中國省域農業碳排放效率與經濟增長的耦合協調

田 云，林子娟

（中南財經政法大學工商管理學院，湖北武漢430073）

為更好地應對全球氣候變化，2018 年末聯合國政府間氣候變化專門委員會（IPCC）發布了《全球升溫1.5 ℃特別報告》，提出到2050年左右要實現全球溫室氣體的凈零排放，“碳中和”概念由此應運而生。該報告的發布有力提升了各國對氣候變化的關注度，越來越多的國家就此明確和強化了自身減排目標。其中，以冰島、瑞典、挪威等為代表的北歐國家率先做出碳中和承諾，并將計劃完成時間依次定為2040、2045 和2050 年；而后芬蘭、新西蘭、英國、德國、法國、韓國、日本等國也相繼做出承諾，且多將完成期限定于2050 年。而作為世界最大的碳排放國，仍處在發展中階段的中國與發達國家相比顯然面臨著更大的減排壓力。在此境況下，積極參與全球氣候治理、加快推進低碳經濟發展，將成為中國下一階段亟待解決的重大難題。盡管第二、第三產業是導致中國碳排放的主要源頭，但農業生產部門所引致的溫室氣體排放也不容小覷，必須引起足夠重視。基于此，文章嘗試探究中國各省份農業碳排放效率與經濟增長的耦合協調度，以期為農業碳減排政策的制定提供參考。

1 文獻綜述

目前，已有不少學者圍繞農業碳排放問題展開探討，并形成了較為豐碩的研究成果。從大的切入視角看，相關研究主要匯聚于三個方面。

一是農業碳排放測算及相關特征分析。首先是農業碳源的確定。早期學者們主要著眼于農田二氧化碳排放，認為耕作會導致土壤有機碳流失［1-2］；而后隨著研究的逐步深入，畜禽養殖與水稻種植［3］、化肥與農藥［4］、能源消耗［5］、農膜［6］等也被看作是重要碳源，并以此為基礎形成了較為全面的農業碳排放測算指標體系，主要涉及農用物資利用、水稻種植、畜禽養殖等三個不同維度。閔繼勝等［7］、Tian 等［8］、金書秦等［9］先后圍繞中國農業碳排放進行了有效測度并分析其特征。綜合研究表明，新世紀以來中國農業碳排放總量增長趨勢較為明顯，近幾年逐步趨于平穩甚至略有下降，農業碳排放強度則處于持續下降態勢；省域層面，無論總量、強度還是各自的演變軌跡均表現出了明顯的空間差異。

二是農業碳排放與經濟增長關系研究。其中，一些學者［8，10］探討了農業碳排放與經濟增長的因果關系，并進行EKC 檢驗以明晰拐點是否存在。結果表明，從短期看，經濟發展是導致農業碳排放持續增長的關鍵動因；但從長期看，二者之間存在拐點，即當經濟發展到一定程度農業碳排放將呈現下降趨勢。另一些學者［11-12］則將Tapio脫鉤模型引入到二者關系的探討中，并從國家或省域維度展開實證分析。研究揭示，中國農業碳排放與經濟增長的脫鉤類型大致經歷了由“環保”到“污染”再到“環保”的變化歷程。還有學者為了更好地探究二者之間的關系，在分析過程中引入了科技投入［13］、技術進步［14］、能源消耗［15］等其他關鍵變量。

三是農業碳排放效率測度及減排潛力研究。高鳴等［16］、吳昊玥等［17］先后對中國農業碳排放效率進行了測度。總體研究揭示，近年來整體效率水平雖有提升但區域差異明顯，省域間存在空間自相關且溢出效應明顯；全國范圍內不存在隨機性收斂，但東、中、西部卻表現出了不同特點。中部地區的農業碳減排潛力規模最大，尤其是豫、皖、冀等省［18］。具體到減排成本，各省份也表現出了極大差異，且決策者對于公平與效率的不同偏好會影響到各省份減排責任分攤機制的最終形成［19］。相關評估顯示，中國政府有能力實現承諾的預期減排目標，但具體到各省級行政區又表現出一定區別［20］。除了上述研究之外，還有大量學者圍繞農業碳足跡［21-22］、農業及農產品貿易隱含碳排放［23-24］等領域展開了相關研究，并得出了一系列有價值的結論。

縱覽文獻可知，目前關于農業碳排放的研究已趨于全面、系統，相關研究結論能夠為中國農業碳減排政策的完善提供重要的參考依據。但同時，現有研究仍存在一定的局限性：一方面，關于農業碳排放效率的測度，無論是測算方法的選擇還是投入產出指標的確定均存在一定欠缺；另一方面，農業碳排放與經濟增長關系的探討主要著眼于總量抑或強度視角，鮮有學者從農業碳排放效率視角，圍繞其與農業經濟增長的協調性展開研究。事實上，近年來隨著節能減排理念逐步深入人心，傳統“高投入、高產出、高排放”的農業生產模式已顯然不可取，而應追求現代農業發展與資源環境保護的協同共進。鑒于此，文章嘗試進行一定拓展：一是農業碳排放效率測度力爭精準，投入指標選擇盡可能詳盡，非期望產出農業碳排放的核算能更全面系統；二是嘗試將農業碳排放效率與農業經濟增長納入同一框架，圍繞二者的耦合協調發展水平展開探討，明確現狀特征并分析空間自相關性。

2 研究方法

2.1 SBM?Undesirable模型

數據包絡分析（Data Envelopment Analysis，DEA）從全要素角度出發，考慮多項投入和產出指標，利用線性規劃方法確定生產前沿面，以決策單元（Dicision Making Unit，DMU）偏離前沿面的程度對其效率進行衡量。傳統DEA 方法以CCR-DEA 和BCC-DEA 模型為代表，二者都是基于徑向和角度兩方面對決策單元的效率進行評價，要求在投入盡可能少的情況下產出盡量增多。顯然，任何產業在生產過程中除了有益產出之外，通常還伴隨著廢水、廢氣等無益產出，按照傳統DEA方法則會出現非期望產出隨著期望產出同步增加的問題，從而導致效率評價不夠準確。加之傳統DEA 方法并未考慮投入、產出松弛變量問題，進一步制約了效率測度的精準性。基于此，Tone［25］在經典DEA 模型的基礎上將松弛變量加入目標函數，提出了非徑向和非角度的SBM?DEA（Slack Based Model?DEA）模型，之后又改進為可包含非期望產出的SBM 模型，其現實應用性大幅增強。該模型的基本原理為：假設生產系統中存在n個決策單元，且每個決策單元均有投入x∈Rm、期望產出ya∈Re、非期望產出yb∈Rf等三方面要素，則可定義矩陣如下：

矩陣中：R為實數向量集，m，e，f分別表示投入、期望產出和非期望產出的要素個數。則可定義生產可能集P如 下：P={(x，ya，yb)|x≥Xλ，ya≤Yaλ，yb≥Ybλ，λ≥0}。故包含非期望產出且規模報酬可變的SBM-Undesirable模型具體表示為：

式中：ρ*為研究目標的效率值，其數值范圍在0～1 之間，λ為非負權重向量，C-、Ca和Cb分別代表投入、期望產出和非期望產出的松弛變量，則分 別 表示 被評價的決策單元在某時段的投入產出值。對決策單元來說，當且僅當ρ*= 1且C-、Ca和Cb均為0的時候，該決策單元位于效率前沿面上，即有效；若ρ*＜1，則說明該決策單元處于無效狀態，需要通過減少投入或者增加產出的方式實施優化調整以達到最優效率。

2.2 耦合協調度模型

耦合度模型主要用來刻畫兩個或兩個以上系統或者要素之間相互關聯、彼此影響的程度。結合已有研究，構建農業碳排放系統和經濟系統的耦合度模型：

式中：W表示兩系統間的耦合度；X1為農業碳排放系統水平，在此通過農業碳排放效率來衡量；X2則代表經濟系統水平，以人均農業增加值進行衡量，在具體計算時對其進行標準化處理。耦合度W的取值范圍在0～1 之間，其愈趨近于0，耦合度數值愈小，農業碳排放效率與經濟增長之間的相互作用程度就愈低；而W愈趨近于1，耦合度數值愈大，農業碳排放效率與經濟增長間的相互作用程度就愈高，此時兩者間達到“良性共振”的耦合狀態，即系統有序［26］。

耦合度模型也存在一定局限性，即其僅能對農業碳排放效率與經濟增長之間的相互作用程度進行分析，卻無法體現兩者間的協調發展狀況。譬如，當農業碳排放效率和經濟增長水平相當且數值均較低時，耦合度也會趨近于1，由此就無法客觀反映農業低碳經濟發展水平。與此相比，耦合協調度模型卻能對兩者間耦合協調發展狀況的好壞進行評價［27］。為了更好地分析中國省域農業碳排放效率與經濟增長間的耦合協調發展狀況，在構建耦合度模型的基礎上引入耦合協調度模型，具體公式為：

式中：S為農業碳排放效率與經濟增長的耦合協調度，T為兩者整體效益水平的綜合評價指數，α與β為待定系數且α+β= 1，主要反映兩系統各自對整體發展水平的貢獻程度。基于農業可持續發展理念以及政府近年來對農業綠色、循環發展的高度重視，文章認為農業碳排放效率與經濟增長的重要程度一致，故將α與β的取值均定為0.5。耦合協調度取值范圍為［0，1］，其數值越大，則說明碳排放效率與經濟增長的耦合協調發展狀況越好。為了更為清晰地展現各省份農業碳排放效率與經濟增長之間耦合協調發展水平的高低，參考現有文獻［28］，采用等間隔劃分法，將耦合協調度分為五個等級，并依據綜合評價指數進行分類（表1）。

2.3 空間自相關模型

2.3.1 全局空間自相關

全局莫蘭指數（Global Moran’I）是全局空間自相關分析使用最多的指標，通常用于檢驗研究對象的某屬性值在整體空間上是否存在集聚狀態。采用該指標對全國各省份農業碳排放效率與經濟增長耦合協調度的空間相關性進行檢驗，公式為：

表1 耦合協調度等級劃分

式中：GMI為全局莫蘭指數，Si、Sj表示各省份農業碳排放效率與經濟增長的耦合協調度，n為省份數量，Wij則為空間權重矩陣，對各省份間的空間關系進行描述。采用Queen標準的二進制鄰接矩陣，即研究單元相鄰時取權重值為1，不相鄰則取權重值為0，海南作為與廣東相鄰來處理。全局莫蘭指數的取值范圍為［-1，1］，數值為正時表明各省份耦合協調度在整體上存在正相關，數值為負則表現為負相關，數值為0時表示不存在空間相關性。另外，利用統計值ZI對全局莫蘭指數進行檢驗，公式為：

其中：E[I]= 1/(1 -n)，V[I]=E[I2]-E[I]2。

2.3.2 局部空間自相關

全局莫蘭指數雖能反映研究區域屬性值的整體關聯狀態，卻忽略了局部區域存在的異質性特征，為此需進行必要的局部空間自相關分析。使用局部莫蘭指數（Local Moran’I）對局域內屬性值的集聚或離散效應進行度量，公式為：

各符號的含義與全局莫蘭指數相同，對于具體省份i，可在式（12）的基礎上進一步處理：

式中：LMIi為省份i的局域相關性系數，W′ij、Zi和Zj則分別表示將原矩陣和耦合協調度標準化處理后的數值。當LMIi和Zi值均大于0 時，表示該省份與周邊省份的協調發展水平均較高，即為高-高（H-H）集聚區；反之，則表明該省份與周邊省份協調發展水平均比較低，為低-低（L-L）集聚區。當LMIi大于0 而Zi值小于0 時，表示該省份協調發展水平高而周邊省份較低，即為高-低（H-L）集聚區；反之，則表明該省份協調發展水平低而周邊省份較高，為低-高（L-H）集聚區。

3 變量界定與數據處理

3.1 變量界定

3.1.1 農業碳排放效率測度

在綜合相關研究［29］的基礎上，從資本、土地、勞動力、農資等四個維度確定農業碳排放效率測度的投入指標，而產出則包含期望產出與非期望產出，各自所對應的具體指標見表2。

表2 農業碳排放效率評價指標體系

（1）農業投入變量

①資本投入。農業資本投入以中國各省份農業資本存量表示。鑒于該指標數據無法直接獲取，參照李谷成等［30］、董奮義等［31］所采用的永續盤存法（Perpetual Inven?tory Method，PIM）對不包含人力資本和土地資本的狹義物質資本存量進行計算。估算公式為：

Kt=Kt-1(1 -μ) +Lt（14）

其中：Kt、Kt-1分別表示當期和上期的農業固定資本存量，Lt為當期農業固定資產投資，μ代表折舊率。對于當期固定資產投資Lt，使用農業固定資本形成總額進行衡量，其中2000—2002年的相關數值源自《中國國內生產總值核算歷史資料（1996—2002年）》，其余年份則以農業固定資產投資額占全社會固定資產投資額的比重乘以全社會固定資本形成總額所得到的數值進行補齊。至于基期資本存量、折舊率μ以及投資價格指數的確定，主要參考李谷成等［31］的研究。

②土地投入。考慮到復種指數的差異以及一些地區存在休耕現象的影響，采用農作物總播種面積衡量，單位為103hm2。

③勞動力投入。參考吳賢榮等［32］的相關研究，勞動力投入用第一產業年末從業人員衡量，單位為104人。

④農資投入。結合一般農業生產現狀，從化肥、農藥、農膜、農用機械四個方面來考察農資投入。其中，化肥以各省份農業生產過程中的實際施用折純量為準，單位為104t；農藥、農膜使用量以各地區當年農業生產過程中的實際耗用量為準，單位分別為104t 和t；農機投入則以當年農業活動中農用機械動力的額定功率之和為準，包括用于農田基本建設、農作物運輸、農產品初加工等活動的一切設備，單位為104kW。

（2）農業產出變量

①期望產出。參照一般研究，選用各省份農林牧漁總產值作為期望產出的替代變量，單位為108元。

②非期望產出。各省份農業碳排放量作為非期望產出的替代變量。鑒于目前無農業碳排放量統計的現實境況，參照田云等［20］的研究，從農用物資投入、水稻種植以及畜禽養殖等三個方面對農業碳排放進行考察。公式為：

C=∑Ci=∑Ti×δi（15）

其中：C為農業碳排放總量，Ci為各類碳源的碳排放量，Ti、δi分別表示各類碳源的具體數量及所對應的碳排放系數。農用物資投入涉及化肥、農藥、農膜、農用柴油等生產資料以及農業灌溉等生產活動，水稻種植涵蓋早稻、中稻、晚稻等不同類別，畜禽養殖則包含牛、馬、驢、駱駝、羊、生豬、家禽等主要飼養品種。除二氧化碳測算外，還涉及甲烷與氧化亞氮排放，為了便于統一分析，參照IPCC第四次評估結果統一折算成標準碳，單位為104t。

3.1.2 農業經濟增長的確定

一般情況下，通過GDP 來衡量某一地區的經濟發展水平雖簡單易行但也存在一定不足，即絕對數量的比較忽視了各省份在人口、資源稟賦等方面所存在的巨大體量差異，難以客觀反映地區真實的經濟發展水準。相比較而言，選用人均相對指標更能反映實際情況。以人均農業增加值作為衡量各省份農業經濟增長的替代指標，計算方法為：人均農業增加值=農業增加值/第一產業從業人口數量，單位為元/人。

3.2 數據來源及處理

農業碳排放效率測度所涉及的基礎數據中，農業固定資產投資額、全社會固定資產投資額、第一產業從業人員等均源自歷年《中國統計年鑒》，農作物播種面積、化肥、農藥、農膜使用量、農機投入數據以及農業碳排放測算所需原始數據均源自歷年《中國農村統計年鑒》及各省份年鑒，多數以當年實際數值為主，部分諸如畜禽飼養數量則需根據其生產周期的差異進行適當調整［7］。農林牧漁總產值、農業增加值也源自歷年《中國農村統計年鑒》，為了消除價格波動影響，選擇以2000 年為基準年進行不變價處理。因數據可得性限制，研究未涉及香港、澳門、臺灣地區。

4 研究結果分析

4.1 農業碳排放效率現狀特征分析

基于構建的指標體系，利用Matlab 軟件并選用規模報酬可變假設下的SBM?Undesirable 模型對2000—2019年中國31 個省份農業碳排放綜合效率（TE）、純技術效率（PTE）以及規模效率（SE）進行有效測度。鑒于數據的可得性，研究不包括港澳臺地區。受篇幅所限，文章僅列出2000年和2019年的測算結果（表3）。

表3 31省份農業碳排放效率及分解

由表3 可知，2019 年北京、天津、吉林、廣東、海南、西藏6 省份農業碳排放綜合效率值為1，屬于有效狀態，即效率值處于最佳前沿面；福建、遼寧、江蘇、安徽緊隨其后依次排在7～10位，但各自距離最佳前沿面已有明顯差距。與此對應，山西綜合效率值最低，僅為0.257；內蒙古、甘肅、新疆、寧夏則依次排在倒數2～5 位，各自效率值均在0.3 以下，明顯遠離最佳前沿面，存在較大提升空間。通過對綜合效率分解可知，除去處于有效狀態的6 省份，純技術效率和規模效率占主導地位的省份分別為13 個和12 個。其中，相當數量省份純技術效率處于最佳狀態可能歸功于近年經營模式改進、產業布局優化以及農用物資利用趨于高效；而從深層次原因看，很大程度上還與《全國農業現代化規劃（2016—2020年）》的實施有關。該規劃著重強調了建設高標準農田、提高農業技術裝備和科技轉化率的重要性，而這顯然有助于純技術效率的提升。相比較而言，雖有不少省份規模效率發揮了主要作用，但其效率值卻多在0.9 以下，可見農業生產規模化經營仍存在較大改善空間。與基期2000年相比，除廣東、海南、西藏3 省份因為一直處于有效狀態而未發生變化外，僅內蒙古、上海、安徽、湖南、貴州、新疆6 省份有所下降，其中以上海降幅最大，其他各省份綜合效率值大多發生了明顯變化，且多數省份得到了顯著提升。

4.2 農業碳排放效率與經濟增長的耦合協調度分析

結合公式（6）—公式（8），完成對31 個省份農業碳排放效率與經濟增長耦合協調度的測算，同時對各自耦合協調等級進行綜合評價。限于篇幅，僅列出2000 年和2019年的評價結果，見表4。

由表4 可知，2019 年海南耦合協調度最高為1.000，說明其農業碳排放效率與經濟增長已實現了絕對優質協調，二者同步高質量提升；天津、吉林緊隨其后分列二三位，其耦合協調度也均超過了0.90；排在4～10 位的省份依次為福建、北京、廣東、江蘇、浙江、遼寧和黑龍江，耦合協調度介于0.70～0.90之間。與此對應，山西耦合協調度最低，僅為0.435，而甘肅、寧夏、貴州、青海則排在倒數2～5位，耦合協調度均在0.60以下。相比2000年，除上海之外的其他30 個省份耦合協調度都有顯著提升，且均實現了層級跨越。其中，從絕對數值看，青海提升幅度最大，耦合協調度增加了83.65%；貴州、重慶緊隨其后，分別達到了76.79%和75.94%；內蒙古提升幅度最小，僅為15.69%；北京、新疆則分別排在倒數第二、第三位，分別為24.96%和29.23%。從層級跨越來看，江蘇、浙江、河南、重慶實現了二級飛躍，其他各地則實現了一級跳躍。結合各省份耦合協調度等級劃分及綜合評價結果可知，截至2019 年，除海南實現同步發展外，還有7 省份達到了優質協調，且以經濟滯后型為主；16 省份為良好協調，且效率滯后型占據多數；剩余7 省份則表現為中等協調，均為經濟滯后型。從目前情形看，良好及以上協調類型的省份要占據絕大多數，整體狀況要遠好于2000 年；同時，兩個時間點同步發展無法形成的原因也存在一定區別：2000 年所有省份都歸結于農業經濟發展水平滯后，而2019 年已有超過10 個省份是源于農業碳排放效率水平滯后。為了更為直觀地展示中國農業碳排放效率與經濟增長之間耦合協調發展的地區差異，列出2000、2004、2008、2012、2016 以及2019 年31 個省份的耦合協調度結果（表5）。

表4 31省份農業碳排放效率與經濟增長的耦合協調度及綜合評價結果

由表5 可知，2000—2019 年，中國農業碳排放效率與經濟增長的耦合協調發展水平整體上升趨勢明顯。其中，2000 年，絕大多數省份處于失調或者中等協調狀態，僅有少數省份表現出良好協調狀態；而到了2019年，不僅已無失調省份且多數地區達到了良好及以上協調等級。具體來看，2000年，山西、河南、重慶、貴州、云南、陜西、甘肅、青海、寧夏9 省份處于初級失調等級，北京、天津、吉林、上海、福建、廣東、海南7省份則處于良好協調等級，其余諸省份均為中等協調等級。從區域分布看，協調發展水平等級較低的省份大多位于中西部地區，經濟條件相對落后，且受自然資源制約，農業現代化、規模化發展不足，致使農業碳排放效率與經濟增長水平均比較低，兩者處于失調狀態。2004 年，不少省份的協調度等級得到改善，其中海南、北京最先升至優質協調等級，河南、重慶、陜西、寧夏等省份由初級失調升至中等協調等級，浙江、遼寧則由中等協調升至良好協調等級。綜合來看，中東部省份協調發展水平所處等級上升要更快一些。2008年，天津、上海由良好協調轉變為優質協調，江蘇、西藏由中等協調轉變為良好協調，青海、云南由初級失調轉變為中等協調，余下諸省份基本維持原有狀態不變。2012年，各省份協調狀態相比4年之前多無顯著變化，僅吉林由良好協調升至優質協調，而上海甚至由優質協調降為良好協調，這可能與其農業規模化經營程度不足、人均效益產出較低有關。至于該階段協調發展水平整體增速減緩的原因，可能與農業機械化進程的加快有關。農機具投入量的增加以及農機專業合作組織的興起使得各地農業機械化作業率顯著提升，但由于耕地細碎化、農機作業成本高等問題，致使技術資源的投入存在冗余情況，導致產出效益不夠高而碳排放卻仍在增長。2016 年，江蘇由良好協調轉變為優質協調，河北、黑龍江、安徽、江西、山東和重慶由中等協調升為良好協調，山西、貴州、甘肅3省份由初級協調轉變為中等協調，其他各地則維持原有協調狀態不變。此時，所有省份都步入協調發展階段，不過仍以中等協調為主。2019 年，伴隨著以河南、湖北、湖南等為代表的多個省份耦合協調度等級的提升，全國僅剩山西、貴州、云南、陜西、甘肅、青海、寧夏7省份仍處于中等協調等級，而浙江、福建、廣東等省份則進一步升至優質協調狀態。該階段成效的取得主要源于政府對農業綠色高質量發展的愈發重視。黨的十九大報告以及歷年中央一號文件都反復強調中國農業應逐步由增產向提質轉變。得益于相關配套政策的有力支持，近年來農業生態化、特色化和品牌化建設程度不斷加深，從而促使農業碳排放效率與經濟增長同步提升，二者協調水平也隨之得到相應提高。

4.3 耦合協調度的空間自相關分析

4.3.1 全局空間自相關分析

運用Stata 軟件計算2000—2019 年各省份農業碳排放效率與經濟增長耦合協調度的全局莫蘭指數并進行顯著性檢驗，相關結果見表6。

由表6 可知，在整個考察期內，農業碳排放效率與經濟增長耦合協調度的全局莫蘭指數均大于0.3且都在1%水平下通過顯著性檢驗。由此揭示，中國省域農業碳排放效率與經濟增長的耦合協調度在整體層面存在顯著的空間自相關特征，具體表現為某個高值省份周邊伴隨著一個或多個高值省份，而某個低值省份則通常與一個或多個低值省份相鄰。從莫蘭指數值的歷年變動情況看，2000—2014 年雖然升降反復但總體表現出波動上升態勢，集聚程度在經歷下降之后通常又伴隨回升，并于2014年達到最大值0.380；而2015—2019 年雖同樣升降反復但波動下降趨勢較為明顯，表明該階段耦合協調度的空間集聚效應有所減弱，省域間農業碳排放效率與經濟增長的耦合協調差距呈現擴大趨勢。究其原因，可能與各地區現代農業發展程度不一、發展速率各異有關：一方面受自然資源、經濟水平等因素影響，部分省份農業機械化、規模化程度更高，碳排放效率提升更快，產出效益更好；另一方面則源于政府近年對農業綠色發展的愈發重視，部分省份對此響應更為積極、執行更加到位，從而促使碳排放量下降且產出效益顯著提升。

4.3.2 局部空間自相關分析

為了進一步明晰2000—2019 年31 個省份耦合協調度的空間關聯特征，選取2000、2007、2013 和2019 年等年份，對其耦合協調發展狀態的局部莫蘭散點圖進行繪制（受限于篇幅以及各省份在圖中較難辨識等原因，在此不呈現散點圖），結果見表7。

由表7可知，高-高集聚區在2000年和2007年所包含的地區完全一致，均為北京、天津、遼寧、吉林、上海、江蘇、浙江、福建、廣東、海南7 省3 市。從區域分布來看，主要位于中國東北以及東部、東南沿海地區。這些省份普遍農業資源稟賦較好，比如東北地區地勢平坦、土壤肥沃，極利于玉米、水稻、大豆等糧食作物的種植；而東南沿海地區水熱條件俱佳，經濟作物種植較為廣泛；同時多數地區經濟發達，有助于農業現代化、規模化發展，且能對周邊省份產生示范效應。2013 年黑龍江由低-高集聚轉為高-高集聚，可能源于其與高-高集聚區省份毗鄰，所受到的輻射帶動作用較大。而到了2019 年，情形又發生了一定變化：上海由于近年整體協調發展水平不佳且下降趨勢明顯，逐步脫離了高-高集聚區；但同時江西加入，可能得益于周邊浙、閩、粵等地的積極帶動。

表5 2000—2019年31省份農業碳排放效率與經濟增長耦合協調發展的空間分布

低-低集聚區在2000 年包含山西、安徽、山東、河南、湖北、湖南、廣西、重慶、四川、貴州、云南、陜西、甘肅、青海、寧夏15省份。從地域分布看，集中于中、西部地區，或源于農業資源稟賦不占優勢，或歸結于種植結構相對高碳，或因經濟不夠發達、資金支持有限、科技水平相對滯后等制約，阻礙了農業碳排放效率與農業經濟水平的提升，導致耦合協調發展水平偏低，同時對周邊省份的輻射與擴散效應也較弱。2007 年，新疆由高-低集聚轉為低-低集聚，可能受禁牧、輪牧、休牧等制度的影響以及政府對牧區生態環境修復治理的逐步重視，農業整體發展受到一定沖擊，導致協調發展速率相對于其他省份偏慢。2013 年，內蒙古由高-低集聚轉為低-低集聚，安徽、山東則由低-低集聚轉為低-高集聚。其中，內蒙古發生變化的原因與新疆基本類似。魯、皖雖然農業經濟持續發展，但其碳排放效率相對不高，因而與周邊省份相比耦合協調發展度增長較慢，即便與高水平省份相鄰，但受到的帶動作用較小，且在一定程度上承擔了領先地區的環境負外部效應。2019 年與2013 年情形完全一致，在此不做過多贅述。

至于低-高和高-低集聚區，所含省份數量一直較少，均未超過4 個。具體而言，低-高集聚區僅河北一直居于其中，所毗鄰京津均處高-高集聚區，但由于京津農業體量較小，難以對河北形成積極帶動作用；而高-低集聚區僅西藏一直位于其中，雖自身協調發展水平較高，但由于農牧業的特殊屬性與體量限制，很難對周邊地區形成帶動效應。至于其他省份的動態變化及成因，在剖析高-高、低-低集聚區時都已陳述，此處不再贅述。綜合來看，在整個考察期內，處于低-低集聚區的省份不僅數量一直最多，且具體構成也未發生太多變動，由此揭示中國省域農業碳排放效率與經濟增長的耦合協調發展水平呈現出“弱者恒弱”的空間集聚局面，而這顯然不利于整體低碳農業經濟的發展。

5 結論與啟示

通過系統分析，得到以下主要結論。

2019 年，北京、天津、吉林等6 省份農業碳排放綜合效率值為1，屬于有效狀態，即效率值處于最佳前沿面；相比較而言，山西綜合效率值最低，僅為0.257，內蒙古、甘肅、新疆、寧夏則排在倒數2～5位，各自效率值均在0.3以下，存在較大提升空間。與基期2000 年相比，除廣東、海南、西藏3 省份因為一直處于有效狀態而未發生變化外，其他各地綜合效率值均發生了明顯變化，且多數地區得到了顯著提升，僅內蒙古、上海、安徽、湖南、貴州、新疆6省份有所下降，其中以上海降幅最大。

表6 2000—2019年31省份耦合協調度的全局莫蘭指數

表7 主要年份31省份耦合協調發展水平的局部空間聚類情況

2019 年，海南耦合協調度最高，為1.00，說明農業碳排放效率與經濟增長已實現了絕對優質協調；與此對應，山西耦合協調度最低，僅為0.435，而甘肅、寧夏、貴州、青海則排在倒數2～5 位。相比2000 年，除上海之外的其他30 個省份耦合協調度都有顯著提升，且均實現了層級跨越。總體來看，截至2019年，絕大多數省份的協調等級達到了良好及以上層次，其中海南實現同步發展，7 個省份達到了優質協調且以經濟滯后型為主，16 個省份為良好協調且效率滯后型地區占據多數，余下7省份則表現為中等協調且均為經濟滯后型。

在整個考察期內，中國省域農業碳排放效率與經濟增長的耦合協調度總體存在顯著的空間自相關特征，具體表現為某個高值省份周邊伴隨著一個或多個高值省份，而某個低值省份則通常與一個或多個低值省份相鄰。同時，局部莫蘭指數結果顯示，位于高-高和低-低集聚區的省份占據絕大部分，其中又以低-低集聚區的省份數量最多且其具體構成在不同年份變化較小，由此使得中國省域農業碳排放效率與經濟增長的耦合協調發展水平在一定程度上呈現出了“弱者恒弱”的空間集聚局面。

為了更好地推進農業碳減排，助力中國“雙碳”戰略目標早日實現，可考慮從以下幾方面著手：一是提高農資利用效率，推廣綠色生產技術。一方面，著力提高化肥、農藥、農膜等的利用效率，不斷推廣綠色、生態生產技術，如廣泛采用測土配方施肥技術、加強病蟲害生物防治、使用可降解農膜等；另一方面，加快傳統農用機械的創新升級速度，積極研發和推廣節能型農用機械，以促進機械化作業的節能減排。二是深化農業結構調整，提升農業生態效益。在保障糧食安全的前提下，推動種植業由增產向提質方向轉變。同時，依據各地實際調整糧食作物、經濟作物、飼料作物的種植比例，并建立健全耕作輪作制度，實施種養結合模式，使種養殖業之間形成糧草兼顧、優勢互補的發展格局。除此之外，重視草原生態修復、推動畜禽養殖規模適度化發展，強化農業向“低投入、低排放、高效益”方向轉變，實現生態效益的提升。三是強化科技創新驅動，建立區域合作機制。一方面，利用現代科技推動農業機械化、智能化和數字化發展，通過加強農業信息化管理、完善“互聯網+”農業產業體系等手段促進農業現代化、規模化進程，降低對傳統化石能源的依賴程度，重視清潔能源的開發與利用；另一方面，處于低-低集聚區的省份除了因地制宜發展優勢產業外，要特別注重建立區域合作機制，通過產業對接、項目合作、技術交流等手段，積極吸取先進地區農業產業化、規模化發展經驗，促進自身農業綠色、高質量發展。