農業社會化服務對農業碳全要素生產率增長的影響

摘 要 農業低碳發展對推動農業高質量發展和生態文明建設具有重要意義。選取2003-2020年中國部分省（市、區）的農業碳排放和農業碳匯測算數據，采用空間杜賓模型分析了農業社會化服務對農業碳全要素生產率增長的直接影響及其空間溢出效應。研究發現：（1）2003-2020年中國農業碳全要素生產率年均增長2.3%，其中前沿技術進步的貢獻率為2.27%；（2）在空間鄰接矩陣和地理距離矩陣下，農業社會化服務對農業碳全要素生產率增長均具有顯著的正向直接影響與正向空間溢出效應。具體而言，直接影響體現在東部、東北部地區以及糧食主產區和主銷區，空間溢出效應則表現在西部地區以及糧食主銷區和產銷平衡區。基于此，建議進一步加強農業社會化服務體系建設，推動區域間、省份間合作與信息共享，同時結合地域特征和農業發展實際制定差異化的農業社會化服務發展戰略。

關鍵詞 農業社會化服務；農業碳排放；農業碳匯；全要素生產率；空間杜賓模型

中圖分類號：F32 文獻標識碼：A 文章編號：1008-3456（2025）02-0042-14

DOI編碼：10.13300/j.cnki.hnwkxb.2025.02.004

基金項目：國家社會科學基金重大項目“新形勢下我國農業全要素生產率提升戰略研究”（18ZDA072）。

農業低碳發展對促進我國農業可持續發展、實現“雙碳”目標以及緩解全球氣候變暖至關重要[1]。在這一過程中，提升農業碳全要素生產率是關鍵。促進農業碳全要素生產率增長（Carbon total factor productivity growth，CTFPG）有助于推動我國農業高質量發展與生態文明建設，實現農業生產效率提升與環境保護的雙贏局面[2]。與此同時，隨著農業分工深化，農業社會化服務已成為保障中國糧食安全、促進農業產業升級以及實現中國農業現代化的重要選擇[3]。通過推動小農戶與現代生產要素的有機結合，服務規模化能夠有效緩解農業勞動力短缺、老齡化以及土地規模經營不足等問題，對于提升農業生產效率和推動農業高質量發展具有重要的戰略意義[4]。其中，農機跨區服務的興起與不斷發展使得我國在土地細碎化、經營分散化以及勞動力成本上升等不利條件下仍然實現了農業專業化分工、服務市場化以及生產的規模化效應[5]。農機跨區作業在不同區域之間產生的空間溢出效應不僅減少了勞動投入，保證了產出的穩定增長，還提高了農業生產效率并最終促進了農民增收[6]。因此，在農業社會化服務助力中國農業現代化建設和低碳發展的背景下，準確把握農業社會化服務對農業碳全要素生產率增長的作用機制，深入挖掘其在推動農業低碳發展方面的潛力，具有重要的現實意義。

根據非期望產出的選擇和研究方法的不同，將當前關于農業社會化服務對農業綠色低碳發展影響的研究進行了如下區分：一是基于非期望產出的不同，現有研究主要分為三類，其中大部分研究以氮、磷流失等面源污染作為非期望產出，另有部分研究同時考慮了面源污染和農業碳排放，僅有一小部分研究單獨聚焦農業碳排放，從宏觀和微觀視角分析了農業社會化服務對農業碳減排、糧食綠色生產率或農業綠色全要素生產率的影響[7-9]。二是根據研究方法的不同，現有研究分別采用Tobit模型、面板固定效應模型和門檻模型，討論了不同類型農業社會化服務對農業碳減排、農業綠色生產率或農業環境技術效率的影響及非線性關系[8，10-11]。

上述研究為探究農業社會化服務與農業低碳發展之間的關系提供了思路，但仍存在以下不足：一是非期望產出的選擇存在局限性。已有研究主要將面源污染作為非期望產出，而在低碳目標背景下，促進農業低碳發展已成為當前農業經濟研究中的重要議題。然而，以農業碳排放作為非期望產出，分析農業社會化服務對農業低碳發展影響的研究仍然較少。同時，農業具有碳排和碳匯的雙重效應[12]。農業社會化服務不僅能夠影響農業碳排放，還可以通過優化土壤輪作、實施土壤保護措施以及推廣精準農業技術和節水灌溉技術等環保技術，提高土壤有機碳含量，從而增加農業碳匯量。因此，同時納入碳排放和碳匯對農業碳全要素生產率增長進行核算，并考察農業社會化服務對農業碳全要素生產率增長的影響，具有重要的理論和實踐意義，但是相關研究仍較為缺乏；二是研究方法的選擇存在不足。已有研究多從主體獨立的角度進行分析，忽略了環境變量可能引發的各主體間的空間關聯性[13]。體現在研究方法的選擇上，則是較少基于空間計量方法分析農業社會化服務對農業低碳生產的影響及其空間溢出效應，導致研究結論缺乏全面性和準確性；三是內生性問題的處理不夠充分。大部分研究較少考慮潛在的內生性問題，或僅簡單地以解釋變量的均值作為工具變量進行處理，未能有效解決內生性偏差，從而可能影響研究結論的可靠性。

基于上述不足，本文擬展開如下研究：首先將農業碳排放和農業碳匯作為非期望與期望產出，選取2003-2020年部分省（市、區）的農業碳全要素生產率增長進行核算，并基于空間杜賓模型（Spatial Durbin Model，SDM），考察農業社會化服務對農業碳全要素生產率增長的直接影響及其空間溢出效應[14]。最后，探討農業社會化服務對不同經濟地帶和糧食功能分區農業碳全要素生產率增長影響的區域異質性。與現有研究相比，在微觀研究層面，本文側重于考察的是農業社會化服務對農業低碳發展的影響①；在宏觀研究層面，本研究納入農業碳匯全面考察了農業社會化服務的綠色低碳效應。

一、理論分析與研究假說

本文構建了“規模效應-技術效應-配置效應-空間溢出效應”的理論分析框架，以厘清農業社會化服務影響農業碳全要素生產率增長的機理。

1.農業社會化服務對農業碳全要素生產率增長影響的機理分析

農業社會化服務能夠通過規模效應、技術效應和配置效應對農業碳全要素生產率增長產生積極影響[10，15]。規模效應可以通過擴大農業生產規模和促進集約化經營，增加農業碳匯量，同時降低單位生產成本和單位碳排放量。技術效應通過引入先進農業技術和新型生產資料，提高農業生產效率和質量。配置效應則通過優化各類要素資源配置，提高農業生產效率，并改善環境質量。綜合規模效應、技術效應和配置效應的作用，農業社會化服務能夠有效促進農業碳全要素生產率增長，從而推動農業低碳可持續發展。

（1）規模效應。部分農戶通過土地流入的方式進行農業規模化經營，以降低生產成本并增加收益[16]。盡管這已成為普遍做法，但許多大量流入土地的農戶仍面臨諸多生產約束，包括勞動力短缺、資金不足、機械設備缺失以及市場對接困難等[17]。這些因素制約了農業規模化經營的進一步發展。在此情況下，農業社會化服務發揮了重要作用。首先，農業社會化服務組織為本地農業規模化經營提供了多方面支持。例如，為農戶提供培訓和生產技術指導，提供農機設備租賃和共享服務以及資金支持，并且協助農戶進行市場調查、產品定位和市場對接等[18]。其次，農業社會化服務為當地農戶引入了更高效的生產管理模式。通過規模化運作和專業化管理，優化了生產流程，提高了農業生產效率，降低了單位農業生產成本，并有效降低了單位碳排放量[11]。此外，農業社會化服務組織為農戶進行的土地整理和規劃有利于優化作物輪作和土壤保護，減少了土壤侵蝕和貧化，提高了土壤的有機碳含量。綜合來看，農業社會化服務能夠有效緩解規模農戶生產約束，改善農業規模經營和管理水平，在促進農業碳匯量增加的同時控制并減少農業碳排放量，從而推動農業碳全要素生產率提升。

（2）技術效應。首先，農業社會化服務在引入、應用和普及先進農業生產技術方面發揮了重要作用。通過提供新知識、新技術和新型高效的生產設備，農業社會化服務降低了當地普通農戶采用先進技術的門檻[19]。農戶通過學習和應用新技術，不僅提高了生產效率，還在實踐中促進了新技術的進一步改進和創新，形成了良性循環的發展機制，提升了農業技術效率[14]。其次，農業社會化服務組織為農戶提供了專業的技術支持和指導，幫助農戶提升了生產技能，使其更好地適應現代農業生產要求，進而提高了農業碳全要素生產率[17]。例如，農戶對精準農業技術、節水灌溉技術等低碳環保技術的掌握和采用，不僅有利于增加土壤碳匯儲備，還能減少農業碳排放，從而促進農業碳全要素生產率增長。此外，隨著生物農藥和有機肥料等新興農藥化肥對傳統農藥化肥的替代，以及測土配方施肥和水肥一體化技術等新興施肥技術的推廣和應用，使得農業生產管理更加精準，化學品使用量顯著減少。這不僅有效降低了農業碳排放，增加了農業碳匯，還減少了對環境的負面影響[10]。總體而言，農業社會化服務通過提供新知識、新技術和新生產資料，顯著促進了農業碳全要素生產率的提升。

（3）配置效應。農業社會化服務的發展對農業低碳發展產生了資源優化配置效應，主要體現在兩個方面：勞動力資源的再分配以及政府和市場資源的優化配置。首先，隨著城鎮化、土地規模化和服務規模化的推進，農業勞動力向非農部門大量轉移，農業勞動力總量減少，同時擁有各類專業知識和技能的高素質人才進入農業產業，促進了農業部門人力資本的優化配置[20]。這一現象不僅解決了“誰來種地”的難題，還改善了農業生產效率低下和環境污染等問題，為農業低碳可持續發展提供了支持[15]。其次，農業社會化服務的興起推動了政府和市場資源向當地農業產業傾斜。政府通過出臺相關政策法規鼓勵和規范農業社會化服務組織的發展，并通過財政補貼和貸款支持等方式推動其蓬勃發展，為各類農業社會服務組織的發展營造了良好的制度環境[21]。同時，市場需求的不斷擴大也吸引了大量市場資源的注入，包括各類金融機構提供的融資支持、先進農業生產技術和管理模式的引進以及低碳高效生產資料的研發與供應等[22]。此外，農業社會化服務組織還可以幫助農民直接進入碳市場，參與碳交易或碳補償項目，通過實施碳抵消措施來獲得經濟收益。上述政府政策以及市場資源的優化配置不僅緩解了要素供給短缺問題，還推動了農業向專業化、低碳化方向發展，促進了農業綜合生產能力、技術水平和產業效率的提升，最終有利于農業碳全要素生產率增長。

根據上述理論分析可知，農業社會化服務可以通過規模效應、技術效應和配置效應促進農業碳全要素生產率提升，因此提出如下假說。

H1：農業社會化服務能夠促進農業碳全要素生產率增長。

2.農業社會化服務對農業碳全要素生產率增長影響的空間溢出效應分析

農業社會化服務作為一種新型農業生產經營模式，不僅直接促進了農業低碳發展，還可以通過知識與技術傳播、技術創新以及資源共享與合作等方式，對周邊省份的農業碳全要素生產率增長產生空間溢出效應。首先，農業社會化服務促進了農業知識和技術的傳播。通過科學種植等技術指導和培訓以及先進生產管理模式的推廣，周邊省份的農民能夠學習并優化自身的農業生產方式，在降低農業碳排放的同時促進農業碳匯量的增加，從而提高農業碳全要素生產率[23]。其次，農業社會化服務有利于推動農業技術創新。農業社會化服務組織持續進行的科技研發和技術創新通過交流和分享傳播至周邊省份，形成了技術外溢效應，促進了周邊省份農業碳全要素生產率的提升[24]。最后，農業社會化服務促進了資源共享與合作。鄰近省份的農民可以共享先進的農業設備、優質種子等生產資料，降低了農業生產成本，有效減少了農業碳排放，同時增加了土壤碳匯儲備，從而提高了農業碳全要素生產率[10]。總體來看，農業社會化服務的發展可以對周邊省份的農業碳全要素生產率增長產生正向的空間溢出效應，推動了整個地區的農業低碳發展進程，據此提出如下假說。

H2：農業社會化服務對鄰近省份農業碳全要素生產率增長具有空間溢出效應。

由此，構建農業社會化服務影響農業碳全要素生產率增長的機理分析框架如圖1。

二、研究設計

1.研究方法和變量設定

模型中，被解釋變量農業碳全要素生產率增長根據上文方法運用MaxDEA Ultra軟件計算得到。核心解釋變量農業社會化服務水平用農業服務業總產值與農業從業人員數之比表征[10]。農業服務業總產值的計算公式為：（農業總產值/農林牧漁業總產值）×農林牧漁服務業總產值。同樣，農業從業人員數以農業總產值與農林牧漁業總產值的比值對第一產業從業人員數進行分離得到。

模型中的控制變量為影響農業碳全要素生產率增長的其他因素，參考黃偉華等[28]以及楊秀玉等[29]的研究，設置如下控制變量：①財政支農水平（Fina），用農林水事務支出與財政總支出之比表示；②城鎮化水平（Urban），為城鎮人口數與總人口數之比；③工業化程度（Indu），即第二產業生產總值與地區生產總值之比。④農村基礎教育水平（Educ），用農村人均受教育年限替代；⑤農業結構調整（Stru），用糧食作物播種面積與農作物總播種面積之比表征；⑥農業機械化水平（Mach），將耕地、播種、灌溉、植保、收割五個環節的機械化程度進行加權計算得到；⑦農作物受災程度（Disa），用農作物受災面積與農作物總播種面積之比表示。

2.數據來源

鑒于我國農林牧漁服務業總產值數據自2003年才開始統計[10]，因此僅選取30個省（市、區）2003-2020年②的統計數據。其中，投入與產出數據來源于2004-2021年《中國農業年鑒》《中國農村統計年鑒》與《中國能源統計年鑒》。農林牧漁服務業總產值數據來源于2004-2021年各地方統計年鑒。控制變量數據來源于2004-2021年國家統計局。對于個別缺失值，采用線性插值法進行補充。各變量的描述性統計結果見表1。

三、實證結果與討論

1.中國農業碳全要素生產率增長核算與分解

基于非徑向非角度的超效率非期望SBM-GML指數模型，運用MaxDEA Ultra軟件對中國農業碳全要素生產率增長進行核算與分解，結果顯示，2003-2020年中國農業碳全要素生產率年均增長2.3%，主要由前沿技術進步驅動（年均增長2.27%），技術效率的年均增長率僅為0.03%。這與黃偉華等的研究結果接近：1994-2019年中國農業碳生產率年均增速為2.4%，主要由前沿技術進步推動（年均增長2.95%）[28]。進一步分析時間變化特征發現，中國農業碳全要素生產率增長過程可劃分為兩個階段：2003-2010年與2011-2020年（如圖2）。①2003-2010年階段。該階段中國農業碳全要素生產率增長指數呈起伏特征，圍繞數值1.0上下波動。這主要是因為在2010年以前，中國農業采取粗放型發展方式，農戶環保意識薄弱，過度使用農藥化肥等，雖然產量得以增加，但也導致了環境污染問題[28]。②2011-2020年階段。除2017年外，該階段農業碳全要素生產率呈穩定增長態勢。因為政府自2011年開始陸續頒布了一系列政策文件來進行全國土地整治①和高標準農田建設②，并著手解決農業面源污染③以及化肥和農藥施用過量④等問題。這些政策舉措在改善農業生產條件、促進產量增長的同時，也有效減少了農業碳排放量，推動了農業碳全要素生產率增長。需要注意的是，2017年農業碳全要素生產率增長指數低于數值1.0，是因為該年大部分省份的農業碳匯量略低于前后幾年，而農業碳排放量略有增加。這一現象可能與當年部分地區農業政策調整或氣候異常等因素有關，導致該年農業碳全要素生產率增長指數出現短暫下降。

2.空間相關性分析與模型檢驗結果

在進行基準回歸結果的分析之前，首先利用全局莫蘭指數分別對農業社會化服務與農業碳全要素生產率增長的空間相關性進行檢驗。從表2可以看出，大部分年份的全局莫蘭指數在不同顯著性水平上通過了檢驗，表明農業社會化服務和農業碳全要素生產率增長均存在顯著的正向空間相關性，且農業碳全要素生產率增長的空間相關性更強。這一結果驗證了二者均在省份間存在集聚效應，可以進行后續的空間計量分析。

在空間自相關性檢驗的基礎上，分別基于空間鄰接矩陣和地理距離矩陣，依次進行LM、Robust LM、Wald、Haus- man以及LR檢驗，對最適用于本文的空間計量模型及其形式進行篩選[30]。由表3可知，在空間鄰接矩陣下，空間誤差模型（SEM）和空間自回歸模型（SAR）的LM和Robust LM檢驗統計量均通過了顯著性檢驗，這表明可以初步選擇SDM；進一步地，Wald檢驗統計量也通過了顯著性檢驗，表明SDM不會退化為SEM或SAR；最后，Hausman和LR檢驗統計量通過了顯著性檢驗，表明應選擇雙向固定效應的SDM。同理，在地理距離矩陣下，除了SEM的LM檢驗統計值不顯著外（僅該統計值不顯著仍可初步選擇SDM），其余檢驗結果與空間鄰接矩陣一致。因此，基于上述檢驗結果，接下來分別基于空間鄰接矩陣和地理距離矩陣采用雙向固定效應的SDM展開進一步分析。

3.基準回歸結果

表4展示了空間鄰接矩陣和地理距離矩陣下SDM的回歸結果。參數估計結果表明，無論在哪種空間權重矩陣下，農業社會化服務均在1%的水平上對農業碳全要素生產率增長具有顯著的正向影響，并且分別在10%和5%的水平上對農業碳全要素生產率增長存在正向的空間溢出效應。此外，控制變量的參數估計結果顯示，兩種空間權重矩陣下各控制變量對農業碳全要素生產率增長的影響方向和大小基本一致，說明模型具有一定的穩健性。接下來進行效應分解，深入分析農業社會化服務及各控制變量對農業碳全要素生產率增長的直接影響與空間溢出效應。

表5展示了空間鄰接矩陣和地理距離矩陣下農業社會化服務及各控制變量對農業碳全要素生產率增長影響的SDM效應分解結果。由于地理距離矩陣下SDM的R2更大，說明該模型解釋力更強，因此重點針對該模型結果進行分析。

（1）直接效應。從核心解釋變量來看，在兩種空間權重矩陣下，農業社會化服務均對農業碳全要素生產率增長具有顯著的正向影響，且顯著性水平達到1%。這表明農業社會化服務的發展對農業碳全要素生產率增長具有直接促進作用，假說H1得以驗證。根據前文的理論分析，農業社會化服務的快速發展能夠為農戶提供資金、技術和設備等支持，幫助其與市場有效對接，進而促進了農業規模化經營，降低了農戶的生產成本，提高了生產效率，從而推動了農業碳全要素生產率增長。同時，農業社會化服務組織不僅為當地農戶引入了新知識、新技術、新設備以及高效低碳的新型生產資料，還通過提供技術指導與培訓幫助農戶提升了生產技能。這些舉措不僅增強了農戶生產能力，還促進了農業生產的現代化和綠色化轉型。此外，農業社會化服務還通過整合勞動力和資本等生產要素以及引導政府與市場資源向本地農業傾斜，優化了資源配置效率，減少了資源浪費，進一步推動了農業低碳發展。總體而言，農業社會化服務通過上述途徑直接促進了農業碳全要素生產率增長，驗證了其在推動農業現代化和低碳發展中的重要作用。

就控制變量而言，財政支農水平、城鎮化水平以及農業結構調整在10%的顯著性水平上正向影響農業碳全要素生產率增長，工業化程度和農村基礎教育水平的影響為正但不顯著，而農業機械化水平和農作物受災程度在1%的顯著性水平上負向影響農業碳全要素生產率增長。其中，可能的原因如下：①政府對農業的支持力度越大，越有利于農業低碳可持續發展。財政支農不僅有利于通過加大要素投入促進農業產出增長，還能夠通過政府低碳環保技術的推廣和應用抑制農業碳排放[28]。②城鎮化的發展不僅有利于農業規模化經營與專業化分工，規模經濟降低了單位生產成本，其帶來的技術進步效應對農業部門的外溢也有利于降低農業碳排放，促進農業碳全要素生產率增長[31]。③糧食作物種植比例的增加不僅有利于農業產出增加，而且能夠通過規模化種植促進化肥和農藥等的科學合理施用，有利于農業碳全要素生產率增長[26]。④農機使用柴油、汽油等能源會導致農業碳排放量增加，但由于目前我國農業機械化發展處于初級階段，對農業產出的影響仍較小，因此農業機械化對農業碳全要素生產率增長的總體影響為負[32]。⑤自然災害不僅導致農業產出減少，而且使得已有投入作廢，需要重新投入和生產，因此對農業低碳發展具有不利影響[28]。

（2）空間溢出效應。與直接效應結果類似，在兩種空間權重矩陣下，農業社會化服務均在1%的顯著性水平上對農業碳全要素生產率增長具有正向空間溢出效應，假說H2得以驗證。這表明農業社會化服務的發展不僅有利于本地農業碳全要素生產率增長，而且可以通過多種渠道對鄰近省份的農業低碳發展產生顯著的促進作用。具體而言，農業社會化服務通過促進新知識與新技術的傳播與學習，推動科技研發與迭代更新，進而產生空間外溢效應。例如，農業社會化服務組織通過技術培訓和示范推廣等方式，將先進的農業生產技術和管理經驗傳播到鄰近地區，帶動周邊省份農業低碳生產效率的提升。同時，農業社會化服務還通過先進農業設備與種子資源的共享等，促進區域間農業資源的優化配置。例如，農機服務的跨區域作業以及優質種子的跨區域推廣等，都有助于提高周邊地區的農業生產效率，同時降低碳排放強度。此外，農業社會化服務的發展還能夠促進區域間農業產業鏈的協同發展，通過上下游產業的聯動效應，帶動整個區域農業低碳生產水平的提升。這些機制共同作用，使得農業社會化服務對鄰近省份的農業低碳發展產生了顯著的空間溢出效應，進一步驗證了農業社會化服務在推動區域農業低碳轉型中的重要作用。

就控制變量而言，農業機械化水平在1%的顯著性水平上正向影響鄰近省份的農業碳全要素生產率增長，財政支農水平和農業結構調整的影響為正但不顯著，而城鎮化水平和農村基礎教育水平在1%的水平上負向影響鄰近省份的農業碳全要素生產率增長，工業化程度和農作物受災程度的負向影響則不顯著。可能的解釋如下：①農機具有跨區服務作業的特征，農業機械化發展水平越高，越有利于輻射到周邊地區，促進鄰近省份產量增加，同時降低其需要自主購買和使用農機產生的農業碳排放[33]。②城鎮化水平越高，對周邊地區的人才吸引程度也即虹吸效應越強，導致鄰近省份農村勞動力流失，農業生產的女性化和老齡化加劇，不利于農業碳全要素生產率的提升[34]。③與城鎮化水平的影響類似，本省農村基礎教育水平越高，通常代表本省經濟發展水平越高，對鄰近省份農業勞動力具有較強的吸引作用，導致其勞動力短缺，進而對其農業低碳發展產生不利影響。

4.內生性問題討論

盡管已盡量控制了影響農業碳全要素生產率增長的其他變量，但仍存在遺漏變量的可能。同時，由于無法確定是農業社會化服務的發展促進了農業碳全要素生產率提升，還是農業碳全要素生產率增長越快越有利于推動地區農業社會化服務的發展，兩者之間存在互為因果關系的可能[14]。此外，核心變量的測量誤差也可能導致內生性問題。因此，為了解決潛在的內生性問題，參考邵帥等[35]的研究，采用核心解釋變量及其空間滯后項作為工具變量，并利用GS2SLS進行估計。由表6的結果可知，首先，F檢驗統計值大于10，表明不存在弱工具變量問題，工具變量的選擇是有效的。其次，在兩種空間權重矩陣下，農業社會化服務仍在1%的水平上對農業碳全要素生產率增長具有顯著的正向影響。這一結果與前文結論一致，進一步驗證了農業社會化服務對農業碳全要素生產率的促進作用具有穩健性。

5.穩健性檢驗

通過變量縮尾處理、替換被解釋變量、替換核心解釋變量以及更換空間權重矩陣等方法進行穩健性檢驗。①變量縮尾處理，對所有變量進行首端和末端各5%的縮尾處理，以消除異常值的影響[14]。②替換被解釋變量，采用混合方向性距離函數模型和非期望超效率GML指數重新核算農業碳全要素生產率增長，然后進行SDM回歸[36]。③替換核心解釋變量，使用單位播種面積的農業服務業產值替代核心解釋變量進行回歸[19]。④更換空間權重矩陣，采用經濟距離矩陣重新進行回歸[35]。將穩健性檢驗結果（表7）與基準回歸結果（表5）對比，發現無論是直接效應、間接效應還是總效應，核心解釋變量仍對被解釋變量具有顯著的正向影響，這表明研究結論具有穩健性。

6.異質性分析

參考羅明忠等[10]的研究，結合國家統計局對我國經濟地帶的劃分①，分別對東部、中部、西部和東北部地區，以及糧食主產區、糧食主銷區和產銷平衡區進行分組回歸，以探討農業社會化服務對農業碳全要素生產率增長影響的區域異質性，結果分別見表8和表9。

從表8的區域分組回歸結果來看，農業社會化服務對農業碳全要素生產率增長的影響在不同經濟地帶存在顯著差異。具體而言，農業社會化服務對農業碳全要素生產率增長的直接正向影響主要體現在東部地區和東北部地區。這一結果可以從地理和經濟兩方面因素進行解釋。首先，從地理因素來看，我國地勢呈三級階梯式分布，東部和東北部地區相比于西部和中部地區地形更加平坦，這種地理條件為農業生產的規模化和農業社會化服務的布局和發展提供了天然優勢[10]。平坦的地形條件降低了農業機械化作業的難度，為大型農機操作和大規模連片作業創造了理想條件。在同等條件下，機械化作業能夠覆蓋的面積更廣、效率更高，從而能夠顯著提升農業生產效率，降低能源消耗和碳排放強度，進而促進農業碳全要素生產率增長。其次，從經濟因素來看，我國東部和東北部地區經濟發展水平普遍高于中西部地區，在基礎設施建設、資金、技術和市場等方面具有顯著優勢，為農業社會化服務的發展和高效運轉提供了堅實基礎。例如，東部地區憑借其發達的經濟條件和市場化程度，能夠快速引入和推廣先進的農業技術和管理模式，同時通過完善的市場網絡實現農業生產資料的優化配置和農產品的高效流通。東北部地區則依托其豐富的農業資源和較高的農業機械化水平，形成了規模化、集約化的農業生產模式。通過提供綜合性的農業生產支持，東部和東北部地區農業社會化服務的發展顯著提高了農業生產效率和效益，有效推動了農業碳全要素生產率增長。

農業社會化服務對農業碳全要素生產率增長的正向空間溢出效應主要體現在西部地區，即西部地區省份農業社會化服務的發展有利于促進其鄰近省份農業碳全要素生產率的增長。首先，相較于其他地區，西部地區在農業發展、基礎設施建設和科技應用等方面相對滯后，因其基礎薄弱反而具備較大提升空間。本地農業社會化服務的發展對周邊省份的輻射能夠在短時間內顯著改善其農業生產條件，通過先進的技術支持、高效的機械化服務以及科學的管理模式，快速提升其農業生產的效率[37]。其次，農業社會化服務的發展促進了區域內現代農業知識和信息的交流與共享。西部地區省份通過加強與鄰近省份在農業生產技術、管理經驗以及市場信息等方面的互動與合作，形成了正向的外溢效應，有利于促進區域整體的農業碳全要素生產率增長。

從表9的糧食功能區分組回歸結果來看，農業社會化服務對各功能區農業碳全要素生產率增長的影響也存在異質性。具體而言，農業社會化服務對農業碳全要素生產率增長的直接正向影響主要體現在糧食主產區和糧食主銷區，產銷平衡區的影響不顯著。可能的原因是：①為了保障糧食安全，國家為糧食主產區提供了更多的財政投入和政策支持，使得該地區農業社會化服務發展速度較快、覆蓋面更廣，如農業機械化水平的飛速提升以及先進農業科技的優先推廣和應用等，有效促進了該地區農業碳全要素生產率水平的提升[10]。②糧食主銷區主要位于人口密集的城市和經濟發達地區，農業社會化服務通過及時捕捉市場信息，優化農產品從田間到餐桌的供應鏈管理，幫助農戶根據市場需求及時調整生產行為，減少投入損耗，從而有利于提升農業碳全要素生產率。③產銷平衡區受限于經濟發展水平，農業社會化服務的發展規模和效率面臨一定制約，致使其在推動農業碳全要素生產率增長方面的作用較為有限，難以充分釋放資源優化配置、技術創新和低碳轉型的潛力。

農業社會化服務對農業碳全要素生產率增長的正向空間溢出效應主要體現在糧食主銷區和產銷平衡區。產銷平衡區省份全部位于西部地區，其正向空間溢出效應已在上文進行了闡釋，在此不再贅述。而糧食主銷區農業社會化服務對農業碳全要素生產率增長正向空間溢出效應的原因主要在于技術創新和市場聯動。首先，糧食主銷區因其地理優勢和經濟條件成為農業技術和知識的集散地，這些區域更容易吸引先進農業科技公司和優秀農業社會化服務組織的進入，最新知識和技術創新的廣泛傳播產生了顯著的空間溢出效應。其次，糧食主銷區的市場需求不僅直接影響當地的農業生產，還能通過社會化服務組織的市場信息共享機制輻射到周邊省份。信息的快速傳播和便利的交通條件促使鄰近省份的企業和農戶能夠在區域范圍內進行生產資源的優化配置，及時調整農業生產以快速響應市場需求。這不僅有利于農業生產效率和效益的提升，也有利于農業生產的低碳化和可持續化，從而有效促進農業碳全要素生產率增長。

四、研究結論與政策啟示

在中國農業現代化建設及“雙碳”目標下，深入探究農業社會化服務對農業低碳發展的影響具有重要的理論與現實意義。文章核算了2003-2020年中國30個省（市、區）的農業碳全要素生產率增長，利用SDM考察了農業社會化服務對農業碳全要素生產率增長的影響及其空間溢出效應，并采用GS2SLS方法處理了內生性問題，最后進行了區域異質性分析。研究結果表明：

（1）2003-2020年中國農業碳全要素生產率年均增長2.3%，主要由前沿技術進步驅動，增長率為2.27%。進一步按照時間變化特征，可將該增長過程劃分為2003-2010年與2011-2020年兩個階段，前者圍繞數值1.0上下波動，后者呈穩定增長態勢。

（2）在空間鄰接矩陣和地理距離矩陣下，農業社會化服務均對農業碳全要素生產率增長具有顯著的正向直接影響與正向空間溢出效應，這種影響在內生性檢驗與穩健性檢驗后依然顯著。從控制變量結果看，財政支農水平、城鎮化水平、農業結構調整正向影響農業碳全要素生產率增長，農業機械化水平和農作物受災程度具有負向影響；農業機械化水平對鄰近省份的農業碳全要素生產率增長具有顯著的正向空間溢出效應，城鎮化水平和農村基礎教育水平則具有負向空間溢出效應。

（3）農業社會化服務對農業碳全要素生產率增長的影響具有明顯的區域異質性。劃分4大經濟地帶回歸的結果表明，農業社會化服務對農業碳全要素生產率增長的直接正向影響主要在東部和東北部地區，而正向空間溢出效應在西部地區更突出。劃分3大糧食功能分區回歸的結果表明，農業社會化服務對農業碳全要素生產率增長的直接正向影響表現在糧食主產區和主銷區，正向空間溢出效則更顯著地體現在糧食主銷區和產銷平衡區。

基于上述研究結論，可得出如下政策啟示：①應進一步加強中國農業社會化服務體系建設。包括：改善農村地區交通、水利、電力等基礎設施建設，為農業社會化服務的展開提供良好的物理條件；加大財政支持和補貼力度，用稅收優惠激勵更多社會資本進入，形成多元化的資金來源，促進農業社會化服務的可持續發展；利用互聯網、物聯網和大數據等現代信息技術建立在線服務平臺，實現農業社會化服務的數字化和智能化管理；制定科學的評估標準，對農業社會化服務質量進行監督，增強服務的透明度和信任度，確保服務的高效性和普惠性等。②鼓勵區域間、省份間合作與信息共享，充分發揮農業社會化服務的正向空間溢出效應。通過構建區域協作機制、搭建信息共享平臺以及促進先進科學技術的傳播與應用等，推動地區和省份間資源共享與優勢互補，實現知識、技術、資本和人才等要素的自由流動與優化配置，進而帶動區域整體農業碳全要素生產率的提升。③根據地域特征和農業發展的實際需要，制定差異化的農業社會化服務發展策略。例如，為東部地區和東北部地區以及糧食主產區和主銷區的農業社會化服務發展提供更多的政策支持，通過財政補助、稅收減免和金融支持等手段，推動各類農業社會化服務組織發展。同時，加大公共服務在先進種植技術指導、品種改良和耕地保護等方面的投入，整合和優化資源配置，提升農業碳全要素生產率和效益。對于西部地區以及產銷平衡區，應鼓勵區域內鄰近省份間的協作與信息交流，促進先進知識、科技和管理經驗等的傳播與學習，提升區域整體農業低碳發展水平。

參 考 文 獻

[1]張俊飚，何可.“雙碳”目標下的農業低碳發展研究：現狀、誤區與前瞻[J].農業經濟問題，2022（9）：35-46.

[2]祝福云，師宇星.碳全要素生產率、經濟增長與低碳發展分析——基于黃河流域58個地級市的證據[J].干旱區資源與環境，2024，38（1）：52-59.

[3]郭曉鳴，溫國強.農業社會化服務的發展邏輯、現實阻滯與優化路徑[J].中國農村經濟，2023（7）：21-35.

[4]張露，楊高第，李紅莉.小農戶融入農業綠色發展：外包服務的考察[J].華中農業大學學報（社會科學版），2022（4）：53-61.

[5]伍駿騫，方師樂，李谷成，等.中國農業機械化發展水平對糧食產量的空間溢出效應分析——基于跨區作業的視角[J].中國農村經濟，2017（6）：44-57.

[6]高鳴，宋洪遠.糧食生產技術效率的空間收斂及功能區差異——兼論技術擴散的空間漣漪效應[J].管理世界，2014（7）：83-92.

[7]張夢玲，童婷，陳昭玖.農業社會化服務有助于提升農業綠色生產率嗎？[J].南方經濟，2023（1）：135-152.

[8]王翌秋，徐麗，曹蕾.“雙碳”目標下農業機械化與農業綠色發展——基于綠色全要素生產率的視角[J].華中農業大學學報（社會科學版），2023（6）：56-69.

[9]李翠霞，許佳彬，王洋.農業綠色生產社會化服務能提高農業綠色生產率嗎[J].農業技術經濟，2021（9）：36-49.

[10]羅明忠，魏濱輝.農業生產性服務的碳減排作用：效應與機制[J].經濟經緯，2023，40（4）：58-68.

[11]程永生，張德元，汪俠.農業社會化服務的綠色發展效應——基于農戶視角[J].資源科學，2022，44（9）：1848-1864.

[12]田云，張俊飚.中國農業生產凈碳效應分異研究[J].自然資源學報，2013，28（8）：1298-1309.

[13]韓海彬，楊冬燕.農業產業集聚對農業綠色全要素生產率增長的空間溢出效應研究[J].干旱區資源與環境，2023，37（6）：29-37.

[14]顏華，齊悅，張梅.農業生產性服務促進糧食綠色生產的效應及作用機制研究[J].中國農業資源與區劃，2023，44（2）：54-67.

[15]高恩凱，朱建軍，鄭軍.農業社會化服務對化肥減量的影響——基于全國31個省區面板數據的雙重檢驗[J].中國生態農業學報（中英文），2023，31（4）：632-642.

[16]張培文.社會化服務對農業環境技術效率的影響研究[D].南昌：江西財經大學，2021.

[17]楊子，饒芳萍，諸培新.農業社會化服務對土地規模經營的影響——基于農戶土地轉入視角的實證分析[J].中國農村經濟，2019（3）：82-95.

[18]張永奇，單德朋.縣域數字經濟、農業社會化服務與小農戶受益——基于宏微觀數據的經驗考察[J].上海財經大學學報，2024，26（1）：94-107.

[19]張恒，郭翔宇.農業生產性服務業發展與農業全要素生產率提升：地區差異性與空間效應[J].農業技術經濟，2021（5）：93-107.

[20]陳義媛.農業社會化服務與小農戶的組織化：不同服務模式的比較[J].中國農業大學學報（社會科學版），2024，41（1）：48-64.

[21]武舜臣，陸雪嬌，黃帥金.農業生產托管項目何以取得成效——基于政策執行視角的審視[J].中國農村觀察，2021（5）：110-127.

[22]蘆千文，韓馥冰.農業生產性服務業：世界歷程、前景展望與中國選擇[J].世界農業，2023（5）：32-43.

[23]田云，尹忞昊.技術進步促進了農業能源碳減排嗎？——基于回彈效應與空間溢出效應的檢驗[J].改革，2021（12）：45-58.

[24]宦梅麗，戴瑤.農機服務、技術引入與中國糧食生產技術效率[J].商業研究，2023（2）：145-152.

[25]安慧，汪永豪，安敏，等.長江經濟帶沿線城市水資源綠色效率及節水減排潛力時空演變[J].長江流域資源與環境，2023，32（4）：692-705.

[26]劉藝，李谷成，葉鋒.中國種植業碳全要素生產率增長核算、動態演進與空間溢出[J].中國農業資源與區劃，2024，45（6）：37-48.

[27] ELHORST J P.Spatial econometrics：from cross-sectional data to spatial panels[M].Berlin：Springer，2014.

[28]黃偉華，祁春節，黃炎忠，等.財政支農投入提升了農業碳生產率嗎？——基于種植結構與機械化水平的中介效應[J].長江流域資源與環境，2022，31（10）：2318-2332.

[29]楊秀玉，喬翠霞.農業產業集聚對農業碳生產率的空間溢出效應——基于財政分權的調節作用[J].中國人口·資源與環境，2023，33（2）：92-101.

[30]趙小磊，李雪梅，趙慶先.新能源汽車推廣降低了碳排放嗎？——基于空間溢出效應的視角[J].干旱區資源與環境，2024，38（2）：1-8.

[31]田云，盧奕亨.中國省域新型城鎮化與農業碳排放效率的耦合協調關系[J].華中農業大學學報（社會科學版），2023（4）：33-46.

[32]高晶晶，史清華.中國農業生產方式的變遷探究——基于微觀農戶要素投入視角[J].管理世界，2021，37（12）：124-134.

[33]方師樂，衛龍寶，伍駿騫.農業機械化的空間溢出效應及其分布規律——農機跨區服務的視角[J].管理世界，2017（11）：65-78，187-188.

[34]程琳琳，張俊飚，何可.多尺度城鎮化對農業碳生產率的影響及其區域分異特征研究——基于SFA、E指數與SDM的實證[J].中南大學學報（社會科學版），2018，24（5）：107-116.

[35]邵帥，范美婷，楊莉莉.經濟結構調整、綠色技術進步與中國低碳轉型發展——基于總體技術前沿和空間溢出效應視角的經驗考察[J].管理世界，2022，38（2）：46-69，4-10.

[36]楊皓然，吳群.碳排放視角下的江蘇省土地利用轉型生態效率研究——基于混合方向性距離函數[J].自然資源學報，2017，32（10）：1718-1730.

[37]唐望，彭柳林，周發明.農業生產性服務對縣域產業結構升級的影響——來自準自然實驗的證據[J].世界農業，2023（11）：115-124.

Impact of Agricultural Socialized Services on the Growth of Agri- cultural Carbon Total Factor Productivity

LIU Yi， LI Gucheng， LI Lianjun

Abstract The low-carbon development of agriculture is of great significance for promoting highquality agricultural development and ecological civilization construction.Based on the measured data of agricultural carbon emissions and carbon sinks from 30 provinces （cities and districts） in mainland China from 2003 to 2020，this study employs a spatial Durbin model to analyze the direct impact of agricultural socialized services on the growth of agricultural carbon total factor productivity and its spatial spillover ef- fects.It was found that from 2003 to 2020，the average annual growth rate of agricultural carbon total fac- tor productivity in China was 2.3%，with a contribution rate of 2.27% from advancement in frontier tech- nology.Moreover，under both spatial adjacency matrix and geographic distance matrix，agricultural social- ized services have a significant positive direct impact effect on the growth of agricultural carbon total fac- tor productivity，as well as positive spatial spillover effect.Specifically，the direct impact is evident in the eastern and northeastern regions，as well as in major grain production and sales areas，while the spatial spillover effect is manifested in the western region，as well as the major grain sales and balance area.Ac- cordingly，it is recommended to further strengthen the construction of agricultural socialized service sys- tem in China，promote cooperation and information sharing among regions and provinces，and at the same time formulate differentiated strategies for the development of agricultural socialized services，taking into account the regional characteristics and the actual needs of agricultural development.

Key words agricultural socialized services； agricultural carbon emissions； agricultural carbon sinks； total factor productivity； spatial Durbin model

（責任編輯：陳萬紅）

① 大部分微觀層面研究考察的是農業社會化服務對基于面源污染的農業綠色全要素生產率的影響。

① 需要注意的是，農業碳全要素生產率是以上年為1的環比指數，本文將其轉化為以2003年為1的累積值。

② 由于數據可得性與缺失問題，研究未選取中國香港、澳門、臺灣以及西藏四個地區的數據；同時，由于2020年之后的部分關鍵數據（如農林牧漁服務業總產值）缺失較多，為保證研究結果的準確性和可比性，僅選擇2003-2020年作為研究時間段。

① 參見：自然資源部《全國土地整治規劃（2011-2015）》，https：//www.mnr.gov.cn/dt/ywbb/201810/t20181030_2262157.html.

② 參見：國務院《國家農業綜合開發高標準農田建設規劃（2011-2020年）》，https：//www.gov.cn/xinwen/2016-09/19/content_ 5109557.htm.

③ 參見：農業農村部《關于打好農業面源污染攻堅戰地實施意見》，http：//www.moa.gov.cn/xw/zwdt/201504/t20150413_4524372.htm.

④ 參見：農業農村部《到2020年化肥使用量零增長行動方案》《到2020年農藥使用量零增長行動方案》，http：//www.moa.gov.cn/ nybgb/2015/san/201711/t20171129_5923401.htm.

① 參見：國家統計局《經濟地帶是如何劃分的？》。https：//www.stats.gov.cn/hd/lyzx/zxgk/202405/t20240524_1953711.html.