城鎮化、空間溢出效應與農業碳排放
——基于2007—2019年省級面板數據的實證分析

黃曉慧，楊 飛，陸 遷

（1.江蘇師范大學 商學院，江蘇 徐州 221116；2.西北農林科技大學 經濟管理學院，陜西 楊凌 712100）

一、引 言

由二氧化碳等溫室氣體排放引發的氣候變化問題日益突出，嚴重威脅生態平衡與人類生存，成為當前全球共同面臨的問題［1-2］。中國作為世界上碳排放大國，進行碳減排對全球氣候治理具有重要的作用［3］。改革開放40多年來，我國為保障世界糧食安全做出巨大貢獻的同時，也產生了大量的農業碳排放，導致嚴重的生態環境問題，對我國糧食安全和農業可持續發展造成很大威脅［4-6］。因此，推動農業綠色低碳生產，不僅是減少農業碳排放的重要路徑，也是生態文明建設的要求，更是促進農業高質量和可持續發展的必然選擇［7-8］。因此，識別農業碳排放的影響因素，對制定農業碳減排政策具有重要意義。

國內外學者主要從農村人力資本、環境規制、農業技術進步、農地經營規模、農業產業聚集、財政支農政策等不同角度研究了農業碳排放的影響［9-11］。近年來，隨著中國城鎮化水平的不斷提高，部分學者開始關注其對農業碳排放的影響。一部分學者研究表明，城鎮化水平正向影響農業碳排放［12-13］；也有學者認為，城鎮化水平負向影響農業碳排放［14］?？梢?，現有文獻研究結論并不一致。同時，由于我國不同省份之間經濟發展水平、資源稟賦等存在差異，農村勞動力在轉移過程中會表現出空間依賴和溢出特征，因此，城鎮化對農業碳排放可能會產生空間溢出效應［15］。那么，近年來農業碳排放時空特征如何？農業碳排放與城鎮化空間相關性和集聚效應如何？城鎮化對農業碳排放是否存在空間溢出效應？基于此，本文根據2007—2019 年中國31 個省份（不包括港澳臺地區）的面板數據，以狹義的農業種植業為研究對象測算種植業農業碳排放，采用空間Moran'sI全局指數分析兩者的空間相關性和集聚特征，借助空間面板計量模型，實證分析城鎮化對農業碳排放影響的空間溢出效應，以期為城鎮化背景下制定農業碳減排政策提供參考。

二、理論分析與研究假設

一方面，城鎮化減少了農村勞動力，這會促使農業生產主體重視規?；图s化經營，有利于節約資源，提高勞動生產率、資源利用率和綠色生產效率，降低農業碳排放［16］。同時，轉移至城鎮的勞動力由農產品生產者轉變為農產品消費者［17］，對農產品的安全品質有了更高的需求。因此，會促使農戶采用綠色低碳農業技術，減少農藥化肥等的投入，進而可以提升農業綠色生產效率，減少農業碳排放［18］。另一方面，城鎮化使農村勞動力呈現出老齡化、女性化和兼業化的特征，為了避免農業減產，農戶大量投入化肥、農藥、農膜以及機械設施等替代性生產要素，產生了大量的農業碳排放，嚴重污染環境，影響糧食安全和農業可持續發展［19］。由此可見，城鎮化可能正向增加農業碳排放，也可能負向減少農業碳排放。因此，提出研究假設1。

H1：城鎮化發展對農業碳排放影響方向不確定。

隨著城鎮化的發展以及省份間開放程度的不斷擴大，不僅可以吸引本省農村勞動力轉移，還會吸引其他省份農村勞動力轉移。農村勞動力在不同省份之間的轉移，加深了農業生產之間的空間聯系［20］。不同省份城鎮化存在空間相關性，能夠產生溢出效應影響農業碳排放［21］。一方面，隨著城鎮化的發展，農村勞動力在不同省份的流動促進了農業生產知識在空間上的交流和傳播，農業生產觀念得到了更新，農戶會將先進的農業綠色低碳技術和專業生產信息嵌入生產環節，最終會減少農業碳排放［22］。同時，隨著城鎮化的發展，居民的環境治理和氣候治理意識和行為會提高，形成示范作用，農戶在農業生產過程中也會節約資源、保護環境，減少本地區的農業碳排放，進而會對鄰近省份產生空間溢出效應，減少鄰近省份的農業碳排放［23-24］。另一方面，城鎮化水平和經濟發展不均衡加大了省份之間資源與要素爭奪，農村人口轉移到城鎮，加大了對農產品數量的需求，造成對資源要素的大量投入，不僅增加本省農業碳排放，而且還影響鄰省農業碳排放［25］。因此，提出研究假設2。

H2：城鎮化發展具有顯著的空間相關性，對鄰省的農業碳排放存在明顯的空間溢出效應。

三、變量選擇、數據來源與研究方法

（一）變量選擇

1.被解釋變量

本文被解釋變量為農業碳排放，其通過下列計算公式得到：

其中：E為農業碳排放總量；Ei為化肥、農藥、農用薄膜、農業機械、農業灌溉、農業翻耕六種碳排放源的農業碳排放量［26］；Ti分別為化肥實際使用量、農藥實際使用量、農膜實際使用量、實際柴油使用量、實際灌溉面積、農作物實際播種面積［27］；δi為六種碳排放源的碳排放系數，分別為0.895 6 kg/kg、4.934 1 kg/kg、5.18 kg/kg、0.592 7 kg/kg、20.476 kg/hm2、312.6 kg/km2［28］。

2.核心解釋變量

本文核心解釋變量為城鎮化水平，其以各省份城鎮人口與各省份總人口的比值來表示。

3.控制變量

財政支農水平采用財政支農支出與農林牧漁業總產值的比值來衡量；農業產業結構采用農業GDP 與農林牧漁業GDP 的比值來表示；農村經濟發展水平用各省份農村人均農業產值來表示；作物種植結構、農業機械投入強度、化肥投入強度、勞動力投入程度分別采用糧食播種面積、農業機械化總動力、化肥折純量、從事種植業的勞動力數量占農作物總播種面積的比重來衡量。

各變量的描述性統計情況見表1所列。

表1 變量的描述性統計分析

（二）數據來源

被解釋變量采用的數據為式（1）中的Ti，核心解釋變量的數據為各年各省份城鎮人口和總人口，控制變量的數據有各年各省份財政支農支出、農林牧漁業總產值、農業GDP、糧食播種面積、農業機械化總動力、從事種植業的勞動力數量、農村總人口。以上數據均來源于2007—2019 年31 個省份的統計年鑒、《中國統計年鑒》《中國農村統計年鑒》。

（三）基礎模型

本文以隨機回歸影響模型STIRPAT 為基礎模型，考察城鎮化對農業碳排放的影響。模型如下：

其中：Carbon表示農業碳排放；Urban表示城鎮化水平；Fsa 表示財政支農水平；Ais 表示農業產業結構；Cps 表示作物種植結構；Mii 表示農業機械投入強度；Lab表示勞動力投入程度；Gdp表示農村經濟發展水平；Fert表示化肥投入強度；β0為常數項；β1-β8為各變量的彈性系數；i表示省份，取值為1-31；t為時間，取值為2007—2019 年。上述變量在進行模型估計時均需要取對數。

（四）空間相關性檢驗

采用全局Moran'sI指數模型，對城鎮化以及農業碳排放的空間自相關性進行檢驗。公式如下：

其中：I為全局 Moran'sI指數；n表示測度省份的個數；xi、xj分別為省份i和j的城鎮化以及農業碳排放量為城鎮化以及農業碳排放量的平均數；wij表示省份i和j的鄰近關系，當i和j不鄰近時，wij=0，反之為1。全局Moran'sI指數的取值范圍為［-1，1］，當I=0時，說明城鎮化以及農業碳排放空間不相關，在空間上隨機分布；當I＜0時，表示存在空間負相關，呈現分散的特征；當I＞0時，代表存在空間正相關，呈現集聚的特征。

（五）空間杜賓模型

構建空間杜賓模型（SDM），實證分析城鎮化發展對農業碳排放影響的空間溢出效應。公式如下：

其中：i為省份截面；t為時間；ρ為空間回歸相關系數，表示省份農業碳排放溢出的影響方向和程度；W為空間權重矩陣；WlnCarbonit為農業碳排放的滯后項；εit～i.i.d(0,σ2)為隨機干擾項；X為自變量與W的乘積；γ為各項乘積的估計系數。公式（4）中加入了自變量與因變量的空間滯后項造成的空間溢出效應。

四、農業碳排放時序變化與區域差異特征

依據公式（1），計算2007—2019年農業碳排放總量平均值，同時采用通常的11∶8∶12劃分方法將31個省份劃分為東部、中部和西部地區，分別計算東中西部地區平均農業碳排放量，見表2所列。

表2 2007—2019年不同區域平均農業碳排放量 單位：萬噸

由表2可見，研究期內全國農業碳排放量先增加后減少。2007—2015 年不斷增加，由2007 年的260.33 萬噸增加至 2015 年的 306.30 萬噸，2015 年達到最大值；2016—2019年不斷減少，下降至2019年的272.43 萬噸。農業碳排放的高低排序依次為中部地區、東部地區、西部地區，其中西部和東部地區的農業碳排放量呈現逐漸縮小的趨勢，中部與東西部地區之間農業碳排放差距相對較大。東部和中部地區2007—2014年農業碳排放量不斷增加，2015—2019年不斷減少；西部地區2007—2016年不斷增加，2017—2019年不斷減少。

產生這種趨勢的原因是：我國在2015 年提出綠色發展戰略，實施農藥化肥零增長行動方案等一系列低碳農業政策，各省份不斷落實該政策，促進農戶減少農藥化肥的使用，農戶注重采用有機肥和生物農藥等替代技術，進而減少了農業碳排放［29］。但各地區在落實國家政策上存在一定的差異，東部和中部地區在國家提出綠色發展戰略的同時，落實該政策，所以當年的農業碳排放減少，西部地區存在一定的滯后性，2017年才開始下降。

五、實證結果與分析

（一）空間相關性檢驗的結果分析

基于2007—2019 年31 個省份的空間面板數據，采用Stata 14.0 軟件對公式（3）進行估計，分別得到城鎮化和農業碳排放的全局Moran'sI指數，見表3所列。

表3 2007—2019農業碳排放和城鎮化的全局Moran's/指數檢驗

從表3可以看出，2007—2019年農業碳排放和城鎮化的全局Moran'sI指數均為正，并且均通過了顯著性檢驗，表明兩者存在顯著全局正向空間相關性，并呈現集聚的特征。農業碳排放的全局Moran'sI值分布區間為0.213～0.336，隨時間的推進逐漸變小，2007年的Moran'sI指數為0.336，2019年下降至0.213。說明農業碳排放的空間自相關程度隨時間的推進逐漸減弱，集聚效應不斷弱化。城鎮化的全局Moran'sI值分布區間為0.264～0.281，且基本圍繞0.27上下浮動，說明隨時間的推進城鎮化的集聚效應處于小幅波動狀態。

上述結果表明，農業碳排放與城鎮化都存在顯著的空間正相關和集聚效應。因此，本文進一步采用空間杜賓模型考察城鎮化對農業碳排放影響的空間溢出效應。

（二）基準回歸結果

在不考慮空間相關性情形下，利用Stata 14.0軟件對基準模型公式（2）進行回歸。Hausman檢驗結果傾向于采用固定效應模型，見表4所列。

表4 傳統計量模型的估計結果

由表4可見，城鎮化對農業碳排放產生正向影響，并通過1%顯著性檢驗，因此，H1的影響方向為正；農業機械投入強度、農業產業結構、化肥投入強度對農業碳排放產生正向影響，分別通過5%、1%、1%顯著性檢驗；勞動力投入和農村經濟發展水平對農業碳排放產生負向影響，且均通過1%顯著性檢驗。

（三）空間杜賓模型估計結果

考慮空間相關性，基于公式（4），利用Stata 14.0軟件估計空間面板杜賓固定效應和隨機效應模型，見表5所列。

表5 城鎮化對農業碳排放影響的空間計量估計結果

表5顯示，固定效應模型和隨機效應模型的農業碳排放空間自回歸系數ρ值分別為0.240 和0.219，且通過了1%顯著性水平的檢驗，說明省份間農業碳排放存在顯著的正向空間溢出效應，即本省農業碳排放的增加能夠提高鄰省農業碳排放。

固定效應模型中，城鎮化對農業碳排放的影響系數顯著為正，空間反應系數為負，但是不顯著；隨機效應模型中，城鎮化對農業碳排放的影響系數顯著為正，空間反應系數顯著為負。說明城鎮化水平正向影響本省農業碳排放，負向影響鄰省農業碳排放，即相鄰省份的城鎮化水平對本省的農業碳排放存在負向溢出效應，因此，H2 得到驗證。可能的解釋是，當一省城鎮化越高，該省越多的勞動力轉移到城鎮，農業生產呈現老齡化和女性化特征，而年齡大的農戶和女性農戶，由于思想觀念等原因，生產方式仍然比較粗放，為了避免減產，不斷加大化肥農藥等的投入，增加了農業碳排放。當一省的相鄰省份城鎮化水平越高，還會吸引該省更多的勞動力向相鄰省份轉移，擴大了城鎮對農產品數量和質量的需求，勞動力數量進一步減少，促使該省農戶進行集約化經營，會減少農藥化肥的施用，進而降低農業碳排放?？梢姡擎偦粌H影響本省農業碳排放，也影響鄰省的農業碳排放，并且存在相互抵消的現象。出現這種結果的深層次原因可能是省份之間城鎮化發展不均衡，有些省份的城鎮化水平還不是很高，不足以引導農戶進行集約化生產，生產方式仍然比較粗放，增加了農業碳排放。當城鎮化水平發展到一定階段，會引導農戶進行集約化生產，從而降低農業碳排放。

農業機械投入強度對農業碳排放的影響系數顯著為正，其原因在于農業機械投入強度越大，消耗的柴油、石油等能源越多，同時地表植被覆蓋度減少，土壤變得稀疏，土壤有機物質消耗快，土壤環境惡化，農業碳排放量越高。農業機械投入強度的空間反應系數顯著為負，表明相鄰省份的農業機械投入強度對本省的農業碳排放存在負向溢出效應，鄰省農業機械化程度可以降低本省農業碳排放量。其原因在于，我國的農業機械化水平與發達國家相比還有一定的差距，呈現跨區作業的特征，鄰近省份對農業機械的大量投入，導致本省農業機械化投入的降低，同時降低本省農業碳排放［30］。化肥投入強度對農業碳排放的影響系數顯著為正，說明化肥投入強度越高，農業碳排放量越大。這是因為化肥是農業碳排放的最主要來源，化肥的大量使用加劇了農業碳排放。農業產業結構及其空間滯后項的回歸系數均為正，且均通過顯著性檢驗。可能原因是，本文只測算了種植業的農業碳排放，對林業、畜牧業和漁業的碳排放沒有測算，當農業GDP 與農林牧漁業GDP 的比值越大，農業碳排放量越高。財政支農水平回歸系數顯著為負，空間反應系數顯著為正，表明財政支農水平的提高降低了本省農業碳排放，同時對相鄰省份存在顯著的正向溢出效應。其原因在于，財政支農水平的提高，例如緩控釋肥補貼和測土配方施肥補貼的提高，可以促進農戶采納測土配方施肥和緩控釋肥，減少農業碳排放［31-32］。低碳農業科技研發專項資金等財政支農水平的提高，加大了節能環保型農業機械的研發和使用，從而可以減少農業碳排放［33］。勞動力投入與農業碳排放呈負相關，可能的解釋是，投入的勞動力越多，化肥、農藥、農膜等生產要素的投入會相應減少，從而降低農業碳排放。農村經濟發展水平與農業碳排放呈負相關，農村人均農業產值越高，農業碳排放越低。可能的原因是，隨著農村經濟的發展，農戶的生活條件得到了改善，開始注重農產品質量，尋求生產方式的轉變，減少農藥、化肥、農膜等要素的投入，減少了農業碳排放。

（四）空間溢出效應分解

本文進一步利用空間杜賓模型將總空間溢出效應分解為直接效應和溢出效應，結果見表6所列。

表6 空間杜賓模型的影響效應分解

城鎮化水平每提升1%，農業碳排放會增長0.599%，其中，直接效應貢獻0.730%，空間溢出效應貢獻-0.131%。直接效應即本省城鎮化對本省農業碳排放的影響，此時回歸系數為0.730，且在1%水平上顯著；間接效應反映的是本省城鎮化對相鄰省份農業碳排放的影響，此時城鎮化系數為-0.131，未通過顯著性水平檢驗。這表明城鎮化不僅直接影響本省農業碳排放，也通過間接效應影響鄰省農業碳排放，但是農業碳排放增長主要受本省城鎮化水平的直接影響，直接效應與空間溢出效應存在相互抵消的現象。

農業機械化程度每提升1%，農業碳排放就會增長0.013%，但不顯著，其中，直接效應貢獻0.127%，通過1%顯著性；空間溢出效應貢獻-0.114%，但不顯著。財政支農水平對農業碳排放的直接效應貢獻為-0.076%，空間溢出效應貢獻為0.106%，存在著相互抵消現象，從而導致總效應并不顯著。農業產業結構和化肥投入強度對農業碳排放增長的總效應、直接效應和空間溢出效應均正向顯著。種植結構對農業碳排放增長的總效應、直接效應和空間溢出效應均不顯著。勞動力投入和農村經濟發展水平對農業碳排放增長的直接效應和總效應均負向顯著。

六、結論與建議

本文基于2007—2019年中國31個省份的面板數據，在測算了2007—2019 年農業碳排放的基礎上，采用空間Moran'sI全局指數分析了農業碳排放以及城鎮化的空間相關性和集聚特征，建立空間杜賓模型，并探討了城鎮化對農業碳排放影響的空間溢出效應，得到以下研究結論：

（1）從全國層面來看，2007—2019 年農業碳排放量先增加后減少，其中，2007年—2015年不斷增加，在 2015 年達到最大值；2016—2019 年不斷減少。從區域層面來看，農業碳排放的高低排序依次為中部地區、東部地區、西部地區，其中，東部和中部地區2007—2014 年不斷增加，2015—2019 年不斷減少；西部地區2007—2016年不斷增加，2017—2019年不斷減少。

（2）從空間自相關性來看，2007—2019 年農業碳排放全局Moran'sI指數和城鎮化全局Moran'sI指數均為正，并且都通過顯著性檢驗，表明均存在顯著全局空間正相關，并呈現集聚的特征。農業碳排放空間自相關程度隨時間的推進逐漸減弱，集聚效應不斷弱化，城鎮化的集聚效應呈現小幅波動狀態。

（3）從空間杜賓模型估計結果來看，城鎮化水平正向影響本省農業碳排放，負向影響相鄰省份農業碳排放，即相鄰省份的城鎮化水平對本省的農業碳排放存在負向溢出效應；農業機械投入強度、化肥投入強度、農業產業結構與農業碳排放呈正相關；財政支農水平、勞動力投入、農村經濟發展水平與農業碳排放呈負相關。

（4）從空間溢出效應的分解來看，城鎮化不僅直接影響本省農業碳排放，也間接影響相鄰省份農業碳排放。其影響程度主要受本省城鎮化水平的直接作用，直接效應與空間溢出效應存在相互抵消的現象。

根據以上結論，本文提出以下建議：

（1）推動農業綠色低碳轉型。轉變農民的傳統觀念，增強農戶綠色低碳生產意識；加大培訓引導農戶減少化肥農藥施用；加大補貼力度，促進農戶采納節水灌溉技術、測土配方肥技術、緩控釋肥技術、綠色病蟲害防治技術等綠色低碳技術；注意廢棄農膜的回收和循環利用；加大力度促進農業向集約化、綠色化、低碳化轉型，減少農業碳排放。

（2）實施差異化的農業碳減排政策。東中西部地區農業發展情況不同，綠色發展政策落實情況存在差異，農業碳排放情況也有不同，因此，要立足實際情況制定差異化的農業碳減排政策。需要高度重視農業碳排放高的省份，重點促進其農業綠色低碳轉型，提高資源配置效率和綠色生產效率；對于農業碳排放低的省份，重點提高人力資本和先進管理理念等。

（3）重視城鎮化對農業碳排放影響的空間溢出效應。充分考慮省份間的空間差異性，因地制宜制定政策，進一步促進城鎮化發展，使其能夠引導農戶從傳統粗放式經營方式向集約化、低碳化和綠色方向轉型和發展，降低農業碳排放，促進城鎮化和農業綠色生產的協調發展。