中国农业碳排放区域差异及其空间分异机理

尹忞昊 田 云 卢奕亨

近年来，全球温室气体排放量持续攀升，极端高温屡创历史纪录，人类生存环境与生物多样性面临巨大威胁。在如此不利境况下，国际社会共谋应对之策，相继出台了《联合国气候变化框架公约》《京都协议书》《巴黎协定》等一系列具有法律约束力的框架协议。即便如此，全球加速变暖趋势并未停止抑或减缓。据联合国环境规划署发布的《2022年排放差距报告：正在关闭的机会之窗》显示，欲将全球升温控制在1.5℃以下，10 年内必须减少45%的温室气体排放。世界各国纷纷提出减缓和适应气候变化的自主贡献目标。中国也展现了负责任大国的作为和担当，早在2020 年9 月第七十五届联合国大会一般性辩论上就已提出“双碳”目标，2022 年10 月党的二十大报告进一步明确，要积极稳妥推进碳达峰碳中和，坚持先立后破，有计划分步骤实施碳达峰行动。在这一行动过程中，具有极大减排增汇空间的农业也将发挥重要作用。农业农村部、国家发展和改革委员会印发的《农业农村减排固碳实施方案》强调，以节约资源和保护环境的方式进行农业生产，形成节能低碳的空间格局。为此，亟须切实加快农业生产低碳转型步伐，探索有利于协同减排的空间分布格局。

目前，关于涉农领域碳排放的研究主要集中于农业生产层面，且早期主要聚焦于农业碳排放测算指标体系的构建与精准测度，具体涉及农用物资投入［1-2］、农业能源利用［3-4］、农地利用［5-6］、畜禽养殖［7-8］、渔业生产［9-10］等单一视角，或者涵盖上述一切并包含水稻种植的全面视角［11-13］。 综合研究表明，近年来中国农业碳排放总量虽存在一定波动，但总体上升态势较为明显，同时各省级行政区无论碳排放总量、强度还是结构均存在较大差异。在此基础上，一些学者围绕农业碳排放的驱动机理、绩效水平及减排潜力展开探究，结果显示，经济增长是导致农业碳排放增加的关键动因［14］，而技术进步则对其形成了一定的抑制作用［15］；总体绩效水平虽有提升但省际差异明显，省域间存在空间自相关且溢出效应明显［16-17］；虽然省际减排成本差异较大［18］，但国家层面以及绝大多数省份有能力实现政府所承诺的预期减排目标［19］。

综合来看，目前有关农业碳排放的研究已相对全面、系统，涵盖现状把握、典型特征剖析、影响机理探讨等方面，为后续农业碳减排政策的完善提供了有力依据。但是，随着研究的不断深入，厘清中国农业碳排放区域差异、探讨区域差异演变趋势以及分析其空间分异内在机理已成为亟待关注的问题。有鉴于此，本文对中国30 个省（区、市）农业碳排放量进行精准测算，利用泰尔指数、马尔科夫矩阵考察其区域差异与动态演进趋势，借助地理探测器方法探究其空间分异的内在机理，并基于研究结论提出相应对策。

一、研究方法与数据来源

（一）研究方法

1.泰尔指数

泰尔指数用来测量国家间收入差距，目前已成为研究各区域差异的常用方法。根据泰尔指数的构造原理，其可以被分解为区域内差异和区域间差异两部分。本文以各省份农业碳排放量作为反映农业碳排放水平的指标，并选用各省份第一产业从业人员数量和农业增加值为权重指标，将中国农业碳排放水平分为总体差异、区域内（粮食主产区、主销区和产销平衡区内部）差异和区域间（粮食主产区、主销区和产销平衡区之间）差异进行研究，相关公式如下：

式中：T、Tw、Tb分别表示衡量中国农业碳排放水平区域差异的总泰尔指数、区域内泰尔指数与区域间泰尔指数；AC、S分别代表农业碳排放量、农业增加值/第一产业从业人员数量；M、N分别表示区域总数量和省份总数量；j、i分别表示j区域和i省份。

为进一步分析三类区域农业碳排放差异对中国总差异的影响，将泰尔指数引入区域间和区域内差异贡献率分析中，计算公式如下：

式中：Iw表示区域内差异对总差异的贡献率，Ib代表区域间差异对总差异的贡献率，Ij为j区域内部差异对总差异的贡献率。区域贡献率的大小可以客观反映其对总体差异的影响和重要程度。

2.马尔科夫链

既有研究通常将马尔科夫链（Markov Chain）作为预测模型［20］，该模型通过构建状态转移矩阵来描述研究对象随时间变化从一种状态转移到另一种状态的概率分布，从而有效刻画其动态演进趋势［21］。具体而言，首先将研究对象的连续属性值作离散化处理并划分为k种类型，而后计算每种类型在考察期内的转移概率并构造状态转移矩阵M。据此，假设各省份农业碳排放由t年Qi状态转移为t+1 年Qj状态的概率为Pij，计算公式如下：

式（8）中，Nij表示考察期内农业碳排放由i状态转变到j状态的省份数量；Ni表示考察期内农业碳排放处于i状态的省份数量。

3.地理探测器

地理探测器是一种能够探测空间分异机理的前沿统计学方法［22］，主要用于厘清导致空间分异现象的主导驱动因素及各因素间相互作用的大小。目前，该方法已在地理学、环境科学、区域规划、公共卫生等多个领域得到广泛运用，其原理为，当被解释变量与影响因子的空间分异特征呈现显著一致性时，则可认为二者的空间分布具有统计关联性，进而即可探讨变量的空间分异机理。在此，本文借助该方法构造中国农业碳排放空间分异机理识别模型，其公式如下：

式中，i为影响因子和被观察对象的分层数；Ni和N分别为i层和全区域的样本量；和σ2分别表示i层和全区域的方差；SSW、SST分别为层内方差之和、全区域总方差；q为各驱动因子的影响力，q值越大，则表明该因子为主导驱动因子的概率越大。

而在运用地理探测器方法之前，需对各驱动因子实施K-means聚类处理［23］。其中，K代表类簇个数，means表示类簇内数据对象的均值，该方法以各个观察对象与均值间的距离作为度量相似性的标准，距离越小则表明各个观察对象的相似性越高，越可能处于同一类簇。具体方法如下：

式中，D表示观察对象的属性个数，xi、xj表示各驱动因子。在这一计算过程中，类簇中心需随每次迭代而不断更新，其更新方式如下：

式中，K表示类簇个数，Center代表各类簇中心。当两次迭代结果之差小于某一阈值时，则终止迭代，并以此为最终聚类结果。

与此同时，为了更好地探讨两种驱动因子共同产生影响时的作用类型，可借助地理探测器方法测算2 个单因子交互项的q值，然后与其各自作为驱动因子时的q值进行比较，并根据其数值大小划分为双因子增强、非线性增强、独立交互作用、非线性减弱、单因子非线性增强等五种不同类型。具体划分标准如表1（下页）所示。

表1 驱动因子交互作用类型及判定依据

在运用上述方法展开系统分析之前，首先需在参考已有研究成果的基础上，对本文所要考察的农业碳排放予以界定，然后充分考虑现实依据以及相关文献阐述，基于自然、经济、社会三个层面科学确定农业碳排放的12 类驱动因子。

本文综合多位学者研究成果［16，24-26］，并在充分参考《省级温室气体清单编制指南》的基础上，对中国农业碳排放量进行系统考察。一是农业能源消耗所导致的碳排放，即农业生产过程中所耗费的原煤、洗精煤、其他洗煤、型煤、焦炭、汽油、柴油、燃料油、液化石油气、天然气、热力、电力等12 种能源产生的温室气体排放量之和，相关的碳排放系数及其对应的计算方法参考蒋金荷［27］、田云和陈池波［28］的研究。二是农用物资投入所产生的碳排放，主要考察化肥、农药和农膜在各自产品形成以及后续利用过程中所导致的温室气体排放，对应碳排放系数参考田云和张俊飚［24］的研究。三是水稻种植碳排放，特指在水稻生长发育过程中稻田所产生的甲烷排放，鉴于存在早稻、中稻与晚稻的区别且不同省份水热条件差异较大，实际测算中借鉴王明星等［29］、闵继胜和胡浩［11］所使用的兼顾周期与省份双重差异的碳排放系数。四是畜禽养殖所引发的碳排放，具体涉及甲烷与氧化亚氮排放，结合中国畜牧业发展状况，重点考察牛、马、驴、骡、骆驼、羊、生猪、家禽等畜禽品种，相关碳排放系数均出自IPCC。据此，构建农业碳排放测算公式如下：

式中：AC表示农业碳排放总量，Ec表示各类碳源的具体数量；δc为各类碳源所对应的碳排放系数。

由于农业碳排放的产生源于农用物资投入、能源消耗、水稻种植、畜禽养殖等多个方面，其增减变化显然会受到自然、经济、社会等层面因素的影响。就自然层面而言，天灾、地形等自然因素作为农业生产的外部环境和先决条件，会以直接或间接形式影响农业生产规模及其产出、农业技术应用与扩散，进而影响农业温室气体的排放量［30-31］，故而在此将地形起伏度与农业受灾程度作为驱动因子展开考察。就经济层面而言，经济发展与环境保护之间既相互依存又相互制约，因而有必要全面考察经济层面各因素之于农业碳排放的驱动力。既有研究发现，经济增长为农业产业结构优化和产业集聚创造了有利环境，政府财政实力为农业基础设施建设提供了强有力的支撑，进而影响农业碳排放的增减［13，32-33］。据此，选择农业经济发展水平、农业产业结构、农业财政支持力度、农业产业集聚、农业公共投资等因素来反映经济层面对农业碳排放的驱动作用。就社会层面而言，随着农业现代化水平的不断提升与城镇化进程的稳步推进，农村劳动力有序转移、农业集约化生产日益成为主要发展趋势，外加政策引导下的环境规制水平提升，促使农业生产、综合管理方式等在一定程度上发生转变，进而影响了农业碳排放的增减。基于此，社会层面重点考察农业机械化水平、城镇化率、农村人力资本、环境规制水平、耕地集约利用程度五个因素。总体而言，本文围绕自然、经济、社会三个层面的12 个驱动因子构建指标体系，进而考察各自对农业碳排放的作用机理。驱动因子构成与衡量方式如表2（下页）所示。

表2 农业碳排放驱动因子指标体系

（二）数据来源与处理

测算农业碳排放所需的各类能源消费数据均出自历年的《中国能源统计年鉴》且均以当年实际值为准，其他原始数据则主要源自历年的《中国农村统计年鉴》，其中化肥、农药、农膜投入量与水稻播种面积均以当年实际数据为准；而畜禽养殖数量的核算并非如此，需参照闵继胜和胡浩［11］所提供的方法，结合各自年末存栏量与饲养周期差别计算其年均饲养量。除此之外，农业增加值、农业财政支出、财政总支出、城镇人口、总人口与地区生产总值源自历年的《中国统计年鉴》，第一产业从业人员数、农作物受灾面积、农作物播种面积、种植业总产值、畜牧业总产值、农林牧渔总产值、农业机械总动力的原始数据主要源自历年的《中国农村统计年鉴》，农村平均受教育年限的原始数据来自《中国人口和就业统计年鉴》，各地区污染治理项目投资额数据源自《中国环境统计年鉴》，地形起伏度所需原始数据来源于中国科学院资源环境科学与数据中心。需要说明的是，为了消除价格波动的影响，所有经济类指标均选择以2005 年为基期对历年数据进行修正。限于相关数据缺失较为严重，西藏、港澳台地区不在本次研究的考察之列。

二、中国农业碳排放时序比较、区域差异与动态演进

（一）中国农业碳排放时序比较分析

表3（下页）为2005—2020 年中国农业碳排放总量及变化率，限于篇幅，表中仅列出2005年和2020 年的相关结果。由表3 可知，2020 年中国农业碳排放总量为93 885.28 万吨，较2005年减少7.04%。进一步将全国30 个省（区、市）2020 年农业碳排放量按照5 000 万吨以上、3 000～5 000 万吨、1 000～3 000 万吨、1 000 万吨以下依次划分为高排放、中高排放、中排放、低排放四个组别。其中，江苏、安徽、湖北、湖南、河南、江西、四川等7 个省份处于高排放组，共计40 475.12 万吨，占全国农业碳排放总量的43.11%，其中，以湖南居首，高达7 444.97 万吨。河北、内蒙古、山东、黑龙江、广东、广西、云南、新疆等8个省份处于中高排放组，共计32 119.74 万吨，占全国农业碳排放总量的34.21%。山西、浙江、辽宁、吉林、福建、重庆、贵州、陕西、甘肃、青海等10 个省份处于中排放组，共计19 194.21 万吨，占全国农业碳排放总量的20.44%。低排放组包含北京、天津、上海、海南、宁夏等5 个省份，共计2 096.21万吨，仅占全国农业碳排放总量的2.23%。相较于2005 年，有18 个省份农业碳排放量处于下降态势且以北京降幅最大，高达75.84%；山东、上海、河北、福建紧随其后，分列第2—5 位，各自降幅均在25.00%以上；其余12 个省份仍处于增长态势且以黑龙江增幅最大，高达44.45%；宁夏紧随其后，增幅也达到了38.21%；新疆、内蒙古、甘肃分列第3—5 位，各自增幅均在15.00%以上。值得一提的是，高排放组除河南表现为明显下降态势外，其余6 个省份均变化不大，而同属粮食主产区的安徽、湖北、湖南、江西农业碳排放量仍处于持续增长态势。

表3 中国30 个省（区、市）的农业碳排放量比较（单位：万吨）

在此，基于粮食主产区、主销区、产销平衡区对农业碳排放展开进一步探讨。三类区域的具体划分在参考已有文献［36］的基础上按照国家统一标准来确定①粮食主产区包括河北、内蒙古、辽宁、吉林、黑龙江、江苏、安徽、江西、山东、河南、湖北、湖南、四川等13 个省份；粮食主销区包括北京、天津、上海、浙江、福建、广东、海南等7 个省份；粮食产销平衡区包括山西、广西、重庆、贵州、云南、陕西、甘肃、青海、宁夏、新疆等10 个省份。。

粮食主产区、主销区与产销平衡区2005—2020 年的农业碳排放量如表4（下页）所示。从中不难发现：第一，粮食主产区碳排放量远高于另外两类地区，且几乎占了全国农业碳排放总量的2/3。2020 年粮食主产区农业碳排放量为61 494.20 万吨，较2005 年降低了6.33%。从变化趋势来看，经历了“先升后降”的增减反复：2005—2006 年为第一阶段，总体呈现小幅上升趋势，农业碳排放量略有增加；2006—2008 年为第二阶段，总体处于骤降趋势，农业碳排放量大幅减少；2008—2015 为第三阶段，农业碳排放处于持续上升态势，并于2015 年达到了历史峰值68 592.08 万吨；2015—2017 年为第四阶段，农业碳排放量经历了小幅下降而后又回弹的演变趋势；2017—2020 年为第五阶段，农业碳排放量持续下降，并于2020 年达到历史最低值61 494.20万吨。第二，粮食主销区农业碳排放量在三类区域中居于最低水平。2020 年粮食主销区农业碳排放量为9 286.86 万吨，较2005 年下降了23.41%。从变化趋势来看，虽存在一定年际起伏，但总体下降趋势较为明显，除2009—2012 年等个别年份外，其他各年均处于持续下降态势。第三，粮食产销平衡区农业碳排放量总体相对平稳。 2020年粮食产销平衡区农业碳排放量为23 104.21 万吨，较2005 年减少0.49%。从变化趋势来看，考察期内农业碳排放量主要围绕在23 000 万吨附近，波动幅度不超过2 000 万吨。总体而言，考察期内粮食主产区农业碳排放量整体处于波动下降态势，主销区表现为持续下降趋势，产销平衡区则呈现相对稳定状态。

表4 粮食主产区、主销区与产销平衡区的农业碳排放量比较（单位：万吨）

（二）中国农业碳排放区域差异演变特征分析

在厘清全国30 个省份、粮食主产区、粮食主销区以及粮食产销平衡区农业碳排放量时序演变特征之后，接下来进一步探讨全国及各区域农业碳排放量的非均衡性。在此，利用泰尔指数分别揭示农业增加值与第一产业从业人员两类权重下中国农业碳排放区域差异的演变特征。

1.两种权重下中国农业碳排放总泰尔指数分析

基于公式（1）—（4），运用2005—2020 年全国及30 个省份农业增加值、第一产业从业人员数量、农业碳排放量，分别计算出以农业增加值和第一产业从业人员数为权重的泰尔指数T（G）和T（P），二者分别反映了经济发展水平、劳动力规模对农业碳排放量的匹配程度以及差异的影响程度。相关结果如表5（下页）所示。其中，以第一产业从业人员数为权重计算得来的历年指数值高于以农业增加值为权重所得到的结果，由此揭示，中国各省份农业碳排放量差异受农业劳动力规模的影响要大于经济发展水平的影响，碳排放量变化与农业经济发展水平波动更具相似性、匹配度更高。从变化趋势来看，T（G）在2005 年最低（0.037），虽经历了几次波动但仍呈上升态势，最终在2020 年升至0.079，其中2019 年达到峰值0.081；T（P）在2005 年初始值为0.051，变动与前者相似，2006 年降至最低值0.050，于2020年升至峰值0.090。总体而言，中国农业碳排放量省际差异受劳动力规模差异影响较大，经济发展水平与劳动力规模的差异均使得不同省份农业碳排放量差距逐渐扩大，且其趋势逐渐增强。究其原因，一方面，2005 年中央“一号文件”《中共中央 国务院关于进一步加强农村工作提高农业综合生产能力若干政策的意见》将调整农业和农村经济结构、努力实现农民持续增收、促进农村经济社会全面发展列为重点工作，并取得显著成效，故而经济发展水平对农业碳排放量差异程度的影响趋于稳定。但伴随新型城镇化的推进，经济增长较快地区通过发挥土地集约利用、产业优化转型等作用，加速淘汰落后产能，优化农业产业结构与能源消费结构，促进农业碳排放量减少，进而经济发展水平对农业碳排放量的影响逐年上升并扩大差距。另一方面，2006 年中央“一号文件”取消了各种针对务工农民流动和进城就业的歧视性规定和不合理限制，并出台了一系列惠农、支农政策，鼓励农村劳动力转移，同时对仍留在农村的劳动力进行教育培育，提高其技能和素质，培育其低碳农业发展意识，因而农业碳排放量开始受劳动力规模的影响，差距也随之拉开。2018 年印发的《中共中央 国务院关于实施乡村振兴战略的意见》提出了乡村振兴发展的各阶段目标以及2020 年前取得阶段性进展的要求，政府制定大量优惠政策，吸引资本下乡，出现农村劳动力回流现象，致使中国农业碳排放量省际差异受劳动力规模影响较经济发展水平更大。

表5 2005—2020 年全国及粮食主产区、主销区、产销平衡区农业碳排放泰尔指数

2.两种权重下中国农业碳排放三类地区泰尔指数分析

由表5 可知，粮食主产区农业碳排放泰尔指数与全国总体情况明显趋同，其以农业增加值为权重计算得来的历年指数值低于以第一产业从业人员数为权重计算所得结果，表明相较于农业经济发展水平，劳动力规模对农业碳排放量差异的影响程度更大。具体而言，T（G）由2005 年的0.023 波动上升至2020 年的0.059，增幅高达156.52%；T（P）也从2005 年的0.034 上升至2020 年的0.085，增幅高达150%。从变化趋势来看，T（G）先后经历了三次“先升后降”变化，并最终呈现为下降态势；而T（P）则与之相反，先后经历三次“先降后升”的变化，并最终表现为上升态势。从中易知，观察期内两类权重影响下各粮食主产省份农业碳排放量差异程度均明显扩大，劳动力规模对其碳排放量省际差距的影响仍在增强，但经济发展水平的影响与之相反，出现逐渐减弱的良好趋势。可能的解释是，伴随着经济的发展，部分地区迎来环境库兹涅茨曲线的拐点，而受限于粮价持续低迷的不利情形，粮食主产区增产难增收，部分低碳意识薄弱的农村劳动力为追逐红利采取不利于环境的农业生产行为，进而成为扩大碳排放量省际差异的主要原因。

从粮食主销区农业碳排放泰尔指数来看，以第一产业从业人员为权重计算所得数值要远高于以农业增加值为权重的计算结果，表明劳动力规模对农业碳排放量差异的影响程度大于农业经济发展水平。具体来看，T（G）整体呈现“先降后升再降”的变化态势，其数值由2005 年的0.008 升至2020 年的0.017，增幅高达112.50%，并于2017 年达到峰值0.020；而T（P）的情形与之不同，经历了数次先升后降的波动之后，最终表现为上升态势，由2005 年的0.023 升至2020 年的峰值0.049，增幅达113.04%。总体而言，农业增加值和第一产业从业人员数量对粮食主销区农业碳排放量省际差距的影响程度差异显著，其中前者对其差异影响力较小且正在减弱；而后者使得不同省份农业碳排放量差距不断扩大且影响力仍在增强。可能的解释是，粮食主销区经济相对发达，农村劳动力低碳技术采纳意愿较强，但由于自身内部劳动力转移程度不同，省际劳动力受教育水平与规模大小依旧存在差异，先进机械设备与劳动力之间的替代率也不尽相同，因而在农业生产活动中，农业能源利用率、能源消费结构以及农业低碳生产技术推广效果并不相同，导致劳动力规模对粮食主销区的农业碳排放量差距的影响逐渐扩大。

从粮食产销平衡区农业碳排放泰尔指数来看，以农业增加值为权重所计算得到的数值与以第一产业从业人员为权重计算的结果不断趋近，前者虽长期略低于后者，但最终形成了反超之势，可见此类区域中各省份之间碳排放量的差异程度过去受劳动力规模影响较大，而后受经济发展水平影响更大。其中，T（G）由2005 年的0.040 升至2020 年的0.085，涨幅高达112.50%，在考察期内经历了先升后降的小幅波动后，最终呈现高速上升趋势；而T（P）的演变轨迹则与之不同，整体呈现波动下降态势，由2005 年的0.085 降至2020 年的0.080，最低值为2013 年的0.069，峰值出现在2019 年（0.091）。总体而言，经济发展水平对产销平衡区农业碳排放量省际差距的影响正不断扩大，且已超越劳动力规模对其的影响，而后者影响程度变化不大。究其原因，产销平衡区省份主要分布在我国西部地区，人口密度低，其农业生产活动机械化水平不断提升，因而该区域农业碳排放量差异受劳动力规模影响变化不大，但由于区域间经济发展水平不同，机械化程度不同，其能源消耗产生的农业碳排放增长量也不尽相同，故而农业碳排放量省际差距受经济发展水平影响正逐渐扩大。

3.两种权重下中国农业碳排放的贡献率对比分析

基于公式（5）—（7）计算出区域间差异、区域内差异以及三类区域内部差异对总差异的贡献程度，相关结果如表6（下页）所示。

表6 2005—2020 年中国农业碳排放贡献率（%）

由表6 可知，中国农业碳排放的总体区域差异主要由区域内差异引起。2005—2020 年，两类权重下所有年份区域内差异的贡献率均明显高于区域间差异，且劳动力规模对区域内差异的贡献率影响作用更大，比重始终高于85%。究其原因，需从三类区域的内部差异探寻，通过比较可知，当以农业增加值为权重条件时，各类区域内部差异对总体差异的贡献程度相差较大，具体排序为“粮食主产区＞粮食产销平衡区＞粮食主销区”；但当以第一产业从业人员数为权重条件时，各类区域内部差异对总体差异的贡献率则有所起伏，具体表现为，早年间“粮食产销平衡区＞粮食主产区＞粮食主销区”，而后粮食主产区反超产销平衡区且差距逐渐扩大，最终呈现“粮食主产区＞粮食产销平衡区＞粮食主销区”的现象。三类区域各自内部省份分布较为分散，资源禀赋与自然条件各异，相互之间经济社会发展状况也存在一定差距，由此导致生产中的低碳技术采纳程度以及劳动力的低碳意识状况均不尽相同。

其中，粮食主产区的粮食产量约占全国的75%，内部又可细分为长江中下游地区、黄淮海地区以及东北地区。 无论所处何区域，其农业从业人员的“增产”意识都要大于“低碳”意识，为追求高产增效，农用物资与能源投入通常高于其他区域；但因其所处区域的功能定位不同，其内部省份间经济发展水平存在较大差异，致使农业投入产出效率不一、低碳技术推广力度以及农户采纳程度不同，进而导致粮食主产区内部农业碳排放量差异较大。粮食产销平衡区所含各省份地形地貌普遍较为复杂，山区、高原、盆地较多，农地资源相对分散，如以云南、贵州为代表的西南诸省份山地居多，农业机械化与规模化生产较难实现，投入产出效率不高，农户经济效益低下，机会成本较高成为制约低碳生产技术推广的主要障碍；而青海、宁夏等省份以畜牧业为主，农业生产能源消耗均较少，其碳排放主要源自畜禽养殖与农用物资投入，因而在劳动力规模影响下各省份之间农业碳排放量存在一定差异。粮食主销区所含各省份经济相对发达，且自身既非种植大省也非养殖强省，农业生产活动相对较少，但由于民众整体素质相对较高，对低碳生产技术采纳意愿较强，日常生活也倾向于选择清洁能源，各省份情形类似使得区域内部农业碳排放量差异程度不大。

区域间差异方面，当以农业增加值为权重时，其差异贡献率远高于以第一产业从业人员为权重时的情形，该结果的产生可能与三类地区的农业经济发展水平、产业结构等因素紧密相关。其中，粮食主产区在区位、气候、土壤、技术等诸多方面都具备种粮优势，粮食的高种植比例与高产量成为该类区域的一大特点，它们在满足自身粮食需求的同时，还为粮食主销区承担了大量的商品粮供给。在此境况下，粮食主产区面临粮食生产与流通的双重压力，农用物资与农业能源的投入量均居高不下，同时多数省份种养殖业发展较为平衡且不少省份水稻种植规模较大，上述因素的存在使得粮食主产区所含省份的碳排放水平趋于相近，但由于粮食作物的经济回报率略低，一定程度上导致粮食主产区相较于粮食主销区和产销平衡区其农业碳排放量存在较大差异。同样，粮食主销区与产销平衡区的功能定位与产业结构的“内部趋同、外部差异”也对各自农业碳排放量水平产生了显著影响。

（三）中国农业碳排放的动态演进特征

接下来，本文利用马尔科夫链探讨中国农业碳排放量随时间变化而发生转移的概率，以此揭示农业碳排放的动态演进特征。参照既有研究［37］，基于量级差异本文将各省份农业碳排放划分为四种类型：第一类为低排放，即碳排放量低于全国均值的50%；第二类为中排放，即碳排放量位于全国均值的50%至75%之间；第三类为中高排放，即碳排放量位于全国均值的75%至100%之间；第四类为高排放，即碳排放量位于全国均值的100%至150%之间。基于此，以滞后一期为条件计算得到马尔科夫转移矩阵结果（见表7）。

表7 2005—2020 年中国农业碳排放不同类别的马尔科夫概率转移矩阵

由表7 可知：第一，矩阵主对角线上的数值均大于非对角线上的结果，由大到小依次为98.21%、96.33%、93.55%和93.33%。由此表明，中国农业碳排放量具有极强的年际稳定性，由此导致未来有可能陷入资源依赖与路径锁定的困境。与此同时，Ⅰ类与Ⅳ类概率最高，表明30 个省份的农业碳排放量正趋于两极分化，存在“俱乐部收敛”现象，未来有可能出现马太效应。第二，主对角线相邻两侧中，可比较的类别为Ⅰ-Ⅱ与Ⅲ-Ⅱ、Ⅱ-Ⅲ与Ⅳ-Ⅲ。其中，右侧概率值分别为3.23%、3.81%，均高于左侧的3.22%、2.86%，表明处于中排放与中高排放类的省份农业碳排放量均存在增高风险。第三，非对角线且与主对角线不相邻的数值均为0。由此揭示，类别转移均发生在相邻区间，且增减幅度较小，各省份农业碳排放量激增或骤减的现象几乎不会发生，可见中国农业碳减排工作需持续、渐进地展开。

三、中国农业碳排放空间分异机理分析

由前文分析可知，中国农业碳排放存在明显的区域差异，且这一差异仍处于持续扩大态势。为此，亟须厘清引致农业碳排放空间差异的内在机理，以抑制其继续扩大。有鉴于此，接下来本文首先将对各驱动因子进行K-means聚类处理，然后利用地理探测器方法发掘中国农业碳排放驱动因子，并探索这些驱动因子间的交互作用，进而揭示不同功能定位区域的主要驱动因子。

（一）主要驱动因子识别

中国农业碳排放各驱动因子的识别结果如表8（下页）所示。通过p值结果可以看出，自然、经济、社会三个层面的驱动因子均在5%或者1%水平下通过显著性检验，表明各自对农业碳排放量的影响系数具有较强的解释力度。 根据q值排名可进一步识别主要驱动因子与次要驱动因子，其中，排名前5 的为主要驱动因子，余下则为次要驱动因子。具体而言，主要驱动因子依次为农业机械化水平（q值为0.74）、地形起伏度（q值为0.57）、农业产业集聚（q值为0.49）、农业公共投资（q值为0.32）、农业产业结构（q值为0.30）；次要驱动因子依次为城镇化率（q值为0.27）、农业经济发展水平（q值为0.21）、农村人力资本（q值为0.17）、农业财政支持力度（q值为0.10）、农业受灾程度（q值为0.09）、耕地集约利用程度（q值为0.08）以及环境规制水平（q值为0.05）。可能的解释是，在当前推进农业现代化的进程中，生产效率的提升更为依赖机械化水平的提升，但农业机械化发展又直接或间接地影响到能源消耗量与要素投入结构，进而对农业碳排放量产生较大影响。与此同时，各省份经济发展水平与农业发展程度存在较大差异，致使农业机械化水平不尽相同，客观上加剧了农业碳排放差异，由此也使得农业机械化水平成为农业碳排放量空间分异的第一驱动因子。除此之外，省域间地形起伏、农业产业集聚规模、农业公共投资力度、农业产业结构的不同，使得各自农业生产规模、生产方式、经营模式等均不尽相同，并且农业生产技术与资源配置也较难如一。具体而言，资源禀赋较好的省份通过采取低碳生产模式，一定程度上可以抑制或减少农业碳排放量；而资源禀赋较为落后的省份则需通过各类能源、化肥、农药、农膜的大量投入来提升农业经济效益，从而客观上加剧了农业碳排放，如此“一减一增”则导致了省域间差距的进一步扩大。

表8 农业碳排放驱动因子探测结果

（二）驱动因子交互作用分析

在完成农业碳排放各驱动因子的准备识别之后，接下来则需探析各驱动因素间的交互作用，其相关结果如表9（下页）所示。从中不难发现，对角线上的数值均小于其所在行或者列上的结果，即任意两个驱动因子交互后的作用力要大于二者各自对农业碳排放产生的影响，具体类型表现为双因子增强、独立交互作用和非线性增强。其中，有16 个交互项表现为双因子增强，1 个交互项表现为独立交互作用，余下49 个则皆为非线性增强。从各自作用力来看，农业机械化水平与地形起伏度的交互项q值最大为0.98；农业机械化水平与农业产业结构、地形起伏度与农业产业集聚的交互项q值紧随其后，均为0.95；农业机械化水平与农业经济发展水平、农业产业结构与农业经济发展水平、农业产业结构与农业产业集聚的q值仅为0.91；除此之外，农业公共投资与农业机械化水平、地形起伏度、农业产业集聚的交互作用也处于较高水平，其数值分别为0.84、0.83、0.79。由此，进一步验证了农业机械化水平、地形起伏度、农业产业集聚、农业公共投资、农业产业结构是影响农业碳排放空间分异的主导因子，且各自间存在明显的交互增强关系。

表9 中国农业碳排放驱动因子交互探测值

（三）驱动因子的区域差异性分析

中国农业碳排放的区域差异仍处于持续扩大态势，为此有必要对各区域内部驱动因子的作用力度差异进行探索，为后续制定差异化政策提供相关依据，其结果如表10（下页）所示。其中，引起粮食主产区农业碳排放区域差异的主导因子为地形起伏度，其q值高达0.93，明显高于其他因子；农业机械化水平与农业产业集聚紧随其后，其q值分别为0.63 和0.59。导致粮食主销区农业碳排放区域差异的主导因子是农业机械化水平，其q值高达0.89；农业产业集聚、地形起伏度紧随其后，其q值分别为0.83、0.80。致使粮食产销平衡区农业碳排放区域差异的主导因子亦为农业机械化水平，其q值为0.67；农业产业集聚、城镇化率紧随其后，其q值分别为0.62、0.57。这是因为，粮食主产区虽以平原地形为主，但同时也伴有较多丘陵，如山东丘陵、辽东丘陵、豫中丘陵等，地理条件的不同致使其内部的农业生产方式、种植结构存在差异，作物格局与农业能源利用情况也有所区分。比如，平原地区农作物种植面积较大且便于机械化作业，使得能源消耗量处于较高水平；而丘陵地区更多地依赖农资投入，机械化水平不高，农业碳排放也因而受地形影响较大。相较于粮食主产区，粮食主销区与产销平衡区或因部分省份经济较为发达而机械普及率较高或因部分省份较为落后农机运用不够高效，客观上都对各自碳排放产生了显著影响，故而机械化水平成为上述两类区域农业碳排放的主导因子。

表10 粮食主产区、主销区、产销平衡区农业碳排放驱动因子探测结果

四、结论与政策建议

本文在科学测算中国农业碳排放量的基础上系统把握其现状特征，而后围绕区域差异特点、动态演进趋势以及空间分异机理展开深度探讨，得到以下主要结论：第一，中国农业碳排放总量、绝大多数省份以及各区域农业碳排放量均呈现下降态势。2020 年中国农业碳排放总量为93 885.28 万吨，较2005 年减少7.04%。 整个考察期内，有18 个省份农业碳排放量处于下降态势且以北京降幅最大，高达75.84%，余下12 个省份则仍处于增长态势且以黑龙江增幅最大，为44.45%；粮食主产区、主销区以及产销平衡区农业碳排放量均处于下降趋势，分别较2005 年下降6.33%、23.41%和0.49%。第二，中国各省份以及粮食主产区、主销区、产销平衡区农业碳排放量差异的成因较为相似，省际层面可能出现马太效应。其中，国家层面、粮食主产区、主销区受劳动力规模的影响从长期来看要大于经济发展水平的影响，碳排放量变化与经济发展水平波动更具相似性，匹配度更高；而粮食产销平衡区虽与之相似，但近几年受经济发展水平的影响更大。从总体贡献率来看，区域内差异相较于区域间差异发挥了更为重要的作用。具体到省际层面，目前已出现“俱乐部收敛”现象，处于中排放类与中高排放类的省份均存在农业碳排放量增高的风险，虽然幅度有限但未来仍有可能出现马太效应。第三，农业机械化水平、地形起伏度、农业产业集聚、农业公共投资、农业产业结构是影响农业碳排放空间分异的主导因子，且这些主导因子之间存在明显的交互增强关系。具体而言，中国农业碳排放空间分异的主要驱动因子依次为农业机械化水平、地形起伏度、农业产业集聚、农业公共投资、农业产业结构，余下为次要驱动因子，且任意两个驱动因子交互后其作用力均大于二者各自对农业碳排放产生的影响。具体到三类地区，粮食主产区的主导因子为地形起伏度，而粮食主销区与产销平衡区则受农业机械化水平影响最大。

为了更好地促进农业碳减排并早日达成“双碳”目标，相关部门有必要予以政策支持，具体可从以下方面着手：一是精准评估各省份农业碳减排进展，科学拟订未来农业碳减排计划。各省份应结合自身经济社会发展水平与农业碳排放量状况对农业碳减排成效进行准确评估，并以此评估结果为基础，科学拟订未来减排计划，明晰阶段减排任务，在此过程中应予以粮食主产省份更多的政策支持。二是立足区域地理条件与整体功能定位，因地制宜推广先进适用的低碳节能农机设备。为了确保粮食主产省份稳产保供，针对不同地势应予以差异化政策支持，阶梯式推进传统农机设备智能化、绿色化转型升级。其中，平原地区着重推广绿色节能的大型机械设备，大力扶持农机合作社发展，有效提高农机服务组织装备水平；而对于丘陵地区，限于小型机具匮乏且研发积极性不高，需给予一定“碳空间”，分阶段展开绿色低碳设备推广工作，实践中应加大对丘陵地区农机化扶持力度，切实转变传统思想观念，推进机艺融合，提升农企自主研发低碳节能装备的积极性，逐步实现碳减排。Reform