江蘇省農業全要素生產率提升路徑研究

董旭 孟祥瑞

摘要 目的：測算江蘇省農業全要素生產率，為轉變江蘇省農業發展方式，促進江蘇省農業高質量發展提供理論依據。方法：主要選取江蘇全省13個市的第一產業就業人數、農業總播種面積、農業機械總動力、農村用實際施用化肥量、農村用電量、農林牧業總產值6個指標；通過測算DEA—BCC模型中綜合效率、純技術效率、規模效率、規模報酬4個指標；通過DEA—Malmquist模型測算江蘇全省13個市2011—2020年農業全要素生產率，并對全要素生產率進一步分解，測算出技術效率指數、技術進步指數、純技術效率指數、規模效率指數，以此探究江蘇省農業全要素生產率提升路徑。結果：江蘇省13個城市農業資源得到應用，農業全要素生產率穩步提高，但各城市區域之間存在農業發展不均衡現象。結論：針對研究結果，給出了針對蘇北、蘇中、蘇南農業發展的建議，為相關決策和研究提供參考。

關鍵詞 全要素生產率；農業；江蘇省；DEA—BCC模型；DEA—Malmquist模型

中圖分類號 F323 文獻標識碼 A

文章編號 1007-7731（2023）14-0179-08

農業全要素生產率是衡量農業高質量發展的重要指標，農業的增長主要來自農業生產要素的增加和全要素生產率的提升[1]。中國作為一個農業大國，進一步推動農業全要素生產率的提高，是加快農業產業轉型，促進現代化農業發展的必然選擇[2]。全要素生產率是分析經濟增長的重要工具，是國家制定長期政策的重要數據指標。全要素生產率通過對各種經濟增長因素的分析，來確定經濟增長的可持續性，是評價長期可持續政策的基礎。

我國全要素生產率的研究主要集中在全要素生產率測算、綠色全要素生產率和全要素生產率影響因素等方面。很多學者對我國全要素生產率測算方面進行了研究，比如，徐永慧和鄧宏圖[3]在重構投入產出數據的基礎上，對城市綠色全要素生產率變化進行重新測算，從規模效應和產業選擇視角對城市綠色全要素生產率的時空特征和增長機制進行經濟解釋。程永生等[4]以中國家庭追蹤調查的農戶數據為樣本，用微觀測度方法與Malmquist—Luenberger指數結合，測度出農戶層農業綠色全要素生產率的狀況，并進一步選用核密度估計法和Dagum基尼系數法，呈現了微觀樣本農業綠色全要素生產率的動態演變規律及其區域差異特征。譚少鵬[5]通過構建投入產出指標體系，運用SBM模型和GML指數對2002—2020年中國30個省域林業綠色全要素生產率進行測算。申丹虹等[6]通過2003—2019年的省際面板數據，運用Malmquist指數和柯布-道格拉斯函數對中國六大區域制造業全要素生產率的變動值和數值進行測算，并對全要素生產率變動及其分解進行分析，同時運用趨同理論對全要素生產率檢驗。隨著保護環境和經濟發展日益密切，綠色全要素生產率逐漸成為生產率研究的重要課題。姚雪瑞[7]采用DID方法探究了電子商務示范城市建設對城市綠色全要素生產率的影響及其內在機制。雷曉麗[8]基于2012—2020年我國30個省份面板數據，以固定效應模型、門檻模型研判數字金融與技術創新對流通產業綠色全要素生產率的影響效應。楊錦琦和左騰達[9]用SBM超效率模型測算了2012—2019年長江經濟帶農業綠色全要素生產率，并采用GML指數分析農業綠色全要素生產率的時空演化和生產率的變化來源。此外，政策制定、產業規模、結構轉型等都會對全要素生產造成影響。唐凱桃等[10]以全要素生產率度量城市發展水平，考察國家審計對城市高質量發展的影響及其空間溢出效應。葛潤政等[11]以產業集群為研究對象，通過實證方法分析了集群衰退背景下零售企業規模、集群規模與零售企業全要素生產率的互動關系。任志成和趙梓衡[12]通過收集2009—2020年A股制造業上市公司相關數據，選用雙重差分模型和PSMDID方法研究制造業企業數字化轉型與否對全要素生產率的提升效果。

提升農業全要素生產率是現代化農業發展的需要，是提升農產品競爭力的途徑，是確保國家糧食安全的保障，也是農民增收的基礎。汪中華和尹妮[13]基于2002—2020年26個主要糧食生產省份數據，利用三要素嵌套CES生產函數和DEA-Malmquist模型測度農業技術進步偏向和糧食全要素生產率，并運用空間滯后模型分析農業技術進步偏向對糧食全要素生產率的影響。王亞飛等[14]基于SBM-ML指數法測算了2004—2020年30個省份的農業綠色全要素生產率及其分解指數。并利用泰爾指數法和核密度估計法對各省份農業綠色全要素生產率進行時空演進態勢分析。吳海霞等[15]基于1997—2018年全國15個小麥主產省份的面板數據，運用空間Durbin模型，探究農業機械化對小麥全要素生產率的影響及空間溢出效應。羅斯炫等[16]利用中國28個省（區、市）1978—2017年數據，將農業生產要素質量與農村基礎設施納入增長核算框架中，并考察其對農業增長的貢獻。

江蘇省作為經濟大省、人口大省，同樣也是我國主要的糧食產區，以占全國1%的土地面積，貢獻了超過10%的經濟總量，并且連續多年糧食總量穩定在350億kg以上，為全國糧食增產增收提供有效保障，因此推動江蘇省農業生產要素發展勢在必行。同時，江蘇省的農業發展也存在新舊動能轉換不足等問題，如何進一步保障江蘇省農業全要素生產率的提升，實現江蘇省農業協調發展，是農業發展過程中需要進一步解決的問題。這一問題的有效解決，將對貫徹中央農業新發展理念，構建農業現代化發展格局，推動農業產業高質量發展有著重要意義。DEA-BCC模型用于多項投入與多項產出的效率評估，并且不受投入產出量綱的影響，本文選取的投入產出指標多、數據量大，符合DEA模型規律。傳統的DEA-BCC模型僅能反映決策單元的靜態效率情況，無法反映2011—2020年江蘇省不同時期效率值的變化情況，而Malmquist指數模型能夠測算時間序列數據的動態效率。此外，Malmquist指數能夠提供生產率變化的細分，有利于對全要素生產率的進一步分解。為此，本文擬采用Malmquist指數與DEA模型相結合，實現對江蘇省農業全要素生產效率動態變化的描述。

1 江蘇省農業發展評價模型構建

1.1 DEA—BCC模型

數據包絡分析（Data Envelopment Analysis，簡稱DEA）是由美國運籌學家Charnes和Cooper[17]等在相對效率的基礎之上演變出的一種效率評價方法。DEA把數學規劃方法和觀測到的有效樣本數據相互結合，從而對決策單元進行評價分析。數據包絡分析是運籌學、管理學以及經濟學等廣泛研究的一個領域，因其可以充分反映評價數據的信息特點，被廣泛應用。

本文研究的是江蘇省13個市農業全要素生產率，即有13個決策單元，用i來表示，即[i∈1，13]，其中每個決策單元DMUi都有n種輸入變量[Xi]以及m種輸出變量[Yi]，其中[Xiu>0]表示在公式中第i個決策單元中的第u種輸入變量；[Yin]則表示在第i個決策單元中的第v種輸出變量。在此公式中[λ]表示權重，[s?]和[s+]則分別表示運算過程中所投入的松弛變量以及產出變量，[ε]則表示為任意無窮小的正數，[θ]則表示為效率得分，具體線性規劃方程見式（1）：

在表達式（1）中，[θ]表示效率評價值，當[θ=1]時，代表決策單元弱有效，當[θ<1]時，代表決策單元非有效，而當[θ=1]并且[s?=0、s+=0]時表示決策單元有效。

1.2 DEA—Malmquist模型

Malmquist全要素生產率指數，是Malmquist[18]在1953年提出的專門用來測量動態效率的一種指數。數年后Fare[19]率先把Malmquist指數拆分技術進步改變和綜合技術效率改變，技術進步改變指的是隨著時間的推移將產生生產前沿面的移動情況，而綜合技術效率的改變指的是反映決策單元和生產前沿之前的距離變動。直到目前為止，該方法被廣泛應用于金融，工業等領域的生產效率測算。

在Malmquist指數模型中，時期t到時期t+1的表達式見式（2）：

在Malmquist的表達式中，[Etxt，yt]和[Et+1xt+1，yt+1]則分別指的是K在2個時間的技術效率指標，也可以將其看成是2個時間段的技術效率變化，具體公式如式（3）：

對于出現的生產前沿的移動情況，則可以通過式（4）來進行闡述：

當TC[>]1則表示為生產前沿前移，當TC[<]1則表示生產前沿后移，生產前沿前移代表著技術進步，生產前沿后退則代表著技術退步。

Malmquist指數以及效率和技術三者之間的數量關系式可以通過公式（5）來表示：

當MI[>]1時，則表示效率值在提高，MI[<]1時，則說明效率值在下降，MI=1時，則代表效率值保持不變。

2 江蘇省農業全要素生產率評價指標選擇

2.1 指標選取

本文在遵循權威性、系統性、可獲取性等準則的基礎之上，根據江蘇省發布的《江蘇統計年鑒》（2012—2021）摘取相關信息。江蘇省全要素生產率的測算主要由投入與產出2個部分組成，在參考向熠等[20]研究的基礎之上，選取第一產業就業人數、農業總播種面積、農業機械總動力、農村用實際施用化肥量以及農村用電量作為投入指標（由于《江蘇統計年鑒》并未給出漁業生產要素數據，故將漁業投入產出數據剔除）；產出指標為農業生產總值，該總值在《江蘇統計年鑒》中為農林牧業總產值（剔除漁業總產值數據）。具體投入與產出指標見表1。

2.2 決策單位選擇

本文選取江蘇全省13個市作為決策單元，分別是常州市、淮安市、連云港市、南京市、南通市、蘇州市、宿遷市、泰州市、無錫市、徐州市、鹽城市、揚州市、鎮江市。實施行政區劃調整為推動城鎮化進程發揮著特殊的效應，促進了資源要素的合理流動和優化配置，為加快城鎮化進程創造更好的條件，同時也是城鎮化進程中行政區劃與區域經濟協調發展的重要途徑和措施。因此，按照城市地域劃分為蘇北（徐州市、宿遷市、淮安市、鹽城市、連云港市）、蘇中（揚州市、泰州市、南通市）、蘇南（南京市、蘇州市、無錫市、常州市、鎮江市）3個大區域，以便進一步比較。

2.3 數據來源

本文原始數據均來自原《江蘇統計年鑒》（2012—2021）統計數據，并做出相關處理（由于《江蘇統計年鑒》并未給出漁業生產要素數據，故將漁業投入產出數據剔除）。

3 江蘇省農業全要素生產率分析

3.1 基于DEA-BCC模型的靜態分析

基于DEA-BCC模型，運用MaxDEA 9.1軟件，對江蘇省13個市農業全要素生產率進行分析，結合尼魯帕爾·迪力夏提和郭靜利[21]的研究，選取了綜合效率、純技術效率、規模效率3個指標進行對比，計算數據見表2。同時，本文根據地域把江蘇省分為蘇北（徐州市、宿遷市、淮安市、鹽城市、連云港市）、蘇中（揚州市、泰州市、南通市）、蘇南（南京市、蘇州市、無錫市、常州市、鎮江市）3個區域，利用折線圖更直觀地分析江蘇省農業全要素發展變化及江蘇省不同區域農業全要素生產率的變化，具體見圖1、圖2、圖3。

結合表2和圖1可知，從整體來看，2011—2020年間江蘇省整體農業生產綜合效率呈現出總體上升的態勢，平均值為0.926，屬于高范疇，表明江蘇省在這10年間對農業全要素的投入產出越來越高，這也得益于江蘇省經濟的快速發展。因為2011年是“十二五”開局之年，江蘇省第一產業比2010年增加3 064.8億元，增長4％。從表2中也反映出，2011—2012年增長最快，為0.065；2018和2020年綜合效率為1，說明這2年農業投入產出的DEA完全有效；由于江蘇省產業結構調整，第一產業產值在2019年增長1.3％，與第二產業、第三產業相比增速放緩，因此在2019年綜合效率下降，但總體仍然呈現上升趨勢；蘇北地區因其廣闊的平原，是江蘇省的主要糧食產區，在2011—2013年間一直高于蘇中和蘇南地區；蘇南地區是江蘇省經濟、科技重心，2013年蘇南地區加快農業科技改革，在農業綜合效率指標上實現了對蘇北地區的超越。

從表2可以看出，江蘇省農業生產技術效率在2011、2012以及2017—2020年這6年均為1，表明江蘇省在目前的技術水平上投入資源的使用有效。2011—2020年間，總體呈現下降回升的趨勢。蘇南地區在2011—2017年間，純技術效率指標遠高于蘇北和蘇中地區，蘇南地區作為江蘇省經濟，教育中心有著巨大的資金及科技優勢。隨著2018年后江蘇全省經濟水平的增長，全年實現地區生產總值92 595.4億元，比上年增長6.7%，蘇北和蘇中也加大了農業技術投入，純技術效率指標在2019年后進一步縮小。

由表2可知，2011—2020年間規模效率均值為0.930，大于0.9，說明江蘇省整體農業生產投入規模是合理的，整體規模效率呈現上漲趨勢，只有2019年出現小規模下降。結合圖3可知，蘇南地區整體低于蘇北、蘇中地區，且差距較大，是因為蘇南地區城市面積較大，耕地面積較小所導致。蘇北和蘇中地區呈現平穩增長趨勢，但是增長幅度較小，原因在于規模效率趨近于1，規模發展接近飽和，很難再達到較大增幅。

3.2 基于DEA-Malmquist模型的動態分析

本文基于DEA-Malmquist模型，運用MaxDEA 9.1軟件，參考李俊波等[22]研究，分別從整體全要素生產率變化、個體技術效率指數、技術進步指數、純技術效率指數、規模效率指數，對江蘇省13個市農業全要素生產率進行評價。分解全要素生產率，更有利于江蘇省各城市間農業發展要素的對比，從整體和微觀的角度找出各城市間農業發展瓶頸。

3.2.1 全要素生產率整體分析? 從表3和圖4可以看出，2011—2020年間江蘇省全要素生產率呈現平穩上升趨勢。雖然技術進步率指數在2018—2019年有所下降，但下降數值不大，并且很快又反彈回來，農業生產過程中技術進步在全要素生產過程中占據重要比重，江蘇省農業生產技術的提高導致全要素生產率的提高。通過技術效率的分解項可以看出，純技術效率指數均值為0.999，可以得出江蘇省農業生產技術水平較高。江蘇省規模效率均值為1.001，大于1，表明江蘇省13個城市規模收益在不斷提高。從圖4還可以看出，全要素生產率的變化和技術進步的變化基本一致。技術效率的變化和規模效率的變化基本相同，在2017—2018年間，規模效率在下跌后反彈，因此全要素生產率的變化與技術進步有著較強的聯系，而規模效率的變化又影響著技術效率的發展。

3.2.2 全要素生產率分解分析? 為了更進一步的分析江蘇省13個城市在農業全要素生產率的優劣勢，本文還將全要素生產率進行分解，測算出技術效率指數、技術進步指數、純技術效率指數、規模效率指數。

糧食生產技術進步，不僅包括糧食生產過程中經營管理水平的提升，還包括糧食自身生產技術的改進。從表4可以看出，淮安市農業技術進步指數最低，原因在于宿遷整體經濟水平在江蘇省處于末端，前期農業科技投入不高。但是江蘇省各城市整體呈現出上升的趨勢，這也表明江蘇省在農業發展方面在不斷使用新的農業技術，使得技術進步對糧食的生產產生正面作用。

技術效率是農業全要素生產率評價的綜合性指標，是對農業生產中的產出以及投入的整體性評價。從表5可以看出，徐州市技術效率指數最高，宿遷市技術效率指數最低，2個城市差距不大。其中，淮安市、南京市、蘇州市、徐州市、鹽城市、鎮江市這6個城市技術效率指數大于1，表明農業產出與投入整體效率較高。其他幾個城市技術效率指數接近1，產出與投入整體效率還要進一步提高。

純技術效率指標是對最大產出能力的考察。從表6可以看出，江蘇省13個城市中，只有宿遷市、泰州市、揚州市純技術效率指標小于1，但是從年度來分析，這3個城市的純技術效率指標呈現出波動上升的趨勢。因此，江蘇省應在以后的糧食生產過程中，加大科學管理水平，提升現代化的生產技術，要進一步完善城市間的生產要素分配，進行科學的管理。

規模效率指的是農業經營規模影響農業生產率的變化。規模效率反映的是實際農業生產規模與理想的農業生產規模之間的差值，一般指的是農業生產投入和農業產出之間的相關程度。表7反映了江蘇省13個城市之間農業產品是否能夠在合理的結構下發展。從表7可以看出，淮安市、南京市、蘇州市、宿遷市、泰州市、徐州市、鹽城市、鎮江市這8個城市規模效率大于1，表明規模發展較為合理，其他5個城市還需要進一步完善。

4 結論與建議

4.1 結論

本文選取江蘇省13個城市為研究對象，針對第一產業就業人數、農業總播種面積、農業機械總動力、農村用實際施用化肥量、農村用電量、農林牧業總產值為投入產出指標，進行DEA—BCC和DEA—Malmquist指數的測算和分析，得到如下結論：

（1）DEA—BCC分析結果表明，針對投入導向，江蘇省13個城市均實現DEA有效，農業資源得到較高利用，農業資源得到最大化生產。

（2）Malmquist指數分析表明，2011—2020年間，江蘇省13個城市農業全要素生產率波動中提高，無論是技術進步指數、技術效率指數、純技術效率指標還是規模效率指數都波段提升，這表明農業技術進步和農業產業規模擴大對農業全要素生產率的提高起著重要作用。

4.2 建議

4.2.1 加快江蘇省蘇北和蘇中地區農業新技術推廣? 我國傳統的農業生產模式依靠大量的勞動力，從而導致農業生產效率并不高。根據本研究結果分析，農業生產技術的進步是促進農業全要素生產率提高的重要原因。因此，需繼續擴大蘇北和蘇中地區農業新技術的推廣應用，以科技進步推動農業生產效率的提高。一方面，加強蘇北、蘇中農業持續技術的研究，通過引入新技術示范區域，把新技術推廣給其他城市，在實踐中不斷優化技術發展，做好專業技術人員培訓，并對疑難問題進行統一解答。另一方面，加強農業綠色可持續發展，培育和適當引進科技型人才，吸引社會各界共同參與技術研究。

4.2.2 提升江蘇省全省農業管理水平? 首先，優化江蘇省耕地生產能力，建立健全耕地生產信息監測體系，對農業生產進行動態檢測，及時掌握農業投入產出數據。其次，加大農業財政支出，鼓勵農民糧食生產，提高農民糧食生產積極性。再次，保障農村就業服務體系，妥善安排農民返鄉就業。實現統籌耕地資源、優化財政農業支出結構、提高農業資源利用效率。

4.2.3 優化江蘇省蘇南地區農業生產規模? 提高蘇南地區農業生產規模效率，推動農業規模經營。蘇南地區大規模的農業生產有利于農業新技術的推廣以及大型機器的使用。同時，大規模的生產也并非單純的依靠擴大生產面積來提升農業生產率，而是在加強農業基礎設施建設的基礎上，提高耕地使用質量，提高農業生產機械化水平，注重農業生態結構的布局，及時調整生產結構，使農業發展往整體化、集約化、規模化方向發展，推動農產品高產出、高質量、低能耗發展。

參考文獻

[1] 龔斌磊. 投入要素與生產率對中國農業增長的貢獻研究[J]. 農業技術經濟，2018（6）：4-18.

[2] 中國經濟增長前沿課題組，張平，劉霞輝，等. 突破經濟增長減速的新要素供給理論、體制與政策選擇[J]. 經濟研究，2015，50（11）：4-19.

[3] 徐永慧，鄧宏圖. 城市綠色全要素生產率的重新測算及經濟解釋——基于規模效應和產業選擇的視角[J]. 中國流通經濟，2022，36（12）：27-43.

[4] 程永生，張德元，汪俠. 基于農戶視角農業綠色全要素生產率的測度與分析[J]. 中國生態農業學報（中英文），2023，31（5）：820-834.

[5] 譚少鵬. 我國林業綠色全要素生產率測度及其影響因素[J]. 中南林業科技大學學報，2022，42（8）：202-210.

[6] 申丹虹，劉錦葉，崔張鑫. 中國制造業全要素生產率測算與區域趨同檢驗[J]. 統計與決策，2022，38（1）：47-52.

[7] 姚雪瑞. 國家電子商務示范城市建設對城市綠色全要素生產率的影響及其內在機制[J]. 商業經濟研究，2022（23）：185-188.

[8] 雷曉麗. 數字金融、技術創新與流通產業綠色全要素生產率[J]. 商業經濟研究，2022（22）：15-18.

[9] 楊錦琦，左騰達. 長江經濟帶農業綠色全要素生產率評價及時空演化分析[J]. 企業經濟，2022，41（11）：152-160.

[10] 唐凱桃，許婧，李小濤，等. 國家審計能夠促進城市全要素生產率提升嗎？ ——基于空間杜賓模型分析[J]. 財經理論與實踐，2022，43（6）：94-100.

[11] 葛潤政，MARK H J. 企業規模、集群規模與零售企業全要素生產率的互動關系——集群衰退背景下[J]. 商業經濟研究，2022（23）：123-126.

[12] 任志成，趙梓衡. 數字化轉型對制造業全要素生產率提升的影響——來自上市公司的微觀證據[J]. 工業技術經濟，2022，41（11）：23-30.

[13] 汪中華，尹妮. 農業技術進步偏向對糧食全要素生產率的影響[J]. 農業現代化研究，2022，43（6）：1029-1041.

[14] 王亞飛，張齊家，柏穎. 我國農業綠色全要素生產率及其時空演變[J]. 統計與決策，2022，38（20）：98-102.

[15] 吳海霞，郝含濤，史恒通，等. 農業機械化對小麥全要素生產率的影響及其空間溢出效應[J]. 農業技術經濟，2022（8）：50-68.

[16] 羅斯炫，何可，張俊飚. 改革開放以來中國農業全要素生產率再探討——基于生產要素質量與基礎設施的視角[J]. 中國農村經濟，2022（2）：115-136.

[17] CHARNES A，COOPER W W，RHODES E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research，1978，2（6）：429-444.

[18] MALMQUIST S. Index numbers and indifference surfaces[J]. Trabajos De Estadistica，1953，4（2）：209-242.

[19] F?RE R，GROSSKOPF S，LINDGREN B，et al. Productivity changes in Swedish pharamacies 1980-1989：A non-parametric Malmquist approach[J]. Journal of Productivity Analysis，1992，3（1/2）：85-101.

[20] 向熠，葉言，繆甜甜，等. 長江經濟帶農業全要素生產率提升路徑研究——基于38市的DEA與fsQCA分析[J/OL].中國農業資源與區劃：1-20[2023-08-01].http：//kns.cnki.net/kcms/detail/11.3513.S.20220921.1124.002.html.

[21] 尼魯帕爾·迪力夏提，郭靜利. 國家級農業科研院所科研效率評價及其影響因素——基于DEA-Malmquist-Tobit模型[J]. 科技管理研究，2021，41（18）：66-72.

[22] 李俊波，浦華，吳昊，等. 基于DEA-Malmquist模型的四川省礦產資源開發效率評價[J]. 礦產綜合利用，2022（1）：82-88.

（責編：張宏民）