一、引言

改革开放后,中国的经济开始腾飞,四十年间一跃成为世界第二大经济体。然而,在取得举世瞩目的经济成就的同时,中国的生态环境却在逐渐衰退乃至恶化。自2006年中国超越美国成为世界上碳排放总量最多的国家之后[1],怎样协调经济发展和环境保护之间的矛盾成了当前国内亟须解决的问题之一。

2011年,中国“十二五”规划中提出了“绿色发展”概念[2],即以可持续发展为核心,实现经济效益、社会效益和生态效益三者的统一。“绿色发展”旨在降低碳排放。当前国际上已达成了一些限制碳排放的协定,比如2012年签署的《京都议定书》,旨在通过发达国家和发展中国家的碳限制协议实现减排的效果,并第一次正式提出了“碳交易”的概念,即被批准的可排放碳总量不足的国家(主要是发达国家)可以与可排放碳总量充足的其他国家(主要是发展中国家)进行碳交易,在前者获得更大的碳排放许可量的同时,后者也能够得到来自前者的经济援助,从而实现双赢的效果[3]。“碳交易”旨在通过经济利益交换碳排放量,以碳排放量的相对增减实现全球范围内碳排放总量的相对平稳,但不利于提高发达国家的低碳技术和发展中国家的经济发展水平。为建立国内的碳市场以加强生态建设,2013我国拟于五市(北京、上海、深圳、天津、重庆)和两省(湖北省和广东省)启动碳交易试点[4],在2015年7月已在七个试点地区成交逾5365万t的二氧化碳累计量[5]。然而随着社会经济的快速发展和一、二、三产业规模的持续扩大,国内碳排放总量的攀升已无可避免。当前应更多地关注碳排放过程中的效率问题,而不仅仅是总量问题,即应关注在不增加碳排放的前提下如何提高经济效益的问题,即如何提高碳经济效率[6]的问题。而农业作为国民经济基础产业,同时也是我国绿色发展、低碳发展、循环发展的重要关注产业,提高其碳排放效率对于推动国民经济发展和实现“乡村振兴”战略有着重要意义。

目前大多数学者对农业碳排放问题的相关研究可以概括为以下三个方面[8]:(1)测算碳排放量。如刘华军等利用1993～2010年30个省市的统计数据从化肥、农药、柴油等七个碳排放的主要来源测算了各地区的碳排放量[9];尧波等利用碳转化系数法测算了江西省县域的农业碳排放量[10];田云等从五种农用物资投入和畜禽养殖引发的碳排放以及稻田引起的甲烷排放三个方面测算了2002～2011年我国31个省域的碳排放量[11]。(2)分析影响农业碳排放的因素。如吴贤荣等采用Tobit模型实证分析了2000～2011年全国31个省域农业碳排放效率变动的影响因素[7];庞丽利用LMDI因素分解法对影响我国各地区农业碳排放的因素进行了分析,结果发现农业的经济发展水平对各地区农业碳排放增长的影响最大[12];张小平和王龙飞运用LMDI模型分析了甘肃省1993-2011年农业碳排放的主要影响因素,结果表明农业经济发展和劳动力对碳排放有正向作用,而生产效率和产业结构对碳排放有负向作用[13]。(3)农业碳排放效率的测算和分析。如郭四代等基于SBA-Undesirable模型测算了2006-2015年中国西部12个省份的农业碳排放效率,结果发现西部地区的碳排放效率总体呈现上升趋势[14];张广胜和王珊珊从生命周期法的角度分析了1985—2011年中国农业碳排放总量和效率,以此为基础探讨了农业碳排放强度的决定机制[15]。

尽管当前关于农业碳排放的研究不少,但大多从宏观层面分析一个区域的农业碳排放,基于样本农户的微观层面分析较少;其次,关于农业碳排放效率的核算中缺乏考虑技术因素;最后,现有关于农业碳排放效率的研究缺乏考虑效率损失。基于此,本文以2019年7～8月在陕西省杨凌区及周边的微观调查数据为支撑,对从事农业种植的农户在生产经营过程中的农业经济产值和碳排放总量进行测算和求比值,算得碳经济效率作为产出量,再以农户种植过程中主要生产要素作为投入量,采用较多用于核算技术效率的随机前沿生产函数模型算得农业碳排放效率,并引入效率损失模型分析农业碳排放效率的影响因素。

二、模型设定

(一)理论模型设定

对农业碳排放效率的测度既可以采用非参数化的数据包络分析方法(DEA),也可以采用参数化的随机前沿分析方法(SFA),但由于后者通常用于多投入单产出情形,且相对于DEA方法而言对异常数据敏感程度较小,更适合于充满噪声的农业调查数据,因此本文采用参数化的随机前沿分析方法(SFA)对样本农户的农业碳排放效率进行分析。对于生产函数设定的具体形式,可以采用柯布-道格拉斯生产前沿函数或超越对数生产前沿函数,两者的相同之处是数据都进行对数化处理,不同之处是前者不考虑变量间的交互作用,而后者考虑。因此本文采用超越对数生产前沿函数作为具体的函数形式。本文设定的随机前沿模型[16]基本形式如下:

lnyi=β0+∑n=1Nβnlnxni+∑n≤mN∑m=1Mβnmlnxnilnxmi+(vi−ui)         (1)vi∼N(0,σ2v),ui∼N(mi,σ2u)mi=δ0+∑k=1KδkZki         (2)

公式(1)为随机前沿生产函数模型,其中i(i=1,2,…,p)表示第i个样本,yi表示第i个样本农户的产出,N为投入要素的总数量,β表示各投入变量的系数,xni和xmi表示第i个样本的第n、m种要素投入;对于复合残差vi-ui,被减数vi表示随机误差项,减数ui表示效率损失项。

公式(2)为效率损失模型,Zk(k=1,2,…,K)表示可能影响农业碳排放效率的K个因素,即由农业碳排放效率的可能影响因素组成的列向量,δ为这K个因素的待估系数。在此需要说明的是,δ的符号可以表明Zk与效率损失项ui存在的关系,δ<0说明Zit对效率损失项ui有负向影响,即对农业碳排放效率有正向作用;δ>0说明Zi对效率损失项ui有正向影响,即对农业碳排放效率有负向作用。

为便于计算,本文在模型中两个方差σ2v及σ2u用σ2=σ2v+σ2u和γ=σ2uσ2v+σ2u(0≤γ≤1)进行替换。同时,模型中每个样本的农业碳排放效率可根据TEi==exp(-ui)进行计算。此处,当0<TEi<1时,表明存在农业碳排放效率损失;当TEi=1时,表明农业碳排放效率达到最大值,即不存在农业碳排放效率损失。

(二)经验模型设定

1.随机前沿生产函数的经验模型

本文样本农户的农业总产值用各作物的经济产量与相应的市场价格乘积的总和来表示。已知在测算生产技术效率时产出变量通常用产量或产值表示,但用随机前沿分析方法测算农户的农业碳排放效率时需要对产出变量作一定的改变。如果将产值除以碳排放总量,就可以得到“碳经济效率”,其倒数相当于单位产值的碳排放强度[17][18]。因此,本文以样本农户的碳经济效率作为产出变量,根据前文对理论模型设定,建立如下的随机前沿生产函数经验模型:

lnyi=lnYitci=ln∑r=1Rpriqritci=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)         (3)

其中,tci表示每个农户在种植过程中产生的碳排放总量;R表示农户种植的作物数量;pri表示第i个农户的第r种作物的市场价格;qri表示第i个农户的第r种作物的经济产量;Yi表示每个农户的总产值;yi表示每个农户种植的碳经济效率;β0表示模型的截距项;β1,β2,…,β35表示投入变量的系数;fe表示肥料投入;pe表示农药投入;af表示农膜投入;ds表示柴油投入;lb表示劳动投入;ar表示土地投入;其他变量意义同(1)式。

2.效率损失的经验模型

农户之间农业碳排放效率的差异可以由效率损失模型解释,主要因素可以分为农户经营特征因素、农业政策因素以及区域因素[19]。考虑到调查地为杨凌区及周边村县,区域因素(包括土壤、气候、受灾率和地形地貌等)差别不大,因此本文选取的主要影响因素如下:(1)实际土地块数。农户土地分布集中还是零散会对其种植经营规模化与否产生影响,进而影响到农业碳排放效率水平。(2)家庭从事农业种植的年份。农户从事农业种植的时间越长,经验越丰富,农业产值就越高,相应农业碳排放效率可能就越高。(3)家庭一年内从事种植业工作的月数。农户在农业种植上的时间投入越多,则花费在农业种植上的精力就更集中,更易掌握合理科学的种植方法,农业碳排放效率可能就更高。(4)土地流转面积。农户流转出去的土地面积越多,剩下可用于种植的土地面积就越少,较少的土地不易实现规模化经营,即投入较多而产出可能很少,对农业碳排放效率水平可能有不利影响。(5)总农业补贴额。获得农业补贴相当于可投入资金增多了,可能有助于农户提高农业碳排放效率水平。

基于此,本文设定的效率损失模型为:

ui=δ0+∑k=15δkZki         (4)

其中δ0表示常数项,δk(k=1,2,…,5)表示第k个待估系数,Zk表示上述提到的第k个影响农业碳排放效率的主要因素。

3.碳排放量的核算

本文根据IPCC提出的碳排放计算方法[22],按照如下公式对每个样本的碳排放总量进行测算:

TC=∑i=1nEi×φi         (5)

其中,TC表示碳排放总量;Ei表示第i种碳源的使用量;φi表示第i种碳源对应的碳排放系数,具体的碳源碳排放系数见表1:

表1碳源和碳排放系数导出到EXCEL

数据来源:引自季嘉慧[20]的相关文献。

三、数据来源和统计描述

本文所采用的数据来自西北农林科技大学创新训练项目调研团队在2019年7～8月于陕西省杨凌区周边下乡入户的调查数据。本次调查覆盖杨凌区、武功县、扶风县、三原县和周至县在内的共计76处村落。在实地调查中,以“教稼圣地”杨凌区为中心点,向周边村落进行辐射调研,并按照分层随机抽样调查法,每走访一村调查五份左右的问卷,村与村之间依照农业人口分布状况相隔一定距离进行调查,使得最终得到的调查问卷能够满足重复率较低、代表性较好的要求。剔除无效问卷后,本文选取235份有效样本问卷进行研究分析。以下为样本数据的描述性统计分析:

根据农户投入和产出变量的描述性统计分析(见表2),可以直观地看到:农户投入和产出变量的最小值和最大值数据之间差距较大,推测是因为农户样本间种植面积和经营管理方式等存在的差异造成的;劳动投入、农膜投入、土地投入、农药投入、柴油投入的标准差较小,即数据分布较紧密,表明这些投入要素在农户个体之间差异较小;碳经济效率和肥料投入的标准差较大,即数据离散度较高,说明个体农户之间的碳经济效率和施用化肥差距很大;参考刘天军和蔡起华对农户不同经营规模的分类[21],可以计算出劳动投入为1～2人的农户占91%,土地投入为4亩以下的农户占63%,土地投入为4～7亩的农户占30%,说明本文数据样本主要由中小型种植经营规模的农户构成。

表2农户投入和产出变量的描述性统计分析

根据效率损失模型中变量的描述性统计分析(见表3),可以算出土地块数小于等于3的样本占79%,说明农户土地分布较集中;家庭从事种植工作的平均年限达到34年且高于34的样本占57%,高于20年的样本占88%,表明大多数样本农户长期务农或多代务农,种植经验丰富;样本农户一年内投入种植工作的平均月数为9.01,且高于9.01的样本占61%,高于6的样本占80%,表明大多数样本以农业种植为主要工作;另外,享受农业补贴的样本农户占样本总量的47%,表明当地农户优惠政策较为普及。以上这些因素都有利于提高农业碳排放效率水平,由此推测本文数据样本的农业碳排放效率值可能不低。

表3效率损失模型中变量的描述性统计分析

四、模型结果与分析

(一)随机前沿生产函数的估计结果

本文采用frontier4.1软件包对随机前沿生产函数模型和碳排放效率损失模型进行极大似然(MLE)估计,结果见表4。对模型整体而言,可以得到:(1)LR统计量的估计值等于240.8791,自由度为7,在0.1%的显著性水平下极显著,拒绝效率损失项ui不存在的原假设;(2)经过计算,很明显γ值为0.99999990,非常接近于1,表明效率损失项ui极显著存在,且可以认为几乎接近全部的误差都是由效率损失引起的;(3)σ2=38.6071,在1%的显著性水平下极显著,表明随机误差项vi存在。综上所述,本文可以运用随机前沿分析方法(SFA)测量农户的碳排放效率,且在模型中可以加入效率损失项ui。

表4SFA估计结果

(二)农户生产投入要素的产出弹性分析

超越对数函数形式可以反映投入要素间复杂的替代关系。通过对随机前沿生产函数求导,可以求出各投入变量的产出弹性,用公式表示如下:

η1=∂Lny∂Lnfe=β1+2β7lnfe+β13lnpe+β14lnaf+β15ds+β16lnlb+β17lnarη2=∂Lny∂Lnpe=β2+2β8lnpe+β13lnfe+β18lnaf+β19lnds+β20lnlb+β21lnarη3=∂Lny∂Lnaf=β3+2β9lnaf+β14lnfe+β18lnpe+β22lnds+β23lnlb+β24lnarη4=∂Lny∂Lnds=β4+2β10lnds+β15lnfe+β19lnpe+β22lnaf+β25lnlb+β26lnar         (6)η5=∂Lny∂Lnlb=β5+2β11lnlb+β16lnfe+β20lnpe+β23lnaf+β25lnds+β27lnarη6=∂Lny∂Lnar=β6+2β12lnar+β17lnfe+β21lnpe+β24lnaf+β26lnds+β27lnlb

根据上式可以计算出农户生产投入要素的平均产出弹性,见表5:

表52019年全样本投入要素的平均产出弹性

由上表可知,土地投入对提高农业碳排放效率的影响最大,农药投入和劳动力投入对提高农业碳排放效率有明显的正向作用,这个结论与刘天军和蔡起华的结论[21]相同。化肥的产出弹性为负,说明大量施肥可能不是一个有效增产的途径。由于被调查农户的种植经营规模多以中小型为主,大多数农户都不太了解测土配方法和合理科学施肥的重要性,更多地凭借耕作经验主观判断施加肥料,这就造成土地增产效果较差,因此化肥的产出弹性为负。同样地,对于本文样本测算的产出弹性,可以看到农膜、柴油两种投入对产出弹性的影响为负,考虑到可能是大多数样本农户对于这两种投入品的使用量较少,样本的解释力度不足,因此测得的产出弹性可能不太准确。

(三)农业碳排放效率分析

经统计,农业碳排放效率的最大值为0.9952,接近于1;最小值为0,平均碳排放效率为0.2962,标准差为0.3085。表6说明农业碳排放效率在不同区间的分布情况,样本数据中大概有70.6%农户的农业碳排放效率位于0.0至0.4之间,而碳排放效率不小于0.7的农户样本只有16.2%,说明大部分农户的农业碳排放效率处于较低水平,还存在很大的上升空间(见表6)。

表6农业碳排放效率的分布情况

(四)效率损失模型的估计结果

由前文对SFA估计结果的论述,已知γ非常接近1,表明几乎大部分的误差是由随机误差项ui引起的。因此,研究影响农业碳排放效率损失的因素对把握投入产出情况很有必要,下表是效率损失模型的估计结果见表7:

表7效率损失模型的估计结果

由于在随机前沿模型中ui的系数为负,因此上表中变量系数为正,表明该变量对农业碳排放效率损失有正向作用,即对农业碳排放效率有负面影响;反之,变量系数为负,表明该变量对农业碳排放效率损失有负向作用,即对农业碳排放效率有正面影响。

上表中,实际土地面积块数系数为正,通过1%显著性水平,表明土地分散程度高低会对规模化经营产生影响,块数少、分布集中的土地更有利于进行规模化经营,降低种植成本,提高农业碳排放效率;家庭从事种职业的年限对农业碳排放效率有正面影响,从事种职业的年限越长,农户的经验越丰富,相应地农业碳排放效率可能就越高;一年内从事种植业工作的月数相当于农户的种植时间投入,在表中系数为负,说明农户一年内在农业种植上投入的时间越多,农业碳排放效率水平就越高;农业补贴总额对农业碳排放效率有负面影响,但数值很小,说明影响程度较低;土地流转面积系数为-0.4759,说明土地流转面积对农业碳排放效率有正面影响,可以认为土地流转程度越高,土地规模化经营的可能性也就越高,越有利于提高农业碳排放效率。

五、研究结论与政策启示

本文利用2019年7～8月在陕西省杨凌区及周边村县的微观农户截面数据,采用随机前沿生产函数模型测算了不同农户的农业碳排放效率,并借助效率损失模型对影响农业碳排放效率的因素进行了分析,结果如下:

1.在农作物生产的投入要素中,产出弹性为正且数值最大的投入要素是土地,其次是农药和劳动力,化肥的产出弹性为负值。

2.样本农户的农业碳排放效率水平较低,平均农业碳排放效率值只有0.2962,且样本中有超过70%的农户碳排放效率值低于0.5。

3.在农业碳排放效率的影响因素中,家庭从事农业种植的年限、一年内从事种植业工作的月数、土地流转面积对农业碳排放效率具有正面效应,实际土地面积块数、农业补贴总额则对碳排放效率具有负面效应。

基于上述研究结论,得到如下政策启示:

1.加强农业知识技能的培训和宣传,培养农户建立科学有效使用农业生产要素的意识,为农户宣讲“测土配方法”的合理性和重要性。

2.培养专业的农业人才,建立农技服务站,为农户搭建更多方便的农业问题咨询、服务和解决的渠道。

3.鼓励土地流转,推进土地更快地流向一些种植大户或专业种植户,促进传统农业向规模化、科技化和高产化的现代农业方向发展。

4.加大农业补贴力度,向农作物低产的种植户提供相应的技术指导和良种补贴,同时向大规模经营的农户提供更优惠便捷的金融服务。

5.普及防治农作物生产污染的有效措施,严禁非法商家销售环境污染性大、土地破坏力强、可持续使用能力低的农用品。

参考文献：

[1]林智钦.中国能源环境中长期发展战略[J].中国软科学,2013(12):45-57.

[2]李萌.中国“十二五”绿色发展的评估与“十三五”绿色发展的路径选择[J].社会主义研究,2016(03):62-71.

[3]何晶晶.构建中国碳排放权交易法初探[J].中国软科学,2013(09):10-22.

[4]王白羽,张国林.“此市场”是否解决“彼市场”的失灵?——对“碳市场”发展得再思考[J].经济社会体制比较,2014(01):189-200.

[5]王文军,骆跃军,谢鹏程,骆志刚,赵黛青.粤深碳交易试点机制剖析及对国家碳市场建设的启示[J].中国人口?偊b资源与环境,2016,26(12):55-62.

[6]陈中督,吴尧,遆晋松,陈阜,李永.湖南省双季稻生产系统碳效率[J].应用生态学报,2015,26(01):87-92.

[7]吴贤荣,张俊飚,田云,李鹏.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.

[8]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.

[9]刘华军,鲍振,杨骞.中国农业碳排放的地区差距及其分布动态演进——基于Dagum基尼系数分解与非参数估计方法的实证研究[J].农业技术经济,2013(03):72-81.

[10]尧波,郑艳明,胡丹,聂兰琴,付姗,胡启武.江西省县域农业碳排放的时空动态及影响因素分析[J].长江流域资源与环境,2014,23(03):311-318.

[11]田云,张俊飚,尹朝静,吴贤荣.中国农业碳排放分布动态与趋势演进——基于31个省(市、区)2002-2011年的面板数据分析[J].中国人口?偊b资源与环境,2014,24(07):91-98.

[12]庞丽.我国农业碳排放的区域差异与影响因素分析[J].干旱区资源与环境,2014,28(12):1-7.

[13]张小平,王龙飞.甘肃省农业碳排放变化及影响因素分析[J].干旱区地理,2014,37(05):1029-1035.

[14]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.

[15]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.

[18]雷玉桃,杨娟.基于SFA方法的碳排放效率区域差异化与协调机制研究[J].经济理论与经济管理,2014(07):13-22.

[19]周曙东,王艳,朱思柱.中国花生种植户生产技术效率及影响因素分析——基于全国19个省份的农户微观数据[J].中国农村经济,2013(03):27-36+46.

[20]季嘉慧.现代农业视角下的种植业低碳化研究[D].江南大学,2018.

[21]刘天军,蔡起华.不同经营规模农户的生产技术效率分析——基于陕西省猕猴桃生产基地县210户农户的数据[J].中国农村经济,2013(03):37-46.

杨龙,徐明庆,蒲健美,杨诗琦,骆耀峰.农业碳排放效率及影响因素研究[J].中国经贸导刊(中),2020(06):101-105.

基金：西北农林科技大学2019年大学生创新训练计划校级重点项目“乡村振兴战略下农户异质性对种植业碳效率的影响研究”(项目编号:X201910712248)阶段性成果.