【研究意义】近年来，我国农业发展成果显著，无论是粮食作物、果蔬、禽类还是其他农产品，产量都有所提高。然而，当前大多数农业仍然依赖石油、化肥等能源来增加产量，这种“石油农业”对要素投入的依赖性较强，不利于可持续发展，同时也会对环境产生较大影响。因此，研究如何制定合适的环境规制和技术创新来改善农业能源效率，对于农业环境保护、资源节约等方面具有重要的现实意义。

【前人研究进展】国内外学者对农业能源效率、环境规制与技术创新进行了广泛研究，主要关注环境规制、技术创新与农业能源效率之间的双向相互关系，而对三者的综合关系探讨较为有限。首先，学者们探讨了环境规制对能源效率的影响。大多数学者使用数据包络分析法（DEA）评估国内外工业、农业以及省级和国家之间的全要素能源效率。然而，在评估环境规制对能源效率的正向或负向影响时，研究结论存在分歧。穆献中等^[1]研究发现环境科技投入等因素对能源效率有极显著的影响，而Curtis等^[2]研究则表明环境规制中的法律法规对能源效率的提升可能产生反效果。此外，环境规制对能源效率的影响也因研究领域的不同而有所差异。对工业领域的分析显示，环境规制能够显著提升能源生态效率，但会阻碍毗邻地区能源生态效率的改善，加剧不同经济区之间能源生态效率的分化^[3]。不同地区的农业能源效率存在明显差异，环境规制有助于提高农业能源效率^[4-6]。其次，学者们还研究了环境规制与技术创新之间的关系。蒋雪梅等^[7]研究发现，环境规制可通过增加遵循成本来抑制技术创新；龚海林等^[8]研究表明，环境规制对清洁技术的创新具有正向影响。楚德江^[9]基于公共品属性视角构建有效的农业绿色技术创新机制，推动农业技术创新；但乔翠霞等^[10]利用省级面板数据的研究发现，环境规制对农业技术创新并不利。因此，在农业能源效率方面，环境规制与技术创新是否存在正向相关关系仍需要进一步探讨。最后，关于技术创新与能源效率的关系，李世祥等^[11]采用生产理论框架的非参数法进行研究，运用不同目标情景下的能源效率评价模型，从省际和工业行业面板数据的角度评估了中国的能源效率；洪勇等^[12]则研究了市场分割和技术创新对能源效率的影响；张万里等^[13]使用静态和动态面板模型分析智能化对能源效率的影响并研究了技术创新、环境规制和外商直接投资的调节作用。这些研究表明技术进步以及地区间的技术扩散对能源效率具有促进作用。王永静等^[14]基于我国主要粮食产区的历年面板数据，分析了农业能源效率提升与能源全要素生产率的密切相关性。周辉等^[15]运用DEA方法测算了我国30个省份的农业全要素能源效率，并通过Tobit模型对其影响因素进行分析，研究结果也表明技术创新对农业能源效率产生正向影响。

【本研究切入点】国内外大多数学者在上述3个因素的研究中采用了双变量框架。本研究通过有向无环图（DAG）方法，提取多个变量之间的路径，并运用包含同期影响关系的结构向量自回归模型来处理同一框架下变量间的动态关系，实现对农业能源效率、环境规制和技术创新这3个因素的综合分析。此外，与大多数使用时间序列数据和横截面数据的文献相比，本研究采用的省级面板数据能够综合利用横截面和时间序列数据的优点。

【拟解决的关键问题】本研究旨在解决如何制定合适的环境规制和技术创新以改善农业能源效率的关键问题。当前，大多数农业仍然依赖石油、化肥等能源来提高产量，这种“石油农业”对要素投入的依赖性较高，不利于可持续发展，同时也会对环境造成较大影响。因此，有必要研究如何提高农业能源效率，并探究环境规制和技术创新在这一过程中的作用和相互关系，为促进农业可持续发展提供有益的认识和解决方案。

1　研究方法与数据来源 1.1　模型构建

1.1.1 有向无环图（DAG）　有向无环图（Directed acyclic graph, DAG）方法由Swanson等^[16]、Spirtes等^[17]提出，其基本思想是使用箭头图来表示一组变量之间的同期因果流关系，无边(XY) 表示两个变量之间没有因果关系，无向边(Y-X) 表示协方差非零、没有给出特定的因果解释，有向边(Y → X) 表示Y与X具有因果关系且由Y导致X。DAG方法是一种利用VAR模型中的变量残差相关性或偏相关性来观测变量间同期因果关系的方法。相较于格兰杰检验，DAG方法能够更好地弥补其一些缺陷，并已经在经济学领域中得到了广泛应用。本研究采用Tetrad软件进行DAG路径分析，并使用各文献中常用的PC算法进行去边、定向等步骤构建一个完整的有向无环图。PC算法实际上是利用费雪Z统计量对变量间的相关系数和偏向关系数进行检验的。其表达式如下：

式中，n为样本数量；∣k∣为条件变量的数量，ρ（i, j∣k）表示以k个变量为条件变量时i和j的偏相关系数。令r（i, j∣k）为样本偏相关系数，如果i，j、k三者同时满足正态分布，那么z[ρ（i, j∣k）n]-z[r（i, j∣k）n] 也遵循正态分布。

1.1.2 结构向量自回归模型（SVAR）　Sims^[18]提出了SVAR模型，用于反映变量之间的瞬时结构关系。具体而言，多个变量之间的相关性构成了结构矩阵，而SVAR在简单VAR模型的基础上增加了结构矩阵，从而能够估计变量的当期关系。其数学表达式如下：

式中，i表示省份数量，t表示年份时间，p为滞后期数，y_{i, t}为参数向量，A₀为同期矩阵，A_i为自回归系数矩阵，d₀为截距向量系数，ε_{i, t}为结构扰动向量。其中，系数矩阵反映了各个变量间的同期结构关系，即某一变量的滞后项对另一变量当期的影响。矩阵的对角线上均为1，这是因为在SVAR模型估计式中，左侧系数都表现为1。表示变量个数为n的向量，表示冲击构成的向量组，在这里的每个冲击都是无法被预测的随机序列。SVAR模型的应用能够帮助我们获得方差分解结果，该结果提供了每个变量的预测误差方差有多少可以通过对其他变量的外生冲击来解释。

1.2　指标体系构建与数据来源

1.2.1 变量选择与数据来源　本研究采用涵盖30个省份的面板数据。由于在农业能源效率的具体测算过程中，省份间的能源实物数据可获得时间不同，因此统一选取数据时间范围为1998—2017年，考虑到数据的可获得性，排除了港澳台地区和西藏地区。各个变量的原始数据来源包括国家统计局数据库、《中国能源统计年鉴》、《中国环境统计年鉴》等，而农业专利数据则来自SooPat数据库（表 1）。在数据处理过程中，我们对农业技术创新数据取对数以消除异方差的影响。

1.2.2 农业能源效率的测算方法　农业能源利用效率是度量在当前固定能源投入下实际农业产出能力达到最大产出的程度，或在产出固定条件下所能实现最小投入的程度。目前国内缺乏直接可用的省级农业能源消耗量数据，为了更准确地测算我国农业能源的消耗量，参照周辉等^[15]的方法，厘清我国农业能源消耗的品类，将农业生产中主要的化石能源纳入到核算体系中。在测算过程中，依据《中国能源统计年鉴》中各省份的能源平衡表，将我国农业生产中使用的能源消费品划分为原煤、洗精煤、原油、煤油、天然气、电力等多个类别，并在进一步测算前将其转换为标准煤进行加总。

为避免单要素能源效率计算的局限性，本研究采用农业全要素能源效率，并使用数据包络分析法（DEA）模型进行测算。DEA是一种用于评估多产出-多投入情况下有效性的综合评价模型，包括CCR、BCC、SBM等几种典型模型。研究表明，CCR模型的CRS假设用于探讨如何在固定收益下降低投入成本，而BCC模型的VRS假设则关注如何在固定投入的前提下提高产出。本研究的重点是在特定产出条件下探讨如何节约能源投入，因此更倾向于采用CCR模型的CRS假设。此外，本研究的主要目的是研究农业能源效率与环境规制、农业技术创新之间的关系，基于准确计算和总效率衡量的考虑，采用基于投入导向的DEA模型中的CCR模型。在DEA模型定义下，采用周辉等^[15]提出的农业能源效率计算公式作为参考：

式中，i表示第i个省份（或直辖市、自治区）；t表示各年份，如1998、1999.....；POW为农业能源效率；AEI和LEI分别表示实际投入能源要素数量以及生产过程损失的能源数量；TEI是产出一定的条件下最佳能源投入数量。选取1个产出要素和4个投入要素来测算农业能源效率，各指标的定义与数据来源见表 2。

接着，对能源投入、劳动力投入和资本投入指标进行进一步说明：

（1）能源投入。由于我国目前没有直接的农业能源消费量数据，因此本研究将30个省份每年在农业行业的能源消耗量折算成便于计算的标准煤量，包括原煤、洗精煤、原油、煤油、天然气、电力等能源。具体的折算系数和计算方法如下：

式中，AE为农业能源具体使用量，e_i为农业能源消耗实物量，z_i为i类能源折标准煤系数。

（2）劳动力投入。对于劳动力投入指标，本研究使用全国30个省份的第一产业从业人员数来表示。由于数据获取原因，只使用了各年第一产业劳动力底数的数据，但新疆在2011—2017年期间缺少数据。尽管如此，相关统计资料和图表显示，新疆第一产业从业人员数具有线性性，因此本研究采用线性插补法来填补新疆2011—2017年的缺失数据。

（3）资本投入指标。本文研究的是农业资本存量，主要指不包含劳动力和农业生产所需土地的物质资本存量。由于资本投入指标数据的难以获得性，基于已有学者的研究基础，采用永续盘存法估算农业资本存量。基本估计式为：

式中，t表示当期时间，t-1表示上期时间；K_t与K_t-1分别表示随着时间变化的不同期资本存量；I_t则是当期的投资总额，δ为折旧率。通过估计可知，在资本存量的计算中，还需要确定的相关指标数据包括基年农业资本存量、当年投资额、折旧率和投资价格指数P_t。基本估计式可变形为：

即需进一步计算出农业资本折旧额（D_t=K_t-1δ）。在此基础上，需要确定以下几个资本存量相关的指标：

① 当年投资，即农业固定资本额形成总额。借鉴张军等^[19]做法用农业固定资本额形成总额衡量当年投资额。由于2003年及之后年份数据缺失较多，参考李谷成等^[20]做法，使用农业固定资产投资占全社会固定资产投资比重作为权重乘以全社会固定资本形成总额来补齐2003年之后的数据。

② 基期资本存量K₀。本研究将基年选择为1998年，以李谷成等^[20]数据的估算值，将其转化为1998年不变价，使用基期资本存量计算公式：

式中，g_t为研究年份内的农业GDP几何增长率，5.42% 为加权农业综合折旧率。

③ 投资价格指数P_t。在多数研究中，通常需要使用价格指数对资本数据进行平减，以消除价格变动的影响，从而更准确地反映真实水平。由于农业数据的难以获取以及难以构造新的指标，本研究使用固定资产投资价格指数来代替资本数据。

④ 当年折旧D_t。已有文献对D_t=K_t-1δ中折旧率的选择难以达成一致，多数集中于非农行业，如黄勇峰等^[21]研究中设备的折旧率为17%，张军等^[19]研究中折旧率为9.6%。本研究参照徐现祥等^[22]的做法，采用各省份第一产业按照收入法核算时所提供的固定资产折旧额进行分析，但由于2005年之后的数据未曾披露，因此我们统一使用农业资本折旧率5.42%。

2　农业能源效率的测算及其时空特征

本研究利用DEAP2.1软件对我国30个省份的农业能源效率进行测算。为了简洁起见，下文仅展示全国各省份各地区部分代表性年份农业能源效率的估算值，见表 3。

按地域性质将30个省份划分为东部、中部和西部3个区域。由表 3可知，1998—2017年期间的农业能源效率显示出明显差距，东部、中部和西部的平均值分别为0.86、0.72和0.65。为了更好地了解各省份的能效水平，根据能源效率值的范围将其划分为低能效区（平均值< 0.65）、中能效区（0.65~0.85）和高能效区（平均值>0.85）。数据表显示，低能效区主要集中在西部地区，中能效区主要集中在中部地区，而高能效区则主要集中在东部地区。这与地区经济发展水平类似，农业能源效率在地区层面也呈现不均衡发展的特点，即东部高于西部。

1998—2004年期间，除西部地区外，各省（地区）农业能源效率呈上升趋势。这是因为我国自2000年以来逐渐加大对农业的重视，推出了一系列支农惠农政策。特别是2003年，中共十六届三中全会首次将“三农”问题置于全局工作的关键点上，强调农业正处于经济结构调整阶段，必须加快农业经济发展。在政策的支持下，农业投资环境得到优化，农业技术研发力度也相应增强，推动了农业能源效率的提升。然而，2004年后，由于我国农业剩余劳动力转移迈过刘易斯第一拐点，导致农业劳动力成本上升，各省（地区）农业能源效率普遍出现不同程度的下降。与此同时，2005年后我国步入“WTO后过渡期”，农产品关税的降低导致国外产品涌入，引发了农业生产成本和劳动力成本的增加。由于我国知识产权保护制度不够完善，技术研发过程中可能无意中侵权，从而增加了农业技术研发的资金投入。此外，东部和中部地区受到外贸影响较大，因此在2004年后，农业能源效率有所下降。

西部地区农业能源效率在21世纪初保持了相对稳定的水平，并在后期出现了一定幅度的提升。这主要得益于政府实施的“西部大开发”战略，包括加强基础设施建设、改善农村交通状况，注重农村生态环境建设，灌输节约资源保护环境意识，加大对西部地区的科技教育支持等政策措施。这些政策的推动稳定了西部地区农业经济发展的基础，间接促进了农业能源效率的提升。

3　实证分析 3.1　单位根检验及协整关系确定

在使用面板数据进行实证分析前，有必要对每个变量进行面板单位根检验。本研究选择应用度更广的IPS检验方法，结果（表 4）除Ev为一阶单整外，其余变量均满足零阶单整条件，表明各变量都满足协整检验条件。

为进一步验证变量间是否具有长期协整关系，在Eviews软件中使用Johansen-Fisher检验法对上述变量进行面板协整检验，结果如表 5所示。从表 5可以看出，EV、lNTI、SZ和POW这4个变量之间至多存在4个长期协整关系，但相关变量彼此之间的协整关系可能不唯一，因此需要进一步分析。

3.2　DAG同期因果关系检验及SVAR模型识别

以POW作为被解释变量，EV、lNTI和SZ作为解释变量，根据上文建立的VAR模型得到各变量残差相关系数矩阵（表 6）。以此矩阵为基础，使用Tetrad软件的PC算法对各变量的同期因果关系进行DAG分析。采用杨子晖等^[23]的方法，设置20% 的显著性水平。当出现只有相关性没有具体定向的情况，则根据经济理论和以往研究添加先验知识，在之后的SVAR模型分析中进行检验。最终得到有向无环图（图 1）。

从图 1可以看出，在20% 显著性水平下，4个变量之间有3条路径关系：（1）环境规制对农业能源效率的同期影响，即环境规制→农业能源效率；（2）环境规制通过技术创新对农业能源效率产生了同期的影响，即环境规制→技术创新→农业能源效率；（3）农业受灾率对农业能源效率产生同期影响，即农业受灾率→农业能源效率。基于上述路径分析，进一步建立结构向量自回归模型，深入研究这些变量之间的关系。结构向量自回归模型需要在模型中引入矩阵约束，通常选择AB型矩阵，具体来说，该模型将环境规制、技术创新和农业受灾率作为3个因素，同时考虑它们对农业能源效率的影响，并通过矩阵约束来确保模型的合理性和可靠性。

式中，e_t为传统VAR模型的扰动项列向量，u_t为结构扰动项列向量。AB矩阵均为方阵矩阵，B矩阵为单位矩阵，此处只展示A矩阵的表达形式：

为确保模型的准确性，根据约束公式m×（m-1）÷2，至少需要6个约束条件。在一些未使用有向无环图的文献中，矩阵A的约束条件需要借助经济理论或其他学者研究结果，这种选择可能导致结果的不准确性。本研究使用DAG分析结果可有效解决这个问题，从DAG图（图 1）可以看出，即期的农业能源效率对环境规制、农业技术创新和受灾率均无同期影响，因此矩阵A中的系数a₂₁、a₃₁、a₄₁均为0；即期的环境规制虽然通过农业技术创新对农业能源效率产生同期影响，但无法反向进行影响，因此矩阵A系数中的a₂₃为0；农业受灾率对环境规制和农业技术创新均无因果关联，故矩阵A中系数a₂₄、a₃₄、a₄₂、a₄₃均为0。添加约束条件后的矩阵A设定如下：

然而，仅仅依靠DAG分析还不足以完全证明这种结构关系的存在，因此需要对参数的合理性和显著性进行验证，以确保多变量数列之间的当期作用联系是正确的。从矩阵A参数的估计结果（表 7）可以看出，a₁₄估计结果的P值在5% 显著水平下为0.7014，表明农业受灾率与农业能源效率之间没有明显的因果关系；而在DAG图的分析中，农业受灾率对农业能源效率产生了同期影响，是因为当时借鉴杨子晖等^[23]的做法，为了改善分析效果，通过提高显著性水平的方式来避免DAG分析可能低估变量间同期因果关系的问题。因此，为了结论的严谨性，在A矩阵中剔除对农业受灾率的估算并进行第二次矩阵估计，结果如表 8所示。

因此，A矩阵最后估计结果为：

SVAR模型对参数的估计结果显示，环境规制和技术创新均对农业能源效率产生了正向影响，这意味着它们可以直接促进能源效率的提高。此外，环境规制对技术创新也存在正向单向影响关系，验证了DAG中环境规制→技术创新→农业能源效率的路径关系。在SVAR模型中，农业受灾率在5% 显著水平下无显著影响，因此在模型的方差分解中被剔除。

3.3　基于DAG预测的方差分解

为进一步分析环境规制、技术创新、农业能源效率3个变量的长短期影响变化，在上述SVAR模型基础上进行结构方差分解，结果（表 9）显示，农业能源效率会受到自身以及环境规制和技术创新的影响。在短期内，环境规制和技术创新对农业能源效率的贡献率相对较低，分别为1.16% 和2.13%；而在长期内，它们的贡献率显著提高，分别达到7.11% 和8.24%，且随着预测期的延长，其促进作用更加显著。其原因在于：一方面，环境规制涵盖政府主导制定的政策法规，其实施需要一定的时间成本才能达到预期效果；另一方面，环境规制可以通过政府引导和市场机制激励农业企业持续采用适宜的能源技术，从而有效提高能源效率。此外，农业技术创新除了受到自身影响外，还受到环境规制的影响。在预测的第一期中，环境规制对技术创新的贡献率为4.71%；随着预测期的延长，环境规制对技术创新的促进作用逐渐增强，贡献率增加到第九期的11.42%。这表明环境规制能够通过政策和市场为各农业产业提供经济激励，使企业为了实现预期利润而增加对新技术的研发。

4　结论与建议 4.1　结论

本研究通过对农业能源效率的测算和时空特征分析，发现我国各省份之间存在显著差异。低能效区省份主要集中在西部地区，中能效区省份主要集中在中部地区，而高能效区省份则分布在东部地区，说明经济发达程度较高的省份在农业能源利用方面也具有优势，而中、西部地区由于经济发展水平较低、农业产业结构不够优化等原因造成了能源效率的下降。另外，我国的总农业能源效率呈现先上升后缓慢下降的趋势，这与农业相关政策的转折点年份以及农业剩余劳动力转移迈过刘易斯第一拐点、导致农业劳动力成本上升有关。

在影响农业能源效率方面，环境规制具有积极的影响，并且技术创新能够对农业能源效率产生正向作用。通过分析DAG路径图和SVAR模型，发现环境规制和农业能源效率之间存在着传导路径，并且变量之间存在正向关系。尽管短期内环境规制对农业能源效率的影响较低，但随着时间的推移，其影响逐渐增强。这是由于在短期内环境规制难以迅速发挥作用，而中西部地区经济发展水平相对较低，很难立即达到国家环保标准。因此，国家需要持续支持中西部地区节能技术的发展，通过节能技术补贴、环境税返还等政策激励，引导农业产业不断依靠技术创新提高节能减排水平，从而提高农业能源效率。此外，技术创新对农业能源效率也具有积极影响。技术创新对农业能源效率的影响为2.13%，表明技术创新有助于提升农业能源效率；而随着预测期的延长，其贡献率逐渐提高并达到8.24%，表明技术创新在长期内对农业能源效率的提升具有更为显著的影响。技术创新在农业领域的应用不仅能够带来短期的效果，还能在长期内持续推动农业能源效率的提高。相比环境规制，技术创新的影响更为显著，这是因为技术创新可以带来专利授权量的增加，从而一定程度上减少能源要素的消耗，提高能源效率。

综上所述，农业能源效率受多种因素的影响，包括经济发展水平、环境规制和技术创新。在实践中，应注重加强中西部地区的环境规制力度，同时鼓励技术创新，以提高我国农业能源效率的整体水平。

4.2　建议

4.2.1 针对农业能源效率的地域差异，采取差异化的改进措施　东部地区的农业整体能源效率较高。因此，在确保农业基础稳定的前提下，应加大对农业技术创新的力度，发展高附加值农业如有机农业等，以进一步促进农业转型升级。而中、西部地区的农业整体能源效率较低，更需要借助农村人口向城市转移、政策资助农业产业研发技术提升等方式进行农业产业结构的调整。

4.2.2 通过加强政府的环境规制力度，促进农业能源效率提升　首先，政府需要制定严格科学的环境规制政策，并定期评估政策的实施成效。由于不同地区适用的环境规制政策可能不同，应根据实际效果进行调整，以最大程度发挥政策的作用。其次，需要鼓励政府进行环保宣传，通过增强公众的环境保护意识，将公众力量纳入环境治理机制中。

4.2.3 提高农业节能减排技术，推动相关技术创新　首先，政府应发挥对科研机构的支持作用。例如，建设农业科技推广展馆，展示先进的农业机械技术和农业信息技术，使参观者和农业从业人员了解农业新技术，从而达到推广的目的。其次，应将实践与理论相结合，推进不同地区的节能减排试点工作。通过展示节能减排技术的操作过程和效果，促使当地农业从业人员更频繁地应用这些技术，进而推动农业相关技术的创新。