尹忞昊 田 云 盧奕亨

近年來，全球溫室氣體排放量持續(xù)攀升，極端高溫屢創(chuàng)歷史紀錄，人類生存環(huán)境與生物多樣性面臨巨大威脅。在如此不利境況下，國際社會共謀應對之策，相繼出臺了《聯(lián)合國氣候變化框架公約》《京都協(xié)議書》《巴黎協(xié)定》等一系列具有法律約束力的框架協(xié)議。即便如此，全球加速變暖趨勢并未停止抑或減緩。據聯(lián)合國環(huán)境規(guī)劃署發(fā)布的《2022年排放差距報告：正在關閉的機會之窗》顯示，欲將全球升溫控制在1.5℃以下，10 年內必須減少45%的溫室氣體排放。世界各國紛紛提出減緩和適應氣候變化的自主貢獻目標。中國也展現(xiàn)了負責任大國的作為和擔當，早在2020 年9 月第七十五屆聯(lián)合國大會一般性辯論上就已提出“雙碳”目標，2022 年10 月黨的二十大報告進一步明確，要積極穩(wěn)妥推進碳達峰碳中和，堅持先立后破，有計劃分步驟實施碳達峰行動。在這一行動過程中，具有極大減排增匯空間的農業(yè)也將發(fā)揮重要作用。農業(yè)農村部、國家發(fā)展和改革委員會印發(fā)的《農業(yè)農村減排固碳實施方案》強調，以節(jié)約資源和保護環(huán)境的方式進行農業(yè)生產，形成節(jié)能低碳的空間格局。為此，亟須切實加快農業(yè)生產低碳轉型步伐，探索有利于協(xié)同減排的空間分布格局。

目前，關于涉農領域碳排放的研究主要集中于農業(yè)生產層面，且早期主要聚焦于農業(yè)碳排放測算指標體系的構建與精準測度，具體涉及農用物資投入［1-2］、農業(yè)能源利用［3-4］、農地利用［5-6］、畜禽養(yǎng)殖［7-8］、漁業(yè)生產［9-10］等單一視角，或者涵蓋上述一切并包含水稻種植的全面視角［11-13］。 綜合研究表明，近年來中國農業(yè)碳排放總量雖存在一定波動，但總體上升態(tài)勢較為明顯，同時各省級行政區(qū)無論碳排放總量、強度還是結構均存在較大差異。在此基礎上，一些學者圍繞農業(yè)碳排放的驅動機理、績效水平及減排潛力展開探究，結果顯示，經濟增長是導致農業(yè)碳排放增加的關鍵動因［14］，而技術進步則對其形成了一定的抑制作用［15］；總體績效水平雖有提升但省際差異明顯，省域間存在空間自相關且溢出效應明顯［16-17］；雖然省際減排成本差異較大［18］，但國家層面以及絕大多數(shù)省份有能力實現(xiàn)政府所承諾的預期減排目標［19］。

綜合來看，目前有關農業(yè)碳排放的研究已相對全面、系統(tǒng)，涵蓋現(xiàn)狀把握、典型特征剖析、影響機理探討等方面，為后續(xù)農業(yè)碳減排政策的完善提供了有力依據。但是，隨著研究的不斷深入，厘清中國農業(yè)碳排放區(qū)域差異、探討區(qū)域差異演變趨勢以及分析其空間分異內在機理已成為亟待關注的問題。有鑒于此，本文對中國30 個?。▍^(qū)、市）農業(yè)碳排放量進行精準測算，利用泰爾指數(shù)、馬爾科夫矩陣考察其區(qū)域差異與動態(tài)演進趨勢，借助地理探測器方法探究其空間分異的內在機理，并基于研究結論提出相應對策。

一、研究方法與數(shù)據來源

（一）研究方法

1.泰爾指數(shù)

泰爾指數(shù)用來測量國家間收入差距，目前已成為研究各區(qū)域差異的常用方法。根據泰爾指數(shù)的構造原理，其可以被分解為區(qū)域內差異和區(qū)域間差異兩部分。本文以各省份農業(yè)碳排放量作為反映農業(yè)碳排放水平的指標，并選用各省份第一產業(yè)從業(yè)人員數(shù)量和農業(yè)增加值為權重指標，將中國農業(yè)碳排放水平分為總體差異、區(qū)域內（糧食主產區(qū)、主銷區(qū)和產銷平衡區(qū)內部）差異和區(qū)域間（糧食主產區(qū)、主銷區(qū)和產銷平衡區(qū)之間）差異進行研究，相關公式如下：

式中：T、Tw、Tb分別表示衡量中國農業(yè)碳排放水平區(qū)域差異的總泰爾指數(shù)、區(qū)域內泰爾指數(shù)與區(qū)域間泰爾指數(shù)；AC、S分別代表農業(yè)碳排放量、農業(yè)增加值/第一產業(yè)從業(yè)人員數(shù)量；M、N分別表示區(qū)域總數(shù)量和省份總數(shù)量；j、i分別表示j區(qū)域和i省份。

為進一步分析三類區(qū)域農業(yè)碳排放差異對中國總差異的影響，將泰爾指數(shù)引入區(qū)域間和區(qū)域內差異貢獻率分析中，計算公式如下：

式中：Iw表示區(qū)域內差異對總差異的貢獻率，Ib代表區(qū)域間差異對總差異的貢獻率，Ij為j區(qū)域內部差異對總差異的貢獻率。區(qū)域貢獻率的大小可以客觀反映其對總體差異的影響和重要程度。

2.馬爾科夫鏈

既有研究通常將馬爾科夫鏈（Markov Chain）作為預測模型［20］，該模型通過構建狀態(tài)轉移矩陣來描述研究對象隨時間變化從一種狀態(tài)轉移到另一種狀態(tài)的概率分布，從而有效刻畫其動態(tài)演進趨勢［21］。具體而言，首先將研究對象的連續(xù)屬性值作離散化處理并劃分為k種類型，而后計算每種類型在考察期內的轉移概率并構造狀態(tài)轉移矩陣M。據此，假設各省份農業(yè)碳排放由t年Qi狀態(tài)轉移為t+1 年Qj狀態(tài)的概率為Pij，計算公式如下：

式（8）中，Nij表示考察期內農業(yè)碳排放由i狀態(tài)轉變到j狀態(tài)的省份數(shù)量；Ni表示考察期內農業(yè)碳排放處于i狀態(tài)的省份數(shù)量。

3.地理探測器

地理探測器是一種能夠探測空間分異機理的前沿統(tǒng)計學方法［22］，主要用于厘清導致空間分異現(xiàn)象的主導驅動因素及各因素間相互作用的大小。目前，該方法已在地理學、環(huán)境科學、區(qū)域規(guī)劃、公共衛(wèi)生等多個領域得到廣泛運用，其原理為，當被解釋變量與影響因子的空間分異特征呈現(xiàn)顯著一致性時，則可認為二者的空間分布具有統(tǒng)計關聯(lián)性，進而即可探討變量的空間分異機理。在此，本文借助該方法構造中國農業(yè)碳排放空間分異機理識別模型，其公式如下：

式中，i為影響因子和被觀察對象的分層數(shù)；Ni和N分別為i層和全區(qū)域的樣本量；和σ2分別表示i層和全區(qū)域的方差；SSW、SST分別為層內方差之和、全區(qū)域總方差；q為各驅動因子的影響力，q值越大，則表明該因子為主導驅動因子的概率越大。

而在運用地理探測器方法之前，需對各驅動因子實施K-means聚類處理［23］。其中，K代表類簇個數(shù)，means表示類簇內數(shù)據對象的均值，該方法以各個觀察對象與均值間的距離作為度量相似性的標準，距離越小則表明各個觀察對象的相似性越高，越可能處于同一類簇。具體方法如下：

式中，D表示觀察對象的屬性個數(shù)，xi、xj表示各驅動因子。在這一計算過程中，類簇中心需隨每次迭代而不斷更新，其更新方式如下：

式中，K表示類簇個數(shù)，Center代表各類簇中心。當兩次迭代結果之差小于某一閾值時，則終止迭代，并以此為最終聚類結果。

與此同時，為了更好地探討兩種驅動因子共同產生影響時的作用類型，可借助地理探測器方法測算2 個單因子交互項的q值，然后與其各自作為驅動因子時的q值進行比較，并根據其數(shù)值大小劃分為雙因子增強、非線性增強、獨立交互作用、非線性減弱、單因子非線性增強等五種不同類型。具體劃分標準如表1（下頁）所示。

表1 驅動因子交互作用類型及判定依據

在運用上述方法展開系統(tǒng)分析之前，首先需在參考已有研究成果的基礎上，對本文所要考察的農業(yè)碳排放予以界定，然后充分考慮現(xiàn)實依據以及相關文獻闡述，基于自然、經濟、社會三個層面科學確定農業(yè)碳排放的12 類驅動因子。

本文綜合多位學者研究成果［16，24-26］，并在充分參考《省級溫室氣體清單編制指南》的基礎上，對中國農業(yè)碳排放量進行系統(tǒng)考察。一是農業(yè)能源消耗所導致的碳排放，即農業(yè)生產過程中所耗費的原煤、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 種能源產生的溫室氣體排放量之和，相關的碳排放系數(shù)及其對應的計算方法參考蔣金荷［27］、田云和陳池波［28］的研究。二是農用物資投入所產生的碳排放，主要考察化肥、農藥和農膜在各自產品形成以及后續(xù)利用過程中所導致的溫室氣體排放，對應碳排放系數(shù)參考田云和張俊飚［24］的研究。三是水稻種植碳排放，特指在水稻生長發(fā)育過程中稻田所產生的甲烷排放，鑒于存在早稻、中稻與晚稻的區(qū)別且不同省份水熱條件差異較大，實際測算中借鑒王明星等［29］、閔繼勝和胡浩［11］所使用的兼顧周期與省份雙重差異的碳排放系數(shù)。四是畜禽養(yǎng)殖所引發(fā)的碳排放，具體涉及甲烷與氧化亞氮排放，結合中國畜牧業(yè)發(fā)展狀況，重點考察牛、馬、驢、騾、駱駝、羊、生豬、家禽等畜禽品種，相關碳排放系數(shù)均出自IPCC。據此，構建農業(yè)碳排放測算公式如下：

式中：AC表示農業(yè)碳排放總量，Ec表示各類碳源的具體數(shù)量；δc為各類碳源所對應的碳排放系數(shù)。

由于農業(yè)碳排放的產生源于農用物資投入、能源消耗、水稻種植、畜禽養(yǎng)殖等多個方面，其增減變化顯然會受到自然、經濟、社會等層面因素的影響。就自然層面而言，天災、地形等自然因素作為農業(yè)生產的外部環(huán)境和先決條件，會以直接或間接形式影響農業(yè)生產規(guī)模及其產出、農業(yè)技術應用與擴散，進而影響農業(yè)溫室氣體的排放量［30-31］，故而在此將地形起伏度與農業(yè)受災程度作為驅動因子展開考察。就經濟層面而言，經濟發(fā)展與環(huán)境保護之間既相互依存又相互制約，因而有必要全面考察經濟層面各因素之于農業(yè)碳排放的驅動力。既有研究發(fā)現(xiàn)，經濟增長為農業(yè)產業(yè)結構優(yōu)化和產業(yè)集聚創(chuàng)造了有利環(huán)境，政府財政實力為農業(yè)基礎設施建設提供了強有力的支撐，進而影響農業(yè)碳排放的增減［13，32-33］。據此，選擇農業(yè)經濟發(fā)展水平、農業(yè)產業(yè)結構、農業(yè)財政支持力度、農業(yè)產業(yè)集聚、農業(yè)公共投資等因素來反映經濟層面對農業(yè)碳排放的驅動作用。就社會層面而言，隨著農業(yè)現(xiàn)代化水平的不斷提升與城鎮(zhèn)化進程的穩(wěn)步推進，農村勞動力有序轉移、農業(yè)集約化生產日益成為主要發(fā)展趨勢，外加政策引導下的環(huán)境規(guī)制水平提升，促使農業(yè)生產、綜合管理方式等在一定程度上發(fā)生轉變，進而影響了農業(yè)碳排放的增減?；诖耍鐣用嬷攸c考察農業(yè)機械化水平、城鎮(zhèn)化率、農村人力資本、環(huán)境規(guī)制水平、耕地集約利用程度五個因素?？傮w而言，本文圍繞自然、經濟、社會三個層面的12 個驅動因子構建指標體系，進而考察各自對農業(yè)碳排放的作用機理。驅動因子構成與衡量方式如表2（下頁）所示。

表2 農業(yè)碳排放驅動因子指標體系

（二）數(shù)據來源與處理

測算農業(yè)碳排放所需的各類能源消費數(shù)據均出自歷年的《中國能源統(tǒng)計年鑒》且均以當年實際值為準，其他原始數(shù)據則主要源自歷年的《中國農村統(tǒng)計年鑒》，其中化肥、農藥、農膜投入量與水稻播種面積均以當年實際數(shù)據為準；而畜禽養(yǎng)殖數(shù)量的核算并非如此，需參照閔繼勝和胡浩［11］所提供的方法，結合各自年末存欄量與飼養(yǎng)周期差別計算其年均飼養(yǎng)量。除此之外，農業(yè)增加值、農業(yè)財政支出、財政總支出、城鎮(zhèn)人口、總人口與地區(qū)生產總值源自歷年的《中國統(tǒng)計年鑒》，第一產業(yè)從業(yè)人員數(shù)、農作物受災面積、農作物播種面積、種植業(yè)總產值、畜牧業(yè)總產值、農林牧漁總產值、農業(yè)機械總動力的原始數(shù)據主要源自歷年的《中國農村統(tǒng)計年鑒》，農村平均受教育年限的原始數(shù)據來自《中國人口和就業(yè)統(tǒng)計年鑒》，各地區(qū)污染治理項目投資額數(shù)據源自《中國環(huán)境統(tǒng)計年鑒》，地形起伏度所需原始數(shù)據來源于中國科學院資源環(huán)境科學與數(shù)據中心。需要說明的是，為了消除價格波動的影響，所有經濟類指標均選擇以2005 年為基期對歷年數(shù)據進行修正。限于相關數(shù)據缺失較為嚴重，西藏、港澳臺地區(qū)不在本次研究的考察之列。

二、中國農業(yè)碳排放時序比較、區(qū)域差異與動態(tài)演進

（一）中國農業(yè)碳排放時序比較分析

表3（下頁）為2005—2020 年中國農業(yè)碳排放總量及變化率，限于篇幅，表中僅列出2005年和2020 年的相關結果。由表3 可知，2020 年中國農業(yè)碳排放總量為93 885.28 萬噸，較2005年減少7.04%。進一步將全國30 個省（區(qū)、市）2020 年農業(yè)碳排放量按照5 000 萬噸以上、3 000～5 000 萬噸、1 000～3 000 萬噸、1 000 萬噸以下依次劃分為高排放、中高排放、中排放、低排放四個組別。其中，江蘇、安徽、湖北、湖南、河南、江西、四川等7 個省份處于高排放組，共計40 475.12 萬噸，占全國農業(yè)碳排放總量的43.11%，其中，以湖南居首，高達7 444.97 萬噸。河北、內蒙古、山東、黑龍江、廣東、廣西、云南、新疆等8個省份處于中高排放組，共計32 119.74 萬噸，占全國農業(yè)碳排放總量的34.21%。山西、浙江、遼寧、吉林、福建、重慶、貴州、陜西、甘肅、青海等10 個省份處于中排放組，共計19 194.21 萬噸，占全國農業(yè)碳排放總量的20.44%。低排放組包含北京、天津、上海、海南、寧夏等5 個省份，共計2 096.21萬噸，僅占全國農業(yè)碳排放總量的2.23%。相較于2005 年，有18 個省份農業(yè)碳排放量處于下降態(tài)勢且以北京降幅最大，高達75.84%；山東、上海、河北、福建緊隨其后，分列第2—5 位，各自降幅均在25.00%以上；其余12 個省份仍處于增長態(tài)勢且以黑龍江增幅最大，高達44.45%；寧夏緊隨其后，增幅也達到了38.21%；新疆、內蒙古、甘肅分列第3—5 位，各自增幅均在15.00%以上。值得一提的是，高排放組除河南表現(xiàn)為明顯下降態(tài)勢外，其余6 個省份均變化不大，而同屬糧食主產區(qū)的安徽、湖北、湖南、江西農業(yè)碳排放量仍處于持續(xù)增長態(tài)勢。

表3 中國30 個?。▍^(qū)、市）的農業(yè)碳排放量比較（單位：萬噸）

在此，基于糧食主產區(qū)、主銷區(qū)、產銷平衡區(qū)對農業(yè)碳排放展開進一步探討。三類區(qū)域的具體劃分在參考已有文獻［36］的基礎上按照國家統(tǒng)一標準來確定①糧食主產區(qū)包括河北、內蒙古、遼寧、吉林、黑龍江、江蘇、安徽、江西、山東、河南、湖北、湖南、四川等13 個省份；糧食主銷區(qū)包括北京、天津、上海、浙江、福建、廣東、海南等7 個省份；糧食產銷平衡區(qū)包括山西、廣西、重慶、貴州、云南、陜西、甘肅、青海、寧夏、新疆等10 個省份。。

糧食主產區(qū)、主銷區(qū)與產銷平衡區(qū)2005—2020 年的農業(yè)碳排放量如表4（下頁）所示。從中不難發(fā)現(xiàn)：第一，糧食主產區(qū)碳排放量遠高于另外兩類地區(qū)，且?guī)缀跽剂巳珖r業(yè)碳排放總量的2/3。2020 年糧食主產區(qū)農業(yè)碳排放量為61 494.20 萬噸，較2005 年降低了6.33%。從變化趨勢來看，經歷了“先升后降”的增減反復：2005—2006 年為第一階段，總體呈現(xiàn)小幅上升趨勢，農業(yè)碳排放量略有增加；2006—2008 年為第二階段，總體處于驟降趨勢，農業(yè)碳排放量大幅減少；2008—2015 為第三階段，農業(yè)碳排放處于持續(xù)上升態(tài)勢，并于2015 年達到了歷史峰值68 592.08 萬噸；2015—2017 年為第四階段，農業(yè)碳排放量經歷了小幅下降而后又回彈的演變趨勢；2017—2020 年為第五階段，農業(yè)碳排放量持續(xù)下降，并于2020 年達到歷史最低值61 494.20萬噸。第二，糧食主銷區(qū)農業(yè)碳排放量在三類區(qū)域中居于最低水平。2020 年糧食主銷區(qū)農業(yè)碳排放量為9 286.86 萬噸，較2005 年下降了23.41%。從變化趨勢來看，雖存在一定年際起伏，但總體下降趨勢較為明顯，除2009—2012 年等個別年份外，其他各年均處于持續(xù)下降態(tài)勢。第三，糧食產銷平衡區(qū)農業(yè)碳排放量總體相對平穩(wěn)。 2020年糧食產銷平衡區(qū)農業(yè)碳排放量為23 104.21 萬噸，較2005 年減少0.49%。從變化趨勢來看，考察期內農業(yè)碳排放量主要圍繞在23 000 萬噸附近，波動幅度不超過2 000 萬噸?？傮w而言，考察期內糧食主產區(qū)農業(yè)碳排放量整體處于波動下降態(tài)勢，主銷區(qū)表現(xiàn)為持續(xù)下降趨勢，產銷平衡區(qū)則呈現(xiàn)相對穩(wěn)定狀態(tài)。

表4 糧食主產區(qū)、主銷區(qū)與產銷平衡區(qū)的農業(yè)碳排放量比較（單位：萬噸）

（二）中國農業(yè)碳排放區(qū)域差異演變特征分析

在厘清全國30 個省份、糧食主產區(qū)、糧食主銷區(qū)以及糧食產銷平衡區(qū)農業(yè)碳排放量時序演變特征之后，接下來進一步探討全國及各區(qū)域農業(yè)碳排放量的非均衡性。在此，利用泰爾指數(shù)分別揭示農業(yè)增加值與第一產業(yè)從業(yè)人員兩類權重下中國農業(yè)碳排放區(qū)域差異的演變特征。

1.兩種權重下中國農業(yè)碳排放總泰爾指數(shù)分析

基于公式（1）—（4），運用2005—2020 年全國及30 個省份農業(yè)增加值、第一產業(yè)從業(yè)人員數(shù)量、農業(yè)碳排放量，分別計算出以農業(yè)增加值和第一產業(yè)從業(yè)人員數(shù)為權重的泰爾指數(shù)T（G）和T（P），二者分別反映了經濟發(fā)展水平、勞動力規(guī)模對農業(yè)碳排放量的匹配程度以及差異的影響程度。相關結果如表5（下頁）所示。其中，以第一產業(yè)從業(yè)人員數(shù)為權重計算得來的歷年指數(shù)值高于以農業(yè)增加值為權重所得到的結果，由此揭示，中國各省份農業(yè)碳排放量差異受農業(yè)勞動力規(guī)模的影響要大于經濟發(fā)展水平的影響，碳排放量變化與農業(yè)經濟發(fā)展水平波動更具相似性、匹配度更高。從變化趨勢來看，T（G）在2005 年最低（0.037），雖經歷了幾次波動但仍呈上升態(tài)勢，最終在2020 年升至0.079，其中2019 年達到峰值0.081；T（P）在2005 年初始值為0.051，變動與前者相似，2006 年降至最低值0.050，于2020年升至峰值0.090?？傮w而言，中國農業(yè)碳排放量省際差異受勞動力規(guī)模差異影響較大，經濟發(fā)展水平與勞動力規(guī)模的差異均使得不同省份農業(yè)碳排放量差距逐漸擴大，且其趨勢逐漸增強。究其原因，一方面，2005 年中央“一號文件”《中共中央 國務院關于進一步加強農村工作提高農業(yè)綜合生產能力若干政策的意見》將調整農業(yè)和農村經濟結構、努力實現(xiàn)農民持續(xù)增收、促進農村經濟社會全面發(fā)展列為重點工作，并取得顯著成效，故而經濟發(fā)展水平對農業(yè)碳排放量差異程度的影響趨于穩(wěn)定。但伴隨新型城鎮(zhèn)化的推進，經濟增長較快地區(qū)通過發(fā)揮土地集約利用、產業(yè)優(yōu)化轉型等作用，加速淘汰落后產能，優(yōu)化農業(yè)產業(yè)結構與能源消費結構，促進農業(yè)碳排放量減少，進而經濟發(fā)展水平對農業(yè)碳排放量的影響逐年上升并擴大差距。另一方面，2006 年中央“一號文件”取消了各種針對務工農民流動和進城就業(yè)的歧視性規(guī)定和不合理限制，并出臺了一系列惠農、支農政策，鼓勵農村勞動力轉移，同時對仍留在農村的勞動力進行教育培育，提高其技能和素質，培育其低碳農業(yè)發(fā)展意識，因而農業(yè)碳排放量開始受勞動力規(guī)模的影響，差距也隨之拉開。2018 年印發(fā)的《中共中央 國務院關于實施鄉(xiāng)村振興戰(zhàn)略的意見》提出了鄉(xiāng)村振興發(fā)展的各階段目標以及2020 年前取得階段性進展的要求，政府制定大量優(yōu)惠政策，吸引資本下鄉(xiāng)，出現(xiàn)農村勞動力回流現(xiàn)象，致使中國農業(yè)碳排放量省際差異受勞動力規(guī)模影響較經濟發(fā)展水平更大。

表5 2005—2020 年全國及糧食主產區(qū)、主銷區(qū)、產銷平衡區(qū)農業(yè)碳排放泰爾指數(shù)

2.兩種權重下中國農業(yè)碳排放三類地區(qū)泰爾指數(shù)分析

由表5 可知，糧食主產區(qū)農業(yè)碳排放泰爾指數(shù)與全國總體情況明顯趨同，其以農業(yè)增加值為權重計算得來的歷年指數(shù)值低于以第一產業(yè)從業(yè)人員數(shù)為權重計算所得結果，表明相較于農業(yè)經濟發(fā)展水平，勞動力規(guī)模對農業(yè)碳排放量差異的影響程度更大。具體而言，T（G）由2005 年的0.023 波動上升至2020 年的0.059，增幅高達156.52%；T（P）也從2005 年的0.034 上升至2020 年的0.085，增幅高達150%。從變化趨勢來看，T（G）先后經歷了三次“先升后降”變化，并最終呈現(xiàn)為下降態(tài)勢；而T（P）則與之相反，先后經歷三次“先降后升”的變化，并最終表現(xiàn)為上升態(tài)勢。從中易知，觀察期內兩類權重影響下各糧食主產省份農業(yè)碳排放量差異程度均明顯擴大，勞動力規(guī)模對其碳排放量省際差距的影響仍在增強，但經濟發(fā)展水平的影響與之相反，出現(xiàn)逐漸減弱的良好趨勢?？赡艿慕忉屖?，伴隨著經濟的發(fā)展，部分地區(qū)迎來環(huán)境庫茲涅茨曲線的拐點，而受限于糧價持續(xù)低迷的不利情形，糧食主產區(qū)增產難增收，部分低碳意識薄弱的農村勞動力為追逐紅利采取不利于環(huán)境的農業(yè)生產行為，進而成為擴大碳排放量省際差異的主要原因。

從糧食主銷區(qū)農業(yè)碳排放泰爾指數(shù)來看，以第一產業(yè)從業(yè)人員為權重計算所得數(shù)值要遠高于以農業(yè)增加值為權重的計算結果，表明勞動力規(guī)模對農業(yè)碳排放量差異的影響程度大于農業(yè)經濟發(fā)展水平。具體來看，T（G）整體呈現(xiàn)“先降后升再降”的變化態(tài)勢，其數(shù)值由2005 年的0.008 升至2020 年的0.017，增幅高達112.50%，并于2017 年達到峰值0.020；而T（P）的情形與之不同，經歷了數(shù)次先升后降的波動之后，最終表現(xiàn)為上升態(tài)勢，由2005 年的0.023 升至2020 年的峰值0.049，增幅達113.04%。總體而言，農業(yè)增加值和第一產業(yè)從業(yè)人員數(shù)量對糧食主銷區(qū)農業(yè)碳排放量省際差距的影響程度差異顯著，其中前者對其差異影響力較小且正在減弱；而后者使得不同省份農業(yè)碳排放量差距不斷擴大且影響力仍在增強?？赡艿慕忉屖牵Z食主銷區(qū)經濟相對發(fā)達，農村勞動力低碳技術采納意愿較強，但由于自身內部勞動力轉移程度不同，省際勞動力受教育水平與規(guī)模大小依舊存在差異，先進機械設備與勞動力之間的替代率也不盡相同，因而在農業(yè)生產活動中，農業(yè)能源利用率、能源消費結構以及農業(yè)低碳生產技術推廣效果并不相同，導致勞動力規(guī)模對糧食主銷區(qū)的農業(yè)碳排放量差距的影響逐漸擴大。

從糧食產銷平衡區(qū)農業(yè)碳排放泰爾指數(shù)來看，以農業(yè)增加值為權重所計算得到的數(shù)值與以第一產業(yè)從業(yè)人員為權重計算的結果不斷趨近，前者雖長期略低于后者，但最終形成了反超之勢，可見此類區(qū)域中各省份之間碳排放量的差異程度過去受勞動力規(guī)模影響較大，而后受經濟發(fā)展水平影響更大。其中，T（G）由2005 年的0.040 升至2020 年的0.085，漲幅高達112.50%，在考察期內經歷了先升后降的小幅波動后，最終呈現(xiàn)高速上升趨勢；而T（P）的演變軌跡則與之不同，整體呈現(xiàn)波動下降態(tài)勢，由2005 年的0.085 降至2020 年的0.080，最低值為2013 年的0.069，峰值出現(xiàn)在2019 年（0.091）?？傮w而言，經濟發(fā)展水平對產銷平衡區(qū)農業(yè)碳排放量省際差距的影響正不斷擴大，且已超越勞動力規(guī)模對其的影響，而后者影響程度變化不大。究其原因，產銷平衡區(qū)省份主要分布在我國西部地區(qū)，人口密度低，其農業(yè)生產活動機械化水平不斷提升，因而該區(qū)域農業(yè)碳排放量差異受勞動力規(guī)模影響變化不大，但由于區(qū)域間經濟發(fā)展水平不同，機械化程度不同，其能源消耗產生的農業(yè)碳排放增長量也不盡相同，故而農業(yè)碳排放量省際差距受經濟發(fā)展水平影響正逐漸擴大。

3.兩種權重下中國農業(yè)碳排放的貢獻率對比分析

基于公式（5）—（7）計算出區(qū)域間差異、區(qū)域內差異以及三類區(qū)域內部差異對總差異的貢獻程度，相關結果如表6（下頁）所示。

表6 2005—2020 年中國農業(yè)碳排放貢獻率（%）

由表6 可知，中國農業(yè)碳排放的總體區(qū)域差異主要由區(qū)域內差異引起。2005—2020 年，兩類權重下所有年份區(qū)域內差異的貢獻率均明顯高于區(qū)域間差異，且勞動力規(guī)模對區(qū)域內差異的貢獻率影響作用更大，比重始終高于85%。究其原因，需從三類區(qū)域的內部差異探尋，通過比較可知，當以農業(yè)增加值為權重條件時，各類區(qū)域內部差異對總體差異的貢獻程度相差較大，具體排序為“糧食主產區(qū)＞糧食產銷平衡區(qū)＞糧食主銷區(qū)”；但當以第一產業(yè)從業(yè)人員數(shù)為權重條件時，各類區(qū)域內部差異對總體差異的貢獻率則有所起伏，具體表現(xiàn)為，早年間“糧食產銷平衡區(qū)＞糧食主產區(qū)＞糧食主銷區(qū)”，而后糧食主產區(qū)反超產銷平衡區(qū)且差距逐漸擴大，最終呈現(xiàn)“糧食主產區(qū)＞糧食產銷平衡區(qū)＞糧食主銷區(qū)”的現(xiàn)象。三類區(qū)域各自內部省份分布較為分散，資源稟賦與自然條件各異，相互之間經濟社會發(fā)展狀況也存在一定差距，由此導致生產中的低碳技術采納程度以及勞動力的低碳意識狀況均不盡相同。

其中，糧食主產區(qū)的糧食產量約占全國的75%，內部又可細分為長江中下游地區(qū)、黃淮海地區(qū)以及東北地區(qū)。 無論所處何區(qū)域，其農業(yè)從業(yè)人員的“增產”意識都要大于“低碳”意識，為追求高產增效，農用物資與能源投入通常高于其他區(qū)域；但因其所處區(qū)域的功能定位不同，其內部省份間經濟發(fā)展水平存在較大差異，致使農業(yè)投入產出效率不一、低碳技術推廣力度以及農戶采納程度不同，進而導致糧食主產區(qū)內部農業(yè)碳排放量差異較大。糧食產銷平衡區(qū)所含各省份地形地貌普遍較為復雜，山區(qū)、高原、盆地較多，農地資源相對分散，如以云南、貴州為代表的西南諸省份山地居多，農業(yè)機械化與規(guī)?；a較難實現(xiàn)，投入產出效率不高，農戶經濟效益低下，機會成本較高成為制約低碳生產技術推廣的主要障礙；而青海、寧夏等省份以畜牧業(yè)為主，農業(yè)生產能源消耗均較少，其碳排放主要源自畜禽養(yǎng)殖與農用物資投入，因而在勞動力規(guī)模影響下各省份之間農業(yè)碳排放量存在一定差異。糧食主銷區(qū)所含各省份經濟相對發(fā)達，且自身既非種植大省也非養(yǎng)殖強省，農業(yè)生產活動相對較少，但由于民眾整體素質相對較高，對低碳生產技術采納意愿較強，日常生活也傾向于選擇清潔能源，各省份情形類似使得區(qū)域內部農業(yè)碳排放量差異程度不大。

區(qū)域間差異方面，當以農業(yè)增加值為權重時，其差異貢獻率遠高于以第一產業(yè)從業(yè)人員為權重時的情形，該結果的產生可能與三類地區(qū)的農業(yè)經濟發(fā)展水平、產業(yè)結構等因素緊密相關。其中，糧食主產區(qū)在區(qū)位、氣候、土壤、技術等諸多方面都具備種糧優(yōu)勢，糧食的高種植比例與高產量成為該類區(qū)域的一大特點，它們在滿足自身糧食需求的同時，還為糧食主銷區(qū)承擔了大量的商品糧供給。在此境況下，糧食主產區(qū)面臨糧食生產與流通的雙重壓力，農用物資與農業(yè)能源的投入量均居高不下，同時多數(shù)省份種養(yǎng)殖業(yè)發(fā)展較為平衡且不少省份水稻種植規(guī)模較大，上述因素的存在使得糧食主產區(qū)所含省份的碳排放水平趨于相近，但由于糧食作物的經濟回報率略低，一定程度上導致糧食主產區(qū)相較于糧食主銷區(qū)和產銷平衡區(qū)其農業(yè)碳排放量存在較大差異。同樣，糧食主銷區(qū)與產銷平衡區(qū)的功能定位與產業(yè)結構的“內部趨同、外部差異”也對各自農業(yè)碳排放量水平產生了顯著影響。

（三）中國農業(yè)碳排放的動態(tài)演進特征

接下來，本文利用馬爾科夫鏈探討中國農業(yè)碳排放量隨時間變化而發(fā)生轉移的概率，以此揭示農業(yè)碳排放的動態(tài)演進特征。參照既有研究［37］，基于量級差異本文將各省份農業(yè)碳排放劃分為四種類型：第一類為低排放，即碳排放量低于全國均值的50%；第二類為中排放，即碳排放量位于全國均值的50%至75%之間；第三類為中高排放，即碳排放量位于全國均值的75%至100%之間；第四類為高排放，即碳排放量位于全國均值的100%至150%之間?；诖?，以滯后一期為條件計算得到馬爾科夫轉移矩陣結果（見表7）。

表7 2005—2020 年中國農業(yè)碳排放不同類別的馬爾科夫概率轉移矩陣

由表7 可知：第一，矩陣主對角線上的數(shù)值均大于非對角線上的結果，由大到小依次為98.21%、96.33%、93.55%和93.33%。由此表明，中國農業(yè)碳排放量具有極強的年際穩(wěn)定性，由此導致未來有可能陷入資源依賴與路徑鎖定的困境。與此同時，Ⅰ類與Ⅳ類概率最高，表明30 個省份的農業(yè)碳排放量正趨于兩極分化，存在“俱樂部收斂”現(xiàn)象，未來有可能出現(xiàn)馬太效應。第二，主對角線相鄰兩側中，可比較的類別為Ⅰ-Ⅱ與Ⅲ-Ⅱ、Ⅱ-Ⅲ與Ⅳ-Ⅲ。其中，右側概率值分別為3.23%、3.81%，均高于左側的3.22%、2.86%，表明處于中排放與中高排放類的省份農業(yè)碳排放量均存在增高風險。第三，非對角線且與主對角線不相鄰的數(shù)值均為0。由此揭示，類別轉移均發(fā)生在相鄰區(qū)間，且增減幅度較小，各省份農業(yè)碳排放量激增或驟減的現(xiàn)象幾乎不會發(fā)生，可見中國農業(yè)碳減排工作需持續(xù)、漸進地展開。

三、中國農業(yè)碳排放空間分異機理分析

由前文分析可知，中國農業(yè)碳排放存在明顯的區(qū)域差異，且這一差異仍處于持續(xù)擴大態(tài)勢。為此，亟須厘清引致農業(yè)碳排放空間差異的內在機理，以抑制其繼續(xù)擴大。有鑒于此，接下來本文首先將對各驅動因子進行K-means聚類處理，然后利用地理探測器方法發(fā)掘中國農業(yè)碳排放驅動因子，并探索這些驅動因子間的交互作用，進而揭示不同功能定位區(qū)域的主要驅動因子。

（一）主要驅動因子識別

中國農業(yè)碳排放各驅動因子的識別結果如表8（下頁）所示。通過p值結果可以看出，自然、經濟、社會三個層面的驅動因子均在5%或者1%水平下通過顯著性檢驗，表明各自對農業(yè)碳排放量的影響系數(shù)具有較強的解釋力度。 根據q值排名可進一步識別主要驅動因子與次要驅動因子，其中，排名前5 的為主要驅動因子，余下則為次要驅動因子。具體而言，主要驅動因子依次為農業(yè)機械化水平（q值為0.74）、地形起伏度（q值為0.57）、農業(yè)產業(yè)集聚（q值為0.49）、農業(yè)公共投資（q值為0.32）、農業(yè)產業(yè)結構（q值為0.30）；次要驅動因子依次為城鎮(zhèn)化率（q值為0.27）、農業(yè)經濟發(fā)展水平（q值為0.21）、農村人力資本（q值為0.17）、農業(yè)財政支持力度（q值為0.10）、農業(yè)受災程度（q值為0.09）、耕地集約利用程度（q值為0.08）以及環(huán)境規(guī)制水平（q值為0.05）?？赡艿慕忉屖?，在當前推進農業(yè)現(xiàn)代化的進程中，生產效率的提升更為依賴機械化水平的提升，但農業(yè)機械化發(fā)展又直接或間接地影響到能源消耗量與要素投入結構，進而對農業(yè)碳排放量產生較大影響。與此同時，各省份經濟發(fā)展水平與農業(yè)發(fā)展程度存在較大差異，致使農業(yè)機械化水平不盡相同，客觀上加劇了農業(yè)碳排放差異，由此也使得農業(yè)機械化水平成為農業(yè)碳排放量空間分異的第一驅動因子。除此之外，省域間地形起伏、農業(yè)產業(yè)集聚規(guī)模、農業(yè)公共投資力度、農業(yè)產業(yè)結構的不同，使得各自農業(yè)生產規(guī)模、生產方式、經營模式等均不盡相同，并且農業(yè)生產技術與資源配置也較難如一。具體而言，資源稟賦較好的省份通過采取低碳生產模式，一定程度上可以抑制或減少農業(yè)碳排放量；而資源稟賦較為落后的省份則需通過各類能源、化肥、農藥、農膜的大量投入來提升農業(yè)經濟效益，從而客觀上加劇了農業(yè)碳排放，如此“一減一增”則導致了省域間差距的進一步擴大。

表8 農業(yè)碳排放驅動因子探測結果

（二）驅動因子交互作用分析

在完成農業(yè)碳排放各驅動因子的準備識別之后，接下來則需探析各驅動因素間的交互作用，其相關結果如表9（下頁）所示。從中不難發(fā)現(xiàn)，對角線上的數(shù)值均小于其所在行或者列上的結果，即任意兩個驅動因子交互后的作用力要大于二者各自對農業(yè)碳排放產生的影響，具體類型表現(xiàn)為雙因子增強、獨立交互作用和非線性增強。其中，有16 個交互項表現(xiàn)為雙因子增強，1 個交互項表現(xiàn)為獨立交互作用，余下49 個則皆為非線性增強。從各自作用力來看，農業(yè)機械化水平與地形起伏度的交互項q值最大為0.98；農業(yè)機械化水平與農業(yè)產業(yè)結構、地形起伏度與農業(yè)產業(yè)集聚的交互項q值緊隨其后，均為0.95；農業(yè)機械化水平與農業(yè)經濟發(fā)展水平、農業(yè)產業(yè)結構與農業(yè)經濟發(fā)展水平、農業(yè)產業(yè)結構與農業(yè)產業(yè)集聚的q值僅為0.91；除此之外，農業(yè)公共投資與農業(yè)機械化水平、地形起伏度、農業(yè)產業(yè)集聚的交互作用也處于較高水平，其數(shù)值分別為0.84、0.83、0.79。由此，進一步驗證了農業(yè)機械化水平、地形起伏度、農業(yè)產業(yè)集聚、農業(yè)公共投資、農業(yè)產業(yè)結構是影響農業(yè)碳排放空間分異的主導因子，且各自間存在明顯的交互增強關系。

表9 中國農業(yè)碳排放驅動因子交互探測值

（三）驅動因子的區(qū)域差異性分析

中國農業(yè)碳排放的區(qū)域差異仍處于持續(xù)擴大態(tài)勢，為此有必要對各區(qū)域內部驅動因子的作用力度差異進行探索，為后續(xù)制定差異化政策提供相關依據，其結果如表10（下頁）所示。其中，引起糧食主產區(qū)農業(yè)碳排放區(qū)域差異的主導因子為地形起伏度，其q值高達0.93，明顯高于其他因子；農業(yè)機械化水平與農業(yè)產業(yè)集聚緊隨其后，其q值分別為0.63 和0.59。導致糧食主銷區(qū)農業(yè)碳排放區(qū)域差異的主導因子是農業(yè)機械化水平，其q值高達0.89；農業(yè)產業(yè)集聚、地形起伏度緊隨其后，其q值分別為0.83、0.80。致使糧食產銷平衡區(qū)農業(yè)碳排放區(qū)域差異的主導因子亦為農業(yè)機械化水平，其q值為0.67；農業(yè)產業(yè)集聚、城鎮(zhèn)化率緊隨其后，其q值分別為0.62、0.57。這是因為，糧食主產區(qū)雖以平原地形為主，但同時也伴有較多丘陵，如山東丘陵、遼東丘陵、豫中丘陵等，地理條件的不同致使其內部的農業(yè)生產方式、種植結構存在差異，作物格局與農業(yè)能源利用情況也有所區(qū)分。比如，平原地區(qū)農作物種植面積較大且便于機械化作業(yè)，使得能源消耗量處于較高水平；而丘陵地區(qū)更多地依賴農資投入，機械化水平不高，農業(yè)碳排放也因而受地形影響較大。相較于糧食主產區(qū)，糧食主銷區(qū)與產銷平衡區(qū)或因部分省份經濟較為發(fā)達而機械普及率較高或因部分省份較為落后農機運用不夠高效，客觀上都對各自碳排放產生了顯著影響，故而機械化水平成為上述兩類區(qū)域農業(yè)碳排放的主導因子。

表10 糧食主產區(qū)、主銷區(qū)、產銷平衡區(qū)農業(yè)碳排放驅動因子探測結果

四、結論與政策建議

本文在科學測算中國農業(yè)碳排放量的基礎上系統(tǒng)把握其現(xiàn)狀特征，而后圍繞區(qū)域差異特點、動態(tài)演進趨勢以及空間分異機理展開深度探討，得到以下主要結論：第一，中國農業(yè)碳排放總量、絕大多數(shù)省份以及各區(qū)域農業(yè)碳排放量均呈現(xiàn)下降態(tài)勢。2020 年中國農業(yè)碳排放總量為93 885.28 萬噸，較2005 年減少7.04%。 整個考察期內，有18 個省份農業(yè)碳排放量處于下降態(tài)勢且以北京降幅最大，高達75.84%，余下12 個省份則仍處于增長態(tài)勢且以黑龍江增幅最大，為44.45%；糧食主產區(qū)、主銷區(qū)以及產銷平衡區(qū)農業(yè)碳排放量均處于下降趨勢，分別較2005 年下降6.33%、23.41%和0.49%。第二，中國各省份以及糧食主產區(qū)、主銷區(qū)、產銷平衡區(qū)農業(yè)碳排放量差異的成因較為相似，省際層面可能出現(xiàn)馬太效應。其中，國家層面、糧食主產區(qū)、主銷區(qū)受勞動力規(guī)模的影響從長期來看要大于經濟發(fā)展水平的影響，碳排放量變化與經濟發(fā)展水平波動更具相似性，匹配度更高；而糧食產銷平衡區(qū)雖與之相似，但近幾年受經濟發(fā)展水平的影響更大。從總體貢獻率來看，區(qū)域內差異相較于區(qū)域間差異發(fā)揮了更為重要的作用。具體到省際層面，目前已出現(xiàn)“俱樂部收斂”現(xiàn)象，處于中排放類與中高排放類的省份均存在農業(yè)碳排放量增高的風險，雖然幅度有限但未來仍有可能出現(xiàn)馬太效應。第三，農業(yè)機械化水平、地形起伏度、農業(yè)產業(yè)集聚、農業(yè)公共投資、農業(yè)產業(yè)結構是影響農業(yè)碳排放空間分異的主導因子，且這些主導因子之間存在明顯的交互增強關系。具體而言，中國農業(yè)碳排放空間分異的主要驅動因子依次為農業(yè)機械化水平、地形起伏度、農業(yè)產業(yè)集聚、農業(yè)公共投資、農業(yè)產業(yè)結構，余下為次要驅動因子，且任意兩個驅動因子交互后其作用力均大于二者各自對農業(yè)碳排放產生的影響。具體到三類地區(qū)，糧食主產區(qū)的主導因子為地形起伏度，而糧食主銷區(qū)與產銷平衡區(qū)則受農業(yè)機械化水平影響最大。

為了更好地促進農業(yè)碳減排并早日達成“雙碳”目標，相關部門有必要予以政策支持，具體可從以下方面著手：一是精準評估各省份農業(yè)碳減排進展，科學擬訂未來農業(yè)碳減排計劃。各省份應結合自身經濟社會發(fā)展水平與農業(yè)碳排放量狀況對農業(yè)碳減排成效進行準確評估，并以此評估結果為基礎，科學擬訂未來減排計劃，明晰階段減排任務，在此過程中應予以糧食主產省份更多的政策支持。二是立足區(qū)域地理條件與整體功能定位，因地制宜推廣先進適用的低碳節(jié)能農機設備。為了確保糧食主產省份穩(wěn)產保供，針對不同地勢應予以差異化政策支持，階梯式推進傳統(tǒng)農機設備智能化、綠色化轉型升級。其中，平原地區(qū)著重推廣綠色節(jié)能的大型機械設備，大力扶持農機合作社發(fā)展，有效提高農機服務組織裝備水平；而對于丘陵地區(qū)，限于小型機具匱乏且研發(fā)積極性不高，需給予一定“碳空間”，分階段展開綠色低碳設備推廣工作，實踐中應加大對丘陵地區(qū)農機化扶持力度，切實轉變傳統(tǒng)思想觀念，推進機藝融合，提升農企自主研發(fā)低碳節(jié)能裝備的積極性，逐步實現(xiàn)碳減排。Reform