粮食主产区农业碳排放效率时空演变及影响因素研究

侯宇 张宏胜 杨尚钊 耿芳艳

摘要：文章基于粮食主产区2001—2020年的面板数据，利用SBM-Undesirable模型和Malmquist-Luenberger生产率指数从静态和动态两个方面测度了粮食主产区农业碳排放效率，并结合Tobit模型探究影响粮食主产区农业碳排放效率变化的关键因素。结果表明：（1）粮食主产区农业碳排放效率均值为0.540，未达到有效状态；省域之间差别明显，只有辽宁长期处于有效状态，其余省份均为DEA无效。（2）粮食主产区农业碳排放综合效率总体呈波动上升趋势，年均增速为5.1%，前沿技术进步是促进农业碳排放效率增长的主要因素。各省份的农业碳排放综合效率值均大于1，前沿技术进步在各省份农业碳排放效率的增长上发挥的作用高于技术效率，纯技术效率与规模效率的贡献程度因省份不同而有所差异，但规模效率的贡献要明显大于纯技术效率。（3）农业经济发展水平和农村用电量对粮食主产区农业碳排放具有显著的正向作用；农业产业结构、城镇化水平、财政支农具有显著的负向作用；自然灾害与农产品价格体制改革并未通过显著性检验。基于此，提出了提高农业经济发展水平、推动新型城镇化高质量发展、加强农业科技创新和调整农业产业结构等政策建议。

关键词：粮食主产区；农业碳排放效率；时空演变；影响因素

一、引言

众所周知，温室气体排放是引发全球气候变暖进而导致气候变化的重要因素，而已有研究指出，农业已经成为第二大温室气体排放源，其碳排放总量已占全球人为碳排放总量的23%[1]，其中，我国农业碳排放量占全球的12.54%[2]，因此，推动农业碳减排成为我国应对气候变化的重要抓手。粮食主产区作为我国重要的粮食生产基地，在确保国家粮食安全方面扮演了重要的角色；根据国家统计局统计数据显示：2020年全国粮食总产量为6.7亿吨，同比增长0.9%；而十三个粮食主产区粮食总产量高达5.3亿吨，占全国总量的比重为78.6%。但也要清楚地认识到，粮食主产区农业产业以种植业和畜牧业为主，其中，种植业中的土地利用和水稻种植以及畜牧业中动物反刍和粪便管理都是农业碳排放的主要来源。因此，为了更好地确保国家的粮食安全和承担碳减排义务，开展粮食主产区农业碳排放的相关问题研究就显得尤为重要。

目前学术界关于农业碳排放系列研究已经取得较为丰硕的成果，主要集中在农业碳排放源的界定[3-4]、农业碳排放量的测算方法[5-6]、农业碳排放的驱动因素[7-9]等几个重要方面。而农业碳排放效率作为衡量低碳农业发展水平的重要评价指标自然也受到较多关注，主要涉及农业碳排放效率的测算和影响因素两个方面，在效率测算上，多数学者倾向于运用DEA-Malmquist指数分解法以及DEA-SBM模型[10-12]；而在影响因素方面，Tobit模型应用较为广泛[13-14]，此外还包括空间杜宾模型[15]。而就粮食主产区农业碳排放的研究，何慧爽等[16]利用灰色预测模型以及低碳目标情景对粮食主产区各省份农业碳排放减排压力进行探究，田云等[17]利用LMDI模型和脱钩模型对粮食主产区农业碳排放公平性进行了分析。

综上所述，不难发现已有文献对农业碳排放进行了许多有价值的研究，但也存在些许不足，在粮食安全以及“双碳”目标大背景下，多数文献主要以国家层面的农业碳排放效率研究为主，对粮食主产区的研究较少；同样，在研究方法上多以单一方法为主，较少的从静态和动态两个方面去探究粮食主产区农业碳排放效率的变动特点。基于此，本文将研究视角和研究区域放在粮食主产区13个省份上，利用SBM-Undesirable模型和Malmquist-Luenberger生产率指数分解法对农业碳排放效率进行测度并分析其时空演变规律，进而运用Tobit模型探究影响粮食主产区农业碳排放效率变化的关键因素，相关研究结论的获取，以期能够进一步丰富粮食主产区农业碳排放效率的研究成果，同时也为粮食主产区开展低碳化农业生产提供一定的借鉴意义。

二、研究方法、指标选取及数据来源

（一）研究方法

1.SBM-Undesirable模型

本文在借鉴学者TONE[18]所提出的SBM-DEA模型的基础上，具体采用学者COOPER等[19]、田云和林子娟[20]等提出和使用的SBM-Undesirable模型来评价粮食主产区农业碳排放效率。该模型的基本原理为：假设生产系统中存在[n]个决策单元，且每个决策单元均有投入[x∈Rm]、期望产出[ya∈Re]、非期望产出[yb∈Rf]等三方面要素，则可定义矩阵如下：

[X=x1，x2，…，xn∈Rm×n>0]                        （1）

[Ya=ya1，ya2，…，yan∈Re×n>0]                       （2）

[Yb=yb1，yb2，…，ybn∈Rf×n>0]                        （3）

矩陣中，[R]为实数向量集，[m，e，f]分别表示投入、期望产出和非期望产出的要素个数。则可定义生产可能集[P]如下：[P=（x，ya，yb）x≥Xμ，ya≤Yaμ，][yb≥Ybμ，μ≥0]。由于CRS模式下的测算结果相较于VRS模式更能真实体现粮食主产区各省份农业碳排放效率的差异变化情况，因此，本文具体运用固定规模（CRS）模式下的SBM-Undesirable模型进行评价，模型如下：

[ρ*=min1-1mi=1mS-ixi01+1e+f（j=1eSajyar0+k=1fSbkybh0）]  （4）

[s.t.x0=Xμ+S-ya0=Yaμ-Sayb0=Ybμ+SbS-≥0，Sa≥0，Sb≥0]                                 （5）

其中，[ρ*]表示研究目标的效率值，其数值范围在0到1之间，[μ]为非负权重向量，[S-]、[Sa]和[Sb]分别表示投入、期望产出和非期望产出的松弛变量，[xi0]、[yar0]和[ybh0]分表代表被评价的决策单元在某时段的投入产出值。当[S-]、[Sa]和[Sb]同时为0，此时[ρ*=1]時，该决策单元位于效率前沿面上，表示有效，否则处于无效状态，需要通过松弛变量判断是否应该减少投入或增加产出，从而提高效率。

2.Malmquist-Luenberger生产率指数

鉴于SBM-Undesirable模型属于静态模型，无法从时间上进行动态分析决策单元效率变化情况，为了能从时间跨度去分析粮食主产区农业碳排放效率的变动情况，本文还引入了基于方向距离函数的Malmquist-Luenberger生产率指数（ML指数）。该指数在测算过程中不仅包括非期望产出的全要素生产率，还能从跨期动态分析被考察单元的效率变动问题。因此，结合CHUNG等[21]提出的方法，将构造ML全要素生产率指数，并定义为农业碳排放效率变动指数（CTFP），公式如下：

[CTFPt+1t=1+Dt0（xt+1，yt+1，αt+1，βt+1）1+Dt0（xt，yt，αt，βt）×1+Dt+10（xt+1，yt+1，αt+1，βt+1）1+Dt+10（xt，yt，αt，βt）12]（6）

[EFFCt+1t=1+Dt0（xt+1，yt+1，αt+1，βt+1）1+Dt0（xt，yt，αt，βt）]          （7）

[TECHt+1t=1+Dt0（xt，yt，αt，βt）1+Dt+10（xt，yt，αt，βt）×1+Dt0（xt+1，yt+1，αt+1，βt+1）1+Dt+10（xt+1，yt+1，αt+1，βt+1）12]（8）

[CTFP=EFFC×TECH]                                   （9）

上式中，农业碳排放效率变化率（CTFP）可以进一步分解成技术效率指数（EFFC）和前沿技术进步指数（TECH），此外，技术效率（EFFC）又可以分解成纯技术效率（PECH）和规模效率（SECH）。当CTFP＞１时，说明期间农业碳排放效率有所增长，当CTFP＜１时，表明农业碳排放效率下降。其中，则表明技术效率有所改善，反之倒退； 表明前沿技术取得进步，反之亦然。

3.Tobit模型

在对农业碳排放效率进行有效测算后，为进一步探究影响农业碳排放效率变动的深层原因，有必要对粮食主产区农业碳排放效率影响因素展开分析。但由于DEA方法测算出的农业碳排放效率的取值范围在（0，1]之间，数据呈现“归并数据”特征，如果直接运用普通最小二乘法进行回归，会出现参数估计值偏向0的情况，为此本文参考多数学者的做法[13-14]，运用因变量受限制的Tobit模型进行实证分析。模型公式如下：

[yi=βTxi+ei， 若βTxi+ei>y00， 其他      ei?N（0，σ2）， i=1，2，3，…，n    ]                    （10）

式中，[yi]为受限因变量，[xi]为解释变量，[β]为回归系数。

（二）农业碳排放效率评价指标体系的构建

本文在参考钱丽[14]、曾大林[22]、田云和林子娟[20]等众多学者研究结论的基础上，以及充分结合指标体系构建的系统性、重要性、简洁性和可得性等原则，具体从劳动力、土地、化肥、机械动力以及灌溉等5个方面来确定农业投入变量，而农业产出变量沿用多数学者的做法，包括农林牧渔总产值的期望产出和农业碳排放量的非期望产出。

而在粮食主产区农业碳排放量的测算上，本文选用经典IPCC法，并参考相关学者[4-5]农业碳排放公式构建方法的基础上，构建粮食主产区农业碳排放公式，其计算公式为：

[D=Di=Ti?δi]                                    （11）

式中，[D]为农业碳排放总量，[Di]为各类碳源碳排放量，[Ti]为各碳排放源的量，[δi]为各碳排放源的碳排放系数。具体从农地利用碳排放、水稻种植碳排放和畜禽养殖碳排放三个方面来确定农业碳排放源因子以及所对应的碳排放系数。农地利用包含农用物资的投入和土壤翻耕两个方面，农地利用的碳排放源因子及相对应的系数主要参考美国橡树林国家实验室（ORNL）、联合国政府间气候变化专门委员会（IPCC）和南京农业大学农业资源和生态环境研究所（IREEA）等权威机构公布的数据；水稻种植根据不同地区水热条件差异，具体包括早稻、中稻和晚稻，其碳排放系数主要参考王明星等[23]、闵继胜和胡浩[24]的研究成果来确定；畜禽养殖品种的选择主要包括大牲畜牛、马、驴、骡、猪、山羊和绵羊，以及禽类，碳排放系数均来自IPCC。另外，在农业碳排放量测算的过程中除二氧化碳外还涉及甲烷和氧化亚氮，为了便于后续将碳排放量进行加总分析，根据IPCC（2007）第四次评估报告，统一将甲烷和氧化亚氮换算成标准碳，单位为万吨。

（三）数据来源与处理

本文以2001—2020年粮食主产区13个省份的农业投入和产出变量的面板数据进行农业碳排放效率的测度。其数据主要来自历年《中国统计年鉴》《中国农村统计年鉴》《中国农业统计年鉴》《中国农业统计资料汇编》（1949—2004）以及粮食主产区各省份的统计年鉴。考虑到以实际价格计算农林牧渔总产值无法进行纵向比较，实际测算过程中采用GDP平减指数法，以2001年为基期对各省各年的农林牧渔总产值进行价格平减。粮食主产区各省农业投入、产出变量的一般描述性统计结果如表2所示。

三、实证结果与分析

（一）基于SBM-Undesirable模型的农业碳排放效率评价

基于上文所构建的农业碳排放效率评价指标体系，利用Matlab软件对2001—2020年粮食主产区13个省份农业碳排放综合效率进行有效测度，测算结果如表3所示。

從表3不难看出，粮食主产区农业碳排放效率存在明显的时空差异。过去20年间粮食主产区农业碳排放效率均值为0.540，明显小于1，距离最佳生产前沿面还有一定的距离。此外，省域之间不同年份农业碳排放效率差异较大。根据测算结果，可以把粮食主产区各省份2001—2020年农业碳排放效率按照均值大小划分成4个效率组：高效率组（0.9以上）、中高效率组（0.6～0.9）、中效率组（0.4～0.6）和低效率组（0.4以下）。其中辽宁位于高效率组，其农业碳排放效率均值最高为1，表明该地区长期处于最佳前沿面，投入和产出相对处于最优状态。中高效率组包括四川和江苏，四川的效率均值为0.714，高于江苏的0.687，表明四川的投入产出比例要优于江苏，但两个省份的效率均值均低于1，距离最优生产前沿面还有一定的距离。中效率组的省份有山东、吉林、江西、河北、湖南、河南和湖北，年均效率值分别为0.582、0.557、0.546、0.511、0.477、0.452、0.452。低效率组包括黑龙江、内蒙古和安徽，这三个省份的农业碳排放效率均值均低于0.4，内蒙古最低，仅为0.323，亟需调整农业投入和产出比例来提高农业碳排放的效率。

另外，为进一步探究粮食主产区不同年份农业碳排放效率变动情况，选取2001年和2020年的测算结果，并基于农业碳排放综合效率（TE）的分解项纯技术效率（PTE）和规模效率（SE）进行对比分析。评价结果如表4所示。

（1）从综合效率来看，2001年仅有辽宁和四川2个省份的综合效率值为1，处在生产前沿面上，为DEA有效；其余11个省份综合效率值均低于1，未达到DEA有效，其中，黑龙江省农业碳排放效率水平最低，仅为0.393。2020年则有4个省份（河北、辽宁、江苏和江西）综合效率值为1，为DEA有效，其中与基期2001年相比，有效状态的省份增加了河北、江苏和江西，而原处于有效状态的四川则处在无效状态，并且内蒙古农业碳排放综合效率水平取代黑龙江成为最低。

（2）从纯技术效率来看，2001年内蒙古、辽宁、吉林、江苏、江西、山东和四川7个省份的纯技术效率值为1，达到了技术有效；河北、黑龙江、安徽、河南、湖北和湖南6个省份的纯技术效率值低于1，未达到有效状态。2020年除黑龙江、安徽、湖北和湖南4个省份的技术效率仍处于无效状态外，其余省份均处于有效状态，其中黑龙江、安徽和湖北有恶化的趋势，表明这3个省的投入和产出比例严重不协调，亟需优化农业生产的产业结构，不断调整优化投入和产出的配置比例。

（3）从规模效率来看，2020年河北、辽宁、江苏和江西4个省份的规模效率为1，处在有效状态，表明这4个省份只需要维持目前的投入比例不变即是最优的配置。内蒙古、黑龙江、湖南和四川4个省份处在规模效率递增的状态，表明这些省份有必要扩大生产规模，适当增加生产要素的投入，从而带来产出的增加。安徽、山东、湖南和湖北则处在规模效率递减阶段，表明生产要素投入存在冗余，需要在不改变生产要素配置结构的前提下，适当减少要素的投入，从而使得规模效率达到最优状态。

（二）基于Malmquist-Luenberger生产率指数的动态分析

1.粮食主产区农业碳排放效率时序演变特征

基于上文所构建的ML生产率指数公式，利用MAX-DEA软件对2001—2020年粮食主产区农业生产面板数据进行ML生产率指数分析，测算结果如表5所示。

由表5不难看出，粮食主产区农业碳排放综合效率均值为1.051，虽然期间效率值呈现一定的波动，但总体呈上升趋势，年均增速为5.1%。从综合效率的分解项来看，前沿技术进步和技术效率的值分别为1.044和1.007，这表明过去20年间粮食主产区农业碳排放综合效率的提升既依靠前沿技术进步又依赖农业技术效率，其中前沿技术年均贡献率年均为4.4%，农业技术年均贡献率为0.7%。这进一步说明粮食主产区的前沿技术水平和农业生产技术水平均在不断提升，表明粮食主产区在农业生产过程种对各种资源要素的配置不断优化，对前沿技术的利用较为成功。如图1所示，从农业碳排放综合效率指数变动趋势来看，期间农业碳排放综合效率指数经历上升（2002—2004年）、下降（2004—2006年）、快速上升（2006—2008年）、快速下降（2008—2009年）、波动上升（2009—2016年）、陡降（2016-2017年）和显著上升（2017-2020）等几个变化时期。其中2017年的综合效率值最低，仅为0.996，与2016年相比下降了9.24%；2020年的综合效率值最高，高达1.132，比2019年上升了5.42%。

从技术效率变动指数来看，除2002年、2003年、2006年、2009年、2010年和2011年效率值小于1外，其余年份的效率值都大于1，从图1也可以进一步看出农业技术效率呈波动上升趋势，并且与综合效率指数变动趋势大致相同，另外2017年技术效率值最高，达到1.070；2002年技术效率值最低，仅为0.951。由技术效率的分解项可知，其变动主要是由纯技术效率和规模效率引起的，其中规模效率的波动趋势大致和技术效率一致，且规模效率的波动幅度要高于纯技术效率，表明技术效率偏低的年份主要由规模效率导致的。由规模效率可知，2002年、2003年、2006年、2009年、2010年、2011年和2019年的效率值小于1，说明粮食主产区有7年的农业生产投入产出要素的配置结构不合理，需要进行相应的调整。

从前沿技术进步指数来看，过去20年间，只有2017年的效率值小于１，说明粮食主产区农业生产技术在不断进步。此外，从图1可以看出，前沿技术进步指数在2008年以后变动趋势与综合效率指数变动高度一致，并且前沿技术进步效率值要高于技术效率的值，说明前沿技术进步是促进农业碳排放效率增长的主要因素。

2.粮食主产区农业碳排放效率区域差异比较

为进一步探究粮食主产区各省农业碳排放效率存在的差异，需对粮食主产区13个省份农业碳排放效率进行测算，测算结果如表6所示。

由表6可知，粮食主产区13个省份的农业碳排放综合效率值都大于1，其中黑龙江最高，达到1.081，湖北最低，仅为1.013。根据农业碳排放综合效率值的高低差异，把13个地区划分成高速增长组（1.08以上）、快速增长组（1.06～1.08）、中速增长组（1.04～1.06）和低速增长组（低于1.04）。其中“高速增长组”的地区为黑龙江，其肥沃的土壤减少了化肥农药等高碳化学品的投入量，大大降低了农业碳排放量。“快速增长组”包含河北、河南和山东，一直以来山东、河南和河北都是我国重要的果蔬大省，其经济作物种植比重较高客观上提高了农业经济的总产值。此外，受水热条件的限制，这三个省份的水稻种植面积相对较低，一定程度上减少了农业碳排放量。“中速增长组”的省份有内蒙古、吉林、安徽、江苏和湖南，并且安徽、江苏和湖南要明显低于内蒙古和吉林，这主要是因为安徽、江苏和湖南位于长江流域，种植结构较为单一，农作物以水稻种植为主，经济价值一般，碳排放量却较高。其中“慢速增长组”包含江西、湖北和四川3个省份，其中湖北的效率值最低，仅为1.013，这三个省份均位于长江流域，种植结构和畜牧养殖品种较为相似。

从各省农业碳排放综合效率的增长源泉来看，除内蒙古和湖北外，其余省份的碳排放效率的增长源于前沿技术进步与农业技术效率改善的双重贡献，由图2可知，前沿技术进步的促进作用要高于农业技术改善。其中辽宁省的农业技术效率处于不变状态；河北、吉林、黑龙江、江苏、安徽、江西、山东、河南和湖南的技术效率指数大于1，表明技术效率在不断优化，但低于前沿技术进步指数；内蒙古、湖北和四川3个省份农业碳排放综合效率的提升则完全依靠前沿技术进步，农业技术效率在不断恶化。再从技术效率的分解上看，规模效率和纯技术效率均呈现不变、改善和恶化三种状态，其中，内蒙古和四川的技术效率恶化主要是由于综合效率恶化，而湖北则是纯技术效率和规模效率共同恶化导致的。

（三）粮食主产区农业碳排放效率影响因素分析

1.农业碳排放效率影响因素变量的确定

在影响农业碳排放效率的众多因素中，农业经济发展水平、农业产业结构、财政支农、城镇化水平、对外开放程度等变量得到了高度认同[13][25-26]；此外，还涉及农村用电量[14]、自然灾害[27]、农村人力资本[28]等变量。在参考众多学者研究成果的基础上，结合粮食主产区农业生产的实际情况，并充分考虑数据的可得性，本文具体选择农业经济发展水平、农业产业结构、城镇化水平、农村用电量、财政支农水平、农产品价格改革和自然灾害等7个变量作为影响农业碳排放效率的潛在解释变量，并据此提出以下研究假设。

（1）农业经济发展水平（[ae]）。农业经济发展水平越高的地区，农业的现代化进程越快，同时也意味着农业生产会由劳动密集型向资本密集型转变，会不断增加农用物资的投入，从而导致农业碳排放量的增加，抑制农业碳排放效率的提升；但资本投入的增加会带来单位农业产出的增加，并且会提升农业生产技术，进而促进农业碳排放效率的提升。因此，农业经济发展水平对农业碳排放效率影响的作用方向有待进一步的实证检验。具体以农民人均纯收入作为农业经济发展水平的替代变量，单位为元。

（2）农业产业结构（[str]）。种植业是粮食主产区农业产业的主要形式，在保障粮食生产安全上发挥关键作用。但种植业与其他产业相比，在生产过程中需投入大量的农用物资，并且为促使粮食持续增产往往存在农用物资投入过量的现象，进一步导致碳排放量较高。在此选取种植业产值占农林牧渔总产值比重作为农业产业结构的代替变量，并假设农业产业结构对农业碳排放效率具有负向作用。

（3）城镇化水平（[ul]）。城镇化水平提升促使农村劳动力逐渐向城镇转移，农业生产中劳动力投入要素的减少势必通过增加农用化学品和农用能源的投入来弥补，这又会导致农业碳排放量的增加，从而降低农业碳排放效率。但城镇化水平提升的过程也是城镇用地不断扩大的过程，城镇用地增加会挤占农业用地，从而导致种植业生产规模减少，这又在一定程度上减少了碳排放量，进而提高了农业碳排放效率。因此，城镇化水平对农业碳排放效率的具体作用方向有待实证检验，这里使用地区城镇人口占总人口的比重作为城镇化水平的替代变量。

（4）农村用电量（[el]）。随着农村电力基础设施不断完善，在农业生产中，电能逐渐替代柴油等化石能源，成为农用机械和农业灌溉的主要动力来源。虽然电能在投入使用的过程中也会带来碳排放量，但与柴油等化石能源相比，其排放量相对较小。因此，本文具体选择农村用电量替代农业用电，单位为亿千瓦，并假定农村用电量与农业碳排放效率呈正相关。

（5）自然灾害（[dl]）。农业与其他产业相比，更易受自然条件的影响，农业抵御自然灾害风险能力较弱。尤其是随着全球气候变暖，极端气候事件频发，极端气候引发的自然灾害导致农业生产受灾严重，进而影响农业总产值，成为制约农业碳排放效率提升的重要因素。本文认为，自然灾害的影响越大，农业碳排放效率越低。具体以农作物受灾程度（农作物受灾面积/农作物播种面积）衡量自然灾害产生的影响。

（6）农产品价格体制改革（[ap]）。农产品价格体制改革对农业碳排放效率影响机制主要体现在两个方面。一方面是政府对农产品价格实行的宏观调控，如粮食收购最低价以及农用机械等农用物资的购买补贴价，一定程度上激发农民生产的积极性，从而带来农业产出的增加；另一方面，政府对农产品价格的过度干预会影响市场在资源配置中活力，导致农业生产要素投入失调，这也会影响农业碳排放效率。因此，农产品价格体制改革对农业碳排放效率的作用放向不明确，需进一步实证检验。本文借程琳琳[29]的做法，以农产品生产价格指数占农业生产资料价格指数的比重来替代农产品价格体制改革。

（7）财政支农水平（[af]）。财政支农的增加一方面为农田水利灌溉系统等农业基础设施建设与农业科技水平改进提升提供资金支持，加快农业现代化的步伐，对农业碳排放效率提升有显著促进作用。但另一方面，地方财政在农业生产投资过程中因缺少监督机制，也会出现重复建设、无效建设以及寻租行为和浪费行为，从而降低财政支农的效率水平[27]。故财政支农水平对农业碳排放效率的作用方向也有待实证检验。本文以农林水利支出占财政总支出的比重来衡量财政支农水平。

基于上述假设，本文将构建农业碳排放效率（[TE]）影响因素的面板Tobit模型，公式如下：

[TEti=β0+β1aeti+β2strti+β3ulti+β4elti+            β5dlti+β6apti+β7afti+μti]   （12）

上式中，[TE]为农业碳排放效率值；[i]为省份；[t]为年份；[β0]为常数项；[β1、β2、β3、β4、 β5、β6、β7]分别为各解释变量的待估参数；[μ]为随机扰动项。相关变量的描述性统计结果如表7所示。

2.粮食主产区农业碳排放效率影响因素估计结果与分析

（1）方差膨胀因子检验。方差膨胀因子（VIF）是检验变量之间是否存在多重共线性的重要参考指标。一般情况下，当VIF值大于10时，就认为变量之间具有强烈的多重共线性，不能接受；反之，则可以接受。现运用方差膨胀因子对农业碳排放效率影响因素的各解释变量进行多重共线性检验，检验结果如表8所示。由表8可知，各影响因素之间不存在多重共线性，说明回归结果是有效的。

（2）估计结果与分析。由于面板数据具有截面、时序的特性，因此需要先对数据进行检验，通过Hausman 检验表明，粮食主产区农业碳排放效率影响因素的回归分析应选择随机效应的Tobit模型。基于此，利用 Stata16软件对其进行回归，其结果如表9所示。

根據回归结果可知，农业经济发展水平、农业产业结构、城镇化水平、农村用电量和财政支农均通过了显著性检验，而自然灾害和农产品价格体制改革未通过显著性检验。具体来看：

农业经济发展水平和农村用电量对农业碳排放效率有显著的正向作用。农业经济发展水平在1%的显著水平下与农业碳排放效率显著正相关，说明提升农业经济发展水平能显著提高农业碳排放效率。这主要是因为农业经济发展水平提高意味着更多资本投入到农业生产中，从而不断提高农业科技水平，加快农业现代化进程，客观上提高农业生产效率。农村用电量同样在1%的显著水平下与农业碳排放效率显著正相关，说明在其他条件不变的情况下，农业生产中大量使用电力将显著提高农业碳排放效率，这也一定程度上印证了电力逐渐取代柴油等化石能源成为农业生产的基础。

农业产业结构、城镇化水平、财政支农对农业碳排放效率有显著的负向作用。农业产业结构在5%的显著水平下与农业碳排放效率呈显著负相关，说明在其他条件既定时，种植业产值比重每增加1个单位，农业碳排放效率将下降0.476个单位；粮食主产区农业以种植业为主，与林业和渔业相比，种植业在生产过程中需消耗大量的农用物资，从而使得单位产值带来的农用碳排放量也较高，进而阻碍了农业碳排放效率的提升。城镇化水平也在5%的显著水平下通过检验，且作用方向为负，表明城镇化水平越高农业碳排放效率越低，这主要是因为粮食主产区各省份在确保粮食安全的情况下，农业人口的减少势必造成农业生产过度依赖化肥、农药、机械等增产型技术，将会极大增加碳排放量，从而导致农业碳排放效率的下降。财政支农的回归系数为-2.368，并在1%的显著水平下通过检验，这与程琳琳[29]、张广胜和王珊珊[30]等学者的研究结论相似。财政支农负向影响可能的解释：一是由于财政对农用机械、化肥的补贴造成农民在农业生产中过度依赖农用物资，从而导致碳排放增加；二是可能缺乏相应的监督机制，财政支农在投入过程中出现无效、重复投资的现象；两者的共同作用导致财政支农水平对农业碳排放效率呈现负向作用。

自然灾害与农产品价格体制改革并未通过显著性检验。自然灾害的作用方向为正向，与一般认知不同，一方面是由于随着农业科技水平的提高、农田水利设施的增多，农业抵御自然灾害的能力显著提高，自然灾害对农业产值的影响不断减少；另一方面可能由于自然灾害一定程度上抑制了粮食主产区农业生产中一次性过量使用农用物资等高碳的生产行为[29]。农产品价格政策对农业碳排放效率具有正的影响但未通过显著性水平，农产品价格政策通过稳定粮价，实行最低收购价，避免谷贱伤农现象，从而刺激了农民生产积极性，进一步增加了农业产出，对农业碳排放效率有一定的提升作用。

四、结论与政策建议

（一）研究结论

基于上述分析本文主要得出如下结论：（1）2001—2020年粮食主产区农业碳排放效率均值为0.540，未达到有效状态，距离最佳生产前沿面还有一定的距离，省域之间差距较大，只有辽宁长期处于有效状态。（2）考察期间粮食主产区农业碳排放综合效率均值为1.051，总体呈波动上升趋势，年均增速为5.1%；前沿技术进步和技术效率的值分别为1.044和1.007，前沿技术年均贡献率年均为4.4%，农业技术年均贡献率为0.7%，且前沿技术进步是促进农业碳排放效率增长的主要因素。粮食主产区各省份的农业碳排放综合效率值都大于1，其中以黑龙江最高，达到1.081，湖北最低，仅为1.013；从各省农业碳排放综合效率的增长源泉来看，前沿技术进步在粮食主产区各省份农业碳排放效率的增长上发挥的作用要明显高于技术效率，而从技术效率分解可知，纯技术效率与规模效率的贡献程度因省份不同而有所差异，但规模效率的贡献要明显大于纯技术效率。（3）农业经济发展水平和农村用电量对农业碳排放效率有显著的正向作用；农业产业结构、城镇化水平、财政支农对农业碳排放效率有显著的负向作用；自然灾害与农产品价格体制改革并未通过显著性检验。

（二）政策建议

1.提高农业经济发展水平，加大财政支农力度，不断完善农业基础设施

粮食主产区应强化农业发展资金投入，建立财政补贴监督机制，避免出现重复投资、浪费的现象；加快发展农村数字普惠金融，健全农业保险制度，为繁荣粮食主产区农村经济提供有力支持。此外，粮食主产区应完善农田水利基础设施，加强高产稳产高标准农田建设，为电力等新能源的投入使用创造有利条件。

2.推动新型城镇化高质量发展，提高农业生产资料的利用效率

粮食主产区应避免过度追求城镇化速率，防止出现过快城镇化带来农业从业人口减少、农业用地被城市用地挤占等不利于农业生产的现象。城镇化发展进程应逐步从强调速率向重视质量转变，加快推进新型城镇化高质量发展进程，促使技术、人才、资金等要素在城乡间合理自由流动[31]。不断提高农用机械、化肥、农药等农业生产资料的利用效率，促使农业生产方式由过度依赖高碳型增产化学品向生态绿色、高效率转变。

3.加强农业科技创新，推动农业生产低碳化

粮食主产区应不断加强农业科技创新，完善农业科技领域基础研究稳定支持机制，加大农业科技创新领域的资金投入，积极与农业科研院所合作，推动农业先进科技成果最先应用农业生产中。促进数字技术与农业经济的深度融合，借助人工智能、大数据、区块链等新技术发展智慧农业，不断提高农业生产效率，加快粮食主产区农业低碳化生产步伐。

4.调整农业产业结构，不断优化种养模式

粮食主产区应加快种源科技创新，不断培育优良的作物和畜禽品种；充分结合各地的资源优势，大力培育特色种植业，不断优化畜禽养殖模式，采取种养结合的模式，推进秸秆综合利用和畜禽粪便资源化利用，实现种养业向绿色低碳方向转变；逐步建立跨区域之间的合作机制，完善粮食主产区生态补偿机制，实现粮食主产区各省份联动发展，为种养业结构优化与调整创造条件。

参考文献：

[1]JIA G S，SHEVLIAKOVA E，ARTAXO P，et al.Land-climate interactions［R/OL］.IPCC special report on climate change and land．［2019-09-16］.https：//www.ipcc.ch/srccl/chapter/chapter2/．

［2］楊晨，胡珮琪，刁贝娣，等.粮食主产区政策的环境绩效：基于农业碳排放视角［J］.中国人口·资源与环境，2021，31（12）：35-44．

［3］丁宝根，杨树旺，赵玉，等.中国耕地资源利用的碳排放时空特征及脱钩效应研究［J］.中国土地科学，2019，33（12）：45-54．

［4］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（08）：80-86．

［5］田云，尹忞昊.中国农业碳排放再测算：基本现状、动态演进及空间溢出效应［J］.中国农村经济，2022（03）：104-127．

［6］张俊飚，何可．“双碳”目标下的农业低碳发展研究：现状、误区与前瞻［J］.农业经济问题，2022（09）：35-46．

［7］戴小文，何艳秋，钟秋波.基于扩展的Kaya恒等式的中国农业碳排放驱动因素分析［J］.中国科学院大学学报，2015，32（06）：751-759．

［8］刘杨，刘鸿斌.山东省农业碳排放特征、影响因素及达峰分析［J］.中国生态农业学报（中英文），2022，30（04）：558-569．

［9］胡婉玲，张金鑫，王红玲.中国农业碳排放特征及影响因素研究［J］.统计与决策，2020，36（05）：56-62．

［10］田云，王梦晨.湖北省农业碳排放效率时空差异及影响因素［J］.中国农业科学，2020，53（24）：5063-5072．

［11］郭四代，钱昱冰，赵锐.西部地区农业碳排放效率及收敛性分析——基于SBM-Undesirable模型［J］.农村经济，2018（11）：80-87.

［12］尚杰，吉雪强，石锐，等.中国农业碳排放效率空间关联网络结构及驱动因素研究［J］.中国生态农业学报（中英文），2022，30（04）：543-557.

［13］吴贤荣，张俊飚，田云，等.中国省域农业碳排放：测算、效率变动及影响因素研究——基于DEA-Malmquist指数分解方法与Tobit模型运用［J］.资源科学，2014，36（01）：129-138.

［14］钱丽，肖仁桥，陈忠卫.碳排放约束下中国省际农业生产效率及其影响因素研究［J］.经济理论与经济管理，2013（09）：100-112．

［15］吴昊玥，黄瀚蛟，何宇，等.中国农业碳排放效率测度、空间溢出与影响因素［J］.中国生态农业学报（中英文），2021，29（10）：1762-1773．

［16］何慧爽，付帮杰.我国粮食主产区农业碳排放测度与减排压力研究［J］.生态经济，2019，35（11）：99-104．

［17］田云，吴海涛.产业结构视角下的中国粮食主产区农业碳排放公平性研究［J］.农业技术经济，2020（01）：45-55.

［18］TONE K.A slacks-based measure of efficiency in data envelopment analysis［J］.European Journal of Operational Research，2001（03）：498-509．

［19］COOPER W W.SEIFORD L M，TONE K.Data envelopment analysis［M］.Second Edition Boston：Kluwer Academic Publishers，2007．

［20］田云，林子娟.中国省域农业碳排放效率与经济增长的耦合协调［J］.中国人口·资源与环境，2022，32（04）：13-22.

［21］CHUNG Y H，FAREＲ，GROSSKOPFS.Productivity and undesirable out puts：a directional distance function approach［J］.Journal of Environmental Management，1997，51（3）：229-240.

［22］曾大林，纪凡荣，李山峰.中国省际低碳农业发展的实证分析［J］.中国人口·资源与环境，2013，23（11）：30-35.

［23］王明星，李晶，郑循华.稻田甲烷排放及产生、转化、输送机理［J］.大气科学，1998（04）：218-230.

［24］闵继胜，胡浩.中国农业生产温室气体排放量的测算［J］.中国人口·资源与环境，2012，22（07）：21-27.

［25］刘其涛.中国农业碳排放效率的区域差异——基于Malmquist-Luenberger指数的实证分析［J］.江苏农业科学，2015，43（09）：497-501.

［26］张俊飚，程琳琳，何可.中国农业低碳经济效率的时空差异及影响因素研究——基于“碳投入”视角［J］.环境经济研究，2017，2（02）：36，51．

［27］田云.中国低碳农业发展：生产效率、空间差异与影响因素研究［D］.华中农业大学，2015.

［28］吴义根.低碳约束下的中国农业生产率研究［D］.中国农业大学，2019．

［29］程琳琳.中国农业碳生产率时空分异：机理与实证［D].华中农业大学，2018.

［30］张广胜，王珊珊.中国农业碳排放的结构、效率及其决定机制［J］.农业经济问题，2014，35（07）：18-26，110．

［31］刘雪琪，李波.碳中和目标下中国农地利用效率的影响因素及时空异质性［J］.华中农业大学学报（社会科学版），2023（1）：197-209.

责任编辑：李亚利

Spatial-temporal Evolution and Influencing Factors of Agricultural Carbon Emission Efficiency in Major Grain Producing Areas

1Hou Yu  2Zhang Hongsheng  2Yang Shangzhao  1Geng Fangyan

（1School of Economics， Guizhou University， Guiyang 550025， Guizhou， China;

2Guiyang Institute of Humanities and Technology， Guiyang 550025， Guizhou， China）

Abstract： Based on the panel data of the main grain-producing areas from 2001 to 2020， this paper uses the SBM-Undesirable model and the Malmquist-Lunberger productivity index to measure the agricultural carbon emission efficiency of the main grain-producing areas from both static and dynamic aspects， and combines the Tobit model to explore the key factors affecting the change of agricultural carbon emission efficiency of the main grain-producing areas. The results are as follows.（1）The average agricultural carbon emission efficiency in the main grain producing areas was 0.540， which does not reach the effective state. The difference between provinces is obvious. Only Liaoning is in a long-term effective state， and the rest provinces are invalid in DEA.（2）The comprehensive efficiency of agricultural carbon emissions in the main grain-producing areas showed a fluctuating upward trend， with an average annual growth rate of 5.1%. The progress of cutting-edge technology is the main factor to promote the growth of agricultural carbon emissions efficiency. The comprehensive efficiency of agricultural carbon emissions in each province is greater than 1. The role of cutting-edge technological progress in the growth of agricultural carbon emissions efficiency in each province is higher than that of technical efficiency. The contribution of pure technical efficiency and scale efficiency varies with provinces， but the contribution of scale efficiency is significantly greater than that of pure technical efficiency.（3）The level of agricultural economic development and rural electricity consumption have a significant positive effect; Agricultural industrial structure， urbanization level and financial support for agriculture have significant negative effects; Natural disasters and the reform of agricultural product price system have not passed the significance test. Based on this， some policy suggestions were put forward to improve the level of agricultural economic development， promote the high-quality development of new urbanization， strengthen agricultural scientific and technological innovation and adjust agricultural industrial structure.

Key words： main grain producing areas; agricultural carbon emissions efficiency; spatial-temporal evolution; influencing factors

[基金項目]贵州省科技平台及人才团队计划项目（项目编号：黔科合平台人才〔2017〕5647）；贵州省哲学社会科学规划项目（项目编号：22GZQN28）；贵阳人文科技学院科研项目（项目编号：2021rwjs029）。

[作者简介]侯宇（1996-），男，安徽亳州人，硕士研究生，研究方向：农业经济管理；张宏胜（1993-），男，河南光山人，博士研究生，讲师，研究方向：农业资源与环境经济；杨尚钊（1996-），男，贵州大方人，硕士，讲师，研究方向：低碳农业；耿芳艳（1997-），女，贵州威宁人，硕士研究生，研究方向：农村发展与生态经济。