EN中文

经济地理 >

2025 , Vol. 45 >Issue 12: 198 - 207

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.12.020

三农、土地与生态·

淮河生态经济带粮食绿色全要素生产率变化特征及其影响因素

  • 黄敦平 ,
  • 吴跃跃 ,
  • 杨凡
展开
  • 安徽财经大学 经济学院， 中国安徽 蚌埠 233030

黄敦平（1986—），男，博士，教授，研究方向为数字经济、乡村振兴。E-mail：

收稿日期: 2025-04-29

  修回日期: 2025-08-13

  网络出版日期: 2026-02-04

基金资助

国家社会科学基金项目(23BJY150)

安徽省社会科学创新发展基金重大项目(2022WT008)

收起

Variation Characteristics and Influencing Factors of Green Total Factor Productivity of Grain in the Huaihe River Eco-Economic Belt

  • HUANG Dunping ,
  • WU Yueyue ,
  • YANG Fan
Expand
  • School of Economics， Anhui University of Finance and Economics， Bengbu 233030，Anhui， China

Received date: 2025-04-29

  Revised date: 2025-08-13

  Online published: 2026-02-04

Fold

摘要

文章构建包含非期望产出的粮食绿色全要素生产率测算指标体系，采用超效率SBM模型和GML指数测度2012—2022年淮河生态经济带25个地级市粮食绿色全要素生产率，并运用地理探测器研究了其影响因素。研究发现：①2012—2022年淮河生态经济带粮食绿色全要素生产率均值呈现出“先降后升”的“U”型变化趋势，GML指数的小幅增长主要源自技术进步。②淮河生态经济带上、中、下游三大区域的粮食绿色全要素生产率时空格局存在显著差异。③农民生计保障、农业机械化水平是影响粮食绿色全要素生产率的核心因素，且各影响因子交互后的驱动效应得到显著提升。据此，提出应强化绿色技术攻关与数据赋能、采取差异化针对性的发展策略，健全农户保障机制与农机现代化体系、实施系统协同规划等对策建议。

关键词： 淮河生态经济带; 粮食绿色全要素生产率; 超效率SBM模型; GML指数; 地理探测器

本文引用格式

黄敦平 , 吴跃跃 , 杨凡 . 淮河生态经济带粮食绿色全要素生产率变化特征及其影响因素[J]. 经济地理, 2025 , 45(12) : 198 -207 . DOI: 10.15957/j.cnki.jjdl.2025.12.020

Abstract

This study constructs an indicator system for measuring green total factor productivity of grain (GTFP) that includes undesirable outputs, and employs the super efficiency SBM model and the GML index to measure the GTFP of 25 prefecture-level cities in the Huaihe River Eco-Economic Belt from 2012 to 2022. Furthermore, it uses the geographic detector to investigate its influencing factors. The study finds that: 1) From 2012 to 2022, the average GTFP of the Huaihe River Eco-Economic Belt shows a U-shaped trend of first decreasing and then increasing. The slight increase in the GML indexis primarily attributed to technological progress. 2) There are significant disparities in the spatiotemporal patterns of GTFP across the upper, middle, and lower reaches of the Huaihe River Eco-Economic Belt. 3) Farmers' livelihood security and the level of agricultural mechanization are core factors influencing GTFP. Moreover, the driving effect after the interaction of various influencing factors is significantly enhanced. Based on these findings, this paper proposes the following recommendations: including strengthening green technology innovation and data empowerment, adopting differentiated and targeted development strategies, and improving farmer support mechanisms alongside modernizing agricultural machinery systems, all requiring coordinated implementation through systematic cross-sectoral planning.

Key words： the Huaihe River Eco-Economic Belt; green total factor productivity of grain; super efficiency SBM model; GML index; geographic detector

党的二十大报告明确提出要“全方位夯实粮食安全根基”，推动农业绿色发展。粮食绿色全要素生产率作为衡量农业生产中资源投入、环境损耗与经济产出综合效率的重要工具，其提升是破解粮食主产区“高产出—高污染”发展困境的关键所在。淮河生态经济带地处中原腹地，是连接东部沿海和中西部内陆的重要纽带，也是我国三大商品粮生产基地之一，其粮食安全直接关乎国家稳定和民生福祉。当前，淮河生态经济带正面临农业面源污染日益加重、耕地面积持续减少、粮地匹配度偏低等结构性矛盾[1]，依靠单纯增加要素投入提升粮食生产效率的传统模式已不可持续，亟需寻求粮食生产与农业发展新路径。因此，深入探究淮河生态经济带粮食绿色全要素生产率的时空特征及影响因素，可为制定科学的区域农业发展政策提供理论依据。
生态效率的概念最早由Schaltegger等[2]提出，并经Fussler[3]于1995年引入中国，其核心是衡量在生产和服务过程中增加的经济价值与产生的环境影响之间的比值。作为生态效率理念的延伸，绿色效率进一步聚焦经济活动与生态保护的协同优化，强调发展质量与环境效益的统一，逐渐成为评估可持续发展水平的关键指标。在此背景下，为克服以考虑经济因素为主的粮食全要素生产率测算方式的局限性，学者们[4-5]开始构建包含环境因素的粮食全要素生产率指标体系以平衡粮食生产过程中的经济效益与生态影响。在研究内容方面，部分学者致力于构建包含资源消耗、环境污染和生态效益的粮食绿色全要素生产率指标体系，分析资源禀赋[6]、制度变迁[7]、土地流转[8]等单一因素对粮食绿色全要素生产率的影响机制，探讨如何通过政策调控、技术创新等手段提高粮食绿色全要素生产率[9]，但对区域农业发展时空特征的系统性研究相对匮乏。而对于粮食绿色全要素生产率指标体系中的非期望产出选择与界定问题，有学者选取农业面源污染衡量农业生产的环境负外部性[10]；在国家“双碳”目标提出后，另有学者将农业碳排放作为评估农业生产环境的核心指标[11]。然而，若仅考虑面源污染，会忽略农业作为重要碳源对气候变化的影响，而仅考虑碳排放则无法全面反映化肥、农药等投入品对水土生态系统的直接负面效应。在研究方法方面，现有文献主要采用SBM模型[12]、DEA模型[13]等方法测算粮食绿色全要素生产率，并在此基础上结合核密度分析、GIS可视化分析以及莫兰指数等方法探讨粮食绿色全要素生产率的时空演变特征。在研究对象方面，现有文献主要关注全国层面、省级行政区、城市群或重点区域[14]。与此同时，在全要素生产率测算理论不断深化和计量方法持续革新的背景下，探究粮食绿色全要素生产率增长的影响因素也成为重要的研究方向。学术界普遍采用Tobit模型、障碍度模型、空间计量模型等方法[15]系统分析粮食绿色全要素生产率影响因素，发现影响粮食绿色全要素生产率的因素主要分为自然生态环境、经济社会条件、技术和资本投入以及政策制度4个维度[16-17]。由此可见，尽管研究尺度与方法存在差异，但众多研究[18-19]对于在经济发展水平、农业机械投入、农业基础设施以及农民收入等基础因素对粮食绿色全要素生产率的正向促进作用上已形成一定共识。此外，在2018年淮河生态经济带粮食生产与生态保护上升为国家战略后，学界对其农业绿色发展的研究日益增多，学者们探讨了淮河生态经济带耕地资源分布特征[20]、气候变化[21]对该区域粮食生产的影响，评估了淮河生态经济带粮食生产和城镇化耦合协调水平[22]，并深入分析其影响因素[23]。
综上所述，学界已对粮食绿色全要素生产率的测算方法、指标体系构建及影响因素展开了较为深入的研究，为本研究提供了坚实的理论基础。本文聚焦淮河生态经济带25个地级市，测度淮河生态经济带粮食绿色全要素生产率，分析其变化特征和影响因素，以期为区域粮食生产绿色高质量发展提供理论支撑，并为其他地区农业可持续发展提供借鉴。

1 淮河生态经济带粮食绿色全要素生产率测算和数据来源

1.1 指标选择

粮食绿色全要素生产率测算指标体系由粮食生产投入要素、期望产出和非期望产出三大类指标构成，各具体指标[24]及测算方法见表1。鉴于粮食生产要素投入的专项统计数据缺失，为保证投入产出指标与粮食总产量及其生态价值测算的统计口径一致性，采用权重系数法获取粮食生产的投入产出数据。
表1 粮食绿色全要素生产率评价指标体系及说明

Tab.1 Evaluation indicator system for green total factor productivity of grain

指标类别 指标 计算方法 单位
投入要素 劳动力投入 第一产业从业人员·B 万人
资本投入 第一产业固定资本投资·B 亿元
土地投入 粮食作物播种面积 千hm2
水资源投入 农田有效灌溉面积·A 千hm2
能源投入 化肥、农药主要能源物资消耗·A 万t
期望产出 粮食种植生态价值 生态系统服务价值评价法测算 /
粮食总产量 统计数据 万t
非期望产出 面源污染 农业面源污染·A 万t
碳排放 农业碳排放·A 万t

注：A、B为权重系数。其中：A=（粮食作物播种面积/农作物播种面积），B=A·（农业总产值/农林牧渔业总产值）；A∈[0.61,0.95]，B∈[0.28,0.61]。

粮食种植生态价值：耕地是粮食生产的基础，不仅承载着粮食作物的生产功能，更是一个多功能的复合型生态系统。本文采用生态系统服务价值评价法（ESV）定量测算淮河生态经济带粮食种植生态价值，基于Costanza等提出的当量因子法[25]，并参考谢高地等修正的中国内陆耕地生态价值评价系数[26]（气体调节为1.78、气候调节为0.93、净化环境为0.27、水文调节为2.99、土壤保持为1.04、维持生物多样性为0.34、提供美学景观为0.15），同时结合淮河生态经济带区域特征，引入耕地生态系统生物量因子修正系数（河南省为1.39，安徽省为1.17，山东省为1.38，江苏省为1.74），具体公式如下：
$ESV=\sum _{i=1}^{7}{F}_{i}·{S}_{t}·P·K$
式中：ESV代表粮食种植过程产生的生态服务价值；i代表耕地生态系统服务的7个功能维度；S表示各区域粮食耕种面积；t为样本观测期；P为基于稻谷、小麦和玉米三大粮食主产物计算的粮食单产可比价格（以2012年为基期）；F代表各项生态系统服务价值的当量因子；K代表淮河生态经济带各区域的修正系数。
碳排放：将农用化肥、农药、农用机械总动力、农作物播种面积和农田有效灌溉面积列为主要碳源，参考冯颖等[27]的研究数据，碳排放系数分别是化肥0.8956 kg/kg、农药4.9341 kg/kg、农用机械总动力0.18 kg/kW、农田翻耕312.6 kg/km2、农田灌溉20.476 kg/hm2。估算公式如下：
$C=\sum _{i=1}^{n}{C}_{i}=\sum _{i=1}^{n}\left({U}_{i}·{\mu }_{i}\right)$
式中：C表示农业生产过程中的碳排放总量；Ci是第i种类型碳源排放量；Ui代表第i种类型碳源使用量；${\mu }_{i}$为第i种类型碳源对应碳排放系数；n为碳源的类型数量。
面源污染：吴义根等的研究表明农药和农膜对于面源污染贡献率较低[28]，因此本文参考罗千峰的研究[29]，主要考虑化肥流失、粮食作物固体废弃物两种污染源，具体估算公式见表2，相关系数主要参考《全国第一次农业污染源普查（2010）》[30]。
表2 不同污染源的污染物排放量估算公式

Tab.2 Estimation formulas for pollutant emissions from different pollution sources

污染单元 公式 污染物
化肥施用 Ei=TN污染量+TP污染量 TN、TP
TN污染量=氮肥施用量·氮肥流失系数+复合肥施用量·氮肥占比·氮肥流失系数
TP污染量=磷肥施用量·磷肥流失系数+复合肥施用量·磷肥占比·磷肥流失系数
粮食作物固体废弃物 粮食作物产量·废弃部分占粮食产量部分的比例·废弃部分污染物含量系数（TN、TP、COD）·废弃部分流失率（TN、TP、COD） TN、TP、COD

1.2 研究方法

1.2.1 超效率SBM模型

本文采用Tone[31]提出的超效率SBM模型测度淮河生态经济带粮食绿色全要素生产率。该模型同时考虑投入和产出的松弛变量，提供更加精确的效率测度，能同时处理期望产出和非期望产出，得出生态约束下的粮食生产效率。

1.2.2 GML指数

超效率SBM模型仅能测算每个决策单元的静态效率，无法全面反映粮食绿色全要素生产率的动态演变特征。为克服这一局限性，本文引入Oh[32]提出的全局Malmquist-Luenberger指数评估动态效率，该指数结合了Malmquist指数和Luenberger生产率指标，具备传递性且能有效规避无可行解问题。

1.2.3 地理探测器

地理探测器是一种检测地理变量之间相互关系的空间分析方法，能够量化一个因素对地理现象空间分布的解释能力。使用地理探测器中的因子探测器和交互探测器可测度各因子对淮河生态经济带粮食绿色全要素生产率的解释力，以此识别淮河生态经济带粮食绿色全要素生产率时空分异的驱动机制[33]。

1.3 研究区域与数据来源

淮河生态经济带是2018年经国务院批复的《淮河生态经济带发展规划（2018—2035年）》（简称《规划》）所确立的国家级战略区域。从地理位置看，该区域以淮河干流、一级支流及下游沂沭泗水系流经的地区为规划范围，包括苏、鲁、皖、豫、鄂5省25个地级市和4个县级市（县），处于长江流域和黄河流域之间，是我国东中部协调发展的关键廊道和南北气候过渡带。在功能定位上，淮河生态经济带凭借优越的水土光热条件，成为保障国家粮食安全的核心主产区和“压舱石”，其粮食产量占全国近1/5。政策支持方面，国家高度重视淮河生态经济带的发展，《规划》明确要求将其建设成为“流域生态文明建设的示范带”和“现代农业发展的高地”，为区域农业绿色转型与高质量发展提供了坚实的政策指引。鉴于地级市层面统计数据更为完整、连续且具有可比性，为保证研究样本的一致性，本文选取2012—2022年淮河生态经济带25个地级市的面板数据作为研究样本，空间数据来源于国家基础地理信息中心提供的市级行政区划矢量数据。样本数据来源主要包括国家统计局和淮河生态经济带各地级市统计年鉴，对于部分未纳入统计年鉴的指标，通过EPS数据库等专业数据平台进行补充采集，对个别年份的缺失数据采用线性插值法推算。

2 淮河生态经济带粮食绿色全要素生产率总体趋势与变化特征

2.1 基于超效率SBM模型的测算结果

本文基于考虑非期望产出的超效率SBM模型，采用Dearun测算2012—2022年淮河生态经济带25个地级市粮食绿色全要素生产率。由图1可知，2012—2022年，淮河生态经济带25个地级市的粮食绿色全要素生产率均值整体呈现上升趋势，从2012年0.631增长至2022年0.690，总体增长率为9.35％，说明淮河生态经济带农业绿色化发展取得较好成效，但粮食绿色全要素生产率整体水平与理想效率前沿“1”仍存在较大差距。进一步分析发现，淮河生态经济带粮食绿色全要素生产率均值并非持续增长，而是呈现出“先降后升”的“U”型阶段性特征。其中，2012—2016年粮食绿色全要素生产率均值呈波动下降态势，2016年降至谷点。可能的原因是，该时期我国农业补贴政策仍以粮食产量、土地面积为核心考核指标，淮河生态经济带作为粮食主产区确保粮食产量的政治任务尤为突出，导致地方政府延续“重产量轻生态”的路径依赖，未能有效约束化肥、农药等环境负外部性投入品的过量使用，甚至可能因补贴资金用于购买更多农资而产生“增产增污”的逆向激励，延缓绿色生产技术的推广进程。2016—2018年，粮食绿色全要素生产率均值呈现波动上升趋势。2016年中央启动的以绿色生态为导向的农业补贴制度改革方案和“化肥农药零增长行动”在淮河生态经济带各省市的逐步推开，产生了一定的积极影响。然而，由于生态环境保护与农业生产之间的协调机制不完善等深层次结构性问题在短期内未得到有效解决，粮食绿色全要素生产率进一步提升依然受到制约。2019年是淮河生态经济带粮食绿色全要素生产率曲线的明显转折点，此后至2022年，淮河生态经济带粮食绿色全要素生产率均值迅速上升。具体而言，由2019年的0.591增加到2022年的0.690，提高了16.75%，这一显著提升可归因于：一方面，2018年《淮河生态经济带规划》首次从国家战略层面提出对深入推进农业供给侧结构性改革做全面部署，强调优化沿淮地区的农业种植结构，发展优质专用小麦、水稻等主粮作物，推广稻渔综合种养等生态复合模式；在阜阳、商丘和临沂市等粮食核心产区加速推进全程机械化作业，以及在洪泽湖、南四湖、高邮湖等生态敏感区推广环境友好型农业技术。另一方面，由于新冠疫情等各类因素叠加冲击，跨区域人员流动受限、农业劳动力短缺、产业链中断等问题凸显。在此背景下，农业生产系统加速数字化转型和生产方式创新，农业数据流通壁垒逐渐被打通，低成本、易操作、易维护的农业绿色生产装备开始普及，资源利用效率显著提高。
图1 2012—2022年淮河生态经济带粮食绿色全要素生产率均值变化趋势

Fig.1 Trend of mean green total factor productivity of grain in the Huaihe River Eco-Economic Belt from 2012 to 2022

为进一步分析淮河生态经济带市域粮食绿色全要素生产率变化，将研究期内淮河生态经济带粮食绿色全要素生产率划分为5个等级，分别为低水平区（GTFP<0.4）、较低水平区（0.4≤GTFP<0.55）、中等水平区（0.55≤GTFP<0.7）、较高水平区（0.7≤GTFP<0.85）、高水平区（GTFP≥0.85）。运用ArcGIS10.8软件绘制2012、2014、2016、2018、2020和2022年淮河生态经济带各地级市粮食绿色全要素生产率的时空分布图（图2）。
图2 淮河生态经济带市域粮食绿色全要素生产率变化

Fig.2 Variations in green total factor productivity of grain at the municipal level in the Huaihe River Eco-Economic Belt

分区域来看，淮河生态经济带三大区域粮食绿色全要素生产率呈现出差异化的空间格局（图2）。上游地区呈现“中心高—外围低”的空间分布格局，以驻马店和漯河市为中心通过要素流动和技术扩散等机制不断向周边区域辐射扩散，且辐射效应显著。中游地区呈现“南高北低”空间分布格局，且粮食绿色全要素生产率较低水平城市呈连片分布。具体来看，南部城市的提升趋势明显：六安市表现尤为突出，从2012年的低水平区逐步跃升到2022年的高水平区；滁州和亳州市则呈现稳步提升态势，由较低水平区逐渐提升至中等水平区；阜阳市总体维持在中等水平区；相比之下，区内北部的枣庄市2012年之后持续处于低水平区，是该区效率最低的城市，宿州、淮北、济宁和临沂市大多时期均为较低水平区。虽然研究期内中游地区半数以上城市粮食绿色全要素生产率有所提升，但整体仍属于低效率集中区，枣庄、济宁和淮北等城市受限于经济结构、自然禀赋、发展战略等因素，其生产率提升难度大，因此在研究期内基本保持稳定。下游地区呈现“东高西低”的空间分布特征，整体效率值较高。东部的盐城市始终保持在高水平区，扬州和泰州市常年在较高水平区和高水平区之间波动；相比之下，西部的宿迁市由2012年的高水平区逐渐下降至中等水平区，而徐州市呈现稳步提升态势，由中等水平区逐渐提升至高水平区；连云港市粮食绿色全要素生产率值虽在2022年达到较高水平，但其余年份多为中等水平区；淮安市则长期处于中等水平区。

2.2 基于GML指数的测算结果

本文采用GML指数评估2012—2022年淮河生态经济带粮食绿色全要素生产率动态变化情况。由图3可知，2012—2022年淮河生态经济带GEC、GTC均值呈现波动变化特征。具体而言，研究期内GEC均值在2014—2016年和2018—2020年连续上升，整体波动幅度较大。相比之下，GTC均值初期波动更为剧烈，起伏较大，但随着时间的推移，波动幅度逐渐减缓，趋于平稳。进一步分析发现，除2019—2020和2021—2022年外，GEC与GTC均值的波动方向呈现明显的相反趋势，尤其是在2014—2016年GEC均值持续上升，而GTC均值却持续下降，表明二者之间较为明显的“背离”现象。
图3 2012—2022年淮河生态经济带GEC、GTC均值变动情况

Fig.3 Changes in the mean values of GEC and GTC in the Huaihe River Eco-Economic Belt from 2012 to 2022

由表3可知，2012—2022年淮河生态经济带上中下游地区的GTFP、GEC、GTC均值均大于1，即各指标的年均增长率均为正值。其中，GTFP均值最高的是中游地区（1.026），其次是下游地区（1.019），上游地区（1.001）最低，这表明淮河生态经济带整体呈现良性发展态势，各区域粮食绿色全要素生产率均实现正向增长，各地级市普遍积极响应粮食产业高质量发展的方针。值得注意的是，与粮食绿色全要素生产率静态效率测算结果不同，动态视角下淮河生态经济带中游地区GTFP提升幅度最大，年均增长率达2.6%，说明中游地区正通过积极学习先进经验、优化资源配置和加速技术采纳等方式实现GTFP的快速追赶。此外，表3还显示出2012—2022年淮河生态经济带上中下游三大区域GTC均值均高于GEC均值，说明技术进步是淮河生态经济带GTFP增长贡献的主要来源，反映淮河生态经济带正持续加大在粮食生产技术领域的投入，深入贯彻种业振兴战略，并致力于攻克农业关键技术瓶颈、实现技术创新突破，显著提升了淮河生态经济带资源利用、资源配置效率以及农业绿色发展水平。
表3 淮河生态经济带粮食绿色全要素生产率的GML指数及其分解

Tab.3 GML index of green total factor productivity of grain and its decomposition in the Huaihe River Eco-Economic Belt

年份 上游 中游 下游
GEC GTC GTFP GEC GTC GTFP GEC GTC GTFP
2012—2013 0.972 0.877 0.851 1.003 0.936 0.923 0.992 1.056 1.034
2013—2014 0.977 1.142 1.131 0.849 1.235 1.011 1.025 0.963 0.968
2014—2015 0.921 1.000 0.909 1.057 1.030 1.037 1.026 1.065 1.036
2015—2016 1.108 0.815 0.885 1.054 0.980 0.956 0.932 1.033 0.936
2016—2017 0.887 1.267 1.117 0.947 1.141 1.051 0.996 1.009 1.004
2017—2018 0.947 1.039 0.928 0.912 1.080 0.958 1.055 0.963 1.011
2018—2019 1.159 0.894 1.023 1.104 0.974 1.042 1.050 1.081 1.141
2019—2020 1.140 1.179 1.304 1.392 0.923 1.153 1.079 0.905 0.955
2020—2021 0.941 1.005 0.936 1.072 1.057 1.055 0.998 1.036 1.033
2021—2022 1.043 0.984 1.013 1.013 1.061 1.072 1.003 1.067 1.070
均值 1.001 1.020 1.001 1.040 1.042 1.026 1.016 1.018 1.019

注：GEC为综合技术效率；GTC是技术进步指数；GTFP为粮食绿色全要素生产率。

从时间序列来看，加入碳排放、面源污染、粮食种植生态价值等环境变量后，研究期内各区域的GTFP呈现出“前期波动变化，后期优化提升”的阶段性特征。其中，上游地区2012—2018年GTFP值在1上下波动，而在2019—2022年，GTFP值有3年保持增长，尤其在2019—2020年增幅高达30.4%，整体表现明显优于前期。中游地区2012—2018年GTFP值同样围绕1上下波动，2019—2022年GTFP值则基本保持在1以上，呈现出较为稳定的上升趋势。下游地区2012—2018年GTFP值有2年处于退步状态，其余年份均大于1，但提升幅度有限；2019—2022年GTFP值变化与上游地区类似，同样有3个年份处于递增状态，并在2018—2019年实现14.1%的显著增长，虽然在2019—2020年回落至0.955，但随后两年又持续上升。综合各区域GTFP变化表现可以推断：研究初期，以牺牲环境为代价换取产出增长的粗放型发展模式在淮河生态经济带内难以为继，GTFP在部分年份出现阶段性下滑。近年来，随着生态文明建设的深入推进和环境治理力度的不断加强，即使在经济发展水平相对滞后的地区，环境质量的持续改善也有效促进GTFP稳步提升，反映出淮河生态经济带在经济发展模式转型和绿色发展方面取得积极成效。

3 淮河生态经济带粮食绿色全要素生产率影响因素探测分析

3.1 变量选取

粮食绿色全要素生产率是对粮食生产过程投入产出效率与环境影响的综合评估，其水平高低受到自然禀赋、经济发展水平、区域发展规划等多重因素的影响。本文以超效率SBM模型测算的淮河生态经济带粮食绿色全要素生产率作为被解释变量，参考已有研究[34-35]，选择以下8个变量探究淮河生态经济带粮食绿色全要素生产率的影响因素（表4）。
表4 淮河生态经济带粮食绿色全要素生产率影响因素变量选取及说明

Tab.4 Variable selection for influencing factors of green total factor productivity of grain in the Huaihe River Eco-Economic Belt

变量类别 变量名称 变量符号 变量定义(单位)
被解释变量 粮食绿色全要素生产率 GTFP 超效率SBM模型测算所得（/）
解释变量 单位面积粮食产量 X1 粮食作物总产量与粮食作物播种面积之比（万t/千hm2）
城镇化水平 X2 城镇居民人口占总人口比例（%）
政府行为 X3 第一产业固定投资/第一产业从业人员（亿元/万人）
农业水利设施 X4 有效灌溉面积/农作物播种面积（%）
农业电力设施 X5 农村用电量（亿kW·h）
农业机械化水平 X6 农用机械总动力与农作物播种面积之比（万kW/千hm2）
农户生计保障 X7 农村居民人均可支配收入取对数（/）
环境规制 X8 环保财政支出乘以农业产值占GDP比例（亿元）

3.2 单因子探测分析

由表5可知，农户生计保障因子对淮河生态经济带粮食绿色全要素生产率的影响强度基本稳定在前2名，农业机械化水平因子的影响强度排名则有9年位列前3；单位面积粮食产量因子的影响强度则相对稳定，长期维持在中等水平；城镇化水平、政府行为因子对粮食绿色全要素生产率的影响能力长期位于末尾段；农业水利设施因子对粮食绿色全要素生产率的影响由弱到强，不断向前列靠近，而农业电力设施和环境规制因子的驱动效应逐渐减弱。
表5 单因子探测结果

Tab.5 Single-Factor Detection Results

影响因子 q值
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
粮食单产X1 0.167 0.235 0.387 0.551 0.382 0.603 0.433 0.556 0.298 0.343 0.324
排名 5 6 2 3 3 2 5 3 5 4 4
城镇化水平X2 0.095 0.261 0.192 0.332 0.344 0.321 0.333 0.385 0.166 0.227 0.300
排名 7 4 5 5 5 4 6 7 7 6 5
政府行为X3 0.088 0.078 0.145 0.184 0.167 0.261 0.116 0.399 0.235 0.315 0.249
排名 8 7 6 7 6 5 7 6 6 5 6
农水设施X4 0.143 0.059 0.017 0.075 0.044 0.131 0.437 0.556 0.325 0.522 0.635
排名 6 8 8 8 8 7 4 2 3 1 1
农电设施X5 0.224 0.351 0.329 0.434 0.555 0.254 0.569 0.500 0.306 0.223 0.216
排名 3 3 4 4 2 6 2 4 4 7 7
农机化水平X6 0.267 0.447 0.341 0.576 0.368 0.387 0.486 0.447 0.372 0.351 0.332
排名 2 2 3 2 4 3 3 5 2 3 3
农户生计X7 0.220 0.478 0.519 0.638 0.734 0.648 0.602 0.775 0.385 0.480 0.462
排名 4 1 1 1 1 1 1 1 1 2 2
环境规制X8 0.274 0.242 0.039 0.193 0.050 0.015 0.082 0.094 0.097 0.023 0.088
排名 1 5 7 6 7 8 8 8 8 8 8
农户生计保障、农业机械化水平的q值分别在0.220~0.775、0.267~0.576之间波动，二者在提升粮食绿色全要素生产率方面发挥不可忽视的作用。经济稳定的农户往往更加注重长远利益，不再单纯追求短期产出最大化，而是更倾向于采取可持续的耕作方式。而生计保障较低的农户通常更倾向于短期高投入、高强度的生产模式，这种模式表现为对生态资源的过度依赖和掠夺性利用行为，直接导致粮食绿色全要素生产率的下降；与传统粮食生产方式相比，现代农机装备不仅能够有效替代传统人工作业模式，而且通过节水灌溉系统、电动温控大棚等绿色技术的广泛应用，减少了传统柴油设备的能源消耗、化肥和农药的使用以及温室气体的排放，实现粮食生产效率和生态效益的双重提升。
与其他影响因子相比，单位面积粮食产量、城镇化水平、政府行为对粮食绿色全要素生产率的驱动能力相对较弱。造成该现象的主要原因在于：①单位面积粮食产量的快速增长往往以土地生态承载力下降为代价。在农田生态环境较为脆弱的地区，高产量会导致土壤肥力耗竭、结构破坏以及生物多样性降低，抵消了产量增长带来的经济效率提升。同时，在粮食主产区，单位面积粮食产量普遍已接近区域生态环境承载力的上限，进一步提高产量所需的资源投入与生态成本可能远超其收益。②快速工业化城镇化进程中的“人地矛盾”会对粮食生产用地资源产生挤压效应。工业和生活污染通过水体和大气扩散，破坏了周边农田的生态环境，增加了农业生产的治理成本。此外，尽管城镇化能为现代农业提供资金、技术和人才等要素支持，但这些要素向生态农业领域转化的渠道尚不通畅，其积极的“技术溢出”和“资本回流”效应未能充分显现，不足以抵消其带来的负面环境与资源压力。③部分政策未能精准匹配淮河生态经济带各地级市绿色农业发展的实际需求，导致资源配置效率偏低，且政策的效果显现往往需要较长的时间。2020年之后，政府行为的排名有所上升，这可能与新冠疫情密切相关，面对疫情带来的冲击和阻碍，政府加大对农业及农村经济的投入，从而使得政府行为相较于其他影响因子在粮食绿色全要素生产率的提升中发挥更加显著的作用。
农业水利设施对粮食绿色全要素生产率的解释力度逐渐增强，q值从最初的0.143上升到2022年的0.635。相比之下，农业电力设施因子驱动力排名在2020年后呈现明显的边际递减特征，其驱动力排名持续下滑；环境规制因子驱动力变化与农业电力设施相似，虽在2012年位于第1名，但随后大幅波动并持续降低，2013—2016年在中下游波动，2017—2022年更是长期处于8个影响因子的末位。淮河生态经济带作为我国重要的粮食生产区，其粮食生产对稳定的水资源供给具有高度敏感性，完善的水利设施不仅保障粮食种植区的灌溉需求，还能降低极端气候条件下的粮食生产波动。同时，水利设施的建设能优化土地资源的利用效率，有助于抑制土壤侵蚀与盐碱化，维持耕地生态系统的稳定性。相比之下，农业电力设施边际效益递减现象可归因于以下因素：一方面，研究区农业电力设施的覆盖率已趋近饱和，新增设施对粮食绿色全要素生产率的提升较为有限；另一方面，部分地区过度依赖电力设施，地下水超采、化石能源过度消耗等导致的生态环境问题，抵消了电力设施对生产效率的正向贡献。而环境规制解释能力低下的原因可能在于环保财政支出在现实中往往优先投向监管相对容易、成效更明显和政策压力更大的工业减排、城市环境治理等领域，直接用于农业污染预防和治理的比例偏低。此外，当前以财政支出为主的“命令控制型”规制，难以有效应对农业污染的分散性、隐蔽性和负外部性。

3.3 多因子探测分析

以2013、2016、2019和2022年4期为例，对上文各影响因子进行交互探测。由图4可知，不同影响因子的交互作用表现为双因子增强和非线性增强，说明任意两个因子的交互对粮食绿色全要素生产率的影响力度均要高于单个因子对粮食绿色全要素生产率的解释力，各影响因子之间存在较强的协同或放大效应。从时间序列来看，表现为双因子增强的影响因子组合在不同年份存在较大差异，且数量呈现先增后减的趋势，于2019年达到峰值，随后在2022年有所下降。其中，在2013年仅X1∩X6、X1∩X7、X2∩X6、X2∩X7、X5∩X7和X6∩X7表现为双因子增强，其余影响因子的交互作用则表现为非线性增强，表明该时期各因子的交互作用以非线性增强为主。2016年，该时期双因子增强的交互组合明显增加，除X1∩X7、X2∩X7、X3∩X7和X6∩X7表现出双因子增强关系外，X5与其他因子的协同作用有所减弱，其与X1、X2、X6、X7均呈现双因子增强的交互效应。2019年，双因子增强成为各影响因子主要的交互作用类型，X7与所有其他因子的交互作用均表现为此类交互；同时，X1、X5与除X8（环境规制）以外的其它影响因子的交互作用也均表现为双因子增强。到2022年，双因子增强的交互组合数量相较于2019年有所减少，主要集中在X4、X7与其他因子的组合。值得注意的是，X7在4个年份中频繁参与构成双因子增强组合，而较少涉及更强的非线性增强，这表明该因子与其他因子的协同效应稳定且显著，但其相互放大效应相对有限。
图4 因子交互探测结果

Fig.4 Factor interaction detection results

4 结论与建议

4.1 研究结论

本文基于包含粮食种植生态价值、碳排放和面源污染的粮食绿色全要素生产率投入产出指标体系，运用超效率SBM模型和GML指数测度2012—2022年淮河生态经济带25个地级市的粮食绿色全要素生产率，并进一步分析其变化特征；在此基础上，借助地理探测器识别了各影响因素对粮食绿色全要素生产率的作用强度及其交互效应。主要研究结论如下：
①研究期内淮河生态经济带粮食绿色全要素生产率均值由0.631增长至0.690，并呈现出“先降后升”的“U”型变化趋势。
②研究期内淮河生态经济带上中下游各地区内部的粮食绿色全要素生产率呈现显著的区域差异，上游地区呈“中心高—外围低”分布模式，中游地区呈“南高北低”空间分布格局，下游地区呈“东高西低”空间分布特征。
③技术进步是淮河生态经济带粮食绿色全要素生产率提升的主要推动力。研究期内，中游地区的粮食绿色全要素生产率指数平均最优（1.026），其次是下游地区（1.019），上游地区最低（1.001），均处于递增的状态。同时，2012—2022年淮河生态经济带GEC、GTC均值呈现波动变化特征，且二者变化趋势存在较明显的“背离”现象。进一步分析发现，淮河生态经济带上中下游各区域的GTFP呈现出“前期波动变化，后期优化提升”的变化特征。
④单因子探测结果表明，淮河生态经济带粮食绿色全要素生产率的空间差异是多种因素共同作用的结果，农户生计保障与农业机械化水平是其核心驱动因素。多因子探测结果显示，因子交互作用相较于单因子对粮食绿色全要素生产率的解释力明显增强。

4.2 政策建议

①强化绿色技术攻关与数据赋能，提升农业资源利用效率。围绕国家“藏粮于技”战略导向，重点投入数字农业、低碳农业及耕地保育等资源高效利用关键技术研发，并设立农业绿色技术研发与转化专项基金，发行专项“三农”金融债券。同时，鼓励科研机构与龙头企业合作共建数字化绿色化融合技术示范基地，重点研发和推广低成本、易操作、易维护的成套技术解决方案，打通技术落地应用的“最后一公里”。此外，加快制定并推广农业生产、环境、市场等关键数据统一采集标准，构建整合气象、土壤、作物长势、农机作业等多源数据的“淮河农业云”综合平台，破除数据壁垒。建立公共数据开放共享与市场化交易并行机制，促进数据要素向农业经营主体有效流动，赋能精准决策，提升农业机械、水利设施等硬件投入使用效率，实现资源整体优化配置。
②采取差异化、针对性的发展策略，因地制宜促进粮食产业提质增效。淮河生态经济带上游地区地处黄淮海冲积平原，淮河支流纵横交错、水量充沛、土地资源丰富、气候适宜、粮食生产条件优良，应落实耕地保护政策，推进高标准农田建设，同步发展“优质专用”导向的订单农业，以高品质实现高价值。同时，针对黄淮海平原季节性干旱和水资源时空分布不均的问题，应加强以节水灌溉为核心的农业水利设施现代化改造，推广喷灌、滴灌等水利技术。皖北、鲁西南交汇的中游地区，既是重要的粮食产区，也是煤炭、化工等传统工业重镇，应推动“工农互哺”的循环经济，利用蚌埠市等地的生物基材料产业基础，推动秸秆等农业废弃物的高值化利用。针对淮南、淮北、枣庄市等采煤沉陷区，发展“渔光互补”等特色农渔业，将生态包袱转化为发展新空间；对于六安市大别山山区和鲁南低山丘陵的坡度较大、地表破碎的地貌，应引进推广微耕机、小型收割机等适用于梯田、坡地作业的小型、便携式农机具降低劳动强度，提升农业机械化水平。下游地区处于长三角经济区辐射范围，资本、技术、人才等生产要素高度聚集，应充分发挥区位优势，强化创新要素集聚效应和成果转化效能，同时积极引导资本、技术和人才向粮食生产领域渗透。此外，应充分发挥粮食绿色全要素生产率高水平区域的标杆示范作用，依托盐城市的沿海滩涂生态农业、淮安市的国家农业科技园区等成功经验，积极推动跨区域合作项目，建立常态化经验推广和干部交流机制，带动其他相对滞后城市实现区域绿色农业的协同发展。
③健全农户保障机制与农机现代化体系，夯实粮食生产发展基础。研究表明，农户生计保障和农业机械化水平是粮食绿色全要素生产率变化的关键驱动因素。为此，一方面要着力构建多层次、全方位的社会保障与激励机制，建立与农户采纳绿色生产技术、保护耕地质量、参与碳汇项目相挂钩的精准生态补偿和财政补贴机制，取代过去普惠式的补贴，直接激励生态友好行为。另一方面，要大力支持绿色农机技术研发和推广应用，重点培育和引进节能低碳、智能精准的农业装备，加大高标准农田建设中平整地块、修建机耕道等“宜机化”改造投入，并通过财政补贴和金融支持，加速农业生产装备升级，扶持“农机合作社+跨区作业服务”，建立区域性农机调度服务平台，推广“土地股份合作”“生产全程托管”等模式应对耕地细碎化问题。
④实施系统协同规划，提升政策综合效能。各影响因子之间表现为双因子增强和非线性增强，故应制定系统性、综合性的规划策略，在年度财政预算和重大项目投资审批中，引入“交互效应评估”环节，优先支持能同时提升粮食产量，改善农户生计，并促进农业基础设施现代化的综合性项目，充分发挥各因子间的协同效益。同时，在推进城镇化的过程中，必须同步规划高标准农田建设和农业基础设施升级，以降低城镇化带来的优质耕地流失风险，将城镇化的人才、资本优势与现代农业发展需求精准对接，引导其有效流入农业领域，真正形成城镇化与农业现代化相互促进、协同发展的良性循环格局。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
江激宇, 刘嘉铭, 赵勇, 等. 淮河流域气候变化对粮食生产用水绿色效率的影响[J]. 经济地理, 2024, 44(8):181-190.

DOI

[2]
Schaltegger S, Sturm A. Ökologische rationalität:ansatzpunkte zur ausgestaltung von ökologieorientierten managementinstrumenten[J]. Die Unternehmung, 1990, 44(4):273-290.

[3]
Fussier C. The development of industrial eco-efficiency[J]. Industry and Environment (Chinese Version), 1995, 17(4):71-74.

[4]
马文江, 白妙琴, 阿迪力·艾合买提, 等. “双碳”目标下新疆粮食绿色全要素生产率的时空分异及驱动因素分析[J]. 干旱区地理, 2023, 46(12):2029-2041.

DOI

[5]
周应恒, 杨宗之. 生态价值视角下中国省域粮食绿色全要素生产率时空特征分析[J]. 中国生态农业学报(中英文), 2021, 29(10):1786-1799.

[6]
张利国, 谭笑, 肖晴川, 等. 基于气候资源投入的中国农业生态效率测度与区域差异[J]. 经济地理, 2023, 43(4):154-163.

DOI

[7]
方芳, 张立杰, 赵军. 制度组态视角下提升农业绿色全要素生产率的多元路径探析——基于动态QCA的面板数据分析[J]. 中国农村经济, 2024(02):44-66.

[8]
匡远配, 张容. 农地流转对粮食生产生态效率的影响[J]. 中国人口·资源与环境, 2021, 31(4):172-180.

[9]
秦腾, 支彦玲, 佟金萍, 等. 中国粮食生产效率的内生增长潜力与提升路径[J]. 统计与决策, 2024, 40(14):35-39.

[10]
吴海霞, 郝含涛, 葛岩. 粮食主产区政策对农业环境全要素生产率的效应评估[J]. 资源科学, 2022, 44(2):334-349.

DOI

[11]
杨小娟, 陈耀, 高瑞宏. 甘肃省农业环境效率及碳排放约束下农业全要素生产率测算研究[J]. 中国农业资源与区划, 2021, 42(8):13-20.

[12]
尹朝静, 杨坤, 田云. 中国农业生态全要素生产率增长:经验事实、区域差异与动态演进[J]. 中国农村经济, 2024(2):20-43.

[13]
田云, 廖华. 两阶段视角下中国农业绿色发展效率测度、演进特征及空间溢出效应[J]. 中国人口·资源与环境, 2024, 34(10):160-172.

[14]
马艳. 基于两阶段Super—-NSBM模型的农业生态效率及影响因素研究——以长江经济带为例[J]. 长江流域资源与环境, 2023, 32(4):883-894.

[15]
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

[16]
李自强, 叶伟娇, 梅冬, 等. 环境规制视角下农业基础设施对粮食生态全要素生产率的影响[J]. 中国生态农业学报(中英文), 2022, 30(11):1862-1876.

[17]
林利平, 张悟移. 粮食主产区农业生态效率时空特征、驱动因素及提升路径[J]. 资源科学, 2025, 47(2):402-416.

DOI

[18]
李冬梅, 祁悦, 龚河阳, 等. 生态视角下吉林省粮食生产效率偏差时空演变与影响因素研究[J]. 地理科学, 2025, 45(5):1050-1061.

DOI

[19]
刘婷婷, 秦会艳, 黄颖利. 粮食主产区农业生态效率时空演变及驱动因素研究——基于三大流域视角[J]. 长江流域资源与环境, 2024, 33(11):2513-2524.

[20]
孙博, 吴雨珂, 闫白冰, 等. 1990—2020年淮河生态经济带耕地资源分布变化特征与驱动机制[J]. 农业工程学报, 2023, 39(23):247-258.

[21]
郭利京, 金娜. 淮河生态经济带极端天气变化对粮食生产影响研究[J]. 长江流域资源与环境, 2024, 33(5):1099-1109.

[22]
刘传明, 范观宇, 王呈祥, 等. 淮河生态经济带城镇化与粮食生产耦合协调性时空特征[J]. 地域研究与开发, 2022, 41(1):38-44.

[23]
刘传明, 范观宇, 毛广雄, 等. 近20年淮河生态经济带粮食生产效率时空变化与影响因素[J]. 自然资源学报, 2023, 38(3):707-720.

DOI

[24]
田红宇, 刘行, 苏治豪. 长江经济带粮食生态全要素生产率的时空特征[J]. 中国生态农业学报(中英文), 2024, 32(2):344-354.

[25]
Costanza R, d' Arge R, De Groot R, et al. The value of the world's ecosystem services and natural capital[J]. Nature, 1997, 387(6630):253-260.

DOI

[26]
谢高地, 张彩霞, 张雷明, 等. 基于单位面积价值当量因子的生态系统服务价值化方法改进[J]. 自然资源学报, 2015, 30(8):1243-1254.

[27]
冯颖, 刘凡. “双碳”目标约束下农作物种植结构对农业绿色全要素生产率的影响研究:以陕西省为例[J]. 地球环境学报, 2023, 14(6):725-739.

[28]
吴义根, 冯开文, 李谷成. 我国农业面源污染的时空分异与动态演进[J]. 中国农业大学学报, 2017, 22(7):186-199.

[29]
罗千峰. 智能化对农户绿色低碳生产转型的影响及作用机制[J]. 中国人口·资源与环境, 2025, 35(2):88-100.

[30]
第一次全国污染源普查资料编纂委员会. 第一次全国污染源普查资料文集:污染源普查公报与大事记[M]. 北京: 中国环境科学出版社, 2011.

[31]
Tone K. A slacks-based measure of super-efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130(3):498-509.

DOI

[32]
Oh D. A global Malmquist-Luenberger productivity index[J]. Journal of Productivity Analysis, 2010, 34(3):183-197.

DOI

[33]
魏统锋, 孙海燕, 秦伟山, 等. 近10年中国会展场馆分布的时空异质性及其演化机理[J]. 经济地理, 2024, 44(12):82-90.

DOI

[34]
冀玄玄, 姜军松. 粮食主产区农业生态效率时空演变及影响因素研究[J]. 统计与决策, 2024, 40(1):91-96.

[35]
胡永浩, 张昆扬, 武拉平, 等. 环境规制对农业绿色全要素生产率的影响[J]. 生态经济, 2023, 39(12):118-125.

Options
文章导航

/

〈 〉