山东省智慧农业生产效率空间格局及影响因素分析

贾舒涵，梁耀文，赵顺宏，李树超

（青岛农业大学管理学院，山东 青岛 266109）

“三农”问题一直是国家重点关注领域，农业作为基础性产业，是国民经济的重要组成部分，其高质量发展相对滞后。传统农业无法摆脱对传统生产要素的依赖，难以突破我国农业面临的发展瓶颈，阻碍了农业现代化转型，因此需要对传统农业进行改造，转变农业生产方式。通过发展智慧农业提高农业生产效率、促进农业经济增长、推动农业高质量发展，成为加快农业农村现代化发展的有效路径［1］。山东省是我国的人口大省、农业大省，2020年山东省农林牧渔业总产值达到10 190.6亿元，成为全国首个突破万亿元省份。山东省作为农业发展的重要省份，全面落实中央关于农业信息化发展的指示，积极推进智慧农业发展，加快智慧农业大数据应用工程建设。因此本文研究山东省智慧农业生产效率，衡量智慧农业发展水平，在此基础上探求影响其效率的关键因素，对智慧农业发展具有重要的指导意义。

我国智慧农业的发展起步晚，研究基础较为薄弱，国内学者的研究主要集中于智慧农业国外发展经验借鉴［2－4］、我国发展现状［4－6］及智慧农业未来发展前景［7，8］等定性分析，而对智慧农业定量研究较少，缺乏系统分析，少量与智慧农业生产效率相关的研究主要集中在以下两个方面：一是运用不同方法对效率进行测算，如采用BCC和CCR模型、超效率SBM模型，选取土地、劳动力、农村移动电话数、农村计算机拥有量、农村用电量等指标，对效率进行测算［9－11］；二是借助调研数据进行影响因素的研究，如运用方向性距离函数对武汉地区智慧农业效率进行测算的基础上，从土地流转、农业社会化服务等方面对影响因素进行实证分析［12］。国外学者的研究多集中在智慧农业发展前景［13，14］、环境型智慧农业［15，16］、物联网智慧农业［17－19］等方面，其研究范围也多为微观，很少以地级市这类大尺度的空间为研究区域探讨宏观空间下的智慧农业发展策略。

基于此，本文一方面以智慧农业为切入点研究山东省农业生产效率，完善智慧农业生产效率评价体系；另一方面引入劳动生产率、农业机械密度、城镇化率等指标，对其影响因素进行分析，以期为智慧农业发展提供借鉴。

1 数据来源与研究方法

1.1 指标体系构建

1.1.1 投入产出指标选取 智慧农业是农业生产方式的一种，因此用于衡量农业生产效率的一些指标也同样适用于智慧农业生产效率的测算，同时在智慧农业生产中生产者在既定的技术条件下，通过生产要素配置，追求和实现均衡状态，既不能离开传统生产要素，又要将技术融入农业生产［7，20］。基于此，参考已有的相关研究［12，21，22］，结合研究目的、数据的可获得性以及农业生产的自身特点，本研究选取人力资本、农资投入量、农业机械化水平、灌溉投入、土地投入、用电投入为投入指标，其中为体现智慧农业，将农村移动通信投入、农村互联网投入、科创投入等纳入投入指标体系，选取农业总产值为产出指标。

表1 智慧农业生产效率指标评价体系

1.1.2 影响因素的选择 选取劳动生产率、财政支农水平、农业机械密度、农业规模化水平、种植结构、城镇化率、工业化水平以及区位因素作为山东省智慧农业生产效率影响因素（表2）。

表2 智慧农业生产效率影响因素

其中，财政支农水平的提高有利于促进智慧农业生产效率的提高，但一方面中国财政支农资金多运用于化肥、农药等生产要素的补贴，另一方面支持农业技术的投入需要长时间才能收到回报，短期内效果并不明显，因此预判为负向；随着经济快速发展，农业生产结构突变，经济作物比重上升趋势明显，经济作物的投入远大于粮食作物且利用率较低，因此预判种植结构影响为负向；城镇化率的提高造成农村空心化和农业从业人员老年化，不利于智慧农业的应用和发展，因此预判为负向。

1.2 数据来源

选择山东省2009—2019年的数据测算智慧农业生产效率并对影响因素进行分析。农业从业人员数、农业机械总动力、第一产业R＆D投入经费、第一产业用电量、农业生产总值等数据来源于2010—2020年山东省统计年鉴、山东省各地市统计年鉴及统计公报、中国统计年鉴、中国农村统计年鉴、中国区域经济统计年鉴及中国县域统计年鉴；农业总产值为消除物价因素影响，以2009年不变价进行平减。

1.3 研究方法

经典的经济增长理论认为，农业增长有增加投入要素和提高生产效率两种方式。增加投入要素只具备短期效应，而提高农业生产效率才具备长期效应，发展智慧农业必须依托生产效率的提高，因此本研究从生产效率的角度来评价智慧农业发展。

传统的数据包络分析CCR和BCC模型未考虑松弛变量对效率估算产生的误差，Tone提出了考虑松弛变量的SBM模型，克服角度和径向带来的偏差，以此来估算决策单元（DMU）的相对效率，但在实际检验过程中，会出现多个效率值为1的情况，无法对有效决策单元进行排序。2002年，Tone提出了超效率SBM模型，弥补了传统DEA不能区分多个有效决策单元的缺陷。因此首先选择非角度非径向超效率SBM模型对山东省各地区智慧农业生产效率进行测算。从山东省整体来看，假设有n个地区，每个地区有m个投入和s个产出，分别用投入变量x和产出变量y表示，根据超效率SBM模型建立表达式为：

其次，为从空间角度分析山东省智慧农业生产效率变化趋势，采用探索性空间数据分析（ESDA），通过可视化方法对数据空间分布特征、数据空间结构等进行描述，具体计算方法参见文献［23］。

最后，在效率测算的基础上，为探究山东省智慧农业效率变化发展的原因，进一步分析影响智慧农业生产效率的因素。由于本研究计算的效率值以0为限，具有明显的归并特征，因此选择Tobit模型对山东省智慧农业生产效率影响因素进行分析［24］，其表达式为：

式中被解释变量yit为山东省第i个地区第t年的智慧农业生产效率值，且值受限，yit≥0时取实际观测值，xit为解释变量，εit表示参数，μit是第i个地区第t年的个体效应。

2 结果与分析

2.1 山东省智慧农业生产效率分析

基于规模报酬不变假设，运用MaxDea Ultra8软件，采用非角度非径向的超效率SBM模型，测算出山东省各地区智慧农业生产效率值（表3）。

表3 山东省2009—2019年山东省智慧农业生产效率值

总体来看，2009—2019年山东省智慧农业生产效率均值为0.982，也就是说实际产出占理想产出的98.2%，且各效率值均达到0.8以上，处于效率良好状态。分地区发展情况来看，威海市智慧农业生产效率均值最高，达到1.379，临沂市最低，仅为0.610。济南、青岛、东营、烟台、济宁、泰安、威海、日照、莱芜、德州等市智慧农业生产效率均值均达到1以上，效率较高；枣庄、潍坊、滨州、菏泽、聊城等市智慧农业生产效率均值达到0.8以上，效率良好；淄博、临沂等市智慧农业生产效率较低。由此可见，山东省各地区智慧农业生产效率差异较大，智慧农业区域发展不均衡。

青岛、东营、烟台、济宁、威海等10市智慧农业生产效率较高，表明这些地区在资源利用、农业科技发展等智慧农业生产方面均取得了较好成效。临沂、滨州、淄博、潍坊、聊城、菏泽等市智慧农业生产效率低于山东省平均水平，年均值都小于1，说明这些地区存在不同程度的投入冗余。

本研究基于超效率SBM模型测算出松弛变量，分别对这些地区的年均投入调整值和年均产出调整值进行计算，得到表4。在保持实际产出不变的情况下，这些地区的农业资源利用效率不高、农业机械化发展水平相对较低以及对农业科技发展重视不够，特别是农业机械化、农村移动电话、互联网以及第一产业R＆D投入经费利用效率较低，在推动智慧农业发展方面有较大的提升空间。

表4 2009—2019年山东省智慧农业生产效率较低地区年均投入产出优化调整

2.2 山东省智慧农业生产效率空间格局分布

运用ESDA方法，根据前文计算结果，借助ArcGIS10.2软件，分别将山东省各地区智慧农业生产效率划分为3个等级来对比，选取2010、2013、2016和2018年山东省各地区生产效率值，绘制各地区智慧农业生产效率分布图。

由图1可知，2010年山东省智慧农业生产效率较低地区主要有聊城、菏泽、淄博、潍坊、临沂5个地区，约占全省总数的29.4%，主要分布在山东省中部和西南部；效率较高地区主要有济南、青岛、烟台、威海等11个地区，约占全省总数的64.7%，这表明山东省智慧农业发展基础较为良好。2013年山东省智慧农业生产效率整体比2010年有小幅度提升，到2018年山东省智慧农业生产效率较低地区下降为4个，且主要分布在中部地区。由此来看，2009—2019年山东省智慧农业生产效率，在空间上明显呈现东西地区高中间地区低的分布格局，各地区智慧农业生产低效率和中等效率地区有所减少，效率较高地区有向西南部扩大的趋势，低值区域集中在中部地区，智慧农业生产效率整体呈逐渐上升态势。

图1 山东省各地区智慧农业生产效率分布

2.3 山东省智慧农业生产效率空间格局变化趋势

利用ArcGIS 10.2软件的趋势分析工具，选取2010、2013、2016、2018年山东省各地区智慧农业生产效率作为Z值，X、Y值分别为正东、正北方向，生成三维趋势图（图2）。

图2 山东省智慧农业生产效率空间分布趋势

2010、2013、2016、2018年山东省智慧农业生产效率空间分布趋势较为相似，自西向东呈先下降后上升态势，即山东省西部和东部地区生产效率较高，中部地区生产效率较低。南北方向上呈现自南向北先下降后升高的态势，其中2013年山东南部和北部地区生产效率变化幅度较大。综上所述，山东省智慧农业生产效率存在明显的空间差异特征，整体呈现“东西方向和南北方向先下降后升高”的空间格局变化趋势。

2.4 山东省智慧农业生产效率影响因素分析

为了更好地考察智慧农业生产效率的影响因素，本文选择3个模型进行对比分析，结果如表5所示。通过LR检验模型是否存在个体效应，原假设为不存在个体效应，即“H0：σu＝0”，经检验3个模型的LR结果均强烈拒绝原假设，说明3个模型均存在个体效应，选用随机效应面板Tobit模型是正确的。

表5 山东省智慧农业生产效率影响因素模型估计结果

回归（1）主要检验劳动生产率与智慧农业生产效率之间是否存在“正U形”库兹涅茨曲线关系。结果表明，劳动生产率与智慧农业生产效率之间存在“正U型”曲线关系。在智慧农业发展水平较低时，大部分生产者对智慧农业的了解并不深入，单纯追求农业产出的提高，将过量的技术投入到农业生产中，导致其更倾向于采取粗放经营模式；当智慧农业发展到一定程度时，一方面技术支撑的作用明显增强，另一方面粗放经营模式的弊端也逐渐显现，农业生产者的意识随之改变，促使他们选择集约化、规模化、生态化的农业发展方式，进而促进农业生产效率的提高。

回归（2）主要检验直接因素对智慧农业生产效率的影响。从结果来看，财政支农水平在10%水平上显著且影响为负，这是由于一方面支持农业技术的投入需要长时间才能收到回报，短期内效果并不明显，另一方面我国财政支农的利用效率较低，没有真正发挥促进作用，这与吕炜等［25］的研究结论一致。农业机械密度在1%水平上显著为正，这说明农业机械密度能够显著促进智慧农业生产效率的提升，农业的基础设施主要是指农机设备［26］，良好的农业基础设施是发展智慧农业的基础。种植结构在1%水平上显著为负，说明种植结构的变动会显著降低智慧农业生产效率。山东省近年来经济快速发展，农作物种植结构迅速变化，经济作物的比重上升，在一定程度上保证了农民的收入，但技术水平的限制会促使农民采用粗放式经营方式，从而降低农业生产效率。农业规模化水平通过了10%水平的显著性水平检验，且对智慧农业生产效率的影响呈正向效应，这说明农业规模化发展有利于山东省智慧农业生产效率提高。

回归（3）主要检验间接因素对智慧农业生产效率的影响。城镇化率在1%水平上显著为正，城镇化水平高，会促进城市先进技术向农村扩散，显著促进农业生产技术水平的提高，从而促进智慧农业生产效率增长；工业化水平在10%水平上显著，且对智慧农业生产效率的影响为正，说明工业化发展带来科学技术水平的提升，带动农业先进技术发展，从而促进农业生产效率的提高。同时检验鲁东、鲁西、鲁中三个区位因素对智慧农业生产效率的影响，区位因素通过了1%水平的显著性检验，说明不同的地区农业生产效率之间存在溢出或集聚效应。

3 结论与建议

3.1 结论

本研究基于2009—2019年山东省智慧农业投入与产出的相关统计数据，运用超效率SBM模型对山东省智慧农业生产效率进行测算，并研究了智慧农业生产效率分布的空间格局及演化趋势，最后利用Tobit回归分析其影响因素，结果表明：

（1）2009—2019年间，山东省智慧农业生产效率总体呈上升趋势，但地区间发展不均衡。济南、青岛、东营等10市智慧农业生产效率均值大于1，处于效率较高地区；枣庄、潍坊、聊城、菏泽4市智慧农业生产效率平均值在0.8～1.0之间，属于效率良好地区；淄博市和临沂市智慧农业生产效率平均值小于0.8，处于效率较低地区。

（2）研究期内，山东省智慧农业生产效率整体呈逐渐上升态势，但存在明显的空间差异特征，整体呈现东西方向和南北方向先下降后升高的空间格局变化趋势。

（3）从山东省各地区智慧农业生产效率的影响因素分析结果看，技术进步与智慧农业生产效率之间存在“倒U型”库兹涅茨曲线关系，农业机械密度、农业规模化水平、城镇化率、工业化水平分别在1%、5%、1%、10%统计水平上与智慧农业生产效率呈显著正相关，这说明农业机械化水平、农业规模化水平、城镇化水平、工业化水平越高，山东省智慧农业生产效率越高；财政支农水平和种植结构分别在10%和1%的统计水平上与智慧农业生产效率呈显著负相关，这说明财政支农水平与种植结构变化会在很大程度上降低山东省智慧农业生产效率；区位因素通过了1%水平的显著性检验，说明不同地区农业生产效率之间存在溢出或集聚效应。

3.2 政策建议

（1）加快落后地区农业基础设施建设，缩小地区间发展差异。一方面，政府部门应加大对智慧农业发展较为落后地区的农业扶持，通过扶持政策、专项资金等手段优化农业基础设施建设，并通过资金补贴等形式降低设备购置成本，鼓励农民积极使用现代化农机设备；另一方面，加强农村网络信息基础设施建设，努力为山东省智慧农业发展打下坚实的基础。

（2）根据本研究，农业技术进步对山东省智慧农业生产效率影响显著。首先，应加强科技研发投入，加大对农业高新技术研发及农业高新技术成果转化的投入力度。其次，要重视智慧农业生产基地和科研部门的联合协作，根据一线农业生产者的需求，在提高科研成果转化率的同时进一步提高农业生产的智慧化程度。