中国非农就业与农业绿色全要素生产率——考虑粮食耕种收机械总动力及污染排放的研究

蔡梦雨，柴佳慧，张雨萌

（1.南京财经大学粮食和物资学院，江苏 南京210003；2.河海大学公共管理学院，江苏 南京211100；3.南京林业大学经济管理学院，江苏 南京210037）

一、引言

中国如今处于农村人口普遍非农就业的时代背景下，农业从业人口大量减少，在劳动力投入下降的同时保持产量丰收，势必会加大机械化投入、高产良种、农药化肥等新型农业技术的投入。这给中国基于资源和环境双重压力的绿色农业发展带来了极大的挑战。农业生产效率的评估不该只是简单的投入产出问题，更应该是环境污染问题以及粮食安全问题。农业面源污染对地下水以及空气的污染日益严重，农药化肥残留被人体吸收后会对人体各个器官造成不可逆的伤害，也会破坏食物中的营养物质，严重危害粮食安全。因此，学者提出绿色全要素生产率（green total factor productivity，GTFP）的概念。绿色全要素生产率是在传统全要素生产率的基础上，考虑能耗和污染排放等因素，是农业可持续发展质量的客观反映。2018年，中央一号文件明确指出，要在坚持“质量兴农、绿色兴农”的前提下提高全要素生产率水平。如果忽略农业生产所造成的环境代价，势必扭曲农业绿色发展现状，夸大农业绿色发展绩效，提出误导农业绿色发展的政策措施。只有将环境约束纳入发展绿色农业的分析框架中，才能更好地评估中国绿色农业的发展现状。

随着中国社会经济的发展，近年来社会各界开始关注农业环境问题。但是，中国粮食绿色全要素生产率的相关研究尚未形成一个科学的标准，研究结论的差距较大。一是绿色全要素生产率的内涵界定并没有形成统一的认识。李兆亮等把考虑农业面源污染要素的全要素生产率界定为绿色全要素生产率，而郭海红等认为碳排放也应纳入环境污染的非期望产出中。二是绿色全要素生产率测算的指标选取和研究方法差别较大。许素琼将环境污染作为非期望产出，而另有学者将环境因素作为投入要素变量，在测算方法上主要采用随机前沿法和非参数的数据包络分析法。三是样本时间和空间上选择的不一致也会导致结论的差距。农业投入与产出和时间的相关性显著，样本的时间跨度不一致导致测算出来的绿色全要素生产率有很大的差距。高扬等借助空间杜宾模型和偏微分方法发现中国农业绿色全要素生产率年均增长4.5%，且按照中、东、西部顺序依次递减。郭海红等基于新型城镇化理念构建新型城镇化质量水平测算指标体系，设计面板门槛模型解析新型城镇化水平与绿色全要素生产率之间的非线性关系，发现新型城镇化水平与农村居民人均收入耦合协调度越高，越利于提升绿色全要素生产率。此外，农机投入、农业产业结构、农业劳动力老龄化等也都会对绿色全要素生产率产生影响。

综上所述，绿色全要素生产率的测算以及影响因素的相关研究仍有补充的必要。可能存在的边际贡献主要是三个方面：①更加科学地选取污染变量，利用单元调查法，计算化肥施用、畜禽养殖这两部分污染单元，核算的主要污染物指标是总氮、总磷排放量两类；②中国城镇化和老龄化的背景下，乡村人口大量非农就业，对农业产生不可避免的影响，因此非农就业可能会影响农业绿色全要素生产率；③在面板回归的过程中分别对空间效应、时间效应和双效应模型进行回归，结果更具有科学性。

二、模型选择与数据来源

（一）模型选择

1.Super-SBM模型

国内外研究者主要运用两种不同方法对中国农业全要素生产率进行测算。一是参数方法，如随机前沿法（stochastic frontier approach，SFA）。该法利用生产函数构造生产前沿面，在处理多项投入指标时由于指标间的相关关系，可能会对结果的可靠性产生影响。二是非参数法，如数据包络分析法（data envelopment analysis，DEA）。传统的数据包络分析法存在着无法对多个有效的决策单元进行比较的缺陷，而基于DEA基础上的SBM模型突破了传统DEA模型的局限，可以对各有效单元之间进行排序和比较，该模型是建立在超效率DEA模型基础之上的一种非径向非参数相对生产效率测算方法，是普通超效率DEA模型与非径向测算方法耦合作用的结果。

假设有n个决策单元（省份），每一个决策单元使用m种投入（i=1，2，…，m），s1种期望产出和s2种非期望产出，向量表达式为：x∈R m，y g∈Rs1，yb∈Rs2。定义矩阵X、Y g、Y b如下：X=[x1，…，x n]∈Rm×n，Y g=[y g1，…，y gn]∈R s2×n，Y b=[yb1，…，其中

定义生产可能性集合为：P={（x，y g，y b）|x≥Xλ，y g≤Y g λ，y b≤Y bλ}。

依据Tone的研究，假定规模报酬可变，则省份i在t年包含期望产出与非期望产出的非径向、非角度Super-SBM模型为：

s-，s b，λ≥0；i=1，2，…，m；r=1，2，…，s1；t=1，2，…，s2；j=1，2，…，n（j≠k）

2.纳入非期望产出的Malmquist指数

基于DEA模型的Malmquist指数法的总体思想是通过构建一种生产函数的随机前沿面，将决策单元与最优前沿面进行对比，然后利用指数法求得绿色全要素生产率。Malmquist指数定义如下：

Malmquist指数表示绿色全要素生产率的变动率，该值大于1表示生产率提高，小于1表示生产率降低。Malmquist指数可分解为技术效率变化（effch）和技术进步变化（tech）两部分：

上式中，（xt，yt）、（x t+1，y t+1）分别为t和t+1时期的投入和产出组合，Et、Et+1分别代表t和t+1时期的效率水平，M t、M t+1分别代表t和t+1时期的Malmquist指数。Malmquist指数表示绿色全要素生产率的变动率，该值大于1表示生产率提高，小于1表示生产率降低。Malmquist指数可将全要素生产率变动进一步分解为技术效率变化技术进步变化。这种分解不仅使得Malmquist可以展示全要素生产率的变动过程，还可以将这种变动进行分解归因，从而使计算结果更加细化。

3.空间计量模型

将空间相关关系引入基本计量模型中，以反映非农就业对绿色全要素生产效率空间效应的影响程度。由于使用了中国大陆31个省（自治区、直辖市）2000～2018年的面板数据类型，因此将尝试构建空间面板计量模型，以修正建立普通面板模型产生的偏差。空间面板模型分为空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）3种。SLM模型是将因变量的空间滞后因子作为解释变量加入模型；SEM是将被遗漏的解释变量以及随机误差对空间溢出效应的冲击考虑到模型中，因此模型中的随机误差项ε引入空间滞后项；SDM模型中将区域间的交互效应及误差项的空间关系同时引入模型中，不仅考虑了因变量的空间关联性，还考虑了自变量空间关联性，能较好地弥补自变量空间联系性问题，即非农就业对生产效率的影响不仅来自本省份各因素，还受到邻近省份滞后因素及滞后生产效率的影响，模型修正如下：

式中，GTFPit、UAit、X i t分别为第t期i地区绿色全要素生产率、非农就业和控制变量；为空间权重矩阵，选择地理矩阵作为空间权重；W×UAit和W×GTFPit分别为因变量和自变量的空间滞后变量，由变量与空间权重矩阵相乘所得。α1～αn、β1～βn为待估系数；μi表示空间效应；λt表示时间效应；εit表示服从独立同分布的随机误差项，其均值为0，方差为δ。

（二）数据来源与变量选取

1.数据来源

选取2000～2018年中国大陆31个省（自治区、直辖市）的面板数据为研究对象，数据主要来源于《中国统计年鉴》（2000～2018）、《中国气象年鉴》（2000～2018）、《中国农村统计年鉴》（2000～2018）和《中国水资源公报》（2000～2018），并在测算之前对相应的经济指标以2000年为基期进行调整。

2.绿色全要素生产率的投入与产出变量

投入产出数据在DEA模型的效率评价中具有决定作用，因此开展绿色全要素生产效率评价关键在于选取合适的投入与产出变量。投入与产出变量的定义如下：一是投入指标。农业生产的基本要素是土地、资本和劳动力。首先选择可以反映这三种要素的投入指标，故参考以往研究，选取农作物总播种面积、有效灌溉面积、农业用水、考虑农业机械总动力和化肥使用量作为投入指标。二是期望产出。期望产出选用各省份的农业总产值来表示。三是非期望产出。农业非期望产出是指在农业生产和农村生活等过程中产生的各种面源污染排放物。根据以往的统计口径，以排放到水体中的化学需氧量、总氮代表农业面源污染。

3.空间计量模型的解释变量

一是核心解释变量。考虑到非农就业（UA）的本质是劳动力资源的再配置，借鉴Kung、钱龙的研究，使用“第二、三产业就业人数与总人数之比”表示这一变量。二是控制变量。根据钱丽的研究，选取产业结构（IS）、农村基础教育水平（EDU）以及自然灾害（DA）等外在环境变量作为控制变量，以第一产业产值占GDP比重作为产业结构的代理变量，以农村平均受教育年限作为农村基础教育水平的代理变量，以农田受灾率（农田受灾面积与农作物播种总面积之比）表示自然灾害的影响。

机械化程度（MA）：采用农业机械数额（万）与所有农作物总播种面积（千公顷）的比重来反映。此指标的变化反映了农业机械化程度的配置状况。

化肥施用程度（AS）：采用化肥施用总量（万吨）与所有农作物总播种面积（千公顷）的比重来反映。农业生产效率增长实质上是一个要素资源不断优化配置的过程。此指标的变化反映了农业化肥施用密度的配置状况。

三、结果与分析

（一）全局空间自相关检验结果分析

在进行空间动态面板模型估计之前，首先对绿色全要素生产效率进行面板全局Moran’s I指数检验，以期探究绿色全要素生产效率是否存在空间相关性。为了更好地反映农业经济系统在地理邻近或非地理邻近地区的空间差异，研究采用邻接空间矩阵定义全要素生产率的相互邻接关系。基于此，运用MATLAB软件对省域绿色全要素生产率的全局Moran’s I指数进行测度。由表1可知，中国省域绿色全要素生产率的Moran’s I指数为正，且均保持在0.11以上，表明中国省域绿色全要素生产率存在显著的空间正自相关性，具有明显的空间聚类特征，全要素绿色生产率高值省区常与高值省区集聚分布，全要素生产率低值省份也常被其他低值省份包围。这有可能是受邻近省区产业、人口等功能空间转移而产生的空间上相互作用与关联效应的影响，因此可运用空间计量面板模型进一步探讨非农就业对全要素生产率的空间溢出效应。

表1 2000～2018年绿色全要素率Moran’s I统计值

（二）空间计量模型估计结果分析

若用传统的OLS回归分析必然会忽略非农就业对绿色全要素生产率在空间上的关联性与互动性而产生的估计误差，因此可选择基于空间模型形式的设定检验。首先可通过Wald检验，判断SDM能否简化为SAR和SEM。通过WALD估计发现，统计值有1%的显著性水平，故选择空间杜宾模型。如表2所示，模型LM检验和Robust LM的统计值均通过了10%显著性水平检验，表明拒绝了无空间滞后和空间误差的原假设，此时应该考虑更具普遍形式的SDM。

表2 LM Error和Robust LM Error统计值

对于SDM，若随机误差项与某个解释变量相关，则为固定效应模型；若随机误差项与所有解释变量均不相关，则为随机效应模型。因此在处理面板数据时首先需要确定使用随机效应还是固定效应，其次采用豪斯曼检验进行模型个体效应的判别。检验结果显示，豪斯曼统计量为-31.863，均接受原假设，且p值为0.019＜0.05，能通过显著性检验。综上所述，空间杜宾固定效应为本研究的最佳模型，回归结果见表3。

表3 空间杜宾固定效应回归结果

论文采用四种模型分别进行了回归，根据模型的拟合优度和稳健性，采用空间固定模型（即模型2）的回归结果。该模型回归分析结果显示，非农就业对本地区全要素生产率具有正向的促进作用，对周边省市绿色全要素生产率有很显著的空间溢出正效应。原因可能是伴随着本省非农就业比重的提升，特别是家庭非农收入的提高促使农户有条件以雇用、机械的方式替代传统的劳动生产，现代绿色无机农业的高效作业会一定程度地促进本省农业绿色发展。另外，本省的大规模非农劳动力的流动与转移往往会为那些区位优势显著的省份带来技术的积累。而从空间交互效应来看，优质劳动力资源的外溢能显著提升人才转移省份的创新生产能力，从而对本省的农业就业产生冲击，农业劳动力的缩减使得本省转向规模化、高效化的农业绿色生产模式。

在产业结构方面，产业结构（IS）升级对省域绿色全要素生产效率的影响系数为正，在1%统计水平上显著，说明省域产业结构升级会提升本省绿色全要素生产效率。这有可能是由于本省的第一产业发展水平较高，能更好地依托科技创新，运用和推广农业先进生产技术，从而促进绿色全要素生产率的提升。而产业结构空间滞后项（W×IS）回归系数为负，说明本省区域经济发展能够对本省绿色要素资源产生明显的“吸附”作用，区域产业集聚效应会对本省域农业可持续发展产生不利影响。

化肥施用强度（AS）回归系数显著为负，表明化肥面积的增加和农村收入水平的上升对本区域绿色全要素生产效率具有负的影响。究其原因，是过量的化肥施用和多元化的就业机会使得农村生态环境日趋变差和农业生产积极性不高，造成农村土地撂荒景象呈常态化，土地资源生产要素极大浪费，这些无疑束缚着绿色全要素生产率的提升。

受教育水平（EDU）和受灾情况（DA）对省域绿色全要素生产效率的影响不显著。一方面是由于大量农业劳动力文化水平普遍偏低，成为影响农业生态建设和产业空间布局改善的瓶颈，严重制约农业科技高质量推广，另一方面是由于洪涝、干旱等自然灾害在空间上呈现条状、碎片化分布，但近年来大规模的流域性灾害并未发生，故而不会对农业绿色综合生产产生影响。

（三）直接和间接溢出效应分析

空间杜宾模型的参数估计结果证实了非农就业及控制变量对绿色全要素生产率的正向或负向影响，但其回归系数包含了邻接省份绿色全要素生产率互相影响的反馈效应，无法准确反映直接影响与间接影响的大小，因而需要剔除反馈效应。通过空间杜宾模型偏微分方法将影响绿色全要素生产效率因素的总效应进行分解，结果见表4。

表4 总效应分解

从核心解释变量的分解结果来看，非农就业（UA）直接效应、间接效应和总效应均通过显著性检验，表明非农就业对本地农业绿色生产和邻近省份绿色全要素生产率的作用较为明显。非农就业直接效应的回归系数为负，这说明随着人民群众对非农产品日益增长需求的上升，越来越多的农民选择进城就业，与之相伴的是农业就近地区的工业化和城镇化的迅猛发展，劳动力、土地等要素逐渐流失，无疑会对本地区的农业生态建设产生影响。非农就业比重的日益扩大对于邻近地区全要素生产率的增长具有正向影响。这种正向溢出效应的产生，可能是由于越来越多的农村劳动力从先前的集中于传统农业逐渐流动到邻省的第二、三产业等。这不仅改变了城乡间的资源配置和农业生产的生态环境，还会对邻近地区的劳动、资本等生产要素产生竞争和溢出效应，从而促进邻近地区绿色全要素生产率的增长。

从其他控制变量的分解结果来看，产业结构（IS）对农业全要素生产效率的间接效应均为负向。这说明随着第二、三产业比值的提高，将对邻省绿色全要素生产率增长起到明显的阻碍作用。究其原因是农业产业结构合理化与农业总产值之间存在“U”型曲线关系，农业产业结构的单一化、非均衡发展会造成区域差异越发扩大化，不利于实现农业绿色化科学化治理。一些地区具有良好的发展优势和可观的就业机会，吸引了邻近地区的资本、人才和技术等要素，故而使得邻近省份的劳动技术变迁滞后。从表4中分解结果的溢出效应（即间接效应）来看，化肥施用强度（CD）和农业机械密度（MD）因素对相邻省农业生产具有正向的空间溢出效应。化肥的有效配置施用和农业机械的使用是基于技术要素的空间聚焦，对邻近地区绿色全要素生产率增长具有显著的正向促进作用，这种正向溢出效应可能源于技术的省际流动及模仿学习效应。

四、结论与政策建议

依据2000～2018年的省际面板数据，采用SBM-ML指数法测算了各省份绿色全要素生产率，并运用空间杜宾模型分析了非农就业对绿色全要素生产率的影响及其空间溢出效应，得到如下结论：①2000～2018年中国省域绿色全要素生产率存在空间正自相关性，空间分布上具有较强的依赖性；②非农就业作为影响农业全要素生产率的重要因素，其对全要素生产率存在明显的空间集聚效应，非农就业化水平对本省和邻近省份全要素生产率的促进作用显著，教育化水平和农业受灾率对全要素生产率的空间作用不显著；③各变量的间接溢出效应影响明显，进一步证实了空间地理因素在区域农业绿色发展中的重要作用。

根据上述结论，提出以下建议：①中国绿色农业发展的道路任重道远，传统的生产要素不能反映绿色农业的实际发展情况，环境监管部门应该监测更多的农业污染排放物，让绿色全要素生产率的非期望产出更加的全面，能科学有效地对农业发展的实际成就和问题进行测算，为农业绿色发展提供参考尺度；②加快新型城镇化发展，积极提供非农就业机会，提高农户非农收入，缓解其农业生产过程中的资金约束，促进农业规模化、集约化发展，实现农业资源的优化配置，进而提高农业生产效率；③各地区要进一步重视农村基础教育，提高农村教学质量，培育农民对环境保护的认知感；④进一步推广农户采用环境友好型生产方式，提升化肥减量增效技术，改善农业生态环境，提高农产品质量，促进农业可持续发展。