新质生产力驱动中国农业碳中和：农业机械化的遮蔽效应与设施农业的减排路径

本综述系统阐释了新质生产力（NQP）通过技术创新与制度协同对农业碳排放的抑制机制。研究基于中国省级面板数据（2012–2022年），采用双向固定效应模型揭示NQP每提升1单位可降低农业碳排放20.2%，其中设施农业技术推广贡献2.8%的间接减排效应，而农业机械化因化石能源依赖产生遮蔽效应。区域异质性分析显示西部地区减排效果最显著（系数-0.916），东部地区因集约化生产中的能源路径依赖呈现反常促进效应（系数0.595）。生产环节异质性表明NQP对化肥、农药等高碳投入环节减排效果显著（系数分别为-55.41和-28.50），但对耕作环节影响较弱。本研究为发展中国家农业低碳转型提供理论依据与实践范式。

　　

1 引言

农业低碳转型作为应对全球气候变化与粮食安全双重挑战的关键路径，对协同推进联合国可持续发展目标（SDG 2零饥饿与SDG 13气候行动）具有战略意义。当前多数国家采用的粗放发展模式加剧资源约束与环境压力。联合国粮农组织（FAO）数据显示，农业与食品系统温室气体排放占全球总量31%，2000–2022年间此类排放增长10%，凸显传统农业模式在满足粮食需求与控制碳排放方面的双重短板。

作为全球最大农业国，中国2022年农业生产碳排放达8.28亿吨二氧化碳当量。虽高于欧美国家，但较2013年下降4.53%，年均降幅0.52%；碳排放强度较2013年下降35.29%，年均降幅4.72%，已低于多数发达国家。这些数据既反映中国农业碳排放现状与减排效能进展，也揭示持续减排的紧迫性。

在此背景下，中国政府将高质量生产力发展确立为核心导向，旨在通过高质量发展促进碳达峰碳中和目标实现。新质生产力（NQP）概念由此提出并受广泛关注。作为科技创新驱动的新型生产力，其强调资源配置效率提升与能源结构优化，绿色效应已成为学界研究热点。现有研究充分证实NQP在第二产业数字化升级与绿色技术创新等维度发挥作用，尤其在制造业与建筑业，技术进步带来的碳减排效应日益凸显。绿色金融与NQP的催化作用进一步加速产业绿色转型。那么，NQP的绿色特性是否延伸至农业领域并促进农业可持续发展？其依靠何种机制推动农业可持续发展？NQP在不同农业生产环节发挥何种功能？现有文献尚未很好解答这些问题，缺乏对NQP碳减排效应的深入理论探讨与实证检验。少数文章从广义技术进步与生产力提升视角探讨NQP对农业碳减排路径，但这些研究变量往往泛化，即使能在实证层面解释机制效应，也难以成为实践层面的政策支撑。部分指标测量的黑箱化使碳减排的具体技术路径无法观测，导致研究与现实脱节。此外，缺乏对区域差异的细致讨论使针对性政策建议难以形成。在农业碳排放方面，现有研究多关注数字经济、环境规制、绿色全要素生产率等因素对农业碳减排的直接效应，部分还从空间溢出效应视角探讨新生产力对农业碳排放的影响，但系统性技术路径考察仍缺失，阻碍精确识别广义变量如何具体影响农业脱碳。

为填补这些研究空白，本研究将基于中国省级面板数据，采用双向固定效应（TWFE）模型实证检验新质生产力对农业碳排放的影响，并从设施农业与农业机械化两个关键路径分析其机制。通过深入分析新质生产力与各农业环节碳排放的关系，揭示农业低碳转型的内在机制，对优化农业碳减排政策与实现农业可持续发展具有重要实践意义。同时，在全球减排行动中，中国的实践经验与策略对其他发展中国家具有重要参考价值，有助于推动全球农业低碳发展与气候变化应对行动。

2 文献综述与研究假设

2.1 新质生产力与农业碳排放

新质生产力（NQP）强调通过技术创新、数字化与绿色转型提升农业生产效率，同时减轻生态影响。其碳减排效应主要体现在优化资源配置效率与降低生产过程碳排放。从政治经济学视角，Luo（2024）认为NQP通过数据要素与传统农业融合重构农业生产模式，降低对化肥、农药等高碳投入的依赖。Ma与Yang（2024）分析传统与新兴要素配置，证明NQP促进创新资源配置，驱动一体化发展，将生产能力提升至更高价值链水平，实现农业精准化、智能化与绿色转型。Chen等（2025）构建农业NQP评价框架，揭示其碳减排效应通过劳动与土地生产率改善中介作用。这些研究共同强调NQP与绿色生产力原则的内在一致性。

作为NQP关键组成部分，数字生产力固有具低碳特性。其技术扩散与应用溢出促进农业实践中有效减排。Huang等（2024）实证证实农村数字化强化对农业碳排放的抑制效应。Han与Gong（2025）进一步揭示数字乡村建设通过直接负效应与空间溢出机制显著降低农业碳排放。这些发现表明推进NQP加速数字创新与传播，驱动农业生产范式的深刻变革。

然而，国际研究呈现技术作用农业脱碳的细微视角。IPCC第五次评估报告警告，尽管农业技术进步提高作物产量与效率，但可能通过强化化肥使用与机械化同时增加排放。Chen等（2020）区分环境技术（减排）与生产技术（可能增排）。Guan等（2023）识别农业机械化虽提升生产力，但可能增加能源消耗及相关排放，证实能源反弹效应假说——效率提升悖论增加总能源使用。技术采纳区域差异进一步复杂化排放模式，发达地区低碳技术采纳快于碳密集型模式在欠发达地区持续，加剧区域间排放差异。

但NQP的内生绿色属性可能通过三种机制抵消这些风险：（1）生产配置中用清洁替代品替代传统要素；（2）制度协调调控高排放农业过程；（3）重塑农业生态系统内能源流动路径。从以上研究观察，现有研究未直接探讨新质生产力核心概念对农业碳排放的具体影响，缺乏对其固有绿色属性的针对性分析。同时，采用的整体测量方法模糊农药、化肥、机械柴油等子系统碳排放边界，未能解构不同农业生产环节碳排放，难以揭示NQP在各生产环节的差异化效应。因此，本研究将对不同农业生产环节碳排放进行异质性讨论，解释NQP对各生产过程的碳减排影响，由此提出本文第一个假设：

H1：新质生产力通过有效抑制农业碳排放发挥显著碳减排效应。

H1a：新质生产力的碳减排效应在不同地理条件区域间存在差异。

H1b：新质生产力的碳减排效应在不同农业生产过程间也存在差异。

2.2 新质生产力与设施农业、农业碳排放

设施农业以可控环境下高效农业生产为特征，展示强抗风险性、集约资源投入与技术密集型操作。实证研究揭示其复杂碳动态：Tao（2017）识别设施蔬菜种植中过量施肥显著增加短期碳排放，而Yin等（2021）强调技术投资与资源利用效率在调节排放模式中的关键作用。对比之下，Tong等（2024）证明设施农业发展大幅提升农业碳排放效率，加速增长率与改善脱碳性能相关。

在绿色发展农业现代化背景下，新质生产力（NQP）通过双重强调技术创新与生产范式转变，符合设施农业技术需求。NQP通过提供系统技术框架与理论指导，解决设施农业固有局限，包括次优脱碳效率与短暂碳涌效应。Gao等（2022）进一步论证传统农业实践常依赖农民经验知识，缺乏投入分配精准性。NQP驱动的数字转型使设施农业精准投入管理成为可能，培育减少碳强度的集约生产模式。

这些发现共同表明设施农业碳排放呈现动态演化模式。NQP通过精准控制系统突破与能源基础设施重构促进根本技术转变，由此延长运营周期与优化技术框架。这种协同放大设施农业绿色潜力，逐步释放其脱碳能力。然而，现有研究未阐明NQP如何通过精准控制技术突破与能源系统重构转变设施农业技术基础，也未实证检验设施农业作为NQP驱动碳减排的中介路径，导致设施农业碳减排潜力与NQP协同逻辑解释不清。由此，我们提出第二个假设：

H2：新质生产力可通过促进设施农业发展减少农业碳排放。

2.3 新质生产力与农业机械化、农业碳排放

过去，农业机械化通常依赖化石燃料驱动机械，如拖拉机与收割机。农业机械化推广本身是增加碳排放的过程。Liu与Zhou（2018）发现在能源结构以化石燃料主导区域，农业机械能源消耗导致碳排放增加，机械化碳足迹高度依赖能源清洁度与机械效率提升。农业机械化与规模化操作促进农业碳排放增加，且存在相互互动。农业机械化本身产生碳排放会反过来促进机械化技术进步。技术创新可优化农业机械利用，增加作物产量，减少碳排放，促进粮食安全与低碳经济发展整合。Ma等（2022）发现推广先进播种技术与适合山区机械有助于减少对化肥依赖并随后减少碳排放。Zhang等（2024b）发现在“一带一路”国家，农业机械化可显著减少碳排放，技术进步增强此效应。Yang等（2022）对绿色全要素生产率（GTFP）研究发现，农业机械化水平提升与GTFP增长正相关，由此间接减少碳排放。但农业机械化对农业碳减排负面影响目前超过环境规制对农业碳减排正面影响。Gao等（2024）与Guo等（2020）识别农业机械化通过电气化与智能化对碳减排的双重影响。实证研究表明电动农机械全生命周期碳排放比柴油机械低62%–78%，电力系统电气化贡献58%，通过减少化肥农药使用实现作业精度贡献24%。

总之，现有研究揭示农业机械化与碳排放间存在复杂互动。多数研究表明机械化高碳排放主要源于农业机械能源转换低效。但新质生产力驱动的清洁能源转型与技术效率提升可转变农业机械能源来源。电动化与智能化农业机械持续发展正突破传统能源限制，重塑农业机械化碳排放轨迹。因此，提出第三个假设。

H3：新质生产力可通过促进农业机械化减少农业碳排放。

综上，本研究构建理论框架，呈现新质生产力（NQP）减少农业碳排放的假设与路径分析。

3 研究设计

3.1 数据来源

本研究范围涵盖中国31个省级行政区（不含港澳台）2010–2022年数据。数据主要源自《中国农村统计年鉴》《中国文化及相关产业统计年鉴》《中国农业年鉴》、省级统计年鉴、国家统计局（NBS）官网与EPS数据库等权威出版物。

为确保数据全面性与准确性，对特定年份缺失值与异常值实施系统处理。省级统计年鉴不可得数据点采用相邻年插值方法进行数据填补。数据处理程序额外方法细节在本文后续章节明确概述。

3.2 解释变量

本研究解释变量为新质生产力（NQP）。借鉴Lu等（2024）提出测量框架，采用熵权法构建涵盖技术生产力、绿色生产力与数字生产力三维度综合评价体系。二级指标中，资源节约与环境友好生产力与农业碳排放密切关联，同时受技术进步与数字化水平影响。NQP提升优化农业生产模式，改善资源利用效率，减少碳排放，由此促进农业可持续发展。此测量框架符合NQP内在属性，实现系统探索其对农业碳排放影响机制。具体二级指标与定义详见表1。

3.2.1 数据标准化

鉴于指标间测量单位、维度与量级异质性，无量纲处理对确保客观加权至关重要。为符合熵权法对正值要求，采用最小-最大归一化技术，将数据转换至[0,1]区间：

x_ij^* = (x_ij - m_j)/(M_j - m_j) (1)

其中M_j = max{x_ij}, m_j = min{x_ij}.

3.2.2 熵权计算

熵权法特别适合涉及多维度综合评价。主要体现其能客观分配权重，整合多维度指标，全面捕捉新质生产力内涵。同时，很好适应异构数据。因此，本文采用熵权法构建新质生产力变量。

熵权法通过以下步骤确定指标权重：

步骤1：特征比例计算。

计算每个样本比例贡献：

p_ij = x_ij/∑_i=1^mx_ij (2)

其中m表示样本数，p_ij表示第i个样本在第j个指标下特征比例。

步骤2：熵值确定。

计算每个指标熵值e_j：

e_j = 1/ln(∑_i=1^mp_ij) ln(1/p_ij) (3)

其中I_ij = ln(1/p_ij)表示信息量，I_j = ∑_i=1^mp_ijln(1/p_ij)表示总信息量，e_j为熵值。

步骤3：权重计算。

差异系数：

d_j = 1 - e_j (4)

权重分配：

w_j = d_j/∑_j=1ⁿd_j (5)

更高权重表示指标对新质生产力（NQP）贡献更大。

步骤4：新质生产力（NQP）计算

NQP_i = ∑_j=1ⁿ(w_j·z_ij) (6)

NQP_i ∈[0,1]，更高值反映更优新质生产力水平。

3.3 因变量

本研究中因变量为农业碳排放。碳排放测量主要遵循Fang等（2024）建立方法。在此基础上，借鉴Nian等（2025）生命周期碳排放评估方法，将农业碳排放分为不同农业生产过程计算。具体计算公式与参考指标如下：

总碳排放 = ∑_i=1ⁿ(w_i×e_i) (7)

其中：w_i为第i个活动权重，e_i为第i个活动碳排放，n为不同农业活动数，见表2。

3.4 控制变量

为增强研究发现科学严谨性与准确性，本研究纳入符合新质生产力（NQP）综合性多维控制变量。选定控制变量分三个层次维度以减轻估计偏差：

1. 1.

   农村层面控制

   ? 农村收入增长率（当期/前期人均纯收入 - 1）

   ? 农村恩格尔系数（食品总支出/总支出额）

2. 2.

   省级层面控制

   ? 交通基础设施（公路里程/年末人口）

   ? 税收负担（税收收入/GDP）

   ? 城镇化率（城镇户籍人口/总人口）

   ? 人力资本（普通高校在校生数/户籍人口）

3. 3.

   宏观政府控制

   ? 对外开放度（进出口总额/GDP）

   ? 政府干预度（政府支出/GDP）

这些多层次控制纳入增强模型隔离NQP对农业碳排放独立效应能力，通过减轻混杂因素。此外，跨治理层次控制分层整合为多层次政策制定提供可操作见解。

3.5 机制变量

现有农业碳排放中介机制研究多关注传统要素重构，如农业产业结构、广义技术进步、农村劳动生产率等。这些变量存在概念边界模糊与测量异质性高问题。同时，“黑箱”处理使中介机制难以分解。本研究聚焦新生产力具体载体，以农业机械化（人均农业机械总动力测量）与设施农业（设施农业水平测量）作为机制变量。

从实际生产视角，设施农业水平直接关联资源利用效率。例如，精准农业设施可减少过量施肥，由此降低碳排放。农业机械化水平直接反映生产工具低碳升级；例如，电动农业机械应用可减少生产过程中柴油消耗引起碳排放。作为中介变量，两者能将新生产力绿色属性转化为可观测可量化生产实践，使中介传输链更具体可验证。

此设计不仅避免传统中介变量“泛化”缺陷，还将新生产力抽象概念转化为可观测可干预现实载体，提升学术增量与研究实践价值。数据处理层面，为解决部分中介变量2021–2022年观测值缺失问题，研究采用线性插值与移动平均方法进行科学外推。确保数据时间连续性同时，最大程度减少估计偏差对因果推断干扰。

3.6 模型设定

3.6.1 基准回归模型构建

由于数据为具年与省二维面板数据，且不同省份经济发展水平与资源禀赋不同，同时受宏观经济波动与政策周期时间层面影响。若不控制这些省份固有特征变量与时间共同趋势，可能混合误差项，导致测量系数偏离真实值，无法准确测量真实影响。因此，为确保实验结果可靠性，本文采用双向固定效应（TWFE）模型进行模型构建。具体数学模型与符号含义如下：

ln(ACE_it) = α₀ + α₁NQP_it + βX_it + μ_i + λ_t + ∈_it (8)

为线性化关系、稳定方差或减轻异方差影响，采用对数变换。式(8)中，ln(ACE_it)表示省i年t农业碳排放自然对数。α₀表示截距项。α₁为NQP系数，指示NQP对农业碳排放边际效应。NQP_it表示省i年tNQP水平。β为控制变量（X）系数向量，反映这些变量对农业碳排放影响。X_it表示控制变量，可能包括影响农业碳排放其他因素，如经济发展水平与政策支持。μ_i表示个体固定效应，捕捉省i特定不随时间变化效应，控制个体随时间不变特征。λ_t为时间固定效应，表示时间t特定效应，控制不随个体变化时间趋势。∈_it为特异误差项，表示模型未解释部分。

3.6.2 中介模型构建

中介效应分析中，为考察中介变量发挥中介效应程度，本文采用双向固定效应模型生成实证结果，与先前基准回归设定一致。同时采用因果步骤法进行中介分析，涉及依次回归检验自变量对中介变量影响及中介变量与自变量对因变量联合效应，由此确定中介效应存在。具体数学模型与符号含义如下：

首先检验新质生产力（NQP）对设施农业中介变量影响：

Ln(Facility_it) = γ₀ + γ₁ NQP_it + δX_it + μ_i + λ_t + ∈_it (9)

其次控制NQP后，检验设施农业（中介变量）对农业碳排放（LnACE）影响：

Ln(ACE_it) = θ₀ + θ₁ NQP_it + θ₂ Ln(Facility_it) + ηX_it + μ_i + λ_t + ∈_it (10)

式(9)中，Facility_it表示省i年t设施农业发展水平；γ₀表示截距项，即所有解释变量为零时设施农业基线水平；γ₁表示NQP增加一单位对应设施农业水平变化；NQP_it表示省i年t新质生产力水平；X_it指控制变量，δ表示这些控制变量对应系数向量；μ_i表示省份固定效应，λ_t表示年份固定效应，∈_it表示模型未解释部分。

式(10)中，Ln(ACE_it)表示省i年t农业碳排放自然对数；θ₀表示所有解释变量为零时农业碳排放对数基线值；θ₁为直接效应系数；θ₂为中介效应系数；其余变量含义同上。

检验设施农业中介作用后，进一步检验农业机械化在新质生产力影响农业碳排放中中介效应。遵循相同逻辑，首先检验新质生产力（NQP）对农业机械化影响：

Ln(Mechanization_it) = κ₀ + κ₁ NQP_it + ξX_it + μ_i + λ_t + ∈_it (11)

其次控制NQP后，检验农业机械化对农业碳排放（LnACE）影响：

Ln(ACE_it) = ρ₀ + ρ₁ NQP_it + ρ₂ Ln(Mechanization_it) + νX_it + μ_i + λ_t + ∈_it (12)

式(11)中，Ln(Mechanization_it)表示省i年t农业机械化水平；κ₀为所有解释变量为零时农业机械化基线水平；κ₁表示NQP增加一单位对应农业机械化水平变化；NQP_it表示省i年t新质生产力水平；X_it指控制变量，ξ表示这些控制变量对应系数向量；μ_i表示省份固定效应，λ_t表示年份固定效应，∈_it表示模型未解释部分。

式(12)中，Ln(ACE_it)表示省i年t农业碳排放自然对数；ρ₀表示所有解释变量为零时农业碳排放对数基线值；ρ₁为直接效应系数；ρ₂为农业机械化中介效应系数；其余变量含义同上。

4 实证检验与结果分析

4.1 描述性统计

表3与图2描绘2010–2026年新质生产力与农业碳排放动态演化趋势。新质生产力从初始值0.16308持续增长至预计终值0.23341，年均增长率约3.5%，尽管周期性波动仍呈现整体上升轨迹：2010–2016年从0.16308稳步增长至0.21362，反映技术积累或初始投资效应；2017–2018年轻微修正至0.20662，可能与结构调整或短期政策重新定位关联；预测期（2022–2026年）加速增长，从0.20504飙升至0.23341，可能标志技术突破与大规模应用。

农业碳排放呈现“先增后减”倒U型曲线：早期从315.96万吨上升至2016年峰值344.89万吨，可能与农业生产扩张与技术路径依赖关联；2017年后持续下降，预计值至2026年降至237.10万吨，年均降幅约3.2%。此下降假设源于绿色农业政策（如减排补贴与碳交易机制）、清洁技术替代（如生物能源、精准施肥）与生态农业模式推广。

两变量关系显示早期（2010–2016年）生产力提升伴随碳排放增加，反映初始技术升级高资源消耗特征。后期（2017–2026年）生产力增长与碳排放脱钩，展示“技术-环境”协同效应，符合环境库兹涅茨曲线假说——即经济发展至一定阶段后，绿色创新与政策干预抵消环境压力。预测期碳排放加速下降可能受益于碳税实施、数字农业普及与循环经济模式深化。

总体，新质生产力与农业碳排放从“矛盾”转向“协同”关系，凸显技术创新与政策引导在驱动农业低碳转型核心作用。

面板数据因数据特征差异，非平稳数据可能呈现单位根差异，易导致伪回归等问题。因此，进行面板单位根检验。结果显示LLC检验中多数变量平稳；但社会消费水平等部分变量显示不稳定性。基于当前数据特征与LLC检验结果，对非平稳变量应用差分生成新变量：税收负担水平、人力资本水平与政府干预水平进行一阶差分，社会消费水平应用二阶差分。数据处理后，面板数据变平稳，表明适合进一步面板数据基准回归分析。处理数据具体描述统计与处理数据单位根检验结果见补充材料。

4.2 基准回归

进行基准回归前，首先执行方差膨胀因子（VIF）检验评估变量间多重共线性。结果显示平均方差膨胀因子2.61，而对外开放度方差膨胀因子达7.66。此变量添加为模型带来一定共线性风险。理论上，对外开放度可能与其他控制变量存在固有关联。同时，纳入时可能存在一定程度变量重叠。因此，基准回归中排除对外开放度变量。排除后方差膨胀因子检验，模型平均vif为1.74。这表明修正模型无显著多重共线性问题，具良好稳定性与解释力，为后续回归提供稳定性。

回归结果（表4）揭示基准模型I中，新质生产力（NQP）在5%显著性水平显著减少农业碳排放，NQP增加一单位对应农业碳排放对数减少0.164单位。纳入农村层面控制变量——农村人均收入增长率与农村恩格尔系数后，模型II中NQP系数增强至-0.296，指示碳减排效应增强。这表明控制农村收入增长与消费结构进一步放大NQP减排影响。农村人均收入增长在1%水平对农业碳排放发挥统计显著负效应。Chang等与Li等研究表明农村人均收入增加可促使采用创新低碳技术与推动家庭能源结构转型，由此减少农业碳排放。

城镇化水平在1%水平显著增加农业碳排放。模型III中城镇化上升一单位提升排放2.303单位。从劳动力替代视角，城镇化驱动农村向城市迁移使劳动密集型农业转向机械化生产，增加能源使用与排放。Tang与Chen（2022）证实此机制，指出低于某阈值时，农村人口转移增强对劳动与土地节约技术依赖，直接驱动能源消耗与排放。税收负担也呈现正且统计显著系数（模型III中1.365单位），暗示更高税收加剧农业碳排放。

模型IV指示NQP对农业碳排放对数系数为-0.202，在1%水平显著，证明NQP抑制农业碳排放稳健性。同时，尽管政府干预水平对农业碳排放系数为负，但无显著意义。

4.3 内生性与稳健性检验

新质生产力（NQP）与碳排放强度间潜在双向因果关系——排放变化可能反向影响NQP——引发内生性担忧。为解决此问题，采用工具变量（IV）方法，利用NQP滞后项作为工具。同时进行普通最小二乘（OLS）与两阶段最小二乘（2SLS）回归，结果呈现在表5。

内生性检验结果表明新质生产力一阶滞后（Lag1_NQP）有效预测同期生产力水平。第一阶段回归中，