“双碳”目标下我国农林业碳排放效率的时空演变及影响因素分析

摘要：为实现农林业的碳减排目标，需要减少传统农业和林业的资源投入，提高生产效率和碳汇能力。计算农林业碳排放效率并分析其关键影响因素，是实现“双碳”目标的关键步骤。文章基于低碳经济理论，运用超效率模型和空间杜宾模型，测算了2000—2021年中国31个省份的农林业碳排放效率，并研究了其时空变化及影响因素。研究发现：（1）2000—2021年间我国31个省份的农林业碳排放效率平均值为0.70，农林业碳排放效率年均增长率为9.80%。（2）农林业研发创新对本地农林业碳排放效率具有显著的抑制作用，并对周边地区产生显著的溢出效应。（3）提升农林业碳汇能力对提高农林业的碳排放效率具有显著正向影响。此外，林业总产值和城镇化率的增加均对本地农林业碳排放效率产生显著正向影响。增加林业用地面积和农村劳动力对周边地区的农林业碳排放效率产生显著虹吸效应，城镇化率对周边地区的农林业碳排放效率产生显著溢出效应。本文的学术创新主要体现在2个方面：（1）引入农林业研发创新这一重要投入要素，探讨其对农林业碳排放效率的影响。（2）创新性地使用植物新品种权申请量来衡量农林业研发创新。政策启示：建立有效的农林业碳排放与碳汇监测报告体系并鼓励农林业创新研发；增强农业和林业的碳汇能力；将农业碳汇和林业碳汇全面纳入中国碳排放权交易市场。

关键词：“双碳”目标；农林业碳排放效率；农林业研发创新；农林业碳汇；空间杜宾模型

中图分类号：X322； F323文献标识码：A文章编号：1673-338X（2024）8-059-25

基金项目：国家社会科学基金重大项目“十四五时期中国有效防范滞胀路径研究”（21ZD081），国家社会科学基金重大项目“建设人才强国背景下激发科技人才创新活力研究”（21ZDA014），江苏省科研创新计划项目“我国农业碳排放效率测算与时空分异特征研究”（163060345）。

Analysis of spatiotemporal evolution and influencing factors of the carbon emission efficiency of China’s agroforestry industry under dual carbon target

ZHANG Lingrui1， LIU Hui2， DENG Lan3， LI Qun4

（1. Faculty of Arts， University of Waterloo， Canada， Waterloo N2L 3G1； 2. School of Economics and Management， Nanjing Forestry University， Nanjing 210037； 3. Business School， University of Chinese Academy of Social Sciences， Beijing 100102； 4. Xi Jinping Economic Thought Research Center， University of Chinese Academy of Social Sciences， Beijing 102445）

Abstract：In order to achieve the carbon emission reduction objectives in agroforestry industry， it is imperative to decrease conventional resource inputs within these sectors， enhance production efficiency， and bolster carbon sequestration capabilities. The computation of carbon emission efficiency of agroforestry industry， along with the analysis of its crucial influencing factors， represent essential strides toward fulfilling dual carbon target. Grounded in the low-carbon economy theory， this paper employed the super-efficiency model and spatial Durbin model to evaluate the carbon emission efficiency of agroforestry industry across 31 provinces in China from 2000 to 2021. The research delved into the spatiotemporal fluctuations and influential elements within this realm. The research revealed that：（1）The mean carbon emission efficiency of agroforestry industry in the 31 provinces in China from 2000 to 2021 stood at 0.70， with an average yearly growth rate of 9.80%.（2）Innovations within agroforestry industry significantly restrained local carbon emission efficiency and prompted noteworthy cascading impacts on neighboring regions.（3）Augmenting the carbon sequestration capacity of agroforestry industry distinctly propelled the enhancement of their carbon emission efficiency. Furthermore， amplifications in the total value of forestry output and urbanization rates markedly bolstered the local carbon emission efficiency of agroforestry industry. The expansion of forestry land area and rural labor exerted substantial vacuum effects on the carbon emission efficiency of the agroforestry industry within surrounding areas， while urbanization rates yielded notable spill-over effects on the carbon emission efficiency of these sectors in neighboring regions. The scholarly contribution of this study lay in the introduction of innovation in agroforestry industry as a pivotal input factor and the examination of its impact on the carbon emission efficiency in these sectors， as well as the innovative use of the quantity of new plant variety patents applications as a metric to gauge the level of innovation in agroforestry industry. The policy implications encompassed establishing a robust monitoring and reporting framework for carbon emissions and sequestration in agroforestry industry， promoting innovation and RD endeavors within these sectors， fortifying their carbon sequestration capabilities， and comprehensively integrating agricultural and forestry carbon sequestration into China’s carbon emissions trading marketplace.

Keywords：dual carbon target；carbon emission efficiency of agroforestry；RD innovation in agroforestry；carbon sequestration in agroforestry；spatial Durbin model

1引言

2020年9月22日，中国国家主席习近平在第七十五届联合国大会一般性辩论上发表重要讲话，向全世界庄严承诺：“中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”。中国的“双碳”目标对于引领全球气候治理，促进中国高质量、绿色经济发展具有重要战略意义（Liu et al.， 2024）。根据联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change， IPCC）的评估报告，全球农林业部门的碳排放量占据了全球总碳排放量的大约三分之一（Jhariya et al.， 2024；Raj et al.， 2024）。其中，畜牧业所贡献的碳排放量大约占了全球总排放量的15%（Pardo et al.， 2023；薛佳敏等，2024）。这些排放主要来自农林业生产、加工、流通等环节，以及农作物种植和畜牧饲养等生产经营活动。但是，农作物、森林草原又可以通过光合作用吸收和储存大气中二氧化碳（CO2），农业碳汇、林业碳汇是农业、林业生态功能的再挖掘、再利用、再发挥。建立健全农业农村绿色发展政策体系，是实现“双碳”目标的重要保证。

现有林业碳汇相关研究大多只关注林业部门内部，忽视了农林生态系统内各个部门之间的相互作用（沈月琴等，2015）。对于农林业碳汇提高碳排放效率的研究尚显不足。林业碳汇作为减排的有效手段之一，对如期实现“双碳”目标具有重大意义（全阳等，2023）。截至2022年，我国森林面积增加至2.31亿hm2，森林蓄积量增加至194.93亿m3（顾仲阳等，2022）。森林覆盖率虽然已提高至24.02%，但是与世界平均水平的30%尚有差距，表明我国林业增汇仍有巨大的潜力。森林是陆地生态系统中最大的碳库，在“双碳”目标的实现过程中存在着巨大的生态效益，森林的碳汇功能也对全球的碳循环有着深刻的影响（孔蕊等，2020；赵宁等，2021）。

农林业碳排放效率涉及有效的资源管理，涵盖土地、水和能源的高效利用，以实现农产品和林产品的生产。提升资源利用效率对于减少温室气体排放至关重要，其中包括通过农林业研发创新改进灌溉系统、优化肥料使用以及减少农用机械的能源消耗等方法。这些措施的目标是提高农林业碳排放效率，从而减少主要温室气体（二氧化碳、甲烷和氧化亚氮）的排放。改良农林业实践可以增加土壤的碳储存能力，进而有助于减少碳排放量。通过采用覆盖作物、减少耕作、增加有机质输入等方法，可以提升土壤健康状况，促进碳的长期储存，同时降低氮气和甲烷的排放。此外，提高农林业碳排放效率也有助于确保农林业的可持续性。这不仅有助于减少气候变化的影响，还有助于维持农林业系统的长期生产力，从而满足全球人口不断增长的食物需求。

本文以农村资源流动为视角，以农林业研发创新对农林业碳排放效率的影响为切入点，将农林业研发创新视为一项投入要素，探讨其对农林业碳排放效率的影响。然后，采用超效率模型和空间杜宾模型等研究方法，深入研究中国农林业碳排放效率的时空演变特征，着重关注时空变化的核心特征，并探讨影响这些变化的关键因素。通过引入空间计量经济模型，不仅可以考察农林业研发创新在本地的直接效应，还将揭示其对周边地区碳排放效率的溢出效应，丰富了农林业碳排放效率的影响机制研究。

本文的边际贡献主要体现在四个方面。第一，在理论层面，以低碳经济理论为基础，引入农林业研发创新这个重要的投入要素，系统探讨其对我国农林业碳排放效率的影响，为低碳农业和林业领域的理论研究提供了新的视角，揭示了技术创新在推动碳减排和提升效率方面的双重作用。第二，在方法层面，区别于过去文献对于农业技术创新的间接估算，创新性地使用了植物新品种权申请量作为农林业研发创新的代理变量，直接反映农林业技术进步的水平。同时，采用基于松弛的超效率模型对2000—2021年中国31个省份的农林业碳排放效率进行了全面测算。这种方法不仅考虑了各省份的效率差异，还能够有效刻画不同地区间的碳排放效率水平，并进一步结合空间杜宾模型，从农林业研发创新、林业总产值和城镇化率等多个维度分析我国农林业碳排放效率的时空演变及其影响因素。通过引入空间计量经济模型，不仅考察农林业研发创新在本地的直接效应，还揭示其对周边地区碳排放效率的溢出效应，进一步丰富了农林业碳排放效率的影响机制研究。第三，在研究结论层面，系统估算2000—2021年全国31个省份的农林业碳排放效率及其年均增长率，详细分析农林业研发创新对本地碳排放效率的抑制效应和对周边地区的正向溢出效应。此外，还探讨了农林业碳汇、林业总产值和城镇化率等其他因素对碳排放效率的影响，揭示不同变量在碳减排过程中的作用机制。第四，在视角层面，从农村资源流动的机制出发，对中国农林业系统碳排放效率的时空演变提供了经济学解释，并提出相应的政策优化路径。这一视角的应用，不仅为理解农林业碳排放效率提供了新的分析框架，还为推动可持续农业发展和实现碳中和目标提供了重要的政策建议和理论支持。通过上述多个层面的分析和探索，本文对现有研究的理论与实证方面均做出了重要贡献，具有较强的学术价值和实践意义。

2文献回顾与述评

虽然学界对于农林业碳排放效率影响因素的研究尚未形成明确的共识，但是学者们已经对农业碳排放效率的影响因素做了大量的研究。农业碳排放效率被认为是衡量农业产出碳排放的有效指标（He et al.， 2021）；谭涛等（2023）采用基于松弛测量的超效率模型的方法，测度海南省农业碳排放效率，并通过耦合协调度和地理探测器研究其农业领域的碳排放效率与经济增长耦合协调时空变化特征及驱动因素；赵爽等（2023）认为科技创新效率通过农业产业集聚和农业产业结构升级对农业碳排放效率具有正向促进作用；谢会强等（2023）认为城乡融合发展是影响农业碳排放效率的关键因素；杨青林等（2023）提出提高农业碳排放效率是确保粮食安全的主要动力。

有些学者则从经济发展的视角出发，探究农林业碳排放效率与经济增长的关系。田云等（2022）强调农业碳排放效率与经济增长之间的绝对协调；杨琳焱等（2023）发现，农业产业集聚对农业碳排放效率具有显著的正向促进作用，并呈现出明显的空间溢出效应；尚杰等（2022）认为，交通运输水平、第一产业产值、居民人均收入以及信息化水平在中国农业碳排放效率的空间关联网络特征中发挥促进作用；吴昊玥等（2021）发现，城镇化率对农业碳排放效率有正向影响，而农业产业结构、投资强度、财政支农力度以及受灾程度则产生负向影响；韩金雨等（2021）发现，财政支农、经济结构、城镇化水平、城乡差距、农业发展水平、农业机械化水平和耕地占用率等因素均不同程度地影响农业排放强度。

此外，另一些学者从农林业生产要素出发，探究农林业碳排放效率的影响因素。刘华军等（2020）发现，过多的农机动力、播种面积投入以及过量的农业碳排放是农业生态低效率的重要原因；Wang等（2022）、Banerjee等（2023）认为，农村劳动力对农林业技术水平的接受和应用对碳排放效率至关重要。现代农林业技术的培训有助于提高农林业生产效率、减少资源浪费，并降低碳排放。提高农林业碳排放效率并减轻农林业投入对环境造成的破坏是提高生态效益的关键因素。因此，为了提高农林业碳排放效率，许多国家已制定农林业技术创新政策或支持计划，旨在通过开发新品种促进生产（Araya， 2020；Martey et al.， 2020）。雷振丹等（2020）发现，农业技术进步与农业碳排放效率之间存在非线性关系；郑阳阳等（2021）发现，农业生产效应对农业碳排放呈倒“U”型特征。

林业用地面积是影响林业碳汇的主要因素，降低建设用地并增加林业用地面积可以有效调节该地区的碳排放效应（李彦旻等，2022）。通过对研究区边界范围内木材产量进行调减控制，间接引起研究区边界外用材林造林面积的增加，从而产生了额外的碳排放（何韵等，2022；陈科屹等，2023）。2011—2020年我国肥料行业碳减排成效显著，化肥产量和施用量呈先增后降态势，化肥减量成为当前农业碳减排的最大贡献者（李华等，2023）。农村地区人口对种植业碳减排为正效应（蔡景丽等，2023）。城镇化推动了农村劳动力向城市流动，促进了农业生产的集约化、规模化，规模化农业意味着能源消耗的增加，间接带来农业碳排放增长（周一凡等，2022）。

综上所述，尽管学者们分别从超效率的研究方法、经济增长的视角以及生产要素等方面对农林业碳排放效率进行了深入的研究，然而以往学者倾向于将农业和林业的碳排放或碳汇范畴分开考虑，在研究中人为地将它们割裂开来，并未充分展现农林业作为一个整体生态系统的真实情况。同时，以往学者的研究在考虑农林业生产资源流动的视角对农林业碳排放效率的时空演变方面存在疏漏，比如如何提升农林业碳排放效率的方法和途径，如何将科技创新和农林业产业结构升级与农林业碳排放效率的提高相融合等，这些都是亟待解决的关键问题。

本文以农村资源流动为视角，以农林业研发创新对农林业碳排放效率的影响为切入点，将农林业研发创新视为一项投入要素，探讨其对农林业碳排放效率的影响。本文研究目标在于进一步提高农村资源流动和环境容忍度，同时提高农民的生态福祉水平，这有助于将“绿水青山就是金山银山”理念转化为实际行动，推动我国农林业的整体碳排放效率水平提升，促进我国生态文明建设和“双碳”目标的实现。

3理论分析框架与研究方法

为系统分析并计算农林业碳排放效率及关键影响因素，本文基于低碳经济理论，使用非期望产出的超效率模型和空间杜宾模型测算并分析2000—2021年中国31个省份的农林业碳排放效率及关键影响因素。从农林业生产要素、农林业研发创新、城镇化和农村经济环境等多个方面进行定性分析与探讨。

3.1理论分析框架

金茨格（Kinzig）和卡门（Kammen）于1998年首次提出“低碳经济”的概念，自此“低碳经济学”成为世界经济学领域备受关注的新生概念。英国《能源问题白皮书》对“低碳经济”的解读是：在减少环境污染和资源消耗的基础上创造更多物质产品和持续发展的机会。它是以低碳技术应用和新能源开发为标志的一种新型经济发展模式。Rubens（2016）进一步阐述，低碳经济指通过有效的政策设计和制度创新，在市场机制框架内促进低碳技术、清洁能源和可再生能源技术的研发和应用，以实现“低污染、低消耗、低排放”的生产和消费方式，进而实现人类社会“高效能、高效率、高效益”的经济发展新模式。由于环境资源的特殊性和整体性，一般调整市场失灵的经济政策和措施难以发挥作用。Rubens认为，“低碳经济”的基础是市场机制，而制度创新和政策推动是有效促进温室气体减排和再生能源发展的途径。低碳经济理论从分析经济增长与环境污染的关系入手，将市场机制引入环境治理领域，通过环境资源资本化、外部成本内部化、贸易经济全球化等市场手段，促进低碳技术和新能源的研发应用、推动全球范围内减排机制的形成，对发达国家低碳经济实践起到了积极作用（董静等，2018）。

将低碳经济理论应用于农林业碳排放效率的分析中可以发现，农林业研发创新、经济发展与碳排放效率之间存在密切的关系。首先，农林业研发创新能够推动技术进步，引入更加环保、高效的生产方法，可以减少碳排放。例如，通过应用精确农业技术、精细管理森林资源、推广可再生能源等，农林业可以提高生产效率，并降低对碳排放的依赖。其次，农林业的经济发展水平也对碳排放效率产生影响。随着经济的发展，农林业部门有能力投入更多资源和资金来改善生产过程中的碳排放效率。例如，在现代化的设施和技术支持下，农林业能够实施更有效的农田排水系统、旋耕耕作和农业废弃物处理等措施，从而减少碳排放。农林业的研发创新能够提供更环保和更高效的技术，促进碳排放的减少。

从农村资源流动的视角看，农林业研发创新对农林业的基本要素（劳动生产方式和劳动者）产生影响，从而促进农林业的碳排放效率（Cheng et al.， 2022；Li et al.， 2022）。本省的农林业研发创新具有更大潜力，能够带来更高效的生产方式，以减少资源浪费并提高农林业的碳排放效率，同时会促进本省农林业市场的发展。当然，由于研发创新溢出效应的影响，本省的农林业研发创新也会促进相邻省份的农林业研发创新水平。但是，由于虹吸效应的存在，本省农林业市场的快速发展必然会加快邻省的劳动力、技术等生产要素的流转。

农业科技创新通常被视为促进农业转型和提高生态效率的重要方式（吴磊等，2022）。然而，有研究显示，农业科技创新对生态效率的影响在不同地区之间存在明显差异（王辰璇等，2021）。具体来看，颜光耀等（2023）发现，农业碳排放强度存在正向空间溢出效应，表明一个地区的碳排放增加可能会影响到相邻地区的碳排放状况。此外，农业技术效率与碳排放强度之间存在的负向空间溢出效应表明，提高技术效率能够有效减少碳排放强度。刘云强等（2022）提到，绿色技术创新具有一定的扩散效应，意味着这种新技术不仅能够在原区域内发挥作用，还能通过合作和共享影响周围地区。在农林业研发创新的背景下，诸如新植物专利的开发等实践通常会有效降低单位面积产出的碳排放。然而，研发创新的实施往往涉及资源的高度集中与技术的大量投入，可能在短期内会导致碳排放的增加。因此，可以推测，在同一地理区域内，碳排放效率与农林业研发创新之间可能存在负相关关系。另外，研发创新带来的新技术和专利往往具有显著的空间溢出效应，从而使这些创新的积极影响可向周边地区延伸。在这种情况下，周边地区吸收新技术带来的经济效益和环境效益，可能会显著提高其碳排放效率，从而规避研发创新过程中可能产生的沉没成本。因此，周边地区的碳排放效率可能与农林业研发创新呈现正相关关系。

综上所述，农林业研发创新的影响机制体现出复杂的双向互动特征。虽然局部区域的研发活动可能在短期内导致碳排放上升，但其长期效益则体现在通过技术进步提高生产效率，从而降低单位产出的碳排放。此外，周边地区获得的正向溢出效应进一步加强了这种正相关关系。对这一现象的深入探讨，对于理解农林业的可持续发展及政策制定具有重要意义，并能为实现碳中和目标提供可靠的科学依据。基于以上分析，提出假设H1。

H1：本省农林业研发创新对本地区的农林业碳排放效率有抑制作用，并对周边地区的农林业碳排放效率产生显著溢出效应。

减少农业碳排放，提高农业碳汇能力，是我国实现“双碳”目标的重要举措。田云等（2024）以国家《农业农村减排固碳实施方案》所重点倡导的化肥减量增效、农机绿色节能、稻田甲烷减排、农田碳汇提升等模式为例，探讨了农业减排固碳的潜力。Fu等（2023）指出，影响农林业碳排放效率的关键因素包括农田土壤的碳汇能力、城镇化水平、种植结构等。碳捕获和储存技术具有改善土壤管理的潜力，可提高土壤碳含量并增强碳吸收能力（Schmidt et al.， 2019；Rosa et al.， 2021）。因此，提出假设H2。

H2：提升农业碳汇能力对增加本地的农林业碳排放效率具有显著的促进作用。

碳减排需要从减少碳源和增加碳汇两个方面同时推进（鲁丰先等，2013）。碳汇量可能存在不确定性问题，林业碳汇同时具有“源”和“汇”的特殊性，例如由于存在火灾、自然灾害等潜在风险，碳汇量存在不确定性和可逆转性，属于非持久性减排（刘海燕等，2023）。提升林业碳汇可以有效降低碳排放（邹晓明等，2022）。林业碳汇相对于工业减排具有显著的成本优势，因此可以对农林业碳排放的减少具有较好的可实践性（张娟等，2021）。不同土地利用类型对碳排放效率产生各自独特的影响，包括农田、森林、湿地和城市地区，这些土地类型拥有不同的碳循环特性。通过保护和恢复那些具备丰富碳储存潜力的生态系统，如森林和湿地，有助于降低碳排放水平。因此，提出假设H3。

H3：提升林业碳汇能力对增加本地的农林业碳排放效率具有显著的促进作用。

3.2研究方法

本文的研究方法主要采用非期望产出的超效率模型和空间杜宾模型，分别测算并分析全国31个省份的农林业碳排放效率及其影响因素。

3.2.1非期望产出的超效率模型

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。现有农业碳排放效率的测算方法多为DEA类模型或Malmquist指数，这些研究方法缺少跨期可比性和空间可比性。在前述理论框架的基础上，借鉴吴昊钥等（2021）的研究，本文构建考虑非期望产出的农林业碳排放效率模型，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。此外，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。具体步骤如下：首先，建立一个包括农林业科技创新、生产要素投入、农业和林业碳汇以及总产值作为期望产出，农业和林业碳排放总量作为非期望产出的农林业生态系统的生产集合（Ф）；其次，利用非期望产出的超效率模型计算农林业碳排放的实际产出与理论产出之间的距离，即农林业碳排放的松弛量；最后，基于前两步的计算结果，分别计算每一个省份的农林业碳排放效率。

4数据来源与变量选取

本文所使用的数据全部来源于官方公开发布的历年统计年鉴，以下将详细介绍具体的数据来源和指标选取的过程。

4.1数据来源

本文选择2000—2021年中国31个省份的农林业（包括种植业、畜牧养殖业和林业）样本数据，数据来源于历年的《中国科技统计年鉴》《中国农村统计年鉴》，以及国家统计局、国家林业和草原局官网公开发布的数据。因为香港、澳门、台湾地区数据缺失严重，所以没有纳入本次研究范围。数据的缺失值采用Arima预测方法填充，农林业碳排放效率的计算过程使用Matlab 2022b软件运行完成，空间杜宾模型使用Stata 16软件运行完成。

4.2变量选取

本文首先通过从上而下的方法，遵循国家发展规划和绿色发展理念，结合政策文件对农林业绿色低碳转型进行审视。然后以自下而上的方式，在考虑农林业绿色低碳发展的基础上，参考相关文献并考量数据可获取性，剔除相关性不高的指标，最终确定包含10个一级指标和12个二级指标的农林业碳排放效率指标体系。

4.2.1被解释变量

本文被解释变量为农林业碳排放效率（ln ACEE）。参考Zhou等（2012）的研究，将农林业碳排放效率（ln ACEE）定义为在规模报酬不变和既定农林业投入要素条件下，农林业（包括种植业、畜牧养殖业和林业）生产过程中实际产生的碳排放量与最低可能的碳排放量之比。低碳排放效率表示实际碳排放量较高，意味着在维持当前的投入和技术水平的情况下，存在不必要的碳排放。这表明可能农林业生产尚未充分考虑到产出与环境保护之间的平衡，以有效减少碳排放。农林业碳排放效率数据通过非期望产出的超效率模型计算得出。

参考田云等（2024）和吴昊玥等（2021）的研究，针对农林业生产系统中的投入、期望产出和非期望产出，投入方面综合考虑了土地、劳动力、资本和技术等四类基本生产要素，并将农林业科技创新、生态保护列为投入要素。期望产出方面涵盖了经济产出（包括农业总产值和林业总产值）和生态产出（包括农业碳汇总量和林业碳汇总量），而非期望产出则是指环境代价（农林业碳排放总量，包括农业碳排放总量和畜牧业碳排放总量）。基于这一设定，建立了投入产出指标体系，旨在评估农林业碳排放效率。本文构建农林业碳排放效率投入产出计算指标体系，如表1所示。

4.2.2解释变量

本文的核心解释变量为农林业研发创新，选取中国植物新品种权申请量（件）作为农林业研发创新的指标。农林业研发创新的研究数据来源于历年的《中国科技统计年鉴》。2020年颁布了《中华人民共和国民法典》，将植物新品种权纳入知识产权范畴。中国植物新品种权的申请和授权数量逐年增加，位居国际植物新品种保护联盟（International Union for the Protection of New Varieties of Plants， UPOV）公约成员国的前列（刘振伟，2021）。仅在2021年，中国农林业植物新品种权申请数量为9721件，授权3218件（关晓静，2022）。

参考田云等（2013）和吴昊玥等（2021）的研究，本文选取农业碳汇和林业碳汇作为解释变量，以探究提高农业和林业的碳汇能力对农林生态系统碳排放效率的影响。农业碳汇量（ln ACS）主要考虑各类农作物通过光合作用吸收并固定的碳。农业生产过程中的碳汇只考虑主要农作物生长全生命周期中的碳吸收。所谓农作物碳吸收，是指作物光合作用形成的净初级生产量，即生物产量。农业碳汇的计算过程如式（6）所示。

式（6）中，ACS表示某一地区（省、自治区、直辖市）农业碳汇的总量；ACSi表示某一地区（省、直辖市或自治区）第i种农作物的年碳吸收量；k表示农作物的种类数；CYi表示某一地区（省、直辖市、自治区）第i种农作物的年经济产量；si表示第i种农作物通过光合作用合成单位有机质所需要吸收的碳；wi表示第i种农作物经济产品部分的含水量；ei表示第i种农作物的经济系数。

相对于传统的技术减排方法，进行林业碳汇项目经营以促进林业增汇，能够使碳减排成本降低达40%（曹先磊等，2023）。我国整体森林碳汇量不断增加，不同地区的森林碳汇量存在显著差异（付伟等，2023）。森林碳汇对降低大气中温室气体浓度、减缓全球气候变暖具有十分重要的作用（姜霞等，2016）。作为减排的有效手段之一，林业碳汇对于如期实现“双碳”目标具有重要意义（全阳等，2023）。森林碳储量的测算方法涵盖多种途径，包括生物量法、蓄积量法、蓄积量扩展法、生物量清单法、涡旋相关法、涡度协方差法以及驰豫涡旋积累法等（伍楠林，2011；王兵等，2021；张颖等，2022）。具体而言，森林蓄积量扩展法是基于自然科学研究的基础上，结合特定年份的森林面积和单位面积的森林蓄积量指标来评估森林碳储量的一种方法。通过采用差值法，可以计算得到一定时间段内森林碳汇的增量，这是目前应用最广泛的森林碳汇测定方法。本文采用该方法来评估森林碳储量和林业增汇潜力，具体计算过程如式（7）至式（9）所示。

式（7）、式（8）、式（9）中，ΔCF（t2- t1）表示在时间段（t2- t1）内的林业碳增量，其中i代表第i个省份的林业增汇量。本文主要关注我国不同省份在2000—2021年期间的林业增汇量。CFti表示第t年第i个省份的森林碳储量，包括地上生物量、地下生物量、枯死木、枯落物、林地土壤以及林产品等六个碳库。参考伍楠林（2011）和王兵等（2021）的研究，本文主要关注地上和地下生物量以及林地土壤这三个碳库。Sti表示第t年第i个省份的森林面积，Cti表示第t年第i个省份的森林碳密度，α表示林下植物碳转换系数，β表示林地碳转换系数，Vti表示第t年第i个省份单位面积的森林蓄积量，δ表示生物量扩大系数，ρ表示容积密度，R表示含碳率。

4.2.3控制变量

参考沈月琴等（2015）、何韵等（2022）和陈科屹等（2023）的研究，本文选取林业总产值、林业用地面积、木材产量、农用化肥施用量、农林牧渔业从业人员和城镇化率等作为控制变量，进一步探究农林业生态系统碳排放效率的可能影响因素。当碳价格为300元/t时，碳汇补贴和碳税的实施使当期林业产出减少0.02%，林产品价格下降20.87%，林业总产值投入减少0.45%（沈月琴等，2015）。

城镇化率（ln UR）是一个表示城镇化程度的指标，选取各省份总人口中城镇居民人口的占比。这一指标可以用来反映不同地区的城镇化水平，从而为进一步研究城乡发展差异提供了有用的信息。

数据描述性统计如表2所示。

5实证分析

首先，本文使用Matlab 2022b软件对我国农林业碳排放效率进行测算，整体表现为先下降后上升的趋势，如图1和图2所示；其次，使用Stata 16软件测算莫兰指数，结果表明我国农林业碳排放效率存在空间自相关性；最后，使用空间杜宾模型实证分析我国农林业碳排放效率的空间影响因素。

5.1农林业碳排放效率的测算结果

图1显示，2000—2021年中国31个省份农林业碳排放效率平均水平约为0.70，在一定程度上表明，在现有的技术水平和投入要素的条件下仍然可以减少30%的碳排放量。内蒙古、黑龙江、广东、海南、云南、西藏等省份的农林业碳排放效率明显高于全国平均水平。本文认为这些地区农林业碳排放效率明显高于全国平均水平的原因可能与其气候和林业资源相关。首先，这些地区具有较好的气候条件，例如内蒙古的草原气候、黑龙江的寒温带气候条件和云南的亚热带山地气候等，这些气候条件有利于农林业生产，使得作物和森林生长更加旺盛，减少了资源耗费和产生碳排放的可能性。同时，这些地区拥有丰富的林业资源。林业是一种重要的碳汇储存库，通过吸收和储存大量的二氧化碳，有助于减少碳排放。内蒙古和黑龙江的森林资源较为丰富，这些森林在吸收二氧化碳的同时也提供了丰富的木材资源，可以减少对非可再生能源的依赖，降低碳排放。此外，近年来国家对这些地区农业和林业生产方式的科学管理也可能是农林业碳排放效率高的原因之一。科学的管理方法可以最大程度地提高作物和森林的产量，并减少资源浪费，从而减少了碳排放的可能性。

我国农林业碳排放效率的年均增长率约为9.80%。大多数省份的农林业碳排放效率年均增长速度都在均线附近。北京、天津、上海、海南等地区的农林业碳排放效率年均增长率明显高于全国水平。本文认为可能的原因是北京、天津、上海等地区可能在现代农林业科技创新技术方面投入了大量资源，包括高效的农林业机械、精确的灌溉系统、先进的育种和种植技术等。这些技术的采用有助于提升农林业生产效率，减少资源浪费和碳排放。另外，这些地区拥有丰富的科研资源和创新能力，有助于开发新的农林业技术和方法，提高碳排放效率。

由图1和图2可知，2000—2021年我国农林业碳排放效率整体呈现出先下降后波动上升的趋势。内蒙古、黑龙江、广东、海南、云南、西藏等省份的农林业碳排放效率明显高于全国平均水平。首先，这些地区拥有丰富的林业资源，森林覆盖率高、森林面积大以及更多的林木资源等优势提供了更多的碳吸收和固碳能力，因此农林业碳排放效率相对较高；其次，这些地区的气候和土壤条件可能更适合林木生长，较好的气候和土壤条件有利于植被的生长，从而提高了农林业的生产效率和碳固定能力。这可能是导致这些地区农林业碳排放效率明显高于全国平均水平的原因。

5.2空间杜宾模型结果分析

首先，本文使用Stata 16软件对中国2000—2021年的农林业碳排放效率进行莫兰指数测算，验证其是否存在空间自相关性；其次，使用空间杜宾模型进行Wald-lag、Wald-err、LR-lag、LR-err以及豪斯曼检验；最后，进行空间杜宾模型的估计。

5.2.1农林业碳排放效率全局莫兰指数测算结果

对2000—2021年中国农林业碳排放效率的全局莫兰指数测算，以验证我国农林业碳排放效率是否存在空间自相关性，测算结果如表3所示。

从绝对值的角度来看，我国在大多数年份的农林业碳排放效率全局莫兰指数均在1%的显著性水平上显著，并且通过了Z检验，其绝对值基本上稳定在0.01～0.20之间，可见我国农林业碳排放效率的空间自相关性非常显著。从总体趋势来看，我国的农林业碳排放效率全局莫兰指数呈现出一个“M”型的发展轨迹，即先上升后下降，然后再次上升，最后再次下降。这表明随着时间推移，空间集聚效应呈现出一个“M”型波动的趋势，而最近几年的空间自相关程度逐渐减弱。两次峰值分别出现在2001年和2019年，分别是0.16和0.09。本文认为原因可能是在农林业领域，技术和最佳实践可能会通过模仿效应在空间上传播。一开始，某些地区可能率先采用高效的农林业技术和管理实践，导致空间集聚效应的上升。随着时间的推移，邻近地区可能会模仿这些成功实践，导致集聚效应的下降。然而，随着更多地区逐渐采纳这些实践，集聚效应可能再次上升。此外，政府政策也可能会在一定程度上对农林业碳排放效率产生影响。一些地区可能会受益于政府在可持续农林业实践、资源管理和技术改进方面的支持，政策的变化和资源投入水平的波动可能导致空间集聚效应的变化。

5.2.2检验

基于经济距离权重矩阵（W）对残差进行空间相关性的LM检验和稳健LR检验，LM Error与LM Lag统计量分别为22.67和15.99，且均在1%的显著性水平上显著。由于拒绝了原假设，即不存在空间滞后效应和空间误差效应，因此首要考虑采用空间杜宾模型进行估计。为确保估计结果的稳健性，本文同时根据经济距离权重矩阵（W）构建了8个不同的空间杜宾模型进行估计，以进行对照分析。空间杜宾模型的检验结果如表4所示，解释变量系数的符号、大小和显著性在8个不同的空间杜宾模型中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、Wald-err、LR-lag以及LR-err检验均拒绝了空间杜宾模型转化成空间误差模型或者空间自回归模型的可能性，表明8个模型的结果具有较强的稳健性，且空间杜宾模型是最合适的模型。

在空间杜宾模型的检验结果中，空间自回归系数ρ的均值为-0.77，而且在1%的显著性水平上通过了Z检验，说明农林业碳排放效率存在虹吸效应。豪斯曼检验结果表明：由于原假设是接受随机效应，当p值等于0.00时，拒绝了原假设，因此本文认为应该选择双向固定效应模型。

5.2.3空间杜宾模型的结果

空间杜宾模型的检验结果说明本地区的农林业碳排放效率有着显著的虹吸效应，即当本地区的农林业碳排放效率呈上升趋势的时候，周边地区的农林业碳排放效率会呈现下降的趋势。

空间杜宾模型的结果如表5所示。从主回归结果看，农林业研发创新（ln RD）对本地区的农林业碳排放效率产生显著的负向影响，并且在1%的显著性水平上显著。本文认为可能的原因是本地的研发创新可能会产生冗余的碳排放，同时产生了沉没成本，因此会产生显著的负向影响。加入空间经济权重之后，农林业研发创新（ln RD）对周围地区的农林业碳排放效率产生显著的溢出效应，并且在1%的显著性水平上显著。这表明研发创新不仅对本地区有影响，也会向周边地区产生溢出效益，验证了假设H1。本文认为原因可能是农林业研发创新在农林业领域的应用为提高周围地区的生产效率提供了新的技术工具和方法。新技术的应用在一定程度上改善了农林业生产过程，使农林产品的生产变得更加高效，导致资源利用效率的提高，减少了碳排放的强度。其次，研发创新在农林业领域的推广和应用带来了技术溢出。这意味着新技术在一定程度上不仅仅影响了本地区的农林业部门，也对周围地区产生了积极的外部性影响。新技术的应用为周围地区的农林业部门提供了学习和借鉴的机会，从而促进了其生产效率的提升和碳排放的减少。

提升农业碳汇能力（ln ACS）对本地区的农林业碳排放效率产生显著的正向影响，并且在1%的显著性水平上显著。这表明农业碳汇总量的增加有助于提高本地农林业的碳排放效率，验证了假设H2。首先，农业碳汇是指通过农林业活动将二氧化碳从大气中吸收并储存在土壤和植物中的过程。当农林业系统增加碳汇总量时，也就意味着更多的二氧化碳被吸收并储存起来，减少了大气中的温室气体浓度。其次，在本地区提升农业碳汇能力显著提高了农林业的碳排放效率。这可能是由于提升农业碳汇能力可以显著提高农作物生长与植物光合作用，从而减少了碳排放。这对于应对气候变化和减少温室气体排放具有重要意义，并且为农林业系统的可持续发展提供正向的经济效益和环境效益。

提升林业碳汇能力（ln FCS）对本地区的农林业碳排放效率产生显著的正向影响，并且在1%的显著性水平上显著。这表明林业碳汇总量的增加有助于提升本地农林业的碳排放效率，验证了假设H3。本文认为原因可能是当提升林业碳汇能力时意味着有更多的二氧化碳被吸收，并在树木和土壤中储存起来，减少了大气中的温室气体浓度。其次，提升林业碳汇能力可以间接改善土壤质量和水源管理能力，为林木生长提供了更适宜的环境条件，更有利于促进碳的吸收和储存。此外，这一结果也为制定林业管理政策和实施有效的林业保护措施提供了科学依据。

林业用地面积（ln FLA）对本地区的农林业碳排放效率产生显著的负向影响，并且在1%的显著性水平上显著，表明林业用地面积的增加可能会抑制本地农林业的碳排放效率。在加入空间权重矩阵之后，林业用地面积（ln FLA）对周边地区产生显著的虹吸效应，并且p值在1%的显著性水平上显著。本文认为可能原因是增加林业用地面积会导致农林业部门的扩张和生产活动的增加，从而导致了碳排放的增加。

增加农村劳动力对周边地区的农林业碳排放效率具有显著的虹吸效应，并且p值在1%的显著性水平上显著。农村劳动力在一个地区的增加对周边地区的农村劳动力水平产生了较强的虹吸效应。农村劳动力要素在农村资源要素市场之间流动会产生聚集效应，即人们倾向于流动到农林业碳排放效率较高的地区去从事农林业经济活动。

增加林业总产值（ln TFP）对本地区的农林业碳排放效率产生显著的正向影响，并且在1%的显著性水平上显著，说明当林业总产值增加时，农林业系统能够更有效地减少碳排放。本文认为可能是因为增加林业总产值意味着更多的资源和投资用于林业发展，包括森林管理和保护、种植更多的林木来增加碳汇能力，以及使用更环保的农林业技术和实践来减少碳排放。林业总产值（ln TFP）对周边地区的农林业碳排放效率具有显著的虹吸效应，并且p值在1%的显著性水平上显著。这意味着当林业总产值增加时，会吸引周边地区的农林业要素资源流入本地。本文认为这可能是因为林业资源及产业链的特点，使得周边地区受益于本地区的林业发展。从农村资源流动的视角看，本地区的林业发展创造了就业机会，吸引了农村劳动力流动，带动了消费和经济活动的增长，从而对周边地区产生了经济上的正面影响。这种虹吸效应可能会进一步推动周边地区的林业发展，形成一个良性循环。

城镇化率（ln UR）对本地区的农林业碳排放效率产生显著的正向影响，并且在5%的显著性水平上显著。说明当城镇化率提高时，本地农林业系统能够提高其碳排放的效率。这可能是由于城镇化过程中带来的经济发展和社会变化，导致资源配置和管理更加有效，以及采用更环保的农林业技术和实践的增加。城市化通常与经济发展、技术创新和资本密集型农林业特征相关联，这些因素有助于提高农林业碳排放效率。此外，城镇化率（ln UR）对周边地区具有显著的溢出效应，并且p值在5%的显著性水平上显著。溢出效应意味着城镇化的增加会促使周边地区的农林业部门受到积极的影响。本文认为这可能是由于城市化带来的经济增长和消费需求的增加，为周边地区提供了更多市场机会。同时，城市化还促进了资源和技术的跨地区流动，可以促进周边地区的农林业发展，帮助其提高碳排放的效率。

木材产量（ln WP）对本地区的农林业碳排放效率产生显著的负向影响，并且在1%的显著性水平上显著。本文认为可能是因为较高的木材产量可能导致农林业在资源利用上更加密集，意味着更多的资源消耗和浪费。例如，农林业生产过程中可能使用更多的化肥、农药等化学物质，这些化学物质有时会产生排放物。因此，高木材产量可能导致碳排放效率降低。另外，木材产业结构缺乏多样性也可能是碳排放效率降低的原因之一。

农用化肥（ln FER）对本地区的农林业碳排放效率产生显著的负向影响，并且在1%的显著性水平上显著。农用化肥中的氮、磷、钾等元素在农作物生长过程中被吸收，然后一部分被农作物利用，但也会有一部分转化为气体释放出来，例如氮气、一氧化碳等温室气体。这样的释放会增加农林业的碳排放量，导致碳排放效率降低。同时，农用化肥的使用可能导致土壤中的碳循环受到影响。化肥中的化学物质可能改变土壤微生物活性，降低土壤有机质的分解速率，进而导致土壤中有机碳无法有效转化为二氧化碳，从而影响农林业碳排放效率。

5.3空间影响效应

为探讨解释变量空间影响效应的整体影响，本文将其分解为直接影响和间接影响，以更加全面地分析其对农林业碳排放效率的作用机制。在对影响因素进行梳理后，可以明确农林业研发创新及其他相关指标在碳排放效率提升中的重要作用。

5.3.1直接效应

空间影响效应的结果如表6所示。本地的农林业研发创新对本地的农林业碳排放效率具有显著的抑制作用，并且p值均在1%的显著性水平上显著。本文认为，这种现象可能源于农林业研发创新的初期阶段，在新农林业植物品种从实验室走向农田应用时，面临着推广和应用的难题，其中包括农民对这些新品种的接受度可能较低。另一种可能的情况是，由于多种环境因素，这些新农作物品种在实际生产中可能面临着产量或销售问题，从而导致农民不愿意种植这些新品种。此外，本地农林业植物新品种的研发创新过程也可能导致本地农林业碳排放量的增加，进而直接影响了本地农林业碳排放效率的提高。

提升农业碳汇能力对本地区的农林业碳排放效率产生显著的正向影响，并且p值均在1%的显著性水平上显著。农业碳汇提供了一种有效的碳吸收和储存机制。农业地区通常有大量的农田和林地，可以通过作物生长和树木生长吸收大量的二氧化碳并将其储存起来。农业碳汇的存在可能促进了农林业生态系统中生物质的累积，减少了该地区的碳排放。另外，农业碳汇与农业管理和实践改进相关，农业碳汇的实施可能要求农业社区采取更可持续的耕作和农业管理做法，例如合理施肥、水资源管理和土壤保护措施。这些改进措施可以减少农业活动中的温室气体排放，并提高农林业碳排放的效率。

提升林业碳汇能力对本地区的农林业碳排放效率产生显著的正向影响，并且p值均在1%的显著性水平上显著。林业碳汇可以帮助吸收和固定大量的二氧化碳，减少农林业活动导致的碳排放。森林生态系统具有较高的生物多样性和碳储存能力，能够持续地吸收并储存二氧化碳。因此，拥有较多森林资源的地区往往能够有效提高农林业系统的碳排放效率。同时，林业碳汇不仅可以减少碳排放，还能提供其他生态系统服务，如水源涵养、土壤保持、生物多样性维护等。这些服务可以改善生态环境，减轻农林业对生态系统的负面影响，进而提高农林业碳排放的效率。

林业用地面积（ln FLA）对本地区的农林业碳排放效率产生显著的负向影响，并且p值均在1%的显著性水平上显著。较大的林业用地面积可能会存在林业经营管理不善的问题。例如，林地可能面临森林病虫害、不合理采伐、森林火灾等问题，这些因素可能导致林木生长不良，并使碳吸收和保持减少，从而降低农林业的碳排放效率。

林业总产值（ln TFP）对本地区的农林业碳排放效率产生显著的正向影响，并且p值均在1%的显著性水平上显著。随着林业总产值的增加，林业部门可以获得更多的投入资源和技术，从而提高了碳排放效率。同时，林业总产值的增加反映了对资源（如土地、水、肥料）的更有效利用。有效利用资源可以减少因浪费和损失引起的排放，并提高碳排放效率。

木材产量（ln WP）对本地区的农林业碳排放效率产生显著的负向影响，并且p值均在1%的显著性水平上显著。本文认为木材产量可以被视为衡量本地区农林业活动水平的指标。木材的生产通常需要伐木、运输、加工等过程，这些过程往往涉及能源消耗，并且可能会导致部分木材无法有效利用，从而产生碳排放。另外，本地区可能存在资源利用不当、技术水平低下及管理不善等问题，导致农林业生产过程中能源的低效利用和碳排放的增加。此外，本地区可能缺乏先进的治理机制和政策措施来促进农林业的可持续发展和低碳化转型，从而导致碳排放效率低下。

农用化肥（ln FER）对本地区的农林业碳排放效率产生显著的负向影响，并且p值均在1%的显著性水平上显著。首先，化肥的使用可能导致土壤中氮、磷等养分的过剩。过量的养分会增加作物对养分的吸收，而吸收不完全的养分可能会被转化为挥发性气体，如一氧化氮和氧化亚氮，从而增加温室气体的排放。其次，化肥的过度使用也可能导致土壤酸化。酸性土壤会降低土壤中的有机质分解速率，从而减少土壤固碳能力，并增加温室气体的释放。再次，化肥过度使用还可能破坏土壤生物多样性。土壤中的微生物和其他生物参与碳的循环和固定过程，但过量的化肥使用会对这些生物产生负面影响，降低它们的活动水平，限制了碳固定的能力。最后，农用化肥的生产和使用会消耗大量的能源，包括化肥生产的能源和农业机械的使用。这些能源的使用会导致温室气体的排放，进一步加剧碳排放效率的下降。

5.3.2间接效应

由表6可以看出，本地的农林业研发创新（ln RD）对周边地区的农林业碳排放效率具有显著的溢出效应，并且p值在1%的显著性水平上显著。本文认为原因可能是随着农林业研发创新的逐步推广和应用，这些农林业植物新品种会逐渐外溢到周围的省份，这些新型农作物可能在增加碳汇和减少农林业碳排放方面发挥了积极作用，并有效地促进了周边地区的农林业碳排放效率的提高。这表明农林业研发创新对于周边地区的农林业碳排放效率具有显著的外溢效应，进一步验证了假设H1。

本地的林业用地面积（ln FLA）对周边地区的农林业碳排放效率具有显著的虹吸效应，并且p值在1%的显著性水平上显著。本文认为可能的原因是林业用地的过度扩张可能导致土壤侵蚀和土地退化，从而降低了土壤的肥力和生产力。这将对周围地区的农林业碳排放效率产生负面影响，因为土地质量降低会导致更多的资源和劳动力用于维护土地，而不是提高农产品产量。另外，新增的农林业用地需要水资源、肥料和农林业机械等资源如果受到限制，可能需要从周围地区调配，导致资源短缺，从而影响其他地区的农林业碳排放效率。因此，本地的林业用地面积的增加对周边地区的农林业碳排放效率具有显著的虹吸效应。

本地的劳动力（ln L）对周边地区的农林业碳排放效率具有显著的虹吸效应，并且p值在1%的显著性水平上显著。本文认为可能的原因是农村劳动力的增加可能导致本地区对农林业资源（如农业资本、水资源、肥料等）的更高需求。这种资源竞争可能导致农林业资源的有限供应被分配给本地区，减少了其他省份的资源可用性，从而降低了其他省份的农林业碳排放效率。因此，本地的劳动力增加会对周边地区的农林业碳排放效率产生显著的虹吸效应。

本地的林业总产值（ln TFP）对周边地区的农林业碳排放效率具有显著的虹吸效应，并且p值在1%的显著性水平上显著。首先，林业总产值的提升可能会带动周边地区的农林业发展。林业是一个重要的经济产业，其增长可能会促进相关产业链的发展，如木材加工业、造纸业等。这些产业的发展可能需要大量的农林业资源和能源供应，从而带动本地农林业经济的发展，产生较强的虹吸效应。

本地的城镇化率（ln UR）对周边地区的农林业碳排放效率具有显著的溢出效应，并且p值在5%的显著性水平上显著。城镇化是一个城市人口向城市集聚的过程，通常伴随着农村劳动力向非农产业转移。这种城镇化的过程可能导致周边地区的农作物产量减少，农业用地面积减少，从而减少了相关的农林业碳排放。因此，本地的城镇化率对周边地区的农林业碳排放效率会产生溢出效应。

6研究结论、讨论与政策启示

通过分析中国农林业碳排放效率在时空上的变化及其影响因素，得出影响农林业碳排放效率的关键因素包括农林业研发创新、农林业碳汇、林业总产值和城镇化率等，并讨论主要结论，提出政策启示。

6.1研究结论

本文以低碳经济理论为基础，采用非期望产出的超效率模型对2000—2021年中国31个省份的农林业碳排放效率进行测算，并运用空间杜宾模型分析中国农林业碳排放效率在时空上的变化及其影响因素，最后得出3点结论。

（1）2000—2021年中国31个省份的农林业碳排放效率平均值为0.70，表明在当前技术水平和投入要素条件下，存在减少30%农林业碳排放的可能性。内蒙古、黑龙江、广东、海南、云南、西藏等省份的农林业碳排放效率明显高于全国平均水平，大多数省份的农林业碳排放效率年均增长速度都在均线附近。我国农林业碳排放效率年均增长率为9.80%，其中北京、天津、上海、海南等省份农林业碳排放效率年均增长率高于全国农林业碳排放效率年均增长率。

（2）农林业研发创新对本地的农林业碳排放效率具有显著的抑制作用，加入空间权重矩阵后，农林业研发创新对周边地区的农林业碳排放效率具有显著的溢出效应。农林业碳排放效率对周边地区具有显著的虹吸效应，说明当本地区的农林业碳排放效率呈上升趋势的时候，周边地区的农林业碳排放效率会呈现下降的趋势。

（3）农林业碳汇、林业总产值和城镇化率的增加均对本地区的农林业碳排放效率产生显著的正向影响。林业用地面积、木材产量和农林业化肥使用量的增加均会抑制本地农林业的碳排放效率。增加林业用地面积和农村劳动力对周边地区的农林业碳排放效率具有显著的虹吸效应，城镇化率对周边地区的农林业碳排放效率具有显著的溢出效应。

6.2讨论

基于以上三方面的研究结论，本文从4个方面对这些发现进行深入讨论。

（1）2000—2021年中国31个省份农林业碳排放效率平均值为0.70，这一结果表明，在当前技术水平和投入要素条件下，存在潜在的将农林业碳排放量减少30%的可能性，与吴昊玥等（2021）指出中国农业碳排放效率平均相近、具有较大的减排潜力的结论相似。然而，本文认为其研究忽视了林业碳汇对农林业碳排放效率的影响，中国东西部地区经济发展差异显著，各省份的农林业研发创新水平存在显著差异。特别是在西部地区，农林业创新资源相对匮乏，农林业研发创新的知识分享和技术传播仍面临挑战。尽管西部地区拥有丰富的森林、湿地、草地等生态资源，为碳汇的集聚和提高碳排放效率提供了基础支持，但甘肃、西藏、宁夏、新疆等地区的农林业碳排放效率仍低于全国平均水平。如果这些地方政府能够有效利用森林、湿地等生态系统的碳汇潜力，则可能对提升当地农林业碳排放效率产生积极影响。

（2）我国农林业碳排放效率的年均增长率为9.80%，与吴昊玥等（2021）的研究结果基本接近，呈现缓慢上升趋势。然而，刘莉等（2023）则指出农业碳排放效率的年均增长率为18%，不同的原因可能是其仅以农业总产值作为期望产出的度量标准。因此，需要更全面地考虑农业和林业的碳汇贡献，以更准确地评估农林业碳排放效率的年均增长率。

（3）本地农林业领域的研发创新对农林业碳排放效率具有负向影响，但对邻近地区的农林业碳排放效率却具有显著的溢出效应。该观点与雷振丹等（2020）的研究结论存在一定分歧，他们认为农林业技术进步与农林业碳排放效率之间存在一种倒“U”型关系，即技术进步可能在一定程度上提高碳排放效率，但在一定阶段后可能产生反效果。然而，本文认为中国农林业研发创新相对于发达国家仍处于较初级的发展阶段，因此仍存在大量未开发的潜力。考虑到中国作为“小农大国”的特殊背景，持续增加对农林业研发创新的资金投入和政策支持仍然十分重要。农林业研发创新与农林业碳排放效率之间的关系可能呈现一种倒“U”型非线性模式，这一潜在关联是当前研究领域的空白，需要在未来的研究中进行深入探讨。对农林业研发创新与农林业碳排放效率之间的非线性关系进行更详尽的探究对于提升我国农林业碳排放效率、有效利用农村自然资源，以及促进乡村绿色发展具有至关重要的意义。农林业用地的扩大在当地有助于促进农林业碳排放效率，然而，它也在周边地区引发显著的虹吸效应。这一观点与Fu等（2023）的观点基本一致，即农林业用地作为农林业生产的基本要素，在实现碳中和方面具有至关重要的地位，是农村经济转型和绿色发展的核心组成部分。

（4）张哲等（2023）认为提高森林碳汇是我国实现“双碳”目标的重要举措，这与本文的观点基本一致。本文认为只有不断增加森林面积，才能不断提高农林业的碳排放效率，进而实现我国的“双碳”目标。森林碳储量在全国范围内呈现递增趋势，然而其空间分布却存在显著差异（Wang et al.， 2022）。东北、西北和西南地区的森林碳储量远高于东部和中部地区，这种差异性与各地区的森林资源天赋、地理位置特征以及社会发展水平和模式息息相关。事实上，区域之间的差异是导致中国森林碳汇区域性异质性的主要因素（Zhang et al.， 2016）。就森林资源天赋而言，不均匀分布是一个显著特征，吉林拥有全国最高的森林碳储量密度，其次是西藏、云南和黑龙江。吉林和黑龙江位于东北国有林区，这些地区涵盖了传统的东北针叶林和针阔混交林，拥有较为优质的森林资源，覆盖面积广阔，森林蓄积量大，因此这些地区的农林业碳排放效率明显高于全国平均水平。

6.3政策启示

实现“双碳”目标对于我国应对气候变化、保护自然资源以及实现可持续发展具有重要战略意义。在此背景下秉持低碳经济理念被认为是未来乡村振兴绿色发展的关键途径。这涉及到将生态保护与经济增长融合，并确立具有制度性和可持续性的模式，最终形塑崭新的乡村绿色发展典范。因此，本文从农林业研发创新、政府监管、农林业碳汇等方面提出3点政策启示。

（1）政府应建立有效的农林业碳排放与碳汇监测报告体系，促进研发创新中的知识共享与技术传播，确保新兴农林业实践和技术得到更广泛的有效应用。首先，从碳排放角度看，政府应关注位于农林业创新前沿的“领头羊”地区，结合当地创新成果，制定适宜的碳排放效率评价机制，从而消除这些地区在创新初期因碳排放效率降低所可能面临的顾虑。同时，应实施农林业培训计划、建立农村合作社及信息中心，以帮助周边地区有效运用新技术，提升碳排放效率。其次，从碳汇的视角出发，各地政府应加强政策协调及区域合作，以应对农林业研发创新中的边界效应。必要时可设立区域合作机构，确保资源和信息的高效流动。综上所述，这种综合性策略不仅可以有效提高碳排放效率，还能够推动农林业的可持续发展。通过政策协调与技术支持，政府及相关机构能够共同应对农林业面临的挑战，实现低碳经济转型，并为未来发展奠定坚实基础。

（2）将农业碳汇和林业碳汇全面纳入中国碳排放权交易市场，以提高碳汇价格，使其与欧盟碳汇价格相当，激励更多的温室气体减排行为。地方政府应当鼓励市级层面先行先试，开发乡村林草碳汇项目，完善林农和牧民小规模林草资源的价值实现机制。此外，探索生态修复和国土绿化等碳汇产品，将有助于丰富碳市场的产品类型。国家核证自愿碳减排量（China Certified Emission Reduction， CCER）作为减排信用的一种形式，可用于控排企业履约时清缴抵消实际碳排放量。目前，中国已审定公示多个CCER项目，涵盖了可再生能源、农业碳汇和碳汇造林等领域。将农业碳汇和林业碳汇全面纳入中国的碳排放权交易市场，有助于促进温室气体减排，支持碳达峰与碳中和的战略目标。

（3）提高农业和林业的碳汇能力。通过增加森林覆盖率、扩大林地面积，以及推广绿色种植和经营管理方式，促进碳汇的积累和保存，从而减少碳排放。采取科学合理的林业用地规划和管理措施，提高土地利用效率和农林业产出的质量和数量，以减少碳排放。同时，减少农林业化肥的使用量，探索替代资源和生产方式，降低氮肥和磷肥对土壤和环境的负面影响。加强农林业人员培训和技术支持，提高从业人员的素质和专业能力，以促进农林业的可持续发展和碳排放效率的提升。在推动农林业发展的同时，注重合理规划和发展城市和乡村经济，减少农村劳动力流失，稳定农村人口，从而减少农村的农林业碳排放。同时，要注重城乡一体化发展，提高城镇化率，优化资源配置，降低农林业碳排放的溢出效应。

参考文献

蔡景丽，顾佳艳，陈敏，等. 2000-2020年中国种植业碳排放驱动因素及预测分析[J].环境科学与技术， 2023， 46（2）：159-167.

曹先磊，任云鹤，许骞骞，等.“双碳”背景下林业碳汇项目经营不确定性对投资者投资门槛的影响——以4省份林业碳汇项目为例[J].中国农业大学学报， 2023， 28（12）：177-193.

陈科屹，林田苗，王建军，等.天保工程20年对黑龙江大兴安岭国有林区森林碳库的影响[J].生态环境学报， 2023， 32（6）：1016-1025.

董静，黄卫平.西方低碳经济理论的考察与反思——基于马克思生态思想视角[J].当代经济研究， 2018（2）：37-45， 97.

付伟，李龙，罗明灿等.省域视角下中国森林碳汇空间外溢效应与影响因素[J].生态学报， 2023， 43（10）：4074-4085.

顾仲阳，刘温馨.美丽中国不断铺展崭新画卷[N].人民日报， 2022-11-13（01）.

关晓静.中国科技统计年鉴[M].北京：中国统计出版社， 2022.

韩金雨，曲建升，徐丽，等.支农财政对农业碳排放强度的空间效应：基于空间杜宾模型的实证分析[J].生态与农村环境学报， 2021， 37（11）：1404-1412.

何韵，费梓萱，叶新建，等.天保工程碳汇价值评估及对“碳中和”的意义研究[J].公共管理学报， 2022， 19（2）：154-163， 176.

姜霞，黄祖辉.经济新常态下中国林业碳汇潜力分析[J].中国农村经济， 2016（11）：57-67.

孔蕊，张增信，张凤英，等.长江流域森林碳储量的时空变化及其驱动因素分析[J].水土保持研究， 2020， 27（4）：60-66.

雷振丹，陈子真，李万明.农业技术进步对农业碳排放效率的非线性实证[J].统计与决策， 2020， 36（5）：67-71.

李华，李秀英，王磊，等.“双碳”目标下肥料行业发展对策——基于2011—2020年碳减排与存在问题的分析[J].中国生态农业学报（中英文）， 2023， 31（2）：206-213.

李彦旻，沈育生，王世航.基于土地利用变化的安徽省陆地碳排放时空特征及效应[J].水土保持学报， 2022， 36（1）：182-188.

刘海燕，郑爽，孙艺珈，等.基于塞罕坝CCER项目视角的林业碳汇市场发展问题及对策[J].气候变化研究进展， 2023， 19（3）：381.

刘华军，石印.中国农业生态效率的空间分异与提升潜力[J].广东财经大学学报， 2020， 35（6）：51-64.

刘华军，孙淑惠，李超.环境约束下中国化肥利用效率的空间差异及分布动态演进[J].农业经济问题， 2019， 476（8）：65-75.

刘莉，陈卓.农业碳排放效率与绿色金融发展水平的耦合协调分析[J].阜阳师范大学学报（自然科学版）， 2023， 40（2）：87-98.

刘云强，邵小彧，刘莎，等.空间视角下绿色技术创新动力解构：政策推进与市场拉动[J].科技进步与对策， 2022， 39（13）：54-64.

刘振伟.努力提高种业知识产权保护法治化水平[EB/OL].中国人大网， （2021-12-28）[2023-09-19]. http：//www.npc.gov.cn/c2/ c30834/202112/t20211228_315660. html.

鲁丰先，张艳，秦耀辰，等.中国省级区域碳源汇空间格局研究[J].地理科学进展， 2013， 32（12）：9.

全良，张敏，赵凤.中国工业绿色全要素生产率及其影响因素研究——基于全局SBM方向性距离函数及SYS-GMM模型[J].生态经济， 2019， 35（4）：39-46.

全阳，温艳萍，崔希洙.数字经济对林业碳汇增量影响及路径研究——基于有调节的中介效应模型[J].林业经济， 2023， 45（9）： 23-38.

尚杰，吉雪强，石锐，等.中国农业碳排放效率空间关联网络结构及驱动因素研究[J].中国生态农业学报（中英文）， 2022， 30（4）：543？557.

沈月琴，曾程，王成军，等.碳汇补贴和碳税政策对林业经济的影响研究——基于CGE的分析[J].自然资源学报， 2015， 30（4）： 560-568.

谭涛，杨青，任家卫.“两山”理论背景下海南省农业碳排放效率与农业经济增长耦合协调研究[J].中国农业资源与区划， 2024， 45（7）：28-38.

田云，蔡艳蓉.“双碳”目标下的农业碳问题研究进展及未来展望[J].华中农业大学学报， 2024， 43（3）：75-88.

田云，林子娟.中国省域农业碳排放效率与经济增长的耦合协调[J].中国人口·资源与环境， 2022， 32（4）：13-22.

田云，张俊飚.中国农业生产净碳效应分异研究[J].自然资源学报， 2013， 28（8）：1298-1309.

王兵，牛香，宋庆丰.基于全口径碳汇监测的中国森林碳中和能力分析[J].环境保护， 2021， 49（16）：5.

王辰璇，姚佐文.农业科技投入对农业生态效率的空间效应分析[J].中国生态农业学报（中英文）， 2021， 29（11）：1952-1963.

吴昊玥，黄瀚蛟，何宇，等.中国农业碳排放效率测度、空间溢出与影响因素[J].中国生态农业学报（中英文）， 2021， 29（10）： 1762-1773.

吴磊，杜静，朱晨高.农业科技创新对农业生态效率影响研究[J].生产力研究， 2022（12）：74-80.

伍楠林.黑龙江省发展森林碳汇贸易实证研究[J].国际贸易问题， 2011（7）：116-123.

谢会强，吴晓迪.城乡融合对中国农业碳排放效率的影响及其机制[J].资源科学， 2023， 45（1）：48-61.

许骞骞，曹先磊，孙婷，等.中国森林碳汇潜力与增汇成本评估——基于Meta分析方法[J].自然资源学报， 2022， 37（12）：3217-3233.

薛佳敏，徐明岗，张建杰.食物系统碳足迹研究进展[J].中国生态农业学报（中英文）， 2024， 32（2）：196-205.

颜光耀，陈卫洪，钱海慧.农业技术效率对农业碳排放的影响——基于空间溢出效应与门槛效应分析[J].中国生态农业学报（中英文）， 2023， 31（2）：226-240.

杨琳焱，谢会强.农业产业集聚对农业碳排放效率的影响及其空间溢出效应[J].作物研究， 2023， 37（4）：400-404， 421.

杨青林，赵荣钦，赵涛，等.县域尺度农业碳排放效率与粮食安全的关系[J].中国农业资源与区划， 2023， 44（2）：156-169.

张娟，陈钦.森林碳汇经济价值评估研究——以福建省为例[J].西南大学学报（自然科学版）， 2021， 43（5）：121-128.

张颖，李晓格，温亚利.碳达峰碳中和背景下中国森林碳汇潜力分析研究[J].北京林业大学学报， 2022， 44（1）：10.

张哲，张煜星.世界主要碳排放国家碳达峰和碳汇能力研究[J].林业资源管理， 2023（2）：1-9.

赵宁，周蕾，庄杰，等.中国陆地生态系统碳源/汇整合分析[J].生态学报， 2021， 41（19）：7648-7658.

赵爽，赵丹丹.科技创新效率对农业碳排放效率的影响与作用机制[J].生态经济， 2023， 39（9）：114-121.

郑阳阳，罗建利.农业生产效率的碳排放效应：空间溢出与门槛特征[J].北京航空航天大学学报（社会科学版）， 2021， 34（1）： 96-105.

周一凡，李彬，张润清.县域尺度下河北省农业碳排放时空演变与影响因素研究[J].中国生态农业学报（中英文）， 2022， 30（4）：570-581.

邹晓明，王国兵，葛之葳，等.林业碳汇提升的主要原理和途径[J].南京林业大学学报（自然科学版）， 2022， 46（6）：167-176.

Araya G. Impact of Ethiopia’s productive safety net program on manure use by rural households：Evidence from Tigrai， Northern Ethiopia [J]. Agricultural Economics， 2020， 51（5）：725-742.

Banerjee K， Ghose A. Investigating the Role of Air Quality and the Nexus between Female Health Status and Their Labor Force Participation Rate： Evidence From Rural India [M] //Chakraborty C， Pal D. Gender Inequality and Its Implications on Education and Health： A Global Perspective. Leeds： Emerald Publishing Limited， 2023.

Cheng S， Meng L， Xing L. Energy technological innovation and carbon emissions mitigation： evidence from China [J]. Kybernetes. 2022， 51（3）：982-1008.

Fu J， Ding R， Zhu Y， et al. Analysis of the spatial-temporal evolution of Green and low carbon utilization efficiency of agricultural land in China and its influencing factors under the goal of carbon neutralization [J]. Environmental Research， 2023， 237（1）：116881.

Fukuyama H， Weber W L. A directional slacks-based measure of technical inefficiency [J]. Socio-Economic Planning Sciences， 2009， 43（4）：274-287.

He P， Zhang J， Li W. The role of agricultural green production technologies in improving low-carbon efficiency in China：Necessary but not effective [J]. Journal of Environmental Management， 2021， 293：112837.

Jhariya M， Meena R， BanerjeeA， et al. Agroforestry for carbon and ecosystem management：an overview [M] // Raj A， Jhariya M， Banerjee A， et al. Agroforestry for Carbon and Ecosystem Management. Cambridge： Academic Press， 2024.

Li Y， Zhang Y， PanA， et al. Carbon emission reduction effects of industrial robot applications： Heterogeneity characteristics and influencing mechanisms [J]. Technology in Society， 2022， 70：102034.

Liu H， Pang S， Sun M， et al. How can small and medium-sized cities differentiate their carbon peaks？ [J]. Ecological Indicators， 2024， 158：111231.

Martey E， Etwire P， Kuwornu J. Economic impacts of smallholder farmers’ adoption of drought-tolerant maize varieties [J]. Land Use Policy， 2020， 94：104524.

Pardo G， Casas R， del Prado A， et al. Carbon footprint of transhumant sheep farms：accounting for natural baseline emissions in Mediterranean systems [J/OL]. The International Journal of Life CycleAssessment， 2023[2023-02-14]. https：//doi.org/10.1007/s11367-023-02135-3.

Raj A， Jhariya M， Banerjee A， et al. Agroforestry to mitigate the climate change [M]//Raj A， Jhariya M， Banerjee A， et al. Agroforestry for Carbon and Ecosystem Management. Cambridge： Academic Press， 2024.

Rosa L， Sanchez D L， Realmonte G， et al. The water footprint of carbon capture and storage technologies [J]. Renewable and Sustainable Energy Reviews， 2021， 138：110511.

Rubens G. What is a sustainable policy？ A case for the Energiewende [M] //Heffron R， Little G. Delivering Energy Law and Policy in the EU and the US： A Reader. Edinburgh： Edinburgh University Press， 2016.

Schmidt H， Anca‐Couce A， Hagemann N， et al. Pyrogenic carbon capture and storage [J]. Gcb Bioenergy， 2019， 11（4）：573-591.

Wang H. Study on the Impact of Female Labor Force Participation on Carbon Emissions based on the Fixed Effect Model and FGLS Estimation [C]//Bhau G， Shvets Y， Mallick H. 2022 International Conference on mathematical statistics and economic analysis （MSEA 2022）. Amsterdam： Atlantis Press， 2022.

Wang J， Feng L， Palmer P， et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data [J]. Nature， 2020， 586（7831）：720-723.

Wang J， Shi K， Hu M. Measurement of Forest Carbon Sink Efficiency and Its Influencing Factors： Empirical Evidence from China[J]. Forests， 2022， 13（11）：1909.

Zhang Y， Peng C， Li W， et al. Multiple afforestation programs accelerate the greenness in the ’Three North’ region of China from 1982 to 2013 [J]. Ecological Indicators， 2016， 61：404-412.

Zhou P， Ang B W， Wang H. Energy and CO2emission performance in electricity generation： a non-radial directional distance func‐tion approach [J]. European Journal of Operational Research， 2012， 221（3）：625-635.

（责任编辑韩杏容）