我国畜牧业绿色全要素生产率时空差异及影响因素研究

林紫藤,张艳荣

(甘肃农业大学财经学院,甘肃 兰州 730070)

畜牧业是我国农业农村经济发展的支柱产业,2020年畜牧业总产值达到40 266.7亿元,占农林牧渔总产值的30.1%,已经成为推动中国农业和农村经济发展的重要力量。我国畜禽养殖规模不断扩大,加重了畜禽粪污带来的环境污染,使得中国实现经济发展与保护良好环境面临严峻挑战[1]。然而,我国畜牧业发展仍然没有改变以“高投入、高消耗、高污染”为主要特征的粗放经营方式,绿色优质畜产品供给还不能满足人民群众的现实需求[2]。第二次全国污染源普查公报显示,2017年畜禽养殖业排放化学需氧量(COD)为1 000.53万t,氨氮为11.09万t,总氮为59.63万t,总磷为11.97万t,分别占农业源水污染排放的93.76%、51.30%、42.14%和56.46%。据估计,2019年我国畜禽养殖碳排放量达31 470.87万t,占农业碳排放总量的33.46%[3],畜禽粪污仍是我国农业面源污染的重点防治对象。在畜牧业绿色发展备受关注的背景下,我国出台一系列政策文件。从2011年发布的《全国畜牧业发展第十二个五年规划》,到2020年发布的《关于促进畜牧业高质量发展的意见》,再到2022年发布的《中共中央 国务院关于做好2022年全面推进乡村振兴重点工作的意见》,均强调要重视畜禽养殖与资源环境协调发展,大力加强畜禽粪污资源化利用,推动环境友好型畜牧业绿色发展。在资源环境约束情况下,亟需以绿色发展理念推动畜牧业实现绿色发展,从根本上实现畜牧业转型升级。因此,通过绿色全要素生产率(green total factor productivity,GTFP)测算我国畜牧业绿色发展水平、区域差异、省域差异、驱动源泉和影响因素,对实现我国畜牧业高质量发展具有重要现实意义。

绿色全要素生产率是在传统全要素生产率基础上,通过将能耗和污染排放等因素纳入经济增长的范畴来衡量经济发展质量的指标,是资源环境约束条件下的全要素生产率,也是符合生态文明要求、体现绿色发展理念的新型全要素生产率[4]。目前学者们越来越关注绿色全要素生产率的研究,但关于畜牧业绿色全要素生产率测度及影响因素的研究相对较少,主要集中于3个方面:一是畜牧业碳排放的测算与分析。不少学者基于全国尺度用牛、马、羊、猪、驴、骡和家禽等畜禽测算我国畜牧业碳排放水平,并认为我国畜牧业碳排放存在空间差异[5-7],也有学者基于省域或特定区域尺度进一步分析畜牧业碳排放[8-9]。二是畜牧业绿色全要素生产率的测算与分析。易青等[10]结合广义马姆奎斯特指数(generalized Malmquist index)与随机前沿生产函数,引入环境因素,将畜牧业污染物排放量作为投入变量研究畜牧业全要素生产率变化及贡献成分。邹洁等[11]采用非径向非期望产出slacks-based measure(SBM)模型,并以畜牧业碳排放作为非期望产出,对我国畜牧业环境效率及影响因素进行测算与分析,并认为我国畜牧业环境效率存在空间差异。许标文等[12]基于整体方向性距离函数和Luenberger生产率指标(Luenberger productivity indicator, LPI),以畜牧业碳排放量为非期望产出分析中国畜牧业绿色全要素生产率变化及区域差异。三是基于畜牧业中某一畜类的角度进行绿色全要素生产率的测算与分析。崔姹等[13]将草食牲畜温室气体排放量纳入全要素生产率研究体系,以肉羊、肉牛、奶牛等草食牲畜作为对象,以牲畜碳排放作为非期望产出,利用super-slacks-based measure(SSBM)模型和global Malmquist-Luenberger(GML)生产率指数方法测算我国草食畜牧业全要素生产率。杜红梅等[14]采用非径向、非角度基于松弛变量的方向性距离函数和Malmquist-Luenberger生产率(ML)指数测算了中国17个生猪主产省份不同养殖规模的绿色全要素生产率增长情况。朱宁等[15]采用SBM模型和ML指数,以蛋鸡养殖场污染物为非期望产出分析不同规模蛋鸡养殖场的环境效率和环境全要素生产率。

鉴于此,相比较以往研究,从以下3个方面进行扩展:第一,以往研究关于非期望产出通常只考虑畜牧业污染物或者碳排放的影响,而忽略两者综合影响,笔者将畜牧业碳排放和污染双重因素纳入非期望产出分析畜牧业绿色全要素生产率。第二,采用基于非导向、规模报酬可变的超效率epsilon-based measure(EBM)模型和GML生产率指数测算和分解2011—2020年我国31个省(区、市)畜牧业绿色全要素生产率,克服有效单元值最大同为1的缺陷。第三,采用Dagum基尼系数和核密度估计(kernel density estimation)法探讨畜牧业绿色全要素生产率时空分异特征,并采用固定效应(fixed effect,FE)模型和Driscoll-Kraay标准差估计方法探讨我国畜牧业绿色全要素生产率影响因素,以期为推动中国畜牧业绿色发展提供参考。

1 材料与方法

1.1 绿色全要素生产率测量方法

1.1.1超效率EBM模型

现有研究大多采用传统径向的数据包络分析(data envelopment analysis,DEA)方法,如CCR和BCC模型,但传统的径向模型只考虑了所有投入产出指标均为等比例增加或减少的情况,忽略了松弛变量对效率值的改进作用。为解决上述问题,TONE等[16]提出考虑松弛变量的非径向效率评价模型——SBM模型,虽然SBM模型规避了同比例增减的假设条件,但其却忽略了投入和产出变量之间的径向问题。为此,TONE等[17]针对传统DEA模型的局限性,构建了一种同时具有径向与非径向两类距离函数的混合径向模型——EBM模型,该模型能在一定程度上弥补传统DEA模型和SBM模型的缺陷。由于EBM模型得出的效率值最大为1,有效单元效率值相同,对于有效单元的效率高低无法进一步区分,因此,ANDERSEN等[18]提出超效率模型(super efficiency model)。同时,畜牧业绿色全要素生产率的计算涵盖经济、资源与环境之间的复杂关系,需将非期望产出纳入测算框架中。鉴于此,采用基于非期望产出、非导向、规模报酬可变的超效率EBM模型来测算我国31个省(区、市)2011—2020年畜牧业绿色全要素生产率,具体公式[19]为

(1)

(2)

1.1.2GML指数

由于EBM模型对绿色全要素生产率的测度属于静态测度,无法反映动态变化情况。因此,在超效率EBM模型基础上,借鉴OH[20]的研究思路,定义t到t+1期GML指数(IGML)计算公式为

IGML,t,t+1(xt,yt,bt,xt+1,yt+1,bt+1)=

(3)

GML指数即表示GTFP的指数(IGTFP),反映的是绿色全要素生产率的变动情况,具有传递性和累积性,可以进一步分解为绿色技术进步(green technological change,GTC,IGTC)指数和绿色技术效率(green efficiency change,GEC,IGEC)指数2个部分,是绿色全要素生产率变化的源泉,即IGTFP=IGTC×IGEC。绿色技术进步反映各地区创新或引进绿色先进技术前沿的变迁,绿色技术效率主要反映政策和制度改革推动各地区畜牧业要素的使用效率和配置效率变动[21],公式为

IGML,t,t+1(xt,yt,bt,xt+1,yt+1,bt+1)=

IGTC,t,t+1×IGEC,t,t+1。

(4)

式(3)～(4)中,x、y和b分别为投入、期望产出和非期望产出;DG为全局方向性距离函数;Dt和Dt+1分别为第t期和t+1期方向性距离函数。当IGML>1时,说明绿色全要素生产率增长;当IGML<1时,说明绿色全要素生产率下降;当IGML=1时,说明绿色全要素生产率保持不变;当IGTC和IGEC>1或<1时,分别说明绿色技术效率指数改善或恶化和绿色技术进步指数进步或退步;当IGTC和IGEC均为1时,说明两者保持不变。需要说明的是,各指数值减1的值即为相应指数的增长率。

1.2 Dagum基尼系数及其分解

采用Dagum基尼系数对我国畜牧业绿色全要素生产率区域差异进行测度,基尼系数越大表明区域间畜牧业绿色全要素生产率发展越不平衡。根据基尼系数(G)定义,计算公式为

(5)

式(5)中,k为区域总数,将中国划分为东部、中部、西部和东北地区,故k=4;n为省份个数,共包括31个省份,故n=31;nj(nh)为区域j(h)内省份数量;yji(yhr)为区域j(h)内省份i(r)的畜牧业绿色全要素生产率;μ为31个省份的畜牧业绿色全要素生产率均值;μj(μh)为区域j(h)的畜牧业绿色全要素生产率均值,并根据4个区域的畜牧业绿色全要素生产率均值进行排序。区域j的基尼系数(Gjj)以及区域j与h之间的基尼系数(Gjh)计算公式分别为

(6)

(7)

根据DAGUM[22]的基尼系数分解法,主要可将基尼系数G分解为区域内差异贡献(Gw)、区域间净值差异贡献(Gnb)和超变密度(intensity of transvariation)贡献(Gt)3个部分,它们之间的关系满足G=Gw+Gnb+Gt。超变密度指由区域间重叠引起的区域不平衡[23]。各个部分计算公式为

(8)

(9)

(10)

Djh=(djh-pjh)/(djh+pjh),

(11)

(12)

(13)

Pj=nj/n,

(14)

Sj=njμj/nμ。

(15)

式(8)～(15)中,Djh为区域j和h之间畜牧业绿色全要素生产率增长的相对影响;djh为区域j和h之间畜牧业绿色全要素生产率增长的差值,即区域j和h中所有符合yji-yhr>0的样本加总的数学期望;pjh为超变一阶矩,即区域j和h中所有yji-yhr<0样本值加总的数学期望;Fj(Fh)为区域j(h)的累积密度分布函数。

1.3 核密度估计法

核密度估计法作为一种重要的非参数方法,可用来分析畜牧业绿色全要素生产率区域差异动态变化情况,计算公式为

(16)

式(16)中,f(x)为核密度函数;N为观测值数量;h为带宽;Xi和x分别为各省份畜牧业绿色全要素生产率观测值和均值;K为核函数。

1.4 指标选取与数据来源

1.4.1指标选取

以我国31个省份为决策单元,数据时间跨度为2011—2020年,测量绿色全要素生产率主要涉及投入、期望产出和非期望产出3类指标,各变量描述统计见表1。

投入指标主要包括劳动力投入、中间消耗和资本投入。其中,劳动力采用畜牧业劳动力投入变量,参照黄少安等[24]的方法,以农林牧渔从业人员为基准,通过畜牧业总产值与农林牧渔总产值的比值折算,得到畜牧业从业人员;中间消耗变量主要包括饲料、用药、燃料和用电量等物质消耗,采用农业生产资料价格指数进行平减后得到,该指数涵盖农用工具、饲料、产品畜、化学肥料和农药等10个大类;资本投入变量以畜牧业固定资本存量作为衡量指标,采用永续盘存法计算2011—2020年我国各省份畜牧业资本存量,计算公式为Kt=(1-δt)Kt-1+It,其中,Kt和Kt-1分别为当期和上一期资本存量;It为当年投资,亿元;δt为资产折旧率,%。参照王卫等[25]的方法,采用固定资产投资额代替固定资产形成总额,初始资本存量(K0)则以农林牧渔业固定资产投资额表示,畜牧业固定资产投资(It)主要通过农林牧渔业固定资产投资额乘以畜牧业总产值占农林牧渔总产值比例估算而得,同时参照李谷成[26]的方法以2010年为基期采用农业生产资料价格指数对相关数据进行平减。资本存量折旧率(δ)参见文献[12],取5.42%。

期望产出采用畜牧业总产值表示,为了剔除价格因素的影响,以2010年为基期进行价格平减后,计算得到各省份实际畜牧业产值。

非期望产出采用碳排放量和污染物排放量进行衡量。畜牧业碳排放量参照胡向东等[27]和郭娇等[28]的测算方法,主要选取猪、兔、家禽、奶牛、非奶牛、马、驴、骡、山羊、绵羊和骆驼作为畜牧碳排放源,根据《IPCC国家温室气体清单指南》,畜禽排放的CH4和N2O转换为CO2当量采用的温室效益潜值(GWP系数)分别为21和310。畜牧业污染物排放量借鉴耿维等[29]和高海秀等[30]的方法,采用污染系数分别计算畜禽化学需氧量(COD)、总氮(TN)和总磷(TP)3种污染物的产生量后相加得到。

1.4.2数据来源

选取2010—2020年中国31个省份(不包括香港、澳门和台湾)的面板数据,数据主要来源于相应年份的《中国统计年鉴》《中国农村统计年鉴》《中国畜牧兽医年鉴》《中国环境统计年鉴》以及各省(区、市)统计年鉴。对于部分缺失数据,采用线性插值法予以补齐。

2 我国畜牧业绿色全要素生产率的时空演变特征

2.1 畜牧业绿色全要素生产率的时序演变特征

基于中国畜牧业2011—2020年各省份面板数据,利用MaxDEA 8.22软件采用超效率EBM模型和GML指数对我国31个省(区、市)畜牧业绿色全要素生产率及其分解项进行测算。

由表2可知,2011—2020年我国畜牧业绿色全要素生产率整体增长不足,均值为0.991 7,年均下降0.83%,即畜牧业绿色全要素生产率呈现负增长趋势。从整体演化趋势来看,全国整体畜牧业绿色全要素生产率呈“增长-下降-增长-下降”的周期性增长特征,该结论与于连超等[31]的一致,具体分为3个阶段:(1)第1个阶段为2011—2014年,我国畜牧业绿色全要素生产率呈现上升态势,其原因可能在于,该阶段我国畜禽养殖污染防治工作快速开展,以畜禽养殖为重点,将控制农业污染和削减农业污染物排放总量列入国家“十二五”污染物总量控制约束性指标[32]。2013年,原环境保护部、农业部联合印发了以践行生态文明理念为主的《全国畜禽养殖污染防治“十二五”规划》等政策,将畜禽养殖业减排纳入国家“十二五”节能减排工作体系,这是我国第一部关于畜禽养殖污染防治的专项规划,进一步加快全国各省份畜禽污染防治体系建设。同年国务院发布《畜禽规模养殖污染防治条例》,对推进畜禽养殖废弃物综合利用和无害化处理,降低畜牧业污染排放和改善绿色全要素生产率具有重大意义。(2)第2个阶段为2014—2018年,我国畜牧业绿色全要素生产率从0.977 1增长至1.020 5,其原因可能在于,2015年4月发布并实施的《水污染防治行动计划》,以及从2017年起,国家大力推动畜禽粪污资源化利用进程,国务院及相关部门相继印发《关于加快推进畜禽养殖废弃物资源化利用的意见》《关于在畜禽养殖废弃物资源化利用过程中加强环境监管的通知》等一系列文件,为全国畜禽养殖废弃物资源化利用提供制度指导,并强化对畜牧业的生态环境保护治理和绿色畜牧养殖技术的应用,畜牧业绿色技术进步在2016—2017年达到峰值(1.057 5),极大地刺激了我国畜牧业绿色技术进步。同时,我国畜牧业绿色全要素生产率在2017—2018年达到最高点,进一步推动我国畜牧业可持续发展。(3)第3个阶段为2018—2020年,我国畜牧业绿色全要素生产率继续呈小幅度增长。2017年发布的《全国畜禽粪污资源化利用整县推进项目工作方案(2018—2020年)》,以县为单位贯彻绿色发展理念,促进畜牧业转型升级。同时,《关于加快推进畜禽养殖废弃物资源化利用的意见》中要求,到2020年,全国畜禽粪污综合利用率达到75%以上。截至2020年底,我国畜禽粪污综合利用率达到76%,圆满完成“十三五”任务目标。由此可见,我国畜牧业绿色全要素生产率周期性特征与国家出台的一系列畜禽污染防治政策密切相关。

表2 2011—2020年我国畜牧业绿色全要素生产率及其分解

进一步从我国畜牧业绿色全要素生产率分解项来考察,以识别其增长来源。由表2可知,2011—2020年绿色技术效率(GEC)年均下降1.5%,绿色技术进步(GTC)年均增长0.69%。此外,从图1波动趋势可以发现,指数与绿色技术进步的演变趋势高度一致,除2011—2013年和2014—2016年2个阶段外,其余阶段绿色技术进步均高于绿色技术效率,其中,绿色技术进步贡献度为101.53%。这表明我国畜牧业绿色全要素生产率增长的动力源泉主要在于绿色技术进步水平的提高,成为提升畜牧业绿色发展水平的主要推动力,而绿色技术效率对绿色全要素生产率增长贡献较有限。

GML为生产率指数,GEC为绿色技术效率,GTC为绿色技术进步。

表3为我国各地区畜牧业绿色全要素生产率及其分解情况。2011—2020年间,我国畜牧业绿色全要素生产率增长具有空间不平衡性,增长速度呈现东高西低的特征。就各地区GML指数水平而言,东北地区最高,均值为1.022 1,年均增长2.21%;东部地区次之,均值为1.005 1,年均增长0.51%;中部地区再次,均值为0.990 3,年均下降0.97%;西部地区最低,均值为0.973 8,年均下降2.62%。相对于其他地区,东北地区是我国重要的畜牧业潜力发展区,具有独特竞争优势,区域土壤肥沃,粮食、牧草资源丰富,环境承载能力较强,绿色产品认证数高,畜禽标准化规模养殖不断壮大。2017年,原农业部发布的《关于加快东北粮食主产区现代畜牧业发展的指导意见》指出,到2020年,东北现代畜牧业建设取得明显进展,产业结构调整基本完成,种养结合、农牧循环的绿色发展模式基本形成,并加大对东北现代畜牧业建设政策资金扶持力度,在很大程度上提升了东北地区畜牧业绿色全要素生产率水平。东部地区地理位置优越,多属于沿海经济发达地区,畜牧业环境保护管制措施积极推进,绿色生产养殖技术得到广泛推广和应用,畜牧业绿色生态发展水平良好。而相较于东北和东部地区,中西部地区畜牧业养殖方式仍较为粗放,畜禽粪便污染处理能力较弱,使得畜牧业绿色生产率均较落后,但其经济发展、资源约束和生态环保治理水平有很大提升空间,应加快畜牧业的转型升级。

表3 2011—2020年我国省域畜牧业绿色全要素生产率及其分解

从各地区GML指数构成来看,东北地区畜牧业绿色全要素生产率增长来源于绿色技术效率和绿色技术进步的双向加持,年均增长分别为1.22%和0.97%。而东部、中部和西部3个地区畜牧业绿色全要素生产率增长主要来源于绿色技术进步,年均增长分别为1.25%、0.39%和0.31%,东部地区增长最快;而东部、中部和西部地区绿色技术效率则均出现倒退,年均降幅分别为0.76%、1.35%和2.93%,西部地区倒退最快。

进一步从省域层面来看,2011—2020年我国畜牧业绿色全要素生产率排名前5的省份依次为黑龙江(1.047 4)、天津(1.045 2)、北京(1.023 7)、上海(1.013 4)和重庆(1.012 3),后5名则是甘肃(0.963 0)、青海(0.958 4)、云南(0.956 3)、贵州(0.951 4)和西藏(0.929 6)。从区域差异来看,除浙江、福建和广东外,东部地区其余7个省份畜牧业绿色全要素生产率均实现正向增长;中部地区仅有河南省畜牧业绿色全要素生产率处于增长状态,其余省份畜牧业绿色全要素生产率则有所下降;西部地区只有重庆畜牧业绿色全要素生产率呈正向增长,而其余省份畜牧业绿色全要素生产率整体处于落后水平;东北地区的黑龙江、辽宁和吉林3个省份畜牧业绿色全要素生产率均实现正向增长,其中,黑龙江畜牧业绿色全要素生产率年均增速高达4.74%。由此可见,我国仅有38.71%的省份(12个)畜牧业绿色全要素生产率实现正增长(大于1),且这些省份大多位于东部沿海经济发达地区。

从各省域分解项来看,我国畜牧业绿色全要素生产率驱动情况主要分为3种:第1种情况是绿色技术效率和绿色技术进步“双轨驱动”,主要包括北京、天津、山东、河南、辽宁、吉林和黑龙江7个省份;第2种情况是绿色技术效率或绿色技术进步“单轨驱动”,其中,河北、上海、江苏、福建、海南、山西、江西、安徽、内蒙古、重庆、贵州、甘肃、宁夏和新疆14个省份主要驱动因素为绿色技术进步,浙江和广西2个省份主要驱动因素为绿色技术效率;第3种情况是绿色技术效率和绿色技术进步“双轨塌陷”,广东、湖北、湖南、四川、云南、西藏、陕西和青海8个省份整体呈现恶化状态,这些省份主要位于西部地区。由此可见,绿色技术进步在很大程度上推动了我国畜牧业绿色生态发展。

2.2 我国畜牧业绿色全要素生产率的区域差异

进一步采用Dagum基尼系数及其分解方法探究全国及4大地区畜牧业绿色全要素生产率的区域差异及其空间来源。由图2可知,我国畜牧业绿色全要素生产率基尼系数整体呈稳步上升趋势,从2011年的0.076 4上升至2020年的0.128 2,意味着我国畜牧业绿色全要素生产率地区不平衡问题凸显,未来还有继续扩大的可能。从4大地区内部区域差异来看,畜牧业绿色全要素生产率区域内差异呈逐步扩大趋势。

图2 我国总体及各地区畜牧业绿色全要素生产率基尼系数变化趋势

其中,西部地区区域内差异最大,基尼系数均值为0.103 1;东部地区次之,基尼系数均值为0.092 7;中部地区再次,基尼系数均值为0.052 7;东北地区最低,基尼系数均值为0.048 4。从波动趋势来看,西部和中部地区区域内差异在研究期内整体呈波动式上升趋势,年均增幅分别为8.8%和10.26%;而东部和东北地区区域内差异则有所回落,年均降幅分别为1.3%和5.75%。此外,需要注意的是,尽管中部地区区域内差异均值较低,但其区域内差异增长速度较快,差异有明显扩大趋势,因此要加大推动中部地区畜牧业绿色发展的内部协调力度。

由图3可知,4大地区间畜牧业绿色全要素生产率也存在较大差异。从地区间差异水平来看,东部-西部地区间差异最大,基尼系数均值为0.149 4;东北-西部和中部-西部地区间差距较大,基尼系数均值分别为0.100 5和0.100 4;东部-东北和东部-中部地区间差距相对较小,基尼系数均值分别为0.098 7和0.091 7;东北-中部地区间差异最小,基尼系数均值为0.063 3。从波动趋势来看,各个地区间差异总体呈现波动上升趋势,且可以看出东部-西部地区间差异水平从2012年开始均大于其他地区间差异水平;仅有东部-东北地区间差异从2016年开始有所回落,年均降低7.83%。从地区间差异增速来看,中部-西部、东北-西部和东部-西部地区间差异上升较快,年均增速分别为10.48%、8.02%和7.97%;东部-中部和东北-中部地区间差异上升较慢,年均增速分别为4.31%和1.72%。综上所述,西部地区畜牧业绿色全要素生产率与其他地区相比仍有较大差距,相较于其他地区,西部地区畜牧业发展明显较慢,且存在生态环境脆弱等限制条件,这制约了西部地区畜牧业生态保护与生产的协调发展。

图3 我国区域间畜牧业绿色全要素生产率基尼系数变化趋势

图4为畜牧业绿色全要素生产率地区差异来源贡献率的变动趋势。从贡献大小来看,区域间差异对地区差异的贡献率最大,其年均贡献率为60.50%,贡献率介于58.47%～64.42%之间;区域内差异年均贡献率为25.53%,贡献率介于23.36%～27.33%之间;超变密度年均贡献率为13.82%,贡献率介于10.44%～15.52%之间。

图4 我国畜牧业绿色全要素生产率区域差异来源及其贡献率

从变动趋势来看,区域间差异贡献在研究期内有所上升,而区域内贡献和超变密度贡献则有所下降,3者在研究期内均保持平稳变动趋势,起伏变动较小。综上所述,4大地区间差异是我国畜牧业绿色全要素生产率增长不均衡的主要来源。因此,优化畜牧业区域布局,推动畜牧业地区间协调发展是我国畜牧业绿色全要素生产率均衡增长的关键。

2.3 我国畜牧业绿色全要素生产率的动态演进

图5为2011—2020年全国畜牧业绿色全要素生产率水平的演变情况。从分布位置来看,核密度曲线中心向左移动,说明我国畜牧业绿色全要素生产率有所下降;从分布形态来看,波峰从“高而窄”向“扁而宽”转变,说明全国各地区畜牧业绿色全要素生产率差异程度逐渐变大;从分布极化现象来看,畜牧业绿色全要素生产率分布从双峰向多峰转变,存在一定极化现象;从分布延展性来看,各年份均呈现出不同程度右拖尾现象,说明我国存在畜牧业绿色全要素生产率较低和较高的省份,这表明畜牧业绿色全要素生产率低水平省份对高水平省份的追赶效应不足,地区差异明显增大。

图5 我国畜牧业绿色全要素生产率的分布动态

图6为全国4个地区畜牧业绿色全要素生产率水平的分布动态。由图6(a)可知,东部地区核密度曲线中心呈先左移后右移趋势,总体表现为右移,说明东部地区畜牧业绿色全要素生产率总体呈上升趋势,且东部地区畜牧业绿色全要素生产率水平整体分布较为集中,数值在0.8～1.1之间;2020年主峰右侧存在波峰,表明东部地区存在畜牧业绿色全要素生产率水平较高的区域(如天津)。由图6(b)可知,中部地区核密度曲线中心向左移动,说明中部地区畜牧业绿色全要素生产率小幅度降低;2018年主峰右侧出现小波峰,其余时间为单峰,说明中部地区存在畜牧业绿色全要素生产率水平较高的区域(如江西),并存在一定极化现象。由图6(c)可知,西部地区核密度函数中心点总体向左移动,表明西部地区畜牧业绿色全要素生产率有所下降;波峰主要呈现双峰分布,且侧峰明显低于主峰,说明西部地区畜牧业绿色全要素生产率存在明显梯度效应和极化现象,区域内绝对差异呈扩大趋势;分布曲线存在右拖尾且逐渐拓宽,也说明西部地区畜牧业绿色全要素生产率差异逐步扩大。由图6(d)可知,东北地区核密度函数中心呈先左移后右移趋势,说明东北地区畜牧业绿色全要素生产率增加幅度较高;核密度分布曲线从单峰向多峰转变,同时波峰变化区间逐渐增大,说明东北地区畜牧业绿色全要素生产率差距增大,且存在一定极化现象。

图6 4大地区畜牧业绿色全要素生产率的分布动态

3 我国畜牧业绿色全要素生产率影响因素的实证分析

3.1 指标选取

关于畜牧业绿色全要素生产率的影响因素,结合现有研究选取以下5个影响因素,各变量描述统计见表4。

表4 我国畜牧业绿色全要素生产率影响因素的描述性统计

(2)财政支农水平。公共财政理论表明,财政支农政策对于国家农业增长至关重要。理论上,财政支农通过对畜牧业生产主体行为和生产目标产生影响,进而发挥对畜牧业绿色全要素生产率的影响作用。财政支农力度的增大对于畜牧业绿色全要素生产率增长的作用主要体现在基础设施建设、科技研发、疫病防治和畜禽粪污资源化利用等方面。但如果财政资金使用效率低下,就会使得畜牧业产值下降和污染物增加。因此,财政资金对绿色全要素生产率的影响具有不确定性,其值采用农林水支出占财政总支出的比值表示。

(3)经济发展水平。随着经济发展水平的提高,社会对环保及可持续发展的关注度也会提升,进而推动产业结构升级;同时,区域经济规模扩大,科技创新资源增多,绿色技术不断进步,促使绿色全要素生产率增长;而粗放型经济发展模式则会使要素投入不断增加而经济质量水平却愈发低下,导致污染排放物增加,不利于绿色全要素生产率提高。经济发展水平采用人均国内生产总值进行表征,即为地区生产总值与地区常住人口的比值。

(4)交通通达性。对畜牧业发展来说,基础设施是必不可少的一环。交通通达性在一定程度上能够提高运输效率,抑制污染排放。同时,交通基础设施的空间网络性会增进各地区间和区域内的要素流动,使得资源聚集,从而形成规模效应和集聚效应。因此,完善的交通基础设施会加速饲料等原材料流动,改善资源配置,从而提升绿色全要素生产率。交通通达性采用公路里程与国土面积的比值表示。

(5)环境规制水平。“波特假说”认为适当的环境规制能够促进技术创新,形成倒逼机制以激励经济主体进行绿色技术革新,提高生产效率和污染治理能力[33]。根据外部性理论,环境规制是影响畜牧业绿色全要素生产率增长的重要外生约束力量。环境规制在一定程度上能够约束畜牧业污染物排放和处理,倒逼畜牧业生产者减少污染排放,进而对畜牧业可持续发展形成制约。考虑数据可获性,环境规制水平采用环境污染治理投资额占地区生产总值的比值表示。

3.2 模型设定

选取我国2011—2020年31个省份面板数据,构建我国畜牧业绿色全要素生产率影响因素模型,具体计算公式为

lnIGTFP,i,t=β0+β1lnILQ,i,t+β2IGOV,i,t+β3lnIPERGDP,i,t+β4ITA,i,t+β5lnIER,i,t+γi+εt+ei,t。

(17)

式(17)中,t为年份;i为省份;IGTFP为绿色全要素生产率,即被解释变量;ILQ、IGOV、IPERGDP、ITA和IER分别为产业集聚、财政支农水平、经济发展水平、交通通达性和环境规制水平,即解释变量;γi为个体固定效应;εt为时间固定效应;ei,t为随机干扰项。借鉴陈超凡[34]的调整方法,设2010年为基期,即2010年绿色全要素生产率为1,2011年绿色全要素生产率为2010年绿色全要素生产率乘以2011年GML指数;2012年绿色全要素生产率为2011年绿色全要素生产率乘以2012年GML指数,以此类推,计算得出2011—2020年各年份绿色全要素生产率。

3.3 实证检验及结果分析

确定回归模型形式的检验步骤如下:首先,采用传统混合最小二乘法(ordinary least squares,OLS)进行回归,F检验结果表明,F检验统计量为21.10,在1%水平上显著拒绝使用混合回归的零假设,表明存在个体效应,即认为固定效应明显优于混合回归。其次,根据Hausman检验结果,chi2(5)=107.64,Prob>chic2=0.000 0,因此最终选择固定效应(fixed effect,FE)模型和双向固定效应〔two-way fixed effect,FE(two-way)〕模型进行回归。同时,进行Wooldridge、Pesaran、friedman、frees和modified Wald检验,检验结果表明,Wooldridge系数为59.171,在1%显著水平上通过检验,表明模型存在序列相关问题;Pesaran和friedman检验P值均为1.000 0,结果拒绝组间同期相关问题;frees检验统计量为3.226,在1%显著水平上拒绝不存在截面相关的原假设。参照朱琪等[35]做法,由于笔者所用数据为平衡面板数据,且在回归时考虑了时间效应,因此倾向于采纳frees检验结果,即表明模型存在截面相关问题;modified Wald检验系数为6 678.59,在1%显著水平上通过检验,表明模型还同时存在异方差等问题。此外,由于样本数据时间跨度仅为10 a,因此无需对各变量进行单位根检验及模型的协整检验。为了克服模型存在的组内自相关、截面相关和组间异方差等问题,使用通常的面板数据估计方法会低估标准误差,因此笔者选择Driscoll-Kraay标准差估计方法(Driscoll-Kraay standard errors estimators)进行估计得到标准误差。各模型回归结果见表5。

表5 我国畜牧业绿色全要素生产率影响因素的回归结果

回归结果(表5)显示,固定效应模型、双向固定效应模型和Driscoll-Kraay标准差估计方法的估计结果基本相同,各因素对畜牧业绿色全要素生产率的影响系数和符号基本一致,说明回归结果具有较好的稳健性,笔者以Driscoll-Kraay标准差估计方法回归结果进行解释,具体分析如下:

(1)畜牧业产业集聚对畜牧业绿色全要素生产率增长产生显著负面影响,并通过5%水平上显著性检验。产生这一现象的原因可能是,畜牧业产业过度聚集产生负外部性,在一定程度上削弱了产业竞争力和经济发展。畜牧业产业集聚使区域内畜牧业生产规模和饲养规模逐渐扩大,饲料添加剂、兽药等生产要素投入的不断增加,带来畜产品药物残留污染及环境污染,产生拥挤效应,从而抑制畜牧业绿色全要素生产率增长。同时,粗放型畜牧业生产经营主体大量集中,该类生产经营主体生产效率和效益均较为低下,从而导致资源消耗加剧,畜禽粪污染、碳排放等增加,致使区域生态环境压力过大。

(2)财政农业支出占比对畜牧业绿色全要素生产率产生显著负面影响,并通过5%水平上显著性检验。这说明财政农业支出不利于我国畜牧业经济和资源环境的协调发展,财政农业支出通过政府直接或者间接补贴,在促进畜牧业发展的过程中可能会扰乱畜牧业产品和要素的市场价格,使得农牧民形成不合理生产行为,如饲养过程中过量使用抗生素类兽药,增加了非期望产出,但导致畜牧业绿色技术效率恶化和自然资源破坏,从而降低财政支农对畜牧业绿色全要素生产率的推动作用。

(3)人均GDP对畜牧业绿色全要素生产率产生显著负面影响,并通过1%水平上显著性检验。在追求经济高速增长的情况下,畜牧业在发展过程中很可能出现持续性粗放经营等现象,导致环境承载力严重超载,绿色全要素生产率低下。

(4)交通通达性对畜牧业绿色全要素生产率产生显著正向影响,并通过5%水平上显著性检验。公路密度越高说明交通运输条件越好,这为畜产品冷链物流提供了基础条件,能够降低畜牧养殖物流运输成本,还有利于拓宽销售渠道。同时,确保仔畜雏禽、饲料和兽药等生产资料能够更快流通,并延伸其供应范围,这有利于进一步降低生产要素和运输成本,为进行绿色技术创新提供更多成本空间,进而促进畜牧业绿色经济增长。

(5)环境规制促进了畜牧业绿色全要素生产率的提高,但未通过显著性检验。结果表明环境规制水平每上涨1%,畜牧业绿色全要素生产率便会相应上涨0.005 9个百分点,即环境规制与畜牧业绿色全要素生产率呈正相关关系。这可能与环境规制水平强度总体较弱有关,因此环境规制对畜牧业绿色全要素生产率的作用不大,但在一定程度上仍能反映加大环境污染治理投资有利于促进畜牧业经济绿色发展。

4 结论与建议

4.1 结论

采用超效率EBM模型和GML指数对我国2011—2020年畜牧业绿色全要素生产率进行测度,并采用固定效应模型和Driscoll-Kraay标准差估计方法研究畜牧业绿色全要素生产率的影响因素,主要结论如下:

(1)从整体来看,2011—2020年我国畜牧业绿色全要素生产率年均值为0.991 7,总体水平较低,说明我国畜牧业绿色全要素生产率在一定程度上有所恶化。从地区来看,我国各地区畜牧业绿色全要素生产率水平差异明显,主要呈现东北、东部、中部和西部地区依次递减趋势,且西部地区明显低于东北、东部和中部地区。从省域来看,黑龙江、天津、北京、上海和重庆畜牧业绿色全要素生产率遥遥领先于全国平均水平,甘肃、青海、云南、贵州和西藏则处于相对落后状态。从畜牧业绿色全要素生产率分解项来看,我国及各地区畜牧业绿色全要素生产率增长主要依靠绿色技术进步的推动,而绿色技术效率贡献相对不足,表现出一定的抑制效应。

(2)Dagum基尼系数及其分解结果表明,我国畜牧业绿色全要素生产率基尼系数整体呈稳步上升趋势,地区间差异是4大地区畜牧业绿色全要素生产率空间差异的最主要来源。其中,西部地区绿色全要素生产率区域内差异最大,东部次之,中部第三,东北最小;东部-西部地区间差异最大,东北-中部地区间差异最小,且东部-东北地区间差异有所回落。

(3)我国畜牧业绿色全要素生产率有所下降,波峰从“高而窄”向“扁而宽”转变,差异程度逐渐变大且存在梯度效应和极化现象;东部地区畜牧业绿色全要素生产率呈上升趋势,各省份水平整体分布较为集中,数值介于0.8～1.1之间;中部地区畜牧业绿色全要素生产率呈下降趋势,2018年区域内差异扩大;西部地区畜牧业绿色全要素生产率呈下降趋势,分布曲线呈现右拖尾现象,绝对差异存在扩大趋势;东北地区畜牧业绿色全要素生产率呈上升趋势,核密度分布曲线从单峰向多峰转变,区域内差距增大,且存在一定极化现象。

(4)畜牧业产业集聚、财政支农和人均GDP对畜牧业绿色全要素生产率具有显著负向影响,交通通达性则具有显著正向影响。

4.2 建议

(1)采取差异化策略,探索适应区域资源禀赋的畜牧业绿色发展模式。东部地区应充分发挥经济与技术优势,研发与创新畜牧业节能减排低碳技术,实现畜禽养殖废弃物资源化利用全覆盖;中部地区是我国重要的粮仓,饲料资源丰富,畜牧业发展潜力大,应着力推行“以地种养、有种有养”的种养结合模式,促进资源要素有效投入,变革品种改良等绿色技术,发展节粮型畜牧业,推动畜牧业绿色循环发展;西部地区拥有畜牧业发展资源禀赋,但生态环境脆弱,目前仍处于粗放型经营阶段,存在超载放牧、过度开采等问题,应加强针对西部地区畜牧业环境政策支持,全面建立草原生态保护补助奖励机制,落实草畜平衡制度,引进牧草新品种选育、良种繁育及畜禽粪污综合利用技术,推进标准化规模养殖,提高畜禽粪污综合利用率;东北地区是我国粮食主产区,粮食、秸秆及牧草资源丰富,应积极推广粮改饲和种养结合的生产模式,促进农牧循环绿色发展,推广粗饲料开发利用、畜禽粪污无害化处理及资源化利用、畜禽养殖智能化等绿色技术广泛应用。

(2)统筹区域协同发展,平衡经济发展与生态环境。加强各省份之间畜禽养殖技术交流与合作,促进各省份之间畜禽养殖要素流动,建立跨区域畜牧业绿色合作机制,搭建区域畜牧业合作平台,紧抓东西部协作以缩小区域差异,推动畜牧业绿色协调发展。根据各区域环境承载力进行养殖布局调整,引导生猪等牲畜由养殖密集分布区向环境承载力较强的区域转移,形成与资源环境承载力匹配协调的畜牧业发展格局。畜牧业强省应带动周边省份畜牧业现代化发展,充分发挥辐射带动作用,形成良性竞争、互利共赢的新格局。

(3)兼顾绿色技术进步和绿色技术效率齐发展。绿色技术进步在一定程度上能够改善畜牧业绿色发展水平,但也容易造成资源配置效率低下。因此,建议加强化学兽药替代品、新型复合饲用益生菌等畜牧业绿色投入品的研发创新,创新饲料配比配方,推进兽用抗菌药使用减量化行动,同时积极探索种养结合循环模式,减少农业面源污染;引进智能化、网络化畜禽养殖技术,研发畜牧业良种繁育、饲料开发和粪污处理等绿色新技术,推动畜牧业碳达峰和碳中和。

(4)合理进行畜牧业产业集聚,引进畜牧高新技术企业,鼓励集聚区企业推进绿色技术创新,不断提升养殖机械化水平和资源利用效率,推动绿色循环养殖模式形成。整合规划、合理分配财政支农资金,坚持补贴向畜禽承载风险地区转移,并设立绿色生态畜牧业专项资金,资助养殖场污染处理、畜禽粪污处理及粪污存储设施装备购入。同时,提高畜牧业污染防治在环境污染治理投资中的占比,不断提高我国整体畜禽养殖污染治理能力,以实现畜禽养殖和生态环境协调发展。