中國農業凈碳匯效率動態演進與空間溢出效應

李波　王春妤　張俊飚

摘要：提高農業碳排放效率是實現農業減排和農業高質量發展的重要手段和根本途經。本文在將農業凈碳匯看作一種期望產出的基礎上，運用DEA-BCC-I模型對中國30個省（市、自治區）2005—2017年農業凈碳匯效率進行測算，并采用KernelDensity估計法對其時空動態演進過程進行分析。進一步在空間面板模型檢驗通過的基礎上，選用雙固定效應下的空間杜賓模型計量了農業凈碳匯效率的空間溢出效應。研究發現：2005—2017年我國農業凈碳匯量以年均0.41%的速度下降，東部地區凈碳匯量低于中西部、東北地區。我國的農業凈碳匯效率水平整體偏低且空間差異明顯，東部地區凈碳匯效率明顯高于其它地區。分析農業凈碳匯效率的動態演進特征發現，我國農業凈碳匯效率呈現下降趨勢，存在明顯的區域發展不均衡現象，且地區差異呈現擴大態勢。測算省際農業凈碳匯效率的空間相關性，全局空間自相關Morans I指數顯示，我國省際間的農業凈碳匯效率在空間上呈現顯著的正相關關系，并且存在局部聚類的情況;局域空間自相關Morans I指數也表明省際農業凈碳匯效率在空間上呈現集聚效應。在農業凈碳匯的空間效應方面，農業內部結構、工業化程度、教育水平和科技發展水平對我國省際農業凈碳匯效率具有顯著的正向溢出效應，而城鎮化水平、經濟發展水平的空間溢出效應顯著為負。

關鍵詞：凈碳匯效率;KernelDensity;空間杜賓模型;溢出效應

中圖分類號：F323.2 文獻標識碼：A 文章編號：1002-2104（2019）12-0068-09

自20世紀以來，氣候變化、溫室效應等問題引起了社會各界的廣泛關注，如何應對成為了全球思考的重要問題。我國作為世界第二大經濟體，雖然在《京都議定書》中屬于不在強制減排范圍內的Ⅱ類國家，但是我國已成為全球較為顯著的碳排放國。在哥本哈根會議上，我國政府承諾，至2030年單位GDP二氧化碳排放要比2005年下降60%～65%。為了實現這一目標，我國政府也陸續制定并出臺了相關政策和鼓勵創新措施。

由于現階段社會、文化、科技等方面發展水平有限，總體上我國經濟-碳排放二者仍然呈現較為明顯的正向關系。隨著中國城鎮化進程的加快和產業結構升級，農業占GDP的比重不斷下降，但是相關研究表明，農業碳排放占總碳排放的比例卻明顯增長。關于農業經濟增長-農業碳排放二者之間的關系，已有不少學者對此進行了研究，例如：徐國泉等[1]、李波等[2]、田云等[3]、王興等[4]利用Kaya模型和LMDI分解模型對碳排放的影響因素進行分解，認為經濟增長是影響碳排放增長的主要因素;李波等[5]、李立等[6]利用Topic脫鉤模型對農業經濟-農業碳排放的脫鉤關系進行分析，結果表明我國農業經濟增長與碳排放的脫鉤關系并不理想。因此，提高農業碳排放效率成為實現農業發展與農業碳減排并行的重要手段。

目前，對于碳排放生產效率的研究主要集中于工業、建筑業等第二產業，而對于農業碳排放生產效率的研究相對較少，例如：吳賢榮等[7]、程琳琳等[8]分別從績效評價、減排潛力對農業碳排放進行研究;吳昊玥等[9]、程琳琳等[10]將碳排放作為環境的投入要素對農業碳生產效率進行分析。

以上研究主要集中于“單要素”特征和將碳排放作為投入要素，在農業生產過程中，GDP作為期望產出被研究者所認可，而碳排放作為非期望環境產出常常被忽略。雖然以碳排放作為環境投入指標，能夠在一定程度上強調隱性的生產約束條件，但農業同時具備碳排放和碳匯功能。若將碳匯因素考慮在內，把農業凈碳匯作為產出指標，對農業生態環境分析將更為全面系統。同時，從時空角度測算分析其效率水平變化和影響因素，可以定量揭示農業生態環境特征和內在動因機理，對于進一步推動農業減排和高質量發展具有重要理論參考意義。

基于此，考慮到數據可得性等原因，本文將除西藏、港澳臺以外的30個省（市、自治區）作為研究對象，構建2005—2017省際面板數據，采用DEABCCI模型測算我國各省份的農業凈碳匯效率;同時運用KernelDensity估計方法對其演進歷程進行分析;最后構建出空間杜賓模型（SDM）對我國農業凈碳匯效率的影響因素進行剖析，探究空間上的直接效應、間接溢出效應以及差異情況。

1農業凈碳匯效率的測算與分析

1.1測算方法和指標選取

1.1.1DEABCCI模型

DEABCC模型于1984年由Banker等人在CCR模型的基礎上提出，該模型的基本假設滿足以最小的投入，獲取最大的產出。因國內碳交易市場已開始建立，凈碳匯的經濟價值得以體現，可將凈碳匯看作一種期望產出，即其產出被希望越多越好。因此，本文擬選用具有規模報酬可變（VRS）性質的投入導向BCC模型，即DEABCCI模型對農業凈碳匯效率進行測算，公式如下：

1.1.5數據來源

數據主要來源如表2所示，部分缺失數據采用平滑法填充。

1.2農業凈碳匯的時空特征

1.2.1農業凈碳匯的時序特征分析

通過對樣本期內的農業碳排放和碳匯測算后發現，總碳排放以年均1.70%的速率，由2005年的7 183.15萬t增長至2017年的8 796.98萬t，但其環比增速逐年放緩，且于2016年開始呈現負增長趨勢，說明對農業碳排放實現有效控制。總碳匯僅以年均0.70%的速度增長，2017年達到15 673.20萬t，較2005年增加了1 265.32萬t。但從環比增長來看，總碳匯自2014年開始出現明顯的下降趨勢，說明需加強對林地、草地的保護。雖然總碳排放和總碳匯都出現增長，但碳匯的測算對象為草地和林地，二者面積變動周期較長，因此近年變動幅度較小。而總碳排放的增速較快，碳匯增長難以抵消碳排放的增長，導致凈碳匯量以年均0.41%的速率下降，2017年較2005年下降了348.50萬t，僅有6 876.23萬t的凈碳匯量，見表3。

化肥作為農業碳排放的最大碳源，通過控制使用普通化肥，提高綠肥、生物肥料等有機肥的使用率，降低農業碳排放;同時在保障林地、草地現有面積基礎上，適量擴大種植面積，增加碳匯，實現“減排增匯”，進而增加農業凈碳匯。

1.2.2農業凈碳匯的空間特征分析

由于我國各省份經濟社會發展水平與資源環境條件存在差異，導致各省農業碳排放、碳匯水平不同。由表4可知，東部地區的平均凈碳匯量低于中部、西部、東北地區，為負凈碳匯水平。但2017年東部地區的凈碳匯均值較2005年有所上升，其中除江蘇、廣東、海南三地的凈碳匯量略有下降外，其余地區均上升;而中部、西部、東北地區的凈碳匯均值有所下降，其中除中部的陜西、西部的貴州、甘肅、青海、寧夏外，其余地區均有不同程度的下降。可能的原因是，我國的森林儲備以中西部和東北地區為主，東部沿海地區的森林、草地儲備量較低，使得東部地區在農業種植時，沒有足夠的碳匯量抵消碳排放，從而導致其凈碳匯為負。但近年來隨著東部地區的經濟、社會與科技的發展，促使東部地區的耕作方式較中西部和東北地區更快轉型，其農業碳排放下降，農業凈碳匯有所上升。

1.3農業凈碳匯效率的時序特征

運用DEABCCI模型測算出各省（市、自治區）及四大區域的農業凈碳匯效率如表5所示。從2005—2017年的農業凈碳匯效率來看，我國的農業凈碳匯效率水平整體偏低且空間差異明顯。大多數省份2017年的農業凈碳匯效率較2005年有所下降，例如山西、新疆的下降速度最快，年均降速分別為-5.32%、-5.11%，下降幅度均超過45%。也有不少省份呈現出波動的緩慢上升趨勢，例如天津、浙江、海南、江西;而北京、山東、廣東、上海等的效率達到有效，且保持平穩。從歷年農業凈碳匯效率均值來看，排在前10名的效率值均達到有效，包括海南、北京、山東、上海、江蘇、浙江、福建、內蒙古、四川、青海;排在后5名的效率均值均未達到0.5，包括陜西、甘肅、重慶、寧夏、江西。從農業凈碳匯效率的有效性來看，2005年達到有效凈碳匯效率的有12個省份，但在2017年減少到11個省份。從以上分析可知，我國農業凈碳匯效率的生產隨機前沿主要以東部地區為主，但這并不能說明東部地區的碳減排已達到峰值，僅能夠說明東部地區的減排增匯效率明顯高于其它地區。究其原因，可能是因為東部地區的科技、經濟等發展較好，能夠更好地利用科技和經濟手段，降低碳排放，從而提高凈碳匯。從歷年的極差來看，2017年的極差由2005年的0.579上升到了0.744，表明省際間的“減排增匯”差距逐年增大。

1.4農業凈碳匯效率的動態演進

為了直觀了解其動態演進特征，本文采用KernelDensity估計方法對農業凈碳匯效率的動態趨勢進行分析。選取2005年、2010年、2015年和2017年作為考察年份，結果如圖1所示。

由圖1可知，我國30個省（市、自治區）2005—2017年農業凈碳匯效率的動態演進具有以下特征：①從位置分布來看，密度分布曲線呈現出微弱的左偏現象，說明我國農業凈碳匯效率呈現出下降趨勢;②從峰度趨勢來看，峰度逐年下降，且峰型有微弱的“尖峰”向“寬峰”轉變的趨勢，密度分布曲線水平跨度擴大，意味著農業凈碳匯效率集中程度下降，地區差異擴大;③從形狀變化來看，峰數維持在雙峰水平，說明均有部分省份分別位于農業凈碳匯高、低效率水平上。以上分析說明，我國的農業凈碳匯效率存在區域發展不均衡現象。

2農業凈碳匯效率的空間杜賓模型分析

2.1模型設定及變量說明

2.1.1變量選取及說明

（1）因變量。基于上文利用DEABCCI模型測算出2005—2017年的農業凈碳匯效率。

（2）自變量。耕地利用水平（PUL）。土地的使用與碳排放的關系息息相關。胡國霞等[12]的測算表明，土地使用過程中的碳排放是人為碳排放量的30%。耕地利用成為近年來中國土地利用的新趨勢，其利用水平也同樣影響著農業碳排放，繼而影響農業的凈碳匯。本文采用熵值法從耕地的“效率-強度-結構”構造出多元的耕地利用水平指標。①對數據進行標準化處理;②計算出各指標的信息熵，其中m為評價的時間跨度，k=1lnm;③利用信息熵計冗余度;④計算出各個指標權重;⑤根據公式計算出指標的評價得分。本文選取的指標如表6所示。

算出熵農業產業結構（ASR），因計算凈碳匯是采用農業和林業合計的方式，因此將利用農林總產值占農林牧漁業總產值的比重對該指標進行衡量;經濟發展水平（EDL），以人均GDP進行衡量;所有權結構（OPS），以國有農場產值與農業總產值之比表示;科技發展環境（TE），以3類專利授權數進行衡量;工業化程度（IND），以第二產業產值與GDP之比表示;教育水平（EDU），參考朱承亮等〔13〕的方法測算出平均受教育年限進行評估;城鎮化水平（UR），以城鎮人口與常住人口之比表示。以上數據均來自《中國統計年鑒》《中國農村統計年鑒》《中國教育統計年鑒》和《中國財政統計年鑒》。

2.2模型檢驗

2.2.1空間自相關檢驗

利用STATA軟件計算2005—2017年我國凈碳匯效率的全局Morans I 統計值如表7所示。可以發現，全局Morans I 統計值均大于0，且大多于10%的置信區間下顯著，說明近年來，我國省際間的農業凈碳匯效率存在空間正相關，并且呈現局部聚類的情況。

圖2為2005年和2017年局域Morans I的散點圖。通過觀察后發現，我國農業凈碳匯的效率不是隨機分布的，其中“HH”和“LL”象限分別表示農業凈碳匯效率較高省份之間相鄰和農業凈碳匯效率較低省份之間相鄰，且二者數量占比較大，由2005年的63.33%增長至2017年的66.67%，而“LH”和“HL”象限的占比出現下降，說明我國省際農業凈碳匯效率在空間上呈現集聚效應。

2.2.2空間計量模型選擇

利用STATA軟件進行的檢驗過程如下：

（1）LM檢驗。利用LM檢驗方法檢驗空間計量的適用性，檢驗結果如下：①F檢驗在1%的顯著性水平下拒絕原假設，表示模型接受個體檢驗，有必要納入空間效應;②檢驗的LMerror的值為3.360，在10%水平下顯著;RLMerror的值為7.560，在5%的水平下顯著;同時LMlag的值為2.202，通過顯著性檢驗，RLMlag的值為6.401，通過5%顯著性水平檢驗，表明與空間滯后模型相比，空間誤差模型的適用性更好。

（2）Hausman檢驗。Hausman檢驗用于判斷固定效應和隨機效應的選用。根據檢驗結果顯示，Hausman統計量為647.69，pvalue為0.000，在1%的顯著性水平下拒絕原假設，因此選用固定效應模型更為合理。

（3）Wald檢驗和LR檢驗。Wald檢驗和LR檢驗用于空間杜賓模型判斷是否會退化為空間自回歸（SAR）和空間誤差（SEM）模型。首先是Wald檢驗結果，Wald檢驗值為69.83，且在1%的顯著性水平下拒絕了可以簡化的原假設;其次是LR檢驗結果， SDMSAR的LR檢驗值為58.49，SDMSEM的LR檢驗值為63.73，均在1%的顯著性水平下拒絕能夠退化的原假設。

綜上所述，固定效應下的空間杜賓模型為最優模型。通過進一步對空間固定、時間固定、雙固定檢驗后發現，indboth的值為17.94，timeboth的值為903.05，二者均通過1%的顯著性檢驗。因此，將根據雙固定效應下的空間杜賓模型進行檢驗和分析。

2.2.3空間溢出性結果分析

為了檢驗影響因素對省際農業凈碳匯效率的影響是否存在空間溢出效應，本文基于雙固定效應下空間杜賓模型的直接效應、間接效應和總效應進行計算分析，結果如表8所示。根據表8可知，農業內部結構、工業化程度、教育水平、科技發展環境、城鎮化水平、經濟發展水平均顯示出明顯的溢出效應，具體分析如下。

（1）農業內部結構和工業化程度的間接效應顯著為正，表明農業內部結構和工業化程度對本省的農業凈碳匯效率有正向效應的同時，在相鄰省份間也產生正向效應，說明農業內部結構的調整和工業化程度的加深，對相鄰省份的農業凈碳匯效率在一定程度有正的空間溢出效應。這可能是，因對鄰近省份的產品輸出更突出，導致各省的農業生產結構和工業化程度會根據相鄰省份的需求進行調整，從而導致溢出效應。

（2）教育水平和科技發展水平的直接效應、間接效應和總效應均呈現出顯著的正向效應。這可能是因為，教育水平的提高意味著人口素質的提高，對低碳農業理解更透徹，更傾向于嘗試新事物，從而在農業生產過程中偏向于選擇低碳的生產方式，降低碳排放;另一方面，科技發展的水平越高，表示減排技術在一定程度上有所進步，從而實現“減排增匯”，同時文化、科技向相鄰省份進行推廣，從而導致相鄰省份能夠從中受惠。

（3）城鎮化水平的直接效應、間接效應以及總效應均顯著為負。導致這種負效應的原因可能是，伴隨著城鎮化進程的加快，農村人口向城鎮轉移，帶動了各產業的發展，增加收入從而增加對農產品需求，消費需求的增加導致農業碳排放增加，進而降低農業凈碳匯，使得凈碳匯效率下降，而這種需求除了對當地造成影響，對周邊地區也有一定程度的影響。

（4）經濟發展水平的直接效應為正，間接效應為負，兩者均顯著，說明相鄰省份經濟發展水平的提高會導致農業凈碳匯效率下降，同時由于正向的直接效應無法抵消負向的間接效應，從而經濟發展水平的總效應呈現出負向效應。可能因為，本省經濟發展水平的提高，在一定程度上會帶動相鄰省份的經濟增長;經濟增長導致消費增加，由于土地利用結構的改變，可能影響林地、草地面積，從而降低碳匯，導致農業凈碳匯下降，進而使得農業凈碳匯效率下降。

同時，耕地利用水平、所有權結構的間接效應雖然均為正向，但均未顯著，因此耕地利用水平、所有權結構并沒有產生有效的溢出效應。

3結論與啟示

本文在將農業凈碳匯作為環境期望產出的基礎上，測算分析了我國農業凈碳匯效率特征和空間溢出效應，主要結論和啟示如下：

（1）從農業凈碳匯效率值來看，我國的農業凈碳匯效率水平整體偏低且空間差異明顯，東部地區凈碳匯效率明顯高于其它地區。在樣本觀察期內，海南、北京、山東、上海、江蘇、浙江、福建、內蒙古、四川、青海的凈碳匯效率較好，而陜西、甘肅、重慶、寧夏、江西較低且均未達到0.5。

（2）從農業凈碳匯效率的演進過程來看，我國農業凈碳匯效率呈現下降趨勢，且存在明顯的區域發展不均衡現象，同時峰度逐年下降、寬度逐年擴大、峰數維持在雙峰水平，農業凈碳匯效率的地區差異逐年擴大。

（3）從農業凈碳匯效率的空間相關程度來看，全局層面，在樣本觀察期內的農業凈碳匯效率的空間自相關檢驗結果呈現正向顯著，說明我國各省間的農業凈碳匯效率存在空間正相關，并且呈現局部聚類的情況;而局域層面，省際農業凈碳匯效率在空間上呈現集聚效應。

（4）從農業凈碳匯的空間效應來看，農業內部結構、工業化程度、教育水平、科技發展環境、城鎮化水平、經濟發展水平均具有明顯的溢出效應，其中農業內部結構、工業化程度、教育水平和科技發展水平對相鄰省份的農業凈碳匯效率呈現出顯著的正向溢出效應，而城鎮化水平、經濟發展水平的空間溢出效應顯著為負。

基于以上結論，對于提高農業凈碳匯效率有以下幾個方面的建議：第一，可以將減排目標從空間和時間上進行橫向、縱向分解。鑒于各省份經濟社會發展水平、資源環境條件以及凈碳匯效率水平差異，可根據不同省份不同時期的實際情況制定相應的減排規劃，明確減排目標、路線圖。第二，加強省際間在農業“減排增匯”方面的合作交流。優化自身農業內部結構、加快產業結構升級、促進科教發展的同時，密切關注鄰近地區的農業碳減排的相關政策、措施及技術，將積極溢出的“輻射”空間范圍擴大和強度加深，通過積極的交流合作，實現“減排增匯”的均衡統籌推進。第三，重視城鎮化水平、經濟發展水平的消極溢出效應。充分利用城鎮化進程和經濟發展的優勢，增加農戶的非農就業，加快技術創新、人才引進，實現城鎮化進程與低碳農業協調發展，發揮城鎮化和經濟發展的正向作用，為實現我國整體減排目標打下堅實基礎。

（編輯：劉照勝）

參考文獻

[1]徐國泉，劉則淵，姜照華.中國碳排放的因素分解模型及實證分析[J].中國人口·資源與環境，2006，16（6）：158-161.

[2]李波，張俊飆，李海鵬.中國農業碳排放時空特征及影響因素分解[J].中國人口·資源與環境，2011，21（8）：80-86.

[3]田云，張俊飆，李波.基于投入角度的農業碳排放時空特征及因素分解研究[J].農業現代化研究，2011，32（6）：752-755.

[4]王興，馬守田，濮超，等.西南地區農業碳排放趨勢及影響因素研究[J].中國人口·資源與環境，2017，27（S2）：231-234.

[5]李波，張俊飆.基于投入視角我國的農業碳排放與經濟發展的脫鉤研究[J].經濟經緯，2012（4）：27-31.

[6]李立，周燦，李二玲，等.基于投入視角的黃淮海平原農業碳排放與經濟發展脫鉤研究[J].生態與農村環境學報，2013，29（5）：551-558.

[7]吳賢榮，張俊飚，田云，等.基于公平與效率雙重視角的中國農業碳減排潛力分析[J].自然資源學報，2015，30（7）：1172-1182.

[8]程琳琳，張俊飚，田云，等.中國省域農業碳生產率的空間分異特征及依賴效應[J].資源科學，2016，38（2）：276-289.

[9]吳昊玥，何艷秋，陳柔.中國農業碳排放績效評價及隨機性收斂研究——基于SBMUndesirable模型與面板單位根檢驗[J].中國生態農業學報，2017，25（9）：1381-1391.

[10]程琳琳，張俊飚，何可.多尺度城鎮化對農業碳生產率的影響及其區域分異特征研究——基于SFA、E指數與SDM的實證[J].中南大學學報，2018，24（5）：107-116.

[11]張軍，吳桂英，張吉鵬.中國省際物流資本存量估算——1952—2000[J].經濟研究，2004（10）：35-44.

[12]胡國霞，雷國平，周浩，等. 黑龍江省土地利用變化的碳排放效應研究[J].水土保持研究，2015，22（6）;287-292.

[13]朱承亮，師萍，岳宏志.人力資本、人力資本結構與區域經濟增長效率[J].中國軟科學，2011（2）：110-119.

[14]王惠，卞藝杰，王樹喬.出口貿易、工業碳排放效率動態演進與空間溢出[J].數量經濟技術經濟研究，2016（1）：3-19.

[15]李力，洪雪飛.能源碳排放與環境污染空間效應研究——基于能源強度與技術進步視角的空間杜賓計量模型[J].工業技術經濟，2017（9）：65-72.

[16]徐亞輝，潘瑜春，劉玉，等.海南省耕地集約利用水平的時空分異研究[J].首都師范大學學報，2016，37（4）：78-84.

[17]屈文波.環境規制、空間溢出與區域生態效率——基于空間杜賓面板模型的實證分析[J].北京理工大學學報，2018，20（6）：28-33.

[18]張翠菊，柏群，張文愛.中國區域碳排放強度影響因素及空間溢出性——基于空間杜賓模型的研究[J].系統工程，2017，35（10）：70-78.

AbstractImproving the efficiency of agricultural carbon emissions is an important mean and fundamental way to realize highquality development of agricultural and agricultural carbon emission reduction. On the basis of considering agricultural net carbon sink as an expected output， this paper uses DEABCCI model to calculate the agricultural net carbon sink efficiency of 30 provinces （municipalities and autonomous regions） in China from 2005 to 2017， and uses KernelDensity estimation to analyze the temporal and spatial dynamic evolution of agricultural net carbon sink over the years. And through the various tests of spatial panel model， it chooses the Spatial Durbin Model under twoway fixed effects. And the spatial spillover effect of agricultural net carbon sink efficiency was analyzed under this model. The results show that Chinas agricultural net carbon sink decreased averagely by 0.41%， while the net carbon sink in eastern China was lower than that in central and western China and northeast China from 2005 to 2017. And the overall level of the net carbon sink efficiency of agriculture is low in China， and the spatial difference is obvious. The work of ‘reducing emissions and increasing sink in eastern China makes the best performance. By analyzing the dynamic evolution characteristics of agricultural net carbon sink efficiency， it is found that the agricultural net carbon sink efficiency among provinces in China shows a downward trend， and there is an obvious phenomenon of regional unbalanced development， and the difference between provinces is expanding year by year. By calculating the spatial correlation of the agricultural net carbon sink efficiency between 2005 and 2017， the Spatial Autocorrelation （Global Morans I） shows that the agricultural net carbon sink efficiency between provinces in China has a significant positive spatial correlation， and there is a case of local clustering; the Local Morans I also shows that the agricultural net carbon sink efficiency between provinces in China has a clustering effect. In terms of the spatial effect of agricultural net carbon sink， the internal structure of agriculture， the degree of industrialization， the level of education and the level of scientific and technological development show significant positive spillover effects on the efficiency of agricultural net carbon sink， while the spatial spillover effect of urbanization and economic development level is significantly negative.

Key wordsefficiency value of net carbon sink; KernelDensity; Spatial Dubin Model; spillover