灰水足迹视角下我国省域农业生态效率及其影响因素

邓远建，超博

灰水足迹视角下我国省域农业生态效率及其影响因素

邓远建，超博

中南财经政法大学工商管理学院，武汉 430073

从灰水足迹视角评价我国省域农业生态效率，揭示农业生态效率的空间分布特征，分析影响农业生态效率的主要因素，据此提出提升我国省域农业生态效率的政策建议。利用我国2000—2019年的省级面板数据，考虑非期望产出的超效率SBM模型对我国省域农业生态效率进行综合评价，采用空间杜宾模型对农业生态效率的空间差异与影响因素进行分析。（1）总体而言，农业灰水足迹呈下降趋势，但个别省（市、区）呈上升趋势。从灰水足迹由低到高的排名可以看出，处于前列（即灰水足迹较小）的省（市、区）经济发展水平较高或农业产值占比较低；处于后列（即灰水足迹较高）的省（市、区）经济发展水平较低或农业产值占比较高。（2）观测期内，农业生态效率总体平稳，个别年份波动较大，各省（市、区）的均值差距明显且分布极不平衡。（3）经济发展水平、种植业结构、技术进步、财政支农、农业受灾率等因素对中国农业生态效率的影响程度各异。随着经济发展水平与人们生活质量的双双提升，无论是农业经营者还是消费者对农业生态环境保护和农产品质量的重视程度日益提升，在一定程度上改善了区域农业生态效率水平，但是地区经济社会发展产生的污染也可能对农业生态效率产生负面影响；财政支农的大部分资金使用在对农药、化肥和农机等生产资料的补贴上，虽然改善了农业生产条件，提高了农业经济生产力和效率，但对农业生态效率的提升效果不显著；技术的发展在农业生产过程中很重要，使用得当会提高农业生态效率；农业受灾率的估计结果未通过显著性检验，可能是因为农业受灾面积的扩大导致农业生态效率的下降，但每年的受灾情况并不具有规律性；种植业结构的系数为负，其对农业生产效率产生了负面影响，可能是因为粮食作物种植面积占作物总播种面积比例较高，且消耗的氮肥数量较多。由于我国各个省（市、区）的农业灰水足迹演变趋势和差异明显，农业生态效率整体水平不高，且各个因素对农业生态效率的影响程度不一。因此，需要健全农业灰水足迹治理机制；优化农业产业结构，建立基于灰水足迹的农业水资源保护补偿机制；完善财政支农方式和政策，引导经营主体积极提升农业生态效率。

农业生态效率；农业灰水足迹；超效率SBM模型

0 引言

【研究意义】水是生命之源、生态之基、生产之要。水资源的数量和质量对人类生产活动以及经济发展都具有重要作用。农业既是用水较多的领域，也是造成水污染的重要来源之一，其中，化肥和农药的过量且不合理使用是形成水污染的主要原因。据数据显示，2021年我国农作物化肥施用量为506.11 kg·hm-2，为英国的2.05倍、美国的3.69倍，远高于世界发达国家水平。同时，我国各地规模化畜禽养殖场每年的粪便和其他原因排放的污水总量超过200亿t，畜禽养殖业的总氮、总磷和化学需氧量分别占农业污染源的38%、56%和96%[1]。这些污染物直接流向外界或者没有经过严格的无害化处理，给当地农业生态环境造成一定危害，也在一定程度上制约着农业生态效率的提升。因此，在坚持人与自然和谐共生理念下，如何进一步提高农业生态效率显得尤为重要。而从农业灰水足迹视角考察我国农业生态效率及其影响因素具有较好理论意义和现实价值。【前人研究进展】围绕农业生态效率评价，使用较多的是投入产出法，其中投入指标主要包括农业劳动力、区域生态环境等要素[2]，以及气温、降水等自然条件[3]；衡量结果的产出指标以农业总产值为主[4]，非期望产出多为农业碳排放或农业面源污染。在深层次研究过程中，大量学者采用DEA方法评价农业生态效率、运用DEA-ESDA分析农业生态效率及其时空分异特征[5]、使用LCA和DEA相结合的方法分析单一农作物品种（水稻）的农业生态效率[6]。研究范围上，从全国省域层面分析农业生态效率及其时空差异和影响因素[7-8]，或集中在一省分析县域[9]、某一区域[10]农业生态效率的时空特征及其影响因素，或从空间视角分析我国农业生态效率的收敛性与分异特征[11]。由于选取方法的差异和采取的投入产出指标的不同，分析结果也有所不同。本文所采用的非期望产出为农业灰水足迹。目前，国内外对农业灰水足迹的研究已经取得较多成果，如省际灰水足迹效率测度与驱动模式[12]；基于河流参照状态的季风区域季节性农业灰水足迹核算方法[13]；研究分析常见农作物的灰水足迹[14]。此外，陆地养殖业和渔业等经济生产所生成的灰水足迹也值得引起重视。根据研究显示，从各类部门的灰水足迹占比来看，农业领域的灰水足迹占比最高，所以农业水污染的治理非常关键。【本研究切入点】在进行农业生态效率评价时，已有研究往往选择农业碳排放或农业面源污染为非期望产出，然而这并不能完全说明农业活动对水环境产生的影响。在现实农业生产活动中，农业水污染问题也制约着农业生态效率的提高。因此，本文将农业灰水足迹作为非期望产出纳入模型中进行计算。在方法上，本文相比现有文献，对评价指标的测算做了优化升级。同时，常规SBM模型针对超过1的DMU和效率刚好为1的DMU都取值为1，导致对于效率超过1和刚好为1的DMU计算失效，超效率SMB模型将松弛变量直接纳入计算过程中，是一个良好的解决方案，特别是用在一些实际情况复杂、影响因素众多的问题上，评价结果将更加贴近现实。区域经济发展水平、财政支农、研发投入、工业化水平、农业受灾率、农业机械密度、农业人力资本等因素具有明显的地理特性与区位特征，其对农业生态效率的影响也存在空间差异。因此，本文应用空间杜宾模型分析了2000—2019我国30个省份农业生态效率的影响因素，以期为提高我国农业生态效率提供决策参考。【拟解决的关键问题】以农业灰色水足迹为非期望产出，构建农业生态效率测度指标体系，利用我国2000—2019年的省级面板数据和考虑非期望产出的超效率SBM模型对我国农业生态效率进行综合评价；揭示农业生态效率的空间分布特征，建立空间面板回归模型分析影响农业生态效率的主要因素，阐释农业生态效率时空分异的主要原因，并提出提高我国农业生态效率的政策建议。

1 研究方法与数据来源

1.1 研究方法

1.1.1 农业灰水足迹的计算方法农业灰水足迹是稀释处理人类农业生产活动排放的一定量的水污染物所需要的自然水体体积[15-16]。在实际生产活动中，可以根据农业生产活动的类别分成种植业灰水足迹、畜牧业灰水足迹和水产养殖业灰水足迹。

1.1.1.1 种植业灰水足迹计算 在种植过程中使用的化学肥料等投入品一部分被农作物所吸收利用，还有一部分会流入水体中，造成一定的水污染[17-18]。鉴于面源污染的计算与资料获取难度，本文参考王圣云等[19]的做法，将氮肥作为评价指标，并假定氮肥以固定比例进入水体（即氮肥淋失率）来计算种植业灰水足迹。依照惯例，氮肥淋失率选取全国平均氮肥淋失率7%来计算种植业的灰水足迹。

式（1）中，pla为种植业灰水足迹（m3·a-1）；α为氮肥淋失率；变量为氮肥施用量（kg·a-1）；max为污染物水质标准浓度（kg·m-3）；C为收纳水体的自然本底浓度（kg·m-3）。

1.1.1.2 畜牧业灰水足迹计算 随着我国经济的不断发展和人们膳食结构的改变，人们对畜禽产品的需求量也有所上升，在畜禽产业发展的同时，其经营活动中产生的水污染量值得引起人们的重视。本文选取了猪、牛、羊、禽等动物，测算分析其产生的养殖污染量。为了使研究结果更具有可靠性，本文以一年为考察时间，记录了猪、牛、羊、禽的养殖量（以年末屠宰量为准），饲养周期大于等于1年的牛、羊繁殖数量以年末存栏量为准；筛选出相应的污染因子，最大值为畜牧业排放的灰色水足迹[12]。

其中：

式（2）（3）（4）中，AGWF为畜牧业灰水足迹（m3·a-1），AGWF为第种污染物的灰水足迹（=COD或者TN）。L(i)为第i种污染物产生的环境负荷（kg），为畜牧（禽）种类，f为的每日排粪量，p为的每单位粪便所含有的污染物，β为的每单位粪便的污染物流失率，μ为的每日排尿量，p为的每单位尿含有的污染物，β为的单位尿的污染物流失率，N为的畜牧（禽）饲养数量（头/只），D为的畜牧（禽）饲养周期。

1.1.1.3 水产养殖业灰水足迹计算 在水产经营活动过程中，不同的动物要给予不同的饲料进行喂养，考虑到水的流通性以及饲料的吸收率等因素，一定程度的水体污染是不可避免的[20]。本文在前人研究的基础上，选取了典型的鱼类、壳类和贝类作为计算对象，使用总氮（TN）、总磷（TP）和化学需氧量（COD）作为污染因子来进行评价[21]。

式（5）（6）（7）中，AGWF表示水产养殖业的灰水足迹（m3·a-1），AGWF(i)为第种污染物的灰水足迹（=COD/TN/TP）。L(i)为第种污染物水产养殖业污染负荷（kg），为壳类、鱼类和贝类，B为的养殖产量（t），E为的污染物排污系数（g·kg-1）。

1.1.2 农业生态效率的测算方法 生态效率指的是经济增长与环境影响两者之间的比值。生态效率的译文来自于英文单词Eco-efficiency，该单词字面表示了既有经济性又有效率的意思。随着生态效率研究的不断深入，农业生态效率越来越受到学者们的关注。概而言之，农业生态效率是一个区域的农业生态系统表现出的经济、生态等综合效率。结合已有研究，基于系统性、科学性、客观性、动态性、可操作性和可扩展性等原则，本文综合考虑了农业生产经营活动中的各种经济投入以及期望产出和非期望产出，进而构建了农业生态效率评价指标体系（表1）。

表1 农业生态效率评价指标体系

传统的DEA模型（如BBC或CCR模型）是基于径向角度的测量方法，只能从投入或产出角度入手，且没有考虑到投入产出的松弛问题，往往导致测算结果与实际情况不完全相符。为弥补这一缺憾，TONE[22]提出了基于非径向的SBM模型，其优点是效率值随着投入和产出松弛程度的变化而严格变化，但SBM模型所得结果可能会出现效率值同时为1，导致决策单元无法排序的问题。因此，TONE[23]进一步提出了Super-SBM模型，解决了投入产出变量的松弛问题和决策单元的排序问题。同时，可变规模报酬假设、投入与产出角度的双向优化更加贴近实际情况。因此，本文基于可变规模报酬假设，采用非径向、非角度的Super-SBM模型测算农业生态效率，具体模型构建如式（8）所示。

式（8）中，为DEA超效率值，λ为权重向量，、分别代表投入和产出变量，、分别代表投入、产出变量个数，s、s分别代表投入、产出的松弛变量。当≥1时，决策单元相对有效，当＜1时，决策单元相对无效，值越大，说明农业生态效率水平越高。

1.1.3 农业生态效率的影响因素分析方法 本文运用Matlab软件进行OLS回归，并进行 Moran’s I、LM-lag、LM-error、Robust LM-lag、Robust LM-error 检验，选择合适方法（模型）进行空间相关性分析。根据测试结果表明，Moran’s的I值符合1%的显著性水平测试，因此可以判断它拒绝了无空间效应的假设。通过LM-lag、LM-error、Robust LM-lag、Robust LM-error四种统计量的值进行分析，使用空间杜宾模型进行研究是切实可行的（公式9）。

式（9）中，为以地理距离倒数衡量的空间权重矩阵；为空间自相关系数；ε为随机误差项；为农业生态效率；LED为经济发展水平；AFI为财政支农水平；TI是技术水平；RCI表示人均收入；RDR指农业受灾率；CS表示种植业结构；为不随个体变化的截距；为待估参数。对式（9）中的关键变量进行了取对数处理，这样可以减少异方差或多重共线性的影响。

1.2 数据来源

根据数据可得性和可比性原则，本文选取我国30个省（市、区）作为研究对象，不包括台湾、香港、澳门和西藏，时间跨度为2000—2019年。农业生态效率评价和分析所需要的原始数据均来自《中国农村统计年鉴》、《中国财政年鉴》和《中国统计年鉴》。

2 农业灰水足迹与农业生态效率的测算结果

2.1 农业灰水足迹的测算结果

图1呈现了2000—2019年我国30个省（市、区）农业灰水足迹的测算结果。根据各省（市、区）农业灰水足迹的测算情况，对比2000—2004年、2005—2009年、2010—2014年、2015—2019年的平均值和排名情况，可以把所研究的30个省（市、区）大体划分为5个梯队（表2）：第一梯队（排名1—6）包括青海、北京、天津、海南、上海、宁夏；第二梯队（排名7—12）包括甘肃、山西、贵州、重庆、新疆、江西；第三梯队（排名13—18）包括内蒙古、福建、黑龙江、浙江、广西、辽宁；第四梯队（排名19—24）包括吉林、云南、陕西、广东、湖南、安徽；第五梯队（排名25—30）包括四川、湖北、河北、江苏、山东、河南。从上述结果来看，区域农业灰水足迹差异性也比较明显（图1），同时也说明在区域整体发展水平较高的地区，随着农业生产功能逐步弱化，而生态、生活、旅游、景观等方面的功能在增强，进而引致的结果是灰水足迹较低，如北京、上海的灰水足迹均处于第一梯队的较低水平。

2.2 农业生态效率的测算结果

为确保研究结果更加真实可靠，本文分析了不同省（市、区）每年的农业生态效率（表3），并计算出相应的平均值（表4）。从表4可以看出，我国各省（市、区）的农业生态效率地区差异显著且分布极不平衡。全国农业生态效率平均值为0.6584，其中，北京的农业生态效率最高，为1.2263，约为全国平均水平的两倍，而新疆、广东、四川等省（市、区）的农业生态效率偏低，表明仍然有较大的提升空间。

为了反映我国农业生态效率的变化趋势和总体特征，本文绘制了在观测期内的全国农业生态效率平均值的折线图（图2）。总体来看，从2000—2016年，我国农业生态效率表现平稳，在2017年降到最低，之后有所上升，且波动幅度较大。可能原因是自“十二五”以来，虽然党中央、国务院高度重视农业资源保护和生态环境建设，不断加大投入力度，但是农业发展方式依然比较粗放，农业资源过度消耗、投入品不科学施用、外部污染因素不断增加等现象较为突出，进而导致农业水污染加重，这在一定程度上造成了农业灰水足迹增加，引致农业生态效率波动下降，农业高质量绿色发展面临诸多挑战。

表2 2000—2019年我国30个省（市、区）农业灰水足迹均值排名

表3 2000—2019年我国30个省（市、区）农业生态效率测算结果

2017年国家开始对畜禽养殖场进行严格把控，全国有数万家“违规”养殖场被关闭拆迁；从2018年1月1日，环境保护税开始征收，已有的养殖场需要按照国家标准统一缴费，加强对污粪的无害化和资源化处理。在配套措施方面，河长制、环评制度等改革举措不断向纵深推进。随着顶层设计的逐渐完善和政策措施的落地，农业生态效率便在2017年降至最低值后逐步提升。这也说明我国农业步入高质量发展新阶段，农业产业结构变化较大，因此，加快构建适应生态文明建设、高质量绿色发展、乡村振兴战略要求的农业生态环境污染治理体系迫在眉睫[24]。

横坐标的数字1—30分别代表北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、海南、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆

表4 2000—2019年我国30个省（市、区）农业生态效率的均值

图2 全国农业生态效率变化趋势图

3 农业生态效率的空间差异及影响因素分析

3.1 农业生态效率的空间差异分析

3.1.1 全局空间自相关分析 本文利用我国30个省份2000—2019年的农业生态效率评价结果，使用检验方法进行相应的分析。如表5所示，我国农业生态效率Moran’s I都表现为明显的全局空间正自相关，2000—2012年间Moran’s I值波动上升，2013年开始逐步下降，全局空间自相关关系在不断减弱。通过分析可以发现，农业生态效率的相关数值没有表现出特定的规律，也就是说各个省份的相似效率数值比较分散。

3.1.2 局部空间自相关分析 在对空间自相关状态进行全局分析的基础上，深层次的研究还要考虑地方区域空间的独特性。表6展示了我国农业生态效率的聚集类型，高-高集群说明农业生态效率在该省份表现得较高，且其周围都分布着较高农业生态效率水平的省份，如华北地区的发展势头明显比较良好。然而，一些处于高-低集群、低-低集群的省份受到地理位置的独特性或局限性，区域农业生态效率不高。如我国东部地区临海，平原面积广阔，水资源丰沛，又处于温带和亚热带，气候四季分明，土地肥沃，非常适合进行农业生产；但随着人口规模的扩大、人口密度的增加和工业化的持续推进，以及农用化学投入品的不合理使用，可能导致了我国东部地区灰水足迹增加，进而使农业生态效率走低[25]。

表5 2000—2019年我国30个省（市、区）农业生态效率Moran’s I统计值

表6 我国农业生态效率的聚集类型表

3.2 农业生态效率的影响因素分析

3.2.1 理论分析 农业生态与农业经济增长之间的协调发展是在一定时期和技术条件下从非均衡到均衡的动态演变过程，二者构成一个相互关联、相互作用、相互制约的复杂开放系统，即农业生态经济系统[26]。农业生态经济系统组成要素多，大系统中有小系统，小系统中有多成分，人口因素、资源因素、环境因素、生物因素及经济因素、技术因素共存于一体并且交互作用，而且每一个成分都具有易变性。不仅生物环境因素在运动变化，而且人口、社会经济技术因素以及它们对农业生态经济系统的干预强度和干预方向更是处在不断的变动状态中。从系统论的观点出发，农业生态经济系统的内在本质就是要实行农业生态与农业经济的协调发展。农业资源环境条件与农业经济增长的内在联系表现为：农业生态环境恶化将会影响农业经济增长质量；农业生态资源是农业生产最基本的物质基础和发展条件，农业资源短缺将严重制约农业经济发展速度[27]。另外，我国农业生产技术性浪费和破坏现象比较普遍，过量施用化肥、农药，规模化畜禽养殖粪便的无序排放，造成了比较严重的环境污染和生态环境的退化[28]。随着国家生态文明建设战略持续推进，农业高质量发展的客观要求将倒逼农业农村生态环境转好。新时代我国居民消费结构快速升级，对优质、绿色、生态农产品需求加大。为此，要大力开拓农业绿色产品供给渠道，这将迫使农业生产在要素投入上推广绿色模式和绿色生产技术。农业绿色生产技术必然离不开财政支农政策，财政对农业生态环境问题上的投入力度对农业生态效率有积极作用[29]。除此之外，制约农业经济发展的还有自然灾害等因素。近年来，随着极端天气事件频发，加之我国国土面积广，南北气候资源差异大，导致每年的受灾情况并不具有规律性，因此对农业生态效率的影响程度各有差异。

3.2.2 变量的描述性统计 经济系统规模的不断扩大已经逼近甚至超过了生态系统的承载力，人类就不得不考虑如何以最少的生态资本消耗获取最多的物质资本服务，并将这种思想贯穿于经济系统生产和消费的整个过程。因此，农业生态效率概念的基本前提是：人与自然的物质交换对农业生态系统的影响必须限制在其承载力范围内。随着可供人类利用的农业生态资源与环境容量日益减少，资源生产率已经成为农业经济增长的重要影响因素，只有通过有效配置农业生态资本与保护生态环境，以最小的资源消耗和环境代价获取最大的经济效益，将经济规模控制在农业生态系统承载力范围内，才能保持经济的稳定持续发展[30]。综合理论分析、已有研究和数据资料的可获取性，本文筛选出人均收入、财政支农支出、技术水平、经济发展水平、农业受灾率、种植业结构等作为我国农业生态效率的影响因素进行分析（表7、8）。

表7 农业生态效率的影响因素

表8 变量的描述性统计

3.2.3 农业生态效率影响因素的估计结果及分析 根据前文的基准模型，在考虑了控制时间和控制省份的情况下，得到农业生态效率影响因素的估计结果（表9）。从表9中的结果可以看出：

第一，农村居民人均收入通过了10%的显著性水平检验。与总收入相比，农村居民人均收入对农业生产方式、农业种植结构、农业技术应用和资源环境利用会产生影响。在农村居民收入未达到一定水平时，农业生态效率随着收入的增加而不断下降；当农村居民收入达到一定水平时，农业生态效率随着收入的增加而不断提升。理论上，随着城乡居民生活水平的提高以及生态环境保护意识的增强，经营主体在农业生产过程中追求更高期望收入的同时也意识到生态环境的重要性，不断提升农业的技术与管理水平，由此农业经济发展的同时农业生态环境也得到相应保护。实践中，农村居民收入水平的提升体现了地区农业经济的不断发展，这有利于协调农业经济与生态环境的协同发展。

第二，财政支农的系数显示为负，其可能原因是

当地政府对农业生产过程中的财政支出，一方面用于农田水利设施等资金支持，这有利于农业灌溉，保障了农业生产并促进粮食产量的增加；但另一方面用于农药、化肥、农膜等化学投入品的补贴，也导致农业经营主体对其过于依赖而引发生态环境污染问题。技术水平的系数为正，其主要原因是技术水平的提升为农业生产提供了机械化、智能化支持，对农业生态效率产生了促进作用。综合判断分析得出，自然生态环境受破坏会严重影响长期的经济产出，要具体情况具体分析并及时调整发展策略，因为目前的实际发展需要进行干预调整。种植业结构的系数为-0.065，显著性水平超过10%，说明我国目前的种植业结构对农业生态效率产生了负面影响。其可能的原因在于粮食作物种植面积占作物总播种面积比例较高，且消耗的氮肥数量较多。

第三，生态效率的高低与经济增长快慢之间的交互关系主要表现为以下三点：（1）规模效应。随着经济规模的不断扩大，原有的资源储备投入不能完全满足发展的资源需要，那么资源继续投入使用会在一定程度上对环境造成负面影响。（2）结构效应。近年来，随着生活质量和水平不断提升，人们不再仅仅满足于基础的物质需求，会同时关注商品是否符合绿色环保的理念。通过这些商品的消费间接地为保护环境做出一定贡献。相关生产经营主体要敏锐地察觉到这些变化，降低生产能耗做到绿色环保生产，同时兼顾商品质量，最终实现农业绿色化升级，提高农业生态效率。（3）技术效应。经济发展水平越来越高，技术也不断更新换代，农业经营主体可以尝试投入更多的资金对自身的生产运营进行升级，积极引用新技术改革生产，大胆创新，使用新型机器代替旧有设备，使用新的污染控制技术，提高资源利用率，减少水电浪费，最大程度减少污染物排放，实现农业绿色循环低碳发展。

表9 农业生态效率影响因素的回归结果

*、**、***分别表示在10%、5%和1%的水平上显著，表10同。括号中数值为t统计量

*、* *、 * * * respectively in 10%, 5% and 1% significance level，table 10 also。The value in parentheses is the t statistic

3.2.4 异质性分析 一般而言，农业发展具有很强的区位特征，地理位置基本决定了农业发展进程所处的阶段。为了分析各因素对不同地理位置省份产生的异质性影响，本文将研究样本根据经济社会发展综合水平划分为东北地区、东部地区、中部地区和西部地区进行异质性分析。

表10结果显示，农村居民人均纯收入与农业生态效率表现出线性关系，即农村居民人均纯收入达到一定水平时，农业经营者可能对农业绿色发展的参与度更高，相关农业生产方式做到了更加精细化改革，最终实现了经济与环境的协同共赢，减少了负面污染，降低了农业灰水足迹，有利于农业生态效率的提升。技术水平在东部地区影响程度更为明显，可能是因为我国东部省份最早引入了先进技术，经济系统的高效性成功转化成了生态系统的有效性。种植业结构在各区域均显著为负，各省份要根据地理环境特征，优化种植结构，为农业生态效率的提升做出贡献。财政支农力度仅在西北地区呈现显著正相关，其余区域均显著负相关。这表明西北地区的财政支农对其农业生态效率有积极促进效果。实地考察西北地区的地理环境发现，这些地方的生态脆弱性明显，各种农业作物种类不够丰富，缺乏大规模开展农业经营活动的气候条件。需要充分引入新技术，通过实践创新，实现可持续发展，稳步提升西部地区农业生态效率。农业受灾率没有通过显著性检验，可能原因是农业经营受自然因素影响较大，但农业灾害发生没有规律性。事实上，农业生态效率是从生态平衡的角度来衡量农业生产的经济效益，是农业生态效益和农业经济效益的综合。因此，需要正确认识农业经济发展与生态环境保护的关系，积极转变农业发展方式，合理利用农业资源，激发农业经营主体参与农业生态经济发展的生态自觉性。

表10 各因素对我国农业生态效率的分样本估计结果

4 研究结论与政策启示

4.1 研究结论

（1）各个省（市、区）的农业灰水足迹演变趋势和差异明显。总体而言，农业灰水足迹呈下降趋势，但个别省（市、区）呈上升趋势。从灰水足迹由低到高的排名可以看出，处于前列（即灰水足迹较低）的省（市、区）经济发展水平较高或农业产值占比较低；处于后列（即灰水足迹较高）的省（市、区）经济发展水平较低或农业产值占比较高。这也说明经济发展水平与农业经营结构对农业生态效率的影响是不一样的。

（2）观测期内，农业生态效率呈现平稳趋势，其中个别年份波动较大，各省（市、区）的均值差距明显且分布极不平衡。全国农业生态效率的平均水平为0.6584，在30个省（市、区）中有12个省（市、区）高于全国平均水平，其中，北京的农业生态效率水平最高，达1.2263，约为全国平均水平的两倍；18个省（市、区）低于全国平均水平，其中，新疆、广东、四川等省（市、区）的农业生态效率偏低，仍有较大的提升潜力。

（3）各个因素对农业生态效率的影响程度不一。通过对农业生态效率的影响因素分析发现，农村人均可支配收入通过了10%的显著性水平检验，这说明随着经济发展水平与人们生活质量的双双提升，无论是农业经营者还是消费者对农业生态环境保护和农产品质量的重视程度日益增强，在一定程度上改善了区域农业生态效率水平，但是地区经济发展产生的污染也可能对农业生态效率产生负面影响；财政支农结构不尽合理，大部分资金使用在对农药、化肥和农机等生产资料的补贴上，虽然改善了农业生产条件，提高了农业经济生产力和效率，但对农业生态效率的提升效果不显著；技术的发展在农业生产过程中很重要，使用得当会提高农业生态效率；农业受灾率的估计结果未通过显著性检验，可能是因为农业受灾面积的扩大导致农业生态效率的下降，但每年的受灾情况并不具有规律性；种植业结构的系数为负，其对农业生产效率产生了负面影响，可能是因为粮食作物种植面积占作物总播种面积比例较高，消耗的氮肥数量较多。

4.2 政策启示

（1）健全农业灰水足迹治理机制。通过农业系统内部和外部措施相结合，充分发挥各个主体的积极性和主动性，深入推进“政府——市场——社会”机制“三位一体”的农业用水技术创新和农业水生态环境协同治理。在农业系统内部，因地制宜推广节水农业模式和高效农业灌溉技术，细化治理农业面源污染的“一控两减三基本”行动方案和措施；在农业系统外部，扎实推进山水林田湖草沙一体化保护和修复，多渠道强化农业领域的多污染物协同控制和区域协同治理，全方位推动生态环境导向的开发（EOD）模式，切实增强区域农业生态经济系统的环境适应能力。

（2）优化农业产业结构，建立基于灰水足迹的农业水资源保护补偿机制。中国我国地域广阔，各地农业发展水平差异明显，要因地制宜优化农业产业结构，从各地实际积极探索市场化多元化农业水资源保护补偿机制；围绕农业重点领域和农业功能区划，基于灰水足迹科学确立农业水资源生态补偿标准，将农业水资源保护补偿与水体环境修复、绿色种养模式推广结合起来；开展农业水生态系统损害监测评价，建立农业水生态环境损害赔偿制度。

（3）完善财政支农方式和政策，引导经营主体积极提升农业生态效率。通过完善绿色生态导向的农业补贴制度和绿色金融支持手段，增强农业经营者的责任意识，提升其农业绿色生产参与度，扩大高农业生态效率水平的农业经营者数量，发挥高农业生态效率经营者的引领示范作用。

[1] 前瞻产业研究院. 2017-2022年中国农村污水处理行业发展前景预测与投资战略规划分析报告. https://bg.qianzhan.com/trends/ detail/ 506/220808-ac1fce40.html.

Prospective Industry Research Institute. Report of prospect and investment strategy planning analysis on China rural sewage treatment industry(2017-2022). https://bg.qianzhan.com/trends/ detail/506/220808- ac1fce40.html. (in Chinese)

[2] 开燕华,王霞, 曾铖. 长三角城市群现代农业发展效率评价: 考虑社会和工程功能的PCA-DEA模型的研究. 经济问题探索, 2018(6): 155-163.

KAI Y H, WANG X, ZENG C. Evaluation of modern agriculture of the Yangtze River Delta City group considering social and engineering functions based on PCA-DEA model. Inquiry into Economic Issues, 2018(6): 155-163. (in Chinese)

[3] 汪言在, 刘大伟. 纳入气候要素的重庆市农业全要素生产率增长时空分布分析. 地理科学, 2017, 37(12): 1942-1952. doi:10.13249/ j.cnki.sgs.2017.12.019.

WANG Y Z, LIU D W. Spatial and temporal changes of total factor productivity in agriculture of Chongqing under constraints of climatic factors. Scientia Geographica Sinica, 2017, 37(12): 1942-1952. doi:10. 13249/j.cnki.sgs.2017.12.019. (in Chinese)

[4] 苏昕, 刘昊龙. 农村劳动力转移背景下农业合作经营对农业生产效率的影响. 中国农村经济, 2017(5): 58-72.

SU X, LIU H L. The effects of farmers' specialized cooperatives on agricultural production efficiency within the context of rural labor migration. Chinese Rural Economy, 2017(5): 58-72. (in Chinese)

[5] 郑德凤, 郝帅, 孙才志. 基于DEA-ESDA的农业生态效率评价及时空分异研究. 地理科学, 2018, 38(3): 419-427. doi:10.13249/j.cnki. sgs.2018.03.012.

ZHENG D F, HAO S, SUN C Z. Evaluation of agricultural ecological efficiency and its spatial-temporal differentiation based on DEA- ESDA. Scientia Geographica Sinica, 2018, 38(3): 419-427. doi:10. 13249/j.cnki.sgs.2018.03.012. (in Chinese)

[6] 黄玛兰, 曾琳琳, 李晓云. LCA和DEA法相结合的农业生态效率研究: 兼顾绿色认知和环境规制的影响. 华中农业大学学报(社会科学版), 2022(1): 94-104. doi:10.13300/j.cnki.hnwkxb.2022.01. 010.

HUANG M L, ZENG L L, LI X Y. Joint life cycle assessment and data envelopment analysis for assessing agriculture eco-efficiency— considering the impacts of green cognition and government regulations. Journal of Huazhong Agricultural University (Social Sciences Edition), 2022(1): 94-104. doi:10.13300/j.cnki.hnwkxb.2022. 01.010. (in Chinese)

[7] 赵吉, 党国英, 唐夏俊. 基于SBM-Tobit模型的中国农业生态效率时空差异及影响因素研究. 西南林业大学学报(社会科学), 2022, 6(3): 10-18.

ZHAO J, DANG G Y, TANG X J. Spatial-temporal differences and influencing factors of agricultural eco-efficiency in China based on SBM-Tobit model. Journal of Southwest Forestry University (Social Sciences), 2022, 6(3): 10-18. (in Chinese)

[8] 陈菁泉, 信猛, 马晓君, 常百舒, 张紫嫣. 中国农业生态效率测度与驱动因素. 中国环境科学, 2020, 40(7): 3216-3227. doi:10.19674/j. cnki.issn1000-6923.2020.0360.

CHEN J Q, XIN M, MA X J, CHANG B S, ZHANG Z Y. Chinese agricultural eco-efficiency measurement and driving factors. China Environmental Science, 2020, 40(7): 3216-3227. doi:10.19674/j.cnki. issn1000-6923.2020.0360. (in Chinese)

[9] 张展, 廖小平, 李春华, 杨灿, 阳莎莎, 李伊涵. 湖南省县域农业生态效率的时空特征及其影响因素. 经济地理, 2022, 42(2): 181-189. doi:10.15957/j.cnki.jjdl.2022.02.020.

ZHANG Z, LIAO X P, LI C H, YANG C, YANG S S, LI Y H. Spatio-temporal characteristics of agricultural eco-efficiency and its determinants in Hunan Province. Economic Geography, 2022, 42(2): 181-189. doi:10.15957/j.cnki.jjdl.2022.02.020. (in Chinese)

[10] 舒晓波, 冯维祥, 廖富强, 凌春园. 长江中游城市群农业生态效率时空演变及驱动因子研究. 水土保持研究, 2022, 29(1): 394-403. doi:10.13869/j.cnki.rswc.2022.01.043.

SHU X B, FENG W X, LIAO F Q, LING C Y. Study on the spatiotemporal evolution and driving factors of agricultural eco- efficiency of urban agglomeration in the middle reaches of the Yangtze River. Research of Soil and Water Conservation, 2022, 29(1): 394-403. doi:10.13869/j.cnki.rswc.2022.01.043. (in Chinese)

[11] 侯孟阳, 姚顺波. 空间视角下中国农业生态效率的收敛性与分异特征. 中国人口·资源与环境, 2019, 29(4): 116-126.

HOU M Y, YAO S B. Convergence and differentiation characteristics on agro-ecological efficiency in China from a spatial perspective. China Population, Resources and Environment, 2019, 29(4): 116-126. (in Chinese)

[12] 韩琴, 孙才志, 邹玮. 1998—2012年中国省际灰水足迹效率测度与驱动模式分析. 资源科学, 2016, 38(6): 1179-1191.

HAN Q, SUN C Z, ZOU W. Grey water footprint efficiency measure and its driving pattern analysis on provincial scale in China from 1998 to 2012. Resources Science, 2016, 38(6): 1179-1191. (in Chinese)

[13] 程鹏, 李叙勇, 孙明东. 基于河流参照状态的季风区域季节性农业灰水足迹核算方法与例证. 环境科学学报, 2020, 40(9): 3453-3462. doi:10.13671/j.hjkxxb.2020.0142.

CHENG P, LI X Y, SUN M D. Calculation method and illustration of seasonal agricultural grey water footprint in monsoon region based on river reference conditions. Acta Scientiae Circumstantiae, 2020, 40(9): 3453-3462. doi:10.13671/j.hjkxxb.2020.0142. (in Chinese)

[14] 何立新, 练继建, 王书吉. 河北省主要农作物2005—2014年灰水足迹变化. 水利水电技术, 2016, 47(12): 143-148. doi:10.13928/j. cnki.wrahe.2016.12.030.

HE L X, LIAN J J, WANG S J. Variation of grey water footprint of main crops in Hebei Province from 2005 to 2014. Water Resources and Hydropower Engineering, 2016, 47(12): 143-148. doi:10.13928/ j.cnki.wrahe.2016.12.030. (in Chinese)

[15] CHAPAGAIN A K, HOEKSTRA A Y. The global component of freshwater demand and supply: an assessment of virtual water flows between nations as a result of trade in agricultural and industrial products. Water International, 2008, 33(1): 19-32. doi:10.1080/ 02508060801927812.

[16] HOEKSTRA A Y. Virtual water trade: proceedings of the international expert meeting on virtual water trade. Delft, Netherlands: IHE, 2003: 13-23.

[17] BECKEN S. Water equity - Contrasting tourism water use with that of the local community. Water Resources and Industry, 2014, 7/8: 9-22. doi:10.1016/j.wri.2014.09.002.

[18] MEKONNEN M M, HOEKSTRA A Y. A global assessment of the water footprint of farm animal products. Ecosystems, 2012, 15(3): 401-415. doi:10.1007/s10021-011-9517-8.

[19] 王圣云, 林玉娟. 中国区域农业生态效率空间演化及其驱动因素: 水足迹与灰水足迹视角. 地理科学, 2021, 41(2): 290-301. doi:10. 13249/j.cnki.sgs.2021.02.012.

WANG S Y, LIN Y J. Spatial evolution and its drivers of regional agro-ecological efficiency in China's from the perspective of water footprint and gray water footprint. Scientia Geographica Sinica, 2021, 41(2): 290-301. doi:10.13249/j.cnki.sgs.2021.02.012. (in Chinese)

[20] 付永虎, 刘铁, 刘俊青, 胡晗, 魏范青. 基于灰水足迹的粮食主产区农业环境效率与水环境可持续性测度与评估. 中国农业资源与区划, 2021, 42(1): 77-87.

FU Y H, LIU T, LIU J Q, HU H, WEI F Q. Measurement and evaluation of agricultural environmental efficiency and environmental sustainability for water in the major grain-producing area based on grey water footprint. Chinese Journal of Agricultural Resources and Regional Planning, 2021, 42(1): 77-87. (in Chinese)

[21] 欧阳佚亭, 宋国宝, 陈景文, 张树深. 中国淡水池塘养殖鱼类排污的灰水足迹及污染负荷研究. 环境污染与防治, 2018, 40(3): 317-322, 328. doi:10.15985/j.cnki.1001-3865.2018.03.016.

OUYANG Y T, SONG G B, CHEN J W, ZHANG S S. Grey water footprint and pollution loadings of freshwater pond-cultured fish in China. Environmental Pollution ＆ Control, 2018, 40(3): 317-322, 328. doi:10.15985/j.cnki.1001-3865.2018.03.016. (in Chinese)

[22] TONE K. A slacks-based measure of efficiency in data envelopment analysis. European Journal of Operational Research, 2001, 130(3): 498-509. doi:10.1016/S0377-2217(99)00407-5.

[23] TONE K. A slacks-based measure of super-efficiency in data envelopment analysis. European Journal of Operational Research, 2002, 143(1): 32-41. doi:10.1016/S0377-2217(01)00324-1.

[24] 华春林, 张玖弘, 金书秦. 基于文本量化的中国农业面源污染治理政策演进特征分析. 中国农业科学, 2022, 55(7): 1385-1398.

HUA C L, ZHANG J H, JIN S Q. Analysis to evolution characteristics of policies for controlling agricultural non-point source pollution in China: based on text quantification. Scientia Agricultura Sinica, 2022, 55(7): 1385-1398. (in Chinese)

[25] 张子龙, 薛冰, 陈兴鹏, 李勇进. 中国工业环境效率及其空间差异的收敛性. 中国人口·资源与环境, 2015, 25(2): 30-38.

ZHANG Z L, XUE B, CHEN X P, LI Y J. Convergence in spatial difference of industrial environmental efficiency in China. China Population, Resources and Environment, 2015, 25(2): 30-38. (in Chinese)

[26] 王宝义, 张卫国. 中国农业生态效率测度及时空差异研究. 中国人口·资源与环境, 2016, 26(6): 11-19.

WANG B Y, ZHANG W G. A research of agricultural eco-efficiency measure in China and space-time differences. China Population, Resources and Environment, 2016, 26(6): 11-19. (in Chinese)

[27] 蒋黎, 王晓君. 环境质量与农业经济增长的内在关系探讨: 基于我国31个省区面板数据的EKC分析. 农业经济问题, 2019, 40(12): 43-51. doi:10.13246/j.cnki.iae.2019.12.005.

JIANG L, WANG X J. EKC hypothesis verification between rural environmental quality and agricultural economic growth in China—an empirical analysis based on panel data of 31 provinces. Issues in Agricultural Economy, 2019, 40(12): 43-51. doi:10.13246/j.cnki.iae. 2019.12.005. (in Chinese)

[28] 曹俊文, 曾康. 低碳视角下长江经济带农业生态效率及影响因素研究. 生态经济, 2019, 35(8): 115-119, 127.

CAO J W, ZENG K. Study on agricultural eco-efficiency and its influencing factors in the Yangtze River economic belt from the perspective of low carbon. Ecological Economy, 2019, 35(8): 115-119, 127. (in Chinese)

[29] 方琳, 吴凤平, 王新华, 余燕团. 基于共同前沿SBM模型的农业用水效率测度及改善潜力. 长江流域资源与环境, 2018, 27(10): 2293-2304.

FANG L, WU F P, WANG X H, YU Y T. Analysis of agricultural water efficiency measurement and improvement potential based on meta frontier SBM model. Resources and Environment in the Yangtze Basin, 2018, 27(10): 2293-2304. (in Chinese)

[30] 李慧明. 内外均衡, 一体循环: 循环经济的经济学思考: 国家社会科学基金重大项目: “经济发展和生态环境保护双赢的循环经济深入发展研究”成果之一. 天津: 天津人民出版社, 2007: 128-130.

LI H M. Internal and External Balance, Integrated Circulation—— Economic Thinking on Circular Economy. Beijing: Tianjin: Tianjin People's Publishing House, 2007: 128-130. (in Chinese)

Provincial Agricultural Ecological Efficiency and Its Influencing Factors in China from the Perspective of Grey Water Footprint

DENG YuanJian,CHAO Bo

School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073

This paper evaluated Chinese provincial agricultural ecological efficiency from the perspective of gray water footprint, revealed the spatial distribution characteristics of agricultural ecological efficiency, analyzed the main factors affecting agricultural ecological efficiency, and put forward policy suggestions to improve Chinese provincial agricultural ecological efficiency.Based on the provincial panel data of China from 2000 to 2019, this paper comprehensively evaluated the agricultural ecological efficiency of Chinese provinces with the super efficiency SBM model considering the unexpected output, and used the spatial Dobbin model to analyze the spatial differences and influencing factors of agricultural ecological efficiency.(1)In general, the agricultural grey water footprint showed a downward trend, but in some provinces (cities and districts), it showed an upward trend. From the ranking of grey water footprint from low to high, it could be seen that the provinces (cities and districts) in the forefront (i.e. with less grey water footprint) had a high level of economic development or a relatively low proportion of agricultural output value; the provinces (cities and districts) in the rear row (i.e. with more grey water footprint) had low economic development level or high agricultural output value. (2)During the observation period, the agricultural ecological efficiency fluctuated greatly in some years in the stable trend, and the average difference among provinces (cities and districts) was obvious and the distribution was extremely unbalanced. (3)Economic development level, fiscal expenditure for supporting agriculture, technological progress, agricultural disaster rate, planting structure and other factors had different impacts on Chinese agricultural ecological efficiency. With the improvement of both economic development level and people's living quality, both agricultural operators and consumers paid more attention to the protection of agricultural ecological environment and the quality of agricultural products, which have improved the level of regional agricultural ecological efficiency to a certain extent. But the pollution caused by regional economic and social development might also have a negative impact on agricultural ecological efficiency. Most of the financial support for agriculture was used to subsidize production links, such as pesticides, chemical fertilizers, and agricultural machinery. Although the agricultural production conditions have been improved and the agricultural economic productivity and efficiency have been improved, the improvement of agricultural ecological efficiency was not significant. The development of technology was very important in the agricultural production process, and the proper use of it would improve the agricultural ecological efficiency. The estimated results of agricultural disaster rate failed to pass the significance test, which might be because the expansion of agricultural disaster area would lead to the decline of agricultural ecological efficiency, but the annual disaster situation was not regular. The coefficient of planting structure was negative, which had a negative impact on agricultural production efficiency. This might be due to the high proportion of grain crop planting area in the total planting area of crops, and the high consumption of nitrogen fertilizer.As the evolution trend and difference of agricultural gray water footprint in various provinces (cities and districts) in China were obvious, the overall level of agricultural ecological efficiency was not high, and various factors have different impacts on agricultural ecological efficiency, it was necessary to improve the governance mechanism of agricultural gray water footprint; optimize the agricultural industrial structure and establish a compensation mechanism for agricultural water resources protection based on gray water footprint; improve the ways and policies of financial support for agriculture, and guide business entities to actively improve agricultural ecological efficiency.

agricultural ecological efficiency; agricultural grey water footprint; super-SBM model

2022-09-05；

2022-10-25

国家自然科学基金（71673302）、中央高校基本科研业务费专项资助项目（2722021BX018）

邓远建，E-mail：dyj_scga@163.com。通信作者超博，E-mail：1627845541@qq.com

（责任编辑 李云霞）