Comparison of matter production and the light and temperature resources utilization efficiencies of the main cropping systems for paddy fields in the Dongting Lake region
-
摘要: 合理的种植模式可实现作物生长需求和自然资源供给的匹配。比较研究洞庭湖区稻田主要种植模式, 可明确该区域优势种植模式, 为优化湖区资源配置和建立丰产高效种植模式提供理论依据。2016—2018年, 选取4种湖区稻田主要种植模式为研究对象, 分析不同模式的干物质生产效率和干物质产能、光温资源利用效率以及经济效益。4种模式中, 冬闲-中稻一熟制模式周年平均干物质生产效率和干物质产能、有效积温和光能分配率最低, 分别为18 330 kg∙hm−2和27.00 MJ∙m−2、70.0%和49.2%, 表明湖区冬闲-中稻一熟制模式光温资源利用不充分。而油菜-早稻-晚稻三熟制模式周年平均干物质生产效率和干物质产能最高, 分别为31 525 kg∙hm−2和48.22 MJ∙m−2, 但周年平均生育期为364.5 d, 2016—2017年周年有效积温和光能分配率分别达到102.5%和102.6%, 表明部分年份油菜-早稻-晚稻三熟制光温资源欠缺, 难以满足3季作物需求, 且三熟制经济效益最低, 两周年平均为8738元∙hm−2。冬闲-早稻-晚稻两熟制模式生长季集中于4月上旬至10月中下旬, 冬季温光资源浪费, 且周年经济效益平均为9009元∙hm−2, 仅为冬闲-中稻模式的75.3%, 油菜-中稻模式的62.3%。油菜-中稻两熟制模式全年时间平均利用率88.9%, 周年平均有效积温和光能分配率为86.6%和87.7%, 光温资源充足且利用率高, 周年经济效益最高, 为14 468元∙hm−2, 明显高于其他3种模式。油菜-中稻两熟制模式与其他3种模式综合比较, 可充分利用全年光温资源, 干物质生产效率和产能较高, 也是经济效益最高的种植模式, 适宜在洞庭湖区发展。Abstract: Reasonable cropping systems can match crop growth demand and natural resource supply. This comparison of the main cropping systems for paddy fields aims to identify the dominant cropping system in the Dongting Lake area and to provide a theoretical basis for optimizing resource allocation and the establishment of high-yield and high-efficiency planting patterns. From 2016 to 2018, four main cropping systems for paddy fields in the lake area were selected as research objects. The efficiency and energy of dry matter production, light and temperature resource utilization efficiencies, and the economic benefits of different patterns were analyzed. Among the four modes, the winter fallow-middle rice one-cropping system had the lowest year-round average efficiency and energy of dry matter production, and distribution rates of effective accumulated temperature and light energy distribution, which were 18.330 kg·hm−2 and 27.00 MJ·m−2, 70.0% and 49.2%, respectively, indicating that the winter fallow-middle rice system did not fully utilize the light and temperature resources and that the efficiency and energy of dry matter production were low. The oilseed rape-early rice-late rice triple-cropping system had the highest year-round average efficiency and energy of dry matter production, which were 31.525 kg·hm−2 and 48.22 MJ·m−2, respectively, but the year-round average growth period was 364.5 days. The distribution rates of year-round effective accumulated temperature and light energy from 2016 to 2017 reached 102.5% and 102.6%, respectively, indicating that the oilseed rape-early rice-late rice system lacked light and temperature resources and that it was difficult to meet the demands of the three crops. The triple-cropping system had the lowest net income, with an average of 8738 ¥∙hm–2 over two years. The growth season of the winter fallow-early rice-late rice system was concentrated from early April to mid-to-late October. In winter, temperature and light resources were wasted. The year-round average net income of the winter fallow-early rice-late rice system was 9009 ¥·hm−2, which was only 75.3% of the winter fallow-middle rice system and 62.3% of the oilseed rape-middle rice system. The time for oilseed rape-middle rice double-cropping system was available throughout the whole year, with an average utilization rate of 88.9%, and the year-round average distribution rates of effective accumulated temperature and light energy were 86.6% and 87.7%, respectively. The highest net income for oilseed rape-middle rice was 14 468 ¥·hm−2, which was obviously higher than that of the other three models. Compared to the other three models, the oilseed rape-middle rice two-cropping system could make full use of the light and temperature resources, and the efficiency and energy of dry matter production were higher. It was also the highest net income model and suitable for development in the Dongting Lake area.
-
2023年, 我国粮食产量连续九年稳定在6.5亿t以上, 粮食综合产能不断提升, 大国粮仓根基稳步夯实。在追求粮食产量增加的同时, 农业资源环境受到了外源性污染和内源性污染的双重压力。如何提升粮食生态效率、降低农业资源消耗和增加绿色产品供给, 成为学界关注的重要议题。粮食生态效率是一个融合了粮食生产效率和生态环保理念的重要概念, 它既要确保粮食产量稳定增加, 也要兼顾生态环境保护和资源利用的可持续性[1]。提高粮食生态效率, 意味着在相同的资源投入下, 能够获得更多粮食产出, 或者通过优化生产方式和技术创新, 减少资源投入同时保持粮食产量稳定。《“十四五”全国农业绿色发展规划》指出: “加强农业面源污染治理, 推进农业农村减排固碳, 改善农村生态环境, 让良好生态成为乡村振兴的支撑点”。在此背景下, 数字经济作为新一轮科技革命与产业变革过程中孕育而生的新经济形态, 能够通过技术进步赋能粮食产业绿色转型升级, 为粮食产业高质量发展筑牢生态屏障[2]。因此, 厘清数字经济与粮食生态效率之间的关系显得尤为重要。
目前, 粮食生态效率的研究主要集中在测算边界、测算方法和影响因素等方面。在测算边界研究方面, 大部分学者对于粮食生产投入要素和期望产出的界定内容大体相同, 其中投入指标主要包括土地、劳动力、机械和化肥等生产要素, 期望产出主要为粮食产量[3]。部分学者对于非期望产出的界定存在差异, 主要集中在碳排放和面源污染源两方面, 亦或兼而有之[4-5]。在测算方法研究方面, 早期学者主要采用随机前沿分析法(SFA)、数据包络分析法(DEA)等进行测度[6]。随机前沿分析法(SFA)只能处理单一产出问题, 难以考虑生态影响[7]; 数据包络分析法(DEA)没有考虑松弛变量对效率值的影响, 评价结果可能不准确或有偏差[8]。为克服上述缺陷, Tone[9]提出非径向、非角度的非期望产出SBM模型, 将负外部性产出纳入模型, 有效解决了投入产出的松弛问题, 并逐渐成为测度生态效率的主流方法。在粮食生态效率影响因素研究方面, 有学者认为城镇化水平[1]、农地流转[10]和财政支农[11]等因素对粮食生态效率具有显著影响。
关于数字经济对生态效率的影响效应研究主要聚焦于数字经济对流域生态效率[12]、工业生态效率[13]和农业生态效率等方面的影响。与本研究相近的文献探究了数字经济对农业生态效率的正向影响, 发现数字经济通过促进土地流转[10], 优化人力资本[14]和创新生产技术[15]等方式, 提高农业生态效率水平。然而, 农业包括种植业、林业、畜牧业和渔业等多个部门, 不同部门生态效率存在较大差异。现有文献为本研究提供了坚实基础, 但也存在进一步拓展的空间: 1)现有研究较多为城镇化、农地流转和财政支农等对粮食生态效率的影响, 未涉及数字经济这一关键变量; 2)部分现有研究分析了数字经济对农业生态效率的影响, 而对农业的某个具体部门, 尤其是对粮食生态效率的影响缺乏深入分析。上述研究的缺失, 使得数字经济对粮食生态效率的作用效果和传导机制尚不清楚, 难以科学解释二者之间的相关关系。
据此, 本文基于2013—2021年13个粮食主产区的面板数据, 分别构建数字经济与粮食生态效率的综合评价指标体系, 实证检验数字经济对粮食生态效率的直接效应、中介效应和门槛效应, 以期为我国粮食生产绿色转型升级提供借鉴思路, 为政府有关部门提高粮食生态效率提供决策参考。
1. 理论分析与研究假设
1.1 数字经济对粮食生态效率的直接效应
数字经济的高技术性和高融合性, 促进了粮食生态效率提高。按照诱致性技术变迁理论, 生产资源要素的相对价格和可选技术是农业生产经营者选择何种资源配置的关键动因[16]。1)技术扩散效应。通过运用物联网、人工智能等现代信息技术, 实现对农田、农机和农资等生产要素的智慧化管理和优化配置, 提高种植面积、单产水平和品质水平等指标, 持续发挥“数字经济+粮食生产”的“蒲公英效应”。2)资源优化效应。数字经济基于电子商务数据, 精准识别消费者对粮食种类、品质和数量的需求, 合理调整种植结构和安排化肥、农药、水资源等生产要素使用量, 提高资源利用效率。3)环境改善效应。数字经济依托新型数字技术在粮食生产“耕、种、管、收”环节, 注入数字、信息、知识等大量现代生产要素, 实现粮食生产精准管控, 及时对粮食生产过程中可能造成的环境污染和其他突发自然灾害事件进行预测, 降低粮食生产过程中的生态污染, 提高粮食生态效率。基于此, 提出以下假设:
H1: 数字经济能够提高粮食生态效率。
1.2 数字经济对粮食生态效率的影响机理
1.2.1 农地经营规模的中介作用
农地经营规模在数字经济对粮食生态效率影响的过程中可能发挥着重要的中介作用。规模经济理论认为, 适度的农地经营规模有利于农业生产经营者合理使用生产资源, 达到规模效应的目的[17]。该理论不仅适用于分析经济效应, 同样适用于分析生态效应。
具体来说, 一方面数字经济加快了农地流转速度。1)数字经济推动农村电商的兴起, 促进农村快递、包装、仓储等电商细分产业链发展, 增加农业生产经营者非农就业和自主创业的机会, 扩大其收入。2)数字经济突破地域限制, 促进农村劳动力向城镇转移, 农村土地资源要素开始由碎片化逐渐向规模化重组[18]。3)数字普惠金融通过提高粮食生产者金融服务的可得性, 降低金融交易成本等方式, 推动农地规模化经营。
另一方面, 农地经营规模增加有利于粮食生态效率提高。1)规模化粮食生产有利于将分散的种植地集中起来, 实现集中化、连片化和专业化生产, 并以市场需求为导向, 合理优化柴油、农药、化肥等生产要素结构, 实现生产要素集约化投入, 降低粮食生产成本; 2)规模化粮食生产有助于农业机械化水平的提高, 且规模经营主体更倾向于采用绿色和精细化的粮食生产设备代替传统高排放和高污染的粮食生产设备, 进而促进新一轮粮食绿色生产技术改革, 降低碳排放和面源污染源水平, 提高粮食生态效率[19]。基于此, 提出以下假设:
H2: 数字经济通过增加农地经营规模间接提高粮食生态效率。
1.2.2 农业社会化服务的中介作用
在小农户与现代农业接轨的背景下, 农业社会化服务在数字经济对粮食生态效率影响的过程中发挥着重要的中介作用。农业踏车理论认为[20], 新技术可以降低生产成本, 农户在社会化服务中发挥“干中学”效应, 并带动后来者进行技术采纳, 逐渐实现新技术普及, 如此往复的新技术引进, 有效推动了粮食生态效率提高。
具体来说, 一方面数字经济能够提高农业社会化服务。1)数字经济能够依托数字化、智能化与机械化为主的现代化手段, 为农业社会化服务组织赋能, 实现对粮食生产过程、生产环境和服务质量等环节的精准监测, 保障粮食数量和质量安全。2)数字经济作为一种新型经济形态, 推动传统农业与现代产业深入融合。数字建设带来开放的网络平台信息, 使信息传播不再具有时空局限性, 更加有效地促进了粮食产业各环节衔接, 缓解了产业链的信息不对称问题。
另一方面, 农业社会化服务能够促进粮食生态效率提高。1)农业社会化服务组织能够优化农业生产要素配置, 并通过提供新农技、新品种、农业保险等服务, 缓解农业生产过程中的资源约束, 提高粮食生态效率[21]。2)农业社会化服务组织向农业生产经营者提供配方施肥、科学用药和机械燃油等指导与培训, 弥补小农户人力资本不足的短板, 在提高粮食生态效率的前提下兼顾粮食质量[22]。基于此, 提出以下假设:
H3: 数字经济通过提高农业社会化服务间接提高粮食生态效率。
1.3 数字经济对粮食生态效率的门槛效应
已有研究表明, 数字经济具有“梅特卡夫定律” “摩尔定律”以及“规模报酬递增”的特点, 认为数字经济对粮食生态效率的影响可能存在非线性的特征[18]。此外, 现有学者认为财政支农力度能够显著促进粮食生态效率提升[23], 但也有学者持相反观点, 认为二者之间存在负相关关系[24], 还有学者认为财政支农力度对粮食生态效率影响存在门槛效应[25]。从理论上看, 当财政支农力度较低时, 各地乡村数字基础设施建设和信息平台发展不完善, 数字经济应用广度和深度有限, 对粮食生态效率的影响作用较小; 当财政支农力度较高时, 数字化基础设施逐渐完善, 促使传统粮食生产方式改变, 促进先进农业绿色技术推广应用, 进而降低农药、化肥和农膜等农资使用量, 加快农业绿色转型, 提高了粮食生态效率。因此, 数字经济对粮食生态效率的作用可能会受财政支农力度的影响, 二者之间可能存在门槛效应, 即不同财政支农力度下, 数字经济对粮食生态效率的影响具有非线性特征。基于此, 提出以下假设:
H4: 财政支农力度在数字经济对粮食生态效率的影响中发挥着门槛效应。
据此, 构建数字经济对粮食生态效率的理论分析框架(图1)。
![]()
图 1 数字经济对粮食生态效率的影响路径图Figure 1. Map of the impact of digital economy on grain eco-efficiency2. 研究方法
2.1 模型设计
2.1.1 粮食生态效率模型构建
借鉴王帅等[1]相关研究, 采用包含非期望产出的超效率SBM模型对粮食生态效率指标进行测算, 实现了非合意产出下对粮食生态效率的评价。其中, 效率测算模型如下:
$$ E=\mathrm{m}\mathrm{i}\mathrm{n}\dfrac{1+\dfrac{1}{m}{\displaystyle\sum }_{i=1}^{m}\dfrac{{s}_{i}^{x}}{{x}_{ik}}}{1-\dfrac{1}{{c}_{1}+{c}_{2}}\left[{\displaystyle\sum }_{\alpha =1}^{{c}_{1}}\dfrac{{s}_{\alpha }^{y}}{{y}_{\alpha k}}+{\displaystyle\sum }_{\beta =1}^{{c}_{2}}\dfrac{{s}_{\beta }^{b}}{{b}_{\beta k}}\right]} $$ (1) 效率测算模型系列约束条件的集合如下所示:
$$\left. \begin{gathered} {x}_{ik}\geqslant \sum _{j=1,j\ne k}^{n}{x}_{ij}{\gamma }_{j}-{s}_{i}^{x}\\ {y}_{\alpha k}\leqslant \sum _{j=1,j\ne k}^{n}{y}_{\alpha j}{\gamma }_{j}+{s}_{\alpha}^{y} \\ {b}_{\beta k}\geqslant \sum _{j=1,j\ne k}^{n}{b}_{\beta j}{\gamma }_{j}-{s}_{\beta }^{b} \\ 1-\dfrac{1}{{c}_{1}+{c}_{2}}\left[\sum _{\alpha =1}^{{c}_{1}}\dfrac{{s}_{\alpha }^{y}}{{y}_{\alpha k}}+\sum _{\beta =1}^{{c}_{2}}\dfrac{{s}_{\beta }^{b}}{{b}_{\beta k}}\right] > 0\\ {\gamma }_{j} > 0,j = 1,\mathrm{ }2,\cdots, n,j \ne k;{s}_{i}^{\mathrm{x}} \geqslant 0,\; i = 1,\mathrm{ }2,\cdots, m ;\\ {s}_{a}^{y}\geqslant 0,\alpha =1,\mathrm{ }2,\cdots, {c}_{1};{s}_{\beta }^{b}\geqslant 0, \; \beta =1,\mathrm{ }2,\cdots ,{c}_{2} \end{gathered}\right\} $$ (2) 式中: E为粮食生态效率值; m、c1和c2分别表示决策单元DUM中的投入要素、期望产出和非期望产出; i为第i个投入指标;
$ \alpha $ 、$ \beta $ 分别为第$ \alpha $ 、$ \beta $ 个期望和非期望产出指标;$ {S}_{i}^{x} $ 、$ {S}_{\alpha }^{y} $ 和$ {S}_{\beta }^{b} $ 分别为投入、期望和非期望产出的松弛变量; n表示决策单元数, n=13;$ {x}_{ik} $ 、$ {y}_{\alpha k} $ 和bβk分别为投入矩阵、期望产出矩阵和非期望产出矩阵的元素; k为当前效率计算的第k个决策单元; j为第j个决策单元; xij、$ {y}_{\alpha j} $ 和bβj分别为第j个决策单元第i个投入指标、期望产出$ \alpha $ 和非期望产出$ \beta $ 的数值;$ \gamma $ 为权重。2.1.2 基准回归模型
$$ {\mathrm{G}\mathrm{E}\mathrm{E}}_{it}={\alpha }_{0}+{\alpha }_{1}{\mathrm{D}\mathrm{I}\mathrm{G}}_{it}+{\alpha }_{2}{\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}}_{it}+{\mu }_{i}+{\varepsilon }_{i} $$ (3) 式中:
$ {\mathrm{G}\mathrm{E}\mathrm{E}}_{it}\mathrm{和}{\mathrm{D}\mathrm{I}\mathrm{G}}_{it} $ 分别为地区i在时间t的粮食生态效率水平和数字经济发展水平,$ {\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}}_{it} $ 为一系列的控制变量, α0为截距项, α1为核心解释变量的估计参数, α2为控制变量的估计参数,$ {\mu }_{i} $ 为地区i不随时间变化的个体固定效应,$ {\varepsilon }_{i} $ 为随机扰动项。2.1.3 中介效应模型
为了探究数字经济对粮食生态效率的影响机理,在模型(3)的基础上, 构建中介效应模型如下:
$$ {\mathrm{M}\mathrm{E}\mathrm{C}\mathrm{H}}_{it}={\beta }_{0}+{\beta }_{1}{\mathrm{D}\mathrm{I}\mathrm{G}}_{it}+{\beta }_{i}{\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}}_{it}+{\mu }_{i}+{\sigma }_{i} $$ (4) $$ {\mathrm{G}\mathrm{E}\mathrm{E}}_{it}={\varphi }_{0}+{\varphi }_{1}{\mathrm{D}\mathrm{I}\mathrm{G}}_{it}+{\varphi }_{2}{\mathrm{M}\mathrm{E}\mathrm{C}\mathrm{H}}_{it}+{\varphi }_{i}{\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}}_{it}+{\mu }_{i}+{\delta }_{i} $$ (5) 式中:
$ {\mathrm{M}\mathrm{E}\mathrm{C}\mathrm{H}}_{it} $ 为中介变量, 表示农地经营规模和农业社会化服务;${\beta }_{0} $ 和${\varphi }_{0} $ 为截距项;${\beta }_{1} $ 和${\varphi }_{1} $ 为核心解释变量的估计参数;${\varphi }_{2} $ 为中介变量的估计参数;${\beta }_{i} $ 和${\varphi }_{i} $ 为控制变量的估计参数;$ {\sigma }_{i} $ 和$ {\delta }_{i} $ 为随机扰动项。根据中介检验原理, 在
$ {\alpha }_{1} $ 、$ {\beta }_{1} $ 和$ {\varphi }_{2} $ 系数均显著的情形下, 若$ {\varphi }_{1} $ 不显著, 表示存在完全中介效应, 数字经济只能通过中介变量对粮食生态效率产生影响; 若$ {\varphi }_{1} $ 显著, 但相对于$ {\alpha }_{1} $ 有所下降, 说明存在部分中介效应, 数字经济既会直接影响粮食生态效率, 又会通过中介变量影响粮食生态效率。若$ {\alpha }_{1} $ 和$ {\beta }_{1} $ 均不显著, 则需要通过Bootstrap法进行检验。2.2 变量选择
2.2.1 被解释变量
粮食生态效率的测算兼顾了粮食生产过程中所产生的资源消耗、经济效益及生态损耗。借鉴王帅等[1]研究, 选取粮食总产量作为期望产出指标, 粮食面源污染源和粮食碳排放作为非期望产出指标, 投入指标包括劳动力、土地、机械动力、化肥、农药、农膜、灌溉和柴油使用量(表1)。其中, 非期望产出中粮食面污染源指标主要由化肥、农药和农膜的使用量分别乘以面源污染系数求和得到, 其系数分别为50%、75%和10%; 粮食碳排放指标主要由化肥、农药、农膜、灌溉和柴油使用量分别乘以碳排放系数求和得到, 其系数分别为4.9341 kg·kg−1、0.8956 kg·kg−1、0.5927 kg·kg−1、20.476 kg·hm−2和5.18 kg·kg−1。
表 1 粮食生态效率测算指标体系Table 1. Measuring index system of grain eco-efficiency指标体系
Index system具体指标
Specific index变量解释
Variable interpretation单位
Unit属性
Attribute投入指标
Input index劳动力投入 Labor input 第一产业从业人员数量×β Number of employees in the primary industry×β ×104 persons − 土地投入 Land input 粮食播种总面积 Total sown area of grain ×103 hm2 − 机械动力投入 Mechanical power input 机械总动力×β Total power of machinery×β 104 kW − 化肥投入 Fertilizer input 化肥折纯量×β Amount of pure fertilizer×β ×104 t − 农药投入 Pesticide input 农药施用量×β Pesticide application rate×β ×104 t − 农膜投入 Agricultural film input 农膜使用量×β Agricultural film usage×β ×104 t − 灌溉投入 Irrigation input 有效灌溉面积×β Effective irrigated area×β ×103 hm2 − 柴油使用量 Diesel usage 农用柴油×β Agricultural diesel oil×β ×104 t − 产出指标
Output index期望产出 Expected output 粮食总产量 Grain output ×104 t + 非期望产出 Unexpected output 粮食面污染源 Non-point pollution from grain production ×104 t − 粮食碳排放 Carbon emissions ×104 t − β=粮食播种面积/农作物播种面积。β=grain sown area / crop sown area. 2.2.2 核心解释变量
数字经济以数字资源和数字技术为关键要素, 推动农业生产技术和生产方式转型升级, 为实现乡村振兴战略提供强劲动能。借鉴黄庆华等[26]和苏锦旗等[27]研究, 从数字产业化和产业数字化两个维度构建数字经济指标体系。采用“互联网从业人员” “电信业务通信能力” “互联网普及率” “软件技术服务水平” 4个指标衡量数字产业化; 采用“数字乡村” “工业互联网” “数字物流” “数字零售” “数字金融” 5个指标衡量产业数字化。运用熵权法对数字经济指标体系进行测算, 具体见表2。
表 2 数字经济相关指标选择与解释Table 2. Related indicators selection and interpretation of digital economy维度
Dimensionality具体指标
Specific index变量解释
Variable interpretation权重
Weight单位
Unit属性
Attribute数字产业化
Digital industrialization互联网从业人员
Internet practitioner信息传输、计算机服务和软件从业人员占城镇单位从业人员比重
Proportion of information transmission, computer services and software employees to total employees in urban unit0.039 % ＋ 电信业务通信能力
Telecommunications service communication capability电信业务总量
Total telecommunications business0.173 ×108 ¥ ＋ 互联网普及率
Internet penetration每百万人互联网接入数
Internet access per million people0.223 Units·
(106 persons)−1＋ 软件技术服务水平
Software technical service level软件业务收入
Software business revenue0.080 ×108 ¥ ＋ 产业数字化
Industrial digitization数字乡村
Digital village农村宽带用户
Rural wide access user0.118 ×104 households ＋ 工业互联网
Industrial Internet光缆线路长度
Cable length0.064 km ＋ 数字物流
Digital logistics快递业务收入
Express business revenue0.145 ×108 ¥ ＋ 数字零售
Digital retail电子商务销售额
E-commerce sale0.054 ×108 ¥ ＋ 数字金融
Digital finance普惠金融指数
Financial inclusion index0.105 — ＋ 2.2.3 中介变量
选取的中介变量为农地经营规模和农业社会化服务。借鉴王帅等[1]的研究, 农地经营规模指标采用粮食播种面积与种粮劳动人数比值进行衡量。借鉴王磊等[22]的研究, 农业社会化服务指标采用各省农林牧渔服务业产值与农作物总播种面积的比值进行衡量。
2.2.4 控制变量
为了减少因忽略变量而产生的误差, 借鉴已有研究, 选取如下控制变量。1)财政支农力度[28]: 农林牧渔支出/财政总支出; 2)农业受灾率[28]: 粮食受灾面积/农作物播种总面积; 3)种植结构[29]: 粮食播种面积/农作物播种面积; 4)人力资本[28]: 平均受教育年限; 5)农业机械化水平[28]: 农业机械总动力/农作物播种面积; 6)粮食产值: (粮食播种面积/农作物播种面积)×农业生产总值; 7)交通状况[30]: 各地区公路里程数。
2.3 数据来源与描述性统计
在充分考虑数据可得性和连续性的基础上, 以我国13个粮食主产区2013—2021年数据为研究样本, 并借鉴张玉周等[30]对农业生产布局的划分, 将13个粮食主产区划分为北方(山东、河南、河北、内蒙古、黑龙江、吉林和辽宁)和南方(安徽、湖北、湖南、江苏、江西和四川)两大区域。数据主要来自于《中国统计年鉴》《中国农村统计年鉴》以及北京大学发布的数字普惠金融指数。
2.3.1 粮食生态效率描述性统计
在研究期间, 粮食生态效率总体呈先降后升的趋势, 大致可以划分为3个阶段(表3): 第一阶段为快速下降期(2013—2015年), 粮食生态效率由2013年的0.699下降到2015年的0.556; 第二阶段为迅速增长期(2016—2019年), 粮食生态效率快速提高到2019年的0.814; 第三阶段为缓慢提升期(2020年以后), 粮食生态效率逐步提升, 2021年达最高(0.865)。粮食生态效率存在明显的空间差异。粮食生态效率均值为0.721, 粮食生态效率值最低的河北省约为0.260, 粮食生态效率值最高的江西省高达1.050, 这表明不同主产区粮食生态效率存在较大差距。进一步分析发现, 北方地区粮食生态效率较南方地区提升更快: 北方地区的粮食生态效率由2013年的0.688快速增加到0.859, 提升24.9%; 而南方地区的粮食生态效率由2013年的0.711增加到0.873, 提升了22.8%。
表 3 2013—2021年不同区域粮食生态效率变化趋势Table 3. Change trend of grain eco-efficiency in different regions from 2013 to 2021区域
Region快速下降期
Rapid decline period迅速增长期
Rapid increase period缓慢提升期
Slow increase period2013 2014 2015 2016 2017 2018 2019 2020 2021 北方
North0.688 0.656 0.498 0.581 0.733 0.690 0.792 0.819 0.859 南方
South0.711 0.717 0.623 0.620 0.702 0.741 0.839 0.896 0.873 13个粮食主产区
13 major grain-producing areas0.699 0.684 0.556 0.577 0.718 0.713 0.814 0.855 0.865 2.3.2 其余变量描述性统计
在样本期内(表4), 数字经济均值为0.225, 最小值为0.020, 最大值为0.910, 说明不同地区数字经济水平存在明显差异。中介变量农地经营规模均值为10.496, 最小值为5.040, 最大值为29.200; 农业社会化服务水平均值为0.624, 最小值为0.310, 最大值为1.140, 表明不同地区农地经营规模和农业社会化服务水平也存在较大差异。
表 4 数字经济对粮食生态效率影响相关变量描述性统计分析Table 4. Descriptive statistical analysis of variables related to the impact of digital economy on grain eco-efficiency变量分类
Variable classification变量名称
Variable name均值
Mean value方差
Variance最小值
Minimum value最大值
Maximum value被解释变量
Explained variable粮食生态效率
Grain eco-efficiency0.721 0.264 0.260 1.050 解释变量
Explanatory variable数字经济
Digital economy0.225 0.181 0.020 0.910 数字产业化
Digital industrialization0.105 0.093 0.020 0.490 产业数字化
Industrial digitization0.120 0.094 0.002 0.461 中介变量
Intermediate variable农地经营规模
Agricultural land management scale10.496 5.227 5.040 29.200 农业社会化服务
Agricultural socialization service0.624 0.226 0.310 1.140 控制变量
Control variable财政支农力度
Intensity of fiscal support for agriculture0.120 0.026 0.070 0.190 农业受灾率
Agricultural disaster rate0.127 0.094 0.010 0.460 人力资本
Human capital10.362 0.466 9.410 11.820 农业机械化水平
Level of agricultural mechanization0.559 0.199 0.250 1.060 粮食产值
Grain output value0.885 0.571 0.290 3.690 种植结构
Planting structure0.724 0.153 0.300 0.970 交通状况
Traffic condition20.696 6.594 9.420 39.890 3. 实证结果分析
3.1 基准回归结果
在检验数字经济对粮食生态效率基准效应之前, 分别对模型进行随机效应和固定效应检验。其中Hausman检验结果P值为0.0083, 该结果拒绝了原假设, 表明固定效应具有更好的拟合优度, 因此采用固定效应回归结果进行后续分析。
由表5可知, 无论是否加入控制变量, 数字经济对粮食生态效率的影响均在1%显著水平上为正, 数字经济每增加1个单位, 粮食生态效率提高0.524个单位。数字技术为粮食产业提供了新的发展模式和创新机会, 如促进农村电商、农业金融科技等发展, 有助于推动粮食产业高质量发展。同时, 通过数字技术应用, 能够高效监控农药、化肥和农膜等易造成环境污染的要素投入水平, 实现科学种植, 有效避免其使用过量造成的污染。因此, 数字经济能够促进粮食生态效率提高, 假设H1得到验证。
表 5 数字经济对粮食生态效率影响的基准回归结果Table 5. Baseline regression results of the impact of digital economy on grain eco-efficiency变量
Variable随机效应
Random effect固定效应
Fixed effect数字经济 Digital economy 0.571*** (5.290) 0.397** (2.120) 0.642*** (5.920) 0.524*** (2.760) 常数项 Constant term 0.592*** (8.780) 2.060 (1.28) 0.576*** (21.040) 3.464** (2.030) 控制变量 Control variable No Yes No Yes 地区效应 Regional effect 无控制 Uncontrolled 已控制 Controlled 无控制 Uncontrolled 已控制 Controlled R2 0.254 0.373 0.254 0.401 **和***分别表示在5%和1%水平下显著; 括号内数字为t值。** and *** represent significance at the levels of 5% and 1%, respectively; the numbers in parentheses are t values. 3.2 稳健性检验
为了保证研究结论准确性, 本文进行了稳定性检验。1)调整样本区间。参考路雯晶等[31]的方法, 为避免2020年疫情的初次爆发对粮食生态效率可能造成的影响, 此处剔除了2020年及以后的数据, 对样本重新进行回归。2)剔除异常值估计。为减少异常值对基准回归结果带来的误差, 对被解释变量和解释变量进行1%缩尾处理后重新估计。3)滞后解释变量。参考朱喜安等[32]研究方法, 为解决内生性问题, 此处将数字经济滞后一期进行分析。由表6可知, 数字经济对粮食生态效率的影响与回归结果保持一致, 正向显著效应基本稳健。
表 6 数字经济对粮食生态效率影响的稳健性检验结果Table 6. Robustness test results of the impact of digital economy on grain eco-efficiency变量
Variable调整样本区间
Adjust sample interval剔除异常值估计
Eliminate outlier estimation滞后解释变量
Delayed explanatory variable数字经济 Digital economy 0.496*** (3.530) 0.702** (2.600) 0.600*** (4.800) 0.583*** (2.970) 0.731*** (6.380) 0.503** (2.450) 常数项 Constant term 0.588** (19.970) 0.624 (0.450) 0.581*** (20.240) 4.001** (2.300) 0.568*** (20.610) 3.891** (2.250) 控制变量 Control variable No Yes No Yes No Yes 地区效应 Regional effect 已控制 Controlled 已控制 Controlled 已控制 Controlled R2 0.139 0.312 0.204 0.414 0.311 0.462 **和***分别表示在5%和1%水平下显著; 括号内数字为t值。** and *** represent significance at the levels of 5% and 1%, respectively; the numbers in parentheses are t values. 3.3 异质性检验
本文在前文研究基础上, 进一步分维度、分地区和分效率水平进行了回归分析, 估计结果见表7。
表 7 数字经济对粮食生态效率影响的异质性检验结果Table 7. Heterogeneity test results of the impact of digital economy on grain eco-efficiency变量
Variable分维度异质性
Dimensional heterogeneity分区域异质性
Sub regional heterogeneity分效率水平异质性
Heterogeneity of different efficiency level数字产业化
Digital industrialization产业数字化
Industrial digitization北方
North China南方
South China低效率
Low efficiency高效率
High efficiency数字经济 Digital economy 0.893*** (2.900) 0.859** (2.110) 1.043** (2.800) 0.273 (0.830) 0.583*** (8.170) 0.393 (0.860) 常数项 Constant term 3.174* (1.910) 3.275* (1.840) 1.102 (0.440) 3.007 (1.500) 0.171 (0.040) −1.023 (−0.490) 控制变量 Control variable Yes Yes Yes 地区效应 Regional effect 已控制 Controlled 已控制 Controlled 已控制 Controlled R2 0.406 0.382 0.580 0.529 0.609 0.351 *、**和***分别表示在10%、5%和1%水平下显著; 括号内数字为t值。*, ** and *** represent significance at the levels of 10%, 5% and 1%, respectively; the numbers in parentheses are t values. 3.3.1 分维度异质性
数字经济对粮食生态效率的促进作用本质上是数字产业化和产业数字化均衡作用的结果, 此处从数字经济的不同维度研究其对粮食生态效率的具体影响。表7表明, 数字产业化和产业数字化对粮食生态效率均呈显著正相关, 且回归系数分别为0.893和0.859, 即数字产业化水平对粮食生态效率的促进作用更为显著, 产业数字化的促进作用次之。可能的原因是, 我国大部分农村地区处于数字化转型阶段, 数字化与农业基础产业融合有限, 对先进的数字技术接受和应用能力较弱, 造成产业数字化对粮食生态效率的影响相对较小。
3.3.2 分区域异质性
考虑到不同地理位置对粮食生态效率的影响, 对13个粮食主产区按照南北两个区域重新进行样本回归(表7)。结果表明, 北方地区数字经济对粮食生态效率的回归系数为1.043, 在5%水平下显著正相关, 而南方地区的回归系数为0.273, 但不显著。可能原因是, 南方地区数字经济起步较早、发展水平相对较高, 数字化对粮食生态效率的红利提前得到充分释放, 导致数字经济对粮食生态效率的影响并不显著。相对地, 北方地区的数字经济水平相对较低, 且大多为传统的农业大省, 农户数字素养水平相对较低, 因此绿色数字技术的普及和应用对粮食生态效率的提高具有较强的边际效应。
3.3.3 分效率水平异质性
参考杨慧梅等[33]的研究成果, 借助于中位数对各省份粮食生态效率进行分组。若某个省份粮食生态效率值大于相应年份的中位数水平, 则为高效率地区; 否则, 划分为低效率地区。表7估计结果显示, 无论是高粮食生态效率地区还是低粮食生态效率地区, 数字经济均具有正向的促进作用, 影响系数分别为0.393和0.583, 但是仅低粮食生态效率地区的回归系数通过了1%水平的显著性检验, 这表明数字经济对低粮食生态效率地区的影响更为显著。上述结果与之前分区域异质性的结论保持一致, 即南方地区的粮食生态效率相对较高, 而北方地区粮食生态效率相对较低, 数字经济在低粮食生态效率地区能够发挥更大的提升作用。
3.4 影响机制检验
在数字经济对粮食生态效率具有正相关影响的基础上, 运用中介效应模型, 对农地经营规模和农业社会化服务的传导作用进行检验, 回归结果见表8。
表 8 数字经济对粮食生态效率影响的机制检验结果Table 8. Mechanism test results of the impact of digital economy on grain eco-efficiency变量 Variable 机制I Mechanism I 机制Ⅱ Mechanism Ⅱ 农地经营规模
Agricultural land management scale粮食生态效率
Grain eco-efficiency农业社会化服务
Agricultural socialization service粮食生态效率
Grain eco-efficiency数字经济 Digital economy 0.464*** (3.040) 0.276** (2.230) 0.479*** (8.070) 0.398* (1.890) 农地经营规模
Agricultural land management scale0.395** (2.030) 农业社会化服务
Agricultural socialization service0.593** (2.130) 常数项 Constant term 1.804 (1.310) 2.966* (1.750) 0.115 (0.190) 2.826 (1.700) 控制变量 Control variable Yes Yes 地区效应 Regional effect 已控制 Controlled 已控制 Controlled R2 0.705 0.431 0.763 0.412 *、**和***分别表示在10%、5%和1%水平下显著; 括号内数字为t值。*, ** and *** represent significance at the levels of 10%, 5% and 1%, respectively; the numbers in parentheses are t values. 3.4.1 农地经营规模机制
表8表明数字经济对农地经营规模具有显著的正向作用, 对粮食生态效率在5%水平下正相关, 回归系数为0.276, 小于基准回归系数的绝对值(0.524)。由此表明, 农地经营规模发挥了部分中介效应, 从而验证数字经济能够通过扩大农地经营规模达到提高粮食生态效率的目的。可见, 数字经济推动了农业生产机械化, 降低了生产成本, 加速了土地流转, 克服了土地分散的经营弊端, 进而实现农业生产的规模化。因此, 扩大农地经营规模是数字经济推动粮食生态效率提高的重要渠道。
3.4.2 农业社会化服务机制
表8表明数字经济对农业社会化服务具有显著促进作用, 对粮食生态效率在10%水平上显著正相关, 回归系数为0.398, 小于基准回归系数的绝对值(0.524)。由此表明, 农业社会化服务在数字经济对粮食生态效率影响过程中起到了部分中介作用, 与研究预期保持一致。可见, 数字经济促进了农业社会化服务的提升, 有利于先进绿色生产技术的获取、传播与应用, 进而提高了农药、化肥和机械等生产资源的利用率, 从源头上提高粮食生态效率[19]。因此, 提升农业社会化服务也是数字经济推动粮食生态效率提高的重要渠道。
表8中介效应检验结果表明, 农地经营规模机制和农业社会化服务机制是数字经济推动粮食生态效率提高的中介变量, 假设H2和H3得到验证。
3.5 财政支农力度的门槛效应
基于前述的理论分析可知, 当财政支农力度处于不同水平时, 数字经济对粮食生态效率的影响不同, 二者可能存在非线性关系。为了验证这一非线性关系, 采用面板门槛模型分析数字经济对粮食生态效率的影响是否受到财政支农力度的约束, 其模型如下:
$$ \begin{split} &\qquad {\mathrm{G}\mathrm{E}\mathrm{E}}_{it}={\alpha }_{1}{\mathrm{D}\mathrm{I}\mathrm{G}}_{it}\times I\left(\mathrm{F}\mathrm{I}\mathrm{S}\leqslant {\lambda }_{1}\right)+{\alpha }_{2}{\mathrm{D}\mathrm{I}\mathrm{G}}_{it}\times I\\ & \left({\lambda }_{1} < \mathrm{F}\mathrm{I}\mathrm{S}\leqslant {\lambda }_{2}\right)+{\alpha }_{3}{\mathrm{D}\mathrm{I}\mathrm{G}}_{it}\times I\left(\mathrm{F}\mathrm{I}\mathrm{S} > {\lambda }_{3}\right)+{\mu }_{i}+{\varepsilon }_{i} \end{split}$$ (6) 式中: FIS为门槛变量, 表示财政支农力度;
$ \lambda \mathrm{为} $ 待估算的门槛值; I(·)为指示性函数, 若符合括号内的条件, I(·)=1, 否则I(·)=0。为验证门槛效应的存在性, 采用自助法(Bootstrap)对门槛变量进行500次反复抽样得到F值和P值。结果表明, 财政支农力度作为门槛变量, 分别在5%和10%水平下通过了单一门槛和双重门槛检验, 但未通过三重门槛检验, 即数字经济对粮食生态效率的影响存在双重门槛效应(表9)。
表 9 数字经济对粮食生态效率影响的门槛检验结果Table 9. Threshold test results of the impact of digital economy on grain eco-efficiency门槛变量
Threshold variable门槛性质
Threshold propertyF值
F valueP值
P value1%临界值
1% critical value5%临界值
5% critical value10%临界值
10% critical value财政支农力度
Intensity of fiscal
support for agriculture单一门槛 Single threshold 17.170 0.022 11.416 13.920 23.183 双重门槛 Double threshold 8.560 0.082 7.919 10.335 15.751 三重门槛 Triple threshold 1.200 0.856 10.856 15.251 26.463 在确定门槛值后, 进一步进行估计, 回归结果见表10。结果表明, 不同财政支农力度水平下, 数字经济对粮食生态效率的影响存在差异, 但均在1%水平上显著相关。具体来说, 当财政支农力度处于较低水平(FIS≤0.08)、两门槛之间(0.08<FIS≤0.14)和较高水平(FIS>0.14) 3个不同阶段时, 数字经济对粮食生态效率的影响系数分别为0.697、0.796和0.920, 整体呈现显著正向且边际效应递增的非线性特征, 即财政支农力度在数字经济对粮食生态效率影响过程中发挥了门槛效应, 假设H4得到验证。
表 10 数字经济对粮食生态效率影响的门槛回归结果Table 10. Threshold regression results of the impact of digital economy on grain eco-efficiency变量 Variable 回归系数 Regression coefficient DIG (FIS≤0.08) 0.697*** (3.130) DIG (0.08<FIS≤0.14) 0.796*** (4.100) DIG (FIS>0.14) 0.920*** (2.650) 常数项 Constant term 4.461** (2.530) 控制变量 Control variable Yes 地区效应 Regional effect 已控制 Controlled R2 0.451 DIG: 数字经济; FIS: 财政支农力度; **和***分别表示在5%和1%水平下显著; 括号内数字为t值。DIG: digital economy; FIS: intensity of fiscal support for agriculture; ** and *** represent significance at the levels of 5% and 1%, respectively; the numbers in parentheses are t values. 4. 结论与建议
4.1 结论
基于2013—2021年我国13个粮食主产区的面板数据, 实证检验了数字经济对粮食生态效率的影响, 主要研究结论如下。1)数字经济能够显著促进粮食生态效率提升, 且在调整样本区间、剔除异常值估计和滞后解释变量等稳健性检验后结论依然成立。2)数字经济对粮食生态效率的影响因维度、区域和粮食生态效率水平的不同而存在显著性差异。其中: 数字产业化对于粮食生态效率的促进作用大于产业数字化, 北方地区和低粮食生态效率地区的促进作用更为显著。3)数字经济能够通过农地经营规模和农业社会化服务两个中介变量, 间接推动粮食生态效率提高。4)数字经济对粮食生态效率的促进作用存在财政支农力度的门槛效应, 且边际效应递增, 即财政支农力度越高, 越有助于数字经济提升粮食生态效率。
4.2 建议及展望
基于上述结论, 提出以下政策建议。1)完善农村新型数字基础设施建设, 充分发挥数字经济对粮食生态效率的积极影响。首先, 提高农村千兆光网、5G网络和移动物联网等基建设施在农村的覆盖率, 提高农业信息服务的能力和质量; 其次, 积极搭建“互联网+农业”数据观测平台, 对粮食生产环节进行精准监控并及时给出调整建议, 提升生产要素的利用效率; 最后, 引导开发适农信息平台, 采用专家在线问答方式为农户提供生产过程中的技术指导, 甚至可以通过远程操作解决一些疑难杂症[34]。2)因地制宜制定数字经济与粮食生态效率的协同推进策略。数字经济对粮食生态效率影响的区域异质性研究结果显示, 北方地区数字经济对粮食生态效率的影响显著为正。因此, 对于北方地区, 应加大对数字农业的投入, 通过应用物联网、大数据和人工智能等先进数字技术, 实现农田管理、作物生长监测和农机作业等的智能化和精准化, 实现水、肥、药等资源的优化配置和高效利用, 降低农业生产成本, 提高资源利用效率。相比之下, 对于数字经济发展水平相对较高的南方地区, 可以选取典型区域开展数字农业示范项目, 通过成功案例的推广和复制, 带动更多地区和农户参与到数字农业发展中来。3)提高农地经营规模和农业社会化服务水平。中介效应的估计结果显示, 农地经营规模和农业社会化服务是关键的中介变量。对此, 一方面引导农户签订权责明确的农地流转契约, 提供良好、稳定的外部环境; 增加规模经营主体财政奖补和税收减免力度, 并鼓励金融机构为其提供融资担保服务[35]; 通过技能培训、劳务对接、转移输出等帮扶措施, 解决农户非农就业问题, 提高农地流转意愿。另一方面, 强化农业社会化服务组织队伍建设, 推动数智化技术与社会化服务深度融合; 鼓励先进农机设备的应用推广, 促进社会化服务提档升级; 加大农业社会化服务质量的监管和考核力度, 为推动粮食绿色生产提供制度保障[21]。4)优化财政支农结构, 突出绿色政策的引导方向。由于财政支农力度是关键的门槛变量, 政府应加快构建以绿色生态为导向的农业补贴制度, 加大生态农业的财政补贴力度, 如增加购买节能减排、高质高效农机设备的资金补贴, 或提供有机肥、生物农药等实物补贴, 提高农户进行绿色生产的积极性, 推动粮食生产方式转型升级[23]。
展望后续研究: 1)扩大研究范围。一方面, 扩大空间研究范围, 将研究对象由13个粮食主产区数据扩大到全国所有省份(自治区、直辖市)数据, 或者采用市级或县级的更为丰富的研究样本。另一方面, 扩大时间区间, 将研究年限增加到20年以上, 以便掌握数字经济对粮食生态效率的影响趋势变化。2)增加机制变量。本文尚未涉及的农户数字素养、农业技术创新等因素, 在数字经济对粮食生态效率影响过程中可能会起到一定的中介作用, 但限于篇幅, 本文未对其进行研究, 未来工作可以对其进行进一步探讨。3)替换研究方法。可以进一步采用空间面板计量模型, 分析数字经济在空间维度上对粮食生态效率的直接和间接影响, 丰富该领域的相关研究。
-
表 1 不同种植模式生育期天数及播种期和收获期
Table 1 Growth period and date of sowing and harvest of different cropping systems
年份
Year种植模式
Cropping
system播种期-收获期(月/日)
Date of sowing and harvest (month/day)生育期天数
Growth period (d)第1季
1st season第2季
2nd season第3季
3rd season第1季
1st season第2季
2nd season第3季
3rd season周年
Whole
year重叠期
Overlapping
period2016—2017 IR — 05/25—10/18 — — 146 — 146 0 OR 10/09—04/27 05/25—10/09 — 200 137 — 337 0 ORR 10/09—04/27 04/10—07/15 06/20—10/21 200 96 123 377 42 IRR — 04/01—07/15 06/20—10/21 — 106 123 203 25 2017—2018 IR — 05/24—10/02 — — 131 — 131 0 OR 10/29—05/01 05/24—09/29 — 184 128 — 312 0 ORR 10/29—05/01 04/10—07/12 06/19-10/16 184 93 119 352 44 IRR — 04/01—07/13 06/19—10/16 — 103 119 198 24 IR: 冬闲-中稻; OR: 油菜-中稻; ORR: 油菜-早稻-晚稻; IRR: 冬闲-早稻-晚稻。重叠期指两季作物同时生长的时间。IR: winter fallow-middle rice; OR: oilseed rape-middle rice; ORR: oilseed rape-early rice-late rice; IRR: winter fallow-early rice-late rice. Overlapping period is the time of two crops growing at the same time. 
下载: 导出CSV
表 2 不同种植模式的周年干物质生产效率
Table 2 Efficiency of dry matter production in different cropping systems
kg∙hm−2 年份
Year种植模式
Cropping system第1季 1st season 第2季 2nd season 第3季 3rd season 周年 Whole year 茎秆
Stalk籽粒
Seed全株
Whole plant茎秆
Stalk籽粒
Seed全株
Whole plant茎秆
Stalk籽粒
Seed全株
Whole plant茎秆
Stalk籽粒
Seed全株
Whole plant2016—2017 IR — — — 9452 8345 17 797 — — — 9452 8345 17 797d OR 5334 1880 7214 6596 8123 14 719 — — — 11 930 10 003 21 933c ORR 5313 1909 7221 5776 6030 11 806 5741 5623 11 364 16 830 13 562 30 391a IRR — — — 7961 6336 14 297 5571 6089 11 660 13 532 12 425 25 957b 2017—2018 IR — — — 9542 9321 18 863 — — — 9542 9321 18 863c OR 6622 1617 8239 8648 9538 18 186 — — — 15 270 11 155 26 425b ORR 6218 1679 7897 5506 5503 11 009 7099 6653 13 752 18 823 13 835 32 658a IRR — — — 5931 6767 12 698 7158 6503 13 661 13 089 13 270 26 359b IR: 冬闲-中稻; OR: 油菜-中稻; ORR: 油菜-早稻-晚稻; IRR: 冬闲-早稻-晚稻。同一年份数据后不同小写字母表示不同模式间差异显著(P<0.05)。IR: winter fallow-middle rice; OR: oilseed rape-middle rice; ORR: oilseed rape-early rice-late rice; IRR: winter fallow-early rice-late rice. Values followed by different small letters in the same year are significantly different at P<0.05 level.
下载: 导出CSV
表 3 不同种植模式的干物质产能
Table 3 Energy of dry matter production in different cropping systems
年份
Year种植模式
Cropping system第1季 1st season 第2季 2nd season 第3季 3rd season 周年 Whole year 茎秆
Stalk籽粒
Seed全株
Whole plant茎秆
Stalk籽粒
Seed全株
Whole plant茎秆
Stalk籽粒
Seed全株
Whole plant茎秆
Stalk籽粒
Seed全株
Whole plant×104 MJ∙hm−2 2016—2017 IR — — — 13.27 12.91 26.18 — — — 13.27 12.91 26.18d OR 7.54 4.95 12.49 9.26 12.57 21.83 — — — 16.80 17.52 34.31c ORR 7.51 5.03 12.53 8.11 9.33 17.44 8.06 8.70 16.76 23.68 23.05 46.73a IRR — — — 11.18 9.80 20.98 7.82 9.42 17.24 19.00 19.22 38.22b 2017—2018 IR — — — 13.40 14.42 27.82 — — — 13.40 14.42 27.82c OR 9.36 4.26 13.62 12.14 14.76 26.90 — — — 21.50 19.01 40.51b ORR 8.79 4.42 13.21 7.73 8.51 16.24 9.97 10.29 20.26 26.48 23.23 49.71a IRR — — — 8.33 10.47 18.80 10.05 10.06 20.11 18.38 20.53 38.91b IR: 冬闲-中稻; OR: 油菜-中稻; ORR: 油菜-早稻-晚稻; IRR: 冬闲-早稻-晚稻。同一年份数据后不同小写字母表示不同模式间差异显著(P<0.05)。IR: winter fallow-middle rice; OR: oilseed rape-middle rice; ORR: oilseed rape-early rice-late rice; IRR: winter fallow-early rice-late rice. Values followed by different small letters in the same year are significantly different at P<0.05 level.
下载: 导出CSV
表 4 不同种植模式的有效积温分配与积温生产效率
Table 4 Distribution of effective accumulated temperature and production efficiency in different cropping systems
年份
Year种植模式
Cropping
system有效积温
Effective accumulated
temperature (℃)有效积温分配率
Distribution ratio of effective
accumulated temperature (%)积温生产效率
Temperature production efficiency
(kg∙hm−2∙℃−1)第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year2016—2017 IR — 2359 — 2359 — 72.4 — 72.4 — 7.54 — 7.54b OR 603 2312 — 2915 18.5 71.0 — 89.5 11.94 6.37 — 7.52b ORR 603 1347 1994 3339 18.5 41.3 61.2 102.5 11.96 8.77 5.70 9.10a IRR — 1414 1994 2944 — 43.4 61.2 90.4 — 10.11 5.85 8.82a 2017—2018 IR — 2336 — 2336 — 67.6 — 67.6 — 8.07 — 8.07c OR 593 2297 — 2890 17.2 66.4 — 83.6 13.88 7.92 — 9.14ab ORR 593 1399 2054 3372 17.2 40.5 59.4 97.5 13.25 7.87 6.69 9.68a IRR — 1491 2054 3087 — 43.1 59.4 89.3 — 8.52 6.65 8.54bc IR: 冬闲-中稻; OR: 油菜-中稻; ORR: 油菜-早稻-晚稻; IRR: 冬闲-早稻-晚稻。同一年份数据后不同小写字母表示不同模式间差异显著(P<0.05)。IR: winter fallow-middle rice; OR: oilseed rape-middle rice; ORR: oilseed rape-early rice-late rice; IRR: winter fallow-early rice-late rice. Values followed by different small letters in the same year are significantly different at P<0.05 level.
下载: 导出CSV
表 5 不同种植模式的光能资源分配与光能利用
Table 5 Distribution of light resources and light energy use efficiency in different cropping systems
年份
Year种植模式
Cropping
system太阳总辐射
Total solar radiation
(MJ∙m−2)光能分配率
Light energy distribution
ratio (%)光能生产效率
Light energy production efficiency
(×10−3 kg∙MJ−2)第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year2016—2017 IR — 1997 — 1997 — 50.9 — 50.9 — 0.89 — 0.89a OR 1602 1927 — 3529 40.9 49.2 — 90.1 0.45 0.76 — 0.62c ORR 1602 1354 1599 4020 40.9 34.6 40.8 102.6 0.45 0.87 0.71 0.76b IRR — 1455 1599 2763 — 37.1 40.8 70.5 — 0.98 0.73 0.94a 2017—2018 IR — 2058 — 2058 — 47.4 — 47.4 — 0.92 — 0.92a OR 1688 2014 — 3702 38.9 46.4 — 85.3 0.49 0.90 — 0.71b ORR 1688 1389 1807 4208 38.9 32.0 41.6 96.9 0.47 0.79 0.76 0.78b IRR — 1533 1807 2929 — 35.3 41.6 67.5 — 0.83 0.76 0.90a IR: 冬闲-中稻; OR: 油菜-中稻; ORR: 油菜-早稻-晚稻; IRR: 冬闲-早稻-晚稻。同一年份数据后不同小写字母表示不同模式间差异显著(P<0.05)。IR: winter fallow-middle rice; OR: oilseed rape-middle rice; ORR: oilseed rape-early rice-late rice; IRR: winter fallow-early rice-late rice.Values followed by different small letters in the same year are significantly different at P<0.05 level.
下载: 导出CSV
表 6 不同种植模式的经济效益比较
Table 6 Comparison of economic benefits of different cropping systems
¥∙hm–2 年份
Year种植模式
Cropping system产值和补贴
Total income and subsidy成本
Cost经济效益
Net income第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year第1季
1st season第2季
2nd season第3季
3rd season周年
Whole year2016—2017 IR 22 266 22 266 11 400 11 400 10 866 10 866 OR 9500 21 739 — 31 239 7200 10 500 — 17 700 2300 11 239 — 13 539 ORR 9700 15 516 15 738 40 954 7200 11 670 13 200 32 070 2500 3846 2538 8884 IRR — 16 198 16 866 33 064 — 11 670 13 200 24 870 — 4528 3666 8194 2017—2018 IR — 24 618 — 24 618 — 11 550 — 11 550 — 13 068 — 13 068 OR 8250 25 146 — 33 396 7350 10 650 — 18 000 900 14 496 — 15 396 ORR 8550 14 350 18 210 41 110 7350 11 820 13 350 32 520 1200 2530 4860 8590 IRR — 17 144 17 850 34 994 — 11 820 13 350 25 170 — 5324 4500 9824 IR: 冬闲-中稻; OR: 油菜-中稻; ORR: 油菜-早稻-晚稻; IRR: 冬闲-早稻-晚稻。IR: winter fallow-middle rice; OR: oilseed rape-middle rice; ORR: oilseed rape-early rice-late rice; IRR: winter fallow-early rice-late rice.
下载: 导出CSV
-
[1] 胡延斌, 肖国举, 李永平. 气候带北移及其对中国作物种植制度的影响研究进展[J]. 干旱地区农业研究, 2020, 38(3): 269−274 HU Y B, XIAO G J, LI Y P. Research advances in northward shifting of climatic-zones and the influence on crop-planting systems in China[J]. Agricultural Research in the Arid Areas, 2020, 38(3): 269−274
[2] CUMHUR A, MALCOLM S. The effects of global climate change on agriculture[J]. American-Eurasian Journal of Agricultural and Environmental Sciences, 2008, 3(5): 672−676
[3] TRNKA M, OLESEN J E, KERSEBAUM K C, et al. Changing regional weather-crop yield relationships across Europe between 1901 and 2012[J]. Climate Research, 2016, 70(2): 195−214 doi: 10.3354/cr01426
[4] SINGH G. Climate change and food security in India: challenges and opportunities[J]. Irrigation and Drainage, 2016, 65: 5−10 doi: 10.1002/ird.2038
[5] 谭诗琪, 范嘉智, 颜石, 等. 长时间尺度下气象灾害对湖南水稻产量影响分析[J]. 中国农学通报, 2020, 36(19): 104−113 TAN S Q, FAN J Z, YAN S, et al. Meteorological disasters at long-term scales: influence on rice yield of Hunan[J]. Chinese Agricultural Science Bulletin, 2020, 36(19): 104−113
[6] 赵正洪, 戴力, 黄见良, 等. 长江中游稻区水稻产业发展现状、问题与建议[J]. 中国水稻科学, 2019, 33(6): 553−564 ZHAO Z H, DAI L, HUANG J L, et al. Status, problems and solutions in rice industry development in the middle reaches of the Yangtze River[J]. Chinese Journal of Rice Science, 2019, 33(6): 553−564
[7] QI X X, LIU L M, LIU Y B, et al. Risk assessment for sustainable food security in China according to integrated food security-taking Dongting Lake area for example[J]. Environmental Monitoring and Assessment, 2013, 185(6): 4855−4867 doi: 10.1007/s10661-012-2908-2
[8] YIN G Y, LIU L M, YUAN C C. Assessing environmental risks for high intensity agriculture using the material flow analysis method — a case study of the Dongting Lake Basin in South Central China[J]. Environmental Monitoring and Assessment, 2015, 187(7): 472 doi: 10.1007/s10661-015-4696-y
[9] 张志刚, 赵瑞元, 丁世勇, 等. 湖南棉花产业发展形势调研报告[J]. 中国棉花, 2019, 46(11): 10−13, 19 ZHANG Z G, ZHAO R Y, DING S Y, et al. Survey report on the development tendency of cotton industry in Hunan Province[J]. China Cotton, 2019, 46(11): 10−13, 19
[10] 朱四元, 刘头明, 汤清明, 等. 苎麻在湖南平原地和山坡地栽培的比较试验[J]. 中国麻业科学, 2015, 37(4): 211−215 ZHU S Y, LIU T M, TANG Q M, et al. The comparative test of ramie grown in plain and hillside in Hunan[J]. Plant Fiber Sciences in China, 2015, 37(4): 211−215
[11] 李淑娅, 田少阳, 袁国印, 等. 长江中游不同玉稻种植模式产量及资源利用效率的比较研究[J]. 作物学报, 2015, 41(10): 1537−1547 doi: 10.3724/SP.J.1006.2015.01537 LI S Y, TIAN S Y, YUAN G Y, et al. Comparison of yield and resource utilization efficiency among different maize and rice cropping systems in middle reaches of Yangtze River[J]. Acta Agronomica Sinica, 2015, 41(10): 1537−1547 doi: 10.3724/SP.J.1006.2015.01537
[12] 陈伟. 四川丘陵旱地不同种植模式的资源利用及生态经济效益比较研究[D]. 雅安: 四川农业大学, 2019 CHEN W. A comparative study on resource utilization and eco-economic benefits of different cropping modes in hilly dryland of Sichuan Province[D]. Ya’an: Sichuan Agricultural University, 2019
[13] 陈友德, 赵杨, 高杜娟, 等. 稻油不同轮作模式对农田甲烷和氧化亚氮排放的影响[J]. 环境科学, 2020, 41(10): 4701−4710 CHEN Y D, ZHAO Y, GAO D J, et al. Effects of different rotation patterns of oil-rice on methane and nitrous oxide emissions in rice fields[J]. Environmental Science, 2020, 41(10): 4701−4710
[14] REN T, BU R Y, LIAO S P, et al. Differences in soil nitrogen transformation and the related seed yield of winter oilseed rape (Brassica napus L.) under paddy-upland and continuous upland rotations[J]. Soil and Tillage Research, 2019, 192: 206−214 doi: 10.1016/j.still.2019.05.008
[15] GENG J B, SUN Y B, ZHANG M, et al. Long-term effects of controlled release urea application on crop yields and soil fertility under rice-oilseed rape rotation system[J]. Field Crops Research, 2015, 184: 65−73 doi: 10.1016/j.fcr.2015.09.003
[16] 王美云, 任天志, 赵明, 等. 双季青贮玉米模式物质生产及资源利用效率研究[J]. 作物学报, 2007, 33(8): 1316−1323 WANG M Y, REN T Z, ZHAO M, et al. Matter production and resources use efficiency of double-cropping silage maize system[J]. Acta Agronomica Sinica, 2007, 33(8): 1316−1323
[17] 林益明, 郑茂钟, 林鹏, 等. 园林竹类植物叶的热值和灰分含量研究[J]. 厦门大学学报(自然科学版), 2000, 39(1): 136−140 LIN Y M, ZHENG M Z, LIN P, et al. Ash content and caloric value in leaves of garden bamboo species[J]. Journal of Xiamen University (Natural Science), 2000, 39(1): 136−140
[18] 骆世明. 农业生态学[M]. 北京: 中国农业出版社, 2001 LUO S M. Agroecology[M]. Beijing: Chinese Agriculture Press, 2001
[19] 杨滨娟, 孙丹平, 张颖睿, 等. 长江中游地区水旱复种轮作模式资源利用率比较研究[J]. 中国生态农业学报, 2018, 26(8): 1197−1205 YANG B J, SUN D P, ZHANG Y R, et al. Comparison of resources use efficiencies among paddy-upland multi-crop rotation systems in the middle reaches of Yangtze River[J]. Chinese Journal of Eco-Agriculture, 2018, 26(8): 1197−1205
[20] 严定春, 朱艳, 曹卫星. 水稻栽培适宜品种选择的知识模型[J]. 南京农业大学学报, 2004, 27(4): 20−25 YAN D C, ZHU Y, CAO W X. A knowledge model for selection of suitable variety in rice production[J]. Journal of Nanjing Agricultural University, 2004, 27(4): 20−25
[21] 左大康, 王懿贤, 陈建绥. 中国地区太阳总輻射的空間分布特征[J]. 气象学报, 1963, 21(1): 78−96 ZUO D K, WANG Y X, CHEN J S. Characteristics of the distribution of total radiation in China[J]. Acta Meteorologica Sinica, 1963, 21(1): 78−96
[22] SUN H Y, ZHANG X Y, CHEN S Y, et al. Effects of harvest and sowing time on the performance of the rotation of winter wheat-summer maize in the North China Plain[J]. Industrial Crops and Products, 2007, 25(3): 239−247 doi: 10.1016/j.indcrop.2006.12.003
[23] JENA S, POONAM A, NAYAK B C. Response of hybrid rice to time of planting and plant density[J]. ORYZA: An International Journal on Rice, 2010, 47(1): 48−52
[24] 陈国平. 玉米的干物质生产与分配[J]. 玉米科学, 1994, 2(1): 48−53 CHEN G P. Dry matter production and distribution of maize[J]. Maize Sciences, 1994, 2(1): 48−53
[25] 敖和军, 王淑红, 邹应斌, 等. 超级杂交稻干物质生产特点与产量稳定性研究[J]. 中国农业科学, 2008, 41(7): 1927−1936 AO H J, WANG S H, ZOU Y B, et al. Study on yield stability and dry matter characteristics of super hybrid rice[J]. Scientia Agricultura Sinica, 2008, 41(7): 1927−1936
[26] 郑本川, 张锦芳, 李浩杰, 等. 甘蓝型油菜生育期天数与产量构成性状的相关分析[J]. 中国油料作物学报, 2013, 35(3): 240–245 ZHENG B C, ZHANG J F, LI H J, et al. Correlation between duration of growth periods and yield components of Brassica napus L[J]. Chinese Journal of Oil Crop Sciences, 2013, 35(3): 240–245
[27] 叶廷红, 李鹏飞, 侯文峰, 等. 早稻、晚稻和中稻干物质积累及氮素吸收利用的差异[J]. 植物营养与肥料学报, 2020, 26(2): 212−222 YE T H, LI P F, HOU W F, et al. Differences in dry matter accumulation and nitrogen absorption and utilization among early, late and middle rice[J]. Journal of Plant Nutrition and Fertilizers, 2020, 26(2): 212−222
[28] 李阔, 许吟隆. 适应气候变化的中国农业种植结构调整研究[J]. 中国农业科技导报, 2017, 19(1): 8−17 LI K, XU Y L. Study on adjustment of agricultural planting structures in China for adapting to climate change[J]. Journal of Agricultural Science and Technology, 2017, 19(1): 8−17
[29] 王乐. 湖南省稻田典型种植模式的经济效益分析[J]. 湖北农业科学, 2010, 49(2): 509−512 WANG L. Analysis on economic benefit of paddy field typical cropping patterns in Hunan Province[J]. Hubei Agricultural Sciences, 2010, 49(2): 509−512
[30] 陈畅, 李俊, 张利艳, 等. 不同油稻轮作模式产量形成过程的比较[C]. 中国作物学会. 2015年学术年会论文摘要集. 北京: 中国作物学会, 2015: 1 CHEN C, LI J, ZHANG L Y, et al. Comparison of yield formation process of different oil-rice rotation models[C]//Crop Science Society of China. Abstracts of 2015 Academic Conference Papers. Beijing: Crop Science Society of China, 2015
[31] 黄敏. 稻油两熟制下免耕直播超级杂交稻生理生态特性研究[D]. 长沙: 湖南农业大学, 2011 HUANG M. Physiological and ecological characteristics of no-till direct deeded super hybrid rice in rice-oilseed rape cropping system[D]. Changsha: Hunan Agricultural University, 2011
[32] 钱友山, 文化. 京郊气候资源与种植制度[J]. 北京农业科学, 1994(4): 33−37 QIAN Y S, WEN H. Climate resources and cropping system in Beijing suburb[J]. Beijing Agricultural Sciences, 1994(4): 33−37
[33] 阮新民, 陈曦, 岳伟, 等. 气候变化对安徽省两熟制粮食作物物候期及周年气候资源分配与利用的影响[J]. 中国生态农业学报(中英文), 2021, 29(2): 355−365 RUAN X M, CHEN X, YUE W, et al. Effects of climate change on phenophases and annual climate resources distribution and utilization of major food crops under a double-cropping system in Anhui Province[J]. Chinese Journal of Eco-Agriculture, 2021, 29(2): 355−365
[34] 习敏, 杜祥备, 吴文革, 等. 稻麦两熟系统适期晚播对周年产量和资源利用效率的影响[J]. 应用生态学报, 2020, 31(1): 165−172 XI M, DU X B, WU W G, et al. Effects of late sowing of two season crops on annual yield and resource use efficiency in rice-wheat double cropping system[J]. Chinese Journal of Applied Ecology, 2020, 31(1): 165−172
[35] 吕伟生, 曾勇军, 石庆华, 等. 近30年江西双季稻安全生产期及温光资源变化[J]. 中国水稻科学, 2016, 30(3): 323−334 LYU W S, ZENG Y J, SHI Q H, et al. Changes in safe production dates and heat-light resources of double cropping rice in Jiangxi Province in recent 30 years[J]. Chinese Journal of Rice Science, 2016, 30(3): 323−334
[36] 郭建平. 气候变化对中国农业生产的影响研究进展[J]. 应用气象学报, 2015, 26(1): 1−11 GUO J P. Advances in impacts of climate change on agricultural production in China[J]. Journal of Applied Meteorological Science, 2015, 26(1): 1−11
[37] WANG J X, HUANG J K, YANG J. Overview of impacts of climate change and adaptation in China’s agriculture[J]. Journal of Integrative Agriculture, 2014, 13(1): 1−17 doi: 10.1016/S2095-3119(13)60588-2
[38] 王丹丹, 潘东华, 郭桂祯. 1978-2016年全国分区农业气象灾害灾情趋势分析[J]. 灾害学, 2018, 33(2): 114−121, 145 WANG D D, PAN D H, GUO G Z. Regional analysis of agro-meteorological disasters loss tendency variation from 1978 to 2016 in China[J]. Journal of Catastrophology, 2018, 33(2): 114−121, 145
[39] 田莉萍, 余青松, 刘电英. 洞庭湖区气候和农业气象灾害变化分析[J]. 安徽农业科学, 2015, 43(21): 219−221 doi: 10.3969/j.issn.0517-6611.2015.21.081 TIAN L P, YU Q S, LIU D Y. Analysis on climate of Dongting Lake area and agricultural meteorological disaster variation[J]. Journal of Anhui Agricultural Sciences, 2015, 43(21): 219−221 doi: 10.3969/j.issn.0517-6611.2015.21.081
[40] 李勇, 杨晓光, 叶清, 等. 全球气候变暖对中国种植制度可能影响Ⅸ. 长江中下游地区单双季稻高低温灾害风险及其产量影响[J]. 中国农业科学, 2013, 46(19): 3997−4006 doi: 10.3864/j.issn.0578-1752.2013.19.005 LI Y, YANG X G, YE Q, et al. The possible effects of global warming on cropping systems in China Ⅸ. the risk of high and low temperature disasters for single and double rice and its impacts on rice yield in the Middle-Lower Yangtze Plain[J]. Scientia Agricultura Sinica, 2013, 46(19): 3997−4006 doi: 10.3864/j.issn.0578-1752.2013.19.005
[41] 夏飞. 长江中游不同种植模式产量、资源利用效率及环境代价的研究[D]. 武汉: 华中农业大学, 2019 XIA F. Study on yield, resource utilization efficiency and environmental cost of different planting patterns in the middle Rreaches of Yangtze River[D]. Wuhan: Huazhong Agricultural University, 2019
[42] 侯国佐, 侯燕, 侯剑, 等. 油菜撒播轻型栽培技术研究 Ⅰ. 油菜不同种植方式的产量及经济效益分析[J]. 贵州农业科学, 2008, 36(2): 22−24, 27 doi: 10.3969/j.issn.1001-3601.2008.02.007 HOU G Z, HOU Y, HOU J, et al. Study on the broadcast cultivation technique in rape Ⅰ. Yield and economic benefits of different planting patterns[J]. Guizhou Agricultural Sciences, 2008, 36(2): 22−24, 27 doi: 10.3969/j.issn.1001-3601.2008.02.007
[43] 范连益, 惠荣奎, 邓力超, 等. 湖南油菜产业发展的现状、问题与对策[J]. 湖南农业科学, 2020(4): 80−83, 87 FAN L Y, HUI R K, DENG L C, et al. Current situation, problems and countermeasures of rape industry development in Hunan Province[J]. Hunan Agricultural Sciences, 2020(4): 80−83, 87
-
期刊类型引用(11)
1. 刘佳，曹基武，彭翠英，王靖涵，王旭军. 土壤化学性质对七叶一枝花产量和品质的影响. 中国野生植物资源. 2025(01): 14-22 . 
百度学术
2. 刘佳，曹基武，彭翠英，王靖涵，梁军生，廖德志，王旭军. 土壤酚酸类物质对七叶一枝花农艺性状的影响. 湖南林业科技. 2024(02): 10-15+24 . 百度学术
3. 陆奇丰，骆文华. 极小种群广西火桐幼苗对干旱复水的生理响应. 西南林业大学学报(自然科学). 2024(04): 8-16 . 百度学术
4. 冯敬华，陈邦清，陈显，曾百林，田风雷，王功芳，余长蓉，曹荣军，张永翠，李道新. 七叶一枝花人工丰产栽培技术研究. 绿色科技. 2024(13): 70-74+78 . 百度学术
5. 刘守赞，蒋玲苔，张韵，顾依雯，韩敏琪，李姗，王红珍，白岩. 蓝、紫单色光处理对三叶青生理及总黄酮含量时空变化的影响. 中国生态农业学报(中英文). 2023(06): 885-894 . 本站查看
6. 周水灯，孙健，江建铭，邵将炜，邓惠敏，邵清松，王志安. 不同生育期施肥对浙贝母产量和品质的影响. 浙江农林大学学报. 2023(04): 756-764 . 百度学术
7. 陆奇丰，骆文华. 不同遮阴环境对广西火桐幼苗生长及生理生化的影响. 西部林业科学. 2023(04): 70-76+82 . 百度学术
8. 米琪，赵艳丽，李文春，普伟，陆尤，徐萍，于梦雯，陈佳，郑国伟. 云南重楼与球药隔重楼皂苷含量差异及光合特性研究. 时珍国医国药. 2023(12): 2937-2941 . 百度学术
9. 陈思，阎凯，何永美，湛方栋，祖艳群，李元，陈建军，李博. 遮阴对伴矿景天Cd、Pb、Zn累积特征的影响. 中国生态农业学报(中英文). 2022(03): 409-418 . 本站查看
10. 李坤，毛纯，刘军，吴芳兰，杨梅. LED光质对走马胎生长和生理及活性成分含量的影响. 西北植物学报. 2022(05): 819-828 . 百度学术
11. 许涛，郝心悦，于远航，庄心情，武淑娟，张怡. “药光互补”模式下中草药种植研究概述. 低碳世界. 2022(11): 169-171 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 641
- HTML全文浏览量: 280
- PDF下载量: 62
- 被引次数: 15
