鄉村振興背景下綠色普惠金融對農業碳減排影響研究
——基于STIRPAT模型

劉佳怡,安圣濤,彭心悅,羅慧琳,歐姣姣

(1.湖北經濟學院 金融學院;2.湖北經濟學院 統計與數學學院,湖北 武漢 430205)

0 引言

據聯合國糧食與農業組織(FAO)的統計,農業用地釋放出的溫室氣體超過全球人為溫室氣體排放總量的30%[1]。農村地區經濟發展面臨的資源和環境的制約已越來越明顯,農業低碳正成為碳排放研究的重要課題,亟需找到抑制農業碳排放的有效措施。同時,開展農業碳減排工作,不僅是滿足人們美好生活需求的內在要求,也是構建現代能源體系的重要組成部分,對于鞏固和擴大脫貧攻堅成果,促進鄉村振興也具有重要意義。

在抑制農業碳排放方面,綠色普惠金融與農業碳減排高度相關。一方面,農業受氣候與生態環境影響很大,是綠色金融重點關注的領域。另一方面,“三農”領域長期面臨融資難、融資貴的局面,是當前中國普惠金融的重點扶持對象[2]。要解決當前農村生態環境問題,需大力發展農村綠色生態。農業碳減排與綠色金融、普惠金融產品的應用將產生巨大的市場,可以為農村地區的健康快速發展提供支撐,從而探索綠色低碳的新發展模式[3]。因此,用綠色普惠金融實現農業碳減排,對農村地區可持續發展以及鄉村振興戰略的實施具有重要意義。

本文以中部五省地區作為研究對象,通過統計年鑒數據測算農業碳排放量,同時在構建綠色普惠金融框架的基礎上,計算綠色普惠金融發展指數,最后使用STIRPAT模型進行多元回歸分析,探究綠色普惠金融對農業碳減排的影響效應,為綠色普惠金融在農業碳減排方面提供路徑參考,并給出理論與實際相結合的對策建議。

1 文獻綜述

圍繞農業碳減排與綠色金融、普惠金融之間的關系,近年來學者們展開了大量的理論探討和實證研究,歸納起來主要有兩類觀點。一類觀點是綠色金融可以促進農業碳減排,Wan等[4]研究得出使用綠色融資方法和政策可以最大限度地減少二氧化碳排放。何吾潔等[5]研究發現利用可再生能源走綠色金融道路可以有效抑制二氧化碳的排放。另一類觀點是普惠金融促進農業碳減排,程秋旺等[6]分析發現普惠金融的覆蓋廣度、使用深度均具有農業碳減排效應。王巧等[9]認為普惠金融總體上有利于減少碳排放,推動低碳發展。此外,還有一些學者認為完善農業融資主體的信用體系[10-11]、建立農業碳減排的供給端風險共擔機制[12]、激活農業碳減排消費端[13]可以有效推動農業碳減排。

從上述國內外相關研究可以看出,當前學術界的研究主要針對單一的綠色金融或普惠金融對農業碳減排的影響,較少將兩者結合起來研究。如果僅僅著眼于綠色金融,綠而不普,使環保意識較差的小微經濟體難以獲得綠色金融服務,無法實現普惠,限制了綠色金融的服務范圍和作用范圍。如果普而不綠,雖然在普惠金融理念的指導下,大量金融機構強化了對長尾群體的幫扶強度,但是通過以犧牲環境為代價而生存的農民群體、小微企業難以長久發展。因此,本文將從綠色金融和普惠金融深度融合的角度,探究綠色普惠金融對農業碳減排的影響效應,并給出理論與實際相結合的對策建議。

2 研究設計

2.1 變量選取與數據來源

2.1.1 被解釋變量

本文的被解釋變量為碳排放量,參照IPCC提供的參考方法測算省級碳排放量,計算公式為E=∑Ei=∑Tiδi,其中,E代表農業碳排放總量,Ei代表不同農業碳排放源產生的碳排放量,Ti代表不同碳源的數量,δi為各個碳源的碳排放系數[12]。在確定碳排放的源頭方面,本文參考田云等[13]的研究,并根據現有年鑒的數據,主要分析我國中部河南、湖北、湖南、江西、安徽五省的農業生產能源碳排放量,主要碳排放源包括用電量、柴油用量、農藥、農膜使用量等。

2.1.2 解釋變量

綠色普惠金融是在金融機構商業可持續條件下為普惠對象提供的與綠色金融相關的服務,旨在促進其參與綠色經濟、綠色產業和綠色項目的一種金融活動[14]。這種金融活動利用服務滲透性、綠色投資等金融工具,幫助資金流入資源節約和環保產業,推動農業碳減排的可持續發展。將不同金融工具作為衡量指標,采用變異系數法估算綠色普惠金融發展指數,反映中部五省綠色普惠金融發展水平,并將其作為解釋變量。各變量具體說明如下:

普惠金融衡量。服務滲透性包括地理服務和人口服務的滲透性,用每萬平方公里金融機構從業人員數、每萬人擁有的金融機構數等表示[15];服務可得性,即存貸款服務可得情況,用金融機構人均存款余額和金融機構人均貸款余額表示;服務效用性,包括存貸款使用效用和保險服務情況,用金融機構存款占GDP比重、金融機構貸款占GDP比重、保費收入占GDP/地區人口數比重表示。

綠色金融衡量。綠色信貸包括綠色信貸的覆蓋面和投入強度兩個描述指標,用六大高耗能工業產業利息支出占工業利息總支出的比重具體描述[11];綠色投資用環境污染治理投資占GDP的比重衡量;綠色保險用購買農業保險人數/農戶總人數和農業保險深度表示。

2.1.3 控制變量

農業碳排放量除了受到種植業投入這一主要來源的影響,還受許多其他因素的影響。同時由于變量選取不足可能會導致模型有一定偏差,因此本文將從人口規模、富裕程度、技術水平3個方面來探究影響碳排放的因素,將其作為控制變量[16]。各變量具體說明如下:

(1)人口規模。通常人口規模的增加會導致能源消耗的增多,進一步使得碳排放量增加。這里主要研究中部五省農村的人口規模。

(2)富裕程度。人民富裕程度用人均GDP表示。二氧化碳的排放無法避免主要是由于人民富裕程度和經濟發展的需要所產生的各種能源的利用和消耗。若經濟發展到一定水平,隨著人們的環保意識提高和碳減排技術的提高,此時的碳排放量也相應地會減少。本文主要研究中部五省農村人均GDP。

(3)技術水平。用碳排放強度表示。技術水平的提高能有效降低碳排放強度并提高能源利用度。

2.1.4 數據來源

中部五省農業碳排放量數據來自《中國能源統計年鑒》、各省農村統計年鑒,并根據《中國統計年鑒》提供的相關碳源的碳排放系數對各種能源的碳排放量作出估算。綠色普惠金融相關金融工具指標數據、人口規模、人均GDP、碳排放強度直接或間接地來自《中國統計年鑒》《中國農村統計年鑒》《湖北農村統計年鑒》《河南農村統計年鑒》《江西農村統計年鑒》《湖南農村統計年鑒》《安徽農村統計年鑒》及EPS數據庫。各變量及其測度如表1所示。

表1 各變量及其測度說明

2.2 綠色普惠金融發展水平衡量

2.2.1 衡量方法

首先利用變異系數法確定各個指標的權重,同時對各個指標作出量化處理達到消除各指標之間線性關系影響的目的,最后綜合計算出綠色普惠金融發展指數(GIFI),并以此來衡量綠色普惠金融發展水平[17]。

2.2.2 指標體系構建

本文結合中部五省綠色普惠金融發展現狀,從綠色信貸、綠色投資、金融服務可得性等多方面綜合測度綠色普惠金融的發展程度,具體指標體系如表2所示。

表2 具體指標說明

2.2.3 綠色普惠金融發展指數的計算

首先確定各指標的權重。各級指標的變異系數為各指標值標準差與平均數的比值:

在此基礎上得到各指標的權重:

接著,對各級指標值進行線性量化處理:

其中Di表示第i個維度指標,Ai是第i個指標的真實觀測值,Yi是第i個指標的最大觀測值,yi是第i個指標的最小觀測值。基于以上準備,得到的綠色普惠金融發展指數計算公式為。

GIFI=

通過上述公式,計算出中部五省2011-2020年綠色普惠金融發展指數,具體變動情況如圖1所示。

圖1 2011-2022年中部五省綠色普惠金融發展指數折線圖

從圖1可看出,2011-2020年綠色普惠金融發展指數整體呈上升趨勢,并在0.08～0.2之間波動,其中2012-2015年期間出現較大幅度的上漲。通過查閱資料發現,2013年是各大銀行大力推行綠色普惠金融政策的高峰時期,為此可初步判斷綠色普惠金融政策的實施對綠色普惠金融的發展具有一定的推動作用。

2.3 模型設定

本文以中部五省2011-2020年的面板數據作為研究樣本,研究綠色普惠金融對這五省農業碳排放的影響效應。

York等在原有IGT、ImPACT等[16]模型的基礎上建立了STIRPAT (Stochastic Impacts by Regression on PAT)模型,該模型的表達式為:

I=αPaAbTcGde

其中,I表示環境壓力或環境影響,一般通過污染物排放量或資源消耗量表示;P為人口因素(Population);A為富裕水平(Affluence);T為技術因素(Technology),指碳排放強度;G為綠色普惠金融發展因素。α為模型的系數;a、b、c、d分別代表人口數量、富裕程度、技術水平和綠色普惠金融發展程度的指數;e為模型的隨機誤差項。

為分析各因素對環境的影響以及消除模型中可能存在的異方差影響,本文將所有變量進行對數化處理,取對數化后的STIRPAT模型如下:

lnY=lnα+alnP+blnA+clnT+dlnG+lne

其中lnY為因變量,即中部五省農業碳排放量,lnP、lnA、lnT、lnG為自變量,即影響碳排放量的因素,包括人口規模、富裕程度等,a、b、c、d為各自變量的系數,lnα為常數項,lne為誤差項。該模型變量具體說明如表3所示。

表3 模型變量說明

3 數據分析

3.1 變量的描述性統計分析

由圖2可知,中部五省2011-2020年碳排放量整體呈現逐年增長的趨勢,農業碳排放強度呈現減小-增加-減小的交替形式,其中2018年、2019年農業碳排放強度相對較低,這可能與人均GDP增加有一定的關系,碳排放環比增速在2019-2020年出現了大幅度增加的現象。

圖2 中部五省2011-2020年碳排放量、碳排放強度、碳排放環比增速折線圖

3.2 數據特征分析

考慮到涉及到的數據數值太大,對其做對數化處理,處理后數據的性質和關系不發生改變。通過對數據做簡單的描述性統計分析,初步探索各變量的數據結構,了解各個變量自身的差異性,分析結果如表4所示:

表4 各變量數據描述性分析

3.3 相關性分析

為初步觀察變量間的關系,對各變量做Pearson(皮爾森)相關分析,得到各變量間的相關關系,分析結果如表5所示。由表5可知:碳排放量與人口規模、富裕程度、技術水平和綠色普惠金融發展指數均存在較強的相關關系,且碳排放量與人口規模和富裕程度呈正相關關系,與技術水平和發展指數呈負相關關系,同時在0.05的顯著性水平下,各自變量p值均小于0.05,表明碳排放量與各個自變量顯著相關。

表5 各變量相關性分析

3.4 模型殘差的性質檢驗

3.4.1 回歸模型殘差獨立

利用DW統計量驗證回歸模型殘差獨立。DW取值范圍為0～4,當DW越接近2,殘差項間越無關;越接近0,正相關越強;越接近4,負相關越強。

計算得到DW統計量值為2.309,落在無序列相關區間內,表明殘差獨立。

3.4.2 殘差服從正態分布

由圖3和圖4可知,標準化殘差近似服從正態分布,且散點基本在第一象限對角線的周圍散布,因此可認為殘差基本服從正態分布。

圖3 回歸標準殘差圖

圖4 累計概率圖

3.5 自變量間的多重共線性

由于多重共線性使參數估計值的方差增大,因此方差膨脹因子值VIF越大,說明共線性越強。從表6中最后一列可以看出,人口規模、富裕程度、技術水平和綠色普惠金融發展指數的VIF都小于5,因此自變量之間不存在共線性。

表6 模型求解結果

3.6 模型整體回歸效應的檢驗

由表7可知,F統計量為2 020.790,p<0.05,則在α=0.05的顯著性水平下,可認為所擬合的線性回歸方程具有統計學意義。

表7 模型整體回歸ANOVA檢驗

3.7 模型計算結果

根據以上分析得到模型結果:以人口規模為例,其偏度回歸系數為0.024,說明在其他因素不變的情況下,人口規模每增加一個百分點,碳排放量平均增加0.024個百分點。

4 結論及啟示

4.1 研究結論

基于2011-2020年湖北省、湖南省、河南省、江西省和安徽省近10年的相關數據,本文對該五省的農業碳排放量和綠色普惠金融發展指數進行測算。同時,確定了解釋變量、被解釋變量和控制變量,并構建STIRPAT拓展模型深入研究其影響因素。一方面發現了各影響因素的影響效應,另一方面找到了綠色普惠金融的發展與碳排放量之間的關系,基于此可以更好地指導農業建設規劃,促進農業碳減排,推動鄉村振興的發展。本文主要結論如下:第一,從總體上看,中部五省農業生產能源碳排放量均呈現逐年增長的趨勢,但增長幅度不大,同時,單位GDP的碳排放量在相對減少,是碳減排發展向好的象征。第二,由STIRPAT模型的結果分析可知,農業生產能源消耗碳排放量的影響因子及系數由大到小分別是:技術水平(1.007)、富裕程度(0.996)、綠色普惠金融發展水平(0.071)、人口規模(0.024)。第三,對中部五省農業碳排放量有正向影響的因子為人口規模和富裕程度,有負向影響的因子為技術水平和綠色普惠金融發展水平。

4.2 管理啟示

根據上述結論得出,農業技術水平和綠色普惠金融的發展能有效抑制農業碳排放,且隨著時間推移抑制作用會逐漸增強。在此結論上,本文結合《推進普惠金融高質量發展的實施意見》提出如下建議:

(1)在農業技術水平方面。政府要加大綠色創新技術的研發投入,利用新時代智能技術幫助農業碳排放綠色轉型;利用協同創新體綠色技術為農業生產服務,在提高其經濟效益的同時提升農戶參與協同創新體研究的積極性;針對不同地區的碳排放程度加大對可再生能源發展的財政支持,解決可再生能源發展面臨的技術壁壘,消除認知障礙,促進經濟、社會的可持續發展[18]。

(2)在綠色普惠金融的發展方面。政府和銀行保險機構要做好頂層設計,吸納碳減排成果的先進經驗,從戰略高度推進綠色普惠金融;創新金融服務產品,針對農業消費權益開發新的產品,比如排污權、排放權、用能權,探索開發創新型金融產品;在當前綠色普惠金融發展的基礎上,擴大綠色信貸、綠色保險規模,提高金融服務滲透性、金融服務效用性;搭建綠色普惠金融-農業碳減排平臺,引導資金流向環保的農產業以及高附加值的綠色企業,讓綠色普惠金融覆蓋面更廣,更好地服務于農業碳減排。

(3)在人口規模方面:要控制人口規模,優化人口結構。一方面要根據不同省份的現實情況因地制宜,控制人口數量,鼓勵居民積極響應國家政策,提高人口質量;另一方面,積極引入具有高端技術的人才,利用政策優勢讓高技術人才留在當地助力農村農業碳減排工作有序開展[19]。