碳排放約束下中國農業生產效率研究論文

摘 要：以往的文獻對農業生產效率的度量多是基於傳統的勞動、資本和土地等要素，往往忽略隨機誤差以及環境效應，對規模效率也不能作出客觀判斷，無法反映出相關農業生產者的決策與管理水平。本文將碳排放同生產率的研究結合起來，利用三階段DEA模型對我國區域農業生  

關鍵詞：農業生產論文

以往的文獻對農業生產效率的度量多是基於傳統的勞動、資本和土地等要素，往往忽略隨機誤差以及環境效應，對規模效率也不能作出客觀判斷，無法反映出相關農業生產者的決策與管理水平。本文將碳排放同生產率的研究結合起來，利用三階段DEA模型對我國區域農業生產效率進行較爲系統的研究， 以期能較爲準確地評估我國農業生產效率發展的真實狀況。

論文關鍵詞:農業生產論文

一、研究方法及數據說明

1.三階段DEA模型

三階段DEA模型是一種能夠更加準確的評價DMU0（決策單元）效率的方法，是由Fried等（2002）經過多年研究提出的。共分三個階段。

（1）式中： θ表示各決策單元的純技術效率（PTE） ，即DMU0（決策單元）的有效值。n表示決策單元個數，m表示輸入變量個數，s表示輸出變量個數，xij表示投入要素，yir表示產出要素，如果θ=1，且s+≠0，或s-≠0時，則DMU0（決策單元）爲弱DEA有效；如果θ=1，且s+=0，同時s-=0，則DMU0（決策單元）DEA有效；如果θ?1，則DMU0（決策單元）非DEA有效。在考慮規模報酬不變的條件下，CCR模型可表示爲：

Ⅱ階段：相似SFA分析模型。透過Ⅰ階段的分析，得出的投入/產出鬆弛變量取決於環境因素、隨機因素和管理效率因素等三個影響因素。接下來，再透過構建類似SFA模型，對這三個因素的影響作用分別進行測算，將環境因素和隨機因素加以剝離，得出管理無效率是造成的DMU投入冗餘的唯一因素。

Ⅲ階段： 調整後的DEA模型。選用Ⅱ階段得到的調整後的投入數據，取代初始數據，同時，產出數據不變，仍然選取初始產出數據，代入原先的BCC模型，從而得到各決策單元的效率值即爲剔除了環境因素和隨機因素影響後的效率值。

2.樣本數據和環境變量的選取

本文選用2003--2014年，我國的30個地區（西藏除外）作爲研究對象，投入變量爲：土地（本文選用農作物播種總面積表示土地投入）、資本（本文選用代理指標爲：農林牧漁業固定資產投入）、技術（本文選用代理指標爲：化肥施用量以及農業機械總動力兩個指標）、勞動（本文選用代理指標爲：各省份第一產業從業人員數，忽略勞動種類、質量的不同）；將農林牧漁業增加值（以2003年爲不變價根據農林牧漁業增加值指數平減）和農村居民家庭純收入（以2003年爲不變價根據農村居民消費價格指數平減）作爲好產出，；將各地區的農業碳排放量作爲壞產出。農業碳排放量的具體測算公式爲：

環境隨着二氧化碳排放量的加大而愈發惡劣，從而會導致農村全要素生產率愈低，因此需對其進行負向化處理，而且DEA模型一般要求樣本數據大於0，故用公式：對碳排放量進行負向標準化處理，將其轉化爲[1，100]之間的數值。

另外，環境變量的選取如下：農村基礎教育水平（Labor）（本文選用代理指標爲：農村勞動力中初中及以上文化程度勞動者所佔比例）；自然災害（Disas）（本文選用代理指標爲：農田受災率（受災面積/播種總面積））；農村用電量（Elect）。

以上各指標數據均來自相應年份的.《中國農村統計年鑑》，經整理而得。

二、實證分析

1.Ⅰ階段傳統DEA實證結果

運用DEA--SOLVER Pro5.0軟件對我國三十個地區農村全要素生產率水平進行分析， 分別得到地區2003--2014年的技術效率（ITE）、純技術效率（PTE）和規模效率（GE），結果見表2所示。排除環境變量因素和隨機因素的影響，2003-2014年，各地區農業生產綜合技術效率平均值爲0.70；全國來看，農業生產純技術效率均值爲0.82，規模效率均值爲0.86。三項效率值均爲1的三個地區，即北京、上海和海南，技術效率處於前沿，而其餘各省份，在純技術效率和規模效率上有着提升改進的空間。從結果還可以看出，在三十個地區中有十三個地區純技術效率大於規模效率，有14個地區規模效率大於純技術效率，意味着技術無效率，有的地區來源於規模無效，有的地區來源於技術無效。從Ⅰ階段結果來看，無論是規模無效還是技術無效導致農業生產效率不高的主要因素，但沒有考慮環境因素和隨機因素的干擾情況下，規模效率或者純技術效率有沒有高估或者低估？還需要進一步測算。

2.Ⅱ階段SFA迴歸結果

將Ⅰ階段得出的決策單元中各投入變量的鬆弛量作爲應變量，將前述三個環境變量作爲自變量，利用Frontier4.1軟件進行SFA迴歸分析，SFA迴歸結果見表3。從表3可以看出，三個環境變量對五種投入鬆弛變量的係數都不爲0。這表明，外部環境因素對各地區農業生產的投入冗餘影響明顯。這一結果表明管理因素和隨機因素對農村全要素生產率存在着顯著的影響。對效率影響因素中的管理因素和隨機因素進行SFA迴歸分析，勢在必行。

仔細研究各環境因素對五種投入鬆弛變量的係數，會發現，如果迴歸係數<0，則意味着，隨着環境變量值的增加，將有利於降低投入鬆弛量，反之亦然。由表3可知：（1）基礎教育水平與農村全要素生產率正相關，但影響並不顯著；（2）農田受災率與農村全要素生產率負相關；（3）農村用電量與農村全要素生產率正相關，這與當前農業發展實際相符合。

3.Ⅲ階段投入調整後的DEA實證結果

將調整後的投入變量值與初始產出值，再代入BCC模型， 獲得Ⅲ階段各決策單元的效率值，如表4所示。

將表2和表4對比可知，在剝離環境變量和隨機干擾的影響後，有四個地區處於技術效率前沿面，比調整前增加了一個，其中北京、上海和海南仍處於技術效率前沿面，說明這幾個地區的農村全要素生產率確實比較好。相比Ⅰ階段，浙江晉升至效率前沿，這表明，在剔除環境因素和隨機因素後，浙江的農業生產是高效的。全國的綜合技術效率均值由0.70上升到0.71，純技術效率均值由0.81上升到0.88，規模效率均值由0.88上升至0.93。從橫向看，各地區Ⅲ階段的農村全要素生產率與Ⅰ階段相比，無論綜合技術效率、技術效率還是規模效率均有一定程度變化。天津、河北、山西、內蒙古、遼寧、甘肅和新疆等十個地區的綜合技術效率，均有所下降，這說明了他們所處的相對有利的環境以及較好的運氣導致了他們以前的高效率，而實際上，他們實際的技術管理水平並不怎麼高；新疆降幅最明顯，其綜合技術效率由0.79下降至0.68，純效率的下降導致的這個結果的方生；其餘九個地區的純效率也有不同程度的下降。Ⅲ階段農村全要素生產率相比Ⅰ階段上升的地區分別爲江蘇、浙江、安徽、江西、福建、寧夏等十七個地區，其中，寧夏綜合技術效率整體上升是基於純技術效的提高，而其他地區是因爲規模效率的提高而導致綜合技術效率的上升。這表明，由於相對不利的環境或不好的運氣，導致了這些地區之前較低的綜合技術效率，而不是因爲他們的技術管理水平低。

三、結論

本文將農業增長、資源節約與碳排放量納爲一個整體框架進行研究，運用三階段DEA模型， 選取2003--2014年的樣本數據，分析我國農村全要素生產率。主要結論：在Ⅱ階段調整前後，各地區農村全要素生產率，變化明顯！表明環境因素和隨機因素的介入，對農村全要素生產率確實影響顯著；將Ⅰ、Ⅲ階段得出的效率值進行比較看出， Ⅱ階段的環境因素調整之後，各地區的農業綜合技術效率值、純技術效率值和規模效率，值均有明顯提高。環境因素中，基礎教育水平對農村全要素生產率的提高是有利因素；自然災害會對農村全要素生產率產生不利的影響；農村用電量對農村全要素生產率產生有利影響。