A study on the impact of digital economy development on carbon emission efficiency in crop production systemEmpirical tests based on mediation and threshold effects
-
摘要:
农业源温室气体排放量(碳排放)仅次于工业, 种植业作为农业的基础, 其碳排放量在农业中占据较大比重, 种植业碳减排对于“双碳”目标的实现具有重要意义。在“碳达峰、碳中和”的碳排放格局下, 数字经济已成为推动种植业绿色低碳高质量发展的新引擎。本文在理论探讨基础上, 结合2011—2021年中国31个省(自治区、直辖市, 不包括中国香港、澳门和台湾)面板数据, 综合利用固定效应回归模型、工具变量模型、中介效应模型、门槛效应模型, 实证考察了数字经济发展与种植业碳排放效率之间的内在关系。研究发现, 数字经济发展对种植业碳排放效率具有显著的正向影响, 且存在农业生产功能与区域异质性; 数字经济发展通过促进技术创新和规模经营来抑制种植业碳排放, 且“技术创新效应”的贡献份额大于“规模经营效应”; 数字经济发展对种植业碳排放效率的促进作用还受经济发展水平的影响, 当经济发展水平低于阈值时, 数字经济发展对种植业碳排放效率的影响并不显著, 当经济发展水平超过阈值后, 数字经济发展能够对种植业碳排放效率产生显著的提升效应。
Abstract:Agriculture are second largest source for greenhouse gases emissions (carbon emissions), which is second only to those from industry. Crop production sytem is the foundation of agriculture. Therefore, carbon emission reduction in crop production system is critical to realizing the goal of “double carbon”. Under the “carbon peak and carbon neutral” emission pattern, the digital economy has become a novel engine to promote the green, low-carbon, and high-quality development of crop production system. In this study, based on theoretical discussion and panel data of 31 provinces (autonomous regions and municipalities, excluding Hong Kong, Macao and Taiwan) in China from 2011 to 2021, the carbon emission efficiency of crop production system and the comprehensive development level of the digital economy in each province were measured using the Super-efficient SBM-Undesirable model, the Malmquist-Luenberger productivity index decomposition method, and the entropy value method. Based on the development level of each province, this study used the fixed effects model, instrumental variable, mediation effect, and threshold effects models to empirically examine the intrinsic relationship between digital economic development and carbon emission efficiency in crop production system. The study reveals that: 1) digital economic development has a significant positive impact on the carbon emission efficiency of crop production system with heterogeneity in different agricultural production functional regions as well as geographical zone; 2) digital economic development suppresses the carbon emission from crop production system by promoting technological innovation and large-scale operations; 3) the “technological innovation effect” contributes significantly more to the mediating effect than does the “large-scale operation effect;” 4) the impact of digital economic development on carbon emission efficiency in crop production system is also influenced by the economic development level. When the level of economic development is lower than the threshold, the impact of digital economic development on carbon emission efficiency in crop production system is not significant. When the level of economic development exceeds the threshold, digital economic development has the potential to significantly improve carbon emission efficiency in crop production system. Given this, this study puts forward the following countermeasures. 1) Build a complete and perfect digital infrastructure to promote the high-quality development of the digital economy and deepen the integration and application of digital science and technology in crop production system. 2) Focus on supporting the scale of crop production system and information technology. 3) Promote the synergistic development of both the digital and regional economy. 4) Set up inter-regional cooperation mechanisms to strengthen connectivity and information sharing among regions, and a differentiated, dynamic, and uneven development strategy should be implemented according to local conditions.
-
气候变暖已成为人类面临的最严峻的全球性环境问题, 温室气体排放(碳排放)引起了全球各界的广泛关注[1], 围绕碳达峰目标与碳中和愿景实施碳减排、增加碳汇已成为国际社会的共识。联合国政府间气候变化专门委员会发布报告显示, 农业、林业等土地利用部门的碳排放约占净人为排放的1/4, 是重要的碳排放源。我国作为世界上最重要的农业国家之一, 其种植业和畜牧业在世界范围内占据相当大的比重, 随着国家对农业重视程度的与日俱增, 农业产业发展呈现出新的发展态势, 其生产过程中所造成的生态问题日益显著。有研究显示, 我国农田生态系统碳排放约占全国碳排放总量的16%~17%[2], 种植业作为我国农业的最重要组成部分之一, 在农业中占据较大比重 。此外, 随着农业机械化和化学化的发展, 种植业生产过程投入了大量农用物资, 其在大幅提高种植业经济效益的同时, 也直接或间接导致碳排放增加, 使得种植业可持续发展面临严峻挑战。因此, 在农业领域中, 种植业碳排放问题不容小觑。
进入21世纪以来, 数字化浪潮席卷全球, 经济学界及其他领域都在热议“数字经济” “网络经济”以及“数据经济”[3], 数字技术日益全面而深入地融入了经济社会发展各领域全过程[4]。数字经济是国民经济的“稳定器”与“加速器”, 其向农村地区的扩散和渗透是农业高质量发展的重要契机, 驱动着传统农业的数字化转型, 解决了传统农业发展过程中的重要问题[5]。数字经济的发展是否可以为种植业碳减排带来新动能? 是否能成为实现种植业“双碳”目标的助推器? 这一系列理论层面的问题亟待阐释, 关于这一系列问题的思考与探索, 对于推动数字经济发展和促进种植业减碳增效具有现实意义, 也可以为“双碳”远景目标的实现提供思路。
目前关于探究数字化转型的碳减排效应主要集中于城市发展、工业经济发展等问题, 从产业结构高级化与合理化、绿色技术创新、产业结构优化升级等视角考察了数字经济发展对城市碳排放[6]和工业碳排放[7]的影响。而有关数字经济与种植业碳排放的研究方兴未艾, 现有研究主要聚焦于农业视角来探究数字经济的碳减排效应, 以及围绕种植业碳排放的测算和特征、碳减排政策以及影响因素等开展了相关研究[1,8-9]。 前人研究表明, 数字经济的农业碳减排效应在东部和西部地区、高科学技术投入地区、粮食主产区和平衡区、种植业区和畜牧业区以及经济发达地区更加显著[10]; 数字经济能够通过规模经营、结构优化、提高技术创新水平和人力资本水平等渠道来抑制农业碳排放[11-12]。在种植业碳排放效率的测算及特征方面, 有研究发现我国种植业碳排放总量在2007—2016年间经历了“快速上升—缓慢上升—略微下降”的3个阶段[13], 在2015年达到“顶峰”, 化肥、农用柴油、农用薄膜、农药、农业灌溉和农业播种的碳排放贡献依次减少[14]; 长江经济带种植业碳排放效率提升较快、效率较高, 区域间呈现出下游>中游>上游的空间格局, 省际间碳收支平衡存在明显差异[15]。从种植业碳排放影响因素来看, 种植业生产效率、农业产业结构、农业劳动力规模、国家产业结构以及农村地区人口能够促进种植业碳减排, 而国家经济发展水平、农村人口流失水平、生产结构和农业经济发展则表现出抑制作用[16-17], 抑制碳减排最主要的驱动因素是产出水平[18]。然而, 直接研究数字经济影响种植业碳排放效率的文献较少, 仅有部分学者研究了数字经济对粮食生产碳排放[19]的影响。
鉴于此, 本文将对热点问题进行冷思考, 对纷繁的现象从经济学基本理论维度进行深层探索, 以中国31个省(自治区、直辖市, 不包括中国香港、澳门和台湾, 下同)作为研究区域, 进一步厘清数字经济发展对种植业碳排放效率的内在影响及作用机理。本文的边际贡献在于: 1)从数字经济发展这一新的视角切入, 基于技术创新和规模经营两种效应理论, 从理论和实证两个层面, 定性和定量分析数字经济对种植业碳排放效率的影响机理; 2)将全国31个省面板数据划分为不同区域和粮食生产功能区, 深入剖析不同维度数字经济影响种植业碳排放效率的异质性; 3)将经济发展水平纳入分析框架中, 运用面板门槛模型实证检验了数字经济发展对种植业碳排放效率的非线性影响, 为数字经济发展对种植业碳排放效率的影响由“缓冲器”转向“加速器”提供新的诠释。
1. 理论分析与研究假说
1.1 数字经济发展对种植业碳排放效率影响的直接效应
种植业碳排放效率是指在种植业经济系统中, 要素投入给定的情况下, 获得低碳排放和高效益。随着数字经济的发展, 数据要素和数字技术逐渐向种植业生产的产前、产中、产后全过程嵌入, 充分发挥“数字+种植业”的“蒲公英”效应, 直接对种植业产生减碳和增效作用[19]。以5G、物联网、大数据、区块链、云计算、人工智能等为代表的数字经济赋能种植业减碳和增效的特征(图1), 主要表现在通过平台经济实现种植业生产者的自我“造血”功能。种植业生产者能够利用数字平台获取相关信息做出更明智的决策, 优化和重组劳动、资本和土地等投入要素配置, 从而在提高劳动生产率的同时降低碳排放。
在种植业生产的各环节中, 数字经济技术的渗入提高了信息传递效率, 数字经济发展带来的数字信息红利, 打破了传统种植业生产过程中的信息不对称约束以及要素配置的时空格局, 可以使种植业生产各个环节的信息迅速地渗透出来, 实现信息交流与共享; 数据要素作为一种新型生产要素, 与劳动力、资本、土地等传统要素深度融合, 能够突破传统要素供给约束, 改革生产模式, 缓解种植业资源要素错配程度, 并通过海量数据分析破解传统生产要素信息不对称问题, 在提高种植业生产效率的同时起到降低种植业碳排放的作用[15]。数字经济发展对种植业碳排放效率的影响可以从以下渠道实现(图2)。基于以上理论分析, 本文提出以下研究假设。
![]()
图 2 数字经济发展对种植业碳排放效率的影响机理Figure 2. Mechanisms of digital economic development on carbon emission efficiency in crop production system假设H1: 数字经济的发展有利于提高种植业碳排放效率。
1.2 技术创新效应和规模经营效应的中介作用
从技术创新效应来看: 数字经济可以有效推动技术创新发展, 促进种植业绿色生产和节能减排技术进步、优化投入要素结构及使用效率, 进而以较低投入获得较高产出, 以达到提升种植业碳排放效率的目的。第一, 数字经济的发展改变了传统的信息传递模式, 缩小了农村居民的数字接入鸿沟, 使种植业生产者加速进入网络环境, 形成绿色环保理念和网络非正式环境规制, 并自觉采用无污染、无公害、无化学品的生产方式。第二, 数字经济发展所带来的数字技术渗透种植业生产各环节, 打破了时空局限和信息壁垒, 提高种植业生产者间的信息交流和共享效率, 优化或集成种植业资源要素流动通道和配置, 减少种植业生产活动中因时空因素产生的资源要素消耗, 提高资源利用效率的同时降低碳排放。不再需要“物理身体”作为载体, 通过数字技术可形成“数字身体”, 使种植业生产者实现“虚拟在场” [20]。种植业生产者可以依托数字信息平台及时学习新型种植业生产技术和管理方法, 有效提高生产效益和促进碳减排。第三, 在数字经济环境下, 结合种植业生产实际需求, 通过收集、分析、利用和共享大量种植业生产环境信息, 可以更好地控制和管理种植业生产过程, 降低环境污染和土壤侵蚀的风险, 提高生产效益和资源利用效率的同时降低对环境的污染程度。
从规模经营效应来看: 首先, 数字经济产业突破了地域限制, 打破了城镇传统分割孤立的布局, 拉近了城镇间的空间距离。大城市的“虹吸效应”对农村生产要素的“拉-推”作用,导致大量农村剩余劳动力向“大城市”转移[21], 激发农村要素结构重组, 部分闲置土地被流转到少数人手中, 促进农户对农地的规模化经营。其次, 数字技术无界性和数字场景迭代性的优势, 畅通城乡经济大循环和要素流动通道, 促进城镇要素双向流动和平等交换, 吸引大量资本下乡。外来资本的介入, 给种植业提供了一种外部输入的资本供给方式, 缓解了农村资金外流的压力, 发挥规模资金要素的潜能, 将农村土地通过流转的方式集中起来, 发展规模经营。再次, 高水平的农村数字普惠金融可以降低种植业产业经营主体获取金融服务的交易成本, 为各经营主体以及特色产业提供优惠贷款等有效金融支持, 解决种植业产业发展中的融资慢、难、贵等问题, 激发农地的规模化经营。最后, 农地规模化经营有助于促进种植业生产集约化、自动化、机械化和智能化, 在生产过程中运用数字信息技术, 能够提升环境调控和植保作业的机械化水平, 推广普及土地耕整和灌溉施肥技术装备 、精准生产和经营, 使得投入要素得到高效利用, 提高生产效益的同时降低碳排放。鉴于此, 构建数字经济发展赋能种植业碳减排的内在机理(图3)。基于以上, 本文提出以下研究假设。
![]()
图 3 数字经济发展赋能种植业碳减排的内在机理Figure 3. Intrinsic mechanisms of carbon emission reduction in the plant production system empowered by the development of digital economy假设H2: 数字经济发展通过技术创新效应、规模经营效应促进种植业碳排放效率的提升。
1.3 经济发展水平的门槛效应
现有文献已经从定性和定量方面研究了数字经济的非线性效应, 如赵涛等[22]指出数字经济具有“梅特卡夫法则”以及“摩尔定律”特点, 并且数字经济还呈现“规模报酬递增”的态势。因此, 数字经济对种植业碳减排的赋能效应可能呈现非线性特征。
当经济发展水平较低时, 经济增长模式以粗放型为主、经济结构以能源密集型为主, 数字经济发展具有明显的负外部性。数字经济发展初期基础设施投入不足, 技术创新成本高、收益低, 可能会出现“生产率悖论”现象。种植业经营主体是以小农分散经营为主, 短期内缺乏足够的动力和资本进行绿色技术创新活动。因此, 在数字经济与种植业经济的融合下, 数字技术扩散需要时间, 扩散速度缓慢。叠加环境规制政策与碳排放之间呈倒“U”型关系, 随着环境规制强度由弱到强, 影响效应由“绿色悖论”效应转变为“倒逼减排”效应[23], 而低经济发展水平下政府的宏观发展战略主要以引导城乡经济增长为主, 对环境问题的重视程度较低, 环境规制强度也不足。随着经济发展水平的不断提高, 经济增长模式以集约型为主, 经济结构以技术密集型或服务密集型为主, 数字经济发展会对资源要素利用效率形成倒逼机制, 主要表现为数字经济吸引越来越多的要素投入, 数据的可复制性、可再生性、可共享性等使得数字化生产要素几乎无限制零成本复制。当经济发展水平达到一定程度之后, 收入增加存在“边际效用递减”的规律, 为种植业经营主体所带来的满足感逐渐下降, 即由“物质资本”需求转向“美好生活”需要。此时政府的宏观政策在维持经济平稳运行的同时, 还要满足人们日益增长的优美生态环境需要, 故而促进经济增长与生态保护协同发展, 倡导环境友好型的低碳生产方式。基于此, 本文提出以下研究假设 。
假设H3: 数字经济影响种植业碳排放效率的过程中存在经济发展水平单门槛效应。
2. 实证分析与检验
2.1 数据说明
基于数据的全面性、科学性、有效性, 本文以2011—2021年间中国31个省级行政区划单位(不包含中国的港澳台地区)作为研究对象进行实证检验。本文的指标数据来源于国家统计局、《中国统计年鉴》、国家土地调查等, 数字普惠金融发展指数(Index)相关指标为“北京大学数字普惠金融指数” [24]。针对以上数据存在部分年份缺失的情况, 采用插补法等进行补充。此外, 在实际测算过程中采用GDP平减指数进行价格平减, 折算成以2011年为基期的实际值, 消除不同年份价格因素(通货膨胀)的影响; 为解决异方差问题, 对部分数量级较大的变量取自然对数。本文关于解释变量(数字经济发展水平)和被解释变量(种植业碳排放效率)的具体计算方法、过程及参数见电子版资源附件 (http://www.ecoagri.ac.cn/cn/article/doi10.12357/cjea.20230674)。
2.2 变量选择和描述性统计
被解释变量: 种植业碳排放效率。本文利用超效率SBM-Undesirable模型和Malmquist-Luenberger生产率指数分解法对种植业碳排放效率进行测算, 综合相关研究[25]对农业碳排放效率指标的设计, 本文从土地、劳动力、农用物资(化肥、农药、农膜)、农业机械动力以及灌溉等方面构建种植业碳排放效率测度的投入指标体系。产出指标包含期望产出与非期望产出, 本文借鉴吉雪强等[1]的做法, 选择消除价格影响后的种植业总产值(狭义的农业总产值)作为产出指标来衡量种植业的期望产出, 碳排放量作为非期望产出。
核心解释变量: 数字经济发展。为避免主观因素对模型结果的影响, 本文采用熵值法对数字经济综合发展水平进行测算。由于数字经济发展对种植业碳排放效率的影响是多维复合的, 本文借鉴赵涛等[22]、徐维祥等[26]的研究方法, 遵循指标选取中的客观性、系统性、代表性和可比性原则, 依次从数字产业、数字基础设施、数字用户、数字技术创新、数字金融服务、数字化发展环境6个维度选取指标构建综合评价指标体系, 对数字经济发展水平进行衡量。以上6个指标对应的实际内容包括: 1) 信息传输、软件和信息技术服务业城镇单位就业人员占比和电信业务量对数; 2) 长途光缆线路长度/行政区划面积对数、移动电话交换机容量对数和移动电话交换机容量对数; 3) 移动电话普及率和互联网普及率; 4) 普通高等学校本专科授予学位数对数、地方财政科学技术支出对数、研究与试验发展经费内部支出对数、公共图书馆电子阅览室终端数对数、公共图书馆计算机数对数和技术市场成交额对数; 5) 北京大学数字普惠金融指数对数; 6) 人均GDP对数和农村居民人均可支配收入对数。
控制变量: 为了避免遗漏重要变量对估计结果造成的影响, 借鉴相关研究, 设置了以下变量作为控制变量。1)财政支农力度: 使用地方财政农林水事务支出与地方财政一般预算支出的比值来衡量; 2)交通基础设施水平: 使用城市市政设施中的道路长度与农村总人口的比值来表征; 3)种植业单位面积总产值: 使用农业总产值与农作物总播种面积的比值来计算。
中介变量: 采用规模经营效应和技术创新效应作为中介变量, 分别采用国内专利申请受理量的自然对数、耕地面积与种植业从业人员的比值对数来表征。
门槛变量: 选取地区经济发展水平作为门槛变量, 以每年各地区的生产总值来表征。
为更好地探究数字经济发展对种植业碳排放效率的影响情况, 有必要对所选取指标含义进行解释与描述性统计分析。本文所选取的被解释变量、解释变量、控制变量、中介变量和门槛变量详情见表1。
表 1 变量描述性统计分析Table 1. Descriptive statistical analysis of variables变量
Variable符号
Symbol样本量
Sample size均值
Mean标准差
Standard deviation极小值
Minimum极大值
Maximum种植业碳排放效率对数
Logarithm of carbon emission efficiency in plant production systemLncef 341 0.3313 0.4911 −1.7102 2.8598 数字经济发展水平
Level of development of the digital economyDige 341 0.5356 0.1229 0.0751 0.8121 财政支农力度
Financial support for agricultureGov 341 0.1158 0.0340 0.0411 0.2038 交通基础设施水平
Level of transportation infrastructureTraff 341 0.0110 0.1865 0.0001 3.4450 种植业单位面积总产值
Gross value of production per unit area of crop production (×105 ¥∙hm−2)Agdp 341 0.0111 0.0178 0.0004 0.1415 规模经营效应
Large-scale business effectLnscale 341 2.3619 0.5169 1.4752 4.0632 技术创新效应
Technology innovation effectLntech 341 10.6389 1.5784 5.1358 13.7960 地区经济发展水平
Level of regional economic development (×108 ¥)Gdp 341 24784.4300 20698.2800 611.5000 105615.3000 2.3 模型设定
基于上述理论分析, 为了验证基本研究假说H1, 本文构建面板基准回归模型如下:
$$ \mathrm{L}\mathrm{n}{\mathrm{c}\mathrm{e}\mathrm{f}}_{it}={\alpha }_{0}+{\alpha }_{1}\times {\mathrm{D}\mathrm{i}\mathrm{g}\mathrm{e}}_{it}+{\alpha }_{2}\times {\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}}_{it}+{\mu }_{it}+{\varepsilon }_{it} $$ (1) 式中:
$ i $ 表示地区;$ t $ 表示时间; 被解释变量$ {\mathrm{c}\mathrm{e}\mathrm{f}}_{it} $ 表示第$ i $ 个地区第$ t $ 年的种植业碳排放效率, 为消除异方差的影响, 本文对$ {\mathrm{c}\mathrm{e}\mathrm{f}}_{it} $ 取对数; 核心解释变量$ {\mathrm{D}\mathrm{i}\mathrm{g}\mathrm{e}}_{it} $ 表示第$ i $ 个地区第$ t $ 年的数字经济发展水平;$ {\alpha }_{1} $ 表示核心解释变量的回归系数, 用以衡量数字经济对种植业碳排放效率的影响程度;$ {\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}}_{it} $ 表示一系列控制变量, 包括财政支农力度、交通基础设施水平、农业单位面积总产值等变量;$ {\alpha }_{2} $ 表示控制变量的回归系数;$ {\alpha }_{0} $ 表示常数项;$ {\mu }_{it} $ 表示地区固定效应;$ {\varepsilon }_{it} $ 表示随机扰动项。为了检验数字经济发展对种植业碳排放效率的作用机制, 本文参考前人研究[27], 运用逐步回归方法进行验证。本文在式(1)的基础上构建如下中介效应模型:
$$ \mathrm{L}\mathrm{n}{\mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}}_{it}={\beta }_{0}+{\beta }_{1}{\times \mathrm{D}\mathrm{i}\mathrm{g}\mathrm{e}}_{it}+{\beta }_{2}{\times \mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}}_{it}+{\mu }_{it}+{\varepsilon }_{it}$$ (2) $$ \begin{split} &\qquad \mathrm{L}\mathrm{n}{\mathrm{c}\mathrm{e}\mathrm{f}}_{it}={\pi }_{0}+{\pi }_{1}{\times \mathrm{D}\mathrm{i}\mathrm{g}\mathrm{e}}_{it}+{\pi }_{2}{\times \mathrm{L}\mathrm{n}\mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}}_{it}+{\pi }_{3}\times\\ & \mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}_{it}+{\mu }_{it}+{\varepsilon }_{it} \end{split} $$ (3) 式中:
$ {\mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}}_{it} $ 表示中介变量, 分别是规模经营效应和技术创新效应;$ {\beta }_{0} $ 和$ {\pi }_{0} $ 表示常数项;$ {\beta }_{1} $ 、$ {\beta }_{2} $ 、$ {\pi }_{1} $ 、$ {\pi }_{2} $ 和$ {\pi }_{3} $ 表示待估计参数。其他变量与式(1)相同。本文将利用公式(1)−(3)检验规模经营效应和技术创新效应的作用机制, 并在此基础上进行Sobel检验。为检验数字经济发展对种植业碳排放效率的影响是否具有非线性, 在式(1)的基础上考虑构建门槛效应模型:
$$ \begin{split} &\qquad \mathrm{L}\mathrm{n}{\mathrm{c}\mathrm{e}\mathrm{f}}_{it}={\theta }_{0}+{\theta }_{1}\times \mathrm{D}\mathrm{i}\mathrm{g}\mathrm{e}_{it}\left(\mathrm{G}\mathrm{d}\mathrm{p} \leqslant {\delta }_{1}\right)+{\theta }_{2}\times{\mathrm{D}\mathrm{i}\mathrm{g}\mathrm{e}}_{it} \\ & \left({\delta }_{1} < \mathrm{G}\mathrm{d}\mathrm{p} \leqslant {\delta }_{2}\right)+\dots + {\theta }_{m}{\times \mathrm{D}\mathrm{i}\mathrm{g}\mathrm{e}}_{it}\left({\delta }_{m-1} < \mathrm{G}\mathrm{d}\mathrm{p} \leqslant {\delta }_{m}\right)+\\ & {\theta }_{m+1}\times \mathrm{D}\mathrm{i}\mathrm{g}\mathrm{e}_{it}\left(\mathrm{G}\mathrm{d}\mathrm{p} > {\delta }_{m}\right)+\gamma {\times \mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}}_{it}+{\mu }_{it}+{\varepsilon }_{it} \end{split} $$ (4) 式中:
$ {\theta }_{0} $ 表示常数项;$ {\theta }_{1} $ 、$ {\theta }_{2} $ 、···、$ {\theta }_{m} $ 和$ {\theta }_{m+1} $ 表示不同门槛水平下核心解释变量的系数;$ \mathrm{G}\mathrm{d}\mathrm{p} $ 表示门槛变量, 即经济发展水平;$ {\delta }_{1} $ 、$ {\delta }_{2} $ 、···、$ {\delta }_{m-1} $ 和$ {\delta }_{m} $ 表示对应门槛值, 且$ {\delta }_{m-1} < {\delta }_{m};\; \gamma $ 表示待估计参数。其他变量与式(1)相同。3. 实证结果及分析
3.1 基准回归结果分析
由表2可知, 无论是否加入控制变量, 数字经济发展对种植业碳排放效率的影响均在1%水平上显著为正。由于构建面板基准回归模型进行回归估计, 对样本数据的处理需要考虑采用固定效应模型(FE)还是随机效应模型(RE), 而模型的确定可采用 Hausman 检验方法。表2检验结果表明, 应使用固定效应模型进行估计, 本文主要考虑模型4的估计结果。模型4结果显示, 数字经济每增加1%, 将会驱动种植业碳排放效率提高2.2020%, 这就表明数字经济对种植业碳排放效率提升呈显著正向促进作用, 则假设H1得以验证; 控制变量对种植业碳排放效率的影响均在1%的水平下显著为正。
表 2 基准回归分析结果Table 2. Benchmark regression analysis results变量
Variable模型1 Model 1 (RE) 模型2 Model 2 (FE) 模型3 Model 3 (RE) 模型4 Model 4 (FE) Dige 2.9340*** (0.2240) 3.414*** (0.2290) 1.8580*** (0.1950) 2.2020*** (0.2110) Gov 7.9270*** (0.9640) 5.3760*** (1.1540) Traff 0.2680*** (0.0747) 0.2630*** (0.0724) Agdp 24.1600*** (1.8650) 25.6700*** (2.0750) 常量 Constant −1.2400*** (0.1350) −1.4970*** (0.1240) −1.8540*** (0.1490) −1.7590*** (0.1430) 观测值
Observed value341 341 341 341 R2 0.4180 0.6250 调整后的R2
Adjusted R20.3600 0.5840 P值 P-value 0.0000 0.0043 括号中是异方差稳健标准误, ***表示在 1%水平显著相关。Dige: 数字经济发展水平; Gov: 财政支农力度; Traff: 交通基础设施水平; Agdp: 种植业单位面积总产值; FE: 固定效应模型; RE: 随机效应模型。Heteroskedasticity robust standard errors are reported in parentheses, and *** denotes significant correlation at 1% level. Dige: level of development of the digital economy; Gov: financial support for agriculture; Traff: level of transportation infrastructure; Agdp: gross value of production per unit area of crop production; FE: fixed effects model; RE: random effects model. 3.2 中介效应回归结果分析
本文采用逐步回归法检验中介效应是否存在, 具体结果如表3 所示。模型1和3为公式(2)的实证结果, 模型2和模型4为方程(3)的实证结果。模型1和模型3的核心观测系数值
$ {\beta }_{1} $ 与模型2和模型4中介变量系数值$ {\pi }_{2} $ 均显著为正(P<0.01), 表明中介效应存在; 模型2和模型4的核心观测系数值$ {\pi }_{1} $ 显著为正(P<0.1), 且数值均分别小于表2中模型4的核心观测系数值$ {\alpha }_{1} $ , 表明“规模经营效应”与“技术创新效应”均存在, 即假设H2成立。两者中介效应贡献份额分别为 27.8600% 和 58.1200%, “技术创新效应”较大, “规模经营效应”较小, 可见“技术创新效应”在数字经济降低种植业碳排放的过程中发挥了重要作用。“规模经营效应”回归结果显示, 数字经济发展水平与种植业“规模经营效应”存在显著正相关性(P<0.01), 且中介效应检验结果表明“规模经营效应”在数字经济减碳过程中起到部分中介效应。“技术创新效应”回归结果显示, 数字经济发展水平与种植业“技术创新效应”存在显著正相关性(P<0.1), 且中介效应检验结果表明“技术创新效应”在数字经济减碳过程中起到部分中介效应。表 3 中介效应分析结果Table 3. Results of the analysis of intermediation effects变量 Variable 规模经营效应 Large-scale business effect 技术创新效应 Technology innovation effect 模型1 Model 1 模型2 Model 2 模型3 Model 3 模型4 Model 4 Dige 1.5050*** (0.1240) 1.5880*** (0.2500) 7.2720*** (0.2270) 0.9200* (0.4330) 控制变量 Control variable Yes Yes Yes Yes Lnscale 0.4080*** (0.0947) Lntech 0.1760*** (0.0523) 常量 Constant 1.4670*** (0.0839) −2.3580*** (0.1970) 6.7260*** (0.1540) −2.9450*** (0.3790) 中介效应贡献份额
Share of contribution from intermediation effects27.8600% 58.1200% 观测值 Observed value 341 341 341 341 R2 0.4180 0.6470 0.8060 0.6390 调整后的R2 Adjusted R2 0.3530 0.6060 0.7840 0.5970 括号中是异方差稳健标准误, ***和*分别表示在 1%和 10%水平显著相关。Dige: 数字经济发展水平; Lnscale: 规模经营效应; Lntech: 技术创新效应。Heteroskedasticity robust standard errors are reported in parentheses, and *** and * denote significant correlation at 1% and 10% levels, respectively. Dige: level of development of the digital economy; Lnscale: large-scale business effect; Lntech: technology innovation effect. 3.3 门槛回归结果分析
本文以经济发展水平作为门槛变量, 并发现数字经济对种植业碳排放效率存在单一门槛, 其门槛值为1820.7496 (表4)。对门槛效应进行检验发现 (表5), 当Gdp≤1820.7496时, 数字经济对种植业碳排放效率的影响并不显著; 当Gdp>1820.7496时, 数字经济对种植业碳排放效率的影响显著为正(P<0.01), 即数字经济对种植业碳排放效率的影响呈转折式的曲线关系, 即假设H3成立。
表 4 门槛值估计结果Table 4. Threshold estimation results变量
Variable门槛值
Threshold valueF值
F-valueP值
P-value临界值 Threshold value 10% 5% 1% 数字经济发展水平
Level of development of the digital economy1820.7496 123.5700 0.0000 38.9069 46.7025 59.7934 表 5 门槛效应分析结果Table 5. Threshold effect analysis results变量 Variable 模型1 Model 1 $ \delta $ 1820.7496 Gdp≤$ \delta $ −0.8980 (0.5740) Gdp>$ \delta $ 2.2430*** (0.3280) 控制变量 Control variable Yes 常量 Constant −1.6690*** (0.2610) 观测值
Observed value341 R2 0.7270 调整后的R2
Adjusted R20.7230 括号中是异方差稳健标准误, ***表示1%水平显著相关。$ \delta $和Gdp分别表示门槛值和门槛变量。Heteroske dasticity robust standard errors are reported in parentheses, *** denotes significant correlation at 1% level. $ \delta $: threshold; Gdp: threshold variable. 4. 稳健性检验与异质性分析
4.1 稳健性检验
为了确保回归估计结果的稳健性, 文章通过以下方法进行稳健性检验: 1)利用主成分分析法替换熵值法对数据进行降维, 将所得数字经济发展综合水平指标进行实证回归; 2)将直辖市数据样本剔除再进行实证回归; 3)剔除2011年数据样本进行实证回归。
4.1.1 基准回归稳健性检验
由表6可知, 模型1、模型2和模型3分别为替换核心解释变量、剔除直辖市以及改变样本区间, 核心观测系数、控制变量系数以及常数项符号和显著性均与前文基准回归结果高度一致(表2), 研究结果稳健可靠, 即假设H1成立。
表 6 基准回归稳健性检验Table 6. Robustness test of the basic regression变量 Variable 模型1 Model 1 模型2 Model 2 模型3 Model 3 Dige 0.1160*** (0.0107) 1.4110*** (0.2780) 2.6830*** (0.2610) 控制变量 Control variable Yes Yes Yes 常量 Constant −1.3040*** (0.1300) −1.778*** (0.1500) −1.9220*** (0.1680) 观测值 Observed value 341 297 310 R2 0.6330 0.5850 0.6030 调整后的R2 Adjusted R2 0.5920 0.5380 0.5540 括号中是异方差稳健标准误, ***表示在 1%水平显著相关。Dige表示数字经济发展水平。Heteroskedasticity robust standard errors are reported in parentheses, and *** denotes significant correlation at 1% level. Dige: level of development of the digital economy. 4.1.2 中介效应稳健性检验
表7和表8中, 模型1和模型3为方程(2)的实证结果, 模型2和模型4为方程(3)的实证结果。无论以何种指标衡量数字经济发展水平或者改变数据样本的区间, 模型1和模型3的核心观测系数与模型2和模型4中介变量系数均显著为正(P<0.01); 模型2和模型4的核心观测系数显著为正(P<0.05), 且数值均小于前文基准回归结果(表2)的核心观测系数, 表明“规模经营效应”与“技术创新效应”两个中介效应均存在, 实证结果稳健可靠, 即假设H2成立。
表 7 替换核心解释变量的稳健性检验Table 7. Robustness test with replacement of core explanatory variables变量 Variable 规模经营效应 Large-scale business effect 技术创新效应 Technology innovation effect 模型1 Model 1 模型2 Model 2 模型3 Model 3 模型4 Model 4 Dige 0.0766*** (0.0064) 0.0857*** (0.0127) 0.3690*** (0.0119) 0.0603** (0.0215) 控制变量 Control variable Yes Yes Yes Yes Lnscale 0.3920*** (0.0937) Lntech 0.1500** (0.0506) 常量 Constant 1.7810*** (0.0772) −2.0020*** (0.2100) 8.2460*** (0.1450) −2.5420*** (0.4370) 观测值 Observed value 341 341 341 341 R2 0.4150 0.6520 0.7960 0.6430 调整后的R2 Adjusted R2 0.3490 0.6130 0.7730 0.6020 括号中是异方差稳健标准误, ***和**分别表示在1%和5%水平显著相关。Dige: 数字经济发展水平; Lnscale: 规模经营效应; Lntech: 技术创新效应。Heteroskedasticity robust standard errors are reported in parentheses; *** and ** denote significant correlation at 1% and 5% levels, respectively. Dige: level of development of the digital economy; Lnscale: large-scale business effect; Lntech: technology innovation effect. 表 8 改变样本区间的稳健性检验Table 8. Robustness test with changing the sample interval变量 Variable 规模经营效应 Large-scale business effect 技术创新效应 Technology innovation effect 模型1 Model 1 模型2 Model 2 模型3 Model 3 模型4 Model 4 Dige 1.6810*** (0.1550) 1.9900*** (0.3040) 7.5860*** (0.2740) 1.3890** (0.5010) 控制变量 Control variable Yes Yes Yes Yes Lnscale 0.4120*** (0.0990) Lntech 0.1710** (0.0566) 常量 Constant 1.3520*** (0.0995) −2.4790*** (0.2110) 6.5520*** (0.1760) −3.0390*** (0.4060) 观测值 Observed value 310 310 310 310 R2 0.3850 0.6270 0.7690 0.6160 调整后的R2 Adjusted R2 0.3100 0.5790 0.7410 0.5670 括号中是异方差稳健标准误, ***和**分别表示在 1%和5%水平显著相关。Dige: 数字经济发展水平; Lnscale: 规模经营效应; Lntech: 技术创新效应。Heteroskedasticity robust standard errors are reported in parentheses, and *** and ** denote significant correlation at 1% and 5% levels, respectively. Dige: level of development of the digital economy; Lnscale: large-scale business effect; Lntech: technology innovation effect. 4.2 内生性问题讨论
由于考虑到可能存在的内生性问题会对研究结论造成干扰: 一是本文构建的指标体系可能存在测量误差; 二是部分随时间变化的特征可能会影响估计结果; 三是模型中存在的遗漏变量等问题仍不可完全避免。本文利用工具变量模型就数字经济对种植业碳排放效率的影响再次进行估计, 具体借鉴袁瑞彩[28]的方法: 1)对核心解释变量采用滞后一期; 2)对核心解释变量和控制变量都采用滞后一期; 3)采用核心解释变量的滞后一期作为工具变量, 进行两阶段最小二乘法(2SLS)估计, 结果见表9。
表 9 内生性检验结果Table 9. Endogeneity test results变量 Variable 核心解释变量滞后一期
Core explanatory variables
lagged by one period (FE)全部滞后一期
All one period behind (FE)工具变量: 核心解释变量滞后一期
Instrumental variables: core explanatory
variables lagged by one period (2SLS)Dige 2.0480*** (0.2290) 1.3590*** (0.3820) 2.5310*** (0.3410) 控制变量 Control variable Yes Yes Yes Constant −1.6220*** (0.1620) −1.6570*** (0.1610) Kleibergen-Paap rk LM 116.5030*** Kleibergen-Paap rk Wald F 1506.8250*** 观测值 Observed value 310 310 310 R2 0.5750 0.5610 0.6030 调整后的R2 Adjusted R2 0.5230 0.5070 0.5520 括号中是异方差稳健标准误, ***表示在1%水平显著相关。Dige表示数字经济发展水平; FE和2SLS分别代表固定效应模型和两阶段最小二乘法。Heteroskedasticity robust standard errors are reported in parentheses; *** denotes significant correlation at 1% level. Dige: level of development of the digital economy; FE: fixed-effects model; 2SLS: two-stage least squares method. 在利用工具变量法处理内生性问题时, 需要进行弱工具变量检验和不可识别检验, 由于选择解释变量的滞后一期作为工具变量, 故不存在工具变量过度识别问题, 不需要进行过度识别检验。首先, Kleibergen-Paap rk Wald F 统计量值为 1506.8250, 大于 10%偏误的临界值为16.3800, 表明存在弱工具变量的可能性较小; 其次Kleibergen-Paap rk LM 统计量值为116.5030 (P<0.01), 拒绝了不可识别的原假设, 即工具变量通过了不可识别检验; 最后, 回归系数均在1%的水平上显著为正, 即数字经济发展水平的提高能够显著促进种植业碳排放效率的提升, 再次验证了本文基准回归结论的可靠性。
4.3 异质性分析
4.3.1 区域异质性
本文将31个省(自治区、直辖市)的地理位置划分为东部、中部和西部地区(分区详情见电子版资源附件: http://www.ecoagri.ac.cn/cn/article/doi10.12357/cjea.20230674)再次对方程(1)进行估计, 结果如表10的模型1、模型2和模型3所示。数字经济发展指数对种植业碳排放效率的回归估计系数在东部和中部地区均在1%的水平下显著为正, 且东部地区数字经济发展对种植业碳排放效率的促进作用比中部地区明显, 而西部地区并未通过显著性检验。可能原因是: 东部和中部地区地理条件和资源禀赋优越, 数字经济起步较早、水平较高, 数字经济与种植业的渗透融合度均高于西部地区, 而对于创新要素相对匮乏的西部地区来说, 数字经济发展即使为种植业碳减排提供了资本、技术、人才等支持, 但是地区差距、经济发展水平相对较滞后等方面的因素可能制约数字经济对种植业碳排放效率的促进作用。
表 10 区域异质性分析结果Table 10. Results of regional heterogeneity analysis变量 Variable 模型1 Model 1 模型2 Model 2 模型3 Model 3 Dige 2.5810***(0.5690) 1.3230***(0.1990) 0.4500 (0.5760) 控制变量
Control variableYes Yes Yes 常量 Constant −2.0450***(0.3150) −0.6470***(0.0941) −1.9090***(0.2300) 观测值
Observed value121 88 132 R2 0.7790 0.8260 0.6310 调整后的R2 Adjusted R2 0.7500 0.8000 0.5830 括号中是异方差稳健标准误, ***表示在1%水平显著相关。Dige 表示数字经济发展水平。模型1: 东部地区; 模型2: 中部地区; 模型3: 西部地区。Heteroskedasticity robust standard errors are reported in parentheses; *** denotes significant correlation at 1% level. Dige: level of development of the digital economy. Model 1: eastern region; Model 2: middle region; Model 3: western region. 4.3.2 粮食生产功能区异质性
本文根据《国家粮食安全中长期规划纲要(2008—2020年)》划分出粮食主产区、产销平衡区和主销区(分区详情见电子版资源附件: http://www.ecoagri.ac.cn/cn/article/doi10.12357/cjea.20230674) 3组样本对方程(1)进行回归估计, 结果分别如表11的模型1、模型2和模型3所示。粮食主产区在1%的水平下通过了显著性检验, 而粮食产销平衡区和主销区的估计系数未通过显著性检验。究其原因可能是: 粮食主产区种植业产值比重相对较大, 种植业发展集聚, 更具组织化、规模化和集约化生产优势, 开展数字经济的种植业基础更加优越。随着数字经济与种植业的不断融合发展, 进一步促进了种植业现代化生产, 种植业要素投入不断得到优化整合, 提高了化肥、农药、农膜、农机和能源等投入要素的使用效率, 加之秸秆和畜禽粪污资源化利用、循环耕作模式和土壤培肥固碳的推行, 加速了种植业碳减排的实现。因此, 数字经济对粮食主产区种植业碳排放效率的提升作用更为明显。
表 11 粮食生产功能区异质性分析结果Table 11. Results of the analysis of the heterogeneity of functional food production zones变量 Variable 模型1 Model 1 模型2 Model 2 模型3 Model 3 Dige 2.0560***(0.4150) 0.6060 (0.6640) 0.8100 (0.5350) 控制变量
Control variableYes Yes Yes 常量 Constant −1.7460***(0.2090) −1.8170***(0.2500) −1.6590***(0.2680) 观测值
Observed value143 121 77 R2 0.7120 0.5550 0.8790 调整后的R2
Adjusted R20.6760 0.4960 0.8610 括号中是异方差稳健标准误, ***表示在1%水平显著相关。Dige 表示数字经济发展水平。Model 1: 粮食主产区; Model 2: 产销平衡区; Model 3: 主销区。Heteroskedasticity robust standard errors are reported in parentheses; *** denotes significant correlation at 1% level. Dige: level of development of the digital economy. Model 1: major grain producing region; Model 2: grain production and sales balance region; Model 3: major sales region. 5. 结论与建议
本文通过构建理论分析框架, 就数字经济发展对种植业碳排放效率的影响进行了实证分析, 研究发现: 1)数字经济对种植业碳排放效率具有显著正向影响; 2)数字经济对种植业碳排放效率的影响具有先不变后增加的“转折式”特征; 3)数字经济可以通过提升规模经营度和技术创新水平来改善种植业碳排放效率; 4)数字经济对种植业碳排放效率的影响因地理区位、农业生产功能等的不同而表现出差异。东部地区、中部地区和粮食主产区数字经济对种植业碳排放效率的促进作用尤为显著, 而西部地区、粮食产销平衡区和主销区并不显著。以上结论在经过一系列稳健性检验后仍然成立。
本文基于上述研究结论并结合中国种植业低碳发展现状, 为建设新时期种植业绿色低碳发展策略提供以下几点建议 。第一, 打造完备完善的数字基础设施, 营造良好的数字经济发展环境, 推进数字经济高质量发展及数字科技在种植业领域的深度融合与应用, 实现种植业数字化转型升级。要围绕种植业数字化生产经营的基本需求, 广泛搭建培训平台, 加大对种植业生产者的培养力度, 以提升种植业生产者数字素养。应通过财政补贴等政策激励种植业生产者形成绿色发展理念, 促进种植业生产绿色转型。关注数字经济重点发展区域, 制定全局数字经济发展方案, 不同地区数字经济发展战略有所区别, 应尊重数字经济发展的地域差异化特征。第二, 鉴于规模经营和技术创新是数字经济引发种植业碳减排的两条有效路径, 重点加强种植业生产规模化和信息化扶持力度, 推进种植业产业结构优化和技术进步。一方面, 深化农村土地制度改革, 创新土地流转方式, 加快推进土地经营权流转, 发展土地流转型适度规模经营。另一方面, 鼓励绿色低碳技术的研发创新与运用、打造高水平数字化种植业人才队伍, 强化数字经济与种植业的有效衔接。第三, 推动数字经济与区域经济协同发展, 发挥数字经济对种植业碳减排赋能作用。在实现种植业数字化转型, 发展低投入、低排放、高产出的种植业生产模式时, 应推动数字经济与区域经济协同发展, 尽可能快地跨越经济发展水平门槛, 更好、更快地发挥数字经济对种植业碳减排的赋能作用。第四, 建立区域间合作机制, 加强各区域间互联互通与信息共享, 深入合作推动建立数据共享平台, 并因地制宜实施差异化、动态化的非均衡发展战略。需要立足于西部、中部和东部地区以及规模经营地区和非规模经营地区数字经济影响种植业排放效率的差异性, 因地制宜实施可协调、可持续的数字经济发展战略, 努力消除地区间数字鸿沟。
资源附件
电子版资源附件包括, 1)数字经济发展水平和种植业碳排放效率的计算方法和过程以及相关参数; 2) 不同分区省份列表。详见如下网址: http://www.ecoagri.ac.cn/cn/article/doi10.12357/cjea.20230674
-
![]()
图 2 数字经济发展对种植业碳排放效率的影响机理
Figure 2. Mechanisms of digital economic development on carbon emission efficiency in crop production system
![]()
图 3 数字经济发展赋能种植业碳减排的内在机理
Figure 3. Intrinsic mechanisms of carbon emission reduction in the plant production system empowered by the development of digital economy
表 1 变量描述性统计分析
Table 1 Descriptive statistical analysis of variables
变量
Variable符号
Symbol样本量
Sample size均值
Mean标准差
Standard deviation极小值
Minimum极大值
Maximum种植业碳排放效率对数
Logarithm of carbon emission efficiency in plant production systemLncef 341 0.3313 0.4911 −1.7102 2.8598 数字经济发展水平
Level of development of the digital economyDige 341 0.5356 0.1229 0.0751 0.8121 财政支农力度
Financial support for agricultureGov 341 0.1158 0.0340 0.0411 0.2038 交通基础设施水平
Level of transportation infrastructureTraff 341 0.0110 0.1865 0.0001 3.4450 种植业单位面积总产值
Gross value of production per unit area of crop production (×105 ¥∙hm−2)Agdp 341 0.0111 0.0178 0.0004 0.1415 规模经营效应
Large-scale business effectLnscale 341 2.3619 0.5169 1.4752 4.0632 技术创新效应
Technology innovation effectLntech 341 10.6389 1.5784 5.1358 13.7960 地区经济发展水平
Level of regional economic development (×108 ¥)Gdp 341 24784.4300 20698.2800 611.5000 105615.3000 
下载: 导出CSV
表 2 基准回归分析结果
Table 2 Benchmark regression analysis results
变量
Variable模型1 Model 1 (RE) 模型2 Model 2 (FE) 模型3 Model 3 (RE) 模型4 Model 4 (FE) Dige 2.9340*** (0.2240) 3.414*** (0.2290) 1.8580*** (0.1950) 2.2020*** (0.2110) Gov 7.9270*** (0.9640) 5.3760*** (1.1540) Traff 0.2680*** (0.0747) 0.2630*** (0.0724) Agdp 24.1600*** (1.8650) 25.6700*** (2.0750) 常量 Constant −1.2400*** (0.1350) −1.4970*** (0.1240) −1.8540*** (0.1490) −1.7590*** (0.1430) 观测值
Observed value341 341 341 341 R2 0.4180 0.6250 调整后的R2
Adjusted R20.3600 0.5840 P值 P-value 0.0000 0.0043 括号中是异方差稳健标准误, ***表示在 1%水平显著相关。Dige: 数字经济发展水平; Gov: 财政支农力度; Traff: 交通基础设施水平; Agdp: 种植业单位面积总产值; FE: 固定效应模型; RE: 随机效应模型。Heteroskedasticity robust standard errors are reported in parentheses, and *** denotes significant correlation at 1% level. Dige: level of development of the digital economy; Gov: financial support for agriculture; Traff: level of transportation infrastructure; Agdp: gross value of production per unit area of crop production; FE: fixed effects model; RE: random effects model.
下载: 导出CSV
表 3 中介效应分析结果
Table 3 Results of the analysis of intermediation effects
变量 Variable 规模经营效应 Large-scale business effect 技术创新效应 Technology innovation effect 模型1 Model 1 模型2 Model 2 模型3 Model 3 模型4 Model 4 Dige 1.5050*** (0.1240) 1.5880*** (0.2500) 7.2720*** (0.2270) 0.9200* (0.4330) 控制变量 Control variable Yes Yes Yes Yes Lnscale 0.4080*** (0.0947) Lntech 0.1760*** (0.0523) 常量 Constant 1.4670*** (0.0839) −2.3580*** (0.1970) 6.7260*** (0.1540) −2.9450*** (0.3790) 中介效应贡献份额
Share of contribution from intermediation effects27.8600% 58.1200% 观测值 Observed value 341 341 341 341 R2 0.4180 0.6470 0.8060 0.6390 调整后的R2 Adjusted R2 0.3530 0.6060 0.7840 0.5970 括号中是异方差稳健标准误, ***和*分别表示在 1%和 10%水平显著相关。Dige: 数字经济发展水平; Lnscale: 规模经营效应; Lntech: 技术创新效应。Heteroskedasticity robust standard errors are reported in parentheses, and *** and * denote significant correlation at 1% and 10% levels, respectively. Dige: level of development of the digital economy; Lnscale: large-scale business effect; Lntech: technology innovation effect.
下载: 导出CSV
表 4 门槛值估计结果
Table 4 Threshold estimation results
变量
Variable门槛值
Threshold valueF值
F-valueP值
P-value临界值 Threshold value 10% 5% 1% 数字经济发展水平
Level of development of the digital economy1820.7496 123.5700 0.0000 38.9069 46.7025 59.7934
下载: 导出CSV
表 5 门槛效应分析结果
Table 5 Threshold effect analysis results
变量 Variable 模型1 Model 1 $ \delta $ 1820.7496 Gdp≤$ \delta $ −0.8980 (0.5740) Gdp>$ \delta $ 2.2430*** (0.3280) 控制变量 Control variable Yes 常量 Constant −1.6690*** (0.2610) 观测值
Observed value341 R2 0.7270 调整后的R2
Adjusted R20.7230 括号中是异方差稳健标准误, ***表示1%水平显著相关。$ \delta $和Gdp分别表示门槛值和门槛变量。Heteroske dasticity robust standard errors are reported in parentheses, *** denotes significant correlation at 1% level. $ \delta $: threshold; Gdp: threshold variable.
下载: 导出CSV
表 6 基准回归稳健性检验
Table 6 Robustness test of the basic regression
变量 Variable 模型1 Model 1 模型2 Model 2 模型3 Model 3 Dige 0.1160*** (0.0107) 1.4110*** (0.2780) 2.6830*** (0.2610) 控制变量 Control variable Yes Yes Yes 常量 Constant −1.3040*** (0.1300) −1.778*** (0.1500) −1.9220*** (0.1680) 观测值 Observed value 341 297 310 R2 0.6330 0.5850 0.6030 调整后的R2 Adjusted R2 0.5920 0.5380 0.5540 括号中是异方差稳健标准误, ***表示在 1%水平显著相关。Dige表示数字经济发展水平。Heteroskedasticity robust standard errors are reported in parentheses, and *** denotes significant correlation at 1% level. Dige: level of development of the digital economy.
下载: 导出CSV
表 7 替换核心解释变量的稳健性检验
Table 7 Robustness test with replacement of core explanatory variables
变量 Variable 规模经营效应 Large-scale business effect 技术创新效应 Technology innovation effect 模型1 Model 1 模型2 Model 2 模型3 Model 3 模型4 Model 4 Dige 0.0766*** (0.0064) 0.0857*** (0.0127) 0.3690*** (0.0119) 0.0603** (0.0215) 控制变量 Control variable Yes Yes Yes Yes Lnscale 0.3920*** (0.0937) Lntech 0.1500** (0.0506) 常量 Constant 1.7810*** (0.0772) −2.0020*** (0.2100) 8.2460*** (0.1450) −2.5420*** (0.4370) 观测值 Observed value 341 341 341 341 R2 0.4150 0.6520 0.7960 0.6430 调整后的R2 Adjusted R2 0.3490 0.6130 0.7730 0.6020 括号中是异方差稳健标准误, ***和**分别表示在1%和5%水平显著相关。Dige: 数字经济发展水平; Lnscale: 规模经营效应; Lntech: 技术创新效应。Heteroskedasticity robust standard errors are reported in parentheses; *** and ** denote significant correlation at 1% and 5% levels, respectively. Dige: level of development of the digital economy; Lnscale: large-scale business effect; Lntech: technology innovation effect.
下载: 导出CSV
表 8 改变样本区间的稳健性检验
Table 8 Robustness test with changing the sample interval
变量 Variable 规模经营效应 Large-scale business effect 技术创新效应 Technology innovation effect 模型1 Model 1 模型2 Model 2 模型3 Model 3 模型4 Model 4 Dige 1.6810*** (0.1550) 1.9900*** (0.3040) 7.5860*** (0.2740) 1.3890** (0.5010) 控制变量 Control variable Yes Yes Yes Yes Lnscale 0.4120*** (0.0990) Lntech 0.1710** (0.0566) 常量 Constant 1.3520*** (0.0995) −2.4790*** (0.2110) 6.5520*** (0.1760) −3.0390*** (0.4060) 观测值 Observed value 310 310 310 310 R2 0.3850 0.6270 0.7690 0.6160 调整后的R2 Adjusted R2 0.3100 0.5790 0.7410 0.5670 括号中是异方差稳健标准误, ***和**分别表示在 1%和5%水平显著相关。Dige: 数字经济发展水平; Lnscale: 规模经营效应; Lntech: 技术创新效应。Heteroskedasticity robust standard errors are reported in parentheses, and *** and ** denote significant correlation at 1% and 5% levels, respectively. Dige: level of development of the digital economy; Lnscale: large-scale business effect; Lntech: technology innovation effect.
下载: 导出CSV
表 9 内生性检验结果
Table 9 Endogeneity test results
变量 Variable 核心解释变量滞后一期
Core explanatory variables
lagged by one period (FE)全部滞后一期
All one period behind (FE)工具变量: 核心解释变量滞后一期
Instrumental variables: core explanatory
variables lagged by one period (2SLS)Dige 2.0480*** (0.2290) 1.3590*** (0.3820) 2.5310*** (0.3410) 控制变量 Control variable Yes Yes Yes Constant −1.6220*** (0.1620) −1.6570*** (0.1610) Kleibergen-Paap rk LM 116.5030*** Kleibergen-Paap rk Wald F 1506.8250*** 观测值 Observed value 310 310 310 R2 0.5750 0.5610 0.6030 调整后的R2 Adjusted R2 0.5230 0.5070 0.5520 括号中是异方差稳健标准误, ***表示在1%水平显著相关。Dige表示数字经济发展水平; FE和2SLS分别代表固定效应模型和两阶段最小二乘法。Heteroskedasticity robust standard errors are reported in parentheses; *** denotes significant correlation at 1% level. Dige: level of development of the digital economy; FE: fixed-effects model; 2SLS: two-stage least squares method.
下载: 导出CSV
表 10 区域异质性分析结果
Table 10 Results of regional heterogeneity analysis
变量 Variable 模型1 Model 1 模型2 Model 2 模型3 Model 3 Dige 2.5810***(0.5690) 1.3230***(0.1990) 0.4500 (0.5760) 控制变量
Control variableYes Yes Yes 常量 Constant −2.0450***(0.3150) −0.6470***(0.0941) −1.9090***(0.2300) 观测值
Observed value121 88 132 R2 0.7790 0.8260 0.6310 调整后的R2 Adjusted R2 0.7500 0.8000 0.5830 括号中是异方差稳健标准误, ***表示在1%水平显著相关。Dige 表示数字经济发展水平。模型1: 东部地区; 模型2: 中部地区; 模型3: 西部地区。Heteroskedasticity robust standard errors are reported in parentheses; *** denotes significant correlation at 1% level. Dige: level of development of the digital economy. Model 1: eastern region; Model 2: middle region; Model 3: western region.
下载: 导出CSV
表 11 粮食生产功能区异质性分析结果
Table 11 Results of the analysis of the heterogeneity of functional food production zones
变量 Variable 模型1 Model 1 模型2 Model 2 模型3 Model 3 Dige 2.0560***(0.4150) 0.6060 (0.6640) 0.8100 (0.5350) 控制变量
Control variableYes Yes Yes 常量 Constant −1.7460***(0.2090) −1.8170***(0.2500) −1.6590***(0.2680) 观测值
Observed value143 121 77 R2 0.7120 0.5550 0.8790 调整后的R2
Adjusted R20.6760 0.4960 0.8610 括号中是异方差稳健标准误, ***表示在1%水平显著相关。Dige 表示数字经济发展水平。Model 1: 粮食主产区; Model 2: 产销平衡区; Model 3: 主销区。Heteroskedasticity robust standard errors are reported in parentheses; *** denotes significant correlation at 1% level. Dige: level of development of the digital economy. Model 1: major grain producing region; Model 2: grain production and sales balance region; Model 3: major sales region.
下载: 导出CSV
-
[1] 吉雪强, 张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因[J]. 自然资源学报, 2023, 38(3): 675−693 doi: 10.31497/zrzyxb.20230308 JI X Q, ZHANG Y S. Spatial correlation network structure and motivation of carbon emission efficiency in planting industry in the Yangtze River Economic Belt[J]. Journal of Natural Resources, 2023, 38(3): 675−693 doi: 10.31497/zrzyxb.20230308
[2] TINDECHE C, MĂRCUTĂ A, MĂRCUTĂ L. Importance of the agricultural sector as a branch of the national economy[J]. Scientific Papers Series Management, Economic Engineering in Agriculture and Rural Development, 2014, 14(4): 299−305
[3] 黄少安. 关于“数字化经济”的基本理论[J]. 经济学动态, 2023(3): 3−20 HUANG S A. Basic theoretical issues on the “digital economy”[J]. Economic Perspectives, 2023(3): 3−20
[4] 史丹, 聂新伟, 齐飞. 数字经济全球化: 技术竞争、规则博弈与中国选择[J]. 管理世界, 2023, 39(9): 1−15 SHI D, NIE X W, QI F. Globalization of digital economy: technological competition, rule game and China’s choice[J]. Journal of Management World, 2023, 39(9): 1−15
[5] 李海艳. 数字农业创新生态系统的形成机理与实施路径[J]. 农业经济问题, 2022, 43(5): 49−59 LI H Y. The formation mechanism and implementation path of digital agriculture innovation ecosystem[J]. Issues in Agricultural Economy, 2022, 43(5): 49−59
[6] 郭爱君, 张传兵. 数字经济如何影响碳排放强度? −基于产业结构高级化与合理化的双重视角[J]. 科学学与科学技术管理, 2023: 1–28. http://kns.cnki.net/kcms/detail/12.1117.G3.20231130.1033.004.html GUO A J, ZHANG C B. How does digital economy affect carbon emission intensity? — Based on the dual perspective of industrial structure advanced and rationalization[J]. Science and Science and Technology Management, 2023: 1–28. http://kns.cnki.net/kcms/detail/12.1117.G3.20231130.1033.004.html
[7] 吴传清, 邓明亮. 数字经济发展对中国工业碳生产率的影响研究[J]. 中国软科学, 2023(11): 189−200 WU C Q, DENG M L. Impact of digital economy development on industrial carbon productivity in China[J]. China Soft Science, 2023(11): 189−200
[8] 龚钰, 陆建飞, 罗云建, 等. 江苏省县域种植业碳源/汇测算与农业园区空间相关性分析[J]. 生态与农村环境学报, 2023, 39(8): 963−972 GONG Y, LU J F, LUO Y J, et al. Spatial correlation analysis between carbon source/sink measurement and agricultural parks in Jiangsu Province[J]. Journal of Ecology and Rural Environment, 2023, 39(8): 963−972
[9] 谢永浩, 刘争. 县域尺度下河南省种植业碳排放空间溢出效应及公平性研究[J]. 地域研究与开发, 2022, 41(5): 159−164, 172 XIE Y H, LIU Z. Study on spatial spillover effect and equity of planting carbon emission in Henan Province at county scale[J]. Areal Research and Development, 2022, 41(5): 159−164, 172
[10] 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 CHEN Z W, TANG C. Impact of digital economy development on agricultural carbon emissions and its temporal and spatial effects[J]. Science and Technology Management Research, 2023, 43(12): 137−146
[11] 杨雪, 王永平, 王静. 数字乡村发展对农业碳排放强度的影响效应及作用机制检验[J]. 统计与决策, 2023, 39(11): 66−71 YANG X, WANG Y P, WANG J. Impact of digital village development on the intensity of agricultural carbon emissions and mechanism of action tests[J]. Statistics & Decision, 2023, 39(11): 66−71
[12] 李鑫, 张林, 杨祝三, 等. 数字经济是否抑制了农业碳排放−基于中国城市层面的经验证据[J]. 西部金融, 2023(3): 39−46 LI X, ZHANG L, YANG Z S, et al. Does the digital economy suppress agricultural carbon emissions? — Based on empirical data at the urban level in China[J]. West China Finance, 2023(3): 39−46
[13] 戴小文, 杨雨欣. 2007—2016年中国省域种植业碳排放测算、驱动效应与时空特征[J]. 四川农业大学学报, 2020, 38(2): 241−250 DAI X W, YANG Y X. Calculation, driving effect and temporal and spatial characteristics of carbon emissions in China’s provincial planting industry from 2007 to 2016[J]. Journal of Sichuan Agricultural University, 2020, 38(2): 241−250
[14] 胡婉玲, 张金鑫, 王红玲. 中国种植业碳排放时空分异研究[J]. 统计与决策, 2020, 36(15): 92−95 HU W L, ZHANG J X, WANG H L. Study on the temporal and spatial differentiation of carbon emissions in the China’s planting industry[J]. Statistics & Decision, 2020, 36(15): 92−95
[15] 曹俊文, 谢雨欣. 长江经济带种植业碳源/汇空间特征及公平性研究[J]. 生态经济, 2023, 39(9): 108−113 CAO J W, XIE Y X. Study on spatial characteristics and equity of carbon sources/sinks of plantation industry in Yangtze River Economic Zone[J]. Ecological Economy, 2023, 39(9): 108−113
[16] 蔡景丽, 顾佳艳, 陈敏, 等. 2000—2020年中国种植业碳排放驱动因素及预测分析[J]. 环境科学与技术, 2023, 46(2): 159−167 CAI J L, GU J Y, CHEN M, et al. Drivers and prediction of carbon emissions in the China’s planting industry from 2000 to 2020[J]. Environmental Science & Technology, 2023, 46(2): 159−167
[17] 郭旋, 张良茂, 胡荣桂, 等. 华中地区种植业生产碳排放驱动因素分析[J]. 长江流域资源与环境, 2016, 25(5): 695−701 GUO X, ZHANG L M, HU R G, et al. Influencing factor decomposition of planting carbon emission in central China[J]. Resources and Environment in the Yangtze Basin, 2016, 25(5): 695−701
[18] 丁宝根, 赵玉, 邓俊红. 中国种植业碳排放的测度、脱钩特征及驱动因素研究[J]. 中国农业资源与区划, 2022, 43(5): 1−11 DING B G, ZHAO Y, DENG J H. Calculation, decoupling effects and driving factors of carbon emission from planting industry in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(5): 1−11
[19] 田红宇, 关洪浪. 数字经济对粮食生产碳排放的影响研究−来自长江经济带108个地级市的经验证据[J]. 中国农业资源与区划, 2023, 44(8): 145−157 TIAN H Y, GUAN H L. Research on the impact of the digital economy on carbon emission of grain production — Empirical evidence from 108 prefecture-level cities in the Yangtze River Economic Belt[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2023, 44(8): 145−157
[20] 富丽明. 当“劳动”变成“休闲”: 数字劳动价值论争议研究[J]. 中国矿业大学学报(社会科学版), 2022, 24(3): 83−96 FU L M. When “labor” becomes “leisure”: a study on the controversy of digital labor value theory[J]. Journal of China University of Mining & Technology (Social Sciences), 2022, 24(3): 83−96
[21] 熊航, 江鹏, 鞠聪, 等. 农户自发性土地流转行为机制研究: 仿真、验证与应用[J]. 管理世界, 2023, 39(6): 71–89, 99 XIONG H, JIANG P, JU C, et al. The mechanism underlying farmers’ spontaneous land transfer: simulation, validation and application[J]. Journal of Management World, 2023, 39(6): 71–89, 99
[22] 赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展−来自中国城市的经验证据[J]. 管理世界, 2020, 36(10): 65−76 doi: 10.3969/j.issn.1002-5502.2020.10.006 ZHAO T, ZHANG Z, LIANG S K. Digital economy, entrepreneurship, and high-quality economic development: empirical evidence from urban China[J]. Management World, 2020, 36(10): 65−76 doi: 10.3969/j.issn.1002-5502.2020.10.006
[23] ZHANG W, LI G X, UDDIN M K, et al. Environmental regulation, foreign investment behavior, and carbon emissions for 30 provinces in China[J]. Journal of Cleaner Production, 2020, 248: 119208 doi: 10.1016/j.jclepro.2019.119208
[24] 郭峰, 王靖一, 王芳, 等. 测度中国数字普惠金融发展: 指数编制与空间特征[J]. 经济学(季刊), 2020, 19(4): 1401−1418 GUO F, WANG J Y, WANG F, et al. Measuring China’s digital financial inclusion: index compilation and spatial characteristics[J]. China Economic Quarterly, 2020, 19(4): 1401−1418
[25] 薛超, 史雪阳, 周宏. 农业机械化对种植业全要素生产率提升的影响路径研究[J]. 农业技术经济, 2020(10): 87−102 XUE C, SHI X Y, ZHOU H. Influence path of agricultural mechanization on total factor productivity growth in planting industry[J]. Journal of Agrotechnical Economics, 2020(10): 87−102
[26] 徐维祥, 周建平, 刘程军. 数字经济发展对城市碳排放影响的空间效应[J]. 地理研究, 2022, 41(1): 111−129 XU W X, ZHOU J P, LIU C J. The impact of digital economy on urban carbon emissions: based on the analysis of spatial effects[J]. Geographical Research, 2022, 41(1): 111−129
[27] WANG J D, DONG K Y, DONG X C, et al. Assessing the digital economy and its carbon-mitigation effects: the case of China[J]. Energy Economics, 2022, 113: 106198 doi: 10.1016/j.eneco.2022.106198
[28] 袁瑞彩. 数字经济对我国统一大市场建设的影响−基于省级数据的多重效应分析[J]. 工业技术经济, 2023, 42(6): 3−9 YUAN R C. The influence of digital economy on the construction of China’s unified market — Multi-effect analysis based on provincial data[J]. Journal of Industrial Technological Economics, 2023, 42(6): 3−9
-
其他相关附件
-
DOCX格式
数字经济发展水平和种植业碳排放效率的计算方放和过程以及相关参数 点击下载(58KB) -
XLSL格式
不同分区省份列表详情 点击下载(10KB)
-
计量
- 文章访问数: 496
- HTML全文浏览量: 106
- PDF下载量: 88
