徐启凤
（河南省永城市农业农村局，河南 永城 476600）
近些年来，我国碳排放造成的温室效应问题日益凸显，因此低碳经济作为一种新经济形态应运而生［1］。农业生产排放的温室气体量仅次于工业生产，因此急需发展低碳农业［2］。粮食作为农业的基础，在农业中，其碳排放占据较大的比重［3］。要想真正控制农业生产过程中的碳排放量，必须推动农业的现代化发展［4］。在我国，粮食主产区是产粮主阵地，事关国家粮食安全，责任重大；
与此同时，科学统筹从而保证粮食安全、保证粮食供给、保护生态环境的责任日益重大，农业发展模式势必要作出改变［5］。在限制碳排放的条件下，对粮食主产区的农业差异原因以及生产效率进行研究，有助于缓和资源利用与农业发展以及环境保护三者之间的关系，进而实现协调发展［6］。
无论国内学者还是国外学者，在研究农业生产效率时，都是从影响农业生产的因素以及生产效率2个方面展开分析的［7］。Armagan等［8］使用曼奎斯特指数分解法研究了土耳其农业生产领域的技术效率表现以及变化。朱继东［9］使用DEA测算法，借助2016年的统计数据，分析了河南省信阳市从事农业生产经营活动的多个主体的生产效率。熊鹰等［10］使用DEA方法研究了具有代表性的发展有机农业地区的生产效率。陈红等［11］使用随机前沿生产函数模型研究分析了我国1998─2010年间的农业生产技术效率。王宝义等［12］在分析关系到农业生产效率的多种因素时，指出下述几个因素会给农业生产效率带来程度不一的作用：农业规模化水平、人均农业增加值、农业机械化密度、农业受灾率、财政支农水平、农民家庭经营收入比、工业化水平。李博等［5］研究认为，不同地区之间产业结构与我国农业的生产效率具有较高的关联性。尽管目前已有的文献将环境对于生产效率的影响纳入考量，但是把生产技术水平具有一定差异的不同地区视为具有同一技术水平，在此前提下开展农业生产效率的研究不够科学［13］。本文从生产率的角度出发，采用Tobit模型，研究分析了碳排放尾效对我国粮食经济发展的影响因素。
在进行效率评价的过程中获取到的粮食碳排放效率数据都比0大，视为截断数据［14］。对于截断数据，使用最小二乘法预估得到的参数会存在差异；
而使用基于最大似然估计准则的Tobit模型能够有效避免该问题。Tobit模型，又名受限因变量模型，是在某种约束但是因变量连续的条件下取值的一种模型。该模型的计算公式为：
式（1）中：yi为被解释变量；
xi为解释变量；
βT为参数向量；
εi为随机误差项，其服从正态分布；
εi～N(0,σ2)。
Tobit模型是一种截取回归模型，其被解释变量yi的取值方式受到一定限制，解释变量xi以实际观测数据为其取值；
在y*≤0的情况下，yi的值是0；
在y*＞0的情况下，yi的值为实际观测值。
2.1 变量选取
对粮食碳排放造成影响的因素种类繁多，既有人为因素，也有自然因素。自然因素包括气候、土壤等；
人为因素包括技术发展、社会结构等。自然因素一般因难以掌控故较少考虑；
在影响碳排放效率方面，人为因素所占比重日渐增大。本文以有关文献典籍为参考依据，从H省的粮食实际发展情况出发，将下述5个方面作为对该省粮食碳排放效率产生影响的主要因素：化肥使用、社会结构、生产规模、技术发展、劳动力受教育水平（表1）。
表1 H省粮食碳排放效率的影响因素及其解释
在表1中，就社会结构而言，H省属于粮食大省，粮食产业在发展的同时也造成大量碳排放。笔者认为，粮食总产值在农林牧渔业总产值中所占比重的下降可以提升碳排放效率。社会结构以产业结构（x1）来表示，产业结构的取值为粮食总产值在农林牧渔业总产值中所占比例，并指出产业结构与碳排放效率之间呈负相关。
施用化肥虽然可以提升粮食产量，但是化肥的过度应用会加重土壤污染，对粮食碳排放效率造成不利影响。本文中的化肥使用情况以化肥施用强度（x2）来表示，化肥施用强度代表的是农作物在单位播种面积内的化肥施用量。本文指出，化肥施用强度与碳排放效率之间呈负相关。
从技术发展的角度来看，当今粮食发展情况与设备机械化水平联系紧密，农用机械对于粮食生产而言十分重要，是必不可少的一部分。由于机械作业的工作效率高，能够显著提升农业生产效率，从而降低投入的劳动力数量，因此粮食生产机械化的快速发展能够推动劳动力结构的变革。但是部分陈旧的、高耗能机械会造成大量的碳排放。本文用单位面积机械总动力（x3），也就是单位播种面积上的农机总动力表示技术发展这一要素。本文指出，技术发展与碳排放效率之间呈正相关。
从生产规模的角度来看，粮食产业的规模化经营成为提高H省粮食生产效率、推动其走绿色可持续发展道路的主要手段。播种农作物的面积不断扩大，势必会使化肥、农药等的使用量不断增加，同时灌溉、运输等产生的能源消耗也会显著提升；
生产规模的扩大也会增加土地翻耕面积，而对土壤进行翻耕就会产生碳流失，因此生产规模的改变会对粮食的碳排放量产生影响。本文用人均耕地面积（x4）代表粮食生产规模。本文指出，生产规模与碳排放效率之间呈负相关。
从劳动力受教育程度的角度来看，进行粮食生产的劳动者受过一定程度的教育，掌握先进技术甚至可以进行创新，具有重要意义。通过提高粮食生产者的总体受教育程度能够使他们的整体素质得到提升，从而促进碳排放效率的增加。本文以受教育人口占比（x5），也就是初中毕业的人口数量在所有粮食从业者中的占比，代表劳动力普遍接受教育的程度。本文指出，劳动力的受教育程度与碳排放效率之间呈正相关。
2.2 数据来源
文中使用的数据全部来源于统计资料，其中2011─2021年度的数据来源于H省的《统计年鉴》和中经网统计数据库。
3.1 数据相关检验
3.1.1 平稳性检验 在进行回归分析之前，要对数据的平稳性进行测定，以避免面板数据出现伪回归的情况，明确数据的平稳性［12］。本文选用ADF-Fisher检验（不同根）、LLC检验（相同根）2种方法测定2011─2021年度被解释变量、解释变量数据表现出的平稳性。这2种检验方法作出的原假设都含有单位根，即P值显著，如果原假设被拒绝，则表示通过了数据的平稳性测定。如表2所示，不同变量均表现出良好的平稳性，即平稳性测定合格。
3.1.2 Hausman检验 在搭建回归模型之前，首先要进行Hausman检验，根据检验结果确定使用的影响形式：固定效应或者随机效应。做出假设：H0是原假设，搭建随机效应模型；
H1是备择假设，搭建固定效应模型。假设P值显著，那么原假设被拒绝，相应地搭建固定效应模型；
反之，则要搭建随机效应模型。对于H省及其东部、西部以及中部3个区域，文中分别搭建出了回归模型。使用STATA 12.0软件，对所搭建的4个模型中的面板数据进行Hausman检验，检验结果如表3所示，4个模型的P值全部小于0.05，故而原假设被拒绝，应使用固定效应模型。
表3 Hausman检验结果
3.2 建立实证模型
本文通过搭建固定效应模型，使用超效率DEA模型，计算得出粮食碳排放效率数据。解释变量是会对粮食碳排放效率产生影响的因素；
搭建Tobit面板数据模型，以实证分析的方法研究影响H省东部、西部、中部不同区域以及全省粮食碳排放效率的因素，借助STATA 12.0软件进行回归分析，回归模型为：
式（2）中：effectit为第i地区第t年粮食碳排放效率，其中模型Ⅰ（西部区域）和模型Ⅲ（东部区域）的i=1～4，模型Ⅱ（中部区域）的i=1～5，模型Ⅳ（H省）的i=1～13；
β1、β2、β3、β4、β5为回归系数；
β0为常数项；
x1Git为第i地区第t年产业结构；
x2Git为第i地区第t年化肥施用强度；
x3Git为第i地区第t年机械化水平；
x4Git为第i地区第t年人均耕地面积；
x5Git为第i地区第t年受教育人口比例；
εit为随机误差项。
4.1 回归结果
本文使用STATA 12.0软件，对影响H省粮食碳排放效率的因素开展Tobit回归分析，进而明确不同影响因素对碳排放效率的影响程度以及影响方向。由表4可知，化肥施用强度、产业结构、人均耕地面积、单位面积机械总动力、受教育人口比例这5个因素都会对H省和该省不同区域的粮食碳排放效率产生一定的影响，但是影响程度不一。
表4 H省粮食碳排放效率影响因素的Tobit回归分析结果
4.2 H省整体回归结果分析
分析H省的数据可知，化肥施用强度、产业结构、人均耕地面积对粮食碳排放效率具有程度不一的负面影响；
在5%水平上，人均耕地面积、化肥施用强度产生的影响十分显著；
在10%水平上，产业结构产生的影响更为显著。受教育人口比例、单位面积机械总动力均与碳排放效率呈现出正相关性；
在1%水平上，受教育人口比例带来的影响十分显著，而单位面积机械总动力与H省粮食碳排放效率间的相关性微小。上述回归分析得到的结果与作出的假设相符。从产业结构的角度来看，产业结构（x1）与碳排放效率呈负相关。对于H省而言，其粮食产值在农林牧渔业总产值中所占比重较大，因而H省对于资源的需求十分旺盛，但是资源利用率不够高，从而对环境造成破坏。H省可以通过进一步增加投入对低碳粮食工业进行研发，达到减排增效的目的。分析化肥使用情况可知，H省在粮食生产中的化肥施用强度（x2）与碳排放效率呈明显的负相关。对H省粮食碳效率而言，化肥施用具有较大的影响，不仅会浪费资源，污染环境，还会造成大量碳排放。故而要进一步加大监管力度，确保粮食从业者科学地使用化肥，在使用过程中尽量选择低碳、环保的品种。从生产规模的角度来看，H省的人均耕地面积（x4）与碳排放效率呈明显的负相关，由土地翻耕而造成的碳排放是导致粮食碳排放的一个重要因素，因此要在调整全省劳动力结构的同时创新土地翻耕技术，从而提升H省的粮食碳排放效率。从劳动力的受教育程度来分析，H省的受教育人口比例（x5）与碳排放效率呈现出明显的正相关性，在从事粮食生产的劳动力中，较高比例的受教育人口有利于提高粮食的碳排放效率，因此应该努力提升农村粮食从业人员的受教育程度。
4.3 H省各区域回归结果分析
4.3.1 西部区域粮食碳排放效率影响因素的分析 分析5个影响因素可知，化肥施用强度与西部区域粮食碳排放效率呈负相关，其中在1%水平上影响十分显著；
其他因素与西部区域粮食碳排放效率呈正相关，其中在10%水平上，产业结构产生的影响比较显著，而其他因素对西部区域粮食碳排放效率的影响不显著。通过回归分析得出的结论与假设并非全部相同。在H省粮食碳排放效率均值中，从2011年到2021年，H省西部区域均处于较低水平，故需改进、调整。其中，化肥施用强度这一因素对于碳排放效率的影响最大，明显比对该省碳排放效率的影响大；
产业结构与西部区域粮食碳排放效率呈明显的正相关，因此可以在一定范围内合理增加该区域的粮食生产规模。
4.3.2 中部区域粮食碳排放效率影响因素的分析 化肥施用强度、产业结构对于H省中部区域的粮食碳排放效率产生了十分明显的负面影响；
在1%水平上，化肥施用强度带来的影响更加明显；
在10%的水平上，产业结构带来的影响更加明显。其他3个因素与碳排放效率呈正相关，其中在1%水平上，单位面积机械总动力带来的影响更加明显；
在5%水平上，受教育人口比例带来的影响更加明显；
人均耕地面积带来的影响十分微小。通过回归分析得到的结论与作出的假设并非全然相同。尽管化石燃料燃烧、农机作业的能源消耗同样会产生一定的碳排放，但是机械化水平的提升是粮食现代化的重要表现，机械化农业具有宽幅、大型化、高效率等特点，可以在很大程度上提升农业生产效率、压缩生产成本，因此机械化水平的不断提高可以对粮食碳排放效率起到正向作用。
4.3.3 东部区域粮食碳排放效率影响因素的分析 在H省的东部地区，粮食碳排放效率与人均耕地面积、产业结构均呈负相关，其中在10%水平上，人均耕地面积与粮食碳排放效率具有十分明显的关联性，而产业结构对后者的作用则十分微小。其他几个因素均与碳排放效率呈正相关，其中在10%水平上，仅受教育人口比例与碳排放效率呈明显的相关性。通过回归分析得到的结论与作出的假设相符。在H省东部区域，粮食碳排放效率表现出明显差距，所以，需要有指向性地进行优化调整。
5.1 实行差别化的地区粮食发展政策
由于不同的粮食主产区社会、经济发展水平以及资源环境等不同，因而其实际的粮食生产效率也具有一定差异。因为各地的技术水平不同，管理能力也有差异，因此要因地制宜地提高粮食生产效率。在东部区域以及中、西部区域，由于粮食生产技术不够先进，粮食生产效率低下，因此要主动学习与粮食生产有关的先进科学技术，进而实现粮食生产效率的提升。发展低碳粮食经济，有助于整合各类资源，使其与环境实现协调发展，可以改善粮食生产结构，进而提高粮食生态环境效益。应推出与低碳粮食发展有关的各项法规政策，以便有效地缓解目前粮食碳排放的紧张形势，进而优化粮食生产结构。
5.2 优化粮食生产力布局
应改善粮食生产力结构，要带动粮食从增加产量转变为提升质量，努力生产出优质的、形成品牌效应的特色粮食。在粮食生产过程中，要应用新型清洁环保技术，降低化肥、农药、农膜等的投入量，从而提升资源利用效率。要根据粮食生产的实际情况，因地制宜地建设具有示范作用的粮食科技园、粮食现代化产业园、享有知名度的农产品品牌等。
5.3 优化政府财政支农结构
政府财政支农对于粮食科研、粮食基础设施建设以及粮食推广等各个方面起到关键作用，可以明显促进粮食生产效率的提高。应进一步完善政府财政支持的各项农业项目，重点关注粮食生产中存在的问题，兴建与粮食生产有关的基础设施，优化并推广田间节水设备，修建农田水利工程。要不断提高粮食科技的创新水平，加大粮食科研经费投入，进而充分发挥支农专项资金的扶持作用。
5.4 加强粮食知识和技能的培训
应对粮食产业从业者进行与低碳粮食有关的各项技能以及相关知识的培训，推广并深化与低碳粮食有关的知识，进而提高粮食产业从业者的环境保护意识，从而减少粮食碳排放量；
要普及运用与低碳粮食有关的生产技术，并储备足够的粮食生产人员以及农业科研人员，不断提高低碳粮食的生产效率。
本文基于生产率视角，以H省为研究对象，采用Tobit模型，就碳排放尾效对粮食经济增长的影响因素进行了研究，得出如下结论：
（1）对于H省粮食碳排放效率造成影响的主要因素包括以下5个方面：化肥使用、社会结构、生产规模、技术发展、劳动力受教育水平。
（2）H省的粮食碳排放效率与化肥施用强度、产业结构、人均耕地面积呈明显的负相关；
与受教育人口比例呈明显的正相关，其中碳排放效率受到受教育人口比例的影响较大，受到单位面积机械总动力的影响较小。
（3）在H省的西部区域，与粮食碳排放效率呈明显负相关的因素是化肥施用强度，与其呈明显正相关的因素是产业结构；
在中部区域，粮食碳排放效率与化肥施用强度、产业结构呈明显的负相关，与单位面积机械总动力、受教育人口比例呈明显的正相关；
在东部区域，人均耕地面积与碳排放效率呈明显的负相关，受教育人口比例与其呈明显的正相关。