论文部分内容阅读
摘要
科学估算各地区碳减排潜力并探讨其空间异质性是制定减排政策及碳权交易政策的重要基础。本文基于环境生产技术,通过构建期望产出与非期望产出共存的农业经济核算体系,以2001-2012年中国大陆31个省区作为研究对象,首先利用方向距离函数测算农业碳排放影子价格,并以此构建农业碳减排潜力指数,通过计算发现,考察期间,中国各省域农业碳减排潜力水平呈现相对平稳略有提升趋势,各时期的农业碳减排潜力水平地区差异明显。在此基础上,引入考虑空间距离函数的空间权重矩阵,通过空间自相关Moran’s I指数检验得出:中国各省域农业碳减排潜力存在显著的空间依赖性。最后,采用空间Durbin模型探讨中国省域农业碳减排潜力的空间关联特征,结果显示一个省区的农业碳减排潜力水平不单受到自身经济及产业状况的影响,还与其所处的环境及相邻省区的发展情况具有一定相关性,具体表现为:各省区的经济发展水平及农业经济发展水平、农业产业结构等因素对本省区农业碳减排潜力有显著正向促进作用,而对外开放程度和农业受灾率在一定程度上阻碍了本省区农业碳减排潜力的提升;一个省区的农业公共投资、对外开放程度对除本省市外其他省区农业碳减排潜力有显著正向影响,农业产业结构对除本省市外其他省区农业碳减排潜力有显著负向影响。建议各省区除调整根据各影响指标落实本省内农业碳减排工作外,还需加强与其他省份的减排合作,充分利用空间因素溢出效应,通过建立相邻省区间以碳排放权交易中心促进跨省域减排合作机制及减排补偿制度。
关键词低碳农业;农业碳排放;减排潜力;空间溢出效应;空间Durbin模型
中图分类号F205
文献标识码A
文章编号1002-2104(2015)06-0053-09
doi:10.3969/j.issn.1002-2104.2015.06.009
全球气候变暖已经成为各国政治、经济、科学等领域重点关注的问题,碳排放量逐年增加是导致全球气候变化的重要因素,全球性碳减排呼声越来越高。农业较之其他产业,碳减排具有较强的正外部效应,除了可以减少大气中的温室气体排放减缓温室效应,往往还意味着土壤营养的提高、土壤结构的改良、农业环境品质的改善[1],而这些正外部性的呈现对于推进我国农业的健康可持续发展是大有裨益的。面对《京都议定书》对各国家及地区所限定的减排责任,将农业行业减排纳入整个碳交易减排体系已经成为农业大国减排计划不可避免的趋势。中国作为农业大国,其农业碳减排问题更不容忽视,结合中国特有国情,保障粮食安全与农业可持续发展的前提下,将农业碳减排纳入应对气候变迁的行动之一,研究其农业碳排放问题,进而分析农业碳减排潜力具有重要现实意义。
1文献评述
从已有文献来看,农业碳减排问题是近年来学术界探讨的焦点之一,研究围绕低碳农业发展、农业减排机制探讨与减排政策制定等方面展开[2-4],形成了一批十分具有现实价值的研究成果,这为农业碳减排潜力的探讨奠定了一定基础。一些国外学者尝试将经济学中的影子价格原理引用到对经济生产过程中的环境污染治理成本分析上[5],并结合方向距离函数与污染物影子价格方法研究不同地区间减排成本差异[6],国内颇具代表性的有陈诗一、涂正革二位。前者以工业二氧化硫为研究对象,以其影子价格值来衡量工业38个主要行业的减排成本值,构建环境治理代价及减排成本分析框架,并为我国环境治理走向市场化提供了一定依据[7];后者同样研究工业二氧化硫,选用北京、甘肃、河北三地作为代表测算并分析其影子价格变动趋势,主张不同时段应采取有差异的减排措施及政策[8]。他们分别从考虑减排效率及公平的角度出发研究低碳减排问题,探究排放权限与气候变迁的应对之策[9]。在此基础上,Cole C V, et al.对全球农业温室气体减排潜力进行了粗略估算,并从农户角度出发研究了减排技术的采纳意愿,但该研究由于部分数据缺失原因,所得结果中农业减排潜力对后人的参考价值受到限制[10]。国内关于农业碳减排潜力定量分析的相关研究起步相对滞后,黄德林等通过将GTAP-E模型运用于农业产业的温室气体减排潜力分析,对该产业特殊减排意义进行评价,并估测了中国农业温室气体排放征税口径[11];李静等基于中国28个省份的面板数据估计了三种常见农业污染物的减排潜力,指出中西部地区农业减排潜力与东部地区相比较大[12]。
上述研究一定程度上丰富了农业碳减排的研究思路,为后续相关研究奠定了坚实基础,但普遍存在的一个问题是,未考虑相邻的不同地区间农业碳减排的相互影响作用,即空间相关性。根据“地理学第一定律”的观点,认为任何事物都具有一定的空间依赖性,且这种空间相关关系会因为地理距离的远近而表现出强弱的不同[13]。而事实上,在农业生产过程中,由于生产要素的跨区域流动、先进技术的溢出效应、生产创新的相互模仿等一系列经济活动通常情况下区域集聚效应明显,各地区并非独立存在,而是相互受到临近地区相关活动的影响。然而,现有文献中对于我国农业碳排放或农业碳减排潜力的相关研究并没有体现出各省域间所存在的空间关联特征。依据区域间农业生产要素流动、农业碳排放等污染物产出均具有较强的空间属性,不再适用于传统的计量回归模型。基于此,本文尝试借用空间计量模型方法,用中国31个省区自2001年至2012年的面板数据来分析地理空间效应对我国各省域农业碳减排潜力所造成的影响。
2研究方法
2.1非期望产出的影子价格
根据Fre R., et al.提出的环境生产技术基本思想[14],可以将只考虑投入、产出要素的传统农业生产过程扩展为既包括期望产出又包括非期望产出的所有生产可能性,我们用字母x、y、c分别代表投入要素(资本、劳动、土地)、期望产出(农业总产值)和非期望产出(农业碳排放),那么农业部门所有生产可能性集P(x)可描述为式(1): P(x)={(y,c):x can produce (y,c)} (1)
用向量g=(gy,-gc)来定义农业产出的正向增长方向,在不改变资本、劳动、土地等生产要素的前提下,方向距离函数(用D表示)追求的是既定农业期望产出水平时非期望产出农业碳排放的最大缩减可能,或既定非期望产出水平时农业期望产出的最大扩张可能,用加权系数λ表示,代数表述如式(2):
D(x,y,c;gy,-gc)=max{λ:(y+λgy,c-λgc)P(x)}(2)
影子价格可以用于衡量碳排放对期望产出的效应,定义为在某一特定产出条件下,单位碳排放变化所导致的农业总产值变化量[15],从而使得农业总产值的变化与农业碳排放量变化所引起的经济成本之间相互联系起来。若用ry、rc分别表示农业期望产出的价格与农业非期望产出的价格,则基于原方向距离函数的非期望产出的价格形式可表示为式(3):
rc=-ry×D(x,y,c;gy,-gc)/cD((x,y,c;gy,-gc)/y(3)
(3)式中:D(x,y,c;gy,-gc)表示方向距离函数求偏导,等号左边rc即为非期望产出影子价格,也就是农业碳排放影子价格。它表示单位农业碳排放边际变化所带来的农业总产值的变化量,即减少(增加)单位农业碳排放量所导致的农业总成本的变化量,这正是宏观经济意义上边际成本的概念,此处为农业边际减排成本。
2.2空间Durbin计量模型
从空间计量的角度,一个地区可以划分为若干个不同的空间单元,而每一个空间单元上的某种经济活动现象或单元属性值同其周围的其他空间单元上的同一现象或属性值具有一定的关联特征[16]。常用来模拟空间相关性所表现出的地理空间效应的方法有以下三种:空间滞后模型(Spatial Lag Model,简记SLM )、空间误差模型(Spatial Error Model,简记SEM )和空间Durbin模型(Spatial Durbin Model,简记SDM)。其中,空间Durbin模型不仅具有同时考虑因变量和自变量空间相关性的优势,还关注作用于因变量的来自不同维度的因素,包括本地区自变量、其他地区滞后自变量及其他地区滞后因变量。基于此,本文选用空间Durbin模型来检验中国各省域农业碳减排潜力的地理空间关联特征,其表达式为式(4):
Y=ρWY+βXi+θWXi+ε(4)
(4)式中:Y表示农业碳减排潜力,ρ、β、θ分别表示各回归系数,W即为空间权重矩阵,Xi是自变量,即影响农业边碳减排潜力的各决定因素,WX表示农业碳减排潜力的各影响因素的滞后项,ε是随机扰动项,同时期、地区无关。与传统线性结构模型不同,由于空间权重矩阵的引入使得线性结构非线性化,从而,模型中各回归系数不再是自变量对因变量影响大小的直接反映。
2.3空间权重矩阵
较常用的空间属性表现形式是基于各省域之间的邻接关系进行的,即假设两地之间相邻则其经济活动之间具有一定相关性。该邻接关系可用0和1两个值来表达,两地地理位置相邻则为1,否则为0。由于这种简单的0-1邻接关系忽略了两地地理距离产生的作用大小区别,还会出现海南岛四面不相邻的孤岛现象,已不再适用实际分析。若考虑到两地空间距离的远近对空间关联特征的影响有大小之分,可以构建基于距离函数的空间邻接矩阵,即假设两地空间距离越近相互作用力越大,反之则越小[17]。根据该思想,基于距离函数的空间权重矩阵可定义为:
Wij=0(i=j) 1/dij(i≠j)(5)
(5)式中:dij表示i地与j地之间的直线距离。有研究采用的是两省重心点之间的距离,但考虑到各省市区的经济中心一般在其省会城市,取地理重心点意义不大,故该距离指的是两地省会城市间的直线距离。将上述基于距离函数的空间权重矩阵W进行标准化运算,使得每一行的元素之和为标准1。本文就采用这种改进过的空间权重矩阵对中国各省域农业碳减排潜力的空间自相关及空间依赖性进行测度。
3数据处理
文章选取2001-2012年中国31个省(市、区)作为研究对象,所采用的各指标基础数据均出自历年《中国农村统计年鉴》、《中国农业统计资料》、《中国畜牧业年鉴》等年鉴及各省市统计年鉴资料,并经过适当处理。
(1)农业碳排放。本文依据以往研究[18],设c表示农业碳排放总量,ci则为各碳源因子所引发的碳排放量,e表示各碳源因子的量化值,ε表示各碳源因子的排放系数。从而农业碳排放量的测算公式如下:
c=∑ci=∑ei·εi (6)
与工业碳排放不同,农业既是碳源也是碳汇,碳源因子的确定更为繁杂,鉴于本文立足于农业生产过程中的碳排问题,旨在探讨降低农业碳排放总量的潜力,且农业碳汇测算目前尚存争议,故这里只考虑农业生产过程中的碳排而暂不考虑碳汇问题。结合吴贤荣[19]的研究成果并进行修正,拟从以下三个方面着手:一是农用物资投入所引发的碳排放,具体包括化肥、农药、农膜、农用柴油的直接使用以及农业灌溉耗费电能所产生的碳排放,相应碳排放系数分别为0.90 kg C/kg、4.93 kg C/kg、5.18 kg C/kg、0.59 kg C/kg、266.48 kg C/kg;二是水稻种植中在其生长发育过程所排放的CH4等气体,排放系数为3.14 g C/天/平方米;三是畜禽养殖所引发的碳排放,包括肠道发酵以及粪便管理系统中所带来的甲烷、一氧化二氮等气体排放,我国主要畜禽类包括牛(水牛、奶牛和黄牛)、羊(山羊和绵羊)、猪、马、驴、骡、骆驼及家禽等品种,其碳排放系数分别为497.54 kg C/年/头、619.91 kg C/年/头、440.24 kg C/年/头、62.07 kg C/年/头、61.93 kg C/年/头、77.17 kg C/年/头、246.88 kg C/年/头、187.29 kg C/年/头、187.29 kg C/年/头、439.70 kg C/年/头、1.76 kg C/年/头。为便于计算,以ICPP温室效应强度为标准,将CO2、CH4、N2O等农业排放气体统一计量单位,均换算成标准碳当量。由于1 ton CO2含0.272 7ton C,1 ton CH4所引发的温室效应相当于25 ton CO2(约合6.81 ton C)所产生的温室效应,同样1 ton N2O则等同于298 ton CO2(约合81.27 ton C)所引发的温室效应强度。 (2)农业碳排放影子价格。按公式(3)的方法计算得来,其中投入要素包括农业资本、劳动力、土地三方面,产出指标中期望产出取传统农业总产值,非期望产出指标指农业碳排放[20],详细信息如表1所示。
其中,i表示省份,t表示时期,ω为权重值,Equity=ω×PC+(1-ω)×PP是农业碳减排公平指数,由等权重的人均农业碳排放量PC和人均农业总产值PP共同决定,通常代表排放平等主义及相对支付力等公平准则;Efficiency=ω×CI+(1-ω)×rc是农业碳减排效率指数,包括农业碳排放强度CI和农业碳排放影子价格rc两个指标,并赋予同等重要性。具体数据处理过程参考吴贤荣等的研究,其中公平与效率指数分别由人均农业碳排放量、人均农业总产值和地区农业碳排放强度、农业碳排放影子价格四个二级指标构成。这里人均农业碳排放量、人均农业总产值两个指标所考察的是农业生产过程中的公平指数,整篇文章都是基于生产过程视角,因此,劳动力的投入应以第一产业从业人员为衡量标准。计算结果见表2,由于篇幅所限,此处仅列部分数据。
可以看到,2001-2012年间,中国各省域农业碳减排潜力水平均呈现相对平稳略有提升趋势,各时期的农业碳减排潜力省域差异较大,减排潜力全国地理空间分布不均衡。2002年所有省市区中农业碳减排潜力最小值为山西省,其农业碳减排潜力指数值为0.039 5,而西藏农业碳减排潜力水平最高,其指数值为0.519 7,是同时期山西的13倍之多。从12年的平均值来看,农业碳减排潜力水平最高的西藏为0.792 6,高达农业碳减排潜力水平最低的山西省24倍。西藏主要是受人均农业碳排和农业碳排放强度两个指标较高所驱动。一方面,人均农业碳排放量较高,主要源于该地农业均以畜牧业为主,牲畜养殖过程中会产生大量碳排放,包括动物肠道发酵所引起的CH4排放以及粪便管理系统中所导致的CH4和N2O排放。另一方面,由于农业发展水平相对落后,单位农业总产值的农业碳排量偏高,农业碳排放强度极高,其农业碳减排空间较大,减排重点在于控制农业碳排放总量。应积极发挥其土地宽广的农业资源优势,在保障肉类产品供给安全的前提下,注重植树造林、草地恢复工程等农业碳减排的有效措施实施。总体而言,西藏、海南、青海、内蒙古、江西、吉林、辽宁、新疆等地区农业碳减排潜力指数相对较高,而山西、黑龙江、北京、陕西、贵州、河北等地区农业碳减排潜力则处于较低水平。将12年的考察期内31个省(市、区)的农业碳减排潜力指数求一个均值,则各省市区农业碳减排潜力水平分布柱状图如图1所示。
4.2农业碳减排潜力空间相关性检验
空间统计分析的首要前提是因变量存在空间自相关性,因此在空间回归之前要先行检验因变量的空间相关性,否则不可滥用空间计量模型。常用的判别方法有两种:一是经验判断,二是Moran’s I指数法。
4.2.1经验判断
与SO2、CO、N2O等具有本地效应特征的污染物不同,CO2的排放及其引发的温室效应更具跨时期、跨地域的全局效应特征,这种外部性的存在使得减排不可避免地面临较为严重的搭便车行为,而搭便车行为导致CO2排放与各地域经济发展水平等多方面经济因素具有一定关联性。因此,在低碳约束下,要使各地域经济均衡发展、农业产业协调发展,必须加入更多的人为干预和调整。为了遏制跨地域性排放搭便车行为,全国性甚至全球性的减排协调机制的建立尤为重要。
4.2.2空间自相关Moran’s I指数检验
在实际的空间相关性分析中,更为准确的是通过空间自相关Moran’s I指数值来进行检验,以判断是否存在空间关联性。Moran’s I指数的计算公式为:
Moran’s I=∑n[]i=1∑n[]j=1wij(Yi-Y—)(Yj-Y—)S2∑n[]i=1∑n[]j=1wij (8)
其中,S2=1n∑n[]i=1(Yi-Y—)2,Y—=1n∑n[]i=1Yi;Yi代表第i个区域的样本值,此处为农业碳减排潜力指数;n为观测单元总数,本文为中国大陆31个省级行政区;Wij为i地与j地之间的空间邻接关系,即前文所述的距离函数空间权重矩阵标准化形式。
Moran’s I指数的取值范围通常为[-1,1]之间,当它落在[-1,0)、(0,1]范围内分别表示各地区间因变量呈现空间负相关、空间正相关,且存在以下规律:取值越接近0值表示样本值空间分布的相关性越弱或趋于空间随机分布状态;Moran’s I指数绝对值越接近1则表示的空间自相关性越强或空间分布聚集性表现越突显。
表3给出了2001-2012年中国各省市区的农业碳减排潜力空间自相关Moran’s I指数检验结果值。可以看到,表中历年Moran’s I指数均为正数,且由P值知它们都在1%的显著性水平上通过检验,说明中国农业碳减排潜力在各省域之间存在着一定关联特征,各省减排潜力水平表现出显著的正相关关系。这就表明了地处相邻省区的农业碳减排潜力水平呈现出高潜力地区和低潜力地区相对集聚的现象,农业碳减排潜力较高的省份邻近,农业碳减排潜力较低的省份也互相邻近。同时,从时间轴来看,Moran’s I指数的值随着年份的变化有波动上升的趋势,从0.266 2波动上升到0.306 6,表明随着中国经济的不断发展壮大,各个地区联系越来越紧密,相互影响越来越凸显,农业碳减排潜力的空间相关性也越来越大,空间分布的集聚现象在逐步增强。
通过以上对农业碳减排潜力的空间自相关性分析,可得出中国省域农业碳减排潜力存在显著的空间自相关性,省域农业碳减排潜力在地理空间上表现出的相互关联性及依赖性显著,以往对农业碳减排的研究忽略了地理空间效应在相邻经济体之间产生的巨大作用,是不科学的。因此,采用基于地理函数的空间计量模型对中国农业碳减排潜力进行探究时,能够纳入空间权重参数以考查潜力水平的空间效应。 4.3空间Durbin计量模型回归结果
以上分析结果表明中国各省域农业碳减排潜力存在一定空间关联特征,一个地区的农业碳减排潜力水平不仅与当地相关经济指标有关,还同其相邻地区的农业碳减排潜力存在某种关联。接下来利用空间Durbin计量模型对该空间关联特征进行模拟,为与上文相一致,本研究中所涉及影响指标选取2001-2012年间全国31个省(市、区)作为样本数据。
根据农业产业特点,碳减排潜力水平同时受到来自多方面因素的作用,包括当地经济及农业发展水平、投入要素禀赋及产业结构、对外开放程度等。其中经济水平、农业经济发展水平、农业公共投资等意味着减排支付力度,但同时也反映了农业生产效率及碳排放水平;产业结构不同会导致农业碳排放强度的差异,也会影响减排潜力;从业人员文化程度在一定程度上体现了低碳农业接受潜力,从业人员文化水平高,减排意识越强,在进行农业生产时会更多考虑控制高碳行为;而农业对外开放,尤其是农产品出口会带来一国对外贸易隐含碳排放的改变,是农业碳排放国别转移的重要形式,在很大程度上影响农业碳减排潜力;此外,农业不但易受经济水平影响,还是自然灾害敏感型产业,大范围的旱涝灾害、农业病虫害、土壤侵性灾害等严重影响农业生产,也是农业碳减排主要阻碍因素之一。基于以上考虑,并借鉴以往研究,结合数据可取性,本文拟从如下7个方面来探究空间模型的自变量:①经济发展水平(Economy),取各地区GDP值与总人口之比;②农业经济发展程度(AEconomy),用可比价换算过的农林牧渔总产值除以农村总人口来衡量;③农业公共投资(Investment),以各地区农村基础设施公共投资与农村总人口之比为准;④农业产业结构(Structure),取种植业的生产值占农林牧渔业总产值的比重值;⑤从业人员受教育水平(Education),以第一产业从业人员中初中及以上学历人员的比重为标准;⑥农业对外开放程度(Opening),用农产品出口数量与当地农产品总产量之比来表示;⑦农业生产受灾程度(Disaster),取农业生产的受灾面积占总耕地面积的百分比。
通过Hausman检验结果,可以确定本文采用空间固定效应回归模型。空间Durbin计量模型由于空间权重矩阵的引入,方程(4)不再存在内生性问题,克服传统计量模型OLS估计有骗或无效,采用Anselin建议的ML法进行回归,结果如表4所示。空间自回归系数在1%的显著水平上通过检验,即我国各省域农业碳减排潜力在地理空间上存在集聚等关联特征。可以看出,经济发展水平、农业经济发展水平、农业产业结构因素、对外开放程度、农业受灾率、滞后经济发展水平、滞后农业经济发展水平、滞后农
业公共投资、滞后农业产业结构因素、滞后对外开放程度及滞后农业受灾率等因素显著影响农业碳减排潜力。从R2和似然比的结果值来看,模型模拟效果较好。再通过Wald检验和LR检验来判断本文中的空间Durbin模型是否可以简化为SLM或SEM模型。检验结果显示:Waldlag和LRlag的值分别为2.336 9和1.760 3,根据伴随概率值判断均通过1%显著性水平检验,说明拒绝假设θ=0;同
理,Walderr和LRerr检验也通过了检验,即拒绝ρ+θ=0,故此时Durbin模型不可简化为SLM或SEM模型。
空间模型可以用来揭示各省域空间单元之间的特定关联特征,但空间Durbin计量模型的回归系数并不能完全反映自变量对因变量的作用,需要通过分别计算空间模型的总效应、直接效应以及间接效应来进行反映。对于一个固定空间单元,直接效应反映的是自变量变化对本空间单元因变量造成的影响,而间接效应则是指该空间单元自变量变化可能对其它空间单元产生的潜在作用,也即溢出效应。结果见表5。
在空间Durbin计量模型总效应中,中国各省区的农业经济发展水平、农业产业结构因素对所有省区的农业碳减排潜力造成显著正向影响,中国各省区的对外开放程度、农业受灾率因素对所有省区农业碳减排潜力造成显著负向影响,而中国各省区的经济发展水平、农业公共投资、劳动力文化水平没有表现出显著性。如果对农业经济发展水平、农业产业结构、对外开放程度、农业受灾率等显著性因素进行适当调整,一方面可以增强本省区农业碳减排潜力水平,同时还有可能带动其他省区实现共同的减排目标。
在空间Durbin模型直接效应回归中,中国各省区的经济发展水平、农业经济发展水平、农业产业结构因素对本省区农业碳减排潜力造成显著正向影响,中国各省区的对外开放程度、农业受灾率因素对本省区农业碳减排潜力造成显著负向影响,农业公共投资、劳动力文化水平依然不具有显著性。各省区控制以上这些显著性因素可以促进本省区农业碳减排潜力水平的提升,但目前没有证据证明能够带动其他省区的状态改变。
在空间Durbin计量模型间接效应中,中国各省区的农业公共投资、对外开放程度对除本省市外其他省区农业碳减排潜力造成显著正向影响,而农业产业结构反方向作用于除本省区外的其他省区农业碳减排潜力水平,此外,经济发展水平、农业经济发展水平、劳动力文化水平及农业受灾率因素均变为不显著。各省区通过控制对外开放程度、农业公共投资及农业产业结构等因素可以带动除本省市外其他省区农业碳减排潜力的增强。
5结论与讨论
5.1主要结论
结合前文回归结果及分析,本文得到以下主要结论:
(1)2001-2012年中国各省区农业碳减排潜力均呈现相对平稳略有提升趋势,农业减排成本及农业碳减排潜力水平省域差异明显,空间分布极不平衡;
(2)基于地理距离函数的空间权重矩阵对因变量进行空间自相关检验,Moran’s I指数计算结果值显示,农业碳减排潜力水平在空间地理上存在显著的关联特征及依赖现象,这表明中国农业碳减排潜力在省域空间分布上所呈现出来的差异性并非随机发生,而是具备一定的关联性、集聚性; (3)运用空间Durbin计量模型探讨中国31个省区农业碳减排潜力的空间关联特征,发现中国各省区农业碳减排潜力由本省区的经济发展水平、农业经济发展水平、农业产业组织结构、对外开放程度、农业受灾率因素等众多因素决定。其中经济发展水平、农业经济发展水平、农业产业结构因素对本省区农业碳减排潜力有显著正向影响,对外开放程度、农业受灾率因素对本省区农业碳减排潜力有显著负向影响,各省区可控制这些影响因素来提升本省区的农业碳减排潜力水平;
(4)通过空间溢出效应分析发现,一个省区的农业碳减排潜力水平不单受到自身经济及产业状况的影响,还与其所处的环境及相邻省区的发展情况具有一定相关性,这体现为各省区对外开放程度、农业公共投资及农业产业结构等影响因素在地理空间上表现出来的关联特征及溢出效应。其中农业公共投资、对外开放程度对除本省市外其他省区农业碳减排潜力有显著正向影响,农业产业结构的差异对除本省市外其他省区农业碳减排潜力有显著负向影响,各省区协调周边省区对这三个因素进行调整和控制能够对其农业碳减排潜力水平产生一定影响。
5.2讨论与启示
本文考查同时考虑期望产出与非期望产出共存的农业经济衡量体系,首先利用方向距离函数测算了2001-2012年中国31个省级行政单位的农业碳排放影子价格,并以此构架农业碳减排潜力指数;在此基础上,基于空间距离函数的空间权重矩阵,运用空间Durbin计量模型探讨中国省域农业碳减排潜力的空间溢出效应。所得出的上述结论对继续我国农业碳减排领域的研究提供了一定参考价值。相比以往研究,本文主要在以下三个方面进行了拓展:①借助环境生产技术,运用影子价格方法分析农业减排成本,用农业碳排放量来衡量非期望产出的环境损失因素,解决以往研究存在标准混乱问题;②利用空间Durbin计量模型探讨中国省域农业碳减排潜力的空间关联特征,弥补了以往农业碳排放研究仅限于时序分析或简单的地区差异分析的不足;③放弃以往简单0-1权重矩阵方法,引入考虑地理距离函数的空间权重矩阵改进形式,探讨影响各省区农业碳减排潜力水平的相关因素,更具科学性。
通过对我国各省域农业碳减排潜力水平的空间关联特征计量模型估计结果表明,仅单方面考虑减排目标而盲目追求各行业减排任务是不合理的。要推进工业化、城镇化、信息化与农业现代化的协调发展,应以工业减碳为主、结合农业吸碳,在保障全国粮食安全的前提下,结合各影响因素的不同效应大小谨慎衡量各指标的控制与调整。因此,本文建议各省区除调整根据各影响指标落实本省内农业碳减排工作外,还需加强与其他省份的减排合作,充分利用空间因素溢出效应,通过建立相邻省区间以碳排放权交易中心促进跨省域减排合作机制及减排补偿制度。
当然,纵使明确了农业碳减排潜力在空间上表现出来的直接或间接关联特征及各种影响因素对本省区及其他省区的不同效应,但在保障低碳农业发展的前提下,各地区具体如何控制和调整本省区的各项指标因素是一大难点,限于数据的可得性及笔者自身水平的有限,本文未能提出具体的一套行之有效的减排政策方案及措施。这将是笔者未来进一步研究的努力方向。
(编辑:田红)
参考文献(References)
[1]Mosier A R, Halvorson A D, Reule C A, et al. Net Global Warming Potential and Greenhouse Gas Intensity in Irrigated Cropping Systems in Northeastern Colorado[J]. Journal of Environmental Quality, 2006, 35(4): 1584-1598.
[2]田云, 张俊飚. 碳排放与经济增长互动关系的实证研究:以武汉市为例[J]. 华中农业大学学报:社会科学版,2013,33(1):118-121. [Tian Yun, Zhang Junbiao. Empirical Study on Interactive Relationship between Economic Growth and Carbon Emissions:A Case Study in Wuhan [J]. Journal of Huazhong Agricultural University:Social Sciences Edition, 2013,33(1):118-121.]
[3]贺亚亚, 田云, 张俊飚. 湖北省农业碳排放时空比较及驱动因素分析[J]. 华中农业大学学报:社会科学版,2013,33(5):79-85. [He Yaya, Tian Yun, Zhang Junbiao. Analysis on SpatialTemporal Difference and Driving Factors of Agricultural Carbon Emissions in Hubei Province [J]. Journal of Huazhong Agricultural University:Social Sciences Edition, 2013,33(5):79-85.]
[4]Johnson J M F, Franzluebbers A J, Weyers S L, et al. Agricultural Opportunities to Mitigate Greenhouse Gas Emissions [J]. Environmental Pollution, 2007, 150(1): 107-124.
[5]Fre R, Grosskopf S, Lovell C A K, et al. Derivation of Shadow Prices For Undesirable Outputs: A Distance Function Approach [J]. The Review of Economics and Statistics, 1993: 374-380. [6]Ghorbani M, Motallebi M. The Study on Shadow Price of Greenhouse Gases Emission in Iran: Case of Dairy Farms [J]. Research Journal of Environmental Sciences, 2009, 3(4): 466-475.
[7]陈诗一. 工业二氧化碳的影子价格: 参数化和非参数化方法[J]. 世界经济,2010,33(8):93-111.[Chen Shiyi. The Shadow Price of Industrial CO2 Emission: Parametric and Nonparametric Methods [J]. The Journal of World Economy, 2010,33(8):93-111.]
[8]涂正革. 工业二氧化硫排放的影子价格: 一个新的分析框架[J]. 经济学(季刊),2009,9(1):259-282. [Tu Zhengge. The Shadow Price of Industrial SO2 Emission: A New Analytic Framework [J]. China Economic Quarterly, 2009, 9(1):259-282.]
[9]Pan J. Emissions Rights and Their Transferability: Equity Concerns Over Climate Change Mitigation [J]. International Environmental Agreements, 2003, 3(1): 1-16.
[10]Cole C V, Duxbury J, Freney J, et al. Global Estimates of Potential Mitigation of Greenhouse Gas Emissions by Agriculture [J]. Nutrient Cycling in Agroecosystems, 1997, 49(1-3): 221-228.[11]黄德林, 蔡松锋. 中国农业温室气体减排潜力及其政策意涵[J]. 农业环境与发展,2011,13(4):25-41. [Huang Delin, Cai Songfeng. Reduction Potential and Policy Control of Chinese Agrogreenhouse Gas Emissions [J]. AgroEnvironment & Development, 2011,13(4):25-41.]
[12]李静, 李红, 谢丽君. 中国农业污染减排潜力、减排效率与影响因素[J]. 农业技术经济,2012,31(6):118-126. [Li Jing, Li Hong, Xie Lijun. Reduction Potential, Efficiency and Influencing Factors of Chinese Agricultural Pollution [J]. Journal of Agrotechnical Economics, 2012,31(6):118-126.]
[13]Anselin L. Spatial Econometrics: Methods and Models [M]. Dordrecht: Springer Science & Business Media, 1988: 7-13.
[14]Fre R, Grosskopf S, Pasurka C A. Environmental Production Functions and Environmental Directional Distance Functions [J]. Energy, 2007, 32(7): 1055-1066.
[15]Chung Y H, Fre R, Grosskopf S. Productivity and Undesirable Outputs: A Directional Distance Function Approach [J]. Journal of Environmental Management, 1997, 51(3): 229-240.
[16]LeSage J, Pace R K. Introduction to Spatial Econometrics [M]. New York: CRC Press, 2009: 27-41.
[17]Parent O, LeSage J P. Using the Variance Structure of the Conditional Autoregressive Spatial Specification to Model Knowledge Spillovers [J]. Journal of Applied Econometrics, 2008, 23(2): 235-256.
[18]田云, 张俊飚,尹朝静,等.中国农业碳排放分布动态与趋势演进: 基于31个省(市、区)2002-2011年的面板数据分析[J]. 中国人口·资源与环境,2014,24(7):91-98. [Tian Yun, Zhang Junbiao, Yin Chaojing, et al. Distributional Dynamics and Trend Evolution of China’s Agricultural Carbon Emissions: An Analysis on Panel Data of 31 Provinces from 2002 to 2011 [J]. China Population, Resources and Environment, 2014,24(7):91-98.] [19]吴贤荣, 张俊飚, 田云,等. 中国省际农业碳排放:测算、效率变动及影响因素研究: 基于DEAMalmquist指数分解方法与Tobit模型运用[J]. 资源科学,2014,36(1):129-138. [Wu Xianrong, Zhang Junbiao, Tian Yun, et al. Provincial Agricultural Carbon Emissions in China: Calculation, Performance Change and Influencing Factors: Based on DEAMalmquist and Tobit Model [J]. Resource Science, 2014,36(1):129-138.]
[20]吴贤荣, 张俊飚, 朱烨,等. 中国省域低碳农业绩效评估及边际减排成本分析[J]. 中国人口·资源与环境,2014,24(10): 79-84. [Wu Xianrong, Zhang Junbiao, Zhu Ye, et al. Evaluation of Provincial Lowcarbon Agriculture Performance and Estimation of Marginal Abatement Costs in China [J]. China Population, Resources and Environment, 2014,24(10):79-84.]
[21]Wei C, Ni J, Du L. Regional Allocation of Carbon Dioxide Abatement in China [J]. China Economic Review, 2012, 23(3): 552-565.
Abstract
It is an important basis of the emission reduction policies and carbon trading policy to estimate the reduction potential of regional carbon emissions scientifically and explore its spatial heterogeneity. In this paper, based on the environmental production technology, by constructing the agricultural economic system coexisting with expected and non expected output, with 31 provinces in China during the period from 2001 to 2012 as the research objects, we firstly used the directional distance function to estimate the shadow price of agricultural carbon emissions, built potential index of reducing agricultural carbon emissions, and found that there are obvious differences of the agricultural carbon emissions reduction potential levels among the 31 regions in China. Considered the space distance function with spatial weight matrix, through Moran’s I test, we found that there is significant spatial dependence in the potential of agricultural carbon reduction. Then, we used the spatial Durbin model to study the spatial correlation characteristics of the potential for agricultural carbon reduction among each provinces. Results show that the level of economic development, agricultural economic development, and agricultural industrial structure exert significantly positive influences, while the degree of openess and agricultural disaster rate have an significantly negative effect on the province’s own potential for reducing the agricultural carbon emissions. The agricultural public investment and degrees of openess positively affect the potential of agricultural carbon reduction of the surrounding provinces, while the industrial structure of agriculture has a significantly negative impact on that of the surrounding provinces. As a suggestion, we would like to encourage each province that beside implementing the work of reducing agricultural carbon in its own region by adjusting the affected factors, it’s supposed to strengthen the cooperation with other provinces in carbon reduction projects, and make full use of the spillover effect of space factors to improve the efficiency of cooperation mechanism and compensation system of carbon reduction by establishing carbon trading center among the adjacent provinces.
Key wordslowcarbon agriculture; agricultural carbon emissions; potential for carbon reduction; spatial spillover effects; spatial Durbin model
科学估算各地区碳减排潜力并探讨其空间异质性是制定减排政策及碳权交易政策的重要基础。本文基于环境生产技术,通过构建期望产出与非期望产出共存的农业经济核算体系,以2001-2012年中国大陆31个省区作为研究对象,首先利用方向距离函数测算农业碳排放影子价格,并以此构建农业碳减排潜力指数,通过计算发现,考察期间,中国各省域农业碳减排潜力水平呈现相对平稳略有提升趋势,各时期的农业碳减排潜力水平地区差异明显。在此基础上,引入考虑空间距离函数的空间权重矩阵,通过空间自相关Moran’s I指数检验得出:中国各省域农业碳减排潜力存在显著的空间依赖性。最后,采用空间Durbin模型探讨中国省域农业碳减排潜力的空间关联特征,结果显示一个省区的农业碳减排潜力水平不单受到自身经济及产业状况的影响,还与其所处的环境及相邻省区的发展情况具有一定相关性,具体表现为:各省区的经济发展水平及农业经济发展水平、农业产业结构等因素对本省区农业碳减排潜力有显著正向促进作用,而对外开放程度和农业受灾率在一定程度上阻碍了本省区农业碳减排潜力的提升;一个省区的农业公共投资、对外开放程度对除本省市外其他省区农业碳减排潜力有显著正向影响,农业产业结构对除本省市外其他省区农业碳减排潜力有显著负向影响。建议各省区除调整根据各影响指标落实本省内农业碳减排工作外,还需加强与其他省份的减排合作,充分利用空间因素溢出效应,通过建立相邻省区间以碳排放权交易中心促进跨省域减排合作机制及减排补偿制度。
关键词低碳农业;农业碳排放;减排潜力;空间溢出效应;空间Durbin模型
中图分类号F205
文献标识码A
文章编号1002-2104(2015)06-0053-09
doi:10.3969/j.issn.1002-2104.2015.06.009
全球气候变暖已经成为各国政治、经济、科学等领域重点关注的问题,碳排放量逐年增加是导致全球气候变化的重要因素,全球性碳减排呼声越来越高。农业较之其他产业,碳减排具有较强的正外部效应,除了可以减少大气中的温室气体排放减缓温室效应,往往还意味着土壤营养的提高、土壤结构的改良、农业环境品质的改善[1],而这些正外部性的呈现对于推进我国农业的健康可持续发展是大有裨益的。面对《京都议定书》对各国家及地区所限定的减排责任,将农业行业减排纳入整个碳交易减排体系已经成为农业大国减排计划不可避免的趋势。中国作为农业大国,其农业碳减排问题更不容忽视,结合中国特有国情,保障粮食安全与农业可持续发展的前提下,将农业碳减排纳入应对气候变迁的行动之一,研究其农业碳排放问题,进而分析农业碳减排潜力具有重要现实意义。
1文献评述
从已有文献来看,农业碳减排问题是近年来学术界探讨的焦点之一,研究围绕低碳农业发展、农业减排机制探讨与减排政策制定等方面展开[2-4],形成了一批十分具有现实价值的研究成果,这为农业碳减排潜力的探讨奠定了一定基础。一些国外学者尝试将经济学中的影子价格原理引用到对经济生产过程中的环境污染治理成本分析上[5],并结合方向距离函数与污染物影子价格方法研究不同地区间减排成本差异[6],国内颇具代表性的有陈诗一、涂正革二位。前者以工业二氧化硫为研究对象,以其影子价格值来衡量工业38个主要行业的减排成本值,构建环境治理代价及减排成本分析框架,并为我国环境治理走向市场化提供了一定依据[7];后者同样研究工业二氧化硫,选用北京、甘肃、河北三地作为代表测算并分析其影子价格变动趋势,主张不同时段应采取有差异的减排措施及政策[8]。他们分别从考虑减排效率及公平的角度出发研究低碳减排问题,探究排放权限与气候变迁的应对之策[9]。在此基础上,Cole C V, et al.对全球农业温室气体减排潜力进行了粗略估算,并从农户角度出发研究了减排技术的采纳意愿,但该研究由于部分数据缺失原因,所得结果中农业减排潜力对后人的参考价值受到限制[10]。国内关于农业碳减排潜力定量分析的相关研究起步相对滞后,黄德林等通过将GTAP-E模型运用于农业产业的温室气体减排潜力分析,对该产业特殊减排意义进行评价,并估测了中国农业温室气体排放征税口径[11];李静等基于中国28个省份的面板数据估计了三种常见农业污染物的减排潜力,指出中西部地区农业减排潜力与东部地区相比较大[12]。
上述研究一定程度上丰富了农业碳减排的研究思路,为后续相关研究奠定了坚实基础,但普遍存在的一个问题是,未考虑相邻的不同地区间农业碳减排的相互影响作用,即空间相关性。根据“地理学第一定律”的观点,认为任何事物都具有一定的空间依赖性,且这种空间相关关系会因为地理距离的远近而表现出强弱的不同[13]。而事实上,在农业生产过程中,由于生产要素的跨区域流动、先进技术的溢出效应、生产创新的相互模仿等一系列经济活动通常情况下区域集聚效应明显,各地区并非独立存在,而是相互受到临近地区相关活动的影响。然而,现有文献中对于我国农业碳排放或农业碳减排潜力的相关研究并没有体现出各省域间所存在的空间关联特征。依据区域间农业生产要素流动、农业碳排放等污染物产出均具有较强的空间属性,不再适用于传统的计量回归模型。基于此,本文尝试借用空间计量模型方法,用中国31个省区自2001年至2012年的面板数据来分析地理空间效应对我国各省域农业碳减排潜力所造成的影响。
2研究方法
2.1非期望产出的影子价格
根据Fre R., et al.提出的环境生产技术基本思想[14],可以将只考虑投入、产出要素的传统农业生产过程扩展为既包括期望产出又包括非期望产出的所有生产可能性,我们用字母x、y、c分别代表投入要素(资本、劳动、土地)、期望产出(农业总产值)和非期望产出(农业碳排放),那么农业部门所有生产可能性集P(x)可描述为式(1): P(x)={(y,c):x can produce (y,c)} (1)
用向量g=(gy,-gc)来定义农业产出的正向增长方向,在不改变资本、劳动、土地等生产要素的前提下,方向距离函数(用D表示)追求的是既定农业期望产出水平时非期望产出农业碳排放的最大缩减可能,或既定非期望产出水平时农业期望产出的最大扩张可能,用加权系数λ表示,代数表述如式(2):
D(x,y,c;gy,-gc)=max{λ:(y+λgy,c-λgc)P(x)}(2)
影子价格可以用于衡量碳排放对期望产出的效应,定义为在某一特定产出条件下,单位碳排放变化所导致的农业总产值变化量[15],从而使得农业总产值的变化与农业碳排放量变化所引起的经济成本之间相互联系起来。若用ry、rc分别表示农业期望产出的价格与农业非期望产出的价格,则基于原方向距离函数的非期望产出的价格形式可表示为式(3):
rc=-ry×D(x,y,c;gy,-gc)/cD((x,y,c;gy,-gc)/y(3)
(3)式中:D(x,y,c;gy,-gc)表示方向距离函数求偏导,等号左边rc即为非期望产出影子价格,也就是农业碳排放影子价格。它表示单位农业碳排放边际变化所带来的农业总产值的变化量,即减少(增加)单位农业碳排放量所导致的农业总成本的变化量,这正是宏观经济意义上边际成本的概念,此处为农业边际减排成本。
2.2空间Durbin计量模型
从空间计量的角度,一个地区可以划分为若干个不同的空间单元,而每一个空间单元上的某种经济活动现象或单元属性值同其周围的其他空间单元上的同一现象或属性值具有一定的关联特征[16]。常用来模拟空间相关性所表现出的地理空间效应的方法有以下三种:空间滞后模型(Spatial Lag Model,简记SLM )、空间误差模型(Spatial Error Model,简记SEM )和空间Durbin模型(Spatial Durbin Model,简记SDM)。其中,空间Durbin模型不仅具有同时考虑因变量和自变量空间相关性的优势,还关注作用于因变量的来自不同维度的因素,包括本地区自变量、其他地区滞后自变量及其他地区滞后因变量。基于此,本文选用空间Durbin模型来检验中国各省域农业碳减排潜力的地理空间关联特征,其表达式为式(4):
Y=ρWY+βXi+θWXi+ε(4)
(4)式中:Y表示农业碳减排潜力,ρ、β、θ分别表示各回归系数,W即为空间权重矩阵,Xi是自变量,即影响农业边碳减排潜力的各决定因素,WX表示农业碳减排潜力的各影响因素的滞后项,ε是随机扰动项,同时期、地区无关。与传统线性结构模型不同,由于空间权重矩阵的引入使得线性结构非线性化,从而,模型中各回归系数不再是自变量对因变量影响大小的直接反映。
2.3空间权重矩阵
较常用的空间属性表现形式是基于各省域之间的邻接关系进行的,即假设两地之间相邻则其经济活动之间具有一定相关性。该邻接关系可用0和1两个值来表达,两地地理位置相邻则为1,否则为0。由于这种简单的0-1邻接关系忽略了两地地理距离产生的作用大小区别,还会出现海南岛四面不相邻的孤岛现象,已不再适用实际分析。若考虑到两地空间距离的远近对空间关联特征的影响有大小之分,可以构建基于距离函数的空间邻接矩阵,即假设两地空间距离越近相互作用力越大,反之则越小[17]。根据该思想,基于距离函数的空间权重矩阵可定义为:
Wij=0(i=j) 1/dij(i≠j)(5)
(5)式中:dij表示i地与j地之间的直线距离。有研究采用的是两省重心点之间的距离,但考虑到各省市区的经济中心一般在其省会城市,取地理重心点意义不大,故该距离指的是两地省会城市间的直线距离。将上述基于距离函数的空间权重矩阵W进行标准化运算,使得每一行的元素之和为标准1。本文就采用这种改进过的空间权重矩阵对中国各省域农业碳减排潜力的空间自相关及空间依赖性进行测度。
3数据处理
文章选取2001-2012年中国31个省(市、区)作为研究对象,所采用的各指标基础数据均出自历年《中国农村统计年鉴》、《中国农业统计资料》、《中国畜牧业年鉴》等年鉴及各省市统计年鉴资料,并经过适当处理。
(1)农业碳排放。本文依据以往研究[18],设c表示农业碳排放总量,ci则为各碳源因子所引发的碳排放量,e表示各碳源因子的量化值,ε表示各碳源因子的排放系数。从而农业碳排放量的测算公式如下:
c=∑ci=∑ei·εi (6)
与工业碳排放不同,农业既是碳源也是碳汇,碳源因子的确定更为繁杂,鉴于本文立足于农业生产过程中的碳排问题,旨在探讨降低农业碳排放总量的潜力,且农业碳汇测算目前尚存争议,故这里只考虑农业生产过程中的碳排而暂不考虑碳汇问题。结合吴贤荣[19]的研究成果并进行修正,拟从以下三个方面着手:一是农用物资投入所引发的碳排放,具体包括化肥、农药、农膜、农用柴油的直接使用以及农业灌溉耗费电能所产生的碳排放,相应碳排放系数分别为0.90 kg C/kg、4.93 kg C/kg、5.18 kg C/kg、0.59 kg C/kg、266.48 kg C/kg;二是水稻种植中在其生长发育过程所排放的CH4等气体,排放系数为3.14 g C/天/平方米;三是畜禽养殖所引发的碳排放,包括肠道发酵以及粪便管理系统中所带来的甲烷、一氧化二氮等气体排放,我国主要畜禽类包括牛(水牛、奶牛和黄牛)、羊(山羊和绵羊)、猪、马、驴、骡、骆驼及家禽等品种,其碳排放系数分别为497.54 kg C/年/头、619.91 kg C/年/头、440.24 kg C/年/头、62.07 kg C/年/头、61.93 kg C/年/头、77.17 kg C/年/头、246.88 kg C/年/头、187.29 kg C/年/头、187.29 kg C/年/头、439.70 kg C/年/头、1.76 kg C/年/头。为便于计算,以ICPP温室效应强度为标准,将CO2、CH4、N2O等农业排放气体统一计量单位,均换算成标准碳当量。由于1 ton CO2含0.272 7ton C,1 ton CH4所引发的温室效应相当于25 ton CO2(约合6.81 ton C)所产生的温室效应,同样1 ton N2O则等同于298 ton CO2(约合81.27 ton C)所引发的温室效应强度。 (2)农业碳排放影子价格。按公式(3)的方法计算得来,其中投入要素包括农业资本、劳动力、土地三方面,产出指标中期望产出取传统农业总产值,非期望产出指标指农业碳排放[20],详细信息如表1所示。
其中,i表示省份,t表示时期,ω为权重值,Equity=ω×PC+(1-ω)×PP是农业碳减排公平指数,由等权重的人均农业碳排放量PC和人均农业总产值PP共同决定,通常代表排放平等主义及相对支付力等公平准则;Efficiency=ω×CI+(1-ω)×rc是农业碳减排效率指数,包括农业碳排放强度CI和农业碳排放影子价格rc两个指标,并赋予同等重要性。具体数据处理过程参考吴贤荣等的研究,其中公平与效率指数分别由人均农业碳排放量、人均农业总产值和地区农业碳排放强度、农业碳排放影子价格四个二级指标构成。这里人均农业碳排放量、人均农业总产值两个指标所考察的是农业生产过程中的公平指数,整篇文章都是基于生产过程视角,因此,劳动力的投入应以第一产业从业人员为衡量标准。计算结果见表2,由于篇幅所限,此处仅列部分数据。
可以看到,2001-2012年间,中国各省域农业碳减排潜力水平均呈现相对平稳略有提升趋势,各时期的农业碳减排潜力省域差异较大,减排潜力全国地理空间分布不均衡。2002年所有省市区中农业碳减排潜力最小值为山西省,其农业碳减排潜力指数值为0.039 5,而西藏农业碳减排潜力水平最高,其指数值为0.519 7,是同时期山西的13倍之多。从12年的平均值来看,农业碳减排潜力水平最高的西藏为0.792 6,高达农业碳减排潜力水平最低的山西省24倍。西藏主要是受人均农业碳排和农业碳排放强度两个指标较高所驱动。一方面,人均农业碳排放量较高,主要源于该地农业均以畜牧业为主,牲畜养殖过程中会产生大量碳排放,包括动物肠道发酵所引起的CH4排放以及粪便管理系统中所导致的CH4和N2O排放。另一方面,由于农业发展水平相对落后,单位农业总产值的农业碳排量偏高,农业碳排放强度极高,其农业碳减排空间较大,减排重点在于控制农业碳排放总量。应积极发挥其土地宽广的农业资源优势,在保障肉类产品供给安全的前提下,注重植树造林、草地恢复工程等农业碳减排的有效措施实施。总体而言,西藏、海南、青海、内蒙古、江西、吉林、辽宁、新疆等地区农业碳减排潜力指数相对较高,而山西、黑龙江、北京、陕西、贵州、河北等地区农业碳减排潜力则处于较低水平。将12年的考察期内31个省(市、区)的农业碳减排潜力指数求一个均值,则各省市区农业碳减排潜力水平分布柱状图如图1所示。
4.2农业碳减排潜力空间相关性检验
空间统计分析的首要前提是因变量存在空间自相关性,因此在空间回归之前要先行检验因变量的空间相关性,否则不可滥用空间计量模型。常用的判别方法有两种:一是经验判断,二是Moran’s I指数法。
4.2.1经验判断
与SO2、CO、N2O等具有本地效应特征的污染物不同,CO2的排放及其引发的温室效应更具跨时期、跨地域的全局效应特征,这种外部性的存在使得减排不可避免地面临较为严重的搭便车行为,而搭便车行为导致CO2排放与各地域经济发展水平等多方面经济因素具有一定关联性。因此,在低碳约束下,要使各地域经济均衡发展、农业产业协调发展,必须加入更多的人为干预和调整。为了遏制跨地域性排放搭便车行为,全国性甚至全球性的减排协调机制的建立尤为重要。
4.2.2空间自相关Moran’s I指数检验
在实际的空间相关性分析中,更为准确的是通过空间自相关Moran’s I指数值来进行检验,以判断是否存在空间关联性。Moran’s I指数的计算公式为:
Moran’s I=∑n[]i=1∑n[]j=1wij(Yi-Y—)(Yj-Y—)S2∑n[]i=1∑n[]j=1wij (8)
其中,S2=1n∑n[]i=1(Yi-Y—)2,Y—=1n∑n[]i=1Yi;Yi代表第i个区域的样本值,此处为农业碳减排潜力指数;n为观测单元总数,本文为中国大陆31个省级行政区;Wij为i地与j地之间的空间邻接关系,即前文所述的距离函数空间权重矩阵标准化形式。
Moran’s I指数的取值范围通常为[-1,1]之间,当它落在[-1,0)、(0,1]范围内分别表示各地区间因变量呈现空间负相关、空间正相关,且存在以下规律:取值越接近0值表示样本值空间分布的相关性越弱或趋于空间随机分布状态;Moran’s I指数绝对值越接近1则表示的空间自相关性越强或空间分布聚集性表现越突显。
表3给出了2001-2012年中国各省市区的农业碳减排潜力空间自相关Moran’s I指数检验结果值。可以看到,表中历年Moran’s I指数均为正数,且由P值知它们都在1%的显著性水平上通过检验,说明中国农业碳减排潜力在各省域之间存在着一定关联特征,各省减排潜力水平表现出显著的正相关关系。这就表明了地处相邻省区的农业碳减排潜力水平呈现出高潜力地区和低潜力地区相对集聚的现象,农业碳减排潜力较高的省份邻近,农业碳减排潜力较低的省份也互相邻近。同时,从时间轴来看,Moran’s I指数的值随着年份的变化有波动上升的趋势,从0.266 2波动上升到0.306 6,表明随着中国经济的不断发展壮大,各个地区联系越来越紧密,相互影响越来越凸显,农业碳减排潜力的空间相关性也越来越大,空间分布的集聚现象在逐步增强。
通过以上对农业碳减排潜力的空间自相关性分析,可得出中国省域农业碳减排潜力存在显著的空间自相关性,省域农业碳减排潜力在地理空间上表现出的相互关联性及依赖性显著,以往对农业碳减排的研究忽略了地理空间效应在相邻经济体之间产生的巨大作用,是不科学的。因此,采用基于地理函数的空间计量模型对中国农业碳减排潜力进行探究时,能够纳入空间权重参数以考查潜力水平的空间效应。 4.3空间Durbin计量模型回归结果
以上分析结果表明中国各省域农业碳减排潜力存在一定空间关联特征,一个地区的农业碳减排潜力水平不仅与当地相关经济指标有关,还同其相邻地区的农业碳减排潜力存在某种关联。接下来利用空间Durbin计量模型对该空间关联特征进行模拟,为与上文相一致,本研究中所涉及影响指标选取2001-2012年间全国31个省(市、区)作为样本数据。
根据农业产业特点,碳减排潜力水平同时受到来自多方面因素的作用,包括当地经济及农业发展水平、投入要素禀赋及产业结构、对外开放程度等。其中经济水平、农业经济发展水平、农业公共投资等意味着减排支付力度,但同时也反映了农业生产效率及碳排放水平;产业结构不同会导致农业碳排放强度的差异,也会影响减排潜力;从业人员文化程度在一定程度上体现了低碳农业接受潜力,从业人员文化水平高,减排意识越强,在进行农业生产时会更多考虑控制高碳行为;而农业对外开放,尤其是农产品出口会带来一国对外贸易隐含碳排放的改变,是农业碳排放国别转移的重要形式,在很大程度上影响农业碳减排潜力;此外,农业不但易受经济水平影响,还是自然灾害敏感型产业,大范围的旱涝灾害、农业病虫害、土壤侵性灾害等严重影响农业生产,也是农业碳减排主要阻碍因素之一。基于以上考虑,并借鉴以往研究,结合数据可取性,本文拟从如下7个方面来探究空间模型的自变量:①经济发展水平(Economy),取各地区GDP值与总人口之比;②农业经济发展程度(AEconomy),用可比价换算过的农林牧渔总产值除以农村总人口来衡量;③农业公共投资(Investment),以各地区农村基础设施公共投资与农村总人口之比为准;④农业产业结构(Structure),取种植业的生产值占农林牧渔业总产值的比重值;⑤从业人员受教育水平(Education),以第一产业从业人员中初中及以上学历人员的比重为标准;⑥农业对外开放程度(Opening),用农产品出口数量与当地农产品总产量之比来表示;⑦农业生产受灾程度(Disaster),取农业生产的受灾面积占总耕地面积的百分比。
通过Hausman检验结果,可以确定本文采用空间固定效应回归模型。空间Durbin计量模型由于空间权重矩阵的引入,方程(4)不再存在内生性问题,克服传统计量模型OLS估计有骗或无效,采用Anselin建议的ML法进行回归,结果如表4所示。空间自回归系数在1%的显著水平上通过检验,即我国各省域农业碳减排潜力在地理空间上存在集聚等关联特征。可以看出,经济发展水平、农业经济发展水平、农业产业结构因素、对外开放程度、农业受灾率、滞后经济发展水平、滞后农业经济发展水平、滞后农
业公共投资、滞后农业产业结构因素、滞后对外开放程度及滞后农业受灾率等因素显著影响农业碳减排潜力。从R2和似然比的结果值来看,模型模拟效果较好。再通过Wald检验和LR检验来判断本文中的空间Durbin模型是否可以简化为SLM或SEM模型。检验结果显示:Waldlag和LRlag的值分别为2.336 9和1.760 3,根据伴随概率值判断均通过1%显著性水平检验,说明拒绝假设θ=0;同
理,Walderr和LRerr检验也通过了检验,即拒绝ρ+θ=0,故此时Durbin模型不可简化为SLM或SEM模型。
空间模型可以用来揭示各省域空间单元之间的特定关联特征,但空间Durbin计量模型的回归系数并不能完全反映自变量对因变量的作用,需要通过分别计算空间模型的总效应、直接效应以及间接效应来进行反映。对于一个固定空间单元,直接效应反映的是自变量变化对本空间单元因变量造成的影响,而间接效应则是指该空间单元自变量变化可能对其它空间单元产生的潜在作用,也即溢出效应。结果见表5。
在空间Durbin计量模型总效应中,中国各省区的农业经济发展水平、农业产业结构因素对所有省区的农业碳减排潜力造成显著正向影响,中国各省区的对外开放程度、农业受灾率因素对所有省区农业碳减排潜力造成显著负向影响,而中国各省区的经济发展水平、农业公共投资、劳动力文化水平没有表现出显著性。如果对农业经济发展水平、农业产业结构、对外开放程度、农业受灾率等显著性因素进行适当调整,一方面可以增强本省区农业碳减排潜力水平,同时还有可能带动其他省区实现共同的减排目标。
在空间Durbin模型直接效应回归中,中国各省区的经济发展水平、农业经济发展水平、农业产业结构因素对本省区农业碳减排潜力造成显著正向影响,中国各省区的对外开放程度、农业受灾率因素对本省区农业碳减排潜力造成显著负向影响,农业公共投资、劳动力文化水平依然不具有显著性。各省区控制以上这些显著性因素可以促进本省区农业碳减排潜力水平的提升,但目前没有证据证明能够带动其他省区的状态改变。
在空间Durbin计量模型间接效应中,中国各省区的农业公共投资、对外开放程度对除本省市外其他省区农业碳减排潜力造成显著正向影响,而农业产业结构反方向作用于除本省区外的其他省区农业碳减排潜力水平,此外,经济发展水平、农业经济发展水平、劳动力文化水平及农业受灾率因素均变为不显著。各省区通过控制对外开放程度、农业公共投资及农业产业结构等因素可以带动除本省市外其他省区农业碳减排潜力的增强。
5结论与讨论
5.1主要结论
结合前文回归结果及分析,本文得到以下主要结论:
(1)2001-2012年中国各省区农业碳减排潜力均呈现相对平稳略有提升趋势,农业减排成本及农业碳减排潜力水平省域差异明显,空间分布极不平衡;
(2)基于地理距离函数的空间权重矩阵对因变量进行空间自相关检验,Moran’s I指数计算结果值显示,农业碳减排潜力水平在空间地理上存在显著的关联特征及依赖现象,这表明中国农业碳减排潜力在省域空间分布上所呈现出来的差异性并非随机发生,而是具备一定的关联性、集聚性; (3)运用空间Durbin计量模型探讨中国31个省区农业碳减排潜力的空间关联特征,发现中国各省区农业碳减排潜力由本省区的经济发展水平、农业经济发展水平、农业产业组织结构、对外开放程度、农业受灾率因素等众多因素决定。其中经济发展水平、农业经济发展水平、农业产业结构因素对本省区农业碳减排潜力有显著正向影响,对外开放程度、农业受灾率因素对本省区农业碳减排潜力有显著负向影响,各省区可控制这些影响因素来提升本省区的农业碳减排潜力水平;
(4)通过空间溢出效应分析发现,一个省区的农业碳减排潜力水平不单受到自身经济及产业状况的影响,还与其所处的环境及相邻省区的发展情况具有一定相关性,这体现为各省区对外开放程度、农业公共投资及农业产业结构等影响因素在地理空间上表现出来的关联特征及溢出效应。其中农业公共投资、对外开放程度对除本省市外其他省区农业碳减排潜力有显著正向影响,农业产业结构的差异对除本省市外其他省区农业碳减排潜力有显著负向影响,各省区协调周边省区对这三个因素进行调整和控制能够对其农业碳减排潜力水平产生一定影响。
5.2讨论与启示
本文考查同时考虑期望产出与非期望产出共存的农业经济衡量体系,首先利用方向距离函数测算了2001-2012年中国31个省级行政单位的农业碳排放影子价格,并以此构架农业碳减排潜力指数;在此基础上,基于空间距离函数的空间权重矩阵,运用空间Durbin计量模型探讨中国省域农业碳减排潜力的空间溢出效应。所得出的上述结论对继续我国农业碳减排领域的研究提供了一定参考价值。相比以往研究,本文主要在以下三个方面进行了拓展:①借助环境生产技术,运用影子价格方法分析农业减排成本,用农业碳排放量来衡量非期望产出的环境损失因素,解决以往研究存在标准混乱问题;②利用空间Durbin计量模型探讨中国省域农业碳减排潜力的空间关联特征,弥补了以往农业碳排放研究仅限于时序分析或简单的地区差异分析的不足;③放弃以往简单0-1权重矩阵方法,引入考虑地理距离函数的空间权重矩阵改进形式,探讨影响各省区农业碳减排潜力水平的相关因素,更具科学性。
通过对我国各省域农业碳减排潜力水平的空间关联特征计量模型估计结果表明,仅单方面考虑减排目标而盲目追求各行业减排任务是不合理的。要推进工业化、城镇化、信息化与农业现代化的协调发展,应以工业减碳为主、结合农业吸碳,在保障全国粮食安全的前提下,结合各影响因素的不同效应大小谨慎衡量各指标的控制与调整。因此,本文建议各省区除调整根据各影响指标落实本省内农业碳减排工作外,还需加强与其他省份的减排合作,充分利用空间因素溢出效应,通过建立相邻省区间以碳排放权交易中心促进跨省域减排合作机制及减排补偿制度。
当然,纵使明确了农业碳减排潜力在空间上表现出来的直接或间接关联特征及各种影响因素对本省区及其他省区的不同效应,但在保障低碳农业发展的前提下,各地区具体如何控制和调整本省区的各项指标因素是一大难点,限于数据的可得性及笔者自身水平的有限,本文未能提出具体的一套行之有效的减排政策方案及措施。这将是笔者未来进一步研究的努力方向。
(编辑:田红)
参考文献(References)
[1]Mosier A R, Halvorson A D, Reule C A, et al. Net Global Warming Potential and Greenhouse Gas Intensity in Irrigated Cropping Systems in Northeastern Colorado[J]. Journal of Environmental Quality, 2006, 35(4): 1584-1598.
[2]田云, 张俊飚. 碳排放与经济增长互动关系的实证研究:以武汉市为例[J]. 华中农业大学学报:社会科学版,2013,33(1):118-121. [Tian Yun, Zhang Junbiao. Empirical Study on Interactive Relationship between Economic Growth and Carbon Emissions:A Case Study in Wuhan [J]. Journal of Huazhong Agricultural University:Social Sciences Edition, 2013,33(1):118-121.]
[3]贺亚亚, 田云, 张俊飚. 湖北省农业碳排放时空比较及驱动因素分析[J]. 华中农业大学学报:社会科学版,2013,33(5):79-85. [He Yaya, Tian Yun, Zhang Junbiao. Analysis on SpatialTemporal Difference and Driving Factors of Agricultural Carbon Emissions in Hubei Province [J]. Journal of Huazhong Agricultural University:Social Sciences Edition, 2013,33(5):79-85.]
[4]Johnson J M F, Franzluebbers A J, Weyers S L, et al. Agricultural Opportunities to Mitigate Greenhouse Gas Emissions [J]. Environmental Pollution, 2007, 150(1): 107-124.
[5]Fre R, Grosskopf S, Lovell C A K, et al. Derivation of Shadow Prices For Undesirable Outputs: A Distance Function Approach [J]. The Review of Economics and Statistics, 1993: 374-380. [6]Ghorbani M, Motallebi M. The Study on Shadow Price of Greenhouse Gases Emission in Iran: Case of Dairy Farms [J]. Research Journal of Environmental Sciences, 2009, 3(4): 466-475.
[7]陈诗一. 工业二氧化碳的影子价格: 参数化和非参数化方法[J]. 世界经济,2010,33(8):93-111.[Chen Shiyi. The Shadow Price of Industrial CO2 Emission: Parametric and Nonparametric Methods [J]. The Journal of World Economy, 2010,33(8):93-111.]
[8]涂正革. 工业二氧化硫排放的影子价格: 一个新的分析框架[J]. 经济学(季刊),2009,9(1):259-282. [Tu Zhengge. The Shadow Price of Industrial SO2 Emission: A New Analytic Framework [J]. China Economic Quarterly, 2009, 9(1):259-282.]
[9]Pan J. Emissions Rights and Their Transferability: Equity Concerns Over Climate Change Mitigation [J]. International Environmental Agreements, 2003, 3(1): 1-16.
[10]Cole C V, Duxbury J, Freney J, et al. Global Estimates of Potential Mitigation of Greenhouse Gas Emissions by Agriculture [J]. Nutrient Cycling in Agroecosystems, 1997, 49(1-3): 221-228.[11]黄德林, 蔡松锋. 中国农业温室气体减排潜力及其政策意涵[J]. 农业环境与发展,2011,13(4):25-41. [Huang Delin, Cai Songfeng. Reduction Potential and Policy Control of Chinese Agrogreenhouse Gas Emissions [J]. AgroEnvironment & Development, 2011,13(4):25-41.]
[12]李静, 李红, 谢丽君. 中国农业污染减排潜力、减排效率与影响因素[J]. 农业技术经济,2012,31(6):118-126. [Li Jing, Li Hong, Xie Lijun. Reduction Potential, Efficiency and Influencing Factors of Chinese Agricultural Pollution [J]. Journal of Agrotechnical Economics, 2012,31(6):118-126.]
[13]Anselin L. Spatial Econometrics: Methods and Models [M]. Dordrecht: Springer Science & Business Media, 1988: 7-13.
[14]Fre R, Grosskopf S, Pasurka C A. Environmental Production Functions and Environmental Directional Distance Functions [J]. Energy, 2007, 32(7): 1055-1066.
[15]Chung Y H, Fre R, Grosskopf S. Productivity and Undesirable Outputs: A Directional Distance Function Approach [J]. Journal of Environmental Management, 1997, 51(3): 229-240.
[16]LeSage J, Pace R K. Introduction to Spatial Econometrics [M]. New York: CRC Press, 2009: 27-41.
[17]Parent O, LeSage J P. Using the Variance Structure of the Conditional Autoregressive Spatial Specification to Model Knowledge Spillovers [J]. Journal of Applied Econometrics, 2008, 23(2): 235-256.
[18]田云, 张俊飚,尹朝静,等.中国农业碳排放分布动态与趋势演进: 基于31个省(市、区)2002-2011年的面板数据分析[J]. 中国人口·资源与环境,2014,24(7):91-98. [Tian Yun, Zhang Junbiao, Yin Chaojing, et al. Distributional Dynamics and Trend Evolution of China’s Agricultural Carbon Emissions: An Analysis on Panel Data of 31 Provinces from 2002 to 2011 [J]. China Population, Resources and Environment, 2014,24(7):91-98.] [19]吴贤荣, 张俊飚, 田云,等. 中国省际农业碳排放:测算、效率变动及影响因素研究: 基于DEAMalmquist指数分解方法与Tobit模型运用[J]. 资源科学,2014,36(1):129-138. [Wu Xianrong, Zhang Junbiao, Tian Yun, et al. Provincial Agricultural Carbon Emissions in China: Calculation, Performance Change and Influencing Factors: Based on DEAMalmquist and Tobit Model [J]. Resource Science, 2014,36(1):129-138.]
[20]吴贤荣, 张俊飚, 朱烨,等. 中国省域低碳农业绩效评估及边际减排成本分析[J]. 中国人口·资源与环境,2014,24(10): 79-84. [Wu Xianrong, Zhang Junbiao, Zhu Ye, et al. Evaluation of Provincial Lowcarbon Agriculture Performance and Estimation of Marginal Abatement Costs in China [J]. China Population, Resources and Environment, 2014,24(10):79-84.]
[21]Wei C, Ni J, Du L. Regional Allocation of Carbon Dioxide Abatement in China [J]. China Economic Review, 2012, 23(3): 552-565.
Abstract
It is an important basis of the emission reduction policies and carbon trading policy to estimate the reduction potential of regional carbon emissions scientifically and explore its spatial heterogeneity. In this paper, based on the environmental production technology, by constructing the agricultural economic system coexisting with expected and non expected output, with 31 provinces in China during the period from 2001 to 2012 as the research objects, we firstly used the directional distance function to estimate the shadow price of agricultural carbon emissions, built potential index of reducing agricultural carbon emissions, and found that there are obvious differences of the agricultural carbon emissions reduction potential levels among the 31 regions in China. Considered the space distance function with spatial weight matrix, through Moran’s I test, we found that there is significant spatial dependence in the potential of agricultural carbon reduction. Then, we used the spatial Durbin model to study the spatial correlation characteristics of the potential for agricultural carbon reduction among each provinces. Results show that the level of economic development, agricultural economic development, and agricultural industrial structure exert significantly positive influences, while the degree of openess and agricultural disaster rate have an significantly negative effect on the province’s own potential for reducing the agricultural carbon emissions. The agricultural public investment and degrees of openess positively affect the potential of agricultural carbon reduction of the surrounding provinces, while the industrial structure of agriculture has a significantly negative impact on that of the surrounding provinces. As a suggestion, we would like to encourage each province that beside implementing the work of reducing agricultural carbon in its own region by adjusting the affected factors, it’s supposed to strengthen the cooperation with other provinces in carbon reduction projects, and make full use of the spillover effect of space factors to improve the efficiency of cooperation mechanism and compensation system of carbon reduction by establishing carbon trading center among the adjacent provinces.
Key wordslowcarbon agriculture; agricultural carbon emissions; potential for carbon reduction; spatial spillover effects; spatial Durbin model