基于DEA模型的江苏省智慧农业生产效率分析

蔡静雯，许思远，丁 胜，沈士明，赵庆建

(南京林业大学 经济管理学院，南京 210037)

党的十九届五中全会明确提出要发展智慧农业，将新型信息技术与农业生产经营相结合从而实现精准智能化管理，推动传统农业转型升级。然而智慧农业作为一种新型业态，网络信息发展不均衡、相关从业人员素质偏低、农产业结构发展滞后等问题难以解决[1]。农业生产效率即农业总产出与生产要素总投入之比，可以用于衡量农业经济增长及其运行状态[2]。DEA结合相关测算模型还可以对农林业投入产出效率及影响因素进行测算分析以实现生态安全建设资源的合理配置[3]。而对于智慧农业，选取相关投入产出指标结合模型同样可以对有关省市智慧农业生产效率进行探索[4]。故本文基于前人研究，引入智慧农业相关指标，构建经典的DEA-BCC模型和DEA-Malmquist指数模型对江苏省十三个主要城市的智慧农业下生产效率进行动态和静态的测算分析，为江苏省呼应乡村振兴战略、发展智慧农业提供实证参考，同时针对相关问题提出建议。

1 研究方法与变量选择

1.1 研究方法

1.1.1 BEA-BCC模型

本文结合实际以及相关文献[5]，选用“既定投入下产出最大”的产出导向型BCC模型对江苏省智慧农业生产效率进行研究。

DEA-BCC模型建立见式(1)：

(1)

其中，i为决策单元，Xi、Yi为第i个决策单元所对应的投入与产出变量，θ为综合技术效率值即生产效率，S为松弛变量。

DEA模型的分析原理：①若生产效率值为1,且松弛变量均为0，说明决策单元处于DEA纯技术有效状态;②若生产效率值为1，但松弛变量任一不为0，说明决策单元处于为弱DEA纯技术有效状态;③若生产效率值小于1，说明决策单元DEA无效。

1.1.2 DEA-Malmquist模型

在原有的DEA模型的基础上，利用Malmquist指数分析法对决策单元进行动态分析[6]。

第i个决策单元从t时刻至t+1时刻生产效率的变化可以用以t为基期和以t+1为基期的Malmquist指数的几何平均求得式(2)：

(2)

通过计算Malmquist指数，可以得到决策单元生产效率的动态变化趋势，当M>1 时，全要素生产率上升; 当M=1时，全要素生产率保持不变; 当M<1 时，全要素生产率下降。

1.2 变量选择

智慧农业是以传统农业的生产要素为基础，引入高新技术、加大科技投入的新型农业生产方式。基于经济学理论，在农业生产过程中，劳动、资本和土地为主要生产要素，其生产是多种要素共同投入产生的结果。因此考虑到数据的可得性和可用性，选取农林牧渔从业人数作为劳动要素投入[7]，考虑本文研究的智慧农业的信息化特性选用农业机械总动力、科学技术财政支出、农业技术人员作为资本要素投入，粮食播种面积作为土地要素投入。同时以农业生产总值、粮食产量、农村居民家庭全年人均可支配收入——经营净收入作为产出指标。指标的选取及其符号如表1所示(数据来源：江苏统计年鉴2015—2021)。

表1 生产效率的投入、产出指标的选择与解释

2 结果与分析

2.1 生产效率静态分析

选取2020年江苏省13个市智慧农业相关数据，通过构建DEA-BCC模型进行测算，计算结果如表2所示。

表2 江苏省13个市智慧农业投入产出效率水平

①综合效率分析。模型结果表明2020年江苏省13大市智慧农业综合效率均值为0.985，总体资源配置能力、资源使用效率都较为优异，智慧农业发展处于效率良好状态。其中，南通市、宿迁市综合效率低于1，非 DEA 有效，占选取样本的15.38%，投入与产出结构不合理，可能存在不同程度的投入冗余和产出不足，其生产要素的投入规模和技术应用效率仍需进一步提升。

②技术效率分析。模型结果表明2020年江苏省13个市智慧农业整体均值为0.990，其中11个市技术效率有效，占总比例的84.62%，说明省内城市的农业技术水平较好，总体投入要素得到合理的配置和充分的利用，从而在投入固定的假设条件下，实现农业生产最大化。同时占15.38%的城市处于技术效率无效状态，需要改进各投入要素的配置合理程度和使用效率。

③规模效率分析。模型结果表明2020年江苏省13个市智慧农业整体均值为0.995，其中11个市的规模收益已经达到了最优状态。而南通市、宿迁市规模效益递减，服务规模过大，存在规模过度扩张的风险。同时，这两市的规模效率、技术效率均无效，且技术效率相对更低，可见两城市发展的关键点在于能否技术革新促使资源配置合理、应用效率提升。

2.2 生产效率动态分析

选取江苏省13个市2014—2020年的面板数据，引入Malmquist指数分析法，构建DEA-Malmquist模型进行测算，计算结果如表3所示。

表3 2014—2020年江苏省13个市智慧农业投入产出 Malmquist 指数平均值

①全要素生产率分解分析。2014—2020年江苏省13个市智慧农业全要素生产率变化指数均值为1.067，年均上涨幅度为6.69%，说明2014—2020年江苏省智慧农业生产率整体呈上升趋势。其中盐城市、泰州市、宿迁市在七年间全要素生产率为负增长。对全要素生产率进行分解后可知，13市平均技术效率指数呈负增长，平均技术进步指数增长5.41%，全要素生产率指数的上升主要是由技术进步指数上升引起，未达到农业生产效率提升的三市可以从技术改善提高资源利用角度进行重点关注。

②技术效率分解分析。2014—2020年江苏省13个市智慧农业平均技术效率变化接近负增长，13市中有11市七年间技术效率变化为1，年平均增长率接近于 0，保持不变。平均纯技术效率和规模效率均值都未达到1，尤其是规模效率，有两市规模效率呈下降趋势，占15.38%，规模效率下降是技术效率下降的主要原因。各市应加大对相关产业的规模调整，切勿因过度追求农业指标而投入过多的生产要素导致农业生产进入规模报酬递减阶段，规模效率下降，与此同时也要改善管理水平，兼顾纯技术效率的改进。

3 结论与建议

3.1 结论

基于 2014—2020年江苏省智慧农业投入产出相关统计数据，运用DEA类模型对江苏省13个市进行测算分析发现：

①江苏省智慧农业投入产出效率总体较好，且呈上升趋势。2020年江苏省13个市智慧农业整体均值为0.995，其中11个市各效率为DEA有效，占84.62%。而2014—2020年江苏省13个市智慧农业全要素生产率变化指数均值为1.067，年均上涨幅度为6.69%，江苏省整体智慧农业生产率呈上升趋势。

②江苏省智慧农业生产效率城市之间存在着发展不均衡的问题。南通市、宿迁市规模效益递减，服务规模过大，存在规模过度扩张的风险。同时，这两市的规模效益、技术效率均无效。2014—2020年仅有盐城市、泰州市、宿迁市三市全要素生产率为负增长，经过两层分解可知，负增长主要是由技术进步、规模效率下降导致。

③技术效率在江苏省智慧农业生产效率影响因素中占主要地位，规模效率次之。2020年江苏省13个市智慧农业技术效率和规模效率均无效，平均技术效率更低。2014—2020年这7年间，DEA-Malmquist指数分析结果显示江苏省智慧农业生产效率的提升主要依靠技术进步。对技术效率进一步分解分析可知过多地投入要素导致农业生产进入规模报酬递减阶段，规模效率下降是阻碍江苏省2014—2020年智慧农业生产效率的重要原因。

3.2 建议

3.2.1 建立科技平台，加快智慧农业技术创新

技术进步是江苏省智慧农业生产效率提升的主要原因，因此应加强对江苏省科技研发投入，加大对其农业高新技术研发及农业高新技术成果转化的投入力度，促进江苏省传统农业向信息化、现代化农业转型升级。尤其是未达到省市平均生产效率的城市可以从改善技术角度进行重点关注，建立全备的科技平台，依靠信息技术合理优化农业资源配置，提高投入产出效率。

3.2.2 成立重大工程专项，增强政策支持

在每年的重大工程专项中，政府可以选择较为优异的智慧农业展现现代科技在农业中的示范作用，以点带面地促进中国农业信息化的发展。此外，政府应加强智慧农业相关的人才培养，实现人力资本的积累。政府可以联合高校加强农业技术管理、农业信息技术运用方向人才的培养，同时加强完善智慧补贴力度，刺激农村经济发展、提高农民收入水平，增强农业生产积极性。

3.2.3 加快完善智慧农业的标准和评价体系

目前对于智慧农业的投入产出评价较为模糊，本研究对于智慧农业的定义与指标构建也是基于相关研究提出的概念，但并没有一个严格的定义，因此难以对江苏省智慧农业的生产质量进行较为精确的评价。江苏省相关政府部门应尽快构建智慧农业投入产出评价体系，建立健全相关测评标准、办法和工作体系，从而推动江苏省智慧农业建设规范化和制度化，引领江苏省智慧农业高效有序地发展。