山東省智慧農業生產效率空間格局及影響因素分析

賈舒涵，梁耀文，趙順宏，李樹超

（青島農業大學管理學院，山東 青島 266109）

“三農”問題一直是國家重點關注領域，農業作為基礎性產業，是國民經濟的重要組成部分，其高質量發展相對滯后。傳統農業無法擺脫對傳統生產要素的依賴，難以突破我國農業面臨的發展瓶頸，阻礙了農業現代化轉型，因此需要對傳統農業進行改造，轉變農業生產方式。通過發展智慧農業提高農業生產效率、促進農業經濟增長、推動農業高質量發展，成為加快農業農村現代化發展的有效路徑［1］。山東省是我國的人口大省、農業大省，2020年山東省農林牧漁業總產值達到10 190.6億元，成為全國首個突破萬億元省份。山東省作為農業發展的重要省份，全面落實中央關于農業信息化發展的指示，積極推進智慧農業發展，加快智慧農業大數據應用工程建設。因此本文研究山東省智慧農業生產效率，衡量智慧農業發展水平，在此基礎上探求影響其效率的關鍵因素，對智慧農業發展具有重要的指導意義。

我國智慧農業的發展起步晚，研究基礎較為薄弱，國內學者的研究主要集中于智慧農業國外發展經驗借鑒［2－4］、我國發展現狀［4－6］及智慧農業未來發展前景［7，8］等定性分析，而對智慧農業定量研究較少，缺乏系統分析，少量與智慧農業生產效率相關的研究主要集中在以下兩個方面：一是運用不同方法對效率進行測算，如采用BCC和CCR模型、超效率SBM模型，選取土地、勞動力、農村移動電話數、農村計算機擁有量、農村用電量等指標，對效率進行測算［9－11］；二是借助調研數據進行影響因素的研究，如運用方向性距離函數對武漢地區智慧農業效率進行測算的基礎上，從土地流轉、農業社會化服務等方面對影響因素進行實證分析［12］。國外學者的研究多集中在智慧農業發展前景［13，14］、環境型智慧農業［15，16］、物聯網智慧農業［17－19］等方面，其研究范圍也多為微觀，很少以地級市這類大尺度的空間為研究區域探討宏觀空間下的智慧農業發展策略。

基于此，本文一方面以智慧農業為切入點研究山東省農業生產效率，完善智慧農業生產效率評價體系；另一方面引入勞動生產率、農業機械密度、城鎮化率等指標，對其影響因素進行分析，以期為智慧農業發展提供借鑒。

1 數據來源與研究方法

1.1 指標體系構建

1.1.1 投入產出指標選取 智慧農業是農業生產方式的一種，因此用于衡量農業生產效率的一些指標也同樣適用于智慧農業生產效率的測算，同時在智慧農業生產中生產者在既定的技術條件下，通過生產要素配置，追求和實現均衡狀態，既不能離開傳統生產要素，又要將技術融入農業生產［7，20］。基于此，參考已有的相關研究［12，21，22］，結合研究目的、數據的可獲得性以及農業生產的自身特點，本研究選取人力資本、農資投入量、農業機械化水平、灌溉投入、土地投入、用電投入為投入指標，其中為體現智慧農業，將農村移動通信投入、農村互聯網投入、科創投入等納入投入指標體系，選取農業總產值為產出指標。

表1 智慧農業生產效率指標評價體系

1.1.2 影響因素的選擇 選取勞動生產率、財政支農水平、農業機械密度、農業規模化水平、種植結構、城鎮化率、工業化水平以及區位因素作為山東省智慧農業生產效率影響因素（表2）。

表2 智慧農業生產效率影響因素

其中，財政支農水平的提高有利于促進智慧農業生產效率的提高，但一方面中國財政支農資金多運用于化肥、農藥等生產要素的補貼，另一方面支持農業技術的投入需要長時間才能收到回報，短期內效果并不明顯，因此預判為負向；隨著經濟快速發展，農業生產結構突變，經濟作物比重上升趨勢明顯，經濟作物的投入遠大于糧食作物且利用率較低，因此預判種植結構影響為負向；城鎮化率的提高造成農村空心化和農業從業人員老年化，不利于智慧農業的應用和發展，因此預判為負向。

1.2 數據來源

選擇山東省2009—2019年的數據測算智慧農業生產效率并對影響因素進行分析。農業從業人員數、農業機械總動力、第一產業R＆D投入經費、第一產業用電量、農業生產總值等數據來源于2010—2020年山東省統計年鑒、山東省各地市統計年鑒及統計公報、中國統計年鑒、中國農村統計年鑒、中國區域經濟統計年鑒及中國縣域統計年鑒；農業總產值為消除物價因素影響，以2009年不變價進行平減。

1.3 研究方法

經典的經濟增長理論認為，農業增長有增加投入要素和提高生產效率兩種方式。增加投入要素只具備短期效應，而提高農業生產效率才具備長期效應，發展智慧農業必須依托生產效率的提高，因此本研究從生產效率的角度來評價智慧農業發展。

傳統的數據包絡分析CCR和BCC模型未考慮松弛變量對效率估算產生的誤差，Tone提出了考慮松弛變量的SBM模型，克服角度和徑向帶來的偏差，以此來估算決策單元（DMU）的相對效率，但在實際檢驗過程中，會出現多個效率值為1的情況，無法對有效決策單元進行排序。2002年，Tone提出了超效率SBM模型，彌補了傳統DEA不能區分多個有效決策單元的缺陷。因此首先選擇非角度非徑向超效率SBM模型對山東省各地區智慧農業生產效率進行測算。從山東省整體來看，假設有n個地區，每個地區有m個投入和s個產出，分別用投入變量x和產出變量y表示，根據超效率SBM模型建立表達式為：

其次，為從空間角度分析山東省智慧農業生產效率變化趨勢，采用探索性空間數據分析（ESDA），通過可視化方法對數據空間分布特征、數據空間結構等進行描述，具體計算方法參見文獻［23］。

最后，在效率測算的基礎上，為探究山東省智慧農業效率變化發展的原因，進一步分析影響智慧農業生產效率的因素。由于本研究計算的效率值以0為限，具有明顯的歸并特征，因此選擇Tobit模型對山東省智慧農業生產效率影響因素進行分析［24］，其表達式為：

式中被解釋變量yit為山東省第i個地區第t年的智慧農業生產效率值，且值受限，yit≥0時取實際觀測值，xit為解釋變量，εit表示參數，μit是第i個地區第t年的個體效應。

2 結果與分析

2.1 山東省智慧農業生產效率分析

基于規模報酬不變假設，運用MaxDea Ultra8軟件，采用非角度非徑向的超效率SBM模型，測算出山東省各地區智慧農業生產效率值（表3）。

表3 山東省2009—2019年山東省智慧農業生產效率值

總體來看，2009—2019年山東省智慧農業生產效率均值為0.982，也就是說實際產出占理想產出的98.2%，且各效率值均達到0.8以上，處于效率良好狀態。分地區發展情況來看，威海市智慧農業生產效率均值最高，達到1.379，臨沂市最低，僅為0.610。濟南、青島、東營、煙臺、濟寧、泰安、威海、日照、萊蕪、德州等市智慧農業生產效率均值均達到1以上，效率較高；棗莊、濰坊、濱州、菏澤、聊城等市智慧農業生產效率均值達到0.8以上，效率良好；淄博、臨沂等市智慧農業生產效率較低。由此可見，山東省各地區智慧農業生產效率差異較大，智慧農業區域發展不均衡。

青島、東營、煙臺、濟寧、威海等10市智慧農業生產效率較高，表明這些地區在資源利用、農業科技發展等智慧農業生產方面均取得了較好成效。臨沂、濱州、淄博、濰坊、聊城、菏澤等市智慧農業生產效率低于山東省平均水平，年均值都小于1，說明這些地區存在不同程度的投入冗余。

本研究基于超效率SBM模型測算出松弛變量，分別對這些地區的年均投入調整值和年均產出調整值進行計算，得到表4。在保持實際產出不變的情況下，這些地區的農業資源利用效率不高、農業機械化發展水平相對較低以及對農業科技發展重視不夠，特別是農業機械化、農村移動電話、互聯網以及第一產業R＆D投入經費利用效率較低，在推動智慧農業發展方面有較大的提升空間。

表4 2009—2019年山東省智慧農業生產效率較低地區年均投入產出優化調整

2.2 山東省智慧農業生產效率空間格局分布

運用ESDA方法，根據前文計算結果，借助ArcGIS10.2軟件，分別將山東省各地區智慧農業生產效率劃分為3個等級來對比，選取2010、2013、2016和2018年山東省各地區生產效率值，繪制各地區智慧農業生產效率分布圖。

由圖1可知，2010年山東省智慧農業生產效率較低地區主要有聊城、菏澤、淄博、濰坊、臨沂5個地區，約占全省總數的29.4%，主要分布在山東省中部和西南部；效率較高地區主要有濟南、青島、煙臺、威海等11個地區，約占全省總數的64.7%，這表明山東省智慧農業發展基礎較為良好。2013年山東省智慧農業生產效率整體比2010年有小幅度提升，到2018年山東省智慧農業生產效率較低地區下降為4個，且主要分布在中部地區。由此來看，2009—2019年山東省智慧農業生產效率，在空間上明顯呈現東西地區高中間地區低的分布格局，各地區智慧農業生產低效率和中等效率地區有所減少，效率較高地區有向西南部擴大的趨勢，低值區域集中在中部地區，智慧農業生產效率整體呈逐漸上升態勢。

圖1 山東省各地區智慧農業生產效率分布

2.3 山東省智慧農業生產效率空間格局變化趨勢

利用ArcGIS 10.2軟件的趨勢分析工具，選取2010、2013、2016、2018年山東省各地區智慧農業生產效率作為Z值，X、Y值分別為正東、正北方向，生成三維趨勢圖（圖2）。

圖2 山東省智慧農業生產效率空間分布趨勢

2010、2013、2016、2018年山東省智慧農業生產效率空間分布趨勢較為相似，自西向東呈先下降后上升態勢，即山東省西部和東部地區生產效率較高，中部地區生產效率較低。南北方向上呈現自南向北先下降后升高的態勢，其中2013年山東南部和北部地區生產效率變化幅度較大。綜上所述，山東省智慧農業生產效率存在明顯的空間差異特征，整體呈現“東西方向和南北方向先下降后升高”的空間格局變化趨勢。

2.4 山東省智慧農業生產效率影響因素分析

為了更好地考察智慧農業生產效率的影響因素，本文選擇3個模型進行對比分析，結果如表5所示。通過LR檢驗模型是否存在個體效應，原假設為不存在個體效應，即“H0：σu＝0”，經檢驗3個模型的LR結果均強烈拒絕原假設，說明3個模型均存在個體效應，選用隨機效應面板Tobit模型是正確的。

表5 山東省智慧農業生產效率影響因素模型估計結果

回歸（1）主要檢驗勞動生產率與智慧農業生產效率之間是否存在“正U形”庫茲涅茨曲線關系。結果表明，勞動生產率與智慧農業生產效率之間存在“正U型”曲線關系。在智慧農業發展水平較低時，大部分生產者對智慧農業的了解并不深入，單純追求農業產出的提高，將過量的技術投入到農業生產中，導致其更傾向于采取粗放經營模式；當智慧農業發展到一定程度時，一方面技術支撐的作用明顯增強，另一方面粗放經營模式的弊端也逐漸顯現，農業生產者的意識隨之改變，促使他們選擇集約化、規模化、生態化的農業發展方式，進而促進農業生產效率的提高。

回歸（2）主要檢驗直接因素對智慧農業生產效率的影響。從結果來看，財政支農水平在10%水平上顯著且影響為負，這是由于一方面支持農業技術的投入需要長時間才能收到回報，短期內效果并不明顯，另一方面我國財政支農的利用效率較低，沒有真正發揮促進作用，這與呂煒等［25］的研究結論一致。農業機械密度在1%水平上顯著為正，這說明農業機械密度能夠顯著促進智慧農業生產效率的提升，農業的基礎設施主要是指農機設備［26］，良好的農業基礎設施是發展智慧農業的基礎。種植結構在1%水平上顯著為負，說明種植結構的變動會顯著降低智慧農業生產效率。山東省近年來經濟快速發展，農作物種植結構迅速變化，經濟作物的比重上升，在一定程度上保證了農民的收入，但技術水平的限制會促使農民采用粗放式經營方式，從而降低農業生產效率。農業規模化水平通過了10%水平的顯著性水平檢驗，且對智慧農業生產效率的影響呈正向效應，這說明農業規模化發展有利于山東省智慧農業生產效率提高。

回歸（3）主要檢驗間接因素對智慧農業生產效率的影響。城鎮化率在1%水平上顯著為正，城鎮化水平高，會促進城市先進技術向農村擴散，顯著促進農業生產技術水平的提高，從而促進智慧農業生產效率增長；工業化水平在10%水平上顯著，且對智慧農業生產效率的影響為正，說明工業化發展帶來科學技術水平的提升，帶動農業先進技術發展，從而促進農業生產效率的提高。同時檢驗魯東、魯西、魯中三個區位因素對智慧農業生產效率的影響，區位因素通過了1%水平的顯著性檢驗，說明不同的地區農業生產效率之間存在溢出或集聚效應。

3 結論與建議

3.1 結論

本研究基于2009—2019年山東省智慧農業投入與產出的相關統計數據，運用超效率SBM模型對山東省智慧農業生產效率進行測算，并研究了智慧農業生產效率分布的空間格局及演化趨勢，最后利用Tobit回歸分析其影響因素，結果表明：

（1）2009—2019年間，山東省智慧農業生產效率總體呈上升趨勢，但地區間發展不均衡。濟南、青島、東營等10市智慧農業生產效率均值大于1，處于效率較高地區；棗莊、濰坊、聊城、菏澤4市智慧農業生產效率平均值在0.8～1.0之間，屬于效率良好地區；淄博市和臨沂市智慧農業生產效率平均值小于0.8，處于效率較低地區。

（2）研究期內，山東省智慧農業生產效率整體呈逐漸上升態勢，但存在明顯的空間差異特征，整體呈現東西方向和南北方向先下降后升高的空間格局變化趨勢。

（3）從山東省各地區智慧農業生產效率的影響因素分析結果看，技術進步與智慧農業生產效率之間存在“倒U型”庫茲涅茨曲線關系，農業機械密度、農業規模化水平、城鎮化率、工業化水平分別在1%、5%、1%、10%統計水平上與智慧農業生產效率呈顯著正相關，這說明農業機械化水平、農業規模化水平、城鎮化水平、工業化水平越高，山東省智慧農業生產效率越高；財政支農水平和種植結構分別在10%和1%的統計水平上與智慧農業生產效率呈顯著負相關，這說明財政支農水平與種植結構變化會在很大程度上降低山東省智慧農業生產效率；區位因素通過了1%水平的顯著性檢驗，說明不同地區農業生產效率之間存在溢出或集聚效應。

3.2 政策建議

（1）加快落后地區農業基礎設施建設，縮小地區間發展差異。一方面，政府部門應加大對智慧農業發展較為落后地區的農業扶持，通過扶持政策、專項資金等手段優化農業基礎設施建設，并通過資金補貼等形式降低設備購置成本，鼓勵農民積極使用現代化農機設備；另一方面，加強農村網絡信息基礎設施建設，努力為山東省智慧農業發展打下堅實的基礎。

（2）根據本研究，農業技術進步對山東省智慧農業生產效率影響顯著。首先，應加強科技研發投入，加大對農業高新技術研發及農業高新技術成果轉化的投入力度。其次，要重視智慧農業生產基地和科研部門的聯合協作，根據一線農業生產者的需求，在提高科研成果轉化率的同時進一步提高農業生產的智慧化程度。