EN中文

自然资源学报 >

2025 , Vol. 40 >Issue 9: 2381 - 2397

DOI: https://doi.org/10.31497/zrzyxb.20250906

其他研究论文

中国农业绿色低碳发展绩效的双维差异分解及驱动因素

  • 陈明华 ,
  • 耿树伟 ,
  • 李亚婷 ,
  • 谢琳霄
展开
  • 山东财经大学经济学院，济南 250014

陈明华（1978- ），男，山东临沂人，博士，教授，博士生导师，研究方向为经济增长与绿色发展。E-mail:

收稿日期: 2024-12-30

  修回日期: 2025-06-04

  网络出版日期: 2025-09-05

基金资助

国家社会科学基金项目(22BJY191)

收起

Dual-dimensional disparities and driving factors of green and low-carbon agricultural development performance in China

  • CHEN Ming-hua ,
  • GENG Shu-wei ,
  • LI Ya-ting ,
  • XIE Lin-xiao
Expand
  • School of Economics, Shandong University of Finance and Economics, Jinan 250014, China

Received date: 2024-12-30

  Revised date: 2025-06-04

  Online published: 2025-09-05

Fold

摘要

基于超效率EBM模型的Global-Luenberger指数测算了2012—2022年中国农业绿色低碳发展绩效，利用基尼系数双维分解法从空间和结构两个维度考察其区域差异，并借助最优参数地理探测器从内源和外源两方面综合分析区域差异的驱动因素。结果表明：（1）观测期内中国农业绿色低碳发展绩效整体呈上升态势，三大区域间呈现“东部>中部>西部”的发展格局，三大粮食功能区中主销区发展绩效最高，主产区次之。（2）农业绿色低碳发展绩效的区域差异整体呈收敛之势，区域间差异为总体差异在空间层面的主要来源，投入要素发展绩效差异则主导了结构层面的区域分化格局。（3）三大区域中，技术进步对东部区域内差异的作用强度较高，而中部、西部地区的区域差异易受农业工业化程度与财政支农水平空间差异的影响；三大粮食功能区中，平均气温与农业结构对主产区差异的影响程度相对高于主销区与产销平衡区。研究结论为优化区域农业发展策略、推动农业绿色低碳发展协调性以及提升农业高质量发展水平提供了重要支持。

关键词： 农业绿色低碳发展; 超效率EBM模型; 基尼系数双维分解法; 最优参数地理探测器

本文引用格式

陈明华 , 耿树伟 , 李亚婷 , 谢琳霄 . 中国农业绿色低碳发展绩效的双维差异分解及驱动因素[J]. 自然资源学报, 2025 , 40(9) : 2381 -2397 . DOI: 10.31497/zrzyxb.20250906

Abstract

Based on the Global-Luenberger index derived from the super-efficiency EBM model, this study measures China's agricultural green and low-carbon development performance from 2012 to 2022. The regional disparities are examined from spatial and structural dimensions using the Gini coefficient bidimensional decomposition method, and the driving factors of regional differences are comprehensively analyzed from both endogenous and exogenous perspectives through the optimal parameters-based geographical detector. The results indicate that: (1) During the observation period, China's agricultural green and low-carbon development performance exhibited an overall upward trend, with the three major grain regions showing a development pattern of "eastern>central>western regions", and among the three functional zones, main sales areas achieved the highest development performance, followed by main production areas. (2) Regional disparities in agricultural green and low-carbon development performance demonstrated an overall convergence trend, with inter-regional differences serving as the primary source of overall spatial disparities, while differences in input factor development performance dominated the regional differentiation pattern at the structural level. (3) Among the three major regions, technological progress exerted a relatively high impact intensity on intra-regional disparities in the eastern region, whereas regional differences in the central and western regions were more susceptible to spatial variations in agricultural industrialization levels and fiscal support for agriculture. Among the three major grain functional zones, average temperature and agricultural structure had a relatively great impact on disparities in main production areas compared to main sales areas and production-sales balanced areas. The research findings provide important support for optimizing regional agricultural development strategies, promoting coordination in agricultural green and low-carbon development, and enhancing the quality of agricultural development.

Key words： green and low-carbon agricultural development; super-efficiency EBM model; bidimensional decomposition method of Gini coefficient; optimal parameters-based geographical detector

随着经济快速发展，中国农业在取得显著成就的同时，也面临着高耗能、高污染、高排放的严峻挑战，传统的农业发展方式亟需实现绿色低碳转型[1]。2021年，中国首部农业绿色发展专项规划《“十四五”全国农业绿色发展规划》出台，在农业发展和生态保护的双重挑战下对“十四五”时期农业绿色低碳发展作出系统安排[2]。2022年5月，《农业农村减排固碳实施方案》中明确提出了农业农村领域减排固碳的目标和任务，推动农业从传统的高排放模式向绿色低碳模式转变。经过一系列综合性实践探索，中国农业碳排放实现总量和强度双降，农田灌溉水有效利用系数由0.53提升至0.57，全国化肥农药施用持续减量增效。2023年，主要农作物病虫害绿色防控面积覆盖率达54.1%，畜禽粪污综合利用率、秸秆综合利用率和农膜回收处置率均保持在75%以上，农业生态条件明显改善。尽管农业绿色低碳发展取得了一定成效，但资源浪费与面源污染问题依然存在，同时，受各地自然条件、农业生产方式和资源利用效率等因素的差异影响，中国农业绿色低碳发展呈现出明显的空间非均衡性特征[3]。鉴于此，本文基于多维度视角，对中国农业绿色低碳发展绩效进行科学测度，全面考察农业绿色低碳发展绩效的区域差异及其成因，并探寻其协同提升路径，以期为推动农业绿色低碳转型、提升国家粮食安全和助力农业强国战略提供切实可行的理论依据和实践策略。
目前学界围绕农业绿色发展绩效、农业生态效率、农业绿色全要素生产率的指标评价体系、时空分布特征、影响机制解析及提升路径探讨等方面均展开了积极探索[4,5]。然而，农业绿色低碳发展绩效作为衡量农业经济效益、生态效益与资源环境负荷之间关系的综合指标，仍需进一步聚焦和拓展。本文将农业绿色低碳发展绩效定义为相邻两时期农业生产活动所创造的经济与生态效益、资源与要素投入以及碳排放等环境负荷比值的增长率，并在全面梳理现有研究的基础上，主要从以下三个方面展开讨论。第一，就测度方法而言，主观赋权法、随机前沿方法（SFA）与数据包络分析（DEA）被广泛应用于绿色低碳发展绩效的测算。与其他方法相比，数据包络分析可以同时对多重投入与产出单元进行分析，并且能够将面源污染、碳排放等作为非期望产出纳入模型分析框架，在农业绿色发展等问题的考察中得到快速发展[6,7]。然而，由于非径向DEA模型测度的效率值会损失实际值与目标值原始比例信息，部分学者在农业生产效率研究中使用EBM模型[8]。就指标选取而言，大多研究在劳动、土地、资本等投入要素的选择上具有较高的一致性[3,9]，但将农业绿色发展内涵与低碳转型目标有机融合的综合性指标体系构建仍显不足，特别是在统筹考量资源环境承载、面源污染治理与碳源碳汇双重属性解析等多维要素的协同研究尚待深化。第二，就空间差异的分析而言，已有研究多利用变异系数、泰尔指数与传统基尼系数等统计度量方法对农业绿色低碳发展的空间差异水平进行分析。其中变异系数与传统基尼系数均无法解释差异来源，泰尔指数虽然可以区分组内与组间差异，但由于忽视了子样本分布导致其解释组间差异困难。Dagum基尼系数克服了上述问题，在测度区域差异方面表现出较大优势[10]，但其无法按照组成要素进一步分解差异来源贡献。基尼系数双维分解方法为解决这一问题提供了有效路径，然而目前基于空间和结构双重维度对农业绿色低碳发展区域差异进行综合考量的相关文献仍较为匮乏。第三，就空间差异的驱动因素而言，已有文献从社会因素与环境因素[11]、经济因素与技术因素[12]等视角对农业绿色低碳发展空间差异的影响因素进行了大量研究，但大多采用传统的计量回归分析与空间分析方法[13]，无法有效考察多个驱动因素的交互作用。相比之下，地理探测器在挖掘驱动因素方面具有独特优势，但其易受人为因素主观影响，而最优参数地理探测器可以自动选择最优的分类方法与类别数量，进而更加准确地挖掘出差异的驱动因素[14]。
综上所述，本文主要从以下三个方面进行拓展研究：第一，构建集成绿色效益与低碳转型多维度的投入产出指标体系，选取全局参比的超效率EBM模型与Luenberger指数对农业绿色低碳发展绩效进行测度与分析，以丰富对农业绿色低碳发展绩效的评价研究；第二，使用基尼系数双维分解方法从空间和结构双重视角揭示中国农业绿色低碳发展绩效的区域差异及来源，探析不同区域投入要素发展绩效、期望产出发展绩效与非期望产出发展绩效对于总体差异的贡献，从而实现农业绿色低碳发展绩效空间格局的全面刻画；第三，基于Luenberger生产率指数分解出的内源因素与影响农业绿色低碳发展的外源因素，采用最优参数地理探测器工具从内源与外源视角全面探究农业绿色低碳发展绩效区域差异的驱动因素，为探寻农业绿色低碳发展绩效协同提升路径提供参考。

1 研究方法与数据来源

1.1 研究方法

1.1.1 基于超效率EBM的Global-Luenberger指数模型

本文采用超效率EBM模型的Global-Luenberger指数测算相邻两时期的农业绿色低碳全要素生产率增长，即农业绿色低碳发展绩效，来反映农业绿色低碳发展的动态演化过程。EBM模型不仅考虑了实际值与目标值之间的径向改进比例，还反映了非径向松弛变量，在一定程度上克服了径向DEA与SBM模型的缺陷。然而EBM模型实际计算出的效率值无法超过1，因此当决策单元效率值均为1时，无法进一步比较，为此Andersen等[15]提出一种测度超效率的方法解决上述问题，故本文采用超效率EBM模型。假设每个决策单元投入$M$种要素 x m m = 1 ,   2 ,   ⋯ ,   M，生产出$N$种期望产出 y n n = 1 ,   2 ,   ⋯ ,   N和$I$种非期望产出 b i i = 1 ,   2 ,   ⋯ ,   I，则具体计算公式如下：
ρ j t x t ,   y t ,   b t = m i n θ - ε x ∑ m = 1 M w m t , - s m t , - x m j t φ + ε y ∑ n = 1 N w n t , + s n t , + y n j t + ε b ∑ i = 1 L w i t , b - s i t , b - b i j t
s . t . ∑ t = 1 T ∑ k = 1 K x m k t λ k t + s m t , - = θ x m j t ;   m = 1 ,   2 ,   ⋯ ,   M ∑ t = 1 T ∑ k = 1 K y n k t λ k t - s n t , + = φ y n j t ;   n = 1 ,   2 ,   ⋯ ,   N ∑ t = 1 T ∑ k = 1 K b i k t λ k t + s i t , b - = φ b i j t ;   i = 1 ,   2 ,   ⋯ ,   I λ k ≥ 0 ,   s m - ≥ 0 ,   s n + ≥ 0 ,   s i b - ≥ 0
式中： ρ j t代表决策单元的综合效率值； x m k t 、 y n k t 、 b i k t分别表示被预测决策单元的投入、期望产出、非期望产出真实值； s m t , - 、 s n t , + 、 s i t , b -表示松弛变量； w m t , - 、 w n t , + 、 w i t , b -表示投入产出指标的相对重要性；θ、φ分别表示投入、产出径向指标重要程度； ε x 、 ε y 、 ε b表示非径向指标的重要程度； λ k t为线性组合的最优参考值。参考Fukuyama等[16]的思路，测出超效率EBM模型的无效率值IE：
I E x = 1 - θ 2 + 1 2 M ∑ m = 1 M s m t , - x m j t I E y = N φ - 1 2 N + I + 1 2 N + I ∑ n = 1 N s n t , + y n j t I E b = I φ - 1 2 N + I + 1 2 N + I ∑ i = 1 I s i t , b - b i j t I E = I E x + I E y + I E b
Chambers等[17]基于模型的无效率值提出了Luenberger指数，本文从技术视角将农业绿色低碳发展绩效（Green and low-carbon Total Factor Performance of agriculture，GTFP）细分为技术进步（TC）与技术效率（EC），具体计算公式如下：
E C t t + 1 = I E t x t ,   y t ,   b t ; g x ,   g y ,   g b - I E t + 1 x t + 1 ,   y t + 1 ,   b t + 1 ; g x ,   g y ,   g b
T C t t + 1 = I E T x t ,   y t ,   b t ; g x ,   g y ,   g b - I E t x t ,   y t ,   b t ; g x ,   g y ,   g b + I E t + 1 x t + 1 ,   y t + 1 ,   b t + 1 ; g x ,   g y ,   g b - I E T x t + 1 ,   y t + 1 ,   b t + 1 ; g x ,   g y ,   g b
G T F P t t + 1 = I E T x t ,   y t ,   b t ; g x ,   g y ,   g b - I E T x t + 1 ,   y t + 1 ,   b t + 1 ; g x ,   g y ,   g b = E C t t + 1 + T C t t + 1
同时，参考刘瑞翔等[18]的研究，将GTFP按照投入、期望产出与非期望产出进一步分解，计算公式如下：
G T F P t t + 1 = G T F P t t + 1 x + G T F P t t + 1 y + G T F P t t + 1 b = ∑ m = 1 M G T F P t t + 1 x m + ∑ n = 1 N G T F P t t + 1 y n + ∑ i = 1 I G T F P t t + 1 b i
式中： G T F P t t + 1为农业绿色低碳发展绩效指数，大于零意味着绿色低碳发展绩效增长，情况得到改善，反之为情况恶化； G T F P t t + 1 x、 G T F P t t + 1 y、 G T F P t t + 1 b分别为投入要素、期望产出、非期望产出发展绩效在农业绿色低碳发展绩效方面的贡献。

1.1.2 基尼系数双维分解方法

本文采用Mussard[19]提出的基尼系数双维分解方法全面探析中国农业绿色低碳发展绩效的空间差距及具体来源。基尼系数双维分解方法是基于Dagum[20]基尼系数的发展，不仅可以在空间维度上按照区域组成进行分解，而且可以在结构维度上依指标构成实施分解。两种分解过程相互联系，可以精确衡量每个分项指标对总体不平等的区域内与区域间组成部分的影响，具体公式详见文献 [21]。

1.1.3 最优参数地理探测器

地理探测器是基于区域差异，探测自变量对因变量差异解释力的空间分析模型。在传统的地理探测模型中，连续数据的离散化处理通常易受研究者主观判断的影响，这可能引入偏差并影响结果的客观性。然而，最优参数地理探测器（Optimal Parameters-based Geographical Detector，OPGD）通过自动化的参数选择和统计优化方法，显著降低了主观性的影响，从而提升了模型的准确性和可靠性，使空间分析更加有效，具体公式详见文献 [22]。

1.2 指标选取与数据来源

理解中国农业绿色低碳发展需要立足现实，构建科学合理的评价指标体系。从经济维度看，中国农业生产正经历从传统粗放型向现代集约型的深刻转型，其核心驱动力是要素投入结构的优化与技术创新。在劳动力要素持续向非农产业转移的背景下，农业部门面临着劳动力资源相对稀缺与保持农业生产持续增长的双重挑战，劳动力投入的变迁成为衡量农业绿色低碳转型的关键指标。从资源维度看，农业作为典型的资源依赖型产业，其发展深受土地资源与水资源等要素的制约，资源投入与经济产出、生态产出的协同优化，揭示了在资源刚性约束下实现绿色低碳转型的路径选择。从能源维度看，随着农业现代化进程加快，机械化作业范围扩大，能源需求持续攀升，由此带来的碳排放压力日益增大，使得能源利用效率的提升成为实现农业绿色低碳转型的关键路径。从生态维度看，农业生产过程中化肥、农药、塑料薄膜等投入品的使用，以及农业废弃物处理和农业机械使用等，均在不同程度上导致生态退化与环境污染问题[2]，从而制约了农业绿色低碳发展进程。因此，科学测算农业绿色低碳发展绩效需要将经济、资源、能源与生态统筹纳入同一分析框架，既考虑绿色发展要求，又兼顾低碳转型目标。基于此指标构建逻辑，结合已有研究成果[23]，同时遵循科学性、代表性、可操作性等原则，本文构建中国农业绿色低碳发展绩效的投入产出指标评价体系（表1）。
表1 农业绿色低碳发展绩效指标评价体系

Table 1 Evaluation system for performance indicators of green and low-carbon agricultural development

指标类型 指标选取 指标说明
投入指标 土地投入 农作物总播种面积/千hm2
劳动力投入 第一产业从业人员/万人
资本投入 农药使用量/万t
农用化肥施用折纯量/万t
农用塑料薄膜使用量/t
能源投入 农业机械总动力/万kW
水资源投入 农业用水量/亿m3
期望产出指标 农业产出 第一产业增加值/亿元
碳汇 农业碳吸收/万t
非期望产出指标 面源污染 农业面源污染/万t
碳源 农业碳排放/万t
第一，投入指标的选取。选取的投入要素包括土地、劳动力、资本、能源及水资源。其中，土地、劳动力、能源、水资源分别用农作物总播种面积、第一产业从业人员、农业机械总动力、农业用水量作为代理变量；资本投入选取农药使用量、农用化肥施用折纯量和农用塑料薄膜使用量共同表征。第二，期望产出指标的选择。综合考虑了农业生产的经济价值与生态价值，选取第一产业增加值和农业碳汇作为期望产出。其中，第一产业增加值以2011年为基期进行平减处理。碳汇测算借鉴已有研究[24]，采用IPCC推荐的系数测算方法，考虑主要农作物生长全生命周期的碳吸收计算得出。第三，非期望产出指标的界定。选取面源污染与碳排放作为非期望产出。其中，面源污染的核算借鉴陆杉等[25]的研究，基于单元调查法，综合量化了农田化肥、畜牧养殖和农田固废三类污染单元产生的化学需氧量、总氮量和总磷量，并将其等权加总计算得出。农业碳排放核算参考已有研究[26]，从农业种植、农业物资、农业能源、动物养殖及生物质燃烧五个维度测算得出。
考虑到数据的可得性和同口径可比性，使用2011—2022年30个省（自治区、直辖市，暂未含港澳台地区和西藏自治区）的农业投入产出数据测度分析中国农业绿色低碳发展绩效。以上统计指标的原始数据来源于《中国统计年鉴》《中国农业统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》等官方数据，其中个别缺失数据采用插值法补齐。

2 结果分析

2.1 中国农业绿色低碳发展绩效的测度结果分析

2.1.1 省际层面分析

图1刻画了30个省（自治区、直辖市）农业绿色低碳发展绩效的阶段性演进特征，以2015年为临界点，将样本期划分为“渐进发展期”（2012—2015年）和“加速跃升期”（2016—2022年），结果表明各省（自治区、直辖市）在两个阶段的发展绩效呈现出明显的差异化特征。从总体趋势来看，大多数省（自治区、直辖市）在2016—2022年阶段的农业绿色低碳发展绩效较2012—2015年有所提升。这一变化与国家大力推进农业绿色低碳发展政策密切相关，《全国农业可持续发展规划（2015—2030年）》《到2020年化肥使用量零增长行动方案》等的颁布实施，通过推动农业生产方式的绿色转型、促进农业资源高效利用以及发展生态循环农业等多方面的举措，有效提高了资源利用效率并降低了环境负荷。在此基础上，随着“双碳”目标的提出，农业领域的低碳技术创新和推广得到进一步推动，加速了农业绿色低碳转型的进程[1,2]。其中，江西省在第二阶段表现最为突出，绩效值达5.53%，这与该省大力推进“生态鄱阳湖”战略，创新循环农业模式，强化农业面源污染治理的政策导向高度契合。此外，天津市通过实施精准农业和智慧农业工程，显著提高了资源利用效率，通过生产要素的高效配置实现了技术效益的协同释放。然而，新疆维吾尔自治区和内蒙古自治区在2012—2015年阶段的绩效均较低甚至为负值，这与其农业生产方式仍以资源消耗型为主，以及水资源短缺、生态环境脆弱等因素密切相关[27]。具体来看，两地区在干旱气候条件下，农业灌溉依赖大规模机械化抽水和长距离输水，导致单位产出的能源消耗显著高于全国平均水平。这种高强度的能源投入不仅带来了碳排放压力，同时也在一定程度上抵消了技术进步带来的效益增长。
图1 省际农业绿色低碳发展绩效变动：分阶段考察

Fig. 1 Provincial agricultural green and low-carbon development performance variations: A phase-based investigation

2.1.2 区域层面分析

为科学评价中国农业绿色低碳发展绩效的区域分布特征，基于三大区域和三大粮食功能区两种视角①测度分析了2012—2022年中国农业绿色低碳发展绩效（图2）。
图2 分区域农业绿色低碳发展绩效的演变特征

Fig. 2 Regional evolution characteristics of agricultural green and low-carbon development performance in China

从三大区域维度看，整个样本时期农业绿色低碳发展绩效呈现出东部>中部>西部的发展格局。从演变趋势看，东部和西部地区农业绿色低碳发展绩效的演进态势较为相似，中部地区发展绩效波动幅度较大，且上升趋势最为显著。这是由于中部地区农业大省较多，近年来借助“中部崛起”战略和国家粮食安全战略获得大量政策和资金支持。同时，“高标准农田建设工程”的实施显著提高了土地产出效率和水资源利用效率，有效减少了农业生产碳排放，实现了经济效益与生态效益的协同提升。相比之下，东部地区凭借区位优势，通过精准农业、智慧农业等现代技术的创新应用，有效降低了单位产出的资源消耗和碳排放强度[28]，形成技术引领型的绿色低碳发展模式，发展绩效在三大区域中最高。
从三大粮食功能区维度看，整个样本观测期间，主销区、主产区和产销平衡区发展绩效依次递减②。具体来看，主销区凭借较高的经济发展水平和旺盛的市场需求，通过资金实力支撑绿色低碳技术创新、价格传导机制推动生产方式绿色转型，形成了技术创新与经济效益的良性循环。相比之下，主产区的发展绩效虽然略低于主销区，但整体呈现出上升的积极态势。这得益于主产区较为突出的规模效应、完善的产业链以及政策支持力度的不断增强。

2.2 中国农业绿色低碳发展绩效差异的双维分解

2.2.1 中国农业绿色低碳发展绩效差异的空间维度分解

表2列出了中国农业绿色低碳发展绩效差异的总体基尼系数及空间维度下区域差异来源贡献率。在整个样本观测期，总体基尼系数呈下降趋势，年均变化率为-0.74%。这表明党的“十八大”以来区域农业绿色低碳协调发展水平得到有效提升。具体来看，中国农业绿色低碳发展绩效总体差异先波动上升后波动下降，呈倒“V”型演变特征。
表2 空间维度下区域差异来源贡献率

Table 2 Contribution rate of regional disparity sources under spatial dimension (%)

年份 G 三大区域 三大粮食功能区
G1 G2 G3 G12 G13 G23 Ga Gb Gc Gab Gac Gbc
2012 0.019 4.05 7.46 19.82 16.09 26.49 26.09 15.91 1.89 16.83 13.41 35.99 15.97
2013 0.011 5.57 11.14 13.63 22.31 20.00 27.35 22.67 1.90 11.79 17.22 35.01 11.41
2014 0.018 8.08 10.47 13.01 22.22 21.47 24.75 19.89 3.87 11.62 19.41 30.44 14.77
2015 0.015 10.93 4.64 17.95 15.18 30.86 20.44 9.19 5.10 16.37 17.52 30.94 20.88
2016 0.022 13.78 9.97 8.04 24.07 23.13 21.01 20.81 6.12 7.22 23.83 27.20 14.82
2017 0.018 16.81 6.90 9.04 23.18 27.01 17.06 15.74 9.14 5.93 28.46 21.09 19.64
2018 0.028 9.46 6.09 15.45 19.99 26.30 22.71 14.65 4.39 12.61 21.56 29.07 17.72
2019 0.016 15.77 7.74 8.47 23.73 25.12 19.17 17.38 7.70 7.91 24.77 24.54 17.70
2020 0.011 17.78 5.96 7.49 22.69 28.14 17.94 13.37 9.70 7.23 27.66 21.45 20.59
2021 0.018 12.85 4.36 16.04 17.48 29.64 19.63 15.06 5.58 13.03 19.35 29.22 17.76
2022 0.018 6.97 11.54 10.52 25.09 20.53 25.35 23.62 3.34 9.01 20.47 31.62 11.94

注：G代表总体基尼系数，1、2、3分别表示东部、中部、西部；a、b、c分别表示粮食主产区、粮食主销区、粮食产销平衡区。 G i ( i   = 1 ,   2 ,   3 ,   a ,   b ,   c )表示区域i的内部差距， G i j (   i ,   j   =   1 ,   2 ,   3 ,   a ,   b ,   c )表示区域i和区域j之间的差距。

从三大区域视角看，区域间差异是三大区域空间差距的主要来源，且整体呈上升趋势。在区域间差异中，东部—西部区域间差异贡献率（25.33%）处在较高水平，中部—西部区域间差异贡献率（21.96%）次之，东部—中部区域间差异贡献率（21.09%）最低。这主要源于东部地区在农业现代化、技术创新和基础设施建设方面具有明显优势，而西部地区受地理条件和经济发展水平制约，在绿色低碳技术应用和资源配置效率方面相对滞后。在区域内差异中，西部、东部和中部的区域内差异贡献率依次递减，分别为12.68%、11.10%和7.84%。
从三大粮食功能区视角看，区域间差异（66.68%）是三大粮食功能区农业绿色低碳发展绩效总体差异的主要空间来源。进一步分解可知，主销区与产销平衡区、主产区与主销区、主产区与产销平衡区的区域间差异对总体差异的贡献依次上升，平均贡献率分别为16.65%、21.24%、28.78%。就区域内差异而言，主产区的区域内差异平均贡献率最高（17.12%），整体呈上升趋势；产销平衡区、主销区的区域内差异贡献率依次减小，均值分别为10.87%、5.34%。造成主产区内部差异较大且持续扩大的主要原因是主产区部分省（自治区、直辖市）基础设施建设相对薄弱，资源禀赋存在差异，在要素流动和技术创新推广方面形成壁垒，制约了技术创新的扩散效应。此外，主产区农业生产规模化程度较高，无形中带来了资源配置不均和环境压力增加等问题，进而在推动农业绿色低碳协调发展时面临更大的挑战。

2.2.2 中国农业绿色低碳发展绩效差异的结构维度分解

本文测度了投入要素、期望产出和非期望产出发展绩效的总体、组内和组间基尼系数及各自的贡献率（图3），对农业绿色低碳发展绩效区域差异的结构来源进行分析。其中，投入要素发展绩效贡献率高达58.00%，在绩效差异结构维度分解中占据主导地位，非期望产出发展绩效贡献率（33.46%）次之，期望产出发展绩效贡献率（8.54%）最低，表明投入要素发展绩效的地区差异是农业绿色低碳发展绩效空间不均衡的重要来源，资源禀赋差异是区域间绩效分化的主要影响因素。相较而言，期望产出发展绩效区域差异的贡献率较低且波动幅度较小，表明各区域在农业产出和碳吸收能力方面已形成相对均衡格局。非期望产出发展绩效差异的贡献率在研究期内略有上升，反映出非期望产出的减排治理在各区域间存在一定差异，且随着环境政策的推行和区域污染治理投入的不同，其在区域差异中的影响逐步增强。
图3 区域差异结构分解逐年变动

Fig. 3 Annual changes in the structural decomposition of regional disparities

2.2.3 中国农业绿色低碳发展绩效差异的双重维度综合分析

综合考虑空间和结构双重维度，全面探究中国农业绿色低碳发展绩效的差距来源（表3）。就三大区域视角来看，投入要素发展绩效对总体差异的贡献率在东部—西部区域间差异中居于首位，高达15.30%。这表明缩小投入要素发展绩效在区域间的差异，尤其是在东部—西部地区的区域间差异，是解决三大区域农业绿色低碳发展绩效空间分异问题的关键突破点。基于三大粮食功能区视角，投入要素发展绩效对总体差异的贡献率在主产区—产销平衡区的区域间差异最大，为15.80%。这种结构性分化反映了不同功能定位下的要素配置效率差异，粮食主产区受制于保障粮食安全的刚性约束，在要素投入结构和生产方式转型上的灵活性较低；而产销平衡区则能够更灵活地调整产业结构，优化要素配置，在绿色低碳转型中占据优势[29]。
表3 观测期发展绩效的区域差异及其分解结果

Table 3 Regional disparities and decomposition results of development performance during the observation period (%)

构成 三大区域 三大粮食功能区
GTFPx GTFPy GTFPb 合计 GTFPx GTFPy GTFPb 合计
Gw 17.88 3.24 10.50 31.62 18.14 4.22 10.96 33.32
Gw1 6.89 0.49 3.72 11.10 8.79 2.72 5.60 17.11
Gw2 3.92 1.51 2.41 7.84 3.34 0.39 1.61 5.34
Gw3 7.07 1.24 4.37 12.68 6.01 1.11 3.75 10.87
Gb 38.57 7.70 22.11 68.38 38.31 6.72 21.65 66.68
Gb12 11.74 2.83 6.52 21.09 12.46 2.20 6.58 21.24
Gb13 15.30 1.63 8.40 25.33 15.80 3.22 9.76 28.78
Gb23 11.53 3.24 7.19 21.96 10.05 1.30 5.31 16.65
G 56.45 10.94 32.61 100.00 56.45 10.94 32.61 100

注：1、2、3在三大区域中分别表示东部地区、中部地区、西部地区，在三大粮食功能区中分别表示粮食主产区、粮食主销区、粮食产销平衡区。 G w j ( j   = 1 ,   2 ,   3 )表示区域j的内部差距贡献率， G b m n (   m ,   n =   1 ,   2 ,   3 )表示区域m和区域n之间的差距贡献率， G w为区域内差距贡献率之和， G b为区域间差距贡献率之和。

2.3 中国农业绿色低碳发展绩效差异的驱动因素

中国农业绿色低碳发展绩效可以从两方面进行分解，一方面可以分解为技术效率改善与技术进步，另一方面可以分解为投入要素、期望产出与非期望产出发展绩效。本文以此作为内源驱动因素，并借鉴已有研究成果[3,5,12]，选取农村居民生活水平、农业工业化程度、城镇化率、农业结构、环境规制水平、财政支农水平、平均气温与年均降水量作为外源因素，探究中国农业绿色低碳发展绩效差异的驱动机理。

2.3.1 单因子影响力分析

运用最优参数地理探测器对中国农业绿色低碳发展绩效差异的驱动因素进行探究。整体来看，内源因素对中国农业绿色低碳发展绩效的空间分布影响显著强于外源因素。内源因素中，非期望产出、投入要素发展绩效和技术进步在农业绿色低碳发展的空间格局演化中发挥着主导作用，q值分别为0.95、0.78和0.55。外源因素中，城镇化率差异（0.35）与财政支农水平差异（0.30）是发展绩效差异的重要驱动因子，其余因素的影响相对而言较弱（表4）。
表4 全域影响因素及因子探测结果

Table 4 Global Influencing Factors and Factor Detection Results

分类 驱动因素 探测指标 离散方法 区间数量/个 q值 排序
内源因素 技术效率改善 EC quantile 6 0.31 5
技术进步 TC geometric 6 0.55 3
投入要素发展绩效 GX geometric 4 0.78 2
期望产出发展绩效 GY quantile 6 0.29 7
非期望产出发展绩效 GB geometric 6 0.95 1
外源因素 农村居民生活 农村居民人均可支配收入RRI natural 6 0.21 9
农业工业化程度 非农业产值与地区生产总值的比值RID quantile 6 0.14 13
城镇化率 城镇人口比例UL quantile 4 0.35 4
农业结构 粮食面积与农作物面积的比值SA equal 6 0.27 8
环境规制水平 节能环保支出占财政支出比例乘以农业产值占地区生产总值比例ER quantile 6 0.15 11
财政支农水平 农林水务支出占财政支出的比例RFP equal 6 0.30 6
平均气温 年平均气温TEM geometric 5 0.18 10
年降水量 年降水量PRE geometric 6 0.15 11
图4、图5对角线数据分别汇报了三大区域及三大粮食功能区的区域内和区域间单因子探测结果。基于三大区域发展绩效差异的单项驱动力探测结果分析（图4），各地区的主要驱动因素及影响程度存在显著差异。就区域内而言，技术进步差异和投入要素发展绩效差异是东部地区发展绩效差异的主要成因，作用强度分别为0.92和0.82。农业工业化程度（0.25）和城镇化率（0.23）是影响中部地区绩效差异的主要外源驱动因子。西部地区各驱动因素的作用强度相对较低，投入要素发展绩效（0.80）和年降水量（0.22）分别是影响区域内差异的主要内源和外源驱动因子。就区域间差异而言，驱动因素空间分布的影响程度显著高于区域内。东部—中部差异主要由投入产出发展绩效（0.89）和技术进步（0.86）等内源因素驱动，农业工业化程度（0.45）和环境规制水平（0.41）为主要外源因素，反映了两地区在现代农业产业体系构建和环境治理成本承担能力上的结构性差距通过规模效应和成本传导机制强化了区域发展绩效的不平衡。东部—西部区域间绩效差异的形成受内源因素影响效果显著，其中，技术进步差异（0.92）和投入要素发展绩效差异（0.77）对此区域间差异的解释力最强。东部—西部区域间差异的外源因素驱动力相对较弱，农业工业化程度（0.66）是影响区域间差异的主导因素。
图4 三大区域因子交互探测结果

Fig. 4 Interaction detection results of factors in the three major regions

图5 三大粮食功能区因子交互探测结果

Fig. 5 Interaction detection results of factors in the three major grain functional zones

基于三大粮食功能区探测结果分析（图5），内源因素对区域内差异和区域间差异均具有较强的解释力，反映了农业绿色低碳发展过程中要素配置效率和技术创新能力的主导地位。其中技术进步在不同地区的影响程度有所不同，具体来看，技术进步差异对粮食主产区、主销区和产销平衡区发展绩效差异的作用强度分别为0.66、0.92和0.68。粮食主销区作为经济发达地区，对高效、环保的现代农业技术需求迫切，技术进步在提高单位面积产出和资源利用效率方面发挥重要作用，对农业绿色低碳发展的影响最为显著。产销平衡区承载均衡供需的功能，技术进步多用于优化小规模农业生态系统，其在资源禀赋和市场需求双重约束下表现出相对温和的影响特征。相比之下，主产区作为国家粮食安全的核心保障区，农业发展面临着提高产量和实现绿色低碳转型的双重压力，在区域差异上受技术进步差异的影响相对较弱。外源因素对区域内差异的解释力明显弱于内源因素。财政支农水平（0.25）是主销区区域内差异的重要驱动因素，年降水量（0.24）、农业工业化程度（0.17）对产销平衡区的区域内差异有较高的解释力，平均气温（0.18）、农业结构（0.13）差异对主产区的区域内差异有较强影响。就区域间差异而言，外源因素对区域间差异的影响程度显著高于区域内差异。这表明三大粮食功能区的定位通过影响技术采纳路径和要素配置模式，形成了独特的区域发展特征，而区域间的自然和社会经济异质性则进一步强化了这种空间分异。

2.3.2 双因子影响力分析

采用交互探测方法对农业绿色低碳发展绩效差异的驱动因素进一步探究，结果显示，相较于单因子，两个驱动因子的交互作用对农业绿色低碳发展绩效区域差异的解释力更强，这表明农业绿色低碳发展绩效的空间分异问题是由多种因素交互影响和协同作用的结果。
就全域探测结果（图6）来看，技术进步、非期望产出发展绩效与其他驱动因子的交互作用对农业绿色低碳发展绩效差异的影响较为显著。这表明通过各地区农业技术高效协同发展来降低农业碳排放和面源污染的区域差异是解决农业绿色低碳发展绩效差异问题的关键。此外，技术进步和投入要素发展绩效与其他驱动因子的交互作用均明显大于该影响因素的单独作用，说明包含技术进步和投入要素发展绩效的交互组合与农业绿色低碳发展绩效的空间分布表现出高度的一致性。就外源因素的交互作用而言，财政支农政策和农业结构的交互作用对农业绿色低碳发展绩效差异的影响最为显著，q值为0.87。城镇化率与其他外源因素的交互作用均对农业绿色低碳发展绩效的区域差异有较强解释力，因此，推动城镇化与其他各影响因子的区域融合发展将有效促进农业绿色低碳发展的协同提升。
图6 全域因子交互探测结果

Fig. 6 Global factor interaction detection results

从三大区域探测结果来看（图4），在内源因素中，中部和西部的区域内差异主要受投入要素发展绩效差异和非期望产出发展绩效差异的共同影响，探测值分别为0.97和0.91，技术进步和投入要素发展绩效的交互因子（0.95）为主导东部区域内差异的主要力量。技术进步差异和非期望产出发展绩效差异的交互因子是影响东部—中部（0.97）区域间差异形成的核心驱动因素。在外源因素中，年降水量程度和财政支农水平（0.61）的交互作用对东部区域内差异影响最为显著；农村居民生活水平与农业工业化程度的交互作用是决定中部（0.57）区域内差异的重要驱动因素。
从三大粮食功能区探测结果来看（图5），不同地区的主要影响因素有所差别。主导粮食主产区区域内差异的主要力量是技术进步差异与非期望产出发展绩效差异的交互作用，探测值为0.98；主销区区域内差距则主要来自技术进步差距与农村居民生活水平差距的共同作用，其值为0.95；技术进步与城镇化率的交互作用（0.94）对产销平衡区绩效差异的形成有极其重要的影响。此外，城镇化率与其他因子的交互作用均对三大粮食产区区域间差异具有较大影响。

3 结论与政策启示

3.1 结论

本文基于30个省（自治区、直辖市）的投入产出数据，采用超效率EBM模型并结合Global-Luenberger指数测算了2012—2022年中国农业绿色低碳发展绩效，借助基尼系数双维分解方法从空间和结构双重维度探析农业绿色低碳发展绩效的区域差异及来源，并对农业绿色低碳发展绩效区域差异的内外源驱动因素进行深入探讨。主要研究结论如下：
（1）在样本考察期内，中国农业绿色低碳发展绩效整体呈上升趋势，区域发展不平衡特征显著。在三大区域中，东部、中部和西部的农业绿色低碳发展绩效依次降低；在三大粮食功能区中，粮食主销区农业绿色低碳发展水平最高，粮食主产区和产销平衡区的农业绿色低碳发展仍存在较大提升空间。（2）中国农业绿色低碳发展绩效的区域差异呈现收敛趋势。基于空间分解维度看，三大区域与三大粮食功能区的区域间差异均是发展绩效总体差异的主要来源；基于结构分解维度看，投入要素发展绩效差异是导致区域差异问题的关键。在空间和结构双重维度下，东部—西部地区间的投入要素发展绩效差异在三大地区农业绿色低碳发展绩效差异中居于首位；粮食主产区—产销平衡区的投入要素发展绩效差异是决定三大粮食功能区区域差异的主要力量。（3）从驱动机制来看，内源性因素对发展绩效区域差异具有更强的解释力，且各影响因素的双因子交互作用普遍强于单因子作用。在全域尺度上，非期望产出、投入要素发展绩效与技术进步的单因子作用力较强，且与其他因素的交互作用显著。在三大区域层面，东部、中部和西部地区表现出差异化的影响模式。其中东部绩效差异以技术进步差异为主导，中部地区差异受农业工业化程度和城镇化率的影响相对较大，西部地区差异则主要由投入要素发展绩效、年降水量与财政支农水平差异主导。在三大粮食功能区尺度上，内外源因素的作用强度呈现明显的区域分异特征。技术进步与投入要素发展绩效对区域差异影响显著，其中技术进步对主销区空间差异的解释力显著高于主产区和产销平衡区，而投入要素发展绩效差异对主产区空间差异的影响更为突出。平均气温与农业结构、财政支农水平与农村居民生活水平、年降水量与农业工业化程度分别是主产区、主销区与产销平衡区区域差异的重要驱动因素。

3.2 政策启示

基于以上研究，本文得到如下政策启示：
第一，坚持区域差异化治理，探索因地制宜的农业绿色低碳转型路径。鉴于区域发展不平衡现状，各地区应根据发展基础、环境容量和农业资源等因素，建立差异化政策支持机制。针对发展绩效较高的东部地区，应充分发挥示范引领作用，通过建立农业科技创新联盟、完善绿色农业标准体系等措施巩固发展优势；主销区应构建绿色农产品供应链体系，完善质量追溯机制，提升农产品附加值和市场竞争力。对于绩效较低的西部地区和粮食主产区，应采取针对性扶持措施。西部地区鉴于生态环境脆弱性，应加大政策扶持力度，建立生态补偿机制，包括重点生态功能区转移支付、绿色农业技术推广补贴、有机肥替代化肥补贴等，加快要素禀赋优化。粮食主产区应强化粮食生产与生态保护协同，优化种植结构，推进高标准农田建设，推广耕地质量提升补贴和水土保持生态修复补贴等政策，提升农业资源利用效率。
第二，构建新质生产力引领的要素高效配置与区域协同发展机制，在降碳增效的基础上形成良好的农业绿色发展循环格局。基于农业新质生产力的创新驱动特征，以数字化、智能化、绿色化为导向重点培育智慧农业、数字农业等新质生产要素，构建“人机物”深度融合的智能生产系统，提升传统要素利用效率，缩小投入要素发展绩效区域差异。通过科技创新协同基金、数字化技术转移平台等促进新质生产要素向西部扩散。针对主产区—产销平衡区差异，构建差异化要素升级路径：主产区推广智能农机装备、建设数字化高标准农田；产销平衡区完善科技金融服务体系、建立产学研协同创新机制。强化农业投入品绿色标准体系建设，推广生态循环技术，将技术进步与碳排放治理、面源污染防控相结合，实现农业生产方式绿色低碳转型，推动农业绿色低碳协同高效发展。
第三，厚植农业绿色低碳发展底色，构建内源驱动的区域农业绿色低碳发展新动能培育体系。在全域层面，立足内源因素主导作用及要素协同效应，构建多维度、差异化发展动能培育机制，通过技术进步引领投入要素优化配置，建立农业面源污染与碳排放协同治理机制。在三大区域层面，东部地区以技术创新引领协调发展，重点建设农业科技创新平台群；中部地区以农业工业化和城镇化协同推进为抓手，建设智慧农业产业园；西部地区重点优化投入要素配置结构，加大财政支农力度。在三大粮食功能区层面，主销区强化技术创新驱动，建立农产品加工技术创新中心、发展智慧物流；主产区优化投入要素配置效率，建立数字化农业产业联合体、发展订单农业；产销平衡区以提升农业工业化水平为重点，建设智能化加工园区、培育科技型龙头企业。此外，应建立区域间要素协同互补机制，通过要素市场化配置、技术扩散平台建设，促进发展要素高效流动与优化配置，实现农业绿色低碳区域协调发展。

3.3 讨论

本文在测度农业绿色低碳发展绩效时，将绿色发展与低碳转型共同纳入投入产出指标体系；在考察空间差异时，使用基尼系数双维分解方法从空间和结构双重视角揭示其区域差异及具体来源；在探究驱动因素时，从内源与外源视角全面探究发展绩效差异的形成机理，为区域农业绿色低碳发展策略的制定提供了有益思路。以上工作均具有一定创新性，然而，未来仍存在进一步拓展的空间。一方面，在评价指标体系上，随着“双碳”目标的深入推进和农业绿色转型战略的持续演进，农业绿色低碳发展的内涵不断丰富。未来研究需要与时俱进，进一步拓展评价指标体系，以更好地适应新的发展需求和政策导向。例如，可将诸如生态系统服务价值评估、绿色技术推广与普及水平等新兴指标纳入评价体系，构建动态调整机制，以期更全面、精确地刻画农业绿色低碳发展绩效。另一方面，在区域差异研究的空间尺度上，未来研究可以尝试引入更为多元和精细的空间划分视角。例如，可基于农业地域分区、七大农业战略区、优势农产品带以及按照资源禀赋分稻作区、旱作区、牧区等多维度进行分区研究。这种更细致的区域划分视角，有助于深入把握不同类型区域的农业绿色低碳发展特征，为进一步制定差异化的区域政策提供有针对性的依据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈诚, 吴柯, 陈江龙. 基于投入品减量增效视角的长江经济带农业生产绿色化演进研究. 自然资源学报, 2024, 39(10): 2399-2417.

DOI

[CHEN C, WU K, CHEN J L. Evolution of agricultural green development in the Yangtze River Economic Belt based on the perspective of reducing chemical products input and increasing output. Journal of Natural Resources, 2024, 39(10): 2399-2417.]

DOI

[2]
金书秦, 张哲晰, 胡钰, 等. 中国农业绿色转型的历史逻辑、理论阐释与实践探索. 农业经济问题, 2024, 45(3): 4-19.

[JIN S Q, ZHANG Z X, HU Y, et al. Historical logic, theoretical interpretation, and practical exploration of China's agricultural green transformation. Issues in Agricultural Economy, 2024, 45(3): 4-19.]

[3]
杨骞, 王珏, 李超, 等. 中国农业绿色全要素生产率的空间分异及其驱动因素. 数量经济技术经济研究, 2019, 36(10): 21-37.

[YANG Q, WANG J, LI C, et al. The spatial differentiation of agricultural green total factor productivity and its driving factor recognition in China. The Journal of Quantitative & Technical Economics, 2019, 36(10): 21-37.]

[4]
葛鹏飞, 王颂吉, 黄秀路. 中国农业绿色全要素生产率测算. 中国人口·资源与环境, 2018, 28(5): 66-74.

[GE P F, WANG S J, HUANG X L. Measurement for China's agricultural green TFP. China Population, Resources and Environment, 2018, 28(5): 66-74.]

[5]
陆杉, 熊娇. 基于GWR的长江经济带农业绿色效率时空分异及影响因素研究. 地理科学, 2023, 43(2): 337-348.

DOI

[LU S, XIONG J. Spatial and temporal variation and influencing factors of agricultural green efficiency in the Yangtze River Economic Belt based on GWR. Scientia Geographica Sinica, 2023, 43(2): 337-348.]

DOI

[6]
李谷成, 陈宁陆, 闵锐. 环境规制条件下中国农业全要素生产率增长与分解. 中国人口·资源与环境, 2011, 21(11): 153-160.

[LI G C, CHEN N L, MIN R. Growth and sources of agricultural total factor productivity in China under environmental regulations. China Population, Resources and Environment, 2011, 21(11): 153-160.]

[7]
崔许锋, 王雨菲, 张光宏. 面向低碳发展的农业生态效率测度与时空演变分析: 基于SBM-ESDA模型. 农业经济问题, 2022, 43(9): 47-61.

[CUI X F, WANG Y F, ZHANG G H. Low-carbon oriented measurement and spatiotemporal evolution of agricultural eco-efficiency in China: Based on SBM-ESDA model. Issues in Agricultural Economy, 2022, 43(9): 47-61.]

[8]
郭海红, 刘新民. 中国农业绿色全要素生产率时空演变. 中国管理科学, 2020, 28(9): 66-75.

[GUO H H, LIU X M. Spatiotemporal evolution of China's agricultural green total factor productivity. Chinese Journal of Management Science, 2020, 28(9): 66-75.]

[9]
史常亮. 土地流转对农业高质量发展的影响: 基于绿色全要素生产率视角. 自然资源学报, 2024, 39(6): 1418-1433.

DOI

[SHI C L. Impact of land transfer on high-quality agricultural development: Analysis based on the green TFP perspective. Journal of Natural Resources, 2024, 39(6): 1418-1433.]

[10]
姬志恒. 中国农业农村高质量发展的空间差异及驱动机制. 数量经济技术经济研究, 2021, 38(12): 25-44.

[JI Z H. Spatial differences and driving mechanism of high quality development in China's agriculture and rural areas. The Journal of Quantitative & Technical Economics, 2021, 38(12): 25-44.]

[11]
刘亦文, 欧阳莹, 蔡宏宇. 中国农业绿色全要素生产率测度及时空演化特征研究. 数量经济技术经济研究, 2021, 38(5): 39-56.

[LIU Y W, OUYANG Y, CAI H Y. Evaluation of China's agricultural green TFP and its spatiotemporal evolution characteristics. The Journal of Quantitative & Technical Economics, 2021, 38(5): 39-56.]

[12]
唐建军, 龚教伟, 宋清华. 数字普惠金融与农业全要素生产率: 基于要素流动与技术扩散的视角. 中国农村经济, 2022, (7): 81-102.

[TANG J J, GONG J W, SONG Q H. Digital financial inclusion andAgricultural total factor productivity: The role of factor flow and technology diffusion. Chinese Rural Economy, 2022, (7): 81-102.]

[13]
张青青, 曲衍波, 展凌云, 等. 中国粮食生产碳排放动态演进及驱动效应. 地理学报, 2023, 78(9): 2186-2208.

DOI

[ZHANG Q Q, QU Y B, ZHAN L Y, et al. Dynamic evolution and driving effects of carbon emissions in China's grain production. Acta Geographica Sinica, 2023, 78(9): 2186-2208.]

[14]
崔红茶, 陈新, 陈辞, 等. 长江流域少数民族特色村寨空间异质性及形成机理. 经济地理, 2023, 43(9): 160-171.

DOI

[CUI H C, CHEN X, CHEN C, et al. Spatial heterogeneity and formation mechanism of ethnic groups' villages in the Yangtze River Basin. Economic Geography, 2023, 43(9): 160-171.]

[15]
ANDERSEN P, PETERSEN N C. A procedure for ranking efficient units in data envelopment analysis. Management Science, 1993, 39(10): 1261-1264.

[16]
FUKUYAMA H, WEBER W L. A directional slacks-based measure of technical inefficiency. Socio-Economic Planning Sciences, 2009, 43(4): 274-287.

[17]
CHAMBERS R G, FĀURE R, GROSSKOPF S. Productivity growth in apec countries. Pacific Economic Review, 1996, 1(3): 181-190.

[18]
刘瑞翔, 安同良. 资源环境约束下中国经济增长绩效变化趋势与因素分析: 基于一种新型生产率指数构建与分解方法的研究. 经济研究, 2012, 47(11): 34-47.

[LIU R X, AN T L. Trend and factor analysis of Chinese economic growth performance under restrictions of resource and environment: A research based on a new method of productivity index's construction and decomposition. Economic Research Journal, 2012, 47(11): 34-47.]

[19]
MUSSARD S. The bidimensional decomposition of the Gini ratio: A case study: Italy. Applied Economics Letters, 2004, 11(8): 503-505.

[20]
DAGUM C. A new approach to the decomposition of the Gini income inequality ratio. Empirical Economics, 1997, 22(4): 515-531.

[21]
刘华军, 孙东旭, 邵明吉. 中国人口城镇化高质量发展的空间差距及其双维分解. 财贸研究, 2024, 35(3): 17-28.

[LIU H J, SUN D X, SHAO M J. The spatial gap and bi-dimensional decomposition of high-quality development of population urbanization in China. Finance and Trade Research, 2024, 35(3): 17-28.]

[22]
SONG Y Z, WANG J F, GE Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: Cases with different types of spatial data. GIScience & Remote Sensing, 2020, 57(5): 593-610.

[23]
尹朝静, 杨坤, 田云. 中国农业生态全要素生产率增长: 经验事实、区域差异与动态演进. 中国农村经济, 2024, (2): 20-43.

[YIN C J, YANG K, TIAN Y. China's agricultural ecological total factor productivity growth in: Empirical facts, regional differences, and dynamic evolution. Chinese Rural Economy, 2024, (2): 20-43.]

[24]
尚杰, 杨滨键. 种植业碳源、碳汇测算与净碳汇影响因素动态分析: 山东例证. 改革, 2019, (6): 123-134.

[SHANG J, YANG B J. Estimation of carbon source and carbon sequestration in planting industry and dynamic analysis of influencing factors of net carbon sequestration: A case study of Shandong province. Reform, 2019, (6): 123-134.]

[25]
陆杉, 唐佳欣, 熊娇. 财政分权与农业面源污染: 空间溢出与门槛特征. 中南大学学报: 社会科学版, 2022, 28(6): 67-77.

[LU S, TANG J X, XIONG J. Fiscal decentralization and agricultural non-point source pollution: Spatial spillover and threshold characteristics. Journal of Central South University: Social Science Edition, 2022, 28(6): 67-77.]

[26]
苏培添, 王磊. 数字普惠金融对中国农业碳排放强度影响的空间效应与机制. 资源科学, 2023, 45(3): 593-608.

DOI

[SU P T, WANG L. Spatial effect of digital inclusive finance on agricultural carbon emission intensity and mechanism. Resources Science, 2023, 45(3): 593-608.]

DOI

[27]
吴康, 张文忠, 张平宇, 等. 中国资源型城市的高质量发展:困境与突破. 自然资源学报, 2023, 38(1): 1-21.

DOI

[WU K, ZHANG W Z, ZHANG P Y, et al. High-quality development of resource-based cities in China: Dilemmas and breakthroughs. Journal of Natural Resources, 2023, 38(1): 1-21.]

DOI

[28]
李娜, 张馨月, 张美慧. 中国智慧农业发展指数测度与分析. 经济与管理评论, 2025, 41(1): 135-147.

[LI N, ZHANG X Y, ZHANG M H. Measurement and analysis of China's smart agriculture development Index. Review of Economy and Management, 2025, 41(1): 135-147.]

[29]
贾兴梅, 丁雨凡. 要素配置、生产率提升与乡村产业发展: 文献述评与研究展望. 经济与管理评论, 2024, 40(6): 110-119.

[JIA X M, DING Y F. Factor allocation, productivity enhancement and rural industrial development: Literature review and research outlook. Review of Economy and Management, 2024, 40(6): 110-119.]

Options
文章导航

/

〈 〉