中国农业能源效率动态演变及其影响因素

李海鹏 罗丽 张雄 张俊飚

摘要 践行“绿水青山就是金山银山”理念，推进农业绿色发展必须提高农业能源效率。文章采用1995—2018年中国28个省份的面板数据，基于直接能源和间接能源两个类别核算中国农业能源投入，运用EBM（Epsilon-based Measure）混合距离函数模型测算农业能源效率，利用核密度函数和空间自相关分析农业能源效率动态演变，采用动态面板模型分析农业能源效率影响因素。结果表明：①1995—2018年，中国农业能源投入总量逐年上升，年均增长率为2%，能源投入结构从间接能源为主转变为直接能源为主。中国农业能源效率呈现“先上升-停滞-再迅速上升”的演进趋势，总体上农业能源效率偏低，存在较大提升空间。②1995—2018年，东、中、西部地区农业能源效率年均增长率分别为2.7%、1.9%和1.4%，2018年东、中、西部地区农业能源效率分别为0.81、0.71和0.59，地区间差距加速扩大，中西部地区农业能源效率亟待提升。③1995—2018年，各省农业能源效率出现两极分化且绝对差距扩大。广东、山东、江西、江苏、辽宁、天津等省市农业能源效率提升明显，新疆、贵州、内蒙古等省区农业能源效率恶化。④1995—2018年，中国农业能源效率不存在全局空间相关性，但2010年以来东部地区出现局部“高-高”集聚。⑤能源一期滞后项对农业能源效率有显著正向影响，农业能源效率提升有时滞性。人力资本水平、农民人均纯收入和城镇化水平对农业能源效率有显著正向影响，受灾率、二三产业发展水平、对外开放水平对农业能源效率有显著负向影响。在乡村振兴战略实施过程中，应该以中西部地区为重点，以职业农民培育为关键，着重改善农业生产条件，提升地区间协作水平，发挥二、三产业的带动作用，增强农业防灾减灾能力。

关键词 EBM模型;动态面板模型;农业能源效率;动态演变;影响因素

中图分类号 F224;F323.21 文献标识码 A 文章编号 1002-2104（2020）12-0105-11

DOI：10.12062/cpre.20200420

农业生态经济系统是通过投入人工辅助能提高生产力的特殊生态系统，人工辅助能投入数量、结构和类型决定了农业生态经济系统的生产力水平。20世纪以来，随着世界工业发展，煤炭石油类产品变得十分低廉且供应充足，使得投入农业的人工辅助能由人力畜力等生物辅助能转变为化石能源等工业辅助能，极大提高了农业生产力水平，显著改善了世界食品供给，但同时也带来了碳排放增加、面源污染加剧、生态系统退化等全球生态问题。改革开放以来，中国农业高速发展离不开工业辅助能的大量投入，如1978—2018年中国化肥使用量、农业机械总动力分别从884万t、11 749.6万kW增长到5 653.4万t、10 037.2万kW;1990—2018年，农药、农膜使用量分别从73.62万t、48.2万t上升到150.4万t、246.5万t。虽然2015年实施化肥农药使用量零增长行动以来，中国农药、化肥使用量逐年减少，但是随着农业机械化水平提升[1]，预期农业能源投入量仍将继续增加，农业发展对生态环境的胁迫效应总体十分劇烈，短期内中国仍然面临农业快速发展与生态环境保护之间的矛盾。中国若继续走“石油农业”老路，必然造成生态系统不可逆的破坏;若减少农业产出又将影响食品供给安全，因此必须加快推进农业发展观革命，走绿色生态高效的现代农业发展道路，实践“既要绿水青山，也要金山银山”的绿色发展理念。从农业能源投入角度而言，必须提高农业能源效率，加快实现农业发展与化石能源投入脱钩。基于此，核算中国农业能源投入量，测算农业能源效率，并分析其演变规律和影响因素，具有重要的意义。

1 文献回顾

能源效率测算是能源经济研究领域的重要问题。能源效率测算包括单要素效率测算法和全要素效率测算法[2]。由于单要素能源效率法没有考虑生产过程中其他投入的补偿效应和替代效应，以此衡量能源效率时，可能会夸大能源对经济的贡献[2]，因此国内外学者倾向于在全要素框架下进行能源效率综合评价。

国外学者对农业能源效率的研究集中于产业尺度。从农业能源投入核算来看，一般分为直接能源和间接能源进行核算，直接能源包括人力、柴油、电力等，间接能源包括种子、化肥、农家肥、农药等[3-6]。如Esengun等[7]通过问卷调查法研究土耳其干杏生产中的能源投入情况，发现化肥和农药是主要能源投入。Ghorbani等[8]比较旱地和灌溉地小麦生产，发现化肥和柴油在能源投入中占比最大，分别达到37%和24%，种植旱地小麦能源投入更少。Elsoragaby等[9]收集2004—2017年发表的120篇期刊文章，分析11种农作物能源投入，研究发现电力、化肥和柴油分别贡献了总能源投入的46%、20%和14%。Singh等[10]基于40位农民访谈研究印度稻米产业能源投入产出，发现灌溉和化肥在能源投入中占比较高，分别达到40%和24.7%。在对能源效率评估模型中，有学者使用参数分析法进行估算，如Rahman等[11]通过采用随机生产前沿方法，同时考虑影响生产的环境约束，估算了孟加拉国小麦种植的生产力和能源效率。Houshyar等[12]使用Cobb-Douglass计量经济模型分析了玉米生产能源效率。也有学者利用非参数分析法进行估算， Mousavi-Avval等[13]采用数据包络分析法研究了伊朗苹果生产的能源消耗和投入成本，认为电能和化学品投入存在较大节能空间，当前能源投入可节约11.29%。Blancard等[14]以2007年法国农场数据库为基础测算农业能源效率，认为节能政策的推广可以减少37%的能源投入。Bartzas等[15]测算2012—2016年希腊开心果产业的能源效率，结果表明能源效率约为70%。Kaab等[16]利用多目标遗传算法和数据包络分析法对伊朗南部甘蔗园能源利用进行优化，可分别节省20.90%和8.52%的能源投入。

国内学者对农业能源投入及效率的研究较少。从农业能源投入核算看，最早由吴湘淦[17]对1978年中国农业消耗的燃料、电力、饲料、化肥、农药等进行折算，发现中国农业耗能约3亿t标准煤。1997年以后，随着《中国能源统计年鉴》编发，国内学者在研究中大多直接利用区域能源平衡表所表示的第一产业能源终端消费数据进行分析，仅有牛亮云等[18]、李楠[19]等在研究中将化肥、农药等间接能源纳入农业能源投入核算体系。从农业能源效率研究看，呙小明等[20]将农业能源强度的倒数作为农业能源效率指标，发现中国农业能源利用效率总体呈下降趋势。此后，随着全要素生产率研究框架的完善，国内学者更倾向于将纳入农业能源投入后所测算的全要素生产率作为农业能源效率衡量指标，如栾义君等[21]基于投入导向DEA模型，发现2002—2011年中国农业能源效率小幅上升且地区差异明显。于伟咏等[22]基于方向性距离函数，以碳排放为非期望产出，研究发现2000—2011年间碳排放强度低的地区农业能源效率较高。冉启英等[23]基于SBM模型，测算碳排放约束下中国农业全要素能源效率，发现区域差异明显。杜辉等[24]基于窗口DEA模型进行测度，发现2000—2016年区域间农业能源效率差距缩小。Fei等[2]在考虑农业技术异质性的基础上，采用共同前沿DEA模型测算，结果表明中国农业能源效率整体水平较低，能源效率损失的主因在于管理效率低下。Zhihai等[25]采用DEA方法测度2001—2011年中国30个省份农业全要素能源效率，发现农业能源效率不断提升但区域差异明显，农业密集区和能源丰富省份在农业生产中能源效率相对较低。在能源效率测算基础上，部分学者对农业能源效率影响因素进行分析，如平卫英[26]发现能源价格变动、技术进步分别对农业能源效率有显著的负向和正向影响;戴红军等[27]发现劳动力、资本、能源等要素价格波动对农业能源效率有一定影响;周辉等[28]、冉启英等[23]、魏琪等[29]均研究发现，农村收入水平增长、农业技术改善以及农业产值占比增加都会对农业能源效率起促进作用。

综上所述，现有文献为中国农业能源效率研究奠定了基础，但仍存在一定的改进空间。具体来说：从农业能源投入核算看，现有研究较少将间接能源纳入测算范围，低估了农业能源投入数量;从农业能源效率测算看，现有研究测算的全要素生产率是包括能源投入、劳动力、土地等要素的一种综合效率，以此为替代指标将高估农业能源效率;从农业能源影响因素分析上，现有研究以静态面板数据模型进行分析，忽视能源效率滞后项对当期的影响，估计结果可能产生偏误。基于此，本文力求从三个方面进行创新：首先，从直接能源和间接能源两个类别，测算1995—2018年中国农业能源投入状况;其次，运用EBM-DEA模型测算中国及各省考虑非期望产出的农业能源效率，并分析其动态演变状况;最后，在农业能源效率影响因素理论分析基础上，采用动态面板模型进行实证分析。

2 中国农业能源效率测算

2.1 测算方法

目前测度能源效率主要采用数据包络分析（data envelopment analysis，DEA）法。Tone[30]于2001年提出非角度非径向的拓展式sbm模型（slack based model，SBM），有效解决了投入松弛带来的非效率问题和生产过程包含的非期望产出問题。但由于农业生产过程中，能源投入与非期望产出具有密切关联，而其他投入变量则与非期望产出是可以分割的非径向关系，因此SBM模型不能处理农业生产中投入和产出变量同时具有径向和非径向特征的情形。2010年，Tone等[31]提出一种包含径向与SBM两类距离函数的混合模型，即EBM（epsilon-based measure）模型，该模型既考虑了投入目标值与投入实际值之间的径向比例，也能反映各投入之间差异化的非径向松弛变量，能更加真实地反映评价单元的相对效率水平[32]。因此，本文采用EBM-DEA 模型来测算中国农业能源效率。

2.1.1 考虑非期望产出的EBM模型

假设生产中存在K（k=1，2，…，K）个决策单元，每个决策单元的投入为x=（x1，…xN）∈R.N+，期望产出y=（y1，…yM）∈R.M+，非期望产出为b=（b1，…bJ）∈R.J+，本文结合考虑非期望产出的生产可能集假定，得到考虑非期望产出的EBM模型：

其中，λ为权重变量，ε和ω.-i为模型的核心参数，具体计算过程详见Tone等[31]。被评价DMU的效率值为目标函数的最优解，即θ.*-εΣ.Ni=1ω.-iS.-*ixi0，该值越大表示生产过程中减少投入要素的空间越小，效率越高。由目标函数的最优解可以看出，考虑非期望产出的最优效率值由两方面的改进得到：①θ.*为径向模型测算的径向效率值，即图1中由A改进到B，称为“径向改进”，径向改进值CD=（1-θ.*）0C;②s.-*i为径向改进后的最短前沿距离，即图1

中由B改进到A′，称为“松弛改进”，松弛改进值DE=s.-*i。投入指标的径向改进和松弛改进称为“总改进量”，总改进值CE=CD+DE=（1-θ.*）0C+s.-*i。

2.1.2 全要素能源效率定义

在能源、土地、资本等多种投入下，EBM模型可以得出综合农业效率值，也可得出各项投入的总改进值。因此，通过EBM模型可以得出能源投入的总改进值，当实际能源投入量（Actual Energy Input）进行改进后，可以得出目标能源投入量（Target Energy Input），目标能源投入量与实际能源投入量的比值即为全要素能源效率（Total-factor Energy Efficiency）。本文在Hu 等[33]和魏楚等[34]的基础上将能源效率进一步表达为：

式（2）中，TFEEt表示t年度考虑非期望产出的全要素能源效率，TEIt表示t年度最优生产前沿上目标点的能源投入量，AEIt表示该年度的实际能源投入量，ESTt 表示该年度相对前沿过度投入的能源量， 即能源总改进量。目标节能量ESTt包括径向调整CD和松弛调整DE两个部分。如图1所示，x1代表能源投入，t年度的实际能源投入量AEIt=0C，目标能源投入量TEIt=0E，总改进量ESTt=CE。其中，ESTt=CD+DE。

2.2 投入产出指标选取

本文以广义农业（农林牧渔业）为研究对象，使用1995—2018年中国内地28个省份农业投入产出面板数据（限于数据可得性，研究区域不包括西藏，并将重庆市并入四川省、海南省并入广东省计算）。原始数据源自《中国国内生产总值核算历史资料：1952—2002》、历年《中国统计年鉴》《中国能源统计年鉴》《中国农村统计年鉴》和历年各地统计年鉴。

2.2.1 农业投入变量

投入变量包括农业资本存量、劳动力、土地和能源。①农业资本存量：借鉴李谷成等[35]、吴方卫[36]等学者的研究，根据永续盘存法推算农业资本存量，并对其按1978年的不变价格进行折算（单位：亿元）。②劳动力投入：选取中国各省（市、自治区）第一产业从业人数代表劳动力投入指标（单位：万人）。③土地投入：选取中国各省（市、自治区）农作物总播种面积作为耕地投入指标（单位：k hm.2）。④能源投入指标：分直接能源和间接能源两个类别进行核算（单位：万tce）。由于人力投入是具有主观能动性的特殊投入，已作为劳动力投入纳入分析框架，在能源投入测算时剔除人力劳动。因此直接能源投入包括原煤、汽油、柴油、电力、畜力，间接能源投入包括农药、化肥、农膜、农用机械。根据农业生态学中的“能流”思想，将所有投入全部折算为等效能量值[19]。各项投入的能量折标值参考李楠[19]、Yuan等[37]等学者的研究成果。

农业能源投入总量核算公式为：

其中，EIO指农业能源投入量，QIOi表示第i类农业能源投入数量，EEVi表示第i类农业能源投入等效的能量值。

其中，畜力投入量核算公式为：

其中，QIO指畜力投入量，NDA表示役畜投入数量，AWO表示役畜年均工作时间，取值为360 h[19]。

2.2.2 农业产出变量

产出变量包括期望产出变量和非期望产出变量。①期望产出变量：选取中国各省（市、自治区）第一产业增加值，对其按1978 年的不变价格进行折算（单位：亿元），代表地区农业产出指标。②非期望产出变量：选取第一产业碳排放量作为非期望产出。基于已有研究成果，从农业投入、水稻生长与畜禽养殖3个方面对农业碳排放量进行测度，并将结果统一折算为碳当量（单位：万t）。农业碳排放折算系数参考李波等[38]、闵继胜等[39]的研究。农业碳排放计算公式如下：

其中，C指农业碳排放总量，Cit代表第i类碳源第t年农业碳排放量，Tit代表第i类碳源第t年的使用量，i代表第i类碳源的碳排放系数。

2.3 农业能源效率测算结果分析

2.3.1 中国农业能源投入总量及结构演变特征

如图2所示，研究期中国农业能源投入总量从1995年的10 608万tce增加到2018年的16 736万tce，年均增长率达到2%。直接能源投入量从1995年的4 272万tce增长到2018年的8 111万tce，年均增长率为2.8%;间接能源投入量从1995年的6 335万tce增长到2018年的8 624万tce，年均增长率为1.4%。1995—2013年，间接能源投入量和直接能源投入量均呈上升态势，间接能源投入量总体上是直接能源投入的两倍，能源投入总量呈快速增长态势。2014—2018年，间接能源投入量逐年下降，直接能源投入量逐年上升，能源投入总量呈缓慢增长态势。2018年，直接能源投入量和间接能源投入量趋于相等，预期2020年后直接能源投入量将超过间接能源投入量。

2.3.2 中国农业能源效率动态演变

图3可以看出，1995—2018年间，中国农业能源效率（TFEE）均值为0.52，最高值为2018年的0.7，最低值为1995年的0.44，农业能源效率总体偏低，存在较大的提升空间。研究期中国农业能源效率呈现 “先上升-停滞-再迅速上升”的演进趋势：第一阶段（1995—2003），由于片面追求农业产值，加上农业生态环境持续恶化和农业科技水平低下，TFEE值总体较低并呈缓慢上升态势。第二阶段（2004—2007），是中国农业发展变革时期，2002年加入WTO后，中国农产品开始面对国际竞争[40]，农业经济发展陷入停滞。2004年中共中央出台关于“三农问题”的一号文件，2005年9月中国全面取消农业税，刺激农业生产资料投入猛增，农业能源投入快速增加。同时，该阶段中国也进行了大规模农业基础设施建设，虽然有利于农业能源效率提升，但是由于工程建设有一定时滞性，不能立即改善农业投入产出结构，使得中国农业呈现“高投入低产出”态势[21]，导致这一时期TFEE值出现停滞甚至下降趋势。第三阶段（2008—2018），由于中央高度重视“三农”工作，财政涉农资金投入不断增加，中国农业科技水平大幅提升，推动农业发展方式从粗放型向集约型转变，TFEE值年均增速达到2.4%。从近20年中国农业能源效率不同阶段呈现的演变特征来看，在有效控制农业能源投入总量的基础上，夯实农业发展基础、提高农业科技水平是未来中国农业绿色发展的关键所在。

进一步分析东、中、西三大地区农业能源效率变化。1995—2018年东、中、西地区农业能源效率呈现“加速扩大”的演进格局。1995年中部地区农业能源效率最高，但东、中、西地区差距较小。随着经济社会加速发展，东部地区农业财政投入和社会投资迅速增加，引进了大量先进农业技术，农业生产条件迅速改善，使得东部地区TFEE值于1999年超过中部地区，在2018年达到0.81，年均增长率达到2.7%。同期由于落后的农业生产条件限制，中西部地区农业能源效率增长缓慢，TFEE值年均增长速度分别为1.9%和1.4%，可见中西部地区农业能源效率存在较大的提升空间。

2.3.3 区域农业能源效率动态演变

从省级层面来看，中国农业能源效率地区差异更为显著。图4描述典型年份中国农业能源效率的密度分布。从形状上看，核密度函数由偏态单峰分布向双峰分布过度，且峰度出现逐渐下降态势，说明各省农业能源效率出现两极分化且绝对差距扩大。从位置上看，1995—2018年密度分布曲线中心右移，说明大多数省份农业能源效率逐步提升。2010年和2018年主波峰在右侧，说明中国农业能源效率存在低值集聚。具体来看，1995—2018年，遼宁、吉林、福建、四川等省份农业能源效率均值都在0.8以上，山西、贵州等省份均值在0.3以下。2018年四川、广东、江西、福建、江苏、吉林、辽宁、天津等省市TFEE值达到了1，农业能源利用达到了最佳前沿面，而山西省TFEE值最低为0.28，农业能源效率最低。比较不同时期农业能源效率的散点分布，如图5所示，广东、山东、江西、江苏、辽宁、天津等省市TFEE值依次按年份顺序分布较为疏散，这些省份农业能源效率提升速度较为明显。除江西外，广东、山东、江苏、辽宁、天津都属于东部地区，这一结果与前述分析结果一致。新疆、贵州、内蒙古等省区TFEE值有一定倒退，尤其是内蒙古2018年TFEE值比1995年还低，亟须采取针对措施提高农业能源效率。

2.3.4 中国农业能源效率的空间集聚分析

利用探索性空间分析方法分析中国农业能源效率空间集聚特征。

（1）全局自相关分析。采用一阶邻接矩阵作为空间权重矩阵，计算中国农业能源效率全局Morans I 值，如表1所示。可见中国农业能源效率不存在空间集聚特征，说明各省之间总体上不存在相互间的学习示范或产业协同，应当加快各省之间的农业产业交流和协作发展。

（2）局部自相关分析。计算局部Morans I 值，如表2所示。可见中国农业能源效率空间集聚类型以“低-高”“高-低”集聚类型为主。2010年“高-高”集聚的省份为黑龙江、吉林，“低-低”集聚的省份为宁夏、四川、甘肃和陕西。2018年“高-高”集聚的省份为黑龙江、吉林、江苏、上海、福建，“低-低”集聚的省份为宁夏和四川。从近10年看，中国农业能源效率逐渐在东部地区形成了高值集聚热点，说明东部地区逐步出现省际的农业产业协同发展和农业技术的学习示范。

3 中国农业能源效率影响因素分析

3.1 影响因素选取

当前一般采用环境压力模型（IPAT）及其扩展STIRPAT模型解释能源消费影响机理。Ehrlich等[41]提出的IPAT模型认为经济体环境压力或资源消耗的影响因素为人口、富裕度和技术水平。IPAT模型不允许各影响因素非单调、不同比例的变化，因此Dietz等[42]将IPAT 等式以随机形式表示，建立了STIRPAT模型。本研究以STIRPAT模型为基准，根据中国农业特征及影响因素的特殊性进行改进[23，43-44]，选取影响农业能源效率的分析指标。原始数据中，受灾面积来自历年《中国农村统计年鉴》，农村人均人力资本水平来自《中国人力资本报告2019》，其他数据均来自历年《中国统计年鉴》。

3.1.1 核心解释变量

根据IPAT模型以及STIRPAT模型中的人口、富裕度和技术类指标，选择核心解释变量。①农村经济发展水平，采用农民人均可支配收入（RI）表示，单位千元。相关研究表明[23]，经济发展水平显著影响农业能源效率，居民收入越高越倾向于高效使用能源，预期农村经济发展水平对农业能源效率的影响为正。②人力资本水平，采用农村人均人力资本水平（HC）表示。农业技术进步主要附着于劳动力上，体现在人力资本水平高低。一般研究多用平均受教育年限作为替代指标，存在不能综合反映农业劳动力年龄、健康状况等问题，具有较大的局限性。本研究以中国人力资本与劳动经济研究中心编制的各省农村人力资本水平作为替代指标，预期人力资本水平对农业能源效率的影响为正。

3.1.2 控制变量选择

根据中国农业特征引入影响农业能源效率的控制变量。①农业产业结构，采用各省市非种植业产值占农林牧渔总产值的比重表示（AI），单位%。农业产业结构是农业能源效率变化的重要原因[45]，种植业比重越低，则农业投入产出效率越高。预期农业产业结构变量对农业能源效率的影响为正。②受灾率，采用各省市受灾面积占农作物总播种面积（DR）表示，单位%。农业生产受自然气候条件的影响较大，自然灾害会对农业生产造成损失，预期受灾率对农业能源效率的影响为负。③二、三产业发展水平，采用二、三产业增加值占地区生产总值比重（IS）表示，单位%。二、三产业发展水平既会造成社会资源从农业流出，又会因技术外溢促进农业发展，对农业能源效率影响不能确定。④对外开放水平，采用进出口总额占地区生产总值比重（OP）表示，单位%。对外开放水平有利于引进国外先进技术和经验[44]，预期对农业能源效率的影响为正。⑤城镇化水平，采用城镇人口占总人口比重（UL）表示，单位%。城镇化促进农业劳动力转移，有利于实现农业规模化生产和产业化经营，预期对农业能源效率的影响为正。

3.2 模型构建

本研究选取农业能源效率为被解释变量，并对相关变量进行对数化处理。由于能源效率变化具有路径依赖惯性，是连续动态进行调整的过程，农业能源效率很可能存在滞后效应，因此有必要引入农业能源效率滞后项以控制滞后效应。由于在模型中引入被解释变量滞后项，导致解释变量与随机扰动项相关，因此随机效应估计量和固定效应估计量都是有偏的[46]。Arellano 等[47]、Blundell 等[48]提出广义矩阵估计法（Generalized Method of Moments，GMM）可以解决上述问题。GMM法包括差分GMM、水平GMM和系统GMM三种方法，其中系统GMM估计能够有效解决测量误差、非时变遗漏变量和解释变量内生性问题[49]。因此，本文采用系统GMM方法进行估计。由于核心解释变量中，农民人均可支配收入和人力资本水平之间可能存在交互效应，因此在解释变量中，引入农民人均可支配收入和人力资本水平交互项，构建动态面板模型为：

式（7）中，i和t分别表示区域和年度，ln为自然对数，μi和εit为不可观测的个体效应和随机误差项。当式（7）系数a9为正时，农民人均纯收入和人力资本水平对农业能源效率发挥互补相应，反之，则发挥替代效应。

3.3 模型检验

3.3.1 数据检验

（1）平稳性检验。采用Fisher-ADF检验和Fisher-PP检验对面板数据进行平稳性检验。如表3所示，原变量序列存在7个变量未通过检验，不能拒绝原假设，可见原序列并不平稳。其一阶差分的变量序列在5%水平下显著，拒绝原假设，因此所有變量是一阶单整序列，可以进行协整检验。

（2）多重共线性检验。在正式回归前，为防止因变量存在多重共线性导致回归结果偏误，应对因变量进行多重共线性检验。计算各解释变量相关系数，发现均小于0.4;进一步考察方差膨胀因子，发现所有解释变量均小于10，平均为4.95，因此判定因变量间不存在多重共线性，可用于协整检验和面板回归。

（3）协整检验。采用Kao检验对面板数据进行协整检验。Kao检验统计值为-10.270 5，在1%显著水平下拒绝变量之间不存在协整关系的假设，说明变量间具有稳定的函数关系，因此可以进行回归分析，拟合结果较为可信。

3.3.2 结果检验

使用Stata15软件对模型进行回归，表4报告了含交互效应和不含交互效应的模型回归结果。模型1包含能源效率滞后项、核心解释变量、受灾率、二、三产业发展水平等变量，模型4在模型1的基础上加入人力资本水平和农业产业结构变量的交互项。为检验模型的稳健性，模型3～4、模型5～6分别在模型1、模型2的基础上，依次加入对外开放水平和城镇化水平变量。模型1～6通过1%水平下的Wald显著性检验，说明整体线性关系显著。从表4中AR（1）、AR（2）的检验值可以看出，系统GMM方法估计不能拒绝模型干扰项没有二阶序列相关的原假设，因此系统GMM 估计量是一致的。另外，表4中的结果显示，Sargan 检验不能拒绝原假设，因此工具变量的选择是可靠的，说明系统GMM估计是有效的。从模型的回归结果看，模型1～6的各变量参数估计值的显著性和方向基本保持一致，说明模型具有较高稳健性。

3.4 结果分析

如表4所示，能源效率一期滞后项和农业能源效率呈显著正相关关系，滞后项每变动一个百分点，则当期农业能源效率上升6%左右，充分说明提高农业能源效率具有时滞性，是连续、动态累积调整过程。

在核心解释变量中，人力资本水平、农民人均可支配收入和农业能源效率呈1%显著水平正相关，说明无论是提高人力资本水平还是农民收入水平都有助于农业能源效率提升。模型4和模型5显示，人力资本水平和农民人均可支配收入的交互项与农业能源效率在10%水平显著负相关。这表明，农民人力资本水平和人均可支配收入对农业能源效率的影响表现为“替代效应”，即农民人力资本和家庭收入同时提高，将相互弱化两者对农业能源效率提升的促进作用。从农业生产现状来看，其原因可能在于人力资本较高和家庭收入较高的农民有可能减少农业作业时间，将更多精力从事二、三产业，反而造成农业经营粗放程度更高，农业能源效率更低。因此，提高农业能源效率不仅需要提升农民人力资本水平和家庭经营水平，更应建立职业农民收入保障机制，稳定农民队伍。

在控制变量中，农业产业结构和农业能源效率呈正相关关系，在模型1、模型2、模型4和模型5中均不显著，但在加入城镇化水平变量后出现显著性，原因可能是农业产业结构并没有直接作用于农业能源效率，而是通过城镇化水平提升，对农业能源效率产生作用。受灾率、二、三产业发展水平、对外开放水平和农业能源效率呈显著负相关关系。受灾率对农业能源效率的影响与预期一致。二、三产业发展水平和对外开放水平对农业能源效率的影响与预期不一致，说明对外开放水平提升和二、三产业发展对农业的虹吸效应明显，因此应该进一步加大对农业发展的人才、资金和技术的支持。城镇化水平和农业能源效率呈显著正相关关系，说明区域内城镇化发展有利于农业剩余劳动力转出和农业投入产出结构优化，促进城乡资源人口和信息的共享[50]。

4 结 论

本文以1995—2018年28个省市面板数据为研究单元，采用考虑非期望产出的EBM-DEA混合距离函数模型对中国及省际农业能源效率进行测算，利用核密度函数和空间自相关分析农业能源效率动态演变，最后利用动态面板模型分析影响农业能源效率的因素，得出以下结论。

（1）中国农业能源投入总量呈上升趋势，年均增长率为2%，间接能源投入量和直接能源投入量从“均呈上升”态势逐渐转变为“间接能源投入下降，直接能源投入上升”趋势。中国农业能源效率呈现 “先上升-停滞-再迅速上升”的演进趋势，夯实农业发展基础、提高农业科技水平是未来中国农业绿色发展的关键所在。

（2）东、中、西地区农业能源效率呈现“加速扩大”的演进格局，农业能源效率从中高西低逐渐转变为东高西低格局。东、中、西地区农业能源效率逐渐拉开差距，年均增长率分别为2.7%、1.9%、1.4%。中西部地区农业能源效率增长缓慢，存在较大的提升空间。

（3）各省农业能源效率出现两极分化且绝对差距扩大，广东、山东、江西、江苏、辽宁、天津等省市农业能源效率进步相对较快，新疆、贵州、内蒙古农业能源效率有所退步。2018年四川、广东、江西、福建、江苏、吉林、辽宁、天津等省市农业能源利用达到了最佳前沿面，山西农业能源利用效率最低。

（4）从全局相关分析看，中国农业能源效率不存在空间集聚特征，各省之间总体上不存在相互间的学习示范或产业协同，应当加快各省之间的农业产业交流和协作发展。从局部自相关看，中国农业能源效率空间集聚类型以“低-高”“高-低”集聚类型为主，2010年以来逐渐在东部地区形成了高值集聚热点，东部地区逐步出现省际的农业产业协同发展和农业技术学习示范。

（5）通過动态面板模型分析得知：能源一期滞后项对农业能源效率有显著正向影响，说明农业能源效率提升有时滞性。人力资本水平和农民人均纯收入对农业能源效率有显著正向影响，但两者交互效应有负向影响，说明农民人力资本和家庭收入同时提高，将相互弱化两者对农业能源效率提升的促进作用。受灾率、二三产业发展水平、对外开放水平对农业能源效率有显著负向影响，城镇化水平对农业能源效率有显著正向影响。

本文的研究启示在于：① 1995年以来农业化学品投入减少使得农业间接能源投入降低，但是机械化程度提升造成直接能源投入持续增长，中国农业能源总量投入处于高位，对生态环境的压力仍然较大。农业机械化并不必然实现农业绿色发展，必须系统设计农业绿色发展路线图。②中国农业发展尤其是东部地区实践证明，增加农业财政投入，加快农业基础设施建设、提升农业技术水平能够有效提升农业能源效率。中西部地区农业能源效率与东部地区的巨大差距，说明必须加快改善中西部地区农业生产条件，依靠农业科技发展，提升中西部地区“绿水青山转换为金山银山”的能力。③长期积累的人力资本是提升中国农业技术水平的着力点，缺乏知识水平高的新时代职业农民，先进生产技术不能得到有效组织和管理，就难以提升中国农业能源效率。④农业发展外部环境是阻碍农业能源效率提升的关键。从本文的研究看，一方面受灾率显著制约了农业能源效率提升;另一方面二、三产业发展、对外开放水平提高也未能促进农业能源效率提升。因此，从农业能源效率提升角度而言，在乡村振兴战略实施过程中，应该以中西部地区为重点，以职业农民培育为关键，着重改善农业生产条件，提升地区间协作水平，发挥二、三产业的带动作用，增强农业防灾减灾能力，促进中国农业迈向全球价值链中高端。

參考文献

[1]GUO X D， ZHU L， FAN Y， et al. Evaluation of potential reductions in carbon emissions in Chinese provinces based on environmental DEA[J]. Energy policy， 2011， 39（5）：2352-2360.

[2]FEI R， LIN B. Energy efficiency and production technology heterogeneity in Chinas agricultural sector： a meta-frontier approach[J]. Technological forecasting and social change， 2016，109：25-34.

[3]BANAEIAN N， ZANGENEH M， OMID M. Energy use efficiency for walnut producers using data envelopment analysis （DEA）[J]. Australian journal of crop science， 2010， 4（5）：359-362.

[4]UNAKITAN G， HURMA H， YILMAZ F. An analysis of energy use efficiency of canola production in Turkey[J]. Energy， 2010， 35（9）：3623-3627.

[5]HAMEDANI S R， SHABANI Z， RAFIEE S. Energy inputs and crop yield relationship in potato production in Hamadan Province of Iran[J]. Energy， 2011， 36（5）：2367-2371.

[6]KAZEMI H， KAMKAR B， LAKZAEI S， et al. Energy flow analysis for rice production in different geographical regions of Iran[J]. Energy， 2015， 84：390-396.

[7]ESENGUN K， GNDZ O， ERDAL G. Input-output energy analysis in dry apricot production of Turkey[J]. Energy conversion and management，2007，48：592-598.

[8]GHORBANI R， MONDANI F. A case study of energy use and economical analysis of irrigated and dryland wheat production systems[J]. Applied energy，2011，88：283-288.

[9]ELSORAGABY S， YAHYA A， MAHADI M R， et al. Energy utilization in major crop cultivation[J]. Energy， 2019，173： 1286-1303.

[10]SINGH P， SINGH G， SODHI G. Energy auditing and optimization approach for improving energy efficiency of rice cultivation in south-western Punjab， India[J]. Energy， 2019，174： 269-279.

[11]RAHMAN S， HASAN M K. Energy productivity and efficiency of wheat farming in Bangladesh[J]. Energy， 2014，66：107-114.

[12]HOUSHYAR E，ZAREIFARD H R，GRUNDMANN P， et al. Efficiency of energy input for silage corn production： an econometric approach[J]. Energy， 2015，93：2166-2174.

[13]MOUSAVI-AVVAL S H， RAFIEE S， MOHAMMADI A. Optimization of energy consumption and input costs for apple production in Iran using data envelopment analysis[J]. Energy oxford，2011，36： 909-916.

[14]BLANCARD S， MARTIN E. Energy efficiency measurement in agriculture with imprecise energy content information[J]. Energy policy，2014，66：198–208.

[15]BARTZAS G， KOMNITSAS K. Life cycle analysis of pistachio production in Greece[J]. The science of the total environment， 2017， 595：13-24.

[16]KAAB A， SHARIFI M， MOBLI H， et al. Use of optimization techniques for energy use efficiency and environmental life cycle assessment modification in sugarcane production[J]. Energy， 2019， 181：1298-1320.

[17]吴湘淦.我国能源结构分析与农业现代化[J].农业工程，1980（3）：7-15.

[18]牛亮云，侯博，吴林海.基于灰关联熵的中国农业能源投入與粮食产出关系研究[J].财贸研究，2012，23（2）：45-53.

[19]李楠. 中国农业能源消费及温室气体排放研究[D].大连：大连理工大学，2014.

[20]呙小明，张宗益，康继军.我国农业机械化进程中能源效率的影响因素研究[J].软科学，2012，26（3）：51-56.

[21]栾义君，任杰.我国农业全要素能源效率及其收敛性研究[J].中国农业资源与区划，2014，35（5）：20-24.

[22]于伟咏，漆雁斌，李阳明.碳排放约束下中国农业能源效率及其全要素生产率研究[J].农村经济，2015（8）：28-34.

[23]冉启英，周辉.环境约束下农业全要素能源效率研究：基于SBM-TOBIT模型[J].经济问题，2017（1）：103-109.

[24]杜辉，黄杰.中国农业能源效率的区域差异及动态演进[J].中国农业资源与区划，2019，40（8）：45-54.

[25]ZHIHAI Y ， DONG W ， TIANYI D ， et al. Total-factor energy efficiency in Chinas agricultural sector： trends， disparities and potentials[J]. Energies， 2018， 11（4）：853-865.

[26]平卫英.中国农业能源效率与能源价格、技术进步：基于VAR模型的实证分析[J].当代经济管理，2012，34（9）：7-10.

[27]戴红军，孙涛，郭文，等.要素价格变动影响农业能源效率的实证研究[J].中国农业大学学报，2016，21（5）：161-168.

[28]周辉，冉启英，王宏森.我国农业全要素能源效率及其影响因素分析[J].生态经济，2016，32（7）：133-138.

[29]魏玮，文长存，崔琦，等.农业技术进步对农业能源使用与碳排放的影响：基于GTAP-E模型分析[J].农业技术经济，2018（2）：30-40.

[30]TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European journal of operational research， 2001， 130（3）：498-509.

[31]TONE K， TSUTSUI M. An epsilon-based measure of efficiency in DEA： a third pole of technical efficiency[J]. European journal of operational research， 2010， 207（3）：1554-1563.

[32]王晓岭，何枫，武春友.环境约束下的能源效率国际比较：基于20国集团的实证检验[J].科技管理研究，2016，36（19）：248-255.

[33]HU J L， WANG S C. Total-factor energy efficiency of regions in China[J]. Energy policy，2006，34 （17）：3206–3217.

[34]魏楚，杜立民，沈满洪.中国能否实现节能减排目标：基于DEA方法的评价与模拟[J].世界经济，2010，33（3）：141-160.

[35]李谷成，范丽霞，冯中朝.资本积累、制度变迁与农业增长：对1978—2011年中国农业增长与资本存量的实证估计[J].管理世界，2014（5）：67-79，92.

[36]吴方卫.我国农业资本存量的估计[J].农业技术经济，1999（6）：34-38.

[37]YUAN S， PENG S B. Trends in the economic return on energy use and energy use efficiency in Chinas crop production[J]. Renewable & sustainable energy reviews， 2016，70：836-844.

[38]李波，张俊飚，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.

[39]闵继胜，胡浩.农产品对外贸易对我国农业生产温室气体排放的影响研究[J].软科学，2013，27（8）：55-59.

[40]王兵，杨华，朱宁.中国各省份农业效率和全要素生产率增长：基于SBM方向性距离函数的实证分析[J].南方经济，2011（10）：12-26.

[41]EHRLICH P R ， HOLDREN J P . Impact of population growth[J]. Science， 1971， 171（3977）：1212-1217.

[42]DIETZ T， ROSA E A. Rethinking the environmental impacts of population， affluence and technology[J]. Human ecology review， 1994， 1 （2）：277-300.

[43]韩作生.农业科技人力资本对农业经济增长影响的实证分析：以山东省为例[J].山东大学学报（哲学社会科学版），2011（4）：86-92.

[44]孙骏，蔡贤恩.对外开放对福建农业全要素生产率增长的影响研究：基于DEA与VAR的实证分析[J].技术经济，2010，29（10）：57-63.

[45]李建华，景永平.农村经济结构变化对农业能源效率的影响[J].农业经济问题，2011，32（11）：93-99.

[46]李群峰.动态面板数据模型的GMM估计及其应用[J].统计与决策，2010（16）：161-163.

[47]ARELLANO M， BOND S. Some tests of specification for panel data： Montecarlo evidence and an application to employment equations[J].Review of economic studies， 1991， 58（2）：277-297.

[48]BLUNDELL R， BOND S. Initial conditions and moment restrictions in dynamic panel data models[J].Journal of econometrics， 1998， 87（1）：115-143.

[49]贾中华，梁柱.贸易开放与经济增长：基于不同模型设定和工具变量策略的考察[J].国际贸易问题，2014（4）：14-22.

[50]朱庄瑞，藏波.房地产市场促进城镇化建设的作用机理与协调发展研究[J].中国人口·资源与环境，2016，26（9）：116-122.

（责任编辑：刘照胜 ）