“雙碳”目標下我國農林業碳排放效率的時空演變及影響因素分析

摘要：為實現農林業的碳減排目標，需要減少傳統農業和林業的資源投入，提高生產效率和碳匯能力。計算農林業碳排放效率并分析其關鍵影響因素，是實現“雙碳”目標的關鍵步驟。文章基于低碳經濟理論，運用超效率模型和空間杜賓模型，測算了2000—2021年中國31個省份的農林業碳排放效率，并研究了其時空變化及影響因素。研究發現：（1）2000—2021年間我國31個省份的農林業碳排放效率平均值為0.70，農林業碳排放效率年均增長率為9.80%。（2）農林業研發創新對本地農林業碳排放效率具有顯著的抑制作用，并對周邊地區產生顯著的溢出效應。（3）提升農林業碳匯能力對提高農林業的碳排放效率具有顯著正向影響。此外，林業總產值和城鎮化率的增加均對本地農林業碳排放效率產生顯著正向影響。增加林業用地面積和農村勞動力對周邊地區的農林業碳排放效率產生顯著虹吸效應，城鎮化率對周邊地區的農林業碳排放效率產生顯著溢出效應。本文的學術創新主要體現在2個方面：（1）引入農林業研發創新這一重要投入要素，探討其對農林業碳排放效率的影響。（2）創新性地使用植物新品種權申請量來衡量農林業研發創新。政策啟示：建立有效的農林業碳排放與碳匯監測報告體系并鼓勵農林業創新研發；增強農業和林業的碳匯能力；將農業碳匯和林業碳匯全面納入中國碳排放權交易市場。

關鍵詞：“雙碳”目標；農林業碳排放效率；農林業研發創新；農林業碳匯；空間杜賓模型

中圖分類號：X322； F323文獻標識碼：A文章編號：1673-338X（2024）8-059-25

基金項目：國家社會科學基金重大項目“十四五時期中國有效防范滯脹路徑研究”（21ZD081），國家社會科學基金重大項目“建設人才強國背景下激發科技人才創新活力研究”（21ZDA014），江蘇省科研創新計劃項目“我國農業碳排放效率測算與時空分異特征研究”（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，中國國家主席習近平在第七十五屆聯合國大會一般性辯論上發表重要講話，向全世界莊嚴承諾：“中國將提高國家自主貢獻力度，采取更加有力的政策和措施，二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和”。中國的“雙碳”目標對于引領全球氣候治理，促進中國高質量、綠色經濟發展具有重要戰略意義（Liu et al.， 2024）。根據聯合國政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change， IPCC）的評估報告，全球農林業部門的碳排放量占據了全球總碳排放量的大約三分之一（Jhariya et al.， 2024；Raj et al.， 2024）。其中，畜牧業所貢獻的碳排放量大約占了全球總排放量的15%（Pardo et al.， 2023；薛佳敏等，2024）。這些排放主要來自農林業生產、加工、流通等環節，以及農作物種植和畜牧飼養等生產經營活動。但是，農作物、森林草原又可以通過光合作用吸收和儲存大氣中二氧化碳（CO2），農業碳匯、林業碳匯是農業、林業生態功能的再挖掘、再利用、再發揮。建立健全農業農村綠色發展政策體系，是實現“雙碳”目標的重要保證。

現有林業碳匯相關研究大多只關注林業部門內部，忽視了農林生態系統內各個部門之間的相互作用（沈月琴等，2015）。對于農林業碳匯提高碳排放效率的研究尚顯不足。林業碳匯作為減排的有效手段之一，對如期實現“雙碳”目標具有重大意義（全陽等，2023）。截至2022年，我國森林面積增加至2.31億hm2，森林蓄積量增加至194.93億m3（顧仲陽等，2022）。森林覆蓋率雖然已提高至24.02%，但是與世界平均水平的30%尚有差距，表明我國林業增匯仍有巨大的潛力。森林是陸地生態系統中最大的碳庫，在“雙碳”目標的實現過程中存在著巨大的生態效益，森林的碳匯功能也對全球的碳循環有著深刻的影響（孔蕊等，2020；趙寧等，2021）。

農林業碳排放效率涉及有效的資源管理，涵蓋土地、水和能源的高效利用，以實現農產品和林產品的生產。提升資源利用效率對于減少溫室氣體排放至關重要，其中包括通過農林業研發創新改進灌溉系統、優化肥料使用以及減少農用機械的能源消耗等方法。這些措施的目標是提高農林業碳排放效率，從而減少主要溫室氣體（二氧化碳、甲烷和氧化亞氮）的排放。改良農林業實踐可以增加土壤的碳儲存能力，進而有助于減少碳排放量。通過采用覆蓋作物、減少耕作、增加有機質輸入等方法，可以提升土壤健康狀況，促進碳的長期儲存，同時降低氮氣和甲烷的排放。此外，提高農林業碳排放效率也有助于確保農林業的可持續性。這不僅有助于減少氣候變化的影響，還有助于維持農林業系統的長期生產力，從而滿足全球人口不斷增長的食物需求。

本文以農村資源流動為視角，以農林業研發創新對農林業碳排放效率的影響為切入點，將農林業研發創新視為一項投入要素，探討其對農林業碳排放效率的影響。然后，采用超效率模型和空間杜賓模型等研究方法，深入研究中國農林業碳排放效率的時空演變特征，著重關注時空變化的核心特征，并探討影響這些變化的關鍵因素。通過引入空間計量經濟模型，不僅可以考察農林業研發創新在本地的直接效應，還將揭示其對周邊地區碳排放效率的溢出效應，豐富了農林業碳排放效率的影響機制研究。

本文的邊際貢獻主要體現在四個方面。第一，在理論層面，以低碳經濟理論為基礎，引入農林業研發創新這個重要的投入要素，系統探討其對我國農林業碳排放效率的影響，為低碳農業和林業領域的理論研究提供了新的視角，揭示了技術創新在推動碳減排和提升效率方面的雙重作用。第二，在方法層面，區別于過去文獻對于農業技術創新的間接估算，創新性地使用了植物新品種權申請量作為農林業研發創新的代理變量，直接反映農林業技術進步的水平。同時，采用基于松弛的超效率模型對2000—2021年中國31個省份的農林業碳排放效率進行了全面測算。這種方法不僅考慮了各省份的效率差異，還能夠有效刻畫不同地區間的碳排放效率水平，并進一步結合空間杜賓模型，從農林業研發創新、林業總產值和城鎮化率等多個維度分析我國農林業碳排放效率的時空演變及其影響因素。通過引入空間計量經濟模型，不僅考察農林業研發創新在本地的直接效應，還揭示其對周邊地區碳排放效率的溢出效應，進一步豐富了農林業碳排放效率的影響機制研究。第三，在研究結論層面，系統估算2000—2021年全國31個省份的農林業碳排放效率及其年均增長率，詳細分析農林業研發創新對本地碳排放效率的抑制效應和對周邊地區的正向溢出效應。此外，還探討了農林業碳匯、林業總產值和城鎮化率等其他因素對碳排放效率的影響，揭示不同變量在碳減排過程中的作用機制。第四，在視角層面，從農村資源流動的機制出發，對中國農林業系統碳排放效率的時空演變提供了經濟學解釋，并提出相應的政策優化路徑。這一視角的應用，不僅為理解農林業碳排放效率提供了新的分析框架，還為推動可持續農業發展和實現碳中和目標提供了重要的政策建議和理論支持。通過上述多個層面的分析和探索，本文對現有研究的理論與實證方面均做出了重要貢獻，具有較強的學術價值和實踐意義。

2文獻回顧與述評

雖然學界對于農林業碳排放效率影響因素的研究尚未形成明確的共識，但是學者們已經對農業碳排放效率的影響因素做了大量的研究。農業碳排放效率被認為是衡量農業產出碳排放的有效指標（He et al.， 2021）；譚濤等（2023）采用基于松弛測量的超效率模型的方法，測度海南省農業碳排放效率，并通過耦合協調度和地理探測器研究其農業領域的碳排放效率與經濟增長耦合協調時空變化特征及驅動因素；趙爽等（2023）認為科技創新效率通過農業產業集聚和農業產業結構升級對農業碳排放效率具有正向促進作用；謝會強等（2023）認為城鄉融合發展是影響農業碳排放效率的關鍵因素；楊青林等（2023）提出提高農業碳排放效率是確保糧食安全的主要動力。

有些學者則從經濟發展的視角出發，探究農林業碳排放效率與經濟增長的關系。田云等（2022）強調農業碳排放效率與經濟增長之間的絕對協調；楊琳焱等（2023）發現，農業產業集聚對農業碳排放效率具有顯著的正向促進作用，并呈現出明顯的空間溢出效應；尚杰等（2022）認為，交通運輸水平、第一產業產值、居民人均收入以及信息化水平在中國農業碳排放效率的空間關聯網絡特征中發揮促進作用；吳昊玥等（2021）發現，城鎮化率對農業碳排放效率有正向影響，而農業產業結構、投資強度、財政支農力度以及受災程度則產生負向影響；韓金雨等（2021）發現，財政支農、經濟結構、城鎮化水平、城鄉差距、農業發展水平、農業機械化水平和耕地占用率等因素均不同程度地影響農業排放強度。

此外，另一些學者從農林業生產要素出發，探究農林業碳排放效率的影響因素。劉華軍等（2020）發現，過多的農機動力、播種面積投入以及過量的農業碳排放是農業生態低效率的重要原因；Wang等（2022）、Banerjee等（2023）認為，農村勞動力對農林業技術水平的接受和應用對碳排放效率至關重要。現代農林業技術的培訓有助于提高農林業生產效率、減少資源浪費，并降低碳排放。提高農林業碳排放效率并減輕農林業投入對環境造成的破壞是提高生態效益的關鍵因素。因此，為了提高農林業碳排放效率，許多國家已制定農林業技術創新政策或支持計劃，旨在通過開發新品種促進生產（Araya， 2020；Martey et al.， 2020）。雷振丹等（2020）發現，農業技術進步與農業碳排放效率之間存在非線性關系；鄭陽陽等（2021）發現，農業生產效應對農業碳排放呈倒“U”型特征。

林業用地面積是影響林業碳匯的主要因素，降低建設用地并增加林業用地面積可以有效調節該地區的碳排放效應（李彥旻等，2022）。通過對研究區邊界范圍內木材產量進行調減控制，間接引起研究區邊界外用材林造林面積的增加，從而產生了額外的碳排放（何韻等，2022；陳科屹等，2023）。2011—2020年我國肥料行業碳減排成效顯著，化肥產量和施用量呈先增后降態勢，化肥減量成為當前農業碳減排的最大貢獻者（李華等，2023）。農村地區人口對種植業碳減排為正效應（蔡景麗等，2023）。城鎮化推動了農村勞動力向城市流動，促進了農業生產的集約化、規模化，規模化農業意味著能源消耗的增加，間接帶來農業碳排放增長（周一凡等，2022）。

綜上所述，盡管學者們分別從超效率的研究方法、經濟增長的視角以及生產要素等方面對農林業碳排放效率進行了深入的研究，然而以往學者傾向于將農業和林業的碳排放或碳匯范疇分開考慮，在研究中人為地將它們割裂開來，并未充分展現農林業作為一個整體生態系統的真實情況。同時，以往學者的研究在考慮農林業生產資源流動的視角對農林業碳排放效率的時空演變方面存在疏漏，比如如何提升農林業碳排放效率的方法和途徑，如何將科技創新和農林業產業結構升級與農林業碳排放效率的提高相融合等，這些都是亟待解決的關鍵問題。

本文以農村資源流動為視角，以農林業研發創新對農林業碳排放效率的影響為切入點，將農林業研發創新視為一項投入要素，探討其對農林業碳排放效率的影響。本文研究目標在于進一步提高農村資源流動和環境容忍度，同時提高農民的生態福祉水平，這有助于將“綠水青山就是金山銀山”理念轉化為實際行動，推動我國農林業的整體碳排放效率水平提升，促進我國生態文明建設和“雙碳”目標的實現。

3理論分析框架與研究方法

為系統分析并計算農林業碳排放效率及關鍵影響因素，本文基于低碳經濟理論，使用非期望產出的超效率模型和空間杜賓模型測算并分析2000—2021年中國31個省份的農林業碳排放效率及關鍵影響因素。從農林業生產要素、農林業研發創新、城鎮化和農村經濟環境等多個方面進行定性分析與探討。

3.1理論分析框架

金茨格（Kinzig）和卡門（Kammen）于1998年首次提出“低碳經濟”的概念，自此“低碳經濟學”成為世界經濟學領域備受關注的新生概念。英國《能源問題白皮書》對“低碳經濟”的解讀是：在減少環境污染和資源消耗的基礎上創造更多物質產品和持續發展的機會。它是以低碳技術應用和新能源開發為標志的一種新型經濟發展模式。Rubens（2016）進一步闡述，低碳經濟指通過有效的政策設計和制度創新，在市場機制框架內促進低碳技術、清潔能源和可再生能源技術的研發和應用，以實現“低污染、低消耗、低排放”的生產和消費方式，進而實現人類社會“高效能、高效率、高效益”的經濟發展新模式。由于環境資源的特殊性和整體性，一般調整市場失靈的經濟政策和措施難以發揮作用。Rubens認為，“低碳經濟”的基礎是市場機制，而制度創新和政策推動是有效促進溫室氣體減排和再生能源發展的途徑。低碳經濟理論從分析經濟增長與環境污染的關系入手，將市場機制引入環境治理領域，通過環境資源資本化、外部成本內部化、貿易經濟全球化等市場手段，促進低碳技術和新能源的研發應用、推動全球范圍內減排機制的形成，對發達國家低碳經濟實踐起到了積極作用（董靜等，2018）。

將低碳經濟理論應用于農林業碳排放效率的分析中可以發現，農林業研發創新、經濟發展與碳排放效率之間存在密切的關系。首先，農林業研發創新能夠推動技術進步，引入更加環保、高效的生產方法，可以減少碳排放。例如，通過應用精確農業技術、精細管理森林資源、推廣可再生能源等，農林業可以提高生產效率，并降低對碳排放的依賴。其次，農林業的經濟發展水平也對碳排放效率產生影響。隨著經濟的發展，農林業部門有能力投入更多資源和資金來改善生產過程中的碳排放效率。例如，在現代化的設施和技術支持下，農林業能夠實施更有效的農田排水系統、旋耕耕作和農業廢棄物處理等措施，從而減少碳排放。農林業的研發創新能夠提供更環保和更高效的技術，促進碳排放的減少。

從農村資源流動的視角看，農林業研發創新對農林業的基本要素（勞動生產方式和勞動者）產生影響，從而促進農林業的碳排放效率（Cheng et al.， 2022；Li et al.， 2022）。本省的農林業研發創新具有更大潛力，能夠帶來更高效的生產方式，以減少資源浪費并提高農林業的碳排放效率，同時會促進本省農林業市場的發展。當然，由于研發創新溢出效應的影響，本省的農林業研發創新也會促進相鄰省份的農林業研發創新水平。但是，由于虹吸效應的存在，本省農林業市場的快速發展必然會加快鄰省的勞動力、技術等生產要素的流轉。

農業科技創新通常被視為促進農業轉型和提高生態效率的重要方式（吳磊等，2022）。然而，有研究顯示，農業科技創新對生態效率的影響在不同地區之間存在明顯差異（王辰璇等，2021）。具體來看，顏光耀等（2023）發現，農業碳排放強度存在正向空間溢出效應，表明一個地區的碳排放增加可能會影響到相鄰地區的碳排放狀況。此外，農業技術效率與碳排放強度之間存在的負向空間溢出效應表明，提高技術效率能夠有效減少碳排放強度。劉云強等（2022）提到，綠色技術創新具有一定的擴散效應，意味著這種新技術不僅能夠在原區域內發揮作用，還能通過合作和共享影響周圍地區。在農林業研發創新的背景下，諸如新植物專利的開發等實踐通常會有效降低單位面積產出的碳排放。然而，研發創新的實施往往涉及資源的高度集中與技術的大量投入，可能在短期內會導致碳排放的增加。因此，可以推測，在同一地理區域內，碳排放效率與農林業研發創新之間可能存在負相關關系。另外，研發創新帶來的新技術和專利往往具有顯著的空間溢出效應，從而使這些創新的積極影響可向周邊地區延伸。在這種情況下，周邊地區吸收新技術帶來的經濟效益和環境效益，可能會顯著提高其碳排放效率，從而規避研發創新過程中可能產生的沉沒成本。因此，周邊地區的碳排放效率可能與農林業研發創新呈現正相關關系。

綜上所述，農林業研發創新的影響機制體現出復雜的雙向互動特征。雖然局部區域的研發活動可能在短期內導致碳排放上升，但其長期效益則體現在通過技術進步提高生產效率，從而降低單位產出的碳排放。此外，周邊地區獲得的正向溢出效應進一步加強了這種正相關關系。對這一現象的深入探討，對于理解農林業的可持續發展及政策制定具有重要意義，并能為實現碳中和目標提供可靠的科學依據。基于以上分析，提出假設H1。

H1：本省農林業研發創新對本地區的農林業碳排放效率有抑制作用，并對周邊地區的農林業碳排放效率產生顯著溢出效應。

減少農業碳排放，提高農業碳匯能力，是我國實現“雙碳”目標的重要舉措。田云等（2024）以國家《農業農村減排固碳實施方案》所重點倡導的化肥減量增效、農機綠色節能、稻田甲烷減排、農田碳匯提升等模式為例，探討了農業減排固碳的潛力。Fu等（2023）指出，影響農林業碳排放效率的關鍵因素包括農田土壤的碳匯能力、城鎮化水平、種植結構等。碳捕獲和儲存技術具有改善土壤管理的潛力，可提高土壤碳含量并增強碳吸收能力（Schmidt et al.， 2019；Rosa et al.， 2021）。因此，提出假設H2。

H2：提升農業碳匯能力對增加本地的農林業碳排放效率具有顯著的促進作用。

碳減排需要從減少碳源和增加碳匯兩個方面同時推進（魯豐先等，2013）。碳匯量可能存在不確定性問題，林業碳匯同時具有“源”和“匯”的特殊性，例如由于存在火災、自然災害等潛在風險，碳匯量存在不確定性和可逆轉性，屬于非持久性減排（劉海燕等，2023）。提升林業碳匯可以有效降低碳排放（鄒曉明等，2022）。林業碳匯相對于工業減排具有顯著的成本優勢，因此可以對農林業碳排放的減少具有較好的可實踐性（張娟等，2021）。不同土地利用類型對碳排放效率產生各自獨特的影響，包括農田、森林、濕地和城市地區，這些土地類型擁有不同的碳循環特性。通過保護和恢復那些具備豐富碳儲存潛力的生態系統，如森林和濕地，有助于降低碳排放水平。因此，提出假設H3。

H3：提升林業碳匯能力對增加本地的農林業碳排放效率具有顯著的促進作用。

3.2研究方法

本文的研究方法主要采用非期望產出的超效率模型和空間杜賓模型，分別測算并分析全國31個省份的農林業碳排放效率及其影響因素。

3.2.1非期望產出的超效率模型

在農業生產過程中投入一定勞動、耕地、機械等生產要素后，將獲得期望產出（如農業產值），同時伴隨非期望產出（如農業碳排放）的產生。現有農業碳排放效率的測算方法多為DEA類模型或Malmquist指數，這些研究方法缺少跨期可比性和空間可比性。在前述理論框架的基礎上，借鑒吳昊鑰等（2021）的研究，本文構建考慮非期望產出的農林業碳排放效率模型，不僅能使投入或產出松弛量按照不同比例進行縮減或擴張，還將環境約束作為非期望產出納入效率測度模型中，能夠分解測算出碳排放的效率值。此外，將空間計量模型引入效率影響因素分析中，將可能存在的空間效應納入研究框架，使計量結果更加符合客觀實際。具體步驟如下：首先，建立一個包括農林業科技創新、生產要素投入、農業和林業碳匯以及總產值作為期望產出，農業和林業碳排放總量作為非期望產出的農林業生態系統的生產集合（Ф）；其次，利用非期望產出的超效率模型計算農林業碳排放的實際產出與理論產出之間的距離，即農林業碳排放的松弛量；最后，基于前兩步的計算結果，分別計算每一個省份的農林業碳排放效率。

4數據來源與變量選取

本文所使用的數據全部來源于官方公開發布的歷年統計年鑒，以下將詳細介紹具體的數據來源和指標選取的過程。

4.1數據來源

本文選擇2000—2021年中國31個省份的農林業（包括種植業、畜牧養殖業和林業）樣本數據，數據來源于歷年的《中國科技統計年鑒》《中國農村統計年鑒》，以及國家統計局、國家林業和草原局官網公開發布的數據。因為香港、澳門、臺灣地區數據缺失嚴重，所以沒有納入本次研究范圍。數據的缺失值采用Arima預測方法填充，農林業碳排放效率的計算過程使用Matlab 2022b軟件運行完成，空間杜賓模型使用Stata 16軟件運行完成。

4.2變量選取

本文首先通過從上而下的方法，遵循國家發展規劃和綠色發展理念，結合政策文件對農林業綠色低碳轉型進行審視。然后以自下而上的方式，在考慮農林業綠色低碳發展的基礎上，參考相關文獻并考量數據可獲取性，剔除相關性不高的指標，最終確定包含10個一級指標和12個二級指標的農林業碳排放效率指標體系。

4.2.1被解釋變量

本文被解釋變量為農林業碳排放效率（ln ACEE）。參考Zhou等（2012）的研究，將農林業碳排放效率（ln ACEE）定義為在規模報酬不變和既定農林業投入要素條件下，農林業（包括種植業、畜牧養殖業和林業）生產過程中實際產生的碳排放量與最低可能的碳排放量之比。低碳排放效率表示實際碳排放量較高，意味著在維持當前的投入和技術水平的情況下，存在不必要的碳排放。這表明可能農林業生產尚未充分考慮到產出與環境保護之間的平衡，以有效減少碳排放。農林業碳排放效率數據通過非期望產出的超效率模型計算得出。

參考田云等（2024）和吳昊玥等（2021）的研究，針對農林業生產系統中的投入、期望產出和非期望產出，投入方面綜合考慮了土地、勞動力、資本和技術等四類基本生產要素，并將農林業科技創新、生態保護列為投入要素。期望產出方面涵蓋了經濟產出（包括農業總產值和林業總產值）和生態產出（包括農業碳匯總量和林業碳匯總量），而非期望產出則是指環境代價（農林業碳排放總量，包括農業碳排放總量和畜牧業碳排放總量）。基于這一設定，建立了投入產出指標體系，旨在評估農林業碳排放效率。本文構建農林業碳排放效率投入產出計算指標體系，如表1所示。

4.2.2解釋變量

本文的核心解釋變量為農林業研發創新，選取中國植物新品種權申請量（件）作為農林業研發創新的指標。農林業研發創新的研究數據來源于歷年的《中國科技統計年鑒》。2020年頒布了《中華人民共和國民法典》，將植物新品種權納入知識產權范疇。中國植物新品種權的申請和授權數量逐年增加，位居國際植物新品種保護聯盟（International Union for the Protection of New Varieties of Plants， UPOV）公約成員國的前列（劉振偉，2021）。僅在2021年，中國農林業植物新品種權申請數量為9721件，授權3218件（關曉靜，2022）。

參考田云等（2013）和吳昊玥等（2021）的研究，本文選取農業碳匯和林業碳匯作為解釋變量，以探究提高農業和林業的碳匯能力對農林生態系統碳排放效率的影響。農業碳匯量（ln ACS）主要考慮各類農作物通過光合作用吸收并固定的碳。農業生產過程中的碳匯只考慮主要農作物生長全生命周期中的碳吸收。所謂農作物碳吸收，是指作物光合作用形成的凈初級生產量，即生物產量。農業碳匯的計算過程如式（6）所示。

式（6）中，ACS表示某一地區（省、自治區、直轄市）農業碳匯的總量；ACSi表示某一地區（省、直轄市或自治區）第i種農作物的年碳吸收量；k表示農作物的種類數；CYi表示某一地區（省、直轄市、自治區）第i種農作物的年經濟產量；si表示第i種農作物通過光合作用合成單位有機質所需要吸收的碳；wi表示第i種農作物經濟產品部分的含水量；ei表示第i種農作物的經濟系數。

相對于傳統的技術減排方法，進行林業碳匯項目經營以促進林業增匯，能夠使碳減排成本降低達40%（曹先磊等，2023）。我國整體森林碳匯量不斷增加，不同地區的森林碳匯量存在顯著差異（付偉等，2023）。森林碳匯對降低大氣中溫室氣體濃度、減緩全球氣候變暖具有十分重要的作用（姜霞等，2016）。作為減排的有效手段之一，林業碳匯對于如期實現“雙碳”目標具有重要意義（全陽等，2023）。森林碳儲量的測算方法涵蓋多種途徑，包括生物量法、蓄積量法、蓄積量擴展法、生物量清單法、渦旋相關法、渦度協方差法以及馳豫渦旋積累法等（伍楠林，2011；王兵等，2021；張穎等，2022）。具體而言，森林蓄積量擴展法是基于自然科學研究的基礎上，結合特定年份的森林面積和單位面積的森林蓄積量指標來評估森林碳儲量的一種方法。通過采用差值法，可以計算得到一定時間段內森林碳匯的增量，這是目前應用最廣泛的森林碳匯測定方法。本文采用該方法來評估森林碳儲量和林業增匯潛力，具體計算過程如式（7）至式（9）所示。

式（7）、式（8）、式（9）中，ΔCF（t2- t1）表示在時間段（t2- t1）內的林業碳增量，其中i代表第i個省份的林業增匯量。本文主要關注我國不同省份在2000—2021年期間的林業增匯量。CFti表示第t年第i個省份的森林碳儲量，包括地上生物量、地下生物量、枯死木、枯落物、林地土壤以及林產品等六個碳庫。參考伍楠林（2011）和王兵等（2021）的研究，本文主要關注地上和地下生物量以及林地土壤這三個碳庫。Sti表示第t年第i個省份的森林面積，Cti表示第t年第i個省份的森林碳密度，α表示林下植物碳轉換系數，β表示林地碳轉換系數，Vti表示第t年第i個省份單位面積的森林蓄積量，δ表示生物量擴大系數，ρ表示容積密度，R表示含碳率。

4.2.3控制變量

參考沈月琴等（2015）、何韻等（2022）和陳科屹等（2023）的研究，本文選取林業總產值、林業用地面積、木材產量、農用化肥施用量、農林牧漁業從業人員和城鎮化率等作為控制變量，進一步探究農林業生態系統碳排放效率的可能影響因素。當碳價格為300元/t時，碳匯補貼和碳稅的實施使當期林業產出減少0.02%，林產品價格下降20.87%，林業總產值投入減少0.45%（沈月琴等，2015）。

城鎮化率（ln UR）是一個表示城鎮化程度的指標，選取各省份總人口中城鎮居民人口的占比。這一指標可以用來反映不同地區的城鎮化水平，從而為進一步研究城鄉發展差異提供了有用的信息。

數據描述性統計如表2所示。

5實證分析

首先，本文使用Matlab 2022b軟件對我國農林業碳排放效率進行測算，整體表現為先下降后上升的趨勢，如圖1和圖2所示；其次，使用Stata 16軟件測算莫蘭指數，結果表明我國農林業碳排放效率存在空間自相關性；最后，使用空間杜賓模型實證分析我國農林業碳排放效率的空間影響因素。

5.1農林業碳排放效率的測算結果

圖1顯示，2000—2021年中國31個省份農林業碳排放效率平均水平約為0.70，在一定程度上表明，在現有的技術水平和投入要素的條件下仍然可以減少30%的碳排放量。內蒙古、黑龍江、廣東、海南、云南、西藏等省份的農林業碳排放效率明顯高于全國平均水平。本文認為這些地區農林業碳排放效率明顯高于全國平均水平的原因可能與其氣候和林業資源相關。首先，這些地區具有較好的氣候條件，例如內蒙古的草原氣候、黑龍江的寒溫帶氣候條件和云南的亞熱帶山地氣候等，這些氣候條件有利于農林業生產，使得作物和森林生長更加旺盛，減少了資源耗費和產生碳排放的可能性。同時，這些地區擁有豐富的林業資源。林業是一種重要的碳匯儲存庫，通過吸收和儲存大量的二氧化碳，有助于減少碳排放。內蒙古和黑龍江的森林資源較為豐富，這些森林在吸收二氧化碳的同時也提供了豐富的木材資源，可以減少對非可再生能源的依賴，降低碳排放。此外，近年來國家對這些地區農業和林業生產方式的科學管理也可能是農林業碳排放效率高的原因之一。科學的管理方法可以最大程度地提高作物和森林的產量，并減少資源浪費，從而減少了碳排放的可能性。

我國農林業碳排放效率的年均增長率約為9.80%。大多數省份的農林業碳排放效率年均增長速度都在均線附近。北京、天津、上海、海南等地區的農林業碳排放效率年均增長率明顯高于全國水平。本文認為可能的原因是北京、天津、上海等地區可能在現代農林業科技創新技術方面投入了大量資源，包括高效的農林業機械、精確的灌溉系統、先進的育種和種植技術等。這些技術的采用有助于提升農林業生產效率，減少資源浪費和碳排放。另外，這些地區擁有豐富的科研資源和創新能力，有助于開發新的農林業技術和方法，提高碳排放效率。

由圖1和圖2可知，2000—2021年我國農林業碳排放效率整體呈現出先下降后波動上升的趨勢。內蒙古、黑龍江、廣東、海南、云南、西藏等省份的農林業碳排放效率明顯高于全國平均水平。首先，這些地區擁有豐富的林業資源，森林覆蓋率高、森林面積大以及更多的林木資源等優勢提供了更多的碳吸收和固碳能力，因此農林業碳排放效率相對較高；其次，這些地區的氣候和土壤條件可能更適合林木生長，較好的氣候和土壤條件有利于植被的生長，從而提高了農林業的生產效率和碳固定能力。這可能是導致這些地區農林業碳排放效率明顯高于全國平均水平的原因。

5.2空間杜賓模型結果分析

首先，本文使用Stata 16軟件對中國2000—2021年的農林業碳排放效率進行莫蘭指數測算，驗證其是否存在空間自相關性；其次，使用空間杜賓模型進行Wald-lag、Wald-err、LR-lag、LR-err以及豪斯曼檢驗；最后，進行空間杜賓模型的估計。

5.2.1農林業碳排放效率全局莫蘭指數測算結果

對2000—2021年中國農林業碳排放效率的全局莫蘭指數測算，以驗證我國農林業碳排放效率是否存在空間自相關性，測算結果如表3所示。

從絕對值的角度來看，我國在大多數年份的農林業碳排放效率全局莫蘭指數均在1%的顯著性水平上顯著，并且通過了Z檢驗，其絕對值基本上穩定在0.01～0.20之間，可見我國農林業碳排放效率的空間自相關性非常顯著。從總體趨勢來看，我國的農林業碳排放效率全局莫蘭指數呈現出一個“M”型的發展軌跡，即先上升后下降，然后再次上升，最后再次下降。這表明隨著時間推移，空間集聚效應呈現出一個“M”型波動的趨勢，而最近幾年的空間自相關程度逐漸減弱。兩次峰值分別出現在2001年和2019年，分別是0.16和0.09。本文認為原因可能是在農林業領域，技術和最佳實踐可能會通過模仿效應在空間上傳播。一開始，某些地區可能率先采用高效的農林業技術和管理實踐，導致空間集聚效應的上升。隨著時間的推移，鄰近地區可能會模仿這些成功實踐，導致集聚效應的下降。然而，隨著更多地區逐漸采納這些實踐，集聚效應可能再次上升。此外，政府政策也可能會在一定程度上對農林業碳排放效率產生影響。一些地區可能會受益于政府在可持續農林業實踐、資源管理和技術改進方面的支持，政策的變化和資源投入水平的波動可能導致空間集聚效應的變化。

5.2.2檢驗

基于經濟距離權重矩陣（W）對殘差進行空間相關性的LM檢驗和穩健LR檢驗，LM Error與LM Lag統計量分別為22.67和15.99，且均在1%的顯著性水平上顯著。由于拒絕了原假設，即不存在空間滯后效應和空間誤差效應，因此首要考慮采用空間杜賓模型進行估計。為確保估計結果的穩健性，本文同時根據經濟距離權重矩陣（W）構建了8個不同的空間杜賓模型進行估計，以進行對照分析。空間杜賓模型的檢驗結果如表4所示，解釋變量系數的符號、大小和顯著性在8個不同的空間杜賓模型中的估計結果表現相對一致，說明結果具有較強的穩健性。Wald-lag、Wald-err、LR-lag以及LR-err檢驗均拒絕了空間杜賓模型轉化成空間誤差模型或者空間自回歸模型的可能性，表明8個模型的結果具有較強的穩健性，且空間杜賓模型是最合適的模型。

在空間杜賓模型的檢驗結果中，空間自回歸系數ρ的均值為-0.77，而且在1%的顯著性水平上通過了Z檢驗，說明農林業碳排放效率存在虹吸效應。豪斯曼檢驗結果表明：由于原假設是接受隨機效應，當p值等于0.00時，拒絕了原假設，因此本文認為應該選擇雙向固定效應模型。

5.2.3空間杜賓模型的結果

空間杜賓模型的檢驗結果說明本地區的農林業碳排放效率有著顯著的虹吸效應，即當本地區的農林業碳排放效率呈上升趨勢的時候，周邊地區的農林業碳排放效率會呈現下降的趨勢。

空間杜賓模型的結果如表5所示。從主回歸結果看，農林業研發創新（ln RD）對本地區的農林業碳排放效率產生顯著的負向影響，并且在1%的顯著性水平上顯著。本文認為可能的原因是本地的研發創新可能會產生冗余的碳排放，同時產生了沉沒成本，因此會產生顯著的負向影響。加入空間經濟權重之后，農林業研發創新（ln RD）對周圍地區的農林業碳排放效率產生顯著的溢出效應，并且在1%的顯著性水平上顯著。這表明研發創新不僅對本地區有影響，也會向周邊地區產生溢出效益，驗證了假設H1。本文認為原因可能是農林業研發創新在農林業領域的應用為提高周圍地區的生產效率提供了新的技術工具和方法。新技術的應用在一定程度上改善了農林業生產過程，使農林產品的生產變得更加高效，導致資源利用效率的提高，減少了碳排放的強度。其次，研發創新在農林業領域的推廣和應用帶來了技術溢出。這意味著新技術在一定程度上不僅僅影響了本地區的農林業部門，也對周圍地區產生了積極的外部性影響。新技術的應用為周圍地區的農林業部門提供了學習和借鑒的機會，從而促進了其生產效率的提升和碳排放的減少。

提升農業碳匯能力（ln ACS）對本地區的農林業碳排放效率產生顯著的正向影響，并且在1%的顯著性水平上顯著。這表明農業碳匯總量的增加有助于提高本地農林業的碳排放效率，驗證了假設H2。首先，農業碳匯是指通過農林業活動將二氧化碳從大氣中吸收并儲存在土壤和植物中的過程。當農林業系統增加碳匯總量時，也就意味著更多的二氧化碳被吸收并儲存起來，減少了大氣中的溫室氣體濃度。其次，在本地區提升農業碳匯能力顯著提高了農林業的碳排放效率。這可能是由于提升農業碳匯能力可以顯著提高農作物生長與植物光合作用，從而減少了碳排放。這對于應對氣候變化和減少溫室氣體排放具有重要意義，并且為農林業系統的可持續發展提供正向的經濟效益和環境效益。

提升林業碳匯能力（ln FCS）對本地區的農林業碳排放效率產生顯著的正向影響，并且在1%的顯著性水平上顯著。這表明林業碳匯總量的增加有助于提升本地農林業的碳排放效率，驗證了假設H3。本文認為原因可能是當提升林業碳匯能力時意味著有更多的二氧化碳被吸收，并在樹木和土壤中儲存起來，減少了大氣中的溫室氣體濃度。其次，提升林業碳匯能力可以間接改善土壤質量和水源管理能力，為林木生長提供了更適宜的環境條件，更有利于促進碳的吸收和儲存。此外，這一結果也為制定林業管理政策和實施有效的林業保護措施提供了科學依據。

林業用地面積（ln FLA）對本地區的農林業碳排放效率產生顯著的負向影響，并且在1%的顯著性水平上顯著，表明林業用地面積的增加可能會抑制本地農林業的碳排放效率。在加入空間權重矩陣之后，林業用地面積（ln FLA）對周邊地區產生顯著的虹吸效應，并且p值在1%的顯著性水平上顯著。本文認為可能原因是增加林業用地面積會導致農林業部門的擴張和生產活動的增加，從而導致了碳排放的增加。

增加農村勞動力對周邊地區的農林業碳排放效率具有顯著的虹吸效應，并且p值在1%的顯著性水平上顯著。農村勞動力在一個地區的增加對周邊地區的農村勞動力水平產生了較強的虹吸效應。農村勞動力要素在農村資源要素市場之間流動會產生聚集效應，即人們傾向于流動到農林業碳排放效率較高的地區去從事農林業經濟活動。

增加林業總產值（ln TFP）對本地區的農林業碳排放效率產生顯著的正向影響，并且在1%的顯著性水平上顯著，說明當林業總產值增加時，農林業系統能夠更有效地減少碳排放。本文認為可能是因為增加林業總產值意味著更多的資源和投資用于林業發展，包括森林管理和保護、種植更多的林木來增加碳匯能力，以及使用更環保的農林業技術和實踐來減少碳排放。林業總產值（ln TFP）對周邊地區的農林業碳排放效率具有顯著的虹吸效應，并且p值在1%的顯著性水平上顯著。這意味著當林業總產值增加時，會吸引周邊地區的農林業要素資源流入本地。本文認為這可能是因為林業資源及產業鏈的特點，使得周邊地區受益于本地區的林業發展。從農村資源流動的視角看，本地區的林業發展創造了就業機會，吸引了農村勞動力流動，帶動了消費和經濟活動的增長，從而對周邊地區產生了經濟上的正面影響。這種虹吸效應可能會進一步推動周邊地區的林業發展，形成一個良性循環。

城鎮化率（ln UR）對本地區的農林業碳排放效率產生顯著的正向影響，并且在5%的顯著性水平上顯著。說明當城鎮化率提高時，本地農林業系統能夠提高其碳排放的效率。這可能是由于城鎮化過程中帶來的經濟發展和社會變化，導致資源配置和管理更加有效，以及采用更環保的農林業技術和實踐的增加。城市化通常與經濟發展、技術創新和資本密集型農林業特征相關聯，這些因素有助于提高農林業碳排放效率。此外，城鎮化率（ln UR）對周邊地區具有顯著的溢出效應，并且p值在5%的顯著性水平上顯著。溢出效應意味著城鎮化的增加會促使周邊地區的農林業部門受到積極的影響。本文認為這可能是由于城市化帶來的經濟增長和消費需求的增加，為周邊地區提供了更多市場機會。同時，城市化還促進了資源和技術的跨地區流動，可以促進周邊地區的農林業發展，幫助其提高碳排放的效率。

木材產量（ln WP）對本地區的農林業碳排放效率產生顯著的負向影響，并且在1%的顯著性水平上顯著。本文認為可能是因為較高的木材產量可能導致農林業在資源利用上更加密集，意味著更多的資源消耗和浪費。例如，農林業生產過程中可能使用更多的化肥、農藥等化學物質，這些化學物質有時會產生排放物。因此，高木材產量可能導致碳排放效率降低。另外，木材產業結構缺乏多樣性也可能是碳排放效率降低的原因之一。

農用化肥（ln FER）對本地區的農林業碳排放效率產生顯著的負向影響，并且在1%的顯著性水平上顯著。農用化肥中的氮、磷、鉀等元素在農作物生長過程中被吸收，然后一部分被農作物利用，但也會有一部分轉化為氣體釋放出來，例如氮氣、一氧化碳等溫室氣體。這樣的釋放會增加農林業的碳排放量，導致碳排放效率降低。同時，農用化肥的使用可能導致土壤中的碳循環受到影響。化肥中的化學物質可能改變土壤微生物活性，降低土壤有機質的分解速率，進而導致土壤中有機碳無法有效轉化為二氧化碳，從而影響農林業碳排放效率。

5.3空間影響效應

為探討解釋變量空間影響效應的整體影響，本文將其分解為直接影響和間接影響，以更加全面地分析其對農林業碳排放效率的作用機制。在對影響因素進行梳理后，可以明確農林業研發創新及其他相關指標在碳排放效率提升中的重要作用。

5.3.1直接效應

空間影響效應的結果如表6所示。本地的農林業研發創新對本地的農林業碳排放效率具有顯著的抑制作用，并且p值均在1%的顯著性水平上顯著。本文認為，這種現象可能源于農林業研發創新的初期階段，在新農林業植物品種從實驗室走向農田應用時，面臨著推廣和應用的難題，其中包括農民對這些新品種的接受度可能較低。另一種可能的情況是，由于多種環境因素，這些新農作物品種在實際生產中可能面臨著產量或銷售問題，從而導致農民不愿意種植這些新品種。此外，本地農林業植物新品種的研發創新過程也可能導致本地農林業碳排放量的增加，進而直接影響了本地農林業碳排放效率的提高。

提升農業碳匯能力對本地區的農林業碳排放效率產生顯著的正向影響，并且p值均在1%的顯著性水平上顯著。農業碳匯提供了一種有效的碳吸收和儲存機制。農業地區通常有大量的農田和林地，可以通過作物生長和樹木生長吸收大量的二氧化碳并將其儲存起來。農業碳匯的存在可能促進了農林業生態系統中生物質的累積，減少了該地區的碳排放。另外，農業碳匯與農業管理和實踐改進相關，農業碳匯的實施可能要求農業社區采取更可持續的耕作和農業管理做法，例如合理施肥、水資源管理和土壤保護措施。這些改進措施可以減少農業活動中的溫室氣體排放，并提高農林業碳排放的效率。

提升林業碳匯能力對本地區的農林業碳排放效率產生顯著的正向影響，并且p值均在1%的顯著性水平上顯著。林業碳匯可以幫助吸收和固定大量的二氧化碳，減少農林業活動導致的碳排放。森林生態系統具有較高的生物多樣性和碳儲存能力，能夠持續地吸收并儲存二氧化碳。因此，擁有較多森林資源的地區往往能夠有效提高農林業系統的碳排放效率。同時，林業碳匯不僅可以減少碳排放，還能提供其他生態系統服務，如水源涵養、土壤保持、生物多樣性維護等。這些服務可以改善生態環境，減輕農林業對生態系統的負面影響，進而提高農林業碳排放的效率。

林業用地面積（ln FLA）對本地區的農林業碳排放效率產生顯著的負向影響，并且p值均在1%的顯著性水平上顯著。較大的林業用地面積可能會存在林業經營管理不善的問題。例如，林地可能面臨森林病蟲害、不合理采伐、森林火災等問題，這些因素可能導致林木生長不良，并使碳吸收和保持減少，從而降低農林業的碳排放效率。

林業總產值（ln TFP）對本地區的農林業碳排放效率產生顯著的正向影響，并且p值均在1%的顯著性水平上顯著。隨著林業總產值的增加，林業部門可以獲得更多的投入資源和技術，從而提高了碳排放效率。同時，林業總產值的增加反映了對資源（如土地、水、肥料）的更有效利用。有效利用資源可以減少因浪費和損失引起的排放，并提高碳排放效率。

木材產量（ln WP）對本地區的農林業碳排放效率產生顯著的負向影響，并且p值均在1%的顯著性水平上顯著。本文認為木材產量可以被視為衡量本地區農林業活動水平的指標。木材的生產通常需要伐木、運輸、加工等過程，這些過程往往涉及能源消耗，并且可能會導致部分木材無法有效利用，從而產生碳排放。另外，本地區可能存在資源利用不當、技術水平低下及管理不善等問題，導致農林業生產過程中能源的低效利用和碳排放的增加。此外，本地區可能缺乏先進的治理機制和政策措施來促進農林業的可持續發展和低碳化轉型，從而導致碳排放效率低下。

農用化肥（ln FER）對本地區的農林業碳排放效率產生顯著的負向影響，并且p值均在1%的顯著性水平上顯著。首先，化肥的使用可能導致土壤中氮、磷等養分的過剩。過量的養分會增加作物對養分的吸收，而吸收不完全的養分可能會被轉化為揮發性氣體，如一氧化氮和氧化亞氮，從而增加溫室氣體的排放。其次，化肥的過度使用也可能導致土壤酸化。酸性土壤會降低土壤中的有機質分解速率，從而減少土壤固碳能力，并增加溫室氣體的釋放。再次，化肥過度使用還可能破壞土壤生物多樣性。土壤中的微生物和其他生物參與碳的循環和固定過程，但過量的化肥使用會對這些生物產生負面影響，降低它們的活動水平，限制了碳固定的能力。最后，農用化肥的生產和使用會消耗大量的能源，包括化肥生產的能源和農業機械的使用。這些能源的使用會導致溫室氣體的排放，進一步加劇碳排放效率的下降。

5.3.2間接效應

由表6可以看出，本地的農林業研發創新（ln RD）對周邊地區的農林業碳排放效率具有顯著的溢出效應，并且p值在1%的顯著性水平上顯著。本文認為原因可能是隨著農林業研發創新的逐步推廣和應用，這些農林業植物新品種會逐漸外溢到周圍的省份，這些新型農作物可能在增加碳匯和減少農林業碳排放方面發揮了積極作用，并有效地促進了周邊地區的農林業碳排放效率的提高。這表明農林業研發創新對于周邊地區的農林業碳排放效率具有顯著的外溢效應，進一步驗證了假設H1。

本地的林業用地面積（ln FLA）對周邊地區的農林業碳排放效率具有顯著的虹吸效應，并且p值在1%的顯著性水平上顯著。本文認為可能的原因是林業用地的過度擴張可能導致土壤侵蝕和土地退化，從而降低了土壤的肥力和生產力。這將對周圍地區的農林業碳排放效率產生負面影響，因為土地質量降低會導致更多的資源和勞動力用于維護土地，而不是提高農產品產量。另外，新增的農林業用地需要水資源、肥料和農林業機械等資源如果受到限制，可能需要從周圍地區調配，導致資源短缺，從而影響其他地區的農林業碳排放效率。因此，本地的林業用地面積的增加對周邊地區的農林業碳排放效率具有顯著的虹吸效應。

本地的勞動力（ln L）對周邊地區的農林業碳排放效率具有顯著的虹吸效應，并且p值在1%的顯著性水平上顯著。本文認為可能的原因是農村勞動力的增加可能導致本地區對農林業資源（如農業資本、水資源、肥料等）的更高需求。這種資源競爭可能導致農林業資源的有限供應被分配給本地區，減少了其他省份的資源可用性，從而降低了其他省份的農林業碳排放效率。因此，本地的勞動力增加會對周邊地區的農林業碳排放效率產生顯著的虹吸效應。

本地的林業總產值（ln TFP）對周邊地區的農林業碳排放效率具有顯著的虹吸效應，并且p值在1%的顯著性水平上顯著。首先，林業總產值的提升可能會帶動周邊地區的農林業發展。林業是一個重要的經濟產業，其增長可能會促進相關產業鏈的發展，如木材加工業、造紙業等。這些產業的發展可能需要大量的農林業資源和能源供應，從而帶動本地農林業經濟的發展，產生較強的虹吸效應。

本地的城鎮化率（ln UR）對周邊地區的農林業碳排放效率具有顯著的溢出效應，并且p值在5%的顯著性水平上顯著。城鎮化是一個城市人口向城市集聚的過程，通常伴隨著農村勞動力向非農產業轉移。這種城鎮化的過程可能導致周邊地區的農作物產量減少，農業用地面積減少，從而減少了相關的農林業碳排放。因此，本地的城鎮化率對周邊地區的農林業碳排放效率會產生溢出效應。

6研究結論、討論與政策啟示

通過分析中國農林業碳排放效率在時空上的變化及其影響因素，得出影響農林業碳排放效率的關鍵因素包括農林業研發創新、農林業碳匯、林業總產值和城鎮化率等，并討論主要結論，提出政策啟示。

6.1研究結論

本文以低碳經濟理論為基礎，采用非期望產出的超效率模型對2000—2021年中國31個省份的農林業碳排放效率進行測算，并運用空間杜賓模型分析中國農林業碳排放效率在時空上的變化及其影響因素，最后得出3點結論。

（1）2000—2021年中國31個省份的農林業碳排放效率平均值為0.70，表明在當前技術水平和投入要素條件下，存在減少30%農林業碳排放的可能性。內蒙古、黑龍江、廣東、海南、云南、西藏等省份的農林業碳排放效率明顯高于全國平均水平，大多數省份的農林業碳排放效率年均增長速度都在均線附近。我國農林業碳排放效率年均增長率為9.80%，其中北京、天津、上海、海南等省份農林業碳排放效率年均增長率高于全國農林業碳排放效率年均增長率。

（2）農林業研發創新對本地的農林業碳排放效率具有顯著的抑制作用，加入空間權重矩陣后，農林業研發創新對周邊地區的農林業碳排放效率具有顯著的溢出效應。農林業碳排放效率對周邊地區具有顯著的虹吸效應，說明當本地區的農林業碳排放效率呈上升趨勢的時候，周邊地區的農林業碳排放效率會呈現下降的趨勢。

（3）農林業碳匯、林業總產值和城鎮化率的增加均對本地區的農林業碳排放效率產生顯著的正向影響。林業用地面積、木材產量和農林業化肥使用量的增加均會抑制本地農林業的碳排放效率。增加林業用地面積和農村勞動力對周邊地區的農林業碳排放效率具有顯著的虹吸效應，城鎮化率對周邊地區的農林業碳排放效率具有顯著的溢出效應。

6.2討論

基于以上三方面的研究結論，本文從4個方面對這些發現進行深入討論。

（1）2000—2021年中國31個省份農林業碳排放效率平均值為0.70，這一結果表明，在當前技術水平和投入要素條件下，存在潛在的將農林業碳排放量減少30%的可能性，與吳昊玥等（2021）指出中國農業碳排放效率平均相近、具有較大的減排潛力的結論相似。然而，本文認為其研究忽視了林業碳匯對農林業碳排放效率的影響，中國東西部地區經濟發展差異顯著，各省份的農林業研發創新水平存在顯著差異。特別是在西部地區，農林業創新資源相對匱乏，農林業研發創新的知識分享和技術傳播仍面臨挑戰。盡管西部地區擁有豐富的森林、濕地、草地等生態資源，為碳匯的集聚和提高碳排放效率提供了基礎支持，但甘肅、西藏、寧夏、新疆等地區的農林業碳排放效率仍低于全國平均水平。如果這些地方政府能夠有效利用森林、濕地等生態系統的碳匯潛力，則可能對提升當地農林業碳排放效率產生積極影響。

（2）我國農林業碳排放效率的年均增長率為9.80%，與吳昊玥等（2021）的研究結果基本接近，呈現緩慢上升趨勢。然而，劉莉等（2023）則指出農業碳排放效率的年均增長率為18%，不同的原因可能是其僅以農業總產值作為期望產出的度量標準。因此，需要更全面地考慮農業和林業的碳匯貢獻，以更準確地評估農林業碳排放效率的年均增長率。

（3）本地農林業領域的研發創新對農林業碳排放效率具有負向影響，但對鄰近地區的農林業碳排放效率卻具有顯著的溢出效應。該觀點與雷振丹等（2020）的研究結論存在一定分歧，他們認為農林業技術進步與農林業碳排放效率之間存在一種倒“U”型關系，即技術進步可能在一定程度上提高碳排放效率，但在一定階段后可能產生反效果。然而，本文認為中國農林業研發創新相對于發達國家仍處于較初級的發展階段，因此仍存在大量未開發的潛力。考慮到中國作為“小農大國”的特殊背景，持續增加對農林業研發創新的資金投入和政策支持仍然十分重要。農林業研發創新與農林業碳排放效率之間的關系可能呈現一種倒“U”型非線性模式，這一潛在關聯是當前研究領域的空白，需要在未來的研究中進行深入探討。對農林業研發創新與農林業碳排放效率之間的非線性關系進行更詳盡的探究對于提升我國農林業碳排放效率、有效利用農村自然資源，以及促進鄉村綠色發展具有至關重要的意義。農林業用地的擴大在當地有助于促進農林業碳排放效率，然而，它也在周邊地區引發顯著的虹吸效應。這一觀點與Fu等（2023）的觀點基本一致，即農林業用地作為農林業生產的基本要素，在實現碳中和方面具有至關重要的地位，是農村經濟轉型和綠色發展的核心組成部分。

（4）張哲等（2023）認為提高森林碳匯是我國實現“雙碳”目標的重要舉措，這與本文的觀點基本一致。本文認為只有不斷增加森林面積，才能不斷提高農林業的碳排放效率，進而實現我國的“雙碳”目標。森林碳儲量在全國范圍內呈現遞增趨勢，然而其空間分布卻存在顯著差異（Wang et al.， 2022）。東北、西北和西南地區的森林碳儲量遠高于東部和中部地區，這種差異性與各地區的森林資源天賦、地理位置特征以及社會發展水平和模式息息相關。事實上，區域之間的差異是導致中國森林碳匯區域性異質性的主要因素（Zhang et al.， 2016）。就森林資源天賦而言，不均勻分布是一個顯著特征，吉林擁有全國最高的森林碳儲量密度，其次是西藏、云南和黑龍江。吉林和黑龍江位于東北國有林區，這些地區涵蓋了傳統的東北針葉林和針闊混交林，擁有較為優質的森林資源，覆蓋面積廣闊，森林蓄積量大，因此這些地區的農林業碳排放效率明顯高于全國平均水平。

6.3政策啟示

實現“雙碳”目標對于我國應對氣候變化、保護自然資源以及實現可持續發展具有重要戰略意義。在此背景下秉持低碳經濟理念被認為是未來鄉村振興綠色發展的關鍵途徑。這涉及到將生態保護與經濟增長融合，并確立具有制度性和可持續性的模式，最終形塑嶄新的鄉村綠色發展典范。因此，本文從農林業研發創新、政府監管、農林業碳匯等方面提出3點政策啟示。

（1）政府應建立有效的農林業碳排放與碳匯監測報告體系，促進研發創新中的知識共享與技術傳播，確保新興農林業實踐和技術得到更廣泛的有效應用。首先，從碳排放角度看，政府應關注位于農林業創新前沿的“領頭羊”地區，結合當地創新成果，制定適宜的碳排放效率評價機制，從而消除這些地區在創新初期因碳排放效率降低所可能面臨的顧慮。同時，應實施農林業培訓計劃、建立農村合作社及信息中心，以幫助周邊地區有效運用新技術，提升碳排放效率。其次，從碳匯的視角出發，各地政府應加強政策協調及區域合作，以應對農林業研發創新中的邊界效應。必要時可設立區域合作機構，確保資源和信息的高效流動。綜上所述，這種綜合性策略不僅可以有效提高碳排放效率，還能夠推動農林業的可持續發展。通過政策協調與技術支持，政府及相關機構能夠共同應對農林業面臨的挑戰，實現低碳經濟轉型，并為未來發展奠定堅實基礎。

（2）將農業碳匯和林業碳匯全面納入中國碳排放權交易市場，以提高碳匯價格，使其與歐盟碳匯價格相當，激勵更多的溫室氣體減排行為。地方政府應當鼓勵市級層面先行先試，開發鄉村林草碳匯項目，完善林農和牧民小規模林草資源的價值實現機制。此外，探索生態修復和國土綠化等碳匯產品，將有助于豐富碳市場的產品類型。國家核證自愿碳減排量（China Certified Emission Reduction， CCER）作為減排信用的一種形式，可用于控排企業履約時清繳抵消實際碳排放量。目前，中國已審定公示多個CCER項目，涵蓋了可再生能源、農業碳匯和碳匯造林等領域。將農業碳匯和林業碳匯全面納入中國的碳排放權交易市場，有助于促進溫室氣體減排，支持碳達峰與碳中和的戰略目標。

（3）提高農業和林業的碳匯能力。通過增加森林覆蓋率、擴大林地面積，以及推廣綠色種植和經營管理方式，促進碳匯的積累和保存，從而減少碳排放。采取科學合理的林業用地規劃和管理措施，提高土地利用效率和農林業產出的質量和數量，以減少碳排放。同時，減少農林業化肥的使用量，探索替代資源和生產方式，降低氮肥和磷肥對土壤和環境的負面影響。加強農林業人員培訓和技術支持，提高從業人員的素質和專業能力，以促進農林業的可持續發展和碳排放效率的提升。在推動農林業發展的同時，注重合理規劃和發展城市和鄉村經濟，減少農村勞動力流失，穩定農村人口，從而減少農村的農林業碳排放。同時，要注重城鄉一體化發展，提高城鎮化率，優化資源配置，降低農林業碳排放的溢出效應。

參考文獻

蔡景麗，顧佳艷，陳敏，等. 2000-2020年中國種植業碳排放驅動因素及預測分析[J].環境科學與技術， 2023， 46（2）：159-167.

曹先磊，任云鶴，許騫騫，等.“雙碳”背景下林業碳匯項目經營不確定性對投資者投資門檻的影響——以4省份林業碳匯項目為例[J].中國農業大學學報， 2023， 28（12）：177-193.

陳科屹，林田苗，王建軍，等.天保工程20年對黑龍江大興安嶺國有林區森林碳庫的影響[J].生態環境學報， 2023， 32（6）：1016-1025.

董靜，黃衛平.西方低碳經濟理論的考察與反思——基于馬克思生態思想視角[J].當代經濟研究， 2018（2）：37-45， 97.

付偉，李龍，羅明燦等.省域視角下中國森林碳匯空間外溢效應與影響因素[J].生態學報， 2023， 43（10）：4074-4085.

顧仲陽，劉溫馨.美麗中國不斷鋪展嶄新畫卷[N].人民日報， 2022-11-13（01）.

關曉靜.中國科技統計年鑒[M].北京：中國統計出版社， 2022.

韓金雨，曲建升，徐麗，等.支農財政對農業碳排放強度的空間效應：基于空間杜賓模型的實證分析[J].生態與農村環境學報， 2021， 37（11）：1404-1412.

何韻，費梓萱，葉新建，等.天保工程碳匯價值評估及對“碳中和”的意義研究[J].公共管理學報， 2022， 19（2）：154-163， 176.

姜霞，黃祖輝.經濟新常態下中國林業碳匯潛力分析[J].中國農村經濟， 2016（11）：57-67.

孔蕊，張增信，張鳳英，等.長江流域森林碳儲量的時空變化及其驅動因素分析[J].水土保持研究， 2020， 27（4）：60-66.

雷振丹，陳子真，李萬明.農業技術進步對農業碳排放效率的非線性實證[J].統計與決策， 2020， 36（5）：67-71.

李華，李秀英，王磊，等.“雙碳”目標下肥料行業發展對策——基于2011—2020年碳減排與存在問題的分析[J].中國生態農業學報（中英文）， 2023， 31（2）：206-213.

李彥旻，沈育生，王世航.基于土地利用變化的安徽省陸地碳排放時空特征及效應[J].水土保持學報， 2022， 36（1）：182-188.

劉海燕，鄭爽，孫藝珈，等.基于塞罕壩CCER項目視角的林業碳匯市場發展問題及對策[J].氣候變化研究進展， 2023， 19（3）：381.

劉華軍，石印.中國農業生態效率的空間分異與提升潛力[J].廣東財經大學學報， 2020， 35（6）：51-64.

劉華軍，孫淑惠，李超.環境約束下中國化肥利用效率的空間差異及分布動態演進[J].農業經濟問題， 2019， 476（8）：65-75.

劉莉，陳卓.農業碳排放效率與綠色金融發展水平的耦合協調分析[J].阜陽師范大學學報（自然科學版）， 2023， 40（2）：87-98.

劉云強，邵小彧，劉莎，等.空間視角下綠色技術創新動力解構：政策推進與市場拉動[J].科技進步與對策， 2022， 39（13）：54-64.

劉振偉.努力提高種業知識產權保護法治化水平[EB/OL].中國人大網， （2021-12-28）[2023-09-19]. http：//www.npc.gov.cn/c2/ c30834/202112/t20211228_315660. html.

魯豐先，張艷，秦耀辰，等.中國省級區域碳源匯空間格局研究[J].地理科學進展， 2013， 32（12）：9.

全良，張敏，趙鳳.中國工業綠色全要素生產率及其影響因素研究——基于全局SBM方向性距離函數及SYS-GMM模型[J].生態經濟， 2019， 35（4）：39-46.

全陽，溫艷萍，崔希洙.數字經濟對林業碳匯增量影響及路徑研究——基于有調節的中介效應模型[J].林業經濟， 2023， 45（9）： 23-38.

尚杰，吉雪強，石銳，等.中國農業碳排放效率空間關聯網絡結構及驅動因素研究[J].中國生態農業學報（中英文）， 2022， 30（4）：543？557.

沈月琴，曾程，王成軍，等.碳匯補貼和碳稅政策對林業經濟的影響研究——基于CGE的分析[J].自然資源學報， 2015， 30（4）： 560-568.

譚濤，楊青，任家衛.“兩山”理論背景下海南省農業碳排放效率與農業經濟增長耦合協調研究[J].中國農業資源與區劃， 2024， 45（7）：28-38.

田云，蔡艷蓉.“雙碳”目標下的農業碳問題研究進展及未來展望[J].華中農業大學學報， 2024， 43（3）：75-88.

田云，林子娟.中國省域農業碳排放效率與經濟增長的耦合協調[J].中國人口·資源與環境， 2022， 32（4）：13-22.

田云，張俊飚.中國農業生產凈碳效應分異研究[J].自然資源學報， 2013， 28（8）：1298-1309.

王兵，牛香，宋慶豐.基于全口徑碳匯監測的中國森林碳中和能力分析[J].環境保護， 2021， 49（16）：5.

王辰璇，姚佐文.農業科技投入對農業生態效率的空間效應分析[J].中國生態農業學報（中英文）， 2021， 29（11）：1952-1963.

吳昊玥，黃瀚蛟，何宇，等.中國農業碳排放效率測度、空間溢出與影響因素[J].中國生態農業學報（中英文）， 2021， 29（10）： 1762-1773.

吳磊，杜靜，朱晨高.農業科技創新對農業生態效率影響研究[J].生產力研究， 2022（12）：74-80.

伍楠林.黑龍江省發展森林碳匯貿易實證研究[J].國際貿易問題， 2011（7）：116-123.

謝會強，吳曉迪.城鄉融合對中國農業碳排放效率的影響及其機制[J].資源科學， 2023， 45（1）：48-61.

許騫騫，曹先磊，孫婷，等.中國森林碳匯潛力與增匯成本評估——基于Meta分析方法[J].自然資源學報， 2022， 37（12）：3217-3233.

薛佳敏，徐明崗，張建杰.食物系統碳足跡研究進展[J].中國生態農業學報（中英文）， 2024， 32（2）：196-205.

顏光耀，陳衛洪，錢海慧.農業技術效率對農業碳排放的影響——基于空間溢出效應與門檻效應分析[J].中國生態農業學報（中英文）， 2023， 31（2）：226-240.

楊琳焱，謝會強.農業產業集聚對農業碳排放效率的影響及其空間溢出效應[J].作物研究， 2023， 37（4）：400-404， 421.

楊青林，趙榮欽，趙濤，等.縣域尺度農業碳排放效率與糧食安全的關系[J].中國農業資源與區劃， 2023， 44（2）：156-169.

張娟，陳欽.森林碳匯經濟價值評估研究——以福建省為例[J].西南大學學報（自然科學版）， 2021， 43（5）：121-128.

張穎，李曉格，溫亞利.碳達峰碳中和背景下中國森林碳匯潛力分析研究[J].北京林業大學學報， 2022， 44（1）：10.

張哲，張煜星.世界主要碳排放國家碳達峰和碳匯能力研究[J].林業資源管理， 2023（2）：1-9.

趙寧，周蕾，莊杰，等.中國陸地生態系統碳源/匯整合分析[J].生態學報， 2021， 41（19）：7648-7658.

趙爽，趙丹丹.科技創新效率對農業碳排放效率的影響與作用機制[J].生態經濟， 2023， 39（9）：114-121.

鄭陽陽，羅建利.農業生產效率的碳排放效應：空間溢出與門檻特征[J].北京航空航天大學學報（社會科學版）， 2021， 34（1）： 96-105.

周一凡，李彬，張潤清.縣域尺度下河北省農業碳排放時空演變與影響因素研究[J].中國生態農業學報（中英文）， 2022， 30（4）：570-581.

鄒曉明，王國兵，葛之葳，等.林業碳匯提升的主要原理和途徑[J].南京林業大學學報（自然科學版）， 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.

（責任編輯韓杏容）