策略互動和技術溢出視角下的農業碳減排區域關聯

何艷秋　陳柔　朱思宇　夏順潔　王芳

摘要 農業綠色發展是我國生態文明建設的必然要求，技術創新是撬動農業綠色發展的第一杠桿，而區域協同合作減排是高效減排的重要趨勢。為探討區域協同減排的方式，把握農業技術溢出的渠道和方向，基于2007—2017年中國各省份的面板數據，立足空間視角，將傳統杜賓模型和分區杜賓模型相結合，一方面，通過傳統杜賓模型分析區域間農業碳關聯的原因，進而探討區域間農業碳減排合作的方式，是減排策略的直接互動，還是農業技術溢出;另一方面，按人力資本水平、技術研發能力和產業集聚水平三個標準建立分區空間杜賓模型，深入分析農業技術溢出的方向;同時，通過地理權重、經濟權重和技術勢差權重的選擇，全面考察農業技術信息溢出的可能渠道。研究結果表明：①農業碳排放和農業技術創新在時間趨勢上呈“倒掛”，農業碳強度以年均-6.6%的速度下降，而農業專利授權強度則以年均19.46%的速度上升，且兩個變量在空間上均呈顯著正向聚集;②區域農業碳減排關聯既有策略互動，又存在農業技術溢出，且溢出渠道為技術勢差，而地理距離和經濟差異不會顯著影響農業技術的空間溢出;③從農業技術溢出方向來看，存在“強強聯合”“強弱扶持”和“產業合作效應”。最終從加大農業技術研發力度、增強技術減排效果，引導農業技術人才流動、發揮“知識溢出”效應，推動區域技術合作、促進區域協同減排等方面提出建議，為科學引導區域間農業技術溢出，實現合作減排奠定基礎。

關鍵詞 農業技術創新;減排策略互動;技術溢出;分區Durbin模型

中圖分類號 X51 ??文獻標識碼 A? 文章編號 1002-2104（2021）06-0102-11

DOI：10.12062/cpre20201012

全球變暖已成為人類生存的主要威脅，也是未來經濟和社會發展必須考慮的因素[1]。二氧化碳作為一種重要的溫室氣體，是導致全球變暖的主要原因。2018年，全球與能源相關的CO2排放量增長了1.7%，達到33.1 Gt的歷史新高，是自2013年以來的最高增長率，比2010年以來的平均增長率高70%[2]。因此，開發節能技術并采取行動減少碳排放已成為全球的共同目標。農業部門尤其容易受到氣候變化的影響并可能加劇氣候變暖[3]，在人類能夠避免氣候危機之前，必須盡快改變全球的農業、林業和土地利用方式[4]。作為農業大國和碳排放大國，我國的農業碳排放量占全國碳排放總量的17%[5]。農業的減排效果不僅直接影響中國碳中和目標的實現，也會對世界碳減排產生巨大影響。因此，如何減少農業部門的碳排放已成為值得研究的重要問題。

1 文獻綜述

技術進步是影響環境的關鍵驅動力[6]，發展應對氣候變化的關鍵技術是有效減緩氣候危害的重要途徑[7-10]。Gerlagh [11]基于內生技術進步模型，發現技術進步可以通過學習效應顯著降低碳減排成本，增加社會效益;梁大鵬等[12]、Moutinho等 [13]和Wang等[14]等從能源利用技術的角度進行分析，發現無碳能源技術的發展、化石能源利用技術的提升，尤其是可再生能源技術水平的提高能夠顯著降低CO2排放成本，從而減少排放總量;部分學者從國家角度研究，發現日本綠色研發投資與碳排放之間存在負相關關系[15]，而技術進步能夠明顯抑制中國碳排放規模[16-17]。

在農業碳減排中，技術也發揮著不可忽視的重要作用[18]，缺乏農業技術會成為限制農業可持續發展的重要原因[19]。學者們從研發投入占比、生產資料效率、能源強度、R&D資本研發投入、全要素生產率和生產率變化指數等方面估算技術進步[20-25]，并研究技術進步在農業減排中的作用。Ismael等 [26]發現技術與農業碳排放是單向因果關系，技術是抑制排放的重要原因;Zhang等[27]、胡中應[28]、Fei等[29]和楊鈞[30]等認為技術效率低是引起農業碳利用效率低的關鍵因素;魏瑋等[31]發現農業全要素技術進步和能源增進型技術進步均顯著影響農業碳排放;而資源再利用技術和循環利用技術的進步是控制農業碳排放的重要途徑[32];一些學者還從空間關聯視角研究了農業碳排放，發現農業排放總量、排放強度、排放效率和凈排放量存在空間溢出效應[18，33-34];而農業經濟發展、農業生產結構、農業技術創新、農業勞動力和城市化都是重要原因[35-38]。

綜上所述，技術創新已是公認的減排重要途徑，必須進一步完善農業節能減排技術體系[39]。但是地區間如何在農業領域進行減排合作？是減排策略的直接互動還是技術的間接共享？如果進行技術共享，技術溢出的可能渠道是什么？技術溢出的方向又如何？這些問題現有研究均未給出明確回答。因此，作者從農業減排合作的角度出發，利用我國2007—2017年的面板數據，建立傳統空間杜賓模型和分區空間杜賓模型，深入分析地區合作減排的方式、農業技術創新的溢出渠道和方向，以期為農業可持續發展奠定基礎，為區域減排合作指明方向。

2 農業碳減排區域關聯的理論分析

由于外部性的存在，大氣污染治理很難僅僅依靠某個地區的單方行動取得成效，必須通過區域協同行動才能從根本上解決問題[40]，而區域間的農業碳排放可能會通過減排策略互動和農業技術溢出緊密聯系起來。

減排策略互動是一種相對簡單的減排效仿，某區域排放的增減會直接被其他區域作為調整自身排放量的依據。一是各區域面臨相似的環境規制壓力，當區域間經濟發展水平差距小，處于同一經濟發展片區時，他們會面臨國家給予的比較相似的農業經濟發展政策和環境規制措施，于是區域間會產生“策略跟隨”。當某區域的排放水平有所增加時，其余區域也會放松自身排放，呈現“經濟優先、環境靠后”的態勢;而當某區域排放水平減少時，其余區域也會對自身的排放水平更為嚴格，呈現“環境優先、經濟靠后”的態勢。二是區域間農業經濟發展的相互競爭。各區域為成為農業經濟發展中的“優等生”，地方政府間會相互看齊，而農業經濟發展始終是與農業碳排放聯系在一起的[41]，所以，經濟競爭也會引起減排競爭。

農業技術溢出是一種相對“聰明”和持續的減排互動。某區域不會直接根據其他區域排放的減少調整自身的排放水平，而會去分析其他區域排放減少的原因，而技術進步作為減排的重要途徑，自然是學習的重要方向。一是農業產業集聚，帶來資源共享、規模經濟[42]。其中，最重要的資源共享就是技術的共享，進而提升整個聚集區的碳生產力，這種由產業合作引起的技術共享稱為“產業合作效應”。二是農業技術人才的跨區域流動。加強農業科技人才隊伍和技術推廣隊伍建設是提升農業經濟發展水平的重要途徑，而這些農業精英可以在區域間流動，帶來“知識溢出效應”。三是學習效應。在農業經濟全國一盤棋的政策引領下，落后地區會提升自我吸納水平，主動學習來自先進地區的農業技術創新，提升其農業碳生產力。

3 ?研究方法和數據來源

3.1 農業碳排放強度的測算

農業碳排放源主要有5類： 一是農用能源消耗;二是農地利用;三是人工濕地， 主要指水稻生長發育過程中產生甲烷;四是反芻動物養殖中腸道發酵和糞便管理的甲烷和氧化亞氮;五是農業廢棄物， 主要是秸稈燃燒。公式為：

C=C能+C地+C稻+C動+C稈（1）

CI=CAGDP（2）

式中，C為農業碳排放總量，CI為農業碳排放強度，AGDP為第一產業增加值，C能、C地、C稻、C動和C稈分別表示5類碳源排放量。各類碳源排放量的測算參照IPCC的方式，由活動數據乘以排放系數得到，并根據《IPCC第五次評估報告》折算系數，最終折算成二氧化碳排放當量。

3.2 空間關聯的統計檢驗

利用Morans I指數對農業碳排放強度和農業技術創新進行空間關聯檢驗，全局Morans I指數為：

zi=yi-s（7）

I和Ii是全局和局部莫蘭指數，yi和yj是省市i和j的農業碳強度，是平均碳強度，ωi，j是空間權重矩陣第i行第j列元素，n為省市個數，s2是農業碳強度的方差。Morans I指數取值范圍為[-1，1]，當取值大于零時，表明變量呈空間正相關，即存在空間聚集現象;當取值小于零時，表明變量存在空間負相關;當取值接近0時，則變量呈隨機分布，不存在顯著的空間效應。根據變量的局部集聚特點將各省市劃分為4類，如表1。

3.3 空間杜賓模型

3.3.1 傳統空間Durbin模型

為檢驗區域間農業碳關聯是由減排策略互動引起，還是技術溢出引起，建立了傳統的Durbin模型：

式中，ynt為地區農業碳排放強度;Tecnt為農業技術創新;xnt為控制變量;εnt為隨機干擾項;ω為空間權重矩陣，為分析技術溢出的可能渠道，作者選擇了3種空間權重：地理距離權重陣ωijd、經濟權重陣ωije和技術勢差陣ωijt。

式中，di，j為省會城市之間的球面距離;GDPi和GDPj為省市i和j的農業增加值;Teci和Tecj為省份i和j的農業技術創新。由于建模中的所有變量取值均大于0，為減弱異方差和偏態性問題，所以采用雙對數模型。

3.3.2 分區空間Durbin模型

為考察不同區域之間農業技術溢出的方向，參考Elhorst等 [43]的成果，將農業技術創新空間滯后項的權重進行分割，建立分區Durbin模型。技術溢出與地區的技術吸納能力密切相關，而技術的吸納能力與一個地區人力資本水平、技術研發能力和產業發展水平是分不開的，所以，權重分割時采用三種標準：人力資本水平（大專及以上學歷人口占比）、產業集聚度（農業產業區位商）和技術研

發能力（農業專利授權強度）。H代表高人力資本集聚、高產業集聚或高技術研發能力，L代表低人力資本集聚、低產業集聚或低技術研發能力。

式中，θ1tec、θ2tec、θ3tec和θ4tec分別代表H-H地區間、H-L地區間、L-H地區間和L-L地區間的技術溢出估計系數，ω1、ω2、ω3和ω4由傳統Durbin模型的權重矩陣ω分割而來：

3.3.3 Durbin模型空間效應的分解

對于空間計量經濟模型，自變量的變化不僅通過空間乘數效應影響自身，而且還間接影響其他區域。為準確展示自變量對因變量的影響，將空間Durbin模型按以下方式重新排列：

并通過偏導數將總效應分解為直接效應和間接效應，結果為：

式中，yi為i省份的農業溫室氣體排放強度，xik是省份i的第k個自變量，ωij是空間權重矩陣的第i行和第j列。

直接效應表示本地區自變量對本地區因變量的影響和本地區自變量對其他地區因變量產生影響后反饋給本地區因變量的影響之和，為（15）式對角線元素的總和。間接效應顯示了其他所有地區的自變量對本地區因變量的影響，為（15）式除對角元素之外的所有元素的平均值，也稱為空間溢出效應;總效應是直接效應和間接效應之和。

3.4 指標選取和數據來源

本文所用數據為2007—2017年全國30個省份（因數據可得性原因，研究未涉及西藏及港澳臺地區）的面板數據。因變量為農業碳排放強度，核心自變量為農業技術創新。對技術創新的測度主要有三種方法：從投入角度選擇指標（如研發投入的占比、R&D研發投入的占比），從生產資料使用效率的角度選擇指標（如化肥施用強度、農藥施用強度、能耗強度），利用全要素生產率進行綜合化測算（數據包絡法、隨機前沿法）。但投入角度選擇的指標側重研發能力，投入多并不能說明技術創新水平高;生產資料使用效率角度選擇的指標主要是從生產效率提高的角度來表示技術進步，但技術創新的內涵比技術進步的內涵更為寬泛，不但有“進步”之意，還有“創新”之意;全要素生產率的測算更側重技術效率，和技術創新仍有一定差距。而涉農專利是與農業聯系較緊密、作用較直接的農業科學技術[44]，并且專利數據具有較好的時間連續性[45]，可以利用中國專利數據庫獲取比較全面和準確的信息。所以，從指標適用性和數據可得性兩方面綜合考慮，最終選用農業專利授權強度來衡量農業技術創新水平。控制變量為農業經濟發展水平、城鎮化水平、環境規制水平、人力資本水平和城鄉收入差距5個，見表2。

4 農業碳排放強度和農業技術創新的時空特征

4.1 農業碳排放強度和農業技術創新的時空格局

從變動趨勢來看（見圖1、圖2），農業碳排放總量緩慢增長，由2007年的1.4億t略微增長到2017年的1.6億t，年均增速僅為1.3%;而排放強度呈明顯降低趨勢，從2007年的4.93 t/萬元降低到2017年的2.49 t/萬元，降低幅度高達100%，年均降速為-6.6%。農業專利授權總量呈現穩健上升的態勢，從2007年的0.73萬件增長到2017年的9.58萬件，為2007年的13倍，年均增速高達26.31%，專利授權強度也從2007年的0.25件/億元升至2017年的1.48件/億元，年均增速為19.46%。 農業技術創新和農業碳排放在時間趨勢上呈一定程度的“倒掛”。

從區域差異來看（見圖3），各省份的農業碳排放強度與農業專利授權強度呈負相關關系。農業專利授權強度高的地區集中在東部沿海兩省一市。北部沿海的北京、天津、山東，南部沿海的廣東，以及少量的中、西部省份，這些地區的農業碳排放強度處于全國中下游水平。農業專利授權強度低的地區分布在東北和大量中、西部地區，其排放強度也處于較高水平。

4.2 農業碳排放強度與農業技術創新的空間集聚特征

利用全局morans I指數檢驗各省份農業碳排放強度與農業技術創新的空間集聚特點。從結果可見（表3），農業碳排放強度的全局morans I指數在均值0.366附近波動，呈現先降后升的趨勢;技術創新的全局morans I指數比較穩定，均值為0.366，說明我國各地農業碳排放強度與農業技術創新在空間分布上均呈顯著的正向空間聚集。

根據morans I散點圖整理得到局部空間聚集情況表。從結果可見（表4），我國大部分省份的農業碳排放強度和農業專利授權強度都呈現H-H聚集或L-L聚集。2007年H-H聚集和L-L聚集的省份占比分別為90.0%和70.0%，2017年H-H聚集和L-L聚集的省份占比分別為83.3%和60.0%。從排放強度來看，西北甘肅、青海、寧夏、新疆，以及東北吉林、黑龍江和黃河中游內蒙古始終位于排放強度的H-H聚集區，東部沿海、南部沿海，以及長江中游、西南部分地區始終處于排放強度的L-L聚集區。

從技術創新來看，東部沿海的上海、浙江，北部沿海的天津、北京始終位于農業專利授權強度的H-H聚集區，而長江中游湖南、湖北、江西，黃河中游的河南，以及西北陜西始終位于農業專利授權強度的L-L聚集區。整體來看，形成了西部高碳排放低技術聚集、東部高技術低碳排放聚集的空間格局。

5 農業碳減排的空間關聯分析

5.1 區域農業碳減排策略互動和技術溢出

將沒有空間效應的普通面板模型和空間Durbin模型進行對比，結果見表5。四種模型的整體擬合效果相差不大，在普通面板模型中，農業技術創新并未顯示出對農業碳強度有顯著影響;但在Durbin模型中，農業技術創新分別呈現10%和5%顯著性下的空間作用，且人均GDP、城鎮化率、環境規制和城鄉收入差距等自變量也在不同的顯著性下呈現出空間效應。說明普通面板模型忽略了地區之間碳排放和影響因素的相互作用，不能充分展示區域間減排行為的空間影響，所以選擇空間Durbin模型能夠更好地分析減排策略互動和信息溢出。

從三種Durbin模型估計結果來看，空間自回歸系數ρ分別為0.508、0.464和0.212，均在1%的顯著性下顯著。表明農業碳排放強度存在正的空間外部溢出作用，各個地區存在直接的減排策略互動。由于采用地理權重（wijd）時空間自回歸系數最大，所以策略互動在地理距離更近的區域間更為突出。農業技術創新滯后項（θTEC）系數為負，說明一個地區農業技術創新水平的提升可以帶動周邊地區農業碳強度的降低，地區間的農業碳減排存在間接的技術溢出效應。

為更準確展示自變量對因變量的影響，計算空間Durbin模型的總效應、直接效應以及間接效應。從結果可見（表6），僅以技術勢差為權重的空間Durbin模型中（模型4），農業技術創新的間接效應在5%的顯著性下顯著為負，另外兩種權重下杜賓模型中農業技術創新的各種效應均不顯著。說明從全國來看，技術溢出作為一種有意識的知識溢出[46-49]，與各區域的技術勢差、技術特性和技術吸收能力有關[50-52]，而與區域地理距離和農業經濟聯系沒有明顯關系，也說明技術溢出會超越地理位置和經濟關聯，使更多區域的農業環境污染問題得到明顯改善。

模型（2）、模型（3）、模型（4）中，環境規制的直接效應、間接效應和總效應也在不同的顯著性下為負，說明地區加大農業環保投資，帶動本地減排的同時，也會促使其他地區面臨環保壓力，從而產生“減排策略跟隨”。農業人均GDP的直接效應、間接效應和總效應在不同的顯著性下為負，說明地區農業經濟發展水平的提升不僅會引起本地農業碳強度的降低，還會緩和其他地區農業的環境污染。經濟發展的競爭確實也會引起減排的競爭，存在“優等生”效應[53-55]。

5.2 區域間農業技術創新溢出方向分析

進一步檢驗農業技術溢出的方向，從分區空間Durbin模型估計結果可見（表7），按人力資本水平分割權重時，高人力資本地區間始終存在顯著的農業技術溢出。一方農業技術的進步帶動著多方的農業碳減排，且經濟權重下這種帶動作用最為明顯。由于人才聚集的“馬太效應”，農業技術人才為尋求更好的發展機會和交流機會，總是向著農業經濟水平高，農業技術人才多的地區流動，使高人力資本地區間通過“強強聯合”產生了明顯的“知識溢出效應”[53-55]。

按農業產業集聚分割權重時，低產業集聚地區間和低對高產業集聚地區間存在顯著的農業技術溢出。低產業集聚地區中，一個地區農業技術的進步不僅不會促使其他地區進行碳減排，反而會加劇其污染，這是因為低農業產業集聚區大多是農業占比較低的發達地區，以二、三產業為經濟發展主體，由于農業經濟體量小，在農業發展上容易出現“經濟優先，環境靠后”的思想，沒有充分重視來自農業領域的技術創新。低對高產業集聚地區中，低產業聚集地農業技術進步會帶動高產業集聚地的碳減排。高產業聚集地多為農業占比較高的中、西部省份，是我國種植業和畜牧業發展的主要地區，也是最需進行農業技術開發的地區。在產業融合大背景下，其通過打造跨區域農業產

業鏈、訂單式農業等方式加大與低產業聚集地的經濟合作，將先進的技術水平融入低產業聚集地的農業生產中，提升農業可持續發展水平，產生“產業合作效應”[56-57]。

按農業技術研發能力分割權重，當選擇經濟權重時，高對低技術研發水平的地區間存在顯著的農業技術信息溢出。高技術研發水平的地區主要分布在北京、天津，以及東部沿海等發達地區，而低技術研發水平的地區主要分布在大量的中、西部等主要農業產區。為提升農業生產力，減少農業污染水平，這些地區通過經濟渠道主動學習高技術研發地區的先進技術，產生“強弱扶持”的現象。

6 ?結論與建議

6.1 結論

（1）農業技術創新和農業碳排放在時間趨勢上呈“倒掛”，在空間上呈顯著的正向聚集。從變動趨勢看，農業碳強度以年均-6.6%的速度下降，而農業專利授權強度則以年均19.46%的速度上升，呈現明顯的“倒掛”現象，說明我國農業技術研發水平顯著提升，農業產業正在向可持續的綠色經濟目標發展。從空間格局看，農業碳強度和農業技術創新空間正向聚集效應明顯，形成了西部高碳排放低技術聚集、東部高技術低碳排放聚集的空間格局。

（2）區域農業碳減排既有策略互動，又存在農業技術信息溢出，溢出渠道主要是技術勢差。空間杜賓模型比普通面板模型更好地展示了區域間減排行為的空間影響。不同空間權重下的空間自回歸系數均在1%的顯著性下顯著，農業碳排放強度存在正的空間外部溢出作用，各個地區存在直接的減排策略互動。一方面，由于地區加大農業環保投資進行減排使其他地區面臨環保壓力，產生“策略跟隨”;另一方面，地區經濟競爭引起減排競爭，存在“優等生”效應。技術勢差權重下，農業技術創新的間接效應顯著為負，說明區域間存在農業技術溢出，進而產生減排行為關聯，溢出渠道主要是區域間的技術勢差。全國范圍內來看，技術溢出會超越地理位置和經濟關聯，使更多區域的農業環境污染問題得到明顯改善。

（3）農業技術溢出方向既存在“強強聯合”，又存在“強弱扶持”，還存在“產業合作效應”。由于人才聚集的“馬太效應”，人力資本水平高的地區間存在顯著的技術溢出。一方農業技術的進步帶動著多方的農業碳減排，且經濟權重下，這種帶動作用最為明顯，產生“強強聯合”現象。各地區技術研發能力差異明顯，低研發水平的大量中、西部農業省份，通過主動學習，充分吸收來自高研發水平地區的技術溢出，產生“強弱扶持”的現象。在產業融合驅動下，農業產業高集聚區通過跨區域農業產業鏈、訂單式農業等方式與低產業聚集地進行經濟合作，進而先進的技術水平會融入低產業聚集地農業生產過程，實現農業碳減排，產生“產業合作效應”。

6.2 建議

（1）加大農業技術研發力度，增強技術減排效果。農業技術創新作為農業減排的重要途徑，各地應加大研發創新力度，推動農業技術進步，降低農業環境污染。一方面，創造良好的技術研發環境，不斷完善知識產權保護制度，通過稅收減免、財政補貼和金融貼息的優惠政策，鼓勵企業、高校等科研主體進行技術研發;整合人才、資本、信息和技術，促進地區間優勢整合互補，加速技術推廣應用和產業化。另一方面，健全技術轉移渠道，完善技術買賣制度，使技術溢出渠道更通暢，技術減排效果更明顯。

（2）引導農業技術人才流動，發揮“知識溢出”效應。人力貫穿于技術研發、技術轉移和技術吸納的各個階段。在農業碳減排中，不僅要發揮人力資本的“強強聯合”作

用，也要激發人力資本的“強弱扶持”作用。一方面，加大政府引導，通過稅收政策等優惠提高低人力資本地區生產要素的收益率，通過“政策留人”方式吸引技術人才向低人力資本地區流動;另一方面，建立人才流動的長效機制，搭建事業平臺，凸顯地區發展潛力，通過“事業留人”方法吸引技術人才向低人力資本地區流動。

（3）促進區域技術合作，實現區域協同減排。一是增強農業經濟聯系，為技術溢出創造條件，使農業資源能夠在區域之間更好地分配，減少農業排放的“競爭性向上”;二是促進農業技術研發的“強強合作”，并搭建農業技術傳遞平臺和機制來解決信息不暢、資金約束和技術應用風險等問題，發揮中心區的示范效應和周邊區域的學習效應;三是技術研發能力低的地區要加大技術密集型產業的引資力度，充分借助區域協同發展和產業融合戰略，提高自身技術吸納能力，以產業合作促技術吸收，進而帶動減排。

參考文獻

[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.

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

[7]蔡益泉.我國低碳產業的發展現狀與對策思考[J].華東經濟管理，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]馬志云，劉云.應對氣候變化關鍵技術創新差異的時空格局：以“一帶一路”沿線國家為例[J].中國人口·資源與環境，2017，27（9）：102-111.

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

[12]梁大鵬，劉天森，李一軍.基于LMDI模型的金磚五國二氧化碳排放成本及其影響因素比較研究[J].資源科學，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，陳凱，李剛.中國碳排放影響因素分析和趨勢預測：基于STIRPAT和GM（1，1）模型的實證研究[J]. 東北大學學報（自然科學版）， 2015，36（2）：297-300.

[18]吳賢榮，張俊飚，程琳琳，等.中國省域農業碳減排潛力及其空間關聯特征：基于空間權重矩陣的空間Durbin模型[J]. 中國人口·資源與環境，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]趙小雨，王學軍，郭群.區域創新能力、農業經濟與生態環境協調發展關系研究：省級面板數據空間計量分析[J].科技進步與對策，2018，35（7）：35-42.

[23]盧娜，王為東，王淼，等.突破性低碳技術創新與碳排放：直接影響與空間溢出[J].中國人口·資源與環境，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，龍如銀.考慮全要素生產率的中國碳排放影響因素分析[J].資源科學，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]胡中應.技術進步、技術效率與中國農業碳排放[J].華東經濟管理，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]楊鈞.農業技術進步對農業碳排放的影響：中國省級數據的檢驗[J].軟科學，2013，27（10）：116-120.

[31]魏瑋，文長存，崔琦，等.農業技術進步對農業能源使用與碳排放的影響：基于GTAP-E模型分析[J].農業技術經濟，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]孫赫，梁紅梅，常學禮，等.中國土地利用碳排放及其空間關聯[J].經濟地理，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]蔣黎，王曉君.環境質量與農業經濟增長的內在關系探討：基于我國31個省區面板數據的EKC分析[J]. 農業經濟問題，2019，40（12）：43-51.

[42]張哲晰，穆月英.產業集聚能提高農業碳生產率嗎？ [J].中國人口·資源與環境，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]鄭懷國，賈倩，張輝，等.基于專利視角的北京涉農領域科技創新現狀分析[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，張俊飚.中國農業碳排放、低碳農業生產率及其協調性研究[J]. 中國農業大學學報， 2017，22（5）：208-213，215-218.

[50]閔繼勝，胡浩.中國農業生產溫室氣體排放量的測算[J]. 中國人口·資源與環境，2012，22（7）：21-27.

[51]劉麗華，蔣靜艷，宗良綱.農業殘留物燃燒溫室氣體排放清單研究：以江蘇省為例[J]. 環境科學，2011，32（5）：1242-1248.

[52]劉傳江，向曉建，李雪.人力資本積累可以降低中國二氧化碳排放嗎：基于中國省域人力資本與二氧化碳排放的實證研究[J]. 江南大學學報（人文社會科學版），2021，20（2）：76-88.

[53]蔣毅一，彭林，趙爽，等.基于空間計量的中國省域火電行業碳排放效率分析[J].山東財經大學學報，2019，31（2）：31-42.

[54]伍國勇， 孫小鈞， 于福波， 等. 中國種植業碳生產率空間關聯格局及影響因素分析[J]. 中國人口·資源與環境， 2020， 30 （5）： 46-57

[55]田云， 張俊飚， 羅小鋒. 中國種植業凈碳效益與經濟效益協調性區域比較研究[J]. 經濟地理， 2014， 34 （3）： 142-148.

[56]陶群山，胡浩.環境規制和農業科技進步的關系分析：基于波特假說的研究[J].中國人口·資源與環境，2011，21（12）：52-57.

[57]鐘茂初，李夢潔，杜威劍.環境規制能否倒逼產業結構調整：基于中國省際面板數據的實證檢驗[J].中國人口·資源與環境，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

（責任編輯：劉照勝）

收稿日期：2020-07-09? 修回日期：2020-11-09

作者簡介：何艷秋，博士，副教授，主要研究方向為農業可持續發展、農業資源環境。E-mail：linxiatinqiu@126.com。

通信作者：王芳，博士，教授，博導，主要研究方向為資源環境經濟與政策。E-mail：11575503@qq.com。

基金項目：國家自然科學基金青年項目“農業碳排放區域關聯及協同減排機制研究”（批準號：71704127）;2021年度四川省社會科學規劃項目“技術創新視角下省域農業碳減排的協同策略研究”（批準號：21TJ007）。

何艷秋，陳柔，朱思宇，等.策略互動和技術溢出視角下的農業碳減排區域關聯[J].中國人口·資源與環境，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.]