中国农业全要素生产率的空间关联网络结构及驱动因素研究

张帆，吴玲，王富林

（1.东北农业大学工程学院，黑龙江 哈尔滨 150030；2.东北农业大学经济管理学院，黑龙江 哈尔滨 150030）

农业是国民经济的基础性产业，是发展中国家经济的重要支柱。改革开放以来，中国农业发展取得了飞速的进步，农业产业结构和生产区域布局不断调整优化，农业物质技术装备水平明显提高，农业基础设施也更加完善。但不容忽视的是，在由传统农业向现代农业的过渡时期，中国农业暴露的问题也在逐渐增多，如农业要素投入质量和配置效率依然处于较低水平，这已成为制约我国农业发展的重要瓶颈。因此，提高农业全要素生产率是实现中国农业高质量发展的重要实现路径。

国内外学者对农业全要素生产率主要从两个维度展开：一是测度农业全要素生产率方法的变动。初始方法是DEA-GML法[1]，随后采用的测度方法经历了从随机前沿模型[2]、方向性距离函数[3]、径向模型[4]到非径向非角度方向性距离函数[5]的变迁。二是农业全要素生产率的投入产出要素修正。最初对农业全要素生产率的计算中，投入要素为种植业从业人数、农作物播种总面积、种植业机械总动力、化肥施用量、役畜年末存栏数和有效灌溉面积，产出要素为种植业总产值[6]。随后，学者们从绿色全要素生产率[7]、中间消耗品[8]等不同视角进行了研究，对投入要素和产出要素[9]进行了修正。在此基础上，学者们进一步对中国农业全要素生产率省际之间的空间分异程度进行了研究，并得出中国农业全要素生产率具有较大的空间分异特征的结论[10-11]，其存在显著的空间非均衡现象。随着进一步的研究，学者认为农业全要素生产率具有空间溢出效应，表现为其不仅与区域本身的农业发展水平有关，还会受到邻近地区农业发展因素、经济因素和社会因素的影响，即存在空间溢出效应[12]。

上述文献为中国农业全要素生产率的研究奠定了基础，但限于研究问题的复杂性和方法的局限性，学者虽然基于属性数据证明了农业全要素生产率存在空间分异特征，但缺乏基于关系数据对农业全要素生产率空间关联特征的深入考虑，使之难以深入揭示中国农业全要素生产率的整体网络结构特征。由于农业全要素生产率是技术、效率、政策和制度等因素的综合体现，其不仅受制于自身经济发展水平等因素的影响，还可能会受到其他地区经济社会因素的影响，即一个地区具有较高的农业全要素生产率可能对邻近地区产生示范或带动作用，进而促进邻近地区农业全要素生产率的增长[13]。因此，省际之间的农业全要素生产率并非独立存在，而是具有一定的空间关联性。随着生产要素全国配置的不断推进，农业全要素生产率的空间关联关系更加普遍和广泛，已经超越了单纯地理学意义上的近邻关系，逐渐呈现出多关联的复杂网络结构形态。综上，在省际之间空间关联性实际存在的条件下，各省份区域要提高农业全要素生产率，不仅要考虑区域自身的情况，还要充分考虑并有效借力于与之相关联的省份区域，进而从整体上把握和提升农业全要素生产率。有鉴于此，本文基于关系数据和网络视角，测度2000—2018年中国农业全要素生产率的演化规律，并运用改进的引力模型确定中国农业全要素生产率的空间关联关系，构建中国农业全要素生产率的空间关联网络。在此基础上，运用社会网络分析法分析中国农业全要素生产率空间关联网络的整体结构特征、局部结构特征和个体结构特征，并确定驱动中国农业全要素生产率空间关联性的因素，对于农业政策的制定和实施以及整体提升农业全要素生产率均具有重要的理论意义与应用价值。

1 研究方法与数据来源

1.1 中国农业全要素生产率的测度

由于DEA方法在处理多投入多产出问题上具有较强的客观性，而Malmquist生产率指数在进行动态分析上具有独特优势。因此，将Malmquist指数和DEA方法结合已被广泛用于生产率测算。本研究借鉴Malmquist生产率指数，运用DEA方法测度中国各省域的农业全要素生产率。以t期为基期，衡量t+1期农业全要素生产率变化的Malmquist指数可表示为[14]：

式中：M表示全要素生产率变化的Malmquist指数，TEΔ、TΔ、SΔ分别表示从t到t+1期技术效率变动、技术进步和规模报酬变动。xt、xt+1分别表示从t到t+1期的投入变量，yt、yt+1分别表示从t到t+1期的产出变量，Dt(xt，yt)、Dt+1(xt+1，yt+1)为以t和t+1时期技术为参照的距离函数，下标v和c为可变规模报酬假设和不变规模报酬假设。本文参考从指标的可得性和可靠性出发，选取种植业总产值为农业产出指标。在农业投入方面，以种植业从业人数度量劳动投入，以农作物播种面积度量土地投入，以化肥使用量、有效灌溉面积和农业机械总动力来度量资本投入，其中农业机械总动力表示机械动力投入，化肥使用量表示化肥投入，有效灌溉面积表示灌溉投入。

1.2 中国农业全要素生产率空间关联关系的确定

与传统的VAR Granger Causality检验方法比，引力模型可以在考虑经济地理因素的基础上，对一定区域范围内省市间相互影响相互作用的关系进行定量分析。基于此，本文运用修正后的引力模型确定中国农业全要素生产率的空间关联关系。省份i与省份j的农业全要素生产率空间关联关系的引力模型如式2所示[15]。根据公式2，可得出省市自治区i与省市自治区j之间农业全要素生产率的引力矩阵。

式中：Fij代表省市自治区i与省市自治区j之间的引力。Mi和Mj代表省市自治区i与省市自治区j的“全要素生产率发展质量”，对于质量指标，根据城市间经济联系的典型计算公式其中，Pi和Pj为两城市的人口指标，考虑数据的可获得性，本文将Pi和Pj设定为省市自治区i与省市自治区j的年末农业从业人口数；Vi和Vj为两城市的经济指标，本文借鉴刘华军等[16]的研究，将Vi和Vj设定为农业全要素生产率与农业生产总值的乘积，即Gi和Gj为省市自治区i与省市自治区j的农业生产总值，Ei和Ej为省市自治区i与省市自治区j的农业全要素生产率，kij表示省市自治区i在i与j全要素生产率关联中的贡献率。引力模型不仅考虑经济因素，同时也引用了地理距离因素。因此，本文用省市自治区i和j省会的地理距离差Di-Dj表示省市自治区之间的地理距离Dij。

1.3 中国农业全要素生产率空间关联网络的结构特征

社会网络分析法是以关系为单位，探究关系模式对结构中成员或整体影响的跨学科分析法，该方法不仅能够反映空间关联网络的整体特征及演变趋势，也能够测度各省份在空间关联网络中的地位和作用，以及其空间聚类方式，适用于认识和探索中国农业全要素生产率空间关联网络的结构特征。因此，对中国农业全要素生产率空间关联网络的结构特征主要从整体结构特征、局部结构特征和个体结构特征三个维度进行研究。具体结构特征如下[17]：

1.3.1 整体网络特征 整体网络结构特征通常采用社会网络中的网络密度、网络关联度、网络等级度和网络效率进行分析。其中，网络密度d(G)是衡量网络中各节点之间联系是否紧密的指标，网络密度越小，则网络中各节点之间的联系就越疏松。网络关联度C是网络对中介节点的依赖性，该指标能够反应中国农业全要素生产率空间关联网络的稳定性。网络等级度是反应网络中各省市自治区之间等级结构是否明显。网络等级度越高，则网络等级度越明显。网络效率H是指网络中各节点之间的连接效率。网络效率越高，则节点之间有更多的联结，即节点联系的更紧密，该关联网络越稳定。

式中：M为网络中实际拥有的连接数，N为网络的节点数，网络密度的取值范围为[0，1]。C是指网络关联度，V和V'分别是网络中不可达和可达的成员对数，max(V')为网络中可达成员对数的最大值，H代表网络效率。

1.3.2 局部网络特征 对中国农业全要素生产率空间关联网络的局部结构特征，主要运用社会网络中的块模型进行分析。块模型理论可以刻画和揭示中国农业全要素生产率空间关联网络中的内部结构状态，以及各局部结构之间的溢出关系和路径。本文采用最佳化禁忌搜寻法进行位置划分，将空间关联网络划分为四种不同的局部网络，进而划分出四种类型的板块：净溢出板块、双向溢出板块、“经纪人”板块和净受益板块。各板块溢出和接收的关系数特征如表1所示。

表1 板块关系数特征Table 1 Characteristics of panel relationship numbers

1.3.3 个体网络特征 根据社会网络分析方法，中国农业全要素生产率空间关联网络的个体网络特征通常采用度数中心度、接近中心度和中介中心度等指标进行分析。其中，度数中心度BRD是指直接连接到该节点的其他节点数量，度数中心度较高的点在网络中则处于中心地位；接近中心度C是指节点与其他节点的距离，接近中心度越高，该节点不受其他节点控制的程度越高；中介中心度CAPi是指一个节点控制相连的两个节点相互作用的能力，中介中心度较高的节点在网络中能够发挥出中介和桥梁的功能。

式中：以BAD表示绝对度数中心度，用n表示网络中的地区数目。dij表示点i和点j之间存在的捷径距离，i≠j，Cmax为接近中心度的最大值，Ci为节点i的接近中心度。

1.4 数据来源

本文以中国31个省市自治区（不含港澳台地区）作为网络节点，实证考察中国农业全要素生产率的空间关联。样本时间跨度为2000—2018年。中国全要素生产率测度和引力模型测算所需的数据来源于《中国统计年鉴》、《中国农业年鉴》和《中国农村统计年鉴》。其中，各省份农业生产总值数据按照2000年=100进行平减，以消除价格因素对各地区农业生产总值的影响；省际之间的地理距离以省会城市之间的球面距离表示。

2 结果与分析

首先，测度2000—2018年中国农业全要素生产率，并运用改进的引力模型确定中国农业全要素生产率的空间关联关系，构建中国农业全要素生产率的空间关联网络。在此基础上，运用社会网络分析法分析中国农业全要素生产率空间关联网络的整体结构特征、局部结构特征和个体结构特征；最后，确定驱动中国农业全要素生产率空间关联性的因素。

2.1 中国农业全要素生产率的演化规律

图1反映了2000、2010、和2018年中国大陆31个省市自治区农业全要素生产率的演化规律。由此可看出，第一，中国31个省市自治区Malmquist生产率指数值均大于1，即近20年间中国各地区的农业全要素生产率都在增长。第二，中国大陆31个省市自治区的农业全要素生产率依然具有空间差异性，且近20年中国农业全要素生产率基本呈现先增长后降低的趋势，具有明显的“∧”型。部分省份明显存在多个峰值，尤其是西部地区的省市较为明显。第三，与2000年相比，到“十三五”期间，中国东、中、西和东北四大区域板块的农业全要素生产率均得到了提升。从时间来看，十一五期间中国农业全要素生产率增速较高；从区域来看，农业全要素生产率增速较大的区域为山东、广西和青海等地区；增速较小的为海南、江西和安徽等地区。

2.2 整体网络结构特征及演变趋势

图1 2000—2018年农业全要素生产率变化示意图Fig. 1 Changes of China’s agricultural TFP from 2000 to 2018

图2 2000、2010和2018年中国农业全要素生产率空间关联网络结构Fig. 2 Spatial correlation network structure of China’s agricultural TFP in 2000, 2010 and 2018

图2展示了“十五”到“十三五”各典型时期的中国农业全要素生产率空间关联网络的演变趋势。与工业创新发展空间关联网络中网络密度单纯的增长不同[18]，农业全要素生产率的空间关联网络结构演化过程较为复杂，主要从两方面体现：一方面，随着中国农业的发展，中国各省市自治区的农业全要素生产率不仅影响到地理邻近的省市自治区，也打破了地域限制，与非邻近省份建立了空间关联关系。如2018年地处东北部的黑龙江省与东部的山东省和中部的山西省均建立了联系。另一方面，部分省份呈现出关联越来越复杂的变化趋势，如黑龙江省在2000—2018年间，与其有关联的省份数（度数）从3个省增长为4个省直到增长为8个省。但也有部分省份关联数逐渐减少，如山东省在2000—2018年间，与其具有关联的省份数（度数）从15减少到11。这种变化趋势与我国近些年的农业发展是息息相关的。自2001年中国加入WTO组织之后，中国的农业和农产品开始受到农业强国的冲击，各省为了保持自身农产品的竞争优势，当其自给能力较弱时，会与其他省份建立联结，借力于其他省份以提升自身的农业全要素生产率。而自2006年取消农业税后，农业负担减轻，一些农业大省自身发展极具活力，有能力逐渐摆脱对其他省份的依赖，所以存在随着时间的增长关联数逐渐减少的现象。

从网络密度来看，两阶段的网络密度均小于0.25，农业全要素生产率的空间关联程度较低。中国农业全要素生产率空间关联网络的网络密度呈现波动趋势，大体呈现先降后升趋势，如图3所示。在2000—2011年间，空间关联网络的网络密度虽然呈现小部分波动，但总体处于平稳状态，略微下降。2011—2016年基本处于大幅度下降期，2016—2018年逐步上升。究其原因，这与中国近20年来对农业的补贴等刺激政策颁布息息相关。当中国粮食直补、临时收储等利好政策颁布实施时，由于政策补贴的增多，各省份农业生产力的提高，各省份农业对外的依赖性降低。而2016年后中国取消了临时收储等政策，中国农业供给侧改革正式拉开帷幕。农民积极性的临时性缩减、农资经销企业遭受考验等问题，使得各省份的农业不再独立发展，重新建立关联，其农业全要素生产率的关联性渐增，这也符合中国农业生产要素全国配置的政策指导方针。

图3 2000—2018年农业全要素生产率空间关联网络的网络密度Fig. 3 Network density of the spatial correlation network of China’s agricultural TFP from 2000 to 2018

从网络关联性来看，Ucinet计算得出，2000—2018年的网络关联度均为1，表明中国农业全要素生产率各省市自治区之间的联系十分紧密，并具有空间关联和空间溢出效应；不同于工业空间关联网络等级度一直下降的发展趋势[18]，农业全要素生产率空间关联网络的网络等级度是具有波动性的，其在2005—2006年有一个高速的增长，2007年以后呈下降走势。这是由于2006年中国在全国范围内取消农业税，各区域之间的联系减弱，网络等级度增强。经过2006—2007年的平稳期，2007年以后，相对森严的农业全要素生产率空间关联结构逐渐被打破，省际农业全要素生产率之间的相互联系和相互影响逐步增强；此外，作为测度网络关联性的指标之一的网络效率，呈先增长后降低的趋势，由此可见，农业全要素生产率的空间关联网络稳定性呈现由弱至强的趋势（图4）。

图4 2000—2018年农业全要素生产率空间关联网络的网络等级度Fig. 4 Network hierarchy the spatial correlation network of China’s agricultural TFP from 2000 to 2018

2.3 局部网络特征分析

为了进一步了解中国农业全要素生产率空间关联网络的局部网络特征，以及各地区在该网络中的作用，本文基于2018年农业全要素生产率的空间关联关系，运用UCINET中的CONCOR方法，设置最大分割深度为2、集中标准为0.2，划分结果如表2所示。由表2可知，板块I双向溢出板块主要集中在环渤海、京津冀和东北地区；板块II净受益板块主要集中在西部地区；板块III净溢出板块主要集中在华东和部分中南地区；板块IV“经纪人”板块主要集中在华南和西南地区。

在明确了板块分布的基础上，运用网络模块的评价方法对中国农业全要素生产率空间关联网络的总体关联关系和四大板块位置进行判断，如表3所示。从总体关联关系来看，中国农业全要素生产率空间关联网络中共存在226个关联关系，而版块自身内部的关联关系为141个，板块和板块之间的关联关系有85个。板块内部的关系数远大于板块与外部板块之间的关联数，这说明板块之间的农业全要素生产率具有集聚特征，但各个板块间的空间关联效应相对较弱。从四个板块看，板块I到IV分别为双向溢出板块、净受益板块、净溢出板块和“经纪人”板块（Brokers）。其中，第I板块内部溢出关系数为52，对板块外的溢出关系数为22，板块内外均产生了较多的联系；第II板块发出的关系数远远小于其接收的关系数，受益较多；第III板块对板块外发出的关系远大于接收的关系数，其对其他板块产生了较多溢出效应，而接受其他板块的溢出则较少。第IV板块对板块外部的溢出关系数为18，对板块外部接受关系数为23，其在接受其他板块溢出效应的同时，也对其他板块进行溢出，扮演着中介和桥梁的角色。

表2 中国农业全要素生产率空间关联网络的板块分布Table 2 Regional distribution of the spatial correlation network of China’s agricultural TFP

为了刻画各个板块之间的溢出关系和传递机制，本文根据各个板块的密度矩阵及像矩阵，绘制了四大板块之间的关联关系图，如图5所示。由表4和图5可知，板块III为板块IV注入了农业生产的要素和动能，而板块IV则充当着中介的作用，将农业生产的动能传递给板块II。由此可见，华东地区和部分中南地区省市的农业要素流动到了华南和西南地区，华南和西南地区在满足自身农业需求的基础上，将农业全要素生产率提升的动能传递给了西部欠发达地区，同时环渤海、京津冀和东北地区的农业生产要素也流入西部地区，这为中国西部农业发展提供了保障，西部地区是中国农业全要素生产率空间关联网络的净受益者，获得了较高的关联性受益。这与工业空间关联网络完全相反，中国农业全要素生产率空间关联网络的净受益板块不在位于长三角等经济发达地区，而是处于西部欠发达地区。这也符合中国农业的整体发展需求，即由于西部地区农业农村经济占比较高，但发展仍相对滞后，通过其他省份农业发展的带动，实现西部农业的发展。

表3 中国农业全要素生产率空间关联网络的板块溢出效应Table 3 Regional spillover effects of the spatial association network of China’s agricultural TFP

表4 密度矩阵和像矩阵Table 4 Density matrix and image matrix

2.4 个体网络结构特征分析

为确定2000—2018年各省市在农业全要素生产率空间关联网络中的位置和作用，本文对该网络进行了中心性分析。由于数据较多，为节省篇幅，将2018年的中心性分析截面数据测度结果列于表5。

2.4.1 点度中心度 根据2018年中国农业全要素生产率空间关联网络点度中心度的测度结果，湖北、内蒙古、陕西、河南和湖南等地区点度中心度较高，在农业全要素生产率空间关联网络中与其他省份的关系较多；吉林、青海、海南、浙江和上海等地区在点度中心度较低，与其他省份的关系较少。此外，华中地区的点度中心度普遍较高，华北地区和大部分西部地区普遍点度中心度较低，地域差异较为明显。

综合2018年和2010年两年的截面数据，从出度来看，湖北省的出度最高，在全国范围内，湖北省对其他省市的溢出效应最高。河北、山西、内蒙古、黑龙江、江苏、安徽、江西、河南、湖南、广西点出度较高，均高于全国平均值，对其他省市的溢出效应较明显；除此之外，点入度高于点出度的省市分为两类。一类是国家大力扶持的西部地区，如西藏、宁夏和新疆等省份，资源向西部地区倾斜

图5 中国农业全要素生产率空间关联网络的板块关系Fig. 5 Regional relationship of the spatial correlation network of China’s agricultural TFP

也符合中国目前的经济发展现状。另一类是经济发达地区，如北京、天津、上海、浙江和福建省，这些省份在农业全要素生产率空间关联网络中受益较多，吸收了其他地区的资源。值得一提的是，山东省2000—2018年的出入度一直在变化，出度逐渐减少，入度逐渐增加，这标示着山东省已从过去的绝对溢出者变为如今的受益者。这是由于山东省农业发展较早，耕地面积较大，适合规模化种植，其农业从业人员数量多，种植技术先进，在农业总体规模和现代化水平等方面均占据优势地位，能够带动关联区域的农业发展。近年来，山东面临着农村人口庞大，生态压力剧增和人多地少矛盾突出的不平衡态势，其空间溢出效应减弱，已逐渐作为受益者接受其他关联区域的带动和要素传递。

2.4.2 中介中心度与接近中心度 中介中心度较高的地区依次是湖北、内蒙古、山东和河南。这说明这些省份在农业全要素生产率空间关联网络中处于核心地位，而且还具有“桥梁”和“中介”的作用，对农业全要素生产率空间关联网络中的资源和要素具有控制权。而吉林、海南、浙江、上海等地区中介中心度均为0，处于农业全要素生产率空间关联网络的边缘地位，对资源的控制权极低，与其他省份建立关联大多需要借助农业发展较好的省份的中介作用。此外，2018年农业全要素生产率空间关联网络的中介中心度排名前10位省份的中介中心度之和占了总量的72%以上，这些省份对农业全要素生产率空间关联网络起到绝对的支配作用。接近中心度的测度结果与中介中心度类似，湖北、内蒙古、陕西和河南与其他地区的“距离”较短，在网络中扮演着中心行动者的角色，拥有较强的获得农业资本的能力和较高的农业全要素生产率。而吉林、天津、海南、浙江和上海等地与其他省份的“距离”较远，扮演着边缘行动者的角色，获得农业资源的能力较弱，不利于其在农业全要素生产率空间关联网络中获益。

综合来看，湖北、内蒙古、河南、山东和陕西在中国农业全要素生产率的空间关联网络中处于绝对核心位置，在网络中的地位较高，对农业生产要素的支配作用较强；吉林、海南、青海、天津和上海等在网络中处于绝对边缘位置，在农业生产合作中处于被动地位。

3 中国农业全要素生产率空间关联性的驱动因素分析

为了进一步揭示中国农业全要素生产率空间关联关系和溢出路径的形成机制，本文将对中国农业全要素生产率空间关联网络的驱动因素进行分析，为各地区因地制宜地调整农业发展政策提供理论指导。

3.1 变量的选取与模型建立

中国农业全要素生产率空间关联网络是多种因素综合驱动的结果。通过梳理文献可知，首先，农业全要素生产率的空间关联强度与地理距离是显著相关的，地理距离近的省份之间可能表现出更多的农业全要素生产率外溢关系。其次，研究指出，地理事物的空间分异也受到经济社会和自然环境等因素的影响，由此推断农业全要素生产率的空间关联性可能与地区经济发展方式的差异大小有关，农业经济发展水平可从农业规模、农业结构、农业要素投入与农业要素产出四个方面展现。最后，农业政策是农业现代化发展的保障，政府支持力度的不同可能驱动不同区域之间农业全要素生产率的关联程度，本文将政府支持力度纳入中国农业全要素生产率空间关联网络驱动因素的考虑范畴。据此，提出以下假设：

表5 2018年中国农业全要素生产率空间关联网络的中心性分析Table 5 Centrality analysis of the spatial correlation network of China’s agricultural TFP in 2018

假设1：农业规模差异能够显著影响中国农业全要素生产率的空间关联性；

假设2：农业结构差异能够显著影响中国农业全要素生产率的空间关联性；

假设3：农业要素投入水平差异能够显著影响中国农业全要素生产率的空间关联性；

假设4：农业要素产出水平差异能够显著影响中国农业全要素生产率的空间关联性；

假设5：自然环境差异能够显著影响中国农业全要素生产率的空间关联性；

假设6：地理邻接关系能够显著影响中国农业全要素生产率的空间关联性；

假设7：政府支持力度差异能够显著影响中国农业全要素生产率的空间关联性。

为验证各假设，本文选用QAP回归分析法。设因变量为中国农业全要素生产率的空间关联性，其主要受到5个驱动因子组7个驱动因素的影响，即自变量为农业经济发展水平、自然环境、地理邻接关系、农业结构和政府支持力度。根据回归分析模型，建立因变量RA和自变量G、J、R、C、Z、D和F之间的关系函数，可建立模型如下：

式中：f(x)是指回归分析函数，G为农业规模差异，J为农业结构差异，R为要素投入水平差异，C为要素产出水平差异，Z为农业成灾率差异，D为地理邻接关系，F为财政支农支出差异，RA为农业全要素生产率的空间关联性。各变量的具体测度方法如表6所示。

3.2 中国农业全要素生产率空间关联性驱动因素的回归分析

相关性分析是回归分析的基础。因此，运用QAP法对空间关联矩阵与驱动因素之间的相关性进行分析，结果如表7所示。相关性分析结果表明，自然环境农业成灾率差异和农业要素投入水平的显著性水平大于10%，没有通过显著性检验，表明自然环境、农业要素投入水平与中国农业全要素生产率空间关联性不相关，即假设3和5不成立。除此之外，农业规模差异在5%的水平上显著，农业结构差异、农业要素产出水平差异、地理邻接关系和财政支农支出差异在1%的水平上显著，即假设1、2、4、6和7均成立。

选取与中国农业全要素生产率空间关联性显著相关的驱动因素作为解释变量，进行QAP回归分析。回归分析结果的判定系数R2是0.347，在1%的水平上显著。回归分析结果如表8所示。回归分析结果表明，对农业全要素生产率空间关联性无影响的因素是农业规模差异，其显著性概率大于0.05，农业规模的差异不能显著影响农业全要素生产率空间网络关联性的强弱。对农业全要素生产率空间关联性具有正向影响的驱动因素为地理邻接关系，其标准化回归系数分别为0.520 1，并且在1%的水平上显著，因此，地理的邻接能够增强中国农业全要素生产率的空间关联性。对农业全要素生产率空间关联性具有负向影响的驱动因素为农业结构差异、要素产出水平差异和政府支持力度，其标准化系数分别为-0.146 7、-0.066 6和-0.063 4，均在1%和5%水平上显著，即农业结构、要素产出水平和政府支持力度的差异阻碍了区域间农业全要素生产率空间网络关系的建立。因此，农业结构、要素产出水平和政府支持力度的差异越小，中国农业全要素生产率空间关联网络关联性越强。从农业结构因素来看，负向影响的原因可能是由于农业结构的不同影响了劳动和资本的省际流动，降低了模仿学习效应；从要素产出水平来看，过高的要素产出水平差异可能会对邻近地区的生产要素产生竞争和稀释效应，从而影响了二者的空间关联性；从政府支持力度来看，政府支持力度的增加会使各省域具有充足的资本和要素用于自身农业发展，从而使其降低对关联省份的依赖，进而降低区域之间的空间关联性。

表 6 中国农业全要素生产率空间关联网络的驱动因素测度指标Table 6 Indicators for measuring the driving factors of the spatial correlation network of China’s agricultural TFP

表7 相关性分析结果Table 7 Correlation analysis results

表8 回归分析结果Table 8 Regression analysis results

4 结论与政策启示

4.1 研究结论

1）中国农业全要素生产率存在十分明显的空间关联和溢出效应，且空间关联网络连通效果很好。网络密度随农业政策的颁布呈现波动趋势，省际农业全要素生产率之间的相互联系和相互影响逐步增强，空间关联网络稳定性呈现由弱至强的趋势。

2）中国农业全要素生产率空间关联网络存在明显的集聚特征，各个板块间的空间关联效应相对较弱。华东地区和部分中南地区省市的农业要素流动到了华南和西南地区，华南和西南地区又将农业全要素生产率提升的动能传递给了西部欠发达地区，同时环渤海、京津冀和东北地区的农业生产要素也流入西部地区，西部地区是中国农业全要素生产率空间关联网络的净受益者。

3）湖北、内蒙古、河南、山东和陕西在中国农业全要素生产率的空间关联网络中处于绝对核心位置，在网络中的地位较高，对农业生产要素的支配作用较强；吉林、海南、青海、天津和上海等地区在网络中处于绝对边缘位置，在农业生产合作中处于被动地位。

4）对农业全要素生产率空间关联性具有正向影响的驱动因素为地理邻接关系，对农业全要素生产率空间关联性具有负向影响的驱动因素为农业结构差异、要素产出水平差异和政府支持力度。

4.2 政策启示

1）目前中国农业全要素生产率空间关联网络呈现紧密化的演变趋势，政府应在顺应这一趋势的基础上，将进一步破除地区壁垒作为下一步农业改革的重点。通过加快推进市场体系建设，减少行政指令导致的要素流动壁垒，并运用市场机制加强省域联系，推动农业生产要素的省际流动，加速农业全要素生产率网络紧密化的演变趋势，进而实现中国农业全要素生产率的区域联动和协同提高。

2）充分认识各板块的功能以及各地区在农业全要素生产率空间关联网络中的位置与角色，以定向调控、精准调控为原则，制定针对性的区域农业发展政策。对于核心区域，要使科技进步成为推动农业全要素生产率增长的动力源，应继续优化核心区域农业科研制度，完善农业推广体系，释放科技创新潜能。对于边缘区域，一方面需给予边缘区域如西部地区大量的资金支持，保障农业从业人员的福利待遇；一方面，应建立帮扶机制，加强核心区域优秀农业科技人员和技术向边缘区域的流动，通过农业科技人员的互动交流，对边缘区域基层农业生产者进行技术培训，边缘区域进行借鉴消化吸收。在此基础上，建立区域之间的反馈机制，构建高质量区域协同发展评价体系。

3）对于地理邻接地区，需加强和维护邻接地区的合作与交流，并顺应如“京津冀现代农业协同发展”等区域农业发展战略，构建邻接地区的农业协同发展网络。对于农业结构、要素产出水平和政府支持力度差异大的区域，应建立跨区域农业协同发展平台，通过平台中各“经纪人板块”中的中介区域与其他优势省份建立空间关联，从而实现农业要素资源跨区域的流动、共享和整合。

本文在一定意义上揭示了中国农业全要素生产率空间关联网络的网络结构特征与驱动因素，为管理者制定政策及提高农业全要素生产率提供了一定的参考依据。当然，本文中还有很多内容有待进一步深入探讨。比如，能否运用其他方法如复杂网络思想方法，以便更全面的分析中国农业全要素生产率的空间网络结构等。