中国农业生产效率测算及区域差异研究——基于三阶段DEA和Dagum基尼系数的分析

齐 新，姚艺千，吴 越，冯天易

（河海大学 商学院，江苏 常州 213022）

0 引言

2022年中央一号文件的发布标志着中央政府连续第十九年将重点聚焦于三农议题。三农问题是我国经济和社会发展的关键问题，其中农业作为国民经济的基础，在促进国家经济增长方面具有至关重要的作用。随着我国实现全面小康，我国经济取得了巨大发展，农业发展进入了一个新的历史阶段。据国家统计局统计，截至2021年末，我国流动人口总量为38467万人，常住人口城镇化率为64.72%，乡村常住人口为49835万人，减少了1157万人，农村劳动力转移规模不断扩大。随着劳动力从农业部门向城市流动，农村劳动力在土地上的禁锢状态被逐步打破，农地抛荒及农业人口老龄化现象也愈发普遍［1］，然而各省（市、区）间的农业发展水平也仍存在较大差距。因此，如何在保证高质量发展的同时，促进各省（市、区）之间协同发展，已经成为当前亟需解决的问题。

目前学术界对农业生产效率的研究主要聚焦于效率测算、空间差异以及动态演进等方面。一是效率测算方面，如陈坤等［2-3］利用随机前沿生产函数(SFA)和数据包络分析法(DEA)测算了农业生产效率；但随机前沿生产函数未能考虑到技术上的不确定性以及生产函数的特殊分布，因此其计算结果可能与实际生产存在一定偏差［4］；许亚松等［5-8］则使用DEA方法对安徽省、四川省及中国其他各省的农业生产效率进行了测算。由于DEA模型能够更全面、准确地衡量多投入多产出的状况，目前多被用于农业效率测算方面的研究。此外，李红艳等［9-10］使用它评估了黄河流域和整个国家的农业生态效率，并从空间视角进行了相关分析。尽管上述测算方法可以提供一定的参考，但它们未能充分考虑到环境变量和随机误差对农业生产效率的影响，从而限制了其研究结果的准确性和可靠性。二是空间差异研究方面，崔海洋等［11］通过聚类分析方法指出了长江经济带农业生产效率逐年波动发展；胡大双等［12］根据时空特征分析得出，平均效率有效的地市主要集中在安徽的西南区域，其平均效率相对高于东北区域。从全国的视角来看，对农业生产效率时空差异的研究［13-14］仍然相对较少，需要更多地深入探索和研究。三是分析农业生产效率的动态演进特征方面，其中Kernel密度估计与Markov链方法常被用于相关研究，陈玉兰等［15］通过对比分析发现，各个地区的农业发展水平存在着较大的差异，而且随着时间的推移，这种差距也在逐渐加剧。特别是在中国的城市，“非均衡特征”［16-19］表现更加突出。综上，从全国视角测算农业生产效率并结合基尼系数分析地区差异的研究相对较少。

基于此，本文结合三阶段DEA模型与Dagum基尼系数，对我国30个省（市、区）的农业生产效率进行测算并分析地区间的差异性，另外尝试从克服随机因素和环境变量的角度出发，使得所测生产效率更贴近农业生产实际，最后通过Dagum基尼系数对我国农业生产效率地区差异进行测算，寻找导致各地区差异的主要因素。

1 研究方法

1.1 三阶段DEA模型

目前学术界研究农业生产效率的评价方法主要包括数据包络分析法和随机前沿分析法。DEA法由于具有客观、简便、无须事先估算产出参数等优点,被广泛应用于测算农业生产效率，但是DEA方法不能有效解决农业生产中的不确定性问题，因此，Fried［20］提出了一种三阶段DEA模型，克服模型本身缺陷，从而更准确地反映决策单元的内部管理水平。具体操作步骤可分为以下3个阶段：

1.1.1 第一阶段DEA分析 “多投入多产出”模型的决策单元之间的相对有效性可以通过DEA方法来衡量，这一方法最初由Chanes于1978年首次提出［21］。自魏权龄［22］于1986年开始在中国推广DEA方法以来，我国学者对其展开了众多研究，取得了较大的成功。BCC模型可以解决“规模报酬可变”的假设，从而提高决策单元的有效性，以便更好满足实际应用的需求。BCC模型可以用下面的对偶形式来表示：

式（1）中：j=1, 2, …,n代表决策单元，θ的值从0到1，S-和S+则指的是投入与产出之间的关系，而X和Y则分别指的是投入与产出的方向。如果θ=1，S+=S-=0，那么决策单元的DEA是有效的；若θ=1，S+≠0，或者θ≠0，那么决策单元的是无效的；若θ＜1，那么决策单元的DEA是无效的。

1.1.2 第二阶段相似 SFA 分析 通过第一阶段的模拟，得出了3种不同的效率值。综合技术效率反映出决策者的资源配置和管理能力，而纯技术效率则是排除规模因素影响后的效率水平，即综合技术效率=纯技术效率×规模效率。在第二阶段，松散变量将被划分为环境影响、管理无效率和统计噪声，并利用 SFA 模型来检验第一阶段的松散变量与环境变量及混合误差项之间的关系。

1.1.3 第三阶段DEA分析 在第三阶段，本研究对 DEA 模型进行了调整，保持原始产出值不变，并通过剔除环境因素和随机噪声，重新测量投入值，以评估模型的效率。

1.2 基尼系数

通过Dagum基尼系数分析，我们可以将农业生产效率差异划分为3个不同的部分，其中Gw反映了区域内的差异性，Gnb和Gt分别代表不同地区之间的差异贡献和超变密度贡献，三者的组合可以用G=Gw+Gnb+Gt来表达。其计算方法为：

1.3 数据来源和指标选取

1.3.1 数据来源 本文使用的数据来自《中国统计年鉴》《中国农村统计年鉴》和其他省份统计年鉴（除西藏外）。为了确保数据的可靠性，将研究期限定在2013—2020年之间。

1.3.2 指标选取 通过对土地、劳动力、资本3要素的深入探索，确定了衡量农业生产效率的关键指标［23-25］，包括农作物总播种面积(×103hm2)、第一产业从业人数（万人）、农业机械总动力(×104kW)、农药使用量(t)、农村用电量(×108kW·h)。将第一产业生产总值（亿元）、粮食总产量(万t)作为产出指标。

1.3.3 环境变量 本研究选取了5个关键的环境变量来评估农业生产效率，这5个变量分别是城市化率(%)、水利支出（元）、农村人均可支配收入（元）、水土流失治理面积(×103hm2)、农村人均受教育年限。

2 结果与分析

2.1 农业生产效率测算分析

2.1.1 传统的DEA模型分析 通过测算得出，2013—2020年我国农业生产综合效率的平均值依次分别为0.911、0.918、0.926、0.927、0.930、0.935、0.928、0.938，虽然整体农业生产效率水平较高，但是各省（市、区）间农业生产效率仍存在着显著差异，其中北京、天津、福建、海南、吉林、黑龙江、四川、陕西、青海、宁夏、新疆等省（市、区）的效率值均为1.000，基本实现DEA有效。由图1可知，其他地区在样本观察期内的农业生产效率中均处于未完全有效状态，其中甘肃省的效率值最低，研究期间内最高值只有0.632。从提升效率来看，山西、云南、浙江的经济发展取得了显著的成效，尤其以山西省的经济发展最为突出，从2013年的0.642一路攀升到2020年的0.867，提升幅度位居全国第一，这说明山西省的资源利用能力正在逐步增强。鉴于传统DEA模型无法消除外部环境因素及其带来的随机噪音，为了准确地评估全国各地农业生产效率的变化，进一步采用 SFA 模型进行分析。

图1 第一阶段农业综合效率分析结果

2.1.2 SFA回归结果分析 通过第一阶段的分析，确定了5个环境变量的松弛量，SFA 回归分析结果见表1。由表1可知，5个环境变量对5种投入松弛变量具有一定的显著影响，这表明外部环境因素对各省（市、区）农业生产投入的冗余性有重要的影响，因此，采用 SFA 方法来剔除管理因素和随机因素，将会有助于提高农业生产效率。

表1 第二阶段SFA回归分析结果

由表1可知，大多数环境变量对农业生产投入有显著的影响，均达到了 0.01的显著性水平，这表明外部环境因素会对农业生产的效率产生重要的影响。通过进一步研究发现，环境因素对5种投入松弛变量具有显著性影响。当回归系数为负时，表明增加环境变量可以有效减少投入的松弛量，从而降低资源的浪费或降低负面影响；当回归系数为正时，表明随着环境变量的增加，投入松弛量也会相应地增加，从而导致资源的浪费或产出的降低。本文将分别阐述各个环境因素对各投入松弛变量的影响。

2.1.2.1 城市化率 城市化率对于大多数的投入松弛变量而言均通过了0.01的显著性检验，对于农作物总播种面积、第一产业从业人数和农村用电量呈极显著正相关性，而农药使用量的回归系数则显示出极显著负相关性。这说明城镇化的推进有助于实现资源的有效配置，减少农业生产过程中的农药负担，从而提高农业生产效率。

2.1.2.2 水利支出 随着水利支出的不断增加，农作物的播种面积和第一产业的就业率均有所提高。这表明政府采取的惠农补贴政策有助于减少土地和劳动力的浪费，有效增加农民的收益；水利支出与农药使用量呈极显著负相关性，这表明水利设施的完善和有效运营可以提高水资源管理水平和农田灌溉条件，从而减少对化学农药的依赖。

2.1.2.3 农村人均可支配收入 该环境因素对农业机械总动力这一投入要素没有影响，但对其他大多数投入变量系数均为正，且均通过显著性检验。随着农村居民的收入提高，大量人员会选择重新进入农业，导致劳动力的浪费和冗余；此外，由于中国农民在农业生产技术和投资渠道上的匮乏，如果没有得到适当的投入，就可能导致各项因素紧张程度的提高，从而降低农业生产效率。

2.1.2.4 农村人均受教育年限 农村人均受教育年限对农作物总播种面积、第一产业从业人数、农药使用量的影响均为极显著正相关。研究表明，乡村就业人口的受教育水平提高，农业生产效率也会得到显著提升，从而有效减少资源的浪费并促进农业发展。

2.1.2.5 水土流失治理面积 该因素对第一产业从业人数、农药使用量、农业机械总动力的影响为极显著正相关，对于农作物总播种面积和农村用电量为极显著负相关，这表明在进行水土流失治理过程中采取相应保护措施如停耕、休耕等可能会间接造成农作物播种面积的减少，从而打击农民的生产积极性，导致农村劳动力人口外流，而耕种面积进一步减少会导致农业生产效率的下降。

2.1.3 调整后的DEA分析结果 采用似 SFA 前沿回归去除外部因素，并利用 DEA-BCC 方法重新计算，最终获取了中国30个省份的实际生产效率（图2，效率值始终为1.000的16个省市区未予绘制）。

图2 第三阶段农业综合效率分析结果

由图2可知，去除外界环境因素和随机因素的干扰过后，除某些特定的地区外，各省（市、区）农业生产效率都得到了显著的改善。处于技术效率前沿面的省（市、区）从11个升至13个。其中天津、辽宁、吉林、黑龙江等10个省（市、区）仍然保持着技术效率领先的地位，表明这些省（市、区）的农业生产效率已经达到了较高的水平。相比于第一阶段，江苏、山东、广东3省的农业生产效率晋升至效率前沿面，这表明在排除环境因素和随机干扰后，这3个省份的农业生产效率更为高效。然而，北京和上海由于规模效率的下降，不再处于技术效率的领先地位，这表明它们之前的高效率并不能真正反映出它们的技术管理水平。

此外，处理后的全国综合技术效率也有了显著的改善，但规模效率却有所下降。在不同省份，第三阶段农业生产效率与第一阶段相比有显著差异。近年来，上海、江西、重庆、云南、青海等5个省（市）的综合技术效率显著下滑，这说明这些地方在发展过程中主要受益于当地良好的经济发展和政策支持，但是由于缺乏科学的技术管理，这些地方的技术水平依然偏低；江西省在过去8年里的综合技术效率显著下滑，从0.940下降至0.824，主要原因是江西的规模效率出现了显著的下降。第三阶段农业生产效率相比第一阶段上升的省（市、区）共有12个，其中东部和中部地区尤为突出，如河北、山西、江苏、湖北、湖南等省份。其中，山西、江西和云南3省总体水平的显著提高主要归因于其技术效率的显著提高，而其余省（市）由于规模效率的不断提高，其技术效率也得到了显著改善。然而在过去由于当地的政策、气候等环境因素的影响，这些地区的技术效率一直处于较低水平，远远落后于其他地区。

2.2 农业生产效率水平区域差异分析

2.2.1 农业生产效率发展水平总体和区域内差异分析 根据计算出的农业生产效率的总体、区域内Dagum基尼系数绘制区域内差异演进态势图（图3），分析中国农业生产效率的总体差异和区域内差异的演变趋势。由图3可知， 2013—2020年中国农业生产效率的区域差异变化趋势并不稳定，呈现波动态势，观察期内中国农业生产效率的总体基尼系数呈现下降—上升—下降的变化趋势：2013—2014年略微下降，但幅度不明显；2014—2015年呈现微幅上升，在2015年达到极大值（0.0564）后出现了连续的下降。这表明近年来我国农业生产效率的总体地区差距在逐步缩小。

图3 2013—2020年总体和三个地区基尼系数图

从地区上看，研究时期内3个地区内部分布的劳动生产效率的区域差异较为不同。3个地区之间的差距正在不断缩小，特别是西部地区的农业生产效率差异大幅度减少，从2013年的0.07052下降至2020年的0.04281，年均降低率为6.9%，表明该地区的生产效率差距正在不断缩小。东部地区表现出一种波动性的变化,大致呈现下降—上升—下降—上升的发展轨迹,中部地区整体上虽然仍在不断减少,但正在朝着一个更加稳定的方向发展。中部地区农业生产效率的提高，导致其他地方的农业发展受到限制，缩小了地区之间的差距。

2.2.2 农业生产效率发展水平区域间差异分析 通过对中国各地Dagum基尼系数的分析，绘制区域间差异演化图（图4），便于更好地了解中国劳动生产率的分布情况及其发展趋势。

图4 2013—2020年我国农业生产效率区域间基尼系数图

由图4可知，2013—2020年，东部地区—中部地区之间的劳动生产效率差异总体呈下降—上升—下降的变化趋势；东部—西部地区总体呈下降—上升—下降—上升的态势；中部地区—西部地区总体上呈波动下降的趋势。从下降速度来看，中部地区—西部地区的差距显著缩小，这主要得益于政府提出的“创新、协调、绿色、开放、共享”的新发展理念，该政策有助于促进中部和西部地区农业技术水平的提升以及更有效地规模化经营管理。

2.2.3 农业生产效率区域差异来源演变 由表2可知，2013—2020年期间中国农业生产效率的总体基尼系数平均值为0.048733，区域内、区域间和超变密度的贡献平均值分别为31.21%、0.21%和68.59%。以2013年为参照，区域内差异对我国农业生产效率总差异的贡献呈上升—下降—上升的变化趋势，而区域间差异则呈下降—上升—下降的发展态势。在该区域内，超变密度的发展趋势基本一致，且在影响农业生产效率的方面发挥了至关重要的作用，其贡献率在67.73%～69.55%之间浮动，这表明我国农业生产效率地区差距的大部分原因可以由不同地区间的交叉重叠程度来解释。总而言之，超变密度的贡献率最大，是中国农业生产效率差异的主要来源,区域内贡献率处于中等水平，而区域间差异贡献率最小。

表2 2013—2020年中国农业生产效率的基尼系数及贡献率

3 小结与建议

3.1 小结

本研究对2013—2020年全国30个省（市、区）的农业生产效率进行测度与地区差异分析后，得出以下结论：

（1）在第三阶段DEA调整之后，各个省（市、区）的农业生产效率发生了一定变化，这说明环境因素和随机误差对于评估农业生产效率有着不容忽视的影响。通过第二阶段的因素排查和随机因素的调节，不同地区的农业生产效率有所改善，其中规模效率的改善最为突出，而且规模报酬的变化趋势呈上升状，这表明采用三阶段DEA模型来测算农业生产效率更加科学和准确。

（2）通过SFA回归分析发现，在环境因素中，城市化率和农村人均受教育年限有助于优化农业生产资源的有效配置，是农业生产的有利因素，对农业生产影响显著；人均可支配收入对农业效率的负面影响远大于正面影响，需要进一步调整。

（3）从时空差异上看，经调整后，东部地区农业生产效率明显高于西部和中部地区。就各省（市、区）发展态势而言，云南、甘肃两省受地区经济发展水平以及地域的限制，农业生产效率水平较低，在农业技术进步、规模水平管理上明显落后于其他省份，同时，陕西省和安徽省的农业生产效率与其所处长三角地区的经济发展水平存在严重不协调的情况，因此，在技术管理水平和农业生产规模上仍有进一步提升的空间。

3.2 建议

（1）在排除外部环境和随机因素后，各省（市、区）的农业效率发生了显著变化，这表明环境因素和偶然误差对农业生产效率测算有着不可忽视的影响。虽然偶然因素是不可控因素，但调节环境因素可以提高农业生产效率。在分析5个环境影响因素的基础上，可持续城市化的正常发展是当前的一个关键问题，农村教育的发展、农村居民教育水平在提升农业生产效率中发挥着积极推进的作用［26］。此外，适时改进或调整财政支农政策的实施方向和方法，以减少财政支农对农业生产效率的负面影响［27］。

（2）中国农业生产效率地区的差距较大，区域差异显著，各省（市、区）应结合实际对农业进行改革［28］。一些省（市、区）主要是由于纯粹的技术效率导致农业生产效率低下，例如，江西、甘肃等省份需要优化农业生产要素的分布结构；部分省（市、区）农业生产效率低下的主要原因是缺乏规模效益，如上海、青海、重庆等省（市）。这些地区目前更紧迫的任务是扩大农业生产的初始规模，提高农业综合效益，促进农业规模化发展；此外，位于西部地区的云南、甘肃等省份由于自身地理条件限制，应在提高管理水平和扩大农业生产规模的同时实现转型，其发展任务也更加艰巨。