農業碳排放效率及影響因素研究

楊龍 徐明慶 蒲健美 楊詩琦 駱耀峰

摘 要： 為探究當前中國農業的碳排放問題，基于2019年楊凌區及周邊的微觀調查數據，采用隨機前沿生產函數模型測算樣本農戶的農業碳排放效率，同時建立效率損失模型分析影響農業碳排放效率的幾個主要因素。結果表明，種植業投入要素中，土地投入對產出的貢獻度最大，其次是農藥投入和勞動力投入;樣本農戶的農業碳排放效率較低，均值只有0.2962，存在很大的發展空間;在幾個主要的影響因素中，家庭從事種植業的年限、一年內從事種植業工作的月數、土地流轉面積對農業碳排放效率具有正面效應，實際土地面積塊數、農業補貼總額對農業碳排放效率具有負面效應。

關鍵詞： 農業碳排放效率 隨機前沿生產函數 產出彈性 效率損失

一、引言

改革開放后，中國的經濟開始騰飛，四十年間一躍成為世界第二大經濟體。然而，在取得舉世矚目的經濟成就的同時，中國的生態環境卻在逐漸衰退乃至惡化。自2006年中國超越美國成為世界上碳排放總量最多的國家之后[1]，怎樣協調經濟發展和環境保護之間的矛盾成了當前國內亟須解決的問題之一。

2011年，中國“十二五”規劃中提出了“綠色發展”概念[2]，即以可持續發展為核心，實現經濟效益、社會效益和生態效益三者的統一。“綠色發展”旨在降低碳排放。當前國際上已達成了一些限制碳排放的協定，比如2012年簽署的《京都議定書》，旨在通過發達國家和發展中國家的碳限制協議實現減排的效果，并第一次正式提出了“碳交易”的概念，即被批準的可排放碳總量不足的國家（主要是發達國家）可以與可排放碳總量充足的其他國家（主要是發展中國家）進行碳交易，在前者獲得更大的碳排放許可量的同時，后者也能夠得到來自前者的經濟援助，從而實現雙贏的效果[3]。“碳交易”旨在通過經濟利益交換碳排放量，以碳排放量的相對增減實現全球范圍內碳排放總量的相對平穩，但不利于提高發達國家的低碳技術和發展中國家的經濟發展水平。為建立國內的碳市場以加強生態建設，2013我國擬于五市（北京、上海、深圳、天津、重慶）和兩省（湖北省和廣東省）啟動碳交易試點[4]，在2015年7月已在七個試點地區成交逾5365萬t的二氧化碳累計量[5]。然而隨著社會經濟的快速發展和一、二、三產業規模的持續擴大，國內碳排放總量的攀升已無可避免。當前應更多地關注碳排放過程中的效率問題，而不僅僅是總量問題，即應關注在不增加碳排放的前提下如何提高經濟效益的問題，即如何提高碳經濟效率[6]的問題。而農業作為國民經濟基礎產業，同時也是我國綠色發展、低碳發展、循環發展的重要關注產業，提高其碳排放效率對于推動國民經濟發展和實現“鄉村振興”戰略有著重要意義。

目前大多數學者對農業碳排放問題的相關研究可以概括為以下三個方面[8]：（1）測算碳排放量。如劉華軍等利用1993～2010年30個省市的統計數據從化肥、農藥、柴油等七個碳排放的主要來源測算了各地區的碳排放量[9];堯波等利用碳轉化系數法測算了江西省縣域的農業碳排放量[10];田云等從五種農用物資投入和畜禽養殖引發的碳排放以及稻田引起的甲烷排放三個方面測算了2002～2011年我國31個省域的碳排放量[11]。（2）分析影響農業碳排放的因素。如吳賢榮等采用Tobit模型實證分析了2000～2011年全國31個省域農業碳排放效率變動的影響因素[7];龐麗利用LMDI因素分解法對影響我國各地區農業碳排放的因素進行了分析，結果發現農業的經濟發展水平對各地區農業碳排放增長的影響最大[12];張小平和王龍飛運用LMDI模型分析了甘肅省1993-2011年農業碳排放的主要影響因素，結果表明農業經濟發展和勞動力對碳排放有正向作用，而生產效率和產業結構對碳排放有負向作用[13]。（3）農業碳排放效率的測算和分析。如郭四代等基于SBA-Undesirable模型測算了2006-2015年中國西部12個省份的農業碳排放效率，結果發現西部地區的碳排放效率總體呈現上升趨勢[14];張廣勝和王珊珊從生命周期法的角度分析了1985—2011年中國農業碳排放總量和效率，以此為基礎探討了農業碳排放強度的決定機制[15]。

盡管當前關于農業碳排放的研究不少，但大多從宏觀層面分析一個區域的農業碳排放，基于樣本農戶的微觀層面分析較少;其次，關于農業碳排放效率的核算中缺乏考慮技術因素;最后，現有關于農業碳排放效率的研究缺乏考慮效率損失。基于此，本文以2019年7～8月在陜西省楊凌區及周邊的微觀調查數據為支撐，對從事農業種植的農戶在生產經營過程中的農業經濟產值和碳排放總量進行測算和求比值，算得碳經濟效率作為產出量，再以農戶種植過程中主要生產要素作為投入量，采用較多用于核算技術效率的隨機前沿生產函數模型算得農業碳排放效率，并引入效率損失模型分析農業碳排放效率的影響因素。

二、模型設定

（一）理論模型設定

對農業碳排放效率的測度既可以采用非參數化的數據包絡分析方法（DEA），也可以采用參數化的隨機前沿分析方法（SFA），但由于后者通常用于多投入單產出情形，且相對于DEA方法而言對異常數據敏感程度較小，更適合于充滿噪聲的農業調查數據，因此本文采用參數化的隨機前沿分析方法（SFA）對樣本農戶的農業碳排放效率進行分析。對于生產函數設定的具體形式，可以采用柯布-道格拉斯生產前沿函數或超越對數生產前沿函數，兩者的相同之處是數據都進行對數化處理，不同之處是前者不考慮變量間的交互作用，而后者考慮。因此本文采用超越對數生產前沿函數作為具體的函數形式。本文設定的隨機前沿模型[16]基本形式如下：

lnyi=β0+∑Nn=1βnlnxni+∑Nn≤m∑Mm=1βnmlnxnilnxmi+（vi-ui）???????????????????? [JY]? （1）

vi～N（0，σ2v），ui～N（mi，σ2u）

mi=δ0+∑Kk=1δkZki????????????????????????????????????????????????? [JY]?? （2）

公式1為隨機前沿生產函數模型，其中i（i=1，2，…，p）表示第i個樣本，yi表示第i個樣本農戶的產出，N為投入要素的總數量，β表示各投入變量的系數，xni和xmi表示第i個樣本的第n、m種要素投入;對于復合殘差vi-ui，被減數vi表示隨機誤差項，減數ui表示效率損失項。

公式2為效率損失模型，Zk（k=1，2，…，K）表示可能影響農業碳排放效率的K個因素，即由農業碳排放效率的可能影響因素組成的列向量，δ為這K個因素的待估系數。在此需要說明的是，δ的符號可以表明Zk與效率損失項ui存在的關系，δ<0說明Zit對效率損失項ui有負向影響，即對農業碳排放效率有正向作用;δ>0說明Zi對效率損失項ui有正向影響，即對農業碳排放效率有負向作用。

為便于計算，本文在模型中兩個方差σ2v及σ2u用σ2=σ2v+σ2u和γ=σ2uσ2v+σ2u（0≤γ≤1）進行替換。同時，模型中每個樣本的農業碳排放效率可根據TEi==exp（-ui）進行計算。此處，當0

（二）經驗模型設定

1.隨機前沿生產函數的經驗模型

本文樣本農戶的農業總產值用各作物的經濟產量與相應的市場價格乘積的總和來表示。已知在測算生產技術效率時產出變量通常用產量或產值表示，但用隨機前沿分析方法測算農戶的農業碳排放效率時需要對產出變量作一定的改變。如果將產值除以碳排放總量，就可以得到“碳經濟效率”，其倒數相當于單位產值的碳排放強度[17][18]。因此，本文以樣本農戶的碳經濟效率作為產出變量，根據前文對理論模型設定，建立如下的隨機前沿生產函數經驗模型：

lnyi=lnYitci=ln∑Rr=1priqritci=β0+β1lnfei+β2lnpei+β3lnafi+β4lndsi+β5lnlbi+β6lnari+β7ln2fei+β8ln2pei+β9ln2afi+β10ln2dsi+β11ln2lbi+β12ln2ari+β13lnfeilnpei+β14lnfeilnafi+β15lnfeilndsi+β16lnfeilnlbi+β17lnfeilnari+β18lnpeilnafi+β19lnpeilndsi+β20lnpeilnlbi+β21lnpeilnari+β22lnafilndsi+β23lnafilnlbi+β24lnafilnari+β25lndsilnlbi+β26lndsilnari+β27lnlbilnari+（vi-ui）? [JY]（3）

其中，tci表示每個農戶在種植過程中產生的碳排放總量;R表示農戶種植的作物數量;pri表示第i個農戶的第r種作物的市場價格;qri表示第i個農戶的第r種作物的經濟產量;Yi表示每個農戶的總產值;yi表示每個農戶種植的碳經濟效率;β0表示模型的截距項;β1，β2，…，β35表示投入變量的系數;fe表示肥料投入;pe表示農藥投入;af表示農膜投入;ds表示柴油投入;lb表示勞動投入;ar表示土地投入;其他變量意義同（1）式。

2.效率損失的經驗模型

農戶之間農業碳排放效率的差異可以由效率損失模型解釋，主要因素可以分為農戶經營特征因素、農業政策因素以及區域因素[19]。考慮到調查地為楊凌區及周邊村縣，區域因素（包括土壤、氣候、受災率和地形地貌等）差別不大，因此本文選取的主要影響因素如下：（1）實際土地塊數。農戶土地分布集中還是零散會對其種植經營規模化與否產生影響，進而影響到農業碳排放效率水平。（2）家庭從事農業種植的年份。農戶從事農業種植的時間越長，經驗越豐富，農業產值就越高，相應農業碳排放效率可能就越高。（3）家庭一年內從事種植業工作的月數。農戶在農業種植上的時間投入越多，則花費在農業種植上的精力就更集中，更易掌握合理科學的種植方法，農業碳排放效率可能就更高。（4）土地流轉面積。農戶流轉出去的土地面積越多，剩下可用于種植的土地面積就越少，較少的土地不易實現規模化經營，即投入較多而產出可能很少，對農業碳排放效率水平可能有不利影響。（5）總農業補貼額。獲得農業補貼相當于可投入資金增多了，可能有助于農戶提高農業碳排放效率水平。

基于此，本文設定的效率損失模型為：

ui=δ0+∑5k=1δkZki[JY]（4）

其中δ0表示常數項，δk（k=1，2，…，5）表示第k個待估系數，Zk表示上述提到的第k個影響農業碳排放效率的主要因素。

3.碳排放量的核算

本文根據IPCC提出的碳排放計算方法[22]，按照如下公式對每個樣本的碳排放總量進行測算：

TC=∑ni=1Ei×φi??????? [JY]（5）

其中，TC表示碳排放總量;Ei表示第i種碳源的使用量;φi表示第i種碳源對應的碳排放系數，具體的碳源碳排放系數見表1：

三、數據來源和統計描述

本文所采用的數據來自西北農林科技大學創新訓練項目調研團隊在2019年7～8月于陜西省楊凌區周邊下鄉入戶的調查數據。本次調查覆蓋楊凌區、武功縣、扶風縣、三原縣和周至縣在內的共計76處村落。在實地調查中，以“教稼圣地”楊凌區為中心點，向周邊村落進行輻射調研，并按照分層隨機抽樣調查法，每走訪一村調查五份左右的問卷，村與村之間依照農業人口分布狀況相隔一定距離進行調查，使得最終得到的調查問卷能夠滿足重復率較低、代表性較好的要求。剔除無效問卷后，本文選取235份有效樣本問卷進行研究分析。以下為樣本數據的描述性統計分析：

根據農戶投入和產出變量的描述性統計分析（見表2），可以直觀地看到：農戶投入和產出變量的最小值和最大值數據之間差距較大，推測是因為農戶樣本間種植面積和經營管理方式等存在的差異造成的;勞動投入、農膜投入、土地投入、農藥投入、柴油投入的標準差較小，即數據分布較緊密，表明這些投入要素在農戶個體之間差異較小;碳經濟效率和肥料投入的標準差較大，即數據離散度較高，說明個體農戶之間的碳經濟效率和施用化肥差距很大;參考劉天軍和蔡起華對農戶不同經營規模的分類[21]，可以計算出勞動投入為1～2人的農戶占91%，土地投入為4畝以下的農戶占63%，土地投入為4～7畝的農戶占30%，說明本文數據樣本主要由中小型種植經營規模的農戶構成。

根據效率損失模型中變量的描述性統計分析（見表3），可以算出土地塊數小于等于3的樣本占79%，說明農戶土地分布較集中;家庭從事種植工作的平均年限達到34年且高于34的樣本占57%，高于20年的樣本占88%，表明大多數樣本農戶長期務農或多代務農，種植經驗豐富;樣本農戶一年內投入種植工作的平均月數為9.01，且高于9.01的樣本占61%，高于6的樣本占80%，表明大多數樣本以農業種植為主要工作;另外，享受農業補貼的樣本農戶占樣本總量的47%，表明當地農戶優惠政策較為普及。以上這些因素都有利于提高農業碳排放效率水平，由此推測本文數據樣本的農業碳排放效率值可能不低。

四、模型結果與分析

（一）隨機前沿生產函數的估計結果

本文采用frontier4.1軟件包對隨機前沿生產函數模型和碳排放效率損失模型進行極大似然（MLE）估計，結果見表4。對模型整體而言，可以得到：（1）LR統計量的估計值等于240.8791，自由度為7，在0.1%的顯著性水平下極顯著，拒絕效率損失項ui不存在的原假設;（2）經過計算，很明顯γ值為0.99999990，非常接近于1，表明效率損失項ui極顯著存在，且可以認為幾乎接近全部的誤差都是由效率損失引起的;（3）σ2=38.6071，在1%的顯著性水平下極顯著，表明隨機誤差項vi存在。綜上所述，本文可以運用隨機前沿分析方法（SFA）測量農戶的碳排放效率，且在模型中可以加入效率損失項ui。

（二）農戶生產投入要素的產出彈性分析

超越對數函數形式可以反映投入要素間復雜的替代關系。通過對隨機前沿生產函數求導，可以求出各投入變量的產出彈性，用公式表示如下：

由上表可知，土地投入對提高農業碳排放效率的影響最大，農藥投入和勞動力投入對提高農業碳排放效率有明顯的正向作用，這個結論與劉天軍和蔡起華的結論[21]相同。化肥的產出彈性為負，說明大量施肥可能不是一個有效增產的途徑。由于被調查農戶的種植經營規模多以中小型為主，大多數農戶都不太了解測土配方法和合理科學施肥的重要性，更多地憑借耕作經驗主觀判斷施加肥料，這就造成土地增產效果較差，因此化肥的產出彈性為負。同樣地，對于本文樣本測算的產出彈性，可以看到農膜、柴油兩種投入對產出彈性的影響為負，考慮到可能是大多數樣本農戶對于這兩種投入品的使用量較少，樣本的解釋力度不足，因此測得的產出彈性可能不太準確。

（三）農業碳排放效率分析

經統計，農業碳排放效率的最大值為0.9952，接近于1;最小值為0，平均碳排放效率為0.2962，標準差為0.3085。表6說明農業碳排放效率在不同區間的分布情況，樣本數據中大概有70.6%農戶的農業碳排放效率位于0.0至0.4之間，而碳排放效率不小于0.7的農戶樣本只有16.2%，說明大部分農戶的農業碳排放效率處于較低水平，還存在很大的上升空間（見表6）。

（四）效率損失模型的估計結果

由前文對SFA估計結果的論述，已知γ非常接近1，表明幾乎大部分的誤差是由隨機誤差項ui引起的。因此，研究影響農業碳排放效率損失的因素對把握投入產出情況很有必要，下表是效率損失模型的估計結果見表7：

由于在隨機前沿模型中ui的系數為負，因此上表中變量系數為正，表明該變量對農業碳排放效率損失有正向作用，即對農業碳排放效率有負面影響;反之，變量系數為負，表明該變量對農業碳排放效率損失有負向作用，即對農業碳排放效率有正面影響。

上表中，實際土地面積塊數系數為正，通過1%顯著性水平，表明土地分散程度高低會對規模化經營產生影響，塊數少、分布集中的土地更有利于進行規模化經營，降低種植成本，提高農業碳排放效率;家庭從事種職業的年限對農業碳排放效率有正面影響，從事種職業的年限越長，農戶的經驗越豐富，相應地農業碳排放效率可能就越高;一年內從事種植業工作的月數相當于農戶的種植時間投入，在表中系數為負，說明農戶一年內在農業種植上投入的時間越多，農業碳排放效率水平就越高;農業補貼總額對農業碳排放效率有負面影響，但數值很小，說明影響程度較低;土地流轉面積系數為-0.4759，說明土地流轉面積對農業碳排放效率有正面影響，可以認為土地流轉程度越高，土地規模化經營的可能性也就越高，越有利于提高農業碳排放效率。

五、研究結論與政策啟示

本文利用2019年7～8月在陜西省楊凌區及周邊村縣的微觀農戶截面數據，采用隨機前沿生產函數模型測算了不同農戶的農業碳排放效率，并借助效率損失模型對影響農業碳排放效率的因素進行了分析，結果如下：

1.在農作物生產的投入要素中，產出彈性為正且數值最大的投入要素是土地，其次是農藥和勞動力，化肥的產出彈性為負值。

2.樣本農戶的農業碳排放效率水平較低，平均農業碳排放效率值只有0.2962，且樣本中有超過70%的農戶碳排放效率值低于0.5。

3.在農業碳排放效率的影響因素中，家庭從事農業種植的年限、一年內從事種植業工作的月數、土地流轉面積對農業碳排放效率具有正面效應，實際土地面積塊數、農業補貼總額則對碳排放效率具有負面效應。

基于上述研究結論，得到如下政策啟示：

1.加強農業知識技能的培訓和宣傳，培養農戶建立科學有效使用農業生產要素的意識，為農戶宣講“測土配方法”的合理性和重要性。

2.培養專業的農業人才，建立農技服務站，為農戶搭建更多方便的農業問題咨詢、服務和解決的渠道。

3.鼓勵土地流轉，推進土地更快地流向一些種植大戶或專業種植戶，促進傳統農業向規模化、科技化和高產化的現代農業方向發展。

4.加大農業補貼力度，向農作物低產的種植戶提供相應的技術指導和良種補貼，同時向大規模經營的農戶提供更優惠便捷的金融服務。

5.普及防治農作物生產污染的有效措施，嚴禁非法商家銷售環境污染性大、土地破壞力強、可持續使用能力低的農用品。

參考文獻：

[1]林智欽.中國能源環境中長期發展戰略[J].中國軟科學，2013（12）：45-57.

[2]李萌.中國“十二五”綠色發展的評估與“十三五”綠色發展的路徑選擇[J].社會主義研究，2016（03）：62-71.

[3]何晶晶.構建中國碳排放權交易法初探[J].中國軟科學，2013（09）：10-22.

[4]王白羽，張國林.“此市場”是否解決“彼市場”的失靈？——對“碳市場”發展得再思考[J].經濟社會體制比較，2014（01）：189-200.

[5]王文軍，駱躍軍，謝鵬程，駱志剛，趙黛青.粵深碳交易試點機制剖析及對國家碳市場建設的啟示[J].中國人口？偊b資源與環境，2016，26（12）：55-62.

[6]陳中督，吳堯，遆晉松，陳阜，李永.湖南省雙季稻生產系統碳效率[J].應用生態學報，2015，26（01）：87-92.

[7]吳賢榮，張俊飚，田云，李鵬.中國省域農業碳排放：測算、效率變動及影響因素研究——基于DEA-Malmquist指數分解方法與Tobit模型運用[J].資源科學，2014，36（01）：129-138.

[8]劉其濤.中國農業碳排放效率的區域差異——基于Malmquist-Luenberger指數的實證分析[J].江蘇農業科學，2015，43（09）：497-501.

[9]劉華軍，鮑振，楊騫.中國農業碳排放的地區差距及其分布動態演進——基于Dagum基尼系數分解與非參數估計方法的實證研究[J].農業技術經濟，2013（03）：72-81.[ZK）]

[10]堯波，鄭艷明，胡丹，聶蘭琴，付姍，胡啟武.江西省縣域農業碳排放的時空動態及影響因素分析[J].長江流域資源與環境，2014，23（03）：311-318.

[11]田云，張俊飚，尹朝靜，吳賢榮.中國農業碳排放分布動態與趨勢演進——基于31個省（市、區）2002-2011年的面板數據分析[J].中國人口？偊b資源與環境，2014，24（07）：91-98.

[12]龐麗.我國農業碳排放的區域差異與影響因素分析[J].干旱區資源與環境，2014，28（12）：1-7.

[13]張小平，王龍飛.甘肅省農業碳排放變化及影響因素分析[J].干旱區地理，2014，37（05）：1029-1035.

[14]郭四代，錢昱冰，趙銳.西部地區農業碳排放效率及收斂性分析——基于SBM-Undesirable模型[J].農村經濟，2018（11）：80-87.

[15]張廣勝，王珊珊.中國農業碳排放的結構、效率及其決定機制[J].農業經濟問題，2014，35（07）：18-26+110.

[16]Battese， G. E.， & Coelli， T. J. （1995）. A model for technical inefficiency effects in a stochastic frontier production function for panel data. Empirical economics， 20（2）， 325-332.

[17]Zhou， P.， Ang， B. W.， & Han， J. Y. （2010）. Total factor carbon emission performance： a Malmquist index analysis. Energy Economics， 32（1）， 194-201.

[18]雷玉桃，楊娟.基于SFA方法的碳排放效率區域差異化與協調機制研究[J].經濟理論與經濟管理，2014（07）：13-22.

[19]周曙東，王艷，朱思柱.中國花生種植戶生產技術效率及影響因素分析——基于全國19個省份的農戶微觀數據[J].中國農村經濟，2013（03）：27-36+46.

[20]季嘉慧.現代農業視角下的種植業低碳化研究[D].江南大學，2018.

[21]劉天軍，蔡起華.不同經營規模農戶的生產技術效率分析——基于陜西省獼猴桃生產基地縣210戶農戶的數據[J].中國農村經濟，2013（03）：37-46.

[22]IPCC，“IPCC Guideline for National Greenhouse Gas Inventories”[S]，IPCC，2006.