中国农业碳排放空间网络结构及区域协同减排

何艳秋 陈柔 朱思宇 王芳

摘要：研究农业碳排放省际关联网络结构可为建立区域协同减排机制，发挥减排连锁效应奠定基础。突破传统基于地理邻接或地理距离考察区域农业碳排放关联的方法，利用社会网络分析，从空间网络视角考察农业碳排放关联的特点，明确各区域的网络功能，并通过建立非参数回归模型，从空间关联、经济关联、技术关联三纬角度解释农业碳排放关联的深层次原因。发现中国农业碳排放关联网络稳定性高，区域溢出“等级森严”;中部地区为网络核心，西部地区重要性显著提升;八大板块以谄媚者、类经纪人、受益者、贡献者和孤立者角色传递农业碳排放;空间、经济、技术三纬关联是引起农业碳排放关联的主要因素。最终提出通过缩短空间距离、增强经济联系、加强技术溢出扩大省际农业碳排放关联，根据各区域在农业碳排放空间关联网络中的差异化角色实施“引领-跟随”型减排策略，充分发挥中介者的“管道”作用，最终形成省际间的互动协作减排机制。

关键词：农业碳排放;空间关联网络;协同减排

中图分类号：X16文献标识码：A文章编号：1000-4440（2020）05-1218-11

Abstract：Study on the inter-provincial correlation and influencing factors of agricultural carbon emission can lay the foundation for establishing the regional collaborative emission reduction mechanism and exerting the chain-effect of emission reduction. Breaking through the traditional methods of examining regional agricultural carbon emission correlation based on geographic adjacency or geographic distance， social network analysis was used to investigate the characteristics of agricultural carbon emission correlation from the perspective of spatial network and clarify the network functions of each region. In addition， the reasons of agricultural carbon emission correlation were explained from the perspective of spatial correlation， economic correlation and technology linkage by nonparametric regression. Agricultural carbon-emission ossociation network had high stability， and regional spillovers were ranked. The central provinces and cities were the core of the network， and the importance of the western provinces and cities had increased significantly. The eight sectors delivered agricultural carbon emissions in the roles of flatterers， brokers， beneficiaries， contributors and solitary. The three-latitude correlation of space， economy and technology was the main factor that caused the carrelation of agricultural carbon emission. It was proposed to expand inter-provincial agricultural carbon emission correlation by shortening space distance， strengthening economic relation and strengthening technology spillover. The "lead-follow" emission reduction strategy was implemental according to the differentiated role of each region in the correlation network. Give full play to the intermediary's "conduit" role. Finally， an inter-provincial interactive and cooperative emission reduction mechanism will be formed.

Key words：agricultural carbon emissions;spatial correlation network;collaborative emission reduction

氣候变暖是关系到各国政治、经济、社会、生态能否持续发展的关键问题，为此，联合国政府间气候变化专门委员会（IPCC）提出“2050年净碳排放缩减为0，升温幅度不超过1.5 ℃”[1]。中国作为全球最大的温室气体排放国，工业碳排放一直被政府节能减排工作所关注，但占全国总量17%的农业碳排放也不容忽视[2]，其减排效果的好坏直接影响中国“总量、强度”双控减排目标的实现。继2019年中央一号文件提出推动农业农村绿色发展，积极建设生态循环农业发展模式以后，2020年中央一号文件明确提出要对农村生态环境的突出问题进行治理。近年来，随着区域协同发展战略的深化，区域联动发展机制的逐步实施，带动了农业产业集群化发展、农业产业链区域延伸、农产品跨区域转移和农业生产技术的区域扩散，进而使各地农业碳关联也更为紧密，减排很难仅仅依靠某个地区的单方行动取得良好成效，必须通过区域协同减排才能从根本上解决问题。因此，整体把握中国农业碳排放区域关联网络的结构和特征，深入分析各地区在网络中的地位和作用，有利于明确各区域农业碳减排责任，突破减排壁垒，发挥减排连锁效应，最终通过区域协同减排达到事半功倍的效果。

近年来，碳排放空间关联引起了学者们的极大关注，利用空间计量模型和区域间投入产出模型研究区域碳关联的文献层出不穷。空间计量模型的代表学者有Cole等[3]、Yu等[4]、Dong等[5]、Li等6]、George等[7]，他们一致认为碳排放存在显著的空间集聚性和空间溢出效应，宏观上是由于各区域存在经济关联、技术关联和政策关联，微观上是由于能源消费行为的相似性和企业环境行为的模仿跟随效应;区域间投入产出模型的代表学者有Zhang[8]、Jiao等[9]，他们认为最终需求改变所带来的跨区域产出变动是引起碳关联的重要原因。部分学者认为碳排放存在复杂的网络关联结构[10-14]。随着中国产业融合的深化，农业产业重要性的进一步提升，农业碳排放及其衍生指标的空间关联引起了部分学者的兴趣。李秋萍等[15]构建空间Durbin模型对中国农业碳排放空间效应进行研究，发现中国农业碳排放存在明显的空间关联。孙赫等[16]发现中国土地利用碳排放强度在省级尺度上具有明显的空间集聚特征。吴贤荣等[17]发现中国省域农业碳减排潜力不仅与当地经济指标有关，还同其相邻地区的农业减排潜力显著相关。程琳琳等[18]发现省域农业碳生产率在空间上存在明显的溢出效应。Wu等[19]发现农业净排放存在明显区域收敛和区域关联。并且，大家一致认为农业经济发展、农业生产结构、农业技术创新、农业劳动力和城市化都是农业碳排放区域关联的重要原因[20-22]。

梳理国内外相关研究结果发现，学者们虽一致认为由于碳排放空间效应的存在，减排政策的实施必须在考虑地区碳关联和碳依赖的情况下，进行多方合作才能达到效果，但立足农业碳排放空间关联的研究仅占少数，且大都基于地理邻接关系或地理距离考察空间关联。随着中国区域协同发展战略的深入、农业经济发展模式的调整和三产融合步伐的加快，农业投入要素和农产品转移更加密切和复杂，农业碳排放空间关联关系也已超越了地理位置关系，突破了传统线性模式，呈现出复杂的网络结构特点。各地区在农业碳关联网络中扮演的角色以及农业碳排放在各区域主体间传递都是值得研究的问题，并且农业作为受自然禀赋条件限制较多的产业，与工业生产的地域灵活性不同。研究农业碳排放的区域关联可为中国建立长期的、可持续的区域协同减排机制，最终实现整体高效减排奠定坚实的基础。

1研究方法与数据来源

1.1农业碳排放总量测算方法

农业碳排放源包括5类： 一是农用能源;二是农地利用;三是反刍动物饲养;四是作物种植;五是农业废弃物。各类碳排放源均有细分项，参考IPCC测算方法，以细分项活动数据乘以碳排系数后相加，算得该类碳排放源的排放量，农业碳排放总量即为5类碳排放之和。最终，根据《IPCC第五次评估报告》[23]折算系数，将二氧化碳、甲烷和氧化亚氮3种排放气体折算成二氧化碳排放当量。测算所需排放因子主要参考赵欣等[24]、王智平[25]、Dyer等[26]、伍芬琳等[27]、 IPCC [28]、閔继胜等[29]、刘丽华等[30]的研究成果。

1.2农业碳排放空间关联度测算方法

根据1989年日本学者Kaya [31]提出的Kaya恒等式和Commoner [32]1992年提出的IPAT模型，将农业碳排放影响因素概括为农业劳动力、农业经济水平、农业生产技术和土地。采用修正引力模型测算农业碳排放区域关联度，公式如下：

yij为地区i对地区j的农业碳依赖度，Pi、Gi、Ti、Ai、Pj、Gj、Tj、Aj分别为地区i和地区j的农业劳动力规模、人均农业增加值、农业碳强度和耕地总面积，D2ij为地区i和j省会城市球面距离的平方，k为经验系数。经验系数用来调整地区间农业碳依赖程度，根据地区间农业碳转移量测算：

kij为地区i对地区j的农业碳依赖经验系数，cji为区域i调入区域j的农产品而转移的碳排放量，cij为区域j调入区域i的农产品而转移的碳排放量。地区间碳转移量c由区域间农产品转移额[33]与各地区农业碳强度相乘可得。

1.3社会网络分析法

1.3.1农业碳排放关联网络整体特征刻画指标利用网络密度、网络关联度、网络效率、网络等级和凝聚力指数刻画农业碳关联网络的整体特征。网络密度、网络关联度和凝聚力指数反映各省市农业碳关联关系的紧密程度，网络效率反映网络的稳健性和脆弱性，网络等级反映网络成员地位的不平等程度。各指标的取值范围均在0和1之间。

1.3.2农业碳排放关联网络中各省市的重要性测度由于各省市农业碳关联非对称，同时采用中心性和声望分析找到农业碳排放关联网络中“重要”的省市。中心性强调地区作为碳依赖者角色的重要性，包括度数中心性、接近中心性和中间中心性，分别测度各地区在碳关联网络中的活跃性、独立性和控制能力。声望强调各地区作为碳被依赖者的重要性，包括度数声望和邻近声望，度数声望衡量直接碳依赖，邻近声望兼顾直接和间接碳依赖。

1.3.3农业碳排放关联网络块模型分析为进行角色和地位分析，找到行动者组合，简化农业碳排放关联网络，分析农业碳排放的区域传递特征，利用迭代相关收敛法构建块模型将中国各省市分为不同的功能块。借鉴Stanley [34]的研究结果，角色划分见表1。

1.3.4农业碳排放区域关联原因的非参数回归农业碳排放空间关联与农业投入要素的空间关联密不可分，，QAP（Quadratic assignment procedure，二次指派程序）回归立足“关系”数据，推导农业碳关联的原因。因变量为农业碳排放空间关联矩阵，自变量从空间关联、经济关联和技术关联三方面选择，具体如下：

（1）区域空间邻接关系矩阵X：由各省市间铁路运行时间构成。

xij表示区域i和区域j之间的铁路运行时间。

（2）农业产业结构相似系数矩阵S：

Skj和Slj为地区k和l农业产值中j 行业占比，n为第一产业行业数量。

整体来看，八大板块农业碳排放依赖关系总数为358个，其中，板块间关系数为204个，板块内关系数为154个，农业碳排放的区域间溢出效应明显。其中，板块二、板块六和板块七块间关系数明显高于其他板块，占到块间关系总数的60%。

从板块地位来看，板块三的总关系数为7个，板块间关系数仅为3，实际内部关系比大于期望内部关系比，从前文分析结果可见，板块内网络密度为1，说明板块三在农业碳排放关联网络中既不太被板块外成员依赖，也不太依赖板块外成员，板块内的碳依赖关系比较活跃，处于孤立者地位，重要性排名靠后。

板块一和板块八总关系数分别为22个和30个，板块间关系数远高于板块内关系数，且实际内部关系比小于期望内部关系比，板块内密度在8个板块中排名最后，在农业碳排放关联网络中处于谄媚者角色，对板块外成员的碳依赖多于對板块内成员，且不太被板块外成员碳依赖。两板块内各省市的点出度都明显高于点入度，且重要性处于中下水平。板块二、四、五、六、七实际内部关系数均大于期望内部关系数，板块间关系也比较活跃，属于初级者地位，根据板块间发出关系和接受关系的大小进一步将其分类。

板块二、五、七为受益板块，三大板块的共同特征是板块间接受关系数小于发出关系数，说明其对板块外成员的农业碳依赖更强。其中，板块二和板块七发出关系和接收关系都较多，结合其中心性，两板块所含区域对农业碳关联网络的控制能力较强，可以看成类经纪人地位，在整个农业碳关联网络中起中介枢纽作用，同时板块内各成员也比较活跃。板块二含盖了北部沿海和黄河中游省市，侧重于接受北部和西部区域的关系，同时与除东北外的其余板块都有发出关系，有承接南北、通东达西的作用。板块七含盖了西南和南部沿海部分省市，侧重于接受西部和中部地区的关系，同时向东部沿海、长江中游和西部地区发出关系，有贯穿东西的作用。

板块四和板块六为贡献板块，特征是板块间接受的关系数远大于发出的关系数，说明其被较多的板块外成员依赖，两板块包含了长江中游地区和西北地区省市。长江中游地区是中国重要的农业集中地，规模大，品种多，而西北地区能源资源丰富，农业生产投入要素和产出的地区间转移使其在农业碳排放关联网络中扮演贡献者角色。八大板块分类结果见图5。从图5可见，网络中的谄媚者集中在发达的沿海地区和少量西部地区;贡献者主要是长江中游和西北地区，是中国主要的农业生产地区和资源丰富地区;类经纪人的分布相对分散，起着连接南北、贯穿东西的重要作用。

3农业碳排放区域关联原因的非参数QAP回归

3.1QAP相关性分析

从矩阵相关性（表4）可见，除能源结构相似性矩阵外，其余因素均显著与农业碳排放关联矩阵相关。能源结构相似性矩阵不显著的原因是农业碳排放组成中农用能源消耗引起的碳排放量相对较低，2006年到2017年全国农用能源消耗引起的农业碳排放在整个农业碳排放中平均占比仅为14.3%。

表5可见，除能源结构相似性矩阵外，其余影响因素间均显著相关。空间铁路运行时间越短，两地的经济联系越紧密，则跨区域龙头企业越多，产业结构越相似，技术差异性越小;产业结构越相似，技术水平差异越小，跨区域龙头企业越多;产业结构越相似，产品的跨区域流动也会更频繁，数量会更多。技术水平差异性和产品区域转移程度仅为0.10的显著度下负相关，说明产品转移更容易在技术水平差异小的区域间进行。

3.2QAP非参数回归分析

从表6可见，2006年到2017年各因素对农业碳排放区域关联的整体解释程度在55%左右，并且通过了0.01的显著性检验，除空间邻接关系和技术水平差异性系数估计结果为负外，其余因素的系数估计结果均为正，说明农业碳排放的区域关联密切度会受到区域间空间关联、经济关联和技术关联程度的影响。区域空间关联对农业碳排放地区关联的影响最为显著，而空间关联不是体现在空间距离上，而是体现在经济距离上，因为经济距离的拉近必然会促使两地间的交通更为便利。本研究的空间邻接矩阵用地区间铁路运行时间更好地印证了这一点，从估计系数来看，其对农业碳排放地区关联的影响程度较为稳定。经济关联除了会拉近地区间的时间距离外，也表现在区域产业集群化发展引起的产业结构更加相似，跨区域农业龙头企业数量更多，以及农产品和生产要素在便捷运输过程中转移更多，经济关系更为密切也使地区间农业碳排放更加相互依赖。技术水平相当的地区农业碳排放关系也越密切，说明跨区域的技术扩散效应可以使地区间农业碳排放关系加深，从而为地区间合作减排奠定基础。

4结论与启示

4.1结论

本研究基于2006-2017年中国各省（市、自治区）数据，以修正引力模型测算农业碳排放空间依赖，利用社会网络分析法，建立非参数回归模型，从空间网络视角考察各区域的网络功能，从空间关联、经济关联、技术关联三纬角度解释农业碳排放关联的深层次原因，主要研究结果如下：①农业碳排放网络稳定性高，区域排放溢出“等级森严”。中国农业碳排放网络板块间关系数明显大于板块内关系数，农业碳排放区域关联明显，整体网络密度并不太高，但网络稳定性高，且不平等程度也较高，中部地区处于支配和控制地位。②中部地区处于网络核心，西部重要性显著提升，东部重要性最低。长江中游和黄河中游对整体网络控制力较强，声望较高，处于网络核心;西南和西北地区声望仅次于中部地区，且对整体网络的控制能力也较强，两经济区的重要性有上升趋势;北部沿海和南部沿海在整体网络中比较活跃，度数中心性较高，但主要扮演依赖者角色;东北经济区相对独立，东部沿海最不重要。③农业碳排放网络八大板块所处角色和地位差异明显。京、津、辽代表的板块一和川、渝、藏代表的板块八为谄媚者，主要体现为板块间农业依赖关系;晋、蒙、冀、鲁、豫、陕代表的板块二和粤、云、桂、琼、贵代表的板块七为类经纪人角色，板块间接受和发出关系均较多，对网络控制力较强，起到中介作用;新、青、甘、宁代表的板块四和鄂、湘、皖、赣代表的板块六为贡献者角色，接受的关系数远大于发出的关系数;吉、黑代表的板块三为孤立者，板块间接受和发出关系都较少;浙、苏、闽、沪代表的板块五为受益者角色，对其他地区有较多发出关系。④空间关联、经济关联和技术关联三维关联均显著影响农业碳排放关联。区域空间距离、产业结构相似性、产品转移程度、跨区域农业龙头企业数量和技术水平差异性对农业碳排放区域关联的解释程度超过50%。随着区域协调发展的进一步加深，各区域空间距离将进一步缩短，经济联系将得以加强，生产要素、产品以及技术扩散的渠道更为通畅，农业碳排放区域关联也会增强。

4.2启示

地区间农业碳排放关联的增强使国家能够在全国一盘棋的整体思路下协调各方行动，达到1加1大于2的减排效果。农业碳排放关联的增强需要地区间空间、经济和技术三维关系的进一步加强。一方面依托中国综合交通运输体系的建设，缩短区域空间距离，另一方面增强区域间农业经济的交流合作，建立跨区域农业产业带或产业园，同时也要充分发挥减排技术扩散效应，在鼓励各地加大农业减排技术研发的同时，出台优惠政策，促进技术的区域间扩散，以技术源为中心，实现“水波式”溢出。

由于中国各地区在农业碳排放关联网络中所处地位和角色不同[37-39]，制定和分配减排任务时应充分考虑各区域碳排放的依赖。贡献者板块作为重要的农业碳排放承担者和接受者，应和受益者板块、谄媚者板块建立良好的长效互动机制，通过资金投入、技术转移、资源补偿等方式，增强其农业碳减排引领地位，进而提高受益者和谄媚者跟随型减排成效;类经纪人板块作为农业碳排放的传导者和中介者，应进一步激发其“管道”作用，通过政策引导，优化与其他地区的农业碳排放关联，充分发挥其减排传输功能;对于孤立者板块，需扩大其农业碳排放关联，使其密切融入农业碳排放关联网络，营造减排溢出的良好接受渠道。

参考文献：

[1]联合国环境规划署. 《全球升温1.5 ℃特别报告》发布，为气候变暖再敲警钟[EB/OL]. （2018-10-10）[2019-12-20].http：//www.tanpaifang.com/tanguwen/2018/1010/62363.html.

[2]李波，张俊飚，李海鹏.中国农业碳排放时空特征及影响因素分解[J].中国人口·资源与环境，2011（8）：80-86.

[3]COLE M， ELLIOTT A， ROBERT J R.The carbon dioxide emissions of firms：A Spatial analysis[J].Journal of Envionmental Economics and Management， 2013， 65：290-309.

[4]LIU Y， XIAO H W， PRECIOUS Z， et al. Carbon emissions in China： A spatial econometric analysis at the regional level[J].Sustainability，2014，6：6005-6023.

[5]DONG F， LONG R Y， LI Z L， et al. Analysis of carbon emission intensity，urbanization and energy mix：evidence from China[J].Nat Hazards，2016，82：1375-1391.

[6]LI L， HONG X F， TANG D L， et al. GHG emissions， economic growth and urbanization： A spatial approach[J].Sustainability，2016，10：123-126.

[7]GEORGE M， FRANKLIN A. Spatial analysis of emissions in Sweden[J].Energy Economics，2017，10：383-394.

[8]ZHANG Y G. Interregional carbon emission spillover-feedback effects in China[J].Energy Policy， 2017， 100：138-148.

[9]JIAO J L， YANG Y F， BAI Y. The impact of inter-industry R&D technology spillover on carbon emission in China[J].Nat Hazards，2018，91：913-929.

[10]MENG B， XUE J J， FENG K S， et al. Chinas inter-regional spillover of carbon emissions and domestic supply chains[J]. Energy Policy， 2013， 61：1305-1321.

[11]孙亚男，刘华军，刘传明，等.中国省际碳排放的空间关联性及其效应研究——基于SNA的經验考察[J].上海经济研究，2016（2）：82-92.

[12]杨桂元，吴齐，涂洋.中国省际碳排放的空间关联及其影响因素研究——基于社会网络分析方法[J].商业经济与管理，2016（4）：56-68.

[13]张翼.基于空间关联网络结构的中国省域协同碳减排研究[J].统计与信息论坛，2017（2）：63-69.

[14]WANG F， GAO M N， LIU J，et al. The spatial network structure of Chinas regional carbon emissions and its network effect[J]. Energies， 2018， 11：2706.

[15]李秋萍，李长建，肖小勇，等.中国农业碳排放的空间效应研究[J].干旱区资源与环境，2015（4）：30-35.

[16]孙赫，梁红梅，常学礼，等.中国土地利用碳排放及其空间关联[J].经济地理，2015 （3）：154-162.

[17]吴贤荣，张俊飚，程琳琳，等.中国省域农业碳减排潜力及其空间关联特征——基于空间权重矩阵的空间Durbin模型[J].中国人口·资源与环境，2015 （6）：53-61.

[18]程琳琳，张俊飚，田云，等.中国省域农业碳生产率的空间分异特征及依赖效应[J].资源科学，2016 （2）：276 -289.

[19]WU H Y， HUANG H J， TANG J.Net greenhouse gas emissions from agriculture in China： Estimation， spatial correlation and convergence[J]. Sustainability，2019，11：4817.

[20]MA D. Spatial heterogeneity and influencing factors of agricultural energy carbon emission efficiency in China—An empirical research of spatial panel data model[J]. Resour Dev Mark，2018，12：1693-1765.

[21]WU Y， FENG K.Spatial-temporal differentiation features and correlation effects of provincial agricultural carbon emissions in China[J]. Environ Sci Technol，2019，3：180-190.

[22]WANG J， ZHANG Y， TIAN Y，et al. Influencing factors and spatial spillover of agricultural carbon emissions in major grain producing areas in China[J]. J S Chin Agric，2019，7：1632-1639.

[23]PACHAURI K，MEYER A.Climate change 2014：Synthesis report[R]. Geneva：IPCC，2014.

[24]赵欣，龙如银.考虑全要素生产率的中国碳排放影响因素分析[J].资源科学，2010（10）：1863-1870.

[25]王智平.中国农田N2O排放量的估算[J].农村生态环境， 1997（2）：51-55.

[26]DYER J A， KULSHRESHTHA S N， MCCONKEY B G， et al. An assessment of fossil fuel energy use and CO2 emissions from farm field operations using a regional level crop and land use database for Canada[J]. Energy， 2010， 35（5）： 2261-2269.

[27]伍芬琳，李琳，张海林，等.保护性耕作对农田生态系统净碳释放量的影响[J].生态学杂志，2007 （12）：2035-2039.

[28]IPCC. Climate change 2007： The physical science basis： Working group Ⅰ contribution to the fourth assessment report of the intergovernmental panel on climate change[M]. New York： Cambridge University Press， 2007.

[29]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 （7）：21-27.

[30]刘丽华，蒋静艳，宗良纲.农业残留物燃烧温室气体排放清单研究：以江苏省为例[J].环境科学，2011 （5）：1242-1248.

[31]KAYA Y.Impact of carbon dioxide emission on GNP growth：interpretation of proposed scenarios[R].Paris：IPCC Energy and Industry Subgroup，1989.

[32]COMMONER B. Making peace with the planet[M].New York：New Press，1992.

[33]刘卫东，唐志鹏，韩梦瑶.2012年中国31省区市区域间投入产出表[M].北京：中国统计出版社，2018.

[34]STANLEY W. Social network analysis： Methods and applications[M]. Cambridge： Cambridge University Press， 1994.

[35]新華网 . 我国优化布局农业发展新空间[EB/OL]. （2016-12-04）[2019-12-31].http：//www.soozhu.com/wx/article/297884/.

[36]中国改革报我国草原畜牧业发展潜力巨大[EB/OL].（2018-07-25）[2019-12-31]. http：//www.crd.net.cn/2018-07/25/content_24734062.htm.

[37]赵先超，宋丽美，古黄玲. 基于GIS的湖南省农地利用碳排放时空格局研究[J].江苏农业科学，2019，47（9）：307-311.

[38]王珧，张永强，田媛，等. 我国粮食主产区农业碳排放影响因素及空间溢出性[J].南方农业学报，2019，50（7）：1632-1639.

[39]张治会，李全新. 基于解构模型的2000-2014年甘肃省碳排放核算与分析[J].江苏农业科学，2018，46（5）：257-260.

（责任编辑：张震林）