基于PSM-DID法的农村数字经济对农业碳排放的影响分析

摘 要：数字经济与农村发展的紧密融合对农业碳排放具有极大影响。为探索农业碳排放是否受到农村数字经济发展的影响，以2012—2022年农村数字经济和农业碳排放数据为基础，运用熵值法将农村数字经济发展的三级指标数据进行赋权处理，然后通过加权平均法得出二级指标数据，再结合熵值法、加权平均法、倾向得分匹配法（PSM）和双重差分法（DID），分析了农村数字经济对农业碳排放的影响。结果表明，推动农村数字经济发展可有效降低农业碳排放。

关键词：农村数字经济；碳排放；PSM-DID法

中图分类号：X322；F49；F323 文献标志码：A 文章编号：1674-7909（2024）16-77-5

DOI：10.19345/j.cnki.1674-7909.2024.16.016

0 引言

我国作为一个拥有悠久农业历史的大国，农业生产活动十分广泛。因此，在低碳发展和数字化发展的双重目标下，探讨农村数字经济对农业碳排放的影响具有重要的理论和现实意义。

目前，国内外关于农业碳排放的研究主要聚焦于两个方面：一是农业碳排放的特征和测算。例如，金书秦等［1］对我国农业碳排放的结构特点进行了研究；WEST等［2］计算了化肥、农药、农田灌溉及作物生长全过程中每单位的碳排放量。二是农业碳排放的影响因素。例如，徐清华等［3］通过实证研究发现，农业机械化对减少农业碳排放具有显著效果；张颂心等［4］的研究表明，科技进步在某种程度上能够抑制农业碳排放；BERHANU等［5］的研究显示，气候智能农业（CSA）技术可以有效减少农业生产的温室气体排放。近年来，国内学者围绕农村数字经济对农业碳排放的影响也取得了一些研究成果。例如，陈中伟等［6］指出，农村数字经济的发展显著降低了农业碳排放强度，并且这种效应还通过农业社会化服务水平的提高得到进一步增强；刘震等［7］通过建立农村数字经济发展综合评价指标体系，实证分析了农村数字经济对农业碳排放的具体影响；陈昕等［8］指出，数字经济能够通过减少地区的碳排放强度来实现减碳效果，且数字经济的这种减碳效果呈现出先增加后减少的变化趋势，整体形态上表现为倒“U”形特征。

以上内容为研究提供了借鉴，但仍存在一些不足之处：第一，现有文献较多从城市数字经济与碳排放之间的关系展开研究，鲜有从定量的角度关注农村数字经济与农业碳排放量之间的相互作用；第二，现有文献大多关注低碳城市试点政策的减排效应和经济效应，鲜有研究低碳城市试点政策对农村数字经济发展的中介效应。因此，研究基于2012—2022年农村数字经济发展指标数据及农业碳排放数据，综合运用熵值法、加权平均法、倾向得分匹配法（PSM）和双重差分法（DID）量化分析农村数字经济对农业碳排放的影响。

1 研究设计

传统的回归分析无法避免指标的选择偏差，故指标中原有的农村经济发展程度、农民对新型农业生产方式的可接受度［9］及地域环境［10］等，都会不同程度地干扰农村数字经济对农业碳排放的影响，从而影响回归结果。而PSM可通过匹配倾向值相近的控制组（采取低碳城市试点政策）和处理组（未采取低碳城市试点政策），克服2个群组在样本选择上的偏误，科学合理地平衡数据，从而能够更精确地分析因果关系。故研究运用PSM-DID方法来探究农村数字经济发展对农业碳排放的影响，共有以下4个步骤。

第一，数据预处理。为了避免三级指标体系的多重共线性，利用熵权法将三级指标转换成二级指标，随后运用加权平均法将二级指标转化为一级指标，转化后的一级指标构成PSM-DID回归模型的解释变量。第二，计算倾向分数值。这一步利用 Logistic 参数模型对混淆变量进行计算，得出每个样本个体中实施低碳城市试点政策的概率。第三，基于倾向值进行匹配及匹配效果检验。利用卡尺为0.03的最近邻匹配方法将控制组和处理组的个体进行匹配，并对匹配效果进行平衡性检验，直到控制组和处理组的PS值存在显著的差异性。第四，进行PSM-DID回归分析。基于匹配好的数据，利用PSM-DID模型对数据进行回归分析，从而分析农村数字经济发展对农业碳排放的影响。

1.1 变量说明

1.1.1 被解释变量

1.1.2 解释变量

关键解释变量为农村数字经济发展水平，由数字基础设施（construction）、数字产业发展（industrial）、数字技术发展（tech）3个二级指标组成，各二级指标又由若干三级指标组成。这里，参照王军等［11］构建的中国数字经济发展水平指标体系，并结合农村数字经济发展情况，构建农村数字经济发展评价指标体系，如表1所示。

1.1.3 控制变量

控制变量为该城市是否为低碳城市。将31个省（自治区、直辖市）分为低碳城市（Dc=1）和非低碳城市（Dc=0）两类，以此讨论低碳城市试点政策对农业碳排放的影响。

1.2 数据来源

研究从《中国统计年鉴》（2012—2022）、《中国农村统计年鉴》（2012—2022）、ESP数据平台及北京大学发布的数字普惠金融指数等数据库搜集相关数据。采用的数据涵盖了2012—2022年中国31个省（自治区、直辖市），总计341个样本。各二级指标描述性统计分析结果如表2所示。

1.3 数据预处理

为研究各个解释变量对因变量的影响，需根据三级指标数据测算二级指标。熵值法［12］是一种客观赋值法，其根据各项指标观测值所提供的信息大小来确定指标权重。由于各指标的计量单位并不统一，因此，研究通过熵值法将各三级指标数据进行处理，即将各三级指标的计量单位统一化，具体步骤为：

1.4 模型构建

在探究实施低碳城市试点政策与未实施低碳城市试点政策之间的结果差异时，由于针对多个特征X进行对比较为困难，故选择将多维控制变量X用倾向得分P（x）代替，这样就只需要对单一的倾向得分变量进行匹配。如果两个样本的倾向得分相同，则将其中一个作为控制组，另一个作为处理组。倾向得分的表达式为［13］：

2 实证分析

2.1 平衡性检验

为使研究数据匹配的结果更具有说服力，对匹配前后处理组和控制组的偏差进行检验。系列混淆变量在处理组和控制组之间的偏差检验结果如表4所示。

由表4可知，匹配前匹配变量的标准误绝对值均在20%以内，故匹配效果良好；所有变量在匹配前均通过显著性检验，匹配后则并未通过；经过匹配，各变量间的差异显著减小，t值下降，P值变得不再显著，表明匹配后的处理组与控制组在匹配变量上几乎没有差异，从而通过了平衡性检验。此外，匹配后所有变量的标准化偏差绝对值大幅减小，证明处理组和控制组的分布具有高度一致性，满足倾向得分匹配的平衡性假设。匹配前后控制组（Dc=1）和处理组（Dc=0）的共同支撑域图如图1所示。

由图1可知，匹配前和匹配后控制组和处理组的绝大多数样本数据都在共同取值范围内，而不在共同取值范围内的样本倾向得分值比较极端，集中在6附近。

结合表4和图1可知，处理组和控制组之间的混淆变量在匹配后的差异均不显著，即匹配的效果较好。

2.2 倾向值匹配结果

指标数据处理后，在PSM匹配前和PSM匹配后的回归结果如表5所示。其中，匹配前表示对指标数据处理之后通过PSM匹配之前的回归结果，匹配后表示对指标数据处理之后再通过PSM匹配之后的回归结果。

由表5可知，在进行PSM匹配前，数字基础设施（construction）提升1个单位可以使农业碳排放升高16.43个单位，数字产业发展（industrial）提升1个单位可以使得农业碳排放降低11.25个单位，数字技术发展（tech）提升1个单位可以使得农业碳排放降低2.79个单位。在进行PSM匹配后，当数字基础设施（construction）提升1个单位时，农业碳排放升高159.1个单位，并且在1%的统计水平上显著；当数字产业发展（industrial）提升1个单位时，农业碳排放降低104.2个单位，并且在5%的统计水平上显著；当数字技术发展（tech）提升1个单位时，农业碳排放降低50.73个单位，并且在10%的统计水平上显著。

3 研究结论与政策建议

3.1 研究结论

研究使用2012—2022年中国31个省（自治区、直辖市）农村数字经济发展和农业碳排放数据，将数据分为控制组和处理组，利用熵值法对指标数据进行预处理，再利用PSM-DID模型对数据进行回归分析，探索3个二级指标表示的农村数字经济对农业碳排放的影响，得出3个基本结论。

3.1.1 农村数字基础设施与农业碳排放呈正相关

数字基础设施建设推动了农业数字经济发展，但也会在建设过程中增加碳排放。例如，数字基础设施建设带动了电子商务、智能农业等新兴产业的快速发展，但产业的快速扩张可能导致传统高碳产业的加速发展；同时，由于居民消费模式的变化及交通运输效率的提升，会产生更多交通排放，从而增加农村碳排放。

3.1.2 农村数字产业发展与农业碳排放呈负相关

数字产业发展通过提高资源利用效率、促进清洁能源应用、绿色供应链管理、生态监测与管理及推动循环经济等，在促进经济增长的同时，降低碳排放，推动可持续发展。

3.1.3 农村数字技术发展与农业碳排放呈负相关

数字技术发展通过推动农村企业绿色技术应用、优化供应链管理、促进循环经济发展及提升信息获取能力等，改变农村居民对低碳经济的认知，并促使其积极参与，从而实现可持续发展目标。

3.2 政策建议

3.2.1 扩大低碳试点城市范围

各地区要结合实际情况制定针对性政策，并将搜集到的成功经验进行推广，将低碳城市试点政策扩大到农村地区。低碳城市试点政策通过相应的激励措施和惩戒方式推动相关企业实施绿色转型，有助于碳减排目标的实现。因此，在全国范围实施低碳城市试点政策的同时，应该兼顾政策规制和资金支持，引导企业在基础设施建设过程中采用低碳技术来实现经济效益与环境效益的双赢。

3.2.2 加强农村数字基础设施的低碳转型

在农村基础设施建设中，部分地区仍然采用粗放的建设方式，导致碳排放增加。因此，应该优化产业资源配置和提高生产效率，降低能源消耗，推进传统粗放型产业向绿色智能化方向转型；提升农村信息化水平，加强5G网络建设，建立智慧农业体系，减少对高碳基础建设的依赖，加强数字技术的直接效应，实现产业节能降耗。

3.2.3 推进农村数字经济发展的技术支持

继续增加科学技术投入，鼓励农业科技创新，创新金融产品和服务，提高科技创新领域的金融供给量，从技术方面推动数字技术与低碳技术相融合。推动数字技术的普及和应用，通过数字经济发展带动数字技术普及，持续提升居民低碳环保和资源节约意识，实现村民生活低碳化。

参考文献：

［1］金书秦，林煜，牛坤玉.以低碳带动农业绿色转型：中国农业碳排放特征及其减排路径［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］徐清华，张广胜.农业机械化对农业碳排放强度影响的空间溢出效应：基于282个城市面板数据的实证［J］.中国人口·资源与环境，2022（4）： 23-33.

［4］张颂心，王辉，徐如浓.科技进步、绿色全要素生产率与农业碳排放关系分析：基于泛长三角26个城市面板数据［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］陈中伟，汤灿.数字经济发展对农业碳排放的影响及其时空效应［J］. 科技管理研究， 2023，43（12）：137-146.

［7］刘震，张晓星，魏威岗.农村数字经济发展对农业碳排放的影响：基于29个省份的面板数据分析［J］.江苏大学学报（社会科学版）， 2023， 25（3）：20-32.

［8］陈昕，金殿臣，张亚豪.数字经济能否助力“双碳”目标的实现：基于中国省级面板的实证分析［J］.社会科学家，2023（8）：70-76.

［9］温涛，陈一明.数字经济与农业农村经济融合发展：实践模式、现实障碍与突破路径［J］.农业经济问题，2020（7）：118-129.

［10］慕娟，马立平.中国农业农村数字经济发展指数测度与区域差异［J］.华南农业大学学报（社会科学版），2021（4）：90-98.

［11］王军，罗杰，罗茜.中国数字经济发展水平及演变测度［J］.数量经济技术经济研究， 2021，38（7）：26-42.

［12］李珒，胡佳霖，王熙.全球视域下数字经济发展的碳减排效应及其作用机制［J］. 中国人口·资源与环境，2024，34（8）：3-10.

［13］胡永远，周志凤. 基于倾向得分匹配法的政策参与效应评估［J］. 中国行政管理，2014（1）：98-101.