中国农业高质量发展的时空差异与动态演进

郭郡郡，刘玉萍

（西华师范大学 公共政策研究院，四川 南充 637009）

习近平总书记在党的十九大报告中作出“我国经济已由高速增长阶段转向高质量发展阶段”的重大判断，并指出坚持把解决好“三农”问题作为全党工作重中之重，实施乡村振兴战略。按照习近平总书记“高质量发展不只是一个经济要求，而是对经济社会发展方方面面的总要求”的论述[1]，在全面实施乡村振兴战略之际，我国农业发展的政策导向将逐步由增产向提质转变，而推进农业高质量发展，则被视为实现此政策目标的重要支撑。长期以来，为了保障农产品的总量供给安全，我国农业主要通过增加要素投入来实现“总量平衡、丰年有余”，这种靠“投入驱动”的农业发展模式不仅造成了资源的大量浪费[2-3]，还带来了令人担忧的环境问题[4]，成为未来我国农业发展“提质”所面临的重大挑战。在此背景下，2018—2021年的中央一号文件连续提出“落实农业高质量发展”的要求，将农业高质量发展视为实施乡村振兴战略的重要举措。

正因为农业高质量发展既是我国整体发展质量提升的重要组成部分，也是乡村振兴战略推行的必由之路，近年来，农业高质量发展相关议题受到了学界的广泛关注。从研究内容来看，大多研究者从内涵特征[5-6]、影响因素[7]和提升对策[8]等方面，对农业高质量发展相关问题展开了定性探讨，也有少量研究者通过构建评价指标体系，对特定对象的农业发展质量进行了测度分析[9]。审视当前研究，尽管对象、方法和内容多不相同，但我国农业发展质量的“非均衡性”却已成为大部分研究者的共识[10]，然而，定性为主的分析范式或主观偏向的测度方法，使得现有研究并不能为我们描绘我国农业高质量发展“非均衡性”的详细图景，回答诸如我国农业高质量发展的“城市和区域差距分别有多大”“整体差异主要来自哪里”“随着时间的推移表现出什么样的动态变化特征”等问题，对这些问题更详尽地把握则需要更翔实的测评和分布分析为支撑。

为此，本研究基于2004—2018年中国大陆地级城市的样本数据，对我国农业高质量发展的时空差异与动态演进进行定量分析，试图更为清晰地展现我国农业发展质量的“非均衡性”面貌。具体而言，本文首先采用Fare-Primont指数法对各城市不同年份的农业全要素生产率进行测度，以之作为城市农业高质量发展的度量；然后基于Dagum基尼系数及其分解方法，分析城市及区域间农业高质量发展水平的差距，考察整体差距的来源；进而通过Kernel密度估计方法分析农业高质量发展整体分布的动态变化，通过Markov链模型分析不同城市农业高质量发展的状态转移趋势。我们期待，通过对中国城市农业高质量发展时空差异与动态演进的详尽分析，本文的研究不仅有助于研究者更清晰地理解我国农业高质量发展“非均衡性”现状，也能为政策制定者基于农业高质量发展水平差异精准施策提供翔实的数量依据。

1 研究方法与数据来源

1.1 基于Fare-Primont指数的农业高质量发展测度

在实证研究中，学术界测度农业高质量发展的方法主要可归纳为多指标测度和单一指标测度两类。多指标测度是根据农业高质量发展的内涵和特征构建评价指标体系，并采用不同的赋权方法确定各个基础指标的权重，在此基础上计算综合测度指标作为农业高质量发展的度量[7,11]。多指标测度方法虽然能够有效反映农业高质量发展的多维特性，但由于指标体系构建和指标权重确定的“双重”主观性对测度结果有较大影响，使得多指标测度结果缺乏客观性，不同研究的测度结果也不具有可比性。

考虑到高质量发展主要考察的是效率是否得到提升[12]，而全要素生产率是指在资本、劳动等投入要素保持不变时，产出仍能增加的部分，主要刻画了技术进步对生产效率的改善作用，与高质量发展中有关效率的内涵和对效率目标的关注具有较高的一致性。因此，在采用单一指标测度农业高质量发展时，农业全要素生产率指标得到了最为广泛的应用[13]。

本研究采用由Fare-Primont指数法测度的农业全要素生产率指标作为城市农业高质量发展的度量，与多指标评价指标体系测度和传统的全要素生产率测度方法（如：Solow余值法、SFA方法、DEA方法等）相比[14]，Fare-Primont指数法不仅适用于多投入、多产出的情形，从而能够有效反映农业高质量发展的多维特性，还同时满足乘积完备性和传递性，因此测度结果既可用于研究农业高质量发展水平的纵向变动趋势，又可以对农业高质量发展水平进行横向比较[15]。

从具体设定看，Fare-Primont指数是产出与投入之比的函数，多种投入要素的全要素生产率可通过总产出与总要素投入的比值来表示。假设xit和qit分别表示城市i第t年的投入向量和产出向量，则第t年的全要素生产率可表述为：

式中：TFP为城市i第t年的全要素生产率，Xit=X(xit)和Qit=Q(qit)分别表示投入加总函数和产出加总函数。满足齐次线性和非递减可加总的条件，城市i第t年与城市j第v年的TFP之比为：

式中：Qit,jv=Qit/Qjv为总产出数量指数，Xit,jv=Xit/Xjv为总投入数量指数。因此，TFP增长率可以表示为产出增长率与投入增长率的函数，这是Jorgenson & Griliches[16]等大部分经济学家所定义的生产率变化，它满足乘积完备性。

参照已有研究[17]并考虑数据的易得性，在采用Fare-Primont指数法测度我国地级城市的农业全要素生产率时，投入指标主要包括第一产业就业人员数（万人）、农业机械总动力（万千瓦）、化肥施用量（万吨）、农作物总播种面积（千公顷）、有效灌溉面积（千公顷），产出指标则为2004年不变价格的第一产业增加值（亿元）。

1.2 基于Dagum基尼系数的农业高质量发展差距分析

为了考察目标变量的空间分布差异问题，Dagum[18]提出了一种在充分考虑子群样本分布的状况下，将基尼系数按照子群进行分解的方法。Dagum基尼系数及其分解方法不仅弥补了泰尔指数在小样本、异方差等方面可能存在的局限性[19]，且相对于传统的基尼系数，该方法还可用以识别并比较区域内和区域间差距及其来源，并根据所描述样本子群的分布状况，反映子群间交叉项的问题。故而，Dagum基尼系数及其分解方法近年在区域差异相关研究中得到了广泛应用[20]。

沿循惯例，我们将中国大陆的地级城市按所处位置划分为东部、中部、西部和东北四大区域。根据Dagum的设定，总体基尼系数可表述为：

式中：k和n分别表示区域和城市的个数，yri(yhj)表示区域r(h)内城市i(j)的农业发展质量，为全国农业发展质量的均值。G值越大意味着城市间农业高质量发展水平的差距越大，农业发展质量越不平衡。

参照Dagum基尼系数分解方法，总体基尼系数G可分解为区域内差距的贡献Gw、区域间差距的贡献Gnb和超变密度的贡献Gt三个部分，满足G=Gw+Gnb+Gt。其中，区域r的基尼系数Grr以及区域内差异Gw的计算公式如式（4）和（5）所示；区域r和区域h之间的基尼系数Grb和区域间净值差异Gnb的计算公式见式（6）和（7）；区域间超变密度Gt计算公式则见式（8）。。式（7）中，Drh为区域r和h之间农业高质量发展的相对影响，详细计算公式可参见张龙耀和邢朝辉[21]的研究。

其中，式（5）中

1.3 基于Kernel密度估计的农业高质量发展分布动态分析

Kernel密度估计采用平滑的峰值函数拟合样本数据，利用连续的密度曲线描述随机变量的分布形态[22]，观察Kernel密度曲线可得到变量的分布位置、分布态势、分布延展性、极化趋势等信息[23]。作为一种重要的非参数方法，Kernel密度估计方法无需利用有关数据分布的先验知识，具有模型依赖性弱、稳健性强等优点，已经成为研究区域分布动态特征的一种流行方法。Kernel密度估计方法假定随机变量Y的密度函数f(y)为：

其中，Yi表示以农业全要素生产率表征的各城市农业高质量发展水平，y为农业全要素生产率的均值；N表示样本城市数，h表示带宽，K为核函数。作为一种加权函数或者平滑转换函数，核函数往往还需要满足以下条件：

根据Kernel密度函数的表达形式不同，核函数包括三角核函数、四角核函数、Gauss核函数、Epanechnikov核函数等，为不失一般性，本文选择比较常用的Gauss核函数对我国农业高质量发展水平进行动态研究，Gauss核函数的设定为：

1.4 基于Markov链的农业高质量发展状态转移趋势分析

Kernel密度估计有助于简单直观地刻画我国城市农业发展质量的整体分布形态及其随时间变化的走势，但不能深刻反映其内部城市状态变化与特征，Markov链方法则能够精确反映不同城市农业高质量发展水平相对位置的动态变化及发生状态转移的概率，二者相互补充能够深入刻画农业高质量发展的分布动态演进[24]。

Markov链是一种时间和状态都离散的Markov过程，它通过把数据离散化为多种类型，并计算相应类型的概率分布及其随时间的变化，以近似模拟状态变化的整个过程。假定农业高质量发展的Markov链是一个随机过程{Z(t),t∈T}的状态空间，t时刻农业高质量发展水平处于k状态，t+1时刻处于l状态，则t到t+1时刻的状态转移概率可定义为：

其中，对于特定的在给定状态k下的样本城市，其在t时刻转移到状态l的概率的极大似然估计值可通过pklt＝Nklt/Nk进行计算。对于所有样本城市而言，对研究时间范围内的转移概率进行加权，可得到研究时间范围内从初始状态k转移为状态l的概率，具体如式（13）所示：

式中：Nkl表示研究时间范围内由t年的状态k转移为t+1年的状态l的样本城市数量，Nk表示研究时间范围内所有处于状态k的样本城市数量。

1.5 数据来源

本研究重点考察2004—2018年，中国大陆地级城市农业高质量发展的时空差异与动态演进特征，所涉数据主要为测算城市层面农业全要素生产率的投入产出指标数据。其中，各指标的原始数据大部分来自2005—2019年的《中国城市统计年鉴》，少量缺失数据则以对应城市的统计年鉴为补充。此外，为使产出具有可比性，第一产业增加值是以2004年为基期，利用对应价格指数对其进行平减处理之后的实际增加值。

2 我国城市农业高质量发展的整体变化趋势

采用由Fare-Primont指数法测算的农业全要素生产率作为地级城市农业高质量发展的测度，并以第一产业增加值占比为权重，计算全国和不同区域城市农业全要素生产率的加权平均值，通过农业全要素生产率加权均值的变化判断全国和不同区域农业高质量发展的整体变化趋势。2004—2018年全国及各区域农业全要素生产率的加权均值及其变化如图1所示。

图1 2004—2018年农业全要素生产率的加权均值及其变化

图1显示，从全国层面看，虽然部分年份有所波动，但2004—2018年我国农业高质量发展水平整体呈现出明显改善趋势。在考察期内，除2014年、2017年和2018年农业全要素生产率的加权均值较上年有少量降低外，其他年份均较上年有所增长，使得地级城市的加权平均农业全要素生产率由2004年的0.057增至2018年的0.091，年均增长率为3.36%，整体增幅则达58.84%，尤其是2007—2013年7年的年均增长率更是高达6.50%。自2007年开始，政府出台了一系列利农惠农政策，如积极推动现代农业发展，大幅度增加了对“三农”的投入，提高了农业基础设施和装备水平；采取了诸如提高农业补贴、新型城镇化、美丽乡村建设等一系列的政策，推动了“城乡一体化”发展进程；确立了农村土地“三权分置”政策，加速了农村土地资源的流转，活跃了农村土地市场等，这些利农惠农政策极大地改善了我国农业的发展绩效，提升了农业的整体发展质量。2013年之后，随着政策效应逐渐释放完毕和政策调整进入瓶颈期，我国农业全要素生产率的增长快速放缓，以至于2014—2018年，农业全要素生产率加权均值的年均增长率仅剩0.31%，尤其是2017年和2018年，随着我国经济进入新常态以及农业供给侧结构性问题开始显现，我国农业发展质量甚至出现了连续两年的降低。

分区域看，2004—2018年，不仅不同年份各区域农业高质量发展的相对水平有较大差异，且考察期内不同区域的农业发展质量还呈现出不同的变化趋势。2004—2018年，东部地区不同年份的农业高质量发展水平均远高于中部和西部地区，也高于全国平均水平，且在此期间东部地区保持了相对其他区域更高的农业全要素生产率增长率，使得东部地区城市整体的农业发展质量优势在不断拉大。考察期内，不同年份中部和西部地区城市农业全要素生产率的均值相当，且低于全国平均水平，增长速度类似，且小幅低于全国平均增速，这意味着虽然中部和西部地区城市的农业发展质量在考察期内也有明显的提升，但与东部地区相比，其农业发展质量的相对水平却有所降低。在2004年时，东北地区城市的整体农业高质量发展水平高于东部、中部、西部地区，但之后其他地区均开启了增长之路，东北地区的农业全要素生产率却始终处于几近原地踏步的波动状态，以至于到2009年时，东北地区城市农业全要素生产率的加权均值仅比2004年增长了0.47%，东部地区也在该年完成了对东北地区整体农业发展质量的赶超；虽然在2009年之后，东北地区开始了连续3年的农业全要素生产率增长，但自2013年，东北地区的整体农业发展质量开始逐年恶化，至2018年时，东北地区不仅成为四大区域中整体农业发展质量最低的区域，也是考察期内唯一一个农业高质量发展绝对水平有所降低的区域。

3 农业高质量发展的差异及其来源

不同区域不同的农业高质量发展水平及其变化趋势，体现了考察期内我国农业高质量发展的空间分布和随时间动态变化的差异性，为进一步揭示农业高质量发展的时空差异及其来源，我们借助Dagum基尼系数及其分解对其进行考察，结果如表1所示。

表1 农业全要素生产率的Dagum基尼系数及其分解结果

表1显示，2004—2018年，中国地级城市农业全要素生产率的总体基尼系数介于0.266 8～0.302 6之间，不同年份的农业高质量发展均表现出明显的非均衡性特征。从总体基尼系数的变化看，在经历2005年和2006年较大幅度的下降后，总体基尼系数开始进入了波动上升的进程，基尼系数值逐渐增大，农业高质量发展的非均衡性不断强化。虽然同2004年相比，2018年的总体基尼系数仅增加了0.005 8，但从最近几年的变化趋势推断，未来农业高质量发展的非均衡性将不断增强。

与总体基尼系数相比，不同年份各区域内农业全要素生产率的基尼系数均明显更小，表明区域内农业高质量发展的差异明显低于全国总体差异，城市农业高质量发展的非均衡性具有“区域异质”的特征。从区域间的横向比较来看，不同年份东部地区的区域内基尼系数均大于中部、西部和东北地区，这说明相对于其他区域，东部地区内部城市农业发展质量的差异更大。从不同区域的纵向变化来看，2012年之前，中部地区的区域内基尼系数明显小于其他地区，此时中部地区农业高质量发展的区域内均衡性程度最高，但从2013年开始，中部地区的区域内基尼系数逐渐追上西部和东北地区，此后中部地区开始具有与西部和东北地区类似的均衡性程度，与中部地区相比，东部、西部和东北地区的区域内基尼系数则在考察期内一直保持了相对稳定的波动状态，区域内农业高质量发展的均衡性变化不大。

从区域间基尼系数看，所有年份“东部—中部”和“东部—西部”之间的区域间基尼系数均在0.3以上，且在考察期内处于明显增大的趋势，由此再次证实了2004—2018年，东部和中部、西部地区农业高质量发展的整体水平保持了较大差距，且随着时间推移，它们之间的差距还在不断拉大。与“东部—中部”和“东部—西部”较大的区域间农业发展质量差距不同，不同年份“中部—西部”农业全要素生产率的区域间基尼系数基本在0.21附近较为稳定的波动，体现了“中部—西部”之间较小且相对稳定的整体农业高质量发展水平差异。由于考察期内东北地区农业发展质量的相对水平经历了较大的波动，这就使得东部、中部、西部和东北地区农业高质量发展区域间差异处于明显变化之中。2015年之前，东部和东北地区农业高质量发展的区域间差异较小，区域间基尼系数在0.25附近波动，2015年之后两个地区的区域间差异快速扩大，对应的区域间基尼系数也快速增长，直至2018年达到0.35以上。与东部和东北地区区域间差异的变化方向相反，初始时，中部、西部和东北地区农业高质量发展的区域间差异较大，但随着时间的推移不断缩小，最终在观察期内，“中部—东北”和“西部—东北”区域间基尼系数分别由2004年的0.361 0和0.380 0降至2018年的0.226 1和0.230 2，至此，中部、西部和东北地区之间农业高质量发展水平的整体差异降至“中部—西部”之间类似的水平。

从贡献率看，虽然在考察期内，区域内、区域间和超变密度对农业高质量发展整体差异的贡献率在不断变化，但变动幅度并不大，相对贡献率则保持了较高的稳定性。区域内、区域间和超变密度的平均贡献率分别为22.47%、56.30%和21.23%，不同年份区域间差异均具有最大的贡献率，且随着时间推移有一定的增大趋势，区域内差异的贡献率则在均值附近小幅波动。根据贡献率不难看出，我国城市农业高质量发展水平的整体差异及其变化主要来自区域间差异的影响。

4 农业高质量发展的分布动态及其演进

4.1 农业高质量发展的分布动态

为了更加直观地描述我国地级城市农业高质量发展的分布特征及动态演变过程，本文采用Kernel密度估计图描绘我国农业高质量发展的分布形态，并从时间维度分析其分布的动态演变。选取2004年、2009年、2013年和2018年作为观察时点，图2和图3分别为全国与东部、中部、西部、东北四大区域农业全要素生产率的Kernel密度估计二维图。

图2 全国农业高质量发展的动态分布

图3 不同区域农业高质量发展的动态分布

图2显示，在不同的观察年份，全国城市农业全要素生产率的Kernel密度估计图均表现为明显的“单峰”状态且伴有细长的右拖尾，表明大部分的农业发展质量比较接近，但少量城市明显较高，这与东部地区城市相对于中部、西部和东北地区整体更高的农业发展质量和越来越明显的领先优势较为一致。2004—2013年，农业全要素生产率的核密度曲线逐年右移，说明此间全国地级城市农业高质量发展水平总体呈明显上升态势，与此同时，波峰高度逐渐下降，宽度则小幅扩大，城市间农业高质量发展水平的集中程度趋于减弱。但在2013年之后，农业全要素生产率核密度曲线的右移趋势放缓甚至停滞，波峰高度和宽度则保持了相对的稳定性，表明2013年之后我国农业发展质量整体提升乏力，但城市间农业高质量发展水平的集中程度变化不大。

图3显示，考察期内，东部、中部、西部和东北地区城市农业高质量发展水平的分布经历了不同动态演进。2004—2018年，东部地区农业全要素生产率的核密度曲线逐年右移，波峰高度逐渐降低，宽度逐渐增加，且均具有右长尾，表明此间东部地区城市的农业高质量发展水平整体呈增长之势，城市间农业发展质量的差异逐渐拉大，且有部分城市的农业发展质量明显较高。2013年之前，中部地区经历了与东部地区类似的农业高质量发展水平整体提升且差异拉大的演进态势，但2013年之后，中部地区城市的整体农业发展质量开始出现波动中小幅降低的趋势，以至于与2013年相比，2018年中部地区农业全要素生产率的核密度曲线有略微的左移。考察期内，西部地区农业全要素生产率的核密度曲线有明显的右移，西部地区城市的农业高质量发展水平整体有较为明显的提升，不仅如此，核密度曲线的形状也由2004年时的单峰变为2013年后的明显双峰，表明随着时间的推移，西部地区的农业高质量发展开始出现梯度效应，呈现出一定的两极分化现象。虽然与2004年相比，东北地区农业全要素生产率的核密度曲线在2009年和2013年时均有一定程度的右移，但至2018年时又大幅左移至2004年时曲线的左侧，这也印证了考察期内东北地区的整体农业高质量发展水平先小幅提升又大幅下降的变化趋势；与其他地区相比，东北地区农业全要素生产率的核密度曲线的波峰高度最低，宽度最大，表明在四大区域中，东北地区城市具有相对较高的农业发展质量离散程度；考察期内的不同年份，东北地区核密度曲线的形状均具有双峰甚至多峰特征，且在2018年时，双峰特征尤为明显，表明东北地区的农业高质量发展一直表现出梯度特征，且与2004年相比，2018年时东北地区农业高质量发展的两极分化现象甚至有所增强。

4.2 城市农业高质量发展的状态演进

沿用Markov分析框架[25]，首先，将地级城市的农业高质量发展按农业全要素生产率测算值划分为完备、有限和不交叉的区间，并且每个区间对应于不同等级的城市农业高质量发展水平的演进状态；其次，运用Markov链分析方法，计算出考察期内全国和各区域城市间农业高质量发展水平的Markov链转移概率矩阵，并通过分析其结构特征，揭示城市间农业高质量发展水平的内部动态变化信息。

借鉴赵磊和方成[26]的做法，依据农业全要素生产率测算值将我国城市农业高质量发展水平划分为四种类型：低于农业全要素生产率加权平均值的75%为低农业高质量发展水平（类型Ⅰ）；介于加权平均值的75%～100%为中低农业高质量发展水平（类型Ⅱ）；介于加权平均值的100%～125%为中高农业高质量发展水平（类型Ⅲ）；高于加权均值125%为高农业高质量发展水平（类型Ⅳ）。表2显示，2004年和2018年，农业全要素生产率位于加权平均值以下的城市分别占所考察城市的67.83%和73.49%，低于加权平均值75%的城市也分别占到了47.2%和51.4%，表明我国大部分城市集中于农业高质量发展水平相对较低的类型，且在考察内，向较低农业高质量发展水平类型（类型Ⅰ和类型Ⅱ）集中的程度还有所增强。不仅如此，不同区域农业高质量发展水平的类型分布也有较大差异，2004年时，农业高质量发展水平较高的城市主要位于东部和东北地区，两地类型Ⅲ和类型Ⅳ城市分别占到所在地区样本城市的72.86%和76.19%，而中部和西部地区类型Ⅲ和类型Ⅳ城市分别仅占样本城市的13.42%和12.38%。至2018年时，在农业高质量发展水平较高的城市有所减少的情况下，东部地区类型Ⅲ和类型Ⅳ城市的数量仍实现了一定的增长，占比也增至东部地区样本城市的77.14%，但反观东北地区，到2018年时类型Ⅲ和类型Ⅳ城市的数量则大幅减少，占比由2004年的76.19%降至2018年的13.81%。由此可见，2004—2018年，东部地区保持甚至强化了其在农业发展质量上的领先优势，而东北地区则快速落后了，大部分原本农业高质量发展水平相对较高的城市变为了低农业高质量发展水平或中低农业高质量发展水平的城市。

表2 高质量发展水平Markov链转移概率矩阵

表2全国农业高质量发展水平的Markov链转移概率矩阵显示，除类型Ⅱ外，对角线上的转移概率均高于非对角线上的转移概率，表明受前期农业发展路径依赖的影响，全国范围内大多城市的农业高质量发展水平类型保持了相对稳定性。从转移概率的大小可知，类型Ⅰ和类型Ⅳ城市的稳定性相对较高，分别有82.96%和61.11%在2004年位于类型Ⅰ和类型Ⅳ的城市至2018年时仍位于相同类型，表明即便是在长达15年的考察期内，也甚少有农业高质量发展水平较低的城市能够实现向上的追赶，而大部分农业高质量发展水平较高的城市则能持续保持其在农业发展质量上的优势。考察期内，类型Ⅱ和类型Ⅲ城市保持状态稳定的概率分别为42.37%和36.84%，稳定性明显低于类型Ⅰ和类型Ⅳ，且较大的转移概率主要分布在对角线两侧，表明相对而言，中等农业高质量发展水平的城市更易发生状态转移，且状态转移是一个渐进的过程，主要发生在临近类型之间。

分地区看，不同区域内部农业高质量发展水平类型的变化有较大的差异。东部地区Markov链转移概率矩阵中类型Ⅰ、类型Ⅲ和类型Ⅳ对应的对角线上的转移概率均明显高于非对角线，表明考察期内农业高质量发展水平位于类型Ⅰ、类型Ⅲ和类型Ⅳ的城市保持了较高的状态稳定性，不仅如此，在类型Ⅱ和类型Ⅲ对应的非对角线上的转移概率中，对角线右侧的转移概率明显高于左侧，表明即便发生状态转移，类型Ⅱ和类型Ⅲ城市也更多的是向更高的农业高质量发展水平类型转变。由此再次证实，2004—2018年，东部地区城市在保持农业高质量发展水平整体分布相对稳定的同时，进一步夯实了领先优势。虽然在不同类型中，中部地区对角线上的转移概率均高于非对角线，但其对角线左侧的转移概率值却大多高于对角线右侧，说明尽管大部分中部地区城市保持了农业高质量发展水平类型的稳定，但整体上中部地区城市却展现出向更低的农业高质量发展水平类型转变的趋势。西部地区的转移概率矩阵中，仅类型Ⅰ和类型Ⅱ对应的对角线上的转移概率相对较高，类型Ⅲ和类型Ⅳ所对应的较高转移概率主要位于对角线左侧，表明考察期内西部地区较低农业发展质量类型（类型Ⅰ和类型Ⅱ）的城市保持了相对稳定性，而大多较高农业发展质量类型（类型Ⅲ和类型Ⅳ）的城市则在向更低类型转移，这也使得西部地区城市农业高质量发展的整体相对水平明显降低。东北地区的转移概率矩阵显示，无论何种类型，较高的转移概率均位于类型Ⅰ所在的列，且类型Ⅰ、类型Ⅱ和类型Ⅲ中类型Ⅰ所在列对应的转移概率均为100%，类型Ⅳ中类型Ⅰ和类型Ⅱ所在列对应的转移概率之和也高达61.54%，说明无论在2004年时农业高质量发展水平如何，至2018年东北地区大部分城市都进入了低农业发展质量城市类型（类型Ⅰ和类型Ⅱ）的行列，考察期内东北地区城市的农业高质量发展水平的整体领先优势荡然无存。

5 结论与政策含义

高质量发展是“十四五”乃至更长时期我国经济社会发展的主题，坚持农业农村优先发展是实施乡村振兴战略的总方针。推进农业高质量发展，不仅对我国整体发展质量的提升具有重要意义，亦是实施乡村振兴战略的客观要求。本研究基于2004—2018年中国大陆286个地级城市的样本数据，对我国农业高质量发展的时空差异与动态演进进行定量分析，研究结果显示：

（1）整体而言，2004—2018年，中国农业高质量发展水平改善趋势明显，且不同区域的农业高质量发展水平呈现出不同的变化趋势，中国城市的农业高质量发展展现出明显的“非均衡”特征，且城市农业高质量发展水平的整体差异及其变化主要是受区域间差异的影响；2004—2013年，中国城市农业高质量发展水平表现出整体提升且差异拉大的趋势；2013年之后则处于整体提升乏力而集中程度相对稳定的状态。考察期内，大多数城市农业高质量发展水平的类型保持了相对稳定性，状态转移则多发生在邻近类型之间。

（2）分区域看，东部地区城市不仅初始农业发展质量较高、区域内差异较大，且随着时间的推移，对其他区域的领先优势持续拉大，并有越来越多的城市进入较高农业发展质量类型；中部和西部地区虽然也在考察期内实现了农业发展质量的提升，但提升速度较慢，城市也多展现出向更低的农业高质量发展水平类型转变的趋势，其结果是随着时间推移，中部、西部地区和东部地区农业高质量发展水平的差距逐渐扩大；尽管在2004年东北地区的农业发展质量在四大区域中处于领先位置，但是除2010—2012年短暂的提升外，其他时期东北地区的农业高质量发展水平要么停滞不前，要么快速下降，使得至2018年时大部分东北地区城市均进入了低农业高质量发展水平类型，东北地区的整体农业发展质量也由领先变为最低。

在历经多年农业发展质量的改善之后，自2016年起，我国整体农业高质量发展水平的提升开始出现停滞，这也构成了我国推行农业供给侧结构性改革和实施乡村振兴战略的现实背景。农业发展质量改善乏力，也反映出当前我国农业发展所面临的环境污染严重、生产结构失衡、质量效益不高等方面的问题，从这个意义上说，推进农业高质量发展，不仅是现阶段我国整体经济高质量的根本要求，也是当前我们有效应对农业发展相关问题的必然选择。

现阶段我国社会的主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾，我国农业高质量发展同样面临“不平衡不充分”的问题。本文的研究显示，我国农业高质量发展水平已分异为两大“地域”，农业发展质量整体较高的东部地区和农业发展质量相对较低的其他地区，且随着时间推移，东部地区的领先优势还在不断扩大。而从农业产出看，我国大量的农产品来自中西部和东北地区，农业发展质量和农业产出数量的不匹配必然会导致农业资源的浪费。由此，提升非东部地区的农业发展质量，不仅是农业发展质量补长自身“短板”的现实选择，亦关系到我国农业整体的提质增效。

除此之外，考察期内，东北地区的农业发展质量由领先变为落后，对东北地区农业高质量发展面临的困境及其致因的考察，以实现东北地区农业高质量发展的“追赶”，也是今后的理论研究者和政策制定者要尤为关注的问题。