農村產業融合對農業碳排放的非線性影響機制

[摘 要：厘清農村產業融合對農業碳排放的非線性關系，對建設農業強國、踐行“雙碳”目標具有重大意義。文章基于2007—2022年中國30個省份的面板數據，實證探討農村產業融合對農業碳排放的非線性影響機制。研究表明：農村產業融合與農業碳排放之間存在“倒U”型關系，且受地理區位、農業綠色技術創新水平的影響；農業科技進步在兩者關系中起到了中介作用；農業環境規制正向調節了兩者的“倒U”型關系，推動其拐點左移，形態趨于陡峭；農村人口老齡化負向調節了兩者的“倒U”型關系，推動其拐點右移，形態趨于平緩。進一步分析發現，2016年開始的農村三產融合試點政策強化了后期農村產業融合對農業碳排放的抑制作用，且這一抑制作用在試點地區更為明顯；農村產業融合對農業碳排放呈現“倒U”型的空間溢出效應。

關鍵詞：農村產業融合；農業碳排放；非線性關系；農業科技進步；農業環境規制；農村人口老齡化

中圖分類號：F323；X322""" "" 文獻標識碼：A """" 文章編號：1007-5097（2025）02-0048-12""""""" ]

Nonlinear Impact Mechanism of Rural Industrial Integration on

Agricultural Carbon Emissions

LU Yihenga， YIN Minhaob， TIAN Yunb， HUANG Longjunjiangb

（a. School of Economics; b. School of Business Administration， Zhongnan University of Economics and Law， Wuhan 430073， China）

Abstract：Clarifying the nonlinear relationship between rural industrial integration and agricultural carbon emissions is of great significance for establishing a powerhouse in agriculture and achieving the \"dual carbon\" goals. Utilizing panel data from 30 provinces in China spanning the years 2007 to 2022， this essay empirically investigates the nonlinear impact mechanism of rural industrial integration on agricultural carbon emissions. Research findings reveal an \"inverted U-shaped\" relationship between rural industry integration and agricultural carbon emissions， modulated by geographical location and the degree of innovation in agricultural green technology. The advancement of agricultural technology serves as a mediating factor in this relationship. Furthermore， environmental regulations in agriculture exert a positive moderating effect on this \"inverted U-shaped\" relationship， resulting in a leftward shift of the turning point and a steeper curve. In contrast， the aging rural population exerts a negative moderating effect， shifting the turning point rightward and rendering the curve more gradual. Further analysis indicates that the rural agriculture-industry-services integration pilot policy， initiated in 2016， has intensified the mitigating impact of subsequent rural industrial integration on agricultural carbon emissions， with this effect being more pronounced in pilot regions. Moreover， rural industrial integration demonstrates an \"inverted U-shaped\" spatial spillover effect on agricultural carbon emissions.

Key words：rural industrial integration; agricultural carbon emissions; nonlinear relationship; advancement of agricultural technology; environmental regulations in agriculture; aging rural population

一、引言及文獻綜述

近年來，全球升溫趨勢仍在持續，極端氣候事件頻發且已成為影響人類健康乃至經濟社會可持續發展的重要因素。面對嚴峻形勢，各國政府先后談判達成《京都議定書》《巴黎協定》等重要協議，構建了全球氣候治理體系的規則框架，然而，溫室氣體的增長勢頭并未得到根本扭轉。2020年9月，中國也作出推進“碳達峰碳中和”重大戰略決策，并在兌現碳減排承諾的道路上穩步前行。在這一過程中，除將碳減排視角聚焦于人口密集、企業林立的城鎮工業部門之外，農業碳排放問題亦不容小覷。聯合國糧農組織在COP26氣候變化大會上的報告顯示，農業糧食系統碳排放量已占到全球人為碳排放量的31%，僅2019年就釋放了約170億噸當量的二氧化碳。可見，農業部門的減碳潛力巨大，推進農業碳減排既是實現農業高質量發展的關鍵所在，也是踐行“雙碳”目標的重要一環。

隨著鄉村振興戰略的縱深推進，農村產業融合成為各級政府“三農”工作的重心。2015年中央一號文件首次提出“推進農村一二三產業融合發展”；2019年《國務院關于促進鄉村產業振興的指導意見》強調“促進產業融合發展，增強鄉村產業聚合力”；《“十四五”推進農業農村現代化規劃》更是將農村一二三產業融合發展放在了突出位置。農村產業融合綜合性強、涉及面廣，新技術、新模式、新業態貫穿其中，專業大戶、龍頭企業和農民合作社等發展成為主要的融合參與主體。黨的二十大報告指出，要“協同推進降碳、減污、擴綠、增長”，農村產業融合所產生的環境效應理應受到關注。目前，學者多習慣遵循“非黑即白”的線性思維來剖析農村產業融合的環境效應，即要么肯定其減污降碳的正向環境效應［1-2］，要么發現其抑制農業碳排放效率的負向環境效應［3］。然而，在技術積累不足、環境治理效率低、老齡化程度高的農業農村領域，受“人、地、技、錢”等要素的限制，農村產業融合與農業碳排放的關系可能是一個長期的、動態的演變過程。因此，兩者之間是否會存在非線性關系，從而突破以往研究得出的線性結論，是本文主要解決的核心問題。

農村產業融合，是以實現農民增收為目的，以鄉村全面振興為基石，以完善各方利益聯結機制為核心，依托農業產業，通過延伸農業產業鏈條、拓寬農業多功能性、促進農業服務業融合、培育農業新業態等方式創造新的價值載體，并形成鄉村產業聚合體的過程［4］。近年來，很多學者圍繞農村產業融合問題展開研究，主要涉及概念界定、測算方法和發展路徑等［5-6］。其中，也有學者關注農村產業融合所產生的經濟效應。一方面，郭軍等（2019）［7］聚焦于微觀農戶增收視角，認為農村產業融合可以通過提高資金、技術、人力和財政等要素配置效率改善城鄉貧富差距，實現農戶減貧創收；另一方面，熊愛華和張涵（2019）［8］從宏觀農業轉型視角發現，農村產業融合能集聚各類優質要素并推動農業產業鏈延伸，進而挖掘農村消費新潛力，最終實現產業結構升級和產業鏈增值，助力農業現代化轉型。

關于農業碳減排問題，現有研究主要從兩個維度展開。一是從理論層面探討農業碳減排的概念界定、現實困境和減排路徑［9-10］，并基于減排潛力測度［11］、減排政策優化［12］和減排技術改良［13］等細分領域拓展研究邊界。二是從實證層面考察農業碳排放的驅動因素。早期，學者主要基于KAYA恒等式、LMDI模型、STIRPAT模型等方法探討驅動因子［14-15］。隨著研究的深入，GWR模型、空間計量模型乃至機器學習算法等手段也逐漸被納入探討范圍［16-18］。整體上看，雖然各類驅動因素的測算方法、指標構成皆有不同，但大致可劃分為自然、經濟、社會和政府四個層面［19］。

至于農村產業融合與生態環境的關系問題，目前仍存在爭議。一方面，有學者認為農村產業融合能夠通過提高鄉村治理能力、促進農業科技進步、滿足多元化需求等路徑發揮正向環境效應，進而推動鄉村振興與生態文明建設有機結合［1］；另一方面，也有學者認為農村產業融合改善了農業生產條件，由此刺激了生產者的逐利意愿并使其擴大生產規模，反而可能加劇農業面源污染［20］。此外，還有研究認為，在農村產業融合的非均衡發展背景下，各地產業融合水平、融合主體培育規模、產業鏈延伸程度均存在較大差異，致使農村產業融合對生態環境的影響可能呈現階段異質性［21］。

綜上，已有成果雖為本文提供諸多可借鑒的思路，但少有研究涉及農村產業融合影響農業碳排放的邏輯關聯及其傳導機制，更鮮有成果突破傳統線性研究考量兩者之間可能存在的非線性關系。

鑒于此，本文可能的邊際貢獻主要有三點：①厘清農村產業融合對農業碳排放的非線性作用機理，拓寬農業低碳轉型的研究范疇；②健全省域層面農村產業融合水平和農業碳排放測度的指標體系，提高衡量結果的可靠性；③在“農村產業融合-農業碳排放”研究范式下探討其中介路徑和調節路徑，并進一步從試點政策和空間溢出視角進行拓展研究，為完善農村產業融合路徑、賦能農業農村減碳增效提供借鑒。

二、理論分析與研究假設

（一）農村產業融合對農業碳排放的直接影響

學界多引入環境庫茲涅茨曲線來闡釋經濟增長與環境質量的關系。農村產業融合是農業農村經濟轉型升級的重要抓手，而農業碳減排攸關農業農村綠色發展和“雙碳”目標布局，兩者之間可能符合環境庫茲涅茨曲線假說而呈現非線性關系。

農村產業融合前期，一二三產業融合程度較低，地方政府受資源約束，被迫犧牲非經濟職能目標以實現短期經濟效益［22］，鄉村建設更多奉行“生產主義心態”而強調產值增長、農民增收。此時，各類資源密集型、勞動密集型農業項目不斷投資落地，生產規模逐漸擴大，資源消耗量激增，引發化肥、農藥和牲畜等關鍵性農業碳源增長，農業面源污染、畜禽養殖糞污等環境問題頻現；農村公共服務供給不足、配套設施脫節，農業技術和管理模式較為落后，規模化經營尚未成勢；再加之早期盈利能力薄弱的生產者不具備改良生產和治理環境的經濟實力，三者的綜合作用導致農業碳排放隨之增加。農村產業融合后期，地方部門相繼貫徹“兩山論”“生態文明建設”等論斷和理念，相關環境治理布局不斷向農業全產業鏈滲透。得益于產業融合程度加深，農業產業鏈延伸、多功能性擴展等融合路徑不斷帶來加法效應和乘法效應，農業投資回報率明顯上升，人才、資本及技術等外部優質要素逐漸流入鄉村產業，催生出智慧農業、田園綜合體、農光互補等新業態、新技術，從而提高農業物資及能源利用效率，減少農業碳排放。與此同時，隨著支農財政強化農村產業融合的要素保障，水電交通、教科文衛等公共服務日臻完善，農業技術體系逐步健全，繼而帶動了規模化經營，最終有利于提高資源配置效率并降低資源消耗強度，進一步實現農業碳減排。此外，在城鄉融合發展背景下，為順應消費市場對高品質農產品的需求，各融合主體也傾向于更新技術設備、引進良種及應用綠色低碳型管理模式以保障產品質量，同樣有助于削減農業碳排放量。綜上，農村產業融合對農業碳排放的影響并非單一線性的。據此，本文提出假設1。

H1：農村產業融合對農業碳排放呈“倒U”型影響。

（二）農業科技進步的中介作用

農業技術進步歷來被視為實現農業碳減排的重要驅動力［17］。隨著各項低碳技術的應用，生產者逐漸掌握精準施肥、科學用藥和選育良種等先進生產手段，通過優化農業生產結構或能源投入結構等方式降低生產成本，提高勞動力、土地、能源等傳統生產要素的配置效率，繼而改善以往的粗放型生產模式，最終削減農業碳排放量。

然而，科技創新與推廣一般會受到成果質量、應用成本和采納意愿等因素的限制［23］。初期，較低的農村產業融合水平并不能有效促進農業科技進步。這是因為，早期各融合主體參與生產項目成本高、收益見效周期長，且要素資源錯配現象較為嚴重，保收意愿強烈的生產者為此選擇縮減技術引進資金，這不僅影響自身技術積累，還削弱了農業科技創新動力，由此阻礙了農業低碳轉型。后期，各融合主體普遍實現增收，進而提高了自身的技術采納能力，從需求端驅動農業技術為適應產業融合需要而不斷更新；同時，農業產業鏈的持續延伸也提高了小農戶與現代農業的銜接程度，從資金、知識共享、社會化服務等角度打破技術推廣瓶頸，有效降低技術采納門檻，從而增強了地區技術普及率和技術創新能力。據此，本文提出假設2。

H2：農業科技進步是農村產業融合對農業碳排放產生“倒U”型影響的非線性中介路徑。

（三）農業環境規制的調節作用

隨著農村生態環境形勢日益嚴峻，農業環境規制手段逐漸演變為制度環境的一項重要內容。前期，農村產業融合主體多處于始創階段，實力孱弱且保收意愿強烈，此時較低的農業環境規制水平可能會產生“遵循成本”效應，增加生產者的污染治理成本并擠占其低碳技術創新與應用空間。生產者迫于未來填補環境服從成本的壓力，往往選擇爭取暫時收益，盡快擴大短期要素投入和產出規模，碳排放反而有所提升［24］；同時，無法達到環保標準的高污染單位由農業環境規制強硬區轉移至寬松區，也一定程度上造成農業碳源的擴散。后期，隨著環境治理體系的健全，農業環境規制所引發的“創新補償”效應將逐步抵消“遵循成本”效應帶來的環境負外部性，推動農村產業融合對農業碳排放的抑制作用更早實現、效果更好，表現為“倒U”型曲線拐點左移、形態趨于陡峭。一方面，農村產業融合勢頭加快，綠色低碳農產品市場占有率上升，綜合實力增強的生產者普遍采納環境友好型技術，調整農業生產方式和布局，以此響應環境規制手段、優化要素配置和提高產品附加值［25］；另一方面，綠色金融、化肥減量增效等環保補貼也進一步降低了技術采納成本，鼓勵生產者保持環保行為。此外，在農業產業鏈延伸過程中，小農戶囿于環保約束且受利益聯結機制牽引，出于成本最小化的決策增強了其融入現代農業產業鏈的意愿和信心，期望憑借組織化生產分擔風險、共享服務，共同應對環境政策對農業生產的高標準、高要求，同樣有利于削減碳排放量。據此，本文提出假設3。

H3：農業環境規制會正向調節農村產業融合與農業碳排放的“倒U”型關系，推動其曲線拐點左移、形態趨于陡峭。

（四）農村人口老齡化的調節作用

研究表明，農業人力資本水平直接決定農業綠色發展進程［26］。老齡農戶在健康狀況、勞動強度及受教育程度等方面處于明顯弱勢，其對農業新技術、新模式也存在排斥情緒［27］，整體上不利于農業綠色轉型升級。前期，農村產業融合水平較低，技術條件相對有限，小農生產模式尚未被打破。由于人口流失和勞動力質量下降，各地出現一定程度的拋荒撂荒、棄養畜禽等現象，使農業生產規模擴張速度放緩，導致“倒U”型曲線趨于平緩。而部分老齡農戶為保證農業產出，被迫依賴化肥、農藥和農機等要素的粗放式投入以應對勞動力短缺，進而延長了前期農村產業融合的農業增碳效應，導致“倒U”型曲線拐點右移。后期，農村產業融合雖然帶動技術水平及規模化經營程度有所提升，并隨即跨越拐點演變為農業碳減排效應，但受限于較低的勞動力質量，先進生產技術與模式的采納度仍然不高，這使農業碳減排效應受到一定程度的削弱。據此，本文提出假設4。

H4：農村人口老齡化會負向調節農村產業融合與農業碳排放的“倒U”型關系，推動其曲線拐點右移、形態趨于平緩。

三、模型設定、變量選取與數據來源

（一）模型設定

1. 基準模型

為了驗證農村產業融合與農業碳排放的非線性關系，本文參考Haans等（2016）［28］的研究，選用面板雙向固定效應模型進行檢驗，具體模型設定如下：

[Carbonit=α0+α1Conit+α2Con2it+λCVit+μi+δt+εit] （1）

其中：[Carbon]表示農業碳排放；[i]、[t]分別表示省份和時間；[Con]、[Con2]分別表示農村產業融合水平及其二次項；[CV]表示一系列控制變量；[α0]表示截距項；[α1]、[α2]和[λ]表示待估計參數；[δt]表示時間固定效應；[μi]表示個體固定效應；[εit]表示隨機干擾項。

2. 中介效應模型

鑒于學界目前對因果推斷經驗研究所涉及的中介效應的反思［29］，本文主要聚焦于如何提高因果關系識別可信度，而非強調檢驗中介效應的大小。據此，本文借鑒江艇（2022）［29］的研究，考察“倒U”型關系的傳導機制，模型設定如下：

[Carbonit=β0+β1Conit+β2Con2it+λCVit+μi+δt+εit] （2）

[Techit=γ0+γ1Conit+γ2Con2it+λCVit+μi+δt+εit] （3）

[Carbonit=θ0+θ1Conit+θ2Con2it+θ3Techit+λCVit+μi+δt+εit] （4）

[Carbonit=δ0+δ1Techit+δ2Tech2it+λCVit+μi+δt+εit] （5）

[Carbonit=ρ0+ρ1Conit+ρ2Con2it+ρ3Techit+ρ4Tech2it+λCVit+μi+δt+εit] （6）

其中：[Techit]表示中介變量，即農業科技進步；式（2）至式（4）為傳統三步法檢驗流程；式（3）中的[γ1]和[γ2]用于探討農村產業融合與農業科技進步的關系；式（5）中的[δ1]和[δ2]用于探討農業科技進步與農業碳排放的關系；而[θ2]和[ρ2]顯著與否僅作為判斷農業科技進步在農村產業融合影響農業碳排放的過程中是起到部分傳導作用還是完全傳導作用的試探性證據。

3.調節效應模型

為了驗證農業環境規制和農村人口老齡化在農村產業融合影響農業碳排放中的調節作用，本文構建如下模型：

[Carbonit=α0+α1Conit+α2Con2it+α3Zit×Con+α4Zit×Con2+α5Zit+λCVit+μi+δt+εit] （7）

其中，[Zit]表示調節變量，本文為農業環境規制和農村人口老齡化。根據Haans（2016）等［28］的研究，判斷“倒U”型關系的調節效應及其特征有如下三步：第一步，若自變量二次項與調節變量交互項的系數[α4]顯著，則說明存在調節效應。第二步，當[α1α4?α2α3lt;0]，曲線拐點隨調節變量增強而左移；當[α1α4?α2α3gt;0]，則曲線拐點隨調節變量增強而右移。第三步，若系數[α4]顯著為正，則“倒U”型曲線隨調節變量增強而趨于平緩；若系數[α4]顯著為負，則“倒U”型曲線隨調節變量增強而趨于陡峭。

4.空間杜賓模型

為進一步探究農村產業融合對農業碳排放可能存在的非線性空間溢出效應，本文構建空間杜賓模型（Spatial Dubin Model），具體設定如下：

[Carbonit=α0+α1Conit+α2Con2it+ρWCarbonit+θ1WConit+θ2WCon2it+λCVit+μi+δt+εit ] （8）

其中：[W]為空間權重矩陣，本文選用地理距離矩陣報告結果；[ρ]為被解釋變量的空間滯后項待估參數；[θ1]和[θ2]為被解釋變量空間交互項的待估參數。

（二）變量說明

1.被解釋變量：農業碳排放（[Carbon]）

農業碳排放測度是一個涉及多方面的綜合性工程，難以采用單一或少量指標表征。目前，學界測算農業碳排放大多局限于農用物資投入等單維視角，其測算體系僅包含化肥、農藥、農膜、農用柴油、灌溉和翻耕等碳源，無論是從廣度還是深度上來看皆有拓展空間。據此，本文參考田云和尹忞昊（2022）［30］的研究，主要從以下四個維度構建農業碳排放測算體系：一是化肥、農藥、農膜等農用物資投入所引發的碳排放，對應的碳排放系數參考李波等（2011）［9］的研究；二是水稻在不同生長周期所引發的[CH4]排放，具體[CH4]系數和處理方法參考閔繼勝和胡浩（2012）［31］的研究；三是牛、馬、羊、豬、家禽等主要畜禽品種所產生[CH4]和[N2O]排放，各自對應的系數和處理方法均參考閔繼勝和胡浩（2012）［31］的研究；四是原煤、洗精煤、汽油、柴油、電力等12種主要農業能源消耗所引發的碳排放，相關的碳排放系數參照蔣金荷（2015）［32］的研究。據此，本文構建的農業碳排放指標測算方法如下：

[Carbon=∑Carboni=∑Ni×δi] （9）

其中：[Carboni]為第[i]種碳源的碳排放量；[Ni]為第[i]種碳源的數量或面積；[δi]為第[i]種碳源的碳排放系數。為保持測算口徑統一，本文將[CH4]和[N2O]等溫室氣體統一轉換成標準二氧化碳。由IPCC第四次評估報告可知，1噸[CH4]和[N2O]的換算系數分別為25噸和298噸[CO2]。

2. 核心解釋變量：農村產業融合水平（[Con]）

目前，關于農村產業融合水平測度問題，學界雖未有統一方法，但大多通過構建相應的指標體系，再采用熵值法［33］進行測度。此外，盡管各成果所選用的具體指標不盡相同，但大多涉及農業產業鏈延伸、農業多功能性拓展、農業新業態培養、農業服務業融合、農業技術滲透和利益聯結機制完善等內容。借鑒郝愛民和譚家銀（2023）［5］、張林和溫濤（2022）［33］的做法，本文選取上述六個維度共9個二級指標構建農村產業融合指標體系（見表1），并采用熵值法完成測算。

3. 中介變量：農業科技進步（[Tech]）

目前，《全國農業可持續發展規劃（2015—2030年）》等文件皆以科技進步貢獻率作為衡量科技進步的重要指標。同時，索洛余值法由于具備計算簡單、易于操作等優勢，早在1997年便被原國家農業部認定為農業科技進步貢獻率的統一測算方法（1）。據此，本文參考陶群山和胡浩（2011）［34］的研究，選取化肥施用量、農作物總播種面積、農業機械總動力、第一產業從業人員和農林牧漁總產值等指標，構建農業生產函數測算中國各省份的農業科技進步貢獻率，并將其作為農業科技進步的替代變量。

4. 調節變量

本文調節變量包括農業環境規制（[Er]）和農村人口老齡化（[Age]）。對于農業環境規制，現有成果大多選用環保人員數量和環境污染治理項目投資額作為其替代變量，然而上述指標多是面向非農產業測度所得，難以可靠地反映農業環境規制的真實水平。因此，考慮節能環保財政支出能夠反映政府對環境保護和節能減排的重視程度，可在一定水平下視作農業環境規制強度的指標［35］，本文結合鄧晴晴等（2020）［36］的做法，先以第一產業增加值在GDP中的比重同地方節能環保財政支出的乘積估算出各省份的農業節能環保財政支出，并用所得數據除以農業總產值來表征農業環境規制水平。對于農村人口老齡化，本文參考金紹榮和王佩佩（2023）［37］的研究，以鄉村老年人口撫養比度量該指標，其計算方法為鄉村65歲及以上人口數與鄉村15～64歲人口數的比值。

5. 控制變量

為避免遺漏變量造成的估計偏誤，本文選取如下控制變量：農業發展水平（[Ec]），采用農林牧漁總產值與第一產業從業人數之比衡量；財政支農力度（[Af]），采用地方農林水事務支出與農林牧漁總產值之比衡量；農業產業集聚（[Ai]），參考田云和尹忞昊（2022）［30］的研究，采用農業區位熵衡量；農地規模經營（[Sm]），采用農作物總播種面積與第一產業從業人數的比值衡量；農業產業結構（[Is]），采用種植業、畜牧業產值之和與農林牧漁總產值的比值衡量；作物種植結構（[Ps]），采用糧食作物播種面積與農作物總播種面積的比值衡量。

（三）數據來源與處理

本文選取中國30個省份為研究對象，因數據可得性問題暫未包括西藏及港澳臺地區。測算農業碳排放所涉及的能源消耗數據均源自2008—2023年的《中國能源統計年鑒》，其他碳源數據則源自《中國統計年鑒》《中國農村統計年鑒》《中國農業統計資料（1949—2019）》；農村產業融合相關數據來源于2008—2023年的《中國統計年鑒》《中國農村統計年鑒》《中國人口和就業統計年鑒》《中國休閑農業年鑒》《中國農業機械工業年鑒》、各省份統計年鑒、全國溫室數據系統以及各省份市場主體發展報告；農業環境規制、農林水事務支出、農村人口老齡化等變量數據則來源于2008—2023年的《中國統計年鑒》《中國農村統計年鑒》《中國人口和就業統計年鑒》。為排除價格因素影響，對農林牧漁總產值、地區生產總值等經濟類指標以2007年為基期做了消脹處理。部分數據缺失值采用均值差補、線性插補和移動平均法等予以補齊。

各變量的描述性統計見表2所列。

四、實證結果及分析

（一）基準回歸分析

在展開基準回歸前，本文對模型進行了三個方面的合理性檢驗（2）。一是多重共線性檢驗。經檢驗，各變量的方差膨脹因子（VIF）介于1.41～3.82之間，遠低于10的判斷邊界，表明模型不存在多重共線性。二是面板平穩性檢驗。為避免面板數據波動所帶來的偽回歸現象，本文選取適用于短面板數據的HT法、IPS法對主要變量的平穩性展開檢驗。經檢驗，各主要變量均表現出一階平穩，證明面板數據不存在偽回歸現象。三是Hausman檢驗。結果顯示，應選擇固定效應模型作為基準回歸模型。

基準回歸結果見表3所列。其中，列（1）包含核心解釋變量但未控制固定效應；列（2）包含核心解釋變量及其二次項且控制了時間固定效應和個體固定效應;列（3）至列（5）則依次加入農業發展水平、財政支農力度等控制變量。可以發現，加入控制變量后，核心解釋變量及其二次項的顯著性和方向均未發生明顯變化，且[R2]由0.205增至0.709，表明模型估計結果較為穩健。列（5）結果顯示，[Con]、[Con2]的回歸系數分別為1.918和-3.991，且均在1%水平下顯著，由此表明農村產業融合與農業碳排放呈顯著的“倒U”型關系。進一步計算“倒U”型曲線的拐點，得到[1.918/（2×3.991）≈0.240]。其經濟學解釋在于：當農村產業融合水平低于0.240時，推進農村產業融合會促進農業碳排放；當農村產業融合水平跨越0.240后，推進農村產業融合會抑制農業碳排放。可能的原因是：前期，農村產業融合優先關注增產增收，帶動大量農業生產項目和資源消耗，但囿于融合水平低、設施技術落后和農戶資本積累不足等因素，農業生產尚無法有效遏制化肥、農藥等碳源使用規模，導致農業碳排放增長；后期，隨著發展條件改善，受規模經濟和范圍經濟驅動，農村產業融合進一步密切了各融合主體的利益聯結機制，陸續催生出諸多新產業、新業態、新模式，先進的技術體系得以應用與推廣，促進資源消耗強度和配置效率的此消彼長，最終有利于農業碳減排。

（二）內生性處理和穩健性檢驗

1. 內生性處理

一方面，基準模型雖然已加入控制變量來緩解遺漏變量偏誤，但仍然無法完全考量自然環境、農戶生產預期等不可觀測因素所造成的內生性問題；另一方面，地區農業碳減排工作也可能反向影響當地農村產業融合的項目進程和要素供給。為此，本文借鑒宋全云等（2017）［38］構建工具變量的做法，選取某一省份除自身以外其余省份的農村產業融合水平均值的滯后項作為工具變量。選取思路為：由于相鄰省份的發展路徑可能存在協同性、適用性，各省份往往傾向于學習周邊地區的農村產業融合模式，最終影響自身的農村產業融合水平，因而滿足工具變量的相關性；同時，其他省份農村產業融合水平均值的滯后項不與本省的誤差項相關，滿足工具變量的外生性。根據表4列（1）和列（2）可知，第一階段工具變量Iv在1%水平下顯著，且第二階段農村產業融合和農業碳排放的回歸結果也與前文一致。同時，Kleibergen-Paap rk Wald F statistic下的F值（256.355）大于所有臨界值，Kleibergen-Paap rk LM statistic下的LM值為10.974且通過了1%顯著性水平，說明模型不存在識別不足以及弱工具變量問題。由此得出，在控制可能的內生性問題后，結論依然是穩健的。

2. 穩健性檢驗

本文采取如下三種策略進行穩健性檢驗：一是U test檢驗。有學者指出，僅僅依靠解釋變量及其二次項系數判斷“倒U”型關系仍缺乏說服力，可能會將單調且向原點彎曲的曲線誤判為“倒U”型曲線。據此，借鑒王菲等（2023）［39］的研究，對“倒U”型關系進一步展開U test檢驗。二是調整變量測算方式。對于解釋變量，采用熵權TOPSIS法評價各省份農村產業融合水平；對于被解釋變量，采用農業碳排放強度（農業碳排放量與農作物總播種面積之比）作為農業碳排放的替代指標，具體結果見表4列（3）和列（4）。三是縮尾處理。為克服數據異常值造成的估計偏誤，本文對樣本數據進行1%水平的雙邊縮尾處理，結果見表4列（5）。

U test檢驗結果（3）表明，曲線左側斜率為正（1.770），右側斜率為負（-3.135），表明其同時存在上升和下降的趨勢；而曲線拐點（0.240）位于其核心解釋變量的取值范圍［0.019，0.633］內，且Plt;0.01，表明農村產業融合與農業碳排放的“倒U”型關系的確存在，由此驗證H1。此外，無論替換自變量、因變量還是雙邊縮尾，相關檢驗結果仍然不變，由此進一步驗證了基準結論的穩健性。

（三）異質性分析

1. 區域異質性

由于資源稟賦和發展水平等方面的差異，中國東部、中部和西部地區農村產業融合對農業碳排放的非線性影響效應也可能呈現不同特征。區域異質性分析結果見表5列（1）至列（3）。可見，農村產業融合與農業碳排放的“倒U”型關系僅在東部地區成立。可能的解釋是，東部地區經濟相對發達，農業技術體系較為健全，規模化經營程度較高，因而率先開展一系列農村產業融合實踐，前期消耗大規模生產資料而促進農業碳排放，后期匯集各項優質要素并提高資源配置效率，發揮出較強的農業碳減排效果，由此形成顯著的“倒U”型關系。與之相反，中部和西部地區農村產業融合起步較晚、發展滯后，且面臨農業基礎薄弱、鄉村產業競爭加劇、科技成果轉化效率不高和勞動力外流等挑戰的多重夾擊，區域內同時存在農業項目的過度擴張和耕地拋荒撂荒、棄養畜禽等現象，因而其農村產業融合尚未對農業碳排放產生明顯的“倒U”型關系。

2. 農業綠色技術創新水平異質性

近年來，為了減少農業生產對氣候的不利影響，農業領域開始積極探索農業綠色低碳技術創新途徑，各地在化學投入品減量、廢棄物綜合利用等關鍵環節不斷完善技術體系。當地區農業綠色技術創新存在差異時，農村產業融合對農業碳排放的影響效應也可能呈現異質性。對此，本文借鑒王菲等（2023）［39］的研究，選用各省份農業綠色實用新型專利申請量來表征地區農業綠色技術創新水平。本文以研究期內各省份農業綠色實用新型專利申請量的中位數為界，將研究期內480份省級樣本數據劃分為高水平農業綠色技術創新地區和低水平農業綠色技術創新地區兩類，并分別展開回歸分析，具體結果見表5列（4）和列（5）。可見，在兩類地區，農村產業融合與農業碳排放皆呈現“倒U”型關系，但U test結果顯示，前者曲線右側斜率的絕對值（2.715）明顯大于后者（2.245），表明農村產業融合對高水平農業綠色技術創新地區的農業碳減排效果更好，這可能得益于環境友好型技術更新迭代對節能減碳的突出貢獻。

（四）作用機制檢驗

1. 中介效應檢驗

對農業科技進步這一作用渠道的實證檢驗結果見表6列（1）至列（5）。其中，列（2）顯示，農村產業融合及其二次項對農業科技進步的回歸系數分別為-2.888和4.014，且均在1%水平下顯著，表明在農村產業融合發展過程中，農業科技進步貢獻率呈現先降低后提升的“U”型變化態勢。究其原因：前期，農村產業融合水平較低，技術創新與應用因面臨資源錯配、激烈競爭和逐利心態等不利境況而受到了一定阻礙；后期，農村產業融合水平明顯提升，農業多功能性拓展及不同產業間的滲透融合發揮出更大的技術和知識集聚效應，進而刺激技術互補創新，有效推動了農業科技進步。同時，由列（4）和列（5）可知，農業科技進步及其二次項的回歸系數皆為一正一負，且在1%水平下顯著，這可以成為揭示農業科技進步在農村產業融合與農業碳排放關系中發揮間接中介作用的試探性證據。可能的解釋是：早期，農村產業融合發展促進農業科研投入增加，但相關技術受發展水平的限制主要聚焦于增產增收，即增碳效應明顯；后期，隨著農村產業融合的深化和存量積累，更多的低碳節能技術得以應用并削減了農業碳排放量，轉而表現出碳減排效應。進一步觀察列（3），農業科技進步的回歸系數為-0.112且在1%水平下顯著，表明農業科技進步在總體上有利于農業碳減排。據此，H2成立。

2. 調節效應檢驗

表7揭示了農業環境規制、農村人口老齡化在農村產業融合與農業碳排放之間的非線性調節作用。其中，列（2）顯示農業環境規制與農村產業融合二次項的交互項在1%水平下顯著為負（-4.116），且系數[α1α4?α2α3=-0.964lt;0]，表明農業環境規制對“倒U”型曲線的正向調節效應成立，推動曲線拐點左移，曲線形態趨于陡峭，由此驗證H3，其調節效應如圖1（a）所示。可能的原因是：前期，較低的農業環境規制強度不僅在一定程度上抑制各融合主體的技術創新熱情與采納意愿，還迫使其在短期內選擇增產或尋找“污染避難所”，導致農業碳排放有所增加；后期，隨著農業環境規制增強，農村產業融合帶動具備較強經濟實力的農業生產者更新技術和生產模式，并進一步融入現代農業產業鏈，通過整合各項資源要素“抱團”達到環保要求，不僅增強了農村產業融合的碳減排效應，還促使其更早實現。

表7列（4）顯示，農村人口老齡化與農村產業融合二次項的交互項在1%水平下顯著為正（0.123），且系數[α1α4?α2α3=0.058gt;0]，說明農村人口老齡化對“倒U”型曲線的負向調節效應成立，推動曲線拐點右移，曲線形態趨于平緩，由此驗證H4，其調節效應的示意圖如圖1（b）所示。可能的原因是：前期，農村產業融合處于起步階段，農業生產方式仍相對粗放，技術條件較為薄弱，老齡化問題迫使農業生產者為保證產出而加大農業物資及能源投入規模，推動“倒U”型曲線拐點右移；后期，由于農村老齡化現象日益嚴重，低質量勞動力成為農村產業融合過程中引進技術、改良生產和提高人力資本等減碳手段的重要阻礙因素，導致“倒U”型曲線趨于平緩，并最終削弱了農村產業融合的碳減排效應。

五、進一步探討

（一）試點政策效應

2016年，在《關于推進農村一二三產業融合發展的指導意見》等文件指導下，中央財政專項安排12億元，支持安徽、重慶、貴州、黑龍江、江蘇、江西、遼寧、山東、河南、湖北、湖南、浙江等12個省份開展農村產業融合試點工作，試點省份因而在農產品加工流通、農村電商、產業扶貧等方面獲得了更多的資金支持。據此，為了檢驗農村產業融合對農業碳排放的影響在試點前后、是否試點省份條件下的異質性，本文以2016年為界生成虛擬變量，該年以前賦值為0，該年及以后賦值為1，回歸結果見表8列（1）。可見，虛擬變量的回歸系數為-0.379且在1%水平下顯著，說明自2016年開始的試點政策顯著增強了農村產業融合對農業碳排放的抑制作用。

同時，進一步將30個省份以試點政策實施前后、是否推行試點為條件分別展開回歸分析。需要說明的是，在此重點比較試點前后期農村產業融合對農業碳排放的作用方向，故僅在模型內放入農村產業融合的一次項。根據表8列（2）和列（3）可知，農村產業融合的回歸系數僅在試點后顯著為負，在試點前雖為負但不顯著。可能的解釋是：試點前超八成省份皆未跨越降碳拐點，因此相應抵消了整體上農村產業融合對農業碳排放的抑制效應；而試點政策通過匯集各類優質資源支持農業低碳轉型，帶動部分省份跨越拐點，從整體上演變為農業碳減排效應。同時，試點地區和非試點地區農村產業融合的系數雖皆顯著為負，但前者絕對值大于后者，說明試點地區農村產業融合的農業碳減排效應更明顯。原因可能在于：一方面，隨著相關試點政策的扶持，試點區域持續吸引資本、技術及人才等要素在農村空間聚集，并由此形成了規模經濟效應，進而提高要素配置效率并降低農業碳排放；另一方面，試點政策帶動各省份逐步檢驗農業固碳減排方案的可行性和有效性，總結碳治理經驗教訓，調整環境監管方式，緩解技術推廣瓶頸，并最終強化了農村產業融合的碳減排效應。

（二）空間溢出效應

近年來，黨中央作出全面推進鄉村振興、加快建設農業強國的戰略部署，進一步打破傳統的地理空間限制，進而持續暢通各類農業生產要素的有序流動。因此，農村產業融合在削減本地區農業碳排放的同時，可能還會通過空間溢出效應影響其他地區的農業碳減排進程。基于這一問題，本文借助空間計量模型對其進行研究分析。

本文選用地理距離矩陣對農村產業融合水平和農業碳排放兩個變量進行空間自相關檢驗，結果顯示，兩個變量的全局莫蘭指數均為正值且皆通過了1%或5%水平的顯著性檢驗（4）。同時，為確定空間計量模型的具體形式，本文對空間計量模型進行了一系列檢驗。LR和Wald檢驗結果表明，應選擇空間杜賓模型而非空間誤差模型或空間滯后模型；Hausman檢驗和聯合顯著性檢驗結果表明，應選擇雙向固定效應空間杜賓模型。

經偏微分方法分解后的空間杜賓模型估計結果見表9所列。結果顯示，農村產業融合及其二次項的直接效應與間接效應均在1%水平下通過顯著性檢驗，且一次項系數為正而二次項系數為負，表明農村產業融合對農業碳排放具有顯著的“倒U”型空間溢出效應。可能的解釋是，前期，農村產業融合不僅刺激了本地的農業生產，還強化了區域間的競爭關系并帶動周邊地區爭先效仿；而相鄰地區為追逐紅利，會選擇進一步擴大生產規模和要素投入來提升產量，從而導致農業碳排放總量不斷攀升。后期，隨著農村產業融合水平的提升，區域間經濟差距縮小、經貿合作增多，優質要素資源流動效率明顯提高，由此形成技術進步與管理模式持續優化的良性互動機制；周邊地區通過充分借鑒，逐漸產生了技術溢出效應和經驗溢出效應，最終減少農業碳排放。

六、結論與建議

本文基于2007—2022年中國30個省份的面板數據，探究了農村產業融合對農業碳排放的非線性影響及作用機制，得出如下結論：農村產業融合與農業碳排放呈現“倒U”型關系，但具有一定的異質性，具體表現為，“倒U”型關系僅在東部地區成立，在高水平農業綠色技術創新地區更顯著。作用機制分析表明，推動農業科技進步是農村產業融合對農業碳排放產生影響的非線性中介機制；農業環境規制正向調節了農村產業融合與農業碳排放的“倒U”型關系，推動曲線拐點左移，曲線形態更加陡峭；農村人口老齡化則負向調節了農村產業融合與農業碳排放的“倒U”型關系，推動曲線拐點右移，曲線形態更加平緩。進一步分析表明，2016年開始的農村產業融合試點政策強化了農村產業融合對農業碳排放的抑制作用，且該抑制作用在試點省份更為明顯；同時，農村產業融合對農業碳排放呈現“倒U”型的空間溢出效應。

結合上述結論，本文提出如下建議：

第一，多措并舉促進農村產業融合，制定差異化農業碳減排規劃。各省份在制定相關規劃時，不僅要關注經濟基礎、區位優勢和技術水平等條件差異，還必須充分考慮空間效應。對低水平農業綠色技術創新地區，重點在于提高產業融合質量，要補齊基礎設施短板，提高資金、人才和技術等要素配置效率，進而催生并做強農村電商、智慧農業等新產業、新業態，普及綠色低碳生產方式；對高水平農業綠色技術創新地區，重點在于產業融合與減排能力的協同增效，要積極建立經驗、技術共享平臺，完善對口幫扶機制，總結推廣先進適用的農村產業融合路徑，助力農業碳減排工作。

第二，健全農業技術體系，完善農業社會化服務。技術瓶頸、農村人口老齡化可能給農業低碳轉型帶來負面影響。為此，科技端要加強科研團隊建設，整合優化農業科技資源，加快環境友好型技術創新及推廣力度，踐行“產學研用”一體化發展模式，將農村產業融合過程中的科技成果轉化成實打實的碳減排能力；勞動端則需大力培育公益性、社會性服務機構等多元服務主體，持續拓寬服務領域，促進信息化、智能化同農業社會化服務的深度融合，提升農業減排固碳的能力。

第三，因地制宜調整環境規制政策，合理選擇農業環境規制工具。一方面，農業碳排放相對于其他領域有其特殊性，農業環境規制手段應結合各地實情靈活調整思路、細節，盡量避免“遵循成本”效應和“一刀切”做法損害農村固碳減排潛力；另一方面，政府部門可結合地區實際推進環保標準、排放限額等“控制型”工具與綠色補貼、技術示范等“激勵型”工具的多元組合，找到農村產業融合與農業減污降碳的平衡點。

注 釋：

（1）資料來源于《關于規范農業科技進步貢獻率的測算方法的通知》［農科綜〔1997〕13號］。

（2）受限于篇幅，合理性檢驗結果未予列出，留存備索。

（3）受限于篇幅，U test檢驗結果未予列出，留存備索。

（4）受限于篇幅，空間自相關檢驗結果未予列出，留存備索。

參考文獻：

［1］羅明忠，魏濱輝.農村產業融合的環境效應分析［J］.農村經濟，2022（12）：57-66.

［2］謝幫生，陳鎏鵬，董丙瑞，等.農村產業融合的農業碳減排效應研究［J］.農林經濟管理學報，2024，23（2）：197-205.

［3］謝會強，吳曉迪.城鄉融合對中國農業碳排放效率的影響及其機制［J］.資源科學，2023，45（1）：48-61.

［4］江澤林.農村一二三產業融合發展再探索［J］.農業經濟問題，2021（6）：8-18.

［5］郝愛民，譚家銀.農村產業融合賦能農業韌性的機理及效應測度［J］.農業技術經濟，2023（7）：88-107.

［6］申學鋒，何妮，李政.農村產業融合發展的問題與路徑選擇［J］.財政科學，2023（9）：87-94.

［7］郭軍，張效榕，孔祥智.農村一二三產業融合與農民增收——基于河南省農村一二三產業融合案例［J］.農業經濟問題，2019（3）：135-144.

［8］熊愛華，張涵.農村一二三產業融合：發展模式、條件分析及政策建議［J］.理論學刊，2019（1）：72-79.

［9］李波，張俊飚，李海鵬.中國農業碳排放時空特征及影響因素分解［J］.中國人口·資源與環境，2011，21（8）：80-86.

［10］趙敏娟，石銳，姚柳楊.中國農業碳中和目標分析與實現路徑［J］.農業經濟問題，2022（9）：24-34.

［11］吳賢榮，張俊飚，田云，等.基于公平與效率雙重視角的中國農業碳減排潛力分析［J］.自然資源學報，2015，30（7）：1172-1182.

［12］田云，陳池波.市場與政府結合視角下的中國農業碳減排補償機制研究［J］.農業經濟問題，2021（5）：120-136.

［13］何艷秋，陳柔，朱思宇，等.策略互動和技術溢出視角下的農業碳減排區域關聯［J］.中國人口·資源與環境，2021，31（6）：102-112.

［14］戴小文，漆雁斌，唐宏.1990—2010年中國農業隱含碳排放及其驅動因素研究［J］.資源科學，2015，37（8）：1668-1676.

［15］劉麗輝，徐軍.基于擴展的STIRPAT模型的廣東農業碳排放影響因素分析［J］.科技管理研究，2016，36（6）：250-255.

［16］李慧，李瑋，姚西龍.基于GWR模型的農業碳排放影響因素時空分異研究［J］.科技管理研究，2019，39（18）：238-245.

［17］田云，尹忞昊.技術進步促進了農業能源碳減排嗎？——基于回彈效應與空間溢出效應的檢驗［J］.改革，2021（12）：45-58.

［18］鄧路，袁圣博，白萍，等.基于機器學習算法的新疆農業碳排放評估及驅動因素分析［J］.中國生態農業學報（中英文），2023，31（2）：265-279.

［19］尹忞昊，田云，盧奕亨.中國農業碳排放區域差異及其空間分異機理［J］.改革，2023（10）：130-145.

［20］LAI Y，YANG H，QIU F，et al. Can Rural Industrial Integration Alleviate Agricultural Non-Point Source Pollution？Evidence from Rural China［J］. Agriculture，2023，13（7）：1389.

［21］田彩紅，李琳，廖斌.農村一二三產業融合能否促進農業綠色發展？——以長江經濟帶579個縣域為例［J］.自然資源學報，2024，39（3）：601-619.

［22］張華，豐超，劉貫春.中國式環境聯邦主義：環境分權對碳排放的影響研究［J］.財經研究，2017，43（9）：33-49.

［23］趙雯歆，羅小鋒，唐林.勞動力轉移對農戶糧食綠色生產效率的影響——兼論技術推廣的作用［J］.資源科學，2023，45（7）：1440-1454.

［24］JAFFE A B，STAVINS R N. Dynamic Incentives of Environmental Regulations：The Effects of Alternative Policy Instruments on Technology Diffusion［J］. Journal of Environmental Economics and Management，1995，29（3）：43-63.

［25］羅小鋒，杜三峽，黃炎忠，等.種植規模、市場規制與稻農生物農藥施用行為［J］.農業技術經濟，2020（6）：71-80.

［26］杜建國，李波，楊慧.人口老齡化下農業人力資本對農業綠色全要素生產率的影響［J］.中國人口·資源與環境，2023，33（9）：215-228.

［27］孫中義，王力，李興鋒.人口老齡化、農業社會化服務與農業高質量發展［J］.貴州財經大學學報，2022（3）：37-47.

［28］HAANS R F J，PIETERS C，HE Z L.Thinking About U：Theorizing and Testing U- and Inverted U-Shaped Relationships in Strategy Research［J］. Strategic Management Journal，2016，37（7）：1177-1195.

［29］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.

［30］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.

［31閔繼勝，胡浩.中國農業生產溫室氣體排放量的測算［J］.中國人口·資源與環境，2012，22（7）：21-27.

［32］蔣金荷.中國城鎮住宅碳排放強度分析和用能政策反思［J］.數量經濟技術經濟研究，2015，32（6）：90-104.

［33］張林，溫濤.數字普惠金融如何影響農村產業融合發展［J］.中國農村經濟，2022（7）：59-80.

［34］陶群山，胡浩.環境規制和農業科技進步的關系分析——基于波特假說的研究［J］.中國人口·資源與環境，2011，21（12）：52-57.

［35］吳力波，楊眉敏，孫可哿.公眾環境關注度對企業和政府環境治理的影響［J］.中國人口·資源與環境，2022，32（2）：1-14.

［36］鄧晴晴，李二玲，任世鑫.農業集聚對農業面源污染的影響——基于中國地級市面板數據門檻效應分析［J］.地理研究，2020，39（4）：970-989.

［37］金紹榮，王佩佩.人口老齡化、農地流轉與農業綠色全要素生產率［J］.宏觀經濟研究，2023（1）：101-117.

［38］宋全云，吳雨，尹志超.金融知識視角下的家庭信貸行為研究［J］.金融研究，2017（6）：95-110.

［39］王菲，孫淑惠，劉天軍.數字經濟發展推進了農業生產方式變革嗎——來自黃河流域地級市的證據［J］.中國農村經濟，2023（9）：122-143.

［責任編輯：陳春香］