【www.zhangdahai.com--其他范文】
姚玲,刘晓利
(吉林农业大学经济管理学院,长春市,130118)
随着市场化改革的推进和城镇化率的攀升，农村劳动力逐渐向第二、三产业转移，在促进农民增收[1-2]、缓解粮食生产内卷化困境[3]的同时,加剧了化肥等增产型生产要素的过量施用[4-5]，最终会对粮食生产环境效率产生不利影响。当前我国粮食生产环境效率整体上仍处于较低水平[6]，不利于实现粮食增产的绿色可持续发展[7]。而在资源条件日益趋紧的农业发展状态下，提高粮食生产环境效率已然成为缓解粮食增产与环境保护之间矛盾的必然选择[8]。2022年“中央一号文件”明确提出深入推进农业生产要素减量化，提升粮食单产和品质，推进农业绿色发展。其本质在于提高粮食生产环境效率。然而，在农村劳动力不断外流背景下，粮食生产环境效率会如何发生变化？又该如何提高粮食生产环境效率？由此，探究农村劳动力转移对粮食生产环境效率的影响机制有助于充分理解农业生产要素投入与环境效率提高之间的关系，对于农业绿色可持续发展具有重要的理论参考意义。
当前已有关于粮食生产环境效率的研究多以化肥、农药的污染排放量为非期望产出[3， 6， 9-14]，将其纳入指标体系进行环境效率的测算，但这只反映出粮食增产背后土地资源的受污染情况，并未体现资源后期的自我修复成本。而灰水足迹是指以现有的环境水质标准为基准，将农业生产活动排放的污染物完全消纳、稀释使其达到现有环境水质标准所需的水资源量[15]，与上述污染指标相比，更能全面反映农业生产的污染情况[16]，其本质在于突显环境资源的自我修复代价。忽视环境资源的自我修复功能，会造成评估结果的有偏，不利于对粮食生产环境效率的准确认识与把握。此外，以往研究多针对农业或者粮食大类，粳稻作为我国单产水平较高、种植效益较好的重要口粮之一，却鲜有人关注粳稻生产环境效率的变化以及劳动力转移对其产生的影响。文章通过测度和分析我国粳稻生产灰水足迹排放量及其时空演变，将其加入基于非期望产出的SBM模型中评价和分析2005—2020年我国13个粳稻主产省的粳稻生产环境效率，并应用中介效应模型实证检验劳动力转移影响粳稻生产环境效率的内在机制。与已有研究[9-14]相比，本文可能的边际贡献在于从灰水足迹视角出发探讨了农村劳动力转移对粳稻生产环境效率的影响机制，是对已有研究的丰富与拓展。
农村劳动力转移对粳稻生产环境效率的影响机制如图1所示。首先，为了追求“自身”利润最大化，存在劳动力转移的农户往往施加更多的增产型化学要素来替代缺失的劳动力[17]，增加了粳稻生产灰水足迹排放量[15， 18]；
其次，转移的劳动力通常是受教育程度较高的青壮年而剩余劳动力多为老、弱、幼和妇女，不仅缺乏对水土资源的保护意识，还增加了测土配方施肥、精细养分管理等环境友好型技术的推广难度，使得灰水足迹的防控以及后续的资源自我修复更为困难。基于以上分析，本文提出假设。
H1：农村劳动力转移会降低粳稻生产环境效率。
然而，除了农村劳动力转移本身带来的直接负向影响外，其产生的可支配收入变化、经营规模变化可以间接有效地改善粳稻生产环境效率。一方面，因土地收益的增长速度远低于劳动力转移带来的工资性收入[19]，减轻了农户的资金约束[20]，有利于推动粳稻生产技术进步(如耕作与施肥技术改进)来提高粳稻生产环境效率[21]；
另一方面，劳动力转移会扩大农户经营规模[3， 22]。经营规模的扩大会推动土地逐步流转向生产要素配置效率高、管理能力强的农业新型经营主体，由此逐步形成规模化生产[23-24],在保产保量的同时降低增产型化学物品施用强度[25-26]，从而降低灰水足迹排放量[15， 18]。
因此，农村劳动力转移是把双刃剑，文化程度较高的青壮年劳动力外流，可能导致粳稻生产环境效率的损失，但可以通过提高农民可支配收入、扩大经营规模改善粳稻生产环境效率。基于以上分析，本文提出假设。
H2：农村劳动力转移可通过提高农户可支配收入提高粳稻生产环境效率。
H3：农村劳动力转移可通过扩大农户经营规模提高粳稻生产环境效率。
图1 农村劳动力转移对粳稻生产环境效应影响路径
2.1 数据来源
考虑到数据的可得性以及本研究方法的可比较性和合理性，仅保留河北、内蒙古、辽宁、吉林、黑龙江、山东、河南、湖北、江苏、浙江、安徽、云南、宁夏13个粳稻主产省份作为本文的研究对象。为了保持数据口径一致性，对部分数据进行无量纲化处理，最终构建13个粳稻主产省2005—2020年的面板数据，原始数据来源于《全国农产品成本收益资料汇编》《中国统计年鉴》《中国农村统计年鉴》，以及各省份的统计年鉴以及国家统计局网站。对于缺失的数据利用其他年份算的平均增长率估算得到。各指标的描述性统计如表1所示。
表1 变量的描述性统计Tab. 1 Descriptive statistics of variables
2.2 变量选择
1) 被解释变量。粳稻生产环境效率(Neff)：采用SBM-DEA模型[27-28]测算的包含非期望产出的环境效率值，借鉴付永虎等[16]的研究，依据粳稻生产过程中要素投入、产出及水环境影响的特点，构建包括各生产要素投入、期望产出(粳稻产量[14])、非期望产出(粳稻生产灰水足迹[17])的效率评价指标体系(表2)。
2) 解释变量。农村劳动力转移(LAB):配第—克拉克定律指出，劳动力会随着经济发展水平的提升而逐渐向工业、服务业转移[20]。因此，本文用乡村从业人员中工业和服务业从业人员所占比重[3]表示农村劳动力转移。
3) 中介变量。人均可支配收入(INCOME):为反映劳动力转移后的可支配收入变化，本文用农村人均可支配收入来衡量。
人均播种面积(SCALE):为了反映劳动力转移后的经营规模变化，借鉴田红宇等[3]的研究，用人均播种面积来衡量，具体用各省份粮食播种总面积除以乡村从业人员数表示。
4) 控制变量。本文选取的控制变量如下：财政支农水平(FAB)：用地方财政支出中的农林水事务支出总额表示；
有效灌溉率(IRR)：用有效灌溉面积与农作物总播种面积的比值表示；
受灾率(DIS)：用受灾面积与农作物总播种面积的比值表示；
农业机械密度(MECH)：用机械总动力与农作物总播种面积之比表示；
环保意识(EA)：用有效灌溉面积与化肥使用量之比表示。
表2 粳稻生产环境效率评价指标体系Tab. 2 Evaluation index system of environmental efficiency of japonica rice production
2.3 模型选择
本研究采用Sobel检验[26, 33]的显著性来验证农村劳动力转移是否可以通过其产生的可支配收入变化、经营规模变化这两条路径来提升粳稻生产环境效率，建立中介效应模型如式(1)～式(5)所示。
Neffi,t=θ1+c×LABi,t+d1×Zi,t+ε1
(1)
INCOMEi,t=θ2+α×LABi,t+d2×Zi,t+ε2
(2)
Neffi,t=θ3+c′×LABi,t+b×INCOMEi,t+
d3×Zi,t+ε3
(3)
SCALEi,t=θ4+e×LABi,c+d4×Zi,t+ε4
(4)
Neffi,t=θ5+c″×LABi,t+f×SCALEi,t+
d5×Zi,t+ε5
(5)
式中：Neffi,t——各个省份的第t年的粳稻生产环境效率；
LABi,t——自变量；
INCOMEi,t、SCALEi,t——中介变量；
θ1、θ2、θ3、θ4、θ5——截距；
ε1、ε2、ε3、ε4、ε5——随机扰动项；
a、b、c、c′、c″、e、f、d1、d2、d3、d4、d5——回归系数；
Zi,t——各个省份的第t年影响粳稻生产环境效率的其他控制变量；
c——因变量影响各个省份的第t年的粳稻生产环境效率的总效应；
a、e——自变量对各个中介变量的影响；
c′、b和c″、f——自变量、各个中介变量对各个省份的第t年的粳稻生产环境效率的直接效应。
当系数c显著，a、b和e、f均显著，则两个中介变量均存在中介效应；
若a、b和e、f中至少有一个不显著时，则需要进一步检验系数乘积的显著性。当存在中介效应时，c′、c″不显著则为完全的中介作用，否则为部分的中介作用。
3.1 灰水足迹的时空演变及环境效率估算
1) 中国粳稻生产灰水足迹的时空演变。将样本省份划分为五大粳稻主产区：东北主产区(吉林、辽宁、黑龙江、内蒙古)、长江中下游主产区(江苏、安徽、浙江、湖北)、华北主产区(河南、河北、山东)、西南主产区(云南)和西北主产区(宁夏)，分区观测各生产省2005年和2020年粳稻生产灰水足迹的变化。
表3 2005与2020年中国各省份的粳稻生产灰水足迹
从灰水足迹来看，2005年中国粳稻生产灰水足迹整体呈现“南高北低”的空间特征。高灰水足迹省份有长江中下游地区的湖北和浙江、西南地区的云南，灰水足迹较低的省份多位于东北和西北地区。2020年，中国粳稻生产高灰水足迹分布范围明显扩大，而低灰水足迹分布范围区域变小。需要指出的是，长江中下游地区作为中国重要的粳稻生产基地，在实现增产的同时农业污染也随之加剧，灰水足迹排放量明显提高，宁夏的粳稻生产灰水足迹排放量也明显提高；
辽宁、吉林、黑龙江的粳稻生产灰水足迹排放量明显下降，其原因可能在于东北地区的机械作业率高，节约了农业生产中氮肥的使用。如农机深耕作业能够增强土壤的储水和保肥能力，增强土壤中氮的保有量，进而降低氮肥使用强度[19]。
2) 中国粳稻生产技术效率和环境效率估计结果。根据SBM-DEA模型的测算结果，绘制了全国和五大粳稻主产区的效率变化图(图2和图3)。
图2 2005—2020年全国主产省粳稻生产
图3 2005—2020年五大粳稻主产区
首先，2005—2020年全国粳稻生产技术效率均值为0.816 7，而环境效率为0.775，前者高出后者4.17%，可见，如果忽略粳稻生产过程中的灰水足迹排放量将会高估粳稻生产技术效率，这从侧面说明现阶段中国粳稻生产并未实现经济与环境双重效益[9]。其次观察两种效率的变化趋势可以发现，无论是技术效率还是环境效率在2005—2013年整体上均呈下滑态势，进一步验证了粳稻长期增产的背后，其环境成本也在逐渐增加。最后从各主产区来看，粳稻生产的环境效率呈现长江中下游地区>东北地区>西南地区>华北地区>西北地区，长江中下游地区粳稻生产的平均环境效率最高，为0.8227，这主要受益于国家“大保护”战略的实施。
3.2 影响机制检验
结合上文分析可以发现中国粳稻生产环境效率值总体不高且变化趋势不稳定，因此进一步探讨粳稻生产环境效率的影响因素。首先对各变量进行多重共线性检验，方差膨胀因子(VIF)均小于5，本文各变量之间不存在多重共线性问题。从回归结果来看，农村人均可支配收入、人均播种面积均存在显著的中介效应，且两个中介效应模型在Sobel检验下也显著。
回归(1)表明农村劳动力转移对粳稻生产环境效率的直接效应显著为负，估计系数为-0.382 2。回归(2)表明农村劳动力转移推动农村人均可支配收入提高，即劳动力转移程度越高，人均可支配收入越高。回归(3)中农村劳动力转移和农村人均可支配收入的估计系数均显著，表明控制了农村劳动力转移变量后，中介变量农村人均可支配收入对环境效率的正向效应仍显著。由于c、a、b三个参数估计均显著，并且农村人均可支配收入的中介效应(a×b)的正负号与农村劳动力转移对粳稻生产环境效率的直接效应(c′)的正负号相反，表明存在农村人均可支配收入的中介效应。但由于c′显著，表明农村人均可支配收入存在“部分”中介效应。其中农村人均可支配收入的中介效应为-29.44%，间接效应占直接效应的比重为-0.227 5，这表明农村人均可支配收入提高可以缓解农村劳动力转移引起的粳稻生产环境效率损失的29.44%。
回归(4)和回归(5)为人均播种面积在农村劳动力转移影响粳稻生产环境效率中发挥的中介效应检验结果。由上述结果可知，农村劳动力转移对环境效率的直接效应显著为负。并且劳动力转移程度越高，人均播种面积越大，这与钟甫宁[1]、田红宇[3]的研究保持一致。在控制劳动力转移变量后，中介变量人均播种面积对环境效率的影响仍显著正向，可以看出，人均播种面积存在“部分”中介效应，并且中介效应为-15.83%，间接效应与直接效应的比重为-0.136 6，这表明农村劳动力转移促进了人均播种面积提高，削弱农村劳动力转移对粳稻生产环境效率负向效应的程度为15.83%。
综合上述结果来看，可以得出以下4个结论：(1)农村劳动力转移提高了人均可支配收入进而改善了粳稻生产环境效率，可能的解释是农村劳动力外出务工在增加收入、缓解农业生产资金约束同时，也导致部分农民更加重视新生产技术的学习与使用，推动粳稻生产技术进步，减少了农业生产要素(如氮肥)的无畏消耗，有助于改善环境效率；
(2)农村劳动力转移推动了人均播种面积的扩大进而推动粳稻生产规模化，降低了单位面积的氮肥施用强度，有利于提高粳稻生产环境效率；
(3)农村劳动力转移直接负向影响粳稻生产环境效率，主要是由于外出务工人群往往是农村中文化水平较高的青壮年，留守的粳稻生产者偏于老龄化、女性化，其身体素质和环保意识较低，往往通过加大化肥投入量去提高产量，增加了粳稻生产过程中灰水足迹排放量，不利于提高粳稻生产环境效率；
(4)农村劳动力转移对粳稻生产环境效率的总体影响均显著负向，这说明劳动力转移带来的收入增加、规模扩大虽然促进了环境效率提升，但在很大程度上还无法弥补由生产者身体素质和环保意识的低水平造成的环境效率损失。
财政支农水平的系数显著为负，说明财政支农水平不利于提高粳稻生产环境效率，因财政支农的目标偏向于“增产”，在一定程度上激励了农业生产者加大生产要素投入，忽视了环境代价；
有效灌溉率的系数显著为正，说明灌溉设施的完善一方面可以减轻自然灾害对粳稻生产环境效率的负面影响，另一方面也可以提高污染源性质增产要素的利用效率，避免重复、多次的过量投入；
受灾率的系数显著为负，可能存在的原因是自然灾害后农业生产者往往会提高污染源性质增产要素的施用率[3]；
机械密度和环保意识的系数均不显著。
3.3 稳健性检验
为了保证回归结果的可靠性，本文采用替换解释变量的方法进行稳健性检验。衡量农村劳动力转移的指标是乡村从业人员中二三产业从业人员的比重，现借鉴已有研究，将采用乡村从业人员与乡村从业人员中第一产业人员的差值[19]进行替换，重新回归后的结果与前文基本一致。因此，稳健性检验结果与前文实证结果没有显著性差异，表明本文的实证结果具有较强的可靠性。
表4 农村人均可支配收入、人均播种面积的中介效应Tab. 4 Intermediary effect of rural per capita disposable income and per capita sowing area
表5 替换解释变量的稳健性检验结果Tab. 5 Robustness test results of alternative explanatory variables
4.1 结论
本文在测算粳稻灰水足迹的基础上，应用非径向、非角度的SBM-DEA模型对我国2005—2020年13个粳稻主产省份的环境效率进行了测度，并运用中介效应模型考察农村劳动力转移影响粳稻生产环境效率的内在机制。主要研究结论如下：(1)2005—2020年粳稻生产灰水足迹有所下降，但高灰水足迹区域呈扩大趋势；
(2)忽视粳稻生产过程中的灰水足迹排放量会高估粳稻生产技术效率，2005—2020年粳稻生产技术效率、环境效率均值分别为0.816 7和0.775 0，前者高出后者4.17%，并且粳稻生产环境效率整体上呈下降趋势，五大粳稻主产区效率排名依次为长江中下游地区、东北地区、西南地区、华北地区、西北地区；
(3)农村劳动力转移降低了粳稻生产环境效率，虽然存在正向的收入中介效应和规模中介效应，但现阶段还难以完全弥补劳动力转移带来的直接环境效率损失。
4.2 对策建议
基于以上结论，得出对策建议：(1)测量粳稻生产技术效率时，不能仅关注“产量”和不可避免的环境代价，更要重视环境资源后期的自修复成本，多维度扩大测量体系，逐步增加各层面“质量、效率、绿色”维度的权重；
(2)要鼓励发展乡村经济，促进农村劳动力就地就近转移就业，提升农户家庭收入；
与此同时，要加大农业信息和技术推广力度，提高农业新型作业技术采用率；
(3)要加快健全农村土地流转机制，促进规模化经营，切实加强培育新型农业经营主体，为优化生产要素投入效率、实现规模经济、提升粮食生产环境效率等多维度目标搭建有效平台。
