农业碳汇效率测算及其影响因素研究——基于超效率SBM模型和Tobit模型.pdf

第44卷 第4期2023 年 8 月江西理工大学学报Journal of Jiangxi University of Science and TechnologyVol.44 No.4Aug.2023农业碳汇效率测算及其影响因素研究基于超效率SBM模型和Tobit模型钱力，郑娟（安徽财经大学经济学院，安徽 蚌埠 233030）摘要：基于20002020年的农业面板数据，对安徽省16个地市农业净碳汇量进行计算，采用超效率SBM模型测算各地市农业碳汇效率，再运用Malmquist指数将农业碳汇效率分解，进一步利用Tobit随机效应模型考察农业碳汇效率的影响因素。研究发现：安徽省农业碳汇效率总体水平较高，呈现震荡趋势；局部来看，各地市的农业碳汇发展水平并不均衡；技术进步对农业碳汇效率的引擎作用十分明显；农村劳动力转移、城市化率、城乡差距和农民消费水平对农业碳汇效率具有稳健的影响。基于此，提出立足“双碳”目标推进全省农业碳汇“稳中求进”；加强增汇减碳能效，推动各地市协调发展；坚持科技兴农、助农，借助农业技术进步实现农业碳汇的长足发展；加快城市化进程，进一步缩小城乡差距等建议。关键词：净碳汇量；农业碳汇效率；期望产出；技术进步中图分类号：F327 文献标志码：A一、引言近年来，随着经济的高速发展，生态问题日益凸显，为应对环境变化，我国制定了“双碳”目标，力争2030年前实现碳达峰、2060年前实现碳中和。农业作为一个特殊的生产部门，其生态系统在碳的增汇减排中占有重要地位和作用1。农业碳汇是农业部门追求绿色发展的重要方向，如何更好地利用农业碳汇来促进农业发展，减少农业生产过程中的污染，形成有效的减碳增汇机制，这是当前农业生产面临的重要问题，也是学术界研究的热点议题。人与自然是生命共同体2，农业的减碳增汇能够有效推动农业高质量发展，农业的向好发展反过来又会改善农业生态问题，农业碳排放强度与农业经济增长间存在“倒N型”EKC（Environment Kuznets Curve,环境库兹涅茨曲线）关系及双拐点。当农业经济强度超出临界值时，随着农业经济的发展，农业碳排放将呈现下降趋势3。我国农业碳排放总体上依次呈现快速增长、增长缓慢、增速反弹回升和增速明显放缓四个阶段。不同地区的农业碳排放存在一定差异，农业大省的农业碳排放总量更多，发达地区的农业碳排放强度更大4。农业低碳经济效率存在溢出效应，且地区差异存在扩大趋势5。碳汇作为新的研究角度，为相关分析提供了新的思路。研究表明，我国省际农业净碳汇效率在空间上呈现出显著的正相关关系，且存在集聚效应6。此外，我国种植业碳汇盈余的地区差距在样本考察期内呈现逐步扩大趋势。东部地区差距变化幅度经历了差距缩小期、波动扩大期和波动平稳期等变化阶段；中部地区差距变化幅度及绝对差距均为最大，经历了差距持续扩大期、波动平稳期、波动缩小期与小幅扩大期等变化阶段；西部地区差距变化幅度最小，经历了“扩大”与“缩小”的循环演变7。农业净碳汇总量和净碳汇强度均呈上升趋势8，对农业绿色全要收稿日期：2022-12-08基金项目：国家社会科学基金项目（编号：17BJY134）；安徽省哲学社会科学规划项目（编号：AHSKQ2021D159）；安徽省高校科研计划重大项目（编号：2022AH040085）作者简介：钱力（1981），男，博士，教授，主要从事区域经济学与农村经济研究。E-mail：文章编号：2095-3046（2023）04-0043-12 DOI：10.13265/ki.jxlgdxxb.2023.04.007引用格式：钱力,郑娟.农业碳汇效率测算及其影响因素研究基于超效率SBM模型和Tobit模型J.江西理工大学学报,2023,44(4):43-54.江西理工大学学报2023 年 8 月素生产率的研究有助于把握农业碳减排潜力9-10。安徽省作为传统的农业大省，其农业生产过程中产生的污染源较多，具有较大的碳汇发展潜力，研究安徽省的农业碳汇能够为农业大省的生产转型提供借鉴。过往学者针对安徽省的农业生态研究大多着眼于碳排放视角11-12，本文更多地关注安徽省农业碳汇的发展，将农业净碳汇量作为期望产出之一，测算16个地市的农业碳汇效率值，使用Malmquist生产率指数寻找农业碳汇效率和技术进步、技术效率间的关系，并运用 Tobit模型分析影响农业碳汇效率水平的因素，为安徽省农业碳汇的下一步发展提供路径设计。二、模型、变量和数据（一）模型构建1.超效率SBM模型传统的CCR（假定规模报酬不变）和BCC（假定规模报酬可变）模型均属于径向模型，得到的效率值无法体现松弛改进的部分。为解决径向模型在效率评价过程中对松弛变量的忽视问题，Tone提出了 SBM（Slack-based Measure，松弛测度）模型13。由于CCR和BCC模型计算得到的效率值往往会高估决策单元，而SBM模型计算得到的效率值是小于等于传统模型计算得到的效率值的，因此SBM模型更加准确。SBM模型又分为角度的和非角度的，非角度SBM模型从投入和产出两个角度同时进行效率测度，以避免忽视其中之一而导致测算有误。此外，考虑到规模报酬不变是一种理想情况，现实中决策单元的生产规模往往并非如此，本文采用规模报酬可变的假定。但SBM模型难以进一步区分效率值为1的决策单元，基于此，Tone在2002年又提出了超效率SBM模型14。该模型能够在已有SBM模型的基础上，进一步对效率值为1的决策单元进行分析，其公式如下：*=min,s-,s+1+1mi=1msi-xiot1+1qr=1qsr+yiot s.t.xiott=1Tj=1,j 0njtxijt-si-,i=1,2,myrott=1Tj=1,j 0njtyrjt-sr+,r=1,2,qj=1nj=1,si-0(i),sr+0(r)（1）其中，xiot表示全局视角下第 o 个地市的第 i 项投入，亦指对于第o个地市来说，它的投入想要达到有效目的需要减少si-的投入。同样，yiot表示全局视角下第o个地市的第r项产出，亦指对于第o个地市来说，它的产出想要达到有效目的需要增加si+的产出。j=1nj=1表示规模报酬可变的情况。2.Malmquist生产率指数农业碳汇效率指当投入（产出）一定时，每一年各地市实际的产出值（投入值）与最优的产出值（投入值）之间的比值。Malmquist生产率指数能够表示除投入要素以外的其他因素对农业碳汇增长的贡献。为探究其他因素对于农业碳汇增长的影响，本文进一步使用Malmquist生产率指数进行分析。DEA（Data Envelopment Analysis,数据包络分析）模型的问世使得Malmquist生产率指数从理论指数变成了实证指数，后来又进一步被分解为技术效率变动、技术进步和规模效率变动15。根据章祥荪等16的论证，本文使用 Ray 等17的修正模型。分别以t和t+1期为基准，得到Malmquist生产率指数如下：Mt=Dto(xt+1,yt+1)Dto(xt,yt)Mt+1=Dt+1o(xt+1,yt+1)Dt+1o(xt,yt)（2）在此基础上，Ray17对指数的分解公式如下：M(xt,yt,xt+1,yt+1）=Dt+1v(xt+1,yt+1)Dtv(xt,yt)()Dtv(xt,yt)Dt+1v(xt,yt)()Dtv(xt+1,yt+1)Dt+1v(xt+1,yt+1)12 ()Dto(xt+1,yt+1)/Dtv(xt+1,yt+1)Dto(xt,yt)/Dtv(xt,yt)()Dt+1o(xt+1,yt+1)/Dt+1v(xt+1,yt+1)Dt+1o(xt,yt)/Dt+1v(xt,yt)12 （3）（二）变量选取对于超效率 SBM 模型中投入和产出变量的选取，为使所得结果更具代表性，本文沿袭大多学者的观点，以劳动投入、农业资本投入和耕地投入为投入变量，以农林牧渔总产值和农业净碳汇量为产出变量。1.投入变量劳动投入：采用年末第一产业从业人口数来表示劳动投入，以2000年为基期，将可变价转化为44第 44 卷 第4 期钱力，等：农业碳汇效率测算及其影响因素研究不变价。农业资本投入：借鉴张军的永续盘存法18。耕地投入：采用历年年末耕地面积来表示这一变量。2.产出变量农林牧渔总产值：延续李波等6的做法，以2000年为基期不变价格，采用平减指数法进行换算。农业净碳汇量：借鉴田云等19的研究方法，农业净碳汇量等于农业碳汇量减去农业碳排放量。选取9种安徽省常见农作物作为碳汇农作物，以农用物资、土壤N2O、稻田CH4作为主要碳源计算农业净碳汇量。对于农业碳汇量的计算，本文采用表 1所列的经济系数、含水量和碳吸收率。对于农业碳排放量的计算，参考联合国政府间气候变化专门委员会（IPCC）和相关学者4,20的成果，本文考虑三个方面的碳排放。第一是包括化肥、农药、农膜和农用柴油在内的农用物资的碳排放。相关的碳排放系数详见表 2。表2中，ORNL表示美国橡树岭国家实验室，IREEA表示南京农业大学农业资源与生态环境研究所。第二是土壤 N2O的排放，本文选取安徽省主要农作物，包括稻谷、大豆、玉米、蔬菜和其他四种旱地作物（薯类、花生、油菜籽、棉花），测算土壤N2O排放量，参考相关学者21-24的研究成果，采用如表 3所列排放系数。第三是稻田CH4的排放，由于该排放系数只有省级层面的数据，所以本文所用稻田CH4的排放系数均为安徽省数据。其中，早稻的CH4排放系数为16.75 g/m2，晚稻的CH4排放系数为27.6 g/m2，中季稻的CH4排放系数为51.24 g/m2。（三）数据说明及描述性统计分析安徽省 16 个地市 20002020 年农业面板数据主要来源于 安徽统计年鉴、各地市统计年鉴和EPS全球统计数据平台。对于部分缺失数据，本文采用插值法和线性、对数、指数拟合方法补齐，得到相关描述性统计结果如表4所列。由表 4可知，劳动投入的均值为99.88，标准差为 73.17，两个最值分别为 9.20 和 311.60，相差较大，这说明不同地市在不同年份的第一产从业人数差距较大，但总体来说劳动投入稳定在100万人左右。农业资本投入的描述性统计结果显示该项指标存在极端值，但整体样本数据呈现聚集现象。耕地投入的均值为261.98，标准差为191.72，最大值约为最小值的49倍，这与各地市面积及农业方面的政策相关。相对来说，农业净碳汇量波动较小，其均值为67.16，标准差为49.74，最大值和最小值差距较为悬殊，说明各地市对于农业碳汇的重视程度有所不同。农林牧渔总产值的均值为111.07，数据在7.58到354.55之间分布，说明在考察期内，不同地市、不同年份的农林牧渔总产值有所不同，数据波动较大。总的来看，本文样本为安徽省 16个地市 20002020年的相关数据，投入、产出变量极值差、标准差合理，因此可以进一步开展实证分析。表 1农作物相关数据表农作物稻谷小麦玉米豆类薯类花生油菜籽棉花蔬菜经济系数（ECi）0.4500.4000.4000.3400.7000.4300.2500.1000.600含水量（r）0.1200.1200.1300.1300.7000.1000.1000.0800.900碳吸收率（ci）0.4140.4850.4710.4500.4230.4500.4500.4500.450表 2化肥、农药、农膜和农用柴油碳排放系数表碳排放源化肥农药农膜农用柴油碳排放系数/（kg C kg-1）0.895 64.934 15.180 00.592 7数据来源ORNLORNLIREEAIPCC表 3农作物土壤N2O排放系数表农作物稻谷大豆玉米蔬菜其他旱地作物N2O排放系数/（kg/hm2）0.2400.7702.5324.2100.95045江西理工大学学报2023 年 8 月三、实证分析（一）农业碳汇效率水平测算1.基于超效率SBM模型的静态分析为了得到农业碳汇效率的情况，基于16个地市 2000、2004、2008、2012、2016、2020年农业投入和产出数据，运用Super-SBM-V（规模报酬可变的超效率SBM）模型，得到农业碳汇效率值，结果如表 5所列。整体来看，安徽省各年的农业碳汇效率水平较高，省内均值有效率高达 67%，2000、2008、2012、表 4投入、产出变量的描述性统计结果变量劳动投入农业资本投入耕地投入农林牧渔总产值农业净碳汇量符号LIACIPITVAACS单位万人亿元千公顷亿元万吨均值99.882 671.12261.98111.0767.16标准差73.173 825.22191.7275.3849.74最小值9.201.9422.377.581.95最大值311.6030 893.591 111.92354.55212.45表 5部分年份农业碳汇效率水平地市合肥芜湖蚌埠淮南马鞍山淮北铜陵安庆黄山滁州阜阳宿州六安亳州池州宣城均值2000年0.341.060.420.541.030.351.791.053.772.781.091.010.400.470.311.001.09排名155121071436124813111692004年0.441.030.610.511.060.471.801.041.991.561.180.800.480.710.360.340.90排名147101151326134812915162008年1.061.030.760.701.070.541.971.031.921.141.320.850.651.061.090.411.04排名791213615110243111485162012年1.061.130.800.700.590.542.261.001.931.111.291.060.681.141.090.441.05排名951112141511026381347162016年1.091.080.780.860.540.591.310.501.511.081.391.020.571.141.180.410.94排名671110141231518291354162020年1.041.020.741.041.020.591.580.541.531.201.300.890.801.261.181.011.05排名89147101511625312134611均值0.841.060.680.720.880.511.780.862.111.481.260.940.600.960.870.60注：“”表示此处无均值。46第 44 卷 第4 期钱力，等：农业碳汇效率测算及其影响因素研究2020年的农业碳汇效率均值均达到有效水平，此外的年份均在有效水平之下，总体呈现振荡趋势。这样的结果与安徽省近二十年的变化完全吻合。纵观安徽省近二十年的发展，工业快速崛起，转型升级不断，竭力做到“无中生有、有中生新”，在向工业大省过渡的过程中，环境问题的频频出现导致农业碳汇效率下降，全省对于生态的重视直接体现在农业碳汇效率的每一次拔高。局部来看，芜湖、铜陵、黄山、滁州和阜阳在这6年里的农业碳汇效率均值均在 1 以上，其中，黄山的均值高达2.11。从时间序列来看，仅阜阳的农业碳汇效率呈现上升趋势，从 2000 年的 1.09 上升到 2020 年的1.30，经历上升下降再上升再下降的过程，这说明该地市农业碳汇效率值的发展波动较多，总体上升值大于下降值。随着2017年 阜阳市“十三五”控制温室气体排放工作实施方案 的印发，阜阳市近年来针对农业生态发展的举措越来越多，这可能是其农业碳汇效率水平实现攀升的原因。合肥、马鞍山、安庆、亳州和池州均有至少四年的农业碳汇效率为有效，且集中于2008、2012、2020年。在蚌埠、淮南、淮北、宿州、六安和宣城组成的地市组合中，大多数年份的农业碳汇效率水平都为无效。其中，蚌埠、淮北和六安在考察期内的农业碳汇效率均在1的水平之下。这样的情况表明：安徽省农业碳汇发展水平存在不均衡的问题，农业污染源治理投入不够、农业源的计划减排项目无法支撑目标任务等可能是导致某些地市农业碳汇效率水平较低的主要原因。2.基于Malmquist生产率指数的动态分析在静态分析的基础上，为了进一步探究农业碳汇效率的变化情况，基于16个地市20002020年的相关数据，得到各地市不同时期的Malmquist生产率指数增长率及其具体的分解情况，详见表 6。表 6各地市不同时期TFP增长率及其分解年份区间2000200120012002200220032003200420042005200520062006200720072008200820092009201020102011201120122012201320132014201420152015201620162017201720182018201920192020均值Malmquist生产率指数（TFP）0.8450.9740.9461.1790.9781.0271.0091.1070.9821.0121.0710.9780.9990.9701.0030.9790.9650.9511.0281.3341.013技术进步指数（TP）0.8470.9840.9551.2010.9560.9850.9621.0980.9941.0101.0860.9831.0080.9840.9750.9700.9570.9391.0351.3031.007技术效率变化指数（EC）0.9970.9900.9900.9821.0231.0421.0491.0080.9881.0020.9860.9950.9910.9851.0281.0091.0081.0130.9941.0241.005纯技术效率变化指数（PC）1.0190.9761.0050.9791.0101.0221.0241.0041.0151.0100.9870.9980.9900.9790.9781.0081.0101.0140.9951.0241.002规模效率变化指数（SC）0.9791.0140.9851.0031.0131.0191.0251.0040.9730.9920.9990.9971.0011.0071.0521.0010.9980.9980.9991.0001.00347江西理工大学学报2023 年 8 月从均值来看，Malmquist生产率指数为1.013，表明 20002020 年的农业碳汇效率实现良性增长；技术进步了0.7%，技术效率上升了0.5%，纯技术效率上升了0.2%，规模效率增加了0.3%。整体来看，技术进步是提升农业碳汇效率的主要因素。按照变化趋势来看，Malmquist生产率指数的变动范围为0.845,1.334，考察期内的波动较频繁，有四个波谷和三个波峰，波谷均在1的标准以下，波峰均在1的标准以上。20192020年有一个明显的攀升趋势，这与安徽省2019年全力推进生态保护工作息息相关。以上情况表明农业碳汇的发展并不是一帆风顺的，要想使农业碳汇达到真正意义上的高质量发展，还需不断加大投入。技术进步指数同样呈现上升趋势，二十年间实现从 0.847 至1.303的跃迁，与Malmquist生产率指数一样，该指数在2019年迎来飞跃，从1.035增加至1.303，二者相似的变化趋势表明农业碳汇效率的增加与技术进步密切相关。技术效率变化指数经过多番起伏变动，最终由0.997上升至1.024，实现从技术效率降低到上升的跨越。纯技术效率变化指数近二十年的行进轨迹为下降上升再下降再上升，从2000年的1.019到2020年的1.024，纯技术效率增速加快。规模效率变化指数在考察期内从0.979变为 1.000，使规模效率在 2020年时保持动态平衡。从 TFP 与 TP、EC 之间的关系来看，仅20052006、20062007、20082009、20122013、20142015年的农业碳汇效率变动主要由技术效率变动引起，其他年份农业碳汇效率的变动更多源自技术的改变。进一步将EC分解来看，75%的技术效率主要受到纯技术效率的影响，这与安徽省一直以来对农业生产技术的扶持态度相契合。以上主要是对TFP增长率变动的时序分析，在此基础上，为了解每个地市的TFP增长率及其分解情况，根据同样的面板数据，得到表 7所列各地市TFP增长率及其分解。表7各地市TFP增长率及其分解地市合肥芜湖蚌埠淮南马鞍山淮北铜陵安庆黄山滁州阜阳宿州六安亳州池州宣城均值Malmquist生产率指数（TFP）1.0791.0511.0371.0381.0601.0611.0780.9990.9020.8750.9770.9981.0120.9971.0251.0391.013技术进步指数（TP）1.0661.0511.0371.0311.0601.0581.0721.0000.9020.8750.9630.9931.0070.9831.0131.0341.007技术效率变化指数（EC）1.0120.9991.0001.0071.0001.0031.0060.9991.0001.0001.0141.0041.0051.0151.0121.0051.005纯技术效率变化指数（PC）1.0161.0001.0041.0101.0001.0011.0000.9891.0001.0001.0000.9961.0001.0121.0101.0001.002规模效率变化指数（SC）0.9970.9990.9960.9981.0001.0021.0061.0101.0001.0001.0141.0081.0051.0031.0021.0051.00348第 44 卷 第4 期钱力，等：农业碳汇效率测算及其影响因素研究由表 7可知，包括合肥、芜湖、蚌埠在内的10个地市的全要素生产率大于1，这表明大部分地市的农业碳汇发展状况较好，整体农业碳汇效率水平上升。结合前文分析，能够发现，黄山和滁州的农业碳汇效率虽然基数较大，但在考虑到每年的周期波动后，黄山和滁州的农业碳汇效率有一个明显的下降趋势。同样地，尽管阜阳2020年的农业碳汇效率相对2000年有些微上升，但在综合考虑到每一年的变动后，阜阳的农业碳汇效率实际上是呈现下降趋势的。由此可见，虽然黄山、滁州和阜阳在考察期初始阶段的农业碳汇效率水平领先其他地市，但后期水平相比前期有所下降，这可能是因为这3个地市的农业碳汇效率经过多年的高水平增长，其效率值的进一步发展已略显疲态，相关的动力供给不足。（二）农业碳汇效率影响因素分析1.Tobit方程建立基于上述分析，能够得知安徽省仍存在农业碳汇效率水平非有效的情况，且部分地市的农业碳汇效率值呈现下降趋势。为从源头改善这些问题，本文进一步建立 Tobit方程，探究除技术进步和技术效率外影响农业碳汇效率的其他因素。其中，被解释变量为各地市不同年份的农业碳汇效率。目前，有关农业碳汇效率影响因素的理论和实证分析较少，本文参照多位学者的研究，令解释变量分别为地方财政支农、农村劳动力转移、农业机械密度、城市化率、城乡差距和农民消费水平，相关变量说明详见表 8。地方财政支农为地方财政农林水事务支出与地方财政一般预算支出之比，地方财政支农力度越大，用于农药、化肥等农用物资的投入就越多25，而农用物资的增多会导致碳排放的增加，碳排放增加的同时碳汇量相对来说就会减少。农村劳动力转移用进城就业“农民工”人数与农村中非农劳动力数量之和26来表示。刘易斯的二元经济结构模型中提到，农村中富余的劳动力会逐步转向非农产业。农村劳动力的转移会导致农户为了保证农业产出不减少而增加农用物资的现象27，进而影响到农业碳汇效率。农业机械密度用农业机械总动力与农作物总播种面积之比来表示，农业机械密度的增加会导致农业生产中的非期望产出大大增加28，进而也会对农业碳汇效率造成影响。城市化率用各地区城市人口占总人口比重来表示，城市化率越高，城市文明对于农村地区的影响也就越大。受城市文明的影响，农村地区的生态意识会增强29，这将有利于农业碳汇效率水平向好发展。城乡差距用各城镇人口收入与各区县农村人口收入的比值来表示，该值越大，说明城乡差距越大。在利润的驱使下，农户会充分利用农用物资，即城乡差距过大使农民大量使用化肥、生物技术等29，这些是农业碳排放的重要来源。农民消费水平用农村居民人均现金支出来表示29，农民消费能力的提升是农民生活水平提高的一个方面。这会改变农民在农业生产过程中的侧重点，从而影响其农业生产过程中的行为，进而影响到农业碳汇量。变量的描述性统计分析见表 9。根据以上分析，得到农业碳汇效率影响因素的Tobit方程如下：Yit=0+ll Xl，it+it （4）其中，Yit表示被解释变量，即第i个地市在第t年的农业碳汇效率；Xl，it为不同的解释变量；0表示截距项；l为自变量的待估系数；it为随机误差项。表 8解释变量定义一览表符号AFELTAMDURURGFC变量地方财政支农农村劳动力转移农业机械密度城市化率城乡差距农民消费水平变量说明地方财政农林水事务支出与地方财政一般预算支出之比进城就业“农民工”人数与农村中非农劳动力数量之和农业机械总动力与农作物总播种面积之比各地区城市人口占总人口比重各城镇人口收入与各区县农村人口收入的比值农村居民人均现金支出49江西理工大学学报2023 年 8 月2.多重共线性检验若解释变量间存在较强的相关关系，会使回归结果的可靠性降低，因此在对回归结果进行分析之前，首先对模型进行多重共线性检验，具体结果详见表 10。由表 10可知，平均VIF=1.67，每个变量的VIF值均小于10，说明模型不存在严重的多重共线性。3.回归结果分析基于 20002020 年的农业面板数据，运用STATA软件进行估计，得到相关回归结果见表 11。从省级层面来看，农村劳动力转移、城市化率、城乡差距和农民消费水平变量均是显著的。其中，农村劳动力转移对农业碳汇效率具有正向影响，随着农村劳动力转移的增多，农业碳汇效率水平呈现微弱上升趋势。这与Qin30的研究成果类似，农村劳动力转移会带来资源的释放，使农用物资的使用频率下降。因此对于安徽来说，农村劳动力的转移是一个改善农业环境的过程。城市化率和农民消费水平的结果与黄娟等29的研究结果一致，说明对于安徽来说，在其城市化进程中，农民的身份发生变化，社会责任感随之提升。农民在农业生产过程中更加注重绿色发展，农业碳汇效率水平得到有效提高。农民消费水平是其生活条件的显性表现，农民的生活质量越高，农民越具有长远目光。为保证农业生产的可持续性，农民会更加注重循环农业发展，从而使农业碳汇增加。城乡差距与农业碳汇效率呈负向变动，即城乡差距每上升一个单位，农业碳汇效率会下降0.131个单位。这与前文的假设分析完全一致，说明城乡差距的拉大会导致农业环境的恶化。从各个地市来看，芜湖、马鞍山、铜陵、黄山和宿州的地方财政支农变量是显著的，以正向影响居多。这与前文假设有所不同，但与刘琼等31的研究结果相似，可能芜湖、黄山和宿州的财政支农表 9变量描述性统计结果变量YAFELTAMDURURGFC均值1.000.092 170 725.006.0746.452.466 302.85标准差0.490.041 431 673.002.4813.570.714 194.29最小值0.310.01202 688.002.5718.020.351 247.34最大值3.770.197 173 468.0037.5878.705.2820 870.37表 10解释变量的多重共线性检验结果变量AFELTAMDURURGFC均值VIF1.541.341.432.201.092.431.671/VIF0.650.740.700.450.920.410.6550第 44 卷 第4 期钱力，等：农业碳汇效率测算及其影响因素研究政策也是通过调整种植结构和减少化肥投入来达到增加农业碳汇的效果。淮南、马鞍山、铜陵、黄山、阜阳、宣城6个地市的农村劳动力转移对农业碳汇效率具有显著的正向影响，但影响较小。这说明本文搜集的样本仅能说明农村劳动力的转移会使农业生产及农业污染源减少，而农用物资增加的现象并不明显。对于滁州来说，农业机械化水平的提升是提高粮食产量的重要环节，但农业机械密度的增加会使农业碳汇效率下降，在进行农业机械化发展过程中应当注重其对环境产生的负外部性影响。针对城市化率对农业碳汇效率的影响，局部的回归结果与总体有所不同，部分地市的城市化率对农业碳汇效率具有负向影响，这与各地市的发展水平以及城市化的发展阶段有关。可能部分地市处于城市化的初始阶段，随着城市人口的相对增多，剩下的农民通过增加农用物资的使用来维持农业生产32。尽管部分地市的城乡差距和农业碳汇效率间呈现出正向变动趋势，但总的结果依旧是满足一般经济规律的。农民消费水平的结果与省级层面的几乎一致，均呈现出微弱的正向影响，满足上述分析。4.稳健性检验在上述分析的基础上，通过缩尾处理33、缩短时间窗口34,32和添加新的变量来检验模型的稳健性，得到相关结果见表 12。模型是未做任何变动的初始模型，模型整体显著，其中，农村劳动力转移、城市化率、城乡差距和农民消费水平得到的结果都是显著的。由Z分数结果可知，农村劳动力转移数据中存在异常值，模型在模型的基础上，对农村劳动力转移变量进行2.5%分位上双边缩尾处理，从得到的结果来看，模型中显著的变量在模型中依旧显著，两模型的显著情况基本一致。模型将模型的时间表 11Tobit回归结果DMU合肥芜湖蚌埠淮南马鞍山淮北铜陵安庆黄山滁州阜阳宿州六安亳州池州宣城安徽AFE2.7992.138*0.0181.195-5.717*-0.790-3.733*-0.4708.189*1.2970.5322.388*0.411-0.9340.1503.185-0.389LT0000*0*00*00*00*00000*0*AMD-0.212-0.0050.150*-0.0580.028-0.0010.088*0.041-0.018-0.539*-0.031-0.0390.163*-0.0050.080-0.0060UR0.035*-0.0040.019*0-0.0040.006-0.003-0.123*-0.141*-0.301*0.050*-0.032-0.0070.035*0.051*-0.0760.018*URG0.450*-0.026-0.014-0.029-0.0690.087-0.106*-0.0090.3190.0380.169*0.0170.279*0.319*0.119-0.161-0.131*FC000*0000*0*0*0*0*00*0000*cons-2.293*1.268*-0.969*0.6691.656*-0.1361.532*5.206*7.978*14.609*-0.0941.184-1.238*-1.218*-1.2056.069*0.599*注：*、*、*分别表示在10%、5%、1%水平下显著。51江西理工大学学报2023 年 8 月窗口缩短至20102020年，在得到的所有结果中，农村劳动力转移、城市化率、城乡差距和农民消费水平仍在99%的置信水平上显著，地方财政支农由不显著变为显著，说明该变量不太稳健，但模型整体较为稳健，大部分解释变量的回归结果在改变条件时仍然显著。为从添加新变量的角度验证模型的稳健性，模型在模型的基础上，参考王宝义等25的做法，将人均农业增加值（AVA）作为新变量加入模型，得到的结果显示，尽管人均农业增加值不太显著，但其他变量显著情况与模型基本一致，模型能够通过稳健性检验。四、结论与建议（一）研究结论本文首先计算出安徽省16个地市的农业净碳汇量，将其作为期望产出之一，再利用规模报酬可变的超效率SBM模型测算安徽省16个地市的农业碳汇效率，最后运用Tobit面板随机效应模型分析影响农业碳汇效率的因素，得到如下结论。第一，安徽省农业碳汇效率总体水平较高，呈现震荡趋势。这说明安徽省农业碳汇具有一定发展潜力，但缺乏维持能力。2020年的农业碳汇效表 12稳健性检验结果变量AFELTnewLTAMDURURGFCAVAconssigma_usigma_eX2rho对数似然值模型-0.389（0.399）0*（0.008）0（0.969）0.018*（0）-0.131*（0）0*（0）0.599*（0）0.464*（0）0.231*（0）111.300*0.801-20.170模型-0.460（0.316）0*（0.001）0（0.978）0.018*（0）-0.132*（0）0*（0）0.557*（0.001）0.472*（0）0.230*（0）115.910*0.808-18.532模型-1.571*（0.001）0*（0.004）0.002（0.656）0.017*（0）-0.079*（0）0*（0.001）0.605*（0.011）0.413*（0）0.134*（0）81.990*0.90567.080模型-1.401*（0.007）0*（0.004）0.002（0.625）0.014*（0.001）-0.081*（0）0*（0）0（0.324）0.642*（0.007）0.399*（0）0.134*（0）82.99*0.89967.408注：*、*、*分别表示在10%、5%、1%水平下显著。52第 44 卷 第4 期钱力，等：农业碳汇效率测算及其影响因素研究率相较于2000年有所下降，虽然都达到了有效的水平，但下降的信号代表整体农业碳汇效率水平的倒退。第二，局部来看，各地市的农业碳汇发展水平并不均衡。部分地市的农业碳汇效率年年达标，部分地市在考察期内的农业碳汇发展水平持续走低，这样的两极分化不利于整体农业碳汇持续高质量发展。芜湖、铜陵、黄山、滁州和阜阳的综合农业碳汇效率均为有效，其他地市的综合水平则有待加强，蚌埠、六安和宣城的农业碳汇效率均值较低，可发挥空间较大。第三，技术进步因素对农业碳汇效率的引擎作用十分明显。农业碳汇效率的良性增长主要由技术进步实现，技术效率的提高对农业碳汇效率的影响相对较小。多个地市全要素生产率较高表明农业碳汇发展较好，但部分起点较高的地市如黄山、滁州和阜阳进入发展平台期，下一步发展还需注入新的动力。第四，农村劳动力转移、城市化率、城乡差距和农民消费水平对农业碳汇效率具有稳健的影响。农业劳动力转移、城市化率和农民消费水平与农业碳汇效率之间存在显著正向影响，城乡差距与农业碳汇效率之间存在负向影响，整体回归结果满足一般假设分析，部分地市回归结果与整体有所不同，这与地市的实际发展情况有关。（二）对策建议第一，立足“双碳”目标推进全省农业碳汇“稳中求进”。安徽省农业碳汇目前在“进”的方面已有所成就，下一步需要朝“稳”的方向巩固发展，在制定农业碳汇发展规划的过程中，将目标年限拉长，在保证当年农业碳汇发展的基础上，兼顾农业碳汇的后续发展，努力实现农业碳汇的高质量、可持续发展。第二，加强增汇减碳能效，推动各地市协调发展。统筹各地市进行增汇和减碳工作，针对不同地市建立相应的奖励机制，形成农业碳汇效率水平薄弱地市向高水平地市“追赶”的效应，减少两极分化现象，营造良好的农业碳汇发展环境。以芜湖、铜陵、黄山、滁州和阜阳形成农业碳汇高质量发展中心，带领周边地市共同发展生态农业，寻求各地市农业碳汇的均衡发展。第三，坚持科技兴农、助农，借助农业技术进步实现农业碳汇的长足发展。大力发展绿色农业技术，充分挖掘农业技术人才潜力，加快农业机械的更新换代。同时，为逆转部分地市“高开低走”局面，需对各地市注入源源不断的发展动力，避免地市由于动力供给不足而陷入发展瓶颈期。第四，加快城市化进程，进一步缩小城乡差距。全面推进农村的现代化进程，加快城镇化速度，改善农民大量使用农用物资的现象。农村地区可大力推进相关宣传教育活动，也可通过绘画的形式将环保理念融入农村生活，引导农民重视生态发展，从而尽可能修复农村经济发展过程中的生态漏洞。参考文献：1 杨果,陈瑶.中国农业源碳汇估算及其与农业经济发展的耦合分析J.中国人口 资源与环境,2016,26(12):171-176.2 屈振辉,王锐.基于构建“人类命运共同体”思想的环境法学论纲J.江西理工大学学报,2022,