我国粮食生产不同功能区粮食生产效率的比较研究

陈红，王会，王学瓅

（东北林业大学经济管理学院，黑龙江 哈尔滨 150040）

中国的粮食安全、人口增长和粮食进口依存度等一直是世界各地比较关注的问题，美国世界观察研究所所长莱斯特·布朗（Lester R. Brown）于1995年提出：“未来30年中国粮食安全威胁论”，但是，过去了20多年我国通过增加基础设施、农业科研、土地和水利基础设施等生产要素投入，依靠国内供给基本解决了粮食安全问题，击破了“中国粮食安全威胁论”。然而，2016年我国粮食产量在实现“十二连增”后开始下降（同比减少0.8%）。这里固然有农业生产供给侧改革“调结构、去库存和增质量”政策的影响，同时我们要看到粮食生产的投入要素的边际产量递减，耕地、劳动力等粮食生产的关键要素成本迅速增加，国际粮食价格低于国内同质的粮食价格等多重因素制约着我国粮食安全问题[1-2]。从长期看粮食生产效率的提高才是提升粮食可持续增长能力、解决粮食安全的关键因素[3-4]。党的“十九大”报告对农业和农村发展做出了重要的部署，明确提出构建“现代农业产业体系、生产体系和经营体系”的任务。和其他产业比较农业是受自然环境和资源禀赋影响较大的产业。因此，粮食生产应根据各地区禀赋特征，在“保供给、保收入和保生态”的前提下，深入研究粮食生产不同功能区粮食生产技术效率的时变特征和空间差异及产生差异的原因，根据特征和产生差异的原因，分析不同功能区粮食生产效率提升的“基本生产要素约束—硬件约束”、“经济和社会环境约束—软件约束”、“政策和利益补偿约束—动力约束”对促进粮食生产效率提升、平衡不同功能区际利益关系和优化现阶段粮食生产布局等意义重大。

粮食生产效率如何提高、粮食生产效率的时空差异和特征、影响因素和提升空间等问题，一直是各级政府和学者研究的热点问题。国内外学者对粮食生产效率的研究主要集中在3个方面：一是粮食生产效率的含义和影响因素；二是粮食生产效率的测算方法；三是粮食生产效率不同地域的比较。综述相关文献，关于农业生产效率的测算方法，多从农业生产角度，运用生产函数或DEA（数据包络分析）法测度粮食生产效率，将DEA法与Tobit （回归分析）模型结合，分析影响农业生产效率的因素已成为测算农业生产效率的趋势。有学者开始关注农业生产的环境要素对农业生产效率的影响，如黄祖辉等[5]研究了非农就业、土地流转与土地细碎化对稻农技术效率的影响，彭代彦和吴翔[6]研究了教育对农业生产效率的影响。这些研究给我们一个重要的启示，现代农业的发展是一个多产业相互融合发展的整体，粮食生产对于不同地区的机会成本是不同的。有学者运用三阶段DEA分析农业生产非直接投入要素对农业生产效率的影响。如郭军华等[7]、贺志亮和刘成玉[8]比较分析了剥离环境因素后我国粮食生产效率的差异。

已有研究的目标是分析各地区粮食生产效率的差异，而经济和社会因素对粮食生产效率的影响方向和程度的问题，国内外学者研究成果较少，研究结论也有较大的差异。但是，环境要素具体包括哪些？这些要素通过什么途径影响粮食生产不同功能区的粮食生产效率？影响的方向和强度如何？这些方面的研究鲜有所见。基于此，本研究在分析国内30个省直辖市的粮食生产效率的基础上，重点选择粮食主产区和主销区为研究对象，运用三阶段DEA分析区域经济和社会要素对粮食生产效率的影响方向和程度，找出不同功能区粮食生产效率的差异及产生差异的原因，提出解决粮食主产区和主销区利益平衡的对策建议。

1 研究方法与数据来源

1.1 研究方法

测度粮食生产率常用3种方法：非参数的DEA法、参数分析的SFA法和动态分析的ML指数法，3种方法各有优劣。Fried等[9]将DEA法和SFA法相结合，提出了三阶段DEA测度生产效率的方法，该方法集合了非参数DEA方法和参数SFA方法的优点，假设造成DEA无效的原因有环境因素、随机因素和管理因素3个方面，认为剔除环境要素对农业粮食生产效率的影响，能得出更准确的决策单元的粮食生产效率[10-11]。已有学者应用这种方法测度了农业生产效率，如刘子飞和王昌海[12]用三阶段DEA方法分析了有机农业与传统农业生产效率的差异。本文运用三步DEA对全国各省、直辖市的粮食生产效率进行测度，同时分析环境因素对粮食生产投入要素的影响程度和方向，比较粮食生产不同功能区的粮食生产效率的差异及产生差异的原因，具体步骤如下：

第一阶段是运用投入为导向的DEA模型（BC2模型）[13-14]，对决策单元生产效率进行测算，确定两项数据：1）含有环境因素的DEA效率值；2）投入松弛变量值，将其作为第二阶段的因变量。此阶段关键的问题是正确确定粮食生产中的投入和产出指标，明确决策单元（DMU）。为了考察环境要素对我国各省粮食生产效率的差异，探究粮食生产效率存在差异的原因，从农业生产角度看，若粮食生产投入的各要素组合位于生产函数曲线上，则实现粮食生产的“技术效率”，若投入量介于规模收益递增和递减之间，即达到“规模效率”，如果决策单元同时实现“规模效率”和“技术效率”则决策单元实现了粮食生产的DEA效率。

如图1，点A是生产函数曲线的拐点，点A所对应的决策单元，同时实现“技术有效”和“规模有效”，即实现了粮食生产的综合效率；点C在生产函数曲线上，但是位于规模收益递减区间，对应的决策单元实现“技术有效”，但没有实现“规模有效”；B点不在生产函数曲线之上，所对应的决策单元既没有实现“技术有效”，也没有实现“规模有效”。

图1 生产效率示意图Fig. 1 Production efficiency diagram

第二阶段是构建SFA回归模型。假设有I个决策单元，N个投入变量，将第一阶段DEA模型中的投入松弛变量分解成：环境因素、随机变量和管理因素3个自变量的函数，其表达式为：

式中：n=1，2，…，N，i=1，2，…，I，sni为第i个决策单元在第n个投入变量上的冗余量，zi=[z1i，z2i，z3i，…，zki]表示第i个决策单元的k个环境变量，βn为待估参数，vni+uni为综合误差项，vni～iidN(0,σvn2)反映了统计误差 ；uni～iidN+(0，σvn2)表示管理无效率，uni＞0。

采用极大似然估计法估计回归方程的未知参数，并通过公式（2）来分离管理无效率[15]：

至此，完成对第一阶段无效松弛量的分离。再根据分离结果对原始投入产出数据进行调整，来消除环境要素和随机误差。本文利用投入导向型DEA模型（BC2）测算各类效率，运算公式为：

式中：xani、xni分别为调整后和初始的第i个决策单元的第n项投入。

第三阶段是把剔除了环境因素和随机因素的同质的粮食生产投入要素代入传统的DEA模型，再次计算各个决策单元的粮食生产效率，比较第一阶段和第三阶段测算出的各省粮食生产效率，可以评估出各省粮食生产效率受环境因素和随机因素的影响方向和程度。

1.2 指标选择与数据来源

本文选取粮食生产的投入指标包括播种面积、劳动力、化肥施用量、机械动力和灌溉面积5项指标[16]。产出指标为各省的粮食总产量。粮食的投入和产出指标原始数据来源于《中国农村统计年鉴》和《国家统计局关于粮食产量的公告》。外部环境指标主要选取的是经济和社会环境指标，包括财政支农支出、农民人均纯收入、农民平均受教育年限、城镇化率和上一年粮食价格指数[17]。原始数据来源于《中国农村统计年鉴》和《中国财政统计年鉴》。

由于2007年我国财政支出的口径发生了变化，为了能准确反映财政支出对粮食生产的影响，本文选取的各指标从2007年开始。统计年鉴中的统计口径为大农业，为了准确测算粮食生产效率，首先根据各省的种植业生产总值占农林牧渔业生产总值的比重计算各省粮食生产的劳动力投入量，然后用各省的粮食播种面积占农作物播种面积的比重对化肥使用量、机械动力和有效灌溉面积等统计数据进行调整，从而得到较为贴近粮食生产的投入数据，数据以2000年为基年进行调整。各指标的统计描述见表1。

2 结果与分析

2.1 第一阶段：剥离经济和社会因素前粮食生产效率的时空比较

运用DEAP2.1软件，以全国30个省、直辖市和自治区（不包括西藏、香港、澳门和台湾）为决策单元，根据表1设计的粮食投入产出指标，带入投入导向的DEA模型，测算2007—2015年各个决策单元的粮食生产效率，整理得出粮食主产区（辽宁、河北、山东、吉林、内蒙古、江西、湖南省、四川、河南、湖北省、江苏、安徽和黑龙江13个省份）、粮食主销区（北京、天津、上海、浙江、福建、广东和海南7个省直辖市）粮食生产的各类效率。2007—2015年粮食主产区粮食生产的平均效率为0.899（表2），高于粮食主销区粮食生产的平均效率（0.822），并且粮食主产区的规模效率（0.972）和纯技术效率（0.926）均高于主销区的规模效率（0.934）和纯技术效率（0.883）。但均没有达到DEA有效。

2.2 第二阶段：经济社会环境对不同功能区粮食生产效率的影响分析

运用SFA回归模型，分析经济和社会环境变量对粮食生产投入要素松弛量的影响。主要目的是判断表1设计的粮食生产效率的经济和社会因素的指标选取是否合理、如果合理进一步测算不同功能区的经济和社会因素对粮食生产效率的影响方向和影响程度，分析产生方向差异和强度不同的原因。

表1 相关变量的描述性统计Table 1 Descriptive statistics of variables

表2 第一阶段各区域粮食生产效率得分表Table 2 Grain production efficiency scores of functional areas in the first stage

具体过程是以第一阶段得到的各个决策单元投入要素的松弛量作为因变量，以经济和社会环境要素作为自变量，运用FRONTIER4.0软件，以2007—2015年粮食主产区（13个省）和主销区（7个省）的各个省为决策单元，各项指标以2007—2015年的平均值为基础，建立随机前沿回归模型。表3为粮食主销区SFA模型回归结果。表4为粮食主产区的SFA模型回归结果。从回归的结果看，粮食主产区的t值 1.66的能达到1%的显著水平，粮食主销区的t值 1.67的能达到1%的显著水平，且γ值都趋近于1，表明经济和社会环境要素对投入松弛量具有重要的影响，从经济和社会环境要素的各项指标看，一半以上的非常数系数达到10%以上的显著水平，说明经济和社会环境变量的选取是合理的。

1）财政支农支出对粮食生产效率的影响。财政支农支出与5项粮食的投入指标冗余呈正相关，表明无论粮食主产区还是主销区在2007—2015年间，财政支农支出对粮食生产效率有负向作用。但是作用程度不同，主销区有劳动力投入、播种面积、机械动力和有效灌溉面积等4个投入的松弛量通过了显著性检验，主产区只有劳动力投入和有效灌溉面积等两个投入的松弛量通过显著性检验。表明主销区财政支农对粮食生产效率影响范围大，生产粮食的机会成本相对较高，而主产区财政支农对粮食生产效率影响范围小，生产粮食的机会成本相对较低。从粮食主产区通过显著性检验的劳动力投入和有效灌溉面积看，财政支农对其的影响强度大于粮食主销区，测度结果显示：粮食主产区粮食生产的供给弹性更小。

2）国内粮食价格指数对粮食生产效率的影响。除机械动力冗余外均通过了显著性检验，国内粮食价格指数对主产区和主销区的各投入变量影响方向一致，但是影响强度不同。回归结果与粮食生产函数边界表明：粮食价格上升使农户会增加粮食生产的投入要素，扩大粮食生产规模，如图1的C点，但是，C点不是帕累托最优效率点。由于粮食的供给弹性大于粮食的需求弹性，粮食的供给增加有可能产生“谷贱伤农”的现象，为了预防粮食生产的“市场失灵”，各国政府都不同程度地对粮食生产实施了“农资补贴”或“粮食收购价”等保护性措施。但是，这些“惠农政策”可能会导致农户不考虑长期要素禀赋特征，盲目增加投入，如图1的B点。为了避免此类现象的发生，目前我国粮食价格补贴正在试点试行差价补贴，目的是让农民能理性地选择生产规模和生产结构。

表3 粮食主销区SFA模型回归估计结果Table 3 Regression results of the SFA model of the main grain sales areas

表4 粮食主产区SFA模型回归估计结果Table 4 Regression results of the SFA model of the main grain production areas

3）农民受教育程度对粮食生产效率的影响。主销区的农民受教育年限与5个投入变量的冗余都呈负相关，但只对机械动力冗余和有效灌溉面积冗余有显著影响，表明农民受教育程度对主销区的粮食生产效率具有比较明显的促进作用。主产区的农民受教育年限与劳动力投入、机械动力和播种面积的松弛量呈显著的负相关，与化肥使用量和有效灌溉面积的投入松弛量呈正相关，但都不显著。对比两个功能区，农民受教育程度对主产区粮食生产投入要素的影响范围和影响强度更大。问题是如何通过政策诱导将粮食主产区有较高素质的农民能够稳定地选择种粮。

4）农民人均可支配收入对粮食生产效率的影响。农民人均可支配收入对粮食主产区和主销区的粮食生产效率影响方向基本相同，对粮食生产效率均有促进作用，但是影响范围有差异。主销区的农民人均可支配收入与5个粮食生产投入的松弛量呈显著的负相关，主产区农民人均可支配收入与3个投入松弛变量显著负相关，表明农民人均可支配收入对主销区粮食生产效率的影响强度大于粮食主产区。这一结论证实了农民人均可支配收入对粮食生产效率的影响存在功能区差异性。粮食主销区一般是经济发达的地区（农民平均可支配收入为11 772元/年），粮食主产区一般是经济欠发达地区（农民平均可支配收入为7 584元/年），不同的功能区劳动力种粮的机会成本差异较大（此问题将在2.4中进一步论证）。

5）城镇化率对粮食生产效率的影响。城镇化率对粮食主产区和主销区的粮食生产效率影响方向相同，对粮食生产效率均有促进作用。但是，影响的显著性有较大差异。粮食主销区城镇化率对5个粮食生产投入指标中3个指标通过显著性检验，粮食主产区5个投入指标的影响均没有通过显著性检验，说明城镇化率对粮食主销区的粮食生产效率的影响范围和强度大。关于城镇化对粮食生产效率的提升起促进作用，还是阻碍作用，学者们的观点分歧较大。Berry[18]认为城镇化对农业效率具有促进和抑制双重影响；Gu[19]认为城镇化会降低农业效率；石慧和吴方卫[20]运用双边ML指数法测算我国28个地区的城镇化率对农业生产效率具有显著的促进作用；陈倬和简小凤[21]认为城镇化对粮食生产效率的影响是动态的，短期内虽然会挤压土地和劳动力，导致“非粮化”现象出现，但长期内有利于提高土地利用效率和劳动生产率。赵丽平等[22]认为城镇化率中的不同指标对不同功能区粮食生产效率的影响是不同的。

从本文的测度结果看：单一的城镇化率综合指标对粮食生产效率的影响起促进作用。2007—2015年粮食主销区的平均城镇化率大约为70%，粮食主产区的平均城镇化率为50%，城镇化程度差异较大，分析城镇化率的不同指标对不同区域的影响方向和强度更有意义，但是限于本文的研究目的和重点这里没有重点论证。应该注意的是2007—2015年粮食主销区的城镇化率年均增长9%，粮食主产区的城镇化率年均增长22%，城镇化对主产区粮食生产效率的影响会迅速增加，必须防范在粮食主产区出现“刘易斯拐点”现象。

2.3 第三阶段：剥离环境经济社会环境要素后不同功能区粮食生产效率比较分析

第三阶段对2007—2015年粮食生产的投入变量进行调整，再次运用投入导向的DEA模型测度粮食生产效率。探究剥离经济和社会要素后，粮食生产不同功能区的粮食生产效率，测度结果见表5。对比表2和表5，可以分析出经济和社会环境要素对粮食生产不同功能区粮食生产效率的影响强度。

表5 第三阶段各功能区的粮食生产效率得分Table 5 Grain production efficiency scores of functional areas in the third stage

剥离经济和社会环境要素后，粮食主产区的粮食生产效率增加了0.021（0.920-0.899），其中纯技术效率增加了0.022（0.948-0.926），规模效率下降了0.001（0.971-0.972）。粮食主销区的粮食生产效率减少了0.279（0.543-0.822），其中纯技术效率增加了0.064（0.947-0.883），规模效率减少了0.357（0.577-0.934），规模效率的单项驱动导致了生产效率的下降。

为了更直观地展现经济和社会环境因素对不同粮食功能区粮食生产效率的影响程度和动态变化规律（图2）。可以看出在2007—2015年主产区和主销区粮食生产效率无论是否剥离环境要素，粮食生产效率都有下降的趋势。但是，波动幅度不同且差异大，主销区的波动幅度大于主产区，在2009—2015年间主产区粮食生产效率变化非常小，经济和社会环境要素对粮食主产区粮食生产效率影响较小，且剥离环境要素后粮食生产效率增加。经济和社会环境要素对主销区粮食生产效率影响较大，且剥离环境要素后粮食生产效率减少，影响强度从2009年开始逐年增加。反映出主销区经济和社会环境要素对粮食生产效率的支撑作用大于主产区。

2.4 粮食主产区和主销区粮食生产成本构成分析

为了进一步论证粮食主产区和主销区粮食生产成本的差异，尤其是劳动机会成本的差异，本文运用《全国农产品成本收益资料汇编》资料对比分析粮食主产区和主销区粮食生产成本构成，由于《全国农产品成本收益资料汇编》统计资料的局限，本文粮食主产区选取黑龙江省，粮食主销区选取浙江省，粮食生产成本选取粳稻生产成本[23]。通过对比分析黑龙江省、浙江省和全国平均粳稻生产成本总量、结构和变化趋势，找出粮食生产不同功能区生产粳稻的投入要素特征和变化趋势，补充论证粮食生产的不同功能区种粮的实际成本和机会成本的差异，进一步解释经济和环境要素对粮食生产不同功能区粮食生产投入要素的影响。

图 2 剥离环境要素前后粮食主产区和主销区的粮食生产效率的时间变化特征图Fig. 2 Feature maps of grain production efficiency in production and sales area before and after removing environmental factors

从表6可以看出：2007—2015年粳稻的生产成本构成和变化趋势。黑龙江省总成本年均增长率为9.93%，高于全国平均水平（9.32%）和浙江省（9.26%），主要是物质和服务生产成本的年均增长速度为8.77%，高于全国平均水平（6.05%）和浙江省（4.75%），而土地成本年均增长速度为10.69%，低于全国平均水平（11.58%）和浙江省（15.08%），人工实际成本年均增长率为10.77%，低于全国平均水平（12.29%）和浙江省（13.40%）。因此，黑龙江省粳稻生产成本高的主要原因是物质和服务的增长，而这些可以通过设计对粮食主产区生产粮食的利益补偿机制来实现。黑龙江省粳稻生产成本中的人工费用的绝对数和相对增长速度均低于全国平均水平和浙江省，从一个侧面反映了粮食主产区黑龙江省劳动资源具有相对优势。

为了进一步比较粮食生产不同功能区劳动的配置效率，本文用黑龙江省、浙江省分别代表粮食主产区和粮食主销区，从宏观角度分析劳动力的机会成本，将农民可支配收入中的“工资性收入、财产性收入、转移性收入和非农收入”之和作为某地区种粮劳动力的机会成本[24]，根据《中国农村统计年鉴》，结合《全国农产品成本收益资料汇编》整理得出表7。

表6 浙江、黑龙江和全国平均的粳稻种植成本构成Table 6 Production cost of Japonica rice in Zhejiang, Heilongjiang, and the national average

从表7可以看出：2007—2015年浙江、黑龙江和全国平均的劳动力机会成本的总量、成本构成和变化趋势，各区域和全国种粮劳动力的机会成本绝对值两逐年增加，占比逐年上升，主销区浙江省2015年种粮劳动机会成本最大，为15 760.7元/人，是黑龙江省劳动机会成本的3.90倍，是全国平均水平的2.28倍。同时，主销区浙江省种粮劳动机会成本上升的速度最快，粮食主产区黑龙江省种粮的劳动机会成本占比和环比增长速度均低于主销区的浙江省和全国的平均水平，从机会成本的环比增量率看，黑龙江省、浙江省和全国平均水平都出现倒U型的特征。这个特征也证实了我国各个区域粮食生产都不同程度出现过“机会成本上升—弃田抛荒—粮食价格上涨—机会成本下降—返乡抢田”的恶性循环现象。从劳动的资源配置效率角度看，粮食主产区的劳动力选择种粮，机会成本最小，具有配置效率。所以，政府应该设计差异性的种粮补偿机制，诱导具有种粮优势的主产区劳动力选择种粮，并能从种粮中获得很大的机会收益。

3 结论与政策启示

3.1 结论

经济和社会等外部环境因素对我国粮食生产效率不同功能区的影响方向和程度都不同，对粮食主产区的影响强度小，对粮食主销区的影响程度大。剥离环境要素后粮食主产区的总效率上升，其中纯技术效率显著增加，规模效率小幅度的下降，总体趋势变化平稳。而主销区各类效率指标均下降，尤其是规模效率大幅度下降，并且剥离经济和社会环境要素后粮食生产效率总体呈现下降的趋势。

同一环境要素对粮食主产区和主销区粮食生产效率的影响方向和影响强度是不同的。粮食主产区和主销区生产粮食的经济和社会等环境要素差异较大。我国粮食生产主销区的各个省份经济一般比较发达，城镇化程度和人均收入较高，粮食生产规模小，劳动力机会成本明显高于粮食主产区，粮食生产规模效率将伴随劳动力成本提高而下降，并且城镇化进程和资源禀赋特征决定了这些地区实现规模效率的可能性较小，如果没有本地区经济和社会环境等外部要素的支撑，这些地区的粮食生产效率将呈现下降的趋势。

中国粮食主产区贡献了全国约75%的粮食总产量，是全国粮食生产核心区和国家粮食安全重要保障区。但是，对于已经进入粮食生产的实际成本和机会成本快速增加 “新常态”的我国粮食生产，如何平衡粮食主产区和主销区的利益关系，考察粮食生产的不同功能区经济和社会环境效率对粮食生产效率的影响方向和强度，研究粮食主产区种粮利益补偿的原因和政策导向，对提升主产区政府“抓粮食”和农民“种粮食”的积极性，促进粮食主产区协调发展和农民增收，进而保障国家粮食安全具有重要意义。

3.2 政策启示

粮食生产效率的空间特征和变化趋势，要求中央政府在制定粮食生产支持政策时要有区域侧重。粮食主产区各省为了保障国家的粮食安全，与粮食主销区之间的利益冲突日渐凸显，粮食主产区的各个省份受经济发展形势和产业结构特征制约，财政能力有限，人均收入和农民收入低，粮食作物附加值一般低于经济作物，在城镇化进行中，无论哪个地区粮食生产的机会成本增长速度都在加快，但是从测算的结果看，粮食主产区粮食生产的机会成本低，剥离经济和社会环境后他们的生产效率提升，说明具有公共产品特征的粮食生产，给当地提供正外部性，而粮食主销区剥离经济和社会环境后他们的生产效率均下降，说明具有公共产品特征的粮食生产需要依托当地经济和社会环境要素的支撑。如果从整体看，粮食主销区将给予本地区的补偿效率转移给粮食主产区，将会进一步提高粮食主产区的粮食生产效率。所以，建议根据粮食主产区和主销区粮食的供求均衡情况，设计省际间的粮食补偿机制。

2016年中国城镇化率达到57.35%，粮食主产区的城镇化率也超过了50%，且城镇化增长速度快于粮食主销区。为防止粮食主产区种粮的劳动力短缺，让粮食主产区的种粮农户发挥其种粮的优势，保障我国粮食数量和质量的安全，我国应加快新型职业农民和新型农业经营主体的培育，完善粮食生产服务体系建设，加强农村社会服务体系的建设，尤其是要缩小粮食主产区和主销区农村社会服务体系的差距[25]。通过粮食生产的规模化和专业化发挥粮食主产区的粮食生产的资源禀赋优势，通过粮食生产结构与组织结构的重组，实现粮食主产区种粮农户的劳动边际生产率等于或适当高于其他地区或其他产业的劳动边际生产率，破解“刘易斯的二元经济结构模型”的约束。

参考文献：

[1] 陈锡文. 牢牢把握当前农业政策改革的主要方向— 关于加快推进农业供给侧结构性改革[J]. 中国粮食经济, 2017(1): 22-24.Chen X W. Grasping firmly the main direction of the current agricultural policy: The reform about accelerating the structural reform of the agricultural supply side[J]. China Grain Economy,2017(1): 22-24.

[2] 黄季焜, 杨军, 仇焕广. 本轮粮食价格的大起大落: 主要原因及未来走势[J]. 管理世界, 2009(1): 72-78.Huang J K, Yang J, Qiu H G, et al. The great ups and downs of grain prices of this round: The main reasons and the future trend[J]. Management World, 2009(1): 72-78.

[3] 黄季焜. 六十年中国农业的发展和三十年改革奇迹——制度创新、技术进步和市场改革[J]. 农业技术经济, 2010(1): 4-18.Huang J K. Sixty years of China’s agricultural development and three decades of reform miracle: Institutional innovation,technological advancement and market reforms[J]. Journal of Agrotechnical Economics, 2010(1): 4-18.

[4] 肖红波, 王济民. 新世纪以来我国粮食综合技术效率和全要素生产率分析[J]. 农业技术经济, 2012(1): 36-46.Xiao H B, Wang J M. Analysis on China’s comprehensive technical efficiency and total factor productivity for grain in the new century[J]. Journal of Agrotechnical Economics, 2012(1): 36-46.

[5] 黄祖辉, 王建英, 陈志钢. 非农就业、土地流转与土地细碎化对稻农技术效率的影响[J]. 中国农村经济, 2014(11): 4-16.Huang Z H, Wang J Y, Chen Z G. Impacts of off-farm employment, land rental and fragmentation of farmland on technical efficiency of paddy rice farmers[J]. Chinese Rural Economy, 2014(11): 4-16.

[6] 彭代彦, 吴翔. 中国农业技术效率与全要素生产率研究——基于农村劳动力结构变化的视角[J]. 经济学家, 2013(9): 68-76.Peng D Y, Wu X. A study on China’s agricultural technology efficiency and TFP：A perspective on the changes in the structure of rural labor force[J]. Economist, 2013(9): 68-76.

[7] 郭军华, 倪明, 李帮义. 基于三阶段DEA模型的农业生产效率研究[J]. 数量经济技术经济研究, 2010, 27(12): 27-38.Guo J H, Ni M, Li B Y. Research on agricultural production efficiency based on three-stage DEA model[J]. The Journal of Quantitative & Technical Economics, 2010, 27(12): 27-38.

[8] 贺志亮, 刘成玉. 我国农业生产效率及效率影响因素研究——基于三阶段DEA模型的实证分析[J]. 农村经济, 2015(6): 48-51.He Z L, Liu C Y. Research on agricultural production efficiency and its influencing factors in China: An empirical analysis based on three-stage DEA model[J]. Rural Economy, 2015(6): 48-51.

[9] Fried H O, Lovell C A K, Schmidt S S. Accounting for environmental effects and statistical noise in data envelopment analysis[J]. Journal of Productivity Analysis, 2002, 17(1): 157-174.

[10] Wang E C, Huang W C. Relative efficiency of R&D activities: A cross-country study accounting for environmental factors in the DEA approach[J]. Research Policy, 2007, 36(2): 260-273.

[11] Avkiran N K. Removing the impact of environment with unitsinvariant efficient frontier analysis: An illustrative case study with inter temporal panel data[J]. Omega, 2009, 37(3): 535-544.

[12] 刘子飞, 王昌海. 有机农业生产效率的三阶段DEA分析—以陕西洋县为例[J]. 中国人口·资源与环境, 2015, 25(7): 105-112.Liu Z Y, Wang C H. Organic agricultural production efficiency based on a three-stage DEA model: A case study of Yang county, Shaanxi Province[J]. China Population, Resources and Environment, 2015, 25(7): 105-112.

[13] Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of decision-making units[J]. European Journal of Operational Research, 1978, 2(6): 429-444.

[14] Charnes A, Cooper W W, Lewin A Y. Data Envelopment Analysis:Theory, Methodology, and Applications[M]. Kluwer Academic Publishers, 1994: 329-351.

[15] 罗登跃. 三阶段DEA模型管理无效率估计注记[J]. 统计研究,2012, 29(4): 104-107.Luo D Y. A note on estimating managerial inefficiency of threestage DEA model[J]. Statistical Research, 2012, 29(4): 104-107.

[16] 陈红, 关博, 孙文娇. 我国粮食主产区不同环境规制下农业生产效率研究[J]. 商业研究, 2017(3): 167-174.Chen H, Guan B, Sun W J. Research on agricultural production efficiency under different environmental regulations in major grain producing areas in China[J]. Commercial Research, 2017(3): 167-174.

[17] 屈宝香, 李文娟, 钱静斐. 中国粮食增产潜力主要影响因素分析[J]. 中国农业资源与区划, 2009, 30(4): 34-39.Qu B X, Li W J, Qian J F. Analysis of major factors influencing grain yield increasing potential of China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2009, 30(4): 34-39.

[18] Berry D. Effects of urbanization on agricultural activities[J].Growth and Change, 1978, 9(3): 2-8.

[19] Gu C L. Challenges and corresponding policies for China’s urban sustainable development[J]. The Journal of Chinese Geography,1996(1): 72-77.

[20] 石慧, 吴方卫. 中国农业生产率地区差异的影响因素研究——基于空间计量的分析[J]. 世界经济文汇, 2011(3): 59-73.Shi H, Wu F W. Influential factor analysis of agricultural productivity for regional disparity in China: Based on spatial econometrics model[J]. World Economic Papers, 2011(3): 59-73.

[21] 陈倬, 简小凤. 城镇化背景下的粮食安全问题研究——基于城镇化率与粮食产量之间协整关系的分析[J]. 粮食科技与经济,2013, 38(4): 5-8.Chen Z, Jian X F. Study on grain security under background of urbanization: Based on analysis of co-integration relationship between rate of urbanization and output of grain[J]. Grain Science and Technology and Economy, 2013, 38(4): 5-8.

[22] 赵丽平, 侯德林, 王雅鹏, 等. 城镇化对粮食生产环境技术效率影响研究[J]. 中国人口·资源与环境, 2016, 26(3): 153-162.Zhao L P, Hou D L, Wang Y P, et al. Study on the influence of urbanization on the environmental technology efficiency of grain production[J]. China Population, Resources and Environment,2016, 26(3): 153-162.

[23] 杨慧莲, 王海南, 韩旭东, 等. 我国玉米种植区域比较优势及空间分布——基于全国18省1996—2015年数据测算[J]. 农业现代化研究, 2017, 38(6): 921-929.Yang H L, Wang H N, Han X D, et al. Comparative advantage and the spatial distribution of China’s corn producing areas: Based on the data of 18 provinces from 1996 to 2015[J]. Research of Agricultural Modernization, 2017, 38(6): 921-929.

[24] 尚旭东, 朱守银. 粮食安全保障背景的适度规模经营突破与回归 [J]. 改革, 2017(2): 126-136.Shang X D, Zhu S Y. The breakthrough and return of moderate scale management in the background of food security[J]. Reform,2017(2): 126-136.

[25] 吴玲, 刘腾谣. 粮食主产区实施利益补偿的价值判断与政策导向[J]. 中国农业资源与区划, 2017, 38(7): 1-9.Wu L, Liu T Y. Value judgment and policy guidance of interest compensation in major grain-producing areas[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(7): 1-9.