-
摘要:
河北省是农业大省, 且面临碳排放总量和碳排放强度双高的双重压力, 研究河北省农业碳排放效率对河北省农业实现低碳生产具有重要意义。本文基于2010—2022年河北省农业生产面板数据, 利用带有非期望产出的超效率数据包络模型(Super-SBM), 测算了河北省11个地级市农业碳排放效率, 基于全局要素生产率指数(GML)和泰尔指数对其时空分异特征进行了分析, 并在此基础上, 利用面板Tobit模型探究了影响农业碳排放效率的因素。结果表明: 2010—2022年, 河北省农业碳排放效率整体上呈波动上升状态, 并处于偏上的效率水平, 距离效率前沿面仍然存在3%的提升空间, 其中冀南地区的效率值提升幅度最大, 涨幅为0.82。河北省农业碳排放效率泰尔指数由2010年的0.025提升到2022年的0.031, 且泰尔指数地区内部差距大于地区之间差距, 说明冀东、冀中、冀北和冀南4大区域间的农业碳排放效率存在差异但差距较小, 区域内部间的差异大于区域间的差异。各地级市之间效率的极差呈波动上升趋势, 到2013年极差达0.89, 之后虽有所下降, 但2016年极差又达到0.86。秦皇岛市、承德市、廊坊市、衡水市、石家庄市、保定市、邢台市和邯郸市的技术效率和技术进步均对农业碳排放效率的提升做出了贡献, 而唐山市、张家口市和沧州市3个地级市农业碳排放效率的提升主要依赖于技术进步。全省农业的技术效率指数和技术进步指数分别以年均1%和13%的速度增长, 与技术效率相比, 技术进步是河北省农业碳排放效率提升的主要因素。农村经济发展水平、城镇化率、有效灌溉率和劳动力文化水平可以显著促进河北省农业碳排放效率提高, 而农业产业化结构和化肥施用强度对农业碳排放效率具有显著负向效应。
-
关键词:
- 农业碳排放效率 /
- Super-SBM模型 /
- 区域差异 /
- 技术进步 /
- 河北省
Abstract:Hebei Province is a largely agricultural province facing the dual pressures of high levels of total carbon emissions and carbon emission intensity. Studying its agricultural carbon emission efficiency is of great significance for achieving low-carbon agricultural production. Based on panel data on agricultural production from 2010 to 2022, this study measured the agricultural carbon emission efficiency of 11 cities in Hebei Province using the Super-SBM (Slack-Based Measure) model with non-expected output. Spatiotemporal differentiation characteristics were analyzed based on the Global-Malmquist-Luenberger (GML) index and the Theil index. This study further explored the factors influencing agricultural carbon emission efficiency using the Tobit model. The results showed that the overall efficiency of agricultural carbon emissions in Hebei Province fluctuated from 2010 to 2022. It was generally at a high-efficiency level with 3% room for improvement from the efficiency frontier. The improvement in efficiency in the southern Hebei region was the most significant, with an increase of 0.82. The Theil index of agricultural carbon emission efficiency increased from 0.025 in 2010 to 0.031 in 2022. The differences in the Theil index within regions were greater than those between regions. This indicates that the differences in carbon emission efficiency among the four major regions of eastern, central, northern, and southern Hebei were small and the differences within regions were significantly larger than those between regions. The efficiency gap between different cities showed a fluctuating upward trend. The range reached a level of 0.89 by 2013. Although it decreased thereafter, the range reached 0.86 again by 2016. The technological efficiency and technological progress of eight cities, namely Qinhuangdao, Chengde, Langfang, Hengshui, Shijiazhuang, Baoding, Xingtai, and Handan, contributed to the improvement of agricultural carbon emissions efficiency. The improvement in emission efficiency in three cities, namely Tangshan, Zhangjiakou, and Cangzhou, primarily relied on technological progress. The technical efficiency index and technical progress index of agriculture in the province grew at average annual rates of 1% and 13%, respectively. Technological progress was the main factor in improving the efficiency of agricultural carbon emissions in Hebei Province. However, comprehensive agricultural environmental management still needs to be enhanced. The development level of rural economic, urbanization rate, effective irrigation rate, and education level of labor force were significant drivers for improving agricultural carbon emission efficiency. The structure of agricultural industrialization and fertilizer application intensity had significant negative effects on agricultural carbon emissions efficiency.
-
科学技术进步、全球工业化迅速发展以及世界人口膨胀, 造成生态环境遭受严重破坏, 二氧化碳排放量的增加导致了温室效应愈发显著[1]。中国积极参与全球碳减排行动, 于2020年宣布力争在2030年前实现碳达峰, 在2060年前实现碳中和。农业作为仅次于工业的第二大碳排放源, 占据了全球人为碳排放量的23%[2]。中国作为农业大国, 农业碳排放量约占全国温室气体排放总量的16%~17%[3], 并以每年5%的速度增长[4], 已成为不容忽视的重要碳排放源。《“十四五”全国绿色农业发展规划》中明确指出, 要贯彻农业绿色发展理念, 控制农业碳排放水平, 以促进“双碳”目标的实现[5]。因此, 在“双碳”背景下, 推动农业生产由“高碳密集型”向“绿色低碳型”转变, 已成为农业可持续和高质量发展的必由之路。
回顾现有文献, 早期学者主要偏重于农业碳排放量的测算, 随着研究的不断深入, 农业碳源的确定逐渐完善, 畜禽养殖[6]、水稻(Oryza sativa)种植[7]和农业薄膜[8]等也被纳入测算范围, 形成以土地利用[9]、畜禽养殖[6]、农作物种植[10]、秸秆焚烧[11]和农用能源消耗[12] 5个维度为基础的农业碳排放量测算指标体系。总体上, 目前农业碳排放量的测算方法已经趋于成熟[13]。崔永福等[14]基于化肥、农药、农用塑料薄膜、农用柴油、土地翻耕和农业灌溉6个碳源, 对河北省2014—2020年118个县农业碳排放量进行测算, 发现农业碳排放量与农业碳排放强度的空间分布规律存在一定差异, 但两者近两年均明显下降。周一凡等[15]从土地管理、肠道发酵、禽畜粪便和水稻种植4个方面构建农业碳排放测算体系, 基于空间计量方法, 测算了2009—2019年河北省168个县农业碳排放量, 发现河北省农业碳排放整体呈下降趋势, 农业产业结构、机械化程度、化肥施用强度、农村能源消费和农民收入对农业碳排放具有正向影响, 城镇化率则相反。
而后, 学者们开始聚焦于农业碳排放效率及驱动因素, 从研究尺度来看, 国域[16-17]、省域[18]和县域[15]均有所涉及。吴昊玥等[19]在农业全要素框架基础上, 利用GB-US-SBM模型[考虑非期望产出的全局超效率数据包络模型(SBM)], 测算了2000—2019年中国省域尺度农业碳排放效率, 并基于空间杜宾模型研究了其影响因素和溢出效应, 发现中国农业总体上具有较大减排潜力, 不同省份间的排放效率差异显著, 且存在正向空间溢出效应。吴贤荣等[20]通过构建含有期望产出与非期望产出的Data Envelopment Analysis-Malmquis (DEA-Malmquist)效率指数, 对2000—2011年中国省域尺度的农业碳排放效率变动趋势进行了测度, 结果表明, 农业碳排放效率变动存在省域差异, 农业产业结构和耕地面积构成对农业碳排放效率具有显著负向作用, 对外开放程度和劳动力文化水平具有显著正向作用。田云等[21]利用DEA-Malmquist分解法对湖北省农业碳排放效率的时空差异进行了研究, 发现湖北省农业碳排放效率总体呈上升状态, 各市农业碳排放效率存在较大差异, 且农业碳排放效率的提升更多地依赖于前沿技术进步。尚杰等[22]利用带有非期望产出的SBM模型对2010—2019年中国省域尺度农业碳排放效率进行了测度, 发现研究期间中国31个省农业碳排放效率得到较快提升, 但是仍具有一定改进空间。杨雪婷[23]借助超效率模型对河北省2000—2020年农业碳排放效率进行测算, 发现静态维度下农业碳排放效率以0.0265速率波动上升, 动态维度下技术进步对农业生产效率的影响大于技术效率。
针对农业碳排放效率的影响因素, 现有研究多基于面板Tobit模型[20]、空间计量方法[15]及回归模型[24-25]探究影响农业碳排放效率的因素, 发现机械化水平[19]、劳动力文化水平[20]、城镇化水平[21]、农业发展水平[26-27]、农业产业结构[6,28]和化肥施用强度[15]等是影响农业碳排放效率的重要因素。
河北省是农业大省, 农产品产量在全国占有重要地位, 且目前面临碳排放总量和碳排放强度双高的双重压力[29]。鉴于此, 本文基于2010—2022年农业生产面板数据, 利用带有非期望产出的Super-SBM (Super-Efficiency Slack-Based Measure)模型对河北省农业碳排放效率进行测算, 并基于Global-Malmquist-Luenberger (GML)指数和泰尔指数对其时空分异特征进行分析, 同时利用面板Tobit模型探究影响农业碳排放效率的因素, 为河北省实现低碳农业生产提供针对性的对策建议, 也为其他地区的低碳农业发展提供参考。本文的边际贡献可能在于: 1)通过分析河北省农业碳排放效率的变化特征并对效率指数进行分解, 能够更准确地分析河北省农业真实的发展情况, 评估河北省农业生产单位经济产出下的环境压力, 提高研究结论的现实指导意义。2)将河北省划分为冀东、冀北、冀中和冀南4大区域, 实现了不同区域间农业碳排放效率的横向和纵向比较。3)在现有对河北省农业碳排放量测算体系上, 纳入了农地N2O排放以及包括马、驴、骡和家禽在内的畜禽养殖碳排放, 测算体系更加全面, 提高了测算结果的准确性。
1. 研究方法与数据来源
1.1 农业碳排放效率的测度
1.1.1 农业碳排放量测算
依据前人研究成果[15], 并参考联合国政府间气候变化专门委员会(IPCC)、美国橡树岭国家实验室以及中国省级温室气体清单编制指南提供的方法, 对农业碳排放量进行测算。参考李波等[30]对农业碳源的界定以及河北省农业生产的实际情况[14], 选取土地利用、农地N2O排放、肠道发酵和粪便管理4个直接或间接的碳排放源构建测算框架(表1), 估算河北省11个地级市的农业碳排放量, 具体公式如下:
表 1 农业碳排放源与碳排放系数Table 1. Agricultural carbon emission sources and carbon emission coefficients类别
Category碳排放源
Sources of carbon emissions碳排放系数
Carbon emission coefficient参考来源
Reference sources土地利用
Land use农用塑料薄膜
Plastic film used in agriculture5180 kg(CO2)∙t−1 南京农业大学农业资源与生态环境研究所
Institute of Agricultural Resources and Ecological Environment, Nanjing Agricultural University农用机械
Agricultural machinery0.18 kg(CO2)∙kW−1 联合国政府间气候变化专门委员会
Intergovernmental Panel on Climate Change农用化肥
Chemical fertilizer895.6 kg(CO2)∙t−1 美国橡树岭国家实验室
Oak Ridge National Laboratory, USA农药 Pesticides 4934.1 kg(CO2)∙t−1 美国橡树岭国家实验室
Oak Ridge National Laboratory, USA灌溉 Irrigation 266.48 kg(CO2)∙hm−2 [31] 土地翻耕
Soil ploughing312.6 kg(CO2)∙hm−2 中国农业大学农学与生物技术学院
College of Agronomy and Biotechnology, China Agricultural University农地N2O排放
N2O emissions from agricultural land玉米 Maize 见此表注释
See the table notes[32-33] 大豆 Soybean [32-33] 蔬菜 Vegetable [32-33] 肠道发酵
Enteric fermentation
(CH4)牛 Cattle 80.64 kg(CH4)∙head−1∙a−1 中国省级温室气体清单编制指南
Guidelines for the Preparation of Provincial Greenhouse Gas猪 Pig 1 kg(CH4)∙head−1∙a−1 羊 Sheep 8.23 kg(CH4)∙head−1∙a−1 马 Horse 18 kg(CH4)∙head−1∙a−1 驴 Donkey 10 kg(CH4)∙head−1∙a−1 骡 Mule 10 kg(CH4)∙head−1∙a−1 家禽 Poultry — 粪便管理
Manure management
(CH4, N2O)牛 Cattle 5.14 kg(CH4)∙head−1∙a−1
1.29 kg(N2O)∙head−1∙a−1中国省级温室气体清单编制指南
Guidelines for the Preparation of Provincial Greenhouse Gas猪 Pig 3.12 kg(CH4)∙head−1∙a−1
0.093 kg(N2O)head−1∙a−1羊 Sheep 0.16 kg(CH4)∙head−1∙a−1
0.227 kg(N2O)∙head−1∙a−1马 Horse 1.64 kg(CH4)∙head−1∙a−1
0.33 kg(N2O)∙head−1∙a−1驴 Donkey 0.90 kg(CH4)∙head−1∙a−1
0.188 kg(N2O)∙head−1∙a−1骡 Mule 0.90 kg(CH4)∙head−1∙a−1
0.188 kg(N2O)∙head−1∙a−1家禽 Poultry 0.02 kg(CH4)∙head−1∙a−1
0.007 kg(N2O)∙head−1∙a−1农地N2O排放包括玉米(Zea mays)、大豆(Glycine mas)和蔬菜种植N2O排放以及秸秆还田N2O排放, 种植N2O排放测算涉及本底N2O排放和肥料N2O排放, 具体排放系数参考文献[32]。秸秆还田N2O排放需要根据作物的干重比、经济系数、根冠比和秸秆/根茬含氮率进行计算, 各类作物参数参考文献[33]。Agricultural N2O emissions include N2O emissions from maize, soybean, and vegetable cultivation as well as from straw returning to the soil. The calculation of cultivation N2O emissions involves the background N2O emission and fertilizer N2O emission, with specific emission coefficients referring to reference [32]. Calculation of N2O emission from straw returning to the soil is based on the dry weight ratio of crops, economic coefficient, root-shoot ratio, and nitrogen content of straw / root residues, with crop parameters referring to reference [33]. $$ T{\text{ = }}\displaystyle\sum\nolimits_{i = 1}^n {{T_i}} = \displaystyle\sum\nolimits_{j = 1}^m {({E_i} \times {\theta _{ij}} \times {\text{GW}}{{\text{P}}_j})} $$ (1) 式中: T为农业碳排放总量, Ti为第i个碳排放源的碳排放量, n为碳排放源个数, Ei为第i类生产活动中碳排放源的数量, θi j为第i个碳排放源第j种温室气体的排放系数, GWPj为第j种温室气体的增温趋势, m为温室气体类型的个数。结合《京都议定书》以及周一凡等[15]的研究方法, 以二氧化碳的100年全球变暖潜力值(GWP)为基准, 1 t甲烷(CH4)产生的温室效应相当于排放21 t二氧化碳(CO2), 1 t氧化亚氮(N2O)产生的温室效应相当于排放310 t CO2, 将CH4和N2O两种温室气体统一折算为标准碳。碳排放量单位为二氧化碳当量(CO2-eq)。
1.1.2 包含非期望产出的Super-SBM模型及变量选取
农业生产过程中既会产生经济效益这一期望产出, 也会产生碳排放这一非期望产出。由于Tone[34]并没有给出带有非期望产出的Super-SBM模型公式, 本文参考成刚[35]和前人的研究方法[22,36], 在Tone[34]的基础上, 使用带有非期望产出的Super-SBM模型评估DMU(x0, y0, z0), 如式(2)所示:
$$ \begin{gathered} \rho = \min \frac{{1 + \dfrac{1}{m}\displaystyle\sum\nolimits_{i = 1}^m {\dfrac{{s_i^x}}{{{x_{i0}}}}} }}{{1 - \dfrac{1}{{{s_1} + {s_2}}}\left(\displaystyle\sum\nolimits_{k = 1}^{{s_1}} {\dfrac{{s_k^y}}{{{y_{k0}}}} + } \displaystyle\sum\nolimits_{l = 1}^{{s_2}} {\frac{{s_l^z}}{{{z_{l0}}}}} \right)}} \\ s.t.\left\{ \begin{gathered} {x_{i0}} \geqslant \sum\limits_{j = 1, \ne 0}^n {{\lambda _j}{x_j} - s_i^x} ,\forall i \\ {y_{k0}} \leqslant \sum\limits_{j = 1, \ne 0}^n {{\lambda _j}{y_j}} + s_k^y,\forall k \\ {z_{l0}} \geqslant \sum\limits_{j = 1, \ne 0}^n {{\lambda _j}{z_j}} - s_l^z,\forall l \\ 1 - \frac{1}{{{s_1} + {s_2}}}\left(\sum\limits_{k = 1}^{{s_1}} {\frac{{s_k^y}}{{{y_{k0}}}} + } \displaystyle\sum\limits_{l = 1}^{{s_2}} {\frac{{s_l^z}}{{{y_{l0}}}}} \right) > 0 \\ \end{gathered} \right. \\ s_i^x \geqslant 0,s_k^y \geqslant 0,s_l^z \geqslant 0,{\lambda _j} \geqslant 0,\forall i,j,k,l \\ \end{gathered} $$ (2) 式中: ρ为河北省农业碳排放效率, 当该值≥1时, 表明达到了最佳前沿面; n为总体决策单元数(DMU); m、s1和s2分别为投入、期望产出和非期望产出的变量个数; six∈Rm和slz∈Rs2分别为投入和非期望产出的过剩量; sky∈Rs1为期望产出的短缺量; x为农业碳排放效率投入变量; y为期望产出; z为非期望产出; i、j、k和l为决策单元代码; λ为权重向量。此式满足规模报酬不变的假设。
借鉴吴昊玥等[19]的研究方法, 构建河北省农业碳排放效率测算指标体系(表2)。
表 2 河北省农业投入、产出指标描述性统计分析表Table 2. Descriptive statistical analysis of agricultural input and output indicators of Hebei Province指标类型
Type of indicator指标
Indicator极小值
Minimal value极大值
Maximum value均值
Mean标准差
Standard deviation投入指标
Input indicator农用塑料薄膜使用量
Amount of plastic film used in agriculture
(×104 t)0.38 2.03 1.10 0.44 农用机械总动力
Total power of agricultural machinery
(×106 kW)1.73 22.22 8.31 4.65 农用化肥施用量
Amount of chemical fertilizer applied
(×105 t)2.35 19.34 8.78 4.83 农药使用量
Pesticide use (×104 t)0.11 1.78 0.67 0.38 有效灌溉面积
Effective irrigated area (×105 hm2)0.87 7.32 4.06 1.78 土地翻耕
Soil ploughing (×106 hm2)0.19 1.38 0.78 0.30 玉米 Maize (×105 hm2) 0.82 5.29 3.04 1.24 大豆 Soybean (×104 hm2) 0.24 3.63 0.99 0.73 蔬菜 Vegetable (×105 hm2) 0.32 1.98 0.9 0.4 牛 Cattle (×103 head) 1.09 8.40 4.25 2.15 猪 Pig (×104 head) 0.42 4.74 2.07 1.07 羊 Sheep (×104 head) 0.66 3.61 1.41 0.71 马 Horse (×102 head) 0.02 5.99 1.07 1.33 驴 Donkey (×103 head) 0.03 1.01 0.3 0.25 骡 Mule (×102 head) 0 7.19 1.06 1.58 家禽 Poultry (×106 head) 0.13 2.03 0.43 0.31 产出指标
Output indicator期望产出
Expected output农业生产总值
Gross agricultural product (×1010 ¥)0.82 5.45 2.92 1.10 非期望产出
Unexpected output二氧化碳排放量
Carbon dioxide emissions
[×109 kg(CO2-eq)]1.01 6.05 3.11 1.12 数据来源: 《河北统计年鉴》和《河北农村统计年鉴》。Source of data: Hebei Statistical Yearbook and Hebei Rural Statistical Yearbook. 1.1.3 泰尔指数
泰尔指数用于衡量地区之间的不平等度。该指数将总体差异分解为组内及组间差异, 可反映差异大小及来源, 因此该指标被用于区域差异研究。具体公式如下:
$$ T=\frac{1}{n}\sum\limits_i^n\frac{Z_i}{u}\times\ln\frac{Z_i}{u} $$ (3) $$ T = {T_{\text{w}}} + {T_{\text{b}}} $$ (4) $$ T_{\text{w}}=\sum\limits_{k=1}^m\frac{n_k}{n}\times\frac{u_k}{u}\times T_k $$ (5) $$ T_{\text{b}}=\sum\limits_{k=1}^m\frac{n_k}{n}\times\frac{u_k}{u}\times\ln\frac{u_k}{u} $$ (6) 式中: T为整体泰尔指数; n为地级市数量; Zi为效率从低到高排序后第i个地级市的农业碳排放效率值; u为所有地级市农业碳排放效率的平均值; Tw为组内差异; Tb为组间差异; m为组数; uk为第k组地级市农业碳排放效率的平均值; nk为第k组地级市的个数; Tk为第k组地级市的泰尔指数值。泰尔指数(T、Tw、Tb和Tk)的取值为0~1, 数值越大表示农业碳排放效率差异越大。
1.1.4 Global-Malmquist-Luenberger指数分解
参考赵桂梅等[37]的成果, 采用Global Malmquist-Luenberger (GML)指数分解法, 定量分析河北省农业碳排放效率, 并将GML指数分解为技术效率变化(EC)指数和技术进步变化(TC)指数, 进一步分析驱动农业碳排放效率变化的内在因素。具体公式如下:
$$ \begin{split} & \qquad\text{GM}\text{L}_k(t,s)=\frac{\text{1}+D^G(x_k^t,y_k^{gt},y_k^{bt};y_k^{gt},-y_k^{bt})}{\text{1}+D^G(x_k^s,y_k^{gs},y_k^{bs};y_k^{gs},-y_k^{bs})}= \\ & \frac{\text{1}+D^t(x_k^t,y_k^{gt},y_k^{bt};y_k^{gt},-y_k^{bt})}{\text{1}+D^s(x_k^s,y_k^{gs},y_k^{bs};y_k^{gs},-y_k^{bs})}\times\frac{\text{1}+D^G(x_k^t,y_k^{gt},y_k^{bt};y_k^{gt},-y_k^{bt})}{\text{1}+D^t(x_k^t,y_k^{gt},y_k^{bt};y_k^{gt},-y_k^{bt})}\times \\ & \frac{\text{1}+D^s(x_k^s,y_k^{gs},y_k^{bs};y_k^{gs},-y_k^{bs})}{\text{1}+D^G(x_k^s,y_k^{gs},y_k^{bs};y_k^{gs},-y_k^{bs})}=\text{E}\text{C}_k(t,s)\times\text{T}\text{C}_k(t,s)\end{split} $$ (7) 式中: GMLk(t, s)为第k个决策单元从t时期到s时期全局要素生产率变化,
$ {D^G}(x_k^t,y_k^{gt},y_k^{bt};y_k^{gt}, - y_k^{bt}) $ 和$ {D^G}(x_k^s,y_k^{gs},y_k^{bs};y_k^{gs}, - y_k^{bs}) $ 分别为第k个决策单元在t时期和s时期的全局方向距离函数,$ {D^t}(x_k^t,y_k^{gt},y_k^{bt};y_k^{gt}, - y_k^{bt}) $ 和$ {D^s}(x_k^s,y_k^{gs},y_k^{bs};y_k^{gs}, - y_k^{bs}) $ 分别为第k个决策单元在t时期和s时期的当前方向距离函数,$ {x}_{k}、{y}_{k}^{g}、{y}_{k}^{b} $ 分别为投入、期望产出和非期望产出, ECk(t,s)为第k个决策单元从t时期到s时期的技术效率变化, TCk(t,s)为第k个决策单元从t时期到s时期的技术进步水平变化。GMLk(t,s)>1表示决策单元的全要素生产率提升, 单位总投入对应的总产出提高, 农业碳排放效率提升。ECk(t,s)>1表示决策单元的技术效率提升, 各资源要素间协调性增强, 促使既有技术水平发挥更大效用, 对农业碳排放利用效率提升起到促进作用。TCk(t,s)>1表示决策单元的技术水平提升, 以同样的投入组合获得更多产出, 有助于农业碳排放效率提升。
1.2 农业碳排放效率影响因素识别及模型构建
1.2.1 农业碳排放效率影响因素识别
农业碳排放效率的影响因素众多, 现有研究主要从经济、技术、人口和环境等方面考量影响农业碳排放效率的因素[15]。借鉴现有研究成果[38-39]以及市级面板数据的可得性, 本文最终从经济规模(农村经济发展水平和城镇化率)、产业结构(农业产业化结构)、技术水平(农业机械化程度和有效灌溉率)、劳动力素质(劳动力文化水平)和资源利用(化肥施用强度) 5个方面考察, 变量具体情况如表3所示。
表 3 河北省影响农业碳排放效率的变量定义及描述性统计分析Table 3. Definition and descriptive statistical analysis of variables impacting agricultural carbon emission efficiency in Hebei Province变量
Variable符号
Symbol解释
Explanation均值
Mean标准差
Standard deviation经济规模
Economic scale农村经济发展水平
Development level of rural economicEco 农村居民人均收入
Income of rural residents per capita (¥)12 034.49 4619.37 城镇化率
Urbanization rateUrb 城镇人口/总人口
Urban population / total population0.53 0.07 产业结构
Industrial structure农业产业化结构
Structure of agricultural industrializationStr 种植业和畜牧业产值之和/农业总产值
Sum of output value of planting and animal husbandry / total agricultural output value0.89 0.07 技术水平
Technical level农业机械化程度
Degree of agricultural mechanizationMac 机耕面积/农作物播种面积
Machine cultivated area / crop sown area0.74 0.16 有效灌溉率
Effective irrigation rateIrr 有效灌溉面积/耕地面积
Effective irrigation area / cultivated area0.52 0.09 劳动力素质
Labor force quality劳动力文化水平
Educational level of labor forceCul 农村劳动力高中以上学历人口比重
Proportion of the rural labor force with a high school education or above0.26 0.04 资源利用
Resource utilization化肥施用强度
Fertilizer application intensityFer 化肥施用量/农作物播种面积
Fertilizer application amount / crop sown area (t∙hm−2)0.39 0.13 农村经济发展水平(Eco)。农村经济发展水平的提高会加快农业生产向机械化、现代化的转变, 由此导致能源消耗增加, 造成农业碳排放量增加, 影响农业碳排放效率。
城镇化率(Urb)。随着城镇化率的提高, 农业生产中的过剩劳动力会由农村向城市流动, 进入第二产业或第三产业, 有利于农业生产规模化和集约化程度的提高, 产生规模效应, 使农业生产总值提高, 单位农业产出对应的碳排放量降低, 碳排放效率提高。
农业产业化结构(Str)。农业由种植业、林业、畜牧业和渔业4个部分组成, 不同产业的碳排放量存在显著差异。一般而言, 相较于林业和渔业, 种植业和畜牧业对农用物资的需求程度更高, 碳排放量也越高, 从而影响碳排放效率。
农业机械化程度(Mac)。农业机械化程度的提高意味着农业能源消耗量的增加, 进而导致更多的碳排放量, 不利于碳排放效率的提高。
有效灌溉率(Irr)。不同灌溉模式下农业水能消耗存在差异, 碳排放量也不同。相较于大水漫灌, 采用微喷灌和滴灌等节水灌溉方式可以降低农业生产中的能源消耗, 最终影响农业碳排放效率。
劳动力文化水平(Cul)。文化水平高的农户对于先进的农业生产方式具有更高的接受程度, 能够将其更好地应用于农业生产实践, 在有效增加农业产值的同时降低农业碳排放量, 提高农业碳排放效率。
化肥施用强度(Fer)。农业生产离不开化肥的大量投入与消耗, 通过高投入达到高产出的目的, 导致碳排放量较高, 相较于农业碳排放量, 农业生产总值增长较慢, 最终影响农业碳排放效率。
1.2.2 Tobit模型构建
为分析影响河北省农业碳排放效率的因素, 将农业碳排放效率作为被解释变量。Super-SBM模型测算效率值具有显著的受限性, 采用一般回归会导致参数估计有偏和不一致, 因此, 本文采用受限变量模型中的Tobit模型, 模型具体形式为:
$$ \begin{gathered} Y_i^* = {X_i} \times \delta + {\varepsilon _i} \\ \left\{ \begin{gathered} {y_i} = Y_i^*{,_{}}{\;\;{{\mathrm{if}}}\;\; _{}}{}_{}Y_i^* > 0 \\ {y_i} = {\text{0}}{,_{}}\;\; {\text{i}}{{\text{f}}\;\; _{}}_{}Y_i^* \leqslant 0 \\ \end{gathered} \right. \\ \end{gathered} $$ (8) 式中: Yi为潜变量, yi为被解释变量, Xi为解释变量向量,
$ \delta $ 为相关系数向量,$ {\varepsilon }_{i} $ 为随机扰动项。对于固定效应Tobit模型, 由于找不到个体异质性μi的充分统计量, 故无法进行条件最大似然估计, 因此本文不考虑固定效应Tobit模型。以农业碳排放效率为被解释变量, 分别使用面混合效应和随机效应两种模型进行估计, 对农业碳排放效率影响因素Tobit基准模型设定如下[19-20]:$$ \begin{split} &\qquad {\text{Carbonef}}{{\text{f}}_{it}} = C + {\beta _{\text{1}}} \times {\text{ln(Eco}}_i^t{\text{) + }}{\beta _{\text{2}}} \times {\text{Urb}}_i^t{\text{ + }}{\beta _{\text{3}}} \times\\ & {\text{Str}}_i^t{\text{ + }}{\beta _{\text{4}}} \times {\text{Mac}}_i^t{\text{ + }} {\beta _{\text{5}}} \times {\text{Irr}}_i^t{\text{ + }}{\beta _{\text{6}}} \times {\text{Cul}}_i^t + {\beta _{\text{7}}} \times {\text{Fer}}_i^t + {\varepsilon _{it}} \end{split} $$ (9) 式中: Carboneffit为农业碳排放效率, i为地级市, t为年份, C为常数项, β1、β2、β3、β4、β5、β6和β7为各自变量的待估计参数, ε为随机扰动项。
1.3 数据来源
本文分析所用的河北省11个地级市2010—2022年的数据均来源于《河北统计年鉴》和《河北农村统计年鉴》。缺失值采用移动平均法和二次插值法补全。
2. 结果与分析
2.1 河北省农业碳排放效率变化特征
按照冀东、冀北、冀中和冀南4个区域, 对各区域的农业碳排放效率平均值进行计算, 其中, 冀东包括秦皇岛市和唐山市, 冀北包括张家口市和承德市, 冀中包括保定市、石家庄市、沧州市、廊坊市和衡水市, 冀南包括邯郸市、邢台市。各地级市及4个区域的农业碳排放效率值如表4所示。考虑到DEA测算的结果是“相对效率”, 本文测算结果仅考量河北省各地级市农业碳排放效率水平的相对高低, 如果将样本数据纳入全国, 则测算结果可能会有所不同。
表 4 2010—2022年河北省各区域和地级市农业碳排放效率Table 4. Agricultural carbon emission efficiency of each region and prefecture-level city in Hebei Province from 2010 to 2022区域 Region 城市 City 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 冀东
Eastern Hebei秦皇岛
Qinhuangdao0.25 0.32 0.34 0.38 0.45 0.45 0.54 0.62 0.69 0.77 0.80 0.90 1.07 唐山
Tangshan0.40 0.58 0.77 1.17 0.97 0.98 1.18 0.75 0.85 1.02 1.18 1.19 1.19 冀北
Northern Hebei张家口
Zhangjiakou0.24 0.29 0.30 0.33 0.53 0.41 0.49 0.38 0.38 0.55 0.57 0.64 0.66 承德
Chengde0.20 0.24 0.28 0.35 0.39 0.39 0.50 0.49 0.56 0.65 0.70 0.83 1.13 冀中
Central Hebei石家庄
Shijiazhuang0.35 0.49 0.55 0.64 0.72 0.77 0.85 0.50 0.68 0.90 0.88 1.18 1.20 保定
Baoding0.30 0.35 0.37 0.43 0.60 0.42 0.63 0.44 0.57 0.77 1.05 0.90 1.09 沧州
Cangzhou0.24 0.28 0.32 0.36 0.40 0.39 0.38 0.49 0.41 0.43 0.44 0.45 0.51 廊坊
Langfang0.29 0.35 0.36 0.40 0.46 0.46 0.57 0.63 0.75 1.06 0.96 1.05 1.01 衡水
Hengshui0.18 0.25 0.26 0.28 0.36 0.31 0.32 0.38 0.40 0.53 0.52 0.58 0.67 冀南
Southern Hebei邯郸
Handan0.24 0.33 0.35 0.40 0.43 0.42 0.41 0.36 0.42 0.47 0.51 0.61 1.04 邢台
Xingtai0.26 0.33 0.37 0.40 0.42 0.45 0.45 0.52 0.76 1.07 0.81 0.84 1.10 冀东 Eastern Hebei 0.32 0.45 0.56 0.78 0.71 0.72 0.86 0.69 0.77 0.89 0.99 1.05 1.13 冀北 Northern Hebei 0.22 0.26 0.29 0.34 0.46 0.40 0.49 0.43 0.47 0.60 0.63 0.73 0.89 冀中 Central Hebei 0.27 0.34 0.38 0.42 0.51 0.47 0.55 0.49 0.56 0.74 0.77 0.83 0.90 冀南 Southern Hebei 0.25 0.33 0.36 0.40 0.42 0.43 0.43 0.44 0.59 0.77 0.66 0.73 1.07 全省 Whole province 0.27 0.35 0.39 0.47 0.52 0.50 0.57 0.51 0.59 0.75 0.77 0.83 0.97 极差 Range 0.22 0.34 0.51 0.89 0.61 0.67 0.86 0.39 0.47 0.64 0.74 0.74 0.69 从整体看, 全省农业碳排放效率值在2010—2022年处于波动上升状态, 2022年比2010年大幅度上升, 农业碳排放效率均值为0.97, 处于偏上的效率水平, 即全省农业碳排放效率未达到有效状态, 距离效率前沿面仍然具有3%的提升空间。
从各区域看(表4), 2010年农业碳排放效率值排名为冀北<冀南<冀中<冀东, 2022年农业碳排放效率值排名有所变化, 具体排名为冀北<冀中<冀南<冀东。研究期内, 各区域农业碳排放效率值均呈现出波动上升的趋势, 其中, 冀南地区的农业碳排放效率值提升幅度最为显著, 从2010年的0.25提升到2022年的1.07; 冀东、冀北和冀中地区也有一定提升, 分别从2010年的0.32、0.22和0.27提升到2022年的1.13、0.89和0.90。区域地理位置的差异未对4大区域的农业碳排放效率差异产生显著影响, 控制地域内部差异是河北省农业碳排放效率提升的重点。
从表4可以看出, 各地级市之间农业碳排放效率水平差异显著, 极差呈现出波动上升的趋势, 到2013年极差已达到0.89, 之后虽然有所下降, 但到2016年极差又达到0.86。截止到2022年, 农业碳排放效率值达到有效状态(效率值≥1)的包括秦皇岛市、唐山市、承德市、石家庄市、保定市、廊坊市、邯郸市和邢台市, 均处于碳排放效率的生产前沿面上, 达到相对最优的水平。未达到有效状态的地级市按效率值降序为: 衡水市(0.67)、张家口市(0.66)和沧州市(0.51)。与2010年相比, 各地级市的农业碳排放效率提升幅度均较大, 其中, 承德市的效率值由2010年的0.20提升至2022年的1.13, 提升幅度最大; 秦皇岛市、唐山市、石家庄市、保定市、廊坊市、邯郸市和邢台市农业碳排放效率提升幅度分别为0.82、0.79、0.85、0.79、0.72、0.80和0.84, 提升幅度相对较大; 张家口市、衡水市和沧州市的提升幅度分别为0.42、0.49和0.27, 提升幅度较低, 表明这些地级市距离生产前沿面相差较远, 农业生产改进空间较大。
为进一步识别河北省农业碳排放效率的地区差异, 采用泰尔指数, 按照冀东、冀北、冀中和冀南4个区域, 对地区内部差异和地区间差异进行分析, 结果如表5所示。
表 5 2010—2022年河北省农业碳排放效率地区差异分解结果Table 5. Decomposition results of regional differences in agricultural carbon emission efficiency in Hebei Province from 2010 to 2022年度
Year总体差距
Overall gap地区内部差距 Intra-regional gap 地区之间差距 Regional gap 数值
Value贡献率
Contribution rate (%)数值
Value贡献率
Contribution rate (%)2010 0.025 0.018 69.36 0.008 30.64 2011 0.037 0.024 62.91 0.014 37.09 2012 0.057 0.035 60.69 0.022 39.31 2013 0.101 0.056 55.76 0.045 44.24 2014 0.050 0.034 69.09 0.015 30.91 2015 0.062 0.041 65.00 0.022 35.00 2016 0.073 0.045 61.80 0.028 38.20 2017 0.025 0.011 44.27 0.014 55.73 2018 0.038 0.026 67.64 0.012 32.36 2019 0.048 0.041 84.99 0.007 15.01 2020 0.045 0.033 73.30 0.012 26.70 2021 0.040 0.032 79.02 0.008 20.98 2022 0.031 0.025 82.78 0.005 17.22 平均 Average 0.049 0.032 67.43 0.016 32.57 由表5结果可知, 河北省农业碳排放效率总体差距由2010年的0.025提升到2022年的0.031, 地区差距整体增大。从泰尔指数的分解结果来看(表5), 冀东、冀北、冀中和冀南4大区域之间存在差异但差距较小, 区域内部的差异更大。
2.2 河北省农业碳排放效率GML指数分解
为了进一步分析各地级市农业碳排放效率的动态变化, 采用GML生产率指数法, 对GML (全局要素生产率指数)及其分解项EC (技术效率变化指数)和TC (技术进步变化指数)进行分析, 结果如表6所示。
表 6 2010—2022年河北各地级市农业碳排放效率全局要素生产率指数均值及其分解指数均值Table 6. Average values of agricultural carbon emission efficiency Global Malmquist-Luenberger and its decomposition indexes by each prefecture-level city in Hebei Province from 2010 to 2022区域 Region 城市 City GML EC TC 冀东
Eastern Hebei秦皇岛 Qinhuangdao 1.13 1.07 1.11 唐山 Tangshan 1.12 0.98 1.07 冀北
Northern Hebei承德 Chengde 1.16 1.03 1.13 张家口 Zhangjiakou 1.11 0.99 1.15 冀中
Central Hebei廊坊 Langfang 1.12 1.01 1.11 沧州 Cangzhou 1.07 0.96 1.14 衡水 Hengshui 1.12 1.03 1.11 石家庄 Shijiazhuang 1.13 1.00 1.14 保定 Baoding 1.15 1.00 1.15 冀南
Southern Hebei邢台 Xingtai 1.14 1.00 1.14 邯郸 Handan 1.15 1.04 1.16 全省 Whole province 1.13 1.01 1.13 GML: 全局要素生产率指数; EC: 技术效率变化指数; TC: 技术进步变化指数。GML: Global-Malmquist-Luenberger index; EC: index of change in technical efficiency; TC: index of change in technological progress. 从表6可以看出, 2010—2022年全省农业GML指数几何平均值为1.13, 年均提升13%。2010—2022年各地级市的TC指数几何平均值为1.13, EC指数几何平均值为1.01, 全省农业的EC指数和TC指数分别以年均1%和13%的速度增长, 表明技术进步是河北省农业碳排放效率提升的主要因素。对比技术进步, 农业生产利用和环境治理的综合管理水平仍有较大提升空间。
秦皇岛市、承德市、廊坊市、衡水市、石家庄市、保定市、邢台市和邯郸市的EC指数几何平均值和TC指数几何平均值均≥1, 表明技术进步和管理改进对这些地区的农业碳排放效率提升均做出了重要贡献。唐山市、张家口市和沧州市的EC指数几何平均值<1, 但TC指数几何平均值>1, 说明技术进步提升的驱动作用超过了技术效率降低的抑制作用, 进而促进了这3个地级市农业碳排放效率的提升。
2.2.1 GML指数
由图1可以看出, 2011—2022年河北省农业GML指数整体上经历了先迅速下降后迅速上升的波动趋势。2011—2012年、2013—2014年、2015—2016年和2017—2018年GML指数呈下降趋势, 之后的2019—2020年和2021—2022年整体呈上升趋势。
![]()
图 1 2011—2022年河北省各地级市农业全局要素生产率指数(GML)变化趋势Figure 1. Changes in agricultural Global-Malmquist-Luenberger (GML) index of each prefecture-level city of Hebei Province from 2011 to 20222.2.2 EC指数
由图2可以看出, 2011—2022年河北省农业的EC指数整体上呈波动变化趋势, 经历了缓慢上升—缓慢下降—缓慢上升的变化历程。从各地级市看, 保定市与全省的变化趋势较为一致; 邯郸市呈先缓慢下降后缓慢上升的变化趋势; 张家口市经历了缓慢上升—缓慢下降—迅速上升—缓慢下降4个变化阶段; 沧州市经历了缓慢上升—迅速下降—缓慢上升3个变化阶段; 衡水市经历了迅速上升—迅速下降—迅速上升—缓慢下降4个变化阶段, 波动幅度较大; 邢台市、石家庄市、秦皇岛市、廊坊市、唐山市和承德市在小范围内上下波动, 变化幅度较为平缓。
![]()
图 2 2011—2022年河北省各地级市农业技术效率指数(EC)变化趋势Figure 2. Changes of agricultural technical efficiency index (EC) of each prefecture-level city of Hebei Province from 2011 to 20222.2.3 TC指数
由图3可以看出, 2011—2022年各地级市TC指数整体呈波动变化趋势, 不同地级市的变化趋势差异较大, 秦皇岛市的TC指数呈现出先迅速下降再缓慢上升的变化趋势; 唐山市的TC指数波动幅度较大, 但整体上呈下降趋势; 衡水市呈现出先迅速下降再缓慢上升的变化趋势; 石家庄市呈现出先缓慢下降再逐渐上升的变化趋势; 沧州市和邯郸市经历了缓慢下降—迅速上升—迅速下降3个变化阶段; 保定市的TC指数整体上呈下降趋势, 波动幅度较大; 邢台市的TC指数在2017—2018年迅速上升, 其他年份变化较为平稳; 承德市、张家口市、廊坊市在小范围内上下波动, 变化幅度较为平缓。
![]()
图 3 2011—2022年河北省各地级市农业技术进步指数(TC)变化趋势Figure 3. Changes in agricultural technological progress index (TC) of each prefecture-level city of Hebei Province from 2011 to 20222.3 河北省农业碳排放效率的影响因素
模型基准回归结果如表7所示, 根据面板平衡数据检验结果, LR检验拒绝了面板Tobit随机效应和面板Tobit混合效应无差异的估计结果, 表明存在个体效应, 因此, 最终选取面板随机效应Tobit模型作为分析农业碳排放效率影响因素的具体模型形式。
表 7 河北省农业碳排放效率影响因素回归结果Table 7. Regression results of factors influencing agricultural carbon emission efficiency in Hebei Province变量
Variable混合效应 Mixed effect 随机效应 Random effect 回归系数
Regression coefficient标准误差
Standard error回归系数
Regression coefficient标准误差
Standard error农村经济发展水平
Development level of rural economic0.294** 0.108 0.150* 0.087 城镇化率
Urbanization rate0.896 0.623 0.785* 0.409 农业产业化结构
Structure of agricultural industrialization−0.184** 0.086 −0.144** 0.070 农业机械化程度
Degree of agricultural mechanization0.318 0.238 0.037 0.221 有效灌溉率
Effective irrigation rate0.848* 0.487 0.669** 0.275 劳动力文化水平
Educational level of labor force0.217 0.205 0.423** 0.196 化肥施用强度
Fertilizer application intensity−0.380 0.312 −0.456* 0.256 常数 Constant −2.409*** 0.658 −1.289 0.893 方差 Variance 0.019*** 0.004 随机效应的标准差 Standard deviation of random effects (σu) 0.111*** 0.035 残差的标准差 Standard deviation of residuals (σe) 0.010*** 0.009 样本量 Sample size 143 143 *: P<10%; **: P<5%; ***: P<1%. 估计结果表明, 模型拟合优度良好。农村经济发展水平和城镇化率以10%的显著性水平通过检验, 有效灌溉率和劳动力文化水平以5%的显著性水平通过检验, 影响为正。目前河北省农业现代化建设已取得重大进展, 促进了农业技术和农业管理水平的进步, 提高了农业碳排放效率。城镇化率的提高直接导致了农业劳动力和农业用地规模的减少, 降低了农业生产的空间, 倒逼农业生产走上规模化和集约化的道路, 提高了农业碳排放效率。有效灌溉率的提高意味着农田水利技术和设施的进步, 进而有效提高碳排放效率。一方面, 灌溉过程中的能源消耗量降低, 从而减少了碳排放量; 另一方面, 先进的灌溉方式肥效快, 养分利用率更高, 有利于农作物达到水肥均衡, 并提高经济效益。文化水平高的农业劳动力对于低碳农业的认知程度更高, 环境保护意识更强, 因此更容易采取低碳生产行为, 进而提高农业碳排放效率。
农业产业化结构以5%的显著性水平通过检验, 化肥施用强度以10%的显著性水平通过检验, 且影响为负。种植业在生产过程中需要大量生产资料的投入, 畜牧业由于散养模式仍为其重要的饲养方式且粪便管理呈现出一定的无序化, 进而导致了大量碳排放。因此, 在既定产出规模约束下, 种植业和畜牧业产值之和占农业总产值比重的提升显然会导致碳排放量的边际递增, 进而导致碳排放效率下降。虽然化肥作为农业生产中的重要物质基础, 对于农业增产具有重要作用, 但从估计结果来看, 随着化肥施用强度的提高, 更多的温室气体向大气中排放, 经济效益小于环境代价, 从而导致农业碳排放效率降低。就河北省目前的情况来看, 推广使用有机肥和农作物秸秆还田, 是降低化肥施用强度, 减少碳排放, 提高碳排放效率的重要途径。
农业机械化程度未通过显著性检验。可能的原因是农业机械化水平的提高虽然对于促进农民增收具有重要作用, 但河北省目前的农业机械化程度已经处于较高水平, 提升空间较低, 对农业碳排放效率的影响也较小。
3. 讨论与结论
3.1 讨论
本文基于2010—2022年农业生产面板数据, 运用带有非期望产出的Super-SBM模型, 对河北省11个地级市农业碳排放效率进行测算, 并基于GML指数和泰尔指数对其时空分异特征进行了分析, 在此基础上, 利用面板Tobit模型对影响河北省农业碳排放效率的因素进行了分析。与现有省级层面研究相比, 本文在研究对象的选择上关注到了河北省这一农业大省的农业生产情况, 同时将河北省划分为4大区域, 实现了不同区域间的横向和纵向比较。与崔永福等[14]和周一凡等[15]对河北省农业碳排放的研究相比, 本文在关注农业碳排放量的同时, 进一步测算了农业碳排放效率, 既考虑到了经济效益这一期望产出, 又考虑到了农业生产过程中的非期望产出, 能够更加全面地了解河北省农业生产过程中的碳排放情况。本文为河北省农业生产提质增效和可持续发展提供了指导作用。
农业碳排放效率泰尔指数测算结果表明, 河北省4大区域内部间的差异要显著高于区域间的差异。对导致该差异的成因进行分析, 是后续研究需要拓展的方向。
3.2 结论
1) 2010—2022年, 河北省农业碳排放效率处于波动上升的状态, 2022年全省农业碳排放效率均值达到0.97, 总体处于偏上的效率水平, 距离效率前沿面仍然存在3%的提升空间。冀南地区农业碳排放效率值提升幅度最大, 涨幅为0.82。河北省农业碳排放效率泰尔指数由2010年的0.025提升到2022年的0.031, 且泰尔指数地区内部差距大于地区间差距, 说明冀东、冀中、冀北和冀南4大区域间的农业碳排放效率存在差异但差距较小, 区域内部差异要显著高于区域间差异。各地级市之间效率的极差呈波动上升趋势, 到2013年极差已达到0.89, 之后虽然有所下降, 但到2016年极差又达到0.86。
2)秦皇岛市、承德市、廊坊市、衡水市、石家庄市、保定市、邢台市和邯郸市的技术效率和技术进步均对农业碳排放效率的提升做出了贡献, 而唐山市、张家口市和沧州市农业碳排放效率的提升主要依赖于技术进步。全省农业的技术效率指数和技术进步指数分别以年均1%和13%的速度增长, 技术进步是河北省农业碳排放效率提升的主要因素, 农业环境治理的综合水平仍有待提升。
3)农村经济发展水平、城镇化率、有效灌溉率和劳动力文化水平对河北省农业碳排放效率具有显著正向效应。农业产业化结构和化肥施用强度对河北省农业碳排放效率具有显著负向效应。
基于以上结论, 本文提出如下对策建议:
1)推动农业技术创新, 构建绿色农业发展机制。大力推动农业新技术的应用, 构建现代化的农业发展格局。第一, 要持续推动化肥农药减量增效, 积极推广使用有机肥和生物农药等新型肥料, 同时落实农作物秸秆还田机制, 促进农业节本增效; 第二, 优化养殖结构, 开展规模化养殖, 推行种养结合的畜牧业养殖方式, 打造生态农业和循环农业; 第三, 推广农业节水技术, 加强农田水利基础设施建设, 采用滴灌和喷灌等精准灌溉方式, 提高水资源利用率。
2)优化农业产业结构, 提高农业生产效率。在确保粮食安全的前提下, 各地依托自身比较优势发展特色农业, 适度降低低产农作物种植比重, 推动农业由增量向增效方向转变。建立健全农作物休耕轮作机制, 协调好粮食作物、经济作物与饲料作物三者的种植比例, 构建种植业与畜牧业协调发展新格局。
3)加强农业技术培训, 提高农民低碳生产意识。加大农村地区教育设施建设, 加强对农民环保知识技能的培训力度, 引导农民形成绿色减排意识, 倡导低碳的农业生产方式。发挥农民合作社和家庭农场等新型农业经营主体的辐射带动作用, 通过农业适度规模化和集约化生产来优化农业投入, 降低碳排放压力。
4)加强对碳排放效率较低地区的扶持引导, 促进地区之间的交流合作。政府相关部门应重点加强对效率较低地区的政策和资金支持, 同时促进高效率地区和低效率地区之间的交流合作和技术传播, 协助低效率地区进行技术创新和产业结构优化, 进一步增强区域发展平衡。
-
![]()
图 1 2011—2022年河北省各地级市农业全局要素生产率指数(GML)变化趋势
Figure 1. Changes in agricultural Global-Malmquist-Luenberger (GML) index of each prefecture-level city of Hebei Province from 2011 to 2022
![]()
图 2 2011—2022年河北省各地级市农业技术效率指数(EC)变化趋势
Figure 2. Changes of agricultural technical efficiency index (EC) of each prefecture-level city of Hebei Province from 2011 to 2022
![]()
图 3 2011—2022年河北省各地级市农业技术进步指数(TC)变化趋势
Figure 3. Changes in agricultural technological progress index (TC) of each prefecture-level city of Hebei Province from 2011 to 2022
表 1 农业碳排放源与碳排放系数
Table 1 Agricultural carbon emission sources and carbon emission coefficients
类别
Category碳排放源
Sources of carbon emissions碳排放系数
Carbon emission coefficient参考来源
Reference sources土地利用
Land use农用塑料薄膜
Plastic film used in agriculture5180 kg(CO2)∙t−1 南京农业大学农业资源与生态环境研究所
Institute of Agricultural Resources and Ecological Environment, Nanjing Agricultural University农用机械
Agricultural machinery0.18 kg(CO2)∙kW−1 联合国政府间气候变化专门委员会
Intergovernmental Panel on Climate Change农用化肥
Chemical fertilizer895.6 kg(CO2)∙t−1 美国橡树岭国家实验室
Oak Ridge National Laboratory, USA农药 Pesticides 4934.1 kg(CO2)∙t−1 美国橡树岭国家实验室
Oak Ridge National Laboratory, USA灌溉 Irrigation 266.48 kg(CO2)∙hm−2 [31] 土地翻耕
Soil ploughing312.6 kg(CO2)∙hm−2 中国农业大学农学与生物技术学院
College of Agronomy and Biotechnology, China Agricultural University农地N2O排放
N2O emissions from agricultural land玉米 Maize 见此表注释
See the table notes[32-33] 大豆 Soybean [32-33] 蔬菜 Vegetable [32-33] 肠道发酵
Enteric fermentation
(CH4)牛 Cattle 80.64 kg(CH4)∙head−1∙a−1 中国省级温室气体清单编制指南
Guidelines for the Preparation of Provincial Greenhouse Gas猪 Pig 1 kg(CH4)∙head−1∙a−1 羊 Sheep 8.23 kg(CH4)∙head−1∙a−1 马 Horse 18 kg(CH4)∙head−1∙a−1 驴 Donkey 10 kg(CH4)∙head−1∙a−1 骡 Mule 10 kg(CH4)∙head−1∙a−1 家禽 Poultry — 粪便管理
Manure management
(CH4, N2O)牛 Cattle 5.14 kg(CH4)∙head−1∙a−1
1.29 kg(N2O)∙head−1∙a−1中国省级温室气体清单编制指南
Guidelines for the Preparation of Provincial Greenhouse Gas猪 Pig 3.12 kg(CH4)∙head−1∙a−1
0.093 kg(N2O)head−1∙a−1羊 Sheep 0.16 kg(CH4)∙head−1∙a−1
0.227 kg(N2O)∙head−1∙a−1马 Horse 1.64 kg(CH4)∙head−1∙a−1
0.33 kg(N2O)∙head−1∙a−1驴 Donkey 0.90 kg(CH4)∙head−1∙a−1
0.188 kg(N2O)∙head−1∙a−1骡 Mule 0.90 kg(CH4)∙head−1∙a−1
0.188 kg(N2O)∙head−1∙a−1家禽 Poultry 0.02 kg(CH4)∙head−1∙a−1
0.007 kg(N2O)∙head−1∙a−1农地N2O排放包括玉米(Zea mays)、大豆(Glycine mas)和蔬菜种植N2O排放以及秸秆还田N2O排放, 种植N2O排放测算涉及本底N2O排放和肥料N2O排放, 具体排放系数参考文献[32]。秸秆还田N2O排放需要根据作物的干重比、经济系数、根冠比和秸秆/根茬含氮率进行计算, 各类作物参数参考文献[33]。Agricultural N2O emissions include N2O emissions from maize, soybean, and vegetable cultivation as well as from straw returning to the soil. The calculation of cultivation N2O emissions involves the background N2O emission and fertilizer N2O emission, with specific emission coefficients referring to reference [32]. Calculation of N2O emission from straw returning to the soil is based on the dry weight ratio of crops, economic coefficient, root-shoot ratio, and nitrogen content of straw / root residues, with crop parameters referring to reference [33]. 
下载: 导出CSV
表 2 河北省农业投入、产出指标描述性统计分析表
Table 2 Descriptive statistical analysis of agricultural input and output indicators of Hebei Province
指标类型
Type of indicator指标
Indicator极小值
Minimal value极大值
Maximum value均值
Mean标准差
Standard deviation投入指标
Input indicator农用塑料薄膜使用量
Amount of plastic film used in agriculture
(×104 t)0.38 2.03 1.10 0.44 农用机械总动力
Total power of agricultural machinery
(×106 kW)1.73 22.22 8.31 4.65 农用化肥施用量
Amount of chemical fertilizer applied
(×105 t)2.35 19.34 8.78 4.83 农药使用量
Pesticide use (×104 t)0.11 1.78 0.67 0.38 有效灌溉面积
Effective irrigated area (×105 hm2)0.87 7.32 4.06 1.78 土地翻耕
Soil ploughing (×106 hm2)0.19 1.38 0.78 0.30 玉米 Maize (×105 hm2) 0.82 5.29 3.04 1.24 大豆 Soybean (×104 hm2) 0.24 3.63 0.99 0.73 蔬菜 Vegetable (×105 hm2) 0.32 1.98 0.9 0.4 牛 Cattle (×103 head) 1.09 8.40 4.25 2.15 猪 Pig (×104 head) 0.42 4.74 2.07 1.07 羊 Sheep (×104 head) 0.66 3.61 1.41 0.71 马 Horse (×102 head) 0.02 5.99 1.07 1.33 驴 Donkey (×103 head) 0.03 1.01 0.3 0.25 骡 Mule (×102 head) 0 7.19 1.06 1.58 家禽 Poultry (×106 head) 0.13 2.03 0.43 0.31 产出指标
Output indicator期望产出
Expected output农业生产总值
Gross agricultural product (×1010 ¥)0.82 5.45 2.92 1.10 非期望产出
Unexpected output二氧化碳排放量
Carbon dioxide emissions
[×109 kg(CO2-eq)]1.01 6.05 3.11 1.12 数据来源: 《河北统计年鉴》和《河北农村统计年鉴》。Source of data: Hebei Statistical Yearbook and Hebei Rural Statistical Yearbook.
下载: 导出CSV
表 3 河北省影响农业碳排放效率的变量定义及描述性统计分析
Table 3 Definition and descriptive statistical analysis of variables impacting agricultural carbon emission efficiency in Hebei Province
变量
Variable符号
Symbol解释
Explanation均值
Mean标准差
Standard deviation经济规模
Economic scale农村经济发展水平
Development level of rural economicEco 农村居民人均收入
Income of rural residents per capita (¥)12 034.49 4619.37 城镇化率
Urbanization rateUrb 城镇人口/总人口
Urban population / total population0.53 0.07 产业结构
Industrial structure农业产业化结构
Structure of agricultural industrializationStr 种植业和畜牧业产值之和/农业总产值
Sum of output value of planting and animal husbandry / total agricultural output value0.89 0.07 技术水平
Technical level农业机械化程度
Degree of agricultural mechanizationMac 机耕面积/农作物播种面积
Machine cultivated area / crop sown area0.74 0.16 有效灌溉率
Effective irrigation rateIrr 有效灌溉面积/耕地面积
Effective irrigation area / cultivated area0.52 0.09 劳动力素质
Labor force quality劳动力文化水平
Educational level of labor forceCul 农村劳动力高中以上学历人口比重
Proportion of the rural labor force with a high school education or above0.26 0.04 资源利用
Resource utilization化肥施用强度
Fertilizer application intensityFer 化肥施用量/农作物播种面积
Fertilizer application amount / crop sown area (t∙hm−2)0.39 0.13
下载: 导出CSV
表 4 2010—2022年河北省各区域和地级市农业碳排放效率
Table 4 Agricultural carbon emission efficiency of each region and prefecture-level city in Hebei Province from 2010 to 2022
区域 Region 城市 City 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 冀东
Eastern Hebei秦皇岛
Qinhuangdao0.25 0.32 0.34 0.38 0.45 0.45 0.54 0.62 0.69 0.77 0.80 0.90 1.07 唐山
Tangshan0.40 0.58 0.77 1.17 0.97 0.98 1.18 0.75 0.85 1.02 1.18 1.19 1.19 冀北
Northern Hebei张家口
Zhangjiakou0.24 0.29 0.30 0.33 0.53 0.41 0.49 0.38 0.38 0.55 0.57 0.64 0.66 承德
Chengde0.20 0.24 0.28 0.35 0.39 0.39 0.50 0.49 0.56 0.65 0.70 0.83 1.13 冀中
Central Hebei石家庄
Shijiazhuang0.35 0.49 0.55 0.64 0.72 0.77 0.85 0.50 0.68 0.90 0.88 1.18 1.20 保定
Baoding0.30 0.35 0.37 0.43 0.60 0.42 0.63 0.44 0.57 0.77 1.05 0.90 1.09 沧州
Cangzhou0.24 0.28 0.32 0.36 0.40 0.39 0.38 0.49 0.41 0.43 0.44 0.45 0.51 廊坊
Langfang0.29 0.35 0.36 0.40 0.46 0.46 0.57 0.63 0.75 1.06 0.96 1.05 1.01 衡水
Hengshui0.18 0.25 0.26 0.28 0.36 0.31 0.32 0.38 0.40 0.53 0.52 0.58 0.67 冀南
Southern Hebei邯郸
Handan0.24 0.33 0.35 0.40 0.43 0.42 0.41 0.36 0.42 0.47 0.51 0.61 1.04 邢台
Xingtai0.26 0.33 0.37 0.40 0.42 0.45 0.45 0.52 0.76 1.07 0.81 0.84 1.10 冀东 Eastern Hebei 0.32 0.45 0.56 0.78 0.71 0.72 0.86 0.69 0.77 0.89 0.99 1.05 1.13 冀北 Northern Hebei 0.22 0.26 0.29 0.34 0.46 0.40 0.49 0.43 0.47 0.60 0.63 0.73 0.89 冀中 Central Hebei 0.27 0.34 0.38 0.42 0.51 0.47 0.55 0.49 0.56 0.74 0.77 0.83 0.90 冀南 Southern Hebei 0.25 0.33 0.36 0.40 0.42 0.43 0.43 0.44 0.59 0.77 0.66 0.73 1.07 全省 Whole province 0.27 0.35 0.39 0.47 0.52 0.50 0.57 0.51 0.59 0.75 0.77 0.83 0.97 极差 Range 0.22 0.34 0.51 0.89 0.61 0.67 0.86 0.39 0.47 0.64 0.74 0.74 0.69
下载: 导出CSV
表 5 2010—2022年河北省农业碳排放效率地区差异分解结果
Table 5 Decomposition results of regional differences in agricultural carbon emission efficiency in Hebei Province from 2010 to 2022
年度
Year总体差距
Overall gap地区内部差距 Intra-regional gap 地区之间差距 Regional gap 数值
Value贡献率
Contribution rate (%)数值
Value贡献率
Contribution rate (%)2010 0.025 0.018 69.36 0.008 30.64 2011 0.037 0.024 62.91 0.014 37.09 2012 0.057 0.035 60.69 0.022 39.31 2013 0.101 0.056 55.76 0.045 44.24 2014 0.050 0.034 69.09 0.015 30.91 2015 0.062 0.041 65.00 0.022 35.00 2016 0.073 0.045 61.80 0.028 38.20 2017 0.025 0.011 44.27 0.014 55.73 2018 0.038 0.026 67.64 0.012 32.36 2019 0.048 0.041 84.99 0.007 15.01 2020 0.045 0.033 73.30 0.012 26.70 2021 0.040 0.032 79.02 0.008 20.98 2022 0.031 0.025 82.78 0.005 17.22 平均 Average 0.049 0.032 67.43 0.016 32.57
下载: 导出CSV
表 6 2010—2022年河北各地级市农业碳排放效率全局要素生产率指数均值及其分解指数均值
Table 6 Average values of agricultural carbon emission efficiency Global Malmquist-Luenberger and its decomposition indexes by each prefecture-level city in Hebei Province from 2010 to 2022
区域 Region 城市 City GML EC TC 冀东
Eastern Hebei秦皇岛 Qinhuangdao 1.13 1.07 1.11 唐山 Tangshan 1.12 0.98 1.07 冀北
Northern Hebei承德 Chengde 1.16 1.03 1.13 张家口 Zhangjiakou 1.11 0.99 1.15 冀中
Central Hebei廊坊 Langfang 1.12 1.01 1.11 沧州 Cangzhou 1.07 0.96 1.14 衡水 Hengshui 1.12 1.03 1.11 石家庄 Shijiazhuang 1.13 1.00 1.14 保定 Baoding 1.15 1.00 1.15 冀南
Southern Hebei邢台 Xingtai 1.14 1.00 1.14 邯郸 Handan 1.15 1.04 1.16 全省 Whole province 1.13 1.01 1.13 GML: 全局要素生产率指数; EC: 技术效率变化指数; TC: 技术进步变化指数。GML: Global-Malmquist-Luenberger index; EC: index of change in technical efficiency; TC: index of change in technological progress.
下载: 导出CSV
表 7 河北省农业碳排放效率影响因素回归结果
Table 7 Regression results of factors influencing agricultural carbon emission efficiency in Hebei Province
变量
Variable混合效应 Mixed effect 随机效应 Random effect 回归系数
Regression coefficient标准误差
Standard error回归系数
Regression coefficient标准误差
Standard error农村经济发展水平
Development level of rural economic0.294** 0.108 0.150* 0.087 城镇化率
Urbanization rate0.896 0.623 0.785* 0.409 农业产业化结构
Structure of agricultural industrialization−0.184** 0.086 −0.144** 0.070 农业机械化程度
Degree of agricultural mechanization0.318 0.238 0.037 0.221 有效灌溉率
Effective irrigation rate0.848* 0.487 0.669** 0.275 劳动力文化水平
Educational level of labor force0.217 0.205 0.423** 0.196 化肥施用强度
Fertilizer application intensity−0.380 0.312 −0.456* 0.256 常数 Constant −2.409*** 0.658 −1.289 0.893 方差 Variance 0.019*** 0.004 随机效应的标准差 Standard deviation of random effects (σu) 0.111*** 0.035 残差的标准差 Standard deviation of residuals (σe) 0.010*** 0.009 样本量 Sample size 143 143 *: P<10%; **: P<5%; ***: P<1%.
下载: 导出CSV
-
[1] 杨星. 碳金融概论[M]. 广州: 华南理工大学出版社, 2014 YANG X. Introduction to Carbon Finance[M]. Guangzhou: South China University of Technology Press, 2014
[2] 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/site/assets/uploads/sites/4/2022/11/SRCCL_Chapter_2.pdf
[3] 黄杰, 孙自敏. 中国种植业碳生产率的区域差异及分布动态演进[J]. 农业技术经济, 2022(7): 109−127 HUANG J, SUN Z M. Regional differences and dynamic evolution of carbon productivity of China’s planting industry[J]. Journal of Agrotechnical Economics, 2022(7): 109−127
[4] 冉光和, 王建洪, 王定祥. 我国现代农业生产的碳排放变动趋势研究[J]. 农业经济问题, 2011, 32(2): 32–38, 110–111 RAN G H, WANG J H, WANG D X. Study on the changing tendency and counter-measures of carbon emission produced by agricultural production in China[J]. Issues in Agricultural Economy, 2011, 32(2): 32–38, 110–111
[5] 王一鸣. 百年大变局、高质量发展与构建新发展格局[J]. 管理世界, 2020, 36(12): 1−13 doi: 10.3969/j.issn.1002-5502.2020.12.002 WANG Y M. Changes unseen in a century, high-quality development, and the construction of a new development pattern[J]. Management World, 2020, 36(12): 1−13 doi: 10.3969/j.issn.1002-5502.2020.12.002
[6] 朱舰伟, 刘卫柏, 刘金丹. 内蒙古自治区农业碳排放时序变化与影响因素研究[J]. 湖南师范大学自然科学学报, 2023, 46(1): 20−28 ZHU J W, LIU W B, LIU J D. Study on the temporal characteristics and influencing factors of agricultural carbon emission in Inner Mongolia Autonomous Region[J]. Journal of Natural Science of Hunan Normal University, 2023, 46(1): 20−28
[7] 董红敏, 李玉娥, 陶秀萍, 等. 中国农业源温室气体排放与减排技术对策[J]. 农业工程学报, 2008, 24(10): 269−273 doi: 10.3321/j.issn:1002-6819.2008.10.055 DONG H M, LI Y E, TAO X P, et al. China greenhouse gas emissions from agricultural activities and its mitigation strategy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(10): 269−273 doi: 10.3321/j.issn:1002-6819.2008.10.055
[8] 田云, 李波, 张俊飚. 我国农地利用碳排放的阶段特征及因素分解研究[J]. 中国地质大学学报(社会科学版), 2011, 11(1): 59−63 TIAN Y, LI B, ZHANG J B. Research on stage characteristics and factor decomposition of agricultural land carbon emission in China[J]. Journal of China University of Geosciences (Social Sciences Edition), 2011, 11(1): 59−63
[9] 孙彩凤, 姜巍, 高卫东. 山东省土地利用碳排放变化的时空特征及影响因素分析[J/OL]. 环境科学, 1–16 [2024-07-25]. https://doi.org/10.13227/j.hjkx.202401241 SUN C F, JIANG W, GAO W D. Spatial-temporal evolution and influencing factors of land use carbon emissions in Shandong Province[J/OL]. Environmental Science, 1–16 [2024-07-25]. https://doi.org/10.13227/j.hjkx.202401241
[10] 范振浩, 邢巍巍, 卜元卿, 等. 江苏省种植业碳排放的测算及达峰分析[J]. 水土保持学报, 2023, 37(5): 78−85 FAN Z H, XING W W, BU Y Q, et al. Calculation and peak analysis of carbon emissions from agricultural planting in Jiangsu Province[J]. Journal of Soil and Water Conservation, 2023, 37(5): 78−85
[11] 毛熙彦, 朱华玺, 鲍兆祥, 等. 城乡关联视角下的秸秆焚烧火点分布特征及其碳排放效应[J]. 现代城市研究, 2023, 38(6): 17−22 doi: 10.3969/j.issn.1009-6000.2023.06.003 MAO X Y, ZHU H X, BAO Z X, et al. The urban-rural linkage behind the distribution of burning straw and its effect on carbon emissions[J]. Modern Urban Research, 2023, 38(6): 17−22 doi: 10.3969/j.issn.1009-6000.2023.06.003
[12] 田云, 张姹娜. 中国农业能源碳减排成熟度评价及其动态演进[J]. 中国人口·资源与环境, 2023, 33(11): 57−66 doi: 10.12062/cpre.20230315 TIAN Y, ZHANG C N. Evaluation and dynamic evolution of the carbon emission reduction maturity of China’s agricultural energy[J]. China Population, Resources and Environment, 2023, 33(11): 57−66 doi: 10.12062/cpre.20230315
[13] 邓路, 袁圣博, 白萍, 等. 基于机器学习算法的新疆农业碳排放评估及驱动因素分析[J]. 中国生态农业学报(中英文), 2023, 31(2): 265−279 doi: 10.12357/cjea.20220501 DENG L, YUAN S B, BAI P, et al. Evaluation of agricultural carbon emissions in Xinjiang and analysis of driving factors based on machine learning algorithms[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 265−279 doi: 10.12357/cjea.20220501
[14] 崔永福, 高策, 王俊凤, 等. 河北省县域农业碳排放空间演化及对策[J]. 中国农机化学报, 2023, 44(5): 241−248, 256 CUI Y F, GAO C, WANG J F, et al. Spatial evolution and countermeasures of county agricultural carbon emission in Hebei Province[J]. Journal of Chinese Agricultural Mechanization, 2023, 44(5): 241−248, 256
[15] 周一凡, 李彬, 张润清. 县域尺度下河北省农业碳排放时空演变与影响因素研究[J]. 中国生态农业学报(中英文), 2022, 30(4): 570−581 doi: 10.12357/cjea.20210624 ZHOU Y F, LI B, ZHANG R Q. Spatiotemporal evolution and influencing factors of agricultural carbon emissions in Hebei Province at the county scale[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 570−581 doi: 10.12357/cjea.20210624
[16] IYKE-OFOEDU M I, TAKON S M, UGWUNTA D O, et al. Impact of CO2 emissions embodied in the agricultural sector on carbon sequestration in South Africa: The role of environmental taxes and technological innovation[J]. Journal of Cleaner Production, 2024, 444: 141210 doi: 10.1016/j.jclepro.2024.141210
[17] KOONDHAR M A, UDEMBA E N, CHENG Y, et al. Asymmetric causality among carbon emission from agriculture, energy consumption, fertilizer, and cereal food production — A nonlinear analysis for Pakistan[J]. Sustainable Energy Technologies and Assessments, 2021, 45: 101099 doi: 10.1016/j.seta.2021.101099
[18] 邓维忠, 许中坚. 湖南省农业碳排放特征及碳达峰分析[J]. 中国生态农业学报(中英文), 2024, 32(2): 206−217 doi: 10.12357/cjea.20230423 DENG W Z, XU Z J. Characteristics of agricultural carbon emissions and carbon peak analysis in Hunan Province[J]. Chinese Journal of Eco-Agriculture, 2024, 32(2): 206−217 doi: 10.12357/cjea.20230423
[19] 吴昊玥, 黄瀚蛟, 何宇, 等. 中国农业碳排放效率测度、空间溢出与影响因素[J]. 中国生态农业学报(中英文), 2021, 29(10): 1762−1773 WU H Y, HUANG H J, HE Y, et al. Measurement, spatial spillover and influencing factors of agricultural carbon emissions efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2021, 29(10): 1762−1773
[20] 吴贤荣, 张俊飚, 田云, 等. 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(1): 129−138 WU X R, ZHANG J B, TIAN Y, et al. Provincial agricultural carbon emissions in China: Calculation, performance change and influencing factors[J]. Resources Science, 2014, 36(1): 129−138
[21] 田云, 王梦晨. 湖北省农业碳排放效率时空差异及影响因素[J]. 中国农业科学, 2020, 53(24): 5063−5072 doi: 10.3864/j.issn.0578-1752.2020.24.009 TIAN Y, WANG M C. Research on spatial and temporal difference of agricultural carbon emission efficiency and its influencing factors in Hubei Province[J]. Scientia Agricultura Sinica, 2020, 53(24): 5063−5072 doi: 10.3864/j.issn.0578-1752.2020.24.009
[22] 尚杰, 吉雪强, 石锐, 等. 中国农业碳排放效率空间关联网络结构及驱动因素研究[J]. 中国生态农业学报(中英文), 2022, 30(4): 543−557 doi: 10.12357/cjea.20210607 SHANG J, JI X Q, SHI R, et al. Structure and driving factors of spatial correlation network of agricultural carbon emission efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 543−557 doi: 10.12357/cjea.20210607
[23] 杨雪婷. 河北省农业碳排放效率演变及其与粮食安全耦合协调研究[D]. 大连: 辽宁师范大学, 2023: 23–45 YANG X T. Study on the evolution of agricultural carbon emission efficiency and its coupling and coordination with food security in Hebei Province[D]. Dalian: Liaoning Normal University, 2023: 23–45
[24] ZWANE T T, UDIMAL T B, PAKMONI L. Examining the drivers of agricultural carbon emissions in Africa: An application of FMOLS and DOLS approaches[J]. Environmental Science and Pollution Research International, 2023, 30(19): 56542−56557 doi: 10.1007/s11356-023-25173-8
[25] KOONDHAR M A, AZIZ N, TAN Z X, et al. Green growth of cereal food production under the constraints of agricultural carbon emissions: A new insights from ARDL and VECM models[J]. Sustainable Energy Technologies and Assessments, 2021, 47: 101452 doi: 10.1016/j.seta.2021.101452
[26] 卢奕亨, 田云, 周丽丽. 四川省农业碳排放时空演变特征及其影响因素研究[J]. 中国农业资源与区划, 2023, 44(11): 1−14 LU Y H, TIAN Y, ZHOU L L. Spatial-temporal evolution and influencing factors of agricultural carbon emissions in Sichuan Province[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2023, 44(11): 1−14
[27] GANDA F. The influence of agricultural policy on carbon emissions in selected OECD countries[J]. Heliyon, 2023, 9(9): e19881 doi: 10.1016/j.heliyon.2023.e19881
[28] 祝宏辉, 李晓晓. 新疆农业碳排放的脱钩效应及驱动因素分析[J]. 生态经济, 2018, 34(9): 31−35, 115 ZHU H H, LI X X. Analysis of decoupling effect and driving factors of agriculture carbon emission in Xinjiang[J]. Ecological Economy, 2018, 34(9): 31−35, 115
[29] 卢德娴, 吕雅辉, 张润清. 河北省农产品流通体系效率测评与影响因素研究[J]. 北方园艺, 2021(6): 150−156 LU D X, LYU Y H, ZHANG R Q. Study on the efficiency evaluation and influencing factors of agricultural product circulation system in Hebei Province[J]. Northern Horticulture, 2021(6): 150−156
[30] 李波, 张俊飚, 李海鹏. 中国农业碳排放时空特征及影响因素分解[J]. 中国人口·资源与环境, 2011, 21(8): 80−86 LI B, ZHANG J B, LI H P. Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China[J]. China Population, Resources and Environment, 2011, 21(8): 80−86
[31] 段华平, 张悦, 赵建波, 等. 中国农田生态系统的碳足迹分析[J]. 水土保持学报, 2011, 25(5): 203−208 DUAN H P, ZHANG Y, ZHAO J B, et al. Carbon footprint analysis of farmland ecosystem in China[J]. Journal of Soil and Water Conservation, 2011, 25(5): 203−208
[32] 闵继胜, 胡浩. 中国农业生产温室气体排放量的测算[J]. 中国人口·资源与环境, 2012, 22(7): 21−27 doi: 10.3969/j.issn.1002-2104.2012.07.004 MIN J S, HU H. Calculation of greenhouse gases emission from agricultural production in China[J]. China Population, Resources and Environment, 2012, 22(7): 21−27 doi: 10.3969/j.issn.1002-2104.2012.07.004
[33] 熊鹰, 但玉玲, 王斌, 等. 四川省种植业碳排放现状、动态演进及预测[J]. 中国生态农业学报(中英文), 2024, 32(7): 1136−1147 doi: 10.12357/cjea.20230750 XIONG Y, DAN Y L, WANG B, et al. The situation, dynamic evolution, and prediction of carbon emissions in the planting industry of Sichuan Province[J]. Chinese Journal of Eco-Agriculture, 2024, 32(7): 1136−1147 doi: 10.12357/cjea.20230750
[34] TONE K. Dealing with Undesirable Outputs in DEA: A Slacks-Based Measure (SBM) Approach[R]. Presentation at NAPW Ⅲ, Toronto, 2003
[35] 成刚. 数据包络分析方法与MaxDEA软件[M]. 北京: 知识产权出版社, 2014 CHENG G. Data Envelopment Analysis: Methods and MaxDEA Software[M]. Beijing: Intellectual Property Publishing House, 2014
[36] PASTOR J T, LOVELL C A K. A global Malmquist productivity index[J]. Economics Letters, 2005, 88(2): 266−271 doi: 10.1016/j.econlet.2005.02.013
[37] 赵桂梅, 严乐乐, 胡绪华. 异质性环境规制对绿色全要素生产率影响的实证研究[J]. 生态经济, 2023, 39(7): 52−57 ZHAO G M, YAN L L, HU X H. An empirical study on the impact of heterogeneous environmental regulation on green total factor productivity[J]. Ecological Economy, 2023, 39(7): 52−57
[38] 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(9): 497−501 LIU Q T. Regional differences in agricultural carbon emission efficiency in China — An empirical analysis based on the Malmquist-Luenberger index[J]. Jiangsu Agricultural Sciences, 2015, 43(9): 497−501
[39] 张俊飚, 程琳琳, 何可. 中国农业低碳经济效率的时空差异及影响因素研究−基于“碳投入”视角[J]. 环境经济研究, 2017, 2(2): 36−51 ZHANG J B, CHENG L L, HE K. The difference of China’s agricultural low-carbon economic efficiency in spatial and temporal and its influencing factors: A perspective of carbon input[J]. Journal of Environmental Economics, 2017, 2(2): 36−51
-
期刊类型引用(30)
1. 李泽松，肖珊珊，张翼飞，李桂彬，陆雨欣，刘海晨，陈忠旭. 不同熟期品种间作对玉米生理成熟后籽粒脱水性能和粒重的影响. 作物杂志. 2025(01): 99-110 . 
百度学术
2. 池书瑶，裴小涵，卢玮楠，赵敏娟. 多样化种植对农户种植业净收入影响研究——基于中国粮食主产区的实证研究. 长江流域资源与环境. 2025(02): 410-422 . 百度学术
3. 康健，邵雪志，王砚涵，李赛如，高齐，张永平. 不同品种春小麦间混作对群体光合特性和水分利用效率的影响. 麦类作物学报. 2025(03): 412-419 . 百度学术
4. 唐秀梅，廖露露，吴海宁，熊军，黄友访，黄志鹏，郑希，李忠，贺梁琼，唐荣华. 甘蔗+花生复合种植花生品种筛选及高效栽培模式研究. 花生学报. 2025(01): 52-59 . 百度学术
5. 梁满，沈一，刘永惠，沈悦，张旭尧，陈志德. 等带宽间作模式下不同玉米花生行比对花生光合特性和系统产量的影响. 四川农业大学学报. 2024(01): 39-45 . 百度学术
6. 任强，徐珂，樊志龙，殷文，范虹，何蔚，胡发龙，柴强. 小麦玉米间作氮肥后移利于减少土壤蒸发提高水分利用效率. 中国农业科学. 2024(07): 1295-1307 . 百度学术
7. 王英，李立军，韩雪，赵鑫瑶，韩冬雨，张宏杰，李嘉琪. 宽幅条播对燕麦间作箭筈豌豆产量及种间关系的影响. 麦类作物学报. 2024(06): 795-802 . 百度学术
8. 尹丽娟. 不同品种小麦产量对种植模式的响应. 农业科技与信息. 2024(07): 41-43+57 . 百度学术
9. 田磊，张悦忠，孙继颖，梁红伟，周一民，于长生，艾俊国，刘玉龙，吴菲，苑志强. 东北寒旱区大豆-玉米间作种植模式技术优化. 北方农业学报. 2024(03): 19-28 . 百度学术
10. 刘涵，丁迪，汪江涛，郑宾，王笑笑，朱晨旭，刘娟，刘领，付国占，焦念元. 玉米穗型与种植密度对玉米花生间作种间竞争的协调效应. 中国农业科学. 2024(19): 3758-3769 . 百度学术
11. 孙翔龙，冯良山，杨宁，张诗行，夏桂敏. 辽西半干旱区玉米花生间作对不同降水年型下产量与水分利用效率的影响. 沈阳农业大学学报. 2024(05): 530-537 . 百度学术
12. 马智鸣，潘增柔，杨欢，宿雅涵，李建政，汪扬媚，赵静，杨文钰，吴雨珊. 玉米-大豆带状套作对土壤肥力的影响. 四川农业大学学报. 2024(05): 1028-1035 . 百度学术
13. 张刁亮，柴强，殷文，胡发龙，樊志龙. 干旱灌区减量灌水下玉米农艺性状、产量及水肥利用效率对间作绿肥的响应. 干旱地区农业研究. 2024(05): 85-96 . 百度学术
14. 苏明，柳强娟，洪自强，李翻过，张正珍，周甜，马纪龙，吴宏亮，康建宏. 西北半干旱区不同施氮量对马铃薯光合特性及产量形成的影响. 植物营养与肥料学报. 2024(10): 1919-1933 . 百度学术
15. 高超，陈平，杜青，罗凯，付智丹，林萍，李易玲，刘姗姗，雍太文，杨文钰. 播密协同对带状间作大豆茎秆特性和产量的影响. 中国油料作物学报. 2024(06): 1364-1371 . 百度学术
16. 董奎军，张亦涛，习斌，刘瀚文. 2000—2022年国内间作种植氮素利用研究发文特点分析. 中国农学通报. 2024(34): 15-23 . 百度学术
17. 陈苏森，张昂，林兴军，孙燕，闫林，李丽华. 不同槟榔间作密度对咖啡光合日动态的影响. 热带农业科学. 2024(12): 56-61 . 百度学术
18. 孙彬杰，姜舒雅，李双江，陈文杰，邹天浩，宋勇. 甜瓜和木薯间作模式对甜瓜生长及土壤酶活性的影响. 中国瓜菜. 2023(06): 43-49 . 百度学术
19. 崔文芳，秦德志，陈静，刘剑，严海鸥，秦丽. 玉米大豆不同间作系统光合特性与产量边际效应. 农业机械学报. 2023(08): 309-319 . 百度学术
20. 孙万军，高超，雍太文，徐凤翔，王小彬. 大豆-玉米带状套作对大豆生育期、倒伏和产量的影响. 四川农业科技. 2023(07): 19-23 . 百度学术
21. 刘婵，胡守林，王飞，陈国栋，万素梅. 枣棉间作下不同果枝类型和密度对棉花群体光分布和棉铃空间分布的影响. 江苏农业科学. 2023(15): 73-78 . 百度学术
22. 焦智辉，陈桂平，范虹，张金丹，殷文，李含婷，王琦明，胡发龙，柴强. 绿洲灌区密植减量施氮玉米的水分利用特征. 中国农业科学. 2023(16): 3088-3099 . 百度学术
23. 高超，陈平，杜青，付智丹，罗凯，林萍，李易玲，刘姗姗，雍太文，杨文钰. 播期、密度对带状间作大豆茎叶生长及产量形成的影响. 作物学报. 2023(11): 3090-3099 . 百度学术
24. 刘涵，昝志曼，汪江涛，孙增光，陈俊南，姜文洋，尹飞，刘领，焦念元，付国占. 大穗型玉米对玉米||花生种间竞争与间作优势的影响. 中国生态农业学报(中英文). 2023(09): 1368-1378 . 本站查看
25. 劳承英，黄渝岚，李艳英，周佳，周灵芝，韦本辉，李素平，申章佑. 木薯/大豆间作行距对作物产量和效益的影响. 南方农业学报. 2023(07): 2005-2014 . 百度学术
26. 彭方丽，汪灿，周棱波，高杰，张国兵，赵强，陈思宇，邵明波. 糯高粱间作大豆不同带宽配置对糯高粱光合特性、干物质和养分积累及产量的影响. 南方农业学报. 2023(07): 1966-1976 . 百度学术
27. 王霜，李田甜，甘塘煌，王俊生，田玉刚，李志鹏，候金枚，张家琪，林皎，万素梅. 枣棉间作下氮密互作对棉花铃期光合特性及产量的影响. 江苏农业科学. 2023(21): 55-61 . 百度学术
28. 刘思彤，张东娟，许锦，裴大顺，王佳旭，韩博，董建新，李亚军，滕达. 间作对高粱光合特征及物质生产的影响. 山西农业大学学报(自然科学版). 2023(06): 52-61 . 百度学术
29. 颉健辉，杨相昆，张占琴，田海燕，曾凯，战勇. 不同大豆玉米品种及不同间作模式对群体结构和产量的影响. 新疆农垦科技. 2023(06): 14-20 . 百度学术
30. 吕树立，丁芳. 带宽和种植密度对芝麻——大豆间作群体光合特性及产量效益的影响. 江西农业学报. 2023(12): 9-16 . 百度学术
其他类型引用(15)
计量
- 文章访问数: 350
- HTML全文浏览量: 106
- PDF下载量: 42
- 被引次数: 45
