EN中文

Economic geography >

2020 , Vol. 40 >Issue 4: 175 - 183

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.04.020

Temporal and Spatial Analysis of County Agricultural Efficiency in Anhui Province Based on SSBM-ESDA Model

  • WANG Haifei
Expand
  • School of Economics and Management，Zhaoqing University，Zhaoqing 526061，Guangdong，China

Received date: 2019-06-13

  Revised date: 2019-11-25

  Online published: 2025-04-08

Fold

Abstract

Taking green agriculture development as the guide,chose agricultural low carbon emission as the non-expected output index,and adopted the super-efficiency SBM model(SSBM model) and combined with the Exploratory Spatial Data Analysis method(ESDA). The development level,spatial pattern and evolutional trend of agricultural efficiency in Anhui province from 2000 to 2017 were analyzed by using county unit. It is found that. 1) The traditional DEA model ignores the negative effects of unwanted output such as agricultural carbon emissions,thus overestimating the actual state of agricultural resource utilization,and the SSBM model based on super-efficiency can better identify the relationship between the evaluation units. 2) During the research period,the agricultural efficiency in Anhui Province was fluctuating,but it was generally at a moderate level,and the spatial distribution of agricultural efficiency in counties was uneven. The trend of spatial change showed a gradual increase from west to East and U-type growth from north to South. The increase of the difference between North and South is the dominant factor in the increase of the difference of agricultural efficiency between counties(cities and districts) in Anhui Province. 3) In addition to 2010,the agricultural efficiency of Anhui Province is positively related,and the spatial differences have narrowed,but the degree of spatial concentration is relatively weak. 4) During the research period,the number of counties(cities and districts) that are positively related to the agricultural efficiency space in Anhui Province has increased,indicating that the agricultural efficiency space in Anhui Province has further gathered during this period,and the LL-type cluster in northern Anhui Province should be the focus of agricultural development in Anhui Province.

Key words： super-efficiency unexpected outputs; agricultural efficiency; evaluation; green agriculture development; low carbon emissions; agricultural resources

Cite this article

WANG Haifei . Temporal and Spatial Analysis of County Agricultural Efficiency in Anhui Province Based on SSBM-ESDA Model[J]. Economic geography, 2020 , 40(4) : 175 -183 . DOI: 10.15957/j.cnki.jjdl.2020.04.020

农业是国民经济基础性产业，也是国家稳定和安全的重要保障。改革开放40多年来，中国农业发展成效显著，粮食综合生产能力连跨新台阶，确保了国家粮食安全。2018年中国粮食产量达到6.58亿t，是1978年的30倍，年均增速达到1.82%；农业产值63 671亿元，是1978年的45.6倍，年均增速达到10%左右。然而，由于长期对农业的粗放型经营，我国农业和农村生态环境问题日益凸出，严重制约农业的长远发展[1]。农业快速发展的背后，却是农药、化肥、农膜等农资的过度施用，并引发土壤污染、水土流失、资源浪费等一系列资源环境问题，阻滞了农业发展由数量型向质量型转变。党的“十八大”报告将生态文明建设提升到前所未有的高度，随后历年的中央农村工作会议和中央“一号文件”均强调生态农业发展和生态环境保护的重要性。作为典型的农业大省，安徽省农业种植面积、粮食总产量等指标均位于全国前列，但人均耕地面积和人均农业产值却处于相对较低的水平。作为我国农村改革的发源地，安徽省近年来积极探索农业转型发展，但农业产业结构不合理、生产经营方式粗放、资源环境压力大等问题依然突出。因此，提升农业生产效率以促进安徽省农业现代化是当前安徽省农业供给侧改革的出发点。
农业生产效率一直是国内外众多学者研究的重要领域。Farrel.M.J最早研究了技术效率，运用数学规划方法对效率边界进行计算，提出了测度技术效率的新思想[2]。Yujiro Hayami等通过研究日本农业发展效率问题后发现，规模化经营对日本提高农业生产效率具有非常重要的作用[3]。Gopinath等指出农业生产效率的提高有利于增加农业产业竞争力[4]。Shanmuam、Lei G.R等运用SFA方法对农业生产效率进行了研究[5-6]。国内学者对农业效率的研究热点主要集中于3个层面：①关于农业效率的测定。例如，候孟阳利用1978—2016年中国省级面板数据研究了中国农业效率问题，发现中国整体农业生态效率处于较低水平，提升的潜力空间较大[7]；熊鹰对四川省环境友好型农业生产效率进行实证分析，发现四川总体水平较低且各地区存在显著差异[8]；田云基于农业碳排放、农业碳汇和农业投入产出数据，系统核算了我国低碳农业生产率[9]。②关于农业效率影响因素的分解。吴贤荣研究发现中国31个省（市、区）的农业碳排放效率存在明显的省际差异，且提高对外开放水平、劳动力素质水平对于碳排放效率提升具有明显的促进作用[10]；庞家幸通过实证分析得出，农民人均纯收入、农业固定资产投资、劳动力文化水平、产业结构和有效灌溉面积等因素对于农业效率提升具有促进作用[11]；李博等运用非期望产出的SBM模型，测算了碳排放约束下的中国各省市区的地区农业生产效率，并利用泰尔指数分解方法与灰色关联分析方法对我国各省区农业生产效率差异的结构性原因与外部影响因素进行了研究[12]；叶文忠等运用改进的数据包络分析（DEA）方法对长江经济带内11个省市2006—2015年的农业生产效率进行测算[13]；邢慧茹等通过构建DEA与Tobit等2种适用于不同情况的评价模型来研究分析湖北省农业生产率的影响因素及影响程度[14]。③关于农业效率时空特征的分析。张玲玲解析了全国农业用水效率的空间分布特征，并据此提出不同区域农业用水效率的差异性对策[15]；冯亚娟利用空间自相关模型，发现全国农业生态效率具有全局自相关性，且河南、山东等省份呈现出“L-L”型集聚特征[16]。
总体来说，现有农业效率研究涉及到农业用地、农业用水、农业科技、农业生态、休闲农业等多个领域。在农业生产效率的研究上，时间截面上多产出单元的农业生产效率的分析成为主要研究方面[17]。国内的研究大多多集中于国家、省域、经济带或城市群等较大的层面，对县域层面农业效率的研究很少。有关农业效率的测算方法主要包括数据包络分析法（Data Envelopment Analysis，DEA）[17⇓-19]、随机前沿法（Stochastic Frontier Approach，SFA）[20]和超效率DEA[21]、三阶段DEA[22-23]及非期望SBM模型[24⇓⇓-27]等。其中，非期望SBM模型将负外部性产出纳入模型，有效解决了投入产出的松弛现象，已逐渐成为测定农业效率的主流模型[7]。然而，现有SBM模型对效率值为1的评价单元缺乏有效区分和对比。基于此，本文以2010—2017年安徽省77个县（市、区）为研究对象，将农业碳排放作为非期望产出，并引入超效率和空间探索性分析法，构建超效率的SSBM-ESDA模型，对安徽省县域农业生产效率进行定量测算，分析安徽省农业效率的时空动态演化特征及其对周边区域的影响，为后续安徽农业转型升级与发展提供理论支撑。

1 研究方法与数据来源

1.1 研究方法与模型

1.1.1 超效率非期望产出的SSBM模型

针对传统DEA模型难以有效区分效率值为1的评价对象间的差异，TONE在非期望产出的SBM模型基础上，融入超效率模型的理念，构建了具有超效率和SBM两种模型优势的SSBM模型[28⇓⇓-31]。侯孟阳等指出，超效率非期望产出是超效率DEA模型和SBM模型的结合，它综合了两种模型的优势，相比一般的SBM模型，超效率的SSBM模型能够实现对处于前沿面的有效评价单元之间的进一步区分[7]。
M i n p = 1 m ∑ i - 1 m x - / x i k 1 s 1 + s 2 ∑ s = 1 s 1 y - g / y s k g + ∑ q = 1 s 2 y - b / y q k b
x - ≥ ∑ j = 1 , ≠ k n x i j λ j ; y - g ≤ ∑ j = 1 , ≠ k n y s j g λ j ; y - g ≥ ∑ j = 1 , ≠ k n y q j g λ j ; x - ≥ x k ; y - g ≤ y k g ; y - b ≥ y k b ; λ j ≥ 0 , i = 1,2 , ⋯ , m ; j = 1,2 , ⋯ , n ; j ≠ 0 ; s = 1,2 , ⋯ s 1 ; q = 1,2 , ⋯ , s 2
式中：p为效率评价值；x、 y g、 y b分别代表投入指标、期望产出指标和非期望产出指标的数值；n为DUM数量；m为投入指标数量； s 1为期望产出指标数量； s 2为非期望产出指标数量。

1.1.2 空间数据探索性分析

空间数据探索性分析（Exploratory Spatial Data Analysis，ESDA）技术采用两类空间自相关系数：一类是全局空间自相关系数Moran's I，以Moran散点图的形式揭示农业效率在整个区域的空间分布特征；二是局域空间自相关系数Local Moran's I，以LISA聚集图的形式展示农业效率在子区域上的空间异质性[32-33]。

1.2 指标与数据说明

农业经济的发展是耕地、劳动力、农业生产资料以及农业科技等多种要素投入的结果，提升农业效率的本质在于以尽可能小的资源投入获取尽可能大的期望产出和尽可能小的非期望产出。梳理已有的文献研究，众多学者关于非期望产出的理解略有差异。王宝义等认为农业非期望产出主要包括农业碳排放和农业污染排放两大类[34]，候孟阳等仅选择农业碳排放作为非期望产出[7]，潘丹等选择农业面源污染为非期望产出[24]，而郑德凤等选择灰水足迹视为非期望产出[35]。总体来说，各类指标选取均具有相应的合理性，但农业碳排放指标相对更容易量化。基于此，本文依据指标代表性、数据可获取性和投入产出效率指标宜少原则[36]（DEA模型下指标数量宜≤1/3个评价单元个数），在参考前人研究的基础上，选择乡村从业人员数、农业机械化总动力、农作物播种面积、有效灌溉面积、农村用电量、农用化肥施用量、农药使用量、农膜使用量等6项作为投入指标，以农林牧渔业总产值作为期望产出指标，而非期望性产出则采用农业碳排放量（表1），并参考候李波[37]、孟阳[7]、王宝义[34]等人的碳排放模型及相关系数进行计算。
表1 农业效率评价指标体系[7,34-35,37⇓⇓-40]

Tab.1 Agricultural efficiency evaluation index system

一级指标 二级指标 表征含义
投入指标 乡村从业人员数（万人） 以第一产业就业人员数量计算，反映在农业生产经营过程中从事农林牧渔业的从业人员所提供的劳动力资源
农业机械化总动力（万kW） 机械动力的使用是农业技术水平的重要体现包括耕作机械、农用排灌机械等多种农用机械的使用，以及相关能源动力的消耗
农作物播种面积（千hm2） 反映农业生产经营实际利用的土地规模，相比耕地面积能准确衡量土地实际利用率
农用化肥施用量（万t） 为农业生产效率的典型的农资投入，化肥施用量是指实际应用于农业生产的化学肥料的总和
农药使用量（万t） 农业生产效率的典型的农资投入，采用农药使用量
农膜使用量（万t） 农业生产效率的典型的农资投入
有效灌溉面积（千hm2） 衡量农业生产水利化程度和农业生产稳定程度
农村用电量（kW·h） 反映农业生产过程中的能源投入
期望产出指标 农林牧渔业总产值（亿元） 农、林、牧、渔业全部产品的总量。反映农业生产总规模和总成果
非期望产出指标 农业碳排放量（万t） 化肥、农药、农膜、农用柴油、农业灌溉、农业播耕等碳排放总和。计算方法参考李波[37]、候孟阳[7]、王宝义[34]等
样本数据来源于2011—2018年《安徽统计年鉴》《中国农村统计年鉴》及各地市相关年份统计年鉴等资料，部分缺失数据根据插值法进行推算。参考前人研究结果，本文将各县（市、区）的农业效率等级划分为五个等级：效率优秀（p>1）、效率良好（0.8≤p<1）、效率中等（0.6≤p≤0.8）、效率较低（0.4≤p≤0.6）和效率最低（p<0.4），并进行分析。

2 安徽省县域农业效率时空差异分析

2.1 农业效率的时间演变分析

利用上述DEA模型及Matlab软件，分别计算不考虑非期望产出（CCR）、考虑非期望产出（SBM）及基于非期望产出和超效率的SSBM模型三种情况下安徽省县（市、区）农业效率评价值（全省综合情况如图1所示）。通过对比CCR模型和SBM模型，发现SBM模型下农业效率值均要低于传统DEA模型下的计算值，说明在农业经济发展过程中，碳排放等非期望产出要素制约了农业效率的进一步提高，因为传统DEA模型下的效率评价值高估了农业资源利用的实际状况。而通过对比SBM模型和SSBM模型，可以发现SSBM模型能够有效区分各县（市、区）间的效率优劣。因此，本文采用SSBM效率值进行分析。
图1 不同模型下安徽省农业效率评价值

Fig.1 Evaluation value of agricultural efficiency in Anhui Province under different models

2.1.1 全省层面

从图1可看出，2000—2017年，安徽省平均农业效率在大多数年份处于0.6~0.8区间内，处于效率中等水平，这意味着安徽省农业效率仍有较大的提升空间。从效率等级来看，2000—2017年安徽省效率较低和效率优秀的县区占据主导地位，效率良好的县区仅有1~3个，而效率中等和效率无效的县区数量则介于两者之间。其中，效率优秀的县区数量由2000年的14个增加到2017年的26个，而处于效率较低等级的县区数量则基本维持在30个左右（表2），过多的低等级县区制约了安徽省农业效率的整体提升。尽管安徽省是一个农业大省，但是安徽农业现代化水平同发达地区相比仍存在一定的差距。2000—2017年，安徽省农业效率值处于0.5~0.8之间，属于效率较低或效率中等层级，距离效率最优或理想状态（效率值为1）仍具有较大的差距。这一结果与一些学者的研究结果相吻合。吴贤荣分析2000—2011年安徽省农业碳排放效率指数位于全国第21位，和陕西省、福建省等省份处于同一层级[10]；庞家幸分析了2003—2013年安徽省农业生态效率值介于0.8~0.9之间，处于全国第16~20位[11]；李博对1998—2012年安徽省进行分析，得出农业生产效率为0.3509，处于全国第24位，同山东（效率值为1）、辽宁（效率值为1）等省份差距较大[12]。2000—2017年，安徽农业生态效率呈现出“上升—下降—上升—下降”的波动走势，其中波动幅度较大集中体现在2005—2007年，但总体上呈增加趋势。新世纪以来，中央高度关注“三农”问题，连续多年以中央一号文件的形式指导农业发展，安徽省也出台了多项农业改革政策，加大生态农业、循环农业、现代农业和两型农业的实施力度，从而一定程度上推动了农业效率的提高。
表2 主要年份安徽省县域农业效率等级数量

Tab.2 Number of county agricultural efficiency grades in major years in Anhui Province

效率等级 2000 2002 2004 2006 2008 2010 2012 2014 2016 2017
效率优秀 14 14 26 32 26 31 27 21 24 26
效率良好 0 0 0 1 0 0 1 3 1 0
效率中等 4 4 8 18 12 13 19 14 13 9
效率较低 30 37 26 20 31 28 25 31 27 29
效率无效 29 22 17 6 8 5 5 8 12 13

2.1.2 区域层面

受长江和淮河的影响，安徽省大致可划分为淮河以北的皖北地区、江淮之间的皖中地区和长江以南的皖南地区。通过对比皖北、皖中和皖南三个区域的农业生态效率（图2），2000—2017年的农业生态效率呈现出波动式增长趋势，其中，2004—2007年期间变化幅度较大。2006年农业税的取消对农业生产具有极大的刺激作用，在此背景下，农业经济发展的规模依赖有所加重。从三大区域的角度来看，安徽省农业效率始终保持皖南>皖中>皖北的格局，呈现出与农业总产值完全相反的态势，且皖中、皖北地区同皖南地区的差距呈现出扩大的趋势，显示出皖南地区农业规模虽然偏低，但农业技术和资源利用水平的进步显著。皖南地区耕地资源相对较少，经济发展以旅游业、林业为主，且更加重视休闲农业、设施农业的发展，有意识推动农业发展、资源节约与环境保护三者之间的协调发展。作为平原农业地区，皖北地区具备发展农业机械化的有利条件，但也面临着人口红利大量转移、基本农田比重过大、土地流转不成规模、农业体系尚未建立等现实制约，导致农业资源的利用水平相对较低，亟待加快农业转型升级的步伐。
图2 2000—2017年安徽省及三大地区农业效率值

Fig.2 Agricultural efficiency of Anhui Province and its three regions from 2000 to 2017

2.1.3 总体差异

研究期内，安徽省农业效率的变异系数呈波动式变化趋势（图3），2009年以后则表现出逐步增长的态势，这表明近年来安徽省县（市、区）间农业效率的差异逐步扩大。就区域层面而言，皖北地区、皖中地区和皖南地区三大地区内部的变异系数变化趋势同全省变化趋势基本保持一致，但是，皖北地区内部的农业效率变异系数总体要大于皖南地区和皖中地区，显示出皖北地区内部农业效率发展极为不均衡。得益于省会城市以及江苏省、浙江省的辐射带动，合肥周边县区、皖南地区县区在发展休闲农业和乡村旅游、提升农业生产技术等方面具有优势，而皖北地区则缺乏有效的辐射增长极，这也反映出安徽省的农业发展效率同区位条件以及区域经济发展水平具有一定的正相关性。
图3 2000—2017年安徽省及三大地区农业效率变异系数

Fig.3 Variation coefficient of agricultural efficiency in Anhui Province and its three regions from 2000 to 2017

2.2 安徽省农业效率空间格局分析

2.2.1 农业效率空间格局分布

为揭示安徽省农业效率的空间分布特征，本文选择2000、2005、2010、2015和2017年等5个代表年份，通过ArcGIS软件绘制安徽省县（市、区）农业效率图（图4）。
图4 安徽省农业效率空间分布格局（2000、2005、2010、2015、2017）

Fig.4 Spatial distribution pattern of agricultural efficiency in Anhui Province(2000, 2005, 2010, 2015, 2017)

可以看出，2000年合肥市辖区、滁州市辖区、黄山市辖区、祁门县、绩溪县、宁国市、旌德县、太湖县、金寨县、含山县、全椒县、定远县、临泉县和泗县等县区的农业效率处于优秀水平，芜湖市辖区、霍山县、岳西县和休宁县处于效率良好水平，其余县区农业效率则处于中等以下水平，过多的低效率县（市、区）制约了全省农业效率的提升。相比于2000年，2005年宿州市辖区、桐城市、明光市、天长市、休宁县、歙县、东至县、霍山县、岳西县、肥东县、濉溪县、固镇县、灵璧县等县区效率有所提高，进入效率优秀水平，但全省的农业生态效率整体状态并未得到改善，仍处于较低水平状态。2010年全省农业生态效率相比2005年呈上升态势，而合肥市辖区、临泉县、定远县和太湖县等县区农业效率则有所增加，重新进入效率优秀级别，空间上以皖南地区为重心格局初具雏形。2017年和2015年农业效率优秀的县区分别达到26和25个，主要分布在黄山、池州、安庆和合肥等地区，空间上由2000年三大地区相对均质的格局演变为安庆—合肥、池州—黄山—宣城的两极分布格局。

2.2.2 农业效率空间格局变化趋势

为揭示安徽省农业效率的空间格局变化趋势，本文借助ArcGIS软件的方向分布和趋势分析，生成代表年份安徽省县（市、区）农业效率方向分布指数表（表3）和三维趋势图（图5）。由表3可以看出，2000—2017年，标准差椭圆的短半轴呈现出逐步缩小的趋势，而扁率呈现出扩大的趋势，意味着安徽省农业效率存在着较为明显的向心力和方向性。通过标准差椭圆的中心，可以发现2000—2017年安徽省农业效率的重心由肥东县转移至巢湖市，总体上呈现出向南转移的趋势，侧面反映出皖南地区农业效率在全省的优势愈发明显。
图5 安徽省农业效率趋势线（2000、2005、2010、2015、2017）

Fig.5 Trends in agricultural efficiency in Anhui Province(2000, 2005, 2010, 2015, 2017)

由图5可以看出，2000年农业效率空间投影在东西方向上呈U型的变化趋势，在南北方向上趋势线较为平滑，说明该时间段安徽农业效率整体偏低，东西方向的区域差异占据主导地位；2005年，安徽农业效率空间投影自西向东呈缓慢增强趋势、自北向南则呈U型变化态势，且变化幅度较大，农业效率相比2000年有所提高，其均值上升至0.643，安徽县（市、区）农业效率整体跨入效率中等行列；2010、2015、2017年农业效率空间投影变化趋势较为相似，东西方向上呈缓慢增加趋势，南北方向呈现出U型增加趋势，但变化幅度较为平滑，表明南北方向的空间差异有所增加。研究时段内，农业生态效率在两个方向上均呈现出增加的趋势，但是南北方向的变化趋势更为明显，表明研究时段内区域间的差距继续扩大，且南北差异大于东西差异，这同安徽省区域经济发展格局较为类似。

2.3 安徽省农业效率空间相关性分析

2.3.1 农业效率全局空间自相关分析

运用OpenGeoDa软件计算安徽省县（市、区）农业效率的全局自相关Moran's I指数，结果见表4。除2010年外，安徽省农业效率的Moran's I指数均为正值，且通过了5%的显著性检验，说明安徽省出现了农业效率相似水平的县区在空间上集聚或依赖的分布特征。2000—2017年，安徽省农业效率全局Moran's I指数虽然略有波动，但是总体上呈增加趋势，由2000年的0.1580增加到2017年的0.1711，可见安徽省农业效率在空间上存在波动性增强的集聚态势，即：高水平县（区）趋向与高水平县（区）集聚靠拢，低水平县（区）趋向与低水平县（区）集聚靠拢，在空间层面呈现出高—高和低—低的集聚特征，但是这种集聚属于低水平的空间集聚。
表3 安徽省农业效率的方向分布

Tab.3 Directional distribution of agricultural efficiency in Anhui Province

年份 centerX centerY XStdDist YStdDist Rotation Oblateness
2000 117.3962 31.6993 1.88448 1.24095 147.617 1.518579
2005 117.4404 31.7131 1.93189 1.24476 153.271 1.552018
2010 117.3698 31.689 1.92623 1.19382 152.267 1.613501
2015 117.4274 31.6378 1.92204 1.17378 151.492 1.637479
2017 117.4085 31.6268 1.91581 1.18418 151.732 1.617837
表4 安徽省农业效率的Moran's I 指数分布（2000、2005、2010、2015、2017）

Tab.4 The Moran's I index of agricultural efficiency in Anhui Province(2000, 2005, 2010, 2015, 2017)

年份 I EI mean sd Z-value P-value
2000 0.1580 -0.0132 -0.0093 0.0708 2.3626 0.014
2005 0.1689 -0.0132 -0.0144 0.0756 2.4229 0.010
2010 0.1075 -0.0132 -0.0088 0.0753 1.5437 0.068
2015 0.1609 -0.0132 -0.0095 0.0775 2.1977 0.020
2017 0.1711 -0.0132 -0.0178 0.0735 2.5699 0.006

2.3.2 农业效率局部空间自相关分析

结合主要年份安徽省农业效率的LISA集聚图（图6），可以发现：处于空间正相关（HH集聚和LL集聚）的县（区）个数在2000、2005、2010、2015年和2017年分别为9、10、11、9、11个，数量的增加表明农业效率HH集聚和LL集聚总体上呈增强态势，LH集聚和HL集聚则略有波动，但基本上保持不变。
图6 主要年份安徽农业效率的LISA集聚图

Fig.6 LISA agglomerations of agricultural efficiency in Anhui Province in major years

①HH集聚主要分布在黄山南部、宣城西部等皖南地区，其中，旌德县、绩溪县等县区始终属于该类型区，歙县自2005年、黄山市辖区和泾县自2015年步入HH集聚区行列。2000年滁州市辖区、2005年灵璧县、2010年肥东县、2005和2010年的休宁县曾属于HH集聚区，但自2015年以后均退出该类型区。原因在于皖南地区是安徽省重要的旅游目的地和生态功能区，以发展休闲农业、现代农业为主，对生态环境要求较高。因此，这些区域农业效率较高且对周围地区具有带动作用。然而，HH型县区周边仍分布有一定数量的HL型县区和LH型县区，在未来发展过程中，应继续强化HH型县区的辐射效应。
②LH集聚区主要分布在池州东部、宣城北部等地区，且这些地区均毗邻HH集聚区域。2000年有和县、泾县、歙县等3个县区，2005年演变成来安县和广德县等2个县区，2017年则转变为黟县、青阳县、宣城市辖区。其中，宣城市辖区、青阳县、黟县的农业生态效率下降较为明显，原因在于这些地区农业产业比重较低，且生产模式较为传统，农业效率极易受到外界因素的干扰；泾县、歙县等县区由起初的LH型地区转变为HH型地区，原则在于这些地区充分发挥区位优势，积极承接HH型集聚地区在农业科技应用、生态环境保护、休闲农业联动等方面的辐射带动作用。
③LL集聚的区域主要分布在皖北地区，原因在于皖北地区虽然拥有平原优势，但是受制于经济水平偏低、劳动人口流失等因素，农业科技、资本投入相对有限，农业发展水平相对较低。研究期间，LL集聚的地区从研究初期的5个增加至研究末期的6个，呈一定的增加趋势。其中，宿州市辖区、蚌埠市辖区、铜陵市辖区和池州市辖区由起初的LL型集聚区转为不显著区域，而濉溪县、利辛县、凤台县和颍上县则由不显著区域转为LL型集聚区，说明集中连片的农业效率较低的县区易对周边地区产生负面影响。
④HL集聚区空间上分布较为分散，从2000年的合肥市辖区和蒙城县两个县区、2005年桐城市一个县区发展到2015年的太和县和郎溪县两个县区，2017年HL型县（市、区）仅有郎溪县1个。郎溪县由2000年的不显著转变为2017年的HL集聚，表明在整个研究期内郎溪县农业效率得到有效提升。作为安徽省现代农业发展的“新样板”，郎溪县近年来大力推动生态示范区、绿色防控示范区、生态农业示范点等载体建设，提高了农业资源的利用水平，并减少了对环境的污染。因此，在后续发展过程中，HL型地区应继续强化自身的农业经济发展水平，努力形成区域增长极，带动周边效率较低地区快速提升。
综合来看，2000—2017年安徽省80%的县（市、区）属于无显著集聚特征的县域单元，说明安徽省大部分县域农业经济集聚水平较低。其中，农业效率HH集聚型区域呈扩大趋势，其中黄山市辖区、泾县和歙县等县区相继转变为HH集聚，表明了皖南地区农业效率较高的地区对周边区域具有辐射效应。LL集聚型县区则呈逐年增加的态势，其中阜阳、亳州等地区在研究期内一直处于效率较低的水平。因此，在未来推动农业转型升级、加快乡村振兴的过程中，安徽省要总结、推广皖南县区在农业资源利用的成功经验，并加强皖北地区农业技术应用、资源配置优化等方面的指导，推动农业效率整体提升。

3 结论与讨论

3.1 主要结论

本文选择农业碳排放作为非期望产出，并引入超效率和空间探索分析，通过构建SSBM-ESDA模型对2000—2017年安徽省县（市、区）农业效率时空变化特征进行定量分析，并将SSBM模型与不考虑非期望产出CCR模型、考虑非期望产出的SBM模型的农业生产效率进行比较，结果表明：
①传统DEA模型忽视了农业污染等非期望产出的负面效应，从而高估农业资源利用的实际状态，引入非期望产出的SBM模型更符合实际发展情况；基于超效率的SSBM模型能更好地识别各评价单元之间的优劣关系。但是，三种模型下，根据计算数值与等级划分，安徽省农业效率均处于相对较低水平。这一结论与吴贤荣、庞家幸等得出的结论[10-11]基本吻合。
②从时间维度来看，2000—2017年安徽省农业效率值呈波动式上升态势，未来效率提升的潜力空间较大；从空间维度来看，农业效率空间分布不均衡，呈现出皖南地区>皖中地区>皖北地区的空间分布格局；空间变化趋势呈现自西向东缓慢递增、自北向南U型增长的变化态势，南北差异才是安徽省县（市、区）农业效率差异扩大的主要制约因素。
③全局相关性方面，除2010年外，安徽省农业效率呈正相关，具有较为显著的空间集聚现象；局部相关性方面，安徽农业效率HH集聚县区集中分布于皖南地区，且呈现出向周边县区扩散的态势，LL型县（市、区）则主要分布在皖北地区，且空间分布较为稳定。研究期内，安徽省农业效率空间正相关的县（区）数量有所增加，表明该时间段内安徽省农业效率空间上进一步集聚。

3.2 讨论

①随着农业经济的发展，其负外部性表现也愈加明显，粗放型农业发展造成大气污染、水污染、土壤污染的同时，也带来了生态治理成本的上升、人体健康危害的增加、公众满意程度的下降等诸多问题。但是，考虑到数据收集的难度，本文仅考虑了农业生产对环境碳排放的影响。因此，基于碳排放的计算结果同农业经济实际运行状态存在一定程度的偏差，今后随着统计数据的完善，需进一步完善研究结果。
②农业效率受到宏观政策、技术应用水平、地方管理水平、产业结构、资源投入规模等多重要素的影响，且平原地区、丘陵地区和山地地区农业效率的影响存在差异。本文并未对影响因素及未来提升方向进行系统的分析与探讨，这也是后续需要继续研究和解决的地方。
③农业资源利用是个复杂的、动态化的巨系统，本文涉及的指标体系并不能穷尽农业资源利用效率的影响因素，且各类评价方法均具有一定的局限性，从而可能导致评价结果难以接近真实情况。因此，农业效率评价指标体系设计和模型计算方法需要更多的理论方法和实证研究来充实。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
汪艳涛, 王记志. 区域农业资源利用效率的时空比较研究——以湖南省14个地(市、州)城区为例[J]. 江西农业大学学报:社会科学版, 2009, 8(4):62-66.

[2]
Farrel M.J. The measurement of productive efficiency[J]. Journal of the Royal Statisical Society, 1957, 120(3):253-281.

[3]
Yujiro H, Toshihiko K. Farm mechanization scale economies and polarization:The Japanese experience[J]. Journal of Development Economics, 1989, 31(2):221-239.

[4]
Gopinath M, Kennedy P L. Agricultural trade and productivity growth:a state-level analysis[J]. American Journal of Agricultural Economics, 2000, 82(5):1213-1218.

[5]
Shanmuam, Venkataramani, Technical efficiency in agricultural production and its determinants:an exploratory study at the district level[R]. East Asian Bureau of Economic Research, 2006.

[6]
Lei G R. Technical efficiency and water saving potential in agriculture water based on SFA[J]. Journal of Economics of Water Resources, 2010, 34(3):67-70.

[7]
候孟阳, 姚顺波. 1978—2016年中国农业生态效率时空演变及趋势预测[J]. 地理学报, 2018, 73(11):2168-2183.

[8]
熊鹰, 许钰莎. 四川省环境友好型农业生产效率测算及影响因素研究——基于超效率DEA模型和空间面板STIRPAT模型[J]. 中国生态农业学报(中英文), 2019, 27(7):1134-1146.

[9]
田云. 中国低碳农业发展:生产效率、空间差异与影响因素研究[D]. 武汉: 华中农业大学, 2015.

[10]
吴贤荣, 张俊飚, 田云, 等. 中国省域农业碳排放:测算、效率变动及影响因素研究——基于DEA-Malmquist指数分解方法与Tobit模型运用[J]. 资源科学, 2014, 36(1):129-138.

[11]
庞家幸. 中国农业生态效率研究[D]. 兰州: 兰州大学, 2016.

[12]
李博, 张文忠, 余建辉. 碳排放约束下的中国农业生产效率地区差异分解与影响因素[J]. 经济地理, 2016, 36(9):150-157.

[13]
叶文忠, 刘俞希. 长江经济带农业生产效率及其影响因素研究[J]. 华东经济管理, 2018, 32(3):83-88.

[14]
邢慧茹, 张晓骏, 邓义. 农业生产效率与其影响因素相关关系实证分析——基于湖北省数据[J]. 中国农业资源与区划, 2016, 37(12):198-203.

[15]
张玲玲, 丁雪丽, 沈莹, 等. 中国农业用水效率空间异质性及其影响因素分析[J]. 长江流域资源与环境, 2019, 28(4):817-826.

[16]
冯亚娟, 祁乔, 韩家彬. 中国农业生态效率的时空演变及驱动因素[J]. 水土保持通报, 2018, 38(6):254-232.

[17]
何鸿辉. 基于阶段DEA模型的甘肃农业生产效率研究[D]. 兰州: 兰州大学, 2018.

[18]
王云, 周忠学. 多功能性的都市农业用地效率评价——以西安市为例[J]. 经济地理, 2014, 34(7):129-134.

[19]
夏四友, 文琦, 赵媛, 等. 榆林市农业现代化发展水平与效率的时空演变[J]. 经济地理, 2017, 37(10):173-180.

[20]
匡远凤. 技术效率、技术进步、要素积累与中国农业经济增长——基于SFA的经验分析[J]. 数量经济技术经济研究, 2012, 29(1):3-18.

[21]
邓敏慧, 杨传喜. 基于超效率DEA模型的中国农业科技资源配置效率动态演化研究[J]. 中国农业资源与区划, 2017, 38(11):61-66.

[22]
马凤才, 郭喜伟, 陈璐. 基于三阶段DEA模型的辽宁省农业生产效率分析[J]. 农业经济, 2019(4):15-17.

[23]
吴振华, 雷琳. 基于三阶段DEA模型的农业土地生态效率研究[J]. 生态经济, 2018, 34(10):76-80.

[24]
潘丹, 应瑞瑶. 中国农业生态效率评价方法与实证——基于非期望产出的SBM模型分析[J]. 生态学报, 2013, 33(12):3837-3845.

[25]
方琳, 吴凤平, 王新华, 等. 基于共同前沿SBM模型的农业用水效率测度及改善潜力[J]. 长江流域资源与环境, 2018, 27(10):2293-2304.

[26]
张子龙, 鹿晨昱, 陈兴鹏, 等. 陇东黄土高原农业生态效率的时空演变分析[J]. 地理科学, 2014, 34(4):472-478.

DOI

[27]
狄乾斌, 孟雪. 基于非期望产出的城市发展效率时空差异探讨——以中国东部沿海地区城市为例[J]. 地理科学, 2017, 37(6):807-815.

DOI

[28]
Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130(3):498-509.

[29]
李姣, 周翠烟, 张灿明, 等. 基于生态足迹的湖南省洞庭湖生态经济区全要素生态效率研究[J]. 经济地理, 2019, 39(2):199-206.

[30]
李晨, 冯伟, 邵桂兰. 中国省域渔业全要素碳排放效率时空分异[J]. 经济地理, 2018, 38(5):179-187.

DOI

[31]
Tone K. A slacks-based measure of super-efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2002, 143(1):32-41.

[32]
冉泽泽. 基于ESDA的经济空间差异实证研究——以丝绸之路经济带中国西北段核心节点城市为例[J]. 经济地理, 2017, 37(5):28-34,73.

[33]
邹琳, 曾刚, 曹贤忠. 基于ESDA的长三角城市群研发投入空间分异特征及时空演化[J]. 经济地理, 2015, 35(3):73-79.

[34]
王宝义, 张卫国. 中国农业生态效率测度及时空差异研究[J]. 中国人口·资源与环境, 2016, 26(6):11-19.

[35]
郑德凤, 郝帅, 孙才志. 基于DEA-ESDA的农业生态效率评价及时空分异研究[J]. 地理科学, 2018(3):419-417.

DOI

[36]
张俊容, 郭耀煌. 评价指标与DEA有效的关系[J]. 系统工程理论方法应用, 2004, 13(6):520-523.

[37]
李波, 张俊飚, 李海鹏, 等. 中国农业碳排放时空特征及影响因素分解[J]. 中国人口·资源与环境, 2011, 21(8):80-86.

[38]
秦菲, 舒晓波, 肖素芳, 等. 基于DEA的江西农业生产效率时空特征研究[J]. 江西科学, 2014, 32(5):746-750.

[39]
张安康. 黑龙江农业生产效率评价研究[D]. 哈尔滨: 哈尔滨理工大学, 2019.

[40]
田伟, 杨璐嘉, 姜静. 低碳视角下中国农业环境效率的测算与分析——基于非期望产出的SBM模型[J]. 中国农村观察, 2014(5):59-70.

Options
Outlines

/

〈 〉