中国农业碳排放效率空间关联网络结构及驱动因素研究*

尚 杰, 吉雪强, 石 锐, 朱美荣**

(1.东北林业大学经济管理学院 哈尔滨 150040; 2.扬州大学商学院 扬州 225009)

温室气体排放所造成的全球变暖问题已经严重威胁人类的生存和发展, 碳排放已经成为世界主要国家的重要议题。我国在2021年《政府工作报告》中明确提出制定2030年前碳排放达峰行动方案, 反映了我国对于碳排放问题的高度关切, 也体现出该问题对于中国可持续发展的重要影响。碳达峰、碳中和目标实现的重要前提在于对碳排放情况的深入了解。农业是碳排放的重要来源, 现有研究指出农业生产造成的碳排放是全球温室气体增加的重要来源, 农业活动排放的二氧化碳(CO)更是占到人为温室气体的21%～25%。20世纪90年代以来, 中国农业碳排放量总体呈现增长态势, 农业活动温室气体排放占中国温室气体排放总量的17%, 同时农业活动更是甲烷(CH)和一氧化二氮(NO)排放的主要来源。可见, 农业碳排放是中国碳排放的核心议题之一, 中国碳达峰、碳中和目标的实现必须高度重视农业碳排放, 并采取有效措施, 推动农业碳减排。研究指出农业碳排放效率的提升是农业碳减排实现的重要渠道, 更是实现农业低碳转型的重要依据。为此, 就农业碳排放效率进行研究, 为农业碳减排提供有效对策, 是我国碳达峰、碳中和目标实现的重要途径。

学者们就农业碳排放效率进行了深入研究, 这些研究主要包括农业碳排放效率概念探讨、农业碳排放效率测算、农业碳排放效率影响因素分析、农业碳排放效率空间关系分析等。就农业碳排放效率的概念来看, 农业碳排放效率是在既定投入要素和经济产出条件下, 理论上可达到的最少碳排放与实际排放之比, 也有学者认为农业碳排放效率就是指碳排放约束下的农业生产率水平。而无论哪种概念, 其都是将农业碳排放作为农业生产活动的非期望产出进行考量, 以反映在碳排放这一非期望产出作用下农业生产经营过程中的投入产出关系。农业碳排放效率越高, 其在相同农业投入下所产出的经济价值越高或产生的碳排放越少, 越有利于地区农业低碳化发展。就农业碳排放效率的测算研究来看, 学者们主要通过DEA-Malmquist指数、SBMUndesirable模型等模型和方法对我国农业碳排放效率进行分析, 也有少部分研究将农业碳排放量与地区农业GDP进行比较以测度地区农业碳排放效率, 这些研究指出我国农业碳排放效率整体呈增长趋势, 但不同地区间存在差异。就农业碳排放效率的影响因素研究来看, 学者们就农业产业结构、财政支农力度、有效灌溉率、农业技术进步、城镇化水平、人力资本、农业机械化率、市场规模等多种因素对农业碳排放效率的影响进行了探讨。就农业碳排放效率空间分析来看, 学者们不仅就农业碳排放效率在地区间的分布情况进行了讨论, 更是进一步就农业碳排放效率的空间溢出效应、空间关联关系进行了分析, 其研究结果指出我国农业碳排放效率存在明显的空间效应, 对于农业碳排放效率的分析不仅应当考虑本地区情况, 还应当进一步考虑空间关系。

上述农业碳排放效率研究为我国农业碳排放问题的解决提供了有力的学术支撑, 具有较高的学术价值和实际意义, 并为本文农业碳排放效率的测度方法、指标体系等提供了参考。此外, 随着区域协调发展战略的深入, 农业碳排放效率空间关系分析的价值逐渐突显, 这些研究成果为协调发展下的区域农业碳减排活动提供了重要支持。

但是, 随着区域协调发展战略的进一步深入以及交通网络、信息网络的迅速发展, 地区间劳动力、资金、技术以及产品等要素流动加快, 地区产业、金融、消费的空间关联关系已经突破了地理邻近限制, 形成空间关联网络。碳排放作为社会经济活动的产物, 其空间效应也同样超越了地理邻近距离, 在全国范围形成空间关联网络。农业碳排放作为碳排放的重要构成, 也逐渐呈现出空间网络特征。在此背景之下, 农业碳排放效率的空间关系研究也应当进一步深入, 以探明区域协调发展下农业碳排放效率的新情况、新特征, 从而为区域协调发展下农业碳减排活动提供更多有益指导。虽然现有研究已经就农业碳排放效率空间关系进行了探讨, 对其空间收敛情况、空间溢出效应、空间关联关系进行了分析, 但是这些研究仍存在一些局限: 一方面现有研究仅考虑地理上的“邻近”或“相邻”空间效应, 缺乏整体性, 未考虑“非邻近”地区可能对农业碳排放效率产生的影响; 另一方面, 现有农业碳排放效率研究多基于反映省份自身性质的属性数据展开,少有研究基于反映两个或多个省份之间相互关系的关系数据进行探索, 这使得现有研究难以就农业碳排放效率空间关联网络的整体网络结构特征进行刻画, 而结构对于属性数据具有决定性的影响, 对于空间关联研究具有更大价值。这些局限的存在影响了区域农业碳排放效率协调提升, 更制约了区域农业协同减排活动的开展, 不利于我国碳达峰、碳中和目标的实现。

为此, 借鉴现有研究成果, 本文基于关系数据和网络视角, 以2010-2019年中国31个省(市、自治区)农业碳排放效率发展情况为研究对象(香港、澳门、台湾等地区的农业发展情况存在较大差异, 故未列为研究对象), 以非期望产出的SBM模型(SBMUndesirable模型)测度农业碳排放效率, 利用修改的引力模型构建农业碳排放效率空间关联网络引力矩阵, 应用社会网络分析法就空间关联网络的结构特征进行分析, 最后通过QAP模型(Quadratic Assignment Procedure模型)就驱动因素进行探索, 以期为区域农业协同减排活动提供参考和支持, 助力中国碳达峰、碳中和目标的实现。相对现有农业碳排放效率研究, 本研究实现了以下创新: 1)基于关系数据和网络视角就中国农业碳排放效率空间关联网络特征进行分析, 为中国农业碳排放效率研究开拓新的研究视角; 2)综合利用非期望产出SBM模型、引力模型、社会网络分析法、QAP模型, 实现了中国农业碳排放效率研究方法的拓展。

1 研究方法、数据来源

1.1 农业碳排放效率测度方法

1.1.1 非期望产出SBM模型

本文利用非期望产出SBM模型对农业碳排放效率进行测度, 该模型由Tone在2001年提出, 在农业碳排放效率测度中得到了较广泛应用, 由于该模型已经被学界熟知, 为此对其公式不进行详细介绍。

1.1.2 农业碳排放效率投入产出指标体系

本文借鉴前人研究, 构建中国31个省(市、自治区)农业碳排放效率投入产出指标体系(表1)。该指标体系将农业生产活动所涉及的劳动力、土地、化肥、农药、农膜、农业机械动力、农业灌溉等因素作为投入指标, 将农业总产值作为期望产出指标,将农业活动所造成的碳排放作为非期望产出指标。

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

其中农业从业人员的计算借鉴研究成果, 利用公式第一产业从业人员×农业GDP/农林牧渔业GDP进行计算。农业碳排放量的计算主要参考文献[29-30],包含了稻田的CH排放, 化肥和土壤引起的NO排放, 农田土壤、化肥、农药、农业机械和农业灌溉所产生的CO排放, 化肥引起的NO排放利用各省(市、自治区)的施用氮肥和复合肥总数计算。参考文献[29-31]的做法, 在与相关专家商议后, 本文决定仅考虑农业生产本身所产生的温室气体, 未将秸秆等农业废弃物燃烧等活动所产生的CO纳入碳排放量中。在计算后, 参考文献[30]的方法, 将CH、NO折合为CO当量。碳排放量具体计算系数及过程见文献[29-30]。

1.2 空间关联网络结构分析方法

1.2.1 修改的引力模型

为了解中国31省(市、自治区)农业碳排放效率是否具有空间网络特征, 需要先构建引力矩阵。参考文献[32]引入修正的引力模型对中国31省(市、自治区)农业碳排放效率的空间关联引力强度进行测度。其计算公式为:

1.2.2 社会网络分析法

社会网络分析法是基于“关系数据”就关系网络进行分析的科学方法, 在多个领域得到了广泛的应用。参考现有空间关联网络结构研究, 本文利用社会网络分析法对31个省(市、自治区)农业碳排放效率空间关联网络结构特征进行分析。

1)空间关联网络整体结构特征。该特征主要利用网络关系数、密度、关联度、等级度、效率5个指标进行分析, 详细公式及其内涵见文献[33-34]。其中网络关系数、网络密度反映空间关联网络内各节点的关联强度, 即各节点在空间关联网络中相互作用的强度。当网络关系数越多, 网络密度越大, 说明31个省(市、自治区)农业碳排放效率的关联性越强, 各省(市、自治区)的农业碳排放效率相互间产生的影响也更强; 网络关联度则是反映空间关联网络的稳健性, 当其为1时说明31个省(市、自治区)农业碳排放效率具有空间网络效应, 且该空间关联网络稳健性强; 网络等级度反映31个省(市、自治区)农业碳排放效率的地位差异, 等级度越高, 说明该空间关联网络中形成的等级地位差异越大; 网络效率反映空间关联网络的稳定情况, 网络效率越低, 31个省(市、自治区)农业碳排放效率空间关联网络越稳定。

2)空间关联网络个体结构特征。该特征主要利用点度中心度、接近中心度和中介中心度3个指标进行分析, 详细公式及其内涵见文献[33-34]。在研究中, 当一个省(市、自治区)的点度中心度越高, 表明该省(市、自治区)距31个省(市、自治区)农业碳排放效率空间关联网络中心越近, 其对其余网络节点的作用越强; 当一个省(市、自治区)的接近中心度越高, 表明其在31个省(市、自治区)农业碳排放效率空间关联网络中与其他省(市、自治区)的距离越近; 当一个省(市、自治区)的中介中心度越高,该省市对31个省(市、自治区)农业碳排放效率空间关联网络中其他省(市、自治区)的农业碳排放效率的控制和调节作用越强。

3)空间关联网络聚类结构特征分析。本文通过块模型分析法探讨中国31省(市、自治区)农业碳排放效率空间关联网络各个板块在网络结构中的角色与作用。参考程慧等的评价规则对中国31个省(市、自治区)农业碳排放效率空间关联网络进行聚类分析。将中国31个省(市、自治区)农业碳排放效率空间关联网络划分为4个板块, 板块的属性根据其板块内外部接收和发出关系数与板块内部成员数判断而来(表2)。

images/BZ_57_200_601_2221_842.pngimages/BZ_57_468_893_700_931.pngimages/BZ_57_1062_893_1564_931.pngimages/BZ_57_1754_893_2125_931.pngimages/BZ_57_200_966_2221_1099.png

1.3 QAP模型

由于研究所涉及变量均为关系数据, 变量间可能存在多重共线性, 同时也难以判定干扰项是否服从正态分布, 而QAP模型不需要独立性与正态分布假定, 运用QAP模型对关系数据进行分析所得的结果更为稳健。为进一步揭示中国31个省(市、自治区)农业碳排放效率空间关联网络演变的内在驱动力, 参考现有研究成果, 本文以最接近的2019年为研究对象, 构建QAP模型如下:

式中: 因变量GL为中国31省(市、自治区)农业碳排放效率空间关联网络矩阵, 自变量为科技水平差异矩阵(K)、交通运输水平差异矩阵(J)、居民收入差异矩阵(S)、第一产业产值差异矩阵(Z)、第一产业比重差异矩阵(B)、信息化水平差异矩阵(X)、地区人口差异矩阵(P)、空间邻接矩阵(C)。

其中科技水平所使用指标为各省(市、自治区)的研究与试验发展经费; 交通运输水平所使用指标为各省(市、自治区)的货运量; 居民收入所使用指标为各省(市、自治区)的居民人均收入值; 第一产业产值所使用指标为各省(市、自治区)的第一产业产值; 第一产业比重所使用指标为各省(市、自治区)的第一产业产值与地区生产总值之比; 信息化水平所使用指标为各省(市、自治区)的邮电业务总量;地区人口所使用指标为各省(市、自治区)的年末人口数量; 空间邻接关系采用0-1法则, 若两省市邻接则记为1, 否则记为0。

1.4 数据来源

基础数据来源于《中国统计年鉴》 《中国农业年鉴》 《中国农村统计年鉴》。其中, 各省(市、自治区)间距离利用ArcGIS软件distance功能, 结合各省会(直辖市为本市坐标)地理坐标进行计算。

2 中国农业碳排放效率分析

本文利用PRO DEA SOLER 5.0软件, 基于上文提出的农业碳排放效率投入产出指标体系, 应用非期望产出SBM模型进行计算, 得到2010-2019年中国31省(市、自治区)农业碳排放效率(表3)。

表3 2010—2019年中国31个省(市、自治区)农业碳排放效率Table 3 Agricultural carbon emission efficiency in 31 provinces (cities, autonomous regions) of China from 2010-2019

由表3,可 知 2010-2019年间, 中国31个省(市、自治区)农业碳排放效率均值由0.400增长至0.756,增长了88.8%, 表明在这10年间, 中国大陆农业低碳化发展得到了长足进步, 在碳排放约束下, 同样的农业投入得到了更多的农业经济产出; 或者说在同样的投入和农业经济产出下, 农业碳排放量相对减少,这反映出中国农业生产与环境保护的协调发展。究其原因, 一方面是农业科技发展下农业生产效率的提升, 随着农业信息技术、新型农业器械、优良农种等相关农业科技的推广和应用, 农产品单位面积产量得到了提高; 另一方面随着农业面源污染攻坚战的进行, 在政策指导和市场绿色消费引导下, 在绿色农业相关技术的支持下, 农业生产对化肥、农药、农膜的依赖程度下降, 减少了农业碳排放。就不同省(市、自治区)情况来看, 2019年福建、广东、贵州、海南、湖北、陕西、青海、上海、四川、天津、新疆、浙江等省(市、自治区)农业碳排放效率为1，达到了效率前沿面, 其中福建、广东、上海、天津、浙江等地较高的农业碳排放效率可能多依靠其先进的农业技术支持和严格的农业污染政策制约;陕西、青海、新疆等则更多依托土地供给和农业规模化经营提升农业经济产出, 从而得以实现较高的农业碳排放效率; 至于湖北省可能依托其较为充足的农业劳动力以及优良的水热条件实现较高的农业经济产出, 此外, 其对于农业污染问题的高度重视也有效制约了农业碳排放的增加; 海南省可能主要得益于较好的光热水等自然条件。而安徽、黑龙江、江西、西藏、内蒙古、云南等省(市、自治区)的农业碳排放效率在2019年仍低于0.500, 其中西藏、内蒙古主要是因为其农业生产活动较少, 且受到自然环境制约而造成农业经济产出较低; 安徽、江西、云南则可能是受到农业技术制约; 黑龙江省虽然具有较为肥沃的土壤以及广阔的土地, 但其农业生产易受到寒冷天气影响。整体上而言, 在研究区间内,中国31个省(市、自治区)农业碳排放效率提升较大, 但仍有一定的提升空间, 不同省(市、自治区)间存在较大差距。

3 中国农业碳排放效率空间关联网络结构分析

以中国31个省(市、自治区)农业碳排放效率(表3)作为构建空间关联矩阵的基础数据, 结合公式(1)测算获得的引力构建中国31个省(市、自治区)农业碳排放效率空间关联二值矩阵(GL), 而后应用社会网络分析工具Ucinet软件制作中国31个省(市、自治区)农业碳排放效率的空间网络拓扑图, 并进行空间网络结构分析。研究选取2010年、2013年、2016年、2019年4个年份为代表进行图像展示(图1)。可以看出中国31个省(市、自治区)农业碳排放效率已经突破了传统的空间地理邻近溢出属性, 网络中没有孤立点, 整体呈现出复杂的空间关联网络特征。

图1 2010—2019年中国31个省(市、自治区)农业碳排放效率空间网络拓扑图Fig.1 Topologies of agricultural carbon emission efficiency in 31 provinces (cities, autonomous regions) of China from 2010 to 2019

3.1 农业碳排放效率空间关联网络整体特征分析

利用Ucinet 6.0软件, 计算得到2010-2019年中国31个省(市、自治区)农业碳排放效率空间关联网络整体特征指标(表4)。

表4 2010—2019年中国31个省(市、自治区)农业碳排放效率空间关联网络整体特征指标Table 4 Overall characteristic indexes of spatial correlation network in 31 provinces (cities, autonomous regions) of China from 2010-2019

从表4可知, 中国31个省(市、自治区)农业碳排放效率空间关联网络的网络关系数呈现波动上升的趋势, 从2010年的121个上升至2019年的211个,增加了74.4%, 其中最高值为2016年的229个。就网络密度而言, 其同样呈现出波动上升趋势, 从2010年的0.130上升至0.227, 提升74.6%, 其中最高值为2016年的0.246。根据网络关系数和网络密度的变化可知, 2010-2019年间中国31个省(市、自治区)农业碳排放效率空间关联网络的关联强度提升, 各省(市、自治区)农业碳排放效率间的相互作用得到强化。究其原因, 一方面得益于逐步完善的市场经济体制, 使得农业生产经营要素能够在全国范围得到便捷流通; 另一方面, 中国交通网络、信息网络的迅速发展, 也进一步为各省(市、自治区)间农业技术扩散、农业劳动力转移、农业投资拓展等活动提供了支持, 加强了各省(市、自治区)农业生产经营间的关联, 为农业碳排放效率空间关联关系的形成提供了保障; 此外, 在这10年间, 长江经济带、粤港澳大湾区等区域发展战略的实施, 加快了区域内部协调发展的速度, 也为全国范围各类涉农要素的流动提供了动力和支持。虽然, 在研究区间内中国31个省(市、自治区)农业碳排放效率空间关联网络的网络关系数得到了较大提升, 但是相对于最大可能关系总数930个(31×30), 仍有着较大差距, 因此中国农业碳排放效率空间关联关系还有着巨大的提升空间。

由表4可知, 2010-2019年间中国31个省(市、自治区)农业碳排放效率空间关联网络的网络关联度皆为1, 显示出中国各省(市、自治区)均被纳入农业碳排放效率空间关联网络之中, 表明这一空间关联网络的网络结构稳健, 各省(市、自治区)的农业碳排放效率实现了相互连接, 农业碳排放效率的空间溢出效应范围较广, 不仅仅局限于邻近范围。就网络等级度来看, 中国31个省(市、自治区)农业碳排放效率空间关联网络的网络等级度波动较大, 由2010年的0.458下降至2019年的0.293, 下降36.0%,其中最高值为2012年的0.506, 最低值为2015年和2018年的0.181, 整体呈现震荡下降趋势, 反映出中国31个省(市、自治区)农业碳排放效率空间关联网络内部森严的等级结构瓦解, 而随着这一进程的发展, 各省(市、自治区)农业碳排放效率间的相互联系和影响得到加强。究其原因可能是在市场、交通、信息、政策等因素影响下, 农业碳排放效率相关的农业劳动力、资金、农业技术等因素得以在全国范围内实现协调配置, 缩小了各省(市、自治区)间农业碳排放效率差距。就网络效率而言, 中国31个省(市、自治区)农业碳排放效率空间关联网络的网络效率整体呈下降趋势, 由2010年的0.837下降至2019年的0.692, 下降17.3%, 表明中国31个省(市、自治区)农业碳排放效率空间关联网络的稳定性得到增强, 其原因可能是由于国家社会经济发展协调性的增强, 使得各省(市、自治区)农业碳排放效率间的关联关系不断增多, 各节点间关联线的增多使得整个网络越发紧密, 从而实现稳定提升。

3.2 农业碳排放效率空间关联网络个体结构特征

利用Ucinet 6.0软件计算得到2019年中国31省(市、自治区)农业碳排放效率空间关联网络个体结构特征指标(表5)。

由表5可知, 2019年中国31个省(市、自治区)农业碳排放效率空间关联网络的点度中心度均值为35.269。其中北京、福建、甘肃、贵州、湖北、江苏、山西、陕西、上海、天津、浙江等11个省(市、自治区)的点度中心度高于均值, 表明这些省(市、自治区)在中国31个省(市、自治区)农业碳排放效率空间关联网络中相对其余省(市、自治区)更为接近网络中心位置, 与其他节点省(市、自治区)有着较多的联系, 这些省(市、自治区)对于整体网络的形成与稳定发展起着关键作用。其中北京、福建、江苏、上海、天津、浙江等省市属于我国的经济发达地区, 这些地区农业技术先进, 经济发展较快, 且有着便捷的交通网络, 这使得其能够通过农业技术转移、农业资金投资、吸收农业劳动力等方式对其他省(市、自治区)农业经济产出产生重要影响; 此外, 这些地区由于人口密集且人均收入较高, 是农产品的重要消费地区, 其逐渐形成的绿色消费习惯也会对其他省(市、自治区)的农业生产经营产生反向影响, 使其减少化肥、农药施用, 从而降低农业碳排放量。甘肃、贵州、山西、陕西、湖北等省份则主要得益于其地理位置, 如甘肃和陕西处于我国西北诸省(市、自治区)的中间位置, 贵州位于西南诸省(市、自治区)的中间位置, 湖北位于中部诸省(市、自治区)的中间位置, 山西省周边也围绕着内蒙古、河南、陕西、河北等省(市、自治区), 使得这些省(市、自治区)能够借助交通与信息网络与周边省(市、自治区)形成较好的要素交流, 从而在空间关联网络中处于较为接近网络中心的位置。此外, 北京、江苏、上海、天津、浙江等省市的点入数要远远超过点出数, 反映出其在网络之中获取了较多要素, 处于净受益状态。

由表5可知, 2019年中国31个省(市、自治区)农业碳排放效率空间关联网络的接近中心度均值为25.802。其中北京、福建、甘肃、贵州、江苏、青海、山西、上海、天津、浙江等10个省(市、自治区)的接近中心度高于均值, 说明这些省(市、自治区)易与其他省(市、自治区)产生空间关联。其中,北京、福建、江苏、上海、天津、浙江处于东部地区, 经济发达, 信息技术先进, 且交通完善, 涉农资金、农业技术、农产品等要素在这些地区进行投资、扩散、流通, 使得这些省(市、自治区)能够与其他省(市、自治区)较快产生空间关联。甘肃、贵州、青海、山西等则是由于其处于一定区域的较中心位置,与周边省(市、自治区)有着较好的要素交流渠道,从而能够通过输出劳动力等要素以及吸收先进农业技术而与网络中的其他省(市、自治区)尤其是其周边的省(市、自治区)产生关联。

由表5可知, 2019年中国31个省(市、自治区)农业碳排放效率空间关联网络的中介中心度均值为3.333。其中福建、甘肃、贵州、海南、江苏、山东、山西、陕西、上海、新疆、浙江等11个省(市、自治区)的中介中心度高于均值。表明这些省(市、自治区)在空间网络之中能够较好地影响和控制劳动力、资金等资源与技术的流动, 并进一步对其他省(市、自治区)的农业碳排放效率产生调节和制约作用, 是中国31个省(市、自治区)农业碳排放效率空间关联网络之中的“桥梁”。福建、江苏、上海、浙江等省市凭借其经济、技术优势通过输出农业技术、资金等方式推动其他省(市、自治区)农业经济产出增加, 或通过扩散绿色农业技术或绿色农业经营管理经验减少其他省(市、自治区)农业生产经营活动的碳排放量; 甘肃、贵州、海南、山西、新疆等省(市、自治区)则是通过输出劳动力或农产品等方式与周边等省(市、自治区)产生空间关联。

表5 中国31个省(市、自治区)农业碳排放效率空间关联网络结构中心性分析Table 5 Structural central analysis of the spatial correlation network of agricultural carbon emission efficiency in 31 provinces(cities, autonomous regions) of China

3.3 农业碳排放效率空间关联网络聚类结构特征

研究利用CONCOR算法对中国31个省(市、自治区)农业碳排放效率空间关联网络进行分析, 将其划分为4个板块(表6)。

表6 中国31个省(市、自治区)农业碳排放效率空间关联板块划分Table 6 Division of spatial correlation plates of agricultural carbon emission efficiency in 31 provinces (cities, autonomous regions)of China

中国31个省(市、自治区)农业碳排放效率空间关联网络板块间内部关系数共37个, 占2019年网络总关系数的17.5%, 板块外关系数共174个, 占2019年网络总关系数的82.5%, 显示出各省(市、自治区)农业碳排放效率间存在着空间集聚效应和空间溢出现象。其中第1板块包括安徽、江西等9个省(市、自治区), 其板块内关系数为11个, 板块外接收关系数34个, 板块外发出关系数68个, 期望内部关系比例大于实际内部关系比例, 属于净溢出板块,其中安徽、江西、云南、广西、贵州、河南、湖南等省(市、自治区)可能向其他板块输出劳动力、农产品等要素, 而广东、重庆则更多是技术或资金的输出; 第2板块包括山西、西藏等6个省(市、自治区), 其板块内关系数为5个, 板块外接收关系数37个, 板块外发出关系数31个, 期望内部关系比例大于实际内部关系比例, 属于经纪人板块, 其与板块内外部成员都有着密切的空间关联, 在整个农业碳排放效率空间关联网络之中充当着要素沟通的纽带; 第3板块包含上海、福建等8个省(市、自治区), 其板块内关系数为16个, 板块外接收关系数93个, 板块外发出关系数32个, 期望内部关系比例小于实际内部关系比例, 属于净受益板块, 主要享受着其他板块的要素输入; 第4板块包含辽宁、内蒙古等7个省(市、自治区), 板块年内关系数为5个, 板块外接收关系数10个, 板块外发出关系数43个, 期望内部关系比例大于实际内部关系比例, 也属于净溢出板块, 这些地区大多是我国重要的农产品输出省(市、自治区)。

在此基础上, 进一步运用凝聚子群分析路径, 计算得中国31个省(市、自治区)农业碳排放效率空间关联网络的密度矩阵, 而后将密度矩阵中大于2019年中国31个省(市、自治区)农业碳排放效率空间关联网络密度(上文测得0.227)的元素记为1,反之为0, 得到像矩阵(表7)。由表7可知, 第1、2板块农业碳排放效率向第3板块产生空间溢出, 第3板块农业碳排放效率向第1板块产生一定的空间溢出, 第4板块农业碳排放效率的空间溢出效应主要影响第2板块。整体上来看, 东部沿海地区是农业碳排放效率空间溢出的主要目的地。

表7 中国31个省(市、自治区)农业碳排放效率空间关联板块的密度矩阵和像矩阵Table 7 Density matrix and image matrix of the spatial correlation plate of agricultural carbon emission efficiency in 31 provinces(cities, autonomous regions) of China

4 中国农业碳排放效率空间关联网络驱动因素分析

4.1 QAP相关性分析

在进行QAP回归分析之前, 研究首先利用Ucinet 6.0软件进行QAP相关性分析, 以了解各解释变量与中国31个省(市、自治区)农业碳排放效率空间关联网络矩阵之间的相关情况(表8)。其中, 交通运输水平差异矩阵(J)、第一产业产值差异矩阵(Z)、第一产业比重差异矩阵(B)、地区人口差异矩阵(P)、空间邻接矩阵(C)与中国31个省(市、自治区)农业碳排放效率空间关联网络矩阵(GL)显著相关(至少在P＜0.1的统计水平), 相关系数为正, 说明各省(市、自治区)间的交通运输水平差异、第一产业产值差异、第一产业比重差异、地区人口差异有利于推进31个省(市、自治区)农业碳排放效率空间关联网络形成, 此外, 各省(市、自治区)间的空间距离在该年对中国31个省(市、自治区)农业碳排放效率空间关联网络的形成发挥了重要作用。居民收入差异矩阵(S)在P＜0.05的统计水平与中国31个省(市、自治区)农业碳排放效率空间关联网络显著相关, 其系数为负, 表明在这一年, 相似的居民人均收入能够促进中国31个省(市、自治区)农业碳排放效率产生空间关联。此外, 由表8可知, 大部分解释变量之间存在着显著的相关关系, 为此, 有必要利用QAP回归方法进行分析, 以减少多重共线性的影响。

表8 中国31个省(市、自治区)农业碳排放效率空间关联网络矩阵相关性分析Table 8 Correlation analysis of the spatial correlation network of agricultural carbon emission efficiency in 31 provinces(cities, autonomous regions) of China

4.2 QAP回归分析

基于公式(3), 利用Ucinet 6.0软件进行QAP回归分析(表9)。

表9 中国31个省(市、自治区)农业碳排放效率空间关联网络矩阵回归分析Table 9 Regression analysis of spatial correlation network matrix of agricultural carbon emission efficiency in 31 provinces (cities,autonomous regions) of China

其中, 交通运输水平差异矩阵(J)在P＜0.05的统计水平显著, 其系数为正。表明各省(市、自治区)交通运输水平的差距能够促进中国31个省(市、自治区)农业碳排放效率空间关联网络的形成。当交通运输水平存在差异时, 交通运输水平较好的省(市、自治区)能够更好地从其他省(市、自治区)获取农产品、劳动力等农业生产经营要素, 从而促进省(市、自治区)间的要素流通, 强化空间关联。

居民收入差异矩阵(S)在P＜0.05的统计水平显著, 其系数为负。表明各省(市、自治区)居民收入情况越相似, 越有利于推动中国31个省(市、自治区)农业碳排放效率空间关联网络形成。居民人均收入水平反映出各省(市、自治区)的经济发展水平差异。当居民收入水平差异较小时, 各省(市、自治区)间的经济发展阶段相似性较高, 其农业发展基础、农产品需求情况、环境保护要求等有着较为相似的需要, 从而使得劳动力、资金、技术能够较为便捷地在这些阶段相似的省(市、自治区)间流动, 从而加强农业碳排放效率的空间关联。

第一产业产值差异矩阵(Z)在P＜0.1的统计水平显著, 其系数为正。表明各省(市、自治区)第一产业产值的差距能够促进中国31个省(市、自治区)农业碳排放效率空间关联网络的形成。第一产业产值差距越大, 各省(市、自治区)间农产品流动可能性越大, 这在现实中表现为农业大省的农产品向全国其他省(市、自治区)的供应, 而随着农产品贸易的扩散, 各省(市、自治区)间空间关联不断强化。

信息化差异矩阵(X)在P＜0.1统计水平显著, 其系数为负。表明各省(市、自治区)信息化水平越相似, 越有利于推动中国31个省(市、自治区)农业碳排放效率空间关联网络形成。其原因可能在于相似的信息化水平更有利于信息、技术、资金的转移,尤其是农业信息化技术的转移需要一定的信息产业基础, 而相似的信息化水平意味着相近的产业基础和人员素质。随着农业信息和技术的转移, 农业相关各要素的交流也得到增强, 从而强化了农业碳排放效率的空间关联。

空间邻接矩阵(C)在P＜0.01统计水平显著, 其系数为正。表明中国31个省(市、自治区)农业碳排放效率空间关联网络存在着“俱乐部趋同”现象,省(市、自治区)之间的空间距离越近, 农业碳排放效率越容易发生空间关联。其原因在于, 距离越近,越能实现各类农业要素的交流与配置。

5 讨论

上文分析结果指出中国31个省(市、自治区)农业碳排放效率空间关联网络特征明显, 这表明随着中国信息网络、交通网络的不断完善, 农业碳排放效率相关要素实现了有效的沟通和交流; 此外, 在研究期间内, 该空间关联网络的网络关联性增强, 反映出信息和交通网络完善基础上农业碳排放效率相关要素互动的强化。而空间关联网络的驱动因素分析指出, 交通运输水平、居民人均收入、第一产业产值、信息化水平、空间距离对农业碳排放效率空间关联网络形成产生了重要影响, 这一结果为相关政策制定者提供了改善农业碳排放效率空间关联网络的可行渠道。就本研究分析结果的实际意义而言,能够为相关碳排放问题的解决提供一些有益的思路:在提升农业碳排放效率时, 既要考虑其地区内部影响以及周边地区作用, 也要重视跨区域的网络效应。

就方法应用而言, 本研究在参考现有成果的基础上, 综合利用非期望产出SBM模型、社会网络分析法、QAP模型等模型和方法, 实现了关系数据视角下农业碳排放效率空间关联网络结构分析及其驱动因素的探讨, 弥补了现有农业碳排放效率研究存在的部分局限。但是, 现有方法仍存在可改进空间,如本文仅利用社会网络分析法对2019年的农业碳排放效率空间关联网络的个体结构特征和聚类机构特征进行了分析, 在驱动因素的探讨上, 也仅利用QAP模型对2019年农业碳排放效率空间关联网络的驱动因素进行了研究, 这虽然也是现有研究成果的一般做法, 但未能反映出空间关联网络结构在不同时间节点的个体结构特征和聚类结构特征变化。为此,如何实现不同时间节点空间关联网络结构分析, 这仍有待进一步的深入探讨。

6 结论与启示

6.1 结论

在对2010-2019年间中国31个省(市、自治区)农业碳排放效率进行测度的基础上, 利用社会网络分析法对中国31个省(市、自治区)农业碳排放效率空间关联网络结构进行分析, 并利用QAP模型对该网络的驱动因素进行探讨, 得到主要结论如下:

1)在研究期间内, 中国31个省(市、自治区)农业碳排放效率得到较快提升, 但是仍有一定改进空间, 且各省(市、自治区)间存在较大差距; 此外, 中国31省(市、自治区)农业碳排放效率的空间效应突破了传统的空间地理邻近限制, 在全国范围呈现空间关联网络特征。

2)在研究期间内, 中国31个省(市、自治区)农业碳排放效率空间关联网络的网络关联性增强, 其网络关系数、网络密度增加, 同时网络内部森严的等级关系逐渐松散, 网络结构的稳定性也得到较大提升。此外, 中国31个省(市、自治区)农业碳排放效率空间关联网络形成了多个网络中心, 这些网络中心对空间关联网络的形成发挥了重要作用, 并对其余省(市、自治区)农业碳排放效率产生影响和控制。整体上, 东部沿海地区是中国31个省(市、自治区)农业碳排放效率空间关联网络空间溢出的主要目的地。

3)交通运输水平、居民人均收入、第一产业产值、信息化水平、空间距离对于中国31个省(市、自治区)农业碳排放效率空间关联网络的形成产生重要的影响。其中交通运输水平差异和第一产业产值差异有利于推动空间关联网络的形成; 相似的居民人均收入和信息化水平以及相近的空间距离能够更好地促进空间关联网络形成。

6.2 启示

农业碳排放效率问题对于我国碳达峰、碳中和目标的实现有着重要意义, 结合研究结论, 下面就本研究对碳排放问题的启示进行探讨。

1)中国农业碳排放效率内部存在差距, 有着一定的改进空间, 且呈现出复杂的空间关联网络特征。为此, 在制定农业碳排放效率提升政策时, 一方面,要重视区域间协同减排活动的开展, 以农业碳排放效率先进地区为中心, 设计跨区域低碳农业技术、经验交流协作机制, 以缩小各省(市、自治区)间农业碳排放效率的差距; 另一方面, 应当充分利用农业碳排放效率所具有的空间关联网络特征, 通过强化交通网络、完善投资网络、提升信息交流等方式强化各省(市、自治区)的空间关联, 并通过发挥网络中心省(市、自治区)对各省(市、自治区)农业碳排放效率的影响, 实施重点突破, 以点带面, 提升农业碳排放效率, 以推进农业碳减排活动的开展。

2)中国农业碳排放效率空间关联网络关联性增强, 形成多个网络中心, 其中东部地区是网络中各省(市、自治区)农业碳排放效率空间溢出目的地。为此, 要结合各省(市、自治区)在空间关联网络中的地位差异, 制定针对性的农业碳排放效率提升策略。一方面, 位于网络中心的经济发达、技术先进且作为空间溢出主要目的地的东部省(市), 既要充分发挥其科技人才优势, 推进现代低碳农业发展, 并不断优化农业技术装备, 积累低碳农业先进经验, 以进一步提升本地区农业碳排放效率, 同时要借助其对其他省(市、自治区)的影响渠道, 通过倡导绿色消费、进行低碳农业宣传等方式倒逼农产品生产改善及扩散低碳农业观念, 以带动其他省(市、自治区)提升农业碳排放效率。另一方面, 就位于网络中心的其他省(市、自治区)而言, 应当通过吸收东部地区先进技术与经验等方式以积极发展本地低碳农业, 并通过提供生态农产品等符合低碳农业要求的绿色产品, 满足绿色消费需求并带动地区农业发展; 此外,就网络边缘省(市、自治区)而言, 既要通过执行严格的环境规制措施或者增加生态补偿等方式推动低碳农业发展, 以降低农业碳排放量, 同时, 也要积极吸纳先进技术、经验以提升农业生产效率和降低农业污染。

3)中国31个省(市、自治区)农业碳排放效率空间关联网络的形成受到多种因素影响。为此, 要充分利用这些驱动因素, 增强农业碳排放效率空间关联。一方面, 增强信息、交通网络对农业要素流通的支持, 要重视交通网络的优化和提升信息化水平, 进一步增强优势地区交通运输能力, 并加快推进各省(市、自治区)农业信息化发展, 以保障劳动力、资金、技术、农产品等要素在全国范围实现高效流通, 强化空间关联; 另一方面, 要加强农产品市场与产地联系, 既要多渠道推进地区经济发展, 提升居民收入水平, 以增强其农产品消费能力、提升其消费层次, 使其培养绿色产品消费习惯, 又要发挥农业产值较高省(市、自治区)农业生产优势, 通过选用优种、测土施肥、施用有机肥等方式提升其农产品产量和质量, 增强绿色产品供应, 以满足市场不断增加的农产品消费需求和质量要求。

本文相对现有农业碳排放效率研究, 在研究视角和研究方法方面实现了拓展, 并为我国农业碳排放效率问题的解决提供了一些启示, 具有一定的学术价值和实践价值。但是, 本文仍存在一些局限, 如本文在参考现有研究方法的基础上对最近年份的农业碳排放效率空间关联网络的结构及其驱动因素进行了分析, 并得到一些有益结果, 但是这些结构特征和驱动因素是否在各年份皆是如此？这点有待进一步考究。此外, 各驱动因素对空间关联网络影响的具体作用机理也有待进一步深入探讨。由于研究进展影响, 这些局限在本文都没有得到较好的解决, 但是这些问题在后期工作中都将得到重视。