中国林业全要素生产率空间关联网络结构及其影响因素

贯 君，曹玉昆，朱震锋

(东北林业大学 经济管理学院，哈尔滨 150001)

内容提要：基于2005-2016年中国省域面板数据，本文运用DEA-Malmquist模型测度31个省域的林业全要素生产率，采用VAR Granger因果检验方法对省域间的空间溢出关系进行识别，在社会网络分析框架下对网络结构特征及其影响效应进行分析。研究发现中国省域林业全要素生产率的空间溢出效应普遍存在，省域间空间溢出呈现多重叠加现象；关联网络呈多核心发展趋势，跨省效率传递具有明显的“梯度”溢出特征；省域间市场化落差有助于林业市场边界的拓展，相似的创新水平和金融发展水平能够促进省域之间的林业生产技术交流与合作和林业增长的“马太效应”。因此，应更加重视林业生产效率的空间非均衡格局，通过宏观调控和市场体系建设，因地制宜制定林业发展政策，以发挥各地区的功能和优势。

作为陆地上最大的绿色经济体和效率溢出部门，林业产业是向社会提供林产品和森林服务的重要物质生产部门和社会公益事业，林业产业发展是实现绿色发展和乡村振兴的优势和潜力所在，提升林业生产效率、推动林业发展方式向集约型转变已成为经济新常态下中国林业发展的关键任务。在不同的资源禀赋、经济结构和技术水平等因素的共同影响下，中国林业生产效率呈现明显的区域差异性[1]和空间不均匀特征。区域林业生产效率并非仅受本地“属性”因素的影响，而是在全域层面上呈现一定的空间关联特征。我国区域间生产要素的自由流动和经济活动的知识溢出已超越“地理邻近”关系[2]，从网络视角重新考察社会经济活动也成为未来研究趋势[3]。在此背景下精细刻画中国林业生产效率的空间网络关系结构，厘清各省份的位势和角色，对促进我国林业生产效率省域协调发展具有重要意义。鉴于此，本文运用DEA测度2005-2016年中国省域林业TFP的Malmquist指数，在VAR框架下利用Granger因果检验方法识别空间关联关系，并借助社会网络分析方法对中国省域林业TFP的空间关联网络结构及影响效应进行实证考察。研究旨在利用“关系数据”从网络视角考察中国林业生产效率的空间关联结构及其演变趋势，识别空间溢出渠道，明确各省份在关联网络中的地位和角色，分析区域差异对关联网络结构的影响效应，以期从全域网络视角为充分发挥林业生产效率的空间溢出效应、推动跨区域协同机制建设、实现林业可持续发展提供政策启示。

一、研究方法与数据来源

(一)林业TFP的测度及空间分析

1.林业TFP的测度。将Malmquist指数和DEA方法结合运用无须设定生产函数形式，具有不受量纲影响、无须考虑技术非效率、可以避免较强的理论约束等优势，已被广泛用于生产率测算。本研究借鉴Färe等[4]构建的Malmquist生产率指数，运用DEA测度中国省域林业TFP。以t期为基期，衡量t+1期林业TFP变化的Malmquist指数可表示为：

=PECHt,t+1·SECHt,t+1·TECHCHt,t+1=EFFCHt,t+1·TECHCHt,t+1

(1)

其中，MALM、PECH、SECH、TECHCH、EFFCH分别表示从t到t+1期的林业TFP、纯技术效率变动指数、规模效率变动指数、技术进步变动指数和技术效率变动指数，xt、xt+1分别为t到t+1期的投入向量，yt、yt+1分别为t、t+1期的产出向量，Dt(xt,yt)、Dt+1(xt+1,yt+1)分别为以t、t+1时期技术为参照的距离函数，下标v、c分别表示可变规模报酬假设和不变规模报酬假设。当Malmquist指数大于1时表明林业TFP有所改进，反之则说明林业TFP有所恶化；当PECH、SECH、EFFCH、TECHCH分别大于1时分别表明纯技术效率、规模效率、技术效率、技术进步促进了林业TFP提升，反之则说明该因素抑制林业生产率增长。

2．林业TFP空间关联网络的构建。“关系数据”既是构建空间关联网络的基础，也是确定省域林业生产效率关系是分析空间网络结构特征的关键。Granger因果检验是检验变量间是否具有因果关系的一种手段，VAR框架下的Granger因果检验无须过多先验约束，即可得到一组变量能否提高另一组变量预测能力的信息[5]。如果一个时间序列变量的历史信息有助于改进另一时间序列变量当期值的预测能力，则称前者是后者的Granger原因。鉴于此，本文基于VAR模型的残差序列，对省域林业TFP进行Granger因果关系检验，由式(2)、式(3)可确定任意两省间的空间关联关系，并据此构建最大可能性关联关系矩阵。其中，{Xt}和{Yt}是两个省域的时间序列；α、β、γ和δ为待估参数；{εi,t}(i=1,2)为残差序列；θ1、θ2、θ3和θ4为滞后阶数。

(2)

(3)

3．空间网络结构特征的刻画。社会网络分析方法是基于“关系数据”的一种社会学研究范式，近年来越来越多的学者将这种分析方法应用于经济学和管理学等其他领域。应用社会网络分析方法考察空间关联网络结构涵盖整体网络结构特征、节点网络结构特征和凝聚子群等方面[6]。中国省域林业TFP空间关联网络的整体结构特征主要利用网络密度、网络关联度、网络等级度和网络效率进行刻画。网络密度刻画了关联网络的紧密程度，高网络密度意味着省域间林业生产效率联系越紧密；网络关联度可以用来描述网络自身的稳健性和脆弱性，若网络中很多关系连线都与某省份相连，表明网络对该省份的依赖性较强，该省份一旦出现问题将造成整个网络崩溃；网络等级度反映了网络中省份的非对称可达程度，等级度越高说明林业生产率关联网络存在的等级结构越森严，部分省份被边缘化；网络效率是衡量省域林业生产效率外溢通道多少的指标，网络内存在的多余连线越多其效率越低，省域林业生产效率联系越紧密，也越容易通过省域间林业生产要素流动缩小比较优势。

空间关联网络的节点网络特征重在考察各节点的网络中心化程度，本文主要从点度中心度、接近中心度和中介中心度三个维度进行分析。点度中心度衡量了各省份在关联网络中的中心位置程度，点度中心度越高的省份与其他省份的联系越多；接近中心度反映了某省份不受其他省份控制的程度，度数越高意味着该省份与其他省份间存在的直接关联越多，反映出该省份在网络中处于核心位置。中介中心度刻画了某省份在多大程度上控制其他省份间关联关系的程度，高中介中心度的省份在关联网络中起到桥梁作用。

凝聚子群分析利用省域生产效率联系强度揭示空间关联网络的内部结构状态，探寻整体结构中的子结构，从板块的维度考察各省份在网络中的地位和角色。基于刘华军等[7]的角色划分方式，本研究将林业TFP空间关联网络中块的角色划为四类：一是净受益板块，板块内成员接受来自其他板块的关系数明显多于向其他板块的溢出关系；二是经纪人板块，该板块既接受外部板块溢出也对外发送联系，且与外部板块成员的联系多于板块内部成员；三是双向溢出板块，该板块既接受外部板块溢出也对外发送联系，且板块内部成员间联系较多；四是净溢出板块，该板块向其他板块的溢出关系数明显多于接受来自其他板块的关系。

(二)基于QAP回归的影响因素分析

林业TFP关联网络是省域间林业经济发展相互作用的客观反映，各种因素的综合作用共同驱动着关联网络的形成和演变。本文在分析影响林业生产率关联网络结构的因素时采用的是“关系数据”，如果运用常规统计分析方法可能会因解释变量之间存在较高相关性导致估计结果失真。而社会网络分析中的非线性二次指派程序(Quadratic Assignment Procedure，QAP)是以置换矩阵数据为基础，通过对不同方阵中格值的相似性进行比较，得出矩阵间的相关性系数并进行非参数检验。该方法无须假设解释变量间相互独立，在处理“关系数据”时具有比较优势[8]。鉴于此，本文选用QAP方法对中国林业TFP空间关联网络的影响因素进行实证考察，以避免多重共线性问题可能带来的测量误差。

(三)数据来源及处理

在林业TFP测度方面，本文考虑到数据的科学性和可获得性，并参考学者的相关研究[9-10]，从土地、资本和劳动力三个角度反映林业经营中的要素投入情况，从生态效益和经济效益两个方面反映林业的总体产出情况。其中，选取林业用地面积(万hm2)、林业固定资产投资完成额(亿元)和林业系统年末从业人数(万人)3个指标分别代表营林过程中的土地要素投入、资本要素投入和劳动力要素投入，选取新增林地面积(万hm2)和林业总产值(亿元)分别反映林业经营在生态效益和经济效益方面的产出。

在林业TFP空间关联影响因素方面，本文旨在探究省域属性差异对省域林业生产空间关联关系的影响。因此，在借鉴前人研究[11]的同时考虑到平行数据的可获得性，主要从产业结构、市场化程度、开放度、创新水平和金融发展水平5方面考察地区差异对空间关联关系的影响机制，各变量测度见表1。

表1 林业TFP空间关联影响因素与变量说明

表2 中国省域林业TFP指数

注：表中均值为几何平均值，由DEAP 3.1软件直接输出。

本文选取2005-2016年中国除港澳台外的31个省(市、区)为样本，数据均来源于历年《中国统计年鉴》、《中国林业统计年鉴》和《中国金融年鉴》。其中，天津、河南、广东、海南的林业固定资产投资完成额数据个别缺失，期间缺失值采用插值法补齐，期末缺失值通过趋势推演估算，林业总产值和固定资产投资完成额分别利用历年各地区生产总值指数和固定资产投资价格指数以2005年为基期进行折算。

二、省域林业TFP的空间关联网络特征

(一)空间分布格局

基于Färe等[4]构建的Malmquist生产率指数法，本文以中国31个省域为决策单元，运用DEAP 3.0软件测算各年度林业TFP，结果如表2所示(囿于篇幅，未报告其他年度结果，如有需要可向作者索取)。在样本考察期内，中国林业生产效率总体呈波动上升趋势，年均增长率达到10.0%。尽管四大地区林业TFP均实现增长，但由于中国幅员辽阔，经济、社会发展和资源禀赋不均衡，林业生产效率呈现出明显的区域性和差异性，年均TFP由高到低依次为中部地区(1.131)、西部地区(1.122)、东部地区(1.079)和东北地区(1.064)。

为进一步了解中国林业TFP的省域和区域差异变化，本文运用Matlab 2013a软件分别刻画了2005-2006年度和2015-2016年度中国林业TFP的空间分布格局(图1)和空间分布趋势(图2)。由图1可知省域尺度下中国林业生产效率存在明显的二元空间结构和时空分异特征，中国林业TFP的第一、二梯队随着时间推移逐渐由东部向中西部转移，西部地区“后发优势”明显。

图1 中国林业TFP的空间格局

图2 中国省域林业TFP的空间分布趋势

图2中竖线的位置和高度分别代表各省的地理位置和林业TFP的数值，数据点是竖线端点在东西向和南北向正交平面上的投影。通过拟合竖线端点和投影点得到的最佳拟合曲面和曲线，可以模拟林业TFP在东西向和南北向上呈现的空间分布趋势。图2显示2005-2006年中国省域林业生产效率曲面呈中部凹陷状，趋势线在东北和西南方向上均呈现“S”型，表明该期间中国的林业TFP东部要高于西部和中部地区，南部要高于中部和北部地区。2015-2016年的曲面呈东部凸起状，“S”型曲线在东西方向上的“波峰”向中西部转移，在南北方向上向北部转移，这主要受惠于中部崛起和西部大开发政策的实施。以上分析表明，2005-2016年中国林业TFP呈现出显著的空间非均衡分布格局。

(二)空间关联网络结构

1．整体网络结构特征分析。本文采用VAR Granger检验方法识别省域林业生产效率之间的传导关系，进而构建空间关联关系矩阵。为了展示林业TFP空间关联网络的结构形态，本文利用Ucinet软件的Netdraw工具对2005-2016年中国31个省份的林业TFP的关联网络进行了可视化。如图3所示，中国省域林业TFP呈现出复杂的、多线程的网络结构形态，没有任何一个省份是孤立存在的。31个省份间最大可能关系总数为930个(31×30)，但样本考察期内实际的空间关联关系总数仅为328，整体网络密度仅为0.3527，表明我国林业生产效率的空间互动和溢出效用仍较为薄弱，省域间合作稳定性有待增强。但是，在提升关联网络密度的同时，网络中冗余连线也可能随之增多，一旦超过网络容纳能力将产生过高的交易费用，抑制省域间生产要素流动。因此，必须将关联网络密度维持在适宜的水平上才能保证林业TFP在空间上实现优化配置。

图3 2005-2016年中国省域林业TFP空间关联网络

本文通过Ucinet软件测度中国林业TFP的网络关联度、网络等级度和网络效率。首先，网络关联度达到1，说明林业TFP关联网络中不存在脱离网络的省份，网络节点间通达性较好，即空间互动和溢出效应普遍存在；其次，网络等级度为0，说明林业TFP关联网络完全不存在等级结构，各省份间林业生产效率均存在空间溢出的可能性，该结果也为林业生产空间协调发展提供了实证依据；最后，网络效率为0.501，说明网络中仍存在较多冗余连线，省域林业生产效率间的空间溢出存在多重叠加现象。上述结果表明，随着中国要素市场体系逐步完善，省域间的行政壁垒逐渐被打破，市场对林业资源的配置作用得以更好发挥，从而降低了省域间的交易成本，推动了不同地区在资源、技术和贸易等方面的交流与合作，拓展了省域间林业生产的互动渠道网络，省域间林业生产效率的相互影响逐渐加深，进一步增强了关联网络的稳定性和通达性。

2.节点网络特征分析。为了考察各省份在林业TFP空间关联网络中的地位和作用，本文通过测度点度中心度、接近中心度和中介中心度对31个省份的网络中心性进行分析，结果如表3所示点度中心度的全国均值为53.118，高于均值的省份共有13个，排名位居前五名的省份是吉林、云南、江苏、上海、福建，表明这些省份在关联网络中与其他省份的关联关系较多，处于网络的核心位置。北京、湖北、广西、西藏、宁夏、新疆排名垫底，这些省份与其他省份见的关联关系相对较少，需通过加强与其他省份的关联度以增加林业生产率的溢出渠道。从净溢出关系看，安徽、吉林、贵州、云南、山东等9个省份林业生产率的溢出关系多于其受益关系，总体效应为溢出；上海、江苏、湖南、海南、四川等19个省份的净溢出关系数为负，以接受其他省份的溢出为主；辽宁、福建和新疆3个省份的溢出关系和受益关系相等。

接近中心度的全国均值为68.906，处于前五名的省份分别为云南、吉林、江苏、上海和福建，表明这些省份在关联网络中与其他省份距离较短，在关联网络中作为“中心行动者”起到引领作用。其原因在于这些省份大多位于东南沿海地区，与其他内陆省份的经贸联系紧密，能够快速与其他省份发生关联。相反，宁夏、新疆、西藏等排名靠后的西部偏远地区受其地理位置限制，在林业TFP关联网络中也扮演“边缘行动者”的角色。

中介中心度的全国均值为1.617，云南、吉林、上海、江苏、山东的中介中心度位居前五名，是关联网络中的关键节点，在整个空间网络中处于核心位置并发挥着“桥梁”作用，具有较强的资源控制能力。而排名靠后的宁夏、湖北、四川、山西、河南等省份，因地理位置偏远、经济实力薄弱、林业基础设施不健全等原因，难以对其他省份的林业生产率产生影响和支配作用。

(三)凝聚子群分析

为了揭示省域林业TFP的空间集聚特征，本文采用CONCOR方法，以最大分割深度为2、集中度为0.2的标准，将关联网络划分为四个板块(Block)。结果显示第I板块由10个成员组成，分别是北京、天津、海南、西藏、内蒙古、新疆、江西、黑龙江、青海和广西，主要分布在东北和西部地区；第II板块由3个成员组成，分别是吉林、云南和山东；第III板块由15个成员组成，分别是山西、安徽、河北、湖北、湖南、四川、福建、辽宁、广东、宁夏、河南、甘肃、浙江、陕西和重庆，主要分布在中部和东部地区；第IV板块由3个成员组成，分别是江苏、上海和贵州。

表3 2005-2016年中国省域林业TFP空间关联网络中心性

表4 中国省域林业TFP关联板块的溢出效应

注：期望内部关系比例根据“(板块内省份数-1)/(网络内全部成员数-1)”计算得到，实际内部关系比例根据“板块内部关系数/板块内全部成员溢出关系总数” 计算得到。

为了考察板块间的关联关系及各板块在关联网络中发挥的作用，本文对各板块的溢出效应进行了测算，结果如表4所示。结果显示板块内部存在143个关联关系，板块间存在185个关联关系，说明林业TFP关联网络内的板块间存在明显的空间关联和溢出效应，且空间溢出效应主要以区域间溢出为主。

为了进一步明确板块间的传导溢出关系，本文测算了中国省域林业TFP的板块间密度矩阵与像矩阵(结果见表5)，并在此基础上基于α密度准则将板块关联关系进行可视化(结果见图4)。块模型分析结果显示第I板块和第II板块接受外部溢出关系个数均大于其向板块外部的溢出，实际内部关系比例高于期望内部关系比例，在关联网络中扮演“净受益”角色。该板块内的省份主要处于中国北部和西部地区，其林业TFP在样本考察期内相对较低，主要以接收其他板块的效率溢出为主。第III板块内部关系数存在103个，既超过其向板块外部的溢出数74个，也远多于板块外溢出关系数48个，在林业生产效率的动能传递中扮演了“双向溢出”角色。第IV板块内部关系数仅为2个，少于板块外溢出关系数34个，且溢出关系数大于受益关系数，属于“经纪人”。该板块成员除贵州外均位于长三角地区，经济发展水平和林业生产效率较高，在关联网络中起到明显的桥梁和枢纽作用，将其他板块溢出的效率传递给“净受益”的第I、II板块。以上结果表明中国林业TFP关联网络中的各版块间的效率传递具有明显的“梯度”溢出特征。但是，第I和第III板块之间、第II和第IV板块之间不具有显著的传导溢出关系，未来需要重点加强这些省份间的联系和互动。

注：密度矩阵结果为Ucinet软件直接计算得到，本文将密度矩阵中板块密度大于等于网络密度(0.3527)的情形赋值1，板块密度小于网络密度的情形赋值0，得到像矩阵。

图4 中国林业TFP的板块关联关系

三、影响林业TFP空间关联网络结构的因素

(一)QAP相关性分析

为了探究各因素对空间关联网络结构的影响大小，本文对各影响因素分别构建了差值矩阵以表示省域间的属性差异，基于QAP分析方法对各影响因素的与空间关联关系进行了相关关系检验，结果见表6。结果显示产业结构差异、市场化程度差异、开放度差异、创新水平差异、金融发展水平差异与林业TFP空间关联网络结构的相关系数均显著不为零，表明这四种省域差异均对关联网络结构具有重要影响。产业结构和创新水平的提升能够为林业生产提供更大的市场空间和技术资源，开放度和市场化程度的提高为line生产要素在省域间的流动和高效配置提供了“软环境”。其中，产业结构差异的相关系数在5%的水平上显著为负，市场化程度差异和开放度差异的相关系数在1%的水平上显著为负，说明省域间在产业结构、市场化程度、开放度方面的差异均能促进关联网络和空间溢出效应的产生；而创新水平差异、金融发展水平差异分别在1%和10%的水平下显著为正，说明相似的金融发展水平有利于关联网络的形成。

(二)QAP回归分析

经过5000次随机置换得到的QAP回归结果如表7所示，QAP回归的可决系数R2为0.262，鉴于QAP回归的可决系数往往低于OLS，可以认为本研究所选的解释变量对中国林业TFP关联网络结构具有较强的解释力。表7结果显示：第一，市场化程度的回归系数在5%的水平上显著为负，说明地区间的市场化落差有利于拓展林业产业市场边界。第二，创新水平和金融发展水平分别在5%和10%的水平上显著为正，说明区域间创新水平的相似性能够降低知识技术资源的跨界搜寻成本，有助于省域间的技术交流与合作；相近的金融发展水平有利于林业生产资本要素的省域联动，形成林业生产要素流动的“马太效应”，推动林业生产要素回流。第三，产业结构和开放度回归系数均为负但不显著(P>0.1)，表明产业结构和对外开放程度的地区差异尚不能显著影响林业生产效率的跨区域溢出，响应机制和响应效果仍有待完善和增强。

表6 QAP相关性分析结果

注：最大值和最小值为5000次重复抽样过程中出现的最大值和最小值，P≥0、P≤0为每次抽样得到的相关系数不小于、不大于观察到相关系数的概率。

表7 QAP回归分析结果

四、结论与政策建议

(一)研究结论

本文利用DEA-Malmquist模型测算了2005-2016年中国31个省域的林业TFP，在此基础上通过VAR Granger因果关系检验识别空间关联关系并构建关联关系矩阵，进而借助社会网络分析方法探究中国省域林业TFP的空间关联网络结构特征，并利用QAP模型实证检验了属性因素对关联网络结构的影响效应。研究结论主要如下：

第一，中国省域林业TFP呈现出复杂的、多线程的网络结构形态，所有省份均处于关联网络中，网络节点间通达性较好，空间互动和溢出效应普遍存在。此外，关联网络完全不存在等级结构，各省份间均可能存在空间溢出，但网络中仍存在较多冗余连线，效率溢出存在多重叠加现象。

第二，关联网络呈多核心发展趋势，跨省效率传递具有明显的“梯度”溢出特征。其中，江苏、上海和贵州在整个网络内处于“双向溢出”的核心位置，山西等15省起到“经纪人”的中介桥梁作用，将其他板块的效率溢出传递给“净受益”板块内的北京等13省边缘地区。

第三，产业结构差异、市场化程度差异、开放度差异、创新水平差异、金融发展水平差异对林业TFP空间关联网络结构均具有重要影响。QAP回归结果表明，省域间市场化落差有助于林业市场边界的拓展，相似的创新水平带来的跨界搜寻成本降低能够促进省域间的林业生产技术交流与合作，相近的金融发展水平促进林业生产要素回流从而形成林业增长的“马太效应”，但产业结构差异和开放度差异对关联网络结构的影响不显著。

(二)政策建议

首先，应更加重视我国林业生产效率的空间非均衡格局，充分认识林业TFP增长的空间关联关系，不断优化林业生产效率的空间关联网络结构，提高生产要素的空间配置效率。一方面，林业生产效率的空间关联关系呈现的复杂网络形态为林业跨区域协同发展提供了新的驱动力，跨区域协同生产机制的构建不应仅局限于地理临近的地区间，而应统从全国关联关系的网络结构视角重新审视林业生产。在关注“属性数据”的同时也应重视林业生产省域间日趋复杂的“关系形态”，推动林业政策由“谋一域”向“谋全局”转变，逐步实现林业增长的空间协同发展。另一方面，在拓展省域间林业生产互动渠道网络的同时，应建立有效且稳定的空间关联关系，并将关联网络密度维持在适宜的水平上，以避免过高的交易成本，保证林业要素在空间的优化配置。

其次，充分考虑省域差异对林业生产效率空间关联网络结构的影响，为林业生产要素跨区域流动和高效配置创造有利条件。一方面，林业生产效率空间关联网络结构为中国林业政策制定带来严峻挑战，政府要通过宏观调控为林业生产跨省域交流与合作创造良好的宏观环境，不断缩小省域间的创新水平和金融发展水平差异，以促进知识、技术、人才等方面的省域联动。另一方面，加快推进市场体系建设，减少行政指令干预和要素流动壁垒，通过价格、供求、竞争等市场机制加强省域联系，提升市场对林业生产要素的配置效率，拓展林业产业市场边界，促进林业生产效率的省域溢出，释放林业经济动能。

最后，结合空间关联网络的板块特征，制定差异化的林业发展政策，以发挥各板块的功能和优势，促进省域间的空间溢出效应，汇聚各省域林业发展动能合成整体发展势能，实现中国林业产业的空间协同发展。一方面，对于中国北部和西部的“净受益”地区，应继续加大林业投入，重点加强从“双向溢出”板块引入先进林业生产技术、学习先进管理经验，不断优化和调整要素配置结构，促进规模效率提升，增加林业经济产出。另一方面，对于在关联网络中起桥梁和枢纽作用的省域，应充分发挥上海、江苏、贵州对其他省域的溢出效率传递功能，通过加强核心与边缘区域间的互联互通，促进边缘地带的林业生产效率提升，降低中国省域林业生产效率的空间非均衡性，逐渐形成各地区林业生产相互促进、协同演进的良好发展趋势。