尚 杰, 吉雪強, 石 銳, 朱美榮**

(1.東北林業(yè)大學經濟管理學院 哈爾濱 150040; 2.揚州大學商學院 揚州 225009)

溫室氣體排放所造成的全球變暖問題已經嚴重威脅人類的生存和發(fā)展, 碳排放已經成為世界主要國家的重要議題。我國在2021年《政府工作報告》中明確提出制定2030年前碳排放達峰行動方案, 反映了我國對于碳排放問題的高度關切, 也體現(xiàn)出該問題對于中國可持續(xù)發(fā)展的重要影響。碳達峰、碳中和目標實現(xiàn)的重要前提在于對碳排放情況的深入了解。農業(yè)是碳排放的重要來源, 現(xiàn)有研究指出農業(yè)生產造成的碳排放是全球溫室氣體增加的重要來源, 農業(yè)活動排放的二氧化碳(CO)更是占到人為溫室氣體的21%～25%。20世紀90年代以來, 中國農業(yè)碳排放量總體呈現(xiàn)增長態(tài)勢, 農業(yè)活動溫室氣體排放占中國溫室氣體排放總量的17%, 同時農業(yè)活動更是甲烷(CH)和一氧化二氮(NO)排放的主要來源?？梢? 農業(yè)碳排放是中國碳排放的核心議題之一, 中國碳達峰、碳中和目標的實現(xiàn)必須高度重視農業(yè)碳排放, 并采取有效措施, 推動農業(yè)碳減排。研究指出農業(yè)碳排放效率的提升是農業(yè)碳減排實現(xiàn)的重要渠道, 更是實現(xiàn)農業(yè)低碳轉型的重要依據(jù)。為此, 就農業(yè)碳排放效率進行研究, 為農業(yè)碳減排提供有效對策, 是我國碳達峰、碳中和目標實現(xiàn)的重要途徑。

學者們就農業(yè)碳排放效率進行了深入研究, 這些研究主要包括農業(yè)碳排放效率概念探討、農業(yè)碳排放效率測算、農業(yè)碳排放效率影響因素分析、農業(yè)碳排放效率空間關系分析等。就農業(yè)碳排放效率的概念來看, 農業(yè)碳排放效率是在既定投入要素和經濟產出條件下, 理論上可達到的最少碳排放與實際排放之比, 也有學者認為農業(yè)碳排放效率就是指碳排放約束下的農業(yè)生產率水平。而無論哪種概念, 其都是將農業(yè)碳排放作為農業(yè)生產活動的非期望產出進行考量, 以反映在碳排放這一非期望產出作用下農業(yè)生產經營過程中的投入產出關系。農業(yè)碳排放效率越高, 其在相同農業(yè)投入下所產出的經濟價值越高或產生的碳排放越少, 越有利于地區(qū)農業(yè)低碳化發(fā)展。就農業(yè)碳排放效率的測算研究來看, 學者們主要通過DEA-Malmquist指數(shù)、SBMUndesirable模型等模型和方法對我國農業(yè)碳排放效率進行分析, 也有少部分研究將農業(yè)碳排放量與地區(qū)農業(yè)GDP進行比較以測度地區(qū)農業(yè)碳排放效率, 這些研究指出我國農業(yè)碳排放效率整體呈增長趨勢, 但不同地區(qū)間存在差異。就農業(yè)碳排放效率的影響因素研究來看, 學者們就農業(yè)產業(yè)結構、財政支農力度、有效灌溉率、農業(yè)技術進步、城鎮(zhèn)化水平、人力資本、農業(yè)機械化率、市場規(guī)模等多種因素對農業(yè)碳排放效率的影響進行了探討。就農業(yè)碳排放效率空間分析來看, 學者們不僅就農業(yè)碳排放效率在地區(qū)間的分布情況進行了討論, 更是進一步就農業(yè)碳排放效率的空間溢出效應、空間關聯(lián)關系進行了分析, 其研究結果指出我國農業(yè)碳排放效率存在明顯的空間效應, 對于農業(yè)碳排放效率的分析不僅應當考慮本地區(qū)情況, 還應當進一步考慮空間關系。

上述農業(yè)碳排放效率研究為我國農業(yè)碳排放問題的解決提供了有力的學術支撐, 具有較高的學術價值和實際意義, 并為本文農業(yè)碳排放效率的測度方法、指標體系等提供了參考。此外, 隨著區(qū)域協(xié)調發(fā)展戰(zhàn)略的深入, 農業(yè)碳排放效率空間關系分析的價值逐漸突顯, 這些研究成果為協(xié)調發(fā)展下的區(qū)域農業(yè)碳減排活動提供了重要支持。

但是, 隨著區(qū)域協(xié)調發(fā)展戰(zhàn)略的進一步深入以及交通網絡、信息網絡的迅速發(fā)展, 地區(qū)間勞動力、資金、技術以及產品等要素流動加快, 地區(qū)產業(yè)、金融、消費的空間關聯(lián)關系已經突破了地理鄰近限制, 形成空間關聯(lián)網絡。碳排放作為社會經濟活動的產物, 其空間效應也同樣超越了地理鄰近距離, 在全國范圍形成空間關聯(lián)網絡。農業(yè)碳排放作為碳排放的重要構成, 也逐漸呈現(xiàn)出空間網絡特征。在此背景之下, 農業(yè)碳排放效率的空間關系研究也應當進一步深入, 以探明區(qū)域協(xié)調發(fā)展下農業(yè)碳排放效率的新情況、新特征, 從而為區(qū)域協(xié)調發(fā)展下農業(yè)碳減排活動提供更多有益指導。雖然現(xiàn)有研究已經就農業(yè)碳排放效率空間關系進行了探討, 對其空間收斂情況、空間溢出效應、空間關聯(lián)關系進行了分析, 但是這些研究仍存在一些局限: 一方面現(xiàn)有研究僅考慮地理上的“鄰近”或“相鄰”空間效應, 缺乏整體性, 未考慮“非鄰近”地區(qū)可能對農業(yè)碳排放效率產生的影響; 另一方面, 現(xiàn)有農業(yè)碳排放效率研究多基于反映省份自身性質的屬性數(shù)據(jù)展開,少有研究基于反映兩個或多個省份之間相互關系的關系數(shù)據(jù)進行探索, 這使得現(xiàn)有研究難以就農業(yè)碳排放效率空間關聯(lián)網絡的整體網絡結構特征進行刻畫, 而結構對于屬性數(shù)據(jù)具有決定性的影響, 對于空間關聯(lián)研究具有更大價值。這些局限的存在影響了區(qū)域農業(yè)碳排放效率協(xié)調提升, 更制約了區(qū)域農業(yè)協(xié)同減排活動的開展, 不利于我國碳達峰、碳中和目標的實現(xiàn)。

為此, 借鑒現(xiàn)有研究成果, 本文基于關系數(shù)據(jù)和網絡視角, 以2010-2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率發(fā)展情況為研究對象(香港、澳門、臺灣等地區(qū)的農業(yè)發(fā)展情況存在較大差異, 故未列為研究對象), 以非期望產出的SBM模型(SBMUndesirable模型)測度農業(yè)碳排放效率, 利用修改的引力模型構建農業(yè)碳排放效率空間關聯(lián)網絡引力矩陣, 應用社會網絡分析法就空間關聯(lián)網絡的結構特征進行分析, 最后通過QAP模型(Quadratic Assignment Procedure模型)就驅動因素進行探索, 以期為區(qū)域農業(yè)協(xié)同減排活動提供參考和支持, 助力中國碳達峰、碳中和目標的實現(xiàn)。相對現(xiàn)有農業(yè)碳排放效率研究, 本研究實現(xiàn)了以下創(chuàng)新: 1)基于關系數(shù)據(jù)和網絡視角就中國農業(yè)碳排放效率空間關聯(lián)網絡特征進行分析, 為中國農業(yè)碳排放效率研究開拓新的研究視角; 2)綜合利用非期望產出SBM模型、引力模型、社會網絡分析法、QAP模型, 實現(xiàn)了中國農業(yè)碳排放效率研究方法的拓展。

1 研究方法、數(shù)據(jù)來源

1.1 農業(yè)碳排放效率測度方法

1.1.1 非期望產出SBM模型

本文利用非期望產出SBM模型對農業(yè)碳排放效率進行測度, 該模型由Tone在2001年提出, 在農業(yè)碳排放效率測度中得到了較廣泛應用, 由于該模型已經被學界熟知, 為此對其公式不進行詳細介紹。

1.1.2 農業(yè)碳排放效率投入產出指標體系

本文借鑒前人研究, 構建中國31個省(市、自治區(qū))農業(yè)碳排放效率投入產出指標體系(表1)。該指標體系將農業(yè)生產活動所涉及的勞動力、土地、化肥、農藥、農膜、農業(yè)機械動力、農業(yè)灌溉等因素作為投入指標, 將農業(yè)總產值作為期望產出指標,將農業(yè)活動所造成的碳排放作為非期望產出指標。

表1 農業(yè)碳排放效率投入-產出指標體系Table 1 Input-output indexes system of agricultural carbon emission efficiency

其中農業(yè)從業(yè)人員的計算借鑒研究成果, 利用公式第一產業(yè)從業(yè)人員×農業(yè)GDP/農林牧漁業(yè)GDP進行計算。農業(yè)碳排放量的計算主要參考文獻[29-30],包含了稻田的CH排放, 化肥和土壤引起的NO排放, 農田土壤、化肥、農藥、農業(yè)機械和農業(yè)灌溉所產生的CO排放, 化肥引起的NO排放利用各省(市、自治區(qū))的施用氮肥和復合肥總數(shù)計算。參考文獻[29-31]的做法, 在與相關專家商議后, 本文決定僅考慮農業(yè)生產本身所產生的溫室氣體, 未將秸稈等農業(yè)廢棄物燃燒等活動所產生的CO納入碳排放量中。在計算后, 參考文獻[30]的方法, 將CH、NO折合為CO當量。碳排放量具體計算系數(shù)及過程見文獻[29-30]。

1.2 空間關聯(lián)網絡結構分析方法

1.2.1 修改的引力模型

為了解中國31省(市、自治區(qū))農業(yè)碳排放效率是否具有空間網絡特征, 需要先構建引力矩陣。參考文獻[32]引入修正的引力模型對中國31省(市、自治區(qū))農業(yè)碳排放效率的空間關聯(lián)引力強度進行測度。其計算公式為:

1.2.2 社會網絡分析法

社會網絡分析法是基于“關系數(shù)據(jù)”就關系網絡進行分析的科學方法, 在多個領域得到了廣泛的應用。參考現(xiàn)有空間關聯(lián)網絡結構研究, 本文利用社會網絡分析法對31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡結構特征進行分析。

1)空間關聯(lián)網絡整體結構特征。該特征主要利用網絡關系數(shù)、密度、關聯(lián)度、等級度、效率5個指標進行分析, 詳細公式及其內涵見文獻[33-34]。其中網絡關系數(shù)、網絡密度反映空間關聯(lián)網絡內各節(jié)點的關聯(lián)強度, 即各節(jié)點在空間關聯(lián)網絡中相互作用的強度。當網絡關系數(shù)越多, 網絡密度越大, 說明31個省(市、自治區(qū))農業(yè)碳排放效率的關聯(lián)性越強, 各省(市、自治區(qū))的農業(yè)碳排放效率相互間產生的影響也更強; 網絡關聯(lián)度則是反映空間關聯(lián)網絡的穩(wěn)健性, 當其為1時說明31個省(市、自治區(qū))農業(yè)碳排放效率具有空間網絡效應, 且該空間關聯(lián)網絡穩(wěn)健性強; 網絡等級度反映31個省(市、自治區(qū))農業(yè)碳排放效率的地位差異, 等級度越高, 說明該空間關聯(lián)網絡中形成的等級地位差異越大; 網絡效率反映空間關聯(lián)網絡的穩(wěn)定情況, 網絡效率越低, 31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡越穩(wěn)定。

2)空間關聯(lián)網絡個體結構特征。該特征主要利用點度中心度、接近中心度和中介中心度3個指標進行分析, 詳細公式及其內涵見文獻[33-34]。在研究中, 當一個省(市、自治區(qū))的點度中心度越高, 表明該省(市、自治區(qū))距31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡中心越近, 其對其余網絡節(jié)點的作用越強; 當一個省(市、自治區(qū))的接近中心度越高, 表明其在31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡中與其他省(市、自治區(qū))的距離越近; 當一個省(市、自治區(qū))的中介中心度越高,該省市對31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡中其他省(市、自治區(qū))的農業(yè)碳排放效率的控制和調節(jié)作用越強。

3)空間關聯(lián)網絡聚類結構特征分析。本文通過塊模型分析法探討中國31省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡各個板塊在網絡結構中的角色與作用。參考程慧等的評價規(guī)則對中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡進行聚類分析。將中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡劃分為4個板塊, 板塊的屬性根據(jù)其板塊內外部接收和發(fā)出關系數(shù)與板塊內部成員數(shù)判斷而來(表2)。

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

1.3 QAP模型

由于研究所涉及變量均為關系數(shù)據(jù), 變量間可能存在多重共線性, 同時也難以判定干擾項是否服從正態(tài)分布, 而QAP模型不需要獨立性與正態(tài)分布假定, 運用QAP模型對關系數(shù)據(jù)進行分析所得的結果更為穩(wěn)健。為進一步揭示中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡演變的內在驅動力, 參考現(xiàn)有研究成果, 本文以最接近的2019年為研究對象, 構建QAP模型如下:

式中: 因變量GL為中國31省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡矩陣, 自變量為科技水平差異矩陣(K)、交通運輸水平差異矩陣(J)、居民收入差異矩陣(S)、第一產業(yè)產值差異矩陣(Z)、第一產業(yè)比重差異矩陣(B)、信息化水平差異矩陣(X)、地區(qū)人口差異矩陣(P)、空間鄰接矩陣(C)。

其中科技水平所使用指標為各省(市、自治區(qū))的研究與試驗發(fā)展經費; 交通運輸水平所使用指標為各省(市、自治區(qū))的貨運量; 居民收入所使用指標為各省(市、自治區(qū))的居民人均收入值; 第一產業(yè)產值所使用指標為各省(市、自治區(qū))的第一產業(yè)產值; 第一產業(yè)比重所使用指標為各省(市、自治區(qū))的第一產業(yè)產值與地區(qū)生產總值之比; 信息化水平所使用指標為各省(市、自治區(qū))的郵電業(yè)務總量;地區(qū)人口所使用指標為各省(市、自治區(qū))的年末人口數(shù)量; 空間鄰接關系采用0-1法則, 若兩省市鄰接則記為1, 否則記為0。

1.4 數(shù)據(jù)來源

基礎數(shù)據(jù)來源于《中國統(tǒng)計年鑒》 《中國農業(yè)年鑒》 《中國農村統(tǒng)計年鑒》。其中, 各省(市、自治區(qū))間距離利用ArcGIS軟件distance功能, 結合各省會(直轄市為本市坐標)地理坐標進行計算。

2 中國農業(yè)碳排放效率分析

本文利用PRO DEA SOLER 5.0軟件, 基于上文提出的農業(yè)碳排放效率投入產出指標體系, 應用非期望產出SBM模型進行計算, 得到2010-2019年中國31省(市、自治區(qū))農業(yè)碳排放效率(表3)。

表3 2010—2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率Table 3 Agricultural carbon emission efficiency in 31 provinces (cities, autonomous regions) of China from 2010-2019

由表3,可 知 2010-2019年間, 中國31個省(市、自治區(qū))農業(yè)碳排放效率均值由0.400增長至0.756,增長了88.8%, 表明在這10年間, 中國大陸農業(yè)低碳化發(fā)展得到了長足進步, 在碳排放約束下, 同樣的農業(yè)投入得到了更多的農業(yè)經濟產出; 或者說在同樣的投入和農業(yè)經濟產出下, 農業(yè)碳排放量相對減少,這反映出中國農業(yè)生產與環(huán)境保護的協(xié)調發(fā)展。究其原因, 一方面是農業(yè)科技發(fā)展下農業(yè)生產效率的提升, 隨著農業(yè)信息技術、新型農業(yè)器械、優(yōu)良農種等相關農業(yè)科技的推廣和應用, 農產品單位面積產量得到了提高; 另一方面隨著農業(yè)面源污染攻堅戰(zhàn)的進行, 在政策指導和市場綠色消費引導下, 在綠色農業(yè)相關技術的支持下, 農業(yè)生產對化肥、農藥、農膜的依賴程度下降, 減少了農業(yè)碳排放。就不同省(市、自治區(qū))情況來看, 2019年福建、廣東、貴州、海南、湖北、陜西、青海、上海、四川、天津、新疆、浙江等省(市、自治區(qū))農業(yè)碳排放效率為1，達到了效率前沿面, 其中福建、廣東、上海、天津、浙江等地較高的農業(yè)碳排放效率可能多依靠其先進的農業(yè)技術支持和嚴格的農業(yè)污染政策制約;陜西、青海、新疆等則更多依托土地供給和農業(yè)規(guī)?；洜I提升農業(yè)經濟產出, 從而得以實現(xiàn)較高的農業(yè)碳排放效率; 至于湖北省可能依托其較為充足的農業(yè)勞動力以及優(yōu)良的水熱條件實現(xiàn)較高的農業(yè)經濟產出, 此外, 其對于農業(yè)污染問題的高度重視也有效制約了農業(yè)碳排放的增加; 海南省可能主要得益于較好的光熱水等自然條件。而安徽、黑龍江、江西、西藏、內蒙古、云南等省(市、自治區(qū))的農業(yè)碳排放效率在2019年仍低于0.500, 其中西藏、內蒙古主要是因為其農業(yè)生產活動較少, 且受到自然環(huán)境制約而造成農業(yè)經濟產出較低; 安徽、江西、云南則可能是受到農業(yè)技術制約; 黑龍江省雖然具有較為肥沃的土壤以及廣闊的土地, 但其農業(yè)生產易受到寒冷天氣影響。整體上而言, 在研究區(qū)間內,中國31個省(市、自治區(qū))農業(yè)碳排放效率提升較大, 但仍有一定的提升空間, 不同省(市、自治區(qū))間存在較大差距。

3 中國農業(yè)碳排放效率空間關聯(lián)網絡結構分析

以中國31個省(市、自治區(qū))農業(yè)碳排放效率(表3)作為構建空間關聯(lián)矩陣的基礎數(shù)據(jù), 結合公式(1)測算獲得的引力構建中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)二值矩陣(GL), 而后應用社會網絡分析工具Ucinet軟件制作中國31個省(市、自治區(qū))農業(yè)碳排放效率的空間網絡拓撲圖, 并進行空間網絡結構分析。研究選取2010年、2013年、2016年、2019年4個年份為代表進行圖像展示(圖1)?？梢钥闯鲋袊?1個省(市、自治區(qū))農業(yè)碳排放效率已經突破了傳統(tǒng)的空間地理鄰近溢出屬性, 網絡中沒有孤立點, 整體呈現(xiàn)出復雜的空間關聯(lián)網絡特征。

圖1 2010—2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率空間網絡拓撲圖Fig.1 Topologies of agricultural carbon emission efficiency in 31 provinces (cities, autonomous regions) of China from 2010 to 2019

3.1 農業(yè)碳排放效率空間關聯(lián)網絡整體特征分析

利用Ucinet 6.0軟件, 計算得到2010-2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡整體特征指標(表4)。

表4 2010—2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡整體特征指標Table 4 Overall characteristic indexes of spatial correlation network in 31 provinces (cities, autonomous regions) of China from 2010-2019

從表4可知, 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的網絡關系數(shù)呈現(xiàn)波動上升的趨勢, 從2010年的121個上升至2019年的211個,增加了74.4%, 其中最高值為2016年的229個。就網絡密度而言, 其同樣呈現(xiàn)出波動上升趨勢, 從2010年的0.130上升至0.227, 提升74.6%, 其中最高值為2016年的0.246。根據(jù)網絡關系數(shù)和網絡密度的變化可知, 2010-2019年間中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的關聯(lián)強度提升, 各省(市、自治區(qū))農業(yè)碳排放效率間的相互作用得到強化。究其原因, 一方面得益于逐步完善的市場經濟體制, 使得農業(yè)生產經營要素能夠在全國范圍得到便捷流通; 另一方面, 中國交通網絡、信息網絡的迅速發(fā)展, 也進一步為各省(市、自治區(qū))間農業(yè)技術擴散、農業(yè)勞動力轉移、農業(yè)投資拓展等活動提供了支持, 加強了各省(市、自治區(qū))農業(yè)生產經營間的關聯(lián), 為農業(yè)碳排放效率空間關聯(lián)關系的形成提供了保障; 此外, 在這10年間, 長江經濟帶、粵港澳大灣區(qū)等區(qū)域發(fā)展戰(zhàn)略的實施, 加快了區(qū)域內部協(xié)調發(fā)展的速度, 也為全國范圍各類涉農要素的流動提供了動力和支持。雖然, 在研究區(qū)間內中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的網絡關系數(shù)得到了較大提升, 但是相對于最大可能關系總數(shù)930個(31×30), 仍有著較大差距, 因此中國農業(yè)碳排放效率空間關聯(lián)關系還有著巨大的提升空間。

由表4可知, 2010-2019年間中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的網絡關聯(lián)度皆為1, 顯示出中國各省(市、自治區(qū))均被納入農業(yè)碳排放效率空間關聯(lián)網絡之中, 表明這一空間關聯(lián)網絡的網絡結構穩(wěn)健, 各省(市、自治區(qū))的農業(yè)碳排放效率實現(xiàn)了相互連接, 農業(yè)碳排放效率的空間溢出效應范圍較廣, 不僅僅局限于鄰近范圍。就網絡等級度來看, 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的網絡等級度波動較大, 由2010年的0.458下降至2019年的0.293, 下降36.0%,其中最高值為2012年的0.506, 最低值為2015年和2018年的0.181, 整體呈現(xiàn)震蕩下降趨勢, 反映出中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡內部森嚴的等級結構瓦解, 而隨著這一進程的發(fā)展, 各省(市、自治區(qū))農業(yè)碳排放效率間的相互聯(lián)系和影響得到加強。究其原因可能是在市場、交通、信息、政策等因素影響下, 農業(yè)碳排放效率相關的農業(yè)勞動力、資金、農業(yè)技術等因素得以在全國范圍內實現(xiàn)協(xié)調配置, 縮小了各省(市、自治區(qū))間農業(yè)碳排放效率差距。就網絡效率而言, 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的網絡效率整體呈下降趨勢, 由2010年的0.837下降至2019年的0.692, 下降17.3%, 表明中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的穩(wěn)定性得到增強, 其原因可能是由于國家社會經濟發(fā)展協(xié)調性的增強, 使得各省(市、自治區(qū))農業(yè)碳排放效率間的關聯(lián)關系不斷增多, 各節(jié)點間關聯(lián)線的增多使得整個網絡越發(fā)緊密, 從而實現(xiàn)穩(wěn)定提升。

3.2 農業(yè)碳排放效率空間關聯(lián)網絡個體結構特征

利用Ucinet 6.0軟件計算得到2019年中國31省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡個體結構特征指標(表5)。

由表5可知, 2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的點度中心度均值為35.269。其中北京、福建、甘肅、貴州、湖北、江蘇、山西、陜西、上海、天津、浙江等11個省(市、自治區(qū))的點度中心度高于均值, 表明這些省(市、自治區(qū))在中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡中相對其余省(市、自治區(qū))更為接近網絡中心位置, 與其他節(jié)點省(市、自治區(qū))有著較多的聯(lián)系, 這些省(市、自治區(qū))對于整體網絡的形成與穩(wěn)定發(fā)展起著關鍵作用。其中北京、福建、江蘇、上海、天津、浙江等省市屬于我國的經濟發(fā)達地區(qū), 這些地區(qū)農業(yè)技術先進, 經濟發(fā)展較快, 且有著便捷的交通網絡, 這使得其能夠通過農業(yè)技術轉移、農業(yè)資金投資、吸收農業(yè)勞動力等方式對其他省(市、自治區(qū))農業(yè)經濟產出產生重要影響; 此外, 這些地區(qū)由于人口密集且人均收入較高, 是農產品的重要消費地區(qū), 其逐漸形成的綠色消費習慣也會對其他省(市、自治區(qū))的農業(yè)生產經營產生反向影響, 使其減少化肥、農藥施用, 從而降低農業(yè)碳排放量。甘肅、貴州、山西、陜西、湖北等省份則主要得益于其地理位置, 如甘肅和陜西處于我國西北諸省(市、自治區(qū))的中間位置, 貴州位于西南諸省(市、自治區(qū))的中間位置, 湖北位于中部諸省(市、自治區(qū))的中間位置, 山西省周邊也圍繞著內蒙古、河南、陜西、河北等省(市、自治區(qū)), 使得這些省(市、自治區(qū))能夠借助交通與信息網絡與周邊省(市、自治區(qū))形成較好的要素交流, 從而在空間關聯(lián)網絡中處于較為接近網絡中心的位置。此外, 北京、江蘇、上海、天津、浙江等省市的點入數(shù)要遠遠超過點出數(shù), 反映出其在網絡之中獲取了較多要素, 處于凈受益狀態(tài)。

由表5可知, 2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的接近中心度均值為25.802。其中北京、福建、甘肅、貴州、江蘇、青海、山西、上海、天津、浙江等10個省(市、自治區(qū))的接近中心度高于均值, 說明這些省(市、自治區(qū))易與其他省(市、自治區(qū))產生空間關聯(lián)。其中,北京、福建、江蘇、上海、天津、浙江處于東部地區(qū), 經濟發(fā)達, 信息技術先進, 且交通完善, 涉農資金、農業(yè)技術、農產品等要素在這些地區(qū)進行投資、擴散、流通, 使得這些省(市、自治區(qū))能夠與其他省(市、自治區(qū))較快產生空間關聯(lián)。甘肅、貴州、青海、山西等則是由于其處于一定區(qū)域的較中心位置,與周邊省(市、自治區(qū))有著較好的要素交流渠道,從而能夠通過輸出勞動力等要素以及吸收先進農業(yè)技術而與網絡中的其他省(市、自治區(qū))尤其是其周邊的省(市、自治區(qū))產生關聯(lián)。

由表5可知, 2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的中介中心度均值為3.333。其中福建、甘肅、貴州、海南、江蘇、山東、山西、陜西、上海、新疆、浙江等11個省(市、自治區(qū))的中介中心度高于均值。表明這些省(市、自治區(qū))在空間網絡之中能夠較好地影響和控制勞動力、資金等資源與技術的流動, 并進一步對其他省(市、自治區(qū))的農業(yè)碳排放效率產生調節(jié)和制約作用, 是中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡之中的“橋梁”。福建、江蘇、上海、浙江等省市憑借其經濟、技術優(yōu)勢通過輸出農業(yè)技術、資金等方式推動其他省(市、自治區(qū))農業(yè)經濟產出增加, 或通過擴散綠色農業(yè)技術或綠色農業(yè)經營管理經驗減少其他省(市、自治區(qū))農業(yè)生產經營活動的碳排放量; 甘肅、貴州、海南、山西、新疆等省(市、自治區(qū))則是通過輸出勞動力或農產品等方式與周邊等省(市、自治區(qū))產生空間關聯(lián)。

表5 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡結構中心性分析Table 5 Structural central analysis of the spatial correlation network of agricultural carbon emission efficiency in 31 provinces(cities, autonomous regions) of China

3.3 農業(yè)碳排放效率空間關聯(lián)網絡聚類結構特征

研究利用CONCOR算法對中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡進行分析, 將其劃分為4個板塊(表6)。

表6 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)板塊劃分Table 6 Division of spatial correlation plates of agricultural carbon emission efficiency in 31 provinces (cities, autonomous regions)of China

中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡板塊間內部關系數(shù)共37個, 占2019年網絡總關系數(shù)的17.5%, 板塊外關系數(shù)共174個, 占2019年網絡總關系數(shù)的82.5%, 顯示出各省(市、自治區(qū))農業(yè)碳排放效率間存在著空間集聚效應和空間溢出現(xiàn)象。其中第1板塊包括安徽、江西等9個省(市、自治區(qū)), 其板塊內關系數(shù)為11個, 板塊外接收關系數(shù)34個, 板塊外發(fā)出關系數(shù)68個, 期望內部關系比例大于實際內部關系比例, 屬于凈溢出板塊,其中安徽、江西、云南、廣西、貴州、河南、湖南等省(市、自治區(qū))可能向其他板塊輸出勞動力、農產品等要素, 而廣東、重慶則更多是技術或資金的輸出; 第2板塊包括山西、西藏等6個省(市、自治區(qū)), 其板塊內關系數(shù)為5個, 板塊外接收關系數(shù)37個, 板塊外發(fā)出關系數(shù)31個, 期望內部關系比例大于實際內部關系比例, 屬于經紀人板塊, 其與板塊內外部成員都有著密切的空間關聯(lián), 在整個農業(yè)碳排放效率空間關聯(lián)網絡之中充當著要素溝通的紐帶; 第3板塊包含上海、福建等8個省(市、自治區(qū)), 其板塊內關系數(shù)為16個, 板塊外接收關系數(shù)93個, 板塊外發(fā)出關系數(shù)32個, 期望內部關系比例小于實際內部關系比例, 屬于凈受益板塊, 主要享受著其他板塊的要素輸入; 第4板塊包含遼寧、內蒙古等7個省(市、自治區(qū)), 板塊年內關系數(shù)為5個, 板塊外接收關系數(shù)10個, 板塊外發(fā)出關系數(shù)43個, 期望內部關系比例大于實際內部關系比例, 也屬于凈溢出板塊, 這些地區(qū)大多是我國重要的農產品輸出省(市、自治區(qū))。

在此基礎上, 進一步運用凝聚子群分析路徑, 計算得中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的密度矩陣, 而后將密度矩陣中大于2019年中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡密度(上文測得0.227)的元素記為1,反之為0, 得到像矩陣(表7)。由表7可知, 第1、2板塊農業(yè)碳排放效率向第3板塊產生空間溢出, 第3板塊農業(yè)碳排放效率向第1板塊產生一定的空間溢出, 第4板塊農業(yè)碳排放效率的空間溢出效應主要影響第2板塊。整體上來看, 東部沿海地區(qū)是農業(yè)碳排放效率空間溢出的主要目的地。

表7 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)板塊的密度矩陣和像矩陣Table 7 Density matrix and image matrix of the spatial correlation plate of agricultural carbon emission efficiency in 31 provinces(cities, autonomous regions) of China

4 中國農業(yè)碳排放效率空間關聯(lián)網絡驅動因素分析

4.1 QAP相關性分析

在進行QAP回歸分析之前, 研究首先利用Ucinet 6.0軟件進行QAP相關性分析, 以了解各解釋變量與中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡矩陣之間的相關情況(表8)。其中, 交通運輸水平差異矩陣(J)、第一產業(yè)產值差異矩陣(Z)、第一產業(yè)比重差異矩陣(B)、地區(qū)人口差異矩陣(P)、空間鄰接矩陣(C)與中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡矩陣(GL)顯著相關(至少在P＜0.1的統(tǒng)計水平), 相關系數(shù)為正, 說明各省(市、自治區(qū))間的交通運輸水平差異、第一產業(yè)產值差異、第一產業(yè)比重差異、地區(qū)人口差異有利于推進31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡形成, 此外, 各省(市、自治區(qū))間的空間距離在該年對中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的形成發(fā)揮了重要作用。居民收入差異矩陣(S)在P＜0.05的統(tǒng)計水平與中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡顯著相關, 其系數(shù)為負, 表明在這一年, 相似的居民人均收入能夠促進中國31個省(市、自治區(qū))農業(yè)碳排放效率產生空間關聯(lián)。此外, 由表8可知, 大部分解釋變量之間存在著顯著的相關關系, 為此, 有必要利用QAP回歸方法進行分析, 以減少多重共線性的影響。

表8 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡矩陣相關性分析Table 8 Correlation analysis of the spatial correlation network of agricultural carbon emission efficiency in 31 provinces(cities, autonomous regions) of China

4.2 QAP回歸分析

基于公式(3), 利用Ucinet 6.0軟件進行QAP回歸分析(表9)。

表9 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡矩陣回歸分析Table 9 Regression analysis of spatial correlation network matrix of agricultural carbon emission efficiency in 31 provinces (cities,autonomous regions) of China

其中, 交通運輸水平差異矩陣(J)在P＜0.05的統(tǒng)計水平顯著, 其系數(shù)為正。表明各省(市、自治區(qū))交通運輸水平的差距能夠促進中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的形成。當交通運輸水平存在差異時, 交通運輸水平較好的省(市、自治區(qū))能夠更好地從其他省(市、自治區(qū))獲取農產品、勞動力等農業(yè)生產經營要素, 從而促進省(市、自治區(qū))間的要素流通, 強化空間關聯(lián)。

居民收入差異矩陣(S)在P＜0.05的統(tǒng)計水平顯著, 其系數(shù)為負。表明各省(市、自治區(qū))居民收入情況越相似, 越有利于推動中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡形成。居民人均收入水平反映出各省(市、自治區(qū))的經濟發(fā)展水平差異。當居民收入水平差異較小時, 各省(市、自治區(qū))間的經濟發(fā)展階段相似性較高, 其農業(yè)發(fā)展基礎、農產品需求情況、環(huán)境保護要求等有著較為相似的需要, 從而使得勞動力、資金、技術能夠較為便捷地在這些階段相似的省(市、自治區(qū))間流動, 從而加強農業(yè)碳排放效率的空間關聯(lián)。

第一產業(yè)產值差異矩陣(Z)在P＜0.1的統(tǒng)計水平顯著, 其系數(shù)為正。表明各省(市、自治區(qū))第一產業(yè)產值的差距能夠促進中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的形成。第一產業(yè)產值差距越大, 各省(市、自治區(qū))間農產品流動可能性越大, 這在現(xiàn)實中表現(xiàn)為農業(yè)大省的農產品向全國其他省(市、自治區(qū))的供應, 而隨著農產品貿易的擴散, 各省(市、自治區(qū))間空間關聯(lián)不斷強化。

信息化差異矩陣(X)在P＜0.1統(tǒng)計水平顯著, 其系數(shù)為負。表明各省(市、自治區(qū))信息化水平越相似, 越有利于推動中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡形成。其原因可能在于相似的信息化水平更有利于信息、技術、資金的轉移,尤其是農業(yè)信息化技術的轉移需要一定的信息產業(yè)基礎, 而相似的信息化水平意味著相近的產業(yè)基礎和人員素質。隨著農業(yè)信息和技術的轉移, 農業(yè)相關各要素的交流也得到增強, 從而強化了農業(yè)碳排放效率的空間關聯(lián)。

空間鄰接矩陣(C)在P＜0.01統(tǒng)計水平顯著, 其系數(shù)為正。表明中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡存在著“俱樂部趨同”現(xiàn)象,省(市、自治區(qū))之間的空間距離越近, 農業(yè)碳排放效率越容易發(fā)生空間關聯(lián)。其原因在于, 距離越近,越能實現(xiàn)各類農業(yè)要素的交流與配置。

5 討論

上文分析結果指出中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡特征明顯, 這表明隨著中國信息網絡、交通網絡的不斷完善, 農業(yè)碳排放效率相關要素實現(xiàn)了有效的溝通和交流; 此外, 在研究期間內, 該空間關聯(lián)網絡的網絡關聯(lián)性增強, 反映出信息和交通網絡完善基礎上農業(yè)碳排放效率相關要素互動的強化。而空間關聯(lián)網絡的驅動因素分析指出, 交通運輸水平、居民人均收入、第一產業(yè)產值、信息化水平、空間距離對農業(yè)碳排放效率空間關聯(lián)網絡形成產生了重要影響, 這一結果為相關政策制定者提供了改善農業(yè)碳排放效率空間關聯(lián)網絡的可行渠道。就本研究分析結果的實際意義而言,能夠為相關碳排放問題的解決提供一些有益的思路:在提升農業(yè)碳排放效率時, 既要考慮其地區(qū)內部影響以及周邊地區(qū)作用, 也要重視跨區(qū)域的網絡效應。

就方法應用而言, 本研究在參考現(xiàn)有成果的基礎上, 綜合利用非期望產出SBM模型、社會網絡分析法、QAP模型等模型和方法, 實現(xiàn)了關系數(shù)據(jù)視角下農業(yè)碳排放效率空間關聯(lián)網絡結構分析及其驅動因素的探討, 彌補了現(xiàn)有農業(yè)碳排放效率研究存在的部分局限。但是, 現(xiàn)有方法仍存在可改進空間,如本文僅利用社會網絡分析法對2019年的農業(yè)碳排放效率空間關聯(lián)網絡的個體結構特征和聚類機構特征進行了分析, 在驅動因素的探討上, 也僅利用QAP模型對2019年農業(yè)碳排放效率空間關聯(lián)網絡的驅動因素進行了研究, 這雖然也是現(xiàn)有研究成果的一般做法, 但未能反映出空間關聯(lián)網絡結構在不同時間節(jié)點的個體結構特征和聚類結構特征變化。為此,如何實現(xiàn)不同時間節(jié)點空間關聯(lián)網絡結構分析, 這仍有待進一步的深入探討。

6 結論與啟示

6.1 結論

在對2010-2019年間中國31個省(市、自治區(qū))農業(yè)碳排放效率進行測度的基礎上, 利用社會網絡分析法對中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡結構進行分析, 并利用QAP模型對該網絡的驅動因素進行探討, 得到主要結論如下:

1)在研究期間內, 中國31個省(市、自治區(qū))農業(yè)碳排放效率得到較快提升, 但是仍有一定改進空間, 且各省(市、自治區(qū))間存在較大差距; 此外, 中國31省(市、自治區(qū))農業(yè)碳排放效率的空間效應突破了傳統(tǒng)的空間地理鄰近限制, 在全國范圍呈現(xiàn)空間關聯(lián)網絡特征。

2)在研究期間內, 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的網絡關聯(lián)性增強, 其網絡關系數(shù)、網絡密度增加, 同時網絡內部森嚴的等級關系逐漸松散, 網絡結構的穩(wěn)定性也得到較大提升。此外, 中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡形成了多個網絡中心, 這些網絡中心對空間關聯(lián)網絡的形成發(fā)揮了重要作用, 并對其余省(市、自治區(qū))農業(yè)碳排放效率產生影響和控制。整體上, 東部沿海地區(qū)是中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡空間溢出的主要目的地。

3)交通運輸水平、居民人均收入、第一產業(yè)產值、信息化水平、空間距離對于中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的形成產生重要的影響。其中交通運輸水平差異和第一產業(yè)產值差異有利于推動空間關聯(lián)網絡的形成; 相似的居民人均收入和信息化水平以及相近的空間距離能夠更好地促進空間關聯(lián)網絡形成。

6.2 啟示

農業(yè)碳排放效率問題對于我國碳達峰、碳中和目標的實現(xiàn)有著重要意義, 結合研究結論, 下面就本研究對碳排放問題的啟示進行探討。

1)中國農業(yè)碳排放效率內部存在差距, 有著一定的改進空間, 且呈現(xiàn)出復雜的空間關聯(lián)網絡特征。為此, 在制定農業(yè)碳排放效率提升政策時, 一方面,要重視區(qū)域間協(xié)同減排活動的開展, 以農業(yè)碳排放效率先進地區(qū)為中心, 設計跨區(qū)域低碳農業(yè)技術、經驗交流協(xié)作機制, 以縮小各省(市、自治區(qū))間農業(yè)碳排放效率的差距; 另一方面, 應當充分利用農業(yè)碳排放效率所具有的空間關聯(lián)網絡特征, 通過強化交通網絡、完善投資網絡、提升信息交流等方式強化各省(市、自治區(qū))的空間關聯(lián), 并通過發(fā)揮網絡中心省(市、自治區(qū))對各省(市、自治區(qū))農業(yè)碳排放效率的影響, 實施重點突破, 以點帶面, 提升農業(yè)碳排放效率, 以推進農業(yè)碳減排活動的開展。

2)中國農業(yè)碳排放效率空間關聯(lián)網絡關聯(lián)性增強, 形成多個網絡中心, 其中東部地區(qū)是網絡中各省(市、自治區(qū))農業(yè)碳排放效率空間溢出目的地。為此, 要結合各省(市、自治區(qū))在空間關聯(lián)網絡中的地位差異, 制定針對性的農業(yè)碳排放效率提升策略。一方面, 位于網絡中心的經濟發(fā)達、技術先進且作為空間溢出主要目的地的東部省(市), 既要充分發(fā)揮其科技人才優(yōu)勢, 推進現(xiàn)代低碳農業(yè)發(fā)展, 并不斷優(yōu)化農業(yè)技術裝備, 積累低碳農業(yè)先進經驗, 以進一步提升本地區(qū)農業(yè)碳排放效率, 同時要借助其對其他省(市、自治區(qū))的影響渠道, 通過倡導綠色消費、進行低碳農業(yè)宣傳等方式倒逼農產品生產改善及擴散低碳農業(yè)觀念, 以帶動其他省(市、自治區(qū))提升農業(yè)碳排放效率。另一方面, 就位于網絡中心的其他省(市、自治區(qū))而言, 應當通過吸收東部地區(qū)先進技術與經驗等方式以積極發(fā)展本地低碳農業(yè), 并通過提供生態(tài)農產品等符合低碳農業(yè)要求的綠色產品, 滿足綠色消費需求并帶動地區(qū)農業(yè)發(fā)展; 此外,就網絡邊緣省(市、自治區(qū))而言, 既要通過執(zhí)行嚴格的環(huán)境規(guī)制措施或者增加生態(tài)補償?shù)确绞酵苿拥吞嫁r業(yè)發(fā)展, 以降低農業(yè)碳排放量, 同時, 也要積極吸納先進技術、經驗以提升農業(yè)生產效率和降低農業(yè)污染。

3)中國31個省(市、自治區(qū))農業(yè)碳排放效率空間關聯(lián)網絡的形成受到多種因素影響。為此, 要充分利用這些驅動因素, 增強農業(yè)碳排放效率空間關聯(lián)。一方面, 增強信息、交通網絡對農業(yè)要素流通的支持, 要重視交通網絡的優(yōu)化和提升信息化水平, 進一步增強優(yōu)勢地區(qū)交通運輸能力, 并加快推進各省(市、自治區(qū))農業(yè)信息化發(fā)展, 以保障勞動力、資金、技術、農產品等要素在全國范圍實現(xiàn)高效流通, 強化空間關聯(lián); 另一方面, 要加強農產品市場與產地聯(lián)系, 既要多渠道推進地區(qū)經濟發(fā)展, 提升居民收入水平, 以增強其農產品消費能力、提升其消費層次, 使其培養(yǎng)綠色產品消費習慣, 又要發(fā)揮農業(yè)產值較高省(市、自治區(qū))農業(yè)生產優(yōu)勢, 通過選用優(yōu)種、測土施肥、施用有機肥等方式提升其農產品產量和質量, 增強綠色產品供應, 以滿足市場不斷增加的農產品消費需求和質量要求。

本文相對現(xiàn)有農業(yè)碳排放效率研究, 在研究視角和研究方法方面實現(xiàn)了拓展, 并為我國農業(yè)碳排放效率問題的解決提供了一些啟示, 具有一定的學術價值和實踐價值。但是, 本文仍存在一些局限, 如本文在參考現(xiàn)有研究方法的基礎上對最近年份的農業(yè)碳排放效率空間關聯(lián)網絡的結構及其驅動因素進行了分析, 并得到一些有益結果, 但是這些結構特征和驅動因素是否在各年份皆是如此？這點有待進一步考究。此外, 各驅動因素對空間關聯(lián)網絡影響的具體作用機理也有待進一步深入探討。由于研究進展影響, 這些局限在本文都沒有得到較好的解決, 但是這些問題在后期工作中都將得到重視。