基于SBM-Tobit模型的安徽省县域农业绿色全要素生产率时空差异及影响因素研究

赵艳丽 党国英

(西南林业大学经济管理学院，云南 昆明 650224)

中国粮食产量长期以来高位攀升，2021年中国粮食产量创造了历史新高，总产量达到了6828.5亿kg，人均粮食产量达到483.5kg,高出国际粮食安全线83.5kg。但长期以来高投入高污染的生产方式，给农业带来了巨大的环境压力，要想保持我国农业的可持续发展，需提高粮食产量中的科技贡献力量，从要素投入转向农业绿色全要素生产率(Green Total Factor Productivity，GTFP)的提升。在研究视角方面，当前主要考察环境规制[1]、农业贸易[2]、农业结构[3]、基础设施[4]、经济发展水平[5]、农业科研投入[6]等单个指标对农业GTFP的影响，很少关注多种因素的综合作用。对于非期望产出多数研究仅涉及农业面源污染或者碳排放量，存在高估农业GTFP的风险；研究区域主要集中在国家、省级层面，对行政区划基础性单元的县域却很少涉及。因此，本文借助SBM-GML模型从县域角度考察同时包含面源污染与碳排放量的农业GTFP，以精确测量农业绿色发展成效，将各种投入要素和非期望产出纳入一个研究框架中并探究其时空分布特征，结合Tobit模型探究影响农业GTFP的因素。

1 农业GTFP测算方法和模型

1.1 SBM-GML模型

选取数据包络分析中的SBM超效率模型进行相应的测算，同时结合全局参比前沿效率指数GML测算动态的效率值变化以及指标分解，从分解后的指标入手深入分析影响效率值的因素。SBM模型的公式如下。

假设包含n个决策单元，每个决策单元使用m种投入(i=1，2，…，m)，s1种期望产出和s2种非期望产出，向量表达式：x∈Rm，yg∈Rs1,yb∈Rs1。定义矩阵

定义生产可能性集合：

P={(x,yg,yb)|x≥X,yg≤Yg,yb≥Yb}

(1)

根据Tone[7]包含非期望产出的非径向、非角度的SBM模型，推导出规模收益可变情况下的SBM超效率模型：

s-,sb,λ≥0;i=1,2…,m;r=1,2…,s1;

t=1,2…,s2;j=1,2…,n(j≠k)

(2)

式中，s表示投入、产出的松弛变量；λ是权重向量；k表示被评价单元。模型中ρ*得到评价SBM的超效率值可以超过1，从而可以对有效决策单元进行区分。

全局参比曼奎斯斯特恩伯格(Global Malmquist-Luenberger,GML)指数分解为绿色技术进步指数(Greentechnical progress,GTC)和绿色技术效率指数(Green technical efficiency,GEC)，GML指数表示的是t+1期相对于第t期的变化程度。

(3)

GTC>1、GEC>1代表技术进步和效率改善；GTC<1、GEC<1代表技术倒退与效率降低[8]。

滚动预算编制的基础工作是建立动态的项目库，只有形成统一的项目计划、论证、审核、决策机制，加强项目管理，这样预算编制的科学性和准确性才有保障。因此高校有必要加强预算项目管理，推进滚动项目库建设，尽量做到“项目等钱”，而不是“钱等项目”。关键是哪些项目能入库，首先要有充分而且权威的立项依据，再经过严格审核评议，同时要设定清晰、易量化考核的绩效目标，将其作为项目入库的重要依据。

1.2 指标选取

本文以2010—2020年安徽省县域77个县域的农业GTFP为研究对象，数据主要来源于《安徽省统计年鉴》、各市统计资料。选取种植业为研究对象，构建了相关的指标体系，见表1。

以2010年为基期将名义农业总产值转化为实际农业总产值。主要考虑了6类主要的排放源，农药、农膜、化肥、翻耕、灌溉、农用柴油；农业面源污染主要考虑了化肥以及农业固体废弃物所产生的污染。

2 农业GTFP测算结果与分析

运用MAX-DEA软件中的超效率SBM模型，运行得出2010—2020年安徽省77个县区的农业GTFP、GML指数及分解后的指数。从静态角度分析了安徽省县域农业GTFP的情况，从动态的角度分析农业GTFP的发展状况，并将指数进一步分解为GTC和GEC。

2.1 农业GTFP静态分析

为更好地分析安徽省县域农业GTFP发展变化，利用超效率SBM模型测算不同年份的农业GTFP，由于所涉及的县域太多，因此只列示各市的效率均值如表2。

表1 农业投入产出指标体系

从安徽省每年的均值来看，2010—2014年有小幅波动，但在2014—2020年呈现出快速的增长趋势，2020年均值达到0.657，虽然整体还未达到有效值，但较2010年有大幅提升。从区域来看，2010—2020年均值从高到低依次为皖南、皖中、皖北。

2.2 农业GTFP动态分析

超效率SBM模型是基于静态的农业GTFP的思想，难以刻画农业GTFP动态变化情况，而生产过程中农业技术水平总是在变化的，因此利用GML指数，从动态的角度来看安徽省县域农业GTFP的变化情况更加符合农业发展的现实[9]。对安徽省77个县农业GTFP的GML指数进行测算并分解成GTC和GEC。

从图1可以看出，不同时期GTFPC数值在1～1.8的地区数明显增多，GTFPC低于1的地区数明显减少，表明安徽省县域农业GTFP整体呈现上升趋势，且增长速度在不断地提升。从2010—2020年GTFPC均值来看，只有凤阳、马鞍山辖区、铜陵市辖区、岳西、芜湖辖区整体GTFP出现衰退，其余地区均实现增长，其中增长较快的地区为六安辖区、蒙城、寿县。

3 农业绿色全要素生产率的影响因素分析

构建面板Tobit回归模型，以农业绿色全要素生产率为被解释变量，城镇化、农业财政支出、农村居民人均可支配收入、农业机械化水平、农业产业结构等为解释变量。从多个方面进行考察，确定各影响因素对农业GTFP的作用程度及显著性水平，根据研究结果提出针对性的建议。

表2 2010—2020年安徽省县域农业GTFP均值

图1 安徽省县域农业绿色全要素生产率变化指数

3.1 模型设定与指标选取

由于农业GTFP具有非负截断性，对于受限因变量模型的估计采用OLS会得到有偏的结果，因此采用面板Tobit模型。考虑到固定效应Tobit模型无法获得个体异质性μi的充分统计量，可能无法获得一致的、无偏的估计量，而随机效应Tobit模型能有效解决上述问题[10]。为了考察可能存在的非线性关系，同时将城镇化的平方项作为解释变量，本文采用的Tobit模型公式：

+β6lnis+β7lnec+β8lneir+β9lnpgdp+εit

(4)

式中，gtfp为被解释变量；β0为截距项；βk为待估参数；εit为随机误差项。根据研究问题的需要和数据可得性，参考相关文献选取以下指标，如表3所示。

表3 农业GTFP影响因素指标体系选取

3.2 Tobit回归与结果分析

3.2.1 Tobit回归结果与分析

本文选用随机Tobit模型，以安徽省县域农业绿色全要素生产率(lngtfp)作为被解释变量，以城镇化(lnurb)、城镇化平方(lnurb2)和表3中其余影响因素作为自变量进行建模，模型(2)～(4)分别为皖南、皖中、皖北的随机Tobit模型结果。

通过对高阶遗漏变量的检验，加入城镇化的平方，发现城镇化对安徽省整体农业GTFP的影响类似倒U型的关系，拐点为52.07%，拐点左侧促进、拐点右侧抑制。分区域来看，由于皖南、皖北地区城镇化对农业GTFP一次项系数显著为正，二次项显著为负，表明城镇化对农业GTFP存在倒U型关系，皖南的拐点为46.27%、皖北则为50.57%；皖中地区城镇化对农业GTFP一次项系数为负，二次项为正，但不显著，表明皖南、皖北地区城镇化发展初期会促进农业GTFP的提升但促进作用逐渐减弱，当越过拐点后其对农业GTFP会产生阻碍作用；皖中地区城镇化对农业GTFP的影响不显著，但存在类似于正U型的关系，表明皖中地区前期城镇化的发展会对农业GTFP产生负向影响，当城镇化发展水平超过20.73%时，城镇化会促进农业GTFP的增长。皖南、皖北作为劳动力流出地区，在城镇化发展初期，促使一部分农村劳动力进城务工，带动了农村与城镇的共同发展，减少了农业上冗余劳动力的投入，提高了生产效率，分工更加合理。但当农业生产中需要的劳动力、资本严重缺乏时，城镇化所带来的技术进步与效率提高难以弥补基本生产要素的缺失，会对农业GTFP产生负面影响。皖中以合肥为中心，早期作为劳动力主要的流入地城镇化对农业GTFP存在短暂的抑制作用，但依靠科研的创新、技术的进步、农业的转型升级，城镇化在越过极低的拐点后呈现出促进作用。

表4 回归估计结果

农村居民人均收入、农业产业结构、农村经济发展水平对安徽省农业GTFP表现出明显的促进作用，而农业机械化水平、农业水利设施则表现出明显的抑制作用。分区域来看，农村居民人均收入对皖南、皖中农业GTFP的影响不显著，对皖北地区的农业GTFP在1%水平上存在显著正向影响，系数为0.894；农业产业结构对皖南地区农业GTFP存在显著正向影响，对皖中、皖北地区的正向影响则不显著；农村经济发展水平对3区域均在1%水平上存在显著正向影响；农业机械化水平对皖南、皖北存在1%水平上的显著负向影响，对皖中存在5%水平上的显著负向影响；农业水利设施对对皖北地区存在显著的负向影响，对皖南、皖中则不显著。而财政支出对皖南、皖北分别存在1%、5%水平上的显著负向影响，对皖中的正向影响不显著；农村电力设施对皖中存在10%水平上的显著正向影响，对皖南、皖北的负向影响不显著。

3.2.2 稳健性检验

为保证结果的稳健性，采用增加变量及替换变量的方式，进行检验。表5中模型(2)将农业产业结构的指标替换为表示产业结构优化的第三产业产值与第二产业产值的比值，来进行衡量产业结构，该比值越高，间接说明产业结构调整与优化升级的改善程度，表明经济服务化程度越高，农业发展的环境也更好[11]。模型(3)通过在原模型的基础上增加农产品地理标志指标，结果无明显变化，表明以上结果较为稳健。

将农业产业结构的指标替换为表示产业结构优化的指标后，城镇化及其二次项的显著性水平没有发生变化，但影响系数变化至2.386、-0.322，属于正常范围。农业产业结构的显著性水平变为1%，影响系数变化至0.162，表明产业结构优化较种植结构的变化对农业GTFP的影响更大，当县域的产业结构转向三产，对农产品的依赖性更强，品质要求更高，促使农民提高农业GTFP以满足市场需求。农业财政支出由原来的不显著变化为10%水平上的显著，其他变量变化幅度较小。增加农产品地理标志指标后，所有解释变量的系数几乎未发生任何变化，稳健性较好。虽然农产品地理标志对农业GTFP不显著，但作用方向为正，可能由于安徽省县域当前对农产品地理标志的重视度不够，很多农产品地理标志存在申而不用、闲置浪费的现象，未能充分发挥农产品地理标志对农业GTFP的带动作用。

表5 回归估计结果(稳健性检验)

4 主要结论与对策思考

4.1 主要结论

2010—2020年，安徽省县域整体农业GTFP年均增长5.31%，主要由农业绿色技术进步(7.18%)拉动，农业绿色技术效率(-1.74%)起到阻碍的作用[12]。2010—2020年，皖北、皖中、皖南地区农业GTFP年均增长分别为7.63%、5.30%、3.70%，农业绿色技术进步的拉动作用分别为9.82%、6.76%、5.59%，农业绿色技术效率的阻碍作用分别为1.99%、1.36%、1.79%，皖北地区农业GTFP年均增长最快，其农业绿色技术进步的拉动作用最大；安徽省县域城镇化对农业GTFP存在近似的倒U型关系，在城镇化发展前期，正向促进农业GTFP的提高，当城镇化越过拐点52.07%后，将会阻碍农业GTFP的提高，城镇化对皖南及皖北农业GTFP的影响也存在倒U型关系，但拐点分别为46.27%、50.57%，对皖中农业GTFP的影响存在类似正U型关系，但影响不显著；农民人均纯收入、农业产业结构、农村电力设施、经济发展水平正向促进安徽省农业GTFP的提高，农业机械化水平、农业有效灌溉强度负向影响安徽省农业GTFP，各因素对分区域的农业GTFP则存在一定差异。

4.2 对策思考

以上结论对于安徽省县域农业GTFP的提升具有重要的意义，安徽省农业GTFP的改善方向分为以下几个方面。

注重提升农业绿色技术效率，深化三权分置改革，提供较为自由的土地转让承包经营制度，推动农地的规模化发展。针对城镇化对不同区域的影响，因地制宜采取相关的政策措施。针对皖南、皖北要注意拐点之后，城镇化对农业GTFP的抑制作用，加强城镇对农业的带动作用，注重城乡的均衡发展。针对皖中地区，要积极推动城镇化的发展，加大产学研合作力度，推动小麦、玉米、水稻的种子研发[13]，加大科技对农业GTFP的贡献。

合理规划财政支农资金，加大对农业绿色发展转型的支持力度，建立更为全面的农业补贴标准。优化农业产业结构[14]，适度引导农业产业集聚，加强农业技术创新，实现农业发展由要素驱动向创新驱动转变。借助数字网络技术，拓宽农民的收入来源，提高农村经济发展的水平，把握不同区域农业GTFP发展规律，协调区域农业发展资源[15]。