山東省農業面源污染的時空特征及影響因素分析

余秋菊，武以敏，高鳳偉，欒詩晴

宿州學院統計調查咨詢服務中心，安徽宿州，234000

山東省近二十年來不斷擴大規模總量，優化產業結構，其中農業發展取得了輝煌成就，山東省已成為農業生產大省之一。2018年，山東省農業增加值約占農林牧漁業總增加值的55.143%。隨著農業生產規模的擴大以及農藥、化肥、地膜等各種生產要素的投入，山東省農業面源污染逐漸加重，主要產生水體富營養化、土壤次生鹽漬化和耕地通透性變差等污染現象。中共十八大和十九大會議中分別提出了建設“資源節約型、環境友好型”社會和“綠水青山就是金山銀山”理念，強調了人與自然和諧共生，堅定走生態文明發展道路。2021年，國家相關部門發布了《“十四五”全國農業綠色發展規劃》，其中將加強農業面源污染防治作為總體要求之一。在此背景下，積極探討山東省農業面源污染的來源以及影響因素具有重要的理論意義及實際意義。

目前，國內外學者圍繞生態文明建設及綠色發展進行了研究，且環境污染一直是研究的熱門話題。如屈文波等[1]從非正式環境規制減排角度出發，利用動態空間面板模型探究公眾參與對環境污染的影響，研究表明公眾參與度的提高能夠有效減少環境污染物的排放，且環境污染具有空間溢出效應；施震凱等[2]利用面板數據模型研究進口復雜度對霧霾污染的影響效應，實證發現進口復雜度的提升能夠促進產業結構升級及技術創新等，進而對霧霾污染具有正向積極作用；姚成勝等[3]運用面板數據模型對全國31個省份的環境污染影響因素進行研究，研究表明大部分地區的工業集聚水平對環境污染產生了抑制作用，并且土地城鎮化水平、工業集聚水平對全國的環境污染均具有正向促進作用。梳理并歸納文獻[4-6]可知，關于綠色發展水平的研究主要體現在綠色發展效率的測算及影響因素分析，研究表明經濟發展水平、產業結構、科技進步、外商直接投資等因素對綠色發展具有顯著的正向促進作用。同時注意到，國內外大多數學者對高質量經濟發展的研究僅僅從工業污染、霧霾污染、綠色發展等視角進行研究，而對農業面源污染進行量化分析的研究偏少。

在此背景下，本文選取山東省17個地市作為研究對象，利用清單分析法和固定效應模型探究山東省17個地市的農業面源污染排放量及其影響因素，并運用Moran’I指數、LISA散點圖、集聚圖等分析山東省17個地市農業面源污染是否具有空間溢出效應。

1 研究方法

本文研究目的是運用清單分析法測算山東省17個地市的農業面源污染排放量，且根據Moran’I指數、LISA散點圖、集聚圖等分析山東省17個地市的農業面源污染排放的空間效應，并利用面板數據模型探究農業面源污染的影響因素。

1.1 農業面源污染排放量的測算

查閱文獻[7]，利用清單分析法測算農業面源污染物全氮(TN)、全磷(TP)、化學需氧量(COD)。在現有研究基礎上進行擴展，得到農業面源污染產污清單表，如表1所示。

表1 農業面源污染產污清單

文中選取上表中五類污染源，其污染源產污系數分別來源于：肥料施用污染源中使用的系數參考梁流濤和張佳卓的文獻[8-9]、畜禽養殖中使用的系數參考《全國污染普查畜禽養殖業產污系數與排污系數手冊》、水產養殖中使用的排污系數參考《水產養殖業污染源產排污系數手冊》、農作物污染系數參考《全國種植業污染源普查排污系數測算實施方案》，其污染排放量的計算公式如下：

其中，E表示農業面源污染排放量；EUi表示污染單元i的統計量；Pi為污染單元i的產生系數；Ci為污染單元i的流失系數;PEi為農業面源污染產生量。通過上面的污染排放量計算公式，可分別測算2009—2018年山東省及17個地市的農業面源污染物全氮、全磷、化學需氧量排放量。

1.2 空間效應檢驗

運用全局Moran′s I指數檢驗山東省農業面源污染的整體空間相關性，用局部Moran′s I指數檢驗各區域與周邊區域的空間相關性，用LISA統計量檢驗空間集聚現象。其全局Moran′s I指數和局部Moran′s I指數的計算公式分別如下[10]：

1.3 面板數據模型

面板數據同時含有橫截面和時間序列的數據，是對一組固定調查對象的多次觀測得到的數據，即由橫截面上個體在不同時間的重復觀測而形成的數據。在建立面板數據模型需要確定模型類別：根據對截距項和解釋變量系數的不同假設，可以將面板數據回歸模型具體劃分為混合回歸模型、固定效應模型和隨機效應模型三種，其中固定效應模型公式如下[10]：

yit=xitβ+zi′δ+ri+ui+εit

其中,yit,xit分別表示因變量和自變量在橫截面i和時間t上的數值，β,δ分別是系數項,zi是不隨時間變化的個體特征，ui+εit是復合擾動項，i=1,2,…N表示截面個體數，t=1,2,…N表示對每個截面的觀察時點數。

2 實證分析

2.1 時序變化分析

由于數據可獲取性，文中選取2009—2018年面源污染指標數據進行分析。根據清單分析法可得2009—2018年山東省農業面源污染物全氮、全磷、化學需氧量的排放量，由于年份較多，本文選取2018年的農業面源污染排放量進行分析。如表2所示。

表2 2018年山東省農業面源污染物排放量

由表2可知，2018年山東省農業面源污染物排放量較多的是TN和COD，其分別為555 660.9 t、203 107.3 t，兩者分別占總污染排放量的66.35%、24.25%；而TP排放量為78 661.47 t，僅占總污染排放量的9.39%。并且從各類污染源看，由畜禽養殖產生的污染物為577 298.6 t，其占總污染排放量的68.94%；而由農作物產生的污染物占總污染排放量的17.33%，這兩種污染源是農業面源污染產生的主要部分。同理觀察2009—2018年山東省農業面源污染物排放量也可發現，各年山東省畜禽養殖和農作物產生的污染物也居于前位。

由圖1可知，2009—2018年山東省農業面源污染物排放量最多的是TN，最少的是TP。此外，2009—2018年山東省農業面源污染物TN、TP和COD處于較小波動狀態，其中TP長期內呈平穩趨勢，TN和COD從2014—2018年整體上呈緩慢下降趨勢。

圖1 2009—2018年山東省農業面源污染物排放量

根據圖2可知，將2009年作為比較基期，2010—2018年山東省農業面源污染物排放量增長率變化趨勢較大的是2018年，且三種污染物排放量增長率達到最大的負增長。此外，2010—2014年山東省農業面源污染物COD排放量增長率均為正增長，而2015—2018年三種農業面源污染物排放量增長率均處于負增長。這表明2010—2014年山東省農業種植和水產養殖過程中產生了大量的污染物COD，但從2015—2018年山東省逐漸意識到生態環境的重要性，注重綠色發展之路，進而農業面源污染物排放量逐步較弱。

圖2 2010—2018年污染物排放量增長率變化趨勢圖

2.2 空間效應分析

由于涉及年份較多，本文利用2018年數據對山東省17個地市農業面源污染排放量進行空間效應分析。首先利用全局Moran’s I指數檢驗山東省農業面源污染排放量是否具有空間相關性，檢驗結果如圖3所示。

圖3 2018年山東省各地市Moran’s I散點圖

由圖3可知，2018年山東省17個地市的Moran′s I指數為0.289，大于0。另外，在5%的顯著性水平下，p值小于0.05。由此表明，2018年山東省17個地市的農業面源污染排放總量具有顯著的空間正向相關性，也即是山東省整體農業面源污染具有空間溢出性。同理，若分別對TN、TP、COD污染排放量進行全局Moran′s I指數檢驗，可得TN、TP、COD污染排放量的全局Moran′s I指數在5%的顯著性水平下，三者均顯著。由此表明，2018年山東省各類農業面源污染物也分別具有空間溢出性。下面利用局部空間相關性檢驗某地區與周邊地區是否具有空間相關性，輸出結果如圖4所示。

圖4 2018年山東省各地市LISA顯著性和集聚圖

根據LISA顯著圖4可知，在1%的顯著性水平下，2018年山東省德州市和聊城市的農業面源污染總量通過了檢驗。在5%的顯著性水平下，2018年山東省濟南市和濰坊市農業面源污染總量通過了檢驗。由LISA集聚圖發現，2018年山東省的濟南市處于H-L象限，濰坊市處于L-L象限，德州市和聊城市均處于L-H象限。此外，從LISA和集聚圖發現，數十年山東省農業面源污染聚集情況沒有產生較大變化。

2.3 農業面源污染影響因素分析

選取2009—2018年山東省各地市的年末總人口數(PE)、化肥使用量(HS)、農藥使用量(NS)、地膜(DM)、灌溉面積(GG)、柴油使用量(NC)作為解釋變量；用上文測算出的2009—2018年山東省各地市的TP、TN、COD排放總量分別作為被解釋變量，用Y表示。所有數據均來源于2010—2019年《山東省統計年鑒》、各地市《統計公報》等。

首先利用F檢驗和Hausman檢驗確定適合的面板數據模型，得到的結果如下所示：

根據表3可知，以TN為被解釋變量的模型中，P值小于0.05，則表明應接受備擇假設，建立固定效應模型。

表3 污染物全氮隨機效應模型的Hausman檢驗

此外，通過F檢驗發現(表4)，P值小于0.05，則表明應拒絕原假設，建立固定效應模型，這也與Hausman檢驗結果相一致。同理，通過對TP和COD模型的一系列檢驗發現，以TP和COD為被解釋變量的模型也應建立固定效應模型。

表4 污染物全氮固定效應模型的F檢驗

其次，文中分別以TN、TP、COD為被解釋變量建立固定效應模型，整理結果如表5所示。

表5 固定效應模型回歸結果

從表5可知，以TN、TP、COD為被解釋變量的三個固定效應模型中，模型的F統計量都顯著超過相應臨界值水平，這表明三個固定效應模型的整體顯著性水平較好。觀察以TN被解釋變量的固定效應模型發現，HS、NS、GG的回歸系數在1%的顯著性水平下顯著，且HS、NS的系數為正值，GG的系數為負值，這表明化肥使用量和農藥使用量對TN污染物的排放具有顯著的正向作用，農田灌溉面積對TN污染物的排放具有顯著的負向作用。DM的回歸系數在10%的顯著性水平下顯著，且DM的系數為正值，這表明地膜使用量對TN污染物的排放具有顯著的正向作用。同理，觀察以TP、COD為被解釋變量的固定效應模型發現，PE、HS、NS的回歸系數在1%的顯著性水平下顯著，且年末總人口數、化肥使用量對TP污染物的排放具有顯著的正向作用。PE、HS、GG的回歸系數在1%的顯著性水平下顯著，且年末總人口數、化肥使用量、農田灌溉面積對COD污染物的排放具有顯著的正向作用，這也與胡鞍鋼[11]、葛繼紅[12]等人的研究結果相一致。從回歸系數絕對值發現，三個模型中柴油使用量的系數較小，也表明這個變量對三種污染物的排放具有較小的影響。

3 結 語

文中主要利用清單分析法測算2009—2018年山東省各地市的農業面源污染排放量，并對各地市的農業面源污染排放量進行時空效應分析，以及運用固定效應模型分析農業面源污染排放的影響因素，得到的結論有：第一，2009—2018年山東省整體農業面源污染中TN和COD的排放量較多，TP最少；且2015—2018年山東省農業面源污染物排放量增長率均處于負增長。第二，2009—2018年山東省農業面源污染TN、TP、COD的排放量具有空間溢出性，且德州市、聊城市以及濰坊市的農業污染排放量相對較高。第三，人口數、化肥使用量以及地膜等變量對TN、TP、COD的排放具有正向作用，也即是表明TN、TP、COD的排放量會隨著人口數、化肥和地膜使用量的增加而增加。因此，筆者提出以下建議：第一，政府應積極提倡綠色發展，鼓勵居民和企業投身于生態文明建設，加強可持續發展理念。第二，在農業發展進程中，合理控制并規劃農藥、地膜、化肥等污染環境的生產要素投入，積極引進先進農業技術水平，提高生產效率和能源使用效率。第三，各地市政府要重點關注農業面源污染的空間效應，努力減少污染源，共同治理環境污染，協調發展。