江苏省农机化对农业发展的贡献率研究

2021-10-14魏瑜张兆同李颖卓郑琼婷

江苏农机化 2021年5期

魏瑜张兆同李颖卓郑琼婷

0 序言

江苏是农业大省，农林牧渔业总产值保持了多年的持续增长。2010年以来年均增长8.41%，2019年达到了7 503亿元，在全国占比6.05%，位列全国第四。在农业保持较快发展的同时，农村劳动力大量转移，土地规模经营面积不断增加，农业机械化获得了较快发展。随着江苏省乡村振兴战略的实施，农业现代化进程的加快，农业机械化将成为江苏农业发展的重要力量。本文结合农业生产的相关理论研究，基于C-D生产函数，运用Shapley值分解法，计算农业机械化对江苏农业发展的贡献率。研究成果将有利于提高社会各界对农业机械化的认识，有助于更好地发挥农机化作用，加快实现江苏农业“十四五”发展目标。

1 研究方法与数据来源

1.1 研究方法

生产要素贡献率的主要测算方法可以归为两类，即有无法和数学模型法。有无法是对有农业机械和没有农业机械两者情况下的农业生产情况进行测算，通过比较有无机械状态下的农业生产结果，计算农业机械化对农业的贡献率[1]。这一方法简单直接，但忽视了生产要素之间的协同效应。农业机械和其他要素的组合效应会超过农业机械的直接效应，简单运用有无法，可能会导致贡献率结论偏差。数学模型法是运用生产函数，对各个生产要素的贡献率进行计算分析，常用的方法有C-D生产函数法[2]、索罗余值法[3]和超越对数生产函数法[4-5]等。索罗余值和超越对数生产函数两种计算方法是C-D生产函数法的改进和扩展。索洛余值法避开了具体生产函数形式的约束，但需要“希克斯中性”“规模收益不变”的假设前提[6]。超越对数生产函数是对C-D生产函数的扩展，除了包含中性技术进步项、要素进步项以外，还包含要素交互项[7-8]。数学模型法的计算结果也缺乏对不同生产要素之间的联合贡献的合理划分，解决这一问题可以用Shapley值分解法。

Shapley值分解法起源于博弈论。1953年Shapley首次解决了博弈论中的一个难题：多方参与的合作联盟中如何公平有效地分配总收益，即联盟各方的贡献比例如何确定。Shapley值分解法的基本原理包括两个方面内容：一是每个参与者的效益之和等于所有参与者通过合作产生的总效益；二是综合考虑每个参与者本身与其他参与者的联合贡献，而不是只考虑每个参与者的单独个人效益。

Shorrocks[9]将Shapley值分解法应用到了度量多元回归方程中各自变量对因变量的贡献大小。在回归模型中，若将判定系数R2看作为总效益，因变量的各影响因素（即回归模型中的各自变量）看作各个参与者，所有影响因素的组合看作联盟，则可以运用Shapley值分解法度量回归模型中各自变量对因变量的贡献。Shapley值分解法考虑了自变量进入回归方程的所有可能次序的组合，有效地解决了因各影响因素的相关性而难以区分每个自变量对因变量的贡献的问题。Lipovetsky[10]指出，用Shapley值分解法可以有效克服多元回归模型中自变量间多重共线性导致的回归系数不稳定的影响，而农机化贡献率测算的投入变量存在一定的多重共线性现象。因此，基于C-D生产函数，运用Shapley值分解法，测算农机化贡献率，既可以克服农业生产投入要素变量之间的多重共线性问题，也可以比较准确地划分每个参与生产的要素贡献。

1.2 模型设计

原始的C-D生产函数为：

式中：Y——产量；

A——技术水平；

K——投入的资本量；

L——投入的劳动力；

α——K的产出弹性；

β——L的产出弹性。

美国经济学家J.Tinberen将技术水平看作变量，用随时间变化的量A（t）来替换式中的常量A，将C-D生产函数转化为：

式中：A（t）——综合技术水平。

为了计算方便，可以用指数形式A0ert表示A（t），则式（2）可以表示为：

式（3）就是现在常用的生产函数。

式中：r——技术进步率；

t——时间序号；

A0——基年的技术水平。

假设农业生产中第t期有X1,t，X2,t…Xk,t，k种投入要素，用Yt代表第t期的农业产出，则农业生产函数的数学模型为：

式（4）两边取自然对数，对模型进行线性化，得到表达式如下：

式中：ut——第t期的随机扰动项，t=1,2…n-1，n。

本文将运用式（5）进行回归分析，借助于Shapley值分解法进行贡献划分和界定。

1.3 变量选择

本文基于已有的研究成果和农业生产现实，考虑数据的获得性，选择和确定农业生产投入与产出要素。农业产出变量可以由多个指标确定，包括农业总产值、农业总产量和农业总利润等，但因为统计年鉴中的农业机械总动力包括了农林牧渔各个方面，因此，选取农林牧渔总产值作为农业总产出。投入要素变量选择农业机械总动力、土地资源投入量、农业劳动力投入量、化肥施用量等。

1.3.1 农林牧渔总产值（Y1）

考虑到通货膨胀因素，将采用不变价格计算的农林牧渔总产值作为总产出变量参与计算。该数据可以由统计年鉴直接获得。

1.3.2 农林牧渔机械总动力（X1）

农业机械投入可以运用农机总动力或者农业燃油量等指标表示。但因为农业机械总动力一直是多年来的主要统计指标，数据比较容易获得，并能够真实反映农机投入的特点，因此，选取农业机械总动力作为农业机械投入。

1.3.3 土地资源投入量（X2）

土地资源是农业生产系统中最为重要的生产要素。农林牧渔总产值包含农业、林业、牧业和渔业四个方面。土地资源投入量在农业方面主要是农作物播种面积，在林业方面是茶园和果园面积，在渔业方面是渔业养殖面积。规模化牧业生产具有工业化生产特征，产出受土地资源约束较小。因此，土地资源投入量是农作物播种面积、茶园面积、果园面积、渔业养殖面积之和。

1.3.4 农业劳动力投入量（X3）

农业劳动力直接参与了农业生产，是获得农业产出必不可少的人力因素。虽然农业机械可以替代人力，但在目前的农业生产中，人力因素仍然是核心因素。产出计算包含了农林牧渔各个方面，因此，选择从事农林牧渔的劳动力即第一产业就业人口参与计算。

1.3.5 化肥施用量（X4）

化肥是提升农业产出的要素，可以保障土地的生产能力。在一定情况下，化肥的施用量越多，产量会越高。因此，化肥施用量（折纯量）也是重要的投入要素变量，直接影响着农业产出。

1.4 数据来源与修正

根据研究需要，选取2003－2019年相关数据。原始数据来源于《江苏省农村统计年鉴》《中国农村统计年鉴》和《中国农业机械工业年鉴》。从2003年开始，农林牧渔总产值执行新的国民经济行业分类标准，扣减了农业总产值中的农民家庭兼营商品性工业产值，增加了农林牧渔服务业产值，并正式使用生产价格调整数据。基于部分数据统计口径上的变化，为保证研究的科学性，对相关数据进行了修正。

1）消除统计口径变化的影响，修正农机总动力数据。由于农机总动力在2016年对统计口径进行了调整，农用运输车不再作为农业机械纳入统计范围，为保证数据的一致性，对2016－2019年的农机总动力进行了修正。主要是依据2011－2015年农用运输车动力数据，运用对数模型进行拟合预测，拟合模型的R2=0.98，拟合效果较好。基于拟合方程预测2016－2019年农用运输车动力数据，并修正了相关年份农机总动力数据。

2）消除受灾面积影响，修正农作物播种面积数据。农作物受灾面积是指因灾减产一成以上的农作物播种面积。如果同一地块的当季农作物多次受灾，只计算其中受灾最重的一次。成灾面积是指受灾面积中因灾减产三成以上的农作物播种面积，成灾面积包含在受灾面积之中。因此，对农作物总播种面积做如下修正：修正的农作物播种面积=农作物总播种面积-0.1×受灾面积-0.2×成灾面积。根据修正原则和方法，对相关数据进行修正，修正后的所有数据如表1所示。

表1 修正后的投入和产出变量值

2 计算结果

2.1 进行数据多重共线性验证

利用式（5）和修正后的2003－2019年的相关数据，运用普通最小二乘法做回归分析，可以得到方差膨大因子（VIF），结果如表2所示。方差膨大因子（VIF）是一种度量自变量多重共线性对参数估计方差影响的指标，一般认为，如果该指标值超过40，则为有严重影响，其方程的偏回归系数估计非常的不稳定。

表2 普通最小二乘法计算的各变量的方差膨大因子（VIF）

由表2可知，投入因素变量ln（X1）、ln（X3）和代表技术进步的时间序号t的方差膨大因子（VIF）指标值均大于40，表明研究数据变量之间存在多重共线性。如果直接用普通最小二乘法或类似方法估计C-D生产函数的产出弹性，再据此计算贡献率，会出现负值的情况[6，11]，原因是多重共线性影响了回归系数的稳定性，导致贡献率估计偏差。

2.2 运用Shapley值分解法进行贡献划分

利用Stata MP 16.0软件对式（5）的回归方程进行估计，得到判定系数为R2=0.972，方程拟合效果非常好，可以用Shapley值分解法来测算各投入因素的贡献率。在Stata MP 16.0中加载shapleyx,2.0.1，计算出包括农业机械在内的各投入要素对农业总产出的贡献率（见表3）。计算结果表明，在各投入要素中，贡献率最高的是农业劳动力，为27.54%；其次是技术进步，为25.98%；排名第三的是农业机械，为24.85%。