農業機械化對農業碳排放強度影響的空間溢出效應
——基于282個城市面板數據的實證

徐清華，張廣勝

（1. 沈陽農業大學經濟管理學院，遼寧沈陽100866；2. 遼寧大學商學院，遼寧沈陽110136）

溫室效應帶來的極端天氣給農業生產造成的經濟損失逐年增加，農業碳減排越來越得到政策制定者和學者關注。2016年《“十三五”控制溫室氣體排放工作方案》首次將農業碳減排目標提到重要位置，《“十四五”全國農業綠色發展規劃》重申了挖掘農田碳匯等減排固碳潛力，為落實碳達峰、碳中和的重大戰略決策指明了方向，2021年頒布實施的《2030年前碳達峰行動方案》則進一步推進了農業領域碳達峰行動。在農業碳減排政策引領下，全國農業減碳工作取得巨大成效。從總量上看，農業碳排放總量從2014年8 190 萬t下降到2019年的7 467 萬t，扭轉了農業碳排放總量長期增長趨勢；從強度上看，全國農業碳排放強度從2005 年的361.61 kg/萬元下降到2019 年140.91 kg/萬元，下降幅度為61.03%，提前完成了2020年農業碳減排目標。然而受農業生產能效較低、農用化學品過度投入、土地細碎化等因素制約，農業碳排放水平控制效果仍顯不佳［1］，農業生產仍然面臨較大的減碳壓力，高產量追求導致的高能耗和高污染等問題得不到根本扭轉，地區農業發展不均衡嚴重制約了中國低碳農業高質量發展。作為一種勞動力替代要素，農業機械化有助于解除農村勞動力與農業生產的緊密關系，尤其在農用機械大范圍應用與普及的背景下，跨區域農機服務網絡促進了區域內和區域間農機資源合理調配［2］，但鮮有文獻探討農業機械化對農業碳排放強度的影響。農業技術進步并不總是有利于農業碳減排，以農業機械化水平為代表的機械型技術進步反而提高了農業碳排放總量［3］。在農業機械化水平提升的背景下該結論與農業碳排放總量下降的事實相違背，究其原因，很可能是忽略了農業碳排放的空間集聚與分異情況對計量結果帶來的不利影響［4］，近來研究表明區域農業碳排放水平呈現“中心-外圍”的空間分布狀態，具有從“中心”區域向“外圍”擴散的溢出態勢［5］。基于1999—2019 年282 個城市的面板數據，采用空間杜賓模型研究農業機械化對農業碳排放強度的影響，以期為推進農業領域碳達峰行動提供新思路。

1 文獻綜述與理論機制

1.1 文獻綜述

現有討論農業碳排放影響因素的文獻較為豐富，從農地經營規模、碳減排政策、技術進步、城鎮化等方面對農業碳排放地區差異的影響因素進行了諸多探索。農地經營規模擴大誘發了農用化學品投入強度和生產技術變化，從驅動源泉來看碳減排效率提升主要依賴于前沿技術進步而非技術效率改善，前沿技術進步在推進各地農業碳減排效率提升方面發揮了積極作用，出臺“獎補”與“規制”并行的政策手段是促進低碳農業發展的長久之計［6-7］。除此以外，城鎮化也被認為是影響農業碳排放的重要因素，對農業碳排放總量的影響持續時間更長、沖擊效果更明顯［8］。

已有研究為深入理解地區農業碳排放地區差異提供了有益參考，多聚焦于技術進步、農業政策等方面，較少從農業機械化角度對地區農業碳排放強度差異進行成因分析，并且對農業機械化在農業碳減排中的作用卻有著不同看法。技術論支持者認為農業機械化作為一種先進生產力，有助于提高農業經營的及時性、質量和效率，提高農業生產力和盈利能力，進而降低地區農業碳排放量［9］。替代論者卻認為農業機械化是一種要素替代，作為勞動力節省型技術進步，隨著勞動力價格上漲農機要素對勞動力要素的替代作用越來越明顯［10］。農機要素替代勞動力要素的生產變革將帶來高能耗和環境污染問題，降低了農戶使用有機肥等低碳要素投入，但解釋不了近年來在農業機械化水平提高的背景下農業碳排放強度下降的現象，進而農業機械化的技術論越來越受到學者重視［11］。

通過梳理文獻，已有研究存在以下不足之處。其一，研究農業機械化對地區農業碳排放強度影響的實證分析相對較少，與該研究相似的文獻只有一篇［1］，但它只關注于農業機械化與農業碳排放總量之間關系，沒有聚焦農業機械化對農業碳排放強度的影響，對于評估地區碳減排效果意義不大，且沒有考慮農業碳排放水平的空間集聚給計量結果造成的不利影響。其二，地區農機資源集聚、農業政策、農業發展狀況差異較大［12］，多數研究未對樣本異質性帶來的影響做進一步分析。其三，農業機械化如何對地區農業碳排放強度產生影響，鮮有文獻從空間溢出視角分析農業機械化對農業碳排放的影響機制，對農業機械化空間減碳機制的實證分析就更加缺乏。因此，該研究從空間溢出視角探討農業機械化對農業碳排放強度的影響，將農村勞動力轉移和農業種植結構調整納入分析框架，為進一步農業機械化發展提供理論指導。

1.2 理論機制

從農業生產現狀來看中國農業規模化生產已達一定程度，農業機械化使得土地細碎化對農業規?；a的抑制作用有所緩解，播種收獲等環節農機覆蓋率逐年提升，對勞動力要素的替代作用也在不斷強化，農業機械化帶來的農業規模化經營已經取得一定成就［13］。新型經營組織出現使得農業生產規模越來越大，特別是種糧大戶和合作社對土地規模化耕作的巨大促進作用日益明顯。雖然農業生產方式從人力畜力向農機轉變會增加農業生產碳排放水平，但這一過程中碳排放持續時間較短和碳排放總量可控，農業機械化帶來的農業規?；a的減碳效應則可以抵消農機作業直接帶來的增碳效應。通過農機購置補貼和建立私營部門經營的農機服務有助于提高農機服務可及性、減少干旱帶來的農業風險和提高農作物產量，隨著農業機械化外在條件改變，農機跨區域流動作業越來越展現出強大的生產力，進而影響地區農業碳排放水平。

一方面，農業機械化有助于優化農業生產要素配置，消除農業土地要素和勞動力要素配置扭曲帶來的增碳效應，降低地區農業碳排放強度。農業機械化促進了小農戶退出農業生產［14］，通過培育新型農業經營主體釋放農業生產規模化的減碳效應［15］，同時還抑制了農戶單一追求產量造成的過度施藥施肥行為，使得保護性農業耕作措施在更大范圍得到應用［16］。按照核心-邊緣理論，農業機械化對鄰近地區農機服務市場的影響具有溢出效應，鄰近地區農戶能夠以較低成本獲取農機服務、種植技術和農機信息，跨區域農機服務市場發展有助于實現區域內和區域間低碳資源的合理調配［2］，降低地區農業碳排放強度，農機資源集聚則進一步強化了農業機械化的空間減碳效應。然而隨著農村勞動力轉移程度提高，農機要素對勞動力要素的替代作用逐步增強，在土地細碎化和土地產權不明晰的前提下要素替代作用增強反而抑制了農機要素跨區域流動性，扭曲了區域農業生產要素配置，對農業機械化的空間減碳效應產生不利影響［17］。

另一方面，農業機械化有助于合理優化農業種植結構，通過擴大糧食作物種植面積降低農業碳排放強度。相對于經濟作物，糧食作物具有“一家兩制”和作物生產碳排放量相對較低等特點［18］，“口糧”安全抑制了糧食種植戶過度施藥施肥等高碳排放行為，糧食作物對經濟作物的種植替代降低了地區農業碳排放強度［19］。農業機械化的種植結構“趨糧化”效應抑制了地區經濟作物種植規模擴大，促進了油料作物、淀粉根類作物等進口，將農業碳排放轉移到其他國家［20］，這種農業種植結構調整的碳減排效應降低了進口國農業碳排放水平。農業機械化對農業種植結構的影響存在正向溢出效應［12］，農機跨區域作業提升了鄰近地區糧食作物種植比例，進而降低了其農業碳排放強度。但隨著糧食作物種植面積擴大，適用于糧食生產的農機資產專用性提高了農機跨區域作業的交易成本，阻礙了農機跨區域作業服務市場形成，弱化了農業機械化的空間減碳效應。基于此，提出假設1。

假設1：農業機械化能夠降低地區農業碳排放強度，并且對農業碳排放強度的影響存在顯著的負向空間溢出效應。

糧食主產區農業政策對耕地用途變更限制相對嚴格，用于糧食作物種植的耕地面積更大，農機要素集聚對農業碳減排的正向影響也更加明顯。農機要素集聚通過投入品共享、勞動力蓄水池以及知識溢出降低了地區農機跨區域作業的作業成本［21］，農戶吸收能力越強，農機資源集聚的空間減碳效應就越好。相對于非糧食主產區，農機資源集聚使得糧食主產區農業機械化的“趨糧化”效應更加明顯，對鄰近地區農業碳排放強度的抑制作用也更大［22］。在糧食主產區，糧食作物種植面積較大，農業生產規模化效應初顯，農機資產專用性提升了農機要素的跨區域流動性，農業機械化的空間減碳效應也更加明顯。此外，相對于非糧食主產區，糧食主產區農機補貼水平相對較高，促使農戶更愿意購買大型農用機械，農機單位作業面積的直接碳排放量將顯著下降?；诖耍岢黾僭O2。

假設2：相對于非糧食主產區，糧食主產區糧食產業集聚程度、耕地保護力度、農機補貼力度更大，農業機械化的空間減碳效應也更強。

2 數據來源、模型設定與變量選擇

2.1 數據來源

城市數據主要來自《中國城市統計年鑒》（2000—2020 年），省際數據來自《中國統計年鑒》（2000—2020年）、《中國農村統計年鑒》（2000—2020 年），城市農業相關數據來自EPS 的中國區域經濟數據庫中的城市數據。穩健性檢驗中城市碳排放數據來自中國碳核算數據庫，各城市數據通過城市名稱和年份進行匹配合并，城市數據與省際數據通過省份與城市的行政編碼隸屬關系進行匹配合并，部分城市層面指標值通過城市數據與省際數據測算給出。刪除指標值缺失較多的樣本，少量缺失值選擇線性插值法填充，共得到全國282 個城市1999—2019年的面板數據（未包括港澳臺地區）。

2.2 模型設定

在測度單位農業GDP 碳排放量基礎上，城市相鄰區域的空間共性大于間隔較遠的區域，農業碳排放強度表現出較強的空間集聚特性［5］，在計量模型中加入空間權重矩陣修正經典回歸模型，模型設定如下：

LCQit=ρ×W×LCQit+λ1LNMit+βXit+λ2×W×LNMit+ηWXit+κi+νt+ζit，ζit=ρ×W×LCQjt+τit

LCQ為農業碳排放強度，LNM為農業機械化變量，X為控制變量。計量方程式中τ為服從標準正態分布的殘差項，模型中包含空間固定效應ki和時間固定效應vt，下標i表示第i個城市，下標j表示第j個城市，下標t表示第t年，ρ為空間相關系數，W為空間權重矩陣，λ1、λ2、β、η為計量方程式待估參數。將農業機械化與地區農業碳排放強度的估計結果分解為直接效應、間接效應和總效應，依次為fij(W)，其中間接效應為空間溢出效應。

2.3 變量選擇

2.3.1 被解釋變量

農業碳排放強度LCQ。碳排放強度指標測度方法主要有單位GDP 碳排放量法、單位面積碳排放量法和人均碳排放量法，選擇單位GDP 碳排放量法作為農業碳排放強度的測度方法，農業碳排放強度采用農業碳排放總量與農業總產值的比值表示。由于缺少城市范圍內農藥使用量、農用塑料薄膜使用量、農用柴油使用量等數據，采用省域單位耕地面積農藥使用量、農用塑料薄膜使用量、農用柴油使用量與城市年末實有耕地面積分別測算城市農藥使用量、農用塑料薄膜使用量、農用柴油使用量，參考劉亦文等［23］的研究，化肥施用折純量、農藥使用量、農用塑料薄膜使用量、農用柴油使用量、農作物總播種面積以及有效灌溉面積等碳排放系數分別為0.895 6 kg/kg、4.934 1 kg/kg、5.180 0 kg/kg、0.592 7 kg/kg、312.60 kg/km2、25 kg/hm2，城市農業碳排放總量等于化肥施用折純量、農藥使用量、農用塑料薄膜使用量、農用柴油使用量、農作物總播種面積以及有效灌溉面積分別與排放系數的乘積之和?？紤]到缺少城市農業總產值數據（屬于農林牧漁范圍內的農業，即種植業），農業總產值采用城市農林牧漁總產值與省域農業總產值所占農林牧漁總產值的比重之積表示。

2.3.2 核心解釋變量

農業機械化LNM。采用農用機械總動力衡量農業機械化變量，從時間上看，1999年城市平均農業機械化總動力為167.99 萬kW，2019 年城市平均農業機械化總動力為321.93 萬kW，年均增速為4.58%，1999—2019 年農業機械化水平總體呈上升趨勢。2015—2016年農業機械化水平出現下降，農機購置補貼中農業生產關鍵環節所需機具范圍由2014年175個品目壓縮到目前的137個品目，農機購置補貼范圍縮小成為2015年農業機械化水平下降的主要原因。

2.3.3 控制變量

為了消除其他因素對計量結果產生的不利影響，在計量模型中加入基礎設施質量、耕地規模、灌溉狀況、工業發展、對外開放、土地城鎮化等變量。在控制變量方面，基礎設施質量變量（RAD）采用等級公路里程測度，取對數值；耕地規模變量（LAS）采用人均耕地面積測度，人均耕地面積加1 后取對數值；灌溉狀況變量（IRR）采用有效灌溉面積與農作物總播種面積的比值測度；工業發展變量（IND）采用規模以上工業總產值與地區生產總值的比值測度；對外開放變量（TRA）采用貨物進出口總額與地區生產總值的比值測度，貨物進出口總額等于歷年美元統計的貨物進出口總額與匯率之積；土地城鎮化變量（URB）采用標準化后的城鎮建成區面積測度，等于全市行政區域建成區土地面積與全市行政區域土地面積的比值，取對數值。各變量采用winsorize 方法對1%的極端值進行處理，變量定義與描述性統計分析見表1。

3 結果與分析

3.1 農業碳排放強度測度結果

3.1.1 地區農業碳排放水平的變動趨勢

從總體上看，2019 年全國整體農業碳排放水平指標值為140.91 kg/萬元，依據統計數據，2019 年全國碳排放強度為991.66 kg/萬元，表明農業產業碳排放狀況優于全國總體水平。圖1為歷年農業碳排放強度變化趨勢圖，從時間上看，1999年農業碳排放強度平均值為436.97 kg/萬元，2019 年農業碳排放強度平均值為159.21 kg/萬元，農業碳排放水平下降了63.57%，農業產業已提前完成了2020年單位GDP碳排放量下降40%～45%的碳減排目標。其中，1999—2003年農業碳排放強度下降相對緩慢，農業稅減免和農業合作社發展推動了農業規模化生產，導致2003—2011年農業碳排放強度加速下降。2011—2019年農業碳排放強度下降逐漸趨緩，2016年《全國農業現代化規劃（2016—2020年）》提出發展高效綠色農業，隨后農業碳排放強度再次加速下降。

參照國家糧食局規定將遼寧、河北、山東、吉林、內蒙古、江西、湖南、四川、河南、湖北、江蘇、安徽、黑龍江等13個省份劃分為糧食主產區，其他省份劃分為非糧食主產區。從糧食產區比較結果來看，1999—2009 年糧食主產區農業碳排放強度高于非糧食主產區，2010—2019 年則低于非糧食主產區，2009年國家頒布并實施了《全國新增1 000億斤糧食生產能力規劃（2009—2020）》（1斤為500 g），糧食主產區糧食生產功能的政策效應對低碳綠色農業發展產生積極影響。

3.1.2 地區農業碳排放水平空間分布特點

按照31 個省份對樣本進行分組，通過比較2005 年與2019 年各省級行政區農業碳排放強度，分析地區農業碳減排狀況，統計結果見表2。從區域分布來看，2005 年全國農業碳排放水平較高的城市主要分布在青海、寧夏、山西、陜西、山東、河北等地區，2019年全國農業碳排放水平較高的城市主要分布在吉林、甘肅、福建、重慶、山西、寧夏、浙江、安徽等地區，分布特點為非糧食主產區農業碳排放強度高于糧食主產區，更多財政資金和農業綠色技術投入使得糧食主產區農業碳排放強度相對較低。

2005—2019年農業碳排放強度下降幅度較多的地區主要有青海、貴州、四川、陜西、湖北、天津、云南、江西、黑龍江、江蘇、海南等，基準年份設定為2005 年，沒有完成2020 年農業碳減排目標的地區有新疆、吉林、甘肅、重慶和福建等，呈現出北方地區農業碳排放強度下降幅度低于南方地區，糧食主產區農業碳排放強度下降幅度高于非糧食主產區。2019 年糧食主產區有92.22%的城市農業產業已提前完成了2020 年單位GDP 碳排放量下降40%～45%的碳減排目標，非糧食主產區只有74.78%的城市農業產業提前完成了2020 年碳減排目標，糧食主產區農業碳減排任務完成情況優于非糧食主產區。

表1 主要變量說明與描述性統計分析

3.1.3 莫蘭空間相關性檢驗

運用全局空間自相關莫蘭指數對各指標空間自相關性進行檢驗，探究各城市與鄰近城市農業碳排放強度的空間關聯程度，公式如下：

式中：n為空間位置的數量，w為空間權重矩陣，ri、rj分別為i城市和j城市農業碳排放強度與農業機械化及其控制變量回歸后的殘差項，rˉ為殘差項平均值，S為標準方差。農業機械化與農業碳排放強度的空間相關性和空間依賴性診斷結果見表3，結果顯示：1999—2019年Moran’sI指標值均在0.29 左右變動，莫蘭指數在1%統計水平上統計顯著，說明農業機械化與農業碳排放強度之間存在顯著的空間相關性。

圖1 1999—2019年地區農業碳排放強度變化趨勢圖

表2 2005年與2019年各省份農業碳排放強度的對比

3.2 農業機械化對地區農業碳排放強度影響的檢驗結果

3.2.1 農業機械化的基準回歸結果

空間杜賓模型的回歸結果見表4，模型（1）到模型（8）中農業碳排放強度的空間相關系數ρ都在1%統計水平上顯著，說明農業機械化與地區農業碳排放強度存在明顯的空間關聯效應。表4模型（1）為采用空間距離權重矩陣的計量結果，結果顯示農業機械化對農業碳排放強度的直接效應在1%統計水平上顯著為負，農業機械化顯著降低了本地農業碳排放強度，具有明顯的直接減碳效應。農業機械化對農業碳排放強度的空間溢出效應在1%統計水平上顯著為負，農業機械化水平提高1 個百分點，鄰近地區農業碳排放強度下降1.737個百分點，農業機械化存在顯著的空間減碳效應，假設1得證?？紤]到農業機械化的空間溢出效應后，農業機械化的減碳效應將更大?？臻g溢出效應產生的原因主要有兩點：其一，農機跨區域作業有助于克服土地細碎化和土地產權不明晰等不利條件實現農業生產規?；l展，進而通過跨區域要素替代效應抑制農業勞動力投入不足帶來的農用化學品過量施用行為，進而降低鄰近地區單位耕地面積高碳排放要素投入水平［2，15］，但農機要素對勞動力要素的替代作用提升反而在一定程度上抑制了農機跨區域流動，弱化了農業機械化的空間減碳效應。其二，農業機械化存在“趨糧化”效應和正向溢出效應，農機跨區域作業有助于優化農業種植結構，通過擴大糧食作物種植面積降低鄰近地區農業碳排放強度［12］。

3.2.2 控制變量的計量結果

以表4模型（1）的計量結果進行說明，在控制變量中，基礎設施質量對農業碳排放強度的直接效應在10%統計水平上不顯著，對農業碳排放強度的空間溢出效應和總效應在1%統計水平上顯著為負。基礎設施質量改善并沒有直接對本地農業碳排放強度產生明顯影響，但流通基礎設施質量改善會顯著降低沿線城市碳排放強度［25］，基礎設施質量的減碳效應在農業產業被證實。

耕地規模對農業碳排放強度的直接效應在1%統計水平上顯著為正，耕地規模提高1 個百分點，本地農業碳排放強度上升0.476個百分點，在沒有達到規模化種植面積時，依靠化肥農藥等農用化學品投入的傳統耕作方式將提高地區農業碳排放強度，但考慮到耕地規模擴大帶來要素利用效率提升的影響后，耕地規模將顯著降低區域農業碳排放強度。

灌溉狀況對農業碳排放強度的直接效應在5%統計水平上顯著為負，灌溉狀況提高1 個百分點，本地農業碳排放強度下降0.085個百分點，灌溉條件改善能夠提高單位土地面積農作物產量，在同等碳排放水平下，單位耕地面積產值越高的地區農業碳排放強度相對較低。灌溉狀況對農業碳排放強度的空間溢出效應和總效應在1%統計水平上顯著為負，由于灌溉工程具有跨區域的特點，本地灌溉條件改善為鄰近地區灌溉基礎設施質量提升創造了條件，水資源可及性提升能顯著擴大糧食作物種植規模，進而降低了區域農業碳排放強度［26］。

工業發展對農業碳排放強度的直接效應在1%統計水平上顯著為正，對農業碳排放強度的空間溢出效應和總效應在10%統計水平上不顯著。工業發展為農業現代化發展奠定了基礎，通過農用化學品等高碳要素投入增加了地區農業碳排放強度，但工業發展的產業集聚效應對區域農村勞動力要素和土地要素產生“虹吸”效應［27］，農業生產要素再配置效應抵消了工業發展對農業減碳的不利影響。

對外開放對農業碳排放強度的直接效應在10%統計水平上不顯著，對農業碳排放強度的空間溢出效應和總效應在1%統計水平上顯著為負，地區對外開放水平越高，出口對農產品的高標準和綠色技術引進對地區農業形成綠色發展高地的促進作用越大，低碳農業的“涓滴效應”和綠色技術擴散提高了地區低碳農業產業規模，進而通過產業集聚的空間溢出實現空間減碳效應。

表3 空間自相關檢驗結果

表4 空間杜賓模型的估計結果

續表4 空間杜賓模型的估計結果

土地城鎮化對農業碳排放強度的直接效應在1%統計水平上顯著為負，對農業碳排放強度的空間溢出效應和總效應在1%統計水平上顯著為正。土地城鎮化通過對地區農業生產要素再配置糾正了土地資源和勞動力資源錯配，具有明顯的直接減碳效應。但區域土地城鎮化不均衡發展帶來的農業生產要素資源錯配不利于地區綠色資源應用和土地集約化利用，增加了區域農業碳排放強度［8］。

3.3 農業機械化對不同地區農業碳排放強度的影響差異

地區耕地保護力度、要素稟賦和農業經濟發展狀況等差異較大，按糧食主產區和非糧食主產區進行分組回歸，表4模型（2）結果顯示，農業機械化對糧食主產區農業碳排放強度的空間溢出效應在1%統計水平上顯著為負，農業機械化水平提高1個百分點，鄰近糧食主產區農業碳排放強度下降1.616 個百分點。表4 模型（3）結果顯示，農業機械化對非糧食主產區農業碳排放強度的空間溢出效應在1%統計水平上顯著為負，農業機械化水平提高1個百分點，鄰近非糧食主產區農業碳排放強度下降0.599個百分點。相對于非糧食主產區，糧食主產區農業機械化的空間減碳效應更大，假設2得證。農業經濟迅速發展同時伴隨著農業高碳要素過度投入、農業污染加劇等一系列問題，隨著低碳農業發展水平提高，地區農業碳排放強度才逐漸趨于下降［27］。糧食主產區糧食產業集聚程度、耕地保護力度、農機補貼力度更大，糧食作物種植比較優勢使得農業機械化的空間減碳效應大于非糧食主產區。

3.4 穩健性檢驗

空間距離權重矩陣很可能忽略了地區相鄰對農業碳排放強度的影響，表4 模型（4）為采用空間鄰接權重矩陣替代空間距離權重矩陣的計量結果，農業機械化對農業碳排放強度的直接效應、空間溢出效應和總效應在1%統計水平上顯著為負。更換空間權重矩陣后，原結論仍然成立。

農用機械總動力衡量農業機械化可能存在測度誤差，從資本要素角度選擇地區農業機械原值指標測度農業機械化變量可能更加準確，地區農業機械原值采用地區戶均人數、鄉村戶數和農村居民家庭人均擁有農業機械原值的乘積表示。表4 模型（5）結果顯示，農業機械化對農業碳排放強度的空間溢出效應在1%統計水平上顯著為負，替換農業機械化測度方法后，農業機械化的空間減碳效應仍然存在。

農業碳排放總量采用化肥施用折純量、農藥使用量、農用塑料薄膜使用量、農用柴油使用量、農作物總播種面積以及有效灌溉面積估算而來，可能會存在低估情況。采用單位GDP 碳排放量作為農業碳排放強度的替代指標，城市碳排放總量數據來自中國碳核算數據庫。中國碳核算數據庫只公布了1997—2017 年碳排放數據，通過城市名稱和年份匹配成功281 個城市1999—2017 年的面板數據，農業碳排放強度采用城市碳排放總量與城市地區生產總值的比值表示，計量結果見表4 模型（6）。結果顯示，農業機械化對農業碳排放強度的直接效應、空間溢出效應和總效應在1%統計水平上顯著為負，更換農業碳排放強度變量的衡量方法后，再次驗證了前文主要結論的穩健性。

3.5 進一步分析

農業機械化很可能通過提升要素替代水平、調整農業種植結構等途徑來實現空間減碳效應，為了驗證以上影響機制，在空間杜賓模型中加入調節變量與農業機械化變量的交互項，采用調節效應模型驗證農業機械化對地區農業碳排放強度的空間溢出機制。

在農村勞動力轉移方面，農村勞動力轉移變量采用鄉村非農產業從業人員數占鄉村從業人員數的比值表示，鄉村非農產業從業人員數為鄉村從業人員數與第一產業從業人員數之差，鄉村從業人口數據由鄉村戶數與戶均鄉村從業人員數之積給出，戶均鄉村從業人口采用省域鄉村從業人員數與鄉村總戶數的比值表示，加入交互項的計量結果見表4 模型（7）。結果顯示，農業機械化與農村勞動力轉移交互項的空間溢出系數為16.754，在1%統計水平上顯著，說明在農村勞動力轉移程度較低的地區，農業機械化的空間減碳效應更大，農村勞動力轉移在農業機械化與農業碳排放強度之間表現出正向調節作用。受限于土地產權不穩定和土地細碎化等條件，在勞動力轉移較低的地區農業機械化通過跨區域農機作業服務實現農作物規模化種植［2］，進而降低了鄰近地區農業碳排放強度，但較高要素替代水平抑制了農機跨區域流動性，農村勞動力轉移弱化了農業機械化的空間減碳效應。

在農業種植結構方面，采用糧食作物種植比例衡量農業種植結構，等于糧食作物播種面積與農作物總播種面積的比值，表4 模型（8）為加入糧食作物種植比例與農業機械化交互項的計量結果。結果顯示，農業機械化與糧食作物種植比例交互項的空間溢出系數為10.240，在1%統計水平上顯著，說明在糧食作物種植比例低的地區，農業機械化的空間減碳效應更大，農業種植結構在農業機械化與農業碳排放強度之間表現出正向調節作用。由于農業機械化具有“趨糧化”特征［16］，在地區糧食作物種植比例低的地區農業機械化對農業種植結構“趨糧化”的促進作用更大，同時糧食作物種植比例較低提升了農機要素跨區域流動性，農業機械化的空間減碳效應也更明顯。

4 結論與建議

全球碳排放水平持續提升增加了地區農業生態系統脆弱性，研究農業機械化與農業碳排放強度之間關系對于農業低碳可持續發展具有重要理論意義和實踐意義。基于全國282個城市的面板數據，采用空間杜賓模型分析農業機械化對地區農業碳排放強度的影響。研究發現，1999—2019 年農業碳排放強度總體呈現下降的變動趨勢，分階段來看，1999—2003年地區農業碳排放強度下降相對緩慢，2003—2011年地區農業碳排放強度下降加速，2011—2019 年地區農業碳排放強度下降速度又逐漸趨緩。從區域分布上看，1999—2009 年糧食主產區農業碳排放強度明顯高于非糧食主產區，2010—2019 年后則低于非糧食主產區。2019 年糧食主產區有92.22%的城市農業產業已提前完成了2020 年單位GDP 碳排放量下降40%～45%的碳減排目標，非糧食主產區則只有74.78%的城市農業產業提前完成了2020 年碳減排目標，全國糧食主產區農業碳減排任務完成情況優于非糧食主產區。農業機械化不僅能夠降低本地農業碳排放強度，還存在顯著的空間減碳效應，本地區農業機械化水平越高，鄰近地區農業碳排放強度越低，在替換空間權重矩陣、變更解釋變量測度方法、變更被解釋變量測度方法后，該結論仍然穩健。相比于非糧食主產區，糧食主產區農業機械化的空間減碳效應更大。在影響機制方面，農業機械化通過提升要素跨區域替代水平、促進農業種植結構“趨糧化”等途徑降低了鄰近地區農業碳排放強度，而農村勞動力轉移和農業種植結構調整則弱化了農業機械化的空間減碳效應。

基于此，提出如下政策建議。第一，應積極出臺農機跨區域作業補貼政策鼓勵農機跨區域作業，解決區域農機服務市場失靈問題，促進區域農業機械化協調發展。信息不對稱使得跨區域農機服務市場交易成本較高，通過補貼政策能夠降低區域農機服務交易價格，有利于農業機械化的空間減碳效應產生。第二，應積極利用補貼政策發展更加節能環保的農機產品，降低農機自身碳排放水平。采用柴油作為動力的傳統農業機械生產方式碳排放水平較高，通過農業政策扶持新能源農機產品創新，降低農業生產過程中的碳排放水平，走低碳農業機械化發展道路。第三，應加強非糧食主產區耕地保護力度，嚴控非糧食主產區耕地用途變更。非糧食主產區耕地防控政策較弱，農業機械化對非糧食主產區的空間減碳效應相對較小，通過嚴控非糧食主產區農業種植結構非糧化提升糧食作物種植比例，能夠改善地區農業機械化的空間減碳效果。第四，土地細碎化降低了農業生產對跨區域農機服務的需求，應繼續扶持新型農村經營主體以擴大農業生產規模，為進一步農業機械化創造條件，助推低碳農業高質量發展。