我国农业绿色全要素生产率水平及绿色转型路径分析

黄稳书 胡丽丽

摘要：目前我国农业发展投入产出效率相对较低，对环境影响较大，探求农业绿色可持续发展路径是当前发展农业的关键。构建农业绿色全要素生产率影响因素指标体系，对2007—2017年10年间的相关数据加以分析。通过EBM模型和Morans I指数（莫兰指数）分析我国除台湾、香港、澳门之外各省（市、区）的农业绿色全要素生产率水平，采用空间杜宾模型（spatial Dubin model，SDM）探讨各因素的重要性及直接效应和间接效应，并针对农业绿色发展转型路径提出建议。分析结果表明，我国农业绿色全要素生产率体现出明显的地区差异，其中东部相对较高;注重农村教育、调整农业产业结构是实现农业绿色发展的重要因素;间接效应的影响程度较大，对农业发展转型有着重要的作用。

关键词：农业绿色发展;农业绿色全要素生产率;EBM模型;SDM模型;莫兰指数（Morans I指数）;转型路径

中图分类号： F320.1;X22;F323.3文献标志码： A

文章编号：1002-1302（2019）21-0021-07

收稿日期：2018-08-16

作者简介：黄稳书（1966—），男，云南富源人，硕士，副教授，主要从事马克思主义理论与思想政治教育研究。E-mail：iojw71@163.com。

国家经济建设促进了农业的进一步发展，同时农业发展也反映了第一产业与第三产业对其基本要素的投入。改革开放40多年来，我国农业迅猛发展，粮食总产量、农户人均年收入、人均粮食占有率等各指标发生了显著变化。但是一方面的过快发展必然会对另一方面的发展产生影响，甚至导致一些问题出现，如农业发展与环境建设的冲突问题。在我国农业快速发展的同时也给环境造成了一定程度的污染。不可置否，农业的快速发展与机械设备和化肥等原料的投入密切相关。但在农业生产中的一些不当行为也对环境造成了一定程度的损害，也给相关部门带来了较大压力。我国农用氮和磷排放的相关数据表明，农业发展中不当行为所带来的环境污染程度即将超过工业发展本身造成的环境破坏。农业污染问题亟待解决，但粮食等农作物作为生存之本，其生产方式又不可盲目采取“一刀切”的办法。因此，只有正确处理农业发展与环境发展冲突的问题才是真正的解决之道。此前众多学者在对农业发展水平进行绩效评价时，也将环境影响因素指标纳入到评价体系中，以此来强调人们在关注农业发展的同时也应关注环境保护的重要性。在以往的研究中，探讨行业的发展多集中于全要素生产层面，如农业发展的研究多集中于资本投入、机械设备投入、农药化肥等原材料的投入等对农业经济发展产生的影响，而所谓的全要素生产率却往往忽略了环境因素在全要素生产率中所发挥的作用[1-2]。因此，在评价农业全要素生产率水平的同时也要考虑绿色生产的因素。分析环境因素时，应该对环境因素指标进行量化，并将其对农业经济发展的贡献量化列入指标评定当中。把农业绿色全要素生产率（green total factor productivity，GTFP）加入环境因素这一指标，这相较于传统的评价体系将更加科学合理。这是因为传统的评价方法忽略了农业发展对整体社会效益的负面影响，其结果并不全面、真实[3]。传统农业粗放型发展导致农业生产对环境产生负面影响，使其难以实现可持续健康发展。因此，在评价农业经济发展状况时，须要综合考虑资源约束和环境2个方面。近年来随着我国对环保领域重视程度的不断加深，社会各界已认识到农业绿色生产的重要意义。“既要金山银山，又要绿水青山”的观点直接反映出人們环保意识的增强和要走绿色健康发展道路的决心。目前学术界在传递资源、环境与经济协同发展理念的要求上已达成统一，但针对如何定量研究三者之间的作用关系的回答还未达成统一，而绿色全要素生产率恰恰可以很好地反映出三者之间的关系[4]。可现今学者们在如何分析绿色全要素生产率的指标构成问题上还未达成共识，分析方法也不完善，多采用数据包络分析法（data envelopment analysis，简称DEA）中的CCR模型和SBM函数法，但此类方法未能规避径向问题，运用存在缺陷。另外，在分析因素时应考虑到农业行业的特殊性，即地理交互性，应进一步探索合适的定量模型，同时从三维视角出发研究农业经济行为的互相作用。本研究通过构建农业绿色全要素生产率影响因素指标体系，对2007—2017年各省（市、区）的相关数据加以分析，采用EBM模型和Morans I指数分析我国除台湾、香港、澳门之外各省（市、区）农业绿色全要素生产率水平，并通过SDM模型对各个因素影响程度进行分析，探讨直接效应和间接效应对我国农业发展转型的影响，并对农业绿色发展转型提出意见和建议。

1研究方法

1.1EBM模型

由于本研究同时存在径向和非径向的投入产出关系，传统的DEA和SBM模型并不适用[5]。因此采用Tone等提出的包含二者的混合距离模型，因模型中使用了ε，所以将其称为Epsilon-Based Measure（EBM）模型。该模型中ε取值范围为0～1之间，表示在效率值计算中非径向部分的重要程度，当ε=0 时，该模型为径向模型，当ε=1时，EBM模型相当于SBM模型。规模收益不变的条件下EBM模型表达式如下：

Q=minθ-ε∑mi=1ω-is-ixik

s.t.∑nj=1xijλj+s-i=θxik，i=1，…，m

∑nj=1yujλj≥yuk，u=1，…，s

λj≥0

s-i≥0。（1）

式中：Q为可变规模报酬条件下模型的最佳效率值;xik、yuk分别表示决策单元k的第i种和第u种投入和产出;m、s分别为投入和产出要素的数量;θ表示径向模型部分的规划参数;s-i表示投入要素的松弛量;ω-i表示各个指标的权重。若Q=1，则该决策单元技术有效。

由于本研究还与非期望产出的处理有关，故EBM模型可以修改为

Q=minθ-εx∑mi=1ω-is-ixikφ+εy∑su=1ω+us+uyuk+εb∑qp=1ωb-psb-pbpk

s.t.∑nj=1xijλj+s-i=θxik，i=1，…，m

∑nj=1yujλj-s+u=φyuk，u=1，…，s

∑np=1bijλj+sb-p=φbik，p=1，…，q

λj≥0，s-i≥0，s+u≥0，sb-p≥0。（2）

式中：bik表示决策单元k的第t种非期望产出;s+u、sb-p分别表示第u种期望产出和第p种非期望产出的松弛量。

1.2空间自相关Morans I指数

地理数据受到空间相互作用，两两之间相互关联。空间自相关分析是目前分析空间数据分布的主要方法之一，通过计算空间自相关指数对地理数据进行分析。本研究采用Morans I指数对样本数据加以分析，包括全局空间自相关指数（Global Morans I）和局域空间自相关指数（Local Morans I），前者是后者之和[6]。当样本数据同时存在空间局部正相关性和负相关性时，可采用局部自相关指数并构建Moran散点图进行分析。全局自相关指数表达式为

I=∑ni=1∑nj=1wij（xi-x）（xj-x）S2S0。（3）

式中：x=1n∑ni=1xi表示变量的均值;S2=1n∑ni=1（xi-x）表示样本的方差;S0=∑ni=1∑nj=1wij表示各因素空间权重之和。本研究空间权重wij的确定采用空间相邻原则，若地区i和j相邻，则wij=1，否则wij=0。

1.3空间面板计量模型

Cliff发明的空间计量模型起初应用于对截面数据的分析，由3个模型构成，即空间滞后模型（spatial lag model，SLM）、空间误差模型（spatial error model，SEM）和空间杜宾模型（spatial dubin model，SDM）[7]。其中SDM模型是讨论该类问题的一般起点，它充分考虑了变量和残差之间的空间相关性，SDM模型表达式如下：

yit=δ∑nj=1wijyjt+βxit+∑nj=1wijxjtα+μi+εit。（4）

式中：wij表示空间权重;δ表示空间自回归系数;α和β表示待估参数。

若α=0，则公式（4）转换为

yit=δ∑nj=1wijyjt+βxit+μi+εit。（5）

该表达式即为SLM模型表达式。SLM模型不考虑变量之间的相互影响，只考虑区域之间的相互影响。

若α+δβ=0，则公式（4）转换为

yit=βxit+μi+γit，γit=λ∑nj=1wijγit+εit。（6）

该表达式为SEM模型表达式，该模型主要考虑空间影响作用存在于误差项中，讨论了相邻区域的变量误差对该地区因变量的空间影响。

对于解释变量影响程度的分析，Lesage等提出通过偏微分的方法，避免模型估计的参数对结果产生影响。将公式（4）转换为

Yt=μi1-δw+Xtβ+wXα1-δw+ε1-δw。（7）

因变量Yt对第k个解释变量的偏微分方程如下：

YX1k…YXNKt=Y1X1k…Y1XNK

YNX1k…YNXNk=

11-δwβkw12αk…w1NαK

w21αkβk…w2Nαk

wN1αkwN2αk…βk。（8）

由公式（8）可知，偏微分矩陣对角线元素平均值为直接增长效应，体现了区域内解释变量的影响程度。其他元素平均值为间接效应，表示相邻区域解释变量的影响程度。

2理论分析框架

2.1投入产出指标变量的选取

由于农业系统相对复杂，受到多方面的影响，因此本研究从农业的投入和产出2个角度出发，对农业系统生产率的影响因素加以分析。根据上述文献综述的归纳梳理，参照现有的研究成果和科学量表，并结合农业生产过程中涉及的各个环节和要素，构建较全面、合理的农业GTEP影响因素指标体系。基于相关理论，选取土地、劳动力、资本投入、水、能源5个要素作为农业生产的投入要素。其中土地通过农作物生产面积和水产养殖面积二者来衡量;劳动力主要指农业、渔业等从业人员数量;资本投入要素主要包括机械设备总动力、农业化肥使用量、有机化肥使用量、农药使用量、役畜投入以及大棚农膜使用量等;能源投入主要是指电力投入。农业产出则涵盖2个不同的内容，即期望产出和非期望产出，前者可以根据农业总产值来测度，后者主要考虑碳排放和排污量两方面[8-9]。污染源主要包括固体废物、化肥污染、役畜家禽产生的污染物。另外，本研究还考虑到水产养殖行业形成的废弃物，主要通过化学需氧量（COD）、总磷（TP）、总氮（TN）3个统计数据加以分析（表1）。

《第一次全国污染源普查农业面源污染源污染系数手册》是本研究采用COD、TP、TN等3个统计数据来测算排污量的首选依据，在进行部分修改处理后可以得到各自的污染系数，评价标准根据国家地表水环境质量标准中界定的Ⅲ类水质将化学需氧量、总磷、总氮折算为排污量[10]。目前还鲜有文献将碳排放量作为农业要素生产率的影响因素，但在农业生产中碳排放的主要来源是农用机械等设备燃料的燃烧，另外一部分化肥、农药在使用过程中也会形成碳排放。

2.2农业GTFP影响因素指标体系

通过文献梳理，考虑到农业生产活动的全过程、投入产出的各方面影响因素以及农业活动的区域环境和交互行为，将空间区域因素（表2）也加入到影响因素中。最终选定自然环境、资源利用、农业经济水平、农业生活水平、产业结构、环境管控、地方农业政策、能源利用、城镇化进程、农村教育、空间因素共11个二级指标，另有12个三级指标（表3）。

2.3数据来源

实证研究应采用真实有效的数据，以保证研究结果的可靠性。本研究构建的农业绿色全要素生产率影响因素指标体系的数据均选自权威机构出具的统计年鉴，包括2007—2017年《中国统计年鉴》《中国农村统计年鉴》《中国农业统计资料》《中国农业年鉴》《中国渔业统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》《中国水资源公报》以及除台湾、香港、澳门之外的各省（市、区）统计年鉴。

3实证结果与分析

3.1农业GTFP测算结果

通过以上数据及分析模型，可以得到2007—2017年我国除台湾、香港、澳门之外的31个省（市、区）以及按照东部、西部、中部划分的区域农业绿色全要素生产率的分析结果（表4）。由分析结果可知，我国2007—2017年这10年间总体的农业生产率呈缓慢上升趋势，说明我国在这10年间推行的惠农政策对农业生产效率的提高起到了一定的作用。此外，农业绿色全要素生产率增幅相对较小，仅有0.39%，说明我国目前农业生产效率还处于较低水平，以牺牲环境换来的农业生产并不符合可持续发展的理念。而通过东部、西部、中部地区农业绿色全要素生产率的比较可以发现 东部的农业绿色全要素生产率水平相比西部和中部有明显优势 且3个区域之间的差异较大。西部地区的农业生产效率较低，资源投入高，产出效率低，同时造成的污染也较严重。可见，我国农业绿色全要素生产率在不同区域有着明显的差异，东部地区具有明显优势，中部地区位列第二，而西部地区亟待提高。由此提出假设，我国农业绿色全要素生产率在空间上存在相关性。

3.2空间面板模型分析结果

3.2.1变量的平稳性检验和协整检验

由于对数可以有效降低异方差所带来的影响，本研究对数据进行对数形式的处理，用lnxi表示。对样本数据进行单位根检验，旨在验证样本数据的可靠性。由表5可知，样本数据不存在异方差，数据较稳定。

对数据进行KAO检验，即协整检验，目的在于避免数据由于协整关系造成统计结果偏差。由表6可知，不同检验方法下的P值均小于0.05，可以认为变量数据之间存在协整关系。

3.2.2空间相关性检验

本研究还采用Morans I指数对我国农业GTEP的空间相关性进行测算，由表7可知，2007—2017年的Morans I指数均大于0，说明我国农业绿色全要素生产率与我国空间存在正向关系。而10年间Morans I指数不断提高则说明正相关的关系逐渐加强。选取2009、2015年的数据形成局部Morans I散点图，由图可见空间聚集较明显（图1、图2）。

3.2.3模型选择与结果分析

由于SEM模型和SLM模型均可适用于对空间是否存在相关关系的分析，本研究通过最小单位根LM检验（简称LM检验）和Robust检验来确定模型的选择，检验结果见表8。

由表8可知，SEM模型和SLM模型均通过了显著性检验，相较之下，本研究应选择SDM模型。但应注意的是，在正式运用SDM模型之前，要借由Hausman检验来判定该研究选取固定效应还是随机效应。检验结果见表9。

由于Hausman检验P=0.081 1<0.1，10%显著性条件下应采用固定效应。SDM模型估计见表10，同时计算其直接效应和间接效应。

由表10各影响因素的权重系数可知，农业产业结构调整对我国农业绿色全要素生产率的影响程度系数为0.701，在诸多因素中影响最大。由于采用的数据为粮食产值占农林牧渔总产值的比例 说明大力发展粮食产业可以有效提高绿色全要素生产率。农业产业结构的正向增长效应系数为0.624，而负向外溢效应系数也达到了-0.932，说明农业产业结构兼具正向和负向2种效应，且负效应系数大于正向效应。

这是因为大力发展粮食等种植产业，在提高产值比例的同时必然也会提高绿色全要素生产率，但相应的化肥、农药、农膜以及排污量、碳排放等污染都会对环境造成很大负担，且受到污染的土地在短时间内难以恢复，还会产生长期影响，进而导致总效应为负。因此，调整农业产业结构是提高绿色全要素生产率的重要举措，同时也应制定相应的法律法规以保障环境免于被破坏，这样才能实现我国农业产业的绿色可持续发展。

农业从业人员文化程度的影响程度系数为0.644，位列第二，且对我国农业绿色全要素生产率的提高起到显著作用，说明农村的基础教育水平越高，农业生产水平、环保效率等都会相应提高，进而促使全要素生产率的提高。促进基础教育发展不仅可以有效提高农业从业人员的专业技术水平和环保意识，还会使农业从业人员对新技术、新方法的接纳程度和学习速度也随之提高。因此，政府应加大对农村教育的投入，提升教育水平，从而提高农业绿色全要素生产率。

人均粮食产量对我国農业绿色全要素生产率的影响程度达到0.344，具有正向关系。人均粮食产量反映了我国农业的经济发展水平，发展水平的提高会促进产量的增加，进而提升相关从业人员的收入水平，从业人员接受教育程度和环保意愿也会相应地提高。同时农业从业人员收入的提升会促使其接受新技术、新理念，进而提升农产品品质。目前我国沿海地区和内陆地区存在一定的收入差异，这也是造成我国东部、中部、西部3个地区存在农业绿色全要素生产率明显差异的一个主要原因，因此我国还应加大对中部和西部农业发展的投入。

农产品价格指数与我国农业绿色全要素生产率之间存在正相关关系，系数为0.123，影响并不显著。政府对农业生产经营活动和农产品的补贴可以提高农民生产的积极性，进而在一定范围内影响我国农业绿色全要素生产率。

管控政策对我国绿色全要素生产率的影响也是正向的，但系数仅有0.068 2，负向外溢效应系数为-0.238相比正向直接效应系数0.093 2较大。环境管控政策主要规范了排污量标准等，而环境污染具有明显的外部不经济性，外部不经济性需要政府制定相应的政策来引导，主要包括税金和明确产权等。对自身区域而言，正向直接效应系数为0.093 2，说明管控政策起到了一定效果，表明完善相应的法律法规、政策规章可以提升绿色全要素生产率。但目前我国这方面的法律法规尚不完善，针对农业生产经营活动的制度规章较少，且落实程度也有待进一步加强，故影响程度较小。另外，废水废气排放等一切环境污染行为都会影响相邻地区的环境水平，因此负向外溢效应也较明显。

空间区域因素对我国农业绿色全要素生产率也有正向影响，系数达0.247。说明农业生产经营活动具有明显区域性特征，农业生产离不开环境、土壤等，相邻地区的环境较相似，同时相邻区域的经济和技术的交互也加强了空间集聚的现象。

在负效应的影响因素中，农村城镇化进程系数为-0.511，与我国农业绿色全要素生产率之间存在显著的负向关系，同时负向外溢效应系数为-1.583，也处于较高水平。这是因为随着农村城镇化进程的加快，农村人口从事农业生产经营活动的人数在不断减少，但总人口数量在增加，总需求也在相应增加，进而使得农业产品产出量不断提高。为了提高产量，化肥、农药、农膜等需求量的增加对环境造成了很大压力。同时农村城镇化会减少耕地面积，对农业生产经营投入要素中的土地及劳动力都有很大影响，进而会降低我国绿色全要素生产率。

农业能源利用率对农业绿色全要素生产率的影响系数为-0.432，二者之间存在负向相关关系。通常而言，能源利用率越高生产率就越高，二者在正常范围内应该是正相关关系。本研究发现二者为负向相关关系，说明农业发展已经超出正常范围，超出了环境的承载力，过度开发导致生态环境被破坏，阻碍了农业绿色发展。

电力消耗率的影响程度系数为-0.203，而水资源利用率影响系数为0.040 1。说明不同资源类型对我国农业绿色全要素生产率的影响方向并不完全相同。在相同产能的情况下，用电量越高相应的电力资源利用率就越高，从而制约了农业绿色发展;而水资源利用率越高，其浪费程度越低，可以在一定程度上提高我国农业绿色全要素生产率。

农村人均收入对我国农业绿色全要素生产率产生了负向影响，但影响并不显著，系数为-0.024 2。农村人均收入具有正向溢出效应，说明本区域农村人均收入的提高推动了本地居民对生活品质的追求，同时对优质农产品的需求也随之提高，进而使得周边区域的绿色全要素生产率也会不断提高。

农业财政支出和受灾比也在一定范围内对我国农业绿色全要素生产率产生负向影响，其系数分别为-0.040 8、-0.033 1。财政支出会在无形中影响农产品市场，改变农业产业生产、销售的侧重点，从而对我国农业绿色全要素生产率产生影响。

综上，农业产业结构调整、农业从业人员文化程度及人均粮食产量对我国农业绿色全要素生产率都产生了显著正向影响，而与农村城镇化进程和农业能源利用率都有着显著的负向影响关系。人均粮食产量与文化程度对我国农业绿色全要素生产率具有直接增长效应，而农村人均收入具有显著的间接外溢效应，产业结构和管制政策则兼具直接效应和间接效应。

4结论与建议

本研究构建农业绿色全要素生产率影响因素指标体系，分析2007—2017年我国31个省（市、区）和东部、中部、西部区域相关数据，采用EBM模型对我国农业绿色全要素生产率进行测度，并通过Morans I指数验证我国农业绿色全要素生产率的区域相关性，最后借由SDM模型探讨各影响因素的重要性以及直接效应和间接效应的影响，对农业绿色发展转型提出意见和建议。本研究主要结论有：第一，综合考虑农业生产的投入和产出要素，考虑农业生产活动对环境的影响，将农业排污量和碳排放量纳入到农业绿色全要素生产率考核体系，使得指标对农业绿色全要素生产率的评价更加全面和科学。統计模型分析结果表明，我国2007—2017年10年间总体的农业生产率虽有波动，总体上呈缓慢上升的趋势，但是距离绿色可持续的生产发展模式还有一定差距。就目前而言，农业生产效率还处于较低水平，牺牲环境换来的农业生产并不符合可持续发展的理念。同时我国农业全要素生产率也呈现出地区性的差异特征，东部地区的生产率相对较高，西部最低。第二，我国农业绿色全要素生产率存在空间正相关关系，且关系随时间推移不断加强，空间聚集明显，这是由于农业生产活动受到生产环境和相邻区域之间的经济、知识交互传播的影响。第三，空间区域因素对我国农业绿色全要素生产率影响较大，我国要实现农业绿色可持续发展还须充分考虑地理环境对农业活动和发展的影响。第四，农业产业结构调整、农业从业人员文化程度、人均粮食产量和管控政策对我国农业绿色全要素生产率有着重要的正向影响作用，而农村城镇化进程率、农业能源利用率以及电力资源消耗率等对我国农业绿色全要素生产率有着明显的负向影响作用。第五，我国农业绿色全要素生产率影响因素的间接效应对生产率的影响程度相比直接效应更大，农村居民人均收入和农村城镇化进程有着明显的负向间接外溢效应，电力消耗率与水资源利用率体现了负向直接增长效应。而农村人均粮食产量、农业从业人员文化水平都与绿色全要素生产率存在正相关关系，产业结构和管制政策则兼具直接效应和间接效应。

综上结论，对我国农业绿色全要素生产率提出以下建议：首先，政府应完善农业生产中环境保护的法律法规，并确保相关法律法规得以落实。目前我国环境保护、生产经营活动中的环境管制政策主要侧重于总排污量、排污标准、目标责任等方面，较少涉及农业生产活动领域，对于农业生产活动中的排污量、碳排放等方面还没有明确的规定。同时，相应的污染治理资金制度尚未建立，加之农业经营主体缺乏环境保护意识，进而阻碍了我国农业绿色可持续发展。因此我国政府应尽快完善相应的法律法规、政策细则并加以落实，为我国农业实现绿色可持续发展提供法律基础。其次，我国还应加速进行农业产业结构调整，这是实现农业绿色可持续发展的前提。目前我国生产力水平不断提高，农产品供大于求，正逐渐转变为以消费者为主导的市场模式。同时生活水平的提升也促使人们购买需求和购买能力的提升，民众对农产品的需求向着优质、多元化的层次不断发展。因此，优化农业产业结构是我国农业绿色可持续发展的要求。具体而言，应积极扶持农民专业合作社的发展，培养民间运输销售组织，实现生产、经营、运输一体化的服务方式;壮大龙头企业，实现农业产业化经营，鼓励多元化的投资主体，提高产品品质，增加产品种类;健全农村经济综合信息服务体系，做好农产品生产、加工、技术、价格等信息的发布，加强农产品市场体系建设，制定相应的农产品品质标准;明确科技研发的重点，提高农产品生产效率。最后，还应加强农村基础教育，提高农业从业人员的知识水平。农村基础教育水平直接关系到农业绿色可持续发展的实现，因此政府应健全相应的管理制度，优化农村教育体系，加大对农村教育的投资力度，提供优秀的教师资源，充分调动社会各界力量，为农村基础教育提供保障。

参考文献：

[1]吴清华，冯中朝，何红英. 农村基础设施对农业生产率的影响：基于要素投入的视角[J]. 系统工程理论与实践，2015，35（12）：3164-3170.

[2]石忆邵，史东辉. 上海郊区农业生产率的空间分异及影响因素[J]. 经济地理，2018，38（3）：135-141.

[3]郭海红，张在旭，方丽芬. 中国农业绿色全要素生产率时空分异与演化研究[J]. 现代经济探讨，2018（6）：85-94.

[4]严先锋，王辉，黄靖. 绿色转型视角下地区农业发展与干预机制研究——基于农业绿色全要素生产率的分析[J]. 科技管理研究，2017（21）：253-260.

[5]王伟，孙芳城. 高技术产业三阶段创新效率变动研究——基于内部非期望产出的SBM模型与EBM模型[J]. 科技进步与对策，2018，35（3）：67-71.

[6]邬玮玮. 基于MoransⅠ指数的旅游经济发展动态演化与因子测算[J]. 统计与决策，2018（12）：132-134.

[7]田伟，贾敬全，伯娜，等. 中国省际收入差距的空间效应研究——基于SDM模型实证[J]. 华东经济管理，2018，32（8）：65-71.

[8]田云，张俊飚，吴贤荣，等. 碳排放约束下的中国农业生产率增长与分解研究[J]. 干旱区资源与环境，2015，29（11）：7-12.

[9]卿漪，龙方. 农民参与农业面源污染治理的意愿及其影响因素——基于洞庭湖区“清洁田园”行动的经验分析[J]. 湖南农业大学学报（社会科学版），2018，19（4）：47-52，72.

[10]金巍，刘双双，张可，等. 农业生产效率对农业用水量的影响[J]. 自然资源学报，2018，33（8）：1326-1339.