农业机械化对农业碳排放强度影响的空间溢出效应——基于282个城市面板数据的实证

徐清华，张广胜

（1. 沈阳农业大学经济管理学院，辽宁沈阳100866；2. 辽宁大学商学院，辽宁沈阳110136）

温室效应带来的极端天气给农业生产造成的经济损失逐年增加，农业碳减排越来越得到政策制定者和学者关注。2016年《“十三五”控制温室气体排放工作方案》首次将农业碳减排目标提到重要位置，《“十四五”全国农业绿色发展规划》重申了挖掘农田碳汇等减排固碳潜力，为落实碳达峰、碳中和的重大战略决策指明了方向，2021年颁布实施的《2030年前碳达峰行动方案》则进一步推进了农业领域碳达峰行动。在农业碳减排政策引领下，全国农业减碳工作取得巨大成效。从总量上看，农业碳排放总量从2014年8 190 万t下降到2019年的7 467 万t，扭转了农业碳排放总量长期增长趋势；从强度上看，全国农业碳排放强度从2005 年的361.61 kg/万元下降到2019 年140.91 kg/万元，下降幅度为61.03%，提前完成了2020年农业碳减排目标。然而受农业生产能效较低、农用化学品过度投入、土地细碎化等因素制约，农业碳排放水平控制效果仍显不佳［1］，农业生产仍然面临较大的减碳压力，高产量追求导致的高能耗和高污染等问题得不到根本扭转，地区农业发展不均衡严重制约了中国低碳农业高质量发展。作为一种劳动力替代要素，农业机械化有助于解除农村劳动力与农业生产的紧密关系，尤其在农用机械大范围应用与普及的背景下，跨区域农机服务网络促进了区域内和区域间农机资源合理调配［2］，但鲜有文献探讨农业机械化对农业碳排放强度的影响。农业技术进步并不总是有利于农业碳减排，以农业机械化水平为代表的机械型技术进步反而提高了农业碳排放总量［3］。在农业机械化水平提升的背景下该结论与农业碳排放总量下降的事实相违背，究其原因，很可能是忽略了农业碳排放的空间集聚与分异情况对计量结果带来的不利影响［4］，近来研究表明区域农业碳排放水平呈现“中心-外围”的空间分布状态，具有从“中心”区域向“外围”扩散的溢出态势［5］。基于1999—2019 年282 个城市的面板数据，采用空间杜宾模型研究农业机械化对农业碳排放强度的影响，以期为推进农业领域碳达峰行动提供新思路。

1 文献综述与理论机制

1.1 文献综述

现有讨论农业碳排放影响因素的文献较为丰富，从农地经营规模、碳减排政策、技术进步、城镇化等方面对农业碳排放地区差异的影响因素进行了诸多探索。农地经营规模扩大诱发了农用化学品投入强度和生产技术变化，从驱动源泉来看碳减排效率提升主要依赖于前沿技术进步而非技术效率改善，前沿技术进步在推进各地农业碳减排效率提升方面发挥了积极作用，出台“奖补”与“规制”并行的政策手段是促进低碳农业发展的长久之计［6-7］。除此以外，城镇化也被认为是影响农业碳排放的重要因素，对农业碳排放总量的影响持续时间更长、冲击效果更明显［8］。

已有研究为深入理解地区农业碳排放地区差异提供了有益参考，多聚焦于技术进步、农业政策等方面，较少从农业机械化角度对地区农业碳排放强度差异进行成因分析，并且对农业机械化在农业碳减排中的作用却有着不同看法。技术论支持者认为农业机械化作为一种先进生产力，有助于提高农业经营的及时性、质量和效率，提高农业生产力和盈利能力，进而降低地区农业碳排放量［9］。替代论者却认为农业机械化是一种要素替代，作为劳动力节省型技术进步，随着劳动力价格上涨农机要素对劳动力要素的替代作用越来越明显［10］。农机要素替代劳动力要素的生产变革将带来高能耗和环境污染问题，降低了农户使用有机肥等低碳要素投入，但解释不了近年来在农业机械化水平提高的背景下农业碳排放强度下降的现象，进而农业机械化的技术论越来越受到学者重视［11］。

通过梳理文献，已有研究存在以下不足之处。其一，研究农业机械化对地区农业碳排放强度影响的实证分析相对较少，与该研究相似的文献只有一篇［1］，但它只关注于农业机械化与农业碳排放总量之间关系，没有聚焦农业机械化对农业碳排放强度的影响，对于评估地区碳减排效果意义不大，且没有考虑农业碳排放水平的空间集聚给计量结果造成的不利影响。其二，地区农机资源集聚、农业政策、农业发展状况差异较大［12］，多数研究未对样本异质性带来的影响做进一步分析。其三，农业机械化如何对地区农业碳排放强度产生影响，鲜有文献从空间溢出视角分析农业机械化对农业碳排放的影响机制，对农业机械化空间减碳机制的实证分析就更加缺乏。因此，该研究从空间溢出视角探讨农业机械化对农业碳排放强度的影响，将农村劳动力转移和农业种植结构调整纳入分析框架，为进一步农业机械化发展提供理论指导。

1.2 理论机制

从农业生产现状来看中国农业规模化生产已达一定程度，农业机械化使得土地细碎化对农业规模化生产的抑制作用有所缓解，播种收获等环节农机覆盖率逐年提升，对劳动力要素的替代作用也在不断强化，农业机械化带来的农业规模化经营已经取得一定成就［13］。新型经营组织出现使得农业生产规模越来越大，特别是种粮大户和合作社对土地规模化耕作的巨大促进作用日益明显。虽然农业生产方式从人力畜力向农机转变会增加农业生产碳排放水平，但这一过程中碳排放持续时间较短和碳排放总量可控，农业机械化带来的农业规模化生产的减碳效应则可以抵消农机作业直接带来的增碳效应。通过农机购置补贴和建立私营部门经营的农机服务有助于提高农机服务可及性、减少干旱带来的农业风险和提高农作物产量，随着农业机械化外在条件改变，农机跨区域流动作业越来越展现出强大的生产力，进而影响地区农业碳排放水平。

一方面，农业机械化有助于优化农业生产要素配置，消除农业土地要素和劳动力要素配置扭曲带来的增碳效应，降低地区农业碳排放强度。农业机械化促进了小农户退出农业生产［14］，通过培育新型农业经营主体释放农业生产规模化的减碳效应［15］，同时还抑制了农户单一追求产量造成的过度施药施肥行为，使得保护性农业耕作措施在更大范围得到应用［16］。按照核心-边缘理论，农业机械化对邻近地区农机服务市场的影响具有溢出效应，邻近地区农户能够以较低成本获取农机服务、种植技术和农机信息，跨区域农机服务市场发展有助于实现区域内和区域间低碳资源的合理调配［2］，降低地区农业碳排放强度，农机资源集聚则进一步强化了农业机械化的空间减碳效应。然而随着农村劳动力转移程度提高，农机要素对劳动力要素的替代作用逐步增强，在土地细碎化和土地产权不明晰的前提下要素替代作用增强反而抑制了农机要素跨区域流动性，扭曲了区域农业生产要素配置，对农业机械化的空间减碳效应产生不利影响［17］。

另一方面，农业机械化有助于合理优化农业种植结构，通过扩大粮食作物种植面积降低农业碳排放强度。相对于经济作物，粮食作物具有“一家两制”和作物生产碳排放量相对较低等特点［18］，“口粮”安全抑制了粮食种植户过度施药施肥等高碳排放行为，粮食作物对经济作物的种植替代降低了地区农业碳排放强度［19］。农业机械化的种植结构“趋粮化”效应抑制了地区经济作物种植规模扩大，促进了油料作物、淀粉根类作物等进口，将农业碳排放转移到其他国家［20］，这种农业种植结构调整的碳减排效应降低了进口国农业碳排放水平。农业机械化对农业种植结构的影响存在正向溢出效应［12］，农机跨区域作业提升了邻近地区粮食作物种植比例，进而降低了其农业碳排放强度。但随着粮食作物种植面积扩大，适用于粮食生产的农机资产专用性提高了农机跨区域作业的交易成本，阻碍了农机跨区域作业服务市场形成，弱化了农业机械化的空间减碳效应。基于此，提出假设1。

假设1：农业机械化能够降低地区农业碳排放强度，并且对农业碳排放强度的影响存在显著的负向空间溢出效应。

粮食主产区农业政策对耕地用途变更限制相对严格，用于粮食作物种植的耕地面积更大，农机要素集聚对农业碳减排的正向影响也更加明显。农机要素集聚通过投入品共享、劳动力蓄水池以及知识溢出降低了地区农机跨区域作业的作业成本［21］，农户吸收能力越强，农机资源集聚的空间减碳效应就越好。相对于非粮食主产区，农机资源集聚使得粮食主产区农业机械化的“趋粮化”效应更加明显，对邻近地区农业碳排放强度的抑制作用也更大［22］。在粮食主产区，粮食作物种植面积较大，农业生产规模化效应初显，农机资产专用性提升了农机要素的跨区域流动性，农业机械化的空间减碳效应也更加明显。此外，相对于非粮食主产区，粮食主产区农机补贴水平相对较高，促使农户更愿意购买大型农用机械，农机单位作业面积的直接碳排放量将显著下降。基于此，提出假设2。

假设2：相对于非粮食主产区，粮食主产区粮食产业集聚程度、耕地保护力度、农机补贴力度更大，农业机械化的空间减碳效应也更强。

2 数据来源、模型设定与变量选择

2.1 数据来源

城市数据主要来自《中国城市统计年鉴》（2000—2020 年），省际数据来自《中国统计年鉴》（2000—2020年）、《中国农村统计年鉴》（2000—2020 年），城市农业相关数据来自EPS 的中国区域经济数据库中的城市数据。稳健性检验中城市碳排放数据来自中国碳核算数据库，各城市数据通过城市名称和年份进行匹配合并，城市数据与省际数据通过省份与城市的行政编码隶属关系进行匹配合并，部分城市层面指标值通过城市数据与省际数据测算给出。删除指标值缺失较多的样本，少量缺失值选择线性插值法填充，共得到全国282 个城市1999—2019年的面板数据（未包括港澳台地区）。

2.2 模型设定

在测度单位农业GDP 碳排放量基础上，城市相邻区域的空间共性大于间隔较远的区域，农业碳排放强度表现出较强的空间集聚特性［5］，在计量模型中加入空间权重矩阵修正经典回归模型，模型设定如下：

LCQit=ρ×W×LCQit+λ1LNMit+βXit+λ2×W×LNMit+ηWXit+κi+νt+ζit，ζit=ρ×W×LCQjt+τit

LCQ为农业碳排放强度，LNM为农业机械化变量，X为控制变量。计量方程式中τ为服从标准正态分布的残差项，模型中包含空间固定效应ki和时间固定效应vt，下标i表示第i个城市，下标j表示第j个城市，下标t表示第t年，ρ为空间相关系数，W为空间权重矩阵，λ1、λ2、β、η为计量方程式待估参数。将农业机械化与地区农业碳排放强度的估计结果分解为直接效应、间接效应和总效应，依次为fij(W)，其中间接效应为空间溢出效应。

2.3 变量选择

2.3.1 被解释变量

农业碳排放强度LCQ。碳排放强度指标测度方法主要有单位GDP 碳排放量法、单位面积碳排放量法和人均碳排放量法，选择单位GDP 碳排放量法作为农业碳排放强度的测度方法，农业碳排放强度采用农业碳排放总量与农业总产值的比值表示。由于缺少城市范围内农药使用量、农用塑料薄膜使用量、农用柴油使用量等数据，采用省域单位耕地面积农药使用量、农用塑料薄膜使用量、农用柴油使用量与城市年末实有耕地面积分别测算城市农药使用量、农用塑料薄膜使用量、农用柴油使用量，参考刘亦文等［23］的研究，化肥施用折纯量、农药使用量、农用塑料薄膜使用量、农用柴油使用量、农作物总播种面积以及有效灌溉面积等碳排放系数分别为0.895 6 kg/kg、4.934 1 kg/kg、5.180 0 kg/kg、0.592 7 kg/kg、312.60 kg/km2、25 kg/hm2，城市农业碳排放总量等于化肥施用折纯量、农药使用量、农用塑料薄膜使用量、农用柴油使用量、农作物总播种面积以及有效灌溉面积分别与排放系数的乘积之和。考虑到缺少城市农业总产值数据（属于农林牧渔范围内的农业，即种植业），农业总产值采用城市农林牧渔总产值与省域农业总产值所占农林牧渔总产值的比重之积表示。

2.3.2 核心解释变量

农业机械化LNM。采用农用机械总动力衡量农业机械化变量，从时间上看，1999年城市平均农业机械化总动力为167.99 万kW，2019 年城市平均农业机械化总动力为321.93 万kW，年均增速为4.58%，1999—2019 年农业机械化水平总体呈上升趋势。2015—2016年农业机械化水平出现下降，农机购置补贴中农业生产关键环节所需机具范围由2014年175个品目压缩到目前的137个品目，农机购置补贴范围缩小成为2015年农业机械化水平下降的主要原因。

2.3.3 控制变量

为了消除其他因素对计量结果产生的不利影响，在计量模型中加入基础设施质量、耕地规模、灌溉状况、工业发展、对外开放、土地城镇化等变量。在控制变量方面，基础设施质量变量（RAD）采用等级公路里程测度，取对数值；耕地规模变量（LAS）采用人均耕地面积测度，人均耕地面积加1 后取对数值；灌溉状况变量（IRR）采用有效灌溉面积与农作物总播种面积的比值测度；工业发展变量（IND）采用规模以上工业总产值与地区生产总值的比值测度；对外开放变量（TRA）采用货物进出口总额与地区生产总值的比值测度，货物进出口总额等于历年美元统计的货物进出口总额与汇率之积；土地城镇化变量（URB）采用标准化后的城镇建成区面积测度，等于全市行政区域建成区土地面积与全市行政区域土地面积的比值，取对数值。各变量采用winsorize 方法对1%的极端值进行处理，变量定义与描述性统计分析见表1。

3 结果与分析

3.1 农业碳排放强度测度结果

3.1.1 地区农业碳排放水平的变动趋势

从总体上看，2019 年全国整体农业碳排放水平指标值为140.91 kg/万元，依据统计数据，2019 年全国碳排放强度为991.66 kg/万元，表明农业产业碳排放状况优于全国总体水平。图1为历年农业碳排放强度变化趋势图，从时间上看，1999年农业碳排放强度平均值为436.97 kg/万元，2019 年农业碳排放强度平均值为159.21 kg/万元，农业碳排放水平下降了63.57%，农业产业已提前完成了2020年单位GDP碳排放量下降40%～45%的碳减排目标。其中，1999—2003年农业碳排放强度下降相对缓慢，农业税减免和农业合作社发展推动了农业规模化生产，导致2003—2011年农业碳排放强度加速下降。2011—2019年农业碳排放强度下降逐渐趋缓，2016年《全国农业现代化规划（2016—2020年）》提出发展高效绿色农业，随后农业碳排放强度再次加速下降。

参照国家粮食局规定将辽宁、河北、山东、吉林、内蒙古、江西、湖南、四川、河南、湖北、江苏、安徽、黑龙江等13个省份划分为粮食主产区，其他省份划分为非粮食主产区。从粮食产区比较结果来看，1999—2009 年粮食主产区农业碳排放强度高于非粮食主产区，2010—2019 年则低于非粮食主产区，2009年国家颁布并实施了《全国新增1 000亿斤粮食生产能力规划（2009—2020）》（1斤为500 g），粮食主产区粮食生产功能的政策效应对低碳绿色农业发展产生积极影响。

3.1.2 地区农业碳排放水平空间分布特点

按照31 个省份对样本进行分组，通过比较2005 年与2019 年各省级行政区农业碳排放强度，分析地区农业碳减排状况，统计结果见表2。从区域分布来看，2005 年全国农业碳排放水平较高的城市主要分布在青海、宁夏、山西、陕西、山东、河北等地区，2019年全国农业碳排放水平较高的城市主要分布在吉林、甘肃、福建、重庆、山西、宁夏、浙江、安徽等地区，分布特点为非粮食主产区农业碳排放强度高于粮食主产区，更多财政资金和农业绿色技术投入使得粮食主产区农业碳排放强度相对较低。

2005—2019年农业碳排放强度下降幅度较多的地区主要有青海、贵州、四川、陕西、湖北、天津、云南、江西、黑龙江、江苏、海南等，基准年份设定为2005 年，没有完成2020 年农业碳减排目标的地区有新疆、吉林、甘肃、重庆和福建等，呈现出北方地区农业碳排放强度下降幅度低于南方地区，粮食主产区农业碳排放强度下降幅度高于非粮食主产区。2019 年粮食主产区有92.22%的城市农业产业已提前完成了2020 年单位GDP 碳排放量下降40%～45%的碳减排目标，非粮食主产区只有74.78%的城市农业产业提前完成了2020 年碳减排目标，粮食主产区农业碳减排任务完成情况优于非粮食主产区。

表1 主要变量说明与描述性统计分析

3.1.3 莫兰空间相关性检验

运用全局空间自相关莫兰指数对各指标空间自相关性进行检验，探究各城市与邻近城市农业碳排放强度的空间关联程度，公式如下：

式中：n为空间位置的数量，w为空间权重矩阵，ri、rj分别为i城市和j城市农业碳排放强度与农业机械化及其控制变量回归后的残差项，rˉ为残差项平均值，S为标准方差。农业机械化与农业碳排放强度的空间相关性和空间依赖性诊断结果见表3，结果显示：1999—2019年Moran’sI指标值均在0.29 左右变动，莫兰指数在1%统计水平上统计显著，说明农业机械化与农业碳排放强度之间存在显著的空间相关性。

图1 1999—2019年地区农业碳排放强度变化趋势图

表2 2005年与2019年各省份农业碳排放强度的对比

3.2 农业机械化对地区农业碳排放强度影响的检验结果

3.2.1 农业机械化的基准回归结果

空间杜宾模型的回归结果见表4，模型（1）到模型（8）中农业碳排放强度的空间相关系数ρ都在1%统计水平上显著，说明农业机械化与地区农业碳排放强度存在明显的空间关联效应。表4模型（1）为采用空间距离权重矩阵的计量结果，结果显示农业机械化对农业碳排放强度的直接效应在1%统计水平上显著为负，农业机械化显著降低了本地农业碳排放强度，具有明显的直接减碳效应。农业机械化对农业碳排放强度的空间溢出效应在1%统计水平上显著为负，农业机械化水平提高1 个百分点，邻近地区农业碳排放强度下降1.737个百分点，农业机械化存在显著的空间减碳效应，假设1得证。考虑到农业机械化的空间溢出效应后，农业机械化的减碳效应将更大。空间溢出效应产生的原因主要有两点：其一，农机跨区域作业有助于克服土地细碎化和土地产权不明晰等不利条件实现农业生产规模化发展，进而通过跨区域要素替代效应抑制农业劳动力投入不足带来的农用化学品过量施用行为，进而降低邻近地区单位耕地面积高碳排放要素投入水平［2，15］，但农机要素对劳动力要素的替代作用提升反而在一定程度上抑制了农机跨区域流动，弱化了农业机械化的空间减碳效应。其二，农业机械化存在“趋粮化”效应和正向溢出效应，农机跨区域作业有助于优化农业种植结构，通过扩大粮食作物种植面积降低邻近地区农业碳排放强度［12］。

3.2.2 控制变量的计量结果

以表4模型（1）的计量结果进行说明，在控制变量中，基础设施质量对农业碳排放强度的直接效应在10%统计水平上不显著，对农业碳排放强度的空间溢出效应和总效应在1%统计水平上显著为负。基础设施质量改善并没有直接对本地农业碳排放强度产生明显影响，但流通基础设施质量改善会显著降低沿线城市碳排放强度［25］，基础设施质量的减碳效应在农业产业被证实。

耕地规模对农业碳排放强度的直接效应在1%统计水平上显著为正，耕地规模提高1 个百分点，本地农业碳排放强度上升0.476个百分点，在没有达到规模化种植面积时，依靠化肥农药等农用化学品投入的传统耕作方式将提高地区农业碳排放强度，但考虑到耕地规模扩大带来要素利用效率提升的影响后，耕地规模将显著降低区域农业碳排放强度。

灌溉状况对农业碳排放强度的直接效应在5%统计水平上显著为负，灌溉状况提高1 个百分点，本地农业碳排放强度下降0.085个百分点，灌溉条件改善能够提高单位土地面积农作物产量，在同等碳排放水平下，单位耕地面积产值越高的地区农业碳排放强度相对较低。灌溉状况对农业碳排放强度的空间溢出效应和总效应在1%统计水平上显著为负，由于灌溉工程具有跨区域的特点，本地灌溉条件改善为邻近地区灌溉基础设施质量提升创造了条件，水资源可及性提升能显著扩大粮食作物种植规模，进而降低了区域农业碳排放强度［26］。

工业发展对农业碳排放强度的直接效应在1%统计水平上显著为正，对农业碳排放强度的空间溢出效应和总效应在10%统计水平上不显著。工业发展为农业现代化发展奠定了基础，通过农用化学品等高碳要素投入增加了地区农业碳排放强度，但工业发展的产业集聚效应对区域农村劳动力要素和土地要素产生“虹吸”效应［27］，农业生产要素再配置效应抵消了工业发展对农业减碳的不利影响。

对外开放对农业碳排放强度的直接效应在10%统计水平上不显著，对农业碳排放强度的空间溢出效应和总效应在1%统计水平上显著为负，地区对外开放水平越高，出口对农产品的高标准和绿色技术引进对地区农业形成绿色发展高地的促进作用越大，低碳农业的“涓滴效应”和绿色技术扩散提高了地区低碳农业产业规模，进而通过产业集聚的空间溢出实现空间减碳效应。

表3 空间自相关检验结果

表4 空间杜宾模型的估计结果

续表4 空间杜宾模型的估计结果

土地城镇化对农业碳排放强度的直接效应在1%统计水平上显著为负，对农业碳排放强度的空间溢出效应和总效应在1%统计水平上显著为正。土地城镇化通过对地区农业生产要素再配置纠正了土地资源和劳动力资源错配，具有明显的直接减碳效应。但区域土地城镇化不均衡发展带来的农业生产要素资源错配不利于地区绿色资源应用和土地集约化利用，增加了区域农业碳排放强度［8］。

3.3 农业机械化对不同地区农业碳排放强度的影响差异

地区耕地保护力度、要素禀赋和农业经济发展状况等差异较大，按粮食主产区和非粮食主产区进行分组回归，表4模型（2）结果显示，农业机械化对粮食主产区农业碳排放强度的空间溢出效应在1%统计水平上显著为负，农业机械化水平提高1个百分点，邻近粮食主产区农业碳排放强度下降1.616 个百分点。表4 模型（3）结果显示，农业机械化对非粮食主产区农业碳排放强度的空间溢出效应在1%统计水平上显著为负，农业机械化水平提高1个百分点，邻近非粮食主产区农业碳排放强度下降0.599个百分点。相对于非粮食主产区，粮食主产区农业机械化的空间减碳效应更大，假设2得证。农业经济迅速发展同时伴随着农业高碳要素过度投入、农业污染加剧等一系列问题，随着低碳农业发展水平提高，地区农业碳排放强度才逐渐趋于下降［27］。粮食主产区粮食产业集聚程度、耕地保护力度、农机补贴力度更大，粮食作物种植比较优势使得农业机械化的空间减碳效应大于非粮食主产区。

3.4 稳健性检验

空间距离权重矩阵很可能忽略了地区相邻对农业碳排放强度的影响，表4 模型（4）为采用空间邻接权重矩阵替代空间距离权重矩阵的计量结果，农业机械化对农业碳排放强度的直接效应、空间溢出效应和总效应在1%统计水平上显著为负。更换空间权重矩阵后，原结论仍然成立。

农用机械总动力衡量农业机械化可能存在测度误差，从资本要素角度选择地区农业机械原值指标测度农业机械化变量可能更加准确，地区农业机械原值采用地区户均人数、乡村户数和农村居民家庭人均拥有农业机械原值的乘积表示。表4 模型（5）结果显示，农业机械化对农业碳排放强度的空间溢出效应在1%统计水平上显著为负，替换农业机械化测度方法后，农业机械化的空间减碳效应仍然存在。

农业碳排放总量采用化肥施用折纯量、农药使用量、农用塑料薄膜使用量、农用柴油使用量、农作物总播种面积以及有效灌溉面积估算而来，可能会存在低估情况。采用单位GDP 碳排放量作为农业碳排放强度的替代指标，城市碳排放总量数据来自中国碳核算数据库。中国碳核算数据库只公布了1997—2017 年碳排放数据，通过城市名称和年份匹配成功281 个城市1999—2017 年的面板数据，农业碳排放强度采用城市碳排放总量与城市地区生产总值的比值表示，计量结果见表4 模型（6）。结果显示，农业机械化对农业碳排放强度的直接效应、空间溢出效应和总效应在1%统计水平上显著为负，更换农业碳排放强度变量的衡量方法后，再次验证了前文主要结论的稳健性。

3.5 进一步分析

农业机械化很可能通过提升要素替代水平、调整农业种植结构等途径来实现空间减碳效应，为了验证以上影响机制，在空间杜宾模型中加入调节变量与农业机械化变量的交互项，采用调节效应模型验证农业机械化对地区农业碳排放强度的空间溢出机制。

在农村劳动力转移方面，农村劳动力转移变量采用乡村非农产业从业人员数占乡村从业人员数的比值表示，乡村非农产业从业人员数为乡村从业人员数与第一产业从业人员数之差，乡村从业人口数据由乡村户数与户均乡村从业人员数之积给出，户均乡村从业人口采用省域乡村从业人员数与乡村总户数的比值表示，加入交互项的计量结果见表4 模型（7）。结果显示，农业机械化与农村劳动力转移交互项的空间溢出系数为16.754，在1%统计水平上显著，说明在农村劳动力转移程度较低的地区，农业机械化的空间减碳效应更大，农村劳动力转移在农业机械化与农业碳排放强度之间表现出正向调节作用。受限于土地产权不稳定和土地细碎化等条件，在劳动力转移较低的地区农业机械化通过跨区域农机作业服务实现农作物规模化种植［2］，进而降低了邻近地区农业碳排放强度，但较高要素替代水平抑制了农机跨区域流动性，农村劳动力转移弱化了农业机械化的空间减碳效应。

在农业种植结构方面，采用粮食作物种植比例衡量农业种植结构，等于粮食作物播种面积与农作物总播种面积的比值，表4 模型（8）为加入粮食作物种植比例与农业机械化交互项的计量结果。结果显示，农业机械化与粮食作物种植比例交互项的空间溢出系数为10.240，在1%统计水平上显著，说明在粮食作物种植比例低的地区，农业机械化的空间减碳效应更大，农业种植结构在农业机械化与农业碳排放强度之间表现出正向调节作用。由于农业机械化具有“趋粮化”特征［16］，在地区粮食作物种植比例低的地区农业机械化对农业种植结构“趋粮化”的促进作用更大，同时粮食作物种植比例较低提升了农机要素跨区域流动性，农业机械化的空间减碳效应也更明显。

4 结论与建议

全球碳排放水平持续提升增加了地区农业生态系统脆弱性，研究农业机械化与农业碳排放强度之间关系对于农业低碳可持续发展具有重要理论意义和实践意义。基于全国282个城市的面板数据，采用空间杜宾模型分析农业机械化对地区农业碳排放强度的影响。研究发现，1999—2019 年农业碳排放强度总体呈现下降的变动趋势，分阶段来看，1999—2003年地区农业碳排放强度下降相对缓慢，2003—2011年地区农业碳排放强度下降加速，2011—2019 年地区农业碳排放强度下降速度又逐渐趋缓。从区域分布上看，1999—2009 年粮食主产区农业碳排放强度明显高于非粮食主产区，2010—2019 年后则低于非粮食主产区。2019 年粮食主产区有92.22%的城市农业产业已提前完成了2020 年单位GDP 碳排放量下降40%～45%的碳减排目标，非粮食主产区则只有74.78%的城市农业产业提前完成了2020 年碳减排目标，全国粮食主产区农业碳减排任务完成情况优于非粮食主产区。农业机械化不仅能够降低本地农业碳排放强度，还存在显著的空间减碳效应，本地区农业机械化水平越高，邻近地区农业碳排放强度越低，在替换空间权重矩阵、变更解释变量测度方法、变更被解释变量测度方法后，该结论仍然稳健。相比于非粮食主产区，粮食主产区农业机械化的空间减碳效应更大。在影响机制方面，农业机械化通过提升要素跨区域替代水平、促进农业种植结构“趋粮化”等途径降低了邻近地区农业碳排放强度，而农村劳动力转移和农业种植结构调整则弱化了农业机械化的空间减碳效应。

基于此，提出如下政策建议。第一，应积极出台农机跨区域作业补贴政策鼓励农机跨区域作业，解决区域农机服务市场失灵问题，促进区域农业机械化协调发展。信息不对称使得跨区域农机服务市场交易成本较高，通过补贴政策能够降低区域农机服务交易价格，有利于农业机械化的空间减碳效应产生。第二，应积极利用补贴政策发展更加节能环保的农机产品，降低农机自身碳排放水平。采用柴油作为动力的传统农业机械生产方式碳排放水平较高，通过农业政策扶持新能源农机产品创新，降低农业生产过程中的碳排放水平，走低碳农业机械化发展道路。第三，应加强非粮食主产区耕地保护力度，严控非粮食主产区耕地用途变更。非粮食主产区耕地防控政策较弱，农业机械化对非粮食主产区的空间减碳效应相对较小，通过严控非粮食主产区农业种植结构非粮化提升粮食作物种植比例，能够改善地区农业机械化的空间减碳效果。第四，土地细碎化降低了农业生产对跨区域农机服务的需求，应继续扶持新型农村经营主体以扩大农业生产规模，为进一步农业机械化创造条件，助推低碳农业高质量发展。