EN中文

经济地理 >

2019 , Vol. 39 >Issue 9: 207 - 212

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.09.025

三农、土地与生态

中国粮食生产效率测度及其空间溢出效应

  • 伍国勇 , 1, 2 ,
  • 张启楠 3 ,
  • 张凡凡 , 4, ※
展开
  • 1.贵州大学 经济学院，中国贵州 贵阳 550025
  • 2.贵州大学 中国喀斯特地区乡村振兴研究院，中国贵州 贵阳 550025
  • 3.中南林业科技大学 经济学院，中国湖南 长沙 410004
  • 4.哈尔滨工业大学 经济与管理学院，中国黑龙江 哈尔滨 150001
※张凡凡（1992—），女，山西太原人，博士研究生。主要研究方向为农业经济理论与政策。E-mail：。

伍国勇（1979—），男，贵州织金人，博士，教授，博士生导师。主要研究方向为农业农村发展、生态经济。E-mail：。

收稿日期: 2019-03-17

  修回日期: 2019-07-19

  网络出版日期: 2025-04-17

基金资助

贵州大学项目(GDZT201703)

重大特色学科项目(GDZT201306)

贵州大学国内一流学科建设项目(GNYL[2017]002)

收起

Research on Grain Production Efficiency and Its Spatial Spillover Effects In China

  • WU Guoyong , 1, 2 ,
  • ZHANG Qinan 3 ,
  • ZHANG Fanfan , 4, ※
Expand
  • 1. School of Economics，Guizhou University，Guiyang 550025，Guizhou，China
  • 2. Rural Revitalization Research Institute in Karst Region of China，Guizhou University，Guiyang 550025，Guizhou，China
  • 3. School of Economics，Central South University of Forestry and Technology，Changsha 410004，Hunan，China
  • 4. School of Economics and Management，Harbin Institute of Technology，Harbin 150001，Heilongjiang，China

Received date: 2019-03-17

  Revised date: 2019-07-19

  Online published: 2025-04-17

Fold

摘要

以中国大陆31个省（直辖市、自治区）为研究单元，运用数据包络法（DEA）测算2006—2017年的粮食生产效率，同时借助空间计量模型揭示其溢出效应。结果表明：中国粮食生产效率整体偏低，且东部沿海地区普遍呈现出效率调减趋势，主要由纯技术效率和规模效率偏低所致；粮食生产效率空间集聚效应显著，但相邻省份的空间正相关关系有减弱趋势，而负相关关系有进一步增强趋势，具体表现为邻近省份的粮食生产效率提升对该省的粮食生产形成空间挤出。

关键词： 粮食安全; 数据包络法（DEA）; 粮食生产效率; 空间溢出效应

本文引用格式

伍国勇 , 张启楠 , 张凡凡 . 中国粮食生产效率测度及其空间溢出效应[J]. 经济地理, 2019 , 39(9) : 207 -212 . DOI: 10.15957/j.cnki.jjdl.2019.09.025

Abstract

Taking 31 provinces (municipalities and autonomous regions) as research units, the data envelopment method (DEA) was used to measure the grain production efficiency in 2006-2017, and the spillover effect was revealed by means of spatial econometric model. The results show that the overall efficiency of grain production in China is low, and the eastern coastal areas generally show a trend of efficiency reduction, mainly caused by pure technical efficiency and low scale efficiency; the spatial agglomeration effect of grain production efficiency is significant, but the space of adjacent provinces The positive correlation has a weakening trend, while the negative correlation has a further strengthening trend, which is reflected in the fact that the grain production efficiency of the neighboring provinces has formed a space for the province's grain production.

Key words： food security; Data Envelopment Analysis(DEA); grain production efficiency; spatial spillover effect

自新中国成立以来，粮食安全一直是关系社会稳定、国民经济健康发展以及国家食物安全的战略性问题。党的十九大报告指出，要始终确保国家粮食安全，把中国人的饭碗牢牢端在自己手中[1]。但联合国发布的《2019年全球粮食危机报告》显示，至2018年，全球仍有53个国家的1.13亿人口处于重度饥饿状态，其中，气候变化、地区冲突以及经济衰退是引发粮食安全问题的主要原因[2]。就中国而言，截至2017年，粮食、谷物自给率已分别下降为82.3%和95%，低于90%的国际安全标准，大约17.7%的粮食需求需要通过国际市场来满足，粮食安全面临巨大挑战。与此同时，在日趋严峻的粮食安全生产形势下，提升地力、挖掘耕地潜力、增加农业生产要素投入已被证实难以持续。而粮食生产效率作为衡量粮食单位投入—产出变量关系的关键指标，其对粮食生产的贡献越来越得到实证检验。在统筹城乡发展，实施乡村振兴战略的过程中，实现稳步提升粮食产量，维护国家粮食安全战略，就必须对原有依靠投入的粮食生产方式进行转变与调整，转变到依靠提升农业生产效率，实现粮食生产率水平的路径上来[3-4]。因此，科学、客观研究中国粮食生产效率的变化，保持对中国粮食生产形势的清醒认识并对其现状进行客观评价，分析其存在问题和制约因素，由此提出提升中国粮食生产效率的路径，具有典型的现实意义，并对丰富完善粮食安全理论具有重要的理论价值。
粮食生产效率一直是学术界关注的热点和焦点，纵观基于粮食生产效率视角的诸多研究，基本囊括了全域国土空间、省域、县域以及不同流域区间，并主要借助DEA、SFA方法进行测算。其中，DEA方法在本质上属于纯数学范畴，无需预设特定的指标模型，一定程度上规避了模型构建中主观因素的影响，提高了测算精度，推广应用相对更为广泛，通常运用于运筹学分析和研究经济生产边界，一般被用于评价衡量决策部门的生产效率运行状况，主要依托数据驱动分析[5]。张利国等运用数据包络分析法，结合Malmquist指数分析中国2001—2012年粮食主产区的粮食全要素生产率时空演变状况及其驱动因素[6]。肖红波等运用类似的方法分析中国粮食生产总量增长的动力及粮食生产过程中出现的问题和原因[7]。马林静等则运用该计量分析方法对中国粮食主产区、粮食主销区和粮食平衡区的粮食生产技术效率分别进行评测，并对动态技术效率指数出现的时空差异展开分析[8]。薛龙等基于超效率的DEA-Tobit两阶段法工具研究中国河南2000—2010年18市的粮食生产效率状况，并就此指出提升效率的最优调整办法[9]。但由于我国幅员辽阔，各地区的粮食生产条件差异明显，在粮食生产效率的研究中忽略空间效应显然会造成研究结果的偏误，因此，越来越多的学者开始关注各区域之间粮食生产的互动联系，而不再把它们看成是相互独立的个体。高鸣等采用数据包络分析法结合Moran's I-Theil指数，利用中国1978—2012年的省份面板数据研究各省（市、区）的粮食生产技术效率水平，发现农业科技进步有利于提升粮食生产的技术效率状况，并且表现为空间的自相关关系，并进一步分析了形成这种空间相关关系的驱动因素[10]；杨丽霞借助ESDA和GWR模型对我国粮食单产的空间异质性进行研究，结果表明粮食单产存在显著的空间集聚效应，但HH集聚区的范围呈现急剧缩小状态，而LL类型的省市数量不断增加[11]；杨春通过对我国2 400多个县进行实证分析发现相邻县粮食生产之间存在明显的空间依赖性[12]。可以看出，大部分学者主要关注粮食生产是否存在空间相关性及空间相关性溢出的影响因素等，对空间相关性溢出是正效应、负效应或效应高低较少关注。因此，本文将在已有研究成果基础上对其作进一步深入研究。

1 数据来源与研究方法

1.1 数据来源及其变量选取

以2006—2017年全国31个省（直辖市、自治区）（未包括港澳台）的面板数据为基础展开研究，借鉴已有研究成果，考虑评价分析指标的可得性、分析数据的可行性、效率影响因素的重要性标准，筛选出的粮食产出变量为粮食生产产量；粮食生产投入变量主要包括化肥使用量、农机动力总量、耕种粮食面积、农业生产人力、耗水量等评价指标，展开粮食生产技术效率的测度[13]。同时，为了进一步探讨其空间溢出效应，本文选取粮食生产效率作为核心解释变量，农村居民人均工资性纯收入、农业固定资产投资、农村居民家庭经营耕地面积、第一产业增加值指数等作为控制变量，粮食单产作为被解释变量来测度邻省的粮食生产效率提高对本省粮食生产的影响，各变量的描述性统计见表1。研究数据根据2018年《中国农村统计年鉴》和《中国统计年鉴》筛选，并对符合研究需要的数据按照年度顺序进行Excel统计化处理。
表1 粮食生产效率空间溢出效应评价体系

Tab.1 Evaluation system of spatial spillover effect in grain production efficiency

变量 均值 标准差 最大值 最小值
被解释变量 粮食单位面积产量 0.51 0.10 0.75 0.75
核心解释变量 粮食生产效率 0.79 0.13 1.00 1.00
控制变量 农村居民人均工资性纯收入 4 796.31 4 493.48 26 027.79 26 027.79
农业固定资产投资 399.05 424.97 2 675.94 2 675.94
农村居民家庭经营耕地面积 2.60 3.00 17.36 17.36
第一产业增加值指数 104.12 2.48 109.50 109.50

1.2 研究方法

1.2.1 数据包络分析法

数据包络分析法（Data Envelopment Analysis，DEA），最早由美国运筹学专家A.Charnes和W.W.Cooper于1987年提出[14]，主要用于测度决策单元（DMU）在面临多种投入，形成多种产出情形下的相对有效性水平。可以考虑假定产业一定的条件下如何实现投入最低和假定投入一定的条件下如何实现产出最大两个视角展开研究，并根据分析结果提出提升效率的最佳路径。倘若有 i i = 1,2 , 3 , ⋯ , k个DMU，并且每个DMU有 r项投入要素 x i 1 , x i 2 , ⋯ , x i r， s项生产产出 y i 1 , y i 2 , ⋯ , y i s，并且 x i 0 , y i 0，选择生产产出导向，并且规模报酬可变动的计量分析模型测度生产效率值，计量分析模型如下：
m i n θ - ε e 1 T S - + e 2 T S +
s . t . ∑ i = 1 k λ i x i + s - = θ X 0 ∑ i = 1 k λ i y i - s + = Y 0 ∑ i = 1 k λ i = 1 λ i ≥ 0 , i = 1,2 , ⋯ , k s + ≥ 0 , s - ≥ 0
式中： θ指代DMU的技术效率状况； ε指代非阿基米德无穷小量参数值； s +、 s -指代研究中的松弛变量，也就是生产要素投入水平的冗余状况； x i 、 y i分别指代第 i个DMU的投入量、DMU的产出量， λ i指代DMU的权重。当 θ = 1，并且满足 s + = 0 , s - = 0时，指代DMU的DEA有效；倘若 θ = 1并且 s + , s -取值不全是0的时候，那么，DMU的DEA弱有效；当 0 θ 1时，指代DMU出现效率低下状况引发资源利用浪费，需要适时改进冗余状况[15]。

1.2.2 空间杜宾模型

空间杜宾模型（Spatial Durbin Model，SDM），地理学第一定律表明不同地区的经济事物之间存在着广泛的联系，忽略这种联系而假设各地区相互独立存在将导致结果的偏差[16]，因此，从空间视角进行研究将有助于更全面地认识事物。构建空间分析权重矩阵是展开空间研究的基础和前提，为确保研究结论的稳健性，本文同时把空间分析中的空间地理距离研究权重矩阵 W g和经济距离权重矩阵 W e纳入研究框架，其中， W g = 1 d 2， d 2指代距离球面的平方， W e = W g × E，权重分析矩阵 E主对角线上的所有分析元素均为0，非主对角线中的所有分析元素为 E i j = 1 Y i ¯ - Y j ¯ ( i ≠ j )， Y i ¯表示样本期间地区 i的人均实际GDP的平均值， Y j ¯表示样本期间地区 j的人均实际GDP的平均值。
在使用空间计量分析时，有必要检验是否存在空间依赖性[17]，常用的测度指标是全局莫兰指数（Global Moran's I），计算公式为：
I = ∑ i = 1 n ∑ j = 1 n W i j x i - x - x j - x - s 2 ∑ i = 1 n ∑ j = 1 n W i j
式中： W i j指代空间分析权重矩阵； n指代空间分析权重矩阵的研究对象数量； x指代研究观测值； S 2指代分析样本方差。Moran's I指数取值范围为（-1，1）， I 0指代空间分析矩阵自相关关系为正，研究对象表现出聚合分布的态势； I 0指代空间分析矩阵自相关关系为负，研究对象表现出离散分布的态势； I = 0指代研究对象表现出随机分布的态势，不存在空间相关关系，且 I值越大表示空间相关性越强[18⇓⇓-21]。全局莫兰指数假定空间是同质的，并从宏观上揭示了研究对象的空间依赖程度，但在现实生活中，空间相关存在异质性，因此，需要结合局部莫兰指数观测具体的地区分布状况，其实质是将全局莫兰指数分解到各个单元，具体模型如下：
I i = Z i ∑ i = 1 n W i j Z j
式中： Z i = X i - X -， Z j = X j - X -， X为观测值； W i j为空间权重矩阵。
通过空间相关性检验后即可进行空间回归分析，考虑到被解释变量和解释变量都存在空间相关性，本文将通过构建空间杜宾模型进行实证分析，具体模型设定如下：
p r o d u c t i t = δ ∑ j = 1 n w i j p r o d u c t j t + χ ∑ j = 1 n w i j t e j t + γ ∑ j = 1 n w i j k j t + β t e i t + α k i t + ε i t
式中： i和 t分别表示省份和时间； w i j为空间权重矩阵； δ ∑ j = 1 n w i j p r o d u c t j t表示 j省的被解释变量对 i省粮食生产的影响； δ为影响程度的大小； χ ∑ j = 1 n w i j t e j t表示 j省的粮食生产效率对 i省粮食生产的影响； χ为影响程度的大小； γ ∑ j = 1 n w i j k j t表示 j省的控制变量对 i省粮食生产的影响； γ为影响程度的大小； k i t表示控制变量； β为技术效率的估计系数； α为控制变量的估计系数； ε i t为残差项。

2 实证分析

2.1 粮食生产效率的测算分析

基于产出导向视角测算2006—2017年中国各省域粮食生产效率（表2），为了动态监测其空间演化过程，将整个研究期划分为2006—2011、2012—2017年两个时段，并以基期效率值及其涨幅为核算指标，利用粮食生产效率与地理空间位置的耦合关系将全域国土空间范围的粮食生产状况划分为三种空间类型（表3）。
表2 中国粮食生产效率值测算

Tab.2 Estimation of the efficiency of grain production in China

省份 2006—2011年 2012—2017年
ITE PTE SE RS ITE PTE SE RS
北京 0.755 1.000 0.755 + 0.809 0.896 0.903 +
天津 0.743 0.756 0.982 - 0.691 0.732 0.943 +
河北 0.681 0.760 0.896 - 0.710 0.801 0.887 -
山西 0.562 0.563 0.997 + 0.607 0.625 0.972 +
内蒙古 0.704 0.705 0.999 - 0.728 0.728 1.000 +/-
辽宁 0.900 0.903 0.997 - 0.888 0.889 0.998 +
吉林 1.000 1.000 1.000 +/- 1.000 1.000 1.000 +/-
黑龙江 1.000 1.000 1.000 +/- 1.000 1.000 1.000 +/-
上海 1.000 1.000 1.000 +/- 0.900 1.000 0.900 +
江苏 0.924 0.986 0.937 - 0.872 0.923 0.944 -
浙江 0.923 0.950 0.971 - 0.848 0.858 0.989 +
安徽 0.684 0.779 0.877 - 0.685 0.791 0.866 -
福建 0.786 0.798 0.985 - 0.757 0.766 0.988 +
江西 0.829 0.831 0.998 - 0.853 0.853 0.999 +/-
山东 0.895 1.000 0.895 - 0.864 1.000 0.864 -
河南 0.834 1.000 0.834 - 0.779 1.000 0.779 -
湖北 0.830 0.836 0.993 - 0.806 0.806 1.000 +/-
湖南 0.898 0.922 0.974 - 0.845 0.865 0.977 -
广东 0.777 0.782 0.994 - 0.758 0.761 0.997 +
广西 0.705 0.708 0.996 - 0.667 0.669 0.998 +
海南 0.662 1.000 0.662 + 0.627 0.835 0.751 +
重庆 0.781 0.849 0.920 + 0.897 1.000 0.897 +
四川 0.703 0.887 0.793 - 0.763 0.828 0.922 -
贵州 0.844 0.899 0.939 + 0.591 0.615 0.960 +
云南 0.583 0.585 0.996 + 0.577 0.581 0.993 +
西藏 1.000 1.000 1.000 +/- 0.960 1.000 0.960 +
陕西 0.524 0.525 0.999 - 0.549 0.559 0.981 +
甘肃 0.545 0.546 0.998 - 0.642 0.643 0.999 +
青海 0.664 0.803 0.827 + 0.588 0.719 0.818 +
宁夏 0.629 0.635 0.990 + 0.624 0.637 0.981 +
新疆 0.891 0.916 0.972 - 0.824 0.828 0.995 +
均值 0.782 0.836 0.941 0.765 0.813 0.944

注：ITE、PTE分别指代综合技术效率与纯技术效率，SE、RS分别指代为规模效率与规模报酬，+/-，+，-分别表示规模报酬不变、规模报酬递增和规模报酬递减。

表3 粮食生产效率空间演变趋势

Tab.3 Spatial evolution trend of grain production efficiency

空间类型 2006—2017年
效率调增区 内蒙古、山西、陕西、甘肃、四川、北京、河北、重庆、安徽、江西
效率调减区 辽宁、山东、江苏、上海、浙江、福建、广东、海南、新疆、西藏、青海、云南、贵州、广西、宁夏、天津、河南、湖北、湖南
效率稳定区 黑龙江、吉林
可以看到，我国粮食生产总体效率水平不高，效率均值在两个研究时段分别为0.782、0.765，超过一半的省域粮食生产综合技术效率值呈现下降趋势，且主要由纯技术效率和规模效率偏低所致，其中，纯技术效率损失主要与农业要素流失有关，比较收益偏低容易使生产要素流入非农领域，进而通过要素转移对粮食生产形成空间挤出；规模效率引致的低效状态则在很大程度上与我国人均耕地偏紧、以家庭为核心的分散经营有关。同时，通过各省域效率空间演化过程可以发现，东部沿海地区当前正处于效率调减阶段，辽宁、山东、江苏、上海、浙江、福建、广东、海南等省域都属于该演化类型，这在很大程度上与东部沿海省域的快速城镇化有关，机会成本的提高对农业生产形成了一定的空间挤出，且随着产粮重心的不断转移呈现出北上西进的空间架构，打破了东部为主的传统布局，有进一步向华北以及陕西、甘肃等西北省域集聚的趋势。新疆、西藏、青海、云南、贵州、广西、宁夏等省域的效率水平提升在很大程度上受制于相对落后的经济、技术水平以及脆弱的生态地理环境，其效率水平呈现出调减趋势，与此同时，河南、湖北、湖南等粮食主产区也存在一定的效率亏损，需要引起相关部门的重视。以内蒙古、山西、陕西、甘肃、四川为代表的省域则基于丰富的资源储备、农业基础设施的不断完善以及地膜技术的推广应用，成为当前粮食生产的效率调增潜力地带，北京、河北、重庆等技术水平先进省域以及安徽、江西等传统产粮大省，其效率水平也处于不断增长阶段；黑龙江、吉林作为传统的产粮大省，其在粮食生产方面实现了DEA有效，效率水平相对稳定，对全国粮食生产具有示范性作用，这主要得益于良好的农业生产基础。

2.2 粮食生产效率的空间溢出效应研究

粮食生产不仅取决于本地区自身的生产情况，同时也会受到来自其他地区粮食生产的影响，在计算得出我国粮食生产效率的基础上，本文将通过构建空间杜宾模型进一步研究粮食生产效率的空间溢出效应。

2.2.1 空间自相关检验

作为空间分析的基础，首先通过全局Moran指数和局部Moran散点图（图略）进行空间自相关检验。考虑到在短时间内技术变迁不明显，粮食生产效率差异不显著，本文将以每两年的粮食生产效率平均值表示一定时期内的效率水平进行相关性检验[22]（表4）。表4中，各年份的Moran's I值均大于0，且P值都小于0.05，说明我国各省份的粮食生产效率具有显著的空间正相关关系，进一步证明了在实证过程中考虑粮食生产效率的空间相关性是必要的，从宏观上验证了空间相关性的存在。
表4 2006—2017年粮食生产效率全局空间自相关检验

Tab.4 Spatial autocorrelation test of grain production efficiency between 2006 and 2017

年份 2006—2007 2008—2009 2010—2011 2012—2013 2014—2015 2016—2017
Moran's I值 0.229 0.250 0.231 0.209 0.184 0.315
P值 0.004 0.002 0.004 0.008 0.017 0.000
为了观测空间相关关系的变化趋势，表5分别给出了两个时段各省份Moran's I分布情况，其中第一象限代表自身效率水平较高的地区被周边的效率高值地区包围，从而形成HH聚集区；第二象限代表自身效率水平较低的地区被周边的效率高值地区包围，从而形成LH聚集区；第三象限代表自身效率水平较低的地区被周边的效率低值地区包围，从而形成LL聚集区；第四象限代表自身效率水平较高的地区被周边效率低值地区包围[23]，从而形成HL聚集区，位于第一象限和第三象限则表示观测值与其相关地区存在正相关关系，位于第二象限和第四象限则表示观测值与其相关地区存在负相关关系[24]。通过将两个时期的局域分布状况对比可发现，第一、三象限的地区总数略有减少，且都向第四象限转移，也就是说相邻省份的正相关关系有减少趋势，而负相关关系有进一步增强趋势，表明目前在粮食生产技术交流上存在较大的问题。
表5 粮食生产效率局部空间自相关检验

Tab.5 Local spatial autocorrelation test of grain production efficiency

象限 2006—2007年 2016—2017年
第一象限 黑龙江、吉林、辽宁、浙江、上海、江西、湖北、湖南、江苏 黑龙江、吉林、辽宁、浙江、上海、江西、江苏、湖北、湖南
第二象限 安徽、福建、四川 安徽、福建、天津
第三象限 北京、天津、广东、河北、贵州、内蒙古、山西、海南、广西、云南、陕西、甘肃、宁夏、青海 广东、河北、贵州、内蒙古、山西、海南、广西、云南、云南、陕西、甘肃、宁夏、青海
第四象限 山东、河南、新疆、重庆、西藏 山东、河南、新疆、重庆、西藏、北京、四川

2.2.2 空间杜宾模型回归分析

根据Hausman检验结果，应采用固定效应对空间杜宾模型进行估计，为了保证结果的稳健性，本文同时报告了地理距离矩阵和经济距离矩阵下的估计结果（表6）。
表6 空间杜宾模型估计结果

Tab.6 Estimation results of spatial Tobit model

变量 经济距离矩阵 球面距离矩阵
粮食生产效率 0.446***（22.79） 0.426***（22.43）
农村居民人均工资性纯收入 0.011***（3.19） 0.015***（4.29）
农业固定资产投资 0.001（1.49） 0.001*（1.88）
农村居民家庭经营耕地面积 0.012***（8.78） 0.013***（9.46）
第一产业增加值指数 0.988**（2.13） 1.108**（2.36）
粮食生产效率空间滞后项 -0.493***（-13.92） -0.482***（-16.38）
R-sq 0.792 0.789
Log-L 944.68 943.59

注：***、**、*分别表示在1%、5%、10%的水平上显著。

可以看到，两种空间权重矩阵下估计结果基本一致，且经济距离矩阵的引入提高了模型的解释能力，R2从0.789变成了0.792。其中，核心解释变量粮食生产效率的回归系数显著为正，说明粮食生产效率提升对本省域的粮食生产具有明显的带动作用，且相对于其他变量而言，粮食生产效率的影响程度最大，而粮食生产效率空间滞后项的回归系数在两种空间权重矩阵下分别为-0.493和-0.482，且都在1%的水平上通过显著性检验，也就是说，邻省的粮食生产效率提升不利于本省的粮食生产，这与以往有关粮食生产效率溢出效应的研究有所不同，可能的原因是：一方面，邻省的粮食生产效率提升有利于提高当地的种粮效益，增强其市场竞争力，从而对本省的粮食生产要素市场和成品市场造成双重冲击，不利于本省的粮食生产；另一方面，邻近省份由于其在地理距离上的优势极易使高效率省份的先进农业技术向低效率省份传播，从而带动低效率省份的效率提升，但“GDP锦标赛”为地方政府提供了科技封锁激励，加上农业技术受到农民自身模仿和接受能力的限制，从而使粮食生产效率的正向溢出大打折扣，最终表现为邻近省份粮食生产效率的空间挤出。对于其他控制变量而言，农村居民工资性收入的增加一定程度上暗示了农村劳动力的转移，能够有效促进规模效率的形成，短期内有助于粮食生产效率的提高。固定资产投资仍然是当前粮食生产效率提升的重要驱动力，但基于其在研究期内并未得到根本性改善，在产粮效率提升方面的作用效果欠佳。农业增收指数的提高能够有效弥补比较利益偏低带来的阻滞效应，对纯技术效率的提升具有积极影响，提高其利润空间、增强产业吸引力，对粮食生产具有重要意义。

3 结论与讨论

3.1 结论

我国粮食生产效率整体偏低，且东部沿海地区普遍呈现出效率调减趋势，主要由纯技术效率和规模效率偏低所致；粮食生产效率空间集聚效应显著，但相邻省份的空间正相关关系有减弱趋势，而负相关关系有进一步增强趋势，具体表现为邻近省份的粮食生产效率提升对本省的粮食生产形成空间挤出。

3.2 讨论

就区域自身粮食生产而言，鉴于我国粮食生产效率整体偏低，要加大农业供给侧结构性改革的力度，改变粮食生产过程中的要素投入状况，重点是优化粮食生产投入结构和粮食生产产出结构，促进现代农业生产技术的使用和转化，发挥农业科技的重要作用，因地制宜，充分考虑所在地域的自然、资源禀赋状况，鼓励农村土地流转或者推广农业生产社会化服务，实现粮食生产的规模化、集约化；其次，东部沿海地区发展经济的过程中，要妥善处理三大产业发展之间的关系，尤其是要充分认识农业生产促进经济发展的基础性作用，妥善处理好农业发展与非农产业发展的合理关系[25]，在保证粮食安全的基础上实现经济的快速发展，对主要粮食生产县要给予更多的科技、物质投入以及政策扶持，实施创新驱动战略，提高粮农的产粮积极性，加快粮食生产效率的提升。同时，要发挥主观能动性，提高二三产业比重，改善经济增长结构，积极建立经济发展与粮食生产的协作关系，实现粮食生产与经济发展的双赢。
中央政府应加大对农业技术的投入和支持力度，从而规避地方政府出于竞争加大科技封锁导致的技术正向溢出不明显，同时应从顶层设计入手，从国家层面构建跨省的省域及省（区、市）内部的区域合作机制，大幅度减少机会成本，促进信息流、资金流、物流的流通，加快农业技术的推广、应用和转化，显著缩短地域之间的发展差距，实现统筹区域协调发展。此外，中央政府应重点扶持粮食生产效率低于周边地区的省份，破解因效率低下、竞争能力不足引发的粮食生产能力下降现象。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
习近平. 决胜全面建成小康社会夺取新时代中国特色社会主义伟大胜利:在中国共产党第十九次全国代表大会上的报告[M]. 北京: 人民出版社, 2017.

[2]
驻非盟使团经济商务处. 联合国发布《2019年全球粮食危机报告》[EB/OL]. http://www.mofcom.gov.cn/article/i/jyjl/k/201904/20190402852266.shtml,2019-09-01

[3]
刘大千, 刘世薇, 温鑫. 东北地区粮食生产结构时空演变[J]. 经济地理, 2019, 39(5):163-170.

DOI

[4]
杨锦英, 韩晓娜, 方行明. 中国粮食生产效率实证研究[J]. 经济学动态, 2013(6):47-53.

[5]
杨皓天, 句芳. 基于DEA模型的内蒙古农村牧区粮食生产效率实证研究[J]. 干旱区资源与环境, 2015, 29(6):32-38.

[6]
张利国, 鲍丙飞, 潘丹. 鄱阳湖生态经济区粮食生产技术效率时空演变及环境协调性探究[J]. 经济地理, 2016, 36(11):116-123.

[7]
肖红波, 王济民. 新世纪以来我国粮食综合技术效率和全要素生产率分析[J]. 农业技术经济, 2012(1):36-46.

[8]
马林静, 王雅鹏, 吴娟. 中国粮食生产技术效率的空间非均衡与收敛性分析[J]. 农业技术经济, 2015(4):4-12.

[9]
薛龙, 刘旗. 河南省粮食生产综合技术效率和全要素生产率分析[J]. 河南农业大学学报, 2013, 47(3):345-350.

[10]
高鸣, 宋洪远. 粮食生产技术效率的空间收敛及功能区差异[J]. 管理世界, 2014(7):83-92.

[11]
杨丽霞, 杨桂山, 姚士谋, 等. 基于ESDA-GWR的粮食单产及其驱动因子的空间异质性研究[J]. 经济地理, 2012, 32(6):120-126.

[12]
杨春, 陆文聪. 基于空间计量经济模型的县域粮食生产区域格局研究[J]. 农业技术经济, 2010(5):24-29.

[13]
齐蘅, 吴玲. 我国粮食主产区粮食生产与收入水平的协调度分析[J]. 经济地理, 2017, 37(6):156-163.

[14]
陈振, 李佩华. 基于灰色Malmquist-DEA的中国粮食生产效率分析[J]. 数学的实践与认识, 2017, 47(15):155-162.

[15]
彭超. 我国农业补贴基本框架、政策绩效与动能转换方向[J]. 理论探索, 2017(3):18-25.

[16]
伍骏骞, 阮建青, 徐广彤. 经济集聚,经济距离与农民增收:直接影响与空间溢出效应[J]. 经济学(季刊), 2017, 16(1):297-320.

[17]
肖小勇, 李秋萍. 中国农业技术空间溢出效应:1986—2010[J]. 科学学研究, 2014, 32(6):873-881,889.

[18]
闵锐, 李谷成. “两型”视角下我国粮食生产技术效率的空间分异[J]. 经济地理, 2013, 33(3):144-149.

[19]
谢杰, 李鹏. 中国农业现代化进程直接影响因素与空间溢出效应[J]. 农业经济问题, 2015, 36(8):42-48,111.

[20]
王琛, 吴敬学, 钟鑫. 我国农业部门资本投入对粮食生产技术效率的影响研究[J]. 科技管理研究, 2015, 35(10):97-103.

[21]
杨皓天, 刘秀梅, 句芳. 粮食生产效率的随机前沿函数分析[J]. 干旱区资源与环境, 2016, 30(12):82-88.

[22]
胡逸文, 霍学喜. 农户禀赋对粮食生产技术效率的影响分析[J]. 经济经纬, 2016, 33(2):42-47.

[23]
伍骏骞, 方师乐, 李谷成, 等. 中国农业机械化发展水平对粮食产量的空间溢出效应分析[J]. 中国农村经济, 2017(6):44-57.

[24]
李俊鹏, 冯中朝, 吴清华. 粮食生产技术效率增长路径识别[J]. 华中农业大学学报:社会科学版, 2018(1):22-30,157.

[25]
冯静, 杨静, 姜会明. 吉林省粮食大县(市)粮食生产效率分析[J]. 吉林农业大学学报, 2015, 37(4):493-498.

Options
文章导航

/

〈 〉