财政支农强度、农业碳排放及空间溢出效应

朱前涛，秦 昊

（兰州财经大学a.公共管理学院；b.财政与税务学院，兰州 730020）

1 引言与文献综述

温室气体过度排放导致的全球气候变化已经成为阻碍人类生存与发展的严肃问题，引起了世界各国的广泛关注。我国政府秉承人类命运共同体的可持续发展观，积极承担温室气体减排责任，2020年9 月提出了2030年实现“碳达峰”、2060年实现“碳中和”的“双碳”目标，彰显了我国的大国担当。尽管第二、三产业碳减排是我国实现“双碳”目标的工作重心，但农业碳排放问题仍然值得引起各界的重视[1]。据统计，我国农业源温室气体排放量约占全国温室气体排放量的17%[2]。我国提出了加速农业绿色减排、促进农业固碳、提升生态农业碳汇等要求，这也意味着对农业碳排放研究的重要性和必要性已经达到了新高度[3]。而财政支农作为我国政府调节农业生产的主要手段，对促进农业产业结构转型、推动绿色新型农业发展有较强的导向作用，环境友好型农业的规划绕不开财政支农。因此，理清农业碳排放与财政支农间的影响关系，对我国农村“双碳”目标的实现具有重要的现实意义。

学界对农业碳排放开展了广泛研究。部分学者从农业碳排放的主要驱动因素入手，对农业碳排放的碳源分类、碳排放系数以及测算指标体系进行了完善[3-6]，使得农业碳排放的计算精度与科学性得到了提高；部分学者在环境库兹涅茨曲线的基础上继续拓展，在得出我国农业碳排放与经济增长等变量间呈倒“U”型或“N”型关系后进行了深层次的经济规律分析[7-9]；部分学者以空间计量为工具，从环境规制、农业技术效率、农业产业集聚、农业生产效率、城镇化水平、农地经营规模等角度出发探索其对农业碳排放强度的空间溢出效应[10-15]；部分学者则立足于我国农村在实现“双碳”目标过程中的困难现状，深入分析了农业碳减排背后的主要阻力与矛盾所在[16-18]，为我国低碳农业的发展与政府的政策制定提供了宝贵建议。财政支农作为我国调控农业生产、改善乡村环境的主要政策工具，学者也对其开展了广泛研究。财政支农能够有效促进农业经济结构升级以及农民脱贫增收[19-20]、改善农村居民消费结构以及消费支出比例[21]、优化我国乡村产业结构以及带动城镇化发展[22-23]。此外，财政支农也存在政策外部性和一定程度的空间溢出效应。在我国的科学治理框架下，各省（市）间与城乡间区域关联性不断增强，人员、技术、资本等要素的区域流动性不断提高，使得我国财政支农政策的实施具有空间上的相关性与溢出性[22，24]。

综上所述，学界对我国农业碳排放与财政支农的研究已经十分丰富，但鲜有研究将财政支农投入与农业碳排放结合起来。财政支农对农业碳排放是否存在显著的空间溢出效应？财政支农对农业碳排放的影响是正向还是负向？基于此，本文以2011—2020年我国30 个省份（因数据缺失，不包括港澳台、西藏）面板数据为根据，选取11 个农业碳源测算农业碳排放，采用空间全局莫兰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，构建各省经济发展与农业生产的控制变量，实证分析财政支农对农业碳排放影响的空间溢出效应，以期为我国财政支农与“双碳”目标的实现提供可行建议。

2 理论分析与研究假设

农林水财政资金的投入直接为农村地区完善了农业生产所需的基础设施，如水库、电站和防沙带等公共与准公共产品，提高了农村植树造林面积、种植合理程度和农业灾害治理率等，加速了农村生态固碳，并抑制了农业碳源扩张。此外，财政支农促进了农业技术进步，多种支农财政补贴提高了低碳农药化肥使用率、废弃资源回收利用率和绿色生产效率等，一定程度上改善了农业粗放式生产状况，有效减少了农业碳排放[25]。

财政支农一定程度上弥补了长期以来的工农业剪刀差，支农补贴向农民提供了使用农机与农用化学品等生产要素的“碳足迹优惠”，在农村老龄化、空心化与兼业化趋势不断加深的背景下，农民的低碳意识往往会为了收入让步，因此，为了提高生产效率、避免减产，农民倾向于选择“要素挤兑”的生产方式去大量使用农机与农用化学品，农民群体“用脚投票”导致了农业碳排放提高。此外，支农资金的投入完善了农业基础设施，为农民高频率灌溉、放牧和翻耕等行为提供了便利，促进了农业生产规模扩张，这些碳排放足迹的提高导致了农业碳排放居高不下[26]，并可能存在一定的挤出效应，削弱了财政支农的碳减排效果，使得财政支农对农业碳排放的总体效应表现为正向促进。由上述分析可知，财政支农对农业碳排放的促进与抑制效果兼存，因此提出假设1 和假设2。

H1：可能存在抵消效应，使得财政支农与农业碳排放之间不存在显著的影响关系。

H2：财政支农通过多维途径影响农业碳排放，使得两者最终呈现出显著的促进或抑制关系。

结合上述假设，再从空间视角上分析财政支农与农业碳排放的关系。财政支农下高碳排放的“要素挤兑”农业生产模式也会引发周边地区的学习与模仿，通过农民群体的“同群效应”与“学习效应”拉动邻近区域碳排放升高[14]。此外，在“双碳”目标的号召下，部分省份率先将财政支农政策向低碳农业倾斜，若能够取得良好的农村碳减排成果，邻近省份往往会进行政策效仿，可能会敦促周边省份达成农业碳减排目标。由此可推测，财政支农对邻近地区的农业碳排放存在一定的空间溢出效应，在此基础上提出假设3。

H3：财政支农对其他地区农业碳排放具有显著的空间溢出效应。

3 变量选择与模型建立

3.1 变量选择

3.1.1 被解释变量：农业碳排放（AC）

本文中，农业碳排放由种植业碳排放和禽畜养殖碳排放的绝对量构成。学界倾向于将种植业碳排放定义为生产全过程中由人类活动造成的各类碳源产生的CO2、N2O 和CH4等温室气体[27]，因此，要将农业生产过程产生的温室气体折算成CO2当量进行碳排放计算与汇总。参考学界已建立的核算体系与方法[6]，在选取柴油、农药、化肥、农膜、灌溉和翻耕六类种植业碳源的基础上，考虑到禽畜养殖温室气体排放已经超过交通运输业，成为不可忽视的一类碳源[27]，并且我国农村地区长期保留禽畜养殖与厂区规模化养殖的传统，因此，本文将禽畜养殖[猪、牛（非奶牛）、奶牛、羊和禽]碳排放也划归为农业碳排放，碳排放计算公式见式（1）：

对于六类种植业碳源来说，E 为农业碳排放总量，Ei为各类碳源的碳排放，Ti分别为柴油、农药、化肥和农膜的实际使用量以及实际灌溉面积、农作物实际播种面积，δi为各类碳源的碳排放系数（见表1）。

对于禽畜养殖碳源来说，E 为农业碳排放总量；Ei为各类碳源的碳排放；Ti表示平均饲养数量，为了科学计算，本文参考张金鑫等[5]的做法，设置饲养周期超过一年的牛（非奶牛）、奶牛、羊的Ti=（当年年末存栏量+上年年末存栏量）/2，设置饲养周期未达一年的猪、禽的Ti=[（生命周期/365）×年末出栏量]，其中猪、禽的生命周期定为200、55；δi为各类碳源的碳排放系数（见表1）。

表1 农业碳排放的碳源以及碳排放系数

3.1.2 核心解释变量：财政支农强度（FSA）

反映财政支农的政策强度较为直观的方法是计算支农资金支出占比，这种计算方法可以消除各省域由于农业规模、农业经济水平和农民人数不同导致的财政支出绝对规模的差异，客观反映各省域财政对三农的支持强度。考虑到我国财政支农资金项目种类繁多，且各地区农村发展情况不同，使用单一支农资金科目不能如实反映财政支农强度，因此，本文选用各省农业部门的财政支出占全部财政支出的比例衡量各省财政支农强度。

3.1.3 控制变量

按照上文分析，农业碳排放受到多种外界因素的影响，除了核心解释变量外，参考其他学者的研究思路[11-14]，总结归纳可能会影响农业碳排放的因素作为控制变量。本文以农业机械化程度（AM）、农民人均耕地占有面积（ACL）、土地生产率（LP）、农村太阳能覆盖面积（ASE）、农村经济水平（AGDP）作为控制变量。各变量的计算方法与描述性统计见表2。

表2 各变量的描述性统计

需要说明的是，控制变量中的农村经济水平（AGDP）与土地生产率（LP）计算中涉及到的价格数据，均采用2011年不变价格，以消除通货膨胀与价格波动的影响。被解释变量、核心解释变量和控制变量计算中需要的数据，均来源于各省（市）历年统计年鉴和历年《中国统计年鉴》《中国农村统计年鉴》《中国农业机械工业年鉴》《中国财政年鉴》。

3.2 模型建立

3.2.1 空间自相关检验

对变量进行空间相关性分析之前，首先要确定其是否存在空间效应。本文选择计算莫兰指数（Moran's I）来证实研究对象的空间效应。构建全局莫兰指数模型，对财政支农强度与农业碳排放的空间自相关性进行检验。公式见式（2）：

式（2）中，I 表示全局莫兰指数，n 表示测度省份的个数；xi、xj为观测值，即本文中的省份i 和j的财政支农强度及农业碳排放；为财政支农强度与农业碳排放的平均值；wij表示空间权重矩阵，为了更好度量自变量与因变量的空间相关性，本文选择地理距离（两地质心距离倒数的平方）矩阵。全局莫兰指数的取值范围为[-1，1]，当I=0 或趋近于0 时，说明变量间不存在空间相关性，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。

3.2.2 空间计量模型

变量通过全局莫兰指数检验后，要依据拉格朗日乘子（LM）检验、Hausman 检验、似然比（LR）检验和Wald 检验的结果来确定空间计量模型。空间计量模型主要包括空间杜宾模型（SDM）、空间滞后模型（SAR）和空间误差模型（SEM）。SAR 在学界通常用于分析变量是否存在区域外溢出效应；SEM 可以分析位置差异引起的区域间相互作用形式的差异，SDM 不仅能够分析划定的区域内变量关系，还能考察该区域与邻域的滞后变量对该区域的影响，并可退化为SAR 与SEM，较另外两个空间模型具有全面性与灵活性等优势，具体要以模型的LM 检验、LR 检验与Wald 检验结果来判断SDM 模型是否会退化为SAR 或SEM，再根据Hausman 检验的结果来判断随机效应与固定效应模型的选用。

遵循一般到特殊的建模思路，本文选择构建杜宾模型如式（3）：

其中，α0为常数项，yit为被解释变量农业碳排放，xit为包括财政支农强度在内的自变量，ω 为空间权重阵，εit为随机扰动项，μi为个体固定效应，υt为时间固定效应，ρ、β 和θ 为待估系数。对自变量与因变量取对数并进行缩尾处理，以消除异方差和极端数值对实证结果的影响。后续分析中，将在使用地理距离矩阵的基础上，考虑经济距离对变量的影响，引入经济地理嵌套矩阵进行稳健性检验，以克服权重矩阵设定时的误差。

4 农业碳排放分布特点与变化趋势

4.1 2011—2020年各地区农业碳排放与变化趋势

在进行实证分析之前，首先测算农业碳排放。按照国家统计局对我国区域的划分标准，将本文观测的30 个省划分为东部、中部和西部地区，按照碳排放系数与测算方法计算各地区2011—2020年的平均农业碳排放，结果如表3所示。各区域平均农业碳排放的变化趋势如图1 所示。

表3 2011—2020年东部地区、中部地区、西部地区和全国平均农业碳排放（单位：万吨）

图1 各区域平均农业碳排放变化趋势

4.2 2011—2020年各地区农业碳排放的变化原因与分析

如图1 与表3 所示，我国平均农业碳排放在2015年前呈总体上升趋势，并在2015年达到了排放量顶峰，此后持续下降，但在2020年略有回升，这也与其他学者预测结果一致[13]。2015年后农业碳排放的降低与国家在当年推行实施的农药化肥零增长等一系列低碳农业政策有直接关系，这说明农业碳排放具有一定程度的政策敏感性，因此，我国仍需持续贯彻落实低碳农业政策，防止在未来发生碳排放反弹。按地区来分析，农业碳排放呈现出西部地区＞中部地区＞东部地区的典型特征，原因在于：西部地区除了种植业以外，畜牧业发展规模远超全国其他地区，该产业具有分散性、模糊性和潜伏性等特点[18]，较难直接治理，且畜牧业的碳排放强度与碳足迹均高于种植业[27]，所以，西部地区的农业碳排放高于其他地区。中部地区包括河南、黑龙江、湖北和湖南等几个传统农业大省，在观测时间之初和西部地区的平均农业碳排放差距不大，但中部地区随着低碳政策的实施与农业生产方式的调整获得了良好农业减碳效果，中部和西部地区农业碳排放差距持续拉大。而东部地区作为我国的发达地区，农业产业结构转型以及农业生产率的提升处于全国领先地位，因此，农业碳排放低于中部和西部地区。若从2011—2020年的农业碳减排绝对量来分析，中部地区减排582.84 万吨，超出全国平均值200.64 万吨；东部地区减排501.17 万吨，超出全国平均值118.97 万吨；西部地区减排117.3 万吨，与全国平均值还有264.9 万吨的减排差距。因此，接下来我国碳减排工作的重心要向西部地区的农牧业倾斜，并合理制定各地区的农业碳减排政策。

5 实证结果与分析

5.1 空间自相关检验结果

运用Stata16.0 软件对公式（2）进行估计，得出农业碳排放与财政支农强度的全局莫兰指数，如表4 所示。2011—2020年农业碳排放和财政支农强度的全局莫兰指数均通过了1%水平下的显著性检验，且全为正值，表明两者均存在显著全局正向空间相关性，并呈现集聚的特征。从时间趋势来看，农业碳排放的全局莫兰指数严格递增，财政支农强度的全局莫兰指数波动上升，表明两者的空间关联性与集聚程度在逐渐增强。

表4 2011—2020年农业碳排放和财政支农强度的全局莫兰指数及检验结果

5.2 空间计量模型选择

上文中全局莫兰指数的显著说明了变量存在空间相关性，可以进一步分析空间计量模型的选择。依次进行LM、LR、Wald、Hausman 和联合显著性检验，检验结果如表5 所示，地理距离矩阵（W1）与经济地理嵌套矩阵（W2）均通过了LM 检验，说明模型存在空间交互效应，且空间滞后模型更加显著；W1与W2的LR、Wald 检验结果均在1%与5%水平下通过了显著性检验，说明拒绝了原假设，即SDM 不会退化为SAR 或SEM。Hausman 检验与联合显著性检验的结果说明个体固定效应、时间固定效应与双固定效应均在1%水平下显著，因此，应选择双固定效应空间杜宾模型。

表5 LM、LR、Wald、Hausman 和联合显著性检验结果

5.3 财政支农强度效应对农业碳排放的空间面板回归结果分析

使用双固定空间杜宾模型的估计结果如表6所示。首先，W1与W2的空间自回归系数（rho）都在1%水平下显著，这说明了农业碳排放具有正向空间溢出效应，即在“同群效应”下，本省农业碳排放的改变会带动邻近地区同向改变，这与其他学者的估计一致[32]。此外W1的空间自回归系数小于W2的空间自回归系数，说明在考虑到经济距离与地理距离的情况下农业碳排放的空间溢出效应更强。模型Ⅰ与模型Ⅱ的财政支农强度对农业碳排放的主效应与空间效应均显著，证明了财政支农强度对农业碳排放具有显著的空间溢出效应，结合全局莫兰指数检验结果可以证实假设3 成立。模型Ⅰ中，财政支农强度对农业碳排放的回归系数为0.106 且通过了显著性检验，说明财政支农强度增加1%会使得农业碳排放增加0.106%，正如上文所分析，财政支农强度的提高给本省农业生产变相提供了“碳足迹优惠”，使得农业碳排放提高，该结果证实了假设2 成立。控制变量回归结果中，模型Ⅰ与模型Ⅱ中lnAGDP、lnLP、lnACL 均正向显著，说明在本区域内以上变量的增长会刺激农业碳排放的提高。出现这种结果的原因可能是：我国农业生产长期存在老龄化、空心化和分散化等弊病，土地生产率、农业经济水平和人均耕地面积的提高往往伴随着农业扩张式与粗放式发展，农民通过“要素挤兑”来追逐生产红利[12]，大规模使用农用化学品与农机、放牧、翻耕和灌溉等要素来保证农业增产、维持收入，因此，模型中显著的控制变量与农业碳排放同向变化，也侧面说明了这些变量对环境具有负外部性。

表6 空间杜宾模型的估计结果

由表6 可知，模型Ⅰ与模型Ⅱ各变量的系数符号、显著性特征基本一致，表明本文构建的实证模型具有较强的稳健性。

由表6 可以得知，被解释变量空间自相关系数（rho）显著且不为0，此时不能直接使用Wx的回归系数衡量变量间的空间溢出效应[33]，因此，采用偏微分法将模型Ⅰ的回归结果分解为直接效应、间接效应和总效应。直接效应表示本省区域内变量间的影响关系和本省自变量对外省因变量产生影响后反馈给本省因变量的影响之和，间接效应显示了其他省的自变量对本省因变量的影响，总效应为自变量对因变量的总影响，结果如表7 所示。

表7 空间杜宾模型的效应分解

表7 中，财政支农强度的直接、间接与总效应均通过了1%水平的显著性检验，且系数均为正，说明财政支农为农业生产提供的“碳足迹优惠”使得某些地区农民获得了生产优势，农民群体中存在的“同群效应”与“学习效应”会吸引外省农民主动选择“要素挤兑”生产方式，造成农业碳排放的提高。换言之，财政支农为农民提供的“碳足迹优惠”比财政支农的碳减排效应更容易被农民群体接纳，即“用脚投票”情况出现，同时该行为具有一定的空间溢出性，并在省域间传播。总体来说，财政支农强度能显著影响本省与邻省的农业碳排放，具有一定的空间溢出效应，且表现为财政支农强度与农业碳排放正向变化，这也证明了假设2 和假设3 成立。

从控制变量的显著水平来看，人均耕地面积与土地生产率的直接效应、间接效应与总效应均正向显著，说明具有显著的空间溢出性。人均耕地面积的扩大与土地生产率的提高会使用更多的农业生产要素，诸如柴油、化肥、农药等，在使用过程中排放大量温室气体导致农业碳排放提高。农村经济水平与农业机械化程度的直接效应显著，但间接效应与空间效应不显著，即两者并未表现出空间溢出性，但会影响本区域内农业碳排放。农村太阳能覆盖面积的直接效应不显著，间接效应与总效应在10%水平下正向显著，这可能是因为太阳能在农村地区的应用范围较为局限，无法实现大规模的能源替代，但也会为农业生产过程提供一定支持，加速农业生产过程中的灌溉、翻耕等碳源的碳排放，且具有空间溢出性。

6 多重共线性、单位根及协整性检验

6.1 各变量的多重共线性检验

为避免变量间的多重共线性对实证结果造成严重影响，本文使用Pearson 相关系数法与方差膨胀因子（VIF）检验对各变量进行多重共线性检验，检验结果见表8。Pearson 相关系数法规定了若变量之间不存在多重共线性，则相关系数不超过0.7，而本文设定的各变量间Pearson 相关系数绝对值均小于0.7。方差膨胀因子检验假设若不存在多重共线性，则各变量的方差膨胀因子介于（1，10）区间，且方差膨胀因子的均值大于1。如表8 所示，各变量中方差膨胀因子最大值为5.10，方差膨胀因子平均值为2.65，满足不存在多重共线性的两个条件。因此，结合Pearson 相关系数与方差膨胀因子检验结果可以说明各变量间不存在多重共线性。

表8 各变量的Pearson 相关系数与方差膨胀因子检验结果

6.2 各变量的单位根检验与协整检验

对模型设定中的各变量进行单位根检验与协整检验，旨在验证回归结果的真实性，防止出现伪回归。其中，运用HT、IPS 和LLC 检验对变量的单位根进行检验。由于本文所使用的面板数据属于短面板，适合使用HT 检验和IPS 检验对变量的平稳性进行考量，但为了提高检验的完整度与可靠性，额外增加了LLC 检验。检验结果如表9 所示，各变量均通过了单位根检验，表现出变量的平稳性，但因对部分变量进行了一阶和二阶差分处理，而在原始模型中本文仍旧使用原序列进行回归，因此，需对面板数据模型进行协整检验[11]，所得结果如表10 所示。协整检验结果显示Pedroni 检验、Kao 检验和Westerlund 检验均显著通过协整检验。综合单位根检验和协整检验结果，说明变量存在长期均衡关系，不存在伪回归情况。

表9 各变量单位根检验结果

表10 变量的协整检验结果

结合多重共线性检验、单位根检验和协整检验结果可知，本文建立的模型较为平稳，不存在多重共线性与伪回归现象，回归结果可靠。

7 结论与建议

本文在2011—2020年我国30 个省份的面板数据的基础上，测算了2011—2020年农业碳排放的绝对量并分区域分析了平均碳排放的变化趋势，采用空间全局莫兰指数分析了财政支农强度与农业碳排放的空间相关性，随后建立空间杜宾模型，对财政支农强度与农业碳排放的空间溢出效应进行了探讨，得出了以下结论。

第一，2011—2020年，全国平均碳排放先增加后减少，在2015年达到了顶峰，随后开始缓慢下降，在2020年略有起伏。分区域来看，我国东部、中部和西部地区的碳排放均呈现先上升后下降的波动趋势，西部地区2011—2020年平均农业碳排放领先于中部和东部地区，且高于全国平均碳排放水平。从碳减排层面来看，中部地区的农业碳减排效果最为显著，东部地区次之，西部地区碳减排效果最差。总体来说，我国农业碳减排取得了一定成效，但仍需进一步稳固减排成果。

第二，从空间自相关性来看，财政支农强度与农业碳排放的全局莫兰指数均为正并通过显著性检验，表明两者均存在显著全局正相关，两者的全局莫兰指数呈现波动递增的趋势，表明随着时间推移，财政支农强度与农业碳排放的空间集聚程度呈总体提高的趋势。

第三，从空间杜宾模型与效应分解结果来看，财政支农强度、人均耕地面积与土地生产率的直接效应、间接效应和总效应均显著且系数大于0，说明这些变量会正向影响本省的农业碳排放，也会正向影响相邻省份农业碳排放，即具有显著的空间溢出性。

根据以上结论，本文提出以下建议：

第一，继续坚定推行农业低碳政策。从全国平均农业碳排放可以看出，我国各地区在过去十年农业低碳政策均取得了十分显著的成效，但仍存在个别年份波动的趋势。因此，一是要继续推行农业低碳政策，加大对农业绿色生产的宣传与培训力度，将低碳意识牢植于广大农村区域与农民群体。二是提升对低碳低毒农用化学品、高效率低污染的新型农机的使用面积与补贴范围，加速农业废弃物与动物粪便的回收与处理流程。三是科学利用农业碳排放的空间溢出性，争取实现我国农村“以点带面”的碳减排传播机制，为我国“双碳”目标的实现迈出坚实步伐。

第二，充分考虑各地区农业碳减排的区域实际，实行差异化的碳减排步骤与目标。我国国土幅员辽阔，各地区农业资源禀赋存在显著差异，不能用一致化的标准要求各地区实现农业碳减排。对于农业欠发达且畜牧产业为重的西部地区，要意识到碳减排的艰难性，通过财政的合理支持和引导，妥善配置、利用和发挥其资源禀赋优势，促进西部农业碳减排。对于经济发达的东部地区，要坚持“先富带动后富”、积极发挥“涓滴效应”在中部和西部地区的经济发展及农业碳减排中的作用。对我国粮食主要产地的中部地区，要在保证我国粮食安全与耕地红线的基础上，探索低碳农业的有效模式，开拓中部地区农业发展活力与农业碳减排并重的农业“双驱动”发展良好局面。

第三，优化升级现有的财政支农政策，合理解决农村“用脚投票”的状况。一是充分考虑当前农民生产的窘迫境况与实际诉求，避免出现“一刀切”的情况，将财政支农资金用在能满足绿色农业生产需要、促进农业碳减排的刀刃上。二是坚持全国上下一盘棋，做好各省份农业生产与碳减排的协调规划、统筹安排，充分发挥我国财政支农的特点与优势。三是持续加大对低碳农业的研发与补贴力度，让低碳农用品逐步替代高污染农用品，降低“要素挤兑”式农业生产方式对碳排放的影响，让财政补贴落到实处，使农民群体在碳减排过程中真正受益，引导农民群体自愿走上绿色生产的道路，实现财政支农“四两拨千斤”的减碳效果。

第四，意识到财政支农促进农业碳减排是螺旋上升的过程，充分考虑支农政策的历时性与共时性问题。实证结论表明财政支农强度对农业碳排放有正向激励作用，但不能就此否定支农财政的生态建设功能。作为强有力的政策工具，财政支农取得了一系列的辉煌成就，但也有一定的时代适应性与局限性。要在每个节点考虑发展环境的变化，充分考虑农民群体的发展诉求与农业碳减排的困难所在，两者并非予舍予求的矛盾问题，而是在当前发展阶段辅车相依的时代目标。当前的财政支农也许不能实现显著的农业碳减排，但财政支农的未来一定能兼顾农村增收与绿色环保等多方诉求。在这个过程中，更需要政策制定者及时调整、合理规划，以期实现财政支农促进碳减排的螺旋式上升。