陈思博 常明

内容提要：  粮食绿色生产技术是助力农业可持续发展的重要手段，也是巩固粮食安全、实现乡村全面振兴的有效措施。本研究基于非期望产出的超效率SBM模型和Malmquist全要素生产率指数模型，对中国26个主要产粮省份稻谷、小麦和玉米的绿色技术进步指数进行测度分析，并通过 Morans I 指数和空间Durbin模型进一步探讨了其空间相关性和溢出效应。结果显示： 研究期内各省稻谷绿色技术进步指数平均值相差较小且均呈现技术进步加速状态，而部分小麦和玉米种植省份总体呈绿色技术进步减缓状态。空间分布特征显示，东北、黄河中游等粮食主产区绿色技术进步明显，西南地区绿色技术进步则相对缓慢。 进一步空间相关性分析得出，稻谷和小麦绿色技术进步的高峰和低谷期呈现集聚型，玉米则呈现离散型特征；其中，稻谷绿色技术进步加速的主导省份集聚在东北地区、黄河中游、北部沿海和南部沿海地区；小麦绿色技术进步变化的主导省份集聚在东北地区、黄河中游以及西北地区。 不同因素的溢出效应结果显示，劳动力资本素质、种植规模和农业经济水平对稻谷和小麦绿色技术进步具有显著溢出效应；而各因素均未对玉米绿色技术进步产生显著溢出效应；溢出效应的差异是造成稻谷和小麦绿色技术进步空间特征与玉米不同的重要原因。

关键词： 粮食生产；绿色技术；空间特征；溢出效应

中图分类号：F32322  文献标识码：A  文章编号：1001-148X（2022）06-0034-10

收稿日期：2021-05-26

作者简介： 陈思博（1994-），男，浙江杭州人，中国人民大学公共管理学院博士研究生，研究方向：区域经济；常明（1990-），本文通讯作者，男，山东菏泽人，中国农业科学院农业经济与发展研究所助理研究员，管理学博士，研究方向：农业资源经济。

基金项目：黑龙江省哲学社会科学研究规划项目“中美贸易摩擦下全球价值链重构对黑龙江省装备制造业的影响及应对策略研究”，项目编号：18JYB148。

一、引言

改革开放以来，中国的农业生产力得到了极大解放，尤其是农业税的减免、粮食补贴等惠农政策的实施，更是极大地调动了农民的生产积极性，使得中国创造了以7%的土地养活了世界上22%人口的发展奇迹，对消除全球饥饿做出了巨大贡献。然而，经济增长和城镇化提速带来的粮食需求增长的压力，以及农业污染、耕地、淡水等自然环境的约束，使得中国面临的粮食安全挑战依然严峻，中国面临着从“谁来养活中国”到“如何养活中国”的命题转变；近年来新冠疫情和俄乌冲突等不稳定因素更是增加了中国粮食安全的压力。2022年的中央一号文件指出，要大力开展绿色高质高效行动，深入实施优质粮食工程，提升粮食单产和品质。“十四五”规划再次强调，要深入实施藏粮于地、藏粮于技战略，以保障国家粮食安全为底线，强化农业科技和装备支撑，强化农业发展的绿色导向。可见，现阶段中国粮食生产不仅要以保障供给为基础，更要兼顾绿色发展，而粮食作物的绿色生产需要依赖技术的进步和推广。因此，粮食生产技术进步应具有两个内涵，一是技术进步应致力于粮食生产的提高，以保障国家的粮食安全；另一方面，对生态环境质量的改善和污染的减少也应是技术进步的考量。 粮食绿色生产技术便是以保障农产品质量安全、促进农业现代化发展、保持水土资源和健康环境为目标，建立起来的可在粮食生产中使用的各种技能和规则的技术体系［1］，诸如测土配方技术、节水灌溉技术、秸秆还田技术等，不仅能够有效减轻环境污染，实现农业绿色发展，而且能够实现农户增产增效，协同巩固粮食安全［2］。

新古典增长理论认为技术进步是经济增长的源泉， 但同时认为技术进步的表现是中性的。Hicks最早提出技术进步具有偏向性，是为了实现对更昂贵资源的节约［3］。而随后以Acemoglu等为代表的一系列研究推动下，偏向型技术进步的涵盖范围从仅关注生产要素，转向将能源消耗和污染产出减少等环保绿色因素纳入考量范围［4-5］。而针对中国区域将污染等非期望产出减少纳入技术进步衡量标准的研究，主要为对工业技术进步的研究，如李静等（2018）通过方向距离函数DEA 模型将COD和氨氮等污染排放纳入工业全要素生产率测算中，再通过Malmquist指数分解出绿色生产技术效率，并进一步得出区域差异以及研发投入、污染治理投资对其技术进步的影响［6］；景维民和张璐（2014）同样运用方向距离函数DEA和Malmquist指数分解法，将COD和二氧化硫作为工业非期望产出测算了绿色生产技术，并认为环境管制强度能有助于中国工业绿色生产技术［7］。在农业技术进步方面，已有研究仍然多为生产偏向型，如杨福霞等（2018）通过构建超越对数成本函数测算了中国小麦生产技术进步速率，发现农业公共投资对小麦生产技术进步的驱动作用大于价格诱导［8］；陈书章等（2013）也通过超越对数成本函数对中国小麦生产技术进步速率进行测算研究，并对技术进步进行了类型划分［9］；杨义武等（2017）通过分解基于生产函数的全要素生产率，得出农业技术进步效率，并分析了其对粮食生产的溢出效应［10］。同时，目前对中国农业绿色生产的研究仅为对绿色生产效率的测算，未深化到对绿色生产技术的探究，如展进涛等（2019）将去掉碳排放成本后的农业产值作为绿色產出，通过参数随机前沿函数模型测算了农业绿色生产率，并分析了时间变化和空间差异［11］；李思勉和何蒲明（2020）则运用超效率SBM模型，同样将农业生产的碳排放量引入到生产函数中测算了粮食绿色生产率，并对比了不同粮食功能区绿色生产率的差异［12］。

综上所述，目前学者对中国绿色生产技术的测算以及影响机制已开展大量研究，但是对中国粮食绿色生产技术的度量、时空差异和溢出机理还缺乏探讨。因此本文基于现有文献经验，试图对近年来中国主要产粮省份“粮食绿色生产技术”进行测度和分析，将粮食种植中的非期望产出引入超效率SBM模型，运用Malmquist指数分解法测算稻谷、小麦和玉米绿色生产技术指数；并在分析空间分布差异的基础上通过 Morans I 指数进一步探究各粮食绿色生产技术的空间相关性；最后运用空间Durbin模型得出的不同因素对3种粮食绿色生产技术的溢出效应。本文旨在掌握中国粮食绿色生产技术的空间特征现状和溢出效应机理的基础上，因地制宜提出不同粮食作物绿色生产技术的提升举措，为在低碳经济背景下中国农业可持续发展提供政策启示。

二、粮食绿色生产技术空间溢出机理

空间溢出效应是指本地区某因素的变动对邻近地区技术进步等结果的影响［13］，并存在扩散和极化两种形态。由于相邻地区资源禀赋特征相近且经济活动等交流便捷，其相邻地区所产生的技术选择是相似的，因此仅考虑技术对本地区的作用，而忽视对相邻其他地区的影响，这会低估技术对整个社会的回报。对于技术溢进地区而言，仅考虑本地区技术的作用，而忽视其他地区技术溢出的影响，这会高估本地区技术进步直接作用的力度［14］。根据技术溢出机理和粮食生产特征并结合已有文献，本研究对中国粮食绿色生产技术空间溢出效应影响因素的探讨，选择了劳动力资本素质、政府科研投入、种植规模、财政分权程度以及农业经济水平五个层面。

人力资本素质代表了劳动力对新技术的获取、理解和应用能力，地区人力资本素质越高，其对资源节约型和环境友好型技术的采纳程度越高［15］，绿色技术可能会向人力资本素质较高地区集中，因此，假设人力资本素质对粮食绿色生产技术可能存在负向溢出效应；而使用环境友好型技术的农户、农技员等劳动力均是农技推广的主体，其人力资本素质可能会通过示范效应促进绿色技术向其他地区的扩散程度［16］，因此，人力资本素质对绿色生产技术应也可能存在正向溢出效应。在技术方面，加大农业科研投入以及提升农业技术水平能够带动地区农业技术水平上升；并且，这种科研投入不仅对本地起到正向促进作用，还会对周边地区产生强烈的溢出效应［17］；因此，政府科研投入可能对粮食绿色生产技术存在正向溢出效应。需要注意的是，为获取更多税收而展开的地方政府竞争在一定程度上导致“科技成果封锁”的出现，也存在负向溢出效应的可能［18］。种植规模的扩张会降低当地农户获取市场信息和生产要素的成本，从而促进本地农业生产技术的采纳程度，因此，种植规模可能对粮食绿色生产技术存在负向溢出效应。现有研究认为财政分权对技术进步的影响不同，“积极论”认为财政分权度较高的地区由于较高的资金吸引能力、制度的创新和资源配置的优化因而促进技术水平的提高，“消极论”认为财政分权会削弱中央的宏观调控能力、加大地区间的收入差距、导致地方政府的恶性竞争从而损害了技术进步［19］，因而，财政分权对粮食绿色生产技术也可能存在双向溢出效应。而从经济发展的角度来看，技术通常向经济发展水平较高的地区溢出，因为其对先进技术的消化吸收能力较强，因而，粮食绿色技术可能会首先被农业经济更发达的地区吸收，即存在负向溢出效应；而其他研究同时也指出发达地区在吸收技术后，下一阶段会将技术向落后地区扩散［20］，因此，农业经济水平对粮食绿色生产技术可能还存在正向溢出效应。综上所述，本研究选择以上五种因素，探讨其对粮食绿色生产技术的溢出效应。

三、数据来源与模型设定

（一）数据来源

本文数据来源于2008-2017年《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》《中国劳动统计年鉴》和《第一次全国污染源普查—农业污染源肥料流失系数手册》。依据《全国农产品成本收益资料汇编》统计， 采用了除香港特别行政区、澳门特别行政区、北京市、天津市、上海市、青海省、台湾省、西藏自治区以外的中国26个产粮省（市、自治区）的面板数据，其中稻谷生产省份共计23个，小麦生产省份共计15个，玉米生产省份共计20个，具体见表1。

（二）绿色生产技术测度方法

1超效率SBM-ML指数分解模型

本文首先通过超效率SBM模型对粮食绿色生产效率进行评估，再通过Malmquist-Luenberger（ML）指数分解出粮食绿色生产技术指数。其中，超效率SBM模型以各个省份分别作为决策单元（DMU），假设有n个DMU，每个DMU的粮食生产存在m种投入X=［ X1， X2， …， Xm］， 可生产出r1种期望产出Ys=［ Ys1， Xs2， …， Xsr1］和r2种非期望产出Yq=［ Yq1， Xq2， …， Xqr2］，规模报酬可变情况下生产可能集为P={（X， Ys， Yq）|X≤Xλ， Ys≤Ysλ， Yq≤Yqλ}， λ为权重系数。而本文在假定规模报酬可变情况下，将松弛变量放入目标函数中，并在评价DMU时不考虑其本身，包含非期望产出的超效率SBM方向性距离函数为：

minp=  1 m ∑ m i=1  X -  Xik   1 r1+r2  ∑ r1 s=1  Yd -  Ydsk +∑ r2 q=1  Yu -  Yuqk（1）

st ∑ n  j=1j≠k  XijλjX - ∑ n  j=1j≠k  YdsjλjYd - ∑ n  j=1j≠k  YdqjλjYd - X - Xk;Yd - Ydk;Yu - Yukλj0i=1，2，…，m;j=1，2，…，n（j≠k）s=1，2，…，r1;q=1，2，…，r2

式（1）中：p為DMU的粮食绿色生产效率；X - 表示投入的松弛量；Yd - 表示期望产出松弛量；Yu - 表示非期望产出松弛量。Xij表示第j个省份的第i项投入；Ysj表示第j个省份的第s项期望产出；Yqj表示第j个省份的第q项非期望产出；λj为权重系数。

ML指数是基于跨期动态概念和几何平均思路，通过方向距离函数计算不同时期每个DMU与生产前沿面的距离。本文t和t+1时期参比的SBM-ML指数构建如下：

（SBM-ML）t+1t=  Dtv（Xt+1，Yt+1s，Yt+1q） Dt+1v（Xt，Yts，Ytq） × Dt+1v（Xt+1，Yt+1s，Yt+1q） Dt+1v（Xt，Yts，Ytq）  1/2= Dt+1v（Xt+1，Yt+1s，Yt+1q） Dtv（Xt，Yts，Ytq） ×  Dtv（Xt+1，Yt+1s，Yt+1q） Dt+1v（Xt+1，Yt+1s，Yt+1q） × Dtv（Xt，Yts，Ytq） Dt+1v（Xt，Yts，Ytq）  1/2=ECt+1t×TCt+1t=TEC×TTC （2）

SBM-ML指数分解为技术效率追赶指数（TEC）和技术进步变化指数（TTC）。TEC表示t+1和t时期实际投入量下与生产前沿面距离的对比，TEC>1表示t+1时期相较于t时期更靠近生产前沿面，存在效率追赶；TEC=1和TEC<1则分别表示效率不变和效率相对退步；在本文中TEC的求解结果为粮食绿色效率追赶指数。TTC表示在投入量不变下t+1和t时期与生产前沿面距离的对比，TTC>1表示t+1时期相较于t时期的生产过程中存在技术进步，技术进步是一个宽泛的概念，不仅包括由于科技发展导致的生产技术和投入要素的更新换代，还包括了管理和制度改革带来的红利；TTC=1和TTC<1则分别表示技术进步无变化和技术相对退步，技术相对退步则是由于新技术推广补贴力度的下降或弊端显现等原因，使用者又重拾传统技术；在本文中TTC的求解结果则为粮食绿色生产技术指数。

2指标体系选取

（1）投入指标，本文在超效率SBM模型测算中考虑的投入要素包括土地投入量、用工数量、机械畜力费用、种子用量、化肥用量和水资源投入量，详见表1。其中机械畜力费用按2008年基准价格进行平减。而3种粮食作物水资源投入量从农业用水量分离得出［21］，其计算方式如下：

式（3）中：IWRi，t为i省份t年的3种粮食作物水资源投入量， 分别为稻谷、小麦和玉米；IAWRi，t为i省份t年的农业水资源投入量；SAGCi，t为i省份t年的3种粮食作物播种面积；SACi，t为i省份t年的农作物总播种面积；CIi，t为i省份3种粮食作物的灌溉系数，由不同地区该粮食作物灌溉需水量占3种粮食作物灌溉总需水量的比例计算得到。

（2）产出指标，包括期望产出和非期望產出。其中，期望产出要素为粮食产值，非期望产出要素为总氮和总磷的环境排放量。其中粮食产值按2008年基准价格进行平减。总氮和总磷的环境排放量无法直接获取，因此采用国务院第一次全国污染源普查领导小组办公室发布的《第一次全国污染源普查—农业污染源肥料流失系数手册》估算各省市的总氮和总磷的环境排放量系数，其环境排放量计算方式如下：

式（4）中：Ei，t为i省份t年的不同粮食作物的总氮或总磷的环境排放量；EUi，t为i省份t年不同粮食作物的总氮或总磷的施用量；SRi，t为i省份总氮或总磷的地表径流流失系数；GLi，t为i省份总氮或总磷的地下淋溶流失系数。

（三）空间矩阵选择

已有研究证明了距离是技术扩散的主要因素，技术扩散程度会随着空间距离增大而逐渐减小［22］。因此本文选择地理邻接权重矩阵作为粮食绿色技术空间自相关和影响因素分析的空间权重矩阵。当两省相连时设权重值为1，两省不相连设权重值为0，且矩阵表中主对角线元素取值为0。

（四）空间自相关测度

1全局 Morans I 指数

全局 Morans I 指数是检验相邻空间的属性值是否具有集聚性或离散性的空间相关性检验指标，该指数用来从整体上揭示中国粮食绿色生产技术有没有空间集聚或离散情况。其计算公式如下：

式（5）中：I表示 Morans I 指数，Xi表示第i个省份的粮食绿色生产技术指数；Xj表示第j个省份的粮食绿色生产技术指数；n表示省份数量；x - 表示粮食绿色生产技术的平均水平；ωi，j为空间权重矩阵，表示第i个省份与第j个省份的空间邻接关系，若相邻，ωi，j取1，否则取0。

Morans I 指数的取值范围为［-1，1］，取值越接近于1，说明省份间粮食绿色生产技术指数的正向关联程度越高，存在高技术进步省份被其他高技术进步省份包围以及低技术进步省份被低技术进步省份包围的情况，即高高（H-H）集聚和低低（L-L）集聚；越接近于-1，说明负向关联程度越高，存在低技术进步省份被高技术进步省份包围和高技术进步省份被低技术进步省份包围，即低高（L-H）集聚和高低（H-L）集聚；取值接近于0，则表示空间不相关。

2局部 Morans I 指数

局部 Morans I 指数用来反映全局中各小区域的关联程度，可以找出粮食绿色生产技术存在的局域相关性。其计算公式如下（局部莫兰指数公式的正确性需要进一步核对）：

式（6）中：Ii表示局部 Morans I 指数，Ei（Ii）为 Morans I 指数的期望值，其他变量含义与公式（5）一致。当Ii> Ei（Ii）时，表明i省份与周边省份存在区域正向关联；当Ii< Ei（Ii）时，则表明i省份与周边省份存在区域负向关联。因而可以将各个省份划分为H-H、L-H、L-L和H-L四种集聚特征。

（五）空间Durbin模型

由于本文主要探讨中国粮食绿色生产技术的空间差异和特征，因此选择包含空间滞后变量的空间Durbin模型，重点探究不同因素对粮食绿色生产技术的溢出效应。该模型没有对潜在溢出效应进行限制，相较空间滞后和空间误差模型更能保证系数的无偏估计。空间Durbin模型设定如下：

式（7）中：TCi，t表示省份为i，年份为t的粮食绿色生产技术指数，分别为稻谷、小麦和玉米。ωi，j表示空间权重矩阵，ρ、β1-5、θ1-5为待估计参数，μi为空间特定效应，λt为时间特定效应，εi，t为误差项。YEL表示劳动力人力资本素质，由劳动力受教育年限衡量，通过地方劳动力教育年限由劳动力受教育程度比例与受教育年数相乘计算。ISR表示政府科研投入力度，由于粮食绿色生产技术不仅包括农学，还包括生物学、生态学以及综合管理技术等方面，因此通过地方财政科学技术支出占地方财政一般预算支出比例表征，且由于从科研投入到发生技术进步存在时滞效应，因此政府科研投入力度变量选择滞后一期。PS表示种植规模，由人均种植面积表示。FD表示财政分权程度，由地方财政一般预算收入与地方财政一般预算支出的比例衡量，表征地方财政的自主度。EG表示农业经济发展，由人均第一产业增加值表示。

四、实证结果分析

（一）时间序列变化讨论

图1至图3展示了2008-2017年间中国3种粮食绿色生产技术指数、绿色效率追赶指数、绿色生产效率的变化。总体来看稻谷绿色生产效率（平均值0917）略高于小麦和玉米（平均值0877和0865），绿色生产技术指数呈现相同差异（稻谷平均值1033、小麦平均值1031、玉米1009），绿色效率追赶指数之间差距较小（稻谷平均值0999、小麦平均值1001、玉米平均值1001）。

研究期内稻谷绿色生产效率和绿色生产技术指数呈现波动趋势，其中技术进步指数在2010年和2014年出现两次高值波动，造成了生产效率的两次峰值，而绿色效率追赶指数较为稳定均在1附近，说明在研究时期内绿色生产技术是提升稻谷绿色生产效率的主要动力。

小麦绿色生产效率与绿色生产技术指数变动趋势也基本相同，其中，绿色生产技术指数在2014和2016年出现高低两次波动，造成了绿色生产效率在2014年的峰值，而绿色效率追赶指数同样稳定在1左右，说明绿色生产技术也是小麦绿色生产效率变化的主要原因。

玉米绿色生产效率年均值呈现先升后降的倒U型趋势，绿色生产技术指数在2015-2016年出现低值波动，造成了生产效率在2016年的低谷，而绿色效率追赶指数在2011至2012年的抬升造成了2012年的生产效率的高值，说明了技术进步和效率追赶的变化均是研究期内玉米绿色生产效率变化的原因。

（二）空间分布讨论

2007-2018年23个稻谷种植省份绿色生产技术指数平均值全部处于10-11之间，说明在研究期内各省稻谷绿色生产新技术的采纳程度处于上升趋勢。表2进一步展示了以生产生活相似性为依据的八大区域稻谷绿色生产技术指数对比，可以看出各区域绿色生产技术指数平均值也全部处于10-11之间，东北地区稍高于其他区域，西南地区略低于其他区域。在稻谷绿色生产技术两次峰值时期（2010年和2014年），各区域的绿色生产技术指数也均大于1；其中2010年峰值时期黄河中游（1556）远高于其他区域，北部沿海、东北地区和西北地区则位于12-13之间，东部沿海、长江中游和西南地区位于11-12之间，南部沿海（1032）最低；而2014年峰值时期呈现出黄河中游和东北地区（11-12）高于其他六个地区（10-11）。总结来说，在整个研究期内稻谷种植省份均发生了绿色生产技术进步，其中东北地区进步程度最高，西南地区进步程度最低；而两次稻谷绿色生产技术高峰期的出现，是由全国稻谷种植区域技术进步推动，其中黄河中游和东北地区等粳稻种植区是两次技术进步高峰中的最大技术进步区。

2007-2018年15个小麦种植省份绿色生产技术指数平均值出现明显省际差异，其中黑龙江绿色生产技术指数（1238）远超其他省份，四川（0995）和湖北（0999）绿色生产技术指数稍低于1，说明在研究期内出现相对其他省份技术进步缓慢，其对绿色种植新技术的采纳使用程度不足， 而其余省份绿色生产技术指数均在10-11之间。表3也显示了东北地区绿色生产技术指数平均值最高（1238），西南地区最低（0999），其他地区均位于10-11之间。在小麦绿色生产技术峰值时期和低谷时期（2014年和2016年），所有区域绿色生产技术指数也同时大于1和小于1；其中2014年峰值时期黄河中游（1216）高于其他区域，其次为东部沿海和长江中游（11-12），东部地区、北部沿海、西南地区和西北地区则处于10-11之间；而在2016年低谷时期，黄河中游、东部沿海和西南地区出现较为明显的技术进步缓慢（08-09之间），其余地区位于09-10之间。总结来说，在整个研究期内除四川和湖北外，全国其他小麦种植省市均取得了绿色生产技术进步，其中东北区域最高；而一高一低两次小麦绿色生产技术进步波动出现，也是由全国小麦种植区域同时推动发生，其中黄河中游、东部沿海等冬小麦种植区为技术波动最大区域；而东北地区虽然在研究期内绿色生产技术指数平均值最高，但未与全国绿色技术波动趋势一致，可能由于其为春小麦种植区有关。

2007-2018年20个玉米种植省份绿色生产技术指数平均值也呈现区域不同，其中大部分地区绿色生产技术指数在10-11之间，而辽宁（0964）、江苏（0983）、甘肃（0988）、四川（0999）、重庆（0990）和云南（0995）绿色生产技术指数低于1。表4显示北部沿海、黄河中游、长江中游和西北地区绿色生产技术指数平均值位于10-11之间，东北地区、东部沿海和西南地区位于09-10之间。玉米绿色生产技术低谷时期（2015年和2016年），所有区域绿色生产技术指数均小于1；其中2015年各区域均位于08-09之间；而在2016年东北区域（0789）技术进步最为缓慢，其次为北部沿海和黄河中游（08-09），其他地区位于09-10之间。总结来说，在整个研究期内全国大部分玉米种植省市取得了绿色生产技术进步，而东北地区、东部沿海和西南地区技术进步相对缓慢；而玉米绿色生产技术进步低谷期的发生，也是由全国各玉米种植区域技术进步缓慢共同导致，其中东北区域、北部沿海和黄河中游为我国玉米的主要种植区，但其技术进步速度却最为滞后。

综上所述，东北、黄河中游等粮食主产区绿色技术进步明显，其中东北地区稻谷、小麦取得较高的绿色生产技术进步，然而在玉米种植上的技术进步速度较为滞后，相比之下西南地区绿色技术进步则显得缓慢。

（三）空间相关性讨论

通过前文时间序列和空间分布的分析可以得出中国粮食绿色生产技术指数存在高值波动期和低值波动期，且不同粮食作物在不同波动时期存在技术进步的空间差异，因而本文通过全局和局部Morans I指数分析其空间相关性，从而进一步揭示空间特征。 表5至表7显示全局Morans I指数结果，不同粮食作物绿色生产技术指数在高值和低值波动时期均呈现了较为明显的空间相关性，且通过了显著性检验，而平稳期均未通过显著性检验。这说明了中国粮食绿色生产技术指数的波动在空间上具有明显的关联性，且不同粮食作物关联性不同。其中，稻谷的两次高值波动时期和小麦一高一低的两次波动时期 Morans I 指数均为正数，说明中国稻谷和小麦的绿色生产技术变化呈现集聚型空间特征；而玉米的低值波动时期 Morans I 指数为负，说明玉米的绿色技术变化呈现离散型空间特征。这可能是由于稻谷和小麦绿色技术存在相近的空间溢出机制，因此均呈现集聚型空间特征；而玉米的溢出机制可能与稻谷和小麦不同，或没有显著的溢出机制，因而呈现离散型空间特征。

通过进一步的局部 Morans I 指数分析可以看出，稻谷2009-2011年绿色生产技术指数高值波动时期H-H集聚省份为黑龙江、吉林和陕西，说明在该次稻谷全国绿色生产技术进步时期，进步主导省份集聚在两处，分别以黑龙江和吉林为中心和以陕西为中心。2013-2015年稻谷绿色生产技術指数高值波动时期H-H集聚省份为黑龙江、辽宁、河北、福建、广东和海南，说明在第二次全国稻谷绿色生产技术进步时期，进步主导省份的集聚区域更广，共有三处集聚区域，分别以黑龙江为中心、以辽宁和河北为中心、以福建、广东和海南为中心。可以看出，两次稻谷绿色生产技术时期间隔较长且集聚区域不同，说明可能两次技术进步种类不同。

小麦2013-2015年绿色生产技术指数高值波动时期H-H集聚省份为山西、内蒙古和黑龙江，说明在小麦全国绿色生产技术进步时期，进步主导省份呈现一处集聚中心。小麦2016-2017年低值波动时期L-L集聚省份为山西、内蒙古、黑龙江、甘肃和宁夏，说明在小麦全国绿色技术退步时期， 退步主导省份也呈现出一处集聚中心，相较技术进步时的集聚区域基础上增加了甘肃和宁夏。这一连续时间的技术进步和退步时期集聚区域的重叠，说明可能是对同一绿色新技术的使用和摒弃。

玉米2014-2017年绿色生产技术指数低值波动时期的L-H省份为甘肃、陕西、山西、河北、辽宁、江苏、湖北和贵州，这说明了研究期内中国玉米绿色技术退步的主导省份离散分布在不同区域，呈现出甘肃、陕西、山西、河北、辽宁和湖北线状相连、江苏和贵州孤立式分布的空间特征。

（四）空间溢出效应讨论

本文通过基于极大似然估计的空间Durbin模型最终分解出不同因素对粮食绿色生产技术进步的溢出效应，从技术溢出角度探讨不同粮食绿色生产技术进步空间差异性的形成原因。 表8显示，稻谷、小麦和玉米的Wald值以及LR值分别为1771、1255、3209和1914、1342、1489，且均通过了显著性检验，从而拒绝了θ=0和θ+ρβ=0的原假设，说明模型不能进一步简化成空间误差模型（SEM）或者空间滞后模型（SLM）。因此空间Durbin模型（SDM）适合分析我国粮食作物绿色生产技术的空间变化因素。而3种粮食作物的Hausman检验结果显示，稻谷和小麦未通过显著性检验，未拒绝固定效应模型与随机效应模型之间无差别的零假设，说明随机效应模型优于固定效应模型，而玉米则通过了显著性检验， 说明固定效应模型更优，因此本文稻谷和小麦选用随机效应估计方式，玉米选用固定效应估计方式。

粮食绿色生产技术驱动因素空间Durbin回归结果（表8）可以看出，不同变量对稻谷、小麦和玉米绿色生产技术的影响方向和程度均有较大差异，而由于空间Durbin模型的估计系数不能直接反映自变量对因变量的影响，因而通过LeSage和Pace提供的方法将影响效应分解为直接效应、溢出效应和总效应［23］。 其中，溢出效应为自变量对除本空间外其他空间因变量的平均影响，其可以看为扩散效应和极化效应的综合影响，如果扩散效应大于极化效应则表现为正向溢出效应，如果极化效应大于扩散效应则表现为负向溢出，各驱动因素对3种粮食绿色生产技术的溢出效应见表9。

表9所示，劳动力资本素质对稻谷、小麦和玉米绿色生产技术的溢出效应均为正向，且稻谷和小麦分别通过了10%和5%水平下显著性检验。这说明以受教育程度为特征的劳动力资本素质对稻谷和小麦绿色生产技术进步具有明显的扩散效应，即稻谷和小麦出现环境友好型技术进步省市的劳动力资本素质越高，越有助于该技术的向其他省市的推广扩散。这反映出劳动力这一生产要素的扩散效应大于极化效应，通过要素流动加速了农户种植技术模仿和消化的过程，最终产生连片的集聚效应。即粮食绿色生产技术弱势地区通过优惠农业政策吸引周边地区的种植能手和新型职业农民，有利于粮食绿色种植技术的推广和传播。政府科研投入对稻谷、小麦和玉米绿色生产技术进步的溢出效应均为正向，但均未通过显著性检验。说明地方科研投入对粮食绿色生产技术的促进作用还仅限于当地，对周边地区的溢出效应还不明显。也可能是地方政府在科研投入上存在错位竞争特征，使得粮食绿色生产技术对领近省份不具有适用性和借鉴价值。种植规模对稻谷、小麦绿色生产技术进步的溢出效应为负向，而玉米为正向，但仅有稻谷和小麦通过了5%水平下的显著性检验。说明种植规模对稻谷和小麦绿色生产技术进步具有明显的极化效应，即稻谷和小麦绿色生产技术进步向人均种植面积更大的省市集中。这是由于种植规模的扩张降低了获取市场信息和生产要素的成本，促进了规模经营地区对粮食绿色生产技术的获取。财政分权程度对稻谷、小麦绿色生产技术进步的溢出效应为负向，而玉米为正向，但均未通过显著性检验。说明地区财政分权程度虽能影响当地技术进步，但是没有显示出对其他地区的吸收或扩散效应。这反映出在粮食绿色生产技术层面，财政分权尚未引发地方政府间的明显竞争。农业经济水平对稻谷和玉米绿色生产技术进步的溢出效应为负向，对小麦的影响为正向，但仅有稻谷和小麦通过了1%水平下显著性检验。这说明了稻谷和玉米绿色生产技术被农业经济水平较高的地区吸收，处于生产技术向农业经济发达地区极化的阶段；而小麦绿色生产技术则处在了从农业经济水平较高的地区向外扩散阶段，由于两者所处阶段不同，作用路径刚好是相反的。

由以上结果可知，全国稻谷和小麦绿色生产技术进步出现主导省份集聚现象， 主要是受到劳动力资本素质、种植规模以及农业经济水平等因素的溢出效应影响。全国玉米绿色技术下降的主导省份呈现出线状相连和孤立式分布的空间特征，则是因为没有显著的溢出因素存在。对此可能存在的原因是，稻谷和小麦绿色生产技术是以农户需求为主要导向，通过市场诱导性技术变迁实现，因而溢出效应的驱动因素较为接近，进而在全国绿色生产技术指数波动时期呈现出空间集聚特征；而玉米绿色生产技术可能是以政府供给为主导的强制性技术变迁为主，因而以上因素不存在显著性溢出效应，进而呈现了离散型空间分布特征。劳动力资本素质和种植规模之所以产生不同作用方向，主要是种植规模往往是通过制度改革方向实现种植面积扩大的目标，这其中很多种植大户会受到重点关注，造成技术进步偏向。然而劳动力技能的提高则是通过交流传播方式实现，这种生产技术进步具有普适性。至于农业经济水平在稻谷和小麦之间产生的结果不同，可能是南方地区多种植稻谷、北方地区多种植小麦的原因，这种南北方地区本身的农业发展差异在一定程度上影响到绿色生产技术进步的类别。

五、结论与启示

本文的主要研究结论如下： （1）研究期内中国三种粮食作物绿色生产技术均呈现出进步的状态，其中稻谷和小麦绿色生产技术指数变化是其生产效率变化的主要原因。空间分布显示，东北、黄河中游等粮食主产区绿色技术进步明显，西南地区绿色技术进步则显得缓慢。（2）通过全局 Morans I 指数分析空间相关性可知，稻谷和小麦的绿色技术进步波动呈现集聚型空间特征，玉米则呈现离散型。进一步区域 Morans I 指数分析显示， 研究期内中国稻谷绿色生产技术进步的主导省份集聚在东北区域、黄河中游、北部沿海和南部沿海地区；小麦绿色技术变化的主导省份集聚在东北地区、黄河中游以及西北地区；玉米绿色技术主导省份呈现线状相连和孤立式分布。（3）不同驅动因素对稻谷、小麦和玉米技术进步的溢出效应结果显示，劳动力资本素质对稻谷和小麦绿色生产技术进步呈现扩散效应影响，种植规模对稻谷和小麦呈现极化效应，农业经济水平则对稻谷呈现极化效应，对小麦呈现扩散效应；而各因素均未对玉米绿色生产技术进步产生溢出效应。

基于以上结论，得出以下启示： （1）政府在继续绿色生产技术推广的同时，应根据各地区对不同粮食绿色生产技术吸纳程度不同，侧重对小麦西南种植区和玉米东部沿海种植区等低绿色技术区的推广。（2）各级政府可通过加强农村基层教育、开展新型职业农民和绿色高质高效种植技术培训等措施，提高地区劳动力资本素质。（3）通过鼓励种粮大户或专业化合作社规模化种植，设立土地流转奖励专项资金，对符合条件的土地流转双方实施奖励等途径提升区域种植规模化水平，从而强化稻谷和小麦绿色生产技术的扩散力度。（4）实现玉米绿色生产技术创新和推广则需要加强建立以政府为主导的市场机制，通过完善补贴和购买服务政策，调动玉米绿色生产技术创新主体的积极性，完善玉米绿色生产技术风险评估和市场准入制度，以市场为导向推进玉米绿色生产技术研发和推广应用。

参考文献：

［1］  杨彩艳，齐振宏，黄炜虹，等.效益认知对农户绿色生产技术采纳行为的影响——基于不同生产环节的异质性分析［J］.长江流域资源与环境，2021，30（2）：448-458.

［2］  He K， Zhang J B， Zeng Y M， et al. Households Willingness to Accept Compensation for Agricultural Waste Recycling： Taking Biogas production from Livestock Manure Waste in Hubei， P. R. China as an Example ［J］. Journal of Cleaner Production， 2016，131（9）： 410-420.

［3］  Hicks J. Theory of Wages［M］.Lodon：Macmillan，1932：133-147.

［4］ AcemogluD . LABOR- AND CAPITAL-AUGMENTING TECHNICAL CHANGE［J］. Journal of the European Economic Association， 2003， 1（1）：1-37.

［5］ Acemoglu D， Aghion P， Bursztyn， Leonardo， et al. The Environment and Directed Technical Change［J］. American Economic Review， 2012，102（1）：131-166.

［6］ 李静，池金，吴华清.基于水资源的工业绿色偏向型技术进步测度与分析［J］.中国人口·资源与环境，2018，28（10）：131-142.

［7］ 景维民，张璐.环境管制、对外开放与中国工业的绿色生产技术［J］.经济研究，2014，49（9）：34-47.

［8］ 杨福霞，徐江川，青平.中国小麦生产的技术进步诱因：投资驱动抑或价格诱导［J］.农业技术经济，2018（9）：100-111.

［9］ 陈书章，宋春晓，宋宁，等.中国小麦生产技术进步及要素需求与替代行为［J］.中国农村经济，2013（9）：18-30.

［10］ 杨义武，林万龙，张莉琴.农业技术进步、技术效率与粮食生产——来自中国省级面板数据的经验分析［J］.农业技术经济，2017（5）：46-56.

［11］  展进涛，徐钰娇，葛继红.考虑碳排放成本的中国农业绿色生产率变化［J］.资源科学，2019，41（5）：884-896.

［12］ 李思勉，何蒲明.我国粮食绿色生产效率及影响因素研究——基于粮食功能区的比较分析［J］.生态经济，2020，36（9）：116-120.

［13］  范秋芳，王劲草，王杰.城市空间结构演化的减排效应：内在机制与中国经验［J］.城市问题，2021（12）：87-96.

［14］ 肖小勇，李秋萍.中国农业技术空间溢出效应：1986-2010［J］.科学学研究，2014，32（6）：873-881，889.

［15］ 伍骏骞，方师乐，李谷成，等.中国农业机械化发展水平对粮食产量的空间溢出效应分析——基于跨区作业的视角［J］.中国农村经济，2017（6）：44-57.

［16］ 丘雯文，钟涨宝，田文文.长江经济带农业绿色增长的时空格局及影响因素研究［J］.中国生态农业学报（中英文），2020，28（5）：764-774.

［17］ 李兆亮，罗小锋，张俊飚，丘雯文.农业R&D投入、空间溢出与中国农业经济增长［J］.科研管理，2020，41（9）：268-277.

［18］  伍国勇，张启楠，张凡凡.中国粮食生产效率测度及其空间溢出效应［J］.经济地理，2019，39（9）：207-212.

［19］ 罗小娟，冯淑怡，石晓平，等.太湖流域农户环境友好型技术采纳行为及其环境和经济效应评价——以测土配方施肥技术为例［J］.自然资源学报，2013，28（11）：1891-1902.

［20］ 李强，刘冬梅.我国农业科研投入对农业增长的贡献研究——基于1995-2007年省级面板数据的实证分析［J］.中国软科学，2011（7）：42-49，81.

［21］ 常明，王西琴，贾宝珍.中国粮食作物灌溉用水效率时空特征及驱动因素——以稻谷、小麦、玉米为例［J］.资源科学，2019，41（11）：2032-2042.

［22］ Koch EW . Growth， Technological Interdependence and Spatial Externalities： Theory and Evidence［J］. Journal of Applied Econometrics， 2007，22（6）：1033-1062.

［23］ LeSage J， Pace R K. Introduction to Spatial Econometrics［M］. Boca Raton：CRC Press，2009.

Study on Spatial Characteristics and Spillover Effects of Grain Green Production

Technology in China

CHEN Si-bo1，CHANG Ming2

（1. School of Public Administration and Policy， Renmin University of China， Beijing 100872， China;

2. Institute of Agricultural Economics and Development， Chinese Academy of Agricultural Sciences，

Beijing 100081， China）

Abstract： Green food production technology is an important means to help the sustainable development of agriculture， and it is also an effective measure to consolidate food security and achieve comprehensive rural revitalization. Based on the super-efficient SBM model of unexpected output and Malmquist total factor productivity index model， this study measured and analyzed the green technology progress index of rice， wheat and corn in 26 major grain-producing provinces in China， and further discussed its spatial correlation and spillover effects through Moran′s I index and spatial Durbin model. The results showed that：During the study period， the average difference of green technological progress index of rice in each province was small， and all showed an accelerated state of technological progress， while some wheat and corn planting provinces showed a slow state of green technological progress. Spatial distribution characteristics show that the green technology progress in major grain producing areas such as Northeast China and the middle reaches of the Yellow River is obvious， while the green technology progress in Southwest China is relatively slow. Through further spatial correlation analysis， it is found that the peak and trough of green technology progress of rice and wheat are clustered， while that of corn is discrete. Among them， the leading provinces with accelerated green technology progress of rice are concentrated in northeast China， the middle reaches of the Yellow River， the northern coastal areas and the southern coastal areas; The leading provinces of wheat technological progress and change are concentrated in Northeast China， the middle reaches of the Yellow River and Northwest China.The spillover effects of different factors show that labor capital quality， planting scale and agricultural economic level have significant spillover effects on green technology progress of rice and wheat; However， all factors have no significant spillover effect on the progress of corn green technology. The difference of spillover effect is an important reason that the spatial characteristics of green technological progress between rice and wheat are different from those of corn.

Key words： grain production; green production technology;spatial characteristics;spillover effects

（責任编辑：赵春江）