新型农业经营主体发展对农业碳排放强度的影响研究
(贵州财经大学 经济学院, 贵阳 550025)
摘要: 文章基于2010—2022年中国30个省份 (不含西藏和港澳台) 的面板数据, 运用空间固定效应模型、中介效应模型及空间计量模型等方法检验发展新型农业经营主体对农业碳排放强度的影响效应。结果显示: 新型农业经营主体显著降低了农业碳排放强度, 而不同的新型农业经营主体模式对农业碳排放强度的影响途径存在一定差异, 具体体现为农业龙头企业与农民专业合作社通过规模效应、技术进步效应、产业结构优化效应等途径显著降低了农业碳排放强度, 而家庭农场对农业碳排放强度的影响主要体现在技术进步效应方面。进一步分析发现, 某一地区的农业碳排放强度对邻近区域的农业碳排放强度具有正向影响, 不同类型新型农业经营主体对农业碳排放强度的影响在粮食主产区与非粮食主产区具有不同的影响效果。鉴于此本文从培育新型农业经营主体环境效应的视角为降低农业碳排放强度提出相应政策建议。
关键词: 新型农业经营主体, 农业碳排放强度, 影响机制, 空间计量模型
DOI: 10.48014/csdr.20240417002
引用格式: 张舒甜. 新型农业经营主体发展对农业碳排放强度的影响研究[J]. 中国可持续发展评论, 2024, 3(3): 62-73.
文章类型: 研究性论文
收稿日期: 2024-04-17
接收日期: 2024-05-15
出版日期: 2024-09-28
1 引言与文献综述
2020年7月《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》明确提出了单位GDP能耗下降13.5%的约束性指标，随后党的二十大报告进一步强调要逐步转向碳排放总量和强度“双控”制度。而农业碳排放作为碳排放主要来源之一，农业领域碳排放强度控制是破解资源环境容量约束不可或缺的一环。因此，亟须采取更加强有力的措施，在确保农业经济增长的同时降低农业碳排放，降低农业碳排放强度是契合中国实际发展需求的有效方案。
学界有关农村经济发展与碳排放之间关系的研究较为丰富，部分学者指出不同农业经济发展阶段，农业碳排放水平存在明显差异[1]，农业经济发展与碳排放之间存在倒“U”型关系[2]，从空间相关性的角度来看，省域农业碳排放效率与经济增长的耦合程度呈“弱者恒弱”的空间集聚特征[3]，其中农业碳排放总量、农业碳排放效率、农业碳排放强度等是用以衡量农业碳排放水平的重要指标[1-2]。有关农业碳排放的影响因素的探索主要从农业技术进步、乡村产业结构调整、环境规制、农业的规模经营等方面展开。数字经济发展、数字普惠金融、农业机械化作业等农村生产技术革新与升级[5-7]，农村产业融合、产业集聚等乡村产业结构优化与调整[8,9]，低碳试点政策、政策性农业保险、绿色金融试点政策等环境规制的日益强化[10,11]，土地流转、高标准农田建设、农业专业化集聚等农业的规模化经营[12,13]，所产生的技术效应、结构效应、规模效应在促进农村经济发展的同时，对农业碳减排具有显著的积极影响。经过十多年的发展，以农业龙头企业、家庭农场、农民专业合作社为主体的新型农业经营主体为推动农业农村现代化转型、农业适度规模经营奠定了基础[14]，在推动农业绿色生产方面的作用日益凸显 [15]。少数学者基于微观层面的经验证据从其自身的绿色生产行为与绿色生产效率的提升、推动农业绿色转型及带动小农户绿色生产行为等方面探索了其环境效应[16-17]，而新型经营主体发展对农业碳排放的影响效应及基于宏观层面的实证研究尚不充分。
综上，本文的创新之处主要包含以下三个方面。其一，尽管已有研究关注到了新型农业经营主体发展环境效应，但主要聚焦于对农业绿色生产的影响效应的研究，鲜有关于新型农业经营主体与农业碳排放强度关系的研究，本文通过探索新型农业经营主体对农业碳排放强度的影响机制，继而分析其农业碳减排效应。其二，不同农业功能定位可能会影响新型农业经营主体发展对农业碳排放强度的影响，本文基于粮食主产区与非粮食主产区的差异进一步对其影响效果进行异质性分析。其三，现有关于新型农业经营主体环境效应的研究主要是基于局部微观层面的经验证据展开，鲜有文献从宏观层面考察新型农业经营主体对农业碳排放的影响效果。鉴于此，文章基于中国30个省份(不含西藏和港澳台)的数据，采用空间固定效应模型、中介效应模型与空间计量模型实证检验新型农业经营主体对农业碳排放强度的作用机制及影响效果。
2 理论分析与研究假设
2.1 新型农业经营主体对农业碳排放强度的影响机制分析
为实现中国农业的第二次飞跃，国家先后出台了《关于实施家庭农场培育计划的指导意见》《新型农业经营主体和服务主体高质量发展规划(2020—2022)》等文件，力图以培育新型农业组织提升农业生产效率[18]。新型农业经营主体具有经营能力强、生产效率高的优势，有助于提升资源利用效率、降低农业系统碳依赖。从新型农业经营主体的发展现状来看，农民专业合作社对土地流转与规模化经营的作用不容忽视，家庭农场对农业生产机械化、专业化、现代化的促进作用在不断增强，农业龙头企业在农业生产的提效增收与产业结构优化方面的作用也日益凸显。虽然农业机械化生产在短期内可能存在增碳效应，但通过促进农业生产规模化所产生的碳减排效应能够抵消机械作业能源消耗所产生的增碳效应[7]，并以其强大的生产能力与效率降低农业生产的碳排放强度。
一方面新型农业经营主体的发展有助于促进农业生产规模化经营，提升农业资源利用效率，从源头降低农业碳排放强度。家庭承包责任制决定了现阶段我国小农户家庭农业生产普遍存在[19]，通过培育新型农业经营主体能够将小农户组织起来，进行规模化、集约化农业生产，促进农业生产的专业化水平，提升农资利用效率，同时通过带动小农户规范化生产，抑制小农户过度使用化肥农药以提升短期产量的行为，从总量上控制农业碳排放。与此同时，新型农业经营主体的发展通过规模化的经营管理模式有助于保障国家粮食安全，提升农产品供给质量[20]，进而提升农业碳生产效率。
另一方面，新型农业经营主体通过采用先进农业技术，能够引领化肥、农药、农膜、农业灌溉等农业碳源减量增效。波特假说理论表明，环境规制通过倒逼企业绿色技术创新能够提升企业竞争优势，且技术进步具有不可逆性[21]，在“新发展”理念下成长起来的新型农业经营主体在其生产经营过程中所产生的技术效应具有绿色发展的底色，具有显著的环境效应[22]。同时，新型农业经营主体对节水灌溉技术、绿色生产技术、农业数字技术等现代化农业生产技术的推广与应用方面具有重要的示范效应[23]，能够带动小农户参与到节水农业、绿色生产、智能化农业生产的行列[24]，促进农业向环保型、精准化方向转变，减少农业生产要素错配造成的损耗，进而降低农业碳排放强度。
此外，新型农业经营主体有助于优化乡村产业结构，进而发挥农业碳减排效应。新型农业经营主体的产生必然伴随着以产业结构升级及基础设施改善为主要内容的结构调整[25]。而农村二、三产业的发展对农村劳动力转移具有显著影响[26]，劳动力向二三产业转移，能够进一步提升农业分工的专业化、精细化、集约化程度，促进农业用水、施肥施药、能源消耗等节本增收，对农业碳排放产生抑制作用[27]。
基于上述分析，本文提出如下研究假设:
H1:新型农业经营主体发展有助于降低农业碳排放强度。
H2:新型农业经营主体通过规模经营效应降低农业碳排放强度。
H3:新型农业经营主体通过促进技术进步降低农业碳排放强度。
H4:新型农业经营主体通过优化产业结构降低农业碳排放强度。
2.2 新型农业经营主体对农业碳排放强度影响的空间溢出效应
新型农业经营主体不仅会影响省际内部的农业碳排放强度，还能够影响邻近区域的农业碳排放强度。由于邻近区域的气候条件、地形条件、灌溉条件等影响农业生产的自然条件具有较强的空间共性，因此农业生产的投入要素、农业产业发展、农作物种植结构等方面的调整可能会受到周围区域的影响。除农业生产条件相似性形成的空间溢出效应外，在区域竞争与示范效应的作用下，新型农业经营主体催生的农业碳减排技术与规范化的农业生产行为在降低区域内农药、化肥等碳源消耗的同时，可以通过区域间互动与环境约束而产生空间溢出效应[28]，辐射带动邻近地区农业绿色化生产，继而对周边省份的农业碳排放强度产生积极影响。
H5:新型农业经营主体发展对农业碳排放强度的影响存在空间溢出效应。
3 模型设定、变量选取与数据来源
3.1 模型设定
(1)基准回归模型设定
为探究新型农业经营主体发展对农业碳排放强度的影响效应，本文首先构建基准面板回归模型:
(1)
式中，i表示地区，t表示年份，
表示农业碳排放强度，
表示新型农业经营主体发展水平，
表示一系列的控制变量，
表示空间固定效应，
为常数项，
、
为待估参数，
表示随机误差项。
为进一步分析新型农业经营主体发展对农业碳排放强度的影响机制，本文采用中介效应模型进一步考察规模效应、技术效应及结构效应的中介作用。由于学界已有大量实证研究证明了规模效应、产业结构优化及技术进步对农业碳排放强度所产生的影响。因此，本文借鉴已有研究的做法[3]，取消中介效应模型中第三步对间接效应的估计，保留核心解释变量对中介变量影响效应的检验，以克服过度使用中介效应逐步检验方法的问题。具体中介模型设定如下:
(2)
式中，
表示中介变量，主要包括规模效应、技术进步效应及结构优化效应;
为常数项，
、
为待估参数，表示空间固定效应，
为随机扰动项。若、同时显著，则表明农业经营主体发展与农业碳排放强度之间存在中介效应。
(2)空间计量模型
为检验农业碳排放强度是否受邻近省份碳排强度的影响，本文在基准回归模型的基础上加入空间权重邻接矩阵，构造如下空间计量模型:
(3)
式中，w表示地理邻接权重矩阵，
、
分别表示空间滞后系数、空间误差系数，
、
表示随机误差项，
表示空间固定效应;
、
分别表示核心解释变量与控制变量的待估参数向量，
、
分别表示相邻省份核心解释变量与控制变量对本省被解释变量的影响;当
、
、
、
时，适用空间滞后模型，当
、
、、时，适用空间误差模型，当、、
、
时，适用空间杜宾模型，最终具体采用何种空间计量模型，由一系列的空间计量检验结果所决定;剩余符号含义同式(1)。
3.2 变量选取
被解释变量:农业碳排放强度。本文在参考杨雪等[4]、徐清华等[7]的做法，采用单位农业GDP碳排放量表示农业碳排放强度。其中综合考虑不同类型农业碳排放的情况，在借鉴已有研究的基础上[6]，基于农业物资、农业资源、农用能源三类来源测算农业碳排放总量。具体公式如下:
式中，
表示农业碳排放总量;
表示各类碳源的碳排放总量;
表示各类碳源，包括农药、化肥、农膜、农用柴油等农业物资与农用能源的碳排放量以及考虑农作物种植与灌溉的农业资源投入所产生的农业碳排放;
表示碳排放系数，参考徐清华等[7]的研究，化肥、农药、农膜、农用柴油、灌溉面积及农作物播种面积的碳排放系数分别为0.89kg/kg、4.93kg/kg、5.18kg/kg、0.59kg/kg、25kg/hm2、312.60kg/km2。
核心解释变量:新型农业经营主体发展状况。本文分别从农业龙头企业、农民专业合作社及家庭农场三个方面进行考察，采用农业龙头企业发展程度、农民专业合作社发展程度与家庭农场发展程度三个指标表示新型农业经营主体发展状况。
中介变量:土地大规模流转集中进行生产是生产规模化的基础，而生产规模化是农业规模化重要组成部分，故采用土地流转规模表示规模效应。在结构效应层面，以农业为基础的农产品加工化程度与农业劳动生产率密切相关，因此采用农产品加工业营业收入与农林牧渔总产值的比值衡量结构效应。在技术效应层面，本文在借鉴已有研究的基础上[3]，采用农业机械化水平作为技术效应的代理变量。
控制变量:本文选取农业发展基础、农村数字经济基础、农业种植结构及财政支农强度指标作为控制变量。
3.3 数据来源
农业碳排放强度数据、农业机械化水平数据来源于《中国农村统计年鉴》(2010—2023年)。农民专业合作社、家庭农场及土地流转相关数据来自《中国农村经营管理统计年报》(2010—2022年)，同时结合数据可得性，家庭农场的相关数据为2013—2022年的省际数据。国家农业龙头企业数据依据第四至第九次监测合格农业产业化国家重点龙头企业名单进行统计计数。农产品加工业营业收入为加总农产品加工业12个子行业的营业收入的加总数，农产品加工业12个子行业的营业收入数据源于《中国工业统计年鉴》(2011—2022年)。描述性统计见表1。
表1 描述性统计
Table 1 Descriptive statistics
|
变量类型 |
变量名 |
变量定义 |
样本量 |
均值 |
标准差 |
最小值 |
最大值 |
|
被解释变量 |
农业碳排放强度(gcq) |
农业碳排放总量/农林牧渔生产总值(kg/万元) |
390 |
213.300 |
64.520 |
51.750 |
473.000 |
|
解释变量 |
农民专业合作社发展程度(ng1) |
农村居民每十万人农民专业合作社数量(个) |
390 |
270.60 |
188.10 |
19.250 |
943.000 |
|
|
家庭农场发展程度(ng2) |
农村居民每十万人拥有的家庭农场数量(个) |
300 |
301.90 |
582.40 |
0.273 |
4500.00 |
|
|
农业龙头企业发展程度(ng3) |
农村居民每十万人拥有国家重点农业龙头企业数量(个) |
390 |
0.279 |
0.233 |
0.057 |
1.331 |
|
中介变量 |
规模经营(med1) |
土地承包经营权转让面积/家庭承包经营耕地面积 |
390 |
0.290 |
0.182 |
0.000 |
0.911 |
|
|
技术水平(med2) |
农业机械总动力/农作物播种面积(万千瓦/千公顷) |
390 |
0.638 |
0.230 |
0.259 |
1.386 |
|
|
产业结构(med3) |
农产品加工业营业收入/农林牧渔总产值 |
390 |
2.041 |
2.835 |
0.007 |
22.600 |
|
控制变量 |
财政支农程度(c1) |
农林水事务指出/地方公共财政支出 |
390 |
0.114 |
0.034 |
0.040 |
0.296 |
|
|
农业种植结构(c2) |
粮食播种面积/农作物播种面积 |
390 |
0.650 |
0.141 |
0.355 |
0.971 |
|
|
乡村数字建设水平(c3) |
农村互联网宽带接入用户/互联网宽带接入用户 |
390 |
0.229 |
0.102 |
0.002 |
0.443 |
|
|
农业发展基础(c4) |
农林牧渔生产总值/地区生产总值 |
390 |
0.169 |
0.088 |
0.006 |
0.470 |
注:价值变量的指标以2010年为基期，采用农村居民消费价格指数进行折算，以消除价格波动因素的影响。
4 实证结果分析
4.1 基准回归结果
本文基于空间固定效应模型考察了新型农业经营主体对农业碳排放强度的直接影响，回归估计结果见表2。结果显示，无论是否控制各区域的农业发展条件，农民专业合作社、家庭农场及农业龙头企业对农业碳排放强度的影响均显著为负，表明培育新型农业经营主体能够有效降低农业碳排放强度。即证假设1。
4.2 空间计量模型回归结果分析
为探究各省份与邻近省份农业碳排放强度的关联程度，本文借鉴姜芮等(2023)在采用空间计量模型方法时的做法[29]，通过构造邻接空间权重矩阵，运用全局莫兰指数进行空间自相关检验。表3检验结果表明，2010—2022年省际农业碳排放强度的全局莫兰指数的p值均在0.05以下且Z值均为正值，表明农业碳排放强度存在显著的空间正相关特征。因此，新型农业经营主体与农业碳排放强度之间关系的检验有必要采用空间计量进一步分析。
表2 基准回归结果
Table 2 Baseline regression results
|
变量 |
模型(1) |
模型(2) |
模型(3) |
模型(4) |
模型(5) |
模型(6) |
|
农民专业合作社发展程度 |
-0.172*** (0.011) |
-0.165*** (0.012) |
|
|
|
|
|
家庭农场发展程度 |
|
|
-0.0290*** (0.003) |
-0.0287*** (0.003) |
|
|
|
农业龙头企业发展程度 |
|
|
|
|
-328.2*** (27.130) |
-277.4*** (25.860) |
|
控制变量 |
否 |
是 |
否 |
是 |
否 |
是 |
|
样本量 |
390 |
390 |
300 |
300 |
390 |
390 |
|
R-squared |
0.769 |
0.807 |
0.801 |
0.865 |
0.726 |
0.777 |
注:括号中代表稳健标准误，***、**、*分别代表估计结果在1%、5%、10%的水平上显著。
表3 2010—2022年省际农业碳排放强度的全局Moran’s I
Table 3 Global Moran’s I of provincial agricultural carbon emission intensity from 2010 to 2022
|
年份 |
Moran’I |
Z值 |
P值 |
年份 |
Moran’I |
Z |
P值 |
|
2010 |
0.181 |
2.036 |
0.042 |
2017 |
0.426 |
4.667 |
0.000 |
|
2011 |
0.214 |
2.338 |
0.019 |
2018 |
0.457 |
4.938 |
0.000 |
|
2012 |
0.254 |
2.713 |
0.007 |
2019 |
0.469 |
5.050 |
0.000 |
|
2013 |
0.266 |
2.826 |
0.005 |
2020 |
0.443 |
4.656 |
0.000 |
|
2014 |
0.307 |
3.225 |
0.001 |
2021 |
0.469 |
4.980 |
0.000 |
|
2015 |
0.333 |
3.500 |
0.000 |
2022 |
0.424 |
4.443 |
0.000 |
|
2016 |
0.365 |
3.800 |
0.000 |
|
|
|
|
本文采用莫兰散点图进一步分析省际农业碳排放强度与邻近省份农业碳排放强度的空间相关度，图1是 2010年、2015年、2000年及2021年省际农业碳排放强度的局部莫兰散点图。由图1可以看出，分布在第一、三象限的样本明显多于分布在第二、四象限的样本，且多数样本点距离原点较近，表明农业碳排放强度的空间集聚特征较为明显，这一结论与全局莫兰指数检验结论保持一致。
在借鉴已有研究的基础上[31]，本文采用拉格朗日检验(LM)、豪斯曼检验(Hausman)及LR检验来确定空间计量模型、固定效应与随机效应的选择。表4中的LM检验结果表明，三个解释变量的稳健性LM-error值均显著，而稳健性LM-log值不显著，说明本文应采用空间误差模型。Hausman检验结果均显示Prob>chi2=0.000，表明固定效应模型更加适合本文的回归分析。综上检验结果，本文选择基于固定效应的空间误差模型。此外，根据前文分析，新型经营主体对农业碳排放强度可能受空间效应的影响更加明显，故本文选择空间固定效应模型。
从表5可以看出，在考虑空间权重的基础上，农民专业合作社发展程度、家庭农场发展程度及农业龙头企业对农业碳排放强度影响的估计系数均显著为负。说明新型农业经营主体发展有助于促进农业碳减排，再次验证假设1成立。同时，rho在1%的显著性水平上为正，表明省际农业碳排放强度存在空间溢出效应，再次验证分析农业碳排放强度是加入空间权重的必要性。即证假设H5。
图1 2010年、2015年、2020年及2022年农业碳排放强度的局部Moran’s I散点图
Fig.1 Local Moran’s I scatter plot of agricultural carbon emission intensity in 2010，2015，2020 and 2022
表4 LM检验结果
Table 4 LM test results
|
Test |
农民专业合作社发展程度(ng1) |
家庭农场发展程度(ng2) |
农业龙头企业发展程度(ng3) |
||||||
|
Statistic |
df |
p-value |
Statistic |
df |
p-value |
Statistic |
df |
p-value |
|
|
Spatial error |
|||||||||
|
Lagrange multiplier |
160.365 |
1.000 |
0.000 |
97.921 |
1.000 |
0.000 |
256.571 |
1.000 |
0.000 |
|
Robust Lagrange multiplier |
149.593 |
1.000 |
0.000 |
90.434 |
1.000 |
0.000 |
242.989 |
1.000 |
0.000 |
|
Spatial lag |
|||||||||
|
Lagrange-multiplier |
10.829 |
1.000 |
0.001 |
7.554 |
1.000 |
0.006 |
13.662 |
1.000 |
0.000 |
|
Robust Lagrange multiplier |
0.057 |
1.000 |
0.811 |
0.067 |
1.000 |
0.796 |
0.079 |
1.000 |
0.778 |
表5 空间误差模型的估计结果(SEM)
Table 5 Estimation results of Spatial Error Model(SEM)
|
变量 |
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
|
农民专业合作社发展程度 |
-0.0541*** (0.0094) |
-0.0470*** (0.0100) |
|
|
|
|
|
家庭农场发展程度 |
|
|
-0.00791*** (0.0023) |
-0.00816*** (0.0024) |
|
|
|
农业龙头企业发展程度 |
|
|
|
|
-95.77*** (19.1600) |
-78.21*** (18.2800) |
|
rho |
0.787*** (0.0391) |
0.769*** (0.0396) |
0.833*** (0.0414) |
0.729*** (0.0455) |
0.833*** (0.0349) |
0.805*** (0.0355) |
|
sigma2_e |
454.0*** (33.0200) |
390.2*** (28.3600) |
337.6*** (28.0200) |
277.9*** (22.9900) |
457.4*** (33.2600) |
389.7*** (28.3000) |
|
控制变量 |
否 |
是 |
否 |
是 |
否 |
是 |
|
Observations |
390 |
390 |
300 |
300 |
390 |
390 |
|
R-squared |
0.0620 |
0.2520 |
0.0590 |
0.1770 |
0.0370 |
0.1070 |
注:括号中代表稳健标准误，***、**、*分别代表估计结果在1%、5%、10%的水平上显著。
4.3 稳健性检验
为验证基准回归结果的稳健性，本文采用缩尾处理、解释变量滞后一期及排除环境规制干扰三种方式进行稳健性检验。表6列(1)至列(3)表明，对样本进行双侧缩尾1%处理，排除极端值可能产生的不稳定性因素后，回归估计系仍然显著为负，即证假设1的结论稳健。表6列(4)至列(6)表明，考虑解释变量影响的时滞性之后，新型农业经营主体发展能够减低农业碳排放强度的结论仍然稳健。表6列(7)至列(9)表明，在排除以国家生态文明试验区建设情况表征的环境规制的影响之后，前文结论依旧稳健。
4.4 进一步分析
为进一步探究新型农业经营主体对农业碳排放强度的影响路径，本文进一步采用中介效应模型从规模效应、技术进步效应、结构优化效应方面探讨其影响机制。机制检验结果如表7所示，列(1)~(3)表明，三类新型农业经营主体发展均能够显著降低农业碳排放强度，均有明显环境效应。列(4)、列(6)、列(7)、列(9)、列(10)及列(12)表明，农民专业合作社与农业龙头企业的发展对规模效应、技术进步效应及结构优化效应均有显著的正向作用，说明这两类经营主体能够通过规模化经营、促进农业技术进步及优化农业产业结构的途径显著降低农业碳排放强度。列(8)表明家庭农场有助于推动农业技术进步，且家庭农场有助于降低农业碳排放强度，说明家庭农场的经营模式通过促进农业技术进步能够降低农业碳排放强度，继而发挥其环境效应，而列(5)家庭农场对规模经营存在显著的负向影响，这可能是因为以家庭为单位的新型农业经营主体尚处于初步发展阶段，经营模式较为分散，使得农民之间土地合作经营程度降低。同时，列(11)表明家庭农场对优化农村产业结构不存在显著影响。由此可见，整体上验证了假设H2、H3、H4成立，但不同新型农业经营主体降低农业碳排放强度的途径不尽相同。
新型农业经营主体基于不同的资源禀赋条件对农业生产要素进行优化配置，不同农业功能定位可能会影响其环境效应。因此，本文进一步依据粮食主产区这一功能定位将样本划分为粮食主产区与非粮食主产区两类，并采用分组回归的方法进行异质性分析。表8的估计结果表明农业龙头企业发展对农业碳排放强度降低效果在粮食主产区表现得更为明显，而家庭农场及农民专业合作社发展降低农业碳排放强度的效果在非粮食主产区表现得更为明显。这可能是因为，在粮食主产区内土地相对集中，便于农业龙头企业开展粮食生产托管服务，提升粮食生产、加工、存储、运输等环节的专业化水平，增加粮食主产区的农产品附加值，进而更为有效地降低单位农业产值碳消耗，而在非粮食主产区，受粮食种植规模限制，农业龙头企业所产生的环境效应相对较弱。此外，在非粮食主产区内受地形、土地连片规模等限制，农业机械化程度较低，而农民专业合作社与家庭农场的发展有助于推进非粮食主产区中低产田改造、提升农业机械化水平，进而更加明显降低其农业碳排放强度。
表6 稳健性检验估计结果
Table 6 Robustness test estimation results
|
变量 |
缩尾处理 |
解释变量滞后一期 |
排除环境规制干扰 |
||||||
|
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
(7) |
(8) |
(9) |
|
|
农民专业合作社发展程度 |
-0.172*** (0.011) |
|
|
|
|
|
-0.00001*** (0.000) |
|
|
|
家庭农场发展程度 |
|
-0.031*** (0.003) |
|
|
|
|
|
-0.000002*** (0.000) |
|
|
农业龙头企业发展程度 |
|
|
-275.300*** (24.850) |
|
|
|
|
|
-0.016*** (0.003) |
|
国家生态文明试验区建设 |
|
|
|
|
|
|
-0.002*** (0.000) |
-0.001*** (0.000) |
-0.003*** (0.000) |
|
农民专业合作社发展程度滞后一期 |
|
|
|
-0.00001*** (0.000) |
|
|
|
|
|
|
家庭农场发展程度滞后一期 |
|
|
|
|
-0.000003*** (0.000) |
|
|
|
|
|
农业龙头企业发展程度滞后一期 |
|
|
|
|
|
-0.020*** (0.003) |
|
|
|
|
控制变量 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
|
样本量 |
390 |
300 |
390 |
360 |
270 |
360 |
390 |
300 |
390 |
|
R-squared |
0.823 |
0.877 |
0.782 |
0.827 |
0.869 |
0.805 |
0.816 |
0.871 |
0.804 |
注:括号中代表稳健标准误，***、**、*分别代表估计结果在1%、5%、10%的水平上显著。
表7 机制检验结果
Table 7 Mechanism test results
|
变量 |
总效应 |
规模效应 |
技术效应 |
结构效应 |
||||||||
|
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
(7) |
(8) |
(9) |
(10) |
(11) |
(12) |
|
|
农民专业合作社发展程度 |
-0.165*** (0.012) |
|
|
0.0002*** (0.000) |
|
|
0.0001** (0.000) |
|
|
0.00109** (0.001) |
|
|
|
家庭农场发展程度 |
|
-0.0287*** (0.003) |
|
|
-0.00004*** (0.000) |
|
|
0.00002** (0.000) |
|
|
0.00004 (0.000) |
|
|
农业龙头企业发展程度 |
|
|
-277.4*** (25.860) |
|
|
0.364*** (0.092) |
|
|
0.145** (0.072) |
|
|
3.964*** (1.069) |
|
控制变量 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
是 |
|
样本量 |
390 |
300 |
390 |
390 |
300 |
390 |
390 |
300 |
390 |
390 |
300 |
390 |
|
R-squared |
0.807 |
0.865 |
0.777 |
0.655 |
0.651 |
0.648 |
0.865 |
0.882 |
0.865 |
0.798 |
0.877 |
0.803 |
注:括号中代表稳健标准误，***、**、*分别代表估计结果在1%、5%、10%的水平上显著。
表8 异质性分析估计结果
Table 8 Heterogeneity analysis estimation results
|
变量 |
粮食主产区 |
非粮食主产区 |
||||
|
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
|
|
农业龙头企业发展程度 |
-344.6*** (49.7400) |
|
|
-208.4*** (31.3800) |
|
|
|
农民专业合作社发展程度 |
|
-0.112*** (0.0176) |
|
|
-0.235*** (0.0198) |
|
|
家庭农场发展程度 |
|
|
-0.0211*** (0.0038) |
|
|
-0.0757*** (0.0076) |
|
控制变量 |
是 |
是 |
是 |
是 |
是 |
是 |
|
Observations |
169 |
169 |
130 |
221 |
221 |
170.0000 |
|
R-squared |
0.8120 |
0.8040 |
0.8610 |
0.7530 |
0.8230 |
0.8900 |
注:括号中代表稳健标准误，***、**、*分别代表估计结果在1%、5%、10%的水平上显著。
5 研究结论与局限
5.1 研究结论与建议
本文以2010—2022年中国30个省份(不含西藏和港澳台)的面板数据作为研究样本，运用个体固定效应模型、中介效应模型及空间计量模型等方法实证检验了新型农业经营主体发展对农业碳排放强度的影响效应。主要获得如下研究结论:第一，新型农业经营主体显著降低了农业碳排放强度;第二，不同的新型农业经营主体模式对农业碳排放强度的影响途径存在一定差异，具体表现为农业龙头企业与农民专业合作社通过规模化经营、技术推广、产业结构优化等途径降低了农业碳排放强度，而家庭农场发展对农业碳排放强度的影响主要体现在技术进步效应方面;第三，某一省份的农业碳排放强度能够对周边省份的农业碳排放强度产生正向影响;第四，农业龙头企业发展对农业碳排放强度降低效果在粮食主产区表现得更为明显，而家庭农场及农民专业合作社发展降低农业碳排放强度的效果在非粮食主产区表现得更为明显。
鉴于研究结论，本文提出如下政策建议。第一，要积极出台鼓励新型农业经营主体发展的补贴政策培育壮大新型农业经营主体，切实解决新型农业经营主体发展过程中的资金、技术、劳动力等方面的问题，发挥乡村精英的“领头雁”作用，营造良好的农村创业氛围。第二，以新型农业经营主体为载体，鼓励农业生产智能化转型，降低农业资源错配造成的损耗，促使化肥、农药等农业碳源减量增效，同时应积极开发更加节能的农机产品，降低农业机械化生产的化石能源消耗。同时鼓励土地规模化经营与乡村产业结构优化升级，以新型农业经营主体为依托，发展循环农业，提升资源利用效率。第三，在政策上引导区域间新型农业经营主体的跨区域合作，充分利用数字经济的强大优势，以家庭农场为基础盘活农户绿色生产活力，以合作社、农业龙头企业的发展为契机，促使小农户对接大市场，继而提升农业碳生产效率，降低农业碳排放强度。第四，鼓励农业龙头企业参与粮食种植、加工与销售全过程，提升粮食总产值，提升农业碳生产率，以家庭农场与农民专业合作社为载体，推进非粮食主产区的低产田改造，提升农业机械化水平。
5.2 研究局限
一是对新型农业经营主体环境效应影响途径的判定具有一定的主观性。本文主要从规模化、技术进步、结构优化三个方面检验了新型农业经营主体影响农业碳排放强度的影响途径，然而培育新型农业经营主体对于农业绿色发展的影响是多方面的，如农户对农业可持续发展的认识程度等，故本文在影响机制的分析方面存在一定的局限性。
二是受数据可得性的限制，未能针对各地区的农业发展特征深入研究新型农业经营主体的碳减排效应，且研究数据以二手数据为主，未能从微观层面总结归纳提升新型农业经营主体碳减排效应的对策建议。
利益冲突: 作者声明无利益冲突。
[①] 通讯作者 Corresponding author:张舒甜，2395364497@qq.com
收稿日期:2024-04-17; 录用日期:2024-05-15; 发表日期:2024-09-28
参考文献(References)
[1] 孙聪, 夏恩君, 黄洁萍, 等. “三农”视角下中国乡村共同富裕的碳减排效应与机制检验[J/OL]. 中国农业资源与区划, 1-14[2024-05-13].
http://kns.cnki.net/kcms/detail/11.3513.s.20240418.0842.002.html.
[2] 李佳佳, 王鹏鑫, 张瑞. 中国设施农业的减碳增汇效应分析———基于1828个县域面板数据的实证研究[J/OL]. 中国生态农业学报(中英文), 1-13[2024-05-13].
http://kns.cnki.net/kcms/detail/13.1432.s.20240304.1533.003.html.
[3] 田云, 林子娟. 中国省域农业碳排放效率与经济增长的耦合协调[J]. 中国人口·资源与环境, 2022, 32(04): 13-22.
[4] 杨雪, 王永平, 王静. 数字乡村发展对农业碳排放强度的影响效应及作用机制检验[J]. 统计与决策, 2023, 39(11): 66-71.
https://doi.org/10.13546/j.cnki.tjyjc.2023.11.011.
[5] 李俊杰, 张引杰. 数字经济影响农业碳排放的机理与实证[J/OL]. 中南民族大学学报(人文社会科学版): 1-10 [2024-04-08].
https://doi.org/10.19898/j.cnki.42-1704/C.20240320.01.
[6] 高国生, 王奇珍, 支海兵. 数字普惠金融对农业碳排放强度的影响效应分析[J]. 经济问题, 2024,(01): 57-65.
https://doi.org/10.16011/j.cnki.jjwt.2024.01.010.
[7] 徐清华, 张广胜. 农业机械化对农业碳排放强度影响的空间溢出效应———基于282个城市面板数据的实证[J]. 中国人口·资源与环境, 2022, 32(04): 23-33.
[8] 谢帮生, 陈鎏鹏, 董丙瑞, 等. 农村产业融合的农业碳减排效应研究[J/OL]. 农林经济管理学报, 1-12[2024-04-08].
http://kns.cnki.net/kcms/detail/36.1328.F.20231204.1642.006.html.
[9] 张红凤, 丁相江, 于法稳, 等. 农业产业集聚对农业碳排放的影响———基于环境规制的调节效应研究[J]. 生态经济, 2024, 40(03): 112-120.
[10] 赵爽, 陈儒, 姜志德. 低碳试点政策对农业碳排放影响的实证研究———基于双重差分模型的检验[J]. 生态经济, 2018, 34(12): 22-28.
[11] 徐雯, 张锦华. 政策性农业保险的碳减排效应———来自完全成本保险和收入保险试点实施的证据[J]. 保险研究, 2023(02): 20-33.
https://doi.org/10.13497/j.cnki.is.2023.02.002.
[12] 杨传宇, 李昊宇, 孙中叶. 技术创新视角下农业专业化集聚对农业碳生产率的影响———基于中介效应和门槛 效应的分析[J/OL]. 生态经济, 1-17[2024-04-09].
http://kns.cnki.net/kcms/detail/53.1193.F.20231220.1450.004.html.
[13] 熊飞雪, 赵星磊, 郭子毅, 等. 土地整治对农业碳排放的影响研究———基于高标准农田建设政策的准自然实验[J]. 中国生态农业学报(中英文), 2023, 31(12): 2022—2032.
[14] 陈一明, 温涛. 数字金融促进乡村产业融合发展的作用机理与微观证据:基于中西部新型农业经营主体的调研数据[J]. 农村经济, 2023(08): 78-87.
[15] 黄炜虹, 杨彩艳, 闵锐. 新型农业经营主体能够带动小农户生产绿色转型吗?———基于454份小农户调查数据的分析[J]. 干旱区资源与环境, 2024, 38(05): 69-78.
https://doi.org/10.13448/j.cnki.jalre.2024.099.
[16] 赵晓颖, 郑军, 张明月, 等. 基于改进TPB框架的新型农业经营主体绿色生产决策机制研究[J]. 中国生态农业学报(中英文), 2021, 29(09): 1636-1648.
https://doi.org/10.13930/j.cnki.cjea.210215.
[17] 薛永基, 薛艳金, 张园圆. 加入合作社能否提高家庭农场绿色全要素生产率———基于苏赣陕892家种植类家庭农场的调查数据[J/OL]. 中国农村经济, 2024(02): 67-89[2024-04-09].
https://doi.org/10.20077/j.cnki.11-1262/f.2024.02.004.
[18] 钱忠好, 李友艺. 中国家庭农场发展: 现实呼唤、松江实践、方略抉择[J]. 农业经济与管理, 2024(01): 68-75.
[19] 司睿. 规模与组织: 典型农业生产经营组织形式发展的政策逻辑与启示[J]. 农业经济, 2024(03): 80-82.
[20] 陈龙. 小农视角下中国特色农业农村现代化的内在逻辑与路径选择[J]. 经济问题, 2024(04): 92-98.
https://doi.org/10.16011/j.cnki.jjwt.2024.04.010.
[21] 上官泽明, 赵晓艳, 牛富荣. 互联网发展、制度环境与财政透明度[J]. 财政研究, 2020(10): 74-88.
https://doi.org/0.19477/j.cnki.11-1077/f.2020.10.006.
[22] 李东轩, 刘平养. 三权分置改革中新型农业经营主体的政策认知及其行为响应———以上海市青浦区为例[J]. 自然资源学报, 2020, 35(04): 950-962.
[23] 张标, 张领先, 傅泽田, 等. 新型农业经营主体节水灌溉技术采纳行为及其影响因素研究———以北京市为例[J]. 农业现代化研究, 2017, 38(06): 987-994.
DOI:10.13872/j.1000-0275.2017.0049
[23] 赵哲, 杜奕璇, 张轩畅. 农业绿色全要素生产率提升会缩小城乡收入差距吗? —来自东北三省的证据[J/OL]. 中国农业资源与区划, 1-12[2024-04-15].
http://kns.cnki.net/kcms/detail/11.3513.S.20240229.1417.016.html.
[24] 何军, 朱成飞. 新结构经济学视角下新型农业经营主体发育与农村土地流转方式选择———以江苏省为例[J]. 东北师大学报(哲学社会科学版), 2020(02): 45-53.
https://doi.org/10.16164/j.cnki.22-1062/c.2020.02.006.
[25] 蒋江林. 农村劳动力转移与产业升级的内生性关系的实证分析[J]. 统计与决策, 2018, 34(12): 128-131.
https://doi.org/10.13546/j.cnki.tjyjc.2018.12.031.
[26] 钱凤魁, 王祥国, 顾汉龙, 等. 东北三省农业碳排放时空分异特征及其关键驱动因素[J]. 中国生态农业学报(中英文), 2024, 32(01): 30-40.
https://doi.org/10.12357/cjea.20230225.
[27] 朱美荣, 王淦秋, 向文凯, 等. 农业社会化服务对农业碳排放的影响及其空间特征[J/OL]. 中国生态农业学报(中英文), 1-15[2024-04-15].
http://kns.cnki.net/kcms/detail/13.1432.S.20240408.1020.002.html.
[28] 姜芮, 孟令航, 刘帮成. 科技创新人才集聚度与区域经济高质量发展的空间特征———基于空间计量和面板门槛模型的实证分析[J]. 经济问题探索, 2023(10): 59-72.
Research on the Impact of the Development of New Agricultural Business Entities on Agricultural Carbon Emission Intensity
(School of Economics, Guizhou University of Finance and Economics, Guiyang 550025)
Abstract: Based on the panel data of 30 provinces in China (excluding Xizang, Hong Kong, Macao, and Taiwan) from 2010 to 2022, this article employs spatial fixed-effects models, mediation effect models, spatial econometric models, and other methodologies to examine the impact of the development of new agricultural business entities on agricultural carbon emission intensity. The results indicate that new agricultural business entities significantly reduce agricultural carbon emission intensity. However, there exist notable differences in the mechanisms through which different types of new agricultural business entities influence agricultural carbon emission intensity. Specifically, leading agricultural enterprises and farmer cooperatives notably decrease agricultural carbon emission intensity through pathways such as scale effects, technological progress effects, and industrial structure optimization effects. In contrast, the influence of family farms on agricultural carbon emission intensity is primarily manifested in technological progress effects. Further analysis uncovers that the agricultural carbon emission intensity in a given region exerts a positive spillover effect on that of its neighboring regions. Additionally, the impact of diverse types of new agricultural business entities on agricultural carbon emission intensity differs significantly between major grain-producing regions and non-grain-producing regions. Consequently, this study offers pertinent policy suggestions for mitigating agricultural carbon emission intensity, grounded in the environmental implications of fostering new agricultural business entities.
Keywords: New agricultural business entity, agricultural carbon emission intensity, influential mechanism, spatial econometric models
DOI: 10.48014/csdr.20240417002
Citation: ZHANG Shutian. Research on the impact of the development of new agricultural business entities on agricultural carbon emission intensity[J]. Chinese Sustainable Development Review, 2024, 3(3): 62-73.