我国对非农业援助有效性检验

　我国对非农业援助的有效性检验

　摘要：对非洲农业援助一直是我国对外援助的重点领域，但其有效性及可持续性一直存在争议。文章运用地理影响评估模型，基于2001—2017 年我国对 36 个非洲国家中的 485 个地区的农业援助项目和归一化植被指数（NDVI）数据，于我国对非农业援助的有效性进行了整体性回归分析，并加入地区固定效应进行了有效性的可持续性检验。结果表明，我国对非农业援助整体上显著提高了受援国地区的农业生产能力；并且在项目开展后的第二年开始持续稳定地提升当地农业生产能力，说明项目具有较稳定的可持续性。

　关键词：地理影响评估模型；农业援助；中非经济合作

　0 引言

　随着综合国力的不断提升，我国正从国际边缘走向世界中心，主动把握世界脉搏已成常态。对外援助作为我国经济国际化的重要途径，也为我国经济发展注入了新的发展理念。农业部门作为我国最早进行对外援助工作的领域更是这一发展理念的生动实践。农业在非洲国家的社会经济生活中占据着十分重要的地位。因此如何通过有效的援助方式促进非洲国家的农业发展，使其经济快速长期稳定地发展成了世界各国对非洲援助政策关注的主要议题[1]。目前，实施对非农业援助的有效性检验尚存一些现实难题：其一是数据的可获得性问题。由于运用传统的随机对照试验方法在数据收集方面存在较大成本，在非洲更是由于交通、文化、语言等方面的现实问题使得大面积采集农户农业资料成为一件“不可能完成”的事情；其二，因果关系识别问题。我

　国对非农业援助可能会受到其他自然条件的影响，由于双向因果关系的存在，使得最小二乘法无法准确识别自然条件对于农业援助有效性的影响；其三，农业援助可持续性问题。由于传统国际贸易研究采用的引力模型，使用最为频繁的是以国家为单位的国别数据，但此方法并不能满足对于以援助项目为单位的可持续研究。根据上述问题，本文将采用如下处理方法：（1）关于数据的获取，本文采用空间地理影响评估方法（GIE，geospa-tialimpactevaluation），此方法相对于 RCT方法具有数据可获得性高、数据收集成本低的优势；但是该方法存在较为严格的限制，首先所获取的数据必须有精确的空间地理坐标信息，并且影响的具体时间也要明确标记；其次所获得该地区的其他数据需要拥有同样地理空间信息的遥感数据[2]，满足以上两项便可采用 GIE方法。因此，本文采用 AidData 地理空间（GEOspatial）数据库的我国农业援助数据为本文的主要解释变量，采用归一化植被指数（NDVI）为被解释变量用来监测受援地区的农业生产能力情况；（2）使用动态面板系统GMM估计方法用以减小内生性，并增加回归结果的稳健性；最后，为了更为精确地评估农业援助项目的可持续性问题，本文运用相较于国家单位更为精确的地区为个体单位进行时间滞后效应的分析，用以评估农业援助项目影响地区植被生长情况的可持续性。

　1 作用机制

　根据商务部与外交部联合发布的《我国对外白皮书（2014）》，目前我国农业援助主要通过援建农业技术示范中心、派遣高级农业技术专家、开展农业管理和技术培训三种方式进行，并通过三种途径对受

　援国地区实施影响：第一，农业基础设施建设。在农业援助项目初期首先要进行基础设施建设，而受援国赠予的土地虽面积较大，在50~100 公顷不等，但通常是未经开荒的土地。而由于大量石块以及植被的覆盖，具体承办援助项目的企业前期需投入大量资金用于移除石块及植被，其后会进行打井，修建灌溉系统、修路等可以改善周边农业生产环境的基础设施建设。第二，农业从业人员能力建设。为推广我国先进农业技术并结合受援国当地的农业发展特点及需求，我国定期在国内外举行不同批次的培训。培训内容涵盖作物杂交生产技术、动植物保护技术、实施农业技术、农业机械化技术的使用等，直接给当地的农业生产带来了质的提高，不仅提高了当地农民的农业生产技术水平，而且增强了农民粮食增产的信心[3]。第三，先进农业技术品种示范推广。通过技术示范中心以及派遣高级农业技术专家于受援国，我国在受援国进行农业技术示范设计初期通常会为其带来高产农业科技，但随着身在腹地的一线人员与当地农民，技术人员的不断磨合探索，我国农业技术专家创造出既符合当地生产条件、又满足当地人口味并且可以带来高产的农业品种[4]，受到了当地农民和政府的欢迎。

　2 模型设定与变量解释

　本文采用 Dreher 等（2016）研发的对外援助地理影响评估模型（GIE），主要观测变量为我国农业援助对受援地区农业生产能力的影响及其可持续性，被解释变量为可以反映植物生长情况的归一化植被指数（NDVI），控制变量为年均降水、地区平均坡度以及地区平均海拔：主解释变量：我国农业援助。数据选取自 AidData 地理空间数据

　库，我国官方对外发展援助数据库中的农林牧渔部门，选取项目起始年份。本文共涉及 2001—2017 年,并剔除无效年份，取撒哈拉沙漠以南非洲 36 个国家共 485 个区域的我国农业援助数据，基于此，提出本文假设 1：我国农业援助数额越高的地区，植被生长情况越好即NDVI 值越高。控制变量三个：（1）地区年均降水量（precipitation）。根据 Wessels 等[6]研究，植被在其生长期间，降水量的多少会对其生长起到十分重要的作用。且通常认为降雨量越高的地区，植被的生长越好，即 NDVI 值越高。因此，提出假设 2：年均降水量更高的地区，NDVI 值越高。（2）地区平均坡度（groundslop）。根据靳长兴（1996）[7]的研究，坡度加重土壤水分的流失，因此坡度越高的地区植被生长情况越差，因此假设 3：地区平均坡度越高的地区，NDVI 值越低。

　（3）地区平均海拔（physicalelevation）。根据学者 Zhan 等（2011）[8]的研究，地区平均海拔与 NDVI 有着显著的相关关系，且在低海拔的地区植被生长状况越好，因此假设 4：海拔越低的地区 NDVI 指数越高。

　3 数据来源及统计描述

　近年来，地理编码（GEOcoding）数据在国际发展研究领域得到了越来越多的重视。世界银行已经公布了其所有投资项目的地理信息。非洲发展银行，亚洲发展银行，以及联合国发展项目以及诸多双边及多边援助机构也陆续发布相应的地理编码数据。其最大的特点是运用卫星遥感技术，准确地获得高分辨率的空间数据，从而降低了运用随机抽样方法带来的由于技术限制的误差。本文数据采用美国威廉玛丽学院 AidData 实验室的地理空间数据库（GEOspatial），根据地理边界

　的范围，该数据库分为不同的六个等级，即 ADM0—ADM5，ADM0为国家地理边界数据，ADM1 为区域边界数据，ADM2 为省级边界数据，ADM3 为市镇级边界数据，ADM4 乡边界数据为村级单位，ADM5为村级边界数据。本文运用 2001—2017 年我国对 36 个非洲国家 485个区域的援助 ADM1 地理编码数据，包含我国对该地区的农业援助、该地区的 NDVI 最大值、年均降水量、平均坡度、平均海拔。

　4 计量结果分析

　首先用图示法对影响 NDVI 的四个变量的关系进行考察，通过观察图 1 发现，我国农业援助、年均降水量、平均坡度以及平均海拔均与NDVI 呈现不同程度的正相关关系。其中，年均降水量与 NDVI 呈现出较强的正相关关系，我国农业援助其次，平均坡度以及平均海拔均有先升后降的趋势。下面利用地理编码数据对我国农业援助对 NDVI 的影响进行具体的检验。

　4.1 多重共线性检验

　本文运用 Stata11.0 对各变量进行相关性分析，检验是否存在多重共线性问题。表 2 显示，变量之间最大的系数为 0.7083，同时最大的VIF 值 1.54，远小于 10，故本文变量之间不存在多重共线性问题。

　4.2 估计结果及解释

　本文采用广义矩估计（GMM）对方程进行回归。本文模型中含有不随时间改变的解释变量 ln(slop)和 ln(eleva-tion)，因此选择系统广义矩估计（SYS-GMM）。系统 GMM 估计需要满足扰动项不相关的假设，首先对残差项进行序列相关检验：表 4 显示 AR(1)的 P 值 0.007，小于

　0.1；AR(2)的 P 值为 0.122，大于 0.1，因此残差序列存在一阶自相关而不存在二阶自相关，故可采用系统 GMM 估计。将 ln（ND-VIt-1）作为工具变量进行过度识别约束检验，Hansen 的检验结果 P 值为0.205 大于 0.1，故不存在过度识别的问题。以 ln（NDVI）为被解释变量，我国农业援助为解释变量，并加入其他控制变量，结果如表 4 所示。为了对 GMM 模型的稳健性进行评估，本文同时采用混合回归模型（OLS），固定效应模型（FE）对本文模型进行回归分析。回归结果表明，OLS 模型中变量的平均海拔这一变量与固定效应和 GMM 模型这一变量符号相反，其余变量符号均一致，此外静态模型变量的系数符号和显著性与动态模型基本一致，说明本文核心解释变量和控制变量选取合理，模型稳健。本文主要采用 SYS-GMM 估计方法，对解释变量的回归结果进行具体分析。从主体回归结果来看，首先，我国农业援助变量在 5%的水平上显著，我国农业援助每上升 1 个百分点，NDVI 将显著上升千分之 2.5 个百分点。究其原因，我国的农业援助以农业技术示范为主，并会为周边村庄定期提供种子等农业基础材料，并且以农业产量提高为主要目标，因此农业产量提高与植物生长更加茂盛存在必然的联系，该回归结果为本文的主要假设提供了佐证。其次，本文的控制变量，地区年均降水量是影响植物生长的最为关键的因素之一，在三个模型当中其均在 1%的显著水平上显著，因此年均降水量对 NDVI 有着显著的正相关关系，也可以在一定程度上说明，即便控制了年均降雨量这一对 NDVI 具有很强影响的变量，我国对非农业援助仍显著，说明我国农业援助的成效明显。再次，地区平均坡

　度在加入了滞后 1 期的 NDVI 的模型（3）中系数符号为正，但并不显著，但在静态模型的（1）、模型（2）在 1%的显著水平上为正，说明若不考虑滞后 1 期的情况下，坡度对作物的生长有显著的促进作用；但若考虑时间因素，由于坡度作为不随时间改变的变量，对作物生长的促进作用稳定但不显著。最后，地区的平均海拔在模型（2）与模型（3）中均不显著，系数符号为负，说明地区海拔越高的地方可能越不利于作物的生长，因此 NDVI 会降低。

　4.3 加入地区固定效应的时间滞后模型分析

　为了检验农业援助项目的可持续性，本文采用时间滞后的我国农业援助对于受援地区 NDVI 的影响程度，其中本文加入地区固定效应，并进行固定效应回归，由于本文仅在探索时间滞后的农业援助为NDVI 带来的影响，因此模型中不加入控制变量。模型（1）中，我国对非农业援助当期对 ND-VI 的影响在 10%的置信区间内呈负相关，即我国农业援助的第一年由于基建等设施的建设，并未达到促进当地农作物生长的目的。在模型（2）、模型（3）中，表示我国农业援助投入实施后的第一年和第二年的情况，第一年可以看到依旧为负，但是已不显著，到了第二年已经为正，但是却不显著，这是由于农业援助也在不断适应当地的气候及生长条件，需要一定的适应期，在农业援助投入的第三年，可以看到农业援助的成效已十分显著，如模型（4）中所示，固定了地区以及国家时间后的农业援助对 NDVI 在滞后第三期在 1%的置信区间上显著为正，这也印证了本文之前的假设，农业援助需要在 2~3 年的技术调试期后才可完整的对该地区进行正面的

　影响。而模型（5）即为项目运行后的第五年，农业援助项目已经通过技术测试和技术合作期，可以很好地适应当地自然条件，并进入项目可持续期。

　5 结论与建议

　本文运用 AidData 地理空间数据库，选取 2001—2017 年我国对非36个国家共485个地区的农业援助数据以及归一化植被指数（NDVI），采用系统 GMM 方法就我国农业援助有效性进行了检验，进一步讨论了加入地区固定效应的时间滞后模型，分析农业援助在同一地区的可持续性问题。所得结论主要为：（1）在样本数据期内，我国农业援助有效地提高了受援国地区的农业作物产量；（2）从加入地区固定效应的时间滞后模型方面看，我国农业援助在开始的第一年由于进行农业基础设施建设会破坏当地的植被，由第二年开始逐步提高当地农作物生产水平，第四年开始显著提高，印证了我国农业援助具有可持续性。根据上述结论，本文提出如下建议：（1）健全农业援助管理体制，提高农业援助项目效率。我国农业援助已经具有较长的实践历史，但是始终没有成立健全的农业援助管理体制机制，为“走出去”的我国农业企业提供适用非洲当地的生产投资经验，增加了承建企业及有意前往非洲国家投资的企业前期市场探索的时间成本，降低了农业援助项目的效率。（2）加大资源整合力度，增强农业援助的可持续性。我国农业援助目前面临的主要困难并非技术不适用，而是难以长期可持续地发展，单纯依靠我国政府的援助投入不符合我国目前的发展阶段，而单纯依靠受援国政府的财政支持更是显得心有余而力不足。因此，加

　大援助与其他类型对外合作资金的整合，加强公益性与商业性之间的有机结合，不仅符合我国与非洲国家自身的发展阶段特点，也可以使援助项目的效用最大化，走可持续发展路线。（3）提高对外援助的宣传工作，扩大援助项目的社会影响。大多数对外援助项目除了项目开工以及移交两次重要活动进行宣传外，其余时间节点很少出现大规模宣传的迹象，而这一行事方式降低了对于援助项目在受援国当地的社会宣传，难以造成良好的社会效应，即出现援助项目仅针对受援国政府了解，而社会认知不足的现象，在一定程度上增加了后续项目的承接难度以及降低了项目的可持续性。

　作者:陈玮冰 武晋 单位:中国农业大学 廉玛丽学院 AidData 研究实验室