《Frontiers in Sustainable Food Systems》：New path for agricultural carbon governance: the emission reduction effect and mechanism of green finance
编辑推荐：
摘要
引言：减少农业碳排放是中国实现碳中和目标的核心任务，然而绿色金融在支持低碳农业生产方面的有效性及其作用机制仍未得到充分认识。本研究考察了绿色金融对农业碳排放的影响效应、作用机制、区域异质性及空间溢出效应。
方法：利用中国2007—2024年省级面板数据，
摘要
引言：减少农业碳排放是中国实现碳中和目标的核心任务，然而绿色金融在支持低碳农业生产方面的有效性及其作用机制仍未得到充分认识。本研究考察了绿色金融对农业碳排放的影响效应、作用机制、区域异质性及空间溢出效应。
方法：利用中国2007—2024年省级面板数据，本研究在技术—组织—环境（TOE）框架内估计了双向固定效应模型和空间杜宾模型（SDM）。研究人员采用机制分析、调节效应分析、稳健性检验和工具变量分析来考察传导渠道、情境条件、模型敏感性及内生性问题。
结果：绿色金融指数每增加一个单位，农业碳排放约减少19%。绿色金融通过促进农业绿色技术创新和强化农业社会化服务来减少碳排放，而数字基础设施增强了其碳减排效应。该效应在粮食主产区和农业自然风险较高的地区更为显著。农业碳排放表现出正向空间依赖性。绿色金融产生了统计上显著的本地直接效应，但未发现稳健的跨区域溢出证据。
讨论：绿色金融通过本地嵌入的技术与组织能力支持农业脱碳。政策应将绿色金融工具与区域生产功能和自然风险条件相匹配，加强数字基础设施和农业服务体系建设，并改善跨区域协调。
论文解读：绿色金融与农业碳减排——效应、机制与政策启示
一、研究背景与问题提出
在全球经济快速发展与碳减排紧迫性日益增强的背景下，应对碳排放需要各国协同行动，加速向低碳经济转型以达成可持续发展目标。农业是中国第三大温室气体排放源，其低碳转型对于实现碳达峰与碳中和目标至关重要。尽管中国农业碳排放强度较2005年已显著下降75.25%，但2021年农业部门温室气体排放总量仍达9.31亿吨，较2005年增长8.51%。碳排放强度的下降与排放总量的持续增长并存，表明中国农业低碳发展仍面临排放强度进一步下降困难、农业产业转型升级挑战以及核心技术瓶颈等多重现实约束。
绿色金融作为引导资金流向绿色产业的政策工具，可通过信贷、基金、债券等金融手段改善资源配置，强化金融资源对绿色农业发展的正向激励。然而，绿色金融发展仍面临标准协调不足、环境信息披露质量不高、碳核算与项目减排评估机制不完善，以及现有绿色金融产品与农业低碳转型融资需求不匹配等约束。与此同时，中国农业以小农户为主，生产周期长、自然风险暴露高、收益不确定性大，而绿色债券、绿色基金等金融工具倾向于偏好收益可预期、风险可控的项目，分散的小农户因信息不对称难以获得绿色金融服务。因此，绿色金融能否有效降低农业碳排放、通过何种机制发挥作用、其效应是否存在区域差异，成为亟待回答的重要问题。
二、研究设计与方法
本研究基于技术—组织—环境（TOE）框架，构建了绿色金融影响农业碳排放的系统性分析框架。研究使用2007—2024年中国省级面板数据，数据主要来源于《中国农村统计年鉴》《中国劳动统计年鉴》《中国环境统计年鉴》《中国金融年鉴》《中国工业统计年鉴》及各省统计年鉴，缺失值采用线性插值法填补。
在方法层面，研究人员首先采用双向固定效应模型估计绿色金融对农业碳排放的基准效应，控制省份固定效应、年份固定效应及一系列协变量。其次，采用空间杜宾模型（SDM）考察绿色金融对农业碳排放的空间溢出效应。再次，通过机制分析检验绿色农业技术创新和农业社会化服务的中介作用，并通过调节效应分析考察数字基础设施的调节作用。此外，研究人员还进行了多项稳健性检验，包括调整样本期、排除并行政策影响、缩尾处理、滞后一期绿色金融指数以及更换核心解释变量测度方法。为缓解内生性问题，研究采用份额转移法构造工具变量，即2006年金融机构贷款余额的自然对数与全国绿色贷款占比的交互项，并运用两阶段最小二乘法（2SLS）进行估计。
三、研究结果
（一）基准回归结果
双向固定效应模型估计结果显示，绿色金融指数的估计系数为?0.213，在5%水平上显著，表明绿色金融发展与农业碳排放之间存在显著负向关联。基于半对数设定，绿色金融水平每增加一个单位，农业碳排放平均减少约19.18%。这一结果初步支持了假设H1。
进一步的分解分析显示，在绿色金融体系的七个维度中，绿色信贷、绿色基金和绿色股权的系数均显著为负。具体而言，绿色信贷的系数为?1.692，在5%水平上显著；绿色基金和绿色股权的系数分别为?4.528和?5.341，均在1%水平上显著。这表明信贷类支持、绿色基金配置和绿色股权工具在促进农业碳减排方面尤为有效。
（二）稳健性检验与内生性处理
稳健性检验结果表明：将样本限制在2007—2015年后，绿色金融系数为?0.905且在1%水平上显著；排除绿色金融改革创新试验区和直辖市样本后，系数为?0.304且在1%水平上显著；对连续变量进行缩尾处理后，系数为?0.264且在1%水平上显著；使用滞后一期绿色金融指数后，系数为?0.382且在1%水平上显著；采用主成分分析法（PCA）重新构造绿色金融指数后，系数为?0.172且在10%水平上显著。上述结果均与基准结论一致。
工具变量估计结果显示，第一阶段工具变量对绿色金融指数的系数为0.144，在1%水平上显著，第一阶段F统计量为19.412，超过弱工具变量的常规阈值。第二阶段绿色金融的估计系数为?1.177，在5%水平上显著，表明在控制潜在反向因果和遗漏变量偏误后，绿色金融对农业碳排放的抑制效应依然存在。
（三）机制分析
在绿色农业技术创新维度，绿色金融对绿色农业技术创新（AgriTechQuality）的估计系数为0.208，在10%水平上显著，表明绿色金融通过优化创新资源配置、缓解绿色技术研发与成果转化的融资约束，促进了农业绿色技术创新，进而支持假设H2。
在农业社会化服务维度，绿色金融对农业社会化服务水平（OrgCapacity）的估计系数为0.017，在10%水平上显著，表明绿色金融有助于农业服务组织购置绿色农机、引进先进设备、开展技术培训，通过专业化、规模化的服务供给降低小农户采纳绿色技术的门槛，支持假设H3。
在数字基础设施维度，绿色金融与数字基础设施交互项的系数为?0.241，在1%水平上显著，表明数字基础设施环境越完善，绿色金融对农业碳排放的抑制效应越强，支持假设H4。边际效应分析进一步表明，当数字基础设施水平超过样本均值约1.243个标准差时，绿色金融开始表现出碳减排效应，且该效应随数字基础设施水平的提升而增强。
（四）异质性分析
在粮食生产功能区维度，绿色金融指数在粮食主产区的估计系数为?0.593，在1%水平上显著；在粮食主销区的系数为0.455，在5%水平上显著；在产销平衡区的系数为0.229，在10%水平上显著。三组系数差异的联合检验在1%水平上显著，表明绿色金融的碳减排效应在粮食主产区最为突出。
在农业自然风险维度，绿色金融在高风险地区的估计系数为?0.360，在低风险地区的系数为0.061，两组系数差异显著，表明绿色金融在农业自然风险较高的地区表现出更强的碳减排效应。
（五）空间溢出效应
农业碳排放表现出显著的正向空间依赖性。绿色金融对农业碳排放产生了统计上显著的本地直接效应，但未发现稳健的跨区域溢出效应。这表明绿色金融的碳减排作用主要局限于本地区内部，通过本地嵌入的技术与组织能力发挥作用，尚未形成有效的跨区域传导机制。
四、讨论与结论
本研究的核心发现是：绿色金融能够显著降低农业碳排放，其作用机制主要通过促进农业绿色技术创新和强化农业社会化服务实现，而数字基础设施环境对这一效应具有正向调节作用。绿色金融的碳减排效应在粮食主产区和农业自然风险较高地区更为显著，且主要表现为本地直接效应而非跨区域溢出效应。
基于上述发现，政策启示包括：第一，绿色金融政策应与区域生产功能和自然风险条件相匹配，在粮食主产区和高风险地区加大绿色金融支持力度；第二，应加强数字基础设施和农业服务体系建设，为绿色金融发挥碳减排效应创造有利的外部条件；第三，应改善跨区域协调机制，促进绿色金融碳减排效应的空间扩散。
