碳排放约束下海洋渔业全要素生产率评价及收敛分析——以沿海地区为例

张 晨，曹 俐

（上海海洋大学 经济管理学院，上海 201306）

随着全球气候变暖问题的不断加剧，各国在节能减排、实现经济与生态协调发展方面达成共识。联合国粮食及农业组织提出，预计到2030年，捕捞和水产养殖产量达到2.01亿吨，捕捞环境污染和气候变化等问题将取得进展。中国积极应对气候变化，提出自主减排目标，即到2030年左右，单位二氧化碳（CO2）排放要比2005年下降60%～65%，争取尽早使二氧化碳排放达到峰值。党的十九大也发出了推动海洋产业绿色发展的号召，加强对碳减排、渔船设备等政策的修订，构建经济与生态协调发展体系。中国沿海9个省（区）①作为重要的渔业基地，渔业海水养殖和捕捞业总产量（3 075.69万吨）占全国水产品总量（6 457.66万吨）的47.6%，截至2018年，全社会渔业经济总产值相比2003年翻了近4倍[1]，极大地推动了我国渔业经济的快速发展。然而，长期依赖高能耗、高污染的传统养殖和捕捞方式，造成大量能源消耗、渔业碳排放量增加的现象，进一步导致渔业生态环境恶化，为海洋渔业低碳化发展提出新的挑战。因此，有必要对渔业生态效率进行研究，分析渔业生态效率的静动态变化特征，利用海洋的“固碳”作用来实现渔业低碳化。

“全要素生产率”即“生态效率”，最早由SCHALTEGGER提出，并将其定义为“投入与产出的比值”即从经济和生态角度对生产进行评价[2]。据此渔业生态效率可以被定义为将生态效率运用于渔业，通过减少渔业的燃料投入实现环境与经济的双赢。目前，学者们关于碳排放约束下渔业生态效率的研究主要集中于测算方法及影响因素的研究，测算方法主要有两种：参数方法和非参数方法。参数方法以赵昕等的三阶段DEA研究为代表[3]，非参数法以平瑛等的DEA研究为代表[4]，但被学者们广泛采用的多是两者的结合即超效率DEA-SBM模型，如：万婷以江苏省为研究对象，采用超效率DEA-SBM模型对其渔业全要素生产率的变化进行测算，发现渔业全要素生产率近几年呈现增长趋势，且主要得益于技术效率的提升[5]。但在产出指标方面存在差异，选择主要分为以下两种：（1）前期研究多选择渔业总产值或产量作为产出指标。以刘洋、马舒瑞等的研究为代表，他们认为技术效率对渔业全要素生产率的贡献小于技术进步，部分地区之间仍存在差距[6-7]。（2）后期研究考虑到生态环境，将二氧化碳排放量作为非期望产出，渔业产值或产量作为期望产出。以郑慧、韩增林的研究为代表，他们认为沿海地区海洋渔业生态效率水平较低，且存在区域差异[8-9]。对于渔业全要素生产率差异变化的未来趋势，采用σ收敛和β收敛法进行分析，总的来说，各地区是朝着各自的稳定水平趋近[10]。分地区来说，华东和华南地区朝着各自的水平发展，而华北地区则反之[11]。

在影响因素研究方面，曾冰采用Tobit随机效应模型，分析了经济发展水平、科技推广力度、产业结构、基础设施、对外开放水平与渔业碳排放效率之间的关系，结果表明：除对外开放水平与渔业碳排放效率呈负相关外，其他均呈正相关关系[12]。虽然科技进步一定程度上促进了渔业碳排放效率的提高，但速度缓慢、贡献程度低[13]。而国外学者MOUTINHO则认为技术进步对渔业生态效率的影响很大[14]。除上述因素外，盖美、WANG在研究中加入环境规制因素，发现更高的环境规制强度可以刺激该行业获得更多的集聚经济，有效减少二氧化碳排放。相关研究也有对沿海地区渔业经济的差异性进行分析，发现科技渔船等资本要素的投入对中国渔业经济发展具有较大的贡献作用，而渔业从业人员及水产养殖面积则反之[15-16]。刘慧还对比了浮游生物、细菌、海藻和红树林等生物固碳量，发现合理的渔业养殖结构，加大贝藻养殖在海水养殖中的比重可有效提升海洋渔业生态效率，加快低碳渔业的建设步伐[17]。

毫无疑问，上述研究成果已极大地丰富了我国渔业碳排放问题的研究，也为本文提供了理论基础和借鉴意义。但随着研究的不断深入，其局限性也逐渐显现，主要表现为：已有研究多基于碳排放约束下的渔业生态效率测算，将渔业碳排放作为非期望产出，渔业总产值作为期望产出，而很少考虑碳汇这一期望产出指标，对于碳排放约束下渔业全要素生产率及收敛分析的测算结果会有失偏颇。沿海地区是我国渔业主产区，对它进行研究更具有代表性。那么碳排放约束下海洋渔业全要素生产率的静态和动态变化如何？技术效率和规模效率对于渔业全要素生产率的贡献程度如何?未来发展趋势如何？这些问题都亟待解决。本文的贡献主要体现在以下两个方面：一是在产出指标的选择上，不仅借鉴前人以二氧化碳排放为非期望产出、渔业总产值作为期望产出的方法，还将碳汇加入期望产出进行渔业全要素生产率的测算；二是本文选取2003—2018年沿海9个省（区）为研究对象，基于渔业投入产出指标数据，运用超效率DEA-SBM模型测算渔业全要素生产率，为渔业节能减排、环境规制政策的提出提供重要理论依据。

1 研究方法与数据来源

1.1 超效率DEA-SBM模型

DEA是根据多项投入和产出指标，对具有可比性的同类型单位进行相对有效性评价的一种数量分析法。主要包括CCR、BBC、SBM、超效率模型4个方面。选用超效率DEA-SBM模型作为评价沿海地区渔业生态效率的方法，是因为在CCR、BBC、SBM模型的分析结果中，当多个效率决策单元（DMU）的效率值同时等于1时，很难有效对这些DMU进行排名。为了解决这一问题，ANDERSEN等提出了对有效决策单元（DMU）进一步区分其有效程度的方法，该模型的核心就是有效决策单元（DMU）的超效率值一般会大于1，从而可以对DMU进行区分，有效的DMU效率值大于等于1时，结论值越大，效率越高[18]。相应的模型公式如下：

现代西方经济学认为生产要素包括劳动力、土地、资本、企业家才能4种，而企业家才能（经费投入）很难具体衡量，故本文选取海洋渔业从业人员（劳动力）、养殖面积（土地）和年末海洋机动渔船总功率（资本）作为投入指标。在产出指标方面，将渔业经济总产值和渔业碳汇作为期望产出指标，渔业碳排放确定为非期望产出指标。考虑到渔船对渔业生产的影响并非体现在船只数量上，而是体现在渔船总功率的大小上，因此本文选取年末海洋机动渔船总功率作为渔船拥有量的指标。养殖面积为海水养殖面积。由于捕捞业CO2排放占渔业碳排放总量的70%以上，养殖业是海洋的主要碳汇来源，因此借鉴邵桂兰等计算碳排放和碳汇的方法，计算得出所需的期望和非期望产出指标[19]。具体的指标及指标说明见表1。

表1 碳排放约束下的渔业生态效率评价指标体系

1.2 数据来源

本文所采用的数据均源于《中国渔业统计年鉴》（2004—2019）及沿海9个省（区）统计年鉴。考虑到本文渔业为海洋渔业，投入指标均选取海洋渔业的从业人员、渔船总功率及养殖面积；产出指标包含价格因素，且易受通货膨胀的影响，以实际价格计算不能进行纵向比较，故以2003年的渔业GDP价格指数为基期，对2003—2018年渔业总产值进行平减，得出每年实际数。由于碳汇数据获取困难，本次研究不包括香港、台湾、澳门、天津和上海5个地区。

2 渔业全要素生产率评价分析

2.1 描述性统计分析

表2详细地描述了2003—2018年沿海9个省（区）渔业全要素生产率各项投入产出指标的相关数值，可以看出不同时期，沿海9个省（区）渔业全要素生产率的各项指标存在一定的差异。因此，有必要运用2003—2018年沿海9个省（区）的面板数据对其全要素生产率进行分析。

表2 渔业全要素生产率投入、产出变量的描述性分析

2.2 海洋渔业全要素生产率静态评价分析

本文利用Max DEA ultra7.12软件对沿海地区9个省（区）海洋渔业全要素生产率进行评价，根据本文（表1）选取的投入产出指标，测算得出2003—2018年海洋渔业全要素生产率，结果如图1所示。从图1可以看出，2003—2018年沿海9个省（区）海洋渔业全要素生产率呈“W”和“M”形变化。第一阶段“W”形：2007—2011年“下降-上升-下降-上升”，第二阶段“M”形：2014—2018年“上升-下降-上升-下降”。第一阶段的效率值走势缓慢，变化微小，这与中国渔业发展历程有关。2007年，农业部和环境部门联合发布《渔业生态环境状况公报》，该公告显示，中国环渤海、珠江、长江流域的渔业石油类污染占总污染的60%且呈不断上升趋势，导致海洋渔业全要素生产率降低；2008年之后，农业部开展渔业耗能和节能分类调查，开展节能培训。同时，在全面推进健康养殖过程中，加强养殖投入品的规范使用和管理，逐步减少围网网箱投饵养殖，发展生态环保型增殖渔业，提高海洋渔业全要素生产率。而第二阶段的效率值变化陡峭，且效率值在2015年和2017年达到顶峰。这主要是因为2014年，国家进一步完善渔船管理政策，加大渔业科技投入力度，安排42多亿用于渔船改造，规定不再批准建造拖网等燃油消耗量大的作业船型，鼓励发展环保型渔业。

图1 2003—2018年海洋渔业全要素生产率的变化情况

选取2003—2018年沿海9个省（区）渔业投入产出数据，进行海洋渔业全要素生产率差异性研究（表3）。结果表明：福建、江苏、山东的渔业全要素生产率均大于1，主要归因于技术和资源优势，而辽宁、广西、广东、河北、浙江、海南则反之，其中，浙江作为“中国鱼仓”，具有得天独厚的区位优势和资源优势，但因其海藻贝类养殖数量少，生物固碳能力弱，导致渔业全要素生产率下降。福建借助海上丝绸之路的战略优势，出台水产养殖尾水治理技术集成和设施升级改造技术创新联盟政策，加强水产养殖的技术支持，助力水产绿色健康养殖，促进渔业低碳化发展。以下是渔业全要素生产率从高到低的区域排名：福建＞江苏＞山东＞辽宁＞广西＞广东＞河北＞浙江＞海南。

表3 2003—2018年沿海9个省（区）海洋渔业全要素生产率值

2.3 渔业全要素生产率动态评价分析

渔业全要素生产率即综合效率（生态效率），包括技术效率和规模效率两部分。技术效率反映决策单元管理和技术的有效提高，规模效率则反映的是决策单元管理规模的不断优化，二者的改进，有利于综合效率的提高。为进一步对比沿海9个省（区）渔业全要素生产率的区域差异，本文将沿海地区划分为环渤海地区（河北、辽宁、山东）、长三角地区（江苏、浙江）、珠三角地区（福建、广东、广西、海南）。计算了三大地区2003—2018年渔业全要素生产率（综合效率指数）、技术效率指数、规模效率指数均值，结果如表4所示。可以看出，在研究期间，只有山东、江苏、福建生产率指数大于1，全要素生产率呈现增长趋势，其他地区生产效率指数均小于1，全要素生产率呈现下降趋势。从其构成来看，长三角和珠三角地区渔业全要素生产率的提高主要依赖于技术效率，环渤海渔业全要素生产率的提高则依赖于规模效率。

表4 渔业全要素生产率、技术效率及规模效率指数均值计算结果

从区域分布来看分为以下几点：（1）环渤海地区渔业全要素生产率呈现两极分化。山东省海洋渔业全要素生产率值大于1，有效水平相对较高，技术效率提升是拉动山东地区渔业全要素生产率的主因，辽宁省居中，河北省海洋渔业全要素生产率值则为0.374，处于低效率区，但其规模效率却达到最优，这与河北海洋渔业规模较大、海洋经济实现规模经济不无关系。（2）长三角地区渔业技术效率指数略高于规模效率指数，且数值大于1，表明长三角地区的技术效率对渔业全要素生产率的提高有积极作用。其中，江苏省渔业全要素生产率位列9个沿海省（区）第2名，可见其渔业可持续发展水平较高，且在技术效率上的表现较好。而浙江省无论在技术效率指数还是规模效率指数上均低于1，可能是由于浙江省长期以来以海洋捕捞为主，燃油能能源消耗、渔业资源衰退使得整体的全要素生产率下降。（3）珠三角全要素生产率提高得益于技术效率。除福建省的各项指标大于或接近于1外，其他省市的指标均低于1。不同的是广东省和广西壮族自治区渔业全要素生产率指数（综合效率指数）在0.5之间徘徊且波动相对稳定，而海南省渔业全要素生产率指数在0.1附近波动。这是由于海南省海水养殖面积逐年减少、海洋机动渔船总功率不断增加，进而导致海南省渔业全要素生产率一直处于低效率区。整体来看，渔业全要素生产率：环渤海地区＞长三角地区＞珠三角地区；渔业技术效率：长三角地区＞珠三角地区＞环渤海地区；规模效率：环渤海地区＞珠三角地区＞长三角地区。

3 海洋渔业全要素生产率的收敛性检验

为进一步分析沿海省（区）不同地区间海洋渔业全要素生产率的差异及随着时间演变未来的发展态势，运用σ收敛、绝对β收敛和条件β收敛分析整个沿海地区及环渤海地区、长三角地区、珠三角地区的海洋渔业生产率的收敛情况。

3.1 σ收敛检验

σ收敛描述的是地区间差距随着时间的推移而逐渐减小，通常采用变异系数指标进行分析。本文运用Excel对沿海9个省（区）及其环渤海地区、长三角地区及珠三角地区渔业全要素生产率进行测算及趋势预测，具体的公式如下：

式中，CV表示某一年的变异系数，Xi为该年的渔业碳排放效率值，为该年的效率平均值。若变异系数CV越大，碳排放约束下渔业全要素生产率差异越大；若变异系数CV下降，则表明碳排放约束下渔业全要素生产率存在σ收敛。由图2可知，2003—2018年整个沿海地区及其各区域（环渤海、长三角、珠三角）渔业全要素生产率的变异系数均呈下降趋势，即存在σ收敛，表明沿海9个省（区）各地区间渔业全要素生产率的差距逐渐缩小。从区域角度来看，环渤海地区变异系数曲线最高，走势与沿海9个省（区）水平相一致；长三角地区变异系数呈倒“V”形变化，经历了2003—2004年发散、2004—2018年收敛两个转折过程；而珠三角地区渔业全要素生产率变异数波动较大且走势陡峭。

图2 2003—2018年沿海9个省（区）及其各地区渔业全要素生产率σ收敛检验结果

3.2 β收敛检验

3.2.1 绝对β收敛

绝对β收敛是用于分析不同区域之间增长率变量最终是否可以达到相同的稳定状态，以判断渔业全要素生产低效率区是否存在向高效率区追赶的趋势。其模型构建如下：

式中：EEi，t、EEi，j+T分别代表初期、末期的渔业全要素生产率值，T表示时间跨度，α为截距项，εit为随机扰动项。如果估计系数β为负且回归系数在1%的水平下显著，则表明渔业全要素生产率存在绝对β收敛，否则表示不存在收敛。为了消除极端值（初期值和末期值）对增长率的影响，本文将2003—2005年的渔业全要素生产率平均值作为初期值，将2016—2018年的渔业全要素生产率平均值作为末期值，时间跨度T=13年。运用Stata15.1软件检验的结果如表5所示。

表5 渔业全要素生产率绝对β收敛的估计结果

由表5可见，整个沿海地区β估计值0.009 640 2＞0，且P值为0.499＞0.1，即回归系数未在1%的水平下显著，表明沿海9个省（区）渔业全要素生产率不存在收敛现象。从区域来看，除环渤海、珠三角地区β估计值为正数外，长三角地区β估计值为负，表明长三角地区渔业全要素生产率具有β绝对收敛，且P值＜0.1，表明β绝对收敛通过1%水平下的显著性检验，因此存在显著的绝对β收敛，即存在“追赶效应”。这同时也意味着长三角地区渔业全要素生产率较低地区与较高地区的差距正逐渐缩小。

3.2.2 条件β收敛

不同于绝对β收敛，条件β收敛是指由于不同个体各自特征和条件可能存在差异，导致渔业全要素生产率朝着各自的稳定水平趋近。其表达式如下。

式中：EEi，t、EEi，t+1分别代表当期、后一期的渔业碳排放效率值，α为常数项，εit为随机误差值。本研究的样本为2003—2018年，时间跨度为15年，以一年为一个周期，共划分为15个周期，即周期t=1，2，3，…，15。进一步采用固定效应模型（fixed effects，简称FE）和随机效应模型（randon effects，简称RE）测算沿海地区渔业全要素生产率的条件β收敛结果，并基于Hausman检验对固定效应模型和随机效应模型进行选择。

从Hausman检验结果来看，固定效应模型（FE）比随机效应模型（RE）的回归结果好，因此选用固定效应模型（FE）。从表6条件β收敛的估算结果来看，整个沿海地区及其三大海域的β估计值为负，即存在条件β收敛，意味着各区域渔业全要素生产率以不同速度均朝着各自的稳定水平收敛。

表6 渔业全要素生产率条件β收敛的估计结果

4 结论与对策

4.1 研究结论

本文选取沿海9个省（区）2003—2018年的面板数据，运用超效率DEA-SBM模型对沿海地区渔业全要生产率进行测算，基于测算结果对渔业全要素生产率进行收敛分析。研究表明：（1）2003—2018年沿海9个省（区）海洋渔业全要素生产率呈“W”和“M”形变化。（2）从区域来看，渔业全要素生产率：环渤海地区＞长三角地区＞珠三角地区；渔业技术效率：长三角地区＞珠三角地区＞环渤海地区；规模效率：环渤海地区＞珠三角地区＞长三角地区。即长三角地区渔业全要素生产率的提高主要源于技术效率，环渤海地区主要依赖于规模效率，而珠三角地区则是由于技术效率与规模效率的双重作用。（3）沿海9个省（区）、环渤海、珠三角地区均不存在绝对β收敛，但存在σ收敛和条件β收敛，说明沿海9个省（区）、环渤海、珠三角地区渔业全要素生产率没有朝着同一方向发展，却分别朝着各自的均衡水平收敛，且区域间的差距逐渐缩小。而长三角地区同时存在σ收敛、绝对β收敛和条件β收敛，表明长三角地区渔业全要素生产率总体朝着统一方向趋近。

4.2 政策建议

（1）调整渔业产业结构，优化要素配置。基于渔业全要素生产率的测算结果可得，中国沿海地区渔业全要素生产效率整体小于1，当前处于较低水平，这表明渔业产业结构处于混乱状态，亟须优化渔业生产要素配置。就渔业的投入要素而言，应鼓励渔业相关部门利用渔业生产相关经验、规模、劳动力等优势，吸引外资，加大对节能技术的资金支持。就渔业的产出要素而言，应根据各地区资源禀赋状况，科学调整捕捞业和养殖业的比重，在海域养殖容量范围内加大贝藻类在渔业中的比重，增强渔业碳汇功能。同时，规范海水捕捞业的作业形式，减少能源消耗，减少渔业生产中的非期望产出，促进海洋绿色可持续发展。

（2）鼓励技术创新，提高全要素生产率。环渤海地区的相关政府应充分发挥其在渔业科技创新中的主导功能，加大对渔业科研经费的投入，合理调配科技资源，加快对传统渔船的升级改造，创造以技术创新为主的渔业生产环境。同时，各地区还应与专业院校合作，组织实施各项科研工程，保证科研成果在基层得以推广，形成与当地渔业相匹配的发展模式，调动当地渔民使用新型设备的积极性，从而提高渔业全要素生产率。

（3）加强区域合作交流，缩短区域差异。分析结果显示，各区域间渔业全要素生产率随着时间推移仍存在差距，这就要求各省份加强对渔业技术的交流与合作。可以通过建立跨省市渔业经济合作组织，学习对方优势，完善自身不足。如：珠三角和环渤海地区可以学习长三角地区的渔业技术和政策，加快自身渔业低碳发展的步伐，力争3个地区向更好的水平趋近。