区域产业发展视角的农业综合开发影响评估*——基于对蔬菜产业的干预效应分析

李俊杰，李建平

(中国农业科学院农业资源与农业区划研究所,北京 100081)

·农业产业化·

区域产业发展视角的农业综合开发影响评估*
——基于对蔬菜产业的干预效应分析

李俊杰，李建平※

(中国农业科学院农业资源与农业区划研究所,北京 100081)

【目的】通过定量方法准确评估农业综合开发对区域优势产业发展的影响有重要意义。【方法】从农业综合开发对蔬菜产业的项目干预效应入手，以县级为单位，将当年农业综合开发项目扶持内容包括蔬菜产业的县级单位划分为干预组，其他为控制组。采用可以有效解决样品选择偏差的倾向得分匹配方法，通过引入协变量、平衡检验、匹配等步骤，在控制组中找到与干预组成员单位特征相似的成员，构建反事实研究框架。【结果】结果得出，项目干预组比控制组区域的蔬菜播种面积占比高出1～3个百分点，说明农业综合开发项目对蔬菜产业的扶持对蔬菜播种面积的扩大有促进作用，利于蔬菜产业壮大。通过协变量影响力分析得出，地区的蔬菜生产优势是最重要的影响因素，从侧面证明了农业综合开发项目的扶持方向紧跟区域优势的政策宗旨。【结论】可见，通过有方向性的农业综合开发项目实施扶持特定产业对促进区域优势产业发展和实现农业结构优化是有效的。

农业综合开发 区域优势产业 蔬菜 影响评估 倾向得分匹配

0 引言

农业综合开发是财政支农的一个重要组成部分，通过设立专项资金对农业资源进行综合开发利用，保护、支持农业发展。其投资涵盖面广，在区域上包含了全国所有省份以及黑龙江农垦和新疆建设兵团，项目内容上包括了高标准农田、生态环境治理、节水配套以及种、养、加、服务等产业化项目[1]。农业综合开发具有规模开发、措施综合、资金量大、组织效率高等优势。在我国目前仍以家庭承包经营为基本制度的情况下，农业综合开发是导向适度规模经营、联结小农户和大市场、实现流通对接的重要途径[2]。农业综合开发绩效评价涉及多个方面，是一个综合问题。根据比较优势对产业进行布局能够最大化地实现资源合理配置，区域农业产业布局是否符合比较优势、如何进行产业结构调整优化布局以及调整效果等一直是政府、学者关注和研究的重点。本研究从促进区域优势产业发展视角，研究的关键问题是通过科学方法衡量农业综合开发特别是产业化项目实施对区域优势特色产业发展起到了什么作用，进而促进农业结构调整和全国布局优化，提高农业整体效益。

对农业项目进行影响评价得到越来越多的关注，经济学家们越来越强调使用随机对照试验来更好地理解经济理论和确定发展援助的有效性[3]。世界银行[4]关于农业项目影响评估的一篇综述只找到了87篇文章可以算作真正的影响评估，或者说建立了清晰的反拟情景，并且大部分文章评估的是农村地区更广泛的变化，而不是明确的农业项目。总体而言，发展中国家关于农业项目有效性的证据相当单薄[5]。目前主要在土地所有权和技术推广服务2种类型的农业开发项目有大量的定量影响评价，其他类型农业项目的定量评价非常少。在评价方法方面，主要还是采用定性评估方法，而且几乎没有建立反事实框架，实证分析也往往是使用二手数据的事后影响评价。

关于农业综合开发投资影响评估得出的结论可以归纳为3个方面，一是投资对农业发展具有正向促进作用并具有地区差异。农业综合开发产业化经营项目的资金投入对农业增加值和农民人均纯收入有显著的促进作用[6]，不同地区在特定品种上具有比较优势[7]。财政支出效率也是逐年提高的，但资金使用效率呈区域化分布[8]。二是投资效果还有待提高。整体上看，农业综合开发的投资效果呈下降趋势，新增生产能力的资金投入效果有明显下降趋势[9]。实施路径方面，农业综合开发项目与推进农业产业带建设结合不够紧密，应围绕主导产业集中投入、规模开发[10]。可以看出，现有文献中的影响评估主要采用是多元线性回归、灰色关联度等方法，都没有解决样本可能存在的自选择问题，其估计结果往往是有偏的。在对区域优势产业影响方面，虽有提及，但只强调了农业综合开发的投资效果具有地区差异，并没有作深入的量化分析。该研究的创新之处在于采用倾向得分匹配方法建立反事实分析框架，解决项目干预存在的自选择问题，准确评估农业综合开发项目对区域优势产业发展的影响程度。

1 农业综合开发项目影响评估的反事实研究框架

1.1 基本思路

衡量农业综合开发项目实施对区域优势特色产业发展的影响是涉及多个产业、多维指标的综合性问题。限于篇幅，该研究中以蔬菜产业为例，希望能从对单个产业的影响中反映一些关注的问题。将农业综合开发项目实施内容包含蔬菜产业，即涉及蔬菜种植、加工、流通的县(市、区，以下统称县)划分为项目干预组，其他县视为控制组。对蔬菜产业的影响可能从多个方面来反映，该研究重点关注规模上的变化，即确定蔬菜播种面积为因变量。

度量有无农业综合开发项目扶持蔬菜产业(以下简称“蔬菜项目”)对蔬菜播种面积的影响，构建多元回归方程：

Y=f(X)+θD+ε

(1)

其中，因变量Y为蔬菜播种面积占农作物播种面积的比例，X为控制变量向量，D为两值变量，D=1表示有项目支持，D=0表示无项目支持*考虑到项目可能具有的滞后影响，有无项目表示的2010～2014年是否有项目实施， 2014年也考虑在内是因为2014年项目一般在2013年申报，可能影响对蔬菜的市场预期。所以，D=1表示至少有一年有项目，D=0表示5年都无项目。，ε为扰动项。如果某县蔬菜项目是随机分配的，则θ可以精确度量项目实施对蔬菜播种面积的影响。农业综合开发项目首先要满足申报条件，然后经过筛选和专家评审、上级农发办批复等程序，最终才能确定。所以，项目干预受到一系列客观和主观条件的限定，并非随机分配，存在样本自选择问题。而最小二乘回归(OLS)等传统方法只在可忽略干预分配得到满足的情况下才有效，因此可以判断其估计结果将是有偏的。

为了解决自选择问题带来的选择偏差问题，可采用双重差分(doubledifference)、倾向得分匹配(propensityscorematching)、非连续性回归(regressiondiscontinuity)和工具变量估计(instrumentalvariableestimation)等方法。与其他方法相比，倾向得分匹配方法的优势在于：不需要基线调查，只需横截面数据； 允许不做函数形式和误差分布的专断性假设； 不需要解释变量为外生变量。因此，在解释变量的选择上可以尽量将可能有影响的变量加入，而不需要考虑变量间关系等，即使是不显著的。同时，倾向得分匹配也存在缺陷，即只能基于可观测的解释变量(X)控制选择偏差，不能控制不可观测的变量的作用。因此，模型设定非常重要，如果可观测变量设定不正确，将导致最后估计结果是有偏的。不过，综合来看，倾向得分匹配方法目前在干预效应评估方面应用较广，被认为是比较有效的一种方法。因此，该研究构建反事实分析框架，采用倾向匹配得分方法来估计蔬菜项目实施对蔬菜面积的影响。

倾向匹配得分的基本思路是创建反拟情景，模拟随机选择。从未参加项目组中找到与项目参与者在项目实施前特征类似的个体，进行配对，通过匹配可以帮助解决选择偏差这一难题； 在此基础上得到干预组平均干预效应(ATTs)的有效估计基本步骤包括3个，一是通过Logistic回归估计倾向值，二是进行匹配，三是匹配后分析得到总干预效应。

(2)

1.2 理论方法

倾向值通过logistic回归模型估计得到，公式为：

(3)

估计logistic模型，首先要确定协变量(X)。协变量是影响因变量和干预分配的因素，也是可能影响选择偏差、导致干预组和控制组之间不平衡的因素。不少研究已经证明协变量对干预效应的估计至关重要，估计结果对协变量选择敏感性极强(Rubin， 1997； Heckman et al.，1997； Heckman et al.，1998； Lechner， 1999)[12-15]。

解决模型设定问题，学术界相继使用了很多方法，包括在logistic回归中使用高阶多项式和交叉乘积的交互项(Rosenbaum & Rubin， 1984、1985)[16-17]，逐步logistic回归(Rosenbaum， 2002)[18]以及在此基础上变形的方法等(Eichler & Lechner， 2002； Dehejia & Wahba， 1999； Hirano & Imbens， 2001)[19-22]。McCaffrey等(2004)[23]发展了一种不同的方法，采用一般化加速建模(generalized boosted modeling，GBM)方法来寻找两个组在观测协变量上的最佳平衡，从而建立找到最佳的logistic回归模型。GBM方法是使用现代回归树方法的模型，回归树方法的优点在于不用设定预测变量的函数形式，它并不产生估计回归系数，而是给出影响力，即每个输入变量所解释的对数似然函数的百分比，百分比越大，对估计的对数似然函数贡献越大。通过Stata的boost命令实现*另外，为了进一步减少预测误差，GBM算法在估计中使用随机子样本，即训练数据，默认设定为80%，为了减少变异性，使用0.0005的收缩系数来保证流畅的拟合。。

估计得到倾向值后，基于倾向值对干预组成员和控制组成员进行匹配。匹配方法总体上包括贪婪匹配、最佳匹配和精细平衡程序3类。根据数据结构特征，该研究采用最佳匹配方法，具体还分为完全匹配、可变匹配和成对匹配等类型。采用R软件的optmatch程序完成匹配。

最佳匹配后，针对完全匹配和可变匹配，使用Hodges-Lehmann有序秩检验进行结果分析。样本的ATE可以通过下述方程来评估：

(4)

其中，i表示b个匹配的层，N是样本总数，ni是第i层中干预组成员数量，mi是第i层中控制组成员数量，Y0i和Y1i是第i层中控制组和干预组的结果均值。ATE的显著性检验采用Hodges-Lehmann有序秩检验①。最后使用dxm作为匹配后分析的效应值的近似。

(5)

2 数据来源与指标描述

该研究使用的县级数据来自作者调研，调查范围为全国农业综合开发县，数据集包括全国20个省(市、自治区)的1 103个县(市、区)2010～2014年数据。产品价格数据来自《全国农产品成本收益资料汇编》。该研究主要基于2013年数据，并用到2010～2014年部分数据。数据处理过程：一是剔除异常值，在原始数据基础上计算得到本研究所需指标，由于各县间绝对数值差异较大，大多指标采用相对数、人均数或自然对数形式。由于数据缺失会影响匹配过程，而剔除有缺失值的样本将损失样本量，因此采用序列平均值替换缺失值。由于项目实施效果可能具有的滞后性，采用的是2010～2014年是否实施项目， 2014年项目在2013年就开始申报、批复，可能对经营者的预期产生影响，因此也纳入考虑。根据2010～2014年是否实施蔬菜项目，将开发县分为干预组和控制组，其中干预组288个开发县，控制组815个。

确定蔬菜播种面积的影响因素，主要从市场因素、经营主体、资金支持、经济水平、技术投入等方面进行选择(表1)。

变量描述有项目无项目差值回归系数均值标准差均值标准差Y蔬菜播种面积占比0.1700.0070.1270.0030.044***X1蔬菜与替代物的相对比较收益②8.1310.1788.0230.1110.108-0.0125***X2批发市场数量(个)4.6160.5483.1950.2971.4216***0.0001X3农业龙头企业数量(个)23.4141.98414.9540.7788.460***-0.0001**X4人均农业综合开发产业化项目资金(元/人)(对数)2.4370.0752.1790.0410.2596***0.0011X5人均农业综合开发土地治理项目资金(元/人)(对数)3.4500.0463.4770.030-0.028-0.0055***X6人均农林水务支出对数6.3750.0546.4560.029-0.082*-0.0024X7财政赤字占比-1.8220.168-2.3990.1280.576***0.0002X8第二、三产业产值比重0.7440.0150.7100.0090.034**-0.0202*X9农产品加工业总产值比重0.0530.0080.0430.0040.01***b-0.0217***X10人均GDP(元/人)(对数)10.3210.04510.1740.0280.147***0.0067**X11人均耕地面积(hm2/人)0.9350.5262.5661.160-1.630-0.00003***X12以往蔬菜播种面积占比0.1470.0080.1020.0040.045***b0.8232***X13有效灌溉率0.5780.0110.5650.0060.014***-0.0012X14蔬菜单产(t/hm2)(对数)12.7020.06712.4610.0430.241***-0.0027X15农村土地承包经营权流转面积占比0.1150.0090.1150.0050.000-0.0022X16农业技术推广服务人员占总人口比例(每万人)7.4441.2757.2870.8680.158-0.00002Z1X1*X175.1702.01874.4811.2320.6900.0006**Z2X15*X150.0350.0050.0330.0030.0020.0418treat0.0079**c0.1095***R20.7945

表1 变量描述性统计分析

匹配前进行样本平衡性检验。采用Wilcoxon秩和(Mann-Whitney)检验，原假设(H0)为：X(treat=1)=X(treat= 0)因此，P<0.05表示在0.05的显著水平下干预组和控制组在协变量上的差异是统计显著的。据表1结果，有无蔬菜项目对蔬菜播种面积占比有显著正向影响，有项目县比无项目县平均高0.044个百分点(P<0.01)。两组中， 16个影响因素指标中有11个存在显著差异，即两组是不平衡的，其得到的结果变量差值也是有偏的。因此，需要通过倾向匹配减少样本不平衡性，得到干预效应的无偏估计。

3 项目干预与控制组的匹配

3.1 蔬菜项目干预的决策方程

首先估计倾向值，采用logit函数得到方程(3)的转换变量：

(6)

表2 协变量对似然函数的影响力 %

使用GBM方法做倾向值估计，可以得到各因素对开发县实施蔬菜项目的影响力。表2结果表明，蔬菜单产(X14)对似然函数具有最大的影响力，即对开发县是否实施蔬菜项目的影响作用最大，其次为以往蔬菜播种面积占比(X12)、农业综合开发产业化资金(X4)、农业龙头企业数量(X3)、批发市场个数(X2)第二、三产业产值比重(X8)等。

(1)蔬菜产业水平是直接影响蔬菜项目实施的重要因素

农业综合开发产业化经营项目，由各县经营主体(龙头企业/合作社/家庭农场/专业大户等)自行申报，再由县级农发办上报层层审批。在筛选和评审过程中，结合申报单位条件和区域产业发展规划，决定最终扶持项目。各县蔬菜单产水平的高低直接反映了在蔬菜生产方面的绝对优势，可能是具有自然环境的资源禀赋优势，或者是具有高水平的技术优势。农业综合开发项目优先扶持优势产业。表2显示，蔬菜单产(X14)和以往蔬菜播种面积(X12)对是否实施项目的影响是前两位的因素，其影响力分别占到了29.24%和22.44%，位列前两位。

(2)财政资金充裕度决定项目数量和规模

农业综合开发产业化资金的多寡直接影响了该县项目数量和规模。财政资金是促进农业发展的重要资金保障。农业综合开发产业化资金越多，蔬菜产业得到扶持的机会越大。据表2，农业综合开发产业化资金(X4)对项目实施与否的影响力达到了10.59%，位列第3位。同理，农林水务支出也是重要的财政资金支持，但作用不及产业化资金直接，影响力也就相对较低。

(3)经营主体提供项目载体支撑

龙头企业是产业化项目的重要的承担主体，是农业规模化发展重要载体。农业龙头企业越多，项目实施主体的选择也就越大，项目实施更有保障。批发市场既可以作为项目建设内容，也是反映当地产业水平的重要指标。表2显示，农业龙头企业数量(X3)的影响力达到了10.32%。

(4)非农产业发展和整体经济水平影响农业发展空间

第二、三产业产值比重越高，农业产值比重自然就越低。随着经济发展水平提高，农业产值所占比重降低，这是经济发展规律。经济水平高的地区，农业比重虽小，但通常农业发展水平也较高，财政资金也越充裕，实施蔬菜项目的几率也越大。非农产业与农业发展既是相互促进、也是相互制约的关系。第二、三产业产值比重(X8)的影响力达到了4.38%。

3.2 干预组与控制组的匹配

从估计倾向值的密度函数的直方图(图1)可以看出， 2个组在估计的倾向值的分布上有所不同，干预组在0.25～0.47之间分布较均匀， 40%左右集中在0.25～0.3之间； 控制组分布较集中， 90%以上集中在0.25～0.3之间。再看箱式图，干预组的下四分位数与控制组的上四分位数接近，干预组的下边缘与控制组的下四分位数接近。总体来看， 2个组共同支持域较窄。如果使用贪婪匹配，共同支持域窄可能产生不可忽视的匹配成员丢失。因此，该研究使用最佳匹配方法。

图1 估计的倾向值的直方图(左)和箱式图(右)

表3 最佳匹配方法下干预组与控制组匹配结果

匹配方法层结构总距离丢失案例(%)完全匹配(fm)9:17:16:15:14:13:12:11:11:21:31:41:51:61:71:83373.50(1122381276212118411291:91:101:111:121:131:141:151:161:171:446463113211)可变匹配1(1～4名)(Vm1)1:11:31:4〛153090.50(1121175)可变匹配2(2～4名)(Vm2)1:21:31:4〛170658.50(1681119)可变匹配3(Hansen公式)(Vm3)1:11:31:6〛66991.50(1821105)可变匹配4(2～7名)(Vm4)1:21:61:7〛1133220(240147)成对匹配(pm)1:10:1〛1387064.66(288527)

层结构是干预组成员与控制组成员数匹配集合的计数，总距离是所有匹配集合干预组成员和控制组成员之间在倾向值上的差值总和，反映整体匹配紧密度，数值越小表明匹配越紧密。根据总距离数值可以看出，完全匹配最优，成对匹配次之。4个可变匹配中，使用hansen公式的可变匹配3最优。虽然成对匹配在匹配上显示得较为紧密，但它丢失了大量样本信息，对研究功效有负面影响。综合来看，完全匹配是最佳的。

表4 匹配后平衡检验*限于篇幅，此处仅列出完全匹配后平衡检验的结果。

匹配效果的检验主要是通过测算匹配在多大程度上减少了偏差，偏差减少的程度可以通过比较匹配前后协变量均值上的标准化绝对差异来反应，即dx和dxm。表5中，大部分变量dxm都小于dx，说明匹配在较大程度上减小了样本偏差。

4 项目干预效应分析

检验匹配能有效减少偏差后，进行匹配后分析，计算干预效应。采用Hodges-Lehmann有序秩对完全匹配和可变匹配进行检验。结果如表5中所示，几种方法得到平均干预效应都为正，除完全匹配方法外其他几种可变匹配的结果都在0.05的显著水平下显著。估计结果显示，项目干预的区域比控制组区域的蔬菜播种面积占比高1～3个百分点之间，说明项目实施对蔬菜面积有显著的促进作用。采用多元线性回归方法对成对匹配后协变量差分进行回归，结果如表6中所示，截距项(C)即为干预效应的估计，尽管不显著，但回归系数同样为正，与上述结果一致。

表5 Hodges-Lehmann有序秩对平均干预效应的检验结果

匹配方法平均干预效应(效应值:Cohen的d)Hodges-Lehmann检验统计量的点估计值检验统计量的标准误zpfm0.0102775.7504817.1850.5760.282vm10.03023880.7305354.7954.4600.000vm20.03126379.1605361.4464.9200.000vm30.01211747.4405568.1222.1100.017vm40.03224072.0905368.5934.4840.000

表6 成对匹配后多元回归分析结果

X1X2X3X4X5X6X7X8X9-0.008*-0.00003-0.00010.004-0.003-0.005-0.001-0.046***-0.033X10X11X12X13X14X15X16Z1Z2C0.004-0.00020.838***-0.009-0.006*-0.045-0.00010.00020.1220.002

5 简要结论与启示

研究结果表明，农业综合开发项目对蔬菜产业的扶持区域比其他区域的蔬菜播种面积占农作物播种面积的比率高1～3个百分点，表明项目干预能显著促进区域蔬菜相对面积的扩大。可以推论，政策作用方向与政策内容相关，有方向性的农业综合开发项目扶持有利于发展区域优势产业，促进农业结构调整。

结合区域优势特色产业发展规划，通过限定农业综合开发项目扶持范围，将项目资金集中用于区域优势特色产业发展，能显著地促进该产业规模扩大，达到优化区域布局，提高农业竞争力的目的。为了提高财政资金效率，农业综合开发的扶持重点应从边际效益已不断下降的改造中低产田等基础设施建设中转向适应产业融合、供给侧改革发展方向的区域产业发展，充分发展政府保护、支持农业的作用，提高农业效益。

[1] 樊继红，郭东清，贾利，等.农业综合开发投资绩效评价初探.农业经济问题.2006(5)： 55～7

[2] 张佑才. 实现农业综合开发的历史性转变.中国农村经济.2000； 2： 12～3

[3] Duflo E, Kremer M.Use of randomization in the evaluation of development effectiveness’，in G.Pitman，O.Feinstein and G.Ingram(eds.)，Evaluating Development Effectiveness. New Brunswick：Transaction Publishers， 2005:205～ 232

[4] World Bank.Impacts Evaluations in Agriculture：An Assessment of the Evidence，Forthcoming Working Paper，Independent Evaluation Group.Washington，DC：The World Bank， 2010

[5] Winters P，Salazar L, Maffioli A.Designing impact evaluations for agricultural projects’，Impact Evaluation Guidelines，Strategy Development Division，Technical Notes No.IDB-TN-198.Washington，DC：Inter-American Development Bank， 2010

[6] 郭海丽， 王礼力，李敏.农业综合开发产业化经营项目投资绩效评价——基于灰色综合关联度的分析.西北农林科技大学学报：社会科学版,2012,12(5)： 53～60

[7] 韩国良. 农业综合开发投入产出效果的地区差异.农业技术经济,2005,(2)： 29～32

[8] 林江鹏， 樊小璞.我国财政农业投入产出效率研究——以农业综合开发中的土地治理项目为例.经济学家,2009,(8)： 31～6

[9] 黄季焜， 夏耕，张超超.入世后中国农业综合开发的对策研究.农业经济问题,2001,(3)： 10～4

[10]朱湖根， 龚传勇.提升农业综合开发项目绩效的思路.中国财政,2013

[11]郭申阳， 弗雷泽.倾向值分析：统计方法与应用.重庆：重庆大学出版社,2016

[12]Rubin DB.Estimating causal effects from large data sets using propensity scores.Annals of internal medicine,1997,127(8_Part_2)： 757～63

[13]Heckman JJ，Ichimura H，Todd PE.Matching as an econometric evaluation estimator：Evidence from evaluating a job training programme.The review of economic studies,1997,64(4)： 605～54

[14]Heckman JJ，Ichimura H，Todd P.Matching as an econometric evaluation estimator.The Review of Economic Studies,1998,65(2)： 261～94

[15]Lechner M.An evaluation of public-sector-sponsored continuous vocational training programs in East Germany.University of St Gallen Working Paper,1999,(9901)

[16]Rosenbaum PR，Rubin DB.Reducing bias in observational studies using subclassification on the propensity score.Journal of the American statistical Association,1984,79(387)： 516～24

[17]Rosenbaum PR，Rubin DB.Constructing a control group using multivariate matched sampling methods that incorporate the propensity score.The American Statistician,1985,39(1)： 33～8

[18]Rosenbaum PR.Observational studies.Observational Studies：Springer,2002:1～17

[19]Rosenbaum PR.Covariance adjustment in randomized experiments and observational studies.Statistical Science,2002,17(3)： 286～327

[20]Eichler M，Lechner M.An evaluation of public employment programmes in the East German state of Sachsen-Anhalt.Labour Economics,2002,9(2)： 143～86

[21]Dehejia RH，Wahba S.Causal effects in nonexperimental studies：Reevaluating the evaluation of training programs.Journal of the American statistical Association,1999,94(448)： 1053～62

[22]Hirano K，Imbens GW.Estimation of causal effects using propensity score weighting：An application to data on right heart catheterization.Health Services and Outcomes research methodology,2001, 2(3-4)： 259～78

[23]McCaffrey DF，Ridgeway G，Morral AR.Propensity score estimation with boosted regression for evaluating causal effects in observational studies.Psychological methods,2004,9(4)： 403

IMPACT ASSESSMENT OF AGRICULTURAL COMPREHENSIVE DEVELOPMENT FROM THE PERSPECTIVE OF REGIONAL INDUSTRIAL DEVELOPMENT*——BASED ON THE INTERVENTION EFFECT IN VEGETABLE INDUSTRY

Li Junjie，Li Jianping※

(Institute of Agricultural Resources and Regional Planning，Chinese Academy of Agricultural Sciences，Beijing 100081，China)

Accurately assessment of the comprehensive agricultural development has important significance to promote the development of regional advantage industry, optimize the layout of comprehensive agricultural development, promote the adjustment of agricultural structure and improve agricultural efficiency. This paper established two treatments, i.e., intervention and control group, and then, analyzed the intervention effect of the agricultural comprehensive development project on vegetable industry using the methods of covariate variables, balance test and regression analysis. The results showed that the sown area of vegetable ratio in the intervention group was 1 to 3 percentage points higher than the control group. It indicated that the agricultural comprehensive development project could promote the expansion of vegetable planting area, and was beneficial to the growth of vegetable industry. Through the analysis of the influence of covariates, the regional vegetable production was the most important influencing factors, which proved the agricultural comprehensive development project to support the regional advantages of the policy purposes. The results showed that it was effective to support the specific industries to promote the development of regional advantage industries and to realize the optimization of agricultural structure through the implementation of the agricultural comprehensive development projects.

agricultural comprehensive development; regional advantage industry; vegetable; impact assessment; propensity score matching

10.7621/cjarrp.1005-9121.20170131

2016-07-15 作者简介：李俊杰(1989—)，女，四川资阳人，博士。研究方向：农业经济管理、区域发展。※通讯作者：李建平(1973—)，男，河北石家庄人，研究员、博士生导师。研究方向：农业经济管理、产业经济。Email：lijianping01@caas.cn *资助项目：中央级公益性科研院所基本科研业务费专项资金“农业综合开发项目分区域扶持政策研究”

F323.4

A

1005-9121[2017]01199-09