EN中文

Arid Land Geography >

2025 , Vol. 48 >Issue 5: 866 - 878

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.345

Carbon Emissions

Spatiotemporal heterogeneity and its influencing factors of agricultural carbon emission efficiency in Xinjiang

  • Haijun LIU , 1, 2, 3 ,
  • Haihong ZHANG 2 ,
  • Junjie YAN 2 ,
  • Xiang LI 2 ,
  • Gaofeng LI 2
Expand
  • 1. Key Laboratory of Microbial Resources Protection, Development and Utilization, Yili Normal University, Yining 835000, Xinjiang, China
  • 2. School of Resources and Environment, Yili Normal University, Yining 835000, Xinjiang, China
  • 3. School of Geographical Sciences, Southwest University, Chongqing 400715, China

Received date: 2024-06-03

  Revised date: 2024-07-22

  Online published: 2026-03-11

Fold

Abstract

The promotion of low-carbon agricultural development necessitates in-depth research into the spatiotemporal heterogeneity of agricultural carbon emission efficiency and its influencing factors. This will facilitate the acceleration of Xinjiang’s agricultural economic development while driving the green transformation of agricultural production. This study focused on 14 prefectures and cities in Xinjiang from 2000 to 2020 to assess agricultural carbon emission efficiency. The analysis was conducted using the SBM model of nonexpected output and the Malmquist index. The spatial characteristics of agricultural carbon emission efficiency were further examined using the spatial autocorrelation model, and the Tobit model was applied to explore factors influencing efficiency. The findings suggested the following. (1) From 2000 to 2020, the agricultural carbon emission efficiency in Xinjiang followed a “slow-fast-slow” development pattern, with significant inter-regional disparities. (2) In 2000, the Tacheng Prefecture exhibited a low-high agglomeration pattern in case of agricultural carbon emission efficiency. By 2007, the Changji Hui Autonomous Prefecture transitioned to a high-high agglomeration pattern. Further, by 2014, Turpan City and the Changji Hui Autonomous Prefecture were both exhibited high-high agglomeration. In 2020, the Bayingol Mongolian Autonomous Prefecture, Hami City, and Changji Hui Autonomous Prefecture were situated in a low-high agglomeration. Thus, a general decline in regions exhibiting high-high agglomeration and an increase in those with low-high agglomeration was observed. (3) The extent of arable land scale and the overall advancement of the agricultural economy positively affected the agricultural carbon emission efficiency. Further, the agricultural industry structure, crop cultivation structure, and effective irrigation rate negatively affected the agricultural carbon emission efficiency. Thus, this study highlights the spatial and temporal heterogeneity of agricultural carbon emission efficiency and its influencing factors in Xinjiang. The findings are expected to provide theoretical support and empirical evidence for the sustainable development of agriculture in arid areas.

Key words： agricultural carbon emission efficiency; non-expected output SBM model; spatial correlation; influencing factors; Xinjiang

Cite this article

Haijun LIU , Haihong ZHANG , Junjie YAN , Xiang LI , Gaofeng LI . Spatiotemporal heterogeneity and its influencing factors of agricultural carbon emission efficiency in Xinjiang[J]. Arid Land Geography, 2025 , 48(5) : 866 -878 . DOI: 10.12118/j.issn.1000-6060.2024.345

当前，气候变暖这一严峻的全球性环境议题备受瞩目，其根源是人类活动导致温室气体的大规模排放[1]。联合国政府间气候变化专门委员会（IPCC）第四次综合性评估指出，工业活动产生的CO2等温室气体是驱动全球气候变暖的首要因素[2]。但第一、三产业也排放了大量温室气体，农业活动已成全球碳排放领域不可小觑的源头[3]。因此，发展低碳农业，研究新疆农业碳排放效率时空演变特征及其影响因素，对降低农业碳排放量、缓解环境压力具有重要的实践意义[4-5]。
目前，学术界对低碳农业进行广泛探讨，主要研究方向为：（1） 碳排放源的研究。早期研究关注农田碳排放，认为耕种致使土壤有机碳流失[6]；然而，后续研究指出，反刍动物饲养与稻田甲烷排放[7]、农药与化肥[8]、能源消费[9]、农膜与翻耕[10]等也被视作重要碳源。因此，构建更为精准详细的农业碳排放指标测算体系，需从农业物资管控、水稻种植、畜禽饲养管理等领域入手[11]。（2） 碳排放效率测度。在探究碳排放效率初期，率先引入了全要素框架下环境效率评估的DEA模型[12]，但该模型无法有效解决生产过程中存在非期望产出和松弛性的局限，随后有学者开创性地提出了利用松弛变量量化非期望产出的SBM模型[13]，该模型剔除了松弛变量不自由变化对效率评价的影响。随着研究的不断深入，将农业碳排放量与地区农业GDP进行比较，以测度农业碳排放效率[14-15]。（3） 农业碳排放效率的影响因素。初始研究阶段，重点关注如何分解农业碳排放效率，发现提升碳排放效率主要缘于技术的革新与进步，而非缘于根本性改善碳排放效率[16-17]。随着研究的深入，发现影响农业碳排放效率的因素复杂多样，如农村经济发展水平、农业产业结构、作物种植结构、自然灾害的发生及强度、农业财政政策支持力度对于引导农业低碳化转型也具有关键作用[18-19]。
尽管现有研究丰富了农业碳排放效率的研究范畴，为探究其现状特点、空间相互作用、影响机制等奠定了深厚基础，但也存在一定的局限性。首先，在构建指标体系时忽略了畜牧业等土地资源利用。其次，在研究空间分布特性时未深入探究空间差异的多样性、异质性及驱动机理。基于此，本文选取新疆14个地州市作为研究样区，从化肥投入、灌溉、机械投入、牲畜投入4个维度构建测度指标体系，定量分析2000—2020年碳排放量变化，并基于非期望产出视角的SBM模型与Malmquist指数模型解析区域间农业碳排放效率的空间异质性，利用Tobit模型深入探究新疆农业碳排放效率的影响因素，为新疆农业转型升级和现代化进程提供理论支撑和实证依据。

1 数据与方法

1.1 研究区概况

新疆地处欧亚大陆腹地，日照充足，昼夜温差大，自然条件适宜农作物栽培和牲畜繁育，是农业发展的黄金地带。但种植业与畜牧业产生大量的碳排放，尤其是畜牧业所排放的温室气体也不容忽视。作为中国重要的商品粮生产基地，其发展状况对全国粮食安全保障及地区经济发展起着重要作用，然而该区域也面临着诸如水资源短缺、土地资源退化等挑战，这导致新疆农业碳排放效率存在内外因素交织的复杂局面。因此，研究新疆农业碳排放效率的时空异质性及影响因素，为区域农业的可持续发展奠定理论基础，并对加速新疆农业经济发展、推动绿色发展模式转变意义重大。

1.2 指标体系与数据来源

农业碳排放效率是指在农业生产过程中每单位农产品所产生的CO2，是衡量农业生产活动影响环境变化的重要指标。在新疆农业碳排放核算体系中林业和渔业的比重相对较小，畜牧业养殖规模跃升，故着重研究狭义农业范畴的碳排放。据此，以化肥投入、灌溉、机械投入、牲畜投入为投入指标变量，同时将农业总产值和农业碳排放量作为产出要素构建指标体系，对农业碳排放效率进行评估（表1）。
表1 解释变量指标体系

Tab. 1 Indicator system for explanatory variables

指标 变量 变量说明
投入指标 化肥投入 化肥施用折纯量/104 t
灌溉 有效灌溉面积/103 hm2
机械投入 农用机械总动力/kW
牲畜投入 牛、羊数量采用各年末存
栏量/104头
期望产出指标 农业总产值 农林牧渔总产值/104元
非期望产出指标 农业碳排放量 化肥、灌溉、动物养殖等的排放总量/104 t
本文数据主要来源于2001—2021年《新疆统计年鉴》《中国农村统计年鉴》以及中国碳核算数据库和新疆各地州市逐年编纂的年鉴。其中，化肥施用折纯量、有效灌溉面积、农用机械总动力均严格依据当年的实际应用数据，牛、羊总数的核算则综合考量实际出栏比例与年末存栏数量，实施动态调整，以确保数据的准确性和时效性。参考前人研究成果[16,20-21]并对原始数据进行系数核算，农业碳排放源及排放系数如表2所示。
表2 农业碳排放源及碳排放系数

Tab. 2 Agricultural carbon emission sources and carbon emission coefficients

类别 碳排放源 碳排放系数 数据来源
农业物资 化肥施用折纯量 0.896 kg C·kg-1 美国橡树岭国家实验室
农用机械总动力 0.180 kg C·kW-1 朱巧娴等[20]
有效灌溉面积 266.480 kg C·hm-2 段华平等[22]
牲畜
养殖		 牛 415.910 kg C·头-1·a-1 联合国政府间气候
变化专门委员会
羊 35.182 kg C·头-1·a-1 联合国政府间气候
变化专门委员会

1.3 研究方法

1.3.1 农业碳排放量的计算

利用碳排放系数法测算新疆14个地州市的农业碳排放量，深入剖析投入产出要素，为新疆农业可持续发展战略制定提供数据支撑。计算公式如下：
C = ∑ C i = ∑ E i ×   δ i
式中：C为各类碳源排放量总和（107 t）； C i为第i类碳源的碳排放量（107 t）； E i为第i类碳源数量； δ i为第i类碳源的碳排放系数，相关碳排放系数如表2所示。

1.3.2 非期望产出SBM模型

数据包络分析（DEA）用于衡量在多投入产出下同类决策主体的相对效率，但传统DEA方法在测算碳排放效率时未考虑投入产出差异导致评价效率存在偏差。Tone[23]对传统DEA模型进行创新性拓展，提出了非期望产出SBM模型，与传统的效率评价模型相比，它直接将非期望产出纳入模型中，能更准确地反映决策单元实际效率状况。这种非径向、非角度的效率评价方法，在存在非期望产出等复杂情况下具有独特优势。其模型表达式如下：
ρ * = m i n 1 - 1 M ∑ m = 1 M S m x x k m t 1 + 1 N + I ∑ n = 1 N S n y y k n t + ∑ i = 1 I S i b b k i t
s . t . ∑ t = 1 T ∑ k = 1 K z k t x k m t + s m x = x k m t , m = 1 ,   2 ,   ⋯ ,   M ∑ t = 1 T ∑ k = 1 K z k t y k n t - s n y = y k n t , n = 1 ,   2 ,   ⋯ ,   N ∑ t = 1 T ∑ k = 1 K z k t b k i t + s i b = b k i t , i = 1 ,   2 ,   ⋯ ,   I z k t ≥ 0 , s m x ≥ 0 , s n y ≥ 0 , s i b ≥ 0   , k = 1 ,   2 ,   ⋯ ,   K
式中： ρ *为农业碳排放效率；m为投入指标个数；n为期望产出个数；i为非期望产出个数； S m x为投入产出的松弛变量； S n y为期望产出的松弛变量； S i b为非期望产出的松弛变量； x k m t为第k个生产单元在t时期的投入值； y k n t为第k个生产单元在t时期的期望产出值； b k i t为第k个生产单元在t时期的非期望产出值； z k t为权重向量。效率值 ρ *取值范围为[0,1]，当 ρ * = 1且 S m x= S n y= S i b=0时，该决策单元效率最高； ρ *值越小时，该决策单元效率越低，仍需进一步改善。

1.3.3 Malmquist模型

Malmquist模型作为一种面板数据分析方法，用于探究不同决策单元在不同时期的效率动态演变趋势，借助距离函数描述多种资源投入与产出变量的复杂变化情况。在探究新疆农业碳排放效率时，深入剖析农业碳排放效率变化的根本原因。计算公式如下：
$\begin{aligned}M_{t}\left(x^{t}, y^{t}, x^{t+1}, y^{t+1}\right)=\frac{D_{t}^{t+1}\left(x^{t+1}, y^{t+1}\right)}{D_{t}^{t}\left(x^{t}, y^{t}\right)} \times{\left[\frac{D_{t}^{t}\left(x^{t+1}, y^{t+1}\right) \times D_{t}^{t}\left(x^{t}, y^{t}\right)}{D_{t}^{t+1}\left(x^{t+1}, y^{t+1}\right) \times D_{t}^{t+1}\left(x^{t}, y^{t}\right)}\right]^{\frac{1}{2}} }\end{aligned}$
式中： M t为衡量效率变化的Malmquist指数； x t为t时期投入向量； y t为t时期产出向量； x t + 1为t+1时期投入向量； y t + 1为t+1时期产出向量； D t t + 1 x t + 1 , y t + 1为以t＋1时期的技术为参照，t＋1时期的投入产出组合的距离函数； D t t x t , y t为以t时期的技术为参照，t时期的投入产出组合的距离函数； D t t x t + 1 , y t + 1为以t时期的技术为参照，t＋1时期的投入产出组合的距离函数； D t t + 1 x t , y t为以t＋1时期的技术为参照，t时期的投入产出组合的距离函数。 M t>1时，全要素生产效率呈上升趋势； M t<1时，全要素生产效率呈下降趋势。
将全要素生产率变化指数分为技术进步变化指数（techch）与技术效率变化指数（effch）2个方面，其中技术进步变化指数表示生产技术向前沿面变动情况，技术效率变化指数表示农业生产要素配置和资源利用能力的变化情况。同时，技术效率变化指数（effch）细分为纯技术效率变化指数（pech）和规模效率变化指数（sech）2个部分，纯技术效率变化指数表示农业技术运用革新技术所带来的经济效益，规模效率变化指数是指农业生产规模发生改变时所带来的经济变化。故Malmquist指数等于技术进步与纯技术效率变化和规模效率变化的乘积，具体计算公式如下：
$\begin{aligned}M_{t}\left(x^{t+1}, y^{t+1}, x^{t}, y^{t}\right)=\text { techch } \times \text { effch }=\text { techch } \times\text { pech } \times \text { sech }\end{aligned}$
依据式（5），若技术进步>1则是科技进步对效率提升的贡献，彰显技术创新力量；若技术效率变化>1，则表明与第t期相比，决策单元在第t+1期产出能力有所提升；当纯技术效率变化>1，则表明管理能力的提高是驱动效率进步的主要因素；而规模效率变化>1则表明决策单元正朝着最适生产规模发展，趋向规模经济的最佳利用。

2 结果与分析

2.1 新疆农业碳排放效率测算

2.1.1 农业碳排放量

2000—2020年新疆农业碳排放总量呈“上升-下降-上升”趋势（表3），2007年农业碳排放总量为771.37×107 t，较2000年增长了17.83%，这是由于农业生产规模扩大、机械化程度高所致。随着经济的发展和人口的增长，人们对农产品需求不断增加，农用物资及农用机械使用剧增，同时也消耗了大量能源，加剧了农业碳排放。2007—2014年农业碳排放总量下降，或因节能减排政策的实施和农业技术进步有效降低了碳排放。2014—2020年农业碳排放总量出现回升趋势，这可能与农业生产增长但减排措施未有效实施有关。新疆作为我国重要的畜产品生产基地，牲畜数量大，畜牧业生产间接导致温室气体排放增加。
表3 新疆14个地州市农业碳排放量

Tab. 3 Agricultural carbon emissions in 14 prefectures and cities in Xinjiang

地州市 农业碳排放量/107 t
2000年 2007年 2014年 2020年 2000—2020年平均值
乌鲁木齐市 7.35 11.24 0.80 2.36 5.44
克拉玛依市 0.96 2.57 5.24 4.73 3.38
昌吉州 71.33 80.49 92.08 116.06 89.99
伊犁州直 158.05 184.12 63.81 73.96 119.99
塔城地区 69.50 87.03 110.48 124.99 98.00
阿勒泰地区 26.64 32.45 47.54 59.58 41.55
博州 19.05 20.77 26.51 37.33 25.92
吐鲁番市 8.54 8.12 14.07 19.27 12.50
哈密市 11.76 11.74 18.26 16.10 14.47
巴州 35.54 52.48 81.30 79.78 62.28
阿克苏地区 89.59 92.56 64.35 116.24 90.69
克州 10.16 8.11 3.75 7.64 7.42
喀什地区 103.31 135.71 43.60 84.82 91.86
和田地区 42.87 43.98 34.66 47.86 42.34
平均值 46.76 55.10 43.32 56.48 50.42
总量 654.65 771.37 606.45 790.72 705.83

注：昌吉州、伊犁州直、博州、巴州和克州分别为昌吉回族自治州、伊犁哈萨克自治州直属县市、博尔塔拉蒙古自治州、巴音郭楞蒙古自治州和克孜勒苏柯尔克孜自治州的简称。下同。

以新疆14个地州市为研究对象，按照农业碳排放量划分为4个地区，其中1×107~30×107 t为低排放区；30×107~60×107 t为相对低排放区；60×107~90×107 t为相对高排放区；大于90×107 t为高排放区。2000—2020年乌鲁木齐市、克拉玛依市、吐鲁番市、哈密市和克孜勒苏柯尔克孜自治州（克州）的农业碳排放量始终处于低排放区（图1）。乌鲁木齐市农业虽非主导产业，但作为新疆的中心城市，其在农业科技应用和管理创新方面的优势利于控制碳排放；克拉玛依市农业在经济结构中占比较小，整体倾向于低排放的现代农业实践。昌吉回族自治州（昌吉州）、塔城地区等地的农业碳排放量逐渐向相对高排放区过渡，主要原因是：这些地区种植业与畜牧业的加速发展，显著增加了温室气体的排放；受干旱条件约束，绿洲农业普遍采用井渠结合的灌溉系统，虽然确保了农田的水分补给，却因灌溉系统运行的同时机械能源消耗巨大，间接加剧了CO2的排放。
图1 新疆农业碳排放空间分异

注：基于自然资源部标准地图服务网站审图号为GS(2024)0650号的标准地图制作，底图边界无修改。下同。

Fig. 1 Spatial differentiation of agricultural carbon emissions in Xinjiang

2.1.2 农业碳排放效率

为深入分析新疆农业碳排放效率在2000—2020年的演变特征，本研究选取了2000、2007、2014年和2020年4个时间节点，运用核密度函数估计法对农业碳排放效率的动态演变趋势进行探讨，并绘制了效率演变趋势（图2）。
图2 新疆农业碳排放效率核密度曲线

Fig. 2 Kernel density curve of agricultural carbon emission efficiency in Xinjiang

2000—2020年新疆农业碳排放效率的核密度曲线中心逐渐向右移动，呈稳定增长趋势。观察分布形态的变化，可见主峰高度降低，宽度逐步增加。尽管各地区碳排放效率变化各异，但总体呈现下降态势。观测峰值分布形态可知，新疆农业碳排放效率的分布特征由原先的“多峰”形态转变为“单峰”形态，这一转变揭示了农业碳排放效率在环境保护和碳排放控制方面的有效进展。
SBM模型相较于传统DEA模型可以直接将松弛变量放到目标函数中来研究，因此本文选用非期望产出的SBM模型，并借助Matlab对2000—2020年新疆农业碳排放效率进行测算（表4）。结果表明，东疆的农业碳排放效率区平均值最高为0.445，且高于北疆和南疆。新疆农业碳排放效率按时间的演变可分为3个阶段：2000—2007年的缓慢增长阶段、2007—2014年的波动增长阶段、2014—2020年的平稳发展阶段，总体反映出“缓慢-快速-缓慢”的发展轨迹。2000—2007年，尽管政府有意识地提高能效和减少农业碳排放，但初期因技术水平、资金投入等条件限制，该时期农业碳排放效率提升缓慢；2007—2014年，因国家进一步重视环境保护，加大科技投入以及一系列环境政策的出台，使得农业碳排放效率波动增长，这一时期反映出国家对农业碳排放管理的持续优化和不断探索；2014—2020年，新疆各地州市提升效率的速率较之前波动期有所下降但整体水平较高，说明前期改革措施生效，农业生产低碳化进程迈入成熟阶段。
表4 新疆14个地州市农业碳排放效率

Tab. 4 Agricultural carbon emission efficiency in 14 prefectures and cities in Xinjiang

地区 地州市 农业碳排放效率
2000年 2007年 2014年 2020年 2000—2020年平均值 区平均值
北疆 乌鲁木齐市 0.124 0.270 1.000 1.000 0.599 0.370
克拉玛依市 0.226 0.610 0.758 1.000 0.649
昌吉州 0.127 0.244 0.553 0.404 0.332
伊犁州直 0.114 0.154 0.386 0.475 0.282
塔城地区 0.096 0.139 0.323 0.349 0.227
阿勒泰地区 0.110 0.170 0.232 0.355 0.217
博州 0.101 0.194 0.476 0.371 0.286
南疆 巴州 0.123 0.243 0.591 0.509 0.367 0.319
阿克苏地区 0.099 0.156 0.461 0.502 0.305
克州 0.084 0.135 0.235 0.283 0.184
喀什地区 0.102 0.194 0.508 0.739 0.386
和田地区 0.124 0.188 0.403 0.700 0.354
东疆 吐鲁番市 0.179 0.335 0.824 1.000 0.585 0.445
哈密市 0.105 0.203 0.409 0.507 0.306
平均值 0.122 0.231 0.511 0.585 0.363
总量 1.714 3.235 7.159 8.194 5.079
此外，2000—2020年乌鲁木齐市、克拉玛依市、吐鲁番市农业碳排放效率增幅显著，在2020年碳排放效率均达到1.000，为近几年最高值。昌吉州、博尔塔拉蒙古自治州（博州）2地农业碳排放效率呈波动上升态势，其他区域农业碳排放效率提升迟缓。2000—2020年全疆各地州市农业碳排放效率平均值为0.363，且普遍未达到0.500，仅有极个别地区超过此标准，表明在现有技术和资源配置下提升碳排放效率仍面临诸多困难，这也是新疆农业可持续发展亟待解决的问题。

2.1.3 农业碳排放效率的Malmquist指数分析

为深入剖析农业碳排放效率变化的结构要素，依据Malmquist指数分析2000、2007、2014年和2020年4个时间节点农业碳排放的效率及动态演变趋势，为新疆乃至西北干旱区农业绿色发展提供科学的数据支撑和实践导向（表5）。
表5 新疆14个地州市农业碳排放效率的Malmquist指数分析

Tab. 5 Malmquist index analysis of agricultural carbon emission efficiency in 14 prefectures and cities in Xinjiang

地区 地州市 技术
效率		 技术
进步		 纯技术
效率		 规模
效率		 全要素
生产率
北疆 乌鲁木齐市 1.284 1.116 1.255 1.022 1.433
克拉玛依市 1.000 1.054 1.000 1.000 1.054
昌吉州 1.134 0.997 1.000 1.134 1.131
伊犁州直 1.162 1.024 1.000 1.162 1.189
塔城地区 1.116 0.999 1.042 1.071 1.115
阿勒泰地区 1.166 1.006 1.029 1.133 1.174
博州 1.181 0.994 1.074 1.099 1.174
南疆 巴州 0.974 1.102 1.000 0.974 1.074
阿克苏地区 1.156 1.041 1.156 1.001 1.204
克州 0.936 1.139 0.875 1.070 1.067
喀什地区 1.160 1.094 1.000 1.160 1.268
和田地区 1.206 0.978 1.032 1.169 1.179
东疆 吐鲁番市 1.000 1.047 1.000 1.000 1.047
哈密市 1.087 0.980 0.797 1.364 1.065
全要素生产率是技术进步与技术效率之积，其数值超过1.000，意味着在技术创新与升级优化方面取得成效。据表5可以看出，新疆各地州市全要素生产率均超过1.000，说明新疆在农业生产效率上具有明显优势。观察这些地州市，可以发现除巴音郭楞蒙古自治州（巴州）和克州外，其余地区的技术效率均超过1.000，说明新疆在现有技术水平下优化资源配置和应用农业技术层面表现相对卓越。全疆各地市的规模效率除巴州外均大于1.000，说明巴州当前生产规模并未实现最佳资源配置，因此需要调整规模、优化管理以及采用更适合的生产技术来提升规模效率，以在有效利用资源的同时提升经济效益。哈密市和克州的纯技术效率分别为0.797、0.875，这2个地区都需通过技术革新与资源策略，挖掘潜在效率空间，以期实现更高效的农业产出。

2.2 新疆农业碳排放效率的空间关联性

2.2.1 全局空间自相关分析

全局空间莫兰指数作为衡量地理空间分布模式的一项关键指标，反映了研究对象在地理空间的集聚特征。为此，本文运用空间自相关模型对新疆14个地州市的农业碳排放数据进行综合评价。
2000—2014年，全局莫兰指数为负值，表明在此期间新疆农业碳排放效率的地理布局缺乏明显的趋同性，即高排放效率与低排放效率区域空间分布规律并未统一；2015—2017年，全局莫兰指数为正数，表明碳排放效率呈现空间正向关联的特性，且2017年指数攀升至近10 a的最高集聚态势；2018—2020年全局莫兰指数又转为负数，表明其空间关系转变为负相关且空间差异逐渐增大（图3）。其中，2003年全局莫兰指数为-0.199，且P值通过了显著性检验，表明各地州市农业碳排放效率在空间分布上具有显著相关性，即在空间集聚上以高-低集聚和低-高集聚为主。
图3 新疆农业碳排放效率全局自相关检验

Fig. 3 Global autocorrelation test of agricultural carbon emission efficiency in Xinjiang

2.2.2 局部空间自相关分析

基于空间数据的莫兰指数虽能有效揭示农业碳排放效率的宏观聚类现象，却无法定量研究其局部集聚度。故利用LISA集聚分析描述某一单元和相邻单元碳排放效率的关联状况，通过邻近矩阵反映空间数据的异质性，可以捕捉局部空间关联特征及变化状况，识别潜在空间模式。由图4可知，多数点位于第一、二、三象限，这表明新疆农业碳排放效率协调程度主要表现为高-高、低-高同质性聚类和低-低异质性聚类。此外，低效率的聚类现象揭示了效率低下地区的空间集聚，呈现出异质性聚类特征，即低效区域倾向于集群分布。
图4 新疆农业碳排放效率局部莫兰指数散点图

Fig. 4 Scatter plot of local Moran’s I of agricultural carbon emission efficiency in Xinjiang

通过测算2000、2007、2014年和2020年新疆农业碳排放效率的局部莫兰指数，将各地州市的空间关联度划分为高-高、高-低、低-高、低-低共4种类型。由图5可知，2000年新疆农业碳排放效率的空间集聚图中，仅塔城地区位于低-高象限，这意味着塔城地区农业碳排放效率低于周围地州市；2007年昌吉州位于高-高象限，这表明昌吉州及周围地州市农业碳排放效率均较高；2014年吐鲁番市和昌吉州位于高-高象限，这些地州市在农业碳排放管理上成效显著，形成了高效排放控制的区域集群，可能得益于科技进步、农业实践优化或强有力的环保政策；2020年巴州、哈密市和昌吉州位于低-高象限，尽管这些地州市周边存在高效排放控制区域，但它们自身在农业碳排放效率上表现欠佳，可能面临转型滞后、技术应用不足或政策执行不力等问题，因此需要采取针对性策略来提升其农业碳排放管理水平。总体而言，新疆多数地州市农业碳排放效率无明显集聚特征，农业经济集聚程度较低。其中，农业碳排放效率高-高集聚型区呈减小趋势，低-高集聚型区呈增加态势，且昌吉州从2007年的高-高集聚向2020年低-高集聚转变。随着农业经济绿色发展的推进，区域间农业产业交流逐渐加强，区域碳减排的协同推进作用凸显。
图5 新疆农业碳排放效率的LISA集聚图

Fig. 5 LISA agglomeration map of agricultural carbon emission efficiency in Xinjiang

2.3 新疆农业碳排放效率的影响因素

2.3.1 指标体系构建

农业碳排放效率的影响因素复杂，借鉴已有研究成果及相关进展，本文选取农业产业结构、作物种植结构、耕地规模化程度、有效灌溉率、农业经济发展水平5个指标作为解释变量（表6）。
表6 农业碳排放效率影响因素指标选取

Tab. 6 Selection of indicators for factors influencing agricultural carbon emission efficiency

变量名称 指标解释
农业产业结构（X1） 农业生产总值与农林牧渔总产值之比
作物种植结构（X2） 粮食种植面积与作物播种面积之比
耕地规模化程度（X3） 耕地面积与农业从业人员之比
有效灌溉率（X4） 有效灌溉面积与耕地面积之比
农业经济发展水平（X5） 农林牧渔总产值与农村人口之比
根据上述5种影响因素，构建模型公式如下：
C E i j = a 0 + a 1 X 1 i j + a 2 X 2 i j + a 3 X 3 i j + a 4 X 4 i j + a 5 X 5 i j  
式中： C E i j为第j年第i个地区的农业碳排放效率值； a 0为误差项； X 1 i j、 X 2 i j、 X 3 i j、 X 4 i j、 X 5 i j分别为第j年第i个地区的农业碳排放效率值5个解释变量； a 1、 a 2、 a 3、 a 4、 a 5为5个相关系数向量。

2.3.2 Tobit回归分析

在进行Tobit回归分析之前，首先需要对各项变量进行相关性检验（表7）。通过相关性检可知，变量间相关系数均小于0.8，故不存在多重共线性，可以直接进行Tobit回归分析（表8）。
表7 变量相关性检验

Tab. 7 Variable correlation tests

变量 Y X1 X2 X3 X4 X5
Y 1.000 -0.126 -0.381 0.170 -0.097 0.466
X1 -0.126 1.000 -0.003 -0.086 0.059 -0.411
X2 -0.381 -0.003 1.000 -0.083 -0.030 -0.371
X3 0.170 -0.086 -0.083 1.000 -0.020 0.332
X4 -0.097 0.059 -0.030 -0.020 1.000 -0.055
X5 0.466 -0.411 -0.371 0.332 -0.055 1.000

注：Y为农业碳排放效率。

表8 农业碳排放效率影响因素的Tobit回归结果

Tab. 8 Tobit regression results of factors influencing agricultural carbon emission efficiency

变量 系数 标准误差 Z值 P值 95%置信区间
X1 -0.346 0.188 -1.840 0.066 [-0.714, 0.022]
X2 -0.245 0.081 -3.030 0.002 [-0.403, -0.087]
X3 0.013 0.020 0.670 0.504 [-0.025, 0.051]
X4 -0.008 0.004 -1.900 0.058 [-0.016, 0.000]
X5 0.011 0.002 6.040 0.000 [0.008, 0.015]
常数项 0.601 0.125 4.810 0.000 [0.356, 0.845]
农业产业结构（X1）：农业产业结构的相关系数为-0.346，这表明种植业农业产值与农林牧渔总产值比重越高，则农业碳排放效率越低。相关系数显示，农业生产总值每增加1个单位，碳排放效率平均降低0.346个单位。以种植业为主导的农业生产过程，往往由于不合理的施肥和灌溉方式导致单位产值所对应碳排放量增多。因此，需要调整作物种植结构，促进多样性种植。
作物种植结构（X2）：作物种植结构的相关系数为-0.245，这表明作物种植结构每增加1个单位，农业碳排放效率就会降低0.245个单位。这说明粮食作物种植比例的调整对碳排放量具有显著影响，粮食种植面积比例增大将导致农业碳排放量增加。鉴于此，维持粮食作物播种面积基本稳定至关重要。此外，与粮食作物相比，经济作物可以更有效地提高农民收入，增加期望产出。
耕地规模化程度（X3）：耕地规模化程度未通过显著性检验，这与新疆地区快速推进的城市化浪潮以及非农业部门的蓬勃兴起密切相关。随着城市边界的不断扩张和工业、服务业等非农产业的快速发展，导致农业就业人口显著缩减，耕地配置失衡。因此，耕地规模效应未通过显著性检验，不仅是人口结构变化和经济发展模式转变的体现，也是现代农业科技革新与生态环境保护政策综合作用的结果。这表明在评估农业可持续发展路径时，需综合考量多种因素的动态平衡，而非单一维度的规模效应。
有效灌溉率（X4）：有效灌溉率的相关系数为-0.008，表明其对农业碳排放效率具有负向效应，说明改善有效灌溉率对农业碳排放效率具有抑制作用。究其原因，新疆采用高效节水灌溉技术既降低了农业领域的水资源消耗，又提高了水资源利用效率，但这一过程可能间接促成碳排放效率的相对升高。具体而言，节水灌溉系统的高度集约化虽然减少了用水量，却增加了能源消耗（如抽水、输水过程中的电力需求）或依赖化肥和农药，使得投入品补偿性增长，从而间接提高了单位产出的碳排放量。
农业经济发展水平（X5）：农业经济发展水平和农业碳排放效率之间存在显著正相关，这表明农业经济发展水平每增加1个单位，农业碳排放效率就会提升0.011个单位。经济发展对资源的高效利用与环境保护具有重要的促进作用。在农业现代化进程中，通过优化产业结构、采用先进技术与管理手段，不仅推动了经济增长，也实现了对环境影响的有效控制。

3 讨论

高效灌溉技术的双重效应。通过研究新疆农业碳排放效率的时空异质性及影响因素[24-26]，发现有效灌溉率与农业碳排放效率呈现负相关。新疆地处西北干旱区[27-28]，高效节水灌溉技术的广泛应用，对于缓解水资源短缺、提升水资源利用效率至关重要。该技术显著减少了作物灌溉的需水量，理论上有助于降低农业碳足迹。然而，高效节水灌溉系统的建设、运行往往需要能源消耗和电力供给来驱动水泵和维持灌溉网络的运转，在减少水资源消耗的同时，可能会因能源密集型的灌溉操作而导致碳排放增加。此外，节水灌溉可能促使农民增加化肥和农药的使用，以补偿水分减少对作物生长的潜在影响，从而导致土壤中有机碳分解加速和N2O排放增加，进一步加剧农业碳排放。
碳减排模式优化。基于本文研究，新疆因其独特的地理环境推动了当地畜牧业繁荣发展，但畜牧业产生的碳排放量却不容小觑。为应对这一现状，可在维持或减少牲畜总量的前提下，增加单位产出，以遏制由畜牧业所产生的大量温室气体。此外，通过深度融合畜牧业与农作物栽培的种养一体化模式，实现畜牧业与作物生产的有机结合，减少化肥和农药的使用，降低农业污染，同时也有助于减少畜牧业的碳排放。
低碳农业体系的构建。分析农业产业结构、作物种植结构、耕地规模化程度、有效灌溉率以及农业经济发展水平对农业碳排放效率的影响，不仅要关注单个因素带来的直接效益，如扩大耕地规模或提高灌溉效率，更需要深入分析如何通过产业结构调整、化肥施用的科学管理以及整个农业经济的转型升级相辅相成，这一观点与吴贤荣等[16]的研究相一致。因此，农业碳排放效率是涉及多维度、多层次的系统工程，需要政策制定者、科研人员及农业生产者等多方力量的智慧融合与协同行动。
通过分析新疆农业碳排放效率的动态变化趋势，本文揭示了农业碳排放的时空演变特征，为新疆农业碳减排和低碳农业的发展奠定了坚实的科学基础。尽管现有研究为研究新疆农业碳排放提供了前期基础，但在数据完整性、研究深度、碳源甄选的全面性以及碳排放测算体系的精准度方面仍存在不足，难以构建一个翔实的数据平台，为制定高效碳减排策略提供科学依据。为促进新疆农业低碳、高效发展，未来研究方向应聚焦于几个核心点：扩大数据网以覆盖化肥、田间管理和畜牧等各类碳源；创新计量技术，运用高精度传感器、卫星遥感和大数据提升测量准确性；开展跨学科合作，融合多领域知识，以综合视角制定针对性方案。

4 结论与建议

4.1 结论

（1） 2000—2020年新疆农业碳排放效率随时间的变化可分为缓慢增长、波动式增长、平稳发展阶段，总体反映出“缓慢-快速-缓慢”的发展趋势，且乌鲁木齐市、克拉玛依市和吐鲁番市农业碳排放效率增幅显著，而昌吉州和博州2地农业碳排放效率波动上升，其他区域农业碳排放效率提升则相对迟缓。
（2） 全疆各地州市的全要素生产率具有明显优势。在技术效率方面，除了巴州和克州外，新疆在现有技术水平下优化资源配置、应用农业技术层面表现相对卓越。规模效率方面，巴州当前的生产规模并未实现资源的最佳配置。哈密市和克州的纯技术效率需通过技术革新与资源策略实现更高效的农业产出。
（3） 新疆农业碳排放效率随时间差异在空间范围内呈现不同程度变化，多数地州市不具有明显集聚特征，从侧面反映出新疆多数地州市农业经济集聚程度较低。其中，农业碳排放效率高-高集聚型区域呈减小趋势，低-高集聚型区域呈增加态势，且昌吉州从2007年的高-高集聚向2020年低-高集聚转变。
（4） 农业经济发展水平会促进农业碳排放效率提升；农业产业结构与碳排放效率之间存在着显著的负相关关系；作物种植结构的改变会导致农业碳排放量增加。虽然，新疆农业生产采用了节水灌溉技术以降低农业领域水资源消耗，但增加了能源消耗，从而间接提高了单位产出的碳排放量。

4.2 建议

（1） 加大对农用物资科技的投入力度，培育优良农作物品种，降低农用物资碳排放量。一方面从源头入手，积极推广有机化肥、长效化肥、新型化肥；另一方面培育对农用物资依赖性低、产出高的农作物，以间接减少农用物资的使用。此外，要衡量环保与经济之间的关系，逐步淘汰高能耗灌溉机械，提高农业生产效率。
（2） 建设农业碳排放测算体系，不断完善监测机制。农业碳排放测算机制的完善是及时监测区域农业碳排放和有效追踪相关农业政策实施影响的重要依据。这需要国家有关部门牵头，加强科研院所与各个高校合作，参考国际标准将碳排放测算体系与我国实际情况相结合，重点关注CO2、CH4等温室气体的测算。同时，要将农业农村相关数据及时、准确地共享，并加大对农业碳排放相关研究的投入力度。
（3） 加大绿色低碳农业宣传力度，提高农民的减碳发展意识，实现思想上“低碳”。利用广播、媒体、网络等多种宣传渠道，积极宣传低碳农业的必要性，提高农民对低碳发展和绿色经济的理解，让低碳农业成为农业生产的普遍方式。同时，对农业从业人员加强技术培训，规范农业生产活动，提高农业生产效率。
（4） 因地制宜实施差异化农业碳减排策略，促进地区农业碳排放效率稳步提高。对于乌鲁木齐市、克拉玛依市、吐鲁番市农业碳排放效率增幅显著的地区，由于其经济水平及农业生产经验丰富，应继续发挥技术水平优势，实现农业产业规模化和绿色化发展。同时，通过资源共享、优势互补带动碳排放低效率地区，实现产业高质量和可持续化发展。而塔城地区、阿勒泰地区、克州等农业碳排放效率提升迟缓区域，应继续保持作物面积，促进农业产量，并推广施用长效肥料、氮肥深耕技术、清洁能源代替柴油动力等绿色低碳技术，同时调整产业结构，借鉴地区先进经验、技术、管理措施，以实现粮食产量与碳排放效率的双提升。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张帆, 蔡颖, 邓祥征, 等. 作物-牲畜-生物能源综合系统对中国农业源温室气体的影响评估[J]. 地理学报, 2024, 79(1): 28-44.

DOI

[Zhang Fan, Cai Ying, Deng Xiangzheng, et al. Assessment of the impact of the integrated crop-livestock-bioenergy system on agricultural greenhouse gases in China[J]. Acta Geographica Sinica, 2024, 79(1): 28-44. ]

DOI

[2]
赵先超, 彭竞霄, 胡艺觉, 等. 基于夜间灯光数据的湖南省县域碳排放时空格局及影响因素研究[J]. 生态科学, 2022, 41(1): 91-99.

[Zhao Xianchao, Peng Jingxiao, Hu Yijue, et al. Spatial-temporal pattern and influence factors of county carbon emissions in Hunan Province based on nightlight data[J]. Ecological Science, 2022, 41(1): 91-99. ]

[3]
马欣雨, 穆月英. 碳视角下的粮食生产环境技术效率评价——基于超效率SBM-Undesirable模型[J]. 中国农业资源与区划, 2024, 45(3): 26-35.

[Ma Xinyu, Mu Yueying. Evaluating the environmental efficiency of grain production from the perspective of carbon: Based on super-efficiency SBM-Undesirable model[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2024, 45(3): 26-35. ]

[4]
陈宇斌, 王森, 陆杉. 农产品贸易对农业碳排放的影响——兼议数字乡村发展的门槛效应[J]. 华中农业大学学报(社会科学版), 2022(6): 45-57.

[Chen Yubin, Wang Sen, Lu Shan. The impact of agricultural products trade on agricultural carbon emissions: The threshold effect of digital rural development[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2022(6): 45-57. ]

[5]
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, 29(4): 30-35.

[Li Qiuping, Li Changjian, Xiao Xiaoyong, et al. 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. ]

[6]
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[J]. Agriculture, Ecosystems & Environment, 2002, 91(1-3): 217-232.

[7]
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.

[Dong Hongmin, Li Yu’e, Tao Xiuping, et al. China greenhouse gas emissions from agricultural activities and its mitigation strategy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(10): 269-273. ]

[8]
Lal R. Carbon emission from farm operations[J]. Environment International, 2004, 30(7): 981-990.

PMID

[9]
张恒硕, 李绍萍, 彭民. 中国农村能源消费碳排放区域非均衡性及驱动因素动态识别[J]. 中国农村经济, 2022(1): 112-134.

[Zhang Hengshuo, Li Shaoping, Peng Min. Regional imbalance of carbon emissions from China’s rural energy consumption and dynamic identification of driving factors[J]. Chinese Rural Economy, 2022(1): 112-134. ]

[10]
田云, 李波, 张俊飚. 我国农地利用碳排放的阶段特征及因素分解研究[J]. 中国地质大学学报(社会科学版), 2011, 11(1): 59-63.

[Tian Yun, Li Bo, Zhang Junbiao. Research on stage characteristics and factor decomposition of agricultural land carbon emission in China[J]. Journal of China University of Geosciences (Social Sciences Edition), 2011, 11(1): 59-63. ]

[11]
田云, 林子娟. 中国省域农业碳排放效率与经济增长的耦合协调[J]. 中国人口·资源与环境, 2022, 32(4): 13-22.

[Tian Yun, Lin Zijuan. Coupling coordination between agricultural carbon emission efficiency and economic growth at provincial level in China[J]. China Population, Resources, and Environment, 2022, 32(4): 13-22. ]

[12]
Zhang M N, Li L S, Cheng Z H. Research on carbon emission efficiency in the Chinese construction industry based on a three-stage DEA-Tobit model[J]. Environmental Science and Pollution research International, 2021, 28(37): 51120-51136.

DOI PMID

[13]
田云, 张俊飚, 吴贤荣, 等. 碳排放约束下的中国农业生产率增长与分解研究[J]. 干旱区资源与环境, 2015, 29(11): 7-12.

[Tian Yun, Zhang Junbiao, Wu Xianrong, et al. Growth and sources of agricultural productivity in China under carbon emissions constraint[J]. Journal of Arid Land Resources and Environment, 2015, 29(11): 7-12. ]

[14]
吴昊玥, 黄瀚蛟, 何宇, 等. 中国农业碳排放效率测度、空间溢出与影响因素[J]. 中国生态农业学报, 2021, 29(10): 1762-1773.

[Wu Haoyue, Huang Hanjiao, He Yu, et al. Measurement, spatial spillover and influencing factors of agricultural carbon emissions efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2021, 29(10): 1762-1773. ]

[15]
尚杰, 吉雪强, 石锐, 等. 中国农业碳排放效率空间关联网络结构及驱动因素研究[J]. 中国生态农业学报, 2022, 30(4): 543-557.

[Shang Jie, Ji Xueqiang, Shi Rui, et al. Structure and driving factors of spatial correlation network of agricultural carbon emission efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 543-557. ]

[16]
吴贤荣, 张俊飚, 田云, 等. 中国省域农业碳排放: 测算、效率变动及影响因素研究——基于DEA-Malmquist指数分解方法与Tobit模型运用[J]. 资源科学, 2014, 36(1): 129-138.

[Wu Xianrong, Zhang Junbiao, Tian Yun, et al. Provincial agricultural carbon emissions in China: Calculation, performance change and influencing factors[J]. Resources Science, 2014, 36(1): 129-138. ]

[17]
杜娅明, 白永平, 梁建设, 等. 黄河流域旅游业碳排放效率综合测度及影响因素研究[J]. 干旱区地理, 2023, 46(12): 2074-2085.

DOI

[Du Yaming, Bai Yongping, Liang Jianshe, et al. Comprehensive measurement and influencing factors of carbon emission efficiency of tourism in the Yellow River Basin[J]. Arid Land Geography, 2023, 46(12): 2074-2085. ]

DOI

[18]
解春艳, 黄传峰, 徐浩. 环境规制下中国农业技术效率的区域差异与影响因素——基于农业碳排放与农业面源污染双重约束的视角[J]. 科技管理研究, 2021, 41(15): 184-190.

[Xie Chunyan, Huang Chuanfeng, Xu Hao. Regional disparity and influencing factors of agricultural technology efficiency in China: Based on dual constraint of agricultural carbon and agricultural non-point source pollution[J]. Science and Technology Management Research, 2021, 41(15): 184-190. ]

[19]
田云, 王梦晨. 湖北省农业碳排放效率时空差异及影响因素[J]. 中国农业科学, 2020, 53(24): 5063-5072.

DOI

[Tian Yun, Wang Mengchen. Research on spatial and temporal difference of agricultural carbon emission efficiency and its influencing factors in Hubei Province[J]. Scientia Agricultura Sinica, 2020, 53(24): 5063-5072. ]

DOI

[20]
朱巧娴, 梅昀, 陈银蓉, 等. 基于碳排放测算的湖北省土地利用结构效率的DEA模型分析与空间分异研究[J]. 经济地理, 2015, 35(12): 176-184.

[Zhu Qiaoxian, Mei Yun, Chen Yinrong, et al. Regional differentiation characteristics and optimization of the structural efficiency of land use in Hubei Province based on the carbon emissions[J]. Economic Geography, 2015, 35(12): 176-184. ]

[21]
李明, 肖海峰. 畜产品进口对畜牧业碳排放的影响及其空间效应[J]. 中国农业大学学报, 2024, 29(2): 176-191.

[Li Ming, Xiao Haifeng. Impact of livestock products import on carbon emissions from livestock industry and its spatial effect[J]. Journal of China Agricultural University, 2024, 29(2): 176-191. ]

[22]
段华平, 张悦, 赵建波, 等. 中国农田生态系统的碳足迹分析[J]. 水土保持学报, 2011, 25(5): 203-208.

[Duan Huaping, Zhang Yue, Zhao Jianbo, et al. Carbon footprint analysis of farmland ecosystem in China[J]. Journal of Soil and Water Conservation, 2011, 25(5): 203-208. ]

[23]
Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130(3): 498-509.

[24]
Feng Y X, He S W, Li G D. Interaction between urbanization and the eco-environment in the Pan-Third Pole region[J]. Science of the Total Environment, 2021, 789: 148011, doi: 10.1016/j.scitotenv.2021.148011.

[25]
Zhang X D, Zhang J, Yang C B. Spatio-temporal evolution of agricultural carbon emissions in China, 2000—2020[J]. Sustainability, 2023, 15(4): 3347, doi: 10.3390/su15043347.

[26]
Chen Y, Su X Y, Zhou Q. Study on the spatiotemporal evolution and influencing factors of urban resilience in the Yellow River Basin[J]. International Journal of Environmental Research and Public Health, 2021, 18(19): 10231, doi: 10.3390/ijerph181910231.

[27]
夏文浩, 王铭扬, 姜磊. 新疆农业碳排放强度时空变化趋势与收敛分析[J]. 干旱区地理, 2023, 46(7): 1145-1154.

DOI

[Xia Wenhao, Wang Mingyang, Jiang Lei. Spatiotemporal variation trends and convergence analysis of agricultural carbon emission intensity in Xinjiang[J]. Arid Land Geography, 2023, 46(7): 1145-1154. ]

DOI

[28]
王太祥, 王腾, 吴林海. 西北干旱区农地利用碳排放与农业经济增长的响应关系[J]. 中国农业资源与区划, 2017, 38(4): 170-176.

[Wang Taixiang, Wang Teng, Wu Linhai. Relationship between agricultural land carbon emission and economic development in the arid region of northwest China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(4): 170-176. ]

Options
Outlines

/

〈 〉