智慧农业政策对农业生态效率的影响研究

岳立肖飒

(1.兰州大学县域经济发展研究院，甘肃 兰州 730000；2.兰州大学经济学院，甘肃 兰州 730000)

2019年1月3号，中共中央、国务院发布规范性文件《关于坚持农业农村优先发展做好“三农”工作的若干意见》[1]，提出做好“三农”工作对打赢脱贫攻坚战具有重要意义，且全文将“绿色”一词提及5次，除微观的“绿色”、“农产品”和“投入品”外，宏观政策层面的“农业绿色发展”词组占3次，足以证明农业绿色发展的重要性。而纳入环境因素的农业绿色全要素生产率，即农业生态效率，便是量化农业绿色发展的重要方式，可以避免没有环境资源约束导致的农业绿色发展绩效虚高[2]。而智慧农业政策的目标是环境效益和经济效益的双赢，在现如今的农业生产中起到举足轻重的作用，理论上可以显著提高农业生态效率。本文以此为契机，对全国各省域的农业生态效率进行评测与剖析，对农业生态效率受政策影响的净效应加以量化，以此助力我国向绿色农业大国的蜕变，构筑经济高质量发展的新路径。现有研究无论是从农业生态效率的测度方面还是应用方面都硕果累累，但对智慧农业政策如何影响农业绿色生态效率探讨不足。因此，本文拟以智慧农业政策的大规模实施为背景，利用DEA-SBM模型方向距离函数的GML指数测算近些年来我国各省份的农业生态效率，采用双重差分方法度量智慧农业政策对农业生态效率的作用强度，助力农业绿色发展。

1 模型构建

1.1 农业生态效率的测算

农业生态效率反映着绿色农业发展的着力点和质量，是发展绿色农业的重要参考。正如文献综述中所阐明，在DEA模型的分析与应用中，通常都需要对效率的影响因素进行更加深入的分析，但因效率值最大为1，经常被认为是截尾数据，所以现有文献中多采用Tobit回归模型进行后续计量[3]。但超效率不存在效率值的“截尾”，因此可替代普通效率模型和Tobit模型的联用。而单纯依靠GML指数也会因有径向和角度问题而产生数据分析上的偏差。计算基于SBM超效率模型的GML指数，以此衡量农业生态效率。我们要测量m个决策单元(DMU)的效率，记为DMUj，每个DMU有n种投入，记为xi，期望产出和非期望产出分别记为y和b，包含非期望产出的SBM超效率模型可表示为：

λ,s-,s+≥0;

i=1,2,…,n;r=1,2,…,q;j=1,2,…,m(j≠k)

参考欧(Oh)构建的GML指数方法可构建：

式中，TEt为时间t的技术效率的度量；ECt,t+1为追赶效率，用来反映DMU从t到t+1期迫近最佳前沿面的变化程度，EC大于1表明效率增加，EC小于1则说明效率有所下降，表明正在赶超(落后于)同时代的基准技术前沿；TCt,t+1衡量同一时期的技术前沿向全局技术前沿面转移的程度，TCt,t+1>1(<1)表示技术进步(退步)。

本文根据现有研究及数据的可得性，投入指标方面，对于农业劳动力指标，本文确定以乡村人口数作为表征；能源投入采取农村用电量表征；资源投入采取农村用水量表征；土地投入采取农作物总播种面积表征。产出指标方面，期望产出选取农业总产值，而非期望产出方面，即农业中有机或无机的污染物通过地表径流、渗透等方式对水体的分散污染，选取COD对农业的水污染进行表征，而空气污染则用二氧化硫排放量近似量化。

1.2 双重差分

本文以探讨智慧农业政策如何作用农业生态效率为主，以分析其它重要因素的影响为辅，全方位多角度地诠释智慧农业政策在农业绿色发展的效应强度和作用结果。利用已有文献和前文对“智慧农业”的界定，总结出“大数据+农业”、“互联网+农业”、“科技+农业”等关键词，在一个专业的中国法律法规检索系统——“法律之星”网站进行检索判别，发现2014年农业部、国务院相继发布了智慧农业相关政策，又因政策具有时滞性，本文便以2015年为时间分割点，采取多期DID方法，将所有还没有实施智慧农业政策的省份作为控制组，将已经实施政策的省份作为实验组。DID交互项是2个虚拟变量的乘积——Treated(是否实施了政策)和Time(实施政策的时间)，其等于1的情况是该省份在具体某年实施了政策，且在该年之前的省份交互项等于0，即允许每个省都有自己的政策实施时间，以使模型实证结果及政策建议更有说服力。

结合已有研究及实际情况，农业绿色发展驱动力除了政策支持，还应该有经济发展水平、农业高等教育水平、农业科技水平、农业机械化水平和农业产业化水平等因素，相应的指标选择如下：经济发展水平，选取样本中各地区的GDP作为代理变量；农业科技水平，选取各地区农业气象观测业务站点个数进行衡量；农业高等教育水平，选取包括高等教育成人本、专科及以上水平人口数；农业机械化水平，选取各地区农村农户固定资产投资额；农业产业化水平，借鉴柴军的思想并考虑数据可得性，利用农业增加值指数与工业增加值指数的比值进行衡量。所以可建立DID模型：

Yit=β0+β1Treati×Periodt+β2Treati+ΦPeriodt+Xit+λt+εit

为了保证数据趋势平稳，且减少异方差的影响，所有指标取对数。式中，Yit为农业生态效率的对数，即以农业劳动力、农耕面积、农业用水用电量等为投入，农业总产值、污水、废气排放量为产出，利用DEA求得的超效率值的对数；Treati×Periodt为是否实验组和在2015年前或年后的虚拟变量交互项；β1为要考察的政策效应；Xi为一系列控制变量的对数值,包括其它与政策无关但影响Y的因素：GDP、高等教育人口数、农业自动气象站个数、农村农户固定资产投资额等取对数后的值。λt为时间固定效应，加入时间固定效应可剔除趋势值数据和极特殊不稳定数据，还可以一定程度上解决由于遗漏变量引致的内生性问题。εit为误差项。数据均来源于2009—2019年《中国统计年鉴》、《中国农村统计年鉴》、《中国教育统计年鉴》和《中国环境统计年鉴》等，由于港澳台数据缺失，故未包含于实证分析中。

2 智慧农业政策对农业生态效率的影响

2.1 基准实证

基准实证部分分析智慧农业政策对各省份农业生态效率的处理效应，随后依次引入各控制变量，控制变量的引入不会影响DID分析的一致性，但可以提高估计精确度(表1)。在控制其它效应不变的情况下,在控制时间固定效应的前提下，交互项系数为正且在1%水平上显著，并且这个结果在加入控制变量后依旧成立，加入前后的政策效应分别达到0.138、0.114，这表明中国各省实施智慧农业政策后,与未实施智慧农业政策前相比，农业生态效率显著提升。其中，经济发展水平(LnGDP)的系数几乎全部显著为正，经济表现状况越佳，农业生产的投入越会包含更多的技术含量，作为期望产出的农业总产值会越高，技术革新下的非期望产出会越少；农业科技水平(Lnnum)对农业生态效率的作用均不显著，但对农业技术进步的作用均显著为正，借鉴索洛模型相关理论，可验证农业需要加大科技投入来扩大技术溢出，鼓励技术进步，从而保证农业从业人员收入的稳步增长；农业高等教育水平(Lnedu)的系数也符合预期，即人才教育程度的提升会提高农业生态效率与技术进步。

表1 智慧农业政策对农业生态效率的影响

3 结论与建议

本文基于全国省级2009—2019年的农业相关面板数据,运用非径向、非角度SBM超效率模型测算我国农业绿色效率变化，将农业污染排放纳入GML指数框架中对农业生态效率加以测量，并采取双重差分的分析方法,探讨了智慧农业政策对农业绿色效率的影响。研究发现:我国大部分省份的农业生态效率增长主要依靠技术进步的驱动，技术效率仍属于短板。智慧农业政策对农业绿色发展具有明显的促进作用，本文通过可靠数据和基准实证的支持,验证了智慧农业对农业绿色发展的推动作用,肯定了智慧农业政策的正确性和有效性。

基于上述结论，本文认为我国在推动绿色农业发展方面，要关注绿色技术进步,强化绿色技术效率，加强政府对农业的扶持作用，逐步把技术创新作为提升农业生态效率的根本动力。提高农产品的科技含量和产出成效，利用技术创新来优化要素投入，改善农业生态环境。尊重各地农业发展的客观规律，在承认发展差异的前提下进行农业政策的推行与创新。释放农业生态效应，将农业生产、资源支撑和环境改善结合起来，保全绿水青山。