凈碳排放約束下的中國耕地利用效率評價及空間關聯研究

吳昊玥，黃瀚蛟，何艷秋，陳文寬，*

(1.四川農業大學 管理學院，四川 成都 611130； 2.西北農林科技大學 林學院，陜西 咸陽 712100)

隨著我國經濟的高速增長和城鎮化進程的加快，耕地面臨數量銳減、質量退化的嚴峻現狀。作為人類賴以生存的基本資源，提升耕地利用效率是實現可持續發展的必由之路。耕地利用必須恪守保障生態安全的前提。一方面，耕地利用過程中涉及的農用能源、物資等是全球溫室氣體的重要排放源；另一方面，農作物具備固碳能力，可緩解耕地利用中的碳排效應[1]。碳排放與碳吸收分別從釋放、存儲2個相反方向作用于凈碳排放。探索凈碳排放約束下耕地的有效利用方式，是協調利用效率與環境保護關系的必然要求。由于存在地理環境相似性、生產要素流動性和不同區域的模仿行為，耕地利用方式往往存在區域關聯。深入研究凈碳排放約束下的耕地利用效率、改進方向和空間關聯，可為把握區域耕地利用發展方向提供理論支撐。

隨著耕地資源短缺與糧食安全之間的矛盾逐漸凸顯，耕地利用效率成為學界研究熱點，研究尺度涵蓋宏觀、中觀、微觀，研究區域涉及全國[2]、省域[3]、市域[4]、縣域[5]、鎮域[6]乃至村域[7]。在研究方法上，一些學者應用主成分分析[3]、能值理論[8]、熵值法[5]等方法，基于統計數據構建評價指標體系；更普遍的做法是采用數據包絡分析(DEA)方法[9-10]、隨機前沿方法(SFA)[11]和SBM模型[12]，把耕地利用過程視作投入產出系統進行評價。在指標選取上，部分文獻的研究重點在于耕地利用的經濟效益方面，將耕地與勞動、化肥、機械等要素一同視為投入，以農業增加值、糧食產量等指標作為產出[9，13-14]，其實質是對農業全要素生產率的測算，無法體現單位面積耕地的利用效率。為解決該問題，有文獻提出地均投入產出指標，以實現對耕地利用效率的有效測度[15]。一些學者將環境約束納入耕地利用效率指標體系[16-18]，以面源污染和碳排放作為非期望產出指標。雖然深化土地利用碳排放研究已成為土地科學研究的重點[19]，但僅有少數學者把碳排放作為非期望產出進行研究，且相關研究往往忽略碳吸收作用，致使所得結果并非凈碳排放，等同于高估了耕地的非期望產出，導致研究的現實意義減弱。在研究內容上，多圍繞耕地利用效率的時空演變[20]、區域差異[11，15]、影響因素[3，6，21]等展開討論，為相關研究奠定了一定基礎。隨著耕地質量、生產效率等指標被證實存在空間相關性[22-23]，耕地利用效率的空間關聯效應問題已引起學界關注。有學者選取全國、糧食主產區、甘肅省廣河縣村域作為研究對象，利用探索性空間數據分析(ESDA)，發現耕地利用效率存在空間正向自相關性[7，21，24]。但這些研究存在同一個問題：在量化空間單元關系時，均選用“0-1”鄰接權重矩陣，忽視了非相鄰單元間可能存在的相互影響，也無法體現地理距離產生的作用區別，還會出現海南島四面無鄰的孤島現象，不適用于實際分析[25]。

為此，本文將耕地利用過程的碳排放、碳吸收共同納入研究范圍，以凈碳排放作為非期望產出，應用SBM-Undesirable模型評價2007—2016年中國30個省(市、自治區)的耕地利用效率并分析改進方向，基于可體現空間非鄰接單元相互作用的距離平方倒數矩陣，運用Moran’s I從全域和局域2個視角對效率的空間關聯效應展開探討，以期為制定區域間差異化、區域內統一化的耕地利用政策提供理論依據。

1 材料與方法

1.1 SBM-Undesirable模型

1.1.1 模型介紹

由于將耕地凈碳排放納入了評價體系并作為非期望產出，因此選用SBM-Undesirable模型進行研究。該模型把松弛變量加進目標函數，避免了投入產出的松弛性問題，能科學處理非期望產出。

P={(x，yg，yb)|x≥Xλ，yg≤Ygλ，yb≥Ybλ，λ≥0}，

(1)

(2)

1.1.2 指標選取與數據來源

借鑒已有研究[9，15-16]，考慮耕地利用過程中的勞動、機械、灌溉及物資4類投入，將農業增加值和糧食產量作為期望產出、凈碳排放作為非期望產出，以單位耕地面積的要素投入和產出構建指標體系(表1)。要說明的是，雖然農藥、農膜使用過程中會產生碳排放，也有研究將其作為投入指標[16]，但計算發現，農藥、農膜碳排放量僅占農地利用碳排放總量的10.01%、13.01%，遠低于化肥碳排放量占比(56.45%)，為保證4類投入的下設指標個數一致，本研究僅將化肥施用強度列作物資投入指標。

表1中，地均凈碳排放量是非期望產出指標，計算方法為耕地碳排放量減去吸收量的差值除以耕地面積。碳排放源主要考慮3類：一是農地利用導致的碳排放，即化肥、農藥、農膜3種農用物資和農業翻耕、灌溉活動產生的碳排放；二是高碳排作物水稻生長發育過程中產生的甲烷；三是煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣等8種農用能源導致的碳排放。耕地碳排放總量為3類碳排放源的排放量之和，各類碳排放源均包括若干碳源因子，具體計算公式如下：

E=∑Ei=∑(Ti·δi)。

(3)

式(3)中：E表示某類碳排放源的排放量；Ei

表1 耕地利用效率評價的投入產出指標

Table1The input-output indicators for evaluation of cultivated land utilization efficiency

投入指標Input index計算方式Calculation method產出指標Output index 計算方式Calculation method勞動投入Laborinput地均農業從業人數Agricultural workers percultivated land/hm-2農業從業人數/耕地面積Number of agriculturalworkers/cultivated land area期望產出1Expectedoutput 1地均農業增加值Agricultural added value percultivated land/(yuan·hm-2)農業增加值/耕地面積Agricultural addedvalue/cultivated land area機械投入Machineinput地均農業機械動力Agricultural machinery powerper cultivated land/(kW·hm-2)農業機械總動力/耕地面積Total power of agriculturalmachinery/cultivated land area期望產出2Expectedoutput 2地均糧食產量Grain yield per cultivatedland/(t·hm-2)糧食產量/耕地面積Grain yield/cultivatedland area灌溉投入Irrigationinput有效灌溉率Effectiveirrigation rate有效灌溉面積/耕地面積Effective irrigation area/cultivated land area非期望產出Unexpectedoutput地均凈碳排放量Net carbon emissions percultivated land/(t·hm-2)耕地凈碳排放/耕地面積Net carbon emissions/cultivated land area物資投入Materialinput化肥施用強度Fertilizer applicationintensity/(t·hm-2)化肥施用量/耕地面積Application amount offertilizers/cultivated land area

表示某碳源因子的排放量；Ti表示該碳源因子的量；δi表示該碳源因子的對應系數。其中，農地利用和農用能源各項因子的系數參考段華平等[26]和聯合國政府間氣候變化專門委員會(IPCC)[27]的研究；水稻碳排放系數考慮各省差異，參考閔繼勝等[28]的研究。限于篇幅，此處不具體給出各類碳源因子的詳細系數。

耕地碳吸收主要考慮作物種植活動的碳吸收量，即農作物生命周期中通過光合作用形成的凈初級生產量。計算公式如下：

(4)

式(4)中：C為農作物碳吸收總量；k為農作物種類數；Ci為某種作物的碳吸收量；ci為作物通過光合作用合成單位有機質所需吸收的碳量；Yi為作物的經濟產量；ri為作物經濟產品部分的含水率因子；Hi是作物的經濟系數。相關系數賦值參考王修蘭[29]的研究成果。

對農業增加值數據進行平減處理，將各年對應值折算成以2007年可比價格計算的實際值，以剔除價格因素干擾。所有數據來源于歷年《中國統計年鑒》《中國農村統計年鑒》《中國能源統計年鑒》，以及各省(市、自治區)統計局網站，不考慮港、澳、臺地區，西藏地區因數據缺失較多，也不納入本研究范圍。經整理，形成2007—2016年30個省(市、自治區)的面板數據。

1.2 空間自相關性檢驗

1.2.1 全域空間自相關

全域空間自相關分析可用于探索耕地利用效率的整體空間聯系，通常使用全域Moran’s I作為相應指標，具體計算公式如下：

(5)

(6)

式(5)、(6)中：I為全域Moran’s I；n表示空間單元數量，在本研究中n=30；x是每個空間單元的值，此處為耕地利用效率；Wij是空間權重矩陣。Moran’s I的值域為[-1，1]，在給定顯著性水平下，當Moran’s I為正數時，表示觀測值之間存在正相關，在空間上呈集聚分布；當Moran’s I為負數時，表示觀測值之間存在負相關，在空間上呈分散分布；取值越接近0，表示觀測值空間分布的相關性越弱。對于Moran’s I的統計檢驗，采用Z檢驗。

1.2.2 局域空間自相關

局域Moran’s I可用于分析局部具體關聯特征，計算公式如下：

(7)

1.2.3 空間權重矩陣

空間權重矩陣可用于量化數據之間的空間關系。基于距離衰減函數構建空間權重矩陣。由于空間關系強度隨距離減弱的程度強于線性比例關系，因此權重與距離倒數并非成正比關系。以30省(市、自治區)兩兩(省以省會、自治區以首府所在地為基準)間的距離平方倒數作為權重，計算方式如下：

(8)

式(8)中：wij為權重值；i、j為空間單元；dij為兩單元之間的距離。

2 結果與分析

2.1 中國耕地利用效率評價與分析

2.1.1 耕地利用效率評價

根據前文方法，利用DEA Solver pro 5.0軟件，選用VRS假設下的SBM-Undesirable模型評價2007—2016年30省(市、自治區)的耕地利用效率，并采用自然斷點分級法，將各省(市、自治區)耕地利用效率均值由高到低分為高效率(=1.000)、較高效率[0.929， 1.000)、中等效率[0.838， 0.929)、較低效率[0.737， 0.838)和低效率[0.492， 0.737) 5個等級，結果如表2所示。

表2 各省(市、自治區)耕地利用效率

Table2Cultivated land utilization efficiency of 30 provinces (municipalities, autonomous regions)

效率等級Efficiency grade決策單元Decision making unit20072010201320162007—2016均值Mean of 2007-2016變異系數Variation coefficient低效率天津Tianjin0.4580.4800.4780.5440.4920.072Low efficiency山西Shanxi0.4330.9990.5050.6260.5300.295寧夏Ningxia0.5260.6070.5400.6960.5650.103北京Beijing0.7070.6700.6080.4590.6030.160安徽Anhui0.6830.6750.5080.5410.6370.229較低效率內蒙古Inner Mongolia0.8440.7000.7051.0000.7370.145Relatively low efficiency河北Hebei1.0000.7151.0000.6770.7540.182甘肅Gansu0.6351.0000.6810.7150.7710.208中等效率陜西Shaanxi0.7000.7471.0000.7690.8380.172Medium efficiency廣西Guangxi1.0001.0001.0000.5880.8590.219山東Shandong0.7981.0001.0000.7160.8730.157河南Henan1.0000.7240.6691.0000.8760.183貴州Guizhou1.0000.6041.0001.0000.8830.220云南Yunnan1.0000.6221.0000.7150.8860.173湖南 Hunan1.0000.8140.7591.0000.8870.122較高效率遼寧Liaoning1.0000.9301.0001.0000.9290.079Relatively high efficiency湖北 Hubei1.0001.0001.0001.0000.9520.106上海Shanghai1.0001.0001.0000.5890.9590.135福建Fujian0.8590.9141.0001.0000.9610.069高效率吉林Jilin1.0001.0001.0001.0001.0000High efficiency黑龍江Heilongjiang1.0001.0001.0001.0001.0000江蘇Jiangsu1.0001.0001.0001.0001.0000浙江Zhejiang1.0001.0001.0001.0001.0000江西Jiangxi1.0001.0001.0001.0001.0000廣東Guangdong1.0001.0001.0001.0001.0000海南Hainan1.0001.0001.0001.0001.0000重慶Chongqing1.0001.0001.0001.0001.0000四川Sichuan1.0001.0001.0001.0001.0000青海Qinghai1.0001.0001.0001.0001.0000新疆Xinjiang1.0001.0001.0001.0001.0000平均水平Mean全國Nationwide0.8880.8730.8820.8550.8670.160

2007—2016年間，全國耕地利用效率均值為0.867，說明耕地利用情況良好，但仍與最優效率存在差距。不同省(市、自治區)間效率差異明顯：高效率等級包括吉林、黑龍江等11個省(市、自治區)，在注重耕地經濟產出的同時，也兼顧了非期望產出的控制，其投入產出效率相對于其他地區而言已達最優水平，應繼續保持并適當調整各投入要素，使耕地利用方式更符合當地資源稟賦和發展要求；較高效率等級包括遼寧、湖北、福建和上海，若加強對投入組合的優化和對非期望產出的控制，這3省1市跨入高效率等級的可能性較大；中等效率等級包括陜西、廣西等7省(自治區)，其中，河南、貴州和湖南耕地利用效率在不同年份間起伏較大，但近年發展趨勢良好，在2016年效率值已上升為1.000，而其他4省(自治區)近3年的耕地利用效率有降低趨勢，值得引起重視。較低效率等級包括河北、甘肅和內蒙古，其中，河北和甘肅耕地利用效率在不同年份間波動較大，內蒙古耕地利用效率近年來雖有所上升，但仍具較大改進空間；低效率等級包括天津、山西、寧夏、北京和安徽，其中，北京、安徽的耕地利用效率呈降低態勢，發展趨勢不容樂觀。

從變異系數來看，山東、北京、陜西、云南、河北、河南、甘肅、廣西、貴州、安徽和山西的耕地利用效率起伏較大，福建、天津、遼寧、寧夏、湖北、湖南、上海、內蒙古的波動較小。對于效率高且穩定的地區，應繼續保持良好的發展狀態；對于效率在高低水平間波動的地區，應以效率較高年份對應的投入組合作為參考方向，對當前投入要素進行適當調整；對于效率穩定于低水平的地區，應針對冗余投入及非期望產出采取應對措施，盡快找到適合的耕地利用方式。

2.1.2 改進方向分析

為探索非有效單元的改進方向，根據2007—2016年間各項投入、非期望產出冗余和期望產出不足的情況，計算19個非有效單元各項指標的平均可改進比例(表3)。

這19個非有效決策單元均存在投入和非期望產出冗余，從均值來看，物資(化肥)投入冗余與提高耕地利用效率之間的矛盾最為突出，農業增加值期望產出不足的影響最小。根據各單元改進比例最大的要素，可將這19個非有效決策單元劃分為投入冗余型、非期望產出冗余型和期望產出不足型3類。投入冗余型單元數量多達15個，可進一步細分為勞動冗余型(山西、貴州、云南)、機械冗余型(湖北)、灌溉冗余型(上海、福建)，及物資冗余型(天津、河北、遼寧、安徽、山東、河南、廣西、甘肅、寧夏)。其中，山西、云南、貴州等地形以山區為主且土地經營規模較小的省份的主要改進方向為降低勞動冗余，而山東、河北、河南、安徽等農業大省效率提升的關鍵在于降低化肥投入強度。非期望產出冗余型包括北京和湖南兩地，單位面積凈碳排放過高是導致其耕地利用低效的主要因素，亟待加強耕地碳排放源頭控制。期望產出不足型包含內蒙古和陜西，主要體現在糧食產量指標方面。除內蒙古和陜西外，其他省(市、自治區)在現有投入組合下也存在不同程度的糧食潛在產出。

可見，耕地利用效率往往受多因素的共同作用。湖北、安徽、河南、河北等糧食主產區效率低的主要原因在于化肥冗余率過高，但其凈碳排放冗余問題同樣不容忽視。這是由于化肥施用過多在形成浪費的同時，還帶來大量的碳排放。因此，耕地利用效率改進的方向是相對多元的，應以關鍵改進因素為主導，對相關指標進行協同把控。

2.2 耕地利用效率空間格局演變分析

2.2.1 耕地利用效率空間分布情況

根據30個省(市、自治區)的耕地利用效率可知，效率較高的省(市、自治區)主要位于我國東南沿海、東北和西部地區，各地的驅動因素有所區別：東南沿海地區耕地資源有限，但地形相對平坦，光熱資源匹配狀況較好，隨著經濟騰飛和科技發展，各地農業集約化水平呈現出加速發展態勢；東北地區一直是我國糧食主產區，各類涉農投入較大，較高的科技水平和生產投入使其耕地利用效率位居全國平均水平之上；西部地區依托于近年來的政策引導和科技水平提高，逐步改善自然生態環境，同時，西北地區夏季氣溫高、光照強，晝夜溫差大，新疆和青海分別有冰川融水、湟水供給農業灌溉，綠洲農業、灌溉農業發展成效突出，成都平原作為我國重要的九大商品糧基地之一，也具備較好的水熱匹配條件，可為有效利用耕地提供基礎。

表32007—2016年非有效單元投入產出平均可改進比例

Table 3 Average improvable ratio of input and output of ineffective units in 2007-2016 %

效率較低的省(市、自治區)集中于北部沿海和黃河中游地區。北部沿海地區的經濟發展重心在重工業，對高效農業發展模式和耕地利用方式的探索動力不足；黃河中游地區是我國生態環境最脆弱、水土流失最嚴重的區域，年降水量少，地表植被差，且河套平原、寧夏平原土壤鹽堿化問題嚴重，發展模式以資源環境換經濟增長為主，帶來較高污染排放，該區域耕地的利用效率受限于資源稟賦和地理環境。

2.2.2 耕地利用效率全域空間相關性分析

從空間分布情況來看，效率相近的地區表現出集聚現象。該集聚性是否在統計意義上顯著，需進行空間相關性檢驗。利用Stata 14.0軟件計算2007—2016年30個省(市、自治區)耕地利用效率的全域Moran’s I，結果如表4所示。

表42007—2016年30個省(市、自治區)耕地利用效率的全域Moran’sI

Table4Global Moran’s I of cultivated land utilization efficiency of 30 provinces (municipalities, autonomous regions) in 2007-2016

年份YearMorans IZP20070.1712.1920.01420080.255 3.039 0.001 20090.199 2.418 0.008 20100.146 1.872 0.031 20110.283 3.277 0.001 20120.461 5.199 0.00120130.147 1.892 0.029 20140.215 2.585 0.005 20150.225 2.692 0.004 20160.133 1.724 0.042

2007—2011年，全域Moran’s I基本保持在0.150～0.300，到2012年升至0.461，此后回落，在0.200附近小幅度波動，到2016年降至0.133，說明中國耕地利用效率空間關聯程度不穩定。總體來看，全域Moran’s I在大多數年份都高于0.200，且能在5%的顯著性水平下通過Z檢驗，表明耕地利用效率存在顯著(P<0.05)的空間集聚效應。從自然角度而言，耕地利用效率受氣候、土壤等環境條件的影響，相鄰省(市、自治區)處于同一氣候帶的概率較高，也具備類似的土壤結構和地貌環境，使鄰近地區對于耕地資源的利用出現趨同現象；從社會角度而言，當相鄰省(市、自治區)在不斷實踐探索多元耕地利用方式和高效農業生產結構時，當地也會傾向于積極模仿，且相近的自然、社會條件也為政策措施和生產模式的互相借鑒提供了應用基礎，導致耕地利用效率表現為空間關聯。

2.2.3 耕地利用效率局域空間自相關性分析

通過檢驗局域空間的自相關性，可進一步探索局部空間的關聯形式。首先，對各省(市、自治區)的平均耕地利用效率(z)與其空間滯后變量(Wz)的相關關系以散點圖的形式進行描繪(圖1)。Moran’s I散點圖分為4個象限，分別對應“高-高”集聚型(H-H)、“低-高”集聚型(L-H)、“低-低”集聚型(L-L)和“高-低”集聚型(H-L)。處于第一象限的有遼寧、吉林、黑龍江等15個省(市、自治區)，表現為高效率地區被高效率地區所包圍；處于第三象限的有北京、天津、河北等7個省(市、自治區)，該象限的大多數省(市、自治區)都處于低效率等級，相似的低效利用方式引致協同機制的形成，整體降低了區域耕地利用效率；位于第二、四象限的省(自治區)分別有3個和5個，表現為高效率地區與低效率地區交錯分布。全國農業耕地利用效率的整體情況表現為：“高-高”集聚主要位于東北地區、東部沿海地區、南部沿海地區、長江中游地區和西南地區，“低-低”集聚則主要位于北部沿海地區和黃河中游地區。

Moran’s I散點圖無法反映集聚效應在統計意義上是否顯著，因此，以各地耕地利用效率為基礎數據，以考察期基年(2007年)、末年(2016年)、關聯程度最高年份(2012年)和最低年份(2007年),及2007—2016年均值為研究對象，利用ArcGIS軟件，輸出5%顯著性水平下的LISA集聚圖，限于文章篇幅，僅將5%顯著性水平下的空間關聯結果以表格形式展現。

1，北京；2，天津；3，河北；4，山西；5，內蒙古；6，遼寧；7，吉林；8，黑龍江；9，上海；10，江蘇；11，浙江；12，安徽；13，福建；14，江西；15，山東；16，河南；17，湖北；18，湖南；19，廣東；20，廣西；21，海南；22，重慶；23，四川；24，貴州；25，云南；26，陜西；27，甘肅；28，青海；29，寧夏；30，新疆。1， Beijing; 2， Tianjin; 3， Hebei; 4， Shanxi; 5， Inner Mongolia; 6， Liaoning; 7， Jilin; 8， Heilongjiang; 9， Shanghai; 10， Jiangsu; 11， Zhejiang; 12， Anhui; 13， Fujian; 14， Jiangxi; 15， Shandong; 16， Henan; 17， Hubei; 18， Hunan; 19， Guangdong; 20， Guangxi; 21， Hainan; 22， Chongqing; 23， Sichuan; 24， Guizhou; 25， Yunnan; 26， Shaanxi; 27， Gansu; 28， Qinghai; 29， Ningxia; 30， Xinjiang.圖1 2007—2016年30個省(市、自治區)的耕地利用平均效率局域Moran’s I散點圖Fig.1 Local Moran’s I scatter diagram of average cultivated land utilization efficiency of 30 provinces (municipalities, autonomous regions) in 2007-2016

在5%的顯著性水平下，2007—2016年表現為空間關聯的地區數量明顯減少，“高-高”集聚區域僅余廣東1個集聚中心，而“低-低”集聚區域大多能通過顯著性檢驗，說明我國耕地利用效率存在空間低極化現象。

隨著時間推移，30個省(市、自治區)耕地利用效率的空間關聯格局變化過程如下。

2007年，耕地利用效率表現為“多核分布”集聚格局。“高-高”集聚中心僅有廣東，5個省(市、自治區)形成3個“低-低”集聚中心，依次為寧夏-陜西、北京-天津和山東，河北、河南顯著表現為“高-低”集聚。這是由于當時各地對于耕地保護和利用效率的重視程度不足，缺乏效仿先進地區耕地利用方式的動力，因而難以形成“高-高”集聚區域，而相對單一低效的耕地利用模式，導致鄰近區域的耕地利用效率產生一定程度的低關聯。

2012年，空間關聯程度提高，演變為“一帶一片”集聚格局。從“高-高”集聚來看，廣東作為高效率極的地位繼續穩固，集聚效應以之為中心向周圍擴散，四川、云南、廣西和福建新晉為集聚中心，區域由最初的點狀分布向帶狀分布轉換；“低-低”集聚區域也較之前年份有所擴大，所涉省(市、自治區)的數量增加，作為過渡地區的陜西省則顯著表現為“低-高”集聚。2011年以來，廣東、福建、云南等15個省(市、自治區)都開展了耕地質量等級監測試點工作，廣東率先在全國建立了覆蓋全省的基本農田保護經濟補償制度，鄰近的廣西也繼之在全區范圍內推廣“小塊并大塊”的耕地保護補償模式，全國范圍的耕地質量建設與管理取得實質成效。因此，“一帶一片”空間格局的形成，應歸結于政策措施的輻射性及相鄰省(市、自治區)的效仿作用。

表52007—2016年30個省(市、自治區)的耕地利用效率空間關聯類型

Table5Spatial correlation of cultivated land utilization efficiency of 30 provinces (municipalities, autonomous regions) in 2007-2016

年份YearH-HL-HL-LH-L2007廣東Guangdong—北京Beijing,天津Tianjin,山東Shandong,陜西Shaanxi,寧夏Ningxia河北Hebei,河南Henan2012廣東Guangdong,廣西Guangxi,福建Fujian,四川Sichuan,云南Yunnan—北京Beijing,天津Tianjin,河北Hebei,山西Shanxi,內蒙古Inner Mongolia,山東Shan-dong,河南Henan,寧夏Ningxia陜西Shaanxi2016—廣西Guangxi,安徽Anhui北京Beijing,天津Tianjin,河北Hebei,山西Shanxi,山東Shandong內蒙古Inner Mongolia,江蘇Jiangsu,河南Henan2007—2016廣東Guangdong安徽Anhui北京Beijing,天津Tianjin,河北Hebei,山西Shanxi,內蒙古Inner Mongolia,寧夏Ningxia—

2016年，空間關聯程度明顯回落，整體演化為“低極主導”分布格局。集中連片分布格局被打破，高值集聚效應消失，低值集聚區域縮小。隨著經濟發展、科技進步及環境壓力增大，各地對耕地保護的重視程度也逐漸提高，但由于產業結構、經濟結構、發展定位存在差異，各地制定的土地利用規劃和保護措施較有針對性，呈現出多樣化發展趨勢，導致耕地利用效率的獨立性逐漸增強。

3 結論與討論

3.1 結論

以2007—2016年30個省(市、自治區)為研究對象，把耕地利用碳排放、碳吸收共同作用下的凈碳排放作為非期望產出，采用SBM-Undesirable模型評價耕地利用效率，并應用基于空間距離平方倒數矩陣的Moran’s I，從全域和局域2個視角探討我國耕地利用效率的空間關聯效應，研究結論如下。

(1)2007—2016年，全國耕地利用效率均值為0.867，耕地利用情況整體較好，但仍存在改進空間。耕地利用效率的省際差距明顯，由高到低可分為高效率(=1.000)、較高效率[0.929， 1.000)、中等效率[0.838， 0.929)、較低效率[0.737， 0.838)和低效率[0.492， 0.737)等5個等級，有11個省(市、自治區)的平均效率能達到1.000，其余非有效地區提高效率的瓶頸在于各項投入和凈碳排放冗余。

(2)耕地利用效率較高的地區沿帶狀分布，主要位于東南沿海地區、西部地區和東北地區，效率較低的地區主要位于北部沿海地區和黃河中游地區。全域Moran’s I在多數年份都顯著高于0.200，表明耕地利用效率存在空間關聯效應。

(3)耕地利用效率表現出空間極化現象，“低-低”集聚效應強于“高-高”集聚效應。隨時間推移，空間關聯格局發生明顯變化，經歷了“多核分布”—“一帶一片”—“低極主導”的過程。

3.2 討論

在單純考慮碳排放約束的耕地利用效率評價中[16-18]，存在種植業大省效率被低估的現象。以盧新海等[16]的研究為例，黑龍江、江蘇、四川等地效率整體較低，其中江蘇在2003年的效率低至0.448；而本研究中，這些地區的效率在考查期間一直保持最優水平(1.000)。原因在于：碳吸收對耕地利用效率具有正面效應，若忽略碳吸收作用，所測碳排放將高于實際凈排放量，等同于高估非期望產出，直接影響耕地利用效率評價結果，尤其對于黑龍江、江蘇等碳吸收量較大的種植業大省，很可能導致所測耕地利用效率低于實際值。在空間關聯方面，目前僅見張榮天等[24]的研究報道，發現全國各省(市、自治區)的耕地利用效率呈正向空間自相關，與本研究結論一致；但由于前述研究更關注經濟產出，并未涉及耕地利用環境影響，空間權重矩陣的設置也與本研究有所區別，導致其在局域空間關聯方面的結論與本研究迥異。

本研究仍存在可改進之處：一是在評價耕地利用效率時，無法體現不同地區耕地質量、種植結構的原始差異；二是未對省際耕地利用效率的空間關聯機制及其影響因素進行深入分析。今后，擬將耕地質量的初始差異納入評價體系，并運用空間計量方法把握影響耕地利用效率的因素，進一步拓寬本研究的方向。

3.3 政策啟示

(1)落實碳排放源控制，降低非期望產出冗余。湖北、安徽等糧食主產區的耕地利用特征體現為較高的非期望產出冗余，解決問題的關鍵在于源頭控制：農地利用和農用能源作為耕地利用碳排放的主要來源，二者之和已超過總量的80%。當前，應圍繞農機運轉效率和農用能源的利用率提升，加大農用機械的研發、改良投入力度；提高耕地利用主體對于耕地污染排放的認識，鼓勵采用節約型施肥技術、耕作技術，合理使用農藥，加強對廢棄農膜的處理，進一步探索種植業低碳發展方式。

(2)改進投入要素配置，減少投入浪費現象。多數無效單元的投入浪費嚴重，降低投入冗余是改善其耕地利用效率的重要途徑。應在不同區域耕地條件、資源稟賦、經濟水平、生態環境等的約束條件下，科學衡量耕地利用投入結構與產出效果之間的關系，通過技術創新、調整投入要素組合等途徑提高耕地利用潛力。對于云南、貴州等西部山區省，需重視農業勞動力技能培訓與素質提升，加快剩余勞動力轉移。對于山東、河南等農業大省，應轉變依靠大量投入獲得經濟產出的觀念，降低對化肥等農用物資的依賴性。各地在不同程度上存在機械、灌溉冗余的現象，應加強對大型農機的技術改造和節水灌溉技術的研發推廣。

(3)著力減弱低極效應，擴大高極輻射范圍。將黃河中游地區等“低-低”集聚區域作為重點扶持對象，加大污染治理資本投入，根據區域共同冗余投入，有針對性地探索多元高效的耕地利用路徑，弱化相鄰地區的低效率關聯性。對于南部沿海地區等“高-高”集聚區域，應增強示范效應，鼓勵其向周邊地區分享和推廣節地、節力、節肥等兼顧資源利用效率和溫室氣體減排的農業技術，將更多地區納入耕地高效利用的輻射范圍，利用連鎖作用縮小全國耕地利用效率差距。