EN中文

经济地理 >

2024 , Vol. 44 >Issue 7: 165 - 174

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.07.017

三农、土地与生态

黑土地保护政策工具对农业绿色全要素生产率影响及其空间差异

  • 张梅 ,
  • 张涵野
展开
  • 东北农业大学经济管理学院，中国黑龙江哈尔滨 150030

张梅（1975—），女，博士，教授，博士生导师，研究方向为土地经济。E-mail：

收稿日期: 2023-09-05

  修回日期: 2024-04-01

  网络出版日期: 2024-09-13

基金资助

国家社会科学基金项目(23BJY187)

收起

Effects of Black Soil Protection Policy Instruments on Agricultural Green Total Factor Productivity and Its Spatial Differences

  • ZHANG Mei ,
  • ZHANG Hanye
Expand
  • College of Economics and Management，Northeast Agricultural University，Harbin 150030，Heilongjiang，China

Received date: 2023-09-05

  Revised date: 2024-04-01

  Online published: 2024-09-13

Fold

摘要

文章将黑土地保护政策工具分为供给型、需求型、环境型三类，基于5县区297家新型农业经营主体数据研究了黑土地保护政策工具对农业绿色全要素生产率（GTFP）的影响效果，进一步检验了作用机制与地理空间异质性。结果表明：①黑土地保护政策工具及其组合在综合效果上实现了“创新补偿”效应，显著提高了农业GTFP。②需求型政策工具对农业GTFP促进作用的边际效应最大，环境型次之，供给型最小。目前，政策工具使用比例中需求型占18.8%、环境型占30.0%、供给型占51.2%，表明市场机制作用效率高于政府直接干预。③黑土地保护政策工具对农业GTFP的影响具有地理空间异质性，其中供给型政策工具的边际效应为克山县>总样本>龙江县；需求型政策工具的边际效应为北林区>克山县>龙江县>总样本>兰西县>依安县；环境型政策工具的边际效应为克山县>龙江县>依安县>总样本>兰西县>北林区。④进一步机制分析表明，供给型政策工具通过推动规模经营、需求型政策工具通过拉动市场参与、环境型政策工具通过影响风险感知促进农业GTFP提高。

关键词： 黑土地保护; 政策工具; 效果评价; 农业绿色全要素生产率; 创新补偿效应; 市场机制; 规模经营

本文引用格式

张梅 , 张涵野 . 黑土地保护政策工具对农业绿色全要素生产率影响及其空间差异[J]. 经济地理, 2024 , 44(7) : 165 -174 . DOI: 10.15957/j.cnki.jjdl.2024.07.017

Abstract

This study categorizes black soil protection policy instruments into three types: supply-oriented type,demand-oriented type, and environment-oriented type. Based on the data of 297 new-type agricultural management entities in 5 counties and districts,this study analyzes the effects of black soil protection policy instruments on agricultural green total factor productivity (GTFP), and further examines its mechanism and geospatial heterogeneity. The results indicate that: 1) Black soil protection policy instruments and their combinations have achieved the innovation compensation effect,and significantly enhance agricultural GTFP. 2) The marginal effect of the demand-oriented policy instruments on promoting agricultural GTFP is the largest, followed by the environment-oriented type,and the supply-oriented type is the least. Currently,the using proportion of policy tools is 18.8% for the demand-oriented type, 30.0% for the environment-oriented type,and 51.2% for the supply-oriented type,which indicates that market mechanisms are more efficient than direct government intervention. 3) The effect of black soil protection policy instruments on agricultural GTFP is geographically heterogeneous. The marginal effect of the supply-oriented policy instruments from high to low is Keshan,totalsample,Longjiang respectively. The marginal effect of the demand-oriented policy instruments from high to low is Beilin,Keshan,Longjiang, total sample, Lanxi, Yi'an respectively. The marginal effect of the environment-oriented policy instruments from high to low is Keshan, Longjiang,Yi'an,totalsample,Lanxi,Beilin respectively. 4) The supply-oriented policy instruments improve agricultural GTFP by facilitating scale management,the demand-oriented policy instruments improve agricultural GTFP by stimulating market participation,and the environment-oriented by influencing risk perception.

Key words： black soil protection; policy instruments; effectiveness evaluation; agricultural green total factor productivity; innovation compensation effect; market mechanism; scale management

推进农业绿色发展是落实“双碳”战略、建设美丽中国的必由之路，同时也是推进乡村振兴、建设农业强国的题中之义[1-2]。《“十四五”全国农业绿色发展规划》指出，“中国农业绿色发展仍处于起步阶段，还面临不少困难和挑战”，“加强东北黑土地保护。实施国家黑土地保护工程，推进工程措施和农艺措施相结合，有效遏制黑土地‘变薄、变瘦、变硬’退化趋势”。东北黑土地为国家粮食安全提供了重要保障，但长期粗放式经营导致黑土地生态退化明显[3]，面临着利用过度、投入过量以及污染严重等问题，使农业绿色发展面临障碍[4]。为此，国家高度重视黑土地保护，已初步构建起黑土地保护政策体系，开始注重政策工具的综合运用[5]，并且确立了“生态优先、用养结合、稳产丰产、节本增效”的目标导向。
随着国家不断提高对绿色发展的重视程度，学界开始关注碳交易[6]、产业融合[7]、农业社会化服务[8]、耕地修复试点[9]等政策的绿色效应，并使用碳减排量[6]、绿色低碳发展指标体系[7]、农业绿色全要素生产率（GTFP）[8-9]等指标衡量，以表征政策工具对绿色发展的推动效果。其中农业GTFP将资源环境要素纳入到传统全要素生产率核算框架，测度农业生产过程中全要素投入获得综合产出的效率，是度量农业绿色发展质量的核心指标[1]。《国家黑土地保护工程实施方案（2021—2025年）》强调促进黑土地在利用中保护、在保护中利用。农业GTFP可同时涵盖黑土地保护政策的保护、利用双重指标，适宜用来衡量黑土地保护政策工具的绿色效应。因此，深入研究黑土地保护政策工具对农业GTFP的影响，对优化政策工具配置、提升政府管理效率具有重大理论价值和现实意义。
近年来，随着国家逐步综合运用政策工具以加强黑土地保护，学界开始关注黑土地保护政策工具的实施效果。学者们使用Logit模型[10-12]、政策文本分析法[13]等方法，对补贴政策[10]、政府宣传[12]、法制建设[13]、技术推广[14]、示范项目[15-16]、监管政策[17]等黑土地保护政策工具的实施效果，从微观与宏观角度进行了评价。其中，微观角度以技术采纳情况[12,17]、农户保护意愿[10-11]为评价指标；宏观角度以黑土地数量变化[13,15]、黑土地质量变化[14,16]为评价指标。现有研究多使用双重差分法[18]、Meta分析法[19]、单因素方差分析法[20]对黑土地保护政策工具中示范项目[18]、政府规划[19]、技术投入[20]的绿色效应进行评价，评价指标有施肥强度[18]、生物多样性[19]、有机碳含量[20]等。但对黑土地保护政策工具绿色效应的研究还比较少。
提高农业GTFP是实现农业绿色发展的必然要求[21]。现有文献中农业GTFP的影响因素可分为经济、社会、政策和环境四大类。其中，经济因素包括农村居民收入[22]、农产品贸易[23]、农村产业结构[24]等；社会因素包括人口老龄化[22]、教育人力资本[25]、农业社会化服务[2]等；政策因素包括农业财政支出[23]、环境规制[26]等；环境因素包括农村数字化[21]、城镇化[24]、农业技术水平[27]等。
综上，现有文献为本文提供了理论和方法基础，但仍存在可拓展空间。①研究对象上，缺少对黑土地保护政策工具及其组合的系统研究。在实际应用中，政策工具通常组合使用[28]，现有文献多以单个政策工具作解释变量或控制变量，未考虑到政策工具的不同类型及组合情况。②指标选取上，现有文献对黑土地保护政策工具绿色效应的评价指标较单一，未能体现黑土地保护政策的多元目标。农业GTFP可综合考虑农业生产中资源环境要素、劳动力、资本、技术等总投入，产值等期望产出，面源污染、碳排放等非期望产出，适宜作为黑土地保护政策工具绿色效应的评价指标。③数据选择上，现有文献多使用宏观数据测算农业GTFP，鲜有基于微观数据的研究。而农业GTFP基于投入产出体系测度效率，同时使用实际生产中的新型农业经营主体数据将更加接近真实值。
鉴于此，本文首先归总10项主要黑土地保护政策工具，将其划分为供给型、需求型、环境型三类，并使用网络层次分析法确定权重；继而基于实际受黑土地保护政策工具影响的新型农业经营主体微观数据，构建SBM-Undesirable模型测算农业GTFP；最后在此基础上采用Tobit模型探究黑土地保护政策工具及其组合对农业GTFP的影响效果，进一步验证中介效应并检验地理空间异质性，厘清黑土地保护政策工具对农业GTFP影响的内在机制与地理特征，以期为优化政策工具配置提供决策参考。

1 理论分析与研究假说

1.1 黑土地保护政策工具类型及含义

政策工具是政府实施政策的手段和方法，是政策目标与政策结果的桥梁[29]。本文参照Rothwell等经典政策工具分类框架[28]，结合黑土地保护政策文本分析与课题组调研中政策工具的实际应用情况，将黑土地保护政策工具划分为供给型、需求型、环境型三类。其中，供给型政策工具指政府通过直接“行政给付”形式，对人才、技术、资金等要素进行直接供给与支持，从而推动政策活动开展，包含人员培训、资金投入、技术投入、设施建设四类子工具；需求型政策工具指政府通过与市场主体合作的方式来减少市场不确定性，从而拉动市场活力以达成政策目的，包含政府采购、服务外包、示范项目三类子工具；环境型政策工具指政府通过构建有利的政策环境，以指引、规范、监督、保护等手段间接影响政策实施，包含政策支持、监督管制、金融支持三类子工具。黑土地保护政策工具类型及含义见表1。
表1 黑土地保护政策工具类型及含义

Tab.1 Types and meanings of black soil protection policy instruments

类型 子工具 含义
供给型 人员培训 政府对新型农业经营主体技术人员及管理者开展教育培训，提升其专业技术水平与管理水平
资金投入 政府拨付专项资金、实施各类补贴，为相关工作开展提供资金支持
技术投入 政府推广保护性耕作等技术组合，提供技术支持，促进技术创新
设施建设 政府建设和完善基础设施，为开展相关工作提供基础保障
需求型 政府采购 中央或地方政府向第三方市场主体购买产品及服务
服务外包 政府与社会工商资本合作开展相关工作，或直接将某生产环节外包给相关服务主体
示范项目 政府通过建设试点示范项目等方式，带动系列工作的开展和实施
环境型 政策支持 政府通过提供政策偏向与帮扶，为相关主体营造良好的政策环境
监督管制 中央政府制定法律、行政法规等；地方政府制定规章、制度规划等强制性措施，加强对相关工作的规范和监督
金融支持 政府通过农业保险、期货等方式为相关工作提供必要金融支持，提高新型农业经营主体抵御风险能力

1.2 黑土地保护政策工具对农业GTFP的影响效果

新古典经济学理论认为政策工具的使用具有“遵循成本”效应，对农业GTFP产生负向影响[30]。“遵循成本”效应即成本增加而利润减少，黑土地农业生产中体现在三方面。①在短期内，政策工具对经营主体产生的限制会增加绿色投入成本与环境治理成本，前者包括农业机械设备的迭代成本、符合绿色标准的生产资料成本等；后者包括农业生产废弃物的回收成本、环境整治成本等。②政策工具促使经营主体减少使用化肥、农药、农膜等高污染投入要素，转而使用污染更小但成本更高、效率较低的绿色有机投入要素，对经营主体的利润造成影响。③政策工具的使用会产生“挤出效应”，“挤出”经营主体用于人力资本培训等方面的营利性投资。
以“波特假说”为代表的修正观点认为政策工具的使用具有“创新补偿”效应，对农业GTFP产生正向影响[31]。“创新补偿”效应即通过创新驱动实现治理成本内部化，在黑土地农业生产中体现在三方面。①在新的政策约束下，经营主体的生产函数发生变化，其改进要素配置的过程会提高农业GTFP，同时也顺应并推动政策开展。②政策工具的使用会促使经营主体向政策引导方向改进生产技术，提高农业生产效率，提升产品附加值。生产技术创新带来的收入效应使经营主体在短期内获得超额利润，抵消环境治理成本提高导致的负面影响。③政策工具的综合使用可以促进多元主体参与，推动环境治理效率的提高。“产学研”体系一定程度上可降低绿色技术研发成本，工商资本参与可促进市场机制完善、缓解经营主体融资约束，有利于发挥投资的“乘数效应”。
综上，黑土地保护政策工具对农业GTFP的综合影响效果，取决于“创新补偿”和“遵循成本”效应的权衡比较。当“创新补偿”效应大于“遵循成本”效应时，政策工具对农业GTFP的影响为正，反之则影响为负。从政策工具类型来看，根据政策生命周期模型，三类黑土地保护政策工具存在异质性。一是政策设计阶段，三类黑土地保护政策工具在政策成本、预期效果上存在差异；二是政策执行阶段，供给型政策工具表现为政策的“推动力”，需求型政策工具表现为“拉动力”，环境型政策工具表现为间接影响作用[28]；三是政策实施结果，政策工具在组合使用中受到地理、技术、社会等条件约束以及组合中政策工具之间的相互作用，使得作用结果与预期效果存在差异[29]。从地理空间视角来看，黑土地保护政策工具在实践中呈现地理空间异质性[11]。一是资源禀赋方面，黑土地土壤类型、气候与水文条件等自然要素随地理区位呈现不同特征；二是存在问题与改进模式方面，各地区黑土地退化的主要问题不同，政策工具实施侧重点不同；三是区域治理方面，各地区宏观区域规划、中观人地关系和微观主体认知不同。基于此，本文提出以下假设：
H1a：“创新补偿”效应大于“遵循成本”效应，黑土地保护政策工具正向影响农业GTFP。
H1b：不同类型黑土地保护政策工具对农业GTFP的影响作用不同。
H1c：不同地区黑土地保护政策工具对农业GTFP的影响作用不同。

1.3 黑土地保护政策工具对农业GTFP的影响机制

适度规模的经营主体是农业绿色发展的前提[3]，供给型政策工具通过推动新型农业经营主体规模化经营来影响其农业GTFP。根据规模经济理论，通过调整以土地为核心的生产要素，使得长期平均成本最低时即达到适度经营规模。供给型政策工具通过人力、资金、技术、基础设施等对新型农业经营主体进行支持，政府委托经营主体实行“集中连片”保护工程，鼓励并帮助其靠近适度经营规模。进一步，规模经营从生态和经济双渠道促进农业GTFP提高。一方面，规模经营可以降低化学用品投入，促进绿色生产技术应用，推动减污降碳；另一方面，现阶段黑土地农业处于规模报酬递增期[10]，规模经营有利于实现农业投入要素集约化，提高资源配置效率，从而获取规模收益。基于此，本文提出以下假设：
H2a：供给型政策工具通过推动规模经营影响农业GTFP。
市场机制是实现农业绿色发展的重要途径[22]，需求型政策工具通过拉动多主体参与、发挥市场机制来影响新型农业经营主体的农业GTFP。根据需求引导模型，一切技术创新和产业发展都由市场需求引导[32]。需求型政策工具在与市场各主体的合作中加入了政府信用，通过构建高效的中国特色社会主义市场机制来满足市场需求，以“看得见的手”拉动市场参与。需求型政策工具调动了包括新型农业经营主体、村级组织、农资供应商、社会化服务组织等上下游产业相关主体的参与积极性。进一步，发挥市场机制以调节供求，优化资源配置，节约各生产经营环节成本，缓解信息不对称，进而促进农业GTFP提高。此外，根据韦伯（Weber）的传统型权威理论[33]，在更充分的市场参与下，村级组织、乡村精英以及优秀经营主体等的示范效应可以直接影响经营主体的生产行为决策，有助于推动政策实施进程。基于此，本文提出以下假设：
H2b：需求型政策工具通过拉动市场参与影响农业GTFP。
营造良好政策环境来应对风险与不确定性是农业绿色发展的关键问题[34]，环境型政策工具通过影响新型农业经营主体的风险感知来影响其生产行为，进而影响农业GTFP。以恰亚诺夫（Chayanov）为代表的组织与生产学派认为家庭农场一类的农业经济体具有完全风险厌恶，其行为是适应环境风险的结果。对于新型农业经营主体，作用传导路径为：综合环境→风险感知→决策行为[27]。环境型政策工具首先通过法律、行政、金融等手段创造出有利政策环境，为经营主体提供制度与经济保障，降低生产经营环境风险。进一步，在较低风险下，经营主体更倾向于考虑整体与长远效益，将黑土地保护短期措施与长效机制相结合，采用绿色生产行为，进而促进其农业GTFP提高。基于此，本文提出以下假设：
H2c：环境型政策工具通过影响经营主体风险感知影响农业GTFP。
综上，黑土地保护政策工具对农业GTFP的影响机制如图1所示。
图1 黑土地保护政策工具对农业GTFP的影响机制

Fig.1 Impact mechanism of black soil protection policy instruments on agricultural GTFP

2 研究设计

2.1 模型构建

2.1.1 SBM-Undesirable模型

SBM-Undesirable模型被广泛应用于测算绿色生产率、环境效率等[21]。本文选取该模型测算农业GTFP。将每个新型农业经营主体作为个体决策单元（DMU）以构造生产前沿面。假设该农业生产系统中共n个DMU，每个DMU使用m种要素投入，生产出q种期望产出与h种非期望产出，则每个DMU的SBM-Undesirable效率可表达为：
ρ * = m i n λ , s i - , s r + , s l - 1 - 1 m ∑ i = 1 m s i - x i 0 1 + 1 q + h ∑ r = 1 q s r + y r 0 + ∑ l = 1 h s l - b l 0 s . t . x i o = X λ + s i - , y r o = Y λ - s r + , b l o = Y b λ + λ s l - s i - ≥ 0 , s r + ≥ 0 , s l - ≥ 0 , λ ≥ 0
式中： ρ *为效率值； λ为权重变量； s i - 、 s r + 、 s l -取值均为非负，分别代表投入冗余量、期望产出不足量、非期望产出超标量。目标函数 ρ *关于 s i - 、 s r + 、 s l -严格单调递减，当且仅当 s i - = s r + = s l - = 0时 ρ * = 1实现最优解；当 0 ≤ ρ * 1时，表明DMU存在效率损失。

2.1.2 基准Tobit模型

Tobit模型被广泛应用于绿色生产率、技术效率等的影响因素研究[2]。本文选取Tobit模型的原因，一是农业GTFP取值介于0~1之间，属于受限的被解释变量；二是在约束条件下农业GTFP取值连续，具有两端截断、中间连续的特征。对于可能存在的异方差问题，参照White的做法[35]使用异方差稳健标准误。

2.1.3 中介效应模型构建

为厘清三类政策工具对农业GTFP影响的内在机制，构建中介效应模型（模型略）。

2.2 变量说明与统计

2.2.1 农业GTFP投入产出指标选择与统计

在“双碳”战略背景下，学界开始将碳排放作为非期望产出纳入农业GTFP核算体系[21]。黑土地保护中推广使用的保护性耕作技术能够在减少碳排放的同时增加碳汇[15]，因此以减去碳汇量的净碳排放量以及面源污染量共同作为非期望产出指标。本文采用生命周期评价法测算净碳排放量，核算中碳排放来自化肥、农药、灌溉、耕作、秸秆还田、柴油机械；碳汇来自免耕、秸秆还田等保护性耕作技术带来的土壤固碳和生物固碳。
N C E i = ∑ C E i - ∑ C F i = ∑ j E i j θ i j - ( 1 - α ) ∑ k S i k ϑ i k + ( 1 - β ) ∑ k S i k ρ i k
式中： N C E i为单元i的净碳排放量； E i j为单元i碳源j的总量； θ i j为其碳排放系数； α为免耕和秸秆还田对土壤固碳效果的反协同效应系数， β为二者对生物固碳效果的减缓效应系数； S i k为保护性耕作技术k的施用面积； ϑ i k和 ρ i k分别为保护性耕作技术k的土壤固碳和生物固碳年速率。
本文使用单元调查评估法测算农业面源污染。玉米种植产生的面源污染主要来自化肥和农药流失、农膜残留以及秸秆还田[2]，由于调研样本中仅有不到5%的主体少量使用农膜，因此以化肥和农药流失以及秸秆还田造成的总氮磷排放量来核算农业面源污染量。
P E i = ∑ j P S i j ∙ ρ j ∙ 1 - μ j ∙ C j + S T i ∙ δ ∙ ϵ
式中： P E i为单元i面源污染排放量；不同种类化肥、农药污染物以j计数； P S i j为单元i污染物j的产生量； ρ j为污染物j的折纯比例； μ j为利用效率； C j为排放系数； S T i为单元i玉米产量； δ为秸秆与作物产量比； ϵ为秸秆产污系数。
本文在投入指标上选取土地、劳动力、种子、农药、机械、化肥投入；期望产出指标上，选取总产值；非期望产出指标上，选取面源污染量与净碳排放量。投入产出指标说明及描述性统计见表2。
表2 投入产出指标体系与描述性统计

Tab.2 Input-output indicator system and descriptive statistics

类型 名称 说明 均值 标准差 最大值 最小值
投入变量 土地投入 种植经营总面积（hm2） 97.369 133.812 1066.667 8.000
劳动力投入 自有加雇佣总工时（h） 2839.383 4170.958 23679.910 62.600
种子投入 购买种子总成本（万元） 8.033 9.989 74.672 0.600
农药投入 购买农药总成本（万元） 2.391 3.228 25.600 0.120
机械投入 自有加租赁总成本（万元） 12.226 20.186 179.200 0.983
化肥投入 全过程化肥的总投入（t） 66.258 88.772 677.440 4.762
期望产出变量 总产值 玉米种植总产值（万元） 191.129 265.677 1989.680 14.883
非期望产出变量 面源污染量 总氮总磷排放量（t） 26.392 37.903 296.607 2.142
净碳排放量 碳排放量减去碳汇量（t） 142.405 195.766 1570.887 11.043

2.2.2 黑土地保护政策工具权重确定

本文采用网络层次分析法（ANP）确定供给型、需求型、环境型三类10项黑土地保护政策工具权重。网络层次分析法由层次分析法发展得到，可进一步考虑各层次内部元素的互相影响，契合黑土地保护政策工具之间的相互作用。根据国家发改委《中央政府投资项目后评价管理办法》及参照李政宏等的研究[4]选取决策准则，构建ANP结构如图2所示。
图2 黑土地保护政策工具权重确定ANP结构

Fig.2 ANP structure for determining the weights of black soil protection policy instruments

ANP结构第一部分为控制层，包括目标问题和决策准则。第二部分为网络层，是由受控制层支配且相互影响的元素组构成的网络结构。本文使用Super Decisions软件进行ANP模型构建与权重计算。基本步骤为：构建ANP结构→比较网络层元素优势度并构造判断矩阵→得到超矩阵与加权超矩阵→计算极限超矩阵→获得权重。其中，判断矩阵通过咨询5位参与调研的土地资源管理、农业经济管理专家及3位农技站工作人员，在充分理解各种类型政策工具及各项子工具的前提下得到，均通过一致性检验。结果见表3。
表3 黑土地保护政策工具权重

Tab.3 Weights of black soil protection policy instruments

政策工具 说明 组内权重 组间权重
人员培训（A11） 接受培训的技术人员、管理者占比 0.01795 0.009187
资金投入（A12） 受补情况（直接补贴/间接补贴/无） 0.35575 0.182028
技术投入（A13） 技术组合推广种类 0.35141 0.179801
设施建设（A14） 新建机耕路等设施种类 0.27489 0.140656
供给型政策工具（A1） “行政给付”，直接支持与供给 - 0.511672
政府采购（A21） 农资购买渠道（集体/合作社/自购） 0.18747 0.035173
服务外包（A22） 是否使用社会化服务 0.40198 0.075420
示范项目（A23） 是否属于高标准农田建设 0.41055 0.077029
需求型政策工具（A2） 与各主体合作，通过市场满足需求 - 0.187622
金融支持（A31） 保险组合推广种类 0.07662 0.023040
政策支持（A32） 平均土地签约年限 0.16075 0.048338
监督管制（A33） 监督主体及权责划分 0.76263 0.229327
环境型政策工具（A3） 提供有利政策环境 - 0.300705

2.2.3 Tobit模型变量说明与统计

Tobit模型的被解释变量为农业GTFP，由SBM-Undesirable模型测算得到。核心解释变量为三类政策工具，由各组子工具的实际调研数据归一化处理后乘以权重得到。变量说明与描述性统计见表4。
表4 Tobit模型变量说明与描述性统计

Tab.4 Variables description of Tobit model and their descriptive statistics

类型 符号 名称 说明 均值 标准差
被解释变量 GTFP 农业绿色全要素生产率 SBM-Undesirable模型测算 0.436 0.221
核心解释变量 SOPI 供给型政策工具 子工具归一化后乘以权重 0.202 0.099
DOPI 需求型政策工具 子工具归一化后乘以权重 0.081 0.045
EOPI 环境型政策工具 子工具归一化后乘以权重 0.105 0.061
控制变量 frag 耕地细碎化程度 1=很分散；2=较分散；3=集中连片 1.363 0.887
mech 耕地机械作业适宜程度 适宜机械化作业耕地：1=小于一半；2=大多数；3=全部 1.718 0.750
qual 耕地质量 1=低于平均；2=中等；3=高于平均 2.161 0.679
age 负责人年龄 负责人年龄 46.258 8.468
educ 负责人学历 1=小学及以下；2=中学；3=大专及以上 1.789 0.802
Num 主体工作人员数量 主体工作人员数量 6.556 7.954
cadre 成员中有无村干部 有无村干部：0=无；1=有 0.452 0.500
中介变量 scale 规模经营 人均耕地面积（hm2） 21.214 25.521
market 市场参与 长期联系的市场主体（合作社、供应商、农机手等）数量 6.040 2.034
risk 风险感知 风险感知程度：1=非常大；2=较大；3=中等；4=较小；5=几乎没 3.411 1.020

2.3 数据来源

本文使用的数据来源于课题组2022年7—8月在黑龙江省5个黑土地保护试点县的实地调研。课题组面向从事玉米种植的新型农业经营主体发放319份调查问卷，经筛选、处理后剔除无效问卷22份，最终得到有效问卷297份，问卷有效率为93%。有效问卷中龙江县74份、依安县62份、克山县57份、绥化市北林区53份、兰西县51份。农业面源污染测算中污染强度系数、化肥利用效率、排放系数来自《第一次全国污染普查：肥料流失、农药流失系数手册》以及盖兆雪等的研究[36]。净碳排放量测算中碳排放系数、固碳系数来自IPCC等机构。

3 实证结果分析

3.1 基准模型回归结果分析

本文构建Tobit模型探究黑土地保护政策工具对农业GTFP的影响效果，回归结果见表5。表5模型1~模型3分别以供给型、需求型、环境型政策工具单独作为解释变量；模型4~模型6以每两项政策工具组合作为解释变量；模型7以三项政策工具组合作为解释变量。模型1~模型7中黑土地保护政策工具及其组合对农业GTFP均为显著促进作用，验证了假设H1a。使用钱学锋等的方法[37]计算模型7中各变量的条件边际效应，即可比较不同类型政策工具对农业GTFP的影响。模型7中边际效应结果表明，需求型政策工具对农业GTFP影响更大，其次是环境型，最后是供给型。结合表3中政策工具实际使用的综合占比，结果表明以激活市场为主的需求型政策工具以18.8%的较小占比更有效地改进了新型农业经营主体投入产出结构，促进其农业GTFP提高；以提供良好综合保障的环境型政策工具占比为30.0%，对农业GTFP提高的贡献居中；以直接给付为主的供给型政策工具占比为51.2%，对农业GTFP提高的贡献较小，验证了假设H1b。古典经济学理论可以给出解释，政府直接干预时往往存在低效率水平和高交易成本，进而造成福利损失。而无论是直接拉动市场参与的需求型政策工具还是间接提供保障的环境型政策工具，均有利于发挥市场机制作用与建立经营者信心，进而对农业GTFP有较高的边际效应。
表5 基准Tobit模型回归结果

Tab.5 Regression results of the benchmark Tobit model

变量 模型1 模型2 模型3 模型4 模型5 模型6 模型7
GTFP 边际效应
SOPI 0.859***（0.205） 0.528***（0.182） 0.656***（0.175） 0.453**（0.176） 0.444
DOPI 3.080***（0.500） 2.720***（0.487） 2.418***（0.453） 2.152***（0.453） 2.111
EOPI 1.884***（0.403） 1.662***（0.377） 1.265***（0.331） 1.176***（0.323） 1.153
ln frag 0.136***（0.045） 0.098**（0.044） 0.088*（0.051） 0.125***（0.042） 0.123**（0.047） 0.095**（0.045） 0.118***（0.045） 0.116
ln mech 0.119（0.077） 0.081（0.066） 0.126*（0.070） 0.070（0.063） 0.105*（0.063） 0.080（0.056） 0.070*（0.055） 0.069
ln qual -0.181（0.114） 0.014（0.098） -0.048（0.100） -0.042（0.096） -0.107（0.096） 0.031（0.088） -0.018（0.087） -0.018
ln age 0.438***（0.107） 0.071（0.110） 0.193*（0.112） 0.139（0.104） 0.255**（0.104） 0.011（0.103） 0.073*（0.099） 0.071
ln educ 0.051（0.081） -0.014（0.073） 0.041（0.078） -0.012（0.073） 0.036（0.079） -0.011（0.069） -0.009（0.071） -0.009
ln num -0.044*（0.026） -0.026（0.021） -0.027（0.025） -0.034*（0.020） -0.037*（0.022） -0.024*（0.019） -0.031**（0.019） -0.030
ln cadre -0.132**（0.057） -0.148***（0.051） -0.152***（0.052） -0.139***（0.050） -0.140***（0.050） -0.152***（0.049） -0.143***（0.047） -0.140
_cons -1.363***（0.420） -0.147（0.413） -0.581（0.438） -0.423**（0.393） -0.848**（0.404） -0.016**（0.389） -0.259***（0.375）

注： *p<0.10，**p<0.05，***p<0.01。括号内为标准误。表6~表7同。

模型7中控制变量耕地细碎化程度、耕地机械作业适宜程度、负责人年龄的系数显著为正，表明样本范围内耕地集中、适宜机械作业、负责人经验丰富正向影响农业GTFP。主体工作人员数量、成员中有无村干部的系数显著为负，表明样本内工作人员冗杂、成员有村干部会带来低效，负向影响农业GTFP。耕地质量不显著的原因可能是样本内耕地质量的差别不足以对农业GTFP产生显著影响；负责人学历不显著的原因可能是在信息相对充分的农资及农产品市场上，样本内负责人学历带来的决策差异不足以对农业GTFP产生显著影响。

3.2 影响机制分析

本文构建中介效应模型探究黑土地保护政策工具对农业GTFP的影响机制，中介效应检验结果见表6。由表5和表6中模型1、模型8和模型11可得，估计系数均显著，且系数2.949×0.085与0.591符号相同，因此属于部分中介效应。计算得中介效应占总效应的比例为29.2%，即供给型政策工具对农业GTFP的总效应中，有29.2%是通过供给型政策工具推动规模经营，再由规模经营促进农业GTFP的机制来实现，验证了假设H2a。由模型2、模型9和模型12可得，估计系数均显著，且系数1.549×0.076与2.784符号相同，属于部分中介效应。中介效应占总效应的比例为3.8%，即需求型政策工具对农业GTFP的总效应中，有3.8%是通过需求型政策工具拉动市场参与，再由市场参与促进农业GTFP的机制来实现，验证了假设H2b。但部分中介效应占比不高，可能的原因是市场参与主体众多，市场资源配置机制复杂，难以有效度量。由模型3、模型10和模型13可得，估计系数均显著，且系数1.304×0.155与1.518符号相同，属于部分中介效应。中介效应占总效应的比例为10.7%，即环境型政策工具对农业GTFP的总效应中，有10.7%是通过环境型政策工具影响风险感知，再由风险感知正向影响农业GTFP的机制来实现，验证了假设H2c。
表6 中介效应检验结果

Tab.6 Test results of the mediating effect

变量 模型8 ln scale 模型9 ln market 模型10 ln risk 模型11 GTFP 模型12 GTFP 模型13 GTFP
SOPI 2.949***（0.850） 0.591***（0.172）
DOPI 1.549*（0.900） 2.784***（0.366）
EOPI 1.304***（0.406） 1.518***（0.272）
ln scale 0.085***（0.017）
ln market 0.076**（0.036）
ln risk 0.155***（0.058）
Controls Yes Yes Yes Yes Yes Yes
_cons 1.125（1.992） 1.484（0.941） 0.567（0.602） -1.366***（0.384） -0.207（0.382） -0.596（0.388）

3.3 地理空间异质性分析

为检验黑土地保护政策工具对农业GTFP影响的地理空间异质性，本文按照样本分布进行分组回归并计算边际效应，结果见表7。表7模型14~模型18的结果表明不同地区黑土地保护政策工具的边际效应不同，验证了假设H1c。供给型政策工具在龙江县与克山县显著正向影响农业GTFP；需求型与环境型政策工具在5县区均显著正向影响农业GTFP，与基准模型结论一致。结合表5模型7总样本结果，供给型政策工具的边际效应为：克山县>总样本>龙江县；需求型政策工具的边际效应为：北林区>克山县>龙江县>总样本>兰西县>依安县；环境型政策工具的边际效应为：克山县>龙江县>依安县>总样本>兰西县>北林区。其中，克山县三类政策工具的边际效应均大于总样本，表明该县黑土地保护政策工具适宜县区禀赋特征，拥有较好的实施效果；北林区有最高的需求型政策工具边际效应和最低的环境型政策工具边际效应，表明该县市场建设较为领先但政策环境保障不足，因此应加强政策环境保障制度建设；兰西县需求型与环境型政策工具边际效应均低于总样本，表明该县政策工具综合使用效果较低，应进一步完善政策工具体系，建立健全配套制度建设；龙江县供给型政策工具边际效应低于总样本，需求型与环境型政策工具边际效应高于总样本，表明该县市场建设及政策保障完善，但政府直接给付效率较低，应提升管理效率，提高供给型政策工具实施效果；依安县需求型政策工具边际效应最低，环境型政策工具边际效应高于总样本，表明该县市场建设较差，政策保障制度相对完善，因此应加强市场机制建设，注重需求型政策工具应用。
表7 地理空间异质性回归结果

Tab.7 Regression results of geospatial heterogeneity

变量 模型14（龙江县） 模型15（依安县） 模型16（克山县） 模型17（北林区） 模型18（兰西县）
GTFP 边际效应 GTFP 边际效应 GTFP 边际效应 GTFP 边际效应 GTFP 边际效应
SOPI 0.415** 0.409 0.182 0.181 0.505** 0.504 -0.030 -0.030 0.214 0.213
（0.361） （0.317） （0.245） （0.259） （0.239）
DOPI 2.152*** 2.151 1.849*** 1.847 2.454*** 2.446 2.679*** 2.666 2.121*** 2.109
（0.437） （0.859） （0.616） （0.510） （0.536）
EOPI 1.811*** 1.809 1.378*** 1.377 1.998*** 1.991 0.622* 0.619 0.743* 0.739
（0.423） （0.323） （0.640） （0.388） （0.394）
Controls Yes Yes Yes Yes Yes
_cons 1.143 1.807*** -1.422** 0.757 0.083
（0.344） （0.526） （0.534） （0.657） （0.634）

3.4 稳健性检验

本文采用替换模型、替换被解释变量、缩尾回归对基准模型进行稳健性检验。各项检验处理后，黑土地保护政策工具对农业GTFP的正向作用均显著，且三类政策工具在同一模型中系数相对大小关系均一致，验证了本文结论的稳健性。

4 结论与讨论

4.1 结论

综合运用各种类型政策工具是加强黑土地保护，推进农业绿色发展的必要途径。本文构建黑土地保护政策工具体系并分类确权，基于5县区297家新型农业经营主体数据测算农业GTFP，探究了政策工具及其组合对农业GTFP的影响效果，进一步分析了各类政策工具的作用机制与地理空间异质性。研究结论如下：①黑土地保护政策工具及其组合在综合效果上实现了“创新补偿”效应，能够刺激绿色生产行为与绿色技术创新，从而改进新型农业经营主体生产的投入产出结构，显著促进了农业GTFP提高。②不同黑土地保护政策工具对农业GTFP的促进作用不同。需求型政策工具对农业GTFP促进作用的边际效应更大，其次是环境型，最后是供给型。目前政策工具使用比例需求型占18.8%、环境型占30.0%、供给型占51.2%，表明市场机制作用效率高于政府直接干预。③黑土地保护政策工具对农业GTFP影响具有地理空间异质性。其中，供给型政策工具的边际效应为克山县>总样本>龙江县；需求型政策工具的边际效应为北林区>克山县>龙江县>总样本>兰西县>依安县；环境型政策工具的边际效应为克山县>龙江县>依安县>总样本>兰西县>北林区。④3组中介效应模型均显著存在部分中介效应，即供给型政策工具通过推动规模经营、需求型政策工具通过拉动市场参与、环境型政策工具通过影响风险感知促进了农业GTFP提高。

4.2 建议

根据上述研究结论，本文提出以下政策建议：
①从供需两个角度完善政策工具体系。目前黑土地保护政策工具要进一步多元化，推动形成政策工具创新机制，不断提高政策工具使用效果。一方面，中央要建立健全“政策工具库”，解决能用什么工具的问题。深入总结政策试点经验，将行之有效的政策工具纳入体系，由点向面进一步扩大政策工具实施范围。另一方面，各地方政府要因地制宜形成“政策工具箱”，解决需要什么工具与应用什么工具的问题。纵向上要畅通中央、地方、基层组织与生产经营主体的沟通机制；横向上要发挥政府部门联动机制，提高政策工具由现实需求形成供给应用的效率。
②因时因地制宜，优化政策工具结构。不同类型政策工具的作用特点与作用效果不同，因此要实现政策工具的有机衔接与配合，使政策工具组合的边际效应最大化。一是时间维度上，政策施行初期应主要使用供给型政策工具来为政策全面展开提供基础；中期应加大环境型与需求型政策工具的使用比例，营造良好政策环境，激活市场活力，促进各相关主体信心；后期须建立长效机制，从长远及全局考虑，保持阶段应有效果，向政策目标稳步发展。二是空间维度上，各地应因地制宜探索创新政策举措，形成适宜当地的黑土地保护模式；应建立地方政府、市场、经营主体间全方位沟通机制，对创新路径与侧重方向不同的技术模式、管理机制、政策建设等进行交流与完善，提高黑土地保护政策工具的使用效率。
③识别并畅通政策工具作用传导机制。不同类型政策工具发挥作用的传导机制不同，应在识别政策工具作用机制的基础上畅通传导机制，以促进政策工具使用精准化；应进一步推动生产经营主体规模化、拉动市场参与、降低环境风险，从而促进供给型、需求型、环境型政策工具效果实现与配置优化。此外，基于政策工具作用传导机制，一方面可推动政策工具的过程评估，从而明确政策工具作用情况以便及时调整；另一方面可以提高政策工具管理效率，依据作用传导机制在政策工具设计与政策目标制定阶段作出改进。

4.3 讨论

本文的边际贡献在于系统构建黑土地保护政策工具体系，研究政策工具及其组合对农业GTFP的影响效果，进一步分析各类政策工具的作用机制与地理空间异质性。本文的研究结论与政策建议为优化政策工具配置、提升政策工具管理与使用效率提供了新的思路和经验证据。值得注意的是，黑土地保护政策工具的实施经历了从试点到全面的逐步展开过程，在推广应用中又受到诸多因素的综合影响，因此在实践中具有时空二维属性。本文未能在长时间序列内展开充分研究，诸多问题有待进一步探讨。后续研究可以从长时序纵向对比、大样本横向对比、机制指标选取等方面进行补充。总的来看，现有关于黑土地保护政策工具的研究仍不够充分，有待不同学科视角的进一步关注。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
葛鹏飞, 王颂吉, 黄秀路. 中国农业绿色全要素生产率测算[J]. 中国人口·资源与环境, 2018, 28(5):66-74.

[2]
李翠霞, 许佳彬, 王洋. 农业绿色生产社会化服务能提高农业绿色生产率吗[J]. 农业技术经济, 2021(9):36-49.

[3]
苏浩, 吴次芳. 东北黑土区耕地系统健康诊断及其演化特征——以克山县为例[J]. 经济地理, 2023, 43(6):166-175.

DOI

[4]
韩晓增, 邹文秀, 杨帆. 东北黑土地保护利用取得的主要成绩、面临挑战与对策建议[J]. 中国科学院院刊, 2021, 36(10):1194-1202.

[5]
李政宏, 吕晓, 杨伊涵, 等. 中国黑土地保护政策演进过程与特征的量化考察[J]. 土壤通报, 2022, 53(4):998-1008.

[6]
余萍, 刘纪显. 碳交易市场规模的绿色和经济增长效应研究[J]. 中国软科学, 2020(4):46-55.

[7]
史丹, 孙光林. 数字经济、产业融合的绿色效应分析[J]. 福建论坛:人文社会科学版, 2023(4):67-82.

[8]
程永生, 张德元, 汪侠. 农业社会化服务的绿色发展效应——基于农户视角[J]. 资源科学, 2022, 44(9):1848-1864.

DOI

[9]
范翔宇, 匡兵, 卢新海. 长株潭地区重金属污染耕地治理的绿色发展效应[J]. 长江流域资源与环境, 2021, 30(9):2277-2286.

[10]
李然嫣, 陈印军. 东北典型黑土区农户耕地保护利用行为研究——基于黑龙江省绥化市农户调查的实证分析[J]. 农业技术经济, 2017(11):80-91.

[11]
林国栋, 吕晓, 彭文龙, 等. 黑土地保护的实践逻辑及其关键机制分析——基于典型试点区域的多案例分析[J]. 自然资源学报, 2023, 38(10):2523-2535.

DOI

[12]
王天一, 黄善林, 李冬梅. 资源禀赋对农户黑土地保护行为的影响研究[J]. 中国农业资源与区划, 2023, 44(7):19-28.

[13]
王超, 王守臣. 黑土地保护法治化研究——以吉林省黑土地保护实践为例[J]. 农业经济问题, 2018(10):38-45.

[14]
姚东恒, 裴久渤, 汪景宽. 东北典型黑土区耕地质量时空变化研究[J]. 中国生态农业学报, 2020, 28(1):104-114.

[15]
张佳宝, 孙波, 朱教君, 等. 黑土地保护利用与山水林田湖草沙系统的协调及生态屏障建设战略[J]. 中国科学院院刊, 2021, 36(10):1155-1164.

[16]
韩晓增, 邹文秀. 我国东北黑土地保护与肥力提升的成效与建议[J]. 中国科学院院刊, 2018, 33(2):206-212.

[17]
费红梅, 孙铭韩, 王立. 农户黑土地保护性耕作行为决策:价值感知抑或政策驱动?[J]. 自然资源学报, 2022, 37(9):2218-2230.

DOI

[18]
Tang Z, Song W, Zou J. Farmland protection and fertilization intensity:Empirical evidence from preservation policy of Heilongjiang's black soil[J]. Journal of Environmental Management, 2024,356:120629.

[19]
Batáry P, Dicks L V, Kleijn D, et al. The role of agri‐environment schemes in conservation and environmental management[J]. Conservation Biology, 2015, 29(4):1006-1016.

DOI PMID

[20]
Wang L, Qi S, Gao W, et al. Eight-year tillage in black soil,effects on soil aggregates,and carbon and nitrogen stock[J]. Scientific Reports, 2023, 13(1):8332.

[21]
金绍荣, 任赞杰. 乡村数字化对农业绿色全要素生产率的影响[J]. 改革, 2022(12):102-118.

[22]
金绍荣, 王佩佩. 人口老龄化、农地流转与农业绿色全要素生产率[J]. 宏观经济研究, 2023(1):101-117.

[23]
叶初升, 惠利. 农业财政支出对中国农业绿色生产率的影响[J]. 武汉大学学报:哲学社会科学版, 2016, 69(3):48-55.

[24]
金芳, 金荣学. 农业产业结构变迁对绿色全要素生产率增长的空间效应分析[J]. 华中农业大学学报:社会科学版, 2020(1):124-134,168-169.

[25]
杨芷晴. 教育如何影响农业绿色生产率——基于我国农村不同教育形式的实证分析[J]. 中国软科学, 2019(8):52-65.

[26]
赵明亮, 刘芳毅, 王欢, 等. FDI、 环境规制与黄河流域城市绿色全要素生产率[J]. 经济地理, 2020, 40(4):38-47.

DOI

[27]
刘丽, 褚力其, 姜志德. 技术认知、风险感知对黄土高原农户水土保持耕作技术采用意愿的影响及代际差异[J]. 资源科学, 2020, 42(4):763-775.

DOI

[28]
Rothwell R, Zegveld W. An assessment of government innovation policies[J]. Review of Policy Research, 1984, 3(3):436-444.

[29]
Jordan A, Wurzel R K W, Zito A. The rise of ‘new’ policy instruments in comparative perspective:Has governance eclipsed government?[J]. Political Studies, 2005, 53(3):477-496.

[30]
Barbera A J, McConnell V D. The impact of environmental regulations on industry productivity:Direct and indirect effects[J]. Journal of Environmental Economics and Management, 1990, 18(1):50-65.

[31]
Porter M E, Linde C. Toward a new conception of the environment-competitiveness relationship[J]. Journal of Economic Perspectives, 1995, 9(4):97-118.

[32]
Fernandes C I, Veiga P M, Ferreira J J M, et al. Green growth versus economic growth:Do sustainable technology transfer and innovations lead to an imperfect choice?[J]. Business Strategy and the Environment, 2021, 30(4):2021-2037.

[33]
[德] 马克思·韦伯. 经济与社会(第二卷)[M]. 林荣远,译. 北京: 商务印书馆, 1997.

[34]
Anzolin G, Lebdioui A. Three dimensions of green industrial policy in the context of climate change and sustainable development[J]. The European Journal of Development Research, 2021, 33(2):371-405.

[35]
White H. A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity[J]. Econometrica, 1980, 48(4):817-838.

[36]
盖兆雪, 孙萍, 张景奇. 环境约束下的粮食主产区耕地利用效率时空演变特征[J]. 经济地理, 2017, 37(12):163-171.

[37]
钱学锋, 熊平. 中国出口增长的二元边际及其因素决定[J]. 经济研究, 2010, 45(1):65-79.

Options
文章导航

/

〈 〉