主粮化背景下中国马铃薯主产区生产效率及其影响因素研究

2021-09-29刘鹏凌张文娟

延边大学农学学报 2021年3期

刘鹏凌，周云，张文娟

(安徽农业大学经济管理学院，安徽合肥 230036)

新冠疫情暴发期间,部分国家为保障本国粮食供给开始减少或禁止主要粮食出口，这一形势引起各国对粮食安全问题的高度关注。中国作为人口大国，吃饭问题乃头等大事，保障粮食安全就是守住国家的生命线。我国于2015年提出马铃薯主粮化政策，马铃薯作为粮蔬兼用型农作物，具有种植周期短、高产、适应性广等优势。同时，伴随农业供给侧结构性改革的推进，我国马铃薯产业也在进一步发展壮大。据统计，2018年我国马铃薯播种面积达475.8万hm2，产量1 798.4万t，但我国马铃薯的单产水平与其他国家相比，依然较低，生产效率差距明显。如何通过技术进步和生产效率改进来提高我国马铃薯单产水平，成为我国粮食安全问题的重大挑战，同时也是助力我国乡村振兴发展的重要举措。

生产效率研究一直以来是农业经济领域的热点，测算生产效率的方法主要包含参数和非参数2种方法。其中，非参数DEA模型因其不受主观因素影响，能有效区别决策单元效率值大小而被广泛使用，生产效率的高低反映产业现代化水平。而全要素生产率可以用来测算除有形要素以外的纯技术进步所形成的生产效率，可以衡量该产业的技术水平。目前，国内外学者已对生产效率等方面做了大量研究。国内学者如张乐(2013)[1]和贺志亮(2015)等[2]人运用随机前沿生产函数法和DEA数据包络分析法对农业生产效率进行测算研究。基于前人研究，有学者立足马铃薯生产，运用非参数的DEA模型从全国范围[3-4]、马铃薯主产区[5]及特定省份[6]等不同地域维度对马铃薯生产率进行测度与分析。伦闰琪等[7](2018)运用含参数的索洛余值法，构建C-D函数对马铃薯全要素生产率和地区差异进行分析。也有学者在分析生产效率的基础上进一步对效率的影响因素进行探究，如肖阳等[8](2016)基于甘肃省定西市样本农户的调查数据,运用数据包络模型(DEA)测算马铃薯的生产效率，同时对马铃薯生产效率的影响因素进行分析。还有学者基于时空演变角度对马铃薯生产效率进行探究，如鲁洪威等[9](2020)运用DEA-Malmquist指数模型和探索性空间数据分析(ESDA)方法，定量研究了我国马铃薯生产效率的时空变化特征。国外学者Osipov,V等通过分析俄罗斯联邦地区马铃薯的生产效率，证明了技术培养的有效性[10]；Kamau P N等采用随机前沿法对肯尼亚莫洛县爱尔兰马铃薯的生产技术效率及影响因素进行了分析[11]；还有些学者[12-14]运用DEA模型对马铃薯生产效率和规模效率等进行了分析。

上述研究成果均值得后续研究借鉴，但目前国内关于农作物的生产效率主要集中于粮食、小麦、玉米等[15-17]其他农作物，关于马铃薯主产区生产效率的研究相对较少。由此可见，关于我国马铃薯生产的探究之路依然任重而道远。

因此，该文将采用数据包络分析(DEA)和Malmquist指数测算出我国马铃薯主产区的生产效率，同时利用计量模型对我国马铃薯生产效率的影响因素进行研究，从而为进一步提高我国马铃薯的生产效率提供政策建议。

1 模型设定

1.1 DEA模型

DEA最早由Charnes等人于1978年提出，是对多投入多产出变量进行效率分析的一种非参数方法，因其不受主观因素影响，能有效区别决策单元效率值大小而被广泛使用[18]。

DEA模型主要包含CRS与VRS，CRS假设规模报酬不变，常用于测算综合技术效率，VRS假设规模报酬可变，可将综合技术效率分解为2个部分，分别为纯技术效率和规模效率，且为两者乘积，考虑农业生产中投入指标比较容易控制，因此采用规模报酬可变的投入导向型模型，具有如下:

(1)

(2)

式中，i为决策单元，X、Y为投入和产出变量，θ为综合技术效率值即生产效率，S为松弛变量。若θ为1，S+和S-均为0，则决策单元DEA有效，若θ为1，S+和S-任一不为0，则决策单元为弱DEA有效，若θ小于1，则决策单元DEA无效。

1.2 Malmquist模型

Malmquist指数又称全要素生产率(TFP)，主要研究t到t+1时期效率动态变化的情况。TFP可以分解为综合技术效率变化(Ech)和技术进步变化(Tch)，Ech又可分解为纯技术效率变化(PEch)和规模效率变化(SEch)，公式为M=TFP=Ech×Tch=PEch×SEch×Tch。若M大于1时，则说明TFP提高；若TC和EC大于1时，则说明其为TFP主要增长因素；反之，则为导致TFP下降的因素；而SE和PEC反映其对综合技术效率指数EC的影响。具体公式如下：

(3)

1.3 面板Tobit模型

Tobit模型最早由经济学家Tobin于1958年提出，用于解决因变量受限或数据截断的问题，若直接使用普通最小二乘法所得结果可能存在偏差，而使用Tobit模型便可很好的规避这一点，由于马铃薯生产效率值为介于0和1之间的截尾数据，因此，选用Tobit模型研究较为合适。该模型的一般形式为：

(4)

式中，Y为因变量，x为自变量，α为截距项，β为回归系数，ε为随机扰动项，且ε～(0,σ2)。

2 研究区域与数据来源

农业生产过程中，劳动、资本和土地为主要生产要素，马铃薯生产是多要素投入的共同结果，因此选取用工数量作为劳动要素投入，种子费、化肥费、农药费、机械作业费作为资本要素投入，土地成本作为土地要素投入，以单位面积产量作为产出指标，研究数据来源于EPS全球统计数据分析平台及相关统计年鉴，在保障数据的可获得性及准确性的基础上，利用中国2011—2018年选取16个马铃薯主产省(市，区)投入产出数据，对马铃薯生产效率进行分析，研究区域主要包含东北一季区的黑龙江和辽宁；西北一季区的陕西、宁夏、甘肃、青海和新疆；华北一季区的河北、山西、内蒙古；西南一二季混作区的贵州、云南、四川、重庆；中原二季区的山东和南方冬作区的湖北。

3 实证分析

3.1 马铃薯生产效率时序特征分析

基于16个省(市，区)2011—2018年马铃薯的投入产出数据，利用DEAP2.1软件对中国马铃薯的生产效率进行测算，结果见表1。

1) 总体看来，2011—2018年,我国马铃薯生产综合技术效率平均值为0.937，纯技术效率和规模效率平均值分别为0.980和0.955，均未达到DEA有效水平，通过比较发现，规模效率均值低于纯技术效率均值，说明规模效率是导致综合技术效率未达到有效水平更为主要的原因。即马铃薯生产处于规模报酬递减阶段，马铃薯的生产要素投入配比不是最佳，资源配置不够合理。

2) 具体到各年度来看，2011—2018年,我国马铃薯的综合技术效率呈现出“交错升降”的震荡状态，最终综合技术效率由2011年的0.925小幅上升至2018年的0.929，2011—2018年综合技术效率的整体稳定性较差且未达到有效，各方面仍有待改善。由于我国于2015年提出马铃薯主粮化政策，因此以2015年为界限，计算各时间段效率平均值，结果得出2011—2015年和2016—2018的综合技术效率值平均值分别为0.945和0.923，均未达到DEA有效，且规模效率也低于纯技术效率，2015年主粮化政策提出以后，综合技术效率不增反降，表明我国马铃薯生产要素的投入规模、技术应用效率仍需进一步提升。

从Malmquist指数对马铃薯全要素生产率的测算结果来看，2011—2018年,16个省(市，区)马铃薯生产全要素生产率变化指数的均值为0.978，年均下降幅度为2.2%，说明2011—2018年马铃薯全要素生产率整体呈下降趋势。综合技术效率变化指数、技术进步变化指数、纯技术效率变化指数及规模效率指数的均值分别为1.000、0.978、0.999、1.001，其中，Tch和PEch均小于1，且Tch

3.2 各省(市，区)马铃薯生产效率分析

3.2.1 马铃薯生产综合技术效率及其分解

为了解各地区马铃薯生产效率之间的差异，对16个省(市，区)马铃薯生产效率进行测算并排名，结果如表2所示。由表2可知，各省(市，区)马铃薯的TE、PTE和SE的均值分别为0.937、0.980、0.955，均未达到DEA有效。另外，除新疆、云南2个省份之外，其他14个省(市，区)的马铃薯生产的综合技术效率值均小于1，说明这些省(市，区)存在资源结构不合理等问题。其中，新疆、云南、青海的马铃薯生产技术效率排在前3，陕西排名最后，仅为0.747，远低于其他省(市，区)，且陕西的规模效率远低于纯技术效率，说明陕西的资源配置不合理问题更为严重。从纯技术效率来看，有7个省(市，区)达到了DEA有效，占所研究省(市，区)总数的44%，从规模效率来看，有2个省(市，区)达到了DEA有效，占所研究省(市，区)总数的18%，可见我国在马铃薯生产方面技术应用和资源配置方面都存在不合理问题，且规模效率问题更为突出。

表2 2011—2018年中国马铃薯主产区综合技术效率测算结果及排名

3.2.2 马铃薯生产全要素生产率及其分解

对不同地区马铃薯全要素生产率进行测度并排名(表3)。由表3可知，2011—2018年马铃薯主产区全要素生产率为0.978，全要素生产率呈负增长。Ech和Tch的均值分别为1.000和0.978。因此,技术进步成为限制全要素增长率提升的主要因素。进一步比较地区马铃薯全要素生产率间差异发现，16个省(市，区)中有11个全要素生产率变化指数小于1，占所研究省(市，区)总数的69%，其中，重庆的全要素生产率变化指数排名最后，为0.857，技术进步率均值-12.2%。对比发现16个省(市，区)中有12个Tch

表3 2011—2018年中国马铃薯主产区TFP测算结果及排名

3.3 Tobit影响因素回归分析

为进一步研究影响马铃薯生产效率的因素，在充分参阅前人研究的基础上，考虑到自然环境、水利基础设施、生产规模、城镇化水平等都是马铃薯生产的重要因素。其中，自然灾害风险就会对马铃薯的生产带来很大的不确定性因素，马铃薯生产规模、水利基础设施也对马铃薯生产有着基本决定作用，机械化使用程度代表一个地区的技术进步对马铃薯生产具有促进作用，财政支农力度反映政府对农业生产的支持力度，各地财政支农的力度越大，农户生产的积极性也越高，并且随着城镇化进程的加快，各地经济的发展带来非农就业机会的增加，农民作为理性人和经济人，当非农就业机会增加时，农民种植马铃薯的机会成本增大，农民可能会选择外出打工获得工资性收入，而减少马铃薯的种植，对马铃薯的生产也会带来影响。

因此，该文选择马铃薯的种植规模、有效灌溉率、受灾率、城镇化水平、财政支农力度、机械化使用程度等6个因素作为自变量，以DEA测算出的马铃薯生产技术效率作为因变量，变量描述性特征如表4，变量详情见表5。同时，考虑到数据的可得性，剔除重庆，选择上文中河北、山西、内蒙古等15个主产区作为研究区域，各变量数据均来源于EPS全球统计数据分析平台及相关统计年鉴。

表4 马铃薯生产效率影响因素指标的描述性统计

表5 变量解释及影响效应假设

根据以上所选指标，结合Tobit模型建立回归方程，具体形式如下：

TE=α+β1Sca+β2Irri+β3Dis+β4Urb+β5Fis+β6Mech+εi

式中，TE表示马铃薯生产综合技术效率为被解释变量，Sca、Irri、Dis、Urb、Fis、Mech分别表示马铃薯种植规模、有效灌溉率、受灾率、城镇化水平、财政支农力度、机械化使用程度，是模型中的解释变量。α代表常数项，β1、β2、β3、β4、β5、β6分别代表各解释变量系数值，εi为随机扰动项。

该文运用StataSE14.0软件进行Tobit计量分析，估计结果见表6。

表6 中国马铃薯生产效率影响因素估计结果

根据表6的结果来看，具体结论如下：

1) 种植规模对马铃薯生产效率呈显著负向影响。这与理论假设不相符，说明随着种植规模的扩大，马铃薯的生产效率却在降低。究其原因，马铃薯的生产处于规模报酬递减阶段，且从前文运用DEA模型测算出的2011—2018年我国马铃薯生产规模效率值为0.955，小于1，马铃薯生产处于规模报酬递减，生产要素配置不够合理。说明生产规模也并非越大越好，规模经济追求的是能获取最佳经济效益的生产规模，当生产规模扩大到一定的规模，边际效益反而会逐渐下降，引发规模不经济的现象。因此，合适的马铃薯生产规模才是提升马铃薯生产效率的关键。

2) 有效灌溉率对马铃薯生产效率呈负向影响。这与理论假设不相符，产生这一现象的原因可能是马铃薯属于喜凉、耐贫瘠的节水型农作物，对水量的需求并不大，现阶段天然雨水足够马铃薯的生产需求，增加有效灌溉率并不能够提高马铃薯的生产效率。因此，马铃薯的有效灌溉率同样也是适当即可。

3) 受灾率对马铃薯生产效率呈负向影响。这与理论假设相符，自然环境是影响马铃薯生产的重要因素之一，受灾率在一定程度上反映了自然灾害的恶化程度，给马铃薯的生产带来影响，因此，自然灾害的发生会对马铃薯的生产效率产生负向影响。然而，各地区抵抗自然灾害风险的承受力不同，这也可能是受灾率不显著性的原因。

4) 城镇化水平对马铃薯生产效率呈负向影响。这与理论假设相符，因为随着城镇化进程的推进，非农就业机会增加，农民作为理性人和经济人，种植马铃薯的机会成本增大，此时农民倾向于外出打工获得工资性收入，而减少马铃薯的种植，从而导致马铃薯生产效率的降低。

5) 财政支农力度对马铃薯生产效率呈正向影响。这与理论假设相符，因为财政支农力度体现政府对农业方面的支持力度，即政府对农业补贴的力度越大，越有利于农业的生产，也有利于激发农民对马铃薯生产种植的积极性，从而促进马铃薯生产效率的提高。

6) 机械化使用程度对马铃薯生产效率呈负向影响。这与理论假设不相符，究其原因，虽然机械化水平的提高能解放生产力，但我国马铃薯优势产区主要集中在西南、西北地区等地(吕超等，2019)[19-20]，如甘肃、四川、贵州、云南等西部山区，地势复杂，不利于机械化生产，即便能够使用机械化进行生产，但机械化存在的损耗和回收率低等问题也会影响马铃薯生产效率水平，从而造成负向影响。

通过以上研究发现，马铃薯生产效率影响因素与效应假设并不是都相符，这说明不同农作物各自特点不同，其生产效率影响因素也会有所差异，马铃薯作为粮蔬兼用型农作物，其生产特征与其他的粮食作物也有所区别。马铃薯喜凉、耐旱、生产周期短，并且马铃薯可在耕地相对较差的边际农田和高海拔山区进行种植，在不挤占水稻、小麦、玉米主粮作物用地的情况下，种植马铃薯能有效扩充粮食供给，保障国家粮食安全。