乡村振兴背景下绿色普惠金融对农业碳减排影响研究——基于STIRPAT模型

刘佳怡,安圣涛,彭心悦,罗慧琳,欧姣姣

(1.湖北经济学院 金融学院;2.湖北经济学院 统计与数学学院,湖北 武汉 430205)

0 引言

据联合国粮食与农业组织(FAO)的统计,农业用地释放出的温室气体超过全球人为温室气体排放总量的30%[1]。农村地区经济发展面临的资源和环境的制约已越来越明显,农业低碳正成为碳排放研究的重要课题,亟需找到抑制农业碳排放的有效措施。同时,开展农业碳减排工作,不仅是满足人们美好生活需求的内在要求,也是构建现代能源体系的重要组成部分,对于巩固和扩大脱贫攻坚成果,促进乡村振兴也具有重要意义。

在抑制农业碳排放方面,绿色普惠金融与农业碳减排高度相关。一方面,农业受气候与生态环境影响很大,是绿色金融重点关注的领域。另一方面,“三农”领域长期面临融资难、融资贵的局面,是当前中国普惠金融的重点扶持对象[2]。要解决当前农村生态环境问题,需大力发展农村绿色生态。农业碳减排与绿色金融、普惠金融产品的应用将产生巨大的市场,可以为农村地区的健康快速发展提供支撑,从而探索绿色低碳的新发展模式[3]。因此,用绿色普惠金融实现农业碳减排,对农村地区可持续发展以及乡村振兴战略的实施具有重要意义。

本文以中部五省地区作为研究对象,通过统计年鉴数据测算农业碳排放量,同时在构建绿色普惠金融框架的基础上,计算绿色普惠金融发展指数,最后使用STIRPAT模型进行多元回归分析,探究绿色普惠金融对农业碳减排的影响效应,为绿色普惠金融在农业碳减排方面提供路径参考,并给出理论与实际相结合的对策建议。

1 文献综述

围绕农业碳减排与绿色金融、普惠金融之间的关系,近年来学者们展开了大量的理论探讨和实证研究,归纳起来主要有两类观点。一类观点是绿色金融可以促进农业碳减排,Wan等[4]研究得出使用绿色融资方法和政策可以最大限度地减少二氧化碳排放。何吾洁等[5]研究发现利用可再生能源走绿色金融道路可以有效抑制二氧化碳的排放。另一类观点是普惠金融促进农业碳减排,程秋旺等[6]分析发现普惠金融的覆盖广度、使用深度均具有农业碳减排效应。王巧等[9]认为普惠金融总体上有利于减少碳排放,推动低碳发展。此外,还有一些学者认为完善农业融资主体的信用体系[10-11]、建立农业碳减排的供给端风险共担机制[12]、激活农业碳减排消费端[13]可以有效推动农业碳减排。

从上述国内外相关研究可以看出,当前学术界的研究主要针对单一的绿色金融或普惠金融对农业碳减排的影响,较少将两者结合起来研究。如果仅仅着眼于绿色金融,绿而不普,使环保意识较差的小微经济体难以获得绿色金融服务,无法实现普惠,限制了绿色金融的服务范围和作用范围。如果普而不绿,虽然在普惠金融理念的指导下,大量金融机构强化了对长尾群体的帮扶强度,但是通过以牺牲环境为代价而生存的农民群体、小微企业难以长久发展。因此,本文将从绿色金融和普惠金融深度融合的角度,探究绿色普惠金融对农业碳减排的影响效应,并给出理论与实际相结合的对策建议。

2 研究设计

2.1 变量选取与数据来源

2.1.1 被解释变量

本文的被解释变量为碳排放量,参照IPCC提供的参考方法测算省级碳排放量,计算公式为E=∑Ei=∑Tiδi,其中,E代表农业碳排放总量,Ei代表不同农业碳排放源产生的碳排放量,Ti代表不同碳源的数量,δi为各个碳源的碳排放系数[12]。在确定碳排放的源头方面,本文参考田云等[13]的研究,并根据现有年鉴的数据,主要分析我国中部河南、湖北、湖南、江西、安徽五省的农业生产能源碳排放量,主要碳排放源包括用电量、柴油用量、农药、农膜使用量等。

2.1.2 解释变量

绿色普惠金融是在金融机构商业可持续条件下为普惠对象提供的与绿色金融相关的服务,旨在促进其参与绿色经济、绿色产业和绿色项目的一种金融活动[14]。这种金融活动利用服务渗透性、绿色投资等金融工具,帮助资金流入资源节约和环保产业,推动农业碳减排的可持续发展。将不同金融工具作为衡量指标,采用变异系数法估算绿色普惠金融发展指数,反映中部五省绿色普惠金融发展水平,并将其作为解释变量。各变量具体说明如下:

普惠金融衡量。服务渗透性包括地理服务和人口服务的渗透性,用每万平方公里金融机构从业人员数、每万人拥有的金融机构数等表示[15];服务可得性,即存贷款服务可得情况,用金融机构人均存款余额和金融机构人均贷款余额表示;服务效用性,包括存贷款使用效用和保险服务情况,用金融机构存款占GDP比重、金融机构贷款占GDP比重、保费收入占GDP/地区人口数比重表示。

绿色金融衡量。绿色信贷包括绿色信贷的覆盖面和投入强度两个描述指标,用六大高耗能工业产业利息支出占工业利息总支出的比重具体描述[11];绿色投资用环境污染治理投资占GDP的比重衡量;绿色保险用购买农业保险人数/农户总人数和农业保险深度表示。

2.1.3 控制变量

农业碳排放量除了受到种植业投入这一主要来源的影响,还受许多其他因素的影响。同时由于变量选取不足可能会导致模型有一定偏差,因此本文将从人口规模、富裕程度、技术水平3个方面来探究影响碳排放的因素,将其作为控制变量[16]。各变量具体说明如下:

(1)人口规模。通常人口规模的增加会导致能源消耗的增多,进一步使得碳排放量增加。这里主要研究中部五省农村的人口规模。

(2)富裕程度。人民富裕程度用人均GDP表示。二氧化碳的排放无法避免主要是由于人民富裕程度和经济发展的需要所产生的各种能源的利用和消耗。若经济发展到一定水平,随着人们的环保意识提高和碳减排技术的提高,此时的碳排放量也相应地会减少。本文主要研究中部五省农村人均GDP。

(3)技术水平。用碳排放强度表示。技术水平的提高能有效降低碳排放强度并提高能源利用度。

2.1.4 数据来源

中部五省农业碳排放量数据来自《中国能源统计年鉴》、各省农村统计年鉴,并根据《中国统计年鉴》提供的相关碳源的碳排放系数对各种能源的碳排放量作出估算。绿色普惠金融相关金融工具指标数据、人口规模、人均GDP、碳排放强度直接或间接地来自《中国统计年鉴》《中国农村统计年鉴》《湖北农村统计年鉴》《河南农村统计年鉴》《江西农村统计年鉴》《湖南农村统计年鉴》《安徽农村统计年鉴》及EPS数据库。各变量及其测度如表1所示。

表1 各变量及其测度说明

2.2 绿色普惠金融发展水平衡量

2.2.1 衡量方法

首先利用变异系数法确定各个指标的权重,同时对各个指标作出量化处理达到消除各指标之间线性关系影响的目的,最后综合计算出绿色普惠金融发展指数(GIFI),并以此来衡量绿色普惠金融发展水平[17]。

2.2.2 指标体系构建

本文结合中部五省绿色普惠金融发展现状,从绿色信贷、绿色投资、金融服务可得性等多方面综合测度绿色普惠金融的发展程度,具体指标体系如表2所示。

表2 具体指标说明

2.2.3 绿色普惠金融发展指数的计算

首先确定各指标的权重。各级指标的变异系数为各指标值标准差与平均数的比值:

在此基础上得到各指标的权重:

接着,对各级指标值进行线性量化处理:

其中Di表示第i个维度指标,Ai是第i个指标的真实观测值,Yi是第i个指标的最大观测值,yi是第i个指标的最小观测值。基于以上准备,得到的绿色普惠金融发展指数计算公式为。

GIFI=

通过上述公式,计算出中部五省2011-2020年绿色普惠金融发展指数,具体变动情况如图1所示。

图1 2011-2022年中部五省绿色普惠金融发展指数折线图

从图1可看出,2011-2020年绿色普惠金融发展指数整体呈上升趋势,并在0.08～0.2之间波动,其中2012-2015年期间出现较大幅度的上涨。通过查阅资料发现,2013年是各大银行大力推行绿色普惠金融政策的高峰时期,为此可初步判断绿色普惠金融政策的实施对绿色普惠金融的发展具有一定的推动作用。

2.3 模型设定

本文以中部五省2011-2020年的面板数据作为研究样本,研究绿色普惠金融对这五省农业碳排放的影响效应。

York等在原有IGT、ImPACT等[16]模型的基础上建立了STIRPAT (Stochastic Impacts by Regression on PAT)模型,该模型的表达式为:

I=αPaAbTcGde

其中,I表示环境压力或环境影响,一般通过污染物排放量或资源消耗量表示;P为人口因素(Population);A为富裕水平(Affluence);T为技术因素(Technology),指碳排放强度;G为绿色普惠金融发展因素。α为模型的系数;a、b、c、d分别代表人口数量、富裕程度、技术水平和绿色普惠金融发展程度的指数;e为模型的随机误差项。

为分析各因素对环境的影响以及消除模型中可能存在的异方差影响,本文将所有变量进行对数化处理,取对数化后的STIRPAT模型如下:

lnY=lnα+alnP+blnA+clnT+dlnG+lne

其中lnY为因变量,即中部五省农业碳排放量,lnP、lnA、lnT、lnG为自变量,即影响碳排放量的因素,包括人口规模、富裕程度等,a、b、c、d为各自变量的系数,lnα为常数项,lne为误差项。该模型变量具体说明如表3所示。

表3 模型变量说明

3 数据分析

3.1 变量的描述性统计分析

由图2可知,中部五省2011-2020年碳排放量整体呈现逐年增长的趋势,农业碳排放强度呈现减小-增加-减小的交替形式,其中2018年、2019年农业碳排放强度相对较低,这可能与人均GDP增加有一定的关系,碳排放环比增速在2019-2020年出现了大幅度增加的现象。

图2 中部五省2011-2020年碳排放量、碳排放强度、碳排放环比增速折线图

3.2 数据特征分析

考虑到涉及到的数据数值太大,对其做对数化处理,处理后数据的性质和关系不发生改变。通过对数据做简单的描述性统计分析,初步探索各变量的数据结构,了解各个变量自身的差异性,分析结果如表4所示:

表4 各变量数据描述性分析

3.3 相关性分析

为初步观察变量间的关系,对各变量做Pearson(皮尔森)相关分析,得到各变量间的相关关系,分析结果如表5所示。由表5可知:碳排放量与人口规模、富裕程度、技术水平和绿色普惠金融发展指数均存在较强的相关关系,且碳排放量与人口规模和富裕程度呈正相关关系,与技术水平和发展指数呈负相关关系,同时在0.05的显著性水平下,各自变量p值均小于0.05,表明碳排放量与各个自变量显著相关。

表5 各变量相关性分析

3.4 模型残差的性质检验

3.4.1 回归模型残差独立

利用DW统计量验证回归模型残差独立。DW取值范围为0～4,当DW越接近2,残差项间越无关;越接近0,正相关越强;越接近4,负相关越强。

计算得到DW统计量值为2.309,落在无序列相关区间内,表明残差独立。

3.4.2 残差服从正态分布

由图3和图4可知,标准化残差近似服从正态分布,且散点基本在第一象限对角线的周围散布,因此可认为残差基本服从正态分布。

图3 回归标准残差图

图4 累计概率图

3.5 自变量间的多重共线性

由于多重共线性使参数估计值的方差增大,因此方差膨胀因子值VIF越大,说明共线性越强。从表6中最后一列可以看出,人口规模、富裕程度、技术水平和绿色普惠金融发展指数的VIF都小于5,因此自变量之间不存在共线性。

表6 模型求解结果

3.6 模型整体回归效应的检验

由表7可知,F统计量为2 020.790,p<0.05,则在α=0.05的显著性水平下,可认为所拟合的线性回归方程具有统计学意义。

表7 模型整体回归ANOVA检验

3.7 模型计算结果

根据以上分析得到模型结果:以人口规模为例,其偏度回归系数为0.024,说明在其他因素不变的情况下,人口规模每增加一个百分点,碳排放量平均增加0.024个百分点。

4 结论及启示

4.1 研究结论

基于2011-2020年湖北省、湖南省、河南省、江西省和安徽省近10年的相关数据,本文对该五省的农业碳排放量和绿色普惠金融发展指数进行测算。同时,确定了解释变量、被解释变量和控制变量,并构建STIRPAT拓展模型深入研究其影响因素。一方面发现了各影响因素的影响效应,另一方面找到了绿色普惠金融的发展与碳排放量之间的关系,基于此可以更好地指导农业建设规划,促进农业碳减排,推动乡村振兴的发展。本文主要结论如下:第一,从总体上看,中部五省农业生产能源碳排放量均呈现逐年增长的趋势,但增长幅度不大,同时,单位GDP的碳排放量在相对减少,是碳减排发展向好的象征。第二,由STIRPAT模型的结果分析可知,农业生产能源消耗碳排放量的影响因子及系数由大到小分别是:技术水平(1.007)、富裕程度(0.996)、绿色普惠金融发展水平(0.071)、人口规模(0.024)。第三,对中部五省农业碳排放量有正向影响的因子为人口规模和富裕程度,有负向影响的因子为技术水平和绿色普惠金融发展水平。

4.2 管理启示

根据上述结论得出,农业技术水平和绿色普惠金融的发展能有效抑制农业碳排放,且随着时间推移抑制作用会逐渐增强。在此结论上,本文结合《推进普惠金融高质量发展的实施意见》提出如下建议:

(1)在农业技术水平方面。政府要加大绿色创新技术的研发投入,利用新时代智能技术帮助农业碳排放绿色转型;利用协同创新体绿色技术为农业生产服务,在提高其经济效益的同时提升农户参与协同创新体研究的积极性;针对不同地区的碳排放程度加大对可再生能源发展的财政支持,解决可再生能源发展面临的技术壁垒,消除认知障碍,促进经济、社会的可持续发展[18]。

(2)在绿色普惠金融的发展方面。政府和银行保险机构要做好顶层设计,吸纳碳减排成果的先进经验,从战略高度推进绿色普惠金融;创新金融服务产品,针对农业消费权益开发新的产品,比如排污权、排放权、用能权,探索开发创新型金融产品;在当前绿色普惠金融发展的基础上,扩大绿色信贷、绿色保险规模,提高金融服务渗透性、金融服务效用性;搭建绿色普惠金融-农业碳减排平台,引导资金流向环保的农产业以及高附加值的绿色企业,让绿色普惠金融覆盖面更广,更好地服务于农业碳减排。

(3)在人口规模方面:要控制人口规模,优化人口结构。一方面要根据不同省份的现实情况因地制宜,控制人口数量,鼓励居民积极响应国家政策,提高人口质量;另一方面,积极引入具有高端技术的人才,利用政策优势让高技术人才留在当地助力农村农业碳减排工作有序开展[19]。