我国粮食生产效率与耕地质量关系研究

2021-09-08王帅奇张爱儒

江西农业学报 2021年8期

王帅奇，张爱儒

(青海大学财经学院，青海西宁 810016)

0 引言

粮食事关国计民生，粮食安全是国家安全的重要基础[1]，确保国家粮食安全是农业部门的第一任务[2]，因此，粮食安全问题一直是“三农”领域关注的重点。中国粮食生产保持了近“17连丰”，最近6年粮食总产量一直稳定在6.5亿t以上，依靠全球7%的耕地资源，养活了世界22%的人口，创造了举世瞩目的成就，但是实现这一目标的背后消耗了我国70%的淡水资源，全球40%的化学肥料[3]。在乡村振兴战略实施的今天，粗放式的、低效率的粮食生产之路已走不通，亟需走出一条高效、集约的粮食生产之路，因此，需要对我国的粮食生产效率进行科学合理评价。

在粮食生产效率方面，学者们进行了大量研究，取得了一系列成果。罗海平[4]、伍国勇[5]等运用DEA模型对我国的粮食生产效率分析发现，我国粮食生产投入产出效率普遍偏低。谭忠昕等[6]在运用超效率DEA模型对我国的粮食生产效率进行分析之后，得出相同结论，同时发现粮食产量的提高并没有带来粮食生产效率的提高。张凡凡等[7]在对粮食主产区的生产效率分析以后，发现外生变量对粮食生产效率影响较为明显，农业受灾面积和地区经济发展水平的提高在一定程度上抑制了粮食生产效率的提高。曹慧等[8]在把粮食主产区划分为松花江流域、黄河流域和长江流域以后，通过SFA模型分析了2004～2013年三大流域的粮食生产效率，发现其生产效率呈现不断上升的趋势，但是上升幅度越来越小。雷龙涛等[9]在对河南省108个县2000～2014年的粮食生产效率进行分析以后得出河南省粮食生产效率较低主要是纯技术效率低引起的。冯静等[10]在对吉林省14个产粮大县运用DEA-Tobit两阶段模型进行分析以后发现，14个产粮大县粮食生产全要素生产率普遍较低；户均粮食播种面积和入社比重能够促进粮食生产效率，户均农业机械动力制约了粮食生产效率。以上学者采取不同的方法对不同区域的粮食生产效率进行了研究，但是在分析粮食生产效率和哪些因素有关的问题上没有进行深入研究。对此，本文通过采取三阶段DEA模型，在测算出粮食生产效率的基础上，分析了粮食生产效率与耕地质量的关系，对于进一步优化粮食的种植区域和更好地落实“藏粮于地”具有重要的现实意义。

1 指标选取、数据来源

1.1 区域选择

本文在考虑不同地区的耕地质量存在差异的情况下，由于部分省份的行政区划横跨不同的耕地区域，本文按照大多数主导的原则，将全国31个省区市划分到不同的区域(表1)。

1.2 指标选取

1.2.1 投入产出指标的选取为确保效率值的准确性，必须保证数据的一致性，为此本文从劳动力、土地、技术、资本4个方面设计指标(表2)。考虑到大多数省区市对第一产业从业人员没有进行细分，即使通过参数法估算粮食生产的从业人员也难以避免误差，本文在劳动力投入方面选择第一产业从业人员(万人)；土地投入方面选择粮食播种面积(万hm2)来表示；考虑到数据的可获取性，在技术方面以农业机械总动力(万kW)来表示；粮食生产离不开化肥，化肥施用会显著提高粮食产量，资本方面使用化肥折纯量(万t)来表示；产出指标选取粮食作物总产量(万t)来表示。

1.2.2 环境变量选取环境变量不受评价对象的控制，但会对评价对象产生影响，主要包括经济、自然、社会3个方面。鉴于此，本文选取城乡居民收入差距、成灾面积、城镇化率等作为环境影响指标(表2)。城乡居民收入差距在吸引农村富余劳动力向城镇转移务工，农村劳动力的外出将会提高粮食的单位产出，即提高粮食生产率。农业作为自然再生产和经济再生产相互交织的产业，粮食的生产离不开自然环境的影响，尤其是自然灾害将会明显影响粮食的产量，因此选择成灾面积作为自然灾害的发生情况指标。城镇化的过程将对耕地面积、农村劳动力转移就业等产生不同程度的影响。

表2 粮食生产效率指标构成

1.3 数据来源

数据来自于2019年《中国统计年鉴》，2019年黑龙江等29个省区市统计年鉴，2019年《甘肃发展年鉴》，2019年《河北省农村统计年鉴》，国家统计局官网以及《2019年全国耕地质量等级情况公报》等整理计算获得。

2 研究方法

2.1 第一阶段：传统DEA模型

粮食生产领域规模报酬是可变的，由于农业生产领域的粮食作物和其他农作物投入的资源是相互制约的，因此，本文选择投入导向型的BCC模型，模型表示如下：

minθ-ε(êTS-+eTS+)

(1)

其中，j=1,2，…，n表示决策单元，X、Y分别是投入、产出向量。ε表示非阿基米德无穷小量，S+、S-分别表示松弛变量和剩余变量。若θ=1，S+、S-=0，则决策单元DEA有效；若θ=1，S+≠0，或S-≠0，则决策单元弱DEA有效；若θ<1，则决策单元非DEA有效。

2.2 第二阶段：类随机前沿(SFA)模型

根据Fried等的想法，可以构造如下类似SFA回归函数(以投入导向为例)：

Sni=f(Zi;βn)+νni+μni;i=1,2,…,I;n=1,2,…,N

(2)

其中，Sni是第i个决策单元第n项投入的松弛值；Zi是环境变量，βn是环境变量的系数；νni+μni是混合误差项，νni表示随机干扰，μni表示管理无效率。其中ν～N(0,σv2)是随机误差项，表示随机干扰因素对投入松弛变量的影响；μ是管理无效率，表示管理因素对投入松弛变量的影响，假设其服从在零点截断的正态分布，即μ～N+(0,σμ2)。

借鉴Jondrow[11]、罗登跃[12]、陈巍巍[13]等的研究，分离管理无效率公式如下：

(3)

调整后的投入值表示如下：

(4)

2.3 第三阶段：传统DEA阶段

运用DEAP 2.1软件将调整后的投入指标与第一阶段的产出指标进行计算，使研究对象处于同一环境背景下，这样计算出来的效率值更加接近真实情况。

3 结果与分析

3.1 第一阶段结果分析

从表3可以得知，在不考虑环境因素的影响下：整体来看，2018年全国的粮食生产效率相对来说处于较高水平，全国综合技术效率、纯技术效率、规模效率平均值分别为0.810、0.897、0.911，规模效率值要略高于纯技术效率值。从地区角度来看，仅黑龙江省、吉林省、山西省、上海市综合技术效率值达到，为DEA有效；北京市、山东省、河南省、江苏省、新疆维吾尔自治区、西藏自治区纯技术效率为1，综合效率值不为1，规模效率成为制约综合技术效率的主要因素；其他省区市的3个效率值均不为1，有较大的进步空间。从耕地质量区域角度来看，东北区耕地质量最高，综合技术效率值亦是最高的，为0.981，说明东北区能充分发挥出耕地质量对粮食生产的促进作用，耕地质量最差的青藏区，综合技术效率值并不是最低，说明青藏区在粮食生产过程中通过提高技术水平等手段克服了耕地质量较差先天不足的劣势。

表3 第一阶段DEA分析全国粮食生产效率值

3.2 第二阶段结果分析

在这一阶段测度的DEA效率，没有考虑环境变量的影响，可能存在一定的误差。为了分离环境因素、管理无效率和随机误差造成的影响，将第一阶段得到的各投入指标的松弛变量作为被解释变量，将城乡居民收入差距、成灾面积、城镇化率3个环境变量作为被解释变量，运用Frontier 4.1软件进行随机前沿分析，具体结果见表4。

由SFA的分析结果(表4)可知，4个投入变量的松弛变量单边似然比(LR)均通过了显著性检验，说明进行第二阶段SFA回归分析是合理的。t检验结果大多通过显著性检验，说明环境变量对投入要素的松弛变量存在显著影响。同时，由γ值无限趋近于1可以看出，主要是受管理无效率影响，因此运用SFA模型进行管理无效率和随机误差项的分离是有必要的。在回归方程中，当系数为正时，表示环境变量的值越大，越有可能造成对投入要素的浪费；反之，回归系数为负，越有利于提高投入要素的利用率。接下来分别分析3种环境变量对于各投入松弛变量之间的影响。

表4 第二阶段SFA分析结果

(1)城乡居民收入差距。从表4可以看出，城乡居民收入差距对第一产业从业人员松弛变量、农业机械总动力松弛变量和化肥折纯量松弛变量检验均为1%水平显著，对粮食播种面积松弛变量没有通过显著性检验。第一产业从业人员松弛变量回归系数为负，分析其原因，城乡居民收入差距越大，就意味着农民外出务工获得的收益可能要高于从事农业生产的收益，就越能够促使农村劳动力向外转移，进而提高了单位劳动产出，也就提高了粮食生产效率。农业机械总动力松弛变量为负，可能是因为城乡居民收入差距能促使一部分农村劳动力外出务工，但仍然有大量劳动力由于各种原因不能外出，对于年龄较大的农民，他们在进行农业生产的时候不会购买农用机械；对于一些有能力、有想法的中壮年农民，为了能够获得不低于在城里务工的收入，通常会购买农业机械设备，从事农业的生产服务，最终提高了农业机械的利用率，农业机械总动力的投入松弛变量就会降低。城乡居民收入差距对于化肥折纯量松弛变量的回归系数为零，说明城乡居民收入差距对其影响不明显。

(2)成灾面积。成灾面积除了对粮食播种面积产生的影响没有通过1%显著性水平检验，对于其他3个投入因素均通过显著性检验，且对第一产业从业人员的松弛变量和农业机械总动力的松弛变量的回归系数为负，说明成灾面积越大，越能够减少第一产业从业人员和农业机械总动力的投入，进而使两者的松弛变量降低。成灾面积对化肥折纯量的松弛变量回归系数为零，说明对化肥折纯量的影响不明显，分析原因可能是各地区在遭受自然灾害时通常是随机的，农民在从事农业生产时，施用化肥一般不会因为可能发生的自然灾害，而错过化肥施撒的窗口期。

(3)城镇化率。从表4可以得知，城镇化率对第一产业从业人员松弛变量、农业机械总动力和化肥折纯量松弛变量通过了1%水平显著性检验，对各松弛变量的回归系数有正有负。分析其发生的原因，在城镇化发展到一定的阶段，会出现一种“逆城镇化”现象，即城市居民选择到周围农村进行生活，他们为了体验农民的生活方式，往往选择类似于传统农业时期耕作方式，耕作地块面积不会很大，也不会使用农业机械来从事农业生产，这样就会出现第一产业从业人员松弛变量扩大，而农业机械总动力的松弛变量降低的现象。

3.3 第三阶段结果分析

从第二阶段的回归结果可以看出，环境变量对于各地区投入松弛变量基本都产生了影响，因此，为了得到更加真实的粮食生产效率，需要调整原投入变量，使所有地区面临同样的环境与运气。根据第二阶段最后得出的调整后投入变量数值，替代第一阶段的原始数值再次运用第一阶段模型计算，得出第三阶段的全国粮食生产效率值(表5)。

表5 第三阶段DEA分析全国粮食生产效率值

将第三阶段的粮食生产效率值(表5)与第一阶段粮食生产效率值(表3)进行比较，可以看出：(1)从地区角度来看，第三阶段的全国平均综合技术效率值、规模效率值较第一阶段有所下降，纯技术效率值有所提升，分别为0.810、0.897、0.911，主要是规模效率值下降导致的综合技术效率值的下降。把全国看作整体进行分析，外界环境因素对纯技术效率造成了一定的消极影响，但又对规模效率产生了积极影响；具体从不同省份来看，环境因素对其纯技术效率和规模效率影响存在较大差异，这就需要各地区在进行粮食生产的时候要考虑环境因素的影响，把握利用好环境的积极影响，控制好消极影响。(2)从效率值角度看，与第一阶段相比，DEA有效的地区为黑龙江省、吉林省、山西省、江苏省与新疆维吾尔自治区，上海市则不再DEA有效，主要是规模效率下降导致的。值得注意的是，黑龙江、吉林、江苏3省为粮食主产区，山西省和新疆维吾尔自治区为产销平衡区，说明这几个省份不仅粮食产量高，而且效率也高，达到了产量效率双高。在纯技术效率方面，上海市等7个地区的纯技术效率值为1，黄淮海区域和青藏区域的6个地区表现尤为突出，2个区域涵盖省份纯技术效率值都为1。

3.4 耕地质量与粮食生产效率比较分析

由于样本数据较小，定量分析的误差较大，因此仅用散点图做定性分析。由图1可知，在第三阶段剔除环境变量以后得到了DEA结果与耕地质量等级比对分析。

图1 区域耕地质量与第三阶段粮食生产效率散点图

粮食生产综合技术效率值与耕地质量密切相关。综合技术效率值与耕地质量呈现正相关关系(耕地质量最优的为一等地)，即耕地质量等级越高，粮食生产的综合技术效率值越高。不难理解，在不考虑其他因素的情况下，相同的投入，耕地质量越好，粮食的产量越高，也就使得投入产出的效率较高。事无绝对，内蒙古及长城沿线区耕地质量较差，但其综合技术效率值较高；黄淮海区耕地质量较好，但其综合技术效率值较低。进一步分析原因，发现内蒙古及长城沿线区涵盖的3个地区粮食产量较高，其中河北省和内蒙古自治区是粮食主产区，山西省是粮食产销平衡区；黄淮海区涵盖2个粮食主销地区，即北京市和天津市，这直接导致黄淮海区的平均综合技术效率值较低。

粮食生产纯技术效率与耕地质量基本相关。在剔除东北区与长江中下游区的数据后，纯技术效率与耕地质量呈现负相关关系，耕地质量差的区域，反而粮食生产的纯技术效率较高，可能的原因是耕地质量差的区域选择通过采用先进的管理经验和加快农业科技进步等手段来弥补自身耕地质量的不足，从而出现了耕地质量差，纯技术效率高的情况。对于耕地质量与东北区和长江中下游区差距不大的甘新区、黄淮海区，但是纯技术效率却与之差别明显，对此需要引起重视，切不可浪费耕地质量这一宝贵资源。粮食生产规模效率与耕地质量不相关。说明粮食生产效率受耕地质量的影响不明显。