净碳排放约束下的中国耕地利用效率评价及空间关联研究

吴昊玥，黄瀚蛟，何艳秋，陈文宽，*

(1.四川农业大学 管理学院，四川 成都 611130； 2.西北农林科技大学 林学院，陕西 咸阳 712100)

随着我国经济的高速增长和城镇化进程的加快，耕地面临数量锐减、质量退化的严峻现状。作为人类赖以生存的基本资源，提升耕地利用效率是实现可持续发展的必由之路。耕地利用必须恪守保障生态安全的前提。一方面，耕地利用过程中涉及的农用能源、物资等是全球温室气体的重要排放源；另一方面，农作物具备固碳能力，可缓解耕地利用中的碳排效应[1]。碳排放与碳吸收分别从释放、存储2个相反方向作用于净碳排放。探索净碳排放约束下耕地的有效利用方式，是协调利用效率与环境保护关系的必然要求。由于存在地理环境相似性、生产要素流动性和不同区域的模仿行为，耕地利用方式往往存在区域关联。深入研究净碳排放约束下的耕地利用效率、改进方向和空间关联，可为把握区域耕地利用发展方向提供理论支撑。

随着耕地资源短缺与粮食安全之间的矛盾逐渐凸显，耕地利用效率成为学界研究热点，研究尺度涵盖宏观、中观、微观，研究区域涉及全国[2]、省域[3]、市域[4]、县域[5]、镇域[6]乃至村域[7]。在研究方法上，一些学者应用主成分分析[3]、能值理论[8]、熵值法[5]等方法，基于统计数据构建评价指标体系；更普遍的做法是采用数据包络分析(DEA)方法[9-10]、随机前沿方法(SFA)[11]和SBM模型[12]，把耕地利用过程视作投入产出系统进行评价。在指标选取上，部分文献的研究重点在于耕地利用的经济效益方面，将耕地与劳动、化肥、机械等要素一同视为投入，以农业增加值、粮食产量等指标作为产出[9，13-14]，其实质是对农业全要素生产率的测算，无法体现单位面积耕地的利用效率。为解决该问题，有文献提出地均投入产出指标，以实现对耕地利用效率的有效测度[15]。一些学者将环境约束纳入耕地利用效率指标体系[16-18]，以面源污染和碳排放作为非期望产出指标。虽然深化土地利用碳排放研究已成为土地科学研究的重点[19]，但仅有少数学者把碳排放作为非期望产出进行研究，且相关研究往往忽略碳吸收作用，致使所得结果并非净碳排放，等同于高估了耕地的非期望产出，导致研究的现实意义减弱。在研究内容上，多围绕耕地利用效率的时空演变[20]、区域差异[11，15]、影响因素[3，6，21]等展开讨论，为相关研究奠定了一定基础。随着耕地质量、生产效率等指标被证实存在空间相关性[22-23]，耕地利用效率的空间关联效应问题已引起学界关注。有学者选取全国、粮食主产区、甘肃省广河县村域作为研究对象，利用探索性空间数据分析(ESDA)，发现耕地利用效率存在空间正向自相关性[7，21，24]。但这些研究存在同一个问题：在量化空间单元关系时，均选用“0-1”邻接权重矩阵，忽视了非相邻单元间可能存在的相互影响，也无法体现地理距离产生的作用区别，还会出现海南岛四面无邻的孤岛现象，不适用于实际分析[25]。

为此，本文将耕地利用过程的碳排放、碳吸收共同纳入研究范围，以净碳排放作为非期望产出，应用SBM-Undesirable模型评价2007—2016年中国30个省(市、自治区)的耕地利用效率并分析改进方向，基于可体现空间非邻接单元相互作用的距离平方倒数矩阵，运用Moran’s I从全域和局域2个视角对效率的空间关联效应展开探讨，以期为制定区域间差异化、区域内统一化的耕地利用政策提供理论依据。

1 材料与方法

1.1 SBM-Undesirable模型

1.1.1 模型介绍

由于将耕地净碳排放纳入了评价体系并作为非期望产出，因此选用SBM-Undesirable模型进行研究。该模型把松弛变量加进目标函数，避免了投入产出的松弛性问题，能科学处理非期望产出。

P={(x，yg，yb)|x≥Xλ，yg≤Ygλ，yb≥Ybλ，λ≥0}，

(1)

(2)

1.1.2 指标选取与数据来源

借鉴已有研究[9，15-16]，考虑耕地利用过程中的劳动、机械、灌溉及物资4类投入，将农业增加值和粮食产量作为期望产出、净碳排放作为非期望产出，以单位耕地面积的要素投入和产出构建指标体系(表1)。要说明的是，虽然农药、农膜使用过程中会产生碳排放，也有研究将其作为投入指标[16]，但计算发现，农药、农膜碳排放量仅占农地利用碳排放总量的10.01%、13.01%，远低于化肥碳排放量占比(56.45%)，为保证4类投入的下设指标个数一致，本研究仅将化肥施用强度列作物资投入指标。

表1中，地均净碳排放量是非期望产出指标，计算方法为耕地碳排放量减去吸收量的差值除以耕地面积。碳排放源主要考虑3类：一是农地利用导致的碳排放，即化肥、农药、农膜3种农用物资和农业翻耕、灌溉活动产生的碳排放；二是高碳排作物水稻生长发育过程中产生的甲烷；三是煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气等8种农用能源导致的碳排放。耕地碳排放总量为3类碳排放源的排放量之和，各类碳排放源均包括若干碳源因子，具体计算公式如下：

E=∑Ei=∑(Ti·δi)。

(3)

式(3)中：E表示某类碳排放源的排放量；Ei

表1 耕地利用效率评价的投入产出指标

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

投入指标Input index计算方式Calculation method产出指标Output index 计算方式Calculation method劳动投入Laborinput地均农业从业人数Agricultural workers percultivated land/hm-2农业从业人数/耕地面积Number of agriculturalworkers/cultivated land area期望产出1Expectedoutput 1地均农业增加值Agricultural added value percultivated land/(yuan·hm-2)农业增加值/耕地面积Agricultural addedvalue/cultivated land area机械投入Machineinput地均农业机械动力Agricultural machinery powerper cultivated land/(kW·hm-2)农业机械总动力/耕地面积Total power of agriculturalmachinery/cultivated land area期望产出2Expectedoutput 2地均粮食产量Grain yield per cultivatedland/(t·hm-2)粮食产量/耕地面积Grain yield/cultivatedland area灌溉投入Irrigationinput有效灌溉率Effectiveirrigation rate有效灌溉面积/耕地面积Effective irrigation area/cultivated land area非期望产出Unexpectedoutput地均净碳排放量Net carbon emissions percultivated land/(t·hm-2)耕地净碳排放/耕地面积Net carbon emissions/cultivated land area物资投入Materialinput化肥施用强度Fertilizer applicationintensity/(t·hm-2)化肥施用量/耕地面积Application amount offertilizers/cultivated land area

表示某碳源因子的排放量；Ti表示该碳源因子的量；δi表示该碳源因子的对应系数。其中，农地利用和农用能源各项因子的系数参考段华平等[26]和联合国政府间气候变化专门委员会(IPCC)[27]的研究；水稻碳排放系数考虑各省差异，参考闵继胜等[28]的研究。限于篇幅，此处不具体给出各类碳源因子的详细系数。

耕地碳吸收主要考虑作物种植活动的碳吸收量，即农作物生命周期中通过光合作用形成的净初级生产量。计算公式如下：

(4)

式(4)中：C为农作物碳吸收总量；k为农作物种类数；Ci为某种作物的碳吸收量；ci为作物通过光合作用合成单位有机质所需吸收的碳量；Yi为作物的经济产量；ri为作物经济产品部分的含水率因子；Hi是作物的经济系数。相关系数赋值参考王修兰[29]的研究成果。

对农业增加值数据进行平减处理，将各年对应值折算成以2007年可比价格计算的实际值，以剔除价格因素干扰。所有数据来源于历年《中国统计年鉴》《中国农村统计年鉴》《中国能源统计年鉴》，以及各省(市、自治区)统计局网站，不考虑港、澳、台地区，西藏地区因数据缺失较多，也不纳入本研究范围。经整理，形成2007—2016年30个省(市、自治区)的面板数据。

1.2 空间自相关性检验

1.2.1 全域空间自相关

全域空间自相关分析可用于探索耕地利用效率的整体空间联系，通常使用全域Moran’s I作为相应指标，具体计算公式如下：

(5)

(6)

式(5)、(6)中：I为全域Moran’s I；n表示空间单元数量，在本研究中n=30；x是每个空间单元的值，此处为耕地利用效率；Wij是空间权重矩阵。Moran’s I的值域为[-1，1]，在给定显著性水平下，当Moran’s I为正数时，表示观测值之间存在正相关，在空间上呈集聚分布；当Moran’s I为负数时，表示观测值之间存在负相关，在空间上呈分散分布；取值越接近0，表示观测值空间分布的相关性越弱。对于Moran’s I的统计检验，采用Z检验。

1.2.2 局域空间自相关

局域Moran’s I可用于分析局部具体关联特征，计算公式如下：

(7)

1.2.3 空间权重矩阵

空间权重矩阵可用于量化数据之间的空间关系。基于距离衰减函数构建空间权重矩阵。由于空间关系强度随距离减弱的程度强于线性比例关系，因此权重与距离倒数并非成正比关系。以30省(市、自治区)两两(省以省会、自治区以首府所在地为基准)间的距离平方倒数作为权重，计算方式如下：

(8)

式(8)中：wij为权重值；i、j为空间单元；dij为两单元之间的距离。

2 结果与分析

2.1 中国耕地利用效率评价与分析

2.1.1 耕地利用效率评价

根据前文方法，利用DEA Solver pro 5.0软件，选用VRS假设下的SBM-Undesirable模型评价2007—2016年30省(市、自治区)的耕地利用效率，并采用自然断点分级法，将各省(市、自治区)耕地利用效率均值由高到低分为高效率(=1.000)、较高效率[0.929， 1.000)、中等效率[0.838， 0.929)、较低效率[0.737， 0.838)和低效率[0.492， 0.737) 5个等级，结果如表2所示。

表2 各省(市、自治区)耕地利用效率

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

效率等级Efficiency grade决策单元Decision making unit20072010201320162007—2016均值Mean of 2007-2016变异系数Variation coefficient低效率天津Tianjin0.4580.4800.4780.5440.4920.072Low efficiency山西Shanxi0.4330.9990.5050.6260.5300.295宁夏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较低效率内蒙古Inner Mongolia0.8440.7000.7051.0000.7370.145Relatively low efficiency河北Hebei1.0000.7151.0000.6770.7540.182甘肃Gansu0.6351.0000.6810.7150.7710.208中等效率陕西Shaanxi0.7000.7471.0000.7690.8380.172Medium efficiency广西Guangxi1.0001.0001.0000.5880.8590.219山东Shandong0.7981.0001.0000.7160.8730.157河南Henan1.0000.7240.6691.0000.8760.183贵州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较高效率辽宁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黑龙江Heilongjiang1.0001.0001.0001.0001.0000江苏Jiangsu1.0001.0001.0001.0001.0000浙江Zhejiang1.0001.0001.0001.0001.0000江西Jiangxi1.0001.0001.0001.0001.0000广东Guangdong1.0001.0001.0001.0001.0000海南Hainan1.0001.0001.0001.0001.0000重庆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全国Nationwide0.8880.8730.8820.8550.8670.160

2007—2016年间，全国耕地利用效率均值为0.867，说明耕地利用情况良好，但仍与最优效率存在差距。不同省(市、自治区)间效率差异明显：高效率等级包括吉林、黑龙江等11个省(市、自治区)，在注重耕地经济产出的同时，也兼顾了非期望产出的控制，其投入产出效率相对于其他地区而言已达最优水平，应继续保持并适当调整各投入要素，使耕地利用方式更符合当地资源禀赋和发展要求；较高效率等级包括辽宁、湖北、福建和上海，若加强对投入组合的优化和对非期望产出的控制，这3省1市跨入高效率等级的可能性较大；中等效率等级包括陕西、广西等7省(自治区)，其中，河南、贵州和湖南耕地利用效率在不同年份间起伏较大，但近年发展趋势良好，在2016年效率值已上升为1.000，而其他4省(自治区)近3年的耕地利用效率有降低趋势，值得引起重视。较低效率等级包括河北、甘肃和内蒙古，其中，河北和甘肃耕地利用效率在不同年份间波动较大，内蒙古耕地利用效率近年来虽有所上升，但仍具较大改进空间；低效率等级包括天津、山西、宁夏、北京和安徽，其中，北京、安徽的耕地利用效率呈降低态势，发展趋势不容乐观。

从变异系数来看，山东、北京、陕西、云南、河北、河南、甘肃、广西、贵州、安徽和山西的耕地利用效率起伏较大，福建、天津、辽宁、宁夏、湖北、湖南、上海、内蒙古的波动较小。对于效率高且稳定的地区，应继续保持良好的发展状态；对于效率在高低水平间波动的地区，应以效率较高年份对应的投入组合作为参考方向，对当前投入要素进行适当调整；对于效率稳定于低水平的地区，应针对冗余投入及非期望产出采取应对措施，尽快找到适合的耕地利用方式。

2.1.2 改进方向分析

为探索非有效单元的改进方向，根据2007—2016年间各项投入、非期望产出冗余和期望产出不足的情况，计算19个非有效单元各项指标的平均可改进比例(表3)。

这19个非有效决策单元均存在投入和非期望产出冗余，从均值来看，物资(化肥)投入冗余与提高耕地利用效率之间的矛盾最为突出，农业增加值期望产出不足的影响最小。根据各单元改进比例最大的要素，可将这19个非有效决策单元划分为投入冗余型、非期望产出冗余型和期望产出不足型3类。投入冗余型单元数量多达15个，可进一步细分为劳动冗余型(山西、贵州、云南)、机械冗余型(湖北)、灌溉冗余型(上海、福建)，及物资冗余型(天津、河北、辽宁、安徽、山东、河南、广西、甘肃、宁夏)。其中，山西、云南、贵州等地形以山区为主且土地经营规模较小的省份的主要改进方向为降低劳动冗余，而山东、河北、河南、安徽等农业大省效率提升的关键在于降低化肥投入强度。非期望产出冗余型包括北京和湖南两地，单位面积净碳排放过高是导致其耕地利用低效的主要因素，亟待加强耕地碳排放源头控制。期望产出不足型包含内蒙古和陕西，主要体现在粮食产量指标方面。除内蒙古和陕西外，其他省(市、自治区)在现有投入组合下也存在不同程度的粮食潜在产出。

可见，耕地利用效率往往受多因素的共同作用。湖北、安徽、河南、河北等粮食主产区效率低的主要原因在于化肥冗余率过高，但其净碳排放冗余问题同样不容忽视。这是由于化肥施用过多在形成浪费的同时，还带来大量的碳排放。因此，耕地利用效率改进的方向是相对多元的，应以关键改进因素为主导，对相关指标进行协同把控。

2.2 耕地利用效率空间格局演变分析

2.2.1 耕地利用效率空间分布情况

根据30个省(市、自治区)的耕地利用效率可知，效率较高的省(市、自治区)主要位于我国东南沿海、东北和西部地区，各地的驱动因素有所区别：东南沿海地区耕地资源有限，但地形相对平坦，光热资源匹配状况较好，随着经济腾飞和科技发展，各地农业集约化水平呈现出加速发展态势；东北地区一直是我国粮食主产区，各类涉农投入较大，较高的科技水平和生产投入使其耕地利用效率位居全国平均水平之上；西部地区依托于近年来的政策引导和科技水平提高，逐步改善自然生态环境，同时，西北地区夏季气温高、光照强，昼夜温差大，新疆和青海分别有冰川融水、湟水供给农业灌溉，绿洲农业、灌溉农业发展成效突出，成都平原作为我国重要的九大商品粮基地之一，也具备较好的水热匹配条件，可为有效利用耕地提供基础。

表32007—2016年非有效单元投入产出平均可改进比例

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

效率较低的省(市、自治区)集中于北部沿海和黄河中游地区。北部沿海地区的经济发展重心在重工业，对高效农业发展模式和耕地利用方式的探索动力不足；黄河中游地区是我国生态环境最脆弱、水土流失最严重的区域，年降水量少，地表植被差，且河套平原、宁夏平原土壤盐碱化问题严重，发展模式以资源环境换经济增长为主，带来较高污染排放，该区域耕地的利用效率受限于资源禀赋和地理环境。

2.2.2 耕地利用效率全域空间相关性分析

从空间分布情况来看，效率相近的地区表现出集聚现象。该集聚性是否在统计意义上显著，需进行空间相关性检验。利用Stata 14.0软件计算2007—2016年30个省(市、自治区)耕地利用效率的全域Moran’s I，结果如表4所示。

表42007—2016年30个省(市、自治区)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附近小幅度波动，到2016年降至0.133，说明中国耕地利用效率空间关联程度不稳定。总体来看，全域Moran’s I在大多数年份都高于0.200，且能在5%的显著性水平下通过Z检验，表明耕地利用效率存在显著(P<0.05)的空间集聚效应。从自然角度而言，耕地利用效率受气候、土壤等环境条件的影响，相邻省(市、自治区)处于同一气候带的概率较高，也具备类似的土壤结构和地貌环境，使邻近地区对于耕地资源的利用出现趋同现象；从社会角度而言，当相邻省(市、自治区)在不断实践探索多元耕地利用方式和高效农业生产结构时，当地也会倾向于积极模仿，且相近的自然、社会条件也为政策措施和生产模式的互相借鉴提供了应用基础，导致耕地利用效率表现为空间关联。

2.2.3 耕地利用效率局域空间自相关性分析

通过检验局域空间的自相关性，可进一步探索局部空间的关联形式。首先，对各省(市、自治区)的平均耕地利用效率(z)与其空间滞后变量(Wz)的相关关系以散点图的形式进行描绘(图1)。Moran’s I散点图分为4个象限，分别对应“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)。处于第一象限的有辽宁、吉林、黑龙江等15个省(市、自治区)，表现为高效率地区被高效率地区所包围；处于第三象限的有北京、天津、河北等7个省(市、自治区)，该象限的大多数省(市、自治区)都处于低效率等级，相似的低效利用方式引致协同机制的形成，整体降低了区域耕地利用效率；位于第二、四象限的省(自治区)分别有3个和5个，表现为高效率地区与低效率地区交错分布。全国农业耕地利用效率的整体情况表现为：“高-高”集聚主要位于东北地区、东部沿海地区、南部沿海地区、长江中游地区和西南地区，“低-低”集聚则主要位于北部沿海地区和黄河中游地区。

Moran’s I散点图无法反映集聚效应在统计意义上是否显著，因此，以各地耕地利用效率为基础数据，以考察期基年(2007年)、末年(2016年)、关联程度最高年份(2012年)和最低年份(2007年),及2007—2016年均值为研究对象，利用ArcGIS软件，输出5%显著性水平下的LISA集聚图，限于文章篇幅，仅将5%显著性水平下的空间关联结果以表格形式展现。

1，北京；2，天津；3，河北；4，山西；5，内蒙古；6，辽宁；7，吉林；8，黑龙江；9，上海；10，江苏；11，浙江；12，安徽；13，福建；14，江西；15，山东；16，河南；17，湖北；18，湖南；19，广东；20，广西；21，海南；22，重庆；23，四川；24，贵州；25，云南；26，陕西；27，甘肃；28，青海；29，宁夏；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.图1 2007—2016年30个省(市、自治区)的耕地利用平均效率局域Moran’s I散点图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%的显著性水平下，2007—2016年表现为空间关联的地区数量明显减少，“高-高”集聚区域仅余广东1个集聚中心，而“低-低”集聚区域大多能通过显著性检验，说明我国耕地利用效率存在空间低极化现象。

随着时间推移，30个省(市、自治区)耕地利用效率的空间关联格局变化过程如下。

2007年，耕地利用效率表现为“多核分布”集聚格局。“高-高”集聚中心仅有广东，5个省(市、自治区)形成3个“低-低”集聚中心，依次为宁夏-陕西、北京-天津和山东，河北、河南显著表现为“高-低”集聚。这是由于当时各地对于耕地保护和利用效率的重视程度不足，缺乏效仿先进地区耕地利用方式的动力，因而难以形成“高-高”集聚区域，而相对单一低效的耕地利用模式，导致邻近区域的耕地利用效率产生一定程度的低关联。

2012年，空间关联程度提高，演变为“一带一片”集聚格局。从“高-高”集聚来看，广东作为高效率极的地位继续稳固，集聚效应以之为中心向周围扩散，四川、云南、广西和福建新晋为集聚中心，区域由最初的点状分布向带状分布转换；“低-低”集聚区域也较之前年份有所扩大，所涉省(市、自治区)的数量增加，作为过渡地区的陕西省则显著表现为“低-高”集聚。2011年以来，广东、福建、云南等15个省(市、自治区)都开展了耕地质量等级监测试点工作，广东率先在全国建立了覆盖全省的基本农田保护经济补偿制度，邻近的广西也继之在全区范围内推广“小块并大块”的耕地保护补偿模式，全国范围的耕地质量建设与管理取得实质成效。因此，“一带一片”空间格局的形成，应归结于政策措施的辐射性及相邻省(市、自治区)的效仿作用。

表52007—2016年30个省(市、自治区)的耕地利用效率空间关联类型

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

年份YearH-HL-HL-LH-L2007广东Guangdong—北京Beijing,天津Tianjin,山东Shandong,陕西Shaanxi,宁夏Ningxia河北Hebei,河南Henan2012广东Guangdong,广西Guangxi,福建Fujian,四川Sichuan,云南Yunnan—北京Beijing,天津Tianjin,河北Hebei,山西Shanxi,内蒙古Inner Mongolia,山东Shan-dong,河南Henan,宁夏Ningxia陕西Shaanxi2016—广西Guangxi,安徽Anhui北京Beijing,天津Tianjin,河北Hebei,山西Shanxi,山东Shandong内蒙古Inner Mongolia,江苏Jiangsu,河南Henan2007—2016广东Guangdong安徽Anhui北京Beijing,天津Tianjin,河北Hebei,山西Shanxi,内蒙古Inner Mongolia,宁夏Ningxia—

2016年，空间关联程度明显回落，整体演化为“低极主导”分布格局。集中连片分布格局被打破，高值集聚效应消失，低值集聚区域缩小。随着经济发展、科技进步及环境压力增大，各地对耕地保护的重视程度也逐渐提高，但由于产业结构、经济结构、发展定位存在差异，各地制定的土地利用规划和保护措施较有针对性，呈现出多样化发展趋势，导致耕地利用效率的独立性逐渐增强。

3 结论与讨论

3.1 结论

以2007—2016年30个省(市、自治区)为研究对象，把耕地利用碳排放、碳吸收共同作用下的净碳排放作为非期望产出，采用SBM-Undesirable模型评价耕地利用效率，并应用基于空间距离平方倒数矩阵的Moran’s I，从全域和局域2个视角探讨我国耕地利用效率的空间关联效应，研究结论如下。

(1)2007—2016年，全国耕地利用效率均值为0.867，耕地利用情况整体较好，但仍存在改进空间。耕地利用效率的省际差距明显，由高到低可分为高效率(=1.000)、较高效率[0.929， 1.000)、中等效率[0.838， 0.929)、较低效率[0.737， 0.838)和低效率[0.492， 0.737)等5个等级，有11个省(市、自治区)的平均效率能达到1.000，其余非有效地区提高效率的瓶颈在于各项投入和净碳排放冗余。

(2)耕地利用效率较高的地区沿带状分布，主要位于东南沿海地区、西部地区和东北地区，效率较低的地区主要位于北部沿海地区和黄河中游地区。全域Moran’s I在多数年份都显著高于0.200，表明耕地利用效率存在空间关联效应。

(3)耕地利用效率表现出空间极化现象，“低-低”集聚效应强于“高-高”集聚效应。随时间推移，空间关联格局发生明显变化，经历了“多核分布”—“一带一片”—“低极主导”的过程。

3.2 讨论

在单纯考虑碳排放约束的耕地利用效率评价中[16-18]，存在种植业大省效率被低估的现象。以卢新海等[16]的研究为例，黑龙江、江苏、四川等地效率整体较低，其中江苏在2003年的效率低至0.448；而本研究中，这些地区的效率在考查期间一直保持最优水平(1.000)。原因在于：碳吸收对耕地利用效率具有正面效应，若忽略碳吸收作用，所测碳排放将高于实际净排放量，等同于高估非期望产出，直接影响耕地利用效率评价结果，尤其对于黑龙江、江苏等碳吸收量较大的种植业大省，很可能导致所测耕地利用效率低于实际值。在空间关联方面，目前仅见张荣天等[24]的研究报道，发现全国各省(市、自治区)的耕地利用效率呈正向空间自相关，与本研究结论一致；但由于前述研究更关注经济产出，并未涉及耕地利用环境影响，空间权重矩阵的设置也与本研究有所区别，导致其在局域空间关联方面的结论与本研究迥异。

本研究仍存在可改进之处：一是在评价耕地利用效率时，无法体现不同地区耕地质量、种植结构的原始差异；二是未对省际耕地利用效率的空间关联机制及其影响因素进行深入分析。今后，拟将耕地质量的初始差异纳入评价体系，并运用空间计量方法把握影响耕地利用效率的因素，进一步拓宽本研究的方向。

3.3 政策启示

(1)落实碳排放源控制，降低非期望产出冗余。湖北、安徽等粮食主产区的耕地利用特征体现为较高的非期望产出冗余，解决问题的关键在于源头控制：农地利用和农用能源作为耕地利用碳排放的主要来源，二者之和已超过总量的80%。当前，应围绕农机运转效率和农用能源的利用率提升，加大农用机械的研发、改良投入力度；提高耕地利用主体对于耕地污染排放的认识，鼓励采用节约型施肥技术、耕作技术，合理使用农药，加强对废弃农膜的处理，进一步探索种植业低碳发展方式。

(2)改进投入要素配置，减少投入浪费现象。多数无效单元的投入浪费严重，降低投入冗余是改善其耕地利用效率的重要途径。应在不同区域耕地条件、资源禀赋、经济水平、生态环境等的约束条件下，科学衡量耕地利用投入结构与产出效果之间的关系，通过技术创新、调整投入要素组合等途径提高耕地利用潜力。对于云南、贵州等西部山区省，需重视农业劳动力技能培训与素质提升，加快剩余劳动力转移。对于山东、河南等农业大省，应转变依靠大量投入获得经济产出的观念，降低对化肥等农用物资的依赖性。各地在不同程度上存在机械、灌溉冗余的现象，应加强对大型农机的技术改造和节水灌溉技术的研发推广。

(3)着力减弱低极效应，扩大高极辐射范围。将黄河中游地区等“低-低”集聚区域作为重点扶持对象，加大污染治理资本投入，根据区域共同冗余投入，有针对性地探索多元高效的耕地利用路径，弱化相邻地区的低效率关联性。对于南部沿海地区等“高-高”集聚区域，应增强示范效应，鼓励其向周边地区分享和推广节地、节力、节肥等兼顾资源利用效率和温室气体减排的农业技术，将更多地区纳入耕地高效利用的辐射范围，利用连锁作用缩小全国耕地利用效率差距。