安徽省农业生产效率的测度与分析

2021-02-24赵晓枫

安徽行政学院学报 2021年1期

赵晓枫，魏峰

（安徽大学经济学院，安徽合肥 230026）

一、引言

党的十九大报告强调解决“三农”问题，促进农业农村快速发展，实现农业农村现代化。实现农业增长，主要依赖要素投入和实现农业生产效率增长，而生产资源是相对匮乏的，这就决定了农业增长主要依赖于生产效率的提高。农业生产效率是农业投入产出的转化率，是衡量农业进步的关键指标，有关农业生产效率的研究一直是一项重要课题。

安徽省地处华东腹地，农业资源丰富，形成了以种植业、林业、畜牧业、渔业为主的农业结构。据2009—2019年《安徽省统计年鉴》显示：2008年，安徽省农林牧渔总产值为2 446.51亿元，2018年达到4 672.71亿元。从年份来看，2008—2017年间农林牧渔总产值均保持较为平缓增长，2018年略有下降。从行业来看，林业产值的增加最为明显，2008—2018年平均增长率为10.69%；其次是渔业，年平均增长率为8.16%；再次为种植业和畜牧业，年平均增长率分别为6.79%和6.37%。从各地级市来看，淮北、亳州、宿州、蚌埠、阜阳、滁州、宣城、池州、黄山在2008—2018年间农林牧渔总产值保持平稳增长；其余各市波动较大，例如，六安市2015年的农业总产值比2014年下降17.6%。作为我国农业大省，安徽省农业产值增长对经济稳定发展具有不可或缺的重要作用。

二、文献综述

关于农业生产效率的研究一直是学术界关注的热点问题，全要素生产率是衡量经济增长效率的一个关键指标。当前，对于农业全要素生产率的测算主要有参数估计和非参数估计［1］，其中具有代表性的模型分别为随机前沿分析（SFA）和数据包络分析（DEA）。相对于参数估计，非参数估计更具优势，因为利用线性规划方法对研究对象进行测算，可以防止出现函数形式设置错误和非效率项等问题。

国外学者首先采用定量研究方法进行农业生产效率测算。Farrell［2］将模型中的预设函数替换为非预设生产函数，对英国农业生产率进行测算，该种方法包含了DEA的基本思想。Cooper等［3］以此为基础，提出了DEA模型。此后DEA被广泛应用于生产效率评价，并不断发展和完善。

国内学者基于DEA模型对省内区域农业生产率差异进行了研究。王秀峰、张铭［4］采用DEA模型和Malmquist指数法分析了贵州省2008—2016年的数据，发现贵州省全要素生产率在不同年间波动较大，不同州市也具有较大差异；刘荣增、范琳琳［5］运用DEA对河南省内地区经济效率进行实证分析，并针对河南省的情况提出对策建议；谌贻庆等［6］使用超效率DEA、Malmquist指数分析及规模收益方法测算了江西省2009—2014年各地级市的农业生产效率，并运用Tobit模型对影响江西省农业生产的主要原因进行分析，结论是江西省各地级市发展不平衡，应当因地制宜；崔宁波、张正岩［7］利用超效率DEA模型和Malmquist指数法从静态、动态两个方面对黑龙江省农业生产效率进行研究，得到农业技术进步是农业生产率增长主要动力的结论，并提出进一步提高黑龙江农业生产率的建议；李中东、尉迟晓娟［8］运用超效率DEA和Malmquist指数法，研究了2011—2016年山东省农业生产效率现状和发展状态，发现虽然只有少数地级市生产效率有效，但是17个地市的全要素生产率都在稳步上升，并对各地市农业新旧动能转换提出相关政策建议。

已有文献表明，在研究农业生产效率时，不同的学者往往会选择不同农业产业、不同农业产出，但是基本都采用DEA模型和全要素生产率方法，并且文献表现出一种趋势，即对于生产效率的测算偏向于由传统DEA转向超效率DEA，因为后者具有明显优势。超效率DEA的优势在于该方法不仅可以区分生产要素之间效率的差异，还能考察农业生产效率的动态变化。虽然有大量关于农业投入产出方面的研究，但有关安徽省农业生产效率的研究不多。因此，通过超效率DEA模型和Malmquist指数法对安徽省农业生产效率进行测度和分析，比较各地级市农业生产效率的差异，并提出关于提升安徽省农业生产效率、促进安徽省农业发展的建议，具有一定的现实价值。

三、方法与模型

（一）超效率DEA

数据包络分析（DEA）是根据多项投入指标和多项产出指标，以凸线形规划方法为工具，计算比较决策单元（DMU）之间的相对效率，并做出评价的一种数学模型。该方法可以得出对于决策单元本身投入产出的最优方案，因而可以更加合理地体现评价对象自身包含的信息和特性。决策单元是用来评价DEA是否有效的一个评价指标。当DEA有效时，就说明该决策单元是有效的［9］。

而传统DEA模型的结论较为笼统，结果常常会产生多个DEA有效的决策单元，并且很难对这些决策单元的效率进行评价和排序，Andersen和Petersen在传统DEA理论上提出了规模报酬不变（CCR）情况下的超效率DEA模型［10］，CCR模型在评估决策单元时，需要将被评估的决策单元从决策单元的集合中剔除。因此，在效率评价结果中，DEA有效的决策单元的效率值与CCR模型计算出来的效率值是相同的，而超效率DEA模型计算出来的效率值可以大于1，从而可以用来对所有的决策单元进行比较排序［11］。超效率DEA模型表示如下：

约束条件为：

（二）Malmquist指数分析法

1953年，Malmquist提出Malmquist指数法，一般用于生产效率变化的测算。1994年，Fare将该测算理论中的非参数线性规划与数据包络分析模型相结合［12］，把生产率指数解释为效率变化和技术变化，效率变化可接着分解为技术效率变化和规模效率变化，对技术效率部分的进一步划分使得该方法得到更广泛的应用。

设向量X=(X1,X2,…,Xt)，为投入向量；Y=[Y1,Y2,…,Yt]，为产出向量。Malmquist生产率指数可以表示为：

上述方程的技术效率变化部分可再分解为纯技术效率变化和规模效率变化：

当M>1时，全要素生产率从t到t+1期呈增长趋势；M=1，表示停滞；M<1，表示下降趋势。

Malmquist指数法测度t期到t+1期全要素生产率（TFP），可以将其分解为技术效率（ECH）和技术进步（TCH）的乘积。其中，全要素生产率变化指数表示从t期到t+1期某个决策单元生产率的变化程度；技术效率变化指数表示t期到t+1期某个决策单元对生产可能性边界的追赶速度；技术进步变化指数反映t到t+1时期生产前沿面的移动［14］。技术效率可以进一步分解为纯技术效率（PECH）与规模效率（SECH），即技术效率等于纯技术效率与规模效率的积，所以有

TFP=ECH×TCH=PECH×SECH×TCH

因此，运用Malmquist指数法对安徽省农业全要素生产率进行分解测算能够综合考察全省及各市对劳动力、机械等投入的配置能力和使用效率。此外，从纯技术效率角度可以分析安徽省及各市在不考虑投入要素利用率时所产生的效率损失；从规模效率的角度可以分析其现有的农业生产规模与最优规模间的差异。

四、实证分析

（一）指标选取及数据处理

选用农林牧渔业总产值作为安徽省农业产出指标，按当年价格计算。通过对农业产值的投入产出指标构建以及相关文献［15-16］的研究分析，选取了4种投入指标，分别是机械投入、劳动投入、化肥投入、土地投入。机械投入是农林牧渔生产过程中使用的机械动力总和；劳动投入为第一产业从业人数，可有效反映某一时期内农业劳动力的实际投入情况；化肥投入是农用氮肥、磷肥、钾肥及复合肥的折纯量；土地投入是农作物的总播种面积，可以更好反映土地实际使用情况。

巢湖市在2011年被撤销地级市。原居巢区农业产值数据较为完整，但庐江县、和县、含山县、无为县的数据缺失较多。文中将原居巢区相关数据与合肥市原始数据相加作为调整后的合肥市数据；因其余各县相关数据缺失严重，马鞍山、芜湖2008—2010年有效数据无法调整，故采用原始数据。因此，将调整后的合肥市有关数据以及其余未调整的各地级市数据，共16个地级市数据做测算与分析。文中使用数据来自2009—2019年《安徽省统计年鉴》，采取相应方法计算得出。

（二）农业生产效率的测算

1.基于超效率DEA模型的安徽省各地级市的农业生产效率

使用DEA-SOLVER PRO5.0对数据进行分析，结果见表1所列。

表1 2008—2018安徽省地级市农业超效率DEA值

从表1可知，安徽省在2008—2018年间农业生产效率的均值为0.87，说明其农业生产效率并未达到有效，省内各市农业生产效率也存在较大差异。具体来看，超效率均值大于1的前五名地级市分别为黄山、马鞍山、合肥、芜湖和安庆，超效率均值分别为1.22、1.1、1.04、1.03、1.02，表明对于这5个地级市，按同等比例增加22%、10%、4%、3%、2%的投入，仍能保持相对有效。其余各市均未达到DEA有效。

在未达到DEA有效的地级市中，池州市在2012年达到生产有效，但在2012年之后由于农业投入与生产规模不相匹配而导致生产失效。宣城市在2008—2018年农业生产效率呈上升趋势，并且在2017—2018年达到了DEA有效，经分析，宣城农业处于规模效率递减期间，其农作物播种面积有缓慢的下降趋势，而机械投入保持稳定增长，其综合效率的提升主要是受纯技术效率的影响，体现了使用农业机械如大型拖拉机、联合收割机等产生的积极作用。宿州、淮南、铜陵、滁州、蚌埠、阜阳、六安、亳州、淮北等市的农业生产效率处于较低水平，可能有两方面的原因：一是劳动资源配置及作物规模存在问题，如劳动力投入与生产规模不匹配、农作物种植规划不合理等导致资源利用效率低；二是机械投入不够，未引进和使用大型农业生产器械，未采用合理科学的化肥施用方法，忽视了农业先进技术在农业生产过程中的重要作用。其中，阜阳、六安在2008—2018年间农业生产效率保持稳定的增长趋势。因此，这些地级市应当调整现有资源的配置情况，合理调整劳动力投入与生产规模，加大农机研发与学习应用的投入，以期达到DEA有效。

2.Malmquist指数及其分解

（1）安徽省各年份Malmquist指数。使用DEAP2.1分析数据，安徽省2008—2018年农业Malmquist指数及分解，见表2所列。

从表2可以得出，安徽省各地级市农业全要素生产率的平均值为1.059，大于1，说明2008—2018年农业全要素生产率有所提高。根据全要素生产率分解结果来看，全要素生产率受到技术效率和技术进步的共同影响，在2010、2012、2014、2015、2016年相对于上一年技术效率有所下降，农业生产为弱有效以外，其他年份相较于上一年均保持农业技术效率有略微上升。结合表2、表3，规模技术效率在2008—2018年的平均值为1.032，纯技术效率的均值为1.005，技术进步的均值为1.014，都有小幅度的增加，说明安徽省在这期间比较重视农业技术的研发与使用。

整体来看，全要素生产率在2008—2018年的11年间波动较大。在2008—2009这段时间，全要素生产率最低，可能由于外部经济不景气，导致在农业方面的各项投入不足，使得农业生产技术方面相对落后，从表中也可以看出在这期间，技术进步率也是最低的。由于2009年出现的大面积干旱对安徽农业产生重创，导致农业生产率的下降。在2009—2011年、2012—2014年以及2016—2018年，全要素生产率都是大于1的。在2013—2014年，全要素生产率增加最高，达到了51.6%，这一年的技术进步水平也是最高的，可能有以下原因：十八大以来，党中央高度重视“三农”问题，安徽省在2013年大力支持农业产业化发展，采取增加财政投入、加强人才建设等政策来促进农业产业的升级；对农业机械的购置提供了政策补贴，极大提高了农业机械化生产水平；在全省大力推广配方肥的使用；加大了对农业基础设施建设的投入，这些措施对提高农业生产率起到了积极促进作用。在此后，全要素生产率出现下降，主要是由于2014—2015年安徽省自然灾害频发导致的农业产业受损严重。如在2014年，淮北遭遇多次干旱，分别出现在1月、4月、7月和8月；2015年，安徽省遭遇多次强降雨过程，洪涝灾害频发，农作物大面积受灾，经济损失严重。在此之后，安徽省全要素生产率有逐步上升的趋势，主要由于2015年后，我国经济进入新阶段，推进农业供给侧结构性改革，促进了全要素生产率的提高。

（2）安徽省各地级市的Malmquist指数。从表3可以看出，安徽省的全要素生产率平均增长了4.2%，说明安徽省农业在2008—2018年期间稳定发展。整体来看，安徽省全要素生产率的增长受到技术效率和技术进步共同作用的影响。

表2 2008—2018年安徽省农业Malmquist指数变化及其分解

表3 2008—2018年安徽省各地级市农业Malmquist指数变化及其分解

从各地级市来看，合肥、淮北、亳州、宿州、蚌埠、滁州、宣城、铜陵、池州、安庆、黄山等市的农业全要素生产率大于1，农业生产能力在逐步提高，其中，铜陵、宣城、池州、安庆、黄山的年平均增长率均大于10%，排名第一的为铜陵市，达到14.4%。这些地级市的技术效率、技术进步也呈现增长趋势，说明这些地区农业投入与农业生产规模较为匹配，合理引入和使用先进农业机械，技术水平也得到有效提升。合肥、淮北、亳州、宿州、蚌埠、滁州等市的农业全要素生产率年平均增长率分别为2.1%、3.0%、2.0%、3.5%、0.5%和0.1%，呈现小幅的增长趋势。蚌埠、滁州等市的农业技术效率降低，是由当地农业规模技术效率降低引起的，说明当前存在农业投入冗余的问题，应当调整现有生产规模。合肥市的农业生产技术进步水平在降低，经分析发现合肥用于农业生产的机械投入虽总体保持上升趋势，但波动较为明显，且增长的幅度比较小，应在当前基础上加大对农业机械的投入，以此促进全要素生产率的提高。阜阳、淮南、六安、马鞍山、芜湖等市的农业全要素生产率小于1，其中淮南、六安、马鞍山、芜湖等市的农业技术进步是增长的，全要素生产率的降低主要是由农业技术效率水平的下降引起的，存在不合理的农业生产要素投入，导致投入冗余和产出不足。进一步分析发现，这些地级市的第一产业从业人口在2008—2018年间未发生较大变化，而且农作物播种面积有所下降，造成劳动投入冗余，应当结合当地情况，合理规划生产规模以促进效率的提升。

五、结论与建议

（一）研究结论

通过上述分析，主要得出以下两点结论。一是，总体来看，安徽省的农业发展水平并不高，尚有较大发展空间，而且各地级市农业生产效率发展存在较大差异，影响这些地区生产效率的因素也各不相同。省内只有少数地级市农业生产效率处于DEA有效状态，部分地级市存在较大的农业投入冗余，也有部分地级市农业发展在逐步上升，如宣城、阜阳等地。二是，通过对农业生产效率进行Malmquist指数分解发现，安徽省16个地级市的全要素生产率年平均增长4.2%，技术效率和技术进步共同影响全要素生产率，说明安徽省在近几年的农业产业结构配置优化较好，原因在于加大了农业生产技术的投入，从而使得农业全要素生产率得到增长。从各地级市的地理位置来看，南部、北部地区地级市的全要素生产率基本都大于1，中部地区地级市的全要素生产率基本小于1，说明安徽南北部农业发展相对较好。