數字經濟發展水平對農業碳減排的促進效應研究

摘要：在數字經濟時代，推動全產業碳減排是應對全球氣候變化風險的有效舉措，考察數字經濟發展水平對農業碳排放的影響對中國農業實現碳中和具有前瞻性意義。基于中國大陸31個省（區、市）1996—2020年的農業生產面板數據，采用排放系數法測算農業碳排放量，通過環境庫茲涅茨曲線繪制與EKC檢驗來分析農業碳排放達峰趨勢并作空間自相關性分析。利用熵值法測算各省（區、市）2011—2022年數字經濟發展水平，采用空間計量模型、影響機制分析、異質性檢驗來研究數字經濟發展水平對農業碳排放的影響。中國農業碳排放總體上于2014年實現達峰，全局Moran's I指數波動上升，農業碳排放強度變化表現出明顯局部地理空間聚集趨勢，數字經濟發展水平對農業碳排放強度具有平均意義上32.6%的抑制作用。提出發展生態農業和提高農村數字經濟滲透率等政策建議。

關鍵詞：農業碳排放；數字經濟；環境庫茲涅茨曲線模型；空間杜賓模型

中圖分類號：F323；F49文獻標志碼：A

0引言

隨著工業化的推進，溫室氣體排放量與日俱增，全球氣候變暖。中國在聯合國氣候變化峰會上公布“碳達峰”目標，即在2030年前逐步實現碳排放峰值，之后盡快使碳排放量下降。研究碳達峰的文獻從研究主題可分為2類：（1）歷史實際測算：胡婉玲等[1]研究發現全國、東、中、西部的農業碳排放量分別在2015年、2005年、2015年和2016年達到峰值。鄭軍和劉婷[2]測算出全國種植業碳排放量在2015年達峰，劃分出達峰期、平臺期和下降期。曾賢剛等[3]計算出中國種植業和畜牧業將在2015年穩定達峰。（2）未來前瞻預測：于貴瑞等[4]指出碳排放量將在2025年達峰。洪競科等[5]測算出在參考情景下，中國碳排放將在2041年步入平臺期，考慮碳排放約束情景、供給側結構性改革情景，中國將分別在2033年、2029年碳達峰。從研究方法可分為3類：（1）聚類分析：郭芳等[6]

運用聚類分析方法將中國城市達峰趨勢分為低碳潛力型、低碳示范型、人口流失型、資源依賴型和傳統工業轉型期城市；（2）STIRPAT模型：冉錦成等[7]基于STIRPAT模型擬合新疆農業碳排放峰值，得出基準情景和低碳情景下峰值分別出現在2040年和2029年；（3）灰色預測模型：劉楊和劉鴻斌[8]建立灰色預測模型GM（1，1）對山東省2021—2045年的農業碳排放量進行預測，得出其在2020年后下降，在2030年前已達峰；（4）環境庫茲涅茨曲線模型檢驗：顏廷武等[9]對中國農業碳排放時間序列數據進行EKC檢驗，基于此研究拐點變動。通過計算農業碳排放量或情景預測得出碳達峰指標的文獻屢見不鮮，故以科學評估碳達峰目標完成進度為目的，通過繪制環境庫茲涅茨（EKC）曲線來直觀觀測，采用EKC檢驗方法的文獻多基于時間序列數據回歸，因此進行基于面板回歸的EKC檢驗，若EKC曲線為理想形狀即倒U型，且EKC檢驗結果對應倒U型曲線，則說明碳達峰在農業領域的子目標已實現。

在雙碳目標的驅動下，考察數字經濟與農業碳排放的關系可為科學減排降碳提供理論支撐。縱覽研究數字經濟與農業碳排放關系的文獻，從研究結論看，劉震等[10]研究農村數字經濟對農業碳排放的區域異質性和科學技術投入異質性影響，得出碳減排效應在東部、西部和高科學技術投入地區更加顯著；李鑫等[11]利用雙重固定效應和中介效應模型得出數字經濟可以通過提高農業技術創新水平和人力資本水平來抑制農業碳排放。從數據來看，楊琳焱[12]運用SBM-GML模型測算農業碳排放效率，引入基于地理空間矩陣數據的空間杜賓模型驗證數字經濟對農業碳排放效率的作用；陳中偉和湯燦[13]以時空演變視角基于鄰接矩陣數據分析數字經濟對農業碳排放的溢出效應。可以發現，以往文獻多基于鄰接矩陣數據估計空間溢出效應，故在創建鄰接矩陣之外又生成經濟距離矩陣數據，以保證空間估計的穩健性，如果數字經濟與農業碳排放顯著負相關，則應深化數字經濟在農業中的滲透。

1研究設計與數據來源

1.1 EKC曲線模型設定

環境庫茲涅茨曲線（EKC）理論形成以二次、三次多項式為主的多種回歸模型，二次多項式多對應于倒U型EKC曲線，三次多項式涵蓋單調線性圖形、倒U型曲線、N型曲線和倒N型曲線。若三次函數曲線與實際數據有出入或未通過顯著性檢驗，則舍棄三次項，檢驗二次函數。以下簡化版模型用以研究中國農業碳排放強度與農業經濟強度間的關系：

lnPCO2it=β0+β1lnPGDPit+β2（lnPGDPit） +εit（1）

lnPCO2it=β0+β1lnPGDPit+β2（lnPGDPit）2+β（lnPGDP3） +ititε3

（2）

式中：PCO2it為第i省（區、市）第t年的農業碳排放強度；PGDPit為第i省（區、市）第t年的農業經濟強度；εit為隨機誤差干擾項；β0為常數項；β1、β2、β3為待估參數，根據其符號判斷EKC曲線形態（表1）。

1.2空間計量模型設定

作為區域經濟學的重點之一，空間依賴性是指地理物體之間相互關聯，在空間上接近的地理物體關聯程度較高。空間計量模型引入傳統計量經濟學忽略的空間因素，考慮數據非勻質性，考察變量間的空間依賴性與交互效應，空間計量模型將空間依賴性設置成以下3種形式。

空間滯后模型（SAR）含有被解釋變量的空間滯后項，當空間依賴性具有關鍵作用而引致空間相關時使用：

空間誤差模型（SEM）加入空間誤差項的空間滯后項，當誤差項在空間上相關時使用：

lnACEIit=α+β1DEit+β2lnFPIit+β3lnFEPEit

空間杜賓模型（SDM）同時加入被解釋變量和所有解釋變量的空間滯后項與空間誤差項，當本地被解釋變量變化不僅受到本地解釋變量影響，還受鄰地解釋變量影響時使用：

式中：ACEI（農業碳排放強度）為被解釋變量，DE（數字經濟發展水平）為核心解釋變量，FPI（農民人均收入）、FEPE（財政環境保護支出）、BY（處理農業廢棄物沼氣工程的產氣總量）、RP（鄉村人口）為控制變量。

1.3農業碳排放測算

研究從4個維度構建中國農業碳排放量測算指標評價體系，一是農業投入碳排放，涵蓋化肥（氮肥、磷肥、鉀肥和復合肥）、柴油與農藥的碳排放量；二是電力灌溉碳排放；三是養殖業碳排放，涉及牛、豬和羊的碳排放，來自于腸道發酵產生的甲烷排放和排泄物引起的甲烷與氧化亞氮排放；四是農作物碳排放，細分為稻谷、小麥、豆類、玉米、蔬菜和其他農作物的碳排放。田云和尹忞昊[14]的碳排放系數法，將4個維度16類碳源的數量或面積分別與對應的農業碳排放系數（表2）相乘，再對乘積求和即可得到總體農業碳排放量。

式中：C、C（c下標c為碳源種類）分別表示農業碳排放總量與各類具體碳源所引致的碳排放量，Tc、δc分別表示各類指標的數量或面積及與之相應的碳

排放系數。

農業碳排放強度PCO（2ACEI）為農業碳排放量與農作物面積之比，農業經濟強度PGDP表示單位農作物面積上的農業產值。出于縮小數據以減少波動的目的，對這兩個變量取對數，記為：lnPCO2it=ln（PCO2）；lnPGDPit=ln（PGDP）。

1.4數字經濟測算

確定數字經濟發展水平綜合指數需要選擇不同指標并賦予權重，賦權法分為主觀賦權法和客觀賦權法，主觀賦權法主觀判斷指標間相對重要程度并分別賦予相應權重；客觀賦權法根據指標原始信息賦權。為避免主觀賦權不準確，采用客觀賦權法中的熵值法對數字普惠金融指數、農村寬帶接入用戶、電信業務總量、光纜線路長度4個指標進行測算，屬性均為正。作為互聯網發展指標之一的農村寬帶接入用戶越高，說明互聯網用戶規模越大，網絡效應的發揮使數字經濟發展得越好。電信業務總量可以衡量信息化產出水平，電信業務總量越高，則信息化水平越高，對數字經濟發展越有利。光纜線路長度體現信息化基礎設施建設水平，光纜線路越長，說明信息化投入越高，則數字經濟發展的保障性越強。

式（7）為指標同度量化，式（8）為熵權測量，式（9）為信息效用價值計算，式（10）為各指標權重測算[15]。

1.5空間自相關檢驗

制作31個省（區、市）以農業碳排放強度為代表的經濟距離矩陣，測度2個區域在經濟空間的距離，公式如下：

式中：W是權重矩陣，g、g分別代表1996ijij?2020年地區i、j農業碳排放強度的平均值，gi、gj之間的差值越小，Wij越大，說明地區在經濟空間中越相近。

莫蘭指數被用于研究同一區域內變量的數值之間是否具有相互關聯的潛力，公式為：

莫蘭指數

I的取值區間一般為（-1.0，1.0），當I>0時，存在空間正相關性，莫蘭值越大，空間相關性越強；當I<0時，空間呈負相關性，其數值越小，空間差異性越大；當I=0時，不存在空間相關性。

1.6數據來源

基于數據與研究的相關性以及可得性，采集中國大陸31個省（區、市）1996—2020年的面板數據，涉及數字經濟的影響效應分析部分選用2011—2022年數據，所有數據取自《中國畜牧獸醫年鑒》《中國農業統計資料》《中國農村統計年鑒》《中國農業年鑒》《中國環境統計年鑒》等統計年鑒、國家統計局網站和北京大學數字金融研究中心，對個別缺失數據用插值法補齊。

2中國農業碳排放時空演進分析

2.1中國農業碳排放時間序列分析

將31省（區、市）的農業碳排放強度與農業經濟強度數據分別加總得到全國層面時間序列數據，樣本范圍為1996—2020年，分離出31個省（區、市）1996—2020年的時間序列數據并分別統計達峰時間（表3），繪制全國層面EKC曲線圖。

圖1說明全國層面已于農業總產值約為5.185 1×104億元時實現農業碳達峰，對應達峰時間為2014年。在農業現代化的推進過程中，化肥、柴油、農藥、農業機械、農膜等農用物資投入的增加在提升農業產出的同時也帶來了農業污染，但經濟發展由粗放式向集約式轉變更是大勢所趨，農業經濟開始依靠農用物資質量和利用率的提高，以及農用物資的優化組合，通過更新生產技術、提升農民素質和加強農作物秸稈等廢棄物的循環利用等來促進自身增長。

2.2基于面板回歸的EKC檢驗

2.2.1單位根檢驗

表4報告自然對數序列lnPCO2和lnPGDP、（ln?PGDP）2、（lnPGDP）3及其一階差分序列的單位根檢驗結果，3個自然對數序列lnPGDP、（lnPGDP）2、（lnP?GDP）3非平穩，△lnPCO2和△lnPGDP、△（lnPGDP）2、△（lnPGDP）3這4個一階差分序列都平穩，其中△（lnPGDP）3經過二階滯后平穩，故可以對△ln?PCO2～I（1）和△ lnPGDP～I（1）、△（lnPGDP）2～I（1）、△（lnPGDP）3～（I 1）進行協整檢驗。

2.2.2協整檢驗與格蘭杰因果關系檢驗

面板協整檢驗結果見表5，3個檢驗標準都在1%的顯著性水平下拒絕變量間不存在協整關系的原假設，故可對lnPCO2和lnPGDP、（lnPGDP）2、（lnP?GDP）3作面板回歸。表6為面板格蘭杰因果關系檢驗結果，在1%的顯著性水平下拒絕“lnPGDP不是lnPCO2的格蘭杰原因”原假設與“lnPCO2不是lnPG?DP、（lnPGDP）2、（lnPGDP）3的格蘭杰原因”原假設，說明lnPCO2同lnPGDP存在雙向格蘭杰因果關系，這將保證后續EKC檢驗結果的準確性。

2.2.3 EKC系數估計

經過表7與實際數據的比對，選擇沒有三次方項的模型2[16]，回歸方程為：

lnPCO2=-0.042（lnPGDP）2+0.988lnPGDP+0.682

對稱軸為n=11.76，對應的拐點臨界值PGDP為1.280 27×105。由β1>0，β2<0可知農業碳排放強度與農業經濟強度間存在“倒U型”關系，與前文繪制的全國EKC曲線形狀一致。在農業發展的前一階段，農業勞動力資本邊際報酬遞減，農用物資投入的增加成為農業經濟發展的主導力量，化肥、柴油、農藥、農機投入增多，農業經濟強度與農業碳排放強度同向上升。隨著農業經濟的發展，粗放型農業發展模式逐漸暴露出環境污染的弊端，人們不得不研發應用現代化農業生產技術，如智能農業機械、精準播種技術，在提高農業生產率的同時降低了農業碳排放強度。

2.3空間自相關性分析

空間自相關性分析能定量刻畫農業碳排放強度的空間依賴性和空間演化規律，是正確建立空間誤差、滯后、杜賓這3種計量模型的必要條件，分為全局和局部空間自相關性檢驗，全局空間自相關性分析通過計算Moran′s I統計量來反映各省（區、市）農業碳排放強度的總體空間關聯程度，局域空間自相關性檢驗通過繪制跳躍年份的莫蘭散點圖來觀察空間對象的空間異質性，反映各省（區、市）與其鄰近省（區、市）在農業碳排放強度上的空間依賴程度。

2.3.1全局Moran′s I指數

表8報告了莫蘭指數I和p值，1996—2020年的莫蘭值均為正，且基本上均通過了10%的顯著性水平檢驗，說明31個省（區、市）農業碳排放強度的空間正相關性大致明顯。Moran′s I指數呈升-降-升的波動變化態勢，從1996年的0.138上升到2020年的0.457，即整體呈上升趨勢，說明農業碳排放強度的聚集程度曲折深化。

2.3.2局部莫蘭散點圖

圖2刻畫了1996年、2010年、2020年的農業碳排放強度莫蘭散點圖，31個省（區、市）被劃分為4個象限，第1象限是高-高聚集區（H-H），表示該區域附近區域都具有較高的農業碳排放強度；第2象限是低-高聚集區（L-H），表示該區域農業碳排放強度較低，而附近區域的農業碳排放強度較高；第3象限是低-低聚集區（L-L），表示該區域與附近區域均存在較低的農業碳排放強度；第4象限是高-低聚集區（H-L），表示該區域農業碳排放強度較高，而附近區域的農業碳排放強度較低。由圖2可知，擬合曲線斜率為正，說明農業碳排放強度在空間上具有高-高聚集與低-低聚集特征，即存在空間正相關性。第1象限有上海、江蘇等多個以東部地區為主的省市，反映了高農業碳排放強度集聚在東部的地理空間分布上具有依賴性；第2象限有內蒙古、甘肅、湖北等多個以中西部地區為主的省市，反映了低農業碳排放強度集聚在中西部的地理空間分布上具有依賴性，這可能是因為東部的農業機械化水平、人口密度及農產品需求量比中西部的更高，而東部的可播種土地比中西部的更破碎稀缺，從而東部的農業碳排放量大于中西部，農業播種面積小于中西部，導致東部的農業碳排放強度普遍高于中西部。

3數字經濟對農業碳排放的影響效應分析

當前數字經濟正處于發展前期，新興數據要素與傳統農業生產要素的交叉融合加速要素邊際報酬遞增，對農業經濟增長發揮乘數效應和倍增作用。數字經濟對農業碳排放強度的影響在打破地理空間限制的過程中外溢到鄰近地區，產生空間溢出效應。考慮到中國的區位差異性，對數字經濟發展的農業降碳效應分別作東中西部地區單獨回歸分析。

3.1影響機制分析

表9顯示數字經濟對農業碳排放強度的估計結果，估計系數為-0.326，且在5％水平上顯著，說明數字經濟（DE）與農業碳排放強度（lnACEI）之間存在著顯著負相關關系，即數字經濟的發展對農業碳排放有顯著抑制作用，數字經濟發展水平每提高1個單位，農業碳排放強度將降低32.6%。可能解釋為：數字基礎設施向農村延伸有利于彌合農村居民的數字鴻溝，農戶在接觸互聯網的過程中了解運用低碳農業生產方式，注意廢棄物循環利用；數字技術通過實時跟蹤農作物面積、化肥農藥施用量、農產品需求量等數據，精確測算出碳排放以便農戶按需生產和減排控碳；綠色數字金融產品螞蟻森林依托數字平臺讓2億多用戶將碳減排付諸實踐，數字金融還打破了傳統金融對農村地區的限制，有利于農民增收和引進低碳環保技術。為檢驗數字經濟發展水平影響農業碳排放強度中存在的中介效應，采用江艇[17]的檢驗思路，摒棄中介變量對被解釋變量的影響估計，選用農業經濟強度作為中介變量引入模型。從回歸結果可以看出，農業經濟強度對數字經濟的回歸系數顯著為正，即數字經濟發展水平越好，農業經濟強度越高。數字經濟通過數字技術促進農業經濟發展，大數據精準匹配農產品供需兩端，農產品種植結構優化，信息不對稱地消除降低供需錯配概率，農業生產利潤率提高。根據前文基于環境庫茲涅茨理論的EKC曲線分析，2011—2020年農業經濟強度與農業碳排放強度大致呈反向變動關系。因此數字經濟發展可以通過提高農業經濟發展水平來降低農業碳排放。

表10中基于鄰接矩陣和經濟距離矩陣的結果基本一致，其中，數字經濟發展水平的空間溢出效應為-0.537，通過1%置信水平下的顯著性檢驗，說明數字經濟對農業碳排放具有負向空間溢出效應，即該地區數字經濟發展水平每提高1單位，相鄰地區農業碳排放強度將降低53.7%。可能的解釋為：農業技術公司利用數字經濟平臺公布招聘信息吸引人才，農業技術研發者借助數字經濟平臺對比相鄰區域的薪資待遇差異，人才跨區域流動攜帶農業技術移植與擴散，相鄰區域農業碳排放強度受到抑制。

3.3異質性檢驗

進一步研究數字經濟影響農業碳排放強度的區域異質性，利用固定效應模型得出回歸結果見表11。在中西部地區，數字經濟對農業碳排放強度的估計系數都顯著為負，表明隨著數字經濟的發展，中西部的農業碳減排效果較好。中西部地區正處于農業上升期，農村電商等數字產業化與產業數字化在農村的實現增加了農民非農就業，就業渠道的增加使農民不必一味增加農用物資投入，農業碳排放強度下降。東部地區系數不顯著，可能是因為東部地區農作物需求多、產量大，數字經濟發展雖然較快，但被農業碳排放量部分抵消了擴散效應。

4結論與建議

4.1結論

整理31省（區、市）1996—2020年農業生產數據，采用熵值法測算了數字經濟發展水平，構建了農業碳排放量評價指標體系并測算出農業碳排放強度，通過繪制環境庫茲涅茨（EKC）曲線和進行EKC檢驗來分析農業碳排放達峰趨勢，在EKC檢驗之前通過了面板單位根檢驗、面板協整檢驗、面板格蘭杰因果關系檢驗，再通過中介效應檢驗、空間杜賓模型、異質性分析來研究數字經濟發展水平對農業碳排放強度所產生的效應。得到如下結論：①農業碳排放的EKC曲線以倒U型特征為主，即在1996—2020年的時間跨度下，農業碳排放強度先與農業經濟強度同向變動，后反向變動，說明農業生產領域已經實現碳達峰；②由于數字經濟起步較晚，出于數據可得性考慮將小時間跨度2011—2022年作為前一個大研究期的后半段，在此小研究期內，全局Moran′s I指數波動上升，各省（區、市）農業碳排放量的變化表現出明顯的局部地理空間聚集趨勢；③數字經濟發展對農業碳排放強度有一定的抑制作用，數字經濟通過提高農業經濟強度來發揮降碳作用，該地區數字經濟發展水平每提高1個單位會導致相鄰地區農業碳排放強度降低53.7%，數字經濟對農業碳減排的促進效應在中西部較為顯著。前后文的聯系在于，中介變量農業經濟強度對農業碳排放強度的影響可通過基于環境庫茲涅茨理論的EKC曲線分析來驗證。

4.2建議

（1）發展生態農業，鞏固農業碳達峰成果。兼顧社會經濟發展與生態環境保護，發展現代化生態農業與設施農業，擴大有機肥和病蟲害生物防治技術應用，控制農業碳源；加強對農村居民的環保宣傳與低碳技術使用培訓，減少農業廢棄物，提高資源利用效率和農業全要素生產率；實行低碳經濟行為獎勵示范從而引導農業碳排放強度繼續下降，促進農業綠色低碳轉型及人與自然和諧共生的可持續發展。

（2）提高農村數字經濟滲透率，推動農業數智化轉型。加強農村人口互聯網銷售能力培訓，改進鄉村數字基礎設施；促進無人機、大數據、物聯網等數字技術在農業生產上的應用，提高病蟲害的監測、預防和治理的時效性進而減少農藥使用量；發揮數字普惠金融對農業低碳生產方式的支持作用，讓農民能享受到更加便利的數字金融服務，破除農村金融的“長尾”局面；因地制宜促進農業區域協同發展，提高農村數字經濟滲透率并依托大國規模效應共享數b3aaf0ed1a7cbc6ffe8b65479d874ed0d8059a1743556f30e1875381e4b7331e字紅利。

參考文獻：

[1]胡婉玲，張金鑫，王紅玲.中國農業碳排放特征及影響因素研究[J].統計與決策，2020，36（5）：56-62.

[2]鄭軍，劉婷.主要發達國家碳達峰碳中和的實踐經驗及對中國的啟示[J].中國環境管理，2023，15（4）：18-25+43.

[3]曾賢剛，余暢，孫雅琪.中國農業農村碳排放結構與碳達峰分析[J].中國環境科學，2023，43（4）：1906-1918.

[4]于貴瑞，郝天象，朱劍興.中國碳達峰、碳中和行動方略之探討[J].中國科學院院刊，2022，37（4）：423-434.

[5]洪競科，李沅潮，蔡偉光.多情景視角下的中國碳達峰路徑模擬：基于RICE-LEAP模型[J].資源科學，2021，43（4）：639-651.

[6]郭芳，王燦，張詩卉.中國城市碳達峰趨勢的聚類分析[J].中國環境管理，2021，13（1）：40-48.

[7]冉錦成，蘇洋，胡金鳳，等.新疆農業碳排放時空特征、峰值預測及影響因素研究[J].中國農業資源與區劃，2017，38（8）：16-24.

[8]劉楊，劉鴻斌.山東省農業碳排放特征、影響因素及達峰分析[J].中國生態農業學報（中英文），2022，30（4）：558-569.

[9]顏廷武，田云，張俊飚，等.中國農業碳排放拐點變動及時空分異研究[J].中國人口·資源與環境，2014，24（11）：1-8.

[10]劉震，張曉星，魏威崗.農村數字經濟發展對農業碳排放的影響：基于29個省份的面板數據分析[J].江蘇大學學報（社會科學版），2023，25（3）：20-32+47.

[11]李鑫，張林，楊祝三，等.數字經濟是否抑制了農業碳排放：基于中國城市層面的經驗證據[J].西部金融，2023（3）：39-46.

[12]楊琳焱.數字經濟對農業碳排放效率的影響及空間溢出效應[J].生產力研究，2023（9）：65-69.

[13]陳中偉，湯燦.數字經濟發展對農業碳排放的影響及其時空效應[J].科技管理研究，2023，43（12）：137-146.

[14]田云，尹忞昊.中國農業碳排放再測算：基本現狀、動態演進及空間溢出效應[J].中國農村經濟，2022（3）：104-127.

[15]王軍，朱杰，羅茜.中國數字經濟發展的水平及演變測度[J].數量經濟技術經濟研究，2021，38（7）：36-42.

[16]崔鑫生，韓萌，方志.動態演進的倒“U”型環境庫茲涅茨曲線[J].中國人口·資源與環境，2019，29（9）：74-82.

[17]江艇.因果推斷經驗研究中的中介效應與調節效應[J].中國工業經濟，2022（5）：100-120.

Research on the Promoting Effect of Digital Economy Development Level onAgricultural Carbon Reduction

REN Yi，LUO Lei

（School of Economics， Lanzhou University of Finance and Economics， Lanzhou Gansu 730101， China）

Abstract：In the era of digital economy， promoting industry-wide carbon emission reduction is an effective

measure to to cope with the risks of global climate change. Examining the impact of digital economy development onagricultural carbon emissions has forward-looking significance for achieving carbon neutrality in Chinese agricul?ture. Based on the agricultural production panel data of 31 provinces in Chinese Mainland from 1996 to 2020， theagricultural carbon emissions were measured by the emission coefficient method， and the peak trend of agriculturalcarbon emissions was analyzed through environmental Kuznets curve drawing and EKC test and spatial autocorrela?tion analysis. Using the entropy method to calculate the level of digital economy development in each province（au?tonomous region， municipality directly under the central government）from 2011 to 2022， using spatial econometricmodels， impact mechanism analysis， and heterogeneity tests to study the impact of digital economy development lev?el on agricultural carbon emissions. Overall， China′s agricultural carbon emissions reached their peak in 2014， withglobalMoran′s Iincreasing. The intensity of agricultural carbon emissions showed a clear trend of local geographicspatial clustering， and the level of digital economy development had an average inhibitory effect of 32.6% on agricul?tural carbon emission intensity. Propose policy recommendations on developing ecological agriculture and increas?ing the penetration rate of rural digital economy were put forward.

Key words：agricultural carbon emissions; digital economy; environmental Kuznets curve model;spatial durbinmodel