长江经济带粮食生态全要素生产率的时空特征*

田红宇,刘 行,苏治豪

(三峡大学经济与管理学院 宜昌 443002)

2021 年3 月,我国首部流域法律《中华人民共和国长江保护法》正式实施,为了保护和修复长江流域生态环境,合理高效利用长江流域资源,长江保护法坚持生态优先、生态发展的战略定位,推动长江流域经济社会发展全面生态转型。长江经济带自然条件优越,区域内有江淮地区、太湖平原、鄱阳湖平原、洞庭湖平原、江汉平原和成都平原,耕地面积约占全国1/3,农业是长江经济带的重要支撑系统,粮食产量占全国37%以上[1-3]。但在耕地面积逐渐缩减、劳动力日益外流的现实背景下,粮食稳产增产依靠化肥、农药、农用机械等现代粮食生产要素的投入,造成了土壤肥力下降与耕地资源破坏[4-5]。在长江经济带被定位为我国生态文明建设先行示范带的新时期,准确测度其粮食生态全要素生产率并考察其时空动态特征至关重要。

粮食全要素生产率是事关粮食稳产增产尤其是保障粮食安全的关键,一直是学界研究的重点领域。早期关于粮食全要素生产率指标体系构建中,大多只强调粮食产量、收益等“好”的产出;后来,学者们发现粮食生产并不仅仅只有经济产出,还带来了农药和化肥流失、农业碳排放等一系列环境污染问题,导致农业资源紧缺、环境污染严重、生态系统退化等现象愈发严重。环境污染具有负的外部性给社会带来了一定福利损失。后续粮食全要素生产率的测算研究时,学者们开始将粮食生产中的资源节约、环境污染因素等相关变量纳入测算体系。产出指标中包含非期望产出,则表明是考虑环境污染的绿色全要素生产率。主流文献多基于环境污染、土壤侵蚀和退化、农业能源消耗等选择非期望产出指标,并将其纳入农业生产效率测度中,这考虑了农业生产带来的大气污染、地表地下水污染、土壤污染、自然景观破坏等负的外部效应以及化肥流失量和杀虫剂作为“坏”的产出变量[6-9]。例如,部分学者将农业面源污染作为非期望产出纳入测算体系[10-11],另一部分学者将农业碳排放作为非期望产出[12-13]。也有学者综合考虑农业碳排放和面源污染,用以测算农业绿色全要素生产率增长率[14]。大多数研究采用的投入变量为劳动力、土地、机械动力、化肥、农药和农膜等[15-16],还有部分研究将种子、饲料、牲畜等作为投入变量,投入变量更加丰富全面[17-18]。总的来说,现有关于测算粮食全要素生产率的研究,已就投入产出指标选择总体达成共识,但是笔者认为对粮食生产的期望产出大多仅考虑粮食产品的经济价值,低估了粮食种植过程中所产生的生态价值。

近年来,随着生态全要素生产率概念的提出,部分学者逐渐将生态因素纳入绿色全要素生产率测算体系中,构建基于生态价值最大化的生态全要素生产率测算模型[19-20]。虽然有研究已开始关注生态全要素生产率,但其在粮食生产领域应用的研究极其匮乏。周应恒等[21]将粮食种植生态价值作为期望产出,运用Global Malmquist-Luenberger (GML)和超效率Slacks-Based Measure (SBM)模型,测算1997—2019 年中国粮食绿色全要素生产率。李自强等[22]以粮食种植生态价值和粮食产量为期望产出,以粮食面源污染和碳排放为非期望产出,采取GML 指数测算出粮食生态全要素生产率。然而,随着生态脆弱性已经成为制约农业生产的重要因素,如何在保障粮食安全底线的同时最大程度地守住生态“红线”,就成为新时代建设农业强国的关键。因此,我们尝试把面源污染、农业碳排放等“坏”产出考虑在测算粮食生态全要素生产率的同时,同样也把其生态价值对等地考虑,以期更加客观科学地考察长江经济带粮食生产效率。

随着全要素生产率测算理论和技术手段不断完善,探求其增长的影响因素成为该领域另一个主流研究方向。比如,Jorgenson 等[23]指出产出增长源于投入增长、技术进步、能力提升、知识增加等的贡献,且明确指出技术进步、技术效率和规模效率合成了全要素生产率。Hulten 等[24]指出产出增长除了由投入和技术促进外,还应当考虑其他的影响因素。然而,就生态全要素生产率增长影响因素的研究还明显不足,无法准确识别生态全要素生产率的变动特征尤其是其背后的促进动因。

总体而言,现有研究对全要素生产率的测算方法、指标体系构建等做了大量有益探索,为本文研究提供了较好的基础。然而,已有研究在测算绿色全要素生产率时,鲜有文献将产出价值、生态价值和非期望产出价值同时纳入指标体系。粮食生态全要素生产率侧重生态全要素生产率在粮食生产领域的运用,考虑到粮食生产过程中所使用的农资要素会产生氮、磷和化学需氧量排放以及杀虫剂流失、水土流失等问题,另外粮食种植过程中会产生生态价值,为既考虑环境污染代价又考虑其创造的生态价值提供了可能。因此,本研究以长江经济带为例,将粮食生产过程中所产生的碳排放以及面源污染作为非期望产出,将粮食总产量和粮食种植生态价值作为期望产出测算粮食生态全要素生产率,并进一步基于效率指标分解来揭示其变动的深层次因素。

1 长江经济带粮食生态全要素生产率测算和数据来源

1.1 粮食生态全要素生产率测算方法

1.1.1 超效率Slacks-Based Measure (SBM)模型

采用Tone[25]提出的基于非期望产出的超效率SBM 模型测算长江经济带粮食生态生产效率。与传统的数据包络分析方法相比,超效率SBM 模型不仅能解决投入产出的松弛性问题,还能对处于有效前沿面的输入与输出的决策单元(DUM)做进一步比较;同时,在针对多要素投入和多产出方面具有传统数据包络分析方法不可比拟的优势,模型构建如下:

式中:m、q1和q2分别为投入、期望产出和非期望产出变量的个数,j、k为决策单元代码,i为投入要素序号,r为期望产出序号,t为非期望产出序号,s−和sb−分别为投入和非期望产出的冗余量,x为投入值,s+为期望产出的松弛量,y为期望产出值,b为非期望产出值,λ为各决策单元的权重向量。ρ为粮食生态全要素生产率,若ρ≥1,说明被评价单位充分有效;若ρ＜1,说明被评价单元存在效率损失,需要通过优化投入量、期望产出及非期望产出量来改善长江经济带粮食生态全要素生产率。

1.1.2 全局Malmquist-Luenberger (GML)指数模型

粮食生产是一个持续的过程,而超效率SBM 模型只能对决策单元间进行对比,无法反映粮食生态全要素生产率在时间维度上的变化趋势。非期望产出的Malmquist-Luenberger 全要素生产率指数常用来衡量效率的动态变化,但不具备传递性。Oh[26]提出GML 指数模型,以所有样本时期作为生产前沿面为参照来构建GML 指数克服了这些问题。因此,采用GML 指数法对粮食生态全要素生产率动态演化进行进一步分析。具体如下:

式中: GML 指数可分解为综合技术效率变化(GEC)和技术进步(GTC)两部分,分解公式如下:

其中:

1.2 指标选择与数据来源

1.2.1 粮食投入指标

选取7 类粮食生产投入指标: 劳动力投入、土地投入、机械动力投入、化肥投入、农药投入、农膜投入和水资源投入(表1)。由于当前没有粮食生产的各种要素总量统计数据,为了保证投入要素指标与粮食产量统计口径一致,借鉴马文杰[27]的方法,通过权重系数将粮食生产投入要素从广义粮食数据中剥离出来。权重系数分两种: 1)粮食播种面积/农作物播种总面积,2) (粮食产值/农林牧渔总产值)×(粮食播种面积/农作物播种总面积)。

表1 粮食生态全要素生产率评价指标体系Table 1 Indicator system for evaluating the ecological total factor productivity of grain

1.2.2 粮食产出指标

1)期望产出

在统计含义上,按作物分为谷物、豆类和薯类。其中,谷物主要包括水稻(Oryza sativa)、小麦(Triticum aestivum)、玉米(Zea mays)等。故选取5 类粮食,包含水稻、玉米、小麦、豆类、薯类。

粮食种植生态价值: 耕地不仅能保障粮食作物和经济作物的生产,还能在粮食种植过程中发挥气体调节、气候调节、水文调节、废物处理、保持土壤、维持生物多样性和提供美学景观等生态服务,进而维护耕地生态系统平衡,产生生态价值。采用生态系统服务价值评价法(ESV)对粮食种植生态价值进行测算,参照Costanza 等[28]的当量因子法和谢高地等[29]的耕地生态价值评价系数(当量因子气体调节为0.50、气候调节为0.89、水文调节为0.60、废物处理为1.64、保持土壤为1.46、维持生物多样性为0.71、提供美学景观为0.01),并结合长江经济带各区域农田生态系统生物量因子修正系数(江苏省为1.74、浙江省为1.79、安徽省为1.17、江西省为1.51、湖北省为1.27、湖南省为1.95、四川省为1.35、贵州省为0.63、云南省为0.64),计算长江经济带各区域耕地在粮食种植过程中所产生的生态价值,详见式(7)。

式中:E为粮食种植过程中产生的生态服务价值;er为粮食种植的第r种生态系统服务价值的当量因子,r=1,2,…,7,分别为粮食种植所带来的气体调节、水文调节、气候调节、废物处理、生物多样性、保持土壤、美学景观7 种生态系统服务功能;S为各地区的粮食播种面积;t为研究年份;P为以2011 年为基期的粮食单产可比价格;C为区域修正系数。

2)非期望产出

碳排放: 参考已有研究[30],考虑粮食种植过程中直接或间接碳排放主要来源于6 个方面(表1)。一是化肥生产和使用过程中所导致的粮食直接或间接的碳排放;二是农药生产和使用过程中所导致的碳排放;三是农膜生产和使用过程中所引起的碳排放;四是灌溉过程中电能利用间接耗费化石燃料所形成的碳释放;五是土壤翻耕导致有机碳流失所形成的碳排放;六是由于粮食机械运用而直接或间接消耗化石燃料所产生的碳排放。其中碳排放量的测算公式为:

式中:C为粮食碳排放总量,Ci为第i种类型碳源的碳排放量,Ti为第i种类型碳源的使用量,δi为第i种类型碳源的碳排放系数。各类碳排放源的排放系数见表2。

表2 粮食生产中各类碳源的自碳排放系数Table 2 Carbon emission coefficients for various carbon sources in food production

面源污染: 主要来自化肥氮磷流失、农药无效使用和农膜残留等。采用“单元调查评估法”进行核算[32],其中相关系数主要参考《第一次全国污染普查: 肥料流失、农药流失、地膜残留系数手册》,并结合文献对比所得,同时在核算过程中尽可能考虑地域差异因素的影响而对系数进行补充、调整及修正。

1.2.3 数据来源

为测算长江经济带粮食生态全要素生产率,根据长江经济带粮食发展现状和地级市数据的可获得性,构建了2011—2020 年长江经济带110 个地级市的投入产出面板数据。指标体系的基础性数据主要来源于《中国农村统计年鉴》《中国区域统计年鉴》、地方历年统计年鉴和统计公报、国家统计局网站以及Express Professional Superior 数据平台(EPS 数据库),缺失的部分数据采用线性插值法进行补充。

2 结果与分析

2.1 基于整体层面长江经济带粮食生态全要素生产率增长时空特征

2.1.1 粮食生态全要素生产率的时间动态特征

表3 为2012—2020 年长江经济带粮食生态全要素生产率增长情况。可以发现,粮食生态全要素生产率平均值为1.0098,大于1,即粮食生态全要素生产率年均增长0.98%,长江经济带粮食处于持续发展的状态。综合技术效率均值为0.9998,小于1,而技术进步指数均值大于1 (1.0273)。这表明长江经济带粮食生态全要素增长源于技术进步,其年均贡献率为2.73%。而综合技术效率在一定程度上制约了长江经济带粮食生态全要素生产率的提升。可见长江经济带粮食发展是由技术进步诱导的。

表3 2012—2020 年长江经济带粮食生态全要素生产率的变化情况Table 3 Changes in ecological total factor productivity of grain in the Yangtze River Economic Belt from 2012 to 2020

以2011 年为基期,其粮食生态全要素生产率设定为1。从表3 可以看出,只有2012 年、2016 年和2018 年的粮食生态全要素生产率小于1,相比前一年分别下降0.48%、5.57%、1.88%,粮食发展处于衰退状态;其余年份都大于1,即在其余年份长江经济带粮食的发展情况在不断改善。样本期间内,长江经济带粮食生态全要素生产率增长最快的年份是2019 年,增幅达到6.93%。长江经济带粮食综合技术效率仅在2013 年、2014 年和2016 年大于1,表明相比前一年粮食综合技术效率进步了。而在其余年份都小于1,表明其粮食综合技术效率相比前一年有所退步。2016 年综合技术效率达到最高,为1.0688,表明相比2011 年粮食综合技术效率对粮食生态全要素生产率的影响提升了6.88%;2018 年综合技术效率最低,为0.9631,表明2018 年粮食综合技术效率相对于上一年处于退步状态。整体来看,研究期内综合技术效率并不是粮食生态全要素生产率改进的主要动力来源。技术进步指数除在2016 年小于1,其余年份都大于1。这表明技术进步在2016 年出现了退步,尽管2016 年粮食综合技术效率实现了增长,但由于粮食综合技术效率增长幅度小于技术进步的退步幅度,致使2016 年粮食生态全要素生产率相比前一年处于退步状态,且是所有年份中退步最多的。然而,在其余年份技术进步指数均大于1,这样就整个样本期来说,技术进步是长江经济带粮食生态全要素生产率增长的主要动力来源。

以2011 年为基期,其粮食生态全要素生产率设定为1。从表3 可以发现,累积的粮食生态全要素生产率[33]变化经历了“平稳起伏—波浪增长”的变化轨迹，分别对应着2012—2015 年和2016—2020 年两个时间段。累积的中国粮食生态全要素生产率在2020 年达到整个样本期间的最高值,为1.0890,比2011 年提高8.9%;2016 年累积粮食生态全要素生产率达到最低,仅为0.9815,比2011 年降低1.85%。综合技术效率累积在样本期呈现倒“U 型”的变化轨迹,在2020 年最低,为0.9949。技术进步累积和粮食生态全要素生产率累积的波动同步,也经历了“平稳起伏-加速增长”。2020 年也是其达到最高点的年份,最高值为1.2622,表明相比2011 年的技术进步水平,2020 年提高26.22%。

2.1.2 粮食生态全要素生产率的空间分布特征

运用ArcGIS 10.7 对2012—2020 年的粮食生态全要素生产率空间分布作图,显示长江经济带粮食生态全要素生产率空间动态演变情况。由图1 可知,从空间上看,粮食生态全要素生产率均小于1 的地区主要位于长江经济带上游的云南省西南部、贵州省西北部和四川省东北部,中游的湖北省、湖南省中西部和江西省东北部,下游的安徽省西北部和东南部、浙江省中部和江苏省西南部;从时间上看,粮食生态全要素生产率均小于1 的区域总体呈减少趋势,其中,2019 年粮食生态全要素生产率均小于1 的地区最少,主要分布于长江经济带中游的湖北省东部和江西省东北部。整体上来看,2012 年到2020 年长江经济带各地级市的粮食生态全要素生产率改善的趋势明显。

图1 2012—2020 年长江经济带粮食生态全要素生产率演变的空间格局Fig.1 Spatial pattern of evolution of ecological total factor productivity of grain in the Yangtze River Economic Belt from 2012 to 2020

由图2 和图3 可知,整体上来看,2012—2020 年长江经济带各地级市粮食综合技术效率的空间格局的变化趋势无明显规律,但粮食技术进步改善趋势明显,说明整体空间格局的技术进步作用在不断改善。

图2 2012—2020 年长江经济带粮食综合技术效率演变的空间格局Fig.2 Spatial pattern of evolution of comprehensive technical efficiency of grain in the Yangtze River Economic Belt from 2012 to 2020

图3 2012—2020 年长江经济带粮食技术进步演变的空间格局Fig.3 Spatial pattern of evolution of grain technology progress in the Yangtze River Economic Belt from 2012 to 2020

2.2 基于区域层面长江经济带粮食生态全要素生产率时空特征分析

按照长江经济带上中下游的区域划分方法,对粮食生态全要素生产率变化及其分解项进行比较。从表4 可知,样本期间内上游地区的粮食生态全要素生产率平均最高(1.0189),其次是中游地区(1.0111),下游地区最低(1.0014),均延时间呈现大致递增的趋势。从增长源泉看,粮食技术进步是拉动上中下游地区粮食生态全要素生产率的主要动力,上中下游的技术进步指数分别为1.0325、1.0298 和1.0208。粮食综合技术效率在中游地区、下游地区以及长江经济带来说都制约着粮食生态全要素生产率的提高,其指数分别为0.9945、0.9967 和0.9998,但对上游地区有微小的促进作用,其值为1.0100。

表4 2012—2020 年长江经济带粮食生态全要素生产率变化趋势及其分解项变化Table 4 Trends in ecological total factor productivity of grain and its decomposition terms in the Yangtze River Economic Belt from 2012 to 2020

2.2.1 上游地区粮食生态全要素生产率变化趋势

如表4 所示,除2013 年、2015 年、2016 年和2018 年以外的其他年份上游地区粮食生态全要素生产率都大于1,即上游地区粮食生态全要素生产率保持着良好的递增状态。尤其是在2019 年和2020 年,粮食生态全要素生产率达到1.0966 和1.0428,这两年粮食生态全要素生产率相对2011 年增速达到9.66%和4.28%。处于下降年份的2013 年、2015 年、2016 年和2018 年粮食生态全要素生产率分别为0.9918、0.9988、0.9889 和0.9994,这些年份相比前一年粮食生态全要素生产率分别下降2.29%、1.28%、0.99%和2.50%。对于粮食综合技术效率而言,样本周期内上游地区有5 个年份粮食技术效率处于退步的状态,分别是2014 年、2015 年、2018 年、2019年和2020 年,其余年份的粮食技术效率处于递增状态,粮食综合技术效率在上游整个样本期间内处于递增状态。上游地区粮食技术进步指数在2013 年和2016 年以外的年份都大于1,其在大多数年份处于提升的状态,对粮食生态全要素生产率起着促进作用;其中在2019 年提升的速度最大,相比2011 年增速达16.53%;在2016 年下降的幅度最大,相比2011 年降低了6.68%。

2.2.2 中游地区粮食生态全要素生产率变化趋势

通过表4 可知,中游地区除2012 年、2014 年和2016 年以外的其他年份的粮食生态全要素生产率都大于1,这表明中游地区粮食生态全要素生产率保持着良好的递增状态;尤其是在2019 年,粮食生态全要素生产率达到1.0580,相比2011 年增速达5.80%;处于下降的2012 年、2014 年和2016 年的粮食生态全要素生产率分别为0.9837、0.9953 和0.9640,这些年份相比前一年粮食生态全要素生产率分别下降了1.63%、3.82%和6.89%。对于粮食综合技术效率而言,样本周期内2012 年、2014 年、2017 年、2018 年、2019 年和2020 年处于退步的状态,其余年份处于递增状态,粮食综合技术效率在中游整个样本期间内处于退步的状态。粮食技术进步指数在2016 年以外的年份都大于1,可见粮食技术进步在绝大多数年份处于提升状态,对粮食生态全要素生产率起着促进作用。其中2018 年的粮食技术效率最高,为1.0874;2017 年相比前一年的增速最大,达到18.38%;2016年下降的幅度最大,比2015 年降低了11.85%。

2.2.3 下游地区粮食生态全要素生产率变化趋势

从表4 可知,下游地区2012 年、2013 年、2014 年、2016 年和2018 年粮食生态全要素生产率小于1,表明这些年份的生态全要素生产率较上一年有所退步。尤其是2013 年和2016 年,粮食生态全要素生产率仅为0.9795 和0.9453,下降的速度达1.10%和7.58%。样本周期内粮食综合技术效率在2013 年、2018 年、2019 年和2020 年处于退步状态,其余年份处于增长状态,粮食综合技术效率在下游整个样本期内处于退步状态。粮食技术进步指数在2012 年、2014 年和2016 年以外的年份都大于1,可见其在大多数年份处于提升状态,对粮食生态全要素生产率起促进作用;2019 年数值最高,达1.0687,比2018 年增加3.65%;2017 年增幅最大,比2016 年增加11.18%;2016 年下降幅度最大,比2015 年降低10.31%。

3 结论与政策启示

通过对2011—2020 年长江经济带110 个地级市的粮食碳排放、面源污染和粮食种植生态价值进行测算,粮食生态全要素生产率的投入产出指标体系的构建,运用超效率SBM 模型和全局Malmquist-Luenberger 全要素生产指数测度长江经济带粮食生态全要素生产率,同时对2012—2020 年粮食生态全要素生产率进行时空特征分析。研究发现: 1) 2012—2020 年期间长江经济带粮食生态全要素生产率年均增长0.98%,处于持续发展的状态。综合技术效率指数为0.9998,小于1,而技术进步指数大于1,为1.0273。这说明长江经济带粮食生态全要素增长源泉为技术进步,其年均贡献率为2.73%。而综合技术效率在一定程度上制约了长江经济带粮食生态全要素生产率的提升。2)从时空特征来看,2012—2020年长江经济带各地级市的粮食生态全要素生产率改善的趋势明显,呈动态增长趋势。粮食综合技术效率的空间格局变化无明显规律,但各地级市的粮食技术进步改善趋势明显。3)在样本期间内上游地区的粮食生态全要素生产率指数平均最高(1.0189),然后是中游地区(1.0111),最后是下游地区(1.0014),3个区域的粮食全要素生产率都处于递增的状态。

由此,得到如下政策启示:

第一,重视综合技术效率提高对长江经济带粮食生态全要素生产率的重要作用。长江经济带粮食生态生产中综合技术效率还有较大的提升空间。一方面,加强农户粮食生产技术培训,促进种粮农户间土地流转,引导粮农适度规模经营,以提高土地资源利用率,改善粮食生态生产技术效率;另一方面,加强相关农业政策对粮食生产的支持力度,提高农户种粮积极性,加快高标准农田建设,提升粮食生产机械化率,提高粮食生态生产技术水平。

第二,重视技术进步对长江经济带粮食生态全要素生产率的重要作用。研究期内长江经济带各地级市的技术进步对粮食生态全要素生产率改善作用明显,应持续重视“藏粮于技”发展战略,遵循农业科技发展规律,加大农业生产的技术投入力度,攻克农业中“卡脖子”技术,实现农业技术突破,深化种业振兴,提高粮食生产中资源利用技术、资源配置技术和农业绿色发展技术等。

第三,因地制宜提高长江经济带粮食生态全要素生产率。长江经济带上游地区山草林地较多,结合退耕还林等建设,持续发展生态粮食种植,提高粮食生态全要素生产率。中游地区耕地资源较为丰富,应进一步提高农业机械化水平,完善土地流转制度,促进发展适度规模农业,加快建设高标准农田,从而提高粮食生态全要素生产率。下游地区资本、技术、人才等生产要素聚集,应加强农业推广,引导资本、技术和人才流向粮食生产领域,同时提高农业生产科技水平,进而提高粮食生态全要素生产率。