中國大豆單產增長的原因探究

摘要：基于2004—2020年大豆主產區的面板數據，利用SFA方法和刀切平均法全面估算大豆種植的生產函數和全要素生產率，采用增長核算表核算大豆生產中各種要素投入及其全要素生產率的貢獻率，進一步采用因素分析法探究影響大豆全要素生產率變化的因素。研究發現：在樣本期間，大豆種植產出的年均增長速度為1.97%，各產區之間的增長率存在較大差異。生產要素投入是驅動大豆種植單位產出增長的主要因素，其中農藥投入的貢獻最大；全要素生產率是次要因素。隨時間推移，要素投入方面，化肥和農藥等化學物資投入對大豆單位產出增長的貢獻減小，而良種和機械投入的貢獻上升；全要素生產率方面，技術進步對單位產出增長的貢獻有所擴大，但技術效率的貢獻有所下降。此外，種植面積和有效灌溉面積對大豆全要素生產率有顯著的正向影響，城鎮化和自然災害對全要素生產率有顯著的負向影響。對此，文章提出優化大豆生產區布局、因地制宜擴大大豆種植面積、鼓勵種植戶購買優良品種、引進先進技術和生產設備、建立專項基金增加對優質大豆品種的研發投入、提高對豆農的科研指導力度等建議以促進大豆單產提升。

關鍵詞：大豆生產；產出增長；投入要素；全要素生產率；因素分析

[基金項目]國家社會科學基金重點項目（項目編號：20AJL010）；南京郵電大學人文社會科學研究基金項目（項目編號：NYY222013）。

[作者簡介]陳燕齊（1998—），女，安徽宣城人，碩士研究生，研究方向：經濟發展、技術進步；王善高（1992—），男，江蘇揚州人，博士，講師，研究方向：畜牧業經濟。

一、引言

大豆是居民生活中必不可少的糧食作物、油料作物及畜牧業蛋白飼料原料，也是關系國計民生的重要基礎性、戰略性物資。然而，受成本、產量等因素影響，我國大豆產量普遍較低，難以滿足國內需求。長期以來，我國大豆存在較大的供需缺口，主要靠進口滿足國內需求。遺憾的是，受中美貿易摩擦、俄烏沖突等多因素影響，依靠進口滿足國內需求的風險大大提升。習近平總書記指出，中國人的飯碗任何時候都要牢牢端在自己手中，飯碗主要裝中國糧，要做到“手中有糧，心中不慌”，必需立足國內生產，提高大豆自給率。眾所周知，提升大豆自給率的關鍵是提升大豆產量。那么，如何實現大豆產量提升呢？由公式“大豆產量=大豆單產×大豆播種面積”可知，提高單產和增加播種面積是實現大豆增產的兩條重要路徑。然而，我國耕地資源有限，擴大大豆種植面積需要以減少其他農作物播種面積為代價，所以依靠擴大大豆的種植面積提高大豆產出量難度較大，且缺乏可持續性。因此，通過提高大豆單產來實現大豆產出增長顯得尤為重要。那么，一個自然的問題是，提高大豆單產如何實現呢？

依據經濟增長理論，要素投入和全要素生產率是影響單位產出增長的兩個主要因素。但現實情況下，具體哪個因素對大豆單產增長的促進作用更大呢？該問題的解答對大豆單產增長以及我國大豆產業的發展具有重要的意義。而要想回答該問題，就必須科學準確地測度大豆種植的全要素生產率，并厘清各生產要素和全要素生產率對大豆種植產出增長的貢獻率，進而識別出要素投入和全要素生產率哪個對大豆單產增長的促進作用更大，從而更有針對性地提出政策建議以促進大豆單產提升。

二、文獻綜述

（一）關于大豆產量及生產效率的研究

已有研究對大豆產量的影響因素進行了大量的討論。較多的學者從大豆生產層面進行了分析，認為大豆生產中種植面積和資本等要素投入中不足是限制大豆產出增加的主要因素[1]，增加資本和勞動投入可以有效促進我國大豆產出增長[2]。農業機械化、有效灌溉面積等農業生產條件的提升可以有效增加大豆產量[3-4]，且農業機械化等因素對大豆生產的影響還存在的空間溢出效應[5]，而自然災害會降低大豆產量[6-7]。此外，還有部分學者關注了價格、作物之間的比較優勢等因素對大豆產出的影響，發現我國大豆價格市場競爭力小使得大豆產出減少[8]。受其他作物種植的影響，導致大豆種植面積不穩定[9]，大豆生產相對于競爭作物的凈收益差異是導致大豆播種面積變化的主要原因[10]，阻礙了大豆產量的增加[11]。

通過對以上文獻的梳理，發現大豆種植面積的減少是大豆產量降低的主要原因[4-5，12]。目前我國為恢復國產大豆生產推行了一系列大豆支持政策改革。因此，有部分學者關注了政策改革與大豆種植面積的關系，發現大豆臨時收儲政策改革的推進和大豆目標價格制度的實施有效擴大了農戶的規模經營[13]，但其帶來的大豆種植面積的擴大效應是短暫的，難以有效遏制大豆種植面積的持續下降[14]。當大豆種植收益低于豆農的預期時，大豆的種植規模又會快速回落[15]。相比價格補貼政而言，大豆生產者補貼政策對擴大大豆種植面積，提高種植收益的作用更大，但其促進效應仍然較低[16]，同時又會對生產要素投入產生負向影響[17]。由此可見，無論實施怎樣的支持政策，受制于有限的土地資源及作物種植的比較收益，大豆種植面積擴大都十分有限。相對而言，大豆單產水平存在較大的提升空間[18]，目前，我國實際大豆單產只是潛在單產的60%～70%[19]。因此，推動大豆產業發展的關鍵點依然是提升大豆單產水平。

繼而有學者對大豆單產的影響因素進行研究，認為大豆育種方向有偏[20-21]、研發投入不足[22]以及品種推廣力度小[23-24]等外部因素造成了我國大豆單產停滯不前的困境。在一定程度上，大豆單產水平是生產效率的表現，大豆生產效率越高，同樣要素投入的大豆產量就越高，反映在畝均產出上即為土地生產效率。現有文獻關于大豆生產效率的研究主要有兩類：一是在測算大豆生產效率基礎上，對其影響因素進行了有益的探討。大豆生產技術進步和生產規模擴大可以顯著促進生產效率上升[25]，而技術低效、技術進步緩慢是我國大豆單產增加面臨的主要問題，貿易自由化后我國大豆技術效率呈現下降趨勢，抑制了大豆全要素生產率的提升[22]。二是利用不同的測算方法對大豆全要素生產率進行分解及分析其影響因素。發現自然災害以及大豆種植面積占比是造成大豆技術效率損失的主要因素[26]，而技術效率下降將會導致大豆全要素生產率總體增長緩慢[27]，提高農產品市場化程度及農村勞動力文化水平會促進技術效率提升[28]。同時技術進步作為大豆全要素生產率的重要因素，余建斌等[27]測算發現，大豆生產的技術進步幾乎為零，外加生產中存在的規模無效率都嚴重阻礙了大豆全要素生產率的增長[26，29]。

（二）關于全要素生產率測度的研究

學界對產出增長及全要素生產率分解的測算方法主要有三類：首先是傳統生產函數法（CFP），即通過設定線性生產函數，將實際產出增長從理論上分為三個部分的貢獻，一是要素投入的增長，二是技術進步，即表現為生產前沿面的擴張，三是技術效率，即表現為實際產出相對于最優產出的距離[30]。其次是使用數據包絡分析法（DEA）和隨機前沿分析法（SFA）對產出增長的來源以及全要素生產率內部結構進行測算。其中，DEA方法優點在于通過線性規劃求解，不需要假定生產函數的形式，但卻無法關注倒隨機誤差的影響，導致存在估計偏差[31]。SFA方法在傳統生產函數法基礎上，設定技術無效率項u，在對產出增長進行分解時，能將全要素生產率變化分解為技術和效率兩方面的變化。但關于技術效率u的函數形式有多種設定，即SFA方法設定的生產函數具體形式多樣，現在并沒有一定的標準進行選擇，故僅選取一種模型對產出增長進行測算的結果可能會存在較大偏差。進一步設定多種模型，并根據各模型解釋數據能力采用刀切平均法賦予相應權重，可以更全面、精確地測算生產率[32]。

綜上，目前較多學者對大豆種植產出增長進行了研究分析，但存在以下不足：第一，在分析大豆產出增長時，目前研究較多關注所研究因素對大豆產出的影響，鮮有研究對大豆種植單產增長中生產要素投入和全要素生產率的貢獻率進行測算。因為大豆產出增長會受到很多因素的影響，關注單一影響因素的作用，而不測算各種因素對大豆產出增長的貢獻的研究意義較小。第二，在分析產出增長的貢獻時，已有研究使用SFA方法對大豆產出增長進行了測算，但其對技術無效率u做出了絕對的假定，僅一種設定模型測度大豆產出增長會使得結果存在較大偏差。

為彌補現有研究的不足，本研究擬作出以下改進：第一，在SFA方法下，分別設定CSS90模型、BC92模型和LS93模型，并利用刀切模型平均法對大豆生產函數及全要素生產率進行更準確的估算。第二，利用增長核算表，測得各投入要素、全要素生產率及殘差對大豆產出增長的貢獻率。鑒于此，本文擬基于2004—2020年大豆種植產區的面板數據，在SFA方法下設定三種經典模型，采用刀切平均法計算各模型的擬合程度，并賦予相應權重，全面估算大豆種植的生產函數和全要素生產率，使用增長核算表核算大豆生產中各種要素投入及其全要素生產率的貢獻率，以期識別出各因素的重要程度，并進一步采用因子分析法探究大豆全要素生產率變化的影響因素，為推動大豆產業振興工作提供依據。

三、研究方法

（一）面板隨機前沿生產函數

隨機前沿分析（Stochastic Frontier Analysis，SFA）最開始是為了解決最優化生產的問題，它是在確定性生產前沿函數上增加對稱隨機誤差變量組合而成，最早是由AIGNER等[33]、MEEUSEN和JULIEN[34]提出，并主要用于分析橫截面數據。隨后，SCHMIDT和SICKLES[35]、CHMIDT等[36]拓寬了隨機前沿分析的應用范圍，構造使用面板數據的隨機前沿生產函數，具體的函數形式如下所示：

其中，[i]和[t]代表地區和年度；[y]和[x]均取對數分別表示產出和投入要素向量，[v]為隨機誤差項，[u]為技術效率損失，[α]為常數項，[β]為待估的參數向量。

面板隨機前沿函數關于技術效率損失是否隨時間變化存在兩種假設。考慮現實中個體可以通過應用新技術、加強管理等措施提升效率，也會因為經營管理不善降低效率，因此認為假設與時間相關更為合理。進一步來看，關于[u]與時間相關假設的具體函數形式也存在許多假設，比如CSS90模型假設[uit]為時間[t]的二次函數，BC92和LS93模型假設[uit]為[ui]與一個帶有時間變化函數[f（t）]的乘積，即[uit=f（t）×ui]，其區別在于具體的[f（t）]函數形式不同[37]。具體來看，CSS90模型設定[wit=α-uit]，并假設[wit=ωi+ω1it+ω2it2]；BC92模型[38]對設定了具體的形式，即假設[f（t）=exp[φ（t-T）]]，其中[φ]為延遲參數表示技術效率損失[u]隨時間變化的方向和速度，而LS93模型[39]假設[f（t）]為一組時間虛擬變量，雖然降低了模型的靈活性但可以減少待估計的參數進而提升估計效率。

（二）刀切模型平均法

每一種模型設定都可以對投入產出關系進行一定的解釋，因此，使用模型選擇法設定標準選擇的最優模型無法避免測算偏誤。HANSEN和RACINE[40]提出刀切模型平均法解決單一模型選擇法的不足，即通過最小化交叉驗證準則賦予不同模型不同的刀切權重，得到多模型下，更綜合、全面的估計結果。具體操作如下：

假設存在[m]個模型，每個模型被解釋變量的刀切擬合值為[ym=（ym1，…，ymn）]，其中，[ymi]是剔除第[i]個樣本后被解釋變量的擬合值。刀切模型平均法的權重[wm]是一組非負且和為1的向量。計算公式如下：

其中，[w*]是模型計算出的刀切權重；[e（w）]是加權平均殘差；[m=1Mwmym]是刀切擬合值的加權平均數。

計算刀切權重[w*]以后，將本文的模型具體設定如下：

其中，[w*m]是賦予第[m]個模型的刀切權重；[ym（xit）]是第[m]個模型的回歸結果；[zzit]代表種子投入，[hfit]代表化肥投入，[nyit]代表農藥投入，[jxit]代表機械投入，[ldit]代表勞動力投入，[qtit]為其他要素投入；[αmit、βmzz、βmhf、βmny、βmjx、βmld、βmqt、vmit]分別是第[m]個模型估計的全要素生產率、種子彈性系數、化肥彈性系數、農藥彈性系數、機械彈性系數、勞動彈性系數、其他要素彈性系數和隨機項。進一步推導得到最終模型的全要素生產率、各投入要素的彈性系數及隨機項為：

（三）增長核算表

如前所述，在SFA方法下，大豆種植產出的增長可以分解為三部分的貢獻，一是投入要素，二是全要素生產率貢獻，三是殘差。進一步來看，投入要素又可進一步分解為各種生產要素投入的貢獻，其貢獻大小為相應的估計要素彈性系數與投入量變化的乘積；分別用考察期內全要素生產率值和殘差值的變化大小衡量全要素生產率貢獻和殘差的貢獻對大豆產出增長的貢獻率。

四、數據來源與模型估計

（一）數據來源

本文研究數據來自《全國農產品成本收益資料匯編》和《中國統計年鑒》。其中，大豆種植的投入、產出數據來自《全國農產品成本收益資料匯編》；相關投入要素的價格指數及影響因素數據來自《中國統計年鑒》。考慮增長核算涉及變量在樣本期間的變化，為獲取連續的數據，通過整理，共取得170個樣本的平衡面板數據。為消除價格對所使用數據準確性的影響，本文以2004年為基期用農業（機械化、化學農藥）生產資料價格指數對相關涉及金額的數據進行平減。

（二）變量選取與說明

大豆種植的投入產出衡量如下：產出用每畝大豆的主產品產量表示；要素投入層面，考慮種子費、化肥費、農藥費、機械費及人工成本占大豆種植總成本的比重較高①，因此，本文選擇具體考察種子、化肥、農藥、機械、人工投入的貢獻，而將剩余的土地、技術、資本等要素歸納為其他投入要素考察整體貢獻大小。具體而言，大豆種子投入用每畝種子使用量表示；化肥投入用生產周期內每畝化肥折存施用量表示；農藥投入用生產周期內每畝農藥費用表示；機械投入用生產周期內每畝機械作業費用表示；勞動力投入用生產周期內的用工量表示，包含家庭用工和農業雇工；其他要素投入用直接費用（除種子費、化肥費、農藥費及機械作業費用）與其他間接費用的合計值衡量。投入產出變量的定義及描述性統計結果見表1。

（三）模型估計

運用stata15統計軟件，使用sfpanel指令對構建的三種模型進行估計，結果見表2。由表2結果顯示：（1）三種模型所估計出的解釋變量彈性系數有所差異。從統計意義來看，BC92模型所估計的系數都十分顯著；CSS90模型所估計的系數僅有勞動力投入是顯著的；而LS93模型所估計的系數均不顯著。（2）三種模型所估計出的技術效率也不相同。CSS90模型、BC92模型、LS93模型估計的技術效率均值大小分別為0.869、0.952、0.781。

進一步利用jackknife指令估算三種模型被解釋變量的刀切擬合值，依據交叉驗證準則對三個模型進行加權平均。結果表明，在大豆種植中三個模型的刀切權重依次為0.014、0.968、0.018，表明刀切模型平均法是根據模型所估計系數的顯著性賦予相應的權重，BC92模型所賦予的權重分別是CSS90、LS93模型的69.14、53.78倍，而CSS90模型和LS93模型所被賦予的權重相接近，結合前文系數顯著性結果表明，刀切模型平均法對模型賦予的權重相對合理。最后，基于三種模型的估計系數及賦予的刀切權重，測算加權平均的大豆種植生產隨機前沿生產函數，估計種子、化肥、農藥、機械、勞動力和其他要素的加權彈性系數依次為0.7577、0.2540、0.1807、0.1227、0.4341、0.4019。

五、實證結果與分析

（一）我國大豆單產變化情況

圖1展示了全國大豆單位產出平均增長率的折線圖，需要注意的是，圖中19/20表示2019年到2020年，其余年份依此類推。總的來看，2004—2020年，全國大豆單位產出平均增長率曲線有一半的年份在0刻度線以下，大豆種植的單位產量呈現以年為周期的增減情況，說明我國大豆種植產業發展不穩定，處于停滯甚至衰退的狀態。從數值大小來看，2004—2020年期間，大豆種植單位產出增長率的均值為0.0197，即年均增長速度為1.97%。大豆種植單位產出增長率曲線在2010—2016年之間的波動幅度較為平緩，且均靠近0刻度線。這種可能是由于低成本進口大豆拉低了國內大豆價格，降低了大豆種植比較收益，進而影響大豆種植面積，2010—2015年我國大豆種植面積持續減少了23.60%，而我國大豆產量變化與大豆種植面積變化密切相關，故在此期間我國大豆產出幾乎穩定無增長。而2016年后，我國大豆種植面積開始增加，外加受農產品貿易戰爭的影響，國際大豆市場不穩定，使得我國大豆產出呈現一定的波動。

表3呈現了不同省份大豆種植單位產出增長率情況，對于年份的表述與上文一致，不做贅述。有表3可以發現我國各個省份的大豆種植單位產出增長率均有增減的波動，但具體情況仍存在差異。2004—2020年，吉林省的大豆種植產業處于衰退的狀態，其年均產出增長率為負，其他省份的大豆單位產出增長率均值均為正，其中，山西、遼寧和陜西增長率小于1%，而內蒙古的大豆單產年均增長速度高達10.62%。

（二）大豆單產增長的來源分析

本研究基于大豆種植生產的種子、化肥、農藥、機械、勞動力和其他要素投入的彈性系數以及測算的全要素生產率、技術和效率的跨期變化，核算了樣本期間及2010年前后時間段大豆種植單位產出增長的來源（見表4）。總體來看，在全樣本期間、2010年以前及2010年及以后，生產要素投入是推動大豆種植單位產出增長的首要因素，其中農藥及化肥投入的貢獻最大；而全要素生產率是推動大豆種植單位產出增長的次要因素，且其對產出增長的貢獻主要來自于效率的提升。

在投入要素層面，樣本期間投入要素為大豆種植的單位產出提供了3.626%的增速，對產出增長的貢獻率高達183.823%，在2010年以前及2010年之后的時間段內，投入要素為大豆種植單產分別提供了6.307%、2.407%的增速，貢獻率依次為262.474%、132.991%，充分表明無論過去還是現在投入要素對大豆種植單位產出增長的貢獻處于非常高的水平，說明投入要素是推動大豆種植單產增長的首要因素。從投入要素明細來看，樣本期間，種子、化肥、農藥、機械、勞動力和其他要素分別為單位產出提供了-0.233%、1.188%、1.902%、0.982%、-1.650%、1.438%的增速；在2010年以前，種子、化肥、農藥、機械、勞動力和其他要素分別為單位產出提供了-0.921%、2.810%、3.068%、1.336%、-1.273%、1.289%的增速；在2010年及之后，種子、化肥、農藥、機械、勞動力和其他要素分別為單位產出提供了0.080%、0.450%、1.372%、0.821%、-1.821%、1.505%的增速。

在2010年前后，種子、化肥、農藥、勞動力和其他要素對單位產出增長的貢獻有所差異，在2010年之后，化肥對單產的貢獻率大幅度降低，種子和其他要素投入對單產的貢獻明顯上升，農藥對單產的貢獻有所降低，其中勞動力對單產的貢獻進一步降低（負向增加），機械對單產的貢獻在不同時期呈現了高度的相似性，貢獻率保持在45%～52%之間，與同期其他投入要素對比來看，機械投入對單產的貢獻明顯增加。在2010年以前，化肥是對單產增加貢獻最大的投入要素，但其貢獻率在2010年后大幅降低，可能是因為大豆生長需要吸收充足的氮、磷、鉀等元素②，化肥（氮、磷、鉀肥及復合肥等）可以為大豆提供養分，從而提高大豆產量，但化肥過量施用會導致大豆減產[41]。此外，近年來我國逐步建立化肥面源污染防治政策體系，對農業化學物資要素的投入進行管控，支持有機肥投入施用，主要化學農資的施用成本已經大于其可帶來的產出收益[42]，因此，化肥和農藥對單產的貢獻率持續降低。勞動力投入對大豆產出增長貢獻率不高的原因可能是，大豆生產對勞動力投入需求并不高，并受作物比較收益、農業機械化等影響導致勞動力投入進一步降低。根據《全國農產品成本收益資料匯編》數據顯示，2004—2020年，大豆種植的勞動力投入由5.18日/畝下降為2.06日/畝。種子對大豆單產的貢獻明顯上升，這可能是由于大豆生產受環境影響較大，隨著生物技術發展，農民由依靠留種生產轉變為種植專用性優良的大豆種子，從源頭上降低大豆病蟲害率，提高大豆的產出。

在大豆全要素生產率層面，全要素生產率在考察期間，2010年以前、2010年以后為大豆種植單位產出分別提供了-0.083%、0.061%和-0.148%的增速，對單產增長的貢獻率依次為-4.182%、29.162%、-8.148%，這表明全要素生產率雖然對大豆種植單位產出增長的貢獻明顯低于投入要素的貢獻，這說明全要素生產率是驅動大豆種植產出增長的次要因素。進一步探究發現，在全樣本期間，技術和效率為單產分別提供了-1.654%和1.571%的增速；在2010年以前，技術和效率為單產分別提供了-3.977%和4.038%的增速；在2010年以后，技術和效率為單產分別提供了-0.597%和0.450%的增速。在不同時期，效率對大豆種植單位產出增長的貢獻率皆高于技術對單位產出的貢獻率，表明效率提升是全要素生產率對大豆種植單位產出貢獻的主要來源。出現這種現象可能的原因是，農作物的技術進步依賴生物技術的發展，其應用需要經歷研發創新、試種推廣等環節的漫長等待，而推進機械化，改變要素投入比例等提高效率措施可以在短期內實現，故效率對大豆產出增長的貢獻較高。但值得注意的是，隨著時間的變化（2010年前后），技術對大豆產出增長的貢獻率有所上升，而效率對單位產出的貢獻大幅下降，說明長期來看，技術是大豆產出增長的重要因素，這提示我國應該推進農業現代化進程，加大生物技術研發投入，促進種植技術進步，同時要關注大豆生產的規劃管理，避免大豆種植效率的持續降低。

（三）大豆全要素生產率變化率的影響因素

上文的分析結果表明（見表4），我國大豆產出增長主要是由要素驅動的，全要素生產率的貢獻還相對較小。而投入要素容易引起粗放進行，長此以往，不利于大豆產業的可持續發展。從長久來看，大豆產出增長的落腳點還應是全要素生產率，因此如何科學地提升大豆種植全要素生產率顯得尤為重要和迫切。

因素分析法是通過對關注指標的影響因素進行分析，選取具體衡量指標從數量上確定各因素對關注指標的影響方向和程度的方法。分析某一指標的影響因素，有助于確定各因素對指標影響的相對重要性順序。因此，系統分析大豆全要素生產率變化率的影響因素，有助于找出能夠顯著提升大豆種植全要素生產率的措施，進而提升全要生產率在大豆產出增長中的貢獻。鑒于此，本研究將大豆全要素生產率變化率作為被解釋變量，將相關影響因素作為解釋變量，構建實證方程來分析大豆全要素生產率變化率的影響因素。模型構造如下：

其中，[gdpit]為人均地區生產總值衡量經濟社會因素的影響；[peoit]為農村人口，[agriareait]為農作物播種面積，[soybeanareait]為大豆種植面積，[waterit]為有效灌溉面積，[mechit]為機械總動力，[urbanit]為城鎮化，[disasterit]為受災率，[temperit]平均氣溫，[εit]表示隨機誤差項。

大豆全要素生產率變化影響因素變量的選取：（1）自然因素。農作物單產會受到生長期內氣溫的影響[43]；自然災害會降低農作物生產效率[44]，選擇大豆生產區省會城市的年度平均氣溫和農作物受災率衡量自然條件，其中農作物受災率為農作物受災總面積與農作物播種面積之比表示，預計受災率會對大豆全要素生產率變化產生負面影響，平均氣溫對大豆全要素生產率變化的影響需要進一步驗證。（2）經濟社會因素。機械投入、基礎設施建設和經濟發展會影響大豆生產，選取農機總動力、有效灌溉面積、人均地區生產總值衡量經濟社會因素對大豆全要素生產率變化的影響。（3）資源因素。我國大豆種植主要集中在農村地區并依靠農民生產，因此，選取農村人口數指標衡量農業勞動力資源因素；選取大豆種植面積指標衡量土地資源因素，因為規模化種植會提高生產效率，預估大豆播種面積對大豆全要素生產率變化有正向影響。（4）其他因素。選取農作物總播種面積、城鎮化來衡量地區農業農村發展因素對大豆全要素生產率變化的影響。

基于公式（5）以及選取好的指標，利用Stata15.0軟件，進行面板模型（OLS/FE/RE）回歸。由表5可知，首先F檢驗的P值為0.0535，故不拒絕原假設，說明OLS模型優于FE模型；其次Breusch-Pagan LM檢驗的P值為1.0000，故不拒絕原假設，說明OLS模型優于RE模型；最后Hausman檢驗的P值為0.0082，表明FE模型優于RE模型。因此，本文最終采用混合面板模型（OLS）的回歸結果。

結果顯示，人均地區生產總值、農作物播種面積、大豆種植面積、有效灌溉面積、城鎮化及受災率對大豆全要素生產率變化率有顯著影響，而以農村人口表征的農業勞動力、農業機械總動力及平均氣溫對大豆全要素生產率變化率的影響不顯著。其中，人均地區生產總值、大豆種植面積及有效灌溉面積對大豆全要素生產率變化率顯有著的正向影響，這表明一個地區的經濟發展可以為大豆生產提供資金、推進大豆生產科技化、機械化水平，有效提升大豆生產全要素生產率；而以大豆種植面積表征的土地資源是大豆生產關鍵的要素，在耕地面積有限的情況下，農民基于作物比較收益減少大豆種植面積是造成我國大豆產業衰退的主要原因之一，大豆種植面積的增加具有一定的規模效益，即形成規模生產從而減少生產成本，提升土地資源的利用效率，此外規模生產有利于機械使用，故從兩方面提升大豆的生產效率；作物的種植離不開水資源，在降水量小于200毫米的缺水區，如果沒有灌溉條件，作物基本無法生長，因此，通過優化農田水利基礎設施增加耕地有效灌溉面積，從而優化大豆種植的自然條件，會提高大豆全要素生產率。而農作物播種面積、城鎮化、受災率對大豆全要素生產率變化率有顯著的負向影響。城鎮化過程中農業勞動力、土地資源的流失，會提高要素投入價格，增加大豆生產成本，降低大豆全要素生產率。自然災害對作物種植有嚴重的影響，表現為受災率對大豆全要素生產率有顯著的負面影響。

六、結論與建議

（一）主要結論

本文基于2004—2020年我國大豆種植產區的面板數據，運用SFA法、刀切平均法及增長核算表對大豆種植的生產函數、全要素生產率及其與各要素投入的貢獻率進行測算，并對大豆全要素生產率變化的影響因素進行了探究。結果表明：（1）樣本期間，我國大豆單產增長率波動較大，有一半的年份為負增長，整體呈現以年為周期的增減，年均增長速度為1.97%。此外，考察期間各產區的大豆產業發展情況不同，大豆單產增長率存在較大差異，其中吉林省的大豆年均產出增長為負，而內蒙古大豆單產年均增長率最大為10.62%，其他地區的年均增長率較小，均在0～2.5%之間。（2）生產要素投入是驅動大豆單位產出增長的主要因素，其中農藥投入的貢獻率最大。分時間看，在2010年之后，化肥和農藥等化學物資投入對大豆單產增長的貢獻大幅減小，而良種和機械投入對大豆單產增長的貢獻上升。（3）全要素生產率是驅動大豆單位產出增長的次要因素，效率提升是其貢獻的主要來源。不同時期，全要素生產率對大豆單產增長的貢獻率不同，在2010年之后，其貢獻由正轉負，進一步分解發現，技術進步對單位產出增長的貢獻有所擴大，但技術效率的貢獻下降幅度較大。（4）地區經濟發展、大豆種植面積及農業有效灌溉面積增加會顯著地提升大豆全要素生產率的增長率，而由于存在作物及地區間的要素競爭，農作物總播種面積及城鎮化推進對全要素生產率有顯著的負向影響。此外，以受災率衡量的自然災害也會抑制大豆全要素生產率的增長。

（二）政策建議

根據以上的結論，本文對我國實施大豆產能提升工作提出以下建議：

1.鑒于生產要素投入是驅動大豆種植產出增長的主要因素，建議政府對生產要素使用的品質和數量兩方面進行嚴格把控，提高大豆種植戶要素利用率，降低大豆種植成本，提高大豆種植收益；此外，鑒于現階段農藥、化肥等化學物資投入對大豆單產的貢獻仍然較高，政府可以著力研發更適合大豆種植生產的新型肥料，提升化肥的增產作用和施肥的經濟效益，全力促進大豆產業發展。

2.鑒于全要素生產率是驅動大豆種植產出增長的次要因素，全要素生產率又可以分解為技術和效率兩部分，建議政府出臺相關支持政策，比如大豆生產者補貼和鼓勵政策等，提高大豆種植經濟效益，鼓勵大豆種植戶購買優良品種和引進先進種植技術和生產設備，促進技術進步，提升生產效率，增加全要素生產率對大豆產出增長的貢獻效應。

3.鑒于大豆種植面積、有效灌溉面積對大豆全要素生產率有顯著的正向影響，建議政府調整大豆生產區布局，根據產區的自然資源及稟賦，建立大豆重產區，因地制宜地擴大大豆種植面積，提高土地資源利用率，優化大豆生產區域布局。

4.關注到種子投入對大豆產出貢獻的增加及受災率對大豆全要素生產率的影響，建議政府建立專項基金增加對優質大豆品種的研發投入，培育具有抗旱抗災能力的高油高蛋白品種，并提高對豆農的科研指導力度，構建完善的技術體系，全面提升全要素生產率，實現要素投入、全要素生產率對產出的“雙驅動”，促進大豆產業健康可持續發展。

參考文獻：

[1]喻翠玲，馮中朝，李應生.我國大豆產出增長的要素貢獻率測度與分析[J].中國農村經濟，2005（09）：67-70.

[2]李碧芳.基于SBM-DEA模型的中國大豆全要素生產率分析[J].河南農業科學，2010（03）：116-119.

[3]李干瓊，王志丹.基于技術進步模式視角下的我國大豆生產增長路徑選擇[J].農業經濟，2020（07）：3-5.

[4]陳新立，曾智，馮藝.我國大豆產業競爭力研究——基于提高大豆主產區產量的實證分析[J].價格理論與實踐，2019（11）：66-69.

[5]陳雨生，江一帆，張瑛.中國大豆生產格局變化及其影響因素[J].經濟地理，2022，42（03）：87-94.

[6]曹娟，張朝，張亮亮，等.基于Google Earth Engine和作物模型快速評估低溫冷害對大豆生產的影響[J].地理學報，2020，75（09）：1879-1892.

[7]李秀芬，郭昭濱，朱海霞，等.黑龍江省大豆生長季旱澇時序特征及其對產量的影響[J].應用生態學報，2020，31（04）：1223-1232.

[8]高穎，田維明.中國大豆進口需求分析[J].中國農村經濟，2007（05）：33-40.

[9]楊文鈺，雍太文，任萬軍，樊高瓊，牟錦毅，盧學蘭.發展套作大豆，振興大豆產業[J].大豆科學，2008（01）：1-7.

[10]李孝忠，喬娟.東北地區大豆播種面積波動及原因分析[J].新疆農墾經濟，2009（04）：6-12.

[11]王懷明，尼楚君，徐銳釗.中國大豆生產效率變動及收斂性分析[J].江蘇農業學報，2011，27（01）：199-203.

[12]楊曉娟，劉園，白薇，等.黑龍江大豆生產時空分析與風險評估[J].干旱地區農業研究，2016，34（02）：201-205.

[13]許慶，楊青，章元.農業補貼改革對糧食適度規模經營的影響[J].經濟研究，2021，56（08）：192-208.

[14]黃博，張秀青，薄一丹.關于大豆目標價格補貼政策實施情況的調查分析——基于黑龍江省8縣23村的調研[J].新疆農墾經濟，2016（07）：84-88.

[15]賀超飛，于冷.臨時收儲政策改為目標價格制度促進大豆擴種了么？——基于雙重差分方法的分析[J].中國農村經濟，2018（09）：29-46.

[16]田聰穎，肖海峰.目標價格補貼與生產者補貼的比較：對我國大豆直補方式選擇的思考[J].農業經濟問題，2018（12）：107-117.

[17]王新剛，司偉.大豆補貼政策改革實現大豆擴種了嗎？——基于大豆主產區124個地級市的實證[J].中國農村經濟，2021（12）：44-65.

[18]司偉，韓天富.“十四五”時期中國大豆增產潛力與實現路徑[J].農業經濟問題，2021（07）：17-24.

[19]張曉峰，王宏志，劉洛，等.近50年來氣候變化背景下中國大豆生產潛力時空演變特征[J].地理科學進展，2014，33（10）：1414-1423.

[20]葛振宇，劉曉冰，劉寶輝，等.大豆種子蛋白質和油份性狀的QTL定位[J].大豆科學，2011，30（06）：901-905.

[21]朱希剛.中國大豆業的困境和發展對策[J].中國農村經濟，2003（01）：27-33.

[22]司偉，王濟民.中國大豆生產全要素生產率及其變化[J].中國農村經濟，2011（10）：16-25.

[23]劉愛民，封志明，閻麗珍，等.基于耕地資源約束的中國大豆生產能力研究[J].自然資源學報，2003（04）：430-436.

[24]司偉，李東陽.品種推廣對中國大豆單產的影響研究[J].農業技術經濟，2018（05）：4-14.

[25]田偉，李明賢.中國大豆主產區生產效率的實證研究[J].湖南農業大學學報（社會科學版），2009，10（04）：22-26.

[26]余建斌，喬娟，龔崇高.中國大豆生產的技術進步和技術效率分析[J].農業技術經濟，2007（04）：41-47.

[27]李碧芳.基于SBM-DEA模型的中國大豆全要素生產率分析[J].河南農業科學，2010（03）：116-119.

[28]黃武，王凱.中國大豆生產效率分析[J].南京農業大學學報（社會科學版），2004（01）：18-22.

[29]趙貴玉，張越杰.黑龍江省大豆生產效率研究[J].吉林農業大學學報，2009，31（03）：350-354.

[30]FAN S G．Effects of technological change and institutinal reform on production growth in chinese agriculture[J].American Journal of Agricultural Economics，1991，73（2）：266-75.

[31]王善高，田旭.中國糧食生產成本上升原因探究——基于稻谷、小麥、玉米的實證分析[J].農業現代化研究，2017，38（04）：571-580.

[32]王善高.投入要素及其生產率對生豬養殖產出增長的驅動分析[J].湖南農業大學學報（社會科學版），2021，22（02）：1-8.

[33]AIGNER D，LOVELL C A K，SCHMIDT P．Formulation and estimation of stochastic frontier production function models[J]．Journal of Econometrics，1977，6（1）：21-37.

[34]MEEUSEN W，BROECK J V D．Efficiency estimation from Cobb-Douglas production functions with composed error[J].International Economic Review，1977，18（2）：435-444．

[35]SCHMIDT P，SICKLES R C．Production frontiers and panel data[J]．Journal of Business amp; Economic Statistics，1984，2（4）：367-374．

[36]CORNWELL C，SCHMIDT P，SICKLES R C.Production frontiers with cross-sectional and time-series variation in efficiency levels[J]．Journal of Econometrics，1990，46（1-2）：185-200．

[37]連玉君．隨機邊界模型：進展及 Stata 應用[J]．鄭州航空工業管理學院學報，2018，36（1）：97-112．

[38]BATTESEG E，COELLI T J．Frontier production functions，technical efficiency and panel data：With application to paddy farmers in India[J]．Journal of Productivity Analysis，1992，3（1）：153-169．

[39]LEE Y H，SCHMIDT P.A production frontier model with flexible temporal variation in technical inefficiency in FRIED H，LOVELL C A K，SCHMIDT P（Eds），The Measurement of Productive Efficiency：Techniques and Applications[C].Oxford University Press，1993：237-255．

[40]HANSEN B E，RACINE J S．Jackknife model averaging[J]．Journal of Econometrics，2012，167（1）：38-46．

[41]KUMARI G，THAKUR S K，KUMAR N，et al．Long-term effect of fer- tilizer，manure and lime on yield sustainability and soil organic carbon status under maize （Zea mays）-wheat（Triticum aestivum）cropping system in Alfisols[J].Indian Journal of Agronomy，2013，58（2）：152-158．

[42]高晶晶，史清華．中國農業生產方式的變遷探究——基于微觀農戶要素投入視角[J].管理世界，2021，37（12）：124-134.

[43]崔靜，王秀清，辛賢等.生長期氣候變化對中國主要糧食作物單產的影響[J].中國農村經濟，2011（09）：13-22.

[44]尹朝靜.科研投入、人力資本與農業全要素生產率[J].華南農業大學學報（社會科學版），2017，16（03）：27-35.

責任編輯：李亞利

Study on the Reasons of Soybean Yield Growth Per Unit Area in China

——From the Perspective of Input Factors and Productivity

1Chen Yanqi" 2Wang Shangao

（1School of Economics and Management， Nanjing Agricultural University， Nanjing 210095， Jiangsu， China;

2School of Management， Nanjing University of Posts and Telecommunications， Nanjing 210003， Jiangsu， China）

Abstract： Based on the panel data of soybean production areas from 2004 to 2019， using the method of SFA and jackknife average method to comprehensive estimate the production function and total factor productivity， and using the growth accounting table to calculate the input of various factors in soybean production and the contribution rate of total factor productivity. Furtherly， using factor analysis to explore the influencing factors of soybean total factor productivity. The results showed that： during the sample period， the average annual growth rate of soybean planting output was 1.97%， and there were great differences in the growth rate among different production areas. The input of production factors was the main factor driving the growth of unit output of soybean planting， among which the input of pesticide contributed the most. and the total factor productivity was the secondary factor. Over time， the contribution of chemical inputs such as chemical fertilizers and pesticides to the increase of soybean output per unit decreased， while the contribution of improved seed and machinery inputs to the increase of soybean output per unit increased. In terms of total factor productivity， the contribution of technological progress to unit output growth has expanded， but the contribution of technical efficiency has declined. In addition， the study found that soybean planting area and effective irrigation area had a significant positive impact on soybean total factor productivity，while urbanization and natural disasters had significant negative effects on total factor productivity. The paper put forward some suggestions such as optimizing the layout of soybean production area， expanding soybean planting area according to local conditions， encouraging farmers to buy superior varieties， introducing advanced technology and production equipment， establishing special funds to increase the Ramp;D investment of high-quality soybean varieties， and improving the scientific research guidance of soybean farmers to promote soybean yield per unit area，

Key words： Soybean production; Output growth; Input factors; Total factor productivity; Factor analysis