引言

《国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》明确提出我国二氧化碳排放量力争在2030年达到峰值，2060年实现碳中和。“双碳”目标是中国为实现经济社会低碳转型提出的系统性变革，是在实现碳达峰的基础上通过有效减排达到碳中和。长期以来，我国节能减排工作的重心都放在工业部门，对农业碳排放的关注稍有欠缺。农业生产活动产生的温室气体约占全球温室气体总量的1/5，仅次于工业过程产生的温室气体，同时农业具有区别于其他行业的特殊性，它不仅是温室气体的排放源，更是蕴含巨大减排潜力的碳汇系统。农业现代化发展使机械化带来的能源消耗成为农业碳减排的最大不确定因素，能源消耗碳排放量也超过化肥成为首要农业碳源，农业碳减排问题不容小觑。黑土地是东北地区成为我国传统商品粮生产基地的先决条件，同时黑土地有助于农业固碳增汇、提质增效，是东北地区发展低碳农业的关键^[1]。但目前东北农业生产过度依赖机械和农用化学品使得碳排放量持续增长，加之土壤开发过度、用养不均衡等问题，致使东北黑土地流失严重，严重阻碍东北地区农业碳达峰、碳中和的实现^[2]。农业碳排放效率的提升有助于农业生态系统实现碳减排，对于推动东北地区农业转型、助力“双碳”目标、改善农业生态环境具有重要的现实意义^[3]。

1 文献回顾

当前与农业碳排放效率相关研究主要从三个方面展开：①农业碳排放效率概念界定。部分学者将农业碳排放效率看作是在农业生产中，既定投入与经济产出中理想的最少碳排放与实际碳排放之比^{[4, 5]}，还有学者将碳排放约束下的农业生产率看作农业碳排放效率^[6]，其共同点都是将农业碳排放作为非期望产出纳入农业生产投入产出指标体系中，充分考虑碳排放作用下农业活动的经济价值，即相同农业投入下经济产出越高或碳排放量越少的地区，其农业碳排放效率越高，更有利于低碳农业的发展^{[7, 8]}。还有学者将农业划分为不同种类，对种植业^{[9, 10]}、畜牧业^[11]、渔业^[12]碳排放效率进行了研究。②农业碳排放效率评价。效率测度的主要方法有SBM基于松驰值测算，Slacks-Based Measure-Undesirable模型^[13-18]、随机前沿生产函数^[19]、数据包络分析（DEA）模型^[20]以及Malmquist指数法^{[21, 22]}等，基于此，学者们对全国和区域等不同尺度的农业碳排放效率展开研究，认为农业技术水平、农业产业结构、经济发展水平和城镇化水平等是影响农业碳排放效率的主要因素^{[13, 14, 18, 20, 22, 23]}。除此之外，仍有不少学者围绕农业碳排放脱钩^[24]、农业产业聚集^[25]、耕地规模^[10]、环境规制^[20]等因素对农业碳排放效率的影响进行深度剖析。③农业碳排放效率空间分异特征。早期文献局限于对农业碳排放效率地区分布情况的描述或对比分析^{[10, 22, 26]}。随着空间经济学理论的发展，数据空间可视化、空间自相关模型、空间计量模型以及地理探测器等空间分析方法和模型，开始融入农业碳排放效率的研究中^{[7, 18, 21, 27-29]}，便于考察农业碳排放效率的时空格局分布、空间聚集程度、空间溢出效应和空间异质性等。

综上所述，学者们对农业碳排放效率研究取得了大量成效，但仍存在较大的研究空间：①综观现有文献主要是针对农业碳排放或农业碳排放效率进行研究，未能将农业碳汇、净碳汇融入其中，研究维度存在局限性。②关于驱动因素的研究均着眼于单一因素对农业碳排放效率的影响，缺乏驱动因素间相互作用后对效率影响的研究，同时鲜少从驱动因素角度分析空间异质性。③典型性研究多集中于国家层面，研究范围广、研究对象不够精准，缺乏根据农业区域性生产特征进行的研究。因此，本文从区域尺度出发，以东北地区种植业为研究对象，通过农业净碳汇的测算体系搭建农业全要素生产框架下的农业碳排放效率理论模型，采用考虑非期望产出的全局SBM模型测度东北地区2010—2019年农业碳排放效率，采用地理探测器剖析各驱动因子及各因子交互后对空间分异格局的影响。研究对于推动东北地区农业与环境协同发展，助力“双碳”目标的实现具有重要意义。

2 研究方法和数据来源 2.1 研究方法 2.1.1 农业净碳汇测算

种植业碳汇只考虑农业生产过程中，农作物生长全生命周期光合作用吸收的二氧化碳量，根据田云等^[30]测算农业生产碳汇的方法对种植业碳汇进行测算，表达式如下：

(1)

式中，S为农作物碳吸收量；S_i为某种农作物的碳吸收量；k为农作物种类；s_i为农作物碳吸收率；Y_i为农作物的经济产量；r为农作物经济产品部分的含水量；HI_i为农作物经济系数。东北三省主要农作物含水量、经济系数与碳吸收率数据如表 1所示。

农业净碳汇是在种植业碳汇基础上排除农业生产过程中因农用物资投入产生碳排放的农作物碳吸收量。农用物资碳排放是种植业碳源的主要来源渠道，其中包括化肥、农药、农膜等农用物资投入以及农业灌溉耗电引发的碳排放。本文采用联合国政府间气候变化专门委员会（IPCC）^[31]发布的碳排放系数法测算种植业碳源量，种植业碳排放测算见表达式（2），根据表达式（3）测算农业净碳汇。

(2)

(3)

式中，C为农业净碳汇量；E为种植业碳排放量；S为农作物碳吸收量；E_i为第i种碳源的碳排放量；T_i为第i种碳源的量；Q_i为第i种碳源的碳排放系数（表 2）。

2.1.2 考虑非期望产出的全局SBM模型

本研究将东北三省内各城市农业生产系统作为决策单元，假设在T时期有N个决策单元（DMU），其中有m种投入，s₁种期望产出，s₂种非期望产出，x_k^T、y_k^{g, T}和y_k^{b, T}分别为第k个决策单元的投入、期望产出及非期望产出向量。表达式（4）为规模报酬不变时的生产可能性集合，考虑非期望产出的全局SBM模型见表达式（5）和式（6）。

(4)

(5)

(6)

式中，ρ_k^{G*, t}表示目标函数值；x_j^τ、y_j^{g, τ}、y_j^{b, τ}和λ_j^τ分别为第j个DMU在τ时期的投入、期望产出、非期望产出和权重向量；s_i为投入松弛量；s_r^g为期望产出松弛量；s_q^b为非期望产出松弛量。ρ_k^{G*, t}的取值区间为[0, 1]，若ρ_k^{G*, t} = 1，即s_k^{b, t} = 0，说明农业碳排放效率等于1，若ρ_k^{G*, t} < 1，说明农业碳排放效率未达标，需要对投入产出进行调整。

2.1.3 空间自相关

空间自相关是通过位置关系度量数据间的依赖程度，衡量某属性空间聚集程度的指标。其中，Moran’s I指数是最常用的表达方式，Moran’s I指数又分为全局莫兰指数与局部莫兰指数。全局莫兰指数用来判断某属性在整体上是否存在空间聚集或分散特征，即全局空间自相关。全局莫兰指数表达式如下：

(7)

(8)

式中，n为统计城市数量；x_i与x_j为农业碳排放效率x在城市单元i和j上的观察值；x' 为所有城市农业碳排放效率的均值；W_ij为空间权重矩阵。Moran's I指数取值范围为[−1, 1]，正值表示区域间存在显著正向相关关系；负值表示区域间存在显著负向相关关系；值为0时表示该属性在空间上是随机分布的。

局部莫兰指数则用来判断各空间的某属性在局部是否具有空间相关性，即局部空间自相关。局部莫兰指数表达式如下：

(9)

局部莫兰指数为正值时表示同类型属性值的地区相聚集，负值表示不同类型属性值的地区相聚集，绝对值越大，聚集程度越高。

2.1.4 地理探测器

地理探测器是探究造成某地区空间分异性的各变量的影响程度，其中包含因子探测和交互作用探测^[32]。因子探测主要用来研究单个因子的影响程度，其决定力程度值公式如下：

(10)

式中，q为影响因子对东北三省农业碳排放效率的决定力值；h =1, 2, …, L为影响因子的分类数；N为东北三省城市的个数；N_h表示分类为h的城市个数；σ²为东北三省农业碳排放效率值的方差；σ_h²为分类为h的城市农业碳排放效率值的方差。q的取值区间为[0, 1]，q值越大表示该因子对东北三省农业碳排放效率的影响越大，q = 0表示不受该因子影响。

交互作用探测是在因子探测的基础上对比不同因子共同作用时，是否会增加或减弱各因子原有的影响程度。将不同因子用X_n（n =1, 2, …）表示，首先通过因子探测计算任意两个X₁和X₂的q值，即q（X₁）、q（X₂），其次通过交互作用探测计算两因子交互时的q值，即q（X₁∩X₂），最后通过比较q（X₁）、q（X₂）、q（X₁）+ q（X₂）与q（X₁∩X₂）的大小关系判断两因子间的交互作用类型，进而确定该交互因子对东北三省农业碳排放效率的影响情况（表 3）。

2.2 农业碳排放效率测度体系与数据来源 2.2.1 投入产出变量的选取

基于农业生产五要素以及农业生态系统的半自然半人工属性，结合指标代表性、数据可获取性和效率指标搭建科学性，并借鉴已有研究成果^{[9, 21, 27]}，选取劳动力、土地、机械、水源和化肥作为投入指标，农业总产值、农业碳汇总量作为期望产出，农业碳排放总量作为非期望产出，以此构建农业生产投入产出指标体系（表 4）。

2.2.2 数据来源

本研究使用的2010—2019年东北三省36个地级市、地区及自治州的农业生产活动、农业碳排放及农业碳吸收核算所涉及的数据，主要来自2011—2020年《黑龙江统计年鉴》《吉林统计年鉴》《辽宁统计年鉴》以及部分城市国民经济和社会发展统计公报。

3 实证分析 3.1 东北地区农业净碳汇时空特征分析

根据农业碳排放、碳汇以及净碳汇的公式计算得到2010—2019年东北地区三个省份农业碳排放、碳汇以及净碳汇总量，具体数值见表 5。由表 5可知，东北三省整体农业净碳汇水平呈现稳步增长趋势。从总量来看，黑龙江省属于“高排高汇”，净碳汇总量远远高于其他两省，吉林省和辽宁省的碳排放总量差距较小，但辽宁省碳汇总量较低属于“低排低汇”，净碳汇总量低于吉林省。从增量来看，截至2019年东北三省农业碳排放增量、碳汇增量以及净碳汇增量分别为黑龙江省159%、134%、128%，吉林省112%、139%、145%，辽宁省102%、133%、141%。吉林省的碳汇及净碳汇增量均居于首位，辽宁省次之，黑龙江省的碳排放增量最大且净碳汇增量最小；说明碳排放增长虽会对净碳汇增长起抑制作用，但碳汇增长是净碳汇增长的主要动力。综合来看，东北三省的农业低碳减排工作仍有巨大进步空间，黑龙江省重在农业减排工作，而辽宁省和吉林省的碳排放总量小且增幅小，可通过省际间交流来带动农业整体高质量发展。

3.2 东北地区农业碳排放效率时序特征分析

根据前文构建非期望产出全局SBM模型，对东北三省农业投入与产出进行测算得到各年各地区及各省份的农业碳排放效率，并对效率值进行汇总，最终形成东北三省农业碳排放效率变化趋势图（图 1）。

2010—2019年东北三省农业碳排放效率变化情况如图 1所示，总体来看，研究期内东北三省的农业碳排放平均效率整体呈上升趋势，由2010年的0.540提高至2019年的0.743，效率值并未达标；吉林省的农业碳排放效率远高于平均效率，而黑龙江省和辽宁省的效率值均低于平均效率，在2018年东北三省的农业碳排放效率都有不同程度的提高，得益于国家出台的《东北黑土地保护规划纲要（2017— 2030）》政策，使得东北黑土地得到保护，增强了土壤碳固持，帮助抑制碳排放量升高的同时提高作物产量^[34]。

3.3 东北地区农业碳排放效率空间特征分析 3.3.1 农业碳排放效率空间分布格局

借助ArcGIS 10.2软件，对东北三省36个城市在2010—2019年的农业碳排放效率进行空间格局的渲染（图 2）。根据图 2可知，2010年高效率区域的城市数量较少且分散，其中黑龙江省的高效率区域城市数量占比较大，但其城市效率的高低分布差异较大，低效率区域同样较多；而吉林省和辽宁省的效率值分布则较平均。2019年高效率区域城市数量达到最高，高效率区域主要分布在黑龙江省北部大小兴安岭林区附近城市、吉林省中部省会城市以及辽宁省南部环渤海城市，呈由北向南的片状格局分布。整体来看，2010— 2019年高效率区域逐步呈现“区块状”分布格局，低效率区域在逐年减少。得益于国家对生态文明建设的重视以及东北地区实行的黑土地保护政策，碳排放量得到控制，各地区推动粮食安全与固碳增汇协同发展，农业碳排放效率得到提高。

3.3.2 农业碳排放效率空间相关性

据上文可知，东北三省农业碳排放效率在空间上呈现出集中连片的“区块状”分布特征，区域间农业碳排放效率变化可能存在空间关联。因此，利用GeoDa软件计算2010—2019年东北三省农业碳排放效率的全局莫兰指数（图 3），并节选2010年、2019年绘制局部莫兰指数散点图（图 4），分析其空间异质性与依赖性。

结果（图 3）显示，2010—2019年东北三省农业碳排放效率的全局莫兰指数由-0.217逐渐增长为0.165，表明该地区农业碳排放效率由空间负相关性转变为空间正相关性。从绝对值来看，其数值均处于0 ~ 0.25，表明东北三省不同时期农业碳排放效率存在空间异质性，但不是非常显著，绝大部分年份呈现随机分布的空间形态。可将全局莫兰指数大致分为两个阶段进行分析，第一阶段是2010—2017年，这段时间莫兰指数均为负值，且绝对值整体呈减小趋势，表明该地区农业碳排放效率空间离散程度呈降低趋势；第二阶段是2017—2019年，莫兰指数由负值转变为正值，且在2019年达到峰值，说明各市区农业碳排放效率受到周边邻接地区农业碳排放效率的影响越来越大，空间聚集程度逐渐增强。

根据散点图（图 4）发现东北三省各市农业碳排放效率聚集区逐渐从低高（L-H）和高低（H-L）聚集区向高高（H-H）和低低（L-L）聚集区演变。H-H聚集区（第一象限）表示在地理位置分布上相邻区域间农业碳排放效率水平均较高，空间相关性表现为扩散效应。2019年高高聚集区主要分布在黑龙江省北部，该地区分布有大片林区和平原草地，森林草地对农业生产过程产生的二氧化碳具有吸收作用，使得碳排放效率值高；其次，相邻地区具有同样优越的农业基础以及丰厚的自然生产条件，对周边城市农业发展起到辐射带动作用，呈现出明显的空间聚集现象。L-L聚集区（第三象限）表示在地理位置分布上本区域农业碳排放效率较低且相邻区域也较低，空间关联表现为低速增长区域。2019年低低聚集区主要分布在吉林省东部以及辽宁省西部，其原因是各地区自然资源分布不同使得农业发展水平差异较大。

3.4 东北地区农业碳排放效率空间分异驱动因素分析

采用地理探测器方法探究东北三省农业碳排放效率区域分布差异的驱动因素，通过GeoDetector软件计算各驱动因子对农业碳排放效率的决定力q值来分析影响强度。为了研究的全面性和精确性，参考相关研究成果^{[13, 18, 20, 21]}，考虑到农业生态系统受经济、自然、社会三方面因素的影响，依次选取经济因子、生态因子、社会因子作为三个影响因素的解释变量，经济因子包含农业产业结构（X₁）、农业投资强度（X₂）2个具体指标；生态因子包含农业受灾情况（X₃）、农业机械率（X₄）、农产品规模（X₇）3个具体指标；社会因子包含城镇化率（X₅）、农民可支配收入（X₆）2个具体指标，共7个具体指标（表 6），根据农业碳排放效率空间分布差异，探究不同指标在时序维度和省级尺度下的影响强度。

3.4.1 整体因子探测分析

由于地理探测器擅于分析类型量，当探测因子为数值量时需要经过离散化处理，将其转化为类型量才可使用。因此，本文将7个探测因子数据进行归一化处理，利用ArcGIS 10.2软件的自然间断点法进行空间离散化处理，使其由数值量转化为类型量的同时将各因子划分为5层，使数据处理更具客观性。以东北地区整体农业碳排放效率作为研究样本，将处理后数据导入GeoDetector软件中，可得到各驱动因子对农业碳排放效率的决定力q值。对研究期内各驱动因子决定力取平均值可发现（图 5），影响东北地区整体农业碳排放效率空间分异格局的驱动因子从大到小依次是：农业机械率（X₄，0.209）＞农产品规模（X₇，0.184）＞农业产业结构（X₁，0.144）＞农业投资强度（X₂，0.143）＞城镇化率（X₅，0.136）＞农民可支配收入（X₆，0.131）＞农业受灾情况（X₃，0.129）。由此可知，农业机械率是影响东北地区整体农业碳排放效率空间分异格局的主导驱动因子。

从不同时期探测因子的变化情况（表 7）来看，主导驱动因子农业机械率对研究区域的农业碳排放效率空间分异的作用强度呈减弱趋势；农产品规模的决定力也有小幅下降；相比之下，农业产业结构、农业投资强度和城镇化率的作用强度逐渐增强，有超越主导驱动因子作用强度的趋势；其他探测因子的作用强度随时间变化呈不同程度的增减交替之势。城镇化进程带动了剩余农业劳动力转向非农行业，优化了农业资源配置效率，使得人类活动对农业发展的参与度越来越高，因此，近年来城镇化率对农业碳排放效率的影响也逐渐增强。

3.4.2 整体交互探测分析

研究期内，采用显著性水平为0.050的t检验下不同驱动因子在两两空间叠加后形成的对东北地区农业碳排放效率空间分异格局的交互作用结果见表 8。从表 8中可以看出，不同两因子交互后对该地区农业碳排放效率空间分异性决定力水平相对于单个因子都有所增强。从研究期内各交互因子决定力的均值来看，决定力水平最高的关键交互因子是X₄ ∩ X₇，这说明农业机械率和农产品规模在空间叠加后，对东北地区农业碳排放效率整体空间格局起到主导作用。其次，交互因子X₁ ∩ X₂、X₃ ∩ X₅在研究期内的平均决定力水平也较高，虽然其单因子的平均决定力水平较弱，但经过驱动因子两两空间叠加后，对空间分异格局的影响有明显增强，呈现双因子增强效应。因此，在考虑东北地区农业碳排放效率空间分异性时应结合交互因子的影响力进行综合分析。

通过对2010年、2013年、2016年、2019年进行分析发现，决定力水平最高的关键交互因子依次为X₂ ∩ X₃（0.707）、X₂ ∩ X₅（0.600）、X₃ ∩ X₅（0.712）、X₅ ∩ X₆（0.799）。由于农业属于弱质性产业，易受自然灾害影响，而2010年东北地区发生了特大洪涝灾害，使得农业投资强度和农业受灾情况形成的交互因子成为造成2010年东北地区农业碳排放效率空间分异格局的主导驱动因子。而后，城镇化率加入到关键交互因子中，说明社会因素开始加入到影响农业碳排放效率的关键因素中。人类活动对自然环境的影响具有积极或消极两个方面，既可能导致农业受灾情况加重，也可以改善农业生产环境，是城镇化率与农业受灾情况交互后造成东北地区农业碳排放效率明显差异的主要原因。近年，城镇化率和农民可支配收入在空间叠加后，对东北地区农业碳排放效率空间分异格局起到主导作用，社会因子交互后对东北地区农业碳排放效率的影响越来越大。

3.4.3 区域因子探测分析

为深入探究不同驱动因子对东北三省农业碳排放效率空间分异格局的影响，消除地理位置跨度大以及各省份农业发展资源不均的阻碍，分别计算研究期内黑龙江省、吉林省和辽宁省3个地区单因子及交互因子的决定力。

从各省份因子探测情况来看（表 9），对黑龙江省和辽宁省农业碳排放效率空间分异格局起主导作用的因子是农业机械率，其q值分别为0.851和0.611；而吉林省农业碳排放效率空间分异格局并不存在一个起显著作用的主导因子，其中，农产品规模和城镇化率为最大的2个主导驱动因子，其q值分别为0.813和0.797。同时，其他驱动因子对各省份农业碳排放效率空间分异格局均存在不同程度影响。由此可知，不同省际间影响农业碳排放效率空间分异的驱动因子存在差异，且同一驱动因子的决定力也大相径庭。

3.4.4 区域交互探测分析

从交互作用结果（表 10）来看，对黑龙江省和吉林省而言，在不同驱动因子两两交互后并不存在一个对该地区农业碳排放效率空间分异格局起决定性作用的关键交互因子。其中，影响黑龙江省农业碳排放效率空间分异格局最大的6个关键交互因子分别是X₁ ∩ X₃、X₁ ∩ X₄、X₂ ∩ X₅、X₂ ∩ X₆、X₃ ∩ X₆、X₄ ∩ X₆，说明农业产业结构、农业投资强度、农业受灾情况、农业机械率和农民可支配收入等因子在空间叠加后，会对黑龙江省农业碳排放效率空间分异起到重要的决定作用；影响吉林省农业碳排放效率空间分异格局最大的6个关键交互因子分别是X₁ ∩ X₄、X₁ ∩ X₇、X₃ ∩ X₇、X₄ ∩ X₆、X₅ ∩ X₇、X₆ ∩ X₇，说明农业产业结构、农业机械率、农民可支配收入和农产品规模等因子在空间叠加后，会对吉林省农业碳排放效率空间分异起到重要的决定作用，农产品规模不仅是影响吉林省农业碳排放效率空间分异格局的主导驱动因子，与其他驱动因子进行交互作用后仍会对吉林省农业碳排放效率空间分异格局具有较强影响。对辽宁省农业碳排放效率空间分异性决定力水平最高的关键交互因子是X₁ ∩ X₄，表明农业产业结构和农业机械率在空间叠加后对辽宁省农业碳排放效率空间分异格局起到主导作用，而决定力水平较高的交互因子X₂ ∩ X₄、X₃ ∩ X₄、X₄ ∩ X₆中也包含农业机械率，说明包含农业机械率的交互因子对辽宁省农业碳排放效率空间分异格局具有较为重要的空间叠加效应。通过对比三个省份农业碳排放效率空间分异格局的关键交互因子发现，交互因子X₁ ∩ X₄是影响三个省份农业碳排放效率空间分异格局的共同关键交互因子，说明农业产业结构和农业机械率在空间叠加后对整个东北三省农业碳排放效率空间分异格局都起到决定性作用。

4 结论与建议 4.1 结论

（1）2010年—2019年东北三省农业净碳汇和农业碳排放效率在整体上呈现出上升趋势，各省份间的农业碳排放效率差异呈缩小趋势。研究期内，吉林省的农业净碳汇增量和农业碳排放效率位居三省首位，具有良好的发展趋势；黑龙江省具有“高排高汇”特征，净碳汇增量虽小但效率值整体呈提升现象；辽宁省具有“低排低汇”特征且净碳汇总量较低，其效率值波动较大且相对落后。

（2）从空间分布来看，东北三省农业碳排放效率在研究期内呈现出集中连片的“区块状”分布特征。高效率区域多出现在黑龙江省北部以及部分环海城市。通过莫兰指数验证其空间相关性发现，东北三省农业碳排放效率空间聚集程度逐渐增强，说明各市区农业碳排放效率易受到周边邻接地区农业碳排放效率的影响，且作用强度不断增大。

（3）东北地区农业碳排放效率空间分异格局受到经济、生态和社会多方面因素的影响。从整体尺度看，农业机械率是研究期内决定力均值最高的驱动因子，是影响东北地区整体农业碳排放效率空间分异格局的主导驱动因子，但随着时序演化其作用强度逐渐削弱；通过观察不同时期的关键交互因子发现，社会因子交互后对东北地区整体农业碳排放效率空间分异格局的影响逐渐增强。从区域尺度看，农业机械率是影响黑龙江省、辽宁省农业碳排放效率空间分异格局的主导驱动因子，吉林省农业碳排放效率空间分异格局的主导驱动因子是农产品规模和城镇化率；而农业机械率在和农业产业结构经过空间叠加后形成的交互因子对三个省份农业碳排放效率空间分异格局都起到决定性作用。

4.2 政策建议

（1）优化农业生产方式，以政策引导区域协调发展。根据东北三省农业净碳汇和效率特征，应着重关注黑龙江省农业碳减排，农业生产中的化肥、农药等化学物质以及机械动力的投入虽会提高农业产值、节省劳动力，但容易破坏土壤质量造成大量温室气体的排放，因此在农业生产过程中，可推广使用清洁能源代替高碳排能源。根据不同省际间农业碳排放效率空间分异驱动因子的差异性，对于决定力较大的驱动因子，政策的制定应保持差异性，例如黑龙江省和辽宁省在实现农机跨区域作业、引进节能环保农机产品时，政府应根据不同地区经济发展水平或农业发展特色出台弹性补贴政策，以此激励区域间协调发展以及农业技术创新；吉林省也应根据本省城市间不同的农产品生产规模制定弹性补贴政策。各省份对于决定力较小的驱动因子可实施刚性的管理政策，制定统一标准。

（2）提高农业从业人员素养，以人才带动农业绿色发展。随着社会因素对东北地区农业碳排放效率空间分异格局的影响逐渐增强，农业技术人才的培养显得尤为关键。东北地区虽具有肥沃的土地与森林资源，但农业产业多依靠于农村，农村人口众多并且其低碳发展的思想意识淡薄，对低碳农业、农业可持续发展认识不足，容易造成大量资源浪费和生态环境破坏。政府及各省份高校应积极组织农学专业人才深入乡村农田，用专业知识帮助基层农业从业人员提高绿色发展意识、低碳技术储备以及实践应用能力。同时，政府及各省份高校可根据本省（区、市）农业产业特色开展“农业绿色发展宣传月”“农业低碳技术大赛”“农业高层次人才培养计划”，鼓励高层次人才助力家乡建设，推动低碳农业高质量发展。

（3）推进规模化经营模式，以高效率区域带动低效率区域发展。单个农户或散养农户在实施农业低碳技术方面效果不佳，一些较为繁琐的低碳技术采用率极低，农业低碳技术得不到进一步推广，而规模化的生产经营模式能使农业低碳技术发挥较好效果。同时，东北地区农业碳排放效率逐渐呈空间聚集现象，说明邻近地区对本地的农业碳排放效率有很大影响，政府应该抓住机遇，以高效率区域带动低效率区域的发展，加强城市、城乡之间的合作，开展村村联合经营，吸引农村、农业发展的投资，协同推进各区域农业的低碳发展。