碳排放约束下农村全要素生产率研究
目 录
1 引言 1
2 研究方法及数据说明 1
2.1 三阶段DEA模型2
2.2 样本数据和环境变量的选取3
3 实证分析 6
3.1 第一阶段传统DEA实证结果6
3.2 第二阶段SFA回归结果8
3.3 第三阶段投入调整后的DEA实证结果9
4 政策与建议12
结论 14
致谢 15
参考文献 16
图1 2000-2011年中国三大地区及全国农业综合技术效率走势图8
图2 2000-2011年中国三大地区及全国农业综合技术效率走势图 12
表1 农业碳排放源、碳排放系数和资料来源4
表2 样本投入产出变量的描述性统计分析（2000-2011年） 5
表3 2000-2011年我国各省份农村全要素生产率及其分解6
表4 2000-2011年中国三大地区弄村全要素生产率均值及其分解7
表5 第二阶段SFA回归结果（2000-2011年）9
表6 调整后2000-2011年我国各省份弄村全要素生产率及其分解10
表7 调整后2000-2011年中国三大地区弄村全要素生产率均值及其分解11
1 引言
全要素生产率( Total Factor Productivity，TFP) 是衡量一个特定经济单位经济可持续发展以及经济运行水平的核心指标，是近年来经济学的研究热点。[1]以往的研究,主要关注的是资源投入和农业产出之间的关系，基于保护环境角度而进行的探讨并不多见，尤其是将碳排放量和资源投入、农业发展作为一个整体来研 *好棒文|www.hbsrm.com +Q: *351916072*
究的仍较为缺乏。随着经济的发展，中国农业的发展不仅要接受资源匮乏的考验，也面临着日益严峻的环境形势：其一，我国的农业资源的地区差异较大，耕地面积逐年减少，农业劳动力数量庞大但总体素质不高，农业投资有限，农业技术没有成为农业增长的主要推动力，农业受气候和水的影响越来越大，农业资源投入的浪费和不合理利用直接导致我国农村全要素生产率低下；其二，大量使用化肥、农药、薄膜、机械，增加了碳的排放量，因此而引发的环境污染和气候变暖问题影响并制约着农村全要素生产率的提高。[2]在这种情况下，农村全要素生产率已经不只是一个简单的指标计算问题，而是关乎资源、环境与农业的关系处理问题和农业乃至国民经济持续稳定发展的问题，我们应及时将碳排放量纳入到农村全要素生产率的计算中，以此来全面反映农业发展的程度。
在碳排放限制条件下，农村全要素生产率是综合考虑碳排放量和传统农村全要素生产率的一个综合生产率，是农业产出与传统农业投入、碳排放量之间的比例关系。[3]它是传统农业生产率的延伸和发展，体现了农业发展的基本方向——资源节约与环境友好。在高产、高效、优质、安全的现代农业发展过程中，农村全要素生产率与碳排放量有着密切关系。在农业投入一定的情况下，碳排放量的增加或许会带来农业的丰收，但其所产生的污染和对农业负面影响是肯定的，农业综合生产率势必会降低。碳排放和农村全要素生产率可以说是此消彼长的关系，必须将碳排放量与农村全要素生产率和农业发展联系起来进行研究，使农村全要素生产率维持在资源低消耗、碳低排放、环境低污染基础上的水平提升，实现资源、环境与农业协调发展。为此，本文将在传统农村全要素生产率的研究基础上，借助三阶段DEA模型，对碳排放约束下我国省际农村全要素生产率增长及其源泉进行实证分析，将农业增长、资源节约与碳排放量纳为一个整体框架进行研究，期望更为准确地描述我国农村全要素生产率。
2 研究方法及数据说明
2.1 三阶段DEA模型
三阶段DEA模型是一种能够更加准确的评价决策单元（DMU）效率的方法，是由Fried等（2002）经过多年研究提出的。该方法最大的优势是能够剥离出环境因素与随机干扰等非经营性因素对效率的影响，使其能够更加完整、真实地体现出决策单元的内部营运水平。[4]其构建和运用包括三个阶段。
第一阶段：传统的DEA模型（BCC模型）。DEA方法是由Chames等于1978年提出的，目的是为了评价“多投入，多产出”模式下决策单元间的相对有效性。[5]关于任意DMU0，在投入导向下，对偶形式的BCC模型可表示为：
（1）
其中，i=1,2，，m；k=1,2，，n。n为决策单元的个数，m和s分别为输入与输出变量的个数， （j=1,2，，m；）为投入要素， （r=1,2，，s；）为产出要素，θ为决策单元DMU0的有效值。若θ=1，且s+=s-=0，则决策单元DEA有效；若θ=1，且s+≠0，或s+≠0时，则决策单元为弱DEA有效；若θ﹤1，则决策单元非DEA有效。[6]由BCC模型计算出的效率值是综合的技术效率值，还可以进一步细化为规模效率与纯技术效率的乘积，即综合技术效率=纯技术效率×规模效率。[7]
第二阶段：相似SFA分析模型。是由Fried等在2002年研究得出，第一阶段分析得出的投入/产出松弛变量有三个影响因素，分别 *好棒文|www.hbsrm.com +Q: *351916072*
是环境因素、随机因素和管理效率因素。[4]但传统DEA模型对于分别出这三部分因素对效率值的影响是完全不够的, 此时的效率值无法反映出造成低效到底是由于何种因素导致。在第二阶段通过构建类似SFA模型可以分别测算出上述三个因素的影响作用, 从而进一步剥离环境因素和随机因素, 得出造成的DMU投入冗余的唯一因素是管理无效率。[6]以投入导向为例, 设有n个决策单元, 每个决策单元均有m种投入, 假定有p个可观测的环境变量, 分别对每个决策单元的投入松驰的变量进行SFA分析, 可构建如下SFA回归方程:
（2）
其中，i=1,2，，m；k=1,2，，n。 表示第k个决策单元第i项投入的松弛变量； =（ ， ，， ）表示p个可变的的环境变量， 为环境变量的待估参数； 表示环境变量对投入差额值 的影响，一般取 = 。 为混合误差项， 为随机干扰项，并假设 ～N（0， ）； 表示管理无效率，假定其服从截断正太分布，即 ～N（0， ）； 与 独立不相关。γ= 为综合技术无效率方差占总方差的比重，特别地，当γ的值趋向1时，管理因素的影响占主导地位；而当γ的值趋向0时，则表明随机误差是主要因素。[8]
对决策单元的投资调整SFA模型回归分析结果，提高决策单元，环境好运气或良好的投资，消除环境因素的影响在一个时间或随机的因素。基于最有效的决策单元，以其投入量为基础，调整其他各样本投入量如下：
（3）
其中, i= 1，2，，m；k= 1，2，，n。 表示第k个决策单元第i项投入的实际值, 为其调整之后的值； 为环境变量参数的估计值； 为随机干扰项的估计值。式（3)中第一个括号表示将全部决策单元调整为相同的环境, 第二个括号表示将全部决策单元的随机误差调整为相同情形, 使得每个决策单元面对的经营环境和运气都是相同的。[9]
ITE1 PTE1 GE1 ITE1 PTE1 GE1 ITE1 PTE1 GE1 ITE1 PTE1 GE1
1 引言 1
2 研究方法及数据说明 1
2.1 三阶段DEA模型2
2.2 样本数据和环境变量的选取3
3 实证分析 6
3.1 第一阶段传统DEA实证结果6
3.2 第二阶段SFA回归结果8
3.3 第三阶段投入调整后的DEA实证结果9
4 政策与建议12
结论 14
致谢 15
参考文献 16
图1 2000-2011年中国三大地区及全国农业综合技术效率走势图8
图2 2000-2011年中国三大地区及全国农业综合技术效率走势图 12
表1 农业碳排放源、碳排放系数和资料来源4
表2 样本投入产出变量的描述性统计分析（2000-2011年） 5
表3 2000-2011年我国各省份农村全要素生产率及其分解6
表4 2000-2011年中国三大地区弄村全要素生产率均值及其分解7
表5 第二阶段SFA回归结果（2000-2011年）9
表6 调整后2000-2011年我国各省份弄村全要素生产率及其分解10
表7 调整后2000-2011年中国三大地区弄村全要素生产率均值及其分解11
1 引言
全要素生产率( Total Factor Productivity，TFP) 是衡量一个特定经济单位经济可持续发展以及经济运行水平的核心指标，是近年来经济学的研究热点。[1]以往的研究,主要关注的是资源投入和农业产出之间的关系，基于保护环境角度而进行的探讨并不多见，尤其是将碳排放量和资源投入、农业发展作为一个整体来研 *好棒文|www.hbsrm.com +Q: *351916072*
究的仍较为缺乏。随着经济的发展，中国农业的发展不仅要接受资源匮乏的考验，也面临着日益严峻的环境形势：其一，我国的农业资源的地区差异较大，耕地面积逐年减少，农业劳动力数量庞大但总体素质不高，农业投资有限，农业技术没有成为农业增长的主要推动力，农业受气候和水的影响越来越大，农业资源投入的浪费和不合理利用直接导致我国农村全要素生产率低下；其二，大量使用化肥、农药、薄膜、机械，增加了碳的排放量，因此而引发的环境污染和气候变暖问题影响并制约着农村全要素生产率的提高。[2]在这种情况下，农村全要素生产率已经不只是一个简单的指标计算问题，而是关乎资源、环境与农业的关系处理问题和农业乃至国民经济持续稳定发展的问题，我们应及时将碳排放量纳入到农村全要素生产率的计算中，以此来全面反映农业发展的程度。
在碳排放限制条件下，农村全要素生产率是综合考虑碳排放量和传统农村全要素生产率的一个综合生产率，是农业产出与传统农业投入、碳排放量之间的比例关系。[3]它是传统农业生产率的延伸和发展，体现了农业发展的基本方向——资源节约与环境友好。在高产、高效、优质、安全的现代农业发展过程中，农村全要素生产率与碳排放量有着密切关系。在农业投入一定的情况下，碳排放量的增加或许会带来农业的丰收，但其所产生的污染和对农业负面影响是肯定的，农业综合生产率势必会降低。碳排放和农村全要素生产率可以说是此消彼长的关系，必须将碳排放量与农村全要素生产率和农业发展联系起来进行研究，使农村全要素生产率维持在资源低消耗、碳低排放、环境低污染基础上的水平提升，实现资源、环境与农业协调发展。为此，本文将在传统农村全要素生产率的研究基础上，借助三阶段DEA模型，对碳排放约束下我国省际农村全要素生产率增长及其源泉进行实证分析，将农业增长、资源节约与碳排放量纳为一个整体框架进行研究，期望更为准确地描述我国农村全要素生产率。
2 研究方法及数据说明
2.1 三阶段DEA模型
三阶段DEA模型是一种能够更加准确的评价决策单元（DMU）效率的方法，是由Fried等（2002）经过多年研究提出的。该方法最大的优势是能够剥离出环境因素与随机干扰等非经营性因素对效率的影响，使其能够更加完整、真实地体现出决策单元的内部营运水平。[4]其构建和运用包括三个阶段。
第一阶段：传统的DEA模型（BCC模型）。DEA方法是由Chames等于1978年提出的，目的是为了评价“多投入，多产出”模式下决策单元间的相对有效性。[5]关于任意DMU0，在投入导向下，对偶形式的BCC模型可表示为：
（1）
其中，i=1,2，，m；k=1,2，，n。n为决策单元的个数，m和s分别为输入与输出变量的个数， （j=1,2，，m；）为投入要素， （r=1,2，，s；）为产出要素，θ为决策单元DMU0的有效值。若θ=1，且s+=s-=0，则决策单元DEA有效；若θ=1，且s+≠0，或s+≠0时，则决策单元为弱DEA有效；若θ﹤1，则决策单元非DEA有效。[6]由BCC模型计算出的效率值是综合的技术效率值，还可以进一步细化为规模效率与纯技术效率的乘积，即综合技术效率=纯技术效率×规模效率。[7]
第二阶段：相似SFA分析模型。是由Fried等在2002年研究得出，第一阶段分析得出的投入/产出松弛变量有三个影响因素，分别 *好棒文|www.hbsrm.com +Q: *351916072*
是环境因素、随机因素和管理效率因素。[4]但传统DEA模型对于分别出这三部分因素对效率值的影响是完全不够的, 此时的效率值无法反映出造成低效到底是由于何种因素导致。在第二阶段通过构建类似SFA模型可以分别测算出上述三个因素的影响作用, 从而进一步剥离环境因素和随机因素, 得出造成的DMU投入冗余的唯一因素是管理无效率。[6]以投入导向为例, 设有n个决策单元, 每个决策单元均有m种投入, 假定有p个可观测的环境变量, 分别对每个决策单元的投入松驰的变量进行SFA分析, 可构建如下SFA回归方程:
（2）
其中，i=1,2，，m；k=1,2，，n。 表示第k个决策单元第i项投入的松弛变量； =（ ， ，， ）表示p个可变的的环境变量， 为环境变量的待估参数； 表示环境变量对投入差额值 的影响，一般取 = 。 为混合误差项， 为随机干扰项，并假设 ～N（0， ）； 表示管理无效率，假定其服从截断正太分布，即 ～N（0， ）； 与 独立不相关。γ= 为综合技术无效率方差占总方差的比重，特别地，当γ的值趋向1时，管理因素的影响占主导地位；而当γ的值趋向0时，则表明随机误差是主要因素。[8]
对决策单元的投资调整SFA模型回归分析结果，提高决策单元，环境好运气或良好的投资，消除环境因素的影响在一个时间或随机的因素。基于最有效的决策单元，以其投入量为基础，调整其他各样本投入量如下：
（3）
其中, i= 1，2，，m；k= 1，2，，n。 表示第k个决策单元第i项投入的实际值, 为其调整之后的值； 为环境变量参数的估计值； 为随机干扰项的估计值。式（3)中第一个括号表示将全部决策单元调整为相同的环境, 第二个括号表示将全部决策单元的随机误差调整为相同情形, 使得每个决策单元面对的经营环境和运气都是相同的。[9]
ITE1 PTE1 GE1 ITE1 PTE1 GE1 ITE1 PTE1 GE1 ITE1 PTE1 GE1
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jmgl/cwgl/6703.html
