《我国的农业生产效率研究》由会员分享，可在线阅读，更多相关《我国的农业生产效率研究（21页珍藏版）》请在金锄头文库上搜索。
1、-我国农业生产效率研究 基于三阶段DEA模型的分析 摘要：本文运用三阶段DEA（数据包络分析）模型对我国2011年农业生产效率进行了实证研究。结果表明，城市化水平和乡村就业人口平均受教育年限的提高是农业生产效率改善的有利因素；农村居民家庭人均纯收入、财政支农、自然灾害是农业生产效率的不利因素。我国各省市按纯技术效率和规模效率来划分可分为四种不同类型，各地应该结合自身效率的特点，有侧重地提高管理水平或扩大农业生产规模，从而改善农业生产效率。关键词：农业生产效率 纯技术效率 规模效率引言农业是国民经济的基础。改革开放后，我国农业生产的改革取得了巨大成效。随着三农工作的整体推进，我国农业增长方式由粗
2、放型向集约型转变，农业生产将迎来新的突破，在此过程中，农业生产效率问题日益受到重视。如何对我国农业生产效率进行合理评价，进而寻求农业生产效率提高的现实途径；以及农业生产效率受哪些因素的影响，还可以从哪些方面予以改进，成为当前农业经济领域研究的热点，这也是本文所关注和将要探讨的问题。Farrell（1957）最早对农业生产效率进行分析，他在对英国农业生产力进行分析时首先提出了生产效率衡量的方法，以非预设生产函数代替常用的预设函数来推估效率值，并利用数学规划求出效率前缘线,这一般被认为是DEA的原型。随后，众多学者对农业生产效率问题展开了研究。如Kawagoe等（1985）对跨地区的农业生产效率进
3、行分析认为，一个地区的农业生产效率高低与劳动力生产率高低关系不大而与地区发展水平密切相关。Haag等（1993）运用DEA模型对美国德州Blacklan Prairie区域中41个郡的农业生产效率进行了评估。Gopinath和Kennedy（2001）指出农业生产效率的提高是提升农业竞争力的重要方面。Ball等（2002）对包括美国在内的10个国家19731993年间的农业生产效率进行了研究，研究结果显示资本积累与生产效率增长是相互促进的。Ruttan（2002）对资源和环境约束下世界农业生产效率的增长问题进行了论述，并分别给出了发达国家及发展中国家农业生产效率增长的路径。Vollrath （
4、2008）使用跨国数据，探讨了农业土地分配不公时农业生产效率的差异问题。Restuccia等（2009）使用两阶一般均衡模型分析了国际农业劳动力效率，通过对比发现农业劳动力效率低下主要是由于贫穷国家总生产率较低导致。国内学者对我国农业生产效率问题的研究做出了大量的贡献。从使用的方法角度来分，大致可分为基于非参数的数据包络分析法（Data Envelopment Analysis, DEA）和基于参数的随机前沿生产函数法(Stochastic Frontier Approach, SFA)两种。DEA分析文献中典型的如李周（2005）对西部900县区农业生产效率进行了分析；时悦(2008)运用D
5、EA方法对我国19902005年间的农业生产效率进行了研究；宋增基等（2009）对我国2005年31个省份的农业生产效率运用DEA优势效率模型和劣势效率模型进行了测评。利用SFA模型，亢霞、刘秀梅（2005）对我国的粮食技术效率进行了分析；杜文杰（2010）采用时不变阈值面板随机前沿模型分别测算了我国不同阶段的农业生产技术效率。已有文献对农业生产效率的研究是深入且有效的，对本文研究的展开具有重要的借鉴意义。然而，现有文献对农业生产效率的研究均未能剔除环境和随机误差的影响，不能客观体现生产单元的决策与管理水平。为此，本文基于我国2011年相关数据，借助三阶段DEA模型，期望更为准确地描述我国农业
6、生产效率；同时，找出影响我国农业生产效率的主要因素，为政府决策提供可靠依据。一、 研究方法及数据说明1三阶段DEA模型三阶段DEA模型是由Fried等（2002）提出的一种能够更好地评估DMU（DecisionMaking Unit,决策单元）效率的方法，该方法最大的特点是能够去除非经营的因素（外部环境与随机误差）对效率的影响，使得所计算出来的效率值能更真实地反映决策单元的内部管理水平。其构建和运用包括三个阶段。第一阶段：传统的DEA模型（BCC模型）。DEA方法由Chames等于1978年提出，旨在评价多投入多产出模式下决策单元间的相对有效性。中国学者从事DEA研究始于1986年，魏权龄（1
7、988）在国内普及和推广DEA方法起了积极而重要的作用，并于2000年对DEA的研究进展作了总结。BCC模型用来处理规模报酬可变(Variable ReturnsScale; VRS)假设下的决策单元有效性问题。对于任一决策单元DMU，投入导向下对偶形式的BCC模型可表示为:-(e t s- +et s+)s.t. 其中，i=1，2 , n；j=1，2, m； r=1，2，s。n为决策单元的个数, m和s分别为输入与输出变量的个数，x ij（j=1，2， m)为投入要素，yir（r=1，s）为产出要素，H为决策单元DMU0的有效值。若=1，且s+=s-=0,则决策单元DEA有效；若=1，且s+
8、0，或s-0时，则决策单元为弱DEA有效；若H1，则决策单元非DEA有效。由BCC模型计算出的效率值为技术效率值，还可以进一步分解成为规模效率与纯技术效率的乘积，即技术效率=规模效率纯技术效率。第二阶段：相似SFA分析模型。Fried等(2002)认为，第一阶段分析得出的投入/产出松驰变量受环境因素、随机因素和管理效率三部分的影响。但传统DEA模型并未将这三部分因素对效率值的影响进行区分，此时的效率值无法反映到底是管理原因造成的低效，还是环境因素或随机干扰所导致的低效。在第二阶段通过构建类似SFA模型可以分别观测出上述三个因素的影响，进一步从中剔除环境因素和随机因素，得出仅由管理无效率造成的D
9、MU投入冗余。以投入导向为例，设有n个决策单元,每个决策单元均有m种投入，假定有p个可观测的环境变量，分别对每个决策单元的投入松驰变量进行SFA分析，可构建如下SFA回归方程:其中，i=1，2, m；k=1，2， n。S ik表示第k个决策单元第i项投入的实际值, Xik 为其调整之后的值；Bi为环境变量参数的估计值；V ik为随机干扰项的估计值。式（3）中第一个括号表示将全部决策单元调整至相同的环境下，第二个括号代表将全部决策单元的随机误差调整为相同情形,使得每个决策单元均面对相同的经营环境和运气。第三阶段：调整后的DEA模型。将第二阶段得到的调整后的投入数据Xik代替原始投入数据Xik，产
10、出仍为原始产出数据Yik，再次运用BCC模型进行效率评估，由此得到的各决策单元的效率值即为剔除了环境因素和随机因素影响后的效率值。2投入产出指标、环境变量的选取及数据来源（1）投入产出指标的选取。农业产出变量为农林牧渔业总产值。采用该广义农业总产值的理由是可以与农业投入统计口径保持一致,因为现有投入口径中农业劳动力和机械投入等都是广义农业口径。这与陈卫平（2006）、李谷成（2009）等的处理方式是一致的。农业投入变量包括劳动力、土地、农业机械动力、化肥、役畜和灌溉6个方面。劳动力投入，以第一产业从业人员数（万人）计算；土地投入，以农作物总播种面积（千公顷）计算,由于我国农业复种、休耕、弃耕等
11、现象均较常见，因此可耕地面积数据不宜反映土地投入状况：农业机械动力投入（万千瓦），包括耕作机械、排灌机械、收获机械、农用运输机械、植物保护机械、林业机械、牧业机械、渔业机械和其他农业机械，不包括专门用于乡镇、村组办工业、基本建设、非农业运输、科学实验和教学等非农业生产方面用的机械和作业机械；化肥投入（万吨），以本年度内实际用于农业生产的化肥施用量（折纯量）计算；役畜投入（万头），采取本年度各省拥有的大牲畜数量中所包含的农用役畜数量计算，其中，农用役畜是指大牲畜中实际用于农林牧渔生产的部分；灌溉投入（千公顷），以每年实际的有效灌溉面积计算，这等于灌溉工程或设备已经配备的、能够进行正常灌溉的水田和
12、水浇地面积之和。本文所有农业投入产出数据均来自于2011年中国统计年鉴。各投入项与产出项之间必须符合“同向性”假设，即当投入量增加时，产出量不得减少，常用的方法是采用Pearson相关性检验方法对其进行检测。利用该方法对上述投入产出项进行检验，计算结果如表1所示。由表1可以看出，各省市投入变量与产出变量之间的相关系数均为正,并且均能在5%显著性水平下通过双尾检验，充分说明该投入产出指标符合模型所要求的“同向性”原则，具有合理性。镇、村组办工业、基本建设、非农业运输、科学实验和教学等非农业生产方面用的机械和作业机械;化肥投入（万吨），以本年度内实际用于农业生产的化肥施用量（折纯量）计算;役畜投入
13、（万头），采取本年度各省拥有的大牲畜数量中所包含的农用役畜数量计算，其中农用役畜是指大牲畜中实际用于农林牧渔生产的部分；灌溉投入（千公顷），以每年实际的有效灌溉面积计算，这等于灌溉工程或设备已经配备的、能够进行正常灌溉的水田和水浇地面积之和。本文所有农业投入产出数据均来自于2011年中国统计年鉴。 各投入项与产出项之间必须符合“同向性”假设，即当投入量增加时，产出量不得减少，常用的方法是采用Pearson相关性检验方法对其进行检测。利用该方法对上述投入产出项进行检验，计算结果如表1所示。可以看出，各省市投入变量与产出变量之间的相关系数均为正，并且均能在5%显著性水平下通过双尾检验，充分说明该投
14、入产出指标符合模型所要求的“同向性”原则，具有合理性。表1 2011年我国31个省区市农业投入与产出变量的Pearson相关系数 投入项产出项劳动力投入土地投入农业机械动力投入化肥投入役畜投入灌溉投入农林牧渔业总产值0.842*(0.000)0.617*(0.000)0.827*(0.000)0.916*(0.000)01377*(0.036)01838*(0.000)注:*、*分别表示在5%及1%显著性水平上显著；括号中的数为检验的p值。（2）环境变量的选取及说明。环境变量应选取对农业生产效率产生影响但不在样本主观可控范围的因素，这包括国家的宏观经济环境、政府对农业发展的相关政策、人力资源因
15、素及自然灾害因素等。在宏观经济环境方面，分别选择农民收入水平及城市化水平来进行衡量。一般而言，农民收入水平的提升将提高农民对农业生产的积极性，从而提升农业生产效率；我国人多地少，城市化水平的提高意味着农业人口向城市的转移，将使农业生产要素配置趋向合理，对农业生产效率的提高有着积极作用。考虑到数据的可获取性，本文选取农村居民家庭人均纯收入（元）来衡量农民收入水平；在城市化水平指标的选择上，用城镇人口占总人口的比重来进行衡量。理论预期农民收入水平的提高和城市化水平的提升将提高农业生产效率。在政府对农业发展的相关政策方面，考虑到财政政策是对农业生产的重要政策之一，而财政支农支出的增加对农业生产效率的提高具有积极作用，因此本文选择各地财政支农支出（万元）来衡量政府对农业发展的政策。财政支农的功能之一在于促进农业生产的积极性，进而促进农业发展，预期财政支农支出的增加将促使农业生产效率提升。在人力资源因素方面，本文用农村劳动力受教育程度来衡量，考虑到数据的可得性，以各地区乡村就业人口平均受教育年限（年）来表示。教育是人力资本形成的重要途径，人力资本的积累一方面可以提高农民的知识和技能，从而使其具有更高的劳动生产能力和创造性；另一方面，知识的提高有助于提高农民经济决策的效率，从而促进农业产出的增长。理论预期乡村就业人口平均受教育年限的增加将提升农业生产效率。
