田云，尹忞昊，張蕙杰

我國農村能源碳排放時空格局、影響因素及空間溢出效應

田云1，尹忞昊1，張蕙杰2

1中南財經政法大學工商管理學院，武漢 430073；2中國農業(yè)科學院農業(yè)信息研究所，北京 100081

【目的】基于當前“雙碳”戰(zhàn)略的大背景，厘清農村能源碳排放現(xiàn)狀特征、時空格局及其影響因素，為有效推進農村低碳發(fā)展提供重要支撐?！痉椒ā坷锰寂欧乓蜃臃▽ξ覈r村能源碳排放進行有效測度并分析其時空特征；而后運用自相關模型對其空間關聯(lián)格局進行探討；最后通過STIRPAT擴展模型的引入剖析影響其強度變化的主要因素并分析空間溢出效應?！窘Y果】我國農村能源碳排放總量整體處于持續(xù)上升態(tài)勢，2019年比2005年增加了77.55%，從成因來看主要歸結于農村居民生活能源消費量的增加；農村能源碳排放強度在考察期內略有上升，雖存在一定年際起伏但總體波動較小。2019年農村能源碳排放量存在明顯的省際差異且以河北居首寧夏最末，相比2005年僅有5個?。ㄊ?、區(qū)）整體處于下降趨勢；2019年農村能源碳排放強度以北京居首而海南處于最后一位，后者甚至不及前者1/10。2008年以來我國農村能源碳排放既表現(xiàn)出明顯且穩(wěn)定的空間依賴性，同時也存在局部空間聚類現(xiàn)象，其中高-高集聚型省份數(shù)量較少且相對穩(wěn)定，而低-低集聚型省份數(shù)量較多,且處于增長態(tài)勢。在社會層面因素中，農村富裕程度提升會導致農村能源碳排放強度增加,而農業(yè)技術進步與農村勞動力結構變量卻能起到抑制作用，其中僅農村富裕程度表現(xiàn)出了空間溢出效應且作用方向為負。在經濟層面因素中，農村金融集聚度與農業(yè)發(fā)展水平的提升均導致了農村能源碳排放強度的增加，同時二者都具有空間溢出效應且前者作用方向為正后者為負；而農業(yè)財政投資雖不存在直接效應但卻表現(xiàn)出了負向的空間溢出效應。在產業(yè)層面因素中，農業(yè)產業(yè)集聚度提升會導致農村能源碳排放強度增加，但同時卻也呈現(xiàn)出了負向的空間溢出效應?！窘Y論】我國農村能源碳排放總量、強度整體均呈上升趨勢，同時省際差異明顯；我國農村能源碳排放表現(xiàn)出了明顯的空間依賴性與空間異質性；農村能源碳排放受社會、經濟以及產業(yè)等三個層面因素的共同影響。

農村能源碳排放；農業(yè)碳排放；時空格局；影響因素；溢出效應

0 引言

【研究意義】近些年來，以CO2為代表的溫室氣體排放量的不斷增加一定程度上加劇了對全球生命系統(tǒng)的威脅，氣候問題由此受到了國際社會的廣泛關注。作為《聯(lián)合國氣候變化框架公約》的首批締約國之一，我國自2009年哥本哈根氣候大會召開前夕宣布自主減排承諾以來，就一直積極參與全球減排事務并明確提出“雙碳”目標。在此背景下，城市固然需要加快節(jié)能減排步伐，而同樣產生了大量碳排放的農村地區(qū)也不可置身事外。雖然農村碳排放來源渠道多樣，涉及能源消耗、農用物資利用、作物種植、畜禽養(yǎng)殖等多個方面，但僅能源消耗所導致的碳排放屬于真正意義上的氣候災性碳，而余者由于能量守恒定理的存在總體屬于氣候中性碳[1]。為此，厘清農村能源碳排放現(xiàn)狀并剖析其影響因素對于有效推進農村低碳發(fā)展顯然具有重要意義?！厩叭搜芯窟M展】從農業(yè)農村領域來看，農業(yè)碳排放更早引起了國內外學者的關注。其中，國外學者起步要早一些，主要基于差異化視角構建農業(yè)碳排放測算指標體系并展開有效測度[2-3]；國內學者開展相關研究略晚，初期更為側重對水稻種植、畜禽養(yǎng)殖所引發(fā)的溫室氣體排放進行研究[4]，后續(xù)則逐步圍繞農地利用碳排放[5]、農用物資投入碳排放[6]、牲畜禽類養(yǎng)殖碳排放[7]、漁業(yè)生產捕撈碳排放[8]等單一視角下的碳排放展開測度并系統(tǒng)分析。與此同時，也有不少學者[9-11]基于多維視角對我國農業(yè)碳排放進行全面測算，其對應碳源基本涵蓋了農業(yè)生產的方方面面。而后，學者們立足于測算結果圍繞農業(yè)碳排放展開了更為深入的研究，主要圍繞農業(yè)碳排放現(xiàn)狀特征及其深化[12-15]、農業(yè)碳排放效率及其減排潛力[16-17]、各類因素與農業(yè)碳排放的互動關系[18-19]等3個方面展開。另有學者則圍繞產業(yè)結構[20]、農業(yè)生態(tài)發(fā)展[21]與農業(yè)碳排放間的關系展開探討，并發(fā)現(xiàn)它們與農業(yè)碳排放之間均表現(xiàn)出了雙向因果關系。與此同時，鑒于農業(yè)生產中能源投入量的不斷增加，不少學者圍繞農業(yè)能源碳排放進行了相關研究。早期學者們[22-23]主要聚焦于農業(yè)能源碳排放的測度及因素分解，而最近幾年關注點主要聚焦于農業(yè)能源碳排放區(qū)域差異[24]以及技術進步與農業(yè)能源碳排放間的相互關系[25-26]。在探究農業(yè)能源碳排放問題的同時，還有一些學者圍繞農村居民生活能源消費碳排放展開了相關探討，除了一般測算與現(xiàn)狀特征分析外[27-28]，還涉及其影響因素的深度剖析[29-30]。【本研究切入點】從現(xiàn)有文獻來看，對農村能源碳排放的考察多著眼于居民生活層面的能源消費，而較少關注農業(yè)生產的能源耗費，即未將農業(yè)生產能源耗費碳排放與農村居民生活能源消費碳排放統(tǒng)籌到一起進行探討；同時有關農業(yè)農村能源碳排放的研究多基于一般現(xiàn)狀梳理、影響因素探討等常規(guī)視角，而少有學者通過空間計量模型的引入拓展其研究邊界?！緮M解決的關鍵問題】本文首先科學測算我國及30個省份農村能源碳排放量并分析其時空特征；然后利用空間自相關模型對其空間關聯(lián)格局進行探討；最后運用STIRPAT擴展模型剖析影響農村能源碳排放強度變化的主要因素并分析其空間溢出效應。相關研究結論能夠為農村能源碳減排工作的順利推進提供重要的參考依據(jù)。

1 研究方法與數(shù)據(jù)來源

1.1 研究方法

1.1.1 農村能源碳排放測算 結合已有研究[11,31]，本文擬從農業(yè)生產、農村居民生活兩個方面對農村能源碳排放量進行系統(tǒng)考察。其中，農業(yè)生產維度主要測算原煤、洗精煤、其他洗煤、型煤、焦炭、汽油、柴油、燃料油、液化石油氣、天然氣、熱力、電力等12類能源直接利用所導致的碳排放；農村居民生活維度也是涉及上述12類能源，考察各自直接利用所引發(fā)的碳排放。各類能源碳排放系數(shù)的計算方法參照蔣金荷[32]、田云等[26,33]的相關文獻。據(jù)此，構建農村能源碳排放測算公式如下：

式（1）—（3）中，、1、2分別表示農村能源碳排放總量、農業(yè)生產能源耗費碳排放量以及農村居民生活能源消費碳排放量；1c、2c分別表示農業(yè)生產和農村居民生活中各類碳源所導致的碳排放量；1c、2c表示各類碳源的實際數(shù)量；1c、2c表示各類碳源所對應的碳排放系數(shù)；表示碳源的類別。

1.1.2 空間自相關模型 探索性空間分析包括全局和局部空間自相關，前者主要通過全局莫蘭指數(shù)（Global Moran’s I）呈現(xiàn)，用于反映整個研究區(qū)域的空間依賴程度；后者是對前者的有效補充，一般通過局部莫蘭指數(shù)（Local Moran’s I）來體現(xiàn)，用于反映研究范圍內各空間位置與周圍鄰近位置在某同一屬性上的相關程度。其中，全局莫蘭指數(shù)的計算方法詳見公式（4）。

考慮到省際間的影響不僅僅局限于鄰接關系，故在后續(xù)研究中將充分借鑒袁華錫等[34]的做法，構建地理距離空間權重矩陣分析非鄰接省份間的相互影響。全局空間自相關指數(shù)的取值范圍為[-1，1]，如果某一年莫蘭指數(shù)的系數(shù)值大于0，表明農村能源碳排放在空間上具有集聚性；如果該系數(shù)值小于0，表明農村能源碳排放在空間層面呈現(xiàn)為分散性；倘若該系數(shù)值等于0，則說明農村能源碳排放在空間上處于隨機分布態(tài)勢。總體而言，該系數(shù)值越接近于1，表明農村能源碳排放的空間分布越集聚；越接近于-1，則說明農村能源碳排放的空間分布越發(fā)分散。

局部莫蘭指數(shù)的計算公式如下所示：

式（5）和（6）中，I為局部空間自相關指數(shù)，其他符號的基本含義與式（4）完全一致。在局部空間自相關分析中，通常利用莫蘭指數(shù)散點圖來反映空間格局的可視化程度。莫蘭指數(shù)散點圖由4個象限構成，以表示4種不同關聯(lián)類型。其中，第1、3象限和2、4象限分別代表正相關和負相關類型，前者用HH（高-高型）和LL（低-低型）表示，后者則用HL（高-低型）和LH（低-高型）表示。限于篇幅，后續(xù)分析不展示散點圖，僅對不同象限結果予以整理匯報。

1.1.3 空間計量分析 （1）STIRPAT擴展模型。該模型被廣泛應用于環(huán)境經濟領域[35-36]，通常用來評估人口、財產、技術等對環(huán)境因素的影響。結合本文研究目的，對該模型進行了適當改進與擴展，即同時兼顧了人口、財產、技術、經濟、產業(yè)等多維要素，并選取相對應的細化因素作為解釋變量，最終構建計量模型如下：

lnACI=lnα+1lnRW+2lnATP+3lnRLS+4lnRFA+5lnADL+6lnAFI+7lnLA+8lnAS+lnε（7）

式中，α為模型系數(shù)，為農村能源碳排放強度，分別表示農村富裕程度、農業(yè)技術進步、農村勞動力結構、農村金融集聚、農業(yè)發(fā)展水平、農業(yè)財政投資、農業(yè)產業(yè)集聚和農業(yè)產業(yè)結構；表示不同省份、代表各個年份；1、2、3、4、5、6、7、8為各變量的待估計系數(shù)；ε表示隨機擾動項。

（2）基于STIRPAT擴展模型的空間杜賓模型?？臻g杜賓模型（Spatial Dubin Model，SDM）適用于采用極大似然法進行估計[37]，本文將基于STIRPAT擴展模型利用空間計量方法探究各變量對農村能源碳排放的影響并考察各自的空間溢出效應。據(jù)此，構建各變量對農村能源碳排放影響的空間計量模型如下：

式（8）中，表示不同省份，代表不同年份，w為空間權重矩陣；ACI為被解釋變量，x為所有解釋變量；β為農村富裕程度、農業(yè)技術進步、農村勞動力結構、農村金融集聚、農業(yè)發(fā)展水平、農村財政投資、農業(yè)產業(yè)集聚以及農業(yè)產業(yè)結構的彈性系數(shù)；ρ、φ表示相應的空間自回歸系數(shù)；u和ξt表示雙固定效應，ε表示隨機誤差項。

被解釋變量ACI為農村能源碳排放強度。之所以如此考慮，是因為相比農業(yè)碳排放總量，強度指標不受資源總量的基數(shù)限制，能更為客觀地反映各個省份的農村能源碳排放水平。

解釋變量x為包含社會、經濟和產業(yè)三個層面的因素。之所以如此考慮，是基于農業(yè)生產與農村居民生活特點。具體而言，社會層面因素包括農村富裕程度（）、農業(yè)技術進步（）和農村勞動力結構（）。其中，考慮到現(xiàn)實中多是通過各類物質財富來衡量一個家庭的富裕程度，而其數(shù)量多寡一般與收入水平緊密相關，為此本文擬選用農村居民人均純收入/農村人均可支配收入來表征農村富裕程度。農業(yè)技術進步通過測度農業(yè)技術進步率來體現(xiàn)，具體到本文中，參照田云等[26]的做法，選用具有動態(tài)特征的DEA-Malmquist指數(shù)模型進行測算，實際分析中為了確保研究結果的準確性，除了保留原有的投入產出指標外，還增加了農業(yè)資本存量這一新的投入指標，其計算方法詳見于田云等[38]的研究。農村勞動力結構可以客觀反映不同省份農村居民的職業(yè)選擇差異，而這顯然會對農業(yè)生產方式抑或日常用能習慣產生影響，為此本文也將其作為解釋變量，具體以第一產業(yè)從業(yè)人數(shù)與鄉(xiāng)村勞動力數(shù)量的比值進行表示。

經濟層面因素包括農村金融集聚（）、農業(yè)發(fā)展水平（）和農業(yè)財政投資（）。已有大量研究證實，金融集聚程度提升會影響能源消費量，進而對環(huán)境乃至碳排放量形成差異化的影響[39-40]，故本文也將農村金融集聚作為重要解釋變量，具體參照聶麗等[41]的研究，通過農村金融機構營業(yè)網點的區(qū)位商指數(shù)進行表示，其具體表達式為：F=（f/f）/（f/f），其中，F表示地區(qū)農村金融機構營業(yè)網點的區(qū)位商，f為地區(qū)農村金融機構營業(yè)網點數(shù)，f表示地區(qū)金融機構營業(yè)網點總數(shù)，f為全國農村金融機構營業(yè)網點總數(shù)，為全國金融機構營業(yè)網點總數(shù)。農業(yè)發(fā)展水平通常會對農業(yè)碳排放產生顯著影響[18]，但是否會對農村能源碳排放產生顯著影響仍需檢驗，為此本文參照田云等[11]的研究，以人均農業(yè)增加值作為替代指標，鑒于農業(yè)農村的特殊性，其計算將以第一產業(yè)從業(yè)人口作為參照依據(jù)。農業(yè)財政投資力度的大小會直接或間接影響到農業(yè)生產與農村居民生活，進而使得能源消費及其對應的碳排放量發(fā)生變化，為此本文也將農業(yè)財政投資作為重要解釋變量，具體以農業(yè)財政支出與財政總支出的比值來表示。

產業(yè)層面因素包括農業(yè)產業(yè)集聚（）和農業(yè)產業(yè)結構（）。通常情況下，農業(yè)在形成產業(yè)集聚的過程中，由于能源需求的變化將不可避免地引致其碳排放量的變化。為此，有必要將農業(yè)產業(yè)集聚作為解釋變量，同時與前文一致，也選擇區(qū)位商作為測度方法，其具體表達式為：L=（l/l）/（l/），其中，L表示地區(qū)農業(yè)產業(yè)的區(qū)位商，l為地區(qū)第一產業(yè)從業(yè)人員數(shù)，l表示地區(qū)一、二、三產業(yè)從業(yè)人員總數(shù)，l為全國第一產業(yè)從業(yè)人員總數(shù)，為全國一、二、三產業(yè)從業(yè)人員總數(shù)。鑒于不同產業(yè)部門對能源的需求通常不盡相同進而可能影響到最終的碳排放這一現(xiàn)實境況，本文也將農業(yè)產業(yè)結構作為解釋變量，具體著眼于種植業(yè)、畜牧業(yè)兩大核心產業(yè)部門，以二者總產值之和占農林牧業(yè)總產值的比重進行衡量。

需要特別說明的是，本文在對農村能源碳排放待檢驗影響因素進行篩選時，不僅考察了農村富裕程度、農村金融集聚以及農村勞動力結構等整體包容性較強的變量，同時還選取了一些與農業(yè)生產聯(lián)系較為緊密的因素，如此是對既有農業(yè)農村生態(tài)問題考察方式的有益補充。畢竟，無論是過去還是當前的農村，農業(yè)生產與居民生活仍舊融為一體，農村各類社會活動的相對匱乏使得居民生活更多的是服務于農業(yè)生產，由此導致農村在空間層面更傾向于單一的農業(yè)生產?，F(xiàn)實中，農業(yè)生產規(guī)模的不同、技術水平的差異以及政府支持政策的偏向，均會對農村居民的生活方式產生一定影響。我國農村限于地理位置、資源稟賦以及地形地貌的特殊性，同類區(qū)域農業(yè)生產與居民生活方式的轉變軌跡通常具有較強的同質性，二者息息相關，并在空間層面表現(xiàn)出一定的融合關系，即農村居民的日常生活狀態(tài)多體現(xiàn)在農業(yè)生產活動中?；谏鲜鲈?，有必要在對農村能源碳排放影響因素進行探討時加入一些農業(yè)生產相關變量。

1.2 數(shù)據(jù)來源

測算農村能源碳排放所需要的各類基礎數(shù)據(jù)出自歷年的《中國能源統(tǒng)計年鑒》，且均以當年實際終端消耗量為準。至于研究中所涉及的其他數(shù)據(jù)，主要源自歷年的《中國統(tǒng)計年鑒》《中國能源統(tǒng)計年鑒》《中國統(tǒng)計摘要》《中國農村統(tǒng)計年鑒》《中國人口和就業(yè)統(tǒng)計年鑒》《中國財政年鑒》以及國家知識產權局和各省份相關統(tǒng)計年鑒、金融運行報告或者國民經濟和社會發(fā)展統(tǒng)計公報。需要特別闡明的是，為了確保年際間能夠縱向比較，需參照2000年不變價對農業(yè)增加值進行調整，利用CPI指數(shù)對農村居民人均純收入進行平減，至于其他數(shù)據(jù)均以當年實際值為準。實際研究中將利用30個省份2005—2019年的面板數(shù)據(jù)進行考察，限于大量數(shù)據(jù)缺失，西藏以及港澳臺地區(qū)均不在本次研究的考察之列。各變量的一般描述性統(tǒng)計分析結果如表1所示。

表1 各變量的一般描述性統(tǒng)計分析結果

2 結果

2.1 我國農村能源碳排放時空比較分析

2.1.1 時序比較 由表2可知，2019年我國農村能源碳排放總量為69 568.28萬t，較2005年增加了77.55%，年均遞增4.19%。其中，農業(yè)生產和農村居民生活所引發(fā)的碳排放量分別為13 366.81萬t和56 201.47萬t，占比依次為19.21%和80.79%，各自分別較2005年增加了8.37%和109.33%。2019年我國農村能源碳排放強度為2.14 t/萬元，較2005年略有增加，其年均增速為0.03%。從演變軌跡來看，整個考察期內農村能源碳排放量除2016年相比2015年略有下降外，其他各年份均呈現(xiàn)出明顯上升趨勢。不過，具體到農業(yè)生產與農村居民生活能源碳排放，二者所表現(xiàn)出來的演變特點卻有所區(qū)別。其中，農業(yè)生產能源碳排放經歷了“三升三降”：2005—2007年為第一個上升階段，碳排放量由12 334.34萬t增至12 732.59萬t，年均增速達1.60%，農田水利設施的不斷完善與農業(yè)機械化的逐步提高客觀上擴大了農業(yè)能源需求，進而導致了對應碳排放量的增加；2007—2008年為第一個下降階段，2008年碳排量僅為11 916.75萬t，相比2007年減少了6.41%，同時也創(chuàng)下了整個考察期內的最低值，該年為實現(xiàn)“十一五”節(jié)能減排約束目標的關鍵年，節(jié)能減排工作的大力推進客觀上也促進了農業(yè)能源碳減排；2008—2012年為第二個上升階段，4年間碳排放量累計增加了2 984.10萬t，年均增速高達5.75%，該階段我國不斷加大農機具購置補貼力度，由此極大帶動了農機具的推廣與普及，但同時也導致了農業(yè)能源碳排放量的快速增加；2012—2013年為第二個下降階段，2013年碳排放量相比2012年減少了5.95%，《能源發(fā)展“十二五”規(guī)劃》所強調的積極推進能源高效清潔轉化在農業(yè)生產中得到了一定體現(xiàn)，客觀上促進了碳減排；2013—2017年為第三個上升階段，并于2017年達到峰值15 685.77萬t，該階段年均增速為2.86%，《2015—2017農業(yè)機械購置補貼實施指導意見》的頒布在加快推進農業(yè)機械化進程的同時也擴大了能源需求，進而導致了其對應碳排放量的持續(xù)上升；2017—2019年為第三個下降階段，碳排放量由15 685.77萬t降至13 366.81萬t，2年時間累計減少了2 318.96萬t，降幅高達14.78%，該成績的取得可能與《農業(yè)綠色發(fā)展技術導則（2018—2030年）》的頒布有關，因為其強調節(jié)能低耗智能化農業(yè)裝備的研發(fā)與推廣。農村居民生活能源碳排放量除2016年相比2015年略有下降外，其他各年份均處于上升態(tài)勢，其原因在于，隨著農村居民收入水平的不斷提高，空調、冰箱等高耗能家電以及私家車大量進入尋常家庭，由此擴大了對電力、汽油等的需求，進而導致了能源碳排放量的持續(xù)增加。至于農村能源碳排放強度，在考察期內雖存在年際起伏但總體波動不大，多數(shù)年份介于2.10—2.25 t/萬元。

表2 2005—2019年我國農村能源碳排放總量及強度

此處我國農村能源碳排放總量是30個省份的匯總，不含西藏及港澳臺地區(qū)

The total carbon emissions from rural energy in China are a summary of 30 provinces, excluding Tibet, Hong Kong, Macao, and Taiwan regions

2.1.2 省際比較 由表3可知，2019年農村能源碳排放排在首位的省份是河北，其數(shù)量高達5 580.09萬t；廣東緊隨其后位列第2位，其排放量也達到了5 528.61萬t，與河北一道成為“唯二”碳排放量超過5 000萬t的地區(qū)；河南、山東、湖南、江蘇、浙江、湖北、四川、安徽等省份則依次排在3—10位，各自碳排放量均超過了2 500萬t；上述10省份累計碳排放量之和占到了全國農村能源碳排放總量的59.47%。與此對應，寧夏碳排放量最低，僅為231.35萬t；青海、上海、海南、北京、天津、重慶、吉林、甘肅和廣西則順次排在倒數(shù)2—10位，其中除廣西之外其他各省份碳排放量均在1 500萬t以下；以上10省份碳排放量累計之和僅占全國農村能源碳排放總量的10.63%。與2005年相比，2019年僅有5個省（市、區(qū)）農村能源碳排放總量整體處于下降態(tài)勢，且以上海降幅最大，達到了32.62%；余下4地則是北京、重慶、貴州以及寧夏，其降幅分別為18.41%、4.18%、7.38%和4.38%。其他25?。ㄊ?、區(qū)）均呈增長態(tài)勢且以陜西增幅最大，高達282.03%；廣西、海南、安徽、江蘇緊隨其后依次排在2—5位，四者增幅均在150.00%以上。增減趨勢的不同使得各省農村能源碳排放總量的省域排名在考察期內發(fā)生了較大變化，比如山東由第1位降至第4位，河北由第4位升至第1位，安徽甚至由第22位升至第10位。

表3 我國30個省（市、區(qū)）農村能源碳排放總量及強度比較

限于篇幅限制，僅列出各省份2005和2019年的測算結果；變動率Ⅰ和變動率Ⅱ分別為2019年農村能源碳排放量、碳排放強度與2005年相比的增減變化

Due to space limitations, only the calculation results for each province in 2005 and 2019 are listed; The change rates I and II represent the increase or decrease in rural energy carbon emissions and carbon emission intensity in 2019 compared to 2005, respectively

2019年各省份農村能源碳排放強度表現(xiàn)出了極大差異，其中以北京最高，其萬元農業(yè)增加值所導致的碳排放量高達6.89t；上海緊隨其后位列第2位，其農村能源碳排放強度也達到了5.83 t/萬元；山西、天津、貴州、浙江、河北、廣東、青海、湖南等省份則依次排在3—10位，各自碳排放強度均超過了2.60 t/萬元。與此對應，海南農村能源碳排放強度最低，僅為0.62 t/萬元，甚至不及北京的1/10；廣西、吉林、四川、重慶、山東、江西、安徽、河南和遼寧則依次排在倒數(shù)2—10位，除遼寧（1.83 t/萬元）之外的其他各省份碳排放強度均低于1.80 t/萬元。相較于2005年，有16個省份農村能源碳排放強度呈下降態(tài)勢，以貴州降幅最大，高達56.27%；寧夏、重慶、甘肅和山西緊隨其后依次排在2—5位，除山西（-29.87%）之外各自降幅均在30%以上。余下14個省份農村能源碳排放強度于考察期內均有不同程度增加，以陜西增幅最大，高達86.43%；廣西、江蘇、安徽和浙江緊隨其后依次排在2—5位，各自增幅均在45%以上。整體來看，2005—2019年期間，農村能源碳排放強度表現(xiàn)為下降或者增長態(tài)勢的省份數(shù)量較為接近，但同時，高于全國平均水平的省份由16個降至15個，且極差由7.50降至6.27。由此可見，我國各省份農村能源碳排放強度演變態(tài)勢雖增減各異但均衡化趨勢已然顯現(xiàn)，一定程度上區(qū)別于各省份碳排放總量所呈現(xiàn)出的兩極分化格局。

2.2 我國農村能源碳排放空間關聯(lián)格局分析

2.2.1 空間依賴性 利用全局空間自相關指數(shù)方法測度我國農村能源碳排放的空間依賴性，其相關結果如表4所示。從中不難發(fā)現(xiàn)，整個考察期內除2005—2007年外其他各年份農村能源碳排放強度的莫蘭指數(shù)均大于0.1且通過顯著性檢驗。由此揭示，自2008年開始我國省域農村能源碳排放強度存在明顯且穩(wěn)定的空間依賴性，具體表現(xiàn)為高值省份周邊擁有一個或多個高值省份與之相鄰，低值省份則與一個或多個低值省份相鄰。從變化趨勢來看，2008—2019年間莫蘭指數(shù)演變軌跡總體呈現(xiàn)“倒U”型，即經歷了波動上升與波動下降兩個不同變化階段。其中，2008—2016年為波動上升期，除2011年較2010年略有下降外，其他各年份均表現(xiàn)出了明顯上升趨勢，Moran’s I值由2008年的0.105增至2016年的0.212，累計增幅高達101.90%；2016—2019年為波動下降期，雖經歷了驟降、驟升但最終呈現(xiàn)下降態(tài)勢，Moran’s I值由2016年的0.212降至2019年的0.193，累計降幅達到了8.96%。由此可見，2008年以來我國農村能源碳排放強度的空間依賴性雖然經歷了“先增強、后減弱”的變化趨勢，但該依賴現(xiàn)象一直顯著存在，從未消失。

2.2.2 空間異質性 利用局部空間自相關指數(shù)方法，首先測算各年份局部莫蘭指數(shù)，而后基于測算結果分別將2005、2010、2015與2019年我國30個省（市、區(qū)）的空間關聯(lián)度劃分為HH（高-高集聚）、LL（低-低集聚）、HL（高-低集聚）、LH（低-高集聚）等4種不同類型，相關結果如表5所示。

表4 2005—2019年我國農村能源碳排放強度的全局Moran’s I統(tǒng)計值

由表5可知，2019年高-高集聚與低-低集聚型省份的數(shù)量之和達到了22個，占到了省份總數(shù)的73.33%，由此揭示我國農村能源碳排放存在明顯的局部空間聚類現(xiàn)象。其中，高-高集聚型省份數(shù)量較少且相對穩(wěn)定，而低-低集聚型省份數(shù)量較多且處于增長態(tài)勢，表明我國農村能源碳排放空間集聚格局整體形勢較好。接下來，分別揭示4類集聚區(qū)分布格局的動態(tài)變化特征。

（1）高-高型省份數(shù)量在2005—2019年間整體較為穩(wěn)定，基本維持在6個或者7個的水平。其中，2005年包含的地區(qū)為北京、天津、甘肅、青海、寧夏以及新疆；2010年，山西、內蒙古加入其列，同時新疆轉變?yōu)榈?高集聚，高-高集聚區(qū)的省份數(shù)量增至7個；2015年，河北、浙江取代甘肅、青海、寧夏加入高-高集聚區(qū)，省份數(shù)量由此降至6個；2019年，上海因周邊出現(xiàn)高碳省份，由高-低集聚轉為高-高集聚，而同時內蒙古轉變?yōu)榈?高集聚，故此時高-高集聚區(qū)的省份數(shù)量依舊維持在6個。整個過程中，北京、天津二市始終處于高-高集聚區(qū)，屬于我國農村能源碳排放高強度集聚的核心區(qū)域，山西、河北、內蒙古因與之鄰近，故也常位列其中；甘肅、青海、寧夏、新疆雖也一度位于高-高集聚區(qū)，但源于自身農村能源碳排放強度的下降或者周邊省份情形的改善，最終都轉變成了其他類型。

（2）低-低型省份數(shù)量在2005—2019年間整體處于增加態(tài)勢，由最初12個增至最終的16個。其中，2005年包含的地區(qū)為遼寧、吉林、黑龍江、江蘇、安徽等12個省份，東北、華東、華中、華南整體連片。2010年，低-低集聚區(qū)的省份數(shù)量增至13個，在維持原有省份不變的前提下，云南因鄰近地區(qū)出現(xiàn)較多低碳省份，其集聚類型由低-高集聚轉變?yōu)榈?低集聚。2015年，低-低集聚區(qū)的省份數(shù)量進一步增至15個，重慶、四川、陜西均首次進入，而廣東則轉為高-低集聚，其他各省集聚類型維持不變。2019年，甘肅、新疆取代湖南成為低-低集聚區(qū)新的成員，總的省份數(shù)量最終停留在16個。整個過程中，遼寧、吉林、黑龍江等10省份始終處在低-低集聚區(qū)內，且隨著時間的推進所包含的省份不斷增加，通過分析可知，我國絕大多數(shù)區(qū)域農村能源碳排放整體呈現(xiàn)低-低集聚特征，尤其以東北、華東、西南地區(qū)表現(xiàn)最為明顯。

（3）高-低型省份數(shù)量在2005—2019年間相對較少，基本維持在3個或者4個的水平，但同時其內部省份構成變化較大。其中，2005年包含的地區(qū)為山西、上海、重慶、貴州等4省份。2010年，與上期相比山西轉變?yōu)楦?高集聚，余下省份所屬集聚類型保持不變。2015年，重慶轉變?yōu)榈?低集聚，但同時廣東、青海分別由低-低集聚、高-高集聚轉變至此，使得總的省份數(shù)量增至4個。2019年，雖然長期處于此列的上海轉為高-高集聚，但由于湖南的首次加入，使得處于高-低集聚區(qū)的省份數(shù)量依舊維持在4個?？傮w來看，HL型集聚區(qū)所含省份除個別相鄰外，整體分布較為分散，最終華中、華南、西南、西北地區(qū)各包含一省。

表5 2005—2019年我國農村能源碳排放強度的局部空間聚類情況

（4）低-高型省份數(shù)量在2005—2019年間整體處于波動減少態(tài)勢，由最初的8個減至最終的4個。其中，2005年包含河北、內蒙古、浙江、山東、河南、四川、云南以及陜西等八省份。2010年，內蒙古、云南分別轉變?yōu)楦?高集聚和低-低集聚，但同時新疆由高-高集聚轉變到此，從而使得處在低-高集聚區(qū)的省份數(shù)量變?yōu)?個。2015年，河北、浙江轉變?yōu)楦?高集聚，四川、陜西轉變?yōu)榈?低集聚，但同時甘肅、寧夏由高-高集聚轉變到此，使得最終省份數(shù)量降至5個。2019年，甘肅、新疆轉變?yōu)榈?低集聚，但同時內蒙古由高-高集聚轉變到此，總的省份數(shù)量最終停留在4個。綜合來看，山東、河南作為相對低值省份長期被能源碳排放高值省份所包圍；四川、云南、陜西則隨著周邊省份農村能源碳排放強度的降低而逐步轉變?yōu)榈?低集聚；河北、浙江不僅長期為碳排放高值省份所包圍，自身更是在后期成了高值省份。

2.3 農村能源碳排放影響因素及空間溢出效應分析

2.3.1 全局空間自相關檢驗 在進行農村能源碳排放影響因素分析之前，本文對被解釋變量以及各個解釋變量進行全局空間自相關檢驗。依據(jù)STIRPAT擴展模型的基本要求，首先需對各變量取對數(shù)，而后方可進行全局莫蘭指數(shù)測算，相關結果如表6所示。

由表6可知，被解釋變量農村能源碳排放強度的莫蘭指數(shù)在所有年份均通過了顯著性檢驗，其數(shù)值經歷了一定升降起伏但總體處于上升態(tài)勢，由此揭示考察期內我國農村能源碳排放強度一直存在空間自相關特征且其關聯(lián)效應隨著時間的推移整體略有提升。解釋變量中，除農業(yè)技術進步因素之外，其他各變量的莫蘭指數(shù)均在多數(shù)年份通過顯著性檢驗并展現(xiàn)了空間自相關特征，但各自在考察期內所呈現(xiàn)的集聚程度卻也不盡相同。其中，農村富裕程度、農村勞動力結構、農業(yè)產業(yè)集聚、農業(yè)產業(yè)結構等四變量展現(xiàn)出相對穩(wěn)定且較強的空間集聚特性；農村金融集聚雖然存在空間自相關且莫蘭指數(shù)值變化較為穩(wěn)定但其集聚程度相對偏弱；農業(yè)發(fā)展水平的集聚程度總體呈逐步減弱趨勢；農業(yè)財政投資雖在2006年一度轉呈空間擴散，但自此之后呈現(xiàn)出波動上升的空間集聚態(tài)勢。

表6 2005—2019年各變量的空間自相關檢驗結果

*、**、***分別表示在10%、5%、1%水平下顯著。ln、ln、ln、ln、ln、ln、ln、ln、ln依次為農村能源碳排放強度、農村富裕程度、農業(yè)技術進步、農村勞動力結構、農村金融集聚、農業(yè)發(fā)展水平、農業(yè)財政投資、農業(yè)產業(yè)集聚、農業(yè)產業(yè)結構等變量的對數(shù)形式。表7、8同

*,**, and***indicate significant differences at the 10%, 5%, and 1% levels, respectively. ln, ln, ln, ln, ln, ln, ln, ln, lnare the logarithmic forms of variables such as rural energy carbon emission intensity, rural wealth, agricultural technology progress, rural labor force structure, rural financial agglomeration, agricultural development level, agriculture fiscal investment, agricultural industrial agglomeration, agricultural industrial structure.Table 7 and Table 8 are the same

2.3.2 各因素對農村能源碳排放影響的直接效應 基于前文分析已知，經過STIRPAT模型處理后的農村能源碳排放強度以及各個解釋變量均存在空間自相關特征，接下來即利用空間計量模型探討各因素對農村能源碳排放強度的影響。為了確保研究結果呈現(xiàn)的更為準確、直觀，本文參照Lesage等[42]的做法，利用偏微分法將實證估計結果分解為直接效應、間接效應（即空間溢出效應）與總效應。綜合LM（error）檢驗（154.26***）、LM（lag）檢驗（28.03***）、LR（sdm sar）檢驗（74.34***）、LR（sdm sem）檢驗（73.59***）、Wald（sdm sar）檢驗（22.25***）以及Wald（sdm sem）檢驗（20.64***）的結果可知，空間杜賓模型相對適用于本文研究。與此同時，雙固定效應下的Hausman檢驗結果（18.69***）也通過了顯著性檢驗，故在既有模型的基礎上還將加入雙固定效應。相關回歸結果如表7所示。

表7 各變量對農村能源碳排放影響的直接效應與間接效應

由表7可知，社會因素層面，農村富裕程度在1%水平下通過顯著性檢驗且系數(shù)為正，由此揭示，居民收入水平越高，農村能源碳排放強度越高?？赡艿慕忉屖牵杖胨降奶岣邥U大農村居民對高耗能家電、商用貨車、家用轎車的現(xiàn)實需求，以及農業(yè)生產過程中對各類現(xiàn)代化農機具的偏愛，由此加劇了對電力、柴油以及汽油等能源的使用，進而導致碳排放處于較高水平。農業(yè)技術進步與農村勞動力結構均在1%水平下通過顯著性檢驗且系數(shù)為負，表明二者均對農村能源碳排放產生了明顯的抑制作用。可能的解釋是，技術進步促使農業(yè)能源利用效率得到提升，客觀上降低了整個農村的能源碳排放水平。農業(yè)勞動力占比越高，一定程度上會對能源等其他要素投入形成替代，促使其碳排放水平降低。

經濟因素層面，農村金融集聚與農業(yè)發(fā)展水平變量均在5%水平下通過顯著性檢驗且二者系數(shù)也都為正，即在其他條件不變的前提下，農村金融集聚度抑或農業(yè)發(fā)展水平的提升，都會導致農村能源碳排放強度的增加?？赡艿慕忉屖牵鹑诩鄱鹊奶嵘兄谵r村居民通過正規(guī)渠道獲取以小額信貸為代表的各類金融服務，如此一方面可以有效促進家庭農場發(fā)展并加快農業(yè)生產機械化、現(xiàn)代化進程，另一方面還能為農村居民建造新房、購買家電、汽車等提供一定的資金保障，但無論以上哪種情形，都會加劇對能源的利用，進而導致整體碳排放水平不斷提升。農業(yè)發(fā)展水平表現(xiàn)出正向影響可能與現(xiàn)階段我國仍以傳統(tǒng)“高投入-高產出”為主的農業(yè)發(fā)展模式有關，該模式下農業(yè)經濟增長較為依賴各類能源的過量投入，而大量的能源消耗顯然會導致碳排放水平的提升。

產業(yè)因素層面，僅農業(yè)產業(yè)集聚在1%水平下通過顯著性檢驗且系數(shù)為正，由此表明，在其他條件不變的前提下，農業(yè)產業(yè)集聚度越高，農村能源碳排放強度越高?？赡艿慕忉屖?，目前我國絕大多數(shù)省份處于農業(yè)產業(yè)集聚的形成與發(fā)展階段，農業(yè)生產趨向規(guī)?；c集約化，客觀上加劇了對農用機械以及農業(yè)能源的需求，但受限于基礎設施建設不夠完善、生產管理模式未達最優(yōu)、整體資源配置存在欠缺等一些不利因素的影響，致使能源利用效率未能得到顯著提升，進而導致碳排放水平居高不下。

2.3.3 各因素對農村能源碳排放的空間溢出效應 同樣結合表7可知，社會因素層面，僅農村富裕程度表現(xiàn)出了空間溢出效應且作用方向為負，而農業(yè)技術進步、農村勞動力結構二變量均不具有空間溢出效應。經濟因素層面，農村金融集聚與農業(yè)發(fā)展水平均表現(xiàn)出了空間溢出效應但二者作用方向不同，前者為正后者為負；而農業(yè)財政投資雖不存在直接效應但卻具有負向的空間溢出效應。產業(yè)因素層面，農業(yè)產業(yè)集聚存在明顯的空間溢出效應且作用方向為負，而農業(yè)產業(yè)結構未表現(xiàn)出空間溢出效應。

綜合來看，上述影響因素中的絕大多數(shù)對農村能源碳排放強度具有空間溢出效應且主要表現(xiàn)為抑制作用?？赡艿脑蚴牵鐣蛩貙用?，隨著本地農村富裕程度的顯著提升，先富人群會傾向前往周邊省份拓展涉農相關業(yè)務，此類人群相比一般農村居民更具遠見，能更好地執(zhí)行國家“雙碳”政策。而在政策的有效引導下，不僅有助于農業(yè)生產者樹立節(jié)能減排意識，還利于農村居民貫徹能源低碳消費理念，由此客觀上抑制了周邊省份農村能源碳排放強度的提升。

經濟因素層面，農村金融集聚度的提高使得農村居民一定程度上可以通過借貸滿足自身對農用機械以及家電、汽車等各類生產生活高耗能產品的消費需求，而如此模式也極易得到周邊省份的效仿，使農村能源消耗量增加但利用率偏低，整體資源配置效率不高，最終同本地一樣，碳排放強度亦上升。農業(yè)發(fā)展水平的提高雖然短期內較難改變本地農業(yè)“高投入-高產出”的傳統(tǒng)經營模式，但在發(fā)展中會積極探索低碳生產方式并總結經驗教訓，而這顯然為周邊省份提供了有益借鑒并助力他們農村能源碳排放強度下降。農業(yè)財政投資的溢出效應邏輯與農業(yè)發(fā)展水平較為類似，雖然對本地碳排放的影響不甚明顯，但在與周邊省份的交流互助過程中，自身財政資金支出結構的優(yōu)化與利用效率的提升都能產生積極的溢出效應，進而促使鄰近省份農村能源碳排放強度的降低。

產業(yè)因素層面，伴隨著產業(yè)集聚程度的不斷提升，農業(yè)生產逐步趨于規(guī)?；?、集約化，此時對能源依賴愈發(fā)強烈，客觀上致使本地農村能源碳排放量的增加。不過，在這個過程中本地也在積極探索更為優(yōu)化的管理模式，同時強化農業(yè)農村基礎設施建設并合理配置各類資源。在此基礎上，本地與周邊省份加強合作交流，并在他們尚未形成“能源依賴性”時即產生了技術溢出、知識溢出以及經驗溢出，從而有力促進了周邊省份農村能源碳排放強度的下降。

2.3.4 穩(wěn)健性檢驗 為確保研究結論的準確性，有必要對上述回歸結果進行穩(wěn)健性檢驗。鑒于本文是利用地理距離空間權重矩陣探究非鄰接省份間的相互作用關系，故選擇同為考慮距離因素的反距離空間權重矩陣與之替換，然后通過比對來驗證表7所呈現(xiàn)的回歸結果是否穩(wěn)健。相關結果如表8所示。

表8 反距離矩陣下各變量對農村能源碳排放影響的直接效應與間接效應

通過比較發(fā)現(xiàn)，各變量的作用方向與表7基本一致，只有少數(shù)變量在結果的顯著性上表現(xiàn)出一定差別。其中，直接效應方面，除了農村勞動力結構與農業(yè)發(fā)展水平在更換為反距離矩陣后顯著性消失外，其余各變量的顯著性均無變化。空間溢出效應方面，替換為空間權重矩陣后，農業(yè)財政投資變量的顯著性消失，而余下變量的顯著性并未發(fā)生變化。綜合來看，在替換空間權重矩陣之后，各個解釋變量的作用方向與顯著性特點并未發(fā)生太大改變，為此可認為表7所得到結果具有較強的穩(wěn)健性。

3 討論

3.1 研究創(chuàng)新與不足

相比以往研究[24,28,30]，本文的邊際貢獻主要體現(xiàn)在以下3點：一是拓展了農村能源碳排放的理論邊界。在厘清氣候中性碳與氣候災性碳區(qū)別的基礎上，將農業(yè)生產能源耗費碳排放與農村居民生活能源消費碳排放納入到一起進行考察，并將其界定為“農村能源碳排放”，如此做法明顯區(qū)別于已有研究。二是對我國農村能源碳排放現(xiàn)狀與特點形成了更為全面的認知。不僅從總量、強度雙重維度剖析了我國農村能源碳排放的時序演變軌跡與省際差異特點，還運用自相關模型考察了其空間依賴性與空間異質性。三是厘清了影響農村能源碳排放的關鍵動因。從社會、經濟以及產業(yè)3個層面識別出了影響農村能源碳排放強度變化的主要因素，并深度探討了各自是否表現(xiàn)出空間溢出效應。

當然，限于研究能力的不足以及部分數(shù)據(jù)較難獲取，本文也存在一定欠缺，主要體現(xiàn)在現(xiàn)有測算重點考察了農業(yè)生產、農村居民生活中各類直接能源消耗所導致的碳排放，而囿于相關基礎數(shù)據(jù)的較難獲取未將各類間接能源及秸稈等可再生能源納入其中，從而一定程度上導致了對碳排放總量的低估。后續(xù)研究中擬通過咨詢相關部門、實地調研等方式對該問題予以克服。

3.2 建議

研究結果顯示，考察期內我國農村能源碳排放總量與強度均表現(xiàn)出了一定的上升態(tài)勢，同時存在明顯的省際差異；我國省域農村能源碳排放強度具有明顯的空間依賴性與空間異質性；社會、經濟以及產業(yè)等3個層面因素均對農村能源碳排放產生顯著影響。實踐中，為了更好地推進農村能源碳減排，可考慮從以下幾方面著手。

一是全力構建農村區(qū)域減排共同體，積極引導省際交流互動。加快低-低集聚型省份農村能源碳減排示范帶建設步伐，持續(xù)推進省際協(xié)同減排，進而實現(xiàn)整體減排工作穩(wěn)中求進；對高-高集聚型省份實施目標約束，積極引導其吸取減排引領地區(qū)先進經驗，逐步實現(xiàn)由高值集聚向低值集聚轉變。

二是相關部門應強化政策導向，持續(xù)推進農業(yè)生產要素優(yōu)化升級。一方面，政府部門加強政策引導并輔以必要的財政資金支持，通過顛覆性低碳生產技術的研發(fā)強化技術進步在農村能源碳減排中的關鍵性作用；另一方面，建立健全相關政策帶動農村低碳發(fā)展領域人才隊伍建設并優(yōu)化農村勞動力結構，以此推進農村能源碳減排。

三是各省份既要推進自身低碳農村發(fā)展，也要有力帶動周邊省份農村能源碳減排。鑒于農業(yè)強與農民富均能有力帶動周邊省份農村能源碳減排，故各省份除自身需積極推動農業(yè)漸強發(fā)展、助力農民生活富裕富足外，還應注重正向效應輻射，帶動周邊省份共建美麗低碳鄉(xiāng)村。

4 結論

4.1 2005—2019年我國農村能源碳排放總量整體處于持續(xù)上升態(tài)勢，究其原因主要歸結于農村居民能源消費量的不斷增加。同一時期農村能源碳排放強度略有上升，雖存在一定年際起伏但總體波動較小。

4.2 2019年農村能源碳排放量以河北居首寧夏最末，相比2005年絕大多數(shù)省份呈現(xiàn)增長態(tài)勢且以陜西增幅最大；2019年農村能源碳排放強度最高的是北京，海南最低；相比2005年超過半數(shù)?。ㄊ?、區(qū)）呈下降態(tài)勢，且以貴州省降幅最大。

4.3 我國農村能源碳排放強度存在明顯且穩(wěn)定的空間依賴性，具體表現(xiàn)為碳排放強度高、低值?。ㄊ?、區(qū)）分別與一個或者多個高、低值?。ㄊ小^(qū)）相鄰。同時，我國農村能源碳排放亦存在明顯的局部空間聚類現(xiàn)象，其中低-低集聚型省份數(shù)量較多且處于增長態(tài)勢。

4.4 農村富裕程度、農村金融集聚度、農業(yè)產業(yè)集聚度的提升以及農業(yè)發(fā)展水平的提高均會直接導致農村能源碳排放強度的增加，而農業(yè)技術進步與農村勞動力結構變化卻能起到抑制作用。農村富裕程度、農村金融集聚度、農業(yè)產業(yè)集聚度以及農業(yè)財政投資均表現(xiàn)出了負向的空間溢出效應，而農業(yè)發(fā)展水平則情形相反，表現(xiàn)出了正向的空間溢出效應。

[1] 潘家華. 中國碳中和的時間進程與戰(zhàn)略路徑. 財經智庫, 2021, 6(4): 42-66, 141.

PAN J H. On the time course and strategic path of carbon neutralization in China. Financial Minds, 2021, 6(4): 42-66, 141. (in Chinese)

[2] 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.

[3] JOHNSON J M F, FRANZLUEBBERS A J, WEYERS S L, REICOSKY D C. Agricultural opportunities to mitigate greenhouse gas emissions. Environmental Pollution, 2007, 150(1): 107-124.

[4] 董紅敏, 李玉娥, 陶秀萍, 彭小培, 李娜, 朱志平. 中國農業(yè)源溫室氣體排放與減排技術對策. 農業(yè)工程學報, 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 mitigation strategy. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(10): 269-273. (in Chinese)

[5] 李俊杰. 民族地區(qū)農地利用碳排放測算及影響因素研究. 中國人口·資源與環(huán)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)

[6] 田云, 張俊飚, 李波. 基于投入角度的農業(yè)碳排放時空特征及因素分解研究: 以湖北省為例. 農業(yè)現(xiàn)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)

[7] 劉月仙, 劉娟, 吳文良. 北京地區(qū)畜禽溫室氣體排放的時空變化分析. 中國生態(tài)農業(yè)學報, 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)

[8] 邵桂蘭, 孔海崢, 于謹凱, 李晨. 基于LMDI法的我國海洋漁業(yè)碳排放驅動因素分解研究. 農業(yè)技術經濟, 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)

[9] 閔繼勝, 胡浩. 中國農業(yè)生產溫室氣體排放量的測算. 中國人口·資源與環(huán)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)

[10] 金書秦, 林煜, 牛坤玉. 以低碳帶動農業(yè)綠色轉型：中國農業(yè)碳排放特征及其減排路徑. 改革, 2021(5): 29-37.

JIN S Q, LIN Y, NIU K Y. Driving green transformation of agriculture with low carbon: characteristics of agricultural carbon emissions and its emission reduction path in China. Reform, 2021(5): 29-37. (in Chinese)

[11] 田云, 尹忞昊. 中國農業(yè)碳排放再測算：基本現(xiàn)狀、動態(tài)演進及空間溢出效應. 中國農村經濟, 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)

[12] 張廣勝, 王珊珊. 中國農業(yè)碳排放的結構、效率及其決定機制. 農業(yè)經濟問題, 2014, 35(7): 18-26, 110.

ZHANG G S, WANG S S. China’s agricultural carbon emission: structure, efficiency and its determinants. Issues in Agricultural Economy, 2014, 35(7): 18-26, 110. (in Chinese)

[13] 李波, 杜建國, 劉雪琪. 湖北省農業(yè)碳排放的時空特征及經濟關聯(lián)性. 中國農業(yè)科學, 2019, 52(23): 4309-4319. doi: 10.3864/j.issn. 0578-1752.2019.23.011.

LI B, DU J G, LIU X Q. Spatial-temporal characteristics and economic relevance of agricultural carbon emissions in Hubei Province. Scientia Agricultura Sinica, 2019, 52(23): 4309-4319. doi: 10.3864/j.issn. 0578-1752.2019.23.011. (in Chinese)

[14] 伍國勇, 劉金丹, 楊麗莎. 中國農業(yè)碳排放強度動態(tài)演進及碳補償潛力. 中國人口·資源與環(huán)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)

[15] 田成詩, 陳雨. 中國省際農業(yè)碳排放測算及低碳化水平評價: 基于衍生指標與TOPSIS法的運用. 自然資源學報, 2021, 36(2): 395-410.

TIAN C S, CHEN Y. China’s provincial agricultural carbon emissions measurement and low carbonization level evaluation: based on the application of derivative indicators and TOPSIS. Journal of Natural Resources, 2021, 36(2): 395-410. (in Chinese)

[16] 田云, 王夢晨. 湖北省農業(yè)碳排放效率時空差異及影響因素. 中國農業(yè)科學, 2020, 53(24): 5063-5072. doi: 10.3864/j.issn.0578-1752.2020.24.009.

TIAN Y, WANG M C. Research on spatial and temporal difference of agricultural carbon emission efficiency and its influencing factors in Hubei Province. Scientia Agricultura Sinica, 2020, 53(24): 5063-5072. doi: 10.3864/j.issn.0578-1752.2020.24.009. (in Chinese)

[17] 吳賢榮, 張俊飚, 田云, 薛龍飛. 基于公平與效率雙重視角的中國農業(yè)碳減排潛力分析. 自然資源學報, 2015, 30(7): 1172-1182.

WU X R, ZHANG J B, TIAN Y, XUE L F. Analysis on China’s agricultural carbon abatement capacity from the perspective of both equity and efficiency. Journal of Natural Resources, 2015, 30(7): 1172-1182. (in Chinese)

[18] 顏廷武, 田云, 張俊飚, 汪洋. 中國農業(yè)碳排放拐點變動及時空分異研究. 中國人口·資源與環(huán)境, 2014, 24(11): 1-8.

YAN T W, TIAN Y, ZHANG J B, WANG Y. Research on inflection point change and spatial and temporal variation of China’s agricultural carbon emissions. China Population, Resources and Environment, 2014, 24(11): 1-8. (in Chinese)

[19] 吳金鳳, 王秀紅. 不同農業(yè)經濟發(fā)展水平下的碳排放對比分析: 以鹽池縣和平度市為例. 資源科學, 2017, 39(10): 1909-1917.

WU J F, WANG X H. Comparative analysis of agricultural carbon emissions at different agricultural economic development levels in Yanchi County and Pingdu City. Resources Science, 2017, 39(10): 1909-1917. (in Chinese)

[20] 董明濤. 我國農業(yè)碳排放與產業(yè)結構的關聯(lián)研究. 干旱區(qū)資源與環(huán)境, 2016, 30(10): 7-12.

DONG M T. The association of agricultural carbon emissions and industrial structure in China. Journal of Arid Land Resources and Environment, 2016, 30(10): 7-12. (in Chinese)

[21] ALI B, ULLAH A, KHAN D. Does the prevailing Indian agricultural ecosystem cause carbon dioxide emission? A consent towards risk reduction. Environmental Science and Pollution Research International, 2021, 28(4): 4691-4703.

[22] 李國志, 李宗植. 中國農業(yè)能源消費碳排放因素分解實證分析: 基于LMDI模型. 農業(yè)技術經濟, 2010(10): 66-72.

LI G Z, LI Z Z. Empirical analysis on decomposition of carbon emission factors of agricultural energy consumption in china—based on LMDI model. Journal of Agrotechnical Economics, 2010(10): 66-72. (in Chinese)

[23] 韓岳峰, 張龍. 中國農業(yè)碳排放變化因素分解研究: 基于能源消耗與貿易角度的LMDI分解法. 當代經濟研究, 2013(4): 47-52.

HAN Y F, ZHANG L. Decomposition of Agricultural Carbon Emissions in China—LMDI decomposition method based on energy consumption and trade. Contemporary Economic Research, 2013(4): 47-52. (in Chinese)

[24] 胡劍波, 王青松. 基于泰爾指數(shù)的中國農業(yè)能源消費碳排放區(qū)域差異研究. 貴州社會科學, 2019(7): 108-117.

HU J B, WANG Q S. Study on regional differences of carbon emission in agricultural energy consumption based on theil index. Guizhou Social Sciences, 2019(7): 108-117. (in Chinese)

[25] 魏瑋, 文長存, 崔琦, 解偉. 農業(yè)技術進步對農業(yè)能源使用與碳排放的影響: 基于GTAP-E模型分析. 農業(yè)技術經濟, 2018(2): 30-40.

WEI W, WEN C C, CUI Q, XIE W. The impacts of technological advance on agricultural energy use and carbon emission-an analysis based on GTAP-E model. Journal of Agrotechnical Economics, 2018(2): 30-40. (in Chinese)

[26] 田云, 尹忞昊. 技術進步促進了農業(yè)能源碳減排嗎? 基于回彈效應與空間溢出效應的檢驗. 改革, 2021(12): 45-58.

TIAN Y, YIN M H. Does technological progress promote carbon emission reduction of agricultural energy? Test based on rebound effect and spatial spillover effect. Reform, 2021(12): 45-58. (in Chinese)

[27] LIU W L, WANG C, MOL A P J. Rural residential CO2emissions in China: where is the major mitigation potential? Energy Policy, 2012, 51: 223-232.

[28] 萬文玉, 趙雪雁, 王偉軍, 薛冰. 我國農村居民生活能源碳排放的時空特征分析. 生態(tài)學報, 2017, 37(19): 6390-6401.

WAN W Y, ZHAO X Y, WANG W J, XUE B. Analysis of spatio-temporal patterns of carbon emission from energy consumption by rural residents in China. Acta Ecologica Sinica, 2017, 37(19): 6390-6401. (in Chinese)

[29] 劉莉娜, 曲建升, 曾靜靜, 李燕, 邱巨龍, 王莉. 灰色關聯(lián)分析在中國農村家庭碳排放影響因素分析中的應用. 生態(tài)環(huán)境學報, 2013, 22(3): 498-505.

LIU L N, QU J S, ZENG J J, LI Y, QIU J L, WANG L. Application of gray relational analysis method in the influencing factor analysis of China’s rural household carbon emissions. Ecology and Environmental Sciences, 2013, 22(3): 498-505. (in Chinese)

[30] 張恒碩, 李紹萍, 彭民. 中國農村能源消費碳排放區(qū)域非均衡性及驅動因素動態(tài)識別. 中國農村經濟, 2022(1): 112-134.

ZHANG H S, LI S P, PENG M. Regional imbalance of carbon emissions from China’s rural energy consumption and dynamic identification of driving factors. Chinese Rural Economy, 2022(1): 112-134. (in Chinese)

[31] 曹翔, 高瑀, 劉子琪. 農村人口城鎮(zhèn)化對居民生活能源消費碳排放的影響分析. 中國農村經濟, 2021(10): 64-83.

CAO X, GAO Y, LIU Z Q. The impact of urbanization of rural residents on carbon emissions from household energy consumption. Chinese Rural Economy, 2021(10): 64-83. (in Chinese)

[32] 蔣金荷. 中國城鎮(zhèn)住宅碳排放強度分析和用能政策反思. 數(shù)量經濟技術經濟研究, 2015, 32(6): 90-104.

JIANG J H. China’s urban residential carbon intensity decomposition and energy policy rethink. The Journal of Quantitative & Technical Economics, 2015, 32(6): 90-104. (in Chinese)

[33] 田云, 陳池波. 中國碳減排成效評估、后進地區(qū)識別與路徑優(yōu)化. 經濟管理, 2019, 41(6): 22-37.

TIAN Y, CHEN C B. Effectiveness evaluation of carbon emission reduction in China, identification of backward areas and path optimization. Business Management Journal, 2019, 41(6): 22-37. (in Chinese)

[34] 袁華錫, 劉耀彬, 封亦代. 金融集聚如何影響綠色發(fā)展效率?: 基于時空雙固定的SPDM與PTR模型的實證分析. 中國管理科學, 2019, 27(11): 61-75.

YUAN H X, LIU Y B, FENG Y D. How does financial agglomeration affect green development Efficiency? Empirical analysis of SPDM and PTR models considering spatio-temporal double fixation. Chinese Journal of Management Science, 2019, 27(11): 61-75. (in Chinese)

[35] YORK R, ROSA E A, DIETZ T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts. Ecological Economics, 2003, 46(3): 351-365.

[36] 楊騫, 劉華軍. 中國二氧化碳排放的區(qū)域差異分解及影響因素: 基于1995—2009年省際面板數(shù)據(jù)的研究. 數(shù)量經濟技術經濟研究, 2012, 29(5): 36-49, 148.

YANG Q, LIU H J. Regional difference decomposition and influence factors of China’s carbon dioxide emissions. The Journal of Quantitative & Technical Economics, 2012, 29(5): 36-49, 148. (in Chinese)

[37] ANSELIN L. Spatial Econometrics: Methods and Models. Boston: Kluwer Academic Publishers, 1988.

[38] 田云, 林子娟. 中國省域農業(yè)碳排放效率與經濟增長的耦合協(xié)調. 中國人口·資源與環(huán)境, 2022, 32(4): 13-22.

TIAN Y, LIN Z J. Coupling coordination between agricultural carbon emission efficiency and economic growth at provincial level in China. China Population, Resources and Environment, 2022, 32(4): 13-22. (in Chinese)

[39] SADORSKY P. Financial development and energy consumption in Central and Eastern European frontier economies. Energy Policy, 2011, 39(2): 999-1006.

[40] SHAHBAZ M, ALI NASIR M, ROUBAUD D. Environmental degradation in France: the effects of FDI, financial development, and energy innovations. Energy Economics, 2018, 74: 843-857.

[41] 聶麗, 石凱. 農村金融集聚影響農村經濟增長的區(qū)域差異與路徑選擇. 財貿研究, 2021, 32(5): 37-48.

NIE L, SHI K. Regional differences and path selection of rural finance aggregation affecting rural economic growth. Finance and Trade Research, 2021, 32(5): 37-48. (in Chinese)

[42] LESAGE J P, PACE R K. Introduction to Spatial Econometrics. Boca Raton: CRC Press, 2009.

Spatial-Temporal Pattern, Influencing Factors and Spatial Spillover Effect of Rural Energy Carbon Emissions in China

TIAN Yun1, YIN Minhao1, ZHANG Huijie2

1School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073;2Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing 100081

【Objective】In the context of the “dual carbon” strategy, clarifying the current characteristics, spatial-temporal pattern and influencing factors of rural energy carbon emissions can provide important support for effectively promoting rural low-carbon development. 【Method】Carbon emission factor method is used to measure rural energy carbon emissions in China effectively, and analyze its temporal and spatial characteristics. Then, the autocorrelation model is used to explore its spatial correlation pattern. Finally, the introduction of STIRPAT extended model is used to analyze the main factors affecting its intensity changes and the spatial spillover effect. 【Result】China's total rural energy carbon emissions are in a continuous upward trend, with an increase of 77.55% in 2019 compared with 2005, which is mainly attributed to the increase in rural residents' domestic energy consumption. Rural energy carbon emission intensity has increased slightly during the investigation period. Although there are some inter-annual fluctuations, the overall fluctuations are small. In 2019, there were significant inter-provincial differences in rural energy carbon emissions, with Hebei leading the way and Ningxia at the bottom. Compared with 2005, only 5 provinces were in a downward trend. In 2019, Beijing ranked first in rural energy carbon emission intensity, while Hainan ranked last, with the latter even less than one tenth of the former. Since 2008, China's rural energy carbon emissions have shown obvious and stable spatial dependence, as well as local spatial clustering, with a small and relatively stable number of high-high concentration provinces and a lager and growing number of low-low concentration provinces. Among the social factors, the increase of rural affluence can lead to an increase of rural energy carbon emission intensity, while agricultural technology progress and rural labor force structure variables have a dampening effect, with only rural affluence showing a spatial spillover effect in a negative direction. Among the economic factors, the increase in the rural financial agglomeration and the improvement of agricultural development level both lead to the increase of rural energy carbon emission intensity, and both have spatial spillover effects, with the former positive and the latter negative. While agricultural financial investment does not have a direct effect but shows a negative spatial spillover effect. Among the industry-level factors, the increase of agricultural industry agglomeration leads to the increase of rural energy carbon emission intensity, but at the same time, it also presents a negative spatial spillover effect. 【Conclusion】The total amount and intensity of rural energy carbon emissions in China are on the rise, with significant inter-provincial differences. China's rural energy carbon emissions show obvious spatial dependence and spatial heterogeneity. Rural energy carbon emissions are affected by a combination of social, economic and industrial factors.

rural energy carbon emissions; agricultural carbon emission; spatial-temporal pattern; influencing factors; spillover effect

10.3864/j.issn.0578-1752.2023.13.009

2023-01-10；

2023-02-21

國家自然科學基金（71903197）、國家現(xiàn)代農業(yè)產業(yè)技術體系專項（CARS-08）、中南財經政法大學中央高校基本科研業(yè)務費專項資金資助項目（2722022BY012、2722022AL003）、中南財經政法大學研究生科研創(chuàng)新項目（202311006）

田云，E-mail：tianyun1986@163.com。通信作者張蕙杰，E-mail：zhanghuijie@caas.cn

（責任編輯 李云霞）