近年来，碳排放问题引发了世界各国的广泛关注，自《京都议定书》于1997年签订以来，联合国先后召开了一系列有关碳减排责任分担的气候会议，并达成了诸如《巴黎协定》的一揽子框架协定. 作为全球气候治理的积极参与者，中国在第七十五届联合国大会上明确宣布，将采取更加强有力的政策措施，加大对于国内各行各业的碳减排监管，力争在2030年前实现“碳达峰”、努力争取2060年前实现“碳中和”. 农业部门是温室气体的重要来源之一，波士顿咨询公司的《通往农业碳中和之路》报告显示，农业、林业活动及土地利用变化造成的温室气体排放量约占全球排放总量的17%. 农业作为重要的温室气体排放源，其减排路径复杂、成本较高，是实现“双碳”目标的难点与关键领域之一. 推动农业绿色低碳转型、提升农业碳生产率面临诸多挑战，资金约束是核心瓶颈之一. 农业生产者，尤其是小农户，往往缺乏足够的资金投入来采纳节水灌溉、精准施肥、有机种植和高效农机具等能够显著降低碳排放的绿色技术和生产模式^[1，2]. 传统农村金融服务存在覆盖不足、成本高昂和手续繁琐等问题，难以有效满足农业生产者，特别是位于偏远地区或缺乏合格抵押品农户的多元化、便捷化融资需求，限制了其在支持农业绿色技术采纳和低碳转型方面的作用^[3，4].

数字普惠金融的兴起为解决上述困境提供了新的可能. 数字普惠金融强调依托大数据、移动互联等前沿技术，突破传统金融的地域与信息壁垒，实现金融服务“普”（覆盖广）与“惠”（成本低、效率高）的融合创新. 数字普惠金融的发展能够提高农村地区金融服务的可获得性，从而可能影响农业经营者的生产行为与农业部门的碳生产率. 《全球普惠金融发展趋势报告（2023）》指出，截至2021年末，中国已进入“数字普惠时代”. 数字普惠金融的普及有助于提高农业全要素生产率、抑制农业碳排放强度提升^[5，6]. 那么，数字普惠金融的发展能否促进农业碳生产率提升？该影响在空间上具有怎样的特征？回答上述问题对于促进数字普惠金融发展、实现农业降碳增效具有重要意义.

学界关于农业碳生产率的研究大致可以归为两类：一是农业碳生产率测算与分析. 实际测算中，有全要素生产率和单要素生产率之分，其中前者通过构建投入产出指标体系测算得来^[7，8]，而后者则是利用农业经济产出与农业碳排放的比值进行衡量^[9~11]. 相较于全要素碳生产率，单要素碳生产率能够更为直接、准确地反映农业生产部门的“降碳促经”水平^[12]. 二是农业碳生产率影响因素探讨. 学界关于农业碳生产率影响因素的研究已有不少，在农业农村的内部视角，程琳琳等^[13]的研究发现，农村教育水平与农业开放水平的提高有利于农业碳生产率的提升；张哲晰等^[14]的研究揭示，农业产业集聚程度的提高能够强化主产地农户间技术溢出，推动当地基础设施建设，进而促进农业碳生产率提升. 在政策冲击的外部视角，黄伟华等^[15]研究表明，财政支农投入能够通过调整农业种植结构与提升农业机械化水平两条路径促进农业碳生产率提高；展进涛等^[12]围绕环境规制、绿色创新与农业碳生产率的关系展开了探讨，发现环境规制能够促进农业绿色创新，进而提升农业碳生产率. 在风险管理视角，朱森杰等^[16]探究了农业保险对农业碳生产率的影响，结果显示，农业保险对农业碳生产率提升具有促进作用.

学界关于数字普惠金融环境效应的讨论主要集中在3个方面：一是数字普惠金融对企业绿色创新的影响. 梁玲玲等^[17]通过研究发现，提高企业研发投入和缓解融资约束是数字普惠金融推动绿色技术创新的重要渠道；李井林等^[18]研究揭示，数字普惠金融在促进企业绿色技术创新的过程中存在提高企业创新投入、降低企业风险水平与增强企业治理水平三大机制. 二是数字普惠金融对城市碳排放的影响. 田学斌等^[19]研究表明，数字普惠金融能够通过促进产业结构与消费结构升级两大路径抑制城镇居民的消费碳排放；罗能生等^[20]进一步研究揭示，提高绿色融资水平是数字普惠金融促进城市碳变化的主要路径. 三是数字普惠金融对农业绿色生产的影响. 刘成坤等^[21]通过研究发现，数字普惠金融能够通过农业产业结构升级和人力资本积累促进农业绿色全要素生产率提升；谭术魁等^[22]研究则表明，数字普惠金融能够促进农民人均可支配收入与第一产业固定资产投资提升，进而提高耕地利用效率.

综上可知，学界关于农业碳生产率的研究已形成较为丰富的成果，在测度方法、时空格局分析及影响因素识别方面取得了重要进展. 然而，现有影响因素研究虽涉及财政、保险等金融相关领域，但关于普惠金融，特别是依托数字技术、具有显著“普”与“惠”特征的数字普惠金融对农业碳生产率的影响，尚缺乏深入、系统的直接探讨. 实践中，农业碳生产率与农业可持续发展息息相关，提高农业碳生产率不仅是推动农业绿色低碳转型的重要举措^[23]，还是实现农业现代化强国的重要抓手. 探讨数字普惠金融对农业碳生产率的影响，能够为农业绿色低碳发展提供新的思路，并为中国践行“双碳”战略提供理论支撑. 鉴于此，本文首先对农业碳生产率现状进行测度和分析；而后利用固定效应模型分析数字普惠金融对农业碳生产率的影响，同时运用空间杜宾模型探讨该影响的空间溢出效应；最后根据研究结论提出对策建议，以期为农村金融兴农、农业固碳减排提供理论依据. 本文的边际贡献主要集中在以下两点：一是既有研究多从种植业这一单一视角出发对农业碳生产率进行衡量，本文则综合考量了农业能源利用、农用物资投入、水稻种植和畜禽养殖引致的碳排放量，进而完成了对农业碳生产率的测算，以期更准确地估计数字普惠金融对农业碳生产率的影响；二是既有研究在讨论数字普惠金融与农业绿色生产关系时多从农业碳排放总量或农业碳排放强度的角度切入，本文则进一步讨论了数字普惠金融与农业碳生产率的关系，这样的处理方式有助于补充关于数字普惠金融发展的农业碳减排效应的经验证据.

1 理论分析与研究假说 1.1 数字普惠金融对农业碳生产率的影响效应

金融发展理论强调金融体系在经济增长中的核心作用，其“供给领先”假说认为，金融服务的有效供给能够引导并促进实体经济活动^[24]. 在农业领域，完善的金融服务被视为克服资本约束、激励技术采纳和优化资源配置的关键驱动力^[25]. 提高农业碳生产率往往意味着实现农村生产的“高产出”和“低排放”，即在同样的经济产出下，实现更低的碳排放量，从而有效推动农业向低碳、高效及可持续的方向发展^[26]. 低农业碳生产率通常与粗放的农业生产模式紧密相关，然而通过推广精准农业、生态农业等先进农业生产模式，可以有效降低碳排放强度，提高农业资源利用效率，进而提升农业碳生产率^[27]. 在这一过程中，资金投入在农业生产活动中通常扮演着极为重要的角色，一定程度上决定了农业生产者选择何种生产模式. 在一些欠发达地区，资金投入的不足导致不少农业生产者较难实现生产模式的更新，这不仅制约了农业生产力发展，还影响了农业碳减排潜力的释放. 传统农村金融机构受其经营性质和服务范围的限制，难以有效满足农业生产者在信贷、保险等方面的金融需求，成为了制约农业生态经济发展的重要因素^[28]. 而不同于传统农村金融，数字普惠金融作为结合数字通信等新兴技术的普惠金融新形式，能够通过调低金融服务门槛、提高金融服务供给水平及扩大金融服务覆盖范围等方式，践行金融服务深入农村地区的“普”和“惠”，帮助农业生产者获得资金支持、提高其资金的使用效率，从而选择更为先进的生产模式并将其融入到农业绿色发展中，进而作用于农业碳生产率的提高.

具体而言，一方面，数字普惠金融可以通过向农业生产者提供资金支持，在超额利润的内在激励下，支持其选择具有“高投入、高产出”性质并且能够带来长期效益的绿色生产技术，帮助其购买新型农具、高效肥料和优质种子等. 同时促进高效运作和生态友好农业生产体系的推广，积极推动资源节约型、环境友好型农业经营模式的广泛应用，实现农业经济效益和生态效益的显著提升，进而促使农业碳生产率不断提高. 另一方面，数字普惠金融的发展将更具操作性和流通性的金融服务扩展到农村地区，极大地提高了农业各生产环节的资金利用效率与资源配置效率，进而促进农业降碳增效. 综上，数字普惠金融可以通过提供资金支持、提高资金利用效率推进农业生产增效^[5，29]并降低农业碳排放^[30]，进而促使农业碳生产率提升. 基于此，本文提出研究假说H1：数字普惠金融对农业碳生产率具有显著的正向作用.

1.2 空间溢出效应

空间溢出效应的存在源于地理空间单元间的相互联系与依赖. 新经济地理学强调，知识、技术、信息和创新在空间上并非均匀分布，而是倾向于通过地理邻近性进行扩散与溢出^[31，32]. 这种溢出可能源于正式的合作交流或非正式的知识学习^[33]. 由于各自所处的金融发展阶段与所具备的数字技术水平不同，各地区的数字普惠金融发展水平通常参差不齐，相比周边地区差异明显. 因此在空间互动的作用下，数字普惠金融发展不仅会对本地农业碳生产率产生影响，而且还会影响到与之相邻地区的农业碳生产率.

具体而言，一方面，数字普惠金融的先进技术和模式在发展较快的地区形成后，由于其高效和低成本的特点，可能会被周边地区学习和模仿. 这种技术扩散效应使得周边地区能够快速吸收和应用这些先进技术，加速周边地区数字普惠金融的发展. 同时，在促进区域协调发展的政策背景下，数字普惠金融的发展经验能够通过区域合作在周边地区传播，促进共同发展^[34]. 另一方面，数字普惠金融发展可能通过区域间的示范、合作向周边地区普及农业绿色生产技术，推动邻近区域农业低碳转型，提高其碳生产率^[35]. 综上，数字普惠金融的发展既可能通过促进周边地区数字金融水平提高来影响周边地区农业生产活动，还可能通过提升当地绿色发展水平，进而改善邻近区域农业碳生产率. 基于此，本文提出研究假说H2：数字普惠金融发展对农业碳生产率的影响具有正向的空间溢出效应.

2 材料与方法 2.1 变量和指标说明 2.1.1 被解释变量

1993年，Kaya等^[36]首次提出了碳生产率这一概念，该指标不仅能反映单位碳排放量所产生的经济效益，还能体现低碳与经济发展的双重目标^[37]. 本文被解释变量为农业碳生产率（ACP），首先参照田云等^[38]的研究，对农业碳排放量进行测算，测算方法如下所示：

C=∑Ck=∑Tk×δk

(1)

式中，C和Ck分别表示农业碳排放和k类碳源所产生的碳排放量；Tk表示k类碳源的具体数量；而δk表示k类碳源所对应的排放系数. 具体碳源选择与实际测算过程同样参照田云等^[39]的研究，限于篇幅在此不做过多赘述.

结合本文研究逻辑及框架，被解释变量将选用经济内涵更为清晰明了的单要素碳生产率，即以农林牧渔总产值与农业碳排放量的比值表征农业碳生产率，其计算方法如下所示：

ACPit=AGDPitCit

(2)

式中，ACPit表示i地区第t年的农业碳生产率；AGDPit表示i地区第t年的农林牧渔总产值；Cit表示i地区第t年的农业碳排放量.

2.1.2 核心解释变量

本文核心解释变量为数字普惠金融指数（DIFI），数字普惠金融盖广度（cov）、使用深度（usa）及数字化程度（dig）这3个维度均被纳入分析框架，用以揭示数字普惠金融对农业碳生产率影响的维度异质性.

2.1.3 控制变量

本文参考相关研究^[37，39~41]，选取以下6个变量作为控制变量. ①财政支农力度（afs）：以农业财政支出占财政总支出的比例表征；②农民收入水平（inc），以农村居民人均可支配收入表征；③粮食作物比例（fcs），以粮食作物播种面积占农作物总播种面积的比例表征；④农村人力资本（edu），以农村人均受教育年限表征；⑤城镇化水平（url），以城镇人口占区域总人口的比例表征；⑥农业发展水平（aic），以第一产业从业人员人均农业增加值表征.

2.2 模型设定

首先，基于前文理论分析构建基准回归模型如式（3）所示：

ACPit=α0+α1DIFIit+ajZit+μi+λt+εit

(3)

式中，ACPit表示被解释变量，DIFIit表示核心解释变量，Z表示一系列控制变量，μi表示地区固定效应，λt表示时间固定效应，εit表示随机误差项.

其次，本文通过构建一般空间计量模型进一步探究可能存在的空间溢出效应，具体如式（4）所示. 与此同时，参照相关研究^[42~44]，按省域是否相邻（当省域相邻时取值为1，否则取值为0）构建邻接空间权重矩阵，具体如式（5）所示.

$ \begin{aligned} \mathrm{ACP}_{i t}= & \alpha+\rho \sum\limits_{j=1}^n \boldsymbol{W}_{i j} \mathrm{ACP}_{j t}+\beta_1 \mathrm{DIFI}_{i t}+\beta_2 Z_{i t}+ \\ & \theta \sum\limits_{j=1}^n \boldsymbol{W}_{i j}\left(\mathrm{DIFI}_{j t}+Z_{j t}\right)+\mu_i+\lambda_t+\varepsilon_{i t} \end{aligned} $

(4)

$ \boldsymbol{W}_{i j}= \begin{cases}1, & i \neq j, \text { 相邻，} \\ 0, & i \neq j, \text { 不相邻，} \\ 0, & i=j .\end{cases} $

(5)

式中，Wij表示邻接空间权重矩阵；其余变量设定与式（3）一致.

2.3 数据来源与描述性统计结果

囿于数据的可得性，本文利用2011~2022年我国30个省域（中国台湾、香港、澳门和西藏资料暂缺）的面板数据进行实证分析. 各变量获取所涉及的原始数据均出自国家统计局，数字普惠金融指数及其各维度数据来源于数字经济开放研究平台. 针对部分缺失数据，本文采用线性插值法进行了补充；对于农业碳生产率与农业发展水平测度涉及的农业产值数据及农民收入水平数据均以2011年为基准年进行平减处理，其中，前者以对应产值指数进行平减处理，后者以居民消费价格指数进行平减处理. 各变量的描述性统计结果如表 1所示.

3 结果与分析 3.1 农业碳排放与碳生产率现状分析

如表 2所示，农业碳排放量在省际间存在显著的差异，2022年农业碳排放量居于前5位的省域依次是湖南、湖北、四川、河南和江苏，各自碳排放量均在5 500万t以上，且加总占到了全国农业碳排放总量的31.49%；与此对应，北京农业碳排放量最低，仅为94.22万t. 与2011年相比，有15个省域农业碳排放量处于下降态势，其中以北京降幅最大，高达71.49%. 2022年农业碳生产率最高的地区是山东，高达2.7万元·t^-1，北京、福建、河北和海南顺次排在2~5位，各自农业碳生产率均在2.2万元·t^-1以上；与此对应，青海农业碳生产率最低，仅为0.26万元·t^-1. 与2011年相比，除上海之外的其他29个省域农业碳生产率均表现出了明显上升态势，其中以北京增幅最大，高达125.69%.

3.2 空间相关性检验 3.2.1 全局空间自相关分析

核心变量之间具备空间相关性是运用空间计量模型的基本前提，故而本文首先需对考察期内的数字普惠金融指数和农业碳生产率的全局莫兰指数进行计算. 全局莫兰指数取值范围为[-1，1]. 其中，正值表明存在空间正相关性，负值揭示存在空间负相关性，为0则表示空间呈随机性. 2011~2022年数字普惠金融指数与农业碳生产率的全局莫兰指数值如表 3所示.

由表 3可知，2011~2022年数字普惠金融指数的全局莫兰指数均通过了1%水平下的显著性检验且其值始终大于0.28. 由此揭示，中国数字普惠金融存在稳定且正向的空间自相关性. 从变化趋势来看，2011~2022年全局莫兰指数总体呈现先降后升的“U”型分布. 其中，2011~2015年处于波动下降态势并于2015年达到最低值；2016~2022年则处于波动上升态势并于2022年达到最高值，其增幅达到48.99%. 后一阶段空间相关性大幅增强的原因可能在于数字普惠金融发展动力充沛，地区间的传导效应不断加强，如“十三五”期间中国加大了对数字技术应用的推广力度，并积极推进传统金融服务的数字化转型. 与此同时，金融覆盖广度和金融使用深度也随之快速增长，成为数字普惠金融发展水平提升的重要驱动力. 考察期内农业碳生产率的全局莫兰指数在所有年份均通过了显著性检验且其值始终大于0.12，即各省域农业碳生产率在多数时间表现出了高值与高值省域和低值与低值省域相邻的特点. 从指数值的演变轨迹来看，虽存在一定的增减起伏但总体呈下降趋势，表明空间相关性略有减弱，这可能与各地区农业碳生产率差距逐步缩小有关.

3.2.2 局部空间自相关分析

为了进一步检验局部的空间自相关性特征，更好地厘清各省域与邻接省域之间数字普惠金融指数和农业碳生产率的空间集聚或离散程度，本文分别测算二者2011年、2016年和2022年的局部莫兰指数，结果分别展示在表 4和表 5. 不难发现，数字普惠金融指数主要分布在第一象限和第三象限，空间上呈现出明显的高-高集聚和低-低集聚，且两部分数量之和占比在2022年已接近83.33%，由此揭示中国数字普惠金融存在显著的局部空间自相关性. 具体而言，高-高集聚和低-低集聚的省域数量之和整体上呈现递增的趋势.

农业碳生产率同样是以高-高集聚和低-低集聚为主，二者所含省域数量之和的占比一直在56.67%以上. 具体而言，考察期内处在高-高集聚区的省域数量介于7~10个之间，北京、河北、辽宁、山东、河南和海南这6个省域一直居于此列，其中4个为粮食主产省域，其作物选择以小麦和玉米为主，相对高碳的水稻种植较少. 处在低-低集聚区的省域数量介于10~12个之间，湖北、湖南、重庆、贵州、云南、甘肃、青海、宁夏和新疆这9个省域一直在此列，从地域分布来看华中、西南和西北连接成片，上述地区或粮食种植以水稻为主、或农业生产畜牧业占有相当比例. 相比较而言，处在低-高集聚区和高-低集聚区的省域数量明显要少一些，整体介于3~7个之间，其中山西、内蒙古、上海、安徽和江西一直处在低-高集聚区，浙江、福建和陕西则始终处在高-低集聚区. 总体而言，考察期内各类集聚区的省域构成虽略有不同但其数量变化不大，整体已趋于稳定.

3.3 基准回归分析

为了选择最佳的估计方法，本文首先进行了F检验和Hausman检验，结果显示二者的P值均为0，这意味着不接受两个检验所提出的原假设，建议采用固定效应模型作进一步分析. 而固定效应模型F检验结果的显著性P值为0，表明该模型是有效的. 因此，本文采用固定效应模型进行回归分析，结果如表 6所示.

表 6展示了关于数字普惠金融对农业碳生产率影响的回归结果，列（1）为未加入固定效应的回归结果，列（2）在此基础上加入了省域固定效应，列（3）在列（2）的基础上加入了年份固定效应. 结果表明，数字普惠金融的系数显著为正，根据列（3）展示的结果，可以认为数字普惠金融指数每提高1个单位，区域农业碳生产率将提升0.349个单位. 本文研究假说H1得到验证.

3.4 内生性讨论

囿于研究范围和视角局限等客观因素，实证研究中往往会出现由于遗漏变量和反向因果等原因造成的内生性问题. 为了处理上述问题，本文将“信息传输、软件和信息技术服务业的全社会固定投资额”作为工具变量. 一方面，数字普惠金融是金融与大数据和移动互联网等新兴数字技术深度融合产生的新业态^[45]，其发展水平与信息服务业的投资水平息息相关，故选择区域信息传输、软件和信息技术服务业的全社会固定投资额作为数字普惠金融的工具变量满足相关性条件；另一方面，信息传输、软件和信息技术服务业的全社会固定投资聚焦信息产业硬件设施，并不直接干预农业生产资料配置或技术选择，不会直接影响区域农业碳生产率，满足工具变量的外生性条件.

表 7展示了两阶段最小二乘法（2SLS）的回归结果. 其中列（1）报告了第一阶段的估计结果，结果表明工具变量的估计系数在1%的水平上显著为正，符合预期. 列（2）展示了第二阶段的估计结果，核心解释变量的估计系数依旧显著为正.

3.5 稳健性检验

为进一步检验基准回归结果的稳健性，本文分别对回归模型与被解释变量的衡量方式进行了调整，回归结果展示在表 8. 其中列（1）和列（2）分别展示了采用FGLS法与MLE法的随机效应模型估计结果，列（3）展示了调整被解释变量（改以农业增加值与农业碳排放量比值衡量）后的固定效应模型估计结果，列（4）则在列（3）的基础上加入了年份固定效应. 各列展示的回归结果与基准回归结果基本一致，故可进一步认为本文的基本结论是稳健的.

3.6 异质性分析 3.6.1 维度异质性

数字普惠金融本身构成了一个多维度的系统性框架，其核心构成通常被解构为覆盖广度、使用深度与数字化程度这3个公认维度. 这些维度各自从不同的角度对数字普惠金融进行了描述，并在其运行过程中发挥着不同的作用^[46]. 一般来说，数字普惠金融在这3个维度的耦合作用下，能够进一步发挥“长尾”作用，使金融服务更加普惠^[47]. 因此，深入理解并把握以上维度，对于全面评估数字普惠金融的发展状况及其对经济社会的影响具有重要意义. 本文将数字普惠金融的3个维度分别对农业碳生产率进行回归，结果见表 9.

列（1）~（3）分别展示了覆盖广度、使用深度与数字化程度对农业碳生产率影响的估计结果. 结果显示，金融使用深度的系数在1%的水平上显著为正，而其余维度对应的回归系数并不显著，这意味着金融使用深度的提高有助于农业碳生产率的提升，但金融覆盖广度与金融数字化程度对农业碳生产率的影响并不明显. 可能的解释是：金融使用深度这一维度，重点反映的是用户实际采纳和利用数字普惠金融具体业务（如移动支付、在线信贷和数字保险）的广度与强度，具体体现为其应用规模、参与的深入性、操作的频次以及账户的活跃状况. 相较于其余维度，使用深度更能够反映出居民对数字普惠金融的运用水平，因此与农业生产活动的关系更加密切，对农业碳生产率的影响更加明显.

3.6.2 区域异质性

鉴于我国东部、中部和西部地区在资源禀赋、发展水平及社会经济结构方面差异显著，同时粮食主产区与非主产区承载的农业功能定位与产业结构特征迥异，本研究将分类考察不同区域情景下数字普惠金融对农业碳生产率的影响，相关结果展示在表 10. 其中，数字普惠金融对农业碳生产率的正向影响在中部地区和西部地区均高度显著，但在东部地区则未能通过显著性检验. 可能的解释是：一方面，东部地区数字普惠金融率先发展且基础深厚，其对农业碳生产率提升的边际效应可能已接近或跨越饱和阈值，导致其对区域农业碳生产率的促进效果相对较弱；另一方面，东部地区的农业绿色发展基础较好，相较于中西部地区，数字普惠金融在东部地区的农业碳减排潜力有限，进而表现为对区域农业碳生产率的影响并不明显. 与此同时，非粮食主产区数字普惠金融发展有助于提升区域农业碳生产率，而粮食主产区数字普惠金融变量却未通过显著性检验. 可能的解释是，受粮食主产区政策影响，粮食主产区的农业生产规模较大，农业生产活动较频繁，化肥、农药等农资的投入量较大，数字普惠金融发展对区域农业碳生产率的影响相对有限.

3.7 空间溢出效应分析

为了具体判断采用哪一种形式的空间计量模型，本文依次进行了LM检验和LR检验，结果如表 11所示. 综合各个检验结果，本文采用双重固定效应的空间杜宾模型进行回归分析.

表 12展示了空间杜宾模型的回归结果，其中列（1）和列（2）分别报告了数字普惠金融对本地区农业碳生产率的直接影响以及对其他地区农业碳生产率的间接影响，列（3）则报告了农业碳生产率在空间上的自相关性. 从中易知，数字普惠金融对农业碳生产率的提升具有显著促进作用. 从各变量空间滞后系数来看，数字普惠金融的空间滞后系数在5%的显著水平下为正. 这一结果揭示了相邻地区的数字普惠金融发展对本地农业碳生产率产生了正向的传导作用，也进一步表明了数字普惠金融的发展在地理空间上并非完全独立，而是呈现出相互影响、相互作用的复杂关系. 从空间自回归系数来看，农业碳生产率的回归结果显著为正，说明相邻地区农业碳生产率的提升能推动本地农业碳生产率的提升.

为了进一步了解数字普惠金融对农业碳生产率的空间溢出效应，本文参考相关研究^[48~50]的经验做法，利用偏微分方法对效应进行分解，回归结果见表 13.

空间杜宾模型的效应分解结果表明，数字普惠金融对农业碳生产率的影响存在空间溢出：其本地直接效应估计值为0.323（P < 0.05），表明本地区数字普惠金融的发展能够促进当地农业碳生产率提升，间接效应估计值为0.768（P < 0.01），验证了邻近区域数字普惠金融的发展能够通过跨区域联动，有效驱动当地农业碳生产率的增长. 总效应估计值为1.091（P < 0.01），进一步印证了其综合影响力. 本文研究假说H2得到验证.

4 建议

一是强化农村数字基建，深化普惠金融服务“三农”. 数字普惠金融的发展是提升农业碳生产率的有效途径. 因此，应持续加大对农村地区信息通信、互联网等新型基础设施的投入力度，为数字普惠金融的普及奠定坚实基础. 同时，积极引导和鼓励金融机构（特别是涉农金融机构）加快数字化转型步伐，开发操作便捷、场景适配的移动支付、线上信贷和数字保险等产品与服务，降低农户获取金融服务的门槛与成本，切实提升农户金融服务的可得性与便利性.

二是加强金融培训力度，提升农户素养促发展. 数字普惠金融提升农业碳生产率的关键在于其“使用深度”. 因此，政策着力点应更加关注深化现有用户的实际使用，而非单纯追求用户数量扩张，积极开展针对性强、形式多样的农村金融素养与数字技能培训，提升农户对数字金融工具的认知水平和操作能力. 此外，还应鼓励金融机构设计与农业生产周期、绿色技术采纳紧密结合的金融产品与服务，真正发挥数字普惠金融促进农业“降碳增效”的作用.

三是重视区域特点，制定差异化政策. 数字普惠金融对农业碳生产率的提升效应在中西部地区和非粮食主产区表现尤为显著. 因此，一方面，要加强东部地区与中西部地区之间的金融合作与交流，加大中、西部地区数字普惠金融发展的政策支持力度，提高金融服务的可获得性和便利性，进一步促进农业碳生产率提升；另一方面，在非粮食主产区要充分发挥数字普惠金融对智能灌溉、无人机监测等精准农业技术推广的支持作用，开发和提供定制化的数字普惠金融服务，推动化肥、农药减量化施（使）用，提高区域农业碳生产率.

四是深化区域协同合作，推进数字普惠金融发展. 邻近省域的数字普惠金融发展能有效提升本省的农业碳生产率，因此，应推动建立区域性农业绿色金融信息共享平台，促进金融机构跨区域合作与经验交流；鼓励相邻省域在绿色金融标准、风险防控和监管协作等方面探索互认互通机制；支持创新跨区域的绿色金融产品，引导金融资源在更大空间范围内优化配置，共同发挥数字普惠金融对区域农业绿色低碳发展的辐射带动作用.

5 结论

（1）农业碳生产率省际差异明显，其中以山东最高，青海最低；考察期内29个省域农业碳生产率均表现出了明显上升态势且以北京增幅最大，仅上海一地表现出了下降态势.

（2）数字普惠金融的发展对农业碳生产率的提升具有显著的正向影响，即数字普惠金融水平越高，农业碳生产率越高；在进行内生性问题和稳健性检验后，该结论依然成立.

（3）数字普惠金融对农业碳生产率的影响具有一定的维度异质性和区域异质性. 在维度层面，金融使用深度表现出显著的正向驱动效应，而覆盖广度与数字化程度的影响则未通过统计显著性检验. 在地域层面，中、西部地区及非粮食主产区呈现显著的促进作用，而东部地区和粮食主产区则未观测到显著性效应.

（4）考察期内中国省域数字普惠金融与农业碳生产率均存在显著的空间自相关性，空间杜宾模型回归结果显示，数字普惠金融对农业碳生产率具有显著的正向空间溢出效应，即本省域农业碳生产率会因相邻省域数字普惠金融的发展溢出而得到提升.