中国水产养殖技术效率评估研究

岳冬冬 ，张 明，2，吴反修 ，俞 鑫

（1. 中国水产科学研究院东海水产研究所/农业农村部远洋与极地渔业创新重点实验室，上海 200090；2. 上海海洋大学经济管理学院，上海海洋大学研究生院，上海 201306；3. 全国水产技术推广总站/中国水产学会，北京 100125）

【研究意义】水产养殖绿色发展已成为渔业转型升级的必然趋势。长期以来，水产养殖业作为中国渔业产业的重要组成部分，在保障水产品市场供给、改善居民膳食营养结构和促进渔（农）民收入持续增长等方面发挥了积极作用，尤其在缓解全球食物安全方面提供了“中国经验”。《中国渔业统计年鉴》数据显示，2018年我国水产品总产量6 457.66万t，其中养殖产量4 991.06万t［1］，占比达到77.29%。目前，中国水产养殖产量约占世界养殖水产品总量60%以上［2］。因此，对于中国水产养殖业的发展成就可以形象地描述为“全世界每三条鱼就有两条来自中国，中国每四条鱼有三条是养殖的。”在取得成就的同时，生产方式落后和效率低下等也成为当前水产养殖业发展不可回避的问题，因此，推进水产养殖业转型升级、绿色高质量发展具有重大的现实意义。

【前人研究进展】效率是评价投入产出率的概念，效率评估问题已有大量研究成果。王琛等［3］介绍了全要素生产率和技术效率的定义，概述了全要素生产率所包含的影响因素及其作用，并对主要的3种测算方法进行了说明，具体为指数法、数据包络分析法（Data Envelopment Analysis,DEA）和随机前沿分析法（Stochastic Frontier Analysis, SFA），其中DEA方法和SFA方法应用广泛。关于SFA方法的应用，陶素敏［4］采用随机前沿生产函数测算了1998—2017年各省份农业生产技术效率，结果显示全国农业生产技术效率均值为0.782，并且表现出东部＞中部＞西部的非平衡格局。刘森挥等［5］利用随机前沿分析法对21个省份788户肉牛养殖户技术效率进行了测算，结果表明组织化养殖户的技术效率明显高于未组织化养殖户，同时样本户存在难以观测的异质性问题。DEA方法是Charnes等［6］在1978年提出用以评价部门经济的相对有效性；Banker等［7］在1988年建立了规模报酬可变的DEA模型，进行决策单元效率评估。与SFA方法相比，DEA模型是一种非参数前沿分析方法，其在研究生产效率问题过程中具有对样本量要求低、不受指标量纲限制等优势，而且能够解决多投入、多产出的效率评估问题，因此，在技术研发［8］、农业［9］、林业［10］等领域的效率评估方面得到广泛应用。如余航等［11］运用Malmquist指数方法测算了我国早籼稻、中籼稻、晚籼稻和粳稻的全要素生产率，结果表明2004—2015年我国4种水稻的全要素生产率分别为1.009、1.039、1.008和1.0414，其增长主要来自于技术进步；黄颖等［12］运用DEA方法评价了不同产业模式下银行贷款服务蔗糖产业的效率，结果表明“公司+农户”模式的银行贷款服务效率最高，平均值可以达到1；郭思源等［13］采用SBM方向性距离函数测算了1994—2017年黑龙江垦区农业技术效率，结果表明黑龙江垦区农业全要素生产率实现增长；马舒瑞等［14］采用Malmquist指数测算了沿海省市渔业产出效率，结果显示技术效率和技术进步共同促进了全要素生产率增长。水产养殖业属于要素投入型产业，苗种、养殖水体面积、劳动力和资本投入是提高水产养殖产量的关键因素，因此，水产养殖生产效率问题成为渔业经济学的研究热点之一。张成等［15］测算了2006—2012年我国29个省份水产养殖业综合技术效率，认为我国水产养殖业综合技术效率不高，纯技术效率和规模效率都相对偏低；刘洋［16］研究表明，2002—2009年我国海水养殖全要素生产率的动态均值有较明显改善，但地区差异明显；纪建悦等［17］的测算结果显示，我国海水养殖业的绿色技术进步处于上升过程；岳冬冬等［18］测算了2018年我国沿海10个省份海水养殖综合技术效率，结果显示海水养殖综合技术效率较好，均值为0.952，与规模效率相比，纯技术效率对于综合技术效率的贡献更大。

【本研究切入点】关于水产养殖综合技术效率的评估分析已有较多成果，但也存在以下两个突出问题：一是现有文献使用的数据较为陈旧，最新的研究数据仅应用于特定的对象或目的，例如海水养殖效率研究或者绿色养殖效率研究，对于整体水产养殖综合技术效率的分析未涉及；二是指标选择较少，例如现有文献在水产养殖效率研究中苗种投入较少被考虑，但在实际统计中涉及的海水养殖或淡水养殖苗种指标达到14项。投入产出指标的选择会直接影响水产养殖技术效率的评估结果。【拟解决的关键问题】将水产养殖投入要素以综合指标的形式作为投入指标，借助DEA模型对2018年我国31个省份的水产养殖综合技术效率进行评估分析，以反映我国水产养殖技术效率，并测算投入要素冗余规模，并根据相关结果提出对策建议。

1 研究方法与数据选择

1.1 研究方法

1.1.1 数据包括分析方法 数据包络分析方法是一种综合了运筹学、管理科学和数理经济学等多个学科的非参数方法，可用于测算多投入、多产出的多个决策单元的效率及其有效性分析。DEA模型有投入导向（Input-oriented）和产出导向（Output-oriented）两种形式，根据用途可假定为规模收益不变（Constant Return to Scale, CRS）和规模收益可变（Variable Return to Scale, VRS）。综合技术效率是纯技术效率和规模效率的乘积，其中综合技术效率是实现产出最大或者产出固定但投入最小的技术水平；纯技术效率是剔除规模因素之外的效率；规模效率是指规模经济性发挥程度的结果。本研究采用投入导向、假定规模收益可变的DEA模型测算中国水产养殖综合技术效率，其中投入指标为水产养殖生产过程中所需的主要投入要素，产出指标为产量。

1.1.2 主成分分析法与聚类分析 水产养殖生产过程中涉及的投入要素较多，尤其是养殖水体面积和苗种，为了能够简化水产养殖综合技术效率评估中投入要素的数量，利用主成分分析法（Principal Components Analysis, PCA）对水产养殖面积指标、苗种指标分别建立综合面积指标和综合苗种指标，可大幅度减少水产养殖效率研究中投入变量的数量。

通过DEA模型测算可以得出31个省份水产养殖的综合技术效率值，但其中的规律特征不易识别和判断，利用系统聚类法对31个省份的综合技术效率评估结果进行聚类分析，有助于直观判断31个省份水产养殖综合技术效率值的类别。

1.2 数据指标与来源

水产养殖的产出指标采用产量（y），数据来源于《中国渔业统计年鉴》；水产养殖的投入指标分为4类，分别是养殖面积、苗种、养殖渔船数量和养殖渔民数量，数据来源于《中国渔业统计年鉴》。《中国渔业统计年鉴》数据显示，按养殖水域分的海水养殖面积统计包括：海上、滩涂和其他3个指标，但《渔业统计指标解释》规定深水网箱和工厂化养殖方式的养殖水体规模不在前述3个指标的统计范围之内，而是作为养殖方式的组成内容进行单独统计，即深水网箱、工厂化养殖不计算在海水养殖面积范围，实际上却贡献了产量。按养殖水域分的淡水养殖面积统计包括：池塘、湖泊、水库、河沟、稻田和其他，但《渔业统计指标解释》规定稻田、工厂化养殖的水体规模不在淡水养殖面积统计范围之内，实际上却贡献了产量。因此，对海水养殖产量有贡献的水体范围包括：海上、滩涂、其他、深水网箱和工厂化养殖；对淡水养殖产量有贡献的水体范围包括：池塘、湖泊、水库、河沟、稻田、其他和工厂化养殖。按照上述内容统计，海淡水养殖面积共有12个指标，为避免产量贡献低的养殖水体规模指标对建立养殖综合面积指标时造成相关系数低的问题，本研究剔除了海淡水养殖水体中对产量贡献较小的水体范围，筛选后的海水养殖面积指标包括：海上、滩涂和其他；淡水养殖面积指标包括：池塘、湖泊、水库和稻田。按照《农业农村部办公厅关于规范稻渔综合种养产业发展的通知》《稻鱼综合种养技术通则》［19］的要求，在稻田中开挖的用于水产养殖动物活动、暂养、栖息等用途的沟和坑面积占稻田总面积的比例不超过10%。依此规定，对淡水养殖的稻田水体按照10%的比例换算为“有效养殖水体”规模。《中国渔业统计年鉴》统计的海淡水养殖苗种包括14个指标，全部纳入本文研究范围。

上述指标数据的统计周期为：2018年1月1日—12月31日。经主成分分析后得到综合面积指标数据和综合苗种指标数据为标准化数据，为保持与其他指标数据特征的一致性，对产量指标、养殖渔船指标和养殖专业从业人员指标数据也进行标准化处理，并进行平移以满足数据包络分析数据要求。DEA模型相关投入产出指标见表1。

1.3 数据处理

利用主成分分析法构建综合面积指标、综合苗种指标的过程采用SPSS 22.0软件；水产养殖综合技术效率的测算采用DEAP 2.1 软件；利用聚类分析对31个省份水产养殖综合技术效率进行聚类的过程采用SPSS 22.0 软件。

2 结果与分析

2.1 综合指标构建

2.1.1 综合面积指标构建 按照产量贡献份额分析筛选后的海淡水养殖面积指标包括：海上（x1）、滩涂（x2）、其他（x3）、池塘（x4）、湖泊（x5）、水库（x6）和稻田（x7）。不同海淡水养殖面积指标在产量贡献效率方面的差别很大，为了能够整体反映水产养殖面积要素投入对于产量的影响，借助主成分分析原理构建综合面积指标（MJ）。利用SPSS 22.0软件对海淡水养殖面积进行标准化，分别表示为：海上（x1'）、滩涂（x2'）、其他（x3'）、池塘（x4'）、湖泊（x5'）、水库（x6'）和稻田（x7'），结果见表2。

对海淡水养殖面积指标进行主成分分析，SPSS 22.0的运行结果显示，KMO取样适切性量数为0.5440，这一结果稍低，但可以进行主成分分析。根据特征值大于1的因子判断标准，通过3个主成分构建的综合面积表达式如下：

式中，i=1,2,…31，表示31个省（区、市）。

2.1.2 综合苗种指标构建 《中国渔业统计年鉴》中统计的海淡水养殖苗种指标包括：海水鱼苗（y1）、贝类育苗（y2）、海带（y3）、紫菜（y4）、海参（y5）、淡水鱼苗（y6）、淡水鱼种（y7）、投放鱼种（y8）、虾苗量（y9）、河蟹育苗（y10）、扣蟹（y11）、稚鳖（y12）、稚龟（y13）和鳗苗捕捞（y14）。同理，利用主成分分析方法构建综合苗种指标（MZ）以反映海淡水养殖苗种对产量的影响程度。利用SPSS 22.0软件对海淡水养殖苗种进行标准化，分别表示为：海水鱼苗（y1'）、贝类育苗（y2'）、海带（y3'）、紫菜（y4'）、海参（y5'）、淡水鱼苗（y6'）、淡水鱼种（y7'）、投放鱼种（y8'）、虾苗量（y9'）、河蟹育苗（y10'）、扣蟹（y11'）、稚鳖（y12'）、稚龟（y13'）和鳗苗捕捞（y14'），结果见表3。

对海淡水养殖苗种指标进行主成分分析，SPSS 22.0的运行结果显示，KMO 取样适切性量数为0.581 0，这一结果稍低，但可以进行主成分分析。根据特征值大于1的因子判断标准，通过5个主成分构建的综合苗种表达式如下：

式中，j=1,2,…31，表示31个省（区、市）。

对产量指标、养殖渔船指标和养殖专业从业人员指标数据进行标准化处理，并进行平移以满足数据包络分析的数据特征要求。水产养殖投入产出指标数据处理结果见表4。

2.2 综合技术效率测算结果分析

采用DEAP 2.1 软件对水产养殖生产效率进行测算，全国31个省份的海淡水养殖综合技术效率、纯技术效率、规模效率和规模报酬结果见表5。

（1）水产养殖的综合技术效率较低，均值仅为0.827。综合技术效率反映的是不同省份水产养殖要素配置能力及其使用效率，结合表5结果，综合技术效率（＜1）无效的省份有20个，占比64.52%，可见全国大部分省份的水产养殖综合技术效率无效。31个省份水产养殖综合技术效率均值为0.827，总体偏低，其中有16个省份的综合技术效率值大于均值，占比51.61%，其余15个省份综合技术效率值低于均值，占比为48.39%。

表2 标准化处理后的海淡水养殖面积指标Table 2 Area indicators of seawater and freshwater aquaculture after standard processing

（2）水产养殖的纯技术效率较高，均值达到0.930。纯技术效率一般指受管理和技术等因素影响的决策单元生产效率，对于不同省份水产养殖纯技术效率而言，则表示综合技术效率无效多少是由纯技术因素而影响，即当水产养殖规模一定的情况下水产养殖产出的有效程度。表5结果显示，水产养殖省份中纯技术效率（＜1）无效的数量为15个、占比48.39%，即有超过一半的省份纯技术效率有效。31个省份纯技术效率的均值为0.930，超过均值的省份数量有23个、占比74.19%，另有8个省份的纯技术效率低于均值，占比25.81%。

（3）水产养殖的规模效率均值为0.890。规模效率反映的是水产养殖省份现有生产规模与最优生产规模之间的差距，该值越接近1，说明该省份水产养殖产出的规模效率越接近有效。表5结果显示，水产养殖规模效率（＜1）无效省份的数量有20个，占比64.52%；水产养殖规模效率的均值为0.890，其中规模效率大于均值的省份数量有18个，占比58.06%，另有13个省份水产养殖规模效率小于均值，占比41.94%。

（4）规模报酬递增的省份占主体是水产养殖产出的主要规模经济特征。规模报酬是指在其他条件不变的情况下，各省份水产养殖投入的生

产要素按相同比例变化时所带来的产出变化特征。表5结果显示，规模报酬不变的省份有11个、占比35.48%，具体包括北京、天津、辽宁、上海、福建、山东、湖北、广东、广西、西藏和宁夏，在现有技术水平下，这些省份的水产养殖达到了最优规模；规模报酬递减的省份仅江苏和湖南，占比6.45%，这2个省份水产养殖超过了最优规模，应适当调减其生产规模；规模报酬递增的省份数量最多（18个）、占比58.06%，具体为青海、新疆、山西、河北、吉林、海南、甘肃、贵州、浙江、内蒙古、河南、四川、安徽、江西、重庆、云南、陕西和黑龙江，这些省份水产养殖未达到最优规模，应适当扩大规模以提高单位报酬。

表3 标准化处理后的海淡水养殖苗种指标Table 3 Seed indicators of seawater and freshwater aquaculture after standard processing

表4 经处理后的水产养殖投入产出指标Table 4 Input and output indicators of aquaculture after data processing

2.3 综合技术效率的聚类分析

借助SPSS 22.0 软件中的系统聚类方法，以“平方Euclidean距离”为标准，判断31个省份水产养殖综合技术效率分类的类间距离，具体分类结果见图1。从图1可以看出，在聚类的第一阶段，31个省份被分为5类，在第二阶段被分为4类，在第三阶段被分为3类，在第四阶段被分为2类。本研究以第三阶段的划分结果对水产养殖综合技术效率进行分析，划分结果见表6。由表6可知，综合技术效率前14位的第一梯队省份中，既有广东、山东、福建、湖北、辽宁、广西等水产养殖主产省，也有西藏、青海、北京、陕西、上海、新疆、宁夏、天津等水产养殖非主产省，因此，综合技术效率的高低与是否主产省份并无直接关系，而是取决于各省份水产养殖产业发展过程中在技术推广应用和发展规模之间的适配协调性。同样，在综合技术效率第二梯队中，既有水产养殖主产省浙江，也有非主产省甘肃，河北、吉林、海南和贵州也在该梯队中。在第三梯队中，除江苏、湖南为水产养殖主产省外，其余都是非主产省，非主产省内蒙古水产养殖综合技术效率最高、为0.728，而主产省湖南的水产养殖综合技术效率则最低、仅为0.570，低于梯队均值10.52%。

表5 水产养殖综合技术效率及其构成Table 5 Comprehensive technical efficiency of aquaculture and its composition

2.4 差额分析

DEA模型通过计算可以得到31个省份水产养殖投入与产出最优组合模式，以达到技术效率有效［20］。根据表5结果，北京、天津等16个省份纯技术效率值为1，其他15个省份投入项均需缩量调整以达到综合技术效率有效。31个省份水产养殖不同投入要素缩减量占原始值百分比的结果见表7。

通过对VRS模型的输出结果进行分析计算，为达到综合技术效率有效，4项投入要素的缩减比例均值分别为19.64%、7.54%、10.23%和11.15%，其中综合面积指标的缩减比例最大，达到19.64%。若按照仅对非综合技术效率有效的20个省份计算投入要素的缩减比例，其中综合面积缩减比例均值达到30.44%，其次为养殖专业从业人员的缩减比例为17.28%。

图1 不同省份水产养殖综合技术效率系统聚类Fig.1 Systematic cluster of comprehensive technical efficiency in aquaculture of different provinces

表6 水产养殖综合技术效率梯队划分Table 6 Echelon division of comprehensive technical efficiency in aquaculture

按照单项投入要素缩减比例来看，对于综合面积而言，内蒙古、吉林和新疆的缩减比例较高，分别为83.63%、82.41%和66.63%；对于综合苗种指标，湖南、江西和江苏三省的缩减比例较高，分别为42.34%、34.64%和28.40%；对于养殖渔船指标，江苏、湖南的缩减比例较高，分别为83.02%和74.26%；对于养殖专业从业人员指标，陕西、黑龙江和湖南的缩减比例较高，分别为42.76%、42.51%和42.37%。

3 结论与建议

3.1 主要结论

利用规模收益可变的DEA模型对2018年全国31个省份水产养殖技术效率进行了测算，得出以下结论：

（1）水产养殖综合技术效率总体偏低，纯技术效率和规模效率均有提升空间。2018年全国31个省份水产养殖综合技术效率均值为0.827，纯技术效率均值为0.93，规模效率均值为0.89，可见，海淡水养殖综合技术效率偏低，纯技术效率和规模效率有进一步提升的空间。

（2）各省份水产养殖投入要素和技术应用的综合水平差异明显。综合技术效率有效的省份有11个，占比35.48%；16个省份的综合技术效率值大于均值，占比51.61%，其余15个省份综合技术效率值低于均值，占比48.39%。

（3）各省份水产养殖规模报酬变化特征相异。水产养殖规模报酬不变的省份有11个，占比35.48%，包括北京、天津、辽宁、上海、福建、山东、湖北、广东、广西、西藏和宁夏，这些省份的水产养殖达到了最优规模；规模报酬递减的省份仅2个（江苏和湖南）、占比6.45%；规模报酬递增的省份有18个、占比58.06%，这些省份应适当扩大规模以提高单位报酬。

（4）综合技术效率与产出规模并无直接关系。在对31个省份综合技术效率进行聚类划分的3个类别中，每个梯队中都有水产养殖主产省和非主产省，在第三梯队中，主产省湖南的水产养殖综合技术效率仅为0.570，低于梯队均值10.52%。

3.2 对策建议

（1）提高水产养殖规模化程度。根据规模报酬分析结论，其中有18个省份可以通过扩大水产养殖规模以实现综合技术效率有效，因此，建议在新一轮水域滩涂养殖规划颁布实施的背景下，相关省份渔业主管部门应着力提高水产养殖的规模化程度，通过合作社、公司+养殖户、渔业产业园区等模式将分散的养殖主体组织起来，在不改变“面积总量”规模的条件下，提高组织化程度，不断完备水产养殖生产体系、经营体系和服务体系，逐步提升规模效率。

表7 31个省份水产养殖投入要素缩减量结果Table 7 Results of reduction in aquaculture input factors of 31 provinces

（2）加强水产养殖技术创新能力。水产养殖效率测算结果显示，2018年全国31个省份水产养殖纯技术效率均值为0.93，其中15个省份水产养殖纯技术效率未达到有效，可见，提高水产养殖技术创新能力和成果推广应用水平是实现综合技术效率有效的重要途径。技术创新在水产养殖业发展中具有重要的效率贡献作用，其中种业创新是基础，养殖模式和技术创新是关键，疫病防控是保障。因此，建议各级各类渔业创新主体应从全局性、区域性、地方性不同层次构建技术创新体系，分类解决影响养殖技术效率的基础研究、应用研究问题，同时利用全国水产技术推广系统的力量，将国内外最新的水产养殖技术成果推广应用到各地的生产实践中，提高相关省份水产养殖纯技术效率。

（3）合理安排水产养殖投入要素。从实证分析结论来看，在现有技术水平下，为实现产出规模的最优化，15个省份水产养殖业投入要素中综合面积、综合苗种、养殖渔船、养殖专业从业人员都存在一定程度的冗余，尤其是综合面积投入要素需要缩减的比例最高。可能原因有两个：一是在水产养殖绿色发展理念的指导下，部分省份对于湖泊、水库等大水面逐步实施了养殖规模控制，单位水体产出规模不断压缩；二是目前各省水产养殖技术效率之间发展不平衡，例如养殖对象、养殖模式等的差异导致部分省份养殖面积的冗余量较大。建议各省份在落实水产养殖基本发展空间的基础上，以提高综合技术效率为目标之一，对于现有水产养殖面积进行合理安排与调整，通过养殖水体“休渔”［21］等措施实现恢复水域生态环境、确保养殖产品质量和提高技术效率等多重目标。

（4）预测预警养殖生产规模需求。受中美贸易摩擦、国内居民水产品消费升级等因素影响，水产品进口关税不断下调，我国作为世界上新兴而巨大的水产品消费市场，主要水产养殖国家已经将我国作为产品销售的目标国，例如印尼、印度、越南等国家的对虾养殖产品不断扩大对中国市场的出口规模，以对虾为代表的中国传统优势出口产品的国际市场竞争力逐步下降，建议各省份结合当前和今后一个时期的国际国内市场消费需求，及时对养殖品种、规模、目标市场定位等进行预测预警，在保障食物安全的前提下，树立水产养殖发展规模的“底线”思维意识，以确保养殖生产调整适应未来市场消费需求。