我国农业生产效率研究

我国农业生产效率研究

—基于三阶段

DEA模型的分析

摘要：本文运用三阶段DEA（数据包络分析）模型对我国2011年农业生产效率进行了实证研究。结果表明，城市化水平和乡村就业人口平均受教育年限的提高是农业生产效率改善的有利因素；农村居民家庭人均纯收入、财政支农、自然灾害是农业生产效率的不利因素。我国各省市按纯技术效率和规模效率来划分可分为四种不同类型，各地应该结合自身效率的特点，有侧重地提高管理水平或扩大农业生产规模，从而改善农业生产效率。

关键词：农业生产效率 纯技术效率 规模效率 引言

农业是国民经济的基础。改革开放后，我国农业生产的改革取得了巨大成效。随着三农工作的整体推进，我国农业增长方式由粗放型向集约型转变，农业生产将迎来新的突破，在此过程中，农业生产效率问题日益受到重视。如何对我国农业生产效率进行合理评价，进而寻求农业生产效率提高的现实途径；以及农业生产效率受哪些因素的影响，还可以从哪些方面予以改进，成为当前农业经济领域研究的热点，这也是本文所关注和将要探讨的问题。

Farrell（1957）最早对农业生产效率进行分析，他在对英国农业生产力进行分析时首先提出了生产效率衡量的方法，以非预设生产函数代替常用的预设函数来推估效率值，并利用数学规划求出效率前缘

线,这一般被认为是DEA的原型。随后，众多学者对农业生产效率问题展开了研究。如Kawagoe等（1985）对跨地区的农业生产效率进行分析认为，一个地区的农业生产效率高低与劳动力生产率高低关系不大而与地区发展水平密切相关。Haag等（1993）运用DEA模型对美国德州Blacklan Prairie区域中41个郡的农业生产效率进行了评估。Gopinath和Kennedy（2001）指出农业生产效率的提高是提升农业竞争力的重要方面。Ball等（2002）对包括美国在内的10个国家1973~1993年间的农业生产效率进行了研究，研究结果显示资本积累与生产效率增长是相互促进的。Ruttan（2002）对资源和环境约束下世界农业生产效率的增长问题进行了论述，并分别给出了发达国家及发展中国家农业生产效率增长的路径。Vollrath （2008）使用跨国数据，探讨了农业土地分配不公时农业生产效率的差异问题。Restuccia等（2009）使用两阶一般均衡模型分析了国际农业劳动力效率，通过对比发现农业劳动力效率低下主要是由于贫穷国家总生产率较低导致。

国内学者对我国农业生产效率问题的研究做出了大量的贡献。从使用的方法角度来分，大致可分为基于非参数的数据包络分析法（Data Envelopment Analysis, DEA）和基于参数的随机前沿生产函数法(Stochastic Frontier Approach, SFA)两种。DEA分析文献中典型的如李周（2005）对西部900县区农业生产效率进行了分析；时悦(2008)运用DEA方法对我国1990~2005年间的农业生产效率进行了研究；宋增基等（2009）对我国2005年31个省份的农业生产效率运用DEA

优势效率模型和劣势效率模型进行了测评。利用SFA模型，亢霞、刘秀梅（2005）对我国的粮食技术效率进行了分析；杜文杰（2010）采用时不变阈值面板随机前沿模型分别测算了我国不同阶段的农业生产技术效率。

已有文献对农业生产效率的研究是深入且有效的，对本文研究的展开具有重要的借鉴意义。然而，现有文献对农业生产效率的研究均未能剔除环境和随机误差的影响，不能客观体现生产单元的决策与管理水平。为此，本文基于我国2011年相关数据，借助三阶段DEA 模型，期望更为准确地描述我国农业生产效率；同时，找出影响我国农业生产效率的主要因素，为政府决策提供可靠依据。

一、 研究方法及数据说明 1．三阶段DEA模型

三阶段DEA模型是由Fried等（2002）提出的一种能够更好地评估DMU（DecisionMaking Unit,决策单元）效率的方法，该方法最大的特点是能够去除非经营的因素（外部环境与随机误差）对效率的影响，使得所计算出来的效率值能更真实地反映决策单元的内部管理水平。其构建和运用包括三个阶段。

第一阶段：传统的DEA模型（BCC模型）。DEA方法由Chames等于1978年提出，旨在评价多投入多产出模式下决策单元间的相对有效性。中国学者从事DEA研究始于1986年，魏权龄（1988）在国内普及和推广DEA方法起了积极而重要的作用，并于2000年对DEA的研究进展作了总结。BCC模型用来处理规模报酬可变(Variable

ReturnsScale; VRS)假设下的决策单元有效性问题。对于任一决策单元DMU，投入导向下对偶形式的BCC模型可表示为:

Min[-(???(e

?,?i?ni?1 t -

s+et s+)]

?y0r

s.t. ??yir?S???xi?1i?ni?1i?nir?S???x0j

???1

??0 S??0 S??0

其中，i=1，2… , n；j=1，2…, m； r=1，2…，s。n为决策单元的个数, m和s分别为输入与输出变量的个数，x ij（j=1，2…， m)为投入要素，yir（r=1…，s）为产出要素，H为决策单元DMU0的有效值。若?=1，且s+=s-=0,则决策单元DEA有效；若?=1，且s+?0，或s-?0时，则决策单元为弱DEA有效；若H<1，则决策单元非DEA有效。由BCC模型计算出的效率值为技术效率值，还可以进一步分解成为规模效率与纯技术效率的乘积，即技术效率=规模效率×纯技术效率。

第二阶段：相似SFA分析模型。Fried等(2002)认为，第一阶段分析得出的投入/产出松驰变量受环境因素、随机因素和管理效率三部分的影响。但传统DEA模型并未将这三部分因素对效率值的影响进行区分，此时的效率值无法反映到底是管理原因造成的低效，还是环境因素或随机干扰所导致的低效。在第二阶段通过构建类似SFA模型可以分别观测出上述三个因素的影响，进一步从中剔除环境因素和随机因素，得出仅由管理无效率造成的DMU投入冗余。以投入导向为例，设有n个决策单元,每个决策单元均有m种投入，假定有p

个可观测的环境变量，分别对每个决策单元的投入松驰变量进行SFA分析，可构建如下SFA回归方程:

?it?xit?[max{zkbi}?zkbi]?[max{vit}?vik]

其中，i=1，2…, m；k=1，2…， n。S ik表示第k个决策单元第i项投入的实际值, Xik 为其调整之后的值；Bi为环境变量参数的估计值；V ik为随机干扰项的估计值。式（3）中第一个括号表示将全部决策单元调整至相同的环境下，第二个括号代表将全部决策单元的随机误差调整为相同情形,使得每个决策单元均面对相同的经营环境和运气。

第三阶段：调整后的DEA模型。将第二阶段得到的调整后的投入数据Xik代替原始投入数据Xik，产出仍为原始产出数据Yik，再次运用BCC模型进行效率评估，由此得到的各决策单元的效率值即为剔除了环境因素和随机因素影响后的效率值。

2．投入产出指标、环境变量的选取及数据来源

（1）投入产出指标的选取。农业产出变量为农林牧渔业总产值。采用该广义农业总产值的理由是可以与农业投入统计口径保持一致,因为现有投入口径中农业劳动力和机械投入等都是广义农业口径。这与陈卫平（2006）、李谷成（2009）等的处理方式是一致的。农业投入变量包括劳动力、土地、农业机械动力、化肥、役畜和灌溉6个方面。劳动力投入，以第一产业从业人员数（万人）计算；土地投入，以农作物总播种面积（千公顷）计算,由于我国农业复种、休耕、弃耕等现象均较常见，因此可耕地面积数据不宜反映土地投入状况：农

业机械动力投入（万千瓦），包括耕作机械、排灌机械、收获机械、农用运输机械、植物保护机械、林业机械、牧业机械、渔业机械和其他农业机械，不包括专门用于乡镇、村组办工业、基本建设、非农业运输、科学实验和教学等非农业生产方面用的机械和作业机械；化肥投入（万吨），以本年度内实际用于农业生产的化肥施用量（折纯量）计算；役畜投入（万头），采取本年度各省拥有的大牲畜数量中所包含的农用役畜数量计算，其中，农用役畜是指大牲畜中实际用于农林牧渔生产的部分；灌溉投入（千公顷），以每年实际的有效灌溉面积计算，这等于灌溉工程或设备已经配备的、能够进行正常灌溉的水田和水浇地面积之和。本文所有农业投入产出数据均来自于2011年《中国统计年鉴》。各投入项与产出项之间必须符合“同向性”假设，即当投入量增加时，产出量不得减少，常用的方法是采用Pearson相关性检验方法对其进行检测。利用该方法对上述投入产出项进行检验，计算结果如表1所示。由表1可以看出，各省市投入变量与产出变量之间的相关系数均为正,并且均能在5%显著性水平下通过双尾检验，充分说明该投入产出指标符合模型所要求的“同向性”原则，具有合理性。镇、村组办工业、基本建设、非农业运输、科学实验和教学等非农业生产方面用的机械和作业机械;化肥投入（万吨），以本年度内实际用于农业生产的化肥施用量（折纯量）计算;役畜投入（万头），采取本年度各省拥有的大牲畜数量中所包含的农用役畜数量计算，其中农用役畜是指大牲畜中实际用于农林牧渔生产的部分；灌溉投入（千公顷），以每年实际的有效灌溉面积计算，这等于灌溉工程或设

备已经配备的、能够进行正常灌溉的水田和水浇地面积之和。本文所

有农业投入产出数据均来自于2011年《中国统计年鉴》。

各投入项与产出项之间必须符合“同向性”假设，即当投入量增加时，产出量不得减少，常用的方法是采用Pearson相关性检验方法对其进行检测。利用该方法对上述投入产出项进行检验，计算结果如表1所示。可以看出，各省市投入变量与产出变量之间的相关系数均为正，并且均能在5%显著性水平下通过双尾检验，充分说明该投入产出指标符合模型所要求的“同向性”原则，具有合理性。

表1 2011年我国31个省区市农业投入与产出变量的Pearson相关系数 投入项 劳动力投土地投入 农业机械化肥投入 役畜投入 灌溉投入 入 动力投入 产出项 农林牧渔0.842*** 业总产值 (0.000) 0.916*** 01377** 01838*** (0.000) (0.036) (0.000) 注:**、***分别表示在5%及1%显著性水平上显著；括号中的数为检验的p0.617*** (0.000) 0.827*** (0.000) 值。

（2）环境变量的选取及说明。环境变量应选取对农业生产效率产生影响但不在样本主观可控范围的因素，这包括国家的宏观经济环境、政府对农业发展的相关政策、人力资源因素及自然灾害因素等。

在宏观经济环境方面，分别选择农民收入水平及城市化水平来进行衡量。一般而言，农民收入水平的提升将提高农民对农业生产的积极性，从而提升农业生产效率；我国人多地少，城市化水平的提高意味着农业人口向城市的转移，将使农业生产要素配置趋向合理，对农业生产效率的提高有着积极作用。考虑到数据的可获取性，本文选取农村居民家庭人均纯收入（元）来衡量农民收入水平；在城市化水平

指标的选择上，用城镇人口占总人口的比重来进行衡量。理论预期农民收入水平的提高和城市化水平的提升将提高农业生产效率。

在政府对农业发展的相关政策方面，考虑到财政政策是对农业生产的重要政策之一，而财政支农支出的增加对农业生产效率的提高具有积极作用，因此本文选择各地财政支农支出（万元）来衡量政府对农业发展的政策。财政支农的功能之一在于促进农业生产的积极性，进而促进农业发展，预期财政支农支出的增加将促使农业生产效率提升。

在人力资源因素方面，本文用农村劳动力受教育程度来衡量，考虑到数据的可得性，以各地区乡村就业人口平均受教育年限（年）来表示。教育是人力资本形成的重要途径，人力资本的积累一方面可以提高农民的知识和技能，从而使其具有更高的劳动生产能力和创造性；另一方面，知识的提高有助于提高农民经济决策的效率，从而促进农业产出的增长。理论预期乡村就业人口平均受教育年限的增加将提升农业生产效率。《中国人口与就业统计年鉴》上给出了各地区乡村6岁及6岁以上人口中未上过学、小学、初中、高中和大专以上的抽样数据，本文按此五类人口数进行加权平均计算，权重的设定参考了康蕴英等（2007）的做法，分别设定其受教育时间为0年、5年、8年、11年和14年，由此可计算出各地乡村就业人口平均受教育年限。

对于自然灾害因素，以各地区农作物受灾面积（千公顷）进行衡量。在相同投入下，自然灾害减少农业产出,因而对农业生产效率产

生负面影响。理论预期农作物受灾面积对农业生产效率产生负向作用。

环境变量中乡村就业人口受教育年限数据来源于2011年《中国人口与就业统计年鉴》, 其余数据均来自于2011年《中国统计年鉴》。

二、 实证结果分析

1．第一阶段传统DEA实证结果

利用DEAP2.1软件对我国31个省区市农业生产效率水平与规模报酬所处状态进行分析，结果如表2所示。由表2可以看出，在不考虑外在环境变量和随机因素的情况下，2011年我国各省市农业生产综合技术效率平均值为0.7，纯技术效率均值为0.807，规模效率均值为0.868。其中7个省市（北京、辽宁、上海、江苏、浙江、福建和海南）三项效率值均为1，处于技术效率前沿面；其他各省市则分别在纯技术效率和规模效率方面存在不同程度的可改进空间。由于该结果包含了环境因素和随机因素的干扰，并不能反映各省市的农业生产效率的真实水平，因此还需作更进一步地调整和测算。

表2 2011年我国31个省区市农业生产技术效率、纯技术效率及规模效率值 PTE1 SE1 TE1 PTE1 SE1 规模报地区 规模报地 区 TE1 酬 北京 天津 河北 山西 内蒙古 辽宁 吉林 黑龙江 上海 江苏 浙江 1.000 0.628 0.555 0.303 0.497 1.000 0.692 0.553 1.000 1.000 1.000 1.000 0.689 0.841 0.313 0.724 1.000 0.830 0.763 1.000 1.000 1.000 1.000 0.912 0.659 0.967 0.686 1.000) 0.834 0.725 1.000 1.000 1.000 -- drs drs drs drs -- drs drs -- -- -- 湖北 湖南 广东 广西 海南 重庆 四川 贵州 云南 西藏 陕西 0.950 0.780 01878 01686 1.000 0.613 0.902 0.54 0.546 0.861 0.47 0.747 0.988 11000 01855 1.000 0.613 1.000 0.541 0.587 1.000 0.527 0.787 0.789 01878 01802 1.000) 1.000) 0.902 0.997 0193 0.861 0.891 酬 drs drs drs drs 1.000 --- drs irs drs irs drs 安徽 福建 江西 山东 河南 0.457 1.000 0.628 0.710 0.491 0.677 1.000 0.721 1.000 0.864 0.676 1.000) 0.872 0.710 0.569 drs --- drs drs drs 甘肃 青海 宁夏 新疆 平均值 0.469 0.848 0.361 0.494 0.700 0.511 01890 0.389 0.735 0.807 0.919 01952 0.928 0.672 0.868 drs irs drs drs 注: TE1表示第一阶段综合技术效率，PTE1表示第一阶段纯技术效率。 SE1为第一阶段规模效率，TE1=PTE1*SE1。irs为规模报酬递增， drs为规模报酬递减，为规模报酬不变。下同。

2．第二阶段SFA回归结果

将第一阶段得出的决策单元中各投入变量的松弛量取对数后作为被解释变量，将前述五个环境变量对数化后作为解释变量，软件Frontier4.1给出的SFA回归结果见表3。从中可以看出，五个环境变量对六种投入松弛变量的系数大多能通过显著性检验，这说明外部环境因素对各省市农业生产投入冗余存在显著影响。进一步，劳动力投入松弛变量、土地投入松弛变量、农业机械动力投入松弛变量及灌溉投入松弛变量等四种投入松弛变量的C值均为0.999，且达到1%的显著性水平，这说明这四种投入中管理因素的影响占据主导地位；对于化肥投入松弛变量及役畜投入松弛变量，其C值均接近于0，并且通过10%显著性检验，这表明该两种投入中，随机误差影响占据主导地位。这一结果表明管理因素和随机因素对农业生产效率存在着显著的影响，应用SFA进行管理因素和随机因素对效率影响的剥离分析是很有必要的。

表3 第二阶段SFA回归结果

因变量 劳动力投土地投入 农业机械化肥投入 入 松弛变量 动力投入松弛变量 松弛变量 松弛变量 -28.418*** (-28.464) 33.162*** (33.212) -42.649*** (-42.732) 11.454 (1.554) 役畜投入松弛变量 灌溉投入 松弛变量 常数项 -66.633*** -311566*** (-28.236) (-29.197)

农村居民 家庭人均 纯收入 城市化水平 财政支农支出 乡村就业人口平均受教育年限 1.933* (2.168) -11.04* 2.476** (3.622) -8.245*** (-8.192) 5.445*** (8.321) -6.976*** (-8.215) 2.053*** (4.169) -2.223** (-2.228) 5.029*** (6.743) -5.603** (-5.702) -0.552 (-0.871) -3.377*** (-3.396) 4.754** (4.380) -3.632** (-3.092) 1.166* (2.044) -10.107** (-4.433) 2.602*** (10.399) -1.295* (-3.112) 2.594*** (12.380) -4.137* (-1.983) 5.519*** (3.429) -4.546 (-1.365) -0.395 (-0.354) -4.896** (-4.964) 受灾面积 R2v C Log likelihood loglikelihood LR test of theone-sided error 01272* 0.183* 0.645* (21302) (1.804) (1.933) 1.759* 1.479*** 0.980** (2.016) (3.223) (2.775) 0.999*** 0.999*** 0.999*** (4.528) (11.542) (5.012) -121524 3.720 -171281 5.399 -131265 4.833 0.332* (1.901) 0.118* (2.158) 0.000* (2.162) -131517 4.931 0.407* (3.805) 0.013* (1.944) 0.000* 1.961) -151787 5.021 0.403 (1.933) 6.392** (4.930) 0.999** (3.518) -221387 4.851 注:*、**、***分别表示在10%、5%、1%显著性水平上显著;括号中的数为相应估计的t统计量。

进一步考察各环境因素对六种投入松弛变量的系数，由于环境变量是对各投入松弛变量的回归，所以当回归系数为负时，表示增加环境变量值有利于减少投入松弛量，即有利于减少各投入变量的浪费或降低负产出；反之，当回归系数为正时，则表示增加环境变量将会增加投入松弛量，从而导致各投入变量的浪费或减少产出。下面逐一说明五种环境变量对各投入松弛变量的影响。

（1）农村居民家庭人均纯收入。该变量对六种投入松弛变量的系数均为正,并且均能通过10%的显著性检验。也就是说农村居民家庭人均纯收入增加时，六种投入的松弛量将会增加，从而对农业生产效

率产生不利的影响。这一结论与理论预期刚好相反，但这也恰好反映了我国农业生产仍属于高投入的粗放模式。一方面，农村居民收入增加时，诱使过量的劳动力返回到农业战线，促使劳动力投入冗余增加；另一方面，收入的增加又促使农民增加其他各种要素的投入，由于我国农民农业生产技能的欠缺及投资渠道的贫乏，不当的投入只会导致各投入要素松弛变量的增加，从而对农业生产效率产生负面影响。

（2）城市化水平。城市化水平的提升对六种投入的松弛变量都是有利的,其系数均为负，且除对灌溉投入松弛变量的影响不显著外，对其他五种投入松弛变量的t值均通过10%显著性水平的检验。这表明城市化水平的提升确实能实现资源的有效配置，从而提升农业生产效率，这一结论与理论预期是一致的。

（3）财政支农支出。与理论预期不一致的是，财政支农支出的增加仅对农业机械动力投入和灌溉投入松弛变量的系数为负，但t检验结果并不显著；对劳动力、土地、化肥及役畜投入松弛变量的系数均为正，且均能通过10%的显著性检验。这说明财政支农对农业生产效率并没有起到应有的作用，提高财政支农支出会导致投入松弛量的增加，这可能是由于政府惠农政策往往会增加农户的收入预期，鼓励农户扩大经营规模,但盲目地扩大规模增加投入会造成对生产要素的粗放利用。

（4）乡村就业人口平均受教育年限。该变量对六种投入松弛变量的回归系数均为负，且在10%显著性水平上显著。这说明乡村就业人口平均受教育年限对农业生产效率的提高是有利因素，农村劳动力

受教育程度的提高能显著地减少各种投入的浪费，因而提升农业生产效率，这与理论预期完全一致。

（5）受灾面积。受灾面积对六种投入松弛变量的回归系数均为正，且均通过10%显著性水平检验，这说明自然灾害的发生导致产出的减少，在保证同等产出的条件下意味着各种投入的增加，造成投入松弛量的增加。也就是说，自然灾害对农业生产效率产生不利的影响，这与理论预期一致。由于各环境变量对于不同省市的影响有所不同，可能导致一些面临较好经营环境或运气的地区具有较佳的效率表现,而一些面临较差经营环境或运气的地区农业生产效率则表现较差。因此,必须调整原投入变量,使所有地区面对同样的经营环境与经营运气,进而考察其真实的效率水平。

3．第三阶段投入调整后的DEA实证结果

根据式（3）调整投入变量，并将调整后的投入值与原始产出再次代入BCC模型进行分析，得到第三阶段各决策单元的效率值及规模报酬状态，如表4所示

表4

第三阶段各省区市相同环境下的农业生产技术效率、纯技术效率及规模效率值 地 区 TE1 北京 天津 河北 山西 辽宁 吉林 上海 0.898 0.578 0.760 0.335 1.000 0.813 1.000 PTE1 1.000 0.799 0.812 0.552 0.748 1.000 0.826 0.765 1.000 SE1 0.898 0.724 0.937 0.606 0.952 1.000 0.985 0.985 1.000 规模报酬 irs irs drs irs irs -- drs irs -- 地区 湖北 湖南 广东 广西 海南 重庆 四川 贵州 云南 TE1 0.863 0.975 1.000 0.794 1.000 0.615 1.000 0.505 0.578 PTE1 0.931 0.995 1.000 0.822 1.000 0.142 1.000 0.685 0.616 SE1 0.927 0.981 1.000) 0.966 1.000 0.829 1.000 0.737 0.938 规模报酬 drs drs -- drs -- irs -- irs irs 内蒙古 0.712 黑龙江 0.754 江苏 浙江 安徽 福建 江西 山东 河南 1.000 1.000 0.573 1.000 0.732 0.908 0.590 1.000 1.000 0.598 1.000 0.777 1.000 0.730 1.000 1.000 0.959 1.000 0.941 0.908 0.808 -- -- drs --- irs drs drs 西藏 陕西 甘肃 青海 宁夏 新疆 0.230 0.525 0.441 0.286 0.336 0.727 1.000 0.603 0.685 0.968 0.751 0.730 0.843 0.230 0.871 0.644 0.295 0.448 0.996 0.857 irs irs irs irs irs irs 平均值 0.727 注: TE3表示第一阶段综合技术效率, PTE3表示第一阶段纯技术效率, SE3为第一阶段规模效率,TE3=PTE3*SE3。

为说明第三阶段DEA模型所测出的效率值更具客观性，并且更能说明各省市的农业生产状况，将第一阶段及第三阶段得出的效率值与各省市的人均农业产出值进行Spearman等级相关分析，结果如表5所示。由表5可知，在经过第二阶段的环境因素调整后，各省市的农业综合技术效率值、纯技术效率值及规模效率值与其人均农业产出值的相关度均有明显提高。这一结果表明第三阶段的测度结果比第一阶段更能真实地反映各省区市的管理效率状况，进一步说明第二阶段所进行的环境和随机因素的调整是极有必要的，应用三阶段DEA模型比传统DEA方法对农业生产效率进行测度更为合理和精确。

表5 各省区市农业生产效率值与人均农业产出的Spearman等级相关系数

TE1 综合技术效率 TE3 0.728*** (0.000) PTE1 纯技术效率 PTE3 0.619*** (0.000) SE1 0.155 (0.405) 效率 SE3 0.592*** (0.000) 人均农业0.606*** (0.000) 产出值 0.590*** (0.000) 注:***表示在1%显著性水平上显著。括号中的数为检验的p值。

进一步，对比表2和表4可知，剔除环境变量和随机因素的影响后,处于技术效率前沿面的省区市由7个上升到8个，其中辽宁、上海、江苏、浙江、福建和海南等6个省市仍处于技术效率前沿面，说明这几个省市的农业生产效率确实较好，相比第一阶段，广东和四川

晋升至效率前沿，表明广东和四川两个省份在剥离环境因素和随机干扰后的同质环境下农业生产是高效的；而北京则因规模效率的下降从技术效率前沿面退出，其之前的高效率并不能真实反映其技术管理水平。全国的平均技术效率由0.7上升到0.727，平均纯技术效率由0.807上升至0.843，而平均规模效率则由0.868下降至0.857，各省市农业规模状态也由规模报酬递减为主调整为以规模报酬递增为主。分省市来看，各省市第三阶段的农业生产效率与第一阶段相比变化较大。北京、天津、贵州、西藏、甘肃、青海及宁夏等7个省区市的综合技术效率均有所下降，表明它们之前的高效率与它们所处的有利环境和好运密切相关，它们的技术管理水平并没有看上去那么高；其中下降幅度最大的是西藏，其综合技术效率由0.861下降至0.23，下降的原因是其规模效率发生了变化，其余6个省市的规模效率也均有不同程度的下降。第三阶段农业生产效率相比第一阶段上升的省区共有15个，分别是河北、山西、内蒙古、吉林、黑龙江、安徽、江西、山东、河南、湖北、湖南、广东、广西、陕西和新疆，这些省市中除山西和陕西是因为纯技术效率的上升及导致技术效率的整体上升外, 其余13个省市技术效率的上升均是因为规模效率的增长所致；这一现象说明这些地区之前较低的技术效率确实是由于比较不利的环境或不好的运气所致，而非它们的技术管理水平低。

以0.9的效率值为临界点，按照纯技术效率及规模效率进行划分,可将我国农业生产效率分为四种类型，第一种类型为“双高型”,即纯技术效率及规模效率均在0.9以上的省市，包括处于技术效率前沿

面的8个省市及湖北、湖南、山东3个省，这类省市农业生产效率所需改进较少。第二种类型为纯技术效率较高但规模效率较低的“高低型”,包括北京、青海和西藏3个省区市，其纯技术效率大于0.9但规模效率在0.9以下，特别是青海及西藏，其规模效率分别仅为0.295和0.23，农业生产效率着重改进的方向为规模效率，变革的重点是扩大农业生产规模，实现资源的集中配置。第三种类型为纯技术效率在0.9以下但规模效率在0.9以上的”低高型”，包括安徽、云南、新疆、内蒙古、黑龙江、江西、吉林、广西及河北9个省区市，这一类省份在后续发展中要着重进行纯技术效率的改进,即在农业生产中应该提高技术管理水平。第四类省份为“双低型”，包括山西、陕西、重庆、河南、贵州、天津、甘肃和宁夏8个省区市，以山西省为例，其纯技术效率仅为0.552,规模效率仅为0.606，两者均有较大的提升空间。这类省市农业生产效率的改善更为困难，在今后的农业生产中一方面要注重管理水平的提高，另一方面要促进农业生产规模的扩大。

三、 结论与启示

本文运用三阶段DEA模型对我国2011年农业生产效率进行了分析，得出以下主要结论。（1）在第二阶段调整前后各省市农业生产效率发生了明显的变化，说明环境效应和随机误差确实对农业生产效率产生了重要的影响。将第一阶段及第三阶段得出的效率值与各省市的人均农业产出值进行Spearman等级相关分析发现，在经过第二阶段的环境因素调整后，各省市的农业综合技术效率值、纯技术效率值及规模效率值与其人均农业产出值的相关性均有明显提高，更进一步说

明应用三阶段DEA模型比传统的DEA方法对农业生产效率进行测度更为合理和精确。（2）通过第二阶段的SFA回归分析发现，环境和随机因素对农业生产效率存在显著影响。环境因素中，农村居民家庭人均纯收入是农业生产效率的不利因素；城市化水平的提升确实能实现资源的有效配置，从而提升农业生产效率；财政支农对农业生产效率并没有起到应有的作用，提高财政支农支出会导致投入松弛量的增加；乡村就业人口平均受教育年限对农业生产效率的提高是有利因素；自然灾害会对农业生产效率产生不利的影响。（3）在剔除环境变量和随机因素的影响后,全国的平均技术效率由0.7上升到0.727，平均纯技术效率由0.807上升至0.843，而平均规模效率则由0.868下降至0.857，各省市农业规模状态也由规模报酬递减为主调整为以规模报酬递增为主。我国各省区市农业生产效率以0.9的效率值为临界点,按照纯技术效率和规模效率来划分可分为四种类型,即“双高型”、“高低型”、“低高型”和“双低型”。

上述结论给我们的启示主要有如下两点。第一，由于环境和随机因素确实对农业生产效率产生了显著影响，而随机因素是不可控因素,因而控制环境因素是提高农业生产效率的必然选择之一。根据对五种环境影响因素的分析，当前首先要做的是继续城市化的有序进行，其次是大力发展农村教育，提高农村劳动力受教育水平，充分发挥城市化和农村劳动力受教育程度对农业生产效率的促进作用。另外，农民收入和财政支农对农业生产效率产生负向影响并非意味着要降低农民收入及减少财政支农,农民增收是“三农”建设的主题之一，在保

证农民增收的前提下，为改变或弱化当前农民收入水平对农业生产效率的负向影响，应该加强对农民的引导，拓宽其有效投资渠道，使其实现收入的有效配置而非盲目投资。对于财政支农，当前我国财政支农支出总体水平并不高，然而财政支农并没有如预期促进农业生产效率的，反而导致了农业生产投入的浪费，因此，应当改进财政支农支出的项目组合，尽量减少农村公共品供给系统的效率损失，同时改善农村公共品供求的外部条件，促使财政支农促进农业生产效率的提升。第二，我国各省市的农业生产效率特征并不一致，各地应该结合自身效率的不足进行变革，而不应该盲目地按照某种既定的模式来发展农业。有的省市主要是因为纯技术效率较低而导致农业生产的无效率,如安徽、云南等9个省市，这些地区主要是由于管理方面存在的不足而导致技术效率并不理想，因此必须加强管理创新及制度变革，引进新的管理理念与方法，建立新的制度体系，以确保农业生产持续健康的发展。另一部分省市农业生产效率较低的主要原因是规模效率不足，如青海和西藏等省区市，这些地区当前更为迫切的任务是扩大现有农业生产规模，提升整体农业规模效益；应该促进农业规模化、集约化经营，建设现代农业，使农业生产由分散转向规模、由无序转向规范、由粗放转向高效发展。此外，对于山西、陕西等纯技术效率和规模效率均较低的8个省市，则应该同时从管理水平的提升及农业生产规模的扩大两方面入手进行变革，其任务也更为艰巨。剩余的11个省市纯技术效率及规模效率均比较理想，但这些省市的农业发展也不能放松，应该在当前较好的基础上继续深化改革，在管理上全

面创新以谋求新的突破；同时应该继续加强农业规模化、集约化、产业化经营，以获取更好的规模效益。

参考文献

[1] Farrell M1J1.The Measurement of Productive Efficiency[J].Journal of the Royal Statis-tical Society，1957，30，253-281.

[2]Kawagoe T1，Hayami Y1，Ruttan V1W1.The Intercountry Agricultural Production Function and Productivity Differences among Countries[J]，Journal of Development Economics，1985，19，113-132.

[3]Haag S1，Jaska P1，Semple J1. Assessingthe Relative Efficiency of Agricultural Production Units in the Blackland Prairie，Texas[J]. Applied Economics，1993 (5)，55-65.

[4] Munisamy Gopinath，P1Lynn Kennedy. Agricultural Trade and Productivity Growth：A State-Level Analysis[J].American Journal of Agricultural Economics，2001，82（5），1213-1218.

[5] Ball V1E1，Bureau J1，Butault J1，Nehring R1. Levels of Farm Sector Productivity：An International Comparison[J].Journal of Productivity Analysis，2002，15（1），5-29.

[6]Ruttan V1W1. Productivity Growth in World Agriculture：Sources and Constraints[J].American Economic Association，2003，16 （4），161-184. [7] Vollrath D1.Land Distribution and International Agricultural Productivity[J].American Journal of Agricultural Economics，2008，89 （1），202-216.

[8]Restuccia D1，Yang D1T1，Zhu X1.Agriculture and aggregate productivity：A quantitative cross-country analysis[J].Journal of Monetary Economics，2009，55（2），234-250.

[9]Fried, Lovell, Schmidt and Yaisawarng.Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis[J].Journal of Productivity Analysis，2002，17，121-136.

[10] Charnes A，Cooper W W，Rhodes E.Measuringthe Efficiency of Decision Making Units[J].European Journal of Operation Research，1978，2，429-444.

[11]李周、于法稳.西部地区农业生产效率的DEA分析[J].中国农村观察，2005（6）.

[12]时悦.农业生产效率变动分析、分解及调整目标--基于DEA方法的实证研究[J].华南农业大学学报，2008（6）.

[13]宋增基、徐叶琴、张宗益：基于DEA模型的中国农业效率评价[J].重庆大学学报，2009（3）

[14]亢霞、刘秀梅.我国粮食生产的技术效率分析[J].中国农村观察，2006（4）.

[15]杜文杰.农业生产技术效率的政策差异研究基于时不变阈值面板随机前沿分析[J].数量经济技术经济研究，2010（9）.

[16]魏权龄.评价相对有效性的DEA方法[M].中国人民大学出版社，1988.

[17]魏权龄.数据包络分析(DEA) [J].科学通报，2000（17）.

[18]盛昭瀚、朱乔、吴广某.DEA理论、方法与应用[M].科学出版社, 1996.

[19]陈卫平.中国农业生产率增长技术进步与效率变化：1990-2003 [J].中国农村观察，2006（1）.

[20]李谷成.技术效率、技术进步与中国农业生产率增长[J].经济评论，2009（1）.

[21]康继军、张宗益、傅蕴英.中国经济转型与增长[J].管理世界， 2007（1）.

本文来源：https://www.bwwdw.com/article/ljzt.html