支農財政對農業碳排放強度的空間效應:基于空間杜賓模型的實證分析

韓金雨，曲建升,①，徐 麗，李恒吉,，劉莉娜

(1.蘭州大學西部環境教育部重點實驗室/ 資源環境學院，甘肅 蘭州 730000；2.中國科學院西北生態環境資源研究院，甘肅 蘭州 730000)

人類活動產生的溫室氣體及其引起的氣候變暖已成為全球公認的環境問題，農業碳排放量已占全球溫室氣體排放總量的21%～25%[1]。中國農業源溫室氣體排放約占全國溫室氣體排放總量的17%，其中，農業產生的CH4和N2O分別占全國總量的50%和92%[2]。改革開放以來，我國農業快速發展的背后，離不開支農財政的支持，2020年已是中央第17年發布中央一號文件，連續強調財政對農業的支持作用，凸顯了支農財政對農業發展的基礎保障作用。自2007年我國財政收支分類改革之后，中央農林水事務支出從313.7億元增長至2018年的592.3億元，地方農林水事務支出從3 091億元增長至20 493.29億元。支農財政規模，尤其是地方支農財政增長幅度可觀，地方支農財政在地方一般公共預算支出中所占比例也逐年攀升。

由于支農財政歷來就是我國支持和調控農業發展的主要手段和政策工具，對支農財政的相關研究主要集中于探究其與農業發展效率或績效的關系，如支農財政對農民的增收和減貧效應[3]、對農業整體發展水平的提升作用[4]、對農村居民消費水平和消費結構的提升和優化作用[5]、對農業生產效率或農業技術效率的升級[6]、對農業產業結構的優化[7]以及對地方城鎮化[8]的影響等。值得一提的是，支農財政對農業的影響均是在一定的空間背景下展開的[7]，具有一定的空間溢出效應，主要是由于支農財政和農業生產[9]本身在空間上就表現出一定的地理相關性和溢出性，再加上相鄰地區的農業技術創新與技術擴散、農業專業化分工與協作[10]，都會推動鄰近地區農業發展指標發生變化。隨著農業碳排放成為氣候變化領域的研究熱點，關于農業碳排放的影響因素及其作用機制也得到了學者們的廣泛關注，主要影響因素包括農業經濟規模[2,11]、農業產業結構[11]、農業生產效率或農業技術進步[12]、耕地構成[13]、城鎮化水平[14]、種植結構[2]和受災情況[13]等。研究發現各個指標均與農業碳排放有一定關系，而作用程度、影響方向、影響是否顯著等因研究區域、研究方法和研究時間的不同而異。

因此，盡管尚沒有關于支農財政與農業碳排放關系的研究，但基于上述支農財政對于農業發展水平、農業產業結構和農業技術效率等因素的影響及這些指標與農業碳排放之間的相關關系，有理由假設支農財政與農業碳排放之間可能存在著不可忽視的關聯性。正是基于這樣的理論假設，同時考慮各地區在農業生產、支農財政以及其他經濟社會條件等的空間差異和空間依賴，對支農財政與農業碳排放之間的關系進行研究。另外，除主要研究支農財政與農業碳排放的關系外，還選擇了各省份經濟社會發展、農業生產條件等其他變量作為控制變量，研究其與農業碳排放之間的空間關系。

1 研究方法與數據來源

1.1 探索性空間數據分析

在應用空間計量經濟模型之前，首先需要采用探索性空間數據分析法對農業碳排放強度是否存在空間自相關進行檢驗，其核心內容是空間自相關測度，包括全局空間自相關和局部空間自相關兩大類[15-16]。全局自相關主要是對所有省份整體是否存在空間相關性進行檢驗，而局部自相關則探究每個省份與其周邊省份之間的集聚。此處進行空間自相關分析只是為了確認省份間是否存在空間自相關，以驗證選用空間計量模型的合理性，因此，并未采用局部自相關方法詳細識別每一個省份農業碳排放是如何與其周圍省份產生集聚和相關的。全局自相關常用的檢驗指標為Moran指數(I)，其計算公式[17]如下：

(1)

對于空間權重矩陣Wij的確定，常用的方式包括地理相鄰矩陣、反距離矩陣、經濟距離矩陣、嵌套經濟矩陣和時間距離矩陣等。由于自然、氣候條件等因素導致相鄰省份農業生產的相似性和集聚性，此處空間矩陣Wij采用簡單二進制的地理相鄰矩陣，遵循Rook相鄰規則，即兩個地區擁有共同邊界則視為鄰接[18]。矩陣W設定方法如下：主對角線上元素為0，如果i地區與j地區鄰接，則Wij為1，否則為0；將海南省視作與廣東省相鄰。下文中空間計量模型中的空間權重矩陣同樣采用地理相鄰空間權重矩陣。

1.2 空間杜賓模型

傳統的回歸模型以空間均質性假設為前提，但空間異質性和依賴性的存在會導致分析結果不理想[19]，因此，環境經濟學引入了空間計量模型。空間計量模型主要包括空間滯后模型(SAR)、空間誤差模型(SEM)和空間杜賓模型(SDM)：空間滯后模型主要用于研究變量是否對區域外有擴散或溢出效應；空間誤差模型用于不同區域地理位置導致的地區間相互作用形式存在差異的相關分析；空間杜賓模型不僅可考察區域內自變量與因變量之間的關系，還能度量其他相鄰地區(鄰域等)滯后自變量與因變量對該地區的影響，并可簡化為空間滯后模型和空間誤差模型，較前兩個模型更能全面地考察不同維度因素對因變量的影響。空間杜賓模型理論模型可設置如下[18]：

Yit=ρWijYjt+βiXit+γiWijXjt+εitεit～N(0,σ2In)。

(2)

式(2)中，Yit為空間單元i在時期t的因變量；X為n×k的矩陣；k為外生自變量個數；Wij為n×n空間權重矩陣；n為空間單元數；WY和WX分別為表示因變量和自變量的空間滯后項；ρ、β和γ分別為待估參數，若γ為0，則空間杜賓模型可以簡化為空間滯后模型，若γ+ρβ=0，則空間杜賓模型可以簡化為空間誤差模型；ε為隨機擾動項。

上式的簡化形式可以表示為

(3)

1.3 變量界定與數據來源

1.3.1被解釋變量

因變量為農業碳排放強度，首先需對農業碳排放進行核算。目前，國內外主要采用生命周期法對農業碳排放進行核算，包括農業生產全過程中的土壤排放、能源投入、物資投入、動物腸道等環節直接排放以及間接產生的CO2、N2O和CH4等溫室氣體(根據IPCC第4次評估報告，農業生產活動中的N2O 和CH4等溫室氣體也屬于農業碳排放，并換算成CO2當量)。根據已有學者建立的核算體系、方法[20-23]，中國農、牧業生產過程中的碳排放主要包括4個方面：(1)農田土壤碳排放，指農田土壤翻耕破壞導致的碳排放，其中，最主要的是N2O排放，其單位面積排放系數因作物種類而異；(2)農資投入排放，包括農田種植過程中的化肥、柴油、農藥、農膜和電力等投入品間接產生的碳排放；(3)水稻種植碳排放，指稻田種植直接產生的CH4排放，其排放系數因不同省份水文、氣候和土壤條件而不同，且因水稻播種期(早、中、晚季稻)而異；(4)畜牧養殖碳排放，主要指國內常見的部分草食性動物的反芻活動和糞便活動產生的CH4、N2O。其中，以上前3個部分為種植業相關的碳排放，第4個部分為畜牧業碳排放。基于IPCC關于農業碳排放的核算及相關資料[24]，構建農業碳排放核算公式：

E=∑Ei=∑(Siei)。

(4)

式(4)中，E為農業溫室氣體排放總量；Ei為第i類源引發的溫室氣體排放量；Si和ei分別為第i類農業溫室氣體來源和排放系數。為便于分析，在核算各類溫室氣體排放量后，將CH4和N2O排放換算為CO2當量[20]。

農業碳排放核算過程中需要的各類數據來自國家統計局網站、國家種植業信息網和歷年《中國農業年鑒》，其中，各類農作物種植面積、灌溉面積，各類牲畜出欄量和存欄量，農藥使用量、化肥施用量、農膜用量、農用柴油消耗量等數據均來自《中國農業年鑒》，部分缺失年份數據來自中國種植業信息網。農業碳排放強度為農業碳排放量與農業總產值的比值，農業總產值來自《中國農業年鑒》。

1.3.2解釋變量

支農財政資金比例。支農財政資金是指政府為扶持農業發展提供的財政預算支出。我國支農財政資金項目種類繁多，但按照學者們[25]的分類，支農財政支出結構基本可以劃分為投資性支出、消費性支出和轉移性支出3個大類。因此，模型選用支農財政資金占全部財政支出的比例作為解釋變量，以消除各地區由于農業規模不同導致的財政支出規模差異，反映了政府對農業的重視程度和支持力度。

1.3.3控制變量

農業碳排放強度受到多種因素的影響，因此，除支農財政變量外，參照相關研究[2,26]，選取可能會對農業碳排放強度造成影響的因素作為控制變量。在一個省份的整體環境方面，選擇經濟發展水平、經濟結構、城鎮化率、城鄉差距(消費水平)等指標，代表一個省份宏觀的發展環境。在農業發展方面，選擇農業結構代表農業總產出中農業與畜牧業的占比，受災率代表一個省份農業生產的自然因素；農業發展水平代表一個省份農業生產能力，農業機械化程度代表一個地區農業生產的現代化水平，人均耕地面積代表農業生產的規模化水平。其中，GDP、人口數量、城鎮人口數量、鄉村人口數量、支農財政支出、全部財政支出、消費水平產業結構、農業產值、畜牧業產值、受災面積和農業機械總動力等數據均來自國家統計局網站，農業增加值等來自《中國農業年鑒》。各變量的描述統計見表1。

需要說明的是，農業產值、農業增加值、GDP指標等均采用1997年不變價格，以消除價格波動和通貨膨脹的影響；部分省份部分年份的農村人口數據缺失，由于年際變化較小且趨勢較平穩，所以采用移動平均法補齊。另外，為消除量綱的影響，在代入實證模型之前，對因變量和各個自變量進行標準化處理。

表1 變量含義及描述統計情況

2 實證結果與討論

2.1 農業碳排放強度時空特征分析

通過對歷年各省份農業碳排放強度進行測算，農業碳排放強度較大省份主要是西藏、青海、甘肅、寧夏、新疆、內蒙古等畜牧業大省(區)，尤其是以牛、羊等反芻類動物為主的省份(圖1)，而這類畜牧業較高的碳排放足跡決定了其農業碳排放強度要遠遠高于其他省份；另外，湖南、江西、廣西、海南等在研究期限初期碳排放強度也較高，主要是由于這些省份種植結構中水稻種植比例較高導致。從時序變化來看，絕大多數省份農業碳排放強度均有較大程度下降，這主要是農業生產率的全面提升造成的。

從支農財政在全部財政支出中的占比(圖2)來看，在1997年，這一比例較高的是北京、上海、廣東等省份；而到2007年，絕大多數省份這一比例均有非常大的提升，這是我國農業經濟的快速發展和對農業發展的財政支持力度持續增加的體現；到2017年，各省份支農財政比例進一步提升，且各農業大省(區、市)這一比例已經領先于其他省份。

1997—2017年，各省份支農財政比例持續提高，導致我國農業經濟快速發展和農業生產率大幅提升，從而使得農業碳排放強度也普遍降低，這雖然可以初步印證支農財政可能具有抑制農業碳排放強度的作用，但還需進一步通過空間回歸模型進行實證分析。

2.2 空間回歸分析

2.2.1空間自相關檢驗

在進行空間回歸分析之前，首先，對農業碳排放強度的空間自相關性進行檢驗，探究碳排放強度相當的省份，在空間分布上是否存在集聚模式，空間集聚也體現了一定程度的空間異質性和相關性。

在整個研究期內，農業碳排放強度Moran指數的P值和z值都通過了檢驗，且所有年份Moran指數都大于0，說明農業碳排放強度具有很顯著的空間自相關性，呈現出較強的空間集聚性。從歷年趨勢來看，這種空間自相關性較為穩定，農業碳排放強度的Moran指數隨時間變化呈一定的下降趨勢(表2)，說明原先碳排放強度較高的省份隨著生產效率的提高，其與低排放強度的省份之間的差距在逐漸變小。

表2 歷年農業碳排放強度Moran指數值

2.2.2空間計量模型選擇

選擇空間計量模型時，首先需進行拉格朗日乘子(LM)檢驗。基于普通最小二乘回歸模型(OLS)進行LM檢驗，考察模型本身是否存在空間相關性，檢驗空間計量的適用性，其原假設為模型不包含空間滯后或空間誤差項，以檢驗數據更適合空間滯后模型(SAR)還是空間誤差模型(SEM)。ANSELIN[19]提出的判別標準如下：若拉格朗日乘子滯后量(LMLAG)顯著，則不能拒絕SAR；若拉格朗日乘子誤差量(LMERR)檢驗及其穩健拉格朗日乘子(RLM)形式顯著，則不能拒絕SEM；若LMLAG比LMERR在統計上更加顯著，且穩健拉格朗日乘子滯后量(R-LMLAG)顯著而穩健拉格朗日乘子誤差量(R-LMERR)不顯著，則選擇SAR，反之，則選擇SEM；若兩者均顯著，則使用SDM，再進一步通過似然比(LR)檢驗和Wald檢驗考察SDM使用的正確性。LM檢驗(表3)顯示SDM更為適用。

表3 LM檢驗統計量及顯著性

然后，通過豪斯曼檢驗判斷固定效應和隨機效應的選用，豪斯曼檢驗的統計值為77.01且在1%水平上顯著，顯示采用隨機效應模型更適合。最后，需通過LR檢驗和Wald檢驗來判斷SDM是否會退化為SAR和SEM。LR檢驗和Wald檢驗結果在1%顯著性水平上拒絕了SDM可以退化為SEM和SAR的假設(表4)。綜上所述，農業碳排放強度的空間分析宜采用隨機效應SDM。

表4 LR檢驗和Wald檢驗結果

2.2.3空間回歸結果分析

由于農業碳排放強度表現出較強的空間相關性和依賴性，而OLS回歸模型沒有考慮空間因素，估計結果均為常數，不完全符合農業碳排放的實際情況，因此，選用SDM對農業碳排放強度進行回歸分析，結果見表 5。從回歸模型的空間自回歸系數來看，這在很大程度上可以說明中國省域農業碳排放強度在空間上存在較為明顯的溢出效應，即本地區碳排放強度提高對鄰域具有較強的拉動或抑制作用。

表5 空間杜賓模型(SDM)估計結果

從支農財政對農業碳排放強度的作用來看，支農財政對農業碳排放強度的主效應和空間效應分別通過1%的顯著性檢驗，說明支農財政具有顯著的抑制農業碳排放強度的效果，且相鄰省份支農財政資金比本區域內的支農財政資金對本省份農業碳排放的抑制效果更明顯。從其他控制變量的顯著性來看，經濟結構、城鄉差距、農業發展水平、農業機械化水平和耕地占用率均對本地區農業碳排放強度具有顯著的影響作用，其中，農業發展水平和農業機械化水平對抑制農業碳排放具有一定作用，而城鄉差距、耕地占有率和經濟結構對促進農業碳排放具有一定作用；受災程度也在一定程度上能夠抑制鄰域農業碳排放強度，城鄉差距和農業發展水平則能夠正向提升鄰近地區碳排放強度。

在明確各因素是否對某地區及其周邊地區農業碳排放強度具有影響后，為進一步把握其具體影響方向及大小，對各因素的直接效應、間接效應和總效應進行探討。盡管各因素對農業碳排放強度的影響方向與直接回歸結果(表5)基本一致，但可更細致地區分各因素對本省份及其相鄰省份的作用(圖3)。直接效應是某地區變量對本地區農業碳排放強度的影響大小，其等于SDM系數與反饋效應之和，反饋效應指本地區變量對其他地區的影響又會反過來影響該地區；間接效應用于度量鄰近地區某個解釋變量對本地區農業碳排放強度的影響。

首先，支農財政具有明顯抑制農業碳排放強度的作用，可以看出，一個省份支農財政對本地區農業碳排放強度的回歸系數為-0.081，有一定的抑制作用，而鄰近省份支農財政對本地區農業碳排放抑制作用更為明顯，回歸系數達到-0.234(圖3)。這種抑制作用基本可以印證支農財政的碳減排效應作用機制，即本地支農財政政策不僅會在本地起到調整農業結構、提升生產效率、擴大產出規模等作用，最終還會導致農業碳排放強度降低；而相鄰地區支農財政導致的農業生產效率的提高、農業生產結構的專門化、農業產出水平的提高，會導致農業生產活動進一步分工，更能充分發揮每個省域農業生產的比較優勢，使得本地區農業生產效率進一步提升，在更大程度上降低本地區農業碳排放強度。

從各控制變量的回歸結果來看，城鎮化水平、農業機械化水平同支農財政變量一樣，本地和鄰近省份的變量均對本地農業碳排放起到抑制作用，且鄰近省份變量的碳減排效果更為明顯；經濟結構和耕地占有率對本地區和鄰近地區農業碳排放強度均有一定提升作用，且對相鄰地區的空間溢出效應(間接效應)要小于對本地區碳排放強度的直接提升作用；城鄉差距具有較強的提升碳排放的效應，且空間溢出效應要大于作用于本地的直接效應；農業發展水平的直接效應和間接效應呈現相反的方向，盡管本地區農業發展水平的提升有一定的碳排放強度抑制效應，但來自鄰近地區的空間溢出效應能夠提升碳排放強度，綜合起來還是會大大提升一個地區的農業碳排放強度。

3 結論與建議

3.1 結論

在厘清支農財政對于農業碳排放強度的作用機制基礎上，以1997—2017年中國31個省份為研究對象，運用SDM檢驗支農財政對農業碳排放強度的影響。主要研究結論如下：(1)初步時空分析表明，1997—2017年，各省份支農財政比例大幅提升帶來了農業經濟的快速發展和農業生產效率的大幅提升，因此，導致了農業碳排放強度的普遍下降。(2)支農財政對于農業碳排放強度的抑制作用具有明顯的空間依賴特征，即：不僅本省份支農財政能夠直接抑制該省份農業碳排放強度，鄰近省份支農財政對本省份農業碳排放強度抑制效應更強。(3)經濟結構、城鎮化水平、城鄉差距、農業發展水平、農業機械化水平和耕地占用率等因素都不同程度地影響著農業碳排放強度，且各因素有著不同的顯著性，存在著不同程度的空間溢出效應。

3.2 政策建議

首先，從支農財政能夠降低農業碳排放強度來看，支農財政在促進農業經濟發展的同時，能夠降低農業碳排放強度，提升碳排放效率；因此，應建立支農財政的長效機制，為農業發展提供保障。當前，我國農業處在傳統農業向現代農業跨越的關鍵時期，支農財政在農業發展中的作用更加重要，應堅持以新發展理念為引領，推動農業供給側結構性改革，繼續落實強農惠農富農政策，確保農業，尤其是三農事業的健康穩定發展。(1)進一步優化、完善支農財政政策體系。以辯證思維處理好政府-市場、生產-消費、資源-環境等關系，推動種糧補貼、良種補貼和農資補貼等“多合一”；深化農業相關價格機制改革，進一步完善最低收購價政策，保護農民切身利益；合理調整支農財政資金投向，及時修正相關政策目標，提升投向基礎設施建設和農業科技等的支出比例，確保資金能夠用在“刀刃”上。(2)探索支農財政體制機制創新。圍繞補齊短板促進形成多元化投入格局目標，更好地發揮支農財政“四兩撥千斤”作用，進一步拓寬金融渠道，加強財政支農與政策性、商業性金融的結合，探索財政和金融協同支農新模式；完善支農財政資金管理機制，提高資金使用效益；加強支農財政資金監管和公眾監督，確保資金安全。(3)明確重點和方向，確保支農資金落到實處。支農財政首先要以保障農業基礎設施為根本，以夯實農業可持續發展基礎；保障科研投入，保持農業發展活力，提高農業競爭力；保障農民收入，持續促進農民增收，確保農民共享農業發展成果；保障涉農服務體系建設，建成農業生產的專業化和社會化的基礎和平臺；引導農業綠色發展、可持續發展，重點支持休耕輪作、退耕還林還草、重金屬污染耕地修復、現代農業產業體系構建等領域；以提高農業開放水平為導向，優化農產品進出口格局，引導農業走出去。

其次，從支農財政作用于農業碳排放強度的空間效應來看，需優化支農財政的區域分配結構，合理調配支農財政資金。地區之間“各自為政”無益于實現農業的發展和農業的碳排放強度降低，而是需要國家從農業供應和糧食安全的全局出發，全國“一盤棋”，做好統一協調、統籌安排；各地區在制定相關政策時需因地制宜，避免“一刀切”的同質化現象，同時需要各地區加強合作聯系，以共同提升農業發展水平，降低農業碳排放強度。適時將碳排放交易機制引入農業，發揮市場在調控各地區交流合作中的作用。

最后，考慮到各控制變量與農業碳排放強度之間的空間溢出關系，進一步提高城鎮化水平，提升農業機械化水平，優化經濟結構，縮小城鄉差距，均有助于農業碳排放強度的降低和農業碳排放效率的提升。