党的十八大以来, 粮食安全问题受到高度重视, 党中央提出“确保谷物基本自给、口粮绝对安全”的新粮食安全观。2023年中央一号文件强调要抓好粮食稳产保供, 提升粮食生产效率是稳定粮食产量的重要环节之一。薯类是重要的粮食作物之一, 在耕地面积受限且水资源短缺的背景下, 增产降耗是提高其绿色生产效率的关键^[1-2]。

农业绿色生产效率是将环境因素纳入考量范畴, 以尽可能少的农业资源投入和环境污染获取最优期望产出, 强调经济效益、社会效益及生态效益的协调发展。目前, 粮食作物处于提质增效阶段, 绿色是关键。对于绿色生产效率影响因素的研究大多从要素投入和外部环境两方面展开。要素投入方面, 土地是粮食生产过程中最基本的生产投入要素, 农地确权会提升绿色生产效率^[3], 但无偿转入土地不利于绿色生产效率提升^[4]。农业机械是影响绿色生产的核心要素, 农业机械化水平对玉米(Zea mays)等粮食作物绿色生产效率具有正向影响 , 且不同环节农业机械化对技术效率的影响存在差异^[5]。化肥、农药的减量化可有效促进绿色生产效率的提高^[6]。水资源投入规模不足会抑制纯技术效率的提升, 进而遏制绿色生产效率的提升^[7]。城镇化发展对绿色生产效率具有正向影响^[8], 且依据新经济地理学的基本理论, 相邻地级市城镇化发展对本市绿色生产效率具有正向溢出作用^[9]。劳动力的教育水平在一定程度上可以有效加强农户的绿色生产意识, 推动绿色生产行为, 且农业技术人才和高素质农民培养同样可以有效提高绿色生产效率^[10-11]。外部环境方面, 农业保险、农业补贴等惠农政策对绿色生产效率具有积极的正向作用^[12] , 但价格支持政策的激励效应会造成一定程度上农药、化肥等农业资源的过度消耗, 不利于绿色生产效率的提高^[13]。政府绿色技术推广措施可有效缓解劳动力转移对粮食绿色生产效率的负向作用^[14]。农地经营规模对绿色生产效率具有显著的促进作用^[15], 且具有空间差异性, 如在耕地细碎化程度较高、生产技术较为落后的山地丘陵地区, 会抑制绿色生产效率的提升^[16]。也有学者对绿色生产效率影响因素进行综合性的探讨, 得出财政支农力度、农业科技人员投入、机械化水平以及农村人力资本对绿色生产效率有正向影响, 自然灾害、农田水利设施水平对绿色生产效率有负向影响^[17-18]。

对于绿色生产效率的测度, 从研究方法来看, 主要有随机前沿分析法和数据包络分析法。葛鹏飞等^[19]、孟祥海等^[20]学者运用数据包络分析对绿色生产效率进行测度。从研究区域看, 大多数学者从国家层面或省级层面展开研究。李思勉等^[21]基于三大粮食功能区, 对1998—2017年我国粮食绿色生产效率进行测算, 发现三大粮食功能区的绿色生产效率存在较大差异且主销区远远低于主产区和产销平衡区。崔海洋等^[22]以长江经济带为例测算其农业生产效率并分析时空特征, 得出外生环境因素对长江经济带农业绿色生产效率的影响显著, 且存在明显的时空差异。

总体来看, 学界关于绿色生产效率的研究成果较丰富, 且运用数据包络分析法研究绿色生产效率是一种较为成熟的方法, 这为本文的研究提供了重要理论依据, 但仍存在以下不足: 一是研究对象方面, 现有研究大多针对玉米、小麦(Triticum aestivum)等传统主粮作物, 对于薯类鲜有涉及; 二是研究方法方面, 现有研究多侧重于品种创新、技术效率等, 鲜有学者从组态视角运用模糊集定性比较分析法(fsQCA)对薯类作物绿色生产效率进行分析。基于此, 本文对2000—2020年我国薯类作物绿色生产效率进行测算与分解, 探究其时间演变趋势及空间差异, 并从组态的视角探究薯类作物绿色生产效率的提升路径。

1.   材料与方法

1.1   影响因素与研究框架

借鉴王丽娜^[23]的相关研究, 本文从自然因素、技术因素、社会因素3个方面, 选择受灾率、有效灌溉面积、城镇化率、劳动力素质、农业财政支持力度5个条件变量, 运用fsQCA方法分析各条件组合下我国31个省份(自治区、直辖市，不包括香港、澳门、台湾) 2000—2020年薯类作物绿色生产效率的变化, 挖掘提高薯类作物绿色生产效率的关键要素和驱动路径。具体分析框架如图1所示。

图  1  分析框架

Figure  1.  Framework of the analysis

下载: 全尺寸图片 幻灯片

1.1.1   有效灌溉面积与绿色生产效率

在水资源日益紧张、不断倡导粮食安全和绿色生产的背景下, 水资源的高效利用是提高绿色生产效率的有效举措。水资源是农业生产的基础资源, 有效灌溉面积率可以反映出一个地区灌溉设施的完善程度, 有效灌溉面积高, 说明该地区灌溉技术应用较广泛, 水资源利用率高, 在节约水资源的同时, 可促进农业生产活动的高效运行。

1.1.2   农业财政支持力度与绿色生产效率

财政补贴作为国家普惠性支农政策, 对农民生产效率的提升起着重要作用。良好的补贴结构、规范的补贴机制、合理的补贴力度可有效提高绿色生产效率, 促进农业绿色可持续发展^[24]。化肥、农药等化学用品的广泛应用, 虽然给农民带来了便利和增产, 但也使得“逆生态化”现象不断加剧, 同时危害土地资源与粮食安全^[6]。绿色生产效率是要素的投入、产品的产出以及生态环境共同作用的结果, 而绿色农药、有机肥料的使用在产生正向生态效益的同时, 会增加农户的生产成本。此时, 政府的财政支持作用便可从源头上有效降低农户的生产成本, 影响农户绿色生产行为, 提高绿色生产效率。

1.1.3   城镇化率与绿色生产效率

随着我国工农业发展进程的加快, 工业化和城镇化造成的污染物迅速向农村蔓延, 破坏了土壤质量和耕地资源, 威胁农业绿色发展^[25]。城镇地区丰富的就业资源和优越的生活环境使得大量农业劳动力转移至非农部门, 其身份转变为农产品消费者, 其衍生出对粮食安全的强烈需求会促进农户进行绿色生产, 从而提高绿色生产效率^[26]。此外, 在城市建设用地不断挤压农业用地的同时, 反而会促进城镇资本逐步回流到农村, 完善农业生产的基础设施, 促进农业集约化、规模化, 降低生产成本, 提高绿色生产效率。

1.1.4   劳动力素质与绿色生产效率

劳动力的教育水平在一定程度上可以有效加强农户的绿色生产意识, 推动绿色生产行为。此外, 随着劳动力素质的提高, 农民能够更有效地学习和吸收新的种植技术, 进而提升技术创新水平, 同时也有利于促进农业科技成果的转化与吸收^[27]。

1.1.5   受灾率与绿色生产效率

农作物受灾面积越大, 受灾率越高, 我们所期望的薯类作物产量即期望产值则会下降。旱涝、台风等天灾都会对薯类作物的产量造成不良影响。为了保证薯类作物产量, 农民在面对自然灾害时便会增加农药、化肥的施用量, 进而造成环境污染, 生态效益下降, 从而导致绿色生产效率下降。

1.2   研究方法

1.2.1   DEA-Malmquist指数

选择在规模报酬可变的情况下运用DEA-Malmquist指数(曼昆斯特指数)模型进行效率测度, 该模型可以从各省份、各个时间段进行动态分析, 且可以通过矩阵分析更深入地探究各省份效率变动的主要原因。计算Malmquist指数时通常是计算${M^a}$和${M^b}$的几何平均值, 公式如下:

式中: $\left( {{X^a},{Y^a}} \right)、\left( {{X^b},{Y^b}} \right)$分别为决策单元在时期$a$、$b$的总产出与总投入, $D_c^a({X^a},{Y^a})$、$D_c^b({X^a},{Y^a})$分别为$\left( {{X^a},{Y^a}} \right)$在时期$a$、$b$的距离函数, $D_c^a({X^b},{Y^b})$、$D_c^b({X^b},{Y^b})$分别为$\left( {{X^b},{Y^b}} \right)$在时期$a$、$b$的距离函数, ${\text{TC}}$为技术进步指数, ${\text{TEC}}$为技术效率指数。

1.2.2   fsQCA

在探究某一事物的影响因素时会存在必要条件和充分条件两种选项, 判定其具体属性时, 不仅可以通过已经达到共识的政策文件, 还可以通过相应的软件进行实证分析。fsQCA (Fuzzy-set Qualitative Comparative Analysis)运用的是布尔代数, 所以对控制变量没有要求^[28], 其因果关系的判定是通过一致性和覆盖率来确定的, 其公式为:

式中: ${S_i}$为第$i$个案例省份薯类作物影响因素对于前因组合的隶属度; ${T_i}$为第$i$个案例省份薯类作物绿色生产效率对结果变量的隶属度; ${\text{Coverage}}$为某一组态对结果的可解释程度; ${\text{Consistency}}$为隶属程度, 若${\text{Consistency > 0}}{\text{.9}}$, 则表明条件变量为必要条件。

1.3   变量选择与数据来源

借鉴李兆亮等^[17]、姚小剑等^[29]、胡绪华等^[30]对绿色生产效率测度的研究成果, 借鉴李思勉等^[21]对绿色生产效率影响因素的研究成果, 同时结合薯类作物自身抗旱、节水等生产特性, 选取指标如表1和表2所示。研究数据主要来自2000—2020年《中国统计年鉴》《中国农村统计年鉴》以及各省份统计年鉴等。

表  1  我国薯类作物绿色生产效率评价指标体系

Table  1.  Evaluation index system of green production efficiency of tuber crops in China

一级指标 Primary indicator	二级指标 Secondary indicator	指标解释 Indicator interpretation	单位 Unit
投入指标 Input indicator	劳动力投入 Labor input	从事薯类作物种植的人员数 Number of people engaged in tuber crop cultivation	×104 people
	土地投入 Land input	薯类作物播种面积 Sown area of tuber crops	×103 hm2
	化肥施用量 Fertilizer application amount	薯类作物种植的化肥折纯量 Pure chemical fertilizer used in the cultivation of tuber crops	×104 t
	农药施用量 Pesticide application rate	薯类作物种植的农药施用量 Pesticide application rate used in the cultivation of tuber crops	×104 t
	农膜使用量 Agricultural film usage	薯类作物种植的农膜使用量 Amount of agricultural film used in the cultivation of tuber crops	×104 t
	农用柴油使用量 Agricultural diesel consumption	薯类作物种植的农用柴油使用量 Amount of agricultural diesel used in the cultivation of tuber crops	×104 t
	农业机械动力投入 Power input for agricultural machinery	薯类作物种植的农机总动力 Total power of agricultural machinery used in the cultivation of tuber crops	×104 kW
	水资源投入 Water resource input	薯类作物有效灌溉面积 Effective irrigation area of tuber crops	×103 hm2
产出指标 Output indicator	期望产出 Expected output	薯类产量 Tuber production	×104 t
	非期望产出 Unexpected output	碳排放量[31] Carbon emissions[31]	×104 t
碳排放量为化肥、农药、农膜、柴油、农业耕作、农业灌溉分别乘相关系数后的总和; 碳排放系数分别为化肥0.90 kg(C)·kg−1、农药4.93 kg(C)·kg−1、农膜5.18 kg(C)·kg−1、柴油0.59 kg(C)·kg−1、农业耕作312.60 kg(C)·kg−1、农业灌溉20.48 kg(C)·kg−1。The carbon emissions are the sum of the product of usage amount of fertilizers, pesticides, agricultural films, diesel, agricultural cultivation, and agricultural irrigation with corresponding emission factors; the carbon emission factors are 0.90 kg(C)·kg−1 for fertilizers, 4.93 kg(C)·kg−1 for pesticides, 5.18 kg(C)·kg−1 for agricultural film, 0.59 kg(C)·kg−1 for diesel, 312.60 kg(C)·kg−1 for agricultural cultivation and 20.48 kg(C)·kg−1 for agricultural irrigation.

下载: 导出CSV 

| 显示表格

表  2  基于组态分析的条件变量指标说明

Table  2.  Instruction of the index for conditional variables based on configuration analysis

变量 Variable	变量说明 Variable instruction	单位 Unit
薯类作物受灾率 Disaster rate of tuber crops	薯类作物受虫灾面积/薯类播种面积 Affected area of tuber crops by pests/tuber sown area	%
有效灌溉面积 Effective irrigation area	薯类作物有效灌溉面积 Effective irrigation area for tuber crop	×103 hm2
农业财政支持力度 Financial support for agriculture	政府涉农支出 Government agricultural expenditure	×108 ¥
劳动力素质 Labor quality	中高等文化水平占比 Proportion of secondary and higher education level	%
城镇化率 Urbanization rate	城镇人口占总人口的比例 Proportion of urban population to total population	%

下载: 导出CSV 

| 显示表格

1.4   变量校准

通过SPSS 26设置3个临界点(95%、50%和5%)分别作为完全隶属点、中间点、完全不隶属点进行数据校准, 将其转化为相符合的隶属关系, 校准结果如表3所示。

表  3  基于组态分析的结果要素与前因要素的数据校准

Table  3.  Data calibration of result elements and antecedent elements based on configuration analysis

变量类型 Variable type	变量 Variable	完全不隶属 Not affiliated at all	交叉点 Intersection	完全隶属 Complete affiliation
结果要素 Result element	全要素生产率 Total factor productivity	0.927	1.138	1.242
前因要素 Antecedent element	受灾率 Disaster rate	16.121	27.058	36.118
	有效灌溉面积 Effective irrigation area	1.871	108.460	166.252
	农业财政支持力度 Financial support for agriculture	1.553	11.314	18.566
	劳动力素质 Labor quality	8.395	8.807	10.665
	城镇化率 Urbanization rate	46.024	53.673	81.406

下载: 导出CSV 

| 显示表格

2.   结果与分析

2.1   DEA-Malmquist指数测算与分析

通过DEAP2.1软件对我国各省份薯类作物绿色生产效率进行测度, 并探究其时间演变趋势及空间差异。由表4可知, 我国薯类作物全要素生产效率(tfpch)年均增长0.5%, 增长幅度比较稳定。整体上技术效率(effch)下降0.6%, 技术进步(techch)提高1.1%, 技术效率呈现退化趋势, 技术进步改善较为明显, 两者互相补充共同推进了我国薯类作物全要素生产效率的增长。此外, 薯类作物全要素生产效率的区域差异性较为明显, 生产率稳步增长的地区集中在秦岭—淮河以北地区, 即黄淮流域和东北三省。可能是由于黄淮流域属温带季风气候, 冬冷夏热, 雨热同期, 此外该地区水资源相对缺乏, 甘薯抗旱、节水、高产、稳产的特性与之相匹配, 因此该地区的甘薯种植对满足国家粮食需求、能源供应有着举足轻重的作用。东北地区昼夜温差大、日照充足、辐射量高、土壤条件优异等地理资源优势为薯类作物的种植奠定了良好基础; 同时, 地方政府鼓励薯类作物种植并提供财政补贴, 为当地薯类作物种植提供政策保障。值得关注的是, 山东省是黄淮流域甘薯(Dioscorea esculenta)种植面积最大、产量最高的省份。

表  4  2000—2020年不同省份(自治区、直辖市)薯类作物绿色生产效率变化

Table  4.  Changes in green production efficiency of tuber crops in different provinces (autonomous regions or municipalities) from 2000 to 2020

地区 Region	effch	techch	pech	sech	tfpch		地区 Region	effch	techch	pech	sech	tfpch
北京 Beijing	0.983	1.009	0.994	0.990	0.992		湖北 Hubei	0.976	1.002	0.991	0.985	0.978
天津 Tianjin	1.020	1.052	1.018	1.001	1.073		湖南 Hunan	1.002	0.994	1.000	1.002	0.995
河北 Hebei	1.026	1.033	1.025	1.002	1.060		广东 Guangdong	0.987	1.004	0.998	0.990	0.991
山西 Shanxi	0.999	1.019	1.001	0.999	1.018		广西 Guangxi	0.966	1.007	0.970	0.996	0.973
内蒙古 Inner Mongolia	1.000	1.036	1.000	1.000	1.036		海南 Hainan	0.973	0.995	0.974	0.999	0.969
辽宁 Liaoning	0.988	1.031	0.981	1.007	1.019		重庆 Chongqing	1.000	0.995	1.000	1.000	0.995
吉林 Jilin	1.000	1.036	1.000	1.000	1.036		四川 Sichuan	1.000	0.996	1.000	1.000	0.996
黑龙江 Heilongjiang	1.011	1.035	1.008	1.003	1.046		贵州 Guizhou	1.000	1.008	1.000	1.000	1.008
上海 Shanghai	0.994	0.987	1.000	0.994	0.981		云南 Yunnan	1.004	1.007	1.002	1.002	1.011
江苏 Jiangsu	0.997	1.006	0.997	1.000	1.002		西藏 Xizang	0.956	0.950	1.000	0.956	0.908
浙江 Zhejiang	0.985	1.011	0.984	1.002	0.996		陕西 Shaanxi	0.992	1.005	0.989	1.003	0.997
安徽 Anhui	0.965	1.011	0.963	1.002	0.975		甘肃 Gansu	0.999	1.012	1.001	0.998	1.011
福建 Fujian	0.983	1.022	0.987	0.996	1.004		青海 Qinghai	1.000	1.014	1.000	1.000	1.014
江西 Jiangxi	1.000	0.983	1.000	1.000	0.983		宁夏 Ningxia	1.011	1.032	1.006	1.005	1.043
山东 Shandong	1.001	1.020	1.000	1.001	1.022		新疆 Xinjiang	1.000	1.023	1.000	1.000	1.023
河南 Henan	1.000	1.021	1.000	1.000	1.021		平均值 Mean value	0.994	1.011	0.996	0.998	1.005
本研究不包括中国香港、澳门和台湾。effch: 技术效率; techch: 技术进步; pech: 纯技术效率; sech: 规模效率; tfpch: 全要素生产率。Hong Kong, Macao and Taiwan of China were not included in this study. effch: technology efficiency; techch: technology improvement; pech: net technology efficiency; sech: scale efficiency; tfpch: total factor productivity.

下载: 导出CSV 

| 显示表格

结合表5可知, 我国薯类作物全要素生产效率整体趋于平稳, 但是2006年全面取消农业税, 使得技术效率大幅度变动, 从而导致全要素生产效率波动。2015—2016年全要素生产效率下降7.9%, 尽管规模效率指数为2.840, 但技术进步指数仅为0.306, 抵消了规模效率和技术效率增长对全要素生产率的正向影响。造成规模效率变动的主要原因是2015年马铃薯(Solanum tuberosum)主粮化战略的提出, 而技术进步下降主要是因为在马铃薯主粮化战略提出后种植规模迅速扩大, 技术、资源等却没有得到合理配置从而导致规模无效, 技术效率和技术进步互相弥补共同促进薯类作物绿色生产效率的增长。2019—2020年技术进步和技术效率的波动主要是因为突发的疫情引发的。

表  5  2000—2020年各时间段我国薯类作物绿色生产效率变化

Table  5.  Changes in green production efficiency of tuber crops in China during each period from 2000 to 2020

时期 Period	effch	techch	pech	sech	tfpch
2000—2001	0.977	0.988	0.977	1.000	0.966
2001—2002	0.998	1.029	1.024	0.975	1.027
2002—2003	0.957	1.051	0.975	0.981	1.005
2003—2004	0.369	1.430	0.889	0.415	0.528
2004—2005	2.220	0.915	1.016	2.185	2.031
2005—2006	0.610	0.716	0.985	0.619	0.436
2006—2007	2.003	1.030	1.135	1.764	2.062
2007—2008	0.991	0.994	0.980	1.012	0.985
2008—2009	0.923	1.031	0.944	0.978	0.951
2009—2010	0.917	1.157	0.918	0.999	1.061
2010—2011	1.164	0.860	1.099	1.059	1.002
2011—2012	0.897	1.097	0.939	0.955	0.984
2012—2013	1.120	0.871	1.086	1.031	0.976
2013—2014	0.939	1.256	0.966	0.972	1.179
2014—2015	0.327	2.838	0.936	0.349	0.928
2015—2016	3.012	0.306	1.061	2.840	0.921
2016—2017	1.003	1.084	0.963	1.041	1.087
2017—2018	0.231	6.925	0.291	0.794	1.599
2018—2019	4.526	0.149	3.679	1.230	0.676
2019—2020	0.999	1.018	1.001	0.999	1.018
平均值 Mean value	0.994	1.011	0.996	0.998	1.005
effch: 技术效率; techch: 技术进步; pech: 纯技术效率; sech: 规模效率; tfpch: 全要素生产率。effch: technology efficiency; techch: technology improvement; pech: net technology efficiency; sech: scale efficiency; tfpch: total factor productivity.

下载: 导出CSV 

| 显示表格

同时, 我国薯类作物绿色生产效率的增长动力也存在显著的区域性差异。为更清晰明了地探究各个省份薯类作物绿色生产效率变化的原因, 以技术效率变化的均值和技术进步的均值为临界点, 建立矩阵图(图2)。可以发现, 按增长动力的不同可以将本研究所选取的31省份(自治区、直辖市, 不包括中国香港、澳门和台湾)分为技术进步与技术效率协作型、技术进步主导型、技术效率主导型和问题型, 4种类型增长原因各有特点。一是以天津、黑龙江、河北为代表的技术进步与技术效率协作型。技术进步和技术效率均呈增长趋势, 从而使得薯类作物绿色生产效率增长相对迅猛。二是以辽宁、福建为代表的技术进步增长主导型。技术进步增长幅度大于技术效率下降幅度, 从而促进薯类作物绿色生产效率温和增长。三是以湖南、重庆为代表的技术效率增长主导型。技术效率增长幅度较小, 技术进步处于下降趋势, 从而使得薯类作物绿色生产效率缓慢下降。四是以西藏、海南为代表的问题型。技术效率和技术进步均呈缓慢下降的趋势, 导致薯类作物绿色生产效率缓慢下降。

图  2  2000—2020年31省(自治区、直辖市, 不包括中国香港、澳门和台湾)薯类作物绿色生产效率的增长动力矩阵分析图

Figure  2.  Analysis of the growth momentum matrix of green production efficiency of tuber crops in 31 provinces (autonomous regions or municipalities, not including Hong Kong, Macao and Taiwan of China) from 2000 to 2020

下载: 全尺寸图片 幻灯片

2.2   提升路径分析

2.2.1   必要条件分析

为了文章的严谨性和准确性, 运用fsQCA方法对受灾率、有效灌溉面积、农业财政支持力度、劳动力素质、城镇化率这5个前因要素进行必要性检验, 结果如表6所示。各个前因要素的一致性均小于0.9, 表明这5个前因要素均不是提高我国薯类作物绿色生产效率的必要条件, 单个前因要素对于薯类作物绿色生产效率的解释较弱, 需将其纳入真值表, 进一步探究提高我国薯类作物绿色生产效率的组态路径。

表  6  fsQCA方法单个条件的必要性检验

Table  6.  Necessity test of individual conditions using the fsQCA method

前因要素 Antecedent element	结果要素 Result element
	高绿色全要素生产率 High green total factor productivity			非高绿色全要素生产率 Non-high green total factor productivity
	一致性 Consistency	覆盖度 Coverage		一致性 Consistency	覆盖度 Coverage
受灾率 Disaster rate	0.801	0.728		0.828	0.749
~受灾率 ~Disaster rate	0.723	0.809		0.699	0.777
有效灌溉面积 Effective irrigation area	0.767	0.673		0.850	0.742
~有效灌溉面积 ~Effective irrigation area	0.707	0.826		0.626	0.727
农业财政支持力度 Financial support for agriculture	0.727	0.618		0.792	0.669
~农业财政支持力度 ~Financial support for agriculture	0.611	0.747		0.548	0.666
劳动力素质 Labor quality	0.594	0.705		0.621	0.733
~劳动力素质 ~Labor quality	0.775	0.673		0.750	0.647
城镇化率 Urbanization rate	0.693	0.794		0.628	0.716
~城镇化率 ~Urbanization rate	0.752	0.671		0.819	0.726
~表示逻辑非。~ indicates logical non.

下载: 导出CSV 

| 显示表格

2.2.2   真值表构建

在fsQCA构建的真值表中(表7), k个前因要素便会形成2^k个结果, 为了保证研究的客观性和严谨性, 结合所得结果的一致性及王依萍等^[32]的研究, 将频数阈值设置为1、原始一致性阈值设置为0.8, 并将PRI一致性阈值设置为0.70, 得到以下7条解释力度较高的路径组合。

表  7  基于组态分析的真值表构建

Table  7.  Truth table construction based on configuration analysis

	X1	X2	X3	X4	X5	Y	数量 Number	一致性 Consistency	具体地区 Specific region
1	0	0	0	0	1	1	1	0.996	湖南 Hunan
2	0	1	1	0	0	1	6	0.926	河北、四川、贵州、云南、西藏、陕西 Hebei, Sichuan, Guizhou, Yunnan, Xizang, Shaanxi
3	1	0	0	1	1	1	6	0.922	上海、江苏、浙江、安徽、福建、江西 Shanghai, Jiangsu, Zhejiang, Anhui, Fujian, Jiangxi
4	1	1	0	1	0	1	1	0.890	黑龙江 Heilongjiang
5	1	1	1	0	0	0	5	0.846	内蒙古、甘肃、青海、宁夏、新疆 Inner Mongolia, Gansu, Qinghai, Ningxia, Xinjiang
6	0	0	0	1	1	0	3	0.830	北京、天津、山东 Beijing, Tianjin, Shandong
7	1	1	1	1	0	0	2	0.800	辽宁、吉林 Liaoning, Jilin
X1、X2、X3、X4、X5和Y分别表示受灾率、有效灌溉面积、农业财政支持力度、劳动力素质、城镇化率和全要素生产率。X1, X2, X3, X4, X5 and Y refer to disaster rate, effective irrigation area, financial support for agriculture, labor quality, urbanization rate and total factor productivity, respectively.

下载: 导出CSV 

| 显示表格

2.2.3   组态分析

1)产生薯类作物高绿色生产效率的组态分析

基于真值表构建, 通过fsQCA软件将5个前因要素导入运算中会得到复杂解、中间解、简约解, 将同时出现在中间解和简约解中的前因要素认定为核心条件, 只出现在中间解中的前因要素认定为辅助条件^[33], 得到组态路径结果(表8)。提高我国薯类作物绿色生产效率的组态有4个, 由于Ha1和Ha2, Hb1和Hb2的核心变量相同, 我们称之为二阶等价组态^[34]。综合来看, 4种组态的一致性分别为0.996、0.926、0.890和0.921, 总体的一致性为0.870, 高于最初设定的原始一致性阈值(0.8)和PRI临界值(0.7), 说明4条组态均有较强的解释力度, 且这4条组态路径是等效存在的。总体覆盖度为0.783, 说明所得到的4条组态路径可对78.3%的省份(自治区、直辖市)做出解释, 其中Ha2的覆盖度最高, 即该组合路径的解释力度最强。

表  8  促进我国薯类作物绿色全要素生产率提高的组态路径表

Table  8.  Configuration pathway table for promoting the improvement of green total factor productivity of tuber crops in China

条件变量 Conditional variable	高绿色全要素生产率 High green total factor productivity
	Ha1	Ha2	Hb1	Hb2
受灾率 Disaster rate	$ \otimes $	$ \otimes $	$ \bullet $	$ \bullet $
有效灌溉面积 Effective irrigation area	$ \circ $	$ · $	$ · $	$ \circ $
农业财政支持力度 Financial support for agriculture	$ \circ $	$ · $	$ \otimes $	$ \otimes $
劳动力素质 Labor quality	$ \otimes $	$ \otimes $	$ · $	$ · $
城镇化率 Urbanization rate	$ · $	$ \circ $	$ \circ $	$ · $
原始覆盖度 Raw coverage	0.453	0.644	0.477	0.506
唯一覆盖度 Unique coverage	0.021	0.230	0.012	0.039
一致性 Consistency	0.996	0.926	0.890	0.921
解的覆盖度 Solution coverage	0.783
解的一致性 Solution consistency	0.870
Ha1、Ha2、 Hb1、Hb2表示我国薯类作物绿色生产效率的4条提升路径, 且分为2种构型(Ha和Hb)。$ \bullet $表示对应值较高时起到主导的促进作用, $ \otimes $表示对应值较低时起到主导的促进作用, 二者均表示核心条件存在; $ · $表示对应值较高时起到辅助的促进作用, $ \circ $表示对应值较低时起到辅助的促进作用, 二者均表示辅助条件存在。Ha1, Ha2, Hb1 and Hb2 represent four pathways to improve the green production efficiency of tuber crops in China, and they are divided into two configurations (i.e. Ha and Hb). $ \bullet $ indicates a dominant promoting role with high corresponding value, $ \otimes $ indicates a dominant promoting role with low corresponding value, and both of them indicate that the core condition exists; $·$ indicates an auxiliary and promoting role with high corresponding value, $ \circ $ indicates an auxiliary and promoting role with low corresponding value, and both of them indicate that an ancillary condition exists.

下载: 导出CSV 

| 显示表格

组态Ha1: “城镇化水平”主导型。在此路径下, 我国薯类作物绿色生产效率主要由高城镇化推动, 典型省份为湖南省。近20年其城镇化率由29.75%增长至58.76%, 年均增长1.45%。国家统计局2020年人均可支配收入显示, 湖南省人均可支配收入位于第12位, 说明湖南省对高素质人才有较强的吸引力, 因此会提高薯类作物生产中对新技术的接纳与采用效率。结合图2和表4可知, 湖南省属于技术效率增长主导型, 且其绿色生产效率由于技术进步指数降低而处于缓慢下降阶段。有效进行晚疫病防治是取得马铃薯稳产、丰产的关键。因此, 对于湖南省来说, 加大抗疫病新品种的研发、新技术的推广, 同时采用“马铃薯-水稻/玉米轮作”等绿色高效种植模式会显著降低晚疫病的发病概率, 从而促进全要素生产率的提升。

组态Ha2: “农业基础设施+财政支持”主导型。在此路径下, 即使在城镇化水平和受教育程度均不高且存在一定受灾率的情况下, 足够的财政支持力度、灌溉等基础设施依然可以有效推动薯类作物绿色生产效率的提升。该路径下的典型省份有河北、四川等。据《中国统计年鉴》可得, 2000—2020年四川省薯类作物有效灌溉面积由31.02万hm²增长至38.55万hm², 年均增长0.38万hm²。四川省农业农村厅提出“同类同档次机具实行定额补贴”, 按照标准“有升有降”, 不断满足农民群众的购机需求。万源市坚持良地良用, 提高种植效率, 连片建设高山马铃薯种植基地, 并为山区匹配机械等基础设施, 同时坚持良种扩繁, 降低人工成本, 提升产品品质。因此, 在受灾率和劳动力素质较低, 且城镇化率不高的省份, 若政府加大对薯类作物种植的财政支持力度, 引入先进的灌溉技术, 并实施人才引进计划来增加从业人数, 便可有效促进薯类作物的绿色生产效率。

组态Hb1: “农业基础设施+受教育程度+技术创新”推动型。此路径下, 即使薯类作物在种植过程中所受自然灾害程度较大, 仍然可以通过加强基础设施建设、引进技术人才等措施来提升薯类作物绿色生产效率。换言之, 如果政府增加财政支持力度并开展与薯类作物灾害防范相关的课程, 可增强农民风险防范意识, 从而降低薯类作物受灾率, 促进薯类作物绿色生产效率的提高。该组态的典型省份是黑龙江。据《中国统计年鉴》可知, 2000—2020年黑龙江省人均受教育程度由7.80年增长至9.65年, 城镇化率由2000年51.54%增长至2020年65.61%, 城镇化水平大幅度提升。黑龙江省投资3亿元用于种业创新, 不仅对马铃薯生产和秸秆还田的土地分别补贴1500 ¥∙hm⁻²和600 ¥∙hm⁻², 而且在2022年新增对马铃薯等耕地轮作试点补贴2250 ¥∙hm⁻², 不断加大对薯类作物种植的支持力度。同时, 在技术创新方面, 北大荒薯业集团不断加强优质脱毒种薯的繁育和研发, 与黑龙江省农业科学院、东北农业大学和八一农垦大学等院所合作, 培育且拥有自主知识产权的种薯新品种。

组态Hb2: “受教育程度+城镇化水平+技术创新”推动型。在此路径下, 即使没有充足的资金用于建设高效的农业灌溉设施和引入先进的病虫害防治技术, 但通过提高劳动力素质, 比如选择受教育水平相对较高的少部分劳动力去学习相应的病虫害防治技术, 学成后再进行技术的推广与应用, 同样可以促进绿色生产效率的提高。该路径下的省份大多位于华东地区, 其较高的经济发展水平和雄厚的师资力量等为当地农业生产提供了优异的资源储备, 且具备地处温/亚热带季风气候、无霜期长的地理优势, 是我国马铃薯种植面积增长最快和增长潜力最大的地区之一。由《中国统计年鉴》可知, 福建省2000—2020年城镇化率由41.57%增长至68.75%, 城镇化水平大幅度提升; 人均受教育程度由7.47年增长至9.23年, 人均完成九年义务教育。“十四五”期间, 福建省财政和中国农业科学院每年投入6000万元, 目前已经合作实施了薯类分子育种技术创新等22个项目, 福建省农业科学院自主选育的马铃薯品种‘闽薯1号’获国家农作物优良品种推广重点推荐。因此, 在易受到自然灾害的情况下, 提高劳动力素质、推进城镇化建设均有助于提升福建省薯类作物绿色生产效率。

2)产生薯类作物低绿色生产效率的组态分析

对产生非高绿色生产效率的影响因素进行检验, 得出以下3个组态(表9)。综合发现, 3个组态的核心条件均有“劳动力素质”, 即如果人力资源不充足、劳动力的受教育程度低下, 无论政府如何增加对薯类作物种植技术、灌溉设施的投入, 都会抑制绿色生产效率提高, 这也体现人力资本的重要性。

表  9  非高绿色全要素生产率的组态

Table  9.  Configuration of non-high green total factor productivity

条件变量 Conditional variable	非高绿色全要素生产率 Non-high green total factor productivity
	NH1	NH2	NH3
受灾率 Disaster rate
有效灌溉面积 Effective irrigation area	$ · $	$ \bullet $	$ · $
农业财政支持力度 Financial support for agriculture	$ · $	$ · $	$ \bullet $
劳动力素质 Labor quality	$ \otimes $	$ \otimes $	$ \otimes $
城镇化率 Urbanization rate	$ \otimes $	$ \circ $	$ \circ $
原始覆盖度 Raw coverage	0.723
唯一覆盖度 Unique coverage	0.723
一致性 Consistency	0.760
解的覆盖度 Solution coverage	0.723
解的一致性 Solution consistency	0.760
NH1、NH2、NH3表示我国薯类作物非高绿色生产效率的3条组态路径。$ \bullet $表示对应值较高时起到主导的促进作用, $ \otimes $表示对应值较低时起到主导的促进作用, 二者均表示核心条件存在; $·$表示对应值较高时起到辅助的促进作用, $ \circ $表示对应值较低时起到辅助的促进作用, 二者均表示辅助条件存在。NH1, NH2 and NH3 represent the 3 configuration pathways of non-high green production efficiency of tuber crops in China. $ \bullet $ indicates a dominant promoting role with high corresponding value, $ \otimes $ indicates a dominant promoting role with low corresponding value, and both of them indicate that the core condition exists; $·$ indicates an auxiliary and promoting role with high correspondingvalue, $ \circ $ indicates an auxiliary and promoting role with low corresponding value, and both of them indicate that an ancillary condition exists.

下载: 导出CSV 

| 显示表格

2.2.4   稳健性检验

首先, 将PRI一致性阈值提高到0.75, 得到解的覆盖度为0.750, 解的一致性为0.890, 且产生的组态基本一致。其次, 将案例数阈值提升至2, 产生的组态情况如表10所示。结合表8和表10, 在提高案例数阈值后, 所得2条组态路径均是初始组态路径的子集, 且核心条件相同。解的覆盖度和解的一致性均只有细微下降, 但依然达到解的覆盖度>0.5、解的一致性>0.8的要求, 说明本文具有良好的稳健性。结合Ragin^[35]的稳健性检验方法, 本研究可以通过稳健性检验。

表  10  提高频数阈值的稳健性检验

Table  10.  Robustness test for increasing the frequency threshold

条件变量 Conditional variable	高绿色全要素生产率 High green total factor productivity
	Ha	Hb
受灾率 Disaster rate	$ \otimes $	$ \bullet $
有效灌溉面积 Effective irrigation area	$ · $	$ \circ $
农业财政支持力度 Financial support for agriculture	$ · $	$ \otimes $
劳动力素质 Labor quality	$ \otimes $	$ · $
城镇化率 Urbanization rate	$ \circ $	$ · $
原始覆盖度 Raw coverage	0.640	0.506
唯一覆盖度 Unique coverage	0.244	0.107
一致性 Consistency	0.926	0.922
解的覆盖度 Solution coverage	0.750
解的一致性 Solution consistency	0.890
Ha、Hb表示经稳健性检验后, 我国薯类作物绿色生产效率的提升路径。$ \bullet $表示对应值较高时起到主导的促进作用, $ \otimes $表示对应值较低时起到主导的促进作用, 二者均表示核心条件存在; $ · $表示对应值较高时起到辅助的促进作用, $ \circ $表示对应值较低时起到辅助的促进作用, 二者均表示辅助条件存在。Ha and Hb represent the improvement pathway of green production efficiency of tuber crops in China after robustness test. $ \bullet $ indicates a dominant promoting role with high corresponding value, $ \otimes $ indicates a dominant promoting role with low corresponding value, and both of them indicate that the core condition exists; $·$ indicates an auxiliary and promoting role with high correspondingvalue, $ \circ $ indicates an auxiliary and promoting role with low corresponding value, and both of them indicate that an ancillary condition exists.

下载: 导出CSV 

| 显示表格

3.   讨论

薯类作物是粮食作物之一, 本研究在选择绿色生产效率测度指标时, 借鉴李兆亮等^[17]相关研究, 同时充分考虑薯类作物抗旱、节水的特性, 以及当下绿色生产的新要求, 尽可能全面系统地选择土地投入等指标进行测度。值得注意的是, 薯类作物属于块茎类, 生长在地面以下, 其化肥、农药等施用量远远大于小麦、玉米等粮食作物, 且在“双碳”目标导向下, 农业面源污染、农产品质量安全、农业碳排放加大等问题受到各界广泛关注, 为了进一步呼应《“十四五”全国农业绿色发展规划》, 由此新引入碳排放量作为非期望产出进行测度, 同时这也是本文与前人相比的边际贡献。测度结果表明, 2000—2020年我国薯类作物绿色生产效率增长幅度相对稳定, 且有明显的地区差异, 这与李兆亮等^[17]、李思勉等^[21]的研究结论基本一致。技术效率呈退化趋势, 换言之, 提高薯类作物绿色生产效率的潜力巨大。强化技术创新、优化要素配置, 可以有效减少碳排放, 提高技术效率, 从而提高绿色生产效率。具体来讲, 政府不仅要引导、鼓励农户优先选择有机肥、减少农膜的使用, 还要加强绿色种植技术推广、实施农业支持政策激励农户进行绿色生产。

通过组态视角探究我国薯类作物绿色生产效率的提升路径, 在一定程度上可以解决以往分析不够系统的问题, 是对以往影响因素研究的补充和延伸, 这为提高薯类作物绿色生产效率、实现粮食作物可持续发展提供新思路。组态分析结果表明, 财政支农力度、劳动力素质、科技投入可以有效提高薯类作物绿色生产效率, 这与杨芷晴^[10]、杨欣瞳^[18]的研究结论基本一致。此外, 组态分析得出技术创新是薯类作物绿色生产效率提升的关键因素, 人力资本是薯类作物高绿色生产效率的前提条件与根本保障。鉴于此, 在未来如何提高薯类作物绿色生产效率的路径上提出以下几点建议: 第一, 要大力实施农业绿色生产。政府不仅要大力宣传绿色农业生产的优点, 还要主动组织从事薯类作物种植的人员进行相关绿色生产知识的学习; 农户要积极学习并掌握少肥、节水技术, 降低碳排放量等非期望产出。第二, 鼓励绿色新技术的研发。政府要加大对农业种植领域的财政拨款力度, 不断加快薯类作物种植技术革新, 减少大型机械设备燃料、化肥农药的使用。新技术研发成功后, 邀请相关技术人员进行技术讲解, 使新技术尽可能快并高效地应用到薯类作物种植过程中。第三, 加快基础设施建设, 加强基础教育。尽可能地减少城乡差距, 推动新型城镇化建设, 推广清洁能源, 降低运输成本, 因地制宜地解决薯类作物的能源供应问题。

4.   结论

基于本研究所选取的我国31个省份(直辖市、自治区, 中国香港、澳门和台湾除外) 2000—2020年的面板数据, 采用DEA-Malmquist指数对薯类作物绿色生产效率进行测算并分解, 探究其时间演变趋势及空间差异。在此基础上, 通过fsQCA方法探究受灾率、有效灌溉面积、农业财政支持力度、城镇化率、劳动力素质这5个前因要素所构建的薯类作物绿色生产效率提升路径, 并得到以下主要结论:

(1)从演变趋势看, 我国薯类作物绿色生产效率整体增长幅度相对稳定, 技术进步改善较为明显, 但增长动力存在显著的区域性差异。

(2)从空间上看, 我国薯类作物绿色生产效率在空间上发展不平衡, 生产效率稳步增长的省份大多集中在秦岭—淮河以北, 以黄淮地区和东北三省为主。

(3)从提升路径看, 我国薯类作物绿色生产效率共有4条提升路径, 分别为“城镇化水平”主导型、“农业基础设施+财政支持”主导型、“农业基础设施+受教育程度+技术创新”推动型、“受教育程度+城镇化水平+技术创新”推动型。财政支持力度是提升薯类作物绿色生产效率的核心因素, 人力资本是前提条件与根本保障。此外, 结合实际案例发现, 技术创新是薯类作物绿色生产效率提升的关键因素, 例如脱毒种薯的繁育和研发、育种技术的创新等。