我国粮食主产区农业碳排放影响因素及空间溢出性

王珧 张永强 田媛 王荣

摘要：【目的】对我國粮食主产区农业碳排放量进行测度，明晰农业碳排放影响因素，为实现农业经济与生态环境的协调发展提供理论依据。【方法】基于2004—2016年我国粮食主产区省际数据，在对粮食主产区农业碳排放量测度的基础上，引入空间自相关分析法和空间面板计量模型，考察粮食主产区农业碳排放的影响因素及其空间溢出性。【结果】我国粮食主产区农业碳排放量具有明显的空间相关特征，即粮食主产区各地区农业碳排放量不仅受到来自本地区农业碳排放的直接影响，还会受到其他地区农业碳排放的影响。考虑粮食主产区农业碳排放的影响因素，粮食生产技术效率、城镇化水平和农业产业集聚水平均对农业碳排放量有显著的抑制作用（P<0.01，下同），农业发展水平和农业开放度对农业碳排放量有显著的正向促进作用，而产业结构对农业碳排放的影响不显著（P>0.1）。【建议】为更好地促进我国粮食主产区农业碳减排，政府应强化农技推广和投入，依靠农业技术进步实现碳减排;制定合理政策适度推动城镇化发展，发挥城镇化对农业碳减排的正向作用;鼓励农业资源调整和重组，推动农业产业集聚;加强地区间合作交流，推进低碳农业平衡发展。

关键词： 粮食主产区;农业碳排放;空间自相关;空间溢出性;影响因素

0 引言

【研究意义】随着全球气候变暖加剧，碳排放已成为各国普遍关注的问题。我国于2009年正式宣布控制温室气体排放的行动目标，即到2020年单位国内生产总值二氧化碳排放量比2005年下降40%～45%;2014年底进一步提出，到2030年左右二氧化碳排放强度比2005年下降60%～65%。在碳减排的巨大压力下，农业作为碳排放的重要来源，受到我国政府及相关部门的高度重视，先后提出低碳农业、生态循环农业等发展理念，近几年中央一号文件也持续关注农业环境问题。党的十九大报告明确提出生态宜居是实现乡村振兴的关键，而农业碳排放作为衡量农业生态的重要指标，必定会为生态环境的改善贡献力量。我国是农业大国，粮食主产区在我国农业生产中具有举足轻重的地位，据统计资料显示，2017年我国粮食主产区的粮食总产量占全国粮食总产量的76.2%，粮食增产总量的95%均来自于粮食主产区，较大的粮食产量使其成为我国农业碳排放重要来源区域。因此，在加快碳减排步伐和不断改善农村生态环境的双重背景下，研究我国粮食主产区农业碳排放及其影响因素对于探索农业生态化发展、实现总体碳减排有重大意义。【前人研究进展】对农业碳排放进行全面测算，明确其变化特点，是研究农业碳减排问题的基础（何艳秋等，2018）。从研究区域来看，大多数学者从全国层面出发，部分学者关注一定区域内的农业碳排放问题，但涉及粮食主产区的研究较少。在全国范围内，梁青青（2018）、韦沁等（2018）分别对我国东中西部和南北区域的农业碳排放进行差异性分析，结果表明，我国农业碳排放总量东部最高，中部次之，西部最低，北方农业碳排放量高于南方地区;陈炜等（2019）基于种植业生产过程中的农用物资数据，测算了1997—2015年我国种植业碳排放量，发现种植业碳排放增速呈现出明显的下降—上升—下降的变化特征。有关区域性研究方面，王兴等（2017）利用灰色关联度分析法对西南地区农业碳排放驱动因素及其主要贡献因子进行了研究;郭四代等（2018）运用包含非期望产出的SBM-Undersirable模型对西部地区各省（区）的农业碳排放总量和碳排放效率进行了评价。关于粮食主产区，张军伟等（2018）运用空间面板随机前沿生产函数模型对我国31个省（区）粮食生产过程中碳排放的规模和强度进行了测算，指出粮食主产区碳减排潜力高于主销区。除对农业碳排放测度外，部分学者还通过进一步研究明晰了农业碳排放的影响因素，以制定针对性减排措施。陈银娥和陈薇（2018）、魏玮等（2018）、赵爽等（2018）分别从农业机械化、技术进步及低碳试点政策与农业碳排放相关性视角对农业碳排放影响因素进行较深入的研究，并得出一系列具有现实意义的结论。【本研究切入点】在研究农业碳排放影响因素方面，学者们多从因素分解及因素的相关性出发，鲜有考虑到空间效应对农业碳排放的影响。对于牵涉到局限于某区域性的问题，忽略区域间的空间相关性有可能导致研究结果有失偏颇（Tobler，1970）。【拟解决的关键问题】从空间溢出效应视角，在对我国粮食主产区农业碳排放量测度的基础上，利用空间计量模型分析区域农业碳排放的影响因素，以期为制定粮食主产区农业碳减排政策提供理论支撑。

1 数据来源与研究方法

1. 1 农业碳排放估算方法

本研究中农业碳排放主要聚焦于狭义的农业，即水稻种植业。种植业碳排放包括农地间接碳排放和农地直接碳排放。农地间接碳排放是指化肥、农药、农膜、灌溉和农机使用等产生的碳排放;农地直接碳排放一般是指水稻生产发育过程中产生的甲烷，因为相对于其他农作物，水稻种植产生的温室气体较多（田云等，2012）。本研究参考何艳秋等（2018）的研究方法，构建各省区粮食主产区农业碳排放量（C）的测算公式：

公式（2）中，C间表示农地间接碳排放量，Ai为6类碳源因子分量，包括各省（区）化肥、农药、农膜、柴油的使用量及农作物总播种面积和有效灌溉面积;Ei是各类碳源的碳排放系数，参照West和Marland（2002）、Dubey和Lal（2009）的计算方法，得出6类碳源相应的排放系数分别为0.90、4.93、5.18和0.59 kg/kg及312.60和266.48 kg/ha。公式（3）中，C直表示农地直接碳排放量，Bi为粮食主产区各省（区）水稻种植面积，Fi为各省（区）水稻生长周期内的碳排放系数。借鉴闵继胜和胡浩（2012）测算出的各省（区）水稻生长的碳排放系数（表1），以此进行农地直接碳排放量的计算。

1. 2 空间计量方法

为研究粮食主产区农业碳排放的影响因素及空间溢出性，本研究选取空间计量模型进行影响效果的测算。空间计量模型一般包括空间滞后模型（Spatial lag model，SLM）和空间误差模型（Spatial error model，SEM）两种，SLM模型主要探讨某一地区被解释变量受系统中的临近地区该变量的影响，即空间溢出性，在分析中加入了因变量的空间滞后因子。而SEM模型强调相近地区有着相近的特征，地区间可能产生的随机误差会对空间溢出效应产生冲击，因此，SEM模型的空间依赖关系存在于扰动误差项中。

1. 3 变量说明及數据来源

1. 3. 1 变量说明 结合粮食主产区的特征，选取以下6个变量作为影响农业碳排放的外生变量。（1）粮食生产技术效率（TE）：考虑到粮食主产区各省（区）以种植业为主，农业技术运用更多的体现在粮食生产中，因此本研究选取粮食生产技术效率作为外生变量，并借鉴高鸣和马铃（2015）的研究方法采用EBM模型对粮食生产技术效率进行测算。以粮食总播种面积、种粮劳动力、化肥使用量、农药使用量和机械总动力作为5个投入指标，以粮食总产量作为产出指标。（2）城镇化水平（URB）：以城镇人口占总人口的比重来表征城镇化水平。（3）产业结构（IS）：以农业产值在农林牧渔业总产值中所占比值作为产业结构的测度指标。（4）农业产业集聚水平（AGG）：农业产业集聚是由农业生产经营活动中各参与主体相互联系所形成的有机集合，表现为在地区空间上的高度集中。农业产业集聚水平采用区位商的方法计算，具体公式为AGij=（Yij/Yj）/（Yi/Y），其中，Yij为j地区农业生产总值，Yj为j 地区所有产业总产值，Yi为全国农业总产值，Y为全国所有产业总产值。（5）人均农业总产值（PE）：一定程度上体现了农业发展水平。通过不变价值的农业总产值除以总人口数来计算。（6）农业开放度（OPE）：选取各省（区）农业进出口实际总额与农业增加值的比值来衡量农业开放度，其中，农产品进出口贸易额用人民币对美元的汇率进行换算。

1. 3. 2 数据来源 考虑到在2003年首次提出低碳经济后我国才开始密集出台一系列的法律法规，初步形成低碳法律基础和政策保障体系（胡川等，2018），且结合粮食主产区各地区农业发展不平衡、农业数据样本区间长度不充足的特点，本研究使用2004—2016年粮食主产区各省（区）数据计算出各变量值。其中，农业碳排放、粮食生产技术效率、城镇化水平、农业产业集聚水平及人均农业总产值相关数据均来自2004—2016年的《中国统计年鉴》和《中国农村统计年鉴》，农业开放度相关数据来自各年度《中国农业年鉴》和中国农产品进出口月统计公告。

1. 4 统计分析

借助Geoda 1.6.0计算2004—2016年我国粮食主产区农业碳排放量的全局Moran’s I指数，并绘制Moran’s I散点图;使用Matlab 7.0对空间计量模型进行估计，分析各外生变量值对粮食主产区农业碳排放的影响。

2 我国粮食主产区农业碳排放影响因素实证分析

2. 1 各省区农业碳排放量及外生变量值

根据1.1构建的粮食主产区农业碳排放量的测算公式，计算得出2004—2016年粮食主产区各省（区）的农业碳排放量（C）。从表2可看出，农业碳排放量较高的为山东、河南和河北，较低的为吉林、辽宁和内蒙古，且农业碳排放量较高和较低的省（区）在地理位置上均呈集中分布。因此，从数据资料来看，农业碳排放存在一定的空间关联性。此外，根据外生变量指标的计算方法对各外生变量值进行计算，表2也给出了各变量值的均值。

2. 2 粮食主产区农业碳排放空间相关性分析结果

为判断空间因素对粮食主产区农业碳排放产生的作用，首先要进行空间相关性检验。一般用Moran’s I来检验空间自相关性，其可揭示经济变量的空间作用机制（Anselin，2003），空间自相关检验包括全局空间相关性和局部空间相关性检验。从表3可看出，全局Moran’s I指数均大于0，且均通过显著性检验。同时，标准化检验值（Z）均为正值且大部分超过1.9600，表明粮食主产区农业碳排放的空间分布并非完全随机，而是存在显著的空间集聚性，粮食主产区农业碳排放的变迁会受到空间相关性因素的影响，若忽略空间因素，将会失去模型估计的准确性。

为观察变量值在空间上的集聚情况，在全局空间自相关性检验的基础上，绘制Moran’s I散点图，进一步观察农业碳排放在空间分布的局域特性。由于选取的时间跨度为13年，因此，为了更加简洁清楚地理解农业碳排放在这段时间的空间分布，选用3年（2004、2010和2016年）的分布情况进行观察分析。由图1可看出，3个年份中大部分地区农业碳排放的落点均在第一和第三象限，第一象限（HH）为高值聚类区，表示农业碳排放量高的省区聚集在一起;第三象限（LL）为低值聚类区，表示农业碳排放量相对低的省区聚集在一起。位于HH象限和LL象限的省区占粮食主产区所有省（区）的84.62%，表明粮食主产区各省（区）间的农业碳排放存在空间相关性，即空间溢出效应明显。因此，粮食主产区各地区农业碳排放量不仅受到来自本地区农业碳排放的直接影响，还会受到其他地区农业碳排放的影响。

2. 3 粮食主产区农业碳排放空间计量分析结果

空间计量分析的关键是针对变量间的相互关系确定合适模型，通过空间相关性检验结果可知，对粮食主产区农业碳排放影响因素的分析需要考虑空间因素的影响。如表4所示，LM error和R-LM error检验均满足1%的显著性检验（P<0.01），而LM lag和R-Lm lag检验均不显著（P>0.01），因此，本研究采用SEM模型。此外，进行Hausman检验得到统计量16.25，对应的P为0.0125，小于0.05，即通过了5%的显著性水平检验，拒绝原假设，应选择固定效应模型进行分析。综上所述，固定效应下的空间误差模型为最适合的空间计量模型。

借助Matlab 7.0对空间计量模型进行估计，同时将普通回归的OLS估计结果和SLM模型估计结果也列入表5中与SEM模型估计结果进行对比。从模型的回归结果中可看出，无论是整体拟合优度还是对数似然函数值，SEM模型均优于OLS模型和SLM模型;且SEM模型的空间误差项系数λ显著为正，说明粮食主产区农业碳排放确实存在显著的空间溢出性。

进一步对表5中SEM模型系数估计结果进行分析，得知：

（1）粮食生产技术效率（TE）系数为负，且在1%的置信水平上显著，说明粮食生产技术效率改进对粮食主产区农业碳排放量的增加有显著抑制作用。技术效率是指在既定各种投入要素的条件下，实现最大产出的投入最小化能力（胡中应，2018）。而粮食生产技术效率体现了决策单元在粮食生产过程中对生产资源的合理配置、对农业科技的有效运用及规模经营。近年来，我国持续关注粮食主产区化肥、农药用量问题，为达到化肥减量增效，采取了调优结构、精准施肥及有机肥替代等措施，因此，粮食生产技术效率的提高在一定程度上促进了农业碳排放量的减少。

（2）城镇化水平（URB）系数为负，且在1%的置信水平上显著，说明城镇化水平对粮食主产区农业碳排放量有显著的负向影响。究其原因可能是，城镇化的快速发展，一方面造成农村劳动力向城市转移，农业劳动力逐渐减少，在一定程度上降低了农业生产规模，有利于降低农地投入的碳排放;另一方面，随着城镇化进入加速发展阶段，城镇建设用地急剧向农村扩展，导致农村耕地面积减少，也在一定程度上促进了农业碳减排。2017年粮食主产区有6个省（区）的城镇化率均超过全国平均水平，粮食主产区新型城镇化的不断推进，对抑制该地区农业碳排放量的增加有着积极作用。

（3）产业结构（IS）系数为正，但未通过显著性检验。种植业是农业碳排放的主要来源，种植业所占比重提高意味着更多化肥、农药、农膜等生产资料的投入，一定程度上会增加农业碳排放。但粮食主产区内产业结构对农业碳排放的影响不显著，其原因可能是位于粮食主产区的各省（区）大多以种植业为主，农地利用和水稻种植为该区域农业碳排放的长期主导因素，短期内种植业结构的调整对总体农业碳排放量影响不大。

（4）农业产业集聚水平（AGG）系数为负，且在1%的置信水平上显著，说明农业产业集聚水平对粮食主产区农业碳排放量有显著的负向影响，农业生产能通过集聚产生投入要素的节约及生产效率的提升，从而促进农业碳减排。农业产业集聚是农业规模化经营的重要途径，尤其对于粮食主产区来说，农业现代化及城镇化的快速发展，加快了农地规模化经营的进程。农业生产规模的扩大及产业地理空间集聚，能实现劳动力市场、生产投入要素及专业技术的共享，从而产生技术外溢效应，有利于降低农业碳排放量。

（5）人均农业总产值（PE）系数为正，且在1%的置信水平上显著，说明人均农业总产值对粮食主产区农业碳排放有正向影响。人均农业总产值反映的是农业经济发展水平，经济增长是农业碳排放的主要因素。由于目前我国的经济发展与环境质量仍位于拐点左侧，伴随经济的发展也会带来环境的恶化。粮食主产区亦是如此，农业经济发展的同时，农业碳排放持续增加。

（6）农业开放度（OPE）系数为正，且在1%的置信水平上显著，说明粮食主产区农产品贸易的发展增加了农业碳排放量。随着我国农产品进出口额的增长，农产品贸易的发展会带动农业生产的标准化和规模化，但也会带来资源消耗和环境污染等问题。当前粮食主产区大多数省（区）仍以农产品出口为主，2016年粮食主产区有8个省（区）的农产品贸易表现为贸易顺差。伴随着当前我国“三量齐增”现象的出现，农产品供需结构失衡问题突出，农产品出口的增加更是加大了粮食生产的压力;而且在当前农业发展方式粗放和高度依赖资源能源的现实背景下，农产品出口为了满足国际质量标准，有可能采取加大要素和能源投入的方式，进而产生了更多的农业碳排放。

3 讨论

关于粮食主产区农业碳排放量影响因素的研究，与王兴等（2017）、何艳秋等（2018）的研究方法不同，本研究首先通过空间自相关检验得知，粮食主产区农业碳排放量在空间上并非随机分布，存在显著的空间溢出效应，其次运用空间计量模型对粮食主产区农业碳排放量影响因素进行估计，研究结果更具有准确性。

本研究结果表明，抑制粮食主产区农业碳排放量增长的因素包括粮食生产技术效率、城镇化水平和农业产业集聚，与程琳琳等（2018）、胡中应（2018）的研究结果一致。促进农业碳排放量增长的因素包括人均农业总产值和农业开放度，人均农业总产值是地区农业经济发展水平的表现，对农业碳排放量的促进作用在陈银娥和陈薇（2018）的研究中也得到验证。但长期以来，粮食主产区在我国农业发展中一直发挥着巨大的作用，是我国粮食供给的重要保障，不能采取为了推进农业碳减排而放弃粮食主产区农业增长的减排模式。可以预测，短期内农业经济的持续发展仍然是该区域农业碳排放增加的主要因素。产业结构因素对粮食主产区农业碳排放影响不显著，该结果与程琳琳等（2018）对国家层面进行研究的结果存在差异。

由此可见，与已有研究文献相比，从空间溢出效应的视角对粮食主产区农业碳排放量测度及其影响因素的分析更具有针对性，得到的研究结论与粮食主产区的实际情况较相符。此外，解决粮食主产区农业碳排放问题的重点应考虑加大农业科技的投入，调整城乡二元结构，通过发挥产业集聚带来的溢出效应逐步实现粮食主产区农业碳减排。

4 建议

4. 1 强化农技推广与投入，逐步提高技术效率

本研究结果显示，粮食生产技术效率的提升能带来显著的减排作用。因此，在保证粮食安全的前提下，应继续依靠农业技术进步实现碳减排。注重加强粮食主产区的科技创新服务体系建设，推广使用高效节能减排的农业新机具，加大对粮食主產区节能农用机械补贴的政策扶持力度;在农户自愿的基础上，逐步推动农村土地流转，通过适度规模经营改善农地资源配置效率，以此提高粮食生产技术效率;加强对优质高产、抗病抗旱品种的培育，降低化肥、农药、农膜等有害投入品的过度使用，通过农业技术的不断创新提高农业生产资源配置效率，逐步减少种植业由于农业物质投入所造成的农业碳排放。

4. 2 协调好城乡发展关系，适度推进城镇化发展

由估计结果可知，城镇化的发展对粮食主产区农业碳排放有显著抑制作用。因此，应强化城镇发展对农户非农就业的带动作用，通过发展产业融合增加农户就业机会。城镇化发展能加速技术创新、知识进步和人力资本的积累，为农业科技发展和技术人才的培养打下基础，通过农业科技的运用逐步实现农业低碳化目标。同时，应制定合理的地区城镇化发展对策，避免盲目追求城镇化率造成城市空间过度扩展，要合理推进土地城镇化进程和农业布局优化的协调同步，发挥城镇化对农业碳减排的正向作用。

4. 3 适度推动农业产业集聚，逐步实现规模经济

本研究结果表明，农业产业集聚与粮食主产区农业碳排放呈负相关。应鼓励粮食主产区农业资源的调整和重组，加快土地流转进程，促进土地规模化经营，推动农业生产经营方式的转变，加大劳动力市场、生产投入要素及专业技术的共享机会，通过产生技术外溢效应，实现农业碳减排。需要考虑的是，目前粮食主产区农业产业集聚仍处于经济发展的初级阶段，要避免纯粹依靠要素投入实现产业集聚，防止要素拥挤导致农业碳排放回升，因此，需健全以农产品消费而非生产为标准的农业碳减排责任机制，实现产业集聚在促进农业经济发展的同时带来环境的正外部性。

4. 4 加强地区间合作交流，共同推进农业低碳化发展

通过研究发现，粮食主产区各省（区）农业碳排放存在显著的空间依懒性，制定碳减排政策时如果忽视这种空间交互作用有可能会降低政策实施效果。因此，地区间应正视农业碳排放的空间交互作用，及时关注邻近省（区）的农业碳减排政策及相关影响因素的变动;不断加强各地区信息共享，实现技术、投入要素及人力等外部溢出效应;通过合作交流，推进地区间低碳农业的平衡发展。

参考文献：

陈炜，殷田园，李红兵. 2019. 1997—2015年中国种植业碳排放时空特征及与农业发展的关系[J]. 干旱区资源与环境，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.]

陈银娥，陈薇. 2018. 农业机械化、产业升级与农业碳排放关系研究——基于动态面板数据模型的经验分析[J]. 农业技术经济，（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，张俊飚，何可. 2018. 农业产业集聚对碳效率的影响研究： 机理、空间效应与分群差异[J]. 中国农业大学学报，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.]

高鸣，马铃. 2015. 贫困视角下粮食生产技术效率及其影响因素——基于EBM-Goprobit二步法模型的实证分析[J]. 中国农村观察，（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，钱昱冰，赵锐. 2018. 西部地区农业碳排放效率及收敛性分析——基于SBM-Undesirable模型[J]. 农村经济，（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.]

何艳秋，陈柔，吴昊玥，徐杰，宋艺. 2018. 中国农业碳排放空间格局及影响因素动态研究[J]. 中国生态农业学报，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. 农业政策、技术创新与农业碳排放的关系研究[J]. 农业经济问题，（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.]

胡中应. 2018. 技术进步、技术效率与中国农业碳排放[J]. 华东经济管理，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. 我国农业碳排放的空间差异实证研究——基于1996—2015年省际面板数据[J]. 农林经济管理学报，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.]

闵继胜，胡浩. 2012. 中国农业生产温室气体排放量的测算[J]. 中国人口·资源与环境，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. 中国粮食主产区农业碳排强度估算及其分析[J]. 地理科学进展，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.]

王兴，马守田，濮超，赵鑫，王钰乔，张海林. 2017. 西南地区农业碳排放趋势及影响因素研究[J]. 中国人口·资源与环境，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.]

韦沁，曲建升，白静，李恒吉，刘莉娜，徐丽. 2018. 我国农业碳排放的影响因素和南北区域差异分析[J]. 生态与农村环境学报，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.]

魏玮，文长存，崔琦，解伟. 2018. 农业技术进步对农业能源使用与碳排放的影响——基于GTAP-E模型分析[J]. 农业技术经济，（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.]

张翠菊，张宗益，覃明锋. 2016. 能源禀赋、技术进步与碳排放强度——基于空间计量模型的研究[J]. 系统工程，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.]

张军伟，张锦华，吴方卫. 2018. 我国粮食生产的碳排放及减排路径分析[J]. 统计与决策，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.]

赵爽，陈儒，姜志德. 2018. 低碳试点政策对农业碳排放影响的实证研究——基于双重差分模型的检验[J]. 生态经济，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.

（责任编辑 邓慧灵）