，数字经济对农业减污降碳协同效应的促进作用仍然显著，这一结果与基准回归保持一致，证实了研究结论的稳健性。

3.4稳健性检验

3.4.1更换标准误聚差

参考Cameron等［55］和金刚等［56］研究，尽管固定效应模型能够控制个体和时间层面的不可观测异质性，但仍需采用聚类稳健标准误以解决组内相关性问题。为此，本文在控制省份和年份双向固定效应的基础上，进一步将标准误聚类至省份层面［56］。如表6列（1）所示，核心变量的系数方向与显著性水平均与基准回归结果保持一致，表明结论对标准误设定具有稳健性。

3.4.2剔除直辖市

参考王淑贺等［52］的处理方法，考虑到直辖市（北京、天津、上海和重庆）在经济发展水平和政策执行力度等方面存在特殊性，可能对估计结果产生干扰。本文通过剔除直辖市样本后重新估计列（1），结果如表6列（2）所示。核心变量的估计系数虽略有变化，但统计显著性和作用方向未发生实质性改变，进一步验证了基准结论的可靠性。

3.4.3极端值缩尾处理

为避免极端值对回归结果的潜在影响，参考郭沛等［57］的研究设计，本文对数字经济与农业减污降碳协同效应、协同效率变量进行上下1%的缩尾处理。由表6列（3）可见，经过缩尾调整后，核心解释变量的系数大小与显著性水平均与基准回归高度一致，表明研究结论不受异常值的驱动。

3.4.4结构性处理

鉴于农业减污降碳协同效应是通过农业碳排放（D2）与农业污染排放（D3）的负向标准化处理构建的复合指标［58］，本文进一步将其拆解为单一维度进行验证。如表6列（4）、（5）所示，当分别以D2和D3作为被解释变量时，数字经济的关键系数仍在1%水平上显著为负，且效应方向与基准回归完全一致.这一结果从指标构建维度证实了研究结论的稳健性。

3.5影响机制检验

基于前文理论分析，本文提出数字经济可能通过农业产业结构升级（Aisu）和农机技术进步（Amtp）两条渠道促进农业减污降碳协同效应。为验证上述机制，进行如下作用机制检验。

首先，在表7列（1）中，数字经济对Aisu的回归系数为0.058，在1%水平上显著为正，表明数字经济的发展显著提升了农业服务业在农业总产值中的比例。考虑到农业服务体系的建设具有一定时间滞后，本文在机制检验中采用了该变量的滞后一期值。Sobel检验和Bootstrap检验的结果也显著为正，置信区间不包含0，支持机制效应的存在。从实际含义来看，农业“服务化”转型推动农业生产向高附加值、低环境负荷方向演化，通过专业化分工减少资源浪费和排放，实现结构性协同效应。假设H2得到验证。

其次，在表7列（2）中，数字经济对Amtp的回归系数为1.982，同样在1%水平上显著为正。Sobel检验值为0.183，Bootstrap置信区间不包含0且显著，说明农机技术进步在数字经济与农业减污降碳协同效应之间发挥了显著机制作用。具体而言，智能农机装备的推广提高了资源利用效率，减少了能源与农药等投入品的浪费，从而增强了协同减排的技术支撑。假设H3也得到验证。

3.6异质性分析

3.6.1粮食生产功能异质性

本研究根据农业经济发展特点，将样本省份分为粮食主产区、主销区和产销平衡区这3类区域，并采用分区域对比方法，探究数字经济对农业减污降碳协同效应协同作用的空间差异。由表8可知，数字经济在三大区域均表现出显著正向影响，但效应强度呈现阶梯式差异：粮食主产区促进作用最为突出，产销平衡区次之，粮食主销区相对有限。

这种异质性反映的是不同区域在农业生产功能定位上的根本差异。粮食主产区承担着国家粮食安全的主要保障任务，农业资源禀赋强、耕地集中度高，具备推广智能农机、精准灌溉和土壤监测等数字农业技术的天然优势。数字技术与规模化生产的深度融合，有效提升了生产效率，并通过精细化管理实现了污染与碳排的协同控制［59］；相比之下，主销区由于农业基础相对薄弱，更多依赖于流通与消费环节，其农业数字化发展以“消费端创新”为主导。例如，通过发展生鲜电商、冷链物流等技术手段优化农业供应链管理，在降低产品损耗和流通环节碳排放方面发挥了积极作用［60］。但由于生产环节参与度低，其协同效应相对较弱。产销平衡区则兼具一定的生产与消费功能，其数字经济效应介于两者之间。

3.6.2经济发展水平异质性

本研究基于区域经济发展水平差异，通过人均GDP中位数将样本划分为经济发达地区和欠发达地区［61］，考察数字经济对农业减污降碳协同效应影响的异质性特征。如表9所示，数字经济在两类地区均产生显著正向效应，但作用强度存在梯度差异。

该差异本质上缘于发展基础与制度环境的系统性分化。经济发达地区在数字基础设施、技术创新能力与制度保障等方面更具优势，形成了良性的“技术-制度-市场”联动机制［62］。例如，完善的土地流转市场降低了农业数字化的制度摩擦，高度发达的数字金融为农业技术创新提供了有力支撑，使数字经济能够全流程嵌入农业生产体系，发挥系统性减排协同效应。相比之下，欠发达地区则面临技术扩散缓慢、基础设施薄弱、制度环境不完善等制约。但这些地区也展现出独特的发展路径：一是以轻量化、适配性强的数字工具实现低成本渗透；二是依托政策引导推进能力建设；三是借助技术扩散机制快速复制成熟模式。尽管受制于发展阶段差异，其影响系数相对较小，但这种因地制宜的发展模式同样取得了显著成效。

4建议

（1）缩小数字鸿沟，推动各地均衡发展。当前中西部数字基础设施仍存在短板，制约了农业数字化的绿色潜力。应加快推进5G网络、农业物联网节点和信息平台建设，扩大数字公共产品覆盖。鼓励通过财政补贴、PPP模式等加大对欠发达地区数字转型的投入。针对小农户数字素养偏低问题，应加强基层培训和在线教学，降低技术使用门槛，增强农业主体数字应用能力，为协同减排提供基础支撑。

（2）优化农业产业结构，强化低碳导向。充分发挥数字经济对农业结构调整的赋能作用，加快由资源密集型向知识与服务密集型结构转型。鼓励发展农业专业化服务、农村电商、农产品精深加工等新型业态，延伸产业链条，提升农业全要素生产率。政府应加大对高附加值、低污染农产品的品牌扶持力度，推广精准施肥、绿色防控等低碳技术，减少农业投入品使用，实现农业面源污染控制与碳减排协同共赢。同时，引导农业经营主体从“重产量”向“重质量、轻碳足迹”转变，推动形成绿色导向的农业结构体系。

（3）加快智能农机与绿色技术推广。提升农机智能化水平对减污降碳至关重要。应加快制定绿色农机准入标准与碳绩效认证体系，纳入绿色金融与碳市场激励政策。鼓励龙头企业与科研机构联合攻关，推动节能、低排放农机设备的研发和推广。通过设立“数字农机试点区”等平台，扩大智能农机在主产区的集成应用，增强基层绿色生产能力。

（4）实施差异化区域治理策略。针对不同区域的发展特征，因地制宜制定政策：在粮食主产区，强化数字监测技术与规模化种植的结合，优化资源利用效率，最大化污染与碳协同减排效应；在粮食消费区，推动电商平台与绿色供应链深度融合，降低农产品流通环节碳排放；在经济欠发达地区，优先推广轻量化和可扩展的数字工具，利用数字公共品提升污染治理效能。通过分类施策，构建多维度和可持续的农业减污降碳协同效应实施路径。

5结论

（1）全国数字经济与农业减污降碳协同效应的时空耦合关系整体稳步提升，但区域差异依然存在。东部地区在数字基础设施建设和农业数字化应用方面表现更为突出，中西部地区相对滞后，整体呈现出“东高西低、逐步收敛”的演进格局。

（2）数字经济显著促进农业减污降碳协同效应，结论在多种稳健性与内生性检验下均保持稳固。包括滞后工具变量法、外生政策干预与误差聚类等多维验证，均显示数字经济与农业协同减排之间存在显著正向因果关系。

（3）机制分析结果表明，数字经济通过推动农业产业结构优化与智能农机技术进步，增强了农业系统在减污与降碳过程中的协同效应。

（4）异质性检验结果进一步指出，数字经济对农业减污降碳协同效应的影响在不同区域表现出明显分化。在粮食主产区和经济发达地区，数字技术渗透深度与农业基础条件较好，其促进效应更为显著。