安徽省农业面源污染的时空演变及影响因素研究——基于空间计量模型

doi:10.11924/j.issn.1000-6850.casb2022-0915

摘要/Abstract

摘要：

安徽省是中国重要的农业生产基地，农业面源污染是影响安徽生态安全的重要制约因素。采用单元调查法和空间计量法分析2011—2020年安徽省农业污染现状和空间相关性，运用空间杜宾模型探究影响因素。研究发现：（1）2011—2020年安徽省农业面源污染排放总量呈U型，COD、TP排放量与总量相似，TN排放量呈下降趋势。（2）2011、2020年安徽省16个城市的农业面源污染排放总量空间分异特征明显，2020年各市农业面源污染排放总量低于2011年。（3）以不同的2种空间权重矩阵来测算安徽省农业面源污染排放量的空间相关性，证明存在空间正相关性，同质溢出性效应显著。（4）利用空间杜宾模型验证非农业就业比例对农业面源污染起抑制作用，农户家庭收入对农业面源污染起促进作用，二者都有显著的空间溢出效应，并且后者的促进作用大于前者的抑制作用。

关键词: 农业面源污染, 莫兰指数, 空间杜宾模型, 空间溢出, 非农业就业, 农户家庭收入

Abstract:

Anhui Province is an important agricultural production base in China, and agricultural non-point source pollution is a major restrictive factor affecting the ecological security of Anhui. The unit survey method and spatial econometric method were used to analyze the current situation and spatial correlation of agricultural pollution in Anhui Province from 2011 to 2020, and the spatial Durbin model was used to explore the influencing factors. The study found that: (1) the total amount of agricultural non-point source pollution in Anhui Province from 2011 to 2020 was U-shaped, the COD and TP emissions were similar to the total, and the TN emission showed a downward trend. (2) There were clear spatial differences in the overall level of non-point source pollution in the 16 cities, and the overall level of non-point source pollution in agriculture was better in each city in 2020. (3) Using two different spatial weight matrices to measure agricultural non-point source pollution in Anhui Province, the spatial correlation of emissions showed that there was a positive spatial correlation, indicating a significant effect of homogeneous variation. (4) The spatial Durbin model was used to verify that the proportion of non-agricultural employment inhibited agricultural non-point source pollution, and the household income of farmers promoted agricultural non-point source pollution. Both have significant spatial effects, with the latter having a greater facilitating effect than the inhibiting effect of the former.

Key words: agricultural non-point source pollution, Moran index, spatial Durbin model, spatial spillover, non-agricultural employment, farm household income

卢辞, 李明鸿, 张俊. 安徽省农业面源污染的时空演变及影响因素研究——基于空间计量模型[J]. 中国农学通报, 2023, 39(34): 105-113.

LU Ci, LI Minghong, ZHANG Jun. Research on the Temporal and Spatial Evolution and Influencing Factors of Agricultural Non-point Source Pollution in Anhui Province: Based on a Spatial Econometric Model[J]. Chinese Agricultural Science Bulletin, 2023, 39(34): 105-113.

图/表 11

参考文献 28

[1]	DENNIS L, CORWIN K. Non-point pollution modeling based on GIS[J]. Soil and water conservation, 1998, 1:75-88.
[2]	BOERS P C M. Nutrient emissions from agriculture in the Netherlands: Causes and remedies[J]. Water science and technology, 1996, 33(4-5):183-189.
[3]	华春林, 张玖弘, 金书秦. 基于文本量化的中国农业面源污染治理政策演进特征分析[J]. 中国农业科学, 2022, 55(7):1385-1398. doi: 10.3864/j.issn.0578-1752.2022.07.010
[4]	张锋, 胡浩, 张晖. 江苏省农业面源污染与经济增长关系的实证[J]. 中国人口·资源与环境, 2010, 20(8):80-85.
[5]	尚杰, 石锐, 张滨. 农业面源污染与农业经济增长关系的演化特征与动态解析[J]. 农村经济, 2019(9):132-139.
[6]	马军旗, 乐章. 中国农业面源污染的空间差异与影响因素分析[J]. 农业现代化研究, 2021, 42(6):1137-1145.
[7]	吴静茹. 经济增长对农业面源污染的影响研究——基于湖北省的宏观数据分析[J]. 管理观察, 2019(26):62-64.
[8]	徐承红, 薛蕾. 农业产业集聚与农业面源污染——基于空间异质性的视角[J]. 财经科学, 2019(8):82-96.
[9]	GROSSMAN G M, KRUEGER A B. Economic growth and the environment[J]. Nber working papers, 1995, 110(2):353-377.
[10]	曹俐, 阮晨华, 雷岁江. 中国沿海地区农业面源污染的EKC检验——基于空间杜宾模型的分析[J]. 江苏农业科学, 2021, 49(15):239-245.
[11]	黄佳琦, 刘舜佳. 农业经济增长对农业面源污染影响的实证研究[J]. 安徽农业科学, 2017, 45(14):216-217,221.
[12]	侯孟阳, 姚顺波. 异质性条件下化肥面源污染排放的EKC再检验——基于面板门槛模型的分组[J]. 农业技术经济, 2019(4):104-118.
[13]	胡静锋. 重庆市农业面源污染测算与空间特征解析[J]. 中国农业资源与区划, 2017, 38(1):135-144.
[14]	陈素琼, 刘忠敏. 湖南省农业面源污染的地区差异和影响因素研究[J]. 湖北农业科学, 2022, 61(21):217-222,227.
[15]	杨志敏, 陈玉成, 魏世强, 等. 重庆市农业面源污染影响因子的系统分析[J]. 农业环境科学学报, 2009, 28(5):999-1004.
[16]	罗斯炫, 何可, 张俊飚. 增产加剧污染?——基于粮食主产区政策的经验研究[J]. 中国农村经济, 2020(1):108-131.
[17]	张永强, 牛嘉宸. 农业劳动力结构转变对化肥面源污染的影响研究[J]. 东北农业大学学报(社会科学版), 2022, 20(3):28-37.
[18]	石华平, 易敏利. 环境规制、非农兼业与农业面源污染——以化肥施用为例[J]. 农村经济, 2020(7):127-136.
[19]	夏秋, 李丹, 周宏. 农户兼业对农业面源污染的影响研究[J]. 中国人口·资源与环境, 2018, 28(12):131-138.
[20]	徐建芬. 浙江省农业面源污染的影响因素研究[D]. 杭州: 浙江工商大学, 2012.
[21]	赖斯芸. 非点源污染调查评估方法及其应用研究[D]. 北京: 清华大学, 2004.
[22]	赖斯芸, 杜鹏飞, 陈吉宁. 基于单元分析的非点源污染调查评估方法[J]. 清华大学学报(自然科学版), 2004(9):1184-1187.
[23]	ZOU Lilin, LIU Yansui, WANG Yongsheng, et al. Assessment and analysis of agricultural non-point source pollution loads in China: 1978-2017[J]. Journal of environmental management, 2020, 263:10.
[24]	陈敏鹏, 陈吉宁, 赖斯芸. 中国农业和农村污染的清单分析与空间特征识别[J]. 中国环境科学, 2006(6):751-755.
[25]	梁流涛. 农村生态环境时空特征及其演变规律研究[D]. 南京: 南京农业大学, 2009.
[26]	张大弟, 张晓红, 陈佩啬. 上海市郊非点源污染综合调查评价[J]. 上海农业学报, 1997, 13(1):31-36.
[27]	汪波, 林晓波, 李文芬. 农业面源污染研究可视化分析[J]. 农学学报, 2020, 10(7):56-61. doi: 10.11923/j.issn.2095-4050.cjas20190600080
[28]	刘朋虎, 赖瑞联, 叶菁, 等. 基于生态文明视域的农业绿色发展思路及对策——以福建省为例[J]. 农学学报, 2021, 11(10):106-111. doi: 10.11923/j.issn.2095-4050.cjas2020-0011

污染源	调查单元	计量指标（单位）	影响系数
农田化肥	氮肥、磷肥、复合肥	施用量（折纯，万t）	复合肥氮、磷含量，氮、磷利用率，地表径流失率、地下淋溶流失率
农田固体废弃物	稻谷、小麦、玉米、蔬菜、豆类、油料作物、薯类	总产量（万t）	秸秆产量比，秸秆产污系数，秸秆利用率，秸秆养分含量；地表径流失率、地下淋溶流失率
畜禽养殖	猪、牛、羊、家禽	年末存栏量、年末存栏量（万只/万头）	排泄物产生系数，排泄物流失率
水产养殖	淡水养殖产品	淡水养殖量（万t）	产污系数
农村生活	人	乡村人口（万人）	产污系数，流失率

污染源	调查单元	计量指标（单位）	影响系数
农田化肥	氮肥、磷肥、复合肥	施用量（折纯，万t）	复合肥氮、磷含量，氮、磷利用率，地表径流失率、地下淋溶流失率
农田固体废弃物	稻谷、小麦、玉米、蔬菜、豆类、油料作物、薯类	总产量（万t）	秸秆产量比，秸秆产污系数，秸秆利用率，秸秆养分含量；地表径流失率、地下淋溶流失率
畜禽养殖	猪、牛、羊、家禽	年末存栏量、年末存栏量（万只/万头）	排泄物产生系数，排泄物流失率
水产养殖	淡水养殖产品	淡水养殖量（万t）	产污系数
农村生活	人	乡村人口（万人）	产污系数，流失率

年份	W₁		W₂
年份	莫兰指数	P值	莫兰指数	P值
2011	0.338	0.045	0.212	0.098
2012	0.343	0.041	0.212	0.095
2013	0.343	0.042	0.211	0.092
2014	0.350	0.038	0.216	0.092
2015	0.361	0.030	0.226	0.077
2016	0.361	0.029	0.233	0.067
2017	0.354	0.032	0.233	0.067
2018	0.340	0.038	0.229	0.071
2019	0.333	0.041	0.212	0.093
2020	0.332	0.042	0.211	0.094

年份	W₁		W₂
年份	莫兰指数	P值	莫兰指数	P值
2011	0.338	0.045	0.212	0.098
2012	0.343	0.041	0.212	0.095
2013	0.343	0.042	0.211	0.092
2014	0.350	0.038	0.216	0.092
2015	0.361	0.030	0.226	0.077
2016	0.361	0.029	0.233	0.067
2017	0.354	0.032	0.233	0.067
2018	0.340	0.038	0.229	0.071
2019	0.333	0.041	0.212	0.093
2020	0.332	0.042	0.211	0.094

象限	集聚类型	2011年	2020年
第一象限	高-高(HH)	阜阳、蚌埠、亳州、滁州、六安、淮南	阜阳、蚌埠、亳州、六安、淮南
第二象限	低-高(LH)	淮北、马鞍山、铜陵	淮北、马鞍山、铜陵
第三象限	低-低(LL)	黄山、池州、宣城、芜湖	黄山、池州、宣城、芜湖
第四象限	高-低(HL)	安庆、合肥、宿州	安庆、合肥、宿州、滁州