吉林省农业机械化发展效率评价

陈芸 李长伟

摘 要：以2010—2014年的吉林省40个县域的农业机械化数据为基础，通过数据包络分析方法DEA-BCC模型和Malmquist指数模型对吉林省农业机械化发展效率进行了评价，静态结果表明吉林省农业机械化综合效率较高归功于技术效率和规模效率。动态结果表明影响吉林省农业机械化发展效率的主要原因在于农业机械化技术进步与创新程度不足。

关键词：吉林省；农业机械；DEA；Malmquist指数

中图分类号：S232.3 文献标识码：A

DOI：10.19754/j.nyyjs.20190530002

基金项目：湖北省教育厅科研项目“地源热泵非稳态传热模型温度场的随机分析”（项目编号：B2017295）；武汉生物工程学院校本教学研究项目“基于应用型人才培养统计学课程教学内容改革的研究与实践”（项目编号：2017J27）前言

吉林省位于我国东北的中部，是国家粮食的主要产区之一。我国是农业大国，农业在国民经济中占有十分重要的地位，而农业机械化是实现农业现代化的重要指标之一，解决好“三农问题”离不开农业机械化这一问题。积极发展农业机械化为提高农业生产效率，降低生产成本，加快农村经济发展，提高农民收入改善居民生活水平，为解决好三农问题提供了一个突破口。如何科学合理的评价农业机械化发展效率，以及在农业机械化建设进程中存在着哪些问题，这些对于农业发展有着重要的意义。关于我国农业机械化发展已有诸多专家学者对此进行研究；梁永等学者利用模糊聚类法对辽宁省农业机械化发展水平进行了评价和分析[1]；刘芸芸等利用主成分分析法对新疆农业机械化发展因素进行了研究[2]；李美娥等利用改进的层次分析法对农业机械化的多目标决策问题进行了分析[3]；白冬艳用因子分析法对我国农业机械化发展水平进行了评价[4]；郑文钟等利用地理信息系统对浙江省的农业机械化发展水平进行了地区比较[5]；魏效玲等利用模糊综合评价算法对农业机械化项目绩效进行了研究[6]。然而现阶段多数学者采用静态研究的办法来反映机械化发展情况，缺少动态变化趋势，本文采用DEA-BBC模型对吉林省40个县域的农业机械化发展进行静态评价，再使用Malmquist指数对40个县域2010—2014年的面板数据进行农业机械化发展动态分析，期冀获得影响吉林省农业机械化发展效率的原因以及相关对策。

1 数据来源与研究方法

1.1 研究方法

数据包络分析方法（Data Envelopment Analysis， DEA）由美国运筹学家 A.Charnes，W.W.Cooper和E.Rhodes在1978年提出的；用来评价相同类型的多投入、多产出的多个决策单元（DMU）的相对效率。数据包络分析法（DEA） 的主要思想是对判断各个已知的决策单元投入与产出的合理性及有效性[7]。数据包络分析法以C2R、BC2、ST、FG等模型为代表[8]。评价农业机械化发展效率属于可变规模收益的范畴，采用BCC模型较为合适。

1.2 数据来源

利用2011—2015年《吉林省统计年鉴》所提供的2010—2014年相关数据，根据DEA-BCC模型和Malmquist指数模型，对吉林省40个县域的农业机械化发展效率进行了静态和动态2个方面的评价。考虑到投入与产出指标的科学性和易得性，选取农业技术人员人数（人）、农业机械总动力（万千瓦）、农村用电量（kw/h）、机耕面积（千公顷）、机播面积（千公顷）、有效灌溉面积（千公顷）、农用小型机手扶拖拉机数量（台）、大中型农用拖拉机数量（混合台）、农用排灌动力机械数量（台）、粮食加工机械数量（台）作为投入指标，将农林牧渔总产值（万元）和粮食总产量（t）作为产出指标。其中决策单元（DMU）为吉林省40个县域（注：2014年12月20日九台市撤市设区仍当作样本）。

2 实证分析

2.1 基于产出导向型的DEA-BCC静态分析

利用2015年《吉林省统计年鉴》所提供的相关指标数据，运用DEAP2.1软件，选择产出导向型（Output Orientated）的DEA-BCC评价模型，得到了2014年吉林省40个县域的农业机械化发展相对效率值，结果如表1所示。

由表1可以得出：从综合效率来看，吉林省农业机械化发展效率平均值为0.921，总体综合效率较高。其中，农安、榆树、永吉、桦甸、磐石、梨树、伊通、公主岭、双辽、东辽、通化、辉南、柳河、集安、抚松、靖宇、长白、临江、长岭、迁安、扶余、镇赉、珲春、龙井、和龙、安图共26个地区为DEA有效，占65%。技术和规模效率也均为有效，说明农业机械化发展得到了有效的资源配置，处于较为先进的水平。这些地区主要处于吉林中部和南部。从技术效率角度来看，吉林省技术效率平均值为0.957，技术效率处于较高水平。除上述26个地区外，又增加了德惠、舒兰、延吉、图门4个地区达到了技术效率有效，占75%。技术效率有效地区大多处于吉林省中部和东部地区，说明这些地区对农业机械化的现有技术利用、技术创新程度非常重视并且得到了有效的管理。余下的10个地区尚未达到技术效率有效，说明对现有技术没有充分利用，需要加强技术利用和创新，并提高管理水平。从规模效率来看，吉林省规模效率平均为0.961，总体规模效率也较高。这部分地区和综合效率有效的地區一样。从规模收益状况来看，九台、德惠、蛟河、舒兰、东丰、前郭、敦化共7个地区规模效率小于1且规模收益处于递减状态，不需要进行扩大机械化规模来进行提高产出水平。梅河口、通榆、洮南、大安、延吉、图门、汪清规模效率小于1且规模收益处于递增状态，这些地区处于吉林省西部和东部需要扩大机械化规模，增加投入来提高产出水平。其余地区为规模收益不变，保持目前规模即可。

2.2 基于Malmquist指数的动态分析

利用DEAP2.1 软件对2011—2015年《吉林省统计年鉴》所提供的各地区201—2014年的相关指标数据计算Malmquist指数及其分解的结果，按年份结果如表2所示，按县域结果如表3所示。

从表2来看，2010—2014各年农业机械化发展效率的Malmquist指数呈现先下降而后又上升的趋势，从平均数来看Malmquist指数为0.917，说明全要素生产率年均下降了8.3%，之所以出现这种状况可能与这期间受灾情况有关，尤其是2013年受灾人数最多。其中技术效率变动指数为1.009，技术变化为0.909，说明总体效率下降主要因素为技术变化，即受到了农业机械化技术进步与创新的限制。而构成技术效率变动的纯技术效率变动指数和规模效率变动指数分别为1.005和1.004，说明资源配置、机械化规模和管理水平的提高推动了技术效率变动。

从表3来看，蛟河、桦甸、舒兰、磐石、梨树、抚松、靖宇、长白、临江、前郭、长岭、乾安、扶余、镇赉、通榆15个县域的Malmquist指数大于1，占37.5%。说明这些地区在2010—2014年农业机械化的全要素生产率有不同程度的提高。其中大部分县域都是由于技术变化（techch）造成的，除了桦甸、舒兰、磐石、梨树是因为技术效率（effch）变动造成的。另外还有集安、汪清和安图的Malmquist指数大于或等于平均水平。在余下的低于平均水平的各县域中，也是由技术变化（techch）造成了农业机械化发展效率低。根据图1吉林省农业机械化全要素生产率空间分布图可以看出全要素生产率指数较高的县域大多在吉林省西北部和中部，分布不均匀。区域性差异的客观存在和有规律的分布，决定了各区域农业机械化发展面临的机遇和挑战各不相同[10]。需要因地制宜、科学的指导，改善和促进农业机械化的协调实现快速发展。（注：图1中白色部分为市辖区。）

3 结论与建议

利用数据包络分析法（DEA）中的产出导向BCC模型对2014年吉林省各县域农业机械化发展相对效率静态分析得到技术效率平均值为0.957和规模效率平均值为0.961，综合效率平均值为0.921。结果表明总体综合效率较高受到技术效率和规模效率的影响。这得益于国家对吉林省农业机械化的大力扶持，使得规模扩大，机械化管理水平和技术水平都得到了改善。

利用Malmquist指数对2010—2014年吉林省农业机械化发展相对效率的动态分析得到：技术效率变动指数平均值为1.009，技术变化指数平均值为0.909，纯技术效率变动指数平均值为1.005，规模效率变动指数平均值为1.004，全要素生产率变动指数平均值为0.917。结果表明影响吉林省农业机械化发展效率的主要原因在于技术变化（techch），即农业机械化技术进步与创新程度不足。要进一步提高吉林省农业机械化的全要素生产率需加大机械化技术进步和创新程度，与此同时需要吸引人才，增加农业技术人员数量，并且让更多的农户受到专业的培训和指导。

参考文献

[1] 梁永， 邱立春. 辽宁省农业机械化发展水平的评价与分析[J]. 农机化研究， 2006（6）： 70-72.

[2] 刘芸芸， 李红. 基于主成分回归模型的新疆农业机械化发展影响因素评价[J]. 贵州农业科学， 2013（9）： 197-201.

[3] 李美娥， 单士睿. 改进的AHP法在评价农业机械化发展水平中的应用[J]. 农机化研究， 2011，33（5）： 56-59.

[4] 白冬艷. 用因子分析法评价我国农业机械化发展水平[J]. 农机化研究，2006（9）： 1-5.

[5] 郑文钟， 何勇. 基于GIS的浙江省农业机械化发展水平的地区比较[J]. 浙江大学学报（农业与生命科学版）， 2004 （6）： 82-86.

[6] 魏效玲， 王杰华， 周振中. 农业机械化项目绩效模糊综合评价算法[J]. 东北农业大学学报， 2012，43 （8）： 68-73.

[7] 潘国刚， 贾江涛. 考虑科技投入的区域能源效率评价研究—以广东省为例[J]. 科学技术与工程， 2011，11（28）： 7036-7041.

[8] 张悟移， 杨云飞. 中国区域经济发展效率评价—基于DEA和Malmquist指数[J]. 华东经济管理， 2014，28（11）： 63-67.

[9] 王晓玲， 方杏村. 东北老工业基地经济振兴效率评价及影响因素分析[J].商业研究， 2017（1）： 69-74.

[10] 段亚莉， 何万丽， 黄耀明，等. 中国农业机械化发展区域差异性研究[J].西北农林科技大学学报（自然科学版），2011，39（6）： 210-216.