农业碳排放效率的再测度、时空特征及收敛性

引用本文

王瑞霞, 石志恒. 农业碳排放效率的再测度、时空特征及收敛性[J]. 环境科学, 2026, 47(8): 5234-5249.

WANG Rui-xia, SHI Zhi-heng. Agricultural Carbon Emission Efficiency: Re-measuring, Spatio-temporal Characterization and Convergence[J]. Environmental Science, 2026, 47(8): 5234-5249.

农业碳排放效率的再测度、时空特征及收敛性

王瑞霞¹, 石志恒²

1. 兰州财经大学统计与数据科学学院，兰州 730020;
2. 兰州财经大学农林经济管理学院，兰州 730020

收稿日期: 2025-07-15; 修订日期: 2025-09-11

基金项目: 国家社会科学基金西部项目（21XJL006）；甘肃省教育厅高校教师创新基金项目（2025A-077）

作者简介: 王瑞霞（1988~），女，博士研究生，主要研究方向为西部生态与资源环境统计，E-mail：2016wrx@sina.com

通信作者: 石志恒, E-mail：shzhh@lzufe.edu.cn

摘要: 农业碳排放效率是衡量农业低碳发展的关键指标，准确测度农业碳排放效率并探讨其时空演变规律有助于各地区因地制宜探索低碳农业发展路径. 运用三阶段超效率SBM-DEA模型测度2012~2023年中国30省的农业碳排放效率，借助Dagum基尼系数分解法和核密度估计分别探究农业碳排放效率的区域差异和动态演进，并通过收敛模型进行收敛性分析. 结果发现：①外部环境因素对中国农业碳排放效率具有显著的影响，剔除外部环境和随机误差影响后中国农业碳排放效率均值由初始阶段的0.673降低到0.653. ②中国农业碳排放效率存在明显的区域差异，区域间差异是总体差异的主要来源；全国及四大区域农业碳排放效率的核密度曲线均呈右移趋势，全国及东中西部地区核密度曲线呈多极化演进，东北地区多极与两极交替出现. ③全国及东北、西部地区农业碳排放效率表现出明显的σ收敛，东部与中部地区未实现σ收敛；全国及四大区域农业碳排放效率均实现绝对β收敛和条件β收敛，但收敛速度存在差异，中部地区最快，东北地区最慢. 各地区不仅要因地制宜探索农业碳排放效率提升路径，区域间也要构建合作发展机制，促进全国农业碳排放效率协同提升.

关键词: 农业碳排放效率区域差异动态演进收敛性三阶段超效率SBM-DEA模型

Agricultural Carbon Emission Efficiency: Re-measuring, Spatio-temporal Characterization and Convergence

WANG Rui-xia¹ , SHI Zhi-heng²

1. School of Statistics and Data Science, Lanzhou University of Finance and Economics, Lanzhou 730020, China;
2. College of Agriculture and Forestry Economic and Management, Lanzhou University of Finance and Economics, Lanzhou 730020, China

Abstract: Agricultural carbon emission efficiency serves as a crucial indicator for evaluating low-carbon agricultural development. Accurately measuring the agricultural carbon emission efficiency and investigating its spatio-temporal evolution patterns can facilitate region-specific pathways for low-carbon agriculture development. The agricultural carbon emission efficiency was remeasured in China's 30 provinces (2012-2023) using the three-stage super-efficiency SBM-DEA model. The regional differences and dynamic evolution of the agricultural carbon emission efficiency were investigated by using the Dagum Gini coefficient and kernel density estimation, while its convergence was analyzed using the convergence model. The results show that: ① External environmental factors exerted significant effects on China's agricultural carbon emission efficiency. The mean agricultural carbon emission efficiency in China decreased from the initial 0.673 to 0.653 after eliminating the effects of external environmental factors and random errors. ② Significant regional differences were observed in China's agricultural carbon emission efficiency, with inter-regional differences accounting for the majority of the total differences. The kernel density curves of the agricultural carbon emission efficiency exhibited rightward shifts at both the national level and in four major regions. The kernel density curves exhibited multi-polar evolution patterns at the national level as well as in the eastern, central, and western regions, while showing alternating multi-polar and bipolar distributions in the northeastern region. ③ The σ-convergence was observed in the agricultural carbon emission efficiency at the national level as well as in the northeastern and western regions, whereas the agricultural carbon emission efficiency failed to achieve σ-convergence in the eastern and central regions. The agricultural carbon emission efficiency exhibited both absolute β-convergence and conditional β-convergence at both the national level and in four major regions; however, there were differences in the convergence speed, with the fastest in the central region and the slowest in the northeastern region. All regions should not only develop localized pathways to improve the agricultural carbon emission efficiency but also establish inter-regional cooperative mechanisms to promote the synergistic improvement in the agricultural carbon emission efficiency at the national level.

Key words: agricultural carbon emission efficiency regional differences dynamic evolution convergence three-stage super-efficiency SBM-DEA model

自《巴黎协定》通过，世界多国为实现全球“净零排放”并完成《巴黎协定》目标而不懈努力，中国作为世界第二大经济体以及《联合国气候变化框架公约》首批缔约国，于2020年9月提出“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”，党的二十大报告再次强调“积极稳妥推进碳达峰碳中和”. 现阶段，中国正处于稳步推进“双碳”目标的过程中，亟需提升各产业低碳化水平. 作为传统农业大国，农业碳排放是中国碳排放总量的重要来源，但只关注农业碳排放，易忽视碳减排与经济发展的协同性，而农业碳排放效率可兼顾减碳与增效的协同发展，因此，准确测度各省农业碳排放效率，把握其时空特征及收敛特征，对于因地制宜制定农业减碳增效措施，推动农业低碳发展具有重要的理论价值和实践意义.

目前，学界围绕农业碳排放效率测度已展开深入研究，但因测度指标体系与测度方法存在较大差异，最终的测度结果也差异较大. 从测度指标体系来看，吴贤荣等^[1]最早以资本和劳动力为投入指标，农林牧渔业总产值为期望产出，农业碳排放为非期望产出，测算了中国省域农业碳排放效率；因农业生产的特殊性，土地是不可或缺的投入要素，同时，化肥、农药等农用物资也是关键投入要素，因此，现有研究主要选取农业固定资本存量、农作物播种面积、劳动力、农用物资（化肥、农药、农膜以及农机）、农用柴油为投入变量，农业总产值与农业碳排放量为产出变量^[2，3]，还有部分研究未将固定资本投入纳入投入体系，将有效灌溉面积纳入其中^[4，5]. 就测度方法而言，最初，学者假定投入或产出变量同比例变化，采用传统数据包络分析（DEA）测度农业碳排放效率，忽略投入产出变量的松弛变量，导致农业碳排放效率测算存在一定偏差^[6]. 随后，为克服传统DEA模型的局限性，SBM模型^[7，8]和EBM模型^[9]被用于农业碳排放效率测度，两种模型均是对传统DEA模型的扩展，前者属于非径向模型，后者属于径向与非径向相结合的混合模型. 虽然SBM模型与EBM模型克服了传统DEA模型的局限性，但仍假定决策单元的外部环境具有同质性，无法剔除环境因素和随机误差对效率测算结果造成的偏差^[10]，所以Fried等^[11]将随机前沿方法（SFA）嵌入DEA模型，剔除环境因素和随机误差对效率测度的影响，但农业碳排放效率测度领域，较少考虑环境因素和随机误差的影响. 此外，已有研究基于全国省域层面或地区市域层面农业碳排放效率的测度结果，分析了其空间集聚^[12]和动态演进^[13]等特征，同时，运用泰尔指数分析了农业碳排放效率的区域差异^[14].

现有研究对农业碳排放效率的测度、时空特征及收敛性分析具有重要的理论启示和借鉴意义，但仍存在可扩展空间：现有研究未能明确界定农业碳排放效率的内涵，同时，对农业碳排放效率测度的指标体系差异较大，普遍存在投入指标不全面，部分指标间存在交叉重叠现象，而且核算农业碳排放量时，部分碳源未纳入核算体系，从而影响农业碳排放效率测度结果的准确性；现有研究对农业碳排放效率的测度主要采用超效率SBM模型，无法剔除环境因素和随机误差对测算结果造成的偏差；鲜有研究从全国省域层面对农业碳排放效率的区域差异、动态演进以及收敛性等特征展开系统性分析.

因此，本文在现有研究基础上对农业碳排放效率进行再测度，进而探究其时空特征与收敛性. 主要边际贡献在于：首先，基于全要素视角，从投入和产出角度阐明农业碳排放效率减碳与增效的内涵特征，弥补现有研究对农业碳排放效率内涵界定不清的局限；然后，完善农业碳排放效率测度指标体系，借助三阶段超效率SBM-DEA构建农业碳排放效率测度模型，剔除现有测度模型中环境因素和随机误差对农业碳排放效率测度结果造成的偏差；最后，采用Dagum基尼系数综合量化中国农业碳排放效率的区域差异，同时，运用收敛模型分析全国及四大区域农业碳排放效率的σ收敛、绝对β收敛以及条件β收敛特征，层层递进揭示全国及四大区域农业碳排放效率区域差异的变化趋势. 本研究在准确测度各地区农业碳排放效率的基础上，探究其时空特征及收敛性，以期为各地区因地制宜制定农业减碳增效措施提供决策依据.

1 材料与方法 1.1 农业碳排放效率内涵与测度指标体系 1.1.1 农业碳排放效率内涵

农业碳排放效率是衡量农业生产活动中经济产出与碳排放量关系的关键指标，根据是否将投入要素纳入测度指标体系可分为单要素农业碳排放效率和全要素农业碳排放效率. 单要素农业碳排放效率仅衡量农业碳排放量与某一经济产出之间的关系，虽然计算简单，但不能反映农业生产系统中投入与产出的复杂配置关系，因此，学者从全要素视角出发，将体现农业生产活动中投入与产出综合效率的指标定义为农业碳排放效率. 从投入角度来看，农业碳排放效率侧重于减碳，即低碳生产，是指在既定的经济产出下，如何通过生产过程中投入要素的优化配置，实现农业碳排放量的最小化；从产出视角来看，农业碳排放效率关注增效，即高效用碳，是指在碳排放约束的条件下，如何通过技术创新或管理水平提升，实现农业经济产出最大化. 综合来看，农业碳排放效率从碳投入与碳产出双重视角衡量农业生产活动对生态环境产生的影响.

农业碳排放效率不仅受生产经营主体自身因素影响，还受外部环境因素影响，并且外部环境因素对农业生产经营主体而言是不可控的，在测度农业碳排放效率时应将不可控的外部环境因素剔除，才可更准确地表征农业生产经营主体的真实碳排放效率. 因此，本文构建三阶段超效率SBM-DEA模型^[15，16]测度农业碳排放效率.

1.1.2 农业碳排放效率测度指标体系 1.1.2.1 投入产出变量的选取

投入产出变量选取是否恰当直接影响农业碳排放效率测度结果的准确性. 现有研究普遍以农林牧渔业总产值为期望产出^[17]，农业碳排放量为非期望产出^[18]，但对投入变量的确定存在较大差异，所以本文借鉴现有研究成果，将农林牧渔业总产值和农业碳排放量分别作为期望产出和非期望产出. 古典经济学将农业生产要素分为土地、劳动力和资本，而资本又可细分为固定资本和流动资本，通过量化生产要素得到投入变量，主要包括固定资本投入、土地投入、劳动力投入、农用物资投入、能源投入、水资源投入，虽然上述变量未直接包含全要素视角下的技术、管理等无形要素，但农用物资、能源与水资源消耗均可体现技术进步和管理创新带来的农业碳排放效率提升. 从投入变量度量指标来看，已有研究将农机投入列入农用物资投入，但农机投入属于固定资本投入，在固定资本投入中已核算，还有研究将有效灌溉面积单独作为一项投入，这与农作物播种面积也有交叉重叠，而农业灌溉的主要投入包含于固定资本投入、水资源和电力投入，因此，本文构建的农业碳排放效率投入产出指标体系如表 1所示.

表 1 农业碳排放效率投入产出指标体系 Table 1 Input-output indicator system for agricultural carbon emission efficiency

1.1.2.2 投入产出变量的度量

表 1列示了农业投入产出变量的具体度量指标，但部分指标的数据无法直接获取，需进一步计算，下述简要介绍部分指标的计算过程.

（1）农业固定资本存量农业固定资本存量的数据无法直接获取，借鉴李谷成等^[19]的永续盘存法进行计算，具体计算公式为：

K_{t} = K_{t - 1} (1 - δ) + I_{t}

(1)

式中， $K_{t}$ 与 $K_{t - 1}$ 分别表示当期和上期资本存量， $I_{t}$ 表示当期投资， $δ$ 表示折旧率. 本文的基年确定为2012年，基年资本存量 $K_{2012} = I_{2012} / (δ + g_{t})$ ；当年投资 $I_{t}$ 采用当年农业固定资本形成总额度量，农业资本折旧率 $δ$ 取值为5.42%， $g_{t}$ 表示2012~2023年农业实际总产值几何平均增长率；采用不变价格投资价格指数 $P_{t}$ （用农业生产资料价格指数代替）对当年投资 $I_{t}$ 进行不变价处理.

（2）农业碳排放量农业碳排放具有点多面广且难以测算的特征^[20]，使农业领域碳排放测算体系众多，测算结果差异较大. 测度农业碳排放效率时，大量研究只测算了部分农业碳排放，低估了农业碳排放量，使最终测度的农业碳排放效率不够真实，比如，田云等^[21]测算了农用物资投入（化肥、农药、农膜）产生的碳排放、水稻种植引发的碳排放、畜禽养殖导致的碳排放以及农业能源利用产生的碳排放，未测算农用地氧化亚氮折算的碳排放与农作物秸秆焚烧产生的碳排放；黄天阳等^[22]测算了农用物资投入、农地利用、水稻种植、畜禽养殖以及土壤产生的碳排放，未考虑农作物秸秆焚烧与除柴油的其他能源产生的碳排放. 广义农业包括种植业、畜牧业、林业、渔业以及农林牧渔服务业，因林业主要发挥碳汇功能，渔业碳排放主要由海洋捕捞渔船消耗柴油与水产养殖设施能源消耗产生，而长江流域重点水域实行10 a禁渔，海洋实行“伏季休渔”，其他重要流域均制定了不同的禁渔期，相较于种植业与畜牧业，林业与渔业碳排放量较小，所以农业领域主要测算种植业与畜牧业碳排放，但因未形成统一标准将能源消耗准确分配到农业各产业部门，因此，本文农业碳排放测算范围包括种植业（除能源消耗）、畜牧业（除能源消耗）以及农业能源消耗这3个领域，具体测算体系如表 2所示.

表 2 农业温室气体排放测算体系 Table 2 Measurement systems for agricultural greenhouse gas emissions

农业碳排放量测算采用最常用的排放因子法，具体公式如下^[26，27]：

C = \sum C_{k} = \sum T_{k} \times E F_{k}

(2)

式中， $C$ 表示农业碳排放总量， $C_{k}$ 表示各类具体碳源产生的碳排放量（下标k表示碳源类别）； $T_{k}$ 表示各类碳源的实际数量， $E F_{k}$ 表示碳源所对应的排放因子. 为了方便计算，根据IPCC第四次评估报告（1 t CH₄相当于25 t CO₂当量，1 t N₂O相当于298 t CO₂当量），将CH₄和N₂O统一换算为CO₂当量，最后将CO₂排放量折算为标准C排放量.

1.1.2.3 环境变量的选取

三阶段超效率SBM-DEA模型在第二阶段需要剔除环境因素的影响，环境因素通常是决策单位无法控制，但对农业碳排放效率产生影响的外部因素，本文选取财政支农投入、环境规制、城镇化水平以及经济发展水平这4个环境变量.

（1）财政支农投入财政支农是政府通过提供经济补贴、技术培训以及金融支持等扶持农业发展的关键政策，具有“保增长”与“促减排”的双重作用^[28]. 一方面，财政支农可通过经济补贴和金融支持加大农业绿色基础设施建设，优化资金合理配置，推动农业由“高碳排放”向“低碳循环”转型，实现农业产业体系升级，既降低农业碳排放，又促进农业经济产出；另一方面，财政支农可通过提供社会化服务援助、举办低碳技术培训，驱动低碳技术扩散，引导农业低碳发展. 本文采用农林水事务支出占财政总支出的比例来度量财政支农投入.

（2）环境规制环境规制是政府通过制定和推行有关政策措施来实现环境与经济的协调发展，具体分为命令控制型环境规制、市场激励型环境规制以及自愿协议型环境规制^[29]. 命令控制型环境规制通过约束高碳排放行为来提高农业碳生产率，市场激励型环境规制通过绿色技术创新实现农业碳减排协同经济发展^[30]，自愿协议型环境规制可引导农业生产者遵守命令控制型环境规制，进而提高农业碳排放效率. 本文采用节能环保支出占财政总支出的比例来度量环境规制水平.

（3）城镇化水平城镇化对农业碳排放效率的影响呈“双刃剑”^[31]. 城镇化促进城乡要素流动，使农业劳动力减少，驱使农地向新型经营主体集中，实现规模化管理，机械化水平提高，有助于增加农业产出，降低农业碳排放，若机械设备仍依赖化石能源，反而会增加农业碳排放，同时，新型经营主体可能因过度追求农地单产而滥用化肥和农药等，加剧农业碳排放. 城镇消费者的绿色低碳消费需求倒逼农产品绿色低碳认证体系完善，降低农业碳排放，增加农民收入，但城镇消费者对肉、蛋和乳制品等需求的增加，推动膳食结构升级，加速畜牧业规模扩张，加剧畜牧业碳排放. 本文采用城镇人口占地区总人口的比例来度量城镇化水平.

（4）经济发展水平经济发展水平是影响农业碳排放效率的关键因素. 一方面，发达的经济加大农业科技投入，促进农业技术进步，提高投入要素的使用效率，增加农业总产值，同时，通过农业低碳技术抑制农业碳排放，进而提高农业碳排放效率；另一方面，随着经济不断发展，农业实现机械化，因农药、化肥和柴油等大量农用物资和能源消耗，难免会加剧农业碳排放^[32]，抑制农业碳排放效率的提升. 本文采用人均GDP来度量地区经济发展水平.

1.2 研究方法 1.2.1 农业碳排放效率测度方法

全局、非角度和考虑非期望产出的超效率SBM模型明显提高了效率测度的准确性^[33]，但无法剔除环境因素和随机误差对农业碳排放效率测算结果造成的偏差，因此，本文构建三阶段超效率SBM-DEA模型测度农业碳排放效率，具体如下.

第一阶段：采用全局、非角度和考虑非期望产出的超效率SBM模型^[34]测算初始农业碳排放效率和投入产出变量的松弛变量，表达式如下：

A C E = \underset{λ, s^{a}, s^{c}, s^{d}}{m i n} \frac{1 + \frac{1}{m} \sum_{i = 1}^{m} \frac{s_{i}^{a}}{x_{i o}^{t}}}{1 - \frac{1}{q + h} (\sum_{r = 1}^{q} \frac{s_{r}^{c}}{y_{r o}^{t}} + \sum_{k = 1}^{h} \frac{s_{k}^{d}}{b_{k o}^{t}})}

(3)

s . t . \{\begin{array}{l} x_{i o}^{t} \geq \sum_{t = 1}^{T} \sum_{j = 1, j \neq o}^{n} λ_{j}^{t} x_{i j}^{t} - s_{i}^{a}, i = 1, 2, \dots, m, \\ y_{r o}^{t} \leq \sum_{t = 1}^{T} \sum_{j = 1, j \neq o}^{n} λ_{j}^{t} y_{r j}^{t} + s_{r}^{c}, r = 1, 2, \dots, q, \\ b_{k o}^{t} \geq \sum_{t = 1}^{T} \sum_{j = 1, j \neq o}^{n} λ_{j}^{t} b_{k j}^{t} - s_{k}^{d}, k = 1, 2, \dots, h, \\ λ_{j}^{t} \geq 0 (\forall j), \sum_{j}^{m} λ_{j}^{t} = 1, s_{i}^{a} \geq 0 (\forall i), \\ s_{r}^{c} \geq 0 (\forall r), s_{k}^{d} \geq 0 (\forall k) . \end{array}

式中， $A C E$ 表示农业碳排放效率值， $n$ 表示省域个数， $i$ 、 $r$ 和 $k$ 分别表示投入、期望产出和非期望产出的种类， $x_{i o}^{t}$ 、 $y_{r o}^{t}$ 和 $b_{k o}^{t}$ 分别表示 $o$ 省在 $t$ 时期的投入、期望产出和非期望产出， $x_{i j}^{t}$ 、 $y_{r j}^{t}$ 、 $b_{k j}^{t}$ 以及 $λ_{j}^{t}$ 分别表示 $j$ 省在 $t$ 时期的投入、期望产出、非期望产出以及权重， $s_{i}^{a}$ 、 $s_{r}^{c}$ 和 $s_{k}^{d}$ 分别表示投入、期望产出和非期望产出的松弛变量.

第二阶段：为剔除环境因素和随机误差对农业碳排放效率的影响，借鉴彭文斌等^[35]的做法，将第一阶段的投入产出松弛变量作为被解释变量，环境变量作为解释变量，对每个投入产出松弛变量建立SFA回归模型，具体模型如下：

s_{i j}^{a} = f (z_{j}; β_{i}^{a}) + v_{i j}^{a} + μ_{i j}^{a}

(4)

s_{r j}^{c} = f (z_{j}; β_{r}^{c}) + v_{r j}^{c} + μ_{r j}^{c}

(5)

s_{k j}^{d} = f (z_{j}; β_{k}^{d}) + v_{k j}^{d} + μ_{k j}^{d}

(6)

式中， $s_{i j}^{a}$ 、 $s_{r j}^{c}$ 和 $s_{k j}^{d}$ 分别表示 $j$ 省在第 $i$ 个投入、第 $r$ 个期望产出和第 $k$ 个非期望产出上的松弛变量， $f (z_{j}; β)$ 表示环境变量对投入、期望产出和非期望产出松弛变量的影响，假定有K个环境变量，则 $z_{j} = [z_{1 j}, z_{2 j}, \dots, z_{K j}]$ ， $β$ 表示环境变量系数； $v_{j} + μ_{j}$ 表示混合误差项， $v_{j}$ 表示随机误差项， $v_{j} ~ N (0, σ_{v}^{2})$ ， $μ_{j}$ 表示管理无效率，通常假定 $μ_{j}$ 服从半正态分布. 另假定 $v_{j}$ 与 $μ_{j}$ 相互独立，并与K个环境变量也相互独立. 通过极大似然估计计算出未知参数，按照式（7）~（9）对原始投入、期望产出和非期望产出进行调整：

x_{i j}^{A} = x_{i j} + [m a x (z_{j} {\hat{β}}_{i}^{a}) - z_{j} {\hat{β}}_{i}^{a}] + [m a x ({\hat{v}}_{i j}^{a}) - {\hat{v}}_{i j}^{a}]

(7)

y_{r j}^{A} = y_{r j} + [m a x (z_{j} {\hat{β}}_{r}^{c}) - z_{j} {\hat{β}}_{r}^{c}] + [m a x ({\hat{v}}_{r j}^{c}) - {\hat{v}}_{r j}^{c}]

(8)

b_{k j}^{A} = b_{k j} + [m a x (z_{j} {\hat{β}}_{k}^{d}) - z_{j} {\hat{β}}_{k}^{d}] + [m a x ({\hat{v}}_{k j}^{d}) - {\hat{v}}_{k j}^{d}]

(9)

式中， $x_{i j}^{A} 、 y_{r j}^{A}$ 和 $b_{k j}^{A}$ 分别表示调整后的投入变量、期望产出和非期望产出， $x_{i j}$ 、 $y_{r j}$ 和 $b_{k j}$ 分别表示原始投入、期望产出和非期望产出， $[m a x (z_{j} \hat{β}) - z_{j} \hat{β}]$ 表示对外部环境因素进行调整， $[m a x ({\hat{v}}_{j}) - {\hat{v}}_{j}]$ 表示将所有省域调整为同一环境基准下.

对原始投入、期望产出和非期望产出调整之前，需要将随机误差与管理无效率进行分离，本文借鉴罗登跃^[36]给出的公式计算管理无效率，具体为：

E (μ |ε_{j}) = \frac{λ σ}{1 + λ^{2}} [\frac{ϕ (ε_{j}) λ / σ}{Φ (ε_{j}) λ / σ} + \frac{ε_{j} λ}{σ}]

(10)

式中， $λ = σ_{μ} / σ_{v}$ ， $σ = \sqrt[]{σ_{μ}^{2} + σ_{v}^{2}}$ ，根据“成本函数”的随机前沿模型， $ε_{j} = v_{j} + μ_{j}$ . $ϕ ()$ 与 $Φ ()$ 分别表示标准正态分布的密度函数与分布函数.

第三阶段：将经过第二阶段调整后的投入、期望产出和非期望产出数据代替原始投入、期望产出和非期望产出，再次使用第一阶段包含非期望产出的超效率SBM模型测度农业碳排放效率，此时得到的效率值更能准确反映各省实际农业碳排放效率.

1.2.2 农业碳排放效率时空特征分析方法

（1）Dagum基尼系数分解法 Dagum基尼系数分解法将基尼系数分解为子群内部的基尼系数、子群之间的基尼系数以及子群之间的超变密度，是分析地区不平衡及其来源的主流方法，因此，本文采用Dagum基尼系数分解法分析农业碳排放效率的空间差异及其来源，具体计算及其分解借鉴石志恒等方法^[37].

（2）核密度估计法核密度估计通过已知样本数据集合，对未知概率密度函数进行估计，克服了传统参数估计假定数据分布类型已知的缺点，是一种典型的非参数密度估计方法. 核密度估计按是否引入随机性被分为传统核密度估计和随机核密度估计，本文选取传统核密度估计^[38]，从测算出的农业碳排放效率本身出发，分析全国及四大区域农业碳排放效率的动态演进趋势.

1.2.3 农业碳排放效率收敛性分析方法

（1）σ收敛模型 σ收敛可用来刻画农业碳排放效率离散程度是否随时间推移而下降，σ收敛系数通常用标准差或变异系数来度量，本文采用变异系数^[39]来衡量农业碳排放效率的σ收敛情况.

（2）β收敛模型本文采用绝对β收敛模型^[40]和条件β收敛模型^[41]来分析农业碳排放效率较低省域是否对较高省域存在“追赶效应”. 其中条件β收敛模型的控制变量包括农业产业结构合理化与农村数字基础设施，农业产业结构合理化采用泰尔指数^[42~44]度量，农村数字基础设施借鉴陈志建等^[45]做法，采用农村互联网普及率、农村有线电视覆盖率、农村移动电话普及率、农村居民计算机普及率、农村投递路线以及农业气象观测站6个指标通过熵值法^[46]计算得到.

1.3 数据来源及处理

本文测度2012~2023年中国30个省（中国台湾、香港、澳门和西藏资料暂缺）农业碳排放效率，所需数据主要来源于国家统计局官网和各省统计年鉴，部分缺失数据通过2013~2024年《中国农村统计年鉴》补充；农业能源消耗数据来源于2013~2023年《中国能源统计年鉴》，鉴于多数省域近3 a农业能源消耗变化不大，2023年农业能源消耗采用2021年与2022年的均值来补全；计算农业固定资本存量所需的农业固定资本形成总额，部分年份数据缺失，通过查阅各省《统计公报》来补充. 为了避免价格变动的影响，农林牧渔业总产值数据以2012年为基期进行不变价处理.

2 结果与讨论 2.1 农业碳排放效率测度结果

基于三阶段超效率SBM-DEA模型测度中国30省农业碳排放效率，并对各阶段结果展开分析.

2.1.1 第一阶段初始农业碳排放效率

根据本文的农业碳排放效率投入产出指标体系，运用包含非期望产出的超效率SBM模型，采用原始投入产出数据，借助Maxdea软件，对中国30个省2012~2023年的农业碳排放效率进行初始测度，测度结果如表 3所示.

表 3 2012~2023年中国初始农业碳排放效率测度结果 Table 3 Initial agricultural carbon emission efficiency measurement results in China from 2012 to 2023

地区	2012年	2013年	2014年	2015年	2016年	2017年	2018年	2019年	2020年	2021年	2022年	2023年	均值
东部地区	0.718	0.763	0.795	0.811	0.762	0.829	0.875	0.891	0.912	0.921	0.909	1.006	0.849
北京	0.673	0.738	0.837	0.831	0.710	1.010	1.031	1.134	1.019	1.030	1.041	1.022	0.923
天津	0.558	0.590	0.611	0.637	0.618	0.678	0.887	1.002	1.002	0.943	1.001	1.042	0.797
河北	0.334	0.398	0.390	0.395	0.435	0.493	0.539	0.536	0.566	0.536	0.595	0.703	0.493
上海	0.692	0.735	1.005	1.001	0.752	0.825	0.933	1.027	1.040	1.008	1.010	1.041	0.922
江苏	1.011	1.000	0.919	1.028	0.948	1.001	0.947	0.842	0.813	0.844	0.888	1.044	0.940
浙江	0.487	0.578	0.603	0.615	0.636	0.654	0.698	0.739	0.888	0.803	0.726	1.015	0.704
福建	1.001	1.004	1.004	1.003	1.005	1.011	1.004	1.014	1.019	1.002	1.043	1.052	1.014
山东	0.738	0.888	0.955	1.013	0.852	0.905	0.952	0.746	0.720	1.001	1.002	1.021	0.899
广东	0.664	0.664	0.675	0.649	0.652	0.695	0.711	0.835	1.001	1.030	0.788	1.057	0.785
海南	1.022	1.034	0.955	0.941	1.009	1.014	1.050	1.030	1.049	1.013	1.000	1.060	1.015
东北地区	0.368	0.425	0.443	0.438	0.459	0.549	0.617	0.622	0.599	0.504	0.634	0.631	0.524
辽宁	0.432	0.504	0.500	0.514	0.463	0.523	0.537	0.533	0.592	0.520	0.532	0.564	0.518
吉林	0.382	0.394	0.401	0.326	0.315	0.313	0.302	0.300	0.382	0.384	0.338	0.327	0.347
黑龙江	0.289	0.377	0.429	0.475	0.600	0.812	1.013	1.033	0.823	0.609	1.032	1.003	0.708
中部地区	0.366	0.380	0.429	0.450	0.447	0.581	0.618	0.526	0.503	0.602	0.648	0.817	0.531
山西	0.264	0.237	0.239	0.236	0.242	0.268	0.231	0.262	0.291	0.302	0.264	0.273	0.259
安徽	0.352	0.375	0.419	0.419	0.419	0.444	0.438	0.429	0.404	0.420	0.418	0.460	0.416
江西	0.381	0.391	0.410	0.415	0.426	0.434	0.471	0.452	0.444	0.482	0.703	1.012	0.502
河南	0.466	0.500	0.574	0.545	0.523	0.561	1.012	0.738	0.720	0.840	0.893	1.045	0.701
湖北	0.406	0.466	0.519	0.662	0.632	0.777	1.007	0.721	0.639	0.790	0.867	1.047	0.711
湖南	0.325	0.313	0.414	0.424	0.437	1.002	0.549	0.554	0.518	0.779	0.745	1.067	0.594
西部地区	0.689	0.645	0.644	0.627	0.550	0.555	0.617	0.577	0.567	0.639	0.629	0.835	0.631
内蒙古	0.249	0.260	0.248	0.247	0.258	0.259	0.280	0.297	0.294	0.302	0.339	0.379	0.284
广西	1.001	0.860	1.007	1.000	0.470	0.473	0.504	0.448	0.375	0.506	0.552	1.004	0.683
重庆	1.004	0.825	1.017	1.006	0.918	0.939	1.008	1.006	1.001	0.764	0.800	1.057	0.945
四川	1.006	0.910	1.007	1.012	0.973	1.025	1.023	0.756	0.733	0.762	0.875	1.045	0.927
贵州	1.024	0.960	1.012	1.026	0.861	1.002	1.097	0.897	0.725	1.004	0.945	1.050	0.967
云南	1.007	1.002	0.527	0.399	0.369	0.366	0.420	0.426	0.397	0.525	0.628	0.708	0.565
陕西	0.358	0.396	0.423	0.446	0.467	0.476	0.505	0.521	0.621	1.002	0.575	0.585	0.531
甘肃	0.178	0.182	0.182	0.188	0.198	0.220	0.235	0.239	0.247	0.275	0.290	0.293	0.227
青海	1.076	1.028	1.006	0.889	0.869	0.665	1.003	1.060	1.012	1.008	1.019	1.035	0.973
宁夏	0.404	0.375	0.378	0.380	0.382	0.391	0.409	0.378	0.508	0.541	0.542	1.026	0.476
新疆	0.271	0.269	0.272	0.306	0.285	0.294	0.299	0.323	0.329	0.341	0.351	1.001	0.362
30省均值	0.602	0.608	0.631	0.634	0.591	0.651	0.703	0.676	0.672	0.712	0.727	0.868	0.673

表 3 2012~2023年中国初始农业碳排放效率测度结果 Table 3 Initial agricultural carbon emission efficiency measurement results in China from 2012 to 2023

从初始农业碳排放效率值大小来看，2012~2023年中国30省初始农业碳排放效率平均值为0.673，东部地区均值最大，为0.849，其次为西部地区，为0.631，东北与中部地区基本均衡. 基于省域层面，2012~2023年初始农业碳排放效率均值排名前5位的依次是海南、福建、青海、贵州以及重庆，其中海南与福建效率均值大于1.000，达到有效状态，青海、贵州以及重庆效率平均值均大于0.940，接近有效状态. 2012~2023年初始农业碳排放效率均值排名后5位的依次是甘肃、山西、内蒙古、吉林和新疆，效率平均值均低于0.400，与排名前5位的省域存在较大差异.

从图 1显示的2012~2023年全国及四大区域初始农业碳排放效率均值变化情况来看，2012~2023年，总体初始农业碳排放效率均值呈“上升-下降”的交替波动态势，较2012年，2023年效率均值提升44.19%. 基于四大区域，中部地区初始农业碳排放效率均值波动最大，呈“上升-下降-上升”变化态势，效率均值从2012年的0.366上升到2023年的0.817，增长幅度高达123.22%；东北地区初始农业碳排放效率均值从2012年的0.368上升到2023年的0.631，增长幅度为71.47%；东部地区初始农业碳排放效率均值波动较平缓，除2016年和2022年小幅下降之外，其余年份均缓慢上升，效率均值从2012年的0.718上升到2023年的1.006，增长幅度为40.11%；西部地区初始农业碳排放效率均值从2012年的0.689上升到2023年的0.835，增长21.19%. 具体到省域层面，与2012年相比，2023年除青海、云南和吉林3个省的初始农业碳排放效率有小幅降低之外，其余省域均有明显提升. 2012年，有9个省的初始农业碳排放效率达到有效状态，有效率仅为30%，截至2023年，有21个省的初始农业碳排放效率达到有效状态，有效率上升到70%.

图 1 2012~2023年全国及四大区域初始农业碳排放效率均值变化趋势 Fig. 1 Trends of initial agricultural carbon emission efficiency in China and four major regions from 2012 to 2023

2.1.2 第二阶段SFA回归结果

第一阶段中超效率SBM模型无法剔除环境因素和随机误差对农业碳排放效率的影响，对于外部环境较好的省域，其农业碳排放效率值可能会被高估，相反，外部环境不利省域的农业碳排放效率值可能会被低估，从而导致第一阶段测度的农业碳排放效率值不够准确，因此，本文选取财政支农投入、环境规制、城镇化水平以及经济发展水平4个环境变量，采用SFA回归对初始投入产出变量值进行调整. 通过第一阶段超效率SBM模型测度发现，大多数省域不存在期望产出冗余，但均存在投入变量和非期望产出冗余，所以将第一阶段的投入和非期望产出松弛变量作为被解释变量，环境变量作为解释变量，采用Frontier 4.1进行SFA回归分析，回归结果如表 4所示. 理论上，当环境变量与投入松弛变量或非期望产出松弛变量正相关时，表示环境变量的增加会造成投入冗余或非期望产出冗余的增加，进而阻碍农业碳排放效率提升，反之则促进农业碳排放效率提升^[47].

表 4 中国农业碳排放效率随机前沿分析回归结果^1） Table 4 Regression results of stochastic frontier analysis of agricultural carbon emission efficiency in China

项目	固定资本存量松弛值		农作物播种面积松弛值		从业人员松弛值		化肥施用量松弛值		农药使用量松弛值
项目	系数	T值	系数	T值	系数	T值	系数	T值	系数	T值
常数值	-3 762.15^***	-7.27	-573.40^***	-448.11	-107.42^***	-18.13	-184.93^***	-26.08	-0.77	-0.94
财政支农投入	-14 846.34^***	-55.82	1 252.24^***	676.83	59.47^***	31.55	350.45^***	25.85	-1.98	-1.09
环境规制	286 414.28^***	8 116.50	4 420.64^***	4 425.43	4 682.55^***	4 594.01	1 081.09^***	922.78	24.91^***	24.36
城镇化水平	2 528.42^***	30.26	435.58^***	403.86	-51.91^***	-20.50	161.51^***	23.58	2.15^***	4.01
经济发展水平	27.07	0.42	3.47^***	50.31	6.25^***	6.81	0.75^***	4.01	0.09^**	-3.56
$σ^{2}$	20 955 547^***	20 824 095	27 081^***	27 073	8 489^***	8 488	6 659^***	6 466	1.58^***	8.88
$γ$	1.00^***	116.21	1.00^***	15 897 735	1.00^***	48 000	1.00^***	105 264	1.00^***	5 449 378
Log-likelihood值	-272.00		-175.24		-156.42		-151.08		-30.99
LR单边误差检验	19.03^***		15.33^***		15.84^***		19.25^***		30.93^***

项目	农膜使用量松弛值		农用柴油使用量松弛值		农业用电量松弛值		农业用水量松弛值		农业碳排放量松弛值
项目	系数	T值	系数	T值	系数	T值	系数	T值	系数	T值
常数值	-12.06^***	-11.64	-61.77^***	-4.57	-82.42^***	-16.43	-84.90^**	-2.68	-1 710.78^***	-1 710.78
财政支农投入	-14.50^**	-2.57	-102.17^***	-25.86	-75.96^***	-31.37	-4.53	-0.05	-3 859.82^***	-3 859.82
环境规制	414.07^***	321.75	2 086.16^***	2 029.86	2 580.51^***	2 494.24	1 829.95^***	462.78	-32 028.66^***	-32 028.66
城镇化水平	17.33^***	12.95	125.14^***	46.50	115.77^***	38.95	104.12^***	7.41	1 363.87^***	1 363.87
经济发展水平	-0.33^**	-2.50	-4.14^**	-2.71	-2.02^***	-4.00	-1.08^***	-4.10	40.20	1.59
$σ^{2}$	17.38^***	9.10	1 085.53^***	1 079.54	621.89^***	620.82	811.94^***	294.39	22 067 609^***	22 067 609
$γ$	1.00^***	97.48	1.00^***	1 354 420	1.00^***	2 359.78	1.00^***	37 550	1.00^***	1 647.11
Log-likelihood值	-68.38		-124.20		-120.76		-121.23		-269.48
LR单边误差检验	16.01^***		18.59^***		8.75^***		18.40^***		27.49^***
1）^和^*分别表示在5%和1%水平上显著

表 4 中国农业碳排放效率随机前沿分析回归结果^1） Table 4 Regression results of stochastic frontier analysis of agricultural carbon emission efficiency in China

测度过程中建立的SFA模型，单边似然比检验均通过1%的显著性水平检验，说明模型存在无效率项^[48]，所以需采用SFA回归进行模型的参数估计. 此外，SFA回归结果显示，各模型的 $γ$ 值均接近于1，并通过了1%的显著性检验，说明管理无效率是造成投入和非期望产出冗余的主要因素^[49].

（1）财政支农投入对投入和非期望产出松弛变量的影响财政支农投入对农业固定资本存量、农膜使用量、农用柴油使用量、农业用电量以及农业碳排放松弛变量的影响为负，并且均通过显著性检验，说明财政支农投入力度大的省域，农业固定资本存量冗余较低，资金使用效率较高，而且农膜、农用柴油以及电力的使用效率也较高，从而有助于降低农业碳排放量冗余，提高农业碳排放效率. 与此相反，财政支农投入对农作物播种面积、第一产业从业人员和化肥施用量松弛变量的影响为正，并且均在1%的水平上显著，表明加大财政支农投入虽可吸引更多劳动力投入农业生产活动，尤其是种植业，但农业管理较松散，劳动生产率和土地使用效率比较低，导致农业劳动力和农作物播种面积冗余；同时，因劳动力和农地投入力度较大，农业生产者往往通过加大化肥施用量获得更高产出，导致化肥冗余增加.

（2）环境规制对投入和非期望产出松弛变量的影响环境规制与所有投入的松弛变量在1%水平上显著正相关，可见加大环境规制强度并不能降低，反而会增加投入要素冗余，可能由于以下原因：一是过度的环境规制降低农业生产者积极性，使农业生产效率降低，造成农业生产过程中劳动力和土地等投入要素与经济产出失衡；二是严苛的环境规制导致环保设施过度投资，但实际使用效率较低，增加固定资本投资冗余；三是农户为了规避环保处罚而加大有机肥和生物农药等环保农用物资过量使用. 相反，环境规制与农业碳排放松弛变量在1%的水平上显著负相关，说明严苛的环境规制促使农业生产者以节能环保农用物资替代高碳排放农用物资，以低碳农业生产技术代替传统农业生产技术，降低农业碳排放冗余，提高农业碳排放效率.

（3）城镇化水平对投入和非期望产出松弛变量的影响城镇化水平除了与农业从业人员松弛变量在1%水平上显著负相关之外，与其他投入松弛变量和农业碳排放松弛变量均在1%水平上显著正相关. 可见，较高的城镇化水平可促进城乡要素流动，使多余的农业劳动者进城务工，驱使农地向新型经营主体集中，但新型经营主体的生产技术与管理能力参差不齐，导致资本、土地、能源和农用物资等投入要素的使用效率较低，增加投入冗余. 此外，新型经营主体可能因过度追求农地单产而滥用化肥和农药等，加剧农业碳排放冗余，降低农业碳排放效率.

（4）经济发展水平对投入和非期望产出松弛变量的影响与财政支农投入、环境规制和城镇化水平相比，经济发展水平与投入和非期望产出松弛变量的系数值较小，而且与固定资本存量松弛变量、农业碳排放松弛变量的系数均未通过显著性检验，说明经济发展水平对投入和非期望产出松弛变量的影响较小. 具体来看，经济发展水平对农作物种植面积、农业从业人员、化肥施用以及农药使用的松弛变量产生正向影响，而对农膜使用、农用柴油使用、农业用电以及农业用水的松弛变量产生负向影响. 这是由于经济发达地区的农户通常将农业作为副业，通过兼业化生产，农业劳动生产率、土地产出率以及化肥、农药使用效率较低，但农业机械化水平较高，减少农膜浪费，并且机械设备比较先进，起到节能节水作用，降低能源和水资源冗余.

2.1.3 第三阶段调整后农业碳排放效率

将第二阶段剔除环境因素与随机误差影响的投入产出数据代入包含非期望产出的超效率SBM模型，计算得到中国30个省2012~2023年调整后农业碳排放效率（表 5）. 从调整后农业碳排放效率值大小来看，2012~2023年中国30省的调整后农业碳排放效率平均值为0.653，较初始农业碳排放效率均值降低2.97%，且各地区间效率均值差距显著缩小，表明中国农业碳排放效率受财政支农投入、环境规制、城镇化水平、经济发展水平等环境因素与随机误差的影响. 从四大区域来看，东部地区调整后农业碳排放效率均值仍最大，为0.740，较初始农业碳排放效率均值降低12.84%，说明东部地区较高的初始农业碳排放效率主要得益于外部环境的优越性；西部地区调整后农业碳排放效率均值为0.628，略低于初始农业碳排放效率均值，可见西部地区农业碳排放效率受环境因素与随机误差的影响较小；东北地区调整后农业碳排放效率均值上升为0.601，较初始农业碳排放效率均值提升14.69%，表明东北地区初始农业碳排放效率低并非完全由农业生产者自身原因造成，而在较大程度上受财政支农政策、环境规制水平等相对不友好的外部环境抑制；中部地区调整后农业碳排放效率均值为0.580，较初始农业碳排放效率均值提升9.23%，可见外部环境因素与随机误差对中部地区农业碳排放效率仍具有一定程度的抑制，改善外部环境有助于提升农业碳排放效率.

表 5 2012~2023年中国调整后农业碳排放效率测度结果 Table 5 Adjusted agricultural carbon emission efficiency measurement results in China from 2012 to 2023

地区	2012年	2013年	2014年	2015年	2016年	2017年	2018年	2019年	2020年	2021年	2022年	2023年	均值
东部地区	0.748	0.540	0.567	0.635	0.576	0.568	0.947	0.826	0.471	0.871	0.844	1.286	0.740
北京	0.480	0.420	0.485	1.041	0.344	0.292	1.200	0.372	0.145	0.411	1.104	1.329	0.635
天津	1.225	0.470	0.343	0.352	0.186	0.232	1.042	1.062	0.186	0.369	0.585	1.447	0.625
河北	0.415	0.489	0.442	0.468	0.506	0.527	0.635	0.456	0.581	0.565	0.561	1.040	0.557
上海	1.001	0.349	0.278	0.293	0.182	0.169	1.011	1.031	0.145	1.063	1.067	2.758	0.779
江苏	0.644	0.764	1.002	1.024	1.016	1.013	1.047	1.038	0.652	1.049	1.008	1.053	0.942
浙江	0.481	0.415	0.480	0.501	0.495	0.457	0.675	0.552	0.453	1.010	0.549	1.003	0.589
福建	0.662	0.606	0.632	0.676	1.003	1.015	1.057	1.090	0.776	1.038	1.037	1.147	0.895
山东	1.061	1.002	1.014	1.013	0.863	0.833	1.033	0.605	0.662	1.003	0.708	1.082	0.907
广东	0.504	0.534	0.530	0.540	0.672	0.606	0.690	1.020	0.620	1.021	0.760	1.157	0.721
海南	1.012	0.349	0.466	0.445	0.496	0.535	1.081	1.040	0.486	1.175	1.056	0.840	0.748
东北地区	0.674	0.460	0.423	0.466	0.435	0.433	0.813	0.703	0.621	0.711	0.636	0.831	0.601
辽宁	1.024	0.607	0.511	0.561	0.461	0.482	1.003	0.586	0.453	0.597	0.493	0.885	0.639
吉林	0.600	0.344	0.346	0.329	0.334	0.293	0.397	0.428	0.409	0.528	0.400	0.452	0.405
黑龙江	0.399	0.428	0.411	0.509	0.511	0.525	1.040	1.096	1.002	1.007	1.016	1.155	0.758
中部地区	0.496	0.442	0.458	0.472	0.562	0.493	0.703	0.555	0.538	0.777	0.590	0.873	0.580
山西	0.368	0.364	0.323	0.310	0.337	0.337	0.341	0.320	0.312	0.401	0.408	0.369	0.349
安徽	0.422	0.517	0.490	0.493	0.690	0.546	0.584	0.494	0.515	0.618	0.515	0.630	0.543
江西	0.677	0.397	0.406	0.432	0.527	0.456	0.537	0.515	0.449	0.580	0.617	1.037	0.552
河南	0.518	0.465	0.500	0.474	0.489	0.493	1.070	0.583	0.808	1.023	0.686	1.077	0.682
湖北	0.567	0.501	0.561	0.610	0.812	0.659	1.003	0.651	0.625	1.019	0.688	1.107	0.734
湖南	0.423	0.406	0.470	0.515	0.519	0.465	0.686	0.764	0.516	1.018	0.627	1.018	0.619
西部地区	0.567	0.422	0.565	0.563	0.646	0.529	0.689	0.715	0.461	0.793	0.648	0.939	0.628
内蒙古	0.420	0.469	0.420	0.436	0.375	0.334	0.427	0.388	0.447	0.451	0.457	0.549	0.431
广西	0.460	0.440	0.449	0.475	1.000	0.455	0.560	0.641	0.468	0.689	0.649	0.653	0.578
重庆	0.420	0.361	0.334	0.325	0.352	0.369	0.478	0.493	0.354	0.482	0.529	1.099	0.466
四川	1.013	0.758	0.858	1.006	1.068	1.015	1.084	1.025	0.678	1.003	1.028	1.107	0.970
贵州	0.541	0.439	0.640	1.024	1.004	0.728	1.318	1.234	0.788	1.223	1.068	1.143	0.929
云南	0.417	0.406	0.403	0.405	0.471	0.402	0.587	1.005	0.557	0.811	0.660	1.036	0.597
陕西	0.422	0.409	0.469	0.513	0.657	0.505	0.678	0.495	0.508	1.002	0.549	1.021	0.602
甘肃	0.221	0.281	0.272	0.271	0.283	0.256	0.406	0.378	0.320	0.441	0.507	0.493	0.344
青海	1.028	0.389	1.024	0.364	0.537	0.302	1.130	1.456	0.276	1.116	0.740	1.086	0.787
宁夏	1.031	0.310	1.003	1.011	1.024	1.014	0.537	0.403	0.332	1.021	0.503	1.120	0.776
新疆	0.261	0.379	0.344	0.360	0.336	0.434	0.369	0.346	0.348	0.488	0.434	1.019	0.427
30省均值	0.624	0.469	0.530	0.559	0.585	0.525	0.790	0.719	0.496	0.808	0.700	1.030	0.653

表 5 2012~2023年中国调整后农业碳排放效率测度结果 Table 5 Adjusted agricultural carbon emission efficiency measurement results in China from 2012 to 2023

基于省域层面，2012~2023年调整后农业碳排放效率均值排名前5位的依次是四川、江苏、贵州、山东以及福建，效率均值介于[0.895，0.970]，主要得益于以下原因：一方面由于这5省独特的自然条件，比如，江苏多以平原为主，适合发展规模化农业，实现精准化管理，使农地产出率与物资使用效率较高，有助于提高农业经济产出；山东属于温带季风气候，适合小麦、玉米与豆科作物轮作，利用豆科作物的固氮作用减少小麦和玉米的氮肥需求量，同时，光照充足适合发展光伏农业，减少能源消耗导致的碳排放；四川、贵州与福建独特的地形有利于发展立体农业，实现经济增长与生态保护的双赢局面. 另一方面，这5省因地制宜制定相应措施来发展低碳农业，四川通过推广“果-沼-畜”和“稻鱼共生”等生态循环农业，实现畜禽粪污综合利用，降低稻田甲烷碳排放，还通过发展观光、旅游和休闲农业等实现农文旅产业融合，提高农业经济产出，利于农业低碳发展；江苏通过建设数字农业示范基地和农田数字化管控平台等发展智慧农业，自动化精准灌溉和施肥，精简人工，降低农药和化肥使用量，实现农业减碳与增效协同发展；贵州利用现代信息技术助力测土配方施肥技术推广，推进配方肥进村到田，强化新型经营主体带动，推进有机肥资源化利用，实现以化肥减量增效促进农业绿色低碳发展；山东采用保护性耕作和水肥一体化等低碳技术优化农业生产方式，达到省时、省钱、节水和节肥的效果，同时启动农业良种工程项目和建设高产高效技术集成示范基地，助力农业减碳增效；福建通过因势择模、科技兴农、项目带动和政策引导等措施发展现代高效生态农业，推进农业实现“高效”与“生态”的耦合协调发展. 研究期内调整后农业碳排放效率均值排名后5位的依次是甘肃、山西、吉林、新疆以及内蒙古，效率均值介于[0.344，0.431]，主要由于以下原因：一方面，甘肃、山西、新疆和内蒙古均因气候干旱缺水，土壤有机质匮乏，不仅农业经济产出低，而且加剧农业对化肥、农药和能源的依赖，不利于农业低碳发展，吉林冬季寒冷漫长，极端天气偏多，降水分布不均，农业生产中温室加热、频繁灌溉和春季解冻产生大量温室气体；另一方面，甘肃、山西和新疆种植业以小麦和玉米为主，吉林和内蒙古以玉米为主，5省的种植业均属于高碳排放结构，且经济附加值较低，同时，甘肃、新疆和内蒙古的畜牧业由粗放型向集约型转变，但粗放型仍占较大比例，经济产出低，碳排放量大，山西和吉林属于资源型地区，矿产资源开采与农业发展之间利益冲突明显，如何破解这一困局是农业低碳转型的关键.

从图 2显示的2012~2023年全国及四大区域调整后农业碳排放效率均值变化情况来看，2012~2023年，总体调整后农业碳排放效率均值呈“下降-上升”的循环波动态势，较2012年，2023年效率均值提升65.06%，由无效状态提高到有效状态. 四大区域调整后农业碳排放效率均值波动态势与总体相似，均呈“下降-上升”的循环波动态势，其中，中部地区波动幅度最大，相较于2012年，2023年调整后农业碳排放效率均值提升76.01%，但仍未达到有效状态；其次为东部地区，调整后农业碳排放效率均值从2012年的0.748上升到2023年的1.286，增长幅度为71.93%，达到有效状态；东北地区波动幅度最小，与2012年相比，2023年调整后农业碳排放效率均值提高23.29%，处于无效状态. 具体到省域层面，与2012年相比，2023年除海南、辽宁和吉林3个省的调整后农业碳排放效率有小幅降低之外，其余省域均有明显提升. 2012年，有8个省的调整后农业碳排放效率达到有效状态，有效率仅为26.67%，截至2023年，有22个省的调整后农业碳排放效率达到有效状态，有效率上升到73.33%. 可见，随着“双碳”战略的加速推进，各省通过绿色技术应用、低碳品种培育、能源结构转型等措施，在控制农业碳排放总量的同时，提高资源利用效率，进而促进农业碳排放效率提升.

图 2 2012~2023年全国及四大区域调整后农业碳排放效率均值变化趋势 Fig. 2 Trends of adjusted agricultural carbon emission efficiency in China and four major regions from 2012 to 2023

2.2 农业碳排放效率时空特征分析

基于三阶段超效率SBM-DEA模型较为准确地测度了农业碳排放效率，并初步分析了农业碳排放效率的时序特征与空间非均衡性，但未能提供其区域差异及动态演进的详细信息，因此，本文以调整后农业碳排放效率为基础，分别采用Dagum基尼系数与核密度估计，进一步展开分析农业碳排放效率的区域差异及动态演进特征.

2.2.1 农业碳排放效率区域差异

借助Dagum基尼系数分解法计算农业碳排放效率的总体基尼系数、区域内基尼系数、区域间基尼系数，并分析总体差异来源.

（1）总体差异由表 6可看出，2012~2013年，中国农业碳排放效率总体基尼系数快速下降，2014~2016年缓慢上升，达到研究期内最大值，之后又波动下降，最终由2012年的0.239下降到2023年的0.177，下降25.94%，整体来看，中国农业碳排放效率的空间差异呈缩小态势，但处于不稳定状态，存在进步一扩大的风险.

表 6 2012~2023年中国农业碳排放效率基尼系数及其分解结果 Table 6 Gini coefficient decomposition of agricultural carbon emission efficiency in China from 2012 to 2023

（2）区域内差异从农业碳排放效率的区域内基尼系数均值来看，2012~2023年，各地区均值从大到小依次为西部、东部、东北与中部地区，表明西部地区农业碳排放效率的区域内差异最大，中部地区最小. 西部地区各省间农业碳排放效率不平衡性最严重，贵州和四川农业碳排放效率均值高于0.900，接近有效状态，而甘肃和内蒙古农业碳排放效率均值低于0.500，形成明显的内部梯度. 相反，中部地区各省农业碳排放效率虽较低，但发展比较均衡，均值基本在0.550左右波动. 从区域内基尼系数变化情况来看，西部、东部和东北地区均呈波动下降趋势，相较于2012年，2023年分别下降53.36%、16.43%和8.74%，而中部地区波动上升，2023年较2012年上升38.79%，说明西部、东部和东北地区已采取低碳农业协调发展的相应措施，并已见成效，而中部地区区域内差异最小，但逐渐扩大迹象明显，应引起高度重视. 整体来看，2020年后，四大区域的内部基尼系数出现趋同收敛现象，尤其是2021年和2023年趋同收敛现象凸显，可能是2020年提出的“双碳”目标以及二十大报告对“双碳”目标再次提及，推动了各地区低碳农业的协调发展.

（3）区域间差异通过表 6可知，东部与西部地区的农业碳排放效率区域间差异最大，均值为0.236，东部与东北地区间差异次之，均值为0.223，东北与中部地区间差异最小，均值为0.172，可见，东部地区经济发达，技术先进，政策灵敏度高，具有发展低碳农业的先发优势，其农业碳排放效率已与西部和东北地区形成较大差异，而东北和中部地区同步实现农业碳排放效率的低速提升. 从波动情况来看，2012~2023年，东部与东北地区农业碳排放效率区域间差异波动上升，基尼系数提高10.60%，其他地区间农业碳排放效率差异均波动下降，其中，中部与西部区域间差异缩小幅度最大，基尼系数下降35.53%，东部与西部、东北与西部区域间差异缩小幅度相当，东部与中部、东北与中部区域间差异缩小幅度相当.

（4）总体差异来源 Dagum基尼系数分解法将农业碳排放效率分解为区域内差异、区域间差异净值和区域间超变密度，三类差异的贡献率如图 3所示. 中国农业碳排放效率的区域间总差异贡献率均值为72.04%，可见，区域间差异是农业碳排放效率总体差异的关键来源，具体来看，区域间差异净值贡献率均值为30.04%，区域间超变密度贡献率均值为42.00%，说明区域间超变密度是农业碳排放效率区域间差异的主要来源，但研究期内，区域间差异净值贡献率呈波动上升态势，而区域间超变密度贡献率呈波动下降趋势. 由此可见，实现各地区农业碳排放效率协同提升，关键要缩小四大区域之间的差异.

图 3 2012~2023年中国农业碳排放效率总体差异来源 Fig. 3 Sources of total differences of agricultural carbon emission efficiency in China from 2012 to 2023

2.2.2 农业碳排放效率动态演进特征

Dagum基尼系数分解法揭示了农业碳排放效率总体差异及四大区域间差异，但未能描述各区域农业碳排放效率的动态演进特征，因此，本文采用传统核密度估计进一步分析农业碳排放效率的动态演进特征.

通过图 4可以看出，2012~2023年中国农业碳排放效率的分布位置呈明显右移趋势，整体来看农业碳排放效率持续优化，这与均值变化趋势一致. 研究期内，中国农业碳排放效率核密度曲线主峰峰值上升，宽度扩大，说明中国农业碳排放效率的集聚程度呈上升趋势，更多省域的农业碳排放效率趋于1.000左右，但逐渐形成高低两极分化. 中国农业碳排放效率的分布曲线整体呈左拖尾、延展性拓宽，可见，甘肃、山西以及新疆等农业碳排放效率较低省域对全国总体效率表现出越发严重的拖后作用. 中国农业碳排放效率核密度曲线表现出明显的多极化趋势，2012~2017年，侧峰峰值略低于主峰峰值，而2018年以后，主峰峰值快速上升，侧峰峰值明显低于主峰峰值，且峰间距离呈缩小趋势.

图 4 2012~2023年中国农业碳排放效率的动态演进特征 Fig. 4 Kernel density estimation of agricultural carbon emission efficiency in China from 2012 to 2023

图 5（a）显示，东部地区农业碳排放效率动态演进趋势与全国层面相似，效率核密度曲线也明显右移，说明东部地区农业碳排放效率也在持续优化；2012~2022年，东部地区的农业碳排放效率核密度曲线主峰峰值上升，宽度缩小，说明集聚水平上升，大部分省域达到有效状态，2023年主峰峰值略有下降，且宽度扩大，表明农业碳排放效率集聚程度降低，两极分化加剧，但相较于2012年，主峰峰值仍然上升，整体集聚水平呈上升态势；2012~2022年，东部地区农业碳排放效率分布曲线呈明显的左拖尾、延展性拓宽趋势，而2023年呈现右拖尾、延展性缩小的特征，说明2012~2022年北京、天津及河北等省较低的农业碳排放效率对东部地区的平均效率产生越发严重的拖后，但2023年，上海、天津以及北京的农业碳排放效率快速提升，拉动了东部地区的平均效率；东部地区农业碳排放效率分布曲线也呈明显的多极化趋势. 由图 5（b）可看出，东北地区农业碳排放效率核密度曲线主峰峰值左右交替移动，总体向右移动，说明2023年的农业碳排放效率相较于2012年仍有提升，主峰峰值变化不大，表明农业碳排放效率集聚水平变化较小；研究期内，东北地区农业碳排放效率分布曲线“右拖尾-左拖尾”交替出现，延展性先缩小再拓宽，整体变化不大，可见各省农业碳排放效率发展较均衡，这与Dagum基尼系数的分解结果一致；东北地区农业碳排放效率核密度曲线多峰与双峰交替出现.

图 5 2012~2023年四大区域农业碳排放效率的动态演进特征 Fig. 5 Kernel density estimation of agricultural carbon emission efficiency in China's four regions from 2012 to 2023

通过图 5（c）发现，2012~2023年，中部地区农业碳排放效率分布曲线明显右移，说明农业碳排放效率逐步提升，与均值的变化一致；研究期内主峰峰值逐步上升，宽度缩小，说明中部地区各省农业碳排放效率集聚水平呈上升趋势，截至2023年，大部分省域达到有效状态；2012~2020年中部地区农业碳排放效率分布曲线右拖尾，延展性先拓宽再缩小，说明河南与湖北较高的农业碳排放效率拉动了整体效率，但这种拉动作用逐步减弱，使2021~2023年左拖尾特征明显，且延展性拓宽，可见，山西和安徽较低的农业碳排放效率严重拖后了中部地区的整体效率，而且拖后现象越发明显；中部地区农业碳排放效率核密度曲线呈明显的多极化趋势，且主峰峰值明显高于侧峰峰值. 图 5（d）显示，2012~2023年，西部地区农业碳排放效率分布曲线左右交替移动，整体表现为右移，与均值变化趋势吻合；2012~2023年，主峰峰值先减再增，最终由2012年的5.437降低到2023年的4.474，整体来看，各省农业碳排放效率的集聚水平有所降低；2012~2022年，西部地区农业碳排放效率核密度曲线右拖尾，延展性先拓宽再收缩，表明四川和贵州较高的农业碳排放效率拉动了整体效率，拉动作用先增强再减弱，以致于2023年农业碳排放效率分布曲线表现为左拖尾，说明甘肃、新疆和内蒙古等农业碳排放效率较低省域的拖后作用抵消了四川和贵州的拉动作用；研究期内西部地区农业碳排放效率核密度曲线始终呈现多极化趋势.

2.3 农业碳排放效率收敛性分析

本文依次对中国30省及四大区域农业碳排放效率的σ收敛、绝对β收敛以及条件β收敛进行检验，并对检验结果展开分析.

2.3.1 农业碳排放效率σ收敛检验

图 6的变异系数表示σ收敛系数，中国农业碳排放效率的σ收敛系数由2012年的0.451波动下降到2023年的0.403，可见全国层面农业碳排放效率表现出明显的σ收敛，表明各省农业碳排放效率差异随时间推移而呈缩小趋势，与Dagum基尼系数分解结果一致. 从区域层面看，2012~2023年，东部地区农业碳排放效率σ收敛系数呈波动上升态势，整体未实现σ收敛，与Dagum基尼系数分解结果不一致，主要是近几年上海大规模发展都市现代农业，2023年发展成效显著，使农业碳排放效率明显高于其他省市，扩大省际标准差，从而使2023年σ收敛系数大于2012年σ收敛系数，最终未实现σ收敛，但基尼系数基于累计差异来衡量区域差异的整体分布结构，受某个高值的影响程度小于标准差或变异系数，因此东部地区农业碳排放效率基尼系数波动下降；东北和西部地区农业碳排放效率σ收敛系数均波动下降，表现出σ收敛，说明两地区内部各省际间农业碳排放效率差异呈缩小态势，与Dagum基尼系数分解结果吻合；中部地区农业碳排放效率σ收敛系数波动上升，表现为σ发散，表明各省际间农业碳排放效率差异呈扩大趋势，与Dagum基尼系数分解结果一致.

图 6 2012~2023年全国及四大区域农业碳排放效率σ收敛检验结果 Fig. 6 Results of the σ-convergence test for agricultural carbon emission efficiency in China and four major regions from 2012 to 2023

2.3.2 农业碳排放效率绝对β收敛检验

σ收敛从“整体趋同”视角分析了农业碳排放效率的收敛特征，但未能体现农业碳排放效率较低省域的“追赶效应”，因此，本文采用绝对β收敛模型从“追赶效应”视角进一步分析全国及四大区域农业碳排放效率的收敛特征. 由表 7检验结果可看出，中国农业碳排放效率的β系数在1%的置信水平下显著为负，说明农业碳排放效率存在绝对β收敛，收敛速度为0.14%，可见，农业碳排放效率较低省域对较高省域存在“追赶效应”，随着时间推移，中国农业碳排放效率最终将收敛于同一稳态. 从区域层面来看，东部、东北、中部以及西部地区农业碳排放效率的β系数均在1%水平下显著为负，表明四大区域农业碳排放效率均存在绝对β收敛，而收敛速度存在差异，从高到低依次为：中部地区（0.15%）、东部地区（0.11%）、西部地区（0.07%）和东北地区（0.06%），因此，各地区内部也存在“追赶效应”，最终使各地区的农业碳排放效率收敛于各自的稳态水平. 虽然东部和中部地区农业碳排放效率β收敛检验结果与σ收敛不一致，但这并不矛盾，因为β收敛是σ收敛的必要但非充分条件^[50].

表 7 全国及四大区域农业碳排放效率绝对β收敛检验结果^1） Table 7 Results of the absolute β-convergence test for agricultural carbon emission efficiency in China and four major regions

2.3.3 农业碳排放效率条件β收敛检验

由于不同地区的农业产业结构与农村数字基础设施存在较大差异，而绝对β收敛未考虑上述因素的区域异质性，可能导致收敛检验结果不精准，因此，本文将农业产业结构与农村数字基础设施作为控制变量纳入β收敛模型，对全国及四大区域农业碳排放效率进行条件β收敛检验，从检验结果来看（表 8），中国农业碳排放效率的β系数仍然在1%的置信水平下显著为负，说明中国农业碳排放效率存在条件β收敛，收敛速度提高到0.19%，可见，在考虑各省农业产业结构与农村数字基础设施异质性后，中国农业碳排放效率以更快的速度收敛于同一稳态. 四大区域农业碳排放效率也均存在条件β收敛，表明在考虑农业产业结构与农村数字基础设施的区域异质性后，随着时间推移，各地区的农业碳排放效率依旧将收敛于各自的稳态水平. 四大区域条件β收敛速度高低顺序与绝对β收敛相同，但收敛速度均有所提高.

表 8 全国及四大区域农业碳排放效率条件β收敛检验结果^1） Table 8 Results of the conditional β-convergence test for agricultural carbon emission efficiency in China and four major regions

3 建议

为提高各地区农业碳排放效率，本文提出以下对策建议：

（1）营造良好的外部环境，助推农业碳排放效率提升. 财政支农、环境规制等外部环境对农业碳排放效率具有显著的影响，首先，要根据各地区低碳农业发展现状，有针对性地制定支农补贴政策，东部地区以土地集约化经营和三产融合发展等补贴政策推动农业低碳发展；东北地区要完善黑土地保护政策，加大农业气象监测投资；中部地区应提高节肥和优质的小麦、水稻等育种补贴，加大有机肥利用补贴力度；西部地区要完善生态补偿政策，加强农业基础设施建设投资. 其次，要不断完善环境监管制度，以适度的环境规制监督农业生产者使用节能环保农用物资，运用低碳农业生产技术；最后，城镇化可促进城乡要素流动，但过快的城镇化反而降低农业碳排放效率，所以在城镇化进程中应鼓励大学生、退役军人等返乡创业，助力农业低碳发展.

（2）全面提升农业低碳生产能力，推动农业碳排放效率持续提升. 中国农业碳排放效率存在较大提升空间，须通过低碳技术应用、人才培养以及低碳政策宣传等，推动农业低碳发展. 一方面，中国各地区资源禀赋、产业基础以及技术储备存在较大差异，农业低碳技术创新和应用要实行差异化推进策略. 东部地区技术储备丰厚，应加强农业低碳技术创新，推动数字技术应用到农业领域；东北地区重点推广保护性耕作技术，推动大型农机智能化升级；中部地区积极推进节肥和优质的小麦、水稻等种业科技创新与成果转化，同时推广农业精准化管理技术；西部地区在引进和推广农业低碳技术的同时，要大力发展节水农业. 另一方面，各地区应通过校企联合培养农业技术创新与管理人才，构建基层农技培养体系培养基层农技员，通过合作社和家庭农场等“传帮带”模式培养实用型农业技术能手；此外，采用微课堂和短视频等积极宣传农业低碳发展政策，定期组织农业低碳生产技术培训交流活动，让农业生产经营主体，尤其是小农户了解什么是低碳农业，如何使用农业低碳生产技术.

（3）构建地区间合作发展机制，促进农业碳排放效率协同提升. 东部地区凭借其农业低碳发展的先发优势，农业碳排放效率已与西部和东北地区形成明显的区域间差异，因此，政府应加强顶层设计，构建区域间协同发展机制，鼓励东部地区通过技术溢出、经验推广和人才支援等方式，带动西部和东北地区因地制宜形成农业碳排放效率提升路径，实现全国低碳农业协同发展.

4 结论

（1）外部环境对中国农业碳排放效率具有显著的影响，剔除外部环境和随机误差影响后农业碳排放效率均值较初始阶段有明显变化，具体来看，东部地区初始农业碳排放效率高在一定程度上得益于外部环境的优越性，外部环境的抑制是东北和中部地区初始农业碳排放效率低的原因之一，相较而言，西部地区农业碳排放效率受外部环境的影响程度较小. 剔除外部环境和随机误差影响后，东部地区农业碳排放效率均值最大，西部地区次之，中部地区最小，全国及四大区域农业碳排放效率均呈波动上升态势.

（2）区域差异分析发现，中国农业碳排放效率存在明显的区域差异，但总体差异呈逐步缩小态势；从差异来源看，区域间差异是总体差异的主要来源，尤其是东部与西部区域间差异最明显，实现各地区农业碳排放效率协同提升，关键要缩小四大区域之间的差异. 从动态演进特征来看，全国及四大区域农业碳排放效率分布曲线均呈右移趋势，农业碳排放效率逐步提升，全国及东中部地区效率核密度曲线峰值上升，农业碳排放效率集聚水平上升，东北地区峰值变化不大，西部地区峰值下降，农业碳排放效率聚集水平下降，全国及东中西部地区农业碳排放效率分布曲线呈多极化演进，东北地区多极与两极交替出现.

（3）收敛性分析显示，全国及东北、西部地区农业碳排放效率表现出明显的σ收敛，“整体趋同”势头明显，而东部与中部地区未实现σ收敛；全国及四大区域的农业碳排放效率均实现绝对β收敛，存在“追赶效应”，但收敛速度存在差异，中部地区最快，东北地区最慢；考虑农业产业结构与农村数字基础设施的区域异质性后，全国及四大区域农业碳排放效率以更快速度实现条件β收敛，“追赶效应”加剧.

参考文献

[1]	吴贤荣, 张俊飚, 田云, 等. 中国省域农业碳排放: 测算、效率变动及影响因素研究—基于DEA-Malmquist指数分解方法与Tobit模型运用[J]. 资源科学, 2014, 36(1): 129-138. Wu X R, Zhang J B, Tian Y, et al. Provincial agricultural carbon emissions in China: calculation, performance change and influencing factors[J]. Resources Science, 2014, 36(1): 129-138.
[2]	郭四代, 钱昱冰, 赵锐. 西部地区农业碳排放效率及收敛性分析—基于SBM-Undesirable模型[J]. 农村经济, 2018(11): 80-87.
[3]	田云, 林子娟. 中国省域农业碳排放效率与经济增长的耦合协调[J]. 中国人口·资源与环境, 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[J]. China Population, Resources and Environment, 2022, 32(4): 13-22.
[4]	尚杰, 吉雪强, 石锐, 等. 中国农业碳排放效率空间关联网络结构及驱动因素研究[J]. 中国生态农业学报(中英文), 2022, 30(4): 543-557. Shang J, Ji X Q, Shi R, et al. Structure and driving factors of spatial correlation network of agricultural carbon emission efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 543-557.
[5]	杨晨, 张燕媛. 粮食主产区农业碳排放效率与粮食安全耦合研究[J]. 中国农业资源与区划, 2024, 45(7): 12-27. Yang C, Zhang Y Y. Study on the coupling of agricultural carbon emission efficiency and food security in major grain-producing areas[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2024, 45(7): 12-27.
[6]	Fukuyama H, Weber W L. A directional slacks-based measure of technical inefficiency[J]. Socio-Economic Planning Sciences, 2009, 43(4): 274-287. DOI:10.1016/j.seps.2008.12.001
[7]	吴昊玥, 黄瀚蛟, 何宇, 等. 中国农业碳排放效率测度、空间溢出与影响因素[J]. 中国生态农业学报(中英文), 2021, 29(10): 1762-1773. Wu H Y, Huang H J, He Y, et al. Measurement, spatial spillover and influencing factors of agricultural carbon emissions efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2021, 29(10): 1762-1773.
[8]	沈玉洁, 裴小涵, 赵敏娟. 互联网使用对农业碳排放效率的影响—来自豫湘黑三省粮食种植户的实证检验[J]. 资源科学, 2024, 46(7): 1314-1329. Shen Y J, Pei X H, Zhao M J. The impact of Internet use on agricultural carbon emission efficiency: empirical evidence from grain farmers in Henan, Hunan, and Heilongjiang[J]. Resources Science, 2024, 46(7): 1314-1329.
[9]	谢会强, 吴晓迪. 城乡融合对中国农业碳排放效率的影响及其机制[J]. 资源科学, 2023, 45(1): 48-61. Xie H Q, Wu X D. Impact and its mechanism of urban-rural integration on the efficiency of agricultural carbon emissions in China[J]. Resources Science, 2023, 45(1): 48-61.
[10]	Song M L, An Q X, Zhang W, et al. Environmental efficiency evaluation based on data envelopment analysis: a review[J]. Renewable and Sustainable Energy Reviews, 2012, 16(7): 4465-4469. DOI:10.1016/j.rser.2012.04.052
[11]	Fried H O, Lovell C A K, Schmidt S S, et al. Accounting for environmental effects and statistical noise in data envelopment analysis[J]. Journal of Productivity Analysis, 2002, 17(1): 157-174.
[12]	田云, 张蕙杰. 中国农业碳排放效率时空格局及空间分异机理[J]. 社会科学辑刊, 2024(2): 172-182.
[13]	刘华军, 石印. 中国农业生态效率的空间分异与提升潜力[J]. 广东财经大学学报, 2020, 35(6): 51-64. Liu H J, Shi Y. Spatial differentiation and promotion potential of agricultural eco-efficiency in China[J]. Journal of Guangdong University of Finance & Economics, 2020, 35(6): 51-64.
[14]	许悦, 许紫浩. 河北省农业碳排放效率与影响因素[J]. 中国生态农业学报(中英文), 2024, 32(12): 1981-1993. Xu Y, Xu Z H. Agricultural carbon emission efficiency and influencing factors in Hebei Province[J]. Chinese Journal of Eco-Agriculture, 2024, 32(12): 1981-1993.
[15]	蔺鹏, 孟娜娜. 绿色全要素生产率增长的时空分异与动态收敛[J]. 数量经济技术经济研究, 2021, 38(8): 104-124. Lin P, Meng N N. Spatio-temporal differentiation and dynamic convergence of green total factor productivity growth[J]. Journal of Quantitative & Technological Economics, 2021, 38(8): 104-124.
[16]	温婷, 罗良清. 中国乡村环境污染治理效率及其区域差异——基于三阶段超效率SBM-DEA模型的实证检验[J]. 江西财经大学学报, 2021(3): 79-90. Wen T, Luo L Q. China's rural environmental pollution control efficiency and its regional differences: an empirical test based on the three-stage super-efficiency SBM-DEA model[J]. Journal of Jiangxi University of Finance and Economics, 2021(3): 79-90.
[17]	方芳, 张立杰, 赵军. 制度组态视角下提升农业绿色全要素生产率的多元路径探析——基于动态QCA的面板数据分析[J]. 中国农村经济, 2024(2): 44-66. Fang F, Zhang L J, Zhao J. Multiple paths of agricultural green total factor productivity improvement from the perspective of institutional grouping: a panel data analysis based on dynamic QCA[J]. Chinese Rural Economy, 2024(2): 44-66.
[18]	田云, 蔡艳蓉, 张蕙杰. 数字经济对农业碳排放效率的影响——基于门槛效应和空间溢出效应的检验[J]. 农业技术经济, 2024(11): 89-107. Tian Y, Cai Y R, Zhang H J. The impact of digital economy on agricultural carbon emission efficiency: based on threshold effect and spatial spillover effect test[J]. Journal of Agrotechnical Economics, 2024(11): 89-107.
[19]	李谷成, 范丽霞, 冯中朝. 资本积累、制度变迁与农业增长——对1978~2011年中国农业增长与资本存量的实证估计[J]. 管理世界, 2014(5): 67-79, 92.
[20]	曹昱亮, 倪珣, 巩红禹. 长江经济带农业碳排放影响因素及脱钩效应[J]. 环境科学, 2025, 46(3): 1535-1547. Cao Y L, Ni X, Gong H Y. Influencing factors and decoupling effects of agricultural carbon emissions in the Yangtze river economic belt[J]. Environmental Science, 2025, 46(3): 1535-1547.
[21]	田云, 卢奕亨. 中国省域新型城镇化与农业碳排放效率的耦合协调关系[J]. 华中农业大学学报(社会科学版), 2023(4): 33-46. Tian Y, Lu Y H. Coupling coordination between new-type urbanization and agricultural carbon emission efficiency in China's provinces[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2023(4): 33-46.
[22]	黄天阳, 谢立勇, 邓天乐, 等. 基于LMDI模型的辽宁省农业碳排放效率及驱动因素分析[J]. 中国生态农业学报(中英文), 2025, 33(3): 424-434. Huang T Y, Xie L Y, Deng T L, et al. Analysis of the agricultural carbon emissions efficiency and driving factors in Liaoning Province based on the LMDI model[J]. Chinese Journal of Eco-Agriculture, 2025, 33(3): 424-434.
[23]	王明星, 李晶, 郑循华. 稻田甲烷排放及产生、转化、输送机理[J]. 大气科学, 1998, 22(4): 218-230. Wang M X, Li J, Zheng X H. Methane emission and mechanisms of methane production, oxidation, transportation in the rice fields[J]. Scientia Atmospherica Sinica, 1998, 22(4): 218-230.
[24]	闵继胜, 胡浩. 中国农业生产温室气体排放量的测算[J]. 中国人口·资源与环境, 2012, 22(7): 21-27. Min J S, Hu H. Calculation of greenhouse gases emission from agricultural production in China[J]. China Population, Resources and Environment, 2012, 22(7): 21-27.
[25]	曹国良, 张小曳, 王丹, 等. 秸秆露天焚烧排放的TSP等污染物清单[J]. 农业环境科学学报, 2005, 24(4): 800-804. Cao G L, Zhang X Y, Wang D, et al. Inventory of emissions of pollutants from open burning crop residue[J]. Journal of Agro-Environment Science, 2005, 24(4): 800-804.
[26]	史常亮. 农业数字化转型的减污降碳协同效应[J]. 环境科学, 2026, 47(2): 855-865. Shi C L. Synergistic effect of digital transformation on agricultural pollution and carbon reduction in China[J]. Environmental Science, 2026, 47(2): 855-865. DOI:10.13227/j.hjkx.202412220
[27]	田云, 尹忞昊. 中国农业碳排放再测算: 基本现状、动态演进及空间溢出效应[J]. 中国农村经济, 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[J]. Chinese Rural Economy, 2022(3): 104-127.
[28]	黄伟华, 祁春节, 黄炎忠, 等. 财政支农投入提升了农业碳生产率吗?——基于种植结构与机械化水平的中介效应[J]. 长江流域资源与环境, 2022, 31(10): 2318-2332. Huang W H, Qi C J, Huang Y Z, et al. Does financial support for agriculture improve agricultural carbon productivity?—Analysis on the mediating effects of planting structure and mechanization level[J]. Resources and Environment in the Yangtze Basin, 2022, 31(10): 2318-2332.
[29]	徐盈之, 杨英超, 郭进. 环境规制对碳减排的作用路径及效应——基于中国省级数据的实证分析[J]. 科学学与科学技术管理, 2015, 36(10): 135-146. Xu Y Z, Yang Y C, Guo J. The paths and effects of environmental regulation on China's carbon emissions: an empirical study based on Chinese Provincial data[J]. Science of Science and Management of S. & T., 2015, 36(10): 135-146.
[30]	展进涛, 杨雨, 熊航. 环境规制、绿色创新与农业碳生产率[J]. 科学学与科学技术管理, 2024, 45(8): 72-90. Zhan J T, Yang Y, Xiong H. Environmental regulation, green innovation and agricultural carbon productivity[J]. Science of Science and Management of S. & T., 2024, 45(8): 72-90.
[31]	高晨曦, 卢秋萍, 欧年青, 等. "双碳"目标下河南省农业碳排放影响因素及预测研究[J]. 中国生态农业学报(中英文), 2022, 30(11): 1842-1851. Gao C X, Lu Q P, Ou N Q, et al. Research on influencing factors and prediction of agricultural carbon emission in Henan Province under the Carbon Peaking and Carbon Neutrality goal[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11): 1842-1851.
[32]	吴贤荣, 张俊飚. 中国省域农业碳排放: 增长主导效应与减排退耦效应[J]. 农业技术经济, 2017(5): 27-36.
[33]	李占风, 张建. 资源环境约束下中国工业环境技术效率的地区差异及动态演变[J]. 统计研究, 2018, 35(12): 45-55. Li Z F, Zhang J. Regional disparities and dynamic evolution of China's industrial environmental technical efficiency under the constraints of resource and environment[J]. Statistical Research, 2018, 35(12): 45-55.
[34]	吴昊玥, 陈锐, 何艳秋, 等. 中国农业减污降碳协同效应量化及时空特征: 基于减排绩效视角[J]. 环境科学, 2025, 46(11): 6828-6838. Wu H Y, Chen R, He Y Q, et al. Estimation and spatiotemporal characteristics of the co-abatement effect of pollution and carbon emissions of agriculture in China: based on the emission mitigation performance[J]. Environmental Science, 2025, 46(11): 6828-6838. DOI:10.13227/j.hjkx.202411029
[35]	彭文斌, 曹笑天, 苏昌贵, 等. 长江中游城市群碳效率时空演化特征——基于三阶段SBM-DEA模型[J]. 生态学报, 2023, 43(9): 3532-3545. Peng W B, Cao X T, Su C G, et al. Spatio-temporal evolutionary characteristics of carbon efficiency in the middle reaches of the Yangtze River urban agglomeration based on a three-stage SBM-DEA model[J]. Acta Ecologica Sinica, 2023, 43(9): 3532-3545.
[36]	罗登跃. 三阶段DEA模型管理无效率估计注记[J]. 统计研究, 2012, 29(4): 104-107. Luo D Y. A note on estimating managerial inefficiency of three-stage DEA model[J]. Statistical Research, 2012, 29(4): 104-107.
[37]	石志恒, 王瑞霞. 中国农业现代化与碳排放效率的耦合协调关系研究[J]. 干旱区资源与环境, 2024, 38(8): 1-12. Shi Z H, Wang R X. Research on the coupling coordination relationship between agricultural modernization and carbon emission efficiency in China[J]. Journal of Arid Land Resources and Environment, 2024, 38(8): 1-12.
[38]	李健, 刘一璇. 省域交通运输业碳排放生产率时空演变分析[J]. 环境科学, 2026, 47(3): 1498-1512. Li J, Liu Y X. Analysis of spatial and temporal evolution of carbon emission productivity in provincial transportation industry[J]. Environmental Science, 2026, 47(3): 1498-1512. DOI:10.13227/j.hjkx.202411293
[39]	徐孟志, 李继霞, 刘腾飞, 等. 中国环境治理绩效的区域差异、动态演进及收敛性——基于流域视角的比较分析[J]. 经济地理, 2023, 43(10): 1-12. Xu M Z, Li J X, Liu T F, et al. Difference evolution and convergence of environmental governance performance in three major river basins of China[J]. Economic Geography, 2023, 43(10): 1-12.
[40]	杨骞, 刘鑫鹏, 孙淑惠. 中国科技创新效率的时空格局及收敛性检验[J]. 数量经济技术经济研究, 2021, 38(12): 105-123. Yang Q, Liu X P, Sun S H. Spatiotemporal pattern and convergence test of China's scientific and technological innovation efficiency[J]. Journal of Quantitative & Technological Economics, 2021, 38(12): 105-123.
[41]	王志凌, 李彤, 罗蓉. 中国农业数字供应链金融发展水平测度、区域差异及收敛性分析[J]. 经济问题探索, 2025(6): 140-155. Wang Z L, Li T, Luo R. Measurement of the development level, regional differences, and convergence analysis of China's agricultural digital supply chain finance[J]. Inquiry Into Economic Issues, 2025(6): 140-155.
[42]	干春晖, 郑若谷, 余典范. 中国产业结构变迁对经济增长和波动的影响[J]. 经济研究, 2011, 46(5): 4-16, 31. Gan C H, Zheng R G, Yu D F. An empirical study on the effects of industrial structure on economic growth and fluctuations in China[J]. Economic Research Journal, 2011, 46(5): 4-16, 31.
[43]	马玉婷, 高强, 杨旭丹. 农村劳动力老龄化与农业产业结构升级: 理论机制与实证检验[J]. 华中农业大学学报(社会科学版), 2023(2): 69-79. Ma Y T, Gao Q, Yang X D. Aging of rural labor force and the upgrading of agricultural industrial structure: theoretical mechanism and empirical test[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2023(2): 69-79.
[44]	石志恒, 王瑞霞. TOE框架下我国省域农业碳排放影响因素组态分析——NCA与fsQCA方法相结合[J]. 中国生态农业学报(中英文), 2024, 32(9): 1566-1577. Shi Z H, Wang R X. Configuration analysis of factors influencing carbon emissions from provincial agriculture in China under the TOE framework: combining NCA and fsQCA methods[J]. Chinese Journal of Eco-Agriculture, 2024, 32(9): 1566-1577.
[45]	陈志建, 申世敬, 程玉浩, 等. 新型数字基础设施对碳生产率的影响——长江经济带例证[J]. 长江流域资源与环境, 2024, 33(9): 1844-1859. Chen Z J, Shen S J, Cheng Y H, et al. Impact of new digital infrastructure on carbon productivity: a case study of the Yangtze River economic belt[J]. Resources and Environment in the Yangtze Basin, 2024, 33(9): 1844-1859.
[46]	王芳, 李文慧, 林妍敏, 等. 1990~2020年黄河流域典型生态区生态环境质量时空格局及驱动力分析[J]. 环境科学, 2023, 44(5): 2518-2527. Wang F, Li W H, Lin Y M, et al. Spatiotemporal pattern and driving force analysis of ecological environmental quality in typical ecological areas of the Yellow River basin from 1990 to 2020[J]. Environmental Science, 2023, 44(5): 2518-2527. DOI:10.13227/j.hjkx.202206029
[47]	张辽, 黄蕾琼. 中国工业企业绿色技术创新效率的测度及其时空分异特征——基于改进的三阶段SBM-DEA模型分析[J]. 统计与信息论坛, 2020, 35(12): 50-61. Zhang L, Huang L Q. Research on proactive technological innovation efficiency evaluation of industrial enterprises: analysis based on improved three stage SBM-DEA model[J]. Journal of Statistics and Information, 2020, 35(12): 50-61.
[48]	胡剑波, 王楷文. 中国省域碳排放效率时空差异及空间收敛性研究[J]. 管理学刊, 2022, 35(4): 36-52. Hu J B, Wang K W. Study on temporal and spatial differences and spatial convergence of provincial carbon emission efficiency in China[J]. Journal of Management, 2022, 35(4): 36-52.
[49]	张明斗, 席胜杰. 资源型城市碳排放效率评价及其政策启示[J]. 自然资源学报, 2023, 38(1): 220-237. Zhang M D, Xi S J. Evaluation of carbon emission efficiency of resource-based cities and its policy enlightenment[J]. Journal of Natural Resources, 2023, 38(1): 220-237.
[50]	胡剑波, 张宽元, 韩君. 我国省域降碳减污绩效测度、时空分异与收敛性研究[J]. 统计研究, 2025, 42(2): 99-110. Hu J B, Zhang K Y, Han J. Research on the measurement, spatiotemporal differentiation and convergence of carbon and pollution reduction performance in China[J]. Statistical Research, 2025, 42(2): 99-110.


环境科学 2026, Vol. 47 Issue (8): 5234-5249	PDF