中俄薯類作物生產技術效率比較研究*

袁連升，劉海東，韓冰

(吉林工程技術師范學院經濟貿易學院，長春市，130052)

0 引言

中俄兩國農業合作由來已久，具有深厚的合作基礎。盡管兩國國情不同，但都面臨著不同程度的糧食安全問題，在農業生產方面擁有良好的合作條件[1-2]。一方面，中俄兩國互為最大的鄰國，具有地緣優勢[3]，另一方面，在農業生產技術、耕地資源等方面擁有互補優勢[4-5]。

因此，研究中俄兩國農業生產的技術效率，比較主要農作物的技術與管理水平，將會對兩國的農業合作提供有價值的參考數據。由于薯類作物在中俄兩國都廣為種植，且產量較大。因此，本文選擇薯類作物作為分析對象，比較兩國農作物生產的技術效率與生產管理水平。

在農業生產技術效率測算方面，主要有隨機前沿分析技術(SFA)和數據包絡分析方法(DEA)[6]。由于DEA方法具有客觀、可行等特點，被廣泛應用于農業生產效率評價[7]。然而，影響農業生產效率的因素眾多，且具有不確定性，DEA方法不能去除隨機誤差因素帶來的振動，因此，在進行農業生產效率評價時，學者們開始采用三階段DEA模型[8]。很多學者運用此方法對我國農業生產效率進行了深入分析[9-11]。在運用三階段DEA評價方法時，關于投入變量和產出產量容易理解或爭議不大，產出變量一般設為農業產值[12]，投入變量設為勞動力、農業機械、化肥、灌溉投入指標等[13]。但環境變量的選取差別較大，環境變量有選取宏觀經濟環境、農業政策、人力資源、城鎮化率[14]、農業信息服務[15]、自然災害發生率[16]等。

從前期研究成果來看，在利用三階段DEA測算農業生產效率時，沒有學者把土地質量作為效率評價的環境變量，而土地質量顯然對農業生產效率有重要影響。在沒有考慮土地質量的情況下測算農業生產技術效率，勢必存在較大的測量誤差，從而不能正確評價農業生產技術效率。因此，本文擬將土地質量作為環境變量，對農業生產技術效率進行評價，分析土地質量變量對農業生產的技術效率、純技術效率和規模效率的影響，以提高研究結論的穩健性，并為農業生產管理和農業技術創新提供可參考的研究結論。

1 研究方法與數據說明

1.1 方法介紹

本文利用三階段DEA模型和秩和檢測方法對中俄薯類的生產技術效率進行分析比較。三階段DEA模型是由Fried等[8]提出的一種能夠更有效地評估DMU效率的方法，此方法的突出特點是能夠消除隨機誤差(外部變量、非經營因素)對效率的影響，使測算出的效率指標更真實地反映決策單元的管理水平[17]。具體介紹如下。

1) 第一階段：傳統的DEA模型(BCC模型)。傳統的DEA模型(BCC模型)，可以評價多投入多產出情況下的決策單元間的相對有效性。鑒于傳統DEA模型應用已經非常成熟，在此不再介紹其基本原理及表達公式。由BCC模型測算出的效率值即為技術效率值，還可以分解為規模效率與純技術效率的乘積。

2) 第二階段：隨機前沿分析(SFA)模型。Fried等[8]認為，第一階段DEA分析出的效率值受管理效率、環境因素和隨機因素影響，而傳統的DEA模型并沒有區分三種因素，因而導致效率值無法反映管理因素、環境因素或隨機干擾造成的影響[18]。在第二階段通過隨機前沿分析(SFA)模型可以分析三個因素造成的影響，剔除環境變量，得出僅由管理效率造成的投入冗余值。在投入導向模型中，SFA方程表示如式(1)所示。

Sij=fi(zj;βi)+vij+uij

i=1,2,…,m；j=1,2,…,n

(1)

式中：Sij——第j個決策單元第i項投入的冗余變量；

zj——可觀測的環境變量；

βi——環境變量的待估參數；

fi(zj；βi)——環境變量對投入冗余值sij的影響；

vij——隨機干擾；

uij——管理無效率。

利用SFA模型的回歸結果對決策單元的投入項進行修正，對環境較好的決策單元增加投入，以剔除環境因素或隨機因素的影響。修正后的投入量如式(2)所示。

(2)

Xij——調整前的投入變量；

[maxj(zjβ)-zjβ]——將所有決策單元調整至相同的環境；

[maxj(vij)-vij]——將全部決策單元的隨機誤差調整為相同情況，以使每個決策單元處在相同的經營環境。

具體原理步驟如下：首先，將這n1+n2個數據混合在一起，并按照從小到大的依次順序排列，每個實驗值在序列中的次序叫做該值的秩；然后，將第一組數據的秩相加，記為R1，稱為第一組數據的秩和。同樣也可以得到第二組數據的秩和R2。如果兩組數據沒有顯著的差異，則R1就應該較小。對于給定的顯著性水平α和n1、n2可以查出R1的上限值T2、下限值T1。如果R1>T2或R1

1.2 投入產出指標、環境變量與數據說明

1.2.1 投入產出指標選取

要測算中國各個省份和俄羅斯各個州之間薯類的生產技術效率，需要確定薯類生產的產出和投入指標，考慮到數據的可得性及其兩個國家投入產出的可比性，本文選取了一個產出和三個投入。其中，產出指標為薯類作物的總產量，三個投入指標分別為薯類作物的播種面積、化肥施用量和機械動力量。中國機械動力的單位為萬kW，俄羅斯機械動力單位為馬力，為了數據的可比性，本文將俄羅斯的機械動力數折算成以萬kW為單位。所有的指標都為2017年官方統計數據，其中，中國的數據來源于中國統計年鑒(2018)，俄羅斯方面數據來源于俄羅斯聯邦統計局。

首先將中國的31個省份和俄羅斯79個州的合并混合數據，利用一階段DEA階段的BCC模型，對技術效率(TE)、純技術效率(PTE)、規模效率(SE)三個技術效率指標進行測算。其次，將中國31個省份的效率值作為其中一個樣本，將俄羅斯79個州的效率值作為另外一個樣本，利用兩個獨立樣本分別運用秩和檢驗和獨立樣本的t檢驗方法，對中國和俄羅斯薯類作物的生產技術效率之間差異進行顯著性檢驗。

各投入變量與產出變量需要符合同向性假設，即當投入增加時，產出應該增加。利用Pearson相關性檢驗進行檢測，測得中俄薯類作物投入與產出變量的相關系數如表1所示，薯類作物總產量與作物播種面積、作物化肥施用量和作物機械動力量的相關系數分別為0.616、0.931和0.826，且顯著性水平均小于0.05，通過了顯著性檢驗，說明投入與產出指標選取符合同向性假設。

表1 薯類作物投入與產出變量的Pearson相關系數Tab. 1 Potato crops Pearson correlation coefficient between input and output variables

1.2.2 環境變量的選取及說明

環境變量一般應選取對農業生產產生影響且不在樣本主觀可控范圍內的可觀測變量，包括國家宏觀經濟環境、農業政策、人口因素、土地質量等[19]。土地質量顯然影響農業生產的產出水平，土地質量高一般作物的產量也會高，土地質量低作物的產量自然也會低。本文以中俄兩國2017年的薯類產品單位面積產量作為土地質量變量，測算該環境變量對兩國薯類作物生產技術效率的影響。

2 中俄薯類作物生產技術效率分析

2.1 不考慮土地質量時的技術效率指標分析

2.1.1 技術效率測算

利用DEAP2.1軟件對中國31個省和俄羅斯79個州的薯類作物生產效率水平和規模報酬狀態進行分析，測得所有地區的技術效率、純技術效率、規模效率及規模報酬狀況。由于所有地區有110個之多，出于版面的考慮，不再將各地區的效率值測算結果列示，求得中俄兩國薯類作物三個效率平均值如表2所示。

表2 一階段DEA薯類生產技術效率均值測算結果Tab. 2 Calculation results of average technical efficiency of potato production in the first stage DEA

在表2中，“俄羅斯”、“中國”和“所有地區”的薯類生產數據分別為：俄羅斯79個州、中國31個省和上述所有地區匯總的技術效率平均值和規模報酬個數。可以看出：第一，技術效率結果顯示，所有地區的技術效率平均值為0.534，說明所有地區的效率水平較低，并且俄羅斯技術效率的平均值為0.682，遠高于中國的技術效率平均值0.156；第二，純技術效率結果顯示，所有地區的純技術效率平均值為0.620，說明所有地區的管理水平較低，并且俄羅斯純技術效率的平均值為0.749，遠高于中國的純技術效率平均值0.293，說明俄羅斯薯類種植業的管理水平更好；第三，規模效率結果顯示，所有地區的規模效率平均值為0.882，表明所有地區的規模效率水平比前兩個效率指標更好，并且俄羅斯規模效率的平均值為0.922，與中國的規模效率平均值0.779相比，相差不大；第四，由于技術效率等于純技效率和規模效率的乘積，而規模效率的差距不大，因此其技術效率的差距主要來源于其純技術效率的差距，說明中國在薯類種植業的管理水平有待提高；第五，規模報酬的測算結果顯示，在所有的110個地區中，規模報酬不變、遞減和遞增的地區個數分別為25、14和71個，規模報酬遞增的地區占64.6%，說明總體上來看，兩國薯類種植的規模偏小。而俄羅斯和中國地區的規模報酬情況有顯著的差異，其中俄羅斯規模報酬遞增的州占大多數，中國規模報酬不變的省份居多，這說明了俄羅斯的薯類規模偏低，而中國的薯類種植規模適當。

2.1.2 秩和檢驗

為了檢驗中俄兩國在薯類作物生產中三個效率指標是否存在差異，本文利用SPSS14.0軟件對三個效率指標進行了秩和檢驗，檢驗結果如表3所示。

表3 一階段DEA中俄薯類秩和檢驗Tab. 3 Rank sum test of Chinese and Russian potato in one stage DEA

在表3中，中國的薯類作物生產數據為31個省，俄羅斯的薯類作物生產數據為79個州。從表3中可以看出：第一，從技術效率的測算結果來看，中國的秩平均值為16，小于俄羅斯的71，說明在排序中，中國的各個省份均位居前列，技術效率更高；曼—惠特尼U檢驗統計值為0.000，對應的P值為0.000，在5%的顯著性水平下拒絕了“兩國的技術效率水平相同”的原假設，也證明了兩國在技術效率上有顯著差異；第二，從純技術效率的測算結果來看，中國的秩平均值為24.13，小于俄羅斯的67.81，說明與俄羅斯的各個州相比，中國各個省份的技術效率值從整體上的順序更加靠前；曼—惠特尼U檢驗統計值為252，對應的P值為0.000，同樣證明了兩個國家在純技術水平下有顯著差異；第三，從規模效率的測算結果來看，中國的秩平均值為62.76，大于俄羅斯的52.85，中國各地區的規模效率略遜一籌；曼—惠特尼U檢驗統計值為1 499.5，對應的P值為0.134，說明兩國在規模效率上沒有差異；第四，結合表2可知，兩個國家薯類種植都呈現出規模報酬遞增的現象，說明兩個國家的薯類種植規模偏小。

2.2 經土地質量調整的技術效率比較分析

以上一階段DEA技術測算結果沒有考慮到各個地區土地質量對測算結果的影響，因此，可能會導致測算結果存在著誤差。本文為了驗證一階段測算結果的穩健性，將各地區的土地單產作為衡量土地質量的指標，以土地質量作為環境變量，對兩個國家的薯類生產進行了三階段DEA的技術效率測算，以便控制土地質量不同對測算結果的影響。其中，三階段DEA測算過程中的第二階段SFA模型回歸結果如表4所示。

表4 薯類生產技術效率的二階段SFA模型回歸結果Tab. 4 Regression results of two-stage SFA model for the technical efficiency of potato production

進一步考察各環境因素，即糧食單產對三種投入松弛變量，即薯類作物播種面積剩余變量、化肥施用量剩余變量和機械動力量剩余變量的回歸系數。由于環境變量是對各投入松弛變量的回歸，所以當回歸系數為負時，表示增加環境變量值有利于減少各投入松弛量，即有利于減少各投入變量的浪費；反之，當回歸系數為正時,則表示增加環境變量將會增加投入松弛量，從而導致各投入變量的浪費[20]。下面闡述環境變量對三種投入松弛變量的影響。

表4中顯示了分別以播種面積、化肥投入量及農業機械動力量的三種投入要素的冗余量為被解釋變量，對常數項及薯類單產進行回歸的結果。從表4中可以看出，在回歸方程中，薯類單產系數均在10%、5%和1%的顯著性水平下通過了變量顯著性檢驗，且系數為負。這表明，薯類單產的提升對三種投入松馳變量都是有利的。薯類單產的提升，確實能夠實現對薯類播種面積、化肥施用量和機械動力量的有較配置，從而提升生產效率。

在表4的基礎上，本文對三種投入的數量進行了修正，并且利用修正過后的投入數量重新進行了效率的測算，得到了經過土地質量調整的技術效率指標的三階段DEA的測算結果，并進一步測算，得到了的效率指標均值結果，如表5所示。

表5 三階段DEA薯類生產技術效率均值測算結果Tab. 5 Calculation results of average technical efficiency of potato production in the third stage DEA

從5表可以看出：第一，經土地質量調整后的技術效率結果顯示，所有地區的平均值為0.232，比未調整時的效率要低。此時，中國技術效率的平均值為0.351，高于俄羅斯的技術效率平均值0.185；第二，純技術效率結果顯示，所有地區的純技術效率平均值為0.740，中國和俄羅斯純技術效率相關不大，說明兩個國家在薯類種植生產過程中的管理水平較為接近；第三，規模效率結果顯示，中國規模效率值明顯高于俄羅斯；第四，從兩個國家各地區的規模報酬來看，經調整后的兩個國家地區的規模報酬也都表現為規模報酬遞增，同樣說明了各個省份和各個州的薯類種植規模偏小的結論。但是由于俄羅斯的規模效率值明顯小于中國的規模效率值，所以可以認為俄羅斯相對于中國的種植規模更加捉襟見肘；第五，從表2和表5數據對比來看，表2中在未經過土地質量調整之前的技術效率值顯示出，俄羅斯約為中國的三倍左右，而在經過調整后的表5中，變化為中國的技術效率水平略高于俄羅斯。從而可以揭示出，俄羅斯種植薯類土地的質量水平要遠高于中國的土地。

同樣地，為了檢驗三階段DEA測算的各個效率指標在中俄兩國之間是否存在顯著性差異，本文對三個效率指標進行了秩和檢驗，檢驗結果如表6所示。

表6 三階段DEA中俄薯類秩和檢驗Tab. 6 Rank sum test of Chinese and Russian potato in three-stage DEA

從表6中可以看出，技術效率，純技術效率和規模效率三個效率指數的秩和檢驗的曼—惠特尼U檢驗統計值分別為1 661、246.5和1 767，對應的P值分別為0.004、0.000和0.000，均在5%的顯著性水平下拒絕了“兩國種植薯類的技術效率水平相同”的原假設，說明在不考慮土地質量影響的情況下，中俄兩國薯類生產中的三個效率指標有顯著差異。根據效率平均值的結果來看，中國的技術效率和規模效率更優于俄羅斯，而純技術效率略差，考慮到表5中兩個國家均為規模報酬遞增的情況，中俄兩國的薯類種植具備進一步提升的空間。

3 結論

本文利用2017年的中國和俄羅斯各個地區的薯類作物生產的年產量，以及種植面積，化肥使用數量和兩個國家的機械動力量等相關數據，分別運用一階段DEA和三階段DEA的方法，對兩個國家的薯類作物生產的技術效率性進行了測算，并且在測算結果的基礎上利用秩和檢驗的方法對兩國的薯類作物技術效率的差異進行了顯著性檢驗，得出了以下主要結論。

1) 一階段DEA測算結果顯示，俄羅斯薯類作物生產的技術效率、純技術效率和規模效率分別為0.682、0.749和0.922，高于中國的0.156、0.239和0.779，P值分別為0.000、0.000和0.134，規模效率差異性并不顯著。在去除各個地區土地質量影響之后的三階段DEA技術效率測算結果顯示，中俄兩國薯類生產中的三個指標之間存在顯著性的差異，中國薯類作物生產技術效率(0.351)和規模效率(0.512)高于俄羅斯的技術效率(0.185)和規模效率(0.229)，而純技術效率俄羅斯(0.773)比中國(0.656)略高一些。通過比較可以發現，土地質量影響著兩國農業生產的技術效率評價結果。在比較分析中可以看出，在去除土地質量影響因素后兩國薯類作物生產技術效率發生了顯著變化，俄羅斯的土地質量優于中國，而中國的農業生產技術效率又優于俄羅斯。這也說明中俄兩國加強農業生產技術、生產管理等方面的合作，發揮各自資源優勢，具有一定的客觀性和合理性。

2) 在一階段DEA評價中，規模報酬測算結果顯示所有的110個地區中，規模報酬遞增的地區占64.6%，說明兩國薯類種植規模偏小。中國規模報酬遞增為6個，俄羅斯規模報酬遞增為65個，說明俄羅斯薯類種植規模更低一些；在三階段DEA評價中，同樣顯示兩國薯類作物存在規模報酬遞增效率，中國規模報酬遞增有29個地區，俄羅斯規模報酬遞增為78個地區。結合前邊的分析結論，進一步說明發揮中國在農業生產方面的經營管理優勢，加強中俄兩國農業合作，將會提高農業生產的產出水平，也將為兩國及世界人民創造更多的福祉。