农业科技进步对农业碳排放空间溢出效应的实证检验

李 宽，张 弘，史 磊

（1.首都经济贸易大学 经济学院，北京 100070；2.中国海洋大学 管理学院，山东 青岛 266100）

0 引言

农业可持续发展是当今世界各国共同关注的话题，也是推进农业高质量发展的关键之所在。当前农业生产所造成的碳排放已位居全球第二位，仅次于工业的碳排放。高强度的碳排放不仅威胁着人类的生存环境，也破坏了生态平衡。根据联合国粮食及农业组织（FAO）的统计数据，全球农业生产和土地利用导致的温室气体排放约占总排放量的30%,相当于每年产生150 亿吨的二氧化碳，其中化肥、农药等过量施用，电力灌溉、农业机械使用，以及动物粪便、秸秆燃烧等有机废弃物处理是农业二氧化碳的重要来源。随着我国农业现代化的推进以及化学农业、石油农业、机械农业的迅速发展，在带来农业经济增长和粮食大幅度增产的同时，也付出了资源的极大消耗、环境污染等代价，这种高投入与低效率的农业发展模式不能满足农业高质量发展的要求。

影响农业碳排放的因素众多，其中科技进步在农业碳减排方面的关键作用已成为普遍共识[1,2]。2020 年中国提出力争2030 年前实现碳达峰，2060年前实现碳中和的“双碳”目标。在此背景下，为促进农业绿色低碳发展，实现农业发展方式的转变，就必须发挥农业科技在其中的关键性作用，同时这也是推动农业高质量发展的必然选择。当前中国正处于农业科技快速进步的时期，各地区之间的农业科技水平差距较大。因此，在探究农业科技进步对农业碳排放的影响时，也必须考虑这种差异是否会对农业碳排放产生影响。已有文献基于科技发展角度对农业碳排放的研究是非常丰富的[3—13]，这为本文提供了有益参考。但是通过归纳学者们的研究不难发现，他们都忽略了地区之间的空间关联情况，由于科学技术进步存在“技术溢出效应”或“经济溢出效应”等影响，因此会对相邻地区的农业生产方式转变产生间接影响。鉴于此，本文基于空间角度，在前人研究的基础上进行拓展和延伸，借助空间计量模型实证检验本地区和邻近地区农业科技进步对农业碳排放的空间影响。

1 机理分析与研究假设

1.1 农业科技进步对农业碳排放的“直接效应”影响机理

农业科技进步对农业碳排放的“直接效应”影响主要体现在三个层面上。一是农业科技进步可以促进资源利用效率的提高。例如土地规模化发展、新型排灌、肥料施用、农药施用等可以更好地利用农业资源，减少资源的耗损，提高资源利用率，从而降低农业碳排放。二是农业科技进步促进种植结构合理化。农业科技进步使得农作物的种植结构得到了优化和升级。以耕种技术改良为例，新型农业科技将作物的轮作、轮种、轮休变得更加科学，并能够根据作物生长周期的不同，为不同组织结构、不同根系需求的作物提供恰当的水肥条件，从而在不同的土地上实现最简化的耕作管理，进而改变农业生产方式。三是农业科技进步提高了农业生产率。农业科技进步通过育种、灌溉、施肥等新技术的应用，提高了农业生产率，有效降低了单位产量农产品生产的净碳排放，从而实现碳减排。鉴于此，本文提出以下假设：

假设1：本地区农业科技进步对本地区农业碳排放存在显著的抑制作用，即存在“减碳效应”。

1.2 农业科技进步对农业碳排放的“空间效应”影响机理

第一，省份间农业技术溢出对各省份农业生产存在正向影响，本地区农业科技进步程度的提高存在“技术溢出效应”，邻近地区通过“学中干、干中学”两条渠道实现碳减排。一是本地区农业技术提升具有显著的“示范效应”，在逐利影响下，周边地区农户生产也会受到这些改良措施的影响，继而邻近地区的农户产生“从众心理”，通过单纯复制或简单照搬、照抄的形式学习本地区的先进技术和管理方法，将之应用于自身的农业生产中，从而实现减排碳。二是邻近地区通过“逆向工程”实现“减碳效应”。相邻地区可以通过研究本地区的农业技术特点以及技术适用场景，并结合本地区农业发展的实际情况，对技术进行细致研究、消化吸收，进而将其融入自身的产品及农业生产工艺中，从而降低农业碳排放，这种渠道的抑制效果是最明显的。

第二，农业科技进步对邻近地区的“经济溢出效应”同样是不可忽视的，主要体现在对邻近地区的产业结构优化和促进劳动力就业上。一方面，本地区通过增加科技投入，向市场输送高质量、高附加值的农产品，抢占了市场资源。在市场竞争机制的影响下，消费需求变化容易形成“倒逼机制”，迫使邻近地区改变原有的生产方式，不断增加技术投入，在此作用下，邻近地区的产业结构得到完善，从而达到减少碳排放的目的。另一方面，农业科技的发展可以有效带动产业转型，促进农村劳动力转移就业。现代农业发展相比传统农业需要更多的高素质劳动力，带来新的就业岗位，继而吸纳邻近地区劳动力转移就业，在一定程度上促使邻近地区人均资源占有率提升，缓解了邻近地区的农业资源约束问题，继而实现碳减排。因此，本文提出以下假设：

假设2：农业科技进步与农业碳排放存在正向空间关联性。

假设3：农业碳排放存在正向空间溢出效应。

假设4：本地区农业科技进步提高对邻近地区农业碳排放存在负向空间溢出效应，即存在“减碳效应”。

2 实证检验

2.1 数据来源

本文以2003—2020 年我国省级面板数据为样本，由于西藏的数据存在缺失，因此为保证样本数据的连续性，本文进行了合理剔除，最终保留了30个省份（不含西藏和港澳台）的数据。对部分年份和省份存在缺失的数据采用线性插值的方法进行补全。相关数据主要来源于历年《中国农业年鉴》、国家统计局官网、CSMAR 以及各地方统计年鉴等。

2.2 变量说明

（1）被解释变量

本文的被解释变量为农业碳排放强度（CO2）。学术界对农业碳排放的度量大多采用因子测度公式进行计算，本文同样采用此种方法。农业生产活动中的碳排放源可归纳为两类：一类是化肥、农药、农膜等生产要素投入产生的碳排放；另一类是柴油、翻耕、灌溉产生的碳排放。因此，可结合来源根据农业碳源的碳排放系数计算农业碳排放量。

农业碳排放量的计算公式为：

其中，Cit表示第i个省份第t年的农业碳排放总量；Cnit为n种碳源的碳排放总量；Tnit为n种碳源的数量；σn为n种碳源的碳排放系数（见表1）。

农业碳排放强度的计算公式为：

其中，i为省份，t为年份；Cit为农业碳排放总量；CO2it为农业碳排放强度；GCPit为不变价格的种植业总产值（以2003年为基期）。

（2）解释变量

本文的解释变量为农业科技进步（SCI），以农业科技进步率度量，借鉴陶群山和胡浩（2011）[18]、江艳军和黄英（2019）[19]的测算方法和步骤，采用农业生产函数测算农业科技进步率。公式如下：

其中，Yt为各地区农业总产值；k1为耕地面积，以粮食总播种面积度量；k2为农业劳动力人数，以第一产业就业人数度量；k3为农业机械总动力；k4为农用化肥施用量；At为农业科技进步贡献率；β1、β2、β3和β4分别为耕地面积、农业劳动力人数、农业机械总动力和农用化肥施用量的贡献率。计算农业科技进步率的公式如下：

为确定β1、β2、β3、β4，建立如下回归方程：

使用双向固定效应模型，利用各省份2003—2020年的面板数据估计得到C1、C2、C3、C4，进而得到农业科技进步率。

（3）控制变量

本文的控制变量（CON）主要有：农作物播种面积（SOW），以农作物总播种面积的对数度量；机械化水平（MAC），以农业机械总动力的对数度量；城镇化率（TOW），以城镇常住人口占总人口的比重度量；农业财政支出（GOV），以农林水事务支出占一般财政支出的比重度量；农业生产投入（IPM），以农业生产性固定资产投资的对数度量。

2.3 模型构建

（1）全局自相关模型

判断农业科技进步与农业碳排放是否存在空间关联性最直接的方法是进行全局自相关检验，模型如下：

（2）空间计量模型

空间计量模型主要包括空间误差模型（SEM）、空间滞后模型（SLR）、空间杜宾模型（SDM）等。而空间杜宾模型在满足一定的约束条件时可转换成空间误差模型或者空间滞后模型，因此本文选择建立空间杜宾模型（SDM）进行实证检验。模型如下：

其中，i和t分别表示省份和年份；CO2it为被解释变量农业碳排放强度；SCIit为解释变量农业科技进步；CONit为所有控制变量；μt为时间固定效应；εit为随机误差项；Wj为空间权重矩阵，j=1，2，3分别代表空间邻接权重矩阵、地理距离权重矩阵、经济距离权重矩阵；ρ为空间自回归系数，主要反映空间溢出效应；θi为空间滞后系数。

考虑到不同空间权重矩阵下农业科技进步对农业碳排放强度的溢出效应会存在一定的差异，因此本文选择三种空间权重矩阵分别进行研究分析。

空间邻接权重矩阵中的元素：

其中，相邻地区的权重取值为1，不相邻地区的权重取值为0。

其中，d为地区i与j之间的距离。本文的地理距离是基于省会城市的经纬度来衡量的。

2.4 空间自相关检验

表2汇报了全局莫兰指数的检验结果，农业科技进步与农业碳排放强度2003—2020 年的莫兰指数均为正值，这说明二者存在正相关关系。证实假设2 成立。而农业科技进步的莫兰指数先减小后增大，说明本地区的农业科技进步与周围地区的空间关联性整体上呈现先减弱后增强的趋势。同理，农业碳排放强度的空间特征具有一定的波动性，但总体上具有增强的趋势。

表2 全局莫兰指数检验结果

全局自相关可以从整体角度分析本地区与周边地区的空间关联情况，而局部自相关可以细化到具体某一个省份的情况。下页图1 汇报了2020 年农业科技进步与农业碳排放强度的莫兰散点图。莫兰散点图中，第一、三象限代表具有正的空间关联性，分别代表“高-高”集聚和“低-低”集聚；第二、四象限则代表具有负的空间关联性，分别代表“低-高”集聚和“高-低”集聚。由图1可知，农业科技进步莫兰散点图中，位于第一、三象限的省份共有21 个，说明这些省份与周围省份农业科技进步程度都比较高。位于第二、四象限的省份共有9 个，说明这些省份与相邻省份呈现“高包围低”或“低包围高”的局面。由于21＞9，因此整体呈现正向空间集聚特征。同理，农业碳排放强度整体也呈现正向空间集聚特征。

图1 2020年农业科技进步（a）与农业碳排放强度（b）的莫兰散点图

2.5 空间杜宾模型（SDM）检验

本文选择的是空间杜宾模型（SDM），而模型能否成立还需要进行相关的检验。下页表3 汇报了用于检验空间计量模型的LM 检、LR 检和Wald 检验的结果。由检验结果可知，在三种空间权重矩阵下，空间误差模型的拉格朗日乘数检验（LM 检）的P 值都为0.000，存在强烈的显著性，均拒绝了原假设。而稳健的拉格朗日乘数检验（Robust LM 检验）只有空间邻接权重矩阵通过了检验。空间滞后模型的拉格朗日乘数检验和稳健的拉格朗日乘数检验的P值都为0.000，均通过了检验，因此整体上空间滞后模型要优于空间误差模型，因此本文选择空间杜宾模型。似然比检验（LR 检验）三种空间权重矩阵下的P 值都为0.0000，均强烈拒绝了原假设，说明空间杜宾模型（SDM）不会退化为空间误差模型（SEM）或空间滞后模型（SLR），进一步证实了选择空间杜宾模型的可靠性。沃尔德检验（Wald检验）的P值均小于0.1，印证了LR检验的结论。此外，Hausman 检验结果显示，选择控制时间固定效应要优于控制个体固定效应。综上，本文选择控制时间固定效应的空间杜宾模型是合适的。

表3 LM检验、LR检验、Wald检验结果

2.6 空间杜宾模型（SDM）基准回归结果分析

在进行基准回归之前，本文先进行共线性检验，VIF值=35.03，Mean VIF 值=5.84＜10，说明模型不存在严重的共线性问题。下页表4至表6汇报了三种空间权重矩阵下控制时间固定效应的SDM 的估计结果。Spatial-rho 的估计系数分别为0.402（1%）、0.466（1%）、0.341（1%），这说明农业碳排放强度存在显著正向空间溢出效应，即本地区农业碳排放强度增加会对相邻地区产生促进作用，证实假设3 成立。根据文献[20]的研究，在Spatial-rho 显著且不为0的情况下，应当使用偏微分法得到解释变量的无偏估计结果,即采用直接效应、间接效应和总效用进行分析。直接效应分为两个部分，包括解释变量对本地区被解释变量的直接影响情况（模型系数）和受到的反馈影响（区域内溢出效应）。间接效应为本地区对邻近地区的影响，即空间溢出效应，总效应等于直接效应与间接效应之和。直接效应中，农业科技进步（SCI）的估计系数分别为-0.013（1%）、-0.006（5%）、-0.013（1%），这说明本地区农业科技进步程度的提高对农业碳排放强度存在显著抑制作用。具体表现为，在空间邻接权重矩阵与经济距离权重矩阵下，当农业科技进步提高1 个百分点时，均会产生0.013%的“减碳效应”；在地理距离权重矩阵下，会产生0.006%的“减碳效应”。本地区农业科技进步对农业碳排放强度的直接影响（模型系数）分别为-0.012（1%）、-0.005（10%）、-0.011（1%），证实假设1 成立。主要是因为本地区通过强化技术革新，一方面可以提高生产要素投入水平，减少要素间的流动耗损；另一方面可以通过科技进步提高生产率，继而实现“减碳效应”。此外，空间系数中，农业科技进步（SCI）的估计系数分别为0.002、0.013（1%）、0.001，这说明本地区的农业科技进步对相邻地区的农业科技进步存在一定的积极影响，这种影响在地理空间因素下最为显著。这可能是因为基于省会城市距离因素的考量，省会城市之间的距离越近，城市之间的合作交流越密切，科技创新溢出效应越明显。间接效应中，农业科技进步（SCI）的估计系数分别为-0.010（10%）、-0.027（1%）、-0.006（10%），这说明本地区的农业科技进步对相邻地区的农业碳排放强度也存在显著的“减碳效应”。具体表现为，空间邻接权重矩阵与经济距离权重矩阵下，分别对邻近地区产生0.010%与0.006%的抑制作用；地理距离权重矩阵下，农业科技进步每提高1 个百分点，将会产生0.027%的抑制作用，由此可证实假设4 成立。此外，总效应的估计系数分别为-0.023（1%）、-0.033（1%）、-0.020（1%），这说明农业科技进步对农业碳排放强度存在显著的“减碳效应”。

表4 空间邻接权重矩阵下控制时间固定效应的SDM估计结果

表5 地理距离权重矩阵下控制时间固定效应的估计结果

表6 经济距离权重矩阵下控制时间固定效应的估计结果

3 进一步讨论

根据基准估计结果可知，农业科技进步对农业碳排放强度存在显著的“减碳效应”，具有负向空间溢出效应。而这种抑制作用很可能会因科技效率自身变化而产生非线性影响。从理论上讲，在产出未达到最大化之前，投入与产出之间应当基本遵循线性正相关关系，但这并非是一定的，因而投入与产出可能是失衡的[21]。因此，农业科技进步自身可能具有门槛作用的特征，本文需要通过构建Hansen门限效应模型进行实证检验。

3.1 门槛效应检验

由于学术界对于门槛效应检验的惯常做法是采取“由大到小”的检验原则，即先从三重门槛入手检验，再检验其他门槛，因此本文也采用同样的方法。通过Bootstrap（1000次）自助抽样法，得到了三重门槛效应的检验结果，如表7 所示。由表7 可知，第一门槛和第二门槛分别为1.2861 和2.1383，且P 值均为0.000（＜0.001），均通过了显著性检验。而第三门槛的P值为0.7983，说明第三门槛未通过显著性检验。因此，农业科技进步对农业碳排放强度的影响存在双重门槛效应。

表7 门槛效应检验

为检验门槛值是否真实性可靠，本文绘制了农业科技进步的门槛值及似然比函数图（见图2），当门槛值位于相应置信区间的LR 值范围内时，说明门槛值为真实值。由图2 可知，单一门槛值为1.2861，双重门槛值为2.1384，均落在了95%置信区间的内侧（虚线以下部分）。因此，可以说明模型通过门槛值为真实值的检验。

图2 门槛值及似然比函数图

3.2 门槛效应模型

根据表7 的门槛效应检验结果可知，农业科技进步对农业碳排放强度存在双重门槛效应，应建立双重门槛效应模型：

其中，θ1至θ5为回归系数；θ0为截距项；υ1和υ2为门槛值；μi为个体固定效应；εit为随机扰动项；其他变量含义同式（7）。

3.3 门槛估计结果分析

表8汇报了农业科技进步的双重门槛回归结果。由表8可知，当农业科技进步低于门槛值1.2861时，回归系数为-0.014（10%），即农业科技进步存在显著的“减碳效应”。当农业科技进步介于门槛值1.2861 和2.1384 之间时，回归系数为-0.040（1%），农业科技进步的“减碳效应”大幅度提高。当农业科技进步跨过门槛值2.1384时，回归系数为-0.030（5%），说明农业科技进步的“减碳效应”有所回落。由此可知，农业科技进步对农业碳排放强度的“减碳效应”呈现“先增后降”的“倒U”型特征。原因主要是，随着农业科技进步程度的提高，先进技术在生产中的应用程度也会提高，因而前期“减碳效应”的程度会增强，而在后期，一方面农业碳排放强度降低，科技进步的作用随着农业碳排放强度的降低也会有所减弱；另一方面，随着技术迭代，旧技术无法解决新问题，因而技术发挥的效应也将降低。

表8 门槛效应模型估计结果分析

4 结论

农业科技进步对推动农业生产方式转型、加快农业高质量发展具有重大意义。本文基于2003—2020年我国30个省份的面板数据，测算了农业科技进步和农业碳排放强度，并借助空间杜宾模型实证检验了二者之间的影响关系，得出以下结论：（1）农业科技进步对农业碳排放强度存在显著的“减碳效应”。（2）农业科技进步与农业碳排放强度存在正向空间关联关系。（3）本地区农业科技进步程度提高对相邻地区的农业碳排放强度存在显著的负向空间溢出效应，即存在“减碳效应”。（4）农业科技进步对农业碳排放强度存在非线性影响，农业科技进步发挥了门槛效应，存在双重门槛效应，两个门槛值分别为1.2861 和2.1384，在门槛作用影响下农业科技进步对农业碳排放强度的影响整体呈现先增后减的“倒U”型特征。