低碳绩效测度与动态效应研究*——以山东省种植业为例

杨滨键, 孙红雨

低碳绩效测度与动态效应研究*——以山东省种植业为例

杨滨键1,2, 孙红雨3**

(1. 贵州民族大学商学院 贵阳 550025; 2. 东北林业大学经济管理学院 哈尔滨 150040; 3. 贵州大学经济学院 贵阳 550025)

温室效应的加剧已经严重影响到人类社会的生存与发展, 根据IPCC数据显示, 农业温室气体占全球人为排放的13.5%, 鉴于山东省农业在我国的重要地位, 本文以在农业产值中占比最高的种植业为样本, 对山东省低碳绩效展开研究, 为山东省种植业低碳发展之路提供参考。本文在测算山东省种植业碳排放量、碳汇量、碳排放强度以及碳排放边际减排成本的基础上, 运用DEA-Malmquist模型测算了种植业低碳绩效水平, 接着研究了低碳驱动与约束对山东省种植业低碳绩效的动态影响效应。通过研究发现, 2000年到2018年山东省种植业碳排放总量和碳汇总量年均增幅分别为0.26%和1.74%, 而碳排放强度和减排成本年均降低6.12%和2.10%。低碳绩效指数增长较慢, 年均增长速度为3.00%, 其主要驱动来源于技术进步。低碳约束目标与低碳驱动手段是种植业低碳绩效变动的直接原因, 种植业碳排放强度对种植业低碳绩效具有一定的抑制作用, 低碳驱动手段对种植业低碳绩效具有正向促进作用, 且低碳驱动手段对种植业的低碳绩效贡献更大。进而提出了制定种植业低碳法律法规与提升财政支持有效性的低碳发展建议。

减排成本; 低碳绩效; 驱动与约束; 山东; 种植业

20世纪以来, 二氧化碳排放量的增加引发了全球温室效应加剧, 其发展程度已经严重影响到人类社会的生存与发展, 气温的升高将会影响全球大多数农作区种植业, 导致农作物产量下降。同时, 降低冬季进行病虫害防治工作效果, 增加农业的生产风险。根据我国学者董红敏等[1]研究测算, 我国农业源排放量占比已经达16%~17%。鉴于来自国际社会的减排压力与国内种植业发展的实际情况, 开展农业低碳研究是顺应时代潮流所需的必然前进方向。种植业低碳绩效评价是考虑低碳环境因素影响提出的, 它能够很好地衡量与评价种植业低碳的发展程度。而就农业的低碳发展, 国家也制定了相应的低碳环境规制约束指标。低碳环境规制的实现主要形式有低碳约束目标与低碳驱动手段。就低碳约束目标而言, 一方面可能会增加农业生产成本, 限制农业生产水平的提高从而降低绩效水平; 另一方面, 也有可能形成倒逼机制, 促进农业生产技术的提高进而提升低碳绩效水平。从低碳驱动手段而言, 积极的影响会为农业生产提供强劲的驱动力, 但也有可能使农业生产形成依赖, 抑制农业低碳绩效的提升。

种植业在农业中占有特殊位置, 是人类社会得以存在和发展的基础。其在农业中的比重最大, 产值占比超过50%。而山东省农业经济发展良好, 其农业产值与农产品外向程度常年位居我国第一位, 故以山东省为样本区域开展研究, 对我国农业而言具有很强示范意义和导向价值。故本文以种植业为对象, 对山东省种植业低碳绩效进行测度的同时, 进行低碳驱动与约束对种植业低碳绩效影响效应的研究, 力争为山东省种植业走低碳发展之路提供政策参考。

从农业低碳绩效测度的研究来看, 董明涛[2]运用DEA(数据包络分析法)测算了我国29个省份的低碳农业绩效, 并以绩效特征为标准识别了各省份的绩效水平, 并提出了相应的低碳农业发展对策。Nsiah等[3]运用DEA对非洲49个国家的农业生产效率进行绩效测度与评价, 发现技术进步是推动绩效增长的主要驱动力。吴贤荣等[4]对我国各省的农业低碳绩效发展水平进行了全面的测算与评估, 并对各省农业低碳绩效水平发展现状进行了分区。从低碳指标实现手段研究来看, 胡颖梅等[5]研究指出, 低碳规制可分为带有激励性的机制与命令性的约束机制。宋蕾[6]也指出, 我国关于低碳规制的实现, 主要是通过经济激励手段与减排目标约束手段来进行。

综合国内外研究来看, 低碳农业绩效的研究指标建立体系有待完善, 需要从全方位的角度去分析, 而关于低碳指标实现手段研究则需要从驱动与约束两方面进行详细研究。本文在系统测度山东省低碳种植业绩效的基础上, 开展低碳驱动与约束对山东省种植业低碳绩效动态影响效应的研究。

1 研究方法与指标

1.1 种植业碳排放测算方法

本文采用IPCC发布的碳排放系数法测算山东省种植业在生产过程中所释放的碳量。其种植业碳排放估算公式如下:

=∑C=∑(M×N) (1)

式中:为种植业总碳排放量,C为第种碳源的农业生产碳排放量,M为第种碳源的量, N为种碳源的碳排放系数。

本文核算种植业碳排放源来源主要借鉴尚杰等[7]与杨滨键等[8]在研究中所提及的种植业生产碳排放来源, 共6种, 见表1。

表1 农业种植业不同类型碳源的碳排放系数[9]

1.2 种植业碳汇测算方法

本文采用谢鸿宇等[10]的农业碳汇测算方法测算种植业碳汇量。计算公式如下:

1=∑gi´wi=∑gi´ei´(1-w)/A(2)

2=´(3)

t=1+2(4)

式中t农地全年碳吸收量;1为农作物全年碳吸收量;2为耕地全年固碳量;为农作物品种;g为农作物碳吸收率;w为农作物总生物量;e为农作物经济产量;w为农作物含水量;A为农作物进行光合作用合成干物质所需要的碳量, 既经济系数;为耕地面积;为土壤固碳指数,采用韩冰等[11]研究成果, 892. 07 kg∙hm−2∙a−1。

根据山东省农作物实际种植情况, 本文选取表2中的农作物作为研究对象测算山东省种植业农作物碳汇。农作物碳汇与耕地碳汇的测算数据来源于《中国统计年鉴》和《山东省统计年鉴》。

表2 种植业农作物含水量、经济系数与碳吸收率[12]

1.3 随机前沿分析法

随机前沿分析可以对种植业生产效率值和影子价格进行测算, 该分析法必须给定生产函数、成本函数或距离函数等具体的函数形式。Wang等[13]通过研究证明, 方向距离函数能够对效率与生产力进行有效评价。假设种植业在生产过程中投入的要素为, 期望产出为, 非期望产出为, 将=(g, −g)设定为方向向量, 建立在方向距离函数的随机前沿模型可表示为:

式中:g表示期望产出在方向上的最大扩张, 而−g则表示最大缩减,为方向向量,为随机误差项, 而则为需要估计的无效率部分。

运用公式(5)求导则可得到影子价格即为种植业碳排放边际减排成本, 故公式可以写成:

式中:、分别表示期望产出种植业产值和非期望产出碳排放,、、、为投入要素变量农林财政支出、农业劳动人口、总播种面积以及化肥使用量,为山东省各地级市,为样本期间2000—2018年, mc为碳排放边际减排成本,p为期望产出价格, 即额外降低1单位种植业碳排放所需损失的市场价值。

本文选用山东省各市的种植业产值作为期望产出变量; 种植业碳排放的数据作为非期望产出变量; 投入要素变量, 选取了山东省农林财政支出、农业人口、土地播种面积以及化肥使用量。为避免可能存在的异方差性, 分别对各变量进行自然对数处理之后, 进行山东省种植业碳排放边际减排成本的测算。

1.4 种植业低碳绩效测度研究方法

Malmquist指数可分解为技术效率变化(EC)和技术变化(TC)[14]。(x,y)与(x+1,y+1)是决策单元在和+1时期内投入产出的变量,D与D+1分别表示和+1时期为参考前沿的距离函数。在规模收益(VRS)的可变条件影响下, EC可拆分为纯技术效率(PEC)变化与规模效率(SEC), 表达如下:

(x+1,y+1,x,y)=PEC×SEC×TC=PEC×SEC× PTC×STC (8)

1.5 PVAR模型与变量

1.5.1 PVAR模型

本文运用PVAR模型综合考虑时间和地区因素, 全面研究低碳驱动手段与低碳约束目标对山东省种植业低碳绩效的影响效应。PVAR模型不要求具有明确的内生变量, 并且不用满足内生变量不影响外生变量的假设, 因此模型相对比较宽松。故PVAR模型表示为:

1.5.2 变量

核心被解释变量为种植业低碳绩效, 该数据来源于本文对山东省种植业低碳绩效的测算数据; 核心变量为低碳驱动手段与低碳约束目标。从实际情况出发, 我国的低碳驱动手段主要是通过经济激励, 在种植业生产中, 政府为了促进种植业更好的生产, 将会为种植业提供一定的经济支持, 帮助完善种植业生产基础设施、进行技术革新与优化种植结构等, 以此促进种植业低碳绩效的提升, 故低碳驱动指标选用财政支农力度。

低碳约束目标通常而言是政府为种植业生产设立的预期目标, 在低碳约束条件下, 种植业生产为了能够按期保质完成既定目标, 会规范种植行为, 促进种植业低碳绩效的提高。山东省政府为促进低碳发展对碳排放强度设立了具体的目标值, 本文选用的第1个低碳约束目标为种植业碳排放强度; 种植业的生产有着碳源与碳汇的双重属性, 低碳约束一方面要求减少碳排放, 另一方面碳汇的增加也成为低碳发展的关键突破口, 故选用的第2个低碳约束指标为净碳汇效应变量。

2 结果与分析

2.1 山东省种植业碳汇、碳排放和边际成本

根据《中国统计年鉴》《山东省统计年鉴》整理得到山东省种植业生产资料投入数据, 运用前文提及的种植业碳排放估算公式、碳汇公式与随机前沿分析法测算了2000—2018年山东省碳源排放量、碳汇量、碳排放强度以及碳排放边际减排成本(表3)。

表3 2000—2018年山东省种植业碳排放、碳汇、碳排放强度与碳排放边际减排成本

种植业碳排放强度=种植业碳排放量/种植业产值。Carbon emission intensity of planting industry = carbon emission of planting industry / output value of planting industry.

由表3可知, 山东省种植业碳排放总量由2000年的1119.56万t上升到2018年的1146.39万t, 上升幅度为2.40%, 年均增幅为0.14%, 在农作物产量大幅增加的同时, 碳排放总量基本保持平稳, 证明山东省的减排工作取得了一定的成效; 碳汇总量由2000年5446.46万t上升到2018年7095.17万t, 上升幅度达30.27%, 年均增幅为1.74%。种植业碳排放强度由2000年758.59 kg×(104¥)-1下降到2018年的245.05 kg×(104¥)-1, 下降幅度达67.70%, 年均降幅为6.12%。由统计年鉴数据可知, 研究期间山东省单位面积产量有显著提升, 伴随着农产品品质的提升与附加值的增高, 种植业经济获得了长足的发展, 每万元增加值的碳排放量显著减少。山东省碳减排成本从2000年8.62 ¥×t-1下降到2018年5.54 ¥×t-1, 降幅达35.73%, 年均降低2.10%, 表明碳减排所需要付出的经济成本在下降, 减排工作开展的难度明显降低。

2.2 山东省种植业低碳绩效

在构建的DEA-Malmquist模型的基础上, 对山东省17个城市2000—2018年种植业低碳绩效水平进行测度(表4)。

由表4可知, 受低碳约束的影响, 2001—2018年山东省种植业低碳绩效指数增长率较慢, 年均增长速度为3.00%。经过分解可以发现驱动种植业低碳绩效的主要力量来源于技术变化效率, 其年均增速为3.00%; 而技术效率变化(纯技术效率´规模效率)刚好处于随机前沿面, 改善程度需要加强, 同时也说明技术效率和规模效率存在一定的提升空间。整个样本期间内, 种植业低碳绩效水平呈现一定的波动, 增长的驱动力比较单一, 因此要实现种植业的低碳发展, 仅仅依赖于技术进步的提高还不够, 还需要进一步改善技术效率, 实现技术效率和技术进步的双重驱动。

表4 2001—2018年山东省种植业低碳绩效动态特征

Effch: 技术效率; techch: 技术变化效率; pech: 纯技术效率; sech: 规模效率; ML: 种植业低碳绩效。Effch: technical efficiency; techch: efficiency of technological change; pech: pure technical efficiency; sech: scale efficiency; ML: low-carbon performance of planting industry.

对Malmquist指数和分解指数历年变动情况进行分析可知, 种植业低碳绩效指数在2001年、2002年和2017年均小于1, 其中最低峰值出现在2017年, 说明上述年份种植业低碳绩效呈现负增长, 究其原因在于这些年份技术进步未得到改善, 指数均低于1, 特别是2017年技术进步效率负增长达3.80%, 严重制约了山东省种植业的低碳发展, 其余年份种植业低碳绩效均大于1, 表明该发展阶段山东省种植业低碳绩效水平呈上升趋势, 且2010年种植业低碳绩效增幅达8.50%, 说明2009—2010年山东省种植业低碳绩效水平上升幅度最大, 这主要是由于同年技术进步指数也达到最高峰值, 贡献率为8.30%。

2.3 种植业低碳绩效的低碳驱动与约束影响效应实证研究

2.3.1 实证检验

2.3.1.1 面板单位根检验

选取山东省17个城市2000—2018年的平衡面板数据, 为了避免“伪”回归现象, 在进行分析之前, 采用LLC检验、PP检验和ADF检验法对各变量进行面板单位根检验, 检验结果如表5所示。

由面板单位根检验可知, 山东省种植业低碳绩效指数(ML)的LLC检验、ADF检验、PP检验值均大于0.05, 故应接受存在单位根的原假设, 说明ML为非平稳序列, 而一阶差分后的变量3个检验的值均小于0.05, 故应拒绝原假设, 说明ML为一阶差分后平稳。同理可知, 净碳汇效应、地方财政支农力度、碳排放强度原序列非平稳, 一阶差分后平稳, 说明本文中各变量均为同阶平稳序列。

进行面板单位根检验后, 采用KAO检验法进行面板协整检验与滞后阶数确定, 结果表明均通过上述验证, 受限于篇幅原因将不对结果进行公示。

2.3.1.2 GMM参数估计及稳定性检验

采用系统GMM广义矩估计法对PVAR模型进行参数估计, 限于篇幅要求, 仅列出种植业低碳绩效方程、低碳驱动与约束的方程GMM估计结果(表6)。

由GMM参数估计表可知, 滞后1期的种植业低碳绩效(L.ML)在<0.05的显著性水平对自身(ML)呈现显著负向影响, 滞后1期的碳排放强度(L.PFQD)对当期种植业低碳绩效(ML)具有显著的抑制影响, 说明上一年较高的低碳绩效有利于当年的低碳减排。滞后1期的净碳汇效应(L.ZHXY)以及对当期的种植业低碳绩效(ML)具有显著的积极影响, 说明上一年度的净碳汇效应和低碳驱动手段对当年的种植业低碳绩效具有显著的促进作用。

表5 山东省种植业低碳绩效与解释变量面板单位根检验

ML: 种植业低碳绩效; DML: 种植业低碳绩效一阶差分; PFQD: 碳排放强度; DPFQD: 碳排放强度一阶差分; ZHXY: 净碳汇; DZHXY: 净碳汇一阶差分; CZZC: 财政支农力度; DCZZC: 财政支农力度一阶差分。ML: low-carbon performance of planting industry; DML: first order difference analysis of low-carbon performance of planting industry; PFQD: carbon emission intensity; DPFQD: first order difference of carbon emission intensity; ZHXY: net carbon sink; DZHXY: first order difference of net carbon sink; CZZC: financial support for agriculture; DCZZC: first order difference of financial support for agriculture.

表6 山东省种植业低碳绩效PVAR模型的GMM参数估计表

括号内数据为标准误差。ML: 种植业低碳绩效; PFQD: 碳排放强度; ZHXY: 净碳汇; CZZC: 财政支农力度; “L.”表示变量滞后1期。*、**和***分别表示在<10%、<5%和<1%水平显著。Data in the bracket is standard error; ML: low-carbon performance of planting industry; PFQD: carbon emission intensity; ZHXY: net carbon sink; CZZC: financial support for agriculture. “L.” indicates that the variable lags one period. *, **, and *** mean significant at the levels of<10%,<5%, and<1%, respectively.

由GMM参数估计表可知, 滞后1期的种植业低碳绩效在0.05显著性水平下对自身呈现显著的负向影响, 滞后1期的碳排放强度对当期种植业低碳绩效具有显著的抑制影响, 说明上一年低碳减排有利于当年种植业低碳绩效的提升。滞后一期的净碳汇效应以及低碳驱动对当期的种植业低碳绩效具有显著的积极影响, 说明上一年度的净碳汇效应和低碳驱动手段对当年的种植业低碳绩效具有显著的促进作用。

运行了PAVR模型后还需要对模型的稳定性进行检验, 只有稳定的模型参数估计才有意义, 本文采用AR根图法进行检验, 所有根模均落在单位圆内(图1), 故说明模型是稳定的。

2.3.2 实证分析

2.3.2.1 格兰杰因果关系研究

在PVAR模型的基础上, 进一步进行格兰杰因果关系检验, 从而确定低碳驱动与约束变量对种植业低碳绩效的作用机制, 具体见表7。由格兰杰因果关系检验可知, 在<0.05的显著性水平下拒绝了种植业碳排放强度(PFQD)、净碳汇(ZHXY)、地方财政支农力度(CZZC)不是种植业低碳绩效(ML)的格兰杰成因的原假设, 说明低碳约束目标和低碳驱动手段的变动会引起种植业低碳绩效的变动。上述格兰杰因果关系检验表明低碳驱动与约束均是引起山东省种植业低碳绩效变动的直接原因。

表7 山东省种植业低碳绩效的格兰杰因果关系检验结果

ML: 种植业低碳绩效; PFQD: 碳排放强度; ZHXY: 净碳汇; CZZC: 财政支农力度。***、**和*分别表示在<1%、<5%和<10%水平显著。ML: low-carbon performance of planting industry; PFQD: carbon emission intensity; ZHXY: net carbon sink; CZZC: financial support for agriculture. ***, ** and * mean significance at<1%,<5% and<10% levels, respectively.

2.3.2.2 脉冲响应函数分析

脉冲响应函数描述的是误差项所带来的冲击对系统内生变量的影响, 即一个标准差的正向冲击对内生变量的当期值和未来值产生的影响过程。基于格兰杰因果关系检验, 针对种植业低碳绩效对低碳约束目标与低碳驱动手段的脉冲响应图进行分析。横坐标为响应的期数, 纵轴为响应强度, 实线为脉冲响应曲线, 阴影为95%显著性水平的上下边界。

由图2a可知, 给净碳汇效应的1个标准差的正向冲击, 种植业低碳绩效向正方向响应, 并迅速达到最大响应, 响应强度为0.0054, 随后呈现波动下降的趋势, 最终趋于收敛。脉冲响应函数表明, 净碳汇效应的正向冲击会促进种植业低碳绩效的提升, 且在短期效果更加明显。

由图2b可知, 给种植业碳排放强度1个标准差的正向冲击, 种植业低碳绩效向负方向响应, 并逐渐增强, 第2期达到最大响应, 响应强度为−0.1814, 随后呈现波动下降的趋势, 并呈现正向响应, 响应强度为0.0295, 随后呈现逐步下降的趋势, 第7期再次呈现负向响应, 最终趋于收敛。脉冲响应函数表明, 种植业碳排放强度的正向冲击会在短期对种植业低碳绩效具有较强的抑制影响, 长期来看, 呈现正负交替, 但是正向响应力度远小于负向响应, 因此在长期来看, 种植业碳排放强度对种植业低碳绩效具有一定的抑制作用。

由图2c可知, 给低碳驱动1个标准差的正向冲击, 种植业低碳绩效向正方向响应, 并迅速达到最大响应, 响应强度为0.0200, 随后呈现波动下降的趋势, 第2期呈现负向响应, 并在第3期达到负向最大, 响应强度为−0.0021, 随后逐渐减弱, 并开始呈现正向响应, 最终趋于收敛。脉冲响应函数表明, 低碳驱动手段的正向冲击在短期内对种植业低碳绩效具有显著的促进作用, 中期呈现微弱的负向影响, 长期来看低碳驱动手段对种植业低碳绩效具有正向促进作用。

2.3.3 方差分解分析

表8为对种植业低碳绩效进行方差分解的结果。由表8可知, 第1期, 种植业低碳绩效对自身预测误差的方差贡献度为100%; 第2期开始, 低碳约束目标和低碳驱动手段对种植业低碳绩效具有方差贡献,且逐渐增强, 自身因素对种植业低碳绩效的方差贡献逐渐减弱。最终各因素对种植业低碳绩效的方差贡献趋于收敛。方差分解表明, 种植业低碳绩效来自于自身的方差贡献为65.52%, 来自于低碳约束目标的方差贡献为5.77%, 来自于低碳驱动手段的方差贡献为8.07%。方差分解表明相对于低碳约束目标,低碳驱动手段对种植业低碳绩效的贡献更大。

表8 山东省种植业低碳绩效方差分解分析

ML: low-carbon performance of planting industry; PFQD: carbon intensity; ZHXY: net carbon sink; CZZC: financial support for agriculture.

3 结论与建议

根据PVAR研究可知, 种植业低碳绩效受低碳约束目标与低碳驱动手段的影响, 而由格兰杰因果检验可知, 各变量之间均存在直接与间接影响关系。另外, 由方差分解可知, 低碳约束目标与低碳驱动手段对种植业低碳绩效的影响作用较大, 所以在制定低碳发展规划时, 要注重对其他相关政策进行组合运用, 才能更好地促进种植业低碳绩效提升。

低碳约束目标中种植业碳排放强度对种植业低碳绩效前期呈现出正负交替的影响作用, 这主要是由于山东省碳排放强度存在较大差异; 低碳约束目标中净碳汇效应对种植业低碳绩效呈显著正向影响,且在短期内效果相对更加明显。种植业生产双重属性中的碳汇效应对低碳减排有十分重要的作用, 另外净碳汇效应与碳排放强度约束目标需要配合使用,在充分考虑地区差异与时序变化的情况下制定, 才能取得更好地促进种植业低碳绩效增长的效果。低碳驱动手段中地方财政支农力度对种植业低碳绩效的增长贡献度最高, 对种植业低碳绩效的积极影响与空间效应研究结果一致。但长期来看, 影响效果逐渐变弱, 这主要是由于山东省经济发展良好, 市场调节能力强, 在转型升级的初期, 政府必要的财政支持力度可以降低种植业生产者的负担, 达到良好的种植业低碳绩效提高效果, 但是长期的支持容易滋生其依赖性; 而且需要重点注意的是, 从目前我国现有法律来看, 低碳约束目标与低碳驱动手段都没有相关法律作为支撑, 对于目标的制定、执行的监管都没有明确依据, 不利于低碳约束目标与低碳驱动手段作用的发挥, 对于种植业低碳绩效的提高没有起到最大的促进作用, 关于低碳约束目标与低碳驱动手段的立法工作是有效提高种植业低碳绩效的关键所在。

根据以上结论, 本文有针对性地提出以下低碳发展建议:

1)制定种植业低碳法律法规。种植业立法对于低碳进程的推动有着强力的促进作用, 可以使制定的低碳发展规划做到有法可依, 有章可循。我国目前尚无专门针对农业或者种植业低碳发展的法律法规, 而山东省只有政府发布的低碳工作方案且仅制定了短期的任务目标, 相比于法律而言缺少强制执行力, 不利于种植业的长期发展以及取得较好的低碳效果。为了能更好地促进种植业的低碳发展, 亟需制定相应的法律法规以保证种植业低碳发展。首先, 应将低碳约束用法律法规的形式确定下来, 将种植业碳排放零增长、碳排放强度降低目标以及碳汇增加目标等加入到低碳法律法规中, 增强地方重视度与执行力。其次, 制定严格的法律法规, 一方面从源头抓起, 对达不到绿色环保标准的农业生产资料投入市场的, 依据法律法规严惩制造商; 另一方面, 对于不按规定使用农药、化肥、农膜等生产资料造成环境污染的, 追究其相关法律责任。再者, 完善农产品绿色检测法律法规制度建设, 以确保内销与外销的农产品能满足绿色检疫标准。最后, 以法律的形式确定低碳激励政策, 一是对种植业低碳发展较好的典型示范地区, 给予更多的财政支持与农业补贴; 二是对于种植业低碳发展过程中做出较大贡献的个人, 给予相应的奖励, 从而激励典型地区与突出个人在种植业低碳发展过程中做出更大贡献。

在立法保证的前提下, 种植业低碳发展规划的制定就成为顺理成章的工作。一方面, 从山东省整体出发, 建立短、中、长期的低碳规划, 充分考虑碳减排以及种植业低碳绩效的提高, 兼顾经济发展; 另一方面, 统筹区域发展, 因为山东省种植业发展存在着较大差异, 低碳发展规划需要采用试点建设与分类指导相结合的方法, 做到因地制宜, 因时制划。

2)提升财政支持有效性。首先研究制定对口财政政策, 加大财税扶持力度。一是制定政策引导和扶持战略性新兴产业发展, 对相关区域的建设给予支持; 二是整合资金, 用于支持区域内种植业重点项目建设; 三是适当加大对区域内出口退税负担较重地区的财政支持力度, 解放其生产发展能力。其次是健全财政支农方式。第一, 种植业基础设施建设初期给予必要的财政支持; 第二, 健全财政投入稳定增长机制, 将种植业作为财政支出和固定资产投资的重点保障领域; 第三, 财政资金重点投入生态文明建设工程; 第四, 优化农机购置补贴政策, 加大保护性耕作、深松整地、秸秆还田等绿色增产技术所需机具补贴力度; 第五, 完善结构调整补助政策, 继续支持粮改饲, 健全生态建设补贴政策, 加强种植耕地及生态资源保护, 探索建立以绿色生态为导向的种植业补贴制度。再次是建立健全财政资金监督使用机制。财政支农资金需要做到事前申请, 事中监督, 事后考查的全程监控体系。推动农业财政支出资金绩效管理, 了解财政支持项目实施进度、绩效目标实现情况, 加强执行监控, 强化绩效评价等。

[1] 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 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 CSAE, 2008, 24(10): 269–273

[2] 董明涛. 我国低碳农业发展效率的评价模型及其应用[J]. 资源开发与市场, 2016, 32(8): 944–948 DONG M T. Evaluation model of low carbon agricultural development efficiency and its application in China[J]. Resource Development & Market, 2016, 32(8): 944–948

[3] NSIAH C, FAYISSA B. Trends in agricultural production efficiency and their implications for food security in Sub-saharan African countries[J]. African Development Review, 2019, 31(1): 28–42

[4] 吴贤荣, 张俊飚, 朱烨, 等. 中国省域低碳农业绩效评估及边际减排成本分析[J]. 中国人口·资源与环境, 2014, 24(10): 57–63Wu X R, Zhang J B, Zhu Y, et al. Performance evaluation and marginal emission reduction cost analysis of China’s provincial low carbon agriculture[J]. China’s Population, Resources and Environment, 2014, 24 (10): 57–63

[5] 胡颖梅, 江玉国, 范莉莉. 论政府低碳规制体系构建[J]. 企业经济, 2016, (4): 41–46 HU Y M, JIANG Y G, FAN L L. On the construction of government’s low carbon regulation system[J]. Enterprise Economy, 2016, (4): 41–46

[6] 宋蕾. 低碳规制的“效率困境”内生性因素分析——基于“认知-态度-行为”模型的调研[J]. 社会科学, 2012, (9): 34–40 SONG L. Efficiency dilemma of governmental regulations in low-carbon governance[J]. Journal of Social Sciences, 2012, (9): 34–40

[7] 尚杰, 杨滨键. 种植业碳源、碳汇测算与净碳汇影响因素动态分析: 山东例证[J]. 改革, 2019, (6): 123–134SHANG J, YANG B J. Estimation of carbon source and carbon sequestration in planting industry and dynamic analysis of influencing factors of net carbon sequestration: A case study of Shandong Province[J]. Reform, 2019, (6): 123–134

[8] 杨滨键, 田景仁, 孙红雨. 农业生产碳足迹影响因素研究——基于SVAR模型[J]. 生态经济, 2019, 35(8): 120–127 YANG B J, TIAN J R, SUN H Y. Study on the factors influencing the carbon footprint of agricultural production based on the SVAR model[J]. Ecological Economy, 2019, 35(8): 120–127

[9] IPCC. 2006 IPCC guidelines for national greenhouse gas inventories[EB/OL]. (2012-12-01). http://www.ipcc-nggip.iges. or.jp/public/2006gl/

[10] 谢鸿宇, 陈贤生, 林凯荣, 等. 基于碳循环的化石能源及电力生态足迹[J]. 生态学报, 2008, 28(4): 1729–1735 XIE H Y, CHEN X S, LIN K R, et al. The ecological footprint analysis of fossil energy and electricity[J]. Acta Ecologica Sinica, 2008, 28(4): 1729–1735

[11] 韩冰, 王效科, 逯非, 等. 中国农田土壤生态系统固碳现状和潜力[J]. 生态学报, 2008, 28(2): 612–619 HAN B, WANG X K, LU F, et al. Carbon sequestration status and potential of farmland soil ecosystem in China[J]. Acta Ecologica Sinica, 2008, 28(2): 612–619

[12] 李克让. 土地利用变化和温室气体净排放与陆地生态系统碳循环[M]. 北京: 气象出版社, 2002 LI K R. Land Use Change and Net Greenhouse Gas Emissions and Terrestrial Ecosystem Carbon Cycle[M]. Beijing: Meteorological Publishing House, 2002

[13] WANG K, XIAN Y J, LEE C Y, et al. On selecting directions for directional distance functions in a non-parametric framework: A review[J]. Annals of Operations Research, 2019, 278(1/2): 43–76

[14] 鲁涛, 周晶. 基于投入要素生产效率变化的Malmquist指数分解方法[J]. 统计与决策, 2010, (17): 20–22 LU T, ZHOU J. Malmquist index decomposition method based on input factor productivity change[J]. Statistics and Decision, 2010, (17): 20–22

Low carbon performance measurement and dynamic effects:A case study of the planting industry in Shandong Province*

YANG Binjian1,2, SUN Hongyu3**

(1. Business School of Guizhou Minzu University, Guiyang 550025, China; 2. College of Economics and Management, Northeast Forestry University, Harbin 150040, China; 3. Economics School of Guizhou University, Guiyang 550025, China)

Increased greenhouse effects have seriously affected the survival and development of human society. Data from the Intergovernmental Panel on Climate Change (IPCC) indicates that agricultural greenhouse gases account for 13.5% of global anthropogenic emissions. This study investigated the planting industry in Shandong Province, China, which accounts for the highest proportion of agricultural output, to provide policy recommendations that should help the planting industry in the province follow a low-carbon development path. This study measured carbon emission, carbon sinks, carbon emission intensity, and the marginal cost of carbon emission reduction; used the DEA Malmquist model to measure the low-carbon performance level; and investigated the dynamic effects of low-carbon driving and constraint on the low-carbon performance of the planting industry in Shandong Province. The results showed that from 2000 to 2018, the carbon emission and carbon sink of planting industry in Shandong Province increased 0.26% and 1.71% averagely every year, while carbon emission intensity and marginal cost of carbon emission reduction decreased 3.12% and 2.10%, respectively. The low-carbon performance index increased slowly with an annual increasing rate of 3.00%, which mainly was driven by the efficiency of technology change. The low-carbon constraint goals and low-carbon drivers were the direct reasons of low-carbon performance change of the planting industry. The carbon emission intensity and low-carbon constraint goals had negative and passive effects on the low-carbon performance of plant industry, respectively. The low-carbon constraint goals played a more important role in the low-carbon performance of plant industry of Shandong Province. The findings of this study suggest that low-carbon development can be achieved by formulating low-carbon laws and regulations and improving the effectiveness of financial support.

Cost of emission reduction; Low-carbon performance; Drive and constraint; Shandong Province; Planting industry

10.13930/j.cnki.cjea.200279

杨滨键, 孙红雨. 低碳绩效测度与动态效应研究——以山东省种植业为例[J]. 中国生态农业学报(中英文), 2021, 29(3): 581-589

YANG B J, SUN H Y. Low carbon performance measurement and dynamic effects: A case study of the planting industry in Shandong Province[J]. Chinese Journal of Eco-Agriculture, 2021, 29(3): 581-589

F323.22

* 国家自然科学基金项目(71573036)和国家社会科学基金重点项目(17AZD012)资助

孙红雨, 研究领域为国际合作理论与政治、生态经济学。E-mail: 287033449@qq.com

杨滨键, 研究领域为农业经济学、资源环境经济学、碳会计。E-mail: yangbj919@163.com

2020-04-13

2020-12-10

* This study was supported by the National Natural Science Foundation of China (71573036) and the National Social Science Foundation of China (17AZD012).

, E-mail: 287033449@qq.com

Apr. 13, 2020;

Dec. 10, 2020