基于空间效应视角的农业经济增长与种植业面源污染排放的实证分析*

李 新, 尚 杰

(东北林业大学经济管理学院 哈尔滨 150040)

现阶段, 中国人口排名居世界首位, 数量超过14亿人, 农业生产环境是实现保障全国人民农产品需求有效供给与食品安全的必要条件, 是中国农业发展一直面临的重要问题。农业资源和环境要素质量是保障农业生产和发展的基本资源和条件。根据农业农村部公布的数据, 2019年全国平均秸秆综合利用率、农用地膜回收率分别为84%、60%; 全国农药和化肥使用强度分别为9.0 kg∙hm和373.5 kg∙hm,其中化肥使用量超世界平均水平3.11倍。种植业面源污染排放已由原来的单一渠道污染向立体污染格局转化, 农业面源防治工作艰巨。改革开放以来,农业经济为市场经济实现转轨做出突出贡献, 2015年, 全国农林牧渔业总产值首次突破10万亿元,2019年增长至12.39万亿元, 而自然资源和农业生态环境也为之产生污染等严重问题, 引起各界广泛重视。党的十九大报告提出“中国经济已由高速增长阶段转向高质量发展阶段, 正处在转变发展方式、优化经济结构、转换增长动力的攻关期; 强化土壤污染管控和修复, 加强农业面源污染防治, 开展农村人居环境整治行动”。2018年《中共中央国务院关于实施乡村振兴战略的意见》提到“实施质量兴农战略; 加强农村突出环境问题综合治理”。2021年生态环境部、农业农村部印发《农业面源污染治理与监督指导实施方案(试行)》, 提出“到2025年, 重点区域农业面源污染得到初步控制, 农业生产布局进一步优化, 化肥农药减量化稳步推进”。多个纲领性文件均提出优化经济结构和农业面源污染防治的问题。中国作为发展中国家, 如何实现协调农业经济增长与农业环境问题是实现我国经济由“粗放型”高速增长转向“集约型”高质量发展的关键之一。

随着农业面源污染问题愈加引起各界关注, 众多国内外学者从不同视角对农业经济增长与农业面源污染问题进行深入研究。Grossman和Krueger1991年首次提出了环境库兹涅茨曲线(EKC)假说,他们认为经济增长与污染排放呈现出先升后降的 “倒U”型曲线特征, 在经济发展到一定水平前, 经济的增长必然伴随环境污染的增加, 随后环境污染会随着经济的增长而得到改善。随后, 国内外学者通过选取不同的农业污染排放指标进行环境污染与农业经济增长之间的关系验证, 检验农业面源污染与农业经济增长间是否存在“环境库兹涅茨曲线”, 研究结果尚未达成统一认识。近几年, 部分学者将农业环境的空间依存关系列为影响因素之一, 进行经济增长影响相关研究。吴义根等利用探索性空间数据分析方法讨论了农业面源污染的空间相关性, 结果表明农业面源污染表现出明显的空间相关性。沈能和王艳以农药投入作为农业污染排放的主要指标, 采用空间面板模型考察中国农业环境的EKC特征及空间效应, 发现EKC在中国能够得到支持, 但是不同区域所处阶段不同, 农业污染排放呈现出空间集聚的特征。曹俐等以农业面源污染为研究对象, 采用空间杜宾模型进行EKC实证分析, 探究农业面源污染的空间自相关情况及其与农业经济增长之间的关系和影响因素。目前来看, 农业面源污染与经济增长相关研究已取得较多成果, 但运用空间计量经济模型进行农业面源污染与经济增长的研究较少, 且现有研究选取的农业面源污染对象过于宽泛或比较单一, 缺少针对种植业面源污染直接相关的研究。农业面源污染的环境治理工作具有非常重要的战略意义。加快农业经济增长依旧是现阶段农民致富和国家从农业大国转向农业强国的必要手段, 因此, 解决农业经济增长与农业环境问题的矛盾是中国农业发展面临的必然问题。基于此, 本文选取2000—2019年全国31个省(市、自治区)(不包括香港、澳门、台湾)的面板数据, 科学认识中国省域单元间种植业面源污染内在空间交互性的同时, 结合空间纬度进一步考察中国种植业面源污染与农业经济增长之间的关系。以期从空间视角分析种植业面源污染的影响因素, 为开展种植业面源污染防治提供决策依据, 实现农业生产环境可持续利用, 促进农业经济增长。

1 研究方法与模型构建

1.1 研究方法

1.1.1 等标污染负荷法

因污染物特征不尽相同, 对环境产生的效益影响无法统一衡量, 为了在统一尺度下量化和评价不同的种植业面源污染物, 本文采用等标污染负荷法测度种植业对环境产生影响的污染物排放总量,即分别计算氨氮(NH-N)、化学需氧量(COD)、总氮(TN)、总磷(TP)单位时间排放的含该污染物的废水等标体积。种植业面源污染物等标排放量计算过程如下：首先, 根据清单分析法确定种植业面源污染物的产污单元, 确定各地区农用化肥NH-N、TN、TP的排放系数, 确定秸秆的COD、TN、TP的排放系数。其次, 在计算出4类种植业面源污染物排放量的基础上, 应用等标污染负荷法计算种植业面源污染物的等标排放量。

某地区污染源i排放的污染物j的等标污染负荷(P)为:

式中: P为某地区第i个污染源第j个污染物的等标污染负荷(m∙a), M为第i个污染源第j个污染物的排放量(kg), c为第j个污染物的评价标准(mg∙L)。

某地区污染物j的等标污染负荷(P)为:

式中: P为某地区第j个污染物的总等标污染负荷(m∙a), n为该地区污染源总数。

1.1.2 探索性空间数据分析

探索性空间数据分析(exploratory spatial data analysis, ESDA)是空间计量经济学的重要技术。应用探索性空间数据分析进行空间数据的空间关联分析, 探究中国省域间种植业面源污染排放特征的区域结构形态。应用python编程实现省域种植业面源污染的空间数据的全局性空间自相关分析, 探索省域种植业面源污染的集聚变化特征。应用全局莫兰指数(Moran’s I)测度全国省域间种植业面源污染变量的空间集群相关情况, 全局莫兰指数计算式如下:

对全局自相关莫兰指数结果进行Z值显著性统计检验, 计算式如下:

式中: Var(I)为莫兰指数的理论方差, E(I)为莫兰指数的理论期望。如果Z(I)＞0且通过 Z值显著性的统计检验, 则说明中国省域间种植业面源污染排放在空间分布上具有显著的正相关性。

1.1.3 空间杜宾模型

空间杜宾模型(spatial Durbin model, SDM)是空间面板回归中常用的空间计量模型, 其特点是同时兼顾考虑被解释变量与解释变量的空间滞后效应与误差效应, 是空间滞后模型(spatial lag model, SLM)和空间误差模型(spatial error model, SEM)的更一般形式。其一般表达式为:

式中: Y、X分别为被解释变量与解释变量, β、θ表示待估系数, W表示空间权重矩阵, ρ表示空间滞后系数, ε表示独立同分布的随机误差项, λ为空间残差项的系数, μ为服从独立同分布的随机干扰项。本文将根据空间杜宾模型构建种植业面源污染与农业经济增长的空间计量模型, 以此探讨在空间效应影响下各驱动因素的空间影响效果。

1.2 模型构建、变量说明及数据处理

1.2.1 模型构建

本文假设某个区域某些经济活动不仅能对本区域产生预期影响, 同时因其空间依赖性和空间异质性能够对周边邻接区域产生一定影响。基于此, 构建种植业面源污染等标排放量与农业经济增长的SDM, 具体计算式为:

式中: lnP为被解释变量, P为种植业面源污染的单位等标排 放 量; lnG、lnc、lne、lnm、lnu、lns、lnd、lna均为解释变量, G为人均农业生产总值, c为农村人均消费支出, e为有效灌溉率, m为农业机械投入强度, u为农药使用强度, s为财政支农水平,d为受灾比重, a为农业比重, i为全国31个地区中第i个地区, t为年份; W为以地理距离计算的空间权重矩阵; ε为随机扰动项, 服从正态分布; ρ表示空间滞后系数; β为解释变量的回归系数; θ为解释变量的空间滞后项的回归系数。

1.2.2 SDM变量说明及数据处理

根据现有文献的研究成果, 综合考虑种植业面源污染特点, 并结合数据的可获得性, 本文SDM选取的变量如表1所示。本文选取2000—2019年全国31个省(市、自治区) (不包括香港、澳门、台湾)的面板数据建立模型, 数据源自《中国统计年鉴》《中国农村统计年鉴》《中国人口和就业统计年鉴》以及国家统计局数据网站。

表1 空间杜宾模型(SDM)的变量指标选取Table 1 Variables selection of spatial Durbin model (SDM)

本文选择种植业面源污染物的单位等标排放量作为被解释变量。考虑到种植业面源污染源的排放特征, 且因为农药、地膜对主要污染物的排放贡献率较低, 本文中种植业面源污染物选择源自农用化肥(氮肥、磷肥和复合肥)及农田固体废弃物(农作物秸秆)两类污染源, 排放主要产生氨氮(NH-N)、总氮(TN)、总磷(TP)、化学需氧量(COD) 4类污染物, 种植业面源污染清单如表2所示。

表2 种植业面源污染产污清单Table 2 List of non-point source pollution from planting industry

核心解释变量: 选取人均农业生产总值表征农业经济增长, 表征农业经济发展水平对种植业面源污染排放的影响, 对变量进行消胀处理(消费者物价指数2000=100)。

其他控制变量: 消费能力选择农村人均消费支出表示, 农村人均消费支出能力体现农业生产中购买农资产品的能力, 对变量进行消胀处理(农村居民价格消费指数2000=100); 技术进步选择有效灌溉率表示, 有效灌溉率能够体现各地区农业技术水平和农业生产水平, 直接影响农作物对化肥的利用率, 不同农业技术水平对种植业面源污染排放造成不同程度的影响; 农业现代水平选择农业机械投入强度表示, 农业机械投入强度是衡量农业现代化发展水平的关键标志, 农业机械化水平的提高促进农业生产效率不断提高, 但其对农业生产环境的外部效应无法直接判断, 如引起化肥投入增加或降低农田秸秆残留量; 风险感知用农药使用强度表示, 由于农户风险偏好的差异性直接影响农户生产中农药使用量,此过程是影响农作物产量的重要环节之一, 农作物产量的变化将直接影响农田固体废弃物的排放量;财政支持选择财政支农水平表示, 表征财政投入对农业生产环境治理的行政干预强度; 受灾情况用受灾面积与总播种面积之比表示, 不同的受灾情况可能影响化肥施用量, 加重种植业面源污染, 严重的可能导致农作物无法生长或农作物产量大幅度降低,对农田固体废弃物污染排放造成不可预知的影响,因此, 受灾情况对种植业面源污染物排放影响无法直接预判; 产业结构用农业生产总值与国内生产总值之比表示, 目前产业结构处于转型升级时期, 各地区产业结构的不同可能带来不同的结构效应, 种植业发达地区的面源污染可能较重, 但也有利于实现面源污染的统筹治理。对所有变量进行对数处理,以保证数据的平稳性。

由于国家目前尚未制定种植业面源污染的相关排放标准, 本文中COD、NH-N、TN、TP的阈浓度均采用《地表水环境质量标准》(GB3838—2002)中的Ⅴ类标准, COD、NH-N、TN、TP所对应的标准分别为40 mg∙L、2.0 mg∙L、2.0 mg∙L、0.4 mg∙L。根据调查市场农用通用型复合肥销售情况及阅读相关文献, 本文将农用复合肥中氮肥、磷肥、钾肥的配比按照1∶1∶1进行折算处理。文中秸秆产出系数(表3)、秸秆可收集系数及污染物排放系数(表4)均通过广泛文献调研和综合比较所得。化肥排污系数重点参照生态环境部《排放源统计调查产排污核算方法和系数手册》中的参数取值。计算各区域不同种植业面源污染物的排放量后, 根据等标污染负荷法计算各区域单位等标排放量。

表3 不同地区农作物秸秆产出系数Table 3 Crops straw output coefficients in different regions of China kg∙kg—1

表4 不同农作物秸秆可收集系数及污染物排放系数Table 4 Collectable coefficients and pollutant emission coefficients of straws of different crops

2 实证分析

2.1 种植业面源污染空间相关性及空间计量模型选择

2.1.1 种植业面源污染的空间相关性

运用python编程对种植业面板数据进行预处理,计算各地区种植业面源污染源的污染物排污量, 再根据计算式(1)、(2)得出考察地区种植业面源污染的等标排放量。为了更准确、直观地判断省域间种植业面源污染的空间相关性, 利用地理距离空间邻接矩阵测算全国31个省(市、自治区)2000— 2019年种植业面源污染等标排放量的全局莫兰指数, 结果如表5所示。

从表5可以看出, 全国31个省(市、自治区)2000—2019年种植业面源污染等标排放量全局莫兰指数均大于0, 2000—2017年P值均小于0.05, Z值均大于1.96, 2018年、2019年P值均小于0.05, Z值均大于1.65, 说明各地区种植业面源污染等标排放量存在显著正相关空间自相关性, 即各地区种植业面源污染排放并非孤立、随机分布, 某地区污染排放量可以被相邻地区的环境、经济等因素影响。莫兰散点图通过散点在4个象限的分布位置来识别某地区与其邻近地区间的关系, 第1象限表现为“高-高”聚集(H-H)类型, 表示本地区为高值, 邻近地区也为高值; 第2象限表现为“低-高”聚集(L-H)类型, 表示本地区为低值, 邻近地区为高值; 第3象限表现为“低-低”聚集(L-L)类型, 表示本地区为低值, 邻近地区为低值; 第4象限表现为“高-低”聚集(H-L)类型, 表示本地区为高值, 邻近地区为低值。对比2000年、2019年种植业面源污染等标排放量的莫兰散点图1可知,2019年31个省(市、自治区)种植业面源污染排放空间互动表现为以“H-H”和“L-L”两种类型为主导, “H-L”和“L-H”两种类型为辅助的空间格局特征,2000年位于“H-H”和“L-L”两种类型的地区数分别为7个和9个, 2019年相应类型地区数分别变为8个和11个, 地区数量均增加, 说明有部分地区种植业面源污染排放量明显增加或减少, 区域间空间聚集特征愈加明显。20年间, “H-H”聚集基本保持稳定, “L-L”聚集地区数量明显增加, 由2019年结果可以看出聚集区域主要为种植业大省和经济发达地区, 这些地区的农业生产行为更容易产生空间溢出效应, “H-H”聚集地区的稳定和“L-L”聚集地区的增长与全国各地区不断推出的政策和措施有着密切关系。因此, 种植业面源污染排放的空间交互特征需要引起足够重视, 如何利用空间交互效应有效实现种植业面源污染防治是种植业可持续发展需要面临的重要议题。

表5 2000—2019年31个省(市、自治区)种植业面源污染等标排放量的全局莫兰指数Table 5 Global Moran’s I of equivalent standard emissions of planting non-point source pollution in 31 provinces (cities, autonomous regions) of China from 2000 to 2019

图1 2000年、2019年31个省(市、自治区)种植业面源污染等标排放量的莫兰散点图Fig.1 Moran scatter diagrams of equivalent standard emissions of planting non-point source pollution in 31 provinces (cities,autonomous regions) of China in 2000 and 2019

2.1.2 模型适用性检验及模型选择

为了能够准确选择空间面板数据的适用模型,应对所选择的空间面板数据进行模型适用性检验,进而确定空间计量模型。首先, 在进行空间计量模型分析前, 通过拉格朗日乘数检验(Lagrange’s multiplier test, LM)判断所选变量是否适用空间计量模型,若检验通过则进行下一步模型选择工作; 若未通过LM检验, 则所选择变量应使用混合最小二乘回归模型进行后续分析。LM检验结果如表6所示, LM检验和稳健LM检验的P值均为0.000, 通过了显著性检验, 表明本文空间面板数据存在明显的空间相关性, 且同时存在空间误差效应和空间滞后效应, 可以引入空间计量模型进行后续分析。其次, 通过豪斯曼(Hausman)检验判断空间面板数据选择固定效应模型或者随机效应模型, 若通过显著性检验则拒绝原假设, 选择采用固定效应模型; 反之, 则采用随机效应模型。Hausman检验结果如表6所示, 检验P值为0.0006, 通过显著性检验拒绝原假设, 采用固定效应模型。最后, 确定选择固定效应模型后, 通过似然比检验(likelihood ratio test, LR)和沃尔德(Wald)检验进行模型稳健性检验, 若检验结果均通过1%显著性检验, 则表明所选择固定效应模型不会退化为空间误差模型(SEM模型)和空间滞后模型(SLM模型)。LR检验和Wald检验结果如表6所示, 结果显示LR检验结果P值均为0.000, 通过1%显著性检验;Wald检验结果中SLM与SEM的P值均小于0.010,均通过1%显著性检验。因此, 本文选择固定效应下的空间杜宾模型进行实证分析。

表6 种植业面源污染等标排放量的模型适用性及模型选择检验结果Table 6 Model applicability and model selection test results of equal standard emission of planting non-point source pollution

2.2 种植业面源污染等标排放量的影响因素

2.2.1 变量描述统计

根据所选取的指标及相应变量的计算式, 收集、整理2000—2019年全国31个省(市、自治区)面板数据, 除空间邻接权重矩阵外对所有变量进行描述性统计, 面板数据的描述性统计如表7所示。

表7 2000—2019年31个省(市、自治区)种植业面源污染等标污染排放量的空间杜宾模型面板数据描述统计Table 7 Spatial Durbin model panel data descriptive statistics of standard pollution emission of planting non-point source pollution in 31 provinces (cities, autonomous regions) of China from 2000 to 2019

2.2.2 SDM模型回归分析

运用STATA 15.0软件实现农业经济增长对种植业面源污染等标排放量影响的空间计量模型实证分析, SDM模型在时间固定效应、空间固定效应和双固定效应下的回归结果如表8所示。从检验结果R可以看出, 时间固定效应在解释变量的显著性及模型的拟合优度方面均优于空间固定效应和双固定效应的回归结果。从经济意义层面来看, 种植业面源污染等标排放量受时间、政策等变化影响比受地理因素影响更为明显, 故也认为时间固定效应更符合本文的研究假设。因此, 本文选择时间固定效应模型进行实证研究。

表8结果中反映31个省(市、自治区)种植业面源污染等标排放量是否存在空间效应的空间滞后项系数(rho)的值为—0.110, 且通过P＜5%的显著性水平检验, 表明中国省域种植业面源污染排放量存在显著的空间聚集效应, 种植业面源污染排放的空间溢出效应显著, 受邻接地区的地理位置、生态环境、社会经济水平等邻近效应影响。lnG、lnc、lne、lnm、lnu、lns的估计系数均通过P＜1%的显著性水平检验, 其中农业经济增长(lnG)、技术进步(lne)、财政支农水平(lns)均与种植业面源污染排放量呈负相关关系, 消费能力(lnc)、农业现代化水平(lnm)、风险感知(lnu)均与种植业面源污染排放量呈正相关关系。在地区独立范围内, 农业经济增长在拐点到达前通常伴随农业面源污染的加重, 本研究中结果为负可以说明农业经济发展伴随农业环境的消耗已经迎来拐点, 农业生产方式的不断进步推动农业经济增长的同时, 有效控制种植业面源污染排放。环境友好型技术的使用以及政府对农业财政的支持能够助力减少本地区的种植业面源污染排放。近几年惠农政策推出, 提高了农户的消费能力, 农业现代化水平的提高为农户生产提供了更多选择, 农户对风险感知的预判都将直接影响农户的消费和生产行为,极可能造成种植业面源污染排放过量。W×lnG、W×lnc、W×lne、W×lnm、W×lnu、W×lna的估计系数均通过P＜10%的显著性水平检验, 省域间空间影响效应较明显, 其中经济增长(W×lnG)、技术进步(W×lne)、风险感知(W×lnu)对邻接地区的种植业面源污染排放量呈正向影响, 消费能力(W×lnc)、农业现代化水平(W×lnm)、产业结构(W×lna)对邻接地区种植业面源污染排放量呈负向影响。经济增长水平的空间滞后项回归系数为0.397, 且通过了P＜1%的显著性水平检验, 说明本地区经济增长水平与邻接地区种植业面源污染排放量的增长有正相关关系,正向空间溢出效应明显。经济增长水平对邻接地区影响方向与本地区内影响方向相异, 说明省域农业经济增长关系趋同增长, 邻接地区间种植业生产可能存在竞争关系, 进而导致邻接地区种植结构调整加重种植业面源污染排放。

表8 2000—2019年31个省(市、自治区)种植业面源污染等标污染排放量的空间杜宾模型(SDM)回归结果Table 8 Regression results of spatial Durbin model (SDM) for standard pollution emission of planting non-point source pollution in 31 provinces (cities, autonomous regions) of China from 2000 to 2019

2.2.3 SDM模型空间溢出效应分解

为了更准确地反映自变量对因变量的空间溢出效应, 应用STATA 15.0软件对SDM时间固定效应模型的溢出效应进行分解, 将总效应分解为直接效应和间接效应, 效应分解结果如表9所示。

表9中直接效应中解释变量系数与SDM模型时间固定效应中解释变量系数变化方向保持一致,表示一个地区的影响因素对种植业面源污染等标排放量的影响程度。间接效应是通过累计邻接地区间空间溢出效应的效果值, 表示本地区影响因素对邻接地区种植业面源污染等标排放量的影响。总效应则反映一个地区种植业面源污染等标排放量变化由自身驱动因素和驱动因素的空间互动累积共同作用的影响效果。从直接效应来看, 农业经济水平(lnG)、技术进步(lne)和财政支农水平(lns)的提升都能够改善本地区种植业面源污染排放, 消费能力(lnc)、农业现代化水平(lnm)和风险感知能力(lnu)的提高加重本地区种植业面源污染物排放。从间接效应来看, 本地区的农业经济增长(lnG)、消费能力(lnc)、技术进步(lne)、农业现代化水平(lnm)、风险感知(lnu)、产业结构(lna)均对邻接地区种植业面源污染物排放具有明显的空间溢出效应。

表9 2000—2019年31个省(市、自治区)种植业面源污染等标污染排放量的空间杜宾模型(SDM)时间固定模型效应分解Table 9 Effect decomposition of spatial Durbin model (SDM) time fixed model for standard pollution emission of planting nonpoint source pollution in 31 provinces (cities, autonomous regions) of China from 2000 to 2019

(1)农业经济增长(lnG)。农业经济增长水平总效应为0.222, 在P＜5%置信水平下显著, 其分解的直接效应和间接效应分别为—0.175和0.397, 均在P＜1%置信水平下显著。说明农业经济水平对种植业面源污染物排放具有显著的空间溢出效应, 且区域间的溢出效应大于区域内的直接效应。虽然20年间农业生产不断发展, 相应的制度不断变迁, 但总体来看农业经济水平增长仍处于消耗农业环境的阶段。一方面, 受限于各地区耕地面积、质量等因素, 为保障农业经济水平增长必然伴随化肥等投入量的增加,农作物总产量的增加也将加重农田固体废弃物排放,增加种植业面源污染扩散风险。另一方面, 随着环境友好型技术的研发和投入使用, 及各项面源污染治理举措的实施, 能够有效控制种植业面源污染, 但因其相应成本较高, 降低种植业面源污染排放的效果大大降低。理论上, 种植业面源污染排放量能够随着农业经济的增长而得到缓解, 但因为各地区农业经济增长变化对本地区及邻接地区均具有显著反向影响作用, 因此若有效减缓种植业面源污染物排放, 需要有效措施推动各地区经济增长, 且减缓本地区对邻接地区的辐射作用。

(2)消费能力(lnc)。消费能力对种植业面源污染排放的直接效应是0.370, 通过P＜1%显著性检验, 间接效应是—0.238, 通过P＜5%显著性检验。消费能力的提升能够增加本地区的种植业面源污染排放量,但对邻接地区呈现负向空间溢出效应。造成此种结果的根本原因是随着现代农业的不断发展, 农村居民消费能力的提升及伴随的生产生活方式转变, 农资产品的使用量需求扩大、新型助农科技接受度提升, 必然引起本地区种植业面源污染源排放的增加。同时, 消费能力的提升可能推动农户选择环境友好型技术, 其改变能够为邻近地区起到示范作用, 对邻接地区种植业面源污染排放带来一定的抑制作用。

(3)技术进步(lne)。技术进步的总效应为0.186,在P＜5%置信水平下显著, 其分解的直接效应和间接效应分别为—0.128和0.314, 均在P＜1%置信水平下显著, 可见技术水平进步对本地区的种植业面源污染起到减缓作用, 但对邻近地区具有加重种植业面源污染排放的作用, 且间接作用大于直接作用, 其结果必然加重种植业面源污染排放。注重技术进步的两面性, 继续发挥技术进步优势, 寻找技术进步对邻近地区负效应的根本原因, 促进实现直接效应与间接效应间效果的逆转, 在推动技术进步的同时, 助力减少种植业面源污染排放。

(4)农业现代化水平(lnm)。农业现代化水平总效应、直接效应、间接效应均在P＜1%置信水平下显著, 系数分别为—0.493、0.147和—0.639。农业现代化水平的发展所带来的间接效应远大于对本地区的直接效应, 整体表现为对种植业面源污染排放有抑制作用。农业现代化发展水平的不断提高是各地区农业发展的必然趋势, 在种植业发达地区或具有推进农业现代化发展的重点区域提高农业现代化水平,会增加化肥等生产资料消耗的可能性, 这是实现种植业绿色发展的必然过程。同时, 种植结构相似、农业现代化程度高的地区为邻接地区树立良好的示范性作用, 促进在同一流域内提高农业资源有效利用, 实现省域间种植业生产良性竞争, 降低种植业面源污染排放。

(5)风险感知(lnu)。风险感知的总效应、直接效应、间接效应均为正向影响, 且均通过P＜1%的显著性检验。由此可见, 各地区农户在感知到农业生产风险的情况下, 会采取适当增加化肥、农药等行为保障种植业生产, 由此将引起种植业面源污染物排放增加。根据《2010年主要农作物科学施肥指导意见》, 不同作物的肥料需求量不同, 同时各地区种植业结构不同, 化肥需求量和作物产量都存在差异,种植业面源污染排放表现出非均衡和空间聚集且存在空间差异的现象。

(6)财政支持(lns)。财政支持中, 仅有直接效应为负向影响, 通过P＜1%显著性检验, 说明本地的财政支农政策对本地种植业面源污染排放量有明显负向影响, 正确的政策将有效降低种植业面源污染物排放, 本地区的支农政策对邻接地区没有明显影响,政策本身具有较强的针对性与适用性。间接效应为正, 未通过显著性结果检验, 说明本地区从财政层面约束种植业面源对邻接地区无示范性, 空间溢出效应不明显。

(7)产业结构(lna)。产业结构中仅有间接效应通过P＜5%的显著性检验, 系数为负数, 说明本地区的产业结构对邻接地区有负向空间溢出效应, 本地区农业在经济中比重越低, 邻接地区种植业面源污染物排放越严重。本地区农业比重较低说明本地区产业结构中第二产业、第三产业占比较高, 极易吸引外地农村劳动人口发生劳动力转移, 而现阶段土地资源紧缺、农村剩余劳动力流失是当今种植业生产面对的重要问题, 在农业技术落后的条件下极易通过增加化肥、农药等施用量维持农业生产, 造成其他地区种植业面源污染物排放增加。

3 讨论与结论

3.1 讨论

种植业面源污染是农业面源污染的重要来源之一, 实现种植业面源污染有效防治是解决农产品质量安全这一现实需要的重要途径之一, 是改善农业生产环境、保障农业资源可持续利用、促进农业经济增长的内在要求。探析农业经济增长与种植业面源污染关系是寻找实现农业面源污染防治与促进农业经济增长的重要路径, 探究种植业面源污染排放特征及农业经济增长等因素对其的影响具有重要意义。本文探讨了中国31个省(市、自治区)的种植业面源污染等标污染排放的空间相关性, 实证分析了农业经济增长、消费能力、技术进步、农业现代化水平、风险感知、财政支持、受灾情况和产业结构8个影响因素对种植业面源污染等标污染排放量的空间效应, 从而为地方政府探寻种植业面源污染防治与促进农业经济增长平衡发展的政策措施提供理论依据。

研究结果表明中国种植业面源污染排放具有正向空间相关性, 这一结论与预期相符, 与吴义根等、薛蕾等研究结果中农业面源污染的空间相关性方向一致, 再次验证中国农业面源污染具有明显的正向空间相关性。此外, 农业经济增长、消费能力、技术进步、农业现代化水平、风险感知、财政支持对种植业面源污染等标污染排放量具有显著的空间溢出效应, 这一结论与预期相符, 与曹俐等、吴义根等、栾健等的部分研究结果具有相似之处,说明种植业面源污染排放受邻接地区的地理位置、生态环境、社会经济水平等空间溢出效应影响, 若政府采取对农业经济增长、农民消费能力、农业技术进步等具有影响的措施能够直接或间接地影响邻接地区的种植业面源污染排放。研究结果再次证明,种植业面源污染不仅仅与耕地自身条件因素有关,与农业经济增长变化、政策制度实施等也密切相关。

对比现有研究, 本文主要从以下两个方面作出深化: 其一, 从研究对象来看, 现有关于种植业面源污染的深入研究较少, 本文选择种植业面源污染为研究视角切入点, 以化肥和农田固体废弃物为主要种植业面源污染源, 确定化学需氧量、总氮、总磷、氨氮为核算种植业面源污染等标污染排放量的主要污染物, 以此提高实证分析中数据的准确性, 数据选取的多样性是对现有种植业面源污染研究的有效补充, 有助于提高对种植业面源污染防治问题的关注。其二, 从研究方法来看, 现阶段从时空维度进行种植业面源污染的相关研究较少, 与单一的时序面源污染分析相比, 从时间和空间两个维度结合农业经济增长等多个关键因素进行实证分析能够更加明晰外部因素对种植业面源污染的影响, 更加具有现实意义, 对具有针对性的对策建议的提出具有重要作用。以上两点也是本文与现有研究结果具有一定差异性的主要原因。同时, 本研究也具有一定的局限性。首先, 种植业面源污染成因复杂, 污染源及污染物种类繁多, 未在统计内的污染排放量仍存在未知的影响作用。其次, 对种植业面源污染排放的空间溢出效应具有影响的外部因素还可以继续深入探索, 未来研究应选取不同影响因素进行深入分析, 使研究结果更加科学。

3.2 结论

本文基于2000—2019年全国31个省(市、自治区) (不包括香港、澳门、台湾)种植业面源污染数据, 采用等标污染负荷法测度种植业面源污染物的排放情况, 运用空间杜宾模型剖析农业经济增长、消费能力、技术进步、农业现代化水平、风险感知、财政支持、受灾情况及产业结构对种植业面源污染物排放的空间效应, 并将影响因素的空间效应分解为直接空间效应和间接空间效应。研究得出以下结论:

(1)中国种植业面源污染物的等标污染排放量和全国种植业面源污染排放量的莫兰指数结果显示,20年间31个地区种植业面源污染排放量存在显著正相关空间相关性, 全国呈现“高-高”和“低-低”空间聚集类型的地区数量趋势处于上升态势, 聚集区域主要集中在经济发达地区和农业大省。

(2)中国种植业面源污染排放量对农业经济增长的空间溢出效应显著。某地区的经济增长、技术进步、农业现代化水平、财政支农水平、消费能力、风险感知、产业结构对本地区及邻接地区均具有显著性影响效应。由此表明, 随着经济水平的增长可以缓解种植业面源污染排放量的增长, 应根据省域间负向溢出效应因地制宜制定政策, 保障“农业经济增长、种植业面源污染减少”的同时实现。

(3)分解SDM时间固定效应模型结果表明, 直接效应中, 农业经济水平、技术进步和财政支农水平对本地区种植业面源污染排放起促进作用, 消费能力、农业现代化水平和风险感知能力对本地区种植业面源污染排放起抑制作用。间接效应中, 农业经济增长、消费能力、技术进步、农业现代化水平、风险感知、产业结构均对邻接地区种植业面源污染物排放具有明显的空间溢出效应。直接效应与间接效应的影响作用不同, 应重视效应较大的影响因素在种植业面源污染物排放中的导向作用。

结合以上结论, 提出以下对策建议:

(1)促进农业生产与环境保护政策协同发展, 发挥经济增长、技术进步、财政支持对本地区种植业面源污染排放的抑制作用。可以提高政府对农业的财政支持, 从农业面源污染的产生、排放、迁移和治理等角度, 全方位学习江苏太湖等农业面源污染示范点的防治经验, 依据《全国农业可持续发展规划(2015—2030年)》《农业环境突出问题治理总体规划(2014—2018年)》, 制定自上而下完整的管理监督体制, 保障在有效防治种植业面源污染的先导条件下促进农业生产与农业经济稳步增长。

(2)积极利用省域间的空间交互作用, 根据显著性影响因素, 驱动利于种植业面源污染防治的影响因素发挥作用。例如发挥消费能力、农业现代化水平、产业结构的负向空间溢出效应, 从微观层面针对农户的行为制定激励措施, 制定完整的农业生产行为规范体制; 从宏观层面调控本地区产业结构, 实现资源利用率提高, 实现种植业面源污染有效防治。

(3)加强农村地区教育培训、种植业科学技术研发与推广的力度。加强对农村居民关于农资产品特性、新型农业技术等的教育培训, 合理引导对于农资产品的选择和使用。重视种植业科学技术研发与新型技术推广, 建立高效的环境友好型种植业技术与推广体系, 为实现种植业面源污染防治提供“软实力”支持。