【香樟推文2080】农业劳动力结构调整是否改善了中国的农业劳动生产率？ ——基于分解方法
图片来源：百度图片
原文信息：Balezentis T , Li T , Chen X. Has agricultural labor restructuring improved agricultural labor productivity in China? A decomposition approach[J].Socio-Economic Planning Sciences, 2020
原文链接：
https://www.sciencedirect.com/science/article/pii/S0038012120308041
01
引言
由于农业生产率的增长可以节约资源投入并有助于减少贫困，因此，其通常是经济发展的重要方面。通过对农业劳动生产率的观察，可以了解农村居民收入以及农村地区整体经济发展水平的大体趋势。本文创新性的提出从区域视角来考察农业劳动生产率的变动。具体而言，通过考虑区域动态变化来分解国家层级的农业劳动生产率的变动，这种方法可以将农业劳动生产率的纯变化与结构性变化进行分离。为分解农业劳动生产率的变动，本文通过指数分解分析法（IDA）从土地生产率，土地使用强度（即农业劳动人口人均土地面积）和农业劳动力空间分布这三个因素对农业劳动生产率变动的贡献进行分解。
研究方法
02
2.1指数分解分析法（IDA）
指数分解分析法（IDA）是一种较为灵活的分析方法，可以适应于许多经济问题研究。本文试图通过指数分解分析法（IDA）来分解农业劳动生产率的变化。
由于农业产出是在区域一级数据，因此，我们设产出水平为Yk；每个区域的土地禀赋用Xk表示；对于农业劳动力投入的数量，如果是国家总体规模，则用L表示，而国家内各区域的农业劳动力投入数量则用Lk表示，很显然
。因此，在一定时间t内，可以建立以下的国家层面的劳动生产率水平pt，该式中存在地区级的因素：
其中ykt代表时间t中k区的土地生产率，xkt代表区域k中单位劳动力的农业用地面积，lkt是时间t中k区中农业劳动力的份额。在这种情况下，ykt可以视为衡量纯农业劳动生产率的指标，xkt可以量化土地强度效应，lkt为劳动力向特定地区的转移。
同时，农业劳动生产率可能会随着时间的推移而变化。考虑到两个时间0和T，可以定义yt变化的加法分解如下：
其中Δpy是土地生产率变化的影响（即农业劳动生产率的纯变化），Δpx是单位土地面积的农业劳动强度的影响，而Δpl是由于土地生产率变化而影响的劳动力区域分布。
2.2对数平均迪氏因素分解法（LMDI）
LMDI被认为是通过计算加权均值来分离各解释变量影响的有效工具。本文解释变量的区域变化是通过区域对农业劳动生产率贡献变化进行加权而得到的：
其中：
在L（⋅）中定义的省份k，劳动生产率的绝对变化与对数增长率之比，其成为了省级解释性因素的增长加权因子，农业劳动生产率的变化可以归因于三个解释性因素，即土地生产率、土地强度和劳动力结构。
2.3随机前沿方法
本文参考Fare和Grosskopf（2010）的做法，采用基于松弛的DEA模型进行分析。共有K个地区k=1，2.....K，每个地区有投入变量xki，产出变量ykj，i=1，2，3…m，j=1，2，3…n。然后，下面的线性规划问题将在可变规模报酬下将某个投入-产出束（x，y）投影到生产边界上。
03
数据说明
本文采用1997-2017年省级的面板数据，具体包括31个省市自治区。数据包含五个投入变量和一个产出变量。投入变量分别为劳动力投入（万人），机械投入（农业机械的总功率，万kW或kW），土地投入（农作物的总播种面积，千公顷），农药投入（农业农药的使用，万吨）和化肥投入（化肥有效成分量/吨）。产出变量采用农业，林业，畜牧业和渔业的总产值。本文同时将31个省分为三组，方便进行异质性分析。第一组省份为农业大省，包括10个省：河北，黑龙江，江苏，安徽，山东，河南，湖北，湖南，广东和四川。第二组为农业中等省份包括：内蒙古，辽宁，吉林，浙江，福建，江西，广西，云南，陕西和新疆。第三组为农业小省：北京，天津，山西，上海，海南，重庆，贵州，西藏，甘肃，青海和宁夏。
测算结果
04
4.1总体结果
自1997年以来，中国农业部门的产出以及农业种植面积的增长幅度均较小。其中：农业总产值（Gross Output）年均增长4.7%，农业大省和农业小省的平均年增长率为4.5％，而中等农业省份的平均年增长率为5％；农作物播种总面积（Total Sown Areas of Farm Crops）年均增长0.4%，显然，这与中国的经济转型关系密切，经济转型促使城市化进程加快，导致土地使用类型发生转变。农业劳动力（Labor）由于受到经济转型冲击，年均下降1.5%，其中，农业大省降幅最大，为-1.8%；农业机械使用（Agricultural Machinery）年均增长4.9%，高于农业总产值的增长率。农业劳动生产率的提高，是由劳动力投入减少与农业产量增加双重因素导致的。表1列出了不同投入和产出的增长率。
具体到与劳动生产率相关的指标趋势：土地强度（Land intensity）似乎是最稳定的变量：1997-2017年的土地强度增长39.5％；土地生产率（Land productivity）增长强劲：增长率高达130％；二者综合，1997-2017年劳动生产率（Labor productivity）的增长约为220％（具体见图1）。
进一步考虑三组省份差异：土地强度（Land intensity） ：农业大省增幅高于其他省份；土地生产率（Landproductivity）：农业大省的增幅最低；劳动生产率（Labor productivity）：农业大省的增幅最高。农业大省对土地资源的更密集利用导致农业大省的劳动生产率强劲增长。农业大省对土地资源的更密集利用，导致农业大省的劳动生产率强劲增长。具体见表2
各省的农业投入产出结构情况来看：江苏省的劳动力(Labor)所占比重下降幅度最大，下降了2.79%；黑龙江省的劳动力(Labor),农业机械(Agricultural Machinery ) 和总播种面积(Total Areas Sown )所占比重增幅最快；新疆的农业总产值(GrossOutput )所占比重增幅最快。具体见表3
省级劳动生产率的相关指标的动态变动情况：在劳动生产率（Labor productivity）方面，所有省份均呈现正增长，其中，江苏，重庆，浙江，四川，陕西和山东的农业劳动生产率增幅最高；在土地生产率（Land productivity）方面，所有省份均呈现正增长；在土地强度（Landintensity）方面，北京，海南，福建，广东和山西的人均土地面积减少。具体见表4。
4.2对数平均迪氏因素分解法（LMDI）的结果
农业劳动生产率由1997年的1.07万元上升至2017年的3.42万元。基于LMDI的分解结果表明:土地生产率的提高促使农业劳动生产率提高了约1.76万元/人（75％），即改善耕作方式和更好地按投入产出组合进行分配；土地强度（人均土地面积）的增加也促进了劳动生产率的提高了约6100元（25.8％），这表明，在给定的劳动力空间分布和土地生产率水平的情况下，土地禀赋相对于劳动力的变化促进了中国农业劳动生产率的提高；空间分布的影响可忽略不计，其仅使劳动生产率增加200元/人；暂时对劳动生产率变化的贡献分析主要针对于国家层面，接下来，我们根据数据的不同维度（时间和空间）进一步进行细分。
时间动态分解：1997年至2003年间，劳动生产率每年增长约500元/人，而土地生产率(Land productivity )是其增长的绝对贡献；2003-2015年间，劳动生产率的增长更为强劲，达到每年增长1500元/人左右，土地强度(Land intensity)和土地生产率(Land productivity)似乎都是农业生产力增长的推动力;2015-2017年间，土地强度(Land intensity)的贡献下降。具体见图3。
省级分解：除了江苏，新疆，内蒙古，吉林，重庆和上海以外，在大多数省份的土地生产率(Land productivity)是农业劳动生产率变化的主要驱动因素；在广东，福建，海南，山西和北京，由于土地强度(Land intensity)的变化而导致的农业劳动生产率的损失；在上海，重庆，浙江，安徽，江苏，四川和山东，出现了空间分布效应(Spatial distribution)的负贡献。具体见图4
4.2数据包络分析（DEA）结果
在不受限制的技术下，如果能够实现充分的技术效率，劳动生产率平均可提高约45％。对于受限技术，观察到可能获得38％的提高。1997-2017年效率分析表明，效率追赶（即向生产前沿发展）在中国变得尤为重要。这意味着推广服务和类似措施可能有助于将绩效不佳的地区置于生产前沿。一个有趣的发现是，受限和不受限的技术（生产可能性）在2011-2014年期间几乎同时发生。这意味着在上述时间段内可变投入（机械，肥料和杀虫剂）的可用性不是约束因素。但是，重要的是要注意，受限制的技术在2015年与不受限制的形式背道而驰，而2017年的最新结果显示出最大的差距。这表明可变投入的可利用性在进一步提高中国农业劳动生产率方面起着关键作用。具体见图5
省级层面分解：对受限技术和非受限技术的劳动生产率水平进行比较，可以洞悉可变投入（机械，肥料和农药）的作用。如果受限技术下的劳动生产率与非受限技术下的劳动生产率之比低于平均水平，那么某个省份可能难以获得可变投入。表6中报告的结果表明，在青海，宁夏，西藏，陕西，四川，天津，河南，贵州，浙江和内蒙古，可以观察到“受限制”与“不受限制”劳动生产率的比值低于各省平均比值。因此，鉴于与可变投入有关的制约因素，这些地区无法充分提高其农业劳动生产率。因此，除其他措施外，应通过咨询服务改善这些地区的耕作方式，同时也可以通过投入支持计划提高该地区的劳动生产率。
05
研究结论与政策建议
研究结果表明：在1997-2017年期间，相较于土地强度（单位劳动力土地面积）与土地生产率（即单位面积的产出），结构变化（即各省的农业劳动力的分布）对中国农业劳动生产率的增长起的作用要小得多。从不同的时间段来看，2003-2015年间，土地强度的作用逐渐增强，这可能与中国新农业政策的效果有关；但在2015-2017年期间，土地生产率的影响有所增强，这抵消了土地强度减弱的影响，同时随着中国城市化程度的提高，未来土地强度的影响可能会继续减弱。此外，农业大省贡献了主要的农业劳动生产率的增长，这表明农业小省仍需要继续关注劳动生产率的提高。
建议：1.通过促进农业技术（机械和农用化学品）的使用进一步提高中国的农业劳动生产率。基于随机前沿的分析表明，由于农业投入的低效使用，实际农业劳动生产率与最优劳动生产率之间存在38-45％的差距；2.调整省份内部以及省际之间的投入产出结构。通过利用农业大省和中等农业省份的比较优势来确保结构效率的提升；3.提高人力资本质量促进劳动生产率的增长。人力资本的增加要求引入具有公共补贴性质的现代咨询和推广服务，以弥补其成本；4.尽管部分省份的农业产出有限，但出于粮食安全考虑，这些地区仍不能完全放弃农业活动，应充分考虑不同省份实际和潜在的劳动生产率水平，并通过现代农业技术来支持其农业劳动生产率提升。
Abstract
This paper presents a framework for analyzing the changes in agricultural labor productivity with regards to the structural,land intensity, and land productivity effects. This approach allows for the residual-free decomposition of data from different levels of aggregation. The logarithmic mean Divisia index was applied for the analysis and a data envelopment analysis model was constructed to identify potential gains inagricultural labor productivity due to the optimization of input use and output production. The proposed approach was applied to the case of China over the period of 1997–2017. Province-level data were used to identify the major driving factors behind agricultural labor productivity change. Land productivity change appeared to be the major source of agricultural labor productivity gains in China. The structural change was rather negligible,suggesting that the reallocation of the agricultural labor force did not add to the agricultural labor productivity growth in China. A frontier analysis indicated that agricultural labor productivity could increase by some 45% on average incase full technical efficiency is achieved.
香樟经济学术圈征稿
香樟经济学术圈
本期小编：曾依雯