海南农业经济增长因素及地区差异的实证分析

农村劳动生产率影响因素的实证分析摘要：利用1990-2010年中国省际面板数据，就农村劳动力市场化程度对农业劳动生产率的影响进行了实证研究。

结果显示，农村劳动市场化程度对农业劳动生产率有显著的正向影响，农村劳动力市场化程度每提高1个百分点，农业劳动生产率相应提高6.05%，且该影响作用存在省际地域差异，东、中、西部依次增大，说明落后地区的农村劳动力市场化程度对劳动生产率的促进作用更大。

关键词：农村劳动力；农业劳动生产率；实证分析Empirical Analysis of the Impact Factor of Agricultural Labor Productivity ——Based on the Inter-provincial Panel DataAbstract：This paper aims to study the impact factor of the agricultural labor productivity，using the panel data of 30 provinces from 1990 to 2010 to make an empirical research. The result shows that the marketization of agricultural labor force has a positive impact on the agricultural labor productivity. If the marketization of agricultural labor force increases by 1% the agricultural labor productivity will increase by 6.05%. The impact also has regional differences，namely，the impact grows in the sequence of eastern，central and western regions，which shows that the marketization of agricultural labor force plays a greater role in promoting the agricultural labor productivity in backward areas.Key words：agricultural labor force；agricultural labor productivity；empirical analysis目前，我国农业的发展远远落后于工业和第三产业，农业劳动生产效率低下，农业GDP占比处于下降趋势。

我国农村金融的区域差异原因及对策分析作者：曹志文来源：《时代金融》2015年第23期【摘要】本文通过对我国农村金融的基本判断，认识到农村金融的区域差异源于经济发展水平的区域差异，差异化是社会经济发展的基本形态。

并认为区域经济发展水平的差异、市场化改革进程的差异、区域间金融因素的差异是农村金融区域差异的主要原因。

在此基础上，提出应该坚持因地制宜原则、市场化原则以及加强农村金融供需主体行为能力等对策。

【关键词】农村金融区域差异因地制宜近年来，在我国社会经济迅速发展的同时，区域间经济的差异化发展越来越突出，不可避免地，我国农村金融的区域差异也在不断加剧。

然而目前学术界对我国农村金融的研究主要集中在宏观经济数据分析和国家层面，着眼于农村地区，针对农村金融区域差异的研究相对薄弱。

鉴于农村金融包含的所有社会阶层都应该受益于金融发展的内在理念，对农村金融的区域差异的研究需要进一步深入。

本文首先对农村金融的区域差异进行了基本判断，并尝试探讨区域差异的形成原因。

在此基础上，试图提出有针对性的对策。

虽然农村金融问题研究在很早之前就已经得到了关注。

但是针对农村金融区域差异的研究相对薄弱，特别是关于农村地区的研究尤显不足。

国内近年来研究则侧重于宏观经济数据分析和基于三大经济地带的区域差异分析。

李阳（2008）将我国区域划分为东部、中部、东北、西部，通过对其区域农村金融总量、金融结构与金融效率的分析，认为造成区域差异的原因主要是区域经济发展水平、市场化进程、地方政府行为等，并提出运用合理的区域金融政策，实施有差别的金融制度。

蔡军、刘超（2012）认为解决农村金融区域差异性问题，合适的金融发展模式才是关键。

杨德勇等（2014）通过选取我国30个省份数据实证分析得出，发展农村金融不仅要关注区域间差异，还要重视区域内差异问题。

并且提出农村金融发展不仅要考虑到金融改革问题，还要考虑到不同区域的经济发展水平。

一、农村金融区域差异的基本判断农村金融的区域差异源于经济发展水平的区域差异。

农村一二三产业融合发展对农民收入的影响及其区域异质性分析一、本文概述随着全球化和现代化的深入推进，农村经济的发展越来越受到社会各界的关注。

特别是在中国，作为一个农业大国，农村经济的稳定和发展对于整个国家的经济繁荣和社会稳定具有重要意义。

农村一二三产业的融合发展，作为新时代农村经济发展的新模式，对于提高农民收入、优化农村经济结构、推动农村现代化进程具有重要作用。

本文旨在深入探讨农村一二三产业融合发展对农民收入的影响，并进一步研究这种影响的区域异质性。

本文首先对农村一二三产业的融合发展进行概念界定和现状分析，明确融合发展的内涵、特点和发展现状。

然后，通过构建理论模型，分析农村一二三产业融合发展对农民收入的影响机制，揭示融合发展如何促进农民收入的增长。

接着，利用全国范围内的统计数据，运用计量经济学方法进行实证分析，验证理论模型的正确性，并深入探讨融合发展对农民收入的具体影响。

在此基础上，本文进一步分析农村一二三产业融合发展对农民收入影响的区域异质性。

通过比较不同地区、不同经济发展水平下的融合发展对农民收入的影响，揭示融合发展在不同区域的差异性和特点。

这有助于我们更全面地理解农村一二三产业融合发展对农民收入的影响，为制定更具针对性的农村经济发展政策提供理论依据。

本文根据理论分析和实证研究结果，提出促进农村一二三产业融合发展的政策建议，以期为实现农民收入持续增长、推动农村现代化进程提供有益参考。

本文也指出了研究中存在的局限性和未来研究方向，为后续研究提供参考和借鉴。

二、农村一二三产业融合发展的概念和理论基础随着全球化和现代化的快速推进，农村经济不再局限于传统的农业生产，而是逐渐融入了三产业的元素，形成了一种新型的发展模式——农村一二三产业融合发展。

这种发展模式以农业为基础，通过产业链的延伸和产业的交叉融合，实现了农业、工业和服务业之间的有机衔接和协同发展。

农村一二三产业融合发展的理论基础主要源于产业融合理论、产业链理论、区域经济发展理论等。

中国各省经济发展差异性研究及实证分析李波;祁浩宇【摘要】衡量各地区经济发展的差异性,有助于我国实现经济全面发展、全民奔小康的宏伟战略.我国各省的经济基础、地理位置、交通和人文等环境的不同,必然导致各省经济发展有差异.各省经济发展差异较大时,会导致经济发展劣势地区人口流向经济发展优势地区,由此会带来治安、城市拥堵等一系列问题,也会影响全民奔小康的战略目标的实现.不同地区GDP数据反映了各地经济发展状况,这里采用国家统计局的分省GDP数据,探讨我国各地区经济发展的差异性.文章利用基于巴氏度量的模糊聚类方法,对分省年度GDP数据进行聚类分析,度量了地区经济发展差异水平.实证分析结果表明:我国各省GDP总体增长态势稳中向好,各地区经济增长差异相对不大,各地的经济政策有效激励了各地区的经济增长.中国经济发展稳中向好的态势将得到进一步巩固和增强.【期刊名称】《哈尔滨师范大学社会科学学报》【年(卷),期】2018(000)003【总页数】4页(P85-88)【关键词】GDP;发展差异性;巴氏度量;模糊聚类【作者】李波;祁浩宇【作者单位】安徽财经大学金融学院,安徽蚌埠233030;安徽财经大学金融学院,安徽蚌埠233030【正文语种】中文【中图分类】F2一、引言国内生产总值(GDP)反映了特定时间内某地区所产生的价值，是衡量该地区经济状况的最佳指标。

对GDP数据的分析，一直是经济领域的热点问题。

相关学者提出多种分析方法，分别讨论了多种经济现象，Michele Battisti研究了地区经济状况的评价问题[1](P837-840)。

Michael A. Williams探讨了全球GDP增长率分布问题，基于数据的分析得到制约经济增长动力的规律[2](P750-758)。

Shahram Amin探讨影响GDP条件方差的因素并不是传统因素[3](P376-387)。

众多重要成果基于GDP数据的分析，由此可见，GDP数据是分析经济状况的重要依据[4](P92-94)。

重庆科技学院学报渊社会科学版)2021年第3期Journal of Chongqing University of Science and Technology(Social Sciences Edition)No.32021安徽省区域经济差异作用因素研究—基于市域面板数据的实证分析贾婷婷1张宾2(1.安徽新华学院财会与金融学院，合肥230088；2.安徽省建筑设计研究院有限责任公司，合肥230088)摘要:区域经济差异是多种社会经济因素作用的结果，探索安徽省区域经济差异的作用因素对其经济协调发展、整体经济发展水平的提升意义明显。

对安徽省区域经济差异作用因素进行理论分析，搭建区域经济差异作用因素框架，并利用2015—2019年安徽省各地级市的面板数据进行实证分析。

研究发现,安徽省区域经济差异受到制度、产业、劳动力、资本、自然等因素的影响;政策扶持力度、产业结构、劳动力质量、人力资本投入、区位优势是最主要、最具代表性的5个因素;各因素对安徽省区域经济发展水平差异和发展速度差异均存在正向作用。

其中，政策扶持力度和产业结构是作用力度最大、显著性最高的两个因素，其他因素的作用力度及显著性稍弱。

关键词：区域经济差异；协调发展；安徽省中图分类号:F061.5文献标识码:A文章编号：1673-1999(2021)03-0048-07区域经济差异是一种普遍性的经济现象，由于不同区域在自然资源、生产要素、产业基础等方面存在差异，因此，区域经济差异是客观存在的。

安徽省作为我国中部地区的一个重要省份，在发展过程中面临着跨越式发展和区域经济协调发展的双重考验。

进入21世纪以来，安徽省经济发展水平得到了显著提高，目前已进入工业化中期发展阶段，但现阶段安徽省区域经济发展差异比较突出，并呈现出不断加剧的态势。

2015年，安徽省各地级市GDP高于全省平均水平的有5个,省会合肥市的GDP总量最高，达到5660亿元，池州市的GDP总量最低，只有530亿元，前者约为后者的10.7倍。

乡村振兴摘要：本文基于我国31个省市自治区2010-2020年面板数据，通过构建空间杜宾模型研究银行信贷与农村经济增长的空间关联性。

结果表明：样本期间内，农村经济增长呈现明显的空间集聚特征；银行信贷规模、效率等与农村经济增长存在显著关系，其中银行信贷规模对农村经济增长起到反向作用；而银行信贷效率具有显著正向影响且存在正向空间溢出效应。

因此，推动农村经济增长，不能一味的扩大“量”，还需提升“质”，提高信贷效率，支持实体经济发展。

关键词：农村经济增长 银行信贷 空间计量模型一、引言“十三五”时期，中国加快推进农业农村现代化建设，832个贫困县、12.8万个贫困村全部摘帽，乡村振兴实现良好开局。

然而，我国农业农村发展仍面临许多矛盾和挑战，如农村地区产业发展基础薄弱、农村金融市场体系不完善等深层次、结构性问题。

对此，《“十四五”推进农业农村现代化规划》中强调深化农业农村供给侧结构性改革，巩固拓展脱贫攻坚成果，坚持农业农村现代化，全面实施乡村振兴战略。

而夯实乡村振兴的经济社会基础离不开金融的有力支撑。

银行作为金融体系中至关重要的组成部分，通过吸收存款和发放贷款来解决微观主体面临的融资问题。

通过加大银行对“三农”信贷支持，推动金融资源流向农业农村，从而提高产出效率、推动农业农村经济发展。

因此，研究银行信贷与农村经济发展间的关系对服务微观主体、扎实推进乡村振兴具有重要现实意义。

由于我国幅员辽阔，中国农村区域经济发展十分不平衡，发达地区农村与欠发达地区农村经济发展水平都存在较大的差异。

因此，地理空间因素也是影响农村经济增长不可忽视的重要原因之一。

伴随着区域资源要素流动，省域、城乡的互动联系，从空间地理的视角来分析我国银行信贷与农村经济发展的内生关系以及溢出效应，对于促进农村经济增长起到一定作用。

二、文献综述迄今为止，关于银行信贷与农村经济增长关系的研究还没有统一的定论。

King和Levine（1993）通过对发展中国家进行研究，发现农业信贷效率低会阻碍农业生产增长。

海南省各市县居民消费水平分析与评价陈奕娟;何利芳;张诚一【摘要】以前的相关文献，基本上都是单一的海南省城镇（或农村）居民消费结构的研究，鲜见关于研究海南居民消费水平的文献。

文章根据海南省2003-2012年居民消费水平的相关数据，从统筹的角度对城乡居民消费水平进行实证分析与评价。

研究发现，除城乡居民的消费水平与当地的经济水平发达程度具有很强的正相关性外，教育消费在居民消费中占越来越大的比重；同时，人口增长率、城市化率和城乡收入差距等因素对市县整体居民消费水平的影响也不容忽视。

从而为今后市县城镇化建设规划提供了数据支撑。

%The previous literatures generally study consumption level of the single urban or rural residents in Hainan, but there are few documents about the residents' consumption level in Hainan. According to the data in 2003-2012, this paper analyzes and evaluates the overall consumption level of urban and rural residents in Hainan. It reveals that the urban and ru⁃ral resident consumption trend shows strong positive correlation with each respective local economic status. The education expense accounts for gradual increasing part of resident consumption cost. In addition, the population growth, the urbaniza⁃tion rate, and the income differentiation between urban and rural resident play a significant role in consumption behavior. The result from this study provides references for the future urbanization planning.【期刊名称】《海南师范大学学报（自然科学版）》【年(卷),期】2014(000)004【总页数】5页(P355-359)【关键词】海南;消费水平;模糊ISODATA算法;模糊聚类分析【作者】陈奕娟;何利芳;张诚一【作者单位】海南师范大学数学与统计学院，海南海口 571158;海南师范大学数学与统计学院，海南海口 571158;海南师范大学数学与统计学院，海南海口571158【正文语种】中文【中图分类】O212;F126.1研究居民消费水平及其结构，不仅关系到对当地民生状况的实际掌握，而且对于改善政府投资趋势、优化投资结构、拉动、扩大内需，具有重要的意义.从以往相关文献的研究[1-10]可以发现，研究对象要么是研究城镇居民消费结构、要么是研究农村居民消费结构，鲜见综合研究城乡居民消费水平的文章.从指标的选取来看，大都是从消费结构方面选取，如食品、衣着、居住、用品、医疗、交通、文娱、杂项商品和服务等，与社会发展程度的联系较少.应该从统筹的角度对城乡居民消费水平进行实证分析，才能较全面地反映各市县整体居民消费水平.本文首先将影响居民消费水平的因素按照根本因素、主要因素和其他因素分类.分别在根本因素中选取人均GDP，在主要因素中选取城市居民人均可支配收入、农村居民人均纯收入、城乡收入差距，在其他因素中选取在校大学生数、教育经费、城镇化率、人口自然增长率等为评价指标，运用加权模糊ISODATA聚类算法对海南各市县居民消费水平进行聚类，对分类结果开展实证分析、探究原因，并针对这些现象及原因，提出相应的政策、措施和建议，为今后市县城镇化建设规划提供数据支持.1.1 模糊ISODATA聚类分析方法简介[11]设被分类对象集合为U={u1，u2，…，un}，其中每一个对象ui均有m个特性指标，即ui=（ui1，ui2，…，，相应的特性指标矩阵为现在将对象集U分成c类（2≤c≤n），设c个聚类中心向量构成的矩阵为为了获得一个最佳的模糊分类，按照下列聚类准则，从模糊分类空间Mfc中选出一个最好的模糊分类.其中聚类问题可以转化为如下优化问题：Bezdek证明了可以通过模糊ISODATA算法进行迭代运算，并且运算过程是收敛的.具体步骤：第一步：选定分类数c（2≤c≤n），取一初始模糊分类矩阵，逐步迭代，l=0，1，2，…，第二步：对于R（l），计算聚类中心矩阵，式中第三步：修正模糊分类矩阵R（l），取第四步：比较R（l）与R（l+1），若对取定的精度εϕ0，有ε，则R（l）和V（l）即为所求，停止迭代；否则，l=l+1，回到第二步，重复进行.1.2 改进算法为了在应用上更能适合实际情况的需要，将考虑指标权重对消费水平的作用，设指标权向量为w= {w1，w2，…，wm}，则聚类样本uk与类别Vi间的差异，可用广义欧式权距离表示，所以（1）和（2）式的距离将是改进后的广义欧式权距离.2.1 数据的获得和权重的确定为了保证研究的科学性，本文使用的数据均来自海南省统计年鉴（其含义可见海南统计年鉴）.根据信息熵方法来确定各个因素指标对消费水平影响的重要性权重wj （j=1，2，…，8）：通过（3）式、（4）式和（5）式确定每个属性的熵Ej，差异程度dj和标准化的权重wj分别计算，结果见表1：（精确到万分之一）.故各指标的权重为：W=（0.1657，0.1073，0.0838，0.0987，0.2130，0.2018，0.0708，0.0589）.2.2 数据规格化及确定初始模糊分类矩阵由于特性指标的量纲和数量级不一定相同，对分类结果产生不同的影响，为了消除特性指标数量级不同的影响，故利用式（6）对数据进行规格化处理.同时得到相应的初始模糊分类矩阵R（0），并确定分类数c=4，取q=2，精确度ε=0.001.2.3 聚类结果经过计算机多次迭代运算，得到如表2所示的各类聚类中心.根据对象uk与哪一个聚类中心向量最靠近，就将它归到哪一个类，所以得聚类结果见表3.根据海南统计年鉴的数据和实际情况，可以发现：海口、三亚的8个指标的数据比其它市县都大，文昌、琼海、澄迈、临高、儋州、东方相对其它地方也大，五指山、屯昌、琼中、保亭、白沙、昌江最小，也就是第2类的消费水平最高，第1类的消费水平较高，第4类的消费水平低，第3类的消费水平最低.通过分析聚类结果以及统计年鉴的数据，可以发现以下现象：1）虽然聚类是按市县的消费水平分类，不是按经济发展水平分类，但是由表4可知，海南省区域经济发展状况呈现以下特点：海口、三亚经济发展状况综合得分最高；琼海、澄迈、文昌、儋州、万宁次之；白沙、琼中、乐东、临高、屯昌最低.另外，从分类结果和统计年鉴的数据来看，第2类的消费水平最高，第1类的其次，第3类的最低.所以分类的结果与市县的经济发展水平也密切相关，即居民的消费水平与当地的经济发展水平有很强的正相关性.2）三亚作为海南省旅游最发达的地区，经济水平比其他市县都高.同时从海口和三亚这两个城市的数据（见表5）也可以发现，三亚的根本因素指标和主要因素指标的数据都比海口大.但在校大学生数、教育投资以及城镇化率却低于海口，这就是为什么海口和三亚聚为一类的原因，也就是说教育消费在居民消费中占较大的比重，从权重也可佐证.3）海口与儋州比较（见表5），虽然它们数据相似，但是它们没有分在同一类，原因是儋州城镇化率低，人口增长率高，所以除教育消费外，人口增长率和城市化率也是影响居民消费水平的重要因素.4）临高、昌江位于海南的西部，经济水平并不发达，二者相比（见表6），昌江的经济水平要比临高好.但是临高与文昌、琼海、澄迈、儋州、东方分到了同一类；昌江却分到了第3类，究其原因，主要是受城乡收入差距的影响.从数据上来看，昌江的城乡收入差距比临高的要大，甚至在18个市县中排名第3，这就是为什么经济水平差的临高排在了昌江的前面.同时也说明了虽然消费水平与市县的经济发展状况有很强的正相关性，但城乡收入差距对各市县居民消费水平的影响也是不可忽视的.5）从8个指标的数据来看（见表7）：海南中部地区的消费水平最低.海南中部地区的市县有五指山、琼中、屯昌、白沙，这些市县的数据相对较小且这四个市县都分到了第3类，其原因是海南中部地区是一个生态资源丰富、少数民族聚居的地区，长期封闭，经济落后，教育水平低，城镇居民少.1）努力办好人民满意的教育，满足群众对优质教育越来越迫切的需要，促进居民的教育消费投入.首先大力加强基础教育；其次，加快建设职高的培养基地；最后对已建的高校，我们可以根据当地的需求，创办当地特色专业，为当地提供相应的高质量的技术人才，另外还可以和其他高校联合培养当地所需要的特色人才.2）缩小城乡收入差距.一要不断完善强农惠农富农政策，落实各项补贴，努力促进农民持续增收；二要大力发展现代农业，增强农产品供给保障能力；三要充分利用各地优势资源，发展特色经济，尤其要扶持农产品加工业，从而拓展农民的就业领域.比如大力发展文昌鸡、海南和牛、琼中养蚕、白沙竹笋加工、保亭什玲鸡.3）控制人口的增长，因为人口越多，居民的消费水平越低，这也是海南整体消费水平一直不佳的原因之一.特别是三亚、儋州、保亭、陵水虽然经济较为发达，但是居民消费水平不高，原因是人口增长率高.影响人口增长率的因素主要是经济、文化、医疗卫生，因此控制人口的增长，应从如下三方面着手：一是加强计划生育的宣传力度；二是对于超生的人员采取经济惩罚；三是提高医疗卫生水平.4）大力发展经济，不断地夯实人口城镇化发展的基础、提供良好的教育和社会保障等软环境.通过提升北部组团综合经济实力，增强对全省的幅射带动和综合服务能力；打造南部旅游经济圈，突出中心城市功能建设；高水平建设东部滨海旅游城市，提升现代服务业水平；加快西部组团新型工业建设，为经济增长提供强大后劲；强化中部组团生态功能区作用，发展山区特色经济.5）缩小中部地区与其他地区的差距.海南中部不仅是国家生态保护地区，也是民族地区，更是海南生态环境的重要屏障.由于海南拥有丰富的自然旅游资源和人文旅游资源，可以从可持续发展的角度全面发展丰富多样的自然生态旅游资源和独特的人文生态旅游资源.比如强化中部的生态功能区，充分发挥其资源优势，发展生态旅游业，重点建设黎族苗族文化旅游项目，大力发展山区种植业和养殖业；同时，国家要适当增加补助，政府要认真落实当地居民的优惠补贴政策，扶持中部生态功能区建设，加大对农村职业教育和农民工技能培训的投入力度，培养更多技术型的新型农民.本文从影响消费水平的因素中选取8个指标，运用加权模糊ISODATA聚类算法，对海南18个市县的居民消费水平进行模糊聚类分析.为今后海南各市县城镇化建设提供了数据支持.证分析[J].安徽商贸职业技术学院学报:社会科学报, 2005,4(4):24-27,67.[5]过建春,张玉梅,卢江勇.需求弹性的测定及其在市场营销策略制定中的运用——以海南城镇居民消费需求分析为例[C]//中国市场学会.2006年年会暨第四次全国会员代表大会论文集,2006:1842-1850.[6]邹文涛,孙荣君,蔡磊,等.海南省农村居民消费结构的实证分析[J].内蒙古农业科技,2008(5):19-20.[7]刘德芬,纪礼文,安文娟.主成分分析和聚类分析在地区综合消费水平评价中的应用—基于中国31个省市城镇居民家庭消费性支出的研究[J].大众商务,2010(116):14.[8]王言英,苗俊红.海南省农村居民消费结构比较研究[J].海南大学学报:自然科学报,2011,29(4):319-323.[9]苗俊红.基于因子分析与聚类分析的海南省城镇居民消费结构研究[J].海南广播电视大学学报,2012,13(1):68-71.[10]周俊梅.城镇居民消费结构发展趋势分析—以海南省为例[J].科技信息,2013(3):178,208.[11]陈水利,李敬功,王向公.模糊集理论及其应用[M].北京:科学出版社,2005:94-118.【相关文献】[1]吴文林.消费水平及其指标体系[J].商业研究,1996,168 (4):37-38.[2]高静川.论海南居民消费需求现状及发展趋势[J].海南广播电视大学学报,2005(2):36-38.[3]梅翠,单培.地区收入差距及其对消费影响的聚类分析[J].南京审计学院学报,2005,2(3):7-10.[4]张玉梅,卢江勇,过建春.对海南省城镇居民消费结构的实。

海南省人口流动对城市化进程影响实证分析下面是小编为你整理整合的一些关于人口问题的论文，欢迎借鉴参考，希望对你有帮助。

1绪论改革开放以来，我国人口流动表现出大规模和急剧增长趋势。

2014年我国流动人口总量达到2.53亿，预计到2020年，我国流动迁移人口将增长到2.91亿。

大规模的人口流动必然会促使我国城市化进程的加快，随着人口流动总量的迅速增加，2015年我国城市化水平为56.1%。

人口迁移流动和城市化关系的研究，主要体现在以下几个方面：一是从区域经济学相关理论的视角出发，探讨人口流动与城市化的关系，如冯云廷、任远等通过研究发现，城市化过程是资源与要素在城乡地域间和产业间重新配置和组合的过程，劳动力的迁移流动和重新分布是其中的一个重要部分。

二是从发展经济学的视角讨论人口流动与城市化的关系，Lewis指出农业生产率和农业现代化水平的提高，导致了农村剩余劳动力成为人口城市化的源泉，而Rosenzweig and Stark则从风险理论的角度，发现低收入国家中妇女乡城迁移往往与原生家庭存在某种契约关系，其婚姻和契约目的是在有信息成本和空间共变风险的环境中，减轻收入风险。

三是从人口城市化理论的视角讨论人口流动与城市化的关系，如李竞能认为，城市化是人口向城市集聚和城市人口自然增长所导致城市人口比重上升的过程，因此城乡人口迁移集聚和城市部门人口的自然增长共同构成了城市发展的源泉。

除此之外，我国学者更多的是从数理角度分析我国城市化水平提高的影响因素，分析我国城市人口增长来源等。

海南省作为我国最大的经济特区，其城市化进程和人口流动尤其独有的特点，本文将从城市化与人口流动之间关系的理论和实证研究出发，分析海南省18个县市人口流动现状、城市化现状及二者之间的关系，以期寻找海南省人口流动和城市化进程中存在问题，并提出相应对策。

2海南省人口流动、城市化现状分析2.1海南省人口流动现状及特征本文重点分析海南省18个县市人口流入规模，所采用数据来源于1991-2015年《海南省统计年鉴》，用地区常住人口与户籍人口的差额来衡量海南省及各县市人口流动情况。

中国农业碳排放的地区差异和影响因素分析杨钧【摘要】利用1996-2009年中国27个省级地区农业生产的相关数据,核算了相关省份农业生产导致的二氧化碳碳排放量,并分析了农业碳排放的地区差异.结果表明,中国省级地区的农业碳排放存在着显著的地区差异.利用各地区的农业碳排放数据,采用面板数据分析方法,对全国层面和东、中、西地区碳排放的影响因素进行了实证分析.结果表明,农业从业人口和农业机械化水平的提高,显著增加了各地区的农业碳排放量,农村人力资本积累则一定程度地减少了农业碳排放量,而农业生产发展与碳排放量之间的关系并不稳定.%Based on 27 Chinese provincial agriculture consumption data during 1996-2009, this paper calculates the agricultural dioxide carbon emission data from these provinces, and analyzes the carbon emission difference between diverse geographic areas, the analysis shows that there is significant regional difference in Chinese provincial agriculture carbon emission. Then, on the basis of regional carbon emission data calculated, this paper investigates the factors which influence the national, eastern, central and western agriculture carbon emission through panel data analysis, empirical results show that,the development in agricultural employment and agricultural mechanization development both increase the carbon emission, rural human capital accumulation to some extent reduces carbon emission, however, the relationship between agriculture development and carbon emission is not stable.【期刊名称】《河南农业大学学报》【年(卷),期】2012(046)003【总页数】7页(P336-342)【关键词】农业碳排放;地区差异;影响因素【作者】杨钧【作者单位】新乡学院管理学院,河南新乡453003【正文语种】中文【中图分类】F303二氧化碳排放引发的温室效应是当前全球关注的重要问题，联合国政府间气候框架组织(IPCC)的研究结果表明，人类生产、生活所导致的温室气体排放是全球气候变暖的主要原因．国际能源局(International Energy Agency，IEA)的数据显示，中国2007年能源消耗产生的二氧化碳排放量已高达60．32亿t，超越美国成为全球第一大温室气体排放国［1］．农业生产作为中国经济的重要基础，自改革开放以来，生产条件大为改善，生产效率大为提高，生产规模获得了较大发展;但在迅速发展的同时，电力、化石能源、化肥和农药等导致二氧化碳排放也在不断增加．考虑到当前面临的巨大碳减排压力以及农业生产在国民经济中的重要作用，研究中国农业生产的碳排放问题意义重大．对于农业碳排放问题，现有文献的研究主要可分为以下2类:一类是核算农业生产产生的碳排放量．如WEST等［2］以美国玉米生产为例，细致核算了农业生产产生的碳排放量;DYER等［3］分别利用经济与碳排放量模型、化石能源消耗与碳排放量模型，估算和比较了加拿大地区层面的玉米生产产生的碳排放量;黄祖辉和米松华［4］以浙江省为研究对象，通过投入产出和生命周期分析法，分析了当地农业生产的碳足迹．另一类是研究农业碳排放量的影响因素．如李国志和李宗植［5］利用LMDI(Logarithmic mean weight Divisia index)分解方法，分析了全国层面的农业碳排放量的影响因素;李波等［6］同样利用LMDI方法，分析了全国层面的农业碳排放量的影响因素;李国志等［7］基于环境库兹涅茨曲线(EKC)模型，分析了全国层面农业碳排放量与经济发展之间的关系．农业碳排放量的研究也存在一定缺憾．首先是研究对象方面，多数研究基于国家层面的研究数据进行分析，基于地区层面的研究较为少见，尤其是基于中国省级地区的研究更少．其次，在研究角度上，现有研究重视对农业碳排放量和影响因素的分析，对农业碳排放量的地区差异的研究略显不足，少有的区域差异研究在研究基础上存在一定缺陷．最后，在研究方法上，多数研究侧重于因素分解和时间序列数据分析，利用地区层面的面板数据对各地区碳排放量的影响因素和差异的分析极为少见．本研究较为科学地估算了中国27个省级地区1996—2009年农业生产产生的碳排放量;在根据相关省份经济、地理因素进行东、中、西地区分类的基础上，比较分析了3类地区的碳排放量差异;最后，综合利用面板数据分析方法，比较分析了全国和东、中、西地区碳排放量的影响因素．通过较为系统地分析中国省级地区农业碳排放量，一定程度上弥补了现有研究的缺陷．1 农业碳排放量的核算和地区差异1．1 农业碳排放量的核算目前，由于并无中国农业碳排放量的客观观测数据，现有的国内农业碳排放量研究多采用估算方法．对现有农业碳排放各种估算方法综合分析，比较而言，黄祖辉和米松华［4］的核算方法较为全面地反映了中国农业生产中的碳排放影响因素．该方法主要核算各地区农业生产中能源消耗(煤炭、焦炭、汽油、柴油、天然气、煤油、燃料油、原油和电力等9种能源材料)、农业生产投入(化肥、农药和农膜等3种农用材料)所导致的碳排放量．计算公式为:式中:Ct表示碳排放总量;Xi表示第i种碳排放源的实物消耗量;ei表示第i种排放源材料的二氧化碳排放系数，Ct和 Xi单位均为 t．采用 IPCC［9］的方法估算消耗能源材料的二氧化碳排放系数，各种能源材料的碳排放系数分别为:e煤炭=1．83 kgCO2·kg-1，e焦炭 =2．83 kgCO2·kg-1，e汽油 =2．92 kgCO2·kg-1，e柴油 =3．19 kgCO2·kg-1，e天然气 =21．62 kgCO2·m3，e煤油 =3．05 kgCO2·kg-1，e燃料油 =3．13 kgCO2·kg-1，e原油 =3．01 kgCO2·kg-1，e 电力 =0．86 kgCO2·(kWh)-1．由于并非所有的电力消耗都导致碳排放，借鉴冉光和［8］的做法，对电力的二氧化碳排放系数乘以0．75，以反映火电占全国电力供应的比重．化肥、农药和农膜的二氧化碳排放系数则参考李波等［6］计算方法，分别为:e化肥 =0．895 kgCO2·kg-1，e农药 =4．93 kgCO2·kg-1，e农膜=5．18 kgCO2·kg-1．各省级地区能源消耗的数据来自于1997—2010年“中国能源统计年鉴”中各省能源消耗平衡表中“农、林、牧、渔”的最终能源消耗;各省级地区化肥、农药和农膜的消耗数据来自于相应年份的“中国农村统计年鉴”．1．2 碳排放地区分布差异表1给出了1996年、2009年中国27个省份农业二氧化碳排放量．1996年、2009年各省碳排放量和研究期内各省的平均值比较结果表明，绝大部分省份的农业碳排放量在研究期内显著增加，意味着研究期内中国农业碳排放量绝对增长．北京、上海、江苏、云南和贵州等地区的碳排放量则有所下降，前3个地区碳排放下降反映农业生产规模的下降和农业生产效率的提高，后2个地区则可能主要是农业生产效率提高的原因．各地区碳排放量的比较结果表明，沿海地区省份碳排放量呈两极分化现象，河北、山东、江苏、广东等省份的碳排放量位居前列，北京、天津、上海等地区则相反;中部省份的碳排放量变化相对较小，大部分处于全国中等偏上水平;西部省份的碳排放量整体处于中等偏下水平．这表明，中国农业碳排放主要来源于东部和中部地区，西部地区则相对较少．表1 中国27个省份的农业二氧化碳排放量Table 1 China’s 27 provincial carbon dioxide emissions in agriculture 104t地区Areas 省份Provinces 1996 2009 均值Mean 排名Rank北京东部East Beijing 249 239 224 24天津Tianjin 267 165 216 26河北Hebei 703 2 209 1 336 1辽宁Liaoning 396 608 491 14上海Shanghai 275 162 225 23江苏Jiangsu 1 182 836 981 4浙江Zhejiang 650 828 755 6福建Fujian 334 420 370 19山东Shandong 867 1 447 1 105 2广东Guangdong 814 1169 969 5中部Central山西Shanxi 669 679 672 9吉林Jilin 175 271 267 20黑龙江Heilongjiang 542 774 678 8安徽Anhui 434 396 388 18江西Jiangxi 323 406 417 16河南Henan 866 1 302 1 099 3湖北Hubei 521 1 007 705 7湖南Hunan 465 1 199 665 10西部West 内蒙古Inner Mongolia 244 790 467 15广西Guangxi 144 327 221 25四川Sichuan 420 702 610 12贵州Guizhou 135 58 229 22云南Yunnan 318 190 233 21陕西Shanxi 276 630 416 17甘肃Gansu 356 819 617 11青海Qinghai 32 41 27 27新疆Xinjiang 384 958 550 13由表1可知，除个别年份外，研究期内3类地区的碳排放强度均处于明显上升的态势．3类地区间碳排放强度的绝对比较结果表明，东部地区的碳排放强度显著高于中、西部地区，几乎是中西部地区碳排放强度的2倍;中西部地区的碳排放强度则较为接近，但中部地区略高于西部地区．此种差异可能是东部地区农业生产中能源、化肥、农药等生产资料的消耗强度显著高于中西部所致．3类地区碳排放强度的变化走势表明，中部地区的碳排放强度相对稳定，研究期内仅上升0．2 t·人-1;西部地区的排放强度增势最为明显，增长了0．4 t·人-1，且势头强劲;东部地区的碳排放增幅居中，上升了0．3 t·人-1．这或许反映了西部地区农业生产从主要依靠人力投入的传统农业向资源投入型现代农业转变．2 农业碳排放的影响因素分析2．1 模型的构建现有关于碳排放影响因素的研究，多基于2类模型进行分析．一类研究基于“I=PAT”方程来考查碳排放的影响因素，此种方式主要考察人口规模(P)、人均财富(A)和技术水平(T)对碳排放(I)的影响;另一类研究则借用 Grossman和Krueger［10］的研究框架，利用环境库兹涅茨曲线(EKC)来考查相关因素对碳排放的影响．但由于在研究各影响因素时“I=PAT”模型存在等比例效果的缺陷，部分学者采用STIRPAT模型［11］，考查相关因素对碳排放差异性的影响．考虑到STIRPAT的通用性，本研究用STIRPAT模型作为基础模型，其模型为:式中:I为碳排放量;P为人口规模;A为人均财富;T为技术水平．为了直接获得相关因素对碳排放直接影响系数，同时，更好地消除异方差性，对式(2)两边取对数，得到式中:b，c，d直接反映了人口、财富和技术因素对碳排放的影响;ln a为常数项．考虑到农业生产的实际情况，本研究用农业就业人口p反映模型中的人口规模;用农业人均收入ey反映模型中的财富状况;用农用机械水平(m)和人力资本状况(h)来反映技术水平．同时，为了考查人均收入与碳排放的非线性关系，并与现有EKC模型的研究对照，在解释变量中引入人均收入的二次型．最终，得到的计量分析模型如下:式中:i表示地区;t表示年份;c为常数项;μi，t为随机误差项．2．2 计量方法、数据和变量说明由于本研究的实证分析主要采用面板数据分析方法，采用Hausman检验值作为模型选择固定效应(FE)和随机效应(RE)分析的依据，考虑到各省区碳排放以及相关数据可能存在异方差问题，在普通最小二乘法(OLS)估计的基础上，同时采用Cross-section加权的广义最小二乘法(GLS)估计检验相关模型．由于GLS估计值相对更加科学，实证分析主要基于GLS的估计结果，OLS估计值作为参考．同时，考虑到各地区在碳排放和相关影响因素的差异，在计量分析全国层面的地区数据的同时，分别对东、中、西3类地区的碳排放影响差异进行了回归估计，以便科学地考查中国农业碳排放影响因素的作用以及各地区在农业碳排放方面存在较大差异的原因．实证分析中所有涉及价值形态的数据，均采用1990年为基期的消费价格指数进行处理．考虑到数据的可得性和一致性，本研究的省区数据并未包括港澳台地区、西藏自治区、宁夏自治区、海南省和重庆市．其中，1997年后重庆市的相关数据并入四川省处理．计量模型中碳排放总量I，由估算的各地区农业生产中12种碳排放源导致二氧化碳排放量表示，单位为万t，该指标反映了各地区农业碳排放水平的变化．人口规模(p)用各省区第一产业的从业人数表示，单位为万人，该指标反映了农业人口规模变动对农业碳排放的影响．人均财富(ey)，考虑到现有研究多采用人均GDP来考查经济发展对碳排放的影响［11，12］，本研究用各省区农业人口的人均第一产业产值来衡量，单位为元·人-1，用以反映农业经济发展水平对农业碳排放的影响．农用机械水平(m)和农村人力资本水平(h)主要考虑农业技术水平变化对农业碳排放的影响．其中，农用机械水平由各省区人均农业从业人口的农业机械动力功率来表示，单位为kW·人-1．各省区农村人力资本的计算则较为复杂，本研究借鉴钱雪英和张小蒂［13］的做法，估算了各省区农村居民家庭劳动力的文化状况，单位为a．2．3 实证结果与分析表2给出了实证研究的主要变量统计性描述．由表2可见，东、中、西部地区在碳排放和相关影响因素方面存在较大差异:平均碳排放量、农业从业人口方面，中部地区和东部地区显著高于西部地区，且中部地区也高于东部地区;人均农业产出、人均机械动力水平和人力资本状况方面，3类地区则呈现出显著的东、中、西依次递减的态势，反映了中国农业生产的地区差距．表3给出了变量之间的Spearman相关系数．由表3可知，解释给出了变量之间不存在十分严重的线性相关关系．表4给出了计量回归分析主要结果和相关检验结果．其中，模型1，2是对全国层面碳排放影响因素的分析，模型3，4、模型5，6、模型7，8 分别是对东部、中部和西部地区碳排放影响因素的分析．Hausman检验显示，全国层面和东部地区的估计，采用固定效应估计法，而中部、西部地区则采用随即效应估计法．由可调整的R2值和F检验值可知，与OLS的估计结果相比，GLS估计的拟合程度更好;而从相关的解释变量回归系数的显著性来看，GLS估计的显著性也有所提高．由于GLS和OLS回归方程中大部分解释变量的影响方向、程度和显著性并无较大变化，说明计量结果是稳健的．表2 东、中、西地区的变量统计性描述Table 2 Descriptive Statistics of Variable in East，Central and West China地区变量Variable ln I/ ln p/ lney/ ln m/ ln h/areas 104t 万人 (元·人-1) (kW·人-1) a均值东部East Mean 6．25 6．23 8．45 0．99 2．14标准差 SD 0．74 1．33 0．37 0．62 0．08最小值 Min 4．82 3．86 7．68 -0．01 1．97最大值 Max 7．70 7．83 9．26 2．05 2．35均值中部Central Mean 6．31 7．07 7．95 0．64 2．08标准差SD 0．47 0．58 0．44 0．47 0．05最小值 Min 5．10 6．24 7．10 -0．49 1．97最大值 Max 7．17 8．18 8．98 1．47 2．18均值西部West Max 6．87 8．27 8．91 1．64 2．18 Mean 5．61 6．75 7．69 0．29 1．95标准差 SD 0．98 0．89 0．52 0．6 0．14最小值 Min 2．92 4．81 6．84 -1．17 1．60最大值表3 变量间Spearman相关系数Table 3 Results of Spearman Correlations testln I ln p ln ey ln m lnh ln I 1 0．259 8 -0．210 7 0．187 6 0．323 7 1 ln p 0．475 1 1 ln ey 0．119 6 -0．153 0 1 ln m 0．209 7 -0．342 6 0．213 5 1 ln h全国数据的回归结果表明，农业劳动力与各地区碳排放量显著正相关，这说明农业劳动力增加将导致地区碳排放量的增加，这应是劳动力增加导致农业生产资料的碳排放量增加的结果．此研究结果与李国志和李宗植的因素分解结果类似，但与李波等的因素分解结果相反，这可能是因素分解模型的构建和数据来源上存在较大差异导致的．人均农业产出一次项与碳排放负相关，其二次项与碳排放正相关，这表明人均农业产出与碳排放之间存在“U”型曲线关系，即碳排放的EKC曲线在全国农业生产中可能并不存在．这可能意味着最初的农业经济发展，可能并不带来碳排放的迅速增加，而会带来碳排放水平的下降;而当农业经济发展到一定程度后，其发展将带来碳排放量的显著增加．农业技术水平的2个变量，农用机械动力水平与农村人力资本水平对碳排放的影响则迥异:农用机械水平的提高显著提升了各地的农业碳排放，此结果与李国志和李宗植的研究结果类似，表明农业机械水平的提高，带来能源消耗强度的提高必然导致碳排放水平的提高;农村人力资本水平则较为显著(仅在10%水平)地降低了各地的碳排放，这与李波等的研究结果类似，说明农业人口的文化水平的提升可能有助于农业经济的“集约化”生产，进而降低各地区农业生产资源的消耗和碳排放水平．分地区回归结果表明，相关因素对不同地区碳排放的影响存在一定差异．农业劳动力方面，3个地区农业劳动力的增加均带来了农业碳排放水平的提升，说明当前中国农业生产的扩大还主要是依靠资源投入型的“粗放型”经营模式．农业人均产出与碳排放之间的关系，3个地区则存在较大差异:东部地区农业人均产出与碳排放之间呈现出显著的倒“U”型曲线关系，中部地区则呈现出显著的“U”曲线关系，西部地区的“U”曲线关系则不甚显著．此种结果与李国志和李宗植对全国层面的研究结果类似，表明中国农业经济发展与碳排放之间的非线性关系并不稳定，可能是东、中、西3地区的农业经济发展水平的差异所致．东、中、西地区的农业机械水平与当地农业碳排放之间均显著正相关，表明农用机械是各地区农业生产碳排放增长的重要来源．农村人力资本的提高对3地区碳排放的影响也存在着显著的梯阶差异:东部地区农村人力资本的提高显著降低了当地的碳排放，中部地区人力资本的提高在一定程度上(10%的显著性水平)降低了当地的碳排放，西部地区人力资本的提高与碳排放之间的关系则不甚显著．此种结果颇令人费解，可能是人力资本对农业低碳生产技术的提升存在一定的门槛效应，只有人力资本水平达到一定程度之后，才能发挥积极作用;而中、西部地区的人力资本的水平相对较低，此种积极作用尚不显著．表4 计量估计结果与分析Table 4 Estimation results and analysis注:()内为t统计量，*、＊＊、＊＊＊分别表示10%、5%、1%水平显著;［］内为相应的P统计值;H一行为Hausman检验值及其概率．Note:the numbers in()are t statistics，* 、＊＊、＊＊＊indicate significances at 10%level，5%level and 1%level respectively;the numbers in［］are relative statistival P value;H line are Hausman inspection values and their probability．模型Model全国Nation 东部East 中部Central 西部West(8．46) (15．74) (6．71) (16．06) (2．46) (7．24) (2．25) (3．67)ln ey -3．022＊＊＊ -3．748＊＊＊ 5．278＊＊＊ 6．183＊＊ -4．077＊＊＊ -5．186＊＊ -9．089＊＊＊ -8．217＊＊(-3．67) (-3．17) (5．65) (2．59) (-2．80) (-2．10) (-4．79) (-2．58)(ln ey)2 0．219＊＊＊ 0．426＊＊＊ -0．553＊＊＊ -0．449＊＊ 0．261＊＊＊0．376＊＊＊ 0．593* 0．256(4．47) (3．42) (-5．22) (-2．49) (2．89) (3．05) (1．93) (1．53)ln m 0．169＊＊ 0．357＊＊＊ 0．227* 0．472＊＊0．261＊＊ 0．269＊＊ 0．167* 0．143＊＊＊(2．03) (5．34) (1．82) (2．30) (1．97) (3．20) (1．69) (4．37)ln h -0．139 -0．317* -0．671＊＊＊ -0．441＊＊＊ -0．557 -0．306* 0．074 -0．139(-1．32) (-1．96) (-3．11) (-2．94) (-1．55) (-1．75) (0．95) (-1．05)6．628＊＊ 17．954＊＊＊46．656＊＊＊ 25．756＊＊ 17．580＊＊＊ 1．129 33．665＊＊＊18．412*c (2．01) (3．23) (6．37) (2．52) (3．05) (0．15) (4．40) (1．74)Ad-R2 0．742 0．771 0．824 0．853 0．639 0．650 0．726 0．755 F(W) 36．49 270．65 34．47 306．58 81．39 87．19 72．53 39．48［0．000］［0．000］［0．000］［0．000］［0．000］［0．000］［0．000］［0．000］7 8 ln p 0．458＊＊＊ 0．557＊＊＊ 0．578＊＊＊0．596＊＊＊ 0．464＊＊ 0．481＊＊＊ 0．656＊＊ 0．856 1 2 3 4 5 6＊＊＊Obs 378 140 112 126 41．290 31．000 4．050 4．360［0．000］［0．000］［0．542］［0．499］方法Meth OLS GLS OLS GLS OLS GLS OLS GLS样本H4 主要结论与启示基于1996—2009年27个省级地区的能源消耗、生产投入数据，本研究对中国省级地区农业生产的碳排放进行了细致核算，并利用计量模型对其影响因素进行了分析．核算表明，各地区的碳排放存在较大差异:碳排放量上，中部、东部地区是中国农业碳排放的主要来源区，西部地区的贡献则相对较少;碳排放强度上，东部显著高于中西部地区，中西部的碳排放强度较为接近．影响因素的分析表明，从业人口增加显著提升了农业碳排放水平;农业人均产出与碳排放之间并不存在倒“U”型的EKC关系，且此种关系在不同地区存在差异;农业机械化提高使得碳排放量显著增加;人力资本的影响也存在显著地区差异．以上结论对中国农业生产的低碳化发展具有重要启示:第一，由于农业碳排放的存在显著的地区差异，且中东部是碳排放的主要来源，这意味着，农业“节能减排”工作的重点必须放在提高中、东部地区的农业能源、资料消耗的效率上，着力实现中、东部农业生产向低碳化方向转变．第二，农业人口规模和机械化水平与碳排放水平显著正相关，这表明，要降低农业碳排放水平，中国必须努力提高农业机械的能源效率，积极采取各种措施促进剩余农业人口向制造业和服务业的转移．第三，农业经济发展与碳排放之间的关系并不稳定，这表明，单纯依靠发展农业经济自身并不能带来碳排放的自动降低，在农业经济发展的同时，必须重视经济增长带来的碳排放增长．第四，农村人力资本对农业碳减排具有显著的积极作用，这意味着，中国应当加大农村教育的投入，努力提升广大农村尤其是中西部地区农村的教育水平，以提高农村居民科学文化素质，为低碳农业的发展提供人力支撑．参考文献:［1］ International Energy Agency(IEA)．World Energy Outlook ［M］．New York:UAPC Press，2008．［2］ WEST TO，MARLAND G．Net carbon flux from agriculture:Carbon emissions，carbon sequestration，crop yield，and land-use change ［J］．Biogeochemistry，2003，63(4):73-83．［3］ DYE RJ A，KULSHRESHTHA S N，MCCONKEY B G．An assessmentof fossil fuel energy use and CO2 emis-sions from farm field operations using a regional level crop and land use database for Canada［J］．Energy，2010，35(8):2261-2269．［4］黄祖辉，米松华．农业碳足迹研究——以浙江省为例［J］．农业经济问题，2011，32(11):40-47．［5］李国志，李宗植．中国农业能源消费碳排放因素分解实证分析——基于LMDI模型［J］．农业技术经济，2010，29(10):67-72．［6］李波，张俊飙，李海鹏．中国农业碳排放时空特征及影响因素分解［J］．中国人口、资源与环境，2011，21(8):80-86．［7］李国志，李宗植，周明．碳排放与农业经济增长关系实证分析［J］．农业经济与管理，2011，2(4):32-39．［8］冉光和，王建洪，王定祥．我国现代农业生产的碳排放变动趋势研究［J］．农业经济问题，2011，32(2):32-38．［9］政府间气候变化专门委员会(IPCC)．国家温室气体排放指南［M］．北京:中国经济出版社，2006．［10］ GROSSMAN G，KRUEGER A．Economic growth and the environment［J］．Quarterly Journal of Economics，1995，112(2):353-377．［11］邵帅，杨莉莉，曹建华．工业能源消费碳排放影响因素研究——基于STIRPAT模型的上海分行业动态面板数据实证分析［J］．财经研究，2010，31(11):16-27．［12］许广月，宋德勇．中国碳排放环境库兹涅茨曲线的实证研究——基于省域面板数据［J］．中国工业经济，2010，27(5):37-47．［13］钱雪亚，张小蒂．农村人力资本积累及其收益特征［J］．中国农村经济，2000，16(3):25-31．。