黃河流域農業水資源全要素生產率測度及其影響因素研究

崔永正，劉 濤

（1.河南理工大學應急管理學院，河南焦作454003；2.河南理工大學財經學院，河南焦作454003）

0 引 言

作為我國重要的經濟地帶，近年來黃河流域過度利用水資源的現象得到了緩解。然而，黃河流域用水保障形勢依舊嚴峻，人均水資源量僅為全國平均水平的27%，用水方式比較粗放。作為流域第一用水大戶的農業部門，其用水效率不高，而且工業化、城市化的推進不斷搶占農業用水，導致農業部門水資源進一步短缺。在這一嚴峻形勢下，黃河流域生態保護和高質量發展成為重大國家發展戰略，該戰略強調大力推進農業節水，推進水資源節約集約利用。農業水資源全要素生產率是評價農業用水發展質量的重要指標。在此背景下，科學測度黃河流域農業水資源的全要素生產率，研究其在全國處于何種水平？具體受何種效應的推動？影響因素有哪些？有利于為推進黃河流域農業用水節約集約化發展提供決策依據。

以研究尺度為分類標準，現有農業水資源全要素生產率的研究可以分為以下三類：一是基于全國層面，分析中國的農業水資源全要素生產率［1，2］。二是基于省域、區域層面，研究某一省份或者東中西部三大地區的農業水資源全要素生產率［3，4］。三是基于市域層面，研究某一地級市的農業水資源全要素生產率［5］。目前，有關黃河流域農業用水的研究，主要集中在水資源空間分布［6］和水價改革［7］上，關于農業水資源全要素生產率的研究比較罕見。因此，本文結合EBM 模型和GML 指數，在全國視角下測算和對比了2008-2018年黃河流域的農業水資源全要素生產率，并對其進行了分解和影響因素分析，以期為黃河流域高效利用農業水資源、推進農業高質量發展提供參考。

1 研究方法與數據來源

1.1 研究方法

目前學界多結合數據包絡分析方法（DEA）和Malmquist 指數測度農業水資源全要素生產率指數。在選擇DEA 模型時，主要采用傳統徑向DEA 模型（如CCR 模型）或非徑向的SBM 模型［7］，但這兩類模型都有其不足之處。徑向模型不能識別非徑向松弛變量，非徑向模型則不能考慮投入、產出的目標值與實際值之間的比例信息。而由Tone 提出的EBM 模型［10］，同時兼顧了徑向和非徑向DEA 模型的優勢，彌補了兩類模型的不足。在選擇Malmquist 指數時，以往文獻大多基于相鄰參比展開測算［11］，測算結果不具有傳遞性和可比性，而全局參比的GML 指數能夠彌補這一缺陷。因此，本文將EBM 模型與GML 指數相結合，用以測度農業水資源全要素生產率。

本文首先構建投入導向、規模可變的EBM 模型，其目標函數和規劃式如下所示：

式中：γ*為EBM 模型測算的最佳效率值；θ為徑向效率值；為投入變量的非徑向松弛向量；λ 為權重向量；為第i項投入的權重；(i=1，…，m)滿足和w-為EBM 模型的核心參數；X和Y分別為投入矩陣和產出矩陣，都大于0。

在EBM 模型的基礎上，結合Pastor 和Lovell 發展的Global-Malmquist分解法［12］，構建如下GML指數：

式中：GEC為相鄰兩個階段的效率變動體現；GTCG，t+1(xt+1，yt+1)為前沿t+1與全局前沿的接近程度；GTCG，t(xt，yt)為前沿t與全局前沿的接近程度；GTC為前沿t+1相比前沿t的變動。生產率指數GML可以分解為技術進步指數GTC和技術效率指數GEC，三者關系為GML=GTC×GEC。技術進步反映農業用水技術創新使得生產前沿向前移，體現技術進步效應；技術效率反映農業用水實際產出和有效生產前沿的距離，體現效率追趕效應。

1.2 評價指標及數據來源

借鑒已有的相關文獻［13-15］，本文構建如下評估指標體系。其中，以水資源、勞動力、土地、農業機械、化肥五方面的投入作為農業投入變量，分別選用農業用水量、第一產業就業人數、農作物播種面積、農業機械總動力、農業化肥使用量這5個變量表征；產出方面，以農業總產值作為農業產出變量，并基于2008年的不變價格進行縮減處理。

本文的評價對象為黃河流域，包括青海、四川、甘肅、寧夏、內蒙古、山西、陜西、河南、山東9 省。上述數據來源于《中國統計年鑒》（2009-2019）、《中國農村統計年鑒》（2009-2019）以及各省市相關年份的統計年鑒（2009-2019）。

2 結果與分析

2.1 全國視角下黃河流域農業水資源全要素生產率

為了解黃河流域農業水資源全要素生產率在全國的定位，本文利用全國31 個省份（不包括港澳臺）的投入產出數據構建生產可能性集，在全國視野下分析其空間格局。此外，黃河流域與長江經濟帶都是重大國家戰略發展區域，都強調水資源高效節約利用，較為相似，因此本文也對兩區域進行了對比。長江經濟帶包括11 省市，分別為重慶、四川、貴州、云南、江西、湖北、湖南、上海、江蘇、浙江、安徽。利用MaxDEA Urtra8軟件，測算農業水資源全要素生產率。

如圖1所示，在效率水平上，2008-2018年全國、長江經濟帶、黃河流域的平均農業水資源全要素生產率分別為1.037、1.041、1.036，多數年份3 個區域的農業水資源全要素生產率排名為長江經濟帶＞全國平均水平＞黃河流域；由此可見，3個區域的農業水資源全要素生產率都在增長，但黃河流域低于全國平均水平，距離長江經濟帶差距更遠。在變動情況上，研究期內全國、長江經濟帶、黃河流域農業水資源全要素生產率分別年均增加0.38%、0.68%、0.03%，黃河流域＜全國平均水平＜長江經濟帶；此外，2008-2012、2013-2015、2016-2017年黃河流域農業水資源全要素生產率都呈下降趨勢。可以看出，在農業水資源全要素生產率的效率水平和年均增速上，黃河流域較低，沒有達到全國平均水準，與同為重大國家戰略發展區域的長江經濟帶相比差距更大。

2.2 黃河流域農業水資源全要素生產率的分解

上文分析的農業水資源全要素生產率，可以分解成技術效率指數和技術進步指數。對黃河流域農業水資源全要素生產率進行分解，觀察其主要受何種變化指數的影響。

如圖2所示，2008-2018年黃河流域各時期的農業水資源全要素生產率都大于1，年均增長0.03%，表明該流域的農業用水效率處于上升階段。分解來看，在效率水平上，研究期內黃河流域的技術進步指數處于1.009～1.095之間，技術效率指數位于0.964～1.023 之間，2015-2016年兩者的水平差異最大為0.131；技術進步指數與全要素生產率在各時期都大于1，明顯高于技術效率指數。在變化情況上，技術進步指數與全要素生產率的變化情況基本趨同，技術進步指數年均增長0.22%，而技術效率指數年均下滑-0.19%。總體來看，較高的技術進步指數是黃河流域農業水資源全要素生產率提升的主要因素，而較低的技術效率指數在一定程度上阻礙了其提升。

此外，本文還在空間層面上，測算并分解了黃河流域9省的農業水資源全要素生產率平均值，揭示各省的農業水資源全要素生產率水平，以及主要受何種變化指數的影響，結果如圖3所示。由圖3可知，黃河流域各省的農業水資源全要素生產率都大于1，省際差異并不顯著，均值最高的陜西（1.062）僅比最低的四川（1.016）高出0.046。分解來看，黃河流域9 省的技術進步指數均值都高于技術效率指數均值，各省技術進步指數均值都大于1，在變動幅度上與全要素生產率基本一致；而技術效率指數均值除陜西、青海、寧夏外，都小于1。由此可見，黃河流域各省農業水資源全要素生產率的提升主要依靠技術進步，同時急需提升較低的技術效率。

2.3 黃河流域農業水資源全要素生產率的影響因素分析

為了解黃河流域農業水資源全要素生產率變化的形成機制，本文對其影響因素進行了檢驗。根據已有研究［13，16］和數據的可獲得性，本文從水資源稟賦、水利設施、農業種植結構、農村勞動力受教育水平等4 個方面選取影響因素指標。其中，選取人均水資源量PW和地下水占供水總量的比例GW體現水資源稟賦；選取水庫總容量RE表征水利設施；選取糧食種植面積與蔬菜種植面積的比值FV反映農業種植結構；選取農村15 歲及其以上人口中文盲占比IR反映農村勞動力受教育水平。由于PW和RE的統計標準與其他影響因素不一致，為保證回歸結果的有效性，對這2 個變量進行對數化處理。上述影響因素的數據來自《中國統計年鑒》（2009-2019）和《中國農村統計年鑒》（2009-2019）。

本文測算的農業水資源全要素生產率及其分解都是以上一年為1 的環比指數，不符合傳統回歸習慣。參考李谷成的做法［17］，將其轉換為2008年為1 的累積增長指數，接著進行對數轉換，然后作為被解釋變量。轉換的公式為ln(1+TFP)。由于轉換后的值處于0～1之間，為截斷數據，因此利用Bootstrap截斷回歸模型檢驗農業水資源全要素生產率的影響因素，構建如下回歸模型：

式中：GTFP為被解釋變量，表示轉換后的累積增長指數；i為省份；t為年份；εit為隨機誤差；βs(s=1，2…，5)為解釋變量的系數；PW、GW、RE、FV、IR分別為各解釋變量。利用stata16.0 軟件計算Bootstrap 回歸模型，抽樣次數為1 000 次，回歸結果見表1。

表1 黃河流域農業水資源全要素生產率的影響因素回歸結果Tab.1 Regression results of factors affecting total factor productivity of agricultural water resources in the Yellow River Basin

（1）在水資源稟賦上，人均水資源量對農業水資源全要素生產率的提升起到促進作用，回歸系數為0.025 且在5%的水平下顯著。人均水資源擁有量越多，代表可用于農業灌溉的水資源越多，有利于擴大農業用水生產規模。地下水占比與黃河流域農業水資源全要素生產率有著顯著正向關系，回歸系數為0.209 且在1%的水平下顯著。這與許朗等的研究結論相一致［18］，利用地下水灌溉可以減少輸水損失，有助于提高灌溉效益。

（2）在水利設施上，水庫總容量與農業水資源全要素生產率顯著負相關，回歸系數為-0.063，通過了1%的顯著性檢驗。這與王學淵等［19］的研究結果相一致，水資源儲存量的提升可能會降低農戶節約灌溉的積極性。

（3）在農業種植結構上，糧食蔬菜面積比與農業水資源全要素生產率顯著負相關，回歸系數為-0.004，通過了5%的顯著性檢驗。這一結果印證了趙姜等［20］的研究發現，農業種植結構的變化會顯著影響到農業用水量，糧食蔬菜面積比越高，高耗水作物的種植面積越大，從而進一步惡化農業水資源短缺和水資源浪費狀況。

（4）在農村勞動力受教育水平上，文盲比與農業水資源全要素生產率顯著負相關，回歸系數為-0.011，且在1%的水平下顯著。文盲比例越高，表明農村勞動力的總體受教育水平越低，農戶節水意識越差，這可能會加劇農業水資源浪費，導致高效的農業節水技術和灌溉方式難以推廣。

3 結 論

本文結合EBM 模型和全局Malmquist 指數，在全國視野下測算和對比了2008-2018年黃河流域的農業水資源全要素生產率，并對其進行了分解和影響因素分析。結果發現：

（1）2008-2018年黃河流域的農業水資源全要素生產率雖然增加，但多數年份小于長江經濟帶和全國平均水準。黃河流域農業水資源全要素生產率年均增長0.03%，低于全國的0.38%和長江經濟帶的0.68%。

（2）分解來看，2008-2018年黃河流域技術進步指數大于1，明顯高于技術效率指數；技術進步指數年均增長0.22%，而技術效率指數年均下降-0.19%。黃河流域農業水資源全要素生產率的提高主要依靠技術進步，而較低的技術效率一定程度上對其產生阻礙作用。

（3）黃河流域農業水資源全要素生產率的省際差異并不明顯；各省的技術進步指數均值都高于技術效率指數均值，前者皆高于1，而后者普遍低于1。提升黃河流域各省農業水資源全要素生產率主要依靠技術進步，同時急需提升較低的技術效率。

（4）水資源稟賦和農村勞動力受教育水平對黃河流域農業水資源全要素生產率產生正向影響，水利設施和農業種植結構對其產生負向影響。

基于上述結論，本文提出以下建議：

（1）推行高效節水灌溉方式，進一步提升節水灌溉技術的同時，更加重視水資源管理水平的增強。黃河流域各省需要持續引進、推廣和應用高效的農業節水灌溉方式，培養農戶節水意識，建立健全農業節水機制，切實減少農業水資源浪費。

（2）清晰認識影響黃河流域農業水資源全要素生產率的各種內外因素，針對性地采取措施。首先，完善跨區域調水機制，統籌協調缺水省份和多水省份的水資源，實現農業用水的優化配置；同時避免過度超采地下水。其次，合理開展水利基礎設施建設，增強應對農業缺水的抵抗能力。再次，適度優化農業種植結構，鼓勵農戶種植低耗水農作物。最后，加大農村教育投入，提升農村勞動力受教育水平，增強其節水意識。