江苏省农业全要素生产率提升路径研究

董旭 孟祥瑞

摘要 目的：测算江苏省农业全要素生产率，为转变江苏省农业发展方式，促进江苏省农业高质量发展提供理论依据。方法：主要选取江苏全省13个市的第一产业就业人数、农业总播种面积、农业机械总动力、农村用实际施用化肥量、农村用电量、农林牧业总产值6个指标；通过测算DEA—BCC模型中综合效率、纯技术效率、规模效率、规模报酬4个指标；通过DEA—Malmquist模型测算江苏全省13个市2011—2020年农业全要素生产率，并对全要素生产率进一步分解，测算出技术效率指数、技术进步指数、纯技术效率指数、规模效率指数，以此探究江苏省农业全要素生产率提升路径。结果：江苏省13个城市农业资源得到应用，农业全要素生产率稳步提高，但各城市区域之间存在农业发展不均衡现象。结论：针对研究结果，给出了针对苏北、苏中、苏南农业发展的建议，为相关决策和研究提供参考。

关键词 全要素生产率；农业；江苏省；DEA—BCC模型；DEA—Malmquist模型

中图分类号 F323 文獻标识码 A

文章编号 1007-7731（2023）14-0179-08

农业全要素生产率是衡量农业高质量发展的重要指标，农业的增长主要来自农业生产要素的增加和全要素生产率的提升[1]。中国作为一个农业大国，进一步推动农业全要素生产率的提高，是加快农业产业转型，促进现代化农业发展的必然选择[2]。全要素生产率是分析经济增长的重要工具，是国家制定长期政策的重要数据指标。全要素生产率通过对各种经济增长因素的分析，来确定经济增长的可持续性，是评价长期可持续政策的基础。

我国全要素生产率的研究主要集中在全要素生产率测算、绿色全要素生产率和全要素生产率影响因素等方面。很多学者对我国全要素生产率测算方面进行了研究，比如，徐永慧和邓宏图[3]在重构投入产出数据的基础上，对城市绿色全要素生产率变化进行重新测算，从规模效应和产业选择视角对城市绿色全要素生产率的时空特征和增长机制进行经济解释。程永生等[4]以中国家庭追踪调查的农户数据为样本，用微观测度方法与Malmquist—Luenberger指数结合，测度出农户层农业绿色全要素生产率的状况，并进一步选用核密度估计法和Dagum基尼系数法，呈现了微观样本农业绿色全要素生产率的动态演变规律及其区域差异特征。谭少鹏[5]通过构建投入产出指标体系，运用SBM模型和GML指数对2002—2020年中国30个省域林业绿色全要素生产率进行测算。申丹虹等[6]通过2003—2019年的省际面板数据，运用Malmquist指数和柯布-道格拉斯函数对中国六大区域制造业全要素生产率的变动值和数值进行测算，并对全要素生产率变动及其分解进行分析，同时运用趋同理论对全要素生产率检验。随着保护环境和经济发展日益密切，绿色全要素生产率逐渐成为生产率研究的重要课题。姚雪瑞[7]采用DID方法探究了电子商务示范城市建设对城市绿色全要素生产率的影响及其内在机制。雷晓丽[8]基于2012—2020年我国30个省份面板数据，以固定效应模型、门槛模型研判数字金融与技术创新对流通产业绿色全要素生产率的影响效应。杨锦琦和左腾达[9]用SBM超效率模型测算了2012—2019年长江经济带农业绿色全要素生产率，并采用GML指数分析农业绿色全要素生产率的时空演化和生产率的变化来源。此外，政策制定、产业规模、结构转型等都会对全要素生产造成影响。唐凯桃等[10]以全要素生产率度量城市发展水平，考察国家审计对城市高质量发展的影响及其空间溢出效应。葛润政等[11]以产业集群为研究对象，通过实证方法分析了集群衰退背景下零售企业规模、集群规模与零售企业全要素生产率的互动关系。任志成和赵梓衡[12]通过收集2009—2020年A股制造业上市公司相关数据，选用双重差分模型和PSMDID方法研究制造业企业数字化转型与否对全要素生产率的提升效果。

提升农业全要素生产率是现代化农业发展的需要，是提升农产品竞争力的途径，是确保国家粮食安全的保障，也是农民增收的基础。汪中华和尹妮[13]基于2002—2020年26个主要粮食生产省份数据，利用三要素嵌套CES生产函数和DEA-Malmquist模型测度农业技术进步偏向和粮食全要素生产率，并运用空间滞后模型分析农业技术进步偏向对粮食全要素生产率的影响。王亚飞等[14]基于SBM-ML指数法测算了2004—2020年30个省份的农业绿色全要素生产率及其分解指数。并利用泰尔指数法和核密度估计法对各省份农业绿色全要素生产率进行时空演进态势分析。吴海霞等[15]基于1997—2018年全国15个小麦主产省份的面板数据，运用空间Durbin模型，探究农业机械化对小麦全要素生产率的影响及空间溢出效应。罗斯炫等[16]利用中国28个省（区、市）1978—2017年数据，将农业生产要素质量与农村基础设施纳入增长核算框架中，并考察其对农业增长的贡献。

江苏省作为经济大省、人口大省，同样也是我国主要的粮食产区，以占全国1%的土地面积，贡献了超过10%的经济总量，并且连续多年粮食总量稳定在350亿kg以上，为全国粮食增产增收提供有效保障，因此推动江苏省农业生产要素发展势在必行。同时，江苏省的农业发展也存在新旧动能转换不足等问题，如何进一步保障江苏省农业全要素生产率的提升，实现江苏省农业协调发展，是农业发展过程中需要进一步解决的问题。这一问题的有效解决，将对贯彻中央农业新发展理念，构建农业现代化发展格局，推动农业产业高质量发展有着重要意义。DEA-BCC模型用于多项投入与多项产出的效率评估，并且不受投入产出量纲的影响，本文选取的投入产出指标多、数据量大，符合DEA模型规律。传统的DEA-BCC模型仅能反映决策单元的静态效率情况，无法反映2011—2020年江苏省不同时期效率值的变化情况，而Malmquist指数模型能够测算时间序列数据的动态效率。此外，Malmquist指数能够提供生产率变化的细分，有利于对全要素生产率的进一步分解。为此，本文拟采用Malmquist指数与DEA模型相结合，实现对江苏省农业全要素生产效率动态变化的描述。

1 江苏省农业发展评价模型构建

1.1 DEA—BCC模型

数据包络分析（Data Envelopment Analysis，简称DEA）是由美国运筹学家Charnes和Cooper[17]等在相对效率的基础之上演变出的一种效率评价方法。DEA把数学规划方法和观测到的有效样本数据相互结合，从而对决策单元进行评价分析。数据包络分析是运筹学、管理学以及经济学等广泛研究的一个领域，因其可以充分反映评价数据的信息特点，被广泛应用。

本文研究的是江苏省13个市农业全要素生产率，即有13个决策单元，用i来表示，即[i∈1，13]，其中每个决策单元DMUi都有n种输入变量[Xi]以及m种输出变量[Yi]，其中[Xiu>0]表示在公式中第i个决策单元中的第u种输入变量；[Yin]则表示在第i个决策单元中的第v种输出变量。在此公式中[λ]表示权重，[s?]和[s+]则分别表示运算过程中所投入的松弛变量以及产出变量，[ε]则表示为任意无穷小的正數，[θ]则表示为效率得分，具体线性规划方程见式（1）：

在表达式（1）中，[θ]表示效率评价值，当[θ=1]时，代表决策单元弱有效，当[θ<1]时，代表决策单元非有效，而当[θ=1]并且[s?=0、s+=0]时表示决策单元有效。

1.2 DEA—Malmquist模型

Malmquist全要素生产率指数，是Malmquist[18]在1953年提出的专门用来测量动态效率的一种指数。数年后Fare[19]率先把Malmquist指数拆分技术进步改变和综合技术效率改变，技术进步改变指的是随着时间的推移将产生生产前沿面的移动情况，而综合技术效率的改变指的是反映决策单元和生产前沿之前的距离变动。直到目前为止，该方法被广泛应用于金融，工业等领域的生产效率测算。

在Malmquist指数模型中，时期t到时期t+1的表达式见式（2）：

在Malmquist的表达式中，[Etxt，yt]和[Et+1xt+1，yt+1]则分别指的是K在2个时间的技术效率指标，也可以将其看成是2个时间段的技术效率变化，具体公式如式（3）：

对于出现的生产前沿的移动情况，则可以通过式（4）来进行阐述：

当TC[>]1则表示为生产前沿前移，当TC[<]1则表示生产前沿后移，生产前沿前移代表着技术进步，生产前沿后退则代表着技术退步。

Malmquist指数以及效率和技术三者之间的数量关系式可以通过公式（5）来表示：

当MI[>]1时，则表示效率值在提高，MI[<]1时，则说明效率值在下降，MI=1时，则代表效率值保持不变。

2 江苏省农业全要素生产率评价指标选择

2.1 指标选取

本文在遵循权威性、系统性、可获取性等准则的基础之上，根据江苏省发布的《江苏统计年鉴》（2012—2021）摘取相关信息。江苏省全要素生产率的测算主要由投入与产出2个部分组成，在参考向熠等[20]研究的基础之上，选取第一产业就业人数、农业总播种面积、农业机械总动力、农村用实际施用化肥量以及农村用电量作为投入指标（由于《江苏统计年鉴》并未给出渔业生产要素数据，故将渔业投入产出数据剔除）；产出指标为农业生产总值，该总值在《江苏统计年鉴》中为农林牧业总产值（剔除渔业总产值数据）。具体投入与产出指标见表1。

2.2 决策单位选择

本文选取江苏全省13个市作为决策单元，分别是常州市、淮安市、连云港市、南京市、南通市、苏州市、宿迁市、泰州市、无锡市、徐州市、盐城市、扬州市、镇江市。实施行政区划调整为推动城镇化进程发挥着特殊的效应，促进了资源要素的合理流动和优化配置，为加快城镇化进程创造更好的条件，同时也是城镇化进程中行政区划与区域经济协调发展的重要途径和措施。因此，按照城市地域划分为苏北（徐州市、宿迁市、淮安市、盐城市、连云港市）、苏中（扬州市、泰州市、南通市）、苏南（南京市、苏州市、无锡市、常州市、镇江市）3个大区域，以便进一步比较。

2.3 数据来源

本文原始数据均来自原《江苏统计年鉴》（2012—2021）统计数据，并做出相关处理（由于《江苏统计年鉴》并未给出渔业生产要素数据，故将渔业投入产出数据剔除）。

3 江苏省农业全要素生产率分析

3.1 基于DEA-BCC模型的静态分析

基于DEA-BCC模型，运用MaxDEA 9.1软件，对江苏省13个市农业全要素生产率进行分析，结合尼鲁帕尔·迪力夏提和郭静利[21]的研究，选取了综合效率、纯技术效率、规模效率3个指标进行对比，计算数据见表2。同时，本文根据地域把江苏省分为苏北（徐州市、宿迁市、淮安市、盐城市、连云港市）、苏中（扬州市、泰州市、南通市）、苏南（南京市、苏州市、无锡市、常州市、镇江市）3个区域，利用折线图更直观地分析江苏省农业全要素发展变化及江苏省不同区域农业全要素生产率的变化，具体见图1、图2、图3。

结合表2和图1可知，从整体来看，2011—2020年间江苏省整体农业生产综合效率呈现出总体上升的态势，平均值为0.926，属于高范畴，表明江苏省在这10年间对农业全要素的投入产出越来越高，这也得益于江苏省经济的快速发展。因为2011年是“十二五”开局之年，江苏省第一产业比2010年增加3 064.8亿元，增长4％。从表2中也反映出，2011—2012年增长最快，为0.065；2018和2020年综合效率为1，说明这2年农业投入产出的DEA完全有效；由于江苏省产业结构调整，第一产业产值在2019年增长1.3％，与第二产业、第三产业相比增速放缓，因此在2019年综合效率下降，但总体仍然呈现上升趋势；苏北地区因其广阔的平原，是江苏省的主要粮食产区，在2011—2013年间一直高于苏中和苏南地区；苏南地区是江苏省经济、科技重心，2013年苏南地区加快农业科技改革，在农业综合效率指标上实现了对苏北地区的超越。

从表2可以看出，江苏省农业生产技术效率在2011、2012以及2017—2020年这6年均为1，表明江苏省在目前的技术水平上投入资源的使用有效。2011—2020年间，总体呈现下降回升的趋势。苏南地区在2011—2017年间，纯技术效率指标远高于苏北和苏中地区，苏南地区作为江苏省经济，教育中心有着巨大的资金及科技优势。随着2018年后江苏全省经济水平的增长，全年实现地区生产总值92 595.4亿元，比上年增长6.7%，苏北和苏中也加大了农业技术投入，纯技术效率指标在2019年后进一步缩小。

由表2可知，2011—2020年间规模效率均值为0.930，大于0.9，说明江苏省整体农业生产投入规模是合理的，整体规模效率呈现上涨趋势，只有2019年出现小规模下降。结合图3可知，苏南地区整体低于苏北、苏中地区，且差距较大，是因为苏南地区城市面积较大，耕地面积较小所导致。苏北和苏中地区呈现平稳增长趋势，但是增长幅度较小，原因在于规模效率趋近于1，规模发展接近饱和，很难再达到较大增幅。

3.2 基于DEA-Malmquist模型的动态分析

本文基于DEA-Malmquist模型，运用MaxDEA 9.1软件，参考李俊波等[22]研究，分别从整体全要素生产率变化、个体技术效率指数、技术进步指数、纯技术效率指数、规模效率指数，对江苏省13个市农业全要素生产率进行评价。分解全要素生产率，更有利于江苏省各城市间农业发展要素的对比，从整体和微观的角度找出各城市间农业发展瓶颈。

3.2.1 全要素生产率整体分析  从表3和图4可以看出，2011—2020年间江苏省全要素生产率呈现平稳上升趋势。虽然技术进步率指数在2018—2019年有所下降，但下降数值不大，并且很快又反弹回来，农业生产过程中技术进步在全要素生产过程中占据重要比重，江苏省农业生产技术的提高导致全要素生产率的提高。通过技术效率的分解项可以看出，纯技术效率指数均值为0.999，可以得出江苏省农业生产技术水平较高。江苏省规模效率均值为1.001，大于1，表明江苏省13个城市规模收益在不断提高。从图4还可以看出，全要素生产率的变化和技术进步的变化基本一致。技术效率的变化和规模效率的变化基本相同，在2017—2018年间，规模效率在下跌后反弹，因此全要素生产率的变化与技术进步有着较强的联系，而规模效率的变化又影响着技术效率的发展。

3.2.2 全要素生产率分解分析  为了更进一步的分析江苏省13个城市在农业全要素生产率的优劣势，本文还将全要素生产率进行分解，测算出技术效率指数、技术进步指数、纯技术效率指数、规模效率指数。

粮食生产技术进步，不仅包括粮食生产过程中经营管理水平的提升，还包括粮食自身生产技术的改进。从表4可以看出，淮安市农业技术进步指数最低，原因在于宿迁整体经济水平在江苏省处于末端，前期农业科技投入不高。但是江苏省各城市整体呈现出上升的趋势，这也表明江苏省在农业发展方面在不断使用新的农业技术，使得技术进步对粮食的生产产生正面作用。

技术效率是农业全要素生产率评价的综合性指标，是对农业生产中的产出以及投入的整体性评价。从表5可以看出，徐州市技术效率指数最高，宿迁市技术效率指数最低，2个城市差距不大。其中，淮安市、南京市、苏州市、徐州市、盐城市、镇江市这6个城市技术效率指数大于1，表明农业产出与投入整体效率较高。其他几个城市技术效率指数接近1，产出与投入整体效率还要进一步提高。

纯技术效率指标是对最大产出能力的考察。从表6可以看出，江苏省13个城市中，只有宿迁市、泰州市、扬州市纯技术效率指标小于1，但是从年度来分析，这3个城市的纯技术效率指标呈现出波动上升的趋势。因此，江苏省应在以后的粮食生产过程中，加大科学管理水平，提升现代化的生产技术，要进一步完善城市间的生产要素分配，进行科学的管理。

规模效率指的是农业经营规模影响农业生产率的变化。规模效率反映的是实际农业生产规模与理想的农业生产规模之间的差值，一般指的是农业生产投入和农业产出之间的相关程度。表7反映了江苏省13个城市之间农业产品是否能够在合理的结构下发展。从表7可以看出，淮安市、南京市、苏州市、宿迁市、泰州市、徐州市、盐城市、镇江市这8个城市规模效率大于1，表明规模发展较为合理，其他5个城市还需要进一步完善。

4 结论与建议

4.1 结论

本文选取江苏省13个城市为研究对象，针对第一产业就业人数、农业总播种面积、农业机械总动力、农村用实际施用化肥量、农村用电量、农林牧业总产值为投入产出指标，进行DEA—BCC和DEA—Malmquist指数的测算和分析，得到如下结论：

（1）DEA—BCC分析结果表明，针对投入导向，江苏省13個城市均实现DEA有效，农业资源得到较高利用，农业资源得到最大化生产。

（2）Malmquist指数分析表明，2011—2020年间，江苏省13个城市农业全要素生产率波动中提高，无论是技术进步指数、技术效率指数、纯技术效率指标还是规模效率指数都波段提升，这表明农业技术进步和农业产业规模扩大对农业全要素生产率的提高起着重要作用。

4.2 建议

4.2.1 加快江苏省苏北和苏中地区农业新技术推广  我国传统的农业生产模式依靠大量的劳动力，从而导致农业生产效率并不高。根据本研究结果分析，农业生产技术的进步是促进农业全要素生产率提高的重要原因。因此，需继续扩大苏北和苏中地区农业新技术的推广应用，以科技进步推动农业生产效率的提高。一方面，加强苏北、苏中农业持续技术的研究，通过引入新技术示范区域，把新技术推广给其他城市，在实践中不断优化技术发展，做好专业技术人员培训，并对疑难问题进行统一解答。另一方面，加强农业绿色可持续发展，培育和适当引进科技型人才，吸引社会各界共同参与技术研究。

4.2.2 提升江苏省全省农业管理水平  首先，优化江苏省耕地生产能力，建立健全耕地生产信息监测体系，对农业生产进行动态检测，及时掌握农业投入产出数据。其次，加大农业财政支出，鼓励农民粮食生产，提高农民粮食生产积极性。再次，保障农村就业服务体系，妥善安排农民返乡就业。实现统筹耕地资源、优化财政农业支出结构、提高农业资源利用效率。

4.2.3 优化江苏省苏南地区农业生产规模  提高苏南地区农业生产规模效率，推动农业规模经营。苏南地区大规模的农业生产有利于农业新技术的推广以及大型机器的使用。同时，大规模的生产也并非单纯的依靠扩大生产面积来提升农业生产率，而是在加强农业基础设施建设的基础上，提高耕地使用质量，提高农业生产机械化水平，注重农业生态结构的布局，及时调整生产结构，使农业发展往整体化、集约化、规模化方向发展，推动农产品高产出、高质量、低能耗发展。

参考文献

[1] 龚斌磊. 投入要素与生产率对中国农业增长的贡献研究[J]. 农业技术经济，2018（6）：4-18.

[2] 中国经济增长前沿课题组，张平，刘霞辉，等. 突破经济增长减速的新要素供给理论、体制与政策选择[J]. 经济研究，2015，50（11）：4-19.

[3] 徐永慧，邓宏图. 城市绿色全要素生产率的重新测算及经济解释——基于规模效应和产业选择的视角[J]. 中国流通经济，2022，36（12）：27-43.

[4] 程永生，张德元，汪侠. 基于农户视角农业绿色全要素生产率的测度与分析[J]. 中国生态农业学报（中英文），2023，31（5）：820-834.

[5] 谭少鹏. 我国林业绿色全要素生产率测度及其影响因素[J]. 中南林业科技大学学报，2022，42（8）：202-210.

[6] 申丹虹，刘锦叶，崔张鑫. 中国制造业全要素生产率测算与区域趋同检验[J]. 统计与决策，2022，38（1）：47-52.

[7] 姚雪瑞. 国家电子商务示范城市建设对城市绿色全要素生产率的影响及其内在机制[J]. 商业经济研究，2022（23）：185-188.

[8] 雷晓丽. 数字金融、技术创新与流通产业绿色全要素生产率[J]. 商业经济研究，2022（22）：15-18.

[9] 杨锦琦，左腾达. 长江经济带农业绿色全要素生产率评价及时空演化分析[J]. 企业经济，2022，41（11）：152-160.

[10] 唐凯桃，许婧，李小涛，等. 国家审计能够促进城市全要素生产率提升吗？ ——基于空间杜宾模型分析[J]. 财经理论与实践，2022，43（6）：94-100.

[11] 葛润政，MARK H J. 企业规模、集群规模与零售企业全要素生产率的互动关系——集群衰退背景下[J]. 商业经济研究，2022（23）：123-126.

[12] 任志成，赵梓衡. 数字化转型对制造业全要素生产率提升的影响——来自上市公司的微观证据[J]. 工业技术经济，2022，41（11）：23-30.

[13] 汪中华，尹妮. 农业技术进步偏向对粮食全要素生产率的影响[J]. 农业现代化研究，2022，43（6）：1029-1041.

[14] 王亚飞，张齐家，柏颖. 我国农业绿色全要素生产率及其时空演变[J]. 统计与决策，2022，38（20）：98-102.

[15] 吴海霞，郝含涛，史恒通，等. 农业机械化对小麦全要素生产率的影响及其空间溢出效应[J]. 农业技术经济，2022（8）：50-68.

[16] 罗斯炫，何可，张俊飚. 改革开放以来中国农业全要素生产率再探讨——基于生产要素质量与基础设施的视角[J]. 中国农村经济，2022（2）：115-136.

[17] CHARNES A，COOPER W W，RHODES E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research，1978，2（6）：429-444.

[18] MALMQUIST S. Index numbers and indifference surfaces[J]. Trabajos De Estadistica，1953，4（2）：209-242.

[19] F?RE R，GROSSKOPF S，LINDGREN B，et al. Productivity changes in Swedish pharamacies 1980-1989：A non-parametric Malmquist approach[J]. Journal of Productivity Analysis，1992，3（1/2）：85-101.

[20] 向熠，葉言，缪甜甜，等. 长江经济带农业全要素生产率提升路径研究——基于38市的DEA与fsQCA分析[J/OL].中国农业资源与区划：1-20[2023-08-01].http：//kns.cnki.net/kcms/detail/11.3513.S.20220921.1124.002.html.

[21] 尼鲁帕尔·迪力夏提，郭静利. 国家级农业科研院所科研效率评价及其影响因素——基于DEA-Malmquist-Tobit模型[J]. 科技管理研究，2021，41（18）：66-72.

[22] 李俊波，浦华，吴昊，等. 基于DEA-Malmquist模型的四川省矿产资源开发效率评价[J]. 矿产综合利用，2022（1）：82-88.

（责编：张宏民）