Dynamic evolution and convergence of total factor productivity of rape in China during 1979-2020

Fu-xing LIU; Cai-li WANG; Jing TANG; Zhong-chao FENG

doi:10.19802/j.issn.1007-9084.2022279

PDF(2354 KB)

CHINESE JOURNAL OF OIL CROP SCIENCES ›› 2024, Vol. 46 ›› Issue (2) : 236-244. DOI: 10.19802/j.issn.1007-9084.2022279

Dynamic evolution and convergence of total factor productivity of rape in China during 1979-2020

Author information +

History +

Abstract

Clarifying the development of rape’s total factor productivity in China since the Reform and Opening-up is a logical starting point to improve the comprehensive production capacity of rape. Based on the input-output related data of 11 rape main producing provinces during 1979-2020, this paper analyzes the dynamic evolution and convergence based on the total factor productivity measured by using Global Malmquist index, using kernel density estimation, δ convergence and β convergence, respectively. The results show that, according to the time-series characteristics, China's total factor productivity of rape has achieved certain growth in the midst of dramatic fluctuations since the Reform and Opening-up, demonstrating a technology-induced growth pattern, whereas technical efficiency does not contribute significantly to it. From the dynamic evolution, the geographical variations in the rise of rape's total factor productivity keep getting smaller. From the perspective of convergence, the overall δ value of total factor productivity of rape is fluctuating and decreasing, and has essentially stabilized around 0.01 since 2012, displaying an clear convergence tendency, confirming the existence of δ convergence. The absolute β convergence and conditional β convergence of rape’s total factor productivity exist. The convergence model’s convergence is still significant after accounting for the spatial effect, and there is a favorable spatial spillover effect. It suggests countermeasures to support the development of a national rapeseed industrial technology system, execute a regionalized development plan, and encourage coordinated regional development in order to further increase the total factor productivity of rapeseed.

Key words

total factor productivity of rape / dynamic evolution / kernel density estimation / δ convergence / β convergence

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

Fu-xing LIU , Cai-li WANG , Jing TANG , Zhong-chao FENG. Dynamic evolution and convergence of total factor productivity of rape in China during 1979-2020[J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2024, 46(2): 236-244 https://doi.org/10.19802/j.issn.1007-9084.2022279

油菜是世界第三大食用植物油来源，也是我国第四大农作物。改革开放以来，我国居民对菜籽油消费急剧上升，饲料产业对菜粕需求不断增加，但国内油菜籽生产供给水平明显滞后于需求，导致供需缺口不断扩大。长期以来为缓解市场供需矛盾，我国只能依靠大量进口维持基本平衡。据资料显示，2021年油菜籽、菜籽油和菜粕的进口总量为652.71万吨，较2001年的177.37万吨增加了3.67倍（根据布瑞克农业数据库计算得出）。然而，从维护农民种植收益和产业发展的角度考虑，过分依赖进口将不利于国家粮油安全。尤其是目前国际贸易环境不稳定因素增加，我国油菜产业供给面临更加严峻的形势。因此，充分利用国内有限的农业资源，提高油菜生产综合能力，对于稳定市场供给，保障人民的“油罐子”尤为重要。全要素生产率（total factor productivity，简称TFP），是指生产单位在生产过程中的总产量与各要素投入量之比^[1]，能够集中体现油菜生产综合能力。提高国内油菜生产综合能力的一个重要方面，在于扩大全要素生产率对油菜产出增长的贡献。

已有的关于农业全要素生产率测算与分析的研究很多，测算方法主要分为参数方法和非参数方法。参数方法主要包括随机前沿生产函数（SFA）、索洛余值（Solow）和柯布—道格拉斯生产函数（C-D）等^[2~4]。非参数方法主要包括数据包络分析（DEA）等^[5,6]。根据研究层次不同，有关农业全要素生产率的文献可分为以下几类。第一类：从全国层面测算和分析农业全要素生产率的变化。例如，全炯振^[4]基于随机前沿生产函数（SFA）测算了1978-2007年中国农业全要素生产率增长；罗浩轩^[7]使用索洛余值法，测算了1981—2013年全国农业全要素生产率；胡晨沛等^[8]基于包含时间和地区的C-D生产函数，分析了1978—2017年全国农业全要素生产率的变迁特征；周端明^[5]采用数据包络（DEA）方法，分析了1978-2005年农业全要素生产率的时空特征；同时，方福前等^[9]、李谷成等^[10]、张乐等^[11]、高帆^[6]和尹朝静等^[12]也进行了类似研究。第二类：从区域范围探究农业全要素生产率的动态特征。例如，李周等^[13]采用数据包络（DEA）方法，对西部地区县域层面的农业全要素生产率进行测算和分解；李尽法等^[14]基于Malmquist指数考察了1999—2006年河南省农业全要素生产率变化及其动力；钟丽雯等^[15]研究了2008-2017年广西农业全要素生产率的时空演变与影响因素；郑素芳等^[16]分析了2000-2009年海南省各市农业全要素生产的差异；与之类似，郑循刚^[17]、倪冰莉^[18]、金怀玉等^[19]、谌贻庆^[20]、詹礼辉等^[21]、马晓冬等^[22]和李红艳等^[23]也进行了相关研究。第三类：从产业视角分析某一具体或细分产业的全要素生产率。例如，吕超等^[24]运用DEA-Malmquist指数分析了1994-2007年全国蔬菜全要素生产率及其分解的变动；江松颖等^[25]分析了谷物全要素生产率的变动和区域差异；李刚等^[26]则对水禽全要素生产率进行了研究；关于其他作物的全要素生产率研究有玉米^[27]、水稻^[28]、棉花^[29]、大豆^[30]、苹果^[31]和马铃薯^[32]等，而涉及油菜全要素生产率的研究相对较少。如陈静等^[33]基于1999-2011年的省级数据，采用随机前沿生产函数（SFA）测算和分解了油菜、大豆和花生三种油料作物的全要素生产率；林思辰^[34]使用2005-2018年的数据，测算和分析了油菜全要素生产率的时空演变特征；李谷成等^[35]将农业细分为21个行业，研究发现不同行业的全要素生产率增长模式存在差异；方国柱等^[36]则对比分析了12个细分产业间全要素生产率的异质性。

综上所述，已有文献对农业全要素生产率所进行的大量有价值研究，为本文提供了坚实的基础，但同时也存在三点不足。一是研究对象问题。已有文献主要集中在全国宏观或细分产业层面，对农业全要素生产率进行测算与演变分析，而专门针对油菜的研究不多。二是研究方法问题，已有关于油菜全要素生产率的文献主要使用随机前沿方法和DEA-Malmquist指数进行分析，且在分析β收敛特征时并未考虑空间效应。三是研究数据问题。尽管部分文献涉及了油菜全要素生产率，但不同的学者所选取的时间段不同，导致研究结论存在差异。鉴于此，本文主要从以下三方面进行改进。首先，将研究对象聚焦于油菜产业，对以往文献进行补充。其次，在使用Global Malmquist指数测算油菜全要素生产率基础上，将空间效应纳入模型，使用空间滞后模型对油菜全要素生产率的β收敛进行估计。最后，搜集1978—2020年11个油菜主产省份投入产出的相关数据，测算我国油菜全要素生产率，探究其动态演变与收敛特征，为提高我国油菜综合生产能力，提升粮油自给水平提供经验支撑。

1 指标与选取

1.1 指标

1.1.1 Global Malmquist指数

目前，测算TFP的方法以随机前沿生产函数（SFA）和数据包络（DEA）最为常见。相较于SFA，DEA无需预先设定具体的函数形式，可以用来评价不同量纲的指标，且对样本量要求不高^[37]。Färe等^[38]开创性提出了DEA-Malmqusit指数，此后该方法得到不断发展和应用。Pastor和Lovell^[39]在此基础上构造了Global Malmquist指数，解决了传统Malmquist指数计算结果不一致、线性规划无解和所得结果不具备乘法完备性的三大缺陷。计算公式如下：

M_{g} (X^{t + 1}, Y^{t + 1}, X^{t}, Y^{t}) = \frac{D^{g} (X^{t + 1}, Y^{t + 1})}{D^{g} (X^{t}, Y^{t})}

（1）

从t期到t+1期的技术效率变化为：

E C = \frac{D^{t + 1} (X^{t + 1}, Y^{t + 1})}{D^{t} (X^{t}, Y^{t})}

（2）

从t期到t+1期的技术进步为：

T C = \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^{t} (X^{t}, Y^{t})}

（3）

进一步地，Global Malmquist可分解为技术效率变化（EC）和技术进步（TC）两部分：

M_{g} (X^{t + 1}, Y^{t + 1}, X^{t}, Y^{t}) = \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^{t} (X^{t}, Y^{t})} \cdot (\frac{D^{g} (X^{t + 1}, Y^{t + 1})}{D^{t + 1} (X^{t + 1}, Y^{t + 1})}) \cdot \frac{D^{t} (X^{t}, Y^{t})}{D^{g} (X^{t}, Y^{t})}

= E C \times T C

（4）

1.1.2 Kernel密度估计

Kernel密度是一种非参数估计方法，常用于刻画随机变量在时间维度的分布动态。首先，估计改革开放以来我国油菜TFP增长的概率密度。其次，借助连续的密度曲线对其动态演变进行可视化表达。假设随机变量X的密度函数为f (x)，则在点x处的概率密度可表示为：

f (x) = \frac{1}{n ϑ} \sum_{i = 1}^{n} F (\frac{x_{i} - x}{ϑ})

（5）

式中，n表示样本数量，

ϑ

为窗宽，

F (\cdot)

表示核函数，

x_{i}

为观测值，

x

为观测值的均值。在使用核密度估计时，需要设定核密度函数，核密度函数主要有高斯核、Epanechnikov核、双角核和三角核等，但在一般情况下不同的核密度函数对估计结果影响不大。故本文选取通常使用的高斯函数，并使用拇指法计算最优窗宽进行分析。

1.1.3 δ收敛

δ收敛是指各地区间油菜全要素生产率离差随时间变化的趋势。若离差随时间推移而变小，说明地区间的离散程度逐渐缩小，意味着存在δ收敛，反之则不存在。参考林光平等^[40]和郑甘甜等^[41]的方法，其方程可以表示为：

σ_{t} = \sqrt[]{\frac{1}{N - 1} \sum_{n = 1}^{N} (T F P_{n, t} {- \bar{T F P_{t}})}^{2}}

（6）

式中，

T F P_{n, t}

表示n省在第t年的油菜TFP，

\bar{T F P_{t}}

表示第t年的油菜TFP的均值。若

σ_{t + T} < σ_{t}

，说明各省份间的离散程度在缩减，即存在δ收敛。

1.1.4 β收敛

β收敛分为绝对β收敛和条件β收敛。绝对β收敛是指油菜TFP增长率较低的地区，对增长率较高地区的“追赶效应”，最终达到同一稳态水平。其模型如下：

\frac{l n (T F P_{i t} / T F P_{i 0})}{T} = α_{0} + β l n (T F P_{i 0}) + ε_{i t}

（7）

考虑到油菜全要素生产率可能存在空间相关性，在绝对β收敛模型的基础上，引入空间计量模型。对于空间滞后模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）的选择，根据LeSage和Pace^[42]提出的检验准则，最终确定空间滞后模型（SAR）为分析模型。一般形式如下：

\frac{l n (T F P_{i t} / T F P_{i 0})}{T} = α_{0} + β l n (T F P_{i 0}) + ρ \sum_{m = 1}^{N} ω_{n m} \frac{l n (T F P_{i t} / T F P_{i 0})}{T} + ε_{i t}

（8）

条件β收敛则是以本地区为参照，用来考察油菜TFP收敛于自身的稳态水平。其模型为：

l n (T F P_{i t} / T F P_{i t - 1}) = α_{0} + β l n (T F P_{i t - 1}) + ε_{i t}

（9）

对应绝对β收敛模型，在条件β收敛模型的基础上，引入空间滞后模型（SAR）。一般形式如下：

l n (T F P_{i t} / T F P_{i t - 1}) = α_{0} + β l n (T F P_{i t - 1}) + ρ \sum_{m = 1}^{N} ω_{n m} l n (T F P_{i t} / T F P_{i t - 1}) + ε_{i t}

（10）

式（7）至式（10）中，

T F P_{i 0}

表示第i省油菜全要生产率的初始值；

T F P_{i t}

表示第i省第t年的油菜全要生产率；

T F P_{i t - 1}

表示第i省第t-1年的油菜全要生产率；

ω

表示空间权重矩阵，可以使用邻接矩阵、地理距离矩阵和经济距离矩阵等方式设定，本文选取邻接矩阵（01矩阵）进行分析；ρ为空间滞后系数，表示邻近省份油菜全要素生产率增长相互影响的程度和方向；β表示待估系数，若β<0，说明存在绝对β收敛或条件β收敛；若β>0，则说明不存在绝对β收敛或条件β收敛；

α_{0}

和

ε_{i t}

分别表示常数项和残差项。

1.2 指标选取与数据来源

1.2.1 指标选取

在使用Global Malmquist指数测算油菜TFP时，首先需要设定合适的投入产出指标，参考李谷成等^[10]和尹朝静等^[12]的研究，并结合油菜生产的实际过程，本文最终选取了劳动、土地、机械、化肥、农药和种子等6种投入指标。其中，劳动投入用人工费用衡量，土地投入用油菜籽总播种面积衡量，机械投入用机械作业费用衡量，化肥投入用化肥费用衡量，农药投入用农药费用衡量，种子投入用种子费用衡量。产出指标用油菜籽总产量来衡量。

1.2.2 数据来源与样本处理

综合考虑数据的可获得性和代表性，本文搜集并整理了1978-2020年间我国11个油菜主产省份的投入产出数据，主要包括江苏、安徽、江西、湖北、湖南、四川、云南、陕西、浙江、河南和贵州，其播种面积和产量分别占全国的85.84%和87.62%（根据布瑞克农业数据库计算得出）。相关数据均来源于《全国农产品成本收益资料汇编》和《建国以来全国主要农产品成本收益资料汇编》。

本文样本处理的具体过程如下：首先，使用线性插值法对少数省份投入指标的缺失值进行补齐。其次，由于使用的数据年份跨度较大，劳动、机械、化肥、农药和种子的投入费用中包含了通货膨胀因素，为了尽量剔除通货膨胀对市场价格的影响，本文搜集了1978-2020年间农产品生产价格总指数（CPI），并以1978年为基期对其进行了折实处理，数据来源于《中国农产品价格调查年鉴》。最后，劳动、机械、化肥、农药和种子的投入费用为每亩均值，为了数据的一致性，使用油菜籽总播种面积与之相乘，分别得到总的投入费用。此外，为了降低可能存在的异方差，对最终的投入产出指标取对数处理。详细的变量描述性统计如下表1所示。

Table 1 Descriptive statistics of each variable

表1 各变量描述性统计

变量 Variable	单位 Unit	均值 Mean	标准差 Std. erro	最小值 Minimum	最大值 Maximum	观测值 Observation
总产量 Total yield	千克 Kilogram	74 949.79	62 817.58	2700.00	317 000.00	473
播种面积 Planting area	千公顷 Hectares	468.91	318.211	72.36	1333.09	473
人工费用 Labor cost	万元 Ten thousand yuan	25 533.69	26 822.82	1917.65	169 000.00	473
机械费用 Machinery cost	万元 Ten thousand yuan	13 681.51	28 815.99	1.75	169 000.00	473
化肥费用 Fertilizer cost	万元 Ten thousand yuan	6715.03	5239.32	502.31	22 720.40	473
农药费用 Pesticide cost	万元 Ten thousand yuan	867.34	930.65	1.19	5853.76	473
种子费用 Seed cost	万元 Ten thousand yuan	1105.31	1602.77	26.96	14 370.40	473

2 实证结果与分析

2.1 中国油菜TFP的总体演变趋势

基于1978-2020年间11个油菜主产省份的投入产出数据，采用Global Malmquist指数，通过STATA15.0软件测算出油菜全要素生产率及其分解指标，具体结果如表2所示。从时序来看，中国油菜全要素生产率主要有以下特征。第一，改革开放以来，中国油菜TFP并非持续增长，而是剧烈波动中实现一定增长，累计增长率为103.07%。这与李谷成等^[1]的研究结论基本一致。第二，油菜TFP表现为技术诱导型增长模式，技术进步（TC）年均增长率为0.02%，是推动TFP增长的主要动力。技术效率（EC）对TFP增长的促进作用不显著，甚至具有抑制作用，其年均增长率为-0.04%。其原因可能在于，油菜属于土地密集型农产品^[43,44]，而我国土地细碎化问题导致油菜规模经营程度偏低，从而使得油菜技术效率不高。

Table 2 Total factor productivity and factor decomposition of rape in China from 1978 to 2020

表2 1978-2020年中国油菜全要素生产率及其因素分解

年份 Year	TFP Total factor productivity	技术效率（EC） Technical efficiency	技术进步（TC） Technical progress	累计指数 Cumulative index
1979	1.0088	1.0116	0.9977	1.0088
1980	1.0305	0.9906	1.0401	1.0396
1981	1.0025	1.0121	0.9902	1.0422
1982	1.0239	0.9878	1.0365	1.0670
1983	0.9920	0.9981	0.9939	1.0585
1984	0.9929	0.9926	1.0004	1.0510
1985	0.9847	1.0029	0.9823	1.0349
1986	1.0030	1.0180	0.9854	1.0381
1987	0.9911	0.9961	0.9950	1.0288
1988	0.9778	1.0047	0.9731	1.0060
1989	1.0089	0.9969	1.0119	1.0149
1990	1.0081	0.9952	1.0135	1.0231
1991	0.9904	1.0097	0.9814	1.0133
1992	1.0037	1.0021	1.0016	1.0170
1993	1.0103	0.9909	1.0200	1.0275
1994	0.9891	0.9981	0.9912	1.0163
1995	1.0091	1.0017	1.0078	1.0255
1996	0.9904	0.9923	0.9982	1.0157
1997	0.9963	1.0039	0.9927	1.0119
1998	0.9920	0.9990	0.9929	1.0039
1999	0.9968	0.9984	0.9987	1.0006
2000	1.0035	1.0041	0.9996	1.0041
2001	1.0044	0.9989	1.0057	1.0085
2002	0.9928	0.9982	0.9951	1.0012
2003	1.0216	0.9948	1.0271	1.0229
2004	1.0059	1.0122	0.9940	1.0290
2005	0.9961	0.9939	1.0022	1.0250
2006	1.0094	1.0030	1.0065	1.0347
2007	0.9967	0.9966	1.0001	1.0312
2008	0.9924	0.9965	0.9963	1.0234
2009	0.9949	0.9974	0.9980	1.0182
2010	0.9904	0.9985	0.9921	1.0084
2011	1.0049	0.9997	1.0055	1.0134
2012	0.9938	0.9970	0.9971	1.0071
2013	0.9989	0.9989	1.0002	1.0060
2014	1.0074	1.0011	1.0063	1.0134
2015	1.0043	1.0034	1.0010	1.0178
2016	1.0028	0.9985	1.0043	1.0206
2017	1.0023	0.9838	1.0189	1.0230
2018	1.0007	0.9974	1.0035	1.0237
2019	1.0051	1.0187	0.9872	1.0288
2020	1.0018	0.9945	1.0075	1.0307

具体来看，将样本区间划分为四个子区间，分别为1979-1987年、1988-2001年、2002-2010年和2011-2020年，如图1所示。可以看出，1979-1987年间，油菜TFP呈现波动下降的趋势，1987的油菜TFP值为0.9911，较1979年的1.0088降低了1.31%。农村实施家庭联产承包责任制以来，极大调动了农民种粮积极性。但是由于油菜品种老，水平低，尤其是长江流域油菜茬口季节矛盾严重，农户还是以种植粮食作物为主，导致其油菜全要素生产率表现为波动下降的特征；1988-2001年间，油菜TFP呈现波动上升的趋势，年均增长率为0.2%。20世纪90年代初期，粮食生产的增长逐渐超过需求，国家对粮经比例进行了战略性调整，急需解决油料供应不足问题。农业部提出发展长江流域双低油菜带，双低油菜品种得到快速推广，使得油菜TFP增长；2002-2010年间，油菜TFP呈现先升后降的趋势，年均增长率为-0.03%。21世纪初，中国加入WTO，受国际市场优质且价廉的油菜进口挤压，国产油菜籽利润不断降低，甚至出现负利润，严重影响农户油菜种植积极性，导致油菜TFP增长率降低；2011-2020年间，油菜TFP增长态势趋于平稳。2014年末农村土地“三权分置”改革提出，农户通过市场流转土地，有助于油菜适度规模化经营。2015年临时收储政策改革，油菜价格由市场决定，进一步优化了资源配置效率，使得油菜TFP增长较为稳定。

Fig. 1 Total factor productivity and its decomposition change of rape in China

图1 中国油菜全要素生产率及其分解变动

Full size|PPT slide

2.2 Kernel密度估计

上文在使用Global Malmquist指数测算油菜TFP基础上，总体上描述了时序变化趋势，为更加直观刻画其分布态势，进一步使用Kernel密度估计进行分析。本文分别选取1979年、1990年、2000年、2010年和2020年作为考察年份，系统分析中国油菜TFP增长的动态演变特征（图2）。

Fig. 2 Kernel density estimation diagram

图2 核密度估计图

Full size|PPT slide

从图2可以看出，油菜TFP的Kernel密度曲线函数中心先左移后右移；主峰高度呈显著上升的趋势，峰度由“宽峰”转变为“尖峰”，其中，2020年主峰高度最高，宽度最窄；分布曲线存在拖尾现象，其分布延展性表现出先发散后收敛，其中，1979年和2000年存在右拖尾现象，2010年存在左拖尾现象；曲线分布以“单峰”为主，2010年曲线分布形态呈现“多峰”分布，但侧峰峰值均较低，其余年份均为“单峰”分布。

2.3 δ收敛

根据上文（6）式，计算出1979-2020年中国油菜TFP的δ值，如图3所示。从整体来看，改革开放以来中国油菜TFP的δ值呈现波动下降的态势，其期末值小于期初值，说明存在δ收敛。具体来看，1979-1987年间δ值先升后降，1979年δ值为0.03，1980年上升至0.06，随后1987年下降至0.01；1988-2001年间δ值先降后升，δ值从1988年的0.04，下降至1995年的0.02，随后上升至2001年的0.03；2002-2011年间δ值波动上升，2011年δ值为0.02，较2002年的0.01增加一倍；2012-2020年间δ值持续下降，直至2020年的最低点，为0.002。以2012年为节点，δ值基本稳定在0.01以下，内部差异明显缩小，说明存在δ收敛。

Fig. 3 Standard deviation of total factor productivity of rape in China (δ convergence)

图3 中国油菜全要素生产率的标准差（δ收敛）

Full size|PPT slide

2.4 β收敛

2.4.1 绝对β收敛

对式（7）未加入空间因素和式（8）加入空间因素的绝对β收敛进行估计，结果如表3所示。从表3的估计结果可以看出：第一，模型（1）和模型（2）的回归系数β均为负，且在1%的统计水平上显著。这意味着，无论是否加入空间因素，油菜TFP均存在绝对β收敛。表明油菜TFP增长较低的省份对增长较高的省份存在“追赶效应”，并随着时间的推移，各省份之间最终会收敛于同一稳态水平。第二，模型（2）的回归系数ρ为正值，且通过了1%水平的显著性检验，表明空间邻近对油菜育苗、耕种和收获技术具有显著的推动作用，空间邻近的省份可以协同发展、优化要素资源配置效率，从而促进油菜TFP增长率空间外溢。

Table 3 Absolute β convergence test results

表3 绝对β收敛检验结果

模型类别 Model category	（1）未加入空间因素（OLS） Space factor is not added	（2）加入空间因素（SAR） Add spatial factors
β	-0.0247***	-0.0242***
	（0.0016）	（0.0011）
ρ		0.1801***
		（0.0466）
常数项Constant	0.0002	0.00005
	（0.0002）	（0.00003）
观测值Observations	462	462
R²	0.5710	0.4857

	注：、、**分别代表10%、5%和1%的显著性水平，下同。
	Note: , * and *** represent significant levels of 0.1, 0.05 and 0.01 respectively; same as below.

2.4.2 条件β收敛

对式（9）未加入空间因素和式（10）加入空间因素的条件β收敛进行估计，结果如表4所示。从表4的估计结果可以看出：首先，模型（3）和模型（4）的回归系数β均为负，且在1%的统计水平上显著。这意味着，无论是否考虑空间因素，油菜TFP均存在条件β收敛。说明各省份油菜TFP随时间变化均收敛于自身稳态水平。其次，模型（4）的回归系数ρ为正值，且通过了1%水平的显著性检验，表明空间邻近对于各省油菜TFP增长具有正向空间溢出效应，有助于促进各省油菜TFP增长收敛于自身稳态水平。

Table 4 Conditions β convergence test results

表4 条件β收敛检验结果

模型类别 Model category	（3）未加入空间因素（OLS） Space factor is not added	（4）加入空间因素（SAR） Add spatial factors
β	-1.3820***	-1.3053***
	（0.0455）	（0.0441）
ρ		0.0917***
		（0.0395）
常数项Constant	0.0317***	0.0004
	（0.0068）	（0.0011）
观测值Observations	451	451
R²	0.7329	0.6595

3 结论与对策建议

本文收集1978-2020年我国11个油菜主产省份投入产出相关数据，在使用Global Malmquist指数测算全要素生产率及分解的基础上，分别使用Kernel密度估计、δ收敛和β收敛，分析其动态演进及收敛性，研究结果表明：

（1）从时序特征来看，改革开放以来中国油菜TEP并非持续增长，而是剧烈波动中实现一定增长，累计增长率为103.07%。油菜TFP表现为技术诱导型增长模式，技术进步（TC）年均增长率为0.02%，是推动油菜TFP增长的主要动力。技术效率（EC）对油菜TFP增长的促进作用不显著，甚至具有抑制作用。

（2）从动态演进来看，改革开放以来油菜TFP增长的地区差异不断缩小，主要表现为“单峰”分布。Kernel密度曲线函数中心先左移后右移，波峰高度上升，表明大多数油菜主产区TFP增长态势较好。峰度由“宽峰”转变为“尖峰”，分布曲线存在拖尾现象，其分布延展性表现出先发散后收敛，表明地区间油菜TFP增长的差异呈现不断缩小的趋势。

（3）从收敛性来看，改革开放以来油菜TFP存在σ收敛、绝对β收敛和条件β收敛。在σ收敛方面，油菜TFP的δ值呈现波动下降的态势，自2012年开始基本稳定在0.01以下，内部差异明显缩小，说明存在δ收敛。在β收敛方面，油菜TFP存在绝对β收敛和条件β收敛，将空间效应引入收敛模型后，其收敛性依旧显著，且存在正向空间溢出效应。

基于上述研究结论，得出如下对策建议：

第一，推进国家油菜产业技术体系建设。加强对油菜品种改良、基地建设和科技攻关等方面的投入，开发高产、抗病虫草害的新品种和先进的栽培技术，培育出高品质、低成本的国产油菜品种，通过推动技术进步提高油菜全要素生产率。同时，鼓励企业和专业合作社参与农地流转，进一步推进适度规模经营，从而提升油菜生产技术效率。

第二，实施区域化发展战略，建设双低优质油菜保护区。充分发挥油菜不与其它作物争地的独特优势，积极探索冬闲田临时流转扩种油菜，对长江流域双低优质油菜保护区予以重点支持，推动国家冬油菜产业带建设。同时，其他地区应结合自身资源禀赋和油菜产业实际情况，因地制宜制定发展政策，实施区域化发展战略，进而缩小地区间油菜全要素生产率增长差距。

第三，重视油菜全要素生产率的收敛效应，促进区域协调发展。加强劳动力、土地和资本等要素跨区域流动，通过临田观摩、技术与管理经验交流等方式，增加油菜产业发展落后地区向发达地区的学习机会，充分发挥先进油菜产区的辐射示范作用，以先发展带动后发展，促进我国油菜产业全区域协调健康可持续发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	李谷成，冯中朝，李然. 三种油料作物生产的全要素生产率估计、分解与行业比较：基于随机前沿生产函数的分析框架［J］. 中国油料作物学报， 2009， 31（2）： 263-268. DOI： 10.3321/j.issn： 1007-9084.2009.02.030 . Cited in this article [2]

2	McMillan J， Whalley J， Zhu L J. The impact of China’s economic reforms on agricultural productivity growth［J］. J Polit Econ， 1989， 97（4）： 781-807. DOI： 10.1086/261628 . Cited in this article [1]

3	Fan S G， Zhang X B. Production and productivity growth in Chinese agriculture： new national and regional measures［J］. Econ Dev Cult Change， 2002， 50（4）： 819-838. DOI： 10.1086/343136 .

4	全炯振. 中国农业全要素生产率增长的实证分析： 1978—2007年：基于随机前沿分析（SFA）方法［J］. 中国农村经济， 2009（9）： 36-47. Cited in this article [2]

5	周端明. 技术进步、技术效率与中国农业生产率增长：基于DEA的实证分析［J］. 数量经济技术经济研究， 2009， 26（12）： 70-82. Cited in this article [2]

6	高帆. 我国区域农业全要素生产率的演变趋势与影响因素：基于省际面板数据的实证分析［J］. 数量经济技术经济研究， 2015， 32（5）： 3-19， 53. DOI： 10.13653/j.cnki.jqte.2015.05.001 . Cited in this article [2]

7	罗浩轩. 新常态下中国农业经济增长的三重冲击及其治理路径：基于1981—2013年中国农业全要素生产率的测算［J］. 上海经济研究， 2017， 29（2）： 24-33. DOI： 10.19626/j.cnki.cn31-1163/f.2017.02.004 . Cited in this article [1]

8	胡晨沛，李辉尚，曲春红. 基于时空异质弹性生产函数的地区农业全要素生产率变迁特征研究［J］. 农业技术经济， 2021（7）： 103-114. DOI： 10.13246/j.cnki.jae.2021.07.008 . Cited in this article [1]

9	方福前，张艳丽. 中国农业全要素生产率的变化及其影响因素分析：基于1991—2008年Malmquist指数方法［J］. 经济理论与经济管理， 2010（9）： 5-12. DOI： 10.3969/j.issn.1000-596X.2010.09.001 . Cited in this article [1]

10	李谷成，范丽霞，成刚，等. 农业全要素生产率增长：基于一种新的窗式DEA生产率指数的再估计［J］. 农业技术经济， 2013（5）： 4-17. DOI： 10.13246/j.cnki.jae.2013.05.002 . Cited in this article [2]

11	张乐，曹静. 中国农业全要素生产率增长：配置效率变化的引入：基于随机前沿生产函数法的实证分析［J］. 中国农村经济， 2013（3）： 4-15. Cited in this article [1]

12	尹朝静，李欠男，马小珂. 中国县域农业全要素生产率增长的地区差异及动态演进［J］. 华中农业大学学报：社会科学版， 2022（3）： 108-118. DOI： 10.13300/j.cnki.hnwkxb.2022.03.010 . Cited in this article [2]

13	李周，于法稳. 西部地区农业生产效率的DEA分析［J］. 中国农村观察， 2005（6）： 2-10， 81. Cited in this article [1]

14	李尽法，吴育华. 河南省农业全要素生产率变动实证分析：基于Malmquist指数方法［J］. 农业技术经济， 2008（2）： 96-102. DOI： 10.3969/j.issn.1000-6370.2008.02.015 . Cited in this article [1]

15	钟丽雯，张建兵，蔡芸霜，等. 近10年广西农业生产效率与全要素生产率时空演变与驱动因素分析［J］. 中国农业资源与区划， 2021， 42（9）： 272-282. DOI： 10.7621/cjarrp.1005-9121.20210929 . Cited in this article [1]

16	郑素芳，韦明，张岳恒. 海南省农业全要素生产率及地区差异分析：基于DEA的Malmquist指数方法［J］. 海南大学学报：人文社会科学版， 2012， 30（3）： 126-130. DOI： 10.15886/j.cnki.hnus.2012.03.002 . Cited in this article [1]

17	郑循刚. 西部农业生产全要素生产率增长分解：基于2000—2007的面板数据［J］. 软科学， 2010， 24（8）： 79-81， 87. DOI： 10.3969/j.issn.1001-8409.2010.08.016 . Cited in this article [1]

18	倪冰莉，张红岩. 我国中部地区农业技术进步、生产效率的构成分析［J］. 云南财经大学学报， 2010， 26（2）： 140-146. DOI： 10.16537/j.cnki.jynufe.2010.02.005 . Cited in this article [1]

19	金怀玉，菅利荣，焦立新. 安徽省农业技术效率变动的实证分析［J］. 中国科技论坛， 2011（7）： 129-133， 146. DOI： 10.13580/j.cnki.fstc.2011.07.024 . Cited in this article [1]

20	谌贻庆，王华瑞，陶春峰. 江西省农业生产效率评价及影响因素研究［J］. 华东经济管理， 2016， 30（7）： 21-28. DOI： 10.3969/j.issn.1007-5097.2016.07.004 . Cited in this article [1]

21	詹礼辉，苏时鹏，董艳会，等. 福建县域农业全要素生产率测算及其收敛分析［J］. 资源开发与市场， 2016， 32（1）： 60-63， 124. DOI： 10.3969/j.issn.1005-8141.2016.01.013 . Cited in this article [1]

22	马晓冬，孙晓欣. 2000年以来江苏省农业转型发展的时空演变及问题区识别：基于全要素生产率的视角［J］. 经济地理， 2016， 36（7）： 132-138. DOI： 10.15957/j.cnki.jjdl.2016.07.017 . Cited in this article [1]

23	李红艳，王菲，赵震. 黄河流域农业全要素生产率测度与时空演变特征分析［J］. 统计与决策， 2022， 38（23）： 74-79. DOI： 10.13546/j.cnki.tjyjc.2022.23.014 . Cited in this article [1]

24	吕超，周应恒. 我国蔬菜产业生产效率变动分析［J］. 统计与决策， 2011（9）： 92-94. DOI： 10.13546/j.cnki.tjyjc.2011.09.024 . Cited in this article [1]

25	江松颖，刘颖，王嫚嫚. 我国谷物全要素生产率的动态演进及区域差异研究［J］. 农业技术经济， 2016（6）： 13-20. DOI： 10.13246/j.cnki.jae.2016.06.002 . Cited in this article [1]

26	李刚，刘灵芝，伍国勇，等. 我国水禽全要素生产率增长和贡献及区域差异分析［J］. 中国农业资源与区划， 2022， 43（10）： 174-182. DOI： 10.7621/cjarrp.1005-9121.20221017 . Cited in this article [1]

27	陈卫平. 我国玉米全要素生产率增长及其对产出的贡献［J］. 经济问题， 2006（2）： 40-42. DOI： 10.16011/j.cnki.jjwt.2006.02.016 . Cited in this article [1]

28	王明利，吕新业. 我国水稻生产率增长、技术进步与效率变化［J］. 农业技术经济， 2006（6）： 24-29. DOI： 10.3969/j.issn.1000-6370.2006.06.004 . Cited in this article [1]

29	王力，韩亚丽. 中国棉花全要素生产率增长的实证分析：基于随机前沿分析法［J］. 农业技术经济， 2016（11）： 95-105. DOI： 10.13246/j.cnki.jae.2016.11.010 . Cited in this article [1]

30	司伟，王济民. 中国大豆生产全要素生产率及其变化［J］. 中国农村经济， 2011（10）： 16-25. Cited in this article [1]

31	石会娟，王俊芹，王余丁. 基于DEA的河北省苹果产业生产效率的实证研究［J］. 农业技术经济， 2011（10）： 86-91. DOI： 10.13246/j.cnki.jae.2011.10.011 . Cited in this article [1]

32	李含悦，张润清，王哲. 我国马铃薯全要素生产率比较及空间集聚研究［J］. 中国农业资源与区划， 2021， 42（7）： 9-18. DOI： 10.7621/cjarrp.1005-9121.20210702 . Cited in this article [1]

33	陈静，李谷成，冯中朝，等. 油料作物主产区全要素生产率与技术效率的随机前沿生产函数分析［J］. 农业技术经济， 2013（7）： 85-93. DOI： 10.13246/j.cnki.jae.2013.07.001 . Cited in this article [1]

34	林思辰. 长江经济带油菜籽全要素生产率时空演变及收敛性分析［D］. 南昌：江西财经大学， 2022. Cited in this article [1]

35	李谷成，冯中朝. 中国农业全要素生产率增长：技术推进抑或效率驱动：一项基于随机前沿生产函数的行业比较研究［J］. 农业技术经济， 2010（5）： 4-14. DOI： 10.13246/j.cnki.jae.2010.05.007 . Cited in this article [1]

36	方国柱，祁春节，雷权勇，等. 技术异质视角下农业细分产业全要素生产率的比较研究［J］. 统计与信息论坛， 2021， 36（4）： 51-59. DOI： 10.3969/j.issn.1007-3116.2021.04.006 . Cited in this article [1]

37	袁晓玲，张宝山. 中国商业银行全要素生产率的影响因素研究：基于DEA模型的Malmquist指数分析［J］. 数量经济技术经济研究， 2009， 26（4）： 93-104， 116. Cited in this article [1]

38	Färe R， Grosskopf S， Norris M E， et al. Productivity growth， technical progress， and efficiency change in industrialized countries［J］. Am Econ Rev， 1994， 84： 66-83. Cited in this article [1]

39	Pastor J T， Knox Lovell C A. A global Malmquist productivity index［J］. Econ Lett， 2005， 88（2）： 266-271. DOI： 10.1016/j.econlet.2005.02.013 . Cited in this article [1]

40	林光平，龙志和，吴梅. 中国地区经济σ-收敛的空间计量实证分析［J］. 数量经济技术经济研究， 2006， 23（4）： 14-21， 69. DOI： 10.3969/j.issn.1000-3894.2006.04.002 . Cited in this article [1]

41	郑甘甜，陈池波，张开华，等. 中国农业环境全要素生产率动态演进及收敛性分析［J］. 中国农业资源与区划， 2022， 43（1）： 40-49. DOI： 10.7621/cjarrp.1005-9121.20220105 . Cited in this article [1]

42	LeSage J P， Pace R K. Introduction to spatial econometrics［M］. Boca Raton： CRC Press， 2009. Cited in this article [1]

43	黄季焜，马恒运. 中国主要农产品生产成本与主要国际竞争者的比较［J］. 中国农村经济， 2000（5）： 17-21. Cited in this article [1]

44	沈琼，张思光. 我国油菜生产中科技进步与资源配置潜力分析［J］. 农业现代化研究， 2005， 26（5）： 358-361. DOI： 10.3969/j.issn.1000-0275.2005.05.009 . Cited in this article [1]

PDF(2354 KB)

921

Accesses

Citation

Detail

Sections

Recommended

Abstract
Key words
Cite this article
1 指标与选取
1.1 指标
1.1.1 Global Malmquist指数
1.1.2 Kernel密度估计
1.1.3 δ收敛
1.1.4 β收敛
1.2 指标选取与数据来源
1.2.1 指标选取
1.2.2 数据来源与样本处理
Table 1 Descriptive statistics of each variable
2 实证结果与分析
2.1 中国油菜TFP的总体演变趋势
Table 2 Total factor productivity and factor decomposition of rape in China from 1978 to 2020
Fig. 1 Total factor productivity and its decomposition change of rape in China
2.2 Kernel密度估计
Fig. 2 Kernel density estimation diagram
2.3 δ收敛
Fig. 3 Standard deviation of total factor productivity of rape in China (δ convergence)
2.4 β收敛
2.4.1 绝对β收敛
Table 3 Absolute β convergence test results
2.4.2 条件β收敛
Table 4 Conditions β convergence test results
3 结论与对策建议
References

Received	Published
2022-10-28	2024-04-28
Issue Date
2024-04-28

Please choose a citation manager

Content to export