侯宇 張宏勝 楊尚釗 耿芳艷

摘要：文章基于糧食主產(chǎn)區(qū)2001—2020年的面板數(shù)據(jù)，利用SBM-Undesirable模型和Malmquist-Luenberger生產(chǎn)率指數(shù)從靜態(tài)和動態(tài)兩個方面測度了糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率，并結合Tobit模型探究影響糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率變化的關鍵因素。結果表明：（1）糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率均值為0.540，未達到有效狀態(tài)；省域之間差別明顯，只有遼寧長期處于有效狀態(tài)，其余省份均為DEA無效。（2）糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放綜合效率總體呈波動上升趨勢，年均增速為5.1%，前沿技術進步是促進農(nóng)業(yè)碳排放效率增長的主要因素。各省份的農(nóng)業(yè)碳排放綜合效率值均大于1，前沿技術進步在各省份農(nóng)業(yè)碳排放效率的增長上發(fā)揮的作用高于技術效率，純技術效率與規(guī)模效率的貢獻程度因省份不同而有所差異，但規(guī)模效率的貢獻要明顯大于純技術效率。（3）農(nóng)業(yè)經(jīng)濟發(fā)展水平和農(nóng)村用電量對糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放具有顯著的正向作用；農(nóng)業(yè)產(chǎn)業(yè)結構、城鎮(zhèn)化水平、財政支農(nóng)具有顯著的負向作用；自然災害與農(nóng)產(chǎn)品價格體制改革并未通過顯著性檢驗?；诖?，提出了提高農(nóng)業(yè)經(jīng)濟發(fā)展水平、推動新型城鎮(zhèn)化高質(zhì)量發(fā)展、加強農(nóng)業(yè)科技創(chuàng)新和調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結構等政策建議。

關鍵詞：糧食主產(chǎn)區(qū)；農(nóng)業(yè)碳排放效率；時空演變；影響因素

一、引言

眾所周知，溫室氣體排放是引發(fā)全球氣候變暖進而導致氣候變化的重要因素，而已有研究指出，農(nóng)業(yè)已經(jīng)成為第二大溫室氣體排放源，其碳排放總量已占全球人為碳排放總量的23%[1]，其中，我國農(nóng)業(yè)碳排放量占全球的12.54%[2]，因此，推動農(nóng)業(yè)碳減排成為我國應對氣候變化的重要抓手。糧食主產(chǎn)區(qū)作為我國重要的糧食生產(chǎn)基地，在確保國家糧食安全方面扮演了重要的角色；根據(jù)國家統(tǒng)計局統(tǒng)計數(shù)據(jù)顯示：2020年全國糧食總產(chǎn)量為6.7億噸，同比增長0.9%；而十三個糧食主產(chǎn)區(qū)糧食總產(chǎn)量高達5.3億噸，占全國總量的比重為78.6%。但也要清楚地認識到，糧食主產(chǎn)區(qū)農(nóng)業(yè)產(chǎn)業(yè)以種植業(yè)和畜牧業(yè)為主，其中，種植業(yè)中的土地利用和水稻種植以及畜牧業(yè)中動物反芻和糞便管理都是農(nóng)業(yè)碳排放的主要來源。因此，為了更好地確保國家的糧食安全和承擔碳減排義務，開展糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放的相關問題研究就顯得尤為重要。

目前學術界關于農(nóng)業(yè)碳排放系列研究已經(jīng)取得較為豐碩的成果，主要集中在農(nóng)業(yè)碳排放源的界定[3-4]、農(nóng)業(yè)碳排放量的測算方法[5-6]、農(nóng)業(yè)碳排放的驅(qū)動因素[7-9]等幾個重要方面。而農(nóng)業(yè)碳排放效率作為衡量低碳農(nóng)業(yè)發(fā)展水平的重要評價指標自然也受到較多關注，主要涉及農(nóng)業(yè)碳排放效率的測算和影響因素兩個方面，在效率測算上，多數(shù)學者傾向于運用DEA-Malmquist指數(shù)分解法以及DEA-SBM模型[10-12]；而在影響因素方面，Tobit模型應用較為廣泛[13-14]，此外還包括空間杜賓模型[15]。而就糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放的研究，何慧爽等[16]利用灰色預測模型以及低碳目標情景對糧食主產(chǎn)區(qū)各省份農(nóng)業(yè)碳排放減排壓力進行探究，田云等[17]利用LMDI模型和脫鉤模型對糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放公平性進行了分析。

綜上所述，不難發(fā)現(xiàn)已有文獻對農(nóng)業(yè)碳排放進行了許多有價值的研究，但也存在些許不足，在糧食安全以及“雙碳”目標大背景下，多數(shù)文獻主要以國家層面的農(nóng)業(yè)碳排放效率研究為主，對糧食主產(chǎn)區(qū)的研究較少；同樣，在研究方法上多以單一方法為主，較少的從靜態(tài)和動態(tài)兩個方面去探究糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率的變動特點?；诖?，本文將研究視角和研究區(qū)域放在糧食主產(chǎn)區(qū)13個省份上，利用SBM-Undesirable模型和Malmquist-Luenberger生產(chǎn)率指數(shù)分解法對農(nóng)業(yè)碳排放效率進行測度并分析其時空演變規(guī)律，進而運用Tobit模型探究影響糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率變化的關鍵因素，相關研究結論的獲取，以期能夠進一步豐富糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率的研究成果，同時也為糧食主產(chǎn)區(qū)開展低碳化農(nóng)業(yè)生產(chǎn)提供一定的借鑒意義。

二、研究方法、指標選取及數(shù)據(jù)來源

（一）研究方法

1.SBM-Undesirable模型

本文在借鑒學者TONE[18]所提出的SBM-DEA模型的基礎上，具體采用學者COOPER等[19]、田云和林子娟[20]等提出和使用的SBM-Undesirable模型來評價糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率。該模型的基本原理為：假設生產(chǎn)系統(tǒng)中存在[n]個決策單元，且每個決策單元均有投入[x∈Rm]、期望產(chǎn)出[ya∈Re]、非期望產(chǎn)出[yb∈Rf]等三方面要素，則可定義矩陣如下：

[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]為實數(shù)向量集，[m，e，f]分別表示投入、期望產(chǎn)出和非期望產(chǎn)出的要素個數(shù)。則可定義生產(chǎn)可能集[P]如下：[P=（x，ya，yb）x≥Xμ，ya≤Yaμ，][yb≥Ybμ，μ≥0]。由于CRS模式下的測算結果相較于VRS模式更能真實體現(xiàn)糧食主產(chǎn)區(qū)各省份農(nóng)業(yè)碳排放效率的差異變化情況，因此，本文具體運用固定規(guī)模（CRS）模式下的SBM-Undesirable模型進行評價，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*]表示研究目標的效率值，其數(shù)值范圍在0到1之間，[μ]為非負權重向量，[S-]、[Sa]和[Sb]分別表示投入、期望產(chǎn)出和非期望產(chǎn)出的松弛變量，[xi0]、[yar0]和[ybh0]分表代表被評價的決策單元在某時段的投入產(chǎn)出值。當[S-]、[Sa]和[Sb]同時為0，此時[ρ*=1]時，該決策單元位于效率前沿面上，表示有效，否則處于無效狀態(tài)，需要通過松弛變量判斷是否應該減少投入或增加產(chǎn)出，從而提高效率。

2.Malmquist-Luenberger生產(chǎn)率指數(shù)

鑒于SBM-Undesirable模型屬于靜態(tài)模型，無法從時間上進行動態(tài)分析決策單元效率變化情況，為了能從時間跨度去分析糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率的變動情況，本文還引入了基于方向距離函數(shù)的Malmquist-Luenberger生產(chǎn)率指數(shù)（ML指數(shù)）。該指數(shù)在測算過程中不僅包括非期望產(chǎn)出的全要素生產(chǎn)率，還能從跨期動態(tài)分析被考察單元的效率變動問題。因此，結合CHUNG等[21]提出的方法，將構造ML全要素生產(chǎn)率指數(shù)，并定義為農(nóng)業(yè)碳排放效率變動指數(shù)（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，農(nóng)業(yè)碳排放效率變化率（CTFP）可以進一步分解成技術效率指數(shù)（EFFC）和前沿技術進步指數(shù)（TECH），此外，技術效率（EFFC）又可以分解成純技術效率（PECH）和規(guī)模效率（SECH）。當CTFP＞１時，說明期間農(nóng)業(yè)碳排放效率有所增長，當CTFP＜１時，表明農(nóng)業(yè)碳排放效率下降。其中，則表明技術效率有所改善，反之倒退； 表明前沿技術取得進步，反之亦然。

3.Tobit模型

在對農(nóng)業(yè)碳排放效率進行有效測算后，為進一步探究影響農(nóng)業(yè)碳排放效率變動的深層原因，有必要對糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率影響因素展開分析。但由于DEA方法測算出的農(nóng)業(yè)碳排放效率的取值范圍在（0，1]之間，數(shù)據(jù)呈現(xiàn)“歸并數(shù)據(jù)”特征，如果直接運用普通最小二乘法進行回歸，會出現(xiàn)參數(shù)估計值偏向0的情況，為此本文參考多數(shù)學者的做法[13-14]，運用因變量受限制的Tobit模型進行實證分析。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]為受限因變量，[xi]為解釋變量，[β]為回歸系數(shù)。

（二）農(nóng)業(yè)碳排放效率評價指標體系的構建

本文在參考錢麗[14]、曾大林[22]、田云和林子娟[20]等眾多學者研究結論的基礎上，以及充分結合指標體系構建的系統(tǒng)性、重要性、簡潔性和可得性等原則，具體從勞動力、土地、化肥、機械動力以及灌溉等5個方面來確定農(nóng)業(yè)投入變量，而農(nóng)業(yè)產(chǎn)出變量沿用多數(shù)學者的做法，包括農(nóng)林牧漁總產(chǎn)值的期望產(chǎn)出和農(nóng)業(yè)碳排放量的非期望產(chǎn)出。

而在糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放量的測算上，本文選用經(jīng)典IPCC法，并參考相關學者[4-5]農(nóng)業(yè)碳排放公式構建方法的基礎上，構建糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放公式，其計算公式為：

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

式中，[D]為農(nóng)業(yè)碳排放總量，[Di]為各類碳源碳排放量，[Ti]為各碳排放源的量，[δi]為各碳排放源的碳排放系數(shù)。具體從農(nóng)地利用碳排放、水稻種植碳排放和畜禽養(yǎng)殖碳排放三個方面來確定農(nóng)業(yè)碳排放源因子以及所對應的碳排放系數(shù)。農(nóng)地利用包含農(nóng)用物資的投入和土壤翻耕兩個方面，農(nóng)地利用的碳排放源因子及相對應的系數(shù)主要參考美國橡樹林國家實驗室（ORNL）、聯(lián)合國政府間氣候變化專門委員會（IPCC）和南京農(nóng)業(yè)大學農(nóng)業(yè)資源和生態(tài)環(huán)境研究所（IREEA）等權威機構公布的數(shù)據(jù)；水稻種植根據(jù)不同地區(qū)水熱條件差異，具體包括早稻、中稻和晚稻，其碳排放系數(shù)主要參考王明星等[23]、閔繼勝和胡浩[24]的研究成果來確定；畜禽養(yǎng)殖品種的選擇主要包括大牲畜牛、馬、驢、騾、豬、山羊和綿羊，以及禽類，碳排放系數(shù)均來自IPCC。另外，在農(nóng)業(yè)碳排放量測算的過程中除二氧化碳外還涉及甲烷和氧化亞氮，為了便于后續(xù)將碳排放量進行加總分析，根據(jù)IPCC（2007）第四次評估報告，統(tǒng)一將甲烷和氧化亞氮換算成標準碳，單位為萬噸。

（三）數(shù)據(jù)來源與處理

本文以2001—2020年糧食主產(chǎn)區(qū)13個省份的農(nóng)業(yè)投入和產(chǎn)出變量的面板數(shù)據(jù)進行農(nóng)業(yè)碳排放效率的測度。其數(shù)據(jù)主要來自歷年《中國統(tǒng)計年鑒》《中國農(nóng)村統(tǒng)計年鑒》《中國農(nóng)業(yè)統(tǒng)計年鑒》《中國農(nóng)業(yè)統(tǒng)計資料匯編》（1949—2004）以及糧食主產(chǎn)區(qū)各省份的統(tǒng)計年鑒。考慮到以實際價格計算農(nóng)林牧漁總產(chǎn)值無法進行縱向比較，實際測算過程中采用GDP平減指數(shù)法，以2001年為基期對各省各年的農(nóng)林牧漁總產(chǎn)值進行價格平減。糧食主產(chǎn)區(qū)各省農(nóng)業(yè)投入、產(chǎn)出變量的一般描述性統(tǒng)計結果如表2所示。

三、實證結果與分析

（一）基于SBM-Undesirable模型的農(nóng)業(yè)碳排放效率評價

基于上文所構建的農(nóng)業(yè)碳排放效率評價指標體系，利用Matlab軟件對2001—2020年糧食主產(chǎn)區(qū)13個省份農(nóng)業(yè)碳排放綜合效率進行有效測度，測算結果如表3所示。

從表3不難看出，糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率存在明顯的時空差異。過去20年間糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率均值為0.540，明顯小于1，距離最佳生產(chǎn)前沿面還有一定的距離。此外，省域之間不同年份農(nóng)業(yè)碳排放效率差異較大。根據(jù)測算結果，可以把糧食主產(chǎn)區(qū)各省份2001—2020年農(nóng)業(yè)碳排放效率按照均值大小劃分成4個效率組：高效率組（0.9以上）、中高效率組（0.6～0.9）、中效率組（0.4～0.6）和低效率組（0.4以下）。其中遼寧位于高效率組，其農(nóng)業(yè)碳排放效率均值最高為1，表明該地區(qū)長期處于最佳前沿面，投入和產(chǎn)出相對處于最優(yōu)狀態(tài)。中高效率組包括四川和江蘇，四川的效率均值為0.714，高于江蘇的0.687，表明四川的投入產(chǎn)出比例要優(yōu)于江蘇，但兩個省份的效率均值均低于1，距離最優(yōu)生產(chǎn)前沿面還有一定的距離。中效率組的省份有山東、吉林、江西、河北、湖南、河南和湖北，年均效率值分別為0.582、0.557、0.546、0.511、0.477、0.452、0.452。低效率組包括黑龍江、內(nèi)蒙古和安徽，這三個省份的農(nóng)業(yè)碳排放效率均值均低于0.4，內(nèi)蒙古最低，僅為0.323，亟需調(diào)整農(nóng)業(yè)投入和產(chǎn)出比例來提高農(nóng)業(yè)碳排放的效率。

另外，為進一步探究糧食主產(chǎn)區(qū)不同年份農(nóng)業(yè)碳排放效率變動情況，選取2001年和2020年的測算結果，并基于農(nóng)業(yè)碳排放綜合效率（TE）的分解項純技術效率（PTE）和規(guī)模效率（SE）進行對比分析。評價結果如表4所示。

（1）從綜合效率來看，2001年僅有遼寧和四川2個省份的綜合效率值為1，處在生產(chǎn)前沿面上，為DEA有效；其余11個省份綜合效率值均低于1，未達到DEA有效，其中，黑龍江省農(nóng)業(yè)碳排放效率水平最低，僅為0.393。2020年則有4個省份（河北、遼寧、江蘇和江西）綜合效率值為1，為DEA有效，其中與基期2001年相比，有效狀態(tài)的省份增加了河北、江蘇和江西，而原處于有效狀態(tài)的四川則處在無效狀態(tài)，并且內(nèi)蒙古農(nóng)業(yè)碳排放綜合效率水平取代黑龍江成為最低。

（2）從純技術效率來看，2001年內(nèi)蒙古、遼寧、吉林、江蘇、江西、山東和四川7個省份的純技術效率值為1，達到了技術有效；河北、黑龍江、安徽、河南、湖北和湖南6個省份的純技術效率值低于1，未達到有效狀態(tài)。2020年除黑龍江、安徽、湖北和湖南4個省份的技術效率仍處于無效狀態(tài)外，其余省份均處于有效狀態(tài)，其中黑龍江、安徽和湖北有惡化的趨勢，表明這3個省的投入和產(chǎn)出比例嚴重不協(xié)調(diào)，亟需優(yōu)化農(nóng)業(yè)生產(chǎn)的產(chǎn)業(yè)結構，不斷調(diào)整優(yōu)化投入和產(chǎn)出的配置比例。

（3）從規(guī)模效率來看，2020年河北、遼寧、江蘇和江西4個省份的規(guī)模效率為1，處在有效狀態(tài)，表明這4個省份只需要維持目前的投入比例不變即是最優(yōu)的配置。內(nèi)蒙古、黑龍江、湖南和四川4個省份處在規(guī)模效率遞增的狀態(tài)，表明這些省份有必要擴大生產(chǎn)規(guī)模，適當增加生產(chǎn)要素的投入，從而帶來產(chǎn)出的增加。安徽、山東、湖南和湖北則處在規(guī)模效率遞減階段，表明生產(chǎn)要素投入存在冗余，需要在不改變生產(chǎn)要素配置結構的前提下，適當減少要素的投入，從而使得規(guī)模效率達到最優(yōu)狀態(tài)。

（二）基于Malmquist-Luenberger生產(chǎn)率指數(shù)的動態(tài)分析

1.糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率時序演變特征

基于上文所構建的ML生產(chǎn)率指數(shù)公式，利用MAX-DEA軟件對2001—2020年糧食主產(chǎn)區(qū)農(nóng)業(yè)生產(chǎn)面板數(shù)據(jù)進行ML生產(chǎn)率指數(shù)分析，測算結果如表5所示。

由表5不難看出，糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放綜合效率均值為1.051，雖然期間效率值呈現(xiàn)一定的波動，但總體呈上升趨勢，年均增速為5.1%。從綜合效率的分解項來看，前沿技術進步和技術效率的值分別為1.044和1.007，這表明過去20年間糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放綜合效率的提升既依靠前沿技術進步又依賴農(nóng)業(yè)技術效率，其中前沿技術年均貢獻率年均為4.4%，農(nóng)業(yè)技術年均貢獻率為0.7%。這進一步說明糧食主產(chǎn)區(qū)的前沿技術水平和農(nóng)業(yè)生產(chǎn)技術水平均在不斷提升，表明糧食主產(chǎn)區(qū)在農(nóng)業(yè)生產(chǎn)過程種對各種資源要素的配置不斷優(yōu)化，對前沿技術的利用較為成功。如圖1所示，從農(nóng)業(yè)碳排放綜合效率指數(shù)變動趨勢來看，期間農(nóng)業(yè)碳排放綜合效率指數(shù)經(jīng)歷上升（2002—2004年）、下降（2004—2006年）、快速上升（2006—2008年）、快速下降（2008—2009年）、波動上升（2009—2016年）、陡降（2016-2017年）和顯著上升（2017-2020）等幾個變化時期。其中2017年的綜合效率值最低，僅為0.996，與2016年相比下降了9.24%；2020年的綜合效率值最高，高達1.132，比2019年上升了5.42%。

從技術效率變動指數(shù)來看，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，從圖1也可以進一步看出農(nóng)業(yè)技術效率呈波動上升趨勢，并且與綜合效率指數(shù)變動趨勢大致相同，另外2017年技術效率值最高，達到1.070；2002年技術效率值最低，僅為0.951。由技術效率的分解項可知，其變動主要是由純技術效率和規(guī)模效率引起的，其中規(guī)模效率的波動趨勢大致和技術效率一致，且規(guī)模效率的波動幅度要高于純技術效率，表明技術效率偏低的年份主要由規(guī)模效率導致的。由規(guī)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，說明糧食主產(chǎn)區(qū)有7年的農(nóng)業(yè)生產(chǎn)投入產(chǎn)出要素的配置結構不合理，需要進行相應的調(diào)整。

從前沿技術進步指數(shù)來看，過去20年間，只有2017年的效率值小于１，說明糧食主產(chǎn)區(qū)農(nóng)業(yè)生產(chǎn)技術在不斷進步。此外，從圖1可以看出，前沿技術進步指數(shù)在2008年以后變動趨勢與綜合效率指數(shù)變動高度一致，并且前沿技術進步效率值要高于技術效率的值，說明前沿技術進步是促進農(nóng)業(yè)碳排放效率增長的主要因素。

2.糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率區(qū)域差異比較

為進一步探究糧食主產(chǎn)區(qū)各省農(nóng)業(yè)碳排放效率存在的差異，需對糧食主產(chǎn)區(qū)13個省份農(nóng)業(yè)碳排放效率進行測算，測算結果如表6所示。

由表6可知，糧食主產(chǎn)區(qū)13個省份的農(nóng)業(yè)碳排放綜合效率值都大于1，其中黑龍江最高，達到1.081，湖北最低，僅為1.013。根據(jù)農(nóng)業(yè)碳排放綜合效率值的高低差異，把13個地區(qū)劃分成高速增長組（1.08以上）、快速增長組（1.06～1.08）、中速增長組（1.04～1.06）和低速增長組（低于1.04）。其中“高速增長組”的地區(qū)為黑龍江，其肥沃的土壤減少了化肥農(nóng)藥等高碳化學品的投入量，大大降低了農(nóng)業(yè)碳排放量?！翱焖僭鲩L組”包含河北、河南和山東，一直以來山東、河南和河北都是我國重要的果蔬大省，其經(jīng)濟作物種植比重較高客觀上提高了農(nóng)業(yè)經(jīng)濟的總產(chǎn)值。此外，受水熱條件的限制，這三個省份的水稻種植面積相對較低，一定程度上減少了農(nóng)業(yè)碳排放量?！爸兴僭鲩L組”的省份有內(nèi)蒙古、吉林、安徽、江蘇和湖南，并且安徽、江蘇和湖南要明顯低于內(nèi)蒙古和吉林，這主要是因為安徽、江蘇和湖南位于長江流域，種植結構較為單一，農(nóng)作物以水稻種植為主，經(jīng)濟價值一般，碳排放量卻較高。其中“慢速增長組”包含江西、湖北和四川3個省份，其中湖北的效率值最低，僅為1.013，這三個省份均位于長江流域，種植結構和畜牧養(yǎng)殖品種較為相似。

從各省農(nóng)業(yè)碳排放綜合效率的增長源泉來看，除內(nèi)蒙古和湖北外，其余省份的碳排放效率的增長源于前沿技術進步與農(nóng)業(yè)技術效率改善的雙重貢獻，由圖2可知，前沿技術進步的促進作用要高于農(nóng)業(yè)技術改善。其中遼寧省的農(nóng)業(yè)技術效率處于不變狀態(tài)；河北、吉林、黑龍江、江蘇、安徽、江西、山東、河南和湖南的技術效率指數(shù)大于1，表明技術效率在不斷優(yōu)化，但低于前沿技術進步指數(shù)；內(nèi)蒙古、湖北和四川3個省份農(nóng)業(yè)碳排放綜合效率的提升則完全依靠前沿技術進步，農(nóng)業(yè)技術效率在不斷惡化。再從技術效率的分解上看，規(guī)模效率和純技術效率均呈現(xiàn)不變、改善和惡化三種狀態(tài)，其中，內(nèi)蒙古和四川的技術效率惡化主要是由于綜合效率惡化，而湖北則是純技術效率和規(guī)模效率共同惡化導致的。

（三）糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率影響因素分析

1.農(nóng)業(yè)碳排放效率影響因素變量的確定

在影響農(nóng)業(yè)碳排放效率的眾多因素中，農(nóng)業(yè)經(jīng)濟發(fā)展水平、農(nóng)業(yè)產(chǎn)業(yè)結構、財政支農(nóng)、城鎮(zhèn)化水平、對外開放程度等變量得到了高度認同[13][25-26]；此外，還涉及農(nóng)村用電量[14]、自然災害[27]、農(nóng)村人力資本[28]等變量。在參考眾多學者研究成果的基礎上，結合糧食主產(chǎn)區(qū)農(nóng)業(yè)生產(chǎn)的實際情況，并充分考慮數(shù)據(jù)的可得性，本文具體選擇農(nóng)業(yè)經(jīng)濟發(fā)展水平、農(nóng)業(yè)產(chǎn)業(yè)結構、城鎮(zhèn)化水平、農(nóng)村用電量、財政支農(nóng)水平、農(nóng)產(chǎn)品價格改革和自然災害等7個變量作為影響農(nóng)業(yè)碳排放效率的潛在解釋變量，并據(jù)此提出以下研究假設。

（1）農(nóng)業(yè)經(jīng)濟發(fā)展水平（[ae]）。農(nóng)業(yè)經(jīng)濟發(fā)展水平越高的地區(qū)，農(nóng)業(yè)的現(xiàn)代化進程越快，同時也意味著農(nóng)業(yè)生產(chǎn)會由勞動密集型向資本密集型轉變，會不斷增加農(nóng)用物資的投入，從而導致農(nóng)業(yè)碳排放量的增加，抑制農(nóng)業(yè)碳排放效率的提升；但資本投入的增加會帶來單位農(nóng)業(yè)產(chǎn)出的增加，并且會提升農(nóng)業(yè)生產(chǎn)技術，進而促進農(nóng)業(yè)碳排放效率的提升。因此，農(nóng)業(yè)經(jīng)濟發(fā)展水平對農(nóng)業(yè)碳排放效率影響的作用方向有待進一步的實證檢驗。具體以農(nóng)民人均純收入作為農(nóng)業(yè)經(jīng)濟發(fā)展水平的替代變量，單位為元。

（2）農(nóng)業(yè)產(chǎn)業(yè)結構（[str]）。種植業(yè)是糧食主產(chǎn)區(qū)農(nóng)業(yè)產(chǎn)業(yè)的主要形式，在保障糧食生產(chǎn)安全上發(fā)揮關鍵作用。但種植業(yè)與其他產(chǎn)業(yè)相比，在生產(chǎn)過程中需投入大量的農(nóng)用物資，并且為促使糧食持續(xù)增產(chǎn)往往存在農(nóng)用物資投入過量的現(xiàn)象，進一步導致碳排放量較高。在此選取種植業(yè)產(chǎn)值占農(nóng)林牧漁總產(chǎn)值比重作為農(nóng)業(yè)產(chǎn)業(yè)結構的代替變量，并假設農(nóng)業(yè)產(chǎn)業(yè)結構對農(nóng)業(yè)碳排放效率具有負向作用。

（3）城鎮(zhèn)化水平（[ul]）。城鎮(zhèn)化水平提升促使農(nóng)村勞動力逐漸向城鎮(zhèn)轉移，農(nóng)業(yè)生產(chǎn)中勞動力投入要素的減少勢必通過增加農(nóng)用化學品和農(nóng)用能源的投入來彌補，這又會導致農(nóng)業(yè)碳排放量的增加，從而降低農(nóng)業(yè)碳排放效率。但城鎮(zhèn)化水平提升的過程也是城鎮(zhèn)用地不斷擴大的過程，城鎮(zhèn)用地增加會擠占農(nóng)業(yè)用地，從而導致種植業(yè)生產(chǎn)規(guī)模減少，這又在一定程度上減少了碳排放量，進而提高了農(nóng)業(yè)碳排放效率。因此，城鎮(zhèn)化水平對農(nóng)業(yè)碳排放效率的具體作用方向有待實證檢驗，這里使用地區(qū)城鎮(zhèn)人口占總人口的比重作為城鎮(zhèn)化水平的替代變量。

（4）農(nóng)村用電量（[el]）。隨著農(nóng)村電力基礎設施不斷完善，在農(nóng)業(yè)生產(chǎn)中，電能逐漸替代柴油等化石能源，成為農(nóng)用機械和農(nóng)業(yè)灌溉的主要動力來源。雖然電能在投入使用的過程中也會帶來碳排放量，但與柴油等化石能源相比，其排放量相對較小。因此，本文具體選擇農(nóng)村用電量替代農(nóng)業(yè)用電，單位為億千瓦，并假定農(nóng)村用電量與農(nóng)業(yè)碳排放效率呈正相關。

（5）自然災害（[dl]）。農(nóng)業(yè)與其他產(chǎn)業(yè)相比，更易受自然條件的影響，農(nóng)業(yè)抵御自然災害風險能力較弱。尤其是隨著全球氣候變暖，極端氣候事件頻發(fā)，極端氣候引發(fā)的自然災害導致農(nóng)業(yè)生產(chǎn)受災嚴重，進而影響農(nóng)業(yè)總產(chǎn)值，成為制約農(nóng)業(yè)碳排放效率提升的重要因素。本文認為，自然災害的影響越大，農(nóng)業(yè)碳排放效率越低。具體以農(nóng)作物受災程度（農(nóng)作物受災面積/農(nóng)作物播種面積）衡量自然災害產(chǎn)生的影響。

（6）農(nóng)產(chǎn)品價格體制改革（[ap]）。農(nóng)產(chǎn)品價格體制改革對農(nóng)業(yè)碳排放效率影響機制主要體現(xiàn)在兩個方面。一方面是政府對農(nóng)產(chǎn)品價格實行的宏觀調(diào)控，如糧食收購最低價以及農(nóng)用機械等農(nóng)用物資的購買補貼價，一定程度上激發(fā)農(nóng)民生產(chǎn)的積極性，從而帶來農(nóng)業(yè)產(chǎn)出的增加；另一方面，政府對農(nóng)產(chǎn)品價格的過度干預會影響市場在資源配置中活力，導致農(nóng)業(yè)生產(chǎn)要素投入失調(diào)，這也會影響農(nóng)業(yè)碳排放效率。因此，農(nóng)產(chǎn)品價格體制改革對農(nóng)業(yè)碳排放效率的作用放向不明確，需進一步實證檢驗。本文借程琳琳[29]的做法，以農(nóng)產(chǎn)品生產(chǎn)價格指數(shù)占農(nóng)業(yè)生產(chǎn)資料價格指數(shù)的比重來替代農(nóng)產(chǎn)品價格體制改革。

（7）財政支農(nóng)水平（[af]）。財政支農(nóng)的增加一方面為農(nóng)田水利灌溉系統(tǒng)等農(nóng)業(yè)基礎設施建設與農(nóng)業(yè)科技水平改進提升提供資金支持，加快農(nóng)業(yè)現(xiàn)代化的步伐，對農(nóng)業(yè)碳排放效率提升有顯著促進作用。但另一方面，地方財政在農(nóng)業(yè)生產(chǎn)投資過程中因缺少監(jiān)督機制，也會出現(xiàn)重復建設、無效建設以及尋租行為和浪費行為，從而降低財政支農(nóng)的效率水平[27]。故財政支農(nóng)水平對農(nóng)業(yè)碳排放效率的作用方向也有待實證檢驗。本文以農(nóng)林水利支出占財政總支出的比重來衡量財政支農(nóng)水平。

基于上述假設，本文將構建農(nóng)業(yè)碳排放效率（[TE]）影響因素的面板Tobit模型，公式如下：

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

上式中，[TE]為農(nóng)業(yè)碳排放效率值；[i]為省份；[t]為年份；[β0]為常數(shù)項；[β1、β2、β3、β4、 β5、β6、β7]分別為各解釋變量的待估參數(shù)；[μ]為隨機擾動項。相關變量的描述性統(tǒng)計結果如表7所示。

2.糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率影響因素估計結果與分析

（1）方差膨脹因子檢驗。方差膨脹因子（VIF）是檢驗變量之間是否存在多重共線性的重要參考指標。一般情況下，當VIF值大于10時，就認為變量之間具有強烈的多重共線性，不能接受；反之，則可以接受。現(xiàn)運用方差膨脹因子對農(nóng)業(yè)碳排放效率影響因素的各解釋變量進行多重共線性檢驗，檢驗結果如表8所示。由表8可知，各影響因素之間不存在多重共線性，說明回歸結果是有效的。

（2）估計結果與分析。由于面板數(shù)據(jù)具有截面、時序的特性，因此需要先對數(shù)據(jù)進行檢驗，通過Hausman 檢驗表明，糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率影響因素的回歸分析應選擇隨機效應的Tobit模型?；诖耍?Stata16軟件對其進行回歸，其結果如表9所示。

根據(jù)回歸結果可知，農(nóng)業(yè)經(jīng)濟發(fā)展水平、農(nóng)業(yè)產(chǎn)業(yè)結構、城鎮(zhèn)化水平、農(nóng)村用電量和財政支農(nóng)均通過了顯著性檢驗，而自然災害和農(nóng)產(chǎn)品價格體制改革未通過顯著性檢驗。具體來看：

農(nóng)業(yè)經(jīng)濟發(fā)展水平和農(nóng)村用電量對農(nóng)業(yè)碳排放效率有顯著的正向作用。農(nóng)業(yè)經(jīng)濟發(fā)展水平在1%的顯著水平下與農(nóng)業(yè)碳排放效率顯著正相關，說明提升農(nóng)業(yè)經(jīng)濟發(fā)展水平能顯著提高農(nóng)業(yè)碳排放效率。這主要是因為農(nóng)業(yè)經(jīng)濟發(fā)展水平提高意味著更多資本投入到農(nóng)業(yè)生產(chǎn)中，從而不斷提高農(nóng)業(yè)科技水平，加快農(nóng)業(yè)現(xiàn)代化進程，客觀上提高農(nóng)業(yè)生產(chǎn)效率。農(nóng)村用電量同樣在1%的顯著水平下與農(nóng)業(yè)碳排放效率顯著正相關，說明在其他條件不變的情況下，農(nóng)業(yè)生產(chǎn)中大量使用電力將顯著提高農(nóng)業(yè)碳排放效率，這也一定程度上印證了電力逐漸取代柴油等化石能源成為農(nóng)業(yè)生產(chǎn)的基礎。

農(nóng)業(yè)產(chǎn)業(yè)結構、城鎮(zhèn)化水平、財政支農(nóng)對農(nóng)業(yè)碳排放效率有顯著的負向作用。農(nóng)業(yè)產(chǎn)業(yè)結構在5%的顯著水平下與農(nóng)業(yè)碳排放效率呈顯著負相關，說明在其他條件既定時，種植業(yè)產(chǎn)值比重每增加1個單位，農(nóng)業(yè)碳排放效率將下降0.476個單位；糧食主產(chǎn)區(qū)農(nóng)業(yè)以種植業(yè)為主，與林業(yè)和漁業(yè)相比，種植業(yè)在生產(chǎn)過程中需消耗大量的農(nóng)用物資，從而使得單位產(chǎn)值帶來的農(nóng)用碳排放量也較高，進而阻礙了農(nóng)業(yè)碳排放效率的提升。城鎮(zhèn)化水平也在5%的顯著水平下通過檢驗，且作用方向為負，表明城鎮(zhèn)化水平越高農(nóng)業(yè)碳排放效率越低，這主要是因為糧食主產(chǎn)區(qū)各省份在確保糧食安全的情況下，農(nóng)業(yè)人口的減少勢必造成農(nóng)業(yè)生產(chǎn)過度依賴化肥、農(nóng)藥、機械等增產(chǎn)型技術，將會極大增加碳排放量，從而導致農(nóng)業(yè)碳排放效率的下降。財政支農(nóng)的回歸系數(shù)為-2.368，并在1%的顯著水平下通過檢驗，這與程琳琳[29]、張廣勝和王珊珊[30]等學者的研究結論相似。財政支農(nóng)負向影響可能的解釋：一是由于財政對農(nóng)用機械、化肥的補貼造成農(nóng)民在農(nóng)業(yè)生產(chǎn)中過度依賴農(nóng)用物資，從而導致碳排放增加；二是可能缺乏相應的監(jiān)督機制，財政支農(nóng)在投入過程中出現(xiàn)無效、重復投資的現(xiàn)象；兩者的共同作用導致財政支農(nóng)水平對農(nóng)業(yè)碳排放效率呈現(xiàn)負向作用。

自然災害與農(nóng)產(chǎn)品價格體制改革并未通過顯著性檢驗。自然災害的作用方向為正向，與一般認知不同，一方面是由于隨著農(nóng)業(yè)科技水平的提高、農(nóng)田水利設施的增多，農(nóng)業(yè)抵御自然災害的能力顯著提高，自然災害對農(nóng)業(yè)產(chǎn)值的影響不斷減少；另一方面可能由于自然災害一定程度上抑制了糧食主產(chǎn)區(qū)農(nóng)業(yè)生產(chǎn)中一次性過量使用農(nóng)用物資等高碳的生產(chǎn)行為[29]。農(nóng)產(chǎn)品價格政策對農(nóng)業(yè)碳排放效率具有正的影響但未通過顯著性水平，農(nóng)產(chǎn)品價格政策通過穩(wěn)定糧價，實行最低收購價，避免谷賤傷農(nóng)現(xiàn)象，從而刺激了農(nóng)民生產(chǎn)積極性，進一步增加了農(nóng)業(yè)產(chǎn)出，對農(nóng)業(yè)碳排放效率有一定的提升作用。

四、結論與政策建議

（一）研究結論

基于上述分析本文主要得出如下結論：（1）2001—2020年糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放效率均值為0.540，未達到有效狀態(tài)，距離最佳生產(chǎn)前沿面還有一定的距離，省域之間差距較大，只有遼寧長期處于有效狀態(tài)。（2）考察期間糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放綜合效率均值為1.051，總體呈波動上升趨勢，年均增速為5.1%；前沿技術進步和技術效率的值分別為1.044和1.007，前沿技術年均貢獻率年均為4.4%，農(nóng)業(yè)技術年均貢獻率為0.7%，且前沿技術進步是促進農(nóng)業(yè)碳排放效率增長的主要因素。糧食主產(chǎn)區(qū)各省份的農(nóng)業(yè)碳排放綜合效率值都大于1，其中以黑龍江最高，達到1.081，湖北最低，僅為1.013；從各省農(nóng)業(yè)碳排放綜合效率的增長源泉來看，前沿技術進步在糧食主產(chǎn)區(qū)各省份農(nóng)業(yè)碳排放效率的增長上發(fā)揮的作用要明顯高于技術效率，而從技術效率分解可知，純技術效率與規(guī)模效率的貢獻程度因省份不同而有所差異，但規(guī)模效率的貢獻要明顯大于純技術效率。（3）農(nóng)業(yè)經(jīng)濟發(fā)展水平和農(nóng)村用電量對農(nóng)業(yè)碳排放效率有顯著的正向作用；農(nóng)業(yè)產(chǎn)業(yè)結構、城鎮(zhèn)化水平、財政支農(nóng)對農(nóng)業(yè)碳排放效率有顯著的負向作用；自然災害與農(nóng)產(chǎn)品價格體制改革并未通過顯著性檢驗。

（二）政策建議

1.提高農(nóng)業(yè)經(jīng)濟發(fā)展水平，加大財政支農(nóng)力度，不斷完善農(nóng)業(yè)基礎設施

糧食主產(chǎn)區(qū)應強化農(nóng)業(yè)發(fā)展資金投入，建立財政補貼監(jiān)督機制，避免出現(xiàn)重復投資、浪費的現(xiàn)象；加快發(fā)展農(nóng)村數(shù)字普惠金融，健全農(nóng)業(yè)保險制度，為繁榮糧食主產(chǎn)區(qū)農(nóng)村經(jīng)濟提供有力支持。此外，糧食主產(chǎn)區(qū)應完善農(nóng)田水利基礎設施，加強高產(chǎn)穩(wěn)產(chǎn)高標準農(nóng)田建設，為電力等新能源的投入使用創(chuàng)造有利條件。

2.推動新型城鎮(zhèn)化高質(zhì)量發(fā)展，提高農(nóng)業(yè)生產(chǎn)資料的利用效率

糧食主產(chǎn)區(qū)應避免過度追求城鎮(zhèn)化速率，防止出現(xiàn)過快城鎮(zhèn)化帶來農(nóng)業(yè)從業(yè)人口減少、農(nóng)業(yè)用地被城市用地擠占等不利于農(nóng)業(yè)生產(chǎn)的現(xiàn)象。城鎮(zhèn)化發(fā)展進程應逐步從強調(diào)速率向重視質(zhì)量轉變，加快推進新型城鎮(zhèn)化高質(zhì)量發(fā)展進程，促使技術、人才、資金等要素在城鄉(xiāng)間合理自由流動[31]。不斷提高農(nóng)用機械、化肥、農(nóng)藥等農(nóng)業(yè)生產(chǎn)資料的利用效率，促使農(nóng)業(yè)生產(chǎn)方式由過度依賴高碳型增產(chǎn)化學品向生態(tài)綠色、高效率轉變。

3.加強農(nóng)業(yè)科技創(chuàng)新，推動農(nóng)業(yè)生產(chǎn)低碳化

糧食主產(chǎn)區(qū)應不斷加強農(nóng)業(yè)科技創(chuàng)新，完善農(nóng)業(yè)科技領域基礎研究穩(wěn)定支持機制，加大農(nóng)業(yè)科技創(chuàng)新領域的資金投入，積極與農(nóng)業(yè)科研院所合作，推動農(nóng)業(yè)先進科技成果最先應用農(nóng)業(yè)生產(chǎn)中。促進數(shù)字技術與農(nóng)業(yè)經(jīng)濟的深度融合，借助人工智能、大數(shù)據(jù)、區(qū)塊鏈等新技術發(fā)展智慧農(nóng)業(yè)，不斷提高農(nóng)業(yè)生產(chǎn)效率，加快糧食主產(chǎn)區(qū)農(nóng)業(yè)低碳化生產(chǎn)步伐。

4.調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結構，不斷優(yōu)化種養(yǎng)模式

糧食主產(chǎn)區(qū)應加快種源科技創(chuàng)新，不斷培育優(yōu)良的作物和畜禽品種；充分結合各地的資源優(yōu)勢，大力培育特色種植業(yè)，不斷優(yōu)化畜禽養(yǎng)殖模式，采取種養(yǎng)結合的模式，推進秸稈綜合利用和畜禽糞便資源化利用，實現(xiàn)種養(yǎng)業(yè)向綠色低碳方向轉變；逐步建立跨區(qū)域之間的合作機制，完善糧食主產(chǎn)區(qū)生態(tài)補償機制，實現(xiàn)糧食主產(chǎn)區(qū)各省份聯(lián)動發(fā)展，為種養(yǎng)業(yè)結構優(yōu)化與調(diào)整創(chuàng)造條件。

參考文獻：

[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，刁貝娣，等.糧食主產(chǎn)區(qū)政策的環(huán)境績效：基于農(nóng)業(yè)碳排放視角［J］.中國人口·資源與環(huán)境，2021，31（12）：35-44．

［3］丁寶根，楊樹旺，趙玉，等.中國耕地資源利用的碳排放時空特征及脫鉤效應研究［J］.中國土地科學，2019，33（12）：45-54．

［4］李波，張俊飚，李海鵬.中國農(nóng)業(yè)碳排放時空特征及影響因素分解［J］.中國人口·資源與環(huán)境，2011，21（08）：80-86．

［5］田云，尹忞昊.中國農(nóng)業(yè)碳排放再測算：基本現(xiàn)狀、動態(tài)演進及空間溢出效應［J］.中國農(nóng)村經(jīng)濟，2022（03）：104-127．

［6］張俊飚，何可．“雙碳”目標下的農(nóng)業(yè)低碳發(fā)展研究：現(xiàn)狀、誤區(qū)與前瞻［J］.農(nóng)業(yè)經(jīng)濟問題，2022（09）：35-46．

［7］戴小文，何艷秋，鐘秋波.基于擴展的Kaya恒等式的中國農(nóng)業(yè)碳排放驅(qū)動因素分析［J］.中國科學院大學學報，2015，32（06）：751-759．

［8］劉楊，劉鴻斌.山東省農(nóng)業(yè)碳排放特征、影響因素及達峰分析［J］.中國生態(tài)農(nóng)業(yè)學報（中英文），2022，30（04）：558-569．

［9］胡婉玲，張金鑫，王紅玲.中國農(nóng)業(yè)碳排放特征及影響因素研究［J］.統(tǒng)計與決策，2020，36（05）：56-62．

［10］田云，王夢晨.湖北省農(nóng)業(yè)碳排放效率時空差異及影響因素［J］.中國農(nóng)業(yè)科學，2020，53（24）：5063-5072．

［11］郭四代，錢昱冰，趙銳.西部地區(qū)農(nóng)業(yè)碳排放效率及收斂性分析——基于SBM-Undesirable模型［J］.農(nóng)村經(jīng)濟，2018（11）：80-87.

［12］尚杰，吉雪強，石銳，等.中國農(nóng)業(yè)碳排放效率空間關聯(lián)網(wǎng)絡結構及驅(qū)動因素研究［J］.中國生態(tài)農(nóng)業(yè)學報（中英文），2022，30（04）：543-557.

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

［14］錢麗，肖仁橋，陳忠衛(wèi).碳排放約束下中國省際農(nóng)業(yè)生產(chǎn)效率及其影響因素研究［J］.經(jīng)濟理論與經(jīng)濟管理，2013（09）：100-112．

［15］吳昊玥，黃瀚蛟，何宇，等.中國農(nóng)業(yè)碳排放效率測度、空間溢出與影響因素［J］.中國生態(tài)農(nóng)業(yè)學報（中英文），2021，29（10）：1762-1773．

［16］何慧爽，付幫杰.我國糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放測度與減排壓力研究［J］.生態(tài)經(jīng)濟，2019，35（11）：99-104．

［17］田云，吳海濤.產(chǎn)業(yè)結構視角下的中國糧食主產(chǎn)區(qū)農(nóng)業(yè)碳排放公平性研究［J］.農(nóng)業(yè)技術經(jīng)濟，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.中國省域農(nóng)業(yè)碳排放效率與經(jīng)濟增長的耦合協(xié)調(diào)［J］.中國人口·資源與環(huán)境，2022，32（04）：13-22.

［21］CHUNG Y H，F(xiàn)AREＲ，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，紀凡榮，李山峰.中國省際低碳農(nóng)業(yè)發(fā)展的實證分析［J］.中國人口·資源與環(huán)境，2013，23（11）：30-35.

［23］王明星，李晶，鄭循華.稻田甲烷排放及產(chǎn)生、轉化、輸送機理［J］.大氣科學，1998（04）：218-230.

［24］閔繼勝，胡浩.中國農(nóng)業(yè)生產(chǎn)溫室氣體排放量的測算［J］.中國人口·資源與環(huán)境，2012，22（07）：21-27.

［25］劉其濤.中國農(nóng)業(yè)碳排放效率的區(qū)域差異——基于Malmquist-Luenberger指數(shù)的實證分析［J］.江蘇農(nóng)業(yè)科學，2015，43（09）：497-501.

［26］張俊飚，程琳琳，何可.中國農(nóng)業(yè)低碳經(jīng)濟效率的時空差異及影響因素研究——基于“碳投入”視角［J］.環(huán)境經(jīng)濟研究，2017，2（02）：36，51．

［27］田云.中國低碳農(nóng)業(yè)發(fā)展：生產(chǎn)效率、空間差異與影響因素研究［D］.華中農(nóng)業(yè)大學，2015.

［28］吳義根.低碳約束下的中國農(nóng)業(yè)生產(chǎn)率研究［D］.中國農(nóng)業(yè)大學，2019．

［29］程琳琳.中國農(nóng)業(yè)碳生產(chǎn)率時空分異：機理與實證［D].華中農(nóng)業(yè)大學，2018.

［30］張廣勝，王珊珊.中國農(nóng)業(yè)碳排放的結構、效率及其決定機制［J］.農(nóng)業(yè)經(jīng)濟問題，2014，35（07）：18-26，110．

［31］劉雪琪，李波.碳中和目標下中國農(nóng)地利用效率的影響因素及時空異質(zhì)性［J］.華中農(nóng)業(yè)大學學報（社會科學版），2023（1）：197-209.

責任編輯：李亞利

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]貴州省科技平臺及人才團隊計劃項目（項目編號：黔科合平臺人才〔2017〕5647）；貴州省哲學社會科學規(guī)劃項目（項目編號：22GZQN28）；貴陽人文科技學院科研項目（項目編號：2021rwjs029）。

[作者簡介]侯宇（1996-），男，安徽亳州人，碩士研究生，研究方向：農(nóng)業(yè)經(jīng)濟管理；張宏勝（1993-），男，河南光山人，博士研究生，講師，研究方向：農(nóng)業(yè)資源與環(huán)境經(jīng)濟；楊尚釗（1996-），男，貴州大方人，碩士，講師，研究方向：低碳農(nóng)業(yè)；耿芳艷（1997-），女，貴州威寧人，碩士研究生，研究方向：農(nóng)村發(fā)展與生態(tài)經(jīng)濟。