牢固树立和践行“绿水青山就是金山银山”理念，以碳达峰碳中和为牵引，协同推进降碳、减污、扩绿、增长^[1]. 这一导向已成为我国生态环境保护和经济高质量发展的遵循核心. 当前，我国“双碳”目标推进进入攻坚阶段，农业作为国民经济基础产业，其碳排放占全国总量的8%~10%，若涵盖全产业链则占比更高；且在2011~2020年，除上海外，我国29个省份的农业碳排放效率均呈现上升趋势^[2]. 同时，传统农业普遍存在生产方式粗放^[3]、农机作业能耗高^[4]、种养殖废弃物处理不当^[5]以及碳减排技术落地不足^[6]等问题. 以上问题共同构成了农业低碳转型的巨大负担，加剧了农业现代化与碳排放控制之间的矛盾^[7]. 农业低碳转型既是激活绿色发展动能和保障粮食安全的重要抓手，也是破解生态约束和筑牢生态安全屏障的核心议题. 在此背景下，人工智能技术加速向农业领域深度渗透^[8]，从碳足迹精准核算到低碳种养殖方案智能生成，从卫星遥感监测土壤碳库到智能算法优化农机作业与农产品质量检测和追溯^[9]，人工智能已展现出推动农业从高碳粗放向绿色低碳转型的巨大潜力. 然而，实践中仍存在技术减排效能释放不充分、转化路径不清晰和技术发展进展缓慢^[10]等问题. 而解决以上问题，离不开绿色金融（资金层面）和产业机构高级化（结构层面）的核心支撑作用. 一方面，人工智能技术在农业领域的研发与应用需要大量资金支撑，而实践中这一过程普遍面临资金短缺瓶颈；绿色金融作为农业绿色低碳转型的核心资金保障，能够通过定向赋能有效破解这一困境^[11]. 另一方面，产业结构高级化是优化资源配置的重要载体，农业产业结构高级化能够促进生产要素高效配置^[12]，为人工智能技术在农业领域的规模化落地提供适配场景^[13]. 因此，绿色金融与产业机构高级化能否与人工智能技术形成合力，破解农业碳减排中的资金短缺和结构失衡难题，以及能否通过双向联动推动人工智能技术驱动农业碳减排，这一系列现实问题尚未得到系统解答.

梳理现有相关文献发现，学界虽已围绕人工智能和农业碳排放展开诸多研究，但仍存在一定短板，难以回应上述现实诉求与政策导向. 具体来看，既有研究主要关注了人工智能技术的政策效应和农业碳排放的影响因素，而系统性揭示人工智能应用如何影响农业碳排放的成果却略显不足. 围绕人工智能技术的政策效应，已有文献主要从宏观和微观两个层面进行了政策效应分析. 从宏观层面来看，人工智能技术的快速发展不仅促进了产业转型升级和提升了区域创新水平^[14]，而且显著激发了技术创新的绿色动力^[15]，提升了经济系统的运行效率^[16]. 从微观层面来看，人工智能技术创新既有助于提升企业生产效率^[17]与全要素生产率^[18]，也有助于促进企业创新^[19]，提高城市碳排放效率^[20]. 同时，现有研究还围绕农业碳排放的影响因素展开了深入分析，发现农业生产性服务^[21]、高标准农田建设^[22]和农业机械化水平^[23]等生产端要素，农村数字经济^[24]和农业数字化转型^[25]等数字赋能因素，以及土地流转政策^[26]和气候风险^[27]等制度与环境变量，均通过不同传导路径对农业碳排放产生显著抑制效应. 总的来看，现有研究多聚焦于人工智能的经济社会效应及农业碳排放影响因素的探讨，既缺乏对人工智能农业碳减排效应的针对性验证，也未开展技术减排效应的路径整合研究，难以厘清绿色金融与产业结构高级化的协同作用机制，更未提及从多个方面揭示人工智能驱动农业碳减排的异质性特征.

基于此，本文以2000~2023年中国31个省（自治区、直辖市）的面板数据为样本，旨在系统考察人工智能应用对农业碳排放的抑制效应及其作用机制和异质性表现，以期深化对二者关系的深刻认识. 本文可能的边际贡献包括：①基于绿色金融与产业结构优化协同视角，构建人工智能驱动农业碳减排的分析框架，揭示人工智能技术转化为农业碳减排的作用，为技术赋能农业“双碳”目标提供理论框架支撑. ②依托2003~2023年长时段大样本面板数据，结合人工智能发展与农业转型的关键节点，利用双向固定效应模型，以控制个体与时间两个维度上的不可观测干扰，弥补短面板数据难以刻画长期动态效应的缺陷，实现对人工智能驱动农业碳减排效应的精准识别；③契合我国农业发展现实诉求，基于区域发展水平、城镇化水平、农业现代化水平和粮食主产区等维度，深入剖析人工智能驱动农业碳减排效应的异质性特征，为不同区域差异化制定人工智能赋能农业绿色低碳发展政策、优化资金配置与产业结构调整方向提供可落地的实证支撑. 本文的研究意义和价值在于：理论上，丰富人工智能、绿色金融、产业经济和农业生态经济等领域的交叉研究，为人工智能驱动农业碳减排提供新的理论视角；实践上，借助人工智能技术驱动农业碳减排，探索农业绿色转型与乡村振兴的协同路径，为我国落实“双碳”目标提供实践参考.

1 理论分析与研究假说

本部分结合外部性理论、技术创新理论、金融发展理论、产业结构升级理论和比较优势理论等理论，尝试搭建一个理论分析框架，以厘清人工智能驱动农业碳减排的影响效应、作用机制及异质性（图 1）.

1.1 人工智能驱动农业碳减排

基于外部性理论，农业碳排放属于典型的负外部性，而人工智能技术是将负外部性内部化的有效工具. 同时，基于技术创新理论，人工智能作为颠覆性技术创新，其对农业碳排放的抑制效应，本质是人工智能通过创新减排技术，实现与农业生产全流程的深度融合，即通过从碳排放源头推动农业生产向精准化和智能化转型，系统性降低农业生产各环节的碳足迹，最终形成综合碳减排效果^[28]. 具体表现如下.

第一，人工智能技术可从根本上解决传统农业生产中农资盲目施用的问题，进而有效降低农业碳排放. 在人工智能技术支撑下，通过卫星遥感、无人机巡检和土壤传感器等设备，能够精准捕捉作物长势、土壤肥力、病虫害及气象数据，据此形成定制化农业生产方案^[29]，从源头上减少化肥、农药和农膜等资源的不合理使用，直接降低相关碳排放. 同时，人工智能技术能够智能调控农业灌溉的时间与水量，在保障作物需求的基础上减少灌溉环节的电能消耗，进而降低由此产生的关联碳排放. 在畜牧业领域，人工智能技术可以通过优化饲料配方和实时监测动物健康状况等方式，减少动物肠道发酵产生的甲烷，降低单位产奶量的甲烷排放强度，最终促进农业碳减排.

第二，借助人工智能技术实现的智能化过程管理，结合其对末端固碳技术的赋能作用，可进一步强化农业碳减排效应. 一方面，人工智能算法能依据田间实时条件动态调整作业策略，优化农业机械设备的作业路线与运行效率，避免空驶和重复耕作等问题，进而减少燃料消耗和土壤过度扰动，降低柴油使用带来的二氧化碳排放及土壤碳流失. 同时，将人工智能技术融入电动农机控制系统，既能通过电动农机替代传统柴油农机，直接减少尾气排放；又能有效规避人为操作失误造成的无效能耗，从而增强整体碳减排效果. 另一方面，通过人工智能实时监测土壤有机碳含量和理化性质^[30]，能够有效引导农户采用免耕、轮作等保护性耕作模式，并为农户推荐最优轮作方案及覆盖作物种植组合. 这不仅可降低传统翻耕导致的土壤有机碳年流失率，更能提升土壤碳封存能力. 综上所述，人工智能技术可通过农业生产过程的低碳化管控和末端固碳强化的双重作用，减少有机碳流失并增强其固碳能力，从而最终实现农业碳排放的显著降低. 据此，提出假说1：人工智能对农业碳减排具有驱动作用.

1.2 人工智能驱动农业碳减排的作用机制 1.2.1 绿色金融机制

绿色金融是人工智能驱动农业碳减排的核心资金纽带与支撑载体，其通过发挥资金引导与风险分担功能，有效破解了人工智能赋能农业所面临的高投入和高风险融资难题，进而为人工智能充分释放农业碳减排效应提供有力支撑^[31]. 实际上，人工智能在农业中的规模化应用往往需要长期稳定的资金投入，且存在技术转化风险高和收益回报不确定等问题，传统金融因趋利避害属性，对此类项目通常持谨慎态度，不愿轻易介入. 若缺乏持续的政策引导与资金保障，即便人工智能技术再先进，也难以从实验室成果转化为田间地头的实际应用；而绿色金融可借助政策导向撬动社会资金流向低碳农业领域，这一过程与ESG（环境、社会和治理）理念高度契合，既实现了资金的精准配置，又推动了农业碳减排目标的落地^[32]. 此外，依据金融发展理论，技术创新的规模化扩散离不开金融工具在资金配置与风险分担上的支撑，而人工智能在农业中的应用恰好契合绿色金融支持环境友好型项目的核心定位，绿色金融的政策激励与市场化工具，能有效弥补传统金融在低碳农业项目上的资金配置短板与风险承担局限^[33].

因此，绿色金融不仅可为人工智能农业技术研发提供低成本的绿色信贷和绿色债券支持，助力企业突破核心技术瓶颈，还可通过绿色基金等工具分担投资风险，降低人工智能技术在农业领域的应用门槛，故人工智能技术能够通过赋能绿色金融发展，构建农业碳减排的金融支持体系，促进农业碳减排^[34]. 实践中，借助人工智能技术整合卫星遥感和物联网等多源数据，能够实时核算农业生产的碳排放量与减排潜力，帮助金融机构精准识别优质低碳农业项目，破解绿色金融项目识别难的现实难题. 同时，利用人工智能构建风险评估模型，能够整合土壤质量、气象数据和生产经营记录等多维度信息，精准预判低碳农业项目的收益与风险，降低金融机构的放贷门槛. 这让各类农业经营主体更易获得绿色信贷和碳汇金融等支持，进而为人工智能技术借助绿色金融渠道释放农业碳减排效应奠定中介基础^[35]. 此外，借助人工智能技术还能实时追踪绿色金融资金的使用流向，确保资金专款专用，避免伪低碳项目挤占绿色金融资源，从而提升绿色金融对农业碳减排的支持效能. 更关键的是，绿色金融可以通过碳资产质押和碳汇交易融资等工具^[36]，将人工智能应用产生的碳减排效果转化为实际经济收益，最终形成人工智能赋能绿色金融发展、绿色金融支持农业碳减排与效益提升的良性闭环，使人工智能成为推动农业碳减排的可持续驱动力. 据此，提出假说2，推动绿色金融发展是人工智能驱动农业碳减排的重要机制.

1.2.2 产业结构高级化机制

产业结构是人工智能技术向农业领域转化的核心结构性纽带^[37]，在人工智能驱动农业碳减排的过程中，同样发挥着关键中介机制作用. 推动产业向高附加值和高效率领域升级，是产业结构发挥中介作用的核心逻辑，这一过程为人工智能与农业的深度融合，提供了技术服务与产品供给的坚实支撑^[38]，促进人工智能技术充分释放农业碳减排效能. 没有适配的产业机构，人工智能技术只是抽象的算法，难以有效转化为农业生产中可落地的方案、产品及服务. 因此，借助人工智能技术推动农业产业结构高级化，能够从源头上减少农业碳排放. 产业结构升级理论强调，农业关联的产业结构高级化，核心体现为农业相关第二产业的升级与第三产业的扩容^[39]，这为人工智能在农业领域的深度应用提供了关键支撑. 这种支撑效应主要体现在以下3方面：①农业生产性服务业将人工智能技术转化为农业生产方案设计和碳足迹核算等标准化服务，引导农户降低高化肥依赖型作物种植规模、摒弃粗放型养殖模式，扩大生态种植和循环养殖等低碳品类的生产占比；②催生秸秆资源化利用咨询、稻田碳汇核算等一批第三产业新业态，推动农业产业结构从单一生产导向，向种养结合和生产性服务协同模式转变，通过提升服务业占比间接减少农业碳排放；③在产业结构升级背景下，人工智能技术进一步赋能农产品深加工、冷链物流数字化等延伸环节，通过应用智能分拣、节能温控和路径优化等数字技术，有效降低产业链延伸过程中产生的隐性碳排放.

因此，在人工智能技术的作用下，数字服务、技术咨询等第三产业以及智能节能农机、低排放化肥和可降解农膜等第二产业也会得到加速融合发展，从而进一步推动产业结构高级化，进而助力农业碳减排^[40]. 因此，若产业结构仅停留在“传统农业+低端制造+基础服务”层面，那么人工智能技术将无法在农业领域普及应用. 换言之，只有通过推动农业产业结构高级化，推动农业科技服务和数字物流等生产性服务业扩容升级，以及智能节能农机制造和低排放农资研发等绿色高端产业发展，人工智能技术才能依托产品供给与服务支撑两条路径，深度渗透到农业生产的施肥、灌溉和耕作等关键环节，有效突破其在农业领域的落地瓶颈，进而充分释放人工智能技术的农业碳减排效能. 据此，提出假说3，促进产业结构高级化是人工智能驱动农业碳减排的重要机制.

1.3 人工智能驱动农业碳减排的异质性

基于技术扩散理论和比较优势理论，人工智能技术对农业碳减排的抑制效应并非完全一致，而是呈现出显著的区域异质性. 这种异质性主要源于地理区域、城镇化水平、农业现代化水平和粮食主产区等4个方面. 具体讲，①相较于中西部地区，东部地区拥有更为优越的数字基础设施，这一优势使其在农业生产中能够快速吸纳并应用人工智能技术；同时，东部地区农业在区域经济中的占比相对较低，开展农业低碳转型的机会成本更小. 双重有利条件叠加，使得东部地区人工智能技术应用的农业碳减排边际效益更为显著^[41]. ②城镇化水平中等的地区通常处于重要的结构转型窗口期，一方面，劳动力转移与土地流转为人工智能技术的规模化应用提供了连片经营的物理空间；另一方面，该类地区能够精准对接城市的技术辐射优势与乡村的产业发展需求，最终使人工智能在农业领域的碳减排效应实现效能最大化^[42]. ③农业现代化水平较低的地区多以粗放式经营为主，化肥农药的过量使用既加剧了区域农业碳排放，也使人工智能技术在此类地区具备显著的高减排弹性^[43]. 在此背景下，人工智能技术的渗透与应用，能够快速降低因化肥农药过量使用产生的农业碳排放，进而显著放大人工智能的农业碳减排效应. ④非粮食主产区无需承担粮食安全刚性约束，其政策和市场的容错空间更大，能够灵活调整农业产业结构，形成低碳导向的技术扩散路径^[44]. 这一特性有利于推动人工智能技术与高附加值农业产业的深度融合，在重塑区域农业比较优势的同时，充分释放人工智能技术的农业碳减排效应. 据此，提出假说4，人工智能技术的农业碳减排效应具有异质性，且这一效应在东部地区、城镇化水平中等地区、农业现代化水平较弱地区以及非粮食主产区更显著.

2 材料与方法 2.1 模型设计

通过控制时间效应与地区个体效应，双向固定效应模型能够有效剥离不随区域变化的宏观趋势和不随时间变化的区域特征对回归结果的干扰. 因此，本文在基准回归中构建双向固定效应模型，考察人工智能技术对农业碳排放的影响，模型如式（1）所示：

lnYit=α+β×lnAIit+δ×Xit+μi+vt+ɛit

(1)

式中，下标i和t分别表示省份和年份；α为模型截距项；lnY_it为被解释变量，表示省份i在年份t的农业碳排放水平，用农业碳排放总量的对数值衡量；lnAI_it表示核心解释变量，表示省份i在年份t的人工智能技术水平，用人工智能专利申请件数的对数值衡量. 若系数β显著为负，则意味着人工智能技术对农业碳减排具有驱动作用；X_it为影响农业碳排放的控制变量向量，δ为对应的系数向量；μ_i为省份固定效应，用于控制不随时间变化的省份异质性；v_t为时间固定效应，用于控制不随省份变化的时间冲击；ɛ_it为随机扰动项.

在此基础上，参照田野等^[45]和邵喜武等^[46]的做法，构建面板中介效应模型考察人工智能驱动农业碳减排的作用机制. 模型如式（2）和式（3）所示：

Greenit=α+β×lnAIit+δ×Xit+μi+vt+ɛit

(2)

Indit=α+β×lnAIit+δ×Xit+μi+vt+ɛit

(3)

式中，Green_it和Ind_it为人工智能驱动农业碳减排的潜在机制路径，即省份i在年份t的绿色金融和产业结构高级化水平. 此时，重点关注β的大小及显著性，若β显著为正，则表明人工智能技术对绿色金融和产业结构高级化具有促进作用. 其余变量的含义与（1）式一致. 进一步地，若绿色金融和产业结构高级化同时增强了人工智能对农业碳排放的抑制效应，那么就可以视其为人工智能驱动农业碳减排的一个协同机制. 扩展后的计量模型如式（4）所示：

lnYit=α+β×lnAIit+η×Greenit+θ×Indit+δ×Xit+μi+vt+ɛit

(4)

式中，重点关注参数η和θ，并且预期它们的系数均显著为负. 若预期结果成立，则意味着人工智能能通过促进绿色金融发展和推动产业结构高级化两条路径来协同推进农业碳减排.

2.2 变量选取 2.2.1 被解释变量：农业碳排放总量

本文的被解释变量是农业碳排放总量. 参照钱凤魁等^[47]和黄书苑等^[48]的研究，从化肥、农药、农膜、农业机械（柴油）、农业灌溉和农地翻耕等6个方面对农业碳排放总量进行考察. 其中，化肥、农药和农膜这三大要素的投入会直接或间接引致碳排放；农业机械的使用会直接或间接消耗燃料（主要是柴油），进而产生碳排放；此外，农业灌溉消耗电能也会产生碳排放. 同时，农业生产中的翻耕行为会破坏土壤有机碳库，导致大量有机碳流失到空气中，形成碳排放. 在此基础上，通过IPCC碳排系数法计算农业生产过程中的碳排放，其来源主要包括化肥、农药、农膜、农业机械（柴油）、农业灌溉和农地翻耕等6个方面. 计算公式如式（5）所示：

∑Ci=∑Ni×ωi

(5)

式中，C表示农业碳排放总量，N_i表示第i种碳源投入量，即各类不同的农业碳源因子，ωi表示第i种碳源的碳排放系数，即各类碳源因子对应的碳排放系数（表 1）. 此外，为缓解数据偏态与极端值影响，减少异方差问题，本文对农业碳排放总量进行了对数化处理.

2.2.2 核心解释变量：人工智能应用

选取各省份2003~2023年人工智能专利的申请件数作为人工智能应用的代理变量. 一方面，各省份人工智能专利的申请件数能够直接反映其技术创新能力，人工智能专利的申请件数越多，通常意味着该地区在人工智能技术方面的研发投入越大、创新能力、成果转化潜力越强，技术积累更深厚. 另一方面，人工智能专利申请统一由国家知识产权局统一受理、分类统计，各省人工智能专利申请数据统计口径均以国际专利分类标准标注为准，且时间序列连续，能避免因指标定义模糊或时间序列较短而导致的偏差，适合跨省份研究需求. 此外，本文重点关注的是人工智能技术对农业碳排放的影响，而人工智能专利是从研发到应用的重要中间环节. 人工智能专利申请数量既能反映区域人工智能技术供给能力，也体现了未来向农业农村领域转化的潜力，即人工智能专利数量越多，越容易将人工智能技术转化为农业生产工具，从而影响农业碳排放总量. 为保证估计有效性，增强回归结果的说服力，本文对人工智能变量也进行了对数化处理.

2.2.3 中介变量：绿色金融和产业结构高级化

本文的中介变量包括2个：①绿色金融，用绿色金融指数衡量. 参考韩先锋等^[49]的做法，通过绿色信贷、绿色投资、绿色保险、绿色债券、绿色支持、绿色基金和绿色权益等指标构建绿色金融指数. 其中，用环保项目信贷占比测量绿色信贷，即该省环保项目信贷总额/全省信贷总额；用环境污染治理投资占GDP比例衡量绿色投资，即环境污染治理投资/GDP；用环境污染责任保险推广程度衡量绿色保险，即环境污染责任保险收入/总保费收入；以绿色债券发展程度衡量绿色债券，即绿色债券发行总额/所有债券发行总额；用财政环境保护支出占比测量绿色支持，即财政环境保护支出/财政一般预算支出；用绿色基金占比衡量绿色基金，即绿色基金总市值/所有基金总市值；用绿色权益发展深度测度绿色权益，即碳交易、用能权交易、排污权交易的总额与权益市场交易总额的比例. ②产业结构高级化，用第三产业产值与第二产业产值的比值测量产业结构高级化^[50]. 一方面，产业结构高级化的本质是经济活动从低级生产形态向高级形态演进. 第三产业通常具有更高的技术含量和资源利用效率，第二产业以传统制造业和工业为主，二者比值的提升，本质是经济重心向高效、低耗和高附加值领域转移，是产业结构高级化的核心特征. 另一方面，该比值并非单纯指第三产业的规模占比，还隐含了产业结构质量的提升. 例如，第三产业中农业科技服务、绿色金融等生产性服务业的扩容，以及第二产业中智能农机和环保农资等高端制造的升级，都可能同时推动产业结构高级化.

2.2.4 控制变量

为控制其他因素对农业碳排放的影响，本文参考已有研究的做法^[51，52]，选取以下变量作为控制变量：①劳动力数量（Labor），用就业人员数量表示，单位为万人；②人口数量（Popu），用各地区总人口数量衡量，单位为万人；③政府预算（Gov）用财政一般预算支出衡量，单位为亿元；④人均GDP（PGDP）用国内生产总值与年平均常住人口的比值衡量，单位为元；⑤城镇化水平（Urban）用年末城镇人口比例衡量；⑥人力资本（Edu）用高等学校在校学生人数占总人口的比例衡量；⑦交通状况（Traffic）用货运量衡量，单位为万t. 控制以上变量，本质上是剥离随时间和省份同时变化的变量的干扰，以尽可能地使得回归结果能反映人工智能应用对农业碳排放的真实影响. 除城镇化水平（Urban）和人力资本（Edu）变量外，为缓解数据偏态与极端值影响，减少异方差问题，本文对其余变量均进行了对数化处理.

2.3 数据来源

基于样本代表性考虑，使用2003~2023年中国31个省（自治区和直辖市，中国台湾、香港和澳门资料暂缺）平衡面板数据进行实证分析. 该时段覆盖了中国人工智能由萌芽到深度渗透农业场景的技术演进全周期，包含了取消农业税、乡村振兴战略等农业农村重大政策与经济转型节点，这既能捕捉人工智能技术与农业碳排放的长期互动关系，又能在一定程度上剥离短期政策干扰，有效识别人工智能应用对农业碳排放的影响. 人工智能技术相关数据来源于国家知识产权局，具体通过国家知识产权局官网首页的专利检索模块实现. 其余数据主要来源于《中国统计年鉴》《中国科技统计年鉴》《中国能源统计年鉴》《中国金融年鉴》《中国农业统计年鉴》以及国家统计局分省年度数据和各省（自治区、直辖市）统计年鉴等. 对于个别缺失的数据，采用线性插值法进行补齐，以确保数据分析的完整性. 上述变量的描述性统计结果见表 2.

3 结果与讨论 3.1 人工智能专利申请数量与农业碳排放的关联特征

为跨阶段对比各省份人工智能专利申请数量与农业碳排放量的动态关联，揭示技术渗透与政策协同下两者关联特征的阶段性变化. 本文结合人工智能和农业碳减排的发展历史，选取2003年、2013年和2023年这3个典型年份. 这3个年份分别对应人工智能在农业领域的起步、初步渗透和深度应用等关键技术节点，契合国内农业碳减排从增产优先到初步治理，再到“双碳”引领的政策演进脉络. 这既能覆盖长期时间跨度，避免局部特征遗漏，又能聚焦关键阶段，简化分析复杂度. 在此基础上，使用Stata软件的scatter命令绘制不同年份下人工智能专利数量与农业碳排放的散点图（图 2），以明确各省份人工智能专利申请数量与农业碳排放的关联特征. 由图 2可知，2003年（蓝色圆点），人工智能专利申请数量几乎集中在0附近，说明2003年各省份人工智能技术在农业领域的应用程度极低；而农业碳排放量普遍偏高，多数点分布在纵轴中上部，反映早期农业生产的碳排放强度较高. 2013年（红色三角形），人工智能专利申请数量略有提升，但仍集中在低数值区域，仅少数省份有少量专利申请；与此同时，农业碳排放量较2003年明显下降，多数点集中在纵轴中部，表明农业碳减排措施取得了初步成效. 2023年（绿色方块），人工智能专利申请数量的分布跨度显著扩大，说明各省份人工智能技术区域发展差异加剧；同时，农业碳排放量进一步下降，多数点集中在纵轴中下部，意味着农业碳减排取得了良好成效. 整体来看，各地区农业碳排放量普遍呈下降趋势，同时人工智能专利的区域差异和整体申请数量显著增长，且初步显示，人工智能专利申请数量越多的省份，农业碳排放量越低，这为人工智能驱动农业碳减排的研究假设提供了可视化的初步支撑.

3.2 基准回归

为厘清人工智能技术对农业碳排放的影响，按照无固定效应、仅个体固定效应、仅时间固定效应和双向固定效应的顺序逐步增加固定效应，观察人工智能技术影响农业碳排放的显著性变化. 由表 3列（4）可知，控制省份和时间固定效应时，虽然人工智能能够驱动农业碳减排，但并未通过显著性检验. 同时，基于列（2）和列（3）的估计结果对比可知，仅考虑省份固定效应时，人工智能应用对农业碳排放的抑制效应在5%水平上显著；仅考虑时间固定效应时，人工智能应用对农业碳排放的抑制效应并未通过显著性检验，说明时间固定效应吸收了核心变量的变异，即人工智能的发展与时间趋势高度重合，且时间固定效应包含了技术进步和科技创新等时间趋势因素，导致人工智能应用对农业碳排放的抑制效应被掩盖. 因此，本文进一步计算了人工智能应用与时间趋势的相关性，其相关系数为0.69，接近0.7，意味着人工智能应用与时间趋势高度线性相关. 此时，若直接引入人工智能专利申请数量与年份的交互项会引发严重共线性，故本文对年份进行中心化处理后，构造了人工智能应用与年份的交互项，以捕捉人工智能应用在不同年份的差异化效应，而非被时间固定效应整体吸收. 表 3列（5）和列（6）汇报了引用人工智能专利申请数量与年份交互项的回归结果. 同时，为确保计量模型应用准确，本文采用Hausman检验，以判定随机效应模型和双向固定效应模型何者更为适用. 检验结果P值为0，强烈拒绝个体效应与解释变量不相关的原假设，即应通过固定效应模型考察人工智能技术对农业碳减排的影响. 由表 3列（6）回归结果可知，模型中人工智能专利申请数量与年份的交互项在1%统计水平上显著为负，系数为-0.006 6. 结合核心解释变量的估计系数可知，人工智能技术本身对农业碳排放存在抑制效应，即碳减排效应，而交互项的负向系数进一步表明：每过1 a，人工智能驱动的农业碳减排效应会增强0.006 6，即人工智能驱动的农业碳减排效应在逐年增强.

3.3 稳健性检验 3.3.1 处理内生性

双向固定效应模型能有效控制不随时间变化的遗漏变量偏误，但未能完全解决由遗漏变量或双向因果而造成的内生性偏误. 为处理此问题，本文参考赵涛等^[53]选取工具变量的思路，采用各省份在1984年每百万人邮局数×上一年各地区信息技术服务收入的交乘项作为人工智能技术的工具变量（Ⅳ）. 从相关性来看，1984年各省份每百万人邮局数是历史基础设施禀赋变量，早年邮政网络密度反映了地区早期信息传递的基础条件，为后续数字基础设施布局提供了支持，与地区信息技术普及和人工智能应用的硬件基础正向相关. 同时，上一年信息技术服务收入直接反映了地区信息技术产业的当期发展水平，是人工智能技术的核心产业支撑. 因此，以二者的交互项作为工具变量，既能涵盖历史禀赋的前期基础，也能体现当期产业的支撑作用，满足工具变量的相关性要求. 从外生性来看，该交乘项基于历史数据和各省份信息技术服务收入数据构建，与影响农业碳排放的同期不可观测因素，如当地的环保政策变动、自然灾害等无直接关联，从而减少了其他干扰因素对工具变量的影响，满足与农业碳排放及误差项不相关的外生性要求. 根据表 4列（1）估计结果可知，工具变量的估计系数显著为正，意味着邮局数量和信息技术服务收入对人工智能的发展具有显著促进作用，满足相关性要求. 由工具变量识别不足检验结果可知，Kleibergen-Paaprk的LM统计量为96.10，且在1%统计水平上显著，强烈拒绝工具变量识别不足的原假设；由工具变量弱识别检验结果可知，Kleibergen-Paap Wald rk的F统计量68.43，同样通过1%显著性水平检验，且大于Stock-Yogo弱识别检验10%水平上的临界值16.38，这意味着工具变量并非弱工具变量. 在第二阶段，核心解释变量对农业碳排放的抑制作用仍在1%统计水平上显著，与基准回归结果一致，说明人工智能技术的农业碳减排效应十分稳健.

3.3.2 更换回归模型

控制个体和时间两个维度的固定效应是双向固定效应模型的核心优势，若忽略以上控制可能导致估计系数有偏. 相比之下，混合OLS模型采用了更为宽松的假定，它不控制个体和时间的固定效应. 这实质上是假设了个体异质性和时间趋势对农业碳排放无系统性影响. 该模型旨在直接揭示人工智能对农业碳排放的净影响. 表 4列（3）表明，更换回归模型后，核心解释变量的估计系数依旧负向显著，这意味着即使不排除个体和时间效应的潜在干扰，人工智能技术在农业中的应用仍具有碳减排效应，核心结论并不依赖于控制固定效应这一严格设定，从而证明基准回归结果稳健.

3.3.3 去除政策影响

2022年5月，农业农村部与国家发展改革委共同颁布《农业农村减排固碳实施方案》，旨在协同推进“双碳”目标在农业农村领域的贯彻落实. 该方案会通过政策引导、技术推广和结构优化，推动农业碳排放总量逐步下降，同时提升农业生态系统固碳能力，促进农业农村绿色发展. 因此，为去除该政策影响，在实证分析时，将2022年和2023年剔除. 回归结果见表 4列（4）. 在去除政策影响后，核心解释变量依旧负向显著，同样证实人工智能技术的农业碳减排效应具有稳健性.

3.3.4 剔除外生的重大系统性冲击

2008年暴发的金融危机和2020年席卷全球的新冠疫情，给中国宏观经济运行与社会秩序带来了严重影响. 以上影响可能会扭曲人工智能技术与农业碳排放的正常关系，导致基准回归结果包含特殊时期的干扰效应，而非人工智能技术的净影响. 考虑到2008年金融危机对中国的影响大致持续至2011年，而全球新冠疫情对中国的社会冲击主要集中在2020~2022年，故在稳健性检验中，分别去除了2008~2011和2020~2022时间区间. 根据表 4列（5）和列（6）估计结果可知，在剔除外生的重大系统性冲击后，核心解释变量仍旧负向显著，说明人工智能技术的农业碳减排效应并未因重大系统性冲击的发生而改变，即基准回归结果稳健.

3.4 作用机制检验

依据式（2）和式（3）的设定，本部分的核心目标是厘清人工智能技术对绿色金融和产业结构高级化的影响，进而系统考察其驱动农业碳减排的传导路径. 在此基础上，再分别将绿色金融和产业结构高级化纳入式（4），考察它们是否在人工智能驱动农业碳减排时发挥了协同作用. 由表 5列（2）和列（4）可知，当以绿色金融和产业结构高级化分别作为被解释变量时，核心解释变量的估计系数均显著为正，说明人工智能对绿色金融和产业结构高级化同样具有促进作用. 根据表 5列（3）和列（5）估计结果可知，加入绿色金融和产业结构高级化变量后，核心解释变量的估计系数的绝对值变小，表明人工智能能够通过促进绿色金融发展，推动产业结构高级化来降低农业生产过程中的碳排放，即绿色金融和产业结构高级化是人工智能驱动农业碳减排的重要作用机制. 因此，假说2和假说3得到验证. 为排除绿色金融和产业结构高级化的互相干扰，表 5列（6）同时将绿色金融和产业结构高级化加入基准回归模型. 结果显示，核心解释变量、核心解释变量×年份、绿色金融和产业结构高级化均在1%或5%的水平上显著，进一步证实了人工智能可以通过促进绿色金融发展和推动产业结构高级化两条路径来协同推进农业碳减排.

3.5 异质性检验 3.5.1 地理区域异质性

东、中、西部地区在耕地质量、灌溉条件等资源禀赋及农业集约化程度上一直存在天然差异，而这会直接导致人工智能适配的农业碳减排场景各异. 为明确这种差异是否会导致基准回归结果产生异质性，故依据东、中、西部划分样本，然后再分别进行回归. 从表 6列（1）~（3）可以发现，人工智能技术在东、中部地区都表现出一定的农业碳减排效应，但其与年份的交互项仅在东部区域的样本中显著. 这意味着，相较于中、西部地区，人工智能技术的农业碳减排效应在东部地区更明显. 这是因为东部地区数字基础设施密度更高、农业产业基础好、信息技术服务产业发达、农村劳动力素质和农业技术服务体系更完善，有利于人工智能精准对接农业碳减排的核心场景，而中、西部地区在以上方面不具有显著优势.

3.5.2 城镇化水平异质性

城镇化水平的高低直接关系到农业生产资源配置、农业生产模式形态及农业技术服务供给等方面的发展，从而使得人工智能在农业碳减排的应用场景、推广效率与实际成效等方面产生差异，最终导致基准回归结果在城镇化水平差异下产生异质性. 为检验这种异质性是否存在，本文依据各省份城镇化水平的高低，将样本划分为城镇化水平低、中、高这3组进行回归. 回归结果如表 6列（4）~（6）所示. 基于核心解释变量及其与年份交互项的估计系数与显著性可知，人工智能技术对农业碳排放的影响因城镇化水平差异而产生了异质性. 具体讲，在城镇化水平较低的地区，核心解释变量与年份的交互项系数负向显著，意味着人工智能技术具有明确的农业碳减排效应；而在城镇化水平高的地区，该系数正向显著，说明人工智能应用不仅不具备农业碳减排效应，反而可能加剧碳排放. 可见，人工智能技术的农业碳减排效应在城镇化水平较低的地区更明显. 这是因为在城镇化水平较低的地区，农业生产普遍以小规模种养殖为主，常存在因化肥农药过量施用、农机低效作业和畜禽粪污随意排放等问题而导致的碳排放问题，人工智能技术可直接通过精准施肥模型减少化肥用量、智能农机调度降低燃油消耗和粪污智能化处理消除无组织排放，从而表现出碳减排效应.

3.5.3 农业现代化水平异质性

农业现代化水平的差异主要体现在生产经营模式、技术装备水平和生产技术体系等方面. 其中，高现代化地区的农业主要呈现出规模化集约化经营、智能装备与精准技术普及等特征，中、低现代化地区的农业则呈现出小规模分散经营为主、依赖传统装备和经验技术等特征. 以上差异最终可能会导致人工智能应用对农业碳排放的影响产生异质性. 为考察这种异质性是否存在，将样本按照农业现代化水平的高低划分为低、中、高这3组分别进行回归. 回归结果见表 7列（1）~（3）. 综合来看，人工智能应用对农业碳排放总体呈现抑制效应，但该效应在农业现代化水平高的地区并不显著. 这表明，相较于高水平农业现代化地区，人工智能应用的农业碳减排效应在中、低水平农业现代化地区更明显. 这一结果的产生，核心原因在于高、中、低农业现代化地区在上述维度的现实差异. 中、低现代化地区农业碳排放普遍以化肥过量施用、农机低效作业等粗放型排放为主，碳排放基数高，人工智能技术可直接作用于以上环节，快速降低排放基数，碳减排效应明显，而高现代化地区的农业碳排放已处于较低水平，且受边际效应递减规律的影响，人工智能应用难以实现突破性减排，效果自然难以显现. 同时，从技术层面来看，人工智能技术在中、低现代化地区农业的应用主要是从无到有的质变，且直接替代了传统的粗放经营模式，因此农业碳减排效应更显著，而高现代化地区的人工智能技术主要是在现有低排放基础上进行边际优化，碳减排效应有限.

3.5.4 粮食主产区异质性

粮食主产区是筑牢国家粮食供给底线，促进经济社会持续发展的必要前提，其农业生产以主粮规模化连片化为主，资源利用强度高且对水、肥等依赖度大. 非粮食主产区是支撑我国农业体系与发展大局的必要支撑，与粮食主产区形成多元互补的发展格局，其农业生产以经济作物和少量主粮为主、地块分散，资源利用强度低且无高强度种植压力. 这种差异同样可能会导致人工智能技术的农业碳减排效应产生异质性. 表 7最后两列汇报了这一结果. 结果表明，核心解释变量与年份的交互项系数仅在非粮食主产区的样本中显著为负，这意味着人工智能技术的农业碳减排效应在非粮食主产区更显著. 究其原因，这是由粮食主产区和非粮食主产区的农业生产特征所决定的. 从生产目标来看，粮食主产区以“稳产量、保供给”为核心目标，人工智能技术优先服务于粮食增产，而这可能伴随着农资投入增加和设施能耗上升，使得碳减排效应被间接抵消；非粮食主产区则以适度增收和降本减耗为核心目标，精准施肥、智能农机节油等人工智能技术与农户农业生产需求契合，可有效降低农户在化肥施用和农机作业等方面的碳排放.

4 建议

（1）全方位促进人工智能技术在农业领域的应用. 一是对各类农业经营主体实施分层分类补贴，向购置人工智能农业设备的主体提供资金支持，重点覆盖种养殖全链条减排场景. 二是优先在农业主产区和生态脆弱区布局数字基础设施，并对现有农田水利和仓储物流设施进行智能化改造. 三是积极建设县域人工智能农业基础设施网络，免费向农业经营主体提供土壤、气象和碳排放等在线数据，同时依托县乡农业技术推广中心，开展人工智能设备操作、碳减排数据解读和智能方案应用等专项培训，促进人工智能技术在农业领域的普遍应用.

（2）构建绿色金融与农业结构转型的协同路径. 一方面，推动金融机构与农业人工智能大数据平台深度对接，将农业碳减排潜力和碳足迹达标情况作为农业信贷发放的重要依据，重点支持由人工智能驱动的低碳产品种植、循环养殖等绿色农业项目，并对此类项目设定更优惠的贷款利率和更灵活的还款方式. 另一方面，同步实施以人工智能应用为导向的农业产业结构调整补贴. 例如，利用人工智能技术掌握农业碳足迹图谱，对种植生态粮油和固碳牧草等低碳作物的主体，以及退出高碳品种并转型的主体提供补贴. 同时，基于统一的碳核算标准，把经过人工智能检测认证的碳减排量纳入区域碳汇市场交易，并允许其作为绿色信贷的补充抵押品，打通农业碳减排价值变现通道.

（3）推行差异化支持与重点突破策略. 在效应显著区域，重点支持人工智能在智慧农业建设、农产品供应链溯源、农业碳减排量核算与交易等高端化和市场化场景的应用，通过设立人工智能农业绿色发展示范基金，出台土地出让金减免和税收返还等优惠政策，吸引人工智能企业与本地农业主体合作，形成全链条智能碳减排模式，打造人工智能农业低碳产业集群. 对于效应薄弱区域，加快人工智能农业数字基础设施建设，研发适配主粮规模化生产的低能耗人工智能集技术，定向补贴人工智能与现有农业机械设施的集成升级成本. 同时，在效应显著区域和薄弱区域之间建立结对帮扶机制，为充分释放人工智能技术的农业碳减排效应创造有利条件.

5 结论

（1）人工智能技术在农业中的应用能够显著降低农业碳排放. 在处理内生性、更换回归模型、去除政策影响和剔除外生的重大系统性冲击后，该结论依旧成立.

（2）促进绿色金融发展和推动产业结构高级化是人工智能驱动农业碳减排的重要作用机制，且二者能够间接且协同地推进农业碳减排.

（3）人工智能驱动下的农业碳减排效应具有明显的区域异质性，即人工智能的农业碳减排效应并非均衡分布，而是在东部地区、城镇化水平较低的地区、农业现代化水平较弱的地区及非粮食主产区呈现出更强的作用强度.