基于三阶段DEA模型的农业碳排放效率研究——以安徽省为例

刘 争， 黄 浩， 邓秀月

(云南财经大学 经济学院，云南 昆明 650000)

2017年10月18日习近平同志在十九大报告中指出，加快生态文明体制改革，建设美丽新中国。目前，碳排放量已成为中国在经济发展和生态文明建设中关注的因素之一。农业碳排放量是全国碳排放总量的主要来源之一，占17%。在加快生态文明体制改革，建设美丽新中国的大背景之下，为了实现经济与生态环境的和谐发展，推动农业的可持续发展，对农业碳排放的研究具有重大意义。

基于农业碳排放的报道，有关研究主要包括三个方面：(1)农业碳足迹的研究。岳立认为农业碳足迹是构建低碳农业的理论基础，能够系统的研究在农业生产过程中人为因素直接及间接引起的碳排放[1]。张丹,提出用生命周期方法来量化农作物生产碳足迹的理论模型[2]。师帅等认为畜牧业碳排放量在农业碳排放量中占有较大的比例，也要被我们关注[3]。(2)农业碳排放影响因素的研究。鲁钊阳认为在控制其他变量的前提下，农业科技进步与农业碳排放之间存在负相关关系[4]。高鸣认为农业贸易开放、人力资本和农业经济增长都会影响农业碳排放绩效，农业贸易开放、人力资本的质量和数量都会明显提高农业碳排放绩效，农业经济增长对农业碳排放绩效的影响具有时滞[5]。(3)农业碳减排机制以及政策性研究。俞业夔、王文军、殷建立等人对两种减排机制(碳税、碳交易)做了全方面的比较，对中国今后碳减排政策的确立和实施具有重要的参考意义[6-8]。张浩天通过分析中国低碳经济发展的现状和阻碍低碳经济发展的原因，从低碳政策取向方面提出了目前发展低碳经济中出现的问题与建议[9]。张蓓蓓从分析和归纳现状为起点，论证只有对我国碳交易的发展有正确认识，才能有效地建立碳交易市场[10]。建议除了征收碳税、碳交易及补贴之外，还应采取其他措施来促进碳减排，如：保护耕作、测土配方施肥、提高牲畜粪便管理水平、发展有机农业和集约化农业。

关于农业碳排放的研究，大部分都是把我国东部发达地区和西部落后地区作为研究区域。本文则选择我国中部地区为研究对象，以安徽省16个市为研究样本，剔除外部环境变量和随机误差的影响，对安徽省农业碳排放效率进行研究。建议安徽省可通过农业碳排放效率的提高来促进农村生态文明建设和农业可持续发展。

1 研究方法与数据来源

1.1 农业碳排放量的测算

碳排放不是特指二氧化碳排放，而是温室气体排放的一个总称。对于碳排放量的测算，国内学者通常使用投入产出法和生命周期评价法。使用投入产出法计算碳排放量，需要的数据量大，方法复杂，且不能进行年度的变动分析。所以,本文将使用生命周期评价法来计算碳排放量。

农业碳排放的源头较多，不可能把所有的源头一一列举出来，通过借鉴田云、张俊飚等人对农业碳排放的测算方法[11-12]，构建农业碳排放测算体系(表1)。主要从三个方面来考察农业碳排放：一是农用物资导致的碳排放，包括农用化肥、农膜、柴油、农药四大类；二是农作物种植所导致的碳排放，包括农作物种植破坏土壤表层导致的碳排放，以及农作物生长发育的过程中会导致的碳排放。本文选择安徽省种植面较大的农作物来衡量碳排放，包括水稻、小麦、玉米、大豆和蔬菜。三是牲畜养殖导致的碳排放，包括牛、猪和羊。在构建了农业碳排放测算体系后，收集碳排放源的数量数据和单位碳排放源所排放的温室气体量数据,进一步计算农业碳排放量，公式如下：

C=∑Ci=εi×∑ei

其中，C为碳排放总量；i为碳源的种类；e为碳排放源的数量；ε为碳排放系数。

表1 农业碳排放测算体系Table 1 Agricultural carbon emissions measurement system

1.2 三阶段DEA

数据包络分析DEA用于评价相同部门间的相对有效性，是一种可以用来求效率的非参数方法。传统的DEA方法依然存在外部环境变量和随机误差对评价结果造成的影响，使得所计算出来的效率不够客观和真实，根据Fried的研究，采用三阶段DEA处理方法研究效率，使得评价结果能够更客观地反映事实效率，构造了三阶段DEA模型[19]。第一阶段：传统的DEA模型。采用投入导向的DEA-BBC模型，假设规模报酬不变，将原始投入产出数据带入模型。第二阶段：相似SFA回归分析模型。Fried认为第一阶段得到的效率值并不客观真实，通过相似SFA回归对第一阶段中投入差额值与外生环境变量、随机误差进行分离，得到单纯反映农业碳排放效率的高低值。除此之外，对第一阶段的松弛变量运用SFA模型进行回归时，可以选择将所有松弛变量进行堆叠，从而只需估计一个SFA回归或者对每个投入变量都进行单独的SFA回归。前者自由度更高，后者更具灵活性，能够反映环境对不同松弛变量的不同影响。Fried等人认为牺牲其自由度进而保持其灵活性是更加有效的做法。第三阶段：调整后DEA模型。将调整过的投入数据作为投入数据，带入投入导向模型(BBC模型)，重新分析碳排放绩效。这一阶段所得效率剔除了环境因素和随机因素的影响，结果更加客观和真实。

1.3 研究变量的选择与处理

1.3.1 投入产出变量的选择和处理 为了创造GDP，不可避免地要投入资本和劳动力，并且消耗能源，同时向环境排出大量的温室气体。因此，选择资本(K)、劳动力(L)和能源(E)作为投入要素，选择农林牧渔总产值(Y)为期望产出，农业碳排放量(C)为非期望产出。在资本投入数据的处理上，参考张勇的研究成果，采用永续盘存法(PIA)来测算资本存量，作为资本投入量[20-21]。劳动力的投入量以第一产业年末从业人员数来表示。能源投入方面由于农业中能源消耗现实中难以估算，需要选用工具变量来替代。由于安徽省农业近些年开始普及机械化生产，一般农业能源消耗大的地区，机械化程度越高，所以可用农业机械总动力来代替农业中能源消耗。实际农林牧渔总产值以2012年为基期，通过GDP平减指数进行平减求得。农业碳排放量是非期望产出，传统的DEA不能处理这种情况的效率值，需要对非期望产出进行处理。对非期望产出处理的办法主要有投入处理法、曲线测度评价法、数据转换函数处理法等。本文将会选择数据转换函数处理法中的线性数据转换法来处理农业碳排放的问题，公式如下：

α+ε

1.3.2 环境变量的选择和处理 碳排放的效率受众多环境因素的影响，如经济制度、政治制度、产业结构、投资水平、能源消费结构、开放程度、城市化水平等。由于客观条件，不可能把所有可能影响碳排放的因素都考虑进来作为环境变量。环境变量的选择要基于数据的科学性、有效性和易获取性，同时该变量会对碳排放效率产生影响。若该环境变量具有正的外部性，碳排放量的测算值将低于实际值；环境变量具有负的外部性，碳排放量的测算值将高于实际值。基于上述原则，本文选择从以下9个变量(经济发展水平、农业经济发展水平、农业资产投资程度、农业产业结构、城镇化水平、耕地规模、受灾程度、生态治理程度、受教育程度)，对安徽省16 个地级市农业碳排放效率进行研究。

经济发展水平(eco)以各地区人均GDP来表示；农业经济发展水平(A-eco)以农林牧渔业总产值与农业人口的比值来表示。农业资产投资程度(invest)以农业资产投资额与农业人口的比值来表示。农业产业结构(stru)以农业总产值中农业与牧业总产值之和占农林牧渔业总产值比例来表示。城镇化水平(urban)以常住人口中城镇人员数占总人口的比重来表示。耕地规模(sca)以耕地面积与农业人口的比值来表示。受灾程度(dis)以农业受灾面积与耕地面积的比值来表示。生态治理程度(ecolo)以造林面积之与耕地面积的比值来表示。受教育程度(edu)用人均受教育年限来表示。原始数据均来自于《安徽省统计年鉴》(2013～2017 年)、安徽省各地市统计年鉴(2013～2017 年)及其他相关统计年鉴。

2 结果与分析

2.1 三阶段DEA实证结果

将投入产出指标数据带入到BCC-DEA模型中，利用DEAP 2.1软件对安徽省16 个地级市的碳排放效率进行初步分析(表2)。

表2 第一阶段安徽省碳排放效率Table 2 The first phase of carbon emissions efficiency in Anhui

数据来源：DEAP 2.1软件的分析结果。注：crste表示综合技术效率，vrste表示纯技术效率， scale表示规模效率，crste= vrste*scale。irs表示规模报酬递增，drs表示规模报酬递减，-表示规模报酬不变。下同。

Data sources:From analysis results of DEAP 2.1 software.Note：Crste means technical efficiency from CRS DEA, vrste means technical efficiency from VRS DEA, and scale means scale efficiency, crste means vrste*scale. irs represents increasing returns to scale. drs represents diminishing returns to scale, - represents scale returns remain unchanged.The same below.

将第一阶段得出的各投入变量的松弛量作为被解释变量，将9个环境变量作为解释变量进行SFA回归(表3)。由表3可以看出，9个环境变量对资本、劳动和能源投入松弛变量的系数大多能通过显著性检验，说明安徽省各地级市的农业碳排放显著受到环境外部因素影响。而且资本、劳动和能源投入松弛变量的值均大于0.7，说明这3种投入管理因素的影响比随机因素的影响大。

表3 投入松弛量SFA 模型估计结果Table 3 Slacks in SFA model estimation results

数据来源：frontier 4.1软件的分析结果。

Data sources:From analysis results of frontier 4.1 software.

通过调整投入变量，剔除了环境和随机因素对结果的影响，并将调整后的投入替换原始投入代入BCC模型进行分析，得到真实的效率值及规模报酬状态，测量结果见表4。

相对于第一阶段，安徽省5年间农业碳排放的平均技术效率值从第一阶段的0.932上升到第三阶段的0.984，升幅为5.62%；平均纯技术效率从0.953上升到0.996，升幅为4.51%；平均规模效率从0.977上升到0.988，升幅为1.08%。由此可见，剔除环境变量和随机误差对碳排放绩效的影响后，碳排放技术的提高是纯技术效率和规模效率共同作用的结果。

表4 第三阶段安徽省碳排放效率Table 4 The third stage efficiency of carbon emissions in Anhui

数据来源：DEAP 2.1软件的分析结果。

Data sources:From analysis results of DEAP 2.1 software.

2.2 区域分析

本文以安徽省皖中、皖南和皖北3大区域为研究中心，分析了安徽省农业碳排放绩效的区域差异。皖中指安徽省位于淮河以南与长江以北的江淮地区，包括合肥、安庆、滁州、六安4个市。皖南指安徽省长江以南地区，包括芜湖、马鞍山、铜陵、宣城、池州、黄山市6个市。皖北指安徽省淮河以北的地区，包括蚌埠、阜阳、宿州、淮北、淮南、亳州6个市。安徽省3大区域皖中、皖南和皖北的全要素农业碳排放效率比较结果见表5。

表5 安徽省三大区域农业碳排放绩效及其分解Table 5 Performance and decomposition of agricultural carbon emissions in three major regions of Anhui

数据来源：DEAP 2.1软件的分析结果。

Data sources:From Analysis results of DEAP 2.1 software.

由表5可以看出，皖中地区历年农业碳排放综合技术效率最高，其次是皖北地区，皖南地区最低，呈现出“中>北>南”的格局。由于安徽省会合肥市位于皖中地区，该区域经济处于全省领先地位，人才汇聚，科技发达，在提高碳排放综合效率方面具有一定优势；皖南地区旅游业发达，为了保护生态环境，主要以服务业为主，碳排放综合效率较低；皖北地区，平原较多，农业较发达，除此之外，淮南和淮北之前也以产煤为主，农村使用煤炭较多，而煤炭的碳排放率在化石能源中是最高的，所以碳排放综合技术效率较高。除此之外，安徽省三大区域纯技术效率都很高，等于或接近于最大值1。规模效率与综合技术效率一样，呈现出“中>北>南”的格局。

3 结论与讨论

本文根据安徽省16 个地市2012～2016 年的相关数据，剔除了环境和随机因素对农业碳排放绩效的影响，运用三阶段DEA方法，得到更加客观真实的绩效值。得出了以下的研究结论：

第一，安徽省每年平均纯技术效率值都远高于规模效率的平均值，表明安徽省各地市的碳排放的无效率主要来源于规模效率，规模效率相对较低是安徽省大部分地市碳排放绩效提升影响的主要制约因素。

第二，第二阶段在利用第二阶段SFA回归方法剔除了环境因素和随机误差对农业碳排放绩效的影响后，安徽省各地市的平均农业碳排放绩效值和差距都发生了变化。平均技术效率值、平均纯技术效率值和平均规模效率值三者都被低估了，而它们的极差又被高估了。这能够说明环境因素和随机误差确实会对农业碳排放效率值产生影响，所以必须要调整原本的投入变量，采用三阶段DEA法是合理必要的。

第三，从区域来看，安徽省3大区域农业碳排放绩效存在差距，发展不平衡。皖中地区历年农业碳排放综合技术效率最高，其次是皖北地区，皖南地区最低。纯技术效率都很高，等于或接近于最大值1。规模效率与综合技术效率一样，同样呈现出“中>北>南”的格局。这说明了东部地区存在经济、科技、人才方面的优势，极大地促进农业碳排放绩效提高。而皖北地区煤炭储量丰富，使用量较大，农业碳排放绩效低于皖中地区。皖南地区，生态环境优美，农村的旅游业较发达，导致农业碳排放绩效最低。