海洋碳汇渔业绿色发展空间外溢效应评价研究

徐敬俊 张洁 佘翠花

摘要海洋碳汇渔业绿色发展空间关联性及其外溢效应对于海水养殖业的有效协调和区域海洋环境的有效保护具有重要意义，科学估算沿海各省（自治区）海水养殖渔业碳汇量并探讨其空间相关性特征是制定差异化渔业碳汇发展政策的重要基础。根据2006—2016年中国大陆沿海9个省（自治区）的碳汇渔业资源清查数据，在检验和比较省域空间渔业碳汇总量相关性特征的基础上，运用空间计量模型分析了渔业碳汇的外溢效应及其影响因素。结果表明：①中国海水养殖渔业碳汇量整体上呈现上升趋势，但各省渔业碳汇量也存在明显差异。②研究期内的MoransI指数整体呈现为“V”型的波动变化特征，渔业碳汇在省域空间分布上的差异性并不是随机的，而是具备显著的空间相关性。③海水养殖渔业碳汇存在明显的空间外溢效应，通过随机效应的杜宾模型分解后得出渔业产值、劳动力投入的直接效应为正，而渔业受灾面积和科研项目经费投入的直接效应为负;从间接效应来看，渔业产值在各省域间存在竞争与依存关系，海水养殖业劳动力投入和渔业技术推广的项目经费投入在各省域间存在互补关系。因此，中国沿海各省份在发挥海洋水产养殖业生态功能时，应当考虑省域区位因素，合理制定兼具差异化和协调性的海洋碳汇渔业发展政策。

关键词 海水养殖渔业碳汇;绿色发展;空间外溢效应

减少碳排放量以缓解其对全球气候和环境变化产生的负面影响已成为国际社会的共识。作为一个负责任大国，中国承诺2016—2020年把每年的CO2排放量控制在100亿t以下。从目前科学技术的发展水平来看，碳捕集与封存主要有两种方式：一是捕集CO2等温室气体，通过矿物、地质等手段进行封存;二是通过林地、草场、海洋及其生物的固碳/储碳功能实施生物碳汇。生物碳汇已成为国际社会碳减排的重要方式之一。通过养殖具有碳汇功能的水产品進行固碳/储碳的碳汇模式在发展低碳经济、参与温室气体减排的治理机制中具有巨大的潜力，特别是海洋生物死亡后形成的保留在深海沉积物中的有机碎屑，其碳循环周期可达上百万年之久，远超陆地生物的碳循环周期[1]。海洋生物固定了全球55%的碳，尤其是海洋植物（海草、海藻、红树林等）的固碳能力极强、效率极高，其生物量虽然只有陆生植物的0.05%，但两者的碳储量不相上下[2]。海水养殖活动的固碳/储碳功能作为地球碳循环研究的重要内容，其碳汇形式主要有四种：可移出碳汇（即通过海水养殖动植物的生长机制而固定在其体内，待其成熟后进行捕获从而将碳汇从海水中移出）、颗粒有机碳（ParticulateOrganicCarbon，POC）、可溶性有机碳（DissolvedOrganicCarbon，DOC）和沉积碳（海水养殖动植物自然死亡及其生长等过程中形成的部分POC沉降后经过海水动力输送到深远海而埋藏的碳）[3]。中国是世界上海水养殖规模最大的国家，每年海水贝、藻养殖对减少大气二氧化碳的贡献相当于造林50多万hm2，为国家造林投入节省近40亿元/年，因此，应该大力发展具有碳汇功能的海洋水产养殖品种，推进中国海洋渔业经济高质量发展[4]。这是中国政府兑现国际社会承诺、应对和减缓气候变化、平衡经济发展与碳排放关系的重要实践之一。

在区域经济增长中，空间数据之间可能存在着或强或弱的空间相关性，空间相关性对于邻近相似产业生产率提升和成本的降低乃至产业的高质量发展具有重要影响。空间外溢效应是区域产业经济空间相关性的重要表现形式。中国大陆沿海省（自治区）碳汇渔业资源的空间分布也不是孤立存在的，沿海海域碳汇渔业资源禀赋，例如养殖面积的差异性、海域环境的相似性、渔业政策的引导性、水产养殖技术创新的递进性与互补性、养殖品种的多样性等往往会导致空间单元的相互关联，这种空间关联性及其外溢效应对于沿海省（自治区）间海水养殖业的有效协调和区域海洋环境的有效保护具有重要意义。

滤食性贝类和大型藻类具有显著的碳汇潜力[5]。据《2018中国渔业统计年鉴》数据，2017年我国海水养殖产量达20006973t，其中贝类14371304t，藻类2227838t，两者合计占海水养殖总产量的82.97%。藻类通过光合作用直接吸收CO2转化固定碳，贝类软体组织和贝壳固定的碳则通过滤食和同化浮游植物等转化而来，因此收获海水养殖贝类和大型藻类产品，相当于从水体中移出了CO2[6]。藻类的碳汇量取决于养殖品种和产量两个因素，当藻类品种确定后，该品种的碳含量也就随之确定，此时海藻养殖形成的碳汇量则主要取决于该品种的产量[7];在不同区域，贝类壳碳及软体部中碳的含量没有显著性差异，导致区域性碳汇量差异的主要原因是贝类产量[8]。国内外学者对贝、藻类海水养殖品种固碳能力的测算[5-23]取得了重要可供参考的数据，为本研究奠定了坚实基础。

然而就碳汇渔业的文献检索来看，现有研究主要集中在养殖品种的固碳能力测算、影响因素、发展对策以及激励机制等方面[5-23]，而对其碳汇量的空间外溢效应及其影响因素鲜有研究。由于海洋水产养殖业的劳动强度大而形成的特殊业态、海水养殖品种的生长受海洋环境影响大以及品种价格的波动强等特性、科技推广与小规模养殖不兼容的特点等，都会对海水养殖业产生持续的异动影响，从而使海洋水产养殖业碳汇量产生动态不清、时空格局不明等复杂情况。因此，海水养殖碳汇渔业是否存在地理空间单元的关联性及外溢效应？如果存在外溢效应，其时空格局的特点如何？海洋水产养殖业空间其他因素又会对渔业碳汇量产生怎样的影响？通过对这些问题的实证研究和科学回答，以期对促进区域海洋生态环境的良性循环，实现各区域海洋水产养殖业协同发展和海洋生态文明建设以及制定差异化碳汇渔业发展政策提供可参考的依据。

1数据来源说明及研究思路

1.1数据来源说明

本研究以省级行政单位为空间单元。大陆沿海共有11个省级行政单位，但由于天津和上海两个直辖市海水养殖生产活动比较少，不具有研究意义，故只选取其他9个省（自治区）的养殖渔业碳汇量为研究对象。所采用的数据均来自于2006—2016年《中国渔业统计年鉴》和《中国渔业年鉴》，以上述年鉴中沿海9省（自治区）具有显著碳汇能力的养殖品种——贝类和藻类养殖产品为资源清查对象，测算和评估其碳汇量。

1.2研究思路

地理学第一定律（又称托伯勒第一定律，ToblersFirstLaw）认为，在地表空间中，所有事物都是与其他事物相关的，只不过是相近的事物相关性更紧密（Everythingisrelatedtoeverythingelse，butnearthingsaremorerelatedtoeachother.）[24]。空间计量经济学引入空间外溢效应这一概念来分析地理空间中的经济事物之间的相关性及其交互效应。空间计量经济学经过多年发展，尤其是《空间计量经济学：方法与模型》[25]一书的出版，标志着该领域的研究方法与模型及理论框架日臻成熟。

本研究在对大陆沿海9省（自治区）贝类和藻类养殖产品碳汇量测算的基础上，采用莫兰指数（MoransI）考察海水养殖渔业碳汇量的时空格局特点，并构建碳汇渔业资源空间权重矩阵对其进行空间关联性分析，最后选取相应的空间计量模型探讨海水养殖渔业碳汇的空间外溢效应与影响因素。

2研究方法

2.1海水养殖渔业碳汇量估算

2.1.1藻类养殖品种碳汇量估算

藻类养殖品种的碳汇量除了收获时移出的碳汇量外，对于大型藻类碳汇量的估算还应包括溶解有机碳（DOC）和颗粒有机碳（POC）向水体和沉积物的输送部分，所依据的计算方法如下：

（1）藻类产品收获移出碳汇量（Cbio）的测算。藻类通过收获而移除的碳汇量比较易确定。根据相关化学知识及光合作用原理，CO2中C的质量分数为27.27%，海藻养殖每生产1t干物质，可固定1.63tCO2，释放1.19tO2。因此理论上，海藻纯固碳量=光合作用固定CO2的量×27.27%=海藻干物质量×1.63×27.27%。但实际上，由于各种条件的限制，海藻的固碳量并不一定有那么多。根据相关学者的实际测定，藻类养殖品种通过光合作用所固定的碳，可以用碳在藻体营养成分中的质量分数确定（见表1）。

本研究根据相关文献，对藻类养殖品种的可移出碳按照如下标准测算：海带中C的质量分数约为31.2%[26]，江篱中C的质量分数约在20.6%～28.4%之间[27]，取均值为24.5%;其他种类海藻（紫菜等）则采用多种海藻C含量的平均值为27.39[19]，以上质量分数均为藻类产品的干重分数。由于藻类产品公布的产量数据为湿重，需要将湿重转换为干重才能测算不同藻类产品的可移出碳汇量。据研究，江篱的平均含水量为90%[28]，其他品种的藻类干重转换根据Gao的方法[29]，按照5：1的比例将湿重转化为干重。

（2）藻类产品溶解有机碳（DOC）和颗粒有机碳（POC）碳汇量测算。不同藻类生长过程中释放的DOC和POC占光合固碳量比重的经验系数（分别为α、β）有较多研究成果可以参照，大部分研究显示DOC的释放量一般小于5%[30-31];POC的释放主要是由动力侵蚀和收获期的碎屑沉降等作用引起。日本Otsuchi湾养殖区的研究结果显示，POC释放量约占其光合生产力的19%[32]。根据上述研究结果，大型藻类固碳强度的估算中溶解有机碳（DOC）和颗粒有机碳（POC）质量分数因子α可取为5%，β为19%。据此可以反推藻类的固碳强度：2.1.2贝类碳汇量估算贝类属于滤食性生物，其在生长过程中通过滤食而形成的碳汇分为两部分：一部分是其贝壳所固定的碳，一部分是其软组织所固定的碳。收获海水养殖贝类产品就相当于从海水水体中移出了CO2。因此对于贝类养殖产品的碳汇量计算公式如下：

海水养殖贝类产品固定C=软组织C+贝壳C

软组织碳汇量=产量（湿重）×干湿系数×软组织质量比重×软组织碳含量系数

贝壳碳汇量=贝类产量（湿重）×干湿系数×贝壳质量比重×贝壳含碳量系数

根据中国海域主要养殖的貝类产品的碳汇能力核算系数[25]，滤食性贝类的软组织中碳的含量通常为软组织干重44%左右，而贝壳中碳的含量约为贝壳干重的12%（见表2碳含量均值）;贝类产品软体组织干重与湿重的比值（干重/湿重）[20-24]及其一些生物学参数及参照桑沟湾收获贝类的测定结果[27，33]，具体计算依据见表2。

为说明藻类、贝类碳汇量的测算过程，本研究以山东省2006年养殖数据为例，测算当年《中国渔业统计年鉴》和《中国渔业年鉴》中各种海水藻类、贝类养殖品种的碳汇量如表3所示。

按照上述方法，可以计算出2006—2016年中国海域主要养殖藻类、贝类产品的碳汇量，汇总如表4所示。

2.2空间关联性指标

变量之间存在空间相关性是进行空间计量分析的前提，空间计量模型大多选择MoransI指数作为考察空间要素关联性检验的通常指标。莫兰指数（MoransI）包括全局莫兰指数（GMI，又称全域空间相关指数，GlobalMoranIndex）和局部莫兰指数（LMI，又称局部空间相关指数，LocalMoranIndex）两种。

2.2.1全局莫兰指数

全局莫兰指数计算公式为：

于0时，表明某属性值在各单元之间存在空间正相关，越接近1表明这种空间正相关性越显著;当莫兰指数等于0时，表明不存在空间相关性。

2.2.2局部莫兰指数

全局莫兰指数是以各空间单元同质性为前提，或者说认为存在一种充满整个空间的趋势，从而对某一个属性值在整个同质区域的空间特征进行描述。但事实上空间各单元要素的同质性是不符合现实情况的，空间各单元要素的异质性并不少见[34]。因此，还需要采用局部莫兰指数来更准确地把握各空间单元要素的特征。局部莫兰指数计算公式为：

式中，Ii代表第i空间单元的莫兰指数，其他变量同公式（2）、（3）。局部莫兰指数通常用莫兰散点图来表示。

2.3空间权重矩阵的设置

进行莫兰指数检验最关键的是空间权重矩阵的设置，选取不同的空间权重矩阵会产生不同的分析结果。通常空间权重矩阵的设置方法有三种：

2.3.1空间邻接权重矩阵w1

空间区域相邻接的空间单元权重为1，否则为0，对角线上的元素为零，这是简单的二进制权重矩阵，具体的设定方式如下：

2.3.2地理距离空间权重矩阵w2

它是根据两个空间单元之间地理距离的倒数来设定，两个空间单元之间的距离越近，赋予权重越大;反之，赋予权重越小。一般选取空间单元之间的直线距离（d）作为距离标准。设定方式如下：

2.3.3经济空间权重矩阵w3

经济空间权重矩阵是在邻接权重矩阵w1的基础上乘上经济矩阵e，e矩阵中的元素为：

2.3.4碳汇渔业资源空间权重矩阵

在上述三个矩阵中，由于空间邻接权重矩阵和地理距离权重矩阵假设各相邻空间单元的经济发展水平是相同的，但本研究中，沿海各省、自治区经济发展水平存在较大差异，因此不能更好地体现研究对象在空间中的特征。经济空间权重矩阵虽然将经济因素考虑在内，但是相比经济发展水平，养殖资源的丰裕程度更能影响碳汇渔业养殖品种的碳汇量，即养殖资源丰裕度的空间分布对碳汇渔业发展的空间相关性有着决定性的作用。因此考虑到沿海各个省、自治区的碳汇量与各个地区的养殖资源尤其是养殖面积相关，本研究借鉴经济空间权重矩阵设置的思路，在空间邻接矩阵的基础上，考虑养殖资源丰裕度（养殖面积），构建碳汇渔业资源空间权重矩阵。具体的矩阵构建方式为：

2.4空间计量模型

在进行空间计量经济学模型分析时，通常先不考虑空间单元的相互作用，选择普通最小二乘模型（OLS）为基准模型，一般将面板数据的基准模型设为：

式中，t为时间，i为观察样本，yit为n×1维的被解释变量，xit为n×k维的解释变量，βi为k×1维的对应于解释变量xit的影响系数，μit为n×1维的相互独立的随机误差项向量且服从μit～（0，σ2）分布。

在此基础上，考虑空间单元要素之间的相互作用，引入莫兰指数，对被解释变量进行空间相关分析，用来描述空间单元要素的属性值与相邻空间单元要素的属性值是否存在相关性。在确定存在空间相关性后，根据拉格朗日乘子检验结果选择相应的空间计量模型。常用空间计量模型有两种：

2.4.1空间滞后模型（SLM）

该模型只考虑因变量滞后，认为i空间单元被解释变量是由邻近的空间单元的属性值联合决定的。其公式为：

式中，ρ为被解释变量的空间滞后项的待估系数，亦即空间单元的外溢效应值，wij为空间权重矩阵的元素，其他同公式（10）。

2.4.2空间误差模型（SEM）

该模型只考虑误差项滞后，空间误差项是度量邻近空间单元的误差冲击对i空间单元的影响程度。其公式为：

式中，λit为被解释变量的空间误差项的待估参数，也称为空间自相关系数;ε为随机误差，且服从独立分布，具有零均值和同方差;其他同公式（10）、（11）。

2.4.3海水养殖产品碳汇量的空间计量模型

影响海水养殖渔业碳汇量的因素除了空间外溢效应之外，还有许多其他因素。在相关文献研究的基础上，选取了以下变量：①渔业产业发展水平。渔业产业发展水平与渔业碳汇量存在相互促进的作用[10，23，27]。本文选取贝类、藻类产品的总产值来代表渔业产业发展水平，记为value。②劳动要素投入，在劳动力素质一定的前提下，劳动力人数决定了碳汇渔业养殖品种的产量，而产量因素对海水养殖的碳汇能力具有主导作用[23]。本研究选取碳汇渔业从业人员来代表劳动要素投入水平，记为labor。③渔业灾情。各地区的渔业灾情会影响渔业产量，进而影響碳汇量[10]。我们用渔业灾情所造成的受损养殖面积来表示，记为acreage。④科技推广情况，贝类藻类的养殖需要相关技术支持[10]，技术因素会影响贝类、藻类的产量，进而影响碳汇量。本研究用海洋水产养殖业技术推广经费情况来表示渔业技术的推广力度，记为tech。以上数据均根据2006—2016年《中国渔业统计年鉴》和《中国渔业年鉴》进行统计核算。

添加其他因素作为外生变量后，空间计量经济模型中的被解释变量的部分空间相关性可以通过这些添加的外生变量的空间效应来进一步解释。使用面板数据进行空间计量模型分析时，空间面板数据的个体效应可分为固定效应和随机效应。固定效应模型把个体效应作为截距项来看待，随机效应把个体效应作为误差项看待，二者在模型的形式上具有很大的相似性[36]。

综上，添加其他因素作为外生变量后，构建中国沿海9省（自治区）海水养殖产品碳汇量影响因素的空间计量模型。

（1）添加海水养殖产品碳汇量影响因素的空间滞后模型：

式中，quantity为被解释变量——碳汇量，value为贝类藻类总产值，labor为渔业从业人员的数量，acreage为养殖渔业受灾面积，tech为渔业科技经费，其他同公式（10）～（12）。

（2）添加海水养殖产品碳汇量影响因素的空间误差模型：

（3）添加海水养殖产品碳汇量影响因素的空间杜宾模型。

其实，不仅因变量的空间滞后项和新添加的外生变量会对因变量产生影响，外生变量的滞后项也会影响因变量，因此模型（14）中如果再考虑到添加的其他外生变量的滞后影响，空间计量经济模型就蜕变为空间杜宾模型（SpatialDurbinModel，SDM）。其模型为：

式中，δ1、δ2、δ3、δ4为对应的外生变量的空间滞后项的待估系数，该系数不可以直接解释，因为它包含了因变量的空间滞后影响，是该变量的累积空间外溢效应，需要通过计算将其分解为直接效应和间接效应。其他同（14）。

（4）添加海水养殖产品碳汇量影响因素的空间杜宾误差模型。

同理，在空间误差模型（15）中，如果在误差项中再添加生变量的滞后项，就是蜕变为空间杜宾误差模型（SpatialDurbinErrorModel，SDEM）。

式中，δ1、δ2、δ3、δ4作为对应外生变量的待估系数可以直接进行解释，它直接体现了外生变量空间外溢效应，其他同（15）。

空间计量经济学模型分析首先要从普通最小二乘模型（OLS）开始，用OLS回归后的残差进行拉格朗日乘子检验（LM）。该检验包括两个统计量，即LM-herror和LM-hlag。若两个统计量均不显著，则应该选取OLS模型;若LM-herror统计量显著则应该选取空间误差模型;若LM-hlag统计量显著则应该选取空间滞后模型[36-37]。

3研究过程与结果分析

3.1沿海省域海水养殖渔业碳汇量分析

由表4可知，从总量上来说，中国大陆沿海省域具有丰富的海水养殖渔业碳汇量，年均碳汇量超过100×104t（1084204t）。山东省是我国海水养殖渔业碳汇量最大的省（年均碳汇量302841t），约占全国总量的三分之一（27.93%）;其次是福建省（年均碳汇量258884t）、广东省（年均碳汇量163567t）、辽宁省（年均碳汇量151560t），年均碳汇量均超过10×104t;碳汇量最小的省是海南省（年均碳汇量2672t）。中国海水养殖渔业不仅碳汇量丰富，并且年均增长速度较快，多数省份碳汇量整体上呈现上升趋势，2016年碳汇量相比2006年的年均增长率为20.99%，但各省（自治区）之间的变化率差距明显。尽管广东、海南渔业资源禀赋优裕，但其2016年碳汇量相比2006年的年均增长率均为负增长;河北养殖渔业碳汇量年均增长率最高（2016年碳汇量相比2006年的年均增长率为89.95%）。从碳汇量年均增长率变化来看，北部沿海的辽宁、河北、山东、江苏四省区的提升率（这四省年均增长率均大于40%）远高于南部沿海的浙江、福建、广东、广西、海南五省区;但从海水养殖渔业碳汇总量来看，北部沿海四省区的养殖渔业碳汇总量（年均碳汇量为531761t）与南部沿海五省区的碳汇总量（年均碳汇量为552442t）大致相当。

3.2沿海省域海水养殖渔业碳汇的空间相关性分析

3.2.1全局空间关联性分析

本文用stata15对被考察变量——海水养殖渔业碳汇量所进行的全局莫兰指数检验结果如表5所示。

由表5可知，莫兰指数均为正值，除了2008、2009两年之外，其他各年的莫兰指数均通过了5%的显著性检验，2008、2009这两年则通过了10%的显著性检验。

2006—2016年，贝藻类碳汇量莫兰指数存在一种先降后升的“V”字形变化趋势（如图1），表明海水养殖渔业碳汇量水平近似的省（自治区）在空间上的集聚程度存在着不稳定性。研究期内MoransI指数下降的拐点在2008年，2010年后趋于稳定。2008年发生了全球金融危机，中国又出现了冰冻雨雪、地震、台风等多次特大、重大自然灾害，这对沿海各个地区产生不同程度的影响，影响一直延续到2009年，所以在这两年内莫兰指数下降幅度很大，但仍然为正值，即2008、2009这两年沿海各省（自治区）的单位面积碳汇量仍然存在正的空间相关性。为了应对经济和自然灾害的消极影响，中国政府2008年支渔惠渔政策力度明显加大，有效地调动了广大渔民生产积极性，有力地促进了渔业生产发展，保证了大灾之年全国渔业经济继续保持平稳发展态势。从2010年开始，莫兰指数逐步上升并趋于平缓。研究期内莫兰指数虽然并不稳定但却均为正值，且都通过了10%显著性检验，这说明贝藻类碳汇量在中国沿海省（自治区）表现出显著的空间相关性，因此需要运用空间计量模型进行后续研究。

3.2.2局部空间关联性分析

全局莫兰指数并不能够进一步揭示碳汇量在具体省份之间的空间自相关情况，為此需要用局部莫兰指数散点图进行分析。

研究期内局部莫兰散点图表明，除了海南省和浙江省，其他省份都处于一、三象限，即高-高、低-低型区域，这表明沿海某一研究省（自治区）域与周围其他省（自治区）域的样本观测值存在较强的空间正相关性。具体来说，从2006—2016年11年的局部莫兰散点图可以看出，广东、广西、福建三省位于高-高型区域，这三个省（自治区）拥有适宜的养殖海域，碳汇渔业养殖品种受气候变化影响小，养殖业主市场意识敏锐，养殖基础设施较为完善，碳汇渔业养殖品种推广潜力很大，有力推进了高-高集聚地区;而低—低集聚的省份主要是江苏、河北、辽宁、山东四个省份，这些省自身养殖业发展基础虽然比较好，但碳汇渔业养殖品种比例大，碳汇渔业养殖潜力已经有限，导致这些省份出现了低-低集聚的效应。浙江省多数年份莫兰指数趋向于为零，空间相关性不明显，这主要是由于浙江省处于高-高型区域和低-低型区域的分界点上，这种交叉影响导致了其与相邻省域的空间相关性不明显。海南省作为一座“孤岛”，为了便于研究，本文将其设定为与广东、广西相邻，结果显示海南省一直处于低-高型区域，这说明高-高型区域（广东、广西、福建）对其产生了积极影响。

3.3中国大陆海水养殖渔业碳汇量的外溢效应与空间影响因素分析

3.3.1外溢效应分析

MoransI指数说明海水养殖碳汇渔业具有较强的空间外溢效应，在考虑空间因素的基础上，为了更好地在空间计量模型中做出选择，首先用matlab2015b软件进行拉格朗日乘子（LM）检验，以及稳健的拉格朗日乘子检验（RobustLM），具体结果见表6。

由表6可以看出，LMtestnospatiallag、robustLMtestnospatiallag、LMtestnospatialerror和robustLMtestnospatialerror都在1%的显著性水平下拒绝了没有空间滞后和空间误差影响的原假设，因此应该选择空间杜宾模型（SDM）。空间杜宾模型假设区域i的被解释变量yi除了依赖于本区域的自变量还依赖于相邻地区的自变量。

根据空间杜宾模型（SDM），如果存在空间效应，OLS结果是有偏差的。因此，需要通過matlab2105b软件进行不考虑空间项的普通OLS检验，结果如表7所示。

表7显示，产值（value）、受灾面积（acrage）对碳汇量均有显著的负作用，劳动力投入（labor）、技术推广（tech）对碳汇量均有正向作用，但是技术推广对碳汇量的正向作用不显著。然后用stata15进行Hausman检验，来判断应该采用固定效应模型还是随机效应模型。具体结果见表8所示。由表8知，Hausman检验没有通过5%的显著性检验（0.3075），故不能拒绝随机效应的原假设[38]。综上，本研究最终选择随机效应的空间杜宾模型。由于空间杜宾模型中引入解释变量的空间滞后项，并采用极大似然估计法，因此也有效消除了内生性问题。但是空间杜宾模型的系数不可以直接解释，因为模型中纳入了空间滞后解释变量与被解释变量，不能直接反应其边际效应，其估计值也很难准确衡量自变量对因变量的直接影响，因此还要通过偏微分方程计算各自变量的直接效应和间接效应[36]。具体计量结果汇总见表9所示。根据表9中普通OLS模型和SDM模型结果发现，加入空间关联性考虑后效果更为显著。SDM拟合优度R2从0.4226提高到0.7165，Log-lik从-56.1585提高到-54.8336，这表明加入空间因素后的海水养殖渔业碳汇影响因素分析模型更为合适。在SDM模型中，空间被解释变量滞后项W×dep的系数为0.3110且通过了1%的显著性检验，说明中国沿海各省（自治区）的碳汇量存在明显的空间外溢效应，邻接省区的碳汇量每变动一个百分点，本省区的碳汇量会同向变动0.3110个百分点。3.3.2影响因素的空间计量分析

尽管随机效应的空间杜宾模型的拟合度要优于普通模型，但为防止模型变量之间存在多重共线性对计量结果分析的影响，本研究使用stata软件进行了方差膨胀因子（VIF）检验。结果显示，各个变量的VIF均值（MeanVIF）为2.41，未超过5，说明变量之间不存在多重共线性。模型结果表明。

1）从各因素的直接效应来看，产值（value）、劳动力投入（labor）、受灾面积（acreage）和渔业技术推广的项目经费投入力度（tech）的直接效应分别为0.2686、6.7630、-1.4204、-1.7480。说明海水养殖业产值的提高、养殖劳动力人数的增加有助于碳汇量水平的提高，进一步佐证了渔业产业发展水平与渔业碳汇量存在相互促进的作用[24-25]。贝类与藻类产值的提高会激励渔业从业者加大贝、藻类的养殖力度进而促进产量的提升，劳动力人数（labor）的增加意味着有更充足的人员来进行碳汇渔业品种的养殖，进而会对碳汇量的提高产生积极作用;海洋水产养殖业受灾面积（acreage）系数为负，意味着受灾面积增加会减少养殖产量，对养殖业碳汇量的提高产生消极的影响;渔业技术推广项目经费投入（tech）的系数值为负，可能是因为所投入的项目经费并非全部用来研究如何提高贝类与藻类产量，而很大部分是用在了渔业产值高的非碳汇渔业品种上。（2）从各因素的间接效应来看，产值（value）、劳动力投入（labor）、受灾面积（acreage）和技术推广的项目经费投入力度（tech）的间接效应分别为-3.655、10.2878、-1.3421、2.1100。其中产值系数和受灾面积为负说明邻近省（自治区）之间在贝类和藻类养殖中既存在竞争关系也存在依存关系，一省（自治区）贝藻类养殖品种产值的提高，会引起邻近省（自治区）的模仿行为，导致同类产品的竞争加剧，从而产生空间间接负效应;同时，邻近的省（自治区）通常紧挨同一片海域，邻近的海域遭遇自然灾害，也会波及邻近其他省（自治区）的海域在一定程度上受到消极影响;劳动力投入（labor）和技术推广项目经费（tech）投入情况间接效应系数为正，说明一省（自治区）的劳动力投入和项目经费投入会对邻近省（自治区）的劳动力投入和经费投入产生积极影响。这是因为邻近的省（自治区）养殖户之间具有示范效应，并且邻近的海域在资源条件方面具有相似性或同质性，从而强化了这种示范效应，使得空间相邻的省（自治区）会在同类产品的生产上产生正向相关性。但这种示范效应也导致了竞争的加剧和一荣俱荣、一损俱损的空间依赖性，又会对产值和受灾情况的空间间接效应产生负面影响，也进一步说明了产值和受灾面积的系数为负的原因。（3）对比表9中产值（value）、劳动力投入（labor）、受灾面积（acreage）和技术推广的项目经费投入力度（tech）的弹性系数和其直接效应的数值并不相同，其原因是存在空间滞后项的反馈效应（反馈效应=弹性系数-直接效应）[39]，这种反馈效应一部分来自空间滞后被解释变量，另一部分则来自空间滞后解释变量。即某一省（自治区）通过影响相邻省（自治区）的碳汇量再反过来影响本省区的碳汇量。各变量的反馈效应计算如表10所示。通过计算发现产值（value）、劳动力投入（labor）、受灾面积（acreage）和技术推广的项目经费投入力度（tech）的反馈效应分别约为0.5357、-1.5771、0.2040、-0.3087，这四个反馈效应分别源于四个因素的空间滞后变量W×value、W×labor、W×acreage、W×tech和空间被解释变量滞后项W×dep的交互作用形成的综合效应。

4结论和建议

4.1主要结论根据前文的分析，得出以下结论：①中国大陆沿海省域具有丰富的海水养殖渔业碳汇量，年均碳汇量超过100×104t（1084204t）。2006—2016年11年间，中国大陆沿海9个省（自治区）的碳汇量总体上呈上升趋势，但研究期内各省（自治区）之间的碳汇量年均增长率差距明显。北部沿海的辽宁、河北、山东、江苏四省区的提升率远高于南部沿海的浙江、福建、广东、广西、海南五省区;但从海水养殖渔业碳汇总量来看，北部沿海四省区与南部沿海五省区的碳汇总量大致相当。②从全局莫兰指数来看，除2008、2009年略低之外，其余年份基本稳定在0.5～0.7之间，表明沿海各省（自治区）的单位养殖面积碳汇量在地理上存在显著的空间相关性;局部莫兰指数反映出南部三省广东、广西、福建为高-高集聚地区，北方四省江苏、河北、辽宁、山东为低-低集聚地区，并且这种趋势基本稳定，没有大幅波动。③通过选取随机效应杜宾模型和分解后的杜宾模型对渔业碳汇量及其影响因素的分析，表明中国沿海各省（自治区）的碳汇量存在明显的空间外溢效应。通过分解后的杜宾模型得出产值（value）、劳动力投入（labor）的直接效应为正，而受灾面积（acreage）和项目经费投入（tech）的直接效应为负;从间接效应来看，渔业产值在各地区存在竞争与依存关系。邻近地区的海域遭遇自然灾害，本地区的海域会在一定程度上受到消极影响;水产养殖业劳动力投入和渔业技术推广的项目经费投入在各地区之间存在互补关系，邻近省份的海洋水产养殖劳动力和渔业技术推广的项目经费投入的增加，会对本地区的海洋水产养殖业的投入在一定程度上产生积极影响。

4.2启示与建议

上述结论对制定与實施渔业碳汇政策具有重要的启示：①渔业碳汇量在空间上是存在显著的空间相关性和空间外溢效应的，因此，在制定和实施提高渔业碳汇量、减少二氧化碳含量的政策时，应该将区位因素以及邻近地区的相关资源和经济情况考虑在内。要通过相应的综合性海洋空间规划来进行综合协调，加快在国家空间规划思路和要求下开展海洋水产养殖业的综合管理模式和管控政策的调整，以适应新时代海洋经济高质量发展的要求，实现“山水林田湖草海”生命共同体的系统治理。②为了促进碳汇渔业更好地发展，可以主要从以下几个方面来考虑：首先，贝类和藻类产值提高对碳汇量会有积极作用，为鼓励水产养殖户对贝藻养殖的积极性，应对贝藻类产品的整个产业链进行整合和拓展，形成以贝藻类养殖业为基础，延伸贝藻类产品加工业，形成制药业、生物饲料业、化肥、保健食品业等在内的完整的、能提升贝藻类产品综合价值的高端产业链;其次，要增加劳动者的人力资本，保证充足的碳汇渔业养殖所需的劳动力，让人力资本在海水养殖投入要素中与资本要素结合，进行资源配置，实现最大产出。③政府应提高对渔业养殖的支持力度，加大科研经费和项目经费投入，其中尤其要加大贝类和藻类等碳汇渔业的养殖扶持力度，促进碳汇渔业养殖技术和加工技术的进一步提高。各地区之间应加强技术交流，进一步加大碳汇渔业养殖品种的技术研发平台建设，不断增加碳汇渔业养殖科学技术的投入比例，重视碳汇渔业养殖科技创新力度，提高养殖品种与水产养殖业病害防治技术的研发能力，从而提高碳汇渔业的产量产值。调动海洋碳汇渔业养殖业主的积极性，让海洋碳汇养殖渔业成为有奔头的产业，全面实现渔业强、渔村美、渔民富的乡村振兴战略目标。④健康的海洋环境是提高渔业产量、提高渔业碳汇量的基础，因此要追求经济效益、社会效益、环境效益的统一，提高人们的蓝色海洋意识，科学制定应对海洋自然灾害的方案。完善海水养殖业基础设施建设和海域资源整合，优化碳汇渔业养殖品种的规模和养殖要素投入的比例，建立碳汇渔业养殖园区（基地），实行集约化养殖，减轻海水养殖业对环境的影响。鼓励养殖业主采用先进的海水养殖机动装备和加工设备，引导养殖业主选择特色品种，实现养殖资源的优化配置，推进碳汇养殖渔业升级。

（编辑：刘照胜）

参考文献

[1]徐敬俊，覃恬恬，韩立民.海洋“碳汇渔业”研究述评[J].资源科学，2018，40（1）：161-172.

[2]唐启升，刘慧.海洋渔业碳汇及其扩增战略[J].中国工程科学，2016，18（3）：68-73.

[3]张永雨，张继红，梁彦韬，等.中国近海养殖环境碳汇形成过程与机制[J].中国科学：地球科学，2017，47（12）：1414-1424.

[4]唐起升.碳汇渔业与又好又快发展现代渔业[J].江西水产科技，2011（2）：5-7

[5]张继红，方建光，唐启升.中国浅海贝藻养殖对海洋碳循环的贡献[J].地球科学进展，2005，20（3）：359-365.

[6]齐占会，王珺，黄洪辉，等.广东省海水养殖贝藻类碳汇潜力评估[J].南方水产科学，2012，8（1）：30-35.

[7]岳冬冬.海带养殖结构变动与海藻养殖碳汇量核算的情景分析[J].福建农业学报，2012，27（4）：432-436..

[8]张继红，方建光，唐启升，等.桑沟湾不同区域养殖栉孔扇贝的固碳速率[J].渔业科学进展，2013，34（1）：12-16.

[9]MACROYC，MCMILLANC.Productionofecologyandphysidogyofseagrasses[J].Marinescience，1977（4）：53-81.

[10]孙军.海洋浮游植物与生物碳汇[J].生态学报，2011，31（18）：5372-5378.

[11]唐启升，丁晓明，刘世禄，等.我国水产养殖业绿色、可持续发展保障措施与政策建议[J].中国渔业经济，2014，32（2）：5-11.

[12]ORRJC，SARMIENTOJL.PotentialofmarinemacroalgaeassinkforCO2：constraintsfroma3-Dgeneralcirculationmodeloftheglobalocean[J].Waterair&soilpollution，1992，64（1-2）：405-421.

[13GORSHKOVVG.OceanicdissolvedorganiccarboninthemainsinkofatmosphericCO2[J].Worldresourcerev，1997，9（2）：153-169.

[14]宋金明.海洋碳的源与汇[J].海洋环境科学，2003，22（2）：75-80.

[15]DUARTECM，MIDDELBURGJJ，CARACON.Majorroleofmarinevegetationontheoceaniccarboncycle[J].Biogeosciences，2005（2）：1-8.

[16]LAFFOLEYD，GRIMSDITCHG.Themanagementofnaturalcoastalcarbonsinks[M].Gland：InternationalUnionforConservationofNature，2009：1-11.

[17]DASILVACM.Addcoastalvegetationtotheclimatecriticallist[J].Nature，2011，473（7347）：255-255.

[18]焦念志.海洋固碳与储碳——并论微型生物在其中的重要作用[J].中国科学，2012，42（10）：1473-1486.

[19]FOURQUREANJW，DUARTECM，KENNEDYH，etal.Seagrassecosystemsasagloballysignificantcarbonstock[J].NatureGeoscience，2012（5）：505-509.

[20]孫军.海洋浮游植物与渔业碳汇计量[J].渔业科学进展，2013，34（1）：90-96.

[21]严立文，黄海军，陈纪涛，等.我国近海藻类养殖的碳汇强度估算[J].海洋科学进展，2011，29（4）：537-545.

[22]邵桂兰，张亚敏，于谨凯.海藻养殖碳汇渔业的政府激励机制研究[J].农业经济与管理，2012（2）：79-85.

[23]纪建悦，王萍萍.我国海水养殖业碳汇能力测度及其影响因素分解研究[J].海洋环境科学，2015（6）：871-878.

[24]TOBLERWR.Acomputermoviesimulatingurbangrowthinthedetroitregion[J].Economicgeography，1970，46（s1）：234-270.

[25]ANSELINL.Spatialeconometrics：methodsandmodels[M].Dordrecht：LuwerAcademicPublishers，1988：3-20.

[26]周毅，杨红生，刘石林，等.烟台四十里湾浅海养殖生物及附着生物的化学组成、有机净生产量及其生态效应[J].水产学报，2002，26（1）：21-27.

[27]LAPOINTEBE，LITTLERMM，LITTLERDS.Nutrientavailabilitytomarinemacroalgaeinsiliciclasticversuscarbonate-richcoastalwaters[J].Estuaries，1992，15（1）：75-82.

[28]宋金明，李学刚，袁华茂，等.中国近海生物固碳强度与潜力[J].生态学报，2008，28（2）：551-558.

[29GAOKMCKINLEYKR.UseofmacroalgaeformarinebiomassproductionandCO2remediation：areview[J].Journalofappliedphycology，1994，6（1）：45-60.

[30]PENHALEPA，CAPONEDG.Primaryproductivityandnitrogenfixationintwomacroalgae-cyanobacteriaassociations[J].Bulletinofmarinescience，1981，31（1）：164-169.

[31]姜爱军，陈中笑，任慧军，等.针对IPCC评估报告中海洋碳循环的疑问——δ13C收支平衡法的验证[J].气候变化研究进展，2008，4（6）：369-375.

[32]YOSHIKAWAT，TAKEUCHII，FURUYAK.Activeerosionofundariapinnatifida，suringar（Laminariales，Phaeophyceae）mass-culturedinOtsuchiBayinnortheasternJapan[J].Journalofexperimentalmarinebiology&ecology，2001，266（1）：51-65.

[33]周兴.菲律宾蛤仔（Ruditapesphilippinarum）对胶州湾生态环境影响的现场研究[D].青岛：中国科学院研究生院（海洋研究所），2006：3-40.

[34]孟斌，王劲峰，张文忠，等.基于空间分析方法的中国区域差异研究[J].地理科学，2005，25（4）：393-400.

[35]王守坤.空间计量模型中权重矩阵的类型与选择[J].经济数学，2013，30（3）：57-63.

[36]胡安俊，孙久文.空间计量——模型、方法与趋势[J].世界经济文汇，2014（6）：111-120.

[37]姜磊.空间回归模型选择的反思[J].统计与信息论坛，2016，31（10）：10-16.

[38]陈强.高级计量经济学及Stata应用[M].第二版.北京：高等教育出版社，2014：597-598.

[39]曹飞.中国省域人口城镇化率影响因素的空间杜宾分析[J].统计与决策，2017（20）：102-105.