中國農(nóng)業(yè)低碳轉(zhuǎn)型及驅(qū)動因素：基于空間面板模型的實證檢驗

DOI： 10.13718/j.cnki.xdzk.2024.06.012

胡江峰，黃慶華．中國農(nóng)業(yè)低碳轉(zhuǎn)型及驅(qū)動因素： 基于空間面板模型的實證檢驗 ［J］．西南大學(xué)學(xué)報（自然科學(xué)版），2024，46（6）： 134-153．

收稿日期：20231108

基金項目：

重慶市社會科學(xué)規(guī)劃項目（2022BS051）； 重慶市社會科學(xué)規(guī)劃重慶英才計劃“包干制”項目（2022YC062）； 西南大學(xué)創(chuàng)新研究2035先導(dǎo)計劃項目（SWUPilotPlan025）．

作者簡介：

胡江峰，博士，助理研究員，主要從事資源與環(huán)境經(jīng)濟學(xué)、農(nóng)業(yè)經(jīng)濟研究．

摘要：

低碳化是農(nóng)業(yè)高質(zhì)量發(fā)展的本質(zhì)要求，如何測算農(nóng)業(yè)低碳轉(zhuǎn)型績效并探測其主要驅(qū)動因素，對于加快推動中國農(nóng)業(yè)高質(zhì)量發(fā)展具有重要的理論意義．有鑒于此，基于1999-2021年中國269個城市的平衡面板數(shù)據(jù)，采用Meta-frontier DEA方法測度農(nóng)業(yè)低碳轉(zhuǎn)型績效（碳排放效率），并在此基礎(chǔ)上構(gòu)建空間面板模型探究促進農(nóng)業(yè)低碳轉(zhuǎn)型的驅(qū)動因素．結(jié)果表明： 中國農(nóng)業(yè)全局碳排放效率遠低于當(dāng)期和跨期碳排放效率，主要是因為各省內(nèi)部和各省間的碳排放效率差異較大．分區(qū)域來看，農(nóng)業(yè)碳排放效率呈現(xiàn)東部、中部、西部和東北遞減的特征．基準(zhǔn)回歸及穩(wěn)健性檢驗結(jié)果表明，擴大土地經(jīng)營規(guī)模、促進經(jīng)濟增長、加大財政支農(nóng)力度和提高森林覆蓋率均能夠顯著促進農(nóng)業(yè)碳排放效率提升，其中擴大土地經(jīng)營規(guī)模是主要驅(qū)動因子，而城鎮(zhèn)化和農(nóng)業(yè)科技投入尚未對農(nóng)業(yè)低碳轉(zhuǎn)型發(fā)揮正向支撐作用．

關(guān)" 鍵" 詞：

農(nóng)業(yè)低碳轉(zhuǎn)型； 農(nóng)業(yè)高質(zhì)量發(fā)展； 碳排放效率； 驅(qū)動因素； 共同前沿與數(shù)據(jù)包絡(luò)分析； 空間面板模型

中圖分類號：

F323.2

文獻標(biāo)志碼：A

文章編號：16739868（2024）06013420

Agricultural Low-Carbon Transformation and

Driving Factors in China： Based on the

Empirical Testing of Spatial Panel Model

HU Jiangfeng1， HUANG Qinghua2

1. Chongqing Academy of Social Sciences，Chongqing 400020，China；

2. School of Economics and Management，Southwest University，Chongqing 400715，China

Abstract：

Low carbon is an essential requirement for high-quality development of agriculture．How to measure the performance of agricultural low-carbon transformation and detect its main driving factors is of great theoretical significance for accelerating the high-quality development of Chinas agriculture．Based on the balanced panel data of 269 cities in China from 1999 to 2021，the Meta-frontier DEA method was used to measure the agricultural low-carbon transformation performance （carbon emission efficiency），and on this basis，the spatial panel model was constructed to explore the driving factors for promoting the low-carbon transformation of agriculture．The result shows that the overall carbon emission efficiency of Chinas agriculture is much lower than that of the current and inter period carbon emissions，mainly due to significant differences in carbon emission efficiency within and between provinces．From a regional perspective，the carbon emission efficiency of agriculture shows a decreasing trend in the eastern，central，western and northeast regions．The results of benchmark regression and robustness test show that expanding the scale of land operation，promoting economic growth，increasing financial support for agriculture and increasing forest coverage can significantly improve the efficiency of agricultural carbon emissions，of which expanding the scale of land operation is the main driving factor，while urbanization and agricultural science and technology investment have not yet played a positive role in supporting the low-carbon transformation of agriculture．

Key words：

agricultural low-carbon transformation； high-quality development of agriculture； carbon emission efficiency； driving factors； Meta-frontier DEA； spatial panel model

2020年9月，國家主席習(xí)近平在第七十五屆聯(lián)合國大會一般性辯論上發(fā)表重要講話時宣布，中國將提高國家自主貢獻力度，采取更加有力的政策和措施，二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現(xiàn)碳中和（以下簡稱“雙碳”目標(biāo)）．“雙碳”目標(biāo)的實現(xiàn)離不開農(nóng)業(yè)的深度參與．農(nóng)業(yè)既是全球重要的溫室氣體排放源，又是一個巨大的碳匯系統(tǒng)［1］．一方面，農(nóng)業(yè)機械、施加化肥、種植水稻及養(yǎng)殖牲畜等都會對二氧化碳排放產(chǎn)生積極而顯著的影響［2-4］，農(nóng)業(yè)二氧化碳排放量約占中國總排放量的16%～17%［5-7］．另一方面，農(nóng)業(yè)系統(tǒng)在產(chǎn)生碳排放的同時又具有較強的碳匯功能，農(nóng)作物通過光合作用可吸收大量的二氧化碳，全國年凈吸收二氧化碳約22.8億t，可有效抵消部分農(nóng)業(yè)碳排放［1］．為此，2022年4月，習(xí)近平總書記在《堅持把解決好“三農(nóng)”問題作為全黨工作重中之重 舉全黨全社會之力推動鄉(xiāng)村振興》中強調(diào)，農(nóng)業(yè)農(nóng)村減排固碳，既是重要舉措，也是潛力所在．可以預(yù)見，低碳發(fā)展將成為未來中國農(nóng)業(yè)發(fā)展的必然趨勢．因此，研究如何測度和分析中國農(nóng)業(yè)低碳轉(zhuǎn)型績效，探索其驅(qū)動因素，對于保障中國糧食安全和實現(xiàn)“雙碳”目標(biāo)具有重要意義．

1" 文獻綜述

目前農(nóng)業(yè)低碳轉(zhuǎn)型概念尚未統(tǒng)一，常以“低碳農(nóng)業(yè)” “農(nóng)業(yè)低碳發(fā)展” “農(nóng)業(yè)綠色低碳轉(zhuǎn)型”等來闡釋，但無論采用何種解釋，均認為農(nóng)業(yè)低碳轉(zhuǎn)型的核心理念就是充分利用技術(shù)、政策與管理等措施，在實現(xiàn)農(nóng)業(yè)產(chǎn)出持續(xù)增長的同時，減少農(nóng)業(yè)碳排放或增加農(nóng)業(yè)碳匯供給，進而實現(xiàn)農(nóng)業(yè)經(jīng)濟增長與生態(tài)環(huán)境改善的“雙贏”［8-9］．基于農(nóng)業(yè)低碳轉(zhuǎn)型的概念，學(xué)者們對農(nóng)業(yè)低碳轉(zhuǎn)型績效測度及其影響因素做了大量有益的研究．因此，本文重點對這兩方面的文獻進行梳理和解讀．

諸多研究表明，農(nóng)業(yè)生產(chǎn)率的提升可以突破單純依靠增加要素投入所面臨的資源環(huán)境瓶頸［10］，已成為判斷農(nóng)業(yè)經(jīng)濟高質(zhì)量發(fā)展的重要依據(jù)［11-12］．進一步地，農(nóng)業(yè)高質(zhì)量發(fā)展除了要求資源節(jié)約外，還要求具備環(huán)境友好的特征，最大限度地減輕農(nóng)業(yè)生產(chǎn)對環(huán)境的負外部效應(yīng)［13-14］．為了更好地契合低碳發(fā)展目標(biāo)，學(xué)者們開始在經(jīng)濟增長核算框架內(nèi)納入碳排放約束來測度生產(chǎn)率，即所謂的碳生產(chǎn)率或碳排放效率．現(xiàn)有文獻主要基于單要素碳生產(chǎn)率和全要素碳生產(chǎn)率兩種指標(biāo)來表示低碳轉(zhuǎn)型績效．由于單要素碳生產(chǎn)率計算過程簡單，同時還可以更加直觀地體現(xiàn)“降碳促經(jīng)”的雙重發(fā)展目標(biāo)，從而得到了學(xué)者的認可和采用．在相關(guān)研究中，學(xué)者們主要以單位碳排放創(chuàng)造的總產(chǎn)值來表示單要素碳生產(chǎn)率［15-17］．目前，這一指標(biāo)也在農(nóng)業(yè)領(lǐng)域得到廣泛運用．如程琳琳等［18］測算了2001-2012年中國31個省份的農(nóng)業(yè)碳生產(chǎn)率，發(fā)現(xiàn)中國各省區(qū)農(nóng)業(yè)碳生產(chǎn)率均呈現(xiàn)較為明顯的提升趨勢．伍國勇等［19］基于2001-2017年中國31省份面板數(shù)據(jù)，測算了中國種植業(yè)碳生產(chǎn)率，并分析其動態(tài)演化過程．Xiong等［20］則研究了太湖流域的農(nóng)業(yè)碳生產(chǎn)率，發(fā)現(xiàn)在城市層面農(nóng)業(yè)碳生產(chǎn)率也存在明顯的差異．黃杰等［6］發(fā)現(xiàn)中國種植業(yè)碳生產(chǎn)率整體呈上升態(tài)勢，但總體區(qū)域差異表現(xiàn)出下降—上升—下降的倒“N”形演變趨勢．楊秀玉等［21］發(fā)現(xiàn)中國整體和4大地區(qū)的農(nóng)業(yè)碳生產(chǎn)率都呈逐年遞增的趨勢，且存在一定的空間相關(guān)性．然而，單要素碳生產(chǎn)率的主要缺點在于僅考慮了產(chǎn)出與碳排放間的對比關(guān)系，而沒有考慮到諸如勞動、土地等生產(chǎn)要素間的替代或互補關(guān)系對產(chǎn)出和碳排放的影響［22-23］，進而影響到碳生產(chǎn)率．

考慮到單要素碳生產(chǎn)率的局限性，也有越來越多的學(xué)者開始采用數(shù)據(jù)包絡(luò)分析方法（Data Envelopment Aualysis，簡稱DEA）測算全要素碳生產(chǎn)率．吳賢榮等［7］采用產(chǎn)出導(dǎo)向DEA方法測算1999-2011年中國31省份的農(nóng)業(yè)碳排放績效，發(fā)現(xiàn)除北京、天津、上海3地之外，其余省份低碳農(nóng)業(yè)績效水平相對較低．葛鵬飛等［24］將農(nóng)業(yè)碳排放量作為非預(yù)期產(chǎn)出，采用SBM-DDF-DEA方法（Slack-Based Measure，簡稱SBM，Directional Distance Function，簡稱DDF）測算了2001-2015年中國31個省份農(nóng)業(yè)綠色全要素生產(chǎn)率．Shen等［25］采用非參數(shù)方法測算1997-2014年中國31個省份的農(nóng)業(yè)全要素碳生產(chǎn)率時，發(fā)現(xiàn)如果要素能夠?qū)崿F(xiàn)有效配置，那么中國農(nóng)業(yè)產(chǎn)出將有望提升7.94%，而碳排放將會降低1.19%．Kuang等［26］也采用DEA方法，測算了包含碳排放的耕地利用效率．崔許鋒等［27］采用SBM-DEA方法測算了1998-2018年中國30個省份的農(nóng)業(yè)碳排放效率，發(fā)現(xiàn)面向低碳發(fā)展的中國農(nóng)業(yè)生態(tài)效率在波動中呈現(xiàn)上升趨勢．Wu等［28］、Liu等［29］采用SBM-DEA方法測算了中國30個省份的農(nóng)業(yè)碳排放效率并研究了其時空演化特征，而Gu等［30］、田云等［31］則采用非參數(shù)方法分別研究了河南省和湖北省農(nóng)業(yè)碳排放效率時空收斂特征．

雖然上述文獻考慮了非期望產(chǎn)出，并采用非參數(shù)共同前沿模型對碳排放效率進行測算，但使用這種方法并未考慮到地區(qū)間會因自然環(huán)境、經(jīng)濟發(fā)展等差異，導(dǎo)致每個生產(chǎn)決策單元（Decision Making Unit，簡稱DMU）對應(yīng)的生產(chǎn)前沿面不同，若將所有DMU作為整體進行碳排放效率測度，那么得出的結(jié)果也會有偏誤．針對上述問題，Battese等［32］提出“共同邊界生產(chǎn)函數(shù)”（Meta-frontier Production Function）分析框架，即根據(jù)一定的標(biāo)準(zhǔn)，先將DMU劃分為不同組別，再采用隨機前沿方法（Stochastic Froutier Approach，簡稱SFA）將所有DMU的共同前沿和各組DMU的群組前沿進行界定，從而測算出共同前沿技術(shù)效率與群組前沿技術(shù)效率，最后比較二者間的技術(shù)缺口率．隨后，O Donnell等［33］對此進行了改進，使用DEA替代了SFA，并采用線性規(guī)劃法構(gòu)建出共同前沿和群組前沿，從而有效地規(guī)避了使用SFA界定前沿邊界時產(chǎn)生的隨機性問題．

近年來，相關(guān)研究已不再局限于對低碳轉(zhuǎn)型績效進行簡單的測度，而是逐漸將研究視角轉(zhuǎn)向其影響因素上．張哲晰等［34］基于調(diào)研數(shù)據(jù)，采用門限回歸方法實證檢驗了農(nóng)業(yè)產(chǎn)業(yè)集聚對農(nóng)業(yè)碳生產(chǎn)率的非線性影響，發(fā)現(xiàn)農(nóng)業(yè)產(chǎn)業(yè)集聚對于具有比較優(yōu)勢的高農(nóng)業(yè)碳生產(chǎn)率農(nóng)戶的低碳增效作用更加明顯．田云等［31］發(fā)現(xiàn)農(nóng)村經(jīng)濟發(fā)展水平、城鎮(zhèn)化水平、農(nóng)村用電量均對湖北省農(nóng)業(yè)碳排放效率產(chǎn)生了顯著的正向影響．考慮到碳排放的空間集聚與分異情況對計量結(jié)果帶來的不利影響，有學(xué)者開始構(gòu)建空間計量模型檢驗農(nóng)業(yè)低碳轉(zhuǎn)型的驅(qū)動因素，并得出我國農(nóng)業(yè)碳生產(chǎn)率呈現(xiàn)顯著的空間聚集模式［19，27］，與經(jīng)濟增長的耦合協(xié)調(diào)度總體存在顯著的空間自相關(guān)特征［35］．楊秀玉等［21］采用空間杜賓模型，發(fā)現(xiàn)財政分權(quán)在全國層面會削弱農(nóng)業(yè)產(chǎn)業(yè)集聚對農(nóng)業(yè)碳生產(chǎn)率的影響．雖然已有研究考慮到了碳排放的空間相關(guān)性，并采用空間計量模型檢驗了農(nóng)業(yè)低碳轉(zhuǎn)型的驅(qū)動因素，但絕大多數(shù)文獻并未將回歸系數(shù)進一步分解為總效應(yīng)、直接效應(yīng)和間接效應(yīng)，從而無法精準(zhǔn)捕獲各驅(qū)動因素的空間溢出效應(yīng)．

已有文獻為本研究提供了豐富的理論素材和有益的思想啟發(fā)，但仍可從以下3個方面做進一步深化： 第一，本文采用一種改進的Meta-frontier和非徑向非角度距離函數(shù)測算農(nóng)業(yè)低碳轉(zhuǎn)型績效，不僅可以充分吸收Meta-frontier多元生產(chǎn)前沿的優(yōu)點，而且可以避免采用傳統(tǒng)角度距離函數(shù)低估問題，從而使得實證結(jié)果更加穩(wěn)?。诙?，本文采用空間面板模型實證檢驗農(nóng)業(yè)低碳轉(zhuǎn)型驅(qū)動因素的空間溢出效應(yīng)，既能夠捕獲各影響因素對本地區(qū)的直接效應(yīng)，又能深入探察這些因素對周邊地區(qū)碳排放效率的空間溢出效應(yīng)，即間接效應(yīng)．第三，本文采用城市層面的數(shù)據(jù)，可以在較大程度上保證同一個省份內(nèi)的城市面臨較為相似的資源稟賦、經(jīng)濟發(fā)展、政策環(huán)境，從而可以將每個省作為天然的組別，使得農(nóng)業(yè)碳生產(chǎn)率的測度更加精準(zhǔn)．有鑒于此，本文首先采用Meta-frontier和非徑向非角度距離函數(shù)測算1999-2021年中國269個城市的農(nóng)業(yè)碳排放率，然后構(gòu)建空間面板模型，實證檢驗促進碳生產(chǎn)率提升的驅(qū)動因素，最后提出中國農(nóng)業(yè)低碳轉(zhuǎn)型的政策建議．

2" 研究設(shè)計

2.1" 模型設(shè)定

為了探索農(nóng)業(yè)低碳轉(zhuǎn)型的驅(qū)動因素，本文建立如下基準(zhǔn)模型：

Yit=α+β·Xit+εit（1）

其中： Yit=［MTCEIit，TEit，BPRit，TGRit］，Xit為驅(qū)動因素變量矩陣，εit為殘差項； α、β分別為常數(shù)項和變量系數(shù)； i表示第i個城市，t表示時間．

考慮到碳排放的空間集聚與分異情況對計量結(jié)果帶來的不利影響，因而采用空間計量模型無疑更加符合現(xiàn)實．

Yit=α+β·Xit+μit+λ·W1·Yit（2）

其中： W1=

1d2iji≠j

0i=j

，dij為地區(qū)i與地區(qū)j之間的直線距離； λ為空間滯后項系數(shù)； 當(dāng)i和j的地理距離相對較近時，則Wij越大，否則越??； μit=ρ·W1·μit+εit，為空間誤差項，εit為隨機擾動項．如果λ=0且ρ≠0，則為空間誤差模型（SEM）； 如果λ≠0且ρ=0，則為空間滯后模型（SAR）； 如果λ≠0且ρ≠0，則為更加一般性的空間滯后和誤差模型（SAREM）．

此外，本文在式（2）的基礎(chǔ)上進一步加入自變量的空間滯后項，得到空間杜賓模型：

Yit=α+β·Xit+θ·W1·Xit+λ·W1·Yit+μit（3）

其中，θ為自變量空間滯后項系數(shù)．需要說明的是，由于采用OLS估計空間模型將會導(dǎo)致偏差和無效率，為避免這些問題，本文遵照學(xué)界做法采用ML對模型進行估計．

2.2" 變量設(shè)定與說明

2.2.1" 農(nóng)業(yè)碳排放效率

本文將每個城市作為一個決策單元構(gòu)造生產(chǎn)前沿，假設(shè)每個決策單元使用K種投入（X），生產(chǎn)期望產(chǎn)出（Y）和非期望產(chǎn)出（C）．基于技術(shù)集滿足投入和預(yù)期產(chǎn)出具有強可處置性、非期望產(chǎn)出具有弱可處置性、期望產(chǎn)出和非期望產(chǎn)出滿足零結(jié)合性等公理．可將包含非期望產(chǎn)出的技術(shù)集合表達為式（4）：

T=（X，Y，C）： ∑Nn=1λnXn，k≤X； ∑Nn=1λnYn≥Y； ∑Nn=1λnCn=C（4）

其中： n=1，2，…，N； λi為每個橫截面的權(quán)重，若λi≥0表示規(guī)模報酬不變（CRS），若λi≥0，∑Ii=1λn=1則表示規(guī)模報酬可變（VRS）．

為了測算每個決策單元的碳排放效率，本文參考Zhang等［36］構(gòu)建非徑向方向性距離函數(shù)．

D→（X，Y，C； g）=sup{wTβ： ［（X，Y，C）+g*diag（β）］∈T}（5）

其中： wT=（wX，wY，wC），表示標(biāo)準(zhǔn)化權(quán)重向量，參考Cheng等［23］將權(quán)重向量設(shè)置為wT=（1/（3*K），1/3，1/3）； g=（-gX，-gY，-gC），表示方向向量，本文將方向向量設(shè)置為g=（-X，-Y，-C）； β=（βX，βY，βC）且β≥0，表示松弛向量，需要通過線性規(guī)劃求解式（6）得到．

D→（X，Y，C； g）=max13∑Kk=1βXkK+βY3+βC3

s.t. ∑Nn=1λnXn，k≤（1-βL）X

∑Nn=1λnYn≥（1+βY）Y

∑Nn=1λnCn=（1-βC）C

λn≥0，n=1，2，…，N

βY≥0，0≤βX，βC＜1

（6）

根據(jù)Cheng等［23］、Zhou等［37］研究，全要素碳排放效率指數(shù)（TCEI）可由式（7）表示．

TCEI=（C-βCC）（Y+βYY）CY=（1-βC）（1+βY）（7）

上述方法認為各城市的技術(shù)具有同質(zhì)性，未將各省因區(qū)位、經(jīng)濟和氣候差異考慮在內(nèi)，從而可能導(dǎo)致測算偏誤．基于此，本文借鑒Battese等［32］、O Donnell等［33］的方法，分別構(gòu)建同組當(dāng)期技術(shù)集、同組跨期技術(shù)集和全局技術(shù)集3個前沿面．

首先，本文將所有決策單元按照省份分為H組，每組h包含Nh個決策單元，其中∑Hh=1Nh=N，從而同組決策單元擁有共同的技術(shù)集Rh：

TCRh={（Xt，Yt，Ct）： （Yt，Ct）}（8）

其中TCRh表示Rh組所有決策單元t期的技術(shù)集．

進一步地，Rh組跨期技術(shù)集為TIRh=T1Rh∪T2Rh∪…∪TTRh，該技術(shù)集由Rh組整個樣本期間的決策單元構(gòu)成．類似地，全局技術(shù)集合可表示為TG=TIR1∪TIR2∪…∪TIRH，該技術(shù)集由總樣本共同構(gòu)成．

基于式（6）可構(gòu)建同組當(dāng)期非徑向方向性函數(shù)（Non-radial Directional Distance Function，簡稱NDDF）：

D→C（X，Y，C； gC）=max13∑Kk=1βCXkK+βCY3+βCC3

s.t. ∑Nn=1λtnXtn，j≤（1-βCX）X

∑Nn=1λtnYtn≥（1+βCY）Y

∑Nn=1λtnCtn=（1-βCC）C

λtn≥0，n=1，2，…，N

βCY≥0，0≤βCX，βCC＜1

（9）

根據(jù)式（7），當(dāng)期全要素碳排放效率指數(shù)（CTCEI）可表示為：

CTCEI=（1-βCC）（1+βCY）（10）

其中CTCEI∈［0，1］，數(shù)值越大說明當(dāng)期全要素碳排放效率越高．

同組跨期NDDF可表示為：

DI（X，Y，C； gI）

=max13∑Kk=1βIXkK+βIY3+βIC3

s.t. ∑Tt=1∑Nn=1λtnXtn，k≤（1-βCX）（1-βIX）X

∑Tt=1∑Nn=1λtnYtn≥（1+βCY）（1+βIY）Y

∑Tt=1∑Nn=1λtnCtn=（1-βCC）（1-βIC）C

λtn≥0，t=1，2，…，T，Tn=1，2，…，Nh

βIY≥0，0≤βIX，βIC＜1

（11）

跨期全要素碳排放效率指數(shù)（ITCEI）可表示為：

ITCEI=（1-βCC）（1-βIC）（1+βCY）（1+βIY）（12）

其中ITCEI∈［0，1］，數(shù)值越大說明跨期全要素碳排放效率越高．

類似地，全局NDDF可表示為：

DG（X，Y，C； gG）

=max13∑Kk=1βGXkK+βGY3+βGC3

s.t. ∑Hh=1∑Tt=1∑Nn=1λtnXtn，k≤（1-βCX）（1-βIX）（1-βGX）X

∑Hh=1∑Tt=1∑Nn=1λtnYtn≥（1+βCY）（1+βIY）（1+βGY）Y

∑Hh=1∑Tt=1∑Nn=1λtnCtn=（1-βCC）（1-βIC）（1-βGC）C

λtn≥0，t=1，2，…，T，Tn=1，2，…，Nh，h=1，2，…，H

βGY≥0，0≤βGX，βGC＜1

（13）

全局全要素碳排放效率（MTCEI）可表示為：

MTCEI=（1-βCC）（1-βIC）（1-βGC）（1+βCY）（1+βIY）（1+βGY）（14）

其中MTCEI∈［0，1］，數(shù)值越大說明全局全要素碳排放效率越高．

根據(jù)Cheng等［23］研究GTCEI可分解為式（15）：

MTCEI=CTCEI×ITCEICTCEI×GTCEIITCEI=TE×BPR×TGR（15）

其中： TE表示當(dāng)期技術(shù)效率； BPR∈［0，1］，表示組內(nèi)技術(shù)效率差異水平，數(shù)值越大組內(nèi)技術(shù)效率差異越小，否則越大； TGR∈［0，1］，表示各組之間技術(shù)效率差異水平，數(shù)值越大組間技術(shù)效率差異越小，否則越大．

測度農(nóng)業(yè)碳排放效率需要用到預(yù)期產(chǎn)出、非預(yù)期產(chǎn)出和投入變量．

農(nóng)業(yè)產(chǎn)出： 學(xué)界將產(chǎn)出劃分為預(yù)期產(chǎn)出（Y）和非預(yù)期產(chǎn)出（C）．預(yù)期產(chǎn)出（Y）： 本文以第一產(chǎn)業(yè)總產(chǎn)值來衡量產(chǎn)出，并采用1999年第一產(chǎn)業(yè)產(chǎn)值價格指數(shù)進行平減．非預(yù)期產(chǎn)出（C）： 非預(yù)期產(chǎn)出主要是來自機械、化肥、農(nóng)藥、農(nóng)膜、播種和灌溉帶來的碳排放，具體測算過程部分參考楊秀玉等［21］、Kuang等［26］、Guo等［38］、金紹榮等［39］研究：

C=∑kiTi·δi（16）

其中，C、k分別表示農(nóng)業(yè)碳排放總量與碳源數(shù)量，Ti、δi分別表示第i個碳源的使用量和碳排放系數(shù)．農(nóng)業(yè)碳排放源主要涉及機械、化肥、農(nóng)藥、農(nóng)膜、播種和灌溉

考慮到地級市層面的農(nóng)用燃料（柴油）數(shù)據(jù)缺失嚴重，因此本文主要參考Kuang等［26］的研究，在測算碳排放總量時并未包含柴油．，其碳排放相關(guān)系數(shù)分別為： 0.18 kg/kw、0.895 6 kg/kg、4.934 1 kg/kg、5.18 kg/kg、312.6 kg/hm2、25 kg/hm2．

投入變量： 勞動投入（N），本文以第一產(chǎn)業(yè)就業(yè)人數(shù)作為勞動力投入； 土地投入（L），為反映復(fù)種、套種、補種、改種和移植作物等情況，本文用農(nóng)作物總播種面積表示； 機械投入（M），本文以農(nóng)機總動力來表示； 化肥投入（F），本文以每年實際用于農(nóng)業(yè)生產(chǎn)的化肥施用量的折純量表示化肥投入，包括氮肥、磷肥、鉀肥和復(fù)合肥．

2.2.2" 驅(qū)動因素

本文探討的驅(qū)動因素主要包括： 規(guī)模經(jīng)營（SCMA）、城鎮(zhèn)化率（URBR）、財政支農(nóng)（FSAR）、經(jīng)濟發(fā)展水平（PGDP）、森林覆蓋率（AFFR）和農(nóng)業(yè)科技投入（TRLR）．

① 規(guī)模經(jīng)營（SCMA）： 相關(guān)研究表明，農(nóng)業(yè)規(guī)模經(jīng)營有利于農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化、分工細化和生產(chǎn)專業(yè)化．隨著農(nóng)業(yè)分工細化和生產(chǎn)專業(yè)化，專業(yè)化、規(guī)?；髴粲幸庠概c能力采用清潔、精細化的農(nóng)業(yè)生產(chǎn)設(shè)備代替?zhèn)鹘y(tǒng)高排放、高污染的農(nóng)業(yè)生產(chǎn)設(shè)備，從而促進了新一輪農(nóng)業(yè)綠色技術(shù)代替?zhèn)鹘y(tǒng)的農(nóng)業(yè)技術(shù)［40］，減少農(nóng)業(yè)碳排放［41］．基于此，以播種面積與農(nóng)業(yè)就業(yè)人數(shù)之比表示．

② 城鎮(zhèn)化率（URBR）： 一方面，農(nóng)村人口轉(zhuǎn)移將會緩解農(nóng)村緊張的人地關(guān)系，有利于農(nóng)業(yè)全要素生產(chǎn)率提升．另一方面，農(nóng)村人口轉(zhuǎn)移只是中國城鎮(zhèn)化的一種結(jié)果，而城市建設(shè)對農(nóng)業(yè)用地的侵占會導(dǎo)致農(nóng)民為在有限的土地上提高糧食產(chǎn)量，施用大量的化肥，從而增加農(nóng)業(yè)碳排放，這里以市級城鎮(zhèn)人口與總?cè)丝谥葋肀硎荆?/p>

③ 財政支農(nóng)（FSAR）： 由于易受到天氣、溫度、病蟲等的影響，農(nóng)業(yè)具有天然的弱質(zhì)性，需要依靠一定的政府財政支持才能夠促使農(nóng)業(yè)生產(chǎn)低碳轉(zhuǎn)型．相關(guān)研究表明，財政支持政策對農(nóng)業(yè)經(jīng)濟增長方式有一定的推動作用［42］，不僅對農(nóng)業(yè)碳排放總量具有顯著的直接抑制作用［43-44］，而且可通過促進農(nóng)業(yè)技術(shù)進步而抑制農(nóng)業(yè)碳排放［45］．基于此，這里以財政支農(nóng)與市級總預(yù)算支出之比來表示財政支農(nóng)力度．

④ 經(jīng)濟發(fā)展水平（PGDP）： 現(xiàn)有研究一般采用人均GDP來表示地區(qū)經(jīng)濟發(fā)展水平，并形成了兩種相反的觀點： 一是認為更高的經(jīng)濟發(fā)展水平有利于獲得農(nóng)業(yè)生產(chǎn)要素和先進的農(nóng)業(yè)技術(shù)，改善農(nóng)業(yè)生產(chǎn)條件，進而實現(xiàn)農(nóng)業(yè)綠色低碳發(fā)展［14］； 另一種觀點認為，長期以來中國經(jīng)濟主要是高消耗、高污染、高排放的粗放式發(fā)展模式，雖然實現(xiàn)了快速的經(jīng)濟增長，GDP總量也躍居全球第二，但這種粗放式發(fā)展模式也使得中國成為世界碳排放較多的國家之一．基于此，這里以城市GDP與總?cè)丝谥缺硎荆?/p>

⑤ 森林覆蓋率（AFFR）： 作為陸地生態(tài)系統(tǒng)主體，森林是龐大的碳庫，具有強大的固碳增匯功能，在應(yīng)對氣候變化中發(fā)揮著重要作用．然而，值得注意的是，幼、中齡林的固碳速率相對較快，成熟以及過熟林由于生長速率下降，對碳的吸收和釋放基本平衡，而且已有的成熟森林往往只有固碳的功能，對于降低二氧化碳濃度的作用有限．只有再造林、恢復(fù)森林植被等活動，才能更多地吸收碳，降低二氧化碳含量．基于此，以造林總面積與各省份行政面積之比來表示森林覆蓋率．

⑥ 農(nóng)業(yè)科技投入（TRLR）： 科技作為第一生產(chǎn)力，是推動農(nóng)業(yè)發(fā)展的主要動力［46］，同時也是解決環(huán)境問題的關(guān)鍵要素．在技術(shù)研發(fā)和推廣過程中科技人員是核心要素．然而，長期以來，面向中國農(nóng)村的農(nóng)業(yè)科技推廣體制長期處于積弱不振的境況，農(nóng)業(yè)科研與科技成果轉(zhuǎn)化推廣存在嚴重脫節(jié)，從而使得農(nóng)業(yè)技術(shù)效率改善遠低于技術(shù)進步［39，47］，加之基層農(nóng)業(yè)科技人員流失嚴重，致使農(nóng)村基層科技推廣網(wǎng)絡(luò)“線斷、網(wǎng)破、人散”，農(nóng)業(yè)一線科技人才匱乏，科技推廣力量羸弱［48］．相關(guān)研究表明，向農(nóng)村增加農(nóng)業(yè)科技人員部署，對糧食增產(chǎn)、農(nóng)民增收、農(nóng)業(yè)穩(wěn)定發(fā)揮了重要作用，同時也有利于指導(dǎo)農(nóng)戶采用更加低碳環(huán)保的農(nóng)資、農(nóng)技［49］．基于此，本文以農(nóng)業(yè)科技人員與總事業(yè)單位科技人員之比來表示農(nóng)業(yè)科技投入．

2.3" 數(shù)據(jù)來源

本文采用1999-2021年269個城市平衡面板數(shù)據(jù)．考慮到部分城市數(shù)據(jù)存在缺失問題，為保證數(shù)據(jù)連貫性，本文采用以下方法補齊：

第一，將縣域?qū)用娴臄?shù)據(jù)加總成市級數(shù)據(jù)； 第二，采用線性擬合的方法補齊； 第三，根據(jù)城市與省級層面的比值，將省級層面的數(shù)據(jù)分解到城市層面； 第四，剔除仍然存在缺失值的樣本．此外，由于DEA方法對異常數(shù)據(jù)較為敏感，需對數(shù)據(jù)進行前后1%縮尾處理．原始數(shù)據(jù)來源于《中國統(tǒng)計年鑒》《中國城市統(tǒng)計年鑒》《中國科技統(tǒng)計年鑒》《中國農(nóng)業(yè)年鑒》和各省份的統(tǒng)計年鑒，所有數(shù)據(jù)均可在EPS數(shù)據(jù)庫（https： //www.epsnet.com.cn/index.html）獲得．表1為變量的描述性統(tǒng)計．

3" 實證結(jié)果與分析

3.1" 農(nóng)業(yè)碳排放效率測算結(jié)果

基于上述方法和數(shù)據(jù)對農(nóng)業(yè)碳排放效率進行測度，結(jié)果表明當(dāng)期全要素碳排放效率（CTCEI）、跨期全要素碳排放效率（ITCEI）和全局全要素碳排放效率（MTCEI）的均值存在較大差距，分別為0.662 2，0.258 2和0.060 2，這表明如果忽視各省間的異質(zhì)性，將會高估農(nóng)業(yè)碳排放績效．從各省內(nèi)部和各省間的碳排放效率差異來看，各省間的效率差異高于各省內(nèi)部的效率差異，各省內(nèi)部碳排放效率（BPR）和各省之間碳排放效率（TGR）均值分別為0.438 1和0.298 3．

圖1為1999-2021年農(nóng)業(yè)碳排放效率及其分解項的變化趨勢，其中a圖為CTCEI、ITCEI和MTCEI，b圖為BPR和TGR．由圖1a可知，CTCEI、ITCEI和MTCEI差異明顯，CTCEI遠高于ITCEI和MTCEI，并且具有下降趨勢，表明各省內(nèi)部各城市農(nóng)業(yè)當(dāng)期碳排放效率呈下降趨勢．ITCEI和MTCEI則表現(xiàn)為波動狀態(tài)，無明顯的下降或上升趨勢．由圖1b可知，BPR總體趨勢并不明顯，而TGR則表現(xiàn)為上升的趨勢，這表明各省間的碳排放效率差距逐年縮小．

由表2可知，ITCEI依次沿著西部、東部、中部和東北遞減，分別為0.307 1，0.257 8，0.251 3和0.158 4，表明西部地區(qū)跨期全要素碳排放效率最高，而東北地區(qū)最低．原因主要來自兩個方面： 一方面，西部大部分地區(qū)因地質(zhì)、氣候、歷史等因素的影響大多為牧業(yè)，而本文主要考察種植業(yè)，沒有包括牧業(yè)帶來的碳排放，低估了西部非預(yù)期產(chǎn)出，造成西部ITCEI偏高； 另一方面，東北地區(qū)作為糧食主產(chǎn)區(qū)，承擔(dān)著保障中國糧食安全的重任，土地開墾、化學(xué)農(nóng)資和機械使用均服務(wù)于糧食增產(chǎn)這個主要甚至唯一目標(biāo)，忽略了農(nóng)業(yè)粗放式生產(chǎn)方式對生態(tài)環(huán)境的影響，造成碳排放效率較低的局面．從各省份情況來看，西部地區(qū)ITCEI最高的是寧夏（0.439 9），中部地區(qū)最高的是江西（0.420 7），東部地區(qū)最高的是海南（0.367 0），東北地區(qū)最高的是黑龍江（0.320 8）．

MTCEI呈現(xiàn)東部、中部、西部和東北遞減的特征，分別為0.062 7，0.061 3，0.060 7和0.048 2，遠小于ITCEI．這主要是因為，MTCEI的技術(shù)前沿面基于樣本期間所有樣本組數(shù)據(jù)構(gòu)建而成，表示各城市與整體所能利用的最佳技術(shù)的距離，而ITCEI僅表示各城市與各省最佳技術(shù)的距離．從當(dāng)期技術(shù)效率TE的比較來看，西部最高（0.728 8）、中部次之（0.717 0）、東部再次（0.599 3）、東北最低（0.544 0），表明西部省份各城市均能較多運用本省內(nèi)部最先進的綠色低碳技術(shù)．從BPR比較來看，東部最大為0.498 4、西部次之為0.464 0、中部再次為0.379 3、東北最低僅為0.348 5，表明東部各省內(nèi)部碳排放效率差異最小、西部次之、中部再次、東北最大．從TGR的比較來看，東北最高為0.583 5、東部次之為0.339 8、中部再次為0.236 9、西部最小僅為0.199 8，表明東北各省之間碳排放效率差異最小、東部次之、中部再次、西部最大，這主要是因為東部各省間的經(jīng)濟、氣候、農(nóng)業(yè)耕作方式等相似性更高．

3.2" 基準(zhǔn)回歸結(jié)果分析

3.2.1" 空間自相關(guān)檢驗

學(xué)界一般采用Morans I指數(shù)來檢驗單變量空間自相關(guān)性．根據(jù)Anselin等［50］、You等［51］的觀點，Morans I指數(shù)為正且顯著，表明樣本地區(qū)間存在空間聚類； 而Morans I指數(shù)顯著為負，表明樣本地區(qū)間存在空間離散性．

表3為1999-2021年中國269個城市MTCEI、TE、BPR和TGR的空間自相關(guān)檢驗結(jié)果．由第二列可知，所有因變量的Morans I指數(shù)在1%的顯著性水平上均顯著為正，表明本地區(qū)與周邊地區(qū)的農(nóng)業(yè)碳排放效率存在正相關(guān)關(guān)系．

Morans I指數(shù)僅描述了空間自相關(guān)的平均水平．如果一些地區(qū)存在正向空間自相關(guān)，而另一些地區(qū)存在負向空間自相關(guān)，那么二者將會相互抵消，最終使得Morans I指數(shù)會被低估．為此，本文采用Moran散點圖進一步刻畫每個地區(qū)間的空間自相關(guān)性．由圖2可知，大部分地區(qū)主要集聚在第一和第三象限，表明因變量存在高—高和低—低集聚，與前述區(qū)域間存在顯著的空間自相關(guān)性這一結(jié)果相一致．

3.2.2" 空間模型識別檢驗

為了確定模型固定效應(yīng)形式，本文根據(jù)Li等［52］研究進行LR檢驗．由表4所知，空間固定效應(yīng)和時間固定效應(yīng)在1%的顯著性水平上均顯著．然而，從統(tǒng)計量大小來看，空間固定效應(yīng)統(tǒng)計量無疑更大．因此，出于使得實證結(jié)果更加穩(wěn)健考慮，在后續(xù)實證中本文采用空間固定效應(yīng)模型．此外，Hausman test檢驗的統(tǒng)計量均在1%的水平上顯著，表明應(yīng)該采用固定效應(yīng)模型．

為了進一步確定SEM、SAR和SAREM哪種模型更適宜，需要進行（robust）LM lag和（robust）LM error檢驗．表5為基于無固定效應(yīng)、空間固定效應(yīng)、時間固定效應(yīng)和時空雙向固定效應(yīng)的回歸結(jié)果進行的統(tǒng)計檢驗．由結(jié)果可知，空間固定效應(yīng)的LMLAG、R-LMLAG、LMERROR和R-LMERROR對空間面板模型的支持效力要高于時間固定效應(yīng)和時空固定效應(yīng)，進一步表明采用空間固定效應(yīng)模型具有合理性．此外，從MTCEI、TE、BPR和TGR的具體檢驗結(jié)果來看，MTCEI和TGR僅通過了LMLAG和LMERROR檢驗，意味著這兩個因變量選擇哪種模型形式需要根據(jù)后續(xù)LR和Wald檢驗來確定．TE和BPR均通過了所有檢驗，表明這兩個因變量應(yīng)該采用SAREM模型形式．

在上述檢驗的基礎(chǔ)上，還需要根據(jù)LR和Wald檢驗確定是否應(yīng)該采用SDM模型．由表6可知，MTCEI和TGR僅在LR spatial error 的統(tǒng)計上顯著，結(jié)合表5的檢驗結(jié)果，意味著應(yīng)采用包含空間誤差項的空間杜賓模型，而TE和BPR的LR和Wald檢驗均拒絕H0： θ=0的假設(shè)，表明本文應(yīng)該采用包含空間滯后和空間誤差項的SDM模型．

3.2.3" 基準(zhǔn)模型回歸結(jié)果分析

表7為基準(zhǔn)回歸結(jié)果．其中（1）和（4）為包含空間誤差項的SDM模型回歸結(jié)果，（2）和（3）為包含空間滯后項和空間誤差項的SDM模型回歸結(jié)果．

由結(jié)果可知，在（1）、（2）和（3）中SCMA的系數(shù)顯著為正，表明土地規(guī)模經(jīng)營不僅可以直接提高全局農(nóng)業(yè)碳排放效率，而且可以提高農(nóng)業(yè)當(dāng)期碳排放效率和縮小各省間的效率差異來間接提高全局農(nóng)業(yè)碳排放效率．URBR對MTCEI具有顯著的負向影響，并且在（3）和（4）中的系數(shù)也顯著為負，意味著城鎮(zhèn)化主要通過擴大各省內(nèi)部和各省間的碳排放效率差異來降低全局農(nóng)業(yè)碳排放效率．PGDP、FSAR、AFFR和TRLR 4個變量均無法直接對MTCEI產(chǎn)生顯著的影響，但可通過MTCEI的分解項對其產(chǎn)生間接影響．其中PGDP可提高當(dāng)期農(nóng)業(yè)碳排放效率，但也會加劇各省內(nèi)部碳排放效率差異，類似的變量還有TRLR變量．而AFFR則會降低當(dāng)期農(nóng)業(yè)碳排放效率，但可縮小各省間的農(nóng)業(yè)碳排放效率．比較特殊的是，F(xiàn)SAR在（2）和（4）中的系數(shù)顯著為正，意味著財政支農(nóng)不僅可以提高當(dāng)期農(nóng)業(yè)碳排放效率，而且還可以縮小各省間的效率差異，有利于各省農(nóng)業(yè)均衡發(fā)展．然而，在（3）中，F(xiàn)SAR的系數(shù)顯著為負，表明財政支農(nóng)將會顯著加大各省內(nèi)部的農(nóng)業(yè)碳排放效率差異．

此外，在表7中還包含了各因素與空間權(quán)重矩陣的交互性（W1×X），但考慮到回歸系數(shù)包含了反饋效應(yīng)，即本地區(qū)對周邊地區(qū)的影響，周邊地區(qū)又反向?qū)Ρ镜貐^(qū)產(chǎn)生影響．因此，要考察各因素本地區(qū)影響的邊際效應(yīng)如何，還需后續(xù)進行效應(yīng)分解．

3.2.4" 空間效應(yīng)分解結(jié)果分析

SDM模型的系數(shù)并不能直接反映解釋變量對因變量影響的邊際效應(yīng)［52］，需要將系數(shù)進一步分解為直接效應(yīng)、間接效應(yīng)和總效應(yīng)．其中，直接效應(yīng)表示本地區(qū)自變量變化對本地區(qū)的凈影響，間接效應(yīng)表示其他地區(qū)自變量變化對本地區(qū)的影響，總效應(yīng)為直接效應(yīng)和間接效應(yīng)的加總（表8）．

由表8可知，在（1）中，SCMA的直接效應(yīng)、間接效應(yīng)和總效應(yīng)均為正，意味著土地規(guī)模經(jīng)營有利于推動中國農(nóng)業(yè)低碳轉(zhuǎn)型．這是因為，擴大土地經(jīng)營規(guī)模不僅有利于農(nóng)機、農(nóng)技等技術(shù)要素的運用，從而提升農(nóng)業(yè)生產(chǎn)效率［10］，而且擴大土地經(jīng)營規(guī)模還能夠?qū)崿F(xiàn)化肥減量化，從而降低農(nóng)業(yè)碳排放［53］．在（2）中，URBR對MTCEI、TE和BPR的總效應(yīng)顯著為負．近年來，隨著農(nóng)村勞動力大規(guī)模向城鎮(zhèn)轉(zhuǎn)移，雖然有利于緩解農(nóng)村人地矛盾，但所轉(zhuǎn)移的主要為青壯年勞動力，這會造成流出地勞動力短缺，不利于當(dāng)?shù)剞r(nóng)業(yè)發(fā)展．并且根據(jù)Hu等［10，47］的觀點，勞動與化肥之間存在替代關(guān)系，當(dāng)勞動力不足時，農(nóng)戶更傾向于使用化肥來保障糧食產(chǎn)量，將會造成農(nóng)業(yè)生態(tài)環(huán)境惡化．在（3）中，PGDP對MTCEI的影響效應(yīng)雖然為負，但并不顯著．相反，PGDP對TE的影響效應(yīng)為正且在統(tǒng)計上顯著，表明城市經(jīng)濟發(fā)展能夠通過促進當(dāng)期農(nóng)業(yè)碳排放效率提升來實現(xiàn)全局農(nóng)業(yè)碳排放效率提高．PGDP對BPR的直接效應(yīng)顯著為負，經(jīng)濟增長將會加劇本地區(qū)與省內(nèi)其他城市的碳排放效率差異，但相同省內(nèi)其他城市經(jīng)濟增長可以縮小碳排放效率差異，從而導(dǎo)致總效應(yīng)不顯著．在（4）中，F(xiàn)SAR對TE和TGR的直接效應(yīng)顯著為正，表明財政支農(nóng)有利于當(dāng)?shù)靥寂欧判侍嵘涂s小各省間的碳排放效率差異，但對TE的間接效應(yīng)顯著為負，表明其他地區(qū)財政支農(nóng)將會對當(dāng)?shù)剞r(nóng)業(yè)碳排放效率產(chǎn)生不利影響．這可能是因為，政府財政預(yù)算是有限的，存在不均衡．與此相反，F(xiàn)SAR對BPR的直接效應(yīng)顯著為負，但間接效應(yīng)顯著為正，表明當(dāng)?shù)刎斦мr(nóng)政策將會擴大當(dāng)?shù)嘏c本省內(nèi)部的碳排放效率差異，但其他地區(qū)財政支農(nóng)政策將會縮小這種效率差異．在（5）中，AFFR僅對TE和TGR的影響效應(yīng)顯著，并且對這兩個變量的影響效應(yīng)呈相反方向．其中AFFR對TE的直接效應(yīng)為負，但間接效應(yīng)為正，并且后者大于前者，從而使得總效應(yīng)為正，表明森林覆蓋率有利于當(dāng)期農(nóng)業(yè)碳排放效率提升，與此相反，AFFR對TGR的總效應(yīng)顯著為負，表明森林覆蓋率將會通過加劇各省間的農(nóng)業(yè)碳排放效率差異，從而降低全局農(nóng)業(yè)碳排放效率．在（6）中，TRLR的直接效應(yīng)顯著為正，但間接效應(yīng)顯著為負，并且后者的系數(shù)遠大于前者，從而使得總效應(yīng)也顯著為負，表明農(nóng)業(yè)科技投入將會抑制農(nóng)業(yè)碳排放效率提升； 此外，TRLR對BPR的直接效應(yīng)顯著為負，表明當(dāng)?shù)剞r(nóng)業(yè)科技投入將會加劇本地區(qū)與本省內(nèi)部的農(nóng)業(yè)碳排放效率差異．

由上述結(jié)果可知，擴大土地經(jīng)營規(guī)模、促進經(jīng)濟增長、加大財政支農(nóng)力度和提高森林覆蓋率是驅(qū)動農(nóng)業(yè)低碳轉(zhuǎn)型的重要因素，其中擴大土地經(jīng)營規(guī)模是主要驅(qū)動因子，而城鎮(zhèn)化和農(nóng)業(yè)科技投入尚未對農(nóng)業(yè)低碳轉(zhuǎn)型發(fā)揮正向支撐作用．

3.3" 穩(wěn)健性檢驗

考慮到城市數(shù)量眾多，如果簡單使用地理距離權(quán)重矩陣，可能會夸大周邊地區(qū)對當(dāng)?shù)氐挠绊懀疄榱藱z驗估計結(jié)果的穩(wěn)健性，參考Hu等［14］、Li等［52］研究將W1分別替換為地理距離衰減權(quán)重矩陣（W2）：

W2=

1d2iji≠j

0i=j

（17）

其中： 1d2ij為兩地地理距離平方的倒數(shù)； 當(dāng)i和j的地理距離相對較近時，則Wij越大，否則越?。?/p>

由表9可知，除系數(shù)大小有所差異之外，空間權(quán)重矩陣的變換并未對各變量的系數(shù)方向產(chǎn)生過多影響，表明基準(zhǔn)結(jié)果是穩(wěn)健的．基于結(jié)果的穩(wěn)健性考慮，在后續(xù)實證中本文主要報告空間距離權(quán)重矩陣的結(jié)果．

3.4" 異質(zhì)性檢驗

經(jīng)濟發(fā)展水平、要素市場化程度以及氣候等因素的差異，使得中國農(nóng)業(yè)發(fā)展具有明顯的區(qū)域特征．將樣本按照東部、中部、西部和東北劃分為4個子樣本組分別進行回歸，結(jié)果如表10所示．

MTCEI的影響因素來看．就東部地區(qū)而言，SCMA和AFFR均能促進當(dāng)?shù)厝洲r(nóng)業(yè)碳排放效率提升，但SCMA主要表現(xiàn)為直接效應(yīng)，而AFFR主要表現(xiàn)為總效應(yīng)．類似地，就中部地區(qū)而言，SCMA和AFFR也均是促進MTCEI提升的主要動力，但URBR、PGDP和FSAR 3個指標(biāo)對當(dāng)?shù)剞r(nóng)業(yè)碳排放效率具有顯著的抑制作用．與東部和中部地區(qū)不同的是，SCMA并未對東北和西部地區(qū)全局農(nóng)業(yè)碳排放效率產(chǎn)生顯著的影響，但FSAR對東北地區(qū)的間接效應(yīng)和總效應(yīng)均顯著為正，在西部地區(qū)TRLR的總效應(yīng)顯著為正，意味著提高東北地區(qū)MTCEI需要更多地依靠財政支農(nóng)投入，而西部地區(qū)MTCEI則需要依靠增加科技投入．

從分項指標(biāo)的影響因素來看．在東部地區(qū)，SCMA、PGDP和TRLR雖能夠促進東部地區(qū)城市當(dāng)期農(nóng)業(yè)碳排放效率提升，但同時也會加劇本省內(nèi)部碳排放效率差異； 與此相反，URBR雖然不利于TE提高，加劇本省內(nèi)部碳排放效率差異，但可縮小本省與其他省間的碳排放效率差異．在東北地區(qū)，SCMA對TE、BPR和TGR的總效應(yīng)均為正，但僅在TE中顯著，表明土地規(guī)模經(jīng)營主要促進了當(dāng)期碳排放效率提升，而無法縮小各省內(nèi)部和各省間的碳排放效率差異； URBR和FSAR對TE的總效應(yīng)為負，表明城鎮(zhèn)化和財政支農(nóng)均無法促進當(dāng)期碳排放效率提升； URBR和PGDP對TGR的總效應(yīng)顯著為正，F(xiàn)SAR對BPR的總效應(yīng)顯著為正，表明城鎮(zhèn)化、經(jīng)濟增長和財政支農(nóng)具有縮小碳排放效率區(qū)域差異的功效．在中部地區(qū)，SCMA對TE的總效應(yīng)顯著為負，意味著中部地區(qū)土地規(guī)模經(jīng)營將會降低當(dāng)?shù)丶夹g(shù)效率； 但同時，SCMA對BPR和TGR的總效應(yīng)顯著為正，表明土地規(guī)模經(jīng)營將會縮小本省內(nèi)部和各省間的碳排放效率差異，并且SCMA的系數(shù)遠高于SCMA對TE的總效應(yīng)系數(shù)．值得注意的是，PGDP和AFFR兩個指標(biāo)對TE和BPR雖沒有發(fā)揮正向促進作用，但對TGR的總效應(yīng)顯著為正，并且這種正向作用強度遠高于對BPR的負向效應(yīng)，表明PGDP和AFFR仍然可以作為驅(qū)動中部農(nóng)業(yè)低碳轉(zhuǎn)型的主要動力．在西部地區(qū)，SCMA雖無法促進TE和BPR提升，但對TGR的總效應(yīng)顯著為正，表明可通過擴大土地經(jīng)營規(guī)模來縮小西部地區(qū)各省間的碳排放效率差異； FSAR對TE的總效應(yīng)顯著為正，但對BPR的總效應(yīng)顯著為負，表明FSAR雖能提高當(dāng)?shù)剞r(nóng)業(yè)技術(shù)效率，但也會加劇本省內(nèi)部碳排放效率差異； TRLR對BPR的總效應(yīng)顯著為正，表明增加西部地區(qū)科技投入將有利于縮小各省內(nèi)部碳排放效率差異，促進各省內(nèi)部均衡發(fā)展．

綜上所述，東部和西部農(nóng)業(yè)低碳轉(zhuǎn)型的驅(qū)動力主要是SCMA和TRLR兩個因素，東北主要是SCMA和PGDP兩個驅(qū)動因素，中部主要是SCMA、PGDP和AFFR 3個因素驅(qū)動．由此也表明，擴大土地經(jīng)營規(guī)模是驅(qū)動各地區(qū)農(nóng)業(yè)低碳轉(zhuǎn)型的公因子．

4" 研究結(jié)論與政策啟示

本文基于1999-2021年中國269個城市的平衡面板數(shù)據(jù)，采用Meta-frontier DEA方法測度中國農(nóng)業(yè)碳排放效率，并在此基礎(chǔ)上采用空間面板模型實證檢驗中國農(nóng)業(yè)碳排放效率的影響因素，最終得到如下主要結(jié)論： 第一，中國農(nóng)業(yè)全局碳排放效率遠低于當(dāng)期和跨期碳排放效率，主要是因為各省內(nèi)部和各省之間碳排放效率存在較大的差異，同時也表明如果忽視各省內(nèi)部和各省間的異質(zhì)性，將會高估農(nóng)業(yè)低碳發(fā)展績效．分區(qū)域來看，農(nóng)業(yè)碳排放效率呈現(xiàn)東部、中部、西部和東北遞減的特征．此外，農(nóng)業(yè)碳排放效率及其分解項存在高—高和低—低的正向空間自相關(guān)性．第二，基準(zhǔn)回歸結(jié)果表明，擴大土地經(jīng)營規(guī)模、促進經(jīng)濟增長、加大財政支農(nóng)力度和提高森林覆蓋率是驅(qū)動農(nóng)業(yè)低碳轉(zhuǎn)型的重要因素，其中擴大土地經(jīng)營規(guī)模是主要驅(qū)動因子，而城鎮(zhèn)化和農(nóng)業(yè)科技投入尚未對農(nóng)業(yè)低碳轉(zhuǎn)型發(fā)揮正向支撐作用，并且通過了穩(wěn)健性檢驗．第三，異質(zhì)性檢驗結(jié)果，東部和西部農(nóng)業(yè)低碳轉(zhuǎn)型的驅(qū)動力主要是擴大土地經(jīng)營規(guī)模和加大農(nóng)業(yè)科技投入，東北農(nóng)業(yè)低碳轉(zhuǎn)型主要依靠擴大土地規(guī)模經(jīng)營和經(jīng)濟增長，中部農(nóng)業(yè)低碳轉(zhuǎn)型的驅(qū)動力主要依靠擴大土地經(jīng)營規(guī)模、促進經(jīng)濟增長和增加森林覆蓋率．此外，值得注意的是，城鎮(zhèn)化和財政支農(nóng)并未對農(nóng)業(yè)低碳轉(zhuǎn)型提供助力，甚至可能抑制區(qū)域碳排放效率提升．

上述研究結(jié)論蘊含著相應(yīng)的政策啟示： 一是轉(zhuǎn)變農(nóng)業(yè)粗放經(jīng)營模式，提升農(nóng)業(yè)投入利用效率．一方面，應(yīng)轉(zhuǎn)變以往高投入、高污染、高排放的粗放式農(nóng)業(yè)生產(chǎn)經(jīng)營觀念，增強效率優(yōu)先、綠水青山就是金山銀山的可持續(xù)發(fā)展理念； 另一方面，應(yīng)注重對資源節(jié)約、綠色環(huán)保技術(shù)的研發(fā)和推廣應(yīng)用，如采用滴灌技術(shù)高效利用水資源、測土配方技術(shù)實現(xiàn)化肥減量化、電氣技術(shù)改造傳統(tǒng)農(nóng)用機械以及研發(fā)可降解農(nóng)膜，實現(xiàn)農(nóng)業(yè)增長和碳減排雙重目標(biāo)．二是加快推進土地流轉(zhuǎn)集中，實現(xiàn)農(nóng)業(yè)適度規(guī)模經(jīng)營．土地適度規(guī)模經(jīng)營不僅有利于農(nóng)業(yè)增產(chǎn)、農(nóng)民增收，同時也有利于發(fā)揮規(guī)模優(yōu)勢充分利用科技要素和高效利用資源要素，最終有利于農(nóng)業(yè)碳排放效率提升．一方面，加大對農(nóng)村青壯年勞動力從事二三產(chǎn)業(yè)的培訓(xùn)力度，使得這部分勞動力有脫離農(nóng)業(yè)生產(chǎn)的意愿和能力，從而為土地流轉(zhuǎn)集中提供保障； 另一方面，由村委會牽頭，引入外部資本，實現(xiàn)村民變股民，按照資金、土地資源、勞動力、管理等多種形式參與分紅，激勵村民將閑置的土地流轉(zhuǎn)集中．三是建立健全區(qū)域減碳固碳合作機制，實現(xiàn)區(qū)域農(nóng)業(yè)低碳協(xié)調(diào)發(fā)展．應(yīng)該完善減碳固碳補償機制，在財政上補償農(nóng)戶因休耕、退耕還林還草等綠色固碳行為所帶來的成本或損失．首先，建立生態(tài)固碳補償?shù)脑u價與考核機制，根據(jù)生態(tài)功能類型和重要性實施精準(zhǔn)考核，形成績效管理與考核獎懲并行； 其次，中央政府督促各地方政府加大對農(nóng)業(yè)減碳固碳專項資金的投入； 最后，設(shè)立專項委員會，負責(zé)區(qū)域地方政府間的利益協(xié)調(diào)和補償．

參考文獻：lt;參考文獻起gt;

［1］

金書秦，林煜，牛坤玉．以低碳帶動農(nóng)業(yè)綠色轉(zhuǎn)型： 中國農(nóng)業(yè)碳排放特征及其減排路徑 ［J］．改革，2021（5）： 29-37．

［2］" CHENG K，YAN M，NAYAK D，et al．Carbon Footprint of Crop Production in China： An Analysis of National Statistics Data ［J］．The Journal of Agricultural Science，2015，153（3）： 422-431．

［3］" DOGAN E，SEBRI M，TURKEKUL B．Exploring the Relationship between Agricultural Electricity Consumption and Output： New Evidence from Turkish Regional Data ［J］．Energy Policy，2016，95： 370-377．

［4］" LUO Y S，LONG X L，WU C，et al．Decoupling CO2 Emissions from Economic Growth in Agricultural Sector across 30 Chinese Provinces from 1997 to 2014 ［J］．Journal of Cleaner Production，2017，159： 220-228．

［5］" NORSE D．Low Carbon Agriculture： Objectives and Policy Pathways ［J］．Environmental Development，2012，1（1）： 25-39．

［6］" 黃杰，孫自敏．中國種植業(yè)碳生產(chǎn)率的區(qū)域差異及分布動態(tài)演進 ［J］．農(nóng)業(yè)技術(shù)經(jīng)濟，2022（7）： 109-127．

［7］" 吳賢榮，張俊飚，朱燁，等．中國省域低碳農(nóng)業(yè)績效評估及邊際減排成本分析 ［J］．中國人口·資源與環(huán)境，2014，24（10）： 57-63．

［8］" 郭海紅，蓋凌云．山東省農(nóng)業(yè)綠色低碳轉(zhuǎn)型評價及驅(qū)動因素分析 ［J］．中國生態(tài)農(nóng)業(yè)學(xué)報（中英文），2024，32（2）： 240-251．

［9］" 張俊飚，何可．“雙碳” 目標(biāo)下的農(nóng)業(yè)低碳發(fā)展研究： 現(xiàn)狀、誤區(qū)與前瞻 ［J］．農(nóng)業(yè)經(jīng)濟問題，2022，43（9）： 35-46．

［10］HU J F，WANG Z，HUANG Q H．Factor Allocation Structure and Green-Biased Technological Progress in Chinese Agriculture ［J］．Economic Research-Ekonomska Istraivanja，2021，34（1）： 2034-2058．

［11］龔斌磊．中國農(nóng)業(yè)技術(shù)擴散與生產(chǎn)率區(qū)域差距 ［J］．經(jīng)濟研究，2022，57（11）： 102-120．

［12］楊騫，王玨，李超，等．中國農(nóng)業(yè)綠色全要素生產(chǎn)率的空間分異及其驅(qū)動因素 ［J］．?dāng)?shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2019，36（10）： 21-37．

［13］呂娜，朱立志．中國農(nóng)業(yè)環(huán)境技術(shù)效率與綠色全要素生產(chǎn)率增長研究 ［J］．農(nóng)業(yè)技術(shù)經(jīng)濟，2019（4）： 95-103．

［14］HU J F，ZHANG X F，WANG T T．Spatial Spillover Effects of Resource Misallocation on the Green Total Factor Productivity in Chinese Agriculture ［J］．International Journal of Environmental Research and Public Health，2022，19（23）： 15718．

［15］WANG X Z，WANG S，ZHANG X X．Heterogeneity and Influence Factors of Carbon Productivity： Evidence from Chinese Manufacturing Enterprises ［J］．Journal of Cleaner Production，2023，404： 136938．

［16］SONG T，DIAN J，CHEN H W．Can Smart City Construction Improve Carbon Productivity？ —A Quasi-Natural Experiment Based on Chinas Smart City Pilot ［J］．Sustainable Cities and Society，2023，92： 104478．

［17］HU X C，LIU C L．Carbon Productivity： A Case Study in the Australian Construction Industry ［J］．Journal of Cleaner Production，2016，112： 2354-2362．

［18］程琳琳，張俊飚，田云，等．中國省域農(nóng)業(yè)碳生產(chǎn)率的空間分異特征及依賴效應(yīng) ［J］．資源科學(xué)，2016，38（2）： 276-289．

［19］伍國勇，孫小鈞，于福波，等．中國種植業(yè)碳生產(chǎn)率空間關(guān)聯(lián)格局及影響因素分析 ［J］．中國人口·資源與環(huán)境，2020，30（5）： 46-57．

［20］XIONG C H，WANG G L，XU L T．Spatial Differentiation Identification of Influencing Factors of Agricultural Carbon Productivity at City Level in Taihu Lake Basin，China ［J］．The Science of the Total Environment，2021，800： 149610．

［21］楊秀玉，喬翠霞．農(nóng)業(yè)產(chǎn)業(yè)集聚對農(nóng)業(yè)碳生產(chǎn)率的空間溢出效應(yīng)——基于財政分權(quán)的調(diào)節(jié)作用 ［J］．中國人口·資源與環(huán)境，2023，33（2）： 92-101．

［22］JARAIT J，DI MARIA C．Efficiency，Productivity and Environmental Policy： A Case Study of Power Generation in the EU ［J］．Energy Economics，2012，34（5）： 1557-1568．

［23］CHENG Z H，LI L S，LIU J，et al．Total-Factor Carbon Emission Efficiency of Chinas Provincial Industrial Sector and Its Dynamic Evolution ［J］．Renewable and Sustainable Energy Reviews，2018，94： 330-339．

［24］葛鵬飛，王頌吉，黃秀路．中國農(nóng)業(yè)綠色全要素生產(chǎn)率測算 ［J］．中國人口·資源與環(huán)境，2018，28（5）： 66-74．

［25］SHEN Z Y，BALEENTIS T，CHEN X L，et al．Green Growth and Structural Change in Chinese Agricultural Sector during 1997-2014 ［J］．China Economic Review，2018，51： 83-96．

［26］KUANG B，LU X H，ZHOU M，et al．Provincial Cultivated Land Use Efficiency in China： Empirical Analysis Based on the SBM-DEA Model with Carbon Emissions Considered ［J］．Technological Forecasting and Social Change，2020，151： 119874．

［27］崔許鋒，王雨菲，張光宏．面向低碳發(fā)展的農(nóng)業(yè)生態(tài)效率測度與時空演變分析——基于SBM-ESDA模型 ［J］．農(nóng)業(yè)經(jīng)濟問題，2022，43（9）： 47-61．

［28］WU H Y，HUANG H J，CHEN W K，et al．Estimation and Spatiotemporal Analysis of the Carbon-Emission Efficiency of Crop Production in China ［J］．Journal of Cleaner Production，2022，371： 133516．

［29］LIU M C，YANG L．Spatial Pattern of Chinas Agricultural Carbon Emission Performance ［J］．Ecological Indicators，2021，133： 108345．

［30］GU R L，DUO L H，GUO X F，et al．Spatiotemporal Heterogeneity between Agricultural Carbon Emission Efficiency and Food Security in Henan，China ［J］．Environmental Science and Pollution Research，2023，30（17）： 49470-49486．

［31］田云，王夢晨．湖北省農(nóng)業(yè)碳排放效率時空差異及影響因素 ［J］．中國農(nóng)業(yè)科學(xué)，2020，53（24）： 5063-5072．

［32］BATTESE G E，PRASADA RAO D S，ODONNELL C J．A Metafrontier Production Function for Estimation of Technical Efficiencies and Technology Gaps for Firms Operating under Different Technologies ［J］．Journal of Productivity Analysis，2004，21（1）： 91-103．

［33］ODONNELL C J，PRASADA RAO D S，BATTESE G E．Metafrontier Frameworks for the Study of Firm-Level Efficiencies and Technology Ratios ［J］．Empirical Economics，2008，34（2）： 231-255．

［34］張哲晰，穆月英．產(chǎn)業(yè)集聚能提高農(nóng)業(yè)碳生產(chǎn)率嗎？ ［J］．中國人口·資源與環(huán)境，2019，29（7）： 57-65．

［35］田云，林子娟．中國省域農(nóng)業(yè)碳排放效率與經(jīng)濟增長的耦合協(xié)調(diào) ［J］．中國人口·資源與環(huán)境，2022，32（4）： 13-22．

［36］ZHANG N，ZHOU P，CHOI Y．Energy Efficiency，CO2 Emission Performance and Technology Gaps in Fossil Fuel Electricity Generation in Korea： A Meta-Frontier Non-Radial Directional Distance Functionanalysis ［J］．Energy Policy，2013，56： 653-662．

［37］ZHOU P，ANG B W，WANG H．Energy and CO2 Emission Performance in Electricity Generation： A Non-Radial Directional Distance Function Approach ［J］．European Journal of Operational Research，2012，221（3）： 625-635．

［38］GUO Z D，ZHANG X N．Carbon Reduction Effect of Agricultural Green Production Technology： A New Evidence from China ［J］．The Science of the Total Environment，2023，874： 162483．

［39］金紹榮，任贊杰．鄉(xiāng)村數(shù)字化對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響 ［J］．改革，2022（12）： 102-118．

［40］金芳，金榮學(xué)．農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)變遷對綠色全要素生產(chǎn)率增長的空間效應(yīng)分析 ［J］．華中農(nóng)業(yè)大學(xué)學(xué)報（社會科學(xué)版），2020（1）： 124-134，168-169．

［41］杜建軍，章友德，劉博敏，等．?dāng)?shù)字鄉(xiāng)村對農(nóng)業(yè)綠色全要素生產(chǎn)率的影響及其作用機制 ［J］．中國人口·資源與環(huán)境，2023，33（2）： 165-175．

［42］葉初升，惠利．農(nóng)業(yè)財政支出對中國農(nóng)業(yè)綠色生產(chǎn)率的影響 ［J］．武漢大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2016，69（3）： 48-55．

［43］劉瓊，肖海峰．農(nóng)地經(jīng)營規(guī)模與財政支農(nóng)政策對農(nóng)業(yè)碳排放的影響 ［J］．資源科學(xué)，2020，42（6）： 1063-1073．

［44］SERRA T，ZILBERMAN D，GOODWIN B K，et al．Replacement of Agricultural Price Supports by Area Payments in the European Union and the Effects on Pesticide Use ［J］．American Journal of Agricultural Economics，2005，87（4）： 870-884．

［45］黃偉華，祁春節(jié)，聶飛．財政支農(nóng)、技術(shù)溢出與農(nóng)業(yè)碳排放 ［J］．軟科學(xué)，2023，37（2）： 93-102．

［46］易福金，周甜甜，陳曉光．氣候變化、農(nóng)業(yè)科研投入與農(nóng)業(yè)全要素生產(chǎn)率 ［J］．南京農(nóng)業(yè)大學(xué)學(xué)報（社會科學(xué)版），2021，21（4）： 155-167．

［47］HU J F．Green Productivity Growth and Convergence in Chinese Agriculture ［J］．Journal of Environmental Planning and Management，2023： 1-30．

［48］張社梅．浙江省科技特派員農(nóng)村科技創(chuàng)業(yè)推進中的困境及解困路徑分析 ［J］．農(nóng)業(yè)經(jīng)濟問題，2012，33（3）： 57-62．

［49］李永清，張福生．科技服務(wù)視閾下的山西貧困地區(qū)綠色發(fā)展 ［J］．山西財經(jīng)大學(xué)學(xué)報，2020，42（S2）： 15-18，21．

［50］ANSELIN L，F(xiàn)LORAX R J G M．Small Sample Properties of Tests for Spatial Dependence in Regression Models： Some Further Results ［M］ //ANSELIN L，F(xiàn)LORAX R J G M，eds．New Directions in Spatial Econometrics．Berlin，Heidelberg： Springer Berlin Heidelberg，1995： 21-74．

［51］YOU W H，LV Z K．Spillover Effects of Economic Globalization on CO2 Emissions： A Spatial Panel Approach ［J］．Energy Economics，2018，73： 248-257．

［52］LI X H，XU Y Y，YAO X．Effects of Industrial Agglomeration on Haze Pollution： A Chinese City-Level Study ［J］．Energy Policy，2021，148： 111928．

［53］WU Y Y，XI X C，TANG X，et al．Policy Distortions，F(xiàn)arm Size，and the Overuse of Agricultural Chemicals in China ［J］．Proceedings of the National Academy of Sciences of the United States of America，2018，115（27）： 7010-7015．

責(zé)任編輯" 任劍喬