黄河流域农业水资源全要素生产率测度及其影响因素研究

崔永正; 刘涛; Yong-zheng CUI; Tao LIU

中国农村水利水电 ›› 2021 ›› (6) : 126-129,136.

作者信息 +

Research on the Measurement and Influencing Factors of Agricultural Water Total Factor Productivity in the Yellow River Basin

Author information +

稿件信息 +

摘要

结合EBM模型和GML指数，在全国视角下测度并分解2008-2018年黄河流域9省的农业水资源全要素生产率，并利用Bootstrap截断回归模型分析其影响因素。结果表明：黄河流域农业水资源全要素生产率比较低，与长江经济带和全国平均水平有较大差距。黄河流域农业水资源全要素生产率的增长主要靠技术进步驱动，而较低的技术效率限制了其增长。水资源禀赋和农村劳动力受教育水平对黄河流域农业水资源全要素生产率具有正向影响，而水利设施和农业种植结构对其产生负向影响。为提升农业水资源全要素生产率，黄河流域应当推广高效节水灌溉手段，提升农业水资源管理水平；完善跨区域调水机制、合理建设水利设施、提升农村劳动力受教育水平和优化农业种植结构。

Abstract

Combined with EBM model and GML index， the agricultural water total factor productivity in 9 provinces in the Yellow River Basin from 2008 to 2018 is measured and decomposed from the national perspective. The results show that the total factor productivity of agricultural water resources in the Yellow River Basin is lower than that in the Yangtze River Economic Belt and the national average level. The growth of total factor productivity of agricultural water resources in the Yellow River Basin is mainly driven by technological progress， and its growth is limited by low technical efficiency. Water resources endowment and education level of rural labor have a positive impact on agricultural water total factor productivity in the Yellow River Basin， while water facilities and agricultural planting structure have a negative impact. In order to enhance the total factor productivity of agricultural water resources， the Yellow River Basin shall popularize high-efficiency water-saving irrigation means and improve the management level of agricultural water resources； improve the trans-regional water transfer mechanism， construct water conservancy facilities rationally， enhance the education level of rural labor force and optimize the agricultural planting structure.

关键词

农业水资源全要素生产率 / 黄河流域 / EBM模型 / GML指数 / Bootstrap回归

Key words

agricultural water total factor productivity / Yellow River Basin / EBM model / GML index / bootstrap regression

基金

国家社科基金青年项目“乡村振兴背景下中国农村闲置资源协同激活问题研究”(18CJY030)

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

崔永正 , 刘涛. 黄河流域农业水资源全要素生产率测度及其影响因素研究[J].中国农村水利水电, 2021(6): 126-129,136

Yong-zheng CUI , Tao LIU. Research on the Measurement and Influencing Factors of Agricultural Water Total Factor Productivity in the Yellow River Basin[J].China Rural Water and Hydropower, 2021(6): 126-129,136

0 引言

作为我国重要的经济地带，近年来黄河流域过度利用水资源的现象得到了缓解。然而，黄河流域用水保障形势依旧严峻，人均水资源量仅为全国平均水平的27%，用水方式比较粗放。作为流域第一用水大户的农业部门，其用水效率不高，而且工业化、城市化的推进不断抢占农业用水，导致农业部门水资源进一步短缺。在这一严峻形势下，黄河流域生态保护和高质量发展成为重大国家发展战略，该战略强调大力推进农业节水，推进水资源节约集约利用。农业水资源全要素生产率是评价农业用水发展质量的重要指标。在此背景下，科学测度黄河流域农业水资源的全要素生产率，研究其在全国处于何种水平？具体受何种效应的推动？影响因素有哪些？有利于为推进黄河流域农业用水节约集约化发展提供决策依据。

以研究尺度为分类标准，现有农业水资源全要素生产率的研究可以分为以下三类：一是基于全国层面，分析中国的农业水资源全要素生产率^［1，2］。二是基于省域、区域层面，研究某一省份或者东中西部三大地区的农业水资源全要素生产率^［3，4］。三是基于市域层面，研究某一地级市的农业水资源全要素生产率^［5］。目前，有关黄河流域农业用水的研究，主要集中在水资源空间分布^［6］和水价改革^［7］上，关于农业水资源全要素生产率的研究比较罕见。因此，本文结合EBM模型和GML指数，在全国视角下测算和对比了2008-2018年黄河流域的农业水资源全要素生产率，并对其进行了分解和影响因素分析，以期为黄河流域高效利用农业水资源、推进农业高质量发展提供参考。

1 研究方法与数据来源

1.1 研究方法

目前学界多结合数据包络分析方法（DEA）和Malmquist指数测度农业水资源全要素生产率指数。在选择DEA模型时，主要采用传统径向DEA模型（如CCR模型）或非径向的SBM模型^［7］，但这两类模型都有其不足之处。径向模型不能识别非径向松弛变量，非径向模型则不能考虑投入、产出的目标值与实际值之间的比例信息。而由Tone提出的EBM模型^［10］，同时兼顾了径向和非径向DEA模型的优势，弥补了两类模型的不足。在选择Malmquist指数时，以往文献大多基于相邻参比展开测算^［11］，测算结果不具有传递性和可比性，而全局参比的GML指数能够弥补这一缺陷。因此，本文将EBM模型与GML指数相结合，用以测度农业水资源全要素生产率。

本文首先构建投入导向、规模可变的EBM模型，其目标函数和规划式如下所示：

\begin{array}{l} γ^{*} = m i n θ - ε_{x} \sum_{i = 1}^{m} \frac{w_{i}^{-} s_{i}^{-}}{x_{i 0}} \\ s . t . θ x_{0} - X λ - s^{-} = 0 \\ Y λ \geq y_{0}, \sum λ = 1, λ \geq 0, s^{-} \geq 0 \end{array}

（1）

式中：

γ^{*}

为EBM模型测算的最佳效率值；

θ

为径向效率值；

s_{i}^{-}

为投入变量的非径向松弛向量；λ为权重向量；

w_{i}^{-}

为第

i

项投入的权重；

w_{i}^{-} (i = 1, \dots, m)

满足

\sum_{i = 1}^{m} w_{i}^{-} = 1

；

ε_{x}

和

w^{-}

为EBM模型的核心参数；X和Y分别为投入矩阵和产出矩阵，都大于0。

在EBM模型的基础上，结合Pastor和Lovell发展的Global-Malmquist分解法^［12］，构建如下GML指数：

\begin{array}{l} G M L (x^{t}, y^{t}, x^{t + 1}, y^{t + 1}) = \frac{D^{G} (x^{t + 1}, y^{t + 1})}{D^{G} (x^{t}, y^{t})} \\ = \frac{D^{t + 1} (x^{t + 1}, y^{t + 1})}{D (x^{t}, y^{t})} \times \{\frac{D^{G} (x^{t + 1}, y^{t + 1})}{D^{t + 1} (x^{t + 1}, y^{t + 1})} \times \frac{D (x^{t}, y^{t})}{D^{G} (x^{t}, y^{t})}\} \\ = \frac{D^{t + 1} (x^{t + 1}, y^{t + 1})}{D (x^{t}, y^{t})} \times \{\frac{D^{G} (x^{t + 1}, y^{t + 1}) / D^{t + 1} (x^{t + 1}, y^{t + 1})}{D^{G} (x^{t}, y^{t}) / D (x^{t}, y^{t})}\} \\ = G E C \times \{\frac{G T C^{G, t + 1} (x^{t + 1}, y^{t + 1})}{G T C^{G, t} (x^{t}, y^{t})}\} \\ = G E C \times G T C \end{array}

（2）

式中：GEC为相邻两个阶段的效率变动体现；

G T C^{G, t + 1} (x^{t + 1}, y^{t + 1})

为前沿t+1与全局前沿的接近程度；

G T C^{G, t} (x^{t}, y^{t})

为前沿

t

与全局前沿的接近程度；GTC为前沿t+1相比前沿

t

的变动。生产率指数GML可以分解为技术进步指数GTC和技术效率指数GEC，三者关系为GML=GTC×GEC。技术进步反映农业用水技术创新使得生产前沿向前移，体现技术进步效应；技术效率反映农业用水实际产出和有效生产前沿的距离，体现效率追赶效应。

1.2 评价指标及数据来源

借鉴已有的相关文献^［13-15］，本文构建如下评估指标体系。其中，以水资源、劳动力、土地、农业机械、化肥五方面的投入作为农业投入变量，分别选用农业用水量、第一产业就业人数、农作物播种面积、农业机械总动力、农业化肥使用量这5个变量表征；产出方面，以农业总产值作为农业产出变量，并基于2008年的不变价格进行缩减处理。

本文的评价对象为黄河流域，包括青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南、山东9省。上述数据来源于《中国统计年鉴》（2009-2019）、《中国农村统计年鉴》（2009-2019）以及各省市相关年份的统计年鉴（2009-2019）。

2 结果与分析

2.1 全国视角下黄河流域农业水资源全要素生产率

为了解黄河流域农业水资源全要素生产率在全国的定位，本文利用全国31个省份（不包括港澳台）的投入产出数据构建生产可能性集，在全国视野下分析其空间格局。此外，黄河流域与长江经济带都是重大国家战略发展区域，都强调水资源高效节约利用，较为相似，因此本文也对两区域进行了对比。长江经济带包括11省市，分别为重庆、四川、贵州、云南、江西、湖北、湖南、上海、江苏、浙江、安徽。利用MaxDEA Urtra8软件，测算农业水资源全要素生产率。

如图1所示，在效率水平上，2008-2018年全国、长江经济带、黄河流域的平均农业水资源全要素生产率分别为1.037、1.041、1.036，多数年份3个区域的农业水资源全要素生产率排名为长江经济带＞全国平均水平＞黄河流域；由此可见，3个区域的农业水资源全要素生产率都在增长，但黄河流域低于全国平均水平，距离长江经济带差距更远。在变动情况上，研究期内全国、长江经济带、黄河流域农业水资源全要素生产率分别年均增加0.38%、0.68%、0.03%，黄河流域＜全国平均水平＜长江经济带；此外，2008-2012、2013-2015、2016-2017年黄河流域农业水资源全要素生产率都呈下降趋势。可以看出，在农业水资源全要素生产率的效率水平和年均增速上，黄河流域较低，没有达到全国平均水准，与同为重大国家战略发展区域的长江经济带相比差距更大。

图1 2008-2018年黄河流域与全国、长江经济带的农业水资源全要素生产率比较

Fig. 1 Comparison of Total Factor Productivity of Agricultural Water Resources in the Yellow River Basin， the Yangtze River Economic Belt and the Whole Country， 2008-2018

Full size|PPT slide

2.2 黄河流域农业水资源全要素生产率的分解

上文分析的农业水资源全要素生产率，可以分解成技术效率指数和技术进步指数。对黄河流域农业水资源全要素生产率进行分解，观察其主要受何种变化指数的影响。

如图2所示， 2008-2018年黄河流域各时期的农业水资源全要素生产率都大于1，年均增长0.03%，表明该流域的农业用水效率处于上升阶段。分解来看，在效率水平上，研究期内黄河流域的技术进步指数处于1.009~1.095之间，技术效率指数位于0.964~1.023之间，2015-2016年两者的水平差异最大为0.131；技术进步指数与全要素生产率在各时期都大于1，明显高于技术效率指数。在变化情况上，技术进步指数与全要素生产率的变化情况基本趋同，技术进步指数年均增长0.22%，而技术效率指数年均下滑-0.19%。总体来看，较高的技术进步指数是黄河流域农业水资源全要素生产率提升的主要因素，而较低的技术效率指数在一定程度上阻碍了其提升。

图2 2008-2018年黄河流域的农业水资源全要素生产率及其分解

Fig. 2 Total Factor Productivity of Agricultural water resources and its decomposition in the Yellow River Basin， 2008-2018

Full size|PPT slide

此外，本文还在空间层面上，测算并分解了黄河流域9省的农业水资源全要素生产率平均值，揭示各省的农业水资源全要素生产率水平，以及主要受何种变化指数的影响，结果如图3所示。由图3可知，黄河流域各省的农业水资源全要素生产率都大于1，省际差异并不显著，均值最高的陕西（1.062）仅比最低的四川（1.016）高出0.046。分解来看，黄河流域9省的技术进步指数均值都高于技术效率指数均值，各省技术进步指数均值都大于1，在变动幅度上与全要素生产率基本一致；而技术效率指数均值除陕西、青海、宁夏外，都小于1。由此可见，黄河流域各省农业水资源全要素生产率的提升主要依靠技术进步，同时急需提升较低的技术效率。

图3 2008-2018年黄河流域9省的农业水资源全要素生产率及其分解

Fig. 3 Total Factor Productivity of Agricultural water resources and its decomposition in 9 provinces of the Yellow River Basin， 2008-2018

Full size|PPT slide

2.3 黄河流域农业水资源全要素生产率的影响因素分析

为了解黄河流域农业水资源全要素生产率变化的形成机制，本文对其影响因素进行了检验。根据已有研究^{［13，16］}和数据的可获得性，本文从水资源禀赋、水利设施、农业种植结构、农村劳动力受教育水平等4个方面选取影响因素指标。其中，选取人均水资源量PW和地下水占供水总量的比例GW体现水资源禀赋；选取水库总容量RE表征水利设施；选取粮食种植面积与蔬菜种植面积的比值FV反映农业种植结构；选取农村15岁及其以上人口中文盲占比IR反映农村劳动力受教育水平。由于PW和RE的统计标准与其他影响因素不一致，为保证回归结果的有效性，对这2个变量进行对数化处理。上述影响因素的数据来自《中国统计年鉴》（2009-2019）和《中国农村统计年鉴》（2009-2019）。

本文测算的农业水资源全要素生产率及其分解都是以上一年为1的环比指数，不符合传统回归习惯。参考李谷成的做法^［17］，将其转换为2008年为1的累积增长指数，接着进行对数转换，然后作为被解释变量。转换的公式为

l n (1 + T F P)

。由于转换后的值处于0~1之间，为截断数据，因此利用Bootstrap截断回归模型检验农业水资源全要素生产率的影响因素，构建如下回归模型：

l n G T F P_{i t} = β_{0} + β_{1} L N {(P W)}_{i t} + β_{2} G W_{i t} + β_{3} L N {(R E)}_{i t} + β_{4} F V_{i t} + β_{5} I R_{i t} + ε_{i t}

（3）

式中：GTFP为被解释变量，表示转换后的累积增长指数；

i

为省份；

t

为年份；

ε_{i t}

为随机误差；

β_{s} (s = 1,2 \dots, 5)

为解释变量的系数；PW、GW、RE、FV、IR分别为各解释变量。利用stata16.0软件计算Bootstrap回归模型，抽样次数为1 000次，回归结果见表1。

表 1 黄河流域农业水资源全要素生产率的影响因素回归结果

Tab.1 Regression results of factors affecting total factor productivityof agricultural water resources in the Yellow River Basin

解释变量	回归系数	标准误	Z值	P＞\|Z\|
LN（PW）	0.025^**	0.010	2.44	0.015
GW	0.209^***	0.075	2.80	0.005
LN（RE）	-0.063^***	0.015	-4.14	0
FV	-0.004^**	0.002	-2.07	0.038
IR	-0.011^***	0.003	-3.81	0
Constant	0.980^***	0.048	20.46	0
Log likelihood	117.449
Wald chi²	57.680^***

注：***、**分别表示在1%、5%的水平下显著。

（1）在水资源禀赋上，人均水资源量对农业水资源全要素生产率的提升起到促进作用，回归系数为0.025且在5%的水平下显著。人均水资源拥有量越多，代表可用于农业灌溉的水资源越多，有利于扩大农业用水生产规模。地下水占比与黄河流域农业水资源全要素生产率有着显著正向关系，回归系数为0.209且在1%的水平下显著。这与许朗等的研究结论相一致^［18］，利用地下水灌溉可以减少输水损失，有助于提高灌溉效益。

（2）在水利设施上，水库总容量与农业水资源全要素生产率显著负相关，回归系数为-0.063，通过了1%的显著性检验。这与王学渊等^［19］的研究结果相一致，水资源储存量的提升可能会降低农户节约灌溉的积极性。

（3）在农业种植结构上，粮食蔬菜面积比与农业水资源全要素生产率显著负相关，回归系数为-0.004，通过了5%的显著性检验。这一结果印证了赵姜等^［20］的研究发现，农业种植结构的变化会显著影响到农业用水量，粮食蔬菜面积比越高，高耗水作物的种植面积越大，从而进一步恶化农业水资源短缺和水资源浪费状况。

（4）在农村劳动力受教育水平上，文盲比与农业水资源全要素生产率显著负相关，回归系数为-0.011，且在1%的水平下显著。文盲比例越高，表明农村劳动力的总体受教育水平越低，农户节水意识越差，这可能会加剧农业水资源浪费，导致高效的农业节水技术和灌溉方式难以推广。

3 结论

本文结合EBM模型和全局Malmquist指数，在全国视野下测算和对比了2008-2018年黄河流域的农业水资源全要素生产率，并对其进行了分解和影响因素分析。结果发现：

（1）2008-2018年黄河流域的农业水资源全要素生产率虽然增加，但多数年份小于长江经济带和全国平均水准。黄河流域农业水资源全要素生产率年均增长0.03%，低于全国的0.38%和长江经济带的0.68%。

（2）分解来看，2008-2018年黄河流域技术进步指数大于1，明显高于技术效率指数；技术进步指数年均增长0.22%，而技术效率指数年均下降-0.19%。黄河流域农业水资源全要素生产率的提高主要依靠技术进步，而较低的技术效率一定程度上对其产生阻碍作用。

（3）黄河流域农业水资源全要素生产率的省际差异并不明显；各省的技术进步指数均值都高于技术效率指数均值，前者皆高于1，而后者普遍低于1。提升黄河流域各省农业水资源全要素生产率主要依靠技术进步，同时急需提升较低的技术效率。

（4）水资源禀赋和农村劳动力受教育水平对黄河流域农业水资源全要素生产率产生正向影响，水利设施和农业种植结构对其产生负向影响。

基于上述结论，本文提出以下建议：

（1）推行高效节水灌溉方式，进一步提升节水灌溉技术的同时，更加重视水资源管理水平的增强。黄河流域各省需要持续引进、推广和应用高效的农业节水灌溉方式，培养农户节水意识，建立健全农业节水机制，切实减少农业水资源浪费。

（2）清晰认识影响黄河流域农业水资源全要素生产率的各种内外因素，针对性地采取措施。首先，完善跨区域调水机制，统筹协调缺水省份和多水省份的水资源，实现农业用水的优化配置；同时避免过度超采地下水。其次，合理开展水利基础设施建设，增强应对农业缺水的抵抗能力。再次，适度优化农业种植结构，鼓励农户种植低耗水农作物。最后，加大农村教育投入，提升农村劳动力受教育水平，增强其节水意识。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	孙付华，陈汝佳，张兆方. 基于三阶段DEA-Malmquist区域农业水资源利用效率评价［J］. 水利经济，2019，37（2）：53-58. 本文引用 [1]

2	杨扬，蒋书彬. 基于DEA和Malmquist指数的我国农业灌溉用水效率评价［J］. 生态经济，2016，32（5）：147-151. 本文引用 [1]

3	张云宁，陈金怡，欧阳红祥，等. 基于DEA-Malmquist的江苏省农业用水效率评价［J］. 水利经济，2020，38（3）：62-68. 本文引用 [1]

4	屈晓娟，方兰. 西部地区农业用水效率实证分析［J］. 统计与决策，2017（11）：97-100. 本文引用 [1]

5	徐辉，莫文春，张大伟. 黑河中游地区农业用水效率研究：以张掖市为例［J］. 兰州文理学院学报（社会科学版），2015，31（1）：55-60. 本文引用 [1]

6	吴泽宁，黄硕俏，狄丹阳，等. 黄河流域农业系统水资源价值及其空间分布研究［J］. 灌溉排水学报，2019，38（12）：93-100. 本文引用 [1]

7	毛春梅. 农业水价改革与节水效果的关系分析［J］. 中国农村水利水电，2005（4）：2-4. 本文引用 [2]

8	刘涛. 污染排放、技术效率与农业用水方式转变［J］. 华南农业大学学报（社会科学版），2016，15（1）：1-9.

9	佟金萍，马剑锋，王慧敏，等. 中国农业全要素用水效率及其影响因素分析［J］. 经济问题，2014（6）：101-106.

10	TONE K， TSUTSUI M. An epsilon-based measure of efficiency in DEA–A third pole of technical efficiency ［J］. European Journal of Operational Research， 2010，207（3）：1 554-1 563. 本文引用 [1]

11	佟金萍，马剑锋，王慧敏，等. 农业用水效率与技术进步：基于中国农业面板数据的实证研究［J］. 资源科学，2014，36（9）：1 765-1 772. 本文引用 [1]

12	PASTOR J T， LOVELL C A K. A global Malmquist productivity index ［J］. Economics Letters， 2005，88（2）：266-271. 本文引用 [1]

13	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）：817-828. 本文引用 [2]

14	刘涛. 省际农业用水效率及其演化的博弈分析［J］. 节水灌溉，2017（9）：97-100.

15	操信春，杨陈玉，何鑫，等. 中国灌溉水资源利用效率的空间差异分析［J］. 中国农村水利水电，2016（8）：128-132. 本文引用 [1]

16	魏玲玲，李万明. 新疆农业用水效率及影响因素分析［J］. 新疆大学学报（哲学·人文社会科学版），2014，42（1）：7-10. 本文引用 [1]

17	李谷成. 中国农业的绿色生产率革命：1978-2008年［J］. 经济学（季刊），2014，13（2）：537-558. 本文引用 [1]

18	许朗，黄莺. 农业灌溉用水效率及其影响因素分析：基于安徽省蒙城县的实地调查［J］. 资源科学， 2012，34（1）：105-113. 本文引用 [1]

19	王学渊，赵连阁. 中国农业用水效率及影响因素：基于1997-2006年省区面板数据的SFA分析［J］. 农业经济问题，2008（3）：10-18. 本文引用 [1]

20	赵姜，孟鹤，龚晶. 京津冀地区农业全要素用水效率及影响因素分析［J］. 中国农业大学学报，2017，22（3）：76-84. 本文引用 [1]

PDF(1623 KB)

690

访问

引用

详细情况

段落导航

收稿日期	出版日期
2020-08-27	2021-06-15
发布日期
2021-07-02

选择文件类型/文献管理软件名称

选择包含的内容