基于空間效應的農田水利投資對農業全要素生產率的影響

宋 敏,李明弦,張鳳澤

(河海大學商學院,江蘇 南京 211100)

糧食安全是關系國計民生的重要問題[1],而農田水利建設是糧食安全的基礎保障。我國政府非常重視農田水利建設,2018年公布的中央一號文件強調要大力實施“鄉村振興”戰略。農田水利投資對農田排灌渠系統、水土保持建設設施、截流提水設施等農業生產條件會產生直接影響,農業生產條件的改善將對農業生產要素投入、種植規模、種植品種、農業產出等造成直接的影響,進而影響農業全要素生產率。在農田水利投資方面,現有文獻大都是關于其與農業經濟增長關系的研究;在研究農業全要素生產率時多采用非參數方法,如DEA、DEA-Malmquist指數法等;對于農業全要素生產率的影響因素研究,主要選取的要素宏觀層面包括制度變革[2]、農業政策、自然氣候條件[3]、勞動力流動[4]等,微觀層面包括農戶規模[5]、非農經營活動、農村信貸等方面。本文使用隨機前沿方法和空間計量方法研究解決在加入農田水利投資情況下,我國農業全要素生產率的測算情況、空間分布,以及農田水利投資對農業全要素生產率產生的影響。

1 文獻綜述

農業經濟增長是整體經濟增長中重要的組成部分,農業全要素生產率是衡量農業高質量發展的核心指標,因此很多學者致力于農業全要素生產率增長問題的研究。20世紀60年代末,Griliches[6]研究美國的農業經濟問題時,第一次將全要素生產率概念應用到農業領域,并用這一概念來解釋美國農業經濟的發展問題。Martin等[7]用國際數據測算全要素生產率發展狀況,結果表明發展水平相似的國家其農業全要素生產率要高于制造業。高帆等[8]對我國農業全要素生產率進行測算,并探究了我國分地區農業全要素生產率的差異以及產生差異的原因。隨著研究的深入,更多的學者開始關注農業全要素生產率的影響因素。部分學者從要素市場分析要素配置[9]和要素偏好[10]對農業全要素生產率的影響。韓海彬等[11]研究了環境因素對東部、中部、西部三大地區農業TFP指數和農業技術進步指數的影響。汪輝平等[12]的研究表明,FDI對農業TFP的空間溢出效應顯著。李谷成等[13]將農業設施細分為農電、公路、灌溉等設施,研究表明不同的基礎設施對農業TFP的影響及強度不同。隨后,尹朝靜等[14]研究了氣候變化及農業科技存量對農業全要素生產率增長的影響。

目前,關于農田水利投資對農業全要素生產率影響的研究較為鮮見,國內學者大都通過面板數據分析農田水利基礎設施建設與農業經濟發展或國民經濟發展的關系。徐建國等[15]探討了農業生產率進步在中國經濟增長中的作用,認為農業部門與非農部門良性聯動,充分激發了我國經濟發展的潛力。葉文輝等[16]利用2001—2010年我國省際面板數據,探究了農田水利基礎設施投資與農業增長之間的關系,研究表明農田水利基礎設施投資對農業增長的影響在各區域之間存在差異。汪琦等[17]運用DEA法測算我國省級全要素農田水利效率,也得出其存在明顯地區差異的結果。由此看出,農田水利基礎設施建設對農村經濟增長具有正向作用,但這種作用在地區之間差別很大[18-20]。

雖然測算我國農業全要素生產率的文獻較多,但使用的方法各異,主要有隨機前沿法和數據包絡分析法。數據包絡分析法的優點較明顯,其對產出數量、函數形式、變量的量綱均沒有要求,因而適用范圍較廣泛。但數據包絡分析法沒有明確的函數模型,指標的顯著性無從得知,而且將技術無效率擴大化,不能準確分析結果的成因。

本文首先將農田水利投資加入農業生產函數的構建中,運用隨機前沿法測算我國1996—2015年各地區農業全要素生產率;再根據測算結果,考慮31個省(市、自治區)的空間關系,從空間計量角度分析農田水利投資對農業全要素生產率的影響。

2 基于隨機前沿法的農業TFP測算

索洛提出的“索洛余值”,是指為經濟增長做出貢獻的不只是投入的增加,還有一部分其他貢獻,即全要素生產率[21]。在進行農田水利投資對農業全要素生產率影響測算之前,首先需要測算農業全要素生產率。

2.1 模型構建與數據處理

2.1.1超越對數隨機前沿生產函數的構建

參數方法和非參數方法是測算全要素生產率的常見方法,雖然使用非參數方法的數據包絡分析法較多,但根據方法和研究對象的特點,參數方法更加適合農業全要素生產率的測算。本文選取不要求技術進步中性、要素替代彈性可變、形式靈活的超越對數隨機前沿生產函數測算農業全要素生產率。

選取超越對數隨機前沿生產函數[22]形式,構建包含資本投入(k)和勞動力投入(l)在內的農業生產函數。其中,資本投入包括農田水利投資(k1)、農業機械總動力(k2)、農用化肥施用量(k3)和農業科技投入(k4)。構建的農業超越對數隨機前沿生產函數模型如下:

lnY=β+βk1lnk1+βk2lnk2+βk3lnk3+

βk1k3lnk1lnk3+βk1k4lnk1lnk4+βk1llnk1lnl+

βk2k3lnk2lnk3+βk2k4lnk2lnk4+βk2llnk2lnl+

βk3k4lnk3lnk4+βk3llnk3lnl+βk4llnk4lnl+βtlnt+

βtt(lnt)2+βtk1tlnk1+βtk2tlnk2+βtk3tlnk3+

βtk4tlnk4+βtltlnl

(1)

式中:β為系數;t為時期。部分文獻在構建生產函數時加入了土地變量,將變量處理為單位土地面積上的產出和投入。這是由于土地變量本身隨時間的變化不是很明顯,引起農業經濟增長更多的是外在的投入,因而將各項變量均勻分布在農作物總播種面積上的分析更加接近實際農業經濟的增長原因。

隨機前沿生產模型可以表示為

Y=f(X,t,β)exp(-u)

(2)

經過模型變換與分解,全要素生產率增長可以表示為

ΔTFP=ΔT+ΔTE+ΔSE+ΔAE

(3)

式中:ΔT為技術進步率;ΔTE為技術效率增長;ΔSE為規模效率增長;ΔAE為要素配置效率增長。各地區各時期的技術進步率、技術效率變化和各投入要素的產出彈性如下:

ΔT=βt+βttt+βtk1lnk1+βtk2lnk2+

βtk3lnk3+βtk4lnk4+βtllnl

(4)

(5)

αk1=βk1+βk1k1lnk1+βk1k2lnk2+βk1k3lnk3+

βk1k4lnk4+βk1llnl+βtk1t

(6)

αk2=βk2+βk2k2lnk2+βk1k2lnk1+βk2k3lnk3+

βk2k4lnk4+βk2llnl+βtk2t

(7)

αk3=βk3+βk3k3lnk3+βk1k3lnk1+βk2k3lnk2+

βk3k4lnk4+βk3llnl+βtk3t

(8)

αk4=βk4+βk4k4lnk4+βk1k4lnk1+βk2k4lnk2+

βk3k4lnk4+βk4llnl+βtk4t

(9)

αl=βl+βlllnl+βk1llnk1+βk2llnk2+βk3llnk3+

βk4llnk4+βtlt

(10)

2.1.2數據處理與說明

數據來源于1996—2015年《中國農村統計年鑒》《中國水利統計年鑒》《中國科技統計年鑒》《中國農業統計年鑒》《全國科技經費投入統計公報》、國家統計局等政府部門網站匯總得到。

a. 產出變量Y。選取農業總產值(億元)作為農業產出變量,并以1990年為不變價進行平減。

b. 投入變量。勞動變量和資本變量中的農用化肥施用量、農業機械總動力是非貨幣計量的,因而不需要進行修正。資本變量中的農田水利投資和農業科技投入均以1990年的不變價進行平減,其中農業科技投入采用農業R&D投入。

測算要素配置效率增長時,在價格數據指標的選擇上,勞動價格(pl)參考文獻[19]的做法,用農民的工資性收入表示(元/人);農田水利投資價格(pk1)按照農田水利投資額,以1990年不變價格進行重新計算;農業機械總動力價格(pk2)取全國平均水平,0.65元/(kW·h);農用化肥施用量價格(pk3)數據由于統計資料中沒有列示,因此參考劉晗[23]的方法,利用化肥價格指數(可查詢中國化肥信息網)平減最近幾年的化肥價格,求出各省(市、自治區)歷年化肥的單位價格;農業科技投入價格(pk4)采用農業科技投入額平減后的結果。

2.2 農業超越對數生產函數參數估計

根據農業超越對數生產函數模型式(1),選取我國31個省(市、自治區)1996—2015年的數據,利用Frontier4.1進行三階段(最小二乘估計、格點搜索、迭代求解)極大似然參數估計,用Frontier4.1計算整理得到的結果見表1,其中截面數為31,時期數為20,LR值為638,LogL值為304,觀察數為620。

表1 我國農業超越對數生產函數模型估計結果

表1中,βk1、βk2、βk3、βk4、βl分別表示農田水利投資(k1)、農業機械總動力(k2)、農用化肥施用量(k3)、農業科技投入(k4)和農業勞動力投入(l)的估計系數。可以看出,5個主要變量均通過了1%的顯著性檢驗,說明所選農業生產函數投入變量對農業產出的影響很大。從作用來看,4項資本的投入對農業產出的影響是正向的,且農業機械總動力影響最大,農田水利投資次之。而勞動力投入對農業產出的影響為負,說明我國農業產出的增加已不再依靠勞動力的增加,甚至出現了反向變動關系。從隨機前沿生產函數參數的t統計檢驗結果來看,60%以上的參數在l%水平下顯著,說明隨機前沿生產函數模型的估計是有效的。

2.3 我國各地區農業TFP測算結果分析

經測算,我國31個省(市、自治區)農業全要素生產率增長呈上升趨勢。從表2可以看出,在測算時期的前10年,即1996—2005年,我國31個省(市、自治區)的平均農業全要素生產率增長是負增長;后10年期間,即2006—2015年,整體農業全要素生產率增長開始由負向轉變為正向增長,特別是2011—2015年,平均農業全要素生產率增長只有山西為負,其余省(市、自治區)均實現了正向增長。

從橫向結果來看,初始時,黑龍江、吉林、遼寧3省的農業全要素生產率增長率水平遠高于其他省(市、自治區),中部地區的河南和湖北最低。而經過20多年的發展,全要素生產率增長率已經有了較大的變化。截止到2015年,近5年平均全要素生產率增長率最高的省(市、自治區)是江蘇,湖南、浙江、上海、新疆次之,排在末位的有山西、黑龍江、貴州和吉林。

從縱向結果來看,農業全要素生產率增長增加最多的是湖北、湖南、河南、江蘇,增加最少的是遼寧、吉林和黑龍江。全要素生產率增長的橫向和縱向分析結果顯示其增長具有一定的區域性和地域集聚性。

表2 我國省際農業全要素生產率增長

3 農田水利投資對農業TFP的空間影響

3.1 模型與數據選取

由于SDM模型具有解釋性強、應用范圍廣等優點,選擇SDM模型[24]進行農田水利投資對農業全要素生產率的測算,構建模型為

y=ατn+Xβ+ρWy+yWX+ε

(11)

選取我國31個省(市、自治區)的數據進行分析,時間范圍選擇1996—2015年共20年的時間序列。在參考其他文獻和考慮現實中影響農業全要素生產率的因素后,選取的指標如下:

a. 因變量。以我國農業全要素生產率增長率為因變量。希望通過空間計量模型發現農田水利投資對農業全要素生產率的影響。

b. 解釋變量。農田水利隸屬于水利系統,其定義也有廣義與狹義之分。廣義的農田水利是指與農業和農村有關的水利設施,狹義的農田水利主要以灌溉為主。考慮到相關數據的可得性與文章研究對象相互關系的一致性,本文研究的農田水利投資指狹義的農田水利。解釋變量選取農田水利基礎設施投資額,以x表示。

c. 控制變量。選擇農業勞動力、農業科技投入、農業政策、農戶經營規模4個指標作為控制變量。未將農戶個人特征選入控制變量指標體系是由于本文的研究范圍是全國的31個省(市、自治區),每個省(市、自治區)的農戶特征是一個微觀變量,用統一的指標來衡量不夠合理;未選擇制度因素是由于本文的研究時期處于農業生產制度發生變革之后。①農業勞動力(x1)數據與前文數據處理一致。②農業科技投入(x2)數據與前文數據的處理一致。③農業政策(x3)用政府財政支農力度表示,即財政農業支出占財政總支出的比重。政府財政支農力度加大,一方面有利于農業科研人員開展研究,促進農業科技進步,完善農業基礎設施,改進農業生產條件,另一方面也有利于農村基礎教育和職業教育的發展,從而提高農業勞動力綜合素質,提高農業新技術、新良種的推廣與應用,因此變量x3對農業全要素生產率增長會產生較大影響。④農戶經營規模(x4)用農業從業人員人均農作物播種面積表示。

由于被解釋變量為農業全要素生產率增長率,故解釋變量和控制變量在原有處理的基礎上也采用增長率表示，即

(12)

3.2 農業TFP空間集聚性檢驗

通過測算Moran’sI指數對因變量的全局空間相關性進行分析。表3為1996—2015年間我國31個省(市、自治區)的農業全要素生產率的空間全局自相關估算結果。從顯著性上來看,Moran’sI指數在1996年通過了10%的顯著性檢驗,在1996年外的其他年份都在5%的水平上通過了顯著性檢驗。從Moran’sI指數值的具體結果來看,計算值集中在0.177 8～0.440 6之間,整體表現出正向較好的空間集聚性,表明我國31個省(市、自治區)的農業全要素生產率高的地區和低的地區出現相對集聚的現象。

從圖1可以看出我國31個省(市、自治區)的農業全要素生產率的局部空間關聯特征:

a. 我國31個省(市、自治區)的農業全要素生產率總體呈現顯著的高高(high-high, HH)型和低低(low-low, LL)型的空間俱樂部現象,低高(low-high, LH)集聚區數量少于高低(high-low, HL)集聚區。在各類型區域中,較多年份處于低低集聚區與高高集聚區,二者基本相等,高低集聚區與低高集聚區較少,占5%～10%。

表3 我國31省(市、區)農業全要素生產率全局自相關Moran’s I指數

b. 華東、華中、華北地區的農業全要素生產率變現出高高集聚的特征,東北、西北地區則變現出低低集聚的特征,高高聚集區和低低聚集區在時間序列上基本比較穩定。

3.3 空間效應測算結果分析

通過構建農田水利投資對農業全要素生產率影響的實證模型,并運用Stata進行模型的估計與測算,最終確認了選擇空間Durbin模型的雙固定效應模型,測算結果見表4。

表4 農田水利投資與控制變量對農業全要素生產率的空間溢出效應測算

a. 總效應。主要關注的解釋變量農田水利投資對于農業全要素生產率的影響為正向,這與理論預期的結果和現實中的情況相一致。本文研究的是狹義的農田水利,進行農田水利投資可以極大地改善農業生產條件,如農田排灌渠系統和截留提水設施建設可以改善部分地區農民靠天吃飯的窘境,而水土保持建設是農業可播種面積的重要保障,進而可以提高農業產值,對農業全要素生產率的提高起促進作用。

(a) 1996年

(b) 2005年

(c) 2015年

4個控制變量中:①農業勞動力對農業全要素生產率的影響為負,這與統計數據中農林牧漁業從業人員逐年下降有關聯,最主要的原因是隨著科技的進步和農業機械化的發展,單位農業產值所需要的勞動力在下降,如果增加勞動力的投入反而會使成本增加,造成勞動資源的浪費和要素配置的不合理。②農業科技投入的影響為正,這是由于農業科技投入可以從農業播種技術、種子的改良等多個方面促進農業產值的提高,進而對農業全要素生產率產生正向的影響。③農業政策對農業全要素生產率的影響為正,在實證測算時,該指標選取的是財政支農力度,由此可以看出國家政策對農業生產的支持力度會在很大程度上影響農業全要素生產率的增長。④農戶經營規模對農業全要素生產率的影響也為正,這是由于我國農業生產整體處于分散經營、規模效率很低的狀態,農戶經營規模的擴大能極大地提高農業生產效率以及全要素生產率,但由于我國農戶經營規模水平本身較低,所以對農業全要素生產率的提升作用十分有限。

b. 分解效應。解釋變量與控制變量的分解結果都通過了顯著性檢驗,說明運用空間計量模型的合理性。農田水利基礎設施的直接效應為0.286 5,間接效應為0.057 4,總效應為二者的加總0.343 9,即我國各省(市、自治區)農業全要素生產率增長中自身農田水利投資的貢獻為0.286 5,相鄰省(市、自治區)的農田水利投資對本省的貢獻為0.057 4,占總效應的17%。這個占比相對于其他控制變量來說較小,說明雖然我國農田水利投資具有溢出效應,但由于多數農田水利投資的主體為各級地方政府,許多相鄰省(市、自治區)的農田水利基礎設施使用是“背對背”的情形,因而其間接效應的作用相比直接作用小很多。

控制變量中,①農業勞動力的直接作用為 -0.168 4,間接作用為-0.098 9,總效應為-0.267 3。間接作用占比為37%。②農業科技投入的直接作用為0.154 7,間接作用為0.114 5,總效應為 0.271 9。間接作用占比為42%。③農業政策的直接作用為0.253 9,間接作用為0.146 7,總效應為0.400 6。間接作用占比為37%。④農戶經營規模的直接作用為0.189 4,間接作用為0.075 3,總效應為0.264 7。間接作用占比為28%。由此可以看出,在所選取的影響因素中,對農業全要素生產率作用最大的是農業政策,其次是農田水利投資。

4 結 語

本文以我國31個省(市、自治區)作為研究樣本,基于超越對數生產函數構建包含農田水利在內的農業生產函數,通過隨機前沿法計算了包含農田水利投資等投入要素的農業全要素生產率,在此基礎上考察農業全要素生產率的空間分布特征,并研究不同地區農田水利投資對農業全要素生產率及其分解的作用。結果表明:①我國農業全要素生產率增長呈現出上升的趨勢,且從橫向和縱向比較來看,其增長具有一定的區域性和地域集聚性;②農田水利投資對農業全要素生產率的影響為正,直接效應為0.286 5,間接效應為0.057 4,總效應為0.343 9,表明其空間溢出效應較弱;③農業勞動力對農業全要素生產率的影響為負,農業科技投入、農業政策、農戶經營規模的影響均為正向。

本文雖在詳細分析的基礎上得出農田水利投資對農業全要素生產率具有正的溢出效應的結論,但是省(市、自治區)之間復雜的相互影響并沒有通過實證得到結果。如何通過空間計量的方法分析得到一個省(市、自治區)和其他省(市、自治區)之間溢出效應的具體數值將是未來探索的方向。