要素错配对中国粮食全要素生产率的影响

罗 慧 赵芝俊 钱加荣

中国作为世界第一人口大国，以有限的耕地面积养活着14亿人口。大量的实证研究表明，这一奇迹的获得主要得益于制度放活、技术进步和农业农村投入的增加，尤其是粮食生产投入的增加，推动着农业资本深化加速[1]，也推动着中国粮食生产要素配置趋于优化。但是，相较于非农产业或农业内部其他子产业而言，我国粮食生产的要素配置效率仍就较低，导致生产技术与要素投入不匹配，全要素生产率脱离有效状态。由此可见，要素配置是否得当对深化粮食产业供给侧结构性改革，提高粮食有效供给，以及保障国家粮食安全有着重大的影响[2]。搞清楚我国粮食生产中关键要素配置状况，尤其是对全要素生产率(TFP)增长率的影响，对新历史时期中国粮食产业的转型升级有着重要的作用。

1986年Syrquin在Solow全要素生产率研究范式的基础上，对TFP增长率进行了分解并测算了部门间要素配置变化对TFP增长率的影响[2-3]。Hsieh和Klenow在Melitz分析框架基础上，测算了中国和印度要素错配程度，提出消除要素错配可以不同程度提高全要素生产率[4-5]。至此以后，从要素错配视角研究国家(或地区)间经济发展差异成为备受关注的主题，也被认为是近十多年来经济增长理论的重要进展之一[6]。

作为一个正处于转型期的发展中国家，中国的要素错配问题一直受到极大关注。研究内容主要集中在两个方面。第一，从产业层面考察要素错配对全要素生产率的影响。现有研究中主要涉及的产业有制造业[7-12]、能源业[13]、高新技术产业[14]、金融业和服务业[15]等，并得出相对一致的结论：纠正要素错配会有效提升各产业的全要素生产率。第二，深入探查不同要素的错配程度对全要素生产率的影响，主要是劳动、资本等要素错配对不同产业的影响，但是结论却不尽相同。有的学者认为劳动错配对服务业和传统制造业的影响较大[16]，而有的学者提出不同的看法，认为工业的资本错配变动效应最大，农业和其他服务业的劳动错配变动效应最大[17]。从研究方法来看，研究主要沿着三条技术路线展开。一是先估算出全要素生产增长率，再将其进行分解进而刻画要素配置程度，代表性研究有Brandt等、聂辉华和贾瑞雪[18-19]。Brandt等沿此路线得出1985—2007年中国非农产业的劳动和资本错配导致TFP损失约20%[18]。聂辉华和贾瑞雪认为国有企业要素错配程度相对严重，且不同地区错配程度明显不同[19]。二是构建要素错配与全要素生产率之间的数理模型，并以要素配置较优的部门或产业作为参照物(benchmark)来研究后进国家、地区或产业的要素错配对TFP的影响。在此方面Hsieh和Klenow的研究最具代表性[4]。龚关和胡关亮、罗良文和张万里在Hsieh和Klenow模型的基础上对我国制造业的要素错配程度进行测算，发现要素错配对制造业全要素生产率具有负面影响[8,11]。三是构建多部门的一般均衡模型衡量要素配置状况。De Melo最先采用此方法对哥伦比亚的资源配置状况进行研究[20]，其次是Aoki对不同国家的农业、运输和金融产业资源配置的测算[21]。袁志刚和谢栋栋、姚毓春等在借鉴Aoki的模型基础上估算了我国不同产业的要素错配程度对生产率的影响[22-23]。

综览上述相关文献发现，以中国农业或其子产业作为研究对象深入讨论中国农业要素配置与TFP关系的文献鲜少见到。而且，在为数不多的要素错配对农业TFP影响的文献中，研究者都认为纠正要素配置扭曲会提高我国农业全要素生产率的增长[24-25]，但是研究内容多集中于单要素错配对农业TFP的影响，其中以土地要素错配的研究居多[26-29]。值得注意的是，随着我国农村土地流转政策的实施和农地面积的变化，土地要素再配置会对其他要素的配置产生连带影响[30-31]，即农地经营者会改变农业生产中劳动要素及资本要素的配置以适应新的生产状态。那么，在农业中占有重要地位的粮食生产是否存在要素错配？要素错配又会对中国粮食TFP增长产生何种影响？有效TFP增长率(要素配置最优时)和实际TFP增长率(存在要素错配时)的差距又将如何？这些问题是以往研究未曾涉及的，但又对农业经济发展有着重要的影响。为此，本文以早籼稻、中籼稻、晚籼稻、粳稻、小麦和玉米等6种粮食作物为研究对象，采用超越对数生产函数的随机前沿模型测算出不同作物的实际全要素生产率(TFP)和有效TFP的增长率，然后在构建要素错配指数的基础上分析6种粮食作物要素错配的时空差异。最后，进一步分析不同要素的错配对粮食作物的实际TFP增长率的影响，旨在为粮食生产中要素配置的优化提供有力的理论支撑和实践指导。

一、研究设计

(一)基本模型设定

在测算TFP的方法中比较常见的是采用随机前沿分析(SFA)的参数法和数据包络分析(DEA)非参数法的生产前沿分析模型。DEA方法需要大量数据得到前沿面单元以免受到奇异值对真实生产前沿面的影响，DEA方法也无法解决许多不确定因素对粮食生产的影响。此外，要素错配指数的测算需要用到投入要素的产出弹性系数，这也是DEA方法无法获取的。因此，本文选用随机前沿生产函数来测算粮食TFP。考虑到粮食要素投入总量与播种面积存在较强的相关性，而且农业技术进步的作用更多体现在单位规模粮食生产效率的提高上，本文借鉴其他学者的研究[32-37]，在尽量涵盖粮食生产主要投入要素的基础上采用单位面积投入和产出变量作为解释变量和被解释变量。最终，本文以Battese和Coelli提出的随机前沿模型[38]为基础，采用超越对数的平均生产函数模型作为粮食生产函数，模型具体形式设定如下：

(1)

TE=μit=μie-η(t-T)

(2)

(二)全要素生产率(TFP)增长率的分解

实际上，TFP的增长远比技术进步的涵义要丰富得多。除了狭义的技术进步以外，TFP增长还受到资源配置、规模经营、技术使用效率、要素质量以及专业分工协作等内容的影响，甚至天气因素、基础设施状况和制度因素等都在TFP增长中有所体现，因此，全要素生产率(TFP)增长率又被称为广义技术进步率。为了更加准确地分析广义技术进步对经济增长的影响，很多经济学家开始尝试将TFP增长率进行分解。本文借鉴其他学者的研究方法[39]，将TFP增长率分解为狭义技术进步率(TP)、规模报酬收益变化率(SRC)、要素配置效率变化率(AEC)和技术效率变化率(TEC)四个部分，TFP增长率的分解方程如下：

(3)

(4)

(3)式中第二项代表规模收益变化率(SRC)，为简化公式表达，在此用Xj(j=1，2，3，4)依次代表劳动投入量Lit、化肥折纯量Fit、机械投入量Mit、种子投入量Sit。εj表示投入要素(劳动、化肥、农机和种子)的产出弹性，ε=∑εj。如果ε=1，表示规模报酬不变，即规模报酬收益率为零；如果ε>1，表示规模报酬递增；如果ε<1，表示规模报酬递减。

(3)式中的第四项是技术效率变化率(TEC)，可由技术效率(TE)对时间t求偏导得到。

(三)要素错配指数测定方法

(5)

二、数据处理与假设检验

(一)数据收集和处理

本文采用2000—2017年中国粮食作物中早籼稻、中籼稻、晚籼稻、粳稻、小麦和玉米的数据。6种粮食作物的产出和要素投入数据来源于2000—2018年的《全国农产品成本收益资料汇编》(1)参见国家发展和改革委员会价格司编.全国农产品成本收益资料汇编(2004—2018年).北京：中国统计出版社；国家发展和改革委员会价格司编.全国农产品成本收益资料汇编(2000—2003年.北京：中国物价出版社。。选取粮食单位面积产量(公斤/亩)作为粮食产出变量；劳动、化肥、机械和种子4种要素亩均使用量作为要素投入变量，其中，劳动投入采用用工量(工日/亩)，化肥投入采用化肥施用折纯量(公斤/亩)，机械投入采用每亩机械作业费与直接物质费用的比值(%)表示(2)关于粮食生产要素的选择，有两点说明：第一，部分学者通常将劳动、土地以外的要素合为一种生产要素，称为“资本”或“物质费用”进行研究。然而，在《全国农产品成本收益资料汇编》中某些年份和省份数据的缺失导致资本(物质费用)核算的准确性降低。另外，随着现代农业和精准农业的推进，不同物质要素的配置状况受到更多的关注，因此，本文对物质费用进行了分解。第二，随着农业现代化的发展，机械投入对粮食生产的作用不容忽视，但由于无法取得各省份不同粮食作物生产中的机械投入的数据，本文借鉴孙昊[36]的做法，用机械作业费占直接生产费用的比例代以测度。；要素的成本选取以2000年不变生产资料价格计算的人工成本(元/亩)、化肥费(元/亩)、机械作业费用(元/亩)和种子费(元/亩)来表示。

考虑到粮食作物投入产出数据的可获得性和年度间的连续性以及粮食种植区域的不均衡性，样本的选取情况如下：早籼稻，选取浙江、安徽、福建、江西、湖北、湖南、广东、广西、海南等9省；中籼稻，选取江苏、安徽、福建、河南、湖北、四川、贵州等7省；晚籼稻，选取浙江、安徽、福建、江西、湖北、湖南、广东、广西、海南等9省；粳稻，选取河北、内蒙古、辽宁、吉林、黑龙江、江苏、浙江、安徽、山东、河南、湖北、云南、宁夏等13省；小麦，选取安徽、甘肃、河北、河南、江苏、内蒙古、黑龙江、湖北、山东、山西、陕西、四川、宁夏、新疆、云南等15省；玉米，选取安徽、广西、贵州、甘肃、河北、黑龙江、河南、湖北、江苏、吉林、辽宁、宁夏、内蒙古、陕西、山东、山西、四川、云南、新疆等19省。

为了不遗失更多数据信息，本文对于缺失的数据采取以下方法插补：第一，《全国农产品成本收益资料汇编》未统计2001年化肥投入量，本文用前后一年化肥投入量的平均值代替2001年数据。第二，指标缺失2～3年的数据利用其他年份计算的平均增长率估算得到。

(二)假设检验与估计结果

为了验证基本模型(1)式的合理性并确定6种作物模型的具体形式，本文需要进行以下四项检验：

(1)H0:β5=β6=β7=……=β19=β20=0，检验是否应采用超越对数生产函数。若不拒绝原假设，应采用C-D函数；若拒绝原假设，则采用超越对数生产函数合理。

(2)H0:β17=β18=β19=β20=0，检验是否符合希克斯中性技术进步。若拒绝原假设，即认为技术进步是有偏向的，否则，为中性技术进步。

(3)H0:γ=μ=η=0，检验是否存在技术无效率项。若不拒绝原假设，不需要用随机前沿模型分析；若拒绝原假设，说明模型设定为随机前沿合理。

(4)H0:η=0，检验技术效率是否随时间变化。

本文采用FRONTIER4.1软件对6种粮食作物逐一进行初始回归与假设检验，结果见表1。表1中(1)列和(3)列表明，采用随机前沿超越对数生产函数是合理的。(2)列中，除了晚籼稻以外，其他5种粮食作物生产函数在5%的显著性水平上拒绝原假设，说明其生产中存在偏向性技术进步；而晚籼稻生产不存在偏向性技术进步。(4)列中，早籼稻、晚籼稻、小麦和玉米生产函数显著拒绝原假设，即其技术效率随时间变化；而中籼稻和粳稻生产函数不拒绝原假设，说明其技术效率不随时间变化。

表1 模型设定识别检验结果(3)由于篇幅所限，初始回归结果没有报告。读者如有需要，可向本文作者索要。

根据检验结果(见表1)，调整6种粮食作物的生产函数模型，最终估计结果如表2所示。6种粮食作物生产函数关于γ、μ、η同时为0的似然比(LR)单边检验结果都在1%的水平上显著，说明γ、μ、η不全为0，存在技术效率损失。在早籼稻、晚籼稻、小麦和玉米的技术非效率模型中的η在5%的水平上通过了显著性检验，说明这4种作物生产的技术效率会随着时间出现显著变化，而中籼稻和粳稻生产的技术效率损失主要是由时间以外其他原因造成。若γ统计显著，说明在样本条件下，作物生产存在效率损失，复合扰动项可由技术非效率解释的部分由γ的大小表示。中籼稻、晚籼稻、粳稻、小麦和玉米的γ在5%显著性水平上通过了t检验，说明以上5种作物存在技术效率损失，可以解释复合扰动项的部分分别为40.13%、99.68%、76.5%、89.53%和66%。从时间t的系数β15和β16的估计结果可以看出，t的一次项只有在晚籼稻和粳稻生产函数中统计显著，二次项在小麦和玉米生产函数中统计显著，却都趋近于0，这说明这6种作物生产技术进步增长缓慢。

表2 6种作物超越对数随机前沿生产函数估计结果及显著性

三、测算结果与分析讨论

(一)粮食作物实际TFP增长率的变化及其分解项

图1直观反映了2000—2017年中国6种粮食作物实际TFP增长率的变化趋势，不同作物之间存在明显差异。中籼稻TFP增长率在样本期间波动最为明显，2012年达到所有粮食作物TFP增长率的最高值12.23%，2013年又跌至所有作物TFP增长率的最低值-7.67%。其原因是，从2012年开始在中籼稻生产中每亩种子投入量不足1公斤，尤其是江苏省和河南省2012年每亩种子投入量分别比2011年减少了19.6%和14.9%，导致2012年和2013年中籼稻TFP变化异常显著。与之相较，早籼稻和晚籼稻TFP波动相对较小。总的来说，2000—2017年间6种粮食作物实际TFP增长率平均为2.24%，由高到低分别是：中籼稻(2.78%)、玉米(2.66%)、粳稻(2.48%)、小麦(2.24%)、晚籼稻(1.72%)和早籼稻(1.57%)。

图1 中国6种粮食作物实际TFP增长率的时序变化(2000—2017年)

从实际TFP各分解项贡献程度的时序变化来看(表3)，6种作物生产的技术进步率(TP)对中国粮食作物实际TFP增长起到正向拉动作用，但是拉动效果在减弱。要素配置效率变化率(AEC)对我国粮食作物的实际TFP增长起到很强的刺激作用，这种作用与规模效率(SRC)所产生的影响有着明显的互补效果。从区域层面(4)借鉴尹朝静对全国省份的划分方式，本文将样本中涉及的26个省份按照经济发展水平不同划分为东部、中部和西部三个地区。东部地区包括山东、广东、海南、江苏、浙江、福建、河北和辽宁等8个省份；中部地区包括湖北、湖南、山西、吉林、黑龙江、安徽、江西和河南等8个省份；西部地区包括内蒙古、广西、四川、云南、贵州、山西、甘肃、青海、宁夏和新疆等10个省份。尹朝静对全国省份的划分方式，详见尹朝静，付明辉，李谷成. 技术进步偏向、要素配置偏向与农业全要素生产率增长. 华中科技大学学报(社会科学版),2018(5): 50-59。观察发现有以下两个显著特点(表4)。第一，除了西部地区的中籼稻和小麦的技术进步(TP)贡献率为负值外，在东部、中部和西部地区其他作物的技术进步(TP)贡献率都为正值。其中，东部地区水稻类作物，中部地区晚籼稻，西部地区中籼稻、晚籼稻和粳稻等粮食作物的TP对实际TFP增长率的贡献率都高于50%。第二，6种作物技术效率变化(TEC)对实际TFP的贡献率在东部、中部和西部三个地区存在很大的差异。中部地区的晚籼稻和东部地区的早籼稻的技术效率的变化(TEC)对实际TFP的贡献率超过75%；东部和西部地区晚籼稻的TEC表现不佳，贡献度都是负值；其他情况下TEC对TFP的贡献率介于10%～50%。

表3 不同时期6种粮食作物实际TFP增长率及其分解项的贡献程度

表4 不同区域6种粮食作物TFP增长率分解项的贡献率

(二)中国粮食作物实际TFP增长率与有效TFP增长率的差异

当(3)式中的第三项“要素配置效率变化率(AEC)”为0时，要素配置达到最佳状态，此时TFP增长率被称为“有效TFP增长率”。当投入要素存在错配时，AEC不等于0，偏离有效状态的TFP增长率被称为“实际TFP增长率”。由上述测算可知，中国粮食作物生产过程中存在明显的要素错配现象，因此，粮食作物在不同时段的实际TFP增长率与有效TFP增长率之间的差异也同样显著(见表5)。

表5 6种粮食作物不同时段有效TFP年均增长率和实际TFP年均增长率(%)

通过比较发现(见表5)：第一，除了早籼稻和粳稻的个别时段以外，6种粮食作物的实际TFP增长率通常高于有效TFP增长率。其原因是从1998年开始，中国粮食产量连续五年减产，到2003年粮食产量降到4.3万吨，是20世纪90年代以来粮食产量的最低水平(5)数据来源于国家统计局农村社会经济调查司编.中国农村统计年鉴2017.北京：中国统计出版社。。此后国家开始出台一系列政策促进粮食生产技术的发展和产量的提升。2004年开始中国粮食产量开启了历史性的“十二年连增”，致使2006年以后粮食作物的实际TFP增长率普遍高于有效TFP增长率，特别是小麦的实际TFP增长率偏离程度更高。这说明我国粮食生产的目标十分明确，就是加大粮食产量的提高，保障粮食数量安全，但是，这种单纯提高粮食生产率的行为扭曲了粮食生产要素的配置结构。第二，虽然样本数据没有完全包含“十三五”规划的所有年份，但是从现有测算结果来看，随着2015年以后中国供给侧结构性改革的不断推进，粮食实际TFP增长率与有效TFP增长率的偏离度有缩小的趋势，其中小麦、中籼稻和玉米的偏离度的缩小程度最为明显，表明粮食产业结构性改革，尤其是种植结构的调整对中国粮食生产要素的合理配置产生积极影响。

(三)中国粮食作物生产中要素错配指数的时空测度

根据要素错配指数公式(5)式对中国6种粮食作物生产中的要素错配指数进行了不同时段和地区的测度(见表6和表7)。

表6 不同时期中国粮食作物要素错配指数

表7 不同区域6种粮食作物的要素错配指数

从时间维度看(见表6)，除个别时期和个别作物以外，粮食生产要素的投入处于过度的状态，特别是劳动要素的投入过度更为明显。其原因是拉动粮食单产及总产增长的关键因素是财政支农政策[42]，但是农业政策对粮食产量的拉动作用在减弱[41-43]。在农业生产要素成本不断提高，农业政策效果又在减弱的状况下，粮食生产要素的产出弹性份额相对于上涨的要素投入成本是处于下降状态的，导致要素错配指数大于0，粮食生产要素投入过度。

从空间维度看(见表7)，粮食要素错配有以下几个特点。第一，从区域比较中发现，东部地区粮食生产的4种要素的错配程度相对较低，西部地区相对较高。这与李谷成的研究结果[25]一致。主要原因是经济发展程度较高的地区可以为当地农业生产提供更多基础设施条件，促使粮食生产管理更加有效，要素配置更加合理。第二，劳动要素投入过量是中国不同地区粮食生产资源配置不优的主要原因。主要是因为地区间粮食生产中劳动投入的差异取决于农业劳动的机会成本的不同。经济发达地区存在更多非农就业机会，农户对粮食生产的依赖性较低，而西部地区因缺乏更高回报的非农就业机会，粮食生产成为该地区农户的主要收入来源。此结果与朱喜等研究结果[24]相一致。第三，中国粮食生产中化肥的错配程度较低。主要原因是化肥具有及时性和可分性的特点，而且市场化程度较高，因此，化肥要素配置就更趋于最优。但是，值得注意的是，不论是时间维度还是空间维度，小麦的化肥要素投入都明显不足。此处需要说明的是，“化肥要素投入不足”不是指化肥使用数量在减少，而是从经济学的机会成本和要素最优配置的角度而言小麦的化肥投入成本份额小于其产出弹性份额。虽然小麦生产中化肥投入量大、效率低，产出弹性下降是个不争的事实[44]，但是相对于其他要素的产出弹性和小麦的投入成本来说，小麦的化肥投入产出弹性仍然较高，其增产效力仍不可替代[45]。因此，在时空双维度分析中小麦生产中的化肥要素错配指数都小于0。

(四)要素错配对中国粮食实际TFP增长率的影响度的测算与分析

前面已经从时间维度和空间维度对TFP增长率的4个分解项的贡献率进行了测算和分析。由(3)式可测得要素配置变化率(AEC)对实际TFP增长率的贡献度(见表3)。下面将分别考察6种粮食作物中每单位要素错配指数对实际TFP增长率的影响度(以下简称为“要素错配影响度”，记为：Inf)，具体测算公式如下：

(6)

(6)式中“AEC的贡献率”是四种要素配置效率变化率对TFP的贡献率，而AECj(j=1，2，3，4)依次代表劳动错配效率变化率、化肥错配效率变化率、机械错配效率变化率和种子错配效率变化率。AECj由公式(7)测算得到：

(7)

根据测算结果(见表8和表9)发现，要素错配对实际TFP增长率的影响有以下四个特点。第一，各要素的错配影响度与要素错配指数并不完全是同向的关系。以早籼稻劳动错配对实际TFP增长率的影响为例，不论是时间维度还是空间维度，早籼稻的劳动错配指数都大于0(见表6和表7)，说明早籼稻劳动投入过多，而且随着时间的推移，错配指数越来越高，但是劳动错配对早籼稻的实际TFP增长率的影响却并不相同(见表8和表9)。2011—2015年和2016—2017年两个时段中，早籼稻劳动要素投入过多推高了早籼稻实际TFP增长率，而另外两个时段却拉低了实际TFP增长率。同样，早籼稻在东部、中部和西部地区的投入过多拉低了实际TFP增长率。可能原因是不同时段、不同地区的要素资源配置最优状态是不同的，这主要取决于市场供求关系的动态变化，消费者对不同粮食品种的需求不同会导致要素错配对实际TFP增长率产生的效果不同。第二，劳动要素错配影响度与机械、化肥的错配影响度的方向通常相反。这从侧面印证了已有的研究结论，即粮食生产中机械和化肥要素对劳动要素具有替代作用[46-47]。第三，在多数情况下西部地区劳动和机械要素是配置过度的，但两者对TFP的影响度却是相反的，说明在西部地区粮食生产中增加机械要素投入，减少劳动要素投入会进一步提高该地区粮食作物的TFP增长率。第四，粮食作物的实际TFP增长率对要素错配指数的敏感度不同。就作物的品种来看，中籼稻在东部和中部地区的实际TFP增长率对要素错配指数的敏感度异常突出(要素错配影响度全部大于1)，其中劳动和机械要素错配影响度超过了10。就要素而言，实际TFP增长率对机械错配指数的敏感度相对更强，尤其是中部地区的籼稻类作物。就地区的整体情况而言，中部地区粮食作物的实际TFP增长率对要素错配的敏感度要强于东部和西部地区。敏感性强意味着要素错配的微弱变化会引起实际TFP增长率的较大反应；反之，如果实际TFP增长率对要素错配的反应不够敏感就很可能造成大量要素资源的浪费。因此，正确判断粮食作物要素错配影响度的方向性和敏感性对优化要素配置，提高全要素生产率的水平，乃至促进粮食产业的可持续发展都有着指导性的作用。

表8 不同时期粮食作物要素错配对实际TFP增长率的影响度

表9 不同地区粮食作物要素错配对实际TFP增长率的影响度

四、结论与政策启示

本文基于超越对数生产函数的随机前沿模型对中国早籼稻、中籼稻、晚籼稻、粳稻、小麦和玉米等6种粮食作物的TFP的增长率进行测算，并借助TFP增长率分解方程构建了劳动、机械、化肥和种子等4种要素的错配指数，比较分析了6种粮食作物的实际TFP增长率和有效TFP增长率的差异，以及不同要素的错配对实际TFP增长率影响的时空差异。结论显示：(1)2000—2017年要素错配导致我国粮食实际TFP增长率(2.24%)明显高于有效TFP增长率(0.73%)。其中，狭义技术进步对实际TFP增长的拉动作用在减弱，而要素配置效率的优化对粮食作物实际TFP的提升作用在增强。(2)我国粮食生产中劳动、机械、化肥和种子等要素在时间维度和空间维度都存在不同程度的错配。劳动投入过多是中国不同地区粮食生产资源配置不优的主要原因。从空间区域来看，东部地区粮食作物生产投入的4种要素错配程度相对较低，其次是中部地区，西部地区相对较高。(3)要素配置状况与实际TFP增长率之间不是线性关系，而且实际TFP增长率对要素错配的敏感性并不一致。相对来说，中部地区的实际TFP增长率对要素错配的敏感度要强于东部和西部地区。

针对上述研究结论，本文提出以下三点政策启示：第一，以节本增效为目标，“以良种为基础、智能机械化为载体”提升现代粮食生产技术的创新水平，提高粮食资源配置效率。第二，在确保“口粮绝对安全”的前提下，“以农为本”创新增收途径，扩大粮农收入来源，并鼓励更多的资本要素投向中部和西部地区的粮食生产，努力缩小实际TFP增长率和有效TFP增长率之间的差距。第三，综合考量和优化各粮食主产省份中粮食资源配置状况，根据技术优势、区域经济优势形成与资源禀赋相匹配的粮食生产布局。努力提升不同类型经营主体在精准化粮食生产管理和要素综合配置方面的能力，促进粮食产业向优质化、绿色化和高效益的方向发展。