Study on the Influence and Spillover Effect of Carbon Emissions Trading on Agricultural Green Total Factor Productivity
-
摘要:
在“双碳”目标指导下，中国农业绿色转型取得积极进展。文章基于2000—2022年中国30个省区市的面板数据，运用EBM-GML法测算农业绿色全要素生产率（AGTFP），在采用莫兰指数法检验其空间相关性的基础上，从农业碳排放视角构建空间双重差分模型，探究碳排放权交易政策的实施对AGTFP的影响及其溢出效应。结果表明：（1）研究期间AGTFP持续增长，农业技术进步是农业绿色发展的主要动力；（2）碳排放权交易政策的实施对试点地区的AGTFP具有促进作用，且对邻近地区具有显著的正向空间溢出效应；（3）农业种植结构、经济发展水平、城镇化水平和创新水平对AGTFP的增长具有促进作用，但创新水平对邻近地区存在负向空间溢出效应，农业机械化水平、工业化水平对AGTFP的增长具有抑制作用。研究结果可为我国实现农业经济持续高速增长和农业绿色发展的双重目标提供有益的理论参考和经验证据。
-
关键词:
- 碳排放权交易政策 /
- 农业绿色全要素生产率 /
- 空间溢出效应 /
- 空间双重差分模型
Abstract:Under the guidance of the “dual carbon” strategic goal, China’ s agricultural green transformation development has been made positive progress. Based on the panel data of 30 provinces from China between 2000 to 2022, this paper used EBM-GML method to estimate the agricultural green total factor productivity (AGTFP) firstly, and then tested its spatial correlation with the Moran index. More attention has been further paid to the spillover effects of the implementation of carbon emission trading policy on AGTFP with the perspective of spatial analysis on agricultural carbon emissions by Difference-in-Difference Estimation. The results showed that: (1) AGTFP continued to increase during the study period, and agricultural technology progress was the main driving force of agricultural green development; (2) The implementation of the carbon emission trading policy could promote the AGTFP in the pilot area, and had a significant positive spatial spillover effect on neighboring areas; (3) Agricultural planting structure, economic development level, urbanization level and innovation level could promote the growth of AGTFP, but innovation level had a negative spatial spillover effect on neighboring regions, and agricultural mechanization level and industrialization level could inhibit the growth of AGTFP. The results could provide useful theoretical reference and empirical evidence for realizing the dual goals of sustained rapid growth of agricultural economy and green development of agriculture in China.
-
当前，中国经济正由高速增长阶段向高质量发展阶段转变，绿色发展是实现经济高质量发展的必然途径。党的十八大报告首次提出“推进绿色发展、循环发展、低碳发展”，党的十九大报告要求推进绿色发展，建立健全绿色低碳循环发展体系，党的二十大报告强调“推动经济社会发展绿色化、低碳化是实现高质量发展的关键环节”。中国作为农业大国，其种植业的二氧化碳排放量占国家碳排放总量的17%，可见农业是实现“双碳”目标的关键领域之一[1]。为推进农业绿色低碳发展和促进农业经济持续增长的双重目标，我国先后实施了多项环境规制政策。其中碳排放权交易政策作为全球广泛应用的市场激励型政策，于2013年在8个省、直辖市进行试点，2021年7月开启全国碳排放权交易市场，其促进节能减排和绿色发展的作用日益展现。那么，农业绿色发展转型成效如何？碳排放权交易政策是否促进了农业绿色发展？这些问题对中国农业绿色发展转型具有重要的理论和现实意义，值得探讨。
绿色全要素生产率作为衡量国家经济高质量发展的一个重要指标[2]，学者们对此开展了大量研究。其中，研究农业绿色发展的影响因素时发现，数字乡村[3]、科技进步[4]、农地流转[5]、农业生产性服务[6]都能够促进农业绿色全要素生产率（Agricultural Green Total Factor Productivity, AGTFP）的提高。也有研究指出环境规制有助于农业技术进步[7]和农业绿色全要素生产率（AGTFP）的提高[8]。郭海红等[9]运用SBM-GML模型测度绿色全要素生产率后，引入空间计量模型研究了不同的环境规制对地区农业绿色全要素生产率的直接效应和空间溢出效应。碳排放权交易政策作为实现国家双碳目标的重要环境规制政策，杨达等[10]采用合成控制法和基于空间计量的双重差分模型，证明了碳排放权交易政策减排效果的有效性和合理性，并发现其具有显著的区域异质性。也有学者基于城市区域研究发现低碳城市试点政策能够显著促进城市绿色全要素生产率增长[11−12]。邢会等[13]从行业视角研究碳排放权交易政策对制造业绿色全要素生产率的影响，同时有学者基于中国各省份的面板数据，采用双重差分模型研究得出碳交易政策同样能够促进农业的绿色全要素生产率[14−16]。
综上所述，学者们对于碳排放权交易政策和绿色全要素生产率之间的影响研究虽已有不少成果，但是在研究领域和研究方法方面仍然存在一定的不足。在研究领域上，现有研究大多集中在城市区域或制造业层面探讨碳排放权交易政策的实施影响，针对农业领域以及空间上可能存在的溢出效应研究较少。在研究方法上，已有研究多采用DEA模型或SBM模型测度AGTFP，忽视了农业碳排放的影响，测度结果可能存在一定偏差。
相比较于已有研究，本文的边际贡献在于：第一，参考交叉学科前沿研究方法构建空间双重差分模型，从空间视角研究碳排放权交易政策对AGTFP的影响和溢出效应；第二，计算AGTFP时，采用EBM-GML法兼容径向与非径向松弛变量，同时将农业碳排放量作为非期望产出纳入模型，使测度结果更接近实际；第三，在学术上丰富碳排放权交易政策对AGTFP的影响研究，为实现农业经济持续高速增长和农业绿色发展的双重目标提供经验证据和政策性建议。
一、 研究设计
（一） 模型构建
1. EBM-GML模型
农业绿色全要素生产效率的测度是本文实证分析阶段的重要环节。由于传统DEA模型未考虑非期望产出，测算结果可能存在偏差，而改进模型SBM属于非径向模型，无法处理径向问题[17]，加之劳动力、资本、土地等要素投入与产出为非径向关系，环境污染与产出为径向关系，本研究采用可以兼容径向与非径向两类距离函数的EBM模型[18−19]。同时，GML指数既可以有效规避可能无可行解的问题，也能够满足循环性和传递性的要求，还可以允许技术退步[9]。因此，本文根据籍艳丽等采用的研究方法[20]，将EBM模型与GML指数相结合，采用非导向的EBM-GML模型测度AGTFP，以期结果更贴近实际。具体方法如下。
$$ \psi = \min \dfrac{{\xi - {\omega _x}\displaystyle\sum\limits_{u = 1}^m {\dfrac{{\varpi _u^ - s_u^ - }}{{{x_{uh}}}}} }}{{\varphi + {\omega _{{y_G}}}\displaystyle\sum\limits_{j = 1}^n {\dfrac{{\varpi _j^ + s_j^ + }}{{{y_{Gjh}}}}} + {\omega _{{y_B}}}\displaystyle\sum\limits_{z = 1}^l {\dfrac{{\varpi _z^ - s_z^ - }}{{{y_{Bzh}}}}} }} $$ (1) $$ {\text{ s}}{\text{.t}}{\text{. }}\left\{ {\begin{aligned} &{x\delta + s_u^ - = \xi {x_h},u = 1,2, \cdots ,m} \\ &{{y_G}\delta - s_j^ + = \varphi {y_{Gh}},j = 1,2, \cdots ,n} \\ &{{y_B}\delta + s_z^ + = \varphi {y_{Bh}},z = 1,2, \cdots ,{\text{w}}} \\ &{\delta \geqslant 0,s_u^ - ,s_j^ + ,s_z^ - \geqslant 0} \end{aligned}} \right. $$ 式（1）中，x、yG、yB分别代表投入、期望产出与非期望产出；m、n、w代表投入或产出个数；h为决策单元个数；
$ \varphi $ （0≤$ \varphi $ ≤1）为最优效率值，$ \varpi _u^ - $ 、$ \varpi _j^ + $ 、$ \varpi_z^ - $ 和$ s_u^ - $ 、$ s_j^ + $ 、$ s_z^ -$ 分别表示第u个投入、第j个产出、第z个非期望产出的权重和松弛变量；$ \omega $ （0≤$ \omega $ ≤1）为综合径向效率值$ \xi $ 和非径向松弛变量的重要参数。结合技术效率$ \psi $ 构建GML指数，具体见式（2）。$$\begin{split} &{G^{t,t + 1}}\left( {{x^t},{y^t},{b^t};{x^{t + 1}},{y^{t + 1}},{b^{t + 1}}} \right) =\\ &\frac{{{\psi ^{G,t + 1}}\left( {{x^{t + 1}},{y^{t + 1}},{b^{t + 1}}} \right)}}{{{\psi ^{G,t}}\left( {{x^t},{y^t},{b^t}} \right)}} \end{split} $$ (2) 式（2）中，G代表农业绿色全要素生产效率指数，
$ {\psi ^{G,t}} $ 、$ {\psi ^{G,t + 1}} $ 分别代表t期、t+1期的全局效率值。以2000年为基期，使用累乘法将效率值$ \psi $ 和后续年份计算得出的G累计求积，即可得到各地区的AGTFP。2. 空间双重差分模型
双重差分法（DID）作为政策效应评估方法中的经典方法，可以很大程度上避免内生性问题的干扰。由于地区之间存在交流，碳排放权交易政策的外部性会产生福利效应，即存在正向或负向的空间溢出效应[21]。因此，借鉴贾锐宁等[22]、郭炳南等[23]对传统DID模型的改进方法，将碳排放权交易政策实施的时点和试点地区替换为政策虚拟变量，进一步在模型中嵌入空间交互项来构建空间双重差分模型，以评估变量间存在空间依赖性的政策冲击效果。
$$\begin{split} {{AGTF}}{{{P}}_{it}} =\;& {\text{β}} {{treat }} \times {{pos}}{{{t}}_{it}} + {\text{γ}} {X_{it}} + {\text{τ}} \sum\limits_{j = 1} {{{\boldsymbol{W}}_{ij}}} {{treat}} \times \\ &{{ pos}}{{{t}}_{it}} + {\text{θ}} \sum\limits_{j = 1}^N {{{\boldsymbol{W}}_{ij}}} {X_{it}} + {\mu _i} + {\lambda _t} + {\varepsilon _{it}} \end{split} $$ (3) 式（3）中，AGTFPit代表测度的农业绿色全要素生产率；t、i代表年份和省份；
$ {\text{β}} $ 、${\text{γ}} $ 、$ {\text{τ}}$ 、${\text{θ}}$ 代表回归系数；treat×postit为政策试点地区与实施时点的交叉项；Xit代表控制变量；Wij代表空间地理距离权重矩阵，$ \sum\limits_{j = 1} {{{\boldsymbol{W}}_{ij}}} {{treat}} \times {{ pos}}{{{t}}_{it}} $ 、$ \sum\limits_{j = 1}^N {{{\boldsymbol{W}}_{ij}}} {X_{it}} $ 分别代表空间交叉项和控制变量的空间滞后项。$ {\mu _i} $ 、$ {\lambda _t} $ 分别代表空间效应和时间效应；$ {\varepsilon _{it}} $ 代表随机误差项。空间地理权重矩阵基于省份所在经纬度进行计算，dij代表使用经纬度计算的省份i与省份j之间的地理距离，具体如下。
$$ {{\boldsymbol{W}}_{ij}}\left\{ {\begin{aligned} &{\frac{1}{{{d_{ij}}}};i \ne j} \\ &{0;i = j} \end{aligned}} \right. $$ (4) （二） 变量选择与数据来源
1. 被解释变量
AGTFP的计算过程参考式（1）、式（2）。本文选用第一产业从业人数（万人）、农用机械总动力（万KW）、化肥折纯量（万t）、塑料薄膜使用量（t）、农药使用量（万t）、农作物播种面积（千hm2）、有效灌溉面积（千hm2）为投入指标；农业总产值（亿元）为期望产出指标，农业碳排放量（万t）为非期望产出指标。农业碳排放量的核算参照李波等的计算方法[24]，计算过程均基于软件MATLAB R2022b的运行环境，此处不再赘述。
2. 核心解释变量
碳排放权交易政策（SDID）为双重差分项treat×postit，即地区虚拟变量和时间虚拟变量的乘积。2013年，中国碳交易市场的试点地区为北京、上海、天津、重庆、湖北、广东，2016年增加福建为碳交易市场试点地区。因此将以上试点地区作为实验组，其余地区作为对照组，即以上7个地区虚拟变量treat取值为1，其余地区取值为0；北京、上海、天津、重庆、湖北和广东的时间虚拟变量post，在2013年前取值为0，2013年及以后取值为1；福建的时间虚拟变量post在2016年前取值为0，2016年及以后取值为1。
3. 控制变量
结合相关研究成果[3,25]，本研究选取农业种植结构（PLA）、农业机械化水平（AML）、经济发展水平（EDL）、工业化水平（IND）、城镇化水平（UL）和创新水平（TL）作为控制变量。其中：农业种植结构采用粮食播种面积占农业总播种面积的比重来衡量，农业机械化水平采用农用机械总动力占农业总播种面积的比重来衡量，经济发展水平采用该地区人均GDP衡量，工业化水平采用研究区工业增加值占该地区生产总值的比重来衡量，城镇化水平采用研究区城市人口占该地区总人口数的比重来衡量，创新水平采用该地区发明专利申请受理的数量来表征。
4. 数据来源
考虑样本数据的可获得性和统计口径的准确性，本研究的样本选取自中国30个省区市（不包括西藏和港澳台地区），计算农业碳排放量和AGTFP所需的第一产业从业人数、塑料薄膜使用量、农药使用量数据来自于2001—2023年的《中国农村统计年鉴》，农用机械总动力、化肥折纯量、农作物播种面积、粮食播种面积、有效灌溉面积、工业增加值、农业总产值、人均国内生产总值、城市人口数量、地区总人口数据来自于国家统计局发布的2001—2023年的《中国统计年鉴》，创新水平的数据来自于国家知识产权局发布的统计年报。个别缺失数据采用线性插值法处理。
二、 实证分析
（一） AGTFP的时空演变分析
基于软件MATLAB测算出2000—2022年中国30个省区市的AGTFP和GML指数，并将GML指数分解为技术效率指数（EC）和技术进步指数（TC），见表1。整体上看，我国AGTFP在研究期内呈波动式稳定上升，年均增速为2.4%，除2000—2001年外，AGTFP均大于1，说明我国持续积极推动农业绿色发展转型工作取得了一定成效。结合GML指数分解项可知，EC在生产前沿面临界值1左右波动，而TC除个别年份外均大于1，其可能多次发挥技术进步作用以推动生产前沿面外移，这表明中国的农业绿色发展依赖农业机械化等技术水平的提高，农业生产绿色化转型呈“单轮驱动”状态，农业生产中仍然存在要素投入冗余的情况，资源配置及技术效率亟须提高，与罗玉波等[26]的研究观点一致。
表 1 2000—2022年间AGTFP演化趋势年份 AGTFP EC TC 年份 AGTFP EC TC 2000—2001 0.98 0.95 1.03 2011—2012 1.13 0.98 1.16 2001—2002 1.00 1.03 0.97 2012—2013 1.07 0.99 1.09 2002—2003 1.04 1.01 1.04 2013—2014 1.08 1.01 1.07 2003—2004 1.15 1.08 1.07 2014—2015 1.05 0.98 1.07 2004—2005 1.03 0.98 1.05 2015—2016 1.03 0.98 1.06 2005—2006 1.03 1.05 0.99 2016—2017 1.06 0.96 1.11 2006—2007 1.02 1.02 1.00 2017—2018 1.05 1.00 1.05 2007—2008 1.14 1.02 1.12 2018—2019 1.08 1.00 1.08 2008—2009 1.12 1.01 1.11 2019—2020 1.10 0.99 1.11 2009—2010 1.01 1.01 1.00 2020—2021 1.13 1.02 1.11 2010—2011 1.12 0.98 1.14 2021—2022 1.16 1.01 1.16 选取中国2001年、2011年、2017年、2021年的省际AGTFP数据，利用ArcGIS软件绘制其空间分布图（图1）。从图1可以看出，碳排放权交易政策实施前，AGTFP较高的省区市主要为新疆、四川、陕西、辽宁、吉林、北京、河北、山东、江苏等粮食大省和生态环境保护大省；碳排放权交易政策实施后，AGTFP较高的省份数量大幅度增加，特别是辽宁、黑龙江、天津、山东、山西、安徽、江苏、河南和湖北作为我国的粮食大省，其发展变化最明显。一方面由于这些省市较为重视农业绿色生产，同时也与东北平原、华北平原地形平坦，适宜农业生产规模化、标准化、机械化有关。贵州、四川、湖南、浙江等地因多山多丘陵，农业生产规模化受限，导致AGTFP发展相对其他省份增长较慢。此外，青海、宁夏、甘肃及经济发达地区如北京、上海等拥有较高的AGTFP的原因可能在于其农业总量较小，且没有像粮食主产区的省份有保障粮食安全的压力，在农业生产过程中较少使用化肥、农药等污染源，故造成的碳排放也较低。
（二） 全局莫兰指数
莫兰指数（Moran’ s I）分为全局莫兰指数和局部莫兰指数，是研究空间关系的一种相关系数值，经过方差归一化后会被归一化到（−1，1）之间，是度量是否存在空间相关性的重要指标，也是检验是否能使用空间计量方法的前提[27]。为了检验变量间是否存在空间自相关性，本研究基于邻接空间权重矩阵，采用全局莫兰空间自相关法对AGTFP进行检验，结果见表2。
表 2 2000—2022年间AGTFP的全局莫兰指数年份 AGTFP 年份 AGTFP 年份 AGTFP Moran’ s I z值 p值 Moran’ s I z值 p值 Moran’ s I z值 p值 2000 0.134 5.998 0.000 2008 0.078 2.521 0.006 2016 0.09 3.22 0.001 2001 0.124 5.417 0.000 2009 0.089 3.192 0.001 2017 0.084 2.88 0.002 2002 0.124 5.31 0.000 2010 0.089 3.192 0.001 2018 0.07 2.053 0.02 2003 0.112 4.572 0.000 2011 0.082 3.168 0.001 2019 0.073 2.249 0.012 2004 0.099 3.858 0.000 2012 0.08 2.668 0.004 2020 0.075 2.362 0.009 2005 0.096 3.627 0.000 2013 0.07 2.069 0.019 2021 0.084 2.861 0.002 2006 0.101 3.911 0.000 2014 0.069 2.033 0.021 2022 0.071 2.053 0.02 2007 0.084 2.913 0.002 2015 0.079 2.617 0.004 均值 0.089 3.250 0.005 根据表2，2000—2022年间，全局Moran’ s I的值在（−1，1）范围内显著为正，z值的绝对值整体上大于临界值1.65，P值除个别年份外均在1%或5%的统计水平上显著。这表明农业绿色全要素生产率总体上存在显著的空间自相关性，地区间不存在独立性，可以进行后续的空间计量分析。
（三） 平行趋势检验
双重差分模型是基于反事实框架来评估实施政策或未实施政策两种情形下的被解释变量的变化，所以模型设定的实验组与对照组的目标变量在政策发生前必须满足平行趋势，具有可比性。本研究采用事件研究法进行平行趋势检验，并绘制95%置信区间下的动态效应图。为了避免多重共线性问题，对政策实施当期进行了删除处理。结果如图2所示。
从图2可以看出，在碳排放权交易政策实施当期之前，回归系数在0值附近波动，不存在显著差异。政策实施之后，即t+1期后呈明显上升趋势，95%的置信区间不包括0值，说明回归系数在5%的统计水平上显著。这表明碳排放权交易政策实施前，实验组和控制组地区无显著差别。碳排放权交易政策实施后，其对农业绿色全要素生产率的政策效应为正向显著，满足平行趋势检验。
（四） 基准回归分析
1. 回归结果分析
为分析碳排放权交易政策（SDID）对AGTFP的影响，本研究根据式（3）设定的模型进行基准回归，结果如表3所示。
表 3 空间双重差分模型基准回归结果变量 AGTFP AGTFP 模型（1） 模型（2） SDID 0.007*** 0.005*** （3.20） （2.67） PLA — 0.011*** （3.33） AML — −0.047*** （−5.74） EDL — 0.035*** （8.20） IND — −0.030** （−2.55） UL — 0.030*** （3.22） TL — 0.026*** （2.69） W×SDID 0.047*** 0.049*** （6.21） （3.66） ρ 0.878*** 0.455*** （56.16） （6.60） R2 0.514 0.720 Obs 690 690 注：*、**、***分别代表在10%、5%、1%的水平下显著，括号内为稳健标准误，下同。 表3中模型（1）汇报了未增加控制变量的基准回归结果，在空间地理权重矩阵下，碳排放权交易政策对AGTFP的影响在1%的统计水平下为正显著。W×SDID项表示政策的冲击带来的空间溢出效应在1%的统计水平下为正显著。模型（2）汇报了增加控制变量的回归结果，SDID和W×SDID项对AGTFP的影响仍然在1%的水平下显著为正，表明碳排放交易政策的实施显著提高了AGTFP，并对邻近地区产生了显著的正向空间溢出效应。增加控制变量前后的模型参数估计值的符号一致且同样显著，空间自相关系数（ρ）在模型（1）和模型（2）的回归结果中均在1%的统计水平上正显著，与莫兰指数符号一致，表明模型估计结果合理。
2. 效应分解
为进一步分析SDID对AGTFP的影响且提高分析的准确性，采用偏微分法将空间总效应分解为直接效应和间接效应[28]。其中，直接效应指SDID的实施对本地区AGTFP的影响，间接效应指SDID实施导致的空间溢出效应。具体结果见表4。
表 4 效应分解结果变量 直接效应 间接效应 总效应 SDID 0.004** 0.080*** 0.084*** （2.05） （4.47） （4.65） PLA 0.009*** 0.008 0.017*** （3.11） （1.36） （3.18） AML −0.044*** −0.036 −0.080* （−5.64） （−0.83） （−1.82） EDL 0.039*** 0.052** 0.091*** （7.79） （2.02） （3.35） IND −0.021* −0.025 −0.046 （−1.65） （−0.55） （−0.92） UL 0.030*** 0.162** 0.132** （3.39） （2.45） （1.98） TL 0.027*** −0.082* −0.055 2.64 （−1.74） （−1.18） R2 0.682 0.682 0.682 Obs 690 690 690 从表4可知，SDID的直接效应和间接效应均在1%的统计水平上为正向显著，表明碳交易政策的实施不仅对试点地区的农业绿色发展有显著的提升作用，也对周边邻近地区产生了显著的正向空间溢出效应。这可能是因为地区间存在“示范效应”，试点地区的AGTFP的显著提高会对周边地区产生压力。结合当前高昂的环境治理成本和降碳减排的大趋势，周边地区模仿试点地区的政策措施以提高本地区的AGTFP。
从其余控制变量看，农业种植结构（PLA）的调整对AGTFP的增长产生了显著的正向作用。在粮食安全战略背景下，以种植业为主的地区容易出现土地密集型产业的规模效应，有利于降低农业污染治理成本，推动农业绿色发展。农业机械化水平（AML）对试点地区AGTFP的提高具有显著的负向影响，传统的农业机械化水平的提高不利于农业绿色发展，原因在于我国农业机械虽然快速发展，但绿色农机技术水平总体不高，仍然以化石燃料—柴油为主要动力来源，而柴油的燃烧会造成大量的碳排放，限制了农业绿色技术进步，抑制了AGTFP的提高。经济发展水平（EDL）在改革开放后不断提高，农村居民对人居环境的要求也越来越高，且试点地区多为经济发达的直辖市，因此，EDL对试点地区的AGTFP具有更积极的促进作用。工业化水平（IND）对试点地区AGTFP影响显著为负，工业在高速发展的同时挤占部分农业资源要素，对农业产生一定的挤压效应，负面影响AGTFP的增长。城镇化水平（UL）对AGTFP产生显著的正向影响，UL的提升有利于转移农村过剩的劳动力、提高资源利用效率，实现AGTFP正向增长。创新水平（TL）的直接效应在1%的统计水平上为正显著，间接效应在10%的统计水平上为负显著。随着碳排放权交易政策的实施，试点地区AGTFP不断提高，不可避免地会对周边地区的农业绿色科技、人才等相关资源产生虹吸效应。试点地区在进一步提高本地区AGTFP的同时，也减少了周边地区的资源和技术创新，不利于邻近地区的AGTFP增长。
（五） 稳健性检验
本文为了验证基准回归结果的稳健性，分别选取反事实研究法、缩小样本区间法、双侧缩尾检验和安慰剂检验法4种方法进行验证，分析结果分别对应表5中的列（1）、列（2）、列（3）和图3。
表 5 稳健性回归结果变量 AGTFP AGTFP AGTFP （1） （2） （3） SDID 0.002 0.006*** 0.005*** （1.46） （3.178） （2.77） 控制变量 是 是 是 R2 0.532 0.433 0.638 Obs 690 270 690 1. 反事实研究法
本研究通过将试点地区的碳排放权交易政策实施时间提前1年后进行基准回归，得到表5列（1）的回归结果，核心解释变量SDID系数为正但不显著，表明碳排放权交易政策对AGTFP的作用不是在政策实施前显现，且本研究实验组和对照组不存在其他系统性误差[29]。
2. 缩小样本区间法
缩小回归样本区间是较为常见的稳健性检验方法，本研究将2000—2022年的样本数据缩小至2010—2020年后进行基准回归，得到的结果表明，SDID对AGTFP的影响在1%的统计水平上为正显著，估计结果稳健可靠。
3. 双侧缩尾检验法
在1%和99%水平下分别对本文中的连续变量进行截尾处理以剔除异常值，重新进行基准回归，结果如表5列（3）所示，SDID的系数和估计值都在1%的统计水平上显著为正，再次验证了基准回归结果的稳健性。
4. 安慰剂检验法
将实验组和对照组随机打乱，在研究样本中随机抽取7个地区作为实验组，剩余23个地区作为对照组，并将此回归过程重复
1000 次。随机试验得到的估计系数核密度分布如图3所示，估计系数以零为均值，基本上呈正态分布，整体偏离基准回归系数−0.02，这表明基准回归结果受遗漏变量的影响的可能性较低，本文的核心结论依旧成立。三、 结论与建议
本文基于2000—2022年中国30个省区市的面板数据，以采用EBM-GML法测度的AGTFP为研究对象，通过构建空间双重差分模型，分析碳排放权交易政策的实施对AGTFP的影响及其溢出效应，得出以下结论：（1）研究期间中国AGTFP持续增长，各省区市间的资源禀赋不同导致农业绿色发展水平存在一定差异，农业生产绿色化转型的主要动力来源是农业技术进步。（2）碳排放权交易政策的实施对区域AGTFP的提高具有积极的促进作用，且对周边地区产生显著的正向空间溢出效应，证明碳排放权交易政策有效推动了AGTFP的增长和我国农业绿色发展水平的提高。（3）农业种植结构、经济发展水平、城镇化水平和创新水平的提高有利于AGTFP的增长，其中创新水平可能导致的虹吸效应抑制了试点地区周边地区AGTFP的增长，而农业传统柴油机械的使用、工业对农业的挤压效应则不利于AGTFP的增长。
鉴于上述结论，本文提出如下建议：一是优化农业生产要素配置，协调区域农业绿色发展。政府应利用AGTFP的绿色空间溢出效应，充分发挥高AGTFP地区的辐射带动作用，深化不同地区间在先进生产技术和管理实践方面的交流学习，优化区域间人才队伍、农业绿色科技等农业生产资源的协调配置，同时打造区域间农业绿色合作平台以保持农业生产资源在区域间的适度流动。二是积极引导农业进入全国碳市场，充分释放农业碳排放市场的碳减排效应。通过扩大碳市场的涵盖主体增强政策的空间溢出效应，充分发挥农业的碳汇功能和高AGTFP地区的示范效应，推动邻近地区农业绿色发展，提高整体的农业绿色发展水平。三是各级政府应加强对区域农业绿色低碳发展转型的支持力度，扎实推进新型城镇化，持续研发和推广绿色农机装备，减少传统柴油农机的使用，强化工业对农业的反哺力度，以及通过农业要素集约化，包括土地流转、农业生产性服务等形式产生规模经济效应，推动农业绿色全要素生产率持续增长，助力实现农业绿色可持续发展。
-
表 1 2000—2022年间AGTFP演化趋势
年份 AGTFP EC TC 年份 AGTFP EC TC 2000—2001 0.98 0.95 1.03 2011—2012 1.13 0.98 1.16 2001—2002 1.00 1.03 0.97 2012—2013 1.07 0.99 1.09 2002—2003 1.04 1.01 1.04 2013—2014 1.08 1.01 1.07 2003—2004 1.15 1.08 1.07 2014—2015 1.05 0.98 1.07 2004—2005 1.03 0.98 1.05 2015—2016 1.03 0.98 1.06 2005—2006 1.03 1.05 0.99 2016—2017 1.06 0.96 1.11 2006—2007 1.02 1.02 1.00 2017—2018 1.05 1.00 1.05 2007—2008 1.14 1.02 1.12 2018—2019 1.08 1.00 1.08 2008—2009 1.12 1.01 1.11 2019—2020 1.10 0.99 1.11 2009—2010 1.01 1.01 1.00 2020—2021 1.13 1.02 1.11 2010—2011 1.12 0.98 1.14 2021—2022 1.16 1.01 1.16 
下载: 导出CSV
表 2 2000—2022年间AGTFP的全局莫兰指数
年份 AGTFP 年份 AGTFP 年份 AGTFP Moran’ s I z值 p值 Moran’ s I z值 p值 Moran’ s I z值 p值 2000 0.134 5.998 0.000 2008 0.078 2.521 0.006 2016 0.09 3.22 0.001 2001 0.124 5.417 0.000 2009 0.089 3.192 0.001 2017 0.084 2.88 0.002 2002 0.124 5.31 0.000 2010 0.089 3.192 0.001 2018 0.07 2.053 0.02 2003 0.112 4.572 0.000 2011 0.082 3.168 0.001 2019 0.073 2.249 0.012 2004 0.099 3.858 0.000 2012 0.08 2.668 0.004 2020 0.075 2.362 0.009 2005 0.096 3.627 0.000 2013 0.07 2.069 0.019 2021 0.084 2.861 0.002 2006 0.101 3.911 0.000 2014 0.069 2.033 0.021 2022 0.071 2.053 0.02 2007 0.084 2.913 0.002 2015 0.079 2.617 0.004 均值 0.089 3.250 0.005
下载: 导出CSV
表 3 空间双重差分模型基准回归结果
变量 AGTFP AGTFP 模型（1） 模型（2） SDID 0.007*** 0.005*** （3.20） （2.67） PLA — 0.011*** （3.33） AML — −0.047*** （−5.74） EDL — 0.035*** （8.20） IND — −0.030** （−2.55） UL — 0.030*** （3.22） TL — 0.026*** （2.69） W×SDID 0.047*** 0.049*** （6.21） （3.66） ρ 0.878*** 0.455*** （56.16） （6.60） R2 0.514 0.720 Obs 690 690 注：*、**、***分别代表在10%、5%、1%的水平下显著，括号内为稳健标准误，下同。
下载: 导出CSV
表 4 效应分解结果
变量 直接效应 间接效应 总效应 SDID 0.004** 0.080*** 0.084*** （2.05） （4.47） （4.65） PLA 0.009*** 0.008 0.017*** （3.11） （1.36） （3.18） AML −0.044*** −0.036 −0.080* （−5.64） （−0.83） （−1.82） EDL 0.039*** 0.052** 0.091*** （7.79） （2.02） （3.35） IND −0.021* −0.025 −0.046 （−1.65） （−0.55） （−0.92） UL 0.030*** 0.162** 0.132** （3.39） （2.45） （1.98） TL 0.027*** −0.082* −0.055 2.64 （−1.74） （−1.18） R2 0.682 0.682 0.682 Obs 690 690 690
下载: 导出CSV
表 5 稳健性回归结果
变量 AGTFP AGTFP AGTFP （1） （2） （3） SDID 0.002 0.006*** 0.005*** （1.46） （3.178） （2.77） 控制变量 是 是 是 R2 0.532 0.433 0.638 Obs 690 270 690
下载: 导出CSV
-
[1] 黄杰, 孙自敏. 中国种植业碳生产率的区域差异及分布动态演进[J]. 农业技术经济, 2022(7): 109. DOI: 10.13246/j.cnki.jae.20210916.004. [2] 孙振清, 谷文姗, 成晓斐. 碳交易对绿色全要素生产率的影响机制研究[J]. 华东经济管理, 2022, 36(4): 89. DOI: 10.19629/j.cnki.34-1014/f.210911013. [3] 郭海红. 数字乡村建设、资源要素错配与农业绿色全要素生产率[J]. 中国地质大学学报(社会科学版), 2024, 24(1): 102. DOI: 10.16493/j.cnki.42-1627/c.20231213.001. [4] 张颂心, 王辉, 徐如浓. 科技进步、绿色全要素生产率与农业碳排放关系分析: 基于泛长三角26个城市面板数据[J]. 科技管理研究, 2021, 41(2): 211. DOI: 10.3969/j.issn.1000-7695.2021.02.028. [5] 刘慧敏, 尚杰. 农地流转对农业绿色全要素生产率的影响研究: 兼论门槛效应与空间效应[J]. 中国生态农业学报(中英文), 2023, 31(9): 1482. DOI: 10.12357/cjea.20220975. [6] 李明亮, 余国新, 蒲娟, 等. 农业生产性服务对农业绿色全要素生产率的影响: 基于空间溢出效应和门槛效应[J]. 新疆农垦经济, 2024(1): 23. DOI: 10.3969/j.issn.1000-7652.2024.01.003. [7] 徐永慧, 尹朝静. 环境规制下中国农业绿色全要素生产率的测算[J]. 统计与决策, 2021, 37(18): 50. DOI: 10.13546/j.cnki.tjyjc.2021.18.011. [8] 胡永浩, 张昆扬, 武拉平, 等. 环境规制对农业绿色全要素生产率的影响[J]. 生态经济, 2023, 39(12): 118. [9] 郭海红, 李树超. 环境规制、空间效应与农业绿色发展[J]. 研究与发展管理, 2022, 34(2): 54. DOI: 10.13581/j.cnki.rdm.20210715. [10] 杨达, 丁川. 碳交易政策的减排效应及空间溢出: 基于SCM和S-DID方法的中国经验实证分析[J]. 中国行政管理, 2023, 39(5): 132. DOI: 10.19735/j.issn.1006-0863.2023.05.16. [11] 王亚飞, 陶文清. 低碳城市试点对城市绿色全要素生产率增长的影响及效应[J]. 中国人口·资源与环境, 2021, 31(6): 78. DOI: 10.12062/cpre.20210110. [12] 梁军, 李佳艺. 碳交易是否提升了城市绿色全要素生产率?[J]. 上海经济研究, 2023(3): 97. DOI: 10.19626/j.cnki.cn31-1163/f.2023.03.002. [13] 邢会, 姜影, 陈园园. “双碳”目标下碳交易与制造业绿色全要素生产率: 基于异质性技术创新模式的机制检验[J]. 科技进步与对策, 2022, 39(23): 76. DOI: 10.6049/kjjbydc.2022040659. [14] DAI SONG Y, LIN XIN L, SHAN HONG G, et al. Impact of carbon trading on agricultural green total factor productivity in China[J]. Journal of Cleaner Production, 2022(367): 427. DOI: 10.1016/j.jclepro.2022.132789.
[15] ZHUOHUI Y, SHIPING M, QINGNING L. Has China’ s Carbon Emissions Trading Pilot Policy Improved Agricultural Green Total Factor Productivity?[J]. Agriculture, 2022, 12(9): 355. DOI: 10.3390/agriculture12091444.
[16] 刘畅. 碳交易对农业绿色全要素生产率的影响: 基于碳汇和碳排放双重视角[J]. 中国林业经济, 2023(5): 90. DOI: 10.13691/j.cnki.cn23-1539/f.2023.05.013. [17] 雷玉桃, 张淑雯, 孙菁靖. 环境规制对制造业绿色转型的影响机制及实证研究[J]. 科技进步与对策, 2020, 37(12): 65. DOI: 10.6049/kjjbydc.2020060714. [18] 胡日东, 汤锦锋, 宋红艳. 环境规制、绿色技术创新与制造业绿色全要素生产率[J]. 工业技术经济, 2023, 42(7): 113. DOI: 10.3969/j.issn.1004-910X.2023.07.013. [19] PASTORJT, LOVELLCAK. A global Malmquist productivity index[J]. Economic Letters, 2005, 88(2): 266. DOI: 10.1016/j.econlet.2005.02.013.
[20] 籍艳丽, 辜子寅, 薛洁. 环境规制对工业绿色全要素生产率的波特效应[J]. 统计与决策, 2022, 38(7): 82. DOI: 10.13546/j.cnki.tjyjc.2022.07.016. [21] 郭莉, 梁新莉. 碳排放权交易政策对碳排放效率影响研究: 基于空间多期双重差分模型的分析[J]. 价格理论与实践, 2023(9): 146. DOI: 10.19851/j.cnki.CN11-1010/F.2023.09.314. [22] 贾锐宁, 邵帅, 郑英杰, 等. 中国高铁建设与城市减霾绩效: 基于空间双重差分模型的经验考察[J]. 中国软科学, 2023(11): 109. DOI: 10.3969/j.issn.1002-9753.2023.11.010. [23] 郭炳南, 冯雨, 张浩. 碳排放权交易对企业全要素生产率的影响及溢出效应: 基于空间双重差分模型的实证分析[J]. 中国环境管理, 2023, 15(3): 84. DOI: 10.16868/j.cnki.1674-6252.2023.03.084. [24] 李波, 杜建国, 刘雪琪. 湖北省农业碳排放的时空特征及经济关联性[J]. 中国农业科学, 2019, 52(23): 4309. DOI: 10.3864/j.issn.0578-1752.2019.23.011. [25] 马国群, 谭砚文. 环境规制对农业绿色全要素生产率的影响研究: 基于面板门槛模型的分析[J]. 农业技术经济, 2021(5): 77. DOI: 10.13246/j.cnki.jae.2021.05.006. [26] 罗玉波, 朱晨曦, 王春云. 基于共同前沿理论的中国农业绿色全要素生产率测度及“追赶”效应解析[J]. 农林经济管理学报, 2024, 23(1): 30. DOI: 10.16195/j.cnki.cn36-1328/f.2024.01.04. [27] 马林靖, 李培速, 伍亚红. 城镇化发展如何影响非正规就业: 基于空间杜宾模型的省际面板分析[J]. 世界地理研究, 2022, 31(6): 1273. DOI: 10.3969/j.issn.1004-9479.2022.06.2020551. [28] LESAGE J P, PACE R K. Introduction to spatial econometrics(1st ed)[M]. New York: Chapman and Hall/CRC Press, 2009: 23.
[29] 刘颖, 吕明俐, 刘双丰. 碳交易政策对高碳产业绿色全要素生产率的影响研究[J]. 经济纵横, 2024(7): 56. DOI: 10.16528/j.cnki.22-1054/f.202407056. -
期刊类型引用(1)
1. 陈艳，丁志刚，蔡小哩，唐宇杰，王甲辛. 碳排放权交易政策的减污降碳协同治理效应研究. 中国资源综合利用. 2025(01): 194-200 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 455
- HTML全文浏览量: 99
- PDF下载量: 7
- 被引次数: 1