双碳目标下主产区粮食种植生态效率测度及其时空演化特征分析

2023-09-02申琳莫雪莉孙茹雪黄冀楠刘文超

河北农业科学 2023年4期

申琳，莫雪莉，孙茹雪，黄冀楠，刘文超

（1.河北农业大学文管系，河北沧州 061100；2.河北省农林科学院粮油作物研究所，河北石家庄 050031；3.河北农业大学经济管理学院，河北保定 071000）

30 a 来粮农生产过程中温室气体排放量增加了17%[1]。2019 年全球温室气体人为排放量为540 亿t 二氧化碳当量，其中31%来源于农粮系统。粮食的可持续生产受到资源及环境双重刚性约束[2]，特别是碳排放引致的气候变化已成为制约人类社会可持续发展的全球性环境危机[3]。因此，农业可持续发展必须充分考虑资源环境的承载力，注重农业经济与环境质量的发展相协调[4]。我国连续8 a 粮食产量突破6.5 亿t[5]，粮食主产区在保障国家粮食安全、维护社会稳定等方面发挥了巨大的作用。在减排增汇目标下，全面了解主产区粮食种植生态效率及其时空演化特征，对实现粮食种植业可持续发展具有重要的现实意义。

粮食种植生态效率是指资源与环境约束下的粮食产量最大化，即用最少的资源消耗和最小的环境影响实现最大的粮食产出。国内外学者通过构建模型[6，7]和指标体系[8，9]分析影响因素[10，11]等对生态效率进行了深入研究，运用随机前沿分析（SFA）[12]、生态足迹分析[13]、数据包络分析（DEA）[14]方法对生态效率进行测度，其中DEA 模型在多投入、多产出的决策单元评价问题中优势明显[15]，已成为测度生态效率的主流方法；超效率SBM 模型兼顾了投入产出的目标值与实际值的径向比、各投入产出的非径向松弛变量等问题，在农业生态效率测度的研究中得到广泛应用[16，17]。常用的指标包括化学需氧量（COD）、总氮（TN）和总磷（TP）[18，19]，随着气候问题日趋严峻，碳排放逐步纳入到指标当中[20]，更加完善地考量粮食种植对环境的影响，体现了绿色、低碳的发展理念。从微观和宏观2个视角对影响粮食种植生态效率的因素进行分析，微观层面的研究主要集中在农户的基本特征、受培训程度、环境规制、绿色认知等[20，21]；宏观层面的研究主要表现为经济发展水平、产业结构、机械化水平、技术发展水平、人均播种面积等[12～14]。已有的研究主要集中于粮食种植生态效率的区域差异及影响因素，对于时空演化及未来演变趋势研究甚少。基于此，运用包含非期望产出的超效率SBM模型、Arcgis10.2 软件，测算2011～2020年我国13 个粮食主产区的粮食种植生态效率，分析时空演变规律，以期为提高我国粮食生产效率，促进低碳农业、绿色农业可持续发展提供理论支持。

1 材料与方法

1.1 数据来源

以我国13 个粮食主产区为研究对象，采用2011～2020 年《中国统计年鉴》《中国农村统计年鉴》《肥料流失系数手册》面源数据，主要指标包括粮食作物的播种面积、劳动人数、机械总动力、化肥施用量、农药使用量、农用塑料薄膜使用量、耕地灌溉面积、总产量、总产值、面源污染指数、碳排放量。

1.2 研究方法

1.2.1 评价指标体系构建参考已有研究成果，遵循科学性、合理性、系统性、数据可获得性原则，构建经济、社会、环境3 个维度的粮食种植生态效率评价指标体系（表1）。

表1 粮食种植生态效率评价指标体系构建Table 1 Construction of evaluation index system of ecological efficiency of grain planting

1.2.1.1 投入指标。投入指标包括播种面积（千hm2）、劳动人数（万人）、机械总动力（万kW）、化肥施用量（万t）、农药使用量（万t）、农用塑料薄膜使用量（万t）、耕地灌溉面积（千hm2）7 个指标。

1.2.1.2 产出指标。产出指标包括期望产出指标和非期望产出指标2 个方面，其中，期望产出指标包括总产量（万t）和总产值（亿元）2 个方面，非期望产出指标包括农业面源污染和粮食种植碳排放量2 个方面。农业面源污染主要是指化肥中的氮（TN）和磷（TP）的污染[15～17]，并采用熵值法将污染物综合为面源污染指数。粮食种植碳排放量包括化肥、农药、农膜、柴油、灌溉和翻地六类碳源，计算公式为：

式中，C为粮食种植业碳排放总量；Ci为六类碳源排放量，C1～C6依次为化肥、农药、农膜、柴油、灌溉、翻耕的碳排放量；Ti为化肥、农药、农膜、柴油消耗量及灌溉、翻耕面积；浊i为六类碳源的碳排放系数，其中浊1=0.859 6 万t/万t，浊2=4.934 1 万t/万t，浊3=5.18 万t/万t，浊4=0.5927 万t/万t，浊5=266.48 万t/万t，浊6=312.6 万t/万t。

1.2.2 构建模型

1.2.2.1 包含非期望产出的超效率SBM 模型。包含非期望产出的超效率SBM 模型结合了超效率DEA 模型与SBM 模型的优点，既考虑了经济活动对环境产生的负效应，又能对比较评价结果中有效决策单元的效率差异[24]。模型设定如下：假定粮食种植系统有n个决策单元（Decision Making Unit，DMU），每个决策单元投入m种资源，产出s1种期望产出和s2种非期望产出。单元向量x∈Rm，yg∈Rs1，yb∈Rs2，矩阵X=［x1，…，xi］∈Rm×n，Yg=］yg1，…，ygi］∈Rs1×n，Yb=［yb1，…，ybi］∈Rs2×n，且xi＞0，ygi＞，ybi＞0。考虑到某一地区粮食种植自然资源等生产要素变化不大，采用规模报酬不不变（CRS）假设[25]。模型具体表达如下：

式中，籽*为粮食种植生态效率指数，n为DMU 的个数，m为投入要素的个数，s1、s2分别为期望产出和非期望产出，D-、Dg、Db分别为投入、期望产出以及非期望产出的松弛变量。目标函数籽*关于D-，Dg，Db严格递减，且0≤籽*≤1。当籽*=1 且且D-越Dg越Db=0时，函数存在最优解，表明决策单元充分有效。当籽*＜1 或D-、Dg、Db不完全为0 时，表明决策单元效率无效，投入产出效率存在改进空间。

1.2.2.2 变异系数。变异系数用来衡量地区间相对均衡水平[26]，可以揭示我国13 个主产区粮食种植生态效率的差异情况与演进规律，公式具体表达如下：

式中，CV为变异系数值；N为省份样本数；xi为我国各省份粮食种植生态效率样本值；为我国粮食种植生态效率省际平均值。CV值越大，表示样本间粮食种植生态效率差异越大，省份间粮食种植生态效率越不均衡，反之亦然。

1.2.3 生态效率空间格局依据粮食种植生态效率划分标准（表2），采用等距法选取2011 年、2014 年、2017 年、2020 年主产区粮食种植生态效率截面数据，运用ArcGIS 10.2 软件绘制空间分布图。并结合各省碳排放占全国总碳排放的比重对2011～2020年主产区粮食种植生态效率的空间格局演变规律进行系统分析。

表2 粮食种植生态效率划分标准Table 2 Classification criteria of ecological efficiency of grain planting

2 结果与分析

2.1 生态效率时序演化特征分析

2011～2020 年我国粮食主产区的粮食种植生态效率变动幅度为0.036%，变化缓慢且仍有一定的上升空间。各主产区粮食种植生态效率变化程度差异较大，黑龙江、江西、内蒙古、吉林的平均增幅＞0，且黑龙江的增幅最大；其他地区的平均增幅＜0，且河北的降幅最大。河南、黑龙江、四川、江苏的粮食生产效率均值为1.105～2.000，属于生态效率高水平区，吉林、内蒙古、湖北、辽宁、湖南、江西、山东粮食生产效率均值1.055～1.011，属于生态效率中高水平区，河北、安徽的粮食生产效率均值分别为0.770 和0.658，属于生态效率中低水平区（表3）。

表3 2011耀2020 年13 个粮食主产区粮食种植生态效率测算结果Table 3 Measurement results of ecological efficiency of grain planting in 13 main grainproducing areas from 2011 to 2020

2.2 生态效率区域差异特征分析

2011～2020 年我国粮食主产区的粮食种植生态效率变异系数呈波动上升趋势，2013 年的区域差异最小（0.084），2017 年的区域差异最大（0.101）。各地区的粮食种植生态效率差距在2011～2013 年呈先扩大后逐渐收敛趋势，2013～2015 年不断扩大趋势，变异系数增幅较大，2015～2017 年粮食种植生态效率出现小幅度的波动下降后上升，2017 年后再次呈现收敛趋势（图1）。研究表明，2011～2020 年变异系数与粮食种植生态效率呈反方向变动，即生态效率值上升，变异系数值下降；反之亦然。说明随着生态效率的提高，不同地域间的差距在逐渐缩小，整体差异呈收敛态势。

图1 2011耀2020 年我国东部、中部、西部地区粮食种植生态效率及变异系数演变趋势Fig.1 Evolution trend of ecological efficiency of grain planting and variation coefficient in the eastern，central and western regions of China from 2011 to 2020

中部、西部、东部地区的粮食生产效率走势存在差异，中部地区生态效率持续稳定保持在1.14 左右，从2010 年的1.142 上升至2013 年的1.147，后波动下降至2020 年的1.137；西部地区生态效率经历了先下降后上升的变动趋势，自2010 年的1.100 下降至2015 年的1.068，后逐渐上升至2020 年的1.104；东部地区生态效率呈波动下降的变动趋势，自2011 年的1.059 波动下降至2020 年的0.955（图1）。

2.3 粮食种植生态效率空间格局特征分析

我国粮食主产区粮食种植生态效率空间格局演变轨迹为先下降后上升的扁平“V”型，高效率地区呈现由“连片”分布向“点状分布”再向“连片”分布的特征，空间格局趋于非均衡化发展（图2）。

图2 2011耀2020 年我国粮食主产区粮食种植生态效率空间演变过程Fig.2 Spatio-temporal evolution process of ecological efficiency of grain planting in the main grain producing areas in China from 2011 to 2020

2.3.1 生态效率高水平分布粮食主产区粮食种植生态效率高水平区在东部、中部、西部3 个地区均有分布，且中部地区分布较多。河南和四川的粮食生态效率一直处于高水平，但高效率伴随着高非期望产出。以河南为例，碳排放量年均占比9.69%，始终为全国碳排放量最高的省份，说明该省经济增长与环境的耦合协调较差，粮食种植所伴随的非期望产出制约当地生态效率的提高。黑龙江由生态效率中高水平区提升至生态效率高水平区，碳排放总量、面源污染分别占总量的13.11%、18.64%，说明该省是以高投入、高产出的粮食种植特征进入高水平区，且非期望产出也会随之增加。江苏省由的生态效率高水平区下降为生态效率中高水平区，碳排放总量、面源污染分别占总量的7.4%、12.1%，碳排放和面源污染排放逐年减少。

2.3.2 生态效率中高水平区分布粮食种植生态效率中高水平区主要集中在中部和东部沿海地区。伴随时空演进，处于粮食种植生态效率中高水平区的地区聚集效应更为明显，北方地区的吉林、辽宁、内蒙古呈聚集态势，南方地区的湖南、湖北、江西呈聚集态势。

2.3.3 生态效率中低水平区分布粮食主产区粮食种植生态效率中低水平区呈现“片状”“点状”相间分布。河北、安徽的粮食种植生态效率始终保持较低水平，作为粮食生产大省，粮食年均产量及产值均居前几名，而化肥、农药、农膜等生产要素的投入量远高于其他地区，年均碳排放占比分别为6.58%、6.15%，阻碍了2 个地区粮食生态效率的提升。