淮河流域农业生态效率时空演变与影响因素研究​

Spatiotemporal evolution and influencing factors of agricultural eco-efficiency in the Huaihe River Basin

摘要

以2001—2020年淮河流域35个地级市为研究对象，融合面源污染与碳排放指标，采用超效率EBM模型、泰尔指数及面板Tobit回归模型，揭示农业生态效率（AEE）的时空演变与驱动机制。结果表明：（1）时序上，AEE呈波动上升趋势，但仍存较大优化空间；（2）空间上，效率差异持续收敛，分布由分散向均衡优化转变；高效率区向豫皖鲁三省交界带显著集聚，形成“边缘崛起”，而河南中部与安徽北部出现块状效率塌陷区；省内差异是区域分异主导来源，其中皖、豫两省内部分化最为突出；（3）城镇化、复种指数、粮食种植、灌溉条件及规模经营通过资源整合提升效率，而财政支农（补贴高碳要素）、机械化（化石能源依赖）及科技支出结构（忽视绿色技术）因政策导向偏离产生显著抑制效应。未来需深化跨省制度壁垒的量化解析与治理路径创新。

Abstract

Taking 35 prefecture-level cities in the Huaihe River Basin from 2001 to 2020 as the research objects， non-point source pollution and carbon emission indicators were integrated， and the super-efficiency EBM model， Theil index， and panel Tobit regression model were adopted to reveal the spatiotemporal evolution and driving mechanisms of agricultural ecological efficiency （AEE）. The results showed that：（1） Temporally， AEE exhibited a fluctuating upward trend， but substantial space for optimization remained；（2） Spatially， the efficiency gap continued to converge， with the distribution transforming from dispersion to balanced optimization； high-efficiency areas were significantly agglomerated in the junction zone of Henan， Anhui， and Shandong provinces， forming an "edge rise"， while block-shaped efficiency depressions emerged in central Henan and northern Anhui； intra-provincial differences were the dominant source of regional differentiation， among which the internal differentiation within Anhui and Henan provinces was the most prominent； （3）Regarding the influencing factors， the urbanization， multiple cropping index， grain cultivation， irrigation conditions， and large-scale operation improved efficiency through resource integration， while fiscal support for agriculture （subsidizing high-carbon factors）， mechanization （reliance on fossil energy）， and the structure of scientific and technological expenditure （neglect of green technologies） exerted significant inhibitory effects due to deviations in policy orientation. In the future， it is necessary to deepen the quantitative analysis of inter-provincial institutional barriers and innovate governance paths.

Graphical abstract

关键词

EBM模型 / 泰尔指数 / 农业生态效率 / 淮河流域 / 时空演变

Key words

EBM model / Theil index / agricultural ecological efficiency / Huaihe river basin / spatiotemporal evolution

0 引言

改革开放以来，我国农业生产取得举世瞩目的成就，以全球9%的耕地保障了世界18%人口的粮食安全，农业生产总值持续增长^［1］。然而，这种增长长期依赖于化肥、农药与农膜等生产要素的高强度投入，形成了“高投入、高产出、高排放”的粗放型农业生产模式。这种模式不仅加剧农用地质量退化、水体富营养化等环境问题，也导致农业污染和碳排放的显著增加，严重制约农业的可持续发展。推动农业绿色低碳转型、提升农业生态效率，已成为保障国家粮食安全与生态安全的战略需求，也是实现乡村生态振兴和农业高质量发展的必由之路^［2］。

农业生态效率作为测度农业生产系统中经济产出与资源环境综合效益的关键评价维度，综合反映了农业生产的经济效率与生态效率，是评估农业可持续发展水平的重要指标^［3］。在评价方法层面，学者们已发展出比值法、生命周期评价法、数据包络分析及其衍生模型（如SBM、EBM）等多种方法体系。在研究内容上，现有文献多聚焦于农业生态效率的测度、时空格局演变及其驱动因素分析。影响因素研究通常借助地理加权回归、地理探测器、面板Tobit模型等工具，探讨社会经济条件、资源禀赋与技术进步等多维度变量对效率的作用机制^［4-6］。研究尺度则呈现出由省级向市县级细化的趋势，体现了该领域研究的不断深入。

然而，深入审视现有研究，仍存在以下亟待深化的关键问题：1） 农业生态效率的测度偏重面源污染，对碳排放的关注不足，难以契合“降污减碳协同”战略要求；2）时空格局分析侧重空间特征及时空演化，难以解析区域差异及其来源结构；3）现有研究多集中于行政区或流域单元，而针对流域自然地理单元与省级行政管理边界高度叠加区域的农业生态效率研究较为欠缺。

基于此，本研究以淮河流域为研究对象，选取2001—2020年为研究期，整合面源污染与碳排放的多维环境指标，运用超效率EBM模型、空间自相关分析、泰尔指数分解法及面板Tobit回归模型，系统揭示其农业生态效率的时空分异格局、区域差异来源结构的动态演变规律及关键驱动机制，以期为制定基于跨省协作的流域整体性农业绿色低碳发展策略提供科学依据。​

1 数据来源及研究方法

1.1 数据来源

研究区域为淮河流域，考虑到数据的可获得性及完整性，以2001—2020年淮河流域35个地级市的面板数据为研究样本。相关数据来源于淮河流域各省市统计年鉴、各市州统计年鉴及统计公报、《中国区域经济统计年鉴》与EPS数据平台等。针对部分缺失数据，通过年均增长率进行预测和补齐。

1.2 研究方法

1.2.1 基于非期望产出的超效率EBM模型

EBM模型兼具径向与非径向特性，通过引入ε参数（0≤ ε ≤1）实现两者整合，有效弥补了传统径向模型忽略松弛变量及非径向SBM模型忽略比例信息的不足。鉴于其对效率测度的优势，采用超效率EBM模型测算淮河流域农业生态效率，计算公式见参考文献［7］。

1.2.2 泰尔指数

泰尔指数是测度区域差异的有效工具，并可将总体差异分解为组间差异与组内差异，从而揭示差异的空间层次来源。基于省级行政区划，将流域划分为四大区域，并计算泰尔指数以量化区域差异，具体计算方法见参考文献［8］。

1.2.3 面板Tobit模型

以淮河流域各地级市2001—2020年的农业生态效率值为因变量，潜在影响因素为自变量，采用面板Tobit回归模型^［13］，其基本形式为

y_{it}^{*}=\left\{\begin{array}{c}{x}_{it}\beta +{\mu }_i+{\epsilon }_{it},y_{it}^{*}>\mathrm{0},\\ \mathrm{0},y_{it}^{*}\le \mathrm{0},\end{array}\right.（1）

式中：y_{it}^{*}代表因变量；x_it 代表自变量；{\mu }_i代表个体效应，即截距项；{\epsilon }_{it}为随机误差项，独立并服从正态分布。

1.3 指标体系构建

1.3.1 投入产出指标

农业生态效率评价体系已由单一期望产出维度，演进至融合非期望产出的综合框架，以系统性表征农业生产的经济与环境双重属性^［9］。据此构建“投入—期望产出—非期望产出”评价体系（表1）。

1.3.2 影响因素指标

基于既有驱动机制研究，综合考虑淮河流域农业发展现实约束与数据可获性，从社会经济维度、资源禀赋维度及技术进步维度解构其驱动机制，选取8项核心指标构建分析框架（表2）。

2 淮河流域农业生态效率时空演变特征

2.1 农业生态效率的时序演变特征

淮河流域农业生态效率呈现显著的时序演变特征如图1所示。2001—2020年间，整体呈现波动上升趋势，具体演化轨迹为先降后升，标志着区域农业生态水平逐步提升。观测期内效率值介于0.59~0.79之间，所有年份均未突破0.8的阈值，揭示其仍存在较大优化空间。这种先抑后扬的格局可归因于驱动机制的动态转换：早期农业集约化引发的化肥、农药等生产资料超量投入，导致效率衰减；后期环境治理政策强化与低碳技术扩散，形成协同效应，共同驱动效率稳步回升^［10］。

2.2 农业生态效率的空间分布特征

淮河流域农业生态效率空间格局呈现显著的动态演化（图2）。

结构特征表明2001—2020年市域间效率差异持续收敛，全域效率趋同态势显著。空间分布显示高效率区由早期离散分布（集中于豫中、苏东南和皖北）演变为豫皖鲁交界带连片集聚并向外扩散，区域均衡性持续增强。值得关注的是，郑州、日照等地市长期处于效率洼地，可能源于经济发展主导模式下化肥、农药及农机的高强度投入。

2.3 农业生态效率的时空演变特征

淮河流域农业生态效率的空间演化呈现显著分异特征（图3）。增长区密集分布于豫皖鲁三省交界地带，衰减区则以离散斑块形态聚集于河南中部及安徽北部，其中盐城、宿州与平顶山三市构成典型效率塌陷区。这可能是因为在省际交界区，由于经济基础较弱且生态敏感性高，政策更倾向于平衡发展与保护。反观经济增长核心区，其效率下降的根源在于工业化与城镇化的挤压效应，资本过度集中于工业和服务业，农业沦为“边缘产业”，导致耕地破碎化、劳动力流失，迫使留守农户依赖化肥农药维持短期产出，加剧面源污染和碳排放。

2.4 农业生态效率的区域差异分析

淮河流域各省市农业生态效率存在显著差异。为深入解析其总体差异及省内、省际差异的结构特征，采用泰尔指数进行测度（图4）。

总体差异呈波动收敛趋势。2001—2003年泰尔指数持续上升，2003年达峰值，2003—2015年指数大幅回落，2015年后指数小幅反弹并持续波动，揭示区域均衡格局尚未稳固，长期协同机制仍待加强。

省内差异是主导因素。组内差异（省内市县间差距）显著高于组间差异（省际差距），表明非均衡性的核心源于各省内部发展断层。例如安徽省内皖北平原与皖南丘陵的水资源利用效率差异、河南省黄泛区与豫西山地的资源禀赋落差，均加剧了省内分化。

四省贡献率梯度分化显著。2001—2020年，安徽、河南、山东和江苏对总体差异的平均贡献率呈“皖＞豫＞鲁＞苏”格局。这一梯度与各省地理异质性直接相关——江苏以苏北平原为主，均质化条件弱化了内部差异；而安徽、河南兼具平原、丘陵、山地等多地貌，导致效率分化显著。

3 淮河流域农业生态效率影响因素分析

3.1 变量共线性分析

为保障模型可靠性，本研究对所有指标进行方差膨胀因子（VIF）检验。结果显示，所有变量VIF值介于1.12~2.28之间，均远低于临界值5。这表明所选变量间不存在显著的多重共线性问题，满足后续建模要求。

3.2 面板Tobit回归结果分析

采用随机效应面板Tobit模型的回归结果（表3）显示，城镇化水平的显著正向影响，揭示了城乡转型的生态红利——人口集聚减少耕地碎片化，促进退耕还林等生态修复行为，并通过农村产业升级降低耕地的面源污染。财政支农水平的负向效应则暴露出当下农业支持政策的倾向性，现行补贴过度倾向化肥、农药等石化农业要素，形成高碳锁定效应。这说明现阶段以化肥、农药和农机补贴为主的财政支农方式可能不利于农业生态效率改善^［11］。

复种指数与作物种植结构的双重正向作用，凸显耕地利用方式的生态价值^［12］。多重耕作通过提升光温资源利用率增加碳汇积累，而粮食作物占比的提高既增强固碳能力，又通过规模化降低单位面积农资损耗^［13］。灌溉指数的促进作用体现了技术精准化的价值，科学灌溉通过水肥协同效应减少资源浪费。农地经营规模的正向效应表明，扩大农业经营规模有助于减少化肥农药用量，优化生产要素的配置，推动生产者采用集约低碳的生产经营模式^［14］。

农业机械投入与科技支出的显著负向影响，折射出农业现代化进程中的固有矛盾。机械化虽提升劳动生产率，却因依赖化石能源加剧碳足迹，形成“效率—排放”的冲突^［15］。科技支出的生态抑制则暗示着，当前创新体系过度追逐经济效益，导致生态技术研发边缘化。同时，生态技术的研发也面临着科技成果转化机制缺失与技术适配性不足的困境，使研发投入难以转化为实际生态收益。

4 结束语

以淮河流域为典型区域，系统分析了农业生态效率（2001—2020年）的演变特征与驱动机制，其结果如下：

1） 从时间维度来看，农业生态效率整体呈波动上升趋势，但始终未突破0.8阈值，表明效率优化仍存在较大空间。

2） 从空间演变上看，区域差异持续收敛，空间分布由分散向均衡优化转变；高效率区向豫皖鲁三省交界带连片集聚，形成“边缘崛起”现象，而河南中部与安徽北部出现块状效率塌陷区。同时，省内差异是总体差异的主导因素，其中安徽、河南两省内部不均衡性最为突出，江苏省的自然均质性差异最小。

3） 从影响因素上看，城镇化、复种指数、粮食种植、灌溉条件与规模经营通过资源整合正向促进效率提升；财政支农政策、机械化强度及科技支出结构失衡显著抑制效率提升。

本研究尝试在自然地理单元与省级行政区高度叠合的区域尺度下，揭示农业生态效率的演化规律，指出行政分割与流域系统间的矛盾，但限于数据可得性与研究偏好，未能解析行政分割与流域系统间的矛盾表现形式及形成机理。未来可基于自然语言处理技术对农业政策文本进行主题建模与情感分析，识别政策目标冲突与责任推诿表述，以便深入解构各省政策文本的语义冲突是如何具体转化为行政壁垒的。

参考文献

[1] 白小凡. 农业农村数字化对农业全要素生产率的影响研究［J］. 生产力研究， 2024（12）： 63‑67.

[2] BAI Xiaofan. Research on the impact of digitalization in agriculture and rural areas on total factor productivity in agriculture［J］. Productivity Research， 2024（12）： 63‑67.

[3] 张英男， 龙花楼. 农业生产转型及其环境效应的研究进展与展望［J］. 自然资源学报， 2022， 37（7）： 1691‑1706.

[4] ZHANG Yingnan， LONG Hualou. Agricultural production transition and its environmental effects： Research progress and prospect［J］. Journal of Natural Resources， 2022， 37（7）： 1691‑1706.

[5] 胡平波，刘金.数字乡村发展提升农业生态效率的机理与实证检验［J］.中国人口·资源与环境，2025，35（3）：162‑173.

[6] HU Pingbo， LIU Jin. Mechanisms of improving agricultural ecological efficiency through digital village development and its empirical analysis［J］. China Population， Resources and Environment， 2025， 35（3）： 162‑173.

[7] 魏建飞， 赵颢迪， 李强， 等. 河南省县域农业生态效率格局演进及影响机制［J］. 经济地理， 2025， 45（1）： 184‑192.

[8] WEI Jianfei， ZHAO Haodi， LI Qiang， et al. Evolution and impact mechanism of agricultural eco-efficiency in counties of Henan Province［J］. Economic geography， 2025， 45（1）： 184‑192.

[9] 梁耀文， 王宝海. 环渤海地区农业生态效率时空演化及影响因素研究［J］. 生态经济， 2021， 37（6）： 109‑116.

[10] LIANG Yaowen， WANG Baohai. Spatial evolution and influencing factors of the agricultural eco‑efficiency in Bohai Rim Region［J］. Ecological Economy， 2021， 37（6）： 109‑116.

[11] 张利国， 谭笑， 肖晴川， 等. 基于气候资源投入的中国农业生态效率测度与区域差异［J］. 经济地理， 2023， 43（4）： 154‑163.

[12] ZHANG Liguo， TAN Xiao， XIAO Qingchuan， et al. Agricultural eco‑efficiency measurement and regional difference in China based on the climate resource input［J］. Economic geography， 2023， 43（4）： 154‑163.

[13] 孙燕铭， 谌思邈. 长三角区域绿色技术创新效率的时空演化格局及驱动因素［J］. 地理研究， 2021， 40（10）： 2743‑2759.

[14] SUN Yanming， SHEN Simiao. The spatio-temporal evolutionary pattern and driving forces mechanism of green technology innovation efficiency in the Yangtze River Delta region［J］. Geographical Research， 2021， 40（10）： 2743‑2759.

[15] 刘涛， 尚晓菲， 苏原原， 等. “双碳”目标下黄河下游耕地绿色利用效率、收敛性与影响因素［J］. 水土保持通报， 2023， 43（1）： 291‑299.

[16] LIU Tao， SHANG Xiaofei， SU Yuanyuan， et al. Green utilization efficiency， convergence， and influencing factors of cultivated land in Lower Yellow River under "double carbon" target［J］. Bulletin of Soil and Water Conservation， 2023， 43（1）： 291‑299.

[17] 彭碧媛. 基于ArcSWAT的淮河流域安徽段农业面源污染模拟与应用研究［D］. 淮南：安徽理工大学， 2022.

[18] PENG Biyuan. Simulation and application of agricultural non‑point source pollution in Anhui Section of Huaihe River Basin based on ArcSWAT［D］. Huainan： Anhui University of Science and Technology， 2022.

[19] 田成诗， 陈雨. 中国省际农业碳排放测算及低碳化水平评价：基于衍生指标与TOPSIS法的运用［J］. 自然资源学报， 2021， 36（2）： 395‑410.

[20] TIAN Chengshi， CHEN Yu. China's provincial agricultural carbon emissions measurement and low carbonization level evaluation： Based on the application of derivative indicators and TOPSIS［J］. Journal of Natural Resources， 2021， 36（2）： 395‑410.

[21] 文高辉， 刘蒙罢， 胡贤辉， 等. 洞庭湖平原耕地利用生态效率空间相关性与空间效应［J］. 地理科学， 2022， 42（6）： 1102‑1112.

[22] WEN Gaohui， LIU Mengba， HU Xianhui， et al. Spatial correlation and spatial effects of ecological efficiency of cultivated land use in Dongting Lake plain［J］. Scientia Geographica Sinica， 2022， 42（6）： 1102‑1112.

[23] 薛选登， 温圆月. 黄河流域农业产业集聚对农业生态效率的影响：基于PCA‑DEA和面板Tobit模型的实证研究［J］. 中国农业资源与区划， 2023， 44（7）： 150‑160.

[24] XUE Xuandeng， WEN Yuanyue. The impact of agricultural industrial agglomeration on ecological efficiency in the Yellow River Basin：Research on empirical research on PCA‑DEA and panel tobit models［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2023， 44（7）： 150-160.

[25] 马国斌， 吴彬， 王鹏程， 等. 耕地资源资产价值间权衡/协同关系研究： 以广西壮族自治区为例［J］. 自然资源学报， 2025， 40（5）： 1344‑1362.

[26] MA Guobin， WU Bin， WANG Pengcheng， et al. The trade-off/synergy relationship between values of cultivated land resources assets： A case study of Guangxi， southwestern China［J］. Journal of Natural Resources， 2025， 40（5）： 1344‑1362.

[27] 丁也璐， 赵娜娜， 黎明， 等. 陕北农田作物生产碳源/汇及碳足迹空间特征［J］. 生态学报， 2024， 44（11）： 4574‑4583.

[28] DING Yelu， ZHAO Nana， LI Ming， et al. Carbon source/sink and carbon footprint estimation for field crop production and spatial characterization in northern Shaanxi Province［J］. Acta Ecologica Sinica， 2024， 44（11）： 4574‑4583.

[29] 徐清华， 张广胜. 农业机械化对农业碳排放强度影响的空间溢出效应： 基于282个城市面板数据的实证［J］. 中国人口·资源与环境， 2022， 32（4）： 23‑33.

[30] XU Qinghua， ZHANG Guangsheng. Spatial spillover effect of agricultural mechanization on agricultural carbon emission intensity： An empirical analysis of panel data from 282 cities［J］. China Population， Resources and Environment， 2022， 32（4）： 23‑33.

基金资助

国家自然科学基金项目(42401251)

信阳师范大学南湖学者奖励计划青年项目(2023)