中國海水養殖綜合生產效率評估研究

岳冬冬，李旭君,2，郭艷宇，張 明,2，趙 娜，吳反修，于航盛

(1. 中國水產科學研究院東海水產研究所,農業農村部遠洋與極地漁業創新重點實驗室,上海 200090; 2. 上海海洋大學經濟管理學院,上海海洋大學研究生院,上海 201306; 3. 華東理工大學材料科學與工程學院,上海 200237; 4. 全國水產技術推廣總站,中國水產學會,北京 100125)

海水養殖是中國水產養殖業的重要組成部分，同時也是保障水產品市場有效供給的重要來源。從產量規模來看，《中國漁業統計年鑒》數據顯示[1]，2018年海水養殖產量為2 031.22×104t，占中國水產養殖總產量的比重為40.70%，產業發展地位不斷提升。

中國經濟進入新常態。黨的十九大報告指出，中國經濟已由高速增長階段轉向高質量發展階段，并提出全要素生產率的概念[2]。一般而言，綜合考慮自然資源、勞動、資本之后計算得出的生產率，即為“全要素生產率”。關于生產效率評估問題，國內外學者進行了廣泛深入研究，理論和方法方面均取得重要成果，具體的測算方法包括：索羅余值法、隨機前沿分析法和數據包絡分析法等[3]，在應用范圍方面包括：工業[4]、農業[5]、旅游業[6]等領域。漁業產業綜合生產效率或全要素生產率評估方面也開展了一定的研究，包括捕撈業[7]和養殖業等領域，其中，張成等[8]研究認為2006—2012年中國29個省份水產養殖綜合技術效率平均值為0.86，總體技術效率偏低，且技術應用和規模均有一定的提升空間；邢麗榮等[9]對江蘇省水產養殖戶綜合技術效率進行了分析，認為綜合技術效率和純技術效率均有較大的提升空間。通過對海水養殖綜合生產效率測算相關文獻的分析，有兩個問題亟需進一步討論：其一，已有的文獻主要針對某個特定時間階段進行養殖業或捕撈業全要素生產率測算，也有部分學者對水產養殖業綜合生產效率進行了測算，但鮮見有對于具體年份海水養殖綜合生產效率的測算；其二，在投入產出指標選擇方面，其中產出指標大多采用海水養殖產值，在投入指標方面則主要采用養殖漁船、海水魚苗、專業從業人員、海水養殖面積等指標，上述指標在代表海水養殖產業的投入和產出特征時具有一定的局限性，例如苗種投入方面，僅考慮魚苗的投入，對于蝦類、貝類等投入則沒有納入測算范圍。基于此，本文借助數據包絡分析法，以2018年10個海水養殖省份為例，通過選擇多元化的投入指標，評估海水養殖綜合生產效率，以期為評估特定年份的海水養殖綜合生產效率提供參考。

1 研究方法、指標與數據

1.1 研究方法

1.1.1 數據包括分析法

數據包絡分析方法(data envelopment analysis，DEA)是根據多項投入指標和多項產出指標，利用線性規劃方法，對具有可比性的同類型單位進行相對有效性評價的一種數量分析方法。與參數的索羅余值法、隨機前沿生產函數法相比，數據包絡分析方法是一種數據驅使的方法，具有對樣本容量要求低、不受指標量綱影響及可以避免模型設定錯誤等特點，從而得到廣泛應用[7]。DEA模型分為CRS(constant returns to scale，CRS)模型和VRS(variable returns to scale，VRS)模型，其中CRS模型假設DMU(decision making unit，DMU)處于固定規模報酬情形下，用來衡量總效率；VRS模型假設DMU處于可變規模報酬情形下，用來衡量純技術效率和規模效率[10]。根據中國海水養殖業產業數據實際特征，本研究采用DEA方法中投入導向的、適用于規模報酬可變的VRS模型對中國海水養殖綜合生產效率進行評估。

1.1.2 主成分分析法

主成分分析(principal component analysis，PCA)是考察多個變量間相關性的一種多元統計方法，通過正交變換將一組可能存在相關性的變量轉換為一組線性不相關的變量，轉換后的這組變量叫主成分——綜合指標，綜合指標是原來多個指標的線性組合，雖然這些線性綜合指標不能直接觀測到，但這些綜合指標間互不相關，又能反映原來多指標的信息[11]。本文選取的海水養殖投入指標有11個，其中涉及養殖面積的指標包括：按水域分海水養殖面積、深水網箱養殖水體體積、工廠化養殖水體體積3個指標，根據漁業統計指標解釋，按水域分海水養殖面積指標則未包含深水網箱養殖水體體積和工廠化養殖水體體積；海水養殖苗種也包括了6個分項投入指標。為了清晰地反映海水養殖面積、海水養殖苗種的指標特征，本研究采用主成分分析法對上述2個大類指標進行降維處理，從而形成2個綜合性指標，以簡化VRS模型的投入指標數量。

1.2 指標選擇與數據來源

從全要素生產率的含義出發，應盡可能全面的分析海水養殖的投入和產出指標以進行綜合生產效率測算。為避免因價格因素的影響，選擇海水養殖產量(y)作為產出指標；在生產投入方面，選擇按水域分海水養殖面積(x1)、深水網箱養殖水體體積(x2)、工廠化養殖水體體積(x3)、海水魚苗(x4)、蝦類育苗(x5)、貝類育苗(x6)、海帶(x7)、紫菜(x8)、海參(x9)、養殖漁船(x10)和海水養殖專業從業人員(x11)作為投入指標。上述投入產出指標數據均來自《中國漁業統計年鑒》[1]。

在沿海11個省份中，由于上海未涉及海水養殖業，因此本文的研究樣本范圍為：天津、河北、遼寧、江蘇、浙江、福建、山東、廣東、廣西和海南10個沿海省份。按照漁業統計指標解釋，海水養殖投入產出指標的統計數據周期為：2018年1月1日—2018年12月31日。

1.2.3 數據處理方法

海水養殖面積綜合性指標、海水養殖苗種綜合性指標的構建采用SPSS 22.0軟件進行；海水養殖綜合生產效率的測算采用DEAP 2.1軟件進行。

2 評估結果與分析

2.1 綜合性指標構建

由于海水養殖投入指標達11個，其中海水養殖面積、海水養殖苗種分別包含多個分項指標，利用主成分分析法建立2個綜合性指標，分別為海水養殖面積綜合性指標(MJ)和海水養殖苗種綜合性指標(MZ)。根據SPSS 22.0的運行結果，海水養殖面積綜合性指標(MJ)和海水養殖苗種綜合性指標(MZ)表達式如下。

(1)

(2)

利用SPSS 22.0對海水養殖產量(y)、養殖漁船(x10)、海水養殖專業從業人員(x11)進行標準化，結果出現了“負值”，不符合VRS模型的使用條件。通過對10省份數據的分析，其中山東省各項指標均為“正值”且最大，因此，選擇以山東數據為基礎，對天津、河北、遼寧、江蘇、浙江、廣東、廣西、海南等省份投入產出指標數據進行初等行變換[13]，以消除標準化后的“負投入和負產出”指標，即“山東×2+天津、河北、遼寧、江蘇、浙江、廣東、廣西、海南”，結果如表1所示。

2.2 結果分析

DEA模型中的VRS模型對中國海水養殖綜合生產效率的測算結果可以分為綜合效率、純技術效率和規模效率。其中綜合效率是指在技術穩定情況下綜合生產效率所能達到的程度，用以分析決策單元獲得最大產出的能力，綜合效率為1的決策單元稱為DEA有效，小于1的決策單元稱為非DEA有效；純技術效率指利用現有生產技術能夠達到的產出效率，該值為1的決策單元為技術有效，小于1的決策單元為非技術有效；規模效率指產出和投入的比例是否達到最大產出，該值為1的決策單元為規模有效，小于1的決策單元為非規模有效。利用DEAP 2.1軟件對變換后海水養殖投入產出指標進行綜合生產效率評估，其中參數設置為投入導向和VRS模型，結果如表2所示。

表1 變換后的海水養殖投入產出指標Tab.1 Converted input and output indicators of marine aquaculture

表2 2018年各省份海水養殖綜合生產效率Tab.2 Overall efficiency of marine aquaculture in each province in 2018

2.2.1 總體分析

根據表2可知，在綜合效率方面，DEA有效的省份包括4個，分別是：天津、福建、廣東和廣西；低于平均水平的省份包括：遼寧、山東、浙江和海南，其中浙江的綜合效率值最低。在純技術效率方面，DEA有效的省份包括：天津、福建、廣東、廣西、山東和廣東，低于平均水平的省份有江蘇、浙江和海南，其中浙江的純技術效率值最低。在規模效率方面，DEA有效的省份包括：天津、福建、廣東和廣西，低于平均水平的省份包括：遼寧、山東、浙江和海南，其中山東的規模效率值最低。

根據表2結果，2018年沿海10個海水養殖省份中天津、福建、廣東和廣西為規模報酬不變，即海水養殖規模合理，占研究樣本對象的比例為40%。對于未處于合理規模的情況而言，其中河北、遼寧和浙江處于規模報酬遞減階段，說明養殖規模偏大；而江蘇、山東和海南則處于規模報酬遞增階段，說明養殖規模可適當擴大。

2.2.2 類型劃分

基于DEA模型中的VRS模型測算的海水養殖綜合生產效率屬于相對效率，取值范圍為：0～1，為了便于對10個沿海省份海水養殖綜合生產效率進行對比，將其綜合效率、純技術效率和規模效率分別與平均值進行比較，從而判斷不同省份相對于平均水平的相對地位，并依此劃分為4種類型，結果如表3所示。

表3 海水養殖綜合生產效率類型劃分Tab.3 Classification of overall efficiency of marine aquaculture

2.2.3 差額分析

差額分析是指針對DEA無效的決策單元，為了提高全要素投入的利用效率，從而達到DEA有效，應減少其資源要素的投入或增加產出。換言之，即在不增加投入要素的情況下，是否可進一步增加其產出；或者，在不減少產出的情況下，是否可進一步減少投入，結果如表4所示。

表4 各省份海水養殖投入要素差額分析Tab.4 Analysis of differences in input factors of marine aquaculture in each province

由表4可知，2018年天津、遼寧、福建、山東、廣東和廣西6個省份海水養殖的投入差額均為0，表明上述6個省份的投入產出配置良好，其余的4個省份在投入方面可進一步優化。在產出不變的情況下，河北、江蘇、浙江和海南在海水養殖面積綜合性指標、海水養殖苗種綜合性指標、養殖漁船、海水養殖專業從業人員等投入方面均存在差額，其中，河北海水養殖的4項投入指標可以分別減少9.95%、0.37%、1.11%和0.39%；江蘇海水養殖的4項投入指標可以分別減少7.08%、6.88%、2.29%和2.27%；浙江海水養殖的4項投入指標可以分別減少12.95%、9.46%、9.46%和9.44%；海南海水養殖的4項投入指標可以分別減少42.73%、3.62%、3.62%和3.58%。

3 主要結論與政策啟示

3.1 主要結論

利用VRS模型對2018年沿海10個省份海水養殖綜合生產效率進行了測算，具體包括綜合效率、純技術效率和規模效率，得出以下主要結論。

(1)海水養殖綜合生產效率整體水平較好。沿海10個省份海水養殖綜合生產效率的綜合效率均值為0.952，其中天津、福建、廣東和廣西的綜合效率達到1，但浙江的綜合效率值最低。與規模效率相比，純技術效率對于綜合效率的影響作用更大，其中規模效率的平均值為0.968。從規模收益階段來看，其中60%的省份未處于合理規模，說明在海水養殖規模方面有待進一步優化和調整。

(2)海水養殖綜合生產效率可以分為4種類型。海水養殖綜合生產效率測算結果的3項指標均高于平均水平的省份有5個，占比達到50%，可見海水養殖綜合生產效率整體占比處于較好的發展狀態。

(3)部分省份的投入要素規模具有一定的壓縮空間。從測算結果來看，在不增加投入要素的情況下，10個沿海省份的海水養殖產出情況良好，但在保持產出規模不變的情況下，河北、江蘇、浙江和海南4個省份的投入要素規模具有一定的壓縮空間，尤其是海水養殖面積綜合性指標、海水養殖苗種綜合性指標2種投入要素，可見，中國海水養殖的發展仍是以養殖面積和苗種投入為主要推動力。

3.2 政策啟示

提高海水養殖綜合生產效率對于實現產業結構轉型升級、促進資源要素配置具有重要意義，在上述分析討論基礎上，提出以下對策建議。

(1)優化海水養殖規模。規模效率整體拉低了海水養殖綜合效率，建議河北、遼寧和浙江壓縮海水養殖投入要素和產出，降低養殖規模，提高規模效率，從而整體提升綜合效率，其中浙江還應加強海水養殖技術創新成果的研發與應用力度，提高純技術效率，從技術和規模2個方面總體提升浙江海水養殖綜合效率；建議江蘇、山東和海南應增加海水養殖投入要素和產出，擴大養殖規模，提高規模效率，從而整體提升綜合效率。

(2)提高海水養殖技術水平。從測算結果來看，海水養殖純技術效率不低，平均水平達到0.984，但仍有一定的提升空間，建議在海水魚類養殖方面加強創新力度，借助現代化養殖技術和養殖模式，擴大名特優海水魚類養殖規模，例如通過開展大黃魚深遠海養殖[14]、金槍魚深遠海養殖、三文魚冷水團養殖等先進技術與管理模式的研發與應用，提高海水養殖技術效率。

(3)建立資源綠色應用機制。在產出規模不變的情況下，投入要素的配置也有一定的優化空間，尤其是養殖面積和養殖苗種投入，建議依據各地水域灘涂養殖規劃的內容和水產養殖綠色發展的要求，對于海水養殖水域開展“休漁”制度[15]，以休養生息，同時加強養殖苗種科技創新力度，提高苗種投入質量[16]，轉變以苗種數量投入為基礎的“放苗戰術”，形成依靠優質種苗投入的高質量發展方式，減少資源浪費，提高資源利用效率。