农业信息化、空间溢出效应与农业绿色全要素生产率——基于SBM-ML指数法和空间杜宾模型

高 杨，牛子恒

(1.山东大学 经济学院，山东 济南 250000；2.曲阜师范大学 山东省食品安全治理政策研究中心，山东 日照 276826)

一、引言

农业可持续发展关乎国家的食品安全、资源安全和生态安全，是一国社会经济可持续发展的重要基础。农业绿色全要素生产率(Green Total Factor Productivity，GTFP)在传统全要素生产率(Total Factor Productivity，TFP)的基础上，考虑能耗和污染排放等因素，是农业可持续发展质量的客观反映。因此，厘清农业GTFP的影响因素，对于实现农业可持续发展，具有十分重要的意义。

在现有研究中，张永强等认为，化肥施用量、农业机械总动力、农田水利设施对农业GTFP具有显著正向影响[1]。梁俊和龙少波的研究表明，农业税减免促进了农业GTFP增长，工业化、城市化的推进和农业贸易条件的改变阻碍了农业GTFP增长[2]，而环境规制并未对农业GTFP增长产生实际影响[3]。叶初升和惠利发现，农业财政支持有助于农业GTFP增长[4]，且对粮食主产区与主销区的农业GTFP增长均有促进作用[5]。李兆亮等指出，人均GDP对西部农业GTFP的影响相对较大，而中、东部主要受到劳动力素质的影响[6]。 张淑辉证实，初、中等人力资本对全国及中、西部农业GTFP增长具有显著影响，高等人力资本除对东部农业GTFP增长产生正效应外,对其余区域的影响并不显著[7]。

事实上，除上述因素外，农业信息化是一个不容忽视的关键因素。理论上讲，农业信息化可优化农业资源配置，提高农业资源利用效率，加速技术进步，从而改善农业生产效率。现有研究已经开始重视农业信息化对农业TFP的影响，认为农业信息化对农业TFP增长具有积极影响[8]，且存在显著的门槛效应[9]。但是，农业信息化对农业GTFP增长的影响研究尚未见报道，因此本文重点研究农业信息化对农业GTFP增长的影响。

由于本省份农业GTFP增长不仅取决于本省份的农业信息化水平，还可能与邻接省份的农业GTFP和农业信息化水平密切相关。若不考虑空间溢出效应，可能会导致估计结果产生偏误。为诠释空间结构对农业GTFP的影响，避免估计结果偏误，本文采用空间杜宾模型。

此外，准确测算农业GTFP是分析其影响因素的必要前提。Malmquist-Luenberger(ML)指数法和Global Malmquist-Luenberger(GML)指数法是现有文献通常采用的方法。但ML指数法和GML指数法均为基于径向的方向性距离函数，只能保证合意产出与非合意产出同比例变化。当存在投入过剩或产出不足时，径向的分析方法会高估生产决策单元的生产效率。同时，ML指数法和GML指数法都必须对测度角度进行选择，无论是从产出角度还是投入角度进行选择，都会因忽视另一角度而导致测算结果有偏。为有效避免ML指数法和GML指数法存在的缺陷，本文运用基于SBM方向性距离函数的ML指数法(SBM-ML)。该方法不仅考虑了投入与产出松弛量对生产效率的影响，还无需选择测度角度。

基于上述分析，本文依据2003—2015年的省际面板数据，采用SBM-ML指数法，测算农业GTFP。在此基础上，借助空间杜宾模型和偏微分方法，探讨农业信息化对农业GTFP的影响，并将其分解为直接效应和空间溢出效应。

二、研究方法

(一)SBM-ML指数

Pt(X)=(yt,bt)xt可以生产(yt,bt)

t=1,2，…，T

(1)

假定规模报酬可变，则省份i在t年包含合意产出与非合意产出的非径向、非角度SBM方向性距离函数为：

(2)

进而，引入跨期动态的概念，借鉴几何平均值思路，构建t与t+1连续两年相邻参比的SBM-ML指数如下：

(3)

SBM-ML指数还可分解为技术效率变化指数(Ec)和技术进步指数(Tc)。技术效率变化指数(Ec)用来衡量实际生产点向生产前沿面的靠近程度，技术进步指数(Tc)用来衡量生产前沿面向外扩张的程度。SBM-ML>1(<1)、Ec>1(<1)和Tc>1(<1)分别表示农业GTFP的提高(降低)、技术效率的上升(下降)和技术的进步(倒退)。

(二)空间相关性检验

空间相关性检验是构建空间计量模型的前提，而现有研究大多采用全局Moran's I对空间相关性进行检验。当空间相关性通过检验时，则证实中国农业GTFP以及农业信息化水平可能产生空间溢出效应。

全局Moran's I的绝对值大小表示空间相关性的强弱。当-1≤Moran's I<0或0

全局Moran's I=

(4)

当全局Moran's I未通过检验时，说明整体上不存在空间相关性，但无法判断省份之间是否存在局部空间相关性。因此，必须进行局部Moran's I检验。其表达式为：

(5)

其中，各部分的具体含义与全局Moran's I相同。

(三)空间权重矩阵

在现有区域层面生产率的空间计量分析中，通常以地理邻接来设定空间权重矩阵wij[10]。当省份i与省份j存在共同边界时，取值为1，否则取值为0，即：

(6)

中国各省份地理邻接情况如表1所示。

(四)空间杜宾模型

本文构建空间杜宾模型如下：

LnGTFPt=a+ρWLnGTFPt+βLnXt+

θWLnXt+ε

(7)

表1 中国30个省份的地理邻接情况表

注：本文未包含西藏、香港、澳门与台湾。

(五)空间影响分解

空间杜宾模型的参数估计结果证实了农业信息化水平以及控制变量对农业GTFP的正向或负向影响，但其回归系数包含了邻接省份农业GTFP互相影响的反馈效应，无法准确反映直接影响与间接影响的大小，因而需要剔除反馈效应。本文采用偏微分方法，将式(7)转化为：

(I-ρW)LnGTFPt=(βLnXt+θWLnXt)+

a+ε

(8)

进一步可得：

LnGTFPt=(I-ρW)-1(βLnXt+θWLnXt)+

(I-ρW)-1a+(I-ρW)-1ε

(9)

则LnGTFPt关于LnXt的偏微分方程矩阵为：

(10)

其中，等号最右端矩阵中，对角线元素的平均值为直接效应，表示本省份农业信息化水平以及控制变量对本省份农业GTFP的直接影响；非对角线元素的平均值为空间溢出效应，表示邻接省份农业信息化水平以及控制变量对本省份农业GTFP的间接影响。

三、变量选取与数据来源

(一)农业GTFP的投入与产出变量

农业具有广义与狭义之分，广义的农业是指农林牧渔业，狭义的农业是指种植业。由于投入、产出要素的种类与数量均存在显著差异，必然会导致种植业与农林牧渔业的GTFP测算结果不同。故本文将研究视角聚焦于以种植业为代表的狭义农业。具体投入变量和产出变量如下：

1.投入变量

劳动力数量：现有统计数据只有从事农林牧渔业的总劳动力数量。本文以种植业产值占农林牧渔业总产值的比重为权重，将种植业劳动力数量从总劳动力数量中进行分离，单位为万人。

机械动力：同样以种植业产值占农林牧渔业总产值的比重为权重，将种植业机械动力从农林牧渔业机械总动力中进行分离，单位为万千瓦。

化肥施用量：以农作物的化肥施用量(折纯)表示，单位为万吨。

播种面积：以农作物的实际播种总面积表示，单位为千公顷。

用水量：以有效灌溉面积表示，单位为千公顷。

2.产出变量

合意产出：以2003年作为不变价的种植业产值表示，单位为亿元。

非合意产出：农业污染具有扩散快、数据统计难的特点。在对各种方法进行比较、且考虑数据可得性的基础上，本文采用单元调查评估法，核算各农业污染物排放量，即：

(11)

其中，m代表四种农业污染单元，即化肥、农作物秸秆、农药、农膜。n为每个农业污染单元产生的农业污染物类型，包括化肥通过地表径流或地下溶淋的方式产生的总氮(TN)和总磷(TP)的流失、农作物秸秆处理不当造成的化学需氧量(COD)、总氮(TN)和总磷(TP)的排放、农药农地残留、农膜农地残留。Em为农业污染单元m的污染物排放量，EUm为农业污染单元m的指标统计数，ρmn为农业污染单元m中，污染物n的产污强度系数，ηm为农业污染单元m指标统计数的利用率系数，Cmn为农业污染单元m中，污染物n的排放系数，该系数由农业污染单元m的指标统计数和空间特征S共同决定。

依据需要调查的农业污染单元指标统计数，建立如表2所示清单列表：

表2 农业非点源污染清单列表

此外，基于《全国第一次污染源普查农业源系数手册》，以及相关研究的主要研究结论，对影响产污强度系数的参数进行总结，建立产物强度系数影响参数表，如表3所示：

表3 产污强度系数影响参数表

(二)空间杜宾模型的解释变量

1.核心解释变量

农业信息化水平：参照《国家信息化发展报告》的指标体系，并且考虑数据的可得性，本文选取农村每百户居民的计算机拥有量、移动电话拥有量和彩色电视机拥有量、农村居民人均交通通讯费用支出、以及每个省份的互联网普及率和长途电缆总长度作为农业信息化水平的具体衡量指标。鉴于熵值法能够有效避免人为赋予权重的主观影响，可真实客观地反映各项指标变异程度，本文采用熵值法对农业信息化水平进行测算。限于篇幅限制，对方法和测算过程不再进行赘述。

2.控制变量

开放程度：地区开放程度的高低可由进出口贸易额的多寡来反映。Mitze指出，进出口贸易不仅会对生产率产生显著影响，还存在空间溢出效应[11]。本文以各省份的进出口贸易总额与总产值的比值表示每个省份的对外开放程度，单位为%。

受教育程度：Benos和Karagiannis发现，受教育程度对生产率具有显著正向影响[12]。本文以高校在校学生数量作为每个省份受教育程度的评价指标，单位为万人。

工业化程度：Buston等认为，农业生产率与工业发展之间存在相互影响的关系[13]。本文以每个省份第二产业增加值占总产值的比重反映工业化水平，单位为%。

自然条件恶劣程度：自然条件恶劣程度对农业生产率具有一定程度的影响。本文选取农作物成灾面积与受灾面积的比值表示自然条件恶劣程度，单位为%。

劳动力投入程度：劳动力数量是测算农业全要素生产率的投入变量之一，其投入程度将影响生产率的变化。本文用从事种植业的劳动力数量表示其投入程度，其测算方法如前文所述，单位为万人。

农业机械化程度：伍俊骞等指出，农业机械化程度显著影响农业生产率。同时，农业机械往往跨区作业，具有较强的空间溢出效应[14]。本文以亩均机械动力表示农业机械化程度，单位为千瓦/亩。

(三)数据来源

考虑到数据的可得性、各省份特殊的要素资源禀赋以及数据包络分析法对异常数据的敏感性，本文将西藏、台湾、澳门和香港去除，最终省份数量为30个。数据主要来源于《中国统计年鉴》、《中国农村统计年鉴》与《中国农业年鉴》以及30个省份的地方统计年鉴等[注]《中国统计年鉴》、《中国农村统计年鉴》和《中国农业年鉴》的统计口径相对一致，已被广泛应用于农业TFP或GTFP的测算。地方统计年鉴则起到对某些缺失值补充的作用，且占比极少。因此，本文所使用的数据满足可比性的建模要求。。

四、结果分析

(一)农业GTFP测算结果

2003—2015年，中国农业GTFP年均增长4.5%，这与杜江估计的4.2%较为接近[15]。从增长源泉来看，农业技术进步的年均增长率为5.5%，其累积变化曲线和农业GTFP累积变化曲线呈螺旋式向右上方同向变动。农业技术效率的年均增长率为-1%，其累积变化曲线呈现出远离农业GTFP和农业技术进步累积变化曲线的趋势(图1)。可见，农业技术进步是农业GTFP增长的主要动力，而农业技术效率的贡献微乎其微，甚至在一些年份表现为负效应。

图1 中国农业GTFP的累积增长与源泉变化图

从增长趋势来看，农业GTFP的增长大致分为三个阶段。第一阶段为2003—2006年，该阶段为农业GTFP增长的起步阶段，年均增长速度为3.42%。这个阶段中国开始实行减征或免征农业税的惠农政策，农业GTFP开始提高。第二阶段为2007—2010年，该阶段为农业GTFP的稳定增长阶段，年均增长速度为3.86%。这个阶段中国通过增加农资综合直补金额等措施，加大农业扶持力度，使农业GTFP增长速度相对稳定。第三阶段为2011—2015年，该阶段为农业GTFP加速增长阶段，年均增长速度为5.96%，超越了全部年份的平均水平。这个阶段处于中国的“十二五”规划时期，国家不断推动工业化与城镇化发展，并引导农业走“产出高效、产品安全、资源节约、环境友好”的现代化道路，使农业GTFP得到了飞跃增长。

从区域差异来看，中国农业GTFP的增长幅度按照中、东、西顺序依次递减(表4)。中部的农业GTFP增长幅度最高，增幅为8.02%，技术效率下降1.07%，技术进步率增长9.2%。东部农业GTFP的增长幅度次之，增幅为3.14%，技术效率降低1.81%，技术进步率提高5.04%。西部农业GTFP的增长幅度最低，增幅为2.19%，技术效率下降2.43%，技术进步上升4.74%。这与李谷成认为农业GTFP按照东、西、中顺序依次递减的结论不符[16]。这是由于：第一，测算对象不同。本文聚焦于种植业，而李谷成的测算对象为农林牧渔业。第二，选取研究的时间序列不同。在不同时间阶段，农业支持政策和农业外部市场环境均存在较大差异，从而导致测算结果不同。第三，研究方法不同。不同的测算方法在测算角度的选择、投入与产出的处理上均存在差异，也会导致测算结果不同。

中部增幅最高，得益于2004年后开始实施的中部崛起战略，该战略极大地激发了中部省份农业GTFP的增长潜力。东部低于中部的主要原因在于，近年来，东部农业发展遇到了瓶颈期，农业生产要素配置不合理问题突出。西部最低的原因在于，西部的技术水平最低、资源条件最差，农业发展面临资源与环境双重压力[17]。

从每个省份来看，绝大多数省份处于增长态势，但海南、内蒙古、青海、宁夏、新疆却出现了下降的现象。这是由于：与其他省份相比，这些省份的农业生产条件相对较差，不利于农业的发展。此外，吉林也出现了下降的情形，这是由吉林省粗放式的农业生产方式所导致的。

表4 中国东、中、西部各省份的农业GTFP表

注：表中技术效率指数、技术进步指数及各生产率指数均为几何平均数。

(二)空间相关性检验的结果分析

从农业信息化的全局Moran's I检验结果来看，每个年度都显著为正，且基本围绕0.2上下浮动，说明中国农业信息化存在强空间正相关性(表5)。

表5 农业信息化的全局Moran's I检验表

注：*、**、***分别表示在10%、5%、1%水平下显著。下同。

从农业GTFP的全局Moran's I检验结果来看，2003—2004、2004—2005、2006—2007、2007—2008年度显著为正，2008—2009年度显著为负，其他年度未通过显著性检验(表6)。

表6 农业GTFP的全局Moran's I检验表

全局Moran's I均质化了省份之间的差异，不能反映各省份农业GTFP的局部空间相关情况。因此，需要对全局空间相关性不显著年份进行局部空间相关性分析。本文选取2005—2006与2013—2014年度，通过测算局部Moran's I，分别得到这两个年度的Moran's I散点图(图2)和LISA图(图3)，以分析全局空间相关性不显著年份的局部空间相关性情况。

图2 2005—2006年度与2013—2014年度的Moran's I散点图

图3 2005—2006年度与2013—2014年度农业GTFP的LISA图

Moran's I散点图分为四个象限，分别反映了本省份与其邻接省份之间的四种局部空间联系形式：第一象限代表了高观测值省份被同是高值省份所包围的空间联系形式(H-H)；第二象限代表了低观测值省份被高值省份所包围的空间联系形式(L-H)；第三象限代表了低观测值省份被同是低值省份所包围的空间联系形式(L-L)；第四象限代表了高观测值省份被低值省份所包围的空间联系形式(H-L)。其中，第一与第三象限表现为空间正相关，第二与第四象限表现为空间负相关。从Moran's I散点图可知，2005—2006年度中的非典型(与全局空间相关性不一致)省份应该落在第二或第四象限，非典型省份包括：湖南、四川、浙江、广东、陕西和福建，属于L-H类型；甘肃、江西和重庆，属于H-L类型。2013—2014年度的非典型省份也应该落在第二或第四象限，非典型省份包括：天津、山东、内蒙古和宁夏，属于L-H类型；辽宁、江西、北京和甘肃，属于H-L类型。从2005—2006年度到2013—2014年度，属于L-H和L-L类型的省份数量减少，属于H-H类型的省份数量增加，这表明了省份之间农业GTFP的空间相关性随时间而发生显著变化。

进而，从LISA图可以更直观的看出，在2005—2006和2013—2014年度，省份之间农业GTFP存在显著的局部空间相关性。在2005—2006年度，有3个省份存在显著的局部空间相关性。其中，四川(L-H)、湖南(L-H)为负相关，湖北(H-H)为正相关。在2013—2014年度，有4个省份表现出显著的局部空间相关性。其中，河北(H-H)、河南(H-H)和湖北(H-H)为正相关，天津(L-H)为负相关。与2005—2006年度相比，2013—2014年度呈现出显著局部空间相关性的省份数量相对增多，且显著局部正相关的省份数量也越来越多。这说明随着时间推移，中国农业GTFP的局部空间相关性有增强的趋势。

(三)空间杜宾模型估计结果

空间杜宾模型包括随机效应模型和固定效应模型。具体选择哪一种模型进行估计结果的讨论，需要进行Hausman检验。当Hausman的检验值为正，且通过显著性检验时，应选择固定效应模型的估计结果进行讨论。如表7所示，本文的Hausman检验值为33.19，且显著为正。因此，本文选择固定效应模型的估计结果进行讨论。

表7 Hausman检验表

估计结果中，农业GTFP的空间滞后项系数并未通过显著性检验，说明邻接省份农业GTFP对本省份GTFP的影响并不显著(表8)。其可能的原因在于，未通过全局农业GTFP空间相关性检验的年份拉低了整个时间序列的显著性水平。尽管如此，但前文已经证实中国省份之间农业GTFP存在显著的局部空间相关性。因此，需要采用空间计量模型来控制邻接省份农业GTFP对本省份农业GTFP的影响。

表8 空间杜宾模型估计结果表(固定效应)

农业信息化水平的直接影响系数和空间滞后项系数都显著为正，说明本省份和邻接省份农业信息化水平的提升，均会促进本省份农业GTFP增长。这是由于：第一，农业信息化水平的提升，不仅有助于改善农户利用农业生产技术和生产要素的效率，还将加速农业信息和农业生产技术在省份之间的扩散，进而引导生产要素的合理流动。第二，农业信息化水平的提升，可以使农户更加了解农业市场信息，避免农产品交易市场的信息不对称，从而能合理安排农业生产。因此，应全面提高农业信息化水平，以加快农业GTFP增长步伐。

控制变量中，受教育程度的直接影响系数显著为正，空间滞后项系数显著为负，说明本省份受教育程度越高，本省份农业GTFP的增长越快；相反，邻接省份受教育程度越高，本省份农业GTFP的增长越慢，其原因在于：第一，本省份受教育程度越高，能够熟练使用农业机械设备、掌握农业生产技术和重视环境保护的劳动力越多，从而促进农业GTFP的增长；第二，受教育程度越高的省份，其马歇尔聚集效应越明显，越会进一步吸引受教育程度高的人力资本，从而造成人力资本在省份之间的分配不平衡，不利于其邻接省份农业GTFP增长。

工业化水平的直接影响系数和空间滞后项系数均显著为负，这说明本省份和邻接省份的工业化水平均阻碍本省份农业GTFP增长。其原因在于：中国农业发展相对滞后，工业发展相对迅速，农业与工业的发展步调未能保持一致，这使本省份和邻接省份的工业化都对本省份农业产生了一定的排挤作用。

劳动力投入程度的直接影响系数显著为负，说明本省份过度的劳动力投入会阻碍农业GTFP增长。劳动力投入程度的空间滞后项系数显著为正，这是由于：邻接省份劳动力投入程度越高，则越可能吸纳本省份的过剩劳动力，缓解本省份劳动力的投入过剩程度，从而促进本省份农业GTFP增长。

农业机械化程度的直接影响系数并未通过显著性检验，说明中国农业机械化程度尚需进一步提高，且应向基本不需要劳动力参与的“高度控制类型”转变。空间滞后项系数显著为负，说明邻接省份农业机械化程度制约了本省份农业GTFP增长。其原因可能在于：中国现有的农业机械行业距离发达国家有很大差距，无法满足市场的巨大需求。邻接省份对农业机械的大量投入，必然导致本省份农业机械化程度的停滞不前，甚至倒退，从而阻碍本省份农业GTFP增长。

自然条件恶劣程度的空间滞后项系数显著为负，说明邻接省份自然条件恶劣程度制约了本省农业GTFP增长。其原因在于：邻近省份自然灾害的频发会对交通路线、网络线路等基础设施产生一定的破坏，造成农业生产要素的流动困难，从而阻碍了本省份农业GTFP增长。此外，自然条件恶劣程度的直接影响系数并不显著。

开放程度的直接影响系数和空间滞后项系数均未通过显著性检验，说明开放程度的高低并不是影响中国农业GTFP增长的关键因素。

(四)分解结果

如表9所示，农业信息化水平每提升1%，农业GTFP就会增长0.450 3%。其中，直接效应贡献0.340 1%，空间溢出效应贡献0.110 2%。这表明农业GTFP增长主要受本省份农业信息化水平的直接影响，但邻近省份农业信息化水平的空间溢出效应也不容忽视。

表9 空间杜宾模型的影响效应分解表

控制变量中，受教育程度每提升1%，农业GTFP就会增长0.072 5%。其中，直接效应贡献0.214 8%，空间溢出效应贡献-0.142 3%，直接效应与空间溢出效应存在相互抵消的现象。这意味着尽管中国受教育程度对农业GTFP增长具有促进作用，但主要表现为本省份的直接影响。应引导受教育程度高的人力资本在各省份间平衡、合理流动，以便发挥出知识的外溢性。

工业化水平每提升1%，农业GTFP就会下降0.298 3%。其中，直接效应贡献-0.153 8%，空间溢出效应贡献-0.145 5%，但并不显著。这表明只有实施工业与农业协调发展，农业才能享受到工业化发展带来的各种好处。

农业机械化程度每提升1%，农业GTFP就会下降0.174 3%。其中，直接效应贡献-0.044 1%，但不显著，空间溢出效应贡献-0.130 2%。这意味着只有大力发展农业机械行业，才能满足各省份不断增长的需求和实现省份之间的平衡，进而发挥出农业机械化对农业GTFP增长的积极作用。

此外，自然环境恶劣程度每提升1%，中国农业GTFP就会下降0.036 9%，且主要来自于空间溢出效应；劳动力投入程度对农业GTFP增长的直接效应贡献为-0.199 2%，空间溢出效应贡献为0.162 4%，存在着相互抵消现象，从而导致总效应并不显著；开放程度对农业GTFP增长的总效应、直接效应和空间溢出效应均不显著。

五、主要结论与政策建议

本文基于中国2003—2015年的省际面板数据，采用SBM-ML指数法，测算了中国农业GTFP。进而，借助空间杜宾模型和偏微分方法，探讨了农业信息化对农业GTFP的影响，并将其分解为直接效应和空间溢出效应。研究发现：中国农业GTFP年均增长4.5%，农业技术进步是其增长的主要动力，且按照中、东、西部顺序依次递减；中国农业GTFP的局部空间相关性有逐步增强趋势；农业信息化水平每提升1%，农业GTFP就会增长0.450 3%，其中直接效应贡献0.340 1%，空间溢出效应贡献0.110 2%；本省份受教育程度、邻接省份劳动力投入程度对农业GTFP增长产生显著正向影响，本省份的劳动力投入程度和工业化程度、邻接省份的受教育程度、工业化程度、农业机械化程度和自然条件恶劣程度则具有显著负向影响。

基于上述主要结论，本文的主要政策建议为：立足于东、中、西部的实际，实施差异化的农业扶持政策；重视省份之间农业GTFP的局部空间相关性，实施农业强省对弱省的精准帮扶；深入推进“互联网+农业”行动计划，实现农业生产、经营、管理和服务信息化融合发展，全面提高农业信息化水平；加大工业反哺农业力度，引导生产要素在省份之间的合理流动，提高对突发性自然灾害的应急能力。