我国农业全要素生产率及其影响因素研究——基于资源环境约束视角

(东北农业大学 经济管理学院,黑龙江 哈尔滨 150030)

我国农业全要素生产率及其影响因素研究
——基于资源环境约束视角

张永强,周 宁,张晓飞,蒲晨曦
(东北农业大学 经济管理学院,黑龙江 哈尔滨 150030)

采用我国31个省份的面板数据,运用SBM方向性距离函数测度了2010—2014年我国农业全要素生产率值,通过建立回归模型实证分析了影响我国农业全要素生产率的因素。研究结果表明：我国农业全要素生产率总体呈增长趋势,但东部、中部、西部三大地区间存在明显差异，化肥施用量、农业机械总动力、农田水利设施对农业全要素生产率具有显著正向影响,而人力资本、农业生产技术等传统生产要素的影响并不显著。针对研究结果,提出完善农业政策补贴、加强中西部地区基础设施建设、发展生态农业、推进农业科技创新与应用和加强人力资本投入等对策建议。

资源环境;农业全要素生产率;期望产出;非期望产出

随着我国农业经济发展,资源环境问题日益突出。2010年国家统计局与国家环保部等多部委联合发布的《第一次全国污染源普查公报》显示,农业污染物中COD排放量为1324万t,占COD总排放量的44%,农业氮、磷排放量为271万t和29万t,分别占总排放量的57%和68%。2010年中国已超过美国成为全球第一大资源消耗国,资源消耗量占全球的1/5[1]。2011年和2012年，我国农业COD排放量占总排放量的比重超过45%,农业氮、磷排放量占总排放量的比重超过60%。中国农业生产的资源与环境约束日益严峻,继续靠增加自然资源和要素投入来提高农业产出的余地已越来越小[2]。在资源环境约束下,科学测算出农业全要素生产率(TFP),探寻到农业发展与资源环境之间的均衡点，揭示出影响TFP的因素,已成为我国农业可持续发展的必然要求。但在有关农业生产效率测度的文献中,将资源环境作为约束条件进行研究的文献较少,测度出的TFP值差距较大。究竟是哪些因素影响了我国农业生产效率,已有研究没有得出统一的结果,甚至得出了相反的结论。基于以上分析,本文拟主要解决以下问题:①近年来我国农业具体的TFP数值及其变化趋势；②影响我国农业TFP的因素；③各个变量对我国农业TFP的影响方向和力度。

1 文献综述

一直以来,农业生产率的研究都备受关注。Chung等学者运用方向性距离函数(DDF)将期望产出与非期望产出纳入到同一分析框架中测算了瑞典纸浆厂的生产效率,此方法成为日后研究生产效率的基础[3]。在此基础上,有学者将DDF与Malmquist-Luenberger(ML)指数相结合,计算了经济体的全要素生产率,但DDF的基本假定为合意产出与非合意产出以相同比例变化,其本质属于径向的数据包络分析(DEA)模型,而现实经济活动中存在非零松弛时,径向DEA模型会高估决策单元的效率[4]。Kaoru Tone将松弛变量引入到SBM方向距离函数中并构建非期望产出的SBM模型来处理非合意产出变量,提高了农业生产率测度的准确性[5]。另有学者利用随机前沿分析(SFA)对某一品种或某一类别的作物进行研究,取得了丰富成果。

薛建良等、杨俊等学者将环境因素作为约束条件考察了我国农业TFP[6,7],这给测算TFP值增加了限制条件,但更符合现实农业生产活动。岳立等学者使用碳排放量作为环境污染的代理变量,运用距离函数分析了环境规制下我国农业的全要素生产率[8],但碳排放本身的测算有一定难度,它不能准确反映农业环境的污染程度。尹朝静等学者从增长的分布形状和内部流动性两个角度来评估中国农业TFP增长省区分布的动态演进机制,研究表明中国大多数省份中农业技术进步呈不断增长的趋势[9]。TFP的测算结果方面也存在着较大的差异,顾海等学者测算的TFP值为3.0%[10],曾先锋为2.3%[11]、李谷成为2.8%[12]、白林为4.1%[13],造成测量结果存在较大差异的原因主要是测量方法不同,各个学者选择的投入指标和代理变量也不尽相同。

在影响TFP诸多因素的研究中,基于不同的估计方法学者们得出了不同的结论。Songqing Jin等学者认为农业科研投入和资本投入对TFP有着更为深远的影响[14]。郑循刚采用随机前沿生产函数分析方法研究了2000—2007年西部农业生产全要素生产率,结果表明对全要素生产率增长的影响主要是技术进步、资源配置效率和规模效率,技术进步是主要的推动力量,平均占104%[15]。王兵等学者利用SBM模型测度了我国31个省份1995—2008年的TFP值,同时对其影响因素进行分析,研究结果表明1995—2008年的TFP增长率为5.6%，机械化水平是影响TFP的重要因素,并且东部地区的TFP值大于中西部地区[16]。潘丹等学者在环境约束下测算了我国1998—2009年的农业生产效率,结果表明农业经济发展水平、产业结构、农业基础设施建设对TFP具有显著影响[17]。方福前、郑云利用非参数ML指数法和2OLS分析了影响TFP的诸多因素,研究结果表明乡村从业人员、政府对农业和农村的公共投资对TFP的影响最为显著,区域间的TFP值差异明显[18,19]。Whalley等学者指出农产品价格的上升和农民生产积极性的提高是影响TFP的主要因素[20]。Yao、王奇等学者认为，在要素投入既定条件下，农业生产技术效率对TFP影响较大[21,22]。金怀玉等学者以实物量作为农业投入产出的指标,采用DEA-ML模型测算了我国的TFP值并对其影响因素进行了研究,结果表明气候变化是影响TFP的主要因素[23]。杜江利用1978—2011年间的省际面板数据与Global Malmquist分析了我国种植业的TFP及其影响因素,研究结果表明技术进步是推动农业TFP增长的主要因素,东部地区的增速大于中西部地区[24]。

通过对现有文献的回顾与整理,在TFP研究方面,学者们取得了丰富的成果,但仍存在不足:①估计方法受到的限制条件较多,导致TFP值测算结果存在较大偏误。指数法将完全效率假设作为隐含的前提条件来测度TFP值,但在农业生产中经济资源很难实现完全利用。此外,指数法往往需要价格信息,而农产品价格受国家宏观经济政策的影响较大,其价格波动幅度也较大,将价格纳入到分析模型中进行研究会降低测度结果的准确性。SAF模型则需要设定具体的函数形式,而在实际研究中很难直接获取或推导出函数表达式,投入产出变量间不存在严格的同比变化关系,生产单位也很难达到前沿面上的生产,径向模型难以准确测度出TFP值。②忽略了资源环境作为约束变量对农业产出存在的负向影响。TFP的传统测量方法仅考察基本的生产要素投入(土地、资本、劳动力的投入)对农业产出的正向影响,却忽略了在资源环境约束下农业产出对生态环境造成的负面影响,将资源环境作为约束条件来考察我国农业TFP的文献甚少。③现有文献多是对农业生产现象的统计描述,缺乏相应的实证分析。本文将资源环境作为约束条件纳入到TFP体系中,运用SBM模型测算了我国2010—2014年的TFP值,在此基础上通过实证分析探索出影响TFP的主要因素及其变化趋势,以期为提高我国农业生产率和保障国家粮食安全提供相应的参考依据。

2 研究方法

为避免径向函数产生的结果偏误,本文采用SBM非径向方向性距离函数来测度我国2010—2014年的TFP值。我们将每个省份作为一个独立的决策单元(DMU)来构建农业生产的最优边界点。假设每个DMU使用M种要素投入,能够获得I种期望产出y和J种非期望产出b,期望产出和非期望产出的可行性集合即为环境生产技术(EPT),其表达式为:

EPT={(x,y,b),(y,b)为x的产出变量}

(1)

EPT满足两个基本假设,一是期望产出y和非期望产出b相关,若y=0或b=0,则EPT=0;二是期望产出y和非期望产出b具有弱处置性，即要素投入既定水平下,非期望产出b的减少必然占用既有资源,会降低期望产出y。数学形式表达为:(x,y,b)∈EPT且γ∈[0,1],则(x,γy,γb)∈EPT。在满足上述假定条件下,EPT的具体表达式为:

(2)

其中,k=1,2,3,…,K;m=1,2,3,…,M;i=1,2,3,…,I;j=1,2,3,…,J。z-k≥0，表示EPT满足规模报酬不变;zk=1，表示EPT满足规模报酬可变。根据Charmbers等学者的研究[25],DDF的表达式为:

(3)

s.t.

zk≥0;k=1,2,3,…,K;β≥0

(4)

值得注意的是，DDF属于径向函数,当投入变量与产出变量之间存在非零松弛时,TFP值会存在较大偏差。为了缩小度量结果偏误,Fukuyama、Barros等学者运用非径向距离函数并将非期望产出纳入其中,对经济体的生产效率进行了研究[26,27]。此后,Zhang等学者对非径向距离函数做了进一步分析[28]。本文将SBM非径向方向性距离函数表达为：

(5)

(6)

s.t.

(7)

3 数据说明及指标选取

3.1 数据说明

本文选取中国2010—2014年31个省份(因数据缺失，未统计香港与澳门特别行政区和台湾地区)的农业投入—产出数据作为研究的样本数据,由于TFP值受投入产出变量的影响较大,DEA模型中DMU的数量至少是投入产出变量的两倍,选取过多的指标会增加DMU的数量,导致变量间区分度下降，因此选取的投入产出变量不宜过多。借鉴已有研究,考虑到数据的可靠性与准确性,本研究主要选取资源禀赋指标、行为主体指标、诱致性指标3大层次指标中的8个变量作为投入变量,将粮食产量作为正向产出变量,将农业污染物排放量作为负向产出指标进行分析。各地区数据为相应省份的加总数据,缺失值的计算方法为:本年度变量数据=上一年度变量数据×(1+本年度农业产出量的增长率)。选取的指标数据来源于历年的《中国统计年鉴》、《中国农村统计年鉴》、《中国科技统计年鉴》、《中国环境统计年鉴》。

3.2 指标选取

农业部门中的土地生产要素属不可再生要素,土地资源的绝对稀缺会限制农业生产水平的提高,土地资源对农业生产率有着直接影响。劳动力作为农业生产的基本投入要素,劳动力的数量与质量对农业生产活动和农业经营管理方式有着重要作用,对农业产出具有直接影响。农业基础设施是进行农业生产的重要保障,完备的农业基础设施可为农业生产提供良好的外部环境,对农业产出具有正外部性；反之,则存在负外部性。在资源禀赋指标中,本文选取该地区粮食种植总面积、人力资本(各省务农人员数量×该省农村居民平均每百个劳动力中初中及以上文化的比例)、农业机械总动力、农田水利设施建设(有效灌溉面积/粮食种植总面积)4个基本指标作为解释变量。在资源环境问题日益严峻的形势下,政府作为环境规制的行为主体,在资源环境与农业产出协调发展关系方面发挥着重要的调节作用。政府通过财政补贴方式进行环境治理的同时,还通过颁布环保政策、检验环保项目等环保行为实现自我约束。农户作为农业生产的经营主体,在追求农业产出的同时必须考虑环境规制对农业生产活动的限制,环境规制对政府和农户的约束形成了一种倒逼机制,促使政府和农户更多地采取环保行为。基于以上分析,在以政府为行为主体的指标中,选取环保强度(政府用于环境治理的财政支出额/本省GDP)作为解释变量;在以农户为行为主体的指标中,选取化肥施用量作为解释变量。经济发展水平和农业生产技术两个变量对资源禀赋指标和行为主体指标产生影响的同时,通过直接与间接两条路径对TFP产生影响,但由于这两个变量不是TFP的内生影响因素,故称之为外部诱致因素。在诱致性指标中,本文借鉴李谷成等、王兵等的研究,选取经济发展水平(以本省人均GDP衡量)、农业生产技术(研究与试验发展经费内部支出额×该地区粮食总产值/该地区GDP)两个基础指标作为解释变量。在产出指标中,选取农业污染物排放量作为环境规制的代理变量来表示农业产出的负向指标。为避免价格因素对TFP的影响,选取粮食总产量作为农业产出的正向指标。

4 实证分析

4.1 描述性统计分析

为了分析资源环境约束下TFP的区域差异,本文根据经济学研究中空间区域的划分方法,将我国划分为东部、中部、西部三大地区。其中,东部地区包括北京、天津、上海、山东、江苏、浙江、黑龙江、吉林、辽宁、河北、海南、广西、广东、福建、安徽；中部地区包括内蒙古、山西、湖南、河南、湖北、江西、重庆、四川、贵州、云南；西部地区包括陕西、甘肃、青海、宁夏、新疆、西藏。为保证数据统计方法的一致性,本文省略了我国香港与澳门特别行政和台湾地区的相关数据。全国及三大地区的相关统计量见表1。

表1 全国及三大地区的相关统计量

注:Y1为农业产出增量；Y2为农业污染物排放量；X1为粮食种植总面积；X2为人力资本；X3为农业机械总动力；X4为农田水利设施；X5为环保强度；X6为化肥施用量；X7为地区经济发展水平；X8为农业生产技术水平。各地区变量值等于所在省份对应变量值的加总。

根据表1,农业产出量(Y1)和农业污染物排放量(Y2)由高到低依次为东部地区、中部地区、西部地区。就其均值而言,中西部地区产异化程度较低,Y1、Y2仅分别相差62.192万t和86.622万t，但在投入变量中,三大地区间存在显著差异。如东部地区化肥施用量(X6)是西部地区的5.087倍;农业机械总动力(X3)东部与西部地区相差5.349倍;在农业生产技术(X8)方面,东部与西部差距达到了6.872倍。

4.2 TFP值的测度及分析

为了从整体上分析全国及三大地区在2010—2014年TFP存在的空间差异,根据本文分析的SBM方向性距离函数模型,将每一地区的农业投入—产出数据作为方向向量,结合SBM非径向方向性距离函数的表达式,在CRS假设下测算出各地区的TFP值,结果见表2。与传统径向函数不同的是,直接测度的SBM效率值反映的是松弛变量的无效率水平,无效率值越大,与生产前沿面的距离越远,对应的TFP值越小。

表2 全国及三大地区2010—2014年TFP值

从表2可见,全国及三大地区的TFP值总体呈上升趋势,东部地区最高,中部地区次之,西部地区最低,测度结果与我国农业经济发展的现状相吻合。东部地区地形平坦、机械化水平高、具有规模经济的优势,良好的农业资源禀赋条件使东部地区的农业发展方式更趋于绿色环保型。而中西部地区在自然条件和资源禀赋方面均没有比较优势,农业发展方式简单粗放,TFP值提高受到限制。从近两年的TFP值看,三大地区间的差异化更加明显。东部地区的增长速度大于中西部地区，原因可能是东部地区农业基础设施建设比较完备、农业生产技术先进、从事农业生产的经营主体具有先进的生产理念,这为TFP的提升创造了有利的外部环境。相比东部地区,中西部地区近年来水土流失加剧，土地盐碱化与沙漠化严重,资源环境对农业发展的制约力量突出,因此TFP值增长相对缓慢。

4.3 TFP影响因素分析

采用时间序列数据建立的计量模型,可能存在多重共线的问题,本文采用的数据类型属于面板数据,但各变量之间也可能存在相关的共同趋势。因此,采用Pearson相关系数进行检验,检验结果见表3。

表3 各个统计量的Pearson相关系数

注:***、**、*分别表示在1%、5%、10%的显著性水平下相关。

从表3中可见,除Y2外,其他变量之间在10%的显著性水平下均存在正相关关系。在解释变量中,X1和X6之间、X1和X7之间、X4和X6之间的相关系数较高,其中X1和X6之间的相关系数最高为0.781,对应的方差膨胀因子(Variance Inflation Factor,VIF)为2.564lt;10。经计算,所有解释变量之间的VIF均小于10,可认为解释变量之间不存在多重共线性,各参数估计值的经济意义较为合理,适合回归分析。

为了分析出各个基础变量对TFP的影响方向及影响力度,本研究根据面板数据建立了相应的计量经济学模型。其中,Yit为采用SBM模型而测算的TFP值；α为常数项；β为各变量的回归系数；i为各个省份；t为时间。模型的具体形式为：Yit=αit+βXit+μit，其回归结果见表4。

表4 计量模型的回归结果

根据表4的回归结果,从解释变量是否显著影响TFP的角度看,农业机械总动力(X3)、农田水利设施(X4)对TFP的影响较为显著,回归系数分别为0.181和0.117,表明农业基础设施的完善对农业生产效率的提高具有显著的正向推动作用。粮食种植总面积(X1)、化肥施用量(X6)在所有解释变量中对TFP的影响最为显著,回归系数分别为0.431和0.337,表明我国农业生产效率的提高主要源于种植面积增加和化肥投入。为了获得更高的农业产出,经济生产的逐利性会驱使农民开垦更多的荒地、增加化肥投入量,但生产成本也随之提高,化肥的边际生产率逐年下降。农民为追求产出最大化,又会开垦荒地和增加化肥投入量,如此循环往复,最终形成恶性循环,这也是导致我国荒地面积不断减少和农业面源污染加剧的主要原因。从生态效益与经济效益协调发展的角度看,这并不利于我国农业的可持续发展。

理论上,人力资本(X2)作为基本的农业生产要素对农业生产效率具有重要影响,但回归结果显示,人力资本对TFP的影响并不显著,回归系数仅为0.096,经济理论与实际生产相“违背”。出现“违背”现象的主要原因是:①本文衡量人力资本水平高低的标准为受教育程度,而实际生产中受教育程度与务农水平之间不存在严格的相关关系,一定程度上务农经验比正规教育对TFP更具影响力。②工业经济的高速发展在很大程度上争夺了农业生产资源,素质较高的劳动力转向工业部门,农业剩余劳动力在劳动素质方面普遍较低且同质化程度较高,素质趋同的人力资本掩盖了本身对TFP的影响。③农业生产中,机械生产部分取代了人工生产,机械对劳动力形成了替代关系,从而削弱了人力资本对农业生产的影响,这是农业机械总动力这一变量回归系数较大的一个原因。

在农业生产技术(X8)方面,已有研究表明农业生产技术是影响TFP的显著因素,但回归结果显示,它对TFP的影响并不显著,回归系数仅为0.061。农业生产技术作为传统的投入要素,对农业生产效率产生的影响在理论上同样应该显著,但理论分析与回归结果并不吻合。出现这一结果的主要原因是：农业技术本身发展迅速,但相对于技术进步而言,当前农业技术推广最后一公里没有落实到位,延长了生产技术应用的滞后期,导致技术应用与实际生产在时间上相脱节。经济发展水平(X7)的回归系数为0.087,对TFP具有不显著的正向影响,表明经济发展能够为农业产出创造良好的外部环境,是促进农业发展的驱动因素。值得注意的是,环保强度(X5)这一解释变量的回归系数为0.105,说明农业生态环境的改善对我国农业产出具有较强的正向促进作用,这也预示着绿色农业具有广阔的发展空间。

5 结论及对策建议

农业生态环境问题已成为制约我国农业发展的重要瓶颈,研究资源环境约束下我国农业全要素生产率的具体水平及其影响因素,对实现我国经济效益和生态效益协调发展意义重大。2010—2014年我国TFP值逐年增长,就地区而言,三大地区的TFP值由东向西依次递减,地区差异化明显。中西部地区近年来水土流失加剧、土地沙漠化与盐碱化严重,资源环境对本地区农业发展的制约力量更为突出,使中西部地区的TFP值与生产前沿面相距较远,农业生产效率较低且增长缓慢,但未来会有更大的提升空间。在诸多影响因素中,粮食种植面积、农用化肥施用量、农用机械总动力、农田水利设施对提升TFP具有显著的促进作用,而人力资本、农业技术等传统生产要素的影响并不显著。农业基础设施的改善对提升农业生产效率具有正向推动作用，但长期看,提高农业生产效率主要依靠增加化肥投入量并不符合生态农业的发展理念,创新农业生产技术、完善农业基础设施建设、改善农业生态环境是提升农业生产效率的突破点。

基于以上分析,提出如下政策建议:①完善农业补贴政策,加强中西部地区农业基础设施建设。将农业环保补贴纳入到财政支农体系中,改变单一的种粮补贴政策,实施农业环保补贴与种粮补贴相结合的政策。建立环保激励机制,对发展绿色农业的地区或农户进行奖励,鼓励农民绿色生产。改善中西部地区的农业灌溉条件,积极发展节水农业,提高植被覆盖率,积极防治土地盐碱化、沙漠化,保护水土,提高水资源和土地资源的生产效率。当地政府应在加大对本地区农业的环保投入同时成立专业化的农业生态发展监督体系,加强对农业环境的规制,最大程度地减少对农业生态环境造成的负面影响,为提高农业生产率创造良好的外部环境。②使用高效环保型农业投入品,大力发展生态农业。实际生产中,用生物肥、有机肥、农家肥代替化肥,减少化肥使用量，减轻农业面源污染。通过深耕、翻耕的耕作方式把传统的撒肥变为埋肥,提高化肥利用率。在追求农业产出的同时,注重对农业生态环境的保护,实现经济效益与生态效益的协调发展。③积极推进农业科技创新与应用,加强人力资本投资。在注重科技研发的同时,应着重提高农业技术的推广率和应用率,缩短技术研发与实际应用的滞后时间。在基层农业生产组织中设立农技推广站,由专业人员定期向农民进行技术培训,春种、秋收时集中到田间地头指导农民应用新技术进行农业生产,打通农业技术推广最后一公里的路径。以农业科技代替传统投入要素,提高生产要素的收益率。就农户而言,应加大人力资本的投入力度,主动学习新型农业技术,提高人力资本的质量,积极配合农技推广人员的农技传播工作,并将自身具有的先进务农经验传播给其他农民,以提高整体的农业生产效率。

[1]王喜平,姜晔.环境约束下中国能源效率地区差异研究[J].长江流域资源与环境,2013,(11)∶1419-1425.

[2]余康,章立,郭萍.1989—2009中国总量农业全要素生产率研究综述[J].浙江农林大学学报,2012,(1)∶111-118.

[3]Chung Y H,Fare R,Grosskopf S.Productivity and Undesirable Outputs：A Directional Distance Function Approach[J].Journal of Environmental Management,1997,51(3)∶229-240.

[4]Wang Z H,Zeng H L,Wei Y M,etal.Regional Total Factor Energy Efficiency：An Empirical Analysis of Industrial Sector in China[J].Applied Energy,2012,(97)∶115-123.

[5]Kaoru Tone.A Slacks-based Measure of Efficiency in Data Envelopment Analysis[J].European Journal of Operational Research,2001,130(1)∶130.

[6]薛建良,李秉龙.基于环境修正的中国农业全要素生产率度量[J].中国人口·资源与环境,2011,(5)∶113-118.

[7]杨俊,陈怡.基于环境因素的中国农业生产率增长研究[J].中国人口·资源与环境,2011,(6)∶153-157.

[8]岳立,王晓君.环境规制视域下我国农业技术效率与全要素生产率分析——基于距离函数研究法[J].吉林大学社会科学学报,2013,(4)∶85-92.

[9]尹朝静,李谷成,卢毓.中国农业全要素生产率增长分布的动态演进机制[J].统计与信息论坛,2014,(3)∶53-58.

[10]顾海,孟令杰.中国农业TFP的增长及其构成[J].数量经济技术经济研究,2002,(10)∶15-18.

[11]曾先峰,李国平.我国各地区的农业生产率与收敛：1980—2005[J].

[12]数量经济技术经济研究,2008,(5)∶81-92.

[12]李谷成.转型期中国农业生产率增长的分解、变迁与分布[J].中国人口·资源与环境,2009,(2)∶148-152.

[13]白林,万忠,罗其友,等.中国农业全要素生产率构成及区域趋同性分析——基于1996—2010年Malmquist指数法[J].农业现代化研究,2012,(5)∶552-555.

[14]Songqing Jin,Jikun Huang,Ruifa Hu,etal.The Creation and Spread of Technology and Total Factor Productivity in China′s Agriculture[J].American Journal of Agricultural Economics,2002,(84)∶132-136.

[15]郑循刚.西部农业生产全要素生产率增长分解——基于2000—2007的面板数据[J].软科学,2010,(8)∶79-81,87.

[16]王兵,杨华,朱宁.中国各省份农业效率和全要素生产率增长——基于SBM方向性距离函数的实证分析[J].南方经济,2011,(10)∶12-26.

[17]潘丹,应瑞瑶.环境污染约束下农业生产率增长地区差异及其动态分布演进[J].中国科技论坛,2013,(5)∶60-67.

[18]方福前,张艳丽.中国农业全要素生产率的变化及其影响因素分析——基于1991—2008年Malmquist指数方法[J].经济理论与经济管理,2010,(9)∶5-12.

[19]郑云.中国农业全要素生产率变动、区域差异及其影响因素分析[J].经济经纬,2011,(2)∶55-59.

[20]John J Whalley,Lijing Zhu.The Impact of China′s Economic Reforms on Agricultural Productivity Growth[J].Journal of Political Economy,1989,(97)∶321-332.

[21]Shujie Yao,Zinan Liu,Zongyi Zhang.Spatial Differences of Grain Production Efficiency in China, 1987-1992[J].Economic Change and Restructuring,2001,(34)∶65-72.

[22]王奇,王会,陈海丹.中国农业绿色全要素生产率变化研究：1992—2010年[J].经济评论,2012,(5)∶24-33.

[23]金怀玉,菅利荣.中国农业全要素生产率测算及影响因素分析[J].西北农林科技大学学报(社会科学版),2013,(2)∶29-35,42.

[24]杜江.中国农业全要素生产率增长及其时空分异[J].科研管理,2015,(5)∶87-98.

[25]Chambers R G,Chung Y,Fare R.Benefit and Distance Functions[J].Journal of Economic Theory,1996,70(2)∶407-419.

[26]Fukuyama H,Weber W L.A Directional Slacks-based Measure of Technical Efficiency[J].Socio-Economic Planning Sciences,2009,43(4)∶274-287.

[27]Barros C P,Managi S,Matousek R.The Technical Efficiency of the Japanese Banks：Non-radial Directional Performance Measurement with Undesirable Outputs[J].Omega,2012,40(1)∶1-8.

[28]Zhang N,Zhou P,Choi Y.Energy Efficiency,CO2Emission Performance and Technology Gaps in Fossil Fuel Electricity Generation in Korea：A Meta-frontier Non-radial Directional Distance Function Analysis[J].Energy Policy,2013,(56)∶653-662.

StudyonTotalFactorProductivityandItsInfluencingFactorsofAgricultureinChina——UndertheRestrictionofResourcesandEnvironment

ZHANG Yong-qiang,ZHOU Ning,ZHANG Xiao-fei,GAO Guo-qing
(College of Economics and Management,Northeast Agricultural University,Harbin 150030,China)

This paper used the panel data and SBM directional distance function of 31 provinces in China,to measure the agricultural total factor productivity value in 2010-2014,through the establishment of regression model to analysis factors of total factor productivity.The results showed that the total factor productivity of agriculture in China was increasing,but there were obvious differences among the three regions.Fertilizer application,total power of agricultural machinery,farmland water conservancy facilities had a significant positive impact on total factor productivity of agriculture,while the impact of traditional production factors such as human capital and agricultural production technology was not significant.Aiming at the research results,to improve the subsidy of agricultural policy,strengthen the infrastructure construction of midwest,develop the eco-agriculture,promote the innovation and application of agricultural science and technology,and strengthen the investment of manpower capital and so on.

resources and environment;total factor productivity of agriculture;expected output;non-expected output

10.3969/j.issn.1005-8141.2017.06.006

F32；X322

A

1005-8141(2017)06-0672-06

2017-04-20；

2017-05-18

国家自然科学基金项目(编号:71173035);国家软科学项目(编号:2014GXS2D017);中国博士后基金项目(编号:20100480973);黑龙江省社科基金项目(编号:14B066)。

及通讯作者简介：张永强(1971-),男,内蒙古自治区包头人,博士,东北农业大学经济管理学院副院长,教授,硕士生导师,主要研究方向为农业经济管理。