低碳试点政策对农业绿色全要素生产率的影响——基于长三角地区的实证检验

张东玲，倪 妮，焦宇新

青岛大学 经济学院，山东 青岛 266061

当前中国已进入新发展阶段，在由碳排放造成的环境问题日益突出的大背景之下，实现我国经济高质量转型显得尤为重要。为此我国高度重视生态文明建设，积极推进各行业绿色可持续发展。我国自2010 年开始，在全国范围内分三批次推行以有效控制碳排放、促进城市经济高质量发展为目标的低碳试点政策[1]，该政策的实施与生态文明建设高度相关[2]，其目标的实现需要工业、能源、建筑、农业、林业及废物处理等各领域的通力配合[3]。近年来，已有研究表明低碳试点政策在节能减排及促进城市高质量发展方面成效显著，却少有研究关注低碳试点政策在农业领域所发挥的积极作用。农业作为低碳试点政策的重要作用领域之一，其生产造成的碳排放量仅次于电热生产；同时该行业与自然环境关系最为紧密，实现其绿色发展是促进我国生态文明建设乃至实现高质量转型的关键因素。农业绿色发展问题也持续受到中央高度重视，“中央一号文件”从2013 年到2022 年连续10 年提及农业绿色发展的相关内容。农业绿色发展的核心评价指标是农业绿色全要素生产率（Agricultural green total factor productivity，AGTFP）[4]，为达成低碳试点政策目标，应重视该政策对农业绿色全要素生产率的实施绩效与机制，相关实证研究对推进我国低碳试点政策、加速农业绿色转型具有重要的现实意义。

《长江三角洲区域一体化发展规划纲要》[5]指出：长三角一体化发展对引领我国实现高质量发展意义重大。然而，该地区农业发展相对滞后，已成为实现其高质量发展的短板[6]。长三角地区设有三批次低碳试点，是低碳试点政策的重点实施区域之一。同时，该地区农业资源丰富，城市类型多样，是研究低碳试点政策对农业绿色全要素生产率影响与机制极为重要的样本。研究所得结论不仅为长三角地区高质量发展相关政策的制定提供参考，对我国其他省市低碳试点政策的推广完善及农业绿色发展也具有一定的借鉴意义。本研究以长三角地区地级及以上城市为样本，将低碳试点政策的施行作为一项准自然实验，通过双重差分法评估其对农业绿色全要素生产率的影响，并探讨其对农业绿色全要素生产率的作用机制，进一步基于区域和时空两个视角，考察该政策对提升农业绿色全要素生产率效果的异质性特征。

随着低碳试点政策的推进，学界中相关研究成果丰富。当前有关低碳试点政策的研究主要分两类，一是针对该政策的设计逻辑、实施方式进行定性探讨，总结该政策的实施经验[3]；二是利用指标体系构建、双重差分或合成控制等方法从多个角度评价该政策的实施绩效。现有文献已经证实低碳试点政策在节能减排和促进城市经济高质量发展方面绩效突出，具体来看：由于我国主要碳排放源为电热生产，现有文献对低碳试点政策在节能减排绩效方面的绩效评估，多以工业排放或能源消耗为评价指标。学者们已实证得出低碳试点政策的实施可以显著减少电能消费强度、工业污染物排放及城市碳排放量，对城市空气质量[2]也有显著正向作用；促进经济高质量发展方面的绩效评估则多以全要素生产率为评价指标，相关研究主要集中于城市范畴，已有研究表明低碳试点政策通过技术效应向绿色技术进步及结构效应的转化，可以有效提升城市绿色全要素生产率[7]，产业升级和技术创新是低碳试点政策提升城市绿色全要素生产率的重要途径[8]。同时，还有研究对低碳试点政策的空间溢出效应进行讨论[1]，发现其通过示范效应和技术扩散效应可以有效带动邻近城市绿色发展[9]。

目前，中国处于经济高质量转型的关键阶段，考虑了污染排放的绿色全要素生产率日益引起学者关注。农业与自然环境紧密相连，实现农业绿色发展对我国生态文明建设，乃至实现高质量发展有举足轻重的作用。农业作为低碳试点政策的重要作用领域之一，已有学者对该政策的农业碳减排绩效进行评估[10]，然而鲜有学者进一步评估该政策对农业绿色高质量发展的绩效。农业绿色全要素生产率的测度方法主要有以数据包络分析法（DEA）为代表的非参数法，以及以随机前沿分析法（SFA）为代表的参数法。其中，由Oh改进的DEA-GML 指数法近年来被学者们广泛使用[8]。已有研究表明农业绿色全要素生产率受多种因素影响，包括如公路设施[11]、高铁建设[6]等基础建设因素；如农业税负、财政支农水平等财政因素；另有科技投入、信息化水平、农业生产结构、工业化水平及城市化水平等其他因素，同时，不同区域间的农业绿色全要素生产率会相互影响，存在明显的空间相关性[12]。除上述影响因素之外，环境规制也是农业绿色全要素生产率的重要影响因素。从当前已有的研究成果来看，与碳排放相关的环境规制对农业绿色全要素生产率影响显著。有研究提出有效的政策引导可以优化农业化肥的使用情况，从而提高了生态全要素生产率[13]。激励性碳排放交易规制、命令型环境规制、自愿性环保投资规制均可促进农业绿色全要素生产率提升[14]。另有学者研究发现以农业相关财政环保支出及碳排放量作为环境规制时，可通过农业技术创新使得农业绿色全要素生产率增长[15]。然而，针对低碳试点政策这项与碳排放相关的重要环境规制对农业绿色全要素生产率的影响，现阶段相关的实证研究尚不多见。

综上所述，已有文献从不同视角评估了低碳试点的政策绩效。除节能减排和推进城市高质量发展外，少部分学者已关注到低碳试点政策在农业领域的碳减排作用，但就其作用机制的讨论仍有研究空间，同时鲜有研究涉及低碳试点政策对农业绿色高质量发展的绩效评估。相比于现有文献，本研究的边际贡献主要有：一是基于农业绿色高质量发展的新视角，以长三角地区为例，客观评估了低碳试点政策对农业绿色全要素生产率的影响绩效；二是立足低碳试点政策背景和目标要求，结合已有研究成果，厘清了低碳试点政策对农业绿色全要素生产率的影响路径和机理；三是结合长三角地区的区域特征及已有研究，从异质性视角探究了低碳试点政策的区域影响差异和时空影响差异。

一、政策背景与研究假设

截至2021 年，我国已先后建设6 个低碳省份及81 个低碳城市试点[16]。长三角地区试点共18 个，其中杭州及镇江两个试点城市表现突出，现已成为其他试点城市的效仿对象[3]。实践表明，低碳试点政策可以充分调动城市这一重要行动单元的积极性和创造性，通过提出总目标来引导地方政府主动探索适合自身的、可复制的、可推广的政策目标实现途径。低碳试点政策的直接目的在于控制碳排放，政策文件中明确要求试点城市设定碳达峰目标，建立碳排放目标责任制。低碳试点政策最终目的是实现城市经济高质量发展[1]。该政策强调试点工作应注重生态文明建设，倡导创新、协调、绿色、开放、共享的发展理念，综合利用市场型、命令型、自愿型等多种环境规制工具[9]，推进我国绿色技术创新和低碳产业建设，作用于工业、能源、交通、建筑、农业等多个领域[3]，促进低碳城市工业化、信息化，以及农业现代化、绿色化的协调发展。

农业与自然环境紧密相连，其造成的碳排放量不容小觑。在低碳试点政策的指导及先行试点的示范带动下，地级市政府部门制定相关政策，以提升以农业绿色全要素生产率为核心指标的农业绿色发展质量。基于低碳试点政策的工作要求、具体任务及政策作用途径，结合农业绿色全要素生产率的影响因素，本研究总结低碳试点政策对农业绿色全要素生产率的影响路径如下：

首先，低碳试点政策促进各试点城市调整基础建设，为农业绿色全要素生产率的增长创造条件。低碳试点政策鼓励各试点城市政府相互学习，并依据自身自然资源、经济状况等条件，低碳规划建设交通网络、供水排水、废物处理等基础设施。低碳基础设施的完善，一方面可以促进劳动力、农产品等农业生产要素的流动，优化资源配置；另一方面能够加快污水、秸秆等农业生产废物转移，实现废物的及时有效处理，从而提升农业绿色全要素生产率。同时，低碳试点政策推动了绿色制造业与低碳城市建设之间的良性互动，为农业提供低碳化发展所需的生产工具和生产资料，优化绿色公共资源配置，打造智能、绿色的产业体系[17]，进一步促进农业绿色全要素生产率的提升。如镇江市率先通过信息技术搭建云平台，对国土、资源、农林、节能等多部门数据进行整合管理，以期实现系统化、信息化建设低碳城市。

其次，低碳试点政策通过限制农业的高污染投入及非期望产出，从而有效促进农业绿色全要素生产率提高。低碳试点政策将总温室气体排放目标下放到各试点城市，要求各试点城市进行低碳规划，并进行自上而下的监督管理，定期对减排任务的完成情况进行考核评估。对此，各试点城市积极响应，政府部门通过制定相关行政措施减少农业生产中农药、农膜等高污染生产要素的滥用，提高秸秆、牧畜排泄物等农业生产废物的利用率，促进光伏电、沼气等清洁能源的使用，从而减少农业碳排放这一非期望产出。在此期间，农业种植结构、种养方式得以优化，又可以进一步激发农业碳汇潜力，使得农业碳减排效果更加显著，进而提升农业绿色全要素生产率。

再次，低碳试点政策将促进绿色技术开发，进而带动农业绿色全要素生产率增长。企业是绿色技术创新的重要主体，低碳试点政策的实施能够推动企业的绿色技术创新。低碳试点城市为实现碳减排目标，政府部门将碳减排目标分解至企业，并持续对企业碳减排目标实现进度进行考核评估。企业在此命令型环境规制作用下，将积极开发绿色生产技术，以降低自身“污染成本”[8]。此外，低碳试点城市可以灵活使用市场型环境规制工具：如碳排放补贴、绿色项目奖励等，进一步提高企业绿色技术创新的积极性，提升农业绿色全要素生产率。同时，试点城市的周边城市通过对试点城市绿色技术的学习与引进，实现农业绿色全要素生产率的增长。

最后，低碳试点政策对各城市农业绿色全要素生产率的影响存在异质性。其一是区域异质性特征。由于各批次低碳城市试点的政策具体任务不同，加之各个城市本身的经济结构、资源禀赋及城市建设水平存在差异，各个城市对环境的重视程度、技术创新能力以及改造农业所需投入的时间精力各不相同，因此，低碳试点政策的不同实施批次对农业绿色全要素生产率的影响存在差异，同时该政策对不同类型城市的农业绿色全要素生产率的影响也具有一定的异质性。其二是时空异质性特征。低碳试点政策实施后，当地政府制定相应的政策工具引导农业的绿色发展需要一定时间，试点城市相较于非试点城市的政策先行优势也会随着时间逐渐减弱，从而产生时间异质性。试点城市对其他非试点城市存在双向的空间溢出效应又会产生空间异质性。从低碳试点政策效果的正向效应来看，试点城市存在的示范竞争效应和技术扩散效应会带动周边城市绿色全要素生产率的增长。从负向效应来看，由于试点城市的环境规制强度较高，使其可能会向环境规制强度相对宽松的城市转移污染产业；同时，试点城市还会对其周边城市产生虹吸效应，使得周边城市的人力资源、经济资源等向其转移，从而不利于其他城市的农业绿色全要素生产率的增长。低碳试点政策效果空间溢出效应的辐射范围与地理距离有关。在一定的距离范围内，若正向溢出效应大于负向，则试点城市可以促进该范围内其他城市的绿色全要素生产率增长，反之则表现为抑制作用。由此提出以下假说：

H1：低碳试点政策将对农业绿色全要素生产率产生积极影响；

H2：低碳试点政策可通过基础设施建设、碳排放设限和绿色技术创新促进农业绿色全要素生产率的增长；

H3：低碳试点政策对农业绿色全要素生产率的作用效果具有一定的区域异质性特征和时空异质性特征。

二、研究设计

（一）数据来源及样本

参考现有文献[7-8,10]，并基于相关数据的可获得性、齐整性及准确性原则，本研究截取2008—2019 年长三角地区（安徽省、浙江省、江苏省、上海市）地级及以上城市的面板数据，评估低碳试点对农业绿色全要素生产率的政策效应与影响机制。剔除部分数据严重缺失的城市，最终保留34 个地级市的数据，其中包括试点城市16 个，各城市名称及试点情况见表1。本研究数据主要源于各省市统计年鉴，浙江省土地资源及水资源相关数据来自《浙江省自然资源与环境统计年鉴》，江苏省土地资源及水资源相关数据由各市水利局及省自然资源厅提供，绿色专利数是使用知识产权局所公布的专利申请信息，以世界知识产权组织提供的绿色专利清单和国际分类编码筛选加总所得[18]。本研究所有涉及货币计量的变量均以2008 年为基期进行平减，缺失数据通过线性插值法进行处理。

表1 长三角地区样本城市试点名单†

（二）变量选取

1.被解释变量

农业绿色全要素生产率（AGTFP）为本研究的被解释变量，借鉴已有文献[8,12]，选取应用范围较广的DEA-GML 方法对其进行测度。参考Oh[19]的做法，GML 指数设定为：

式（1）中的GML 指数可分解为绿色技术效率(GEC)和绿色技术进步(GTC)。

为体现出农业绿色全要素生产率的累积变化，本研究中定义的农业绿色全要素生产率（AGTFP）由DEA-GML 测算出的本年度及上年度的AGTFP 变动率（TFPCH）累乘所得。

参考以往文献中的测度体系[4,12]，本研究将农业定义为广义农业，即包含农林牧渔业及副业。期望产出采用第一产业增加值，非期望产出设为农业碳排放量，其中农业碳排放量的计算借鉴了李波等[20]、吴贤荣等[21]的做法，碳排放估算公式为：

式（3）中C为碳排放总量，Ti为各碳源的排放量，δi为各碳源的碳排放系数。农业碳排放源主要有三类：一是如农药、农膜等农业投入用品的制备和消耗；二是牧畜养殖时产生的粪便与肠道发酵；三是能源消耗[13]。基于此分析，同时考虑数据的可得性，本研究选择的碳排放源及相关系数如表2 所示。

表2 碳排放系数表†

本研究选取劳动力、农用地面积、机械动力、化肥用量、农药用量、农膜用量、农业用水共七个指标为主要投入变量，其中劳动力以第一产业从业人数表示，化肥用量以农业化肥投入用量的折纯量表示。各投入和产出变量的相关描述性统计见表3。

表3 投入产出变量描述性统计†

2.解释变量

本研究核心解释变量为低碳试点政策是否实施，didkt示第t年k城市是否实施该政策，若实施则取值为1，否则为0。考虑到前两批试点名单的发布时间与年底十分接近，基于政策执行的滞后性，将第一批试点及第二批试点的政策实施时间分别设为2011 年及2013 年。第三批试点名单颁布于年初，故其政策时间依旧设为2017 年。

3.中介变量

基于前文的理论机制分析并参考相关文献[11,15]，本研究选取以下指标为中介变量：即以实际公路里程（road）作为基础设施建设的代理变量；以由前文计算的农业碳排放量（carbon）作为碳排放设限的代理变量；以绿色发明专利申请数总量（lsfm）作为技术创新的代理变量。

4.控制变量

基于相关文献[11,14]和数据可得性，本研究选取以下变量为控制变量，各变量测度方法及描述性统计见表4。

表4 各变量描述性统计

（三）模型构建

1.基础模型设定

本研究采用加入双向固定效应的双重差分模型，用来评估低碳试点政策对农业绿色全要素生产率产生的影响。参考Beck 等[25]的做法，构建的计量模型如下：

其中AGTFPkt表示第t年k城市的农业绿色全要素生产率，didkt表示第t年k城市是否实施低碳试点政策。xkt表示控制变量，ωk是城市固定效应，εt为年份固定效应，μkt为随机误差项。α1为本研究核心的系数，当其系数大于0 且具有显著性时，表明低碳试点政策可以有效促进农业绿色全要素生产率的提升。

2.中介模型设定

本研究构建以下中介效应模型进行机制检验：

式（5）～（6）中M为所选中介变量。在γ1具有显著性的情形下，若β1及β2均有显著性，表示存在部分中介效应；若β1无显著性但β2具有显著性，表示存在完全中介效应；否则不存在中介效应。

三、实证结果与分析

（一）农业绿色全要素生产率总体演进特征

长三角地区农业绿色全要素生产率（AGTFP）及其分解后的农业绿色技术效率指数（GEC）和农业绿色技术进步指数（GTC）的年均值变化情况见图1。结果显示，长三角地区的农业绿色全要素生产率自2013 年起每年数值都大于1，表明低碳试点政策实施一段时间后，长三角地区的整体农业绿色发展质量逐年提升。长三角地区的农业绿色技术进步指数及技术效率指数呈现出波动变化，尤其是2017 年后，二者波动变化幅度陡增。这可能是因为第三批试点范围较大，政策实施后，更多的地级市政府在短时间内积极采取行动调配农业资源配置，鼓励农业技术创新，从而对长三角地区整体指数造成影响。但相比资源的配置优化，新技术从开发到投入生产的周期较长，其作用存在一定滞后性，因此农业绿色技术进步指数在农业绿色技术效率指数后增长。综合来看，农业绿色技术进步和农业绿色技术效率交替驱动农业绿色全要素生产率的增长。

图1 长三角地区农业绿色全要素生产率及其分解动态趋势

（二）基准回归结果

低碳试点政策对农业绿色全要素生产率（AGTFP）影响的基准回归结果如表5 所示。第（1）列未加入任何控制变量，政策的虚拟变量（did）系数在10%的显著性水平上为正，第（2）到（5）列逐步加入控制变量后，其系数在5%的显著性水平上为正，说明低碳试点政策能有效促进长三角地区农业绿色全要素生产率的增长，由此验证了假说H1。

表5 基准回归结果†

（三）稳健性检验

1.安慰剂检验

安慰剂检验可以验证是否有其他不可观测因素影响基准回归结果。本研究通过随机抽取样本城市政策实施时间的方式进行安慰剂检验。将34个城市进行随机分组，并为不同的分组随机抽取低碳试点政策的发生时间，再重新构建政策虚拟变量（did）系数进行回归，分别重复进行500 次和1 000 次，其回归系数分布如图2 所示。由图2 可以看出估计系数以0 为均值呈现出正态分布，且绝大部分系数P值大于0.1。综上可排除上文的基准回归结果由其他不可观测因素导致。

图2 政策时间抽样系数及P 值分布图

2.其他稳健性检验

为加强结论的可信度，进一步基于样本特殊性、政策实施时间调整及排除其他政策影响三方面进行稳健性检验。其一，上海市作为直辖市与长三角地区其他城市在行政级别、经济发展、城镇建设等诸多方面相差甚远，故将其排除后进行回归，结果如表6 第（1）列所示；其二，在不考虑政策滞后实施的情况下，将第一批及第二批的政策实施时间调为2010 年及2012 年进行回归，结果如表6 第（2）列所示；其三，在样本区间内，长三角地区各城市的农业绿色全要素生产率除受到低碳试点政策的影响外，还可能受到其他政策的影响。参考张兵兵等[1]的做法，并借鉴相关文献[1,6]，引入创新型城市建设及高铁开通两个相关政策，分别构建虚拟变量（did1、did2）引入模型（4）中进行回归，所得结果如表6 第（3）、（4）、（5）列所示。表6 中各项政策虚拟变量（did）系数大小及显著性水平无明显变化，表明基准回归结果稳健。

表6 稳健性检验回归结果

（四）低碳试点政策提升农业绿色全要素生产率的机制检验

为验证假说H2，依照前文设定的中介效应模型进行回归，结果如表7 所示。列（1）中低碳试点政策对公路里程无显著影响；列（2）的中公路里程对农业绿色全要素生产率同样影响不显著，政策虚拟变量（did）系数相对于基准回归结果也几乎无变化，说明促进基础建设并不是低碳试点政策对农业绿色全要素生产率作用的主要途径；列（3）中低碳试点政策对农业碳排放量有显著的负向影响；列（4）验证了农业碳排放量的部分中介作用，说明低碳试点政策可以通过碳排放设限促进农业绿色全要素生产率的提升，相较于基准回归结果，碳排放限制所起的中介效应仅占9.62%；列（5）中显示低碳试点政策对绿色发明专利申请数正向影响显著；同时列（6）中，政策虚拟变量（did）系数不再具有显著性，即绿色发明专利申请数起到了完全中介的作用，说明低碳试点政策可以有效地通过促进绿色技术创新来促进农业绿色全要素生产率的提升。由此可得，低碳试点政策可以通过碳排放设限及绿色技术创新影响农业绿色全要素生产率，假说H2部分得证。

表7 机制检验结果

（五）政策效果的异质性分析

1.三个批次试点的成效差异

由于低碳试点政策不同批次试点的具体任务和政策实施时间不同，低碳试点政策的不同实施批次对农业绿色全要素生产率的影响可能存在差异。参考王亚飞等[26]的做法，为避免不同试点批次间的相互影响，将每一批次城市试点作为实验组，从未实施过试点政策的城市作为对照组，分别对每一批次城市试点进行回归分析，以观测不同批次政策实施效果的差异，回归结果如表8 所示。由表8 可知，三个批次试点的系数符号均为正，但显著性差异较大，假说H3得证。其中，第二批次试点的政策实施效果最佳，对农业绿色全要素生产率的影响相较于基准回归结果系数有显著提升。第一批次试点的政策实施效果稍低于第二批次试点，这可能是试点政策实施早期，相较于污染更加严重的工业，农业受到的重视程度相对较低，低碳试点政策对农业绿色全要素生产率的作用有限。随着农业碳排放污染和农业绿色发展的相关政策措施相继出台，该政策对提升农业绿色全要素生产率的正向效果逐渐加强。第三批次试点政策实施效果系数不显著，主要是因为样本观测区间仅由2008—2019 年，第三批次试点政策效果的评估期限仅3 年，其成效或许尚未完全显现，这也侧面说明了低碳试点政策对农业绿色全要素生产率的影响具有一定的时滞性。

表8 不同批次试点实施效果回归结果

2.对不同类型城市的成效差异

考虑到长三角各地区的资源禀赋、地理环境及经济发展现状的差异，低碳试点政策的实施效果在不同的地区会呈现出不同的特征。根据长三角地区的区域特点，将长三角地区划分为安徽地区及苏浙沪地区进行回归分析，结果如表9 第（1）、（2）列所示；再者，依照武云亮等[27]的做法将长三角地区划为中心城市和外围城市进行回归，结果如表9 第（3）、（4）列所示。可以看出，低碳试点政策在苏浙沪地区及安徽地区对农业绿色全要素生产率均有显著影响，但苏浙沪地区的系数远大于安徽地区。相较于苏浙沪地区，安徽地区全省农业规模较大，要在政策实施后实现安徽地区的农业转型，需要当地政府投入更多的时间及精力；且安徽地区低碳试点政策的实施时间相对滞后，该政策对农业绿色全要素生产率的作用尚未完全显现。再者，低碳试点政策对中心城市的农业绿色全要素生产率的影响，无论是系数大小还是显著性水平均远大于外围城市，这一结果主要是因为中心城市本身的地理位置优越、经济实力雄厚，为农业绿色技术的引进开发创造了良好的先天条件；同时中心城市本身人民群众的生活水平较高，该地区人民对于生态环境有更高的追求，这也促使其更加重视农业绿色建设，从而拉大了与外围城市的差距。综上，低碳试点政策对不同类型城市的农业绿色全要素生产率作用效果有显著异质性，验证了假说H3。

表9 不同类型城市实施效果回归结果†

3.时空异质性检验

1）时间异质性检验。利用事件研究法不仅可以进行平行趋势检验，以考察基准回归结果是否有效，同时可以检验低碳试点政策对农业绿色全要素生产率的时间异质性[28]。参照Jacobson 等[29]的做法，构建的计量模型如下：

式（7）中，Dkt为低碳城市试点k是否实施政策的虚拟变量，t小于0 为政策实施前的第t年，反之为政策实施后的第t年。以政策实施当年为基期，回归结果如图3 所示。政策实施前，各期系数βt在90%的置信区间内均含有0，表明平行趋势检验通过，基准回归结果有效。此外，低碳试点政策的实施并未立即对农业绿色全要素生产率产生显著的影响，随着政策实施年限的增长和试点范围的扩大，该政策的正向影响逐渐显著。影响系数呈现先增大、后减小、再增大的变化形式，说明低碳试点政策对农业绿色全要素生产率的影响具有一定的时间异质性特征，表现为一种滞后的长期正向效应，可见对农业的绿色化转型需要一定的时间。

图3 低碳试点政策效应的时间异质性

2）空间异质性检验。结合王雄元等[30]及韦施威等[31]研究，通过各城市经纬度计算出各城市间的地理距离，并分别计算出不同年份下不同城市100 km 内，100～200 km，……，700～800 km的试点城市数量，将其与政策虚拟变量（did）的交互项放入模型中进行回归，以此来检验低碳试点政策对农业绿色全要素生产率的影响的空间异质性，构建的计量模型如下：

式（8）中，treatcitykt为第t年距k城市不同距离范围内试点城市的数量。回归结果图4 所示，在95%的置信区间内，交互项系数在100～200 km，显著为正，此后系数虽然为正但不再显著。直至700～800 km 范围内，系数显著为负，表明低碳试点政策对农业绿色全要素生产率的影响具有明显的空间异质性。100～200 km 范围内的交互项系数显著为正，这说明低碳试点城市的正向溢出效应大于负向溢出效应。200～700 km 内的交互项系数虽然符号为正但无显著性，表明试点城市的正向溢出效应有限，与负向溢出效应几乎持平，其对农业绿色全要素生产率的促进作用不如对邻近城市明显。700～800 km 内时，交互项系数负向显著，此时试点城市的负向溢出效应大于正向溢出效应，造成其他城市的农业绿色全要素生产率难以提升。这说明后续应继续拓展低碳试点政策的实施范围，尽可能降低其负向影响。

图4 低碳试点政策效应的空间异质性

四、结论及政策建议

（一）研究结论

本研究利用DEA-GML 法，以农业碳排放量为非期望产出，测度了长三角地区的农业绿色全要素生产率，通过双重差分法客观评价了低碳试点政策对长三角地区农业绿色全要素生产率的影响，并进一步就该影响的作用机制及其异质性特征进行探讨。研究主要得到以下结论如下：

1）低碳试点政策对长三角地区的农业绿色全要素生产率有显著促进作用。同时机制分析结果表明，低碳试点政策主要通过促进绿色技术创新实现农业绿色全要素生产率的增长。碳排放设限也是实现农业绿色全要素生产率增长的有效途径。但是，研究表明加强基础设施建设对农业绿色全要素生产率的影响不明显。分析其可能的原因主要包括：区域之间的基础设施建设水平不均衡，新建基础设施与现有农业耕作技术匹配不协调，针对农民的培训有效性不足导致新建基础设施利用率较低，从而使得基础设施建设并不能有效发挥提升农业绿色全要素生产率的作用。

2）低碳试点政策对农业绿色全要素生产率的影响具有显著的区域异质性。一方面，研究表明第二批次试点的政策效果最佳。原因在于，第二批次试点政策实施时，工业碳减排已取得部分成效。此时，绿色工业开始反哺农业，为农业绿色发展提供了更多的支持。同时随着相关政策的出台，农业碳排放问题逐渐引起各地政府部门的重视，试点城市更加积极地提升农业绿色全要素生产率。另一方面，结果显示对于苏浙沪地区和中心城市等经济基础较好的城市，低碳试点政策对农业全要素生产率具有更加显著的促进作用。这是由于本身所具有的经济和地理位置优势，使得此类地区拥有更强的科技创新能力。而且这些地区城市中，居民对生态环境的要求相对更高。在较高的工业化水平发展背景下，使得该类地区城市的农业绿色化改造目标更易实现。

3）低碳试点政策提升农业绿色全要素生产率的政策效果，在时间和空间上均具有显著的异质性特征。一方面，在时间上政策效果表现为一种波动变化的正向长期滞后效应。由于试点政策的分批执行，使得政策实施效果难免呈现波动变化。政策实施中农业的绿色改造也需要投入一定的时间，因此政策实施后的执行效果往往具有滞后性。另一方面，在空间上政策效果则表现为邻近范围内正向效应显著、远距离范围负向效应显著的特点。这说明试点城市与其周边的试点城市可以通过竞争与交流，完善自身的政策工具，进一步提升农业绿色全要素生产率。周边非试点城市通过学习和模仿试点城市政府实施的绿色措施，引进试点城市的先进绿色技术，有效克服试点城市造成的负向空间溢出效应，从而提高了自身农业绿色全要素生产率；远距离范围内试点城市对其他城市的正向溢出效应减弱，这可能是由于试点城市为实现农业绿色全要素生产率的增长，向外转移污染产业，从而不利于其他城市农业绿色全要素生产率的提升。

（二）政策建议

1）从农业绿色转型及经济高质量转型的需求出发，应当总结低碳试点政策实施经验，继续扩大试点范围，通过政策总目标的引导、各试点城市政府的积极行动及试点周围城市对试点城市的经验学习，来有效提升农业绿色全要素生产率。

2）应充分考虑不同城市的经济基础及资源禀赋的差异，以行业或地区的特点为基础，因地制宜，各市政府有针对性地制定相应试点工作的具体实施路径；同时注重低碳试点政策在经济基础较差的城市的推进，积极推广政策试点的有效经验、先进技术等，进一步推动各地区农业绿色高质量发展。

3）政府相关部门应进一步优化制度设计，注重对农业绿色高质量发展的长期引导，同时建立跨区合作平台，加强各城市之间的合作交流，以充分发挥低碳试点城市的正向作用。具体如建立低碳技术创新补贴、环保补贴等引导机制；设立绿色技术交流中心，云数据管理分析中心等交流平台，创造良好技术研究环境，以促进绿色技术的开发，实现高污染生产要素的合理使用及先进绿色技术的应用。