數字普惠金融對農業碳排放的影響效應研究

□ 徐敏 張云慧

一、引言

氣候變化和可持續發展在全球范圍內日益成為焦點議題，國際社會采取多種行動來減少碳排放，以應對氣候變化對全球經濟穩定性的威脅。當前我國正處于經濟增速放緩、經濟增長新舊動能轉換的關鍵時期，加快推進“雙碳”目標的實現可能是“破局”之道。農業碳排放包括了來自農作物種植、畜牧業、土壤管理和農村能源使用等多個方面的排放源，在碳減排方面具有巨大的潛力。減少農業碳排放不僅有助于降低溫室氣體濃度，還可以改善土壤質量、提高農產品產量，從而實現可持續農業發展。

受資源環境所限，傳統的農業生產方式，即高度污染、高能耗、低效率的生產模式理應隨新經濟態勢協同變化，向綠色、環保、可持續的生產方式轉變。2021年10月26日，國務院發布《2030年前碳達峰行動方案》，明確金融在實現碳達峰行動中的保障作用。數字普惠金融是一種基于金融科技創新的金融服務方式，具有在農業領域實現碳減排目標的巨大潛力。首先，數字普惠金融可以為農民提供更多融資渠道，幫助他們投資于更環保、更高效的農業生產方式，減少碳排放。其次，數字技術的應用可以提高農業生產的智能化程度，使農民更精確地管理資源、用水和用能，從而減少不必要的資源浪費和碳排放。此外，數字普惠金融可以幫助監測和評估農業碳排放，為碳市場和碳交易提供更準確的數據和支持。因此，數字普惠金融為實現農業領域碳減排目標提供了可行性和技術支持。數字普惠金融與農業碳減排的結合在資金和技術方面創造出一種協同效應，推動農業領域低碳綠色可持續發展。

二、文獻綜述及研究假說

（一）文獻回顧

目前關于數字普惠金融與碳排放已有較為深入的研究，學界普遍認為數字普惠金融對碳排放有負向影響，其具體作用機制包括創新、創業和產業升級效應等。許釗等（2021）經實證分析得出了數字普惠金融對于污染排放抑制效應的具體機制，包括創新、創業和產業機構的升級等，郭桂霞等（2022）經研究發現數字普惠金融發達地區的碳排放顯著下降，并發現其作用機制主要是降低產業融資成本。有學者則通過加入第三個變量全要素生產率，間接研究了數字金融和碳減排的關系。沈洋等（2021）認為數字普惠金融可以通過數字化服務降低搜集信息的難度和成本，降低金融服務的門檻，同時可以提高農業全要素生產率。賀茂斌等（2021）實證驗證了數字普惠金融對全要素生產率的影響，全要素生產率的提升進而減少碳排放，惠獻波（2021）經實證指出數字普惠金融通過創新、創業及產業升級效應促進全要素生產率的提升。張翱翔等（2022）經研究表明中國農業綠色全要素生產率不斷提高，數字普惠金融起到了決定性因素。

數字普惠金融的碳減排效應在農業細分領域的研究目前相關文獻較少。蘇培添等（2023）利用空間杜賓模型發現數字普惠金融與農業碳排放強度存在錯位的空間疊加形態，何宏慶等（2023）證明數字普惠金融與綠色農業之間存在非線性關系，綠色農業隨著數字普惠金融門檻的提高其對促進作用也愈發顯著，申云等（2023）實證表明數字普惠金融可以通過降低農業碳排放強度、提高農業生產社會化服務水平和農業產業融合深度，助推農業綠色低碳高質量發展，付偉等(2022)研究發現不同省份數字普惠金融發展水平的作用效果具有雙重門檻效應，對農業低碳發展的提升存在邊際遞增特征。

綜上所述，數字普惠金融在解決碳排放問題方面已經有了全面的表現，同時其在農業碳排放領域發揮的重要作用不容小覷，但目前數字普惠金融帶來的農業碳減排效應沒有得到充分的重視。基于此，本文將視角轉向數字普惠金融的發展與農業碳排放強度的關系，本文的邊際貢獻可能有以下兩點：第一，全面推進鄉村振興、實現農業現代化迫切需要金融服務的賦能助力，目前關于數字普惠金融在農業這一細分領域的碳減排影響研究較少，本文聚焦農業領域探究其影響效應；第二，與其他非農業部門相比，農業部門及農業生產者面臨更加嚴峻的“金融排斥”問題，緩解農村偏遠弱勢群體的信貸約束一直是農村金融市場改革的重點，本文深入探究了數字普惠金融影響農業碳排放的作用機制，驗證了農業技術進步的中介效應，豐富了數字普惠金融的的實踐路徑。

（二）理論機制

1.數字普惠金融對農業碳排放的直接影響

第一，數字普惠金融緩解了農村發展融資貴融資難的問題，為偏遠地區的發展提供了金融支持。技術的進步使金融服務在時間與空間兩方面的限制得到改善，解決了傳統金融歧視，為“長尾客群”獲取資金提供了可行路徑，實現了低成本高效率的的資金匹配。一方面，互聯網的發展降低了金融機構的搜尋成本，便于獲取偏遠農業主體更完整全面的信貸信息，借貸雙方實現無縫銜接，最大程度緩解了信息不對稱而產生的逆向選擇難題，有效提升金融效率，為農業綠色低碳發展注入了新活力。另一方面，從供給側的角度提高了農業部門的金融服務可得性，打破了長期以來限制農業發展的融資問題，給偏遠地區的群體提供了更多獲取資金的有效渠道，為農業綠色發展提供了充足的資本要素，擺脫了資金的限制，農業主體將大力開展創新活動實現農業碳減排的目標。

第二，數字普惠金融有效緩解“金融排斥”，增加農民收入，創造再就業機會并改善創業行為，綠色農業生產增多進而抑制碳排放。由于我國金融服務在農村地區長期缺位，農業技術進步和經營生產規模的擴大受到制約。數字普惠金融的發展從產品和服務兩方面更好滿足農業部門的金融需求，為線上債券、股票和農地證券化流轉的發展提供了可能,這些新模式會顯著提高農民的收入帶動鄉村產業發展，為農民創造新的就業機會并改善農民的創業行為。一方面，農民創業活動會促進農業生產力的轉移，進而增加勞動力從事農業生產的機會成本，倒逼農業生產進行技術革新，有效地降低了農業碳排放；另一方面，農民在涉農創業方面，隨著“雙碳”目標的落實和收入的增加會選擇資源節約、污染排放少的領域，結合數字發展新態勢拓展更多清潔業務，減少碳排放。

第三，數字普惠金融充分協同互聯網的“網絡效應”和“經濟連接”作用，為解決“三農問題”搭建了高效便捷的數字化環保服務平臺，提高了農村的資源利用效率。基于互聯網技術，以APP為基礎推動綠色消費、綠色支付、二手平臺等線上交易，降低了資源消耗和交易成本。隨著數字化的推進，一方面閑置物品交易平臺的出現使社會中閑置資源得到二次利用；另一方面基于互聯網和移動通信技術的發展，將金融和環保理念結合，如支付寶等移動支付平臺推出的“螞蟻森林”，通過線上線下相結合的方式將用戶側的數據轉化為現實中的植樹造林項目，助推生態環境綠色發展。此外，在央視開啟公益助農直播的助力下，電子商務蓬勃發展催生更多農業新業態，激發農民新型需求，拓展更多的生產和服務模式，資金周轉進入良性循環，為農業生產和農村發展創造更多動力。

綜上所述，提出本文假設1：數字普惠金融對于農業碳排放具有抑制效應。

2.數字普惠金融對農業碳排放的間接影響

技術進步是經濟增長的內在動力，綠色低碳技術不僅成為實現“雙碳”目標的有力抓手，也為推動我國經濟高質量發展提供了內在驅動力。數字普惠金融為農業技術進步提供了資本要素可得性，具體表現為緩解信貸約束、增加農民收入。農業生產技術的進步需要資本的介入：在財政政策上，新技術在農業生產中的投入得到了政府優惠政策的資金補貼；在金融服務鄉村振興背景下，農民引入新技術時的借貸成本顯著降低。因此，數字普惠金融對于資金約束較強的農村地區具有技術進步效應。農業技術進步對農業碳減排有顯著影響，一方面，新技術的應用通過提高傳統能源的利用率，加快要素流動進而提升資源配置效率，降低單位能源的碳排放量；另一方面，技術進步將優化農業產業結構，能源消費結構隨之改善，綠色能源將大規模應用到生產實踐中。同時，農業碳排放的增加也會倒逼技術進步機制，共同起到抑制農業碳排放的作用。更重要的是，“數字+普惠金融”的模式會促進技術的傳播與交流，互聯網緩解了大家的信任約束，使他們更愿意分享技術與經驗，最終提高農業生產率。

綜上所述，提出假說2：數字普惠金融通過促進農業技術進步進而實現農業碳減排。

三、研究設計

（一）模型設定

1.基準回歸

基準回歸模型檢驗假設1，為了消除異方差的影響，本文將各控制變量取對數形式加入模型中，基準回歸模型設定如下：

式（1）中，i表示省份，t表示時間，Ei,t表示農業碳排放強度，DFIi,t表示數字普惠金融發展水平，Xi,t為控制變量，λi表示省份固定效應；εi,t表示隨機擾動項。

2.中介效應回歸

為檢驗假設2，即驗證農業技術進步的間接影響，參考溫忠麟等（2014）的中介效應檢驗方法。構建中介效應模型，模型設定如下：

式（2）-（4）中，Mi,t為中介變量，本文使用農業技術進步率（TECHi,t）來衡量，其中α、β、γ為回歸系數，μt和λi分別表示年份、省份固定效應；εi,t、φi,t、δi,t表示隨機擾動項。

（二）變量選取

1.被解釋變量：農業碳排放強度（E）

首先計算農業碳排放總量（C），參考李波等（2011）研究，本文主要碳源界定為化肥、農藥、農用柴油、農用塑料薄膜、農作物播種面積和農業灌溉面積。

表1 各碳源碳排放系數

農業碳排放計算公式為：

目前，農業碳排放強度主要用各地區總碳排放量與單位農業產值的比值來衡量，計算公式為：

其中，E為碳排放強度（kg/萬元），其中T（kg）表示農業碳排放總量，GDP（萬元）為各省份農業總產值，為剔除價格因素的影響，本文以2011年作為不變價格，將農業產值換算成2011年可比產值。

2.核心解釋變量：數字普惠金融指數（DIFI）

核心解釋變量為數字普惠金融發展水平，選用北京大學數字金融研究中心發布的數字普惠金融指數，同時將分析三個維度對農業碳減排的影響的異質性。

3.中介變量：農業技術進步率（TECH）

借鑒田云（2016）的研究為了得到相對穩定的測算，本文運用DEA-Malmquist指數法，產出指標為2011年為基期的各地區農林牧漁業總產值。借鑒何曉霞等（2022）的做法，投入指標包括勞動力、土地、農業機械、化肥和能源投入。

4.控制變量。控制變量的選取借鑒了黃大湖和丁士軍（2022）、孫學濤和于婷（2022）等的處理方法，本文選取以下7個控制變量。

（1）城鎮化水平（URB）：選用城鎮人口占總人口的比重來衡量。越高的城鎮化水平意味著越多的勞動力需求，城市虹吸效應讓更多農村地區人口涌入城鎮，離農生產會降低農業碳排放強度。

（2）人力資本水平（EDU）：使用各地區農村人口平均受教育年限來衡量。人口的受教育程度越高其對數字普惠金融使用程度越深，預期會加速降低農業碳排放的強度。

（3）財政支農水平（FINAN）：采用各地區農林水支出占財政總支出的比重表示，政府對農業的重視程度與其在農業方面財政支出有很大的關系，這將顯著影響農業綠色發展。

（4）農業發展水平（AGD）：一般選取人均農業收入來衡量，其中人均農業收入用實際農林牧漁總產值與第一產業從業總人數的比重來衡量。

（5）產業結構升級（IND）：采用第三產業增加值占地區總產值的比重表示。

（6）農業基礎設施（FAC）：使用各省份農業機械總動力來衡量。

（7）農業受災程度（DIS）：使用各省份農業受災面積占其播種面積得比重來衡量。農業受災會影響農業收益，進一步影響碳排放強度。

（三）數據來源

本文選用全國30個省（市）（不含西藏、臺灣、香港、澳門）的面板數據對模型進行估計，省級層面的農業統計數據來源與2011-2020年《中國統計年鑒》、《中國農業年鑒》、《中國農村統計年鑒》以及各省歷年統計年鑒以及北京大學數字普惠金融中心編制的《數字普惠金融指數》測算的北京大學數字普惠金融數據。部分變量的缺失值采用插值法、均值法補齊，最終形成了2011-2020年30個省份的平衡面板數據。

（四）描述性統計

1.各變量描述性統計

各變量描述性結果如表2所示。

表2 各變量描述性統計

2.農業碳排放強度測算結果

根據公式（5）（6）測算出了全國30個省份近10年的農業碳排放強度，下表3為6種碳源排放量和農業碳排放強度的平均值，其中還列出了考察期2011-2020年始末兩年的農業碳排放強度，對10年內各省市的碳排放的變化做一個初步判斷。

表3 2011-2020年中國各省市農業碳排放強度平均值

圖1顯示，2011-2020年各省份農業碳排放強度的均值均有不同程度的下降，伴隨著我國經濟高速發展、綠色生產技術革新和各類三農政策地出臺，10年間我國農業發展也經歷了重大變革，越來越趨于綠色、可持續的耕作方式使得農業碳排放強度大幅下降。

圖1 2011-2020年全國各省市平均農業碳排放強度均值變化

從農業碳排放強度的平均值看，10年內我國各省份農業格局發生了變化。2011年農業碳排放強度均值排名前十的依次是云南省、吉林省、安徽省、寧夏自治區、江西省、黑龍江省、甘肅省、內蒙古自治區、浙江省和海南省，而2020年農業碳排放強度均值排名前十的依次是吉林省、內蒙古自治區、寧夏自治區、上海市、安徽省、新疆自治區、山西省、甘肅省、浙江省和河南省。總體以農業大省為主，其中云南省和海南省10年內農業碳排放強度有較大幅度的下降。農業碳排放強度超過200kg/萬元的有4個，分別是吉林省、內蒙古自治區、安徽省和寧夏自治區。在樣本時間內，上述省份的農業發展相對滯后，主要為粗放型農業生產模式，且存在農民環保意識不足等問題，因此各地政府亟需加大資金投入和出臺利好政策來幫助區域轉變農業生產方式，提高農民農業生產中的環保意識。

從六大碳排放源看，農用化肥碳排放量最大，其次是柴油的使用。河南省農用化肥碳排放量達618.47百億噸，山東省和安徽省的農用化肥碳排放量也位居前列，同時農機柴油的大量使用也意味著農業耕作技術有待進一步提高，推動農業綠色生產技術革新迫在眉睫。

四、實證結果與分析

（一）基準回歸

數字普惠金融對農業碳排放強度影響效應的實證結果如下表4所示：

表4 數字普惠金融對農業碳排放強度的影響：基準回歸

表4顯示，固定效應模型的數字普惠金融回歸系數值分別為-0.280和-0.111，且通過了1%顯著性水平的檢驗，說明數字普惠金融對農業碳排放有顯著的抑制作用，假設1成立。在固定效應面板模型下，數字普惠金融水平每提升1個單位，農業碳排放強度將平均下降0.111個單位，不考慮控制變量時其抑制效應更顯著。

在控制變量中，城鎮化水平、農業發展水平、產業結構升級和農業基礎建設對農業碳排放強度有顯著的負向影響，城鎮化水平每提升1個單位，農業碳排放強度將平均下降3.133個單位，城鎮化水平的提升意味著更多的農村人口流向城鎮，從事農業生產的勞動力減少，農業碳排放隨之減少；另外，越高的城鎮化水平意味著越完善的數字基礎建設，這使得數字普惠金融發展更好地發揮作用。農業發展水平每提升1個單位，農業碳排放將平均下降0.077個單位，農業發展水平代表了地區的人均農業收入，人均收入越高意味著越多農業生產方式的變革，這將大規模應用綠色農業生產技術，而農業技術的進步將會實現農業碳減排。產業結構升級每提升1個單位，農業碳排放強度將平均下降1.447個單位，產業結構升級導致地方產業重心發生轉變，更偏向于高級化、智能化的產業發展。這些產業不僅可以降低農業碳排放強度，同時也會進一步簡化數字普惠金融在偏遠地區的推進進程。農村基礎建設水平每提高1個單位，農業碳排放強度將平均下降0.107個單位，基礎建設水平與農業機械化程度相關，而機械化水平代表了農業技術進步，新型綠色農業技術得以應用，農業碳排放強度隨之下降。

人力資本水平和財政支農水平對農業碳排放強度沒有產生顯著的負向影響，可能的原因是我國偏遠鄉村的高水平人才數量還沒有達到規模水平，政府部門仍需大力推進偏遠鄉村的基礎教育進程，讓數字普惠金融更好地服務偏遠地區；其次財政支農水平力度欠缺，還未徹底改變傳統粗獷型的農業生產方式，農業碳排放強度未得到改善。

（二）穩健性檢驗

1.內生性檢驗

一般來說，變量存在內生性問題有三方面原因：測量誤差、遺漏變量和互為因果。本文的內生性可能源于兩個方面，一是遺漏變量，影響農業碳排放的因素有很多，盡管本文盡可能控制了和農業碳排放有關的變量，但仍然可能存在遺漏變量導致的內生性問題；二是反向因果，前文證明數字普惠金融對農業碳排放有抑制作用，隨著農業碳排放的減少，農業生產方式會更加現代化，資源配置效率更加高效，這將“倒逼”農業主體進行思維和技術更新，主動利用金融手段籌資、開拓新型數字化售賣方式來提高資源利用率，促進了數字普惠金融的發展。因此，本文對核心解釋變量數字普惠金融指數分別選取移動電話普及率（LnPHONE）和數字普惠金融一階滯后項（L.LnDFI）作工具變量，運用兩階段最小二乘估計法解決內生性問題。

結果如表5所示，LM統計值和Wald F統計量檢驗結果均顯著為正，工具變量有效。在考慮內生性問題后，數字普惠金融對農業碳排放強度仍具有顯著的抑制作用，擬合系數為-0.265和-0.544，與上文結果保持一致，結果基本穩健和可靠。

表5 內生性檢驗

2.穩健性檢驗

運用面板分位數回歸進行穩健性檢驗。選取0.25、0.5、0.75三個分位數進行檢驗，得到的結果如表6所示，核心解釋變量系數的顯著性和方向與上文一致，數字普惠金融對農業碳排放有明顯的抑制作用，結果穩健。

表6 穩健性檢驗

（三）機制檢驗——中介效應結果分析

路徑C的檢驗結果見基準回歸模型，數字普惠金融對農業碳排放的回歸系數β1為-0.111，且在1%水平下顯著；由上表7可知，在路徑A的檢驗中，數字普惠金融對中介變量農業技術進步的回歸系數α1為0.081；在路徑B的檢驗中，中介效應模型下農業技術進步對農業碳排放的回歸系數γ2為-0.629；在路徑C'的檢驗中，中介效應下數字普惠金融對農業碳排放的回歸系數γ1為-0.060，以上系數均通過了顯著性檢驗。上述結果表明農業技術進步是影響農業碳排放的部分中介變量，假說2成立。

表7 中介效應檢驗

數字普惠金融使偏遠地區同樣可以觸達金融服務，極大緩解了長期以來農村地區融資難的困境，降低了引入新技術所需的資金門檻，打破了傳統農業的作業方式和耕種理念，技術進步使農業生產實現了從粗放式的高污高排到集約式的低碳綠色的轉型。

圖2 農業技術進步中介效應機制圖

（四）異質性分析

1.維度異質性分析

將指標細分后更容易分析和解釋現實問題。為了進一步研究各維度視角下數字金融對地區農業碳排放強度的影響，本文將分析數字普惠金融的三個分指標對農業碳排放的影響效應。

表8中的估計結果顯示，數字普惠金融三個維度的回歸系數均顯著為負，這表明不同維度均對農業碳排放強度產生了負向影響。不考慮控制變量時將高估其對農業碳排放強度的抑制效果。

表8 數字普惠金融不同維度對農業碳排放強度的影響

其中，覆蓋廣度的抑制作用最強，其次是使用深度，數字化程度影響效應最弱。具體來說，數字普惠金融覆蓋廣度發展水平每提升1個單位，農業碳排放強度將平均下降0.095個單位，使用深度發展水平每提升1個單位，農業碳排放強度將平均下降0.066個單位，數字化程度發展水平每提升1個單位，農業碳排放強度將平均下降0.063個單位。

覆蓋廣度的增加是網絡普及率提升的表現，相比傳統的實體金融，數字金融服務偏遠城鎮和農村地區更為友好，為廣大農民群體提供更加便利的技術。使用深度的增加意味著除了最基礎的存款業務有更多金融服務進入到農民的生產生活中，數字普惠金融緩解了金融機構處理信息量降低了信息不對稱的程度，金融服務更加精準，極大地拓寬了農民的融資渠道，降低了金融服務門檻，緩解了農村的融資約束，減少了交易成本，提升了資源配置效率，為農業生產經營提供了更多的資金支持。而數字化程度抑制作用相對較弱，說明我國在偏遠地區數字金融與數字技術的融合程度不夠，數字化基礎建設薄弱，金融機構對偏遠地區金融服務精準度不夠，數字化程度亟需完善。

2.區域異質性分析

不同地區經濟發展水平存在較大差異，各類資源要素的分配也不盡相同，農業技術和勞動力程度同樣存在較大差異，基于此，數字普惠金融對各地區的農業碳排放強度抑制作用也會存在異質性，為進一步探討影響的差異，本文將研究對象劃分為東部、中部與西部三個地區樣本進行檢驗，考察期為2011-2020年。

表9結果表明，東部、中部和西部地區數字普惠金融發展均顯著抑制了農業碳排放的強度，中部地區數字普金融的抑制效應最高，其次是動部地區，而中部地區的抑制效應最低，顯現出明顯的區域異質性。數字普惠金融水平對農業碳排放強度的抑制效應在東部地區最大，具體來說，數字普惠金融每提升1個單位，農業碳排放強度將平均下降0.319個單位。在中部地區和西部地區，數字普惠金融每提升1單位，農業碳排放強度將平均下降0.226和0.293。東部地區的農業碳排放強度在10年內呈現出大幅下降趨勢，均值由2011年220.34kg/萬元下降到2021年108.92kg/萬元，其中海南的農業碳排放強度由248.45下降至84.43，下降了164個單位，浙江、福建和廣東3個省份的農業碳排放強度下降值也均超過100個單位，伴隨著我國數字普惠金融的大力推進，東部地區農業碳減排取得了良好的效果。中部地區承擔我國農業生產的重任，碳減排的效果遜于東部地區，10年內農業碳排放強度由231.39kg/萬元下降至128.63kg/萬元，下降值平均在100個單位左右，山西、吉林、黑龍江、安徽、江西、河南農業碳排放強度的均值為167.53，其中吉林省的農業碳排放強度10年內僅下降了10個單位，均值為258.29。

表9 數字普惠金融對農業碳排放強度的影響：區分東中西部地區

數字普惠金融對農業碳排放的影響依舊未能改變因經濟發展水平而產生的差異。東部沿海地區開放早開放程度較高，基礎設施完善，數字化進程推進較為容易，同時居民和政府的綠色農業意識更強；越高的地區經濟發展水平，越需要高水平的金融服務做支撐，而數字普惠金融服務的普及與這一點深度契合，為地區農業提供了更多的融資可能性，進而顯著抑制了東部地區農業碳排放強度。西部地區的碳減排效應略顯著于東部地區，可能的原因是近年來我國大力拓展西部數字化格局，在“東數西算”等低碳綠色的利好政策的加持下，西部地區的數字基礎設施更先進，同時西部地區可能在農業現代化方面處于早期階段，這意味著有更多的機會采用數字技術來提高農業生產效率和降低碳排放。因此，我們必須在中西部地區大力開展基礎設施建設，全面推進數字科技產業化和產業數字化賦能，通過數字化科技改變傳統金融服務的弊端，加強對農業從業者的數字技術培訓，從而實現更好的碳減排效果。

五、結論與建議

本文基于2011-2020年中國30個省份的面板數據，首先測算了2011-2020年農業碳排放強度，又利用DEA指數測算了10年內中國30個省市的農業技術進步率，在此基礎上建立固定效應模型和中介效應模型，驗證了數字普惠金融對農業碳排放強度的影響，研究得出以下結論：（1）數字普惠金融對農業碳排放強度有顯著的抑制作用，并通過了穩健性檢驗。（2）農業技術進步在數字普惠金融對農業碳排放強度的抑制作用中存在部分中介效應。（3）數字普惠金融覆蓋廣度、使用深度和數字化程度在不同程度上均發揮了對農業碳排放強度的抑制作用，其中最為顯著的是覆蓋廣度，其次是使用深度和數字化程度。（4）數字普惠金融對農業碳減排的影響存在區域異質性，東部地區數字普金融的抑制效應最高，其次是西部地區，而中部地區的異質效應最低。

針對以上結論，本文提出以下幾點建議：

第一，依托數字技術與數字經濟，著力發展數字普惠金融，以解決傳統金融在服務農業生產上的短板，推進農業技術進步、農業碳減排和環境友好型農業的發展，同時通過環保服務平臺搭建和金融工具創新等手段鼓勵農業生產中的碳減排活動；提高農村地區數字普惠金融知識普及，政府等有關部門要加大將金融知識下沉到農村等偏遠地區的力度；此外，地方政府與企業應引導社會資本進入到鄉村振興和可持續發展的體制機制中，借助互聯網平臺助力農民農業碳減排活動。

第二，積極發揮數字普惠金融的技術進步效應，以數字金融為發展引擎帶動技術創新，大力開展綠色農業相關的專利研究，為農業低碳發展提供新動力。

第三，落實高素質人才教育進程，提升區域人力資本水平，加快人才賦能農業領域，高效利用數字普惠金融抓手解決農業碳排放問題；加大財政支農水平，增加研發投入，鼓勵綠色低碳技術相關的研發，各政府部門要予以更多的政策和資金支持。

第四，拓寬金融服務的地理邊界，降低不同區域間資金融通的成本，疏通東西部、城鄉和不同城市能級間的信息交流渠道，打破各地區之間的信息壁壘，在環境保護和低碳農業的發展中發揮數字普惠金融與技術創新的空間輻射作用，實現真正的綠色低碳可持續發展。