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*

谭日辉,刘慧敏

(江西财经大学财税与公共管理学院 南昌 330013)

农业可持续发展是中国社会可持续发展的前提和基础。随着化学农业对生态环境和人民身体健康负面影响的逐渐显现,推进农业绿色发展已经成为中国农业可持续发展的必然路径。农业绿色全要素生产率的提升是实现农业绿色发展的重要途径[1],是现代农业可持续发展的重要路径选择[2]。深入研究农业绿色全要素生产率,对于推进中国农业绿色发展,进而促进中国可持续发展战略深入实施具有重要的现实意义。

农业绿色全要素生产率的重要价值得到了学界的高度重视。学者们就农业绿色全要素生产率测度、农业绿色全要素生产率影响因素、农业绿色全要素生产率时空演变规律等问题进行了深入探讨。农业绿色全要素生产率的测度是农业绿色全要素生产率分析的基础,现有研究测度农业绿色全要素生产率的方法主要包括数据包络分析方法(DEA)[3-5]、随机前沿分析方法(SFA)[6-7]。近年来,数据包络分析方法中的基于松弛的DEA 模型(SBM-DEA 模型)及其衍生方法逐渐成为测度农业绿色全要素生产率的主要方法[8]。一方面该方法可以测算非期望产出约束下的效率变化,另一方面通过将该方法与非径向方向距离函数结合可以进一步测度农业绿色全要素生产率的变动率。此外,学者们进一步探索了农业绿色全要素生产率的影响因素。现有研究一方面就农民收入水平、农村金融发展、财政支农水平、农业结构、资源利用情况及环境污染治理水平等因素对农业绿色全要素生产率的作用进行了分析[7,9]。另一方面,现有研究也就城镇化[10-11]和国际贸易[12-13]等外部因素对于农业绿色全要素生产率的作用进行了探讨。随着空间分析方法的成熟,学者们在前期研究的基础上进一步对农业绿色全要素生产率的时空演变规律进行了探索。通过数据包络分析、随机前沿分析、全局全要素生产率(GML)指数等方法分析了农业绿色全要素生产率的动态变化规律,而后结合空间计量方法讨论了农业绿色全要素生产率的空间分布及空间溢出情况[1-2,7,14-16]。

综上可知,农业绿色全要素生产率作为学界前沿得到了学者们的高度关注,相关研究成果十分丰富。此外,通过对现有研究的梳理,可知农业绿色全要素生产率空间研究是现阶段农业绿色全要素生产率研究的热点和前沿。但是,现有农业绿色全要素生产率空间研究还存在一些不足有待完善。首先,现有研究在对农业绿色全要素生产率的空间效应进行分析时仅考虑地理上的“邻近”或“相邻”效应。现实中,随着现代交通网络和信息网络的完善,跨区域的要素交流日益频繁,各类社会经济活动所产生的空间效应早已突破了地理邻近范围,形成了囊括多个区域的复杂空间关联网络[17-20]。然而,现有农业绿色全要素生产率研究未对该问题进行分析和探讨。其次,现有农业绿色全要素生产率空间研究是基于反映省市自身特征的“属性数据”,而非体现要素相互关系的“关系数据”展开。再次,现有农业绿色全要素生产率空间研究未能就农业绿色全要素生产率可能存在的跨区域空间关联网络效应的影响因素进行探讨,不利于空间关联网络特征发挥积极作用。现有研究指出,空间关联网络的形成对于相关效率值的提升具有重要意义,更能对区域协同节能机制构建、区域均衡发展发挥积极作用[21-23]。因此,农业绿色全要素生产率空间关联网络的形成也将为环境约束下的区域农业协调发展提供重要支撑。然而,现有研究存在的不足将制约农业绿色全要素生产率的进一步提升,更将影响环境约束下的区域农业协调发展及中国农业可持续发展战略的深入实施。

为此,针对现有研究存在的不足,借鉴农业绿色全要素生产率和空间关联网络研究成果,基于关系数据和空间关联网络视角,本文就中国农业(侠义农业)绿色全要素生产率空间关联网络特征及其影响因素进行讨论。为更清晰探明中国省际农业绿色全要素生产率空间关联网络,本文采取逐年分析的方式对农业绿色全要素生产率空间关联网络年际演变过程进行系统探索,并对其影响因素在不同年份的作用进行动态研究,以期为环境约束下的区域农业协调发展提供科学支持,以推进中国农业可持续发展。

1.1 农业绿色全要素生产率测度方法

1.1.1 非期望产出SBM 模型

现有研究在对农业绿色全要素生产率进行测度时,多利用SBM (Slacks-Based Measure)模型计算效率值,而后结合GML 指数等方法对农业绿色全要素生产率进行分解,以计算农业绿色全要素生产率变动率。由于本文研究目的是对农业绿色全要素生产率的空间关联网络特征进行分析,而非是对其变动率进行探讨。因此,本文借鉴纪成君等[15]的做法,仅利用非期望产出SBM 模型[24]对农业绿色全要素生产率进行测度。模型具体计算公式如下:

1.1.2 农业绿色全要素生产率测算指标

参考文献[1-2,16],将农业劳动力、土地、化肥、农药、农膜、农业机械动力、农业灌溉等因素作为投入指标,将农业总产值(以2010 年为基期)作为期望产出指标,将农业活动所造成的碳排放作为非期望产出指标。其中,农业劳动力以农业从业人员表征,土地投入则利用农作物总播种面积表征,化肥、农药、农膜、农业机械动力等投入则利用化肥施用量、农药使用量、农膜使用量、农业机械总动力等指标表征,灌溉则利用有效灌溉面积表征。农业从业人员的计算借鉴文献[25],农业碳排放的测度则参考文献[26-28]。由于相关研究对农业从业人员的计算和农业碳排放的测度已经进行了详细论述,此处不再赘述。

1.2 空间关联网络分析方法

1.2.1 空间关联矩阵构建方法

空间关联网络分析的开展需要首先建立空间关联网络矩阵。现有研究构建空间关联网络矩阵时主要有两种方法: 一种是利用格兰杰因果分析以测度各节点间关系情况,进而构建空间关联矩阵;另一种则是通过引入引力模型,结合地区经济社会发展状况确定节点关联关系。由于格兰杰因果分析过于敏感,会降低网络结构特征刻画的精确性[29],为此,本文参考研究[30-31]引入修正的引力模型对中国省际农业绿色全要素生产率的空间关联引力强度进行测度,而后构建空间关联矩阵。其计算公式为:

式中:Qij表示第i、j地之间农业绿色全要素生产率的引力,A GTFPi、AGTFPj、AGi、AGj、agi、agj分别表示中国第i和j地的农业绿色全要素生产率、农业生产总值、农业劳动力人均生产总值,表示各地间的地理距离(以省会距离代替)。在获得引力值后,构建农业绿色全要素生产率空间关联网络矩阵(AGTFPM),参考文献[30-31]将每行取引力均值作为比较值,大于均值的记为1,反之为0,构建0-1 矩阵。

1.2.2 社会网络分析法

在构建农业绿色全要素生产率空间关联网络矩阵后,需要进一步分析该空间关联网络矩阵的结构特征。参考文献[22,28],利用社会网络分析法就农业绿色全要素生产率空间关联网络结构特征进行分析。

1) 空间关联网络整体结构特征。通过网络关系数、密度、关联度、等级度和效率5 个指标分析空间关联网络整体结构特征,公式如表1 所示。其中,网络关系数和网络密度反映空间关联网络的关联性,网络关系数越多,网络密度越高,表明农业绿色全要素生产率空间关联网络中各节点间的空间相互作用越发强烈,空间关联关系越发紧密。网络关联度反映空间关联网络中是否有不可达点对数。根据公式可知,当农业绿色全要素生产率空间关联网络的网络关联度为1 时,空间关联网络内没有不可达点对数,表明所有节点都在农业绿色全要素生产率空间关联网络内。此时,农业绿色全要素生产率空间关联网络的稳健性较强。网络等级度和网络效率则反映空间关联网络的稳定性。网络等级度越低,空间关联网络内等级差距越小,各节点对农业绿色全要素生产率空间关联网络的作用效果越平衡,网络内没有居于绝对“控制”地位的节点。此时,农业绿色全要素生产率空间关联网络处于稳定状态。因为,当网络内有处于绝对“控制”地位的“领导”节点时,空间关联网络的运行将更多地依靠该节点,一旦该节点出现问题,空间关联网络也将陷于混乱。而网络等级度处于较低水平时,网络节点作用相似,农业绿色全要素生产率空间关联网络运行依托众多节点共同支撑,将具有更强的稳定性。网络效率同样反映农业绿色全要素生产率空间关联网络的稳定情况,网络效率越低,表明网络内冗余越少,农业绿色全要素生产率空间关联网络越稳定。

表1 空间关联网络整体结构与个体结构特征指标Table 1 Indexs of overall structure and individual structure characteristics of spatial correlation networks

2) 空间关联网络个体结构特征。通过点度中心度、接近中心度和中介中心度3 个指标分析空间关联网络的个体结构特征,公式见表1。点度中心度越高,表明在农业绿色全要素生产率空间关联网络中该节点距离网络中心越近,对于整个农业绿色全要素生产率空间关联网络的作用和影响越强。接近中心度则主要反映空间关联网络中一节点不受其他节点“控制”的能力,也反映这一节点与其他节点间要素交流的“接近”程度。接近中心度越高,表明这一节点在农业绿色全要素生产率空间关联网络中与其他节点的距离越近,能更为便捷地在农业绿色全要素生产率空间关联网络中传递信息并推动农业绿色全要素生产率相关的农业劳动力、涉农资金与技术、初级农产品等要素流动。中介中心度反映空间关联网络某一节点在网络中的中介作用,当某一节点的中介中心度较高,其对于农业绿色全要素生产率空间关联网络中其余节点的调节作用越强,其将成为农业绿色全要素生产率空间关联网络中要素交流的枢纽和桥梁。

1.3 空间关联网络影响因素分析方法

了解各因素对空间关联网络的作用情况,有利于促进空间关联网络的形成和稳定。为此,在对农业绿色全要素生产率空间关联网络结构特征进行深入分析的基础上,需要进一步剖析其影响因素。由于空间关联网络矩阵基于关系数据构建,利用一般的回归模型进行影响因素分析可能受共线性等问题的制约。为此,现有研究多采用QAP (quadratic assignment procedure)模型就空间关联网络的影响因素进行研究。相对传统的回归方法,QAP 模型对关系数据的分析更为稳健[22]。

本文在参考已有研究[28]的基础上综合考虑农业绿色全要素生产率空间关联网络实际以设置自变量。由于经济发展会影响农业劳动力的转移及农业初级产品的流通,进而影响空间关联网络,故此将经济发展水平设置为自变量,利用地区GDP 表征。考虑技术发展尤其是绿色农业技术对农业绿色全要素生产率会产生重要影响,且技术交流也是形成空间关联的重要路径,因此将科技发展水平设置为自变量,利用地区科学研究与试验发展(R&D)经费表征。考虑地区农业发展水平会影响到农业要素流动,因此将地区农业发展水平设置为自变量,利用地区第一产业产值表征。信息网络的发展和交通网络的完善是农业绿色全要素生产率空间关联网络形成的重要支撑,因此将信息化水平和交通运输水平设置为自变量,分别利用地区互联网接入端口数量及地区货运量表征。考虑空间距离会影响要素的流通,因此将空间邻接关系作为自变量纳入模型。由于因变量为矩阵数据,因此在分析时基于各自变量属性数据,构建差异矩阵以纳入QAP 模型。其中,空间邻接矩阵根据0-1 法则进行设置,两地相邻设置为1,否则为0。基于上述设置,构建QAP 模型如下:

式中: AGTFPM 为农业绿色全要素生产率空间关联网络矩阵,自变量为经济发展水平差异矩阵(gdp)、科技发展水平差异矩阵(r&d)、第一产业产值差异矩阵(agindus)、信息化水平差异矩阵(inf)、交通运输水平差异矩阵(tran)、空间邻接矩阵(adj)。

1.4 时间设置与数据来源

本文将研究时间设置为2010-2019 年,研究区域设定为中国31 个省级行政区,香港、澳门、台湾等地区由于经济社会发展与其余省级行政区差别较大,故此暂不将其纳入分析体系。基础数据来源于《中国统计年鉴》 《中国农业年鉴》 《中国农村统计年鉴》。其中,各省(市、自治区)间距离,利用ArcGIS 软件distance 功能,结合各省会(直辖市为本市坐标)地理坐标进行计算。

利用PRO DEA SOLER 5.0 软件,结合农业绿色全要素生产率指标和SBM 模型,计算得到2010-2019 年中国农业绿色全要素生产率(图1)。

图1 2010-2019 年省际农业绿色全要素生产率(AGTFP)均值Fig.1 Average interprovincial agricultural green total factor productivity (AGTFP) from 2010 to 2019

由图1 可知,中国农业绿色全要素生产率整体得到较快提升,其均值由2010 年的0.47 增长到2019年的0.85,10 年间增长了近一倍。该结果表明,中国农业绿色发展战略得到了较好的落实与执行。农业绿色全要素生产率的提升表明2010-2019 年间中国农业产量增长的同时减少了农业生产对生态环境所产生的负面影响。结合现实而言,2010 年至2019年间,中国各界高度重视农业绿色发展,每年中央一号文件都对农业绿色发展问题进行了布置。在中央政府政策的引导下,中国开展了以农业面源污染防治攻坚战为代表的推进农业绿色发展系列活动,积极推进绿色农业技术应用和推动农业生产过程测土施肥,极大地降低了农业生产过程中化肥与农药等化学物质对生态环境的负面影响。此外,通过加大农业科技投入、优化农业技术设备、改善农业经营方式、促进农业适度规模经营等路径,中国农业逐渐由粗放型农业向现代农业转型,从而较好地实现了农业产量与环境保护双重目标的兼容。就各地区情况而言,地区间农业绿色全要素生产率差距较大(表2)。以2019 年为例,北京、福建等19 个省(市、自治区)农业绿色全要素生产率达到效率前沿,但是云南、江西、安徽、内蒙古等地的农业绿色全要素生产率却低于0.50。究其原因,一方面可能是由于地区间自然禀赋及社会经济发展和技术水平差异。如北京、福建等地可依靠先进的农业技术以提升农业绿色全要素生产率;陕西、新疆等地农业规模化、机械化水平较高,从而使得农业绿色全要素生产率达到前沿。而安徽、江西相对而言农业技术水平和农业机械化、规模化水平都存在不足,因此农业绿色全要素生产率相对较低。内蒙古则可能是由于相对较为脆弱的自然环境导致农业绿色全要素生产率相对较低。另一方面,各地农业绿色全要素生产率的差异可能受各地区产业结构差异影响,如北京等经济发达地区以及西藏、青海、宁夏等地区之所以拥有较高的农业绿色全要素生产率,可能是由于这些地区农业总量相对较小,且不像江西、安徽等农业大省一样有保障粮食生产的压力,因此农业生产过程中农药、化肥等化学物质使用量较低。

表2 2019 年中国31 个省(市、自治区)农业绿色全要素生产率(AGTFP)Table 2 Green total factor productivity of agriculture (AGTFP) in 31 provinces (cities,autonomous regions) in 2019

基于上文测度的农业绿色全要素生产率,利用公式(2)获得农业绿色全要素生产率引力,并构建农业绿色全要素生产率空间关联矩阵(AGTFPM),具体结构图见电子版附件1 或扫描首页二维码。构建矩阵后发现2010-2019 年间,31 个省(市、自治区)的农业绿色全要素生产率空间关联效应已经突破了地理邻近范围,形成了辐射全国的空间关联网络。为此,下面结合社会网络分析法就农业绿色全要素生产率空间关联网络的结构特征进行细致分析。

3.1 农业绿色全要素生产率空间关联网络整体结构特征演化分析

利用Ucinet 6.0 软件,结合表1 中公式计算得到中国农业绿色全要素生产率空间关联网络的整体结构特征指标(图2)。

图2 2010—2019 年中国农业绿色全要素生产率空间关联网络的整体结构特征Fig.2 Overall structural characteristics indexes of spatial correlation network of agricultural green total factor productivity in China from 2010 to 2019

由图2 可知,2010-2019 年农业绿色全要素生产率空间关联网络的关联性整体加强。其中,网络关系数由2010 年的124 个增加至2019 年的215 个,2016 年达最高值233 个;网络密度由2010 年的0.13提升至2019 年的0.23,同样2016 年达最高值0.25。网络关系数与网络密度的增加反映出农业绿色全要素生产率空间关联网络内各省(市、自治区)间的空间关联关系得到深化,表明农业技术、农业物资、农业劳动力、涉农资金等农业绿色全要素生产率相关的诸多要素在空间关联网络内各节点得以实现较为充分的流动。2016 年网络关系数和网络密度达到最高点,可能是由于这一年《长江经济带规划纲要》发布,极大地促进了长江经济带各类要素的流动,进而加强了整体空间关联网络的关联性。但是,即使是2016 年空间关联网络的网络关系数也仅仅只有233 个,离该空间关联网络的最大可能关系数930 个(30×31)存在较大差距。

由图2 可知,2010-2019 年农业绿色全要素生产率空间关联网络的稳定性整体增强。其中,网络关联度持续为1,表明农业绿色全要素生产率空间关联网络内不存在不可达点对数,各省(市、自治区)均被纳入了农业绿色全要素生产率空间关联网络,反映出该空间关联网络具有较好的稳健性。农业绿色全要素生产率空间关联网络的网络等级度由2010年的0.53 降低至2019 年的0.29,表明农业绿色全要素生产率空间关联网络的稳定性整体增强。网络效率由2010 年的0.84 降低至2019 年的0.67,表明农业绿色全要素生产率空间关联网络内网络冗余逐步减少,进一步佐证了农业绿色全要素生产率空间关联网络的稳定性得到增强。

3.2 农业绿色全要素生产率空间关联网络个体结构特征分析

利用Ucinet 6.0 软件计算得到农业绿色全要素生产率空间关联网络个体结构特征指标,2010-2019 年各省(市、自治区) 3 类中心度值见附件2 (见电子版或扫描首页二维码)。表3 主要展示了2010 年、2013 年、2016 年和2019 年各省(市、自治区)的中心度,之所以选择这4 个年份,是综合考虑中心度变化趋势以及年份间隔的结果。

3.2.1 中心度年际演化分析

由表3 可知,研究期间农业绿色全要素生产率空间关联网络点度中心度内部存在变动。整体而言,研究期间农业绿色全要素生产率空间关联网络点度中心度均值得到了较快增长,由2010 年的21.29 增长到2019 年的36.99,其中最高值为2016 年的38.71,与农业绿色全要素生产率空间关联网络整体结构变化趋势一致。农业绿色全要素生产率空间关联网络接近中心度内部变动较大。农业绿色全要素生产率空间关联网络接近中心度均值先是由2010 年的32.62 波动上升至2016 年的45.38,而后波动下降至2019 年的26.10。前期农业绿色全要素生产率接近中心度均值的提升可能是由于信息网络和交通网络日益完善,客观上减少了各节点间的距离。后期接近中心度的下降推测是受到了区域中心崛起的影响,如2019 年,甘肃、陕西、贵州、湖北接近中心度提高,尤其是贵州的接近中心度更是位列当年第五,成为了空间关联网络的又一中心。区域中心的崛起使得周边地区要素向着这些区域中心进行流动,从而影响这些区域中心的周边省(市、自治区)与其他地区的接近程度,进而造成了接近中心度均值的下降。农业绿色全要素生产率空间关联网络中介中心度均值由2010 年的2.87 增长至2019 年的3.11。农业绿色全要素生产率中介中心度均值的提升表明空间关联网络内节点中介作用的增强。究其原因,可能在于交通网络和信息网络的日益完善以及区域协调发展战略的深入,使得空间关联网络内的要素交流枢纽得以更好地发挥“桥梁”作用,进而促进了农业绿色全要素生产率相关要素的流通。

3.2.2 中心度省际差异分析

由表3 可知,农业绿色全要素生产率空间关联网络中心度的省际差异较大。当点度中心度高于均值时,表明这一地区在农业绿色全要素生产率空间关联网络中相对其他地区更加接近网络中心,是空间关联网络中的农业劳动力、初级农产品等农业绿色全要素生产率相关要素的流入地区,对空间关联网络具有重要支撑作用。就点度中心度而言,2010 年、2013 年、2016 年和2019 年高于均值的地区分别有8 个、11 个、11 个和12 个(表3),省际间点度中心度差异(最大值减最小值)分别为96.67、80.00、80.00 和73.33,点度中心度差异越来越小。接近中心度的省际差异同样较大,当接近中心度高于均值时说明这些省(市、自治区)易与其他省(市、自治区)产生空间关联。2010 年、2013 年、2016 年和2019年高于均值的地区分别有15 个、16 个、14 个和10 个,省际间接近中心度差异分别为96.77、90.52、90.52 和82.27,接近中心度省际差异逐渐缩小。当一节点的中介中心度高于均值时,表明这些省(市、自治区)在空间关联网络中能够较好地影响和控制农业劳动力、涉农资金等要素与绿色农业技术的流动,并进一步对其他省(市、自治区)的农业绿色全要素生产率发挥调节和制约作用。2010 年、2013 年、2016 年和2019 年高于均值的地区分别有5 个、9 个、12 个和11 个,省际间中介中心度差异分别为28.11、28.49、14.97 和14.22,中介中心度差异也有所缩小。

表3 2010—2019 年中国31 个省(市、自治区)农业绿色全要素生产率空间关联网络中心度Table 3 Center degrees of spatial correlation network of agricultural green total factor productivity in 31 provinces (cities,autonomous regions) of China from 2010 to 2019

3.3 农业绿色全要素生产率空间关联网络结构特征的进一步讨论

3.3.1 整体结构特征

前文分析发现农业绿色全要素生产率空间关联网络关联性整体有所提升。究其原因,一方面,京津冀协同发展、长江经济带、粤港澳大湾区建设、长三角一体化、黄河流域高质量发展等区域协调发展战略的实施,加快了中国各区域内部的要素交流,为农业绿色全要素生产率空间关联网络内的局部要素流动奠定了基础。郑军等[32]对长三角一体化的分析,论证了区域协调发展战略对劳动力要素流动的重要作用。区域协调发展战略的进一步深入,也将推进其余各类要素的配置与流动。另一方面,随着经济增长,交通网络和信息网络在2010-2019 年间日益完善,从而为跨区域的要素流通提供了重要保障。统计局数据显示中国铁路和公路里程世界第一,而根据《数字中国发展报告(2020 年)》数据,截至2020 年12 月,中国已经建成世界上最大的光纤网络和4G 网络,5G 网络建设速度和规模位居全球第一。此外,近年来城乡二元体制逐步改革,进一步放松了劳动力等农村要素的约束,并减少了工商资本下乡的制约,既促进了城乡要素的流动,同时也在一定程度上促进了农业绿色全要素生产率相关要素的跨区域流动。刘俊杰[33]的研究成果表明,我国城乡分割的二元格局逐渐被打破。这一现实将促进城乡之间以及跨区域间的要素流动,进而促进空间关联的形成。

3.3.2 个体结构特征

前文分析发现农业绿色全要素生产率空间关联网络的中心度在省际间存在有较大差异。综合来看,各年度无论是点度中心度、接近中心度,还是中介中心度,高于均值的地区大致上可分为经济发达地区、西部边疆区域、位置优越地区3 种类型。

第一种是经济发达地区,如北京、上海、天津等东部沿海省市。这些地区各类中心度都较高,可能是由于这些地区经济发展迅速,广阔的市场空间能够较好地汇集农业绿色全要素生产率空间关联网络中的农业劳动力和初级农产品;此外,这些省市大多具有较好的交通条件和完善的信息网络,能为要素流通提供重要支持,从而促进要素向着这些地区汇集;这些地区相对较高的农业绿色全要素生产率也增加了其在空间关联网络中的影响力。第二种则是西部边疆地区,如西藏、青海等地,这些地区较高的中心度推测主要得益于国家的政策支持。在西部大开发以及对口支援等政策的支持下,东部与中部各类要素向着西部边疆地区进行支援,从而提升了这些地区的中心度。王禹澔[34]在就中国对口支援实践经验进行分析时指出东部地区为西部提供了资金、人才、技术支援。而这些要素的流入将提升西部的部分地区在空间关联网络中的中心度。第三种则是中部的部分省市,如江西、湖北等。这些地区较高的中心度推测得益于较为优越的地理位置。较好的地理位置使得这些省份能够汇集周边地区的各类要素,成为区域网络的中心;此外,这些中部地区也通过吸收西部地区的初级农产品和劳动力及进一步向东部沿海地区转移初级农产品和农业劳动力等要素而提升其在空间关联网络中与其他节点的“接近”程度;另外,就这些地区在农业绿色全要素生产率空间关联网络中的作用来看,这些地区既是东部涉农资金、技术的流入地,同时也在一定程度上向着西部地区转移农业技术等要素,是网络中的重要中介。许欣等[35]的研究也指明中部地区的重要优势在于其位置的枢纽作用。

在就农业绿色全要素生产率空间关联网络的影响因素进行分析前,本文首先通过Ucinet 6.0 软件对各变量的相关性进行了探讨,结果发现本文选择的自变量在一定年份内都与农业绿色全要素生产率空间关联网络产生了相关关系。因此,本文选择的自变量具有一定合理性。此外,本文还就自变量间相关关系进行了QAP 相关分析(出于版面考虑未进行展示),结果显示多数自变量之间具有相关性。因此,为避免多重共线性影响,利用QAP 模型分析农业绿色全要素生产率空间关联网络的影响因素是有必要的。

基于式(3)设置,利用Ucinet 6.0 软件的QAP回归功能,就不同年份农业绿色全要素生产率空间关联网络影响因素作用进行了剖析(表4)。由表4可知,各影响因素对农业绿色全要素生产率空间关联网络的作用在不同年份存在差异,而所选择的自变量至少在1 年内对农业绿色全要素生产率空间关联网络产生较为显著的影响。

表4 2010—2019 年中国农业绿色全要素生产率空间关联网络影响因素估计结果Table 4 Estimation results of the influencing factors of spatial correlation network of agricultural green total factor productivity in China from 2010 to 2019

经济发展水平差异矩阵(gdp)在多数年份对农业绿色全要素生产率空间关联网络的形成产生较为显著的影响,且其系数持续为负。表明在多数年份,地区经济发展水平差距越小越有利于农业绿色全要素生产率空间关联网络的形成。究其原因,一方面,地区GDP 差异小,意味着地区间经济发展水平相似,地区处于相同的社会经济发展阶段,其地区经济发展呈现着较为相似的状态,使得农业绿色全要素生产率发展情况趋同,从而增强各地区农业绿色全要素生产率的空间联系;另一方面,在市场机制作用下,与农业绿色全要素生产率相关的各种要素更容易在经济发展水平相近的地区流动,从而使得农业绿色全要素生产率空间关联网络的空间关联效应得以实现。

第一产业产值差异矩阵(agindus)在所有年份都对农业绿色全要素生产率空间关联网络的形成产生显著影响,且系数持续为正,表明地区农业发展水平差异越大越有利于农业绿色全要素生产率空间关联网络的形成。究其原因,当两地区农业发展水平差异较大时,两地区间产业结构的互补性可能越强,越有可能实现农业绿色全要素生产率相关要素的交流。如河南、湖南、湖北、江西等农业大省为江苏、浙江、福建等东部沿海省市经济发展提供劳动力支持和初级农产品。

信息化水平差异矩阵(inf)在多数年份对农业绿色全要素生产率空间关联网络的形成产生较为显著的影响,且当其作用显著时,系数持续为正。交通运输水平差异矩阵(tran)在部分年份对农业绿色全要素生产率空间关联网络产生较为显著的影响,且当作用显著时,系数同样为正。表明信息化水平和交通运输水平差异越大越有利于农业绿色全要素生产率空间关联网络的形成。究其原因,可能在于信息化水平和交通运输水平较高地区能够更好地汇集农业绿色全要素生产率空间关联网络中的各类要素,从而促进空间关联网络内的要素流动,进而推动农业绿色全要素生产率空间关联网络的形成。根据前文分析也可发现,东部沿海省市多数年份在农业绿色全要素生产率空间关联网络中处于网络中心,重要原因便是其发达的信息和交通网络使得这些地区能够汇集空间关联网络内的各类要素,从而增强空间关联网络内各节点间的关联。

空间邻接矩阵(adj)在所有年份都对农业绿色全要素生产率空间关联网络的形成产生显著的正向影响,表明地区距离越近,越有利于产生空间关联。一方面,两地区距离接近,各类要素的流通成本较低,越可能实现要素的流动,进而形成空间关联;另一方面,地理位置接近的省市经济发展水平较为相似,前文分析发现经济发展水平相似地区更有可能产生空间关联。

科技发展水平差异矩阵(r&d)仅仅在2011 年对农业绿色全要素生产率空间关联网络的形成产生了显著正向影响,表明农业绿色全要素生产率空间关联网络的形成整体上受到科技发展的影响较小。

本文基于关系数据和网络视角,利用2010-2019 年中国31 个省(市、自治区)数据,就农业绿色全要素生产率空间关联网络结构特征演化及其影响因素进行深入分析,研究发现:

1)中国农业绿色全要素生产率整体呈现上升趋势,但仍有一定进步空间,且地区间存在较大差异;此外,各省(市、自治区)的农业绿色全要素生产率间的空间关联效应已经超出了地理邻近范围,在全国形成了复杂的空间关联网络。

2)中国农业绿色全要素生产率空间关联网络的关联性和稳定性整体有所加强,表现为各节点间网络关系数和网络密度的增加以及网络等级度和网络效率的降低;此外,在研究期间,空间关联网络具有较好的稳健性。

3)中国农业绿色全要素生产率空间关联网络的中心度在不同年份存在波动,东部地区依托较为发达的经济成为空间关联网络中主要的要素汇聚地,因而具有较高的中心度;西部部分地区则主要借助政策支持以获得中东部的要素流入而具有较高的中心度;中部少数地区依靠较为优越的位置而具有较高的中心度。

4)中国农业绿色全要素生产率空间关联网络影响因素的作用在不同年份存在差异,经济发展水平、农业发展水平、信息化水平、交通运输水平、空间邻接关系对农业绿色全要素生产率空间关联网络的形成具有较为显著的影响。

相比于现有研究,本文既实现了研究视角的拓展,同时更进一步分析了空间关联网络的动态变化,有利于为农业绿色全要素生产率的提升提供科学参考。研究结果表明农业绿色全要素生产率具有空间关联网络特征。根据前述文献可知空间关联网络的形成有利于提升相关效率,且对于促进区域协调发展及区域协同减排节能具有重要意义。因此,在农业绿色全要素生产率提升的政策设计过程中,应当考虑农业绿色全要素生产率空间关联网络结构特征可能造成的影响。此外,在研究中,农业绿色全要素生产率空间关联网络的网络关系整体上还处于较低水平,农业绿色全要素生产率空间关联关系有待进一步提升。因此,在推进农业绿色发展的过程中,还需要采取有效措施以增强各地区农业绿色全要素生产率间的空间关联,推进各类要素在空间关联网络中有序流动。本研究存在一些局限有待进一步解决,其中比较重要的包括: 1)农业绿色全要素生产率空间关联网络中各地区中心度年际变化的深入分析及其原因的深入探讨,本文虽然就农业绿色全要素生产率空间关联网络中各地区中心度年际变化进行了一定的分析,并进行了年际间的对比,但是对于具体省市的中心度变化分析存在不足,且相关原因的分析也缺乏严谨的量化分析支持,在未来应当就该问题进行更为深入的分析;2)农业绿色全要素生产率研究方法与研究区域的进一步完善工作需要进一步深入,本文利用非期望产出的SBM 模型进行效率测度,但是该方法无法测度超过1 的效率差异,且该方法的动态可比性还有待进一步深化,此外,本文的研究区域为省一级,市域之间的农业绿色全要素生产率空间关联特征如何? 这些都有待进一步的研究;3)基于空间关联网络特征的农业绿色全要素生产率提升建议应当进行专题分析,农业绿色全要素生产率的提升对于农业绿色发展具有重要意义,本研究证明其具有空间关联网络特征,那么在这一特征下如何增强地区农业绿色全要素生产率的空间关联,进一步提升农业绿色全要素生产率,需要进一步结合国家政策和地区实际进行更为细致的对策探讨,这也是下一步的研究重点。

猜你喜欢 生产率关联要素 中国城市土地生产率TOP30决策(2022年7期)2022-08-04不惧于新，不困于形——一道函数“关联”题的剖析与拓展新世纪智能(数学备考)(2021年9期)2021-11-24掌握这6点要素，让肥水更高效当代水产(2020年4期)2020-06-16“一带一路”递进，关联民生更紧当代陕西(2019年15期)2019-09-02跟踪导练（三）4时代英语·高一(2019年1期)2019-03-13外资来源地与企业生产率智富时代(2018年1期)2018-03-26外资来源地与企业生产率智富时代(2018年1期)2018-03-26奇趣搭配学苑创造·A版(2018年11期)2018-02-01观赏植物的色彩要素在家居设计中的应用现代园艺(2017年22期)2018-01-19论美术中“七大要素”的辩证关系河北书画研究(2017年1期)2017-08-22