中国农业碳排放的地区差异和影响因素分析

杨 钧

(新乡学院管理学院，河南新乡453003)

二氧化碳排放引发的温室效应是当前全球关注的重要问题，联合国政府间气候框架组织(IPCC)的研究结果表明，人类生产、生活所导致的温室气体排放是全球气候变暖的主要原因．国际能源局(International Energy Agency，IEA)的数据显示，中国2007年能源消耗产生的二氧化碳排放量已高达60．32亿t，超越美国成为全球第一大温室气体排放国［1］．农业生产作为中国经济的重要基础，自改革开放以来，生产条件大为改善，生产效率大为提高，生产规模获得了较大发展;但在迅速发展的同时，电力、化石能源、化肥和农药等导致二氧化碳排放也在不断增加．考虑到当前面临的巨大碳减排压力以及农业生产在国民经济中的重要作用，研究中国农业生产的碳排放问题意义重大．

对于农业碳排放问题，现有文献的研究主要可分为以下2类:一类是核算农业生产产生的碳排放量．如WEST等［2］以美国玉米生产为例，细致核算了农业生产产生的碳排放量;DYER等［3］分别利用经济与碳排放量模型、化石能源消耗与碳排放量模型，估算和比较了加拿大地区层面的玉米生产产生的碳排放量;黄祖辉和米松华［4］以浙江省为研究对象，通过投入产出和生命周期分析法，分析了当地农业生产的碳足迹．另一类是研究农业碳排放量的影响因素．如李国志和李宗植［5］利用LMDI(Logarithmic mean weight Divisia index)分解方法，分析了全国层面的农业碳排放量的影响因素;李波等［6］同样利用LMDI方法，分析了全国层面的农业碳排放量的影响因素;李国志等［7］基于环境库兹涅茨曲线(EKC)模型，分析了全国层面农业碳排放量与经济发展之间的关系．

农业碳排放量的研究也存在一定缺憾．首先是研究对象方面，多数研究基于国家层面的研究数据进行分析，基于地区层面的研究较为少见，尤其是基于中国省级地区的研究更少．其次，在研究角度上，现有研究重视对农业碳排放量和影响因素的分析，对农业碳排放量的地区差异的研究略显不足，少有的区域差异研究在研究基础上存在一定缺陷．最后，在研究方法上，多数研究侧重于因素分解和时间序列数据分析，利用地区层面的面板数据对各地区碳排放量的影响因素和差异的分析极为少见．

本研究较为科学地估算了中国27个省级地区1996—2009年农业生产产生的碳排放量;在根据相关省份经济、地理因素进行东、中、西地区分类的基础上，比较分析了3类地区的碳排放量差异;最后，综合利用面板数据分析方法，比较分析了全国和东、中、西地区碳排放量的影响因素．通过较为系统地分析中国省级地区农业碳排放量，一定程度上弥补了现有研究的缺陷．

1 农业碳排放量的核算和地区差异

1．1 农业碳排放量的核算

目前，由于并无中国农业碳排放量的客观观测数据，现有的国内农业碳排放量研究多采用估算方法．对现有农业碳排放各种估算方法综合分析，比较而言，黄祖辉和米松华［4］的核算方法较为全面地反映了中国农业生产中的碳排放影响因素．该方法主要核算各地区农业生产中能源消耗(煤炭、焦炭、汽油、柴油、天然气、煤油、燃料油、原油和电力等9种能源材料)、农业生产投入(化肥、农药和农膜等3种农用材料)所导致的碳排放量．计算公式为:

式中:Ct表示碳排放总量;Xi表示第i种碳排放源的实物消耗量;ei表示第i种排放源材料的二氧化碳排放系数，Ct和 Xi单位均为 t．采用 IPCC［9］的方法估算消耗能源材料的二氧化碳排放系数，各种能源材料的碳排放系数分别为:e煤炭=1．83 kgCO2·kg-1，e焦炭=2．83 kgCO2·kg-1，e汽油=2．92 kgCO2·kg-1，e柴油=3．19 kgCO2·kg-1，e天然气=21．62 kgCO2·m3，e煤油=3．05 kgCO2·kg-1，e燃料油=3．13 kgCO2·kg-1，e原油=3．01 kgCO2·kg-1，e电力=0．86 kgCO2·(kWh)-1．由于并非所有的电力消耗都导致碳排放，借鉴冉光和［8］的做法，对电力的二氧化碳排放系数乘以0．75，以反映火电占全国电力供应的比重．化肥、农药和农膜的二氧化碳排放系数则参考李波等［6］计算方法，分别为:e化肥=0．895 kgCO2·kg-1，e农药=4．93 kgCO2·kg-1，e农膜=5．18 kgCO2·kg-1．各省级地区能源消耗的数据来自于1997—2010年“中国能源统计年鉴”中各省能源消耗平衡表中“农、林、牧、渔”的最终能源消耗;各省级地区化肥、农药和农膜的消耗数据来自于相应年份的“中国农村统计年鉴”．

1．2 碳排放地区分布差异

表1给出了1996年、2009年中国27个省份农业二氧化碳排放量．1996年、2009年各省碳排放量和研究期内各省的平均值比较结果表明，绝大部分省份的农业碳排放量在研究期内显著增加，意味着研究期内中国农业碳排放量绝对增长．北京、上海、江苏、云南和贵州等地区的碳排放量则有所下降，前3个地区碳排放下降反映农业生产规模的下降和农业生产效率的提高，后2个地区则可能主要是农业生产效率提高的原因．各地区碳排放量的比较结果表明，沿海地区省份碳排放量呈两极分化现象，河北、山东、江苏、广东等省份的碳排放量位居前列，北京、天津、上海等地区则相反;中部省份的碳排放量变化相对较小，大部分处于全国中等偏上水平;西部省份的碳排放量整体处于中等偏下水平．这表明，中国农业碳排放主要来源于东部和中部地区，西部地区则相对较少．

表1 中国27个省份的农业二氧化碳排放量Table 1 China’s 27 provincial carbon dioxide emissions in agriculture 104t

由表1可知，除个别年份外，研究期内3类地区的碳排放强度均处于明显上升的态势．3类地区间碳排放强度的绝对比较结果表明，东部地区的碳排放强度显著高于中、西部地区，几乎是中西部地区碳排放强度的2倍;中西部地区的碳排放强度则较为接近，但中部地区略高于西部地区．此种差异可能是东部地区农业生产中能源、化肥、农药等生产资料的消耗强度显著高于中西部所致．3类地区碳排放强度的变化走势表明，中部地区的碳排放强度相对稳定，研究期内仅上升0．2 t·人-1;西部地区的排放强度增势最为明显，增长了0．4 t·人-1，且势头强劲;东部地区的碳排放增幅居中，上升了0．3 t·人-1．这或许反映了西部地区农业生产从主要依靠人力投入的传统农业向资源投入型现代农业转变．

2 农业碳排放的影响因素分析

2．1 模型的构建

现有关于碳排放影响因素的研究，多基于2类模型进行分析．一类研究基于“I=PAT”方程来考查碳排放的影响因素，此种方式主要考察人口规模(P)、人均财富(A)和技术水平(T)对碳排放(I)的影响;另一类研究则借用 Grossman和 Krueger［10］的研究框架，利用环境库兹涅茨曲线(EKC)来考查相关因素对碳排放的影响．但由于在研究各影响因素时“I=PAT”模型存在等比例效果的缺陷，部分学者采用STIRPAT模型［11］，考查相关因素对碳排放差异性的影响．考虑到STIRPAT的通用性，本研究用STIRPAT模型作为基础模型，其模型为:

式中:I为碳排放量;P为人口规模;A为人均财富;T为技术水平．为了直接获得相关因素对碳排放直接影响系数，同时，更好地消除异方差性，对式(2)两边取对数，得到

式中:b，c，d直接反映了人口、财富和技术因素对碳排放的影响;ln a为常数项．考虑到农业生产的实际情况，本研究用农业就业人口p反映模型中的人口规模;用农业人均收入ey反映模型中的财富状况;用农用机械水平(m)和人力资本状况(h)来反映技术水平．同时，为了考查人均收入与碳排放的非线性关系，并与现有EKC模型的研究对照，在解释变量中引入人均收入的二次型．最终，得到的计量分析模型如下:

式中:i表示地区;t表示年份;c为常数项;μi，t为随机误差项．

2．2 计量方法、数据和变量说明

由于本研究的实证分析主要采用面板数据分析方法，采用Hausman检验值作为模型选择固定效应(FE)和随机效应(RE)分析的依据，考虑到各省区碳排放以及相关数据可能存在异方差问题，在普通最小二乘法(OLS)估计的基础上，同时采用Cross-section加权的广义最小二乘法(GLS)估计检验相关模型．由于GLS估计值相对更加科学，实证分析主要基于GLS的估计结果，OLS估计值作为参考．同时，考虑到各地区在碳排放和相关影响因素的差异，在计量分析全国层面的地区数据的同时，分别对东、中、西3类地区的碳排放影响差异进行了回归估计，以便科学地考查中国农业碳排放影响因素的作用以及各地区在农业碳排放方面存在较大差异的原因．

实证分析中所有涉及价值形态的数据，均采用1990年为基期的消费价格指数进行处理．考虑到数据的可得性和一致性，本研究的省区数据并未包括港澳台地区、西藏自治区、宁夏自治区、海南省和重庆市．其中，1997年后重庆市的相关数据并入四川省处理．

计量模型中碳排放总量I，由估算的各地区农业生产中12种碳排放源导致二氧化碳排放量表示，单位为万t，该指标反映了各地区农业碳排放水平的变化．人口规模(p)用各省区第一产业的从业人数表示，单位为万人，该指标反映了农业人口规模变动对农业碳排放的影响．人均财富(ey)，考虑到现有研究多采用人均GDP来考查经济发展对碳排放的影响［11，12］，本研究用各省区农业人口的人均第一产业产值来衡量，单位为元·人-1，用以反映农业经济发展水平对农业碳排放的影响．农用机械水平(m)和农村人力资本水平(h)主要考虑农业技术水平变化对农业碳排放的影响．其中，农用机械水平由各省区人均农业从业人口的农业机械动力功率来表示，单位为kW·人-1．各省区农村人力资本的计算则较为复杂，本研究借鉴钱雪英和张小蒂［13］的做法，估算了各省区农村居民家庭劳动力的文化状况，单位为a．

2．3 实证结果与分析

表2给出了实证研究的主要变量统计性描述．由表2可见，东、中、西部地区在碳排放和相关影响因素方面存在较大差异:平均碳排放量、农业从业人口方面，中部地区和东部地区显著高于西部地区，且中部地区也高于东部地区;人均农业产出、人均机械动力水平和人力资本状况方面，3类地区则呈现出显著的东、中、西依次递减的态势，反映了中国农业生产的地区差距．

表3给出了变量之间的Spearman相关系数．由表3可知，解释给出了变量之间不存在十分严重的线性相关关系．

表4给出了计量回归分析主要结果和相关检验结果．其中，模型1，2是对全国层面碳排放影响因素的分析，模型3，4、模型5，6、模型7，8 分别是对东部、中部和西部地区碳排放影响因素的分析．Hausman检验显示，全国层面和东部地区的估计，采用固定效应估计法，而中部、西部地区则采用随即效应估计法．由可调整的R2值和F检验值可知，与OLS的估计结果相比，GLS估计的拟合程度更好;而从相关的解释变量回归系数的显著性来看，GLS估计的显著性也有所提高．由于GLS和OLS回归方程中大部分解释变量的影响方向、程度和显著性并无较大变化，说明计量结果是稳健的．

表2 东、中、西地区的变量统计性描述Table 2 Descriptive Statistics of Variable in East，Central and West China

表3 变量间Spearman相关系数Table 3 Results of Spearman Correlations test

全国数据的回归结果表明，农业劳动力与各地区碳排放量显著正相关，这说明农业劳动力增加将导致地区碳排放量的增加，这应是劳动力增加导致农业生产资料的碳排放量增加的结果．此研究结果与李国志和李宗植的因素分解结果类似，但与李波等的因素分解结果相反，这可能是因素分解模型的构建和数据来源上存在较大差异导致的．人均农业产出一次项与碳排放负相关，其二次项与碳排放正相关，这表明人均农业产出与碳排放之间存在“U”型曲线关系，即碳排放的EKC曲线在全国农业生产中可能并不存在．这可能意味着最初的农业经济发展，可能并不带来碳排放的迅速增加，而会带来碳排放水平的下降;而当农业经济发展到一定程度后，其发展将带来碳排放量的显著增加．农业技术水平的2个变量，农用机械动力水平与农村人力资本水平对碳排放的影响则迥异:农用机械水平的提高显著提升了各地的农业碳排放，此结果与李国志和李宗植的研究结果类似，表明农业机械水平的提高，带来能源消耗强度的提高必然导致碳排放水平的提高;农村人力资本水平则较为显著(仅在10%水平)地降低了各地的碳排放，这与李波等的研究结果类似，说明农业人口的文化水平的提升可能有助于农业经济的“集约化”生产，进而降低各地区农业生产资源的消耗和碳排放水平．

分地区回归结果表明，相关因素对不同地区碳排放的影响存在一定差异．农业劳动力方面，3个地区农业劳动力的增加均带来了农业碳排放水平的提升，说明当前中国农业生产的扩大还主要是依靠资源投入型的“粗放型”经营模式．农业人均产出与碳排放之间的关系，3个地区则存在较大差异:东部地区农业人均产出与碳排放之间呈现出显著的倒“U”型曲线关系，中部地区则呈现出显著的“U”曲线关系，西部地区的“U”曲线关系则不甚显著．此种结果与李国志和李宗植对全国层面的研究结果类似，表明中国农业经济发展与碳排放之间的非线性关系并不稳定，可能是东、中、西3地区的农业经济发展水平的差异所致．东、中、西地区的农业机械水平与当地农业碳排放之间均显著正相关，表明农用机械是各地区农业生产碳排放增长的重要来源．农村人力资本的提高对3地区碳排放的影响也存在着显著的梯阶差异:东部地区农村人力资本的提高显著降低了当地的碳排放，中部地区人力资本的提高在一定程度上(10%的显著性水平)降低了当地的碳排放，西部地区人力资本的提高与碳排放之间的关系则不甚显著．此种结果颇令人费解，可能是人力资本对农业低碳生产技术的提升存在一定的门槛效应，只有人力资本水平达到一定程度之后，才能发挥积极作用;而中、西部地区的人力资本的水平相对较低，此种积极作用尚不显著．

表4 计量估计结果与分析Table 4 Estimation results and analysis

4 主要结论与启示

基于1996—2009年27个省级地区的能源消耗、生产投入数据，本研究对中国省级地区农业生产的碳排放进行了细致核算，并利用计量模型对其影响因素进行了分析．核算表明，各地区的碳排放存在较大差异:碳排放量上，中部、东部地区是中国农业碳排放的主要来源区，西部地区的贡献则相对较少;碳排放强度上，东部显著高于中西部地区，中西部的碳排放强度较为接近．影响因素的分析表明，从业人口增加显著提升了农业碳排放水平;农业人均产出与碳排放之间并不存在倒“U”型的EKC关系，且此种关系在不同地区存在差异;农业机械化提高使得碳排放量显著增加;人力资本的影响也存在显著地区差异．

以上结论对中国农业生产的低碳化发展具有重要启示:第一，由于农业碳排放的存在显著的地区差异，且中东部是碳排放的主要来源，这意味着，农业“节能减排”工作的重点必须放在提高中、东部地区的农业能源、资料消耗的效率上，着力实现中、东部农业生产向低碳化方向转变．第二，农业人口规模和机械化水平与碳排放水平显著正相关，这表明，要降低农业碳排放水平，中国必须努力提高农业机械的能源效率，积极采取各种措施促进剩余农业人口向制造业和服务业的转移．第三，农业经济发展与碳排放之间的关系并不稳定，这表明，单纯依靠发展农业经济自身并不能带来碳排放的自动降低，在农业经济发展的同时，必须重视经济增长带来的碳排放增长．第四，农村人力资本对农业碳减排具有显著的积极作用，这意味着，中国应当加大农村教育的投入，努力提升广大农村尤其是中西部地区农村的教育水平，以提高农村居民科学文化素质，为低碳农业的发展提供人力支撑．

［1］ International Energy Agency(IEA)．World Energy Outlook［M］．New York:UAPC Press，2008．

［2］ WEST TO，MARLAND G．Net carbon flux from agriculture:Carbon emissions，carbon sequestration，crop yield，and land-use change ［J］．Biogeochemistry，2003，63(4):73-83．

［3］ DYE RJ A，KULSHRESHTHA S N，MCCONKEY B G．An assessment of fossil fuel energy use and CO2 emis-sions from farm field operations using a regional level crop and land use database for Canada［J］．Energy，2010，35(8):2261-2269．

［4］ 黄祖辉，米松华．农业碳足迹研究——以浙江省为例［J］．农业经济问题，2011，32(11):40-47．

［5］ 李国志，李宗植．中国农业能源消费碳排放因素分解实证分析——基于 LMDI模型［J］．农业技术经济，2010，29(10):67-72．

［6］ 李 波，张俊飙，李海鹏．中国农业碳排放时空特征及影响因素分解［J］．中国人口、资源与环境，2011，21(8):80-86．

［7］ 李国志，李宗植，周 明．碳排放与农业经济增长关系实证分析［J］．农业经济与管理，2011，2(4):32-39．

［8］ 冉光和，王建洪，王定祥．我国现代农业生产的碳排放变动趋势研究［J］．农业经济问题，2011，32(2):32-38．

［9］ 政府间气候变化专门委员会(IPCC)．国家温室气体排放指南［M］．北京:中国经济出版社，2006．

［10］ GROSSMAN G，KRUEGER A．Economic growth and the environment［J］．Quarterly Journal of Economics，1995，112(2):353-377．

［11］ 邵 帅，杨莉莉，曹建华．工业能源消费碳排放影响因素研究——基于STIRPAT模型的上海分行业动态面板数据实证分析［J］．财经研究，2010，31(11):16-27．

［12］ 许广月，宋德勇．中国碳排放环境库兹涅茨曲线的实证研究——基于省域面板数据［J］．中国工业经济，2010，27(5):37-47．

［13］ 钱雪亚，张小蒂．农村人力资本积累及其收益特征［J］．中国农村经济，2000，16(3):25-31．