田云 尹忞昊

摘   要：厘清技术进步推动我国农业能源碳减排的机理，对农业农村能源转型和“双碳”目标实现具有重要的理论与现实意义。构建技术进步背景下农业能源碳排放回弹效应模型，科学测度我国30个省（区、市）2001—2018年碳排放回弹效应，在此基础上，利用基准模型与空间计量方法分析技术进步对农业能源碳排放强度的影响及溢出效应。研究发现：农业能源碳排放削减量呈上升趋势，碳排放回弹量存在较大波动，碳排放存在部分回弹效应，且回弹效应均值为0.176。我国省域农业能源碳排放强度存在显著空间自相关特性，技术进步对农业能源碳排放强度具有明显的抑制作用，同时也表现出显著的空间溢出效应，具体表现为，农业技术进步1个百分点，其产生的溢出效应可使周边地区农业能源碳排放强度降低0.120%。促进农业能源碳减排，应重点研发颠覆性减排技术，积极引导农业能源利用模式转型，制定区域技术标准。

关键词：技术进步;农业能源碳排放;农业碳排放;回弹效应;空间计量模型

中图分类号：F323   文献标识码：A   文章编号：1003-7543（2021）12-0045-14

近年来，温室气体排放量的快速增加一定程度上加剧了对全球生命系统的威胁，气候问题由此受到了国际社会的高度关注。在此境况下，世界各国相继达成《联合国气候框架公约》《京都协议书》《巴黎协定》等一揽子具有约束力的框架协定，明确了主要温室气体排放的约束目标与减排方式。虽然如此，却并未有效抑制全球温室气体的增长态势。联合国环境规划署的调查报告显示，2019年全球碳排放总量达到了591亿吨二氧化碳当量，较2018年增加了38亿吨，增幅高达6.87%，在创下历史新高的同时，继续朝着21世纪末升温3℃以上的趋势发展。面对如此不利情形，世界各国纷纷提出自主贡献目标，致力于早日实现全球“净零排放”以及碳排放量降至“2℃温控”水平。作为全球气候治理的积极参与者和支持者，我国在第七十五届联合国大会一般性辩论上作出了2030年前碳排放量达峰和2060年前实现碳中和的承诺。2021年中央政府工作报告更是将“扎实做好碳达峰、碳中和各项工作”列为重点工作之一。在这一目标实现的过程中，除了要大力推进二三产业节能减排之外，还需切实加快农业生产低碳转型步伐。

为了更好地探究农业生产低碳转型之路，越来越多的学者开始致力于农业碳排放、农业碳减排等相关问题的研究。起初，学者们主要基于差异化视角构建农业碳排放测算指标体系并展开有效测度。其中，West & Post较早立足于农用物资投入完成了对种植业碳排放的测算[1];相较而言，Johnson等进行了更为全面的考察，从水稻种植、畜禽养殖、农业能源利用、农业废弃物处理、生物燃烧五个维度完善了农业碳排放测算体系[2];Tian等基于农用物资投入、水稻种植、畜禽养殖、土壤碳库破坏等对中国农业碳排放展开了系统考察，并剖析了其内在机理[3]。而后，随着农业碳排放测算体系的逐步完善，其相关研究不断深入且多元化趋势愈发明显，其中一些学者围绕农业碳排放效率特征[4]、动态分布规律[5]以及影响因素[6]等展开探讨，发现我国东部、中部、西部地区农业碳排放特征及其驱动机理均存在明显差异，且农业能源利用所导致的碳排放量正逐年提升;另一些学者则从模拟峰值预测[7]、空间特性探究[8]、衍生指标构建[9]等不同视角丰富了低碳农业相关文献。综合研究表明，我国各区域种植业、畜牧业生产以及农业能源利用所导致的碳排放数量及其所衍生出的碳排放效率均存在显著差别，其各自影响因素与驱动机理也不尽相同。积极倡导政策与市场并行战略并着力提升能源利用效率，是解决上述不均衡的长远之策。

鉴于能源碳排放在农业碳排放中所占比重较大且增长态势较为明显这一现实背景，不少学者将注意力聚焦到了农业能源碳排放领域。其中，李国志、李宗植从消费侧对农业能源碳排放进行測算并探究了其与能源利用效率之间的相互关系[10];韩岳峰、张龙基于进出口贸易视角围绕农业能源消耗碳排放展开测度并剖析了影响其数量变化的主要因素[11];戴小文等在系统把握我国农业能源碳排放量的基础上，利用Kaya恒等式围绕其影响机理展开了深度探讨，发现农村居民生活水平提升是导致其数量增加的关键动因，而农业低碳生产技术则起到了较为明显的抑制作用[12];徐家鹏则对农业能源碳排放趋势进行了预测，发现其仍呈现持续上升态势[13]。近些年来，随着研究的持续深入，一些学者开始围绕农业能源碳排放的脱钩效应[14]与空间特性[15]展开探究，结果表明，当前其与农业经济之间仍以弱脱钩关系为主，距离强脱钩差距较大，同时大多数省份农业能源碳排放效率都呈现空间集聚特性。

由上述文献可知，目前关于农业碳问题的整体研究已较为丰富，基本涵盖精准测算、现状特征把握、未来趋势预测等方面，为后续深入探讨提供了必要的理论依据与数据支撑。但与此同时，当前仍存在一些亟待破解的研究难题，如农业技术进步是否促进了碳减排？从现有文献来看，学者们对此莫衷一是，如巍玮等认为技术进步可有效抑制农业碳排放量的增加[16]，而张永强等持完全相反的观点[17]。争议的存在使得我们有必要围绕该问题展开更为深入的探讨，不仅要明确农业技术进步与农业碳减排之间的数量关系，而且要厘清其内在的作用机理。考虑到农业能源利用受农业技术的影响更为直接，实际分析中将主要立足于农业能源碳排放。农业技术进步必然会对能源利用数量和利用效率产生显著影响，进而影响到最终的碳排放数量。在此境况下，农业技术进步与农业能源碳排放之间到底呈现何种关系？二者之间是否存在回弹效应？是否具有空间溢出效应？这一系列问题都亟待厘清。本文尝试弥补现有研究的不足，先进行相关理论分析与模型构建，并立足于我国30个省（区、市）①的面板数据测度农业技术进步背景下的农业能源碳排放回弹效应;而后通过面板数据OLS及固定效应模型并利用空间计量分析法探讨农业技术进步对农业能源碳排放强度的影响及其溢出效应;最后基于研究结论提出针对性策略，以期为农业生产低碳转型的快速推进提供理论依据。

一、影响机理分析与变量设定

（一）農业技术进步对农业能源碳减排的影响机理分析

农业技术进步通常有狭义与广义之分，其中狭义的农业技术进步特指农业生产过程中的技术（也称为自然科学技术或硬技术）进步;广义的农业技术进步则还包含了农业经营管理技术与服务技术（社会科学技术或软技术）的进步[18-19]。具体到本文，所要考察的是广义农业技术进步，其包含了生物（种质创新等）、化学（化肥、农药、农膜等）、机械（农用机器、设备等）等硬技术以及资源合理配置能力（投入要素的整合及分配等）、经营决策管理能力（管理方案、农业结构调整、政策约束等）与农业生产及技术使用的相关专业知识储备（新知识、新技术等）等软技术。近些年来，伴随着我国农业生产规模化与集约化程度的不断提升，能源需求量持续增加，其所导致的碳排放量也居高不下。提升农业能源利用效率，广泛采用低碳生产技术，是未来我国农业发展的必由之路，但选择该路径显然会对农业经济发展与碳排放量变化产生影响。农业能源碳排放强度是指单位农业产值所引发的能源碳排放数量，它兼顾了农业经济与能源碳排放的数量变化，更能反映实际碳排放水平，因此这里通过剖析农业技术进步对农业能源碳排放强度的影响路径来探讨具体的减排机制。很显然，农业技术进步也包含了低碳生产技术的采用，因而其对农业能源碳排放强度的影响路径可归纳为两个方面：一是技术进步对能源需求和使用效率的直接影响。此时，技术进步主要表现为新能源与可再生能源对传统农业能源的替代[20]。通常而言，在大能源范畴，一项新技术的使用除了能提高能源利用效率之外还会拉动能源需求，导致其生产量与消费量的同步增加，正是基于此，能源回弹效应持续受到政策制定者与学术研究者的高度关注。众所周知，农业技术进步与农业能源变动之间的关系也处在大能源范畴之内，因而也必然存在能源回弹效应，进而会对相关政策的制定以及最终的碳排放量产生影响。鉴于农业技术进步对农业碳排放具有促进与抑制的双重作用，本文预测，基于农业技术进步的农业能源碳排放也可能存在一定回弹效应。二是技术进步会对周边地区产生溢出效应进而达到减排目的。具体而言，本地区在学习了先进技术、专业知识以及管理经验等硬、软技术之后，在应用的过程中会产生地区间溢出效应，由此带动周边地区碳排放数量的减少;同理，周边地区农业技术进步也会带动本地区农业能源碳减排。据此，可知农业技术进步对农业能源碳排放强度的影响机理。

由图1可知，农业技术进步对农业能源碳排放强度的影响较为复杂，但最终亦可通过回弹效应的判别来辅助能效政策的制定;同时，农业技术进步产生的溢出效应会促使地区间形成良性互动，通过引进周边先进技术并与本地研发成果相结合，达到降低农业能源碳排放强度的目的。二者作用的共同发挥或直接或间接，但均能实现农业经济发展与农业能源碳减排的协同共进。具体影响路径如下：

就能源路径而言，机械化水平、种质创新、良种培育等代表性硬技术的不断发展有效促进了农业增效，地区内生产经营者受此激励会扩大对农用物资的需求，但化肥、农药、农膜、农用机械等的广泛投入会诱发能源的过度耗费，进而导致碳排放量的增加。面对如此不利情形，政府部门通常会制定必要能效政策予以约束，要求农机设备研发路径、种质资源创新方向、作物良种培育方式逐步向低能耗、低排放、高效率转化。而为了更好地应对能效政策的约束，生产经营者还需不断学习专业知识与管理经验，即在优化改进硬技术的基础上，辅以必要的软技术进步，农资利用效率由此得以大幅提升。综合来看，随着经济的发展、技术水平的提升，农业生产规模也一直在扩大，能源需求、投入的增加与效率的提升在不同阶段将会循环交替出现，如此反复可能会导致农业能源碳排放回弹量大于其削减量，即出现农业能源碳排放回弹效应。较为理想的情形是，伴随技术的不断提升，农业能源碳排放削减量持续增加，其回弹量可控制在一定区间内，如此对农业能源碳强度的影响也可被限制在一定范围内。据此，本文提出假设H1：

H1：伴随着农业技术的进步，农业能源碳排放强度存在回弹效应，且其回弹效应将逐渐控制在一定范围内。

就溢出路径而言，本地农业技术进步带来了经济效益增长和碳减排的双赢，由此诱发周边地区快速效仿、学习，积极引进先进技术、优化资源要素配置，并结合当地气候、土壤、水文等多方因素调整其经营管理模式，进而产生技术溢出、知识溢出与经验溢出。其中，技术溢出方面，不仅包含能促进农业经济效益提升的生产技术，而且涉及能效政策与碳排放双重约束下的“低能耗、低排放”先进农业生产设备。知识溢出方面，表现为生产经营者通过相互交流强化专业知识学习与专业素养提升，从而减少技术的研发与生产成本;更为重要的是，邻域模范作用可减少地区内先进技术普及传播所需投入，并在确保减排力度的同时使其边际生产率得到大幅提升。经验溢出方面，重点表现为管理经验的借鉴，一般地，管理方式的创新与生产经营模式的优化可有效避免非必要的资源浪费，并使生产经营者逐步形成并强化对可再生能源的利用意识。总体而言，农业技术进步无论表现为技术溢出、知识溢出还是经验溢出，其均是促进农业经济增长与农业能源碳减排“双赢”的有效路径，本地与周边地区通过良性互动、交流学习，促使邻近区域之间农业能源碳排放强度同步降低。据此，本文提出假设H2：

H2：农业技术进步对农业能源碳排放强度存在积极的空间溢出效应，即本地区农业技术进步在降低自身农业能源碳排放强度的同时，也会促使周边地区碳排放强度的降低。

（二）变量设定

被解释变量：农业能源碳排放强度（Aci）。已有研究表明，农业碳排放强度可反映农业碳排放效率[4]，二者之间呈现此消彼长的关系;而农业技术进步在带来生产效率提升的同时，也对农业碳排放效率产生了显著影响[20]。本研究之所以将农业能源碳排放强度作为被解释变量，是因为本文核心解释变量为农业技术进步，其通常会对农用柴油、电能等直接能源以及化肥、农药、农膜等间接能源的利用产生较大影响。实践中，将通过单位农业总产值所引发的碳排放量来体现农业能源碳排放强度，需要说明的是，不同年份农业总产值需按不变价格进行处理。

核心解释变量：农业技术进步（Atech）。农业技术进步对农业能源增长及其碳排放量均存在较大程度的影响。既有文献在农业技术进步及其贡献率测度方面已取得较为丰硕的成果，相关测算方法可归纳为索洛余值法、指数法、数据包络分析法、随机前沿分析法四类，其中较为复杂的 指数法又包含HM指数、Fisher指数、Malmquist指数、Tornquist指数等。本文将选用具有动态特征的DEA-Malmquist指数模型来测度农业技术进步率，如此考量是因为该方法将传统的DEA模型与Malmquist指数模型有机结合，克服了原有方法仅能测量同一时期不同决策单元的静态相对效率抑或不同时期同一决策单元的动态效率的弊端。

控制变量：一是农业发展水平（Pcai）。一般地，经济发展都会对碳排放量产生显著影响，为此本文将农业发展水平作为重要控制变量;该变量用人均农业收入（即人均实际农业产值）表示，其计算公式为：人均农业收入=实际农林牧渔总产值/第一产业从业总人数。二是农业产业结构。不同产业部门对农业能源的需求存在差别，进而可能会影响最终碳排放强度。种植业和畜牧业是最为重要的两大产业部门，有必要将其单列出来进行考察，具体选取种植业占比（Pp）和畜牧业占比（Ahp）作为控制变量，以二者占农林牧渔总产值的比重来衡量。三是农业受灾程度（Adc）。农业受灾会制约最终收益，但由于要素投入在前，其所引发的碳排放并不会减少，进而客观上可能会导致碳排放强度的增加，据此也将其作为控制变量之一，具体以各地受灾面积占其播种总面积的比重为准。四是农业公共投资（Api）。已有研究表明，农业公共投资对农业碳排放强度具有显著但程度较小的抑制作用[4]，但其对于农业能源碳排放强度的作用力如何仍需探讨，故本文也将其作为控制变量，具体用各地农林牧渔固定资产投资额来表示。

二、研究方法与数据来源

（一）DEA-Malmquist指数法

与索洛余值法和传统TFP指数法相比，DEA-Malmquist指数法同时克服了生产率增长测量中α、β难以确定以及不同时期多个决策单元动态效率无法测度两大缺陷，有效避免了生产函数选择与参数估计所带来的误差。鉴于此，本文以每个省份为决策单元，选取DEA-Malmquist模型完成对我国农业全要素生产率（ATFP）的有效测度，具体解释如下：

假定（αt，βt）在第t期和第t+1期的距离函数分别为Dt（αt，βt）、Dt+1（αt，βt）。同理，（αt+1，βt+1）在第t期和第t+1期的距离函数分别为Dt（αt+1，βt+1）、Dt+1（αt+1，βt+1）。

在第t期的农业技术水平下，其Malmquist指数为：

Mt=Dt（αt+1，ρt+1）/Dt（αt，ρt）（1）

在第t+1期的农业技术水平下，其Malmquist指数为：

Mt+1=Dt+1（αt+1，ρt+1）/Dt+1（αt，ρt）（2）

根据Farrel[21]的定义，由式（1）、式（2）可计算得到第t期、第t+1期的几何平均值，以此表示第t期内该决策单元在规模报酬不变条件下的农业全要素生产率变化（ATFP）：

ATFPt=

=（3）

基于式（3）所测算的结果，还可进一步分解为技术效率变化指数、纯技术效率进步指数和规模效率变化指数，鉴于后续研究不涉及这三者，在此不作赘述。

（二）基于技术进步的农业能源碳排放回弹效应模型

假定第t年某经济单位的第一产业增加值为Yt，农业能源碳排放强度为CIt，则t年的农业能源碳排放量为Ct=Yt·CIt;在t+1年，由于技术进步，农业能源碳排放强度下降为CIt+1，那么，农业技术进步所引致的农业能源碳排放削减量Cj为：

Cj=Yt+1·（CIt-CIt+1）（4）

但同时，技术进步也能带来农业经济增长，令ξt+1为t+1年农业技术进步对农业经济增长的贡献率（%），则农业技术进步所引致的农业能源碳排放回弹量Ck为：

Ck=ξt+1·（Yt+1-Yt）·CIt+1（5）

其中，农业技术进步贡献率ξt+1为第t+1年的农业TFP增长率（GATFP）与第t+1年实际农业总产值增长率（GY）的比值，具体计算方法如下：

ξt+1=（）·100%=·100%（6）

故而，第t+1年农业能源碳排放回弹效应（ARE）的计算方法如下：

ARE=Ck /Cj=ξt+1·（Yt+1-Yt）·CIt+1/Yt+1·（CIt-CIt+1）（7）

其中，当ARE∈（1，+∞）时，回弹效应表现为逆反效应，也称为回火效应。一方面，农业能源碳排放效率提升并未起到抑制其消费量的作用，即农业能源消费量随着其碳排放效率的提升而增加;另一方面，实际农业能源消费量大于其初始值，相关能效政策具有反作用力。

當ARE=1时，回弹效应表现为完全回弹。一方面，农业能源碳排放效率提升对农业能源碳排放消费量无明显影响，即提高农业能源碳排放效率所削减的农业碳排放量与农业碳排放回弹量相抵;另一方面，实际农业能源消费量与其初始值相等，体现了相关能效政策的无效性。

当ARE∈（0，1）时，回弹效应表现为部分回弹。一方面，农业能源碳排放效率提升对农业能源消费量起到一定的抑制作用，即农业能源碳排放效率提升带来的碳排放削减量大于碳排放回弹量;另一方面，实际农业能源消费量低于其初始值但高于预期值，由此揭示相关能效政策表现出了积极效果。

当ARE=0时，为零回弹效应。一方面，农业能源碳排放效率提升在很大程度上抑制了农业能源消费量，即农业能源消费量不随其碳排放效率的提升而增加;另一方面，实际农业能源消费量与其预期值相等，由此体现了相关能效政策的充分有效性。

当ARE∈（-∞，0）时，为过度储存效应。一方面，农业能源碳排放效率提升可降低农业能源消费量并减少其碳排放量;另一方面，实际农业能源消费量小于其预期值，此时相关能效政策表现出显著成效，反映出当前农业处于可持续发展的最佳状态。

（三）计量模型选取

结合本文研究目的，这里综合运用普通最小二乘法、省份固定效应模型、空间面板数据模型等多种计量分析方法展开探讨。其中，最小二乘法是保证研究区域内所有残差平方和最小的估计方法;省份固定效应模型主要用于捕捉研究区域内不随时间变化个体之间所存在的差异。至于静态空间面板模型，其一般分为空间杜宾模型、空间滞后模型和空间误差模型。在这之中，空间杜宾模型（SDM）为其一般形式，具体公式如下：

Yit=αi+ρ∑wijYjt+βxit+φ∑wjtxjt+ε（8）

当ρ=0时，空间杜宾模型转化为空间滞后模型（SLX），其具体形式为：

Yit=αi+βxit+φ∑wjtxjt+ε（9）

当φ=-ρβ时，空间杜宾模型转化为空间误差模型（SEM），其具体形式为：

Yit=αi+βxit+u（10）

u=λWu+ ε（11）

其中，空间杜宾模型充分考虑了周边区域与本地区之间的溢出效应，而空间滞后模型与空间误差模型则具有不同功能。具体而言，空间滞后模型考察周边区域自变量对本地因变量的影响，其以空间滞后项形式加入计量方程;空间误差模型则考察周边区域自变量对本地自变量的影响，其以空间误差项形式加入计量方程。同时，在使用空间计量模型之前，需进行必要的空间自相关性检验。具体到本研究，使用Morans'I指数来检验模型残差空间自相关性，其计算公式为：

I=（12）

s2=∑（Yi-）2（13）

其中，I为全局空间自相关指数，Yi和Yj分别表示研究区域内样本点i和j上的观察值，Wij为空间权重矩阵。鉴于邻近矩阵缺乏衡量某一地区与不相邻区域之间作用方向与影响程度的能力，在此参考袁华锡等[22]的研究，使用两地质心距离倒数的平方构建地理距离空间权重矩阵来测度某地与其非相邻地区之间的空间影响程度。全局空间自相关指数值域为[-1，1]，其中，I取值越接近1，研究区域空间正相关性（集聚程度）越强;I取值越接近-1，研究区域空间负相关性（离散程度）越强;当I取值无限趋近于0或等于0时，研究区域为独立随机分布。

（四）数据来源及处理

农业能源碳排放数据基于笔者测度而来，考虑到农业技术进步主要体现在农用机械的广泛运用以及化肥、农药、农膜等农用物资的高效利用，因而与之相关的碳排放主要源自农用柴油的直接利用以及化肥、农药、农膜等的生产、农田灌溉所间接耗费的能源，其测算方法与数据来源均参照田云等[23]的研究①，受限于篇幅在此不作过多赘述。农业技术进步变量通过DEA-Malmquist指数法计算获取，其产出指标为农林牧渔总产值，投入指标则包含化肥施用量、农作物播种总面积、农业机械总动力与第一产业从业人数，考察周期为2000—2018年。文中所需数据均出自《中国统计年鉴》《中国统计摘要》《中国农村统计年鉴》《中国固定资产投资统计年鉴》以及各省（区、市）相关年鉴或统计公报。需要说明的是，为消除价格波动的影响，所有经济数据均按2000年不变价进行调整。各变量的描述性统计结果如表1所示。

三、结果与分析

（一）基于农业技术进步的农业能源碳排放回弹效应测度结果分析

利用农业能源碳排放回弹效应模型对2001—2018年我国30个省（区、市）的农业碳排放削减量、回弹量及回弹效应进行有效测度;同时，为了更好地考察其动态演变特征，将考察期划分为2001—2006年、2007—2012年、2013—2018年三个不同阶段并取其平均值。相关结果如表2（下页）所示。

由表2可知，技术进步带来的农业能源碳排放削减量、回弹量以及回弹效应在考察期内均发生了显著变化，但各自又存在一定区别。就碳排放削减量而言，除去2013年这一极端年份，其他各年虽呈现一定起伏但总体上升趋势较为明显，由2001年的141.524万吨增至2018年的1 230.836万吨，累计增加了769.70%，年均增幅高达13.57%。就碳排放回弹量而言，各年起伏波动较大;无明显增减趋势，其2013年数值最低为-756.071万吨，而2014年数值最高达到972.758万吨。就碳排放回弹效应而言，其2001—2018年的总体均值以及2001—2006年、2007—2012年、2013—2018年三个不同阶段的均值分别为0.176、0.234、0.097和0.194。由此可见，无论是整个考察期还是不同考察阶段，农业能源碳排放均存在部分回弹效应。分年度来看，有10个年份表现为部分回弹效应，5个年份表现为过度储存效应，而余下3个年份则出现了回火效应。在大多数年份，技术进步所帶来的农业能源碳排放削减量要高于其所导致的回弹量，这也表明能效政策在此过程中起到了一定的积极作用;相较而言，仅有少数年份作用方向与之相反。具体到呈现回火效应的3个年份，2001年碳排放回弹效应为1.745，这主要是因为，2000年国家明确提出要大力调整农业生产结构、加快推进农业技术进步并积极引进国外先进技术，受此政策的刺激，农业技术进步速率明显加快，但短期内一些高耗能技术的大面积推广也导致了农业能源碳排放的大幅回弹;2013年、2014年的碳排放回弹效应分别为1.244和1.962，究其原因在于，2012年中央“一号文件”强调加大农业投入和补贴力度，并要求新增补贴向粮食主产区、种养大户、农民专业合作社倾斜，很显然三者存在较大程度的能源需求，同时政策还提出继续扩大农机具购置补贴，进而短期内极大拉动了能源消费，致使其后两年农业能源碳排放回弹效应迅速飙升并创下新高。

总体而言，在考察期内，农业能源碳排放削减量呈现波动上升态势，而碳排放回弹量表现出较大波动。我国农业能源碳排放整体存在部分回弹效应，三个不同阶段均表现出了类似特点，尤其在第三阶段（2013—2018年），先由回火效应转变为部分回弹效应，而后进一步发展为过度储存效应。可见，农业技术进步与相关能效政策均对农业能源碳减排起到了积极推进作用，本文假设H1得到验证。究其原因，一方面，农业技术进步虽然导致化肥、农药、农膜以及农机设备等生产性资料的大量投入，但农业生产效率与能源使用效率也在不断得到提升，故农业能源碳排放量在出现小幅回弹后逐步受到抑制;另一方面，农业技术进步与农业能源的大量使用推动了农业经济的快速发展，各类节能减排技术则随着经济水平的提升逐步完善，整体减排潜能得到释放，农业能源碳排放的增长态势由此得到有效抑制。由前述分析综合可知，通过技术进步实现农业碳减排已初显成效，但仍尚存一定空间，如何缩小部分回弹效应值域并让更多年份表现为过度储存效应，将是未来努力的目标。

（二）农业技术进步对农业能源碳排放影响的实证结果分析

1.全局空间自相关检验

莫兰指数检验结果既是判断变量是否具有空間自相关性的重要依据，又是使用空间计量模型探讨各变量之间作用关系的重要前提，同时它还可反映各变量的空间集聚程度抑或空间扩散程度，进而判断被观察变量的空间分布特征。为此，本文也选用莫兰指数对被解释变量以及相关解释变量进行检验。结果显示，所有变量的Morans'I值均在不同程度上显著，但鉴于论文主要探讨农业能源碳排放强度于空间层面所受到的可能性影响，同时也限于篇幅，在此仅列出其对应的莫兰指数值，结果如表3所示。

由表3可知，在整个考察期内，农业能源碳排放强度的Morans'I值均大于0.1，且都在5%或者10%水平下通过显著性检验。由此可见，我国省域农业能源碳排放强度存在显著的空间自相关特征，具体表现为某个高值省份周边伴随着一个或多个高值省份，某个低值省份则通常与一个或多个低值省份相邻。从时序演变轨迹来看，大致可划分为“波动下降—升降起伏—持续下降—快速上升”四个不同阶段：2001—2008年为波动下降期，虽年际间存在一定起伏，但总体下降趋势较为明显，Morans'I值由0.175降至0.132，降幅高达24.57%;2009—2012年为升降起伏期，Morans'I值经历了一个“先升、后降、再升”的变化过程，最终收于0.144，相比上一阶段有明显提升;2013—2016年为持续下降期，Morans'I值降至0.111，由此也创下了整个考察期内的最低纪录;2017—2018年为快速上升期，仅仅两年时间Morans'I值即上升至0.133，虽与2001年相比仍存在明显差距，但反弹趋势已然明显。

2.农业技术进步对农业能源碳排放强度影响的结果分析

接下来就各变量对农业碳排放强度的具体影响进行探讨。具体而言，首先通过对比面板数据OLS回归模型Ⅰ、固定效应模型Ⅱ与空间误差模型Ⅲ的结果，可以证实加入空间效应后的计量模型更优，而后加入空间滞后模型Ⅳ考察本地与周边区域变量的溢出效应。接下来，对加入空间效应的空间面板模型进行Hausman检验以确定模型的最终形式，双固定效应Hausman检验结果显示，其统计量为16.37，且在1%水平下显著，故本文确定双固定效应下的空间误差模型与空间滞后模型为最终模型计量形式，相关实证结果如表4所示。

由表4可知，模型Ⅰ和模型Ⅱ中各变量的作用方向、作用强度以及显著性基本一致，所有变量均对农业能源碳排放强度产生了显著性影响。在加入空间效应（模型Ⅲ、Ⅳ）后，技术进步与各控制变量的作用强度、作用方向也未发生太大变化，但通过比较发现，双固定效应下的空间误差模型（模型Ⅲ）整体拟合效果最优，故接下来基于此模型结果讨论各解释变量的影响作用，同时利用双固定效应下的空间滞后模型（Ⅳ）探讨各变量的溢出效应。具体而言，农业技术进步对农业能源碳排放强度的影响在1%水平下通过显著性检验且系数为负，表明碳排放强度随着农业技术的进步呈现下降趋势。至于其他控制变量，农业发展水平与农业公共投资均有效促进了碳减排，而种植业占比、畜牧业占比与农业受灾程度三个变量发挥的作用正好相反，均在一定程度上导致了农业能源碳排放强度的增加。

溢出效应方面，农业技术进步变量在1%水平下通过显著性检验，表明其对农业能源碳排放强度具有较强的空间溢出效应。从具体作用力度来看，本地农业技术进步1个百分点，可促使周边地区农业能源碳排放强度降低0.120%。对此，可能的解释是：一方面，周边地区通过学习引进先进地区的优良技术、专业知识以及管理经验，促进了其农业能源碳排放强度的降低。具体表现为，通过这些先进技术、知识和经验的溢出，周边地区实现了化肥与农药使用的减量、农膜回收率的提升、农机燃油消耗量的降低以及农业灌溉用电量的减少，进而在确保粮食产量与经济效益的前提下，农业能源碳排放得到了有效抑制。另一方面，周边地区与先进地区虽保持着相互交流但也存在一定竞争，由此倒逼其加大低碳生产技术研发力度，进而达到降低碳排放强度的目的。具体而言，当本地农业碳减排工作取得一定成效之后，周边地区与其交流协作会不断加强，整体节能减碳意识也随之提升，但出于经济效益与减碳成效双重竞争的统筹考虑，它们会在学习和引进先进低碳生产技术、经验的基础上，加以改进优化抑或研发出更具优势的新兴技术，以此实现农业经济增长与其能源碳减排的协同共进。控制变量方面，农业发展水平与农业公共投资等变量具有显著的负向溢出效应，二者均在一定程度上抑制了邻近地区农业能源碳排放强度的提升;而种植业占比、畜牧业占比以及农业受灾程度等变量表现出了显著的正向溢出，即种植业和畜牧业比重提升、农业受灾程度加剧导致了邻近地区农业能源碳排放强度的增加。综合来看，实证结果有力支持了研究假设H2，即本地农业技术进步在降低自身农业能源碳排放强度的同时产生了积极的空间溢出效应，促进了周边地区农业能源碳排放强度的降低。

3.稳健性检验

为确保研究结果的准确性，分别将模型Ⅲ、Ⅳ中的地理距离矩阵替换为邻近矩阵、反距离矩阵，并对其加入空间效应后的结果进行稳健性检验。具体而言，模型Ⅴ、Ⅵ与模型Ⅶ、Ⅷ可分别依次验证各解释变量对农业能源碳排放强度的影响以及空间溢出效应结果的稳健性，相关实证结果如表5所示。

由表5可知，各变量作用方向均与前文保持一致。核心解释变量农业技术进步在模型Ⅴ、模型Ⅵ中的结果与模型Ⅲ几无区别，在模型Ⅶ、模型Ⅷ中的结果也与模型Ⅳ持平;系数方面，使用不同空间权重矩阵时，其系数大小差异不大。具体而言，距离较近的地区受到其溢出效应的影响程度较大，而距离较远的地区与之相反，故而使用邻近矩阵、反距离矩阵、地理距离矩阵的系数结果依次由大至小排列。控制变量方面，所有变量的显著性和系数均基本保持了一致，符合不同模型设定之间存在的差异。由此可见，模型Ⅲ与模型Ⅳ的结果十分稳健。

四、结论与启示

本文基于我国30个省（区、市）的面板数据，在进行理论分析的基础上，通过构建回弹效应模型探讨了技术进步背景下我国农业能源碳排放的回弹效应;同时借助OLS回归、个体固定效应、空间误差以及空间滞后等模型系统剖析了农业技术进步对农业能源碳排放强度所产生的影响，主要研究结论如下：

第一，2001—2018年我国农业能源碳排放削减量处于上升趋势，而碳排放回弹量存在较大波动，碳排放总体存在部分回弹效应，其均值为0.176。具体而言，2001—2006年、2007—2012年、2013—2018年三个不同阶段农业能源碳排放均表现为部分回弹效应，其回弹效应值依次为0.234、0.097和0.194。考察的18年中，有10个年份为部分回弹效应、5个年份为过度储存效应、3个年份出现回火效应。回火效应出现之后，我国农业能源碳排放会逐步转变为部分回弹效应，并最终呈现过度储存效应。

第二，考察期内，我国省域农业能源碳排放强度存在显著空间自相关性，其空间集聚程度虽在年际间存在一定波动，但最终上升态势较为明显。空间误差模型回归结果显示，农业能源碳排放强度随着农业技术的进步而呈下降趋势。控制变量方面，农业发展水平与农业公共投资有效促进了农业能源碳减排，而种植业占比、畜牧业占比与农业受灾程度三个变量所起作用正好相反，均在一定程度上导致了碳排放强度的增加。

第三，农业技术进步对农业能源碳排放强度具有显著的空间溢出效应。具体表现为，农业技术进步1个百分点，可促使周边地区农业能源碳排放强度降低0.120%，即本地农业技术进步通过溢出效应可对周边地区农业能源碳减排产生积极影响。控制变量方面，农业发展水平与农业公共投资等变量均在一定程度上抑制了邻近地区农业能源碳排放强度的提升;而种植业占比、畜牧业占比以及农业受灾程度等变量导致了邻近地区农业能源碳排放强度的增加。

鉴于农业技术进步渗透于农业生产各个环节，本文中农业能源碳排放测算指标相较于前人研究考察更为全面，不仅选取了农用柴油这一直接碳源，而且兼顾了化肥、农药、农膜、农业灌溉等间接碳源。同时，本文立足于技术进步创造性地构建了农业能源碳排放回弹效应模型，探讨了我国农业能源碳排放回弹效应状况及变动趋势。除此之外，在通过面板数据OLS、固定效应模型以及空间误差模型回归揭示技术进步可降低农业能源碳排放强度的基础上，利用空间滞后模型探讨了技术进步对于农业能源碳排放强度是否具有溢出效应。研究结论显示，虽然个别年份农业能源碳排放存在回火效应，但随后政府所采取的積极能效政策与农业技术进步双重驱动，又促使其朝向好的方向转变。在此过程中，技术进步在各地区农业碳减排工作中所展现出的溢出效应也发挥了极为重要的促进作用。

为了更好地推进农业能源碳减排并确保“双碳”目标的早日实现，有必要在政策层面予以必要的支持和保障，具体可从以下方面着手：一是加大财政支持力度，推动农业技术创新，尤其需强化对碳减排颠覆性技术的研发。在保障粮食安全的前提下，我国农业农村实现“双碳”目标将面临巨大挑战。由于农业劳动力知识水平普遍受限，而各类低碳技术纷繁复杂甚至还会导致生产成本的增加，因而较难在农业生产者群体中得到推广应用，其减排成效也就难以显现。为此，亟须国家层面加大补贴力度并辅以必要的技术研发专项资金，以突破增产减排中的“卡脖子”技术，研发并推广运用兼具“低成本、易操作”特性的颠覆性农业低碳生产技术。二是政府部门应强化能效政策的正确引导，加速农业部门由传统化石能源使用向“化石能源低碳化+可再生能源”模式转型。政府部门在制定相关能效政策时，应吸纳“过度储存效应”年份的先进经验，反思并改良“回火效应”年份中的不适政策。与此同时，政策中强调能源利用转型既不能仅针对化石能源低碳化，又不能一味偏向可再生能源，而应坚持二者协同推进。除此之外，在全面推动“化石能源低碳化+可再生能源”模式时，需对其成本与成效进行适时评估，以探寻规模化使用路径。三是制定并完善区域技术标准，积极引导地区间交流互动，助力核心技术推广应用。鉴于短期内较难制定适用于全国范围的技术标准，可考虑在资源禀赋、地理条件等相似的区域制定技术标准，以识别出增产减排关键技术，而后充分利用技术进步对农业能源碳排放强度的负向溢出效应，借以破除相关核心技术在推广实践中的诸多障碍。而随着技术标准愈发完善，区域内形成技术交流的良性互动，进而不断推动技术革新并形成区域间流动，最终辐射到全国各地。 [Reform]

参考文献

[1]WEST O， POST W M. Soil organic carbon sequestration rates by tillage and crop rotation[J]. Soil Science Society of America Journal， 2002， 66（6）： 1930-1946.

[2]JOHNSON J M F， FRANZLUEBBERS A J，WEYERS S L. Agricultural opportunities to mitigate greenhouse gas emissions[J]. Environmental Pollution， 2007， 150（6）： 107-124.

[3]TIAN Y， ZHANG J B， HE Y Y. Research on spatial-temporal characteristics and driving factor of agricultural carbon emissions in China[J]. Journal of Integrative Agriculture， 2014， 13（6）： 1393-1403.

[4]張广胜，王珊珊.中国农业碳排放的结构、效率及其决定机制[J].农业经济问题，2014（7）：18-26.

[5]田云，张俊飚，尹朝静，等.中国农业碳排放分布动态与趋势演进——基于31个省（市、区）2002—2011年的面板数据分析[J].中国人口·资源与环境，2014（7）：91-98.

[6]何艳秋，戴小文.中国农业碳排放驱动因素的时空特征研究[J].资源科学，2016（9）：1780-1790.

[7]褚力其，姜志德，任天驰.中国农业碳排放经验分解与峰值预测——基于动态政策情景视角[J].中国农业大学学报，2020（10）：187-201.

[8]邓悦，崔瑜，卢玮楠，等.市域尺度下中国农业低碳发展水平空间异质性及影响因素——来自种植业的检验[J].长江流域资源与环境，2021（1）：147-159.

[9]田成诗，陈雨.中国省际农业碳排放测算及低碳化水平评价——基于衍生指标与TOPSIS法的运用[J].自然资源学报，2021（2）：395-410.

[10] 李国志，李宗植.中国农业能源消费碳排放因素分解实证分析——基于LMDI模型[J].农业技术经济，2010（10）：66-72.

[11] 韩岳峰，张龙.中国农业碳排放变化因素分解研究——基于能源消耗与贸易角度的LMDI分解法[J].当代经济研究，2013（4）：47-52.

[12] 戴小文，何艳秋，钟秋波.中国农业能源消耗碳排放变化驱动因素及其贡献研究——基于Kaya恒等扩展与LMDI指数分解方法[J].中国生态农业学报，2015（11）：1445-1454.

[13] 徐家鹏.中国农业能源消耗与CO2排放：趋势及减排路径——基于Holt-Winter无季节性模型和“十三五”的预测[J].生态经济，2016（2）：122-126.

[14] 史常亮，郭焱，占鹏，等.中国农业能源消费碳排放驱动因素及脱钩效应[J].中国科技论坛，2017（1）：136-143.

[15] 马大来.中国农业能源碳排放效率的空间异质性及其影响因素——基于空间面板数据模型的实证研究[J].资源开发与市场，2018（12）：1693-1700.

[16] 魏玮，文长存，崔琦，等.农业技术进步对农业能源使用与碳排放的影响——基于GTAP-E模型分析[J].农业技术经济，2018（2）：30-40.

[17] 张永强，田媛，王珧，等.农村人力资本、农业技术进步与农业碳排放[J].科技管理研究，2019（14）：266-274.

[18] 赵芝俊，张社梅.农业技术进步源泉及其定量分析[J].农业经济问题，2005（S1）：70-75.

[19] 顾海英.农业技术进步的内涵与作用探讨[J].农业技术经济，1994（4）：24-27.

[20] 雷振丹，陈子真，李万明.农业技术进步对农业碳排放效率的非线性实证[J].统计与决策，2020（5）：67-71.

[21] FARREL M J. The measurement of productive efficiency[J]. Journal of the Royal Statistical Society， 1957， 120（3）： 253-290.

[22] 袁华锡，刘耀彬，胡森林，等.产业集聚加剧了环境污染吗？——基于外商直接投资视角[J].长江流域资源与环境，2019（4）：794-804.

[23] 田云，张君.地理分区视角下的农业碳效应驱动机理研究[J].华中农业大学学报（社会科学版），2020（2）：78-87.

Does Technological Progress Promote Carbon Emission Reduction of Agricultural Energy？ Test Based on Rebound Effect and Spatial Spillover Effect

TIAN Yun   YIN Min-hao

Abstract： Clarifying the mechanism of technological progress to promote the change of agricultural energy consumption carbon emissions in China has important theoretical and practical significance for the transformation of agricultural and rural energy and the realization of  "dual carbon" goals.  In view of this， this paper firstly constructs a carbon emission rebound effect model of agricultural energy under technological progress， and scientifically measures the carbon emission rebound effect of 30 provinces  in China from 2001 to 2018. On this basis， the benchmark model and spatial econometric method are used to analyze the impact and spillover effect of technological progress on agricultural energy carbon emission intensity and spillover effect. It is found that the carbon reduction of agricultural energy carbon consumption is on the rise， and the amount of carbon consumption rebound fluctuates greatly. There is a partial rebound effect in carbon emissions， and the average rebound effect is 0.176. There is a significant spatial autocorrelation in the carbon emission intensity of provincial agricultural energy in China. Technological progress has a significant inhibitory effect on the carbon emission intensity of agricultural energy， and it also shows a significant spatial spillover effect. Specifically， agricultural technological progress by 1%， the spillover effect can reduce the carbon emission intensity of agricultural energy in surrounding areas by 0.120%. Accordingly， this paper puts forward policy suggestions such as focusing on the development of disruptive emission reduction technologies， actively guiding the transformation of agricultural energy utilization models， and formulating regional technical standards..

Key words： technological progress; agriculture energy consumption carbon emission; agriculture carbon emission; rebound effects; spatial econometric model