程琳琳^1,2,, 张俊飚^1,2,, 田云³, 周晓时^1,2
1. 华中农业大学经济管理学院,武汉 430070
2. 湖北农村发展研究中心,武汉 430070
3. 中南财经政法大学工商管理学院,武汉 430073

The spatial variation characteristics and dependency of agricultural carbon productivity in China

CHENGLinlin^1,2,, ZHANGJunbiao^1,2,, TIANYun³, ZHOUXiaoshi^1,2
1. College of Economics & Management,Huazhong Agricultural University,Wuhan 430070,China
2. Hubei Rural Development Research Center,Wuhan 430070,China
3. School of Business Administration,Zhongnan University of Economics and Law,Wuhan 430073,China
通讯作者:张俊飚,E-mail：zhangjb513@126.com
收稿日期:2015-04-10
修回日期:2015-10-15
网络出版日期:2016-02-01
版权声明:2016《资源科学》编辑部《资源科学》编辑部
基金资助:国家自然科学基金重点项目（71333006）.国家自然科学基金项目（71273105,41371520）
作者简介:
-->作者简介：程琳琳,男,河南洛阳人,硕士生,主要研究方向为资源与环境经济、低碳经济。E-mail：ch07012210@163.com



展开

摘要
科学测度农业碳生产率并探究其空间关联状况是构建兼具差异化和协调性的碳减排政策的基石。本文对2001-2012年中国31个省（市、区）的农业碳生产率进行测度,在此基础上利用空间相关性指数对其空间相关性、聚类状况进行考察,并运用空间杜宾模型分析农业碳生产率变动的主要影响因素及空间效应。结果表明：①2001-2012年中国各省区农业碳生产率均呈现较为明显的提升趋势,除个别省域外,省域农业碳生产率与其所属地区的经济发展程度基本一致;与此同时,农业碳生产率区域间“异质化”与区域内“均质化”的趋势显现,且以地区间农业碳生产率的“分化”与“极化”的现象较为严重;②省域农业碳生产率存在着较强的空间自相关性,各省区农业产业结构对本地区农业碳生产率具有负向影响,农村教育水平和农业开放程度对其具有正向影响,而农业经济发展水平、受灾程度和农业公共投资对其影响不甚明显;此外,省域农业碳生产率在空间上存在较为明显的溢出效应,其中一省区农村教育水平和农业开放水平对邻域农业碳生产率的提高具有正向带动作用,农业经济发展水平对其则起到抑制作用,而农业产业结构、自然灾害和农业公共投资对周边地区农业碳生产率的影响并不明显。

关键词：农业碳生产率;空间分异;集聚效应;空间依赖;空间Durbin模型;中国
Abstract
Here,we estimated agricultural carbon productivity of China’s 31 provinces from 2001 to 2012 and used the spatial auto-correlation Moran's index to investigate global differentiation characteristics,spatial correlation and clustering. We then employed the spatial Durbin model to explore influential factors and spatial effects of agricultural carbon productivity. The results show that agricultural carbon productivity in all of China’s 31 provinces increased during the sample period,and except for some provinces,provincial agricultural carbon productivity is in line with regional economic development levels. Inter-regional agricultural carbon productivity has a tendency to be heterogeneous,while the agricultural carbon productivity of different provinces in the same region is being homogenized. The differentiation and polarization phenomena of agricultural carbon productivity among different regions are relatively serious. Spatial auto-correlation of provincial agricultural carbon productivity is positive;provincial agricultural industrial structure has a negative influence on local agricultural carbon productivity. However,rural education level and agricultural openness have positive influences. The influence of agricultural economic development level,agricultural calamity degree and agricultural public investment derived from government is not evident. Provincial agricultural carbon productivity in China has spillover effects from the perspective of spatial factors. Rural education level and agricultural openness in one zone plays a role in the improvement of neighborhood agricultural carbon productivity,but,to a certain extent,agricultural economic development will inhibit development and the influence from agricultural economic development level,agricultural natural disaster and agricultural public investment on neighborhood agricultural carbon productivity remains unclear.

Keywords：agricultural carbon productivity;spatial variation;agglomeration effect;spatial dependence;spatial Durbin model;China

-->0
PDF (2010KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
程琳琳, 张俊飚, 田云, 周晓时. 中国省域农业碳生产率的空间分异特征及依赖效应[J]. , 2016, 38(2): 276-289 https://doi.org/10.18402/resci.2016.02.10
CHENG Linlin, ZHANG Junbiao, TIAN Yun, ZHOU Xiaoshi. The spatial variation characteristics and dependency of agricultural carbon productivity in China[J]. 资源科学, 2016, 38(2): 276-289 https://doi.org/10.18402/resci.2016.02.10

1 引言

自2008年中国超过美国成为世界上最大的碳排放国家以来,碳排放问题引起了国家政府的广泛关注^[1]。中国政府“十八大报告”将生态文明建设纳入社会主义事业“五位一体”的总体布局,并提出从源头上扭转生态环境恶化及气候变暖等趋势,低碳发展无疑是建设“两型”社会、大力推进生态文明建设的重要途径。工业部门是碳排放的主要源头,但近年来随着化肥、农药等农用物资的大量使用及畜禽养殖的增多,农业生产活动所引发的碳排放也已成为碳排放的重要来源^[2],约占全国碳排放总量的17% ,不容小觑^[3]。与此同时,面对中国提出到2020年单位国内生产总值CO₂排放较2005年下降40%~45%的约束性发展目标^[4],农业也不能“袖手旁观”,需不断降低其碳排放强度,提高单位碳生产率或碳产出率,与工业减排并进,共同推动中国减排工作的“质”和“量”。
目前,诸多****已对农业碳排放开展研究,研究主要集中在以下四个方面：
（1）农业碳排放量、强度的测算、分解及区域比较。部分****对全国及部分地区的农业碳排放量进行测度^[5-7],并对省域农业碳排放的区域差异和时空演变规律进行探究,发现中国省域和地区间农业碳排放不仅差异明显^[8,9],而且农业碳排放与农业经济之间存在着显著的脱钩效应^[10]。国外****Thamo等运用3种不同方法对澳大利亚农业碳排放进行估量,详细地论证了农业碳排放量变化对农业生产者及相关政策的影响,并考察其对农业生产者和相关政策的经济含义^[11]。
（2）农业碳足迹。基于农业全过程的碳足迹核算也是研究的重点之一。由于经济发展水平、种植模式等差异,不同省份或地区农业碳足迹存在显著的差异性,但农业能源（包括电力、氮肥、农药和农膜）是碳足迹的主要来源^[12,13]。Verge等对加拿大居民日常食物（牛奶产品等）碳足迹进行粗略估算,发现农业生产过程中碳足迹约占其总体碳排放的90%,而且会因农业生产方式、环境条件和能源利用情况的区域差异而不同^[14]。
（3）农业碳减排政策。针对农业主要碳源,不仅可从改善反刍动物营养、推广稻田间歇灌溉和推行长效肥料等措施实现农业碳排放的有效减少^[15],还可通过加大公共农业研发投资、构建区域有效融合的农业市场、发展农业保险及加强信息传播等途径应对气候变化^[16]。课税与富有弹性的政策将有助于推动农业可持续发展并有效减少碳排放量^[17,18],但税率标准及补贴农户的幅度直接影响着政策工具的成本效益^[19],且碳减排政策必须与农民的农作方式以及当地的情况相适应^[20]。
（4）农业碳排放绩效与碳生产率。在测度农业经济绩效时,将农业碳排放纳入其中,可更好地考察农业碳排放效率^[21],这可认为是全要素生产率视角下的单位碳排放所带来的实际产出与理想产出的比值,即农业碳排放绩效。尽管区域间农业碳排放绩效存在差异,但由于省区间所存在的空间相关性,使得区域内省区间农业碳排放绩效具备一定的趋同性和“俱乐部收敛”迹象^[22]。与农业碳排放绩效对应的是农业碳生产率,尽管两者均可考察单位投入的产出水平,但碳生产率作为一定时期内国内生产总值与同期二氧化碳排放量之比,可充分反映单位农业碳排放所产生的农业经济效益或某经济体耗费的单位农业碳资源带来的产出^[23,24],这与农业碳排放绩效核算中将农业碳排放作为非合意产出有所不同。鉴于全国省域农业碳排放绩效和农业碳生产率水平各异^[25],各省域与相邻省区农业碳减排潜力存在相互作用与影响的现实背景下,可通过构建以相邻省区为主的跨省碳减排机制及减排补偿机制,切实落实农业碳减排工作^[26]。
这些成果在理论探讨与实证分析方面均大大丰富了农业碳排放研究体系,但总体上以农业碳排放总量测算居多,关于农业碳生产率及农业碳排放绩效的研究较少,现有的研究仅是从环境角度阐释农业产出的附属物对环境的影响,少有****从投入视角对农业经济社会发展隐含的约束性条件进行探讨,忽视了因过分追求农业产出的增加而增加农业碳排放的现象。此外,由于区域农业生产经营中存在着地理条件趋同、经济互动或贸易往来、要素的流动与转移、生产方式与技术的推广和扩散等,区域间农业生产经营活动彼此相互影响与作用亦属正常。然而,现有诸多对中国农业碳排放的研究忽略了区域农业碳生产率差异及空间关联性等,因此,以地理视角农业碳生产率为切入点来考察中国农业碳排放以及碳减排政策,具有一定的必要性和客观性。

2 数据来源与研究方法

2.1 变量界定与数据处理

2.1.1 农业碳排放及农业碳生产率测算
参考多位****的研究成果,从以下三个方面对农业碳排放量进行测算：
（1）农用物资使用所引致的碳排放,主要包括使用化肥、农药、农膜、农用柴油（主要源自农用机械）及农业灌溉带来的农业碳排放,其具体碳排放系数参照田云^[27]的研究。
（2）水稻生长过程中所产生的CH₄等温室气体排放,由于中国不同区域自然条件（光、热等）差异明显,导致水稻在同一地区不同生长期或不同地区的同一生长期内排放系数不一致,CH₄相关系数主要参考闵继胜等^[6]、田云等^[28]的研究。
（3）畜禽养殖过程中,其肠道发酵和粪便管理系统所产生的CH₄和N₂O,主要包括牛（黄牛、水牛和奶牛）、羊（山羊和绵羊）、猪、马、驴、骡、骆驼及家禽等品种,其具体排放系数参照IPCC^[29]。在测算畜禽养殖所引致的碳排放时,由于不同畜禽在饲养周期上存在差异,根据胡向东等^[30]、闵继胜等^[6]的相关计算方法对畜禽年均饲养量进行调整。与此同时,对于年出栏率>1的畜禽品种（如生猪和家禽）,其平均生长周期分别取200天和55天。当出栏率≥1时,则依据畜禽出栏量进行相应的调整：
Ni=Days_alivei×Mi365（1）
式中 Ni为各畜禽年均饲养量（万头或万只）; Days_alivei为各畜禽平均生长周期（天）; Mi为各畜禽出栏量（万头或万只）。
而当出栏率<1时,依据畜禽年末存栏量进行相应调整,即：
Ni=(Cit+Ci(t-1))2（2）
式中 Ni为各畜禽年均饲养量（万头或万只）; Cit和 Ci(t-1)分别为第t年和t-1年畜禽年末存栏量（万头或万只）。
在此基础上,构建农业碳排放测算公式如下：
E=∑Ei=∑Ti×σi（3）
式中E为农业碳排放量（万t）; Ei为各类农业碳源所引致的排放量; Ti为各碳源的数量; σi为各碳源的排放系数。
本文所探讨的农业碳生产率主要是指一定时期内农业生产总值与同期农业碳排放量之间的比率,即单位农业碳排放所产生的农业经济效应,是农业碳排放强度的倒数,其计算公式为：
cp=gdp/E（4）
式中cp为农业碳生产率（万元/t）;gdp为农业生产总值（亿元）;E为农业碳排放量（万t）。需要说明的是,为了便于分析与研究,将C、CH₄和N₂O统一换算成标准CO₂,参照IPCC 2007年第四次评估报告的参数结果^[31],1tCO₂中含有0.273tC,1tCH₄和1tN₂O所引致的温室效应等同于25tCO₂和298tCO₂引致的温室效应。
本研究农业碳排放量及其效率测算主要涉及中国大陆31省（市、区）,其时间跨度为2001-2012年。农业碳排放测算所需相关数据、农业生产投入与产出相关数据及影响因素相关数据均出自《中国统计年鉴》（2001-2013）^[32]、《中国农村统计年鉴》（2001-2013）^[33]、《中国畜牧业年鉴》（2001-2012）^[34]、《中国农业统计资料》（2001-2012）^[35]、《中国农业年鉴》（2001-2013）^[36]等及各省市统计资料。其中,农用物资（主要包括化肥、农药、农膜、柴油及灌溉等）基本数据出自《中国农村统计年鉴》^[33],均以当年实际情况为准;畜禽特别是反刍动物等相关数据出自《中国畜牧业年鉴》^[34],均以各年末存栏量为准,并经适当调整所得;水稻播种面积等相关数据均出自《中国农业统计资料》^[35]。
2.1.2 碳排放及碳生产率影响因素确定
影响农业碳排放及碳生产率的因素颇多,以往研究主要从经济规模、经济开放度、要素禀赋结构或产业结构、政府环境规制（投资）或节能环保财政支出、能源消费结构、技术创新针对碳生产率影响因素进行探究^[37]。结合本文研究对象以及数据的可获性等,在此确定如下变量,如表1所示。
Table 1
表1
表1农业碳生产率变量设定及说明
Table 1The variables setting and its explanation of agricultural carbon productivity

变量名称	计算方法	数据主要来源
农业产业结构（is）/%	is=种植业总产值-畜牧业总产值农林牧渔业总产值×100	《中国农村统计年鉴》[33]
农村教育水平（edu）/%	edu=高中及以上文化程度劳动力数量农村劳动力总数量×100	《中国农村统计年鉴》[33]
农业经济发展水平（el）/（万元/人）	el=农林牧渔业总产值第一产业年末从业人数×100	《中国农村统计年鉴》[33]等
农业自然灾害程度（dl）/%	dl=农作物受灾面积农作物播种面积×100	《中国农村统计年鉴》[33]
农业公共投资水平（gl）/%	gl=农林水利财政支出财政总支出×100	《中国统计年鉴》[32]等
农业开放程度（ow）/%	ow=农业进口值农业生产总值×100	《中国农村统计年鉴》[33]等

新窗口打开
（1）农业产业结构（is）。由于本文所测算的农业碳排放主要来自种植业和畜牧业,暂选取种植业与畜牧业占农林牧渔业总体的比重作为农业产业结构的替代变量。
（2）农村教育水平（edu）。选取农村劳动力^1）中
高中及以上文化程度人数所占比重来表示。
（3）农业经济发展水平（el）。以可比价的人均农业生产总值表示。
（4）自然灾害程度（dl）。选取农作物受灾率来表示。
（5）农业公共投资水平（gl）。以政府对农林水利财政支出水平来衡量。
（6）农业开放程度（ow）。以当年人民币对美元的汇率折算后的农业进口值占农业生产总值的比重表示。

2.2 研究方法

2.2.1 空间自相关方法
当变量在空间上表现出一定的规律性并非随机分布时,说明变量间存在着一定的空间相关性与依赖性。一般地,采用Moran’s I指数^[38]进行空间自相关性关系检验。其具体公式如下：
I=∑i=1n∑j=1nwij(yi-y?)(yj-y?)S2∑i=1n∑j=1nwij（5）
其中： S2=∑i=1n(yi-y?)2/n, y?=∑i=1nyi/n, S2为样本方差, y?为样本均值。
式中 yi和 yj分别代表各省区农业碳生产率; n为观测单元数量,即中国大陆31个省（市、区）,由于数据获取困难,不包括港、澳、台; wij为空间权重,采用Rook邻接空间权重,即当区域i与区域j存在共同的边,则认为两区域相邻, wij=1。反之则不相邻, wij=0。需要注意的是,由于海南的独特位置,在此仅将广东一省作为其邻域。
依照上述公式所计算出的Moran’s I取值为 [-1,1],其值若位于[-1,0）和（0,1]之间,表示两相邻空间单元分别存在空间负相关性和空间正相关性;若其取值为0时,则表示各空间单元呈现随机分布状态,相邻单元不存在空间相关关系。在度量农业碳生产率的全域空间相关性后,将进一步使用局域Moran’s I指数,对各省域农业碳生产率的集聚类型等进行分析。
2.2.2 空间杜宾模型
空间计量模型主要包括空间自回归（或滞后）模型、空间误差模型与空间杜宾模型。其中,空间滞后模型主要探讨变量在一区域内是否有扩散或溢出效应,空间误差模型便于进行不同地区因地理位置的不同造成地区间相互作用形式存在差异的相关分析,空间杜宾模型不仅可考察一地区变量与因变量之间的关系,还能度量其他地区（邻域等）滞后自变量与因变量对该地区的影响,并可简化为空间滞后模型和空间误差模型,较这两个模型更能全面地考察不同维度因素对因变量的影响,适合本文农业碳生产率的研究。参照LeSage等^[39]将空间杜宾模型表达为：
Yit=ρ?wij?Yjt+Xit?βi+ηi?wij?Xjt+εitεit~N(0,σ2In)（6）
式中Y为各空间单元在时期t的因变量;X为n×k的矩阵,k为外生自变量的个数;w为n×n空间权重矩阵,wY和WX分别为表示因变量和自变量的空间滞后项; ρ、 βi和 ηi分别为待估参数; ε为随机扰动项。
进一步,可将上式化简为：
Yit=(In-ρ?wij)-1(β?wij+η?wij?Xjt)+(I-ρ?wij)-1
=(In-ρ?wij)-1(βk+ηk?wij)（7）
式中直接效应为 (In-ρ?wij)-1(βk+ηk?wij)dˉ,表示自变量引起的其所在区域因变量变化的平均水平, dˉ为矩阵中斜对角线元素的均值;间接效应为 (In-ρ?wij)-1(βkIn+ηk?wij)rsumˉ,表示本地区自变量所引起的邻域因变量变化的平均水平, rsumˉ为矩阵非斜对角线元素的均值;总效应为直接效应和间接效应之和。
在进行相关研究前,需确定模型具体形式。对于面板数据模型效应,根据误差成分的不同可分为固定效应和随机效应。本文主要考察随时间变化的自变量对因变量的影响,在地理位置相对稳定的前提下,各区域受时间变化的影响将更加明显^[40,41],而且不需以个体来推断整体^[42],故固定效应模型更加合适。但具体是选择空间固定模型还是时间固定效应,将用Wald检验和LR检验来确定。基于此,构建农业碳生产率影响因素的空间杜宾模型,具体形式如下：
ln(cpit)=ρ?wijln(cpit)+β1ln(isit)+β2ln(eduit)+β3ln(elit)+β4ln(dlit)+β5ln(ilit)+β6ln(owit)+η1wijln(isit)+η2wijln(eduit)+η3wijln(elit)+η4wijln(dlit)+η5wijln(ilit)+η6wijln(owit)+αt+γt（8）
式中 cp为农业碳生产率; ln(cp)为农业碳生产率的自然对数值;ln（is）、ln（edu）、ln（el）、ln（dl）、ln（il）、ln（ow）分别表示农业产业结构、农村教育水平、农业经济发展水平、农业自然灾害程度、农业公共投资水平和农业开放程度的自然对数值;i和j为地区,t为年份; wij为空间权重矩阵; ρ、 βi和 ηi分别为待估参数, αt和 γt分别为时间固定效应和空间固定效应。

3 结果及分析

3.1 省域农业碳生产率动态演进

基于前文所构建的农业碳排放量及农业碳生产率的测算公式,分别对中国大陆31个省（市、区）2001-2012年农业碳生产率进行测算。在此基础上,进一步考量省域农业碳生产率的演变趋势及区域分布状况,见图1和图2。
显示原图|下载原图ZIP|生成PPT
图12001-2012年部分年份中国大陆31省（市、区）农业碳生产率变化
-->Figure 1The change trend of agricultural carbon productivity of 31 provinces in China from 2001 to 2012
-->

显示原图|下载原图ZIP|生成PPT
图22001-2012年中国大陆31省（市、区）农业碳生产率区域分布状况
-->Figure 2The regional distribution situation of agricultural carbon productivity of 31 provinces in China from 2001 to 2012
-->

3.1.1 农业碳生产率时序演变
图1展示了2001年、2004年、2008年和2012年农业碳生产率变动趋势。由图1可知,2012年农业碳生产率最高的地区为北京（1.132万元/t）,海南次之（0.866万元/t）,天津、福建和辽宁分列3~5位,依次为0.802万元/t、0.747万元/t和0.737万元/t。农业碳生产率最低的地区为西藏,仅为0.055万元/t,青海、宁夏、内蒙古和江西依次位居倒数第2~5位,分别为0.083万元/t、0.257万元/t、0.269万元/t和0.272万元/t;三大区域中,以东部地区农业碳生产率最高,为0.644万元/t,中部和西部分列二、三位,且均低于全国平均水平0.436万元/t。
与2001年相比,各地区农业碳生产率均呈较为明显的上升态势。其中,海南的增幅最大,高达94.48%,年均递增约6.23%;广西以91.89%的微小劣势紧随其后,位居第2;山东、河北和山西分列第3~5位,依次增长了76.03%、75.10%和69.64%。内蒙古的增幅最小,仅为16.14%,年均递增约1.37%;上海、黑龙江、宁夏和甘肃依次位列倒数第2~5位,增幅分别为25.73%、27.07%、27.46%和30.29%。三大地区2001-2012年农业碳生产率均有较大幅度的增长,以东部地区的增幅最大（59.87%）,年均递增约4.29个百分点,处于优势地位;西部和中部地区分别较2001年增长了52.46%和46.86%,三地区农业生产率增长状况差异较大。由此不难发现,在现有梯度发展模式及区域差异影响下,经济发展水平较高的地区,其农业碳生产率也相对较高。
3.1.2 农业碳生产率区域分布格局变化
为了更加清晰展现省际及地区差异,结合各年省域农业碳生产率值的实际大小,采用“自然间断点”法将中国31省区依次划分为5个层次,分别代表“低值区”、“较低值区”、“中值区”、“较高值区”和“高值区”（见图2）。由图2d可知,2012年北京的农业碳生产率最高,为1.132万元/t;辽宁、河北等7省1市属于较高值区,其农业碳生产率介于（0.566~0.866）万元/t,与北京共同形成农业碳生产率高值外围圈。中值区主要涉及吉林、陕西等5省2市,其农业碳生产率介于（0.371~0.565）万元/t;较低值区和低值区主要集中于中部和西部的大部分省区,其农业碳生产率均小于0.370万元/t。
纵观图2a、图2b、图2c、图2d中2001-2012年各省区农业碳生产率的变化,可以发现省域间农业碳生产率仍以低值为主,尽管其增长较快,但省区间差距不断扩大的趋势明显,单一集中连片分布格局逐渐分为多个连片小区域。具体来看,图2a中2001年中值及以上区域数量仅占总体的29.03%,而图2d中2012年这一比例扩大至51.61%,相邻省区农业碳生产率或逐渐趋于一致或差异明显。同时,2001年农业碳生产率最高的北京与最低的西藏仅相差0.650万元/t,但2012年这一差距扩大至1.077万元/t,这更加突显出地区发展速度的不均衡性。总体而言,除个别省市（湖北、陕西等）外,中国省域农业碳生产率与其所属地区的经济发展程度基本一致,农业碳生产率区域间“异质化”和区域内“均质化”的趋势较为明显,且以地区间的“分化”与“极化”现象较为严重。

3.2 农业碳排生产率的空间相关性

3.2.1 全局相关性
为明晰省区农业碳生产率是否存在一定的空间依赖性,先用全域Moran’s I指数对其度量与检验,详见表2。
Table 2
表2
表22001-2012年中国省域农业碳生产率全局Moran’s I检验结果
Table 2The global Moran’s I test results of provincial agricultural carbon productivity in China from 2001 to 2012

年份	Moran's I	期望值	标准差	Z值	P值
2001	0.462	-0.033	0.112	4.454	0.001
2002	0.445	-0.033	0.115	4.152	0.001
2003	0.441	-0.033	0.108	4.350	0.001
2004	0.394	-0.033	0.108	3.974	0.003
2005	0.384	-0.033	0.113	3.671	0.002
2006	0.380	-0.033	0.110	3.749	0.001
2007	0.404	-0.033	0.109	4.009	0.001
2008	0.434	-0.033	0.107	4.314	0.001
2009	0.442	-0.033	0.112	4.248	0.002
2010	0.443	-0.033	0.111	4.249	0.002
2011	0.451	-0.033	0.112	4.302	0.001
2012	0.443	-0.033	0.108	4.401	0.001

新窗口打开
2001-2012年中国农业碳生产率的全局Moran’s I指数均为正,最大值出现在2001年,高达0.462,最小值则在2016年为0.380,这表明中国农业碳生产率存在着全域自相关性,且自相关程度较高。就全局Moran’s I指数的变动趋势而言,大致可划分为差异明显的两阶段,即持续下降期（2001-2006年）和平稳上升期（2007-2012年）,其中前一阶段农业碳生产率的空间自相关性有所减弱,后一阶段整体不断增强,且在2009-2012年一直位于0.442~0.451的空间高度自相关性水平上。具体来看,Moran’s I先由2001年的0.462持续降至2006年的0.380后,2007年逐步回升至0.404,后一直稳步攀升至2011年的0.451,但在2012年又有小幅回落。
全域Moran’s I指数反映出中国省域农业碳生产率在空间上存在较强的正自相关性,农业碳生产率高的地区与其他高值地区相邻或集聚,而农业碳生产率低的地区与其他低值地区相邻或集聚,相邻地区由于地理位置的邻近与其他因素的共同作用,其农业碳生产率具有类似的属性或特征。换言之,中国省域农业碳生产率增长并非是相互分离、随机分布的,而是具有一定的依赖性或集聚性,如高农业碳生产率区域之间趋同,形成“高-高”集聚的格局,低农业碳生产率区域间相互影响,形成“低-低”集聚的局面,相邻区域间的依赖性与扩散效应使得这种集聚状况得到强化。尽管从全域角度已证明中国农业碳生产率存在较强的空间自相关性,但区域内部的空间分布模式（如空间集聚类型等）并不明朗,故下文将进一步对农业碳生产率的局部自相关性进行探究。
3.2.2 局部相关性
图3a、图3b、图3c、图3d给出了2001-2012年部分年份中国省域农业碳生产率的聚类状况。从图3d中发现,2012年处于“低-低”集聚的地区有8省1市5区,其在数量上占据绝对优势,主要以西部地区为主,附带中部的湖北和湖南两省;“高-高”集聚地区的数量仅次于“低-低”集聚,集中分布于东部沿海地区,以北京、上海和天津等6省3市为代表。“高-高”集聚和“低-低”集聚这两大聚类的地区占到总体的74.19%,说明尽管区域内部的均质化趋势明显,但区域间的分化现象也十分严重。中部地区的山西、江西和安徽三省均属于“低-高”集聚类型,而东部地区的广东和辽宁、中部地区吉林和西部地区的陕西则属于“高-低”集聚类型,但这两大聚类区域数量较少。
与图3a 2001年相比,除个别省区聚类状况发生明显变化外,大部分省区并未发生较大变动。具体来看,北京、河北、天津等地一直处于“高-高”聚类,变化较小;安徽和江西两省一直处于“低-高”聚类,被其他高碳生产率区域所包围;黑龙江、新疆、宁夏等13省区均处于“低-低”聚类,而仅有广东省属于“高-低”聚类且未发生变化;同时,河南由“高-低”聚类变为“高-高”聚类、陕西由“低-低”聚类变为“高-低”聚类、内蒙古和山西分别由“低-高”聚类变为“低-低”聚类和“低-高”聚类、吉林则由“高-高”集聚变为“高-低”集聚,这均在很大程度上反映出本区域及邻域农业碳生产率的不断变化,会使该地区农业碳生产率在一定范围内出现相对位置变化,进而有助于各聚类格局的形成与稳定。
进一步对各地区农业碳生产率的空间聚类状况进行检验发现,图3d 2012年新疆、青海和四川分别通过了0.01置信水平显著检验,而西藏、甘肃、陕西、云南、河北、北京和天津则在0.05的置信水平下显著,其他地区均在此之外。在通过显著性检验的各区域间,日益形成两大逐渐分化且渐趋稳定的格局,即以新疆、西藏、青海等为代表的“低-低”聚类地区与以河北、北京和天津为主要代表的“高-高”聚类地区。总体而言,中国农业碳生产率存在明显的正向相关性,区域内各省域间差异逐渐缩小,呈现出均质化特征,但区域间分化现象较为严重,且这种格局逐渐趋于稳定,发生剧烈变化的可能性较小。
对于该现象形成的原因,可能的解释如下。首先,随着国家碳减排政策的逐步制定与完善,经济发达地区要实现发展与减排的双目标,就会将诸多高污染与高耗能的产业转移到其他地区,具体到农业领域,如减少水稻生产、缩减畜禽养殖规模等,但要保证全国粮食安全与畜禽产品的充足,这些任务就被转嫁给其他省份,特别是农业大省;而且由于发达地区拥有较为先进的农业机械与生产技术等,其农业碳排量相对较小,这也使得其农业碳生产率一直较高。其次,中部省份大多为中国农业大省,在高投入、高消耗的现实状况下,其农业碳排放量较高,而农业碳生产率较低,如安徽、江西、湖北、湖南等地;与此同时,作为连接东部和西部地区的中间地带,其往往在很大程度上承担着对东部产业转移的重任,也具有较好的农业人才与技术等,农业碳生产率增长较快,如河南、吉林等。此外,西部欠发达地区等则由于较多地承担着畜禽养殖等重任,其农业生产率也会相对较低,甚至会出现不断变动的情形,如内蒙古等。
显示原图|下载原图ZIP|生成PPT
图32001-2012年中国大陆31省（市、区）农业碳生产率局部空间聚类状况
-->Figure3The local spatial agglomeration patterns of agricultural carbon productivity of 31 provinces in China from 2001 to 2012
-->

3.3 农业碳生产率的空间杜宾模型分析

3.3.1 估计结果与分析
Wald检验和LR检验表明对农业碳生产率的回归分析应选用时间固定效应的空间杜宾模型。利用Matlab对其进行估计,具体结果见表3。就模型的空间自回归系数来看,其非常显著,并通过0.01的置信水平检验,这在很大程度上可以说明中国省域农业碳生产率在空间上存在较为明显的溢出效应,即本地区农业碳生产率提高对邻域碳生产率具有较强的拉动作用,本地区农业碳生产率增长1.00%,邻域农业碳生产率也会因此提高0.25%,这与相关****的研究基本一致^[43]。
（1）农业产业结构、农村教育水平和农业开放水平均对本地区农业碳生产率具有显著的影响作用,而农业经济发展水平、受灾程度和农业公共投资对其影响不甚明显。具体来看,种植业和畜牧业比重增加对农业碳生产率具有负向影响,而农村教育水平和农业开放水平具有正向影响,且三个因素均通过了0.01的置信水平显著检验。相比林业和渔业,种植业与畜牧业是本文所测算的农业碳排放的主要碳源,在大量投入化肥等生产物资及不断扩大养殖规模的情况下,它们在农业部门中的比重越高,通常意味着农业碳排放量越大,而农业生产总值较农业碳排放增长慢,必然导致农业碳生产率的下降。农村教育水平的不断提高,有助于农民环保意识的提升,并通过运用新型生产工具、技术及先进的生产方式降低农业生产物质投入,不仅增加农业收益,而且减少能耗与农业碳排放,提高农业碳生产率。农业开放度的提高,意味着中国农产品进口的增加,这在一定程度上可代替国内农业生产,减少国内农业碳排放量并间接实现其向贸易国的转移,在农业产值不变或增加的同时,农业碳生产率实质上是提高的。
（2）各因素与空间权重的交互项中,农业产业结构调整、农村教育水平和农业开放水平对邻域农业碳生产率的提高具有正向带动作用,而农业经济发展水平对其具有抑制作用,自然灾害和农业公共投资对周边地区农业碳生产的影响并不显著。究其原因或在于,在农产品需求增长不甚明显的情况下,本地区种植业与畜牧业规模的不断扩大及其在某类农产品所具有的绝对优势,将对其邻域产生替代作用,导致邻域农业生产规模和投入的不断缩减甚至出现“弃农化”现象,农业经济发展放缓,易形成“低-高”集聚格局。与此同时,随着区域间劳动力流动日益频繁,以及知识的溢出效应与人的扩散效应,使得本地区劳动力能够对邻域先进生产方式的运用及农业经济发展产生带动作用,促进农业碳生产率的提高,逐渐形成“高-高”集聚的状况。因此,若对农业产业结构、农村教育水平和农业开放程度进行方面进行相应的调整,那么显著地推进本地区农业碳生产率的增长,并将有助于其他省份农业碳减排目标的实现。
Table 3
表3
表3农业碳生产率各影响因素空间杜宾模型回归结果
Table 3The estimated results of agricultural carbon productivity with SDM

变量	系数	t值	变量	系数	t值
ln（is）	-0.852***	-4.079	Wln（is）	0.580**	2.010
ln（edu）	0.456***	14.148	Wln（edu）	0.199**	2.349
ln（el）	0.075	1.370	Wln（el）	-0.644***	-6.436
ln（dl）	0.025	0.912	Wln（dl）	0.070	1.318
ln（gl）	0.093	1.325	Wln（gl）	-0.075	-0.502
ln（ow）	0.097***	9.306	Wln（ow）	0.055***	2.023
W# dep.var.	0.250***	3.895
R2	0.791		log-likehood	-67.053

注：***、**、*分别表示通过1%、5%和10%的显著性检验;W#dep.var为空间溢出效应系数,即本地区农业碳生产率对邻域农业碳生产率的影响关系。
新窗口打开
Table 4
表4
表4各变量直接效应、间接效应和总效应检验结果
Table 4The direct effect,indirect effect and total effect of independent variables

变量	直接效应			间接效应			总效应
	系数	t值		系数	t值		系数	t值
ln（is）	-0.827***	-4.079		0.464	1.457		-0.364	-1.339
ln（edu）	0.476***	14.670		0.402***	3.984		0.878***	8.246
ln（el）	0.039	0.724		-0.803***	-5.927		-0.765***	-5.356
ln（dl）	0.031	1.157		0.099	1.484		0.130*	1.843
ln（gl）	0.089	1.218		-0.063	-0.329		0.027	0.123
ln（ow）	0.101***	9.410		0.102***	2.830		0.203***	4.881

注：***、**、*分别表示通过1%、5%和10%的显著性检验。
新窗口打开
3.3.2 空间效应比较分析
在明确各因素是否对本地区及周边地区农业碳生产率具有影响后,为进一步把握其具体影响方向以及大小,本文将对各因素对农业碳生产率所产生的直接效应、间接效应和总效应进行探讨,详见表4。
（1）就总效应而言,农业产业结构、农业经济发展水平对农业碳生产率产生负向效应,即抑制农业碳生产率的增长,而农村教育水平、自然灾害、农业公共投资和农业开放度则具有正向作用,即能够促进农业碳生产率的提高。需要注意的是,尽管变量自然灾害通过了0.1的置信水平显著检验,但可以发现其与农业公共投资对农业碳生产率的各种效应均较小。
（2）尽管农业产业结构和农业经济发展程度对农业碳生产率均具有负效应,但二者的影响力差异明显。其中,农业产业结构的直接效应为-0.83%,间接效应为0.46%,即本地区种植业和畜牧业比重增加1.00%,将导致本地区农业碳生产率下降0.83%,邻域则上升0.46%,但由于直接效应大于间接效应,使其在总效应上呈负向影响。与产业结构相反,农业经济发展程度则是直接效应小,间接效应大,即其增长1.00%,将会使本地区农业碳生产率增长0.04%,邻域地区下降0.80%,对邻域地区的抑制作用要明显大于对本地区的促进作用。
（3）农村教育水平和农业开放度均对本地区和邻域区域的农业碳生产率产生正向带动作用,且作用力均十分明显。农村教育水平对农业碳生产率的直接效应与间接效应分别为0.48%和0.40%,即一地区农村教育水平提高1个百分点,其将促进本地区和周边地区农业碳生产率分别增长0.48和0.40个百分点,其正向带动作用为各因素中最大。农业开放水平的直接效应和间接效应均为0.10%,即农业开放水平增长1.00%,将促使本地区和周边区域农业碳生产率均提高0.10%,这与农村教育水平相比,两者间的差距较为明显。

4 结论与讨论

4.1 结论

本文基于空间维度,以农业碳生产率为切入点,考察了2001-2012年中国31个省（市、区）农业碳生产率的时序演变规律、空间分布格局及空间相关性;在此基础上,利用空间杜宾模型对影响农业碳生产率的主要因素及各因素的空间效应进行探讨,主要结论如下：
（1）2001-2012年中国各省区农业碳生产率均有较为明显的提升趋势,除个别省份外,中国省域农业碳生产率与其所属地区的经济发展程度基本一致,在现有梯度发展模式及区域差异影响下,经济发展水平较高的地区,其农业生产率也相对较高,而经济欠发达地区的农业碳生产率相对较低。与此同时,农业碳生产率区域间“异质化”和区域内“均质化”的趋势显现,且地区间农业碳生产率的“分化”与“极化”的现象较为严重。
（2）中国省域农业碳生产率在空间上存在着显著的正自相关性与集聚特征,并非是相互分离、随机分布的,彼此之间具有一定的依赖效应。就各地区农业碳生产率的聚类状况看,“低-低”集聚主要以西部地区为主,附带中部的湖北和湖南两省,“高-高”集聚集中于东部沿海地区,这两大聚类的地区占到总体的74.19%;中部地区的山西、江西和安徽三省属于“低-高”集聚类型,而东部地区的广东和辽宁、中部地区吉林和西部地区的陕西则属于“高-低”集聚类型,且这两大聚类区域的数量较少。
（3）在影响农业碳生产率的各因素中,产业结构对本地区农业碳生产率具有负向影响,而农村教育水平和农业开放水平对其产生正向影响,农业经济发展水平、受灾程度和农业公共投资对本地区农业碳生产率的影响并不明显。与此同时,中国省域农业碳生产率存在着较强的空间溢出效应,即一地区农业碳生产率不仅与本地区自身状况有关,还受到周边地区发展状况的影响,其中本地区农村教育水平和农业开放度的提高将有助于拉动邻域农业碳生产率的增长,而农业经济发展水平对邻域农业碳生产率则有抑制作用,农业产业结构、自然灾害和农业公共投资的影响并不明显。

4.2 建议与不足

相比以往研究,本研究在对中国省域农业碳排放主要碳源进行较为全面测算的基础上,基于投入视角将农业经济发展状况与农业碳排放这一约束相结合,对省域农业经济社会发展隐含的约束性条件等方面进行探讨,并借助空间计量相关理论对区域农业碳生产率分布格局、空间自相关性、集聚状况和溢出效应等进行考察,便于客观把握省域农业产出的经济效益状况等。结合上述研究结论及其产生的原因,建议充分挖掘区域碳减排有利因素（如农村教育文化水平和对外开放度等）并有效控制不利因素（如农业产业结构等）外,还应借助诸多因素的空间溢出效应,逐步构建起衔接周边多区域的碳排放权交易市场,并有效推动跨区域碳减排合作机制的形成。
本文也存在诸多不足,如农业碳排放测算体系的构建尽管较为全面,但限于数据的可获得性及笔者自身能力,未能考虑所有的碳源（如秸秆焚烧等）;其次,在农业碳生产率的影响因素选择方面,未能将技术创新、资源禀赋等因素纳入其中,并未根据各影响指标的效应提出切合实际的农业碳减排具体举措,故对该问题的分析尚不够全面。这些将是笔者研究需要克服的难点和重点。
The authors have declared that no competing interests exist.

---

参考文献文献选项 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[22]	高鸣,宋洪远. 中国农业碳排放绩效的空间收敛与分异-基于Malmquist-luenberger指数与空间计量实证分析 [J]. 经济地理,2015,35(4):142-148. [本文引用: 1] [Gao M,Song H Y.Dynamic Changes and spatial agglomeration analysis of the Chinese agricultural carbon emissions performance [J]. Economic Geography,2015,35(4):142-148.] [本文引用: 1]
[23]	潘家华,庄贵阳,郑艳,等. 低碳经济的概念辨识及核心要素分析 [J]. 国际经济评论,2010,(4):88-102. [本文引用: 1] [Pan J H,Zhuang G Y,Zheng Y,et al.Clarification of the concept of low-carbon economy and analysis of its core elements [J]. Economic Focus,2010,(4):88-102.] [本文引用: 1]
[24]	Beinhocker E,Oppenheim J,Irons B,et al.The Carbon Productivity Challenge:Curbing Climate Change and Sustaining Economic Growth[R]. Chicago:McKinsey Global Institute,2008. [本文引用: 1]
[25]	许冬兰,王樱洁. 中国沿海渔业碳生产率的区域差异及影响因素 [J]. 中国农业大学学报,2015,20(2):284-290. [本文引用: 1] [Xu D L,Wang Y J.Regional differences and influencing factors of China’s coastal fishery carbon productivity [J]. Journal of China Agricultural University,2015,20(2):284-290.] [本文引用: 1]
[26]	吴贤荣,张俊飚,程琳琳,等. .URL [本文引用: 1] URL [本文引用: 1]
[27]	田云,张俊飚. 中国农业生产净碳效应分异研究 [J]. 自然资源学报,2013,28(8):1298-1309. [本文引用: 1] [Tian Y,Zhang J B.Regional differentiation research on net carbon effect of agricultural production in China [J]. Journal of Natural Resources,2013,28(8):1298-1309.] [本文引用: 1]
[28]	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.URL [本文引用: 1] URL [本文引用: 1]
[29]	IPCC. 2006 IPCC Guidelines for National Greenhouse Gas Inventories Volume 4:Agricultural,Forestry and Other Land Use [M]. Paris:OECD,2006. [本文引用: 1]
[30]	胡向东,王济民. 中国畜禽温室气体排放量估算 [J]. 农业工程学报,2010,26(10):247-252. [本文引用: 1] [Hu X D,Wang J M.Estimation of livestock greenhouse gases discharge in China [J]. Transactions of the CSAE,2010,26(10):247-252.] [本文引用: 1]
[31]	IPCC. Fourth Assessment Report of the Intergovernmental Panel on Climate Change[R]. Cambridge:Cambridge University Press,2007. [本文引用: 1]
[32]	国家统计局. 中国统计年鉴(2001-2013)[M]. 北京:中国统计出版社,2001-2013. [本文引用: 2] [National Bureau of Statistics of the People’s Republic of China. Statistical Yearbook of China[M]. Beijing:China Statistical Publishing House,2001-2013.] [本文引用: 2]
[33]	国家统计局. 中国农村统计年鉴(2001-2013)[M]. 北京:中国统计出版社,2001-2013. [本文引用: 7] [National Bureau of Statistics of the People’s Republic of China. China Rural Statistical Yearbook[M]. Beijing:China Statistical Publishing House,2001-2013.] [本文引用: 7]
[34]	中国畜牧业年鉴编辑委员会. 中国畜牧业年鉴(2001-2012)[M]. 北京:中国农业出版社,2001-2012. [本文引用: 2] [China Animal Husbandry Yearbook Editorial Committee. China Animal Industry Yearbook(2001-2012)[M]. Beijing:China Agriculture Press,2001-2012.] [本文引用: 2]
[35]	农业部. 中国农业统计资料(2001-2012)[M]. 北京:中国统计出版社,2001-2012. [本文引用: 2] [Ministry of Agriculture of the People’s Republic of China. China Agricultural Statistical Report(2001-2012)[M]. Beijing:China Agriculture Press,2001-2012.] [本文引用: 2]
[36]	中国农业年鉴编辑委员会. 中国农业年鉴(2001-2013)[M]. 北京:中国农业出版社,2001-2013. [本文引用: 1] [China Agriculture Yearbook Editorial Committee. China Agriculture Yearbook[M]. Beijing:China Agriculture Press,2001-2013.] [本文引用: 1]
[37]	张永军. 技术进步、结构变动与碳生产率增长 [J]. 中国科技论坛,2011,(5):114-120. [本文引用: 1] [Zhang Y J.Technical progress,industrial structure and carbon productivity growth [J]. Forum on Science and Technology in China,2011,(5):114-120.] [本文引用: 1]
[38]	Anselin L.Spatial Econometrics:Methods and Models [M]. Dordrecht:Kluwer Academic Publishers,1998. [本文引用: 1]
[39]	LeSage J,Pace R. Introduction to Spatial Econometrics[M]. Boca Raton,US:CRC Press Taylor & Francis Group,2009. [本文引用: 1]
[40]	徐盈之,王书斌. 碳减排是否存在空间溢出效应?-基于省级面板数据的空间计量检验 [J]. 中国地质大学学报(社会科学版),2015,15(1):41-50. [本文引用: 1] [Xu Y Z,Wang S B.Is there spatial spill effect of carbon reduction in China:Based on the spatial econometric test of provincial panel data [J]. Journal of China University of Geosciences(Social Sciences Edition),2015,15(1):41-50.] [本文引用: 1]
[41]	Mundlak Y.On the pooling of time series and cross section data [J]. Econometrica,1978,46(1):69-85. [本文引用: 1]
[42]	Baltagi B H.A Companion to Econometric Analysis of Panel Data [M]. New York:John Wiley &Sons,2009. [本文引用: 1]
[43]	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. [本文引用: 1] [Li Q P,Li C J,Xiao X Y.The spatial effects of agricultural carbon emissions in China:Based on spatial Durbin model [J]. Journal of Arid Land Resources and Environment,2015,29(4):30-35.] [本文引用: 1]
[1]	潘家华,张丽峰. 中国碳生产率区域差异性研究 [J]. 中国工业经济,2011,(5):47-57. [本文引用: 1] [Pan J H,Zhang L F.Research on the regional variation of carbon productivity in China [J]. China Indu-strial Economics,2011,(5):47-57.] [本文引用: 1]
[2]	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 [J]. 农业现代化研究,2011,32(6):752-755. [本文引用: 1] [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 [J]. Research of Agricultural Modernization,2011,32(6):752-755.] [本文引用: 1]
[3]	赵文晋,李都峰,王宪恩. 低碳农业的发展思路 [J]. 环境保护,2010,(12):38-39. [本文引用: 1] [Zhao W J,Li D F,Wang X N.The develop-ment path of low-carbon agriculture in China [J]. Environmental protection,2010,(12):38-39.] [本文引用: 1]
[4]	沈能,王艳,王群伟. .URL [本文引用: 1] URL [本文引用: 1]
[5]	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 [J]. 农业技术经济,2010,(10):66-72. [本文引用: 1] [Li G Z,Li Z Z.The empirical analysis on factor decomposition of agricultural energy consumption carbon emission in China [J]. Journal of Agrotechnical Economics,2010,(10):66-72 .] [本文引用: 1]
[6]	闵继胜,胡浩..URL [本文引用: 2] URL [本文引用: 2]
[7]	李俊杰. .URL [本文引用: 1] URL [本文引用: 1]
[8]	刘华军,鲍振,杨骞. 中国农业碳排放的地区差距及其分布动态演进 [J]. 农业技术经济,2013,(3):72-81. [本文引用: 1] [Liu H J,Bao Z,Yang Q.Regional disparities and distributional dynamics of China’s agricultural carbon emissions:An analysis on panel data of 31 provinces from 2002 to 2011 [J]. Journal of Agrotechnical Econo-mics,2013,(3):72-81.] [本文引用: 1]
[9]	贺亚亚,田云,张俊飚. 湖北省农业碳排放时空比较及驱动因素分析 [J]. 华中农业大学学报(社会科学版),2013,(5):79-85. [本文引用: 1] [He Y Y,Tian Y,Zhang J B.Analysis on spatial-temporal difference and driving factors of agricultural carbon emissions in Hubei Province [J]. Journal of Huazhong Agricultural University(Social Sciences Edition),2013,(5):79-85.] [本文引用: 1]
[10]	田云,张俊飚,李波. 中国农业碳排放研究:测算、时空比较及脱钩效应 [J]. 资源科学,2012,34(11):2097-2105. [本文引用: 1] [Tian Y,Zhang J B,Li B.Agricultural carbon emissions in China:Calculation,spatial-temporal comparison and decoupling effects [J]. Resources Science,2012,34(11):2097-2105.] [本文引用: 1]
[11]	Thamo T,Kingwell R S,Pannell D J.Measurement of greenhouse gas emissions from agricultural:Economic implications for policy and agriculture producers [J]. The Australian Journal of Agricultural and Resource Economics,2013,57(2):234-252. [本文引用: 1]
[12]	黄祖辉,米松华. 农业碳足迹研究-以浙江省为例 [J]. 农业经济问题,2011,(11):40-47. [本文引用: 1] [Huang Z H,Mi S H.Agricultural sector carbon emission footprint accounting:A case of Zhejiang,China [J]. Issues in Agricultural Economy,2011,(11):40-47.] [本文引用: 1]
[13]	史磊刚,陈阜,孔凡磊,等. URL [本文引用: 1] URL [本文引用: 1]
[14]	Verge X P C,Maxime D,Dyer J A,et al. Carbon footprint of Canadian dairy products:Calculations and issues [J]. Journal of Dairy Science,2013,96(9):6091-6104. [本文引用: 1]
[15]	董红敏,李玉娥,陶秀萍,等. 中国农业源温室气体排放与减排技术对策 [J]. 农业工程学报,2008,24(10):269-273. [本文引用: 1] [Dong H M,Li Y E,Tao X P,et al.China greenhouse gas emissions from agricultural activities and its mitigation strategy [J]. Transactions of the CSAE,2008,24(10):269-273.] [本文引用: 1]
[16]	Lybbert T J,Sumner D A.Agricultural technologies for climate change in developing countries:Policy options for innovation and technology diffusion [J]. Food Policy,2012,37(1):114-123. [本文引用: 1]
[17]	Peters M,House R,Lewandrowski J,et al.Economic impacts of carbon charges on US agriculture [J]. Chinese Change,2010,50(4):445-473. [本文引用: 1]
[18]	Leinen J. Introducing a European Carbon Tax:The Missing Piece in Europe’s Climate Strategy[EB/OL].(2010-06-05)[2015-12]. http://www.socialeurope.eu/2010/06/introducing-a-european-carbon-tax-the-missing-piece-in-europes-climate-strategy/. [本文引用: 1]
[19]	Bakam I,Babulo B B,Matthews R.Cost-effectiveness analysis of policy instruments for greenhouse gas emission mitigation in the agricultural sector [J]. Journal of Environmental Management,2012,112(24):33-44. [本文引用: 1]
[20]	Joens A K,Joens D L,Edwards-Jones G,et al.Informing decision making in agricultural greenhouse gas mitigation policy:A best-worst scaling survey of expert and farmer opinion in the sheep industry [J]. Environmental Science &Policy,2013,29:46-56. [本文引用: 1]
[21]	吴贤荣,张俊飚,朱烨,等. .URL [本文引用: 1] URL [本文引用: 1]