中国粮食生产效率的时空演变特征及影响因素

季张含昱 杨慧文

季张含昱，杨慧文. 中国粮食生产效率的时空演变特征及影响因素［J］. 湖北农业科学，2024，63（3）：150-156．

摘要：基于投入产出框架设计粮食生产效率测算指标体系，构建基于DDF的粮食生产效率动态DEA测算模型，测算2011—2019年中国粮食生产效率，然后结合ESTAD模型和地理探测器模型识别中国粮食生产效率的时空演变特征及其影响因素。结果表明，2011—2019年，中国粮食生产效率总体水平较高，呈小幅度动态下降趋势，并呈明显的地区差异性；中国粮食生产效率的局部空间结构和空间依赖方向上具有较强的稳定性，东西部地区局部空间结构稳定性高于中部地区，而中西部的局部空间稳定性高于东部沿海地区；粮食生产效率与邻域协同增长的省（市、自治区）占比为51.6%，集中于黄河以南，空间格局整合性呈多元化和差异化特征；宏观经济因素对粮食生产效率的影响最大，政策支持因素影响最小，但政策支持与其余因素的交互作用具有非线性增强效果。

关键词：粮食生产效率；时空演变；影响因素；ESTDA模型；地理探测器

中图分类号：F326.11         文献标识码：A

文章编号：0439-8114（2024）03-0150-07

DOI：10.14088/j.cnki.issn0439-8114.2024.03.023 开放科学（资源服务）标识码（OSID）：

中国有着世界第一的粮食进口需求，因此提高粮食产能、强化粮食供给稳定性是应对全球粮食市场波动升级的关键［1］。粮食生产能力的提升主要通过两个途径，分别为要素投入的增加和生产效率的提高［2，3］。随着人口不断增加，粮食刚性需求增长，同时农业用地供给由于工业化、城镇化发展被不断侵蚀［4］，水资源短缺、耕地质量下降、劳动力流失等资源环境因素限制了粮食生产能力提升的上限［5］，通过增加生产要素投入的方法来提升粮食产量愈发困难［6-8］。因此，提升粮食生产效率是实现粮食产量稳步增长、维护国家粮食安全的根本途径。

已有诸多学者从不同角度采用不同方法对中国粮食生产效率展开了研究，研究对象涵盖全国［9，10］、省域［11］等。肖红波等［9］利用DEA模型测算了中国2000—2009年粮食生产效率，发现粮食生产平均综合技术效率与纯技术效率均较低。杨林等［10］、丁文斌等［11］分别采用以投入和产出为导向的BBC模型测算全国和湖北省的粮食生产效率，发现增加要素投入可以提高粮食生产效率。为弥补传统DEA模型假设与实际情况不符的缺陷，学者们对DEA模型进行了改进。王千等［12］运用Malmquist-DEA方法对河北省县级粮食生产的全要素效率进行测算，对其省域内粮食生产效率的空间分异和趋势特征做出了阐释。曾福生等［13］采用SBM-Tobit模型核算了中国2009年粮食生产效率，发现粮食生产效率与化肥使用量、粮食播种面积等因素有密切联系。张利国等［14］运用DEA-Malmquist指数和固定效应模型分析2001—2012年中国粮食主产区粮食全要素生产率时空演变及驱动因素。为弥补粮食生产效率研究中对空间效应的忽视，高鸣等［15］采用DEA-Morans I-Theil Index模型分析了粮食生产技术效率的空间自相关情况及其区域差异；杨丽霞等［16］借助ESDA和地理加权回归模型，得出粮食生产及其驱动因素均具有空间异质性；杨春等［17］利用空间计量经济模型得出中国粮食生产存在较强的空间依赖性。

现有研究对于粮食生产效率空间变化特征的研究成果相对较少，同时缺少对粮食生产效率影响因素的探究。本研究以系统供给限制与环境约束为约束条件，避免效率测度因受某个特殊决策单元影响而出现的高估或低估问题［18］，构建基于DDF的粮食生产效率动态DEA测算模型，测度2011—2019年中国粮食生产效率，并采用Rey等［19］提出的ESTDA模型，借助LISA时间路径及时空跃迁等分析方法，结合地理探测器，解析粮食生产效率空间格局的动态变化特征及其影响因素，以期为提高中国粮食生产效率、保障粮食安全提供决策参考。

1 研究方法与数据来源

1.1 研究方法

1.1.1 基于DDF的粮食生产效率动态DEA测算模型 假设粮食生产系统存在n个生产规模可变的决策单元DMUk（k=1，2，…，n），经历时间段为T（t=1，2，…，t）。在第t年时，设[xFijt≥0]表示在粮食生产系统内DMUj的第i个投入指标[（j=1，2，…，n）]，[yFrjt≥0]表示在粮食生产系统内DMUj的第r个产出指标（j=1，2，…，n），[zCj（t，t+1）≥0]表示DMUj从第t年到第t+1年的结转变量。粮食生产系统的生产可能性集为[Pt=（xFt，yFt，zC（t，t+1）），t=1，2，？，T]。[DMUo（o=1，2，…，n）∈][Pt]的输入、输出、连接和结转约束如下。

[j=1nxFjtλFjt≤θFtxFotj=1nyFjtλFjt≥θFtyFot （期望产出）j=1nyFjtλFjt≤θFtyFot （非期望产出）j=1nλFjt=1 粮食系统j=1nλWj，t-1zCj（t-1，t）=j=1nλEjtzCj（t-1，t）=j=1nλFjtzCj（t-1，t）                              时期连接变量] （1）

式中，[λFjt]为粮食生产系统DMUj的强度向量，[λFjt]≥0；[θFt]表示t时的效率矩阵。将能够促进系统效率的产出归类为期望产出，例如GDP、虚拟水供应等，反之称为非期望产出，如农业面源污染。参考Petridis等［20］、Shao等［21］对基于DDF的动态DEA模型的研究成果，DMUs效率的目标函数为：

[ρ=maxt=1TWtλFt]       （2）

式中，Wt是分配给时间t的非负权重，满足[t=1TWt=1]。相对权重分为内生权重与外生权重［22］，采用与以往研究相同的外生权重［22，23］，可以反映不同时期或阶段之间的相对重要性。基于熵权法获得输入和输出指标的权重，将其整合为一个综合指数。离散度大的指标权重较高［24］。

利用模型（2）在模型（1）的约束下，通过线性规划公式计算得到粮食生产系统t时期的效率（[ρFt]）。

[ρFt=1-1mi=1mθgxi/xit1-1qi=1qθgyi/yit]            （3）

式中，m和q分别表示系统投入和产出变量的数量；[θgxi]表示各项投入的改进数量，[θgxi/xit]表示各项投入的改进比例；[θgyi]表示各项产出的改进数量，[θgyi/yit]表示各项产出的改进比例。整体效率（[ρ]）由时段内的每期效率加权求和得到，表示为：

[ρ=t=1TWtρFt]                 （4）

基于全要素能源效率指标，计算关键指标的效率，以更好地拟合实际情况。

1.1.2 ESTDA模型

1）LISA时间路径。基于Morans I散点图中的迁移特性，将时间维度纳入LISA，使其具有连续动态属性，从而揭示省域间粮食生产效率时空交互作用以及时空依赖效应对区域系统演化的影响程度［25］。LISA时间路径的几何特征常用相对长度和弯曲度表示［26］，计算式如下。

[Rli=n×t=1T-1d（Li，t，Li，t+1）i=1nt=1T-1d（Li，t，Li，T）]       （5）

[Di=t=1T-1d（Li，t，Li，t+1）d（Li，t，Li，T）]        （6）

式中，Rli、Di分别表示相对长度和弯曲度；n为DMU的数量；T表示研究时段；Li，t 、Li，t+1分别表示t、t+1年份区域i的局部莫兰指数坐标；d（Li，t，Li，t+1）、    d（Li，t，Li，T）表示两点间的移动距离。Rli越大，表示DMUj的粮食生产效率的局部空间依赖性和空间结构更具动态性；Di越大，表明DMUj的移动路径更弯曲，意味着粮食生产效率具有更不稳定的局部空间依赖方向，并且随时间推移变化幅度越显著或波动越剧烈。

2）LISA时空跃迁。Rey［27］、Elhorst［28］将局部莫兰指数与马尔科夫转移矩阵相结合，提出了局部马尔科夫转移矩阵和时空跃迁，并将跃迁分为Type0、Type1、Type2、Type3四种类型，用于揭示地理要素的空间依赖特征。其中，Type0型区域自身和邻域均不发生跃迁；Type1型表示区域自身跃迁，邻域不变（包括高高→低高、高低→低低、低高→高高、低低→高低）；Type2型表示区域自身不变，邻域发生跃迁（包括高高→高低、高低→高高、低高→低低、低低→低高）；Type3型表示区域自身与邻域均发生跃迁，若自身与邻域跃迁方向一致称为Type3A（包括高高→低低、低低→高高），否则称为Type3B（包括高低→低高、低高→高低）［29］。Rey［27］根据跃迁的不同类型和表征的锁定特征将其分类，得到时空流动和时空凝聚的计算式，如下。

[SF=nType1+nType2n]           （7）

[SC=nType0+nType3An]         （8）

式中，SF、SC分别表示研究对象的时空流动和时空凝聚；[nType0]、[nType1]、[nType2]和[nType3A]为Type0、Type1、Type2、Type3的跃迁数量。在本研究中，[n=（2019-2011）×31=248]。

1.1.3 地理探测器 在分析中国粮食生产效率时空动态演变特征的基础上，有必要进一步分析其背后的影响因素。使用地理探测器中的因子探测器分析与交互探测器探究造成空间分异性的驱动力［30，31］。

1）分异及因子探测。探测Y的空间分异性以及因子X对其的解释力度（q），计算式如下。

[q=1-SSWSST=1-1Nσ2h=1LNhσ2h]           （7）

式中，[q∈0，1]，[q]越大表示地理探测因子对粮食生产效率异质性的解释力越大，反之越小［32］；SSW与SST分别为层内方差之和与区域总方差；h为因子X的分类；N和Nh分别表示全部和h层的决策单元数；[σ2h]和[σ2]分别表示层h和全部Y的方差。

2）交互作用探测。分析多个因子之间的相互影响对因变量解释力的作用效果。两个因子之间的关系可以分为5类，见表1。

1.2 指标选取

参考已有研究［2，4，33］的指标体系，并为了满足DEA模型的指标数量要求，构建投入产出框架。投入指标分为资本投入、劳动投入、资源投入，其中资本投入以农业机械总动力衡量；劳动投入以第一产业就业人员衡量；资源投入以农业用水量、农作物播种面积、农用化肥使用量衡量。产出指标分为期望产出与非期望产出，将第一产业增加值作为期望产出，将农业面源污染作为非期望产出［34，35］。

参考杨晓璇等［2］、张利国等［14］、王美知等［36］的影响因素指标体系，选取自然灾害因素、宏观经济因素、政策支持因素、产业结构因素4个指标探究其对粮食生产效率的影响。自然灾害因素用农作物受灾水平衡量，农作物受灾水平用某地区农作物受灾面积占农作物播种面积的比例衡量，为了使指标更加准确，将农作物受灾水平乘以粮食作物种植面积占农作物种植面积的比例。宏观经济环境用人均GDP衡量。政策环境用地方政府财政对农林水事务的支出占总财政支出的比例衡量［37］。产业结构用第一产业增加值占总产值的比例衡量。

1.3 数据来源

以中国“十二五”规划和“十三五”规划的实施阶段，即2011—2019年中国31个省（市、自治区）（不包括港澳台）的粮食生产投入产出数据为研究对象。农业用水量数据来自《中国水资源公报》，第一产业就业人员数据来自各省（市、自治区）历年统计年鉴，其余数据来自《中国统计年鉴》和《中国农村统计年鉴》。

2 结果与分析

2.1 中国粮食生产效率时空特征分析

2011—2019年中国粮食生产效率如表2所示。2011—2019的平均粮食生产效率达0.864，处于较高水平，但中国的粮食生产效率从2011年的0.876降至2019年的0.857，需引起特别关注。从省际层面看，2011—2019年31个省（市、自治区）粮食生产效率表现出不同程度和方向的变动趋势，具有明显的地区差异性。其中，黑龙江、江西、湖北、湖南、贵州、云南、陕西7个省的粮食生产效率得到了提升，总体变化幅度较小；此外，有12个省（市、自治区）的粮食生产效率年均增长率为负，其中天津、河北、内蒙古和新疆的效率下降幅度超过了1%；余下12个省（市、自治区）的粮食生产效率均保持为1.000，主要集中于东部沿海地区和西南地区。

中国粮食生产效率在2011—2019年呈波动下降趋势，主要原因是农村经济发展“十二五”规划出台之后，强调建设环境友好型农业，农业面源污染得到有效控制。此外，2016年“十三五”规划对现代化农业生产体系建设提出了节约资源、限制化肥农药使用量的新要求，粮食生产处于关键转型时期，需从原本高效率生产向高效率、高质量生产并存转变。

2.2 中国粮食生产效率时空动态分析

2.2.1 LISA时间路径分析 从相对长度（图1）来看，中国粮食生产效率具有区域特征，局部空间结构具有较好的稳定性。具体而言，东部沿海地区如江苏、浙江、上海、福建、广东等具有低相对长度，省域局部空间结构稳定；华北地区具有较低相对长度，省域空间结构较为稳定。其主要原因是较低纬度的东部沿海地区热量充足且降水量充沛，导致粮食生产周期短、年均产量高，而华北地区黄土较为肥沃，平原广阔，种植规模大，因此粮食产出稳定。具有较高相对长度和高相对长度的地区包括天津、贵州、新疆，这些省（市、自治区）的局部空间结构特征呈较强的不稳定性和动态性。具有中等相对长度的地区集中于中国的中西部，所占面积最大。整体而言，低相对长度和较低相对长度共22个省（市、自治区），占全部的71.0%，表明中国各（市、自治区）粮食生产效率空间结构比较稳定，仍有进一步提升的空间。

从弯曲度（图2）看，中国粮食生产效率局部空间依赖变化过程总体非常稳定。从空间分布来看，中国有超过67.7%的省（市、自治区）属于粮食生产效率弯曲度的低值区和较低值区，占中国的大部分面积；弯曲度较高的省（市、自治区）有安徽、广东、宁夏、吉林和甘肃。由此可见，中国整体粮食生产效率的时空依赖性较弱，局部空间依赖方向上具有较强的稳定性，只有极小部分地区粮食生产效率受外界影响大，安徽、甘肃和广东的波动最为剧烈。

2.2.2 LISA时间路径移动方向分析 根据2011年和2019年中国粮食生产效率Morans I散点图的位置，计算LISA坐标的移动方向，并将其分为赢-赢型（0°—90°）、输-赢型（90°—180°）、输-输型（180°—270°）、赢-输型（270°—360°）4种类型［26］。其中，赢-赢型表示某地区与其相邻地区的粮食生产效率协同正向增长；输-赢型表示某地区粮食生产效率呈负向增长趋势，而其相邻地区呈正向增长趋势；赢-输型与输-赢型呈相反态势；输-输型表示某地区与其相邻地区的粮食生产效率均呈协同负向增长态势。

由图3可知，中国粮食生产效率的空间整合性呈明显的多元化特征和地区差异性。实现协同高增长的省（市、自治区）有16个，占比达51.6%，主要集中于东南沿海地区以及中西部地区，仅有青海、宁夏、甘肃处于黄河以北，主要是由于东部沿海地区气候适宜、水源丰沛、热量充足且雨热同期，而中西部地区由于“西部大开发”战略和“中部崛起”战略的步步落实，粮食生产效率大多处于上升阶段。赢-输型省（市、自治区）包括东三省、北京、山东、陕西和西藏，主要集中在北部沿海地区，这些地区长期为中国粮食生产和供应的主要地区，粮食种植面积广阔、粮食生产技术成熟。输-赢型只有4个省（自治区），为安徽、山西、广西、新疆，分布相对分散。输-输型仅有内蒙古、海南、河北和天津，这些区域生态环境条件并不适合大范围粮食播种。

2.2.3 粮食生产效率LISA时空跃迁分析 由LISA时空跃迁矩阵（表3）可知，2011—2019年中国粮食生产效率存在明显的转移惰性，不发生跃迁的概率均在90%左右。时空跃迁统计结果如表4所示，Type0类型的跃迁占比为91.1%，绝大部分省（市、自治区）在2011—2019年内未发生显著的时空跃迁，空间锁定特征和路径依赖特征明显。有少数省（市、自治区）发生了Type1和Type2类型的跃迁，没有省（市、自治区）发生Type3类型的跃迁，表明各省（市、自治区）整体在此期间的跃迁并不剧烈，SC为0.911，远大于SF，由此可知，中国粮食生产效率的时空凝聚很强，空间格局稳定，同时也意味着短期内难以改变当前粮食生产效率的分布状况。

2.3 中国粮食生产效率的影响因素分析

为进一步探索中国粮食生产效率空间分异格局的影响因素，使用地理探测器揭示自然灾害、宏观经济、产业结构和政策支持4个因素对2011—2019年中国粮食生产效率的作用强度，并各因素间的交互作用进行研究，地理探测器分异及因子探测结果如表5所示。由表5可知，自然灾害因素、宏观经济因素和产业结构因素对中国粮食生产效率的影响均较为显著，通过了10%的显著性检验，自然灾害因素和宏观经济因素的P小于5%，其影响相较于产业结构更为显著。

自然灾害因素包括了旱灾、洪涝灾等自然灾害对粮食生产效率的影响，q为0.140 017，其含义为自然灾害对粮食生产效率产生约14%的影响，且P为0.000 0，表明自然灾害作为自然界不可抗力因素，对粮食生产效率的影响显著，已有的粮食生产手段并不能完全规避自然灾害所带来的影响。宏观经济因素对粮食生产效率的影响最为突出，q达0.277 767，大于其他3个因素，同时P小于0.05，影响显著，可见经济发展对粮食生产有重要作用，佐证了中国以经济建设为重心的政策方针的正确性。产业结构因素是指第一产业增加值在总增加值中的占比，体现了一个地区粮食生产的规模及其对该地区经济的重要程度，其q为0.141 803，与自然灾害因素接近，同时P为0.074 9，有较强的解释力，主要是由于产业规模较大的地区粮食生产易形成规模效应，同时大部分地区为中国粮食的主产区，具有良好的粮食生产基础。政策支持因素q仅为0.014 527，且P大于0.1，对粮食生产效率的影响最小，其主要原因是地方对农业的财政投入与该地区本身农业生产的条件和规模以及产业结构密切相关，并非一个对粮食生产效率产生独立影响的因素。

交互作用方面，政策支持因素与其余3个因素的双因子交互解释力均大于单因子之和，交互作用属于非线性增强。由此可见，政策支持因素作用的凸显建立在其他因素之上。自然灾害与产业结构同样属于非线性增强关系。剩余2组关系，即自然灾害与宏观经济、宏观经济与产业结构均属于双因子增强，双因子交互解释力大于各自单因子解释力，同时小于二者之和，可以认为这3个因素对粮食生产效率发挥影响时产生了一定的互相弥补和促进作用，但是并不显著。

3 小结与讨论

1）2011—2019年，中国粮食生产效率总体水平较高，但有下降趋势，从2011年的0.876降至2019年的0.857。省际层面，各省（市、自治区）粮食生产效率变化的方向和程度具有明显的地区差异性，12个省（市、自治区）粮食生产效率呈下降趋势，7个省的粮食生产效率呈上升趋势，12个省（市、自治区）粮食生产效率未发生变化。国务院颁布的关于农村经济发展的“十二五”规划和“十三五”规划，为农业发展提出了新要求，粮食生产效率由高效转向高质、高效并存，同时需兼顾生态建设和环境保护。2011—2019年是农业生产转型的关键时期，粮食生产效率有轻微动态下降的趋势，有望在未来得到回升。

2）中国粮食生产效率的局部空间结构较为稳定，且空间依赖性较强。LISA相对长度方面，低相对长度和较低相对长度共22个省（市、自治区），占比达71.0%；LISA弯曲度方面，有超过67.7%的省（市、自治区）属于粮食生产效率弯曲度的低值区和较低值区，弯曲度较高的省（市、自治区）主要有安徽、广东、宁夏、吉林和甘肃。因此，稳定和提升粮食生产效率需要因地制宜，对于粮食生产效率较低的省（市、自治区），应通过优化农业产业结构、挖掘农业发展新模式、建设生态农业等方式打破较为稳定的局部空间结构和空间依赖。

3）中国粮食生产效率的空间整合性呈明显的多元化特征和区域差异性。通过分析LISA时间路径移动方向，中国实现与领域协同增长的省（市、自治区）占比达51.6%，集中于东南沿海地区和中西部地区；赢-输型和输-赢省（市、自治区）主要分布于东北和西北地区，而仅有海南、内蒙古、河北和天津为输-输型。同时，中国粮食生产效率的空间格局呈现出锁定特征，Morans I散点图的时空凝聚达0.911，表明各省（市、自治区）要改变自身的粮食生产效率非常困难，需要长年累月的努力。

4）通过地理探测器探究中国粮食生产效率时空演变的驱动因素，发现自然灾害因素与产业结构因素对粮食生产效率的影响程度相近，约为14%，但自然灾害因素的显著性更强；宏观经济因素对粮食生产效率的影响最为突出，近28%；政策支持因素对粮食生产效率的影响最小，且没有通过显著性检验。因此，宏观经济是最为重要的因素，提升经济发展水平有助于提升粮食生产效率。此外，需要加强自然灾害的预防和抵抗能力，力图将自然灾害的影响削弱到最低。同时，各省（市、自治区）应当逐步优化产业机构，构建当地适宜的农业产业体系。最后，不能忽视政策支持的作用，应与其他因素相结合，扩大其作用效果。

参考文献：

［1］ 张启楠， 张凡凡， 麦 强，等.中国粮食生产效率空间溢出网络及提升路径［J］.地理学报， 2022， 77（4）：996-1008.

［2］ 杨晓璇， 洪名勇， 潘东阳.中国粮食生产效率的时空特征及空间依赖性分析［J］.中国农业资源与区划， 2018， 39（11）：183-191.

［3］ 田红宇， 祝志勇.中国粮食生产效率及影响因素分析——基于DEA-tobit两步法研究［J］.中国农业资源与区划，2018，39（12）：161-168.

［4］ 杨 骞， 司祥慧， 王 珏.减排增汇目标下中国粮食生产效率的测度及分布动态演进［J］.自然资源学报，2022， 37（3）：600-615.

［5］ 陈秧分， 王介勇.对外开放背景下中国粮食安全形势研判与战略选择［J］.自然资源学报， 2021， 36（6）：1616-1630.

［6］ 杨锦英， 韩晓娜， 方行明.中国粮食生产效率实证研究［J］.经济学动态， 2013（6）：47-53.

［7］ 刘立涛， 刘晓洁， 伦 飞，等.全球气候变化下的中国粮食安全问题研究［J］.自然资源学报， 2018， 33（6）：927-939.

［8］ 成升魁， 李云云， 刘晓洁，等.关于新时代我国粮食安全观的思考［J］.自然资源学报， 2018， 33（6）：911-926.

［9］ 肖红波， 王济民.新世纪以来我国粮食综合技术效率和全要素生产率分析［J］.农业技术经济，2012（1）：36-46.

［10］ 杨 林， 许 丹.基于粮食生产效率的财政补贴政策地区差异化研究［J］.经济学动态， 2011（12）：81-84.

［11］ 丁文斌，徐 通，王雅鹏.粮食主产省粮食生产投入要素效率DEA分析——基于1990—2004年湖北省投入要素的实证分析［J］.西北农林科技大学学报（社会科学版）， 2007，7（4）：56-60.

［12］ 王 千， 金晓斌， 周寅康， 等.基于DEA_Malmquist的河北省县级粮食生产效率评价［J］.地理与地理信息科学， 2010， 26（6）：51-55.

［13］ 曾福生， 高 鸣.我国粮食生产效率核算及其影响因素分析——基于SBM-Tobit模型二步法的实证研究［J］.农业技术经济， 2012（7）： 63-70.

［14］ 张利国， 鲍丙飞.我国粮食主产区粮食全要素生产率时空演变及驱动因素［J］.经济地理， 2016， 36（3）：147-152.

［15］ 高 鸣， 宋洪远.粮食生产技术效率的空间收敛及功能区差异——兼论技术扩散的空间涟漪效应［J］.管理世界， 2014（7）：83-92.

［16］ 杨丽霞， 杨桂山， 姚士谋，等.基于ESDA-GWR的粮食单产及其驱动因子的空间异质性研究［J］.经济地理， 2012， 32（6）：120-126.

［17］ 杨 春， 陆文聪.基于空间计量经济模型的县域粮食生产区域格局研究［J］.农业技术经济， 2010（5）：24-29.

［18］ YANG F， WEI F， LI Y，et al. Expected efficiency based on directional distance function in data envelopment analysis［J］. Computers & industrial engineering， 2018， 125：33-45.

［19］ REY S J， MURRAY A T， ANSELIN L. Visualizing regional income distribution dynamics［J］. Letters in spatial and resource sciences， 2011， 4（1）：81-90.

［20］ PETRIDIS K， üNSAL M G， DEY P K， et al. A novel network data envelopment analysis model for performance measurement of Turkish electric distribution companies［J］. Energy， 2019， 174： 985-998.

［21］ SHAO L， YU X， FENG C. Evaluating the eco-efficiency of china？s industrial sectors： A two-stage network data envelopment analysis［J］. Journal of environmental management， 2019， 247：551-560.

［22］ XIAO H， WANG D， QI Y， et al. The governance-production nexus of eco-efficiency in Chinese resource-based cities： A two-stage network DEA approach［J］. Energy economics， 2021， 101： 105408.

［23］ TONE K， TSUTSUI M. Network DEA： A slacks-based measure approach［J］. European journal of operational research， 2009，   197（1）： 243-252.

［24］ ZOU Z H， YUN Y， SUN J N. Entropy method for determination of weight of evaluating indicators in fuzzy synthetic evaluation for water quality assessment［J］. Journal of environmental science， 2006， 18（5）：1020-1023.

［25］ 郝 帅， 孙才志， 宋强敏.基于ESTDA模型的中国水生态足迹及水生态压力评价［J］.生态学报， 2021， 41（12）：4651-4662.

［26］ 夏四友， 赵 媛， 许 昕， 等.1997—2016年中国农业碳排放率的时空动态与驱动因素［J］.生态学报， 2019， 39（21）：7854-7865.

［27］ REY S J. Spatial empirics for economic growth and convergence［J］. Geographical analysis， 2001， 33（3）： 195-214.

［28］ ELHORST J P. Matlab software for spatial panels［J］. International regional science review， 2014， 37（3）： 389-405.

［29］ 纪小美，王 超，赵晓迪.中国地方政府财政赤字率的时空演变——地理监视的应用［J］.地理科学， 2019， 39（3）： 424-432.

［30］ 王劲峰， 徐成东.地理探测器：原理与展望［J］.地理学报. 2017， 72（1）：116-134.

［31］ 刘慧芳， 毕如田， 郭永龙，等.晋中市耕地质量空间分异格局与影响因素研究［J］.农业机械学报， 2021， 52（12）：216-224，289.

［32］ 刘一鸣， 辜婧玲， 张梓钰，等.基于地理探测器的地域社会认同空间分异研究［J］.地理研究， 2021， 40（2）：495-512.

［33］ 罗光强， 谭 芳.粮食生产效率的区域差异及其政策效应的异质性［J］.农林经济管理学报， 2020， 19（1）：34-43.

［34］ 陈敏鹏， 陈吉宁， 赖斯芸.中国农业和农村污染的清单分析与空间特征识别［J］.中国环境科学， 2006，26（6）：751-755.

［35］ 葛鹏飞，王颂吉，黄秀路.中国农业绿色全要素生产率测算［J］.中国人口·资源与环境， 2018， 28（5）：66-74.

［36］ 王美知， 魏 凤.哈萨克斯坦粮食生产效率动态演进及区域差异［J］.自然资源学报， 2021， 36（3）：594-605.

［37］ 解春艳， 黄传峰， 徐 浩.环境规制下中国农业技术效率的区域差异与影响因素——基于农业碳排放与农业面源污染双重约束的视角［J］.科技管理研究， 2021， 41（15）：184-190.

收稿日期：2022-08-04

基金项目：中央高校基本科研业务费项目（B210202157）

作者简介：季张含昱（2002-），男，江苏无锡人，在读本科生，研究方向为资源经济，（电话）15312213918（电子信箱）2063310235@hhu.edu.cn。