期刊佳文 | 中国农业碳排放的空间关联特征与减排政策选择

“十四五”时期，我国生态文明建设进入到以降碳为重点战略方向的关键时期，推动减污降碳协同增效、促进经济社会发展全面绿色转型、实现生态环境质量改善由量变到质变迫在眉睫。2021年中共中央、国务院相继发布《中共中央国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》《2030年前碳达峰行动方案》等重要文件表明实现“双碳”目标的紧迫性和艰巨性。作为一个农业大国，中国在推动农业经济高速发展的过程中，表现出了十分突出的高碳特征，同时农业生产过程中的碳排放还与农业面源污染交织在一起相互影响，为国家政策的制定与实施带来了现实困难[1]。实现农业低碳发展不仅是达到“双碳”目标的重要一环，还是倒逼农业供给侧结构性改革和农业经济高质量发展的重要途径。由于农业碳排放来源及传导的复杂性，只有准确识别其中的关键因素，才能有的放矢地制定科学合理的减排政策。

目前学术界主要是从碳排放测算、碳约束下的农业生产率评价、农业低碳发展模式等角度进行研究，对于减排机理所开展的系统考察还有待完善，从现有文献的研究内容与方法上看，主要可以分为以下4类：第一类研究是计算碳排放总量和分析区域差异与分布特征[2-3]。如X.Lu等[4]统计了6种农业碳排放源，分析中国31个省份农业碳排放的差异与演化过程；张广胜等[5]采用生命周期评价法构建中国农业碳排放体系，对中国农业碳排放的总量、结构和碳排放特征进行分析。这一类研究在农业碳排放量的测算上使用的方法都不尽相同，往往会导致分析结果偏差。第二类研究是以投入产出模型为分析框架，计算碳约束下的农业生产效率，并采用计量分析方法对农业生产效率的影响因素进行考察[6-9]。这类研究可能存在两个问题，一是在农业部门碳排放量统计上，仅考虑主要能源的使用，忽略了在农业生产过程中电力和热力对于能源的消耗；二是效率差异与投入产出指标的选取直接相关，很难解决效率指标与效率影响因素的内生性问题。第三类研究是关于农业碳减排政策的评估与选择。以“京都议定书”为代表的国际协定和地方气候政策选择行为为全球温室气体排放的减少做出了重要贡献。在政策评估与选择的过程中，部分学者认为在减少排放的同时，加大农业碳汇功能也应成为实现农业碳“开源节流”的重要方式之一，譬如制定具有分配约束的碳补偿有效市场、加强农业土地等要素的碳汇功能等[10-11]。这类研究虽然在行政命令与市场手段两方面做了重要的探讨，也为制定减排宏观政策方面实现了突破，但可能对于区域本身的微观基础缺乏系统的考察，因此在适用性与推广性方面也比较有限。第四类是以碳减排为研究核心，通过计量方法分析减排的影响因素或经济社会效应，如M.Ismael等[12]从机械、补贴及其他转移支付方面分析了农业增加值和收入对碳减排的影响；吴贤荣、张俊彪[13]采用Divisia指数分解法，分析了碳排放增长驱动及减排退耦特征。这类研究在选取影响因素时，难以对多种经济社会因素进行全面考察。

现有文献为本文提供了有益的参考，但区域农业碳减排并非局部问题，碳减排的潜力水平不单受到自身经济及产业状况的影响，还与其所处的环境及区域发展情况有一定的关联特征。目前只有少数文献考虑到了农业碳排放的空间相关性与异质性[14]，但空间权重的选取与面板模型的设定需要进行更加深入且全面的探索。因此，本文以农业碳排放为研究对象，采用空间计量分析方法，对省域农业碳排放的空间溢出效应及关键影响因素进行系统考察。在农业部门碳排放的计算上，根据《中国能源统计年鉴》中能源的使用量计算农业碳排放，利用电（热）碳分解法计算得到间接的能源使用的碳排放量，尽可能避免因为能源使用遗漏带来的统计偏差；在空间权重的选取上，为准确识别省域农业碳排放的空间依赖性，除使用邻接权重矩阵、距离权重矩阵之外，还构建经济权重矩阵、经济距离权重矩阵和经济与距离嵌套矩阵对碳排放的空间溢出效应进行实证检验，且综合比较，避免因空间权重矩阵的选取带来估计结果偏误；在方法运用上，除考虑其他省份对研究省份的影响外，还将本省份的路径依赖因素与空间误差因素考虑在内，系统研究关键影响因素对农业碳排放的空间溢出效应。以期为我国实现农业现代化和农业低碳发展提供有效的科学依据。

当区域之间存在空间相关性和空间异质性时，会对估计结果产生影响。因此在确定模型之前要考虑空间溢出效应的影响，检验空间相关性最常用的方法是Moran'I指数和Geary'C指数[15-16]。为对碳排放的空间相关性进行全面考察，本文也将采用Moran'I指数和Geary'C指数测度，计算公式分别如下：

其中，n表示中国大陆除西藏以外的30个省、自治区、直辖市，w_ij表示空间权重矩阵，x_i和`x分别表示农业碳排放及其均值，S²为样本的方差。为对省域碳排放空间关联的特征进行系统考察，本文在研究中构建了5种空间权重矩阵。分别为邻接权重矩阵（W1）、地理距离权重矩阵（W2）、经济权重矩阵（W3）、经济距离权重矩阵（W4）和经济距离嵌套权重矩阵（W5），因权重指标具有一定主观性，根据经济与距离的相对重要性赋值，为简化处理，本文选取经济与距离的权重均为0.5。

全域空间相关性检验在权重矩阵W1-W5的结果显示如表1所示。可以看出，农业碳排放分布呈现出高高集聚和低低集聚的空间正相关特征，但农业碳排放并不是单纯的地理空间关联，而是在经济空间关联与经济地理空间关联上体现。因此，根据空间相关性检验的结果，同时为使估计结果更加稳健，后文空间分析将考虑W1-W5空间权重矩阵的实证结果，避免因权重选择带来的估计误差。

全局Moran'I指数和全局Geary'C指数考察了变量的整个空间的集聚情况，但可能忽略了局部地区的非典型特征[17-19]，如果想知道某区域i附近的空间集聚情况，则可以使用局域Moran'I指数进行判定，局域Moran'I指数的计算公式如下：

局部Moran'I的含义与全局Moran'I相似，通过碳排放局域Moran'I指数的检验情况，从动态演变上看，2000年之前，高高集聚区域相对稳定，主要集中在东北地区和华北平原一带，表现为“块状”，2001年之后，高高集聚区域逐渐扩大，长江中下游平原部分省份加入了“高高集聚俱乐部”，2005年之后，随着湖北、江苏和福建的加入，高高集聚区域连成“片状”形成农业碳排放的集聚带。

假设定义地区i的碳排放量=本地碳+流入碳流出碳，根据前文空间相关性检验结果，可以构造地区i碳排放的空间滞后模型和空间误差模型式如下：

其中，C_i,t表示地区i的农业碳排放量，W_ij为空间权重矩阵，X_i,t为影响农业碳排放的相关控制变量，ε_i,t和μ_i,t为误差项，M_ij为空间误差模型中的空间权重矩阵。为计算简便，本文定义W_ij和M_ij为同一权重矩阵。

政府间的竞争行为对下一期的经济发展目标产生了巨大影响[20-21]，这意味着地区之间不仅存在空间关联特征之外，还存在着时间上的动态依存关系，因此，本文将模型进一步修改，地区i农业碳排放的空间滞后模型和空间误差模型分别如下：

其中，C_i,t-1为地区i农业碳排放量的滞后一期，μ_i,t-1为μ_i,t的滞后一期。

式6和式7均存在着地区i农业碳排放可以根据影响因素变化随时做出调整的假设，考虑到在农业生产过程中劳动、土地等要素的调整过程无法在短期内改变，因此将动态空间滞后模型和动态空间误差模型进行调整，可以得到式如下：

为使模型表述简便，本文仅在模型中添加地区i碳排放量的滞后一期项。

为更加准确地计算得到农业碳排放指标，本文借鉴涂正革等[22]的做法，将化石能源的中间转化和终端消耗的消费环节纳入考虑，得到各省份农业碳排放量由直接碳排放量和间接碳排放量构成，表示为式如下：

其中，i表示省份；h表示两种间接碳排放的终端能源，即热力和电力；j表示18中直接碳排放的终端能源；EF表示终端能源的碳排放系数，碳排放系数根据IPCC和《中国能源统计年鉴》整理得到。

本文借鉴R.York等[23]、Fan.Y等[24]、林伯强等[25]、Wang等[26]的做法引入可拓展的随机性环境影响评估模型STIRPAT（stochastic impacts by regression on population,affluence and technology）来分析碳排放的影响因素。STIRPAT模型的表达式如下：

其中I、P、A、T分别表示环境影响、人口规模、人均财富和技术水平，e为误差项；两边取自然对数可得式如下：

于本文而言，I为各省份碳排放指标，P、A、T分别表示影响农业碳排放的相关因素，此外，产业结构和能源强度也是碳排放的主要因素之一[27]，因此本文选取的模型控制变量为：

人口规模（ens_pop）。本文以人口密度作为反映人口规模的变量，即单位耕地面积的农村人口来表示人口聚集程度对农业碳排放的影响。

人均财富（p_cap）。本文将第一产业GDP以1998年为基期进行价格平减，与农村总人口的比值作为农村人均GDP指标。同时在人均财富变量中引入农业人均GDP的二次项及多次项，对农业碳排放与经济增长关系全面考察。

技术水平（p_mach）。本文机械化水平使用单位耕地面积的机械总动力表示。

产业结构（struc_1和struc_2）。本文引入产业结构变量，并从宏观角度将产业结构划分为农业产业结构与农业内部结构两个变量，农业产业结构使用第一产业GDP占总GDP比重表示，农业内部结构使用种植业GDP占农林牧渔业的比重。

能源强度（ener）。本文使用单位第一产业GDP的能源使用量作为能源强度指标，能源强度越高表示产生单位GDP的能源使用量越高，反之越低，因此预期其系数为正。

本文选取中国30个省、自治区、直辖市（香港和澳门特别行政区、台湾地区和西藏自治区除外）的1998-2020年农业经济、能源、社会发展等多项指标构成省级面板数据，各类数据来源于历年《中国统计年鉴》《中国农村统计年鉴》《中国能源统计年鉴》、中经网统计数据库、国研网统计数据库、Wind宏观数据库等。缺失数据通过线性插值法补全。

在选择空间滞后模型后，为防止模型退化成空间误差模型或空间自回归模型，需要采用似然比检验（LR）进一步检验，根据表3可得，所有检验均在1%的水平下显著拒绝原假设，故模型不会产生退化。

在确定估计模型为空间滞后模型后，需要对滞后效应进行检验，确定模型中是仅含时间滞后项还是仅含个体滞后项，或二者均存在。同样使用LR检验来完成，检验结果如表4所示，可以看出，无论在哪一个权重矩阵下，均拒绝仅含有一种滞后效应的模型，需要使用时间与个体均滞后的模型进行参数估计，因此，后文将仅报告动态空间面板模型（式8）的估计结果。

极大似然估计法是进行空间面板模型估计的一般方法，本文使用极大似然估计法对式8进行估计，得到结果见表5。首先，从空间维度来看，空间滞后系数在所有权重矩阵下均显著为正，证明省域间农业碳排放存在明显的空间集聚特征。在农产品贸易、农资生产使用等农业经济活动的驱动下，具有极强的地理和经济上的空间依赖性，进一步说明农业碳减排需要依靠整体的减排政策实现，合理的顶层设计和联动减排的工作机制尤为必要。其次，单从时间滞后效应来看，农业碳排放表现出很强的路径依赖特征，上一期碳排放量每增加1%，则会导致本期碳排放增加0.79%，如果不采取及时有效防控减排措施，势必会导致农业碳排放量逐渐攀升，产生强烈的路径依赖特征是由农业生产特点决定的，农业生产过程中的作物选择和生产方式是经过长期农业生产形成的结果，产业结构很难在短期内发生巨大的改变，因此农业碳排放的路径依赖特征仅仅只是农业路径依赖特征的表现之一。再次，单从空间滞后效应来看，农业碳排放的时间滞后系数在不同权重矩阵下表现不同，其他地区的人口密度和第一产业比重增加将会降低本地区农业碳排放水平，但机械动力、精细化耕作程度和能源效率却呈现相反的趋势，可能的原因是人口密度和第一产业比重不能及时调整，但在农业生产过程中，机械地运用及耕作方式能很好地产生“模仿效应”。简而言之，农业碳排放呈现明显的“泄露效应”，单边的减排措施可能徒劳无功，进一步证明了前文得到的结论。下面将对各影响因素进行讨论。

人口密度。一般而言，人口密度越高的地方，对能源和农产品的需求会越大，而能源的消费和农产品生产过程正是农业碳排放的主要来源。但伴随着耕地确权与土地流转的推进，以及农村劳动力的流失，规模化和集中化的经营方式逐渐成为农业生产的主流，从规模经济的角度分析，集中生产会带来农业生产效率的提高，碳排放水平也会相应下降。若前者占据主导地位则会得到农业人口密度越高，碳排放水平越高的趋势，这与吴贤荣和张俊飚[13]的结论基本一致；若规模效益占据主导地位，则会显示农业人口密度越高，碳排放水平越低。由表6可以得到，人口密度总是对农业碳排放有显著的促进作用，这说明我国农业现代化水平还有待提高，努力让规模效应充分发挥是我国农业碳减排的主要方向。

人均财富。环境库兹列茨曲线（EKC）假说认为，随着人均收入水平的提高，环境污染将先恶化后改善。因此本文在空间动态面板回归模型中增加了农业人均GDP的二次项和多次项，以捕捉碳排放水平与人均GDP的非线性关系。估计结果表明环境库兹列茨曲线在农业碳排放领域暂不存在，得到的人均GDP的一次项为正，二次项系数为正，但在统计上不显著，三次项与四次项的结果均不显著，考察空间相关性的结果并未证明环境库兹列茨曲线的存在，这与颜廷武等[27]的研究结论存在差异。因此在后文分析过程中不再添加人均GDP的多次项。

技术水平。机械是农业生产中重要的生产要素，根据希克斯技术中性，机械具有极强的劳动力替代效应。估计结果显示，机械化动力对农业碳排放并未带来显著的促增效。农业生产过程中机械地使用消耗了大量能源，但其带来的正外部性有效地平衡了经济增长与环境保护之间的关系。

产业结构。结果显示，农业产业结构变量（strc_1）在所有权重矩阵下均正向显著，这与预期结果相符，农业比重越高，带来的碳排放量越大，说明我国在保证粮食安全等情况下，适当调整产业结构将有利于农业碳减排。种植业比重变量（str_2）在所有权重矩阵下均显著为负，原因在于种植业消耗了农业领域大部分的能源使用，种植业比例较低的山区、丘陵等地农业碳排放也相对较低。

能源强度。能源强度变量在所有权重矩阵和1%的水平下均正向显著，弹性约为0.18，即当农业能源强度降低1%时，会引起农业碳排放量降低0.18%，说明在农业生产中提高能源使用效率，能有效地降低农业碳排放，与李国志等[28]的结论一致。因此提高能源使用效率也是实现农业碳减排的途径之一。

本文将各因素对农业碳排放的影响分解为直接效应和间接效应，直接效应包含了该因素对本地碳排放的直接影响，同时包含该因素影响其他地区碳排放，然后通过空间反馈机制再对本地区的碳排放的影响；间接效应为该因素对其他地区碳排放的影响，即空间溢出效应。由于本文采用的是动态空间面板模型，因此又可将直接效应和间接效应分为短期直接效应、短期间接效应、长期直接效应、长期间接效应，计算公式分别为式如下：

其中，I为单位矩阵，`d和分别为计算矩阵对角线元素均值的运算符和计算矩阵非对角线元素行和平均值的运算符，其他指标与前文一致。

根据动态空间面板模型式（8）及直接与间接效应计算方法式（13）-（16），得到在不同权重矩阵下各因素对农业碳排放的溢出效应分解结果表。总体而言，在不同空间权重矩阵下得到的长期效应均大于短期效应，说明农业碳减排并非一蹴而就，需要不断调整产业结构、优化生产方式。直接效应与间接效应差异巨大，部分影响因素直接效应（间接效应）明显而间接效应（直接效应）不显著，进一步证明前文结论。

分指标来看，人口密度指标的直接溢出效应显著为正，间接溢出效应显著为负，表明农业劳动人口的非农化过程促减效应明显，这就有必要加快城镇化进程，促进农业人口的行业间转移。人均收入指标的直接溢出效应显著为正，而间接溢出效应显著为负，结合表5估计结果，实现农民增收不仅是稳定农业和农村的重要举措，对于发展现代农业，实现碳减排也是重要措施之一。对于机械化指标而言，其直接溢出效应与间接溢出效应均不明显，意味着机械化水平的提高产生的反馈机制并未使得农业碳排放的增加，恰好说明了提升机械化水平的重要性。农业产业结构调整指标表明推进产业结构优化升级是当前实现农业碳减排的重要措施之一，间接的溢出效应也为地区之间协同治理提供可靠的依据。农业产业内部结构调整不论是短期还是长期、直接还是间接，效果均不显著。此外，降低能源强度是实现农业碳减排的必要措施。

事实上，考虑空间依赖特征不仅将个体之间的联系作为影响农业碳排放的一个重要因素，而且能给政策制定者提供更加全局的视野，而忽略个体联系得到的结果极有可能是有偏的，甚至会导致表面的减排措施实际上起不到任何效果，因此，有必要对比是否包含空间依赖性的结果。本文在进行农业碳排放的稳健性检验时，采用纠偏LSDV（least square dummy variable）方法来解决模型中存在的内生性问题。

表7是进行稳健性检验的估计结果，第1-3列使用纠偏的LSDV估计方法，其中AH表示设定初始估计方式是Anderson and Hsiao提出的Ⅳ工具变量法，AB表示设定的初始估计方式是Arellano and Bond使用的GMM方法，BB表示设定初始估计方式是Blundell and Bond使用的SGMM方法，纠偏LSDV估计法采用Bootstrap获得标准误，因此无法得到t值，设定Bootstrap次数为200次，精度选择为1/NT2。第4、5列分别为面板数据回归和固定效应估计得到的结果。比较表5和表7，可以看出，是否考虑空间相关性对于估计结果有显著差异，不管是纠偏LSDV、面板数据回归，还是固定效应，除了上一期农业碳排放量（cei）系数呈现显著变化，其他变量符号未发生改变，但是未考虑空间相关性时，人口密度（dens_pop）的系数由0.106上升至0.658，人均GDP（p_cap）系数由0.106上升到0.181，产业结构系数（str_1）由0.108上升到0.151，能源强度（ener）系数由0.184下降到0.092，均发生了巨大改变，考虑空间相关性的重要性不言而喻。

本文在识别农业碳排放空间相关性的结果中显示，东三省、华北平原地区是农业碳排放的“重灾区”，而且随着时间的推移，长江中下游地区也加入了农业高碳排放的“俱乐部”，有“由点成片”的趋势。同时，农业碳排放的高高集聚特征显著，亟须采取有效措施改变我国农业碳排放现状。农业碳减排在时间维度、空间维度及时空双维度上表现出的路径依赖与滞后效应表明我国的农业碳减排是一个系统的、长期性工作。

基于上述结论，本文对于实现农业现代化和农业低碳发展得出如下几条政策启示。第一，从整体入手，构建合理的顶层设计框架，整体布局与协同治理的减排方式才是实现农业端“双碳”目标的途径；当然，减排政策的制定也应具有一定的针对性和侧重点，防止农业碳排放高高集聚面扩大、建立低碳发展的长效机制，在宣传、组织和实施实现联动，真正做到农业低碳发展。第二，从局部入手，形成区域农业碳减排的合力，实证结果也显示，本地农业碳排放不仅与该地区经济社会发展状况有关，还与空间相关联地区的经济社会发展状况相关，由此可见，充分发挥“协同效应”在农业碳减排中的作用极为必要，区域间的协作治理可能会成为农业碳减排的重要指导方针。第三，空间动态面板回归结果给予了大量的政策启示，促进农业人口的非农就业、提升农民收入水平和农业机械化水平、降低能源强度等都是能有效实现农业低碳发展的重要因素。总而言之，农业碳减排是一项系统工程，既是实现减排目标的需要，又是促进我国农业发展转型的迫切要求，如果实施合理的全局规划与协同减排措施，并作出相应努力，达到目标指日可待。

诚然，本文的实证研究同样存在一定的缺陷，其一，省域层面数据的使用会造成一定程度上估计结果的偏差，如从地级市或县域等更加微观的时间可能挖掘出更有价值的信息。其二，本文在研究过程中选用了比较常规的空间计量模型，但多尺度地理加权回归（GWR）能更好地解决空间相关性与空间异质性，这也是本文在后续研究中需要突破的问题。