中国农业净碳汇效率动态演进与空间溢出效应

来源:用户上传      作者:

　　摘要：提高农业碳排放效率是实现农业减排和农业高质量发展的重要手段和根本途经。本文在将农业净碳汇看作一种期望产出的基础上，运用DEA-BCC-I模型对中国30个省（市、自治区）2005—2017年农业净碳汇效率进行测算，并采用KernelDensity估计法对其时空动态演进过程进行分析。进一步在空间面板模型检验通过的基础上，选用双固定效应下的空间杜宾模型计量了农业净碳汇效率的空间溢出效应。研究发现：2005—2017年我国农业净碳汇量以年均0.41%的速度下降，东部地区净碳汇量低于中西部、东北地区。我国的农业净碳汇效率水平整体偏低且空间差异明显，东部地区净碳汇效率明显高于其它地区。分析农业净碳汇效率的动态演进特征发现，我国农业净碳汇效率呈现下降趋势，存在明显的区域发展不均衡现象，且地区差异呈现扩大态势。测算省际农业净碳汇效率的空间相关性，全局空间自相关Moran’s I指数显示，我国省际间的农业净碳汇效率在空间上呈现显著的正相关关系，并且存在局部聚类的情况;局域空间自相关Moran’s I指数也表明省际农业净碳汇效率在空间上呈现集聚效应。在农业净碳汇的空间效应方面，农业内部结构、工业化程度、教育水平和科技发展水平对我国省际农业净碳汇效率具有显著的正向溢出效应，而城镇化水平、经济发展水平的空间溢出效应显著为负。
　　关键词：净碳汇效率;KernelDensity;空间杜宾模型;溢出效应
　　中图分类号：F323.2 文献标识码：A 文章编号：1002-2104（2019）12-0068-09
　　自20世纪以来，气候变化、温室效应等问题引起了社会各界的广泛关注，如何应对成为了全球思考的重要问题。我国作为世界第二大经济体，虽然在《京都议定书》中属于不在强制减排范围内的Ⅱ类国家，但是我国已成为全球较为显著的碳排放國。在哥本哈根会议上，我国政府承诺，至2030年单位GDP二氧化碳排放要比2005年下降60%～65%。为了实现这一目标，我国政府也陆续制定并出台了相关政策和鼓励创新措施。
　　由于现阶段社会、文化、科技等方面发展水平有限，总体上我国经济-碳排放二者仍然呈现较为明显的正向关系。随着中国城镇化进程的加快和产业结构升级，农业占GDP的比重不断下降，但是相关研究表明，农业碳排放占总碳排放的比例却明显增长。关于农业经济增长-农业碳排放二者之间的关系，已有不少学者对此进行了研究，例如：徐国泉等[1]、李波等[2]、田云等[3]、王兴等[4]利用Kaya模型和LMDI分解模型对碳排放的影响因素进行分解，认为经济增长是影响碳排放增长的主要因素;李波等[5]、李立等[6]利用Topic脱钩模型对农业经济-农业碳排放的脱钩关系进行分析，结果表明我国农业经济增长与碳排放的脱钩关系并不理想。因此，提高农业碳排放效率成为实现农业发展与农业碳减排并行的重要手段。
　　目前，对于碳排放生产效率的研究主要集中于工业、建筑业等第二产业，而对于农业碳排放生产效率的研究相对较少，例如：吴贤荣等[7]、程琳琳等[8]分别从绩效评价、减排潜力对农业碳排放进行研究;吴昊玥等[9]、程琳琳等[10]将碳排放作为环境的投入要素对农业碳生产效率进行分析。
　　以上研究主要集中于“单要素”特征和将碳排放作为投入要素，在农业生产过程中，GDP作为期望产出被研究者所认可，而碳排放作为非期望环境产出常常被忽略。虽然以碳排放作为环境投入指标，能够在一定程度上强调隐性的生产约束条件，但农业同时具备碳排放和碳汇功能。若将碳汇因素考虑在内，把农业净碳汇作为产出指标，对农业生态环境分析将更为全面系统。同时，从时空角度测算分析其效率水平变化和影响因素，可以定量揭示农业生态环境特征和内在动因机理，对于进一步推动农业减排和高质量发展具有重要理论参考意义。
　　基于此，考虑到数据可得性等原因，本文将除西藏、港澳台以外的30个省（市、自治区）作为研究对象，构建2005—2017省际面板数据，采用DEABCCI模型测算我国各省份的农业净碳汇效率;同时运用KernelDensity估计方法对其演进历程进行分析;最后构建出空间杜宾模型（SDM）对我国农业净碳汇效率的影响因素进行剖析，探究空间上的直接效应、间接溢出效应以及差异情况。
　　1农业净碳汇效率的测算与分析
　　1.1测算方法和指标选取
　　1.1.1DEABCCI模型
　　DEABCC模型于1984年由Banker等人在CCR模型的基础上提出，该模型的基本假设满足以最小的投入，获取最大的产出。因国内碳交易市场已开始建立，净碳汇的经济价值得以体现，可将净碳汇看作一种期望产出，即其产出被希望越多越好。因此，本文拟选用具有规模报酬可变（VRS）性质的投入导向BCC模型，即DEABCCI模型对农业净碳汇效率进行测算，公式如下：
　　1.1.5数据来源
　　数据主要来源如表2所示，部分缺失数据采用平滑法填充。
　　1.2农业净碳汇的时空特征
　　1.2.1农业净碳汇的时序特征分析
　　通过对样本期内的农业碳排放和碳汇测算后发现，总碳排放以年均1.70%的速率，由2005年的7 183.15万t增长至2017年的8 796.98万t，但其环比增速逐年放缓，且于2016年开始呈现负增长趋势，说明对农业碳排放实现有效控制。总碳汇仅以年均0.70%的速度增长，2017年达到15 673.20万t，较2005年增加了1 265.32万t。但从环比增长来看，总碳汇自2014年开始出现明显的下降趋势，说明需加强对林地、草地的保护。虽然总碳排放和总碳汇都出现增长，但碳汇的测算对象为草地和林地，二者面积变动周期较长，因此近年变动幅度较小。而总碳排放的增速较快，碳汇增长难以抵消碳排放的增长，导致净碳汇量以年均0.41%的速率下降，2017年较2005年下降了348.50万t，仅有6 876.23万t的净碳汇量，见表3。 　　化肥作为农业碳排放的最大碳源，通过控制使用普通化肥，提高绿肥、生物肥料等有机肥的使用率，降低农业碳排放;同时在保障林地、草地现有面积基础上，适量扩大种植面积，增加碳汇，实现“减排增汇”，进而增加农业净碳汇。
　　1.2.2农业净碳汇的空间特征分析
　　由于我国各省份经济社会发展水平与资源环境条件存在差异，导致各省农业碳排放、碳汇水平不同。由表4可知，东部地区的平均净碳汇量低于中部、西部、东北地区，为负净碳汇水平。但2017年东部地区的净碳汇均值较2005年有所上升，其中除江苏、广东、海南三地的净碳汇量略有下降外，其余地区均上升;而中部、西部、东北地区的净碳汇均值有所下降，其中除中部的陕西、西部的贵州、甘肃、青海、宁夏外，其余地区均有不同程度的下降。可能的原因是，我国的森林储备以中西部和东北地区为主，东部沿海地区的森林、草地储备量较低，使得东部地区在农业种植时，没有足够的碳汇量抵消碳排放，从而导致其净碳汇为负。但近年来随着东部地区的经济、社会与科技的发展，促使东部地区的耕作方式较中西部和东北地区更快转型，其农业碳排放下降，农业净碳汇有所上升。
　　1.3农业净碳汇效率的时序特征
　　运用DEABCCI模型测算出各省（市、自治区）及四大区域的农业净碳汇效率如表5所示。从2005—2017年的农业净碳汇效率来看，我国的农业净碳汇效率水平整体偏低且空间差异明显。大多数省份2017年的农业净碳汇效率较2005年有所下降，例如山西、新疆的下降速度最快，年均降速分别为-5.32%、-5.11%，下降幅度均超过45%。也有不少省份呈现出波动的缓慢上升趋势，例如天津、浙江、海南、江西;而北京、山东、广东、上海等的效率达到有效，且保持平稳。从历年农业净碳汇效率均值来看，排在前10名的效率值均达到有效，包括海南、北京、山东、上海、江苏、浙江、福建、内蒙古、四川、青海;排在后5名的效率均值均未达到0.5，包括陕西、甘肃、重庆、宁夏、江西。从农业净碳汇效率的有效性来看，2005年达到有效净碳汇效率的有12个省份，但在2017年减少到11个省份。从以上分析可知，我国农业净碳汇效率的生产随机前沿主要以东部地区为主，但这并不能说明东部地区的碳减排已达到峰值，仅能够说明东部地区的减排增汇效率明显高于其它地区。究其原因，可能是因为东部地区的科技、经济等发展较好，能够更好地利用科技和经济手段，降低碳排放，从而提高净碳汇。从历年的极差来看，2017年的极差由2005年的0.579上升到了0.744，表明省际间的“减排增汇”差距逐年增大。
　　1.4农业净碳汇效率的动态演进
　　为了直观了解其动态演进特征，本文采用KernelDensity估计方法对农业净碳汇效率的动态趋势进行分析。选取2005年、2010年、2015年和2017年作为考察年份，结果如图1所示。
　　由图1可知，我国30个省（市、自治区）2005—2017年农业净碳汇效率的动态演进具有以下特征：①从位置分布来看，密度分布曲线呈现出微弱的左偏现象，说明我国农业净碳汇效率呈现出下降趋势;②从峰度趋势来看，峰度逐年下降，且峰型有微弱的“尖峰”向“宽峰”转变的趋势，密度分布曲线水平跨度扩大，意味着农业净碳汇效率集中程度下降，地区差异扩大;③从形状变化来看，峰数维持在双峰水平，说明均有部分省份分别位于农业净碳汇高、低效率水平上。以上分析说明，我国的农业净碳汇效率存在区域发展不均衡现象。
　　2农业净碳汇效率的空间杜宾模型分析
　　2.1模型设定及变量说明
　　2.1.1变量选取及说明
　　（1）因变量。基于上文利用DEABCCI模型测算出2005—2017年的农业净碳汇效率。
　　（2）自变量。耕地利用水平（PUL）。土地的使用与碳排放的关系息息相关。胡国霞等[12]的测算表明，土地使用过程中的碳排放是人为碳排放量的30%。耕地利用成为近年来中国土地利用的新趋势，其利用水平也同样影响着农业碳排放，继而影响农业的净碳汇。本文采用熵值法从耕地的“效率-强度-结构”构造出多元的耕地利用水平指标。①对数据进行标准化处理;②计算出各指标的信息熵，其中m为评价的时间跨度，k=1lnm;③利用信息熵计冗余度;④计算出各个指标权重;⑤根据公式计算出指标的评价得分。本文选取的指标如表6所示。
　　算出熵农业产业结构（ASR），因计算净碳汇是采用农业和林业合计的方式，因此将利用农林总产值占农林牧渔业总产值的比重对该指标进行衡量;经济发展水平（EDL），以人均GDP进行衡量;所有权结构（OPS），以国有农场产值与农业总产值之比表示;科技发展环境（TE），以3类专利授权数进行衡量;工业化程度（IND），以第二产业产值与GDP之比表示;教育水平（EDU），参考朱承亮等〔13〕的方法测算出平均受教育年限进行评估;城镇化水平（UR），以城镇人口与常住人口之比表示。以上数据均来自《中国统计年鉴》《中国农村统计年鉴》《中国教育统计年鉴》和《中国财政统计年鉴》。
　　2.2模型检验
　　2.2.1空间自相关检验
　　利用STATA软件计算2005—2017年我国净碳汇效率的全局Moran’s I 统计值如表7所示。可以发现，全局Moran’s I 统计值均大于0，且大多于10%的置信区间下显著，说明近年来，我国省际间的农业净碳汇效率存在空间正相关，并且呈现局部聚类的情况。
　　图2为2005年和2017年局域Moran’s I的散点图。通过观察后发现，我国农业净碳汇的效率不是随机分布的，其中“HH”和“LL”象限分別表示农业净碳汇效率较高省份之间相邻和农业净碳汇效率较低省份之间相邻，且二者数量占比较大，由2005年的63.33%增长至2017年的66.67%，而“LH”和“HL”象限的占比出现下降，说明我国省际农业净碳汇效率在空间上呈现集聚效应。 　　2.2.2空间计量模型选择
　　利用STATA软件进行的检验过程如下：
　　（1）LM检验。利用LM检验方法检验空间计量的适用性，检验结果如下：①F检验在1%的显著性水平下拒绝原假设，表示模型接受个体检验，有必要纳入空间效应;②检验的LMerror的值为3.360，在10%水平下显著;RLMerror的值为7.560，在5%的水平下显著;同时LMlag的值为2.202，通过显著性检验，RLMlag的值为6.401，通过5%显著性水平检验，表明与空间滞后模型相比，空间误差模型的适用性更好。
　　（2）Hausman检验。Hausman检验用于判断固定效应和随机效应的选用。根据检验结果显示，Hausman统计量为647.69，pvalue为0.000，在1%的显著性水平下拒绝原假设，因此选用固定效应模型更为合理。
　　（3）Wald检验和LR检验。Wald检验和LR检验用于空间杜宾模型判断是否会退化为空间自回归（SAR）和空间误差（SEM）模型。首先是Wald检验结果，Wald检验值为69.83，且在1%的显著性水平下拒绝了可以简化的原假设;其次是LR检验结果， SDMSAR的LR检验值为58.49，SDMSEM的LR检验值为63.73，均在1%的显著性水平下拒绝能够退化的原假设。
　　综上所述，固定效应下的空间杜宾模型为最优模型。通过进一步对空间固定、时间固定、双固定检验后发现，indboth的值为17.94，timeboth的值为903.05，二者均通过1%的显著性检验。因此，将根据双固定效应下的空间杜宾模型进行检验和分析。
　　2.2.3空间溢出性结果分析
　　为了检验影响因素对省际农业净碳汇效率的影响是否存在空间溢出效应，本文基于双固定效应下空间杜宾模型的直接效应、间接效应和总效应进行计算分析，结果如表8所示。根据表8可知，农业内部结构、工业化程度、教育水平、科技发展环境、城镇化水平、经济发展水平均显示出明显的溢出效应，具体分析如下。
　　（1）农业内部结构和工业化程度的间接效应显著为正，表明农业内部结构和工业化程度对本省的农业净碳汇效率有正向效应的同时，在相邻省份间也产生正向效应，说明农业内部结构的调整和工业化程度的加深，对相邻省份的农业净碳汇效率在一定程度有正的空间溢出效应。这可能是，因对邻近省份的产品输出更突出，导致各省的农业生产结构和工业化程度会根据相邻省份的需求进行调整，从而导致溢出效应。
　　（2）教育水平和科技发展水平的直接效应、间接效应和总效应均呈现出显著的正向效应。这可能是因为，教育水平的提高意味着人口素质的提高，对低碳农业理解更透彻，更倾向于尝试新事物，从而在农业生产过程中偏向于选择低碳的生产方式，降低碳排放;另一方面，科技发展的水平越高，表示减排技术在一定程度上有所进步，从而实现“减排增汇”，同时文化、科技向相邻省份进行推广，从而导致相邻省份能够从中受惠。
　　（3）城镇化水平的直接效应、间接效应以及总效应均显著为负。导致这种负效应的原因可能是，伴随着城镇化进程的加快，农村人口向城镇转移，带动了各产业的发展，增加收入从而增加对农产品需求，消费需求的增加导致农业碳排放增加，进而降低农业净碳汇，使得净碳汇效率下降，而这种需求除了对当地造成影响，对周边地区也有一定程度的影响。
　　（4）经济发展水平的直接效应为正，间接效应为负，两者均显著，说明相邻省份经济发展水平的提高会导致农业净碳汇效率下降，同时由于正向的直接效应无法抵消负向的间接效应，从而经济发展水平的总效应呈现出负向效应。可能因为，本省经济发展水平的提高，在一定程度上会带动相邻省份的经济增长;经济增长导致消费增加，由于土地利用结构的改变，可能影响林地、草地面积，从而降低碳汇，导致农业净碳汇下降，进而使得农业净碳汇效率下降。
　　同时，耕地利用水平、所有权结构的间接效应虽然均为正向，但均未显著，因此耕地利用水平、所有权结构并没有产生有效的溢出效应。
　　3结论与启示
　　本文在将农业净碳汇作为环境期望产出的基础上，测算分析了我国农业净碳汇效率特征和空间溢出效应，主要结论和启示如下：
　　（1）从农业净碳汇效率值来看，我国的农业净碳汇效率水平整体偏低且空间差异明显，东部地区净碳汇效率明显高于其它地区。在样本观察期内，海南、北京、山东、上海、江苏、浙江、福建、内蒙古、四川、青海的净碳汇效率较好，而陕西、甘肃、重庆、宁夏、江西较低且均未达到0.5。
　　（2）从农业净碳汇效率的演进过程来看，我国农业净碳汇效率呈现下降趋势，且存在明显的区域发展不均衡现象，同时峰度逐年下降、宽度逐年扩大、峰数维持在双峰水平，农业净碳汇效率的地区差异逐年扩大。
　　（3）从农业净碳汇效率的空间相关程度来看，全局层面，在样本观察期内的农业净碳汇效率的空间自相关检验结果呈现正向显著，说明我国各省间的农业净碳汇效率存在空间正相关，并且呈现局部聚类的情况;而局域层面，省际农业净碳汇效率在空间上呈现集聚效应。
　　（4）从农业净碳汇的空间效应来看，农业内部结构、工业化程度、教育水平、科技发展环境、城镇化水平、经济发展水平均具有明显的溢出效应，其中农业内部结构、工业化程度、教育水平和科技发展水平对相邻省份的农业净碳汇效率呈现出显著的正向溢出效应，而城镇化水平、经济发展水平的空间溢出效应显著为负。
　　基于以上结论，对于提高农业净碳汇效率有以下几个方面的建议：第一，可以将减排目标从空间和时间上进行横向、纵向分解。鉴于各省份经济社会发展水平、资源环境条件以及净碳汇效率水平差异，可根据不同省份不同时期的实际情况制定相应的减排规划，明确减排目标、路线图。第二，加强省际间在农业“减排增汇”方面的合作交流。优化自身农业内部结构、加快产业结构升级、促进科教发展的同时，密切关注邻近地区的农业碳减排的相关政策、措施及技术，将积极溢出的“辐射”空间范围扩大和强度加深，通过积极的交流合作，实现“减排增匯”的均衡统筹推进。第三，重视城镇化水平、经济发展水平的消极溢出效应。充分利用城镇化进程和经济发展的优势，增加农户的非农就业，加快技术创新、人才引进，实现城镇化进程与低碳农业协调发展，发挥城镇化和经济发展的正向作用，为实现我国整体减排目标打下坚实基础。 　　（编辑：刘照胜）
　　参考文献
　　[1]徐国泉，刘则渊，姜照华.中国碳排放的因素分解模型及实证分析[J].中国人口·资源与环境，2006，16（6）：158-161.
　　[2]李波，张俊飙，李海鹏.中国农业碳排放时空特征及影响因素分解[J].中国人口·资源与环境，2011，21（8）：80-86.
　　[3]田云，张俊飙，李波.基于投入角度的农业碳排放时空特征及因素分解研究[J].农业现代化研究，2011，32（6）：752-755.
　　[4]王兴，马守田，濮超，等.西南地区农业碳排放趋势及影响因素研究[J].中国人口·资源与环境，2017，27（S2）：231-234.
　　[5]李波，张俊飙.基于投入视角我国的农业碳排放与经济发展的脱钩研究[J].经济经纬，2012（4）：27-31.
　　[6]李立，周灿，李二玲，等.基于投入视角的黄淮海平原农业碳排放与经济发展脱钩研究[J].生态与农村环境学报，2013，29（5）：551-558.
　　[7]吳贤荣，张俊飚，田云，等.基于公平与效率双重视角的中国农业碳减排潜力分析[J].自然资源学报，2015，30（7）：1172-1182.
　　[8]程琳琳，张俊飚，田云，等.中国省域农业碳生产率的空间分异特征及依赖效应[J].资源科学，2016，38（2）：276-289.
　　[9]吴昊玥，何艳秋，陈柔.中国农业碳排放绩效评价及随机性收敛研究——基于SBMUndesirable模型与面板单位根检验[J].中国生态农业学报，2017，25（9）：1381-1391.
　　[10]程琳琳，张俊飚，何可.多尺度城镇化对农业碳生产率的影响及其区域分异特征研究——基于SFA、E指数与SDM的实证[J].中南大学学报，2018，24（5）：107-116.
　　[11]张军，吴桂英，张吉鹏.中国省际物流资本存量估算——1952—2000[J].经济研究，2004（10）：35-44.
　　[12]胡国霞，雷国平，周浩，等. 黑龙江省土地利用变化的碳排放效应研究[J].水土保持研究，2015，22（6）;287-292.
　　[13]朱承亮，师萍，岳宏志.人力资本、人力资本结构与区域经济增长效率[J].中国软科学，2011（2）：110-119.
　　[14]王惠，卞艺杰，王树乔.出口贸易、工业碳排放效率动态演进与空间溢出[J].数量经济技术经济研究，2016（1）：3-19.
　　[15]李力，洪雪飞.能源碳排放与环境污染空间效应研究——基于能源强度与技术进步视角的空间杜宾计量模型[J].工业技术经济，2017（9）：65-72.
　　[16]徐亚辉，潘瑜春，刘玉，等.海南省耕地集约利用水平的时空分异研究[J].首都师范大学学报，2016，37（4）：78-84.
　　[17]屈文波.环境规制、空间溢出与区域生态效率——基于空间杜宾面板模型的实证分析[J].北京理工大学学报，2018，20（6）：28-33.
　　[18]张翠菊，柏群，张文爱.中国区域碳排放强度影响因素及空间溢出性——基于空间杜宾模型的研究[J].系统工程，2017，35（10）：70-78.
　　AbstractImproving the efficiency of agricultural carbon emissions is an important mean and fundamental way to realize highquality development of agricultural and agricultural carbon emission reduction. On the basis of considering agricultural net carbon sink as an expected output， this paper uses DEABCCI model to calculate the agricultural net carbon sink efficiency of 30 provinces （municipalities and autonomous regions） in China from 2005 to 2017， and uses KernelDensity estimation to analyze the temporal and spatial dynamic evolution of agricultural net carbon sink over the years. And through the various tests of spatial panel model， it chooses the Spatial Durbin Model under twoway fixed effects. And the spatial spillover effect of agricultural net carbon sink efficiency was analyzed under this model. The results show that China’s agricultural net carbon sink decreased averagely by 0.41%， while the net carbon sink in eastern China was lower than that in central and western China and northeast China from 2005 to 2017. And the overall level of the net carbon sink efficiency of agriculture is low in China， and the spatial difference is obvious. The work of ‘reducing emissions and increasing sink’ in eastern China makes the best performance. By analyzing the dynamic evolution characteristics of agricultural net carbon sink efficiency， it is found that the agricultural net carbon sink efficiency among provinces in China shows a downward trend， and there is an obvious phenomenon of regional unbalanced development， and the difference between provinces is expanding year by year. By calculating the spatial correlation of the agricultural net carbon sink efficiency between 2005 and 2017， the Spatial Autocorrelation （Global Moran’s I） shows that the agricultural net carbon sink efficiency between provinces in China has a significant positive spatial correlation， and there is a case of local clustering; the Local Moran’s I also shows that the agricultural net carbon sink efficiency between provinces in China has a clustering effect. In terms of the spatial effect of agricultural net carbon sink， the internal structure of agriculture， the degree of industrialization， the level of education and the level of scientific and technological development show significant positive spillover effects on the efficiency of agricultural net carbon sink， while the spatial spillover effect of urbanization and economic development level is significantly negative.
　　Key wordsefficiency value of net carbon sink; KernelDensity; Spatial Dubin Model; spillover
转载注明来源:https://www.xzbu.com/7/view-15116567.htm