化肥投入、粮食产量、空间关系实证与分析——以黑龙江省为例

王宏宇，温红梅

（1.黑龙江财经学院经济系，哈尔滨 150010；2.哈尔滨商业大学金融学院）

我国是全世界农业大国之一，且我国化肥使用量占世界整体的35%，这相当于美国和印度两国化肥使用量的总和[1]。这说明，我国化肥的使用效率有待大力提升。实际上，我国实现农业绿色发展的主要任务之一就是要降低化肥投入，这是我国农业转型发展中必须要解决的问题。因此，深入研究化肥投入超量的原因，具有重要的现实意义。此前对化肥方面的研究，通常是关注化肥投入所产生的利弊影响。例如，黄季焜、王巧军等[2]认为化肥投入可以明显提高我国水稻的单产量，但各地区受土地状况的差异影响水稻增产的效果有所不同；王祖力、肖海峰[3]则认为化肥投入对粮食产量的贡献度最大，是消除我国粮食安全风险的重要途径之一；而崔晓、张屹山[4]认为农作物对化肥吸收速度的放慢导致了农业环境污染，并且影响了化肥使用效率。此外，农业生产中农民的文化素质、接受培训的次数等，也是传统文献的研究重点。

基于以上传统研究，对化肥投入的研究有将化肥投入与粮食产量通过空间计量的方法结合起来的端倪。一是研究学者们将化肥种类细分化，分别考虑各类化肥在空间上如何影响粮食产量。Raymod J.G.M等[5]认为化肥使用会受到空间因素影响，其研究证实在单一地块中小米的产量分部并不均匀，原因就是化肥投入差异所造成的。与之相关的大量研究也证实，化肥投入会受到空间因素而影响粮食产量[6-8]。二是化肥投入在空间上会受到的影响因素。杨建辉[9]认为追求化肥投入效率是空间各地区化肥投入不断增加的原因，应该想办法增加化肥使用效率。张军伟、张锦华[10]认为化肥投入在空间上会受到技术人员数量、化肥价格等因素的影响，减少化肥投入应从粮食主产区开始。

研究受到上述研究的启发，却更加关注化肥投入与粮食产量的空间关系，以此找出化肥投入过量的原因，这种思路得益于农业经济学的视角。农业经济学尤为关注影响粮食生产的人力、资金、生产资料等要素投入，分析要素投入配比对粮食产量的影响。但是，农业经济学并没有考察化肥投入与粮食产量的空间关系，对我国农业地理特征复杂的现实来说，这是一个无法回避的问题，也是本文关心的议题。基于此，以我国粮食产量最大的黑龙江省为例，通过空间计量方法来实证研究分析化肥投入、粮食产量的空间关系，找出其黑龙江省化肥投入的空间分布规律，为进一步控制该地区化肥投入提供实践指导和理论参考。

1 空间相关性检验

采用空间自相关检验来检验化肥投入是否存在空间溢出效应。一般认为当同一变量在位置相邻地区的观测值也相似，那么该变量在相邻地区存在空间自相关，研究选择全局莫兰指数（Global Moran’s I）来检验黑龙江省13 个区域的化肥投入是否具有空间相关性。

全局莫兰指数（Global Moran’s I）的计算公式为：

全局莫兰指数的计算值通常处于（-1，1）之间，当Moran’s I>0 时，表示各省整体空间正相关，当Moran’s I<0 时，则表示各省整体空间负相关，如果Moran’s I=0，则表示各省整体不存在空间相关性。

表1 1994～2017 年黑龙江省农业化肥投入的空间相关性检验Table 1 Spatial correlation test of agricultural fertilizer input in Heilongjiang province from 1994 to 2017

全局Moran’s I 指数检验结果如表1 所示，从1994 至2017 年Moran’s I 的平均值为0.412，且显著性均在5%的水平下通过检验，这表明黑龙江省13个区域的化肥投入会受到其相邻地区有关因素的影响，从而在空间地理位置上呈现出一定的空间集聚性。同时，还可发现1994 年至2006 年黑龙江省化肥投入的空间相关性处于快速上升阶段，2007 年至2017 年处于平稳上升阶段，其中在1999 年、2005 年和2013 年经历了三次下降，分析原因可能是由于受上一年自然灾害影响，农民种植意愿降低从而影响化肥的使用。

2 空间计量模型的建立

2.1 指标设定

选择将粮食产量作为被解释变量，在所有影响粮食产量的因素中，化肥投入是研究主要考察对象，但其他要素的影响在空间计量中也不能被忽视。为了实证分析的准确性，同时兼顾数据的可获得性，选取对粮食产量也具有重要影响的其他投入要素一并纳入整体分析框架。最终选取的指标如下：

2.1.1 被解释变量：粮食产量（GRAIN）

借鉴现已有的研究成果对粮食产量的衡量标准，选择粮食总产量来代表黑龙江各区域的粮食产量，其中包括了水稻、玉米、大豆等所有粮食作物。因为黑龙江省北部区、东部区和西部区受地势、土壤、温度等差异的影响，各地区种植的粮食作物也会有所差异，所以不能仅靠单一粮食作物作为衡量黑龙江省各区域粮食产量的标准。

2.1.2 核心解释变量：化肥投入（FZER）

选择化肥折纯后的投入总量来代表黑龙江各地区的化肥投入，与其他影响因素不同，农业化肥的使用会直接影响到粮食产量的高低。随着我国人口的不断增加，黑龙江作为我国粮食产量最大的地区，粮食生产压力不断加大。化肥作为粮食生产最有效的生产要素，其投入在不断增加，但是市面上流通的化肥质量参差不齐，农民购买化肥质量也具有差异性，因此选择化肥折纯后的投入更具有说服力。

2.1.3 控制变量

农机规模（MECH），黑龙江农业机械发展处于全国最高水平，其关系到粮食种植、收割的效率，从而影响到粮食产量，选择农机总动力来代表黑龙江各地区的农机规模；劳动力数量（PEOP），黑龙江省虽然利用农机代替了部分劳动力，但是某些生产环节仍然难以实现机械化作业，因此劳动力的投入会关系到粮食生产种植情况，从而影响粮食产量，研究选择黑龙江各地区农村人口数量代表劳动力投入；耕地规模（FIEL），土地是农业生产过程中的主要投入要素之一，黑龙江省是全国粮食种植面积最大的省份，土地对粮食产出水平发挥着重要的作用，所以采用黑龙江各地区的农业耕地总面积代表土地投入。

2.2 数据来源

选择使用1994 年至2017 年黑龙江省13 个区域（12 个地级市及1 个地区行署）的面板数据进行实证分析，由于黑龙江垦区各管理局及下属农场地理分布分散，因此，黑龙江垦区各管理局的数据按照地理行政区域划分归入各地级市和地区，数据主要来源于历年《黑龙江统计年鉴》和《黑龙江垦区统计年鉴》。个别年份的缺失数据采用插值法预测取得。同时，为消除异方差影响对所有变量全部进行对数转换。数据的描述性统计见表2。

表2 描述性统计量表Table 2 Descriptive statistical scale

2.3 模型建立

空间计量模型是用于测度变量空间效应的模型，空间计量的基础模型主要有空间自回归模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）三种基本模型，其中：

SAR 模型主要用来分析相邻区域因变量对本地区该因变量的影响，即：空间溢出效应，其基本的表达式如下：

SEM 模型则用来分析相邻区域因变量的误差影响，即：相邻区域不可观测的因素对本地区因变量的影响，其基本的表达式如下：

SDM 模型则可以用来分析相邻区域自变量对本地区该自变量的影响，其基本的表达式如下：

其中，y 是因变量的n 维向量，X 是n×k 维的解释变量矩阵，W1和W2为空间权重矩阵，β 为相关参数向量，ρ、λ 和θ 为模型回归系数，ε 和μ 为随机误差项，In为n 阶单位矩阵。

首先根据经典的柯布——道格拉斯生产函数，构建出普通形式的粮食产量面板模型：

其中：ait为地区差异固定影响，a1、a2、a3和a4分别表示各影响因素对粮食产量的影响参数，εit为随机干扰项。

在加入空间影响因素后，空间自回归模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）三个基本模型中，空间杜宾模型（SDM）更适合进行分析，最终所建立的空间杜宾模型（SDM）表达式如下：

其中，β1、β2、β3和β4为解释变量和控制变量的空间影响待估计参数，μi代表地区个体效应；λt表示时间效应；εit表示随机扰动项，W为空间权重矩阵，εit～iid（0，δ2）且与μi不相关。

表3 时间维度估计结果Table 3 Time dimension estimation results

3 空间计量分析

在进行空间杜宾模型（SDM）估计之前，需要模型进行LR 检验来验证空间杜宾模型（SDM）是否会退化成空间自回归模型（SAR） 和空间误差模型（SEM），通过检验结果可以看出，LR Spatial lag 和LR Spatial error 的值分别为51.53 和22.43，显著性均在1%以下，说明空间杜宾模型（SDM）不会退化成空间自回归模型（SAR）和空间误差模型（SEM），因此，研究采用空间杜宾模型（SDM）来进行实证分析是合理的。在确定使用SDM 模型后，对该模型进行Hausman检验来确定采用固定效应模型还是随机效应模型。结果显示，空间杜宾模型（SDM）的检验值为22.84，通过了1%的显著性检验，最终确定采用固定效应模型。

3.1 时间维度分析

在空间计量模型中，不仅需要考虑解释变量对被解释变量的影响，还需要考虑各地区被解释变量之间的相互影响关系，即空间溢出效应。从1994 年至2017 年，整体经历了24 年的跨度，这期间黑龙江省农村的交通运输条件、信息网络建设在不断改善，也经历过粮食价格、土地承包经营权等政策调整，说明黑龙江省农村的内部生产环境与外部生产环境均在发生变化。因此，首先从时间维度来分析黑龙江省化肥投入与粮食产量的空间关系，研究将样本数据划分为1994～2001 年、2002～2009 年、2010～2017 年3个时间段，分别对这3 个时间段的数据进行回归分析。回归结果如表3 所示。

核心解释变量的估计结果显示，1994 年至2017年黑龙江省化肥投入对本地区粮食产量的影响均非常显著，但是，1994～2001 年，黑龙江省化肥投入对粮食产量空间溢出效应并不明显，分析原因可能是受到我国化肥整体产量以及农资流通方面的影响。2002～2009 年，黑龙江省化肥投入对粮食产量的空间溢出效应在开始提升，分析原因可能是由于这个阶段我国化肥产量的提升，而且黑龙江省各地区的农产品市场体系不断健全，使化肥等农资产品流通速度加快。2010～2017 年，黑龙江省化肥投入对粮食产量的空间溢出效应程度明显增加，分析其原因可能是由于该阶段研发的高产粮食种子以喜肥作物为主，黑龙江省粮食作物对化肥的依赖性在不断增强，同时，该阶段黑龙江省农村交通道路、网络信息建设等方面在不断完善，拓宽了黑龙江省农村各地区经济辐射的边界，使农业各类资源、农村生活在各地区之间的流动性增强。

表4 空间维度估计结果Table 4 Spatial dimension estimation results

控制变量的估计结果显示，三个阶段中农机规模对粮食产量的作用在不断提升，且存在明显的空间溢出效应，分析原因可能是黑龙江省耕地连片、适合大规模的农业机械化作业，该省也是全国农业机械化程度最高的地区；耕地规模对粮食产量的影响在降低，其空间溢出效应并不明显，分析原因可能是黑龙江省的农业耕地已经基本开发完成，且近些年随着土地板结、地下水开采过度，部分土地开始进行休耕，在一定程度降低了土地的影响程度；劳动力规模对粮食产量的影响虽有降低，且空间溢出效应并不明显，但劳动力仍然发挥着重要作用，分析原因可能是黑龙江省大规模的农机作业虽然替代了部分劳动力，但农业生产中的某些环节仍然需要人工去完成，该地区的农业生产仍然需要投入一定数量的劳动力来保证顺利进行。

3.2 空间维度分析

黑龙江省是我国粮食产量最大的省份，种植的粮食作物主要集中在水稻、玉米和大豆，但黑龙江省受地理位置、气候条件的影响，每个地区种植的粮食作物具有差异性，东部区地势偏低且雨量丰富，以水稻种植为主；西部区地势偏高，以玉米种植为主；北部区由于温度较低，主要以大豆种植为主。因此，为更好分析黑龙江省各地区化肥投入的空间溢出效应，需要从空间维度进行分析。根据水稻、玉米和大豆种植的分布特征，将黑龙江省划分为水稻种植区、玉米种植区和大豆种植区，其中水稻种植区包括佳木斯、鸡西、双鸭山和牡丹江，玉米种植区包括哈尔滨、齐齐哈尔、绥化和大庆，大豆种植区包括齐齐哈尔、黑河、伊春和大兴安岭地区，分别对三个区域进行回归分析，估计结果见表4。

通过观察核心解释变量可发现，水稻种植区化肥投入对本地区的影响及空间溢出效应最为明显，玉米种植区和大豆种植区虽然化肥投入对本地区的影响明显，虽然空间溢出效应在5%水平下显著，但与水稻种植区相比空间溢出效应略低，分析原因可能是黑龙江省为我国最大的水稻种植区，担负着保证国家粮食安全的重要责任，为保证粮食产量，在水稻种植过程中投入大量的化肥，形成土壤板结，而且根据水田种植的特点，相邻地区农民化肥投入极容易受到传导，这种传导效应也造成土壤板结的范围在不断扩大，农民不得已只能继续提高化肥的投入来保证粮食的生产进行。玉米种植区和大豆种植区中，化肥投入对本地区发挥着重要作用，但空间溢出效应没有水稻种植区明显，分析原因主要是受旱田“靠天吃饭”的特点影响，黑龙江省每次发生洪涝等自然灾害，受损最严重的粮食作物就是玉米和大豆，这也影响了农民化肥投入的意愿。同时，为保证粮食产量，玉米与大豆需按年轮作种植，否则极容易造成粮食减产，这也从侧方面降低了化肥的投入，因此，种植这两种作物的农民在生产中的化肥投入相对较少。

通过观察控制变量可以发现，农机规模在三个种植区中均发挥这重要作用，但空间溢出效果最显著的是玉米种植区和大豆种植区，分析原因可能黑龙江省是我国农业机械化水平最高的地区，水稻种植面积大且连片生产，非常适合大型农机作业，但黑龙江水稻种植区农民使用的农机大部分为自有，只有在收割时会租用部分收割机，而玉米和大豆种植区由于种植不连片且种植面积较小，农民考虑成本问题不愿购买农机，更倾向租用农机，因此，农机跨区作业在这两个地区尤为明显；劳动力数量在对本地区影响以及空间溢出效应最明显的为玉米种植区和大豆种植区，分析原因可能是受农机非自有的影响，在种植过程中许多环节需要投入大量的劳动力，例如除草、喷洒农药等，而水稻种植区的农药喷洒绝大多数采用飞机行化的模式进行，因此，水稻种植物使用人工进行农药喷洒的数量较少；耕地规模对本地区影响以及空间溢出效应最明显的是水稻种植区，这也是受黑龙江水田种植面大而连片的特点所决定的，而黑龙江旱田种植面积小且分散，所以耕地规模的影响较弱。

4 结论与启示

基于对黑龙江省13 个区域的空间相关性检验，发现黑龙江省化肥投入呈明显的空间相关性，且在2006 年由快速上升转为平稳上升状态。说明农民的化肥投入不仅会受到自身积累经验的影响，还会受到相邻地区的其他因素影响，从而影响化肥投入水平，在区域地理位置上呈现一定的空间集聚性。时间维度的回归估计结果显示，黑龙江省化肥投入对本地区粮食产量的影响一直非常显著。同时，对粮食产量的空间溢出效应在1994～2001 年、2002～2009 年、2010～2017 年这3 个时间段处于不断上升趋势，说明黑龙江省粮食种植对化肥的依赖性在逐年增强，且随着交通道路的改善，化肥在各地区流通速度加快，为农民购买化肥创造了便捷条件，加之研发种子大多为喜肥作物，黑龙江省控制化肥投入的压力巨大。空间维度的回归估计结果显示，黑龙江省化肥投入在水稻种植区、玉米种植区和大豆种植区对粮食产量均发挥着重要作用，但空间溢出效应在水稻种植区最显著，说明化肥投入在水稻种植区呈现出的空间集聚性最强，水稻在种植过程中，其化肥投入受到相邻地区影响最为严重。说明黑龙江省对化肥投入的控制首先应该从水稻种植区开始，重点解决水稻种植对化肥的依赖性，其一，可以通过研发新型种子来降低水稻种植对化肥的依赖性，其二，要对水稻种植地区的农民进行化肥投入的专业指导，其三，水稻种植地区要加强地区之间化肥使用的信息沟通与交流，最终达到逐步降低黑龙江省化肥投入的目的。