县级尺度下河南省农业投入产出效率与减排潜力分析*

朱永彬,马晓哲,史雅娟

(1.中国科学院科技战略咨询研究院 北京 100190;2.中国科学院大学公共政策与管理学院 北京 100049;3.河南大学地理与环境学院/黄河中下游数字地理技术教育部重点实验室(河南大学) 开封 475004;4.北京城市学院 北京 100083;5.中国科学院地理科学与资源研究所 北京 100101)

农业既是受气候变化影响最严重的部门之一,也是温室气体排放的重要来源。据IPCC 评估报告测算,全球每年农业温室气体排放总量为10～12 Gt CO2eq(CO2当量),约占全球人为排放总量的24%,其中全球N2O 和CH4排放的60%和50%均来自农业生产[1-2]。中国作为世界农业大国,长期以来呈现高投入的粗放型特征,尤其是近年来农业生产对化肥等农用物资的过度依赖问题日益严峻,不仅造成土壤、水体等面源污染日益严重[3-4],也导致我国温室气体排放大幅增长[5-12]。

随着我国农用物资投入强度的提高,越来越多学者对化肥、能源等投入导致的农业温室气体排放[8-12]开展研究。已有研究重点关注农业温室气体排放的测算及其归因分析,发现中国农业温室气体排放近年来呈现大幅增长的趋势[6-7],且主要源于化肥、能源、农药及农膜等农用物资的投入[6,13],以及土地管理、畜禽肠道发酵、粪便管理和水稻种植等农业生产环节[13],尤其是产业结构、机械化程度、化肥施用强度等对农业排放的影响非常显著。此外,相关研究还聚焦特定区域农业温室气体排放的时空演变特征和趋势分析,例如:谢良玉等[14]测算分析了安徽省农业源温室气体排放及其趋势特征;黄锐等[15]探索了山东省农业排放强度的时空特征与动态演进趋势;桂河等[16]基于对宁夏农业碳排放的测算分析了其时序演变趋势、驱动机理以及与农业经济增长的脱钩特性。相关研究为深入探索农业碳减排的途径和手段奠定了基础。另一方面,鉴于农业投入强度提高带来资源环境约束不断趋紧的事实,大量文献从农业投入产出视角,对资源环境约束下的农业绿色全要素生产率展开深入研究[17],并将碳排放作为重点环境约束纳入全要素生产率分析框架[18-19]。这些研究在传统投入产出效率基础上引入碳排放等环境因素,测算分析考虑环境因素后的综合生产效率。例如,葛鹏飞等[19]将CO2排放作为非期望产出,对2001—2015年中国31 个省份的农业绿色全要素生产率进行测度,相关研究结果表明,中国农业绿色生产率低效问题仍较为严重,碳排放非期望产出和机械动力投入过高是导致绿色生产率较低的主要原因。中国各省农业绿色全要素生产率具有显著的地域差异,呈现出“东高西低”的分布格局[20-22]。但因未纳入气候因素情形,农业全要素生产率的增长明显被高估;将气候因素纳入测算范围后,发现气候因素特别是干旱事件对中国农业全要素生产率的增长将造成负面冲击[22]。

综上所述,农业高投入强度引致的碳排放问题已受到学界高度关注,但对农业减排潜力的研究仍不多见。吴贤荣等[23]从公平和效率的维度对各省区的农业减排潜力进行了指数评估,但未能给出具体的潜在减排量。近年来,随着农业减量投入与绿色生产的政策不断加码,我国农业生产将加快由追求产量的粗放型发展模式向追求效益的精细化发展模式转变,届时有望彻底解决农业高投入强度带来的高排放问题。对提高农业生产效率带来的碳减排潜力进行研究,有利于制定科学的农业减排目标;同时,对减排潜力来源进行深入分析,也有助于确定有效的减排策略。河南省既是我国重要的农业大省和粮食生产基地,也是农业面源污染程度和碳排放量较高的地区,研究河南省农业减排潜力对实现黄河流域高质量发展具有重要意义。因此,本文以河南省为例,基于对各县级尺度单元的农业投入产出效率进行评价,重点从农用物资过量投入引致的碳排放视角,对农业投入产出效率及其减排潜力进行深入研究。

1 研究区概况

河南省位于华北平原南部,地处黄河中下游地区(31°23′～36°22′N,110°21′～116°39′E),地势西高东低,是我国重要的农业大省。在黄河流经的8 省区中,河南省农作物播种面积和粮食产量的比重分别为31%和34%,是黄河流域重要的农业生产基地。河南省各地区农作物播种面积的空间差异较大,主要分布在东部和西南的平原地区,西部和北部的山地丘陵地带播种面积较小。粮食作物主要以小麦(Triticum aestivum)和玉米(Zea mays)为主,大部分县市处于华北冬麦区和夏玉米区[24];经济作物则以油料作物、蔬菜和瓜果为主。

2 研究方法和数据来源

本文研究思路是基于对农业生产效率的测算,得到各项农用物资的冗余投入量,进而根据农用物资冗余投入量与其对应的碳排放因子计算得到农业冗余排放,即农业减排潜力。

2.1 农业生产效率测算

数据包络分析(DEA)[25]作为目前较为常用的非参数效率分析方法,近年来在我国农业生产效率[26-30]以及碳排放效率[31-33]评价中得到广泛应用。由于本研究关注农用物资过量投入导致的碳排放,因此采用投入导向的两阶段规模收益可变DEA(VRS-DEA)模型,其模型规划式为:

式中:θ的最优解代表效率值,取值范围为(0,1];x和y分别表示各项投入与产出,下标i和r分别为第i项投入和第r项产出,模型共计包含m项投入和q项产出;j代表所有n个决策单元(DMU)中的第j个;k为当前被评价的DMU;λ为DMU 的线性组合系数(权重)。

在多投入多产出的情况下,DEA 模型容易出现松弛问题,尤其是当DMU 数量较少时,会使构建的前沿面不够精细,更容易导致松弛问题。为此,Ali等[34]提出两阶段方法求解投入松弛变量(S—)和产出松弛变量(S+),即在第1 阶段求解模型(1)得到θ的最优解 θ*,然后在第2 阶段求解如下规划式:

无效DMU 的潜在改进值包括两部分,一是比例改进值,二是松弛改进值。为使各县市不同时期的效率具有可比性,本研究选取所有时期所有县市作为DMU 参考集进行动态评价,其模型表达式为:

式中:M为Malmquist 指数,上标g代表全局参考集,E表示效率值,x t和y t分别为t时期的投入变量和产出变量。由于各期参考同一前沿,因此计算得到的为单一Malmquist 指数,且各期效率值具有可比性。该指数可以进一步分解为效率变化(EC)和技术变化(TC)两部分:

2.2 农业碳排放测算

本文主要关注农业种植业,其碳排放主要来源于生产过程中投入的各项生产要素,包括化肥、农药、农膜以及机耕、机播和机收等机械在使用过程中消耗燃料产生的排放。其中,化肥排放系数采用陈舜等[11]的研究,根据中国化肥生产情况对氮肥、磷肥和钾肥的排放系数进行修正,分别为2.116 t(CO2eq)·t—1(N)、 0.636 t(CO2eq)·t—1(P2O5)和 0.180 t(CO2eq)·t—1(K2O);农药、农膜和农机柴油消耗的碳排放系数参考田云等[9]的研究,分别取4.9341 t(CO2eq)·t—1、5.180 t(CO2eq)·t—1和0.5927 t(CO2eq)·t—1。此外,农业灌溉也会消耗能源产生碳排放,但由于农业机械的统计数据中包含了节水灌溉机械,因此对灌溉排放不单独考虑。同样地,农业减排潜力的测算也是采用碳排放通用计算方法,即将DEA 方法计算得到的各项生产要素冗余投入量与其对应碳排放系数相乘,作为农业生产效率提高可带来的减排潜力。

2.3 指标选择

已有研究通常选取农业增加值作为产出变量[19,35]、碳排放作为非期望产出[35-38]。但是,选取农业增加值等价值量作为产出,一方面容易受到作物价格年际变化的影响,另一方面将导致大面积种植经济作物的地区获得较高的生产效率,从而将种植结构由低价值作物向高价值作物的转变识别为农业生产效率的改进,因此无法真实反映农业生产的本质特征。选取碳排放作为非期望产出虽然可以将冗余非期望产出作为碳减排潜力,但却无法识别减排潜力来源,无法对减排潜力进行深入的归因分析。

为此,本文对农业投入产出变量进行重新选择,以反映农业生产的本质特征。鉴于不同作物生长特性和种植管理方式上存在较大差异,其对不同农用物资的需求差异也较大,为反映这一差异以及不同地区种植结构对农业投入需求的影响,本文选取小麦、玉米、油料作物、蔬菜和瓜果等主要农作物的产量作为农业产出变量。同时,由于本文主要关注农业碳排放问题,因此重点选取化肥、农药、农膜和农业机械等与碳排放相关的农用物资投入,以及劳动力和总播种面积等基础要素投入作为农业投入变量(图1)。进而为简化模型,同时对投入和产出变量除以总播种面积,得到单位面积的农业投入和产出水平,从而消除播种面积影响。

图1 农业投入产出要素Fig.1 Agricultural inputs and outputs considered in the model

2.4 数据来源

截至2020年底,河南省共下辖22 个县级市和83 个县,共105 个县级行政单元(不含市辖区)。本研究以105 个县级行政单元为DMU 决策单元。相关农业投入和产出数据均来自《河南省统计年鉴》的“各县(市、区)主要统计指标”。其中,农用机械总动力、化肥施用折纯量、农药使用量、农用塑料薄膜使用量等投入要素数据来自“各县(市)农业生产条件”表,总播种面积来自“各县(市)主要农作物播种面积”表,农业劳动力数据来自“各县(市、区)人口及就业人员”表,农作物产量数据来自“各县(市)主要农作物产量”表。由于各县级单元未统计不同化肥种类的使用量和农用柴油使用量数据,为反映各地化肥施用结构的不同和农用机械使用率情况,本文利用各县所属地市的相关数据进行代替。最终确定105 个县市为DMU 决策单元,模型包含5 个投入变量和5 个产出变量,时间序列为2000—2020年。河南省各县市投入变量与产出变量的数据分布特征如表1所示。

表1 2000—2020年河南省各县市农业投入产出变量与统计结果Table 1 Summary and statistical data of agricultural input-output variables in Henan Province from 2000 to 2020

基于以上研究方法和数据来源,本文利用MaxDEA7软件对河南省农业投入产出效率进行计算,进而基于农业生产要素冗余投入计算各县市的农业减排潜力。为进一步可视化反映农业生产效率和减排潜力的时空演变特征,利用Excel 软件绘制相关时间序列图,利用ArcGIS 软件绘制相关空间分布图。

3 结果与分析

3.1 农业碳排放量

农用物资投入在促进农作物产量提高的同时,也导致直接和间接碳排放量不断增多。结果显示,受2015年以来农用物资减量投入影响,2000—2020年,河南省105 个县级单元因农用物资投入导致的碳排放呈先升后降的倒U 趋势(图2a):农业碳排放在2000—2016年保持稳定增长态势,2016年开始逐渐降低,2016年的峰值排放量较2000年增长62.8%;2020年碳排放量较峰值排放量下降11%左右。从各投入要素的排放贡献率来看:化肥的排放贡献占主导地位,约占碳排放总量的83%左右;而农药、农业机械和农膜等农用物资使用所产生的碳排放贡献较小,约为5%～6%。

在空间分布上(图2b),农业碳排放较高的县市主要分布在豫东和豫南等地形条件较好的平原地区,且与各县市的播种面积存在很大关系,总播种面积越大的地区农用物资投入越多,由此导致的碳排放量也就越大。计算发现,单位面积排放强度较高的县市主要集中于北部平原地区,其中焦作市下辖博爱县、孟州市和武陟县,新乡市下辖延津县、卫辉市、新乡县和辉县市,濮阳市下辖南乐县等地农业排放强度高达1.5 t(C)·hm—2以上,最高达2.1 t(C)·hm—2,此外豫西南的西峡县和豫中的禹州市排放强度也在1.5 t(C)·hm—2以上。单位面积排放强度较低的县市主要集中在豫西山区和豫东南地区,排放强度不足0.6 t(C)·hm—2。由此说明,要素投入强度与地形条件关系密切,平原地区农业生产条件较好,倾向于通过提高投入强度以增产增收;而山地丘陵地区的要素投入强度较低,因此其碳排放强度也低。同时,农业排放强度还与农业生产方式和规模化程度等微观因素有关。

图2 河南省不同农业投入的碳排放量时间序列趋势(a)和累积碳排放量的空间分布特征(b)Fig.2 Time series trend of carbon emissions from different agricultural inputs(a)and spatial distribution of total carbon emission from agriculture in Henan Province

3.2 农业生产效率

基于VRS-DEA 两阶段基础模型,本文利用Max-DEA 软件计算了各县市2000—2020年各期农业生产效率及其Malmquist 效率指数(图3)。其中,各县市农业生产效率是以当期的技术前沿为参照,因此反映了各县市相对于各期效率前沿的农业投入产出相对效率值;与此不同,Malmquist 效率指数是以全局技术前沿,即所有年份的效率前沿为参照,由于该技术前沿不随时间变动,因此具有动态可比性,可以反映各县市效率的动态变化情况。

从各县市2000—2020年农业生产效率均值(图3a)来看,河南省处于高效率区间(＞0.98)的县市共45 个,其中22 个县市始终处于农业生产效率前沿,其多年平均效率值为1,高效率地区主要集中分布在豫南和豫北,在其他地区分布较分散;低效率县市(＜0.8)主要集中在城市化程度较高的地区,如郑州市及其周边的洛阳市、平顶山市、许昌市、漯河市等。这些地区紧邻市辖区,处在城市化向外延伸辐射的范围,农业的重要性持续降低,在城镇化过程中更多关注非农产业而导致农业生产效率低下。相反,传统农业大县和城镇化水平较低的县市,农业生产效率普遍较高。计算结果显示,各县市农业生产效率与农业在GDP 中的比重存在正相关关系,相关系数为0.44。

从各县市农业生产效率的动态变化情况来看(图3b),2000—2020年间,农业产出效率出现下降(＜1)的县市为44 个,其中下降幅度较大(变化＜0.8)的县市共13 个,且主要分布在河南省中西部地区,这些县市从区位来看毗邻城市化率较高的地区,从地形上看主要位于山地丘陵地区,因此其农业生产效率的降低既受农业生产条件等自然因素影响,又有城市化过程中农业生产重要性下降等社会因素影响,因此需从改善农业基础设施和发展郊区农业的视角着力提升其生产效率。除此以外,大多数县市的农业生产效率在过去20 多年间得到不同程度提高,其中6 个县市的效率改进最为显著,效率提升超过50%;9 个县市的农业生产效率得到较大改善,效率提升超过20%,其主要零星分布在豫中部地区,尚未出现明显的空间集聚效应,未来应加快向周边地区推广这些地区的农业生产方式。

图3 2000—2020年河南省各县市农业生产效率均值(a)及农业生产效率变化值(b)Fig.3 Mean value(a)and dynamic change(b)of agricultural efficiency for counties/cities in Henan Province from 2000 to 2020

若从各县市农业生产相对效率水平和动态效率变化两个维度进行综合分析,以多年平均效率值0.9为判定高效与低效的分界点,以2000—2020 累积效率变化值1 作为判定效率提升或衰退的分界线,可将各县市分为4 类:高效提升型、高效衰退型、低效衰退型和低效提升型。结果(图4a)显示,农业生产效率呈现衰退趋势的县市主要分布在豫中西部地区,其中,低效衰退型县市主要集中在郑州-洛阳-平顶山等3 大城市交界区域,以及南阳市周边和焦作-洛阳西部交界地区,由于城市化进程不断加快,其农业生产效率较低,且仍处于持续降低的过程之中,此类型县市的农业增加值比重平均为8.4%,远低于各县市平均水平15.6%。高效衰退型县市主要集中在洛阳—三门峡、许昌—平顶山、郑州—开封的交界地区,在其他地市也有零星分布,这些地区的农业生产效率水平较高,但从长期来看却处于持续衰退过程中,此类型县市的农业增加值比重仍较高,因此需要重点关注其效率长期走势。其余大部分县市的农业生产效率在过去20年间均得到不同程度提升,占比接近60%,主要分布在豫东部和豫西南地区。

图4 2000—2020年河南省各县市农业生产效率类型分布(a)与Malmquist 指数动态变化(b)情况Fig.4 Distribution of agricultural efficiency categories(a)and dynamic change of Malmquist index(b)in Henan Province from 2000 to 2020

从各县市Malmquist 指数(MI)的年际变化(图4b)来看,该指数年际波动较大,且具有一定的连续性,如2001—2003年和2007—2011年期间多数县市的MI指数＜1,表明这些年份农业生产效率以下降为主,MI指数平均值也位于均衡线1 以下(2010年除外);2004—2006年以及2015年以来,多数县市的MI指数＞1,呈现效率提升的趋势特征,全省MI指数平均值在2012年以来一直位于均衡线1 以上。理论上,MI指数可进一步分解为参考当期前沿面的相对效率值变化(EC 指数)和当期前沿面相对全局基准前沿面的技术变化(TC 指数),后者即反映技术水平的变化。指数分解结果显示,河南省各县市MI指数变化情况与TC 指数变化情况较为一致,说明2000—2020年间农业生产效率的动态变化主要来自技术水平的变化,而各县市相对效率值的年际差异变化不大。

3.3 农业减排潜力

相对于处在效率前沿的县市而言,大部分县市在农业投入上或多或少存在冗余,意味着在不降低农业产出的前提下,各县市可以通过减少冗余投入来降低农业碳排放。由于存在技术可及性问题,即在技术不断演进的情况下,早期的农业生产活动无法使用后期最新的技术,因此农业减排潜力的计算,是以各期效率前沿面为参照,通过冗余投入的测算而得到。

结果表明,由于农业过量投入带来的碳排放量在2000—2020年间呈现波动增长的趋势,2003年和2016年出现波峰,2013—2014年出现波谷,且自2018年以来出现明显回落(图5a)。对比发现,河南省各期减排潜力与农业生产效率平均得分存在负相关关系,相关系数达到—0.88,即农业生产效率较低的年份意味着农业冗余投入较多、减排潜力较大。总体而言,河南省2000—2020年间平均减排潜力约为农业碳排放的11%左右,综合减排潜力十分可观。

从减排潜力的空间分布情况来看(图5b),潜在减排率较高的县市与农业投入产出效率较低的县市(图3a)基本一致,主要集中分布于发达城市群周边地区。由此可知,城市化发展并没有利用其技术和资金优势反哺农业,反而由于过分强调非农产业发展而忽视了农业的精准投入。数据显示,潜在减排率超过25%的县市共19 个,减排率介于10%～25%的县市为25 个,其余县市的潜在减排率在10%以内。而从潜在减排量来看,汝州市、新野县、辉县位列前三,2000—2020年累积潜在减排量均超过100 万 t C,处于全省农业减排潜力第一梯队。这些地区除具有较低的投入产出效率(均为高潜在减排率)以外,还具有较高的本底排放量,两重因素叠加导致其减排潜力较大。此外,淮滨县、卫辉市、濮阳县、虞城县、禹州市、灵宝市、郸城县、太康县、兰考县和宝丰县等10 个县市的累积潜在减排量均超过50万t C,处于全省农业减排潜力第二梯队,且潜在减排率均高于10%,以上县市均为河南省农业重点减排区域。

图5 河南省2000—2020年农业碳减排潜力动态变化(a)与空间分布(b)Fig.5 Trend(a)and spatial distribution(b)of carbon emission reduction potential for counties/cities in Henan Province from 2000 to 2020

通过进一步追踪农业要素投入的冗余情况,可为各地提升农业生产效率、促进农业精准投入提供有力依据(表2)。从要素冗余比例来看,河南省农业投入中农膜过量投入最为严重,其冗余比例平均高达13%左右,有28 个县市的农膜冗余比例占据所有要素冗余之首;农药过量投入比例次之,全省综合冗余比例为12%,对应13 个县市的农药冗余比例最高;化肥的全省综合冗余比例为11%,虽然在冗余比例方面位列农膜和农药之后,但由于化肥投入基数大,化肥带来的潜在减排量最高(图4b 和表2),因此减少化肥过量投入应是农业减排的重中之重;农业机械化的全省综合冗余比例为9%,在10 个县市的冗余比例最高,适度减少机械投入也可实现一定程度减排。此外,农业劳动力虽然也存在约9%的冗余比例,但从农业减排的角度不是本文关注重点。

表2 河南省农业生产要素冗余投入情况Table 2 Redundant inputs of agricultural production factors in Henan Province

4 结论与讨论

4.1 结论

本文基于VRS-DEA 两阶段模型和DEA-Malmquist 方法,对河南省105 个县级行政单元2000—2020年间的农业投入产出效率进行测算,得到各地区农业生产效率空间分布特征及动态变化趋势。研究结果表明,河南省农业生产效率较高地区主要分布于中线以东的豫南和豫北地区,效率较低地区主要集中在城市区域周边,尤其是在郑州市及其周边的洛阳市、平顶山市、许昌市、漯河市等地,表明城市化带来非农产业对传统农业的冲击,农业的经济重要性下降导致农业生产效率偏低。同时,从农业生产效率的长期演化趋势来看,绝大多数县市的农业生产效率明显提升,且主要分布在豫东部和豫西南地区;效率出现下降的县市受自然和社会双重因素影响,在区位上毗邻城市化率较高地区,从地形看集聚在山地丘陵地带。

从农业投入要素的冗余情况来看,河南省冗余投入比例由高到低依次为农膜、农药、化肥、农机和农业劳动力,但由于化肥投入基数大,其带来的潜在减排量高达83.5%,因此减少化肥过量投入应是农业减排的重中之重。从农业减排潜力来看,河南省平均减排潜力约为农业碳排放的11%左右,综合减排潜力十分可观。对比发现,城市群周边等19 个县市潜在减排率超过25%,另有25 个县市减排率超过10%;潜在减排量处于第一梯队的县市为汝州市、新野县、辉县市,处于第二梯队的县市为淮滨县、卫辉市、濮阳县、虞城县、禹州市、灵宝市、郸城县、太康县、兰考县、宝丰县等10 个县市,是河南省农业重点减排区域。

4.2 讨论

由于生产效率是与效率前沿地区比较而言的相对性概念,因此不同研究选取的研究对象不同导致其可比性较差,但从农业生产效率的总体趋势来看,已有大量研究[19,35,39]均发现,我国大部分地区呈现农业生产效率提升的趋势,且其动态变化主要来自技术水平的变化,这与本文的研究结论一致。但相比于已有研究,本文以河南省县级地区为研究对象,研究对象之间在种植结构、生产条件等方面比较接近,且农业产出变量选取不同作物产量而非产值或增加值等价值量,因此得到的农业生产效率更加符合农业生产实践。此外,本文对减排潜力的研究是基于农业冗余投入的测算,而非将碳排放作为非期望产出,因此可以深入分析减排来源,对农业生产更具指导性。

综上所述,基于本研究对农业生产效率前沿县市、减排潜力较大的重点减排地区以及具有较大减排贡献的农业投入要素的识别,可为各地实现农业生产的精准减排提供有力支撑。本文的政策含义如下:一是在工作机制上,本文识别出的22 个处于效率前沿的县市,可以作为案例开展深入研究,总结其在农业生产,尤其是绿色投入和管理技术方面的先进经验,并向其他地区推广应用;二是在农业投入上,本文计算得出各县市冗余投入量,为各地提高农业投入精细化水平提供了参考,同时一些先进技术如数字智慧农业、测土配方施肥、病虫害综合防治、农业投入品替代等技术也有助于全方位多途径减少农业排放;三是在农业产出上,虽然本研究主要关注投入导向的农业生产效率,但是通过优化种植结构、加强高产出抗性强的品种选育等途径,在农业投入既定前提下努力提高农业产出,也是提高农业生产效率,减少农业碳排放的重要方向。