中国桑蚕茧生产效率评价及影响因素分析<br/>——基于超效率DEA和Tobit模型

中国桑蚕茧生产效率评价及影响因素分析
——基于超效率DEA和Tobit模型

2018-03-27赵明，陈清

江苏农业科学 2018年4期

赵明，陈清

(江苏大学财经学院，江苏镇江 212013)

国家“十三五”规划纲要明确指出，供给侧改革要减少无效和低端供给，扩大有效和中高端供给，增强供给结构对需求变化的适应性和灵活性，提高全要素生产率，使供给体系更好地适应需求结构变化。供给侧改革的最终目的是要增进供给体系的质量和效益。作为我国传统农业重要组成部分的蚕桑产业，自加入WTO以来生丝出口虽然有较大幅度增长，但我国桑蚕茧生产效率一直没能得到有效提高，近年来桑蚕茧产业出现了生产成本提高、竞争力下滑、不少地方蚕农养蚕积极性受挫等问题[1]。当前通过扩大桑树种植面积来提高桑蚕茧生产效率的空间已经很有限，提高桑蚕茧生产效率只能依靠单产提高，提高单产的关键在于提高桑蚕茧单位面积的生产效率。广西壮族自治区、江苏省、安徽省、浙江省、湖北省等15省(市、区)一直是我国桑蚕茧主产省份，在供给侧改革的背景下对上述15省(市、区)桑蚕茧生产效率进行研究，对于“十三五”时期提高农业生产效率、促进农业现代化具有非常重要的意义。

关于效率的含义，国内外学术界一直没有给出一致的界定。不少国内学者认为，效率即用既定的资源进行生产时产出是否最大，或者既定产出时资源投入是否最小，也有国内学者认为，效率是既定资源所提供的效用满足程度。国外学者认为，生产点的效率值是每个观测值与根据已知的投入产出数据所建立的生产前沿面的距离。结合国内外学者的观点，本研究效率指的是利用DEA方法测算的生产点与生产前沿面的距离。目前，国内不少学者对我国农业生产效率进行研究时，所运用的研究方法主要是数据包络分析(DEA)法，主要从以下方面进行研究：(1)对玉米、茶叶、瓜果等农产品以及地区农业生产效率的简单评价。胡贺年等对张掖市2005—2014年玉米种业经济效益进行定量分析和评价[2]。柳萍等以中国10个绿茶主产省作为决策单元，评价了中国10省绿茶种植投入产出的有效性[3]。石晶等对2002—2011年我国11个棉花主产省份的棉花生产效率进行了比较分析[4]。罗丽等运用非参数Malmquist方法，对“东桑西移”前后我国蚕茧主产省份全要素生产率(TFP)进行了比较[5]。(2)在对农业生产效率评价后，对影响效率的因素作进一步分析。薛龙等根据河南省2000—2010年18个市的数据，测算该省粮食生产效率后指出，政府财政支农资金、单位面积的粮食产量、耕地有效灌溉面积以及当地人均GDP对粮食生产效率起重要作用[6]。常浩娟等采用超效率DEA测算了1997—2005年我国31个省(市、区)的农业生产效率，并且认为农业资金投入、农业科技水平、农业人力资本水平、自然灾害等因素对农业生产效率有重要影响[7]。

从上述文献研究成果来看，发现国内学者对我国桑蚕茧生产效率的研究较少，仅有少数学者运用非参数Malmquist方法将不同省份的蚕茧全要素生产率进行过比较，上述研究只是将全要素生产率分解后比较了各省(市、区)的技术效率变化、技术变化、纯技术效率变化和规模效率变化，而没有在此基础上进一步从财政支出水平、教育水平等宏观条件出发分析影响各省(市、区)蚕茧生产效率的因素。基于此，本研究利用2014年度我国15个桑蚕茧主产省(市、区)的投入产出数据，采用超效率DEA模型对15个桑蚕茧主产省(市、区)生产效率值进行测度并排序，并了解这些省(市、区)桑蚕茧生产效率变动趋势和差异性，明确制约我国桑蚕茧生产效率的瓶颈因素，在此基础上提出提高我国桑蚕茧生产效率的可能途径。

1 研究方法与数据来源

1.1 研究方法

1.1.1 超效率DEA方法超效率DEA建立在传统DEA的基础上，与传统DEA不同的是超效率DEA能够解决传统DEA中多个决策单元效率值排名相同而无法分出孰优孰劣的问题[8]。其基本思想是对某个决策单元进行评价时，要将这个决策单元排除在外，用剩余的决策单元的投入和产出的线性组合来代替此DMU的投入与产出，此时该DMU随着投入按一定比例增加仍能保持其相对有效性，增加最大比例值就叫做该DMU的超效率值。超效率值可能介于0和1之间，也可能大于1。如某DMU的超效率值为1.539，表明该DMU等比例增加53.9%，仍能保持相对有效性。

引入松弛变量S-、S+，其中S-表示投入的剩余变量，S+表示产出的剩余变量后，基于投入导向型的超效率DEA的线性规划式为

若θ<1，则第f个决策单元DMUf不是DEA有效，说明经济结构不合理，需要进行调整；若θ≥1，且S-、S+至少有1个不为零，则第f个决策单元DMUf是弱DEA有效，说明n个决策单元中，可以在投入减少S-的情况下保持产出不变，或者在投入不变的情况下，产出增加S+；若θ≥1，且S-、S+同时都为零，则第f个决策单元DMUf是DEA有效，说明在投入x0的基础上产出y0达到了最优。

1.1.2 Tobit分析法在DEA模型测算效率的过程中，没有考虑一些决策单元以外的可控因素，而这些因素对决策单元效率值有很大的影响。考虑到效率值均为有界零散数据，如果采用最小二乘估计法来估计影响效率值的具体因素，可能由于无法完全地呈现数据而导致估计出现偏差。因此，为了找出影响各个决策单元效率值的影响因素，本研究采用Tobit回归模型来估计。

Tobit模型由Tobin 1958年提出，然后由经济学家Goldberger 1964年首次采用，具体模型为

1.2 研究指标选取与数据来源

指标的选取是DEA分析方法的关键。目前，国内构建桑蚕茧生产方式评价指标体系测评生产效率的研究较少。由于学者普遍认可以资本、劳动、物资投入作为农业生产中的投入要素，笔者沿用该思路[9-10]，同时考虑数据的可得性，并结合桑蚕茧生产的自身特点[11]，将2014年我国15个桑蚕茧主产省(市、区)的生产效率作为DMU，投入变量选取了单位面积资本、劳动、土地等的投入，产出变量是单位面积桑蚕茧主产品的产量(表1)。15个桑蚕茧主产省份的投入产出数据来源于2015年《全国农产品成本收益资料汇编》。

表1 我国桑蚕茧主产省份生产效率评价指标体系

1.3 数据处理与说明

在使用DEA模型对决策单元的生产效率进行测度时，各个投入变量和产出变量必须符合“同向性”和“自由度”的要求。同向性要求产出变量和各投入变量之间必须是正相关，如果某投入变量和产出变量之间是负相关，则该投入变量必须进行处理。验证同向性最常用的方法是Pearson相关性检验方法。笔者使用Pearson相关性检验方法对我国15个主产省(市、区)桑蚕茧产量与各投入变量相关性进行检验时发现，单位面积桑蚕茧产量和种子投入费用呈负相关，不符合同向性假设，因此将该投入变量剔除[12]。处理后的投入产出数据以及相关系数见表2、表3。

自由度要求DMU数量必须大于投入变量与产出变量之和的2倍，本研究选取我国15个桑蚕茧主产省(市、区)的生产效率作为DMU，故DMU数量为15，经过处理后投入变量数量为6，产出变量数量为1，显然满足DMU数量必须大于投入变量与产出变量之和2倍的要求。

表2 我国15个桑蚕茧主产省份单位面积投入产出数据

注：数据根据2015年《全国农产品成本收益资料汇编》整理而得。

表3 2014年我国桑蚕茧主产省份生产效率评价投入与产出变量的相关系数矩阵

2 结果与分析

2.1 我国桑蚕茧主产省(市、区)生产效率

选取了投入导向下的DEA模型，运用DEAP 2.1软件测算了各桑蚕茧主产省(市、区)的综合效率(CE)，纯技术效率(PTE)、总体规模效率(SE)。考虑到不少省(市、区)综合效率值为1，为进一步对不同省(市、区)效率值进行排名，选取超效率径向模型，采用DEA Solver 13.1软件来计算我国桑蚕茧主产省(市、区)超效率值，软件运行结果见表4。

表4 我国桑蚕茧主产省份生产效率的DEA运行结果

从表4可以看出，上述桑蚕茧主产省(市、区)中，综合效率值平均值为0.74，与有效前沿面相差26%，整体上生产能力还有进步空间。各省(市、区)中只有河南省、陕西省、甘肃省3省的综合效率值θ为1，且S-、S+同时为0，表明处于DEA有效状态，投入已经不可能减少，达到了最优的要素配置，投入产出相对平衡。山西省、江苏省、浙江省、安徽省、江西省、山东省、湖北省、广东省、广西壮族自治区、重庆市、四川省、云南省这12个省(市、区)的效率值θ都小于1，属于DEA无效状态。值得注意的是各个省(市、区)的投入产出的改进幅度与θ值的大小呈负相关，即θ值越小，投入产出的效率值越低，需要改进的幅度比较大，因此上述省(市、区)当中，改进幅度最大的是山西省。在DEA非有效的省(市、区)中，江西省、山东省、湖北省纯技术效率值明显低于规模效率值，纯技术效率值分别为0.85、0.74、0.72；而山西省、浙江省、安徽省、广东省、广西壮族自治区、重庆市、四川省、云南省8省(市、区)的纯技术效率值大于规模效率值，表明导致我国桑蚕茧主产省份生产效率非DEA有效的原因不相同。

从表4还可以看出，从规模报酬的角度来看，陕西省、甘肃省、河南省3省处于规模报酬不变的状况，这3个省既不需要增加生产要素投入规模也不需要减少生产要素投入规模；山西省、江苏省、浙江省、安徽省、江西省、山东省、湖北省、重庆市、四川省、云南省(市)10个省处于规模报酬递增阶段，增加生产要素投入量会带来产出的成比例增加，适量增加生产要素投入会促进这些省桑蚕茧生产效率的提高；而广东省、广西壮族自治区处于规模报酬递减的阶段，增加生产要素投入量不会带来产出的成比例增加，因此不宜增加投入量，应在当前基础上优化自身桑蚕茧产业结构，充分利用现有的资源。

从表5可以看出，各桑蚕茧主产省份超效率值达到1以上的省份如陕西省、河南省、陕西省、甘肃等省份普遍集中在我国的中西部，而东部地区江苏省、浙江省、山东省、广东省的超效率值排名分别为第13名、第8名、第14名、第6名，普遍落后于西部省份的超效率值。因此，东部省份桑蚕茧生产效率普遍低于中西部省份。

表5 我国桑蚕茧主产省份生产效率的超效率值及排名

注：表中θ值是由DEA Solver 13.1软件计算得出。

2.2 我国桑蚕茧主产省份生产效率的Tobit分析

指标选取。为了全面分析影响我国桑蚕茧主产省(市、区)生产效率的因素，寻找各桑蚕茧主产省(市、区)投入产出之外的宏观指标，从不同角度全面分析影响各桑蚕茧主产省(市、区)的可控因素。笔者通过对现有相关文献考察因素的总结[13-14]，同时结合桑蚕茧生产的特点，主要选取了各省(市、区)的超效率值θ作为因变量，各主产省(市、区)的城镇化率、教育水平、农林水事务支出占各省财政总支出的比重、人均工业产值作为自变量，并有如下假设。

假设1：城镇化率(UR)越高，其桑蚕茧生产效率也就越低。各省(市、区)城镇化率以各省城镇人口占总人口的比重来计算。从发达国家的经验来看，城镇化有利于农业大规模机械化生产，并促进农业生产专一化。但是桑蚕茧产业属于劳动密集型产业，当前随着我国城镇化率的提高，大量农村中青年选择进城务工，城市规模不断扩大，并且城镇人口普遍从事第二产业或第三产业方面工作，较高的城镇化率导致从事农业生产人口较少。因此，假设城镇化率对桑蚕茧生产效率起到负向作用。

假设2：各省省(市、区)15岁以上非文盲人数所占比重越高，其桑蚕茧生产效率也就越高。蚕农作为桑蚕茧生产的直接参与者，如果其拥有较高的文化素质，意味着蚕农学习能力更强，更容易接受新技术，有助于生产效率的提高。本研究以各省(市、区)15岁以上非文盲人口占总人口的比重(PIP)来表示各桑蚕茧主产省份的教育水平。

假设3：各省省(市、区)农林水事务支出越高，对桑蚕茧生产效率的促进作用越明显。无论是我国近年来惠农支农资金的有益探索，还是西方发达国家数百年来农业转型的成功经验，都充分说明政府财政支持是农业获得长足发展的必要条件。我国各省(市、区)农林水事务支出包括农业、林业、水利以及农业综合开发等支出。各个省(市、区)农林水事务支出也会惠及桑蚕茧生产。以各个省(市、区)农林水事务支出占财政支出的比重(APE)作为各桑蚕茧主产省(市、区)财政支出水平。

假设4：人均工业产值越大，桑蚕茧生产效率也越低。较大的人均工业产值，意味着工业化发展程度很高，将有限的资源投入到工业上去了。大量人力、物力、财力的投入也会占用农地，压缩农业的发展空间，不利于桑蚕茧产业的发展。以各省人均工业产值(PCV)表示各省(市、区)的工业发展水平。

根据以上对我国桑蚕茧主产省(市、区)生产效率影响因素的假设，得到如下Tobit模型：

Tit=λ0+λ1URit+λ2PIPit+λ3APEit+λ4PCVit+ζi(i=1，2，…，15；t=2014)

式中：Tit是因变量，是各省(市、区)超效率值，λ0为常数项，λ1、λ2、λ3、λ4分别表示各自变量的系数值，ζi是随机误差项。

本研究相关数据来源于2015年《中国统计年鉴》、《中国农村统计年鉴》、2014年《中国城市统计年鉴》各省(市、区)的统计年鉴，由于个别省(市、区)农林水支出数据缺失，笔者以近年来该省政府工作报告中的农林水支出数据代替缺失数据。并采用Eviews 8.0对各省(市、区)桑蚕茧生产效率影响因素进行Tobit回归。

从表6中可以看出，(1)城镇化率、人均工业产值对我国各桑蚕茧主产省(市、区)的影响系数为负值，表明城镇化率、人均工业产值当前仍然是影响我国桑蚕茧生产效率的主要因素之一。桑蚕茧产业属于劳动密集型产业，不少地区蚕农以个体生产为主，城镇化率的提高导致农村劳动力减少，且蚕农年龄普遍偏大，机械化生产无法展开，因此，城镇化当前还没能促进桑蚕茧生产效率的提高。随着我国工业化的发展，各省(市、区)人均工业产值普遍提高，各省(市、区)在工业上投入越来越多的资源，不少第一产业从业人员转移到工业上来，在一定程度上影响了各省(市、区)桑蚕茧生产的效率。但是，城镇化率、人均工业产值的系数未能通过检验，说明这二者对桑蚕茧生产效率的影响只是方向上的。(2)用15岁以上人口中非文盲人数占总人口的比重表示的各桑蚕茧主产省的教育水平的回归系数为负数，在15%的水平上显著。这与之前的理论假设不一致，也与众多学者研究结论不相同。可能原因是桑蚕茧产业属于传统农业，在我国已经有了数千年的历史，而当前我国农业职业技术学校设蚕茧专业的并不多见，不少从事桑蚕茧生产的蚕农并没有太高的学历，他们在多年的生产过程中积累了丰富的养蚕经验，也可以实现较高的生产效率。(3)各省(市、区)农林水事务支出占财政支出的比重与其桑蚕茧生产效率呈正相关，并通过了显著性检验，表明各省(市、区)政府对农林水事务资金的投入会带来桑蚕茧生产效率的提高。可以解释为我国农业大省普遍重视对农林水事务方面的投入，推进农村交通基础设施以及大宗优势农产品基地建设，积极培养农业专职技术人才，推广先进农业技术。同时采取贷款贴息和财政补助的2种方式，扶持农业产业化经营。具体到桑蚕茧领域，不少省(市、区)对桑蚕茧实行保护价收购，对新扩建的桑园实行补贴，这些都是稳定各地区桑蚕茧生产规模的必要举措，调动了农民的积极性，在很大程度上促进了桑蚕茧生产效率的提高。

表6 我国桑蚕茧生产效率影响因素Tobit模型计算结果

注：“*”“***”分别表示在15%、5%水平上显著。

3 结论与建议

基于超效率DEA、Tobit模型分析方法，对我国桑蚕茧主产省(市、区)生产效率进行研究，同时找到了影响蚕农生产效率的主要因素。为了促进我国桑蚕茧产业的发展，应该采取以下措施：(1)改变当前以家庭为单位的小规模生产格局，适度提高桑蚕茧生产规模[15-16]。15个省(市、区)中，只有3个省处于规模报酬不变的状况，10个省(市)处于规模报酬递增阶段，广东省、广西壮族自治区处于规模报酬递减阶段。因此，对于大多数桑蚕茧生产效率不高而又处于规模报酬递增的省而言，应当借鉴农业领域规模化生产的成功经验，适度横向扩大桑蚕茧生产规模，引导蚕农走“家庭农场+合作社”经营模式道路，这有利于解决劳动力不足的问题，有利于提高桑蚕茧生产效率。(2)政府部门应重点优化财政支出结构，提高财政支农的效益，加大农业科技投入，培养蚕桑技术人才[17]。我国桑蚕茧主产省(市、区)效率值小于1的省纯技术效率值普遍不高。这些省(市、区)应当提高现代农业技术在桑蚕茧产业当中的应用水平。具体措施包括在保持农林水利各部门事业费和支援农业生产支出总量的同时，加大对农业科技推广项目及服务体系建设的支持力度；加快桑蚕茧新品种的引进和改良；在桑蚕茧饲养过程中，探索省力化饲养模式[18-19]。(3)合理规划好非农业和农业的发展关系。我国15个桑蚕茧主产省份当中，尽管东部地区的江苏省、浙江省、山东省等城市化率和人均工业产值普遍高于中西部各个省(市、区)，但是其超效率值排名普遍靠后。因此，各地政府不能一味以牺牲农业发展为代价换取工业和城镇化的发展，应当从长远打算，合理规划好二者的关系。

[1]陈涛. 中国蚕桑产业可持续发展研究[D]. 重庆：西南大学，2012.

[2]胡贺年，窦学诚. 基于DEA方法的种业经济效益评价研究——以张掖市玉米种业为例[J]. 中国农业科技导报，2015，17(6)：150-157.

[3]柳萍，姜爱芹，霍学喜，等. 基于DEA分析的中国绿茶生产效率实证研究[J]. 中国农学通报，2011，27(4)：296-300.

[4]石晶，李林. 基于DEA-Tobit模型的中国棉花生产技术效率分析[J]. 技术经济，2013，32(6)：79-84.

[5]罗丽，谭砚文. 东桑西移对蚕茧全要素生产效率影响分析——基于Malmquist指数方法[J]. 丝绸，2011，48(1)：56-60.

[6]薛龙，刘旗. 基于DEA-Tobit模型的河南省粮食生产效率分析[J]. 河南农业大学学报，2012，46(6)：700-704.

[7]常浩娟，王永静，程广斌. 我国区域农业生产效率及影响因素——基于SE-DEA模型和动态面板的数据分析[J]. 江苏农业科学，2013，41(2)：391-394.

[8]李碧芳. 基于SBM-DEA模型的中国大豆全要素生产率分析[J]. 河南农业科学，2010(3)：116-119.

[9]秦青. 基于DEA交叉评价的河南农业和粮食生产效率研究[J]. 湖北农业科学，2011，50(16)：3443-3447.

[10]季丹. 中国区域生态效率评价——基于生态足迹方法[J]. 当代经济管理，2013，35(2)：57-62.

[11]范业婷，鲁成树，方晨. 基于DEA模型的合肥市土地利用综合技术效率研究[J]. 国土资源科技管理，2013，30(5)：53-57.

[12]宋莉莉，马晓春，王秀东. 我国农业发展方式对农民收入影响分析——基于DEA-Tobit模型[J]. 中国农业科技导报，2014，16(6)：149-158.