农户生产技术效率的空间环境效应研究——基于DEA-VRS-HLM模型的检验

姚增福 唐华俊



农户生产技术效率的空间环境效应研究
——基于DEA-VRS-HLM模型的检验

姚增福 唐华俊

经济空间一体化架构下，基于3省15个乡镇649份农户数据，利用DEA-VRS-HLM模型，实证检验了空间环境对农户生产技术效率的影响效应。研究结果表明，对农户技术效率作用效应上，教育和技术是显著的正向预期因子，而年龄和外出务工时间是显著的负向预期因子，农户层次变量的作用效应被乡镇层次变量解释的比例最多的是外出务工时间的65%，最小的是年龄的45%；乡镇层次变量强化了教育、外出务工时间、技术与农户技术效率间的正向、负向、正向关联关系，而弱化了年龄与农户技术效率间负向作用效应；地理环境对农户技术效率的提升影响上，年龄和外出务工时间变量在黑龙江和甘肃作用效应更大，而教育和技术在湖南发挥的作用效应更大。

农户； 生产技术效率； 空间环境； DEA-VRS-HLM模型

我国现有农村基本经营制度与农业现代化是相容的，农户经济将长期存在并有效发展，普通承包农户仍是我国粮食生产的最大主体[1]。农户生产技术效率不仅决定了生产要素利用效率，更为重要农产品的有效供给和国家粮食安全提供了微观保障。随着研究的深入，农户自身异质性和环境异质性两个层次的影响因素受到了极大的关注。那么，如何准确测量农户异质性和环境异质性两个层次对农户生产技术效率的影响以及两个层次因素相互作用对农户生产技术效率变异的影响等问题已经成为近些年空间计量经济学研究的热点和重点问题，亦是本文关注的核心问题。

农业技术效率的测度方法主要有基于参数的随机前沿生产函数法(SFA)和基于非参数的数据包络分析法(DEA)。在技术效率测算及其影响因素分析上，学者们的处理方式主要有三种：第一是一步法，即将各种环境变量统一纳入SFA或DEA模型框架，主要目的是为了测算技术效率及对全要素生产率(TFP)进行分解。如Banker和Morey将产出、投入和多种环境变量纳入了DEA模型中，一步估计了农业技术效率及影响因素[2]，Kalirajan利用我国省际样本数据对农业TFP增长进行了SFA估计[3]，亢霞和刘秀梅利用SFA方法对我国省际层面的粮食技术效率进行了分析[4]，李谷成等基于微观农户数据，运用SFA方法测算了农户家定经营技术效率及分解了全要素生产率增长成分[5]。一步法估计将环境变量和随机误差因素认为是事先确定的，很难准确检验这些变量对技术效率的随机影响效应[6]；第二是两步法，即先利用SFA或DEA模型估计效率值，再检验技术效率的影响因素，主要目的是为了在测算技术效率基础上探究影响技术效率高低的因素。如McCarty和Yaisawarng在两步法中，运用DEA技术估计效率并利用第二阶段回归中的残差项调整第一阶段的效率值[7]，钱丽等运用DEA-Tobit模型分析了我国省域间农业生产效率的影响因素[8]，同时赵京等和贾驰分别利用DEA-误差修正模型和DEA-Panel Data模型，分析了政府农村公共产品投入和自然环境资源及农村社会资源等要素对农业生产效率的影响[9-10]，常向阳和韩园园利用DEA-结构方程模型分析了农户农业技术扩散动力及渠道运行对农业生产效率的影响[11]，周亮等采用DEA-GIS空间分析方法，对2000—2011年淮河流域35个地市的农业生产效率及时空变化特征进行了分析[12]。两步法主要差异在第二步上，但无论第二步是利用DEA分析技术还是利用回归分析技术，都无法完全克服模型事先确定性以及随机因素的影响效应[6]93；第三是三步法，即第一步按照传统DEA技术测算技术效率，第二步建立相似SFA分析模型剔除环境因素和随机因素，并得出仅由管理无效率造成的决策单元的投入冗余对效率值进行调整，第三步利用调整后的数据再利用DEA模型进行测算，主要目的是为了将影响技术效率高低的管理因素和随机因素剥离出来，并分别进行分析研究。Friedet等为了能够去除外部环境与随机误差对效率的影响，较早地提出用三阶段DEA模型评估决策单元的技术效率[13]，国内学者如郭军华等和焦源分别利用三阶段DEA模型在微观农户层面或宏观省域层面检验了内部管理效率以及随机环境因素对农业生产效率的影响效应[14-15]。三步法虽然能够克服模型设定、管理因素和随机因素对技术效率带来的估计误差问题，但三步法估计中不能够解析管理因素以及随机环境因素的空间异质性对农户或省域层面技术效率估计的影响差异。

已有研究文献已经阐明了农户自身特征因素以及区域要素特征对农业技术效率影响存在差异，但在大多数文献中，区域间及区域与农户间的空间相互作用和未观测到的实地异质性未被纳入农业技术效率研究的框架内，如Anselin等、Holloway等和吴玉鸣基于新经济地理学理论，利用空间计量模型分别研究了氮肥管理对玉米生产的作用、生物经济与土地利用关系以及生产要素产出弹性[16-18]；但新经济地理学理论建模的微观基础—市场一体化的局限性以及空间权重的设定缺乏经济学理论基础，受到了学者们的质疑或批评。只限于经济空间格局的市场一体化研究，忽视了重要的社会、生态和环境空间架构的经济一体化，经济空间一体化不仅能够反映出居民、企业和政府之间的相互作用、相互影响，而且能够反映出经济因素与生态变量、环境变量之间的相互作用与相互影响[19-20]。因此有必要将经济空间一体化作为微观基础纳入空间计量模型中，同时避免因空间权重设置而导致的模型估计偏误的问题，建立无偏估计的空间交互模型，准确检验农户生产技术效率差异的空间环境影响效应。

本文所作的贡献主要有：(1)在经济空间一体化架构下，利用甘肃、湖南和黑龙江3省15个乡镇649份实地调研数据，建立“农户—乡镇”两个层次数据库，合理的空间数据结构能够更加准确地检验农户层次、乡镇层次变量以及两个层次变量相互作用，对农户生产技术效率产生的影响；(2)利用DEA模型中投入主导型的规模收益可变模型(VRS)技术，从农户层面准确测量不同区域农户生产技术效率值；(3)借鉴Corrado和Fingleton的研究思路，通过HLM理论建模思想构建两层次空间环境模型，并利用农户和乡镇两个层次的空间数据结构检验不同层次变量空间相互作用对农户生产技术效率的影响效应。

一、农户生产技术效率模型构建及变量选择

(一)DEA模型构建

DEA模型利用投入导向型(Input-Orientated)和产出导向型(Output-Orientated)两种技术测算决策单元的技术效率。投入导向型是指在产出水平一定的情况下，使投入最小化的规划问题。农户是生产要素的占有者，同时又是生产要素的使用者，对生产要素投入具有独立的决策能力。基于此判断，本文沿用大多数农业生产效率测算技术选择的一般做法，采用投入主导型的规模收益可变模型(VRS)技术，测算农户生产技术效率，具体规划形式如下：

λk≥0(k=1,2…K)

其中，k为决策单元，xn为决策单元投入变量；ym为决策单元的第m项产出项，λk为第n项投入和第m项产出的加权系数；θk为第k个决策单元的效率值，0<θk<1，其值越接近1表示效率值越高，反之，越低。

(二)投入产出指标变量选择

本文选择的产出变量为农户家庭水稻生产经营总收入(单位：元)。需要特别指出的是，与黑龙江、甘肃不同湖南省调查样本农户水稻种植制度为一年双季，因此，在计算湖南省调查农户水稻经营总收入时包括了双季稻的总收入。

投入变量包括土地投入、劳动力投入、物化资本投入等3个方面。土地投入，按照实际投入土地面积计算，包括自有土地和租入等土地总规模(单位：亩)。劳动力投入，按照调查农户家庭种植过程中实际投入的劳动力人数(人)乘以当地的用工价(元/人天)计算得出(单位：元)。物化资本投入，该指标包括农户家庭水稻生产中对种子、农药、化肥、耕作机械费用、排灌水费等资金投入总量(单位：元)。

可以直接通过DEAP2.1软件将农户生产技术效率值测算出来，具体过程文章不再赘述，同时将测算出来的农户生产技术效率作为两层次空间环境模型的因变量。

二、两层次空间环境模型构建、指标选择及数据说明

(一)模型构建

在经济地理学中，由于区域和国家等不同层次环境因素会对以具体地理区位为特征的经济问题研究结果产生明显的水平影响效应，因此，这些相同区域的个体会受到来自不同层次的空间环境的影响。实际上，如果研究样本数据来源于相同行政区域空间结构时，假设有一个共同随机误差项的空间自相关(spatial autocorrelation)或者独立性假设都是有误的[21]。在构建空间环境效应模型时加入一个共同的独立误差和组间的误差项，在误差项和解释变量的描述上都是必要的。

在我国农村，乡镇是非常重要的农业经济行政管理单位，由于地理和经济环境的差异，乡镇内农户经济行为的同质性远大于乡镇之间的差异性，而且乡镇内农户生产技术效率存在相互影响的可能性很大，如技术模仿等[22]。考虑到农户所处乡镇空间环境的差异，农户生产技术效率与影响因素之间的关系可能会随着所处乡镇的不同而存在异质性。已有的实证研究也表面乡镇环境带来的固定和随机的影响并不是空间相关联的，而是区域异质性综合作用于个体的结果，即固定和随机干扰是不相互独立的[23]。

基于以上判断，借鉴Corrado and Fingleton(2012)的研究思路[21]220，本文构建的两层次空间环境HLM模型的形式为：

Y=β0+Xβ1+Zγ+ε

(1)

其中，Y={Ync}表示乡镇层次C中第n个农户的生产技术效率值，Z={Znc}表示乡镇层次C上的一系列情景因素，X={Xnc}表示乡镇层次C中个体层次变量。公式(1)具体可以分解为如下形式：

(2)

在公式(2)中，ε={enc}+{uc}表示混合误差项；Y、X和Z的维度分别是(N×1)、(N×k)和(N×k)；β0、β1和γ是固定效应参数向量；误差项ε由异质的误差项enc和随机效应uc组成，enc表示处在乡镇层次C上的第n个体的随机误差，uc表示乡镇层次C的随机影响。

同时有如下的模型假设：

enc|Xnc:N(0,σe)Cov(enc,en′c)=0∀n≠n

uc|Xnc:N(0,σu)Cov(uc,enc)=0

对空间环境交互多层次模型(HLM)的不同层次方程进行估计时，采用有限迭代广义二乘法(RIGLS)或者有限最大似然估计方法(REML)可以得到无偏、一致的回归参数估计值[25-26]，本文利用HLM6.08正式版软件，采用有限最大似然估计方法对各层次回归方程进行参数估计。

(二)指标选择

在两层次空间环境模型中，为了综合反映农户、乡镇两个层次变量以及两个层次变量间相互作用对生产技术效率的影响，本文选择的各层次指标变量如下。

1.农户层次变量

为了进一步反映农户异质性对生产技术效率的影响，本文选择了如下农户层面变量。

(1)年龄(NL)：已有文献表明，农户年龄既影响其从事农业生产的积极性、农业代际效应(cohort effect)，又影响着自身生产技术效率，即年龄效应(age effect)[27]。在农户个体生命周期内，动态演化的社会环境会随着个体的成长使其行为模式和技术效率发生变化，诱发年龄效应[28]。一般来看，年轻的农户更容易接受新鲜事物，生产技术效率更高，相反年纪大的农户更趋于保守，生产技术效率较低。本文采用调查问卷中家庭实际从事农业生产的户主的实际年龄为变量进行检验。

(2)教育(JY)：教育是人力资本投资的重要手段，在微观和宏观层面，会通过其“内部效应”和“外部效应”对农户生产技术效率产生显著影响[29]。现有文献表明，农户教育程度越高其生产技术效率越高，反之越低。本文沿用家庭户主接受正规教育的年数表示受教育程度，实际测算中定义为：1=6年(小学)及以下；2=9年(初中)；3=12年(高中)；4=15年及以上(中专及以上)。

(3)外出务工时间(WC)：一般认为，外出务工经历能够有效提升农户生产要素利用能力，对其要素配置效率产生重要影响[30]，务工汇款和社会资本流入产生的“积累效应”，也能够进一步促进农业技术进步[31]。文章采用家庭成员外出务工累计时间(单位：月)来具体检验其作用效应。

(4)技术(JS)：技术作为重要的农业生产要素投入，其通过政府推广及农户间相互模仿多种渠道“扩散效应”的体现，在广大农村地区发挥着重要的作用[32]。正常情况下，在农户间技术所产生的“溢出效应”和“扩散效应”将更有利于农户生产技术效率的提升。本文采用农户家庭在农业生产中“是否采用高新技术品种”(1=是；2=否)作为技术的替代变量。

2.乡镇层次变量

农户层次的数据是嵌套于不同乡镇中，也就是说，农户层次的指标变量不同程度地受到乡镇层次相同变量整体状况的强化或者弱化，即农户层次变量在乡镇层次上发生变异。本文选择乡镇层次的变量，进一步探究农户层次变量在乡镇层次上的变异和检验乡镇环境异质性对农户生产技术效率的影响，选择的具体乡镇层次变量如下。

(1)年龄的乡镇常模分数(TNL)：表征某一个乡镇实际从事农业生产的劳动力实际年龄的整体状况，具体是用一个乡镇中所有调查样本农户家庭户主实际年龄的平均值计算得出。

(2)教育的乡镇常模分数(TJY)：表征某一个乡镇实际从事农业生产的劳动力受教育程度的整体状况，具体是用一个乡镇中所有调查样本农户家庭户主受教育年数的平均值计算得出。

(3)外出务工时间的乡镇常模分数(TWC)：表征某一个乡镇农村劳动力外出务工的整体状况，具体是用一个乡镇中所有调查样本农户家庭成员外出务工时间的平均值计算得出。

(4)技术的乡镇常模分数(TJS)：表征某一个乡镇农业技术应用的整体状况，具体是用一个乡镇中所有调查样本农户家庭是否采用新技术的平均值计算得出。

(5)区域哑变量(Dummy Variable)T：T1表示中部湖南省的乡镇，属于中部的乡镇数据记录编码为1，其他为0；T2表示东北部黑龙江省的乡镇，属于东北部乡镇的记录编码为1，其他为0；T3表示西北部甘肃省的乡镇，属于西部的乡镇数据记录编码为1，其他为0。

3.空间地理环境变量

为了进一步揭示区域空间环境作用对农户生产效率的影响，我们设计交互变量，具体为用创建的哑变量与每个变量的乡镇常模相乘，得到T1×TNL、TJY、TWC、TJS；T2×TNL、TJY、TWC、TJS；T3×TNL、TJY、TWC、TJS等12个交互变量，分别利用交互变量对农户水平的每个变量的回归效应进行分析。

(三)数据来源说明

黑龙江、甘肃和湖南3省分处我国的东北、西部和中部地区，自然地理环境以及社会经济环境等资源禀赋差异较大，在水稻生产中各具独特的地理环境异质性。因此，不同省份不同乡镇中农户层次和乡镇层次变量对农户生产技术效率的影响效应会产生显著的差异化。根据本文研究的目标以及数据的可获得性，本文选择的调查范围包括黑龙江(通河县和庆安县所辖5个乡镇)、湖南(祁阳县和双牌县所辖5个乡镇)和甘肃(张掖市所辖5个乡镇)*甘肃省的农户调查数据来源于在中国农业科学院从事博士后研究工作中的调查积累。。为了保证获得数据的有效性和完整性，对农户进行的问卷调查采用了一对一访谈法，同时辅以重点访谈法，采用随机抽样的方法在调查区域每个乡镇中发放问卷45份，15个乡镇共发放问卷675份，最后收集到有效问卷为649份。

本文将调查获得的数据进行处理。首先，将获得的649份农户数据中投入产出变量带入技术效率模型中测算农户生产技术效率；其次，将获得的649份农户数据作为数据结构中的第一层，再按照处在相同乡镇的调查样本农户数据，计算相关指标变量在乡镇层次上的平均值作为数据结构中的第二层；最后，用两个层次(农户—乡镇)的农户调查数据进行空间环境模型分析。

三、模型估计及结果分析

(一)模型估计

1.农户层次效应

模型运算*检验农户层次变量对技术效率影响时，以农户生产技术效率值为因变量，农户层次变量为解释变量，乡镇层次的变量不包含在第二层方程中，且回归中允许第一层方程的回归系数在各个乡镇之间随机变化。结果显示(见表1)，教育(β=0.005 1，p<0.01)和技术(β=0.021 4，p<0.01)对农户生产技术效率都有显著的正向影响效应，而年龄(β=-0.001 3，p<0.05)和外出务工时间(β=-0.009 8，p<0.05)具有显著的负向作用效应。同时，我们可以看出(见表2)农户层次的年龄、外出务工时间、技术和教育变量对农户生产技术效率作用效应的方差分别为0.002 0(χ2=16.279 8)、0.015 8(χ2=29.505 0)、0.063 7(χ2=30.351 3)和0.004 0(χ2=5.146 3)，即表明这些农户层次变量的作用效应在乡镇间存在显著的变异，这种变异被乡镇层次变量解释的程度分别为45%、65%、53%、50%。

表1 农户层次随机回归结果

注：*p<0.05，**p<0.01，***p<0.001。

表2 原始方差和残差方差

2.乡镇层次效应

从表3模型运算结果看，乡镇层次上的教育、外出务工时间、技术变量对农户层次的教育、外出务工时间、技术变量与技术效率之间的关系产生了显著的强化作用，而乡镇层次上的年龄变量弱化了农户层次年龄变量与技术效率之间的关系。

3.空间地理环境效应

为了进一步探究乡镇地理环境对农户层次变量与农户生产技术效率间关联关系的影响程度，本文分别将设定好的哑变量以及乡镇层次变量纳入多层分析模型的第二层方程中，具体检验乡镇空间地理环境对农户生产技术效率的作用效应*在将哑变量纳入第二层方程中时，分别选择一个地区哑变量为参照类别建立标示区域的哑变量来建构多层分析模型(见表4)。参见文献[26]。。从表4结果看，乡镇所处空间地理环境的差异进一步造成了乡镇层次变量对农户生产技术效率的变化。

表3 乡镇层次变量对农户生产效率回归结果的效应

注：*p<0.05，**p<0.01，***p<0.001。

表4 区域和区域—乡镇常模的交互项对农户水平回归效应的影响

注：*p<0.05，**p<0.01，***p<0.001。

(二)实证结果分析

1.农户个体变量的影响效应

从数据分析结果来看(见表1)，受教育程度和采用新技术对农户生产技术效率产生了显著的正向影响，这与多数文献研究结论相一致[29]。户主的受教育程度高低体现了家庭人力资本投资的规模，人力资本投资越大，生产技术效率值提升越快，充分说明了人力资本在农户生产技术效率提升上发挥了显著的“内部效应”。同时，新技术的采用更能够促进农户生产技术效率的提升(作用系数较大)，在技术效率提升上技术的“溢出效应”明显。户主的年龄和家庭成员外出务工时间对农户生产技术效率产生了显著的负向影响。充分表明，户主的年龄越大越倾向保守的生产方式，越难接受新鲜事物，对生产技术效率的提升产生了明显的阻碍作用。家庭成员外出务工时间越长，从事农业生产的时间就会越短，实际生产中因缺少精耕细作而导致效率的损失，本文没能佐证一般文献得出的外出务工对农业生产效率具有“积累效应”的结论。

2.乡镇层次变量的作用效应

从表2中可以看出，农户层次变量对农户生产技术效率的作用效应，会随着乡镇的不同而不同，也就是说农户层次变量的作用效应在乡镇层面上会发生变异。农户层次变量被乡镇层次变量解释比例最多的是外出务工时间效应的方差，约65%，原因可能是外出务工时间与农户生产技术效率关联作用在各乡镇之间变异程度也比较大的缘故；最少的是年龄效应的变异，只有45%，部分原因可能为年龄与农户生产技术效率之间的关联关系在各乡镇间变异程度也比较小的缘故；技术效应和教育效应的变异分别约为53%和50%。

第一，乡镇层次上的年龄变量弱化了户主年龄对农户生产技术效率的负向影响(γ=0.000 5，P<0.01)，即乡镇中平均年龄每增加一个单位，年龄对农户生产技术效率的负向影响就减少0.000 5个单位。也就是说，在平均年龄较大的乡镇中，户主年龄对技术效率负向影响会减弱。在乡镇中，对于小规模农户来说农业生产还主要依靠户主自身的劳动力投入，户主年龄较大劳动经验相对比较丰富，劳动态度较好，在农业生产中更能体现精耕细作的效率改进，因此，在平均年龄较大的乡镇中，农户之间更容易交流和分享生产经验，在一定程度上能够弥补因为体力和新鲜事物接受上的不足。

第二，乡镇层次上的平均教育程度能够提高户主教育程度对生产技术效率的促进作用(γ=0.013 3，P<0.05)，即在乡镇中平均教育程度增加一个单位，户主教育程度对农户生产技术效率的正向影响就会提高0.013 3个单位。充分说明，在人力资本投资较高的乡镇中，人力资本对技术效率的提升效应越明显。本文的研究与多数文献的结论是一致的。

第三，乡镇层次上的外出务工时间变量强化了家庭成员外出务工时间与农户生产技术效率之间的负向作用效应(γ=-0.012 7，P<0.001)。结果表明，乡镇中农户家庭成员外出务工时间越长，农户家庭生产技术效率越低。一方面，家庭成员外出务工时间越长，农业生产中投入的劳动量越少，降低了家庭农业精耕细作的可能性和普遍性；另一方面，成员外出务工获的经历、务工汇款以及社会资本的流入没能充分地投入家庭农业生产中，造成了外出务工“积累效应”释放不完全。

第四，乡镇层次上的技术变量强化了农户层次技术变量对农户生产技术效率的正向影响效应(γ=0.164 4，P<0.05)，即在乡镇中采用新技术的均值每增加一个单位，农户层次技术变量对农户生产技术效率的正向影响就增加0.164 4各单位。实证结果表明，在新技术采用较好的乡镇中，农户技术采用行为会极大地提升生产技术效率。同时也表明，农户新技术的采用还主要依靠政府新技术的推广以及农户间相互模仿等途径，如果乡镇中多数农户采用新技术，农户采用新技术的积极性会更高、途径会更多，就会降低个体采用新技术的成本和风险，那么采用新技术对农户生产技术效率提升的“溢出效应”和“扩散效应”体现的就更明显。

3.空间地理环境的影响

以上实证分析结果表面，农户层次变量对农户生产技术效率的作用效应会在乡镇层面上发生变异，而这种变异又会因为乡镇所处的空间地理环境的不同而产生差异。

在农户层次年龄变量和农户生产技术效率间关联影响上，黑龙江省区域哑变量(β=0.053 5，P<0.001)和黑龙江- 年龄乡镇常模交互项(β=-0.001 2，P<0.001)两个变量作用效应显著，且前者的作用效应大于后者。湖南省区域哑变量(β=-0.024 2，P>0.05)和湖南- 年龄乡镇常模交互项(β=0.000 4，P>0.05)两个变量的作用效应不显著，但正向的作用趋势较明显。与参照类别甘肃相比，在空间地理环境作用下，黑龙江省的乡镇层次的年龄变量更有助于提升农户生产技术效率，其次是甘肃，最后是湖南。

按照这样的分析思路可以得出：在农户层次教育变量和农户生产技术效率间关联影响上，与参照类别湖南相比，湖南省乡镇层次教育变量更有助于提高农户生产技术效率，其次是甘肃省，最后是黑龙江省。在农户层次外出务工时间变量和农户生产技术效率间关联影响上，与参照类别黑龙江相比，湖南省区域哑变量(β=-0.063 3，P<0.05)有较强的强化作用，而甘肃- 外出乡镇常模交互项变量(β=0.052 2，P<0.001)有较强的弱化作用。也就是说，甘肃省乡镇层次的外出务工时间变量更能够促进农户生产技术效率的提高，其次是黑龙江省，最后是湖南省。在农户层次技术变量和农户生产技术效率间关联影响上，与参照类别甘肃相比，湖南省乡镇层次技术变量(β=0.542 2，P<0.05)更有助于提高农户生产技术效率，其次是甘肃省，最后是黑龙江省(β=-0.025 0，P>0.05)。

四、结论及政策启示

本文通过建立“农户—乡镇”两层次数据库，在利用DEA-VRS模型测算农户技术效率基础上，通过构建两层次空间环境HLM模型，数理检验了农户层次、乡镇层次以及空间地理环境变量对农户生产技术效率影响的差异，得到如下结论：

(1)农户层次各变量对农户生产技术效率产生了显著异质性的作用效应，教育和技术变量是显著的正向预期因子，而年龄和外出务工时间变量是显著的负向预期因子。农户层次各变量的回归效应在乡镇层面上的变异随着乡镇的不同而不同，变异程度由大到小依次为技术、外出务工时间、教育、年龄。

(2)乡镇层次各变量对农户层次变量与农户技术效率关联作用的影响具有显著的异质性。具体表现为：在平均年龄较大的乡镇中，户主年龄对技术效率负向影响会减弱；在平均受教育程度较高的乡镇中，人力资本对农户生产技术效率的正向效应更加明显；乡镇中农户家庭成员外出务工时间越长，农户家庭生产技术效率越低；在新技术采用较好的乡镇中，农户技术采用行为会更显著地提升农户生产技术效率。同时，研究也表明：农户层次变量的作用效应在乡镇层次变量中被解释的比例，最多的是外出务工时间，最少的是年龄效应的45%，技术和教育被解释的比例分别为53%和50%。

(3)空间地理环境变量对农户生产技术效率的影响具有明显的差异性。黑龙江省乡镇层次年龄变量更有助于农户生产技术效率的提高，其次是甘肃，最后是湖南；湖南省乡镇层次教育变量更有助于提高农户生产技术效率，其次是甘肃省，最后是黑龙江省；甘肃省乡镇层次外出务工时间变量更能够促进农户生产技术效率的提高，其次是黑龙江省，最后是湖南省；湖南省乡镇技术变量更有助于提高农户生产技术效率，其次是甘肃省，最后是黑龙江省。

根据文章以上的实证分析结果，得到的政策启示很明确：

(1)培育新型农业经营主体。从农户维度来说，制定新型农业经营主体的政策重点，政府应该在掌握农户经济活动区位特征基础上，着力培育和提升区域农户自主发展能力以及农户对外部环境约束的响应能力[33]，提高农户与区域地理环境间的适宜性，充分释放要素禀赋的势能，才能在本质上提高农户资源利用效率及生产技术效率。

(2)完善乡镇层面的农业服务体系。从乡镇空间维度来看，政府农业服务体系构建的着力点应该放在乡镇层面，完善乡镇层面的要素供给服务体系，有利于要素在乡镇内和乡镇间流动，提升农户要素配置效率，更有利于减少政策的执行成本，提高政策的准确性和精确性。

(3)制定区域差异化的农民政策。政府制定农民政策要在“普惠式”基础上，更加强调“差异化”，区域异质性的要素结构和质量内生决定了农业产业发展，只有差异化的农民政策才能提高区域农业要素禀赋与农户自身禀赋间的适宜度，提高农户农业生产的积极性和要素利用效率，进而提升农户生产技术效率。

[1] 王景新.“农户经济”：将长期存在并有效发展.http:∥theory.people.com.cn/n/2013/0809/c40531-22500668.html.2013- 08- 09

[2] Banker R D, Morey R C. Efficiency analysis for exogenously fixed inputs and outputs.OperationsResearch, 1986(4): 513-521

[3] Kalirajan K P, Obwona M B, Zhao S. A decomposition of total factor productivity growth: the case of Chinese agricultural growth before and after reforms.AmericanJournalofAgriculturalEconomics, 1996(2): 331-338

[4] 亢霞，刘秀梅.我国粮食生产的技术效率分析.中国农村观察，2005(4)：25-32

[5] 李谷成，冯中朝，范丽霞.农户家庭经营技术效率与全要素生产率增长分解.数量经济技术经济研究，2007(8)：25-34

[6] 李然，冯中朝.环境效应和随机误差的农户家庭经营技术效率分析.财经研究，2009(9)：92-102

[7] McCarty T A, Yaisawarng S. Technical efficiency in New Jersey school districts.Themeasurementofproductiveefficiency:Techniquesandapplications, 1993: 271-287

[8] 钱丽，肖仁桥，陈忠卫.碳排放约束下中国省际农业生产效率及其影响因素研究.经济理论与经济管理，2013(9)：100-112

[9] 赵京，杨钢桥，汪文雄.政府农村公共产品投入对农业生产效率的影响分析.经济体制改革，2013(3)：76-80

[10] 贾驰.资源和谐匹配与农户生产效率提升.商业经济与管理，2013(4)：81-88

[11] 常向阳，韩园园.农业技术扩散动力及渠道运行对农业生产效率的影响研究.中国农村观察，2014(4)：63-70

[12] 周亮，等.粮食增产背景下淮河流域农业生产效率时空变化分析.地理科学，2013(12)：1476-1483

[13] Fried H O, Lovell C A K, Schmidt S S, et al. Accounting for environmental effects and statistical noise in data envelopment analysis.JournalofproductivityAnalysis, 2002(1-2): 157-174

[14] 郭军华，倪明，李帮义.基于三阶段DEA模型的农业生产效率研究.数量经济技术经济研究，2010(12)：27-38

[15] 焦源.山东省农业生产效率评价研究.中国人口﹒资源与环境，2013(12)：105-110

[16] Anselin L, Bongiovanni R, Lowenberg-DeBoer J. A spatial econometric approach to the economics of site-specific nitrogen management in corn production.AmericanJournalofAgriculturalEconomics, 2004(3): 675-687

[17] Holloway G, Lacombe D, LeSage J P. Spatial Econometric Issues for Bio-Economic and Land-Use Modelling.JournalofAgriculturalEconomics, 2007(3): 549-588

[18] 吴玉鸣.中国区域农业生产要素的投入产出弹性测算.中国农村经济，2010(6)：25-37

[19] Pinkse J, Slade M E. The Future of Spatial Econometrics.JournalofRegionalScience, 2010(1): 103-117

[20] 刘安国，张越，张英奎.新经济地理学扩展视角下的区域协调发展理论研究.经济问题探索，2014(11)：184-190

[21] Corrado L, Fingleton B. Where Is the Economics in Spatial Econometrics?JournalofRegionalScience, 2012(2): 210-239

[22] 李兴绪，刘曼莉，葛珺沂.西南边疆民族地区农户收入的地理影响因素分析.地理学报，2010(2)：235-243

[23] Deaton A. Data and econometric tools for development analysis.HandbookofDevelopmentEconomics,ElsevierScience. Amsterdam, Netherlands,1995(3):1858-1861

[24] Blundell R, Windmeijer F. Cluster effects and simultaneity in multilevel models.HealthEconomics, 1997(4): 439-443

[25] Goldstein H. Restricted unbiased iterative generalized least-squares estimation.Biometrika, 1989(3): 622-623

[26] 张雷，雷雳，郭伯良.多层线性模型应用.教育科学出版社，2003:12-13

[27] 杨俊，杨钢桥，胡贤辉.农业劳动力年龄对农户耕地利用效率的影响.资源科学，2011(9)：1691-1698

[28] 魏下海，董志强.中国企业劳动收入份额变动分解：代际效应与年龄效应.财经研究，2013(1)：82-92

[29] 陈钊，陆铭，金煜.中国人力资本和教育发展的区域差异.世界经济，2004(12)：25-31

[30] 刘新智，刘雨松.外出务工经历对农户创业行为决策的影响.农业技术经济，2015(6)：4-14

[31] 钱文荣，郑黎义.劳动力外出务工对农户家庭经营收入的影响.农业技术经济，2011(1)：48-56

[32] 储成兵，李平.农户环境友好型农业生产行为研究.统计与信息论坛，2013(3)：89-93

[33] 李小建，等.不同环境下农户自主发展能力对收入增长的影响.地理学报，2009(6)：643-652

Study on Spatial Environment Effect of Farmers’Producing Technical Efficiency——Based on DEA-VRS-HLM Model Test

Yao Zengfu Tang Huajun

Under the economic space integration framework，this article makes an empirical test of the impact of spatial environment on farmers’ producing technical efficiency by using DEA-VRS model and HLM model of spatial environment, based on 649 micro data from 15countiesof 3 provinces. Results show that in farmers dimension variable impacting on farmers’ producing technical efficiency, education and technology are significant positive factors, while the age and migrant workers time are significantly negative factors. The variation of farmers dimension effect in the villages dimension from high to low in turn is technology, migrant workers time, education and age. The proportion explained by village level variables is largest 65% in migrant workers time and smallest 45% in age. Villages dimension variables strengthen the effect in positive association relationship of education and farmers’ producing technical efficiency, in negative association relationship of migrant workers time and farmers’ producing technical efficiency, and in positive association relationship of technology and farmers’ producing technical efficiency. That weakens the effect in negative association relationship of age and farmers’ producing technical efficiency. The promotion effect on age and migrant workers time to farmers’ producing technical efficiency is more favorable in Heilongjiang Province and Gansu Province. However, the promotion effect on education and technology to farmers’ producing technical efficiency is more favorable in Hunan Province.

Farmers; Producing technical efficiency; Spatial environment; DEA-VRS-HLM model

2016-04-12

国家社科基金一般项目“西部农户农业环境效率、要素配置效率及其提升机制研究”(编号：15BGL131)。

姚增福，桂林航天工业学院外语外贸系副教授；

唐华俊，中国农业科学院农业资源与农业区划研究所研究员、博士生导师，中国工程院院士，邮编：100081。