中国农业碳排放效率测度、空间溢出与影响因素*

吴昊玥,黄瀚蛟,何 宇,陈文宽**

气候暖化是经济高速发展伴随而来的环境后果,已成为全人类共同面临的威胁。作为继工业之后的第二大温室气体排放源,农业的碳排放量已高达全球人为排放总量的23%[1],减排行动责无旁贷。农业碳减排要求在既定投入要素下保证期望产出并削减冗余碳排放,要实现这一目标,客观上要求对农业生产系统的碳排放效率进行科学测度,即以理论上可达到的最小碳排放量与实际排放量进行比较,进而判断排放效率的高低和减排潜力的大小[2]。在此基础上,通过探讨效率的关键影响因素,可准确把握各地区农业碳排放效率改进方向与程度。源于差别迥异的资源禀赋,中国各地区已形成多元化和地域性的生产方式,导致农业碳排放效率差距明显; 而区域内部生产环境整体相似,发展起点较为相近,可能导致农业碳排放效率产生空间关联,为邻近地区协同改进效率提供了基础条件。因此,准确测度农业碳排放效率,探索宏观层面的关键影响因素,探讨可能存在的溢出效应并探寻协同改善路径,是推进农业低碳转型、提质增效的重要依据。

作为衔接经济产出与碳排放量的桥梁,碳排放效率的研究意义逐渐引起学界重视。Zhou等[3]、王群伟等[4]学者认为碳排放效率是指:在既定投入要素和经济产出条件下,理论上可达到的最少碳排放与实际排放之比。基于这一思路,学者们陆续采用DEA模型或SFA方法在全要素生产框架下对全局、工业碳排放效率展开测度[5-6],通常将资本、劳动力和能源作为投入,以GDP和碳排放为产出,如:王少剑等[7]采用超效率SBM模型评价1992-2013年全国283个城市的碳排放绩效; 张伟等[8]运用环境方向距离函数和DEA模型测度了1995-2010年中国30个省区的全要素碳减排效率; 刘婕等[9]同样以1995-2010年中国30省为研究范围,运用产出距离函数与超越对数生产函数测算了全要素碳排放效率。近年来,农业碳排放核算体系趋于成熟,为农业碳排放效率的测度提供了数据支撑。吴贤荣等[10]基于DEA-Malmquist指数对2000-2011年中国31个省(市、区)的农业碳排放效率变动趋势进行分析,并探讨了效率指数及其分解指数的省域差异及变动趋势;Lin等[11]同样采用DEA-Malmquist指数测算了2003-2010年中国农业碳排放绩效; 高鸣等[12]应用Malmquist-luenberger指数对1999-2010年的中国各省区农业碳排放绩效进行测算,发现12年间全国绩效有明显提升,但区域间绩效发展状况较不均衡; 田云等[13]以2011-2017年间湖北省为研究对象,利用DEA-Malmquist 分解法测算农业碳排放效率并分析时空差异。也有研究采用DEA改进模型,在传统农业生产效率评价体系中增设碳排放指标,尝试将测算结果视作农业碳排放效率,如吴昊玥等[14]采用SBM-Undesirable模型,对2000-2014年中国30省(市、自治区)的农业碳排放绩效进行测度,发现各地绩效存在显著差异; 还有学者聚焦于农业碳汇功能,如李波等[15]将农业净碳汇看作一种期望产出,运用DEA-BCC-I 模型测算了2005-2017年中国30省区的农业净碳汇效率,发现效率整体偏低且空间差异明显。基于测算结果,学者们针对区域差异[16-17]、收敛性[12,14]及影响因素[10,13,15]等方面,对农业碳排放效率的衍生问题展开了广泛探讨。

现有研究对于理解农业碳排放效率具有重要启发和借鉴意义,但截至目前,农业领域的研究和全局与工业领域相比仍相对较少,并存在一些缺憾:从测算思路来看,绝大多数研究均在农业投入产出指标体系中加入碳排放指标,直接将碳排放约束下的农业生产效率视作农业碳排放效率,测算结果实质为整个农业生产活动中资本、劳动力、土地等全部要素的综合技术效率,其未能将碳排放与其他要素的共同作用分离开来,无法反映各地农业生产活动中的实际碳排放量与最优水平的差距,将之视作农业碳排放效率有失偏颇[2]。从指标体系来看,农业生态系统具备较强碳汇功能,理应将其作为生态效益引入指标体系,但绝大多数研究更加关注农业碳源,却忽略了作物系统本身的碳汇能力,指标体系缺乏系统性与全面性。从测算方法来看,现有农业碳排放效率研究方法多为DEA改进模型或Malmquist指数,但DEA模型基于各时期截面构造生产可能集,每个观测时点会形成不同的生产前沿面,效率测算结果缺乏跨期可比性,相关文献对效率所做时序分析的科学性有待商榷; 而Malmquist指数实质为增长率,仅能反映地区农业碳排放效率的变化情况,难以横向比较地区效率水平及进行原因分析。在效率的影响因素分析上,现有研究普遍采用普通面板回归方法,将邻近地区间可能存在的交互作用抽象化,导致计量结果存在一定偏差[18],难以准确把握农业碳排放效率的实际影响因素。

为对现有农业碳排放效率测算思路进行修正,本研究在农业全要素生产框架下搭建农业碳排放效率理论模型,除了考虑传统投入产出指标之外,还将农业碳汇视作农业生产活动的生态效益,以兼顾农业生态系统的碳效应双重性。在此基础上,采用考虑非期望产出的全局参比SBM模型(GB-US-SBM)计算农业生产过程中的碳排放松弛量,将2000-2019年中国30省(市、自治区)所有决策单元一并纳入生产前沿面的构造过程,使得各年测算结果具有跨期可比性,再根据农业碳排放实际值与松弛量计算农业碳排放效率,对效率结果展开探讨。最后,从产业、要素、环境3个维度探讨农业碳排放效率的影响因素。区别于普通面板回归,本研究将空间计量模型引入效率影响因素分析中,将可能存在的空间效应纳入研究框架,使计量结果更加符合客观实际。通过理论模型分析、效率测算及影响因素分析,以期为农业碳排放效率的深入研究提供边际贡献,也为我国加快推进低碳农业发展进程提供理论参考。

1 研究方法与数据来源

1.1 农业碳排放效率理论模型构建

参考碳排放效率的概念[3-4],本文将农业碳排放效率定义为:在既定期望产出和投入要素条件下,农业生产活动可能实现的最小碳排放量与实际排放量之比,实际排放量越大,农业碳排放效率越低。这一概念也可间接反映既定产出与投入下生产单元的碳排放量最大可能削减率。作为农业生产中不可避免的副产品,碳排放可被视为一种非期望产出,沿用Färe等[19]和Zhou等[20]学者的思想,构建农业碳排放效率理论模型,如图1所示。

在农业生产过程中,投入一定劳动、耕地、机械等生产要素后,将获得期望产出(如农业产值),同时伴随非期望产出(如农业碳排放)的产生。图1中,假设投入用X表示,P(X)为生产可能性的集合,曲线表示生产可能边界,横、纵轴依次为单位投入要素对应的碳排放产出、期望产出,预期产出方向为g=(-Yb/X,Yg/X),即尽量增加农业产值而减少碳排放。

给定投入组合,A(Yb0/X,Yg0/X)为某一时刻的产出决策点,偏离生产前沿面,属于非效率点,可通过改进要素组合达到生产前沿。根据预期产出方向,B(Yb1/X,Yg1/X)为A在生产可能边界上的投影点,A与B的农业生产效率差距源于潜在期望产出与冗余碳排放量两方面。将视点聚焦到农业碳排放上,Yb1/X是现有投入禀赋与技术条件下农业生产过程的最小碳排放量,此时,A可削减的碳排放为δYb/X=Yb0/X-Yb1/X,农业碳排放效率E=Yb1/Yb0。

1.2 基于GB-US-SBM模型的农业碳排放效率测算

在农业全要素生产框架下,农业碳排放效率的测算步骤为:首先,构造包含投入、期望产出和非期望产出的农业生产可能性集(PPS); 再基于生产前沿选择合适模型测算出实际产出与理论产出的距离(农业碳排放松弛量); 最后,根据前文理论分析构建数学式,算得每个决策单元(DMU)的农业碳排放效率。

由于每个时期的生产可行性集存在差异,基于不同时点生产前沿测度的效率缺乏可比性。为此,Pastor等[21]提出全局参比思路,利用整个样本考察期内全部决策单元的投入与产出数据构建最佳生产前沿并作为统一基准,每个决策单元与最佳生产前沿进行比较得到效率值,从而使得效率具有跨期可比性。Tone[22]提出的SBM方向性距离函数模型是一种非径向、非角度的DEA模型,不仅能使投入或产出松弛量按照不同比例进行缩减或扩张,还将环境约束作为非期望产出纳入效率测度模型中,能够分解测算出碳排放的效率值。参考Huang等[23]、全良等[24]的做法,进一步构造考虑非期望产出的全局SBM模型,即GB-US-SBM模型:

将各省份农业生产系统作为决策单元,假设共有T(t=1,···,T)个时期与N个决策单元(DMU),每个单元利用m种投入可生产出s1种期望产出与s2种非期望产出。对于第k个DMUk,其投入、期望产出及非期望产出向量分别记为、和。在规模报酬不变(CRS)假设条件下,构造的生产可能性集见表达式(1),考虑非期望产出的全局SBM 模型见表达式(2)～(6)。

对于农业生产系统中投入、期望产出和非期望产出的设定,参考李谷成[27]的研究,考虑农业生产过程中的劳动、土地、化肥、机械及灌溉5类投入,将农业总产值及农业碳吸收量作为期望产出,农业碳排放量作为非期望产出,构建投入产出指标体系(表1)。

表1中,农业碳排放与碳吸收量无法直接从现有资料中获取,需进行核算。农业碳排放主要涉及4类排放源:一是农资投入,包括化肥、农药、农膜、柴油使用及灌溉耗费电能而产生的碳排放; 二是稻田甲烷菌利用水稻根部有机物质转化产生CH4; 三是土壤氧化亚氮排放; 四是秸秆燃烧产生的碳排放。计算方法与排放系数参考IPCC[28]、闵继胜等[29]、程琳琳[30]的研究。农业碳吸收主要考虑各类作物通过光合作用吸收并固定的碳,计算公式和系数赋值参考田云等[31]的研究成果。计算时,将CH4、N2O统一折算为标准碳,便于后续分析。

表1 全要素框架下的农业生产投入产出指标体系Table 1 Input-output indicators of agricultural production under the total-factor framework

1.3 农业碳排放效率溢出效应及影响因素分析

厘清农业碳排放效率的影响因素是把握优化方向的重要前提。由于农业碳排放效率可能具有空间相关性,影响因素分析需引入空间计量方法。目前,普遍应用的3种模型为空间滞后(SAR)、空间误差(SEM)以及空间杜宾(SDM)。其中,SDM是SAR和SEM相结合的一般形式,因此以SDM作为基础模型,如式(8)所示:式中:Y表示农业碳排放效率;ρ、β、θ为回归系数向量;W为空间权重矩阵,权重值为每两省份地理中心点的距离平方倒数;X是解释变量向量,即农业碳排放效率的可能影响因素; α、ε分别是常数项、随机干扰项。若θ=0,且ρ≠0,则SDM可以简化为SAR;若ρβ+θ=0,则SDM可简化为SEM; 对此采用Wald 检验和LR检验加以判断。

本研究从产业、要素、环境3个维度出发,引入可能的影响因素(表2)。

表2 农业碳排放效率影响因素变量说明及描述性统计分析Table 2 Description and statistical analysis of factors influencing the efficiency of agricultural carbon emissions

1.4 数据来源及处理

研究需要2000-2019年中国30省(市、自治区)的农业碳排放、碳吸收量核算所涉活动数据、农业生产系统投入产出指标和影响因素变量数据,源于历年《中国统计年鉴》《中国农村统计年鉴》《中国水利统计年鉴》和各省统计年鉴。港、澳、台、西藏数据缺失严重,难以纳入研究范围。此外,按2000年可比价对各年产值及投资指标进行折算,以剔除价格因素干扰。

2 实证分析

2.1 中国农业碳排放效率测算

2.1.1 中国农业碳排放效率

如前文所述,利用Maxdea Ultra 8软件构建GBUS-SBM模型,在全要素生产框架下算得各年各省农业碳排放松弛量,再根据式(3)计算2000-2019年30省(市、自治区)农业碳排放效率,按照均值从低至高的顺序将各省区进行排序,结果如表3所示。

表3 2000—2019年中国30省(市、自治区)主要年份农业碳排放效率Table 3 Efficiencies of agricultural carbon emissions of 30 provinces(cities,autonomous regions)in China in major years of 2000 to 2019

从均值来看,2000-2019年,中国农业碳排放效率平均水平为0.778,表明在对应技术水平与投入要素条件下还可减少22.2%的农业碳排放量,具备较大减排潜力。从省域层面而言,仅内蒙古和青海两省(自治区)农业生产过程中碳排放量未出现冗余现象,效率达1.000,这应归因于两地作物种植结构的特征:内蒙古的稻田甲烷排放量与秸秆燃烧排放量均较低,而青海几乎没有水稻种植,加之主要作物的秸秆露天焚烧率低于10%,这两项碳排放源几乎为零,使得农业碳排放总量相对较低。除内蒙古与青海外,其余所有省份的农业碳排放效率均未达到有效,均值处于(0.3,1.0)的区间内,其中新疆、吉林、北京、河南等7省(市、自治区)的效率高于0.9,山东、甘肃、贵州、海南等7省(市、自治区)的效率处于0.8～0.9,略优于全国平均水平,若这些地区在维持现有投入禀赋和技术水平的情形下,继续加强对农业各环节碳减排的控制,将从无效转变为有效; 天津、四川、云南、山西等8省(市、自治区)的农业碳排放效率处于0.6～0.8,说明农业生产系统存在较大减排空间,需加强碳排放源头控制,尽量减少排放冗余现象; 湖北、安徽、福建、浙江的农业碳排放效率位于0.5～0.6,而湖南、江西的效率均值更是分别低至0.326和0.389,说明近50%甚至超过50%的农业碳排放量都是可避免的无效排放。从效率呈现结果来看,农业碳排放效率较低的地区多为农业大省,如湖南、湖北等中部农业大省,其在农业生产中尚未充分兼顾农业产出与环境保护的平衡,但是,同样作为农业大省的黑龙江、吉林却拥有高于0.9的平均效率,这或许归因于东北平原优越的农业基础与生产条件。整体而言,农业碳排放效率所呈现出的差异化、地域化特征,意味着我国应分区域、分源头推进农业碳减排。

从增长率来看,全国农业碳排放效率年均增长速度为0.94%,呈缓慢上升趋势。20年间,除新疆、内蒙古、青海的效率保持不变外,湖北、四川和贵州3省的效率表现为负向增长,其余24省(市、自治区)的农业碳排放效率均存在不同程度的增长,尤其是江西、浙江和江苏,增长率分别为4.52%、4.32%和3.98%。表明我国对农资高效利用、低碳农业发展愈发重视,各地在低碳农业生产技术和废弃物绿色化处理上也已取得显著成绩,整体处于自高碳农业向低碳农业的转型阶段。

2.1.2 基于农业碳排放总量与效率双重维度的省区类别划分

为进一步了解各地区农业碳排放效率与总量的关系,本研究将两项指标置于同一坐标轴中,以2000-2019年总量与效率的平均值为原点,把30个省份划分为低排高效、低排低效、高排高效和高排低效4类,如图2所示。

图2显示,河南、河北、山东、黑龙江、广西5省属于高排高效区(第1象限),尽管这些地区均为农业大省,其农业生产过程中会产生较多碳排放,但因其较为重视投入要素的合理配置与使用,加之作物生态系统的强大碳汇功能,使得农业碳排放效率总体较高,这类地区可作为其他农业大省的发展示范。内蒙古、甘肃、海南等12个省区为低排高效区(第4象限),这些地区在农业发展过程中做到了减排与增效的兼顾。相比之下,湖南、湖北、安徽、广东等7省区属于高排低效区(第2象限),其同样表现为较高的碳排放量,但碳排放效率却不尽人意,由于这些省份具备碳排放总量基数大与可削减比例高的双重特性,应被作为农业节能减碳的重点治理区域。最后一类为低排低效区(第3象限),包括浙江、福建等6省区,这些地区碳排放量本身不高,但在既定投入与期望产出下仍有一定数量的无效排放,同样有必要通过优化农业化学品投入结构、改进废弃物处理方式等途径实现农业碳排放效率的改善。

对比可见,农业碳排放总量指标的单一性较强,不应作为评价各地农业低碳化水平的唯一维度,而农业碳排放效率指标能在考虑各地要素禀赋与农业产出的情况下,更加全面地反映各地区农业生产碳排放绩效,对于制定低碳农业经济政策更具参考价值。

2.2 中国农业碳排放效率的空间溢出与影响因素分析

为厘清中国农业碳排放效率的影响因素及可能存在的溢出效应,根据前文所设变量构建计量模型,以探明显著影响效率的关键因素并分析其作用机理。

2.2.1 农业碳排放效率空间相关性检验

首先对2000-2019年中国农业碳排放效率的全局Moran’ sI进行测算,以验证效率是否存在空间自相关,结果如表4所示。

表4 2000-2019年中国农业碳排放效率Moran’s I测算结果Table 4 Moran’s I of agricultural carbon emissions efficiency in China from 2000 to 2019

从绝对值来看,除2019年外,其余年份的中国农业碳排放效率全局Moran’sI均在P＜1%显著性水平下通过z检验,且数值大多处于0.2～0.4,表明我国农业碳排放效率存在显著空间自相关性,整体表现为较强聚集效应。农业碳排放效率是由产业结构、生产要素组合和技术水平所决定的,而邻近地区处于同一气候带的可能性较高,加之资源禀赋、生产环境相近,种植制度、产业结构存在一定程度的同质性,也为农业技术应用的相似性提供了基础条件,导致邻近省区间农业碳排放量与生产系统的关系形成趋同现象。

从变化过程来看,2000年,全局Moran’sI值为0.359,到2019年降至0.041,呈波动下降态势,表明空间集聚效应随时间推移逐渐减弱,空间自相关程度越来越低。随着经济发展与环境压力的矛盾愈发突出,各地对农业减排增汇的认知日益深入,并陆续制定了较具针对性的环境保护政策与低碳农业发展规划,但由于经济结构、所处阶段和发展定位存在一定差异,不同地区所选路径的地域特征开始凸显,呈现出多样化发展趋势,导致农业碳排放效率的独立性逐渐增强。

2.2.2 空间计量模型设定、估计与检验

由于农业碳排放效率存在空间关联,在分析影响因素时有必要考虑邻近地区间的交互作用,需选择适用模型将空间地理要素引入计量分析。运用Stata 15.1软件,对基础等式进行OLS回归,再基于距离平方倒数权重矩阵(W0)对残差进行空间相关性的LM检验和稳健LM检验,发现LM Error与LM Lag统计量分别为28.073和50.778,稳健的LM Error、LM Lag统计量依次是8.085与30.791,均在P＜1%的显著性水平上拒绝原假设,空间滞后效应和空间误差效应同时存在,需首先考虑采用空间杜宾模型(SDM)。为保证估计结果的稳健性,同时基于0-1邻接权重矩阵(W1)与距离倒数权重矩阵(W2)进行SDM估计作为对照,Hausman检验结果显示应选用固定效应模型,估计结果如表5所示。

表5显示,就解释变量系数的符号、大小和显著性而言,基于不同权重矩阵的估计结果表现相对一致,说明结果具有较强的稳健性。Wald-lag、Walderr、LR-lag和LR-err检验均拒绝SDM退化为SAR或SEM的原假设,说明SDM是最为适用的模型。在SDM(W0)模型估计结果中,空间自回归系数ρ为0.185,且在P＜1%的显著性水平下通过z检验,表明农业碳排放效率存在正向溢出效应,邻近省份的效率每提高1%,将带动本省效率增加0.185%,地区间农业碳排放效率呈良性互动的演进特征。

表5 农业碳排放效率影响因素的空间计量模型估计结果Table 5 Estimation of influencing factors of the agricultural carbon emissions efficiency based on spatial econometric model

2.2.3 影响因素的直接影响与溢出效应分析

由于存在空间滞后项,回归系数无法描述解释变量对被解释变量的影响,需基于SDM(W0)估计结果的方差-协方差矩阵对各解释变量的总效应、直接效应和溢出效应进行计算与分解,结果如表6所示。

表6 农业碳排放效率影响因素的总效应、直接效应及溢出效应Table 6 Total,direct and spillover effects of influencing factors of agricultural carbon emissions efficiency

首先观察总效应,农业产业结构、农业投资强度、受灾程度和城镇化率4个变量的系数分别在P＜1%或P＜5%的显著性水平上通过z检验,依次为-0.656、-0.049、-0.188和0.441,尤其是受灾程度和城镇化率的直接效应与溢出效应同时显著,表明其为农业碳排放效率的关键影响因素,围绕这两项指标进行针对性政策调整,可在提高本省农业碳排放效率的同时,带动其他地区共同推进农业减排进程。

从直接效应来看,农业产业结构、农业投资强度和财政支农力度3个变量的系数在P＜1%显著性水平上通过z检验,系数分别为-1.093、-0.058和-0.738。农业产业结构变量的系数为负,这意味着农业产值占农林牧渔总产值的比重越大,农业碳排放效率越低。一个合理的解释是,尽管作物种植具有碳汇效应,但农业生产同样依赖于化学用品及化石能源的使用,这往往伴随大量温室气体排放,是农林牧渔各部门中的最大排放源,成为导致农业碳排放效率变化的重要原因。农业投资强度负向影响农业碳排放效率,推测是由于当前农业固定资产投资的重点领域主要在基础设施、农业机械设备的购置上,随着固定资产投入的增长,农业生产机械设备购置量不断增加,直接带动农用能源碳排放量迅速增长。财政支农力度也将对农业碳排放效率形成显著负向影响,这是因为财政支农力度的提高将使经营主体对作物种植形成相对稳定的收益预期,激发其加大对农资、机械等生产要素的投入力度,导致农业碳排放量的增加。有效灌溉率、受灾程度和城镇化率3个变量的系数在P＜5%显著性水平上通过z检验,系数值依次是0.290、-0.075和0.127。农业灌溉的影响具有双重性:一方面,灌溉过程将利用电能间接消耗化石燃料并产生碳排放,直接增加非期望产出,但灌溉所导致的碳排放量较小,在农业碳排放结构中的占比很低; 而另一方面,灌溉是农用生产的必要投入,有效灌溉率的提高意味着技术进步与农田水利设施的改善,其覆面与规模将直接影响作物的产出和收益,农业碳排放效率由投入、期望产出和碳排放量共同决定,取决于增产与增排两种力量的对比,从结果来看,有效灌溉率的直接影响表现为正,表明其对作物产出和经济效益的正面作用较增排效应更为显著。受灾程度对农业碳排放效率呈显著负向作用,尽管受灾程度的提高将直接减少作物播种面积而缩减农业碳排放规模,但同时也将严重影响农业生产效益,更重要的是,农田大面积损坏将直接影响农业生产根基,总体对农业碳排效率表现为消极影响。最后,城镇化进程的推进将带动过剩农业劳动力转移至非农行业,有利于农业生产规模化、集约化程度的提高,在优化农业产业结构与资源配置效率的同时,产生规模经济效应,使得单位碳排放所对应的农业产出不断增加成为可能,有利于农业碳排放效率的提升。

从溢出效应来看,受灾程度和城镇化率2个变量的系数在P＜5%的显著性水平上通过z检验,系数分别为-0.113和0.314; 农业灾害的主要类型为洪涝、干旱等,并非仅涉及个别省份,而是覆盖某片区域,导致地区间的农业受灾程度具有较强相关性,当邻近省份受灾严重时,本省也可能受到农业灾害波及,对农业碳排放效率形成消极影响。城镇化是技术进步的过程,其进程中积累的人力资本及产生的技术进步效应亦会外溢扩散至农业部门,对邻近地区同样具有辐射作用,有利于区域农业碳排放效率的协同提升。

3 结论与建议

3.1 结论

本研究基于全要素生产框架搭建了农业碳排放效率理论模型,采用考虑非期望产出的全局参比SBM方法测算2000-2019年间中国30省(市、自治区)农业生产过程中的碳排放松弛量,根据碳排放实际值与松弛量计算农业碳排放效率,再对不同时期、地区的效率呈现结果进行分析,最后运用空间杜宾模型从产业、要素、环境3个维度探讨农业碳排放效率的影响因素,结论如下:

1)考察期间,中国农业碳排放效率的平均水平为0.778,具备较大减排潜力。从省级层面来看,农业碳排放效率具有差异化、地域化特征,仅内蒙古和青海两地农业碳排放效率达到1.000,其余地区在现有资源禀赋和农业生产结构下均存在不同程度的减排空间。从效率增速来看,我国绝大多数地区的农业碳排放效率增长率为正,表明整体处于自高碳农业向低碳农业的转型阶段。根据总量与效率的呈现结果,可将30省(市、自治区)分为高排高效区(河南、河北等5省区)、低排高效区(内蒙古、甘肃等12省区)、高排低效区(湖南、湖北等7省区)和低排低效区(浙江、福建等6省区)。

2)中国农业碳排放效率的全局Moran’sI大体处于0.2～0.4(P＜0.01),说明效率整体表现为正向空间自相关,存在较强空间聚集效应。随着时间推移,全局Moran’sI呈波动下降态势,表明空间关联随时间推移逐渐减弱。

3)农业碳排放效率具有正向空间溢出效应,表明邻近地区之间的农业碳排放效率呈良性互动的演进特征。从各影响因素的直接效应来看,本省的农业产业结构、农业投资强度、财政支农力度和受灾程度对本省农业碳排放效率存在显著消极影响,有效灌溉率和城镇化率则表现为显著正向作用; 从溢出效应来看,邻近地区的受灾程度将负向影响本省农业碳排放效率,而城镇化率则表现为促进作用。

3.2 建议

根据以上结论,本文提出以下建议:

1)关注农业减排重点区域,制定全局农业减排增效方案。不同地区所肩负的农业生产责任有所区别,应尊重农业碳排放效率的地域差异化特征,农业大省涉及大量农资与能源使用,势必会产生较高碳排放量,而北京、上海等非农业重点区域的碳排放量本就较低。因此,高排高效区与低排高效区均为相对理想的状态,各省应在考虑农业发展水平与资源禀赋的前提下,根据自身定位与发展特征,学习先进省份的方案措施,如高排低效农业大省可参考效仿河南、山东等高排高效样本省份的低碳农业发展经验,努力向对应类别靠拢; 而湖南、湖北等高排低效省区具备农业碳排放总量基数大与可削减比例高的特性,应在制定全局减排方案时予以重点关注。

2)重视农业碳排放效率的关键影响因素。应提高农业固定资本投入的精准性、针对性,鼓励投资主体增加对农业减碳增效技术、设施、装备的投入。尝试向低碳农业技术的研发与推广等投入更多财政资金,加强农田水利基础设施的建设,加快完善农业抗灾政策、提高抗灾能力。探索构建科学合理的农业碳补偿机制,对低碳农业生产主体进行补贴。

3)充分利用空间溢出效应,协同推进区域农业碳减排进程。加强省际合作,鼓励高效省份向周边地区分享兼顾经济产出和减源增汇的农业发展经验举措,充分发挥城镇化进程中的正向辐射作用,破除受灾程度等负向影响因素的连锁作用。省区间联合探索多元化农业低碳发展路径,利用农业碳排放效率的正向溢出效应缩小地区效率差距,协同实现区域农业低碳转型。