策略互动和技术溢出视角下的农业碳减排区域关联

何艳秋　陈柔　朱思宇　夏顺洁　王芳

摘要 农业绿色发展是我国生态文明建设的必然要求，技术创新是撬动农业绿色发展的第一杠杆，而区域协同合作减排是高效减排的重要趋势。为探讨区域协同减排的方式，把握农业技术溢出的渠道和方向，基于2007—2017年中国各省份的面板数据，立足空间视角，将传统杜宾模型和分区杜宾模型相结合，一方面，通过传统杜宾模型分析区域间农业碳关联的原因，进而探讨区域间农业碳减排合作的方式，是减排策略的直接互动，还是农业技术溢出;另一方面，按人力资本水平、技术研发能力和产业集聚水平三个標准建立分区空间杜宾模型，深入分析农业技术溢出的方向;同时，通过地理权重、经济权重和技术势差权重的选择，全面考察农业技术信息溢出的可能渠道。研究结果表明：①农业碳排放和农业技术创新在时间趋势上呈“倒挂”，农业碳强度以年均-6.6%的速度下降，而农业专利授权强度则以年均19.46%的速度上升，且两个变量在空间上均呈显著正向聚集;②区域农业碳减排关联既有策略互动，又存在农业技术溢出，且溢出渠道为技术势差，而地理距离和经济差异不会显著影响农业技术的空间溢出;③从农业技术溢出方向来看，存在“强强联合”“强弱扶持”和“产业合作效应”。最终从加大农业技术研发力度、增强技术减排效果，引导农业技术人才流动、发挥“知识溢出”效应，推动区域技术合作、促进区域协同减排等方面提出建议，为科学引导区域间农业技术溢出，实现合作减排奠定基础。

关键词 农业技术创新;减排策略互动;技术溢出;分区Durbin模型

中图分类号 X51   文献标识码 A  文章编号 1002-2104（2021）06-0102-11

DOI：10.12062/cpre20201012

全球变暖已成为人类生存的主要威胁，也是未来经济和社会发展必须考虑的因素[1]。二氧化碳作为一种重要的温室气体，是导致全球变暖的主要原因。2018年，全球与能源相关的CO2排放量增长了1.7%，达到33.1 Gt的历史新高，是自2013年以来的最高增长率，比2010年以来的平均增长率高70%[2]。因此，开发节能技术并采取行动减少碳排放已成为全球的共同目标。农业部门尤其容易受到气候变化的影响并可能加剧气候变暖[3]，在人类能够避免气候危机之前，必须尽快改变全球的农业、林业和土地利用方式[4]。作为农业大国和碳排放大国，我国的农业碳排放量占全国碳排放总量的17%[5]。农业的减排效果不仅直接影响中国碳中和目标的实现，也会对世界碳减排产生巨大影响。因此，如何减少农业部门的碳排放已成为值得研究的重要问题。

1 文献综述

技术进步是影响环境的关键驱动力[6]，发展应对气候变化的关键技术是有效减缓气候危害的重要途径[7-10]。Gerlagh [11]基于内生技术进步模型，发现技术进步可以通过学习效应显著降低碳减排成本，增加社会效益;梁大鹏等[12]、Moutinho等 [13]和Wang等[14]等从能源利用技术的角度进行分析，发现无碳能源技术的发展、化石能源利用技术的提升，尤其是可再生能源技术水平的提高能够显著降低CO2排放成本，从而减少排放总量;部分学者从国家角度研究，发现日本绿色研发投资与碳排放之间存在负相关关系[15]，而技术进步能够明显抑制中国碳排放规模[16-17]。

在农业碳减排中，技术也发挥着不可忽视的重要作用[18]，缺乏农业技术会成为限制农业可持续发展的重要原因[19]。学者们从研发投入占比、生产资料效率、能源强度、R&D资本研发投入、全要素生产率和生产率变化指数等方面估算技术进步[20-25]，并研究技术进步在农业减排中的作用。Ismael等 [26]发现技术与农业碳排放是单向因果关系，技术是抑制排放的重要原因;Zhang等[27]、胡中应[28]、Fei等[29]和杨钧[30]等认为技术效率低是引起农业碳利用效率低的关键因素;魏玮等[31]发现农业全要素技术进步和能源增进型技术进步均显著影响农业碳排放;而资源再利用技术和循环利用技术的进步是控制农业碳排放的重要途径[32];一些学者还从空间关联视角研究了农业碳排放，发现农业排放总量、排放强度、排放效率和净排放量存在空间溢出效应[18，33-34];而农业经济发展、农业生产结构、农业技术创新、农业劳动力和城市化都是重要原因[35-38]。

综上所述，技术创新已是公认的减排重要途径，必须进一步完善农业节能减排技术体系[39]。但是地区间如何在农业领域进行减排合作？是减排策略的直接互动还是技术的间接共享？如果进行技术共享，技术溢出的可能渠道是什么？技术溢出的方向又如何？这些问题现有研究均未给出明确回答。因此，作者从农业减排合作的角度出发，利用我国2007—2017年的面板数据，建立传统空间杜宾模型和分区空间杜宾模型，深入分析地区合作减排的方式、农业技术创新的溢出渠道和方向，以期为农业可持续发展奠定基础，为区域减排合作指明方向。

2 农业碳减排区域关联的理论分析

由于外部性的存在，大气污染治理很难仅仅依靠某个地区的单方行动取得成效，必须通过区域协同行动才能从根本上解决问题[40]，而区域间的农业碳排放可能会通过减排策略互动和农业技术溢出紧密联系起来。

减排策略互动是一种相对简单的减排效仿，某区域排放的增减会直接被其他区域作为调整自身排放量的依据。一是各区域面临相似的环境规制压力，当区域间经济发展水平差距小，处于同一经济发展片区时，他们会面临国家给予的比较相似的农业经济发展政策和环境规制措施，于是区域间会产生“策略跟随”。当某区域的排放水平有所增加时，其余区域也会放松自身排放，呈现“经济优先、环境靠后”的态势;而当某区域排放水平减少时，其余区域也会对自身的排放水平更为严格，呈现“环境优先、经济靠后”的态势。二是区域间农业经济发展的相互竞争。各区域为成为农业经济发展中的“优等生”，地方政府间会相互看齐，而农业经济发展始终是与农业碳排放联系在一起的[41]，所以，经济竞争也会引起减排竞争。

农业技术溢出是一种相对“聪明”和持续的减排互动。某区域不会直接根据其他区域排放的减少调整自身的排放水平，而会去分析其他区域排放减少的原因，而技术进步作为减排的重要途径，自然是学习的重要方向。一是农业产业集聚，带来资源共享、规模经济[42]。其中，最重要的资源共享就是技术的共享，进而提升整个聚集区的碳生产力，这种由产业合作引起的技术共享称为“产业合作效应”。二是农业技术人才的跨区域流动。加强农业科技人才队伍和技术推广队伍建设是提升农业经济发展水平的重要途径，而这些农业精英可以在区域间流动，带来“知识溢出效应”。三是学习效应。在农业经济全国一盘棋的政策引领下，落后地区会提升自我吸纳水平，主动学习来自先进地区的农业技术创新，提升其农业碳生产力。

3  研究方法和数据来源

3.1 农业碳排放强度的测算

农业碳排放源主要有5类： 一是农用能源消耗;二是农地利用;三是人工湿地， 主要指水稻生长发育过程中产生甲烷;四是反刍动物养殖中肠道发酵和粪便管理的甲烷和氧化亚氮;五是农业废弃物， 主要是秸秆燃烧。公式为：

C=C能+C地+C稻+C动+C秆（1）

CI=CAGDP（2）

式中，C为农业碳排放总量，CI为农业碳排放强度，AGDP为第一产业增加值，C能、C地、C稻、C动和C秆分别表示5类碳源排放量。各类碳源排放量的测算参照IPCC的方式，由活动数据乘以排放系数得到，并根据《IPCC第五次评估报告》折算系数，最终折算成二氧化碳排放當量。

3.2 空间关联的统计检验

利用Morans I指数对农业碳排放强度和农业技术创新进行空间关联检验，全局Morans I指数为：

zi=yi-s（7）

I和Ii是全局和局部莫兰指数，yi和yj是省市i和j的农业碳强度，是平均碳强度，ωi，j是空间权重矩阵第i行第j列元素，n为省市个数，s2是农业碳强度的方差。Morans I指数取值范围为[-1，1]，当取值大于零时，表明变量呈空间正相关，即存在空间聚集现象;当取值小于零时，表明变量存在空间负相关;当取值接近0时，则变量呈随机分布，不存在显著的空间效应。根据变量的局部集聚特点将各省市划分为4类，如表1。

3.3 空间杜宾模型

3.3.1 传统空间Durbin模型

为检验区域间农业碳关联是由减排策略互动引起，还是技术溢出引起，建立了传统的Durbin模型：

式中，ynt为地区农业碳排放强度;Tecnt为农业技术创新;xnt为控制变量;εnt为随机干扰项;ω为空间权重矩阵，为分析技术溢出的可能渠道，作者选择了3种空间权重：地理距离权重阵ωijd、经济权重阵ωije和技术势差阵ωijt。

式中，di，j为省会城市之间的球面距离;GDPi和GDPj为省市i和j的农业增加值;Teci和Tecj为省份i和j的农业技术创新。由于建模中的所有变量取值均大于0，为减弱异方差和偏态性问题，所以采用双对数模型。

3.3.2 分区空间Durbin模型

为考察不同区域之间农业技术溢出的方向，参考Elhorst等 [43]的成果，将农业技术创新空间滞后项的权重进行分割，建立分区Durbin模型。技术溢出与地区的技术吸纳能力密切相关，而技术的吸纳能力与一个地区人力资本水平、技术研发能力和产业发展水平是分不开的，所以，权重分割时采用三种标准：人力资本水平（大专及以上学历人口占比）、产业集聚度（农业产业区位商）和技术研

发能力（农业专利授权强度）。H代表高人力资本集聚、高产业集聚或高技术研发能力，L代表低人力资本集聚、低产业集聚或低技术研发能力。

式中，θ1tec、θ2tec、θ3tec和θ4tec分别代表H-H地区间、H-L地区间、L-H地区间和L-L地区间的技术溢出估计系数，ω1、ω2、ω3和ω4由传统Durbin模型的权重矩阵ω分割而来：

3.3.3 Durbin模型空间效应的分解

对于空间计量经济模型，自变量的变化不仅通过空间乘数效应影响自身，而且还间接影响其他区域。为准确展示自变量对因变量的影响，将空间Durbin模型按以下方式重新排列：

并通过偏导数将总效应分解为直接效应和间接效应，结果为：

式中，yi为i省份的农业温室气体排放强度，xik是省份i的第k个自变量，ωij是空间权重矩阵的第i行和第j列。

直接效应表示本地区自变量对本地区因变量的影响和本地区自变量对其他地区因变量产生影响后反馈给本地区因变量的影响之和，为（15）式对角线元素的总和。间接效应显示了其他所有地区的自变量对本地区因变量的影响，为（15）式除对角元素之外的所有元素的平均值，也称为空间溢出效应;总效应是直接效应和间接效应之和。

3.4 指标选取和数据来源

本文所用数据为2007—2017年全国30个省份（因数据可得性原因，研究未涉及西藏及港澳台地区）的面板数据。因变量为农业碳排放强度，核心自变量为农业技术创新。对技术创新的测度主要有三种方法：从投入角度选择指标（如研发投入的占比、R&D研发投入的占比），从生产资料使用效率的角度选择指标（如化肥施用强度、农药施用强度、能耗强度），利用全要素生产率进行综合化测算（数据包络法、随机前沿法）。但投入角度选择的指标侧重研发能力，投入多并不能说明技术创新水平高;生产资料使用效率角度选择的指标主要是从生产效率提高的角度来表示技术进步，但技术创新的内涵比技术进步的内涵更为宽泛，不但有“进步”之意，还有“创新”之意;全要素生产率的测算更侧重技术效率，和技术创新仍有一定差距。而涉农专利是与农业联系较紧密、作用较直接的农业科学技术[44]，并且专利数据具有较好的时间连续性[45]，可以利用中国专利数据库获取比较全面和准确的信息。所以，从指标适用性和数据可得性两方面综合考虑，最终选用农业专利授权强度来衡量农业技术创新水平。控制变量为农业经济发展水平、城镇化水平、环境规制水平、人力资本水平和城乡收入差距5个，见表2。

4 农业碳排放强度和农业技术创新的时空特征

4.1 农业碳排放强度和农业技术创新的时空格局

从变动趋势来看（见图1、图2），农业碳排放总量缓慢增长，由2007年的1.4亿t略微增长到2017年的1.6亿t，年均增速仅为1.3%;而排放强度呈明显降低趋势，从2007年的4.93 t/万元降低到2017年的2.49 t/万元，降低幅度高达100%，年均降速为-6.6%。农业专利授权总量呈现稳健上升的态势，从2007年的0.73万件增长到2017年的9.58万件，为2007年的13倍，年均增速高达26.31%，专利授权强度也从2007年的0.25件/亿元升至2017年的1.48件/亿元，年均增速为19.46%。 农业技术创新和农业碳排放在时间趋势上呈一定程度的“倒挂”。

从区域差异来看（见图3），各省份的农业碳排放强度与农业专利授权强度呈负相关关系。农业专利授权强度高的地区集中在东部沿海两省一市。北部沿海的北京、天津、山东，南部沿海的广东，以及少量的中、西部省份，这些地区的农业碳排放强度处于全国中下游水平。农业专利授权强度低的地区分布在东北和大量中、西部地区，其排放强度也处于较高水平。

4.2 农业碳排放强度与农业技术创新的空间集聚特征

利用全局morans I指数检验各省份农业碳排放强度与农业技术创新的空间集聚特点。从结果可见（表3），农业碳排放强度的全局morans I指数在均值0.366附近波动，呈现先降后升的趋势;技术创新的全局morans I指数比较稳定，均值为0.366，說明我国各地农业碳排放强度与农业技术创新在空间分布上均呈显著的正向空间聚集。

根据morans I散点图整理得到局部空间聚集情况表。从结果可见（表4），我国大部分省份的农业碳排放强度和农业专利授权强度都呈现H-H聚集或L-L聚集。2007年H-H聚集和L-L聚集的省份占比分别为90.0%和70.0%，2017年H-H聚集和L-L聚集的省份占比分别为83.3%和60.0%。从排放强度来看，西北甘肃、青海、宁夏、新疆，以及东北吉林、黑龙江和黄河中游内蒙古始终位于排放强度的H-H聚集区，东部沿海、南部沿海，以及长江中游、西南部分地区始终处于排放强度的L-L聚集区。

从技术创新来看，东部沿海的上海、浙江，北部沿海的天津、北京始终位于农业专利授权强度的H-H聚集区，而长江中游湖南、湖北、江西，黄河中游的河南，以及西北陕西始终位于农业专利授权强度的L-L聚集区。整体来看，形成了西部高碳排放低技术聚集、东部高技术低碳排放聚集的空间格局。

5 农业碳减排的空间关联分析

5.1 区域农业碳减排策略互动和技术溢出

将没有空间效应的普通面板模型和空间Durbin模型进行对比，结果见表5。四种模型的整体拟合效果相差不大，在普通面板模型中，农业技术创新并未显示出对农业碳强度有显著影响;但在Durbin模型中，农业技术创新分别呈现10%和5%显著性下的空间作用，且人均GDP、城镇化率、环境规制和城乡收入差距等自变量也在不同的显著性下呈现出空间效应。说明普通面板模型忽略了地区之间碳排放和影响因素的相互作用，不能充分展示区域间减排行为的空间影响，所以选择空间Durbin模型能够更好地分析减排策略互动和信息溢出。

从三种Durbin模型估计结果来看，空间自回归系数ρ分别为0.508、0.464和0.212，均在1%的显著性下显著。表明农业碳排放强度存在正的空间外部溢出作用，各个地区存在直接的减排策略互动。由于采用地理权重（wijd）时空间自回归系数最大，所以策略互动在地理距离更近的区域间更为突出。农业技术创新滞后项（θTEC）系数为负，说明一个地区农业技术创新水平的提升可以带动周边地区农业碳强度的降低，地区间的农业碳减排存在间接的技术溢出效应。

为更准确展示自变量对因变量的影响，计算空间Durbin模型的总效应、直接效应以及间接效应。从结果可见（表6），仅以技术势差为权重的空间Durbin模型中（模型4），农业技术创新的间接效应在5%的显著性下显著为负，另外两种权重下杜宾模型中农业技术创新的各种效应均不显著。说明从全国来看，技术溢出作为一种有意识的知识溢出[46-49]，与各区域的技术势差、技术特性和技术吸收能力有关[50-52]，而与区域地理距离和农业经济联系没有明显关系，也说明技术溢出会超越地理位置和经济关联，使更多区域的农业环境污染问题得到明显改善。

模型（2）、模型（3）、模型（4）中，环境规制的直接效应、间接效应和总效应也在不同的显著性下为负，说明地区加大农业环保投资，带动本地减排的同时，也会促使其他地区面临环保压力，从而产生“减排策略跟随”。农业人均GDP的直接效应、间接效应和总效应在不同的显著性下为负，说明地区农业经济发展水平的提升不仅会引起本地农业碳强度的降低，还会缓和其他地区农业的环境污染。经济发展的竞争确实也会引起减排的竞争，存在“优等生”效应[53-55]。

5.2 区域间农业技术创新溢出方向分析

进一步检验农业技术溢出的方向，从分区空间Durbin模型估计结果可见（表7），按人力资本水平分割权重时，高人力资本地区间始终存在显著的农业技术溢出。一方农业技术的进步带动着多方的农业碳减排，且经济权重下这种带动作用最为明显。由于人才聚集的“马太效应”，农业技术人才为寻求更好的发展机会和交流机会，总是向着农业经济水平高，农业技术人才多的地区流动，使高人力资本地区间通过“强强联合”产生了明显的“知识溢出效应”[53-55]。

按农业产业集聚分割权重时，低产业集聚地区间和低对高产业集聚地区间存在显著的农业技术溢出。低产业集聚地区中，一个地区农业技术的进步不仅不会促使其他地区进行碳减排，反而会加剧其污染，这是因为低农业产业集聚区大多是农业占比较低的发达地区，以二、三产业为经济发展主体，由于农业经济体量小，在农业发展上容易出现“经济优先，环境靠后”的思想，没有充分重视来自农业领域的技术创新。低对高产业集聚地区中，低产业聚集地农业技术进步会带动高产业集聚地的碳减排。高产业聚集地多为农业占比较高的中、西部省份，是我国种植业和畜牧业发展的主要地区，也是最需进行农业技术开发的地区。在产业融合大背景下，其通过打造跨区域农业产

业链、订单式农业等方式加大与低产业聚集地的经济合作，将先进的技术水平融入低产业聚集地的农业生产中，提升农业可持续发展水平，产生“产业合作效应”[56-57]。

按农业技术研发能力分割权重，当选择经济权重时，高对低技术研发水平的地区间存在显著的农业技术信息溢出。高技术研发水平的地区主要分布在北京、天津，以及东部沿海等发达地区，而低技术研发水平的地区主要分布在大量的中、西部等主要农业产区。为提升农业生产力，减少农业污染水平，这些地区通过经济渠道主动学习高技术研发地区的先进技术，产生“强弱扶持”的现象。

6  结论与建议

6.1 结论

（1）农业技术创新和农业碳排放在时间趋势上呈“倒挂”，在空间上呈显著的正向聚集。从变动趋势看，农业碳强度以年均-6.6%的速度下降，而农业专利授权强度则以年均19.46%的速度上升，呈现明显的“倒挂”现象，说明我国农业技术研发水平显著提升，农业产业正在向可持续的绿色经济目标发展。从空间格局看，农业碳强度和农业技术创新空间正向聚集效应明显，形成了西部高碳排放低技术聚集、东部高技术低碳排放聚集的空间格局。

（2）区域农业碳减排既有策略互动，又存在农业技术信息溢出，溢出渠道主要是技术势差。空间杜宾模型比普通面板模型更好地展示了区域间减排行为的空间影响。不同空间权重下的空间自回归系数均在1%的显著性下显著，农业碳排放强度存在正的空间外部溢出作用，各个地区存在直接的减排策略互动。一方面，由于地区加大农业环保投资进行减排使其他地区面临环保压力，产生“策略跟随”;另一方面，地区经济竞争引起减排竞争，存在“优等生”效应。技术势差权重下，农业技术创新的间接效应显著为负，说明区域间存在农业技术溢出，进而产生减排行为关联，溢出渠道主要是区域间的技术势差。全国范围内来看，技术溢出会超越地理位置和经济关联，使更多区域的农业环境污染问题得到明显改善。

（3）农业技术溢出方向既存在“强强联合”，又存在“强弱扶持”，还存在“产业合作效应”。由于人才聚集的“马太效应”，人力资本水平高的地区间存在显著的技术溢出。一方农业技术的进步带动着多方的农业碳减排，且经济权重下，这种带动作用最为明显，产生“强强联合”现象。各地区技术研发能力差异明显，低研发水平的大量中、西部农业省份，通过主动学习，充分吸收来自高研发水平地区的技术溢出，产生“强弱扶持”的现象。在产业融合驱动下，农业产业高集聚区通过跨区域农业产业链、订单式农业等方式与低产业聚集地进行经济合作，进而先进的技术水平会融入低产业聚集地农业生产过程，实现农业碳减排，产生“产业合作效应”。

6.2 建议

（1）加大农业技术研发力度，增强技术减排效果。农业技术创新作为农业减排的重要途径，各地应加大研发创新力度，推动农业技术进步，降低农业环境污染。一方面，创造良好的技术研发环境，不断完善知识产权保护制度，通过税收减免、财政补贴和金融贴息的优惠政策，鼓励企业、高校等科研主体进行技术研发;整合人才、资本、信息和技术，促进地区间优势整合互补，加速技术推广应用和产业化。另一方面，健全技术转移渠道，完善技术买卖制度，使技术溢出渠道更通畅，技术减排效果更明显。

（2）引导农业技术人才流动，发挥“知识溢出”效应。人力贯穿于技术研发、技术转移和技术吸纳的各个阶段。在农业碳减排中，不仅要发挥人力资本的“强强联合”作

用，也要激发人力资本的“强弱扶持”作用。一方面，加大政府引导，通过税收政策等优惠提高低人力资本地区生产要素的收益率，通过“政策留人”方式吸引技术人才向低人力资本地区流动;另一方面，建立人才流动的长效机制，搭建事业平台，凸显地区发展潜力，通过“事业留人”方法吸引技术人才向低人力资本地区流动。

（3）促进区域技术合作，实现区域协同减排。一是增强农业经济联系，为技术溢出创造条件，使农业资源能够在区域之间更好地分配，减少农业排放的“竞争性向上”;二是促进农业技术研发的“强强合作”，并搭建农业技术传递平台和机制来解决信息不畅、资金约束和技术应用风险等问题，发挥中心区的示范效应和周边区域的学习效应;三是技术研发能力低的地区要加大技术密集型产业的引资力度，充分借助区域协同发展和产业融合战略，提高自身技术吸纳能力，以产业合作促技术吸收，进而带动减排。

参考文献

[1]NELSON A R， GENNARO D A. A Global warming and warning[R]. 2019.

[2]IEA. Global energy & CO2 status report 2019[R].2019.

[3]OWUSU P A，ASUMADU-SARKODIE S.Is there a causal effect between agricultural production and carbon dioxide emissions in Ghana[J].Environmental engineering research，2017，22（1）：40-54

[4]IPCC. Climate change and land[R].2019.

[5]李波，張俊飚，李海鹏.中国农业碳排放时空特征及影响因素分解[J].中国人口·资源与环境，2011，21（8）：80-86.

[6]EHRLICH P R， HOLDREN J P. Impact of population growth[J]. Science， 1971，171（3977）：1212-1217.

[7]蔡益泉.我国低碳产业的发展现状与对策思考[J].华东经济管理，2013，27（4）：32-35.

[8]LORENZONI I，NICHOLSON-COLE S，WHITMARSH L.Barriers perceived to engaging with climate change among the UK public and their policy implications[J].Global environmental change，2007，17（3/4）：445-459.

[9]NELISSEND， REQUATE T. Pollution-reducing and resource-saving technological progress[J]. International journal of agricultural resources， governance and ecology，2007， 6（1）：5.

[10]马志云，刘云.应对气候变化关键技术创新差异的时空格局：以“一带一路”沿线国家为例[J].中国人口·资源与环境，2017，27（9）：102-111.

[11]GERLAGH R. Measuring the value of induced technological change[J]. Energy policy， 2007，35（11）：5287-5297.

[12]梁大鹏，刘天森，李一军.基于LMDI模型的金砖五国二氧化碳排放成本及其影响因素比较研究[J].资源科学，2015，37（12）：2319-2329.

[13]MOUTINHO V，MADALENO M，INGLESI-LOTZ R，et al.Factors affecting CO2 emissions in top countries on renewable energies：a LMDI decomposition application[J].Renewable and sustainable energy reviews，2018，90：605-622.

[14]WANG Z H， YANG Z M， ZHANG Y X， et al. Energy technology patents-CO2 emissions nexus： an empirical analysis from China[J]. Energy policy， 2012，42：248-260.

[15]LEE K H， MIN B. Green R & D for eco-innovation and its impact on carbon emissions and firm performance[J]. Journal of cleaner production， 2015，108：534-542.

[16]SHUAI C Y， SHEN L Y， JIAO L O， et al. Identifying key impact factors on carbon emission： evidences from panel and time-series data of 125 countries from 1990 to 2011[J]. Applied energy， 2017，187：310-325.

[17]佟昕，陈凯，李刚.中国碳排放影响因素分析和趋势预测：基于STIRPAT和GM（1，1）模型的实证研究[J]. 东北大学学报（自然科学版）， 2015，36（2）：297-300.

[18]吴贤荣，张俊飚，程琳琳，等.中国省域农业碳减排潜力及其空间关联特征：基于空间权重矩阵的空间Durbin模型[J]. 中国人口·资源与环境，2015，25（6）：53-61.

[19]SASMAL T K. Adoption of new agricultural technologies for sustainable agriculture in eastern India： an empirical study[J]. Indian research journal of extension education， 2015（15）：38-42.

[20]HAN H B， ZHONG Z Q， GUO Y， et al. Coupling and decoupling effects of agricultural carbon emissions in China and their driving factors[J]. Environmental science and pollution research， 2018，25：25280-25293.

[21]YOU D M，JIANG K.Research into dynamic lag effect of R&D input on economic growth based on the vector auto-regression model[J].Journal of computational and theoretical nanoscience，2016，13（10）：6787-6796.

[22]赵小雨，王学军，郭群.区域创新能力、农业经济与生态环境协调发展关系研究：省级面板数据空间计量分析[J].科技进步与对策，2018，35（7）：35-42.

[23]卢娜，王为东，王淼，等.突破性低碳技术创新与碳排放：直接影响与空间溢出[J].中國人口·资源与环境，2019，29（5）：30-39.

[24]DYER J A， KULSHRESHTHA S N， MCCONKEY B G， et al. An assessment of fossil fuel energy use and CO2 emissions from farm field operations using a regional level crop and land use database for  Canada[J].Energy，2010， 35（5）：2261-2269.

[25]趙欣，龙如银.考虑全要素生产率的中国碳排放影响因素分析[J].资源科学，2010，32（10）：1863-1870.

[26]ISMAEL M，SROUJI F，BOUTABBA M A.Agricultural technologies and carbon emissions：evidence from Jordanian economy[J].Environmental science and pollution research，2018，25（11）：10867-10877.

[27]ZHANG H， GUO S， QIAN Y， et al. Dynamic analysis of agricultural carbon emissions efficiency in Chinese provinces along the Belt and Road[J].PloS one，2020，15（2）： e0228223.

[28]胡中应.技术进步、技术效率与中国农业碳排放[J].华东经济管理，2018，32（6）：100-105.

[29]FEI R L， LIN B Q. Technology gap and CO2 emission reduction potential by technical efficiency measures： a meta-frontier modeling for the Chinese agricultural sector[J].Ecological indicators， 2017（73）： 653-661.

[30]杨钧.农业技术进步对农业碳排放的影响：中国省级数据的检验[J].软科学，2013，27（10）：116-120.

[31]魏玮，文长存，崔琦，等.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，2018（2）：30-40.

[32]FAN C Z， WEI T Y. Effectiveness of integrated low-carbon technologies[J].International journal of climate change strategies and management，2016， 8（5）： 758-776.

[33]孙赫，梁红梅，常学礼，等.中国土地利用碳排放及其空间关联[J].经济地理，2015，35（3）：154-162.

[34]WU H， HUANG H， TANG J， et al.Net greenhouse gas emissions from agriculture in China： estimation， spatial correlation and convergence[J].Sustainability， 2019，11（18）：4817.

[35]MA D. Spatial heterogeneity and influencing factors of agricultural energy carbon emission efficiency in China： an empirical research of spatial panel data model[J]. Resource development & market， 2018， 34（12）：1693-1765.

[36]WU Y， FENG K. Spatial-temporal differentiation features and correlation effects of provincial agricultural carbon emissions in China[J]. Environmental science and technology，2019， 42（3） ：180-190.

[37]LIU X H， KUANG B， LI J， et al. Dynamic evolution of regional discrepancies in carbon emissions from agricultural land utilization： evidence from Chinese provincial data[J].Sustainability， 2018，10（2）： 552.

[38]WANG Y， ZHANG Y， TIAN Y， et al. Influencing factors and spatial spillover of agricultural carbon emissions in major grain producing areas in China[J].Journal of southern agriculture， 2019， 50（7）：1632-1639.

[39]XIONG C H， YANG D G， HUO J W， et al. The relationship between agricultural carbon emissions and agricultural economic growth and policy recommendations of a low-carbon agriculture economy[J]. Polish journal of environmental studies， 2016，25（5）：2187-2195.

[40]WARNER J，ZAWAHRI N.Hegemony and asymmetry：multiple-chessboard games on transboundary rivers[J].International environmental agreements：politics，law and economics，2012，12（3）：215-229.

[41]蒋黎，王晓君.环境质量与农业经济增长的内在关系探讨：基于我国31个省区面板数据的EKC分析[J]. 农业经济问题，2019，40（12）：43-51.

[42]张哲晰，穆月英.产业集聚能提高农业碳生产率吗？ [J].中国人口·资源与环境，2019，29（7）：57-65.

[43]ELHORST J P， FRRET S. Evidence of political yardstick competition in France using a two-regime spatial Durbin Model with fixed effects[J].Journal of regional science， 2009，49（5）：931-951.

[44]郑怀国，贾倩，张辉，等.基于专利视角的北京涉农领域科技创新现状分析[J]. 科技管理研究，2017，37（23）：192-199.

[45]

COSTANTINI V，CRESPI F，PALMA A.Characterizing the policy mix and its impact on eco-innovation：a patent analysis of energy-efficient technologies[J].Research policy，2017，46（4）：799-819.

[46]POLANYI M，NYE M J. Personal knowledge： towards a post-critical philosophy[M].Chicago： University of Chicago Press， 2015.

[47]BOSCHMA R. Proximity and innovation： a critical assessment[J]. Regional studies， 2005， 39（1）： 61-74.

[48]BROOKS H. The relationship between science and technology[J].Research policy， 1994， 23（5）： 477-486.

[49]田云，张俊飚.中国农业碳排放、低碳农业生产率及其协调性研究[J]. 中国农业大学学报， 2017，22（5）：208-213，215-218.

[50]闵继胜，胡浩.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，2012，22（7）：21-27.

[51]刘丽华，蒋静艳，宗良纲.农业残留物燃烧温室气体排放清单研究：以江苏省为例[J]. 环境科学，2011，32（5）：1242-1248.

[52]刘传江，向晓建，李雪.人力资本积累可以降低中国二氧化碳排放吗：基于中国省域人力资本与二氧化碳排放的实证研究[J]. 江南大学学报（人文社会科学版），2021，20（2）：76-88.

[53]蒋毅一，彭林，赵爽，等.基于空间计量的中国省域火电行业碳排放效率分析[J].山东财经大学学报，2019，31（2）：31-42.

[54]伍国勇， 孙小钧， 于福波， 等. 中国种植业碳生产率空间关联格局及影响因素分析[J]. 中国人口·资源与环境， 2020， 30 （5）： 46-57

[55]田云， 张俊飚， 罗小锋. 中国种植业净碳效益与经济效益协调性区域比较研究[J]. 经济地理， 2014， 34 （3）： 142-148.

[56]陶群山，胡浩.环境规制和农业科技进步的关系分析：基于波特假说的研究[J].中国人口·资源与环境，2011，21（12）：52-57.

[57]钟茂初，李梦洁，杜威剑.环境规制能否倒逼产业结构调整：基于中国省际面板数据的实证检验[J].中国人口·资源与环境，2015，25（8）：107-115.

Regional correlation of agricultural carbon emission reduction from the

perspective of strategic interaction and technology spillover

HE Yanqiu CHEN Rou ZHU Siyu XIA Shunjie WANG Fang

（College of Management， Sichuan Agricultural University， Chengdu Sichuan 611130， China）

Abstract Agricultural green development is an inevitable prerequisite of Chinas ecological civilization construction. Moreover， technology innovation is the first lever to promote agricultural green development， and regional cooperation to reduce emissions is a significant trend for efficient emission reduction. To explore the ways of regionally coordinated emission reduction and identify the channels and directions of agricultural technology spillovers， based on the panel data of Chinas provinces and municipalities during 2007-2017， as well as from a spatial viewpoint， this study combined the traditional Durbin model and the partitioned Durbin model. First， the traditional Durbin model was used to examine the causes of inter-regional agricultural carbon linkages， followed by exploring the ways of collaboration in agricultural carbon emission reduction between regions and ascertaining whether these ways were the direct interaction of strategies or agricultural technology spillovers. Then， based on the three criteria of human capital level， technology research and development （R&D） capability， and industrial agglomeration level， this study established a partitioned Durbin model to comprehensively analyze the directions of agricultural technology spillovers. Meanwhile， by selecting geographic weights， economic weights， and technological weights， we comprehensively assessed the conceivable channels for agricultural technology information spillovers. The results showed that： ① Agricultural technology innovation and agricultural carbon emission presented ‘upside down in the time trend， the agriculture carbon intensity declined at an average annual rate of -6.6%， whereas the agricultural patent authorization intensity increased at an average annual rate of 19.46%， and both were significant spatial positive aggregation. ② Regional agricultural carbon emission reduction had both strategic interaction and agricultural technology information spillovers， and the spillover channel was the technical difference between regions， whereas geographic distance and economic difference would not markedly influence the spatial spillovers of agricultural technology. ③ From the standpoint of the directions of agricultural technology spillovers， there existed the phenomena of ‘cooperation between strong performers， ‘strong performers supporting the weak ones， and ‘industrial cooperation effect. Finally， the following suggestions are provided： each region should strengthen agricultural technology R&D and enhance the impact of technology emission reduction; each region should guide the flow of agricultural technology talents and play the ‘knowledge spillover effect; and the government should take the lead in promoting regional technology cooperation and regionally coordinated emission reduction. This study is expected to lay the foundation for scientifically guiding agricultural technology spillovers between regions and attaining agricultural cooperation emission reductions.

Key words agricultural technology innovation; emission reduction strategy interaction; technology spillover; partitioned spatial Durbin model

（責任编辑：刘照胜）

收稿日期：2020-07-09  修回日期：2020-11-09

作者简介：何艳秋，博士，副教授，主要研究方向为农业可持续发展、农业资源环境。E-mail：linxiatinqiu@126.com。

通信作者：王芳，博士，教授，博导，主要研究方向为资源环境经济与政策。E-mail：11575503@qq.com。

基金项目：国家自然科学基金青年项目“农业碳排放区域关联及协同减排机制研究”（批准号：71704127）;2021年度四川省社会科学规划项目“技术创新视角下省域农业碳减排的协同策略研究”（批准号：21TJ007）。

何艳秋，陈柔，朱思宇，等.策略互动和技术溢出视角下的农业碳减排区域关联[J].中国人口·资源与环境，2021，31（6）：102-112.[HE Yanqiu，CHEN Rou，ZHU Siyu，et al.Regional correlation of agricultural carbon emission reduction from the perspective of strategic interaction and technology spillover[J]. China population， resources and environment， 2021，31（6）：102-112.]