田云，尹忞昊，張蕙杰

我國(guó)農(nóng)村能源碳排放時(shí)空格局、影響因素及空間溢出效應(yīng)

田云1，尹忞昊1，張蕙杰2

1中南財(cái)經(jīng)政法大學(xué)工商管理學(xué)院，武漢 430073；2中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，北京 100081

【目的】基于當(dāng)前“雙碳”戰(zhàn)略的大背景，厘清農(nóng)村能源碳排放現(xiàn)狀特征、時(shí)空格局及其影響因素，為有效推進(jìn)農(nóng)村低碳發(fā)展提供重要支撐。【方法】利用碳排放因子法對(duì)我國(guó)農(nóng)村能源碳排放進(jìn)行有效測(cè)度并分析其時(shí)空特征；而后運(yùn)用自相關(guān)模型對(duì)其空間關(guān)聯(lián)格局進(jìn)行探討；最后通過(guò)STIRPAT擴(kuò)展模型的引入剖析影響其強(qiáng)度變化的主要因素并分析空間溢出效應(yīng)?！窘Y(jié)果】我國(guó)農(nóng)村能源碳排放總量整體處于持續(xù)上升態(tài)勢(shì)，2019年比2005年增加了77.55%，從成因來(lái)看主要?dú)w結(jié)于農(nóng)村居民生活能源消費(fèi)量的增加；農(nóng)村能源碳排放強(qiáng)度在考察期內(nèi)略有上升，雖存在一定年際起伏但總體波動(dòng)較小。2019年農(nóng)村能源碳排放量存在明顯的省際差異且以河北居首寧夏最末，相比2005年僅有5個(gè)?。ㄊ?、區(qū)）整體處于下降趨勢(shì)；2019年農(nóng)村能源碳排放強(qiáng)度以北京居首而海南處于最后一位，后者甚至不及前者1/10。2008年以來(lái)我國(guó)農(nóng)村能源碳排放既表現(xiàn)出明顯且穩(wěn)定的空間依賴性，同時(shí)也存在局部空間聚類現(xiàn)象，其中高-高集聚型省份數(shù)量較少且相對(duì)穩(wěn)定，而低-低集聚型省份數(shù)量較多,且處于增長(zhǎng)態(tài)勢(shì)。在社會(huì)層面因素中，農(nóng)村富裕程度提升會(huì)導(dǎo)致農(nóng)村能源碳排放強(qiáng)度增加,而農(nóng)業(yè)技術(shù)進(jìn)步與農(nóng)村勞動(dòng)力結(jié)構(gòu)變量卻能起到抑制作用，其中僅農(nóng)村富裕程度表現(xiàn)出了空間溢出效應(yīng)且作用方向?yàn)樨?fù)。在經(jīng)濟(jì)層面因素中，農(nóng)村金融集聚度與農(nóng)業(yè)發(fā)展水平的提升均導(dǎo)致了農(nóng)村能源碳排放強(qiáng)度的增加，同時(shí)二者都具有空間溢出效應(yīng)且前者作用方向?yàn)檎笳邽樨?fù)；而農(nóng)業(yè)財(cái)政投資雖不存在直接效應(yīng)但卻表現(xiàn)出了負(fù)向的空間溢出效應(yīng)。在產(chǎn)業(yè)層面因素中，農(nóng)業(yè)產(chǎn)業(yè)集聚度提升會(huì)導(dǎo)致農(nóng)村能源碳排放強(qiáng)度增加，但同時(shí)卻也呈現(xiàn)出了負(fù)向的空間溢出效應(yīng)。【結(jié)論】我國(guó)農(nóng)村能源碳排放總量、強(qiáng)度整體均呈上升趨勢(shì)，同時(shí)省際差異明顯；我國(guó)農(nóng)村能源碳排放表現(xiàn)出了明顯的空間依賴性與空間異質(zhì)性；農(nóng)村能源碳排放受社會(huì)、經(jīng)濟(jì)以及產(chǎn)業(yè)等三個(gè)層面因素的共同影響。

農(nóng)村能源碳排放；農(nóng)業(yè)碳排放；時(shí)空格局；影響因素；溢出效應(yīng)

0 引言

【研究意義】近些年來(lái)，以CO2為代表的溫室氣體排放量的不斷增加一定程度上加劇了對(duì)全球生命系統(tǒng)的威脅，氣候問(wèn)題由此受到了國(guó)際社會(huì)的廣泛關(guān)注。作為《聯(lián)合國(guó)氣候變化框架公約》的首批締約國(guó)之一，我國(guó)自2009年哥本哈根氣候大會(huì)召開(kāi)前夕宣布自主減排承諾以來(lái)，就一直積極參與全球減排事務(wù)并明確提出“雙碳”目標(biāo)。在此背景下，城市固然需要加快節(jié)能減排步伐，而同樣產(chǎn)生了大量碳排放的農(nóng)村地區(qū)也不可置身事外。雖然農(nóng)村碳排放來(lái)源渠道多樣，涉及能源消耗、農(nóng)用物資利用、作物種植、畜禽養(yǎng)殖等多個(gè)方面，但僅能源消耗所導(dǎo)致的碳排放屬于真正意義上的氣候?yàn)?zāi)性碳，而余者由于能量守恒定理的存在總體屬于氣候中性碳[1]。為此，厘清農(nóng)村能源碳排放現(xiàn)狀并剖析其影響因素對(duì)于有效推進(jìn)農(nóng)村低碳發(fā)展顯然具有重要意義?！厩叭搜芯窟M(jìn)展】從農(nóng)業(yè)農(nóng)村領(lǐng)域來(lái)看，農(nóng)業(yè)碳排放更早引起了國(guó)內(nèi)外學(xué)者的關(guān)注。其中，國(guó)外學(xué)者起步要早一些，主要基于差異化視角構(gòu)建農(nóng)業(yè)碳排放測(cè)算指標(biāo)體系并展開(kāi)有效測(cè)度[2-3]；國(guó)內(nèi)學(xué)者開(kāi)展相關(guān)研究略晚，初期更為側(cè)重對(duì)水稻種植、畜禽養(yǎng)殖所引發(fā)的溫室氣體排放進(jìn)行研究[4]，后續(xù)則逐步圍繞農(nóng)地利用碳排放[5]、農(nóng)用物資投入碳排放[6]、牲畜禽類養(yǎng)殖碳排放[7]、漁業(yè)生產(chǎn)捕撈碳排放[8]等單一視角下的碳排放展開(kāi)測(cè)度并系統(tǒng)分析。與此同時(shí)，也有不少學(xué)者[9-11]基于多維視角對(duì)我國(guó)農(nóng)業(yè)碳排放進(jìn)行全面測(cè)算，其對(duì)應(yīng)碳源基本涵蓋了農(nóng)業(yè)生產(chǎn)的方方面面。而后，學(xué)者們立足于測(cè)算結(jié)果圍繞農(nóng)業(yè)碳排放展開(kāi)了更為深入的研究，主要圍繞農(nóng)業(yè)碳排放現(xiàn)狀特征及其深化[12-15]、農(nóng)業(yè)碳排放效率及其減排潛力[16-17]、各類因素與農(nóng)業(yè)碳排放的互動(dòng)關(guān)系[18-19]等3個(gè)方面展開(kāi)。另有學(xué)者則圍繞產(chǎn)業(yè)結(jié)構(gòu)[20]、農(nóng)業(yè)生態(tài)發(fā)展[21]與農(nóng)業(yè)碳排放間的關(guān)系展開(kāi)探討，并發(fā)現(xiàn)它們與農(nóng)業(yè)碳排放之間均表現(xiàn)出了雙向因果關(guān)系。與此同時(shí)，鑒于農(nóng)業(yè)生產(chǎn)中能源投入量的不斷增加，不少學(xué)者圍繞農(nóng)業(yè)能源碳排放進(jìn)行了相關(guān)研究。早期學(xué)者們[22-23]主要聚焦于農(nóng)業(yè)能源碳排放的測(cè)度及因素分解，而最近幾年關(guān)注點(diǎn)主要聚焦于農(nóng)業(yè)能源碳排放區(qū)域差異[24]以及技術(shù)進(jìn)步與農(nóng)業(yè)能源碳排放間的相互關(guān)系[25-26]。在探究農(nóng)業(yè)能源碳排放問(wèn)題的同時(shí)，還有一些學(xué)者圍繞農(nóng)村居民生活能源消費(fèi)碳排放展開(kāi)了相關(guān)探討，除了一般測(cè)算與現(xiàn)狀特征分析外[27-28]，還涉及其影響因素的深度剖析[29-30]?！颈狙芯壳腥朦c(diǎn)】從現(xiàn)有文獻(xiàn)來(lái)看，對(duì)農(nóng)村能源碳排放的考察多著眼于居民生活層面的能源消費(fèi)，而較少關(guān)注農(nóng)業(yè)生產(chǎn)的能源耗費(fèi)，即未將農(nóng)業(yè)生產(chǎn)能源耗費(fèi)碳排放與農(nóng)村居民生活能源消費(fèi)碳排放統(tǒng)籌到一起進(jìn)行探討；同時(shí)有關(guān)農(nóng)業(yè)農(nóng)村能源碳排放的研究多基于一般現(xiàn)狀梳理、影響因素探討等常規(guī)視角，而少有學(xué)者通過(guò)空間計(jì)量模型的引入拓展其研究邊界。【擬解決的關(guān)鍵問(wèn)題】本文首先科學(xué)測(cè)算我國(guó)及30個(gè)省份農(nóng)村能源碳排放量并分析其時(shí)空特征；然后利用空間自相關(guān)模型對(duì)其空間關(guān)聯(lián)格局進(jìn)行探討；最后運(yùn)用STIRPAT擴(kuò)展模型剖析影響農(nóng)村能源碳排放強(qiáng)度變化的主要因素并分析其空間溢出效應(yīng)。相關(guān)研究結(jié)論能夠?yàn)檗r(nóng)村能源碳減排工作的順利推進(jìn)提供重要的參考依據(jù)。

1 研究方法與數(shù)據(jù)來(lái)源

1.1 研究方法

1.1.1 農(nóng)村能源碳排放測(cè)算 結(jié)合已有研究[11,31]，本文擬從農(nóng)業(yè)生產(chǎn)、農(nóng)村居民生活兩個(gè)方面對(duì)農(nóng)村能源碳排放量進(jìn)行系統(tǒng)考察。其中，農(nóng)業(yè)生產(chǎn)維度主要測(cè)算原煤、洗精煤、其他洗煤、型煤、焦炭、汽油、柴油、燃料油、液化石油氣、天然氣、熱力、電力等12類能源直接利用所導(dǎo)致的碳排放；農(nóng)村居民生活維度也是涉及上述12類能源，考察各自直接利用所引發(fā)的碳排放。各類能源碳排放系數(shù)的計(jì)算方法參照蔣金荷[32]、田云等[26,33]的相關(guān)文獻(xiàn)。據(jù)此，構(gòu)建農(nóng)村能源碳排放測(cè)算公式如下：

式（1）—（3）中，、1、2分別表示農(nóng)村能源碳排放總量、農(nóng)業(yè)生產(chǎn)能源耗費(fèi)碳排放量以及農(nóng)村居民生活能源消費(fèi)碳排放量；1c、2c分別表示農(nóng)業(yè)生產(chǎn)和農(nóng)村居民生活中各類碳源所導(dǎo)致的碳排放量；1c、2c表示各類碳源的實(shí)際數(shù)量；1c、2c表示各類碳源所對(duì)應(yīng)的碳排放系數(shù)；表示碳源的類別。

1.1.2 空間自相關(guān)模型 探索性空間分析包括全局和局部空間自相關(guān)，前者主要通過(guò)全局莫蘭指數(shù)（Global Moran’s I）呈現(xiàn)，用于反映整個(gè)研究區(qū)域的空間依賴程度；后者是對(duì)前者的有效補(bǔ)充，一般通過(guò)局部莫蘭指數(shù)（Local Moran’s I）來(lái)體現(xiàn)，用于反映研究范圍內(nèi)各空間位置與周圍鄰近位置在某同一屬性上的相關(guān)程度。其中，全局莫蘭指數(shù)的計(jì)算方法詳見(jiàn)公式（4）。

考慮到省際間的影響不僅僅局限于鄰接關(guān)系，故在后續(xù)研究中將充分借鑒袁華錫等[34]的做法，構(gòu)建地理距離空間權(quán)重矩陣分析非鄰接省份間的相互影響。全局空間自相關(guān)指數(shù)的取值范圍為[-1，1]，如果某一年莫蘭指數(shù)的系數(shù)值大于0，表明農(nóng)村能源碳排放在空間上具有集聚性；如果該系數(shù)值小于0，表明農(nóng)村能源碳排放在空間層面呈現(xiàn)為分散性；倘若該系數(shù)值等于0，則說(shuō)明農(nóng)村能源碳排放在空間上處于隨機(jī)分布態(tài)勢(shì)?？傮w而言，該系數(shù)值越接近于1，表明農(nóng)村能源碳排放的空間分布越集聚；越接近于-1，則說(shuō)明農(nóng)村能源碳排放的空間分布越發(fā)分散。

局部莫蘭指數(shù)的計(jì)算公式如下所示：

式（5）和（6）中，I為局部空間自相關(guān)指數(shù)，其他符號(hào)的基本含義與式（4）完全一致。在局部空間自相關(guān)分析中，通常利用莫蘭指數(shù)散點(diǎn)圖來(lái)反映空間格局的可視化程度。莫蘭指數(shù)散點(diǎn)圖由4個(gè)象限構(gòu)成，以表示4種不同關(guān)聯(lián)類型。其中，第1、3象限和2、4象限分別代表正相關(guān)和負(fù)相關(guān)類型，前者用HH（高-高型）和LL（低-低型）表示，后者則用HL（高-低型）和LH（低-高型）表示。限于篇幅，后續(xù)分析不展示散點(diǎn)圖，僅對(duì)不同象限結(jié)果予以整理匯報(bào)。

1.1.3 空間計(jì)量分析 （1）STIRPAT擴(kuò)展模型。該模型被廣泛應(yīng)用于環(huán)境經(jīng)濟(jì)領(lǐng)域[35-36]，通常用來(lái)評(píng)估人口、財(cái)產(chǎn)、技術(shù)等對(duì)環(huán)境因素的影響。結(jié)合本文研究目的，對(duì)該模型進(jìn)行了適當(dāng)改進(jìn)與擴(kuò)展，即同時(shí)兼顧了人口、財(cái)產(chǎn)、技術(shù)、經(jīng)濟(jì)、產(chǎn)業(yè)等多維要素，并選取相對(duì)應(yīng)的細(xì)化因素作為解釋變量，最終構(gòu)建計(jì)量模型如下：

lnACI=lnα+1lnRW+2lnATP+3lnRLS+4lnRFA+5lnADL+6lnAFI+7lnLA+8lnAS+lnε（7）

式中，α為模型系數(shù)，為農(nóng)村能源碳排放強(qiáng)度，分別表示農(nóng)村富裕程度、農(nóng)業(yè)技術(shù)進(jìn)步、農(nóng)村勞動(dòng)力結(jié)構(gòu)、農(nóng)村金融集聚、農(nóng)業(yè)發(fā)展水平、農(nóng)業(yè)財(cái)政投資、農(nóng)業(yè)產(chǎn)業(yè)集聚和農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)；表示不同省份、代表各個(gè)年份；1、2、3、4、5、6、7、8為各變量的待估計(jì)系數(shù)；ε表示隨機(jī)擾動(dòng)項(xiàng)。

（2）基于STIRPAT擴(kuò)展模型的空間杜賓模型?？臻g杜賓模型（Spatial Dubin Model，SDM）適用于采用極大似然法進(jìn)行估計(jì)[37]，本文將基于STIRPAT擴(kuò)展模型利用空間計(jì)量方法探究各變量對(duì)農(nóng)村能源碳排放的影響并考察各自的空間溢出效應(yīng)。據(jù)此，構(gòu)建各變量對(duì)農(nóng)村能源碳排放影響的空間計(jì)量模型如下：

式（8）中，表示不同省份，代表不同年份，w為空間權(quán)重矩陣；ACI為被解釋變量，x為所有解釋變量；β為農(nóng)村富裕程度、農(nóng)業(yè)技術(shù)進(jìn)步、農(nóng)村勞動(dòng)力結(jié)構(gòu)、農(nóng)村金融集聚、農(nóng)業(yè)發(fā)展水平、農(nóng)村財(cái)政投資、農(nóng)業(yè)產(chǎn)業(yè)集聚以及農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)的彈性系數(shù)；ρ、φ表示相應(yīng)的空間自回歸系數(shù)；u和ξt表示雙固定效應(yīng)，ε表示隨機(jī)誤差項(xiàng)。

被解釋變量ACI為農(nóng)村能源碳排放強(qiáng)度。之所以如此考慮，是因?yàn)橄啾绒r(nóng)業(yè)碳排放總量，強(qiáng)度指標(biāo)不受資源總量的基數(shù)限制，能更為客觀地反映各個(gè)省份的農(nóng)村能源碳排放水平。

解釋變量x為包含社會(huì)、經(jīng)濟(jì)和產(chǎn)業(yè)三個(gè)層面的因素。之所以如此考慮，是基于農(nóng)業(yè)生產(chǎn)與農(nóng)村居民生活特點(diǎn)。具體而言，社會(huì)層面因素包括農(nóng)村富裕程度（）、農(nóng)業(yè)技術(shù)進(jìn)步（）和農(nóng)村勞動(dòng)力結(jié)構(gòu)（）。其中，考慮到現(xiàn)實(shí)中多是通過(guò)各類物質(zhì)財(cái)富來(lái)衡量一個(gè)家庭的富裕程度，而其數(shù)量多寡一般與收入水平緊密相關(guān)，為此本文擬選用農(nóng)村居民人均純收入/農(nóng)村人均可支配收入來(lái)表征農(nóng)村富裕程度。農(nóng)業(yè)技術(shù)進(jìn)步通過(guò)測(cè)度農(nóng)業(yè)技術(shù)進(jìn)步率來(lái)體現(xiàn)，具體到本文中，參照田云等[26]的做法，選用具有動(dòng)態(tài)特征的DEA-Malmquist指數(shù)模型進(jìn)行測(cè)算，實(shí)際分析中為了確保研究結(jié)果的準(zhǔn)確性，除了保留原有的投入產(chǎn)出指標(biāo)外，還增加了農(nóng)業(yè)資本存量這一新的投入指標(biāo)，其計(jì)算方法詳見(jiàn)于田云等[38]的研究。農(nóng)村勞動(dòng)力結(jié)構(gòu)可以客觀反映不同省份農(nóng)村居民的職業(yè)選擇差異，而這顯然會(huì)對(duì)農(nóng)業(yè)生產(chǎn)方式抑或日常用能習(xí)慣產(chǎn)生影響，為此本文也將其作為解釋變量，具體以第一產(chǎn)業(yè)從業(yè)人數(shù)與鄉(xiāng)村勞動(dòng)力數(shù)量的比值進(jìn)行表示。

經(jīng)濟(jì)層面因素包括農(nóng)村金融集聚（）、農(nóng)業(yè)發(fā)展水平（）和農(nóng)業(yè)財(cái)政投資（）。已有大量研究證實(shí)，金融集聚程度提升會(huì)影響能源消費(fèi)量，進(jìn)而對(duì)環(huán)境乃至碳排放量形成差異化的影響[39-40]，故本文也將農(nóng)村金融集聚作為重要解釋變量，具體參照聶麗等[41]的研究，通過(guò)農(nóng)村金融機(jī)構(gòu)營(yíng)業(yè)網(wǎng)點(diǎn)的區(qū)位商指數(shù)進(jìn)行表示，其具體表達(dá)式為：F=（f/f）/（f/f），其中，F表示地區(qū)農(nóng)村金融機(jī)構(gòu)營(yíng)業(yè)網(wǎng)點(diǎn)的區(qū)位商，f為地區(qū)農(nóng)村金融機(jī)構(gòu)營(yíng)業(yè)網(wǎng)點(diǎn)數(shù)，f表示地區(qū)金融機(jī)構(gòu)營(yíng)業(yè)網(wǎng)點(diǎn)總數(shù)，f為全國(guó)農(nóng)村金融機(jī)構(gòu)營(yíng)業(yè)網(wǎng)點(diǎn)總數(shù)，為全國(guó)金融機(jī)構(gòu)營(yíng)業(yè)網(wǎng)點(diǎn)總數(shù)。農(nóng)業(yè)發(fā)展水平通常會(huì)對(duì)農(nóng)業(yè)碳排放產(chǎn)生顯著影響[18]，但是否會(huì)對(duì)農(nóng)村能源碳排放產(chǎn)生顯著影響仍需檢驗(yàn)，為此本文參照田云等[11]的研究，以人均農(nóng)業(yè)增加值作為替代指標(biāo)，鑒于農(nóng)業(yè)農(nóng)村的特殊性，其計(jì)算將以第一產(chǎn)業(yè)從業(yè)人口作為參照依據(jù)。農(nóng)業(yè)財(cái)政投資力度的大小會(huì)直接或間接影響到農(nóng)業(yè)生產(chǎn)與農(nóng)村居民生活，進(jìn)而使得能源消費(fèi)及其對(duì)應(yīng)的碳排放量發(fā)生變化，為此本文也將農(nóng)業(yè)財(cái)政投資作為重要解釋變量，具體以農(nóng)業(yè)財(cái)政支出與財(cái)政總支出的比值來(lái)表示。

產(chǎn)業(yè)層面因素包括農(nóng)業(yè)產(chǎn)業(yè)集聚（）和農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)（）。通常情況下，農(nóng)業(yè)在形成產(chǎn)業(yè)集聚的過(guò)程中，由于能源需求的變化將不可避免地引致其碳排放量的變化。為此，有必要將農(nóng)業(yè)產(chǎn)業(yè)集聚作為解釋變量，同時(shí)與前文一致，也選擇區(qū)位商作為測(cè)度方法，其具體表達(dá)式為：L=（l/l）/（l/），其中，L表示地區(qū)農(nóng)業(yè)產(chǎn)業(yè)的區(qū)位商，l為地區(qū)第一產(chǎn)業(yè)從業(yè)人員數(shù)，l表示地區(qū)一、二、三產(chǎn)業(yè)從業(yè)人員總數(shù)，l為全國(guó)第一產(chǎn)業(yè)從業(yè)人員總數(shù)，為全國(guó)一、二、三產(chǎn)業(yè)從業(yè)人員總數(shù)。鑒于不同產(chǎn)業(yè)部門(mén)對(duì)能源的需求通常不盡相同進(jìn)而可能影響到最終的碳排放這一現(xiàn)實(shí)境況，本文也將農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)作為解釋變量，具體著眼于種植業(yè)、畜牧業(yè)兩大核心產(chǎn)業(yè)部門(mén)，以二者總產(chǎn)值之和占農(nóng)林牧業(yè)總產(chǎn)值的比重進(jìn)行衡量。

需要特別說(shuō)明的是，本文在對(duì)農(nóng)村能源碳排放待檢驗(yàn)影響因素進(jìn)行篩選時(shí)，不僅考察了農(nóng)村富裕程度、農(nóng)村金融集聚以及農(nóng)村勞動(dòng)力結(jié)構(gòu)等整體包容性較強(qiáng)的變量，同時(shí)還選取了一些與農(nóng)業(yè)生產(chǎn)聯(lián)系較為緊密的因素，如此是對(duì)既有農(nóng)業(yè)農(nóng)村生態(tài)問(wèn)題考察方式的有益補(bǔ)充。畢竟，無(wú)論是過(guò)去還是當(dāng)前的農(nóng)村，農(nóng)業(yè)生產(chǎn)與居民生活仍舊融為一體，農(nóng)村各類社會(huì)活動(dòng)的相對(duì)匱乏使得居民生活更多的是服務(wù)于農(nóng)業(yè)生產(chǎn)，由此導(dǎo)致農(nóng)村在空間層面更傾向于單一的農(nóng)業(yè)生產(chǎn)。現(xiàn)實(shí)中，農(nóng)業(yè)生產(chǎn)規(guī)模的不同、技術(shù)水平的差異以及政府支持政策的偏向，均會(huì)對(duì)農(nóng)村居民的生活方式產(chǎn)生一定影響。我國(guó)農(nóng)村限于地理位置、資源稟賦以及地形地貌的特殊性，同類區(qū)域農(nóng)業(yè)生產(chǎn)與居民生活方式的轉(zhuǎn)變軌跡通常具有較強(qiáng)的同質(zhì)性，二者息息相關(guān)，并在空間層面表現(xiàn)出一定的融合關(guān)系，即農(nóng)村居民的日常生活狀態(tài)多體現(xiàn)在農(nóng)業(yè)生產(chǎn)活動(dòng)中?；谏鲜鲈颍斜匾趯?duì)農(nóng)村能源碳排放影響因素進(jìn)行探討時(shí)加入一些農(nóng)業(yè)生產(chǎn)相關(guān)變量。

1.2 數(shù)據(jù)來(lái)源

測(cè)算農(nóng)村能源碳排放所需要的各類基礎(chǔ)數(shù)據(jù)出自歷年的《中國(guó)能源統(tǒng)計(jì)年鑒》，且均以當(dāng)年實(shí)際終端消耗量為準(zhǔn)。至于研究中所涉及的其他數(shù)據(jù)，主要源自歷年的《中國(guó)統(tǒng)計(jì)年鑒》《中國(guó)能源統(tǒng)計(jì)年鑒》《中國(guó)統(tǒng)計(jì)摘要》《中國(guó)農(nóng)村統(tǒng)計(jì)年鑒》《中國(guó)人口和就業(yè)統(tǒng)計(jì)年鑒》《中國(guó)財(cái)政年鑒》以及國(guó)家知識(shí)產(chǎn)權(quán)局和各省份相關(guān)統(tǒng)計(jì)年鑒、金融運(yùn)行報(bào)告或者國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)。需要特別闡明的是，為了確保年際間能夠縱向比較，需參照2000年不變價(jià)對(duì)農(nóng)業(yè)增加值進(jìn)行調(diào)整，利用CPI指數(shù)對(duì)農(nóng)村居民人均純收入進(jìn)行平減，至于其他數(shù)據(jù)均以當(dāng)年實(shí)際值為準(zhǔn)。實(shí)際研究中將利用30個(gè)省份2005—2019年的面板數(shù)據(jù)進(jìn)行考察，限于大量數(shù)據(jù)缺失，西藏以及港澳臺(tái)地區(qū)均不在本次研究的考察之列。各變量的一般描述性統(tǒng)計(jì)分析結(jié)果如表1所示。

表1 各變量的一般描述性統(tǒng)計(jì)分析結(jié)果

2 結(jié)果

2.1 我國(guó)農(nóng)村能源碳排放時(shí)空比較分析

2.1.1 時(shí)序比較 由表2可知，2019年我國(guó)農(nóng)村能源碳排放總量為69 568.28萬(wàn)t，較2005年增加了77.55%，年均遞增4.19%。其中，農(nóng)業(yè)生產(chǎn)和農(nóng)村居民生活所引發(fā)的碳排放量分別為13 366.81萬(wàn)t和56 201.47萬(wàn)t，占比依次為19.21%和80.79%，各自分別較2005年增加了8.37%和109.33%。2019年我國(guó)農(nóng)村能源碳排放強(qiáng)度為2.14 t/萬(wàn)元，較2005年略有增加，其年均增速為0.03%。從演變軌跡來(lái)看，整個(gè)考察期內(nèi)農(nóng)村能源碳排放量除2016年相比2015年略有下降外，其他各年份均呈現(xiàn)出明顯上升趨勢(shì)。不過(guò)，具體到農(nóng)業(yè)生產(chǎn)與農(nóng)村居民生活能源碳排放，二者所表現(xiàn)出來(lái)的演變特點(diǎn)卻有所區(qū)別。其中，農(nóng)業(yè)生產(chǎn)能源碳排放經(jīng)歷了“三升三降”：2005—2007年為第一個(gè)上升階段，碳排放量由12 334.34萬(wàn)t增至12 732.59萬(wàn)t，年均增速達(dá)1.60%，農(nóng)田水利設(shè)施的不斷完善與農(nóng)業(yè)機(jī)械化的逐步提高客觀上擴(kuò)大了農(nóng)業(yè)能源需求，進(jìn)而導(dǎo)致了對(duì)應(yīng)碳排放量的增加；2007—2008年為第一個(gè)下降階段，2008年碳排量?jī)H為11 916.75萬(wàn)t，相比2007年減少了6.41%，同時(shí)也創(chuàng)下了整個(gè)考察期內(nèi)的最低值，該年為實(shí)現(xiàn)“十一五”節(jié)能減排約束目標(biāo)的關(guān)鍵年，節(jié)能減排工作的大力推進(jìn)客觀上也促進(jìn)了農(nóng)業(yè)能源碳減排；2008—2012年為第二個(gè)上升階段，4年間碳排放量累計(jì)增加了2 984.10萬(wàn)t，年均增速高達(dá)5.75%，該階段我國(guó)不斷加大農(nóng)機(jī)具購(gòu)置補(bǔ)貼力度，由此極大帶動(dòng)了農(nóng)機(jī)具的推廣與普及，但同時(shí)也導(dǎo)致了農(nóng)業(yè)能源碳排放量的快速增加；2012—2013年為第二個(gè)下降階段，2013年碳排放量相比2012年減少了5.95%，《能源發(fā)展“十二五”規(guī)劃》所強(qiáng)調(diào)的積極推進(jìn)能源高效清潔轉(zhuǎn)化在農(nóng)業(yè)生產(chǎn)中得到了一定體現(xiàn)，客觀上促進(jìn)了碳減排；2013—2017年為第三個(gè)上升階段，并于2017年達(dá)到峰值15 685.77萬(wàn)t，該階段年均增速為2.86%，《2015—2017農(nóng)業(yè)機(jī)械購(gòu)置補(bǔ)貼實(shí)施指導(dǎo)意見(jiàn)》的頒布在加快推進(jìn)農(nóng)業(yè)機(jī)械化進(jìn)程的同時(shí)也擴(kuò)大了能源需求，進(jìn)而導(dǎo)致了其對(duì)應(yīng)碳排放量的持續(xù)上升；2017—2019年為第三個(gè)下降階段，碳排放量由15 685.77萬(wàn)t降至13 366.81萬(wàn)t，2年時(shí)間累計(jì)減少了2 318.96萬(wàn)t，降幅高達(dá)14.78%，該成績(jī)的取得可能與《農(nóng)業(yè)綠色發(fā)展技術(shù)導(dǎo)則（2018—2030年）》的頒布有關(guān)，因?yàn)槠鋸?qiáng)調(diào)節(jié)能低耗智能化農(nóng)業(yè)裝備的研發(fā)與推廣。農(nóng)村居民生活能源碳排放量除2016年相比2015年略有下降外，其他各年份均處于上升態(tài)勢(shì)，其原因在于，隨著農(nóng)村居民收入水平的不斷提高，空調(diào)、冰箱等高耗能家電以及私家車大量進(jìn)入尋常家庭，由此擴(kuò)大了對(duì)電力、汽油等的需求，進(jìn)而導(dǎo)致了能源碳排放量的持續(xù)增加。至于農(nóng)村能源碳排放強(qiáng)度，在考察期內(nèi)雖存在年際起伏但總體波動(dòng)不大，多數(shù)年份介于2.10—2.25 t/萬(wàn)元。

表2 2005—2019年我國(guó)農(nóng)村能源碳排放總量及強(qiáng)度

此處我國(guó)農(nóng)村能源碳排放總量是30個(gè)省份的匯總，不含西藏及港澳臺(tái)地區(qū)

The total carbon emissions from rural energy in China are a summary of 30 provinces, excluding Tibet, Hong Kong, Macao, and Taiwan regions

2.1.2 省際比較 由表3可知，2019年農(nóng)村能源碳排放排在首位的省份是河北，其數(shù)量高達(dá)5 580.09萬(wàn)t；廣東緊隨其后位列第2位，其排放量也達(dá)到了5 528.61萬(wàn)t，與河北一道成為“唯二”碳排放量超過(guò)5 000萬(wàn)t的地區(qū)；河南、山東、湖南、江蘇、浙江、湖北、四川、安徽等省份則依次排在3—10位，各自碳排放量均超過(guò)了2 500萬(wàn)t；上述10省份累計(jì)碳排放量之和占到了全國(guó)農(nóng)村能源碳排放總量的59.47%。與此對(duì)應(yīng)，寧夏碳排放量最低，僅為231.35萬(wàn)t；青海、上海、海南、北京、天津、重慶、吉林、甘肅和廣西則順次排在倒數(shù)2—10位，其中除廣西之外其他各省份碳排放量均在1 500萬(wàn)t以下；以上10省份碳排放量累計(jì)之和僅占全國(guó)農(nóng)村能源碳排放總量的10.63%。與2005年相比，2019年僅有5個(gè)?。ㄊ?、區(qū)）農(nóng)村能源碳排放總量整體處于下降態(tài)勢(shì)，且以上海降幅最大，達(dá)到了32.62%；余下4地則是北京、重慶、貴州以及寧夏，其降幅分別為18.41%、4.18%、7.38%和4.38%。其他25省（市、區(qū)）均呈增長(zhǎng)態(tài)勢(shì)且以陜西增幅最大，高達(dá)282.03%；廣西、海南、安徽、江蘇緊隨其后依次排在2—5位，四者增幅均在150.00%以上。增減趨勢(shì)的不同使得各省農(nóng)村能源碳排放總量的省域排名在考察期內(nèi)發(fā)生了較大變化，比如山東由第1位降至第4位，河北由第4位升至第1位，安徽甚至由第22位升至第10位。

表3 我國(guó)30個(gè)省（市、區(qū)）農(nóng)村能源碳排放總量及強(qiáng)度比較

限于篇幅限制，僅列出各省份2005和2019年的測(cè)算結(jié)果；變動(dòng)率Ⅰ和變動(dòng)率Ⅱ分別為2019年農(nóng)村能源碳排放量、碳排放強(qiáng)度與2005年相比的增減變化

Due to space limitations, only the calculation results for each province in 2005 and 2019 are listed; The change rates I and II represent the increase or decrease in rural energy carbon emissions and carbon emission intensity in 2019 compared to 2005, respectively

2019年各省份農(nóng)村能源碳排放強(qiáng)度表現(xiàn)出了極大差異，其中以北京最高，其萬(wàn)元農(nóng)業(yè)增加值所導(dǎo)致的碳排放量高達(dá)6.89t；上海緊隨其后位列第2位，其農(nóng)村能源碳排放強(qiáng)度也達(dá)到了5.83 t/萬(wàn)元；山西、天津、貴州、浙江、河北、廣東、青海、湖南等省份則依次排在3—10位，各自碳排放強(qiáng)度均超過(guò)了2.60 t/萬(wàn)元。與此對(duì)應(yīng)，海南農(nóng)村能源碳排放強(qiáng)度最低，僅為0.62 t/萬(wàn)元，甚至不及北京的1/10；廣西、吉林、四川、重慶、山東、江西、安徽、河南和遼寧則依次排在倒數(shù)2—10位，除遼寧（1.83 t/萬(wàn)元）之外的其他各省份碳排放強(qiáng)度均低于1.80 t/萬(wàn)元。相較于2005年，有16個(gè)省份農(nóng)村能源碳排放強(qiáng)度呈下降態(tài)勢(shì)，以貴州降幅最大，高達(dá)56.27%；寧夏、重慶、甘肅和山西緊隨其后依次排在2—5位，除山西（-29.87%）之外各自降幅均在30%以上。余下14個(gè)省份農(nóng)村能源碳排放強(qiáng)度于考察期內(nèi)均有不同程度增加，以陜西增幅最大，高達(dá)86.43%；廣西、江蘇、安徽和浙江緊隨其后依次排在2—5位，各自增幅均在45%以上。整體來(lái)看，2005—2019年期間，農(nóng)村能源碳排放強(qiáng)度表現(xiàn)為下降或者增長(zhǎng)態(tài)勢(shì)的省份數(shù)量較為接近，但同時(shí)，高于全國(guó)平均水平的省份由16個(gè)降至15個(gè)，且極差由7.50降至6.27。由此可見(jiàn)，我國(guó)各省份農(nóng)村能源碳排放強(qiáng)度演變態(tài)勢(shì)雖增減各異但均衡化趨勢(shì)已然顯現(xiàn)，一定程度上區(qū)別于各省份碳排放總量所呈現(xiàn)出的兩極分化格局。

2.2 我國(guó)農(nóng)村能源碳排放空間關(guān)聯(lián)格局分析

2.2.1 空間依賴性 利用全局空間自相關(guān)指數(shù)方法測(cè)度我國(guó)農(nóng)村能源碳排放的空間依賴性，其相關(guān)結(jié)果如表4所示。從中不難發(fā)現(xiàn)，整個(gè)考察期內(nèi)除2005—2007年外其他各年份農(nóng)村能源碳排放強(qiáng)度的莫蘭指數(shù)均大于0.1且通過(guò)顯著性檢驗(yàn)。由此揭示，自2008年開(kāi)始我國(guó)省域農(nóng)村能源碳排放強(qiáng)度存在明顯且穩(wěn)定的空間依賴性，具體表現(xiàn)為高值省份周邊擁有一個(gè)或多個(gè)高值省份與之相鄰，低值省份則與一個(gè)或多個(gè)低值省份相鄰。從變化趨勢(shì)來(lái)看，2008—2019年間莫蘭指數(shù)演變軌跡總體呈現(xiàn)“倒U”型，即經(jīng)歷了波動(dòng)上升與波動(dòng)下降兩個(gè)不同變化階段。其中，2008—2016年為波動(dòng)上升期，除2011年較2010年略有下降外，其他各年份均表現(xiàn)出了明顯上升趨勢(shì)，Moran’s I值由2008年的0.105增至2016年的0.212，累計(jì)增幅高達(dá)101.90%；2016—2019年為波動(dòng)下降期，雖經(jīng)歷了驟降、驟升但最終呈現(xiàn)下降態(tài)勢(shì)，Moran’s I值由2016年的0.212降至2019年的0.193，累計(jì)降幅達(dá)到了8.96%。由此可見(jiàn)，2008年以來(lái)我國(guó)農(nóng)村能源碳排放強(qiáng)度的空間依賴性雖然經(jīng)歷了“先增強(qiáng)、后減弱”的變化趨勢(shì)，但該依賴現(xiàn)象一直顯著存在，從未消失。

2.2.2 空間異質(zhì)性 利用局部空間自相關(guān)指數(shù)方法，首先測(cè)算各年份局部莫蘭指數(shù)，而后基于測(cè)算結(jié)果分別將2005、2010、2015與2019年我國(guó)30個(gè)省（市、區(qū)）的空間關(guān)聯(lián)度劃分為HH（高-高集聚）、LL（低-低集聚）、HL（高-低集聚）、LH（低-高集聚）等4種不同類型，相關(guān)結(jié)果如表5所示。

表4 2005—2019年我國(guó)農(nóng)村能源碳排放強(qiáng)度的全局Moran’s I統(tǒng)計(jì)值

由表5可知，2019年高-高集聚與低-低集聚型省份的數(shù)量之和達(dá)到了22個(gè)，占到了省份總數(shù)的73.33%，由此揭示我國(guó)農(nóng)村能源碳排放存在明顯的局部空間聚類現(xiàn)象。其中，高-高集聚型省份數(shù)量較少且相對(duì)穩(wěn)定，而低-低集聚型省份數(shù)量較多且處于增長(zhǎng)態(tài)勢(shì)，表明我國(guó)農(nóng)村能源碳排放空間集聚格局整體形勢(shì)較好。接下來(lái)，分別揭示4類集聚區(qū)分布格局的動(dòng)態(tài)變化特征。

（1）高-高型省份數(shù)量在2005—2019年間整體較為穩(wěn)定，基本維持在6個(gè)或者7個(gè)的水平。其中，2005年包含的地區(qū)為北京、天津、甘肅、青海、寧夏以及新疆；2010年，山西、內(nèi)蒙古加入其列，同時(shí)新疆轉(zhuǎn)變?yōu)榈?高集聚，高-高集聚區(qū)的省份數(shù)量增至7個(gè)；2015年，河北、浙江取代甘肅、青海、寧夏加入高-高集聚區(qū)，省份數(shù)量由此降至6個(gè)；2019年，上海因周邊出現(xiàn)高碳省份，由高-低集聚轉(zhuǎn)為高-高集聚，而同時(shí)內(nèi)蒙古轉(zhuǎn)變?yōu)榈?高集聚，故此時(shí)高-高集聚區(qū)的省份數(shù)量依舊維持在6個(gè)。整個(gè)過(guò)程中，北京、天津二市始終處于高-高集聚區(qū)，屬于我國(guó)農(nóng)村能源碳排放高強(qiáng)度集聚的核心區(qū)域，山西、河北、內(nèi)蒙古因與之鄰近，故也常位列其中；甘肅、青海、寧夏、新疆雖也一度位于高-高集聚區(qū)，但源于自身農(nóng)村能源碳排放強(qiáng)度的下降或者周邊省份情形的改善，最終都轉(zhuǎn)變成了其他類型。

（2）低-低型省份數(shù)量在2005—2019年間整體處于增加態(tài)勢(shì)，由最初12個(gè)增至最終的16個(gè)。其中，2005年包含的地區(qū)為遼寧、吉林、黑龍江、江蘇、安徽等12個(gè)省份，東北、華東、華中、華南整體連片。2010年，低-低集聚區(qū)的省份數(shù)量增至13個(gè)，在維持原有省份不變的前提下，云南因鄰近地區(qū)出現(xiàn)較多低碳省份，其集聚類型由低-高集聚轉(zhuǎn)變?yōu)榈?低集聚。2015年，低-低集聚區(qū)的省份數(shù)量進(jìn)一步增至15個(gè)，重慶、四川、陜西均首次進(jìn)入，而廣東則轉(zhuǎn)為高-低集聚，其他各省集聚類型維持不變。2019年，甘肅、新疆取代湖南成為低-低集聚區(qū)新的成員，總的省份數(shù)量最終停留在16個(gè)。整個(gè)過(guò)程中，遼寧、吉林、黑龍江等10省份始終處在低-低集聚區(qū)內(nèi)，且隨著時(shí)間的推進(jìn)所包含的省份不斷增加，通過(guò)分析可知，我國(guó)絕大多數(shù)區(qū)域農(nóng)村能源碳排放整體呈現(xiàn)低-低集聚特征，尤其以東北、華東、西南地區(qū)表現(xiàn)最為明顯。

（3）高-低型省份數(shù)量在2005—2019年間相對(duì)較少，基本維持在3個(gè)或者4個(gè)的水平，但同時(shí)其內(nèi)部省份構(gòu)成變化較大。其中，2005年包含的地區(qū)為山西、上海、重慶、貴州等4省份。2010年，與上期相比山西轉(zhuǎn)變?yōu)楦?高集聚，余下省份所屬集聚類型保持不變。2015年，重慶轉(zhuǎn)變?yōu)榈?低集聚，但同時(shí)廣東、青海分別由低-低集聚、高-高集聚轉(zhuǎn)變至此，使得總的省份數(shù)量增至4個(gè)。2019年，雖然長(zhǎng)期處于此列的上海轉(zhuǎn)為高-高集聚，但由于湖南的首次加入，使得處于高-低集聚區(qū)的省份數(shù)量依舊維持在4個(gè)?？傮w來(lái)看，HL型集聚區(qū)所含省份除個(gè)別相鄰?fù)猓w分布較為分散，最終華中、華南、西南、西北地區(qū)各包含一省。

表5 2005—2019年我國(guó)農(nóng)村能源碳排放強(qiáng)度的局部空間聚類情況

（4）低-高型省份數(shù)量在2005—2019年間整體處于波動(dòng)減少態(tài)勢(shì)，由最初的8個(gè)減至最終的4個(gè)。其中，2005年包含河北、內(nèi)蒙古、浙江、山東、河南、四川、云南以及陜西等八省份。2010年，內(nèi)蒙古、云南分別轉(zhuǎn)變?yōu)楦?高集聚和低-低集聚，但同時(shí)新疆由高-高集聚轉(zhuǎn)變到此，從而使得處在低-高集聚區(qū)的省份數(shù)量變?yōu)?個(gè)。2015年，河北、浙江轉(zhuǎn)變?yōu)楦?高集聚，四川、陜西轉(zhuǎn)變?yōu)榈?低集聚，但同時(shí)甘肅、寧夏由高-高集聚轉(zhuǎn)變到此，使得最終省份數(shù)量降至5個(gè)。2019年，甘肅、新疆轉(zhuǎn)變?yōu)榈?低集聚，但同時(shí)內(nèi)蒙古由高-高集聚轉(zhuǎn)變到此，總的省份數(shù)量最終停留在4個(gè)。綜合來(lái)看，山東、河南作為相對(duì)低值省份長(zhǎng)期被能源碳排放高值省份所包圍；四川、云南、陜西則隨著周邊省份農(nóng)村能源碳排放強(qiáng)度的降低而逐步轉(zhuǎn)變?yōu)榈?低集聚；河北、浙江不僅長(zhǎng)期為碳排放高值省份所包圍，自身更是在后期成了高值省份。

2.3 農(nóng)村能源碳排放影響因素及空間溢出效應(yīng)分析

2.3.1 全局空間自相關(guān)檢驗(yàn) 在進(jìn)行農(nóng)村能源碳排放影響因素分析之前，本文對(duì)被解釋變量以及各個(gè)解釋變量進(jìn)行全局空間自相關(guān)檢驗(yàn)。依據(jù)STIRPAT擴(kuò)展模型的基本要求，首先需對(duì)各變量取對(duì)數(shù)，而后方可進(jìn)行全局莫蘭指數(shù)測(cè)算，相關(guān)結(jié)果如表6所示。

由表6可知，被解釋變量農(nóng)村能源碳排放強(qiáng)度的莫蘭指數(shù)在所有年份均通過(guò)了顯著性檢驗(yàn)，其數(shù)值經(jīng)歷了一定升降起伏但總體處于上升態(tài)勢(shì)，由此揭示考察期內(nèi)我國(guó)農(nóng)村能源碳排放強(qiáng)度一直存在空間自相關(guān)特征且其關(guān)聯(lián)效應(yīng)隨著時(shí)間的推移整體略有提升。解釋變量中，除農(nóng)業(yè)技術(shù)進(jìn)步因素之外，其他各變量的莫蘭指數(shù)均在多數(shù)年份通過(guò)顯著性檢驗(yàn)并展現(xiàn)了空間自相關(guān)特征，但各自在考察期內(nèi)所呈現(xiàn)的集聚程度卻也不盡相同。其中，農(nóng)村富裕程度、農(nóng)村勞動(dòng)力結(jié)構(gòu)、農(nóng)業(yè)產(chǎn)業(yè)集聚、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)等四變量展現(xiàn)出相對(duì)穩(wěn)定且較強(qiáng)的空間集聚特性；農(nóng)村金融集聚雖然存在空間自相關(guān)且莫蘭指數(shù)值變化較為穩(wěn)定但其集聚程度相對(duì)偏弱；農(nóng)業(yè)發(fā)展水平的集聚程度總體呈逐步減弱趨勢(shì)；農(nóng)業(yè)財(cái)政投資雖在2006年一度轉(zhuǎn)呈空間擴(kuò)散，但自此之后呈現(xiàn)出波動(dòng)上升的空間集聚態(tài)勢(shì)。

表6 2005—2019年各變量的空間自相關(guān)檢驗(yàn)結(jié)果

*、**、***分別表示在10%、5%、1%水平下顯著。ln、ln、ln、ln、ln、ln、ln、ln、ln依次為農(nóng)村能源碳排放強(qiáng)度、農(nóng)村富裕程度、農(nóng)業(yè)技術(shù)進(jìn)步、農(nóng)村勞動(dòng)力結(jié)構(gòu)、農(nóng)村金融集聚、農(nóng)業(yè)發(fā)展水平、農(nóng)業(yè)財(cái)政投資、農(nóng)業(yè)產(chǎn)業(yè)集聚、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)等變量的對(duì)數(shù)形式。表7、8同

*,**, and***indicate significant differences at the 10%, 5%, and 1% levels, respectively. ln, ln, ln, ln, ln, ln, ln, ln, lnare the logarithmic forms of variables such as rural energy carbon emission intensity, rural wealth, agricultural technology progress, rural labor force structure, rural financial agglomeration, agricultural development level, agriculture fiscal investment, agricultural industrial agglomeration, agricultural industrial structure.Table 7 and Table 8 are the same

2.3.2 各因素對(duì)農(nóng)村能源碳排放影響的直接效應(yīng) 基于前文分析已知，經(jīng)過(guò)STIRPAT模型處理后的農(nóng)村能源碳排放強(qiáng)度以及各個(gè)解釋變量均存在空間自相關(guān)特征，接下來(lái)即利用空間計(jì)量模型探討各因素對(duì)農(nóng)村能源碳排放強(qiáng)度的影響。為了確保研究結(jié)果呈現(xiàn)的更為準(zhǔn)確、直觀，本文參照Lesage等[42]的做法，利用偏微分法將實(shí)證估計(jì)結(jié)果分解為直接效應(yīng)、間接效應(yīng)（即空間溢出效應(yīng)）與總效應(yīng)。綜合LM（error）檢驗(yàn)（154.26***）、LM（lag）檢驗(yàn)（28.03***）、LR（sdm sar）檢驗(yàn)（74.34***）、LR（sdm sem）檢驗(yàn)（73.59***）、Wald（sdm sar）檢驗(yàn)（22.25***）以及Wald（sdm sem）檢驗(yàn)（20.64***）的結(jié)果可知，空間杜賓模型相對(duì)適用于本文研究。與此同時(shí)，雙固定效應(yīng)下的Hausman檢驗(yàn)結(jié)果（18.69***）也通過(guò)了顯著性檢驗(yàn)，故在既有模型的基礎(chǔ)上還將加入雙固定效應(yīng)。相關(guān)回歸結(jié)果如表7所示。

表7 各變量對(duì)農(nóng)村能源碳排放影響的直接效應(yīng)與間接效應(yīng)

由表7可知，社會(huì)因素層面，農(nóng)村富裕程度在1%水平下通過(guò)顯著性檢驗(yàn)且系數(shù)為正，由此揭示，居民收入水平越高，農(nóng)村能源碳排放強(qiáng)度越高?？赡艿慕忉屖牵杖胨降奶岣邥?huì)擴(kuò)大農(nóng)村居民對(duì)高耗能家電、商用貨車、家用轎車的現(xiàn)實(shí)需求，以及農(nóng)業(yè)生產(chǎn)過(guò)程中對(duì)各類現(xiàn)代化農(nóng)機(jī)具的偏愛(ài)，由此加劇了對(duì)電力、柴油以及汽油等能源的使用，進(jìn)而導(dǎo)致碳排放處于較高水平。農(nóng)業(yè)技術(shù)進(jìn)步與農(nóng)村勞動(dòng)力結(jié)構(gòu)均在1%水平下通過(guò)顯著性檢驗(yàn)且系數(shù)為負(fù)，表明二者均對(duì)農(nóng)村能源碳排放產(chǎn)生了明顯的抑制作用?？赡艿慕忉屖?，技術(shù)進(jìn)步促使農(nóng)業(yè)能源利用效率得到提升，客觀上降低了整個(gè)農(nóng)村的能源碳排放水平。農(nóng)業(yè)勞動(dòng)力占比越高，一定程度上會(huì)對(duì)能源等其他要素投入形成替代，促使其碳排放水平降低。

經(jīng)濟(jì)因素層面，農(nóng)村金融集聚與農(nóng)業(yè)發(fā)展水平變量均在5%水平下通過(guò)顯著性檢驗(yàn)且二者系數(shù)也都為正，即在其他條件不變的前提下，農(nóng)村金融集聚度抑或農(nóng)業(yè)發(fā)展水平的提升，都會(huì)導(dǎo)致農(nóng)村能源碳排放強(qiáng)度的增加。可能的解釋是，金融集聚度的提升有助于農(nóng)村居民通過(guò)正規(guī)渠道獲取以小額信貸為代表的各類金融服務(wù)，如此一方面可以有效促進(jìn)家庭農(nóng)場(chǎng)發(fā)展并加快農(nóng)業(yè)生產(chǎn)機(jī)械化、現(xiàn)代化進(jìn)程，另一方面還能為農(nóng)村居民建造新房、購(gòu)買(mǎi)家電、汽車等提供一定的資金保障，但無(wú)論以上哪種情形，都會(huì)加劇對(duì)能源的利用，進(jìn)而導(dǎo)致整體碳排放水平不斷提升。農(nóng)業(yè)發(fā)展水平表現(xiàn)出正向影響可能與現(xiàn)階段我國(guó)仍以傳統(tǒng)“高投入-高產(chǎn)出”為主的農(nóng)業(yè)發(fā)展模式有關(guān)，該模式下農(nóng)業(yè)經(jīng)濟(jì)增長(zhǎng)較為依賴各類能源的過(guò)量投入，而大量的能源消耗顯然會(huì)導(dǎo)致碳排放水平的提升。

產(chǎn)業(yè)因素層面，僅農(nóng)業(yè)產(chǎn)業(yè)集聚在1%水平下通過(guò)顯著性檢驗(yàn)且系數(shù)為正，由此表明，在其他條件不變的前提下，農(nóng)業(yè)產(chǎn)業(yè)集聚度越高，農(nóng)村能源碳排放強(qiáng)度越高?？赡艿慕忉屖牵壳拔覈?guó)絕大多數(shù)省份處于農(nóng)業(yè)產(chǎn)業(yè)集聚的形成與發(fā)展階段，農(nóng)業(yè)生產(chǎn)趨向規(guī)模化與集約化，客觀上加劇了對(duì)農(nóng)用機(jī)械以及農(nóng)業(yè)能源的需求，但受限于基礎(chǔ)設(shè)施建設(shè)不夠完善、生產(chǎn)管理模式未達(dá)最優(yōu)、整體資源配置存在欠缺等一些不利因素的影響，致使能源利用效率未能得到顯著提升，進(jìn)而導(dǎo)致碳排放水平居高不下。

2.3.3 各因素對(duì)農(nóng)村能源碳排放的空間溢出效應(yīng) 同樣結(jié)合表7可知，社會(huì)因素層面，僅農(nóng)村富裕程度表現(xiàn)出了空間溢出效應(yīng)且作用方向?yàn)樨?fù)，而農(nóng)業(yè)技術(shù)進(jìn)步、農(nóng)村勞動(dòng)力結(jié)構(gòu)二變量均不具有空間溢出效應(yīng)。經(jīng)濟(jì)因素層面，農(nóng)村金融集聚與農(nóng)業(yè)發(fā)展水平均表現(xiàn)出了空間溢出效應(yīng)但二者作用方向不同，前者為正后者為負(fù)；而農(nóng)業(yè)財(cái)政投資雖不存在直接效應(yīng)但卻具有負(fù)向的空間溢出效應(yīng)。產(chǎn)業(yè)因素層面，農(nóng)業(yè)產(chǎn)業(yè)集聚存在明顯的空間溢出效應(yīng)且作用方向?yàn)樨?fù)，而農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)未表現(xiàn)出空間溢出效應(yīng)。

綜合來(lái)看，上述影響因素中的絕大多數(shù)對(duì)農(nóng)村能源碳排放強(qiáng)度具有空間溢出效應(yīng)且主要表現(xiàn)為抑制作用?？赡艿脑蚴?，社會(huì)因素層面，隨著本地農(nóng)村富裕程度的顯著提升，先富人群會(huì)傾向前往周邊省份拓展涉農(nóng)相關(guān)業(yè)務(wù)，此類人群相比一般農(nóng)村居民更具遠(yuǎn)見(jiàn)，能更好地執(zhí)行國(guó)家“雙碳”政策。而在政策的有效引導(dǎo)下，不僅有助于農(nóng)業(yè)生產(chǎn)者樹(shù)立節(jié)能減排意識(shí)，還利于農(nóng)村居民貫徹能源低碳消費(fèi)理念，由此客觀上抑制了周邊省份農(nóng)村能源碳排放強(qiáng)度的提升。

經(jīng)濟(jì)因素層面，農(nóng)村金融集聚度的提高使得農(nóng)村居民一定程度上可以通過(guò)借貸滿足自身對(duì)農(nóng)用機(jī)械以及家電、汽車等各類生產(chǎn)生活高耗能產(chǎn)品的消費(fèi)需求，而如此模式也極易得到周邊省份的效仿，使農(nóng)村能源消耗量增加但利用率偏低，整體資源配置效率不高，最終同本地一樣，碳排放強(qiáng)度亦上升。農(nóng)業(yè)發(fā)展水平的提高雖然短期內(nèi)較難改變本地農(nóng)業(yè)“高投入-高產(chǎn)出”的傳統(tǒng)經(jīng)營(yíng)模式，但在發(fā)展中會(huì)積極探索低碳生產(chǎn)方式并總結(jié)經(jīng)驗(yàn)教訓(xùn)，而這顯然為周邊省份提供了有益借鑒并助力他們農(nóng)村能源碳排放強(qiáng)度下降。農(nóng)業(yè)財(cái)政投資的溢出效應(yīng)邏輯與農(nóng)業(yè)發(fā)展水平較為類似，雖然對(duì)本地碳排放的影響不甚明顯，但在與周邊省份的交流互助過(guò)程中，自身財(cái)政資金支出結(jié)構(gòu)的優(yōu)化與利用效率的提升都能產(chǎn)生積極的溢出效應(yīng)，進(jìn)而促使鄰近省份農(nóng)村能源碳排放強(qiáng)度的降低。

產(chǎn)業(yè)因素層面，伴隨著產(chǎn)業(yè)集聚程度的不斷提升，農(nóng)業(yè)生產(chǎn)逐步趨于規(guī)?；?、集約化，此時(shí)對(duì)能源依賴愈發(fā)強(qiáng)烈，客觀上致使本地農(nóng)村能源碳排放量的增加。不過(guò)，在這個(gè)過(guò)程中本地也在積極探索更為優(yōu)化的管理模式，同時(shí)強(qiáng)化農(nóng)業(yè)農(nóng)村基礎(chǔ)設(shè)施建設(shè)并合理配置各類資源。在此基礎(chǔ)上，本地與周邊省份加強(qiáng)合作交流，并在他們尚未形成“能源依賴性”時(shí)即產(chǎn)生了技術(shù)溢出、知識(shí)溢出以及經(jīng)驗(yàn)溢出，從而有力促進(jìn)了周邊省份農(nóng)村能源碳排放強(qiáng)度的下降。

2.3.4 穩(wěn)健性檢驗(yàn) 為確保研究結(jié)論的準(zhǔn)確性，有必要對(duì)上述回歸結(jié)果進(jìn)行穩(wěn)健性檢驗(yàn)。鑒于本文是利用地理距離空間權(quán)重矩陣探究非鄰接省份間的相互作用關(guān)系，故選擇同為考慮距離因素的反距離空間權(quán)重矩陣與之替換，然后通過(guò)比對(duì)來(lái)驗(yàn)證表7所呈現(xiàn)的回歸結(jié)果是否穩(wěn)健。相關(guān)結(jié)果如表8所示。

表8 反距離矩陣下各變量對(duì)農(nóng)村能源碳排放影響的直接效應(yīng)與間接效應(yīng)

通過(guò)比較發(fā)現(xiàn)，各變量的作用方向與表7基本一致，只有少數(shù)變量在結(jié)果的顯著性上表現(xiàn)出一定差別。其中，直接效應(yīng)方面，除了農(nóng)村勞動(dòng)力結(jié)構(gòu)與農(nóng)業(yè)發(fā)展水平在更換為反距離矩陣后顯著性消失外，其余各變量的顯著性均無(wú)變化?？臻g溢出效應(yīng)方面，替換為空間權(quán)重矩陣后，農(nóng)業(yè)財(cái)政投資變量的顯著性消失，而余下變量的顯著性并未發(fā)生變化。綜合來(lái)看，在替換空間權(quán)重矩陣之后，各個(gè)解釋變量的作用方向與顯著性特點(diǎn)并未發(fā)生太大改變，為此可認(rèn)為表7所得到結(jié)果具有較強(qiáng)的穩(wěn)健性。

3 討論

3.1 研究創(chuàng)新與不足

相比以往研究[24,28,30]，本文的邊際貢獻(xiàn)主要體現(xiàn)在以下3點(diǎn)：一是拓展了農(nóng)村能源碳排放的理論邊界。在厘清氣候中性碳與氣候?yàn)?zāi)性碳區(qū)別的基礎(chǔ)上，將農(nóng)業(yè)生產(chǎn)能源耗費(fèi)碳排放與農(nóng)村居民生活能源消費(fèi)碳排放納入到一起進(jìn)行考察，并將其界定為“農(nóng)村能源碳排放”，如此做法明顯區(qū)別于已有研究。二是對(duì)我國(guó)農(nóng)村能源碳排放現(xiàn)狀與特點(diǎn)形成了更為全面的認(rèn)知。不僅從總量、強(qiáng)度雙重維度剖析了我國(guó)農(nóng)村能源碳排放的時(shí)序演變軌跡與省際差異特點(diǎn)，還運(yùn)用自相關(guān)模型考察了其空間依賴性與空間異質(zhì)性。三是厘清了影響農(nóng)村能源碳排放的關(guān)鍵動(dòng)因。從社會(huì)、經(jīng)濟(jì)以及產(chǎn)業(yè)3個(gè)層面識(shí)別出了影響農(nóng)村能源碳排放強(qiáng)度變化的主要因素，并深度探討了各自是否表現(xiàn)出空間溢出效應(yīng)。

當(dāng)然，限于研究能力的不足以及部分?jǐn)?shù)據(jù)較難獲取，本文也存在一定欠缺，主要體現(xiàn)在現(xiàn)有測(cè)算重點(diǎn)考察了農(nóng)業(yè)生產(chǎn)、農(nóng)村居民生活中各類直接能源消耗所導(dǎo)致的碳排放，而囿于相關(guān)基礎(chǔ)數(shù)據(jù)的較難獲取未將各類間接能源及秸稈等可再生能源納入其中，從而一定程度上導(dǎo)致了對(duì)碳排放總量的低估。后續(xù)研究中擬通過(guò)咨詢相關(guān)部門(mén)、實(shí)地調(diào)研等方式對(duì)該問(wèn)題予以克服。

3.2 建議

研究結(jié)果顯示，考察期內(nèi)我國(guó)農(nóng)村能源碳排放總量與強(qiáng)度均表現(xiàn)出了一定的上升態(tài)勢(shì)，同時(shí)存在明顯的省際差異；我國(guó)省域農(nóng)村能源碳排放強(qiáng)度具有明顯的空間依賴性與空間異質(zhì)性；社會(huì)、經(jīng)濟(jì)以及產(chǎn)業(yè)等3個(gè)層面因素均對(duì)農(nóng)村能源碳排放產(chǎn)生顯著影響。實(shí)踐中，為了更好地推進(jìn)農(nóng)村能源碳減排，可考慮從以下幾方面著手。

一是全力構(gòu)建農(nóng)村區(qū)域減排共同體，積極引導(dǎo)省際交流互動(dòng)。加快低-低集聚型省份農(nóng)村能源碳減排示范帶建設(shè)步伐，持續(xù)推進(jìn)省際協(xié)同減排，進(jìn)而實(shí)現(xiàn)整體減排工作穩(wěn)中求進(jìn)；對(duì)高-高集聚型省份實(shí)施目標(biāo)約束，積極引導(dǎo)其吸取減排引領(lǐng)地區(qū)先進(jìn)經(jīng)驗(yàn)，逐步實(shí)現(xiàn)由高值集聚向低值集聚轉(zhuǎn)變。

二是相關(guān)部門(mén)應(yīng)強(qiáng)化政策導(dǎo)向，持續(xù)推進(jìn)農(nóng)業(yè)生產(chǎn)要素優(yōu)化升級(jí)。一方面，政府部門(mén)加強(qiáng)政策引導(dǎo)并輔以必要的財(cái)政資金支持，通過(guò)顛覆性低碳生產(chǎn)技術(shù)的研發(fā)強(qiáng)化技術(shù)進(jìn)步在農(nóng)村能源碳減排中的關(guān)鍵性作用；另一方面，建立健全相關(guān)政策帶動(dòng)農(nóng)村低碳發(fā)展領(lǐng)域人才隊(duì)伍建設(shè)并優(yōu)化農(nóng)村勞動(dòng)力結(jié)構(gòu)，以此推進(jìn)農(nóng)村能源碳減排。

三是各省份既要推進(jìn)自身低碳農(nóng)村發(fā)展，也要有力帶動(dòng)周邊省份農(nóng)村能源碳減排。鑒于農(nóng)業(yè)強(qiáng)與農(nóng)民富均能有力帶動(dòng)周邊省份農(nóng)村能源碳減排，故各省份除自身需積極推動(dòng)農(nóng)業(yè)漸強(qiáng)發(fā)展、助力農(nóng)民生活富裕富足外，還應(yīng)注重正向效應(yīng)輻射，帶動(dòng)周邊省份共建美麗低碳鄉(xiāng)村。

4 結(jié)論

4.1 2005—2019年我國(guó)農(nóng)村能源碳排放總量整體處于持續(xù)上升態(tài)勢(shì)，究其原因主要?dú)w結(jié)于農(nóng)村居民能源消費(fèi)量的不斷增加。同一時(shí)期農(nóng)村能源碳排放強(qiáng)度略有上升，雖存在一定年際起伏但總體波動(dòng)較小。

4.2 2019年農(nóng)村能源碳排放量以河北居首寧夏最末，相比2005年絕大多數(shù)省份呈現(xiàn)增長(zhǎng)態(tài)勢(shì)且以陜西增幅最大；2019年農(nóng)村能源碳排放強(qiáng)度最高的是北京，海南最低；相比2005年超過(guò)半數(shù)省（市、區(qū)）呈下降態(tài)勢(shì)，且以貴州省降幅最大。

4.3 我國(guó)農(nóng)村能源碳排放強(qiáng)度存在明顯且穩(wěn)定的空間依賴性，具體表現(xiàn)為碳排放強(qiáng)度高、低值?。ㄊ?、區(qū)）分別與一個(gè)或者多個(gè)高、低值?。ㄊ小^(qū)）相鄰。同時(shí)，我國(guó)農(nóng)村能源碳排放亦存在明顯的局部空間聚類現(xiàn)象，其中低-低集聚型省份數(shù)量較多且處于增長(zhǎng)態(tài)勢(shì)。

4.4 農(nóng)村富裕程度、農(nóng)村金融集聚度、農(nóng)業(yè)產(chǎn)業(yè)集聚度的提升以及農(nóng)業(yè)發(fā)展水平的提高均會(huì)直接導(dǎo)致農(nóng)村能源碳排放強(qiáng)度的增加，而農(nóng)業(yè)技術(shù)進(jìn)步與農(nóng)村勞動(dòng)力結(jié)構(gòu)變化卻能起到抑制作用。農(nóng)村富裕程度、農(nóng)村金融集聚度、農(nóng)業(yè)產(chǎn)業(yè)集聚度以及農(nóng)業(yè)財(cái)政投資均表現(xiàn)出了負(fù)向的空間溢出效應(yīng)，而農(nóng)業(yè)發(fā)展水平則情形相反，表現(xiàn)出了正向的空間溢出效應(yīng)。

[1] 潘家華. 中國(guó)碳中和的時(shí)間進(jìn)程與戰(zhàn)略路徑. 財(cái)經(jīng)智庫(kù), 2021, 6(4): 42-66, 141.

PAN J H. On the time course and strategic path of carbon neutralization in China. Financial Minds, 2021, 6(4): 42-66, 141. (in Chinese)

[2] WEST T O, MARLAND G. A synthesis of carbon sequestration, carbon emissions, and net carbon flux in agriculture: comparing tillage practices in the United States. Agriculture, Ecosystems & Environment, 2002, 91(1/2/3): 217-232.

[3] JOHNSON J M F, FRANZLUEBBERS A J, WEYERS S L, REICOSKY D C. Agricultural opportunities to mitigate greenhouse gas emissions. Environmental Pollution, 2007, 150(1): 107-124.

[4] 董紅敏, 李玉娥, 陶秀萍, 彭小培, 李娜, 朱志平. 中國(guó)農(nóng)業(yè)源溫室氣體排放與減排技術(shù)對(duì)策. 農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(10): 269-273.

DONG H M, LI Y E, TAO X P, PENG X P, LI N, ZHU Z P. China greenhouse gas emissions from agricultural activities and its mitigation strategy. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(10): 269-273. (in Chinese)

[5] 李俊杰. 民族地區(qū)農(nóng)地利用碳排放測(cè)算及影響因素研究. 中國(guó)人口·資源與環(huán)境, 2012, 22(9): 42-47.

LI J J. Research on characteristics and driving factors of agricultural land carbon emission in provinces of minorities in China. China Population, Resources and Environment, 2012, 22(9): 42-47. (in Chinese)

[6] 田云, 張俊飚, 李波. 基于投入角度的農(nóng)業(yè)碳排放時(shí)空特征及因素分解研究: 以湖北省為例. 農(nóng)業(yè)現(xiàn)代化研究, 2011, 32(6): 752-755.

TIAN Y, ZHANG J B, LI B. Research on spatial-temporal characteristics and factor decomposition of agricultural carbon emission based on input angle—taking Hubei Province for example. Research of Agricultural Modernization, 2011, 32(6): 752-755. (in Chinese)

[7] 劉月仙, 劉娟, 吳文良. 北京地區(qū)畜禽溫室氣體排放的時(shí)空變化分析. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2013, 21(7): 891-897.

LIU Y X, LIU J, WU W L. Spatiotemporal dynamics of greenhouse gases emissions from livestock and poultry in Beijing area during 1978—2009. Chinese Journal of Eco-Agriculture, 2013, 21(7): 891-897. (in Chinese)

[8] 邵桂蘭, 孔海崢, 于謹(jǐn)凱, 李晨. 基于LMDI法的我國(guó)海洋漁業(yè)碳排放驅(qū)動(dòng)因素分解研究. 農(nóng)業(yè)技術(shù)經(jīng)濟(jì), 2015(6): 119-128.

SHAO G L, KONG H Z, YU J K, LI C. Study on decomposition of driving factors of carbon emissions from marine fisheries in China based on LMDI method. Journal of Agrotechnical Economics, 2015(6): 119-128. (in Chinese)

[9] 閔繼勝, 胡浩. 中國(guó)農(nóng)業(yè)生產(chǎn)溫室氣體排放量的測(cè)算. 中國(guó)人口·資源與環(huán)境, 2012, 22(7): 21-27.

MIN J S, HU H. Calculation of greenhouse gases emission from agricultural production in China. China Population, Resources and Environment, 2012, 22(7): 21-27. (in Chinese)

[10] 金書(shū)秦, 林煜, 牛坤玉. 以低碳帶動(dòng)農(nóng)業(yè)綠色轉(zhuǎn)型：中國(guó)農(nóng)業(yè)碳排放特征及其減排路徑. 改革, 2021(5): 29-37.

JIN S Q, LIN Y, NIU K Y. Driving green transformation of agriculture with low carbon: characteristics of agricultural carbon emissions and its emission reduction path in China. Reform, 2021(5): 29-37. (in Chinese)

[11] 田云, 尹忞昊. 中國(guó)農(nóng)業(yè)碳排放再測(cè)算：基本現(xiàn)狀、動(dòng)態(tài)演進(jìn)及空間溢出效應(yīng). 中國(guó)農(nóng)村經(jīng)濟(jì), 2022(3): 104-127.

TIAN Y, YIN M H. Re-evaluation of China’s agricultural carbon emissions: basic status, dynamic evolution and spatial spillover effects. Chinese Rural Economy, 2022(3): 104-127. (in Chinese)

[12] 張廣勝, 王珊珊. 中國(guó)農(nóng)業(yè)碳排放的結(jié)構(gòu)、效率及其決定機(jī)制. 農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題, 2014, 35(7): 18-26, 110.

ZHANG G S, WANG S S. China’s agricultural carbon emission: structure, efficiency and its determinants. Issues in Agricultural Economy, 2014, 35(7): 18-26, 110. (in Chinese)

[13] 李波, 杜建國(guó), 劉雪琪. 湖北省農(nóng)業(yè)碳排放的時(shí)空特征及經(jīng)濟(jì)關(guān)聯(lián)性. 中國(guó)農(nóng)業(yè)科學(xué), 2019, 52(23): 4309-4319. doi: 10.3864/j.issn. 0578-1752.2019.23.011.

LI B, DU J G, LIU X Q. Spatial-temporal characteristics and economic relevance of agricultural carbon emissions in Hubei Province. Scientia Agricultura Sinica, 2019, 52(23): 4309-4319. doi: 10.3864/j.issn. 0578-1752.2019.23.011. (in Chinese)

[14] 伍國(guó)勇, 劉金丹, 楊麗莎. 中國(guó)農(nóng)業(yè)碳排放強(qiáng)度動(dòng)態(tài)演進(jìn)及碳補(bǔ)償潛力. 中國(guó)人口·資源與環(huán)境, 2021, 31(10): 69-78.

WU G Y, LIU J D, YANG L S. Dynamic evolution of China’s agricultural carbon emission intensity and carbon offset potential. China Population, Resources and Environment, 2021, 31(10): 69-78. (in Chinese)

[15] 田成詩(shī), 陳雨. 中國(guó)省際農(nóng)業(yè)碳排放測(cè)算及低碳化水平評(píng)價(jià): 基于衍生指標(biāo)與TOPSIS法的運(yùn)用. 自然資源學(xué)報(bào), 2021, 36(2): 395-410.

TIAN C S, CHEN Y. China’s provincial agricultural carbon emissions measurement and low carbonization level evaluation: based on the application of derivative indicators and TOPSIS. Journal of Natural Resources, 2021, 36(2): 395-410. (in Chinese)

[16] 田云, 王夢(mèng)晨. 湖北省農(nóng)業(yè)碳排放效率時(shí)空差異及影響因素. 中國(guó)農(nóng)業(yè)科學(xué), 2020, 53(24): 5063-5072. doi: 10.3864/j.issn.0578-1752.2020.24.009.

TIAN Y, WANG M C. Research on spatial and temporal difference of agricultural carbon emission efficiency and its influencing factors in Hubei Province. Scientia Agricultura Sinica, 2020, 53(24): 5063-5072. doi: 10.3864/j.issn.0578-1752.2020.24.009. (in Chinese)

[17] 吳賢榮, 張俊飚, 田云, 薛龍飛. 基于公平與效率雙重視角的中國(guó)農(nóng)業(yè)碳減排潛力分析. 自然資源學(xué)報(bào), 2015, 30(7): 1172-1182.

WU X R, ZHANG J B, TIAN Y, XUE L F. Analysis on China’s agricultural carbon abatement capacity from the perspective of both equity and efficiency. Journal of Natural Resources, 2015, 30(7): 1172-1182. (in Chinese)

[18] 顏廷武, 田云, 張俊飚, 汪洋. 中國(guó)農(nóng)業(yè)碳排放拐點(diǎn)變動(dòng)及時(shí)空分異研究. 中國(guó)人口·資源與環(huán)境, 2014, 24(11): 1-8.

YAN T W, TIAN Y, ZHANG J B, WANG Y. Research on inflection point change and spatial and temporal variation of China’s agricultural carbon emissions. China Population, Resources and Environment, 2014, 24(11): 1-8. (in Chinese)

[19] 吳金鳳, 王秀紅. 不同農(nóng)業(yè)經(jīng)濟(jì)發(fā)展水平下的碳排放對(duì)比分析: 以鹽池縣和平度市為例. 資源科學(xué), 2017, 39(10): 1909-1917.

WU J F, WANG X H. Comparative analysis of agricultural carbon emissions at different agricultural economic development levels in Yanchi County and Pingdu City. Resources Science, 2017, 39(10): 1909-1917. (in Chinese)

[20] 董明濤. 我國(guó)農(nóng)業(yè)碳排放與產(chǎn)業(yè)結(jié)構(gòu)的關(guān)聯(lián)研究. 干旱區(qū)資源與環(huán)境, 2016, 30(10): 7-12.

DONG M T. The association of agricultural carbon emissions and industrial structure in China. Journal of Arid Land Resources and Environment, 2016, 30(10): 7-12. (in Chinese)

[21] ALI B, ULLAH A, KHAN D. Does the prevailing Indian agricultural ecosystem cause carbon dioxide emission? A consent towards risk reduction. Environmental Science and Pollution Research International, 2021, 28(4): 4691-4703.

[22] 李國(guó)志, 李宗植. 中國(guó)農(nóng)業(yè)能源消費(fèi)碳排放因素分解實(shí)證分析: 基于LMDI模型. 農(nóng)業(yè)技術(shù)經(jīng)濟(jì), 2010(10): 66-72.

LI G Z, LI Z Z. Empirical analysis on decomposition of carbon emission factors of agricultural energy consumption in china—based on LMDI model. Journal of Agrotechnical Economics, 2010(10): 66-72. (in Chinese)

[23] 韓岳峰, 張龍. 中國(guó)農(nóng)業(yè)碳排放變化因素分解研究: 基于能源消耗與貿(mào)易角度的LMDI分解法. 當(dāng)代經(jīng)濟(jì)研究, 2013(4): 47-52.

HAN Y F, ZHANG L. Decomposition of Agricultural Carbon Emissions in China—LMDI decomposition method based on energy consumption and trade. Contemporary Economic Research, 2013(4): 47-52. (in Chinese)

[24] 胡劍波, 王青松. 基于泰爾指數(shù)的中國(guó)農(nóng)業(yè)能源消費(fèi)碳排放區(qū)域差異研究. 貴州社會(huì)科學(xué), 2019(7): 108-117.

HU J B, WANG Q S. Study on regional differences of carbon emission in agricultural energy consumption based on theil index. Guizhou Social Sciences, 2019(7): 108-117. (in Chinese)

[25] 魏瑋, 文長(zhǎng)存, 崔琦, 解偉. 農(nóng)業(yè)技術(shù)進(jìn)步對(duì)農(nóng)業(yè)能源使用與碳排放的影響: 基于GTAP-E模型分析. 農(nóng)業(yè)技術(shù)經(jīng)濟(jì), 2018(2): 30-40.

WEI W, WEN C C, CUI Q, XIE W. The impacts of technological advance on agricultural energy use and carbon emission-an analysis based on GTAP-E model. Journal of Agrotechnical Economics, 2018(2): 30-40. (in Chinese)

[26] 田云, 尹忞昊. 技術(shù)進(jìn)步促進(jìn)了農(nóng)業(yè)能源碳減排嗎? 基于回彈效應(yīng)與空間溢出效應(yīng)的檢驗(yàn). 改革, 2021(12): 45-58.

TIAN Y, YIN M H. Does technological progress promote carbon emission reduction of agricultural energy? Test based on rebound effect and spatial spillover effect. Reform, 2021(12): 45-58. (in Chinese)

[27] LIU W L, WANG C, MOL A P J. Rural residential CO2emissions in China: where is the major mitigation potential? Energy Policy, 2012, 51: 223-232.

[28] 萬(wàn)文玉, 趙雪雁, 王偉軍, 薛冰. 我國(guó)農(nóng)村居民生活能源碳排放的時(shí)空特征分析. 生態(tài)學(xué)報(bào), 2017, 37(19): 6390-6401.

WAN W Y, ZHAO X Y, WANG W J, XUE B. Analysis of spatio-temporal patterns of carbon emission from energy consumption by rural residents in China. Acta Ecologica Sinica, 2017, 37(19): 6390-6401. (in Chinese)

[29] 劉莉娜, 曲建升, 曾靜靜, 李燕, 邱巨龍, 王莉. 灰色關(guān)聯(lián)分析在中國(guó)農(nóng)村家庭碳排放影響因素分析中的應(yīng)用. 生態(tài)環(huán)境學(xué)報(bào), 2013, 22(3): 498-505.

LIU L N, QU J S, ZENG J J, LI Y, QIU J L, WANG L. Application of gray relational analysis method in the influencing factor analysis of China’s rural household carbon emissions. Ecology and Environmental Sciences, 2013, 22(3): 498-505. (in Chinese)

[30] 張恒碩, 李紹萍, 彭民. 中國(guó)農(nóng)村能源消費(fèi)碳排放區(qū)域非均衡性及驅(qū)動(dòng)因素動(dòng)態(tài)識(shí)別. 中國(guó)農(nóng)村經(jīng)濟(jì), 2022(1): 112-134.

ZHANG H S, LI S P, PENG M. Regional imbalance of carbon emissions from China’s rural energy consumption and dynamic identification of driving factors. Chinese Rural Economy, 2022(1): 112-134. (in Chinese)

[31] 曹翔, 高瑀, 劉子琪. 農(nóng)村人口城鎮(zhèn)化對(duì)居民生活能源消費(fèi)碳排放的影響分析. 中國(guó)農(nóng)村經(jīng)濟(jì), 2021(10): 64-83.

CAO X, GAO Y, LIU Z Q. The impact of urbanization of rural residents on carbon emissions from household energy consumption. Chinese Rural Economy, 2021(10): 64-83. (in Chinese)

[32] 蔣金荷. 中國(guó)城鎮(zhèn)住宅碳排放強(qiáng)度分析和用能政策反思. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究, 2015, 32(6): 90-104.

JIANG J H. China’s urban residential carbon intensity decomposition and energy policy rethink. The Journal of Quantitative & Technical Economics, 2015, 32(6): 90-104. (in Chinese)

[33] 田云, 陳池波. 中國(guó)碳減排成效評(píng)估、后進(jìn)地區(qū)識(shí)別與路徑優(yōu)化. 經(jīng)濟(jì)管理, 2019, 41(6): 22-37.

TIAN Y, CHEN C B. Effectiveness evaluation of carbon emission reduction in China, identification of backward areas and path optimization. Business Management Journal, 2019, 41(6): 22-37. (in Chinese)

[34] 袁華錫, 劉耀彬, 封亦代. 金融集聚如何影響綠色發(fā)展效率?: 基于時(shí)空雙固定的SPDM與PTR模型的實(shí)證分析. 中國(guó)管理科學(xué), 2019, 27(11): 61-75.

YUAN H X, LIU Y B, FENG Y D. How does financial agglomeration affect green development Efficiency? Empirical analysis of SPDM and PTR models considering spatio-temporal double fixation. Chinese Journal of Management Science, 2019, 27(11): 61-75. (in Chinese)

[35] YORK R, ROSA E A, DIETZ T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts. Ecological Economics, 2003, 46(3): 351-365.

[36] 楊騫, 劉華軍. 中國(guó)二氧化碳排放的區(qū)域差異分解及影響因素: 基于1995—2009年省際面板數(shù)據(jù)的研究. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究, 2012, 29(5): 36-49, 148.

YANG Q, LIU H J. Regional difference decomposition and influence factors of China’s carbon dioxide emissions. The Journal of Quantitative & Technical Economics, 2012, 29(5): 36-49, 148. (in Chinese)

[37] ANSELIN L. Spatial Econometrics: Methods and Models. Boston: Kluwer Academic Publishers, 1988.

[38] 田云, 林子娟. 中國(guó)省域農(nóng)業(yè)碳排放效率與經(jīng)濟(jì)增長(zhǎng)的耦合協(xié)調(diào). 中國(guó)人口·資源與環(huán)境, 2022, 32(4): 13-22.

TIAN Y, LIN Z J. Coupling coordination between agricultural carbon emission efficiency and economic growth at provincial level in China. China Population, Resources and Environment, 2022, 32(4): 13-22. (in Chinese)

[39] SADORSKY P. Financial development and energy consumption in Central and Eastern European frontier economies. Energy Policy, 2011, 39(2): 999-1006.

[40] SHAHBAZ M, ALI NASIR M, ROUBAUD D. Environmental degradation in France: the effects of FDI, financial development, and energy innovations. Energy Economics, 2018, 74: 843-857.

[41] 聶麗, 石凱. 農(nóng)村金融集聚影響農(nóng)村經(jīng)濟(jì)增長(zhǎng)的區(qū)域差異與路徑選擇. 財(cái)貿(mào)研究, 2021, 32(5): 37-48.

NIE L, SHI K. Regional differences and path selection of rural finance aggregation affecting rural economic growth. Finance and Trade Research, 2021, 32(5): 37-48. (in Chinese)

[42] LESAGE J P, PACE R K. Introduction to Spatial Econometrics. Boca Raton: CRC Press, 2009.

Spatial-Temporal Pattern, Influencing Factors and Spatial Spillover Effect of Rural Energy Carbon Emissions in China

TIAN Yun1, YIN Minhao1, ZHANG Huijie2

1School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073;2Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing 100081

【Objective】In the context of the “dual carbon” strategy, clarifying the current characteristics, spatial-temporal pattern and influencing factors of rural energy carbon emissions can provide important support for effectively promoting rural low-carbon development. 【Method】Carbon emission factor method is used to measure rural energy carbon emissions in China effectively, and analyze its temporal and spatial characteristics. Then, the autocorrelation model is used to explore its spatial correlation pattern. Finally, the introduction of STIRPAT extended model is used to analyze the main factors affecting its intensity changes and the spatial spillover effect. 【Result】China's total rural energy carbon emissions are in a continuous upward trend, with an increase of 77.55% in 2019 compared with 2005, which is mainly attributed to the increase in rural residents' domestic energy consumption. Rural energy carbon emission intensity has increased slightly during the investigation period. Although there are some inter-annual fluctuations, the overall fluctuations are small. In 2019, there were significant inter-provincial differences in rural energy carbon emissions, with Hebei leading the way and Ningxia at the bottom. Compared with 2005, only 5 provinces were in a downward trend. In 2019, Beijing ranked first in rural energy carbon emission intensity, while Hainan ranked last, with the latter even less than one tenth of the former. Since 2008, China's rural energy carbon emissions have shown obvious and stable spatial dependence, as well as local spatial clustering, with a small and relatively stable number of high-high concentration provinces and a lager and growing number of low-low concentration provinces. Among the social factors, the increase of rural affluence can lead to an increase of rural energy carbon emission intensity, while agricultural technology progress and rural labor force structure variables have a dampening effect, with only rural affluence showing a spatial spillover effect in a negative direction. Among the economic factors, the increase in the rural financial agglomeration and the improvement of agricultural development level both lead to the increase of rural energy carbon emission intensity, and both have spatial spillover effects, with the former positive and the latter negative. While agricultural financial investment does not have a direct effect but shows a negative spatial spillover effect. Among the industry-level factors, the increase of agricultural industry agglomeration leads to the increase of rural energy carbon emission intensity, but at the same time, it also presents a negative spatial spillover effect. 【Conclusion】The total amount and intensity of rural energy carbon emissions in China are on the rise, with significant inter-provincial differences. China's rural energy carbon emissions show obvious spatial dependence and spatial heterogeneity. Rural energy carbon emissions are affected by a combination of social, economic and industrial factors.

rural energy carbon emissions; agricultural carbon emission; spatial-temporal pattern; influencing factors; spillover effect

10.3864/j.issn.0578-1752.2023.13.009

2023-01-10；

2023-02-21

國(guó)家自然科學(xué)基金（71903197）、國(guó)家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系專項(xiàng)（CARS-08）、中南財(cái)經(jīng)政法大學(xué)中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目（2722022BY012、2722022AL003）、中南財(cái)經(jīng)政法大學(xué)研究生科研創(chuàng)新項(xiàng)目（202311006）

田云，E-mail：tianyun1986@163.com。通信作者張蕙杰，E-mail：zhanghuijie@caas.cn

（責(zé)任編輯 李云霞）