我國農業綠色全要素生產率水平及綠色轉型路徑分析

黃穩書 胡麗麗

摘要：目前我國農業發展投入產出效率相對較低，對環境影響較大，探求農業綠色可持續發展路徑是當前發展農業的關鍵。構建農業綠色全要素生產率影響因素指標體系，對2007—2017年10年間的相關數據加以分析。通過EBM模型和Morans I指數（莫蘭指數）分析我國除臺灣、香港、澳門之外各省（市、區）的農業綠色全要素生產率水平，采用空間杜賓模型（spatial Dubin model，SDM）探討各因素的重要性及直接效應和間接效應，并針對農業綠色發展轉型路徑提出建議。分析結果表明，我國農業綠色全要素生產率體現出明顯的地區差異，其中東部相對較高;注重農村教育、調整農業產業結構是實現農業綠色發展的重要因素;間接效應的影響程度較大，對農業發展轉型有著重要的作用。

關鍵詞：農業綠色發展;農業綠色全要素生產率;EBM模型;SDM模型;莫蘭指數（Morans I指數）;轉型路徑

中圖分類號： F320.1;X22;F323.3文獻標志碼： A

文章編號：1002-1302（2019）21-0021-07

收稿日期：2018-08-16

作者簡介：黃穩書（1966—），男，云南富源人，碩士，副教授，主要從事馬克思主義理論與思想政治教育研究。E-mail：iojw71@163.com。

國家經濟建設促進了農業的進一步發展，同時農業發展也反映了第一產業與第三產業對其基本要素的投入。改革開放40多年來，我國農業迅猛發展，糧食總產量、農戶人均年收入、人均糧食占有率等各指標發生了顯著變化。但是一方面的過快發展必然會對另一方面的發展產生影響，甚至導致一些問題出現，如農業發展與環境建設的沖突問題。在我國農業快速發展的同時也給環境造成了一定程度的污染。不可置否，農業的快速發展與機械設備和化肥等原料的投入密切相關。但在農業生產中的一些不當行為也對環境造成了一定程度的損害，也給相關部門帶來了較大壓力。我國農用氮和磷排放的相關數據表明，農業發展中不當行為所帶來的環境污染程度即將超過工業發展本身造成的環境破壞。農業污染問題亟待解決，但糧食等農作物作為生存之本，其生產方式又不可盲目采取“一刀切”的辦法。因此，只有正確處理農業發展與環境發展沖突的問題才是真正的解決之道。此前眾多學者在對農業發展水平進行績效評價時，也將環境影響因素指標納入到評價體系中，以此來強調人們在關注農業發展的同時也應關注環境保護的重要性。在以往的研究中，探討行業的發展多集中于全要素生產層面，如農業發展的研究多集中于資本投入、機械設備投入、農藥化肥等原材料的投入等對農業經濟發展產生的影響，而所謂的全要素生產率卻往往忽略了環境因素在全要素生產率中所發揮的作用[1-2]。因此，在評價農業全要素生產率水平的同時也要考慮綠色生產的因素。分析環境因素時，應該對環境因素指標進行量化，并將其對農業經濟發展的貢獻量化列入指標評定當中。把農業綠色全要素生產率（green total factor productivity，GTFP）加入環境因素這一指標，這相較于傳統的評價體系將更加科學合理。這是因為傳統的評價方法忽略了農業發展對整體社會效益的負面影響，其結果并不全面、真實[3]。傳統農業粗放型發展導致農業生產對環境產生負面影響，使其難以實現可持續健康發展。因此，在評價農業經濟發展狀況時，須要綜合考慮資源約束和環境2個方面。近年來隨著我國對環保領域重視程度的不斷加深，社會各界已認識到農業綠色生產的重要意義。“既要金山銀山，又要綠水青山”的觀點直接反映出人們環保意識的增強和要走綠色健康發展道路的決心。目前學術界在傳遞資源、環境與經濟協同發展理念的要求上已達成統一，但針對如何定量研究三者之間的作用關系的回答還未達成統一，而綠色全要素生產率恰恰可以很好地反映出三者之間的關系[4]。可現今學者們在如何分析綠色全要素生產率的指標構成問題上還未達成共識，分析方法也不完善，多采用數據包絡分析法（data envelopment analysis，簡稱DEA）中的CCR模型和SBM函數法，但此類方法未能規避徑向問題，運用存在缺陷。另外，在分析因素時應考慮到農業行業的特殊性，即地理交互性，應進一步探索合適的定量模型，同時從三維視角出發研究農業經濟行為的互相作用。本研究通過構建農業綠色全要素生產率影響因素指標體系，對2007—2017年各省（市、區）的相關數據加以分析，采用EBM模型和Morans I指數分析我國除臺灣、香港、澳門之外各省（市、區）農業綠色全要素生產率水平，并通過SDM模型對各個因素影響程度進行分析，探討直接效應和間接效應對我國農業發展轉型的影響，并對農業綠色發展轉型提出意見和建議。

1研究方法

1.1EBM模型

由于本研究同時存在徑向和非徑向的投入產出關系，傳統的DEA和SBM模型并不適用[5]。因此采用Tone等提出的包含二者的混合距離模型，因模型中使用了ε，所以將其稱為Epsilon-Based Measure（EBM）模型。該模型中ε取值范圍為0～1之間，表示在效率值計算中非徑向部分的重要程度，當ε=0 時，該模型為徑向模型，當ε=1時，EBM模型相當于SBM模型。規模收益不變的條件下EBM模型表達式如下：

Q=minθ-ε∑mi=1ω-is-ixik

s.t.∑nj=1xijλj+s-i=θxik，i=1，…，m

∑nj=1yujλj≥yuk，u=1，…，s

λj≥0

s-i≥0。（1）

式中：Q為可變規模報酬條件下模型的最佳效率值;xik、yuk分別表示決策單元k的第i種和第u種投入和產出;m、s分別為投入和產出要素的數量;θ表示徑向模型部分的規劃參數;s-i表示投入要素的松弛量;ω-i表示各個指標的權重。若Q=1，則該決策單元技術有效。

由于本研究還與非期望產出的處理有關，故EBM模型可以修改為

Q=minθ-εx∑mi=1ω-is-ixikφ+εy∑su=1ω+us+uyuk+εb∑qp=1ωb-psb-pbpk

s.t.∑nj=1xijλj+s-i=θxik，i=1，…，m

∑nj=1yujλj-s+u=φyuk，u=1，…，s

∑np=1bijλj+sb-p=φbik，p=1，…，q

λj≥0，s-i≥0，s+u≥0，sb-p≥0。（2）

式中：bik表示決策單元k的第t種非期望產出;s+u、sb-p分別表示第u種期望產出和第p種非期望產出的松弛量。

1.2空間自相關Morans I指數

地理數據受到空間相互作用，兩兩之間相互關聯。空間自相關分析是目前分析空間數據分布的主要方法之一，通過計算空間自相關指數對地理數據進行分析。本研究采用Morans I指數對樣本數據加以分析，包括全局空間自相關指數（Global Morans I）和局域空間自相關指數（Local Morans I），前者是后者之和[6]。當樣本數據同時存在空間局部正相關性和負相關性時，可采用局部自相關指數并構建Moran散點圖進行分析。全局自相關指數表達式為

I=∑ni=1∑nj=1wij（xi-x）（xj-x）S2S0。（3）

式中：x=1n∑ni=1xi表示變量的均值;S2=1n∑ni=1（xi-x）表示樣本的方差;S0=∑ni=1∑nj=1wij表示各因素空間權重之和。本研究空間權重wij的確定采用空間相鄰原則，若地區i和j相鄰，則wij=1，否則wij=0。

1.3空間面板計量模型

Cliff發明的空間計量模型起初應用于對截面數據的分析，由3個模型構成，即空間滯后模型（spatial lag model，SLM）、空間誤差模型（spatial error model，SEM）和空間杜賓模型（spatial dubin model，SDM）[7]。其中SDM模型是討論該類問題的一般起點，它充分考慮了變量和殘差之間的空間相關性，SDM模型表達式如下：

yit=δ∑nj=1wijyjt+βxit+∑nj=1wijxjtα+μi+εit。（4）

式中：wij表示空間權重;δ表示空間自回歸系數;α和β表示待估參數。

若α=0，則公式（4）轉換為

yit=δ∑nj=1wijyjt+βxit+μi+εit。（5）

該表達式即為SLM模型表達式。SLM模型不考慮變量之間的相互影響，只考慮區域之間的相互影響。

若α+δβ=0，則公式（4）轉換為

yit=βxit+μi+γit，γit=λ∑nj=1wijγit+εit。（6）

該表達式為SEM模型表達式，該模型主要考慮空間影響作用存在于誤差項中，討論了相鄰區域的變量誤差對該地區因變量的空間影響。

對于解釋變量影響程度的分析，Lesage等提出通過偏微分的方法，避免模型估計的參數對結果產生影響。將公式（4）轉換為

Yt=μi1-δw+Xtβ+wXα1-δw+ε1-δw。（7）

因變量Yt對第k個解釋變量的偏微分方程如下：

YX1k…YXNKt=Y1X1k…Y1XNK

YNX1k…YNXNk=

11-δwβkw12αk…w1NαK

w21αkβk…w2Nαk

wN1αkwN2αk…βk。（8）

由公式（8）可知，偏微分矩陣對角線元素平均值為直接增長效應，體現了區域內解釋變量的影響程度。其他元素平均值為間接效應，表示相鄰區域解釋變量的影響程度。

2理論分析框架

2.1投入產出指標變量的選取

由于農業系統相對復雜，受到多方面的影響，因此本研究從農業的投入和產出2個角度出發，對農業系統生產率的影響因素加以分析。根據上述文獻綜述的歸納梳理，參照現有的研究成果和科學量表，并結合農業生產過程中涉及的各個環節和要素，構建較全面、合理的農業GTEP影響因素指標體系。基于相關理論，選取土地、勞動力、資本投入、水、能源5個要素作為農業生產的投入要素。其中土地通過農作物生產面積和水產養殖面積二者來衡量;勞動力主要指農業、漁業等從業人員數量;資本投入要素主要包括機械設備總動力、農業化肥使用量、有機化肥使用量、農藥使用量、役畜投入以及大棚農膜使用量等;能源投入主要是指電力投入。農業產出則涵蓋2個不同的內容，即期望產出和非期望產出，前者可以根據農業總產值來測度，后者主要考慮碳排放和排污量兩方面[8-9]。污染源主要包括固體廢物、化肥污染、役畜家禽產生的污染物。另外，本研究還考慮到水產養殖行業形成的廢棄物，主要通過化學需氧量（COD）、總磷（TP）、總氮（TN）3個統計數據加以分析（表1）。

《第一次全國污染源普查農業面源污染源污染系數手冊》是本研究采用COD、TP、TN等3個統計數據來測算排污量的首選依據，在進行部分修改處理后可以得到各自的污染系數，評價標準根據國家地表水環境質量標準中界定的Ⅲ類水質將化學需氧量、總磷、總氮折算為排污量[10]。目前還鮮有文獻將碳排放量作為農業要素生產率的影響因素，但在農業生產中碳排放的主要來源是農用機械等設備燃料的燃燒，另外一部分化肥、農藥在使用過程中也會形成碳排放。

2.2農業GTFP影響因素指標體系

通過文獻梳理，考慮到農業生產活動的全過程、投入產出的各方面影響因素以及農業活動的區域環境和交互行為，將空間區域因素（表2）也加入到影響因素中。最終選定自然環境、資源利用、農業經濟水平、農業生活水平、產業結構、環境管控、地方農業政策、能源利用、城鎮化進程、農村教育、空間因素共11個二級指標，另有12個三級指標（表3）。

2.3數據來源

實證研究應采用真實有效的數據，以保證研究結果的可靠性。本研究構建的農業綠色全要素生產率影響因素指標體系的數據均選自權威機構出具的統計年鑒，包括2007—2017年《中國統計年鑒》《中國農村統計年鑒》《中國農業統計資料》《中國農業年鑒》《中國漁業統計年鑒》《中國環境統計年鑒》《中國能源統計年鑒》《中國水資源公報》以及除臺灣、香港、澳門之外的各省（市、區）統計年鑒。

3實證結果與分析

3.1農業GTFP測算結果

通過以上數據及分析模型，可以得到2007—2017年我國除臺灣、香港、澳門之外的31個省（市、區）以及按照東部、西部、中部劃分的區域農業綠色全要素生產率的分析結果（表4）。由分析結果可知，我國2007—2017年這10年間總體的農業生產率呈緩慢上升趨勢，說明我國在這10年間推行的惠農政策對農業生產效率的提高起到了一定的作用。此外，農業綠色全要素生產率增幅相對較小，僅有0.39%，說明我國目前農業生產效率還處于較低水平，以犧牲環境換來的農業生產并不符合可持續發展的理念。而通過東部、西部、中部地區農業綠色全要素生產率的比較可以發現?東部的農業綠色全要素生產率水平相比西部和中部有明顯優勢?且3個區域之間的差異較大。西部地區的農業生產效率較低，資源投入高，產出效率低，同時造成的污染也較嚴重。可見，我國農業綠色全要素生產率在不同區域有著明顯的差異，東部地區具有明顯優勢，中部地區位列第二，而西部地區亟待提高。由此提出假設，我國農業綠色全要素生產率在空間上存在相關性。

3.2空間面板模型分析結果

3.2.1變量的平穩性檢驗和協整檢驗

由于對數可以有效降低異方差所帶來的影響，本研究對數據進行對數形式的處理，用lnxi表示。對樣本數據進行單位根檢驗，旨在驗證樣本數據的可靠性。由表5可知，樣本數據不存在異方差，數據較穩定。

對數據進行KAO檢驗，即協整檢驗，目的在于避免數據由于協整關系造成統計結果偏差。由表6可知，不同檢驗方法下的P值均小于0.05，可以認為變量數據之間存在協整關系。

3.2.2空間相關性檢驗

本研究還采用Morans I指數對我國農業GTEP的空間相關性進行測算，由表7可知，2007—2017年的Morans I指數均大于0，說明我國農業綠色全要素生產率與我國空間存在正向關系。而10年間Morans I指數不斷提高則說明正相關的關系逐漸加強。選取2009、2015年的數據形成局部Morans I散點圖，由圖可見空間聚集較明顯（圖1、圖2）。

3.2.3模型選擇與結果分析

由于SEM模型和SLM模型均可適用于對空間是否存在相關關系的分析，本研究通過最小單位根LM檢驗（簡稱LM檢驗）和Robust檢驗來確定模型的選擇，檢驗結果見表8。

由表8可知，SEM模型和SLM模型均通過了顯著性檢驗，相較之下，本研究應選擇SDM模型。但應注意的是，在正式運用SDM模型之前，要借由Hausman檢驗來判定該研究選取固定效應還是隨機效應。檢驗結果見表9。

由于Hausman檢驗P=0.081 1<0.1，10%顯著性條件下應采用固定效應。SDM模型估計見表10，同時計算其直接效應和間接效應。

由表10各影響因素的權重系數可知，農業產業結構調整對我國農業綠色全要素生產率的影響程度系數為0.701，在諸多因素中影響最大。由于采用的數據為糧食產值占農林牧漁總產值的比例?說明大力發展糧食產業可以有效提高綠色全要素生產率。農業產業結構的正向增長效應系數為0.624，而負向外溢效應系數也達到了-0.932，說明農業產業結構兼具正向和負向2種效應，且負效應系數大于正向效應。

這是因為大力發展糧食等種植產業，在提高產值比例的同時必然也會提高綠色全要素生產率，但相應的化肥、農藥、農膜以及排污量、碳排放等污染都會對環境造成很大負擔，且受到污染的土地在短時間內難以恢復，還會產生長期影響，進而導致總效應為負。因此，調整農業產業結構是提高綠色全要素生產率的重要舉措，同時也應制定相應的法律法規以保障環境免于被破壞，這樣才能實現我國農業產業的綠色可持續發展。

農業從業人員文化程度的影響程度系數為0.644，位列第二，且對我國農業綠色全要素生產率的提高起到顯著作用，說明農村的基礎教育水平越高，農業生產水平、環保效率等都會相應提高，進而促使全要素生產率的提高。促進基礎教育發展不僅可以有效提高農業從業人員的專業技術水平和環保意識，還會使農業從業人員對新技術、新方法的接納程度和學習速度也隨之提高。因此，政府應加大對農村教育的投入，提升教育水平，從而提高農業綠色全要素生產率。

人均糧食產量對我國農業綠色全要素生產率的影響程度達到0.344，具有正向關系。人均糧食產量反映了我國農業的經濟發展水平，發展水平的提高會促進產量的增加，進而提升相關從業人員的收入水平，從業人員接受教育程度和環保意愿也會相應地提高。同時農業從業人員收入的提升會促使其接受新技術、新理念，進而提升農產品品質。目前我國沿海地區和內陸地區存在一定的收入差異，這也是造成我國東部、中部、西部3個地區存在農業綠色全要素生產率明顯差異的一個主要原因，因此我國還應加大對中部和西部農業發展的投入。

農產品價格指數與我國農業綠色全要素生產率之間存在正相關關系，系數為0.123，影響并不顯著。政府對農業生產經營活動和農產品的補貼可以提高農民生產的積極性，進而在一定范圍內影響我國農業綠色全要素生產率。

管控政策對我國綠色全要素生產率的影響也是正向的，但系數僅有0.068 2，負向外溢效應系數為-0.238相比正向直接效應系數0.093 2較大。環境管控政策主要規范了排污量標準等，而環境污染具有明顯的外部不經濟性，外部不經濟性需要政府制定相應的政策來引導，主要包括稅金和明確產權等。對自身區域而言，正向直接效應系數為0.093 2，說明管控政策起到了一定效果，表明完善相應的法律法規、政策規章可以提升綠色全要素生產率。但目前我國這方面的法律法規尚不完善，針對農業生產經營活動的制度規章較少，且落實程度也有待進一步加強，故影響程度較小。另外，廢水廢氣排放等一切環境污染行為都會影響相鄰地區的環境水平，因此負向外溢效應也較明顯。

空間區域因素對我國農業綠色全要素生產率也有正向影響，系數達0.247。說明農業生產經營活動具有明顯區域性特征，農業生產離不開環境、土壤等，相鄰地區的環境較相似，同時相鄰區域的經濟和技術的交互也加強了空間集聚的現象。

在負效應的影響因素中，農村城鎮化進程系數為-0.511，與我國農業綠色全要素生產率之間存在顯著的負向關系，同時負向外溢效應系數為-1.583，也處于較高水平。這是因為隨著農村城鎮化進程的加快，農村人口從事農業生產經營活動的人數在不斷減少，但總人口數量在增加，總需求也在相應增加，進而使得農業產品產出量不斷提高。為了提高產量，化肥、農藥、農膜等需求量的增加對環境造成了很大壓力。同時農村城鎮化會減少耕地面積，對農業生產經營投入要素中的土地及勞動力都有很大影響，進而會降低我國綠色全要素生產率。

農業能源利用率對農業綠色全要素生產率的影響系數為-0.432，二者之間存在負向相關關系。通常而言，能源利用率越高生產率就越高，二者在正常范圍內應該是正相關關系。本研究發現二者為負向相關關系，說明農業發展已經超出正常范圍，超出了環境的承載力，過度開發導致生態環境被破壞，阻礙了農業綠色發展。

電力消耗率的影響程度系數為-0.203，而水資源利用率影響系數為0.040 1。說明不同資源類型對我國農業綠色全要素生產率的影響方向并不完全相同。在相同產能的情況下，用電量越高相應的電力資源利用率就越高，從而制約了農業綠色發展;而水資源利用率越高，其浪費程度越低，可以在一定程度上提高我國農業綠色全要素生產率。

農村人均收入對我國農業綠色全要素生產率產生了負向影響，但影響并不顯著，系數為-0.024 2。農村人均收入具有正向溢出效應，說明本區域農村人均收入的提高推動了本地居民對生活品質的追求，同時對優質農產品的需求也隨之提高，進而使得周邊區域的綠色全要素生產率也會不斷提高。

農業財政支出和受災比也在一定范圍內對我國農業綠色全要素生產率產生負向影響，其系數分別為-0.040 8、-0.033 1。財政支出會在無形中影響農產品市場，改變農業產業生產、銷售的側重點，從而對我國農業綠色全要素生產率產生影響。

綜上，農業產業結構調整、農業從業人員文化程度及人均糧食產量對我國農業綠色全要素生產率都產生了顯著正向影響，而與農村城鎮化進程和農業能源利用率都有著顯著的負向影響關系。人均糧食產量與文化程度對我國農業綠色全要素生產率具有直接增長效應，而農村人均收入具有顯著的間接外溢效應，產業結構和管制政策則兼具直接效應和間接效應。

4結論與建議

本研究構建農業綠色全要素生產率影響因素指標體系，分析2007—2017年我國31個省（市、區）和東部、中部、西部區域相關數據，采用EBM模型對我國農業綠色全要素生產率進行測度，并通過Morans I指數驗證我國農業綠色全要素生產率的區域相關性，最后借由SDM模型探討各影響因素的重要性以及直接效應和間接效應的影響，對農業綠色發展轉型提出意見和建議。本研究主要結論有：第一，綜合考慮農業生產的投入和產出要素，考慮農業生產活動對環境的影響，將農業排污量和碳排放量納入到農業綠色全要素生產率考核體系，使得指標對農業綠色全要素生產率的評價更加全面和科學。統計模型分析結果表明，我國2007—2017年10年間總體的農業生產率雖有波動，總體上呈緩慢上升的趨勢，但是距離綠色可持續的生產發展模式還有一定差距。就目前而言，農業生產效率還處于較低水平，犧牲環境換來的農業生產并不符合可持續發展的理念。同時我國農業全要素生產率也呈現出地區性的差異特征，東部地區的生產率相對較高，西部最低。第二，我國農業綠色全要素生產率存在空間正相關關系，且關系隨時間推移不斷加強，空間聚集明顯，這是由于農業生產活動受到生產環境和相鄰區域之間的經濟、知識交互傳播的影響。第三，空間區域因素對我國農業綠色全要素生產率影響較大，我國要實現農業綠色可持續發展還須充分考慮地理環境對農業活動和發展的影響。第四，農業產業結構調整、農業從業人員文化程度、人均糧食產量和管控政策對我國農業綠色全要素生產率有著重要的正向影響作用，而農村城鎮化進程率、農業能源利用率以及電力資源消耗率等對我國農業綠色全要素生產率有著明顯的負向影響作用。第五，我國農業綠色全要素生產率影響因素的間接效應對生產率的影響程度相比直接效應更大，農村居民人均收入和農村城鎮化進程有著明顯的負向間接外溢效應，電力消耗率與水資源利用率體現了負向直接增長效應。而農村人均糧食產量、農業從業人員文化水平都與綠色全要素生產率存在正相關關系，產業結構和管制政策則兼具直接效應和間接效應。

綜上結論，對我國農業綠色全要素生產率提出以下建議：首先，政府應完善農業生產中環境保護的法律法規，并確保相關法律法規得以落實。目前我國環境保護、生產經營活動中的環境管制政策主要側重于總排污量、排污標準、目標責任等方面，較少涉及農業生產活動領域，對于農業生產活動中的排污量、碳排放等方面還沒有明確的規定。同時，相應的污染治理資金制度尚未建立，加之農業經營主體缺乏環境保護意識，進而阻礙了我國農業綠色可持續發展。因此我國政府應盡快完善相應的法律法規、政策細則并加以落實，為我國農業實現綠色可持續發展提供法律基礎。其次，我國還應加速進行農業產業結構調整，這是實現農業綠色可持續發展的前提。目前我國生產力水平不斷提高，農產品供大于求，正逐漸轉變為以消費者為主導的市場模式。同時生活水平的提升也促使人們購買需求和購買能力的提升，民眾對農產品的需求向著優質、多元化的層次不斷發展。因此，優化農業產業結構是我國農業綠色可持續發展的要求。具體而言，應積極扶持農民專業合作社的發展，培養民間運輸銷售組織，實現生產、經營、運輸一體化的服務方式;壯大龍頭企業，實現農業產業化經營，鼓勵多元化的投資主體，提高產品品質，增加產品種類;健全農村經濟綜合信息服務體系，做好農產品生產、加工、技術、價格等信息的發布，加強農產品市場體系建設，制定相應的農產品品質標準;明確科技研發的重點，提高農產品生產效率。最后，還應加強農村基礎教育，提高農業從業人員的知識水平。農村基礎教育水平直接關系到農業綠色可持續發展的實現，因此政府應健全相應的管理制度，優化農村教育體系，加大對農村教育的投資力度，提供優秀的教師資源，充分調動社會各界力量，為農村基礎教育提供保障。

參考文獻：

[1]吳清華，馮中朝，何紅英. 農村基礎設施對農業生產率的影響：基于要素投入的視角[J]. 系統工程理論與實踐，2015，35（12）：3164-3170.

[2]石憶邵，史東輝. 上海郊區農業生產率的空間分異及影響因素[J]. 經濟地理，2018，38（3）：135-141.

[3]郭海紅，張在旭，方麗芬. 中國農業綠色全要素生產率時空分異與演化研究[J]. 現代經濟探討，2018（6）：85-94.

[4]嚴先鋒，王輝，黃靖. 綠色轉型視角下地區農業發展與干預機制研究——基于農業綠色全要素生產率的分析[J]. 科技管理研究，2017（21）：253-260.

[5]王偉，孫芳城. 高技術產業三階段創新效率變動研究——基于內部非期望產出的SBM模型與EBM模型[J]. 科技進步與對策，2018，35（3）：67-71.

[6]鄔瑋瑋. 基于MoransⅠ指數的旅游經濟發展動態演化與因子測算[J]. 統計與決策，2018（12）：132-134.

[7]田偉，賈敬全，伯娜，等. 中國省際收入差距的空間效應研究——基于SDM模型實證[J]. 華東經濟管理，2018，32（8）：65-71.

[8]田云，張俊飚，吳賢榮，等. 碳排放約束下的中國農業生產率增長與分解研究[J]. 干旱區資源與環境，2015，29（11）：7-12.

[9]卿漪，龍方. 農民參與農業面源污染治理的意愿及其影響因素——基于洞庭湖區“清潔田園”行動的經驗分析[J]. 湖南農業大學學報（社會科學版），2018，19（4）：47-52，72.

[10]金巍，劉雙雙，張可，等. 農業生產效率對農業用水量的影響[J]. 自然資源學報，2018，33（8）：1326-1339.