基于PSM-DID法的農村數字經濟對農業碳排放的影響分析

摘 要：數字經濟與農村發展的緊密融合對農業碳排放具有極大影響。為探索農業碳排放是否受到農村數字經濟發展的影響，以2012—2022年農村數字經濟和農業碳排放數據為基礎，運用熵值法將農村數字經濟發展的三級指標數據進行賦權處理，然后通過加權平均法得出二級指標數據，再結合熵值法、加權平均法、傾向得分匹配法（PSM）和雙重差分法（DID），分析了農村數字經濟對農業碳排放的影響。結果表明，推動農村數字經濟發展可有效降低農業碳排放。

關鍵詞：農村數字經濟；碳排放；PSM-DID法

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

DOI：10.19345/j.cnki.1674-7909.2024.16.016

0 引言

我國作為一個擁有悠久農業歷史的大國，農業生產活動十分廣泛。因此，在低碳發展和數字化發展的雙重目標下，探討農村數字經濟對農業碳排放的影響具有重要的理論和現實意義。

目前，國內外關于農業碳排放的研究主要聚焦于兩個方面：一是農業碳排放的特征和測算。例如，金書秦等［1］對我國農業碳排放的結構特點進行了研究；WEST等［2］計算了化肥、農藥、農田灌溉及作物生長全過程中每單位的碳排放量。二是農業碳排放的影響因素。例如，徐清華等［3］通過實證研究發現，農業機械化對減少農業碳排放具有顯著效果；張頌心等［4］的研究表明，科技進步在某種程度上能夠抑制農業碳排放；BERHANU等［5］的研究顯示，氣候智能農業（CSA）技術可以有效減少農業生產的溫室氣體排放。近年來，國內學者圍繞農村數字經濟對農業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，農村數字經濟的發展顯著降低了農業碳排放強度，并且這種效應還通過農業社會化服務水平的提高得到進一步增強；劉震等［7］通過建立農村數字經濟發展綜合評價指標體系，實證分析了農村數字經濟對農業碳排放的具體影響；陳昕等［8］指出，數字經濟能夠通過減少地區的碳排放強度來實現減碳效果，且數字經濟的這種減碳效果呈現出先增加后減少的變化趨勢，整體形態上表現為倒“U”形特征。

以上內容為研究提供了借鑒，但仍存在一些不足之處：第一，現有文獻較多從城市數字經濟與碳排放之間的關系展開研究，鮮有從定量的角度關注農村數字經濟與農業碳排放量之間的相互作用；第二，現有文獻大多關注低碳城市試點政策的減排效應和經濟效應，鮮有研究低碳城市試點政策對農村數字經濟發展的中介效應。因此，研究基于2012—2022年農村數字經濟發展指標數據及農業碳排放數據，綜合運用熵值法、加權平均法、傾向得分匹配法（PSM）和雙重差分法（DID）量化分析農村數字經濟對農業碳排放的影響。

1 研究設計

傳統的回歸分析無法避免指標的選擇偏差，故指標中原有的農村經濟發展程度、農民對新型農業生產方式的可接受度［9］及地域環境［10］等，都會不同程度地干擾農村數字經濟對農業碳排放的影響，從而影響回歸結果。而PSM可通過匹配傾向值相近的控制組（采取低碳城市試點政策）和處理組（未采取低碳城市試點政策），克服2個群組在樣本選擇上的偏誤，科學合理地平衡數據，從而能夠更精確地分析因果關系。故研究運用PSM-DID方法來探究農村數字經濟發展對農業碳排放的影響，共有以下4個步驟。

第一，數據預處理。為了避免三級指標體系的多重共線性，利用熵權法將三級指標轉換成二級指標，隨后運用加權平均法將二級指標轉化為一級指標，轉化后的一級指標構成PSM-DID回歸模型的解釋變量。第二，計算傾向分數值。這一步利用 Logistic 參數模型對混淆變量進行計算，得出每個樣本個體中實施低碳城市試點政策的概率。第三，基于傾向值進行匹配及匹配效果檢驗。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體進行匹配，并對匹配效果進行平衡性檢驗，直到控制組和處理組的PS值存在顯著的差異性。第四，進行PSM-DID回歸分析。基于匹配好的數據，利用PSM-DID模型對數據進行回歸分析，從而分析農村數字經濟發展對農業碳排放的影響。

1.1 變量說明

1.1.1 被解釋變量

1.1.2 解釋變量

關鍵解釋變量為農村數字經濟發展水平，由數字基礎設施（construction）、數字產業發展（industrial）、數字技術發展（tech）3個二級指標組成，各二級指標又由若干三級指標組成。這里，參照王軍等［11］構建的中國數字經濟發展水平指標體系，并結合農村數字經濟發展情況，構建農村數字經濟發展評價指標體系，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個省（自治區、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政策對農業碳排放的影響。

1.2 數據來源

研究從《中國統計年鑒》（2012—2022）、《中國農村統計年鑒》（2012—2022）、ESP數據平臺及北京大學發布的數字普惠金融指數等數據庫搜集相關數據。采用的數據涵蓋了2012—2022年中國31個省（自治區、直轄市），總計341個樣本。各二級指標描述性統計分析結果如表2所示。

1.3 數據預處理

為研究各個解釋變量對因變量的影響，需根據三級指標數據測算二級指標。熵值法［12］是一種客觀賦值法，其根據各項指標觀測值所提供的信息大小來確定指標權重。由于各指標的計量單位并不統一，因此，研究通過熵值法將各三級指標數據進行處理，即將各三級指標的計量單位統一化，具體步驟為：

1.4 模型構建

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

2 實證分析

2.1 平衡性檢驗

為使研究數據匹配的結果更具有說服力，對匹配前后處理組和控制組的偏差進行檢驗。系列混淆變量在處理組和控制組之間的偏差檢驗結果如表4所示。

由表4可知，匹配前匹配變量的標準誤絕對值均在20%以內，故匹配效果良好；所有變量在匹配前均通過顯著性檢驗，匹配后則并未通過；經過匹配，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有差異，從而通過了平衡性檢驗。此外，匹配后所有變量的標準化偏差絕對值大幅減小，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。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樣本數據都在共同取值范圍內，而不在共同取值范圍內的樣本傾向得分值比較極端，集中在6附近。

結合表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 傾向值匹配結果

指標數據處理后，在PSM匹配前和PSM匹配后的回歸結果如表5所示。其中，匹配前表示對指標數據處理之后通過PSM匹配之前的回歸結果，匹配后表示對指標數據處理之后再通過PSM匹配之后的回歸結果。

由表5可知，在進行PSM匹配前，數字基礎設施（construction）提升1個單位可以使農業碳排放升高16.43個單位，數字產業發展（industrial）提升1個單位可以使得農業碳排放降低11.25個單位，數字技術發展（tech）提升1個單位可以使得農業碳排放降低2.79個單位。在進行PSM匹配后，當數字基礎設施（construction）提升1個單位時，農業碳排放升高159.1個單位，并且在1%的統計水平上顯著；當數字產業發展（industrial）提升1個單位時，農業碳排放降低104.2個單位，并且在5%的統計水平上顯著；當數字技術發展（tech）提升1個單位時，農業碳排放降低50.73個單位，并且在10%的統計水平上顯著。

3 研究結論與政策建議

3.1 研究結論

研究使用2012—2022年中國31個省（自治區、直轄市）農村數字經濟發展和農業碳排放數據，將數據分為控制組和處理組，利用熵值法對指標數據進行預處理，再利用PSM-DID模型對數據進行回歸分析，探索3個二級指標表示的農村數字經濟對農業碳排放的影響，得出3個基本結論。

3.1.1 農村數字基礎設施與農業碳排放呈正相關

數字基礎設施建設推動了農業數字經濟發展，但也會在建設過程中增加碳排放。例如，數字基礎設施建設帶動了電子商務、智能農業等新興產業的快速發展，但產業的快速擴張可能導致傳統高碳產業的加速發展；同時，由于居民消費模式的變化及交通運輸效率的提升，會產生更多交通排放，從而增加農村碳排放。

3.1.2 農村數字產業發展與農業碳排放呈負相關

數字產業發展通過提高資源利用效率、促進清潔能源應用、綠色供應鏈管理、生態監測與管理及推動循環經濟等，在促進經濟增長的同時，降低碳排放，推動可持續發展。

3.1.3 農村數字技術發展與農業碳排放呈負相關

數字技術發展通過推動農村企業綠色技術應用、優化供應鏈管理、促進循環經濟發展及提升信息獲取能力等，改變農村居民對低碳經濟的認知，并促使其積極參與，從而實現可持續發展目標。

3.2 政策建議

3.2.1 擴大低碳試點城市范圍

各地區要結合實際情況制定針對性政策，并將搜集到的成功經驗進行推廣，將低碳城市試點政策擴大到農村地區。低碳城市試點政策通過相應的激勵措施和懲戒方式推動相關企業實施綠色轉型，有助于碳減排目標的實現。因此，在全國范圍實施低碳城市試點政策的同時，應該兼顧政策規制和資金支持，引導企業在基礎設施建設過程中采用低碳技術來實現經濟效益與環境效益的雙贏。

3.2.2 加強農村數字基礎設施的低碳轉型

在農村基礎設施建設中，部分地區仍然采用粗放的建設方式，導致碳排放增加。因此，應該優化產業資源配置和提高生產效率，降低能源消耗，推進傳統粗放型產業向綠色智能化方向轉型；提升農村信息化水平，加強5G網絡建設，建立智慧農業體系，減少對高碳基礎建設的依賴，加強數字技術的直接效應，實現產業節能降耗。

3.2.3 推進農村數字經濟發展的技術支持

繼續增加科學技術投入，鼓勵農業科技創新，創新金融產品和服務，提高科技創新領域的金融供給量，從技術方面推動數字技術與低碳技術相融合。推動數字技術的普及和應用，通過數字經濟發展帶動數字技術普及，持續提升居民低碳環保和資源節約意識，實現村民生活低碳化。

參考文獻：

［1］金書秦，林煜，牛坤玉.以低碳帶動農業綠色轉型：中國農業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.農業機械化對農業碳排放強度影響的空間溢出效應：基于282個城市面板數據的實證［J］.中國人口·資源與環境，2022（4）： 23-33.

［4］張頌心，王輝，徐如濃.科技進步、綠色全要素生產率與農業碳排放關系分析：基于泛長三角26個城市面板數據［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.

［7］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.

［8］陳昕，金殿臣，張亞豪.數字經濟能否助力“雙碳”目標的實現：基于中國省級面板的實證分析［J］.社會科學家，2023（8）：70-76.

［9］溫濤，陳一明.數字經濟與農業農村經濟融合發展：實踐模式、現實障礙與突破路徑［J］.農業經濟問題，2020（7）：118-129.

［10］慕娟，馬立平.中國農業農村數字經濟發展指數測度與區域差異［J］.華南農業大學學報（社會科學版），2021（4）：90-98.

［11］王軍，羅杰，羅茜.中國數字經濟發展水平及演變測度［J］.數量經濟技術經濟研究， 2021，38（7）：26-42.

［12］李珒，胡佳霖，王熙.全球視域下數字經濟發展的碳減排效應及其作用機制［J］. 中國人口·資源與環境，2024，34（8）：3-10.

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