我国农业碳排放的时空演化、脱钩效应及绩效评估

2023-11-18孟庆雷殷宇翔王煜昊

中国农业科学 2023年20期

关键词：农业

孟庆雷，殷宇翔，王煜昊

孟庆雷，殷宇翔，王煜昊

中南民族大学经济学院，武汉 430074

【目的】科学分析我国农业碳排放的时序特征、空间格局、演变模式、脱钩关系和绩效评估等问题，为助力我国实现“双碳”目标、加强建设农业强国提供依据。【方法】构建我国农业碳排放和农业碳排放绩效评估的指标体系，基于2007—2020年我国省域农业碳排放的系统测度指数，采用核密度估计和标准化椭圆可视化分析农业碳排放的区域分布特征和时空演化趋势，选用Tapio模型考察农业碳排放与经济增长之间的脱钩关系，构建非期望产出的超效率SBM模型报告我国和七大经济区的农业碳排放绩效及分解效率。【结果】2007—2020年，我国农业碳排放整体呈现先上升后下降的“倒U型”曲线，区位差异明显，等级分布稳定。东部地区减排效果最优，中部地区出现“两极化”分布，西部地区减排压力较大。空间格局整体以东北-西南方向为主导，并向东北和西北方向趋向分散化。我国农业碳排放和农业经济发展之间已保持在弱脱钩水平并向强脱钩水平突破，可划分为平稳期（2007—2016年）和突破期（2017—2020年）两个阶段。农业碳排放绩效呈现出“迅速上升-缓慢下降-平稳改善”趋势，其中大西北经济区和北部沿海经济区分别居于首位和末位，农业生产技术变化（TC）相较于技术效率变化（EC）贡献更为突出。【结论】以2017年为拐点，我国农业碳排放整体呈现下降趋势，农业经济发展整体上逐渐摆脱对农业碳排放的依赖。各区块与各省份农业基础各异、减排目标不同，需因地制宜合理规划农业比较优势产业的规模和内部结构，合理选择区域内产业的资源禀赋生产特征，同时重视技术迭代与更新在农业经济发展与节能减排之中的推动作用，兼顾地区生态效益与经济效益。

农业碳排放；时空演化；脱钩效应；绩效评估

0 引言

【研究意义】我国农业经济近年来发展迅速，不断加快从农业大国向农业强国迈进的步伐。2021年，我国农业及其相关产业增加值为18 400亿元，对GDP贡献率达到16.05%[1]，农业科技进步贡献率为61.50%，相较于10年前提升12.84%[2]。在加强农业强国建设、推进农业农村现代化的进程中面临着许多风险挑战。其中，全球性气候变暖对于生态系统和环境安全的威胁愈演愈烈，农业碳排放作为温室气体产生的重要来源引发广泛关注，探索一条立足我国国情、符合我国实际的农业低碳减排道路十分必要。农业碳排放是指农业生产过程中排放的温室气体，包括二氧化碳、甲烷、氧化亚氮等，占到全球温室气体排放量的1/5。2022年我国生态环境部等七部门联合印发《减污降碳协同增效实施方案》，强调应优化环境治理，一体推进重点行业大气污染深度治理与节能降碳行动[3]，在种植业、畜牧业、渔业、农机等多个领域积极开展节能减排活动。由此，近年来我国为应对气候变化，积极落实强化“双碳”自主贡献目标，在推进社会经济绿色转型中成果斐然。2021年，我国单位GDP二氧化碳排放强度相较于2005年下降了50.8%，其中农业碳排放占比总量约为17%。但农业生产规模扩大的同时，不可避免地导致农用能源强度增强、农业公共投资提升、农业产业结构变化，农业碳排放问题依然面临严峻挑战。《“十四五”推进农业农村现代化规划》指出，要以绿色发展引领乡村振兴，推进农村生产生活方式绿色低碳转型，实现资源利用更加高效、产地环境更加清洁、生态系统更加稳定[4]，这对于解决农业碳排放等环境污染问题具有指导意义。【前人研究进展】农业碳排放是全球长期普遍关注的焦点问题。关于农业碳排放的内涵与测算，国外学者起步较早，WEST等[5]早期从农用物资投入和农业灌溉培育等方面构建农业碳排放的测算指标体系。随着我国积极参与全球性气候治理，国内学者近年来对农业碳排放的研究颇有进展。从“温室气体排放”[6]，到“农业碳排放”的正式提出[7]，学者们聚焦于农地利用[8]、畜禽养殖[9]、渔业生产[10]等方面进行考察和测算，发现农业碳排放量在我国呈现递增趋势，区域差异显著，两极分化明显。此外，针对碳排放的不平等测量和各国减排政策的公平性问题，国外学者引入了洛伦兹曲线和基尼系数[11]。同时，学者们也对农业碳排放进行了全面测算，田云等[12]认为农业碳排放应以农业物质投入为切入点并选取对应的碳排放系数来进行测算，闵继胜等[13]基于此又引入了种植业和畜牧业，并强调了不同地区的区域性差异，戴小文[14]则通过核算完全碳排放系数对我国农业隐含碳排放进行研究。随着农业碳排放测算方式不断完善，其空间分布和动态演进引起广泛关注，章胜勇等[15]运用空间和非参数估计方法，发现我国农业碳排放量呈现“中心-外围”的分布形式，田云等[16]通过对我国农业碳排放的再测算，发现其动态演进在粮食主产区、产销平衡区和粮食主销区表现出不同的特征。目前，伴随着对“低碳农业”关注度的提高，农业碳排放绩效也成为学术界关注的重点问题。目前对农业碳排放绩效的测度指标选取主要有两种观点，一种观点基于单要素视角考虑将农业碳排放核算量与其他单一要素比值作为衡量指标，如农业碳排放强度[17]、人均二氧化碳排放量等[18]；另一种观点则基于全要素视角，将农业生产活动中的各种投入要素的协同作用及相互替代性综合考虑来构建衡量指标[19]，如邵帅等[20]以劳动力、能源消费、资本投资等作为投入，以GDP等作为期望产出，碳排放量作为非期望产出，对我国碳排放绩效进行全要素评价。随着研究的不断深入，传统的DEA模型难以满足对非期望产出进行考量、解决投入产出变量存有松弛性问题等的需求，学者们引入DEA-Malmquist指数[21]、超效率slacks-based measure（SBM）模型[22]等来精确对碳排放绩效的测算。【本研究切入点】2007—2020年我国整体及省域的农业碳排放呈现出怎样的时空演化特征，农业碳排放与经济增长的协调发展之间呈现出何种脱钩关系，如何评估我国农业碳排放的绩效特征和发展趋势？与关于我国农业碳排放的已有研究相比，本文一是研究视角不仅局限于宏观层面，而是拓展至全国三大区域和七大经济区的时空异质性；二是除农业碳排放的动态演化特征外，进一步探讨农业碳排放的脱钩效应和绩效特征，丰富了研究内容；三是使用Kernel密度估计、Tapio模型、非期望产出的超效率的SBM模型等研究方法，力求全面立体地推广农业碳减排发展机制，满足我国农业经济可持续发展的需要。【拟解决的关键问题】本文聚焦于我国31个省市自治区，关注“双碳”背景下我国绿色农业发展现状，从农用物资、农业灌溉、农业种植、畜牧养殖和农业能源消耗5个维度构建农业碳排放指标体系，从投入、期望产出和非期望产出3个维度分析农业碳排放绩效评估体系，核算农业碳排放、核密度指数、脱钩弹性、农业碳排放绩效及其分解效率等关键数据要素，使用Matlab、Python、Geoda、Arcgis、Stata等软件，探讨2007—2020年我国整体和分区域农业碳排放的时空特征、脱钩效应及绩效特征，包括多维度评价其演化趋势、对标与经济增长之间的关系、分解农业碳排放效率源泉，力求为促进我国农业经济区域协调发展、实现绿色节能减排目标、推动农业高质量发展建设做出贡献。

1 研究方法与数据来源

1.1 研究方法

1.1.1 农业碳排放的测度方法农业碳排放类别丰富，碳源多样，测算相对复杂。本文参考田云等[12]、李波等[7]对于我国农业碳排放的测算方法，聚集农业生产消费过程中直接产生的碳排放，构建指标体系，根据数据的可获得性，为了保持样本数据的相对完整性，核算2007—2020年我国省际农业碳排放总量（表1）。具体类别包括：一是农用物资带来的碳排放，形成于化肥、农药、农膜和农业机械的生产和使用过程；二是农业灌溉中水资源利用这一重要碳源；三是在农业种植类别下，稻谷种植和复种导致的氧化亚氮等物质排放；四是考察畜牧养殖中猪、羊、牛三大主要养殖牲畜引起的甲烷排放，并参考王方怡等[23]学者的方法根据猪、羊、牛年末存栏数和出栏数对牲畜数量进行修正，对于当年出栏率（出栏数/年末存栏数）大于1的牲畜，饲养量以当年出栏数除以365，再乘以其生产周期来估算，而出栏率小于1的牲畜，则用年末存栏数来表示；五是农业能源消耗，主要考虑煤炭、汽油、柴油和电力, 其他种类的能源对碳排放影响很小, 因此不纳入本研究的碳排放总量的测算中。具体计算公式表示为：

式中，为农业碳排放总量，c为各类具体碳源，θ为碳排放系数，为碳源数量。

1.1.2 农业碳排放时空演化测度方法从时空异质性的动态视角出发，探究我国省际农业碳排放水平的演变过程，有助于及时了解时序变化趋势，准确把握区域分布特征，为实现“双碳”目标提供科学精准的因地制宜方案。时间层面上，观测我国农业碳排放总量的整体变化趋势，根据国家统计局对我国东部（北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南）、中部（山西、吉林、黑龙江、安徽、江西、河南、湖北和湖南）和西部（内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆）地区三大板块进行省际划分，计算2007—2020年三大区块的农业碳排放省域平均值，进行横向和纵向两维比较分析，分别从全国整体层面和区块层面识别碳排放总体数值的变化规律和相对差异。

表1 农业碳排放指标体系

出于更好识别各个区块内部以及全国各省份绝对差异的需要，进一步使用Matlab软件绘制全国及东、中、西部农业碳排放三维Kernel密度图，描绘农业碳排放的分布形态、位置、峰值和延展性特征。Kernel密度估计通过对随机变量的概率密度进行估计，使用连续密度曲线刻画随机变量的动态演变形态，假定随机变量的密度函数为：

式中，为观测值的个数，X表示观测值，是平均值，(·)代表Kernel密度，是一种平滑转换函数或加权函数，根据不同表达形式可分为高斯核、三角核、四次核和Epanechnikov核等多种类型。表示带宽，其与样本量的关系为：

本文选择高斯核函数对农业碳排放水平的分布进行动态估计：

出于详细刻画各省农业碳排放空间格局上分布特征的需要，考虑到省域碳排放量差距较大，本文采用自然断点法进行等级划分，识别分类间隔，对相似值进行分组处理，将我国农业碳排放水平由低至高依次分为低排放、中低排放、中等排放、中高排放、高排放5个等级，选取2007、2013和2020年3个年份，使用Geoda软件绘制我国31个省市自治区农业碳排放空间等级分布图，分析其空间等级差异和演变规律，检测“双碳”理念的实际成效和区域障碍。并通过Arcgis软件绘制农业碳排放的标准差椭圆以及重心转移轨迹图，根据标准差椭圆的中心、长轴、短轴、旋转角、面积等特征值定量识别我国农业碳排放的空间离散趋势与变化方向。

1.1.3 农业碳排放脱钩效应测度方法经济合作与发展组织（以下简称OECD）于2002年提出了脱钩理论并被广泛应用于经济增长与环境之间的关系研究中[27]。在目前的相关研究领域中，主要分为两种脱钩评价指标。

（1）OECD脱钩因子模型。当经济增长与环境污染之间变化速度不同步，或是二者之间的关联被阻断，就称其为脱钩。OECD认为脱钩可分为绝对脱钩和相对脱钩，当能源消耗增速为正且低于经济增长速率时，称为相对脱钩；当能源消耗增速为零或是负增长，且处于经济增长的情况下，此时形成了一种高效率的经济增长模式[28]，称为绝对脱钩。测算公式如下：

式中，为脱钩指数，为环境负荷指标值，为经济驱动力指标。

采用OECD脱钩模型，以报告期和基期数据来进行测算，根据王崇梅[29]、李期等[30]关于能源消耗与经济增长脱钩分析中的脱钩指数所描述的脱钩条件，构建如下脱钩模型：

式中，D表示第年的脱钩指数，C表示第年的农业碳排放指数，AGRI表示第年的农业总产值增长指数。脱钩指数的意义可理解为：当≥1时，说明农业碳排放量增速与农业经济增速同步，或快于经济增速，此时称其没有发生脱钩，或成为绝对挂钩；当0＜＜1时，说明农业碳排放量增速慢于农业经济增速，此时称其为相对脱钩；当=0时，说明农业碳排放量不变，但仍可维持农业经济增长，即在农业经济持续增长的情况下，农业碳排放量不增加。

为了剔除农业总产值与农业碳排放的单位及数量级不同所带来的影响，本文将农业总产值与农业碳排放数据采用无量纲化处量，来更好的分析我国农业碳排放与农业经济增长之间的脱钩关系。以2007年为基期，计算公式如下：

（2）Tapio模型。在OECD脱钩模型的不断发展下，为了解决其在基期选择上面临的难题，Tapio脱钩模型随之产生，成为当前研究经济脱钩关系最主要的方法。它引入“弹性”这一概念，使得变量之间的脱钩关系得以动态显现。所谓脱钩弹性，即为反映经济发展变化幅度对二氧化碳排放变化影响程度的比值，体现二氧化碳排放变动对经济发展变化情况的敏感度[31]，测算公式如下：

式中，为脱钩指数，为环境负荷指标值，为经济驱动力指标。根据测算所得弹性值的差异，可细分为弱脱钩、强脱钩、弱负脱钩、强负脱钩、扩张负脱钩、扩张连接、衰退脱钩与衰退连接（表2）。

相比于OECD脱钩模型，Tapio模型对于环境负荷和经济驱动力的测算组合较为合理，且能够反映碳排放对经济增长敏感度的变动[32]，根据徐玥等[33]学者的相关研究，构建如下脱钩模型：

式中，为脱钩弹性，为农业碳排放，为农业总产值。

表2 Tapio 8个等级与弹性值划分[34]

1.1.4 农业碳排放绩效评估的测度方法农业碳排放绩效是衡量农业生产效率和协调性的重要指标，本文将农业碳排放视作非期望产出，测算全局DEA的全要素生产率指数进行评估。构建农业碳排放绩效评估体系时，同时包括农业生产消费的投入和产出过程（表3）。一是投入指标，主要包括劳动力要素、资本要素和土地要素，分别采用第一产业就业人员数、第一产业固定资产投资额和农作物总播种面积来衡量，此外还有其他要素，包括农药使用量、农用薄膜使用量和农业机械总动力。二是期望产出指标，选取农业总产值衡量总产出情况，同时以2007年为基年，采用CPI（居民消费价格指数），对农业总产值作了不变价处理。三是非期望产出指标，使用农业碳排放评价农业生产投入中的非期望消耗。

表3 农业碳排放绩效评估体系

本文借鉴SHESTALOVA[35]，程开明等[36]关于数据包络分析（简称DEA）的全要素生产率指数测定的梳理，使用Malmquist-Luenberger生产率指数（简称ML指数）。ML指数以1为分界线，该数值大于1说明农业碳排放绩效上升，反之下降。具体而言，基于非期望产出的超效率SBM模型，构建从年到+1年的方向性距离函数测度农业碳排放绩效（AMCPI），使用、、、分别表示资本要素、劳动力要素、期望产出和非期望产出，测度公式如下：

根据上式分解结果，农业碳排放绩效（）包含农业技术效率变化（）和农业生产技术变化（），前者指在一定的技术水平下，协调整合农业生产资源以实现经济效用最大化的能力，>1表明效率提升，反之减弱。后者则是农业生产技术进步带来的产出增加和利润增加，>1表明农业技术作用效果优异，反之不佳。

1.2 数据来源

本文集中于2007—2020年我国省域农业碳排放的时空演化、脱钩效应和绩效评估，考察我国31个省、市、自治区的区域特征和差异。农业碳排放数据来源于《中国统计年鉴》《中国农业年鉴》《中国环境统计年鉴》《中国能源统计年鉴》等，同时充分参考了美国橡树岭国家实验室、南京农业大学农业资源与生态环境研究所、联合国政府间气候变化专门委员会等机构和学者对于碳排放系数的界定。农业碳排放绩效评估体系的基础数据则主要来源于中国农业农村部、国家林业局、水利部、中国气象局、中国海关等官方网站。同时，文中使用我国省际行政区域划分的shp地图形式，来源于中华人民共和国自然资源部。

2 结果

2.1 我国农业碳排放的时空演化

本文计算2007—2020年我国31个省、市、自治区农业碳排放的测算结果，绘制如图1所示的变化曲线。整体而言，我国农业碳排放总量呈现为先上升后下降的“倒U型”曲线，契合低碳经济背景下环境库兹涅茨曲线[37]。碳排放由增向减趋势的拐点出现于2017年，2017年前，农业碳排放增速已表现出放缓态势，并于之后实现了碳排放的下降，至2020年时农产品碳排放总量恢复至2013年前的水平。事实上，自2015年我国农业大力推行“减肥减药”政策以来，农业发展方式开始加速转型。但不同省域产业结构调整、清洁能源开发、发展方式转变等节能减排措施的实施力度不同，省域之间农业碳排放强度差异不断扩大[38]，需进一步考察各区域之间的农业碳排放差异和演变特征。

计算2007—2020年我国东部、中部和西部地区三大区块的农业碳排放总和，柱状图结果显示三大区块的差异性明显。中部地区的省份数量较东部与西部少，但碳排放总量在观测期内始终保持最高，即使平均到各个省份，其碳排放均值也处于各年份的最高水平。整体上，三大区块的农业碳排放变化趋势与全国相似，呈现为不同程度的先上升后下降的“倒U型”曲线，其中东部地区农业碳排放下降趋势更为明显，2013年前碳排放总量高于西部地区，随后年份与西部、中部地区的碳排放总量差距逐渐扩大，减排控排效果显著。

图1 2007—2020年我国农业碳排放总量及各区域农业碳排放量均值

基于对我国农业碳排放总体水平、变化规律、区块差异、演变轨迹的分析，进一步绘制全国和三大区块层面的碳排放Kernel密度图，描述各区块农业碳排放绝对差异变化的时变演进过程。从全国层面来看（图2），核密度曲线表现出整体左移的趋势，表明农业碳排放水平整体处在下行轨道；波峰的高度呈现出由高到低再升高的趋势，表明各个省域相互之间的差异经历了由扩大到缩小的过程。但不难发现区域差异依旧明显，尤其从右拖尾的形态来看，仍然存在部分农业碳排放水平较高的地区。

从东、中、西部三大区域来看（图3），东部地区的核密度曲线总体向左收缩，峰值显著变大，变化区间有所缩小，存在右拖尾现象，表明东部地区大部分省区的农业碳排放量呈现明显下降趋势，区域内各省份的农业碳排放绝对差异逐渐减小，但仍存在部分省域的农业碳排放水平显著高于东部的其他城市，未跟上减排降碳的步调。中部地区主峰在向左缓慢偏移的过程中，高度逐渐下降，右侧形成明显侧峰，“一主一次”的双峰格局表明中部地区在整体农业碳排放水平下降的过程中呈现两极化的趋势，各省域农业碳排放之间的差异有增加的可能。西部地区主峰在整体右移后回到了向左偏移的轨迹，同时主峰由“尖峰”变为“宽峰”，农业碳排放在由整体增大走向减弱趋势的过程中，分布特征呈现出从集聚到分散的演化态势，但相较于东部和中部，西部地区两极化分布程度较低。

图2 全国农业碳排放总量的三维核密度估计图

图3 我国东、中、西部农业碳排放总量的三维核密度估计图

进一步详细识别各省份农业碳排放的空间等级分布格局，使用Geoda软件绘制2007、2013和2020年我国农业碳排放省际空间等级分布图（图略）。整体而言，我国农业碳排放空间等级分布格局较为稳定。东部地区的河北省和山东省始终处于高排放水平，其他省份的碳排放水平都相对较低，这也可以解释上文东部地区Kernel密度估计图中出现的右长尾现象，即河北省和山东省未紧跟东部地区其他省域减排的步伐。中部地区的河南省、安徽省和黑龙江省始终处于高排放水平，这也是中部地区整体农业碳排放水平较高的主要来源，其他省份主要分布在中等排放等级，一定程度上不可避免地形成两极化趋势，这也是中部地区Kernel密度估计图出现“一主一次”双峰格局的缘由。西部地区整体碳排放分布较为分散，在低排放与中高排放之间零散分布。相较于2007年，2013年部分地区碳排放总量上升明显，造成农业碳排放等级的提升。2020年的空间等级分布与2013年相似，一方面反映为图1所示的2020年全国农业碳排放总量已降回至2013年以前水平，另一方面也证明了整体的空间等级分布格局较为稳定。

通过Arcgis绘制标准差椭圆图（图略），得出对应的参数分析表（表4），分析我国农业碳排放空间演变的中心趋势和方向趋势，可以发现标准差椭圆重心始终落在河南省内，长轴标准差始终大于短轴标准差，在长轴方向表现出向东北方向拉长，在短轴方向表现出向西北方向延长的特征，标准差椭圆的面积呈现逐渐扩大的趋势，方位角呈现逆时针旋转，这些特征综合反映出2007—2020年间我国农业碳排放空间格局整体以东北-西南方向为主导，并向东北和西北方向趋向分散化。

具体来看三大区块各自的重心轨迹特征（图4），东部地区农业碳排放重心落在安徽省，重心轨迹变动方向并不固定，在东部整体减排效果较好的情况下，各省份争相实现了减排降碳的突破；中部地区的农业碳排放重心始终落在山东省，并呈现出显著向东北方向的迁移，其他中部省份减排成果越来越显著的情况下，山东省作为减排重心也愈发凸显出来；西部地区的重心则在四川省与甘肃省，且大体上呈现出向西北方向迁移，这也是整体上我国农业碳排放标准差椭圆向西北地区迁移的动力来源。

图4 2007—2020年我国东、中、西部农业碳排放重心转移路径

表4 2007—2020年我国农业碳排放标准差椭圆相关参数

2.2 我国农业碳排放脱钩分析

本文基于两种脱钩评价指标，分别对我国2007 —2020年农业碳排放变化与农业经济发展之间的脱钩类型进行测算。其中，OECD脱钩模型测算结果如表5所示，Tapio脱钩模型测算结果如表6所示。

表5 2007—2020年我国农业碳排放与农业经济发展间的脱钩关系——基于OECD脱钩评价指标

以2007年为基准年绘制我国农业碳排放与农业经济增长脱钩比率的跨年度变化趋势图（图5），可以看到，从2007年到2016年脱钩比率值呈现出下降的趋势，在2017年脱钩比率出现短暂的增长态势，且数值接近于2015年的水平，在此之后平稳下降。

根据表6由Tapio脱钩评价指标测算出的结果可知，在2007—2020年期间，我国农业碳排放变化与农业经济发展间的脱钩类型以主要以弱脱钩、强脱钩为主，即保持农业经济增长水平正向发展的情况下，我国农业经济增速处于一个明显高于其碳排放增速的水平。

具体而言，从2017年作为一个分界线，可分为两个阶段。第一阶段（2007—2016年），该阶段农业碳排放量与农业经济均保持上升趋势，农业碳排放增长速率2009年达到第一个峰值后逐步下降，2016年跌

图5 我国农业碳排放与农业经济增长脱钩比率趋势图

表6 2007—2020年我国农业碳排放与农业经济发展间的脱钩关系——基于Tapio脱钩评价指标

落至0.003的低值点。尽管农业经济增长速率出现同样平缓下降的趋势，但同期仍远快于碳排放增长速率，呈现出保持弱脱钩的农业碳排放脱钩特征态势。第二阶段（2017—2020年），2017年我国农业碳排放弹性出现强负脱钩的特征，即在农业碳排放增长速率为正向时，农业经济增长速率却为负。此后3年，农业碳排放量连年保持下降趋势，与此同时，农业经济稳步增长且增长速率逐年加快，呈现出强脱钩的农业碳排放脱钩特征态势。

2.3 我国农业碳排放的绩效评估

观察表7可知，整体而言，2007—2020年我国农业碳排放绩效呈现出整体上升却存在波动的趋势，仅在2016年值小于1。其中，2009年农业碳排放绩效评估值最大，为1.176；2016年农业碳排放绩效最小，仅为0.997。考察分解结果可知，农业生产技术变化（）是2007—2020年间促进我国农业碳排放绩效改善的重要组成部分，仅在2008和2016年表现出农业技术进步效果不佳，2017年技术进步的增长速率达20.604%，之后更是帮助我国农业碳排放绩效从低谷期逐步恢复。技术效率变化（）这一分解要素有贡献却相对较弱，2013、2014年连续2年呈现技术效率削弱效应，2014年EC数值仅为0.933，随后虽有缓和却并不稳定。

表7 2007—2020年我国农业碳排放绩效评估及分解

值得注意的是，2009年后我国农业碳排放绩效变化速率连续下降，仅在2015年稍有缓和，直至2016年跌入14年来最低点，评估效率减弱明显。深入考察此种现象，一是各地频繁调整农产品生产结构，“米改豆”“旱改水”“粮改饲”等政策的实施，造成部分地区粮食出现供需矛盾，根据国家统计局公开公布数据显示，2016年我国粮食产量连续13年来首次出现同比下降。二是农业规模不断扩张的同时，农资价格上涨、农业机械化道路曲折、农村生产力积极性不高等因素推高了生产成本，限制了增收空间和品质提升。三是农业自然灾害频发，如2012年北方洪涝灾害严重，2016年极端对流天气频发，根据国家粮食和物资储备局的数据显示，我国每年由于气象灾害损失的粮食超过500亿 kg，防灾减灾工作任重道远。

本文根据国务院发展研究院的划分方法，进一步将31个省、市、自治区细化为七大经济区，即北部沿海（北京、天津、河北、山东、辽宁），东部沿海（上海、江苏、浙江），南部沿海（广东、福建、海南），黄河中游（山西、陕西、河南、内蒙古、吉林、黑龙江），长江中游（湖北、湖南、江西、安徽），大西南（云南、贵州、四川、重庆、广西），大西北（甘肃、青海、宁夏、西藏、新疆），探讨各大经济区2007—2020年农业碳排放绩效评估的时空异质性（表8）。总体而言，七大经济区农业碳排放绩效整体平均值大于1，大西北经济区和北部沿海分别居于首位（1.004）和末位（1.001），其余五个经济区效率水平相当（1.001—1.002），区域差异不大，农业资源配置水平较为合理。

具体而言，第一，大西北经济区均值远领先于其他经济区，其中2007、2008、2010、2012、2013和2014年的小于1，总体效果改善明显但存在波动。大西北经济区在七大经济区中面积最大，是我国重要的粮食产区和能源基地，服务于国家农业重大战略，发展节水型设施农业、戈壁农业、寒旱农业等，政策帮扶措施一定程度加快了大西北经济区的农业高质量发展进程。但大西北地区农业基础条件恶劣，水土资源不匹配、土地荒漠化、人力资源不充足等问题依然存在，农业的区域协调性和抗风险性并不稳定，农业碳排放绩效波动频繁。

第二，东部沿海、南部沿海和北部沿海三大经济区均值大于1，却未呈现出预期的高绩效水平，北部沿海经济区绩效水平位居于七大经济区内居于末位。沿海地区资金充足，拥有领先的农业技术水平和规模经济优势，理论上农业碳排放绩效会在各经济区中位于前列，实际情况却与预测相悖。分析内在原因，沿海经济区已经形成完善的农林牧渔全产业价值链，碳排放绩效趋势只能在现有基础上节能减排，致力于向高端精尖农业转型升级，区域发展空间受限严重，较难取得边际突破。

第三，黄河中游经济区均值居中，波动显著，长期发展趋势并不稳定，2008—2009年度绩效增长率为12.731%。该经济区包含山西、河南、黑龙江等省，均是我国粮食生产大省，早期急于扩大农业规模，忽视了区域内部环境与经济的协调发展，水体富营养化、工业水污染等农村环境污染问题突出。一方面，相较于传统农业，生产方式发生转变，现代农业大量使用农药、化肥、化学药剂等制品，另一方面，污染性农业产业大量从经济较发达的沿海地区转移至中部地区，同时，环保意识薄弱，农业基础设施落后，均是导致黄河中游经济区环境恶化，农业碳排放绩效难以大幅改善的深层次因素。

表8 2007—2020年我国七大经济区农业碳排放绩效动态变化情况

3 讨论

3.1 农业碳排放时空演变特征

对我国农业碳排放时空演变特征进行研究发现，2007—2020年我国农业碳排放总量整体上呈现出契合环境库兹涅兹曲线的“倒U型”形状，从2017年开始进入到“倒U型”曲线的下降阶段，2020年其总量已降至2013年前水平，农业减排降碳工作已取得一定的积极成效。值得关注的是，2016年底我国正式通过环境保护税，并于2018年正式实施，实现了从“费”到“税”的转变，通过征税对治污减排和生态环境保护发挥了积极的引导作用[39]。环保税征税的强度与总体碳排放也恰好呈“倒U型”曲线[40]，随着征管的强化与环保税的精细化，碳减排效应也倒逼农产品商户与企业进行绿色化转型，减少污染排放并主动治污。各省份农业碳排放的空间格局基本稳定，然而由于不同区域的产业基础和资源禀赋大不相同，实现“双碳”的路径选择和难易程度存在较大差异。东部地区农业碳排放效果最为显著，当前碳排放总量在三大区域中处于最低水平，作为农业大省的山东省与河北省由于其自身农业体量和发展定位，暂未跟上东部其他低排放地区减排降碳的步调；中部地区农业碳排放总量最高，拥有高排放等级的省份最多，存在两极化的分布结构，应作为未来农业碳减排的重点区域；西部地区各省份间农业碳排放分布分散，绝对差异大，作为碳减排的生态脆弱带，西部地区对农业具有高度依赖性，整体减排压力较大。

经过多年实践，我国农业生产已形成了各具特色的区域性农业发展模式。因此，在优化农业生产结构时，需根据当地的经济基础、资源禀赋、气候条件和文化传统做出合理规划。充分释放各个区域内部和区域之间农业领域知识、技术、人才、信息等创新要素活力，实现优势互补、合作共赢。农业碳排放总量及其绩效水平在区域之间会产生溢出效应，不能仅持有“谁污染，谁治理”的理念，避免“污染一地，转移一地”的恶性循环产生，也不可因某地具体实践中农业碳减排作用有限，减少农业公共投资和区域帮扶。各个省际与区域板块之间应共享低碳技术，发挥相邻区域间的政策示范效应，在区域内形成技术交流的良性互动共同体，最终辐射到全国各地。

3.2 农业碳排放与农业经济增长脱钩类型变动

目前，关于脱钩指标的选取大多数采用两种模型：OECD模型和Tapio模型。其中，更多学者采用加入弹性概念的Tapio模型来对我国农业碳排放与农业经济发展之间脱钩类型进行研究。本文分别基于两种模型对我国农业碳排放与农业经济增长的脱钩类型进行测算，其中基于OECD脱钩评价指标得出的脱钩比率趋势（图5）可以发现2007—2020年整体呈现出下降的趋势，在2014—2017年于0.5的水平上下浮动，并于2018年开始进一步下降至2020年的0.396水平。基于Tapio脱钩评价指标得出的2007—2020年脱钩类型结果，可以发现我国农业碳排放与农业经济增长在2007—2016年一直保持着弱脱钩，在2017年变为强负脱钩后，于2018—2020年间达到了强脱钩类型（表6）。

国务院于2016年发布了《全国农业现代化规划（2016—2020年）》[41]，指出我国农产品部分领域出现较为明显的供求结构性失衡问题，农产品暴露出大而不强、多而不精等问题。此种情况下，我国亟需抓住现有的农业现代化有利条件，为农业转型升级注入新的驱动力。然而，为了推进农业绿色发展，在建设初期可能会出现经济发展速度放缓甚至下降，农民持续增收困难的情况，这会导致农业从业者增大化肥等产品的投入以期提高收入，在农业动力转型初期出现农业碳排放上升的情况，这与2017年我国农业碳排放同农业经济发展间的脱钩类型为强负脱钩的结果是吻合的。为防止我国农用地土壤污染进一步恶化，推进生态文明建设，2018年出台了《中华人民共和国土壤污染防治法》[42]，明晰土壤污染追责制度，填补了我国在土壤污染防治法律的空白，在完善我国环境保护法律体系的同时，对农业碳减排起到促进作用，为农业碳排放与农业经济发展达到强脱钩的成果贡献了政策智慧。

3.3 农业碳排放绩效评估

2007—2020年我国农业碳排放绩效呈现出“迅速上升-缓慢下降-平稳改善”趋势，分析我国农业碳排放绩效和分解变动改善的内在原因可知，一方面，农业生产技术进步和技术效率提升是改善我国农业碳排放绩效的关键推动力量。农业资本量增加、劳动力素质提升、生态环境改善等固然是农业碳排放绩效得以进步的重要保障，农业技术进步和效率提升更是全面推进乡村振兴、实现农业农村现代化的支撑动力。农业技术涵盖促进农业发展的新品类、新设备、新技术和新模式，诸如科学把握农药化肥比例、推广节水灌溉技术、应用无人机病虫害防治系统、构建数字农场智慧平台等，对于实现农业可持续绿色发展起到促进作用。另一方面，在开发利用农业新技术新动能的同时，也应聚焦于技术效率的维护和提升，尤其是规模效率作用引致的技术效率变化。我国拥有扩张迅速的农产品需求市场，农业科技创新是一个长周期的上升过程，加速农业技术整体效能尽快与世界先进水平接轨迫在眉睫，以市场需求为导向，追踪农业底盘技术和核心领域，注重既有的规模效应和技术效率的尤为重要。

4 结论

4.1 我国农业碳排放的时空演化特征显示，2007—2020年农业碳排放整体呈现先上升后下降的“倒U型”曲线，区位差异明显，等级分布稳定。东部地区农业碳减排效果最优，区域差异最小；中部地区整体农业碳排放水平等级较高省份最多，出现“两极化”分布；西部地区碳排放分布较为分散，整体减排降碳压力较大。

4.2 我国农业碳排放变化与农业经济发展之间的脱钩分析显示，我国农业碳排放和农业经济发展之间的脱钩比率整体呈下降趋势，且于2014—2017年在0.5的低水平波动，并于2020年降低至0.396的水平。从整体来看，我国农业碳排放和农业经济增长之间已经能够保持在弱脱钩水平，并向强脱钩水平过渡，可划分为维持在弱脱钩水平的平稳期（2007—2017年）和维持在强脱钩水平的过渡期（2018—2020年）两个阶段。我国农业经济发展整体上开始逐渐摆脱对农业碳排放的依赖。

4.3 我国农业碳排放绩效评估及其分解结果显示，2007—2020年我国农业碳排放绩效评估呈现出“迅速上升—缓慢下降—平稳改善”趋势，其中大西北经济区和北部沿海经济区分别居于首位和末位，农业生产技术变化（）相较于技术效率变化（）的贡献更为突出。

[1] 国家统计局. 2021年全国农业及相关产业增加值占GDP比重为16.05%. (2022-12-30)[2023-05-10]. http://www.stats.gov.cn/xxgk/sjfb/ zxfb2020/202212/t20221230_1891328.html.

National Bureau of Statistics. In 2021, the added value of agriculture and related industries accounted for 16.05% of GDP. (2022-12-30) [2023-05-10]. http://www.stats.gov.cn/xxgk/sjfb/zxfb2020/202212/ t20221230_1891328.html. (in Chinese)

[2] 农业科技进步贡献率10年提升7个百分点—— 科技兴农开花结果. (2022-08-19)[2023-05-10]. http://www.kjs.moa.gov.cn/gzdt/202208/ t20220819_6407317.htm.

The contribution rate of agricultural scientific and technological progress has increased by 7 percentage points in 10 years-science and technology develop rapidly. (2022-08-19)[2023-05-10]. http://www.kjs. moa.gov.cn/gzdt/202208/ t20220819_6407317.htm. (in Chinese)

[3] 关于印发《减污降碳协同增效实施方案》的通知. (2022-06-10) [2023-05-10]. http://www.gov.cn/zhengce/zhengceku/2022-06/17/ content_5696364.htm.

Notice on the issuance of the implementation plan for pollution reduction and carbon reduction synergy. (2022-06-10)[2023-05-10]. http://www.gov.cn/zhengce/zhengceku/2022-06/17/content_5696364. htm. (in Chinese)

[4] 国务院关于印发“十四五”推进农业农村现代化规划的通知. (2021-11-12)[2023-05-09]. http://www.gov.cn/zhengce/content/2022- 02/11/content_5673082.htm.

Notice of the state council on the issuance of the 14th five-year plan for promoting agricultural and rural modernization. (2021-11-12) [2023-05-09]. http://www.gov.cn/zhengce/content/2022-02/11/content_ 5673082.htm. (in Chinese)

[5] WEST T O, MARLAND G. A synthesis of carbon sequestration, carbon emissions, and net carbon flux in agriculture: comparing tillage practices in the United States. Agriculture, Ecosystems & Environment, 2002, 91(1/2/3): 217-232.

[6] 董红敏, 李玉娥, 陶秀萍, 彭小培, 李娜, 朱志平. 中国农业源温室气体排放与减排技术对策. 农业工程学报, 2008, 24(10): 269-273.

DONG H M, LI Y E, TAO X P, PENG X P, LI N, ZHU Z P. China greenhouse gas emissions from agricultural activities and its mitigationstrategy. Transactions of the Chinese Society of Agricultural Engineering,2008, 24(10): 269-273. (in Chinese)

[7] 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. 中国人口·资源与环境, 2011, 21(8): 80-86.

LI B, ZHANG J B, LI H P. Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China. China Population, Resources and Environment, 2011, 21(8): 80-86. (in Chinese)

[8] 李俊杰. 民族地区农地利用碳排放测算及影响因素研究. 中国人口·资源与环境, 2012, 22(9): 42-47.

LI J J. Research on characteristics and driving factors of agricultural land carbon emission in provinces of minorities in China. China Population, Resources and Environment, 2012, 22(9): 42-47. (in Chinese)

[9] 刘月仙, 刘娟, 吴文良. 北京地区畜禽温室气体排放的时空变化分析. 中国生态农业学报, 2013, 21(7): 891-897.

LIU Y X, LIU J, WU W L. Spatiotemporal dynamics of greenhouse gases emissions from livestock and poultry in Beijing area during 1978—2009. Chinese Journal of Eco-Agriculture, 2013, 21(7): 891-897. (in Chinese)

[10] 邵桂兰, 孔海峥, 于谨凯, 李晨. 基于LMDI法的我国海洋渔业碳排放驱动因素分解研究. 农业技术经济, 2015(6): 119-128.

SHAO G L, KONG H Z, YU J K, LI C. Study on decomposition of driving factors of carbon emissions from marine fisheries in China based on LMDI method. Journal of Agrotechnical Economics, 2015(6): 119-128. (in Chinese)

[11] GROOT L. Carbon lorenz curves. Resource and Energy Economics, 2010, 32(1): 45-64.

[12] 田云, 张俊飚, 李波. 基于投入角度的农业碳排放时空特征及因素分解研究: 以湖北省为例. 农业现代化研究, 2011, 32(6): 752-755.

TIAN Y, ZHANG J B, LI B. Research on spatial-temporal characteristics and factor decomposition of agricultural carbon emission based on input angle—taking Hubei Province for example. Research of Agricultural Modernization, 2011, 32(6): 752-755. (in Chinese)

[13] 闵继胜, 胡浩. 中国农业生产温室气体排放量的测算. 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. China Population, Resources and Environment, 2012, 22(7): 21-27. (in Chinese)

[14] 戴小文. 中国农业隐含碳排放核算与分析: 兼与一般碳排放核算方法的对比. 财经科学, 2014(12): 127-136.

DAI X W. Calculation and analysis of embodied CO2emission in China’s agriculture department—a comparison with the general CO2emission calculate method. Finance & Economics, 2014(12): 127-136. (in Chinese)

[15] 章胜勇, 尹朝静, 贺亚亚, 肖小勇. 中国农业碳排放的空间分异与动态演进: 基于空间和非参数估计方法的实证研究. 中国环境科学, 2020, 40(3): 1356-1363.

ZHANG S Y, YIN C J, HE Y Y, XIAO X Y. Spatial differentiation and dynamic evolution of agricultural carbon emission in China— empirical research based on spatial and non-parametric estimation methods. China Environmental Science, 2020, 40(3): 1356-1363. (in Chinese)

[16] 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. 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. Chinese Rural Economy, 2022(3): 104-127. (in Chinese)

[17] 陈胜涛, 张开华, 张岳武. 农业碳排放绩效的测量与脱钩效应. 统计与决策, 2021, 37(22): 85-88.

CHEN S T, ZHANG K H, ZHANG Y W. Measurement and decoupling effect of agricultural carbon emission performance. Statistics & Decision, 2021, 37(22): 85-88. (in Chinese)

[18] SUN J W. The decrease of CO2emission intensity is decarbonization at national and global levels. Energy Policy, 2005, 33(8): 975-978.

[19] RAMANATHAN R. Combining indicators of energy consumption and CO2emissions: a cross-country comparison. International Journal of Global Energy Issues, 2002, 17(3): 214.

[20] 邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展: 基于总体技术前沿和空间溢出效应视角的经验考察. 管理世界, 2022, 38(2): 46-69, 4.

SHAO S, FAN M T, YANG L L. Economic restructuring, green technical progress, and low-carbon transition development in China: an empirical investigation based on the overall technology frontier and spatial spillover effect. Journal of Management World, 2022, 38(2): 46-69, 4. (in Chinese)

[21] 朱洪革, 曹博, 赵文铖. 中国农业全要素碳排放绩效时序演进及空间收敛特征. 统计与决策, 2022, 38(9): 63-68.

ZHU H G, CAO B, ZHAO W C. Temporal evolution and spatial convergence characteristics of China’s agricultural total factor carbon emission performance. Statistics & Decision, 2022, 38(9): 63-68. (in Chinese)

[22] 周泽炯, 张葆俊, 江珂鑫, 朱家明. 绿色发展下的乡村碳排放绩效评价及随机性收敛研究: 基于SE-SBM与面板单位根检验. 哈尔滨师范大学自然科学学报, 2023, 39(1): 20-29.

ZHOU Z J, ZHANG B J, JIANG K X, ZHU J M. Evaluation of rural carbon emission performance under green development and stochastic convergence study—based on SE-SBM with panel unit root test. Natural Science Journal of Harbin Normal University, 2023, 39(1): 20-29. (in Chinese)

[23] 王方怡, 洪志猛, 康智明, 兰思仁, 陈世品, 叶玉珍. 福建省农业碳排放时空变化及其驱动因素. 福建农业学报, 2019, 34(1): 124-134.

WANG F Y, HONG Z M, KANG Z M, LAN S R, CHEN S P, YE Y Z. Spatial-temporal variations and driving forces of agricultural carbon emissions in Fujian. Fujian Journal of Agricultural Sciences, 2019, 34(1): 124-134. (in Chinese)

[24] WANG M X, DAI A G, SHEN R X, HELMUTSCHITZ,HEINZRENNENBERG, WOLFGANGSEILER, WU H B. ch4emission from a Chinese rice paddy field. Acta Meteorologica Sinica, 1990, 4(3): 265-275.

[25] MATTHEWS E, FUNG I, LERNER J. Methane emission from rice cultivation: geographic and seasonal distribution of cultivated areas and emissions. Global Biogeochemical Cycles, 1991, 5(1): 3-24.

[26] CAO M. Methane emissions from China’s paddyland. Agriculture, Ecosystems & Environment, 1995, 55(2): 129-137.

[27] OECD. Indicators to Measure Decoupling of Environmental Pressures from Economic Growth. Paris: OECD, 2002.

[28] 徐卫涛, 张俊飚, 李树明, 孙笑男. 我国循环农业中的化肥施用与粮食生产脱钩研究. 农业现代化研究, 2010, 31(2): 200-203.

XU W T, ZHANG J B, LI S M, SUN X N. Decoupling research on relationship between chemical fertilizer usage and grain production of recycling agriculture in China. Research of Agricultural Modernization, 2010, 31(2): 200-203. (in Chinese)

[29] 王崇梅. 中国经济增长与能源消耗脱钩分析. 中国人口·资源与环境, 2010, 20(3): 35-37.

WANG C M. Decoupling analysis of China economic growth and energy consumption. China Population, Resources and Environment, 2010, 20(3): 35-37. (in Chinese)

[30] 李期, 郑明贵. 中国能源消耗与经济增长关系研究: 基于1996—2017年数据. 江西理工大学学报, 2019, 40(4): 57-61.

LI Q, ZHENG M G. Study on the relationship between energy consumption and economic growth in china—based on the data from 1996 to 2017. Journal of Jiangxi University of Science and Technology, 2019, 40(4): 57-61. (in Chinese)

[31] 陈浩, 曾娟. 武汉市经济发展与能源消耗的脱钩分析. 华中农业大学学报(社会科学版), 2011(6): 90-95.

CHEN H, ZENG J. Study on decoupling between economic development and energy consumption of Wuhan. Journal of Huazhong Agricultural University (Social Sciences Edition), 2011(6): 90-95. (in Chinese)

[32] 彭佳雯, 黄贤金, 钟太洋, 赵雲泰. 中国经济增长与能源碳排放的脱钩研究. 资源科学, 2011, 33(4): 626-633.

PENG J W, HUANG X J, ZHONG T Y, ZHAO Y T. Decoupling analysis of economic growth and energy carbon emissions in China. Resources Science, 2011, 33(4): 626-633. (in Chinese)

[33] 徐玥, 王辉, 韩秋凤. 徐州市农业碳排放时空特征与脱钩效应. 水土保持通报. https://doi.org/10.13961/j.cnki.stbctb.20230526.004.

XU Y, WANG H, HAN Q F. Temporal and spatial characteristics and decoupling effect of agricultural carbon emissions in Xuzhou City. Bulletin of Soil and Water Conservation. https://doi.org/10.13961/ j.cnki.stbctb.20230526.004. (in Chinese)

[34] 孙耀华, 李忠民. 中国各省区经济发展与碳排放脱钩关系研究. 中国人口·资源与环境, 2011, 21(5): 87-92.

SUN Y H, LI Z M. Analysing on the decoupling relationship between carbon dioxide emissions and economic growth of each province in China. China Population, Resources and Environment, 2011, 21(5): 87-92. (in Chinese)

[35] SHESTALOVA V. Sequential malmquist indices of productivity growth: an application to OECD industrial activities. Journal of Productivity Analysis, 2003, 19(2): 211-226.

[36] 程开明, 李泗娥. 全要素生产率指数：演变、比较及展望. 统计学报, 2022, 3(1): 11-26.

CHENG K M, LI S E. Total factor productivity indices: evolution, comparison and prospect. Journal of Statistics, 2022, 3(1): 11-26. (in Chinese)

[37] GROSSMAN G M, KRUEGER A B. Economic growth and the environment. The Quarterly Journal of Economics, 1995, 110(2): 353-377.

[38] 伍国勇, 刘金丹, 杨丽莎. 中国农业碳排放强度动态演进及碳补偿潜力. 中国人口·资源与环境, 2021, 31(10): 69-78.

WU G Y, LIU J D, YANG L S. Dynamic evolution of China’s agricultural carbon emission intensity and carbon offset potential. China Population, Resources and Environment, 2021, 31(10): 69-78. (in Chinese)

[39] 陈海韵. 环保“费改税”对环境保护效果的影响研究: 基于G省案例分析[D]. 广州: 华南理工大学, 2019.

CHEN H Y. Study on the effect of environmental protection “fee to tax”[D]. Guangzhou: South China University of Technology, 2019. (in Chinese)

[40] 薛钢, 明海蓉, 刘彦龙. 环境保护税减排治污的“倒U”效应: 基于区域征收强度的测算. 税收经济研究, 2020, 25(3): 25-34.

XUE G, MING H R, LIU Y L. Inverted U-shaped effect of environmental protection tax on emission reduction and pollution control—based on measurement of the intensity of regional collection. Tax and Economic Research, 2020, 25(3): 25-34. (in Chinese)

[41] 国务院关于印发全国农业现代化规划（2016—2020年）的通知.(2016-10-20) [2023-05-02]. http://www.gov.cn/zhengce/content/ 2016-10/20/content_5122217.htm.

Notice of the state council on issuing the national agricultural modernization plan (2016-2020). (2016-10-20)[2023-05-02]. http:// www.gov.cn/zhengce/content/2016-10/20/content_5122217.htm. (in Chinese)

[42] 中华人民共和国土壤污染防治法. (2018-08-31)[2023-05-02] https://www.mee.gov.cn/ywgz/fgbz/fl/201809/t20180907_549845.shtml.

Law of the people's republic of China on the prevention and control of soil pollution. (2018-08-31)[2023-05-02]. https://www.mee.gov.cn/ ywgz/fgbz/fl/201809/t20180907_549845.shtml. (in Chinese)

Spatial-Temporal Evolution, Decoupling Effect and Performance Evaluation of China’s Agricultural Carbon Emissions

MENG QingLei, YIN YuXiang, WANG YuHao

School of Economics, South-Central Minzu University, Wuhan 430074

【Objective】The temporal characteristics, spatial pattern, evolution mode, decoupling relationship and performance evaluation of China’s agricultural carbon emissions were analyzed scientifically, so as to provide a basis for helping China achieve the goal of “carbon peaking and carbon neutrality” and strengthen the construction of an agricultural power.【Method】This study constructed an index system for assessing agricultural carbon emissions and agricultural carbon emission performance in China, and measured the systematic measurement index of agricultural carbon emissions in Chinese provinces from 2007 to 2020. The Kernel density estimation and standardized ellipsoidal visualization analysis were used to analyze the regional distribution characteristics and spatial-temporal evolution trends of agricultural carbon emissions, Tapio model was used to examine the decoupling relationship between examining agricultural carbon emissions and economic growth, and the super-efficient SBM model with non-expected output was constructed to report the agricultural carbon emission performance and decomposition efficiency of China and the seven economic regions.【Result】 From 2007 to 2020, the overall agricultural carbon emissions in China showed an “inverted U-shaped” curve of rising and then declining, with obvious regional differences and stable distribution of ranks. The eastern region had the best emission reduction effect, the central region had a “bipolar” distribution, and the western region had a higher pressure of emission reduction, with the overall spatial pattern dominated by the northeast-southwest direction, and tended to be decentralized to the northeast and northwest. China’s agricultural carbon emissions and agricultural economic development have been maintained at a weakly decoupled level and have made a breakthrough to a strongly decoupled level, which could be divided into two stages: a stable period (2007-2016) and a breakthrough period (2017-2020). The assessment of agricultural carbon emission performance showed a trend of “rapid rise - slow decline - steady improvement”, with the Great Northwest Economic Zone and the Northern Coastal Economic Zone in the first and last positions, respectively, and the contribution of technological change in agricultural production (TC) was more prominent than that of technical efficiency change (EC).【Conclusion】With 2017 as the inflection point, China’s agricultural carbon emissions as a whole showed a decreasing trend, and the agricultural economic development as a whole was gradually getting rid of the dependence on agricultural carbon emissions, with different agricultural bases and different emission reduction targets in each region and province. It was necessary to reasonably plan the scale and internal structure of agricultural comparative advantage industries according to local conditions, reasonably select the resource endowment production characteristics of industries in the region. At the same time, we should pay attention to technology iteration and updating in the agricultural economic development and energy conservation and emission reduction in the role of promoting, taking into account the regional ecological benefits and economic benefits.

carbon emissions from agriculture; space-time evolution; decoupling effect; performance evaluation