城镇化、空间溢出效应与农业碳排放——基于2007—2019年省级面板数据的实证分析

黄晓慧，杨 飞，陆 迁

（1.江苏师范大学 商学院，江苏 徐州 221116；2.西北农林科技大学 经济管理学院，陕西 杨凌 712100）

一、引 言

由二氧化碳等温室气体排放引发的气候变化问题日益突出，严重威胁生态平衡与人类生存，成为当前全球共同面临的问题［1-2］。中国作为世界上碳排放大国，进行碳减排对全球气候治理具有重要的作用［3］。改革开放40多年来，我国为保障世界粮食安全做出巨大贡献的同时，也产生了大量的农业碳排放，导致严重的生态环境问题，对我国粮食安全和农业可持续发展造成很大威胁［4-6］。因此，推动农业绿色低碳生产，不仅是减少农业碳排放的重要路径，也是生态文明建设的要求，更是促进农业高质量和可持续发展的必然选择［7-8］。因此，识别农业碳排放的影响因素，对制定农业碳减排政策具有重要意义。

国内外学者主要从农村人力资本、环境规制、农业技术进步、农地经营规模、农业产业聚集、财政支农政策等不同角度研究了农业碳排放的影响［9-11］。近年来，随着中国城镇化水平的不断提高，部分学者开始关注其对农业碳排放的影响。一部分学者研究表明，城镇化水平正向影响农业碳排放［12-13］；也有学者认为，城镇化水平负向影响农业碳排放［14］。可见，现有文献研究结论并不一致。同时，由于我国不同省份之间经济发展水平、资源禀赋等存在差异，农村劳动力在转移过程中会表现出空间依赖和溢出特征，因此，城镇化对农业碳排放可能会产生空间溢出效应［15］。那么，近年来农业碳排放时空特征如何？农业碳排放与城镇化空间相关性和集聚效应如何？城镇化对农业碳排放是否存在空间溢出效应？基于此，本文根据2007—2019 年中国31 个省份（不包括港澳台地区）的面板数据，以狭义的农业种植业为研究对象测算种植业农业碳排放，采用空间Moran'sI全局指数分析两者的空间相关性和集聚特征，借助空间面板计量模型，实证分析城镇化对农业碳排放影响的空间溢出效应，以期为城镇化背景下制定农业碳减排政策提供参考。

二、理论分析与研究假设

一方面，城镇化减少了农村劳动力，这会促使农业生产主体重视规模化和集约化经营，有利于节约资源，提高劳动生产率、资源利用率和绿色生产效率，降低农业碳排放［16］。同时，转移至城镇的劳动力由农产品生产者转变为农产品消费者［17］，对农产品的安全品质有了更高的需求。因此，会促使农户采用绿色低碳农业技术，减少农药化肥等的投入，进而可以提升农业绿色生产效率，减少农业碳排放［18］。另一方面，城镇化使农村劳动力呈现出老龄化、女性化和兼业化的特征，为了避免农业减产，农户大量投入化肥、农药、农膜以及机械设施等替代性生产要素，产生了大量的农业碳排放，严重污染环境，影响粮食安全和农业可持续发展［19］。由此可见，城镇化可能正向增加农业碳排放，也可能负向减少农业碳排放。因此，提出研究假设1。

H1：城镇化发展对农业碳排放影响方向不确定。

随着城镇化的发展以及省份间开放程度的不断扩大，不仅可以吸引本省农村劳动力转移，还会吸引其他省份农村劳动力转移。农村劳动力在不同省份之间的转移，加深了农业生产之间的空间联系［20］。不同省份城镇化存在空间相关性，能够产生溢出效应影响农业碳排放［21］。一方面，随着城镇化的发展，农村劳动力在不同省份的流动促进了农业生产知识在空间上的交流和传播，农业生产观念得到了更新，农户会将先进的农业绿色低碳技术和专业生产信息嵌入生产环节，最终会减少农业碳排放［22］。同时，随着城镇化的发展，居民的环境治理和气候治理意识和行为会提高，形成示范作用，农户在农业生产过程中也会节约资源、保护环境，减少本地区的农业碳排放，进而会对邻近省份产生空间溢出效应，减少邻近省份的农业碳排放［23-24］。另一方面，城镇化水平和经济发展不均衡加大了省份之间资源与要素争夺，农村人口转移到城镇，加大了对农产品数量的需求，造成对资源要素的大量投入，不仅增加本省农业碳排放，而且还影响邻省农业碳排放［25］。因此，提出研究假设2。

H2：城镇化发展具有显著的空间相关性，对邻省的农业碳排放存在明显的空间溢出效应。

三、变量选择、数据来源与研究方法

（一）变量选择

1.被解释变量

本文被解释变量为农业碳排放，其通过下列计算公式得到：

其中：E为农业碳排放总量；Ei为化肥、农药、农用薄膜、农业机械、农业灌溉、农业翻耕六种碳排放源的农业碳排放量［26］；Ti分别为化肥实际使用量、农药实际使用量、农膜实际使用量、实际柴油使用量、实际灌溉面积、农作物实际播种面积［27］；δi为六种碳排放源的碳排放系数，分别为0.895 6 kg/kg、4.934 1 kg/kg、5.18 kg/kg、0.592 7 kg/kg、20.476 kg/hm2、312.6 kg/km2［28］。

2.核心解释变量

本文核心解释变量为城镇化水平，其以各省份城镇人口与各省份总人口的比值来表示。

3.控制变量

财政支农水平采用财政支农支出与农林牧渔业总产值的比值来衡量；农业产业结构采用农业GDP 与农林牧渔业GDP 的比值来表示；农村经济发展水平用各省份农村人均农业产值来表示；作物种植结构、农业机械投入强度、化肥投入强度、劳动力投入程度分别采用粮食播种面积、农业机械化总动力、化肥折纯量、从事种植业的劳动力数量占农作物总播种面积的比重来衡量。

各变量的描述性统计情况见表1所列。

表1 变量的描述性统计分析

（二）数据来源

被解释变量采用的数据为式（1）中的Ti，核心解释变量的数据为各年各省份城镇人口和总人口，控制变量的数据有各年各省份财政支农支出、农林牧渔业总产值、农业GDP、粮食播种面积、农业机械化总动力、从事种植业的劳动力数量、农村总人口。以上数据均来源于2007—2019 年31 个省份的统计年鉴、《中国统计年鉴》《中国农村统计年鉴》。

（三）基础模型

本文以随机回归影响模型STIRPAT 为基础模型，考察城镇化对农业碳排放的影响。模型如下：

其中：Carbon表示农业碳排放；Urban表示城镇化水平；Fsa 表示财政支农水平；Ais 表示农业产业结构；Cps 表示作物种植结构；Mii 表示农业机械投入强度；Lab表示劳动力投入程度；Gdp表示农村经济发展水平；Fert表示化肥投入强度；β0为常数项；β1-β8为各变量的弹性系数；i表示省份，取值为1-31；t为时间，取值为2007—2019 年。上述变量在进行模型估计时均需要取对数。

（四）空间相关性检验

采用全局Moran'sI指数模型，对城镇化以及农业碳排放的空间自相关性进行检验。公式如下：

其中：I为全局 Moran'sI指数；n表示测度省份的个数；xi、xj分别为省份i和j的城镇化以及农业碳排放量为城镇化以及农业碳排放量的平均数；wij表示省份i和j的邻近关系，当i和j不邻近时，wij=0，反之为1。全局Moran'sI指数的取值范围为［-1，1］，当I=0时，说明城镇化以及农业碳排放空间不相关，在空间上随机分布；当I＜0时，表示存在空间负相关，呈现分散的特征；当I＞0时，代表存在空间正相关，呈现集聚的特征。

（五）空间杜宾模型

构建空间杜宾模型（SDM），实证分析城镇化发展对农业碳排放影响的空间溢出效应。公式如下：

其中：i为省份截面；t为时间；ρ为空间回归相关系数，表示省份农业碳排放溢出的影响方向和程度；W为空间权重矩阵；WlnCarbonit为农业碳排放的滞后项；εit～i.i.d(0,σ2)为随机干扰项；X为自变量与W的乘积；γ为各项乘积的估计系数。公式（4）中加入了自变量与因变量的空间滞后项造成的空间溢出效应。

四、农业碳排放时序变化与区域差异特征

依据公式（1），计算2007—2019年农业碳排放总量平均值，同时采用通常的11∶8∶12划分方法将31个省份划分为东部、中部和西部地区，分别计算东中西部地区平均农业碳排放量，见表2所列。

表2 2007—2019年不同区域平均农业碳排放量 单位：万吨

由表2可见，研究期内全国农业碳排放量先增加后减少。2007—2015 年不断增加，由2007 年的260.33 万吨增加至 2015 年的 306.30 万吨，2015 年达到最大值；2016—2019年不断减少，下降至2019年的272.43 万吨。农业碳排放的高低排序依次为中部地区、东部地区、西部地区，其中西部和东部地区的农业碳排放量呈现逐渐缩小的趋势，中部与东西部地区之间农业碳排放差距相对较大。东部和中部地区2007—2014年农业碳排放量不断增加，2015—2019年不断减少；西部地区2007—2016年不断增加，2017—2019年不断减少。

产生这种趋势的原因是：我国在2015 年提出绿色发展战略，实施农药化肥零增长行动方案等一系列低碳农业政策，各省份不断落实该政策，促进农户减少农药化肥的使用，农户注重采用有机肥和生物农药等替代技术，进而减少了农业碳排放［29］。但各地区在落实国家政策上存在一定的差异，东部和中部地区在国家提出绿色发展战略的同时，落实该政策，所以当年的农业碳排放减少，西部地区存在一定的滞后性，2017年才开始下降。

五、实证结果与分析

（一）空间相关性检验的结果分析

基于2007—2019 年31 个省份的空间面板数据，采用Stata 14.0 软件对公式（3）进行估计，分别得到城镇化和农业碳排放的全局Moran'sI指数，见表3所列。

表3 2007—2019农业碳排放和城镇化的全局Moran's/指数检验

从表3可以看出，2007—2019年农业碳排放和城镇化的全局Moran'sI指数均为正，并且均通过了显著性检验，表明两者存在显著全局正向空间相关性，并呈现集聚的特征。农业碳排放的全局Moran'sI值分布区间为0.213～0.336，随时间的推进逐渐变小，2007年的Moran'sI指数为0.336，2019年下降至0.213。说明农业碳排放的空间自相关程度随时间的推进逐渐减弱，集聚效应不断弱化。城镇化的全局Moran'sI值分布区间为0.264～0.281，且基本围绕0.27上下浮动，说明随时间的推进城镇化的集聚效应处于小幅波动状态。

上述结果表明，农业碳排放与城镇化都存在显著的空间正相关和集聚效应。因此，本文进一步采用空间杜宾模型考察城镇化对农业碳排放影响的空间溢出效应。

（二）基准回归结果

在不考虑空间相关性情形下，利用Stata 14.0软件对基准模型公式（2）进行回归。Hausman检验结果倾向于采用固定效应模型，见表4所列。

表4 传统计量模型的估计结果

由表4可见，城镇化对农业碳排放产生正向影响，并通过1%显著性检验，因此，H1的影响方向为正；农业机械投入强度、农业产业结构、化肥投入强度对农业碳排放产生正向影响，分别通过5%、1%、1%显著性检验；劳动力投入和农村经济发展水平对农业碳排放产生负向影响，且均通过1%显著性检验。

（三）空间杜宾模型估计结果

考虑空间相关性，基于公式（4），利用Stata 14.0软件估计空间面板杜宾固定效应和随机效应模型，见表5所列。

表5 城镇化对农业碳排放影响的空间计量估计结果

表5显示，固定效应模型和随机效应模型的农业碳排放空间自回归系数ρ值分别为0.240 和0.219，且通过了1%显著性水平的检验，说明省份间农业碳排放存在显著的正向空间溢出效应，即本省农业碳排放的增加能够提高邻省农业碳排放。

固定效应模型中，城镇化对农业碳排放的影响系数显著为正，空间反应系数为负，但是不显著；随机效应模型中，城镇化对农业碳排放的影响系数显著为正，空间反应系数显著为负。说明城镇化水平正向影响本省农业碳排放，负向影响邻省农业碳排放，即相邻省份的城镇化水平对本省的农业碳排放存在负向溢出效应，因此，H2 得到验证。可能的解释是，当一省城镇化越高，该省越多的劳动力转移到城镇，农业生产呈现老龄化和女性化特征，而年龄大的农户和女性农户，由于思想观念等原因，生产方式仍然比较粗放，为了避免减产，不断加大化肥农药等的投入，增加了农业碳排放。当一省的相邻省份城镇化水平越高，还会吸引该省更多的劳动力向相邻省份转移，扩大了城镇对农产品数量和质量的需求，劳动力数量进一步减少，促使该省农户进行集约化经营，会减少农药化肥的施用，进而降低农业碳排放。可见，城镇化不仅影响本省农业碳排放，也影响邻省的农业碳排放，并且存在相互抵消的现象。出现这种结果的深层次原因可能是省份之间城镇化发展不均衡，有些省份的城镇化水平还不是很高，不足以引导农户进行集约化生产，生产方式仍然比较粗放，增加了农业碳排放。当城镇化水平发展到一定阶段，会引导农户进行集约化生产，从而降低农业碳排放。

农业机械投入强度对农业碳排放的影响系数显著为正，其原因在于农业机械投入强度越大，消耗的柴油、石油等能源越多，同时地表植被覆盖度减少，土壤变得稀疏，土壤有机物质消耗快，土壤环境恶化，农业碳排放量越高。农业机械投入强度的空间反应系数显著为负，表明相邻省份的农业机械投入强度对本省的农业碳排放存在负向溢出效应，邻省农业机械化程度可以降低本省农业碳排放量。其原因在于，我国的农业机械化水平与发达国家相比还有一定的差距，呈现跨区作业的特征，邻近省份对农业机械的大量投入，导致本省农业机械化投入的降低，同时降低本省农业碳排放［30］。化肥投入强度对农业碳排放的影响系数显著为正，说明化肥投入强度越高，农业碳排放量越大。这是因为化肥是农业碳排放的最主要来源，化肥的大量使用加剧了农业碳排放。农业产业结构及其空间滞后项的回归系数均为正，且均通过显著性检验。可能原因是，本文只测算了种植业的农业碳排放，对林业、畜牧业和渔业的碳排放没有测算，当农业GDP 与农林牧渔业GDP 的比值越大，农业碳排放量越高。财政支农水平回归系数显著为负，空间反应系数显著为正，表明财政支农水平的提高降低了本省农业碳排放，同时对相邻省份存在显著的正向溢出效应。其原因在于，财政支农水平的提高，例如缓控释肥补贴和测土配方施肥补贴的提高，可以促进农户采纳测土配方施肥和缓控释肥，减少农业碳排放［31-32］。低碳农业科技研发专项资金等财政支农水平的提高，加大了节能环保型农业机械的研发和使用，从而可以减少农业碳排放［33］。劳动力投入与农业碳排放呈负相关，可能的解释是，投入的劳动力越多，化肥、农药、农膜等生产要素的投入会相应减少，从而降低农业碳排放。农村经济发展水平与农业碳排放呈负相关，农村人均农业产值越高，农业碳排放越低。可能的原因是，随着农村经济的发展，农户的生活条件得到了改善，开始注重农产品质量，寻求生产方式的转变，减少农药、化肥、农膜等要素的投入，减少了农业碳排放。

（四）空间溢出效应分解

本文进一步利用空间杜宾模型将总空间溢出效应分解为直接效应和溢出效应，结果见表6所列。

表6 空间杜宾模型的影响效应分解

城镇化水平每提升1%，农业碳排放会增长0.599%，其中，直接效应贡献0.730%，空间溢出效应贡献-0.131%。直接效应即本省城镇化对本省农业碳排放的影响，此时回归系数为0.730，且在1%水平上显著；间接效应反映的是本省城镇化对相邻省份农业碳排放的影响，此时城镇化系数为-0.131，未通过显著性水平检验。这表明城镇化不仅直接影响本省农业碳排放，也通过间接效应影响邻省农业碳排放，但是农业碳排放增长主要受本省城镇化水平的直接影响，直接效应与空间溢出效应存在相互抵消的现象。

农业机械化程度每提升1%，农业碳排放就会增长0.013%，但不显著，其中，直接效应贡献0.127%，通过1%显著性；空间溢出效应贡献-0.114%，但不显著。财政支农水平对农业碳排放的直接效应贡献为-0.076%，空间溢出效应贡献为0.106%，存在着相互抵消现象，从而导致总效应并不显著。农业产业结构和化肥投入强度对农业碳排放增长的总效应、直接效应和空间溢出效应均正向显著。种植结构对农业碳排放增长的总效应、直接效应和空间溢出效应均不显著。劳动力投入和农村经济发展水平对农业碳排放增长的直接效应和总效应均负向显著。

六、结论与建议

本文基于2007—2019年中国31个省份的面板数据，在测算了2007—2019 年农业碳排放的基础上，采用空间Moran'sI全局指数分析了农业碳排放以及城镇化的空间相关性和集聚特征，建立空间杜宾模型，并探讨了城镇化对农业碳排放影响的空间溢出效应，得到以下研究结论：

（1）从全国层面来看，2007—2019 年农业碳排放量先增加后减少，其中，2007年—2015年不断增加，在 2015 年达到最大值；2016—2019 年不断减少。从区域层面来看，农业碳排放的高低排序依次为中部地区、东部地区、西部地区，其中，东部和中部地区2007—2014 年不断增加，2015—2019 年不断减少；西部地区2007—2016年不断增加，2017—2019年不断减少。

（2）从空间自相关性来看，2007—2019 年农业碳排放全局Moran'sI指数和城镇化全局Moran'sI指数均为正，并且都通过显著性检验，表明均存在显著全局空间正相关，并呈现集聚的特征。农业碳排放空间自相关程度随时间的推进逐渐减弱，集聚效应不断弱化，城镇化的集聚效应呈现小幅波动状态。

（3）从空间杜宾模型估计结果来看，城镇化水平正向影响本省农业碳排放，负向影响相邻省份农业碳排放，即相邻省份的城镇化水平对本省的农业碳排放存在负向溢出效应；农业机械投入强度、化肥投入强度、农业产业结构与农业碳排放呈正相关；财政支农水平、劳动力投入、农村经济发展水平与农业碳排放呈负相关。

（4）从空间溢出效应的分解来看，城镇化不仅直接影响本省农业碳排放，也间接影响相邻省份农业碳排放。其影响程度主要受本省城镇化水平的直接作用，直接效应与空间溢出效应存在相互抵消的现象。

根据以上结论，本文提出以下建议：

（1）推动农业绿色低碳转型。转变农民的传统观念，增强农户绿色低碳生产意识；加大培训引导农户减少化肥农药施用；加大补贴力度，促进农户采纳节水灌溉技术、测土配方肥技术、缓控释肥技术、绿色病虫害防治技术等绿色低碳技术；注意废弃农膜的回收和循环利用；加大力度促进农业向集约化、绿色化、低碳化转型，减少农业碳排放。

（2）实施差异化的农业碳减排政策。东中西部地区农业发展情况不同，绿色发展政策落实情况存在差异，农业碳排放情况也有不同，因此，要立足实际情况制定差异化的农业碳减排政策。需要高度重视农业碳排放高的省份，重点促进其农业绿色低碳转型，提高资源配置效率和绿色生产效率；对于农业碳排放低的省份，重点提高人力资本和先进管理理念等。

（3）重视城镇化对农业碳排放影响的空间溢出效应。充分考虑省份间的空间差异性，因地制宜制定政策，进一步促进城镇化发展，使其能够引导农户从传统粗放式经营方式向集约化、低碳化和绿色方向转型和发展，降低农业碳排放，促进城镇化和农业绿色生产的协调发展。