前言：尋找寫作靈感？中文期刊網用心挑選的智慧農業政策對農業生態效率影響分析，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。

摘要:本文為度量智慧農業政策對農業生態效率的影響凈效應，基于中國2009—2019年31個省份數據，利用基于SBM超效率模型的GML指數測算分析出各省域農業生態效率，采用雙重差分法(DID)進行實證研究。研究結果顯示:在加入生態條件約束下，2009—2019年31個省份的農業生態效率呈上升趨勢。智慧農業政策對農業生態效率具有明顯的促進作用，凈效應和加入協變量后的效應分別達0.138、0.114。智慧農業政策對西部地區和東北地區的政策效應最為顯著，其次是中部地區和一帶一路省份。本文通過可靠數據和基準實證的支持，驗證了智慧農業對農業綠色發展的推動作用，肯定了智慧農業政策的正確性和有效性。

關鍵詞:智慧農業政策;農業生態效率;SBM超效率;GML指數;雙重差分

2019年1月3號，中共中央、國務院規范性文件《關于堅持農業農村優先發展做好“三農”工作的若干意見》［1］，提出做好“三農”工作對打贏脫貧攻堅戰具有重要意義，且全文將“綠色”一詞提及5次，除微觀的“綠色”、“農產品”和“投入品”外，宏觀政策層面的“農業綠色發展”詞組占3次，足以證明農業綠色發展的重要性。而納入環境因素的農業綠色全要素生產率，即農業生態效率，便是量化農業綠色發展的重要方式，可以避免沒有環境資源約束導致的農業綠色發展績效虛高［2］。而智慧農業政策的目標是環境效益和經濟效益的雙贏，在現如今的農業生產中起到舉足輕重的作用，理論上可以顯著提高農業生態效率。本文以此為契機，對全國各省域的農業生態效率進行評測與剖析，對農業生態效率受政策影響的凈效應加以量化，以此助力我國向綠色農業大國的蛻變，構筑經濟高質量發展的新路徑。現有研究無論是從農業生態效率的測度方面還是應用方面都碩果累累，但對智慧農業政策如何影響農業綠色生態效率探討不足。因此，本文擬以智慧農業政策的大規模實施為背景，利用DEA－SBM模型方向距離函數的GML指數測算近些年來我國各省份的農業生態效率，采用雙重差分方法度量智慧農業政策對農業生態效率的作用強度，助力農業綠色發展。

1模型構建

1.1農業生態效率的測算。農業生態效率反映著綠色農業發展的著力點和質量，是發展綠色農業的重要參考。正如文獻綜述中所闡明，在DEA模型的分析與應用中，通常都需要對效率的影響因素進行更加深入的分析，但因效率值最大為1，經常被認為是截尾數據，所以現有文獻中多采用Tobit回歸模型進行后續計量［3］。但超效率不存在效率值的“截尾”，因此可替代普通效率模型和To-bit模型的聯用。而單純依靠GML指數也會因有徑向和角度問題而產生數據分析上的偏差。計算基于SBM超效率模型的GML指數，以此衡量農業生態效率。我們要測量m個決策單元(DMU)的效率，記為DMUj，每個DMU有n種投入，記為xi，期望產出和非期望產出分別記為y和b，包含非期望產出的SBM超效率模型可表示為:式中，TEt為時間t的技術效率的度量;ECt，t+1為追趕效率，用來反映DMU從t到t+1期迫近最佳前沿面的變化程度，EC大于1表明效率增加，EC小于1則說明效率有所下降，表明正在趕超(落后于)同時代的基準技術前沿;TCt，t+1衡量同一時期的技術前沿向全局技術前沿面轉移的程度，TCt，t+1＞1(＜1)表示技術進步(退步)。本文根據現有研究及數據的可得性，投入指標方面，對于農業勞動力指標，本文確定以鄉村人口數作為表征;能源投入采取農村用電量表征;資源投入采取農村用水量表征;土地投入采取農作物總播種面積表征。產出指標方面，期望產出選取農業總產值，而非期望產出方面，即農業中有機或無機的污染物通過地表徑流、滲透等方式對水體的分散污染，選取COD對農業的水污染進行表征，而空氣污染則用二氧化硫排放量近似量化。

1.2雙重差分。本文以探討智慧農業政策如何作用農業生態效率為主，以分析其它重要因素的影響為輔，全方位多角度地詮釋智慧農業政策在農業綠色發展的效應強度和作用結果。利用已有文獻和前文對“智慧農業”的界定，總結出“大數據+農業”、“互聯網+農業”、“科技+農業”等關鍵詞，在一個專業的中國法律法規檢索系統———“法律之星”網站進行檢索判別，發現2014年農業部、國務院相繼了智慧農業相關政策，又因政策具有時滯性，本文便以2015年為時間分割點，采取多期DID方法，將所有還沒有實施智慧農業政策的省份作為控制組，將已經實施政策的省份作為實驗組。DID交互項是2個虛擬變量的乘積———Treated(是否實施了政策)和Time(實施政策的時間)，其等于1的情況是該省份在具體某年實施了政策，且在該年之前的省份交互項等于0，即允許每個省都有自己的政策實施時間，以使模型實證結果及政策建議更有說服力。結合已有研究及實際情況，農業綠色發展驅動力除了政策支持，還應該有經濟發展水平、農業高等教育水平、農業科技水平、農業機械化水平和農業產業化水平等因素，相應的指標選擇如下:經濟發展水平，選取樣本中各地區的GDP作為變量;農業科技水平，選取各地區農業氣象觀測業務站點個數進行衡量;農業高等教育水平，選取包括高等教育成人本、專科及以上水平人口數;農業機械化水平，選取各地區農村農戶固定資產投資額;農業產業化水平，借鑒柴軍的思想并考慮數據可得性，利用農業增加值指數與工業增加值指數的比值進行衡量。所以可建立DID模型:Yit=β0+β1Treati×Periodt+β2Treati+ΦPeriodt+Xit+λt+εit為了保證數據趨勢平穩，且減少異方差的影響，所有指標取對數。式中，Yit為農業生態效率的對數，即以農業勞動力、農耕面積、農業用水用電量等為投入，農業總產值、污水、廢氣排放量為產出，利用DEA求得的超效率值的對數;Treati×Periodt為是否實驗組和在2015年前或年后的虛擬變量交互項;β1為要考察的政策效應;Xi為一系列控制變量的對數值，包括其它與政策無關但影響Y的因素:GDP、高等教育人口數、農業自動氣象站個數、農村農戶固定資產投資額等取對數后的值。λt為時間固定效應，加入時間固定效應可剔除趨勢值數據和極特殊不穩定數據，還可以一定程度上解決由于遺漏變量引致的內生性問題。εit為誤差項。數據均來源于2009—2019年《中國統計年鑒》、《中國農村統計年鑒》、《中國教育統計年鑒》和《中國環境統計年鑒》等，由于港澳臺數據缺失，故未包含于實證分析中。

2智慧農業政策對農業生態效率的影響

基準實證。基準實證部分分析智慧農業政策對各省份農業生態效率的處理效應，隨后依次引入各控制變量，控制變量的引入不會影響DID分析的一致性，但可以提高估計精確度(表1)。在控制其它效應不變的情況下，在控制時間固定效應的前提下，交互項系數為正且在1%水平上顯著，并且這個結果在加入控制變量后依舊成立，加入前后的政策效應分別達到0.138、0.114，這表明中國各省實施智慧農業政策后，與未實施智慧農業政策前相比，農業生態效率顯著提升。其中，經濟發展水平(LnGDP)的系數幾乎全部顯著為正，經濟表現狀況越佳，農業生產的投入越會包含更多的技術含量，作為期望產出的農業總產值會越高，技術革新下的非期望產出會越少;農業科技水平(Lnnum)對農業生態效率的作用均不顯著，但對農業技術進步的作用均顯著為正，借鑒索洛模型相關理論，可驗證農業需要加大科技投入來擴大技術溢出，鼓勵技術進步，從而保證農業從業人員收入的穩步增長;農業高等教育水平(Lnedu)的系數也符合預期，即人才教育程度的提升會提高農業生態效率與技術進步。

3結論與建議

本文基于全國省級2009—2019年的農業相關面板數據，運用非徑向、非角度SBM超效率模型測算我國農業綠色效率變化，將農業污染排放納入GML指數框架中對農業生態效率加以測量，并采取雙重差分的分析方法，探討了智慧農業政策對農業綠色效率的影響。研究發現:我國大部分省份的農業生態效率增長主要依靠技術進步的驅動，技術效率仍屬于短板。智慧農業政策對農業綠色發展具有明顯的促進作用，本文通過可靠數據和基準實證的支持，驗證了智慧農業對農業綠色發展的推動作用，肯定了智慧農業政策的正確性和有效性。基于上述結論，本文認為我國在推動綠色農業發展方面，要關注綠色技術進步，強化綠色技術效率，加強政府對農業的扶持作用，逐步把技術創新作為提升農業生態效率的根本動力。提高農產品的科技含量和產出成效，利用技術創新來優化要素投入，改善農業生態環境。尊重各地農業發展的客觀規律，在承認發展差異的前提下進行農業政策的推行與創新。釋放農業生態效應，將農業生產、資源支撐和環境改善結合起來，保全綠水青山。

參考文獻

［1］中共中央、國務院．關于堅持農業農村優先發展做好“三農”工作的若干意見［Z］．2019－01－03．

［2］張林，冉光和，藍震森．碳排放約束與農業全要素生產率增長及分解［J］．華南農業大學學報，2015，3(14):22－32．

［3］冉啟英，周輝．環境約束下農業全要素能源效率研究:基于SBM－TOBIT模型［J］．經濟問題，2018(01):103－109．

作者:岳立 肖颯 單位:蘭州大學縣域經濟發展研究院 蘭州大學經濟學院