農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放的影響*
——基于空間溢出效應(yīng)與門檻效應(yīng)分析

顏光耀, 陳衛(wèi)洪,2, 錢海慧

(1.貴州大學(xué)經(jīng)濟(jì)學(xué)院 貴陽 550000; 2.貴州省丹穴山樸門永續(xù)發(fā)展有限公司 長順 550700)

隨著溫室效應(yīng)的不斷加劇, 由溫室效應(yīng)帶來的氣候變暖在全球范圍內(nèi)引發(fā)了前所未有的極端天氣事件, 因此世界各國開始謀求合作共同應(yīng)對隨之而來的危機(jī), 中國也提出了要在2030年前二氧化碳排放達(dá)到高峰, 力爭在2060年實現(xiàn)碳中和的碳達(dá)峰碳中和(“雙碳”)目標(biāo)[1]。中國是一個農(nóng)業(yè)大國, 種植業(yè)的二氧化碳排放達(dá)到全國二氧化碳排放總量的16%～17%[2], 已經(jīng)成為了不可忽視的重要碳排放源。因此尋找低碳農(nóng)業(yè)的實現(xiàn)路徑, 減少農(nóng)業(yè)碳排放對實現(xiàn)我國的“雙碳”目標(biāo)具有重要意義。而在眾多影響農(nóng)業(yè)碳排放的因素中, 農(nóng)業(yè)技術(shù)已經(jīng)成了促進(jìn)節(jié)能減排不可忽視的重要力量[3]。2022年中央一號文件指出要研發(fā)應(yīng)用減碳增匯型農(nóng)業(yè)技術(shù), 從而在發(fā)展規(guī)劃層面肯定了農(nóng)業(yè)技術(shù)在減少農(nóng)業(yè)碳排放上起到的重要作用。從近代以來人類社會的發(fā)展史來看,技術(shù)進(jìn)步會刺激生產(chǎn)增加能源消耗, 但同時農(nóng)業(yè)技術(shù)進(jìn)步能夠提高能源利用效率, 降低農(nóng)業(yè)碳排放強(qiáng)度[4], “雙碳”目標(biāo)約束下的減排政策也會倒逼農(nóng)業(yè)技術(shù)的進(jìn)步。當(dāng)前中國正處于農(nóng)業(yè)技術(shù)快速進(jìn)步的歷史時期, 各地區(qū)之間的農(nóng)業(yè)技術(shù)水平差距較大, 西部地區(qū)的農(nóng)業(yè)技術(shù)水平仍然有較大的進(jìn)步空間。在此背景下, 為促進(jìn)農(nóng)業(yè)低碳綠色發(fā)展, 實現(xiàn)農(nóng)業(yè)發(fā)展方式的轉(zhuǎn)變, 就必須發(fā)揮農(nóng)業(yè)技術(shù)在其中的關(guān)鍵性作用, 同時也是推動農(nóng)業(yè)高質(zhì)量發(fā)展的必然選擇。

農(nóng)業(yè)碳排放是指在農(nóng)業(yè)生產(chǎn)過程中, 化肥農(nóng)藥的使用、能源的消耗和土地翻耕灌溉過程中直接或間接造成的溫室氣體(主要指二氧化碳)的排放[5]。眾多學(xué)者在農(nóng)業(yè)碳排放相關(guān)領(lǐng)域進(jìn)行了大量研究,如農(nóng)業(yè)碳排放的測算[6-7]和影響農(nóng)業(yè)碳排放的因素[8-9]。當(dāng)前有關(guān)農(nóng)業(yè)技術(shù)與農(nóng)業(yè)碳排放關(guān)系的研究,主要可以分為兩個方面: 一是農(nóng)業(yè)技術(shù)進(jìn)步會顯著增加農(nóng)業(yè)碳排放總量, 這是由于技術(shù)進(jìn)步往往會促進(jìn)經(jīng)濟(jì)增長, 通過投入農(nóng)藥化肥和能源消耗等途徑增加了農(nóng)業(yè)碳排放[10-11]。二是農(nóng)業(yè)技術(shù)進(jìn)步有助于降低農(nóng)業(yè)碳排放強(qiáng)度[4,10,12-13], 這是因為技術(shù)進(jìn)步將改變不同要素之間的邊際替代率, 同時提高了能源要素的利用效率, 進(jìn)而影響農(nóng)業(yè)碳排放強(qiáng)度。

農(nóng)業(yè)全要素生產(chǎn)率(TFP)可被分解為農(nóng)業(yè)技術(shù)進(jìn)步(TC)、農(nóng)業(yè)技術(shù)效率(TEC)、農(nóng)業(yè)規(guī)模效應(yīng)(SEC)和要素重置效應(yīng)(FAEC)[14]。其中, 農(nóng)業(yè)全要素生產(chǎn)率屬于廣義的農(nóng)業(yè)技術(shù)進(jìn)步; 被分解后的農(nóng)業(yè)技術(shù)進(jìn)步屬于狹義的農(nóng)業(yè)技術(shù)進(jìn)步, 是指代表最先進(jìn)生產(chǎn)技術(shù)的生產(chǎn)前沿面整體向外移動, 即采用新技術(shù)使得以同樣的投入組合生產(chǎn)出更多的產(chǎn)出; 農(nóng)業(yè)技術(shù)效率指在現(xiàn)有農(nóng)業(yè)技術(shù)水平下, 協(xié)調(diào)各種農(nóng)業(yè)資源要素, 促使現(xiàn)有的技術(shù)水平潛能更大程度地釋放; 農(nóng)業(yè)規(guī)模效應(yīng)指農(nóng)業(yè)生產(chǎn)規(guī)模的擴(kuò)大帶來的經(jīng)濟(jì)效益的提高; 要素重置效應(yīng)指生產(chǎn)要素在市場供給方之間發(fā)生變動和重新配置[15]?，F(xiàn)有的研究大多從農(nóng)業(yè)技術(shù)進(jìn)步和規(guī)模效應(yīng)的角度探究其與農(nóng)業(yè)碳排放的關(guān)系, 其中農(nóng)業(yè)技術(shù)進(jìn)步的相關(guān)研究有: 李成龍等[14]研究認(rèn)為農(nóng)業(yè)技術(shù)進(jìn)步并不總是有利于減少農(nóng)業(yè)碳排放, 其中機(jī)械型技術(shù)進(jìn)步促進(jìn)了農(nóng)業(yè)碳排放強(qiáng)度的提高, 而生物型技術(shù)進(jìn)步降低了農(nóng)業(yè)碳排放強(qiáng)度。徐清華等[16]研究認(rèn)為農(nóng)業(yè)機(jī)械化降低了本地農(nóng)業(yè)碳排放的同時, 又具有空間負(fù)向溢出效應(yīng)。規(guī)模效應(yīng)的研究有: 李波等[5]通過Kaya恒等式變形對農(nóng)業(yè)碳排放影響因素進(jìn)行分解研究, 結(jié)果表明勞動力規(guī)模對碳排放量有一定的抑制作用, 而農(nóng)業(yè)經(jīng)濟(jì)發(fā)展則會推動農(nóng)業(yè)碳排放。要素重置效應(yīng)涉及各生產(chǎn)部門、產(chǎn)業(yè)組織和生產(chǎn)消費端的要素流動, 其對農(nóng)業(yè)碳排放的影響較為復(fù)雜, 目前少有相關(guān)研究成果, 而對農(nóng)業(yè)技術(shù)效率的研究也僅停留在農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放存在負(fù)脫鉤關(guān)系[17]的研究層次上, 缺少對其影響機(jī)制進(jìn)行進(jìn)一步的實證分析。

綜上所述, 當(dāng)前對農(nóng)業(yè)技術(shù)進(jìn)步與農(nóng)業(yè)碳排放的研究, 一方面大多數(shù)學(xué)者往往局限于廣義的農(nóng)業(yè)技術(shù)進(jìn)步與狹義的農(nóng)業(yè)技術(shù)進(jìn)步對農(nóng)業(yè)碳排放影響研究, 甚至在研究中不能有效地區(qū)分廣義與狹義的技術(shù)進(jìn)步。另一方面缺少農(nóng)業(yè)技術(shù)效率和農(nóng)業(yè)碳排放關(guān)系的深入研究, 使得這一研究領(lǐng)域長期以來處于空白狀態(tài)。因此本文將以空間視角研究分析農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放的影響, 同時構(gòu)建門檻模型以探究二者的非線性關(guān)系, 填補(bǔ)相關(guān)研究的空白, 為政府達(dá)到農(nóng)業(yè)碳排放減排目標(biāo)提供理論依據(jù)和針對性的政策建議。

1 理論分析與研究假設(shè)

本研究選取狹義農(nóng)業(yè)(種植業(yè))作為研究對象。參考李波等[5]、陳軍娟等[17]和何炫蕾等[18]學(xué)者的研究, 將農(nóng)業(yè)碳排放定義為在農(nóng)業(yè)生產(chǎn)過程中產(chǎn)生的碳排放, 農(nóng)業(yè)碳排放強(qiáng)度定義為每萬元農(nóng)業(yè)總產(chǎn)值引起的農(nóng)業(yè)碳排放。當(dāng)前對于農(nóng)業(yè)碳排放影響要素研究基本認(rèn)為農(nóng)業(yè)碳排放具有空間溢出效應(yīng)[19]。基于此, 農(nóng)業(yè)碳排放強(qiáng)度也應(yīng)當(dāng)具有空間溢出效應(yīng), 且其效應(yīng)為正向影響。綜上所述提出如下假設(shè):

假設(shè)1: 農(nóng)業(yè)碳排放強(qiáng)度具有空間溢出效應(yīng), 并表現(xiàn)出正向效應(yīng)。

農(nóng)業(yè)技術(shù)效率指農(nóng)業(yè)現(xiàn)實產(chǎn)出與理論最大可能產(chǎn)量的比率, 其數(shù)值大小反映的是生產(chǎn)者利用現(xiàn)有技術(shù)的有效程度, 取值范圍介于0至1之間, 數(shù)值越大表明農(nóng)業(yè)技術(shù)效率越高[20]。當(dāng)前學(xué)界對于技術(shù)效率的計算大多采用隨機(jī)前沿模型, 例如楊增旭等[21]利用隨機(jī)前沿生產(chǎn)函數(shù)計算了我國小麥(Triticum aestivum)和玉米(Zea mays)化肥施用的技術(shù)效率。汪小勤等[22]運用隨機(jī)前沿模型驗證了農(nóng)業(yè)公共投資能夠促進(jìn)農(nóng)業(yè)技術(shù)效率提升。因此本文對比其他生產(chǎn)函數(shù), 選擇使用隨機(jī)前沿模型計算農(nóng)業(yè)技術(shù)效率。

現(xiàn)有的研究已經(jīng)證明了農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放有高度相關(guān)性[17], 而農(nóng)業(yè)技術(shù)的傳播往往限制較低, 容易形成技術(shù)集聚。高鳴等[23]通過實證研究后發(fā)現(xiàn)農(nóng)業(yè)技術(shù)效率不但不會隨著距離的擴(kuò)大而降低,甚至?xí)ㄟ^規(guī)模效應(yīng)使技術(shù)效率獲得進(jìn)一步提升,證明了農(nóng)業(yè)技術(shù)效率存在空間自相關(guān)。張思麒等[24]研究認(rèn)為“前沿型”技術(shù)進(jìn)步具有正向溢出效應(yīng), “追隨型”技術(shù)進(jìn)步對經(jīng)濟(jì)發(fā)展水平相對落后的地區(qū)產(chǎn)生的貢獻(xiàn)更大?；诖? 提出如下假設(shè):

假設(shè)2: 農(nóng)業(yè)技術(shù)效率具有顯著的空間相關(guān)性,對鄰近省份的農(nóng)業(yè)碳排放具有負(fù)向空間溢出效應(yīng)。

技術(shù)進(jìn)步對農(nóng)業(yè)碳排放的影響并非一成不變,一些學(xué)者的研究指出不同路徑下技術(shù)進(jìn)步對農(nóng)業(yè)碳排放的影響各不相同[13]。同時技術(shù)效率的提升意味著各投入要素間的協(xié)調(diào)得到了優(yōu)化, 而這種協(xié)調(diào)的優(yōu)化并不等同于要素投入的減少, 甚至可能促進(jìn)要素的投入。此外, 楊義武等[25]認(rèn)為農(nóng)業(yè)技術(shù)進(jìn)步與技術(shù)效率同時具有邊際效應(yīng), 邊際效應(yīng)的存在也使得農(nóng)業(yè)技術(shù)效率對碳排放產(chǎn)生非線性影響。Wang[26]認(rèn)為門檻模型能夠有效解決變量間的非線性關(guān)系問題。因此本文采用Hansen[27]提出的面板數(shù)據(jù)門檻回歸模型, 探究農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放強(qiáng)度存在的非線性相關(guān)關(guān)系, 相應(yīng)的假設(shè)如下:

假設(shè)3: 農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放強(qiáng)度具有非線性相關(guān)關(guān)系, 并存在門檻效應(yīng)。

2 研究方法

2.1 變量選取與度量

2.1.1 被解釋變量: 農(nóng)業(yè)碳排放

本文將農(nóng)業(yè)碳排放設(shè)定為農(nóng)業(yè)碳排放強(qiáng)度, 含義為每萬元農(nóng)業(yè)GDP所產(chǎn)生的碳排放量, 為避免價格因素帶來的影響, 本文以2001年為基準(zhǔn)的不變價格種植業(yè)總值表示農(nóng)業(yè)GDP。參考學(xué)者李波等[5]的研究, 農(nóng)業(yè)碳排放主要來源為農(nóng)業(yè)生產(chǎn)活動中化肥、農(nóng)藥和農(nóng)膜的生產(chǎn)與使用、農(nóng)業(yè)機(jī)械的燃料消耗、農(nóng)地翻耕和農(nóng)業(yè)灌溉導(dǎo)致的土壤有機(jī)碳流失。據(jù)此可構(gòu)建農(nóng)業(yè)碳排放計算公式如下所示:

式中:C為農(nóng)業(yè)碳排放總量;Ci為對應(yīng)碳源的農(nóng)業(yè)碳排放量;Ti為對應(yīng)碳排放源的量;δi為對應(yīng)碳源的碳排放系數(shù), 其具體數(shù)值如表1所示。

表 1 各類農(nóng)業(yè)碳排放源的碳排放系數(shù)及其來源Table 1 Carbon emission coefficient of each carbon source of agriculture and its reference source

因各地區(qū)農(nóng)業(yè)規(guī)模存在較大差異性, 僅以農(nóng)業(yè)碳排放總量衡量地區(qū)農(nóng)業(yè)碳排放水平缺少說服力,而農(nóng)業(yè)碳排放與農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平密不可分, 因此本文選擇將農(nóng)業(yè)碳排放強(qiáng)度作為被解釋變量。其計算公式為:

式中:i為省份,t為時間,Cit為農(nóng)業(yè)碳排放總量, CIit為農(nóng)業(yè)碳排放強(qiáng)度, GCPit為不變價格的種植業(yè)總產(chǎn)值。

2.1.2 解釋變量: 農(nóng)業(yè)技術(shù)效率

與要求技術(shù)中性、規(guī)模報酬不變的傳統(tǒng)柯布-道格拉斯(C-D)生產(chǎn)函數(shù)和不變替代彈性生產(chǎn)函數(shù)(CES)不同, 超越對數(shù)生產(chǎn)函數(shù)允許各投入要素之間的替代彈性是可變的, 并能反映出投入要素的交叉效應(yīng)對產(chǎn)出變量的影響[32]。因此本文通過構(gòu)建超越對數(shù)生產(chǎn)函數(shù)的隨機(jī)前沿模型計算各地區(qū)歷年農(nóng)業(yè)技術(shù)效率。借鑒白俊紅等[33]和李成龍等[14]的模型構(gòu)建思路, 構(gòu)建具體的模型如下:

式中:i為省份;t為時間;Yit為農(nóng)業(yè)總產(chǎn)出, 本文以不變價格的種植業(yè)總產(chǎn)值表示(億元);xnit、xmit分別為第n個投入量和第m個投入量, 本文選取的投入要素為第一產(chǎn)業(yè)從業(yè)人員數(shù)(萬人)、農(nóng)作物播種總面積(hm2)、農(nóng)業(yè)機(jī)械總動力(萬kW)、化肥施用量(萬t);T表示技術(shù)效率變化的時間趨勢;α表示各參數(shù)系數(shù);vit表示隨機(jī)誤差項;μit代表技術(shù)無效因素,二者互相獨立并服從正態(tài)分布。基于此, 農(nóng)業(yè)技術(shù)效率的計算公式為:

式中: ATEit為農(nóng)業(yè)技術(shù)效率, 取值范圍為0＜ATEit≤1, 數(shù)值越大表明農(nóng)業(yè)技術(shù)效率越高。

2.1.3 控制變量

參照現(xiàn)有文獻(xiàn)[5,8-9,11,14,16,19], 總結(jié)歸納影響農(nóng)業(yè)碳排放的影響因素, 將農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平、人力資本水平、農(nóng)業(yè)受災(zāi)程度和人均耕地面積等4個變量設(shè)置為控制變量。為了更貼近農(nóng)村勞動力現(xiàn)實情況,本文選取各省份農(nóng)村地區(qū)初中及其以上學(xué)歷人數(shù)與農(nóng)村地區(qū)6歲以上總?cè)藬?shù)的比率作為衡量人力資本水平的指標(biāo)。

2.2 數(shù)據(jù)說明及描述性統(tǒng)計

考慮到數(shù)據(jù)的可獲得性與實際情況, 本文以港澳臺地區(qū)以外, 中國31個省、直轄市和自治區(qū)2001-2020年共20年的面板數(shù)據(jù)作為分析樣本, 相關(guān)統(tǒng)計數(shù)據(jù)來源于《中國統(tǒng)計年鑒》《中國農(nóng)村統(tǒng)計年鑒》《中國人口統(tǒng)計年鑒》《中國人口與就業(yè)統(tǒng)計年鑒》和各省(直轄市、自治區(qū))統(tǒng)計年鑒, 在不影響結(jié)果的前提下對極少部分缺失數(shù)據(jù)使用插值法補(bǔ)齊, 總結(jié)歸納各變量設(shè)定及描述性統(tǒng)計情況如表2所示。

表 2 農(nóng)業(yè)碳排放研究相關(guān)變量說明及描述性統(tǒng)計Table 2 Description and descriptive statistics of related variables of agricultural carbon emission research

2.3 模型建立

2.3.1 空間自相關(guān)檢驗

對變量的空間相關(guān)性分析, 首先必須明確變量是否存在空間效應(yīng), 而檢驗空間效應(yīng)最常用的方法是計算Moran’sI指數(shù)。因此構(gòu)建全局Moran’sI指數(shù)模型, 對農(nóng)業(yè)碳排放強(qiáng)度和農(nóng)業(yè)技術(shù)效率的空間自相關(guān)性進(jìn)行檢驗。公式如下:

式中:I為全局Moran’sI指數(shù);n為選取省份的個數(shù),本文n=31;xi、xj為i省份和j省份的農(nóng)業(yè)碳排放強(qiáng)度和農(nóng)業(yè)技術(shù)效率;為樣本平均值;wij為鄰接空間權(quán)重矩陣, 當(dāng)i與j不相鄰時設(shè)置為0, 反之則為1。全局Moran’sI指數(shù)服從正態(tài)分布, 其取值范圍為[-1, 1], 當(dāng)Moran’sI指數(shù)為0時, 說明變量間不存在空間相關(guān)性; 當(dāng)Moran’sI指數(shù)大于0時, 說明變量間存在空間正相關(guān)性; 當(dāng)Moran’sI指數(shù)小于0時, 說明變量間存在空間負(fù)相關(guān)性; Moran’sI指數(shù)的絕對值越大, 說明其相關(guān)性越強(qiáng)。

2.3.2 空間面板回歸模型

式中:τ、ρ、β均為系數(shù);yi,t-1為被解釋變量的一階滯后;w′iXtδ 為解釋變量的空間滯后;w′i為空間權(quán)重矩陣W的第i行; γt為時間效應(yīng);為擾動項空間權(quán)重矩陣M的第i行;ui為區(qū)域i的個體效應(yīng);εit為殘差;εt為空間滯后誤差項;vit為隨機(jī)誤差項。

為考慮不同情況下農(nóng)業(yè)碳排放空間溢出效應(yīng)的差異性, 本文構(gòu)建3種空間權(quán)重矩陣, 其具體含義如下所示:

式中:d為地區(qū)i與j的距離, 本文將各省省會之間的距離作為衡量距離的指標(biāo)。

空間面板回歸模型的具體形式一般根據(jù)LM檢驗、LR檢驗、Wald檢驗和Hausman檢驗的結(jié)果來確定。其中, Hausman檢驗用于確定模型使用固定效應(yīng)或隨機(jī)效應(yīng), 本文Hausman檢驗的原假設(shè)為“支持模型使用隨機(jī)效應(yīng)”; LM檢驗用于確定模型是否存在空間自相關(guān)性, 其原假設(shè)為“模型不存在空間自相關(guān)”; LR檢驗與Wald檢驗用于確定模型是否使用空間誤差模型(SEM)或空間滯后模型(SLM), 其原假設(shè)為“空間杜賓模型(SDM)不能簡化為空間誤差模型或空間滯后模型”。

根據(jù)以上檢驗結(jié)果, 對公式(6)進(jìn)行改進(jìn)補(bǔ)充。如果模型為空間杜賓模型, 則λ=0; 若模型為空間滯后模型, 則λ=0且δ=0; 若模型為空間誤差模型, 則τ=ρ=0且δ=0。

2.3.3 門檻回歸模型

效率的提升并不代表投入要素的減少, 甚至可能促進(jìn)要素的投入, 此外技術(shù)效率具有邊際效應(yīng), 因而農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放的影響可能是非線性的。綜上所述, 本文參考Hansen[27]的面板回歸模型,依照本文理論分析中的研究假設(shè), 將農(nóng)業(yè)碳排放強(qiáng)度(Carbon I)作為被解釋變量, 農(nóng)業(yè)技術(shù)效率(ATE)同時作為門檻變量和核心解釋變量, 構(gòu)建門檻回歸模型, 公式如(10)所示:

式中:θ1,θ2, · ··,θn表示n個不同水平的門檻值; Control表示控制變量;D(·)為指標(biāo)函數(shù);μit為隨機(jī)擾動項。

3 結(jié)果與分析

3.1 農(nóng)業(yè)碳排放變化規(guī)律

依據(jù)公式(1)、(2), 按照國家統(tǒng)計局關(guān)于東中西部的劃分, 將北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東和海南劃分為東部地區(qū), 山西、吉林、黑龍江、安徽、江西、河南、湖北和湖南為中部地區(qū), 內(nèi)蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏和新疆為西部地區(qū), 計算2001-2020年中國不同地區(qū)農(nóng)業(yè)碳排放總量和農(nóng)業(yè)碳排放強(qiáng)度, 所得農(nóng)業(yè)碳排放總量和農(nóng)業(yè)碳排放強(qiáng)度分區(qū)域趨勢變化圖如圖1所示。

圖 1 2001—2020年中國不同地區(qū)農(nóng)業(yè)碳排放總量(a)和農(nóng)業(yè)碳排放強(qiáng)度(b)Fig.1 Total amount (a) and intensity (b) of agricultural carbon emissions in different regions of China from 2001 to 2020

從圖1可以看出, 2001-2020年各地區(qū)農(nóng)業(yè)碳排放總量表現(xiàn)為上升趨勢, 但自2015年以后有所降低, 而農(nóng)業(yè)碳排放強(qiáng)度則一直保持下降趨勢。分區(qū)域來看, 中部地區(qū)的農(nóng)業(yè)碳排放總量高于東部與西部, 這是因為中部地區(qū)包括河南、黑龍江、吉林在內(nèi)均為農(nóng)業(yè)大省, 拉高了農(nóng)業(yè)碳排放總量。農(nóng)業(yè)碳排放強(qiáng)度則是東部地區(qū)低于中西部地區(qū), 這主要是因為東部地區(qū)農(nóng)業(yè)技術(shù)水平、城鎮(zhèn)化率等顯著降低農(nóng)業(yè)碳排放強(qiáng)度的指標(biāo)優(yōu)于中西部地區(qū)。以2020年為例, 農(nóng)業(yè)碳排放總量(萬t)最高的10個省(直轄市、自治區(qū))為河南(1237.51)、山東(961.28)、黑龍江(828.12)、安徽(683.90)、河北(681.71)、江蘇(648.55)、新疆(624.42)、四川(613.10)、湖北(608.25)和湖南(589.34)。農(nóng)業(yè)碳排放強(qiáng)度(t·萬元-1)最高的10個省(直轄市、自治區(qū))為內(nèi)蒙古(0.48)、吉林(0.44)、安徽(0.34)、新疆(0.31)、寧夏(0.31)、山西(0.30)、甘肅(0.27)、上海(0.25)、青海(0.25)和黑龍江(0.25)。

圖 2 2001—2020年中國不同地區(qū)農(nóng)業(yè)技術(shù)效率Fig.2 Agricultural technical efficiencies in different regions of China from 2001 to 2020

結(jié)合以上數(shù)據(jù)可知, 以農(nóng)作物播種總面積衡量的農(nóng)業(yè)大省所產(chǎn)生的農(nóng)業(yè)碳排放總量相對較高, 中部地區(qū)的碳排放總量較高, 西部地區(qū)的農(nóng)業(yè)碳排放強(qiáng)度較高。中國地域廣大, 幅員遼闊, 各地區(qū)的農(nóng)業(yè)生產(chǎn)要素稟賦各不相同, 是造成這些差異的主要原因。因此各地區(qū)應(yīng)當(dāng)依據(jù)自己的農(nóng)業(yè)發(fā)展情況, 實事求是地制定合理的碳減排目標(biāo)。

3.2 農(nóng)業(yè)技術(shù)效率變化規(guī)律

構(gòu)建超越對數(shù)生產(chǎn)函數(shù), 依據(jù)公式(3)和(4)計算歷年各區(qū)域農(nóng)業(yè)技術(shù)效率, 結(jié)果如圖2所示。由圖2結(jié)果可知, 2001-2020年各地區(qū)農(nóng)業(yè)技術(shù)效率水平不斷提高, 東部地區(qū)農(nóng)業(yè)技術(shù)效率顯著高于中西部地區(qū), 而中部地區(qū)僅略微高于西部地區(qū), 且二者均低于全國平均水平。分省市來看, 20年平均農(nóng)業(yè)技術(shù)效率高于全國平均水平(0.186)的省市從大到小依次為: 北京(0.381)、上海(0.286)、浙江(0.280)、天津(0.238)、福建(0.231)、廣東(0.224)、遼寧(0.223)、海南(0.223)、山東(0.211)、河北(0.206)和江蘇(0.196); 低于全國平均水平從小到大依次為: 內(nèi)蒙古(0.124)、安徽(0.129)、寧夏(0.137)、青海(0.137)、貴州(0.139)、山西(0.141)、云南(0.141)、江西(0.152)、廣西(0.155)、湖北(0.155)、黑龍江(0.156)、陜西(0.157)、重慶(0.157)、甘肅(0.162)、河南(0.164)、四川(0.168)、吉林(0.169)、湖南(0.175)、西藏(0.78)和新疆(0.180)。

對比分析各地區(qū)農(nóng)業(yè)技術(shù)效率差異可知, 東部沿海省市的農(nóng)業(yè)技術(shù)水平遠(yuǎn)高于內(nèi)陸省份。與此同時, 隨著農(nóng)村勞動力轉(zhuǎn)移進(jìn)城, 中西部地區(qū)農(nóng)業(yè)生產(chǎn)水平卻依舊維持在較低水平, 而未來中國的農(nóng)業(yè)發(fā)展方式也要從過去的粗放式低效益轉(zhuǎn)變?yōu)楫a(chǎn)業(yè)化、生態(tài)化、國際化和地區(qū)化。在這樣的背景下, 中西部地區(qū)要積極學(xué)習(xí)借鑒東部沿海省市的發(fā)展經(jīng)驗,引進(jìn)新型農(nóng)業(yè)機(jī)械和信息化管理技術(shù), 才能從根本上解決當(dāng)前農(nóng)業(yè)發(fā)展中存在的問題?？紤]到北京、上海、天津第一產(chǎn)業(yè)產(chǎn)值分別位列全國各省(直轄市、自治區(qū))倒數(shù)第2、第1和第4, 浙江省在提高農(nóng)業(yè)技術(shù)效率上的經(jīng)驗更具有參考價值, 值得其他各省市學(xué)習(xí)。

3.3 農(nóng)業(yè)碳排放與農(nóng)業(yè)技術(shù)效率的空間自相關(guān)性檢驗結(jié)果分析

基于空間面板數(shù)據(jù), 利用Stata 16軟件參照公式(5)計算2001-2020年農(nóng)業(yè)碳排放強(qiáng)度與農(nóng)業(yè)技術(shù)效率的全局Moran’sI指數(shù)和2020年農(nóng)業(yè)碳排放強(qiáng)度與農(nóng)業(yè)技術(shù)效率的局部Moran’sI指數(shù), 結(jié)果分別如表3和圖3所示。

由表3可知, 2001-2020年農(nóng)業(yè)碳排放強(qiáng)度與農(nóng)業(yè)技術(shù)效率的全局Moran’sI指數(shù)均為正, 且通過P＜0.05顯著性檢驗, 說明農(nóng)業(yè)碳排放強(qiáng)度與農(nóng)業(yè)技術(shù)效率存在顯著空間相關(guān)性并表現(xiàn)出集聚的特征。從時間變化來看, 農(nóng)業(yè)碳排放強(qiáng)度的Moran’sI值隨著時間推移表現(xiàn)為上下波動后上升, 說明農(nóng)業(yè)碳排放強(qiáng)度的聚集程度呈增強(qiáng)趨勢; 農(nóng)業(yè)技術(shù)效率的Moran’sI值隨著時間推移表現(xiàn)持續(xù)升高趨勢, 說明農(nóng)業(yè)技術(shù)效率的聚集程度在逐漸增強(qiáng)。

Moran’sI散點圖可形象表現(xiàn)地區(qū)間的空間相關(guān)性, 其含義為第1象限內(nèi)的省份農(nóng)業(yè)碳排放強(qiáng)度或農(nóng)業(yè)技術(shù)效率較高, 形成了高高集聚; 第2象限內(nèi)的省份自身水平較低而周邊水平較高, 形成了低高聚集; 第3象限內(nèi)的省份自身水平較高而周邊水平較低, 形成了高低聚集; 第4象限內(nèi)的省份自身水平較低的同時周邊水平同樣較低, 形成了低低聚集。從結(jié)果來看, 農(nóng)業(yè)碳排放強(qiáng)度形成高高聚集的省份共有10個, 低高聚集的有5個, 高低聚集的有4個, 低低聚集的有12個, 主要以高高聚集和低低聚集為主;農(nóng)業(yè)技術(shù)效率形成高高聚集的有9個, 低高聚集的有2個, 高低聚集的有2個, 低低聚集的有18個, 同樣以高高聚集和低低聚集為主。

圖 3 2020年農(nóng)業(yè)碳排放強(qiáng)度(a)與農(nóng)業(yè)技術(shù)效率(b) Moran’s I散點圖Fig.3 Moran’s I scatter diagrams of agricultural carbon emission intensity and agricultural technical efficiency in 2020

表 3 2001—2020年農(nóng)業(yè)碳排放強(qiáng)度和農(nóng)業(yè)技術(shù)效率的全局Moran’s I指數(shù)及檢驗Table 3 Moran’s I indexes and test of agricultural carbon emission intensity and agricultural technical efficiency from 2001 to 2020

上述結(jié)果表明, 農(nóng)業(yè)碳排放強(qiáng)度與農(nóng)業(yè)技術(shù)效率顯著存在空間相關(guān)性, 聚集類型均以高高聚集和低低聚集為主。根據(jù)上文空間面板數(shù)據(jù)模型構(gòu)建的前提條件, 本文將進(jìn)一步對農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放的空間溢出效應(yīng)進(jìn)行檢驗分析。

3.4 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的空間面板回歸模型選擇

根據(jù)空間自相關(guān)檢驗的結(jié)果, 農(nóng)業(yè)碳排放強(qiáng)度與農(nóng)業(yè)技術(shù)效率的全局Moran’sI指數(shù)顯著且不等于0, 說明變量存在空間相關(guān)性, 可以對其進(jìn)行進(jìn)一步分析, 確定其所使用的空間面板回歸模型。分別對3種空間權(quán)重矩陣的空間面板回歸模型進(jìn)行LM檢驗、LR檢驗、Wald檢驗和Hausman檢驗, 所得結(jié)果如表4所示。

由表4可知, 鄰接空間矩陣、地理距離矩陣和經(jīng)濟(jì)距離矩陣的空間面板模型均通過LM檢驗拒絕原假設(shè), 表明模型存在空間交互效應(yīng), 且空間誤差模型顯著水平優(yōu)于空間滯后模型; LR檢驗與Wald檢驗結(jié)果均表明拒絕原假設(shè), 應(yīng)將模型設(shè)置為空間杜賓模型; Hausman檢驗與擬合度分析結(jié)果表明應(yīng)選擇個體固定效應(yīng)模型。

綜上所述, 根據(jù)LM檢驗、LR檢驗和Hausman檢驗結(jié)果, 確定3種空間權(quán)重矩陣的空間面板模型均為個體固定效應(yīng)的空間杜賓模型, 構(gòu)建模型公式如下所示:

式中:i為省份;t為時間;ρ為空間回歸相關(guān)系數(shù), 表示相鄰地區(qū)的被解釋變量對本地區(qū)被解釋變量的影響;β1～β6表示本地區(qū)解釋變量對本地區(qū)被解釋變量的影響程度;θ1～θ6表示相鄰地區(qū)解釋變量對本地區(qū)被解釋變量的影響程度;Wj為空間權(quán)重矩陣,j=1,2,3,分別表示鄰接空間矩陣、地理距離矩陣和經(jīng)濟(jì)距離矩陣; Acarbon為被解釋變量; ATE、Urban、Ey、Edu、Disaster、Area為解釋變量, 具體意義見表2;μi為i地區(qū)的個體效應(yīng);εit為隨機(jī)誤差項。

3.5 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的空間杜賓模型回歸結(jié)果分析

將3種矩陣的模型均設(shè)置為個體固定效應(yīng)的空間杜賓模型, 使用Stata 16軟件對其分別進(jìn)行回歸分析, 所得結(jié)果分別如表5、表6和表7所示。

表5、表6和表7的結(jié)果表明, 3種空間權(quán)重矩陣在個體固定效應(yīng)空間杜賓模型下, 農(nóng)業(yè)碳排放強(qiáng)度空間自回歸項rho的系數(shù)為正, 且均通過了1%顯著性檢驗, 說明農(nóng)業(yè)碳排放強(qiáng)度具有正向的空間溢出效應(yīng), 本省農(nóng)業(yè)碳排放強(qiáng)度的提高會促進(jìn)鄰省的農(nóng)業(yè)碳排放強(qiáng)度的上升, 據(jù)此假設(shè)1得到驗證。此外, 根據(jù)LeSage等[34]的研究, 若被解釋變量的空間自相關(guān)rho系數(shù)顯著且不為0, 則不能直接使用空間矩陣估計系數(shù)Wx的回歸系數(shù)衡量解釋變量對被解釋變量的空間溢出效應(yīng), 應(yīng)當(dāng)使用偏微分法得到解釋變量的無偏估計結(jié)果, 即直接效應(yīng)、間接效應(yīng)和總效應(yīng)。

表 4 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度空間面板回歸模型的LM檢驗、LR檢驗、Wald檢驗和Hausman檢驗結(jié)果Table 4 Results of LM test, LR test, Wald test and Hausman test of the spatial panel regression model of agricultural technical efficiency to agricultural carbon emission intensity

表 5 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的鄰接空間矩陣空間杜賓模型回歸結(jié)果及效應(yīng)分解Table 5 Regression results and effect decomposition of the adjacency space matrix spatial Durbin model of agricultural technical efficiency to agricultural carbon emission intensity

1)農(nóng)業(yè)技術(shù)效率。農(nóng)業(yè)技術(shù)效率在3個空間權(quán)重矩陣模型中, 直接效應(yīng)均表現(xiàn)為顯著正向影響, 間接效應(yīng)和總效應(yīng)則表現(xiàn)為顯著負(fù)向影響。農(nóng)業(yè)技術(shù)效率的提高會刺激農(nóng)業(yè)要素的投入, 此時每一單位的要素投入將會帶來更多的農(nóng)業(yè)產(chǎn)出, 表現(xiàn)為邊際效應(yīng)遞增。而農(nóng)業(yè)碳排放也將隨著農(nóng)業(yè)產(chǎn)量的提升而增大, 因此農(nóng)業(yè)技術(shù)效率的提升將促進(jìn)農(nóng)業(yè)碳排放。而間接效應(yīng)為負(fù), 則證明了農(nóng)業(yè)技術(shù)具有“示范效應(yīng)”, 鄰近省份學(xué)習(xí)先進(jìn)的農(nóng)業(yè)技術(shù), 可以有效降低該省的農(nóng)業(yè)碳排放強(qiáng)度, 并且從總效應(yīng)結(jié)果上看,農(nóng)業(yè)技術(shù)效率的提高歸根結(jié)底有利于抑制農(nóng)業(yè)碳排放, 據(jù)此假設(shè)2得到驗證。

2)城鎮(zhèn)化。城鎮(zhèn)化在3個空間權(quán)重矩陣模型中,直接效應(yīng)和總效應(yīng)表現(xiàn)為顯著負(fù)向影響, 間接效應(yīng)未表現(xiàn)出顯著性。就業(yè)城鎮(zhèn)化的含義是農(nóng)村地區(qū)的人口轉(zhuǎn)移至城鎮(zhèn)就業(yè)從而實現(xiàn)的城鎮(zhèn)化, 就業(yè)人口的城鎮(zhèn)化促進(jìn)了農(nóng)業(yè)要素投入的集約化, 從而降低了農(nóng)業(yè)碳排放強(qiáng)度。因此, 提高就業(yè)城鎮(zhèn)化率, 能夠降低農(nóng)業(yè)碳排放強(qiáng)度。

3)農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平。農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平在3個空間權(quán)重矩陣模型中, 直接效應(yīng)表現(xiàn)為顯著負(fù)向影響, 而間接效應(yīng)和總效應(yīng)則表現(xiàn)為顯著正向影響。農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平的提升意味著要素投入減少的同時反而有更多的產(chǎn)出, 這意味著同等產(chǎn)出水平下所投入的要素量減少了, 這使得農(nóng)業(yè)碳排放也降低了。然而本地區(qū)農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平的提高并不能降低相鄰地區(qū)農(nóng)業(yè)碳排放強(qiáng)度, 這可能是因為存在“擠出”效應(yīng), 農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平較高的地區(qū)占據(jù)了較多的“低碳資源”, 使得鄰近地區(qū)在降低農(nóng)業(yè)碳排放強(qiáng)度上不具有相對優(yōu)勢?？傮w上看, 農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平對農(nóng)業(yè)碳排放強(qiáng)度有促進(jìn)作用。

4)人力資本水平。人力資本水平在3個空間權(quán)重矩陣模型中, 間接效應(yīng)和總效應(yīng)表現(xiàn)為顯著負(fù)向影響, 直接效應(yīng)則未表現(xiàn)出一致影響方向?？偟膩砜? 人力資本水平的提升意味著勞動力素質(zhì)的提升,農(nóng)業(yè)勞動者將更善于利用先進(jìn)的農(nóng)業(yè)生產(chǎn)技術(shù)與管理手段, 促使農(nóng)業(yè)生產(chǎn)在更低的要素投入下?lián)碛懈叩漠a(chǎn)量, 節(jié)約了能源消耗, 促進(jìn)了農(nóng)業(yè)碳排放強(qiáng)度降低。此外, 鄰近地區(qū)的農(nóng)業(yè)從業(yè)人員也通過學(xué)習(xí)先進(jìn)技術(shù), 使人力資本水平對鄰省農(nóng)業(yè)碳排放強(qiáng)度具有負(fù)向的空間溢出效應(yīng)。因此, 人力資本水平越高, 農(nóng)業(yè)碳排放強(qiáng)度越低。

5)農(nóng)業(yè)受災(zāi)程度。農(nóng)業(yè)受災(zāi)程度在3個空間權(quán)重矩陣模型中, 直接效應(yīng)、間接效應(yīng)和總效應(yīng)均表現(xiàn)為正向影響。農(nóng)業(yè)耕作受到破壞后, 將在短時間內(nèi)投入大量要素對其進(jìn)行重建, 從而大幅度提高碳排放, 因此其對農(nóng)業(yè)碳排放強(qiáng)度的影響為正, 而農(nóng)業(yè)災(zāi)害具有規(guī)模范圍性, 往往連片出現(xiàn), 因此表現(xiàn)出正向空間溢出效應(yīng)。總體而言, 農(nóng)業(yè)受災(zāi)程度越深, 農(nóng)業(yè)碳排放強(qiáng)度越高。

表 6 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的地理距離矩陣空間杜賓模型回歸結(jié)果及效應(yīng)分解Table 6 Geographical distance matrix spatial Durbin model regression results and effect decomposition of agricultural technical efficiency to agricultural carbon emission intensity

表 7 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的經(jīng)濟(jì)距離矩陣空間杜賓模型回歸結(jié)果及效應(yīng)分解Table 7 Economic distance matrix spatial Durbin model regression results and effect decomposition of agricultural technical efficiency on agricultural carbon emission intensity

6)人均耕地面積。人均耕地面積在3個空間權(quán)重矩陣模型中, 直接效應(yīng)均表現(xiàn)為顯著正向, 地理距離矩陣的間接效應(yīng)與總效應(yīng)表現(xiàn)為正向但未顯著,鄰接空間矩陣與經(jīng)濟(jì)距離矩陣的間接效應(yīng)與總效應(yīng)表現(xiàn)為顯著負(fù)向。人均耕地面積的提升意味著農(nóng)業(yè)耕地面積、能源消耗和農(nóng)資消耗的增加, 從而促進(jìn)了本地區(qū)農(nóng)業(yè)碳排放強(qiáng)度的增加, 而本地區(qū)人均耕地面積的增加使得相鄰地區(qū)的農(nóng)業(yè)要素被大量轉(zhuǎn)移,使得相鄰地區(qū)的農(nóng)業(yè)碳排放有所降低。從整體來看,人均耕地面積的增加能夠降低農(nóng)業(yè)碳排放強(qiáng)度。

3.6 農(nóng)業(yè)碳排放研究中變量的多重共線性檢驗

為了避免變量間存在影響研究結(jié)果的嚴(yán)重多重共線性, 本文使用Pearson相關(guān)系數(shù)法和VIF檢驗對其進(jìn)行多重共線性檢驗, 結(jié)果如表8所示。

表 8 農(nóng)業(yè)碳排放研究中變量的Pearson相關(guān)系數(shù)及VIF檢驗結(jié)果Table 8 Pearson correlation coefficient and VIF test results of variables in the study of agricultural carbon emissions

模型中可能存在嚴(yán)重多重共線性的Pearson相關(guān)系數(shù)上限值為0.7[35], 而本文回歸模型變量的Pearson相關(guān)系數(shù)絕對值均小于0.6。此外, 方差膨脹因子(VIF)判斷是否存在多重共線性的標(biāo)準(zhǔn)為: 1)VIF的最大值小于10; 2)VIF的均值大于1。本文VIF檢驗結(jié)果顯示, 變量中VIF最大值為2.66＜10, VIF平均值為1.81＞1, 滿足不存在嚴(yán)重多重共線性的兩個條件。綜上所述, 本文各變量間不存在嚴(yán)重多重共線性。

3.7 農(nóng)業(yè)碳排放研究中變量的單位根檢驗與協(xié)整檢驗

針對模型回歸中可能出現(xiàn)的偽回歸, 參考郭慶旺等[36]的方法, 對各變量進(jìn)行單位根檢驗和協(xié)整檢驗。面板數(shù)據(jù)單位根檢驗根據(jù)面板數(shù)據(jù)的特征共有5種檢驗方法, 鑒于本文所使用的面板數(shù)據(jù)為短面板數(shù)據(jù), 應(yīng)當(dāng)使用HT檢驗和IPS檢驗, 本文額外使用LLC檢驗意在提高檢驗結(jié)果的可靠性, 所得單位根檢驗結(jié)果如表9所示。

根據(jù)表9結(jié)果, 各變量均通過了單位根檢驗, 表現(xiàn)出變量的平穩(wěn)性, 但因?qū)Σ糠肿兞窟M(jìn)行了一階和二階差分處理, 而在原始模型中本文仍舊使用原序列進(jìn)行回歸, 因此需對面板數(shù)據(jù)模型進(jìn)行協(xié)整檢驗,所得結(jié)果如表10所示。協(xié)整檢驗結(jié)果顯示Pedroni檢驗、Kao檢驗和Westerlund檢驗均高度顯著通過協(xié)整檢驗。綜合單位根檢驗和協(xié)整檢驗結(jié)果, 說明變量存在長期均衡關(guān)系, 不存在偽回歸情況。

表 9 農(nóng)業(yè)碳排放研究中變量的單位根檢驗結(jié)果Table 9 Results of unit root tests for variables in agricultural carbon emissions research

表 10 農(nóng)業(yè)碳排放研究中變量的協(xié)整檢驗結(jié)果Table 10 Cointegration test results of the variables in the study of agricultural carbon emissions

3.8 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的門檻效應(yīng)檢驗

在門檻效應(yīng)回歸前應(yīng)對其進(jìn)行Hausman檢驗,在固定效應(yīng)和隨機(jī)效應(yīng)之間做出選擇, 結(jié)果表明固定效應(yīng)更適合本模型。因此使用固定效應(yīng)模型進(jìn)行門檻效應(yīng)檢驗, 確定門檻個數(shù)和門檻效應(yīng)是否存在,在stata16中輸入門檻指令, 并使用Bootstrap反復(fù)抽樣300次, 所得檢驗結(jié)果如表11所示。

表 11 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的門檻效應(yīng)檢驗結(jié)果Table 11 Test results of threshold effect of agricultural technical efficiency on agricultural carbon emission intensity

門檻效應(yīng)檢驗結(jié)果顯示模型通過單一門檻和雙重門檻檢驗, 未通過三重門檻檢驗, 表明農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放強(qiáng)度存在雙重門檻效應(yīng)。

3.9 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的門檻模型估計結(jié)果分析

根據(jù)門檻效應(yīng)檢驗結(jié)果可知, 回歸模型為雙重門檻模型, 據(jù)此將公式(10)設(shè)置為雙門檻, 并對面板數(shù)據(jù)進(jìn)行門檻回歸, 所得結(jié)果如表12所示。

門檻模型的回歸結(jié)果表明, 當(dāng)農(nóng)業(yè)技術(shù)效率(ATE)低于第一門檻值0.0746時, 農(nóng)業(yè)技術(shù)效率的系數(shù)估計值為0.496, 這說明農(nóng)業(yè)技術(shù)效率的提升能夠提高農(nóng)業(yè)碳排放強(qiáng)度, 但此時結(jié)果并不顯著; 當(dāng)農(nóng)業(yè)技術(shù)效率水平介于0.0746和0.2590之間時, 此時的系數(shù)估計值為-2.122, 這說明當(dāng)農(nóng)業(yè)技術(shù)效率越過拐點后, 其對農(nóng)業(yè)碳排放強(qiáng)度的影響將轉(zhuǎn)變?yōu)樨?fù)向; 當(dāng)農(nóng)業(yè)技術(shù)效率提高到0.2590以上時, 系數(shù)估計值會降低到-1.538, 說明農(nóng)業(yè)技術(shù)效率達(dá)到轉(zhuǎn)變?yōu)檫呺H效益遞減的臨界值后, 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放仍然有減排作用, 但其影響力已經(jīng)不如上一個門檻階段, 據(jù)此假設(shè)3得到驗證。

以門檻值作為分類標(biāo)準(zhǔn), 將2015年31個省、直轄市和自治區(qū)(港澳臺地區(qū)以外)農(nóng)業(yè)技術(shù)效率進(jìn)行分類, 所得結(jié)果如表13所示。分類結(jié)果顯示, 技術(shù)效率較高(ATE＞0.2590)的地區(qū)均為東部沿海地區(qū), 中國各省均跨過了第一階段門檻區(qū)間, 進(jìn)入到農(nóng)業(yè)技術(shù)效率有效促進(jìn)農(nóng)業(yè)碳減排的發(fā)展區(qū)間。

綜上所述, 農(nóng)業(yè)技術(shù)效率的提升會促進(jìn)農(nóng)業(yè)碳排放強(qiáng)度的降低, 但其影響是非線性的。在不同區(qū)間內(nèi), 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放的影響程度存在差異。其中, 當(dāng)農(nóng)業(yè)技術(shù)效率低于0.0746時, 技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的影響為負(fù)向; 當(dāng)高于0.0746后, 將轉(zhuǎn)變?yōu)轱@著負(fù)向效應(yīng); 進(jìn)一步提高農(nóng)業(yè)技術(shù)效率并高于0.2590后, 負(fù)向效應(yīng)會減弱。結(jié)合表13的分類結(jié)果, 截至2015年中國所有省份已經(jīng)跨過了“拐點”, 未到達(dá)第二門檻值的省份應(yīng)當(dāng)繼續(xù)提升農(nóng)業(yè)技術(shù)效率, 發(fā)揮農(nóng)業(yè)技術(shù)在低碳農(nóng)業(yè)發(fā)展中的關(guān)鍵性作用。

表 12 農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的門檻模型回歸估計結(jié)果Table 12 Threshold model regression estimation results of agricultural technical efficiency on agricultural carbon emission intensity

表 13 農(nóng)業(yè)技術(shù)效率門檻值及省份分布(2015年)Table 13 Agricultural technical efficiency threshold and provincial distribution (2015)

4 討論與結(jié)論

4.1 討論

本文基于港澳臺地區(qū)以外, 中國31個省、直轄市和自治區(qū)2001-2020年的面板數(shù)據(jù), 對農(nóng)業(yè)碳排放總量、農(nóng)業(yè)碳排放強(qiáng)度和農(nóng)業(yè)技術(shù)效率進(jìn)行了測算, 剖析了農(nóng)業(yè)碳排放強(qiáng)度和農(nóng)業(yè)技術(shù)效率的空間相關(guān)性, 利用空間杜賓模型和門檻模型, 分別探究了農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度的空間溢出效應(yīng)和農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放強(qiáng)度的非線性關(guān)系。在YANG等[4]、楊鈞[11]、李成龍等[14]和徐清華等[16]學(xué)者的研究基礎(chǔ)上, 本文從技術(shù)效率的角度出發(fā), 進(jìn)一步探究了農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放強(qiáng)度的空間效應(yīng)和非線性關(guān)系?，F(xiàn)有的研究大多將研究范圍局限于廣義的技術(shù)進(jìn)步或狹義的技術(shù)進(jìn)步, 缺少對技術(shù)效率進(jìn)行深入探索, 本文將廣義的技術(shù)進(jìn)步分解后的技術(shù)效率作為核心, 進(jìn)一步驗證了技術(shù)進(jìn)步對農(nóng)業(yè)碳排放的空間影響機(jī)制與邊際效應(yīng), 為探索實現(xiàn)“雙碳”目標(biāo)的路徑提供理論基礎(chǔ)與政策依據(jù)。

4.2 結(jié)論

本文主要結(jié)論: 1)總體上各地區(qū)農(nóng)業(yè)碳排放總量和強(qiáng)度均表現(xiàn)出下降趨勢, 空間分布上中部地區(qū)農(nóng)業(yè)碳排放總量高于東西部地區(qū), 東部地區(qū)農(nóng)業(yè)碳排放強(qiáng)度低于中西部地區(qū)。農(nóng)業(yè)技術(shù)效率水平則隨時間逐年提高, 東部地區(qū)農(nóng)業(yè)技術(shù)效率顯著高于中西部地區(qū), 而中部地區(qū)僅略微高于西部地區(qū)。2)農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放強(qiáng)度具有高度空間相關(guān)性并表現(xiàn)出集聚的特征, 聚集類型均以高高聚集和低低聚集為主。3)空間杜賓模型結(jié)果表明, 本省農(nóng)業(yè)碳排放強(qiáng)度的提高會促進(jìn)鄰省的農(nóng)業(yè)碳排放強(qiáng)度的上升, 具有正向空間溢出效應(yīng), 而農(nóng)業(yè)技術(shù)效率對農(nóng)業(yè)碳排放強(qiáng)度則表現(xiàn)為負(fù)向空間溢出, 并在總體上有利于抑制農(nóng)業(yè)碳排放。此外城鎮(zhèn)化、人力資本水平和人均耕地面積對農(nóng)業(yè)碳排放強(qiáng)度具有負(fù)向影響,農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平和農(nóng)業(yè)受災(zāi)程度則為正向影響。4)農(nóng)業(yè)技術(shù)效率與農(nóng)業(yè)碳排放強(qiáng)度存在雙門檻效應(yīng),當(dāng)農(nóng)業(yè)技術(shù)效率越過“拐點”(0.0746)后, 其對農(nóng)業(yè)碳排放強(qiáng)度的影響轉(zhuǎn)變?yōu)樨?fù)向, 當(dāng)進(jìn)一步提升農(nóng)業(yè)技術(shù)效率水平后, 其影響力會因邊際效應(yīng)遞減而減弱。

對策建議: 1)各省市應(yīng)依照自身農(nóng)業(yè)發(fā)展實際情況, 制定符合本省省情的碳減排目標(biāo)。不拘泥于農(nóng)業(yè)碳排放總量的變化, 而是將農(nóng)業(yè)碳排放強(qiáng)度作為衡量減排成效的標(biāo)準(zhǔn)。2)積極推動建立農(nóng)業(yè)數(shù)據(jù)庫和農(nóng)作物檢測系統(tǒng), 應(yīng)用地理信息遙感技術(shù)和計算機(jī)網(wǎng)絡(luò)虛擬技術(shù)等數(shù)字化農(nóng)業(yè)技術(shù), 發(fā)揮農(nóng)業(yè)技術(shù)的關(guān)鍵性作用, 提高農(nóng)業(yè)技術(shù)效率, 推進(jìn)新型農(nóng)業(yè)技術(shù)革命, 推動傳統(tǒng)農(nóng)業(yè)邁向現(xiàn)代化農(nóng)業(yè)。3)重視農(nóng)業(yè)生產(chǎn)技術(shù)的傳播, 將東部地區(qū)先進(jìn)的農(nóng)業(yè)技術(shù)手段推廣到中西部地區(qū), 促進(jìn)中西部地區(qū)農(nóng)業(yè)生產(chǎn)方式從原本的粗放型轉(zhuǎn)變?yōu)楫a(chǎn)業(yè)化、生態(tài)化、集約化和低碳化。