基于DEA-Malmquist指数的中国海水养殖生产效率研究

摘要：将面板数据和横截面数据相结合，运用DEA-Malmquist方法对2006—2016年沿海9个省份海水养殖的生产效率进行分析。实证结果表明，中国海水养殖业生产率整体上呈现出不断提升的趋势，就年平均值而言，沿海省份的全要素生产率增长了148%，主要得益于技术进步，属于技术诱导型增长，但也存在海水养殖投入要素的利用率不高，各省份生产率存在差异等问题。建议如下，一是要健全政府海洋管理的保障机制，二是增强海洋水产科学技术的推动作用，三是发挥海水养殖专业合作社的引导功能，四是要加强新型“职业渔民”培养力度，五是要提高互联网信息的支撑能力。

关键词：海水养殖;生产效率;DEA-Malmquist指数

中图分类号：F3264文献标识码：A文章编号：1009-5381（2020）01-0057-12

中国是海洋大国，拥有约300万km2的海域面积，其中适宜海水养殖的面积达到133万km2[1]。2016年，海水养殖产量196313万吨，占海水产品产量的5625%[2]。合理开发和充分利用海域资源是海水养殖业健康有序发展的必经之路，海水养殖业生产率的提高是海洋渔业经济增长的根本动力。只有不断提高渔业科学技术水平，加强养殖技术推广的深度和广度，提高海水养殖的生产效率和绿色发展潜力，才能真正增加海水养殖的产出，实现海洋渔业的可持续发展。可以说，发展优质高效的海水养殖，是功在当代、利在千秋的永续发展的千年大计[3]。

一、文献综述

经典经济理论认为，投入要素的增加与生产效率的提高是经济增长的源泉，由于资源约束及其边际收益递减规律，投入要素的增加不可持续，因此长期经济增长源于生产效率的不断提高。由于投入要素具有需求的联合性特点以及生产效率的不能直接测量性，因此全要素生产率（TFP）的核算是经济增长能力的最好体现。希勒姆·戴维斯（Hiram Davis）于1955年在其著作《生产率核算》中首次提出“全要素生产率（TFP）”理论[4]。全要素生产率是指全部生产要素（包括资本、劳动、土地，但通常分析时都略去土地不计）的投入量都不变时，生产量仍能增加的部分。“全”的意思是经济增长中不能归因于有形生产要素增长的那部分，通常归因于科学技术的进步与技术效率的改进，因而又叫做技术进步率，是以R.索洛、J.肯德里克、E.丹尼森等提出的新古典经济增长理论中用来衡量除去所有有形生产要素以外的纯技术进步的生产率的增长[5]。

全要素生产率增长测算的方法，主要基于经济计量学方法和非参数方法[6]。经济计量学方法测算原理是通过设定某种形式的生产函数，利用计量分析工具确定函数中的参数进而测算其全要素生产率，故又称为参数法，经典的经济计量学方法主要有索洛余值法、随机边界分析法、半参数分析法、工具变量法等;非参数法是在运筹理论、指数理论等基础上建立起来的另一种全要素生产率的测算方法，它不需要设定固定的生产函数，从而避免了参数法中的一系列假设，非参数法主要包括数据包络分析法（Data Envelopment Analysis，DEA法）、指数法、马姆奎斯特生产率指数边界估计法（Malmquist Indices，MI指数）等。目前，非参数法成为全要素生产率增长测算的主流方法。全要素生产率测算法在渔业产业中的应用，也主要借鉴了参数法和非参数法，且偏重用非参数法测算，主要包括指数法和数据包络分析法（DEA法）[7]。

将Malmquist指数与DEA法相结合研究渔业全要素生产率变化、技术进步以及技术效率的变化等成为渔业生产率增长测算的常用方法。因为这种方法在数据方面不需要投入和产出的价格信息，也不需行为假设，且便于计算，在管理科学文献中得到了广泛的应用[8]。

发展观察徐敬俊：基于DEA-Malmquist指数的中国海水养殖生产效率研究渔业产出水平通常被认为是要素投入数量和质量（捕捞努力量）与种群数量的函数，但种群丰度的度量比较难。此外，对多种群渔业生产函数的估计需要所有种群的综合指数以反映出每一种群丰度的变化对整个渔获量综合衡量的相对影响，因此固定的渔业生产函数的设定比较困难，而基于DEA-Malmquist指数的渔业生产效率的变化，是独立于种群，并直接正比于种群丰度的变化，这种分析方法被有效应用于西班牙南大西洋单一种群和多种群的两个渔场的渔业生产效率的验证[9]。在许多情况下，渔获物的数量和价值具有重要意义，因此，渔业种群存量和渔业政策的变化对渔业全要素生产率会产生不可估量的影响。在分析渔业管理政策如何改变渔业活动水平时，需要评估全要素生产率（TFP）在一段时间内的变化，包括效率、规模和技术的变化，DEA-Malmquist指数法显得更为适合。应用这一工具，对丹麦围网渔船船队在北海（North Sea）和斯卡格拉克海峡（Skagerrak）1987年至1999年间由于可持续发展渔业管理政策的实行而引起全要素生产率（TFP）的变化进行了有益的尝试[10]。挖泥捕鱼法是葡萄牙南部的阿尔加维（Algarve）沿海地区的一种拖网捕鱼活动，通过DEA-Malmquist指数法探讨手工捕鱼船队在葡萄牙南部海岸作业生产率的变化并将其分解为技术效率和技术进步指数，对于分析调控政策对当地和沿海船队的作用具有重要意义[7]。共同渔业政策（Common Fisheries Policy，CFP）是欧洲2020战略的一部分，它明确提出了欧洲要实现长期可持续渔业的战略目标，在这一社会背景下，考虑到渔业资源开发强度相关因素（船队总功率，捕鱼天数，渔获物的价格，资本存量、区域合作社比例等），应用Malmquist指数将意大利拖网渔业的全要素生产率进行分解。结果表明：过度捕捞对全要素生产率具有负作用，资本积累和定价策略對全要素生产率有正向影响。因此，渔业生产活动不是一个孤立的现象，渔业资源的合理利用，是集体福利的来源和社会公平的杠杆[11]。环境的变化，例如降水，温度，短期（厄尔尼诺-南方涛动事件）、中期（年代际尺度的事件）和长期的气候变化等也会对渔业生产率的增长核算产生重要影响，将海水表面温度（Sea Surface Temperature，SST）作为环境变化的投入要素，利用DEA-Malmquist指数测算韩国金枪鱼围网船队在太平洋中西部海域1997年至2002年的全要素生产率，通过对比发现，由于环境状况的变化，平均每年的生产率从112%下降到03%[12]。虹鳟（Rainbow trout）养殖业是伊朗的重要水产业，通过Malmquist指数可以衡量社会经济因素对虹鳟养殖技术变化的影响[13]。渔业部门效率和技术的变化也能解释传统渔业部门投入产出的改善或恶化，将每一个渔业作业区作为决策单元（DMU），采用Malmquist生产力指数（MPI）对阿拉伯湾传统渔业船队在2001—2006年期间全要素生产率变化的测算结果表明，年平均MPI范围从54%到547%不等，提出了传统渔业可持续发展的必要步骤[14]。挪威是世界四大鲑鱼（salmon）生产国之一，以饲料、鲑鱼苗、劳动力小时数、养殖面积、资本作为投入指标，以鲑鱼年产量为产出指标，利用DEA-Malmquist指数测算1996—2008年间挪威鲑鱼养殖部门的全要素生产率变化，结果表明挪威鲑鱼年产量的增长率从1992—1995年间的15%—20%放缓为1996—2008年间的1%—2%，平均每年增长率约为8%。Malmquist指数的分解表明，综合效率的变化为02%—12%之间，技术进步的变化在06%—08%之间，此外，没有证据表明规模报酬递增。多年来鲑鱼养殖生产率增长放缓，说明需求增长是鲑鱼养殖业生产增长的主要动力，而且生产增长只能发生在养殖面积增加时，而缺乏合适的养殖区域可能是鲑鱼养殖业未来产量增长的最大限制因素[15]。

DEA理论在中国海洋渔业中指导性和在渔业实际中的适用性值得我们进行探索，尤其在对渔业数据的需求上，DEA法极具灵活性，按照DEA方法通过产量估计得到的捕捞能力的值，虽然需要不断地按照新的情况进行修正，但结果是令人满意的[16]。利用DEA-Malmquist生产率指数对沿海11省、市2000—2005年的海洋捕捞生产效率进行分析研究的结果表明，考察期内Malmqusit生产效率指数的变动结果是降低的，降低的原因主要来自技术变动率的下降。通过数据分析结果与实际情况的对比，认为海洋捕捞统计数据与实际状况存在一定误差[17]。2002—2009年沿海11个省份的Malmquist指数分析表明，渔业产业效率有了显著改善，但大部分省区表现为粗放型的技术进步特征，综合效率还有待于进一步提高[18]。2005—2012年间，沿海11个省市渔业产出全要素生产率平均增长了12%，内因是来自于技术效率和技术进步的同时提高，其中技术效率增长了05%，技术进步增长了07%，渔业产出技术效率的提高是来自于纯技术效率的增加，规模效率不增反减，同时各个省市全要素生产率地区差异明显，但其变化原因却不尽相同[19]。2008—2013年中国近海捕捞渔业全要素生产率的DEA-Malmquist指数表明，近海捕捞渔业平均全要素生产率呈增长趋势，年均增长率为23%。纯技术效率、规模效率与技术效率之间的异向变化导致技术效率的下降，技术效率下降是平均纯技术效率下降和平均规模效率下降共同作用的结果[20]。

文献表明，多数研究聚焦于海洋捕捞业效率的分析，尤其是国内学者对海水养殖业效率的研究涉足较少。从养殖面积和总产量来说，中国都是世界上海水养殖业最大的国家，其中海水养殖产量约占世界总产量的2/3，但是在有限的海域面积内和其他养殖投入要素约束条件下，如何保证产业的可持续发展显得尤为重要。

二、研究方法及数据说明

（一）DEA-BCC（BC2）模型

DEA（Data Envelopment Analysis）是数据包络分析的简称，从1978年初次提出发展到现在，模型被不断地完善，成为国内外学者广泛使用的一种用来解决同类型的多投入和多产出的决策单元技术效率评价的非参数方法。其主要的操作原理是先确定决策单元（Decision Making Units，DMU）群体，然后经过数据运算，在数据点的基础上构造一个非参数的包络前沿，使得所有的观测数据都在生产前沿的上面或者下面，再确定相对有效的生产前沿面，最后根据决策单元与有效前沿面的距离来确定其是否DEA有效。同时，可以通过投影方法对非DEA有效进行改进。本文拟采用规模报酬可变（VRS）模型，将海水养殖效率评价的省份作为决策单元（DMU）。在模型中，假设有k个决策单元DMUi（i=1，2，…，k），每个决策单元都有m种输入和n种输出，第i个决策单元DMUi的输入和输出向量分别为Xi=（x1i，x2i，…，xmi）T，Yi=（y1i，y2i，…yni）T，选取DEA方法中投入导向的BCC（又称为BC2）模型：

（三）数据来源和投入产出指标

1数据来源。由于城市规模的快速扩张，天津市和上海市的海洋水产养殖业不断萎缩，部分年份的数据缺失，为了实现数据的完整性和分析的科学性，本研究只选择河北、辽宁、山东、福建、江苏、浙江、广东、广西、海南9个沿海省份的2006—2016年间的海洋水产养殖业的面板数据，数据主要来源于《中国渔业统计年鉴》和国家统计局官网。

2指标说明。根据本文的研究目的以及数据的易获得性、完整性和准确性，沿海9个省份海水养殖的投入-产出变量选取1个产出指标，即海水养殖的生产总值（单位：亿元）和4個投入指标，分别为水产鱼苗生产总值（单位：亿元）、海水养殖面积（单位：千公顷）、海水养殖年末机动生产渔船（单位：艘）、海水养殖专业从业人员（单位：人）。投入变量符合土地、资本和劳动力的生产投入三要素。具体投入-产出变量的解释参考《中国渔业统计年鉴》，由于篇幅有限，不再赘述。

为了保证数据的一致性和准确性，本文对投入产出变量的数据进行了合理的调整。第一，使用统一的单位，如海水养殖面积在某些年的数据中使用的单位是亩，现改为千公顷（1亩=00667公顷）;第二，为消除物价指数的影响，海水养殖生产总值和水产鱼苗生产总值以2005年为基期年，以2005年渔业产品生产价格指数进行计算，计算公式为：实际海水养殖生产总值=当年海水养殖生产总值×（当年的渔业产品生产价格指数/基期年的渔业产品生产价格指数）;第三，由于无法获得海水养殖的水产鱼苗生产总值，只能依靠合理估算的方法。计算公式为：实际海水养殖水产鱼苗生产总值=当年水产鱼苗生产总值×（当年的渔业产品生产价格指数/2005年的渔业产品生产价格指数）×（海水养殖水产品总产量/养殖水产品总产量）。

对2006—2016年9个沿海省份海水养殖的投入产出指标进行描述统计，其结果如下表（表1）所示：

三、实证分析

（一）综合效率分析

1以投入为导向的静态BCC模型分析。基于DEA方法中投入导向的BCC（又称为BC2）模型，运用DEAP21软件计算沿海9省份的综合效率、纯技术效率和规模效率的结果如表2所示：

首先，从纯技术效率来看，福建、广东、河北、海南、江苏和山东6省2006—2016年间的纯技术效率均为1，说明在目前的技术水平上，其投入资源的使用是有效率的。

其次，从规模效率和规模报酬来看，2006—2016年间，海南、江苏、山东这3个沿海省份的规模效率均为1，处于最佳规模报酬阶段，而其他省份在不同年份上存在实际规模与最优生产规模的差距，需要不断调整，具体情况如下表（表3）所示：

表32006—2016年沿海省份海水养殖规模报酬变化情况

其次，从各年份的综合效率角度出发，2006—2016年数据表明纯技术效率对综合效率的促进作用明显较弱于规模效率。这说明，本研究期间中国海洋水产养殖业综合效率的提高主要得益于规模效率的提升。

再次，从各年份的全要素生产率变化角度出发，11个年份中仅有2007—2008年度和2010—2011年度两个年份全要素生产率小于1，其他年份全要素生产率都大于1。特别是从2011年以后，全要素生产率每年提升都在10%以上;全要素生产率变化主要受技术进步的影响，属于技术进步驱动型增长。

最后，从各年份全要素生产率变化的排序角度出发，全要素生产率变化最大的年份是2009—2010年，其次是2011—2012年与2006—2007年，2010—2011年、2007—2008年和2008—2009年则分别为倒数第一、二、三名。这些年份的全要素生产率变化较大，除了受技术效率变化的影响外，还受国内外社会因素和国家政策以及自然灾害等影响。结合我国“三农”政策及国际宏观背景分析，2006年是国家全面推进社会主义新农村建设的第一年，全国渔业系统和广大渔民群众认真落实中央关于“三农”工作的各项政策措施，2006—2007年的全要素生产率上涨速度较快。然而2008年对于全国渔业发展来说是极不平凡的一年，连续遭受生产资料价格上涨、全球金融危机和冰冻雨雪、地震、台风等多次特大、重大自然灾害等不利影响和巨大冲击，全要素生产率变化也惨遭“滑铁卢”。经历巨大冲击后，国家支持渔业发展的政策力度明显加大，有效地调动了广大渔民生产积极性，但由于金融危机的后续影响，仍存在较多不可控因素，因此2009—2012年的全要素生产率变化呈现出猛烈的上下波动。

2006—2016年间海洋水产养殖业全要素生产率变化及其构成变动的趋势如图1所示：

图1沿海省份历年全要素生产率及其构成变动趋势结合上述分析以及全要素生产率变化及其构成变动的趋势图，2006—2016年沿海省份海水养殖业全要素生产率的提高主要得益于技术进步，纯技术效率和规模效率在多数年份存在降低的情况，在一定程度上说明中国海水养殖业的产业结构总体上还是依存于养殖科研新成果、新技术的试用。在当前的养殖技术水平上，资源利用尚未达到精细化要求，一旦遇到养殖技术的瓶颈，例如苗种种质退化，新品种研发投入不足等，再加上养殖外部环境的恶化、养殖品种的同质性竞争等市场因素，养殖生境的退化、水产品深加工技术的制约、产业链条制约等情况发生，就会使养殖业全要素生产率下降。因此海水养殖业全要素生产率的提高不能仅依靠养殖技术进步的推动，还需要提高养殖技术利用的效率水平，在每一次的养殖技术进步基础上充分挖掘养殖业资源的利用率。

2海水养殖的全要素生产率（tfpch）省际变化及其构成分析。海水养殖生产率的提高是海洋渔业经济增长的根本动力，沿海省份普遍重视发展海洋水产养殖业。为了解各省份海水养殖业的发展态势以及为进一步发展海水养殖业提供对策，投入角度的Malmquist指数的规模报酬可变模型对2006—2016年9个沿海省份海水养殖的全要素生产率测度结果如下表（表6）所示：

表6测算数据结果表明：

第一，全要素生产率变化呈现明显的省际差异，增长速度最快的是广西，达298%。紧随其后的是海南和江苏，增长速度均高于平均增速。增长速度最慢的两个省份是浙江和辽宁，增長率分别为74%和97%，均低于10%。从这两个省份全要素生产率的构成看，其原因在于纯技术效率和规模效率都有不同程度的下降。河北全要素生产率虽然居于平均水平，但规模效率明显下降。

第二，从各省份养殖技术进步情况来看，整体上所有省份的技术进步率都大于1，但是超过一半的省份技术进步率仍低于平均值。这说明各省份的海水养殖技术依然存在差异化，技术水平低的省份需要向技术强的省份学习和交流的同时引进先进技术。

第三，各沿海省份的全要素生产率的变化与技术进步率一致，平均值都上涨了148%，技术进步率对全要素生产率的提升起到了举足轻重的作用，属于技术进步驱动型增长，但纯技术效率不高。因此，沿海各省需要不断提高海水养殖科学技术水平与现有资源的配置水平，加强养殖技术推广的深度和广度，提升海水养殖的纯技术效率，进而增加海水养殖的产出数量，增加养殖业主的收入水平，实现海洋水产养殖渔业的可持续发展。

四、结论和建议

（一）结论

1中国海水养殖业全要素生产率水平较高。2006—2016年沿海9省份海水养殖的全要素生产率和技术进步年均提升148%，综合效率虽然受纯技术效率的恶化，但是得益于规模效率的强化作用，使得其仍保持DEA有效。从年际变化看，仅有2007—2008年度和2010—2011年度两个年份全要素生产率小于1，表明沿海省份在2006—2016年海水养殖生产效率总体上得到改善，同时也体现了海水养殖的全要素生产率的增长由依赖生产要素的投入转向依靠技术进步，从粗放型增长转型为集约化发展，这为进一步推进海洋渔业供给侧结构性改革、形成沿海渔业发展新动能、加快推进海洋水产养殖产业升级作了良好铺垫。

2技术进步率是全要素增长的重要推动力。测算数据结果表明，海洋水产养殖业全要素生产率的变化与技术进步率相一致，平均都上涨了148%，说明中国海洋水产养殖业全要素生产率的改善不是由纯技术效率的改善和有效规模的合理配置形成的，而是技术进步率起到了重要作用，属于技术进步驱动型增长。因此，沿海各省海水养殖业的发展不但需要加快养殖技术的更新速度，更重要的是要强化养殖技术推广的有效程度，努力提高海水养殖生产的科技进步的利用效率;同时要适时调整海水养殖规模，加快海水养殖产业结构的转变，实现海水养殖资源的优化配置，提高海水养殖资源的综合利用率，进一步转变海水养殖业增长方式，提升海水养殖业的综合效益和竞争力。

3海水养殖全要素生产率年际和省际差异显著。从年际测算结果来看，最高年份的2009—2010年度Malmquist指数为1581，而最低年份的2010—2011年度Malmquist指數为0860;从省际测算结果来看，最高的广西Malmquist指数为1298，而最低的浙江Malmquist指数为1074。这些显著的差异性表明，一方面，要树立可持续发展的养殖观念，切忌一哄而上的同质性养殖品种的不良竞争，避免因市场和外部因素的冲击对养殖业的长远影响;另一方面各省养殖业要从实际情况出发，根据资源条件，在相互交流海水养殖技术和管理方法的基础上，有选择地学习他人的养殖经验，取长补短，形成有各具特色的海水养殖品种基地，从而实现产业兴旺的乡村振兴战略目标。

（二）建议

1健全政府海域资源性资产管理的保障机制。海水养殖业和一般的农业不同，投资大、风险强、不可控性因素杂，深受气候、季节、自然资源等因素的影响，通过自身调节与市场调节的周期长，因此，为实现海水养殖业健康有效发展，需要政府为促进海水养殖发展制定和完善相关的海域资源性资产管理的方针政策和配套措施。首先要制定科学的海域资源利用的管理规划，优化海水养殖结构，在产业链的各个环节提供配套服务，把海水养殖综合资源的利用效率的提高放在海域资源性资产管理的第一位;其次，完善海水养殖基础建设和海域资源整合，优化养殖规模和养殖要素投入的比例，建立养殖园区（基地），实行集约化养殖，减轻海水养殖对环境的影响，鼓励养殖业主采用先进的海水养殖机动装备和加工设备，引导选择特色品种，实现养殖资源的优化配置，推进养殖产业升级;再次，在优化养殖规模和养殖海域要素投入比例的基础上，要建立海水养殖财政投入的稳定增长机制，完善海水养殖生态补偿机制，正确处理好养殖业增长与海洋环境保护之间的关系，保障渔业供给侧结构性改革的顺利实施。

2增强海洋水产科学技术的推动作用。测算数据结果表明，养殖技术进步与养殖科研成果的推广是中国海水养殖业发展的重要动力。因此，首先要进一步加大海水养殖技术研发平台的建设，不断增加海水养殖科学技术的投入比例，重视海水养殖科技创新力度，加大对海水养殖科技工作的扶持能力，提高养殖品种与水产养殖业病害防治技术的研发能力;其次，要完善海水养殖科技成果转化的市场机制，形成“水产养殖科研院所-技术开发中心-科研示范基地-科技市场”的科技成果转化体系，实现科学技术对海水养殖的推动作用;再次，海水养殖业生产率的提高，需要技术进步和技术效率的叠加作用，只有提高科学技术成果转化和推广效率，才能真正提高海水养殖生产力的转化率。

3发挥海水养殖专业合作社的引导功能。中国水产养殖业多以家庭为单位，经营规模小，养殖户“跟风”养殖现象普遍，小生产与大市场之间矛盾长期难以化解。为提高海水养殖业生产效率，实现产业兴旺的发展目标，需要发挥水产养殖专业合作社的引导作用。首先要重点培育和扶持一批“热爱水产养殖”的新型“职业渔民”作为养殖专业合作社健康发展和转型升级的引领者和开创者，发挥好将海水养殖科技成果转化为生产力的主体作用。其次，要充分利用好政府制定的相关海水养殖专业合作社的优惠政策，主动寻求相关海水养殖科学技术人员合作，不断促进海水养殖专业合作社的技术利用水平和养殖技术推广的深度和广度，提高海水养殖的技术效率。最后，在适度规模经营的基础上，水产养殖专业合作社可以形成生产要素投入的优化组合，实行集约型经营，不断加强养殖专业合作社治理机制建设，引进海水养殖生产的新品种、新技术，进而优化海水养殖产业结构，深化海水养殖产业化经营，逐步向集约型现代海水养殖转变。

4加强新型“职业渔民”培养力度。我国海水养殖业仍以“小农式”分散经营为主，小规模养殖户是海水养殖的主力军。实现科技成果转化和应用、技术推广等都离不开与个体渔民的对接。首先要加强对海水养殖专业从业人员的职业技能培训，造就一支“爱渔业、懂技术、善经营”的“新型职业渔民”队伍，提高海水养殖业劳动力素质、增加劳动者的人力资本，让人力资本在海水养殖投入要素中与资本结合，进行资源优化配置，实现最大产出。其次，要加强“新型职业渔民”的培育，提高海水养殖专业从业人员对海水养殖生产新品种、新技术、新方法的认知程度和对海水养殖技术的掌握速度。

5提高互联网信息的支撑能力。在大数据时代，海水养殖科技的发展离不开互联网信息资源的支持。第一，要实现渔业网络信息资源的整合，满足海水养殖管理和科技发展的需要，加大对收集数据、整理数据和分析数据等信息化的投入。第二，通过互联网技术手段，海水养殖业从业人员可以在网上进行学习、培训、在线答疑等，消除交通问题和时空的障碍，深化海水养殖科学技术的推广程度。第三，通过网络信息以及数据分析，深入了解顾客对水产品的种类、数量以及需求量等重要信息的把握，实现养殖品种供给与市场需求的有效满足，同时借助于互联网对水产品的生产、运输及质量进行有效监督，形成产、供、销一体化无缝对接，优化海水养殖产业结构和提高渔民收入水平，实现产业兴旺、生活富裕的乡村振兴战略目标。

参考文献：

[1]刘洋.我国海水养殖投入产出动态效率研究[J].海洋开发与管理，2015，32（12）：94-99.

[2]农业部渔业渔政管理局.2017中国渔业统计年鉴[J].北京：中国农业出版社，2017：7.

[3]肖姗，孙才志.基于DEA方法的沿海省市海洋渔业经济发展水平评价[J].海洋开发与管理，2008，25（4）：90-94.

[4]张德霖.论生产率的内涵[J].生产力研究，1990（6）：19-26.

[5]石枕.怎样理解和计算“全要素生产率”的增长——评一个具体技术经济问题的计量分析[J].数量经济技术经济研究，1988（12）：68-71.

[6]金剑.生产率增长测算方法的系统研究[D].大连：东北财经大学，2007.

[7]Oliveira M M， Gaspar M B， Paixo J P， et al. Productivity change of the artisanal fishing fleet in Portugal： A Malmquist index analysis[J]. Fisheries Research， 2009， 95（2）：189-197.

[8]许冬兰，吕蕴虹.全要素生产率在渔业领域的研究进展与评述[J].中国渔业经济， 2017， 35（4）： 106-112.

[9]Pascoe S， Herrero I. Estimation of a composite fish stock index using data envelopment analysis[J]. Fisheries Research， 2004， 69（1）：91-105.

[10]Hoff A. Bootstrapping Malmquist Indices for Danish Seiners in the North Sea and Skagerrak1[J]. Journal of Applied Statistics， 2006， 33（9）：891-907.

[11]Pipitone V， Colloca F. Recent trends in the productivity of the Italian trawl fishery： The importance of the socio-economic context and overexploitation[J]. Marine Policy， 2018（87）：135-140.

[12]Dale Squires， Christopher Reid， Yongil Jeon. Productivity growth in natural resource industries and the environment： an application to the Korean tuna purse-seine fleet in the Pacific Ocean[J]. International Economic Journal， 2008， 22（1）：81-93.

[13]Hassanpour B， Ismail M M， Mohamed Z， et al. Factors affecting technical change of productivity growth in rainbow trout aquaculture in Iran[J]. African Journal of Agricultural Research， 2011， 6（10）：2260-2272.

[14]Elhendy A M， Alkahtani S H. Efficiency and productivity change estimation of traditional fishery sector at the Arabian Gulf： the Malmquist Productivity Index approach.[J]. Journal of Animal & Plant Sciences， 2012， 22（2）：300-308.

[15]Asche F， Guttormsen A G， Nielsen R. Future challenges for the maturing Norwegian salmon aquaculture industry： An analysis of total factor productivity change from 1996 to 2008[J]. Aquaculture， 2013，396-399（6）：43-50.

[16]鄭奕，周应祺.DEA理论及其在我国海洋渔业中的应用[J].上海海洋大学学报，2002， 11（1）：37-42.

[17]张彤.基于DEA方法的中国海洋捕捞产业动态生产效率[J].中国渔业经济，2007（4）：6-10.

[18]于淑华，于会娟.中国沿海地区渔业产业效率实证研究——基于DEA的Malmquist指数分析[J]. 中国渔业经济，2012，30（3）：140-146.

[19]张萌.基于DEA的沿海省市海洋渔业产出效率分析[J].南方农村，2016， 32（1）：26-30.

[20]岳冬冬，王鲁民，鲍旭腾，等.中国近海捕捞渔业生产效率的实证研究——基于DEA-Malmquist指数方法[J].浙江农业学报，2014，26（6）：1673-1679.

Research on the efficiency of Marine aquaculture production in

China's coastal provinces based on the DEA-Malmquist index

Xu JingjunAbstract： Using the combination of panel data and cross-sectional data， this paper analyzes the production efficiency of seawater aquaculture in 9 provinces and municipalities from 2006 to 2016 by using the DEA-Malmquist method. The empirical results show that in terms of the annual average， the total factor productivity of the coastal provinces of China has improved， rising by 14.8%，mainly thanks to technological advances， belongs to the technical type induced growth， there is still a mariculture inputs of utilization rate is not high， the productivity of various provinces and cities vary， with half of the provinces and cities in the scale of increasing returns， it is worth noting that the total factor productivity of 0.687 in 2015—2016.Suggestions are as follows： （1） the government should play the role of security （2） play the role of science and technology （3） play a role of leading enterprises of guide （4） play a role of fishermen's centripetal force （5） play a role of Internet information support.

Key words： Saltwater aquaculture; Production efficiency; Malmquist index

责任编辑：李祖杰 王廷国 孔九莉 李祖杰 邓卫红 刘遗伦 余爽悦