农业生态效率的演变特征与空间收敛——基于黄河流域47 个城市的实证

王磊，刘茹迪，马红坤

（山东师范大学 经济学院，山东 济南 250358）

黄河流域是我国重要的农产品生产基地，2021 年黄河流域粮食总产量2.39 亿吨，占全国粮食总产量的35%。黄河发源于青藏高原，横跨我国东、中、西部，生态环境脆弱，农业的快速发展给这一区域生态环境承载力带来了巨大考验。2019 年，中央将黄河流域生态保护和高质量发展上升为国家战略。2023 年4 月1 日起，《中华人民共和国黄河保护法》正式施行，强调加强黄河流域生态环境保护，保障黄河安澜，推进水资源节约集约利用，推动高质量发展。

生态效率（ecological efficiency）是反映经济发展与生态环境之间关系的重要概念，由德国学者STEFAN 等[1]于1990 年首次提出。农业生态效率一般是指在农业生产过程中投入和产出要素的组合关系，在一定的要素组合下，以较少的资源消耗和环境污染获得更多的农业产出时，农业生态效率就越高[2]。在强化黄河流域农业生态环境保护的背景下，系统测算黄河流域农业生态效率，分析其时空演化特征，进而分析其空间收敛性，对于提升黄河流域农业生态效率，缓解黄河流域在农业部门面临的环境保护压力具有重要价值。为此，本研究聚焦的核心问题是黄河流域的农业生态效率究竟如何？其时空演变有何特征？效率变动的来源是什么？是否存在空间收敛性，什么因素驱动了黄河流域农业生态效率的收敛？

现有关于农业生态效率的研究主要从三个方面展开：一是农业生态效率的评价方法。主要包括生命周期法、生态足迹法、随机前沿分析法（SFA）、数据包络分析法（DEA）等[3]。其中，DEA 模型由于事先不需要设定变量之间的关系，在测定具有多个投入产出指标的决策单元时具有优势，但传统DEA 模型由于未能充分考虑松弛变量故难以精准地测度区域发展的实际效率。为克服这一缺陷，TONE[4]提出非径向、非角度的非期望产出SBM 模型，将负外部性产出纳入模型，有效解决了投入产出的松弛问题[5]，逐渐成为测度农业生态效率的主流方法。二是农业生态效率的时空特征研究。多数学者基于省级面板数据，以农业面源污染、农业碳排放等为非期望产出对中国农业生态效率的时空特征进行测度分析[6-8]。也有不少学者引入空间计量方法中的经典β收敛分析、探索性空间数据分析、泰尔指数等方法分析农业生态效率的区域差异和空间收敛性[9-11]。三是关于农业生态效率的驱动因素分析。既有研究多采用面板Tobit 模型[12-13]来实证分析农业生态效率的主要影响因素，也有少数学者采用二次指派模型[14]、地理探测器[15]、门限回归模型[16]等方法进行了探究。

本文的创新性在于：一是拓展了已有研究关于农业期望产出的指标体系，借助农田生态系统服务当量，全面测算包含农业多功能性指标在内的农业期望产出。二是在农业生态效率的动态特征上，深入分解分析了农业生态效率的变动来源。三是采用空间计量模型对农业生态效率的空间收敛性及其影响因素进行了分析。

1 研究区域与数据来源

黄河流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南和山东9 个省份，流域面积79.5 万平方千米，约占我国国土面积的8.3%，流域总人口4.2 亿人，约占全国总人口的30.3%。由于四川省区域内大部分属于长江流域，考虑到地级城市层面相关数据的可得性，本文选取黄河流域内除四川省外的8 个省区的47 个地级市作为研究区域，具体包括甘肃省的兰州、天水、张掖（共3 个市），青海省的西宁（共1 个市），宁夏回族自治区的银川、石嘴山（共2 个市），内蒙古自治区的呼和浩特、包头、乌兰察布、鄂尔多斯、巴彦淖尔（共5 个市），陕西省的西安、咸阳、延安、榆林（共4 个市），山西省的太原、晋中、临汾、长治（共4 个市），河南省除信阳之外的17 个城市，山东省的滨州、德州、东营、菏泽、济南、济宁、聊城、泰安、潍坊、枣庄、淄博（共11 个市）。考虑黄河上中下游的分界点以及地市级行政单元的完整性，借鉴相关研究，本文将黄河流域分为上游、中游和下游三个地区，见图1。

本文选取的样本数据是2000—2020 年黄河流域沿线47 个地级市的面板数据，所涉及的投入产出指标数据及驱动因素数据均来源于历年《中国城市统计年鉴》《中国区域经济统计年鉴》《中国农村统计年鉴》《全国农产品成本收益汇编》以及各相关地级城市统计年鉴，少数缺失的数据采用插补法予以补齐。

2 研究设计

2.1 农业生态效率的测度

2.1.1 模型选择

由TONE[4]提出的非期望产出的超效率SBM 模型综合考虑了投入、期望产出和非期望产出，不仅能够有效解决传统模型忽略投入产出的松弛性而导致测度结果偏误问题，而且能够对所有决策单元进行排序。基于此，本文采用非期望产出的超效率SBM 模型对黄河流域农业生态效率进行测度，具体模型如下：

式中：ρ表示目标效率值；x、yg、yb分别代表投入、期望产出、非期望产出指标的数值，S-、Sg、Sb分别代表投入松弛量、期望产出松弛量、非期望产出松弛量，m、s1、s2分别表示投入指标、期望产出指标、非期望产出指标的个数，λ代表权重向量。

2.1.2 指标选取与测度

结合公式（1）、（2），本文的指标体系共分为投入指标、期望产出指标和非期望产出指标三类，具体指标及测算方法如表1 所示。

表1 农业生态效率投入产出指标体系

（1）投入指标。参考王宝义等[7]、侯孟阳等[17]的研究，本文选取土地、劳动、灌溉、机械、农药、化肥等作为投入指标。其中，劳动力选取农业从业人员人数衡量，对于只有第一产业从业人员数据的城市则用农业产值占第一产业总产值的比重进行换算得出。

（2）期望产出指标。期望产出指标用农业产值和农田生态系统的服务价值表示。黄河流域农田生态系统的服务价值参考谢高地等[18]的研究，根据单位面积农田生态系统服务价值当量表（表2），结合小麦和玉米的种植状况进行计算，具体公式如下：

式（3）、（4）中：SWit和SCit分别代表i城市t年小麦、玉米的播种面积占两种作物总播种面积的百分比，FWit和FCit分别代表i城市t年小麦、玉米的单位面积净利润（元/公顷），D代表黄河流域1 个标准当量因子的生态系统服务价值量（元/公顷），Zk代表第k类农田生态系统服务价值当量，ESVit、Sit和Wit分别代表i城市t年的农田生态系统的服务价值、农作物播种面积和农业总产值，W代表2000—2020 年黄河流域47 个城市的农业总产值。

（3）非期望产出指标。非期望产出指标选取农业碳排放量和农业面源污染，其中农业碳排放量选择化肥、农药、灌溉、农膜、农用柴油以及农业翻耕乘以相应碳排放系数计算得到[19]。为了避免指标过多影响结果的准确性，借鉴方永丽等[20]的处理方法，将农业面源污染用熵值法由化肥氮磷流失量、农药残留量和农膜残留量综合而成。

2.2 空间收敛性分析

β收敛源于经济增长理论的趋同思想，包括绝对β收敛和条件β收敛。前者是指无论初始条件如何，各地区都将达到相同的稳态水平；后者假定各地区的经济社会发展具有异质性，因此考虑其他影响因素后也呈收敛趋势，后者一定程度也可以检验前者的稳健性。考虑到农业生态效率的空间相关性，以及邻近地区随机误差中的不确定性冲击导致的空间溢出，本文参考赵领娣等[21]的研究，选择空间误差模型（SEM）进行空间β收敛性分析，空间误差模型为：

式中：α为常数项，β为空间收敛系数，λ是空间误差系数，W为空间权重矩阵，εi,t和δi,t为误差项，AEEi,t表示地级市i在t年的农业生态效率，μi和ηt代表个体和时间固定效应。空间条件β收敛是在等式右边增加φlnXi,t，X表示一系列影响农业生态效率的因素。根据公式s=-ln(1-|β|)/T计算时间跨度T内的收敛速度s。

在构建空间条件β收敛模型时，借鉴洪开荣等[22]、杨肃昌等[23]的研究，同时结合黄河流域农业发展状况和生态特征，本文选取影响黄河流域生态效率的5 个主要影响因素，见表3。

表3 黄河流域农业生态效率的主要影响因素

3 研究结果

3.1 黄河流域农业生态效率的演变特征

3.1.1 时序演变特征分析

基于非期望产出的超效率SBM 模型，借助MaxDEA 8.0 软件测度2000—2020 年黄河流域47 个地级市的农业生态效率（限于篇幅，本文未再列出黄河流域47 个地级市的农业生态效率测度结果，但可供索取），并分为上游、中游和下游地区，比较不同区域的农业生态效率均值（图2）。从整体上看，黄河流域各年份农业生态效率平均值基本上在0.6 以下，处于偏低水平；从效率变动上看，研究期内农业生态效率呈现出在波动中缓慢上升的态势，其中，2010 年以前，不同区域的效率均值整体表现为上游＞中游＞下游，2010 年后，下游地区的农业生态效率明显提升，开始逐步赶超中游和上游地区。2017 年党的十九大之后，我国农业绿色发展步伐加快，黄河流域农业生态效率有了明显上升，尤其是下游地区对政策的响应程度最高，加之区域内农业技术进步较快和创新活跃等因素的助推，至2020 年成为黄河流域农业生态效率最高的地区。

图2 2000—2020年黄河流域农业生态效率的演变过程

为进一步探究黄河流域农业生态效率随时间演变的集聚性差异特征，本文采用高斯正态分布的非参数Kernel 密度函数对效率水平的时序演进状况进行可视化展示，选择2000 年、2005 年、2010 年、2015 年、2018 年、2020 年6 个年份为观测时点，得到不同时点的分布状况（图3），分别从波峰高度、峰数、位置三个方面分析：核密度波峰高度下降并且向右移动，这表明低效率的城市在减少，高效率的城市增加且聚集程度降低；核密度呈现出由多峰向双峰、单峰过渡的特征，且“拖尾”现象逐渐消失，说明多级分化的现象有所减弱，各城市之间的效率差距也有所缩小；从位置上看，核密度曲线向右移动，这意味着农业生态效率整体逐年上升。

图3 2000—2020年黄河流域农业生态效率Kernel密度估计

3.1.2 空间格局演变特征分析

借助于ArcGIS 10.2 软件将2001 年、2005 年、2010 年、2015 年、2018 年、2020 年研究区域农业生态效率进行空间可视化分析（图4），从图4 中可以看出空间演变的三个主要特征：一是整体呈现出明显的增长态势，2001 年效率值达到较高效率及以上水平的城市仅有6 个，2020 年有28 个，占总城市个数的57.45%。二是各城市的农业生态效率呈现出空间分异性特征，上游地区多数城市农业生态效率一直处于较低水平，而随着时间推移，处于中下游的大部分城市效率值逐渐接近于生产前沿面。三是处于高效率水平的城市整体上呈现出由分散化分布逐渐向中下游地区聚集的特征。

图4 2000—2020年黄河流域各城市农业生态效率空间演变过程

3.1.3 ML指数及其分解分析

为进一步考察效率的动态变化特征以及效率分解指标的变化规律，本文运用ML 指数对黄河流域农业生态效率的动态特征值进行测度。FÄRE 等[24]将Malmquist指数应用于全要素生产率（TFP）变动的测度，并将其与DEA 模型结合，用以计算决策单元的TFP。CHUNG 等[25]将方向距离函数引入Malmquist 指数，解决了非期望产出的问题，并把它称为ML 指数。ML 指数可以分解为效率变化（EC）和技术变化（TC），当EC＞1 时，说明决策单元现有技术有优化；当TC＞1 时，表明决策单元技术水平存在进步和创新。本文借鉴ZOFIO[26]的分解方法，将ML 指数进一步分解为纯技术效率变化（PEC）、规模效率变化（SEC）、纯技术变化（PTC）和规模技术变化（STC）4 个指数（限于篇幅，本文未再列出黄河流域各城市农业生态效率ML 指数及其分解结果，但可供索取）。图5 是不同区域农业生态效率ML 指数及其分解结果。

图5 黄河流域农业生态效率ML指数及其分解

由图5 可以看出，黄河流域农业生态效率增长的主导因素是技术变化（TC），黄河流域上、中、下游三个地区的PTC 和STC 指数均大于1，而SEC 指数均小于1，这说明流域内重视将先进的技术引进并应用于农业生产领域，亦重视技术创新能力，但在农业生产要素的规模化水平和现有规模体系上仍有较大提升空间。同时注意到，黄河流域下游的PEC 指数大于1，而上、中游地区该指数均小于1，这说明下游地区较高的经济发展水平不仅带动了该地区的农业技术创新，而且在农业资源配置中的较高管理水平和技术应用能力，也有效促进了该地区的农业生态效率较快增长。

3.1.4 空间自相关分析

借助ArcGIS 10.2 软件，测度2000—2020 年黄河流域农业生态效率的全局Moran’s I 指数，以分析是否存在空间自相关（表4）。可以看出，2013 年以后Moran’s I 指数为正值，并通过了显著性检验，表明黄河流域农业生态效率呈现出高度集聚态势，从数值变化上来看，呈现出在波动中上升的趋势，表明效率的空间集聚效应随着时间的推移逐渐增强，空间自相关程度上升。2012年以来，随着我国生态文明战略的深入实施和农村绿色发展的深入推进，黄河流域农业生态效率提升显著，与高效率城市相邻近的城市效率也有了较快的提升，分布格局也呈现出较为明显的集聚状态。

表4 2000—2020年黄河流域农业生态效率全局Moran’s I指数值

3.2 黄河流域农业生态效率的空间收敛性分析

由于黄河流域农业生态效率存在明显的空间自相关，因此本文基于空间计量模型进行空间β收敛分析。表5 的检验结果表明，LM 检验均通过了1%的显著性水平，再进行Robust-LM 检验，发现Robust LM-error通过了显著性检验而Robust LM-lag 不显著，因此选择空间误差模型进行收敛性分析。Hausman 检验结果表明采用固定效应。

表5 空间相关性检验结果

3.2.1 空间绝对β收敛分析

根据公式（5）确定的绝对β收敛空间误差模型，运用Stata 16 软件对黄河流域农业生态效率的绝对收敛模型进行估计，并考察不同区域的收敛性，结果见表6。可以看出，空间误差系数λ均通过了显著水平检验，说明模型估计效果良好；空间收敛系数β均小于0，且除黄河下游之外均通过了1%的显著性检验，说明这些区域的农业生态效率存在绝对收敛，而黄河下游的系数β小于0 但不显著，可能存在假性收敛的现象；各区域的收敛速度s表示为上游＞中游＞下游，上游的收敛速度明显高于其他地区，说明上游地区提升农业生态效率的态势强劲。

表6 黄河流域农业生态效率的空间绝对β收敛回归结果

3.2.2 空间条件β收敛分析

进一步对黄河流域农业生态效率进行空间条件β收敛分析，以探讨促成收敛的主要影响因素，结果见表7。可以看出，在考虑其他影响因素后，收敛系数β均依然显著小于0，表明在观察期内黄河流域农业生态效率存在明显的条件收敛特征；与绝对β收敛系数相比，各地区条件β收敛速度均出现不同程度的加快，这一方面说明了所选控制变量的合理性，另一方面说明这些影响因素显著促进了农业生态效率的收敛。

表7 黄河流域农业生态效率的空间条件β收敛回归结果

从控制变量的系数可以看出，表7 列（1）显示农业经济发展水平、财政支农力度对黄河流域农业生态效率产生显著正向驱动作用，而工业化水平、农业机械化密度、农业市场化程度则产生显著负向影响，这一结果表明在研究时段内，黄河流域农业经济的整体较快增长和外在的财政支农积极作用，助推了农业生产技术水平和农业生产效率的提高，进而驱动了农业生态效率的上升；外在的工业化发展、农业机械化密度的提升以及内在的农业市场化程度产生了显著的负向影响，说明黄河流域工业化发展对农业生产效率的促进作用较为有限。同时，农业机械的过度使用导致农业碳排放等非期望产出的增加，以及市场化进程中市场失灵、政府失灵、结构失灵等因素在黄河流域农业发展中仍然存在，导致了农业生态环境的破坏，不利于农业生态效率的提升[27-28]。

根据表7 中的列（2）、列（3）、列（4），从黄河流域不同区域来看：①工业化水平仅对黄河上游产生显著负向影响，对中、下游的影响并不显著，可能是由于上游地区工业的发展一定程度上挤占了农业发展资源，而中、下游的环境保护政策对工业企业的生产起到了部分约束作用。②农业经济发展水平对上、中、下游均产生显著正向促进作用，说明较高的农业经济发展水平和农业生产技术水平更有利于提升农业生态效率。③农业机械化密度对上、中游地区产生显著负向影响，对下游地区的影响为正，其可能的原因是，上、中游地区对农业机械的利用不合理，而下游地区的农业机械化应用程度和应用水平更高，有效发挥了农用机械的使用效率。④财政支农力度对上地区产生正向影响，而在下游地区影响为负，可能是因为下游地区政府在大力促进农业发展的同时扭曲了要素的市场价格，使化肥、农药等农业生产资源的投入增加，抑制了农业生态效率的提升。⑤农业市场化程度对上游和中游地区的农业生态效率影响不显著，其可能原因是，农业市场化程度受农业技术配置效率的影响，上、中游地区的农业技术水平相较于下游较低，对农业生态效率的影响也相对减弱。

4 结论与启示

本文基于黄河流域47 个地级市2000—2020 年的面板数据，对黄河流域农业生态效率进行测度分析，并探究了其空间收敛性。得到的研究结论有：一是黄河流域农业生态效率水平整体偏低，但正处于由低水平迈向高水平的“爬坡”阶段，其中黄河下游地区的农业生态效率增长速度最快；流域内低效率的城市在减少，高效率的城市在增加且聚集程度降低，多级分化的现象有所减弱，各城市之间的效率差距有所收窄。二是各城市的农业生态效率呈现出空间分异性，且处于高效率水平的城市整体上呈现出由分散化分布逐渐向中下游地区聚集的特征；在空间关联性上，效率的空间依赖程度不固定，但空间聚集性总体增强。三是效率上升的主要来源为技术进步，流域内农业的规模化水平仍有较大提升空间。四是黄河流域农业生态效率呈现显著的空间收敛性，且工业化水平、农业经济发展水平、农业机械化密度、财政支农力度、农业市场化程度会促进效率的收敛。

上述研究结论具有丰富的政策启示：一是要结合黄河流域上、中、下游地区的自然条件和农业经济发展水平，实施差异化的农业绿色发展政策，分类精准施策，协同提升各地区农业生态效率。二是高效率地区应加强与低效率城市的农业技术协同，下游地区应与上中游地区之间建立农业生态治理合作共享机制，加强区域内农业生产技术、管理方法、生态治理经验等方面的共享，充分利用高效率地区的空间溢出效应，提升流域内农业生态效率的整体水平。三是各城市应加大对农业科技的研发经费投入，同时发挥下游地区农业技术创新优势，为其他地区提供技术支持，以带动整个黄河流域技术创新水平的提升。四是空间收敛性的存在使得政府在制定农业政策时不仅要关注本地的农业发展，而且要与邻近地区建立良好的农业生态合作、联动机制，充分考虑本地区与邻近地区在农业发展水平、资源禀赋等方面的差异，分区域、有差异性地提升农业生态效率；流域内各地区要重视促进农业经济高质量发展，着力提升农业生产技术水平，推动农业生产效率提高；要以提升农业生态效率为导向来优化财政支农方式和结构，加大农业生态环保技术的开发与应用，促进财政支农向促进农业生态化方向转型；各地区要加快推进农业市场化进程，拓展农业市场化内容，注重农业产前、产中、产后的市场化，尤其要注重提升农业土地等要素市场化水平，适度加强政府对各地区农业市场化发展的宏观调控。