我國糧食主產區農業碳排放影響因素及空間溢出性

王珧 張永強 田媛 王榮

摘要：【目的】對我國糧食主產區農業碳排放量進行測度，明晰農業碳排放影響因素，為實現農業經濟與生態環境的協調發展提供理論依據。【方法】基于2004—2016年我國糧食主產區省際數據，在對糧食主產區農業碳排放量測度的基礎上，引入空間自相關分析法和空間面板計量模型，考察糧食主產區農業碳排放的影響因素及其空間溢出性。【結果】我國糧食主產區農業碳排放量具有明顯的空間相關特征，即糧食主產區各地區農業碳排放量不僅受到來自本地區農業碳排放的直接影響，還會受到其他地區農業碳排放的影響。考慮糧食主產區農業碳排放的影響因素，糧食生產技術效率、城鎮化水平和農業產業集聚水平均對農業碳排放量有顯著的抑制作用（P<0.01，下同），農業發展水平和農業開放度對農業碳排放量有顯著的正向促進作用，而產業結構對農業碳排放的影響不顯著（P>0.1）。【建議】為更好地促進我國糧食主產區農業碳減排，政府應強化農技推廣和投入，依靠農業技術進步實現碳減排;制定合理政策適度推動城鎮化發展，發揮城鎮化對農業碳減排的正向作用;鼓勵農業資源調整和重組，推動農業產業集聚;加強地區間合作交流，推進低碳農業平衡發展。

關鍵詞： 糧食主產區;農業碳排放;空間自相關;空間溢出性;影響因素

0 引言

【研究意義】隨著全球氣候變暖加劇，碳排放已成為各國普遍關注的問題。我國于2009年正式宣布控制溫室氣體排放的行動目標，即到2020年單位國內生產總值二氧化碳排放量比2005年下降40%～45%;2014年底進一步提出，到2030年左右二氧化碳排放強度比2005年下降60%～65%。在碳減排的巨大壓力下，農業作為碳排放的重要來源，受到我國政府及相關部門的高度重視，先后提出低碳農業、生態循環農業等發展理念，近幾年中央一號文件也持續關注農業環境問題。黨的十九大報告明確提出生態宜居是實現鄉村振興的關鍵，而農業碳排放作為衡量農業生態的重要指標，必定會為生態環境的改善貢獻力量。我國是農業大國，糧食主產區在我國農業生產中具有舉足輕重的地位，據統計資料顯示，2017年我國糧食主產區的糧食總產量占全國糧食總產量的76.2%，糧食增產總量的95%均來自于糧食主產區，較大的糧食產量使其成為我國農業碳排放重要來源區域。因此，在加快碳減排步伐和不斷改善農村生態環境的雙重背景下，研究我國糧食主產區農業碳排放及其影響因素對于探索農業生態化發展、實現總體碳減排有重大意義。【前人研究進展】對農業碳排放進行全面測算，明確其變化特點，是研究農業碳減排問題的基礎（何艷秋等，2018）。從研究區域來看，大多數學者從全國層面出發，部分學者關注一定區域內的農業碳排放問題，但涉及糧食主產區的研究較少。在全國范圍內，梁青青（2018）、韋沁等（2018）分別對我國東中西部和南北區域的農業碳排放進行差異性分析，結果表明，我國農業碳排放總量東部最高，中部次之，西部最低，北方農業碳排放量高于南方地區;陳煒等（2019）基于種植業生產過程中的農用物資數據，測算了1997—2015年我國種植業碳排放量，發現種植業碳排放增速呈現出明顯的下降—上升—下降的變化特征。有關區域性研究方面，王興等（2017）利用灰色關聯度分析法對西南地區農業碳排放驅動因素及其主要貢獻因子進行了研究;郭四代等（2018）運用包含非期望產出的SBM-Undersirable模型對西部地區各省（區）的農業碳排放總量和碳排放效率進行了評價。關于糧食主產區，張軍偉等（2018）運用空間面板隨機前沿生產函數模型對我國31個省（區）糧食生產過程中碳排放的規模和強度進行了測算，指出糧食主產區碳減排潛力高于主銷區。除對農業碳排放測度外，部分學者還通過進一步研究明晰了農業碳排放的影響因素，以制定針對性減排措施。陳銀娥和陳薇（2018）、魏瑋等（2018）、趙爽等（2018）分別從農業機械化、技術進步及低碳試點政策與農業碳排放相關性視角對農業碳排放影響因素進行較深入的研究，并得出一系列具有現實意義的結論。【本研究切入點】在研究農業碳排放影響因素方面，學者們多從因素分解及因素的相關性出發，鮮有考慮到空間效應對農業碳排放的影響。對于牽涉到局限于某區域性的問題，忽略區域間的空間相關性有可能導致研究結果有失偏頗（Tobler，1970）。【擬解決的關鍵問題】從空間溢出效應視角，在對我國糧食主產區農業碳排放量測度的基礎上，利用空間計量模型分析區域農業碳排放的影響因素，以期為制定糧食主產區農業碳減排政策提供理論支撐。

1 數據來源與研究方法

1. 1 農業碳排放估算方法

本研究中農業碳排放主要聚焦于狹義的農業，即水稻種植業。種植業碳排放包括農地間接碳排放和農地直接碳排放。農地間接碳排放是指化肥、農藥、農膜、灌溉和農機使用等產生的碳排放;農地直接碳排放一般是指水稻生產發育過程中產生的甲烷，因為相對于其他農作物，水稻種植產生的溫室氣體較多（田云等，2012）。本研究參考何艷秋等（2018）的研究方法，構建各省區糧食主產區農業碳排放量（C）的測算公式：

公式（2）中，C間表示農地間接碳排放量，Ai為6類碳源因子分量，包括各省（區）化肥、農藥、農膜、柴油的使用量及農作物總播種面積和有效灌溉面積;Ei是各類碳源的碳排放系數，參照West和Marland（2002）、Dubey和Lal（2009）的計算方法，得出6類碳源相應的排放系數分別為0.90、4.93、5.18和0.59 kg/kg及312.60和266.48 kg/ha。公式（3）中，C直表示農地直接碳排放量，Bi為糧食主產區各省（區）水稻種植面積，Fi為各省（區）水稻生長周期內的碳排放系數。借鑒閔繼勝和胡浩（2012）測算出的各省（區）水稻生長的碳排放系數（表1），以此進行農地直接碳排放量的計算。

1. 2 空間計量方法

為研究糧食主產區農業碳排放的影響因素及空間溢出性，本研究選取空間計量模型進行影響效果的測算。空間計量模型一般包括空間滯后模型（Spatial lag model，SLM）和空間誤差模型（Spatial error model，SEM）兩種，SLM模型主要探討某一地區被解釋變量受系統中的臨近地區該變量的影響，即空間溢出性，在分析中加入了因變量的空間滯后因子。而SEM模型強調相近地區有著相近的特征，地區間可能產生的隨機誤差會對空間溢出效應產生沖擊，因此，SEM模型的空間依賴關系存在于擾動誤差項中。

1. 3 變量說明及數據來源

1. 3. 1 變量說明 結合糧食主產區的特征，選取以下6個變量作為影響農業碳排放的外生變量。（1）糧食生產技術效率（TE）：考慮到糧食主產區各省（區）以種植業為主，農業技術運用更多的體現在糧食生產中，因此本研究選取糧食生產技術效率作為外生變量，并借鑒高鳴和馬鈴（2015）的研究方法采用EBM模型對糧食生產技術效率進行測算。以糧食總播種面積、種糧勞動力、化肥使用量、農藥使用量和機械總動力作為5個投入指標，以糧食總產量作為產出指標。（2）城鎮化水平（URB）：以城鎮人口占總人口的比重來表征城鎮化水平。（3）產業結構（IS）：以農業產值在農林牧漁業總產值中所占比值作為產業結構的測度指標。（4）農業產業集聚水平（AGG）：農業產業集聚是由農業生產經營活動中各參與主體相互聯系所形成的有機集合，表現為在地區空間上的高度集中。農業產業集聚水平采用區位商的方法計算，具體公式為AGij=（Yij/Yj）/（Yi/Y），其中，Yij為j地區農業生產總值，Yj為j 地區所有產業總產值，Yi為全國農業總產值，Y為全國所有產業總產值。（5）人均農業總產值（PE）：一定程度上體現了農業發展水平。通過不變價值的農業總產值除以總人口數來計算。（6）農業開放度（OPE）：選取各省（區）農業進出口實際總額與農業增加值的比值來衡量農業開放度，其中，農產品進出口貿易額用人民幣對美元的匯率進行換算。

1. 3. 2 數據來源 考慮到在2003年首次提出低碳經濟后我國才開始密集出臺一系列的法律法規，初步形成低碳法律基礎和政策保障體系（胡川等，2018），且結合糧食主產區各地區農業發展不平衡、農業數據樣本區間長度不充足的特點，本研究使用2004—2016年糧食主產區各省（區）數據計算出各變量值。其中，農業碳排放、糧食生產技術效率、城鎮化水平、農業產業集聚水平及人均農業總產值相關數據均來自2004—2016年的《中國統計年鑒》和《中國農村統計年鑒》，農業開放度相關數據來自各年度《中國農業年鑒》和中國農產品進出口月統計公告。

1. 4 統計分析

借助Geoda 1.6.0計算2004—2016年我國糧食主產區農業碳排放量的全局Moran’s I指數，并繪制Moran’s I散點圖;使用Matlab 7.0對空間計量模型進行估計，分析各外生變量值對糧食主產區農業碳排放的影響。

2 我國糧食主產區農業碳排放影響因素實證分析

2. 1 各省區農業碳排放量及外生變量值

根據1.1構建的糧食主產區農業碳排放量的測算公式，計算得出2004—2016年糧食主產區各省（區）的農業碳排放量（C）。從表2可看出，農業碳排放量較高的為山東、河南和河北，較低的為吉林、遼寧和內蒙古，且農業碳排放量較高和較低的省（區）在地理位置上均呈集中分布。因此，從數據資料來看，農業碳排放存在一定的空間關聯性。此外，根據外生變量指標的計算方法對各外生變量值進行計算，表2也給出了各變量值的均值。

2. 2 糧食主產區農業碳排放空間相關性分析結果

為判斷空間因素對糧食主產區農業碳排放產生的作用，首先要進行空間相關性檢驗。一般用Moran’s I來檢驗空間自相關性，其可揭示經濟變量的空間作用機制（Anselin，2003），空間自相關檢驗包括全局空間相關性和局部空間相關性檢驗。從表3可看出，全局Moran’s I指數均大于0，且均通過顯著性檢驗。同時，標準化檢驗值（Z）均為正值且大部分超過1.9600，表明糧食主產區農業碳排放的空間分布并非完全隨機，而是存在顯著的空間集聚性，糧食主產區農業碳排放的變遷會受到空間相關性因素的影響，若忽略空間因素，將會失去模型估計的準確性。

為觀察變量值在空間上的集聚情況，在全局空間自相關性檢驗的基礎上，繪制Moran’s I散點圖，進一步觀察農業碳排放在空間分布的局域特性。由于選取的時間跨度為13年，因此，為了更加簡潔清楚地理解農業碳排放在這段時間的空間分布，選用3年（2004、2010和2016年）的分布情況進行觀察分析。由圖1可看出，3個年份中大部分地區農業碳排放的落點均在第一和第三象限，第一象限（HH）為高值聚類區，表示農業碳排放量高的省區聚集在一起;第三象限（LL）為低值聚類區，表示農業碳排放量相對低的省區聚集在一起。位于HH象限和LL象限的省區占糧食主產區所有省（區）的84.62%，表明糧食主產區各省（區）間的農業碳排放存在空間相關性，即空間溢出效應明顯。因此，糧食主產區各地區農業碳排放量不僅受到來自本地區農業碳排放的直接影響，還會受到其他地區農業碳排放的影響。

2. 3 糧食主產區農業碳排放空間計量分析結果

空間計量分析的關鍵是針對變量間的相互關系確定合適模型，通過空間相關性檢驗結果可知，對糧食主產區農業碳排放影響因素的分析需要考慮空間因素的影響。如表4所示，LM error和R-LM error檢驗均滿足1%的顯著性檢驗（P<0.01），而LM lag和R-Lm lag檢驗均不顯著（P>0.01），因此，本研究采用SEM模型。此外，進行Hausman檢驗得到統計量16.25，對應的P為0.0125，小于0.05，即通過了5%的顯著性水平檢驗，拒絕原假設，應選擇固定效應模型進行分析。綜上所述，固定效應下的空間誤差模型為最適合的空間計量模型。

借助Matlab 7.0對空間計量模型進行估計，同時將普通回歸的OLS估計結果和SLM模型估計結果也列入表5中與SEM模型估計結果進行對比。從模型的回歸結果中可看出，無論是整體擬合優度還是對數似然函數值，SEM模型均優于OLS模型和SLM模型;且SEM模型的空間誤差項系數λ顯著為正，說明糧食主產區農業碳排放確實存在顯著的空間溢出性。

進一步對表5中SEM模型系數估計結果進行分析，得知：

（1）糧食生產技術效率（TE）系數為負，且在1%的置信水平上顯著，說明糧食生產技術效率改進對糧食主產區農業碳排放量的增加有顯著抑制作用。技術效率是指在既定各種投入要素的條件下，實現最大產出的投入最小化能力（胡中應，2018）。而糧食生產技術效率體現了決策單元在糧食生產過程中對生產資源的合理配置、對農業科技的有效運用及規模經營。近年來，我國持續關注糧食主產區化肥、農藥用量問題，為達到化肥減量增效，采取了調優結構、精準施肥及有機肥替代等措施，因此，糧食生產技術效率的提高在一定程度上促進了農業碳排放量的減少。

（2）城鎮化水平（URB）系數為負，且在1%的置信水平上顯著，說明城鎮化水平對糧食主產區農業碳排放量有顯著的負向影響。究其原因可能是，城鎮化的快速發展，一方面造成農村勞動力向城市轉移，農業勞動力逐漸減少，在一定程度上降低了農業生產規模，有利于降低農地投入的碳排放;另一方面，隨著城鎮化進入加速發展階段，城鎮建設用地急劇向農村擴展，導致農村耕地面積減少，也在一定程度上促進了農業碳減排。2017年糧食主產區有6個省（區）的城鎮化率均超過全國平均水平，糧食主產區新型城鎮化的不斷推進，對抑制該地區農業碳排放量的增加有著積極作用。

（3）產業結構（IS）系數為正，但未通過顯著性檢驗。種植業是農業碳排放的主要來源，種植業所占比重提高意味著更多化肥、農藥、農膜等生產資料的投入，一定程度上會增加農業碳排放。但糧食主產區內產業結構對農業碳排放的影響不顯著，其原因可能是位于糧食主產區的各省（區）大多以種植業為主，農地利用和水稻種植為該區域農業碳排放的長期主導因素，短期內種植業結構的調整對總體農業碳排放量影響不大。

（4）農業產業集聚水平（AGG）系數為負，且在1%的置信水平上顯著，說明農業產業集聚水平對糧食主產區農業碳排放量有顯著的負向影響，農業生產能通過集聚產生投入要素的節約及生產效率的提升，從而促進農業碳減排。農業產業集聚是農業規模化經營的重要途徑，尤其對于糧食主產區來說，農業現代化及城鎮化的快速發展，加快了農地規模化經營的進程。農業生產規模的擴大及產業地理空間集聚，能實現勞動力市場、生產投入要素及專業技術的共享，從而產生技術外溢效應，有利于降低農業碳排放量。

（5）人均農業總產值（PE）系數為正，且在1%的置信水平上顯著，說明人均農業總產值對糧食主產區農業碳排放有正向影響。人均農業總產值反映的是農業經濟發展水平，經濟增長是農業碳排放的主要因素。由于目前我國的經濟發展與環境質量仍位于拐點左側，伴隨經濟的發展也會帶來環境的惡化。糧食主產區亦是如此，農業經濟發展的同時，農業碳排放持續增加。

（6）農業開放度（OPE）系數為正，且在1%的置信水平上顯著，說明糧食主產區農產品貿易的發展增加了農業碳排放量。隨著我國農產品進出口額的增長，農產品貿易的發展會帶動農業生產的標準化和規模化，但也會帶來資源消耗和環境污染等問題。當前糧食主產區大多數省（區）仍以農產品出口為主，2016年糧食主產區有8個省（區）的農產品貿易表現為貿易順差。伴隨著當前我國“三量齊增”現象的出現，農產品供需結構失衡問題突出，農產品出口的增加更是加大了糧食生產的壓力;而且在當前農業發展方式粗放和高度依賴資源能源的現實背景下，農產品出口為了滿足國際質量標準，有可能采取加大要素和能源投入的方式，進而產生了更多的農業碳排放。

3 討論

關于糧食主產區農業碳排放量影響因素的研究，與王興等（2017）、何艷秋等（2018）的研究方法不同，本研究首先通過空間自相關檢驗得知，糧食主產區農業碳排放量在空間上并非隨機分布，存在顯著的空間溢出效應，其次運用空間計量模型對糧食主產區農業碳排放量影響因素進行估計，研究結果更具有準確性。

本研究結果表明，抑制糧食主產區農業碳排放量增長的因素包括糧食生產技術效率、城鎮化水平和農業產業集聚，與程琳琳等（2018）、胡中應（2018）的研究結果一致。促進農業碳排放量增長的因素包括人均農業總產值和農業開放度，人均農業總產值是地區農業經濟發展水平的表現，對農業碳排放量的促進作用在陳銀娥和陳薇（2018）的研究中也得到驗證。但長期以來，糧食主產區在我國農業發展中一直發揮著巨大的作用，是我國糧食供給的重要保障，不能采取為了推進農業碳減排而放棄糧食主產區農業增長的減排模式。可以預測，短期內農業經濟的持續發展仍然是該區域農業碳排放增加的主要因素。產業結構因素對糧食主產區農業碳排放影響不顯著，該結果與程琳琳等（2018）對國家層面進行研究的結果存在差異。

由此可見，與已有研究文獻相比，從空間溢出效應的視角對糧食主產區農業碳排放量測度及其影響因素的分析更具有針對性，得到的研究結論與糧食主產區的實際情況較相符。此外，解決糧食主產區農業碳排放問題的重點應考慮加大農業科技的投入，調整城鄉二元結構，通過發揮產業集聚帶來的溢出效應逐步實現糧食主產區農業碳減排。

4 建議

4. 1 強化農技推廣與投入，逐步提高技術效率

本研究結果顯示，糧食生產技術效率的提升能帶來顯著的減排作用。因此，在保證糧食安全的前提下，應繼續依靠農業技術進步實現碳減排。注重加強糧食主產區的科技創新服務體系建設，推廣使用高效節能減排的農業新機具，加大對糧食主產區節能農用機械補貼的政策扶持力度;在農戶自愿的基礎上，逐步推動農村土地流轉，通過適度規模經營改善農地資源配置效率，以此提高糧食生產技術效率;加強對優質高產、抗病抗旱品種的培育，降低化肥、農藥、農膜等有害投入品的過度使用，通過農業技術的不斷創新提高農業生產資源配置效率，逐步減少種植業由于農業物質投入所造成的農業碳排放。

4. 2 協調好城鄉發展關系，適度推進城鎮化發展

由估計結果可知，城鎮化的發展對糧食主產區農業碳排放有顯著抑制作用。因此，應強化城鎮發展對農戶非農就業的帶動作用，通過發展產業融合增加農戶就業機會。城鎮化發展能加速技術創新、知識進步和人力資本的積累，為農業科技發展和技術人才的培養打下基礎，通過農業科技的運用逐步實現農業低碳化目標。同時，應制定合理的地區城鎮化發展對策，避免盲目追求城鎮化率造成城市空間過度擴展，要合理推進土地城鎮化進程和農業布局優化的協調同步，發揮城鎮化對農業碳減排的正向作用。

4. 3 適度推動農業產業集聚，逐步實現規模經濟

本研究結果表明，農業產業集聚與糧食主產區農業碳排放呈負相關。應鼓勵糧食主產區農業資源的調整和重組，加快土地流轉進程，促進土地規模化經營，推動農業生產經營方式的轉變，加大勞動力市場、生產投入要素及專業技術的共享機會，通過產生技術外溢效應，實現農業碳減排。需要考慮的是，目前糧食主產區農業產業集聚仍處于經濟發展的初級階段，要避免純粹依靠要素投入實現產業集聚，防止要素擁擠導致農業碳排放回升，因此，需健全以農產品消費而非生產為標準的農業碳減排責任機制，實現產業集聚在促進農業經濟發展的同時帶來環境的正外部性。

4. 4 加強地區間合作交流，共同推進農業低碳化發展

通過研究發現，糧食主產區各省（區）農業碳排放存在顯著的空間依懶性，制定碳減排政策時如果忽視這種空間交互作用有可能會降低政策實施效果。因此，地區間應正視農業碳排放的空間交互作用，及時關注鄰近省（區）的農業碳減排政策及相關影響因素的變動;不斷加強各地區信息共享，實現技術、投入要素及人力等外部溢出效應;通過合作交流，推進地區間低碳農業的平衡發展。

參考文獻：

陳煒，殷田園，李紅兵. 2019. 1997—2015年中國種植業碳排放時空特征及與農業發展的關系[J]. 干旱區資源與環境，33（2）： 37-44. [Chen W，Yin T Y，Li H B. 2019. Spatiotemporal distribution characteristics of carbon emission from plant industry and the relationship with agriculture development in China from 1997 to 2015[J]. Journal of Arid Land Resources and Environment，33（2）： 37-44.]

陳銀娥，陳薇. 2018. 農業機械化、產業升級與農業碳排放關系研究——基于動態面板數據模型的經驗分析[J]. 農業技術經濟，（5）： 122-133. [Chen Y E，Chen W. 2018. A study on the relationship among agricultural mechanization，industrial upgrading and agricultural carbon emis-sion—The empirical research based on dynamic panel data model[J]. Journal of Agrotechnical Economics，（5）：122-133.]

程琳琳，張俊飚，何可. 2018. 農業產業集聚對碳效率的影響研究： 機理、空間效應與分群差異[J]. 中國農業大學學報，23（9）： 218-230. [Cheng L L，Zhang J B，He K. 2018. Different spatial impacts of agricultural industrial agglome-rations on carbon efficiency：Mechanism，spatial effects and groups differences[J]. Journal of China Agricultural University，23（9）： 218-230.]

高鳴，馬鈴. 2015. 貧困視角下糧食生產技術效率及其影響因素——基于EBM-Goprobit二步法模型的實證分析[J]. 中國農村觀察，（4）： 49-60. [Gao M，Ma L. 2015. Poor perspective on grain productivity and its influencing factors： Based on the EBM-Goprobit model[J]. China Rural Survey，（4）： 49-60.]

郭四代，錢昱冰，趙銳. 2018. 西部地區農業碳排放效率及收斂性分析——基于SBM-Undesirable模型[J]. 農村經濟，（11）： 80-87. [Guo S D，Qian Y B，Zhao R. 2018. Analysis of agricultural carbon emission efficiency and convergence in western regions—Based on SBM-Undesirable model[J]. Rural Economy，（11）： 80-87.]

何艷秋，陳柔，吳昊玥，徐杰，宋藝. 2018. 中國農業碳排放空間格局及影響因素動態研究[J]. 中國生態農業學報，26（9）： 1269-1282. [He Y Q，Chen R，Wu H Y，Xu J，Song Y. 2018. Spatial dynamics of agricultural carbon emissions in China and the related driving factors[J]. Chinese Journal of Eco-Agriculture，26（9）： 1269-1282.]

胡川，韋院英，胡威. 2018. 農業政策、技術創新與農業碳排放的關系研究[J]. 農業經濟問題，（9）： 66-75. [Hu C，Wei Y Y，Hu W. 2018. Research on the relationship between agricultural policy，technological innovation and agricultural carbon emissions[J]. Issues in Agricultural Economy，（9）：66-75.]

胡中應. 2018. 技術進步、技術效率與中國農業碳排放[J]. 華東經濟管理，32（6）： 100-105. [Hu Z Y. 2018. Technical progress，technical efficiency and agricultural carbon emissions in China[J]. East China Economic Management，32（6）： 100-105.]

梁青青. 2018. 我國農業碳排放的空間差異實證研究——基于1996—2015年省際面板數據[J]. 農林經濟管理學報，17（2）： 159-168. [Liang Q Q. 2018. Regional and provincial comparison of carbon sinks status： Based on 1996-2015 provincial panel data[J]. Journal of Agro-Fores-try Economics and Management，17（2）： 159-168.]

閔繼勝，胡浩. 2012. 中國農業生產溫室氣體排放量的測算[J]. 中國人口·資源與環境，22（7）： 21-27. [Min J S，Hu H. 2012. Calculation of greenhouse gases emission from agricultural production in China[J]. Chinese Journal of Population Resources and Environment，22（7）： 21-27.]

田云，張俊飚，李波. 2012. 中國糧食主產區農業碳排強度估算及其分析[J]. 地理科學進展，31（11）： 1546-1551. [Tian Y，Zhang J B，Li B. 2012. Intensities of agricultural carbon emissions and their causes in the major grain producing areas in China[J]. Progress in Geography，31（11）： 1546-1551.]

王興，馬守田，濮超，趙鑫，王鈺喬，張海林. 2017. 西南地區農業碳排放趨勢及影響因素研究[J]. 中國人口·資源與環境，27（S2）： 231-234. [Wang X，Ma S T，Pu C，Zhao X，Wang Y Q，Zhang H L. 2017. Trends and influencing factors of agricultural carbon emissions in the Southwest China[J]. China Population，Resources and Environment，27（S2）： 231-234.]

韋沁，曲建升，白靜，李恒吉，劉莉娜，徐麗. 2018. 我國農業碳排放的影響因素和南北區域差異分析[J]. 生態與農村環境學報，34（4）： 318-325. [Wei Q，Qu J S，Bai J，Li H J，Liu L N，Xu L. 2018. Influencing factors of agricultural carbon emission and regional differences between South and North in China[J]. Journal of Ecology and Rural Environment，34（4）： 318-325.]

魏瑋，文長存，崔琦，解偉. 2018. 農業技術進步對農業能源使用與碳排放的影響——基于GTAP-E模型分析[J]. 農業技術經濟，（2）： 30-40. [Wei W，Wen C C，Cui Q，Xie W. 2018. The impacts of technological advance on agricultural energy use and carbon emission—An analysis based on GTAP-E model[J]. Journal of Agrotechnical Economics，（2）： 30-40.]

張翠菊，張宗益，覃明鋒. 2016. 能源稟賦、技術進步與碳排放強度——基于空間計量模型的研究[J]. 系統工程，34（11）： 47-53. [Zhang C J，Zhang Z Y，Qin M F. 2016. Research on energy resources，technology advance and carbon emission intensity—Based on spatial panel econometric model[J]. Systems Engineering，34（11）： 47-53.]

張軍偉，張錦華，吳方衛. 2018. 我國糧食生產的碳排放及減排路徑分析[J]. 統計與決策，34（14）： 168-172. [Zhang J W，Zhang J H，Wu F W. 2018. Analysis of carbon emi-ssions and emission reduction paths of China’s grain production[J]. Statistics & Decision，34（14）： 168-172.]

趙爽，陳儒，姜志德. 2018. 低碳試點政策對農業碳排放影響的實證研究——基于雙重差分模型的檢驗[J]. 生態經濟，34（12）： 22-28. [Zhao S，Chen R，Jiang Z D. 2018. Empirical analysis of the low-carbon pilot policies’ impact on agricultural carbon emissions based on DID model[J]. Ecological Economy，34（12）： 22-28.]

Anselin L. 2003. Spatial econometrics[M]//Baltagi B H. A companion to theoretical econometrics. Oxford： Blackwell Publishing Ltd： 310-330.

Dubey A，Lal R. 2009. Carbon footprint and sustainability of agricultural production systems in Punjab，India，and Ohio，USA[J]. Crop Improvement，23（4）： 332-350.

Tobler W R. 1970. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography，46（S1）： 234-240.

West T O，Marland G. 2002. A synthesis of carbon sequestration，carbon missions，and net carbon flux in agriculture： Comparing tillage practices in the United States[J]. Agriculture Ecosystems & Environment，91（1-3）： 217-232.

（責任編輯 鄧慧靈）