安徽省耕地利用效率測度及影響因素研究
——基于超效率DEA-Malmquist-Tobit模型

束晶晶，欒敬東，陶詩語

（安徽農業大學經濟管理學院，安徽合肥，230036）

耕地作為保障人類生存發展不可或缺的重要資源，在推動經濟發展、維持社會穩定、強化環境建設等方面也發揮著巨大作用[1-2]。改革開放以來，隨著社會經濟的高速發展，城鎮化、工業化進程不斷加快，耕地非農化現象愈發嚴重，同時帶來耕地資源質量的下降。因此，研究耕地利用效率的高低及生產率的變化特征，鑒別其主要影響因素，對提升耕地利用效率、保障糧食安全與農產品的有效供給具有重要的指導意義與現實價值。安徽省地處華東地區，有較為豐富的耕地資源，是我國糧食主產區之一，該區域的耕地狀況在一定程度上影響著國家的糧食安全。

目前，已有不少學者從不同研究維度對耕地利用效率進行評價。如有學者分別從國家和省際角度出發，測度研究區域內的耕地利用效率及影響因素[3-6]。從研究方法的選擇來看，一是對耕地利用效率進行測度，主要選擇DEA模型進行效率分析，如竇旺勝、陳晨等[7-8]分別采用DEA和四階段DEA測度研究區域內耕地利用效率；也有學者將DEA模型結合其他研究方法，如Malmquist指數、ESDA模型進行耕地利用效率測度，如陳俊宇、吳冬林等[9-10]分別采用超效率DEA—Malmquist指數模型、DEA-ESDA模型探究區域耕地利用效率。二是對影響因素的研究，主要采用Tobit模型，如謝花林等[11]對耕地利用效率的影響因素進行大小排序，認為耕地復種指數是影響耕地利用效率的重要因素。從研究內容上來看，主要是對耕地利用效率的區域差異分析，如江激宇等[12]認為安徽省各地市農業用地生產效率間存在明顯差異，張立新等[13]認為中國糧食主產區180個地級市耕地利用效率空間差異性顯著。

綜上可知，對耕地利用效率及影響因素的研究已成為關注的熱點，但對耕地利用效率的分析大多是基于傳統DEA進行測度，無法比較效率值為1的決策單元，且難以反映耕地利用的動態變化。基于此，本研究以安徽省16個地級市為評價單元，選取2011—2018年相關數據，通過構建投入-產出體系，運用超效率DEA-Malmquist模型對安徽省耕地利用進行效率測度和動態變化分析，同時結合Tobit模型分析安徽省耕地效率的影響因素，以期為安徽省耕地利用效率的提高提供參考依據。

一、研究方法與數據來源

（一）研究方法

1.超效率DEA模型

傳統DEA是通過計算多項投入與產出指標，比較得出各決策單元（DMU）的技術效率和規模效率，但其結論較為模糊，結果中常常會產生多個決策有效的單元，并無法對決策有效的單元進行效率值的比較和排序。在此基礎上，Andersen和Petersen[14]提出了規模報酬不變（CCR）情況下的超效率DEA模型，在模型效率評價結果中，計算得到的效率值能夠大于1，可以對DEA有效的單元比較大小。超效率DEA模型可表現為以下形式：

約束條件為：

其中，n為研究區域內決策單元個數，m、s分別為與耕地利用效率有關的投入指標與產出指標個數，λ為權系數矩陣，分別是松弛和剩余變量向量，θ為耕地利用超效率評價值。

2.Malmquist指數分析法

1953年，瑞典經濟學家Malmquist提出了用于測算生產效率變化的 Malmquist指數，此后，Fare[15]在對數據包絡模型進行優化時，將該測算理論中的非參數線性規劃與之結合，即實現全要素生產率的動態分析變化效果。將全要素生產率（TFP）解釋為技術效率變化（Effch）和技術變化（Tech）的綜合作用，而技術效率變化（Effch）又可以繼續分解為純技術效率變化（Pech）和規模效率變化（Sech）。Malmquist指數的分解如式（2）：

3.面板 Tobit模型

基于超效率DEA測算的耕地利用效率是一個大于0的受限變量，因此本文采用處理受限因變量的面板Tobit模型進行影響因素的回歸分析，Tobit模型可表現為式（3）：

式中，Y表示耕地超效率DEA值，βi表示各解釋變量的系數，Xi為各解釋變量，C為常數項，μ為隨機擾動項。

（二）數據來源及指標介紹

投入產出指標的選取，參考以往文獻對耕地利用效率采用技術效率這一概念[16]，即采用既定投入成本下的最佳產出，或者定量產出下的最優投入來反映耕地利用過程中資源配置的合理程度。考慮到指標的代表性和可獲取性，投入選取農業從業人數（X1）、農作物播種面積（X2）分別表示在耕地利用過程中的勞動力和土地投入，選取農業機械總動力（X4）和化肥施用量（X3）表示資本的投入；產出選取農業總產值（Y1）和糧食產量（Y2）分別表示耕地利用產生的社會、經濟效益（見表1）。

表1 安徽省耕地利用效率評價指標體系

研究所需數據來自2012—2019年《安徽省統計年鑒》。為了消除價格因素的影響，以2011年為基期，對受價格變動影響的產值數據進行平減，確保數據的可比性。

二、安徽省耕地資源利用效率分析

（一）超效率DEA分析

基于超效率DEA模型，運用DEA-SOLVER PRO 5.0軟件對安徽省2011—2018年的耕地利用效率進行分析，結果見表2。

表2 2011—2018年安徽省耕地利用超效率DEA值

由表2可知，安徽省2011—2018年耕地利用超效率均值在1.034～1.084間，說明耕地利用全都達到DEA有效，但省內各地級市的效率值卻存在較大差異。具體看來，耕地利用超效率平均值大于1的城市有10個，其中排名前四的地級市分別是黃山市、亳州市、淮南市和馬鞍山市，超效率值分別為1.383、1.280、1.224和 1.103，均大于 1.1，表明對于這四個城市，按同比增加38.3%、28%、22.4%和10.3%的投入，仍能保持相對有效。在DEA均值未達有效的區域中，宣城市在2011—2018年耕地利用效率呈上升趨勢，并于2018年達到DEA有效，經分析，宣城市的農作物播種面積處于緩慢遞減狀態，而機械動力呈現不斷上升趨勢，其效率的提升主要受技術效率作用的影響。淮北市、池州市、蚌埠市、宿州市和銅陵市耕地利用水平處于相對較低水平，可能有以下兩方面的原因：一是先進技術的投入不足，如農用機械和配方施肥等，忽略技術在耕地利用過程中的重要作用；二是存在資源配置不合理的問題，如資本投入與生產規模不匹配等。

（二）Malmquist指數及其分解

為了進一步分析安徽省不同時期耕地全要素生產率的變化情況，使用DEAP2.1軟件分別對安徽省總體及各地級市進行耕地Malmquist指數分析。

1.安徽省耕地全要素生產率動態分析

由表3可知，2011—2018年安徽省的耕地全要素生產率均值為1.037，大于1，年平均增長率為3.7%，整體增長速度較快。將耕地全要素生產率分解來看，技術進步的變化趨勢與其一致，整個研究期內由技術進步帶來的生產率增長為3.7%，表明安徽省耕地利用率的增長主要受技術進步的影響，如農業機械的使用、種業技術的改進、現代科技的使用等帶來了生產率的提高。具體來看，安徽省耕地全要素生產率在2011—2018年總體呈上升趨勢，僅在2015—2016年小于1，經分析，耕地全要素生產率的下降可能是由于在2015年安徽省極端天氣頻發，多次強降水導致農業生產受到影響，使耕地全要素生產率下降。

表3 2011—2018年安徽省耕地全要素生產率變化及其分解

2.安徽省各地級市耕地全要素生產率動態分析

通過對安徽省整體耕地全要素生產率進行分析可以從時間序列上比較全面地了解耕地全要素生產率的變化趨勢，但是無法觀測到各地級市耕地利用技術的變動情況。將安徽省16個地級市耕地全要素生產率分開進行測度，得出結果如表4所示。

表4 2011—2018年安徽省各地級市耕地全要素生產率變化及其分解

從各地級市來看，大部分地區的耕地全要素生產率大于1，表明耕地利用能力在逐步提高。在耕地全要素生產率增長的城市中，宿州市的技術效率值為0.998，呈降低態勢，技術進步值為1.043，對耕地全要素生產率的促進作用大于技術效率的抑制作用。進一步分析發現，技術效率降低是因為規模技術效率降低，說明當地在耕地利用方面存在投入冗余問題，應當調整現有生產規模；池州市的技術效率值為0.996，呈降低態勢，技術進步值為1.038，表明池州市耕地全要素生產率的增長主要受技術進步的正向影響，而技術效率的降低是因為純技術效率降低，說明當地在耕地利用技術的采納、推廣等方面存在一定的薄弱現象；阜陽市和安慶市的耕地全要素生產率出現下跌，經分析主要是因為技術進步緩慢。

三、安徽省耕地利用效率影響因素分析

（一）影響因素選取

本文通過總結與分析已有文獻，考慮耕地利用效率受區域自然條件、社會發展水平、科技先進程度和耕地資源稟賦等多重因素影響，選取以下指標：人均GDP（元/人）（X1）、復種指數（X2）、灌溉指數（X3）、單位耕地面積機械總動力（千瓦/公頃）（X4）、農業勞動力人均耕地面積（公頃/人）（X5）、農民人均純收入（元）（X6）作為相應的解釋變量，同期各地級市的耕地利用超效率值（Y）作為被解釋變量。選取2011—2018年安徽省的面板數據，應用stata 14.0軟件對其進行Tobit回歸。

（二）回歸結果分析

由表5可知，人均GDP（X1）、復種指數（X2）、單位耕地面積機械總動力（X4）、農民人均純收入（X6）對耕地利用效率影響顯著。按系數絕對值排序為：復種指數（X2）＞單位面積機械總動力（X4）＞農民人均純收入（X6）＞人均GDP（X1），而灌溉指數與農業勞動力人均耕地面積沒有通過顯著性檢驗。

表5 Tobit回歸結果

1.人均GDP（X1）對耕地利用效率的影響是負向的，且通過了1%水平的顯著性檢驗。人均GDP表示區域內經濟發展水平，隨著經濟的向好發展，大量農業勞動力可能向第二、三產業轉移，導致從事農業生產的勞動力不足，耕地利用率下降。

2.復種指數（X2）對耕地利用效率的影響是正向的，且通過了10%水平的顯著性檢驗。復種指數越高，表明區域自然條件越優越，如良好的光照條件、平坦的地形地貌等，因此，在一定程度內提高耕地復種指數有利于提高耕地利用效率。

3.單位耕地面積機械總動力（X4）對耕地利用效率的影響是負向的，且通過了10%水平的顯著性檢驗。單位耕地面積機械總動力表明區域農業機械投入水平，安徽省農業機械總動力從2011年的5 657萬千瓦上升到2018年的6 544萬千瓦，但是由于皖中、皖南地形的多樣化，導致機械利用率低，存在農業機械投入冗余，導致耕地利用率下降。

4.農民人均純收入（X6）對耕地利用效率的影響是正向的，且通過了5%水平的顯著性檢驗。農民人均純收入的增加提高了農民從事農業勞動的積極性，從而提高耕地利用率。

5.灌溉指數（X3）和農業勞動力人均耕地面積（X5）對耕地利用效率影響不顯著，說明灌溉設施和耕地資源稟賦并不是限制耕地利用效率的主要因素，究其原因，可能是近年來安徽省各地積極開展土地流轉，形成規模化經營，以及對農業基礎設施的大量投入都為農業的現代化發展提供了良好條件。

四、結論與建議

（一）結論

一是2011—2018年安徽省16個地級市耕地利用超效率均值為1.051，說明安徽省的耕地利用水平相對較高。但是仍有個別地區的耕地利用效率處于DEA無效狀態，存在較大的投入冗余，例如淮南市、六安市、銅陵市等，各地區之間的耕地利用效率發展也存在較大差異，發展不平衡。

二是2011—2018年安徽省耕地利用全要素生產率年平均增長3.7%，整體增長速度較快，其中技術進步是促進全要素生產率增長的主要因素。

三是2011—2018年安徽省16個地級市中，14個地級市的耕地全要素生產率得到了不同幅度的上升，其中宣城市、黃山市和銅陵市的年平均增長率較高，分別為5.1%、4.5%和4.4%，主要是因為技術進步的上升促進了生產率的提高。

四是影響因素方面，人均GDP、復種指數、單位耕地面積機械總動力、農民人均純收入對耕地利用效率產生影響。按系數絕對值排序為復種指數＞單位耕地面積機械總動力＞農民人均純收入＞人均GDP。

（二）建議

一是適度加大耕地利用強度，提升復種指數。在農業生產自然條件優越的地區積極引導農民返鄉就業，提高農民從事農業生產的積極性，同時發展適度規模經營，促進土地的流轉，減少耕地資源的浪費。

二是加大財政支農力度，提高農民人均純收入。在農業生產過程中，一方面應加大農業科研經費的投入，積極攻破農業科學難關和技術瓶頸；另一方面大力培養農業專業型人才，吸引高層次人才回鄉從事農業生產，不斷推廣測土配方施肥、農作物生物防治等農業生產新技術，提高耕地的生產能力。

三是因地制宜制定耕地保護策略，保證耕地質量。各地區耕地利用效率以及各區域內耕地的質量、數量等自然條件有較大差異，需因地制宜制定耕地保護策略，遵循當地農業生產規律，科學合理安排作物種植，實現耕地利用效率的優化提升。

四是加強農業基礎設施建設，改善農業生產條件。強化農田水利設施建設，發展農業基礎設施，如灌溉、防旱、排澇等的一體化構建，積極推進高標準農田建設，提高農業生產抵御自然災害的能力。