DOI: 10.12357/cjea.20220339
谭日辉, 刘慧敏. 中国农业绿色全要素生产率空间关联网络特征演化及影响因素[J]. 中国生态农业学报 (中英文), 2022,
30(12): 2011?2022
TAN R H, LIU H M. Characteristic evolution and influencing factors of the spatial correlation network of agricultural green total
factor productivity in China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(12): 2011?2022
中国农业绿色全要素生产率空间关联网络特征演化及
影响因素
谭日辉, 刘慧敏
(江西财经大学财税与公共管理学院 南昌 330013)
摘 要: 提升农业绿色全要素生产率对于推进农业绿色发展具有重要意义。现有研究缺乏对农业绿色全要素生产
率空间关联网络特征及其影响因素的分析, 制约了中国农业可持续发展。为此, 本文基于关系数据和网络视角, 综
合利用SBM模型、社会网络分析法、QAP模型等多种模型与方法, 就中国农业绿色全要素生产率空间关联网络特
征演化过程及其影响因素的动态作用进行深入分析。结果表明: 1)农业绿色全要素生产率整体呈现上升趋势, 均值
由2010年的0.47提升至2019年的0.85, 不同地区间存在较大差异, 其空间效应已突破地理邻近范围而形成了复杂
的空间关联网络; 2)农业绿色全要素生产率空间关联网络的关联性和稳定性在研究期间有所加强, 2010年到
2019年, 网络关系数由124个增加至215个, 网络密度由0.13提升至0.23, 网络等级度由0.53降低至0.29, 网络效
率由0.84降低至0.67; 3)空间关联网络中心度在不同年份存在波动, 东部地区依托较为发达的经济成为空间关联网
络中主要的要素汇聚地而具有较高的中心度, 西部部分地区则主要借助政策支持以获得中东部的要素流入, 从而具
有较高的中心度, 中部少数地区依靠较优越的位置而具有较高的中心度; 4)经济发展水平、农业发展水平、信息化
水平、交通运输水平、空间邻接关系对空间关联网络的形成具有较显著的影响。
关键词: 农业绿色全要素生产率; 空间关联网络; 绿色农业; SBM模型; 社会网络分析
中图分类号: F323.7开放科学码(资源服务)标识码(OSID):
Characteristic evolution and influencing factors of the spatial correlation net-
work of agricultural green total factor productivity in China
TAN Rihui, LIU Huimin
(School of Finance, Taxation and Public Administration, Jiangxi University of Finance and Economics, Nanchang 330013, China)
Abstract: Improving agricultural green total factor productivity (AGTFP) is essential to the development of green agriculture. Few
researches has evaluated the characteristics and influencing factors of the spatial correlation network of AGTFP, which is not condu-
cive to the development of green agriculture. Therefore, based on relational data and networks, using data from 31 provinces (cities
and autonomous regions) in China from 2010 to 2019, this study used the SBM-Undesirable model to determine AGTFP, and adop-
ted the social network analysis method to analyze the overall structure and individual characteristics of the spatial correlation network
of AGTFP. The dynamic process of factors affecting the spatial correlation network of AGTFP was analyzed through a quadratic as-
signment procedure (QAP) model. The results revealed that: First, the AGTFP in China showed an upward trend as a whole, and the
北京市社会科学基金重大项目(21LLSMA050)资助
通信作者: 刘慧敏, 研究方向为农村社会治理、农业生态经济。E-mail: liuhuimin921@sina.com
谭日辉, 研究方向为农村社会治理。E-mail: tanrihui@163.com
收稿日期: 2022-05-04 接受日期: 2022-06-09
The study was supported by the Major Project of Beijing Municipal Social Science Foundation (21LLSMA050).
Corresponding author, E-mail: liuhuimin921@sina.com
Received May 4, 2022; accepted Jun. 9, 2022
中国生态农业学报 (中英文) ?2022年12月 ?第?30?卷 ?第?12?期
Chinese?Journal?of?Eco-Agriculture,?Dec.?2022,?30(12):?2011?2022
http://www.ecoagri.ac.cn
average value increased from 0.47 in 2010 to 0.85 in 2019 with scope for improvement and high regional variability. In addition, the
spatial correlation effect of AGTFP of provinces (cities and autonomous regions) exceeded geographical proximity, forming a com-
plex spatial correlation network throughout the country. Second, the correlation and stability of the spatial correlation network of
AGTFP were reinforced during the study period. From 2010 to 2019, the number of network relationships increased from 124 to 215,
and the network density increased from 0.13 to 0.23. Meanwhile, the network level reduced from 0.53 to 0.29, and the network effi-
ciency reduced from 0.84 to 0.67. Third, the centrality of the spatial correlation network of AGTFP in China fluctuated in different
years. The eastern region, relying on a more developed economy, had become the main factor gathering place in the spatial correla-
tion network; therefore, it had a high central degrees. While parts of the western region had a very high central degree due to the in-
flow of factors from the central and eastern regions mainly through policy support. A few areas in the central region haf a very high
central degree due to their superior location. Finally, the results of this study demonstrated that the effects of influencing factors on
the spatial correlation networks of AGTFP in China varied from year to year, and the level of economic development, agricultural de-
velopment, informatization, transportation improvement, and spatial adjacency had a marked impact on the formation of the spatial
correlation networks of AGTFP in China. Therefore, the characteristics and influencing factors of AGTFP should be considered, and
effective measures should be taken to enhance the spatial correlation of AGTFP.
Keywords: Agricultural green total factor productivity; Spatial correlation network; Green agriculture; SBM model; Social network
analysis
农业可持续发展是中国社会可持续发展的前提
和基础。随着化学农业对生态环境和人民身体健康
负面影响的逐渐显现, 推进农业绿色发展已经成为
中国农业可持续发展的必然路径。农业绿色全要素
生产率的提升是实现农业绿色发展的重要途径[1], 是
现代农业可持续发展的重要路径选择[2]。深入研究
农业绿色全要素生产率, 对于推进中国农业绿色发
展, 进而促进中国可持续发展战略深入实施具有重
要的现实意义。
农业绿色全要素生产率的重要价值得到了学界
的高度重视。学者们就农业绿色全要素生产率测度、
农业绿色全要素生产率影响因素、农业绿色全要素
生产率时空演变规律等问题进行了深入探讨。农业
绿色全要素生产率的测度是农业绿色全要素生产率
分析的基础, 现有研究测度农业绿色全要素生产率
的方法主要包括数据包络分析方法(DEA)[3-5]、随机
前沿分析方法(SFA)[6-7]。近年来, 数据包络分析方法
中的基于松弛的DEA模型(SBM-DEA模型)及其衍
生方法逐渐成为测度农业绿色全要素生产率的主要
方法[8]。一方面该方法可以测算非期望产出约束下
的效率变化, 另一方面通过将该方法与非径向方向
距离函数结合可以进一步测度农业绿色全要素生产
率的变动率。此外, 学者们进一步探索了农业绿色
全要素生产率的影响因素。现有研究一方面就农民
收入水平、农村金融发展、财政支农水平、农业结
构、资源利用情况及环境污染治理水平等因素对农
业绿色全要素生产率的作用进行了分析[7,9]。另一方
面, 现有研究也就城镇化[10-11]和国际贸易[12-13]等外部
因素对于农业绿色全要素生产率的作用进行了探讨。
随着空间分析方法的成熟, 学者们在前期研究的基
础上进一步对农业绿色全要素生产率的时空演变规
律进行了探索。通过数据包络分析、随机前沿分析、
全局全要素生产率(GML)指数等方法分析了农业绿
色全要素生产率的动态变化规律, 而后结合空间计
量方法讨论了农业绿色全要素生产率的空间分布及
空间溢出情况[1-2,7,14-16]。
综上可知, 农业绿色全要素生产率作为学界前
沿得到了学者们的高度关注, 相关研究成果十分丰
富。此外, 通过对现有研究的梳理, 可知农业绿色全
要素生产率空间研究是现阶段农业绿色全要素生产
率研究的热点和前沿。但是, 现有农业绿色全要素
生产率空间研究还存在一些不足有待完善。首先,
现有研究在对农业绿色全要素生产率的空间效应进
行分析时仅考虑地理上的“邻近”或“相邻”效应。现
实中, 随着现代交通网络和信息网络的完善, 跨区域
的要素交流日益频繁, 各类社会经济活动所产生的
空间效应早已突破了地理邻近范围, 形成了囊括多
个区域的复杂空间关联网络[17-20]。然而, 现有农业绿
色全要素生产率研究未对该问题进行分析和探讨。
其次, 现有农业绿色全要素生产率空间研究是基于
反映省市自身特征的“属性数据”, 而非体现要素相互
关系的“关系数据”展开。再次, 现有农业绿色全要素
生产率空间研究未能就农业绿色全要素生产率可能
存在的跨区域空间关联网络效应的影响因素进行探
讨, 不利于空间关联网络特征发挥积极作用。现有
研究指出, 空间关联网络的形成对于相关效率值的
提升具有重要意义, 更能对区域协同节能机制构建、
区域均衡发展发挥积极作用[21-23]。因此, 农业绿色全
2012 中国生态农业学 报 (中英文 )?2022 第 30 卷
http://www.ecoagri.ac.cn
要素生产率空间关联网络的形成也将为环境约束下
的区域农业协调发展提供重要支撑。然而, 现有研
究存在的不足将制约农业绿色全要素生产率的进一
步提升, 更将影响环境约束下的区域农业协调发展
及中国农业可持续发展战略的深入实施。
为此, 针对现有研究存在的不足, 借鉴农业绿色
全要素生产率和空间关联网络研究成果, 基于关系
数据和空间关联网络视角, 本文就中国农业(侠义农
业)绿色全要素生产率空间关联网络特征及其影响
因素进行讨论。为更清晰探明中国省际农业绿色全
要素生产率空间关联网络, 本文采取逐年分析的方
式对农业绿色全要素生产率空间关联网络年际演变
过程进行系统探索, 并对其影响因素在不同年份的
作用进行动态研究, 以期为环境约束下的区域农业
协调发展提供科学支持, 以推进中国农业可持续发展。
1 研究方法、数据来源
1.1 农业绿色全要素生产率测度方法
1.1.1 非期望产出SBM模型
现有研究在对农业绿色全要素生产率进行测度
时, 多利用SBM (Slacks-Based Measure)模型计算效
率值, 而后结合GML指数等方法对农业绿色全要素
生产率进行分解, 以计算农业绿色全要素生产率变
动率。由于本文研究目的是对农业绿色全要素生产
率的空间关联网络特征进行分析, 而非是对其变动
率进行探讨。因此, 本文借鉴纪成君等[15]的做法, 仅
利用非期望产出SBM模型[24]对农业绿色全要素生
产率进行测度。模型具体计算公式如下:
AGTFP=min
1 1m
m∑
i=1
Si
Xi
1+ 1s
1 +s2
0B
BBBB
@
s1∑
r=1
Sgr
Ygr +
s2∑
k=1
Sbk
Ybk
1C
CCCC
A
其中
i=1;2; m;r =1;2; ;s1;k =1;2; ;s2
subject to X0 = Xi + S i
Yg0 = Ygr Sgr
Yb0 = Ybk +Sbk
S i ?0; Sg ?0; Sbk ?0 (1)
m
s1 s2 Si
Xi Sgr gr
Sbk Ybk
式中: AGTFP为农业绿色全要素生产率, 表示投入
指标个数, 表示期望产出, 表示非期望产出, 和
分别表示投入冗余及投入变量, 和 分别表示期
望产出不足以及期望产出变量, 和 分别表示非
期望产出过剩以及非期望产出变量, 表示权重向量。
1.1.2 农业绿色全要素生产率测算指标
参考文献[1-2,16], 将农业劳动力、土地、化肥、
农药、农膜、农业机械动力、农业灌溉等因素作为
投入指标, 将农业总产值(以2010年为基期)作为期
望产出指标, 将农业活动所造成的碳排放作为非期
望产出指标。其中, 农业劳动力以农业从业人员表
征, 土地投入则利用农作物总播种面积表征, 化肥、
农药、农膜、农业机械动力等投入则利用化肥施用
量、农药使用量、农膜使用量、农业机械总动力等
指标表征, 灌溉则利用有效灌溉面积表征。农业从
业人员的计算借鉴文献[25], 农业碳排放的测度则参
考文献[26-28]。由于相关研究对农业从业人员的计
算和农业碳排放的测度已经进行了详细论述, 此处
不再赘述。
1.2 空间关联网络分析方法
1.2.1 空间关联矩阵构建方法
空间关联网络分析的开展需要首先建立空间关
联网络矩阵。现有研究构建空间关联网络矩阵时主
要有两种方法: 一种是利用格兰杰因果分析以测度
各节点间关系情况, 进而构建空间关联矩阵; 另一种
则是通过引入引力模型, 结合地区经济社会发展状
况确定节点关联关系。由于格兰杰因果分析过于敏
感, 会降低网络结构特征刻画的精确性[29], 为此, 本文
参考研究[30-31]引入修正的引力模型对中国省际农
业绿色全要素生产率的空间关联引力强度进行测度,
而后构建空间关联矩阵。其计算公式为:
Qij = AGiAG
i+AGj
AGTFPi AGTFPjD2
ij
(ag i agj)2
(2)
Qij i j
AGTFPi AGTFPj AGi AGj
i j
D2ij
式中: 表示第 、 地之间农业绿色全要素生产率
的引力, 、 、 、 、agi、agj分
别表示中国第 和 地的农业绿色全要素生产率、农
业生产总值、农业劳动力人均生产总值, 表示各
地间的地理距离(以省会距离代替)。在获得引力值
后, 构建农业绿色全要素生产率空间关联网络矩阵
(AGTFPM), 参考文献[30-31]将每行取引力均值作
为比较值, 大于均值的记为1, 反之为0, 构建0-1矩阵。
1.2.2 社会网络分析法
在构建农业绿色全要素生产率空间关联网络矩
阵后, 需要进一步分析该空间关联网络矩阵的结构
特征。参考文献[22,28], 利用社会网络分析法就农
业绿色全要素生产率空间关联网络结构特征进行分析。
1) 空间关联网络整体结构特征。通过网络关系
数、密度、关联度、等级度和效率5个指标分析空
间关联网络整体结构特征, 公式如表1所示。其中,
网络关系数和网络密度反映空间关联网络的关联性,
网络关系数越多, 网络密度越高, 表明农业绿色全要
第 12 期 谭日辉等 : 中国农业绿色全要素生产率空间关联网络特征演化及影响因素 2013
http://www.ecoagri.ac.cn
素生产率空间关联网络中各节点间的空间相互作用
越发强烈, 空间关联关系越发紧密。网络关联度反
映空间关联网络中是否有不可达点对数。根据公式
可知, 当农业绿色全要素生产率空间关联网络的网
络关联度为1时, 空间关联网络内没有不可达点对
数, 表明所有节点都在农业绿色全要素生产率空间
关联网络内。此时, 农业绿色全要素生产率空间关
联网络的稳健性较强。网络等级度和网络效率则反
映空间关联网络的稳定性。网络等级度越低, 空间
关联网络内等级差距越小, 各节点对农业绿色全要
素生产率空间关联网络的作用效果越平衡, 网络内
没有居于绝对“控制”地位的节点。此时, 农业绿色全
要素生产率空间关联网络处于稳定状态。因为, 当
网络内有处于绝对“控制”地位的“领导”节点时, 空间
关联网络的运行将更多地依靠该节点, 一旦该节点
出现问题, 空间关联网络也将陷于混乱。而网络等
级度处于较低水平时, 网络节点作用相似, 农业绿色
全要素生产率空间关联网络运行依托众多节点共同
支撑, 将具有更强的稳定性。网络效率同样反映农
业绿色全要素生产率空间关联网络的稳定情况, 网
络效率越低, 表明网络内冗余越少, 农业绿色全要素
生产率空间关联网络越稳定。
表 1 空间关联网络整体结构与个体结构特征指标
Table 1 Indexs of overall structure and individual structure characteristics of spatial correlation networks
整体结构特征
Overall structural characteristics
公式
Formula
个体结构特征
Individual structural characteristics
公式
Formula
网络密度
Network density (D)
D= L=[N(N 1)]
点度中心度
Point degree center degree (CRD)
CRD =n=(N 1)
网络关联度
Network correlation degree (C)
C =1 2V=[N(N 1)]
接近中心度
Close center degree (CAP)
CAP =
0B
BBBB
BB@
n∑
j=1
dij
1C
CCCC
CCA
/
(N 1)
网络等级度
Network hierarchy (H)
H =1 K=maxK
中介中心度
Intermediary center degree (CRB)
CRB =
26
6666
6642
N∑
j=1
N∑
k=1
bjk(i)
37
7777
775
/
(N2 3N+2)
网络效率
Network efficiency (NE)
NE=1 M=maxM
其中N表示农业绿色全要素生产率空间关联网络中的节点总数, L表示实际关联数; V表示网络内部不可达点对数; K与maxK分别表示对称可达点对
数及最大对称可达点对数; M与maxM分别表示节点间多余联系数及最大可能多余联系数; n表示网络中与某特定节点相连的其他节点的数目; dij表示成
员i与成员j之间的捷径距离, j≠k≠i且j
total number of nodes in the agricultural green total factor productivity spatial correlation network, L is the actual number of correlations; V is the unreachable
point logarithmic within the network; K and maxK are the symmetric accessible point log and the maximum symmetric accessible point log, respectively; M and
maxM are the number and maximum number of redundant connections between nodes; n is the number of other nodes in the network connected to a particular
node; dij is the shortcut distance between member i and member j, j≠k≠i and j
total number of shortcuts gik between the two nodes.
2) 空间关联网络个体结构特征。通过点度中心
度、接近中心度和中介中心度3个指标分析空间关
联网络的个体结构特征, 公式见表1。点度中心度越
高, 表明在农业绿色全要素生产率空间关联网络中
该节点距离网络中心越近, 对于整个农业绿色全要
素生产率空间关联网络的作用和影响越强。接近中
心度则主要反映空间关联网络中一节点不受其他节
点“控制”的能力, 也反映这一节点与其他节点间要素
交流的“接近”程度。接近中心度越高, 表明这一节点
在农业绿色全要素生产率空间关联网络中与其他节
点的距离越近, 能更为便捷地在农业绿色全要素生
产率空间关联网络中传递信息并推动农业绿色全要
素生产率相关的农业劳动力、涉农资金与技术、初
级农产品等要素流动。中介中心度反映空间关联网
络某一节点在网络中的中介作用, 当某一节点的中
介中心度较高, 其对于农业绿色全要素生产率空间
关联网络中其余节点的调节作用越强, 其将成为农
业绿色全要素生产率空间关联网络中要素交流的枢
纽和桥梁。
1.3 空间关联网络影响因素分析方法
了解各因素对空间关联网络的作用情况, 有利
于促进空间关联网络的形成和稳定。为此, 在对农
业绿色全要素生产率空间关联网络结构特征进行深
入分析的基础上, 需要进一步剖析其影响因素。由
于空间关联网络矩阵基于关系数据构建, 利用一般
的回归模型进行影响因素分析可能受共线性等问题
的制约。为此, 现有研究多采用QAP (quadratic as-
signment procedure)模型就空间关联网络的影响因素
进行研究。相对传统的回归方法, QAP模型对关系
数据的分析更为稳健[22]。
本文在参考已有研究[28]的基础上综合考虑农业
绿色全要素生产率空间关联网络实际以设置自变量。
由于经济发展会影响农业劳动力的转移及农业初级
产品的流通, 进而影响空间关联网络, 故此将经济发
展水平设置为自变量, 利用地区GDP表征。考虑技
术发展尤其是绿色农业技术对农业绿色全要素生产
2014 中国生态农业学 报 (中英文 )?2022 第 30 卷
http://www.ecoagri.ac.cn
率会产生重要影响, 且技术交流也是形成空间关联
的重要路径, 因此将科技发展水平设置为自变量, 利
用地区科学研究与试验发展(R&D)经费表征。考虑
地区农业发展水平会影响到农业要素流动, 因此将
地区农业发展水平设置为自变量, 利用地区第一产
业产值表征。信息网络的发展和交通网络的完善是
农业绿色全要素生产率空间关联网络形成的重要支
撑, 因此将信息化水平和交通运输水平设置为自变
量, 分别利用地区互联网接入端口数量及地区货运
量表征。考虑空间距离会影响要素的流通, 因此将
空间邻接关系作为自变量纳入模型。由于因变量为
矩阵数据, 因此在分析时基于各自变量属性数据, 构
建差异矩阵以纳入QAP模型。其中, 空间邻接矩阵
根据0-1法则进行设置, 两地相邻设置为1, 否则为0。
基于上述设置, 构建QAP模型如下:
AGTFPM= f(gdp、r&d、agindus、inf、tran、adj)
(3)
式中: AGTFPM为农业绿色全要素生产率空间关联
网络矩阵, 自变量为经济发展水平差异矩阵(gdp)、
科技发展水平差异矩阵(r&d)、第一产业产值差异
矩阵(agindus)、信息化水平差异矩阵(inf)、交通运
输水平差异矩阵(tran)、空间邻接矩阵(adj)。
1.4 时间设置与数据来源
本文将研究时间设置为2010 ?2019年, 研究区
域设定为中国31个省级行政区, 香港、澳门、台湾
等地区由于经济社会发展与其余省级行政区差别较
大, 故此暂不将其纳入分析体系。基础数据来源于
《中国统计年鉴》 《中国农业年鉴》 《中国农村
统计年鉴》。其中, 各省(市、自治区)间距离, 利用
ArcGIS软件distance功能, 结合各省会(直辖市为本
市坐标)地理坐标进行计算。
2 中国农业绿色全要素生产率变化特征
利用PRO DEA SOLER 5.0软件, 结合农业绿色
全要素生产率指标和SBM模型, 计算得到2010 ?
2019年中国农业绿色全要素生产率(图1)。
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
2010 2011 2012 2013 2014
年份 Year
AGTFP
均值
Average
AGTFP
2015 2016 2017 2018 2019
图 1 2010 ?2019年省际农业绿色全要素生产率(AGTFP)均值
Fig. 1 Average interprovincial agricultural green total factor productivity (AGTFP) from 2010 to 2019
由图1可知, 中国农业绿色全要素生产率整体得
到较快提升, 其均值由2010年的0.47增长到2019
年的0.85, 10年间增长了近一倍。该结果表明, 中国
农业绿色发展战略得到了较好的落实与执行。农业
绿色全要素生产率的提升表明2010 ?2019年间中
国农业产量增长的同时减少了农业生产对生态环境
所产生的负面影响。结合现实而言, 2010年至2019
年间, 中国各界高度重视农业绿色发展, 每年中央一
号文件都对农业绿色发展问题进行了布置。在中央
政府政策的引导下, 中国开展了以农业面源污染防
治攻坚战为代表的推进农业绿色发展系列活动, 积
极推进绿色农业技术应用和推动农业生产过程测土
施肥, 极大地降低了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。此外, 通过加大
农业科技投入、优化农业技术设备、改善农业经营
方式、促进农业适度规模经营等路径, 中国农业逐
渐由粗放型农业向现代农业转型, 从而较好地实现
了农业产量与环境保护双重目标的兼容。就各地区
情况而言, 地区间农业绿色全要素生产率差距较大
(表2)。以2019年为例, 北京、福建等19个省(市、
自治区)农业绿色全要素生产率达到效率前沿, 但是
云南、江西、安徽、内蒙古等地的农业绿色全要素
生产率却低于0.50。究其原因, 一方面可能是由于地
区间自然禀赋及社会经济发展和技术水平差异。如
北京、福建等地可依靠先进的农业技术以提升农业
绿色全要素生产率; 陕西、新疆等地农业规模化、
机械化水平较高, 从而使得农业绿色全要素生产率
达到前沿。而安徽、江西相对而言农业技术水平和
农业机械化、规模化水平都存在不足, 因此农业绿
色全要素生产率相对较低。内蒙古则可能是由于相
第 12 期 谭日辉等 : 中国农业绿色全要素生产率空间关联网络特征演化及影响因素 2015
http://www.ecoagri.ac.cn
对较为脆弱的自然环境导致农业绿色全要素生产率
相对较低。另一方面, 各地农业绿色全要素生产率
的差异可能受各地区产业结构差异影响, 如北京等
经济发达地区以及西藏、青海、宁夏等地区之所以
拥有较高的农业绿色全要素生产率, 可能是由于这
些地区农业总量相对较小, 且不像江西、安徽等农
业大省一样有保障粮食生产的压力, 因此农业生产
过程中农药、化肥等化学物质使用量较低。
3 中国农业绿色全要素生产率的空间关联网
络结构特征分析
基于上文测度的农业绿色全要素生产率, 利用
公式(2)获得农业绿色全要素生产率引力, 并构建农
业绿色全要素生产率空间关联矩阵(AGTFPM), 具体
结构图见电子版附件1或扫描首页二维码。构建矩
阵后发现2010 ?2019年间, 31个省(市、自治区)的
农业绿色全要素生产率空间关联效应已经突破了地
理邻近范围, 形成了辐射全国的空间关联网络。为
此, 下面结合社会网络分析法就农业绿色全要素生
产率空间关联网络的结构特征进行细致分析。
3.1 农业绿色全要素生产率空间关联网络整体结构
特征演化分析
利用Ucinet 6.0软件, 结合表1中公式计算得到
中国农业绿色全要素生产率空间关联网络的整体结
构特征指标(图2)。
由图2可知, 2010 ?2019年农业绿色全要素生
产率空间关联网络的关联性整体加强。其中, 网络
关系数由2010年的124个增加至2019年的215个,
2016年达最高值233个; 网络密度由2010年的0.13
提升至2019年的0.23, 同样2016年达最高值0.25。
表 2 2019年中国31个省(市、自治区)农业绿色全要素生产率(AGTFP)
Table 2 Green total factor productivity of agriculture (AGTFP) in 31 provinces (cities, autonomous regions) in 2019
省 (市 、 自治区 )
Province (city, autonomous region) AGTFP
省 (市 、 自治区 )
Province (city, autonomous region) AGTFP
省 (市 、 自治区 )
Province (city, autonomous region) AGTFP
安徽 Anhui 0.43 黑龙江 Heilongjiang 0.56 陕西 Shaanxi 1.00
北京 Beijing 1.00 湖北 Hubei 1.00 上海 Shanghai 1.00
福建 Fujian 1.00 湖南 Hunan 0.72 四川 Sichuan 1.00
重庆 Chongqing 0.80 吉林 Jilin 0.69 天津 Tianjin 1.00
甘肃 Gansu 1.00 江苏 Jiangsu 1.00 西藏 Tibet 1.00
广东 Guangdong 1.00 江西 Jiangxi 0.46 新疆 Xinjiang 1.00
广西 Guangxi 0.73 辽宁 Liaoning 0.76 云南 Yunnan 0.48
贵州 Guizhou 1.00 内蒙古 Inner Mongolia 0.48 浙江 Zhejiang 1.00
海南 Hainan 1.00 宁夏 Ningxia 0.59 均值 Mean 0.85
河北 Hebei 1.00 青海 Qinghai 1.00
河南 Henan 1.00 山东 Shandong 1.00
0
0.2
0.4
0.6
0.8
1.0
1.2
0
50
100
150
200
250
其他指标
Other indicators网络关系数
Number of network relationships
网络密度 Network density 网络关联度 Network correlation
网络等级度 Network rank网络效率 Network efficiency
网络关系数 Number of network relationships
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
年份 Year
图 2 2010—2019年中国农业绿色全要素生产率空间关联网络的整体结构特征
Fig. 2 Overall structural characteristics indexes of spatial correlation network of agricultural green total factor productivity in China
from 2010 to 2019
2016 中国生态农业学 报 (中英文 )?2022 第 30 卷
http://www.ecoagri.ac.cn
网络关系数与网络密度的增加反映出农业绿色全要
素生产率空间关联网络内各省(市、自治区)间的空
间关联关系得到深化, 表明农业技术、农业物资、
农业劳动力、涉农资金等农业绿色全要素生产率相
关的诸多要素在空间关联网络内各节点得以实现较
为充分的流动。2016年网络关系数和网络密度达到
最高点, 可能是由于这一年《长江经济带规划纲要》
发布, 极大地促进了长江经济带各类要素的流动, 进
而加强了整体空间关联网络的关联性。但是, 即使
是2016年空间关联网络的网络关系数也仅仅只有
233个, 离该空间关联网络的最大可能关系数930个
(30×31)存在较大差距。
由图2可知, 2010 ?2019年农业绿色全要素生
产率空间关联网络的稳定性整体增强。其中, 网络
关联度持续为1, 表明农业绿色全要素生产率空间关
联网络内不存在不可达点对数, 各省(市、自治区)
均被纳入了农业绿色全要素生产率空间关联网络,
反映出该空间关联网络具有较好的稳健性。农业绿
色全要素生产率空间关联网络的网络等级度由2010
年的0.53降低至2019年的0.29, 表明农业绿色全要
素生产率空间关联网络的稳定性整体增强。网络效
率由2010年的0.84降低至2019年的0.67, 表明农业
绿色全要素生产率空间关联网络内网络冗余逐步减
少, 进一步佐证了农业绿色全要素生产率空间关联
网络的稳定性得到增强。
3.2 农业绿色全要素生产率空间关联网络个体结构
特征分析
利用Ucinet 6.0软件计算得到农业绿色全要素
生 产 率 空 间 关 联 网 络 个 体 结 构 特 征 指 标, 2010 ?
2019年各省(市、自治区) 3类中心度值见附件2 (见
电子版或扫描首页二维码)。表3主要展示了2010年、
2013年、2016年和2019年各省(市、自治区)的中
心度, 之所以选择这4个年份, 是综合考虑中心度变
化趋势以及年份间隔的结果。
3.2.1 中心度年际演化分析
由表3可知, 研究期间农业绿色全要素生产率空
间关联网络点度中心度内部存在变动。整体而言,
研究期间农业绿色全要素生产率空间关联网络点度
中心度均值得到了较快增长, 由2010年的21.29增
长到2019年的36.99, 其中最高值为2016年的38.71,
与农业绿色全要素生产率空间关联网络整体结构变
化趋势一致。农业绿色全要素生产率空间关联网络
接近中心度内部变动较大。农业绿色全要素生产率
空 间 关 联 网 络 接 近 中 心 度 均 值 先 是 由2010年 的
32.62波动上升至2016年的45.38, 而后波动下降至
2019年的26.10。前期农业绿色全要素生产率接近
中心度均值的提升可能是由于信息网络和交通网络
日益完善, 客观上减少了各节点间的距离。后期接
近中心度的下降推测是受到了区域中心崛起的影响,
如2019年, 甘肃、陕西、贵州、湖北接近中心度提
高, 尤其是贵州的接近中心度更是位列当年第五, 成
为了空间关联网络的又一中心。区域中心的崛起使
得周边地区要素向着这些区域中心进行流动, 从而
影响这些区域中心的周边省(市、自治区)与其他地
区的接近程度, 进而造成了接近中心度均值的下降。
农业绿色全要素生产率空间关联网络中介中心度均
值由2010年的2.87增长至2019年的3.11。农业绿
色全要素生产率中介中心度均值的提升表明空间关
联网络内节点中介作用的增强。究其原因, 可能在
于交通网络和信息网络的日益完善以及区域协调发
展战略的深入, 使得空间关联网络内的要素交流枢
纽得以更好地发挥“桥梁”作用, 进而促进了农业绿色
全要素生产率相关要素的流通。
3.2.2 中心度省际差异分析
由表3可知, 农业绿色全要素生产率空间关联网
络中心度的省际差异较大。当点度中心度高于均值
时, 表明这一地区在农业绿色全要素生产率空间关
联网络中相对其他地区更加接近网络中心, 是空间
关联网络中的农业劳动力、初级农产品等农业绿色
全要素生产率相关要素的流入地区, 对空间关联网
络具有重要支撑作用。就点度中心度而言, 2010年、
2013年、2016年和2019年高于均值的地区分别有
8个、11个、11个和12个(表3), 省际间点度中心
度 差 异(最 大 值 减 最 小 值)分 别 为96.67、80.00、
80.00和73.33, 点度中心度差异越来越小。接近中心
度的省际差异同样较大, 当接近中心度高于均值时
说明这些省(市、自治区)易与其他省(市、自治区)
产生空间关联。2010年、2013年、2016年和2019
年 高 于 均 值 的 地 区 分 别 有15个 、16个 、14个 和
10个, 省际间接近中心度差异分别为96.77、90.52、
90.52和82.27, 接近中心度省际差异逐渐缩小。当一
节点的中介中心度高于均值时, 表明这些省(市、自
治区)在空间关联网络中能够较好地影响和控制农
业劳动力、涉农资金等要素与绿色农业技术的流动,
并进一步对其他省(市、自治区)的农业绿色全要素
生 产 率 发 挥 调 节 和 制 约 作 用 。2010年 、2013年 、
2016年和2019年高于均值的地区分别有5个、9个、
12个和11个, 省际间中介中心度差异分别为28.11、
第 12 期 谭日辉等 : 中国农业绿色全要素生产率空间关联网络特征演化及影响因素 2017
http://www.ecoagri.ac.cn
28.49、14.97和14.22, 中介中心度差异也有所缩小。
3.3 农业绿色全要素生产率空间关联网络结构特征
的进一步讨论
3.3.1 整体结构特征
前文分析发现农业绿色全要素生产率空间关联
网络关联性整体有所提升。究其原因, 一方面, 京津
冀协同发展、长江经济带、粤港澳大湾区建设、长
三角一体化、黄河流域高质量发展等区域协调发展
战略的实施, 加快了中国各区域内部的要素交流, 为
农业绿色全要素生产率空间关联网络内的局部要素
流动奠定了基础。郑军等[32]对长三角一体化的分析,
论证了区域协调发展战略对劳动力要素流动的重要
作用。区域协调发展战略的进一步深入, 也将推进
其余各类要素的配置与流动。另一方面, 随着经济
增长, 交通网络和信息网络在2010 ?2019年间日益
完善, 从而为跨区域的要素流通提供了重要保障。
统计局数据显示中国铁路和公路里程世界第一, 而
根 据 《 数 字 中 国 发 展 报 告(2020年)》数 据, 截 至
2020年12月, 中国已经建成世界上最大的光纤网络
和4G网络, 5G网络建设速度和规模位居全球第一。
此外, 近年来城乡二元体制逐步改革, 进一步放松了
劳动力等农村要素的约束, 并减少了工商资本下乡
的制约, 既促进了城乡要素的流动, 同时也在一定程
度上促进了农业绿色全要素生产率相关要素的跨区
表 3 2010—2019年中国31个省(市、自治区)农业绿色全要素生产率空间关联网络中心度
Table 3 Center degrees of spatial correlation network of agricultural green total factor productivity in 31 provinces (cities, autonom-
ous regions) of China from 2010 to 2019
省 (市 、 自治区 )
Province (city, autonomous region)
点度中心度
Point degree center degree
接近中心度
Close to the center
中介中心度
Intermediary center degree
2010 2013 2016 2019 2010 2013 2016 2019 2010 2013 2016 2019
安徽 Anhui 10.00 16.67 23.33 23.33 51.72 46.88 44.78 25.21 0.06 1.24 0.52 0.28
北京 Beijing 80.00 93.33 86.67 43.33 75.00 93.75 88.24 63.83 15.89 14.59 6.67 0.01
福建 Fujian 3.33 40.00 50.00 56.67 50.85 38.96 40.54 25.64 0.00 6.75 4.08 11.32
重庆 Chongqing 13.33 26.67 33.33 36.67 30.00 48.39 48.39 24.39 0.11 2.46 1.39 0.61
甘肃 Gansu 20.00 20.00 40.00 56.67 27.27 37.50 45.46 27.27 0.12 0.15 3.12 3.62
广东 Guangdong 10.00 26.67 26.67 26.67 30.00 33.71 34.48 22.06 0.07 0.64 0.45 0.46
广西 Guangxi 10.00 13.33 26.67 26.67 30.00 30.93 34.48 22.22 0.07 0.04 0.45 0.46
贵州 Guizhou 16.67 40.00 56.67 60.00 30.30 51.72 55.56 28.57 0.11 5.45 10.32 14.22
海南 Hainan 30.00 33.33 36.67 23.33 42.25 44.12 47.62 24.79 14.12 10.36 8.63 6.05
河北 Hebei 13.33 13.33 13.33 10.00 44.12 51.72 53.57 22.56 0.00 0.01 0.00 0.00
河南 Henan 13.33 13.33 20.00 20.00 3.23 31.58 40.00 23.62 0.00 0.38 3.77 1.36
黑龙江 Heilongjiang 16.67 16.67 30.00 30.00 3.44 3.44 3.33 3.44 0.02 0.14 0.00 0.01
湖北 Hubei 10.00 20.00 33.33 40.00 3.23 46.15 40.00 25.86 0.00 2.90 1.31 3.59
湖南 Hunan 6.67 26.67 30.00 20.00 3.23 28.30 34.88 23.62 0.00 0.23 0.84 0.07
吉林 Jilin 10.00 16.67 33.33 33.33 3.44 3.45 3.33 3.45 0.00 0.14 0.12 0.47
江苏 Jiangsu 13.33 36.67 60.00 56.67 53.57 45.46 62.50 29.70 0.12 5.28 10.06 7.75
江西 Jiangxi 6.67 20.00 23.33 20.00 50.85 46.15 44.78 24.39 0.48 2.90 2.70 0.94
辽宁 Liaoning 26.67 30.00 30.00 20.00 3.45 3.45 3.23 3.44 1.09 1.24 0.00 0.01
内蒙古 Inner Mongolia 20.00 16.67 20.00 20.00 3.23 37.50 40.00 22.06 0.00 0.23 1.24 1.41
宁夏 Ningxia 23.33 23.33 33.33 33.33 46.88 54.55 60.00 23.62 0.13 2.85 1.85 0.67
青海 Qinghai 30.00 33.33 43.33 33.33 58.82 57.69 63.83 27.03 1.02 4.90 4.57 0.73
山东 Shandong 10.00 13.33 23.33 30.00 3.23 3.23 28.85 22.90 0.00 0.00 0.17 3.43
山西 Shanxi 20.00 23.33 46.67 43.33 46.15 54.55 65.22 27.52 0.19 4.21 4.21 11.11
陕西 Shaanxi 10.00 16.67 30.00 40.00 3.23 3.56 41.67 24.79 0.00 0.51 1.38 2.22
上海 Shanghai 100.00 73.33 66.67 60.00 100.00 76.92 68.18 29.13 28.11 28.49 14.97 9.78
四川 Sichuan 16.67 23.33 33.33 33.33 3.23 3.23 37.04 22.73 0.00 0.00 0.86 0.49
天津 Tianjin 56.67 70.00 93.33 83.33 63.83 76.92 93.75 85.71 1.39 0.00 6.80 0.61
西藏 Tibet 23.33 33.33 43.33 50.00 55.56 57.69 63.83 28.04 21.65 10.89 11.82 7.80
新疆 Xinjiang 16.67 23.33 23.33 33.33 36.15 37.04 39.47 23.26 3.61 0.50 1.50 2.68
云南 Yunnan 13.33 23.33 30.00 33.33 3.23 30.93 32.97 20.27 0.00 0.41 0.61 0.76
浙江 Zhejiang 10.00 30.00 60.00 50.00 51.72 50.00 46.88 28.04 0.63 0.74 9.40 3.40
均值 Mean 21.29 29.25 38.71 36.99 32.62 39.66 45.38 26.10 2.87 3.50 3.67 3.11
表内中心度为相对值; 带下划线数字, 表示该年份该地区中心度高于当年均值。The centrality in the table is relative value; underlined number
indicates that the centrality is higher than the annual average.
2018 中国生态农业学 报 (中英文 )?2022 第 30 卷
http://www.ecoagri.ac.cn
域流动。刘俊杰[33]的研究成果表明, 我国城乡分割
的二元格局逐渐被打破。这一现实将促进城乡之间
以及跨区域间的要素流动, 进而促进空间关联的形成。
3.3.2 个体结构特征
前文分析发现农业绿色全要素生产率空间关联
网络的中心度在省际间存在有较大差异。综合来看,
各年度无论是点度中心度、接近中心度, 还是中介
中心度, 高于均值的地区大致上可分为经济发达地
区、西部边疆区域、位置优越地区3种类型。
第一种是经济发达地区, 如北京、上海、天津
等东部沿海省市。这些地区各类中心度都较高, 可
能是由于这些地区经济发展迅速, 广阔的市场空间
能够较好地汇集农业绿色全要素生产率空间关联网
络中的农业劳动力和初级农产品; 此外, 这些省市大
多具有较好的交通条件和完善的信息网络, 能为要
素流通提供重要支持, 从而促进要素向着这些地区
汇集; 这些地区相对较高的农业绿色全要素生产率
也增加了其在空间关联网络中的影响力。第二种则
是西部边疆地区, 如西藏、青海等地, 这些地区较高
的中心度推测主要得益于国家的政策支持。在西部
大开发以及对口支援等政策的支持下, 东部与中部
各类要素向着西部边疆地区进行支援, 从而提升了
这些地区的中心度。王禹澔[34]在就中国对口支援实
践经验进行分析时指出东部地区为西部提供了资金、
人才、技术支援。而这些要素的流入将提升西部的
部分地区在空间关联网络中的中心度。第三种则是
中部的部分省市, 如江西、湖北等。这些地区较高
的中心度推测得益于较为优越的地理位置。较好的
地理位置使得这些省份能够汇集周边地区的各类要
素, 成为区域网络的中心; 此外, 这些中部地区也通
过吸收西部地区的初级农产品和劳动力及进一步向
东部沿海地区转移初级农产品和农业劳动力等要素
而提升其在空间关联网络中与其他节点的“接近”程
度; 另外, 就这些地区在农业绿色全要素生产率空间
关联网络中的作用来看, 这些地区既是东部涉农资
金、技术的流入地, 同时也在一定程度上向着西部
地区转移农业技术等要素, 是网络中的重要中介。
许欣等[35]的研究也指明中部地区的重要优势在于其
位置的枢纽作用。
4 农业绿色全要素生产率空间关联网络的影
响因素
在就农业绿色全要素生产率空间关联网络的影
响因素进行分析前, 本文首先通过Ucinet 6.0软件对
各变量的相关性进行了探讨, 结果发现本文选择的
自变量在一定年份内都与农业绿色全要素生产率空
间关联网络产生了相关关系。因此, 本文选择的自
变量具有一定合理性。此外, 本文还就自变量间相
关关系进行了QAP相关分析(出于版面考虑未进行
展示), 结果显示多数自变量之间具有相关性。因此,
为避免多重共线性影响, 利用QAP模型分析农业绿
色全要素生产率空间关联网络的影响因素是有必要的。
基 于 式(3)设 置, 利 用Ucinet 6.0软 件 的QAP
回归功能, 就不同年份农业绿色全要素生产率空间
关联网络影响因素作用进行了剖析(表4)。由表4
可知, 各影响因素对农业绿色全要素生产率空间关
联网络的作用在不同年份存在差异, 而所选择的自
变量至少在1年内对农业绿色全要素生产率空间关
联网络产生较为显著的影响。
经济发展水平差异矩阵(gdp)在多数年份对农
业绿色全要素生产率空间关联网络的形成产生较为
显著的影响, 且其系数持续为负。表明在多数年份,
地区经济发展水平差距越小越有利于农业绿色全要
素生产率空间关联网络的形成。究其原因, 一方面,
表 4 2010—2019年中国农业绿色全要素生产率空间关联网络影响因素估计结果
Table 4 Estimation results of the influencing factors of spatial correlation network of agricultural green total factor productivity in
China from 2010 to 2019
因素 Factor 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Intercept 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
gdp ?0.90 ?1.51 ?0.70 ?1.04 ?1.08 ?0.47 ?0.77 ?0.70 ?0.64 ?0.23
r&d 0.15 0.31 0.31 0.34 0.35 0.05 0.24 0.22 0.08 ?0.05
agindus 0.50 0.54 0.53 0.48 0.50 0.40 0.40 0.33 0.23 0.36
inf 0.40 0.75 -0.03 0.33 0.34 0.09 0.29 0.26 0.37 0.03
tran 0.02 0.11 0.06 0.11 0.11 0.12 0.04 0.07 0.08 0.00
adj 0.08 0.09 0.10 0.13 0.10 0.13 0.16 0.15 0.17 0.21
表中系数为标准化系数; : P<0.01; : P<0.05; : P<0.1; 本文假设P<0.1为显著水平。gdp: 经济发展水平差异矩阵;
r&d: 科技水平差异矩阵; agindus: 第一产业产值差异矩阵; inf: 信息化水平差异矩阵; tran: 交通运输水平差异矩阵; adj: 空间邻接矩阵。The coefficients
in the table are the standardized coefficient. : P<0.01; : P<0.05; : P<0.1. gdp: economic development level difference matrix; r&d: science and
technology level difference matrix; agindus: primary industry output value difference matrix; inf: information level difference matrix; tran: transportation level
difference matrix; adj: spatial adjacency matrix.
第 12 期 谭日辉等 : 中国农业绿色全要素生产率空间关联网络特征演化及影响因素 2019
http://www.ecoagri.ac.cn
地区GDP差异小, 意味着地区间经济发展水平相似,
地区处于相同的社会经济发展阶段, 其地区经济发
展呈现着较为相似的状态, 使得农业绿色全要素生
产率发展情况趋同, 从而增强各地区农业绿色全要
素生产率的空间联系; 另一方面, 在市场机制作用下,
与农业绿色全要素生产率相关的各种要素更容易在
经济发展水平相近的地区流动, 从而使得农业绿色
全要素生产率空间关联网络的空间关联效应得以实现。
第一产业产值差异矩阵(agindus)在所有年份都
对农业绿色全要素生产率空间关联网络的形成产生
显著影响, 且系数持续为正, 表明地区农业发展水平
差异越大越有利于农业绿色全要素生产率空间关联
网络的形成。究其原因, 当两地区农业发展水平差
异较大时, 两地区间产业结构的互补性可能越强, 越
有可能实现农业绿色全要素生产率相关要素的交流。
如河南、湖南、湖北、江西等农业大省为江苏、浙
江、福建等东部沿海省市经济发展提供劳动力支持
和初级农产品。
信息化水平差异矩阵(inf)在多数年份对农业绿
色全要素生产率空间关联网络的形成产生较为显著
的影响, 且当其作用显著时, 系数持续为正。交通运
输水平差异矩阵(tran)在部分年份对农业绿色全要
素生产率空间关联网络产生较为显著的影响, 且当
作用显著时, 系数同样为正。表明信息化水平和交
通运输水平差异越大越有利于农业绿色全要素生产
率空间关联网络的形成。究其原因, 可能在于信息
化水平和交通运输水平较高地区能够更好地汇集农
业绿色全要素生产率空间关联网络中的各类要素,
从而促进空间关联网络内的要素流动, 进而推动农
业绿色全要素生产率空间关联网络的形成。根据前
文分析也可发现, 东部沿海省市多数年份在农业绿
色全要素生产率空间关联网络中处于网络中心, 重
要原因便是其发达的信息和交通网络使得这些地区
能够汇集空间关联网络内的各类要素, 从而增强空
间关联网络内各节点间的关联。
空间邻接矩阵(adj)在所有年份都对农业绿色全
要素生产率空间关联网络的形成产生显著的正向影
响, 表明地区距离越近, 越有利于产生空间关联。一
方面, 两地区距离接近, 各类要素的流通成本较低,
越可能实现要素的流动, 进而形成空间关联; 另一方
面, 地理位置接近的省市经济发展水平较为相似, 前
文分析发现经济发展水平相似地区更有可能产生空
间关联。
科技发展水平差异矩阵(r&d)仅仅在2011年对
农业绿色全要素生产率空间关联网络的形成产生了
显著正向影响, 表明农业绿色全要素生产率空间关
联网络的形成整体上受到科技发展的影响较小。
5 结论与讨论
本 文 基 于 关 系 数 据 和 网 络 视 角, 利 用2010 ?
2019年中国31个省(市、自治区)数据, 就农业绿色
全要素生产率空间关联网络结构特征演化及其影响
因素进行深入分析, 研究发现:
1)中国农业绿色全要素生产率整体呈现上升趋
势, 但仍有一定进步空间, 且地区间存在较大差异;
此外, 各省(市、自治区)的农业绿色全要素生产率
间的空间关联效应已经超出了地理邻近范围, 在全
国形成了复杂的空间关联网络。
2)中国农业绿色全要素生产率空间关联网络的
关联性和稳定性整体有所加强, 表现为各节点间网
络关系数和网络密度的增加以及网络等级度和网络
效率的降低; 此外, 在研究期间, 空间关联网络具有
较好的稳健性。
3)中国农业绿色全要素生产率空间关联网络的
中心度在不同年份存在波动, 东部地区依托较为发
达的经济成为空间关联网络中主要的要素汇聚地,
因而具有较高的中心度; 西部部分地区则主要借助
政策支持以获得中东部的要素流入而具有较高的中
心度; 中部少数地区依靠较为优越的位置而具有较
高的中心度。
4)中国农业绿色全要素生产率空间关联网络影
响因素的作用在不同年份存在差异, 经济发展水平、
农业发展水平、信息化水平、交通运输水平、空间
邻接关系对农业绿色全要素生产率空间关联网络的
形成具有较为显著的影响。
相比于现有研究, 本文既实现了研究视角的拓
展, 同时更进一步分析了空间关联网络的动态变化,
有利于为农业绿色全要素生产率的提升提供科学参
考。研究结果表明农业绿色全要素生产率具有空间
关联网络特征。根据前述文献可知空间关联网络的
形成有利于提升相关效率, 且对于促进区域协调发
展及区域协同减排节能具有重要意义。因此, 在农
业绿色全要素生产率提升的政策设计过程中, 应当
考虑农业绿色全要素生产率空间关联网络结构特征
可能造成的影响。此外, 在研究中, 农业绿色全要素
生产率空间关联网络的网络关系整体上还处于较低
水平, 农业绿色全要素生产率空间关联关系有待进
一步提升。因此, 在推进农业绿色发展的过程中, 还
2020 中国生态农业学 报 (中英文 )?2022 第 30 卷
http://www.ecoagri.ac.cn
需要采取有效措施以增强各地区农业绿色全要素生
产率间的空间关联, 推进各类要素在空间关联网络
中有序流动。本研究存在一些局限有待进一步解决,
其中比较重要的包括: 1)农业绿色全要素生产率空
间关联网络中各地区中心度年际变化的深入分析及
其原因的深入探讨, 本文虽然就农业绿色全要素生
产率空间关联网络中各地区中心度年际变化进行了
一定的分析, 并进行了年际间的对比, 但是对于具体
省市的中心度变化分析存在不足, 且相关原因的分
析也缺乏严谨的量化分析支持, 在未来应当就该问
题进行更为深入的分析; 2)农业绿色全要素生产率
研究方法与研究区域的进一步完善工作需要进一步
深入, 本文利用非期望产出的SBM模型进行效率测
度, 但是该方法无法测度超过1的效率差异, 且该方
法的动态可比性还有待进一步深化, 此外, 本文的研
究区域为省一级, 市域之间的农业绿色全要素生产
率空间关联特征如何? 这些都有待进一步的研究;
3)基于空间关联网络特征的农业绿色全要素生产率
提升建议应当进行专题分析, 农业绿色全要素生产
率的提升对于农业绿色发展具有重要意义, 本研究
证明其具有空间关联网络特征, 那么在这一特征下
如何增强地区农业绿色全要素生产率的空间关联,
进一步提升农业绿色全要素生产率, 需要进一步结
合国家政策和地区实际进行更为细致的对策探讨,
这也是下一步的研究重点。
参考文献 References
郭海红, 刘新民. 中国农业绿色全要素生产率的时空分异及
收敛性[J]. 数量经济技术经济研究, 2021, 38(10): 65?84
GUO H H, LIU X M. Spatial and temporal differentiation and
convergence of China’s agricultural green total factor
productivity[J]. The Journal of Quantitative & Technical
Economics, 2021, 38(10): 65?84
[1]
郭海红, 刘新民. 中国农业绿色全要素生产率时空演变[J].
中国管理科学, 2020, 28(9): 66?75
GUO H H, LIU X M. Time-space evolution of China’s
agricultural green total factor productivity[J]. Chinese Journal of
Management Science, 2020, 28(9): 66?75
[2]
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
LIANG J, LONG S B. China’s agricultural green total factor
productivity growth and its affecting factors[J]. Journal of South
China Agricultural University (Social Science Edition), 2015,
14(3): 1?12
[3]
葛鹏飞, 王颂吉, 黄秀路. 中国农业绿色全要素生产率测
算[J]. 中国人口·资源与环境, 2018, 28(5): 66?74
GE P F, WANG S J, HUANG X L. Measurement for China’s
agricultural green TFP[J]. China Population, Resources and
Environment, 2018, 28(5): 66?74
[4]
CHEN Y F, MIAO J F, ZHU Z T. Measuring green total factor[5]
productivity of China’s agricultural sector: A three-stage SBM-
DEA model with non-point source pollution and CO2
emissions[J]. Journal of Cleaner Production, 2021, 318: 128543
王留鑫, 姚慧琴, 韩先锋. 碳排放、绿色全要素生产率与农
业经济增长[J]. 经济问题探索, 2019(2): 142?149
WANG L X, YAO H Q, HAN X F. Carbon emission, green
total factor productivity and agricultural economic growth[J].
Inquiry into Economic Issues, 2019(2): 142?149
[6]
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
LIU Y W, OUYANG Y, CAI H Y. Evaluation of China’s
agricultural green TFP and its spatiotemporal evolution
characteristics[J]. The Journal of Quantitative & Technical
Economics, 2021, 38(5): 39?56
[7]
沈洋, 周鹏飞. 农业绿色全要素生产率测度及收敛性分
析 ?基于碳汇和碳排放双重视角[J]. 调研世界, 2022(4):
58?68
SHEN Y, ZHOU P F. Measurement of agriculture green total
factor productivity and convergence analysis — Based on the
dual perspective of carbon sinks and carbon emissions[J]. The
World of Survey and Research, 2022(4): 58?68
[8]
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
LI J X. Rural financial development and the improvement of
agricultural green total factor productivity[J]. Management
Review, 2021, 33(3): 84?95
[9]
郭海红, 张在旭. 新型城镇化对农业绿色全要素生产率的门
槛效应[J]. 湖南师范大学社会科学学报, 2019, 48(2): 55?63
GUO H H, ZHANG Z X. The threshold effect of new
urbanization on agricultural green total factor productivity[J].
Journal of Social Science of Hunan Normal University, 2019,
48(2): 55?63
[10]
刘战伟. 新型城镇化提升了中国农业绿色全要素生产率
吗? ?基于空间溢出效应及门槛特征[J]. 科技管理研究,
2021, 41(12): 201?208
LIU Z W. Has new urbanization promoted the agriculture green
total factor productivity in China? Based on spatial spillover
effect and threshold characteristics[J]. Science and Technology
Management Research, 2021, 41(12): 201?208
[11]
陈燕翎, 庄佩芬, 彭建平. 吸收能力视角下贸易开放对农业
绿色全要素生产率的影响[J]. 东南学术, 2021(1): 181?191
CHEN Y L, ZHUANG P F, PENG J P. The influence of trade
openness on agricultural green total factor productivity from the
perspective of absorptive capacity[J]. Southeast Academic
Research, 2021(1): 181?191
[12]
陈燕翎, 庄佩芬, 彭建平. 贸易开放对农业经济高质量发展
的影响 ?基于农业绿色全要素生产率的视角[J]. 生态经
济, 2021, 37(12): 105?114
CHEN Y L, ZHUANG P F, PENG J P. The impact on
agriculture economy high-quality development of trade
openness: from the perspective of agricultural green total factor
productivity[J]. Ecological Economy, 2021, 37(12): 105?114
[13]
杨骞, 王珏, 李超, 等. 中国农业绿色全要素生产率的空间
分 异 及 其 驱 动 因 素[J]. 数 量 经 济 技 术 经 济 研 究, 2019,
36(10): 21?37
YANG Q, WANG J, LI C, et al. The spatial differentiation of
agricultural green total factor productivity and its driving factor
recognition in China[J]. The Journal of Quantitative &
[14]
第 12 期 谭日辉等 : 中国农业绿色全要素生产率空间关联网络特征演化及影响因素 2021
http://www.ecoagri.ac.cn
Technical Economics, 2019, 36(10): 21?37
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
JI C J, XIA H M. Study on the impact of agricultural science
and technology service on agricultural green total factor
productivity in China[J]. Chinese Journal of Agricultural
Resources and Regional Planning, 2020, 41(12): 136?143
[15]
李欠男, 李谷成, 尹朝静. 农业绿色全要素生产率增长的分
布动态演进[J]. 统计与信息论坛, 2020, 35(10): 119?128
LI Q N, LI G C, YIN C J. Dynamic evolution of agricultural
green total factor productivity growth[J]. Statistics &
Information Forum, 2020, 35(10): 119?128
[16]
CHEN Z, SARKAR A, RAHMAN A, et al Exploring the drivers
of green agricultural development (GAD) in China: A spatial
association network structure approaches[J]. Land Use Policy,
2022, 112. DOI:10.1016/J.LANDUSEPOL.2021.105827
[17]
SAIZ H, GóMEZ-GARDE?ES J, BORDA J P, et al. The
structure of plant spatial association networks is linked to plant
diversity in global drylands[J]. Journal of Ecology, 2018,
106(4): 1443?1453
[18]
FAN J D, XIAO Z H. Analysis of spatial correlation network of
China’s green innovation[J]. Journal of Cleaner Production,
2021, 299: 126815
[19]
马歆, 高煜昕, 李俊朋. 中国碳排放结构信息熵空间网络关
联及影响因素研究[J]. 软科学, 2021, 35(7): 25?30, 37
MA X, GAO Y X, LI J P. Research on spatial network
correlation and influencing factors of information entropy of
carbon emission structure of China[J]. Soft Science, 2021,
35(7): 25?30, 37
[20]
何艳秋, 陈柔, 朱思宇, 等. 中国农业碳排放空间网络结构
及区域协同减排[J]. 江苏农业学报, 2020, 36(5): 1218?1228
HE Y Q, CHEN R, ZHU S Y, et al. Spatial network structure of
agricultural carbon emission in China and regional collaborative
emission reduction[J]. Jiangsu Journal of Agricultural Sciences,
2020, 36(5): 1218?1228
[21]
刘华军, 刘传明, 孙亚男. 中国能源消费的空间关联网络结
构特征及其效应研究[J]. 中国工业经济, 2015(5): 83?95
LIU H J, LIU C M, SUN Y N. Spatial correlation network
structure of energy consumption and its effect in China[J].
China Industrial Economics, 2015(5): 83?95
[22]
谭灵芝. 我国土地要素产出空间关联网络特征及其效应研
究[J]. 商业研究, 2018(6): 41?51
TAN L Z. The characteristics and its impactions of spatial
network correlation features of land element output in China[J].
Commercial Research, 2018(6): 41?51
[23]
TONE K. A slacks-based measure of efficiency in data
envelopment analysis[J]. European Journal of Operational
Research, 2001, 130(3): 498?509
[24]
王宝义, 张卫国. 中国农业生态效率的省际差异和影响因
素 ?基于1996—2015年31个省份的面板数据分析[J]. 中国
农村经济, 2018(1): 46?62
WANG B Y, ZHANG W G. Cross-provincial differences in
determinants of agricultural eco-efficiency in China: an analysis
based on panel data from 31 provinces in 1996?2015[J].
Chinese Rural Economy, 2018(1): 46?62
[25]
尚杰, 杨果, 于法稳. 中国农业温室气体排放量测算及影响
因素研究[J]. 中国生态农业学报, 2015, 23(3): 354?364
SHANG J, YANG G, YU F W. Agricultural greenhouse gases
[26]
emissions and influencing factors in China[J]. Chinese Journal
of Eco-Agriculture, 2015, 23(3): 354?364
闵继胜, 胡浩. 中国农业生产温室气体排放量的测算[J]. 中
国人口·资源与环境, 2012, 22(7): 21?27
MIN J S, HU H. Calculation of greenhouse gases emission from
agricultural production in China[J]. China Population,
Resources and Environment, 2012, 22(7): 21?27
[27]
尚杰, 吉雪强, 石锐, 等. 中国农业碳排放效率空间关联网
络结构及驱动因素研究[J]. 中国生态农业学报(中英文),
2022, 30(4): 543?557
SHANG J, JI X Q, SHI R, et al. Structure and driving factors of
spatial correlation network of agricultural carbon emission
efficiency in China[J]. Chinese Journal of Eco-Agriculture,
2022, 30(4): 543?557
[28]
冯颖, 侯孟阳, 姚顺波. 中国粮食生产空间关联网络的结构
特征及其形成机制[J]. 地理学报, 2020, 75(11): 2380?2395
FENG Y, HOU M Y, YAO S B. Structural characteristics and
formation mechanism of spatial correlation network of grain
production in China[J]. Acta Geographica Sinica, 2020, 75(11):
2380?2395
[29]
李爱, 王雅楠, 李梦, 等. 碳排放的空间关联网络结构特征
与影响因素研究: 以中国三大城市群为例[J]. 环境科学与技
术, 2021, 44(6): 186?193
LI A, WANG Y N, LI M, et al. Study on the structural
characteristics and influencing factors of spatial correlation
network of carbon emissions: a case study of three major urban
agglomerations in China[J]. Environmental Science &
Technology, 2021, 44(6): 186?193
[30]
程慧, 徐琼, 赵梦亚. 中国旅游生态效率的空间关联网络结
构及其影响因素研究[J]. 生态科学, 2020, 39(5): 169?178
CHENG H, XU Q, ZHAO M Y. Research on spatial correlation
network structure of China’s tourism eco-efficiency and its
influencing factors[J]. Ecological Science, 2020, 39(5): 169?178
[31]
郑军, 郭宇欣, 唐亮. 区域一体化合作能否助推产业结构升
级? ?基于长三角城市经济协调会的准自然实验[J]. 中国
软科学, 2021(8): 75?85
ZHENG J, GUO Y X, TANG L. Does regional integration
cooperation promote industrial structure upgrading? — quasi-
natural experimental evidence from urban economic
coordination committee[J]. China Soft Science, 2021(8): 75?85
[32]
刘俊杰. 我国城乡关系演变的历史脉络: 从分割走向融合[J].
华中农业大学学报(社会科学版), 2020(1): 84?92
LIU J J. The historical context of changes in urban-rural
relations in China: from segmentation to integration[J]. Journal
of Huazhong Agricultural University (Social Sciences Edition),
2020(1): 84?92
[33]
王禹澔. 中国特色对口支援机制: 成就、经验与价值[J]. 管理
世界, 2022, 38(6): 71?85
WANG Y H. The paired aiding mechanism with Chinese
characteristics: achievements, experience and value[J]. Journal
of Management World, 2022, 38(6): 71?85
[34]
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
XU X, ZHANG W Z. Economic growth differentiation,
competitive advantage and development pathway of the 14th
Five-Year Plan in four regions of China[J]. Economic
Geography, 2021, 41(7): 1?9
[35]
2022 中国生态农业学 报 (中英文 )?2022 第 30 卷
http://www.ecoagri.ac.cn
|
|
