山东省粮食安全、农业机械化与农业碳排放的关联及发展建议

李伟娟，张朋程

（山东石油化工学院文法与经济管理学院，山东 东营 257061）

受新型冠状病毒肺炎疫情以及极端自然气候等因素的影响，全球粮食的生产、流通和消费均受到不同程度的冲击，粮食安全问题持续加剧，联合国将粮食安全作为2030年可持续发展目标的核心内容。中国人口基数大，粮食安全问题一直被放在重要的战略位置，2021年中国将粮食安全列为“强化国家经济安全保障”。前农业农村部部长韩长赋提出粮食安全是中国农业绿色发展的底线，强调了粮食安全与绿色发展的协调关系［1］。汪成等［2］提出绿色发展是粮食安全保障的重点内容，目前提高粮食安全的重要途径之一就是通过农业机械化的推广来提高粮食的产量。张宽等［3］和周振等［4］分别提出提高农业机械化水平将有利于促进农业经济增长和粮食产量的提高。但农业机械在推广使用的同时也造成了农业碳排放的增加，并且在现阶段是碳排放增加的主导因素［5］。因此协调好粮食安全与农业机械化和碳排放之间的关系至关重要。

现有文献大多单独开展农业机械化与粮食安全或农业机械化与碳排放之间的关系研究，但综合考虑农业机械化、粮食安全和碳排放量三者之间的关系，确保实现粮食安全的同时尽可能地降低碳排放进而实现绿色发展的研究相对不足。山东省连续多年粮食产量在全国排名第3，是典型的农业大省，对国家粮食安全战略和绿色发展战略的实施均发挥重要作用。本研究以山东省为研究对象，探究农业机械化、粮食安全和农业碳排放三者之间的关系，并提出发展建议，以期为山东省粮食安全和农业绿色发展的精准施策提供参考。

1 山东省粮食安全、农业碳排放和农业机械化的现状分析

1.1 山东省粮食安全现状

人均粮食产量在一定程度上反映了一个地区的粮食供给安全情况［6］。本研究从人均粮食产量和山东省粮食产量占全国粮食产量比重分析山东省目前的粮食安全现状，结果见表1。由于2016年和2017年的粮食产量衔接的是第三次农业普查的数据，与之前的数据不能对比，因此表1数据分析分为2个阶段，即2006—2015年以及2016—2019年。

国际公认的粮食安全线是人均粮食产量达400 kg，由表1可见，山东省人均粮食产量2006—2015年均保持在400 kg以上，2016—2019年保持在500 kg以上，高于全国平均水平，表明山东省的粮食生产保持了良好的发展态势。“十二五”期间，山东省粮食产量占全国比重低于8.00%，且山东省与全国平均水平的差距逐渐缩小，表明山东省当前的粮食安全水平虽然高于国家标准，但其优势在缩小。“十三五”期间山东省颁发系列政策支持农业发展，粮食产量占全国总量比重高于8.00%，2019年达8.07%，说明国家及山东省的相关农业政策效果显著，后期山东省有待保持并进一步提升其粮食安全系数，担负起共同维护国家粮食安全的重任。

表1 山东省粮食产量情况（2006—2019年）

1.2 山东省农业碳排放量及单位粮食碳排放现状

结合前期学者的相关分析，综合了导致农业碳排放的主要来源分别为农用化肥、农药、农用柴油、农用塑料薄膜、农作物播种面积和农业灌溉面积6类［7］。其中化肥、农药和农膜等是由于农用物质投入引发的碳排放；农用机械带来的碳排放主要是柴油的使用；播种主要是在翻耕时破坏了土壤表层而导致的有机碳流失；此外，农业灌溉消耗的电能也会引起碳排放的增加。表2是各类农业碳源的排放系数，将其与碳源排放量相乘，可汇总计算出农业碳排放总量［7］。

农业碳排放量的计算公式为：

式中，E表示农业碳排放量，万t/年；Ei表示各类碳源的碳排放量（i=1，2，…，6）；Ti为各类碳排放源的数量，数据来源于《山东统计年鉴》（2007—2019年），万t/年；δi表示各类碳排放源的碳排放系数，来源见表2。

表2 农业碳排放源、系数及参考来源［7］

根据公式（1）计算得到山东省农业碳排放量（2006—2019年），并计算单位粮食产量的碳排放情况，结果如图1所示。

由图1可见，整体来看，山东省农业碳排放情况得到很好的控制，呈下降趋势，农业碳排放量由2006年的1 163万t降至2019年的988万t。但在2006—2007年农业碳排放量还处于增长状态，农业机械化在规模化推广初期重点在于提升粮食产量，忽视了碳排放造成的污染，主要是由于扩大农业机械使用规模会增加燃料及动力消耗，如加大对柴油的需求，从而导致碳排放总量增加。2011年，山东省人民政府印发了《关于促进农业机械化和农机工业又好又快发展的意见》（鲁政发〔2011〕13号），自此开始农业碳排放量呈降低趋势，2011年农业碳排放量为1 132万t/年，之后逐渐降低，2019年降为988万t/年。单位粮食产量碳排放量也呈下降趋势，从2006年的0.284万t/万t逐步降至2019年的0.194万t/万t，表明山东省在节能减排方面取得了良好的成效。

图1 2006—2019年山东省农业碳排放量和单位粮食产量碳排放量走势

1.3 山东省农业机械化与单位粮食播种面积产量的发展现状

衡量农业机械化的主要水平就是农业机械总动力。彭继权等［8］运用量化模型分析提出农业机械化水平每提高1%，农户主粮单产就提高1.219%。图2是山东省农业机械总动力和单位粮食播种面积产量情况，由于2006年农业机械总动力均系新统计口径，与历史数据不能对比，本研究依然分2006—2015年和2016—2019年2个时间段进行分析。

由图2可见，整体来看，山东省农业机械化和单位粮食播种面积产量均呈不同程度的提升。2006—2015年和2016—2019年农业机械总动力和单位粮食播种面积产量均呈增长的趋势。2006—2015年，农业机械总动力从2006年的9 555万kW增长到2015年的13 353万kW，提升了39.7%，其中大中型拖拉机和小型拖拉机分别由2006年的25.16万台和158.81万台提升至2015年的53.52万台和190.93万台。单位粮食播种面积产量从2006年的5 848 kg/hm2增长到2015年的6 290 kg/hm2，增长了7.6%。2016—2019年，农业机械总动力增长了9.1%，单位粮食播种面积产量增长了3.0%。分时间段看，2016—2019年与2006—2015年相比，山东省单位粮食播种面积产量的增速高于农业机械总动力的增速，表明山东省的农业机械化在提升单位粮食播种面积产量方面发挥了很好的作用。为了进一步推广农业机械的普及，山东省提出到2025年，全省主要农作物耕种收综合机械化率达到92%，加大农机购置和绿色环保的补贴，为农业机械化的推广指明了方向。

综上分析，山东省粮食安全、农业碳排放和农业机械化发展呈以下特点：2006—2015年，粮食安全、农业碳排放和农业机械化分别为稳定增长、先增后减再增和稳定增长；2016—2019年，粮食安全、农业碳排放和农业机械化分别为稳定增长、持续降低和缓慢增长，三者呈一定关联。为了厘清三者之间的定量关系，寻求兼顾粮食安全水平提升和农业的绿色发展，本研究将构建农业机械化、粮食安全与农业碳排放相互关系的联立方程模型，探寻三者之间的相互作用关系，有针对性地提出发展建议。

2 联立方程模型设计及数据来源

联立方程模型由Haavelmo在1943年提出，用于探讨经济学变量之间的关系［9］。为建立农业机械化、粮食安全和农业碳排放之间的关系，拟建立三者之间的线性回归联立方程模型，线性回归方程检验有最小二乘法、最小绝对值法和Huber Loss法，考虑到最小二乘法（OSL）具有最优解惟一、求解方便、很好的解析性质等优点，拟采用最小二乘法（OSL）进行检验。本研究针对农业机械化、粮食安全与农业碳排放关系的联立方程具体模型形式如下［6］：

式中，AM表示农业机械化，选用单位粮食产量过程中使用的农业机械动力表示，kW/t；AS表示粮食安全，参考联合国粮食及农业组织定义的人均粮食产量高于400 kg为标准，以人均粮食产量与400 kg的比值表示；E表示农业碳排放，以农业碳排放量表示，万t/年；C表示截距；α、β表示各变量的待定系数；ε1i、ε2i、ε3i分别表示随机变量。

模型检验选用拟合优度检验（R2）、回归参数的显著性检验（t检验）和回归方程的显著性检验（F检验）。其中，R2检验拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比越高，R2（0～1）越接近1，线性关系越显著；t检验中t值用来检验回归参数的显著性，当模型得到的t值大于5%显著性水平下的t值时，原假设（某参数不能解释因变量）发生的概率＜5%，属于小概率事件，因此拒绝原假设，接受备择假设，即模型参数通过显著性检验，该参数可以解释因变量；F检验中F值用来检验模型整体的显著性，当模型得到的F值大于5%显著性水平下的F值时，原假设（模型整体不呈现线性）发生的概率＜5%，属于小概率事件，因此拒绝原假设，接受备择假设，即模型整体通过显著性检验，呈现线性。

为确保数据的准确性和指标的科学性，所涉及的数据均来源于《山东统计年鉴》（2007—2020年）。

3 农业机械化、粮食安全与农业碳排放关系实证分析

由于2016年之后粮食产量和农业机械总动力的统计口径发生变化，此部分选择2006—2015年的数据，运用Eviews 10.0计量软件进行OSL估计，分析农业机械化、粮食安全与农业碳排放的关系，得到3个方程，结果见表3。

表3 模型OSL估计

方程1的R2=0.950 1，表明粮食安全和农业碳排放量能够解释农业机械化变化的95.01%，F检验P＜0.05，说明粮食安全和农业碳排放量作为自变量和农业机械化作为因变量建立的整体线性回归方程有意义。粮食安全变量系数0.684 1的t检验P＜0.10，表明粮食安全在10%显著水平下可以解释农业机械化变化，即粮食安全水平每提高1%，农业机械化水平提高0.684 1%。农业碳排放量系数0.578 4的t检验P＜0.01，表明农业碳排放量在1%显著水平下可以解释农业机械化变化，即农业碳排放量水平每降低1%，农业机械化水平降低0.578 4%。结合线性回归方程和变量的系数来看，提高粮食安全会提高农业机械化，对碳排放量的约束会影响农业机械化的推广。

方程2的R2=0.981 9，表明农业机械化和农业碳排放量能够解释粮食安全变化的98.19%。F检验P＜0.05，说明农业机械化和农业碳排放量作为自变量和粮食安全作为因变量建立的整体线性回归方程有意义。农业机械化变量系数0.596 1的t检验P＜0.10，表明农业机械化在10%显著水平下可以解释粮食安全的变化，即农业机械化水平每提高1%，粮食安全水平提高0.596 1%。农业碳排放量系数-0.606 3的t检验P＜0.01，表明农业碳排放量在1%显著水平下可以解释粮食安全变化，即农业碳排放量水平每降低1%，粮食安全水平提高0.606 3%。结合线性回归方程和变量的系数来看，提高农业机械化会提高粮食安全，降低农业碳排放量会提高粮食安全。

方程3的R2=0.991 2，表明农业机械化和粮食安全能够解释农业碳排放量变化的99.12%，F检验P＜0.05，说明农业机械化和粮食安全作为自变量和农业碳排放量为因变量建立的线性回归方程有意义。农业机械化变量系数1.227 6的t检验P＜0.01，表明农业机械化在1%显著水平下可以解释农业碳排放量，即农业机械化水平每提高1%，农业碳排放量提高1.227 6%。粮食安全变量系数-1.476 5的t检验P＜0.01，表明粮食安全在1%显著水平下可以解释农业碳排放量，即粮食安全水平每提高1%，农业碳排放水平降低1.476 5%。结合线性回归方程和变量的系数来看，提高农业机械化会增加农业的碳排放量，提高粮食安全会抑制农业碳排放量。

方程1至方程3的OSL估计结果表明，农业机械化、粮食安全与农业碳排放之间的线性关系显著，任意一项指标作为因变量被其他2项指标解释的程度都在95%以上。三者之间的关联主要体现在以下3个方面：一是农业机械化与粮食安全呈正相关，提高农业机械化将提高粮食安全水平；二是农业机械化与农业碳排放呈正相关，提高农业机械化一定程度上会提高农业碳排放；三是粮食安全与农业碳排放呈负相关，提高粮食安全需降低农业碳排放。因此，如何提升农业机械化和降低农业碳排放，是保障粮食安全和农业绿色发展的关键。

4 结论与建议

4.1 结论

提高粮食安全的主要途径是提高农业机械化和降低碳排放，但农业机械化的推广应用与农业碳排放之间呈正相关关系。粮食安全事关全球人民的生命安全，实施国家粮食安全战略、提高农业机械化进而提升粮食生产率确保粮食产量是维护粮食安全的重要途径。因此通过降低农业机械化以降低农业碳排放是不可行的，必须在保障粮食安全的前提下降低农业碳排放，这也符合国家提出的粮食安全是农业绿色发展底线的要求，因此在确保粮食产量的同时，如何最大化地提高农业机械化率、降低农业碳排放是关键。

《农业绿色发展技术导则（2018—2030年）》提出了科技在协调粮食安全和生态环境保护中的重要意义。针对农业机械设备使用中会增加对汽油、柴油的消耗，从而增加碳排放量的现象，提出从科技创新视角提高农业机械的现代化发展思路。针对粮食安全中对粮食产量的要求，结合数字化应用提高单位面积的粮食产量。因此，提高农业机械化率和单位面积的粮食产量是融合粮食安全、农业机械化和降低碳排放量三者之间发展的重点突破口，具体从科技创新和数字化应用方面予以突破。

4.2 建议

1）加强科技创新在农业机械化和新能源的应用，推广低碳农机。由于农机作业是中国农用柴油的主要消耗方式之一，农业机械95%以上的配套动力是柴油机，这是主要碳源，所以低碳农机是降低农业碳排放的重要途径，可以通过研发多类型农机和优化机械化生产方式实现［10］。山东省丘陵山区耕地面积为275.9万hm2，占全省耕地面积的36.7%，由于面积小、坡度陡，常规农业机械不适应，因此需针对丘陵山区的种植结构多样化，加大对多样化农业机械的创新。针对坡度的等级不同，选择大小适宜的机械。在作业模式上可以借鉴美国的复式作业模式，该模式可以同时开展多个作业项目，进而减少辅助作业时间，从而降低单位播种面积的燃油消耗，降低二氧化碳的排放。

2）强化数字农业，借助智能化优化农业生产方案，提高农机作业效率。2018年国务院颁发的《乡村振兴战略规划（2018—2022年）》明确指出要大力发展数字农业，提高农业精准化水平。数字农业可以将信息技术与农业生产的各个环节有效融合，将市场信息、各种生产参数信息以及劳动力等信息综合考虑，推荐最佳种植方案，高效率地使用农业机械，以促进单位面积产量最优。山东省目前也正在努力探索物联网技术在农业中的使用，通过智能化精准计算出施肥量和播种量，同时也能给出最佳的生产方案，最大化地降低单位粮食产量的碳排放。