中國農業效率測度及其影響因素分析
——基于區域差異的視角

吳鳴然, 趙 敏

(1.河海大學商學院,江蘇 南京 211100; 2.江蘇省科技體制改革思想庫,江蘇 南京 210098)

中國農業效率測度及其影響因素分析
——基于區域差異的視角

吳鳴然1,2, 趙 敏1,2

(1.河海大學商學院,江蘇 南京 211100; 2.江蘇省科技體制改革思想庫,江蘇 南京 210098)

首先運用SEDEA模型和中國省際面板數據,計算2010—2014年中國七大區域31個省(自治區、直轄市)的農業效率,然后使用Tobit模型分析影響農業效率的因素。研究結果表明:2010—2014年間中國不同區域的農業效率在時間序列上表現得較為平穩,在橫截面上表現出較大的差異;在總體上,效率由高到低的區域為東北、華東、西南、中南、華南、華北 、西北;在影響因素中,經濟條件、產業結構和教育水平都對區域農業效率呈現正面影響,面源污染對農業效率呈現負面影響。因此,為提升區域的農業效率,政府不僅需要增強區域經濟實力,提高農村居民人均收入,而且要大力發展職業教育,增強農民的就業能力,還要重視面源污染對農業效率的負面影響,促進農業安全、高效、綠色發展。

區域農業效率;SEDEA模型；Tobit模型;時空差異;影響因素

農業作為國民經濟基礎,在維護國家糧食安全、保障經濟增長、穩定社會秩序等方面起著不可或缺的作用。改革開放以來,中國農業快速發展,取得了巨大成就。但是,中國農業一直走的是“高消耗、高污染”的粗放型發展道路,農業在高速發展的同時也付出了沉重的資源環境代價。當前農業生態系統破壞嚴重,水、耕地資源日趨緊張,農業粗放發展模式難以為繼,亟待轉型。轉變農業發展方式,提高農業效率,加快推進農業生產由粗放型向集約型轉變,成為新常態下農業發展的內在要求。

1 研究綜述

農業效率的核心思想在于農業生產以最小的資源投入和環境代價,獲得最大的經濟、社會以及生態價值。隨著農業粗放式發展帶來的問題愈加突出以及政府對“三農”問題的日益重視,學術界對農業效率的關注度也逐漸增多。近年來學者們從不同的角度對農業效率進行了研究,并取得了豐碩的成果。①農業經營方式與農業效率的關系。梁義成等[1]通過對非農兼業戶和純農戶的對比,討論了非農參與對農業效率的影響。②農業發展與資源環境協調程度與農業效率的關系。閔銳等[2]從“兩型”視角研究了我國糧食生產技術效率的空間分異;曾福生等[3]從化肥施用量、有效灌溉面積和糧食播種面積等角度考察了糧食生產效率。③農業勞動力與農業效率的關系。王子成[4]研究了勞動力外出對農業效率的影響;彭代彥等[5]測算了勞動力結構變化對農業效率的影響;林本喜等[6]探討了農業勞動力老齡化對農業效率影響。④農業技術與農業效率的關系。常向陽等[7]利用結構方程模型實證分析了農業技術擴散動力及渠道運行對農業生產效率的影響。⑤從綜合視角研究農業效率的影響因素。焦源[8]從經濟效益、社會效益和生態效益角度選取分析指標,利用三階段DEA模型測度區域農業生產綜合效率、純技術效率和規模效率。

以上研究的角度、方法與觀點對本文有啟發價值,但存在一定的改進空間。首先,有些文獻只檢測了不同區域的效率差異,沒有更進一步分析效率的影響因素。其次,有些文獻采用傳統DEA方法,造成很多區域同處于效率前沿,以至于無法進一步比較和排序。最后,有些文獻采用傳統的區域劃分法,將全國劃分為“東中西”三大板塊來討論農業效率,這種劃分有合理性,然而,由于中國幅員遼闊,各區域自然條件狀況、經濟發展水平迥異,以東中西三大板塊測算農業效率,造成了區域間差異過大。再者,只分“東中西”的區域分析,難以辨別微觀區域單元的效率表現,因為區域內部各主體間也存在效率參差不齊的現象。鑒于此,筆者依據區域自然環境以及經濟發展狀況,采用經典的七大區域劃分法,并通過構建SEDEA-Tobit模型,測算2010—2014年中國各省(自治區、直轄市)在橫截面和時間序列上可比較的農業效率,并對影響效率的因素進行實證分析,找出提高農業效率的方式。

2 中國農業效率測算及分析

2.1 農業效率測度模型——SEDEA模型

數據包絡分析(Data Envelopment Analysis,簡稱DEA)是Chames等[9]于1978年提出的,它是評價“多投入、多產出”模式下決策單元間的相對有效性的一種較為理想的方法。

當前使用較多的數據包絡模型為BCC模型,該模型將各決策單元(Decision Making Units,簡稱DMU)分為有效和無效兩類:若DMU的效率值為1,則被認定為有效;若小于1,則被認定為無效。具體的BCC模型構造如下[10]:設有n個同類型具有多輸入多產出的決策單元DMU,對每個DMUj(j=1,2,…,n)均有m項輸入及p項產出,分別由輸入向量xj=(x1j,x2j,…,xmj)T和輸出向量yj=(y1j,y2j,…，ypj)T來表示,則第j0個DMU的效率評價模型為:

maxhj0=μTy0

(1)

式中:hj0為第j個決策單元的效率指數;x0、y0為第j0個決策單元DMU的輸入、輸出變量;輸入權重ω=(ω1,ω2,…,ωj)T,輸出權重μ=(μ1,μ2,…,μj)T。

根據線性規劃的對偶理論,可得到如下規劃問題模型:

(2)

然而,經典BCC模型在實際應用中可能會產生多個DMU同處生產前沿面(即效率值均為1)的情況,這就給進一步比較分析和排序帶來了困難。SEDEA(Super Efficiency Dada Envelopment Analysis)模型是在BCC模型的基礎上改良得到,由Andersen等[11]于1993年提出,它可以讓有效DMU的效率值大于1,從而可以進一步對各決策單元進行評價和比較。具體的SEDEA模型構造如下:

(3)

圖1 規模報酬不變的SEDEA模型

SEDEA模型的基本思路是:在評估決策單元時,將該決策單元本身排除在決策單元的集合之外,并且使該決策單元的投入和產出為其他所有決策單元投入和產出的線性組合代替。一個有效的決策單元可以使其投入按比例增加,而其效率可保持不變,其投入增加比例即其超效率評價值。為了更清楚地說明其原理,本文以圖1進行分析[12]:在計算決策單元B的效率值時,將其排除在原本最佳前沿決策集(ABCD)之外,此時ACD就變成了新的有效生產前沿面,線段BB1表示B點的投入量仍可增加的幅度,此時B點的超效率評測值為OB1/OB>1。此外,A、C、D等點的超效率值仍然可以按照相同的邏輯推理出來,且均大于1。

2.2 變量界定和數據整理

農業生產是一個多投入多產出的復合生產系統,因此對其效率的考察也應全面考慮與之相關的多種投入產出。借鑒以往國內外對于農業生產效率的研究,考慮數據口徑一致性等重要條件,本文選取的變量指標皆為關系農業生產的大農業口徑統計數據,具體見表1。

表1 農業生產投入產出指標體系

本文對樣本數據分析選取的時間為2010—2014年,主要數據來源于2011—2015年的《中國統計年鑒》。Cooper等[13]在2001曾通過研究得出,DEA在算法上決策單元的數量需要滿足條件n≥max{ms, 3(m+s)}來保證結果的準確性,其中n表示決策單元的個數(即DMU的數量);m和s分別代表投入和產出的變量個數。本文符合此條件。

2.3 農業效率的SEDEA實證分析

本文使用EMS(Version 1.3)進行模型的運算,通過計算得出2010—2014年中國七大區域,共31個省(自治區、直轄市)的農業效率,結果見表2。

由表2可知,2010—2014年中國整體農業效率均值為0.992,這是一個較為理想的數字,它說明中國農業效率整體水平在過去幾年內已經接近于生產前沿面。從時間序列的角度來看,中國農業效率在2010—2014年間每年都有平穩的小幅上升,且從2012年開始,就達到了“有效”的狀態。這得益于在過去的幾年內,中國政府每年對“三農”的投資、扶持力度都屢創新高。需要指出的是,根據“十三五”規劃中繼續強化農業基礎地位的要求,“十三五”期間中央還將以大力發展農業、推進農業現代化為“三農”工作重點,不斷增加農業投入,完善現代農業經營體系、生產體系和產業體系,改進農業經營方式、生產方式、資源利用方式和管理方式,由此,中國農業效率還將有很大的上升空間。

表2 2010—2014年各省市分區域農業效率測算結果

注:未將港澳臺區域作為研究樣本。

從橫截面的角度看,中國農業效率表現出了較大的區域不平衡。在區域效率均值比較中,呈現東北(1.334)>華東(1.204)>西南(0.958)>中南(0.921)>華南(0.91)>華北(0.836)>西北(0.773)的態勢。由此可見,效率值存在兩個“斷檔”,第一個斷檔存在于東北、華東和其他區域之間。這兩個區域的農業效率值較其他區域較高,整體上拉高了全國平均值。除這兩個區域之外,其他區域農業效率值均沒有達到有效的層面,且低于全國平均水平。第二個斷檔存在于華北、西北和其他區域之間。這兩個區域的農業效率較其他區域落后較大,以至于在全國整體的比較中呈現出“凹陷”的情形。本文嘗試從區域自然環境條件和發展現狀去解釋這一點。

a. 東北、華東區域作為中國農業發展的“領頭羊”,有明顯的自然區位優勢以及政治經濟背景。東北區域自然條件、地理位置優越,東北平原沃野千里,適合大規模機械化耕作,現代化農業發展程度高,是我國最重要的糧倉。華東區域經濟發達,產業結構合理,城鎮化水平較高,科學技術也較為先進,適合農業的現代化經營和產業化發展。此外,該區域農業的很大一部分是都市農業、休閑農業、觀光農業等高附加值的現代化農業,這決定了該區域農業產值較大,這在某種程度上也提升了區域效率值。

b. 西南、中南、華南區域的農業效率處于中等層面,表現較為平穩。這些區域在地勢上以平原、丘陵地形為主,光照充足,熱量、水分條件十分優越,利于農業生產和多樣化經營,且農業歷史悠久、勞動力充足,農業經營模式以精耕細作為主,這些條件有利于農業發展。然而,相較于東北和華東區域,這些區域山地、丘陵比重較大,平原面積比重較小,不利于大規模機械化生產,且易受長江流域自然災害的影響。比如,近年來長江中下游頻繁的夏季暴雨和伏旱天氣,南部沿海的臺風災害等,都會對這些區域的農業效率產生不利影響。因此,在農業效率的比較中，西南、中南、華南區域落后于東北和華東區域。

c. 華北、西北區域農業效率較低。這些區域在地形上以高原、盆地為主,耕地較少且分布零散,土壤也較為貧瘠,有機質少,在氣候上干旱少雨,再加上市場發育不完善,科技、交通落后,雖然政府一直加大對這些區域扶持力度,但仍難以彌補先天的缺陷,因此這些區域農業資源配置效率較低。

總之,中國農業發展效率存在嚴重的區域不平衡現象,提高效率的手段不能是“一刀切”,而應該讓不同區域在明確自身優勢和不足的基礎上選擇有針對性的改進措施,充分發揮不同因素對農業技術效率提升作用,進而提高農業效率。

3 農業效率影響因素的計量分析

3.1 農業效率影響因素分析模型——Tobit模型

運用SEDEA模型得出中國各地區的農業效率值后,筆者進一步對農業效率的影響因素進行分析。由于因變量大于0,具有被切割或截斷的特點,如果直接采用最小二乘法,會給參數估計帶來偏差和不一致。因此為了避免估計偏誤,采用受限因變量模型,也就是Tobit模型來估計。標準Tobit模型如下:

(4)

3.2 變量界定和數據整理

在農業效率的測算中,以農業的基本投入產出為變量進行分析。為了進一步分析農業效率的影響因素,以表2中測算的農業效率為被解釋變量,選取這些可能影響農業效率的指標(見表3),從新的視角全面分析影響中國農業效率的各種可控因素。由于這些變量均為時間序列數據,因此數據的平穩性至關重要。在回歸前首先對GP、COD兩項指標取對數處理,其目的一是為了消除與其他變量在數值上的巨大差異,進行指數平滑,降低或者消除異方差;二是變量取對數使回歸后的系數具有彈性的概念,可以表示變化率。此外,數據的考察期限依舊為2010—2014年,包含我國31個省(自治區、直轄市)5年內共155個樣本單元,基礎數據來自2011—2015年《中國統計年鑒》。

表3 變量說明

在變量選取中,經濟條件和產業結構代表著區域農業發展水平以及產業結構中農業比重的高低,這是表1中區域農業投入變量重要影響因素;面源污染程度與表1中“化肥施用量”相對應,主要考察區域農業發展與生態環境的協調程度;教育水平某種程度上代表著農民職業技能水平以及區域科技水平,主要考察科技對農業效率的作用。

3.3 回歸模型的建立

效率影響因素的分析將基于Tobit模型展開,據此,本文對于各省市區的農業效率與各影響因素之間的模型關系可以具體表達如下:

EFFit=β0+β1GRit+β2lnGPit+β3PIit+

β4lnCODit+β5EDUit+εit

(5)

式中:EFFit表示農業效率值;等式右邊為該省市區農業效率各個影響因素,其中βi(i=0,1,2,…)表示待定系數,εit為隨機誤差項,i表示區域編號,t表示年份。

3.4 結果分析

通過 Eviews7.2 采用極大似然估計程序處理 Tobit 模型刪尾數據,并對上述面板數據進行回歸,結果見表4。

a. 經濟條件對區域農業效率有正面影響。

表4 Tobit回歸結果

Tobit模型的估計結果表明:經濟條件變量下的兩個指標區域生產總值占全國生產總值的比重(%)和農村居民人均可支配收入(元/人)均與區域農業效率呈正相關,且分別通過顯著性水平為5%和1%的顯著性檢驗。前者表現的是區域的經濟實力,后者表現區域農村居民的收入情況。從系數上來看,GR的系數(2.607 6)要遠大于lnGP的系數(0.495 568),說明區域的經濟實力相較農村居民收入對農業效率影響更大。因此,政府要著力改善民生,提升農村居民收入水平,以及加大對欠發達區域農業生產補助的傾斜力度,發揮財政投資的帶動效應;還要推進農業基礎設施建設,提升區域農業的經營管理水平,緩解區域間發展不平衡。此外,更重要的一點是,針對不同區域特點政府應該采取不同方式,即:對于農業發達區域,效率提升空間有限,應通過技術創新或引進提升效率的最佳前沿面;對于農業不發達區域,應加大財政支農的力度,努力提升現有的資源配置效率,實現效率提升。

b. 產業結構對區域農業效率具有正面影響。產業結構變量的p值為0.031 3,通過了5%的顯著性檢驗。具體而言,當第一產業產值占區域生產總值比重提升1個百分點,區域農業效率提升0.850 005個百分點。對此,可能的解釋是,如果一個區域農業在該區域的經濟比重中所占的比重越高,則農業的地位越突出,政府就越重視農業發展,更愿意增加投入,從而使農業效率更高。需要指出的是,農業作為國民經濟中最重要的產業部門,是其他產業發展的先決條件,無論在產業結構中農業所占比重或大或小,每一個區域都應該重視農業的基礎地位,尤其是在農業資源短缺、開發過度、污染加重的當下,保障農產品有效供給和質量安全、提升農業可持續發展能力,是政府義不容辭的責任。

c. 面源污染對農業效率具有負面作用。該變量系數為-0.059 48,表示農業面源污染的增大會降低農業效率。p值為0.043 3,通過5%水平的顯著性檢驗。面源污染水平往往代表農業生產過程中化肥、農藥等化學品的使用量。化學品的使用一方面有助于農業產量的提升以及農業產值的增長,但另一方面所造成的面源污染又會對一個區域的生產總值以及福利水平造成損害。因此,農藥、化肥等化學品使用的后果往往取決于這兩者正負效應的對比。從本文的結果來看,面源污染與農業效率呈現負面關系,這說明中國農業發展的環境代價已十分沉重。政府應該從源頭上加強農業生態治理,一方面大力推廣生物有機肥、低毒低殘留農藥的使用,減少面源污染,另一方面完善保護環境的政策法規,加大對違規行為處罰力度,讓違規者付出高額經濟代價,并且建立“退出”機制,剝奪污染者的農業生產經營權。

d. 區域教育水平對農業效率呈現正相關性。該變量系數為1.504 6,表明區域教育水平對農業效率影響比較明顯。p值為0.002 1,通過1%水平的顯著性檢驗。對此變量本文嘗試從三方面來解釋:①教育水平的高低代表勞動力素質的高低。高素質的勞動力,尤其是掌握一定專業文化知識和科學技術的勞動力,是提高農業效率的重要影響因素。②在某種程度上,區域教育水平與經濟發展水平、居民收入水平有很強的一致性。本文已經證實這兩者均與農業效率呈正相關關系。③區域教育水平可能還與區域科學技術水平成正比,而科學技術水平的提高能夠顯著影響農業效率。因此,區域教育水平越高,農業效率越高。隨著現代科學技術水平的提高和推廣,農業生產對勞動者知識與技能提出了一定的要求,政府需要重視勞動力素質的提升在農業發展中的重要作用,大力推廣農業職業教育,加強對農村區域尤其是欠發達區域職業教育和技能培訓的財政扶持力度,大力培養新型職業農民。

4 結 論

首先運用SEDEA模型分區域測算了中國2010—2014年各省(自治區、直轄市)的農業效率。結果顯示:2010—2014年間中國各省(自治區、直轄市)的均值為0.992,表現較為理想。在時間序列上中國的農業效率整體表現為“穩中有升”,但在橫截面上則表現出了較大的區域差異。總體來看,①農業效率由高到低的區域為東北、華東、西南、中南、華南、華北、西北。②不同的區域要發揮本區域的比較優勢,提升農業效率空間:農業發達區域的政府要通過創新驅動,引進新技術、新方法,提升區域農業生產可能性前沿;農業不發達區域的政府要充分發揮財政支農效應,加大財政投入,優化區域的農業資源配置水平,改善農業效率。

其次,以SEDEA模型得出中國各地區的農業效率值作為被解釋變量,運用Tobit回歸模型從區域經濟發展水平、產業結構、面源污染以及教育水平幾方面分析了農業效率的影響因素。結果表明:①經濟條件、產業結構和教育水平均對區域農業效率呈現正面影響。這說明重視農業在產業結構中的基礎地位、提升農村居民收入水平、加大對欠發達區域農業生產補助的傾斜力度,以及提高職業教育水平和提升農民就業能力,均是有效提升農業效率的重要途徑。②面源污染對農業效率呈現負面影響。這說明化學性農業物資的使用所帶來的負面效應要大于正面效應,因此發展農業要高度重視生態環境保護,堅決走綠色、健康、循環農業發展道路。

[ 1 ] 梁義成,李樹茁,李聰.非農參與對農業技術效率的影響:農戶層面的新解釋[J].軟科學,2011(5):102-107.

[ 2 ] 閔銳,李谷成.“兩型”視角下我國糧食生產技術效率的空間分異[J].經濟地理,2013(3):144-149.

[ 3 ] 曾福生,高鳴.我國糧食生產效率核算及其影響因素分析:基于SBM-Tobit模型二步法的實證研究[J].農業技術經濟,2012(7):63-70.

[ 4 ] 王子成.農村勞動力外出降低了農業效率嗎?[J].統計研究,2015(3):54-61.

[ 5 ] 彭代彥,吳翔.中國農業技術效率與全要素生產率研究:基于農村勞動力結構變化的視角[J].經濟學家,2013(9):68-76.

[ 6 ] 林本喜,鄧衡山.農業勞動力老齡化對土地利用效率影響的實證分析:基于浙江省農村固定觀察點數據[J].中國農村經濟,2012(4):15-25.

[ 7 ] 常向陽,韓園園.農業技術擴散動力及渠道運行對農業生產效率的影響研究[J].中國農村觀察,2014(4):63-70.

[ 8 ] 焦源.山東省農業生產效率評價研究[J].中國人口·資源與環境,2013,23(12):105-110.

[ 9 ] CHARNES A, COOPER W W, RHODES E. Measuring the efficiency of decision making units[J]. European Journal of Operation Research,1978(2):429-444.

[10] 李金穎,成云雪.基于超效率DEA方法的全要素能源效率分析[J].工業工程,2012(1):87-92.

[11] ANDERSEN P, PETERSEN N C. A procedure for ranking efficient units in data envelopment analysis[J]. Managements Science, 1993 (10):1261-1264.

[12] 王宏志,高峰,劉辛偉.基于超效率DEA的中國區域生態效率評價[J].環境保護與循環經濟,2010(6):64-67.

[13] COPPER W W, LI S, SEIFORD L M, et al. Sensitivity and stability analysis in DEA: some recent development[J]. Journal of Productivity Analysis, 2001, 15(3): 217-246.

江蘇省軟科學研究計劃項目(BR2016048);江蘇省軟科學研究計劃項目(BR2015046);中央高校基本科研業務費專項(2014B20114)

吳鳴然(1992—),男,博士研究生,主要從事技術經濟及管理、農業資源環境經濟研究。E-mail:wumr1992@163.com

10.3880/j.issn.1003-9511.2017.03.013

F323.5

A

1003-9511(2017)03-0063-06

2017-01-02 編輯：陳玉國)