中国大豆全要素生产率测算及其区域差异分析

杨雨辰 向华丽

摘 要：本文的主要目的是，通过测算中国大豆的全要素生产率，从而研究其区域差异，为如何提高我国大豆生产效率，缩小大豆产区间差异，增强大豆产业国际竞争力提供理论依据。基于中国三大流域的14个省2004—2018年的大豆投入产出数据，采用Malmquist指数法和Hicks-Moorsteen指数法比较的方法，分析我国大豆全要素生产率的变化，并利用变异指数、广义熵、基尼系数三项反映区域差异的指标，探究不同禀赋区域的差异。分析结果表明，2004—2018年期间，大豆全要素生产率总体呈下降趋势， 年均损失为1.5%—1.6%，同时大豆全要素生产率动态走势呈阶段性特征， 并在此基础上体现出Hicks-Moorsteen指数法的完备性。另外就三个区域而言，长江流域的大豆全要素生产率有所增加，而黄河流域和松辽流域却均出现负增长，并且三大流域大豆全要素生产率不均等的原因主要源于三大流域之间的差异和松辽流域省内的差距。总的来说，中国的大豆全要素生产率呈现显著的时序特征，三大流域间大豆全要素生产率存在明显差异。在新时期下振兴大豆产业应该增设大豆优质生产区，弥补大豆产业的发展短板，提升豆农的人资专业化水平，以期增强我国大豆产业的综合发展水平。

关键词：大豆全要素生产率;区域差异;三大流域;Malmquist指数法;Hicks-Moorsteen指数法

一、引言

三农问题一直是党和国家关注的焦点，尤其是在全面推进农业供给侧结构性改革阶段，努力提升我国农业全要素生产率是实现农业全面振兴的重要一步，同时也是全面推进农业现代化的必由之路。粮食生产构成农业的基础，它一直是农业生产中最为核心的组成部分。近年来，国家逐渐加大了对大豆这一粮食作物的重视程度，中央“一号文件”多次明确指出需要加大支持大豆高产品种和大豆产业新农艺推广的力度，对大豆产业实施振兴计划。此外，大豆作为我国重要粮食作物之一，对于人民日常生活以及农业产业的发展均有独一无二的作用。然而，总结我国大豆产业的发展过程不难看出，虽然我国是大豆原产国，且有着数千年的大豆种植史，但是如今我国大豆进口的依赖程度高达80%。根据国家统计局官网的数据显示，2019年我国大豆产量仅为1810万吨，而大豆需求量为7041万吨，占世界消费量比重约30%，为了满足这7041万吨的大豆消费量，需要从国外进口5231万吨大豆，数据表明我国对大豆的强劲需求并没有促进大豆产业的发展，反倒加剧了大豆产业的对外依赖度，这一现象严重威胁我国大豆产业的安全。根据大豆品种特性和耕作制度的不同，中国大豆生产集中为三个主产区：黄淮流域的夏大豆区;长江流域的春、夏大豆区;松辽流域的春大豆区。其中，东北春播大豆和黄淮海夏播大豆是中国大豆种植面积最大、产量最高的两个地区，但是现阶段我国大豆产业的发展出现地区不平衡现象，并且我国大豆单产、种植面积、生产技术均呈波动变动态势，总体上没有显著的提升。由于我国耕地土地有限，这样大豆的生产效率不仅关系到大豆的产量，还与农业产业结构、农民收入水平、农业环境污染等诸多问题息息相关，仅仅大量增加生产要素投入数量已经无法达到农业现代化的生产需求。在我国农业转型升级的背景下，大豆生产不能一味盲目地追求年度高产量，而是要确保产能稳定，保证协调的投入与产出比。因此，在提高我国大豆全要素生产率的同时缩小地区差异，可为实现大豆产业持续化发展提供借鉴，同时对于振兴我国大豆产业具有重要意义。

对全要素生产率提升的研究不仅能够探究产业增长的来源，而且可以明确产业提升的方向。因此，国内外一些学者加大了对全要素生产率的研究，现已有大量文献探究农业全要素生产率的测算及其增长，早期学者度量农业全要素生产率方法主要包括代数指数法、随机前沿分析法，现阶段主要采用数据包络分析模型或DEA模型分析中国农业生产率的变化。对于大豆全要素生产率测算及其增长的研究，现有的文献中采用Malmquist TFP指数法最为普遍，王亚君等采用DEA-Malmquist 指数法，测算大豆生产的综合效率、技术效率和规模效率，其中技术效率年均损失0.4%。李碧芳运用DEA-Malmquist分析了我国大豆全要素生产效率的现状。关于农业全要素生产率区域差异的研究，赫国胜等基于省级动态面板，基于我国东部、西部和中部的地理和历史条件的不同，比较分析了各地区农业全要素生产率的不同。向云指出长江流域种植业的差异主要表现为生产结构内部的差异。

现有的研究大都集中于农业这一总体概念，较少有文献细化到大豆全要素生产率在时间和空间维度的差异，并且迄今学者们对于全要素生产率测算方法有待进一步深入，因此本文引用Malmquist指数法和Hicks-Moorsteen指数法对比的方法，测算我国大豆的全要素生产率，在此基础上引用三项反映区域差异的指标，就我国长江流域、黄河流域、松辽流域三大区域，研究大豆全要素生产率的区域差异，使结果更具有全面性和说服力。

在农业供给侧改革的大背景下，大豆作为中国贸易自由化程度较高的农产品之一，关乎农业现代化进程。因此，本文以区域经济为研究视角，结合前人的研究成果，探析2004—2018年三大流域的大豆全要素生产率的变化趋势及区域间的差异，以期为我国大豆产业持续健康发展提供理论参考。

二、研究方法与数据说明

（一）研究方法

1. 大豆全要素生产率（TFP）指数分解

全要素生产率（Total Factor Productivity，TFP），TFP（下文简称TFP）既是研究经济增长来源的重要工具，也是衡量经济发展效益和质量的重要指标，是西方宏观经济学的重要概念，尤其为国家政府颁布长期持续发展政策提供重要依据。大豆全要素生产率是指综合考虑各个生产要素，全方位的反映大豆的生产效率，与大豆要素生产率区分开来。实际上大豆全要素生产率是结构升级、技术升级、管理模式改善等的綜合能力。任何生产率的综合事实上就是全要素生产率。大豆全要素生产率的定义可表示为：

（2-1）式表示为第t期到第i期大豆产出增长率与大豆投入增长率之比，表达式中Y表示大豆生产的产出，X代表大豆生产的投入，即描述了大豆生产投入与产出的关系。

2. Malmquist指数法和Hicks-Moorsteen指数法

为了精确量化大豆全要素生产率，本文在前人研究的基础上，引用Malmquist指数法和Hicks-Moorsteen指数法比较衡量不同时期大豆全要素生产率变化。

Malmquist指数法是利用面板数据考察大豆产业生产效率的变动，进一步分解TFP值并进行分析，其将TFP值分解为技术效率和技术进步效率，技术效率又分解为规模效率和纯技术效率，以用来研究不同时期大豆全要素生产率的变动，若以t期为基期，则 Malmquist指数可由以下公式表示：

从上式可以看出，理论上Hicks-Moorsteen指数法具有乘积完备性，即将大豆全要素分解为四个指数，分别为技术变化指数、技术效率变化指数、混合效率变化指数（Mixed Efficiency Change Index， HEFI），其中混合效率变换指数有包含剩余规模效率（ROSE）变化指数，其对TFP的分解更为彻底。

（二）数据说明

1.数据来源

鉴于2004年我国成为世界上最大的大豆进口国这一阶段性的转变，本文采用的面板数据为2004年到2018年的大豆投入和产出数据。另外，为了达到全面反映农业国际化以来我国大豆全要素生产率的变化程度，同时，鉴于样本的可取性，本文选取了中国三大流域的主要大豆主产省份作为样本省份，即以江苏、湖北、重庆、安徽、云南为代表的长江流域，以河南、山东、河北、山西、内蒙古、陕西为代表的黄河流域，以黑龙江、吉林、辽宁为代表的松辽流域。所选取样点区的大豆年均产量情况如表1所示，本文所选取数据均来自《中国统计年鉴》 《中国农村统计年鉴》 《全国农产品成本收益资料汇编》《中国农业机械工业统计年鉴》以及各省份的统计年鉴。

根据大豆品种特性和耕作制度的不同，将我国区域划分为长江流域、黄河流域以及松辽流域，从地域看样本区自南向北分布，由于所選取的区域气温分布广泛以及大豆种类众多，涵盖我国大部分大豆生产区域，因而能够较全面地代表我国大豆产业的发展情况。

表1显示，黑龙江作为我国大豆的主要种植区，其大豆的产量在全国的各个省份中名列前茅。内蒙古自治区拥有后发优势，排在第二位。在长江流域中，则是安徽省的大豆产量遥遥领先。从三大流域的各省产量中，可以看出松辽流域中大豆的产量主要集中在黑龙江省，省内大豆产量的差距巨大。而黄河流域和长江流域中各省的产量分布较为平均，没有出现松辽流域中产量分布极端不平衡的现象。从表1中的数据可以进一步看出，我国松辽流域2004年到2018年大豆年均产量远高于其他两个区域，这样在长江流域基础数据偏高的情况下，随着时间的推移，可以预见我国各区域大豆产业的发展差距会不断扩大。

2.变量选取

本文参考彭甲超等的处理方法，依据大豆产业生产情况选取变量。本文选取的大豆投入产出指标的定义如表2所示，各变量的描述统计见表3。

由于本文将大豆总产值作为产出指标，其中包含其他粮食作物价格因素的作用，即存在在其他条件不变的情况下会因为价格变化而引起大豆全要素生产率变动，故需要剔除大豆总产值中价格因素的影响，避免产生偏差。本文主要引用因素分解的方法，首先计算大豆产业总产值增长中各影响因素的贡献概率，然后排除其中大豆总产值变化中因其他粮食品种价格变动的部分。

从表3可以看出，中国这14省中，大豆平均产量处于偏低的态势，然而机械费却相对较高，这一数据表明我国对于大豆产业的技术投入程度较高。但是受土地成本和灌溉率等指标的约束，全国大豆平均产量呈现较低的水平。然而若能够在大豆种植的科技技术方面下功夫，我国大豆产业产量还有很大的增产空间。

三、结果与分析

（一） 大豆TFP变化及时间趋势

下文将选取2004年至2018年大豆投入产出的面板数据，分别采用Malmquist TFP指数法和Hicks-Moorsteen指数法测度2004年至2018年的中国大豆的全要素生产率，并对其进行分解，更进一步分析我国大豆全要素生产率的动态变化趋势。

从表4可以明显看出，Malmquist指数法测速得出：2004年至2018年间中国大豆TFP下降率为1.5%，当中技术变化效率提高3.2%，是缓解大豆全要素生产率继续下降的主要源泉。但是纯技术效率呈现下降趋势，负增长2.8%，约束了大豆TFP的增长。Hicks-Moorsteen指数法测算结果表明：TFP年均下降率为1.6%，当中技术变化效率提高6.2%，混合规模效率增加5.1%，而纯技术效率出现下降趋势，下降率为6.7%，使大豆TFP的增长受到制约。从结论可以看出：中国大豆TFP保持增长的重要原因在于技术进步。虽然2004年至2018年间大豆TFP值下降，但技术进步却缓解了这种态势，技术发展的激励作用也有效地阻止了其他效率下降对TFP带来的不良影响。这就表明中国大豆产业在技术创新方面推动了大豆产业的发展，可以有效地维持大豆TFP的增长速度。

无论是Hicks-Moorsteen指数法还是Malmquist指数法，它们的测度结果都显示中国大豆TFP增长表现出阶段性的特征，不同的指标的波动趋势也表现出相似性。以TFP指数具体数值为参考（如图1、图2 ），大致分为三个阶段：2004年—2007年、2008年—2011年、2012年—2018年。

2004年—2007年：在21世纪初期，大豆TFP增长的波动幅度较大，其中以2007年为最高点，如表4所示，两个指数测算出的TFP值增长分别为0.3%和0.4%。无论是Malmquist指数法测算出的技术效率，还是Hicks-Moorsteen指数法测度出的纯技术效率指数和混合规模效率指数，它们都呈现出上升的趋势，但是技术效率的激励作用明显低于混合规模效率。这一点仅仅在Hicks-Moorsteen指数法中得到体现。也就是说Malmquist指数法未能考虑大豆规模和产出结构的调整对TFP的积极影响。该阶段大豆TFP大幅度增加与农业国际化进程加快密切相关。在这个大背景下，农民的积极性得到提高，迎来了大豆TFP增长的黄金时段。

2008年—2011年：随着农业国际化进程的加快，此过程对大豆产业带来的负面影响逐渐凸显。主要表现为：大豆的进口量数倍增长，产量减少。这样就逐渐扩大了供求缺口。加之缺乏对大豆生产的补助性和支持性政策，使得豆农种植积极性不高，进一步导致我国大豆供给能力不断下降。国家在2008年首次将油籽、大豆归入临时收储的范围，对此进行托市收购，这样虽然促使大豆TFP在短时间内有所上涨，但却在2010—2011年突然下滑，导致总体的大豆TFP值下降，其原因在于国家以高于市场价格收购大豆，使得国产价格相较于进口大豆缺乏竞争力。如表4所示，在此期间Malmquist指数法测度的大豆TFP年均损失为5.8%，技术变化增长7.3%，纯技术效率出现负增长，主要来源于技术的进步。而Hicks-Moorsteen指数法测度的大豆TFP值只减少1.0%，其推动力归于混合规模效率正增长6.0%。

2012年—2018年：2012年以后，大豆产能的问题引起了中央政府的高度关注，政府相继出台了一系列振兴大豆产业的政策，如完善大豆生产者补贴政策、加强耕地轮作试点补助政策、加快大豆高标准农田建设等，这一系列措施极大地促进了大豆TFP的增长，大豆TFP持续回升。两个指数测算的TFP增长分别为1.4%和1%，技术变化和混合规模效率都出现正增长，且混合规模效率提高6%，可见混合规模效应的积极效应已经逐渐凸显。需要指出的是，在允许技术退步的情况下，用两种方法在计算大豆个别年份的技术变化值小于1，这种结果可以合理地解释为我国经济发展进程中可能出现的人才外流等现象。

通过对比Malmquist指数法和Hicks-Moorsteen指数法测算出的大豆TEP值以及其分解值，研究二者的关系。得出乘积完备的Hicks-Moorsteen指数法能够更好地测度和分解农业TFP， 同时更加全面地考虑到农业规模和生产结构的变化对TFP的影响即用混合效率的变化表示， 从而在一定程度上弥补Malmquist TFP指数测度可能出现的误差。

（二） 我国大豆全要素生产率区域差异分析

1. 三大流域大豆全要素生产率对比分析

自改革开放以来，随着我国农业产业结构的不断优化，农业技术装备水平的不断提高，我国农业基础得到了进一步的巩固，我国农业全要素生产率呈上升趋势，但是部分省份农业全要素生产率却明显低于全国平均水平，这表明我国农业全要素生产率存在区域差异。区域发展的不均衡现象是长期存在的一种动态过程。缩小区域发展差异需要更好地发挥全要素生产率提升在产业振兴中的重要性。大豆产业作为中国贸易自由化程度较高的农产品之一也不例外，全国大豆全要素生产率变化呈现显著的差异，表5为按照不同区域划分的大豆TFP值的测算与分解。

对于长江流域来说，从表5可以看出，Malmquist指数法测速的TFP有所提高，年均增长7.8%，而Hicks-Moorsteen指数法却测速出该地区的大豆TFP指数下降了1%，而且两个指数均测度出技术变化效率提高，分别为16.1%和6.9%。这就说明，技术进步是促进长江流域大豆稳健发展的主要原因，而混合规模效率却出现负增长，这也就约束了长江流域大豆产业的发展。可能的原因在于：我国长江流域地方政府更加注重大豆生产技术的研发与创新，该流域大部分地区的工业化发展水平呈现上升趋势且具有优秀的人才和先进的技术水平，促进了技术的提高，但该区域却忽略了对农业结构与规模调整这方面的协调，如长江上游地区不适合大规模的农业生产作业等。

对于黄河流域而言，黄河流域是中国重要的生态功能区，是实现国家粮食安全的重点区域。但在2004年至2018年间两指数测算出的大豆TFP值均有所下降，年均损失分别为3.9%和2.7%。虽然技术效率、混合规模效率都有所提升，但纯技术效率是引起全要素生产率下降的主要原因。主要源于黄河流域加强节约利用黄河水资源的力度，大力发挥黄河流域化肥农药减量效应，以此推进了该流域农业绿色发展进程，但与此同时却未优化大豆产业结構配置。

对于松辽流域而言，松辽流域是我国重要的粮食主产区，但其大豆全要素生产率却出现负增长，且是三大流域中全要素生产率最低的区域，然而技术效率和混合规模效率却均有所提升。可能的原因是，松辽流域作为我国重工业基地的摇篮有着较强的技术积累，粮食耕种技术较成熟，土地类型多为平原，有利于大机械化耕种作业。然而，由于水土严重流失这一自然劣势以及土地肥力下降，该区域遇到大豆产业发展的瓶颈期。

整体看来，长江流域相较于黄河流域和松辽流域大豆的TFP值有所增加，说明松辽流域作为我国主要的粮食产出区域并未充分发挥其作用。国家应多提高松辽、黄河流域大豆生产资源配置效率， 实现我国大豆生产的高产与高效的目标。

2.三大流域大豆全要素生产率差异结构性分析

在针对区域间差距的研究中，现有的研究多采用相对差距和绝对差距的方法进行分析。其中绝对差距包括分析平均值、标准差、方差等描述数据趋势的指标，相对差距方法主要包括变异指数（COV）、泰尔指数（Theil）、基尼系数（Gini）等衡量差异的指标。前者在描述区域差距的结构性特征时不够全面，后者却能够精确地描述地区差异结构性特征。

为了精准分析我国大豆全要素生产效率的地区差异结构性特征，本文将采取相对差距方法加以分析。所采用的指标为变异指数（COV）、广义熵（I）、基尼系数（Gini）用以度量大豆全要素生产率区域差异。令TFPit表示第i个省第t年大豆全要素生产率，n表示省份总数，表达式如下：

由于前文已经详细论述了Hicks-Moorsteen TFP指数法的完备性，故采用此方法测算的我国大豆全要素生产率对区域结构性差异进行分析。

如图3所示，研究分别采用了基尼系数、变异系数、广义熵描述了我国大豆全要素生产率地区间的差异。若这三个数据数值增大，则说明该年份我国大豆全要素生产率区域化差异扩大;若数值减少，则表明地区间的差异缩小。图3显示：2004年至2018年间我国大豆全要素生产率区域间差异总体上呈现缩小的趋势，除了个别年份波动异常外，区域差异大体趋于平衡，波动逐渐变小。样本年间波动趋势具体表现为：

2004年至2007年间我国大豆全要素生产率地区差异逐渐显著。主要原因为2004年我国大豆产业贸易地位由最大的大豆出口国向进口国的转变，由于对外贸易的不断加深，长江流域的国外资本投入水平和工业化程度总体高于黄河流域和松辽流域，这使得长江流域农业技术进步，其为大豆全要素生产率带来的正面效应是显著的，进一步拉大了三大流域之间的差距。

2008年至2015年间我国大豆全要素生产率区域差异波动较大。2008年我国大豆进口量的逐年攀升对我国本土大豆产业的发展造成了巨大威胁，削减了我国农民生产大豆的积极性。2014 年国家启动对大豆主产区目标价格补贴改革的政策，对促进主产区大豆生产、提高豆农生产积极性有重要意义。但这一政策却把重心放在了松辽流域这一粮食主产区，忽略了黄河流域与长江流域大豆产业的振兴。与此同时，诸如地震、雪灾等自然灾害对农业种植的影响作用显得尤为明显，尤其是自然灾害严重影响了长江流域以及黄河流域大豆的全要素生产率的提高，制约了两大流域大豆种植业的发展，这就造成了这一时期大豆全要素生产率区域差异有较大的起伏的结果。

2015年之后中国大豆全要素生产率区域差异趋于稳定，波动逐渐变小。2017年中央“一号文件”正式提出推进农业供给侧结构性改革的实施意见，调整农业产业生产结构与供给，使得粮食的供给效率提高。农业供给侧改革的重要指示对振兴大豆产业具有重要指导意义。

为了更加明确地分析我国大豆全要素生产率地区间的差异，本文进一步采用夏普利值分解法将我国大豆全要素生产率地区差异划分为三大流域之间地区差异、长江流域的区域内差异、黄河流域区域内差异以及松辽流域区域内差异。

以基尼系数的分解结果为例，通过分析差异贡献的变化，考察哪一区域内或者区域间的差异加剧了我国大豆全要素生产率的差别。从表6可以看出：我国大豆全要素生产率的不均等主要来源于三大流域之间差异和松辽流域省内的差距，其中，三大流域之间的差距呈现不断扩大的趋势，松辽流域省内差距波动较大且逐年增大，长江流域省内差异较小并且波动甚微，黄河流域省内间差距在逐年缓慢缩小。另外，三大流域之间大豆全要素生产率差异对我国大豆全要素生产率不均等贡献率大体上呈上升趋势，松辽流域省内间的差距贡献率大于黄河流域，而黄河流域贡献率又高于长江流域。

具体而言，三大流域之间的大豆全要素生产率由2004年的0.035扩大到2018年的0.080，扩大了近2.5倍。主要原因是三大流域间农业种植水平发展不均衡以及农业适龄劳动力人口迥异随着时间的推移地区间差异逐渐扩大。其中2005年到2010年间，三大流域之间大豆全要素生产率区域差异是逐渐缩小的，而在2011年后，区域间差异却在逐渐扩大，2018年大豆全要素生产率差距高达0.080，总体上看三大流域间大豆全要素生产率呈现出不断增大的趋势。就三大区域各省份内差异而言，松辽流域各省份间大豆全要素生产率虽然在个别年份差异波动较大，但总体呈增大趋势。2004年至2018年间差距由0.017扩大到0.048，扩大近3倍。在2007年前，松辽流域各省份之间的差距是逐年扩大的，由2004年的0.017扩大到2007年的0.094，2007年后大豆全要素生产率差异变化速度逐年放缓，但相比于2004年，松辽流域的大豆全要素生产率的差别仍在不斷扩大，究其原因在于：一是国家近些年来出台的相关政策使得大豆种植业向特定地区转移;二是松辽流域省份之间的农业发展有先天上的差距;三是松辽流域间农业用地面积和农业适龄人口间的不同。长江流域省内间的差距基本不变，2004年到2008年间基本在0.010和0.020之间徘徊。首先长江流域在这十几年间农业产业结构稳定性完整未发生重大变化，其次各省份的农业种植面积较为稳定，以上原因使得其省内差距未发生重大变化。黄河流域省份间大豆全要素生产率差距逐年缓慢下降，主要原因在于该地区农业新兴技术普及带来了集约化农业生产的开展。

四、 结论与启示

本文利用2004年至2018年省级面板数据，采用Malmquist指数法和Hicks-Moorsteen指数法比较的方法测算分解了我国大豆全要素生产率，并且在此基础上，引用衡量区域差异的指数比较分析了我国三大流域大豆全要素生产率的区域差异，结论如下：首先，我国大豆全要素生率在2004年至2018年间总体呈下降态势， 年均损失为1.5%至1.6%， 同时大豆全要素生产率动态走势呈阶段性特征，可以分为2004年至2007年、2008年至2011年、2012年至2018年共三个阶段。其次，就我国三大流域而言，我国大豆全要素生产率的不均等主要来源于三大流域之间差异和松辽流域省内的差距，且长江流域的大豆全要素生产率有所增加，而黄河流域和松辽流域均出现负增长。最后，我国大豆生产效率表现出差异性的原因在于忽略了农业科技创新和研发，同时也忽视了大豆的投入生产过程中的规模和生产结构的协调与优化。

因此，在我国农业全要素生产率大体呈上升态势的背景下，我国大豆全要素生产率却呈恶化趋势，这就表明新时期要进一步提高我国大豆全要素生产率。首先，我国不仅仅要着手农业这一总体概念，还需要考虑到各个产业，比如大豆产业的发展，应该细化到各个产业的安全短板，可以增设大豆优质生产区，即增加建设高产量高质量的大豆生产区。尤其是我国传统的三大流域：长江流域、黄河流域、松辽流域内拥有着大片温度适宜、水源充足、土壤肥力肥沃的土地，非常适合大豆的大规模种植，除了目前三大流域中产量较高的几个省之外，还应在其他满足大豆种植条件和人力条件的省份开展扩大种植。这样不仅能丰富当地的农业种植品种，还能进一步增加当地农民的收入，最主要的是能减轻目前大豆主要种植产区的生产压力，进一步缩小种植地区之间的大豆全要素生产率差异，提高我国大豆生产结构的健康性、完整性。其次，提升农户的人力资本专业化水平，提升农村人力资本对于增加大豆的全要素生产率有着积极的正向作用。农村人均学历的提高也影响着农业技术水平的进步。低层次的农户人均学历水平拉低了当地农业的全要素生产率。基于此种情况，政府应采取相应的措施提升农村的人力资本水平和种植的专业化水平，具体应从以下的几个方面着手：一是完善农村的基础教育设施建设、增加在农村的教育投入成本，特别是在经济基础落后的地区应进一步加大此措施的力度，从根本上完善当地教育硬件水平的更新。二是开展对于种植户的专业化培训，提升种植户的基本专业化技能，使得农户能全面地掌握种植大豆的专业化知识，减少在种植过程中因为技能不熟练所产生的损耗，进一步提升农业生产率，从而更有效地减轻地域之间大豆全要素生产率的差异。

参考文献

[1] 朱晶， 晋乐.农业基础设施、粮食生产成本与国际竞争力——基于全要素生产率的实证检验[J]. 农业技术经济， 2017， 36（10）： 14-24.

[2] 徐雪高， 沈贵银. 关于当前我国大豆产业发展状况的若干判断及差异化战略[J]. 经济纵横， 2015， 31（12）： 53-59.

[3] 倪洪兴， 于孔燕， 徐宏源. 开放视角下中国大豆产业发展定位及启示[J]. 中国农村经济， 2013， 29（08）： 40-48.

[4] 高帆. 我国区域农业全要素生产率的演变趋势与影响因素——基于省际面板数据的实证分析[J]. 数量经济技术经济研究， 2015， 32（05）： 3-19+53.

[5] LIN J Y.Rural Reforms and Agricultural Growth in China[J]. The American Economic Review， 1992， 82（01）： 34-51.

[6] CHAVA J P， PETRIE R， ROTH M. Farm Household Production Efficiency： Evidence from the Gambia . American Journal Agricultural Economics， 2005，87（01）：160-179.

[7] 张乐，曹静.中国农业全要素生产率增长： 配置效率变化的引入——基于随机前沿生产函数法的实证分析[J]. 中国农村经济，2013， 29（03）： 4-15.

[8] 李航飞. 基于数据包络分析的我国农业生产效率区域差异分析[J]. 科技管理研究， 2020， 40（01）： 59-66.

[9] 林惠虾. 基于DEA模型的现代农业生产效率研究[J].中共福建省委党校学报， 2015， 26（07）： 95-100.

[10] 王亚君， 胡耀辉， 于寒松. 基于DEA方法测算的中国大豆生产的经济效率[J]. 农业经济， 2017， 37（11）： 16-18.

[11] 李碧芳. 基于SBM-DEA模型的中国大豆全要素生产率分析[J]. 河南农业科学， 2010， 39（03）： 116-119.

[12] 赫国胜， 张微微. 中国农业全要素生产率影响因素、影响效应分解及区域化差异——基于省级动态面板数据的GMM估计[J]. 辽宁大学学报（哲学社会科学版）， 2016， 44（03）： 79-88.

[13] 向云， 祁春节， 陆倩. 长江流域种植业生产结构的区域差异及转型升级[J]. 经济地理， 2017， 37（02）： 148-155.

[14] 司伟， 李东阳. 品种推广对中国大豆单产的影响研究[J]. 农业技术经济， 2018， 39（05）： 4-14.

[15] CAVES D W， CHRISTENSEN L R， DIEWERT W E. The Economic Theory of Index Numbers and the Measurement of Input， Output， and Productivity[J]. Econometrica， 1982， 50（06）： 1393-1414.

[16] HICKS J R. Measurement of Capital in Relation to the Measurement of Other Economic Aggregates[M].London：Macmillan，1961： 18 -31

[17] 彭甲超，易明，付麗娜.中国农业全要素生产率的再检验——基于省级面板数据农业中间消耗品的分析[J].中国管理科学，2019，36：1-13.

[18] 薛超，史雪阳，周宏.农业机械化对种植业全要素生产率提升的影响路径研究[J].农业技术经济，2020，39（10）：87-102.

[19] FAER R， GROSSKOFP S， MARGARITIS D. Efficiency and Soybean Productivity： Malmquist and More in the Measurement of Productive Efficiency and Productivity Growth[M]. New York：Oxford University Press， 2015.

[20] 曾学明. 我国大豆产业发展战略规划研究[J]. 中国农业资源与区划， 2017， 38（09）： 89-97.

[21] 郭萍， 余康， 黄玉. 中国农业全要素生产率地区差异的变动与分解——基于Fore-Primont生产率指数的研究[J]. 经济地理， 2013， 33（02）： 141-145.

[22] 全炯振. 中国农业全要素生产率增长的实证分析：1978～2007年——基于随机前沿分析（SFA）方法[J]. 中国农村经济， 2009， 25（09）： 36-47.

[23] 杨云彦， 石智雷， 凌日平. 边缘化区域及其发展研究[J]. 学习与实践， 2011， 28（12）： 10-17.

[24] 田友春， 卢盛荣， 李文溥. 中国全要素生产率增长率的变化及提升途径——基于产业视角[J]. 经济学（季刊）， 2021， 21（02）： 445-464.

[25] 李江一， 李涵. 城乡收入差距与居民消费结构：基于相对收入理论的视角[J]. 数量经济技术经济研究， 2016， 33（08）： 97-112.

[26] 范业龙， 陆玉麒， 赵俊华， 等. 中国粮食生产区域差异的多尺度分析[J]. 经济地理， 2014， 34（10）： 124-130.

（中文校对：朱云云）

Analysis on Total Factor Productivity Measurement and Regional Difference of Soybean in China：Examples from the Three River Basin

YANG Yuchen1 XIANG Huali1， 2*

（1.School of Public Administration，Zhongnan University of Economics and Law， Wuhan， Hubei 430073;

2.Center for Environment and Migration Studies， School of Public Administration，Zhongnan University of Economics and Law， Wuhan， Hubei 430073）

Abstract： Under the existing international conditions， calculating China’s soybean total factor productivity and analysing its regional differences can provide a theoretical basis for how to improve China’s soybean production efficiency， reduce the differences between soybean production areas and enhance the international competitiveness of soybean industry. Based on the soybean input-output data of 14 provinces in the three major basins in China from 2004 to 2018， the change of soybean total factor productivity in China was analyzed by using the Malmquist index and the Hicks-Moorsteen index comparison method. In addition， the variation index， generalized entropy and Gini coefficient were used to explore the differences among different endowment regions. During 2004 to 2018， soybean total factor productivity showed a general downward trend， with an average annual loss of 1.5%-1.6%. Meanwhile， the dynamic trend of soybean total factor productivity was characterized by stages， based on this， the completeness of Hicks-Moorsteen index method was demonstrated. In addition， for the three regions， the total factor productivity of soybeans in the Yangtze River Basin increased， while the total factor productivity of soybeans in the Yellow River Basin and Songliao Basin showed negative growth， and the reasons for the inequality of the total factor productivity of soybeans in the three basins were mainly due to the differences between the three basins and within the Songliao Basin. The soybean total factor productivity of China showed significant temporal characteristics， and there were significant differences in soybean total factor productivity among the three basins. In order to revitalize soybean industry in the new era， we should set up soybean high quality production area， make up for the short board of soybean industry development， enhance the professional level of human capital of soybean farmers， and enhance the comprehensive development level of soybean industry in China.

Keywords： total factor productivity of soybean; regional differences; the three river basin; Malmquist index method; Hicks-Moorsteen index method

（英文校译：翟世贤）

收稿日期：2021-06-18

基金項目：国家社会科学基金重大课题“胡焕庸线稳定性与中国人口均衡发展战略研究”（18ZDA132）、国家社会科学基金项目“以生态安全和粮食安全并重为导向的粮食补贴政策研究”（17BGL250）。

作者简介：杨雨辰，女，博士，主要从事农业经济理论与政策研究，Email： ymmyyc1205@163.com;*通讯作者：向华丽，女，博士，副教授，Email：xiang_huali@zuel.edu.cn。

杨雨辰，向华丽.中国大豆全要素生产率测算及其区域差异分析——以三大流域为例[J].农业农村部管理干部学院学报，2021（04）：67-78.