贵州喀斯特山区农业生态效率测度及影响因素研究

摘要 以期望产出是否包括农业生态系统服务，对贵州喀斯特山区农业生态效率进行对比分析，以期为推动该区农业绿色发展提供理论参考与数据支持。采用超效率SBM模型、GML指数测度2000—2019年贵州9个市（州）2种农业生态效率，并利用Tobit 回归模型探讨其影响因素。结果表明：①传统的农业生态效率只有贵阳有效，期望产出考虑了农业生态系统服务后，除六盘水、安顺、黔西南及黔南外，其余市州农业生态效率均值进入到有效区。②研究期内贵州传统的农业全要素生产率（GML）年均增长2%，尤其是2012年以后GML指数增长明显。除了遵义、黔东南和铜仁，其余市州传统的农业全要素生产率（GML）均大于1，各市州农业生态效率提高主要依靠技术进步提升带动。除了遵义和铜仁，其余各市州改进的GML指数均较传统的有所降低。③产业结构、财政支农水平、农业机械化密度与传统和改进的农业生态效率均呈正相关，农民收入水平、化肥使用强度与传统和改进的传统农业生态效率都呈负相关，人均耕地水平与植被覆盖度与改进的农业生态效率呈正相关，但与传统的农业生态效率呈负相关。

关键词 农业生态效率；生态系统服务；影响因素；贵州喀斯特山区

中图分类号 F323.2  文献标识码 A  文章编号 0517-6611（2024）11-0195-06

doi：10.3969/j.issn.0517-6611.2024.11.042

Study on Agricultural Eco-Efficiency and Its Influencing Factors in Karst Mountainous Area of Guizhou Province—Comparative Analysis Based on Ecosystem Service Improvement

DU Xue-lian，LU Yu-dian，CHANG Bin-li

（School of Economics，Guizhou University of Finance and Economics，Guiyang，Guizhou 550025）

Abstract Based on whether the expected output includes agricultural ecosystem services，this paper makes a comparative analysis of agricultural ecological efficiency in Guizhou karst mountain area，in order to provide theoretical reference and data support for promoting the green development of agriculture in this area.The super-efficiency SBM model and GML index were used to measure the two agricultural eco-efficiency of nine cities and prefectures in Guizhou from 2000 to 2019，and the Tobit regression model was used to explore its influencing factors.The results show that：①The traditional agro-ecological efficiency is only effective in Guiyang.After considering agro-ecosystem services，the average agricultural efficiency of other cities and states enters the effective zone except Liupanshui，Anshun，Qianxi and Qiannan.②During the study period，the traditional agricultural total factor productivity （GML） of Guizhou increased by 2% annually，especially the exponential growth of GML after 2012.In addition to Zunyi，Qiandongnan and Tongren，the traditional agricultural total factor productivity （GML） of the other cities and states was greater than 1，and the improvement of agricultural ecological efficiency in each city and state was mainly driven by technological progress.In addition to Zunyi and Tongren，the improved GML index of other cities and states is lower than the traditional one.③Industrial structure，financial support for agriculture，and agricultural mechanization density were positively correlated with both traditional and improved agroecological efficiency; farmers’ income level and fertilizer use intensity were negatively correlated with both traditional and improved agroecological efficiency; per capita cultivated land level and vegetation coverage were positively correlated with improved agroecological efficiency，but negatively correlated with traditional agroecological efficiency.

Key words Agricultural eco-efficiency;Ecosystem services;Influencing factors;Guizhou karst mountainous area

基金项目 贵州省高校人文社会科学研究项目（2023GZGXRW167）。

作者简介 杜雪莲（1981—），女，贵州思南人，教授，博士，硕士生导师，从事资源环境与生态经济研究。

收稿日期 2023-10-22

20世纪末以来，随着生态系统服务这一研究领域的兴起，学者围绕农业生态系统服务的内涵［1-2］及价值核算［3-4］展开了大量研究。随着新时代农业高质量发展的提出，农业已由传统的食物和原料供应向多功能的调节服务产品、文化服务产品供给转型。将农业生态系统服务融入农业可持续发展评价中，能更加全面地衡量农业生产活动对生态造成的影响，有利于推动农业绿色发展［5］。1990年，Schaltegger等［6］首次提出“生态效率”的定义，这一概念运用至农业领域形成“农业生态效率”，目前已成为农业可持续发展的研究热点。学者围绕农业生态效率的内涵［7-8］、指标体系［9-10］以及影响因素［11-12］等方面进行了大量研究。生态效率研究方法主要包括生命周期法、随机前沿法和数据包络分析法。数据包络分析法中，由于非期望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，已逐渐成为测定生态效率的主流模型。目前，国内对农业生态效率开展了大量研究，取得了丰硕的研究成果。但仍存在以下两点不足：一是以往的研究虽然关注了农业生产过程中造成的农业碳排放以及面源污染等生态负向影响，但鲜有考虑到农业生产过程中产生的生态正向影响即农业生态系统服务；二是对我国西南喀斯特生态脆弱区农业生态效率的研究还比较缺乏。

贵州是典型的喀斯特地貌，生态环境脆弱，容易发生石漠化，是全国唯一没有平原支撑的省份。地处内陆山区使得贵州保留了较好的生态基础，成为首批国家生态文明试验区。2022年1月，《国务院关于支持贵州在新时代西部大开发上闯新路的意见》（国发〔2022〕2号）发布。文件赋予贵州“生态文明建设先行区”的战略定位，要求贵州继续守好生态与发展两条底线，在生态文明建设上出新绩。2022年4月，农业农村部出台《推进贵州现代山地特色高效农业发展实施方案》，强调要加快农业绿色转型提质量，加强农业生态资源保护利用。鉴于此，该研究将农业生态系统服务价值作为期望产出的补充，以产出指标是否含有农业生态系统服务价值，采用超效率SBM模型和GML指数对比研究2000—2019年贵州省9个市州的农业生态效率并探讨其影响因素，以期为推动该区农业绿色发展提供理论参考与数据支持。

1 研究方法与数据来源

1.1 研究方法

1.1.1 非期望产出的超效率SBM模型。

Tone［13］提出了可以对非期望产出加以管理的非角度非径向的SBM模型即超效率SBM模型，其相关参数和变量如下：假定当前所要测试的决策单位数量（DMU）为n个，记作DMUj（j=1，2，…，n）；当前要测试的DMU记作DMUk。DMUk有m种投入，记作xik（i=1，2，… ，m）；q1种期望产出，记作ygrk（r=1，2，…，q1）；q2种非期望产出，记作ybrk（r=1，2，… ，q2）；p为生产单位效率值即贵州各市州农业生态效率，当生态效率值大于或等于1时，说明投入组合合理，有良好的产出效果。（ ，yg，yb）为剔除第k个决策单元的决策变量参考点，λ是权重向量。根据如上参数与变量，考虑非期望产出的超效率SBM模型如下：

p=min1mmi=1

xixtik

1q1+q2q1r=1ygrygrk+

q2r=1ybrybrk

s.t.≥nj=1，j≠kλjxj，0≤yg≤nj=1，j≠kλjxgj，yb≥nj=1，j≠kλjybj，

≥xk，yg≤ygk，yb≥ybk，λ≥0

1.1.2 GML指数。

Oh［14］通过构造全局生产可能集，提出GML指数解决了ML指数的缺陷。假设有n个决策单元，每个决策单元均使用m种投入获得q1种期望产出和q2种非期望产出。引入当期生产可能集：pt（xt）={（yt，bt）}（t=1，2，…，T）

此时，可将全局生产可能集定义为：

PG（x）=P1（x1）∪P2（x2）∪…∪PT（xT）

因此，基于全局生产可能集的GML指数计算公式如下：

GMLt，t+1（xt，yt，bt，xt+1，yt+1，bt+1）=1+DG（xt，yt，bt）1+DG（xt+1，yt+1，bt+1）

=1+Dt（xt，yt，bt）1+Dt+1（xt+1，yt+1，bt+1）×

1+DG（xt，yt，bt）1+Dt（xt，yt，bt）×

1+Dt+1（xt+1，yt+1，bt+1）1+DG（xt+1，yt+1，bt+1）

=TCt，t+1×ECt，t+1

式中：DG（x，y，b）=max{β｜y+βy，b-βb}∈PG（x）}表示全局方向的距离函数；GMLt，t+1指数值表示t+1时期相对于t时期的农业生态效率变动，可以进一步分解为技术进步指数（TCt，t+1）和技术效率变化指数（ECt，t+1）。其中，GMLt，t+1指数取值大于1、小于1和等于1时分别表示从t时期到t+1时期的农业生态效率增长、下降和不变的情况；TCt，t+1和ECt，t+1指数取值大于1或小于1时分别表示从t时期到t+1时期技术进步或落后以及技术效率增加或减少的状况。

1.1.3 Tobit回归模型。