基于农户视角农业绿色全要素生产率的测度与分析

程永生, 张德元, 汪侠

程永生, 张德元, 汪侠. 基于农户视角农业绿色全要素生产率的测度与分析[J]. 中国生态农业学报 (中英文), 2023, 31(5): 820−834. DOI: 10.12357/cjea.20220562
引用本文: 程永生, 张德元, 汪侠. 基于农户视角农业绿色全要素生产率的测度与分析[J]. 中国生态农业学报 (中英文), 2023, 31(5): 820−834. DOI: 10.12357/cjea.20220562
shu
CHENG Y S, ZHANG D Y, WANG X. Measurement and analysis of agricultural green total factor productivity based on farmers’ perspectives[J]. Chinese Journal of Eco-Agriculture, 2023, 31(5): 820−834. DOI: 10.12357/cjea.20220562
Citation: CHENG Y S, ZHANG D Y, WANG X. Measurement and analysis of agricultural green total factor productivity based on farmers’ perspectives[J]. Chinese Journal of Eco-Agriculture, 2023, 31(5): 820−834. DOI: 10.12357/cjea.20220562
shu
程永生, 张德元, 汪侠. 基于农户视角农业绿色全要素生产率的测度与分析[J]. 中国生态农业学报 (中英文), 2023, 31(5): 820−834. CSTR: 32371.14.cjea.20220562
引用本文: 程永生, 张德元, 汪侠. 基于农户视角农业绿色全要素生产率的测度与分析[J]. 中国生态农业学报 (中英文), 2023, 31(5): 820−834. CSTR: 32371.14.cjea.20220562
shu
CHENG Y S, ZHANG D Y, WANG X. Measurement and analysis of agricultural green total factor productivity based on farmers’ perspectives[J]. Chinese Journal of Eco-Agriculture, 2023, 31(5): 820−834. CSTR: 32371.14.cjea.20220562
Citation: CHENG Y S, ZHANG D Y, WANG X. Measurement and analysis of agricultural green total factor productivity based on farmers’ perspectives[J]. Chinese Journal of Eco-Agriculture, 2023, 31(5): 820−834. CSTR: 32371.14.cjea.20220562
shu

基于农户视角农业绿色全要素生产率的测度与分析

  • 1.

    阜阳师范大学商学院　阜阳　236032

  • 2.

    安徽大学创新发展战略研究院　合肥　230601

基金项目: 安徽省2022年度哲学社会科学规划项目(AHSKQ2022D039)资助
详细信息
    通讯作者:

    程永生, 主要研究方向为绿色高质量发展与产业经济。E-mail: chengyongsheng@aliyun.com

  • 中图分类号: F32

Measurement and analysis of agricultural green total factor productivity based on farmers’ perspectives

  • 1.

    School of Business, Fuyang Normal University, Fuyang 236032, China

  • 2.

    Academy of Strategies for Innovation and Development, Anhui University, Hefei 230601, China

Funds: The study was supported by the Philosophy and Social Science Foundation of Anhui Province (AHSKQ2022D039).
More Information

摘要

    摘要
  • 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。
    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.
    • HTML全文

  • 绿色发展是中国式现代化的重要内涵, 也是建设农业强国、发展生态农业的题中之义[1]。农业绿色发展是绿色发展理念在农业生产中的贯彻体现, 是现代农业发展的内在要求, 更是生态文明建设的重要组成[2]。农业绿色全要素生产率是在传统全要素生产率之上, 加入了非期望(不合意)产出因素的“升级版”生产率指标, 既符合现实农业生产过程, 又充分体现了绿色可持续发展理念, 可以充分揭示高质量发展的本质内涵[3], 符合现代农业和农业现代化的内在要求, 是衡量农业绿色发展的重点测度指标, 也是学界的共性做法[4-5]。

    农业绿色全要素生产率基于全面绿色转型的现实诉求, 增加了客观存在的负向产出, 侧重考察了要素投入与含负向产出在内的实际产出间的效率关系, 更为符合农业经济发展状况和真实绩效。学界现有的丰富探讨, 主要聚焦在如下方面: 1)方法选择及差异。纵观学界日臻成熟的测算方法大体可分为两大类: 一是通过设定生产函数形式来实现的参数估算法, 最常见的有随机前沿法(SFA)、索洛残差法(SRA)等。参数法关注了随机误差, 优点明显, 可通过假设统计检验技术, 很好地处理测度误差和其他“噪声”, 并兼顾了环境要素、随机变化等对生产行为的可能影响, 与农业生产特性更相符[6]。但不足之处在于需要确定具体函数形式, 而错误函数的确定又难免会引发“无法回避”问题, 且往往局限于单一产出类型[7]。二是无需预设函数形式的非参数估计法, 最常见是以数据包络法(DEA)为主要代表, 直接从数据出发进行结果测算, 可用于单产出和多投入多产出评价, 还可通过实物形式测算前沿生产函数, 将产出直接分为“好” “坏”两类进行处理, 更符合经济发展现实, 因其适用广泛、特点鲜明, 故得到了极大推广。近40年来, “DEA估算法与绿色全要素生产率相联系, 被广泛使用在农业生产率测度中”[8], 可分为静、动态两类模型视角。依据DEA分析法的演进历程, 全要素生产率的估算大体有谢泼德产出距离函数(SDF)及Malmquist指数法、方向距离函数(DDF)及Malmquist-Luenberger (以下简称M-L)指数法、基于松弛值测算模型(SBM)及Luenberger指数法等。从既有文献来看, 绝大部分学者倾向选用非参数估计法, 其中尤以M-L生产率指数为代表的DEA技术, 应用最为集中和频繁, 其优点是可以同时实现正向性产出的增加与负向性产出的减少, 但是该方法存在不一致性和非可行性问题, 可能导致测量结果偏误[9]。有鉴于此, Aparicio等[10]在M-L指数的基础上引入优化技术, 较好地克服了上述不足, 这也正是本文方法选择的考量。2)指标选择设计。农业绿色全要素生产率增加考量了“绿色”要素、纳入了资源环境损耗等负外部因素影响, 使得既有生产率核算体系更加科学完善、更贴近农业生产发展真实境况。目前, 主流文献对资源环境因素的处理, 主要有两种方法: 一是作为“特殊”投入指标纳入生产函数, 视资源环境损耗等同于“一种具有影子价格的投入要素”, 但面临着“影子价格”不易衡量、误差较大, 且很难反映生产实际过程等难题[11]。所以更多学者倾向于将其作为一种负向(非期望)产出指标, 认为资源环境是生产过程中被损耗、污染的, 是产出中无可避免的“不良副产品”。选用产出法核算绿色全要素生产率要先建构农业污染单元构成, 再确定含正、负向产出的指标体系。因研究对象和数据可得性约束, 上述各项指标构成差异较大, 不同学者间亦存有争议, 这也是造成测度结果差异的可能原因之一。已有文献对近10年农业绿色全要素生产率文献进行了集中整理呈现[12], 此处不再赘述。一般而言, 农业投入指标的构成主要有: 劳动力、电力、土地、水资源、化肥、灌溉、机械、农药、役畜、雇工、机械租赁等, 产出指标中大多采用以农业总产量(产值)为表征的正向性产出, 同时以“农业面源污染”及“碳排放总量”等为表征的负向性产出也日渐进入学者视野[13]。3)微观测度研究。在微观层面的有限研究中, 既有文献的关注主要集中于企业层面, 以制造业为代表的全要素生产率研究, 业已形成了一大批较为成熟的研究成果, 在较为常见的方法应用中, 囊括运用了参数、半参数法的, 诸如最小二乘法、固定效应法、Olley-Pakes法(OP法)和Levinsohnand Petrin法(LP法)等, 进行工业企业的生产率核算, 其主导思想是利用中间投入品作为工具变量, 处理计量模型的内生性可能, 解决样本的选择性偏误。但具体到农业绿色全要素生产率的研究则相对不足, 尤其是以微观数据为基础的研究较为缺乏[14]。作为现实农业生产经营占绝对比重的庞大农户层面, 其微观群体的场域缺失, 往往容易导致主观期望良好, 但客观低效率、高污染, 从而不能达到政策效用的最大化, 而宏观指标无法观测现实中庞大个体的农业绿色发展状况。在为数不多的利用微观数据测算农户生产率的研究中, 尤以DEA方法运用居多, 且从文献梳理情况来看, 有限的研究基于不同的研究视角与测算方法, 相关结论尚未达成共识[15-16]。

    综上而言, 忽视资源环境耗损会带来生产率估算偏高, 而农业绿色全要素生产率较好地弥补了这一缺陷, 成为了发展经济学近年来热点议题, 且相关测算技术日趋优化、基本成熟, 为本文推进奠定了坚实基础, 但在评价指标建构、影响因素框架探索上, 研究较为分散、客观深入不够, 尤其是对微观农户层面的系统讨论, 还未见有学者较多涉猎, 不便于后续聚焦探讨。有鉴于此, 本文依据权威大样本调查数据库, 尝试丰富可靠性的微观经验证据, 在变量定义、测度方法上进行探索性尝试, 并努力改进和丰富相关研究, 这也正是本文的边际贡献和可能的创新之处, 以期为农业强国建设新征程中的绿色农业发展提供些许科学支持。

    1.   研究方法

    1.1   数据来源

    研究的基础性数据源于中国家庭追踪调查(China Family Panel Studies, CFPS)的公开库, 以此合并建构了平衡短面板数据蓝本。研究选用的2014年、2016年和2018年3个批次, 是目前公开的最新全国性微观入户调查数据, 具有极高样本代表率, 约可代表涵盖95%的中国人口[17]; 数据信度和效度良好, 具有较高权威性, 可视为一个全国代表性样本。

    1.2   测算指标体系

    从CFPS数据库的特点出发, 参考既有文献[14,18]中关涉农业绿色全要素生产率测算的指标选择, 微观农户研究对象的特殊性, 以及农业生产正、负向产出的相关性等因素, 本研究尝试合理改进了微观层面农业绿色全要素生产率的投入—产出指标体系(表1) [19]。

    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 area    		 hm² 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 emissions    		 t yu2
    农业总氮(TN)等标排放量
    Agricultural total nitrogen (TN) equivalent emissions    		 yu3
    农业总磷(TP)等标排放量
    Agricultural total phosphorus (TP) equivalent emissions    		 yu4
    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 
    | 显示表格
    1.2.1   农户农业投入指标

    1)劳动力投入

    农业劳动投入会显著影响农业生产效率[20]。鉴于研究需要, 此处的劳动力投入重点关注的是农户自家农业劳动力的供给内容。关于农户农业劳动力供给, 现有研究有用农业劳动参与比表征[21], 也有文献用农业劳动供给时间来衡量[14], 还有部分学者使用单位面积劳动力投入, 即农户从事农业生产的劳动力人数与耕地面积的占比来表示[22]。由于本文立足全国层面的数据库, 劳动供给时间会因地区、种植结构、响应水平的差异而不同, 特别是在当前农业兼业化日趋加深的大背景下, 家庭成员的农业劳动参与, 更能体现家庭对农业生产的重视和依赖程度。因此, 本文舍弃农业劳动供给时间, 而选用家庭成员农业劳动参与情况, 作为农户农业劳动供给变量的衡量表征。

    2)土地资源投入

    土地是农业生产的基本载体, 关乎农业规模经济的实现与否, 也是影响生产效率的另一个重要因素。目前, 学界对农业土地投入指标选取存在争议, 有部分学者[23]认为耕地面积不能反映耕地的复种情况, 农作物的总播种面积更为贴切; 也有学者[24]主张用耕地面积, 因为现实中绝大部分的农户所拥有的、具有普遍生产意义的农地类型是耕地, 且其他类型的土地(林、牧、池塘等)的样本量偏少。鉴于本文所关注的是农户的农业生产土地投入, 综合考量选用的是农户的承包地面积。虽然该项数据在CFPS数据库中存在部分年份的数据缺失, 但是影响不大, 笔者借鉴已有做法[25], 匹配了2010年CFPS的数据库, 具体包括第一个问题: 您家从集体分配到的各类型土地加起来一共有多少亩? 含耕地、林地、牧场、水塘; 以及第二个问题: 过去一年, 您家从别人或者集体那里租用了多少亩土地? 同样包括耕地、林地、牧场和水塘等。

    3)资本投入

    鉴于研究议题, 本文所关注的农户资本投入主要是与农业生产相关的资本性投入, 而非生活性资本投入等其他非生产过程方面的内容。关于农业生产性的资本投入, 目前不同研究有不同的考量方式, 尚未见到统一的处理方式。研究参照文献[26]做法, 重点关注的生产性投资有两类: 一是直接关联现实农地的流动性投资; 二是不直接与土地发生关联的, 如农机设备等固定投资。具体而言, 从家庭农业生产的实际出发, 采用农户家庭总支出与文化娱乐、旅游等非生产性消费支出的差来表征流动性资本投入; 选用各年度农户家庭所拥有的各种农用机械总价值来表征固定性资本投入, 缺失值用上一年份数值取代。

    1.2.2   农户农业产出指标

    研究表明, 不考虑负向产出的农业生产率, 无法客观准确地反映农业生产对资源环境的消耗, 不利于绿色可持续发展, 甚至会造成政府决策的偏误[27], 因而需要将资源环境因素作为负向性产出, 纳入到测算当中。

    1)期望产出

    期望产出是有益于总体目标、符合预期的产出量, 其值越大越好。在农业生产中, 期望产出反映了农业经济的增长情况, 具体到农户家庭而言, 其期望产出是农业生产的总收入, 具体而言, 鉴于现实农村家庭生产经营中, 很大一部分的农产品被用于自家消费, 故研究采用的是过去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[28]。

    2)非期望产出

    如前所述, 负产出与正产出相伴而存、相随相生, 且因农业对自然环境更深的依赖, 致使其负向产出的特殊性亦更明显, 既有文献主要采用两种衡量方法[29] : 第1种是基于赖斯芸等[30]清单分析法, 结合全国首次污染普查的《农业面源污染源污染系数手册》测算的农业面源污染量表征; 第2种是基于农业生产中的化肥、农药、柴油、农膜、灌溉和翻耕等6类碳排放的总量, 作为替代变量进行测算后衡量。虽然农业面源污染是约束生态环境主要污染源头, 但由于其排放具有隐蔽性、随机性以及非点源的特征, 导致现实中的农业污染往往难以精准衡量, 故大多学者倾向单元调查评估法。该方法是以综合调査为基础的清单分析法, 所得结果相对准确, 同时具有较强的可操作性, 在污染物测算领域中得到了广泛应用。据此, 结合现有文献[19 ,22]的共性经验, 综合选用以虚拟户主(农业活动管账人)主观评价为主, 同步匹配客观公开数据, 主客关联、互为验证的方式, 表征农户层面农业绿色全要素生产率的负向性产出。主观环境评价的优点在于能够更为综合地反映区域环境状况, 使得研究更加具有集中性和代表性, 而同步利用省级层面的客观环境污染数据总磷(TP)、总氮(TN)和化学需氧量(COD), 作为负向性产出的替代指标进行对比分析, 又最大程度地降低了可能的测度“偏误”, 较好地保证了结论的有效性。因CFPS的问卷调查绝大部分问题是针对过去12个月的调查, 故匹配数据亦采用省级层面上一年的对应数值。

    1.3   方法选择

    鉴于研究对象是CFPS数据库中农户层面的农业绿色全要素生产率, 不仅涉及到了多投入、多产出, 且同时含有正、负向产出方面, 无法采用构建生产函数形式的参数方法进行度量。因此, 从微观基础农户的视角出发, 基于测算技术的可行性与数据的可获得性, 综合选择技术优化的M-L指数进行测算与分析。同时, 采用核密度估计法和Dagum基尼系数法, 分别揭示微观场域农业绿色全要素生产率的动态演变规律以及区域差异特征。

    1.3.1   技术优化的M-L指数测度法

    技术优化的M-L指数测度法不仅可以避免传统算法的偏误可能, 而且可以实现正向性产出增加和负向性产出减少的同步刻画[19], 其具体方法如下:

    $$\begin{split} {{\rm{ML}}}^{s}=\frac{1+{\overrightarrow{D}}_{0} {}^s ({x}^{t},{y}^{t},{b}^{t};{y}^{t},-{b}^{t})}{1+{\overrightarrow{D}}_{0}{} ^s({x}^{t+1},{y}^{t+1},{b}^{t+1};{y}^{t+1},-{b}^{t+1})} \end{split} $$ (1)

    式中: ML表示从t期到t+1期的指数函数; $ s $表示时期集合向量, s=(t, t+1); $ x $为投入向量; $ y $为期望产出向量; $ b $为非期望产出向量。同时, 式(1)又可进一步分解为: 绿色技术效率变化(MLTEC)和绿色技术进步变化(MLTC)的乘积。

    1.3.2   核密度估计法

    作为非参数估计法中的一种, 核密度估计主要是利用连续密度曲线, 对随机变量的分布形态进行刻画。该方法已经在经济领域得到广泛运用, 主要描述经济变量的非均衡分布状态。假设随机变量$ X $的密度函数为$ f\left(x\right) $, 当随机变量$ X=x $时, 密度函数$ f\left(x\right) $可以利用公式(2)进行估计。其中, 需要选取适宜的核函数(诸如均匀核函数、高斯核函数、伽马核函数等), 本部分根据数据拟合程度, 采用高斯核函数(见公式3所示)描述农户层面的农业绿色全要素生产率的动态演变规律[12]。

    $$ f\left(x\right)=\left(1/Nh\right){\sum }_{i=1}^{N}K\left[({X}_{i}-\overline {X})/h\right] $$ (2)
    $$ K\left(x\right)=\left(1/\sqrt{2 \text{π} }\right)\mathrm{e}\mathrm{x}\mathrm{p}\left(-{x}^{2}/2\right) $$ (3)

    式中: $ N $为数据观测值个数, $ {X}_{i} $服从独立同分布, $\overline {X}$为数据均值, $ h $为带宽, $K(x)$为核函数。

    1.3.3   Dagum基尼系数法

    现有研究文献中, 测算区域差距的传统方法主要有变异系数、泰尔指数和基尼系数等, 相比于传统方法, Dagum基尼系数法在分解区域总体差距来源的同时, 还可有效解决区域间样本交叉重叠问题, 准确辨识区域间差距较之总体差距的贡献程度, 有效避免基尼系数法和泰尔指数法的使用局限[31]。因此, 本研究采用Dagum基尼系数法测算农户层绿色全要素生产率的区域差距, 并根据地理区位进一步将广东、天津、山东、河北、浙江、福建、辽宁、江苏、上海等9省(直辖市)农户划分为东部区域, 中部地区覆盖山西、湖南、湖北、吉林、河南、黑龙江、江西、安徽等8省, 而西部地区覆盖广西、甘肃、贵州、陕西、云南、四川、重庆等省(直辖市或自治区) 7 个区域。

    $$ {G}=\sum \nolimits_{j=1}^{k}\sum\nolimits _{h=1}^{k}\sum \nolimits_{i=1}^{{n}_{j}}\sum \nolimits_{r=1}^{{n}_{h}}\left|{y}_{ji}-{y}_{hr}\right|/2{n}^{2}\mu $$ (4)

    式中: G为总体基尼系数, $ {y}_{ji}\left({y}_{hr}\right) $表示$ j\left(h\right) $区域内$ i\left(r\right) $农户的农业绿色全要素生产率, $\mathrm{}n$为农户个数, $ \mu $表示所有农户绿色全要素生产率的均值, $ k $为区域划分的个数, $ {n}_{j}\left({n}_{h}\right) $是$ j\left(h\right) $区域内农户个数。同时, 进一步将G分解为: ${G}=G_{\rm{w}}+G_{ {\rm{nb}}}+G_{\rm{t}}$, 设${\mathrm{定}G}_{{\rm{w}}}\mathrm{表}\mathrm{示}$区域内的差距差异贡献, ${G}_{{\rm{nb}}}$为区域间净差距的净值差异贡献, ${G}_{{\rm{t}}}$则为超变密度贡献。

    2.   结果与分析

    2.1   农业绿色全要素生产率变量的描述性统计

    研究依据CFPS数据库的家庭识别码匹配出有效的微观农户家庭, 并据此筛选建构了2014年、2016年、2018年跨3期的3245个样本农户平衡短面板数据。相关指标的描述性统计结果如表2所示。

    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 Capital973511.071529.62840.00601000.0000
    劳动力 Labor97353.86801.82981.000021.0000
    土地 Land97350.82352.31920.006773.3333
    农产品总产出 Total agricultural output973516.496835.83450.0010900.0000
    主观污染感知度 Subjective pollution perception degree97356.53002.50241.000010.0000
    化学需氧量等标排放量 Chemical oxygen demand equivalent emissions97352.03742.17630.00879.4930
    总氮等标排放量 Total nitrogen equivalent emissions973538.544027.13811.4973131.6150
    总磷等标排放量 Total phosphorus equivalent emissions973513.553410.07840.976058.9300
    下载: 导出CSV 
    | 显示表格

    鉴于运用DEA方法进行估算之前, 需要先期对所选取的投入和产出指标间的相关性进行统计性检验, 考察是否满足DEA方法中的“等张性”原则, 即要求农户层的农业绿色全要素生产率投入、产出指标是同时增加或者减少的。由表3可知, 农户层的农业绿色全要素生产率投入、产出指标之间的相关变量系数均通过1%、5%、10%的显著性水平检验, 说明研究建构的微观农业绿色全要素生产率的投入、产出指标体系可信度高, 满足测度方法的“等张性”原则, 可以采用基于技术优化的M-L指数, 进行后续农户层的农业绿色全要素生产率测算。

    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
    emissions    		TP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 output    		 0.7714*** 0.0507*** 0.0324*** 1.0000 — — — —
    主观污染感知度
    Subjective pollution perception degree    		 0.0421*** 0.0400*** 0.0378*** 0.0233** 1.0000 — — —
    化学需氧量等标排放量
    Chemical oxygen demand equivalent emissions    		 0.0473*** 0.0939*** 0.0568*** 0.0285*** 0.0435*** 1.0000 — —
    总氮等标排放量
    Total nitrogen equivalent emissions    		 0.0377*** 0.0875*** 0.0703*** 0.0193* 0.0161*** 0.3675*** 1.0000 —
    总磷等标排放量
    Total phosphorus equivalent emissions    		 0.0352*** 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 
    | 显示表格

    2.2   农业绿色全要素生产率的测度

    农业绿色全要素生产率可分解为农业绿色技术进步和绿色农业技术效率两部分, 其中前者代表着生产前沿面的移动状态, 表征着决策单元通过技术外部引进和内部创新等途径, 推动农业绿色技术革新的过程, 被视为微观农业绿色发展的主要驱动力; 而后者则代表着决策单元与生产前沿面的距离, 取决于现实生产要素的投入变化同技术进步偏向间的配置与匹配度, 可以客观反映出微观样本农户的资源配置、管理模式以及组织方式的改善程度。从理论上而言, 农业绿色全要素生产率取决于农业生产要素的投入变化与技术进步偏向配置的变化, 若变化方向和类型一致则会产生提升效应, 否则存在不确定性[19]。有鉴于此, 基于上述算法比较, 选择初始年份2014年为基期, 分别计算出样本农户2016年、2018年的农业绿色全要素生产率(ML)、农业绿色技术效率变化(MLTEC)和绿色技术进步变化(MLTC)。

    如表4所示, 当使用虚拟户主的主观污染感知度作为非期望产出时, 农户2016年农业绿色全要素生产率ML(1)指数均值为1.0099 (>1), 说明其农业绿色发展处在良好的增长态势; 农业技术效率变化MLTEC(1)和技术进步变化MLTC(1)的均值分别为1.0165和0.9928, 说明农户的绿色农业技术效率的提升是主要助推因素, 而农业技术进步变化相对缓慢。到2018年农户的ML(1)指数均值为0.9960, 出现了下降态势, 对应的绿色农业技术效率变化MLTEC(1)和技术进步变化MLTC(1)的均值分别为0.9765和1.0200, 说明样本农户的绿色农业技术效率提升没有实现可持续的溢出效应, 而绿色农业技术进步变化的革新功能在这一时期起到了助推作用。不仅如此, 当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时, 结果亦完全一致, 仅指数数值略有变化: 农户2016年的农业绿色全要素生产率ML(2)、绿色技术效率变化MLTEC(2)、绿色技术进步变化MLTC(2)的均值分别为 1.0175、1.0294、0.9828, 2018年的农业绿色全要素生产率ML(2)、绿色技术效率变化MLTEC(2)和绿色技术进步变化MLTC(2)的均值分别为0.9974、0.9713和1.0259, 有效印证了测度方法的合理可靠与测度结果的相对稳健。

    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 15    		4405603.75121.96301.91095002333.76201.98891.8915
    3501083.56321.99941.78215108763.70291.96871.8809
    4417163.42321.98101.72814405603.62101.98621.8231
    5107952.55101.59051.60394417163.55141.97361.7994
    3301772.41941.98371.21975002363.29821.99261.6552
    3601722.30631.78471.29235106673.04361.98901.5302
    4419412.06321.50011.37545002382.77421.61721.7154
    5106672.05281.98751.03295107952.76591.57081.7608
    3201341.89471.71661.10375107902.63061.73991.5120
    1304311.88981.52521.23905002412.56851.67951.5294
    6208471.86801.61401.15736208472.55001.96761.2960
    1407291.86701.58781.17584419412.54741.69751.5007
    4417381.85661.25921.47446210772.48911.96721.2653
    3301751.85611.60691.15515002852.41361.75991.3714
    4410731.84241.45931.26252202122.20191.88261.1696
    后15名
    Last 15    		4502090.61300.55391.10675001490.50280.50550.9947
    5104010.60720.51121.18776213220.50080.63900.7837
    6211260.60490.59471.01726209700.49940.50650.9861
    5001490.59680.50021.19312109370.48680.51100.9527
    4401560.58930.63360.93012118000.48430.54140.8946
    4405080.58230.64760.89921200930.47480.68710.6910
    6200110.55260.54561.01286211970.47330.63330.7474
    6103280.54580.50961.07096214800.44850.57120.7853
    2109370.54190.52161.03886103280.44140.52240.8451
    6831260.53780.54940.97886211260.43850.55670.7876
    2118000.51970.52300.99376212890.41970.56630.7412
    6212890.51970.57680.90101403440.40810.57820.7058
    5304230.48930.60080.81446200110.40530.50630.8007
    1403440.45510.53450.85143501000.40250.77120.5219
    1406470.43460.51210.84866214760.37750.50940.7410
    平均 Average—1.00991.01650.9928—1.01751.02940.9828
    2018前15名
    Top 15    		4416523.59801.99861.80025106505.47011.99342.7441
    5106503.58061.99721.79284416523.59611.99811.7998
    1401522.80381.95111.43704403413.24321.88151.7237
    3704482.40481.95511.23001401522.71561.81851.4933
    5301362.39891.98871.20625301362.47141.98741.2435
    4403412.15831.75521.22976212362.44921.96631.2456
    2109402.14671.72031.24793704482.40751.95841.2293
    1403611.85431.63591.13356202232.40381.93291.2436
    5505661.60991.56061.03166212852.07411.72261.2041
    6211771.60861.29171.24546211771.96211.49071.3162
    4415621.59321.30101.22462109401.94011.39901.3868
    4108581.59041.37461.15706214761.88891.66381.1353
    1309281.53411.37091.11916212751.77291.56161.1353
    3703261.52371.28621.18465505661.75261.61101.0879
    6202231.48961.51130.98566205491.74391.44781.2046
    后15名
    Last 15    		5303350.64270.54461.18011407290.57810.57900.9984
    5302520.63120.55721.13285203420.57670.65850.8758
    6208470.63120.62051.01722108220.57300.50981.1240
    3201340.62390.58941.05865002380.57220.66140.8651
    4502400.62210.53701.15845002850.56250.56580.9942
    4501990.61980.60531.02403601720.53110.52451.0126
    6208780.61430.60851.00976210770.52050.53940.9650
    4419410.60260.59201.01795002330.45260.58970.7676
    6208270.60160.52111.15445002360.44470.50300.8841
    3601720.52690.52800.99786208470.42430.50950.8329
    5106670.52070.50001.04125106670.41930.50000.8386
    4417160.48730.50640.96224405600.31030.50190.6183
    3301770.47640.50490.94364419410.30210.53990.5596
    5107950.34450.52710.65355107950.29930.53270.5617
    4405600.23930.50610.47284417160.26630.50430.5281
    平均 Average—0.99600.97651.0200—0.99740.97131.0259
    　　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 
    | 显示表格

    更进一步地以农业绿色全要素生产率(ML)为依据, 重点聚焦排名前15位和后15位的样本农户个体, 测度结果及其分解项所得如表4所示。当使用虚拟户主主观污染感知度作为非期望产出时, 2016年前15位农户的农业绿色全要素生产率均处于提升态势, 位于区间[1.8424, 3.7512], 平均值为2.3470, 增长率达到134.70%, 农业绿色技术效率变化(MLTEC)和农业绿色技术进步变化(MLTC)都处于增长趋势, 平均增长率分别为70.39%和36.75%, 表明农业绿色技术效率和农业绿色技术进步共同引致前15位农户的绿色发展增长, 农户的绿色生产方式属于农业绿色技术效率和农业绿色技术进步“双轮驱动”模式。2016年后15位农户的绿色全要素生产率均处于下降态势, 位于区间[0.4346, 0.6130], 平均值为0.5460, 增长率为−45.40%, 农业绿色技术效率变化(MLTEC)和农业绿色技术进步变化(MLTC)平均增长率分别为−44.57%和−1.04%, 且农业绿色技术效率下降幅度最大, 是导致后15位农户的绿色发展水平下降的主要原因, 说明这一时期农户在生产过程中出现严重的资源配置不合理问题, “追赶效应”并未显现。值得注意的是, 后15位农户中有部分农户的绿色技术呈现小幅度上升趋势, 意味着农户在生产过程中, 已经开始引入先进的生产技术水平, “前沿转换效应”开始发挥效力, 然而这种正向促进作用, 终被农业绿色技术效率的大幅度下降效应所抵消, 所以结果表现为农户层面农业绿色全要素生产率的下降态势。而当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时, 上述特征规律并未发生变化。具体而言, 2016年前15位农户的绿色发展位于区间[2.2019, 3.7620], 平均值为2.9280, 增长率达192.80%, 农业绿色技术效率变化(MLTEC)、农业绿色技术进步变化(MLTC)的平均增长率分别为85.21%、58.01%, 表明前15位农户的农业绿色全要素生产率的增长源泉是绿色技术效率与绿色技术进步, 并且农业绿色技术效率的贡献率, 要远大于农业绿色技术进步; 后15位农户的绿色全要素生产率位于区间[0.3775, 0.5028], 平均值为0.4509, 增长率为−54.91%, 农业绿色技术效率变化(MLTEC)、农业绿色技术进步变化(MLTC)的平均增长率分别为−42.63%、−20.14%, 二者的“双下降”趋势导致农户的绿色发展步入下滑通道, 并且农业绿色技术效率恶化程度, 也显著高于绿色技术退步程度。

    到2018年时, 当使用虚拟户主主观污染感知度作为非期望产出, 前15位农户的绿色全要素生产率均处于上升趋势, 位于区间[1.4896, 3.5980], 平均值为2.1263, 增长率达112.63%, 农业绿色技术效率变化(MLTEC)、农业绿色技术进步变化(MLTC)的平均增长率分别为64.66%、26.83%, 二者共同驱动了农户绿色发展水平增长, 其中农业绿色技术效率的贡献率远大于农业绿色技术进步, 这表明这一时期农户生产决策的“追赶效应”优于“前沿转换效应”, 即农户在生产过程中更加注重资源合理配置, 通过生产组织方式的更迭, 打通了要素流通的“堵点”与“痛点”, 而推进农业生产技术的革新步伐则相对较为缓慢, 农业技术进步的“低水平循环”效应占据主导地位。另外, 前15位农户中最后一位农户的农业绿色技术水平值为0.9856, 出现绿色技术退步现象, 进一步佐证了农户的生产技术水平依赖于前期低水平技术的现状, 并未充分发挥出技术进步的引领带动作用。2018年后15位农户的绿色全要素生产率均处于下降趋势, 位于区间[0.2393, 0.6427], 平均值为0.5456, 增长率为−45.44%, 农业绿色技术效率变化(MLTEC)、农业绿色技术进步变化(MLTC)平均增长率分别为−45.01%、−1.17%, 且农业绿色技术效率下降的幅度, 亦远高于农业绿色技术进步, 这是引致农户层面农业绿色发展降低的主要原因。此外, 后15位农户中, 有部分农户的农业绿色技术进步亦表现出了上升趋势, 但是因农业绿色技术进步的上升幅度, 要低于绿色技术效率下降幅度, 故“上升—下降”的综合作用效应, 使得农户的绿色发展仍处于下降阶段。而当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时, 这一规律特征同样与仅使用主观环境污染感知度作为非期望产出测算的结果保持一致。2018年前15位农户的绿色全要素生产率位于区间[1.7439, 5.4701], 平均值为2.5261, 增长率达152.61%, 农业绿色技术效率变化(MLTEC)、农业绿色技术进步变化(MLTC)的平均增长率分别为76.22%、41.29%, 农业绿色全要素生产率及其分解项均实现正向增长, 并且农业绿色技术效率和农业绿色技术进步的叠加作用, 共同驱动了农户层面农业绿色发展的提升; 后15位农户的绿色全要素生产率位于区间[0.2663, 0.5781], 平均值为0.4555, 增长率为−54.45%, 农业绿色技术效率变化(MLTEC)、农业绿色技术进步变化(MLTC)的平均增长率分别为−45.20%、−17.16%, 农业绿色全要素及其分解项均处于下降趋势, 且同样因农业绿色技术效率和农业绿色技术进步的“双下降”, 共同引致农户层面农业绿色发展处于下降阶段。

    2.3   农业绿色全要素生产率的动态演变规律

    基于上述测算的3245个样本农户数据, 继续运用非参数核密度估计法, 尝试刻画微观场域农业绿色全要素生产率的动态演变规律, 结果如图1所示。

    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)
    下载: 全尺寸图片 幻灯片

    图1农户层面农业绿色全要素生产率的核密度分布结果显示, 当使用虚拟户主主观污染感知度作为非期望产出时(图1a), 样本农户2016年和2018年的核密度曲线均呈单峰分布特征, 中心值集中在1.0附近, 波峰陡峭, 两尾外延, 且右尾具有拖尾现象, 说明2016年和2018年的农业绿色发展集中度较高, 具有集聚特点, 反映出不同农户之间绿色发展分化现象不明显, 同时, 在中心值两侧的高低水平农户数量较少, 与低水平农户相比, 高水平农户的数量较多, 并且表现出分散特点。而当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时(图1b), 2016年和2018年的核密度曲线, 亦均呈单峰分布特征, 且2018年的波峰高度明显高于2016年的波峰高度, 表明2018年的农户层面的农业绿色发展分布更加集聚, 两年的绿色发展中心值集中在1.0附近, 2018年的曲线右尾相比于2016年拖尾现象显著, 说明2018年的高水平绿色农业发展的农户数量, 要多于2016年的高水平绿色农业发展的农户数量。

    从图1农业绿色技术效率变化的核密度分布的结果显示来看, 当使用虚拟户主主观污染感知度作为非期望产出时(图1c), 2016年和2018年的核密度曲线均呈现单峰分布特征, 2018年的波峰高度高于2016年的波峰高度, 2016年的中心值分布在1.0附近, 2018年的中心值相比于2016年向左偏移, 揭示出样本期内农户的农业绿色技术效率(MLTEC)并未出现两级分化问题, 且2018年农户的农业绿色技术效率(MLTEC)出现退步现象, 即2018年低水平农户数量多于2016年, 2018年高水平农户数量少于2016年。同时, 2016年和2018年的曲线均具有两尾拖尾特征, 则意味着2016年和2018年存在少数的低水平农户和高水平农户, 这两类农户的农业绿色技术效率(MLTEC)差距明显。当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时(图1d), 2016年和2018年的核密度曲线也都呈单峰分布特征, 2018年的波峰高度低于2016年的波峰高度, 且2018年曲线中心值向左偏移的幅度较大, 表明2018年农户的农业绿色技术效率(MLTEC)退步现象进一步加重。样本期内的曲线变化同样表现出两尾拖尾趋势, 这进一步验证了低水平农户和高水平农户之间的差异性。

    从图1的农业绿色技术变化结果显示来看, 当使用虚拟户主主观污染感知度作为非期望产出时(图1e), 2016年和2018年的核密度曲线, 亦均呈单峰分布特征, 2018年波峰高度略高于2016年波峰高度, 2016年中心值集中在1.0附近, 2018年中心值向右偏移, 2016年曲线呈左尾截尾、右尾拖尾现象, 而2018年曲线则表现出了两尾拖尾现象的变化。这说明相较于2016年而言, 2018年农户的农业绿色技术进步(MLTC)整体处于上升阶段, 2016年低水平农户数量较少, 高水平农户数量相对较多, 而2018年高、低水平农户数量基本保持一致。当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时(图1f), 2016年和2018年的核密度曲线也均呈单峰分布特征, 2018年波峰高度高于2016年波峰高度, 表明2018年农户层面的农业绿色技术进步(MLTC)进一步向中心值趋近, 空间集聚效应显现。同时, 与2016年相比, 2018年农户的农业绿色技术进步(MLTC)中心值向右偏移, 表明2018年农户的农业绿色技术进步(MLTC)整体处于上升趋势。值得注意的是, 2018年核密度曲线出现左尾截尾、右尾拖尾现象, 这与仅使用虚拟户主主观污染感知度作为非期望产出的结果不相符, 反映出2018年农业绿色技术进步(MLTC)水平低的农户数量可能出现“断崖式”下降, 在农户数量保持不变的前提下, 这部分低水平农户转移至中等水平和高水平组别中, 形成了“内推外拉”式动态转移效应, 值得进一步关注。

    2.4   农业绿色全要素生产率的区域差距呈现

    基于上述测算的3245个样本农户层面的农业绿色全要素生产率数据, 进一步运用Dagum基尼系数法度量其绿色发展的总体区域差距, 并按照东、中、西三大区域的空间尺度进行分解, 尝试揭示区域差距的主要来源, 2016年、2018年农户层的农业绿色全要素生产率的区域差距及其来源的具体结果如表5所示。

    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)20160.04660.01590.00270.028034.125.7960.09
    20180.03620.01240.00020.023634.250.5565.19
    (2)20160.07800.02740.00410.046535.135.2659.62
    20180.04960.01740.00140.030835.082.8262.10
    　　(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 
    | 显示表格

    从表5显示的结果来看, 当使用虚拟户主主观污染感知度作为非期望产出时, 2016年总体区域差距值为0.0466, 2018年总体区域差距值为0.0362, 整体表现出下降趋势, 下降幅度为22.32%, 说明在样本期内农户的农业绿色发展总体差距呈现不断缩小趋势。从来源分解看, 农户2016年农业绿色全要素生产率的区域内差距、区域间差距和超变密度值分别为0.0159、0.0027、0.0280, 而2018年的三者值分别为0.0124、0.0002、0.0236, 均处于下降态势, 并且超变密度>区域内差距>区域间差距, 意味着超变密度是引致农业绿色发展总体区域差距的主要原因。从贡献率看, 区域内差距、区域间差距和超变密度对总体区域差距的贡献率均值, 分别为34.19%、3.17%和62.64%, 超变密度的贡献率, 亦远高于区域内和区域间的贡献率, 进一步佐证了总体区域差距的大部分可以用超变密度的差异性来解释, 即不同区域间的样本交叉重叠问题对于总体差距的影响较大。

    而当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时, 2016年总体区域差距值0.0780, 2018年总体区域差距值为0.0496, 农业绿色全要素生产率的总体差距表现出下降趋势。从来源分解看, 区域内差距、区域间差距和超变密度的均值, 分别为0.0224、0.0028和0.0387, 超变密度>区域内差距>区域间差距, 揭示了农户层面的农业绿色全要素生产率总体差距的主要来源是超变密度。从贡献率看, 区域内差距、区域间差距、超变密度的贡献率均值分别为35.10%、4.04%、60.86%, 也是超变密度的贡献率最大, 再次验证了上述结论, 不同区域间的样本交叉重叠问题是导致农户层面农业绿色发展总体差距的主要原因。

    上述关于区域内差距和区域间差距的测度结果, 并没有详细给出东、中、西部(区域内部)的差距水平, 以及东—中、东—西、中—西(区域之间)的差距水平。为了打开区域内差距和区域间差距的“黑箱”, 分析了2016年、2018年三大区域农户层面的农业绿色全要素生产率的区域内差距和区域间差距(表6)。

    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)20160.05510.03570.04770.04570.05150.0419
    20180.03980.02950.03820.03480.03900.0340
    (2)20160.05200.04500.04990.05370.08520.0857
    20180.04030.03480.03580.03770.05440.0515
    　　(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 
    | 显示表格

    从表6显示的结果来看, 当使用虚拟户主主观污染感知度作为非期望产出时, 在区域内差距中, 东部、中部和西部的均值分别为0.0475、0.0326和0.0430, 反映出东部地区农户内部农业绿色全要素生产率的差距最大, 西部地区内部农户层面的农业绿色全要素生产率的差距次之, 而中部地区农户内部农业绿色全要素生产率的差距最小。在区域间差距中, 样本期间内, 东部—中部、东部—西部、中部—西部的均值分别为0.0403、0.0453、0.0380, 说明东部—西部之间的差距最大, 农业绿色发展协同性最弱, 东部—中部次之, 中部—西部之间的差距最小, 协同性最强。

    而当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时, 从区域内差距看, 东部、中部和西部的均值分别为0.0462、0.0399和0.0429, 东部差距>西部差距>中部差距, 这一规律与仅使用虚拟户主主观污染感知度作为非期望产出得出的结论保持一致。从区域间差距看, 样本期间, 东部—中部、东部—西部、中部—西部的均值分别为0.0457、0.0698、0.0686, 东部—西部差距>中部—西部差距>东部—中部差距, 而这一特征与仅使用虚拟户主主观污染感知度作为非期望产出得出的结论不相符。可能的原因是, 非期望产出(环境污染)涉及到农业生产的各个方面, 是一个耦合性系统, 单纯利用虚拟户主主观污染感知度作为非期望产出时, 可能会出现环境信息失真问题, 可以通过增加非期望产出的衡量指标维度的方法缓解这一问题。因此, 本部分在使用虚拟户主主观污染感知度作为非期望产出的基础上, 又利用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出重新测算结果。

    3.   结论与讨论

    本研究主要从微观场域农业绿色全要素生产率的测度方法入手, 在综合比较分析的基础上, 基于微观农户视角, 以技术优化的M-L生产率指数为基准, 对比测度评价了CFPS数据库内3245户, 具有代表性的跨3期农户在样本期内的农业绿色全要素生产率, 并进一步采用核密度估计法和Dagum基尼系数法, 分别揭示了样本农户层面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:

    第一, 从测度结果来看, 样本期内微观场域的农业绿色全要素生产率均值为1.0030, 总体发展趋势良好。农户2016年的农业绿色全要素生产率(ML)均值为1.0099, 农业绿色发展处在良好的增长态势; 技术效率变化(MLTEC)、技术进步变化(MLTC)的均值分别为1.0165、0.9928, 说明农户的绿色农业技术效率的提升是主要助推因素, 而技术进步变化相对缓慢。到2018年农户的农业绿色全要素生产(ML)均值为0.9960, 出现了下降态势, 对应的技术效率变化(MLTEC)和技术进步变化(MLTC)的均值分别为0.9765和1.0200, 说明了绿色农业技术效率提升没有实现可持续的溢出效应, 技术进步变化的革新功能起到了助推作用。而当使用农业COD、TN、TP等标排放量等客观农业面源污染作为非期望产出时, 结果完全一致, 仅指数数值略有变化, 显示了结果的稳健性。

    第二, 从引致因素来看, 无论是采用主观环境评价得分, 还是使用客观的省级层面的环境污染数据(农业COD、TN和TP的等标排放量)作为非期望产出的替代指标, 在农业绿色全要素生产率水平较高的农户中, 农业绿色技术进步(MLTC)和农业绿色技术效率(MLTEC)都是共同引致其绿色增长的驱动因素, 并且后者的贡献大于前者; 而在农业绿色全要素生产率水平较低的农户中, 农业绿色技术效率与农业绿色技术进步的“双下降”是引致其绿色发展步入下滑通道的约束要素, 且前者的恶化程度显著高于后者的退步程度。因此, 农户资源配置、管理模式及组织方式的改善优化, 在现阶段是农户层面提升农业绿色全要素生产率的关键, 其影响相对高于农业生产技术的革新。

    第三, 从动态演变规律来看, 在农业绿色全要素生产率方面, 2016年和2018年的集中度较高, 呈现出鲜明的集聚性, 分化现象不明显, 且2018年高水平绿色发展农户的数量远多于2016年; 在农户的农业绿色技术效率(MLTEC)方面, 2016年和2018年并未出现两级分化问题, 2018年低水平农户数量多于2016年, 出现退步现象, 且高、低水平两类农户的农业绿色技术效率(MLTEC)差距明显; 在农户的农业绿色技术进步(MLTC)方面, 整体处于上升阶段, 2016年低水平农户数量较少, 高水平农户数量相对较多, 而2018年高、低水平农户数量基本保持一致, 且空间集聚效应显现, 2018年农业绿色技术进步(MLTC)水平低的农户数量出现“断崖式”下降, 在农户数量保持不变的前提下, 这部分低水平农户转移至中等水平和高水平组别中, 形成“内推外拉”式动态转移效应。因此, 在全面推进农业农村现代化, 加快农业绿色转型进程中, 要警惕并防止农户的“两极分化”。

    第四, 从区域差距来看, 农户样本期内农业绿色全要素生产率的总体差距呈不断缩小趋势, 降幅达22.32%。从来源分解看, 超变密度是导致农业绿色全要素生产率总体区域差距的主要原因; 从贡献率看, 超变密度的贡献率远高于区域内、区域间的贡献率, 说明不同区域间的样本交叉重叠问题是导致农户层面农业绿色全要素生产率总体差距的主要原因。更进一步地, 从区域内差距看, 东、西部地区内部农户层面农业绿色全要素生产率的差距依次递减; 从区域间差距看, 样本期间内, 东部—西部、东部—中部、中部—西部之间的差距不断缩小, 协同性不断增强, 但这种差距易受到环境因素影响, 值得重视和关注。

    需要指出的是, 相比于已有研究, 本文以当前农业生产的重要主体、且占优势的微观农户为研究对象, 基于全国大样本的CFPS 数据为实证蓝本, 通过严谨规范地测度分析, 拓展了研究视角、丰富了方法应用, 对促进微观农业绿色全要素生产率的提升有现实的借鉴意义, 对助推农户加速绿色转型升级、加快建设农业强国具有科学参考价值。但受制于现实主客观条件的约束, 上述研究尚存以下缺憾与不足, 有待于以后从如下方面展开更为深入、细致的探讨: 一是囿于 CFPS 数据库并非专门针对农业绿色发展的专项调查数据, 因而基于数据可得性的现实困难, 本研究在变量选取、指标设定和匹配处理上存在一定不足, 个别指标刻画的细致深入程度不够, 未来可以利用农业大数据, 适时开展大样本的微观持续追踪调查, 力求得到更为精准、更加深入的研究结论。二是农业绿色发展近年来推进迅速, 但CFPS 2020目前公开发布的为内部测试版, 且仅提供个人库和少儿家长代答库, 其他数据集还在清理和评估中, 无法满足研究需要, 只能待后续再继续追踪、比较深化研究。三是由于样本数据中个体、家庭的部分数据缺失值过多, 因而难以探究更多变量对农业绿色全要素生产率的影响, 值得作为进一步研究内容, 不断挖掘其对农业绿色转型政策实施、完善与推广的现实空间。这些问题也有待相关后续研究的讨论、检验与解答, 使其对实践具有更强的指导性。

  • 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)

    下载: 全尺寸图片 幻灯片

    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 area    		 hm² 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 emissions    		 t yu2
    农业总氮(TN)等标排放量
    Agricultural total nitrogen (TN) equivalent emissions    		 yu3
    农业总磷(TP)等标排放量
    Agricultural total phosphorus (TP) equivalent emissions    		 yu4
    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 Capital973511.071529.62840.00601000.0000
    劳动力 Labor97353.86801.82981.000021.0000
    土地 Land97350.82352.31920.006773.3333
    农产品总产出 Total agricultural output973516.496835.83450.0010900.0000
    主观污染感知度 Subjective pollution perception degree97356.53002.50241.000010.0000
    化学需氧量等标排放量 Chemical oxygen demand equivalent emissions97352.03742.17630.00879.4930
    总氮等标排放量 Total nitrogen equivalent emissions973538.544027.13811.4973131.6150
    总磷等标排放量 Total phosphorus equivalent emissions973513.553410.07840.976058.9300
    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
    emissions    		TP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 output    		 0.7714*** 0.0507*** 0.0324*** 1.0000 — — — —
    主观污染感知度
    Subjective pollution perception degree    		 0.0421*** 0.0400*** 0.0378*** 0.0233** 1.0000 — — —
    化学需氧量等标排放量
    Chemical oxygen demand equivalent emissions    		 0.0473*** 0.0939*** 0.0568*** 0.0285*** 0.0435*** 1.0000 — —
    总氮等标排放量
    Total nitrogen equivalent emissions    		 0.0377*** 0.0875*** 0.0703*** 0.0193* 0.0161*** 0.3675*** 1.0000 —
    总磷等标排放量
    Total phosphorus equivalent emissions    		 0.0352*** 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 15    		4405603.75121.96301.91095002333.76201.98891.8915
    3501083.56321.99941.78215108763.70291.96871.8809
    4417163.42321.98101.72814405603.62101.98621.8231
    5107952.55101.59051.60394417163.55141.97361.7994
    3301772.41941.98371.21975002363.29821.99261.6552
    3601722.30631.78471.29235106673.04361.98901.5302
    4419412.06321.50011.37545002382.77421.61721.7154
    5106672.05281.98751.03295107952.76591.57081.7608
    3201341.89471.71661.10375107902.63061.73991.5120
    1304311.88981.52521.23905002412.56851.67951.5294
    6208471.86801.61401.15736208472.55001.96761.2960
    1407291.86701.58781.17584419412.54741.69751.5007
    4417381.85661.25921.47446210772.48911.96721.2653
    3301751.85611.60691.15515002852.41361.75991.3714
    4410731.84241.45931.26252202122.20191.88261.1696
    后15名
    Last 15    		4502090.61300.55391.10675001490.50280.50550.9947
    5104010.60720.51121.18776213220.50080.63900.7837
    6211260.60490.59471.01726209700.49940.50650.9861
    5001490.59680.50021.19312109370.48680.51100.9527
    4401560.58930.63360.93012118000.48430.54140.8946
    4405080.58230.64760.89921200930.47480.68710.6910
    6200110.55260.54561.01286211970.47330.63330.7474
    6103280.54580.50961.07096214800.44850.57120.7853
    2109370.54190.52161.03886103280.44140.52240.8451
    6831260.53780.54940.97886211260.43850.55670.7876
    2118000.51970.52300.99376212890.41970.56630.7412
    6212890.51970.57680.90101403440.40810.57820.7058
    5304230.48930.60080.81446200110.40530.50630.8007
    1403440.45510.53450.85143501000.40250.77120.5219
    1406470.43460.51210.84866214760.37750.50940.7410
    平均 Average—1.00991.01650.9928—1.01751.02940.9828
    2018前15名
    Top 15    		4416523.59801.99861.80025106505.47011.99342.7441
    5106503.58061.99721.79284416523.59611.99811.7998
    1401522.80381.95111.43704403413.24321.88151.7237
    3704482.40481.95511.23001401522.71561.81851.4933
    5301362.39891.98871.20625301362.47141.98741.2435
    4403412.15831.75521.22976212362.44921.96631.2456
    2109402.14671.72031.24793704482.40751.95841.2293
    1403611.85431.63591.13356202232.40381.93291.2436
    5505661.60991.56061.03166212852.07411.72261.2041
    6211771.60861.29171.24546211771.96211.49071.3162
    4415621.59321.30101.22462109401.94011.39901.3868
    4108581.59041.37461.15706214761.88891.66381.1353
    1309281.53411.37091.11916212751.77291.56161.1353
    3703261.52371.28621.18465505661.75261.61101.0879
    6202231.48961.51130.98566205491.74391.44781.2046
    后15名
    Last 15    		5303350.64270.54461.18011407290.57810.57900.9984
    5302520.63120.55721.13285203420.57670.65850.8758
    6208470.63120.62051.01722108220.57300.50981.1240
    3201340.62390.58941.05865002380.57220.66140.8651
    4502400.62210.53701.15845002850.56250.56580.9942
    4501990.61980.60531.02403601720.53110.52451.0126
    6208780.61430.60851.00976210770.52050.53940.9650
    4419410.60260.59201.01795002330.45260.58970.7676
    6208270.60160.52111.15445002360.44470.50300.8841
    3601720.52690.52800.99786208470.42430.50950.8329
    5106670.52070.50001.04125106670.41930.50000.8386
    4417160.48730.50640.96224405600.31030.50190.6183
    3301770.47640.50490.94364419410.30210.53990.5596
    5107950.34450.52710.65355107950.29930.53270.5617
    4405600.23930.50610.47284417160.26630.50430.5281
    平均 Average—0.99600.97651.0200—0.99740.97131.0259
    　　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)20160.04660.01590.00270.028034.125.7960.09
    20180.03620.01240.00020.023634.250.5565.19
    (2)20160.07800.02740.00410.046535.135.2659.62
    20180.04960.01740.00140.030835.082.8262.10
    　　(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)20160.05510.03570.04770.04570.05150.0419
    20180.03980.02950.03820.03480.03900.0340
    (2)20160.05200.04500.04990.05370.08520.0857
    20180.04030.03480.03580.03770.05440.0515
    　　(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
    • 参考文献(31)
  • [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
    • 相关文章
    • 施引文献(30)

  • 期刊类型引用(7)

    1. 赵雯歆，罗小锋，唐林. 土地流入与产业融合对农业绿色生产率的影响. 自然资源学报. 2025(03): 692-711 . 百度学术
    2. 程永生，张德元. 农业社会化服务绿色发展效应的理论框架与研究展望. 中国生态农业学报(中英文). 2024(03): 546-558 . 本站查看
    3. 程永生，张德元，汪侠. 农业社会化服务绿色发展效应的作用路径研究——基于农户要素禀赋的调节作用. 中国农业资源与区划. 2024(04): 15-27 . 百度学术
    4. 谢花林，曾宏琛，陈倩茹. 梯田利用效率的农户差异及其影响因素——基于赣湘闽三省1107份农户调查. 地理研究. 2024(08): 2010-2024 . 百度学术
    5. 杨格，田逸飘. 云南农业绿色全要素生产率时空演变及影响因素分析. 西南林业大学学报(社会科学). 2024(04): 54-61 . 百度学术
    6. 刘浩，刘芮萌. 2011—2021年韶关市农业碳全要素生产率的测度及其增长动力分析. 中南农业科技. 2024(12): 174-177+184 . 百度学术
    7. 董旭，孟祥瑞. 江苏省农业全要素生产率提升路径研究——基于13市的DEA-BCC与DEA-Malmquist分析. 安徽农学通报. 2023(14): 179-186 . 百度学术

    其他类型引用(23)

    • 资源附件(0)
图(1)  /  表(6)
计量
  • 文章访问数:  1120
  • HTML全文浏览量:  414
  • PDF下载量:  270
  • 被引次数: 30
出版历程
  • 收稿日期:  2022-07-20
  • 录用日期:  2022-10-19
  • 网络出版日期:  2022-11-24
  • 刊出日期:  2023-05-09

目录

摘要
HTML全文

  • 1.   研究方法

  • 1.1   数据来源

  • 1.2   测算指标体系

  • 1.2.1   农户农业投入指标
  • 1.2.2   农户农业产出指标

  • 1.3   方法选择

  • 1.3.1   技术优化的M-L指数测度法
  • 1.3.2   核密度估计法
  • 1.3.3   Dagum基尼系数法

  • 2.   结果与分析

  • 2.1   农业绿色全要素生产率变量的描述性统计

  • 2.2   农业绿色全要素生产率的测度

  • 2.3   农业绿色全要素生产率的动态演变规律

  • 2.4   农业绿色全要素生产率的区域差距呈现

  • 3.   结论与讨论

参考文献(31)
相关文章
施引文献(30)
资源附件(0)

/

返回文章
返回

冀ICP备05003362号-2

地址：河北省石家庄市裕华区槐中路286号 050022

电话：0311-85818007E-mail：editor@sjziam.ac.cn

本系统由 北京仁和汇智信息技术有限公司 开发  百度统计