贵州喀斯特山区农业生态效率测度及影响因素研究

杜雪莲 卢雨点 常滨丽

摘要 以期望产出是否包括农业生态系统服务，对贵州喀斯特山区农业生态效率进行对比分析，以期为推动该区农业绿色发展提供理论参考与数据支持。采用超效率SBM模型、GML指数测度2000—2019年贵州9个市（州）2种农业生态效率，并利用Tobit 回归模型探讨其影响因素。结果表明：①传统的农业生态效率只有贵阳有效，期望产出考虑了农业生态系统服务后，除六盘水、安顺、黔西南及黔南外，其余市州农业生态效率均值进入到有效区。②研究期内贵州传统的农业全要素生产率（GML）年均增长2%，尤其是2012年以后GML指数增长明显。除了遵义、黔东南和铜仁，其余市州传统的农业全要素生产率（GML）均大于1，各市州农业生态效率提高主要依靠技术进步提升带动。除了遵义和铜仁，其余各市州改进的GML指数均较传统的有所降低。③产业结构、财政支农水平、农业机械化密度与传统和改进的农业生态效率均呈正相关，农民收入水平、化肥使用强度与传统和改进的传统农业生态效率都呈负相关，人均耕地水平与植被覆盖度与改进的农业生态效率呈正相关，但与传统的农业生态效率呈负相关。

关键词 农业生态效率；生态系统服务；影响因素；贵州喀斯特山区

中图分类号 F323.2  文献标识码 A  文章编号 0517-6611（2024）11-0195-06

doi：10.3969/j.issn.0517-6611.2024.11.042

Study on Agricultural Eco-Efficiency and Its Influencing Factors in Karst Mountainous Area of Guizhou Province—Comparative Analysis Based on Ecosystem Service Improvement

DU Xue-lian，LU Yu-dian，CHANG Bin-li

（School of Economics，Guizhou University of Finance and Economics，Guiyang，Guizhou 550025）

Abstract Based on whether the expected output includes agricultural ecosystem services，this paper makes a comparative analysis of agricultural ecological efficiency in Guizhou karst mountain area，in order to provide theoretical reference and data support for promoting the green development of agriculture in this area.The super-efficiency SBM model and GML index were used to measure the two agricultural eco-efficiency of nine cities and prefectures in Guizhou from 2000 to 2019，and the Tobit regression model was used to explore its influencing factors.The results show that：①The traditional agro-ecological efficiency is only effective in Guiyang.After considering agro-ecosystem services，the average agricultural efficiency of other cities and states enters the effective zone except Liupanshui，Anshun，Qianxi and Qiannan.②During the study period，the traditional agricultural total factor productivity （GML） of Guizhou increased by 2% annually，especially the exponential growth of GML after 2012.In addition to Zunyi，Qiandongnan and Tongren，the traditional agricultural total factor productivity （GML） of the other cities and states was greater than 1，and the improvement of agricultural ecological efficiency in each city and state was mainly driven by technological progress.In addition to Zunyi and Tongren，the improved GML index of other cities and states is lower than the traditional one.③Industrial structure，financial support for agriculture，and agricultural mechanization density were positively correlated with both traditional and improved agroecological efficiency; farmers income level and fertilizer use intensity were negatively correlated with both traditional and improved agroecological efficiency; per capita cultivated land level and vegetation coverage were positively correlated with improved agroecological efficiency，but negatively correlated with traditional agroecological efficiency.

Key words Agricultural eco-efficiency;Ecosystem services;Influencing factors;Guizhou karst mountainous area

基金项目 贵州省高校人文社会科学研究项目（2023GZGXRW167）。

作者简介 杜雪莲（1981—），女，贵州思南人，教授，博士，硕士生导师，从事资源环境与生态经济研究。

收稿日期 2023-10-22

20世纪末以来，随着生态系统服务这一研究领域的兴起，学者围绕农业生态系统服务的内涵［1-2］及价值核算［3-4］展开了大量研究。随着新时代农业高质量发展的提出，农业已由传统的食物和原料供应向多功能的调节服务产品、文化服务产品供给转型。将农业生态系统服务融入农业可持续发展评价中，能更加全面地衡量农业生产活动对生态造成的影响，有利于推动农业绿色发展［5］。1990年，Schaltegger等［6］首次提出“生态效率”的定义，这一概念运用至农业领域形成“农业生态效率”，目前已成为农业可持续发展的研究热点。学者围绕农业生态效率的内涵［7-8］、指标体系［9-10］以及影响因素［11-12］等方面进行了大量研究。生态效率研究方法主要包括生命周期法、随机前沿法和数据包络分析法。数据包络分析法中，由于非期望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现象，已逐渐成为测定生态效率的主流模型。目前，国内对农业生态效率开展了大量研究，取得了丰硕的研究成果。但仍存在以下两点不足：一是以往的研究虽然关注了农业生产过程中造成的农业碳排放以及面源污染等生态负向影响，但鲜有考虑到农业生产过程中产生的生态正向影响即农业生态系统服务；二是对我国西南喀斯特生态脆弱区农业生态效率的研究还比较缺乏。

贵州是典型的喀斯特地貌，生态环境脆弱，容易发生石漠化，是全国唯一没有平原支撑的省份。地处内陆山区使得贵州保留了较好的生态基础，成为首批国家生态文明试验区。2022年1月，《国务院关于支持贵州在新时代西部大开发上闯新路的意见》（国发〔2022〕2号）发布。文件赋予贵州“生态文明建设先行区”的战略定位，要求贵州继续守好生态与发展两条底线，在生态文明建设上出新绩。2022年4月，农业农村部出台《推进贵州现代山地特色高效农业发展实施方案》，强调要加快农业绿色转型提质量，加强农业生态资源保护利用。鉴于此，该研究将农业生态系统服务价值作为期望产出的补充，以产出指标是否含有农业生态系统服务价值，采用超效率SBM模型和GML指数对比研究2000—2019年贵州省9个市州的农业生态效率并探讨其影响因素，以期为推动该区农业绿色发展提供理论参考与数据支持。

1 研究方法与数据来源

1.1 研究方法

1.1.1 非期望产出的超效率SBM模型。

Tone［13］提出了可以对非期望产出加以管理的非角度非径向的SBM模型即超效率SBM模型，其相关参数和变量如下：假定当前所要测试的决策单位数量（DMU）为n个，记作DMUj（j=1，2，…，n）；当前要测试的DMU记作DMUk。DMUk有m种投入，记作xik（i=1，2，… ，m）；q1种期望产出，记作ygrk（r=1，2，…，q1）；q2种非期望产出，记作ybrk（r=1，2，… ，q2）；p为生产单位效率值即贵州各市州农业生态效率，当生态效率值大于或等于1时，说明投入组合合理，有良好的产出效果。（ ，yg，yb）为剔除第k个决策单元的决策变量参考点，λ是权重向量。根据如上参数与变量，考虑非期望产出的超效率SBM模型如下：

p=min1mmi=1

xixtik

1q1+q2q1r=1ygrygrk+

q2r=1ybrybrk

s.t.≥nj=1，j≠kλjxj，0≤yg≤nj=1，j≠kλjxgj，yb≥nj=1，j≠kλjybj，

≥xk，yg≤ygk，yb≥ybk，λ≥0

1.1.2 GML指数。

Oh［14］通过构造全局生产可能集，提出GML指数解决了ML指数的缺陷。假设有n个决策单元，每个决策单元均使用m种投入获得q1种期望产出和q2种非期望产出。引入当期生产可能集：pt（xt）={（yt，bt）}（t=1，2，…，T）

此时，可将全局生产可能集定义为：

PG（x）=P1（x1）∪P2（x2）∪…∪PT（xT）

因此，基于全局生产可能集的GML指数计算公式如下：

GMLt，t+1（xt，yt，bt，xt+1，yt+1，bt+1）=1+DG（xt，yt，bt）1+DG（xt+1，yt+1，bt+1）

=1+Dt（xt，yt，bt）1+Dt+1（xt+1，yt+1，bt+1）×

1+DG（xt，yt，bt）1+Dt（xt，yt，bt）×

1+Dt+1（xt+1，yt+1，bt+1）1+DG（xt+1，yt+1，bt+1）

=TCt，t+1×ECt，t+1

式中：DG（x，y，b）=max{β｜y+βy，b-βb}∈PG（x）}表示全局方向的距离函数；GMLt，t+1指数值表示t+1时期相对于t时期的农业生态效率变动，可以进一步分解为技术进步指数（TCt，t+1）和技术效率变化指数（ECt，t+1）。其中，GMLt，t+1指数取值大于1、小于1和等于1时分别表示从t时期到t+1时期的农业生态效率增长、下降和不变的情况；TCt，t+1和ECt，t+1指数取值大于1或小于1时分别表示从t时期到t+1时期技术进步或落后以及技术效率增加或减少的状况。

1.1.3 Tobit回归模型。

因为超效率值中有个最低界限值0为截尾数，如果因变量直接选择生产率值，用OLS（最小二乘法）方式展开回归数据分析，很可能会产生误差。因此，为获取一致而无偏的预测结果，可以通过选择随机效应的面板Tobit模型加以预测，而Tobit回归分析方法则是因变数有限模型的一部分，在因变数的切割值或片段值相同时采用［15］。选择将截断点α设置为0，表达方程式如下：

Y=y*=α+βX+ε，Y*>α

0，Y*≤α

式中：X为自变量向量；Y为截断因变量向量；α为截距项向量；β为回归参数向量；ε为扰动项，ε～N（0，σ2）。

1.2 指标选取与数据来源

该研究的农业为狭义农业，即种植业。借鉴前人的研究成果，并结合贵州省的农业生产条件与自然环境状况，依照科学性、客观性等原则，并考虑数据可得性，选取农用化肥施用量、农用从业人员、农作物播种面积、农业机械总动力这4项指标作为投入指标；选取农业总产值作为期望产出指标，选取农业碳排放量与面源污染量作为非期望产出指标。该研究构建两套评估指标体系，区别在于是否加入农业生态系统服务价值作为期望产出指标，分别以传统的农业生态效率与改进的农业生态效率来指代。农业碳排放量计算采用的碳排放系数参照美国橡树岭国家实验室以及IPCC的发布，对农村面源污染量化的计算参考赖斯芸等［16］的研究，农业生态系统服务价值采用当量因子法参考谢高地等［17］价值当量修正后进行核算。该研究原始数据来源为2001—2020年《贵州统计年鉴》《贵阳统计年鉴》《遵义统计年鉴》《六盘水年鉴》《铜仁年鉴》《安顺年鉴》《毕节年鉴》《黔南年鉴》《黔东南年鉴》《黔西南年鉴》等。根据统计和计算得来的各指标数据见表1。

2 结果与分析

2.1 基于超效率SBM模型的贵州省农业生态效率静态评价分析

运用MaxDEA8软件对2000—2019年贵州省各市（州）2种农业生态效率进行评价。结果见图1和表2，研究时段内传统农业生态效率平均值最大的是贵阳，最小的是六盘水。贵阳传统农业生态效率在20年间所有年份均大于1，

达到完全有效。其他市州均存在小于1的年份，尤其是六盘水、安顺、毕节、黔西南、黔东南、黔南半数以上的年份均小于

1，存在较大的提升空间。研究时段内，大多数市州传统的农业生态效率波动幅度较大，说明农业投入的产出距稳定的最优水平距离较远。

在考虑了农业生态系统服务价值后，农业生态效率（改进）平均值最大的为贵阳，最小的是黔南。由图1可知，与传统农业生态效率相比，20年间改进农业生态效率所有年份均大于1的区域增加了遵义。毕节与黔东南改进农业生态效率仅1年小于1，而黔南20年间有半数以上的年份均小于1，存在较大的提升空间。其他市（州）均有半数以上年份大于1。另外，将农业生态系统服务价值考虑进期望产出之后，各市州的农业生态效率均值排名也有所变化。其中排名明显上升的是毕节，明显下降的有铜仁和黔南（表2）。

整体上，研究时段内贵阳传统和改进的生态系统服务生态效率均名列前茅。考虑了农业生态系统服务后，遵义、毕节、铜仁和黔东南农业生态效率进入有效区，六盘水、安顺、黔西南及黔南的2种农业生态效率均值都处于非效率区，说明这4个市州存在农业投入资源配置不够有效、资源投入规模不够合理，管理水平较低等问题，具有较大提升空间。

2.2 GML指数分析

运用MaxDEA8软件对贵州省2种农业生态效率进行GML整体和区域评价分析，结果见表3、4。由表3可知，研究时段内贵州省传统的农业生态效率GML指数呈波动上升趋势，GML指数平均提高了2%。尤其是2012年以后，除了2014—2015年，2016—2017年，其余年份GML指数均增长明显，其中2013—2014年波动最大，说明十八大以来贵州传统农业生态效率持续提升。研究期内，除了2008和2009年，2009—2010年的农业生态效率GML指数提升主要是依靠技术效率（EC）提高外，其余年份均依靠技术进步（TC）带动增长。整体上，TC平均提高了2%，EC累计维持不变。研究时段内贵州省改进的GML指数仍表现为波动变化，但GML指数值普遍降低。GML指数大于1的年份也有所减少，仅在2006—2007年、2011—2012年、2013—2014年、2015—2016年、2017—2018年、2018—2019年有所提升。总体而言，研究时段内改进GML、TC和EC均值都是1，显示考虑农业生态系统服务之后，研究区平均农业生态效率、技术进步及技术效率均保持不变。

由表4可知，研究时段内，除了遵义、黔东南和铜仁，其余市州GML指数均大于1。各市州TC均大于1，EC大于1的有六盘水、黔西南、安顺和贵阳，其余市州均小于1，显示研究期各市州农业生态效率提高主要依靠技术进步提升带动。整体来看，研究时段内，9个市州改进的GML指数累积增长为0，年均增长为0。除了遵义和铜仁，其余各市州改进的

GML指数均较传统的有所降低，需要注意的是，安顺、毕节和黔南GML由进步转为退步。改进的TC大于1的城市依次是铜仁、毕节、贵阳和六盘水，其余市州技术不变或有所退步。除黔西南、六盘水和安顺外，其余各市州改进的EC均小于1。

2.3 影响因素分析

2.3.1 影响因素选取。

基于前人对农业生态效率影响因素的相关研究［12-14］，并考虑贵州省实际情况及数据可获得性，选取以下影响因素：①产业结构，用第一产业产值占比衡量。②农民收入水平，用农村人均纯年收入表示。③财政支农水平，用农林水事务支出占地方财政支出的比重来表示。④农业机械化密度，用单位播种面积农业机械投入量表示。⑤化肥使用强度，用单位耕地面积施用化肥量表示。⑥人均耕地水平，用人均耕地面积表示。⑦自然条件，改进的农业生态效率因为考虑了生态系统服务价值，也应加入衡量生态环境的解释变量。同时，为了探究生态环境对传统的农业生态效

率是否也具有影响作用，因此选用植被覆盖度作为2种农业生态效率的影响因素。植物覆盖度的数据来自中国科学院

资源环境科学与数据中心（www.Resdc.cn/）提供的中国年度1KM植被指数（NDVI）空间分布数据集，通过GIS10.2软件进行解译得来。其余数据来自研究期内贵州省及各市州统计年鉴。

2.3.2 影响因素检验结果。

表5为Stata软件进行Tobit检测的结果，LR检验认为具有个体效应，所以采用随机效应的面板Tobit模型。第（1）、（2）列为随机效应面板的Tobit回归系数，其中第（1）列的被解释变量为传统的农业生态效率，第（2）列的被解释变量为改进的农业生态效率。第（3）、（4）列是加入新变量降水量后的稳健性检验。回归结果整体误差较小，拟合度较好。具体分析如下：①产业结构在0.05的显著性水平与传统的农业生态效率呈正相关，在0.10的显著性水平与改进的农业生态效率呈正相关。这可能是因为经济发展水平较低时，农户通过精细管理、节约投入，少用化肥和农药，提升要素的增产作用，避免或减少了对农业生态环境的破坏。②农民收入水平与传统的农业生态效率呈负相关且相关性不显著，但与改进的农业生态效率在0.01的显著性水平负相关。这可能是由于贵州农民收入仍处于较低水平，收入增加可能会促进化肥等生产资料的投入，导致农业碳排放增加，同时造成土地生态系统服务降低，因此对改进的农业生态效率综合负向影响大于传统的农业生态效率。③财政支农水平与传统的农业生态效率呈正相关且相关性不显著，但与改进的农业生态效率在0.01的显著性水平呈正相关。财政支农可能会导致过量使用化肥、农药等要素从而降低农业生态效率，但同时也用于完善农村基础设施建设以及高标准农田建设等方面进而改善山地农业生态环境，因此对改进的农业生态效率综合正向影响大于传统的农业生态效率。④农业机械化密度在0.10水平与传统的农业生态效率显著正相关，在0.01水平与改进的农业生态效率呈正相关。农业机械的投入极大提高了劳动生产力，相对于农业机械的污染排放，农业机械投入带来的正向生态效率增加更明显。农业机械化的持续推进带来技术集成、资源节约和生态效益，对改进的农业生态效率综合正向影响大于传统的农业生态效率。⑤化肥使用强度在0.10水平与传统的农业生态效率显著负相关，在0.01水平上与改进的农业生态效率呈负相关。过量使用化肥造成土壤板结、土壤环境质量下降，生物多样性降低，损害农业生态环境，因此化肥使用强度对改进的农业生态效率综合负向影响大于传统的农业生态效率。⑥人均耕地水平在0.01水平上与传统的农业生态效率显著负相关，但与改进的农业生态效率呈正相关，相关性不显著。这可能是因为人均耕地面积增大导致产生一定程度上农业生产的“不经济”进而造成农业生态效率的下降。与改进的农业生态效率正相关可能是因为耕地撂荒后土地提供的生态服务价值有所提升。⑦植被覆盖度在0.10水平与传统的农业生态效率显著负相关，在0.10水平与改进的农业生态效率显著正相关。这是因为植被覆盖率提升带来农业生态系统服务价值有所提升。传统的农业生态效率未考虑生态效益，反而增加的植被覆盖度可能导致种植业产出的减少，导致其与植被覆盖率负相关。

从模型（3）和模型（4）的回归结果可以得出：向模型（1）和（2）增加新的影响因素降水量之后，模型的回归结果几乎保持不变，说明模型较为稳定。

3 结论与讨论

该研究构建了基于生态系统服务改进的农业生态效率指标体系，并与传统的农业生态效率进行比较分析。采用SBM模型、GML指数测度2000—2019年喀斯特山区贵州各市（州）2种农业生态效率，并利用Tobit 回归模型探讨其影响因素，得出以下结论。

（1）研究期内贵阳2种生态效率均名列前茅，传统的农业生态效率只有贵阳有效，考虑了农业生态系统服务后，遵义、毕节、铜仁和黔东南农业生态效率进入有效区（＞1），六盘水、安顺、黔西南及黔南的2种农业生态效率均值都处于非效率区（＜1）。将农业生态系统服务价值考虑进期望产出之后，毕节农业生态效率均值排名明显提升，铜仁和黔南排名明显下降。

（2）研究期内贵州传统的农业全要素生产率GML指数年均增长2%，尤其是2012年以后GML指数增长明显，分解的技术进步率TC年均增长2%，技术效率EC变化年均变化为0。除了遵义、黔东南和铜仁，其余市州传统的农业全要素生产率（GML）均大于1，各市州农业生态效率提高主要依靠技术进步提升带动。改进的农业全要素生产率GML指数累计变化值为0。除了遵义和铜仁，其余各市州改进的GML指数均较传统的有所降低。

（3）通过面板 Tobit 回归模型对研究区农业生态效率的影响因素进行分析表明产业结构、财政支农水平、农业机械化密度与传统和改进的农业生态效率均呈正相关，农民收入水平、化肥使用强度与传统和改进的传统农业生态效率都呈负相关，人均耕地水平与植被覆盖度与改进的农业生态效率呈正相关，但与传统的农业生态效率呈负相关。

研究期内只有贵阳的2种农业生态效率在所有年份均大于1，显示相较于贵州省其他市州，贵阳在农业投入的资源配置方面更为合理，管理有效。六盘水、安顺、黔西南及黔南的2种农业生态效率均值都小于1，这些地区需要加强农业投入资源配置、调整资源投入规模以及提升农业管理水平，努力提升农业生态效率。改进的农业生态效率均值排名明显提升的有毕节，明显下降的有铜仁和黔南，这是由于毕节农业生态服务价值较高，而铜仁和黔南农业生态服务价值偏低引起［18］。改进的GML指数较传统的GML指数普遍降低，大于1的年份也有所减少，说明整体上农业生态系统服务并未与农业产值实现同步提升，需要加强农业生态环境保护。尤其是改进GML指数位列最后3位的毕节、安顺和黔南需要持续深入开展石漠化综合治理，巩固治理成果，稳步提升农业生态系统服务价值。各市（州）需要进一步加大对农业的财政支持力度，有序推进农业机械化，积极开展农业技术创新，提升农业管理技术水平。同时因地制宜发展当地特色生态农业，保护和改善农业生态环境，提升农业生态系统服务价值，促进喀斯特山区农业绿色发展。

参考文献

［1］LIEBIG M A，VARVEL G，DORAN J.A simple performance-based index for assessing multiple agroecosystem functions［J］.Agronomy journal，2001，93（2）：313-318.

［2］ 祝文烽，王松良，CALDWELL C D.农业生态系统服务及其管理学要义［J］.中国生态农业学报，2010，18（4）：889-896.

［3］ WOSSINK A，SWINTON S M.Valuation with supply tools：Willingness-to-accept-payment for ecosystem services from agriculture［J］.Version，2006，22：1-22.

［4］ 刘向华.我国农业生态系统服务价值的核算方法［J］.统计与决策，2018，34（3）：24-30.

［5］ 廖佳佳，赵耀，陈甜倩，等.基于生态系统服务改进的中国各地农业生态效率研究［J］.中国农业资源与区划，2021，42（7）：200-209.

［6］ SCHALTEGGER S，STURM A.kologische rationalitt：Ansatzpunkte zur ausgestaltung von kologieorientierten managementinstrumenten［J］.Die unternehmung，1990，44（4）：273-290.

［7］ 吴小庆，王亚平，何丽梅，等.基于AHP和DEA模型的农业生态效率评价：以无锡市为例［J］.长江流域资源与环境，2012，21（6）：714-719.

［8］ 聂弯，于法稳.农业生态效率研究进展分析［J］.中国生态农业学报，2017，25（9）：1371-1380.

［9］ MICKWITZ P，MELANEN M，ROSENSTRM U，et al.Regional eco-efficiency indicators-a participatory approach［J］.Journal of cleaner production，2006，14（18）：1603-1611.

［10］ 方永丽，曾小龙.中国省际农业生态效率评价及其改进路径分析［J］.农业资源与环境学报，2021，38（1）：135-142.

［11］ 马艳.基于两阶段Super-NSBM模型的农业生态效率及影响因素研究：以长江经济带为例［J］.长江流域资源与环境，2023，32（4）：883-894.

［12］ 陈衍俊.我国玉米种植区生态效率的区域差异及影响因素研究［J］.安徽农业科学，2022，50（5）：196-199，209.

［13］ TONE K.A slacks-based measure of super-efficiency in data envelopment analysis［J］.European journal of operational research，2002，143（1）：32-41.

［14］ OH D H.A global Malmquist-Luenberger productivity index［J］.Journal of productivity analysis，2010，34（3）：183-197.

［15］  刘浩然.京津冀地区绿色经济效率测度及影响因素研究：基于超效率SBM和Tobit模型的分析［J］.生态经济，2023，39（4）：67-73.

［16］  赖斯芸，杜鹏飞，陈吉宁.基于单元分析的非点源污染调查评估方法［J］.清华大学学报（自然科学版），2004，44（9）：1184-1187.

［17］  谢高地，张彩霞，张雷明，等.基于单位面积价值当量因子的生态系统服务价值化方法改进［J］.自然资源学报，2015，30（8）：1243-1254.

［18］ 卢雨点.基于生态系统服务改进的贵州省农业生态效率对比研究［D］.贵阳：贵州财经大学，2022.