中国农业能源碳排放效率的空间异质性及其影响因素—基于空间面板数据模型的实证研究

马大来

(重庆理工大学 管理学院,重庆 400054)

改革开放以来,我国农业发展经历了从传统农业向现代农业转变的历程,在创造大量财富的同时,带来了能源消耗和环境污染等问题。大量农药、化肥、农业机械等高碳型生产资料投入,驱动农业部门的能源消费量不断增加,最终导致农业能源碳排放在整个农业碳排放中的比重不断提升。在整个农业部门的碳排放结构中,按照国际通用的IPCC方法估算出的非能源类型的农业碳排放(包括燃烧植物秸秆、动物粪便发酵、畜禽肠道发酵)所占比重并不高,且呈逐年减少趋势;由化石能源消耗所引致的碳排放所占比重则不断上升,2015年已高达60%以上。在2009年的哥本哈根气候大会上,我国承诺到2020年单位GDP的CO2排放量将在原有的基础之上下降40%—45%,这无疑会给我国带来巨大的碳减排压力。如何在有效实现CO2减排的基础上发展绿色低碳农业,成为当前政府面临的重要问题,因此必须提高农业能源碳排放效率。

1 文献回顾

长期以来,农业部门的CO2排放问题较为严重,受到学术界的密切关注，相关研究主要集中在以下方面:①重点关注导致农业CO2排放不断攀升的源泉问题。就农业CO2排放来源而论,国内学者形成了农业土地利用论[1]、农用物资使用论[2]、农业生产活动论[3]等多种观点。但随着我国煤炭、石油等化石能源在农业领域的大量使用,加上国家大力倡导发展低碳农业,目前国内学者越来越重视由农业能源消耗所产生的碳排放问题。史常亮[4]、谢淑娟[5]、李国志、李宗植[6]等先后估算了我国各省份由农业能源消耗所排放的CO2,结果发现其规模随着时间推移呈现出稳步上升的态势。②对农业CO2的排放效率开展评价,并深入探究其相关的影响因素。国外,Burney等[7]的研究表明,农业碳生产效率提升对增加农业碳汇功能起到重要促进作用;Mrini等[8]发现小农田的碳效率要远高于大农田;Dubey、Lal[9]比较了美国俄亥俄州和印度旁遮普两个地区农业碳效率的差异性问题。国内,吴贤荣等[10]通过建立包含非期望产出的农业碳排放效率评价模型,使用DEA-Malmquist方法测度了各省的农业碳排放效率,结果表明省际之间的差异性表现突出。刘其涛[11]通过构建ML函数测度了我国2000—2013年各省的农业碳排放效率,发现不同省份的效率水平差距较大,且产业结构、经济水平和技术进步等因素均对其变化产生了重要影响。高鸣、宋洪远[12]测算了我国1999—2010年各省农业碳排放绩效的ML指数,考察了其收敛性问题,实证结果显示农业碳排放绩效存在显著的“俱乐部收敛”效应。

综上所述,目前学术界已高度认同能源利用是产生农业CO2的重要源泉。不少学者开始重点关注过度农业能源消耗所导致碳排放不断攀升的问题，但纵观已有文献,大多数研究集中在能源消费所引致碳排放绝对量增加的问题,效率评价仅关注到整个农业部门,鲜有文献评价由农业能源所引致CO2的排放绩效问题。同时,较之以往有关农业碳排放效率的文献研究,本文在以下两点进行了拓展:①传统DEA评价模型中只注重投入—产出变量的对应性问题,没有考虑到变量的松弛性问题,造成评价结果存在一定的偏差,而本文构建的农业能源碳排放效率评价模型则将该问题考虑在内。②鲜有文献考察农业能源碳排放效率在空间上可能存在的自相关性和异质性特征,而该问题对回归模型的构建具有重要的影响。鉴于此,本文首先使用mSBM方法测度了1998—2016年各个省份的农业能源碳排放效率,分别采用Morans′I指数和空间LISA图分析了农业能源碳排放效率的空间自相关性、空间异质性问题,通过构建空间面板数据模型考察了农业能源碳排放效率的影响因素。

2 理论基础与测算方法

2.1 环境技术理论

zi≥0,i=1,2,…,N}

(1)

式(1)是一个典型的生产性集合,具有封闭、凸性和有界三个重要特征。此外，该集合还具备投入要素自由处置性、期望产出强可处置性、投入—产出弱可处置性、零结合性等特点,反映出在完整的生产过程中均可能出现投入要素过多、非期望产出冗余、期望产出不足等缺陷,致使整个效率未能达到前沿面,即出现效率过低的情况。鉴于投入要素和产出结果有较强的对应关系。即有限的要素投入也只能带来有限的产出,因此要实现效率的最优化改进,唯一途径是调整要素投入—产出的数量关系。该理论既为精准测度农业能源碳排放效率奠定了相应的理论基础,又给出了实现效率最大化改进的途径。

2.2 至强有效前沿的最小距离法

借鉴Jahanshahloo等[14]有关DEA方法的研究成果,本文给出了包含非期望产出的至强有效前沿的最小距离法(mSBM)。该方法构建的原理在于在整个生产集合中,找出距离最小的L1值,以此确定整个生产前沿上的投影点,测算出最终效率值。

(2)

(3)

(4)

2.3 农业能源碳排放综合效率函数

为科学准确测算本文的核心内容——农业能源碳排放效率,需要构建包含投入—产出变量的评价模型。整个评价模型分别由三种投入要素和两种产出结果所构成,其中三种投入要素为农业资本存量、农业劳动力和农业能源消耗,分别使用K、L和E字母表示;产出结果则由各个省份的农业总产值和农业能源CO2构成,其中农业总产值用字母y表示,代表期望产出,农业能源CO2用字母b表示,代表非期望产出。为满足测算的需要,整个评价体系对投入变量—产出变量分别赋予一定的权重,其中农业资本存量(K)、农业劳动力(L)、农业能源消耗(E)的权重均为1/6,而农业总产值(y)和农业能源碳排放(b)的权重则均为1/4。参考Cooper等[15]研究成果,本文给出投入无效率、期望产出无效率和非期望产出无效率的方程式分别为:

(5)

(6)

(7)

(8)

3 农业能源碳排放效率评价及其空间异质性

3.1 变量说明与数据来源

本文构建的农业能源碳排放效率评价模型中包含了农业资本存量、农业劳动力和农业能源消耗三种投入变量,农业总产值和农业能源CO2两种产出结果。各投入—产出变量的概念界定为:①农业资本存量。按照王金田等[16]的研究成果,采用“永续盘存法”计算每个省份历年的农业资本存量,表达式为:Ki,t=Ii,t+(1-δ)Ki,t-1。式中,Ki,t、Ii,t、δ分别代表第i省t期的资本存量、农业投资、资本折旧率。为消除价格通货膨胀所带来的失真影响,本文以1978年的农业生产资料价格作为基期价格,按照平减指数法把名义农业资本存量转换成实际农业资本存量。②农业劳动力。根据国内有关表征农业劳动力的研究成果,本文采用每年各省的农业从业人员来衡量。③农业能源消耗。为精准衡量当前的农业能耗状况,结合《中国统计年鉴》的计算口径,本文最终选择农业部门的煤炭、焦炭、柴油、汽油、煤油、燃料油、电力等7种能源作为计算基数。为方便计算,基于以万t标准煤为单位的标准能源折合系数,本文将各个能源进行统一折算加总后作为农业部门的能源消费总量。④农业总产值。鉴于年鉴上提供的仅仅是名义农业总产值,各个省份的实际农业总产值同样以1978年的农业生产资料价格作为基期,将名义农业总产值转换为实际农业总产值。⑤农业能源CO2。由于国家相关的权威部门尚未公布有关农业CO2排放的具体数据,根据IPCC(2006)联合国气候变化框架公约和京都议定书指定的国家温室气体清单指南第二卷(能源)第六章提供的参考方法,本文选择下列方程计算出由农业能源消耗所产生的CO2:

(9)

式中,CO2为采用该公式估算出的CO2排放量,i=1,2,…,7分别代表煤炭、焦炭、柴油、汽油、煤油、燃料油和电力等7种农业能源;E为上述7种能源加总后的能源消费量,鉴于不同能源的统计单位存在差异,本文采用以万t标准煤为能源折合系数对各个农业能源折算后进行相加;NCV、CEF、COF分别代表化石能源燃烧后的氧化因子、能源净发热值和碳排放系数;44、12分别代表CO2和碳的分子量。

为了最大程度保证数据的全面性和可得性两个基本原则,本文最终选定我国1998—2016年30个省份(香港与澳门特别行政区、西藏自治区、台湾地区除外)的面板数据作为考察样本。本文所使用的数据均来自于相关年份的《中国统计年鉴》、《中国农业年鉴》、《中国能源统计年鉴》和各地方统计年鉴,下同。

3.2 农业能源碳排放效率的静态时序分析

基于式(2)—式(8),本文使用DEA软件测度出1998—2016年30个省份的农业能源碳排放效率,结果见图1。由图1可知,在样本考察期内只有北京和天津的平均农业能源碳排放效率为1,位于生产的前沿面上;其他省份的效率水平均低于1,未能达到效率最优。在考察的30个省份中,排名前五位的省份分别为北京、天津、辽宁、海南和上海,农业能源碳排放效率平均值均在0.9以上。这些省份的效率值之所以较高,原因在于:北京和天津作为全国仅有的效率值为1的地区,农业技术发达、农业产出水平高,且以城郊农业为主体的农业生产部门具备了较高的“碳汇”能力;辽宁作为传统的农业生产大省,不但整个农业部门的结构较合理,而且大规模推广农业产业化经营,农业产出效益较高;海南作为全国重要的热带水果生产基地,种植业所占比重较低,农业能源使用量较小,整个农业部门的碳排放强度较低;上海同样以城郊农业为主,农业产出水平高,农业能源得到充分利用,且优越地理位置使农业相对效益也较高。而农业能源碳排放效率位居全国后五位的省份分别是云南、安徽、贵州、新疆和山西,平均值均在0.5以下。其中,云南尽管近几年的农业产出增加较快,但依靠大量的农用物资投入作为基础,属于典型的高碳农业;安徽的农业发展则受制于种植业结构的影响,粮食作物居多而经济作物较少,农业生产效益较差;贵州、新疆由于落后的农业技术和较差的农业生产条件,使整个农业产出水平较低;山西的农业低碳水平较低与其农业能源大量使用,且利用效率较低是紧密相关的。

图1 我国30个省份的平均农业能源碳排放效率

整体而言,我国省际间的农业能源碳排放效率呈现出较强的区域差异性,大多数农业能源碳排放效率较高的省份位于东部沿海地区,而农业能源碳排放效率较低的省份则大多处于中西部内陆地区。如果能加快效率水平落后的中西部省份的发展速度,不但有利于缩小省际间农业能源碳排放效率的差距,而且对提升我国整体的低碳农业水平具有非常重要的意义。

3.3 农业能源碳排放效率的空间异质性分析

由于我国地域广大,不同区域之间的农业禀赋、资源情况存在较大差别,因此不同省份的农业发展存在较大差异性,那么这种情况是否反映在低碳农业发展上。即农业能源碳排放效率在空间上是否表现出显著的空间异质性,这是本文需要考察的重要方面。空间异质性又称为空间不均匀性,具体指不同省份的农业能源碳排放效率不仅有区域差异之分,还存在空间上的集聚和离群之别。但要考察农业能源碳排放效率的空间异质性,一般先要衡量农业能源碳排放效率是否存在着显著的空间自相关性。通常,空间自相关性可用空间自相关系数表征,表达式为[17]:

(10)

(11)

全局空间自相关系数Moran′s I仅反映出被研究对象在整体上的空间自相关性问题,而对其内部具体的空间异质性特征是无法考察的。为探究不同省份农业能源碳排放效率空间分布的异质性特征,本文据此引入局部空间相关性指标——局部散点图(LISA)来详细观察被研究对象在局部空间分布上的异质性问题。Moran′s I的方程表达式为[18]:

(12)

通过引入由0和1所构成的空间邻接矩阵,本文使用Geoda软件计算出我国1998—2016年农业能源碳排放效率的全局Moran′s I指数。根据表1的计算结果,在样本考察期内我国农业能源碳排放效率的全局Moran′s I均取值为正,且通过了1%的显著水平的检验,充分反映出农业能源碳排放效率在空间上具有显著的空间自相关性。该空间特征对农业能源碳排放效率的变迁产生重要影响,即省际农业能源碳排放效率表现出较强的空间集聚格局,并不是呈随机性的空间分布。因此,在对农业能源碳排放效率进行深入研究时不能忽视其空间自相关性特征,否则将导致模型的回归结果与实际存在着较大的误差。

表1 1998—2016年我国农业能源碳排放效率的Moran′s I指数

为了直观反映农业能源碳排放效率在局部空间分布的异质性现象,本文绘制了1998—2016年我国平均农业能源碳排放效率的局部散点图(LISA),见图2。局部散点图共分为4个象限,其中第一、三现象为空间集聚区域,分别代表着高值集聚(H-H)和低值集聚(L-L),意味着本身的农业能源碳排放效率水平高(低),且四周邻近省份的农业能源碳排放效率水平也高(低);第二、四象限则为空间离群区,意味着本身的农业能源碳排放效率较高(低),而四周邻近省份农业能源碳排放效率则较低(高)。此外,位于第一、三象限的省份属于典型的中心地区,而第二、四象限的省份属于非典型的外围地区。其中,北京、上海、天津、辽宁、吉林、黑龙江、浙江、江苏、江西、福建、湖北、广东、海南等13个省份位于第一象限,占全部统计单元的43.33%,这些省份属于典型的高值集聚区;山西、河北、山东、安徽、湖南等5个省份处于第二象限,占全部统计单元的16.67%,这些省份属于空间离群区;位于第三象限的河南、重庆、四川、贵州、云南、宁夏、甘肃、青海、新疆等9个省份,占全部统计单元的30%,这些省份属于典型的低值集聚区;仅内蒙古、陕西和广西3个省份位于第四象限,占全部统计单元的10%,这些省份同样位于空间离群区内。可见,我国大多数省份位于高值集聚区(H-H)和低值集聚区(L-L),比例为73.33%;仅有少量省份处于空间离群区内,比例为26.67%,突出反映出省际农业能源碳排放效率在局部上表现出显著的空间异质性特征。

图2 1998—2016年我国农业能源碳排放效率的局部散点图

4 农业能源碳排放效率影响因素的空间回归分析

4.1 空间计量模型构建与数据来源

通过进一步考察农业能源碳排放效率的外在影响因素,这对加快我国农业发展的低碳转型具有重要意义。借鉴已有成研究果,本文从以下方面考察对农业能源碳排放效率的影响:①经济发展水平(GDP)。经济发展与农业现代化的发展进程息息相关[19],农业现代化程度不但关系到农业产出的大小,而且关系到农业能源的利用效率,会对农业能源CO2排放产生重要影响。②农村人力资本(HUM)。农民受教育程度决定了农地利用方式和对先进农业技术的采用程度,影响到农业能源的利用规模和碳排放量的大小,直接关系到农业能源碳排放效率高低。③农业产业结构(STR)。研究表明,种植业在整个农业中所占的比重越高,不但整个农业的“碳汇”效应会越差[20],而且会极大地提高整个农业能源的使用强度,明显降低农业能源碳排放效率。④农业财政支出(GOV)。政府用于支持农业发展的财政规模越大,农业基础设施建设就越完善,地区先进生产技术普及程度越高,有利于提高农业能源碳排放效率。⑤农业技术创新(TEG)。农业技术研发力度通常最能体现该地区的农业现代化程度[21],农业技术研发力度越强,说明该地区土地集约化程度越高,农业资源使用量越小,有利于提升农业能源碳排放效率。⑥城镇化水平(UBR)。研究发现,城镇化为我国实现农业规模化和产业化经营创造了必要条件[22],有利于提升农业部门的能源利用效率,进而提高农业能源碳排放效率。

本文印证了农业能源碳排放效率具有显著的空间自相关性,这一特性对模型构建具有重要的影响。假如只建立传统的普通计量模型而忽略空间效应,则有可能导致实证结果与实际存在较大偏差。因此,为提高模型估计的精准性,有必要将空间效应纳入到传统的模型之中,而空间计量模型正是符合本文实证模型的最好选择。本文构建的空间面板数据模型形式为:

AECTEi,t=αt+φt+β1GDPi,t+β2HUMi,t+β3STRi,t+β4GOVi,t+β5TEGi,t+β6URB+δΣjWij

(AECTEi,t)+μi,t

μi,t=λΣjWi,j×υi,t+εi,t

(13)

该模型同时表现为SEM和SAR两种基本形式,但究竟采取哪种形式,取决于空间自回归系数δ和空间误差系数λ的取值情况。假如δ为0,则该模型为空间误差模型(SEM);假如λ为0,则该模型为空间自回归模型(SAR)。αi代表空间固定效应,φt代表时间固定效应。此外,该模型中各变量的具体涵义为:AECTE为农业能源碳排放效率;GDP为经济发展水平,具体用i省份第t年的人均国内生产总值的自然对数来表示;HUM代表农村人力资本,具体用各个省份具有初中及以上文化程度的农村劳动者占总人口的比重来表示;STR代表农业产业结构,具体以种植业产值占农林牧渔总产值的比重来表征;GOV代表农业财政支出,具体以各地区农林水利财政支出占全部财政总支出的比重来表示;TEG代表农业技术创新,具体对各省份的农业发明授权、外观设计和实用新型专利取自然对数来表征;URB代表城镇化水平,具体以各地区从事非农业人口占全部总人口的比重来表示。

4.2 实证结果及其解释

首先使用普通的计量方法对模型(13)进行模拟,并验证模型的残差项是否存在着空间自相关性,回归结果见表2。为进一步提高模型估算的准确性,有必要对整个模型采取何种固定效用做出选择。因此,表2同时列出混合面板模型、地区固定效应模型、时间固定效应模型和双向固定效应模型,通过对4种不同效应下的检验结果进行对比分析,以选择出最优的实证模型。

表2 普通面板数据模型的估计与检验结果

注:()中数据为T检验值,*、**、***分别表示10%、5%、1%的显著性水平;模型估计、空间自相关检验使用Matlab7.11。

根据表2的验证结果,首先就拟合优度的判定系数而言,混合模型、空间固定效应模型、时间固定效应模型和双向固定效应模型的拟合优度分别为0.6012、0.3086、0.6126和0.5475,比较后发现时间固定效应模型是最大的,表明时间固定效应模型的拟合优度最好。其次比较4个模型DW值的大小发现,时间固定效应模型的DW值为1.9226,也大于其他3个模型。通过以上验证结果的对比显示,相较于其他3个模型,时间固定效应模型的结果是最优的。因此,本文最终选择时间固定效应模型开展实证分析。同时,为验证普通模型的残差项是否具有显著的空间自相关性,表2还分别给出了LM-sar和LM-err统计量的估计结果。在时间固定效应模型中,LM-sar、LM-err的统计值分别为41.5829、0.0057,前者通过了1%显著水平的检验,而后者未能通过显著水平检验,表明普通模型的残差项具有空间自相关性,因此其回归结果不可避免地存在着偏差。此外,由于LM-sar的统计量大于LM-err,因此较之空间误差模型,空间自回归模型是本文空间计量模型的最好选择。

由于普通模型的残差项具有显著的空间自相关性,其估计结果可能存在一定偏差。因此,本文分别采用空间自回归模型(SAR)和空间误差模型(SEM)对模型形式(13)进行重新回归,结果见表3。由表3可知:一方面,两个空间计量模型的拟合优度判定系数均和对数似然函数值Log-L均在普通模型的基础上实现了提升;另一方面,空间计量模型各变量系数的正负仍与普通模型的结果保持一致,但T检验值却有所增加,这表明空间计量模型的估计结果优于普通模型的结果。在两个空间面板时间固定效应模型中,SAR、SEM模型中的Log-L值分别为377.5931、350.6437,前者大于后者,说明SAR模型的解释力度更强,因此本文最终对空间自回归模型(SAR)变量系数的现实意义进行了解释分析。

表3 空间面板数据模型的估计结果(时间固定效应模型)

综上所述:①经济发展水平GDP在5%的显著性水平上对农业能源碳排放效率的影响为正,表明在其他因素不变的条件下,人均GDP的提高能显著促进农业发展的低碳转型。同时，这也很好地诠释了随着我国经济发展水平不断提高,促使农业现代化的推进速度不断加快,不但进一步提升了农业产出水平,而且带来了绿色农业生产技术变革和农地利用方式的转变,有助于实现由传统高能耗农业向绿色低碳农业的发展转型。②农村人力资本HUM在1%的显著性水平上对农业能源碳排放效率的影响为负。这从侧面反映出,当前我国农村劳动力大多数以初、高中学历为主,仅有极少数拥有大专及以上学历。在当前农业生产活动中,只有高素质的农民倾向于采用低碳农业模式,而多数中等文化素质的农民更青睐“高能耗、高产出”的传统农业模式,这无疑对会对农业能源碳排放效率产生负面影响。③农业产业结构STR的估计系数显著为负,表明种植业规模扩大对农业能源碳排放效率提升产生了消极影响。目前在我国大部分省份的农业产业结构中,种植业部门仍占据了较大比重,而其他具备高“碳汇”效应的林业、牧业所占的比重较小。与林业、牧业和副业相比,种植业不但需要大量的农用资料作为支撑,而且对农业机械的使用数量也在逐年增加,这无疑提升了农业部门对化石能源的需求量,进而产生大量的CO2,显然不利于农业发展的低碳转型。④农业财政支出GOV在10%的显著水平上对提升农业能源碳排放效率起到了促进作用,表明政府增加涉农资金的财政支持力度有利于农业发展的低碳转型。由于当前我国政府已充分认识到农业仍是整个产业体系中的薄弱环节,因此逐步加大了对农业部门的政策支持力度。特别是随着惠农型“中央一号”文件的连续颁布、“乡村振兴战略”的提出,政府用于农业财政支出的规模逐年增加,重点应用于改善农业生产的基础设施建设、农业现代化技术创新与普及、农民科学知识培训等关键领域,为改善农地利用方式,发展现代绿色低碳农业提供了重要的前提条件。⑤农业技术创新TEG的估计系数显著为正,表明现代农业技术的采用有利于提升农业能源碳排放效率。这从侧面反映出,随着我国大力提倡发展绿色农业和低碳农业,政府加大了对生态农业技术、低碳农业技术的研发和普及力度,逐步淘汰和替换农业部门中的落后生产技术,改进了农地利用方式,提高了农业生产的集约化水平,这有助于提升农业能源碳排放效率。⑥城镇化水平URB在1%的显著性水平上对农业能源碳排放效率的影响为正,说明加快农业人口向非农人口的转变对提升农业能源碳排放效率起到了积极作用。当前我国城镇化与农业现代化是相辅相成的,加快城镇化进程是有效提升农业现代化水平的重要途径,有助于逐步构建起现代农业经营体系,对实现农业的高效节能生产,降低农业能源的碳排放强度具有重要意义。

5 结论与政策启示

本文采用比较前沿的至强有效前沿的最小距离法(mSBM)测算了我国1998—2016年30个省份的农业能源碳排放效率，同时在考察农业能源碳排放效率空间自相关性和空间异质性的基础上,通过构建空间面板数据模型研究了农业能源碳排放效率的影响因素。主要结论为:样本期内的农业能源碳排放效率测算结果表明,农业能源碳排放效率较高的省份主要分布在东部沿海地区,而中西部内陆省份的农业能源碳排放效率较低;根据Global Moran′s I指数可知,我国农业能源碳排放效率存在显著的空间自相关性,而空间LISA图则显示,绝大部分省份的农业能源碳排放效率处于高值集聚区(H-H)和低值集聚区(L-L),仅有少量省份处于空间离群区内,反映出农业能源碳排放效率具有显著的空间异质性特征;空间面板模型的实证结果表明,经济发展水平、农业财政支出、农业技术创新和城镇化水平对农业能源碳排放效率起到显著的促进作用,而农村人力资本和农业产业结构则对农业能源碳排放效率具有抑制作用。

本文的研究结论为有效提升农业能源碳排放效率,实现农业发展的绿色低碳转型提供一定的借鉴。具体的政策启示为:①中西部地区要强化与东部地区的交流合作,通过借鉴和吸收先进的农业管理方式和技术模式,逐步建立起农业生态环境保护责任制,提高农业部门的能源利用效率,降低农业能源消耗所产生的CO2。②以贯彻和实施我国提出的乡村振兴战略为契机,大力发展农村和农业经济,通过加大对传统高能耗、高排放农业发展模式的改造力度,全面推进农业生产的现代化进程。③强化普及农村基础教育,开展以通识教育与农业技术培训相结合方式有效提升农民素质,为发展绿色低碳农业提供相应的智力支持。④各地区要结合自身的资源禀赋,因地制宜实施退耕还林、退耕还牧,同时积极发展特色农业,进一步调整和优化农业产业结构。⑤加大农业财政支出力度,建立农业财政支持低碳农业发展的长效机制。农业财政资金不但要优先用于农业低碳项目开发,而且要为农业企业提供节能技术改造补贴,鼓励他们使用清洁能源。⑥充分发挥政府的农业技术创新主导地位,鼓励企业参与农业技术创新,同时积极打造技术交易服务平台,切实提高农业技术成果的转化率,逐步建立起完善的农业技术创新体系。⑦在快速推进城镇化过程中正确处理工业对农业的反哺关系,积极实施“以工促农、以城带乡”的城乡一体化策略,最终实现城镇化和农业现代化的协调发展。