2013-2016年我国17省176家粮食加工企业成本收益调查统计数据集

王录安，张利庠，张晶

数据论文

2013-2016年我国17省176家粮食加工企业成本收益调查统计数据集

王录安1，张利庠2，张晶3*

1.山西财经大学经济学院太原 030006，2.中国人民大学农业与农村发展学院北京 100872，3.中国农业科学院农业信息研究所 北京 100081

粮食安全是治国理政头等大事。粮食加工企业是保证粮食安全的重要一环，是农业供给侧结构性改革的微观基础，更是实现农业现代化的重要组成部分。课题组走访了全国17个省份不同规模的176家粮食加工企业，收集了2013—2016年企业生产经营的详细数据，并根据科学方法对数据进行了整理加工，得到反映粮食加工企业生产经营状况的财务成本、劳动力成本、日处理能力、日加工能力等数据，共计704条，形成了2013—2016年我国粮食加工企业成本收益数据集。该数据集为粮食生产能力研究提供了可能，可用于开展粮食加工企业成本收益研究，为政府及相关部门决策提供数据支撑。

粮食加工企业；收储制度；成本收益；粮食安全

1 引言

保障粮食和重要农产品稳定安全供给始终是建设农业强国的头等大事。党的十八大以来，以习近平同志为核心的党中央坚持把解决好“三农”问题作为全党工作重中之重，始终把解决好人民吃饭问题作为治国安邦的首要任务，农业生产能力得到显著提高。粮食加工业作为农产品加工业的重要组成部分，是连接谷物生产和粮食供给的桥梁，是确保国家粮食安全的重要支撑力量。近年来，我国粮食加工业保持稳定增长，发展效益明显提升，布局结构持续优化，为保供给、稳价格、惠民生发挥举足轻重作用。

我国粮食加工能力不断增强、效益不断提升。一是粮食加工能力提高。2021年前三季度，规模以上粮食加工与制造业营业收入超过1.3万亿元，同比增长约8%。粮食加工行业加速整合，大型企业产能持续扩展。2021年中小微面粉企业总数2600家、规模以上企业1600家，较上年分别减少7.25%和7.14%，三大面粉加工企业产量约占全国的30%。二是粮食加工水平提高。五得利、金沙河等我国大型粮食加工企业技术装备普遍达到国际领先水平，部分领域的国产设备已具备了国际先进水平。随着装备技术水平和质量性能的提高，粮食加工业损耗已经降到较低水平，小麦、稻谷加工过程中基本可以做到吃干榨净、全值利用。据测算，我国粮食加工环节损失在3%左右，与发达国家1%⁓2%的耗损水平之间的差距不断缩小。三是粮食加工效益提高。国内外许多专家学者围绕粮食加工企业经营效益做了诸多研究，普遍认为当前我国粮食加工企业生产效益处于稳步提升阶段。陈祥新等[1]的研究表明粮食加工业市场的结构优化改善了产业发展绩效。韩艳旗等[2]、刘明国[3]、孙宝国[4]认为精深加工是推动粮食加工企业效益提升的重要途径，通过加大科技创新，提升产品附加值，推动了我国粮食加工产业价值链向高值端延伸，显著提升经营效益和国际竞争力。李灿[5]分析了制约粮食加工企业绩效提升的关键因素，并通过对北大荒米业典型案例分析表明提升产品附加值、加强品牌建设推动了粮食加工企业生产效益改善。朱晴晴[6]研究表明政府补贴支持和引导粮食行业转型发展，促进粮食加工企业转变发展方式，提高经营效率。

由此可见，只有通过对粮食加工企业经营规模、业务布局、成本收益、产品特点等大量历史数据进行分析，才能摸清产业发展的现状和特点，理清发展中存在的问题，预判产业发展趋势，提出推动粮食加工业高质量发展的路径和政策建议。但目前，我国粮食加工基础数据集还不健全，现有研究多采用统计资料数据，加工企业实地调研数据获取和应用较少，比如闫晗等[7]运用2008—2018年粮食加工统计资料数据研究粮食最低收购价政策对粮食加工业综合技术效率的影响，赵霞等[8]以2005年粮食收购价格指数、批发价格指数和粮食购销量月度数据为样本分析国有粮食购销企业行为的特征。而现有为数不多的粮食加工企业调研数据也存在样本量小、代表性不强等问题，较难进行深入的数据分析和产业链研究。比如王洋等[9]对供给侧改革背景下的粮食加工产业链整合与优化，使用的数据集为黑龙江、河南、湖北、江西4省区7个县粮食加工企业数据。

为了深入探究我国粮食加工企业发展现状，把握粮食加工企业的生产经营情况、市场结构特点、转型升级趋势，推动粮食加工业高质量发展，加快实现我国农业现代化，所以亟需大量、具有代表性的粮食加工企业样本的数据。本研究通过调研收集了2013-2016年安徽、河北、河南、江苏、山东等全国17个省份189家小麦和稻谷加工企业基本信息、财务成本、劳动力成本、日处理能力、日加工能力等数据，较为全面准确反映了我国粮食加工企业的生产经营状况。经过数据计算和处理得到81家小麦加工企业、95家稻谷加工企业共计176家粮食加工企业704笔生产经营数据，为相关科学研究和发展决策提供数据基础。

2 数据采集与处理方法

2.1 数据来源

为了获得高质量数据，我们组建了专门的数据收集团队，成员主要来自中国农业科学院信息所、中国人民大学农业与农村发展学院和中国农业大学经管学院，共同探讨确定了调研问卷的主要内容和调研方向。为了保障调研问卷的质量，由中国农业科学院信息所牵头，组织了小范围的预调研。在对预调研问卷分析的基础上，去掉了部分难以获得准确数据的问题，加强了与粮食加工企业财务、日处理能力等相关的问题，提升了调研问卷的规范性。

在调研问卷确定后，课题组邀请各个高校和科研院所的师生共同参与调研，最终组建了15人的调研团队。为了提高调研效率，课题组将调研团队分为三个小组，在统一培训后，分开调研。

课题组于2016年12月至2017年5月，对江苏省、江西省、浙江省、广东省、广西壮族自治区、河北省、山东省、湖北省、湖南省、河南省、内蒙古自治区、陕西省、山西省、黑龙江省、吉林省、辽宁省、四川省等17省(自治区）176家大中小型小麦、稻谷加工企业进行了实地调研。样本省份的选择主要包括小麦最低收购价格的执行区域，中晚籼稻预案执行区域，以及粳稻预案执行区域，此外还增加了相关省份作为补充。在选定区域后，课题组采用了分层随机抽样的方式，对17个省的小麦或稻谷加工企业按照大型、中型和小型的规模进行分类，每一类型随机选择三家企业，共计176家样本企业被选中。在实地调研过程中，与176家粮食加工企业的负责人进行面对面谈话，并向他们发放了调研问卷。对于每组调研的前5家企业，课题组采取集中讨论的方式，确保调研地区的数据质量，并进一步保障调研人员对调研问题的理解。经过调研，课题组最终获得了81家小麦加工企业和95家稻谷加工企业的704笔成本收益数据。

2.2 数据处理

2.2.1 剔除数据

为了更好地对以上数据进行分析，本研究首先根据粮食购入价格、收入渠道对样本进行了初步筛选，剔除了粮食购入价格记录不标准、收购渠道来源混乱等的个体。在此基础上，又根据粮食购买者的财务成本、劳动力成本、日处理能力、日加工能力等数据，剔除了数据缺失较为严重的样本，经过上述筛选和剔除后，最终获得176家粮食加工企业704个有效样本。

2.2.2 补齐数据

对于部分价格、产量等缺失值，我们采用同类均值插补的方式，首先利用层次聚类模型预测确定变量的相应类型，然后计算该类型的均值，最后对这一均值进行插补。

2.2.3 数据入库

经过以上处理后，获得了704个样本的企业名称、企业性质、企业规模、日处理能力、原料成本、人工成本等16项数据，将这些数据存入excel表格中，以备进一步的分析和使用。

3 数据样本描述

3.1 文本数据

经过以上处理，最后得到2013-2016年全国17个省粮食加工企业数据，每个数据里都包括企业名称、企业性质、企业规模、日处理能力、原料成本、人工成本等16项内容。

3.2 表格数据

为了更好地了解粮食加工企业数据库，我们可以看一下粮食加工企业总体情况表（表1）和粮食加工企业生产经营情况表（表2）。在表1中，不同规模的粮食加工企业在数量和变化趋势方面有一些差异。首先，中型规模的粮食加工企业最多，而大型粮食加工企业数量最少。第二，在数量变化上可以清楚地看到，小型粮食加工企业的数量逐年减少，从2013年的40家下降到了2016年的36家，减少了10%；中型规模的粮食加工企业的数量最多，但数量基本稳定，2013年中型企业数量53家，到2016年仍有50家；大型粮食加工企业的数量明显增加，从2013年的31家增加到了2016年的37家，增加了19%；这表明粮食加工企业规模化发展的趋势明显，企业的规模效应正在显现。第三，粮食加工企业的原料来源比较稳定，且以从农民手里收购为主。

表1 粮食加工企业总体情况

注：表中所有比例均为占样本总量的比重，是四舍五入以后的结果，局部加总存在不等于100%的情况。

表2给出了粮食加工企业的基本情况，其中包括粮食到厂价格、从粮食贸易企业收购比例、日处理能力、民营企业比例、从国库处收购比例、从农民收购比例、财务成本、劳动力成本、开工率、小麦最低收购价的基本统计量。

表2 粮食加工企业生产经营情况表

4 质量控制与技术验证

本研究所用数据均来自于2016年12月至2017年5月对全国17个省（自治区）176家粮食加工企业的实地调研。在有关部门的帮助下，课题组深入企业实地走访调研并收集数据，与企业负责人进行面对面访谈，指导企业相关人员填写调研问卷，并通过多家企业调研数据比对验证，确保获取数据的真实性。本研究所获取的粮食生产经营数据经专人进行规范化的录入和整理，采用同类均值插补的方式补齐了个别企业的缺失数据，确保数据的准确性、完整性，数据样本具备代表性，得到的数据集可以为相关研究及政策制定等提供支撑。在数据分析过程中课题组采用了方差分析、单边效应分析、净效应分析和分组分析方法等，对数据集进行了多角度和全方位的研究，结果显示数据质量较好，研究结论符合现实情况，可以有效解释粮食加工企业所面临的相关问题。

5 数据价值与使用建议

本研究深入全国17个省（自治区）的176家大中小型粮食加工企业实地调研，收集了704笔成本收益数据，并形成2013—2016年我国粮食加工企业的成本收益数据集，该数据集的价值主要体现在以下三个方面。

（1）为我国粮食生产能力研究提供了可能。本数据库给出了我国不同规模粮食加工企业的生产成本、产品收益等基本情况，对于了解我国粮食加工能力、企业规模、发展趋势等有较为重要的价值，为粮食产业链研究提供了一定的基础，对保障国家粮食安全有重要意义。

（2）为开展粮食加工企业成本收益的研究提供了基础数据库。随着国际粮食市场竞争日趋激烈，对粮食生产成本、收益和竞争力的研究日益重要，但目前关于粮食加工企业的数据集不多。本数据库通过实地调研，确保了数据的完整性和准确性，在获得粮食加工企业历年数据的基础上，整理出了企业多年的高质量数据，为粮食加工企业的定量研究，提供了可能性。

（3）为政府及相关部门的决策提供重要支撑。通过本数据库，政府部门可以深入了解粮食加工企业的成本、收益、规模等相关情况，并在此基础上评估粮食产业的未来发展，以此掌握粮食产业链的动态变化及规律，为制定相关宏观政策提供依据。

6 数据可用性

中国科技资源标识码（CSTR）：17058.11.A0007. 20231023.00.ds.3746；

数字对象标识码（DOI）：10.12205/A0007.20231023.00.ds.3746。

允许公开访问。

作者分工及贡献

王录安，论文撰写与修订。

张利庠，数据分析。

张晶，总体方案设计与论文撰写。

伦理声明

作者声明，当前数据及相关研究不涉及伦理问题。

利益冲突声明

作者声明，全部作者均无会影响研究公正性的财务利益冲突或个人利益冲突。

[1] 陈祥新,钟钰.我国粮食加工业的市场结构变动与产业发展绩效研究[J].农业现代化研究, 2017, 38(5): 746-754.

[2] 韩艳旗,韩非,王红玲.湖北省农产品加工业产业基础与综合发展能力研究[J].农业经济问题,2014(6): 97-102.

[3] 刘明国,张海燕.新常态下农产品加工业发展特点分析[J].农业经济问题,2015(10):28-34.

[4] 孙宝国,王静,谭斌.我国农产品加工战略研究[J].中国工程科学,2016(1):48-55.

[5] 李灿,刘钰.鹏我国粮食加工企业绩效制约因素分析与解决路径选择——基于统计数据与典型案例[J].2018(12):115-123.

[6] 朱晴晴.政府补贴是否提升了粮食流通效率?——基于企业层面微观数据的验证[J].商业经济与管理,2022(11):18-23.

[7] 闫晗,乔均,杜蓉.粮食最低收购价政策对粮食加工业综合技术效率的影响——基于三阶段DEA和Tobit模型的实证研究[J].商业研究,2021(4):120-125.

[8] 赵霞,赵莲莲,王舒娟.市场控制、宏观调控与逆向选择——来自国有粮食企业购销行为的经验证据[J].农业技术经济, 2017(5): 87-97.

[9] 王洋,余志刚.供给侧改革背景下的粮食加工产业链整合与优化——基于粮食主产区四省七县的实地调查[J].学习与探索,2016(3):93-96.

Cost Benefit Survey Statistical Dataset of China's Grain Processing Enterprises from 2013 to 2016

WANG LuAn1, ZHANG LiXiang2, ZHANG Jing3*

1. School of Economics, Shanxi University of Finance and Economics, Taiyuan 030012, China; 2. School of Agriculture and Rural Development, Renmin University of China, Beijing 100872, China；3.Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing 100081, China

Food security is a top priority for a country. Grain processing enterprises are an important part of ensuring food security, the micro-foundation of structural reform on the agricultural supply side, and an important component of achieving agricultural modernization. The research group visited 176 grain processing enterprises of different scales in 17 provinces of China, collected detailed data on the production and operation of enterprises from 2013 to 2016, and processed the data using scientific methods to obtain 704 pieces of data reflecting the production and operation status of grain processing enterprises, including financial costs, labor costs, daily processing capacity, and daily processing capacity. All the data formed a cost-benefit dataset for grain processing enterprises in China from 2013 to 2016. The dataset provides the possibility for research on grain processing capacity, assists in conducting research on the cost-benefit of grain processing enterprises, and supports decision-making by the government and relevant departments.

grain processing enterprises; collection and storage system; cost benefit; food security

Data summary:

ItemDescription Dataset nameCost Benefit Survey Statistical Dataset of China's Grain Processing Enterprises from 2013 to 2016 Specific subject areaAgricultural economics Research topicCosts and benefits of grain processing enterprises Time range2013-2016 Geographical scopeJiangsu, Jiangxi, Zhejiang, Guangdong, Guangxi, Hebei, Shandong, Hubei, Hunan, Henan, Inner Mongolia, Shaanxi, Shanxi, Heilongjiang, Jilin, Liaoning, Sichuan Data types and technical formats*.xlsx Dataset structureThis data consists of 6 data files, including: Summary of Cost and Benefit Data for Large Rice Processing Enterprises, Summary of Cost and Benefit Data for Medium Rice Processing Enterprises, Summary of Cost and Benefit Data for Small Rice Processing Enterprises, Summary of Cost and Benefit Data for Large Flour Processing Enterprises, Summary of Cost and Benefit Data for Medium Flour Processing Enterprises, and Summary of Cost and Benefit Data for Small Flour Processing Enterprises Volume of data444 KB Key index in datasetEnterprise nature, enterprise scale, operating rate, daily processing capacity, raw material sources, raw material costs, labor costs, electricity expenses, financial expenses, main product income, by-product income, net profit Data accessibilityCSTR:17058.11.A0007.20231023.00.ds.3746DOI:10.12205/A0007.20231023.00.ds.3746 Financial supportThe National Social Science Foundation Project "Innovative Research on the Mechanism and Agricultural Support Policy of 'Corn to Rice' in Northeast China" (No. 17CJY033); Project of the Ministry of Agriculture and Rural Affairs on "Improving the Resilience of the International Food Supply Chain" (No. B020101); Research on the Impact of Big Data Analysis on Social Networks and Social Mobility on the Income Level of Migrant Workers (No. K672001); Research on the Mechanism of Reducing Gender Wage Gap under the Background of Unbalanced Regional Economic Development (No. Z27021)

王录安,张利庠,张晶. 2013-2016年我国17省176家粮食加工企业成本收益调查统计数据集[J]. 农业大数据学报, 2023, 5(3):26-31.

WANG LuAn, ZHANG LiXiang, ZHANG Jing. Cost Benefit Survey Statistical Dataset of China's Grain Processing Enterprises from 2013 to 2016 [J]. Journal of Agricultural Big Data, 2023, 5(3):26-31.

数据摘要：

项目描述 数据库（集）名称2013-2016年我国粮食加工企业成本收益数据集 所属学科农业经济 研究主题粮食加工企业成本收益 数据时间范围2013—2016年 数据地理空间覆盖江苏省、江西省、浙江省、广东省、广西壮族自治区、河北省、山东省、湖北省、湖南省、河南省、内蒙古自治区、陕西省、山西省、黑龙江省、吉林省、辽宁省、四川省等17省（自治区） 数据类型与技术格式*.xlsx 数据库（集）组成本数据共包含6个数据文件，分别是：大型大米加工企业成本收益数据汇总，中型大米加工企业成本收益数据汇总，小型大米加工企业成本收益数据汇总，大型面粉加工企业成本收益数据汇总，中型面粉加工企业成本收益数据汇总，小型面粉加工企业成本收益数据汇总 数据量444 KB 主要数据指标企业性质、企业规模、开工率、日处理能力、农户和经纪人、粮食贸易企业、国库、原料成本、人工成本、用电费用、财务费用、主产品收入、副产品收入、净利润 数据可用性CSTR:17058.11.A0007.20231023.00.ds.3746 DOI:10.12205/A0007.20231023.00.ds.3746 经费支持国家社会科学基金项目“东北地区‘玉米改为水稻’机理和农业支持政策创新研究”（编号：17CJY033）；农业农村部项目“提高粮食国际供应链韧性研究”（编号：B020101）；大数据分析社会网络和社会流动性对农民工收入水平影响的研究（编号：K672001）；区域经济发展不平衡背景下的性别工资差距缩小机制研究（编号：Z27021）

2023-7-21；

2023-8-31

国家社会科学基金项目“东北地区‘旱改水’机理和农业支持政策创新研究”（编号：17CJY033）；农业农村部项目“提高粮食国际供应链韧性研究”（编号：B020101）；大数据分析社会网络和社会流动性对农民工收入水平影响的研究（编号：K672001）；区域经济发展不平衡背景下的性别工资差距缩小机制研究（编号：Z27021）

王录安，Email: wangluan1987@163.com；通信作者张晶，E-mail:zhangjing05@caas.cn。