Measurement and analysis of agricultural green total factor productivity based on farmers’ perspectives
-
摘要: 提升农业绿色全要素生产率, 加快农业绿色转型是全面建成社会主义现代化强国的必然选择。研究以中国家庭追踪调查(China Family Panel Studies, CFPS)的全国性大容量样本农户数据为蓝本, 在微观测度方法比较分析的基础上, 基于技术优化的Malmquist-Luenberger指数为基准, 测度分析了农户层农业绿色全要素生产率的状况, 并进一步选用核密度估计法和Dagum基尼系数法, 揭示了微观样本农业绿色全要素生产率的动态演变规律及其区域差异特征。主要研究发现如下: 1)技术优化的Malmquist-Luenberger指数测度显示, 2014年、2016年和2018年3期样本农户的农业绿色全要素生产率均值为1.0030, 总体发展态势良好; 农业绿色技术变化、绿色技术效率变化的共同作用是驱动农户层面农业绿色发展变化的主要引致因素, 且后者的影响程度远大于前者; 农户资源配置、管理模式及组织方式的改善优化, 在现阶段是农户发展绿色农业的提升关键, 其影响相对高于农户农业生产技术的革新。2)通过核密度估算发现, 2016年和2018年样本农户的绿色全要素生产率集中度较高, 农业绿色技术效率并未出现两级分化, 但农业绿色技术进步呈现上升趋势。3) Dagum基尼系数法结果表明, 农户层面农业绿色全要素生产率的区域差距不断缩小, 区域差距的降幅达22.32%, 超变密度是引致主因; 在区域内差距上, 东、西、中部地区内部, 农户的绿色农业差距依次递减; 在区域间差距上, 东西、东中、中西部间差距不断缩小、协同性不断增强, 但差距易受到环境因素影响。
-
关键词:
- 农户视角 /
- 农业绿色全要素生产率 /
- 技术优化的Malmquist-Luenberger测度 /
- 差距识别
Abstract: Improving agricultural green total factor productivity (AGTFP) and hastening agricultural green transformation are unavoidable choices for comprehensively building a strong socialist, modernized country. Based on a comparative analysis of micro-measurement methods, this study analyzed the status of AGTFP at the farmer household level based on the technically optimized Malmquist-Luenberger index. The kernel density estimation method and the Dagum Gini coefficient method were further used to reveal the dynamic evolution of AGTFP and its regional differences in the micro-sample. The main findings are as follows: 1) From the measurement results, the mean value of AGTFP in the microfield in 2014, 2016 and 2018 was 1.0030, with a good overall development trend. The mean value of AGTFP of farmers in 2016 was 1.0099, and agricultural green development had a good growth trend. The mean values of technical efficiency change and technical progress change were 1.0165 and 0.9928, respectively, indicating that the improvement in farmers’ green agricultural technical efficiency was the main driving factor while the change in technical progress was relatively slow. In 2018, the mean value of AGTFP by farmers was 0.9960, which showed a decreasing trend. The corresponding mean values of technical efficiency change and technical progress change were 0.9765 and 1.0200, respectively, indicating that the technical efficiency improvement of green agriculture did not achieve a sustainable spillover effect and that the innovation function of technical progress change played a role in the improvement. 2) In terms of contributing factors, the use of subjective environmental assessment scores or objective provincial-level environmental pollution data as proxies for non-desired outputs among farmers with higher levels of AGTFP, agricultural green technological progress, and agricultural green technological efficiency was found to be more effective. For farmers with high levels of AGTFP, both green technological advances and green technological efficiency in agriculture were drivers of green growth, and the contribution of the latter was greater than that of the former. 3) From the perspective of a dynamic evolution pattern, in terms of AGTFP, the concentration in 2016 and 2018 was high, showing distinct clustering; however, the divergence phenomenon was not obvious, and the number of farmers with a high level of green development in 2018 was much higher than that in 2016; in terms of the agricultural technical efficiency of farmers, there was no bifurcation in 2016 and 2018. The number of low-level farmers in 2018 was higher than that in 2016, indicating that there was a regression phenomenon, and the difference between the agricultural technical efficiency of high- and low-level farmers was obvious. In terms of agricultural green technical progress of farmers, the overall trend was increasing, the number of low-level farmers in 2016 was lower, and the number of high-level farmers was relatively higher, while in 2018, the number of high- and low-level farmers remained the same, and a spatial clustering effect was evident. In 2018, the number of farmers with low levels of agricultural green technology progress decreased “precipitously.” On the premise that the number of farmers remained unchanged, this part of the low-level farmers moved to the middle- and high-level groups, forming the dynamic transfer effect of “internal push and external pull.” 4) From the perspective of regional disparity, the overall gap in AGTFP in the sample period was decreasing, with a decline of 22.32%. From the source decomposition, the hyper-variance density was the main cause of the overall regional disparity in AGTFP. From the contribution rate, the contribution rate of hyper-variance density was much higher than the contribution rate of intra- and inter-regional disparity, indicating that the cross-over problem between different regions was the main cause of the overall disparity in AGTFP at the farmer level. Further, from the intra-regional disparity, the disparity of AGTFP at the household level decreased within the eastern and western regions; from the inter-regional disparity, the disparity between the eastern and western, eastern and central, and central and western regions decreased continuously during the sample period, and the synergy was the highest, but this gap was susceptible to environmental factors. -
苹果(Malus pumila)是中国第一大水果, 在我国林果产业中有着重要的地位, 主要分布在环渤海、黄土高原、黄河故道和秦岭北麓、新疆以及西南冷凉高地等地[1]。山东作为我国苹果传统环渤海优势主产区的主产省之一, 具有独特的地理位置和优越的气候资源。由于受临海季风、极端气候的影响, 农业气象灾害呈频发、重发态势, 给苹果安全生产带来了挑战[2]。
厄尔尼诺—南方涛动事件(ENSO事件)是指中东太平洋地区海温异常变化与太平洋和印度洋地区东西方向海平面气压变化的跷跷板现象, 是目前人类所能观测到最强的全球尺度的海洋和大气耦合系统[3]。20世纪60年代以来国内外专家研究发现, ENSO事件常引发中国不同地区旱涝、高低温等气象灾害的发生, 进而影响农业气候资源的时空格局, 对农业生产造成一定的损失[4-8]。气候变化背景下, 环渤海地区旱涝灾害频发, ENSO事件与降水强度、旱涝指数呈显著负相关, 与旱涝等级呈显著正相关[4-6]; 厄尔尼诺年降水减少且有明显滞后性, 拉尼娜年与之相反。ENSO事件对山东气温影响呈空间差异性, 总体而言, 厄尔尼诺年极端高温日数增加, 极端低温日数减少, 不同时段气温与ENSO事件存在不同共振周期[9]; 但苗正伟等[10]认为京津冀地区极端温度指数与ENSO事件无显著相关性。与此同时, 旱涝灾害的发生对环渤海地区苹果生产影响较大[11]。降水量异常变化影响了苹果产量和品质[12-13]。程雪等[14]、杨建莹等[15]分析了北方苹果种植区干旱时空分布特征, 指明了苹果干旱的触发阈值, 并在区域进行了验证。马丽君[16]、程婷婷等[17]分析了夏季干旱、冬春连旱、低温等农业气象灾害, 发现这是导致苹果坐果率低的主要原因, 并提出相应的田间管理措施建议。但分析大尺度环流异常的ENSO事件对山东农业气象灾害、苹果产量的影响鲜见报道。鉴于旱涝灾害、极端温度灾害对苹果生产影响较大, 本文以此为切入点, 探究在大尺度环流异常ENSO事件影响下的山东旱涝、极端温度等农业气象灾害的区域演变特征, 探讨其对苹果产量的影响, 以期为保障山东苹果优势产区的健康发展, 规避农业气象灾害提供科学参考。
1. 材料与方法
1.1 研究区域
山东省位于我国东部环渤海沿海地区, 属于温带季风气候, 气候资源季节分配不均, 雨热同期(图1)。山东省也是我国重要的农业生产基地之一[18-19]。
![]()
图 1 研究区域及气象站点分布图Figure 1. Location of the study area and the distribution of meteorological stations1.2 研究数据
本文选取山东省18个国家标准气象站(图1) 1991—2019年逐日气象数据, 包括最高、最低和平均温度, 降水量, 日照时数和风速等; 山东省17个地市1991—2019年苹果种植面积、产量等统计数据。同时, 选取1991—2019年逐月南方涛动指数(Southern Oscillation Index, 简称SOI)数据[20-21], 全球有且唯一的SOI数据主要用于划分大尺度环流异常ENSO事件年型[19], 统计结果如表1所示。
Table 1. Classification of different El Niño-Southern Oscillation (ENSO) events from 1991 to 2019ENSO 年份 Year 总计 Total (a) 厄尔尼诺年 El Niño year 1991, 1992, 1993, 1994, 1997, 2002, 2004, 2005, 2006, 2009, 2014, 2015, 2016 13 中性年 Neutral year 1996, 1998, 2001, 2003, 2007, 2012, 2013, 2017, 2018 9 拉尼娜年 La Niña year 1995, 1999, 2000, 2008, 2010, 2011, 2019 7 1.3 研究方法
1.3.1 山东苹果可生长期及生长的基本气候条件
根据查阅相关文献[19]和实地走访, 收集整理了山东各地不同品种苹果实际生长发育日期。本文以可覆盖苹果所有品种的关键生育期为目标, 划定每年3月1日—10月31日为山东苹果的可生长期(潜在生长期), 即在此时间范围内的气候条件可满足苹果正常生长发育的最低要求; 同时, 定义3月1日—5月31日为开花期, 6月1日—8月31日为果实膨大期。
1.3.2 旱涝灾害的判定
参考国家标准《气象干旱等级》(GB/T 20481—2017)及相关文献[22-24], 本文选取降水距平百分率作为山东旱涝灾害发生的判定指标。降水距平百分率是描述某时段内某地降水量与同期降水量多年平均状态的偏离程度, 用百分率(%)表示, 降水量越大降水距平偏离气候平均值越大, 发生干旱或雨涝灾害的风险越大。计算公式如下:
$$ P_{\rm{a}}=\frac{P-\overline{P}}{\overline{P}}\times 100 \text{%} $$ (1) 式中: Pa为降水量距平(%), P为某时段降水量(mm),
$\overline{P}$ 为同期降水量的多年平均值(mm)。以降水距平百分率为指标的旱涝等级划分, 具体如表2所示[23-24]。表 2 根据降水距平百分率(Pa)划分旱涝等级Table 2. Drought and flood grades according to the percentage of precipitation anomaly (Pa)等级 Level 季节 Season 年 Year 重涝 Heavy waterlogging Pa ≥ 80% Pa ≥ 45% 大涝 Flooding 80% > Pa ≥ 50% 45% > Pa ≥ 30% 偏涝 Partial waterlogging 50% > Pa> 25% 30% > Pa> 15% 正常 Normal 25% ≥ Pa ≥ −25% 15% ≥ Pa ≥ −15% 偏旱 Partial drought −25% > Pa> −50% −15% > Pa> −30% 大旱 Drought −50% ≥ Pa> −80% −30% ≥ Pa> −45% 重旱 Heavy drought −80% ≥ Pa −45% ≥ Pa 1.3.3 旱涝站次比
旱涝站次比是研究区域内同一时段发生干旱或雨涝的站点与区域内全部站点的比值, 用于表达干旱或雨涝灾害的影响区域大小。计算公式如下:
$$ {P}_{{\rm{j}}}=\frac{m}{M}\times 100\text{%} $$ (2) 式中: Pj为旱涝站次比(%), M为研究区域内站点总个数,
${m}$ 为发生干旱或雨涝事件的站点数。以旱涝站次比为指标的旱涝等级划分[22-25], 具体如表3所示。表 3 以旱涝站次比(Pj)划分区域灾害影响范围Table 3. Influence area of regional disasters by the stations ratio of drought or flooding (Pj)旱涝站次比 Drought/flooding station ratio 影响范围 Affected region Pj≥70% 全域性干旱(雨涝) Drought (flooding) in the whole region 70%>Pj≥50% 区域性干旱(雨涝) Regional drought (flooding) 50%>Pj≥30% 部分地区干旱(雨涝) Drought (flooding) in the most part of the study region 30%>Pj≥10% 局部地区干旱(雨涝) Drought (flooding) in the local region Pj<10% 全域无明显干旱(雨涝)发生 Not occurred drought (flooding) 1.3.4 旱涝频率
研究区域内某时段干旱或雨涝发生的频率用Pi表示, 计算公式如下:
$$ {P}_{i}=\frac{n}{N}\times 100 \text{%} $$ (3) 式中:
$ N $ 为研究时间段,$ n $ 为发生干旱或雨涝的次数[2]。1.3.5 极端温度
山东省苹果极端温度指标如表4所示。每年3—5月为苹果开花阶段, 常受低温、倒春寒等灾害的影响, 开花受到低温影响, 影响苹果坐果率和果实品质[26-27]。低温灾害一般分为低温冷害和低温冻害。6—8月为果实膨大期, 高温热害导致果实发生日灼, 影响果实品质和产量[25]。
表 4 山东苹果极端温度指标Table 4. Extreme temperature indexes of apple in Shandong灾害类型
Disaster category研究时段
Research period灾害种类
Disaster type指标
Indicator极端低温
Extreme low temperature (tmin)3—5月苹果开花期 Apple flowering period from March to May 低温冷害
Chilling damage−2 ℃<$ {t}_{{\rm{min}}} $≤0 ℃ 低温冻害
Low temperature freezing$ {t}_{{\rm{min}}} $≤−2 ℃ 极端高温
Extreme heat (tmax)6—8月果实膨大期
Apple fruit enlargement period from June to August高温热害
High temperature$ {t}_{{\rm{max}}} $≥35 ℃ 1.3.6 产量分离
为研究苹果产量与气象因子之间的关系, 剔除生产力发展下的趋势产量, 得到苹果的气候产量, 具体公式如下:
$$ Y_{0} =Y-{Y}_{i}-a $$ (4) 式中: Y为实际产量(kg·hm−2); Yi为趋势产量(kg·hm−2); Y0为气象产量(kg·hm−2);
$ a $ 为随机误差产量, 忽略不计。本文选取5 年滑动平均法计算苹果产量的趋势产量[28]。此外, 利用苹果减产率(Yw)来判断气象条件是否有利于苹果产量。当Y0>0时, 苹果减产率为0; 当Y0<0时, 即气候条件易导致苹果产量减产, 取绝对值后记为苹果减产率。具体计算如下[29]:
$$ \begin{split} \\ {{Y}}_{{{\rm{w}}}}{=\left\{\begin{array}{l} \left|\dfrac{{Y}_{0}}{{Y}_{i}}\times 100 \text{%} \right|\;\;\;\;\;{Y}_{0} < 0\\ 0\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{Y}_{0}\geqslant 0\end{array}\right.}_{} \end{split} $$ (5) 2. 结果与分析
2.1 不同ENSO年型苹果果实膨大期(6—8月)旱涝灾害特征
2.1.1 旱涝频次/频率
6—8月是苹果果实膨大期, 降水量多寡影响苹果果实着色及糖分积累[30]。1991—2019年, 不同ENSO年型下山东干旱、雨涝具有时空差异性(图2)。厄尔尼诺年, 山东共发生干旱站次共78次, 雨涝26次; 拉尼娜年, 发生干旱站次有32次, 雨涝29次; 中性年, 干旱站次仅发生6次, 雨涝站次发生了60次。厄尔尼诺年干旱发生频次高于雨涝发生频次, 中性年雨涝发生频次高于干旱。从空间来看, 厄尔尼诺年胶东半岛、鲁南地区干旱发生站次分别为26次和16次, 雨涝发生4次和2次; 拉尼娜年干旱站次发生高值区分布在胶东半岛(16次)和鲁北地区(7次); 中性年, 海阳、烟台、莒县等地雨涝站次均为5次。总体而言, 厄尔尼诺年更易发生干旱, 中性年更易发生雨涝灾害。在地区分布上, 鲁西、鲁中地区容易发生干旱灾害, 胶东半岛、鲁南地区容易发生雨涝灾害。
![]()
图 2 不同厄尔尼诺-南方涛动(ENSO)事件年型山东6—8月降水距平百分率及旱涝等级(1991—2019年)Figure 2. Percentage of precipitation anomalies and grade of droughts and floods from June to August under different El Niño-Southern Oscillation (ENSO) years in Shandong (1991−2019)不同ENSO年型下山东旱涝灾害发生频率如图3所示。1991—2019年, 山东地区干旱和旱涝发生频率基本持平; 厄尔尼诺年干旱发生频率约35%, 高于雨涝发生频率(10%); 中性年雨涝发生频率集中在35%~45%, 最高达55%, 干旱频率为0~10%, 高值约在20%; 拉尼娜年干旱发生频率为15%~45%, 雨涝发生频率在0~45%。总体而言, 厄尔尼诺年干旱发生频率高于拉尼娜年和中性年, 中性年雨涝灾害发生频率高于厄尔尼诺年和拉尼娜年。
![]()
图 3 不同厄尔尼诺-南方涛动(ENSO)事件年型山东6—8月旱涝频率分布Figure 3. Frequency of drought and flood from June to August under different El Niño-Southern Oscillation (ENSO) years in Shandong2.1.2 旱涝站次比
1991—2019年山东旱涝站次比的变化如图4所示, 过去近30年, 山东干旱发生站次比多于雨涝发生站次比。山东全区共发生1次全域性干旱、2次区域性干旱及3次区域性雨涝。厄尔尼诺年山东发过1次全区干旱、2次区域性干旱, 中性年发生3次区域性雨涝。厄尔尼诺年局部性雨涝、拉尼娜年局地性雨涝高于局地性干旱的发生。
![]()
图 4 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下山东6—8月旱涝灾害站次比Figure 4. Stations ratio of drought and flood from June to August under different El Niño-Southern Oscillation (ENSO) years in Shandong (1991–2019)2.2 极端温度
2.2.1 低温冷害
过去近30年, 山东发生低温冷害的平均年日数来看(图5a-c), 鲁东、鲁北地区属低温冷害高发区, 鲁西地区属低温冷害发生低值区。厄尔尼诺年低温冷害平均年日数高值区在胶东半岛和鲁北地区, 约5~7 d·a−1, 其中潍坊低温冷害的平均年日数达7~9 d·a−1; 鲁西、鲁南烟台、威海地区低温冷害发生平均年日数为3~5 d·a−1。拉尼娜年, 低温冷害低值区在济南、朝阳、菏泽、日照、青岛等地区, 平均为1~3 d·a−1。中性年, 低温冷害高值区在鲁北、鲁中及山东半岛地区, 平均为5~7 d·a−1, 德州、潍坊、烟台低温冷害发生的年均日数最高, 平均为7~9 d·a−1。中性年低温冷害的高值区范围相对最大。
![]()
图 5 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下低温冷害(−2 ℃<极端低温≤0 ℃)发生日数、> 3 d低温冷害频率空间分布Figure 5. Spatial distribution of occurrence days of cold injury (−2 ℃ < extreme low temperature≤ 0 ℃) and frequency of cold injury lasting for more than 3 days under different El Niño-Southern Oscillation (ENSO) years during 1991−2019在苹果开花期发生持续3 d以上的低温冷害, 影响苹果花粉活力和坐果率[27]。图5d-f是>3 d低温冷害发生的频率区域分布, >3 d低温冷害的高频率区在鲁中至胶东半岛地区, 频率约在60%~100%; 鲁西、鲁东南地区为低频率区。厄尔尼诺年鲁西、鲁东南及烟台地区>3 d低温冷害的发生频率在30%~60%。拉尼娜年, >3 d低温冷害低值区(10%~30%)分布在济南、日照、青岛地区。中性年>3 d低温冷害发生频率低值区(30%~60%)分布在菏泽、济南、日照等地, 高频率分布范围最广, 其中胶东半岛地区低温冷害发生频率为90%~100%。综上所述, 厄尔尼诺年下, 发生低温冷害的日数、频率较低, 受低温冷害的影响较低; 而中性年, 低温冷害发生持续日数较长, 且发生频率的影响范围最广, 因此中性年受低温灾害影响较大。
2.2.2 低温冻害
1991—2019年, 山东苹果开花期低温冻害平均年日数的空间分布如图6a-c所示。鲁东、胶东半岛地区为低温冻害高值区, 鲁西地区为低值区。相较于低温冷害发生情况, 低温冻害影响区域偏高。厄尔尼诺年鲁东及胶东半岛地区低温冻害年日数5~7 d·a−1, 济南、菏泽、日照、青岛地区平均为1~3 d·a−1。拉尼娜年, 鲁西、鲁东南地区及东营地区为低值区。中性年, 鲁东至胶东半岛地区为低温冻害发生的高值区。3种ENSO年型下, 潍坊地区低温冻害年发生日数最高, 为7~9 d·a−1。
![]()
图 6 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下低温冻害(极端低温≤−2 ℃)发生日数、>3 d低温冻害频率空间分布Figure 6. Spatial distribution of low temperature freezing injury (extreme low temperature ≤ −2 ℃) days and frequency of low temperature freezing injury lasting for more than 3 days under different El Niño-Southern Oscillation (ENSO) years during 1991−20191991—2019年, >3 d低温冻害发生频率的空间分布如图6d-f所示。厄尔尼诺年鲁东、胶东半岛地区>3 d低温冻害发生频率较高, 约在60%~90%, 其中潍坊地区>3 d低温冻害频率最高, 为90%~100%, 厄尔尼诺年下, 近乎年年发生。拉尼娜年、中性年, 在菏泽、济南、东营等地低温冻害发生频率较低, 约在10%~30%。综上而言, 厄尔尼诺年低温冻害在鲁东、鲁北等地区分布范围最广, 发生频率也较高。由于潍坊地区以东、以北为渤海、沿海平原, 以南、以西多为山地, 冷空气易进难出, 使得低温灾害发生重于其他地区。
2.2.3 高温热害
6—8月是苹果果实膨大期, 高温热害影响苹果果实品质, 也易引发病害发生[30]。在1991—2019年山东发生高温热害的平均年日数区域分布如图7a-c所示。不同ENSO年型山东发生高温热害年日数呈东向西增加的空间分布。厄尔尼诺年, 高温热害平均年日数高值区分布在鲁中、鲁西等地, 其中鲁西地区发生天数最高, 约在11~15 d·a−1; 拉尼娜年、中性年在鲁东、胶东半岛地区平均年日数较低, 约在0~5 d·a−1。
![]()
图 7 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下高温热害(极端高温≥35 ℃)发生日数空间、> 3 d高温热害频率分布Figure 7. Spatial distribution of occurrence days of high temperature (extereme high temperature ≥35 ℃) and frequency of high temperature lasting for more than 3 days under different El Niño-Southern Oscillation (ENSO) years during 1991−20191991—2019年山东发生高温热害频率的空间分布如图7d-f所示, 厄尔尼诺年, 鲁东、胶东半岛地区>3 d发生频率仅有0~30%; 在鲁北、鲁中等地>3 d发生频率较高, 约在60%~90%, 其中鲁西地区频率最高, 在90%~100%。拉尼娜年, 仅鲁西、鲁北地区>3 d发生频率较高, 约60%~90%。中性年, 鲁西、鲁北地区>3 d发生频率约在90%~100%。鲁东、胶东半岛地区临近海洋, 受海洋气候的调节作用, 高温灾害有所减弱。
2.3 ENSO事件与农业气象灾害的关系
2.3.1 旱涝灾害与ENSO的相关性
为了探明区域旱涝关系与大尺度环流的关系, 进行了山东地区苹果旱涝灾害指数与不同ENSO年型的南方涛动指数(SOI)值相关关系的分析, 结果如图8所示。3—10月苹果可生长期内, 厄尔尼诺年SOI与山东大部分地区干旱呈正相关, 拉尼娜年SOI与山东大部分地区干旱呈负相关, 与胶东半岛和鲁东南地区干旱呈正相关。中性年SOI与鲁东南、胶东半岛北部干旱呈负相关, 与鲁中地区干旱呈显著正相关(通过显著性90%检验)。果实膨大期(6—8月), 厄尔尼诺年SOI与鲁中、鲁西等地干旱呈正相关关系; 拉尼娜年SOI与山东大部分地区呈负相关, 中性年SOI与胶东半岛干旱呈负相关; 其中, 拉尼娜年、中性年SOI与鲁东地区干旱呈显著负相关关系(通过显著性90%检验)。
![]()
图 8 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下旱涝灾害(A: 3—10月干旱; B: 3—10月雨涝; C: 6—8月干旱; D: 6—8月雨涝)与ENSO事件南方涛动指数相关性的空间分布Figure 8. Spatial distribution of correlation between drought and flood disasters (A: drought from March to October; B: flood from March to October; C: drought from June to August; D: flood from June to August) and El Niño-Southern Oscillation (ENSO) events in different ENSO years from 1991 to 2019对于雨涝灾害而言, 3—10月苹果可生长期, 厄尔尼诺年SOI数与山东大部分地区雨涝呈正相关, 与胶东半岛雨涝呈负相关; 拉尼娜年、中性年SOI与雨涝呈负相关。果实膨大期(6—8月), 厄尔尼诺年SOI与雨涝呈负相关关系, 与鲁东、鲁西部分地区干旱呈显著负相关(通过90%显著性检验)。拉尼娜年SOI与鲁中、鲁西地区雨涝呈正相关; 与鲁东、胶东半岛地区雨涝呈负相关。中性年SOI与山东大部分地区雨涝呈正相关, 但与鲁东、鲁东南地区雨涝呈负相关。
2.3.2 极端温度灾害与ENSO事件的相关性
1991—2019年, 山东低温灾害发生天数与不同ENSO年型的SOI相关关系的空间分布如图9所示。厄尔尼诺年SOI与山东大部分地区低温冷害、冻害呈负相关关系, 与鲁中地区相关性通过90%显著性检验。拉尼娜年、中性年SOI与山东低温冷害、冻害呈正相关关系; 拉尼娜年SOI与鲁西地区、中性年SOI与鲁中地区低温冷害、低温冻害呈负相关。总体来说, 厄尔尼诺年低温灾害受SOI影响较小; 拉尼娜年、中性年随着SOI增强, 低温冷害、冻害发生日数有所增加。
![]()
图 9 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下低温冷害(A)和低温冻害(B)与ENSO事件相关性的空间分布Figure 9. Spatial distribution of correlation between chilling damage (A), low temperature freezing injury (B) and El Niño-Southern Oscillation (ENSO) events in different ENSO years from 1991 to 20191991—2019年, 山东苹果果实膨大期高温灾害发生天数与不同ENSO年型SOI相关关系的空间分布如图10所示, 山东大部分地区高温热害与ENSO事件SOI呈负相关。厄尔尼诺年SOI与胶东半岛, 拉尼娜年SOI与沂源、日照、威海等地, 中性年SOI与龙口、潍坊、日照等地高温热害呈正相关, 但相关关系未通过90%显著性检验。总体而言, 随着南方SOI变化, 对山东高温热害影响有限。
![]()
图 10 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下高温热害与ENSO事件相关性的空间分布Figure 10. Spatial distribution of correlation between high temperature heat damage and El Niño-Southern Oscillation (ENSO) events under different ENSO years during 1991−20192.4 农业气象灾害与苹果减产率的关系
2.4.1 旱涝灾害与苹果减产率的关系
不同ENSO年型, 山东苹果减产率与旱涝灾害相关关系的空间分布如图11所示。3—10月苹果可生长期, 厄尔尼诺年, 山东鲁东北、胶东半岛干旱与苹果减产率呈正相关, 随着干旱程度增强, 苹果减产率也随之增加; 其余地区干旱与苹果减产率呈负相关, 其中济宁、潍坊干旱与苹果减产率呈显著负相关(通过90%显著性检验)。拉尼娜年德州、潍坊地区, 中性年德州、滨州、菏泽、青岛地区苹果减产率与干旱呈显著正相关(通过显著性90%)。拉尼娜年鲁西南、鲁东北及中性年济南、临沂地区干旱灾害与苹果减产率呈负相关, 干旱灾害与苹果减产率的相关系数较小。对3—10月苹果可生长期雨涝灾害而言, 山东大部分地区厄尔尼诺年胶东半岛雨涝灾害与苹果减产率呈正相关关系, 其余地区苹果减产率受雨涝影响较低; 中性年山东大部分地区雨涝与苹果减产率呈正相关, 降水增多导致苹果减产率增加。
![]()
图 11 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下旱涝灾害(降水距平百分率)与苹果减产率相关性的空间分布(A: 3—10月干旱; B: 3—10月雨涝; C: 6—8月干旱; D: 6—8月雨涝)Figure 11. Spatial distribution of correlation between drought and flood disasters (percentage of precipitation anomaly) and apple yield reduction rate under different El Niño-Southern Oscillation (ENSO) years during 1991−2019 (A: drought from March to October; B: flood from March to October; C: drought from June to August; D: flood from June to August)6—8月苹果果实膨大期, 厄尔尼诺年菏泽、鲁东北及胶东半岛地区干旱与苹果减产率呈正相关, 尤其东营、淄博、青岛地区相关关系通过显著性90%检验; 潍坊、临沂等地干旱与苹果减产率呈显著负相关(通过显著性90%检验)。拉尼娜年胶东半岛、淄博、日照、菏泽地区干旱灾害与苹果减产率呈显著负相关(通过显著性90%检验), 潍坊、临沂地区干旱与苹果减产率呈显著正相关(通过显著性90%检验)。中性年鲁西、鲁东北、烟台、日照等地干旱与苹果减产率呈显著负相关(通过显著性90%检验), 滨州、临沂地区干旱与苹果减产率呈显著正相关(通过90%显著性检验)。厄尔尼诺年、拉尼娜年雨涝灾害与苹果减产率呈负相关, 中性年绝大部分地区雨涝灾害与苹果减产率呈正相关。这与不同ENSO年型下气候条件差异有着密切的关联。
2.4.2 极端气温与苹果减产率的关系
1991—2019年, 不同ENSO年型低温灾害发生天数与苹果减产率关系的空间分布如图12所示。由图可知, 厄尔尼诺年鲁北、威海等地低温冷害与苹果减产率呈正相关, 随低温冷害日数的增加, 苹果减产减收幅度增大; 其中德州、威海地区低温冷害与苹果减产率呈显著性正相关(通过显著性90%检验)。拉尼娜年鲁东、鲁东北及中性年山东半岛地区低温冷害与苹果减产率呈负相关, 低温冷害对苹果减产率影响较小。厄尔尼诺年山东大部分地区低温冻害与苹果减产率呈正相关, 仅胶东半岛、德州等地呈负相关, 烟台地区低温冻害与苹果减产率呈显著负相关(通过显著性90%检验)。拉尼娜年仅鲁西、鲁南及胶东半岛部分地区低温冻害与苹果减产率呈正相关关系。中性年仅鲁北及鲁南地区低温冻害对苹果减产影响较低。
![]()
图 12 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下低温冷害(A)和低温冻害(B)与苹果减产率相关性的空间分布Figure 12. Spatial distribution of correlation between chilling damage (A), low termperature freezing injury (B) and apple yield reduction rate under different El Niño-Southern Oscillation (ENSO) years during 1991−2019不同ENSO年型下高温热害发生天数与苹果减产率相关性的空间分布如图13所示, 厄尔尼诺年鲁东及威海地区高温热害与苹果减产率呈负相关; 其余地区呈正相关关系, 即随高温热害日数的增加, 苹果减产减收越大。拉尼娜年胶东半岛、鲁西地区高温热害与苹果减产率呈负相关。中性年仅鲁东南及济南地区高温热害与苹果减产率呈正相关, 济南地区正相关关系通过显著性90%检验。
![]()
图 13 1991—2019年不同厄尔尼诺-南方涛动(ENSO)事件年型下高温热害与苹果减产率相关性的空间分布Figure 13. Spatial distribution of correlation between high temperature and apple yield reduction rate under different El Niño-Southern Oscillation (ENSO) years during 1991−20193. 讨论
降水距平百分率指数能较好地反映区域旱涝的时空变化特征。1991—2019年, 不同ENSO年型的山东旱涝灾害变化差异明显。由于厄尔尼诺年气候资源整体趋于暖干性, 热量资源较为丰富[19], 厄尔尼诺年易发生干旱; 中性年降水资源充沛, 易发生雨涝, 是影响中性年雨涝灾害频发的重要因素之一[19]; 虽然拉尼娜年降水量较为丰富, 但干旱发生频次仍高于雨涝。从空间分布来看, 鲁南地区雨涝灾害发生的频次高于干旱, 尤其在拉尼娜年和中性年; 而鲁中、鲁西地区干旱发生频次高于雨涝频次, 主要是因为区域地理位置的差异性, 导致不同区域的热量资源和降水资源的差异。在不同ENSO年型下, 气候资源分配也具有差异性。鲁南地区临近海洋, 受季风气候影响较为显著, 加之拉尼娜年、中性年的降水资源偏多, 导致该区域雨涝过多。而鲁中、鲁西地处内陆, 该区域热量资源丰富、气温偏高, 在厄尔尼诺年下降水偏少, 干旱发生较为频繁[19]。因此, 鲁西、鲁中地区为干旱灾害的易发、重发地区, 尤其是厄尔尼诺年; 鲁南等地则成为雨涝灾害的高发区, 在中性年, 鲁南地区雨涝灾害尤为严重。从影响范围来看, 区域性干旱多发生厄尔尼诺年, 中性年、拉尼娜年多发生局部或者地区性雨涝灾害。
1991—2019年, 山东3—10月苹果可生长期的干旱与厄尔尼诺年呈正相关, 但与拉尼娜年呈负相关; 山东大部分地区干旱与中性年呈正相关。厄尔尼诺年与雨涝呈正相关, 但拉尼娜年、中性年与雨涝呈负相关。6—8月果实膨大期, 鲁中、鲁西干旱与厄尔尼诺年呈正相关; 山东大部分地区干旱与拉尼娜年呈负相关; 其中拉尼娜年、中性年下, 鲁东地区与干旱呈显著负相关(通过显著性90%检验)。厄尔尼诺年与6—8月雨涝灾害呈负相关, 但鲁中、鲁西地区雨涝与拉尼娜年呈正相关; 山东大部分地区雨涝与中性年呈正相关。厄尔尼诺年多发易发干旱灾害, 而中性年却频发雨涝灾害, 这与不同ENSO年型下气候条件的差异有关。厄尔尼诺年热量资源充沛, 但降水资源相较于拉尼娜年、中性年较少。由于地理位置的差异性, 导致各地区气候资源存在差异, 这使得鲁西、鲁中等地成为了干旱的高发区, 且因为远离海洋, 气候调节能力有限, 使该地受大尺度气候影响比沿海地区更为敏感。总体而言, 1991— 2019年, 受ENSO事件影响, 热量资源相对优越的厄尔尼诺年, 干旱灾害发生的程度、影响范围高于其他年型, 鲁西、鲁中等地区尤为突出; 降水资源充沛的中性年, 鲁南地区雨涝灾害发生频率和范围较大。苹果可生长期内, 厄尔尼诺年应多加防范区域性干旱灾害, 中性年谨防雨涝灾害。徐泽华等[2]认为ENSO事件下山东降水减少、温度升高, 致使山东气候趋于暖干化, 加剧了山东干旱灾害的发生; 鲁西及鲁西北等地干旱较为严重; 通过标准化蒸散指数分析山东旱涝灾害, 发现厄尔尼诺年指数趋于干旱, 且程度大于拉尼娜年。这一结果与本文研究一致。由于地理位置差异, 使鲁东、鲁西两地旱涝灾害发生情况有所差异, 不同ENSO年型下气候分配不均匀, 使得在相对温暖干燥的厄尔尼诺年, 鲁西地区干旱加剧, 而雨量较多的拉尼娜年、中性年, 则导致鲁东地区雨涝灾害频发。
1991—2019年, 不同ENSO年型的山东苹果开花期低温、果实膨大期的高温灾害也存在时空变化差异。中性年低温冷害、冻害发生的日数及发生频率高于厄尔尼诺年和拉尼娜年, 且影响范围大。中性年低温冷害在胶东半岛地区发生频率为90%~100%, 发生日数在7~9 d∙a−1, >3 d的低温冻害发生频率在60%~90%。这与中性年降水资源过于丰富, 且热量资源相较于其他年份偏低有关。胶东半岛低温灾害的高发率, 也与其地理位置有关。高温热害则恰恰与低温灾害相反, 少有发生低温灾害的鲁西、鲁中地区成为了高温热害的高发区, 尤其是厄尔尼诺年影响范围最大, 持续天数也较多(约8~15 d·a−1), 厄尔尼诺年鲁西、鲁中地区热量资源优越, 也是其成为高温热害高发区的重要原因。
1991—2019年, 低温冷害、冻害与厄尔尼诺年呈负相关, 与拉尼娜年、中性年呈正相关; 高温热害与ENSO事件均呈负相关。厄尔尼诺年, 低温冷害、低温冻害与SOI值呈负相关, 低温灾害受ENSO事件影响较小。拉尼娜年、中性年, 低温灾害与SOI值呈正相关, 低温冷害、冻害发生天数有所增加。在鲁中、胶东半岛地区极端温度变化受ENSO事件影响较大, 发生天数有所增加。董旭光等[31]、刘玄等[32]研究发现山东极端气温分布空间不均匀, 鲁东南、胶东半岛等沿海地区与内陆地区的极端热气温指数变化差异明显; 姜德娟等[33]发现山东极端温度发生的频率空间差异较突出, 胶东半岛地区为气候变化敏感区, 极端温度事件发生更为频繁且变化幅度较大。这与本文结果一致。在胶东半岛、鲁东南等地, 高温热害发生的天数、频率远低于位于内陆的鲁西、鲁中地区。这可能由于山东地理位置等因素的影响。因此鲁西等地, 尤为厄尔尼诺年, 谨防高温热害带来的危害。山东局部地区的ENSO事件表现与相邻地区变化有所差异, 由于数据收集的有限性, 可能是地区上在地理位置、地势等因素的存在差异所导致。后续会进一步收集相关数据研究。
气候变化背景下不同ENSO年型旱涝灾害对苹果减产率造成一定的影响。在3—10月干旱灾害中, 厄尔尼诺年, 胶东半岛地区干旱频发导致苹果减产率上升; 中性年, 山东鲁北、鲁西等地区旱灾与苹果减产率呈正相关, 即随着干旱程度的加深, 苹果减产减收的程度也增大。3—10月雨涝, 胶东半岛在厄尔尼诺年与苹果减产率呈正相关; 而中性年, 山东大部分地区与苹果减产率呈正相关。6—8月干旱, 厄尔尼诺年胶东半岛与苹果减产率呈正相关, 而拉尼娜年、中性年仅在鲁中部分地区与苹果减产率呈正相关。6—8月雨涝, 厄尔尼诺年、拉尼娜年山东大部分地区与苹果减产率呈负相关; 但是中性年却与苹果减产率呈正相关。胶东半岛地区由于紧邻海洋, 同时其苹果种植面积最广, 苹果减产减收更容易受到旱涝灾害的影响。鲁西、鲁中地区深居内陆, 热量资源充沛(尤在厄尔尼诺年), 旱灾的加剧, 在一定程度上导致苹果产量受灾损失加重。中性年降雨过多下, 雨涝灾害频发、重发, 使得苹果减产减收加剧。因此, 厄尔尼诺年等热量资源充沛的年份, 做好苹果预旱防旱的措施; 中性年降水较多的年份, 谨防雨涝灾害对苹果生产的影响。
不同ENSO年型下, 极端温度对苹果产量影响也具有差异性, 厄尔尼诺年, 鲁西、鲁中地区的高温热害与苹果减产率呈正相关; 鲁中、鲁西地区为高温热害高发区, 高温热害发生导致苹果减产率上升。拉尼娜年和中性年, 鲁东、胶东半岛地区极端低温灾害与苹果减产率呈正相关, 极端低温灾害的发生, 阻碍了苹果产量的增产增收; 烟台地区与苹果减产率呈负相关, 这可能由于烟台地区种植技术、管理措施等因素降低了气候条件对苹果生产的影响。厄尔尼诺年, 高温热害天数的增多导致苹果减产风险增高。拉尼娜、中性年, 高温对山东苹果减产影响较小。因此, 厄尔尼诺、中性年应谨防高温热害、低温冻害对苹果产量的影响, 拉尼娜年, 谨防低温冷害对苹果减产的危害。
但是, 本文是基于站点气象数据对山东苹果旱涝灾害开展研究, 受数据年限及数据精细化的限制, 并未充分考虑到苹果需水量及蒸散量等因素, 也未考虑苹果品种、人工灌溉等因素的影响。在今后研究中, 会收集相关数据进一步开展更深入的研究。
4. 结论
本文通过山东1991—2019年逐日气象数据及山东苹果地级市苹果生产数据, 探究了不同ENSO年型旱涝、极端温度灾害的时空演变规律, 分析不同ENSO事件农业气象灾害对山东苹果减产率的影响。过去29年, 厄尔尼诺年干旱发生频率、影响程度和范围较大; 中性年雨涝灾害发生频繁。从地区来看, 鲁西地区易发生干旱、鲁南易发生雨涝灾害。胶东半岛、鲁东等地易发生低温冷害、冻害; 鲁西、鲁中及鲁北等地高温热害相对严重。极端低温灾害与厄尔尼诺南方涛动指数呈负相关, 与拉尼娜年、中性年的关系反之。极端高温与中性年南方涛动指数呈负相关。对于苹果产量, 厄尔尼诺年干旱、高温导致苹果减产量增加, 尤其在鲁西地区。拉尼娜年、中性年低温冷害使得苹果减产率增加。总体而言, 厄尔尼诺年苹果栽培需预防干旱和高温, 中性年需预防雨涝、苹果花期低温和果实膨大期的高温灾害, 拉尼娜年需谨防低温灾害的发生。
-
![]()
图 1 农业绿色全要素生产率(a, b)、农业绿色技术效率变化(c, d)和农业绿色技术变化(e, f)的核密度分布
左图为使用虚拟户主的主观污染感知度作为非期望产出; 右图为使用农业化学需氧量、总氮、总磷等标排放量等客观农业面源污染作为非期望产出。The left panel uses the subjective pollution perception of the virtual household head as the non-desired output; the right panel uses objective agricultural non-point source pollution such as agricultural chemical oxygen demand, total nitrogen, total phosphorus equivalents emissions as the non-desired output.
Figure 1. Kernel density distribution of agricultural green total factor productivity (a, b), agricultural green technical efficiency change (c, d) and agricultural green technological change (e, f)
表 1 改进后的农业绿色全要素生产率测算体系
Table 1 An improved system for measuring agricultural green total factor productivity
目标层
Target layer一级指标
Primary indicator二级指标
Secondary indicator变量定义
Specific variable
and description指标单位
Indicator unit符号
Symbol农业绿色全要素生产率 Agricultural green total factor productivity 投入指标
Input
indicators资本 Capital 农业生产的流动性资本投入与固定性资本投入之和
Sum of liquid capital inputs and fixed capital inputs in agricultural production¥ x1 劳动力 Labor 过去12个月参与的自家农业生产活动的家庭成员数 Number of household members involved in home-based agricultural production activities in the past 12 months Persons x2 土地 Land 承包地面积与租用地面积之和
Sum of contracted land area and leased land areahm² x3 期望产出
指标
Desired output indicators农产品总产出
Total agricultural output过去12个月, 家庭所生产的农产品、养殖物及副产品销售收入以及自家消费总值之和
Sum of income from the sale of agricultural products, farm products and by-products produced by the household and the total value of own consumption in the past 12 months¥ y1 非期望产出指标
Non-desired output indicators农业面源污染
Agricultural non-point source pollution农业化学需氧量(COD)等标排放量
Agricultural chemical oxygen demand (COD) equivalent emissionst yu2 农业总氮(TN)等标排放量
Agricultural total nitrogen (TN) equivalent emissionsyu3 农业总磷(TP)等标排放量
Agricultural total phosphorus (TP) equivalent emissionsyu4 主观污染感知度
Subjective pollution perception degree采用农业活动管账人对环境污染问题严重度的感知, 0代表不严重, 10代表非常严重
Perception of the severity of environmental pollution problems by the custodians of agricultural activities: 0 = not serious, 10 = very serious.yu1 
下载: 导出CSV
表 2 农业绿色全要素生产率测算的投入和产出指标的描述性统计结果
Table 2 Results of descriptive statistics for input and output indicators for measuring agricultural green total factor productivity
指标
Index样本量
Sample size均值
Mean value标准差
Standard deviation最大值
Maximum value最小值
Minimum value资本 Capital 9735 11.0715 29.6284 0.0060 1000.0000 劳动力 Labor 9735 3.8680 1.8298 1.0000 21.0000 土地 Land 9735 0.8235 2.3192 0.0067 73.3333 农产品总产出 Total agricultural output 9735 16.4968 35.8345 0.0010 900.0000 主观污染感知度 Subjective pollution perception degree 9735 6.5300 2.5024 1.0000 10.0000 化学需氧量等标排放量 Chemical oxygen demand equivalent emissions 9735 2.0374 2.1763 0.0087 9.4930 总氮等标排放量 Total nitrogen equivalent emissions 9735 38.5440 27.1381 1.4973 131.6150 总磷等标排放量 Total phosphorus equivalent emissions 9735 13.5534 10.0784 0.9760 58.9300
下载: 导出CSV
表 3 农业绿色全要素生产率测算的投入和产出指标的相关性检验
Table 3 Correlation test of input and output indicators for measuring agricultural green total factor productivity
指标
Index资本
Capital劳动力
Labor土地
Land农产品
总产出
Total agricultural
output主观污染
感知度
Subjective pollution
perception degree化学需氧量
等标排放量
Chemical oxygen demand equivalent emissions equivalent
emissions总氮等标
排放量
Total nitrogen equivalent
emissionsTP等标
排放量
Total phosphorus equivalent
emissions资本 Capital 1.0000 — — — — — — — 劳动力 Labor 0.0453*** 1.0000 — — — — — — 土地 Land 0.0512*** 0.0191* 1.0000 — — — — — 农产品总产出
Total agricultural output0.7714*** 0.0507*** 0.0324*** 1.0000 — — — — 主观污染感知度
Subjective pollution perception degree0.0421*** 0.0400*** 0.0378*** 0.0233** 1.0000 — — — 化学需氧量等标排放量
Chemical oxygen demand equivalent emissions0.0473*** 0.0939*** 0.0568*** 0.0285*** 0.0435*** 1.0000 — — 总氮等标排放量
Total nitrogen equivalent emissions0.0377*** 0.0875*** 0.0703*** 0.0193* 0.0161*** 0.3675*** 1.0000 — 总磷等标排放量
Total phosphorus equivalent emissions0.0352*** 0.1113*** 0.0595*** 0.0415*** 0.0212*** 0.4296*** 0.8178*** 1.0000 ***、**、*分别表示在1%、5%、10%水平显著。***, ** and * denote significance at the 1%, 5%, and 10% levels.
下载: 导出CSV
表 4 2016年和2018年基于技术优化Malmquist-Luenberger指数的农业绿色全要素生产率及其分解项
Table 4 Agricultural green total factor productivity and its decomposition terms based on technology-optimized Malmquist-Luenberger index for 2016 and 2018
年份
Year排名
Rank农户代码
Farmer
code绿色全要素
生产率
ML(1)绿色技术
效率变化
MLTEC(1)绿色技术
进步变化
MLTC(1)农户代码
Farmer
code绿色全要素
生产率
ML(2)绿色技术
效率变化
MLTEC(2)绿色技术
进步变化
MLTC(2)2016 前15名
Top 15440560 3.7512 1.9630 1.9109 500233 3.7620 1.9889 1.8915 350108 3.5632 1.9994 1.7821 510876 3.7029 1.9687 1.8809 441716 3.4232 1.9810 1.7281 440560 3.6210 1.9862 1.8231 510795 2.5510 1.5905 1.6039 441716 3.5514 1.9736 1.7994 330177 2.4194 1.9837 1.2197 500236 3.2982 1.9926 1.6552 360172 2.3063 1.7847 1.2923 510667 3.0436 1.9890 1.5302 441941 2.0632 1.5001 1.3754 500238 2.7742 1.6172 1.7154 510667 2.0528 1.9875 1.0329 510795 2.7659 1.5708 1.7608 320134 1.8947 1.7166 1.1037 510790 2.6306 1.7399 1.5120 130431 1.8898 1.5252 1.2390 500241 2.5685 1.6795 1.5294 620847 1.8680 1.6140 1.1573 620847 2.5500 1.9676 1.2960 140729 1.8670 1.5878 1.1758 441941 2.5474 1.6975 1.5007 441738 1.8566 1.2592 1.4744 621077 2.4891 1.9672 1.2653 330175 1.8561 1.6069 1.1551 500285 2.4136 1.7599 1.3714 441073 1.8424 1.4593 1.2625 220212 2.2019 1.8826 1.1696 后15名
Last 15450209 0.6130 0.5539 1.1067 500149 0.5028 0.5055 0.9947 510401 0.6072 0.5112 1.1877 621322 0.5008 0.6390 0.7837 621126 0.6049 0.5947 1.0172 620970 0.4994 0.5065 0.9861 500149 0.5968 0.5002 1.1931 210937 0.4868 0.5110 0.9527 440156 0.5893 0.6336 0.9301 211800 0.4843 0.5414 0.8946 440508 0.5823 0.6476 0.8992 120093 0.4748 0.6871 0.6910 620011 0.5526 0.5456 1.0128 621197 0.4733 0.6333 0.7474 610328 0.5458 0.5096 1.0709 621480 0.4485 0.5712 0.7853 210937 0.5419 0.5216 1.0388 610328 0.4414 0.5224 0.8451 683126 0.5378 0.5494 0.9788 621126 0.4385 0.5567 0.7876 211800 0.5197 0.5230 0.9937 621289 0.4197 0.5663 0.7412 621289 0.5197 0.5768 0.9010 140344 0.4081 0.5782 0.7058 530423 0.4893 0.6008 0.8144 620011 0.4053 0.5063 0.8007 140344 0.4551 0.5345 0.8514 350100 0.4025 0.7712 0.5219 140647 0.4346 0.5121 0.8486 621476 0.3775 0.5094 0.7410 平均 Average — 1.0099 1.0165 0.9928 — 1.0175 1.0294 0.9828 2018 前15名
Top 15441652 3.5980 1.9986 1.8002 510650 5.4701 1.9934 2.7441 510650 3.5806 1.9972 1.7928 441652 3.5961 1.9981 1.7998 140152 2.8038 1.9511 1.4370 440341 3.2432 1.8815 1.7237 370448 2.4048 1.9551 1.2300 140152 2.7156 1.8185 1.4933 530136 2.3989 1.9887 1.2062 530136 2.4714 1.9874 1.2435 440341 2.1583 1.7552 1.2297 621236 2.4492 1.9663 1.2456 210940 2.1467 1.7203 1.2479 370448 2.4075 1.9584 1.2293 140361 1.8543 1.6359 1.1335 620223 2.4038 1.9329 1.2436 550566 1.6099 1.5606 1.0316 621285 2.0741 1.7226 1.2041 621177 1.6086 1.2917 1.2454 621177 1.9621 1.4907 1.3162 441562 1.5932 1.3010 1.2246 210940 1.9401 1.3990 1.3868 410858 1.5904 1.3746 1.1570 621476 1.8889 1.6638 1.1353 130928 1.5341 1.3709 1.1191 621275 1.7729 1.5616 1.1353 370326 1.5237 1.2862 1.1846 550566 1.7526 1.6110 1.0879 620223 1.4896 1.5113 0.9856 620549 1.7439 1.4478 1.2046 后15名
Last 15530335 0.6427 0.5446 1.1801 140729 0.5781 0.5790 0.9984 530252 0.6312 0.5572 1.1328 520342 0.5767 0.6585 0.8758 620847 0.6312 0.6205 1.0172 210822 0.5730 0.5098 1.1240 320134 0.6239 0.5894 1.0586 500238 0.5722 0.6614 0.8651 450240 0.6221 0.5370 1.1584 500285 0.5625 0.5658 0.9942 450199 0.6198 0.6053 1.0240 360172 0.5311 0.5245 1.0126 620878 0.6143 0.6085 1.0097 621077 0.5205 0.5394 0.9650 441941 0.6026 0.5920 1.0179 500233 0.4526 0.5897 0.7676 620827 0.6016 0.5211 1.1544 500236 0.4447 0.5030 0.8841 360172 0.5269 0.5280 0.9978 620847 0.4243 0.5095 0.8329 510667 0.5207 0.5000 1.0412 510667 0.4193 0.5000 0.8386 441716 0.4873 0.5064 0.9622 440560 0.3103 0.5019 0.6183 330177 0.4764 0.5049 0.9436 441941 0.3021 0.5399 0.5596 510795 0.3445 0.5271 0.6535 510795 0.2993 0.5327 0.5617 440560 0.2393 0.5061 0.4728 441716 0.2663 0.5043 0.5281 平均 Average — 0.9960 0.9765 1.0200 — 0.9974 0.9713 1.0259 限于篇幅, 仅展示出农业绿色全要素生产率排名前15位、后15位农户和样本农户年度均值的结果。其中, ML(1)、MLTEC(1)、MLTC(1)分别表示使用虚拟户主主观污染感知度作为非期望产出的农业绿色全要素生产率、绿色技术效率变化、绿色技术进步变化; ML(2)、MLTEC(2)、MLTC(2)分别表示使用农业化学需氧量、总氮和总磷等标排放量等农业面源污染作为非期望产出的农业绿色全要素生产率、绿色技术效率变化、绿色技术进步变化。Due to the limitation of space, only the results of the top 15 farmers, the bottom 15 farmers and the annual average value of the sample farmers are shown. Among them, ML(1), MLTEC(1), and MLTC(1) denote agricultural green total factor productivity, green technical efficiency change, and green technological progress change using virtual household head subjective pollution perception as non-desired outputs; ML(2), MLTEC(2), and MLTC(2) denote agricultural green total factor productivity, green technical efficiency change, and green technical progress change in agriculture using agricultural non-point source pollution such as agricultural chemical oxygen demand, total nitrogen, and total phosphorus equivalents emissions as non-desired output.
下载: 导出CSV
表 5 农业绿色全要素生产率的区域差距及其来源
Table 5 Regional gaps in agricultural green total factor productivity in and their sources
年份
Year总体差距
Overall gap区域内差距
Intra-regional gap区域间差距
Inter-regional gap超变密度
Super variable density贡献率 Contribution rate (%) 区域内差距
Intra-regional gap区域间差距
Inter-regional gap超变密度
Super variable density(1) 2016 0.0466 0.0159 0.0027 0.0280 34.12 5.79 60.09 2018 0.0362 0.0124 0.0002 0.0236 34.25 0.55 65.19 (2) 2016 0.0780 0.0274 0.0041 0.0465 35.13 5.26 59.62 2018 0.0496 0.0174 0.0014 0.0308 35.08 2.82 62.10 (1)、(2)分别表示使用虚拟户主主观污染感知度作为非期望产出、使用农业化学需氧量、总氮、总磷等标排放量等客观农业面源污染作为非期望产出。(1) and (2) denote the use of virtual household subjective pollution perceptions as non-desired output and objective agricultural non-point source pollution such as agricultural chemical oxygen demand, total nitrogen, total phosphorus equivalents emissions as non-desired output.
下载: 导出CSV
表 6 东、中、西部农业绿色全要素生产率的区域内差距和区域间差距
Table 6 Intra-regional and inter-regional disparities in green total factor productivity in agriculture in East, Central and West
年份 Year 区域内差距 Intra-regional gap 区域间差距 Inter-regional gap 东 East 中 Central 西 West 东—中 East−central 东—西 East−west 中—西 Central−west (1) 2016 0.0551 0.0357 0.0477 0.0457 0.0515 0.0419 2018 0.0398 0.0295 0.0382 0.0348 0.0390 0.0340 (2) 2016 0.0520 0.0450 0.0499 0.0537 0.0852 0.0857 2018 0.0403 0.0348 0.0358 0.0377 0.0544 0.0515 (1)、(2)分别表示使用虚拟户主主观污染感知度作为非期望产出、使用农业化学需氧量、总氮、总磷等标排放量等客观农业面源污染作为非期望产出。(1) and (2) denote the use of virtual household subjective pollution perceptions as non-desired output and objective agricultural surface source pollution such as agricultural chemical oxygen demand, total nitrogen, total phosphorus equivalents emissions as non-desired output.
下载: 导出CSV
-
[1] 王建宏, 张文攀. 加快建设乡村全面振兴样板区——访宁夏回族自治区党委副书记陈雍代表[N]. 光明日报, 2022-10-22 WANG J H, ZHANG W P. Accelerating the construction of a model area for the comprehensive revitalization of the countryside: interview with Yong Chen, Deputy Secretary of the Party Committee of Ningxia Hui Autonomous Region[N]. Guangming Daily, 2022-10-22
[2] 冯欣, 姜文来, 刘洋, 等. 绿色发展背景下农业水价综合改革研究[J]. 中国农业资源与区划, 2020, 41(10): 25−31 FENG X, JIANG W L, LIU Y, et al. Research on comprehensive reform of agricultural water price under the background of green development[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(10): 25−31
[3] 程永生, 张德元, 赵梦婵. 黄河流域生态保护和高质量发展的时空演变与驱动因素[J]. 经济体制改革, 2021(5): 61−69 CHENG Y S, ZHANG D Y, ZHAO M C. Spatial-temporal evolution and driving factors of ecological protection and high-quality development in the Yellow River Basin[J]. Reform of Economic System, 2021(5): 61−69
[4] 李政大, 赵雅婷, 袁晓玲. 基于公众参与的中国绿色共治实现路径研究[J]. 现代财经(天津财经大学学报), 2021, 41(6): 98−113 LI Z D, ZHAO Y T, YUAN X L. Research on the path of China’s Green Co-governance based on public participation[J]. Modern Finance and Economics-Journal of Tianjin University of Finance and Economics, 2021, 41(6): 98−113
[5] 谭日辉, 刘慧敏. 中国农业绿色全要素生产率空间关联网络特征演化及影响因素[J]. 中国生态农业学报(中英文), 2022, 30(12): 2011−2022 TAN R H, LIU H M. Characteristic evolution and influencing factors of the spatial correlation network of agricultural green total factor productivity in China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(12): 2011−2022
[6] 李翔, 杨柳. 华东地区农业全要素生产率增长的实证分析−基于随机前沿生产函数模型[J]. 华中农业大学学报(社会科学版), 2018(6): 62−68, 154 LI X, YANG L. An empirical analysis of agriculture total factor productivity growth in East China— Based on stochastic frontier production function model[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2018(6): 62−68, 154
[7] 黄祖辉, 扶玉枝, 徐旭初. 农民专业合作社的效率及其影响因素分析[J]. 中国农村经济, 2011(7): 4−13, 62 HUANG Z H, FU Y Z, XU X C. Analysis of the efficiency of farmers’ professional cooperatives and its influencing factors[J]. Chinese Rural Economy, 2011(7): 4−13, 62
[8] EMROUZNEJAD A, YANG G L. A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016[J]. Socio-Economic Planning Sciences, 2018, 61: 4−8 doi: 10.1016/j.seps.2017.01.008
[9] 程永生, 张德元, 赵梦婵, 等. 人力资本视角下雾霾污染对长江经济带绿色高质量发展的影响研究[J]. 重庆大学学报(社会科学版), 2022, 28(5): 46−60 CHENG Y S, ZHANG D Y, ZHAO M C, et al. Research on the impact of haze pollution on the high-quality development of the Yangtze River Economic Belt from the perspective of human capital[J]. Journal of Chongqing University (Social Science Edition), 2022, 28(5): 46−60
[10] APARICIO J, BARBERO J, KAPELKO M, et al. Testing the consistency and feasibility of the standard Malmquist-Luenberger index: environmental productivity in world air emissions[J]. Journal of Environmental Management, 2017, 196: 148−160
[11] 潘丹. 考虑资源环境因素的中国农业生产率研究[D]. 南京: 南京农业大学, 2012 PAN D. Study on China agricultural productivity incorporating water resource and agricultural non-point source pollution factors[D]. Nanjing: Nanjing Agricultural University, 2012
[12] 程永生. 农业社会化服务对于绿色全要素生产率的影响研究——基于农户要素禀赋的视角[D]. 合肥: 安徽大学, 2022 CHENG Y S. Research on the influence of agricultural socialization service on green total factor productivity: based on the perspective of farmer household’s factor endowments[D]. Hefei: Anhui University, 2022
[13] 康亚文, 彭博, 赵浚夷, 等. 基于Meta分析的中国农业全要素生产率研究[J]. 中国农业资源与区划, 2022, 43(2): 67−80 KANG Y W, PENG B, ZHAO J Y, et al. Study on the China’s agricultural total factor productivity estimations based on Meta-analysis[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(2): 67−80
[14] 王璐, 杨汝岱, 吴比. 中国农户农业生产全要素生产率研究[J]. 管理世界, 2020, 36(12): 77−93 doi: 10.3969/j.issn.1002-5502.2020.12.008 WANG L, YANG R D, WU B. A study on total factor productivity of agricultural production of rural households in China[J]. Management World, 2020, 36(12): 77−93 doi: 10.3969/j.issn.1002-5502.2020.12.008
[15] 李谷成, 冯中朝, 范丽霞. 小农户真的更加具有效率吗? 来自湖北省的经验证据[J]. 经济学(季刊), 2010, 9(1): 95−124 LI G C, FENG Z C, FAN L X. Is the small-sized rural household more efficient? the empirical evidence from Hubei Province[J]. China Economic Quarterly, 2010, 9(1): 95−124
[16] 黄书苑, 马丁丑. 西北地区家庭林业全要素生产率测算及收敛性分析−基于陕甘两省7年的1000个固定样本[J]. 干旱区资源与环境, 2021, 35(2): 21−27 doi: 10.13448/j.cnki.jalre.2021.034 HUANG S Y, MA D C. Measurement and convergence analysis of total factor productivity of family forestry in Northwest China[J]. Journal of Arid Land Resources and Environment, 2021, 35(2): 21−27 doi: 10.13448/j.cnki.jalre.2021.034
[17] XIE Y. The User’s Guide of the China Family Panal Studied[M]. Beijing: Institute of Scocial Science Survey, Peking University, 2012
[18] 周应恒, 杨宗之. 生态价值视角下中国省域粮食绿色全要素生产率时空特征分析[J]. 中国生态农业学报(中英文), 2021, 29(10): 1786−1799 ZHOU Y H, YANG Z Z. Temporal and spatial characteristics of China’s provincial green total factor productivity of grains from the ecological value perspective[J]. Chinese Journal of Eco-Agriculture, 2021, 29(10): 1786−1799
[19] 程永生, 张德元, 汪侠. 农业社会化服务的绿色发展效应: 基于农户视角[J]. 资源科学, 2022, 44(9): 1848−1864 doi: 10.18402/resci.2022.09.09 CHENG Y S, ZHANG D Y, WANG X. Green development effect of agricultural socialized services: an analysis based on farming households’ perspective[J]. Resources Science, 2022, 44(9): 1848−1864 doi: 10.18402/resci.2022.09.09
[20] MATHENGE M, SMALE M, TSCHIRLEY D. Off farm employment and input intensification among smallholder maize farmers in Kenya[J]. Journal of Agricultural Economics, 2015, 66: 519−536 doi: 10.1111/1477-9552.12093
[21] 白南生, 李靖, 陈晨. 子女外出务工、转移收入与农村老人农业劳动供给−基于安徽省劳动力输出集中地三个村的研究[J]. 中国农村经济, 2007(10): 48−54 BAI N S, LI J, CHEN C. Children’s work outside the home, transfer income and agricultural labor supply of rural elders: a study based on three villages in Anhui Province where labor export is concentrated[J]. Chinese Rural Economy, 2007(10): 48−54
[22] 刘敏. 农机投入对农业绿色全要素生产率的影响及门槛效应研究[D]. 长春: 吉林农业大学, 2020 LIU M. Study on the influence and threshold effect of farm machinery input on green total factor productivity of agriculture[D]. Changchun: Jilin Agricultural University, 2020
[23] 王云凤. 技术异质性视角下中国农业效率综合评价研究[D]. 天津: 天津商业大学, 2022 WANG Y F. Research on comprehensive evaluation of agricultural efficiency in China under the view of technological heterogeneity[D]. Tianjin: Tianjin University of Commerce, 2022
[24] 钱龙. 非农就业、农地流转与农户农业生产变化[D]. 杭州: 浙江大学, 2017 QIAN L. Off-farm employment, land transfer and changes in agricultural production[D]. Hangzhou: Zhejiang University, 2017
[25] 张景娜, 张雪凯. 互联网使用对农地转出决策的影响及机制研究−来自CFPS的微观证据[J]. 中国农村经济, 2020(3): 57−77 ZHANG J N, ZHANG X K. The impact of Internet use on the decision-making of farmland transfer and its mechanism: evidence from the CFPS data[J]. Chinese Rural Economy, 2020(3): 57−77
[26] 杨芳. 社会网络对农户生产决策的影响研究[D]. 重庆: 西南大学, 2019 YANG F. Research on the impact of social network on the production decision of rural household[D]. Chongqing: Southwest University, 2019
[27] 王越晗, 黄雨露, 夏煜, 等. 基于文献计量和可视化分析的中国水生态环境治理研究热点与趋势[J]. 长江科学院院报, 2022, 39(9): 137−143 doi: 10.11988/ckyyb.20220218 WANG Y H, HUANG Y L, XIA Y, et al. Research hotspots and trends of water eco-environmental governance in China based on bibliometric and visual analysis[J]. Journal of Yangtze River Scientific Research Institute, 2022, 39(9): 137−143 doi: 10.11988/ckyyb.20220218
[28] 常明. 农户兼业行为影响灌溉效率吗?−基于CFPS的微观证据[J]. 农林经济管理学报, 2020, 19(6): 681−689 CHANG M. Can farmers’ concurrent business behavior affect irrigation efficiency? A study based on microscopic evidence from CFPS[J]. Journal of Agro-Forestry Economics and Management, 2020, 19(6): 681−689
[29] 吴国松, 姚升. 要素市场扭曲下农业绿色全要素生产率测度及效应研究[J]. 生态经济, 2021, 37(1): 96−102, 115 WU G S, YAO S. Measurement and effect of agricultural green TFP under factor market distortion[J]. Ecological Economy, 2021, 37(1): 96−102, 115
[30] 赖斯芸, 杜鹏飞, 陈吉宁. 基于单元分析的非点源污染调查评估方法[J]. 清华大学学报(自然科学版), 2004, 9(9): 1184−1187 doi: 10.3321/j.issn:1000-0054.2004.09.009 LAI S Y, DU P F, CHEN J N. Evaluation of non-point source pollution based on unit analysis[J]. Journal of Tsinghua University (Science and Technology), 2004, 9(9): 1184−1187 doi: 10.3321/j.issn:1000-0054.2004.09.009
[31] CHENG Y S, ZHANG D Y. Spatial and temporal differentiation trends and attributions of high-quality development in the Huaihe Eco-economic Belt[J]. Journal of Resources and Ecology, 2023, 14(3): 517−532
计量
- 文章访问数: 1104
- HTML全文浏览量: 413
- PDF下载量: 267
