基于熵权法-BP神经网络的新质生产力测度及其对农业碳排放强度的影响机制

引用本文

刘琦, 何启志. 基于熵权法-BP神经网络的新质生产力测度及其对农业碳排放强度的影响机制[J]. 环境科学, 2026, 47(10): 6683-6696.

LIU Qi, HE Qi-zhi. Measurement of New Quality Productivity Based on Entropy Weighting Method Optimized by BP Neural Network and Its Impact Mechanism on Agricultural Carbon Emission Intensity[J]. Environmental Science, 2026, 47(10): 6683-6696.

基于熵权法-BP神经网络的新质生产力测度及其对农业碳排放强度的影响机制

刘琦, 何启志

浙江工商大学统计与数学学院，杭州 310018

收稿日期: 2025-08-07; 修订日期: 2025-11-01

基金项目: 浙江工商大学经济运行态势预警与模拟推演实验室自设项目（2024SYS003）；浙江工商大学研究生科研创新基金项目（YBXM2024029）

作者简介: 刘琦（1996~），女，博士研究生，主要研究方向为经济统计，E-mail：15000827085@163.com

通信作者: 何启志, E-mail：hqz2020@zjgsu.edu.cn

摘要: 新质生产力如何影响农业碳排放强度是值得研究的重要问题. 基于2012~2023年中国省域数据，运用BP神经网络优化熵权法对新质生产力进行系统性测度，并构建多维固定效应模型探究新质生产力对农业碳排放强度的非线性影响. 结果表明：①我国农业碳排放强度在2012~2023年间呈下降趋势，空间集聚态势逐步减弱；全国新质生产力发展水平整体呈上涨态势，但区域间差异显著. ②新质生产力对农业碳排放强度的影响呈显著的“U”型关系，且该效应在东北地区、主要粮食产区、非长江经济带地区以及长江经济带战略覆盖区尤为突出. ③新质生产力对农业机械化水平存在先抑制后促进的“U”型影响效应，而对农业信息化水平存在先促进后抑制的倒“U”型影响效应，二者在新质生产力影响农业碳排放强度的过程中均发挥了部分中介效应. ④新质生产力发展初期对农业碳排放强度的抑制作用会溢出至邻近地区，但在发展后期则会对邻近地区的农业碳排放强度产生促进作用.

关键词: 新质生产力农业碳排放熵权法-BP神经网络非线性空间效应

Measurement of New Quality Productivity Based on Entropy Weighting Method Optimized by BP Neural Network and Its Impact Mechanism on Agricultural Carbon Emission Intensity

LIU Qi , HE Qi-zhi

School of Statistics and Mathematics, Zhejiang Gongshang University, Hangzhou 310018, China

Abstract: The mechanism through which new quality productive forces (NQPF) influence agricultural carbon emission intensity constitutes a critical scientific question demanding in-depth investigation. Utilizing provincial panel data from China spanning 2012-2023, this study systematically measures NQPF by employing an entropy weighting method optimized via a BP neural network. A multidimensional fixed-effects model is constructed to empirically examine the complex nonlinear relationship between NQPF and agricultural carbon emission intensity. The results reveal that: ① China's agricultural carbon emission intensity showed a declining trend from 2012 to 2023, with a gradual weakening of spatial agglomeration. The overall development level of NQPF increased, but with significant regional disparities. ② NQPF exhibited a significant U-shaped relationship with agricultural carbon emission intensity, manifesting an inhibitory effect during initial development stages that transitioned to a promotional effect in later phases. This nonlinear pattern was particularly pronounced in Northeast China, major grain-producing regions, non-Yangtze River Economic Belt areas, and Yangtze River Economic Belt strategy-covered zones. ③ NQPF demonstrated a U-shaped association with agricultural mechanization levels but an inverted U-shaped relationship with agricultural informatization levels. Both factors exhibited significant partial mediating effects in the pathway through which NQPF influenced agricultural carbon emission intensity. ④ During early development stages, the inhibitory effect of NQPF on agricultural carbon emissions spilled over to neighboring regions, reducing their emission intensity. Conversely, in later stages, NQPF generated positive spatial spillovers that increased agricultural carbon emission intensity in adjacent areas.

Key words: new quality productive forces agricultural carbon emissions entropy weighting method-BP neural network nonlinearity spatial effects

在当前致力于实现碳中和目标的大背景下，发展低碳农业以及构建绿色农业体系已成为我国农业现代化的重要战略方向. 尽管近几年我国农业碳排放量增速已放缓并呈下降趋势^[1]，但中国依旧是农业碳排放大国. 鉴于农业生产的重要性及不可替代性，农业碳排放的问题不容忽视. 在此背景下，农业碳排放强度管控已被纳入生态文明建设整体布局中，旨在通过优化农业生产结构、推广生态友好的种植模式以及发展循环农业等措施，实现农业生产的绿色转型. 农业减排固碳作为实现“双碳”战略的潜力领域，须通过科技创新与制度创新的双轮驱动，将碳排放强度纳入农业高质量发展核心指标. 习总书记在2024年多次强调，将以科技创新为核心驱动力的新质生产力应用拓展至农业领域，在保障农产品供给的同时有效降低碳排放强度，新质生产力的发展将对农业生产方式及农业转型带来较大变革. 因此，研究新质生产力对农业碳排放强度的影响效应及作用机制具有一定的理论与现实意义.

当前，农业领域的碳排放问题已成为学术界研究的热点问题. 现有研究为探索新质生产力影响农业碳排放的机制提供了一定的理论基础. 一方面，多数学者聚焦劳动、资本和土地等传统生产要素展开其对农业碳排放的影响研究. 就劳动要素而言，不少研究发现农村劳动力转移会显著抑制农业碳排放，且抑制作用随转移规模的变化呈非线性特征^[2]. 高文化素质劳动力不仅能够增强技术投入的减碳效果，还能削弱化肥投入与农业碳排放间的正向关系^[3]. 就资本要素而言，农业生产转型模式的不同会带来差异化的农业碳排放效果^[4]，财政支农所带来的农业技术进步能有效抑制农业碳排放量的增加^[5]，且农业全要素技术进步和能源增进型技术进步也对缓解农业碳排放具有积极作用^[6]. 就土地要素而言，其对农业碳排放的影响结论尚未达成一致. 部分研究认为，土地流转政策的实施能有效减少农业碳排放^[7]，农地流转存在化肥减量效应^[8]，进而通过农业化学物资投入的缩量而降低农业碳排放^[9]. 然而，也有研究发现农地流转面积的扩大会促进农业碳排放的增加，且农业经营规模在这一过程中发挥部分中介作用^[10]. 此外，有研究发现土地生产率对农业碳排放存在先促进后抑制的非线性影响效应，且其作用效果在早期会溢出至邻近地区^[11]. 另一方面，数字经济作为新质生产力的重要组成部分，其与农业碳排放强度的关系日益受到关注. 既有研究主要从农业发展^[12]和农村发展^[13]等视角展开，结果显示数字经济的发展能够推动数字技术在农业领域的应用，为农业带来规模效应^[14]，进而推动其高质量发展^[15]，并有效减少农业碳排放^[16]. 进一步的研究发现，不同产业结构下，数字经济对农业碳排放存在非线性影响^[17].

然而，现有研究关于新质生产力对农业碳排放强度影响效应的系统性研究仍相对匮乏，鲜少有研究落脚二者之间的作用机制展开专门性的研究. 少数文献虽有关注，其重点也主要集中在新质生产力对农业碳排放强度的线性关系上，而对其非线性关系的研究较为欠缺，缺乏深入分析与验证. 此外，现有研究在非线性视角下关于新质生产力影响农业碳排放强度的作用机制分析尚显不足，时空维度下关于新质生产力如何通过路径效应和溢出效应对农业碳排放强度产生影响的系统性探讨亦不够充分.

在此背景下，本研究对新质生产力影响农业碳排放强度的非线性效应展开进一步的深挖，系统探究其具体的影响机制及空间效应. 本研究的边际贡献主要体现在：①基于习总书记对新质生产力的重要阐释建立新质生产力综合评价指标，并创新性地在熵权法的基础上运用BP神经网络模型进行测度优化. ②聚焦新质生产力对农业碳排放强度的非线性影响效应及不同维度下的差异化效果，深入剖析新质生产力通过间接路径影响农业碳排放强度的机制，揭示其潜在的传导路径与作用机制. ③进一步探索新质生产力对农业碳排放强度的空间溢出效应，并分析其在区域间的互动特征. 本研究所得结论对新质生产力影响农业碳排放的相关研究作了有益补充，以期为推动我国农业生产绿色转型的政策实践提供一定的理论参考.

1 理论分析框架 1.1 新质生产力对农业碳排放强度的非线性影响效应分析

习总书记在文章《发展新质生产力是推动高质量发展的内在要求和重要着力点》中指出关于新质生产力发展的5个方面内容，即着力推进科技、产业、发展方式、体制机制以及人才工作机制的创新. 随着新质生产力逐步渗透并应用至农业领域的重要引领，科技进步作为农业低碳化和绿色化发展的重要手段^[18]，能够在一定程度上有效推动农业生产模式朝着高效率与低能耗的方向发展^[19]. 在产业结构层面，新质生产力的发展通过驱动经济结构优化升级，对传统高污染与高耗能产业形成有效约束^[20]. 同时，伴随新质生产力发展而来的农业技术人才流动，其产生的“知识溢出”效应有助于促进区域间的协同减排^[21]. 然而，新质生产力对农业碳排放的影响并非简单的线性抑制关系^[22]. 随着新质生产力水平的逐步提升，生产关系变革的滞后性可能显现，原有的生产框架或难以适配更先进的生产与技术变革，继续依赖单一技术路径而忽视系统性的模式创新与制度保障可能使得减排效应趋于弱化甚至产生反向推动. 此外，技术进步带来的生产效率提升也可能促使农业生产者增加投入，扩大生产规模，诱发技术应用的回弹效应^[23]从而带来碳排放强度的升高. 据此，提出如下假说H1：新质生产力对农业碳排放强度存在先抑制后促进的非线性“U”型影响效应.

1.2 新质生产力对农业碳排放强度影响的传导路径分析 1.2.1 新质生产力通过农业机械化水平影响农业碳排放强度的路径分析

农业机械化作为现代农业进步的关键驱动力^[24]，一方面通过新质生产力的推动作用进一步促进农业现代化发展^[25]，提升农业生产效率和资源利用效率，有效降低单位产出的碳排放强度^[26]. 另一方面，农业机械化程度的加深会增加对化石燃料的依赖，其产生的更多温室气体排放可能加剧农业碳排放，进而导致碳排放强度的增加^[24]. 部分研究通过构建环境库兹涅茨等模型对此结论也进行了论证^[27]. 这种由规模扩张和能源结构转变带来的排放增长，可能会抵消前期效率提升带来的减排效益，最终提高农业生产的整体碳排放强度. 据此，提出如下假说H2（a）：农业机械化水平在新质生产力对农业碳排放强度非线性影响的过程中起到中介作用.

1.2.2 新质生产力通过农业信息化水平影响农业碳排放强度的路径分析

信息通信技术被认为是助力绿色化转型的重要手段^[28]. 在农业领域，新质生产力所强调的科技创新与产业创新，特别是数字技术的深度应用，为农业信息化奠定了坚实基础. 农业信息化通过优化农业资源配置及管理体系升级等途径，能够有效提升碳生产率，直接促进了农业碳减排^[29]，并对抑制农业碳排放强度的升高具有一定的作用. 然而，新质生产力进一步发展可能会带来信息的过度冗余，加之缺乏专业且完善的农业信息化服务体系^[30]，进而导致碳减排边际效益的递减，在一定程度上可能制约农业信息化的减碳效能^[31]. 据此，提出如下假说H2（b）：农业信息化水平在新质生产力对农业碳排放强度非线性影响的过程中起到中介作用.

1.3 新质生产力对农业碳排放强度影响的空间效应分析

鉴于区域间农业经济发展与碳排放并非孤立存在，而是呈现出显著的空间关联特征^[32]，且这种关联性体现在多个层面. 首先，空间地理相邻地区通常处于相似的发展区域，面临共同的环境规制约束^[1]，这促使区域间的环境政策执行与监管强度存在互动与协同效应. 其次，邻近地区间会通过同群效应、学习效应与涓滴效应等动态调整自身的农业生产方式及农业碳减排，产生地区间直接或间接的互动^[33]. 不仅如此，新质生产力的发展会通过技术效应重塑农业生产，其中乡村数字化程度已被证实对农业碳排放产生非线性的影响^[34]. 作为新质生产力发展的内核，创新要素的集聚会通过扩散效应溢出至周边地区，推动其多维发展^[35]. 因此，根据弗里德曼的核心边缘理论（1966年）^[36]，本研究提出如下假说H3：周边地区新质生产力的发展会对本地区农业碳排放强度产生非线性的空间效应.

由此，绘制新质生产力对农业碳排放强度的作用机制图，如图 1所示.

图 1 新质生产力对农业碳排放强度作用机制 Fig. 1 Schematic of the impact mechanism of new quality productive forces on agricultural carbon emission intensity

2 材料与方法 2.1 变量测度

本研究被解释变量为农业碳排放强度（ACI），基于各省农业碳排放与农业生产值测算出各省的农业碳排放强度. 参考已有相关研究^[37~39]，沿用学术界最常用的排放系数法^[40]测度农业碳排放量，并最终采用农业碳排放量与农业总生产值的比值^[41]来测度农业碳排放强度. 具体计算公式如式（1）和式（2）：

C E_{i t} = \sum_{j = 1}^{n} C S_{i t}^{j} \times μ^{j}

(1)

A C I_{i t} = \frac{C E_{i t}}{T A P_{i t}}

(2)

式中，CE_it表示i省在t年的农业碳排放总量， $C S_{i t}^{j}$ 和μ^j分别表示第j种农业碳排放源的排放量和碳排放系数. ACI_it为农业碳排放强度，TAP_it为农业总生产值.

核心解释变量为新质生产力（NQPF），通过构建指标体系测度各省新质生产力发展水平. 借鉴以往学者^[42，43]对新质生产力的阐释，同时结合习总书记对新质生产力内涵的进一步解读，本研究创新性地以“科技创新、现代化产业体系、绿色转型、新型生产关系和人才资源”这5个维度构建新质生产力综合评价指标体系，具体见表 1. 测算方面，本研究采用熵权法-BP神经网络以有效克服传统熵权法在权重分配上的局限性. BP神经网络的学习过程是通过误差不断调整各层之间的权值和阈值，其拓扑结构如图 2所示. 通过设定2012年数据为测试样本，其余年份数据为训练样本，采用Adam优化器和学习率0.001，并选用ReLU激活函数进行网络训练，以得到最终的新质生产力发展指数值.

表 1 新质生产力评价指标体系 Table 1 Evaluation indicator system for new quality productive forces

一级指标	二级指标	三级指标	衡量方式	指标方向
科技创新	技术研发	新产品经济投入	新产品开发经费/GDP	+
		高技术产业企业数	高技术产业企业数	+
		高技术研发机构数	高技术企业研发机构数	+
	创新产出	规模以上工业企业劳动生产率	（规上工业总利润+规上工业从业人数×职工平均工资）/规上工业从业人数	+
		国内专利人均授权数	专利授权数量/总人口	+
		技术市场成交额	技术市场成交额	+
		高技术产业新产品销售收入	高技术产业新产品销售收入	+
现代化产业体系	产业生产效率	全要素生产率	全要素生产率	+
	新兴产业	战略性新兴产业占比	战略性新兴产业增加值/GDP	+
	未来产业	机器人应用水平	机器人安装原始密度	+
	数字经济	数字经济指数	数字经济指数	+
绿色转型	绿色生产	资源节约	能源消耗量/GDP	-
		资源节约	能源消费结构	-
		工业废物治理	工业用水量/GDP	-
			工业废水排放/GDP	-
			工业废气排放/GDP	-
			工业固体废物综合利用量/产生量	+
	绿色环保	绿色资源	森林覆盖率	+
	绿色环保	环保力度	环保支出/政府公共财政支出	+
新型生产关系	创新生产要素配置方式	数据共享	互联网宽带接入端口数	+
		电子商务	电子商务销售额	+
		电信通讯	电信业务总量	+
		数字信息	光缆线路长度/地区面积	+
	扩大高水平对外开放	进出口总额占比	进出口总额/GDP	+
	扩大高水平对外开放	外商直接投资占比	实际利用外商投资/GDP	+
人才资源	人才	高技术产业R&D人员折合全时当量	高技术产业R&D人员折合全时当量	+
		计算机行业从业人数	计算机行业从业人数	+
		劳动人力资本结构	将劳动力教育程度分为5个等级，用向量夹角衡量	+
	高校	高校在校学生结构	在校学生数/人口总数	+
		高校师资投入	普通高等学校教职工总数	+
		教育经费投入	教育经费	+

表 1 新质生产力评价指标体系 Table 1 Evaluation indicator system for new quality productive forces

图 2 BP神经网络拓扑结构 Fig. 2 Topology of BP neural network

参考相关研究^[44]，本研究控制变量主要选取经济集聚程度（DEA）、农业劳动生产率（ALP）、农村居民居住水平（RSL）、农业规模经营（ASM）、区域产业结构（RIS）和农业技术创新（ATI）. 具体地，以单位面积地区生产总值衡量经济集聚程度；以第一产业增加值与劳动力投入的比例衡量农业劳动生产率；以村庄人均住宅建筑面积衡量农村居民居住水平；以农作物播种面积与第一产业就业人数之比衡量农业规模经营；以第一产业增加值与地区总产值的比例衡量区域产业结构；以农业科技专利数量的对数衡量农业技术创新.

机制变量包含农业机械化水平（AML）和农业信息化水平（AIL）. 具体地，参考吉雪强等^[41]的做法，以农业机械总动力与农业总产值的比例衡量农业机械化水平. 参考陈卫洪等^[45]的做法，以开通互联网宽带业务的行政村比例衡量农业信息化水平. 各变量描述性统计结果如表 2所示.

表 2 变量描述性统计结果 Table 2 Descriptive statistics of variables

2.2 模型构建 2.2.1 多维固定效应模型

沿袭前文理论分析并借鉴相关研究^[46，47]，构建多维固定效应模型如式（3）：

\begin{array}{l} A C I_{i t} = a_{0} + a_{1} N Q P F_{i t} + a_{2} N Q P {F_{i t}}^{2} + \\ \sum_{j = 1}^{n} ρ_{j} X_{i t}^{j} + γ_{i} + δ_{t} + ε_{i t} \end{array}

(3)

式中，ACI_it为被解释变量，表示i省在t年的农业碳排放强度；NQPF_it为核心解释变量，表示i省在t年的新质生产力发展水平. X_it为本研究所选取的控制变量，包括DEA、ALP、RSL、ASM、RIS和ATI. γ_i和δ_t分别为个体与时间固定效应的虚拟变量，ε_it为随机扰动项. 在验证新质生产力与农业碳排放强度之间是否存在“U”型或倒“U”型关系的过程中，需满足如下条件：二次项系数显著不为0且方向符合预期；拐点左右两侧斜率显著不为0且符号相反；拐点处于数据区间内.

2.2.2 系统GMM模型

考虑到地区农业碳排放强度具有发展惯性，同时进一步缓解可能存在的内生性问题，本研究将被解释变量的一阶滞后项作为工具变量引入模型，构建系统GMM模型如式（4）：

$\begin{aligned} & \mathrm{ACI}_{i t}-\mathrm{ACI}_{i, t-1}=\theta_0+\theta_1 \mathrm{NQPF}_{i t}+\theta_2 \mathrm{NQPF}_{i t}{ }^2+ \\ & \quad \quad\sum_{j=1}^n \sigma_j X_{i t}^j+\gamma_i+\delta_t+\varepsilon_{i t} \end{aligned}$

(4)

式中， $A C I_{i, t - 1}$ 为t-1期的被解释变量， $θ_{0}$ 、 $θ_{1}$ 、 $θ_{2}$ 和 $σ_{j}$ 为待估参数，其余变量解释同式（3）. 经Chamberlain^[48]证实，系统GMM方法能够有效减少并最小化有限样本偏差，提高估计结果的有效性.

2.2.3 非线性中介效应模型

在式（3）的基础上，本研究构建式（5）和式（6）对农业机械化水平和农业信息化水平在新质生产力推动农业碳排放强度过程中的路径效应进行验证.

\begin{array}{l} M_{i t} = b_{0} + b_{1} N Q P F_{i t} + b_{2} N Q P {F_{i t}}^{2} + \\ \sum_{j = 1}^{n} τ_{j} X_{i t}^{j} + γ_{i} + δ_{t} + ε_{i t} \end{array}

(5)

$\begin{aligned} \mathrm{ACI}_{i t}= & c_0+c_1 \mathrm{NQPF}_{i t}+c_2 \mathrm{NQPF}_{i t}{ }^2+c_3 M_{i t}+ \\ & \ \sum_{j=1}^n \varphi_j X_{i t}^j+\gamma_i+\delta_t+\varepsilon_{i t} \end{aligned}$

(6)

式中，M_it为中介变量，包括农业机械化水平AML_it和农业信息化水平AIL_it. b₁和b₂为NQPF_it和NQPF_it²对M_it的影响系数，c₁和c₂为NQPF_it和NQPF_it²对ACI_it的非线性影响效应，c₃为M_it的系数. 借鉴Yang等^[49]的做法，NQPF_it对ACI_it的总效应为： $α = \frac{\partial A C I}{\partial N Q P F} = a_{1} + 2 a_{2} N Q P F_{i t}$ ；NQPF_it通过中介变量M_it对ACI_it的中介效应为： $β = \frac{\partial M}{\partial N Q P F} \times \frac{\partial A C I}{\partial M} = c_{3} b_{1} + 2 c_{3} b_{2} N Q P F_{i t}$ . 中介效应占总效应的比例为： $γ = \frac{β}{α}$ .

2.2.4 空间杜宾模型

最后，构建空间杜宾（SDM）模型探讨新质生产力对农业碳排放强度的空间溢出效应，如式（7）：

$\begin{aligned} \mathrm{ACI}_{i t}= & d_0+\mu \sum\limits_{j=1}^n {\mathit{\boldsymbol{W}}}_{i j} \mathrm{ACI}_{j t}+d_1 \mathrm{NQPF}_{i t}+d_2 \mathrm{NQPF}_{i t}{ }^2+ \\ &\ \omega_1 \sum\limits_{j=1}^n {\mathit{\boldsymbol{W}}}_{i j} \mathrm{NQPF}_{j t}+\omega_2 \sum\limits_{j=1}^n {\mathit{\boldsymbol{W}}}_{i j} \mathrm{NQPF}_{j t}{ }^2+ \\ & \ \sum\limits_{j=1}^n \rho_j X_{i t}^j+\tau \sum\limits_{j=1}^n {\mathit{\boldsymbol{W}}}_{i j} X_{i t}^j+\gamma_i+\delta_t+\varepsilon_{i t} \end{aligned}$

(7)

式中，μ、ω₁、ω₂和τ为空间自回归系数，W_ij为空间权重矩阵，其余变量解释同前式.

本研究采用两种空间权重矩阵进行空间效应的估计，一是空间邻接矩阵W₁，若两省相邻或存在连接则取值为1，两省不相邻或不存在连接则取值为0.

二是经济地理嵌套矩阵W₂，其计算公式如式（8）：

W_{i j} = \frac{e^{- d_{i j}}}{|\bar{Y_{i}} - \bar{Y_{j}}| + 1}, i \neq j

(8)

式中， $\bar{Y_{i}}$ 和 $\bar{Y_{j}}$ 分别为i和j省的人均GDP，d_ij为两个省会城市间的直线距离.

2.3 数据来源

本研究以我国30个省域为研究区域（中国台湾、香港、澳门和西藏资料暂缺），时间跨度为2012~2023年. 研究所用基础数据来自国际机器人联合会（IFR）、《中国统计年鉴》《中国城市统计年鉴》《中国农村统计年鉴》《中国能源统计年鉴》《中国劳动统计年鉴》《中国农业年鉴》《中国高技术产业统计年鉴》以及各省统计年鉴等.

3 结果与讨论 3.1 特征事实 3.1.1 农业碳排放强度评估结果

基于前文设定，计算得到2012~2023年内各省域年均农业碳排放强度如图 3所示. 从主要特征视角切入时，可以看到考察期内河南的农业碳排放量居全国榜首，归因于河南省作为全国重要的粮食生产基地，其小麦产量占据了全国总产量的1/4，并且拥有较为完善的农产品加工产业链，高排放量被高产值部分抵消进而呈现出相对不高的农业碳排放强度. 相比之下，吉林的农业碳排放强度在全国范围内最高. 可能的原因是作为玉米等粮食作物的主产区，该地区化肥及机械化依赖程度高但产值增速滞后，从而导致了较高的农业碳排放强度. 此外，内蒙古、甘肃、宁夏及新疆等省域地处西北部干旱地区，农业多依赖于灌溉与畜牧业等，加之产值增速可能存在滞后，也表现出较高的农业碳排放强度. 特别是新疆，不少作物为适应干旱及昼夜温差大的环境，需大量使用薄膜技术，这也进一步增加了该地的碳排放量. 从农业结构视角切入可以发现，以畜牧业主导的内蒙古和甘肃等省域的农业碳排放强度明显高于以种植业为主导的湖南和江西等省域. 值得注意的是，山东的农业碳排放量居高，但通过结合理论分析可以发现，因其高效的蔬菜水果生产体系而能够有效摊薄单位产值下的碳排放量，从而展现出较低的农业碳排放强度.

图 3 2012~2023年省域农业碳排放强度时间变化 Fig. 3 Temporal variation in agricultural carbon emission intensity across provinces from 2012 to 2023

进一步地，利用ArcGIS自然断点法将2012年和2023年农业碳排放强度进行空间特征分析，结果如图 4所示. 空间分布结果显示，我国30个省域（中国台湾、香港、澳门和西藏资料暂缺）农业碳排放强度整体上呈现出“东北高、西南低”格局，但考察期内全域农业碳排放强度呈现显著下降趋势. 具体表现为最高值从0.284 2万t·（10⁸元）^-1降至0.155 9万t·（10⁸元）^-1，最低值从0.128 8万t·（10⁸元）^-1降至0.027 6万t·（10⁸元）^-1，降幅分别达45.14%与78.57%. 2012年，农业碳排放强度的中高值及以上区域覆盖范围较广，区域间梯度差异显著. 2023年，高强度区域范围明显收缩，且随着时间的推移，农业碳排放强度的空间集聚态势可能逐步减弱，趋向分散. 与2012年相比，2023年代表低强度等级的浅蓝色与次浅蓝色区域数量增多，且主要集中在中部与西南部地区. 同时，东部沿海区域的色块差异（即强度差异）也逐步缩小，表明区域间可能会通过协同作用推动了农业碳排放强度的降低. 因此，未来应继续加强区域与省域间的联系，逐步改善农业碳排放环境.

该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图无修改. 图 4 2012~2023年省域农业碳排放强度空间变化 Fig. 4 Spatial variation in agricultural carbon emission intensity across provinces from 2012 to 2023

3.1.2 新质生产力发展水平评估结果

基于熵权法-BP神经网络模型对中国省域新质生产力发展水平进行综合评价与测度，得出各省2012~2023年新质生产力综合指数. 考虑到直辖市在经济结构、居民生活水平及城市发展自主性等方面存在显著优势，本研究分别探讨了直辖市与其他省域新质生产力的发展状况. 为此，绘制了2012年与2023年的省域新质生产力发展水平散点图，如图 5所示. 从中可知，在直辖市层面，北京市在过去10 a间始终保持较高的新质生产力发展水平，明显领先于上海、天津以及重庆. 值得注意的是，重庆的新质生产力综合指数在2023年相较2012年有所提升. 对于非直辖省域而言，广东在2023年的新质生产力表现优于10 a前，并且在全国范围内持续处于领先地位. 此外，中部地区如安徽、江西、河南、湖北及湖南等地的新质生产力增长呈现出较为明显的区域协同效应. 进一步分析西部地区的四川、贵州、云南、甘肃、青海、宁夏回族自治区以及新疆维吾尔自治区等省域的数据发现，以上区域不仅体现了较强的内部联动作用，且其整体新质生产力综合指数相较于2012年呈上涨态势.

图 5 2012年和2023年省域新质生产力发展水平散点 Fig. 5 Scatter plot of new quality productive forces development level across provinces in 2012 and 2023

3.2 基准回归分析

为了分析各省新质生产力发展水平对农业碳排放强度的影响效应，基于式（3）的设定，得到新质生产力与农业碳排放强度的非线性关系如表 3所示. 列（2）在列（1）的基础上加入了控制变量，而列（3）则在列（2）的基础上进一步对省域与时间效应进行了控制. 可以看到，核心解释变量的一次项系数均显著为负且二次项系数均显著为正，初步证实了新质生产力与农业碳排放强度之间的“U”型关系. 进一步地借鉴Lind等^[50]的做法，借助Utest检验论证发现，所有模型的拐点位于置信区间内，且左右两侧斜率符号相反. 由此，假说H1得以验证. 列（3）结果表明，在引入控制变量并对省域和时间效应进行控制后，“U”型曲线的拐点为0.478 5，即当新质生产力发展水平为0.478 5时，对农业碳排放强度的抑制作用最优. 此结果不仅揭示了新质生产力在影响农业碳排放强度中的动态作用，也反映出其作用的阶段性特征. 导致新质生产力与农业碳排放强度之间“U”型关系的主要原因可能是，前期新质生产力的提升带来农业生产方式的优化和农业生产效率的提升，从而减少了单位产出的碳排放强度. 然而，当新质生产力达到一定水平后，进一步的技术进步和生产规模扩张可能会引发资源和能源的过度消耗，尽管农业生产效率持续提升，但边际效率出现递减，使得农业碳排放强度再次升高. 本研究揭示了新质生产力与农业碳排放强度之间存在的显著“U”型关系，为探究新质生产力对农业碳排放影响的作用机制提供了新的理论视角与实证证据.

表 3 基准回归结果^1） Table 3 Baseline regression results

3.3 内生性与稳健性检验 3.3.1 内生性检验

为提高新质生产力与农业碳排放强度之间回归结果的稳定性，本研究将采用系统GMM模型解决内生性的问题以提升模型整体的估计效率，具体结果见表 4列（1）所示. AR（1）检验的P值小于0.01，AR（2）的P值大于0.1，表明分析模型是规范且有效的. 同时Hansen检验结果说明，模型的工具变量使用是有效的，不存在过度识别问题. 从回归分析结果来看，新质生产力与其平方项均在10%的水平上呈现出显著性，进一步验证了新质生产力对农业碳排放强度影响存在非线性关系.

表 4 内生性与稳健性检验 Table 4 Endogeneity and robustness tests

3.3.2 稳健性检验

本研究通过更换回归模型、剔除部分样本以及增加控制变量等方式对回归估计的稳健性进行检验，回归结果如表 4列（2）~（4）所示.

首先，将基准回归模型替换为面板Tobit模型重新进行回归. 表 4列（2）结果可知，新质生产力的系数仍然显著为负且其二次项系数仍然显著为正，表明本研究所得结论具有一定的可靠性. 其次，考虑到直辖市在经济结构、居民生活水平及城市发展自主性等方面存在显著优势，本研究剔除4个直辖市样本重新进行回归. 表 4列（3）结果显示，剔除直辖市样本数据后回归结果仍显著. 最后，基于遗漏变量等问题的考虑，本研究进一步控制农业产业结构升级（AUIS）、城镇化率（UR）、财政涉农支出占比（FEA）和农村人力资本水平（RHC）并重新进行回归. 表 4列（4）的结果表明在进一步增加控制变量后，新质生产力对农业碳排放强度仍然存在显著的先抑制后促进的“U”型关系，表明本研究所得结论具有一定的稳健性与可靠性.

3.4 异质性分析

本文进一步从地理、功能和政策属性就新质生产力对农业碳排放强度的影响展开异质性分析. 参考孙林杰等^[51]的做法，对组间系数差异采用Chow test法进行检验.

首先，考虑到中国各区域的碳排放程度及新质生产力发展水平存在显著差异，本研究就所选样本展开以东部、中部、西部和东北部划分的地理区位的探讨，研究结果如表 5列（1）~（4）所示. 可以看到，地区新质生产力对农业碳排放强度的“U”型影响在西部和东北部地区显著成立，且在东北部的作用效果最强. 可能的原因是东北部地区的农业碳排放强度较高但新质生产力发展较为滞后，每单位新质生产力水平的提升会带来当地农业碳排放强度的较大波动. 进一步的组间差异检验结果显示，Chow检验值为12.49且在1%的水平上显著，表明分组回归结果有效.

表 5 异质性分析结果 Table 5 Heterogeneity analysis results

其次，基于农业生产优势的不同将样本划分为粮食主产区、粮食主销区和产销平衡区，分组后的回归结果如表 5列（5）~（7）所示. 研究发现，粮食主产区的新质生产力对农业碳排放强度的影响存在显著的先减少后增加的“U”型非线性特征，而粮食主销区和产销平衡区没有产生显著影响. 这可能是归因于粮食主产区作为生产粮食的主导区域，其对农业生产及技术需求较高，新质生产力相关绿色技术、技术创新及效率的提升，在前期带来突出的碳减排效果，呈现出对农业碳排放强度的显著削弱作用. 但是随着新质生产力水平的进一步提升，主产区因效率提升和生产规模扩张，带来资源的过度消耗，进而又带来农业碳排放强度的升高.

再次，考虑到长江经济带良好的生态环境条件与政策倾斜优势，本研究着眼于长江经济带与非长江经济带地区新质生产力对农业碳排放强度的差异化影响展开研究. 表 5列（8）和列（9）表明，相较于长江经济带地区，非长江经济带地区新质生产力对农业碳排放强度的影响呈现出显著的先抑制后促进的“U”型关系，而长江经济带地区的影响效果却并不显著. 这一现象可能归因于非长江经济带地区的农业技术水平相对较低且生产集聚度不高，因此新质生产力水平的提升对该地区农业碳排放具有更显著的边际作用效果. 进一步地聚焦长江经济带地区，考虑到2016年颁布实施的《长江经济带发展规划纲要》可能会对地区新质生产力水平以及农业碳排放产生影响，本研究针对长江经济带地区在该战略实施前后的变化进行深入探讨. 表 5列（10）和列（11）结果表明，在2016年之前，长江经济带地区的新质生产力对农业碳排放强度的作用效果并不明显. 但在战略实施后，长江经济带地区的新质生产力对农业碳排放强度存在显著的“U”型作用效果. 可能的原因是该战略强调对生态环境的保护及农业现代化的推进，相关举措的提出也有利于地区新质生产力的进一步提升，从而导致战略实施后新质生产力对农业碳排放强度的作用效果呈现出显著性.

3.5 非线性中介效应分析

上述回归结果证实了新质生产力对农业碳排放强度的影响，但具体的作用机制还有待进一步地验证. 基于前文理论分析，新质生产力能够通过影响农业机械化水平与农业信息化水平从而对农业碳排放强度产生作用. 表 6列（1）结果显示，新质生产力的一次项对农业机械化水平的系数显著为负，二次项系数显著为正，即新质生产力与农业机械化水平之间存在显著的先抑制后促进的“U”型关系. 可能的原因是，新质生产力发展的初期主要依赖于技术改进及结构转型，以上措施能够在一定程度上减少对传统机械的依赖程度，从而降低农业机械化水平. 然而随着新质生产力的进一步发展，更先进的农业机械与技术被广泛应用，进而再次推动农业机械化水平的提升. 列（2）结果显示，农业机械化水平对农业碳排放强度的系数为正且通过1%水平的显著性检验，且新质生产力一次项系数和二次项系数在加入中介变量农业机械化水平后均有所下降，表明农业机械化水平发挥了部分中介效应. 依据估计系数值，新质生产力对农业碳排放强度的总效应为α=-0.281 3+0.588NQPF_it，新质生产力通过农业机械化水平对农业碳排放强度影响的中介效应为β=-0.139 2+0.236NQPF_it，中介效应占总效应的比例为γ=（-0.139 2+0.236NQPF_it）/（-0.281 3+0.588NQPF_it）. 由此假说H2（a）得以验证.

表 6 非线性中介效应回归结果 Table 6 Regression results of nonlinear mediating effects

从表 6列（3）的结果来看，新质生产力的一次项对农业信息化水平的系数显著为正，二次项系数显著为负，即新质生产力与农业信息化水平之间存在先促进后抑制的倒“U”型关系. 究其原因，可能是初期新质生产力的提高能够有效促进信息技术的应用，进而引致农业信息化水平的提升. 然而当新质生产力水平达到一定程度后，可能会因信息冗余等原因从而抑制农业信息化水平的进一步提升. 列（4）结果显示，在纳入农业信息化水平这一中介变量后，新质生产力对农业碳排放强度影响的“U”型关系仍然存在且显著，且农业信息化水平对农业碳排放强度存在显著的负向作用效果. 依据估计系数值，新质生产力通过农业信息化水平对农业碳排放强度影响的中介效应为β=-0.083 5+0.183 2NQPF_it，中介效应占总效应的比例为γ=（-0.083 5+0.183 2NQPF_it）/（-0.281 3+0.588 0 NQPF_it）. 由此假说H2（b）得以验证.

3.6 空间效应分析 3.6.1 全局空间自相关检验：莫兰指数

在考察新质生产力对农业碳排放强度直接影响与间接影响的基础上，进一步基于空间视角对其空间溢出效应进行研究. 首先在邻接矩阵下对农业碳排放强度和新质生产力进行空间效应检验. 由表 7可知，考察期内新质生产力的Moran指数均显著为正，存在显著的空间自相关性，农业碳排放强度的空间自相关性大体上逐步提升且逐步呈现出显著性. 在此基础上，依次进行LM检验、LR检验和Wald检验来选择合适的空间计量模型，结果表明双固定效应的空间杜宾模型为最优选择.

表 7 2012~2023年中国农业碳排放强度与新质生产力的空间自相关特征 Table 7 Spatial autocorrelation characteristics of agricultural carbon emission intensity and new quality productive forces in China from 2012 to 2023

3.6.2 新质生产力对农业碳排放强度的空间溢出效应分析

由表 8列（1）空间回归结果可知，新质生产力一次项的空间交互项系数在5%的水平上显著为负，而二次项的空间交互项系数则不显著. 然而，考虑到传统的空间邻接矩阵未能充分考虑到地区间经济发展程度对农业碳排放强度的影响，本研究替换采用经济地理嵌套矩阵进行进一步分析，以综合考虑经济与地理距离的空间关联效应，回归结果由表 8列（5）~（8）所示. 结果显示，综合考虑空间地理与经济因素后，新质生产力对农业碳排放强度的“U”型关系仍然显著存在，即新质生产力一次项系数显著为负且二次项系数显著为正. 不仅如此，新质生产力一次项与空间权重矩阵的交互项显著为负，二次项的交互系数显著为正，表明随着周边地区新质生产力水平的发展，初期可能会产生正向的空间溢出效应，从而抑制本地区农业碳排放强度提升，但随着周边地区新质生产力水平的进一步提升，可能会出现负向溢出效应，带来本地区农业碳排放强度再次升高.

表 8 空间回归结果 Table 8 Spatial regression results

参考Lesage等^[52]的做法，利用偏微分法将空间效应进一步分解成直接效应和间接效应. 结果显示，新质生产力一次项和二次项的直接效应值分别为-0.292 6和0.363 1，且均在1%的水平上显著，表明本地的新质生产力发展水平对本地农业碳排放强度的影响呈“U”型关系. 此外，新质生产力一次项和二次项的间接效应值分别为-0.473 5和0.878 9，且分别在5%和1%的水平上显著. 此结果表明在初期邻近地区新质生产力的发展会带动本地新质生产力的提升，进而对农业碳排放强度产生一定的抑制作用. 但随着邻近地区新质生产力水平的逐步提升及其数字市场的不断扩大，这将导致本地区农产品需求的增加^[1]，而带来本地农业碳排放强度的增加. 由此，假说H3得以验证.

4 建议

（1）构建区域差异化农业碳治理体系，优化新质生产力空间布局. 根据农业碳排放强度的空间分异格局，在东北等农业碳排放高强度区域重点推进节能降耗与清洁生产技术，在西南等较低农业碳排放强度区域探索生态农业发展模式. 同时，发挥广东等新质生产力发展水平领先省域的示范效应，强化中部地区的协同发展能力，以新质生产力的发展带动全域农业绿色转型.

（2）建立基于新质生产力发展阶段的动态干预机制. 新质生产力发展初期阶段，应充分利用其对农业碳排放的抑制效应，鼓励和支持农业领域的科技创新和绿色生产方式. 尤其是在东北地区、粮食主产区和非长江经济带地区，应强化政策支持. 加大绿色技术补贴力度，尽可能延长农业碳减排窗口期. 新质生产力发展后期，鼓励推动种养循环产业链建设，抑制碳排放攀升趋势，实现农业减排路径的可持续转型.

（3）推动农业机械化与信息化发展的低碳化与高效化转型. 在农业机械化领域，应重点研发推广与农艺要求相匹配的高效低碳装备，加强对农业机械的监测与管理维护，避免因设备冗余及能效低下等导致的碳排放增加. 在农业信息化领域，应着力整合信息基础设施，构建一体化数字管理平台，协调新质生产力所带来的技术合理应用，减少不必要的能耗和碳排放.

（4）健全区域协同减排与空间溢出响应机制. 鼓励构建跨区域农业碳监测与新质生产力评估平台，识别空间溢出的关键节点与拐点区域. 通过区域联动和技术共享等方式，强化新质生产力在初期的正向空间溢出作用. 同时，建立跨区域环境协商与生态补偿机制，应对后期可能出现的负向溢出效应，提升农业碳排放在地理空间上的整体治理效能.

5 结论

（1）我国农业碳排放强度整体上呈“东北高、西南低”的空间分异格局，且在2012年至2023年间呈下降趋势，空间集聚态势逐步减弱. 同时，全国新质生产力发展水平整体上呈上涨态势，但区域间差异显著. 直辖市中，重庆增长态势尤为明显；非直辖省域中，广东持续处于全国领先地位；中部地区则展现出较为明显的区域协同提升特征.

（2）新质生产力对农业碳排放强度的影响呈现显著的“U”型关系，即在初期阶段具有抑制作用，而在后期则转为促进作用. 该效应在东北地区、主要粮食产区、非长江经济带地区以及长江经济带战略覆盖区尤为突出.

（3）新质生产力对农业机械化水平存在先抑制后促进的“U”型影响效应，而对农业信息化水平存在先促进后抑制的倒“U”型影响效应. 农业机械化水平及农业信息化水平在新质生产力对农业碳排放强度非线性影响的过程中均起到中介作用.

（4）新质生产力在发展初期通过空间溢出效应对邻近地区农业碳排放强度产生抑制作用，而在发展后期则转为促进作用，表明周边地区新质生产力的发展对本地区农业碳排放具有显著的非线性空间影响.

参考文献

[1]	田云, 蔡艳蓉, 张蕙杰. 数字经济对农业碳排放效率的影响——基于门槛效应和空间溢出效应的检验[J]. 农业技术经济, 2024(11): 89-107. Tian Y, Cai Y R, Zhang H J. The impact of digital economy on agricultural carbon emission efficiency: based on threshold effect and spatial spillover effect test[J]. Journal of Agrotechnical Economics, 2024(11): 89-107.
[2]	黄进, 常淏, 田野, 等. 劳动力转移对农业碳排放的影响机制及减排潜力分析[J/OL]. 中国农业资源与区划, 1-15. https://link.cnki.net/urlid/11.3513.s.20250418.1559.030, 2025-04-21. Huang J, Chang H, Tian Y, et al. Analysis of the impact mechanism and emission reduction potential of labor transfer on agricultural carbon emissions[J/OL]. Chinese Journal of Agricultural Resources and Regional Planning, 1-15. https://link.cnki.net/urlid/11.3513.s.20250418.1559.030, 2025-04-21.
[3]	刘琼, 肖海峰. 农地经营规模影响农业碳排放的逻辑何在?——要素投入的中介作用和文化素质的调节作用[J]. 农村经济, 2020(5): 10-17.
[4]	王如如, 张郁, 房艳刚, 等. 农业生产转型视角的东北三省农业碳排放格局特征与作用机制[J]. 地理研究, 2023, 42(8): 2264-2282. Wang R R, Zhang Y, Fang Y G, et al. The pattern characteristics and mechanisms of agriculture carbon emissions from the perspective of agricultural production transition in Northeast China[J]. Geographical Research, 2023, 42(8): 2264-2282.
[5]	黄伟华, 祁春节, 聂飞. 财政支农、技术溢出与农业碳排放[J]. 软科学, 2023, 37(2): 93-102. Huang W H, Qi C J, Nie F. Financial support for agriculture, technology spillover and agricultural carbon emissions[J]. Soft Science, 2023, 37(2): 93-102.
[6]	魏玮, 文长存, 崔琦, 等. 农业技术进步对农业能源使用与碳排放的影响——基于GTAP-E模型分析[J]. 农业技术经济, 2018(2): 30-40. Wei W, Wen C C, Cui Q, et al. The impacts of technological advance on agricultural energy use and carbon emission——an analysis based on GTAP-E model[J]. Journal of Agrotechnical Economics, 2018(2): 30-40.
[7]	操小娟, 靳婷. 土地流转、农业规模经营与农业碳排放——基于土地流转政策的准自然实验[J]. 华中农业大学学报(社会科学版), 2024(4): 153-163. Cao X J, Jin T. Land transfer, agricultural scale management and agricultural carbon emissions——quasinatural experiments based on land transfer policy[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2024(4): 153-163.
[8]	邹伟, 崔益邻, 周佳宁. 农地流转的化肥减量效应——基于地权流动性与稳定性的分析[J]. 中国土地科学, 2020, 34(9): 48-57. Zou W, Cui Y L, Zhou J N. The impact of farmland transfer on farmers' fertilizer reduction: an analysis of transferability and security of land rights[J]. China Land Science, 2020, 34(9): 48-57.
[9]	郑纪刚, 张日新. 外包服务有助于减少农药过量施用吗——基于经营规模调节作用的分析[J]. 农业技术经济, 2022(2): 16-27. Zheng J G, Zhang R X. Can outsourcing reduce pesticide overuse?——analysis based on the moderating effect of farmland scale[J]. Journal of Agrotechnical Economics, 2022(2): 16-27.
[10]	吉雪强, 李卓群, 张跃松. 农地流转对农业碳排放的影响及空间特性[J]. 资源科学, 2023, 45(1): 77-90. Ji X Q, Li Z Q, Zhang Y S. Influence of rural land transfer on agricultural carbon emissions and its spatial characteristics[J]. Resources Science, 2023, 45(1): 77-90.
[11]	朱前涛, 秦昊. 土地生产率与农业碳排放: 非线性关系及空间溢出[J]. 农林经济管理学报, 2023, 22(6): 770-779. Zhu Q T, Qin H. Land productivity and agricultural carbon emissions: nonlinear relationships and spatial spillovers[J]. Journal of Agro-Forestry Economics and Management, 2023, 22(6): 770-779.
[12]	刘海启. 以精准农业驱动农业现代化加速现代农业数字化转型[J]. 中国农业资源与区划, 2019, 40(1): 1-6, 73. Liu H Q. Accelerating the digital transformation of modern agriculture by driving the agricultural modernization with precision agriculture[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(1): 1-6, 73.
[13]	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, 47. Liu Z, Zhang X X, Wei W G. The impact of rural digital economic development on agricultural carbon emissions——based on the panel data of 29 provinces in China[J]. Journal of Jiangsu University (Social Science Edition), 2023, 25(3): 20-32, 47.
[14]	田云, 廖华. 数字经济对农业碳排放的影响及作用机制研究[J]. 改革, 2024(9): 84-99. Tian Y, Liao H. The influence and mechanism of digital economy on agricultural carbon emission[J]. Reform, 2024(9): 84-99.
[15]	李本庆, 周清香, 岳宏志. 数字乡村建设对产业兴旺影响的实证检验[J]. 统计与决策, 2022, 38(17): 5-10. Li B Q, Zhou Q X, Yue H Z. An empirical test of the influence of digital countryside construction on industrial prosperity[J]. Statistics & Decision, 2022, 38(17): 5-10.
[16]	刘颖, 徐少雄. 数字经济发展对中国农业碳排放的影响研究[J]. 中国农业资源与区划, 2025, 46(3): 1-12. Liu Y, Xu S X. Study on the impact of digital economy development on agricultural carbon emissions in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2025, 46(3): 1-12.
[17]	李俊杰, 张引杰. 数字经济影响农业碳排放的机理与实证[J]. 中南民族大学学报(人文社会科学版), 2024, 44(6): 139-148, 187. Li J J, Zhang Y J. Impact mechanism and empirical research of digital economy on agricultural carbon emissions[J]. Journal of South-Central Minzu University (Humanities and Social Sciences), 2024, 44(6): 139-148, 187.
[18]	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. Zhang S X, Wang H, Xu R N. Analysis on the relationship between science and technology progress, green total factor productivity and agricultural carbon emission: based on pan Yangtze River Delta 26 city panel data[J]. Science and Technology Management Research, 2021, 41(2): 211-218.
[19]	蒋和平, 苏基才. 1995—1999年全国农业科技进步贡献率的测定与分析[J]. 农业技术经济, 2001(5): 12-17.
[20]	徐政, 张姣玉, 李宗尧. 新质生产力赋能碳达峰碳中和: 内在逻辑与实践方略[J]. 青海社会科学, 2023(6): 30-39.
[21]	何艳秋, 陈柔, 朱思宇, 等. 策略互动和技术溢出视角下的农业碳减排区域关联[J]. 中国人口·资源与环境, 2021, 31(6): 102-112. He Y Q, Chen R, Zhu S Y, et al. Regional correlation of agricultural carbon emission reduction from the perspective of strategic interaction and technology spillover[J]. China Population, Resources and Environment, 2021, 31(6): 102-112.
[22]	郭少华. 新质生产力降低了农业碳排放强度吗?[J]. 南京财经大学学报, 2024(6): 78-88. Guo S H. Does new quality productivity reduce agricultural carbon emission intensity?[J]. Journal of Nanjing University of Finance and Economics, 2024(6): 78-88.
[23]	张桅, 胡艳. 长三角地区创新型人力资本对绿色全要素生产率的影响——基于空间杜宾模型的实证分析[J]. 中国人口·资源与环境, 2020, 30(9): 106-120. Zhang W, Hu Y. The effect of innovative human capital on green total factor productivity in the Yangtze River Delta: an empirical analysis based on the spatial Durbin model[J]. China Population, Resources and Environment, 2020, 30(9): 106-120.
[24]	王陆陆, 许雨萱, 柴嫃嫃, 等. 农业机械化水平对农业碳排放强度影响研究——基于2004—2021年30个省份面板数据检验[J]. 中国农业资源与区划, 2025, 46(8): 55-66. Wang L L, Xu Y X, Chai Z Z, et al. Impact of agricultural mechanization development on agricultural carbon emission intensity——based on a panel data test for 30 provinces from 2004—2021[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2025, 46(8): 55-66.
[25]	陈慧卿, 曾福生. 农业新质生产力对农业现代化发展的影响研究[J]. 农业经济与管理, 2024(3): 27-41. Chen H Q, Zeng F S. Study on the influence of new quality agricultural productive forces on agricultural modernization development[J]. Agricultural Economics and Management, 2024(3): 27-41.
[26]	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, 32(4): 23-33. Xu Q H, Zhang G S. Spatial spillover effect of agricultural mechanization on agricultural carbon emission intensity: an empirical analysis of panel data from 282 cities[J]. China Population, Resources and Environment, 2022, 32(4): 23-33.
[27]	贺青, 张俊飚, 张虎. 农业机械化对农业碳排放的影响——来自粮食主产区的实证[J]. 统计与决策, 2023, 39(1): 88-92.
[28]	戴翔, 杨双至. 数字赋能、数字投入来源与制造业绿色化转型[J]. 中国工业经济, 2022(9): 83-101. Dai X, Yang S Z. Digital empowerment, source of digital input and green manufacturing[J]. China Industrial Economics, 2022(9): 83-101.
[29]	张可馨, 白永秀. 农业信息化的碳减排效果评估——基于国家农村农业信息化示范省试点的经验证据[J]. 经济体制改革, 2025(1): 137-146. Zhang K X, Bai Y X. Evaluation of carbon reduction effect of agricultural informatization——based on the empirical evidence of the pilot project of national rural agricultural informatization demonstration provinces[J]. Reform of Economic System, 2025(1): 137-146.
[30]	陈健, 王丹. 新质生产力赋能乡村全面振兴的内涵特征与实践路径[J]. 西南民族大学学报(人文社会科学版), 2024, 45(2): 99-107.
[31]	陈池波, 张壮, 陈有华. 农业信息化如何影响碳生产率[J]. 中山大学学报(社会科学版), 2024, 64(5): 188-198. Chen C B, Zhang Z, Chen Y H. How agricultural informatization affects carbon productivity[J]. Journal of Sun Yat-sen University (Social Science Edition), 2024, 64(5): 188-198.
[32]	蒋黎, 王晓君. 环境质量与农业经济增长的内在关系探讨——基于我国31个省区面板数据的EKC分析[J]. 农业经济问题, 2019(12): 43-51. Jiang L, Wang X J. EKC hypothesis verification between rural environmental quality and agricultural economic growth in China——an empirical analysis based on panel data of 31 provinces[J]. Issues in Agricultural Economy, 2019(12): 43-51.
[33]	何艳秋, 成雪莹, 王芳. 技术扩散视角下农业碳排放区域溢出效应研究[J]. 农业技术经济, 2022(4): 132-144. He Y Q, Cheng X Y, Wang F. Study on the regional spillover effect of agricultural carbon emission based on the perspective of agricultural technology diffusion[J]. Journal of Agrotechnical Economics, 2022(4): 132-144.
[34]	陈宇斌, 王森, 陆杉. 农产品贸易对农业碳排放的影响——兼议数字乡村发展的门槛效应[J]. 华中农业大学学报(社会科学版), 2022(6): 45-57. Chen Y B, Wang S, Lu S. The impact of agricultural products trade on agricultural carbon emissions——the threshold effect of digital rural development[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2022(6): 45-57.
[35]	李治国, 李兆哲, 孔维嘉. 创新要素集聚与城市间均衡发展: "一城独大"还是"携城发展"[J]. 产业经济研究, 2024(3): 88-100. Li Z G, Li Z Z, Kong W J. Agglomeration of innovative elements and balanced development between cities: "One city dominates" or "together with cities for development"[J]. Industrial Economics Research, 2024(3): 88-100.
[36]	郭文炯. "资源诅咒"的空间结构解析: 核心边缘理论视角[J]. 经济地理, 2014, 34(3): 17-23. Guo W J. Analysis of the spatial structure of "resource curse": based on the Core-periphery theory[J]. Economic Geography, 2014, 34(3): 17-23.
[37]	李宽, 史磊, 张弘. 我国新型农业经营主体发展对农业碳排放强度的影响: "减碳效应"或"增碳效应"[J]. 农业技术经济, 2024(11): 51-73. Li K, Shi L, Zhang H. The influence of the development of new agricultural business entities on the intensity of agricultural carbon emission: "carbon reduction effect" or "carbon increase effect"[J]. Journal of Agrotechnical Economics, 2024(11): 51-73.
[38]	龚锐, 谢黎, 王亚飞. 农业高质量发展与新型城镇化的互动机理及实证检验[J]. 改革, 2020(7): 145-159. Gong R, Xie L, Wang Y F. Interactive mechanism and empirical test of agricultural high-quality development and new urbanization[J]. Reform, 2020(7): 145-159.
[39]	李波, 张俊飚. 基于投入视角的我国农业碳排放与经济发展脱钩研究[J]. 经济经纬, 2012(4): 27-31. Li B, Zhang J B. Decoupling of China's agriculture carbon emissions and economic development based on the input perspective[J]. Economic Survey, 2012(4): 27-31.
[40]	胡永浩, 张昆扬, 胡南燕, 等. 中国农业碳排放测算研究综述[J]. 中国生态农业学报(中英文), 2023, 31(2): 163-176. Hu Y H, Zhang K Y, Hu N Y, et al. Review on measurement of agricultural carbon emission in China[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 163-176.
[41]	吉雪强, 刘慧敏, 张跃松. 中国农地流转对农业碳排放强度的影响及作用机制研究[J]. 中国土地科学, 2023, 37(2): 51-61. Ji X Q, Liu H M, Zhang Y S. Study on the influence of rural land transfer on agricultural carbon emission intensity and its mechanism in china[J]. China Land Science, 2023, 37(2): 51-61.
[42]	尹俊, 孙巾雅. 新质生产力与新型生产关系: 基于政治经济学的分析[J]. 改革, 2024(5): 45-53. Yin J, Sun J Y. New quality productive forces and new production relations: a political economy analysis[J]. Reform, 2024(5): 45-53.
[43]	周文, 何雨晴. 新质生产力的系统集成: 指标体系与重要举措[J]. 新疆师范大学学报(哲学社会科学版), 2025, 46(5): 61-71. Zhou W, He Y Q. System integration of new quality productive forces: indicator system and key measures[J]. Journal of Xinjiang Normal University (Edition of Philosophy and Social Sciences), 2025, 46(5): 61-71.
[44]	杜建军, 谢家平, 刘博敏. 中国农业产业集聚与农业劳动生产率——基于275个城市数据的经验研究[J]. 财经研究, 2020, 46(6): 49-63. Du J J, Xie J P, Liu B M. Agricultural industry agglomeration and agricultural labor productivity in China: an empirical study based on data from 275 cities[J]. Journal of Finance and Economics, 2020, 46(6): 49-63.
[45]	陈卫洪, 于晴. 农业社会化服务对长江经济带农业生态效率的影响——基于劳动力和资本要素配置视角[J]. 华东经济管理, 2025, 39(1): 21-30. Chen W H, Yu Q. The impact of socialized agricultural services on the agricultural ecological efficiency in the Yangtze River Economic Belt: from the perspective of labor and capital element allocation[J]. East China Economic Management, 2025, 39(1): 21-30.
[46]	李成, 洪浩, 钟昌标. 农地流转的生态效应: 生态福利还是生态负担[J]. 中国人口·资源与环境, 2025, 35(1): 180-192. Li C, Hong H, Zhong C B. Ecological effects of farmland transfer: benefits or burden[J]. China Population, Resources and Environment, 2025, 35(1): 180-192.
[47]	许蓝月, 仇保兴. 新质生产力对城市碳排放效率的影响[J]. 环境科学, 2026, 47(4): 2121-2132. Xu L Y, Qiu B X. Impact of new quality productivity on urban carbon emission efficiency[J]. Environmental Science, 2026, 47(4): 2121-2132. DOI:10.13227/j.hjkx.202503157
[48]	Chamberlain G. Asymptotic efficiency in estimation with conditional moment restrictions[J]. Journal of Econometrics, 1987, 34(3): 305-334. DOI:10.1016/0304-4076(87)90015-7
[49]	Yang G L, Zha D L, Wang X J, et al. Exploring the nonlinear association between environmental regulation and carbon intensity in China: The mediating effect of green technology[J]. Ecological Indicators, 2020, 114. DOI:10.1016/j.ecolind.2020.106309
[50]	Lind J T, Mehlum H. With or without U? The appropriate test for a U-shaped relationship[J]. Oxford Bulletin of Economics and Statistics, 2010, 72(1): 109-118. DOI:10.1111/j.1468-0084.2009.00569.x
[51]	孙林杰, 李长顺, 何瑶瑶. 数字化转型对制造业企业碳绩效的影响研究[J/OL]. 科学学研究, 1-14. https://doi.org/10.16192/j.cnki.1003-2053.20250829.002, 2025-08-29. Sun L J, Li C S, He Y Y. Research on the impact of digital transformation on carbon performance of manufacturing enterprises[J/OL]. Studies in Science of Science, 1-14. https://doi.org/10.16192/j.cnki.1003-2053.20250829.002, 2025-08-29.
[52]	Lesage J, Pace R K. Introduction to spatial econometrics[M]. New York: Chapman and Hall/CRC, 2009. DOI:10.1201/9781420064254


环境科学 2026, Vol. 47 Issue (10): 6683-6696	PDF