EN中文

经济地理 >

2025 , Vol. 45 >Issue 6: 161 - 172

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.06.016

三农、土地与生态

农旅融合对农业绿色全要素生产率的影响——基于动态空间杜宾模型与门槛效应的检验

  • 王晶晶 , 1 ,
  • 周发明 2 ,
  • 刘忠秀 , 3, ※
展开
  • 1.湖南人文科技学院 商学院，中国湖南 娄底 417000
  • 2.湖南第一师范学院 商学院，中国湖南 长沙 410205
  • 3.临沂大学 土木工程与建筑学院，中国山东 临沂 276000
※ 刘忠秀（1979—），女，博士研究生，讲师，研究方向为区域经济与产业政策。E-mail:

王晶晶（1987—），女，博士，副教授，研究方向为乡村旅游。E-mail:

收稿日期: 2023-03-09

  修回日期: 2024-10-05

  网络出版日期: 2025-08-07

基金资助

国家社会科学基金项目(21BGL150)

湖南省自然科学基金项目(20241J72406)

湖南省应用特色学科“应用经济学”资助项目(湘教通〔2018〕469号)

湖南人文科技学院校级委托项目(2024WT07)

湖南省青年骨干教师培养项目

山东省重点研发计划（软科学）项目重点项目(2023RZB01001)

收起

Effects of the Integration of Agriculture and Tourism on the Green Total Factor Productivity of Agriculture: Based on Dynamic Spatial Durbin Model and Threshold Effect Test

  • WANG Jingjing , 1 ,
  • ZHOU Faming 2 ,
  • LIU Zhongxiu , 3, ※
Expand
  • 1. Business School，Hunan University of Humanities，Science and Technology，Loudi 417000，Hunan，China
  • 2. Business School，Hunan First Normal University，Changsha 410205，Hunan，China
  • 3. School of Civil Engineering and Architecture，Linyi University，Linyi 276000，Shandong，China

Received date: 2023-03-09

  Revised date: 2024-10-05

  Online published: 2025-08-07

Fold

摘要

农旅融合以良好的生态农业资源为基础，有助于促进农业技术进步、优化农业资源配置并推动农业产业结构升级，从而提升农业绿色全要素生产率，助推农业绿色发展。文章基于2008—2022年中国30个省份的面板数据，运用含非期望产出的Super-SBM模型测算农业绿色全要素生产率，借助熵值法、因子分析法和灰色关联度模型对农旅融合水平进行评估。在此基础上，使用空间杜宾模型和门槛效应模型检验农旅融合对农业绿色全要素生产率的影响。结果表明：①农业绿色全要素生产率（AGTFP）和农旅融合水平（ILAT）均具有较显著的空间集聚特征。鉴于AGTFP的动态持续特征，运用动态空间杜宾模型可较好地揭示二者的关系。②农旅融合对AGTFP有显著正向促进作用，且这一影响具有空间溢出性。在东部、中部、西部和东北四大区域中，中部地区的直接效应最强，东部地区的溢出效应最显著。③农旅融合对AGTFP的影响存在较为突出的阶段性和经济依赖性特征，体现出典型的非线性门槛效应。农旅融合对AGTFP的影响效应随着农旅融合水平的提升而呈现双重门槛特征。另外随着地区经济水平的提高，这一影响效应具有单一门槛特征。研究结果为促进农业与旅游业深度融合以提高AGTFP、推动农业绿色发展提供政策启示。

关键词： 农旅融合; 农业绿色全要素生产率; 溢出效应; 动态空间杜宾模型; 动态门槛效应模型

本文引用格式

王晶晶 , 周发明 , 刘忠秀 . 农旅融合对农业绿色全要素生产率的影响——基于动态空间杜宾模型与门槛效应的检验[J]. 经济地理, 2025 , 45(6) : 161 -172 . DOI: 10.15957/j.cnki.jjdl.2025.06.016

Abstract

Based on the good ecological agricultural resources, the integration of agriculture and tourism can promote the agricultural technological progress, optimize the agricultural resource allocation, and drive the upgrading of the agricultural industrial structure, thereby enhancing the green total factor productivity of agriculture and promoting the green development of agriculture. This article applies the Super-SBM model with non-desired outputs to calculate the green total factor productivity of agriculture in 30 provincial-level regions of China from 2008 to 2022. It evaluates the level of integration between agriculture and tourism by the means of the entropy method, the factor analysis method, and the grey relational degree model. Based on the above, it uses the spatial Durbin model and threshold effect model to test the impact of the integration of agriculture and tourism on the green total factor productivity of agriculture. The results show that: 1) Both the agricultural green total factor productivity (AGTFP) and the integration level between agriculture and tourism (ILAT) have significant spatial agglomeration characteristics. The dynamic spatial Durbin model can better reveal the relationship between the two. 2) The integration of agriculture and tourism has a significant positive promoting effect on AGTFP, and this impact has spatial spillover effects. It has the strongest direct effect in central region, and has the most significant spillover effect in eastern region. 3) The impact of the integration of agriculture and tourism on AGTFP has a relatively prominent stage and economic dependence, showing typical nonlinear threshold characteristics. The impact of the integration of agriculture and tourism on AGTFP presents a double threshold characteristic as the integration level between agriculture and tourism increases. Additionally, as the regional economic level improves, this impact shows a single threshold characteristic. The research results provide policy implications for promoting the deep integration of agriculture and tourism to enhance AGTFP and promote the green development of agriculture.

Key words： integration of agriculture and tourism; agricultural green total factor productivity; spillover effects; dynamic spatial Durbin model; dynamic threshold effect model

改革开放以来，中国农业发展成效显著。据统计，中国粮食总产量从2003年的43070万t增至2022年的68653万t，连续19年保持增长。然而在农业现代化过程中，化石能源的持续消耗、农药的过量使用、农业废弃物的不恰当处理等问题引发严重的环境污染。农业生产已成为中国环境污染的重要来源之一。如何有效促进农业绿色发展已成为深化农业供给侧结构性改革的关键所在。党的十八大报告提出要推进绿色发展，构建科学合理的农业发展格局，党的十九大报告强调要加强农业面源污染防治。新发展阶段，推动农业生产方式转型、实现农业绿色发展是保障国家粮食安全和促进经济社会稳定的必由之路[1]。
产业融合是促进农业生产方式转型的重要途径，受到了各级政府的高度重视。随着农村产业融合进程加快，与农业关联的新产业、新业态不断涌现，有力支撑农村产业发展及和美乡村建设，其中以农业与旅游业融合发展最为典型。农旅融合是特定农业与旅游业通过组织、技术、市场等内在联系，逐步实现产业边界突破的过程，也是产业拆解、整合和延伸的过程[2]。它通过促进先进农业技术应用、优化资源配置及形成生态循环模式等推动农业生产集约化转型，同时以市场需求倒逼农业绿色创新，有助于提高农业生产效率、降低环境污染，是提高农业绿色全要素生产率、促进农业绿色发展的有力途径。
农旅融合的迅速发展也引发了学界对其的广泛关注。针对农旅融合的研究重点围绕融合水平及时空格局、融合发展效应等方面展开。在融合水平测算方面，多从农业和旅游业的耦合协调度、关联程度等视角着手进行测算[3-4]。经测算并分析发现，中国农旅融合水平呈现出“从东部到西部逐步递减，从北方向南方逐步递增”的空间分布特征，这一特征至近年仍未发生明显变化，这一态势与地区产业发展基础、需求市场、服务体系等因素息息相关[5]。在融合发展效应方面，研究表明农旅融合在农业和旅游之间建立有效的联系，不仅带来了新的市场空间和消费需求，还促进了旅游和农产品质量的提升[6]，对农村经济增长与农民收入增加具有促进作用[7-8]。农旅融合通过拓展农户收入来源，为农户采用创新技术提供资金支持，使农民能够在不增加耕作频率或开垦新土地的情况下扩大生产，间接减少环境退化[9]。然而也有学者指出从农业中吸取劳动力也可能导致具有土地管理技能的农民流失，从而导致农业生态环境恶化[10]。因此，农旅融合到底能否通过提升农业绿色全要素生产率从而促进农业绿色发展还有待进一步验证。
农业绿色发展强调资源节约、环境友好与生态可持续。农业绿色全要素生产率（Agricultural Green Total Factor Productivity，AGTFP）将资源消耗、污染排放等非期望产出考虑在内，可综合衡量农业生产效率与绿色转型成效，因此常被用来量化评估农业绿色发展水平。针对AGTFP的研究，主要涉及测算模型及指标选取、测度实证及影响因素探讨等方面。在测算模型选取方面，DEA和SFA方法被广泛应用于AGTFP的测度。Emrouznejad等回顾了1978—2016年的文献，发现DEA方法在衡量农业生产效率方面具有较高的适用性[11]。为解决DEA模型在投入或产出指标非比例变化时的局限性，Tone提出了Slacks-Based Measurement （SBM）测度模型[12]。在考虑非期望产出时，学者们又纷纷构建了含非期望产出的ML指数和超效率SBM模型等[13-16]。在指标选取方面，学者们对资源与环境的约束性指标选择存在差异性，一种是将农业面源污染纳入分析框架，另外一种则是将农业碳排放纳入分析框架，这种差异性导致研究结论略有不同[17-18]。在测度实证方面，学者基于省域、县域等不同尺度空间对AGTFP进行了测算及对比，发现中国不同区域AGTFP存在一定差异[18-19]。在影响因素方面，经济发展水平、农业生产结构、农地经营规模和农业技术水平等被证实是影响AGTFP的重要因素[20-22]。
然而，鲜有研究考察农旅融合对AGTFP的影响，目前仅有罗明忠等探讨农村产业融合对不同污染性生产行为的影响，并论证了其环境效应[23]。农旅融合须以农业生态资源和农村环境为基础，同时也必然会对农业生产方式等产生影响，从而助推农业绿色全要素生产率提升。因此，本文借助实证分析工具考察农旅融合对农业绿色全要素生产率的影响效应及其特征，对于充分发挥农旅融合在推动农业绿色发展过程中的作用具有重要意义。

1 理论分析与研究假设

农旅融合不仅有助于农村经济发展，还可通过促进农业技术进步、优化资源配置、推动产业结构升级及促进农业多功能价值实现等途径提升AGTFP，这种影响主要体现在以下方面：①农旅融合能够推动农业技术进步。农旅融合不断发展促使农业休闲经营主体在空间上形成集聚态势，促进人员流动和技术外溢。旅游企业的先进知识、技术和管理经验会向相关或合作的经营主体溢出，从而有助于提升农业生产者的技术和管理水平[24]。此外，为充分发挥农旅融合过程中农业的旅游休闲功能，农业经营主体亦会主动引进先进的农业技术和管理模式，从而提高农业技术水平，继而降低农业污染物排放、增加农业有益产出，最终推动AGTFP提升。②农旅融合能够促进资源要素优化配置。在传统农业生产与经营模式下，农业生产要素配置效率相对较低。农旅融合形成的新业态可为农村劳动力提供非农就业和创业机会，可以吸引部分劳动力从传统的农业生产活动中分离出来，促进农业土地资源适度规模化、集约化经营，继而形成一定的规模效应。因此农旅融合有助于推动两个产业的人才、信息、资本、技术和管理等要素实现市场化流动和互动，从而促进生产要素优化配置，并推动AGTFP提升[25]。③农旅融合能够推动农业产业结构优化升级。农旅融合通过将传统农业与旅游业有机结合，在满足游客多元化需求的同时推动产业结构向绿色化、高附加值方向升级。具体而言，农旅融合通过延伸产业链条，将传统种植与加工、文旅服务业融合，形成“农业+旅游+科技”的复合业态，提高了资源利用效率[26]，从而提升AGTFP。④农旅融合能够促进实现农业多元价值。农旅融合通过整合农业资源与文旅要素，有助于实现农业的生产、生态、文化等多维价值。具体而言，其以科技创新为支撑，将传统农业延伸至加工、文旅服务等环节，形成“种植—体验—消费”的全产业链模式，有利于提高农产品附加值，从而有效增加农业产出、推动AGTFP提升（图1）。基于此，提出研究假设1。
图1 农旅融合对农业绿色全要素生产率的作用机理

Fig.1 Mechanism of the integration of agriculture and tourism on AGTFP

假设1：农旅融合对农业绿色全要素生产率提升具有积极影响。
研究发现，农旅融合具有较为显著的“知识溢出”与“技术溢出”效应[27]。基于地理邻近效应，跨区域农旅网络依托交通干线形成多层级“核心—枢纽”结构，中心城市通过游客流、信息流与技术流的空间传导，沿旅游廊道向周边农业腹地扩散绿色生产技术。另一方面，农业生产的季节性使得游客呈现季节性流动特征，有助于推动先进农业生产技术向周边地区传播。同时，基于区域资源禀赋匹配形成的技术协同创新网络以及农业休闲服务业者的跨区域流动，进一步降低了知识溢出的地理摩擦成本。这种空间互动过程同时体现为环境外部性的地理转移，即生态旅游示范区的环境治理经验通过游客体验外溢至关联区域，从而使得农旅融合提升AGTFP效应具有正向空间外部性。基于此，本文提出研究假设2。
假设2：农旅融合对农业绿色全要素生产率的影响具有空间溢出性。
由于农旅融合处于复杂社会经济系统中，农旅融合对AGTFP的影响必然受到自身发展条件与外界环境的制约。在农旅融合的早期，农业生态溢价并不高，农业生产大多以传统的生产方式进行[28]。在这一阶段，农业生产主要以提高农业生产效率为目标，很少主动减少化肥、农药等有害环境因素的投入。因此，低水平农旅融合对AGTFP的促进作用并不突出。随着融合程度加深，农旅融合模式将充分实现农业资源的生态溢价[25]。这将鼓励农业生产者重视农业的绿色可持续发展，他们便会采用更为绿色环保的生产方式以获得更可观的农业生态溢价。就外部因素而言，经济发展水平较高的地区农业旅游休闲市场需求较旺盛，基础设施和公共服务较为完善，农旅融合水平亦较高。同时，经济实力较强的地区实现农业绿色发展的阻力相对较小，而经济基础较薄弱的地区实现农业绿色发展的阻力相对较大[21]。由此可见，地区经济发展水平与农旅融合、农业绿色发展目标实现密切相关，因此农旅融合提升AGTFP的过程亦受到地区经济发展水平影响。
基于此，本文提出研究假设3。
假设3：农旅融合对农业绿色全要素生产率的影响受农旅融合水平与地区经济发展水平等因素制约，因此呈现一定的非线性特征。

2 模型构建与数据来源

2.1 变量选择

2.1.1 被解释变量

本文以农业绿色全要素生产率（AGTFP）为被解释变量。由于农业生产既有期望产出又有非期望产出，且投入产出间既有径向关系又有非径向关系，采用传统的DEA法无法有效测度。Super-SBM模型在多个决策单元效率值为1时，仍可继续解析效率大小，因此本文利用含非期望产出Super-SBM模型对AGTFP进行测度。在测算之前，需先确定投入指标、期望产出指标和非期望产出指标。由于农林牧渔业各产业在环境污染物排放方面差异较大，因此本文借鉴纪成君、肖琴等的做法[29-30]，以狭义农业即种植业为研究对象。具体指标选择如下：①投入指标，包括农业劳动力、土地、农药、化肥、农膜、柴油、农业用水、农业机械投入等指标[31-33]。②产出指标，期望产出指标以农业总产值来衡量；非期望产出综合考虑农业面源污染和农业碳排放等污染测度指标。根据West等的做法[34]，测算使用化肥、农药、农业机械动力和农业灌溉4种主要途径所产生的碳排放总量，其碳排放系数分别为：化肥0.90（kg/kg）、农药4.93（kg/kg）、农业机械总动力0.18（kg/kW）、农业灌溉20.48（kg/hm²）。农业面源污染主要涉及农药残留量、农膜残留量和化肥残留量三个方面。某类污染源的污染量等于污染性投入与其污染系数的乘积再加污染总量，根据马国霞等的做法[35]，本文的化肥残留系数、农药流失系数以及农膜残留系数分别为0.75、0.50以及0.10。
表1 农业投入—产出指标及说明

Tab.1 Input-output indicators of agriculture and their explanations

变量 指标 度量指标 单位
投入指标 农用机械投入 农业机械总动力 万kW
农业劳动力投入 农业从业人数=(农业产值/农林牧渔业总产值)·农林牧渔业从业人员数 万人
农用土地投入 农作物播种面积 千hm²
农业资源投入 折纯化肥施用量 万t
农药使用量 万t
农膜使用量 万t
有效灌溉面积 万t
农用柴油使用量 千hm²
产出指标 期望产出 农业产值 亿元
非期望产出 农业碳排放量 万t
农业面源污染量 万t

2.1.2 解释变量与门槛变量

本文以农旅融合水平（ILAT）为解释变量。农旅融合以两大产业相互关联为前提，因此产业关联分析是评价产业融合程度的基础。融合形成的新业态是产业融合的具体表现形式，而融合发展效益则反映出产业融合目标的实现情况，体现融合的结果状态。因此，在农旅融合水平测度时应将融合基础条件、融合表现形式和融合效益表现纳入测度框架之中。鉴于此，参考杨歌谣、周鹏飞等的做法[36-37]，本文构建农旅融合水平测度指标体系，并采用灰色关联度模型、因子分析法和熵值法进行计算。结合前文的研究假设，在此以农旅融合水平与地区经济发展水平为门槛变量。地区经济发展水平（EGDP）用人均GDP来衡量，并对其取自然对数处理（表2）。
表2 农业与旅游融合水平测度指标体系

Tab.2 Measurement index system of the integration level of agriculture and tourism

准则层 指标体系
产业关联度 农业与旅游产业的灰色关联度（X1） 地区农业增加值、国内旅游人次、国内旅游收入
示范效应 融合新业态（X2） 全国休闲农业与乡村旅游示范县、全国乡村旅游重点村镇、全国休闲农业与乡村旅游精品园区、全国休闲农业与乡村旅游示范点
融合效益 投资（X3） 果园面积、农业新增固定资产投资、农村农户固定资产投资
就业（X4） 乡村个体户就业人数、乡村私营企业就业人数
产业发展（X5） 旅游总收入占GDP比重、农业增加值占GDP比重

2.1.3 控制变量

本文选取如下控制变量：①农业产业结构（AIS），用种植业增加值（用狭义农业增加值替代）占农林牧渔业增加值的比例表征。种植业占比越高，农业生产集聚程度越高，对AGTFP可能产生正向影响。②收入分配（INC），用城乡收入差距表示。城乡收入差距用城镇居民人均可支配收入与农村居民人均纯收入之比衡量[38]。城乡收入差距越大意味着农村居民收入相对较低。从事农业生产的农村居民可能为增收而忽视生产的负外部性，因此收入分配对AGTFP可能存在消极影响。③贸易依存程度（TRD），用地区农产品进出口总额与农业生产总值的比值表示[31]。该变量通过收入效应和环境规制传导机制影响AGTFP，其影响方向未知。④受灾程度（DIS），用受灾面积占农作物总播种面积的比例表示。一般而言，灾害程度越高，对农民收入和生产环境的破坏越大，可能会对AGTFP产生消极影响。⑤劳动力受教育水平（EDU），以平均受教育年限表示，参照刘军等的计算方法进行测算[39]。一般来说，农业生产者受教育程度越高，越有利于先进农业生产技术的掌握，因此理论上受教育水平会对AGTFP产生正向影响。

2.2 模型设定

2.2.1 动态空间杜宾模型

鉴于被解释变量AGTFP和解释变量ILAT均有可能存在空间依赖性，本文构建空间杜宾模型对两者间的关系进行检验。考虑到AGTFP易受前一期状态的影响，为此在模型中引入滞后一期的AGTFP项（AGTFPi，t-1）以缓解模型可能存在的内生性问题。具体模型如下：
A G T F P i t = α 0 + τ A G T F P i , t - 1 + ρ ∑ j = 1 n W i j A G T F P j t + β X i t + θ ∑ j = 1 n W i j X j t + μ i + υ t + ε i t
式中：AGTFPit和Xit分别代表被解释变量和解释变量（含控制变量），下标i和t分别代表省份和年份；ρ是空间相关系数；Wij是空间权重矩阵； τ、β、 γ、 θ和 ξ为待估参数；ui和vt代表空间和时间效应；εit服从独立分布的空间误差项。本文使用两类空间权重矩阵进行模型估计：一是地理距离空间矩阵（W1），计算公式为： W i j = 1 / d i j 2 ( i ≠ j )。其中dij是两个省会城市之间的欧几里得距离。在此以地理距离空间矩阵为基准矩阵。二是经济地理嵌套空间权重矩阵（W2），计算公式为：$W_{i j}=1 /\left|\bar{Y}_{i}-\bar{Y}_{j}+1\right| e^{-d_{\xi}},(i \neq j)$，其中 Y - i和 Y - j分别代表第i个省份和第j个省份的人均GDP，dij释义同上。经济地理嵌套空间权重矩阵主要用于稳健性分析。

2.2.2 动态门槛效应模型

基于前文的研究假设，为检验农旅融合对AGTFP的非线性影响，在此构建多重门槛面板模型。同时，鉴于AGTFP动态持续特点，在此亦加入滞后一期的AGTFP项（AGTFPi，t-1）作为解释变量。由于缺乏将空间计量模型与门槛回归模型相结合的成熟方法，最终建立普通动态面板门槛回归模型，具体模型如下：
A G T F P i t = α 0 + ρ A G T F P i t + β 11 I L A T i t I T h r i t ≤ θ 1 + β 12 I L A T i t I θ 1 T h r i t ≤ θ 1 + … + β 1 , n I L A T i t I θ n - 1 T h r i t ≤ θ n + β 1 , n + 1 I L A T i t I T h r i t θ n + ∑ k = 1 n λ k C i t , k + μ i + ξ i t
式中：Thr为门槛变量，实证分析过程中门槛变量分别为ILAT和EGDP， θ 1、 θ 2和 θ n是门槛值； β 11、 β 12和 β 1 ， n是不同门槛区间的回归系数；I（·）为示性函数，其它变量解释同公式（1）。如果只存在一个门槛值，式（2）可以简化成如下形式：
A G T F P i t = α 0 + ρ A G T F P i t + β 11 I L A T i t I T h r i t ≤ θ 1 + β 1 , n + 1 I L A T i t I T h r i t θ n + ∑ k = 1 n λ k C i t , k + μ i + ξ i t

2.3 数据来源

本文利用2008—2022年中国30个省份数据进行实证分析。基于数据可得性，暂未将港澳台和西藏列为研究样本。数据主要来源于《中国农村统计年鉴》《中国统计年鉴》《中国农业年鉴》《中国文化和旅游统计年鉴》《中国人口与就业统计年鉴》《中国农产品贸易报告》等。此外，以国家统计局、文化和旅游部、农业农村部和省级官方网站的相关数据资料作为补充数据来源。所有以货币单位衡量的数据均以2008年为基期进行平减处理，采用R语言和GeoDa软件进行定量分析和模型估计。所有变量的描述性统计结果见表3。
表3 变量的描述性统计结果

Tab.3 Descriptive statistical results of variables

变量 观测值 均值 中位数 标准差 最大值 最小值
AGTFP 450 0.965 0.9307 0.217 1.642 0.648
ILAT 450 0.877 0.807 0.339 2.134 0.253
AIS 450 0.569 0.466 0.621 0.754 0.275
INC 450 2.736 2.813 0.097 4.632 1.821
TRD 450 0.311 0.327 0.008 0.361 0.013
DIS 450 0.232 0.262 0.133 0.764 0.000
EDU 450 7.432 7.521 0.932 9.012 3.454

3 结果与分析

3.1 农旅融合水平与农业绿色全要素生产率的时空演变特征

为直观呈现农旅融合水平和农业绿色全要素生产率的时空演化特征，用ArcGIS绘制2008、2015和2022年省域农旅融合水平（图2）和农业绿色全要素生产率（图3）分布图，均采用2008—2022的最小值和最大值范围均等划分成4个级别。
图2 省域农旅融合水平变化

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图无修改。图3同。

Fig.2 Distribution of the ILAT at the provincial Level

图3 省域农业绿色全要素生产率变化

Fig.3 Changes of the AGTFP at the provincial level

研究期内，中国ILAT均值由2008年的0.514上升到2022年的1.488，年均增长率为7.35%，说明中国ILAT水平总体稳步上升。可能原因在于：随着城市化进程加快，城市居民对乡村自然体验的需求显著提升，消费模式从观光转向深度体验，推动农旅融合业态多样化发展。同时，中央与地方政府近年来密集出台农旅融合支持政策，多措并举强化基础设施建设和产业规划布局，为农旅融合提供强有力的支撑。从省域尺度来看，2008—2022年30个省份ILAT水平逐年提升，只是不同区域发展水平仍存在较大差异。表4显示，2022年ILAT水平位居前三位的是浙江、江苏和山东，而宁夏、青海和甘肃居后三位，区域差异显著。值得注意的是，ILAT水平位居前列的省份均属东部地区，位居末位的主要为西部省份，可见农旅融合水平与自身经济发展基础有一定的关系。
表4 2022年中国30省份ILAT和AGTFP排序

Tab.4 Ranking of ILAT and AGTFP in 30 provincial-level regions of China in 2022

省份 ILAT 省份 ILAT 省份 AGTFP 省份 AGTFP
浙江 2.134 天津 1.420 山东 1.642 新疆 1.327
江苏 2.112 云南 1.393 吉林 1.562 云南 1.325
山东 2.098 陕西 1.354 河北 1.510 湖南 1.318
四川 1.899 河北 1.317 江苏 1.483 湖北 1.315
广东 1.887 贵州 1.276 浙江 1.478 广西 1.314
湖北 1.797 新疆 1.259 北京 1.439 江西 1.313
北京 1.712 吉林 1.245 上海 1.437 山西 1.310
福建 1.706 内蒙古 1.225 辽宁 1.435 安徽 1.306
湖南 1.704 黑龙江 1.219 福建 1.421 陕西 1.288
河南 1.693 山西 1.214 黑龙江 1.418 贵州 1.278
江西 1.689 广西 1.158 河南 1.410 重庆 1.277
安徽 1.678 海南 1.093 天津 1.365 青海 1.146
辽宁 1.649 宁夏 1.008 广东 1.345 海南 1.140
上海 1.543 青海 0.897 江西 1.365 甘肃 1.132
重庆 1.521 甘肃 0.832 山东 1.345 宁夏 1.079
另外，研究期内中国AGTFP均值亦实现了有效提升，平均值从0.701上升至1.345，年均增长率为4.44%。可能原因在于：新世纪以来，中央政府高度重视农业绿色发展，中央一号文件持续对农业绿色发展作出部署。在政策引导下，各地积极推进农业绿色发展，极大地降低农业生产过程中化肥与农药等化学物质对生态环境的负面影响。随着农业科技投入增长、农业经营方式改善，中国农业发展模式逐渐由粗放型向集约型升级，有效兼顾了农业增产与环境保护双重目标。由表4可知，2022年AGTFP水平居前列有山东、吉林和河北等东部及东北部省份。东部地区省份利用先进的农业技术，可有效提高AGTFP。而东北部省份农业规模化、机械化水平较高，有助于AGTFP提升。AGTFP水平居末位的有内蒙古、甘肃和宁夏等西部省份，由于区位条件、资源环境、产业结构等因素，相对而言，这些地区农业技术水平和农业机械化和规模化水平较低，因此AGTFP相对较低。

3.2 空间面板模型估计结果与分析

为避免单次检验可能造成误差，本文首先采用IPS、LLC和ADF-Fisher三种方法对数据进行单位根检验[40]。结果显示，所有变量都拒绝单位根存在的原假设，说明面板数据具有良好的平稳性，可以用于面板回归分析。

3.2.1 全局空间自相关检验

经测算，研究期内中国ILAT和AGTFP历年的全局莫兰值（Gobal Moran's I）均显著为正（表5），表明ILAT和AGTFP具有显著的空间相关性。从时间维度上看，ILAT和AGTFP的全局莫兰值均值大抵呈逐年增加态势，虽然2020—2022年受疫情影响有所下降，但仍存在显著的空间相关性。由此可见，ILAT和AGTFP的空间集聚趋势不断加强。
表5 2008—2022年中国ILAT和AGTFP的全局莫兰值

Tab.5 Global Moran's index of ILAT and AGTFP in China from 2008 to 2022

2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
农旅融合水平（ILAT） 莫兰值 0.234** 0.239*** 0.243* 0.247* 0.256** 0.257*** 0.269** 0.273** 0.276*** 0.269*** 0.284*** 0.283*** 0.213*** 0.221*** 0.214***
P值 0.043 0.006 0.085 0.097 0.039 0.002 0.022 0.034 0.008 0.003 0.004 0.008 0.009 0.006 0.003
农业绿色全要素生产率（AGTFP） 莫兰值 0.328* 0.335* 0.339* 0.367** 0.374** 0.369** 0.387* 0.400** 0.412* 0.410** 0.420*** 0.457*** 0.443*** 0.417*** 0.420***
P值 0.078 0.019 0.096 0.045 0.021 0.044 0.071 0.043 0.054 0.019 0.006 0.003 0.006 0.007 0.005

注：*、**、***分别表示在10%、5%、1%置信水平下显著，括号内数值为T值。表6~表10同。

3.2.2 空间计量模型的识别

通过上述空间自相关检验，可以看出AGTFP和ILAT均具有较强的空间相关性特征，因此在研究两者之间的关系时应考虑空间因素。参照Elhorst的做法[41]，本文选择空间计量模型的具体步骤和方法如下：首先，判断空间面板模型是否适用。经检验，LM-lag、Robust LM-lag、LM-error、Robust LM-error的检验统计量都通过显著性检验，表明可拒绝原假设，即空间面板模型适用。然后，结合Wald和LR统计量确定哪种空间模型更为合适。以空间杜宾模型为基准进行估计显示，Wald和LR统计量都通过了显著性检验，说明使用空间杜宾模型拟合数据更为合适[42]。各项检验时均使用地理距离空间权重矩阵，结果见表6。在两类空间杜宾模型中，Hausman检验均拒绝了原假设（P<0.01），因此固定效应模型更为合适。同时，为避免未观测到的时间变化对估计结果的影响，最终选择双向固定杜宾模型进行实证分析。
表6 空间回归模型检验结果

Tab.6 Results of spatial regression models

检验类型 静态空间杜宾模型 动态空间杜宾模型
LM-lag test 58.412*** 62.545***
Robust LM-lag test 27.321*** 25.212***
LM-error test 54.081*** 68.521***
Robust LM-error test 32.321*** 39.611***
Wald-spatial lag test 83.542*** 102.283***
LR-spatial lag test 101.034*** 161.541***
Wald-spatial error test 76.143*** 64.946***
LR-spatial error test 51.646*** 71.328***
Hausman test 85.831*** 140.377***

3.2.3 空间计量模型估计结果

基于两类空间权重矩阵进行模型估计，结果见表7。所有模型中的ILAT对AGTFP的影响系数均为正且通过显著性检验，表明ILAT对AGTFP具有显著正向影响。农旅融合发展坚持“以农为本”的原则和生态文明观，融合过程促进农业的集约化生产和资源优化配置，最终推动AGTFP提升，由此研究假设1得到验证。从模型拟合优度R2来看，动态空间杜宾模型的拟合优度高于静态空间杜宾模型，说明动态空间杜宾模型更为理想。这主要是因为静态空间杜宾模型在回归过程中没有考虑AGTFP的动态影响，导致了估计误差。在动态空间面板模型的回归结果中，AGTFPi，t-1的系数ρ均为正（P<0.01），充分说明AGTFP具有显著动态持续性特征。原因在于农业生产是一个连续的经济系统，前期投入的资本、人力、技术等要素会对后续的生产活动与结果产生影响。
表7 空间杜宾模型估计结果

Tab.7 Estimation results of spatial Durbin model

变量 静态空间杜宾模型 动态空间杜宾模型
模型1（W1） 模型2（W2） 模型3（W1） 模型4（W2）
AGTFPi,t-1 0.311***（3.379） 0.268**（2.760）
ILATit 0.361**
（2.997）		 0.312***（4.315） 0.237***（3.752） 0.253***（4.432）
AIS 0.245***
（3.186）		 0.119***（4.191） 0.176***（4.966） 0.306**（3.221）
INC -0.191***（-4.969） -0.078***（-4.139） -0.127**（-2.118） -0.118***（-4.127）
TRD 0.313***
（3.326）		 0.193**（3.131） 0.204**（2.675） 0.246***（5.032）
DIS -0.221*（-4.081） -0.243*（-3.241） -0.337**（-2.195） -0.432**（-3.765）
EDU 0.187*
（2.421）		 0.089**（2.822） 0.224*（2.323） 0.132**（2.965）
W·ILATit 0.175**
（3.097）		 0.098**（2.135） 0.124**（2.723） 0.119**（3.031）
Adj R2 0.811 0.754 0.825 0.732
ρ 0.451***
（3.231）		 0.432***（4.635） 0.274***（3.819） 0.255***（4.132）
Log L 106.324 112.875 135.543 126.324

注：受篇幅限制，本表未给出估计结果中各控制变量的空间相互作用系数。

此外，对比不同模型估计结果发现，基于地理距离权重矩阵的动态空间杜宾模型拟合程度最高，因此后文主要对表7中模型3的结果进行分析。模型3估计结果中的ILAT系数为0.237（P<0.01），其值低于静态空间杜宾模型估计系数，说明静态模型高估了ILAT对AGTFP的正向作用。ILAT的空间滞后项系数（W·ILAT）在5%置信水平下显著为正，说明省份间的ILAT存在交互作用，本地区ILAT会影响相邻地区的AGTFP。综上可知，ILAT对AGTFP的影响具有空间溢出性，研究假设2得以验证。
由表7可知，农业产业结构（AIS）对AGTFP具有显著的正向影响。这主要是因为农业生产过程兼具生态性和经济性，提高种植业比重不仅能改善农业生态环境，还可有效提高农业产值，从而促进AGTFP提升。收入分配（INC）对AGTFP有显著负向影响。一般而言，城乡居民收入水平差距越大，工业和服务业发展得到优先发展，农业发展受到抑制。此外，收入分配差距的扩大也会促使农业生产者更看重收入增加，而忽视了生产过程中的污染物排放。贸易依存度（TRD）对AGTFP有显著促进作用。贸易依存度越高，表明这一地区参与国际交流合作的程度越高，这一过程有助于农业生产者引进先进农业生产技术，从而增加农业生产者收益，减少污染排放。灾害影响程度（DIS）对AGTFP有显著抑制作用。灾害的发生不仅会造成农业产量和农民收入的损失，还会破坏农业生产环境，抑制AGTFP增长。劳动力受教育程度（EDU）对AGTFP有显著积极影响。受教育水平的提高将促进农业生产者环保意识的增强，有助于强化其对先进农业生产技术的掌握，还会促使其优化要素投入比，从而提高AGTFP。
由于ILAT存在空间溢出效应，ILAT的上述回归系数无法直接解释为其对AGTFP的边际效应，因此需要对其进行分解以更好地揭示ILAT对AGTFP的影响效应，结果见表8。全域样本下，ILAT对AGTFP的直接效应回归系数为0.146（P<0.05），溢出效应回归系数为0.108（P<0.10），表明本地区ILAT上升可促进本地区与其周边地区AGTFP上升。主要原因可能有：一方面，随着各地区农业旅游休闲基础设施的进一步完善，因创新发展、差异化管理等率先发展起来的农旅融合项目所在地将率先获得游客的青睐，并在短期内吸引更多本地区和周边地区的游客[43]，因此形成区域竞争压力。为在竞争中获得一定的优势，周边地区亦会利用或整合当地的农业资源，创造新颖独特的商业模式，开发出具有吸引力的农旅体验产品。由此可见，一个地区的农旅融合不仅可以直接带动本地区农村产业调整，还可以推动周边地区农业创新发展。另一方面，随着交通、物流与信息互动效率的提升，区域间合作发展、协同治理水平得以提升，这为农旅融合空间溢出效应的形成创造了良好的条件。因此，农旅融合不仅促进本地区农业结构升级和发展方式转变，同时也将推动周边地区的农业资源配置和产业结构的优化，有助于提高周边地区农业发展质量，从而推动周边地区AGTFP上升。同时，值得注意的是，ILAT的溢出效应回归系数虽通过了显著性检验，但小于5%，而直接效应回归系数的显著性水平小于1%。可能的原因在于，当前农旅融合休闲产品市场竞争较为激烈，产品同质化竞争现象较普遍，导致消费者出现审美疲劳、体验感欠佳等状况，使得农旅融合的空间溢出效应有限。
表8 空间效应分解结果

Tab.8 Results of spatial effect decomposition

变量 ILATit AITit AISit INCit TRDit DISit EDUit
直接效应 0.146**（3.110） 0.112*（2.316） 0.146**（3.026） -0.135**（-2.664） 0.198**（3.208） -0.256**（-2.882） 0.112**（2.681）
溢出效应 0.108*（1.987） 0.101*（2.027） 0.085**（2.568） -0.056*（-2.217） 0.091*（2.295） -0.008（-0.065） 0.075**（2.352）
总效应 0.254*（2.541） 0.213*（2.315） 0.231*（2.315） -0.191*（-1.987） 0.289*（2.109） -0.264**（-3.126） 0.187**（2.654）

3.2.4 区域异质性分析

鉴于中国不同地区农旅融合水平及经济发展基础差异较大，本文借鉴许欣等的做法[44]，将整个研究区划分为东部、中部、西部和东北4个区域进行模型估计，以检验区域间的差异性（表9）。结果显示，各区域估计结果与全域样本估计结果基本一致：ILAT对AGTFP的直接影响和空间溢出效应均显著，说明上述研究结果较为稳健。4个区域AGTFPi，t-1的系数均显著为正，所有区域AGTFP都受到前一阶段状态的影响；且空间自相关系数ρ均显著为正，表明AGTFP存在空间溢出效应。此外，东部、中部和西部地区的W·ILATit系数均显著为正，本地区ILAT对周边地区AGTFP具有正向的空间溢出效应，但在东北地区溢出效应不显著。
表9 分区域估计结果

Tab.9 Estimation results by region

变量 东部地区 中部地区 西部地区 东北地区
AGTFPi,t-1 0.387***（3.586） 0.365***（3.640） 0.326***（3.543） 0.221***
（2.873）
ILATit 0.278**（2.876） 0.324**
（3.153）		 0.197**（3.156） 0.165**
（2.746）
AIT 0.158*
（2.084）		 0.131*
（1.995）		 0.225*
（2.356）		 0.201*
（1.999）
INC -0.208*（-1.997） -0.134*（-2.068） -0.176*（-2.175） -0.125*
（-2.168）
TRD 0.343**（3.121） 0.176**
（3.086）		 0.178
（1.608）		 0.221*
（2.166）
DIS -0.176*（-2.087） -0.215**（-3.243） -0.321**（-3.154） -0.118**（-3.141）
EDU 0.313*
（2.543）		 0.165**
（3.074）		 0.088
（1.743）		 0.132**
（3.115）
W·ILATit 0.209*
（2.514）		 0.115**
（2.875）		 0.101**（2.765） 0.087*
（1.964）
Adj R2 0.8508 0.8473 0.8164 0.7115
ρ 0.221**（2.787） 0.207**
（2.608）		 0.198**（2.765） 0.171**
（2.632）
Log L 148.086 176.354 111.847 78.543
本文就不同区域的空间效应进行分解，结果见表10。在直接效应方面，中部地区的直接效应最强，系数为0.307（P<0.05）。这可能是因为中部地区农旅融合的资源基础较好，而AGTFP并不高，因此ILAT对AGTFP的边际效应更为突出。中部地区农业资源丰富，农旅融合的自然资源和农耕文化资源基础较好，但AGTFP尚未达到较高水平。因此，农旅融合带来的技术渗透等边际效果更为显著。在空间溢出效应方面，东部地区ILAT对AGTFP提升作用的溢出效应系数为0.111（P<0.05），大于其他地区这一系数。这可能是因为：东部地区经济基础雄厚，交通网络、数字基础设施和市场化程度较高，使得农旅融合产生的知识外溢、技术扩散能够通过产业链、信息网络快速辐射至周边区域。因此，东部地区的溢出效应较为突出。而东北地区的溢出效应不显著，主要原因在于：东北寒冷气候和农业的季节性特征导致其农业生产、旅游活动均存在明显淡旺季，农旅融合的持续性相对较弱，限制了技术、人才等要素的跨区域流动。另外，该区域农业以规模化粮食生产为主，与旅游业融合的灵活度较低，且传统生产模式惯性较强，限制了农业绿色技术溢出效应的形成。
表10 不同区域的空间效应分析

Tab.10 Spatial effect analysis of different regions

变量 东部地区 中部地区 西部地区 东北地区
直接效应 0.246**（2.975） 0.307**
（2.614）		 0.137**（2.591） 0.121**（3.097）
溢出效应 0.111**（3.143） 0.076**
（3.114）		 0.075**（2.605） 0.062
（1.448）
总效应 0.357**（2.986） 0.383**
（2.978）		 0.212**（2.813） 0.183**（1.987）

3.3 门槛效应检验结果与分析

为论证农旅融合对农业绿色全要素生产率的影响是否存在非线性特征，现通过门槛回归模型进行检验。门槛回归模型检验的第一步是确定门槛值和门槛值变量的个数。为此先以ILAT作为门槛变量，在单一门槛和双重门槛检验中，F统计量均通过显著性水平检验，各原假设均被拒绝，而在三重门槛效应检验中，F统计量未通过显著性水平检验，原假设无法被拒绝，由此可知，存在“双重门槛”效应 ① 。当以经济发展水平（EGDP）为门槛变量时，门槛值和门槛变量个数的检验过程与前述类似。经检验，EGDP存在单一门槛，不存在多重门槛，检验结果见表11。
表11 门槛特征检验结果

Tab.11 Results of threshold characteristic test

门槛变量 模型检验 门槛估计值 F统计量 P值 临界值
1% 5% 10%
ILAT 单一门槛 0.985 21.548*** 0.003 14.097 6.865 4.432
双重门槛 门槛1：0.985
门槛2：1.397		 14.237** 0.028 21.943 14.843 10.132
三重门槛 - 2.221 0.170 5.909 2.558 1.029
EGDP 单一门槛 0.931 39.098*** 0.000 11.975 6.843 3.987
双重门槛 - 2.019 0.498 3.114 2.764 1.498
由于门槛回归模型中含有被解释变量的滞后项，若采用普通最小二乘法（OLS）进行估计会导致参数有偏。为此，本文使用系统广义矩估计法进行估计，估计结果见表12。
表12 动态门槛效应估计结果

Tab.12 Estimation results of dynamic threshold effect

门槛变量 门槛及区间 回归系数 T值 标准误
ILAT 第一区间：ILAT≤0.985 0.257** 3.0510 0.002
第二区间：0.985<ILAT≤1.397 0.165* 2.1326 0.001
第三区间：ILAT>1.347 0.405** 2.9430 0.051
EGDP 第一区间：EGDP≤0.921 0.224** 2.6540 0.032
第二区间：EGDP>0.921 0.431*** 4.7650 0.007
当以ILAT为门槛变量时，就整个研究区而言ILAT回归系数始终为正且显著，充分说明农旅融合有助于AGTFP提升。只是在不同区间，ILAT回归系数有所差异。当ILAT位于第一区间（ILAT≤0.985）时，其回归系数为0.257（P<0.05）；当ILAT位于第二区间（0.985<ILAT≤1.397）时，其回归系数有所下降，为0.165（P<0.1）；当ILAT进入第三区间时（ILAT>1.397）时，其回归系数升至0.404（P<0.05）。出现这一结果可能的原因是：在农旅融合初期阶段，通过基础设施共享、生产要素整合等初级协同效应快速释放环境效率红利，因此ILAT对AGTFP的作用较为突出；进入融合中期阶段，可能面临旅游资源过度开发带来的生态压力与管理协调成本上升，边际效益出现暂时性递减，因此ILAT对AGTFP的作用有所弱化；随着两者融合步入高质量发展阶段，融合的规模效应与技术溢出效应占主导，高水平融合引致循环农业技术扩散，形成生态旅游品牌溢价，因此ILAT对AGTFP的作用呈显著跃升态势。这种演变规律符合产业融合从要素整合到创新驱动的阶段性特征。
当以EGDP为门槛值时，模型估计结果显示：当EGDP低于门槛0.921时，ILAT对AGTFP的回归系数为0.224（P<0.05），当EGDP高于门槛值0.921时，ILAT对AGTFP的回归系数为0.431（P<0.01）。由此可知，随着经济发展水平的上升，ILAT对AGTFP的影响效应呈增强态势。其主要的原因在于：当地区经济发展水平较低时，基础设施薄弱、技术储备不足等因素制约了农旅融合要素配置优化效应的发挥，仅能通过初级业态联动实现AGTFP较小幅度的改进；而当EGDP跨越门槛值后，市场机制完善、数字技术渗透及绿色创新扩散等可形成协同支撑，使得农旅融合的要素重组与技术创新的协同效应得到充分发挥，从而可强化其对AGTFP的提升作用。由此，研究假设3得以验证。

4 结论与启示

4.1 结论

本文基于2008—2022年中国30个省份面板数据，采用动态空间杜宾模型和门槛效应模型实证检验了农旅融合对农业绿色全要素生产率影响。主要结论如下：①农业绿色全要素生产率和农旅融合水平均呈现较为显著的空间集聚特征。同时，农业绿色全要素生产率水平存在动态持续性，表明农业生产前期的投入和积累，直接影响当期及以后各时期的农业生产活动。②农旅融合对农业绿色全要素生产率的影响存在空间溢出效应。就整个研究区而言，农旅融合水平的上升不仅会促进本地区农业绿色全要素生产率的提高，还会对周边地区农业绿色全要素生产率产生积极的促进作用。分区域来看，中部地区农旅融合对农业绿色全要素生产率的直接效应最强，东部地区的溢出效应最大。③农旅融合对农业绿色全要素生产率的影响存在较为典型的阶段性和经济依赖性特征。随着农旅融合水平的提高，农旅融合对农业绿色全要素生产率的影响存在双重门槛特征，门槛值依次为0.985、1.397，农旅融合的边际效应在不同门槛区间呈现由强至弱再增强的趋势。农旅融合对农业绿色全要素生产率的作用同时受地区经济发展水平影响而呈现单一门槛特征，当地区经济发展水平跃过门槛值0.931时，农旅融合的影响效应呈现增强态势。

4.2 对策建议

本研究发现农旅融合对农业绿色全要素生产率具有显著提升效应，且呈现出明显的空间外溢效应和门槛特征。因而，在推动农旅融合向纵深发展的过程中，亟需加强制度统筹、区域协同与要素支撑，并结合不同区域的资源禀赋和发展基础，提出具有空间针对性的差异化政策建议，具体如下：①政府应优化完善政策制度顶层设计，将产业融合发展纳入农业绿色发展的政策框架。在南部丘陵与盆地地区，应充分利用山地农业资源与生态环境优势，构建“特色种养+康养旅游+乡村文化”的复合型融合模式；在东部沿海地区，宜以“数字农业+智慧文旅”为牵引，加快建设农旅数字化融合试验区；在东北地区，应依托黑土地农业文化和寒地资源特色，发展“黑土地文化+现代农业观光”产业链，建设集农业遗产保护、农业科普教育、农产品加工体验于一体的农旅融合示范园区；西北地区则应聚焦“生态牧场+边境旅游”路径，推动草原畜牧业与游牧文化体验深度融合，通过建设生态牧场、边境驿站与民族文化营地等项目，带动边境村屯实现资源转化与绿色增收等。②鉴于农旅融合的空间溢出效应，应切实推进和完善区域协调治理与合作发展机制。针对中西部区域协调不足与资源错配问题，应加快建立农旅融合的区域协同机制，推动跨区域战略合作与产业互补，特别是通过“产地+客源地”双向联动机制，拓展农旅产品消费市场，提升区域间资源要素的流动效率。③进一步探索农旅融合带来的知识技术外溢与共享机制，促进行业协会的升级，促进旅游产业相关知识、管理和技术向农业经营主体的外溢。通过这些手段优化农业土地、劳动力、资金、技术和管理等生产要素的配置，从而提高农业整体技术进步和效率。设立“边疆农旅发展专项基金”，支持基础设施共建和区域品牌打造，统筹解决生态保护与产业发展的协调问题。④实施“农旅融合人才振兴工程”，在基础教育、职业培训与技能认证等层面构建分层次、分类别的人才培养体系，尤其重视本地青年返乡创业和跨界复合型人才的引育。完善激励机制，吸引高校科研资源下沉，推动产教融合试点，提升农村人力资源质量与适应能力，以更好地发挥农旅融合对农业绿色全要素生产率的提升作用。

4.3 讨论与展望

本文基于省级面板数据，探索了中国农旅融合水平与农业绿色全要素生产率的关系，主要贡献在于：①研究视角上，本文将农旅融合与农业绿色发展纳入统一分析框架，系统论证了农旅融合对农业绿色全要素生产率影响的特征事实，为农业绿色发展提供新的路径视角，有助于拓展农村产业融合效应研究框架。②研究内容上，鉴于农旅融合发展的空间互动特征以及复杂现实情景所导致的非线性特征，本文剖析了农旅融合对农业绿色全要素生产率的空间溢出及非线性影响效应，并探究了农旅融合对农业绿色全要素生产率影响的区域异质性。③研究方法上，本文综合运用动态空间杜宾模型和动态门槛模型，分时段、分地区科学评估了农旅融合与农业绿色全要素生产率之间的关系，有效提升了研究结果的科学性和合理性。
但是，本文仍存在如下不足：①由于统计资料相关指标数据的缺失以及对农旅融合内涵的理解的不同，未来研究可进一步拓展和完善农旅融合水平评价的指标体系。②农旅融合发展对农业绿色全要素生产率的影响是多元的、复杂的，本文虽然提出了农旅融合发展对农业绿色全要素生产率的影响机制，但未对其进行量化验证，未来研究可进一步论证影响机制以完善和丰富理论研究和政策指导意义。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陆杉, 熊娇. 农村金融、农地规模经营与农业绿色效率[J]. 华南农业大学学报(社会科学版), 2021, 20(4):63-75.

[2]
王琪延, 徐玲. 基于产业关联视角的北京旅游业与农业融合研究[J]. 旅游学刊, 2013, 28(8):102-110.

[3]
王丽芳. 山西省农业与旅游业融合的动力机制与发展路径[J]. 农业技术经济, 2018, 276(4):136-144.

[4]
刘广宇, 黎斌林, 李新然. 云南省农旅融合发展实证分析与模式构建—基于VAR模型的检验[J]. 生态经济, 2020, 36(6):135-141.

[5]
王晶晶, 王兆峰. 中国农业与旅游产业融合发展的时空演进及空间关联性[J]. 湖南师范大学自然科学学报, 2023, 46(6):1-10.

[6]
黄祖辉, 宋文豪, 成威松, 等. 休闲农业与乡村旅游发展促进农民增收了吗?——来自准自然实验的证据[J]. 经济地理, 2022, 42(5):213-222.

DOI

[7]
姚海琴, 朋文欢, 黄祖辉. 家庭型乡村旅游发展对农户收入的影响机制及效果——以浙江、四川和湖南三省为例[J]. 经济地理, 2016, 36(11):169-176.

[8]
袁中许. 乡村旅游业与大农业耦合的动力效应及发展趋向[J]. 旅游学刊, 2013, 28(5):80-88.

[9]
Guaita Martínez J M, Martín Martín J M, Salinas Fernández J A, et al. An analysis of the stability of rural tourism as a desired condition for sustainable tourism[J]. Journal of Business Research, 2019, 100(August 2018):165-174.

[10]
García-Barrio R, García-Barrios L. Environmental and technological degradation in peasant agriculture:A consequence of development in Mexico[J]. World Development, 1990, 18(11):1569-1585.

[11]
Emrouznejad A, Yang G. A survey and analysis of the first 40 years of scholarly literature in DEA:1978-2016[J]. Socio-Economic Planning Sciences, 2018,61:4-8.

[12]
Tone K A. Slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130 (3):498-509.

[13]
Chung Y H, Fare R, Grosskopf S. Productivity and undesirable outputs:A directional distance function approach[J]. Journal of Environmental Management, 1997,51:229-240.

[14]
Oh D H. A Global Malmquist-Luenberger productivity index[J]. Journal of Productivity Analysis, 2010,34:183-197.

[15]
Diewert W E. Duality Approaches to Microeconomic Theory[M]. Amsterdam: Elsevier Science Ltd, 1982.

[16]
Fare R, Grosskopf S, Norris M, et al. Productivity growth,technical progress andefficiency change in the industrialised countries[J]. American Economy Review, 1994, 84(1):66-83.

[17]
刘亦文, 欧阳莹, 蔡宏宇. 中国农业绿色全要素生产率测度及时空演化特征研究[J]. 数量经济技术经济研究, 2021, 38(5):39-56.

[18]
余家凤, 胡依杨, 孔令成. 农地经营规模对农业绿色全要素生产率的影响研究——基于SBM-ML指数法和空间杜宾模型[J]. 长江大学学报(社会科学版), 2022, 45(2):99-107.

[19]
高杨, 牛子恒. 农业信息化、空间溢出效应与农业绿色全要素生产率——基于SBM-ML指数法和空间杜宾模型[J]. 统计与信息论坛, 2018, 33(10):66-75.

[20]
梁俊, 龙少波. 农业绿色全要素生产率增长及其影响因素[J]. 华南农业大学学报(社会科学版), 2015, 14(3):1-12.

[21]
李健旋. 农村金融发展与农业绿色全要素生产率提升研究[J]. 管理评论, 2021, 33(3):84-95.

[22]
黄伟华, 祁春节, 方国柱, 等. 农业环境规制促进了小麦绿色全要素生产率的提升吗?[J]. 长江流域资源与环境, 2021, 30(2):459-471.

[23]
罗明忠, 魏滨辉. 农村产业融合的环境效应分析[J]. 农村经济, 2022(12):57-66.

[24]
王玉婷. 苏州市农旅融合演进研究[D]. 苏州: 苏州科技大学, 2016.

[25]
朱志胜. 农旅融合、要素配置与农业劳动生产率[J]. 管理学刊, 2022, 35(3):29-43.

[26]
周杰. 农旅融合对高效农业的作用机制分析—一个过程—收益的视角[J]. 贵州师范学院学报, 2017, 33(7):1-4.

[27]
刘英基, 郭举. 农旅融合何以提升农村劳动力就业质量?——基于空间杜宾模型的实证检验[J]. 河南师范大学学报(哲学社会科学版), 2025, 52(2):78-84.

[28]
胡平波, 钟漪萍. 农旅融合促进农业生态效率提升机理与实证分析——以全国休闲农业与乡村旅游示范县为例[J]. 中国农村经济, 2019, 35(12):85-104.

[29]
纪成君, 夏怀明. 我国农业绿色全要素生产率的区域差异与收敛性分析[J]. 中国农业资源与区划, 2020, 41(12):136-143.

[30]
肖琴, 周振亚, 罗其友. 长江经济带农业绿色生产效率及其时空分异特征研究[J]. 中国农业资源与区划, 2020, 41(10):15-24.

[31]
李晓龙, 冉光和. 农产品贸易提升了农业绿色全要素生产率吗?——基于农村金融发展视角的分析[J]. 北京理工大学学报(社会科学版), 2021, 23(4):82-92.

[32]
陈芳, 杨梅君. 农产品国际贸易对中国农业绿色全要素生产率的影响[J]. 华南农业大学学报(社会科学版), 2021, 20(5):94-104.

[33]
刘亦文, 欧阳莹, 蔡宏宇. 中国农业绿色全要素生产率测度及时空演化特征研究[J]. 数量经济技术经济研究, 2021, 38(5):39-56.

[34]
West T O, Marland G. A synthesis of carbon sequestration,carbon emissions,and net carbon flux in agriculture:Comparing tillage practices in the United States[J]. Agriculture,Ecosystems and Environment, 2002, 91(1-3):217-232.

[35]
马国霞, 於方, 曹东, 等. 中国农业面源污染物排放量计算及中长期预测[J]. 环境科学学报, 2012, 32(2):489-497.

[36]
杨歌谣, 周常春, 杨光明. 农业和旅游业产业融合与农村贫困减缓的关系分析[J]. 统计与决策, 2020, 36(5):81-86.

[37]
周鹏飞, 沈洋, 李爱民. 农旅融合能促进农业高质量发展吗——基于省域面板数据的实证检验[J]. 宏观经济研究, 2021(10):117-130.

[38]
毛其淋. 经济开放、城市化水平与城乡收入差距——基于中国省际面板数据的经验研究[J]. 浙江社会科学, 2011(1):11-22,155.

[39]
刘军, 徐康宁. 产业聚集、经济增长与地区差距——基于中国省级面板数据的实证研究[J]. 中国软科学, 2010(7):91-102.

[40]
Im K S, Pesaran M H, Shin Y. Testing for unit roots in heterogeneous panels[J]. Journal of Econometrics, 2003, 115(1):53-74.

[41]
Elhorst J P. Specification and estimation of spatial panel data models[J]. International Regional Science Review, 2003, 26(3):244-268.

[42]
吴军, 理爽. 双循环背景下双向FDI对碳排放强度的影响研究——基于动态空间杜宾模型的分析[J]. 生态经济, 2022, 38(12):23-30,38.

[43]
张佑印, 顾静. 天津滨海新区旅游市场空间结构及游客行为研究[J]. 干旱区资源与环境, 2013, 27(6):191-197.

[44]
许欣, 张文忠. 中国四大区域板块:增长差异、比较优势和“十四五”发展路径[J]. 经济地理, 2021, 41(7):1-9.

DOI

Options
文章导航

/

〈 〉