耕地地力保护补贴对福建省农业全要素生产率的影响

陈孝鑫，钱鼎炜，陈弘志

摘要：【目的/意义】随着农业三项补贴的改革，财政结构发生转变，探索耕地地力保护补贴是如何影响农业全要素生产率的变化有助于完善补贴政策，为促进福建省农业发展提供参考和启发。【方法/过程】采用DEAMalmquist模型，对泉州市、宁德市和漳州市的农业全要素生产率进行测算，并通过Tobit模型对农业全要素生产率进行回归分析。【结果/结论】结果表明：技术效率是引起农业全要素生产率增长的主要原因;从农业全要素生产率的影响因素来看，耕地地力保护补贴资金和年日照时数显著正向影响农业全要素生产率，各县市GDP、户均耕地面积和年平均气温显著负向影响农业全要素生产率，而年降雨量与农业全要素生产率呈负相关关系。

关键词：DEAMalmquist模型;技术进步;Tobit模型;耕地地力保护补贴

中图分类号：F327文献标志码：A文章编号：1637-5617（2021）05-0023-08

Effects of the Subsidies for the Protection of Cultivated Land Fertility on Agricultural Total

Factor Productivity in Fujian Province

CHEN Xiaoxin， QIAN Dingwei， CHEN Hongzhi

（School of Economics and Management， Fujian Agriculture and Forestry University，

Fuzhou， Fujian 350002， China）

Abstract： 【Objective/Meaning】With the reform of three subsidies in agriculture， the financial structure has changed. Exploring how the subsidies of farmland productivity protection affect the changes of total factor productivity in agriculture is helpful to improve the subsidy policies and provide reference and inspiration for promoting the agricultural development in Fujian Province. 【Methods/Procedures】By using the DEAMalmquist model， the total factor productivity of agriculture in Quanzhou City， Ningde City and Zhangzhou City was calculated， and then the Tobit model was used to make regression analysis on the total factor productivity of agriculture. 【Results/Conclusions】The results showed that the technical efficiency was the main reason for the increase of agricultural total factor productivity. From the perspective of the influencing factors of agricultural total factor productivity， the subsidies for the fertility protection of cultivated land and the annual sunshine duration had significant positive impact on the total factor productivity of agriculture. The GDP of each county and city， the average cultivated area per household， and the annual average temperature had significant negative impact on the total factor productivity of agriculture， while the annual rainfall was negatively correlated with the agricultural total factor productivity.

Key words：DEAMalmquist model; technological progress; Tobit model; subsidies for the protection of cultivated land fertility

自改革开放以来，我国逐渐建立“十分珍惜、合理利用土地和切实保护耕地”的耕地保护制度与政策，为守住“谷物基本自给、口粮绝对安全”的国家粮食安全战略底线做出了巨大的贡献。2012年国务院批准并下发《全国土地整治规划（2011-2015）》，明确提出确保我国耕地保有量达到18.8億亩的要求。紧接着，2017年的相关文件提出要推行绿色生产方式，改进耕地占补平衡方法，并深入推进农业“三项补贴”的改革。而后，2018-2020年的中央一号文件都强调了农村突出问题的整治和生态环境保护等系列问题，提出要实现生产清洁化等要求。2021年中央一号文件再次强调了要务必严守18亿亩耕地红线，将耕地保护制度严格落实到位，推动农业绿色发展。在此基础上，我国未来农业发展必将朝着“绿色生态型”模式发展。当前，我国农业污染主要是由于生产配置和绿色发展之间的不协调所导致，发展绿色低碳农业是实现农业可持续发展的必由之路[1]。且依据经济增长理论，全要素生产率的提高可使得经济保持永续增长的状态[2]，进而间接实现农业可持续发展，因此必须系统地科学地对全要素生产率（TFP）展开研究。

1文献综述

随着历年中央一号文件以及2016年11月1日财政部、农业部《建立以绿色生态为导向的农业补贴制度改革方案》等相关文件相继出台，学者们对农业补贴等财政政策是如何影响全要素生产率进行了相关研究，并产生了两种相反观点。持正向论观点的学者普遍认为，农业补贴可提高农户财富水平，进而正向影响全要素生产率。如：朱满德等[3]通过DEATobit两阶段法揭示了综合性收入补贴是如何影响全要素生产率的变化，研究发现收入补贴对全要素生产率起积极作用;薛信阳等[4]对2011-2016年浦东新区的农民增收补贴政策效率进行测算，发现全要素生产率呈上升趋势，这说明农民增收补贴政策对于TFP的上升有一定的作用;胡春阳等[5]通过构建产出—财政补贴模型，从企业视角切入展开分析，结果表明财政补贴主要是通过提高技术效率来促进全要素生产率的增长。持反向论观点的学者则认为农业补贴对于全要素生产率的影响作用不大甚至呈负向影响：关建波等[6]对实施棉花良种补贴前后的生产效率进行了比较分析，发现良种补贴政策实施之后的TFP比实施之前有所下降;焦晋鹏等[7]通过构建个体固定效应模型进行分析，结果表明粮食直补补贴不仅抑制粮食TFP的上升，还抑制农户对技术使用效率的提升;张宗毅等[8]认为农机购置补贴对TFP起显著负向影响。

上述研究表明，全要素生产率的研究已取得较大的进展，但其中针对农业支持保护补贴政策所展开的影响因素研究相对较缺乏。2016年我国将农业“三项补贴”合成“农业支持保护补贴”，并将目标分为“耕地地力保护”和“粮食适度规模经营”，此项改革本质上实现了我国农业政策从“黄箱”向“绿箱”的转变。经历这次改革，农业支持保护补贴政策中的耕地地力保护补贴对农业全要素生产率造成哪些影响？其背后的影响机制又是什么样的？回答这些问题，关系到我国未来农业补贴政策的方向选择——如果耕地地力保护补贴无法提高农业全要素生产率，那么今后是否还需实施此项补贴政策？

鉴于此，研究根据福建省财政厅公布的历年耕地地力保护补贴资金安排表和《福建统计年鉴》的相关数据，对耕地面积以及耕地地力保护补贴资金进行综合排名，即将各地市耕地面积占全省比重和补贴资金占全省比重进行均值运算，再进行排名;根据其综合排名的结果进行分层抽样，共分为3层，每层各抽取一个地级市作为样本，即漳州市、宁德市和泉州市，该样本在一定程度上可以说明福建省的情况。因此，本文即以福建省宁德市、泉州市和漳州市为研究区域，采用DEAMalmquis模型和Tobit模型相结合的研究方法，对农业支持保护补贴政策中的耕地地力保护补贴进行农业全要素生产率的测算，并分析了其背后的影响因素，以期研究结果在一定程度上可促进福建省农业支持保护补贴政策的制定与发展。

2理论依据

农业补贴政策分为2类，一类是与农业生产相挂钩，另外一类是与农业生产不挂钩，但无论是哪一种都会在一定程度上影响到农户和新型经营主体的生产决策和经营行为[7]。索洛经济增长理论认为在完全竞争市场的假设下，农户的存储将全部用于投资，由于个体之间存在差异性，且在政策约束等条件不变时农户对生产要素的不同配置会形成2条差异明显的TFP曲线[9]，如图1所示。当资产较少时，农户进行农业生产的条件较为有限，就形成相对水平较低的曲线TFP1，但经过一定的财富积累之后，农户的投资能力将有所变化，进而带动TFP的变化，出现曲线TFP2。这时，2条差异明显的TFP曲线形成一个均衡点E，此时农户资产为K0。当资产超过K0时农户会选择曲线TFP2进行农业生产等活动;当资产低于K0时，农户则只能选择相对水平较低的曲线TFP1进行农业生产。因此，耕地地力保护补贴作为一种农业直接补贴政策，将直接提高拥有耕地承包经营权的生产者的财富水平，降低其生产成本，进而影响到农户在农业生产中的决策等，最终造成农业投入结构及生产结构、农业产量产值水平等发生变化。其中，农业技术进步可能是源于农业投入结构的变化，而农业规模效率的变化可能是源于农业生产结构的变化，进而影响全要素生產率的变化，即耕地地力补贴资金使得农户的资产大于K0时，农户会选择相对水平较高的曲线TFP2进行农业生产，此时全要素生产率将得到提高。

3研究方法与数据来源

3.1DEAMalmquist模型

全要素生产率测算方法主要分为参数法和非参数法两类。一是参数法，主要包括索洛余值法等;二是非参数法，最常用的有非参数莫氏指数法或数据包络分析（DEA）等，其中DEAMalmquist模型是直接通过投入—产出数据计算其生产率，在其应用中可避免主观因素对结果的影响，故应用较为广泛。如赛云秀、张优智、周一凡、王菲等学者[10-13]都通过DEAMalmquist模型对全要素生产率展开测算研究。因此，本文也采用DEAMalmquist模型来测算福建省宁德市、泉州市和漳州市3地市的农业全要素生产率。DEAMalmquist模型是以距离函数为基础的，并经Fare R.等学者证明，可将全要素生产率（tfpch）分解为技术效率（effch）和技术进步（techch）;而在规模报酬可变时，技术效率（effch）又可进一步分解为纯技术效率（pech）和规模效率（sech）。DEAMalmquist模型表达式如下：M0（yn+1，xn+1，xn，yn）=dn0（xn，yn+1）dn0（xn，yn）×dn+10（xn+1，yn+1）dn+10（xn，yn）=effch×tech （1）

其中，dn0（xn，yn），dn0（xn+1，yn+1） 分别是以n时期技术为参照的n时期和n+1时期的距离函数，而dn+10（xn，yn），dn+10（xn+1，yn+1）分别是以n+1时期技术为参照的n时期和n+1时期的距离函数。M0>1则说明从n时期到n+1时期的决策单元的TFP得到了增长;M0<1则表示从n时期到n+1时期的决策单元的TFP出现下降;x为投入向量，y为产出向量。

运用DEAMalmquist模型的关键在于选择较好的投入产出比指标，应尽可能避免较强的线性关系，本文参考国内相关学者的指标选取方法，并考虑到数据采集难等现实因素，将投入指标设为固定资本投入、人力投入、化肥投入和农药投入4个方面，分别对应的三级指标为农作物播种总面积、农业从业人员数、农业化肥施用折纯量和农药使用量;产出指标为经济效应，对应的三级指标为农业总产值和农民人均可支配收入（表1）。数据来源于2018-2020年《宁德统计年鉴》《漳州统计年鉴》和《泉州统计年鉴》。

3.2Tobit模型

运用DEAMalmquist模型展开研究获得农业全要素生产率之后，再运用Tobit模型对农业全要素生产率进行回归分析，参考朱满德、赛云秀等学者[3，10]的指标处理方法后，结合宁德市、漳州市和泉州市3地市的实际情况，选取农业全要素生产率为被解释变量，以各县市耕地地力保护补贴资金为核心解释变量，选取各县市GDP、户均耕地面积、年平均气温、年日照时数和年降雨量为控制变量，表达式如下：

TFPit=α+β1Xit+β2Xit+β3Xit+…

+β6Xit+ε（2）

其中TFPit为农业全要素生产率;α为常数项，β为回归系数，ε为随机干扰项，i为地区，t为年份，具体变量解释如下：（1）耕地地力保护补贴。用于提升耕地地力质量的保护补贴资金是2016年“农业三项补贴”改革之后的农业支持保护补贴中的一类，其资金与耕地质量保护挂钩，通过鼓励减少农药化肥施用量等方式，来促进耕地质量提升，从而实现“藏粮于地”，确保农民实惠不缩水[14]，因此本文选取县域的耕地地力补贴金额作为核心解释变量，以X1来表示。（2）经济发展水平。经济发展水平在一定程度上会促进耕地质量等，因此本文选取各县市GDP来衡量其经济水平，以X2来表示。（3）土地规模水平。对于土地规模较小的农户来说，在耕地质量等方面的花费较少，而对于土地规模较大的农户或新型农业经营主体来说，在提高耕地质量以及农业生态资源等方面的开销较大，故本文选取户均耕地面积来衡量土地规模水平，以X3来表示。（4）气候条件水平。气候条件是植物生长和耕地质量提高的必要条件，其中主要包括气温、光照和降水3个要素，故本文选取各县市年平均气温、年日照时数和年降雨量来衡量气候条件水平，分别用X4、X5、X6来表示。具体的全要素生产率影响因素指标体系如表2所示。

Tobit模型所使用的数据中：耕地地理保护补贴资金和耕地面积源自福建省财政厅公布的资金分配表;经济发展水平和气候条件水平源自《宁德统计年鉴》《泉州统计年鉴》《漳州统计年鉴》等。

4农业全要素生产率测算与分析

通过构建全要素生产率测算指标体系，运用Deap 2.1软件对宁德市、漳州市和泉州市3地市数据进行DEAMalmquist测算，测算结果如表3所示。

4.1全市农业全要素生产率分析

从整体上看，宁德市和漳州市的年平均农业全要素生产率、技术效率、技术进步和规模效率均为逆向增长，其中，年平均技术效率年增长率分别为-0.8%和-0.6%，年平均技术进步年增长率分别为-2.5%和-4.3%，年平均规模效率年增长率为-0.8%和-0.6%，全要素生产率年平均增长率分别为-3.3%和-4.8%;并且，宁德市和漳州市的纯技术效率均处在DEA有效状态，这说明技术效率、技术进步和规模效率限制了提高农业全要素生产率的步伐。泉州市的农业全要素生产率呈现向上增长趋势，年平均增长率为3.9%，这可能是由于在2019年实施了“百社百村带千户行动计划”，充分发挥了合作社在提高农民组织化水平等方面的优势，同年也贯彻并实施了《农业生态环境保护条例》和《农药包装废弃物回收处理管理办法》等相关政策法规，使农业经营方式发生改变所带来的增长;而技术效率、纯技术效率和规模效率也呈正向增长趋势，年平均增长率分别为4.3%、1.0%和3.1%，而技术进步呈负向增长，年平均增长率为-0.1%，这说明泉州市在2017—2019年农业全要素生产率普遍位于增长趋势之中，其主要原因是技术效率拉动其农业全要素生产率的增长，技术进步在一定程度上限制了其增长。

4.2县域农业全要素生产率分析

从县域上看，首先，农业全要素生产率呈正向增长的有蕉城区、福安市、柘荣县、东山县、晋江市、南安市和永春县，年增长率分别为2.4%、0.2%、1.3%、1.3%、0.7%、3.2%和4.8%，其中永春县的农业全要素生产率增长率最大，技术效率、纯技术效率和规模效率的年增长率为17.5%、3.7%和13%，这可能是因为永春县的五里街镇2018年被定为国家级农业产业强镇示范镇，带动了当地乃至永春县的发展，技术效率拉动了全要素生产率的增长;其次，蕉城区和柘荣县的全要素生产率的上升，其主要因素是技术进步，这可能的原因是随着脱贫攻坚工作的持续推进，政府对宁德市的补助也相对较多，比全省均值多出2637.5万元，在一定程度上会提高农户的财富水平，潜移默化的影响农户的投资能力，农业投入结构发生了较明显的变化，使其技术进步，进而影响到农业全要素生產率;而福安市的农业全要素生产率上升的较为缓慢，这可能是因为工业经济的迅速发展，不断冲击着传统农业，农业投入结构发生了调整，农业生产经营也慢慢朝着非农产业方向发展，进而导致农业全要素生产率无法得到有效的提升。在农业全要素生产率为负向增长状态的19个县市中，其中下降趋势较大的有福鼎市、屏南县、寿宁县、周宁县、漳州市、云霄县、诏安县、长泰县、南靖县和平和县等10个县市，长泰县下降幅度最大，年增长率为-12.1%，其主要原因是技术进步下降所导致的，技术水平低所导致的农业全要素生产率下降;泉州市和安溪县下降幅度较小，年增长率分别为-0.2%和2%，而技术效率和规模效率等均处在DEA有效状态，这表明泉州市和安溪县的农业全要素生产率下降主要是受到技术进步的影响，这可能的原因是：泉州市的工商业发达，吸引更多的人从事二三产业，导致兼业化严重，即农业投入结构发生调整，导致技术进步下降，进而导致农业全要素生产率的下降。

技术效率的含义是在生产投入要素的约束下，可以获得的最大产出的能力。综上所述，从整体上分析，宁德市和漳州市2地市年平均农业全要素生产率的下降，主要是受到技术进步的影响，抑制了其农业全要素生产率的增长趋势，而泉州市农业全要素生产率年均3.9%增长率主要是由技术效率所贡献的。从部分上分析，农业全要素生产率的增长或下降主要是受技术效率的影响，随着技术效率值上升，在一定程度上正向影响农业全要素生产率增长。因此，若想提高各地区的农业全要素生产率，应重点关注技术进步这方面。

5基于Tobit模型的农业全要素生产率影响因素分析本文使用Stata MP64软件对其进行Tobit模型回归，宁德市、漳州市和泉州市農业全要素生产率影响因素结果如表4所示。

由核心变量分析可以得出：耕地地力保护补贴资金（X1）与农业全要素生产率呈正相关关系，且通过了1%的水平上的显著性检验;回归系数为0.0000272，意味着耕地地力补贴资金每增加100万元，农业全要素生产率将提高0.272%，表明2017-2019年期间实施的耕地地力保护补贴政策有效提高了全要素生产率;这可能是因为随着补贴资金的增加，农户或农业新型经营主体的资金充足，提高其财富水平，从而提高投资水平，加快农户采用农业新技术，优化农业投入结构进而使得技术水平提高和耕地质量的提升，用较低的生产成本就可获得较为满意的产出。

由控制变量分析，在反映气候条件水平的变量中：（1）反映经济发展水平质量的各地区生产总值（GDP）（X2）对农业全要素生产率起消极作用，且通过了1%的水平上的显著性检验。这可能的解释是随着经济发展水平的提高，农业占GDP的比例下降，农业生产结构发生了变化，重心逐渐向非农产业靠拢，使规模效率较低，进而消极影响其农业全要素生产率。（2）反映土地规模水平的户均耕地面积（X3）在1%的显著性水平上显著负向影响农业全要素生产率，回归系数为-0.0262678，这意味这耕地面积每增加1亩（1亩=667 m2），农业全要素生产率就下降2.63%;表明单纯地增加各县市的耕地面积，并不会提高其农业全要素生产率，反而会使农业全要素生产率下降。这可能是由于城乡二元制度的影响仍然较大，年轻人进城务工，农村逐渐老龄化，乃至空心化，在这种情况之下，便没有足够的农村劳动力进行劳作或耕种，即使增加耕地面积也无法实现规模经济，使得生产效率没有得到提高反而下降。（3）年平均气温（X4）对农业全要素生产率有负向影响，且通过了1%的水平上的显著性检验;回归系数为-0.0133278 ，表明年平均气温每升高1℃，农业全要素生产率就大约下降1.3%;这可能是因为随着年平均气温升高，尽管粮食作物的复种指数增加，农业产量或产值增加，但农业投入品也同比例增加，使光热资源改善可缩短粮食作物生长时间的隐性影响未能发挥正向作用[15]，这与朱满德等[3]学者对全要素生产率的影响研究结果相类似;年日照时数（X5）对农业全要素生产率有正向影响，且通过了在5%水平上的显著性检验，随着年日照时数的增加，植物进行光合作用的时间变长，更有利于植物生长，从而可获得更高的产出;年降雨量（X6）对农业全要素生产率有负向影响，即随着年降雨量的增多，容易带来洪涝等自然灾害，不利于农业生产，从而抑制农业全要素生产率的提高，这与易福金[16]等学者的研究结果相一致。

6研究结论与政策建议

6.1研究结论与存在的不足

本文运用DEAMalmquist模型和Tobit模型相结合的研究方法，测算了福建省宁德、泉州和漳州3地市的农业全要素生产率之后，又进一步揭示了耕地地力保护补贴是如何影响农业全要素生产率的变化。研究发现：（1）从总体测算结果上来看，宁德市和漳州市的年平均农业全要素生产率呈下降趋势，年增长率分别为-3.3%和-4.8%;泉州市的年平均农业全要素生产率为增长趋势，年增长率为3.9%。综上所述，引起3地市农业全要素生产率变化的主要原因是技术效率。（2）从农业全要素生产率的影响因素来看，耕地地力保护补贴资金和年日照时数显著正向影响农业全要素生产率，各县市GDP、户均耕地面积和年平均气温显著负向影响农业全要素生产率，而年降雨量与农业全要素生产率呈负相关关系。

由于受到宏观数据的限制，本文仍然存下以下几点不足之处：（1）指标选取较为片面，如针对农作物播种面积这一指标，缺乏更为贴切的指标与之相联系;（2）临近地区的自然气候条件较为相似，相对于其他地区可能会造成较为显著的正向影响，在一定程度上会影响回归结果。

6.2对策建议

根据研究结论，并结合福建省实际情况，提出以下政策建议：（1）加强配套保障措施，优化技术效率。研究结果显示宁德市和漳州市全要素生产率总体上是呈现下降趋势，这并不代表耕地地力保护补贴政策没有起到作用，而是因为仅靠一个补贴政策是难以起到较大的作用。所以，政府应当增强技术投入，并且加强配套保障措施，提高技术进步并优化技术利用效率。政府可围绕农机具技术或农业知识技术培训等展开，如增加适用于山地地区的中小型农机具，促使机械化发展[17]，一定程度上可以降低地形地貌因素对补贴政策效果的影响;积极组织农户或者新型农业经营主体参加农业知识培训会，针对性地进行技术指导，这可以使规模效率增加，从而提升全要素生产率，使耕地地力保护补贴政策更好地服务农业，惠及农民。（2）加强农业气象工作，提高气象预报工作的准确性和及时性，并加大对于气象工作的财政补助。（3）健全农业补贴管理制度。要保证耕地地力保护补贴充分得到落实，应进一步在资金管理制度上下功夫，渐渐打破传统管理思维，创新工作方式，朝着效率高的全方位的管理制度发展，避免出现耕地地力保护资金跑、漏等现象，全面保证补贴资金落实到位。

参考文献：

[1]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.

[2]唐亮，曾庆双，郎润华. 粮食全要素生产率及影响因素研究——基于2008—2017年四川省市级面板数据的实证分析[J]. 云南农业大学学报（社会科学），2021，15（4）：67-75.

[3]朱满德，李辛一，程国强. 综合性收入补贴对中国玉米全要素生产率的影响分析——基于省级面板数据的DEATobit两阶段法[J]. 中国农村经济，2015（11）：4-14，53.

[4]薛信阳，马佳，杨德利. 基于DEAMalmquist模型的农民增收补贴政策效率分析——来自浦东新区面板数据的经验证据[J]. 中国农业资源与区划，2018，39（4）：152-161.

[5]胡春阳，王展祥. 财政补贴如何影响企业全要素生产率——兼论制造业财政补贴“适度区间”[J]. 当代财经，2020（6）：28-41.

[6]關建波，谭砚文. 良种补贴对中国棉花生产效率的影响分析[J]. 农业技术经济，2014（3）：49-56.

[7]焦晋鹏，宋晓洪. 粮食全要素生产率影响因素的实证分析[J]. 统计与决策，2015（11）：126-129.

[8]张宗毅，王许沁，葛继红. 中国农机化效率：区域差异及购置补贴影响效应——基于省域视角和DEATobit模型的分析[J]. 湖南农业大学学报（社会科学版），2019，20（3）：1-8.

[9]周杨，邵喜武. 价格支持政策对大豆全要素生产率的影响机制分析[J]. 华中农业大学学报（社会科学版），2021（2）：101-110，180.

[10]赛云秀，王孜璇. 陕西省全要素生产率测算及影响因素研究[J]. 西安石油大学学报（社会科学版），2021，30（2）：1-7.

[11]张优智，乔宇鹤. 环境规制对制造业绿色全要素生产率的影响研究——基于碳排放权交易政策的PSM-DID检验[J]. 生态经济，2021，37（4）：30-36.

[12]周一凡，张润清. 基于DEAMalmquist指数方法的河北省农业全要素生产率分析[J]. 河北农业大学学报（社会科学版），2021，23（1）：2，48-55，129.

[13]王菲，张立新. 山东省科技金融发展效率评价及影响因素研究——基于DEAMalmquist-Tobit三步法分析[J]. 无锡商业职业技术学院学报，2020，20（6）：7-14.

[14]彭炎辉. 耕地地力保护补贴政策的效果评价及改进建议[J]. 中州学刊，2017（12）：48-53.

[15]陈乐群，王波. 气候变化对福建省种植业生产效率的影响研究[J]. 农业经济，2021（4）：22-25.

[16]易福金，周甜甜，陈晓光. 气候变化、农业科研投入与农业全要素生产率[J]. 南京农业大学学报（社会科学版），2021，21（4）：155-167.

[17]董倩楠，任维民，刘旭刚，等. 基于PCA的农机购置补贴绩效评价研究[J]. 中国农机化学报，2020，41（3）：219-224.