农业资源错配对农业生态效率的影响：来自中国13个粮食主产区的证据

王艳伟，黄宜

（1. 云南农业大学 建筑工程学院，云南 昆明 650201；2. 云南农业大学 经济管理学院，云南 昆明 650201）

农业是国家经济发展的基础，也是社会发展的保障。农业高质量发展为国家经济社会高质量持续发展提供了强有力支撑。改革开放以来，中国农业生产取得了举世瞩目的成就，但是以往粗放式的农业生产方式带来了一系列诸如农业面源污染、自然资源浪费与生态效率低下等问题[1]。因此，如何提升农业资源配置效率和水平，提高农业生态效率，促进农业绿色发展、生态发展、可持续发展和高质量发展具有重要意义。

后疫情时代，世界粮食发展与安全格局发生新变化。稳定发展粮食生产，继续解决好吃饭问题，是国家治理的头等大事。中国13个粮食主产区粮食产量占粮食总产量的75%以上，对于中国粮食安全起着至关重要的作用。因此，本文以中国13个粮食主产区为研究范围，探讨农业资源错配对农业生态效率（AEE）的影响，以期改善农业资源配置结构，进一步提升中国农业生态效率水平。

1 文献综述

德国学者Schaltegger等于1990年最早提出生态效率概念。农业生态效率是在生态效率的基础上衍生而来的，目前还没有比较统一的定义[2-3]，Kicherer等[4]认为生态效率的理论起源于西方国家，许涤新[5]则指出生态效率在农业领域中的运用开始于中国。已有学者针对农业生态效率的测度和影响因素开展了诸多研究，吕彬和杨 建 新[6]、Odum[7]、Rees[8]、Lio & Hu[9]、魏 权 龄[10]分别采用生命周期法（LCA）、能值分析法、生态足迹法、随机前沿法（SFA）和数据包络分析法（DEA）等对农业生态效率进行了测算，汪亚琴和姚顺波[11]等对我国30个省份的农业生态效率的时空分异及其影响进行了分析；王辰璇和姚佐文[12]研究了农业科技投入对农业生态效率影响的空间溢出效应与门槛特征；徐维祥等[13]认为我国农业生态效率区域差异明显，整体上存在“W”型波动规律。

资源错配的研究可追溯到Syrquin[14]对于重新配置资源可提升效率的研究。已有学者对于资源错配的研究主要集中在测度方法和资源错配的影响。对于测度方法方面，一是以Hsieh & Klenow[15]的模型为基础来测算资源错配情况，二是利用区域层面或产业层面的数据，根据C-D生产函数来估算资源错配指数[16]。杨仲山和谢黎[17]认为地方财政支出和产业结构的调整加深了人力资本的错配程度，居民消费水平和信息化程度的提升有助于缓解错配；郑宏运和李谷成[18]提出农业资源再配置具有较大的潜在生产率效应；韩峰等[19]研究了土地资源错配对雾霾污染的影响；雷绍海等[1]认为我国农业生产要素的错配程度不断改善，农业经验规模、种植结构和经济发展水平是影响错配的决定因素。

现有文献对本研究具有较好的参考价值，但在农业生态效率测算中较少考虑农业生态系统服务价值量和农业碳吸收量等期望产出，且没有系统研究农业资源错配如何影响农业生态效率。论文的主要贡献：①在测度农业生态效率时，充分考虑农业生态环境的贡献和作用，把农业生态系统服务价值量和农业碳排放吸收量作为期望产出来全面综合地测度农业生态效率；②分别采用静态和动态面板数据模型测算了农业资源错配对农业生态效率的影响；③研究了农业生态系统服务价值量高低水平下，农业资源错配对农业生态效率影响的变化，并进一步对资本和劳动力在不足和过度时，农业资源错配对农业生态效率的影响进行了分析。

2 研究机理和假设

“资源错配”是对“有效配置”这个最优配置状态的偏离。农业生产要素在不同部门和地区间存在资源错配的现象比较常见[20-21]，这使得在农业生产过程中抑制农业资源投入达到最优水平，导致农业产值、农业碳吸收和农业生态系统服务价值等期望产出减少，而农业环境污染源等非期望产出增加，从而影响农业生态效率的提高。因此，实现农业可持续绿色发展，需要处理好生产要素配置与生态效率之间的关系。在此基础上，我们假设：

假设1：农业资源错配会抑制农业生态效率的提高。

农业生态系统服务价值是农业的重要产出，但未在农业生态效率的研究中充分体现，本研究通过在农业生态效率产出中加入生态系统服务价值量，肯定了其对农业生态系统的贡献，对农业生态环境保护及乡村生态振兴具有重要的实践意义。已有研究表明[22]，不同地区的农业生态系统服务价值量存在较大差异，在较高水平的农业生态系统服务价值地区，会促进农业绿色可持续发展，抑制资源错配对于农业生态效率的负面影响；在农业生态系统服务价值量较低的地区，资源错配对农业生态效率的影响会恶化。在此基础上，我们假设：

假设2：不同水平的农业生态系统服务价值量下，农业资源错配对农业生态效率的影响不同。

假设2a：高水平的农业生态系统服务价值量下，农业资源错配对农业生态效率影响不明显。

假设2b：低水平的农业生态系统服务价值量下，农业资源错配对农业生态效率影响明显。

影响机理如图1所示。

图1 农业资源错配对农业生态效率影响机理图

3 研究方法和数据选择

3.1 农业生态效率测度方法

（1）超效率模型。传统DEA模型不用预先设定模型参数，排除人为权重的主观影响，但当DEA属于径向和角度的度量方法时，会造成投入要素的“拥挤”或者“松弛”，导致效率值的计算存在偏差。为克服以上不足，Tone[23]提出了SBM超效率模型，将包括环境污染等在内的非期望产出纳入目标函数，对有效率DMU之间的差异进行了区分，使得模型结果更加精确。本研究选取超效率SBM模型，具体构建如下：

式中：n为DMU的个数；j为第j个DMU；k为当前效率计算的第k个DMU；xik、yrk、btk分别为投入指标、期望产出和非期望产出指标； 、 、 分别为投入、期望和非期望产出的松弛变量；p1和p2表示期望和非期望产出的数量；r和t分别表示第r、t个期望和非期望产出指标；ρ为农业生态效率值；λ为权重。

（2）农业生态效率指标的选取。农业生态效率从本质上来讲是指农业产出与农业投入的比值，即以最小的环境代价和最少的资源投入获取最大的农业经济产出。为全面衡量资源消耗、农业经济产出和环境保护三者之间的关系，在借鉴已有文献[2,24]的基础上，最终选取土地、劳动力、用水、机械、农药、化肥、农膜、能源作为投入变量，以农业总产值、生态系统服务价值量和农业碳吸收量作为期望产出变量，非期望产出用农业碳排放、农业面源污染来表征。基于此构建中国粮食主产区农业生态效率测度指标体系，如表1所示。

表1 农业生态效率测度指标体系

期望产出中：①农业生态系统服务价值量。借鉴Constanza[25]、谢高地等[22]的研究，本文仅考虑农田在调节服务、支持服务和文化服务等方面的经济价值，农业生态系统服务价值量AVE=∑Sk×Ft×Wn，Sk表示农业生态系统各类面积，Ft表示t年农业生态系统服务1个标准当量因子的价值量，采用3 406.5元/hm2，Wn为n类农业生态系统服务基础当量[26]。②农业碳吸收量。借鉴已有研究[27-28]，仅考虑作物光合作用形成的净初级生产量，农业碳吸收量其中，Ci为某种农作物的碳吸收量，k为农作物种类数，ci为作物通过光合作用合成单位有机质所需吸收的碳，Yi为作物的经济产量，r为作物经济产品部分的含水量，HIi为作物经济系数。

非期望产出中：①农业碳排放。通过农药、化肥、农膜、柴油、耕地和灌溉六个指标并乘以相应的排放系数来估算，根据相关文献[29]，六类碳源的排放系数分别为：农业灌溉20.476 kg/hm2、化肥0.896 kg/kg、农膜5.18 kg/kg、柴油0.593 kg/kg、农业耕作312.6 kg/hm2、农药4.934 kg/kg。②农业面源污染排放。将化肥污染量、农药污染量和地膜残留量通过熵值法合并成为农业面源污染指数，用以表征农业面源污染状况。其中，参考以往研究对于各污染系数的估算成果得到[30]：地膜残留量=地膜使用量×10.3%，化肥污染量=化肥施用量×(1-化肥利用率)=化肥施用量×65%，农药污染量=农药使用量×50%。

3.2 农业资源错配指数的测算

本文借鉴现有资源错配的研究[14,31]建立农业资源错配的测算框架，由于土地不具备充分的流动性，在此仅测算农业资本错配指数和劳动力错配指数。

（1）假定在整个经济发展过程中有i个地区并且在时期t所有农户的生产函数相同，以Cobb-Douglas生产函数为基础，则该地区的生产函数具体形式如下：

对式（2）两边取对数得到计量模型如下：

式中：Yit表示地区i在时期t的农业总产出，Ait表示该地区的农业技术水平，Kit表示各地区投入的农业资本，Lit表示各地区投入的农业劳动力，βik、βil分别表示农业资本和劳动力的边际产出弹性，εit为随机误差项。

（3）假定整个经济体在t时期的要素供给是外生给定的，即

（4）农业资源错配的要素扭曲通过要素价格“税”来反映，假设地区i所面临的资本扭曲“税”为τik，劳动力扭曲“税”为τil，则地区i在时期t面临的资本和劳动力的扭曲价格分别为(1+τik)Pik、(1+τil)Pil，其中Pik、Pil为完全竞争市场条件下的要素价格。为了使各地区间竞争达到均衡状态，构建地区i在t时期的利润函数如下：

根据利润最大化目标，式（4）的最优一阶条件如下：

利用已有的文献研究，进一步对资本扭曲系数τKi和劳动力扭曲系数τLi定义如下：

其中，γKi和γLi为要素价格绝对扭曲系数，在实际中一般采用价格相对扭曲系数来计算：

式中：Kit和Kit-1分别表示当期和上一期的农业资本存量；Iit表示当期固定资本投资额，本研究采用农林牧渔全社会固定资本投资额表示；Pit表示农业投资价格指数，本研究采用农业生产资料价格指数反映；δt为资本折旧率，依据李谷成等[32]的处理方法，取值为5.42%。基础年份的农业资本存量采用该年农林牧渔全社会固定资本投资额除以农林牧渔生产总值几何平均增长率和折旧率之和得到。

3.3 计量模型构建

（1）模型构建。为了考察农业资源错配对农业生态效率的影响，本文建立如下计量模型：

3.人工成本部分。城镇化推动农村劳动力转移、农民阶层分化，更多的农户外出务工，农业、种粮成为“兼业”“副业”，农村“弱者种地”“差者种粮”观念逐渐形成，受比较收益和机会成本的影响，再加上农业相对艰苦的经营环境和较低的社会地位，必然催生农业劳动力成本的逆转上升，“保的赔不了，赔也赔不了多少”表明了当今农险的尴尬处境。总之，我国发展覆盖“直接物化成本+地租”的农业大灾保险，是顺应农业生产经营高成本时代的必然趋势。

式中：AEEit表示地区的农业生态效率，τKLit表示地区的资源错配程度，是核心解释变量，xijt表示其他控制变量，μi表示不可观测的地区个体效应，λi表示时间效应，εit为随机干扰项。

式（11）为静态面板模型，考虑到经济惯性的影响，农业生态效率可能存在一定的路径依赖。因此，在式（11）的基础上，加入农业生态效率的一阶滞后项，以反映可能存在的动态效应。动态面板模型如下：

式中：AEEit-1表示农业生态效率的一阶滞后项。

（2）变量选取。本研究的被解释变量为农业生态效率（AEE）、核心解释变量为农业资源错配（τKL），农业生态效率除了受资源错配的影响外，还受其他因素的影响，参考以往文献，在计量模型中加入以下控制变量：

农村居民人均纯收入（inc），汪亚琴和姚顺波[11]认为农村居民可支配收入对AEE的空间分异具有一定的解释能力，说明AEE与农民收入水平相关，本文用农村人均纯收入表示；农业机械密度（mech），徐维祥等[13]指出工业化水平提升为农业生产提供了机械化支持，但农业机械过度使用，导致非期望产出增加，对AEE产生了抑制作用，本文采用单位耕地面积机械化总动力衡量农业机械密度；农业从业人口（popu），随着城镇化进程的加快，主要劳动力外流，从事农业人员减少，将会对AEE产生影响；农业碳排放强度（carbon），在国家提出“双碳”目标的背景下，农业碳排放受到越来越多的关注，成为农业生态的影响因素之一，本文采用单位农业增加值碳排放来衡量；农业用水量（water），水作为农业生产中不可或缺的重要资源，与农业生态息息相关；机械与碳排放交互项（mecar），由于农业机械化的推广需要使用大量的能源，会造成农业碳排放的增加，农业机械动力和农业碳排放两者之间可能存在交互的影响，因此把二者的交互项作为控制变量来研究其对AEE的影响。具体如表2所示。

表2 变量因素的选择

3.4 研究范围及数据说明

本文选取的样本为中国13个粮食主产区2005—2019年的平衡面板数据。各省份耕地面积、第一产业从业人员、农林牧渔生产总值、农业固定资产投资、农业机械动力、农药、化肥、地膜等指标来源于《中国统计年鉴》《中国农村统计年鉴》以及各省份官方年鉴；农业用水量数据来自《中国环境统计年鉴》，其中涉及的价格指标均采用GDP不变价格指数以2005年为基期来处理。在本文中，分别对农业生态效率（AEE）、资源错配指数（τKL）、农业从业人口（popu）、农业用水量（water）、农村居民人均纯收入（inc）取对数，因机械密度、单位增加值农业碳排放为相对数，在此不取对数，对所有变量做描述性统计分析，结果见表3。

表3 变量描述性统计分析结果

4 实证结果分析

4.1 农业生态效率结果的分析

在本研究中，基于超效率SBM模型采用MaxDEA 8 Ultra软件对2005—2019年13个粮食主产区的农业生态效率进行测度，结果见图2。

从图2可以看出，13个粮食主产区的农业生态效率平均值处于0.8～1.8之间。安徽、河北和山东的农业生态效率平均值处于1以下，未到达完全有效水平，而内蒙古、四川和黑龙江的农业生态效率则高于1.6，说明农业生态效率处于较高的水平。可能的原因是安徽、河北和山东的农药、化肥、农膜使用量相对较高，导致化肥、农药残留较高；虽然山东、河北的机械化程度也较高，但是消耗了较多的柴油，同时也影响了生态效率的提高。内蒙古、四川和黑龙江农膜、化肥和农药残留较少，同时生态系统服务价值量较高，农业碳吸收量相对较多，促进了农业生态效率的提高。

注：AEE为不带%的数据。

4.2 农业资源错配结果分析

本文利用2005—2019年13个省份的面板数据，采用最小二乘虚拟变量法（LSDV）对各省份的要素产出弹性进行估计，利用估计出的弹性系数根据式（8）、式（9）计算各省份的资本错配指数τKi和劳动力错配指数τLi，并计算出两者绝对值的平均值τKLit，以此作为资源错配程度。由于篇幅有限，给出2005年、2010年和2019年的资源错配数据，如图3所示。

从图3可以看出，河南、黑龙江、河北、吉林、江西、辽宁、内蒙古、山东8个省份的资源错配指数呈现下降的态势。内蒙古、吉林、山东、湖北和河北的资源错配指数相对较高，其中内蒙古的资源错配指数最高，错配程度比较严重，最高在2010年到达1.65，后有所缓解，在2019年下降到1.48；吉林和山东的资源错配指数处于同一水平，均在1.11～1.35之间波动，山东的资源错配指数波动较为明显，从2005年的1.29上升到1.35，后来又下降到2019年的1.11，资源配置改善程度明显，错配指数下降幅度较大，吉林的资源错配指数稳步下降，从2005年的1.34下降到2010年的1.30，再到2019年的1.22；湖南、河南、江苏和江西的资源错配指数相对较低，其中湖南的资源错配指数最低，说明资本和劳动力配置较为合理，资源错配指数在2010年达到最低水平为0.15。

注：τKL为不带%的数据。

4.3 计量模型结果与分析

（1）面板数据平稳性检验。在定量分析农业资源错配对农业生态效率的影响之前，必须首先检验各变量的序列稳定性，通常用单位根来判断其是否稳定。在本研究中，LLC检验方法和Breitung检验方法用于同质面板假设，Fisher检验方法用于异质面板假设。试验结果如表4所示。可以看出，使用三种统计检验方法均通过了显著性检验（P值＜0.05），每个变量都拒绝了单位根存在的零假设，这表明本文使用的面板数据具有良好的稳定性。

表4 变量的单位根检验

（2）回归分析。基于2005—2019年中国13个粮食主产区的面板数据，本研究采用静态和动态面板模型进行估计，动态面板模型采用差分GMM方法，从表5的结果可以看出，动态面板模型通过了Arellano-Bond序列相关检验和Sargan检验，说明结果一致可靠。

表5 农业资源错配对农业生态效率的影响检验

静态面板固定效应模型和动态面板差分模型的估计结果均显示核心解释变量lnτKL对农业生态效率的影响为负，且通过显著性检验，验证假设1。一定程度上说明，农业资源错配不利于农业生态效率的提高。动态面板回归结果还显示，农业生态效率的一阶滞后项在5%的水平上显著，一定程度上说明农业生态效率存在一定的路径依赖，过去的农业生态效率会影响当期的农业生态效率水平。

对于其他控制变量，静态面板固定效应模型与差分GMM模型的估计结果有一定的差异。差分GMM的估计结果显示，农业资源错配（lnτKL）对农业生态效率的影响为负，一定程度上说明农业资源的错配会抑制农业生态效率的提高，其可能原因在于，在农业生产过程中，如果人力或资本投入没有到达最优平衡水平，就会造成农业资源的过剩和不足，而农业生产的期望产出却没有实质性的提高，非期望产出反而会上升，致使农业生态效率下降。农村居民人均纯收入（lninc）对农业生态效率的影响显著为负，说明农民收入的增加一定程度上抑制了农业生态效率的提高，可能原因是粮食主产区的农民收入来源大部分是依靠外出务工所得，如果没有好的农业政策支持，不发展优势特色产业，仅仅靠传统方式种田、种地很难实现收入的提高，因此农民外出务工收入再次投入在改善农业生产条件上的较少，没有促进农业生态效率的有效提升。农业用水量（lnwater）对农业生态效率的影响显著为正，近年来，随着农业基础设施的增加和完善，农业灌溉得到了充分的保障，农业生产受干旱等极端天气影响较小，农业用水的有效性促进了农业生态效率的提高。农业机械密度（mech）对农业生态效率的影响显著为正，一定程度上说明随着农业机械化程度的普及，种植和收割效率提高，有利于增产增收，从而促进了农业生态效率的提升。单位增加值农业碳排放（carbon）对农业生态效率的影响为负，但是不显著。农业从业人口（lnpopu）对农业生态效率的影响显著为负，一定程度说明随着城镇化水平的提高，大量劳动力外出务工，人口外流，为了缓解劳动力不足，大量的农业机械投入使用，使得农业从业人口的减少反而促进农业生态效率的提高。机械与碳排放的交互项（lnmecar）对农业生态效率的影响显著为负，说明农业机械的大量使用导致了碳排放的增加，一方面虽然农业机械提升了农业生态效率，但是另一方面碳排放的增加会抑制农业生态效率的提升，由于农业机械耗能量较大，所以综合下来两者的交互项不利于农业生态效率的提高。

（3）生态系统服务价值量的高低对农业生态效率的影响。生态系统服务价值量对农业生态效率有着积极的影响，也是近年来政府相关部门较为关心的问题之一。生态系统服务价值量不同的地区，资源错配对农业生态效率的影响会不同吗？本研究把生态系统服务价值量超过8 000亿元的地区定义为较高地区，8 000亿元以下为较低地区，其中生态系统服务价值量较高的地区包括河南、黑龙江、山东、内蒙古、河北、吉林、四川，其余地区为生态系统服务价值量较低的地区。同时采用静态面板和动态面板模型进行估计，结果如表6所示。

表6 生态系统服务价值量不同的估计结果

表6中，HlnτKL代表生态系统服务价值量较高地区的资源错配，LlnτKL代表生态系统服务价值量较低地区的资源错配，静态面板和动态面板估计结果显示较高和较低地区的资源错配对于农业生态效率的影响均为负，但是较高地区的没有通过显著性检验，一定程度说明了在生态系统服务价值量较低的地区，农业资源错配对农业生态效率的负面影响较为显著，由于生态系统服务价值量较高的地区在促进本身生态效率提高的同时，一定程度上缓解了资源错配对农业生态效率的影响，因此生态系统服务价值量较高地区的资源错配对于农业生态效率的不利影响相对较小，假设2、假设2a、假设2b得到验证。

（4）稳健性检验。本研究采用更换核心解释变量和增加控制变量两种方法来进一步检验结论的稳健性。首先采用资源扭曲系数 替换原有的核心解释变量lnτKL来衡量地区资源错配程度，同时构建静态面板模型和动态面板模型，检验资源错配与农业生态效率的关系是否仍然成立。由于资本 和 劳动扭曲系数和存在大于0和小于0的情况，对其分别取绝对值后求平均得到 ，同时建立静态面板模型和动态面板模型，结果如表7所示。

表7 替换自变量稳健性检验

在考虑模型的动态效应和可能存在的遗漏变量问题后，动态差分GMM的估计结果显示资源扭曲系数对农业生态效率的影响为负，且模型通过了Arellano-Bond序列相关检验和Sargan检验，表明差分GMM的估计结果是一致有效的。以扭曲系数替换原有的资源错配指数后，回归结果与上节中基本一致，说明在一定程度上表明本文的结论具有稳健性。

其次，在原模型的基础上通过增加水土流失治理面积（lnsoilcon）和农业用电量（lnelectri）两个控制变量，来对模型做稳健性检验，同时建立静态面板模型和动态面板模型。结果如表8所示

分别增加两个控制变量后，静态面板模型和动态面板模型的解释变量和控制变量的系数方向与没有增加之前保持一致，但动态面板模型估计结果与表8的估计结果更贴近，由此可见动态面板模型的稳健性更好。

表8 增加解释变量的稳健性检验

从以上两种稳健性检验的结果可知，本研究的结论具有一定的可靠性。

5 进一步讨论

地区的资源配置存在过度（τ＜0）和（τ＞0）不足两种情况。在资源配置不同情况下可能会对农业生态效率存在不同的影响，进而影响估计结果。因此，本文通过设置虚拟变量把资本和劳动力的错配分为过度和不足，以考察估计结果是否存在差异。

由于资本和劳动力错配指数存在正负两种情况，此处利用资本和劳动力错配的原始值τK和τL作为核心解释变量，以农业生态效率的原始值AEE作为被解释变量，分别设置虚拟变量E和D，以及虚拟变量E和资本的交互项E×τK，虚拟变量D和劳动力的交互项D×τL，并把交互项加入到解释变量中，估计结果如表9所示。

表9 资源配置过度和不足估计结果

从动态和静态面板估计的结果来看，在资本过度（τK＜0）时，资本错配与农业生态效率均呈正相关关系，即τK增加时，农业生态效率（AEE）也随着增加，因为资本错配在资本过度时小于0，故τK增加时其绝对值变小，资本错配程度缓解，促进农业生态效率的提高。在资本不足（τK＞0）时，静态面板和动态面板的估计系数分别为-0.085(0.179-0.264)、-0.053(0.227-0.280)，资 本 错配与农业生态效率呈负相关关系，即在资本不足时，如果再减少资本的投入会抑制农业生态效率的提高，且资本不足时的影响系数要小于资本过度时的系数，说明在资本配置过度时，如果及时采取措施不断优化资本配置方式减少错配对农业生态效率的影响，将有着较大的积极作用。在中国不断践行绿色发展理念和加强生态文明建设的背景下，政府会把更多的资本合理用于农村生态环境治理和保护，间接地提高了生态系统服务价值等期望产出，减少了农业碳排放等非期望产出，使得资本利用效率不断提高，错配程度得到缓解。资本错配在过度和不足时的静态和动态面板模型都通过了显著性检验。

当劳动力过度（τL＜0）时，劳动力错配与农业生态效率呈负相关关系，即当农业从业人口过剩时，如果τL增加时，则τL的绝对值减少，劳动力错配有所缓解，但农业从业人员过剩的缓解不会促进农业生态效率的提高；当劳动力不足（τL＞0）时，静态和动态面板的估计系数分别为-0.145(-0.13-0.015)、-0.148(-0.047-0.101)，说明劳动力错配与农业生态效率仍呈负相关关系，即当农业从业人口不足时，如果再减少人口投入会抑制农业生态效率的提高。但劳动力错配只有在其过度配置时通过了静态面板的显著性检验，在劳动力不足时没有通过静态和动态面板模型显著性检验。可能原因是随着中国粮食主产区农业现代化水平的提高，大量的农业机械投入使用代替了传统劳动力的劳作，因此劳动力的过度和不足对于农业生态效率的影响作用不明显。

6 结论

（1）粮食主产区的农业生态效率存在明显的地区差异，安徽、河北和山东的农业生态效率平均值处于1以下，内蒙古、四川和黑龙江的农业生态效率均值高于1.6。

（2）粮食主产区均存在一定程度的农业资源错配，且地区间差异显著，内蒙古的农业资源错配指数最高，错配程度比较严重，但在考察期内错配程度有所缓解；湖南省的农业资源错配指数最低，说明农业资源配置较为合理。

（3）静态和动态面板模型估计结果均表明农业资源错配对农业生态效率存在显著的负相关关系，且农业生态效率存在一定的路径依赖，同时，农业生态效率还受到农村居民人均纯收入、农业用水量、农业机械密度、农业从业人口等因素的影响，以上估计结果通过了稳健性检验，一定程度上说明了结果的可靠性。

（4）生态系统服务价值量较低地区的农业资源错配对农业生态效率存在显著的负面效应，而在生态系统服务价值量较高的地区则缓解了资源错配对农业生态效率的不利影响。

（5）当资本配置过度时，如果资本错配程度缓解会促进农业生态效率的提高，当资本不足时，如若再减少资本投入会抑制农业生态效率的提高；当劳动力配置过度时，如减少农业从业人员不会促进农业生态效率的提高，当劳动力配置不足时，如再减少劳动力投入则会抑制农业生态效率的提高。结果表明资本错配对农业生态的影响较为显著，劳动力错配对农业生态效率的影响不明显，一定程度上反映了中国粮食主产区农业现代化导致了劳动力大部分被农业机械所替代。