河南省农业生态效率测度、空间溢出与影响因素研究

闫明涛，乔家君，瞿 萌，韩 冬

(河南大学地理与环境学院/黄河中下游数字地理技术教育部重点实验室，河南 开封 475004)

中国是世界上人口最多的国家，也是一个农业大国，农业发展取得了令人瞩目的成就[1]。1995—2019年，粮食总产量、肉类总产量、奶类产量和水产品总产量分别增长1.42倍、1.48倍、4.90倍和2.57倍，对国家经济和社会的健康持续发展起到了强有力的支撑作用[2]。然而农业生产过程也给生态环境带来了巨大的负外部性。《全国农业可持续发展规划(2015—2030)》报告显示，化肥、农药利用率小于1/3，农膜回收率小于2/3，农业内源性污染严重[3]。由此可见，目前我国农业增长仍主要依赖于生产要素的集约投入，正是这种低效、高投入的农业生产模式导致农业污染越来越严重，甚至超过工业污染成为水污染的主要来源[4]。因此，研究如何实现农业可持续发展对当前农业相关政策的制定具有重要意义。

如何衡量农业的可持续性？一种有效的方法是采用生态效率指标进行评价[5]。生态效率最初于1990年由德国学者Schaltegger和Sturm提出，作为一种研究经济和环境方面的量化管理工具，以产出与投入的比例来衡量，旨在以较少的投入来提高经济产出和减少不利的环境影响[6]。随后由于世界可持续发展工商理事会等的推广，使得生态效率成为可持续发展的重要理念[7]。为了量化农业生态效率绩效，科研工作者建立并使用了多种方法，如比率法、随机前沿分析法、生命周期评价法和数据包络分析(DEA)法等。这些方法各有优劣，其中，DEA是一种被广泛接受的非参数方法，用于评估涉及多产出和多投入的生态效率，可以有效避免主观设置权重，并克服价格体系不合理等非技术因素对前沿生产函数的影响[8]。

近年来，学者们对农业生态效率的研究成果不胜枚举。在现有研究的基础上，有两点值得注意。第一，一般来说，农业有广义和狭义之分。广义的农业包括种植业、林业、畜牧业和渔业，狭义的农业则仅指种植业。现有的研究对象主要集中在狭义农业[9]。但长期以来，我国农业系统以“粮-猪”结构为基本特征[10]，种植业产值约占农业总产值的50%，畜牧业产值约占农业总产值的30%。此外，非种植业的污染物排放占农业污染物排放的比例接近75%[11]，这意味着如果仅用种植业的生态效率来研究农业生态效率，估计结果与实际情况将产生较大偏差。第二，现有影响因素的相关研究通常以行政边界为基础，划分为不同的空间单元，假设每个区域单元都是相互独立的个体，忽视了各农业要素资源在区域间的交流和溢出[12]。而空间计量模型则假设各区域间存在空间相关性，考虑周边地区对研究区的影响，从而更贴近农业生产的现实，更加客观地揭示农业生态效率的内在因素。

基于以上分析，笔者以河南省为研究区，以广义农业为研究对象，基于104个区县面板数据集，采用super-SBM模型测算农业生态效率，并对其时空演化特征进行分析。其次，运用空间计量模型和地理探测器模型，从空间溢出效应和空间分层异质性两个视角分析各因素对农业生态效率的影响，以期为实现农业可持续发展以及相关政策的制定提供理论依据。

1 研究区概况、数据来源与研究方法

1.1 研究区概况

河南省位于黄河下游的中东部地区，大部分位于暖温带，属北亚热带向暖温带过渡的大陆性季风气候区，适宜多种农作物生长，是中国13个粮食主产区之一。2019年河南省总人口为9 640万人，农林牧渔业总产值为8 541.8亿元，农作物总播种面积为1 471.4万hm2，粮食总产量为6 695.4万t，均居中国前3位。因此，将河南省作为研究区，对其农业生态效率进行研究具有较强的代表性。2019年河南省农林牧渔业总产值中，种植业占比为64.1%，畜牧业占比为27.7%，因此，以种植业和畜牧业为重点测算河南省农业生态效率。

1.2 数据来源

统计数据来源于《河南统计年鉴》《中国县域统计年鉴》以及各区县政府相关部门公布的统计公报。行政区划、DEM、年均降雨量和年均气温均来源于中国科学院资源与环境科学数据中心(http:∥www.resdc.cn/)和国家气象科学数据共享服务平台(http:∥data.cma.cn/)网站。

1.3 研究方法

1.3.1指标体系

农业生态效率本质上是通过减少资源消耗和环境污染来获取尽可能多的农业产出。参考已有的投入产出指标汇总[13-14]，以广义农业为研究对象，结合河南省实际发展状况，从投入要素、期望产出要素和非期望产出要素3个方面构建河南省农业生态效率评价指标体系(表1)。投入变量包括土地、劳动力、机械、牲畜、化肥、农药、农膜，期望产出采用农林牧业总产值，非期望产出包括农业碳排放和农业面源污染排放。参考LIU等[15]的研究对农业碳排放和农业面源污染排放进行计算。其中，考虑到河南省畜牧业以生猪产业为主[16]，因此，牲畜投入数据以猪年底头数替代。

表1 农业生态效率投入产出指标

在解释变量的选取中，结合河南省农业发展实际情况，从农业发展潜力、农业产业结构和农业投入强度3个方面选取城镇化率、农民收入水平、农业资源禀赋、农业种植结构、化肥使用强度和农业机械密度6类主要影响因素进行考察(表2)。根据文献综述选取的影响因素中很可能存在多重共线性问题，采用方差膨胀因子进行多重共线性分析，发现所有变量的方差膨胀因子(VIF)值均小于5，表明变量之间不存在显著的多重共线性问题。

表2 农业生态效率解释变量和指标的描述

1.3.2考虑非期望产出的super-SBM模型

DEA是一种非参数前沿方法，长期以来一直被用作评估经济、能源、环境和生态效率的方法。但传统的DEA模型是基于投入比例减少或产出比例扩大，一方面，没有充分考虑输入或输出变量的松弛性问题，不能准确度量存在非期望产出时的效率值；另一方面，由于效率值具有截尾性，因而不宜采用空间计量模型对其影响因素进行分析[17]。而super-SBM模型可用于对此进行进一步修正，有效解决了上述问题[18]。因此，将农业碳排放和农业面源污染排放作为非期望产出，采用super-SBM模型测算河南省农业生态效率，公式如下：

(1)

six≥0,sky≥0,slz≥0,λj≥0,∀i,j,k,l。

式(1)中，ρ为农业生态效率；xi0，yk0，zl0分别表示投入要素、期望产出和非期望产出；six，sky，slz分别表示投入要素、期望产出和非期望产出的松弛变量；λj为强度变量。

1.3.3空间计量模型

常用的空间回归模型包括空间滞后模型(SLM)、空间误差模型(SEM)和空间杜宾模型(SDM)等。根据ELHORST[19]提出的空间面板计量模型的估计与检验框架，选择适合的空间面板模型与相应的固定效应。其中，空间面板杜宾模型表达式为

(2)

式(2)中，yit为i地区t年被解释变量观测值，即农业生态效率；xit为i地区t年解释变量观测值，即农业生态效率解释变量，包括城镇化率、农民收入水平、农业资源禀赋、农业种植结构、化肥使用强度和农业机械密度；β为因变量的空间滞后系数；γ为自变量的估计系数；α为自变量的空间溢出系数；Wij为N×N阶空间权重矩阵，表示地区i与j的空间关系，N取值为104，表示河南省104个区县；ui、vt分别为空间与时间固定效应；εit为服从独立分布的扰动项。当α=0，β≠0时，式(2)简化为空间滞后模型；当α+βγ=0时，式(2)简化为空间误差模型。为增加稳健性，以0-1邻接空间权重矩阵为基础进行分析，通过地理距离空间权重矩阵进行稳健性检验。其中，地理距离空间权重矩阵采用两地之间距离的反函数作为矩阵中的元素，具体公式参见文献[20]。其次，为消除异方差影响，在空间计量模型中对数据指标进行取对数处理。

1.3.4地理探测器

虽然在利用空间计量模型进行分析时加入了空间因素，但没有考虑到农业生态效率的空间分层异质性。地理探测器可以在一定程度上探测被解释变量的空间分层异质性及其驱动因子[21]。笔者主要利用因子探测器以及交互作用探测器，定量分析河南省农业生态效率时空变化的驱动因子以及因子之间的相互影响，具体公式参见文献[21]。

2 结果与分析

2.1 河南省农业投入产出及生态效率时序演化分析

对1995—2019年农业投入产出数据及采用super-SBM模型测算的农业生态效率进行可视化分析(图1)。

图1 1995—2019年河南省农业投入产出及生态效率变化趋势

就农业投入产出数据而言，土地投入、机械投入、牲畜投入、化肥投入、农药投入、农膜投入、农业产出、碳排放和农业面源污染排放总体均保持上升趋势，劳动投入呈下降趋势。这表明在农业现代化进程中，农业生产已由资源依赖(土地、劳动力)向物质依赖(技术、化肥)转变。这种转变带来了农业经济总量的倍数增长，并导致农业污染问题日益突出。2015年前后碳排放量和农业面源污染排放量由增到减，表明《到2020年化肥使用量零增长行动方案》等措施的实施，使得农业环境污染得到有效控制。农业生态效率整体呈阶梯型震荡下降变化趋势，从1995年的0.520 9下降到2019年的0.404 5，降幅为22.35%，表明河南省农业生态效率整体上仍处于较低水平。

2.2 农业生态效率空间格局分析

参考ZHANG等[22]的研究结果，将农业生态效率(p)划分为效率优秀(p≥1)、效率良好(0.8≤p<1)、效率中等(0.6≤p<0.8)、效率较低(0.4≤p<0.6)和效率最低(p<0.4)5个等级。以“五年计划”为研究阶段，采用ArcGIS软件绘制农业生态效率空间分布图(图2)。可以看出，河南省农业生态效率具有明显的空间分异特征。总体来看，研究期内河南省超过70%的地区处于效率较低或最低区。与“八五”时期相比，“十三五”时期效率等级降低的区县占比为38.46%，效率等级不变的区县占比为45.19%，效率等级提高的区县占比为16.35%，未来如何有效提高农业生态效率应是河南省农业相关部门关注的重点。其中，效率等级提高较多的县有淇县、安阳县、栾川县、商城县、卢氏县和新县，由各县国民经济和社会发展第十三个五年规划纲要可知，上述各县多以特色农业发展为主，如特色农业种植、旅游观光农业等，能有效推动农业生态效率的提高。从空间分布格局来看，农业生态效率较高的地区呈片状分布于河南省西部及南部地区，中部及东部多为生态效率较低的地区。

图2 河南省农业生态效率空间分布

2.3 空间溢出效应

2.3.1空间自相关检验

采用Stata 16软件计算1995—2019年农业生态效率全局莫兰指数，结果见表3。表3显示，除2000年外，其他年份河南省农业生态效率Moran′sI均显著为正，表明河南省农业生态效率存在显著的正向空间自相关性。2000年全局空间自相关不显著的原因，可能是因为存在局部地区空间自相关，或者是正、负向空间自相关相互抵消，导致全局空间自相关只是在统计上不显著。

表3 河南省农业生态效率的 Moran′s I 值

2.3.2空间面板计量模型检验与选择

鉴于空间计量模型具有不同的形式，借鉴前人研究结果[19]，采用Stata 16进行LM检验、Wald检验和LR检验，结果见表4。

由表4可知，除R-LM误差没有通过显著性检验外，其余LM检验和R-LM检验结果在1%显著性水平上拒绝原假设，表明模型同时存在空间滞后项及空间误差项。LR检验和Wald检验结果在1%显著性水平上拒绝原假设，表明空间杜宾模型不能简化为空间滞后模型和空间误差模型，即空间杜宾模型对河南省农业生态影响因素的模拟最优。同时，Hausman检验结果显示在1%显著性水平上拒绝随机效应的原假设。所以，选用空间杜宾模型的固定效应模型进行分析，回归结果见表5。依据表5中3种固定效应模型的对数似然值(log-likelihood)和离散度(σ2)，可以看出时空双固定形式下的空间杜宾模型拟合程度明显优于时间固定、空间固定形式下的空间杜宾模型。因此，最终选择时空双固定效应下的空间杜宾模型作为最终的分析模型。

表4 空间计量模型相关检验结果

表5 不同效应下空间杜宾模型的回归结果

2.3.3空间效应分解分析

LESAGE等[23]研究发现空间计量模型回归系数不能有效反映解释变量对因变量的影响程度，并提出采用偏微分法将溢出效应分解为直接效应、间接效应和总效应，结果见表6。

由表6可知：(1)城镇化率对农业生态效率起负向作用。直接效应和间接效应显著为负，表明城镇化水平提高对该地区及邻接地区农业生态效率均起抑制作用。这是因为城镇化使得农村大量高素质劳动力流向城市，导致留在农村的剩余劳动力人员素质较低，农业经营方式较为粗放，生产效率低下[24]。同时城镇化带来的耕地非农化，导致耕地面积大量减少，耕地质量下降，这些影响均对该地区农业生态效率起抑制作用。同时，城镇化带来的“虹吸效应”也使得邻接地区农业生态效率受到负向影响。

表6 基于0-1邻接空间权重矩阵的河南省农业生态效率影响因素的直接效应、间接效应与总效应

(2)农村居民人均可支配收入对农业生态效率有着显著的正向作用。直接效应和间接效应显著为正，表明农民收入水平提升对该地区及邻接地区农业生态效率的增长均起促进作用。这主要是因为农民收入水平决定着农业资金、技术、劳动力等要素的投入程度[12]，其次收入水平的提高也使得农民有能力生产和销售价格更高的绿色农产品[25]，促使农业生态效率得到提升。同时，区域间经济要素的流动，也会带动邻接地区经济水平提升，改善农业生产条件有利于邻接地区农业生态效率的提高。

(3)劳均播种面积(农业资源禀赋)对农业生态效率正向作用显著。直接效应显著为正，表明耕地资源的提升对农业生态效率的增长起促进作用。提高劳均播种面积有利于促进农业生产方式进行集约化、规模化和机械化的变革[26]，这也与当前推进“规模化经营”的观点一致。间接效应未通过显著检验，这可能是因为河南省农业耕地开发已基本完成[27]，不具备显著的空间溢出效应。

(4)种植结构对农业生态效率起正向作用。直接效应显著为正，间接效应未通过显著检验，说明该地区经济作物种植面积增加，不利于农业生态效率的提高。这是因为尽管相对于粮食作物而言，经济作物能够有效提高农户收入，但生产过程中的化学品投入量普遍高于粮食作物[28]，增加农业面源污染排放量，不利于农业生态效率的提高。

(5)化肥使用强度对农业生态效率有着显著的负向作用。直接效应未通过显著检验，间接效应显著为负，表明化肥使用强度提高对邻接地区农业生态效率起负向作用。这是因为化肥使用强度增高会增加农业面源污染排放量，在水循环的驱动下，邻接地区农业面源污染加剧[27]，对农业生态效率产生负向影响。目前，河南省化肥使用强度远高于国际公认的225 kg·hm-2的安全上限[29]，如何提高化肥利用率和进行科学有效施肥是治理化肥污染的关键。

(6)农业机械密度对农业生态效率负向作用显著。直接效应和间接效应均显著为负，表明农业机械密度的提高对该地区和邻接地区农业生态效率的增长均起抑制作用。农业机械化程度的增长有利于提高劳动生产率，节约劳动力成本，但也会造成大量碳排放等非期望产出[30]，不利于农业生态效率的提升。并且，由于农业机械跨区域作业的普及，加速了区域间机械要素的交流[31]，该地区农业机械密度的提升对邻接地区农业生态效率也会产生不利影响。

2.3.4稳健性检验

为确保上述实证结果的可靠性，利用地理距离权重矩阵对模型进行稳健性检验。基于地理距离权重矩阵的时空固定效应SDM模型下的直接效应、间接效应和总效应见表7。与0-1邻接空间权重矩阵相比，基于地理距离权重矩阵的各效应回归系数和显著性变动较小，表明笔者研究结果具有稳健性。

表7 基于地理距离权重矩阵的河南省农业生态效率影响因素的直接效应、间接效应与总效应

2.4 基于地理探测器的农业生态效率各影响因素分析

考虑到农业生态效率具有显著的空间分层异质性，需要采用地理探测器模型进行分析。选择1995、2007和2019年农业生态效率数据进行分析探测，包含城镇化率(X1)、农村居民人均可支配收入(X2)、劳均耕地面积(X3)、种植结构(X4)、化肥使用强度(X5)和农业机械密度(X6)6个探测因子，采用SPSS 21软件对影响因素进行离散化处理。然后将上述分类数据与农业生态效率值导入地理探测器模型，得出各探测因子对农业生态效率的影响力(表8)。

表8 1995、2007和2019年探测因子作用强度q的变化趋势

通过因子探测发现各年份农业生态效率的影响因素存在明显差异，1995年影响较大的因素是城镇化率、劳均耕地面积和农业机械密度，2007年影响较大的因素是种植结构、化肥使用强度和劳均耕地面积，2019年影响较大的因素是化肥使用强度、城镇化率和农村居民人均可支配收入。可以看出，随着农业生产的发展，生态效率的高作用影响因子由农业资源要素向社会经济要素转变。通过因子交互探测发现，研究时限内影响因子经交互作用后均呈非线性增强，表明河南省农业生态效率时空分异格局的形成是驱动因子共同作用的结果。

3 讨论与结论

笔者探讨了河南省农业生态效率的时空变化及其影响因素。尽管已有学者对此开展了相关研究[32-33]，但笔者研究仍有一些创新之处。首先利用super-SBM模型，探讨了河南省104个区县农业生态效率的时空分布格局。其次，选择广义农业作为研究对象，与传统的狭义农业[15]相比，结果更趋于真实和准确。最后，结合空间杜宾模型，考察了各影响因素对农业生产效率的直接效应和间接效应。此外，还运用地理探测器模型对其空间分层异质性进行探讨，以期为相关农区制定提高生态效率的政策提供理论支持。

通过对农业生态效率投入产出要素的分析，发现农业期望产出和非期望产出同步增长，投入要素变化略有不同，除劳动投入呈下降趋势外，其余投入要素均呈上升态势，这与LIU等[3]的研究结果一致，表明农业生产逐渐由劳力投入向机械投入转变。super-SBM模型测算结果显示，研究期内河南省农业生态效率呈阶梯型震荡下降变化趋势，且与发达国家相比[14]，农业生态效率仍处于较低水平，表明河南省农业现代化仍面临着艰巨任务，急需加快传统农业向资源节约、环境友好的“两型”农业转变。

空间计量模型分析表明，潜在的影响因素对农业生态效率具有空间溢出效应。具体而言，农民收入水平、劳均播种面积和种植结构对该地区农业生态效率存在显著正向直接效应，城镇化率和农业机械密度对该地区农业生态效率存在显著负向直接效应，农民收入水平对邻接地区农业生态效率存在显著正向空间溢出效应，城镇化率、化肥使用强度和农业机械密度对邻接地区农业生态效率存在显著负向空间溢出效应。上述结果与侯孟阳等[9]、LI等[34]的研究结果一致。采用地理探测器模型解释了农业生态效率空间异质性问题，证明了农业生态效率时空分异是受自然、社会、经济等多方面综合影响的复杂问题，并发现农业生态效率的高作用影响因子由农业资源要素向社会经济要素转变。

在全球一体化、全球气候变化以及我国推动农业现代化、实现乡村振兴战略的背景下，提高农业生态效率，是实现“两型”农业的必由之路。在笔者研究的基础上，建议农业政策的制定应避免落入“逐利陷阱”，各区域间应加强资源要素的交流与协作，以发挥各要素的空间溢出效应。由于空间分层异质性的存在，建议相关部门重视社会经济要素对农业生态效率的影响，其次，各地区应根据自身禀赋，发挥地区优势，形成特色农业产业体系。同时，农业部门也应深化农业供给侧结构性改革以提高农业供给的质量和效率。然而，该文仍具有一定的局限性，在投入指标的选取中考虑到数据的可获取性，未增加农业用水、资金投入等数据，今后随着统计数据的完善，应不断拓展指标体系，以增强研究的指导价值。