Research on the effects of rural land consolidation on agricultural carbon emissions: a quasi-natural experiment based on the high-standard farmland construction policy
-
摘要: 在“碳达峰、碳中和”目标下, 高标准农田建设被视为推动农业绿色低碳高质量发展的重要举措。本研究旨在深入探究高标准农田建设政策对农业碳排放的影响效应与作用机制, 为优化政策制定和农业碳减排提供经验依据, 促进低碳农业发展。本文基于2007—2017年中国30个省份的面板数据, 借助高标准农田建设政策和连续DID (Differences-in-differences)模型, 评估高标准农田建设政策对农业碳排放的影响。结果表明: 研究期间, 全国农业碳排放量呈先升后降的倒U型变化趋势, 2015年达到峰值。基准回归结果发现, 高标准农田建设政策显著抑制了农业碳排放。平均来看, 当其他条件不变时, 实施高标准农田建设政策可以显著减少10.1%的农业碳排放量。在替换解释变量和被解释变量以及剔除其他政策影响后, 高标准农田建设政策对农业碳排放的抑制作用依旧显著。动态估计结果显示, 高标准农田建设政策的减碳效应具有滞后性, 减碳效应于2013年显现出来并逐渐增强。机制分析发现, 高标准农田建设政策主要通过降低农业化学品投入强度和提高社会化服务来抑制农业碳排放。异质性分析发现, 高标准农田建设政策的减碳效应主要发生在土地流转程度高的省份和非粮食主产区, 而在土地流转程度低的省份和粮食主产区并未发挥相应的减碳效应。因此, 各级政府应差异化、精准化实施高标准农田建设政策, 关注农业化学化和社会化服务在减碳效应中的作用。Abstract: Under the carbon emission pattern of “carbon peak and carbon neutral”, agricultural carbon emissions, as one of the main sources of greenhouse gases, have become a key area for emission reduction. High-standard farmland construction is an important measure for promoting green, low-carbon, and high-quality agricultural development. An in-depth investigation of the effects and mechanisms of high-standard farmland construction policies on agricultural carbon emissions can provide an empirical basis for optimizing policy formulation and reducing agricultural carbon emissions. This is of great significance in promoting the development of low-carbon agriculture. Based on the theories of scale economy and division of labor, this study constructed a theoretical model of “high-standard farmland construction-agrochemical input intensity/socialized service-agricultural carbon emission”. Based on panel data from 30 provinces in China from 2007 to 2017, this study analyzed the effect and mechanism of the high-standard farmland construction policy on agricultural carbon emissions using a continuous differences-in-differences approach (DID) and mediation effect model. By measuring the agricultural carbon emissions of each province, this study found that national agricultural carbon emissions showed an inverted U-shaped trend, rising at the beginning, then declining, and peaking in 2015. Regions such as Henan, Shandong, Hebei, Jiangsu, and Anhui are at the forefront of agricultural carbon emissions nationwide, whereas regions such as Beijing, Shanghai, Tianjin, Hebei, and Shandong have higher rates of agricultural carbon emission reduction. The dynamic estimation results showed that the carbon reduction of the high-standard farmland construction policy had a lag effect, and the carbon reduction effect appeared in 2013 and continued to increase gradually. The results of the benchmark regression showed that a high-standard farmland construction policy significantly suppressed agricultural carbon emissions. On average, when all other conditions remained unchanged, implementing a high-standard farmland construction policy reduced agricultural carbon emissions significantly, i.e., by 10.1%. Robustness tests were conducted using the approach of substituting variables and considering the interference of other relevant policies. The results confirmed the positive effect of the high-standard farmland construction policy on reducing agricultural carbon emissions. The results of the mechanism analysis showed that agricultural chemical input intensity and agricultural socialized services played mediating roles in reducing agricultural carbon emissions through the construction of high-standard farmland. The construction of high-standard farmlands suppressed agricultural carbon emissions, mainly by reducing agricultural chemical input intensity and improving agricultural socialized services. Heterogeneity analysis revealed that the carbon reduction effect of the high-standard farmland construction policy mainly occurred in provinces with a high degree of land transfer and in non-food-producing areas. In contrast, it did not have a corresponding carbon reduction effect in provinces with a low degree of land transfer and in food-producing areas. Therefore, the government should strengthen the construction of high-standard farmlands and differentiate the implementation of high-standard farmland construction policies according to local conditions and classifications to give full play to the emission reduction effect. In addition, the government should pay great attention to the role of agricultural chemicalization and socialized agricultural services in carbon reduction effects.
-
气候变化是人类面临的共同挑战[1]。工业化和城市化进程增加了全球对能源的需求, 导致全球长期面临碳排放增加的压力[2]。一方面, 碳排放的增加会导致温室效应, 进而引发各种环境问题和自然灾害, 对社会生产和人民生活造成严重威胁[3]; 另一方面, 碳关税的实施使得碳排放在国际贸易中逐渐成为一个重要的壁垒, 尤其是欧美国家[4]。由此, 世界各国都在努力实现碳达峰、碳中和, 以解决经济增长与环境保护之间的矛盾[5]。根据《联合国气候变化框架公约》, 全世界超过130个国家和地区已经提出了实现“零碳”或“碳中和”的气候目标, 占全球碳排放量一半以上的58个国家承诺到2050年实现碳的净零排放。作为目前世界上最大的温室气体排放国, 中国是全球应对气候变化的积极参与者与贡献者。中国将加大努力, 采取更有力的政策和措施, 加强国家自主贡献, 争取在2030年之前实现碳达峰, 在2060年之前实现碳中和。
农业是全球重要的温室气体排放源。2015年全球粮食体系相关温室气体排放量达到180亿t, 占人类活动排放总量的34%。其中, 排在首位的是粮食生产阶段产生的温室气体, 占比约39% (约71亿t); 其次是土地利用和土地利用变化导致的温室气体排放, 占比约32% (约57亿t)[6]。推动农业减排成为实现“碳达峰、碳中和”目标和应对气候变化的重要抓手。
学术界围绕农业碳排放开展了丰富研究, 主要可以分为以下两类。第1类是测算农业碳排放总量、农业碳排放强度、农业碳排放效率和农业碳补偿率, 分析空间关联性、区域差异和趋势预测。由于2015年“减肥减药”行动的政策和粮食主产区政策, 全国农业碳排放在2015年以后由上升转为持续下降[7-8]。全国农业非能源碳排放量占农业碳排放总量的84%以上, 土壤管理是农业非能源碳排放的第一来源[9]。全国农业碳排放效率均值为0.778[10], 各省(市、自治区)农业碳排放效率提升较快, 由2010年的0.400增长至2019年的0.756, 具有较大减排潜力[11]。全国农业碳补偿率表现出区域集聚态势, 且存在显著正向溢出效应, 区域农业碳吸收能力呈互相促进的演进特征[12]。第2类研究集中于分析农业碳排放的影响因素, 以寻求减排路径。例如, 农业绿色生产技术[13]、农地流转[14]、农业专业化[15]、农村能源扶贫[16]、城乡融合发展[17]、农业经济增长和能源消费[18]等因素对降低农业碳排放量或提高农业碳排放效率均发挥着重要作用。此外, 还有学者研究农业相关政策对农业碳减排的影响, 例如农业信贷补贴政策[19]、国家农业可持续发展试验示范区政策[20]、政策性农业保险政策[21]等。
上述关于农业碳排放的研究为我国农业碳排放问题的解决提供了有力的学术支撑, 也为本文农业碳排放量的测度方法和研究体系等提供了参考。但是, 现有农业碳排放研究较少对高标准农田建设这一政策所可能带来的影响进行分析。农田是碳源和碳汇的根本载体, 高标准农田建设为农业低碳减排提供了重要契机。高标准农田建设于2011年“十二五规划”正式启动实施。统计数据显示, 截至目前, 全国已累计建成10亿亩高标准农田, 这有助于稳定保障超过1万亿斤粮食的生产能力。2023年中央一号文件提出, 要逐步把永久基本农田全部建成高标准农田。一方面, 高标准农田建设提高了农田质量, 同时增加了地块规模, 提高了农业横向和纵向分工水平, 进而有助于促进农业化肥减量[22]。化肥、农药等农业生产资料的减施减少了面源污染、降低了碳排放。另一方面, 高标准农田建设提高了农机作业适宜程度, 农业机械能源消耗所带来的碳排放可能成为农业碳达峰的最大不确定因素[23]。与此同时, 高标准农田建设也存在政策设计与实际落实不匹配、不符合当地实际情况、建设不标准、造成土壤层破坏等问题[24]。因此, 本文旨在回答以下两个核心问题: 第一, 高标准农田建设是否对降低农业碳排放有益? 第二, 高标准农田建设通过何种机制影响农业碳排放? 本文通过对高标准农田建设政策的准自然实验进行分析, 利用2007—2017年省级面板数据和连续型DID (Differences-in-differences approach)评估方法, 探究该政策对农业碳排放的差异性影响, 分析其内在机制, 并对相关结果进行严格检验, 为实现农业低碳发展以及“碳达峰”和“碳中和”目标提供理论支持。
1. 理论分析与研究假说
农村土地整治具有整合土地利用要素、重组土地利用结构、优化土地利用功能的作用, 具有显著的生态效应[25]。从经济学角度来看, 根据规模经济理论, 在一定技术水平下, 适度扩大农业经营规模可以优化投入要素配置, 从而降低生产成本或提高产量。高标准农田建设包括了平整田块、适当归并零碎田块和优化沟渠道路布局, 有助于集中地块, 缓解耕地细碎化问题。虽然高标准农田建设政策没有改变原有耕地面积大小, 但却改善了地块经营规模。农业生产的适度规模化有利于要素集约利用, 农资投入减少意味着农业碳排放减少。从生态学角度来看, 农地整治会影响到生态系统服务的权衡和协同关系, 农地整治后, 作物生产能力与土壤保持能力的权衡强度将下降, 土壤保持与碳储量、作物生产能力与碳储量的权衡强度将增加[26]。地形是土壤受到腐蚀的原因之一, 坡度大的耕地侵蚀率较高。高标准农田建设可以通过平整田块降低土壤侵蚀, 改善土壤生态系统服务能力[27], 进而提升耕地系统碳汇能力。耕地的坡度、面积、平整度、灌溉系统长度等均与土壤水土保持服务功能密切相关, 因此农地整治可以提高耕地的土壤保持服务功能[28]。高标准农田建设有效改善了灌排条件, 其中灌排指标对提升耕地质量等级的贡献率达51.85%[29]。农田灌溉属于碳源之一, 农田灌排条件越好, 农业碳排放量越低。综上所述提出如下假设:
假设1: 高标准农田建设对农业碳排放具有负向影响。
那么高标准农田建设是通过何种逻辑促进农业碳排放减量的呢? 其一, 高标准农田建设通过降低农业化学品投入强度减少农业碳排放。高标准农田建设集中了地块空间, 降低了耕地细碎化程度, 提高了地块规模, 优化了生产要素配置, 有助于减少农业化学品投入。地块平整为机械深施化肥提供了机会, 地块集中有利于无人机喷洒农药, 提高农业化学品的利用效率, 避免过量施用。高标准农田建设优化了农田利用的空间布局, 有利于形成集中连片的作物种植模式。农业横向分工水平的提高有利于农业低碳技术的扩散, 提高要素利用效率, 降低农业化学品投入强度。以农业碳减排最大的贡献者化肥为例, 高标准农田建设的化肥减量效应非常显著[22]。高标准农田建设的耕地质量提升项目改善了农业生产条件, 有助于降低农用化学品的使用量。此外, 高标准农田建设政策促进了土地流转[30], 而土地转入扩大了经营规模, 有助于提高农业化学品的利用效率, 降低农业化学品的投入强度[31]。其二, 高标准农田建设通过提升农业社会化服务水平减少农业碳排放。高标准农田具有“地平整、田成方、路相通、渠相连”的特点, 有助于农业机械化, 为农业社会化服务提供了发展基础。此外, 地块集中提高了经营规模, 为缓解劳动力约束, 农户会选择深化农业纵向分工, 即购买社会化服务。高标准农田建设对于农业产中服务和产后服务水平有显著提升作用[32]。通过购买农业社会化服务进行施肥、打药、灌溉等作业, 可以使生产要素的使用更加规范化、精准化和定量化, 还可避免其在田间运输中的损耗, 有利于提高其利用效率。一旦农户参与纵向分工, 农业技术进步将不再为外生变量, 农户采纳低碳生产技术的主动性将提高。农业社会化服务组织拥有先进适用的品种、技术、装备等现代生产要素, 能有效缓解农户采纳低碳生产技术所面临的高风险和高成本问题, 促进农户采纳农业低碳生产技术。农业低碳生产技术的采纳提高了全国和主要粮食产区的农业碳排放效率, 促进了农业低碳发展[13]。故而, 高标准农田建设可以通过推动农业社会化服务发展, 提高农业全要素生产率, 从而起到减碳作用[33]。综上所述提出如下假设:
假设2: 高标准农田建设通过降低农业化学品投入强度来减少农业碳排放, 即农业化学品投入强度在高标准农田建设减少农业碳排放过程中发挥中介效应。
假设3: 高标准农田建设通过提高农业社会化服务水平减少农业碳排放, 即农业社会化服务在高标准农田建设减少农业碳排放过程中发挥中介效应。
2. 变量选取与模型设定
2.1 数据来源
本文将高标准农田建设政策的实施作为准自然实验, 考虑到数据的可得性, 选取2007—2017年全国30个省(自治区、直辖市) (除西藏和港澳台)的面板数据来分析高标准农田建设对农业碳排放的影响。本文数据主要来自历年《中国农村统计年鉴》《中国统计年鉴》《中国财政年鉴》《中国农业机械工业年鉴》和《中国农村经营管理统计年报》。
2.2 变量选取与描述性统计
被解释变量: 农业碳排放(ACE)。本文以狭义的农业(即种植业)为研究对象, 测算了其农业碳排放。参考胡婉玲等[8]、颜光耀等[34]研究, 认为农业碳源主要包括化肥、农药、农用薄膜、农用柴油、农地翻耕和农业灌溉这6类, 其碳排放系数分别为0.8956 kg∙kg−1、4.9341 kg∙kg−1、5.1800 kg∙kg−1、0.5927 kg∙kg−1、3.1260 kg∙hm−2和25.0000 kg∙hm−2。
核心解释变量: 高标准农田建设政策。参考梁志会等[22]的研究, 利用土地整治面积占比(HFCi)与高标准农田建设政策实施时点虚拟变量(
${T}_{t}^{2011}$ )的交互项表征。土地整治面积占比为改造中低产田与高标准农田面积占耕地总面积的百分比。高标准农田建设政策实施时点(t)为虚拟变量, 由于高标准农田建设政策于2011年开始规范实行, 故当t≥2011时,$ {T}_{t}^{2011} $ 取1, 反之取0。中介变量: 农业化学品投入强度(ACII)和农业社会化服务(ASS)。本文分别参考吉雪强等[14]和张志新等[33]研究, 用化肥、农药、农膜使用总量与农作物播种面积的比值来衡量农业化学品投入强度, 用农林牧渔服务业产值与农作物播种面积的比值衡量农业社会化服务。
控制变量: 本文选取的控制变量包括受灾程度、环境污染治理投资、农业产业结构、经济发展水平、财政支农力度、种植结构、城镇化率和土地经营规模。各变量说明与描述性统计如表1所示。
表 1 高标准农田建设政策对农业碳排放影响的相关变量说明与描述性统计Table 1. Definition and statistical description of relevant variables of high-standard farmland construction policy that have impacts on agricultural carbon emissions名称
Name符号
Symbol测量方法
Measurement method均值
Mean标准差
Standard
deviation最小值
Minimum
value最大值
Maximum
value农业碳排放量
Agricultural carbon emission (×104 t)ACE 农业活动碳排放
Carbon emissions from agricultural activities286.463 200.177 12.159 874.300 土地整治面积占比
Percentage of rural land consolidation area to total area (%)HFC 中低产田改造与高标准农田面积/耕地
总面积
Ratio of area of improved land with low and medium yield and high-standard farmland to total arable land area39.239 22.711 8.012 130.039 受灾程度
Degree of disaster (%)Dis 受灾面积/农作物播种面积
Ratio of disaster area to crop sown area20.790 14.567 0.945 69.545 环境污染治理投资Environmental pollution control investment (%) Env 环境污染治理投资/国内总产值
Ratio of environmental pollution control investment to Gross Domestic Product1.396 0.697 0.300 4.240 农业产业结构
Agricultural industry structure (%)Ind 农业总产值/农林牧渔业总产值
Ratio of total agricultural output value to total output value of agriculture, forestry, animal husbandry and fishery52.459 8.550 33.775 78.330 经济发展水平
Level of economic development (¥·cap.−1)Eco 人均国内总产值
Gross Domestic Product per capita42 556.380 23 928.040 6915.000 12 8994.100 财政支农力度
Financial support for agriculture (%)Fin 财政支农支出/总财政支出
Ratio of financial support for agriculture expenditure to total financial expenditure10.846 3.049 2.869 18.966 种植结构
Planting structure (%)Pla 粮食播种面积/农作物播种面积
Ratio of grain sown area to crop sown area65.417 12.965 32.815 95.847 城镇化率
Urbanization rate (%)Urb 城镇人口所占比例
Percentage of urban population54.437 13.568 28.240 89.600 土地经营规模
Land operation scale
(hm2∙cap.−1)Sca 农作物播种面积/农业劳动力
Ratio of crop sown area to agricultural labor1.266 0.545 0.588 3.761 农业化学品投入强度 Agricultural chemical products input intensity
(t∙hm−2)ACII 化肥、农药、农膜使用总量/
农作物播种面积
Ratio of total use amount of fertilizer, pesticide and agricultural film to crop sown area0.397 0.133 0.153 0.875 农业社会化服务
Agricultural socialization services (×107 ¥∙hm−2)ASS 农林牧渔服务业产值/
农作物播种面积
Raito of output value of agriculture, forestry, animal husbandry and fishery services to crop sown area0.224 0.146 0.030 0.903 2.3 模型构建
2.3.1 连续型双重差分法模型
2011年高标准农田建设政策开始在全国范围规范实施。由于各省(自治区、直辖市)的水土资源条件、农业产业发展需求等不同, 在实施高标准农田建设政策中, 各省份的建设任务和进度差异较大, 不同省份在同一时点上的土地整治面积占比存在差异。因此, 为了估计高标准农田建设政策对农业碳排放的影响, 本文使用连续DID模型。与一般DID模型使用虚拟变量来区分实验组和控制组不同, 本文使用“土地整治面积占比”这个连续型变量来区分实验组(土地整治面积占比高的样本)和控制组(土地整治面积占比低的样本)。连续型DID模型不仅保留了DID模型的基本性质, 还能体现出数据变化的程度[22]。
为识别实施高标准农田建设政策对农业碳排放的影响, 本文构建如下连续型DID模型:
$$ {\mathrm{l}\mathrm{n}\mathrm{A}\mathrm{C}\mathrm{E}}_{it}=\alpha +\beta {\times \mathrm{H}\mathrm{F}\mathrm{C}}_{i}\times {T}_{t}^{2011}+\gamma \times {X}_{it}+{\delta }_{i}+{\mu }_{t}+{\varepsilon }_{it} $$ (1) 式中: i表示省份; t表示时期;
$ {\mathrm{A}\mathrm{C}\mathrm{E}}_{it} $ 表示省份i在t时期的农业碳排放量, 并取自然对数; α为常数项; β为待估计参数;$ {\mathrm{H}\mathrm{F}\mathrm{C}}_{i} $ 为省份i的土地整治面积占比;$ {T}_{t}^{2011} $ 为政策实施时点t的虚拟变量; γ为待估计参数;$ {X}_{it} $ 为控制变量;$ {\delta }_{i} $ 为省份固定效应;$ {\mu }_{t} $ 为年份固定效应, 以捕捉不随时间变化的个体间差异以及不随个体变化但随时间变化的遗漏变量问题;$ {\varepsilon }_{it} $ 为随机误差项。式(1)控制了双向固定效应, 待估计参数$ \beta $ 即为实施高标准农田建设政策对农业碳排放的净影响效应。2.3.2 中介效应模型
本文利用两阶段法来验证高标准农田建设政策影响农业碳排放的内在机制。第1阶段验证高标准农田建设政策对农业化学品投入强度和农业社会化服务的影响。第2阶段验证农业化学品投入强度和农业社会化服务对农业碳排放的影响。本文机制验证模型设定如下:
$$ {M}_{it}=\alpha +\beta {\times \mathrm{H}\mathrm{F}\mathrm{C}}_{i}\times {T}_{t}^{2011}+\gamma {\times X}_{it}+{\delta }_{i}+{\mu }_{t}+{\varepsilon }_{it} $$ (2) $$ \begin{split} \\ &\qquad {\mathrm{l}\mathrm{n}\mathrm{A}\mathrm{C}\mathrm{E}}_{it}=\alpha +\beta \times {\mathrm{H}\mathrm{F}\mathrm{C}}_{i}\times {T}_{t}^{2011}+{\varphi \times M}_{it}+\gamma \times {X}_{it}+\\ &{\delta }_{i}+{\mu }_{t}+{\varepsilon }_{it} \end{split} $$ (3) 式中:
$ {M}_{it} $ 表示中介变量, 包括农业化学品投入强度和农业社会化服务;$ \varphi $ 为待估计参数; 其余变量与系数设定与式(1)相同。3. 实证分析与检验
3.1 中国农业碳排放量测度
图1展示了2007—2017年全国农业碳排放量的变化趋势。农业碳排放量总体呈现出先升后降的趋势, 由2007年的7760万t增加至2015年的9131万t, 随后下降至2017年8827万t。2015年为我国农业碳排放量变化的一个转折点, 可能是由于该年份我国启动实施了化肥、农药使用量零增长行动, 使得化肥等农业化学物资的使用减少。分区结果来看(表2), 2017年我国河南、山东、河北、江苏、安徽、新疆、湖北、黑龙江等省市的农业碳排放量位居全国前列。2007—2017年间, 北京、上海、天津、河北、山东、江苏、浙江、福建等省市的农业碳减排速度较快。本文以2017年家庭承包耕地流转总面积占家庭承包经营耕地面积的比重来衡量土地流转水平, 高于平均值的为土地流转程度高的省份(北京、天津、辽宁、黑龙江、上海、江苏、浙江、安徽、河南、湖北、湖南、广东、重庆), 低于平均值的为土地流转程度低的省份(河北、山西、内蒙古、吉林、福建、江西、山东、广西、海南、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆)。2017年, 土地流转程度高的省份农业碳排放量均值为310万t, 土地流转程度低的省份农业碳排放量均值为282万t。从农业功能区定位来看, 2017年粮食主产区的农业碳排放量均值为437万t, 非粮食主产区的农业碳排放量均值为185万t。
![]()
图 1 2007—2017年全国农业碳排放量Figure 1. National agricultural carbon emissions from 2007 to 2017 in China表 2 2007—2017年各地区农业碳排放情况Table 2. Agricultural carbon emissions in each region from 2007 to 2017×104 t 地区 Region 2007 2015 2017 地区 Region 2007 2015 2017 北京 Beijing 25.086 18.415 15.310 河南 Henan 707.960 874.300 856.261 天津 Tianjin 41.084 36.836 32.160 湖北 Hubei 401.744 444.147 422.021 河北 Hebei 682.234 600.696 539.937 湖南 Hunan 314.679 360.992 357.680 山西 Shanxi 141.124 168.726 162.226 广东 Guangdong 305.186 362.672 362.644 内蒙古 Inner Mongolia 195.216 328.671 331.298 广西 Guangxi 279.245 338.073 336.485 辽宁 Liaoning 239.287 287.380 269.705 海南 Hainan 71.696 95.989 87.329 吉林 Jilin 216.945 314.227 312.849 重庆 Chongqing 112.751 135.393 133.294 黑龙江 Heilongjiang 303.266 416.230 414.070 四川 Sichuan 327.277 358.917 349.920 上海 Shanghai 36.865 28.903 26.977 贵州 Guizhou 102.826 136.151 130.082 江苏 Jiangsu 455.379 460.457 445.116 云南 Yunnan 228.728 353.006 356.067 浙江 Zhejiang 259.705 265.898 255.737 陕西 Shaanxi 197.149 295.596 297.065 安徽 Anhui 410.426 467.532 443.776 甘肃 Gansu 150.295 251.655 222.010 福建 Fujian 216.671 225.017 214.949 青海 Qinghai 12.159 18.352 17.539 江西 Jiangxi 201.855 226.769 216.292 宁夏 Ningxia 46.838 60.115 60.293 山东 Shandong 836.884 759.961 722.101 新疆 Xinjiang 239.069 439.550 435.613 3.2 高标准农田建设政策对农业碳排放的基准回归分析
本文考察了高标准农田建设政策对农业碳排放量的影响, 结果见表3。模型1和模型2表示, 不管是否控制其他可能影响农业碳排放量的因素, 核心解释变量(即高标准农田建设政策)对农业碳排放量的回归系数分别在1%与5%的水平呈显著负相关, 表明高标准农田建设政策具有降低农业碳排放量的生态效应。高标准农田建设政策通过提升农田质量和补齐农业基础设施短板, 提高了农业生产效率, 促进了农药化肥减量和农业绿色低碳发展。此外, 财政支农力度的回归系数在1%的水平呈显著正相关, 可能是由于财政支农资金投入过于重视经济效益, 忽视了生态效益, 从而导致生态补贴力度不够。2004年以来, 政府为了提高农业产能, 加大了农机、化肥等农资补贴, 造成农户大量使用化肥等, 这对于农业碳排放也具有不利影响。
表 3 高标准农田建设政策对农业碳排放的基准回归结果Table 3. Baseline regression results of high-standard farmland construction policy on agricultural carbon emissions变量
Variable模型1
Model 1模型2
Model 2HFC×T2011 −0.154*** (0.055) −0.101** (0.038) Dis 0.000 (0.000) Env 0.026 (0.027) Ind 0.003 (0.003) Eco 0.169 (0.116) Fin 0.019*** (0.006) Pla −0.003 (0.004) Urb 0.011 (0.009) Sca 0.069 (0.054) 常数项
Constant term5.187*** (0.024) 2.752** (1.205) 年份固定效应
Year fixed effect已控制 Controlled
已控制 Controlled已控制 Controlled
已控制 Controlled省份固定效应
Provincial fixed effect观测值数
Number of observations330 330 R2 0.4375 0.5664 HFC和T2011分别表示土地整治面积占比和高标准农田建设政策实施时点虚拟变量。其他变量解释说明见表1。*、**和***分别表示在10%、5%和1%的统计水平显著相关; 括号内为稳健标准误。HFC and T2011 are percentage of area of land consolidation to total arable land area and dummy variable of time related to policy implementation, respectively. The explanations of the other variables are shown in Table 1. *, ** and *** indicate significant correlations at 10%, 5%, and 1% levels, respectively. The robust standard errors are in parentheses. 为了确保本文结论的稳健性, 本文采取替换核心解释变量和被解释变量以及剔除其他政策干扰等3种方法进行检验, 结果如表4所示。在替换核心解释变量上, 本文利用单位农作物播种面积的农业综合开发投入(CADI)与政策实施时点虚拟变量T2011的交互项替换HFC×T2011进行回归。模型3结果表明, CADI×T2011依然在5%的水平上呈显著负相关, 结果与基准回归结果一致。在替换被解释变量上, 本文利用农业碳排放强度(ACEI)替换农业碳排放量进行回归, 农业碳排放强度用农业碳排放量与农业总产值的比值衡量。模型4结果显示, 高标准农田建设政策在5%的水平上呈显著的负相关, 结果与基准回归结果一致。在剔除其他政策干扰上, 本文通过剔除2015年及之后的样本数据以消除化肥农药零增长政策的影响, 通过纳入土地流转水平变量(Tra)以消除土地流转政策的影响。模型5和模型6结果显示, 高标准农田建设政策分别在10%和1%的水平上呈显著的负相关, 结果与基准回归结果一致, 验证了本文结论的稳健性。
表 4 高标准农田建设政策对农业碳排放影响的稳健性检验结果Table 4. Robustness test results of the impact of high-standard farmland construction policy on agricultural carbon emissions变量
Variable模型3 (替换核心解释变量)
Model 3 (substitution of core explaining variable)模型4 (替换被解释变量)
Model 4 (substitution of explained variable)剔除其他政策干扰
Remove other policy distractions模型5 (化肥农药零增长政策)
Model 5 (fertilizer and pesticide zero growth policy)模型6 (土地流转政策)
Model 6 (land transfer policy)HFC×T2011 −0.086** (0.035) −0.061* (0.031) −0.096*** (0.035) CADI×T2011 −0.053** (0.023) Tra −0.004** (0.002) 常数项 Constant term 2.894** (1.275) 9.425*** (1.430) 0.265 (1.330) 2.802** (1.072) 控制变量 Control variable 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 年份固定效应
Year fixed effects已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 省份固定效应
Provincial fixed effects已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 观测值数
Number of observations330 330 240 330 R2 0.5524 0.9181 0.6698 0.5967 HFC、T2011、 CADI和Tra分别表示土地整治面积占比、高标准农田建设政策实施时点虚拟变量、单位农作物播种面积农业综合开发投入和土地流转水平。*、**和***分别表示在10%、5%和1%的统计水平上显著相关; 括号内为稳健标准误。HFC, T2011, CADI and Tra are percentage of area of land consolidation to total arable land area, dummy variable of time related to policy implementation, comprehensive investment for agriculture per unit crop sown area, and land transfer level, respectively. *, ** and *** indicate significant correlations at 10%, 5%, and 1% levels, respectively. The robust standard errors are in parentheses. 3.3 平行趋势检验与政策的动态影响
平行趋势检验是使用双重差分模型的重要前提, 目的是验证政策实施前控制组与实验组并不存在显著差异。在本文的模型中, 平行趋势假设以政策实施年份2011年为基准组, 验证在未实施高标准农田建设政策之前, 实验组省市与对照组省市的农业碳排放情况保持一致的变化趋势。图2直观地显示了95%的置信区间下高标准农田建设政策的估计系数变化趋势。从结果可以看出, 高标准农田政策实施前的估计系数在95%的置信区间内几乎都包含了0值, 估计系数在政策实施前无显著差异。在政策实施后, 估计系数的置信区间基本不包含0值, 说明估计系数在政策实施后存在显著差异, 满足平行趋势假设。
![]()
图 2 高标准农田建设政策对农业碳排放的动态影响Figure 2. Dynamic impact of high-standard farmland construction policy on agricultural carbon emissions从动态估计结果可以看出(表5), 高标准农田建设政策的估计系数在2013年后开始变得显著, 即在高标准农田建设政策实施的第3年才开始出现政策效应, 这与张志新等[33]的研究结论一致。这表明高标准农田建设政策对农业碳排放的抑制作用存在滞后效应。这可能是由于高标准农田建设政策在实施初期存在综合配套措施投入不足等问题, 难以发挥出政策效应。随着政策的完善, 建设资金增加、建设标准提高, 政策效应也逐渐显现出来。从估计系数来看, 2013年开始, 高标准农田建设政策的减碳效应在逐渐增强, 且具有持久性。
表 5 高标准农田建设政策对农业碳排放的动态影响估计结果Table 5. Dynamic estimation results of the impact of high-standard farmland construction policy on agricultural carbon emissions交互项
Interaction term估计系数
Estimated coefficient标准误
Standard
errorP值
P valueHFC×2007 0.060 0.043 0.168 HFC×2008 0.040 0.040 0.322 HFC×2009 0.038 0.025 0.145 HFC×2010 0.029 0.018 0.129 HFC×2012 −0.022 0.015 0.159 HFC×2013 −0.042 0.018 0.025 HFC×2014 −0.078 0.028 0.009 HFC×2015 −0.088 0.039 0.031 HFC×2016 −0.095 0.036 0.014 HFC×2017 −0.123 0.048 0.015 HFC表示土地整治面积占比。2007、2008、2009、2010、2012、2013、2014、2015、2016和2017表示年份虚拟变量。HFC refers to the percentage of land consolidation area to total arable land area. 2007, 2008, 2009, 2010, 2012, 2013, 2014, 2015, 2016 and 2017 refer to the year dummy variables. 3.4 农业碳减排机制检验
基于前文的理论分析, 高标准农田建设可能通过降低农业化学品投入强度和提高农业社会化服务来抑制农业碳排放量, 农业碳减排机制检验如表6所示。模型7和模型8表明高标准农田建设政策对农业化学品投入强度和农业社会化服务分别具有显著的负向影响和正向影响, 即高标准农田建设政策会显著降低农业化学品投入强度和促进农业社会化服务的发展。模型9和10表明农业化学品投入强度和农业社会化服务对农业碳排放分别具有显著的正向和负向影响, 且高标准农田建设政策的系数绝对值由模型2的0.101下降为模型9的0.085和模型10的0.086。机制检验结果证实了高标准农田建设政策具有通过降低农业化学品投入强度和提高农业社会化服务水平抑制农业碳排放的作用机制。因此, 本研究假说H2和H3通过验证。
表 6 高标准农田建设政策对农业碳排放影响的机制检验结果Table 6. Mechanism test results of the impact of high-standard farmland construction policy on agricultural carbon emissions变量
Variable模型7
Model 7 (ACII)模型8
Model 8 (ASS)模型9
Model 9 (ACE)模型10
Model 10 (ACE)HFC×T2011 −0.025* (0.013) 0.045* (0.025) −0.085** (0.038) −0.086** (0.037) ACII 0.645** (0.282) ASS −0.341* (0.194) 常数项 Constant term 1.054** (0.462) 1.144** (0.552) 2.071* (1.111) 3.142*** (1.122) 控制变量 Control variable 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 年份固定效应 Year fixed effects 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 省份固定效应 Provincial fixed effects 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 观测值数 Number of observations 330 330 330 330 R2 0.5031 0.7943 0.5979 0.5851 HFC和T2011分别表示土地整治面积占比和高标准农田建设政策实施时点虚拟变量。ACII、ASS和ACE解释见表1。*、**和***分别表示在10%、5%和1%的统计水平显著相关; 括号内为稳健标准误。HFC and T2011 are percentage of area of land consolidation to total arable land and dummy variable of time related to policy implementation, respectively. Details of ACII, ASS and ACE can be seen in Table 1. *, ** and *** indicate significant correlation at 10%, 5%, and 1% levels, respectively. Robust standard errors are in parentheses. 3.5 异质性分析
1)不同土地流转程度的比较(表7)。模型11显示, 在土地流转程度高的省份, 高标准农田建设政策系数在1%的统计水平显著, 说明高标准农田建设政策的实施有助于降低农业碳排放, 推动农业低碳发展。这可能是由于高标准农田建设可提高农户的农业经营效益、降低农业经营风险、促进农业技术普及, 进而促进农地流转[35]。农地流转有助于形成规模经营, 规模经营与绿色技术进步具有协同效应, 因此农地流转有助于降低农业碳排放[14]。
表 7 高标准农田建设政策对农业碳排放影响的异质性回归结果Table 7. Heterogeneity regression results of the impact of high-standard farmland construction policy on agricultural carbon emissions变量
Variable模型11 (土地流转程度高)
Model 11 (high level
of land transfer)模型12 (土地流转程度低)
Model 12 (low level
of land transfer)模型13 (粮食主产区)
Model 13 (Major grain
producing areas)模型14 (非粮食主产区)
Model 14 (non-grain
producing areas)HFC×T2011 −0.120*** (0.036) −0.062 (0.067) −0.032 (0.023) −0.111* (0.054) 常数项 Constant term 3.085***(1.006) 4.167** (1.925) 5.630*** (1.246) 2.095 (1.585) 控制变量 Control variable 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 年份固定效应 Year fixed effects 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 省份固定效应 Provincial fixed effects 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 观测值数 Number of observations 143 187 143 187 R2 0.7282 0.6643 0.6427 0.7098 HFC和 T2011分别表示土地整治面积占比和高标准农田建设政策实施时点虚拟变量。*、**和***分别表示在10%、5%和1%的统计水平显著相关; 括号内为稳健标准误。HFC and T2011 are percentage of area of land consolidation to total arable land and dummy variable of time related to policy implementation, respectively. *, ** and *** indicate significant correlation at 10%, 5%, and 1% levels, respectively. Robust standard errors are in parentheses. 2)不同农业功能区定位的比较。模型13和14显示, 在非粮食主产区, 高标准农田建设政策对农业碳排放量的影响系数为负(P<0.1); 在粮食主产区, 高标准农田建设政策对农业碳排放量的负向影响并不显著。在非粮食主产区, 高标准农田建设政策的碳减排作用更大。可能的原因是, 相较于粮食主产区, 非粮食主产区的农地比较分散、生态环境质量较差, 后发优势更加明显。在粮食主产区, 高标准农田建设政策的减排效应不显著。可能是由于粮食主产区的粮食安全压力更大, 高标准农田建设着重于提升产能, 忽视了农田生态环境的改善, 未能充分发挥出支撑现代农业低碳发展的作用。
4. 主要结论与政策建议
4.1 结论与讨论
近年来, 气候变化引起了全球的广泛关注, 减少碳排放量已成为全球共同的责任与挑战。作为重要的碳排放源之一, 农业碳排放量的减少对于实现“碳中和、碳达峰”目标具有重要意义。高标准农田建设政策是推动农业可持续发展和减少碳排放量的重要手段, 高标准农田建设政策对农业碳排放量的影响研究可为政策制定者提供有力的科学依据, 对于丰富碳排放减少的实践经验具有重要意义。本文基于中国30个省份2007—2017年面板数据, 测算了各省农业碳排放量, 并利用连续DID模型和中介效应模型分析了高标准农田建设政策对农业碳排放量的影响。本文主要得出以下5个研究结论。第一, 考察期间, 我国农业碳排放量呈先升后降的倒U型, 农业碳排放量峰值出现在2015年, 这与胡婉玲等[8]的研究结果一致。第二, 高标准农田建设政策具有显著的抑制农业碳排放的作用, 平均而言可以降低10.1%的农业碳排放量。在替换核心解释变量和解释变量以及消除相关政策的影响后, 高标准农田建设政策仍具有显著的农业碳减排作用。这与陈宇斌等[36]的研究结论一致, 证实了本文分析结果的可靠性, 丰富了农业碳排放影响因素的研究体系, 为加强高标准农田建设提供了环境效益相关的论据。第三, 动态估计结果显示, 高标准农田建设政策的减碳效应具有滞后性, 政策效应于2013年开始持续增强。第四, 机制分析结果表明, 农业化学品投入强度和农业社会化服务在高标准农田建设降低农业碳排放过程中发挥中介效应, 即高标准农田建设政策主要通过降低农业化学品投入强度和提高农业社会化服务来抑制农业碳排放。第五, 异质性分析表明, 对于土地流转程度高的省份, 高标准农田建设政策的农业碳减排效应非常显著, 而在土地流转程度低的省份不显著。高标准农田建设政策在非粮食主产区的碳减排效应更显著, 而在粮食主产区不显著。
与现有研究相比, 本文从以下两个方面进行了深化。其一, 本研究基于规模经济理论和专业分工理论, 从农业化学品投入强度和农业社会化服务两个方面深入探讨了高标准农田建设政策影响农业碳排放的潜在机制。这有助于全面、深入地探讨高标准农田建设政策是如何影响农业碳排放的, 以期丰富相关研究。其二, 本文考虑到在土地流转程度和农业功能区定位不同的地区, 高标准农田建设政策对农业碳排放的影响可能存在差异, 进一步对不同土地流转程度和农业功能区定位下的政策效果进行异质性分析。
4.2 建议
以上研究结论证实了高标准农田建设政策的农业碳减排效应。因此, 本文提出如下政策建议。第一, 各级政府应加强高标准农田建设, 充分发挥其在碳减排方面的生态效应。可以通过引导金融社会资本投入、支持新型经营主体参与、因地制宜推进多目标协同建设、系统优化建后管护等方式加强高标准农田建设, 从而发挥该政策的碳减排作用。第二, 各级政府应高度关注农业化学化和社会化服务在高标准农田建设政策减碳过程中的作用。通过秸秆还田、增施有机肥和绿肥、测土配方施肥、调酸控污等方式, 修复污染性土壤、提高耕地地力, 进而降低农业生产过程中的化学化水平。通过土地整治、田间机耕路建设、完善灌溉与排水设施和农田输配电设施, 推动农业社会化服务。第三, 各级政府应因地制宜、分类施策, 差异化实施高标准农田建设政策。高标准农田建设政策的减碳效应在不同土地流转程度和农业功能定位区下具有较大差异。对于土地流转程度低的省份, 应加快推进农地流转, 强化高标准农田建设对于农业碳排放的抑制作用。粮食主产区应调整农业产业结构、推广绿色农业生产技术和摒弃粗放型生产方式, 平衡产能与资源环境承载力的关系, 推动农业绿色低碳发展。
-
![]()
图 2 高标准农田建设政策对农业碳排放的动态影响
Figure 2. Dynamic impact of high-standard farmland construction policy on agricultural carbon emissions
![]()
图 1 2007—2017年全国农业碳排放量
Figure 1. National agricultural carbon emissions from 2007 to 2017 in China
表 1 高标准农田建设政策对农业碳排放影响的相关变量说明与描述性统计
Table 1 Definition and statistical description of relevant variables of high-standard farmland construction policy that have impacts on agricultural carbon emissions
名称
Name符号
Symbol测量方法
Measurement method均值
Mean标准差
Standard
deviation最小值
Minimum
value最大值
Maximum
value农业碳排放量
Agricultural carbon emission (×104 t)ACE 农业活动碳排放
Carbon emissions from agricultural activities286.463 200.177 12.159 874.300 土地整治面积占比
Percentage of rural land consolidation area to total area (%)HFC 中低产田改造与高标准农田面积/耕地
总面积
Ratio of area of improved land with low and medium yield and high-standard farmland to total arable land area39.239 22.711 8.012 130.039 受灾程度
Degree of disaster (%)Dis 受灾面积/农作物播种面积
Ratio of disaster area to crop sown area20.790 14.567 0.945 69.545 环境污染治理投资Environmental pollution control investment (%) Env 环境污染治理投资/国内总产值
Ratio of environmental pollution control investment to Gross Domestic Product1.396 0.697 0.300 4.240 农业产业结构
Agricultural industry structure (%)Ind 农业总产值/农林牧渔业总产值
Ratio of total agricultural output value to total output value of agriculture, forestry, animal husbandry and fishery52.459 8.550 33.775 78.330 经济发展水平
Level of economic development (¥·cap.−1)Eco 人均国内总产值
Gross Domestic Product per capita42 556.380 23 928.040 6915.000 12 8994.100 财政支农力度
Financial support for agriculture (%)Fin 财政支农支出/总财政支出
Ratio of financial support for agriculture expenditure to total financial expenditure10.846 3.049 2.869 18.966 种植结构
Planting structure (%)Pla 粮食播种面积/农作物播种面积
Ratio of grain sown area to crop sown area65.417 12.965 32.815 95.847 城镇化率
Urbanization rate (%)Urb 城镇人口所占比例
Percentage of urban population54.437 13.568 28.240 89.600 土地经营规模
Land operation scale
(hm2∙cap.−1)Sca 农作物播种面积/农业劳动力
Ratio of crop sown area to agricultural labor1.266 0.545 0.588 3.761 农业化学品投入强度 Agricultural chemical products input intensity
(t∙hm−2)ACII 化肥、农药、农膜使用总量/
农作物播种面积
Ratio of total use amount of fertilizer, pesticide and agricultural film to crop sown area0.397 0.133 0.153 0.875 农业社会化服务
Agricultural socialization services (×107 ¥∙hm−2)ASS 农林牧渔服务业产值/
农作物播种面积
Raito of output value of agriculture, forestry, animal husbandry and fishery services to crop sown area0.224 0.146 0.030 0.903 
下载: 导出CSV
表 2 2007—2017年各地区农业碳排放情况
Table 2 Agricultural carbon emissions in each region from 2007 to 2017
×104 t 地区 Region 2007 2015 2017 地区 Region 2007 2015 2017 北京 Beijing 25.086 18.415 15.310 河南 Henan 707.960 874.300 856.261 天津 Tianjin 41.084 36.836 32.160 湖北 Hubei 401.744 444.147 422.021 河北 Hebei 682.234 600.696 539.937 湖南 Hunan 314.679 360.992 357.680 山西 Shanxi 141.124 168.726 162.226 广东 Guangdong 305.186 362.672 362.644 内蒙古 Inner Mongolia 195.216 328.671 331.298 广西 Guangxi 279.245 338.073 336.485 辽宁 Liaoning 239.287 287.380 269.705 海南 Hainan 71.696 95.989 87.329 吉林 Jilin 216.945 314.227 312.849 重庆 Chongqing 112.751 135.393 133.294 黑龙江 Heilongjiang 303.266 416.230 414.070 四川 Sichuan 327.277 358.917 349.920 上海 Shanghai 36.865 28.903 26.977 贵州 Guizhou 102.826 136.151 130.082 江苏 Jiangsu 455.379 460.457 445.116 云南 Yunnan 228.728 353.006 356.067 浙江 Zhejiang 259.705 265.898 255.737 陕西 Shaanxi 197.149 295.596 297.065 安徽 Anhui 410.426 467.532 443.776 甘肃 Gansu 150.295 251.655 222.010 福建 Fujian 216.671 225.017 214.949 青海 Qinghai 12.159 18.352 17.539 江西 Jiangxi 201.855 226.769 216.292 宁夏 Ningxia 46.838 60.115 60.293 山东 Shandong 836.884 759.961 722.101 新疆 Xinjiang 239.069 439.550 435.613
下载: 导出CSV
表 3 高标准农田建设政策对农业碳排放的基准回归结果
Table 3 Baseline regression results of high-standard farmland construction policy on agricultural carbon emissions
变量
Variable模型1
Model 1模型2
Model 2HFC×T2011 −0.154*** (0.055) −0.101** (0.038) Dis 0.000 (0.000) Env 0.026 (0.027) Ind 0.003 (0.003) Eco 0.169 (0.116) Fin 0.019*** (0.006) Pla −0.003 (0.004) Urb 0.011 (0.009) Sca 0.069 (0.054) 常数项
Constant term5.187*** (0.024) 2.752** (1.205) 年份固定效应
Year fixed effect已控制 Controlled
已控制 Controlled已控制 Controlled
已控制 Controlled省份固定效应
Provincial fixed effect观测值数
Number of observations330 330 R2 0.4375 0.5664 HFC和T2011分别表示土地整治面积占比和高标准农田建设政策实施时点虚拟变量。其他变量解释说明见表1。*、**和***分别表示在10%、5%和1%的统计水平显著相关; 括号内为稳健标准误。HFC and T2011 are percentage of area of land consolidation to total arable land area and dummy variable of time related to policy implementation, respectively. The explanations of the other variables are shown in Table 1. *, ** and *** indicate significant correlations at 10%, 5%, and 1% levels, respectively. The robust standard errors are in parentheses.
下载: 导出CSV
表 4 高标准农田建设政策对农业碳排放影响的稳健性检验结果
Table 4 Robustness test results of the impact of high-standard farmland construction policy on agricultural carbon emissions
变量
Variable模型3 (替换核心解释变量)
Model 3 (substitution of core explaining variable)模型4 (替换被解释变量)
Model 4 (substitution of explained variable)剔除其他政策干扰
Remove other policy distractions模型5 (化肥农药零增长政策)
Model 5 (fertilizer and pesticide zero growth policy)模型6 (土地流转政策)
Model 6 (land transfer policy)HFC×T2011 −0.086** (0.035) −0.061* (0.031) −0.096*** (0.035) CADI×T2011 −0.053** (0.023) Tra −0.004** (0.002) 常数项 Constant term 2.894** (1.275) 9.425*** (1.430) 0.265 (1.330) 2.802** (1.072) 控制变量 Control variable 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 年份固定效应
Year fixed effects已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 省份固定效应
Provincial fixed effects已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 观测值数
Number of observations330 330 240 330 R2 0.5524 0.9181 0.6698 0.5967 HFC、T2011、 CADI和Tra分别表示土地整治面积占比、高标准农田建设政策实施时点虚拟变量、单位农作物播种面积农业综合开发投入和土地流转水平。*、**和***分别表示在10%、5%和1%的统计水平上显著相关; 括号内为稳健标准误。HFC, T2011, CADI and Tra are percentage of area of land consolidation to total arable land area, dummy variable of time related to policy implementation, comprehensive investment for agriculture per unit crop sown area, and land transfer level, respectively. *, ** and *** indicate significant correlations at 10%, 5%, and 1% levels, respectively. The robust standard errors are in parentheses.
下载: 导出CSV
表 5 高标准农田建设政策对农业碳排放的动态影响估计结果
Table 5 Dynamic estimation results of the impact of high-standard farmland construction policy on agricultural carbon emissions
交互项
Interaction term估计系数
Estimated coefficient标准误
Standard
errorP值
P valueHFC×2007 0.060 0.043 0.168 HFC×2008 0.040 0.040 0.322 HFC×2009 0.038 0.025 0.145 HFC×2010 0.029 0.018 0.129 HFC×2012 −0.022 0.015 0.159 HFC×2013 −0.042 0.018 0.025 HFC×2014 −0.078 0.028 0.009 HFC×2015 −0.088 0.039 0.031 HFC×2016 −0.095 0.036 0.014 HFC×2017 −0.123 0.048 0.015 HFC表示土地整治面积占比。2007、2008、2009、2010、2012、2013、2014、2015、2016和2017表示年份虚拟变量。HFC refers to the percentage of land consolidation area to total arable land area. 2007, 2008, 2009, 2010, 2012, 2013, 2014, 2015, 2016 and 2017 refer to the year dummy variables.
下载: 导出CSV
表 6 高标准农田建设政策对农业碳排放影响的机制检验结果
Table 6 Mechanism test results of the impact of high-standard farmland construction policy on agricultural carbon emissions
变量
Variable模型7
Model 7 (ACII)模型8
Model 8 (ASS)模型9
Model 9 (ACE)模型10
Model 10 (ACE)HFC×T2011 −0.025* (0.013) 0.045* (0.025) −0.085** (0.038) −0.086** (0.037) ACII 0.645** (0.282) ASS −0.341* (0.194) 常数项 Constant term 1.054** (0.462) 1.144** (0.552) 2.071* (1.111) 3.142*** (1.122) 控制变量 Control variable 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 年份固定效应 Year fixed effects 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 省份固定效应 Provincial fixed effects 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 观测值数 Number of observations 330 330 330 330 R2 0.5031 0.7943 0.5979 0.5851 HFC和T2011分别表示土地整治面积占比和高标准农田建设政策实施时点虚拟变量。ACII、ASS和ACE解释见表1。*、**和***分别表示在10%、5%和1%的统计水平显著相关; 括号内为稳健标准误。HFC and T2011 are percentage of area of land consolidation to total arable land and dummy variable of time related to policy implementation, respectively. Details of ACII, ASS and ACE can be seen in Table 1. *, ** and *** indicate significant correlation at 10%, 5%, and 1% levels, respectively. Robust standard errors are in parentheses.
下载: 导出CSV
表 7 高标准农田建设政策对农业碳排放影响的异质性回归结果
Table 7 Heterogeneity regression results of the impact of high-standard farmland construction policy on agricultural carbon emissions
变量
Variable模型11 (土地流转程度高)
Model 11 (high level
of land transfer)模型12 (土地流转程度低)
Model 12 (low level
of land transfer)模型13 (粮食主产区)
Model 13 (Major grain
producing areas)模型14 (非粮食主产区)
Model 14 (non-grain
producing areas)HFC×T2011 −0.120*** (0.036) −0.062 (0.067) −0.032 (0.023) −0.111* (0.054) 常数项 Constant term 3.085***(1.006) 4.167** (1.925) 5.630*** (1.246) 2.095 (1.585) 控制变量 Control variable 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 年份固定效应 Year fixed effects 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 省份固定效应 Provincial fixed effects 已控制 Controlled 已控制 Controlled 已控制 Controlled 已控制 Controlled 观测值数 Number of observations 143 187 143 187 R2 0.7282 0.6643 0.6427 0.7098 HFC和 T2011分别表示土地整治面积占比和高标准农田建设政策实施时点虚拟变量。*、**和***分别表示在10%、5%和1%的统计水平显著相关; 括号内为稳健标准误。HFC and T2011 are percentage of area of land consolidation to total arable land and dummy variable of time related to policy implementation, respectively. *, ** and *** indicate significant correlation at 10%, 5%, and 1% levels, respectively. Robust standard errors are in parentheses.
下载: 导出CSV
-
[1] PAN Y L, DONG F. Dynamic evolution and driving factors of new energy development: fresh evidence from China[J]. Technological Forecasting and Social Change, 2022, 176: 121475 doi: 10.1016/j.techfore.2022.121475
[2] SUN J J, DONG F. Decomposition of carbon emission reduction efficiency and potential for clean energy power: evidence from 58 countries[J]. Journal of Cleaner Production, 2022, 363: 132312 doi: 10.1016/j.jclepro.2022.132312
[3] 原伟鹏, 孙慧, 王晶, 等. 中国城市减污降碳协同的时空演化及驱动力探析[J]. 经济地理, 2022, 42(10): 72−82 YUAN W P, SUN H, WANG J, et al. Spatial-temporal evolution and driving forces of urban pollution and carbon reduction in China[J]. Economic Geography, 2022, 42(10): 72−82
[4] 许明. RCEP生效的出口贸易红利及美欧征收碳关税的应对[J]. 亚太经济, 2022(4): 54−61 doi: 10.16407/j.cnki.1000-6052.2022.04.006 XU M. Export dividends from RCEP and the response to carbon tariffs imposed by the US and EU[J]. Asia-Pacific Economic Review, 2022(4): 54−61 doi: 10.16407/j.cnki.1000-6052.2022.04.006
[5] YU B L, FANG D B, KLEIT A N, et al. Exploring the driving mechanism and the evolution of the low-carbon economy transition: lessons from OECD developed countries[J]. The World Economy, 2022, 45(9): 2766−2795 doi: 10.1111/twec.13263
[6] CRIPPA M, SOLAZZO E, GUIZZARDI D, et al. Food systems are responsible for a third of global anthropogenic GHG emissions[J]. Nature Food, 2021, 2(3): 198−209 doi: 10.1038/s43016-021-00225-9
[7] YANG H, WANG X X, BIN P. Agriculture carbon-emission reduction and changing factors behind agricultural eco-efficiency growth in China[J]. Journal of Cleaner Production, 2022, 334: 130193 doi: 10.1016/j.jclepro.2021.130193
[8] 胡婉玲, 张金鑫, 王红玲. 中国农业碳排放特征及影响因素研究[J]. 统计与决策, 2020, 36(5): 56−62 doi: 10.13546/j.cnki.tjyjc.2020.05.012 HU W L, ZHANG J X, WANG H L. Characteristics and influencing factors of agricultural carbon emission in China[J]. Statistics & Decision, 2020, 36(5): 56−62 doi: 10.13546/j.cnki.tjyjc.2020.05.012
[9] 田成诗, 陈雨. 中国省际农业碳排放测算及低碳化水平评价−基于衍生指标与TOPSIS法的运用[J]. 自然资源学报, 2021, 36(2): 395−410 doi: 10.31497/zrzyxb.20210210 TIAN C S, CHEN Y. China’s provincial agricultural carbon emissions measurement and low carbonization level evaluation: based on the application of derivative indicators and TOPSIS[J]. Journal of Natural Resources, 2021, 36(2): 395−410 doi: 10.31497/zrzyxb.20210210
[10] 吴昊玥, 黄瀚蛟, 何宇, 等. 中国农业碳排放效率测度、空间溢出与影响因素[J]. 中国生态农业学报(中英文), 2021, 29(10): 1762−1773 WU H Y, HUANG H J, HE Y, et al. Measurement, spatial spillover and influencing factors of agricultural carbon emissions efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2021, 29(10): 1762−1773
[11] 尚杰, 吉雪强, 石锐, 等. 中国农业碳排放效率空间关联网络结构及驱动因素研究[J]. 中国生态农业学报(中英文), 2022, 30(4): 543−557 SHANG J, JI X Q, SHI R, et al. Structure and driving factors of spatial correlation network of agricultural carbon emission efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 543−557
[12] 吴昊玥, 何艳秋, 陈文宽, 等. 中国农业碳补偿率空间效应及影响因素研究−基于空间Durbin模型[J]. 农业技术经济, 2020(3): 110−123 doi: 10.13246/j.cnki.jae.2020.03.009 WU H Y, HE Y Q, CHEN W K, et al. Spatial effect and influencing factors of China’s agricultural carbon compensation rate based on spatial durbin model[J]. Journal of Agrotechnical Economics, 2020(3): 110−123 doi: 10.13246/j.cnki.jae.2020.03.009
[13] HE P P, ZHANG J B, LI W J. The role of agricultural green production technologies in improving low-carbon efficiency in China: necessary but not effective[J]. Journal of Environmental Management, 2021, 293: 112837 doi: 10.1016/j.jenvman.2021.112837
[14] 吉雪强, 李卓群, 张跃松. 农地流转对农业碳排放的影响及空间特性[J]. 资源科学, 2023, 45(1): 77−90 JI X Q, LI Z Q, ZHANG Y S. Influence of rural land transfer on agricultural carbon emissions and its spatial characteristics[J]. Resources Science, 2023, 45(1): 77−90
[15] WANG R R, ZHANG Y, ZOU C M. How does agricultural specialization affect carbon emissions in China?[J]. Journal of Cleaner Production, 2022, 370: 133463 doi: 10.1016/j.jclepro.2022.133463
[16] LI J K, GAO M, LUO E G, et al. Does rural energy poverty alleviation really reduce agricultural carbon emissions? The case of China[J]. Energy Economics, 2023, 119: 106576 doi: 10.1016/j.eneco.2023.106576
[17] 谢会强, 吴晓迪. 城乡融合对中国农业碳排放效率的影响及其机制[J]. 资源科学, 2023, 45(1): 48−61 XIE H Q, WU X D. Impact and its mechanism of urban-rural integration on the efficiency of agricultural carbon emissions in China[J]. Resources Science, 2023, 45(1): 48−61
[18] ZHANG L, PANG J X, CHEN X P, et al. Carbon emissions, energy consumption and economic growth: evidence from the agricultural sector of China’s main grain-producing areas[J]. Science of the Total Environment, 2019, 665: 1017−1025 doi: 10.1016/j.scitotenv.2019.02.162
[19] ZHANG Z, TIAN Y, CHEN Y H. Can agricultural credit subsidies affect county-level carbon intensity in China?[J]. Sustainable Production and Consumption, 2023, 38: 80−89 doi: 10.1016/j.spc.2023.03.028
[20] DU Y Y, LIU H B, HUANG H, et al. The carbon emission reduction effect of agricultural policy— Evidence from China[J]. Journal of Cleaner Production, 2023, 406: 137005 doi: 10.1016/j.jclepro.2023.137005
[21] 张壮, 田云, 陈池波. 政策性农业保险能引导农业碳减排吗?[J]. 湖南农业大学学报(社会科学版), 2023, 24(2): 29−38 doi: 10.13331/j.cnki.jhau(ss).2023.02.004 ZHANG Z, TIAN Y, CHEN C B. Can policy-supported agricultural insurance guide agricultural carbon emission reduction?[J]. Journal of Hunan Agricultural University (Social Sciences), 2023, 24(2): 29−38 doi: 10.13331/j.cnki.jhau(ss).2023.02.004
[22] 梁志会, 张露, 张俊飚. 土地整治与化肥减量−来自中国高标准基本农田建设政策的准自然实验证据[J]. 中国农村经济, 2021(4): 123−144 LIANG Z H, ZHANG L, ZHANG J B. Land consolidation and fertilizer reduction: quasi-natural experimental evidence from China’s well-facilitated capital farmland construction[J]. Chinese Rural Economy, 2021(4): 123−144
[23] 金书秦, 林煜, 牛坤玉. 以低碳带动农业绿色转型: 中国农业碳排放特征及其减排路径[J]. 改革, 2021(5): 29−37 JIN S Q, LIN Y, NIU K Y. Driving green transformation of agriculture with low carbon: characteristics of agricultural carbon emissions and its emission reduction path in China[J]. Reform, 2021(5): 29−37
[24] 郑庆宇, 尚旭东, 王煜. 耕地保护何以难: 目标、实践及对策−来自西部粮食主产区的观察[J]. 经济学家, 2023(4): 98−107 ZHENG Q Y, SHANG X D, WANG Y. Why is it difficult to protect arable land: objectives, problems and countermeasures —Observation from the main grain-producing areas in the West[J]. Economist, 2023(4): 98−107
[25] 姜棪峰, 龙花楼, 唐郁婷. 土地整治与乡村振兴−土地利用多功能性视角[J]. 地理科学进展, 2021, 40(3): 487−497 doi: 10.18306/dlkxjz.2021.03.012 JIANG Y F, LONG H L, TANG Y T. Land consolidation and rural vitalization: a perspective of land use multifunctionality[J]. Progress in Geography, 2021, 40(3): 487−497 doi: 10.18306/dlkxjz.2021.03.012
[26] ZHONG L N, WANG J, ZHANG X, et al. Effects of agricultural land consolidation on ecosystem services: trade-offs and synergies[J]. Journal of Cleaner Production, 2020, 264: 121412 doi: 10.1016/j.jclepro.2020.121412
[27] 刘春芳, 刘立程, 何瑞东. 黄土丘陵区高标准农田建设的生态系统服务响应研究[J]. 中国人口·资源与环境, 2018, 28(12): 124−130 LIU C F, LIU L C, HE R D. Ecosystem services response of well-facilitated farmland construction project in Loess Hilly Region[J]. China Population, Resources and Environment, 2018, 28(12): 124−130
[28] ZHONG L N, WANG J, ZHANG X, et al. Effects of agricultural land consolidation on soil conservation service in the Hilly Region of Southeast China — Implications for land management[J]. Land Use Policy, 2020, 95: 104637 doi: 10.1016/j.landusepol.2020.104637
[29] 张天恩, 李子杰, 费坤, 等. 高标准农田建设对耕地质量的影响及灌排指标的贡献[J]. 农业资源与环境学报, 2022, 39(5): 978−989 doi: 10.13254/j.jare.2021.0332 ZHANG T E, LI Z J, FEI K, et al. Effects of high-standard farmland construction on farmland quality and contribution of irrigation and drainage index[J]. Journal of Agricultural Resources and Environment, 2022, 39(5): 978−989 doi: 10.13254/j.jare.2021.0332
[30] 陈江华, 洪炜杰. 高标准农田建设促进了农地流转吗?[J]. 中南财经政法大学学报, 2022(4): 108−117 CHEN J H, HONG W J. Does the construction of high standard farmland promote the transfer of farmland?[J]. Journal of Zhongnan University of Economics and Law, 2022(4): 108−117
[31] 祝伟, 王瑞梅. 经营规模、土地转入与化肥减量增效−基于全国4745个农户的调查数据[J]. 四川农业大学学报, 2023, 41(2): 372−379 doi: 10.16036/j.issn.1000-2650.202211195 ZHU W, WANG R M. Farm size, land transfer and fertilizer reduction and efficiency: based on a survey data of 4745 rural households in China[J]. Journal of Sichuan Agricultural University, 2023, 41(2): 372−379 doi: 10.16036/j.issn.1000-2650.202211195
[32] 孙学涛. 高标准农田建设对农业社会化服务的影响[J]. 中南财经政法大学学报, 2023(3): 150−160 doi: 10.19639/j.cnki.issn1003-5230.2023.0028 SUN X T. Impact of the construction of high standard farmland on agricultural socialization services[J]. Journal of Zhongnan University of Economics and Law, 2023(3): 150−160 doi: 10.19639/j.cnki.issn1003-5230.2023.0028
[33] 张志新, 周亚楠, 丁鑫. 高标准农田建设政策对农业绿色发展的影响研究[J]. 农林经济管理学报, 2023, 22(1): 113−122 doi: 10.16195/j.cnki.cn36-1328/f.2023.01.13 ZHANG Z X, ZHOU Y N, DING X. Impact of well-facilitated capital farmland construction programs on green agricultural development[J]. Journal of Agro-Forestry Economics and Management, 2023, 22(1): 113−122 doi: 10.16195/j.cnki.cn36-1328/f.2023.01.13
[34] 颜光耀, 陈卫洪, 钱海慧. 农业技术效率对农业碳排放的影响−基于空间溢出效应与门槛效应分析[J]. 中国生态农业学报(中英文), 2023, 31(2): 226−240 YAN G Y, CHEN W H, QIAN H H. Effects of agricultural technical efficiency on agricultural carbon emission: based on spatial spillover effect and threshold effect analysis[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 226−240
[35] 钱龙, 刘聪, 郑淋议, 等. 高标准农田建设如何影响农地流转[J]. 中国土地科学, 2023, 37(2): 62−70 QIAN L, LIU C, ZHENG L Y, et al. How does high-standard farmland construction affect farmland transfer[J]. China Land Science, 2023, 37(2): 62−70
[36] 陈宇斌, 王森. 农业综合开发投资的农业碳减排效果评估−基于高标准基本农田建设政策的事件分析[J]. 农业技术经济, 2023(06): 67−80 doi: 10.13246/j.cnki.jae.20220301.001 CHEN Y B, WANG S. Evaluation of agricultural carbon emission reduction effect of agricultural comprehensive development investment: event analysis based on high-standard farmland construction[J]. Journal of Agrotechnical Economics, 2023(06): 67−80 doi: 10.13246/j.cnki.jae.20220301.001
-
期刊类型引用(12)
1. 王丽惠. 论公共品供给模式的高标准农田建设. 理论月刊. 2025(03): 148-158 . 
百度学术
2. 刘辉，杨玲. 高标准农田建设政策的农民增收效应. 粮油食品科技. 2025(02): 220-228 . 百度学术
3. 田佳琳. 农业现代化水平对农业碳排放强度的影响研究. 江西农业学报. 2024(01): 177-184 . 百度学术
4. 李傲波，徐辉，戴浩. 土地确权对农业碳减排的影响机制研究——基于农业机械化水平的中介效应. 中国农机化学报. 2024(03): 252-259+268 . 百度学术
5. 周广胜，何奇瑾，宋兴阳，吕晓敏，周莉. 气候行动最前线的高标准农田生产气象保障. 气象. 2024(03): 265-274 . 百度学术
6. 周昕彦，郑华宝. “双碳”背景下我国农业碳减排潜力研究进展. 生物学杂志. 2024(02): 1-7 . 百度学术
7. 贺林波，李益舟. 土地整治与农业碳排放减量——基于湖南高标准农田建设政策. 农业与技术. 2024(10): 76-82 . 百度学术
8. 彭长生，黄兴宇，钟钰. 土地整治对粮食生产韧性的影响研究——基于高标准农田建设政策的准自然实验. 安徽农业大学学报(社会科学版). 2024(03): 94-105 . 百度学术
9. 张正文，吴雪莲，韦鸿. 我国农机服务对农业碳减排的影响. 河北农业科学. 2024(03): 6-10 . 百度学术
10. 朱冬梅，张爽爽，杨楚风，张颖. 绿色债券发行对企业高质量发展的影响研究. 东南大学学报(哲学社会科学版). 2024(04): 62-76+151 . 百度学术
11. 孙鹏，王建明，冀雪霜. “生态诅咒”还是“生态福祉”:论农业生态承载力的碳排放效应. 南京农业大学学报(社会科学版). 2024(05): 172-186 . 百度学术
12. 仝昊天，夏恩君，孙聪，黄洁萍. 设施农业发展对农业碳排放效率的影响. 中国环境科学. 2024(12): 7079-7094 . 百度学术
其他类型引用(4)
-
其他相关附件
-
DOCX格式
附表1 区域土地流转水平和农业功能区分区 点击下载(15KB) -
DOCX格式
附表2 2007—2017年各地区农业碳排放情况 点击下载(15KB)
-
计量
- 文章访问数: 554
- HTML全文浏览量: 167
- PDF下载量: 114
- 被引次数: 16
