中国省域林业生产技术效率的空间收敛性及分异特征

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

杨旭^,¹, 屈志光², 邓远建^,³

1.湖南大学经济与贸易学院,长沙 410079

2.中南财经政法大学信息与安全工程学院,武汉 430073

3.中南财经政法大学工商管理学院,武汉 430073

Spatial convergence and differentiation of forestry production technology efficiency in 30 provinces of China

YANG Xu^,¹, QU Zhiguang², DENG Yuanjian^,³

1. School of Economics and Trade, Hunan University, Changsha 410079, China

2. School of Information and Security Engineering, Zhongnan University of Economics and Law, Wuhan 430073, China

3. School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073, China

通讯作者: 邓远建,男,四川广安人,博士,副教授,研究方向为农业生态经济、农村绿色发展。E-mail: dyj_scga@163.com

收稿日期:2020-09-10修回日期:2021-01-14

基金资助:

国家自然科学基金项目(71673302)
国家自然科学基金青年项目(71804196)
中央高校基本科研业务费专项资金资助项目(2722021BX018)

Received:2020-09-10Revised:2021-01-14
作者简介 About authors
杨旭,男,山东泰安人,博士研究生,研究方向为资源与环境经济、林业经济地理。E-mail: 523351804@qq.com

摘要
林业既是国民经济的重要生产部门,也是生态文明建设的重点领域,提高林业生产技术效率是高效利用林业资源的关键环节。本文采用超效率SBM模型测算了中国30个省（直辖市、自治区）2004—2018年的林业生产技术效率,在考虑空间因素的前提下,基于空间条件

β

收敛模型对其收敛趋势及时空分异特征展开分析。研究发现：①从林业生产技术效率的测度结果来看,全国层面林业生产技术效率总体水平不高,存在较大提升空间;林区层面由高到低依次为西南、南方、东北、华北、西北林区;省份之间差距同样明显,但同一林区内省份间差距小于不同林区的省份间差距。②就林业生产技术效率的收敛性而言,我国林业生产技术效率具有显著的空间条件

β

收敛趋势,且空间因素的纳入使得收敛周期缩短了约4年。林业对外开放程度、林业收入水平和林业产业结构对林业生产技术效率向高值收敛具有促进作用,而技术市场环境对其具有抑制作用,地区经济发展水平、林业人力资本水平和自然环境条件则影响不显著。③就林业生产技术效率收敛性的分异特征而言,空间上,五大林区均存在“俱乐部收敛”现象,且收敛率普遍高于全国平均水平,其中华北林区收敛率最高,东北、西南、西北林区次之,南方林区最低;时间上,2012—2018年收敛率高于2004—2011年,地区经济发展水平、林业对外开放程度等因素对林业生产技术效率的作用方向或力度在前后两个时期均有明显差异。为此,本文建议进一步完善林业体制机制,明确区域定位,因地制宜制定林业发展措施。
关键词： 林业生产技术效率;空间收敛性;分异特征;条件β收敛模型;SDM模型;中国

Abstract

Forestry is not only an important production sector of the national economy, but also a key area of ecological civilization construction. Improving the production technology efficiency (forestry PTE) is a key link in the efficient use of forest resources. In this article, the super-efficiency slacks-based measure (SBM) model was used to calculate the forestry PTE of 30 provinces (municipalities, autonomous regions) in China from 2004 to 2018. Considering spatial factors, the convergence trend and spatial-temporal differentiation characteristics were developed based on the spatial conditional β convergence model. The study found that: (1) The overall level of forestry PTE at the national level was not high, and there was a large room for improvement. The forestry PTE at the major forest region level ranks from high to low in southwest, south, northeast, North China, and northwest forest region. The gap between the provinces was equally obvious. But the gap between provinces in the same forest regions is smaller than the gap between provinces in different forest regions. (2) At the national level, forestry PTE showed a significant spatial conditional β convergence trend, and the inclusion of spatial factors shortens the convergence period by about 4 years. The degree of forestry opening up, the level of forestry income, and the structure of forestry industry were positively correlated with the convergence to high values, while the technological market environment had a restraining effect. The level of regional economic development, the level of forestry human capital, and the natural environment had insignificant impacts. (3) From the perspective of forest regions, the five major forest regions showed a “club convergence” phenomenon, and the convergence rate was generally higher than the national average. The North China forest region had the highest convergence rate, followed by the northeast, southwest, and northwest forest regions, and the southern forest region have the lowest convergence rate. In terms of time periods, the convergence rate from 2012 to 2018 was higher than that from 2004 to 2011. The regional economic development level and the degree of forestry opening up to the outside world had a different impact in the direction or strength of forestry PTE in the two periods. For this reason, this article proposes to further improve the forestry system and mechanism, clarify the regional positioning, and formulate forestry development measures according to local conditions.

Keywords：forestry production technology efficiency;spatial convergence;differentiation characteristics;conditional β convergence model;SDM model;China

PDF (1948KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
杨旭, 屈志光, 邓远建. 中国省域林业生产技术效率的空间收敛性及分异特征[J]. 资源科学, 2021, 43(10): 1947-1960 doi:10.18402/resci.2021.10.02
YANG Xu, QU Zhiguang, DENG Yuanjian. Spatial convergence and differentiation of forestry production technology efficiency in 30 provinces of China[J]. RESOURCES SCIENCE, 2021, 43(10): 1947-1960 doi:10.18402/resci.2021.10.02

1 引言

林业是稳定国民经济与维护生态环境的重要基石,在经济社会发展、生态文明建设和减贫进程中的地位不断巩固和提升^[1,2]。但不可否认的是,中国的林业资源总量相对不足、质量不高^①(① 根据《2020年全球森林资源评估报告》分析,中国森林面积为2.2亿hm²,占全球森林面积的5%;人均森林面积仅0.16 hm²,不足世界人均水平的1/3。)。目前,中国木质林产品供需依然处于不够安全的状态^[3],而且林业发展水平与人们对优美生态环境的需求相比还存在较大差距^[4]。在林业资源短缺与需求缺口较大的双重压力之下,生产技术效率（Production Technology Efficiency,PTE）的提高成为深化林业供给侧结构性改革的关键一环,它强调对林业资源的有效管理与利用能力,即实现在一定的林业投入要素组合下,最大化地获得林业多重效益产出。然而,林业资源的分布从根本上会受到自然、地理条件的影响和制约,但现实情况是不同的林区又隶属于不同的行政区域,由于自然地理分布与行政区划的双重属性,必然导致林业PTE在空间尺度上存在显著差异。那么随着时间的推移,中国林业PTE是具有“强者恒强、弱者恒弱”的马太效应,还是空间差异会随着时间的推移而趋于减小,即中国林业PTE是发散还是收敛?若收敛,收敛机制是否存在空间效应?分林区、分时段的空间收敛性表现有何差异?对上述问题进行回答,不仅有助于把握中国林业PTE空间布局及演变趋势,进而为促进林业资源集约利用、优化林业生产力布局的路径选择提供参考依据,而且对于不同地区之间协调推进生态文明建设、提升生态承载力、改善生态环境质量、筑牢生态安全屏障等,都具有重要的现实意义。

林业PTE的研究一直广受关注,****们在研究层次上从林农^[5]、区域^[6]和全国^[7]各层面展开,主要采用描述性统计^[8]、基尼系数^[9]等方法基于静态视角探讨林业PTE的空间差异特征。事实上,收敛性已成为基于动态视角研究空间差异演进趋势的有力工具,目前已在耕地利用^[10]、农业生态效率^[11]、城市经济发展^[12]等方面得到了广泛应用,以收敛性视角考察林业发展的研究成果也逐渐增多。在现有研究中：①****们主要基于简单的收敛模型进行检验。例如,黄安胜等^[13]以中国31个省份为研究对象,研究发现全国层面不存在

σ

收敛与绝对

β

收敛,仅东部和西部地区存在“俱乐部收敛”。而姜钰等^[14]同样以中国31个省份为研究对象,研究结果显示全国层面上存在显著

σ

收敛、绝对与条件

β

收敛特征。②随着研究的深入,收敛性检验的内涵得以丰富。例如,薛龙飞等^[15]将固碳价值作为产出要素纳入测算指标体系,结果表明全国及四大林区固碳效率均没有出现

σ

收敛,而且呈现绝对

β

发散趋势。③收敛性检验的研究层面也不断得到拓展。例如,刘振滨等^[16]以中国31个省份森林公园为研究对象,发现仅中部与西部地区具有绝对

β

收敛特征,但4个地区均通过了条件

β

收敛检验。黄书苑等^[17]基于陕甘两省1000个固定样本,研究得出2011—2017年家庭林业全要素生产率存在条件

β

收敛。可见,由于不同****研究方法、内涵、时段及区域的差异,对林业发展状况收敛还是发散所得结论也不尽相同。

总体来说,已有研究成果为本文奠定了坚实基础,但依然存在不足之处：①现有研究主要基于径向的DEA模型测算林业PTE,未考虑投入产出变量的松弛问题,而是假设投入和产出是同比例变化,这将导致测算结果与实际效率值存在较大偏差。②现有研究中

β

收敛检验模型过于简化,忽略了不同地区在林业发展内部、外部以及自然因素等方面的异质性,这显然与现实情况不相符;而且尚未将空间溢出效应考虑在内,但已有研究表明林业PTE存在显著的空间正相关性^[8],这导致无法考察地区之间存在的相互联系对收敛性的影响。③现有研究主要集中于全国或某一区域层面的收敛性检验,同时进行区域层面横向对比、时段层面纵向对比,并探究其规律的研究尚不多见。基于以上认识,本文可能的创新之处在于：①基于非径向的超效率SBM模型,对全国30个省（市、区）2004—2018年的林业PTE进行测算,分别从全国、林区及省域层面对林业PTE时空演变进行分析与总结。②将传统收敛模型与空间计量方法相结合设计空间条件

β

收敛模型,并通过与传统收敛模型结果进行对比,探究中国林业PTE的收敛性特征及影响因素。③分林区、分时段考察林业PTE收敛性的分异特征,以期为制定林业PTE提升策略提供决策参考。

2 研究方法与数据来源

2.1 研究方法

2.1.1 超效率SBM模型

PTE的测度方法主要有参数法和非参数法两类。参数法主要以随机前沿生产函数分析法（SFA）为代表,非参数法则以数据包络分析法（DEA）为代表。与SFA方法相比,DEA^[18]方法不仅能处理多投入多产出的问题,而且不需预先估计参数、通过求解线性规划问题确定最适宜的权重,从而从最有利于评价单元的角度进行评价,具有误差较小的明显优势,因此是测度林业PTE的有效分析方法。

超效率SBM模型不仅解决了投入产出变量的松弛问题,而且可对有效的决策单元进一步区分,目前已被广泛应用于效率测算的相关研究之中^[19]。本文探究的是在一定的林业要素投入组合下,如何最大化地获得林业多重效益的产出,因此,结合研究需要,采用基于非径向、产出角度的超效率SBM模型测算林业PTE,具体模型如式（1）所示。

（1）

\begin{array}{l} Min δ = \frac{1}{1 + \frac{1}{m} \overset{m}{\sum_{r = 1}} \frac{s_{r}^{+}}{y_{r h}}} \\ s.t. \{\begin{array}{l} \overset{z}{\sum_{q = 1; q \neq h}} x_{pq} λ_{q} \leq x_{p h}, p = 1,2, ?, l \\ \overset{z}{\sum_{q = 1; q \neq h}} y_{rq} λ_{q} + s_{i}^{+} \geq y_{r h}, r = 1,2, ?, m \\ λ \geq 0, s_{}^{+} \geq 0, q = 1,2, ?, z (j \neq h) \end{array} \end{array}

式中：δ为DEA超效率值;

s_{r}^{+}

为第r个产出的松弛变量;

y_{r h}

为被评价的第h个决策单元（DMU）的第r种产出;l、m分别代表投入、产出变量个数;

x_{pq}

为第q个DMU的第p种投入;λ_q为权重向量;

x_{p h}

为被评价的第h个DMU的第p种投入;z为DMU个数;q为除第h个DMU之外的其他DMU。当δ≥1时,决策单元相对有效,当δ<1时,决策单元相对无效,δ值越大,说明林业PTE越高。

2.1.2 空间相关性分析模型

地理学第一定律表明,任何一个地区都不会孤立地存在。在检验林业PTE的收敛性时,若仅考虑本地区的状况而忽视对周围地区产生的溢出效应,必然会导致研究结论出现一定误差,缺乏应有的解释力度^[20]。空间相关性的存在是应用空间计量方法的前提和基础。因此,需要首先确定中国林业PTE的空间相关性存在与否,本文以Moran’s I指数进行检验,其计算公式如（2）所示。

（2）

Moran’s I = \frac{\overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} w_{ij} (PT E_{i} - \bar{PTE}) (PT E_{j} - \bar{PTE})}{s^{2} \overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} w_{ij}}

式中：PTE_i与PTE_j分别为i、j区域的观测值;

\bar{PTE}

为观测值的平均值;s²为观测值的方差;

w_{ij}

为区域i和区域j之间的空间权重值。Moran’s I指数的取值范围为

[- 1,1]

,小于0表示负空间自相关,大于0表示正空间自相关,即Moran’s I指数值越靠近区间两端,表示相应的全局空间自相关性越强。

2.1.3

β

收敛性检验模型

收敛性检验模型主要分为两类：

σ

收敛与

β

收敛。

σ

收敛指不同省份林业PTE方差或者离散系数随时间的推移趋于减小的过程。

β

收敛是从增长率的角度考察不同省份林业PTE的变化趋势,若存在

β

收敛则主要表现为林业PTE低水平省份增长率高于高水平省份,从而使得低水平地区逐渐赶上高水平地区。若

β

收敛考虑到不同地区的异质性并以一些控制变量的存在为条件,则称之为条件

β

收敛,否则称之为绝对

β

收敛。如上文所述,目前关于条件

β

收敛的研究成果相对薄弱。基于此,本文将研究重点集中于条件

β

收敛检验上。传统条件

β

收敛模型如式（3）所示。

（3）

\ln (\frac{PT E_{i, t + 1}}{PT E_{i, t}}) = α + β \ln PT E_{i, t} + \overset{f}{\sum_{k = 1}} θ_{k} X_{k, i, t} + ε_{i, t}

式中：PTE_i_,_t+₁、PTE_i_,_t分别是第i个省份在第t+1、t年的林业PTE值

; \ln (\frac{PT E_{i, t + 1}}{PT E_{i, t}})

表示林业PTE的提升速度;X_k.i.t是第i个省份在第t年的第k个控制变量; f表示控制变量个数;

α

是常数项;

β

是收敛系数;

θ_{k}

为第k个控制变量回归系数（k=1, 2,…, f）;

ε_{i, t}

是随机误差项。若收敛系数

β

<0,意味着林业PTE存在收敛趋势,即林业PTE的提升速度与初始水平成反比,林业PTE低水平地区存在追赶高水平地区的趋势;反之,则存在发散趋势。若回归系数

θ_{k}

为正,说明随着这一变量的提高,对于林业PTE升高的省份,其升高幅度会不断增大,上升速度会不断加快;而对于林业PTE不断降低的省份,其降低幅度会不断缩小,降低速度会有所放慢;若

θ_{k}

为负,则与之相反。

上述传统条件

β

收敛模型是基于普通面板模型设计的,没有考虑空间因素。根据Moran’s I指数的结果,若存在空间相关性,则必须将空间因素考虑在内。因此,可将传统条件

β

收敛模型与空间计量方法相结合,从而更精确地检验林业PTE的收敛性特征。空间收敛模型如式（4）所示。

（4）

\{\begin{array}{l} \begin{array}{l} \ln (\frac{PT E_{i, t + 1}}{PT E_{i, t}}) = α + β \ln PT E_{i, t} + \\ \sum_{k}^{=} θ_{k} X_{k, i, t} + ρ \sum_{i}^{=} w_{ij} \ln (\frac{PT E_{j, t + 1}}{PT E_{j, t}}) + \end{array} \\ φ \sum_{i}^{=} w_{ij} \ln PT E_{j, t} + \sum_{k}^{=} \sum_{j}^{=} γ_{k} w_{ij} X_{k, i, t} + ε_{i, t} \\ ε_{i, t} = τ \sum_{j}^{=} w_{ij} ε_{j, t} + v_{i, t} \end{array}

式中：

ρ

是空间滞后系数,表示相邻或相近地区林业PTE提升对本地区的影响;

φ

是林业PTE与空间权重矩阵的空间交互效应的回归系数;

γ_{k}

是控制变量与空间权重矩阵的空间交互效应的回归系数;

τ

是空间误差系数,表示不包含在X_k.,i,t中但对因变量有影响的遗漏变量或者不可观测的随机冲击的空间效应。

当

τ

=0、

φ

=0且

γ_{k}

=0时,式（4）为“空间滞后模型”（SLM）。当

ρ

=0、

φ

=0且

γ_{k}

=0时,式（4）为“空间误差模型”（SEM）。当

τ

=0时,式（4）为“空间杜宾模型”（SDM）。

上述模型的选择需要根据具体的检验来确定。

w_{ij}

为省份i和省份j之间的空间权重值;由

w_{ij}

组成的空间权重矩阵为

W = \{\begin{array}{l} \frac{1}{d_{ij}^{2}}, i \neq j \\ 0, i = j \end{array}

;d_ij为基于经纬度计算的省会城市之间的距离。

2.2 指标选取与数据来源

2.2.1 指标选取

在科学性、系统性和可操作性原则指导下,选取劳动力、土地和资金作为林业PTE测度的投入指标,分别以各地区林业系统年末从业人数、林地面积、林业固定资产投资资本存量表示;林业PTE测度的产出指标考虑经济效益与生态效益(1 经济效益、生态效益在一定程度上间接反映了社会效益。比如,林业总产值间接反映了林农的林业收入水平的变化。森林对人类生存、生育、居住、活动以及在人的心理、情绪、感觉、教育等方面的社会效益,是与生态效益难以分割的。),分别以各地区林业生产总值、森林蓄积量^[21]表示。其中,林业固定资产投资资本存量采用Goldsmith于1951年开创的永续盘存法 (2计算公式为：

K_{t} = K_{t - 1} (1 - ω) + I_{t}

,式中：

K_{t}

为第t年的固定资产投资资本存量;

ω

为资本折旧率;

I_{t}

为第t年的林业固定资产投资实际完成额。参考张军等^[22]的研究,将2004年的林业固定资产投资完成额除以10%作为基期的资本存量,将资本折旧率设定为9.6%。)进行计算^[22]。林地面积、森林蓄积量只在2004、2009、2013和2018年有清查数据,其他年份均与上一次清查数据一致,为使测算结果更加精确,本文参照田杰^[23]的处理方式,采用线性插值法来获取清查间隔期内的数据。

在参考之前研究成果^[24,25]的基础上,条件

β

收敛检验从林业发展外部因素、内部因素以及自然因素等方面选取一系列控制变量（表1）。

Table 1
表1
表1控制变量指标构成与选取依据
Table 1Control variables and the basis for their selection

属性	指标类别	指标构成	选取依据
外部因素	经济发展水平	人均地区生产总值（lnGDP）	较高的经济发展水平可以为林业发展提供充足的资金支持与消费市场,理论上对林业PTE的提升具有正向作用。
	对外开放水平	林业实际利用外资额（lnFDI）	外资利用水平较高时,一方面,可能发挥技术的“溢出效应”;另一方面,可能对内资产生“挤出效应”;因此,影响方向不确定。
	技术市场环境	技术市场成交额占GDP比重（TEC）	技术市场越成熟,为林业发展的技术供给能力越强,越有利于林业PTE的提高,理论上对林业PTE的提升具有正向作用。
内部因素	林业收入水平	林业系统在岗职工年平均工资（lnINC）	职工收入水平的提高,有利于其工作积极性的发挥,理论上对林业PTE的提升具有正向作用。
	林业产业结构	林业三产产值占林业总产值比重（INST）	林业三产产值占比的提高,有利于林业投入要素的资源优化配置,理论上对林业PTE的提升具有正向作用。
	林业人力资本	林业系统大专以上学历人员比重（EDU）	林业人力资本水平的提高,有利于提升林业技术创新与推广能力,提高林业资源管理水平,理论上对林业PTE的提升具有正向作用。
自然因素	自然环境条件^(a)	森林病虫鼠害发生率（VAL）	森林病虫鼠害发生率的加剧,说明区域林业生产环境相对较差,将影响到林产品的产量,理论上对林业PTE提升具有负向作用。

注： (a) 林业生产是经济再生产与自然再生产相交织的生产过程,必然承受着经济与自然的双重风险,不可控的自然因素会对林业PTE产生影响,采用森林病虫鼠害发生率来反映林业生产的自然环境条件^[3,8]。

新窗口打开|下载CSV

2.2.2 数据来源

本文选取中国30个省（市、区）作为研究对象,台湾、香港、澳门和西藏由于数据缺失未包含。《中共中央、国务院关于加快林业发展的决定》（中发[2003]9号）提出：“中国林业正经历着由以木材生产为主向以生态建设为主的历史性转变。”从此开启了林业发展兼顾经济效益与生态效益的新方向,所以时间跨度选择2004—2018年。对于文中涉及的价值形态数据,均以2004年为基期采用相应的指数剔除价格因素的影响。投入、产出指标及控制变量的原始数据均来自《中国统计年鉴》《中国环境统计年鉴》《中国林业统计年鉴》和部分省份统计年鉴。

3 结果与分析

3.1 林业生产技术效率的测算结果

采用超效率SBM模型测算了中国30个省（市、区）2004—2018年的林业PTE,参考丁振民等^[26]的研究,将30个省（市、区）划分为五大林区 (3即东北林区包括黑龙江、吉林、辽宁等3省;西南林区包括四川、重庆、云南等2省1市;南方林区包括上海、江苏、浙江、安徽、福建、江西、湖北、湖南、广东、广西、海南、贵州等10省1市1区;华北林区包括北京、河北、山东、天津、河南、山西、内蒙古等4省2市1区;西北林区包括新疆、甘肃、青海、陕西、宁夏等4省1区。),图1展示了2004—2018年全国总体及五大林区林业PTE均值的演变趋势。

图1

新窗口打开|下载原图ZIP|生成PPT
图12004—2018年全国及五大林区林业生产技术效率均值演变趋势

Figure 1Trend of the average forestry production technology efficiency across 30 provinces of China and the five major forest regions, 2004-2018

从全国层面来看,2004—2018年全国林业PTE水平介于0.450~0.570之间,均值约为0.516,换言之,在既定的林业投入要素组合下,林业产出水平仅完成了目标值的51.60%,说明中国林业PTE有较大提升空间,这与田杰等^[23]的研究结论具有一致性。全国林业PTE在2004—2008年间基本保持平稳;在2009—2011年间下降趋势明显,其可能的原因是,2008年全球金融危机以及中国南方经历了严重雪灾、暴雨等自然灾害,导致林业发展受到了严重冲击^[14];随后在2012—2018年间出现了缓慢抬升,这与2012年党的十八大提出“生态文明建设”“美丽中国”等决策相关^[27]。总体来看,2018年林业PTE相较于2004年下降了12.27%,年均下降幅度约为0.93%,说明在国家持续加大对林业发展支持力度的背景下,林业PTE并未出现明显提升。这与前人研究结论^[8]有所差异,可能与本文使用改进后的方法（非径向DEA）及数据选取（资金投入采用了资本存量而非流量形式）有关。林业PTE呈下降趋势可能的原因是：林业发展仍主要依靠增加资本、劳动力、土地等要素投入的方式,而完善林业体制机制、改进林业资源管理水平等效率因素的提高相对滞后,导致实际产出水平与目标水平差距有所增大。例如,部分林业生态产品（碳汇、涵养水源、净化空气等）的生态服务价值与公共服务能力等就未被充分显化和量化,这造成了一部分的效率损失。

从林区层面来看,中国五大林区林业PTE呈现明显差距。2004—2018年林业PTE超过全国平均水平的是西南、南方和东北林区,均值分别为0.838、0.732和0.649。西南林区气候温暖湿润,尤其有利于树木的生长,云南、四川的森林蓄积量长期居于全国前两位。南方林区以人工林和次生林为主,还是中国竹木、油茶、道地林药等作物的主要种植区和重要加工地;集体林权制度改革也较早在南方林区实施,现有研究表明集体林产权改革能激励农户造林管护,并减少毁林与森林退化^[28];浙江、福建等地经济发达、交通便利,在吸引外商投资、发展林业第三产业等方面也拥有得天独厚的优势。东北林区是中国最大也是最主要的天然林区,受到“天保工程”实施的影响,林业发展逐渐转向森林、湿地、重要野生生物保护等生态建设为主,林业的经济效益受到了较大削弱,导致其林业PTE下降明显。2004—2018年华北、西北林区的林业PTE始终低于全国平均水平,均值分别为0.252、0.092。原因在于,华北林区自然禀赋不及西南、南方等传统林区,而且河北、河南和山东等地主要以粮食生产为主,北京、天津等地的林业也仅起到补充生态作用的功能^[15]。西北林区的甘肃、宁夏和新疆等地多以防护林为主,自然禀赋较差,森林质量不高,发展要素支撑不足,导致西北林区林业PTE偏低。

从省域层面来看,林业PTE的差距同样明显。就同一林区内部省份差距而言,变异系数 (4衡量观测值离散程度的统计量,计算公式为：变异系数=（标准差/平均值）

\times

100%。)由高到低依次是华北、东北、南方、西北和西南林区,均值分别为88.69%、81.20%、69.25%、68.41%和54.19%。可见,华北林区内部离散程度最大,观测期内林业PTE均值最高的是山东（0.631）,最低的是北京（0.096）,仅约为山东的15.87%;西南林区内部差距最小,观测期内林业PTE均值最高的是云南1.187,最低的是重庆0.351,约为云南的29.41%。就不同林区的省份差距而言,观测期内浙江、吉林、云南等地的林业PTE位居前列,其均值分别约为1.420、1.193、1.186,青海、内蒙古、宁夏等地的林业PTE一直较低,其均值分别约为0.008、0.036、0.076,不及浙江等地的1/20,即使是华北、西北林区林业PTE最高的山东0.631、新疆0.181,也与浙江等地存在较大差距。总体而言,同一林区内省份间差距小于不同林区的省份间差距。

3.2 林业生产技术效率的收敛性检验

由上文可知,无论是从省域还是林区层面,中国林业PTE的空间差异都十分显著。为探究林业PTE的演进趋势,本文将采用空间条件

β

收敛模型进行检验。

3.2.1 林业生产技术效率的空间相关性检验

为检验中国林业PTE的空间相关性存在与否,基于2004—2018年30个省（市、区）的林业PTE,在地理距离权重矩阵下,采用Moran’s I指数进行检验,结果如表2所示。

Table 2
表2
表22004—2018年中国省域林业生产技术效率Moran’s I值
Table 2Moran’s I value of forestry production technology efficiency in 30 provinces of China, 2004-2018

年份	Moran’s I值	z值	年份	Moran’s I值	z值
2004	0.345***	3.96	2012	0.254***	3.05
2005	0.326***	3.73	2013	0.246***	2.95
2006	0.320***	3.68	2014	0.243***	2.93
2007	0.293***	3.40	2015	0.244***	2.92
2008	0.318***	3.68	2016	0.247***	2.96
2009	0.301***	3.48	2017	0.270***	3.17
2010	0.254***	3.07	2018	0.298***	3.49
2011	0.267***	3.22	均值	0.282

注：***、**、*分别表示在1%、5%和10%的水平下显著,下同。

新窗口打开|下载CSV

从表2可知,2004—2018年中国林业PTE的Moran’s I指数均为正值,介于0.243~0.345之间,均值为0.282,且所有年份均通过了1%水平下的显著性检验。这说明2004—2018年间中国林业PTE不是随机分布的,而是具有空间正相关性,林业PTE较高的省份趋向于与较高的省份相邻,林业PTE较低的省份则趋向于被较低的省份所环绕。因此,空间正相关性是中国林业PTE空间分布的显著特征,在进行条件

β

收敛检验时,不能假定各地区之间是相互独立的,必须将空间因素考虑在内,否则将无法考察邻近地区间的溢出效应对林业PTE收敛的影响,导致收敛性检验结果的偏差。

3.2.2 林业生产技术效率的收敛性检验

Hausman检验拒绝了随机效应的原假设,因此选择个体与时间双向固定效应模型进行检验。为方便对比分析,本文同时给出了传统回归模型与3种空间计量模型的检验结果（表3）。在此基础上,依据Wald与LR的检验结果进行最优空间计量模型的选取。表3中,在SDM模型下条件

β

收敛的Wald_spatial_lag与Wald_spatial_error检验分别在5%和10%水平下显著,拒绝了SDM模型可以简化为SLM模型和SEM模型的原假设;LR_spatial_lag与LR_spatial_error均在5%水平下显著,更加肯定了SDM模型的适用性。基于以上,本文将主要依据个体与时间双向固定的SDM模型的结果展开分析。

Table 3
表3
表3中国省域林业生产技术效率条件

β

收敛的回归结果
Table 3Regression results of China’s provincial forestry production technology efficiency conditional β convergence

变量	（1）普通面板		（2）SDM模型		（3）SLM模型		（4）SEM模型
变量	系数	t值	系数	z值	系数	z值	系数	z值
lnPTE	-0.253***	-7.75	-0.281***	-8.92	-0.254***	-7.99	-0.256***	-8.05
lnPGDP	0.251	1.46	0.194	1.39	0.256**	1.98	0.262**	2.06
lnFDI	0.008	1.61	0.012***	3.44	0.008**	2.39	0.009***	2.56
TEC	-5.804***	-3.01	-7.120***	-4.72	-5.849***	-4.10	-6.212***	-4.26
lnINC	0.153*	1.77	0.126**	1.68	0.157**	2.06	0.159**	2.11
INST	0.376**	2.36	0.341**	1.94	0.378**	2.19	0.394**	2.27
EDU	-0.001	-0.72	-0.001	-1.00	-0.001	-0.77	-0.001	-0.86
VAL	-0.047	-0.23	-0.156	-0.79	-0.060	-0.31	-0.097	-0.49
C	-1.725**	-2.12
W×lnPTE			-0.194**	-2.19
W×lnPGDP			0.444	1.36
W×lnFDI			0.036***	3.99
W×TEC			-12.903***	-3.53
W×lnINC			0.058	0.28
W×INST			0.510	1.31
W×EDU			-0.005*	-1.76
W×VAL			-1.085**	-2.32
$ρ 或 τ$			-0.157**	-1.85	-0.073	-0.90	-0.123	-1.38
R²	0.336		0.457		0.406		0.416
logL			212.174		197.018		197.575
Wald_spatial_lag			13.560**
LR_spatial_lag			14.290**
Wald_spatial_error			14.450*
LR_spatial_error			14.160**
收敛率^(a)	0.021		0.024		0.021		0.021
半生命周期/年	33.268		29.416		33.116		32.816

注：（a）根据β可算出收敛率

λ

λ = - ln (1 + β) T

,本文中T=14;进而可计算半生命周期（即各省份达到稳态水平所需的平均时间）t_life,

t life = ln (2) λ

。

新窗口打开|下载CSV

（1）中国林业生产技术效率的收敛性特征首先,模型（1）中,lnPTE的回归系数

β

为负数,且通过1%水平下的显著性检验,说明在考虑省份间经济发展水平等方面异质性的前提下,中国林业PTE存在显著的条件

β

收敛趋势。这意味着中国林业PTE的发展趋势向好,低水平省份往往比高水平省份拥有更高的增长率,也就是说林业PTE低水平省份具有较明显的“后发优势”,随着时间的推移,各省份的林业PTE倾向于逐渐收敛至各自稳态水平,不过这一状态在短时间内还难以实现 (5通过计算半生命周期可知,按照目前的发展趋势,各省份的林业PTE收敛至稳态水平所需的平均时间大约为33年。有必要说明的是：这是根据2004—2018年各省份林业PTE的发展趋势而得出的一种统计推断;未来发展趋势与样本观测期内的发展趋势不可能完全相同,因此半生命周期会相应延长或缩短。)。其次,在模型（2）中,lnPTE的回归系数

β

仍为负数,且通过了1%水平下的显著性检验,说明在模型（1）的基础上,进一步纳入空间因素后,中国林业PTE的条件

β

收敛趋势依然存在。空间因素的纳入考虑到了相邻或相近省份彼此之间存在的交流与联系,使得林业PTE条件

β

收敛检验模型的设定更加贴近现实情况,因此收敛结果也更加可靠。对比来看,模型（3）、（4）中,lnPTE的回归系数

β

也都在1%水平下显著为负数,这在一定程度上表明在纳入空间因素后,中国林业PTE的条件

β

收敛趋势不仅存在,而且具有良好的稳健性。再次,在模型（2）中,W×lnPTE的系数以及空间滞后系数

ρ

都为负数,且均通过了5%水平下的显著性检验,说明林业PTE具有空间负向溢出效应。这意味着中国省份间的林业发展可能存在一定的“各自为政”与“过度竞争”现象,这是本文的重要发现之一。其可能原因是,由于目前中国林业资金来源主要以公共财政支出为主,“GDP锦标赛”在一定程度上激励了地方政府在争取国家资金支持上的竞争以及实施地方保护主义等行为。中国林业发展的空间依赖与空间规模效应还未形成,若周围某一省份提升了林业产业能级,会产生较强的“虹吸效应”,对本省的林业生产要素市场和商品市场造成双重冲击,进而会对本省的林业PTE提升产生负向影响,导致了邻近省份间林业PTE的空间挤出。最后,通过对比模型（1）、（2）中lnPTE的回归系数

β

（-0.253>-0.281）可知,模型（2）中

β

值更小,因此收敛率更高（0.021<0.024）、半生命周期更短（33.268年>29.416年）。这说明在纳入空间因素后,中国林业PTE的条件

β

收敛趋势明显加快,低水平省份追赶上高水平省份所需的平均时间缩短了约4年,即空间因素表现为加速中国林业PTE收敛的作用。可能的原因是,由于相邻或相近省份林业PTE具有一定的“位势差”,且在某些方面具有共缘性与相似性,从林业发展的内外部环境来看,邻近林业PTE较高省份在发展模式、体制机制、管理经验等方面具有“溢出效应”,可以为林业PTE较低省份起到一定的示范作用,这有利于林业PTE低水平省份整合资源,促使自身“后发优势”得以发挥,从而加快了收敛率,缩短了收敛周期。（2）控制变量的回归结果从模型（2）控制变量的回归结果可以看出：①lnPGDP的回归系数为正,未通过显著性检验,说明其推动林业PTE向高值收敛的作用尚不明显。可能的原因是,政府对林业的投资大多具有公益性,不以追求经济效益为首要目标,这可能导致政府林业投资对林业PTE的影响存在滞后性;而且目前中国林业产权制度还不完善,投融资机制缺乏活力,社会资本进入林业比较困难。②lnFDI的回归系数在1%水平下显著为正,说明由外商直接投资带来的先进管理经验以及更大范围内进行的资源配置,提升了林业PTE,推动林业PTE向较高稳态水平收敛。③TEC的回归系数在1%水平下显著为负,说明其对林业PTE提升有一定的负向作用,不利于中国林业PTE向较高稳态水平收敛。可能的原因是,技术市场环境对林业绿色技术创新水平提高的作用微弱^[29];对于林业技术供给难以满足林业经济与生态等多重效益产出于一体的需求,加之技术推广率较低等原因,许多技术成为了无效供给^[15]。④lnINC的回归系数在5%水平下显著为正。这是因为提高林业收入水平,既能够激发西北林区等低收入地区职工工作的积极性,也可以维持林业职工队伍的稳定性与结构的合理性,这有利于促进林业PTE的提升,进而推动林业PTE向高值收敛。⑤INST的回归系数在5%水平下显著为正,说明林业第三产业产值占比的提高对林业PTE的提升及向高值收敛具有促进作用。这一结果与预期相符,以林业生产服务、休闲与旅游服务以及生态服务等为代表的林业第三产业相较于林业第一、二产业具有投资小、见效快、风险低、附加值高等优势,因此因地制宜地提高林业第三产业比重是未来林业发展的重要方向。⑥EDU的回归系数为负数,但并未通过显著性检验。可能的原因是,较高素质的林业人才往往被林业发展较好的地区所吸引,这在一定程度上出现了不同省份、林区间林业人才供给过剩与供给不足并存现象,即林业人才未实现有效配置,导致在总体层面上人力资本对林业PTE的作用微弱。⑦VAL的回归系数为负数,未通过显著性检验,说明森林病虫鼠害对林业PTE的影响较小,这可能与森林病虫鼠害防治水平的不断提高有关,2004—2018年,我国森林病虫鼠害防治率从2004年的68%提升到2018年的78%。

3.3 林业生产技术效率收敛性的分异特征

上文探究了全国层面上林业PTE的条件

β

收敛特征,但在不同林区、不同时段林业PTE的收敛性有何具体表现尚不明晰,对此需展开进一步讨论。鉴于双向固定效应的SDM模型具有良好的适用性,因此继续据此分析林业PTE条件

β

收敛的时空分异特征。

3.3.1 分林区的林业生产技术效率收敛性检验

考虑到不同林区在自然禀赋、地理区位、林业发展侧重点等方面各有不同,需要分林区探究林业PTE条件

β

收敛的差异,若在林区内部存在收敛趋势,则称之为“俱乐部收敛”。回归结果如表4所示。

Table 4
表4
表4分林区的林业生产技术效率条件

β

收敛的回归结果
Table 4Regression results of the forestry production technology efficiency conditional β convergence in the five major forest regions

变量	东北林区		西南林区		南方林区		华北林区		西北林区
变量	系数	z值	系数	z值	系数	z值	系数	z值	系数	z值
lnPTE	-0.535***	-2.58	-0.453***	-2.68	-0.351***	-5.24	-0.638**	-8.01	-0.417***	-4.13
lnPGDP	-3.880**	-2.17	0.381	0.64	-0.218	-0.86	-0.396	-1.38	1.402**	2.04
lnFDI	-0.131***	-4.75	0.035***	5.02	0.012**	1.87	0.030***	4.49	0.031***	3.13
TEC	18.046	0.38	5.827	0.69	-8.708*	-1.79	-23.798***	-5.89	1.750	0.30
lnINC	-0.822	-0.93	0.106	0.54	-0.026	-0.25	-0.330*	-1.7	0.060	0.30
INST	14.286***	7.88	1.844***	3.44	1.014***	3.19	0.267	0.83	-0.797	-1.14
EDU	0.005	0.44	0.005**	2.42	-0.008***	-3.44	0.001	0.01	-0.005	-0.97
VAL	0.109	0.09	0.357	0.08	-0.429	-0.87	-2.280***	-4.65	0.397	1.38
W×lnPTE	-0.421	-1.01	-0.643***	-3.20	-0.353**	-2.45	-0.537**	-2.29	-0.216	-1.05
$ρ$	-0.494***	-2.95	-0.693***	-6.95	-0.172	-1.34	-0.350***	-2.36	-0.624***	-4.95
R²	0.518		0.441		0.813		0.550		0.532
logL	60.890		52.321		148.293		78.360		56.921
收敛率	0.055		0.043		0.031		0.073		0.039

注：限于篇幅,回归结果省略了SDM模型中控制变量与空间权重矩阵的交互效应的回归系数,下同。

新窗口打开|下载CSV

从表4可以看出,总体而言,五大林区lnPTE的回归系数

β

都为负数,且均通过了1%水平下的显著性检验。这说明在分林区视角下,五大林区林业PTE的条件

β

收敛趋势依然是存在的。就收敛率而言,与全国总体的收敛率0.024相比,五大林区的收敛率普遍更高,这是由于在同一林区内部,各省份林业PTE差距相对较小,而且彼此之间地理位置相近、自然禀赋和文化背景相似,在林业产业转移、资金流动、管理经验的传播等方面更加直接和便捷,更有利于林业PTE低水平省份受到高水平省份的辐射和带动,从而各林区收敛率比全国平均水平更高。

横向对比来看,五大林区之间收敛率具有明显差异。总体呈现华北、东北、西南、西北、南方林区依次递减的格局。华北林区以0.073的收敛率位居第一,林业PTE较高的南方林区却以0.031的收敛率位居末位,其收敛率不仅不及华北林区的1/2,而且低于西北林区的收敛率0.039。可能的原因是,华北、西北林区内部各省份在林业发展方向上具有更多的一致性,华北林区地处北方农牧交错带前缘的生态过渡区,西北林区是中国主要的风沙策源区和灾害严重区,两大林区的生态系统都极为脆弱,因此“京津冀生态协同圈”“北方防沙带”^⑦(⑦ 《林业发展“十三五”规划》明确提出了“一圈三区五带”的林业发展新格局,其中一圈即“京津冀生态协同圈”,范围包括北京、天津、河北三省市全部,以及山西东部、内蒙古中段南部、辽宁西南部、山东西北部,五带中包含“北方防沙带”,范围包括新疆、甘肃、宁夏、内蒙古、辽宁、吉林等部分地区及新疆生产建设兵团有关团场。)等林业产业布局都体现了以增加林草植被、维护生态安全、提高生态承载力为主要目标,有效促进了华北、西北林区内各省份林业PTE的均衡发展,因此华北、西北林区收敛率较高。但其受自然禀赋、发展条件、发展需求的限制,林业PTE普遍不高,表现为低水平收敛的趋势。南方林区是中国森林资源富集区,林业PTE整体水平较高,但内部各省份之间仍存在一定差距。例如,2004—2018年浙江、福建和广东等沿海省份的林业PTE均值分别为1.420、1.186和1.052,但湖北、湖南和江西等内陆省份的均值分别为0.341、0.354和0.433,造成这种差距的原因可能与沿海地区林业优势产业集群已成规模、林业对外开放程度较高以及适宜的气候更有利于发展森林生态旅游等林业第三产业相关,这些因素在短时间内很难发生扭转,因此南方林区低水平省份追赶上高水平省份所需的时间更长,造成其林业PTE收敛率较低。可见,林业PTE的收敛率高低是自然禀赋、发展条件、发展需求、国家支持以及地理区位、对外开放程度等众多因素共同作用的结果。

与全国层面一样,五大林区W×lnPTE的系数以及空间滞后系数

ρ

都为负数,大部分系数都通过了1%、5%水平下的显著性检验,说明五大林区内林业PTE也表现为空间负向溢出效应,且与全国层面相比,负向溢出效应强度更大,意味着在同一林区内部各省份之间的相互竞争关系更强烈。总之,无论是在全国层面还是在林区层面,林业PTE的空间收敛性同时受两方面的影响：一方面,是林业PTE本身的空间负向溢出效应,这可能由各省份间林业发展的过度竞争而产生,它会促使林业PTE的空间相关性强度不断下降,导致省份之间林业PTE逐渐具有发散趋势;另一方面,是由于相邻或相近省份林业PTE具有一定的“位势差”,且地缘相接、地域一体,林业PTE较高省份在发展模式、体制机制等方面为林业PTE较低省份起到了一定的示范作用,这有利于低水平省份“后发优势”的发挥,从而促进林业PTE效率提升,使得省份间林业PTE逐渐具有收敛趋势。全国、林区层面上林业PTE空间收敛性的存在,说明目前空间正向溢出效应居于主导地位。因此,重构各省份间林业发展的竞争关系、进一步增强省份之间的交流与联系是提高中国林业PTE收敛率的有效途径。

3.3.2 分时段的林业生产技术效率收敛性检验

考虑到在不同时段,生态文明建设力度的不同以及林业发展内外部环境有所差异可能对林业PTE的收敛性产生影响,因此有必要分时段探究林业PTE条件

β

收敛的特征。由上文可以看出,2011年是林业PTE的重要转折点,因此以2011年为节点,将2004—2018年分为两个子时期展开讨论,回归结果如表5所示。

Table 5
表5
表5分时段林业生产技术效率条件

β

收敛的回归结果
Table 5Regression results of time-phased forestry production technology efficiency conditional β convergence

变量	2004—2011年		2012—2018年
变量	系数	z值	系数	z值
lnPTE	-0.365***	-6.54	-0.546***	-10.27
lnPGDP	-0.551**	-2.23	0.644***	2.83
lnFDI	0.004	0.71	0.012***	3.02
TEC	5.611	1.16	-7.734***	-2.91
lnINC	0.324**	2.41	0.158*	1.76
INST	0.344	1.17	1.147***	5.05
EDU	-0.005*	-1.89	0.003	1.46
VAL	0.071	0.27	-0.005	-0.02
W×lnPTE	-0.212	-1.20	-0.683***	-4.73
$ρ$	-0.122	-0.97	-0.635***	9.84
R²	0.440		0.371
logL	115.711		169.346
收敛率	0.032		0.056

新窗口打开|下载CSV

（1）分时段林业生产技术效率的收敛性特征

从表5中可以看出,2004—2011年、2012—2018年两个子时期内lnPTE的回归系数

β

都为负数,均通过了1%水平下的显著性检验。这说明在分时段视角下,中国林业PTE的条件

β

收敛趋势也是存在的。从两个时期对比来看,有两个发现：

首先,2012—2018年相比2004—2011年的收敛率更高（0.032<0.056）。可能的原因是,2012—2018年生态文明建设力度有所加大,国家对林业发展的重视提升到了新的高度,对林业投资逐年增加,林业产业结构加速调整,天然林保护、退耕还林、防护林体系建设、湿地治理与修复、防风固沙、石漠化治理、自然保护区和国家公园建设等一系列重大工程稳步推进,上述重大工程的实施促进了林业的区域均衡发展,进而有利于林业PTE收敛率的提升。

其次,2012—2018年林业PTE的空间负向溢出效应更强,W×lnPTE与

ρ

在2004—2011年、2012—2018年都为负数,但仅在2012—2018年间通过了1%水平下的显著性检验。可能的原因在于,2004—2011年间林业发展主要受自然因素的主导,且相邻或相近省份之间的交流与联系较少,各省份间林业发展处于相对分割的状态,所以林业PTE的空间溢出效应并不显著;2012—2018年,随着林业信息化发展及交通基础设施的完善,相邻或相近省份之间的交流与联系日益增多,林业发展受生产要素流动、商品市场竞争等非自然因素的影响逐渐增大,省份间林业发展的过度竞争关系开始逐渐显现,导致林业PTE的空间负向溢出效应显著。

（2）分时段控制变量的回归结果

在不同时段,林业发展的内外部环境必然有所差异,其对林业PTE的影响是否存在不同?对此进行探究能够加深对林业发展的认识,找寻出进一步提升林业PTE的政策空间。①lnPGDP对林业PTE在前后两个时期作用方向相反,在2004—2011年为负数,在2012—2018年为正数,且均通过了1%水平下的显著性检验。可能的原因是,相比2004—2011年,2012—2018年生态文明建设力度持续加大,林业体制机制更加灵活,林业资源的保护与开发逐渐规范;同时人们对优美生态环境的需要日益迫切,各地区也因地制宜地推进森林旅游、康养等林业第三产业,这都有利于推动林业PTE的提升以及向较高水平收敛。②TEC在2004—2011年为正数,但不显著,在2012—2018年为负数,并通过了1%水平下的显著性检验,说明技术市场环境在2012—2018年不利于林业PTE的提升,对林业PTE向较高水平收敛具有显著负向影响。可能的原因是,2012—2018年国家更加重视创新的引领作用,技术市场更加活跃,但为林业提供的部分技术仍未充分发挥作用,因此未来林业技术要实现从“增量”到“提质”的转变。③lnFDI、INST在2004—2011年、2012—2018年都为正数,但仅在2012—2018年通过了1%水平下的显著性检验,说明两大因素在后一时期对林业PTE的作用力度更强。这不难理解,相比2004—2011年,2012—2018年在引进外资规模、质量以及林业第三产业体量方面都有明显提升,这都有利于提高林业生产要素配置效率,进而促进林业PTE的提升及向较高水平收敛。④lnINC、EDU对林业PTE的影响力度在2012—2018年比2004—2011年有所减小,但lnINC表现为正向作用的减弱,EDU表现为负向作用的消失。其中,lnINC的前后变化符合效用理论,随着职工工资水平的不断提高,每增加一单位的工资其对职工的激励作用会逐渐减弱。EDU的显著负向影响已经消失,但目前促进作用还不显著,这表明2012—2018年林业人才的配置正在趋于合理,这可能与部分省份人才引进政策有关。⑤VAL在两个时期都不显著,说明在前后两个时期,森林病虫鼠害对林业PTE的影响均不强,这与全时段的检验结果相一致,在前后两个时期,森林病虫鼠害平均防治率分别为67%和70%。

4 结论与政策启示

4.1 结论

本文基于超效率SBM模型测算了全国30个省（市、区）2004—2018年的林业PTE,进而在考虑各省份间异质性与空间因素的前提下,构建了空间条件

β

收敛检验模型,对林业PTE的收敛性及其时空分异特征展开了探究。得出了以下结论：

（1）2004—2018年,中国林业PTE均值为0.516,尚存在较大的提升空间。林业PTE经历了“保持平稳—明显下降—缓慢抬升”的过程。总体来看,2018年相比2004年林业PTE下降了12.27%。林区层面上,林业PTE水平从高到低依次是西南、南方、东北、华北、西北林区;省份层面上,差距同样明显。同一林区内省份间差距小于不同林区的省份间差距。

（2）从全国层面来看,中国林业PTE具有显著的条件

β

收敛趋势,即林业PTE低水平省份具有较高的增长率,而高水平省份具有较低的增长率。各省份林业发展在一定程度上存在“各自为政”与“过度竞争”的现象,但由于地区经济发展水平、林业对外开放程度等因素的空间正向溢出效应居于主导地位,所以空间因素依然表现出加速收敛的作用。林业对外开放程度、林业产业结构、林业系统职工收入水平等因素对林业PTE的提升具有促进作用,进而推动其向高值收敛,而技术市场环境对林业PTE的提升具有抑制作用。

（3）中国省域林业PTE具有“俱乐部收敛”现象。受地理位置、自然禀赋等因素的影响,五大林区的收敛率普遍高于全国平均水平。五大林区之间,华北林区收敛率最高,东北、西南、西北林区紧随其后,南方林区的收敛率最低。林区内部各省份间林业PTE的空间负向溢出效应较全国层面更强。从2004—2011年、2012—2018年两个子时期来看,条件

β

收敛趋势也是存在的,后一时期相比前一时期的收敛率更高,林业PTE的空间负向溢出效应更明显。与2004—2011年相比,经济发展水平、对外开放程度、林业产业结构、林业系统人力资本水平在2012—2018年更有利于促进林业PTE的提升及向高值收敛,林业系统职工收入水平对其的促进作用则有所减弱,而技术市场环境对其产生了显著负向影响。

4.2 政策启示

上述研究结论揭示了中国省域林业PTE的时空演变、收敛趋势及其分异特征,能够为制定林业PTE的提升策略提供启示,具体如下：

（1）完善体制机制,促进林业生产技术效率整体提升。加强全国林业发展政策的顶层设计,深化林权制度改革,采取拍卖、转让、承包、租赁等多种形式放活林业经营权,调动社会各界力量参与林业建设,促进非公有制林业经济发展。适时在林业领域推广政府与社会资本合作（PPP）模式,充分挖掘林业公共项目的可经营性,以项目合理的投资收益,吸引更多社会资本投入林业公共项目建设和运营。推动林业资源管理水平提升与林业要素投入增长同步,打通“两山”双转化通道,积极探索林业生态产品的价值实现路径。

（2）明确区域定位,逐步消除“各自为政”与“过度竞争”的现象。党的十九大报告明确提出要“实施区域协调发展战略,建立更加有效的区域协调发展新机制”。在生态文明新时代,由于林业生态系统不可切割、林业生态效应不分疆域,任何一个林区都必须在全国生态系统中,对外明晰自己的“生态位”,对内重构本区域的林业“生态平衡”,在平衡、稳定、协调、和谐的经济社会秩序中促进区域之间的林业发展协作,通过建立纵向和横向相结合的林业生态补偿机制,逐步消除“各自为政”与“过度竞争”的现象。进而实现林业生态空间山清水秀（自然态）、林业生产空间集约高效（经济态）、林业生活空间宜居适度（民生态）和林业生命空间和谐美丽（健康态）。

（3）优化发展环境,因地制宜制定林业发展措施。各地要全面贯彻新发展理念,瞄准基本建成美丽中国的战略目标,坚持创新引领作用,以林业供给侧结构性改革为主抓手,以思维创新提升林业发展潜力,以要素创新提升林业发展活力,以制度创新提升林业治理能力。提高林业高新技术成果的转化与推广利用率,增强对林业发展的优质技术供给能力;持续发挥林业外商投资、产业结构调整对林业PTE提升的促进作用;进一步优化林业人才等资源配置,形成独具特色的区域林业产业布局;推动经济高质量绿色发展,提高人们的收入水平,为森林旅游、康养、绿色产品消费等林业第三产业提供强大的市场基础。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

潘丹, 陈寰, 孔凡斌. 1949年以来中国林业政策的演进特征及其规律研究: 基于283个涉林规范性文件文本的量化分析
[J]. 中国农村经济, 2019, (7):89-108.