支农财政对农业碳排放强度的空间效应:基于空间杜宾模型的实证分析

韩金雨，曲建升,①，徐 丽，李恒吉,，刘莉娜

(1.兰州大学西部环境教育部重点实验室/ 资源环境学院，甘肃 兰州 730000；2.中国科学院西北生态环境资源研究院，甘肃 兰州 730000)

人类活动产生的温室气体及其引起的气候变暖已成为全球公认的环境问题，农业碳排放量已占全球温室气体排放总量的21%～25%[1]。中国农业源温室气体排放约占全国温室气体排放总量的17%，其中，农业产生的CH4和N2O分别占全国总量的50%和92%[2]。改革开放以来，我国农业快速发展的背后，离不开支农财政的支持，2020年已是中央第17年发布中央一号文件，连续强调财政对农业的支持作用，凸显了支农财政对农业发展的基础保障作用。自2007年我国财政收支分类改革之后，中央农林水事务支出从313.7亿元增长至2018年的592.3亿元，地方农林水事务支出从3 091亿元增长至20 493.29亿元。支农财政规模，尤其是地方支农财政增长幅度可观，地方支农财政在地方一般公共预算支出中所占比例也逐年攀升。

由于支农财政历来就是我国支持和调控农业发展的主要手段和政策工具，对支农财政的相关研究主要集中于探究其与农业发展效率或绩效的关系，如支农财政对农民的增收和减贫效应[3]、对农业整体发展水平的提升作用[4]、对农村居民消费水平和消费结构的提升和优化作用[5]、对农业生产效率或农业技术效率的升级[6]、对农业产业结构的优化[7]以及对地方城镇化[8]的影响等。值得一提的是，支农财政对农业的影响均是在一定的空间背景下展开的[7]，具有一定的空间溢出效应，主要是由于支农财政和农业生产[9]本身在空间上就表现出一定的地理相关性和溢出性，再加上相邻地区的农业技术创新与技术扩散、农业专业化分工与协作[10]，都会推动邻近地区农业发展指标发生变化。随着农业碳排放成为气候变化领域的研究热点，关于农业碳排放的影响因素及其作用机制也得到了学者们的广泛关注，主要影响因素包括农业经济规模[2,11]、农业产业结构[11]、农业生产效率或农业技术进步[12]、耕地构成[13]、城镇化水平[14]、种植结构[2]和受灾情况[13]等。研究发现各个指标均与农业碳排放有一定关系，而作用程度、影响方向、影响是否显著等因研究区域、研究方法和研究时间的不同而异。

因此，尽管尚没有关于支农财政与农业碳排放关系的研究，但基于上述支农财政对于农业发展水平、农业产业结构和农业技术效率等因素的影响及这些指标与农业碳排放之间的相关关系，有理由假设支农财政与农业碳排放之间可能存在着不可忽视的关联性。正是基于这样的理论假设，同时考虑各地区在农业生产、支农财政以及其他经济社会条件等的空间差异和空间依赖，对支农财政与农业碳排放之间的关系进行研究。另外，除主要研究支农财政与农业碳排放的关系外，还选择了各省份经济社会发展、农业生产条件等其他变量作为控制变量，研究其与农业碳排放之间的空间关系。

1 研究方法与数据来源

1.1 探索性空间数据分析

在应用空间计量经济模型之前，首先需要采用探索性空间数据分析法对农业碳排放强度是否存在空间自相关进行检验，其核心内容是空间自相关测度，包括全局空间自相关和局部空间自相关两大类[15-16]。全局自相关主要是对所有省份整体是否存在空间相关性进行检验，而局部自相关则探究每个省份与其周边省份之间的集聚。此处进行空间自相关分析只是为了确认省份间是否存在空间自相关，以验证选用空间计量模型的合理性，因此，并未采用局部自相关方法详细识别每一个省份农业碳排放是如何与其周围省份产生集聚和相关的。全局自相关常用的检验指标为Moran指数(I)，其计算公式[17]如下：

(1)

对于空间权重矩阵Wij的确定，常用的方式包括地理相邻矩阵、反距离矩阵、经济距离矩阵、嵌套经济矩阵和时间距离矩阵等。由于自然、气候条件等因素导致相邻省份农业生产的相似性和集聚性，此处空间矩阵Wij采用简单二进制的地理相邻矩阵，遵循Rook相邻规则，即两个地区拥有共同边界则视为邻接[18]。矩阵W设定方法如下：主对角线上元素为0，如果i地区与j地区邻接，则Wij为1，否则为0；将海南省视作与广东省相邻。下文中空间计量模型中的空间权重矩阵同样采用地理相邻空间权重矩阵。

1.2 空间杜宾模型

传统的回归模型以空间均质性假设为前提，但空间异质性和依赖性的存在会导致分析结果不理想[19]，因此，环境经济学引入了空间计量模型。空间计量模型主要包括空间滞后模型(SAR)、空间误差模型(SEM)和空间杜宾模型(SDM)：空间滞后模型主要用于研究变量是否对区域外有扩散或溢出效应；空间误差模型用于不同区域地理位置导致的地区间相互作用形式存在差异的相关分析；空间杜宾模型不仅可考察区域内自变量与因变量之间的关系，还能度量其他相邻地区(邻域等)滞后自变量与因变量对该地区的影响，并可简化为空间滞后模型和空间误差模型，较前两个模型更能全面地考察不同维度因素对因变量的影响。空间杜宾模型理论模型可设置如下[18]：

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

(2)

式(2)中，Yit为空间单元i在时期t的因变量；X为n×k的矩阵；k为外生自变量个数；Wij为n×n空间权重矩阵；n为空间单元数；WY和WX分别为表示因变量和自变量的空间滞后项；ρ、β和γ分别为待估参数，若γ为0，则空间杜宾模型可以简化为空间滞后模型，若γ+ρβ=0，则空间杜宾模型可以简化为空间误差模型；ε为随机扰动项。

上式的简化形式可以表示为

(3)

1.3 变量界定与数据来源

1.3.1被解释变量

因变量为农业碳排放强度，首先需对农业碳排放进行核算。目前，国内外主要采用生命周期法对农业碳排放进行核算，包括农业生产全过程中的土壤排放、能源投入、物资投入、动物肠道等环节直接排放以及间接产生的CO2、N2O和CH4等温室气体(根据IPCC第4次评估报告，农业生产活动中的N2O 和CH4等温室气体也属于农业碳排放，并换算成CO2当量)。根据已有学者建立的核算体系、方法[20-23]，中国农、牧业生产过程中的碳排放主要包括4个方面：(1)农田土壤碳排放，指农田土壤翻耕破坏导致的碳排放，其中，最主要的是N2O排放，其单位面积排放系数因作物种类而异；(2)农资投入排放，包括农田种植过程中的化肥、柴油、农药、农膜和电力等投入品间接产生的碳排放；(3)水稻种植碳排放，指稻田种植直接产生的CH4排放，其排放系数因不同省份水文、气候和土壤条件而不同，且因水稻播种期(早、中、晚季稻)而异；(4)畜牧养殖碳排放，主要指国内常见的部分草食性动物的反刍活动和粪便活动产生的CH4、N2O。其中，以上前3个部分为种植业相关的碳排放，第4个部分为畜牧业碳排放。基于IPCC关于农业碳排放的核算及相关资料[24]，构建农业碳排放核算公式：

E=∑Ei=∑(Siei)。

(4)

式(4)中，E为农业温室气体排放总量；Ei为第i类源引发的温室气体排放量；Si和ei分别为第i类农业温室气体来源和排放系数。为便于分析，在核算各类温室气体排放量后，将CH4和N2O排放换算为CO2当量[20]。

农业碳排放核算过程中需要的各类数据来自国家统计局网站、国家种植业信息网和历年《中国农业年鉴》，其中，各类农作物种植面积、灌溉面积，各类牲畜出栏量和存栏量，农药使用量、化肥施用量、农膜用量、农用柴油消耗量等数据均来自《中国农业年鉴》，部分缺失年份数据来自中国种植业信息网。农业碳排放强度为农业碳排放量与农业总产值的比值，农业总产值来自《中国农业年鉴》。

1.3.2解释变量

支农财政资金比例。支农财政资金是指政府为扶持农业发展提供的财政预算支出。我国支农财政资金项目种类繁多，但按照学者们[25]的分类，支农财政支出结构基本可以划分为投资性支出、消费性支出和转移性支出3个大类。因此，模型选用支农财政资金占全部财政支出的比例作为解释变量，以消除各地区由于农业规模不同导致的财政支出规模差异，反映了政府对农业的重视程度和支持力度。

1.3.3控制变量

农业碳排放强度受到多种因素的影响，因此，除支农财政变量外，参照相关研究[2,26]，选取可能会对农业碳排放强度造成影响的因素作为控制变量。在一个省份的整体环境方面，选择经济发展水平、经济结构、城镇化率、城乡差距(消费水平)等指标，代表一个省份宏观的发展环境。在农业发展方面，选择农业结构代表农业总产出中农业与畜牧业的占比，受灾率代表一个省份农业生产的自然因素；农业发展水平代表一个省份农业生产能力，农业机械化程度代表一个地区农业生产的现代化水平，人均耕地面积代表农业生产的规模化水平。其中，GDP、人口数量、城镇人口数量、乡村人口数量、支农财政支出、全部财政支出、消费水平产业结构、农业产值、畜牧业产值、受灾面积和农业机械总动力等数据均来自国家统计局网站，农业增加值等来自《中国农业年鉴》。各变量的描述统计见表1。

需要说明的是，农业产值、农业增加值、GDP指标等均采用1997年不变价格，以消除价格波动和通货膨胀的影响；部分省份部分年份的农村人口数据缺失，由于年际变化较小且趋势较平稳，所以采用移动平均法补齐。另外，为消除量纲的影响，在代入实证模型之前，对因变量和各个自变量进行标准化处理。

表1 变量含义及描述统计情况

2 实证结果与讨论

2.1 农业碳排放强度时空特征分析

通过对历年各省份农业碳排放强度进行测算，农业碳排放强度较大省份主要是西藏、青海、甘肃、宁夏、新疆、内蒙古等畜牧业大省(区)，尤其是以牛、羊等反刍类动物为主的省份(图1)，而这类畜牧业较高的碳排放足迹决定了其农业碳排放强度要远远高于其他省份；另外，湖南、江西、广西、海南等在研究期限初期碳排放强度也较高，主要是由于这些省份种植结构中水稻种植比例较高导致。从时序变化来看，绝大多数省份农业碳排放强度均有较大程度下降，这主要是农业生产率的全面提升造成的。

从支农财政在全部财政支出中的占比(图2)来看，在1997年，这一比例较高的是北京、上海、广东等省份；而到2007年，绝大多数省份这一比例均有非常大的提升，这是我国农业经济的快速发展和对农业发展的财政支持力度持续增加的体现；到2017年，各省份支农财政比例进一步提升，且各农业大省(区、市)这一比例已经领先于其他省份。

1997—2017年，各省份支农财政比例持续提高，导致我国农业经济快速发展和农业生产率大幅提升，从而使得农业碳排放强度也普遍降低，这虽然可以初步印证支农财政可能具有抑制农业碳排放强度的作用，但还需进一步通过空间回归模型进行实证分析。

2.2 空间回归分析

2.2.1空间自相关检验

在进行空间回归分析之前，首先，对农业碳排放强度的空间自相关性进行检验，探究碳排放强度相当的省份，在空间分布上是否存在集聚模式，空间集聚也体现了一定程度的空间异质性和相关性。

在整个研究期内，农业碳排放强度Moran指数的P值和z值都通过了检验，且所有年份Moran指数都大于0，说明农业碳排放强度具有很显著的空间自相关性，呈现出较强的空间集聚性。从历年趋势来看，这种空间自相关性较为稳定，农业碳排放强度的Moran指数随时间变化呈一定的下降趋势(表2)，说明原先碳排放强度较高的省份随着生产效率的提高，其与低排放强度的省份之间的差距在逐渐变小。

表2 历年农业碳排放强度Moran指数值

2.2.2空间计量模型选择

选择空间计量模型时，首先需进行拉格朗日乘子(LM)检验。基于普通最小二乘回归模型(OLS)进行LM检验，考察模型本身是否存在空间相关性，检验空间计量的适用性，其原假设为模型不包含空间滞后或空间误差项，以检验数据更适合空间滞后模型(SAR)还是空间误差模型(SEM)。ANSELIN[19]提出的判别标准如下：若拉格朗日乘子滞后量(LMLAG)显著，则不能拒绝SAR；若拉格朗日乘子误差量(LMERR)检验及其稳健拉格朗日乘子(RLM)形式显著，则不能拒绝SEM；若LMLAG比LMERR在统计上更加显著，且稳健拉格朗日乘子滞后量(R-LMLAG)显著而稳健拉格朗日乘子误差量(R-LMERR)不显著，则选择SAR，反之，则选择SEM；若两者均显著，则使用SDM，再进一步通过似然比(LR)检验和Wald检验考察SDM使用的正确性。LM检验(表3)显示SDM更为适用。

表3 LM检验统计量及显著性

然后，通过豪斯曼检验判断固定效应和随机效应的选用，豪斯曼检验的统计值为77.01且在1%水平上显著，显示采用随机效应模型更适合。最后，需通过LR检验和Wald检验来判断SDM是否会退化为SAR和SEM。LR检验和Wald检验结果在1%显著性水平上拒绝了SDM可以退化为SEM和SAR的假设(表4)。综上所述，农业碳排放强度的空间分析宜采用随机效应SDM。

表4 LR检验和Wald检验结果

2.2.3空间回归结果分析

由于农业碳排放强度表现出较强的空间相关性和依赖性，而OLS回归模型没有考虑空间因素，估计结果均为常数，不完全符合农业碳排放的实际情况，因此，选用SDM对农业碳排放强度进行回归分析，结果见表 5。从回归模型的空间自回归系数来看，这在很大程度上可以说明中国省域农业碳排放强度在空间上存在较为明显的溢出效应，即本地区碳排放强度提高对邻域具有较强的拉动或抑制作用。

表5 空间杜宾模型(SDM)估计结果

从支农财政对农业碳排放强度的作用来看，支农财政对农业碳排放强度的主效应和空间效应分别通过1%的显著性检验，说明支农财政具有显著的抑制农业碳排放强度的效果，且相邻省份支农财政资金比本区域内的支农财政资金对本省份农业碳排放的抑制效果更明显。从其他控制变量的显著性来看，经济结构、城乡差距、农业发展水平、农业机械化水平和耕地占用率均对本地区农业碳排放强度具有显著的影响作用，其中，农业发展水平和农业机械化水平对抑制农业碳排放具有一定作用，而城乡差距、耕地占有率和经济结构对促进农业碳排放具有一定作用；受灾程度也在一定程度上能够抑制邻域农业碳排放强度，城乡差距和农业发展水平则能够正向提升邻近地区碳排放强度。

在明确各因素是否对某地区及其周边地区农业碳排放强度具有影响后，为进一步把握其具体影响方向及大小，对各因素的直接效应、间接效应和总效应进行探讨。尽管各因素对农业碳排放强度的影响方向与直接回归结果(表5)基本一致，但可更细致地区分各因素对本省份及其相邻省份的作用(图3)。直接效应是某地区变量对本地区农业碳排放强度的影响大小，其等于SDM系数与反馈效应之和，反馈效应指本地区变量对其他地区的影响又会反过来影响该地区；间接效应用于度量邻近地区某个解释变量对本地区农业碳排放强度的影响。

首先，支农财政具有明显抑制农业碳排放强度的作用，可以看出，一个省份支农财政对本地区农业碳排放强度的回归系数为-0.081，有一定的抑制作用，而邻近省份支农财政对本地区农业碳排放抑制作用更为明显，回归系数达到-0.234(图3)。这种抑制作用基本可以印证支农财政的碳减排效应作用机制，即本地支农财政政策不仅会在本地起到调整农业结构、提升生产效率、扩大产出规模等作用，最终还会导致农业碳排放强度降低；而相邻地区支农财政导致的农业生产效率的提高、农业生产结构的专门化、农业产出水平的提高，会导致农业生产活动进一步分工，更能充分发挥每个省域农业生产的比较优势，使得本地区农业生产效率进一步提升，在更大程度上降低本地区农业碳排放强度。

从各控制变量的回归结果来看，城镇化水平、农业机械化水平同支农财政变量一样，本地和邻近省份的变量均对本地农业碳排放起到抑制作用，且邻近省份变量的碳减排效果更为明显；经济结构和耕地占有率对本地区和邻近地区农业碳排放强度均有一定提升作用，且对相邻地区的空间溢出效应(间接效应)要小于对本地区碳排放强度的直接提升作用；城乡差距具有较强的提升碳排放的效应，且空间溢出效应要大于作用于本地的直接效应；农业发展水平的直接效应和间接效应呈现相反的方向，尽管本地区农业发展水平的提升有一定的碳排放强度抑制效应，但来自邻近地区的空间溢出效应能够提升碳排放强度，综合起来还是会大大提升一个地区的农业碳排放强度。

3 结论与建议

3.1 结论

在厘清支农财政对于农业碳排放强度的作用机制基础上，以1997—2017年中国31个省份为研究对象，运用SDM检验支农财政对农业碳排放强度的影响。主要研究结论如下：(1)初步时空分析表明，1997—2017年，各省份支农财政比例大幅提升带来了农业经济的快速发展和农业生产效率的大幅提升，因此，导致了农业碳排放强度的普遍下降。(2)支农财政对于农业碳排放强度的抑制作用具有明显的空间依赖特征，即：不仅本省份支农财政能够直接抑制该省份农业碳排放强度，邻近省份支农财政对本省份农业碳排放强度抑制效应更强。(3)经济结构、城镇化水平、城乡差距、农业发展水平、农业机械化水平和耕地占用率等因素都不同程度地影响着农业碳排放强度，且各因素有着不同的显著性，存在着不同程度的空间溢出效应。

3.2 政策建议

首先，从支农财政能够降低农业碳排放强度来看，支农财政在促进农业经济发展的同时，能够降低农业碳排放强度，提升碳排放效率；因此，应建立支农财政的长效机制，为农业发展提供保障。当前，我国农业处在传统农业向现代农业跨越的关键时期，支农财政在农业发展中的作用更加重要，应坚持以新发展理念为引领，推动农业供给侧结构性改革，继续落实强农惠农富农政策，确保农业，尤其是三农事业的健康稳定发展。(1)进一步优化、完善支农财政政策体系。以辩证思维处理好政府-市场、生产-消费、资源-环境等关系，推动种粮补贴、良种补贴和农资补贴等“多合一”；深化农业相关价格机制改革，进一步完善最低收购价政策，保护农民切身利益；合理调整支农财政资金投向，及时修正相关政策目标，提升投向基础设施建设和农业科技等的支出比例，确保资金能够用在“刀刃”上。(2)探索支农财政体制机制创新。围绕补齐短板促进形成多元化投入格局目标，更好地发挥支农财政“四两拨千斤”作用，进一步拓宽金融渠道，加强财政支农与政策性、商业性金融的结合，探索财政和金融协同支农新模式；完善支农财政资金管理机制，提高资金使用效益；加强支农财政资金监管和公众监督，确保资金安全。(3)明确重点和方向，确保支农资金落到实处。支农财政首先要以保障农业基础设施为根本，以夯实农业可持续发展基础；保障科研投入，保持农业发展活力，提高农业竞争力；保障农民收入，持续促进农民增收，确保农民共享农业发展成果；保障涉农服务体系建设，建成农业生产的专业化和社会化的基础和平台；引导农业绿色发展、可持续发展，重点支持休耕轮作、退耕还林还草、重金属污染耕地修复、现代农业产业体系构建等领域；以提高农业开放水平为导向，优化农产品进出口格局，引导农业走出去。

其次，从支农财政作用于农业碳排放强度的空间效应来看，需优化支农财政的区域分配结构，合理调配支农财政资金。地区之间“各自为政”无益于实现农业的发展和农业的碳排放强度降低，而是需要国家从农业供应和粮食安全的全局出发，全国“一盘棋”，做好统一协调、统筹安排；各地区在制定相关政策时需因地制宜，避免“一刀切”的同质化现象，同时需要各地区加强合作联系，以共同提升农业发展水平，降低农业碳排放强度。适时将碳排放交易机制引入农业，发挥市场在调控各地区交流合作中的作用。

最后，考虑到各控制变量与农业碳排放强度之间的空间溢出关系，进一步提高城镇化水平，提升农业机械化水平，优化经济结构，缩小城乡差距，均有助于农业碳排放强度的降低和农业碳排放效率的提升。