农业农村数字化降低农业碳排放强度的理论逻辑如下：

首先，农业农村数字化能够促进农业经济的发展。第一，农业农村数字化能够提高农业生产效率，减少资源浪费和劳动成本，通过增加产出促进了农业经济的增长。第二，农业农村数字化拓展了农产品销售渠道，通过电子商务和数字化营销平台将农产品推向更广泛的市场，提升了农产品的市场份额和销售额，促进农业经济的发展。

其次，农业农村数字化能够减少农业碳排放总量。农业农村数字化通过调整生产要素投入比例和提升生产要素的使用效率两条路径来实现农业减碳效果^[12]。第一，数字技术的应用使得农业生产更为精准和绿色，通过调整施肥、灌溉等生产要素投入比例，减少农业碳排放。例如精准农业能够对农资、农作实施精确控制，实现物资投入的最大节约，减少农业活动带来的碳排放问题。第二，数字技术能够促进农业生产要素的循环利用，提升生产要素的使用效率，实现碳减排目的。例如数字技术能够将农业废弃物转化为能源或有机肥料，实现农业废弃物的资源化处理，实现生产要素的高效利用，为农业碳减排目标的实现提供重要支持。由此，提出假设：

H₁：农业农村数字化能显著降低农业碳排放强度。

农业农村数字化作用的发挥有赖于农业生产经营者的数字素养，而农业生产经营者的数字素养的高低取决于农村人力资本水平的高低^[13]。当农村人力资本水平较低时，农业生产经营者的数字素养往往较低，缺乏对农村数字资源和数字技术的应用能力，无法充分和有效地利用数字资源和现代农业技术，农业农村数字化发挥作用的空间较小，无法最大程度地降低碳排放强度。此外，低人力资本水平下的农村可能继续采用传统的耕种方式^[14]，如粗放式农业管理和常规的农业生产，这些方法通常对数字技术的采用程度较低，农业农村数字化的农业碳减排效果受到限制。而随着农村人力资本水平提高，农业生产经营者能够有效使用数字设备和数字化技术，可以有效提高农业生产的效率和精准度，减少对化肥和农药的依赖，从而降低农业碳排放强度。此外，高人力资本水平的农业生产经营者能有机会利用直播、电商等数字化方式来拓宽农产品的销售渠道，提高农产品的经济效益。由此，提出以下假设：

H₂：农村人力资本水平的提升有利于增强农业农村数字化对农业碳排放强度的抑制作用。

政策环境支持对农业农村数字化至关重要，农业农村数字化对农业碳排放强度的影响会因环境规制水平的不同而产生不同结果。当环境规制水平较低时，农业生产往往缺乏对碳排放的监管和限制，没有政策支持和约束的农业生产经营者往往更倾向于继续使用传统的农业方式，对数字技术的接受程度较低，限制了数字技术的应用，农业农村数字化对农业碳排放的抑制作用较弱。当环境规制水平较高时，政策和法规限制也更加严格，如采取限制化肥和农药的使用等环保措施，农业生产经营者和农业企业更愿意寻求更加环保和绿色的生产方式以规避政策的处罚^[15]，农业农村数字化所带来的技术和管理优势能够帮助农业生产经营者和农业企业更好地适应这些规制，数字技术能够得到更好的利用，因此可以更好地降低农业碳排放强度。由此，提出如下假设：

H₃：环境规制水平的提升有利于增强农业农村数字化对农业碳排放强度的抑制作用。

被解释变量为农业碳排放强度。本研究主要以狭义农业(种植业)生产过程中所产生的碳排放为研究对象。借鉴文献[16]的研究成果，从化肥、农药、农膜、柴油、翻耕和农业灌溉6个方面对农业碳排放总量进行测算。农业碳排放总量估算公式如(1)式所示：

其中：E为农业生产过程中所产生的碳排放总量，等于各种碳源的碳排放量总和；E_i为各种碳源的碳排放量，T_i为各个农业投入要素的数量，δ_i为各碳源的碳排放系数。各类碳源碳排放系数如表 1所示。

相比农业碳排放总量，农业碳排放强度考虑了各地区的经济规模，更具有可比性^[11]。参照文献[11]的做法，将各省农业碳排放总量除以各省农业总产值，得到各省农业碳排放强度，如(2)式所示：

其中：Lntensity为各省农业碳排放强度，E为各省农业碳排放总量，AGDP为各省农业总产值。

核心解释变量为农业农村数字化水平指标。参考文献[19-20]的研究，从多个维度构建农业农村数字化水平指标体系，并借鉴文献[21]的研究，运用客观组合赋权法进行权重赋值。

目前学术界对农业农村数字化这一概念尚未形成统一定义。在国内研究中，对农业农村数字化的表述还常见诸如数字乡村、数字农业、农业数字化转型、农村数字经济等不同表述，其表达内涵大致相同^[22]。本研究认为农业农村数字化是指利用现代信息技术，将数字技术与农业生产、农村生活等方面融合，实现农业生产过程的智能化、自动化，农村生活的便捷化、智能化的过程^[23]。

农业农村数字化是一个多因素、多维度、综合性的任务，难以用单一指标来衡量。参考文献[19-20]的研究，从数字基础设施建设、农业数字化和农村数字服务水平3个维度构建农业农村数字化指标体系，选取了农村宽带接入户数、农业气象观测站数量等17个指标。具体指标设定和数据来源如表 2所示。其中，农产品网络销售额用实物商品网上零售额来衡量^[24]；农村数字普惠金融指数用北京大学数字普惠金融指数中不同县域指数的均值来衡量^[20]；农村居民家庭全年用智能设备、软件等各类生活化数字产品和服务应用的消费支出占比则是用农村恩格尔系数来衡量^[25]。

在权重赋值方法方面，CRITIC赋权法未能考虑数据的离散性，而熵值法能够有效地反映数据的离散程度，将两种赋权法组合能够有效弥补彼此的短板^[21]。因此，本研究参考文献[21]的研究，采用CRITIC法和熵值法的客观组合赋值法，计算出各省农业农村数字化水平。

为缓解遗漏变量带来的内生性问题，参考文献[26-27]的设定，选取财政支农强度、农业种植结构、耕地集约利用程度、农业化学品投入强度、城乡居民收入差距、交通状况、农业机械化水平作为控制变量。

门槛变量为农村人力资本水平和环境规制水平。本研究采用农村人均受教育年限的对数代表农村人力资本水平，设定小学、初中、高中或中专、大专及以上教育程度的平均受教育年限分别为6年、9年、12年和16年。农村人力资本水平=农村小学教育程度人口所占比例×6+农村初中教育程度人口所占比例×9+农村高中或中专教育程度人口所占比例×12+农村大专及以上教育程度人口所占比例×16。

政府环境规制的手段多样，既包括增加治理工业污染投资额等经济手段，又包含制定环境保护条例、颁布环境保护法规等法律法规手段。使用政府工作报告中与环境相关词汇的出现频数更能全面地反映政府环境治理政策的全貌^[28]。因此，借鉴文献[28]的研究，选取政府工作报告中与环境相关词汇的出现频数的对数作为环境规制水平的代理变量。

为缓解异方差带来的估计结果不准确问题，本研究对所有变量做取对数处理。具体变量定义和衡量指数如表 3所示。

本研究旨在探究农业农村数字化对农业碳排放强度的影响。由于农业生产中的要素投入具有路径依赖特性，如化肥、农药、农膜等要素的使用具有刚性，农业生产经营者习惯性地使用这些要素，形成一种固定的生产方式，难以轻易改变。这种路径依赖会导致农业生产中碳排放具有较强的时间延续性^[29]，本期的农业碳排放强度往往受到上一期农业碳排放强度的影响。为解决遗漏变量导致的内生性问题，参考文献[30]的设定，构建如下动态面板模型：

其中：i表示地区，t表示年份，lnintensity_it为被解释变量农业碳排放强度，lnintensity_i(t-1)为农业碳排放强度的滞后一期，lndigital_it表示农业农村数字化水平，lncontrol_it为控制变量，μ_i为省份固定效应，γ_t为时间固定效应，ε_it为随机扰动项。β_j为各变量的回归系数。

目前国内关于门槛效应的检验大多基于Hansen于1999年提出的门槛效应面板估计模型，但Hansen提出的面板门槛模型是为非动态面板所设计的，且其固定效应要求协变量是严格外生变量，否则会形成有偏估计。而在实际运用中协变量严格的外生性往往很难实现。

在此基础上，文献[31]运用文献[32]提出的正向正交偏差变换，将文献[33]的横截面门槛模型的工具变量估计方法与文献[34]的面板门槛模型结合起来，构建了动态面板门槛模型。在动态面板门槛模型中，解释变量的内生性问题将得到解决。

为了验证假设H₂和H₃，构建如下动态面板门槛模型：

其中：lnhuman_it表示农村人力资本水平，lnenvironment_it表示环境规制水平，q表示具体门槛值；I(·)为指示函数，当括号中的条件满足时，该函数的值取1，否则取0。其余变量符号与(3)式保持一致。

相关数据来源于相应年份的《中国统计年鉴》《中国农村统计年鉴》《中国农业年鉴》以及国家统计局和相关研究报告等。各变量的描述性结果如表 4所示。

由于模型中存在被解释变量的滞后一期，仅使用OLS方法会导致偏误和不一致的估计结果^[30]，即使组内估计量(FE)也是不一致的。因此，本研究采用系统GMM方法进行估计，该方法在动态面板模型中被广泛使用。具体回归结果如表 5所示。由表 5可知，普通最小二乘回归与双向固定效应回归结果调整后的R²均大于0.9，说明模型整体的拟合优度较好。差分GMM方法和系统GMM方法的AR(1)p值分别为0.010和0.004，均小于0.1，AR(2)p值分别为0.454和0.334，均大于0.1，表明模型中的扰动项ε_it不存在高阶自相关问题。Sargan检验值分别为0.613和0.360，均大于0.1，说明工具变量不存在过度识别的问题，工具变量的选择是有效的。并且系统GMM方法对被解释变量滞后一期的估计系数介于OLS估计结果和FE估计结果之间，表明系统GMM方法的估计结果是有效的。总体来说，系统GMM估计方法通过前提条件的检验，模型选择合适，本研究重点关注系统GMM方法表 5(4)列的估计结果。

系统GMM方法估计结果表明，农业碳排放强度的一阶滞后项在p=0.01的显著性水平上为正，表明农业碳排放强度具有明显的时间持续性与路径依赖性，会受上一期农业碳排放强度的影响。农业农村数字化水平的回归系数为-0.382，且在p=0.01的水平有统计学意义，充分印证了农业农村数字化的农业碳减排效应，假设H₁成立。就控制变量而言，耕地集约利用程度对农业碳排放强度产生的正向影响有统计学意义，财政支农强度对农业碳排放强度产生的负向影响有统计学意义。

考虑到不同学者对农业碳排放总量的测算方式不同，借鉴文献[35]的方法重新测算农业碳排放总量，回归结果如表 6的(1)列所示，可以看出，农业农村数字化水平对农业碳排放强度的负向影响有统计学意义。

考虑到直辖市城市直接受中央政府管辖，其政治、经济和文化等方面具有明显优势^[36]。为了缓解这一制度因素对回归结果的影响，剔除直辖市城市(北京、天津、上海和重庆)的样本，使用剩余的样本进行回归。由表 6(2)列可以看到，农业农村数字化水平的回归系数值仍然在p=0.01的置信水平上为负，表明假设H₁仍然成立。

中国农业碳排放总量在2015年达到最大值，2015年也成为农业碳排放总量由增长转为下降的转折点^[37]。可能的原因是2015年中国共产党第十八届中央委员会第五次全体会议通过了《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》，强调坚持绿色发展，着力改善生态环境。因此，为排除政策因素对农业碳排放强度的影响，在基准回归中加入政策的虚拟变量并再次进行回归，回归结果如表 6(3)列所示，可以看出，农业农村数字化对农业碳排放的抑制作用有统计学意义。

不同地理区域农业发展的要素禀赋和发展基础存在较大差异，这可能会造成农业农村数字化对农业碳排放强度影响的差异。为此，根据《中国数字乡村发展报告(2022年)》的划分标准，将中国31个省份(除港澳台外)中11个划分为东部地区，8个划分为中部地区，12个划分为西部地区分别进行回归，回归结果如表 7的(1)列至(3)列所示。在西部地区，农业农村数字化水平对农业碳排放强度的回归系数在p=0.01水平上有统计学意义，而在中东部地区该影响无统计学意义。可能的原因是，西部地区农业生产的粗放特征明显，机械化率和资源利用率较低，数字化技术的引入能够明显改善传统生产模式，产生明显的边际改进效应。相比之下，中东部地区农业现代化水平较高，技术体系相对成熟，数字化改造面临技术锁定效应和较高的边际减排成本，其减排潜力相对有限。

不同粮食生产功能区在农业生产结构、农业生产方式等方面有其不同特点，农业农村数字化对农业碳排放强度的影响在不同的粮食生产功能区可能并不相同。为此，分别检验粮食主产区和非粮食主产区的农业农村数字化对农业碳排放强度产生影响的差异，回归结果如表 8所示。表 8(1)列和(2)列表明，在非粮食主产区，农业农村数字化对农业碳排放强度的负向影响有统计学意义，而在粮食主产区该影响无统计学意义。可能的原因是，在粮食主产区，农业生产更专注于种植大面积的单一作物从而导致土壤退化等问题，农业农村数字化对减少碳排放的作用较小；在非粮食主产区更多地种植蔬菜、水果等多样化的农产品，土地利用和管理方式更灵活，农业农村数字化发挥减少碳排放的作用更大。

2015年成为农业碳排放总量由增转降的转折点。2015年前后，中国农业碳排放的情况明显不同，农业农村数字化对农业碳排放强度的影响在不同时间范围内也表现出异质性。按2011-2015年和2016-2022年两个阶段对样本进行回归，回归结果如表 8的(3)-(4)列所示。回归结果表明，在第一阶段农业农村数字化对农业碳排放强度的影响无统计学意义，而在第二阶段其负向影响有统计学意义。可能的原因是，自2015年起，中国加大了对环境保护的重视程度，在绿色发展的背景下，中国农业产业也经历了从传统生产向现代化、智能化生产的转变。农业农村数字化促使农业生产方式更加智能、高效，减少了对碳源的消耗，从而对农业碳排放强度产生的负向影响有统计学意义。

农业农村数字化作用的发挥不仅依赖于数字基础设施的建设，也受到人的认知水平和数字素养的影响^[38]，同时政府环境规制水平将直接影响农业生产者的行为和决策，进而影响数字技术在农业碳排放管理中的应用和效果。

为检验不同农村人力资本水平和环境规制水平下农业农村数字化对农业碳排放强度的影响效果，运用动态面板门槛回归模型，分别以农村人力资本水平和环境规制水平作为门槛变量，探究农业农村数字化对农业碳排放强度的动态门槛效应。

表 9报告了农村人力资本水平和环境规制水平的门槛值估计结果，门槛值分别为1.966和3.784。表 10(1)列和(2)列分别表示以农村人力资本水平和环境规制水平为门槛变量的动态面板门槛模型回归结果。可以看出，上期农业碳排放强度对本期农业碳排放强度的回归系数分别为0.358和0.289，且均在p=0.01水平上有统计学意义，表明上期农业碳排放强度会明显正向影响本期农业碳排放强度，进一步印证其持续性特点。由表 10(1)列可知，当农村人力资本水平低于门槛值时，农业农村数字化对农业碳排放强度的估计系数为-0.134，且在p=0.01水平上有统计学意义；当农村人力资本水平高于门槛值时，农业农村数字化对农业碳排放强度的负向影响提高到-0.158，且在p=0.01水平上有统计学意义。这表明，随着农村人力资本水平的提高，农业农村数字化对农业碳排放强度的负向影响逐渐加强，H₂成立。同理，随着环境规制水平的上升，农业农村数字化对农业碳排放强度的抑制系数从-0.144提高到-0.161。这说明环境规制水平的提升有利于增强农业农村数字化对农业碳排放强度的负向影响，H₃得到证实。

本研究基于2011-2022年中国31个省份(除港澳台外)的面板数据，利用动态面板模型分析了农业农村数字化对农业碳排放强度的影响，并检验了农村人力资本水平和环境规制水平的动态门槛效应。结论如下：1) 农业农村数字化能显著降低农业碳排放强度；2) 农村人力资本水平和环境规制水平的提升有利于增强农业农村数字化对农业碳排放的抑制作用；3) 农业农村数字化对农业碳排放的抑制作用在西部地区、非粮食主产区和2016-2022年尤为显著。

据此，提出如下建议：

第一，完善农业农村数字化建设的政策体系，实现农业碳减排效果。农业农村数字化建设是乡村振兴的战略方向，也是实现农业碳减排的关键举措。目前中国农业农村数字化建设尚处于早期探索阶段，整体发展水平还不高，政策体系仍不健全。中央政府应加强对农业农村数字化建设的顶层设计，坚持全国一盘棋，制定自上而下的整体规划设计。制定全国性的农业农村数字化建设发展规划，统一各省级层面标准体系和思想共识，统筹协调多部门协同工作，确立完善的政策实施体系，助力农业碳减排目标实现。

第二，提升农村人力资本水平，助推农业农村数字化。农村人力资本水平的提高，有助于增强农业农村数字化的农业碳减排效果。目前中国农村居民的数字素养总体偏低，对数字技术的了解和运用能力不足。应加强农村教育和技能培训，积极举办培训讲座、学习交流活动，建立健全培训机制和资源支持体系，提升农村居民的数字素养和技能水平。同时，鼓励农村人才返乡创业，推进农村居民年轻化、专业化进程，通过年轻人带老年人的方式提升老年人对农业农村数字化的认知程度，着力提高农村人力资本水平。

第三，加大环境规制力度，营造良好外部环境。农业农村数字化作为现代农村发展的新模式，外部环境的好坏直接影响农业农村数字化的农业碳减排效果，环境规制力度是农业农村数字化实现碳减排效果的重要引擎。继续完善环境保护的相关法律法规，制定更加规范统一的农业生产标准；建立健全农业生产的环境监测体系，实现农业碳排放管理的有的放矢；同时建立跨部门的环境保护协调机制，形成合力，共同推动农业碳减排工作。