云南省农业生产效率的DEA分析

1、云南省农业生产效率的DEA分析云南省地处我国西南地区，工业基础薄弱，农业占国民经济比重较大。2014年全省农业增加值为2027.94 亿元，占云南省GDP的15.83%；农业人口占总人口的 58.26%，其中75%的国民收入、70%的财政收入、60%的创汇收入和80%的轻工业原料直接或间接来自农业。这些数据说明云南是一个农业大省。然而，由于云南省地势多山，交通不便，加上不合理的耕种与破坏使得云南省的农业生产效率不高，各个地区的农业发展水平不一。针对这种情况，笔者要研究的是如何判断各个地州的农业生产情况，根据得到的结果分析如何提高各个地州的农业生产效率，针对已经处于生产效率面的地州还可以从哪些方

2、面进行改进。国外学者对于农业生产效率进行了大量的研究。Farrell是最早开始研究农业生产效率的经济学家，他在分析英国农业生产力时第一次提出了农业生产效率的衡量，并利用线性规划法求出了效率前沿面，但是这种方法并没有考虑环境因素与随机因素对于生产效率的影响1。Aigner等在Farrell基础上引入了随机扰动项，使得对于生产者行为的描述更加的准确2。Charnes等在此基础上将模型进一步扩展为多投入多产出的C2R模型，并且正式将这种分析方法命名为数据包络分析方法（DEA）3。Ball等在通过测算美国等10个国家在19731993年之间的农业生产效率后发现资本积累与生产率的增长呈正相关4。Rutt

3、an在资源与环境约束条件下，论述了增加农业生产效率的问题，并针对发达国家与发展中国家的不同情况提出了增长农业生产效率的具体路径5。Jose Vicente采用非参数前沿模型对巴西农业生产效率进行研究发现，虽然巴西的农药与化肥得到了充分利用，但是土地与劳动力并没有得到充分的利用，同时巴西的土壤条件、气候以及灌溉水平都能够影响农业生产效率6。Vollrath通过对跨国数据进行分析发现土地分配的不公平性导致了农业生产效率的差异性7。Restuccia通过使用二阶段CGE(一般均衡模型)对国际农业生产效率进行研究发现，农业劳动力低下的主要原因是来自于贫困国家的总生产率低下8。国内学者对于国内的农业生产

4、效率问题也做了大量的研究，并取得了很多受到国际认可的成果。从农业增长的路径上来看，周宏等指出由于资源的有限性，导致农业可持续性增长的根源来自于生产效率的提高9。吴玉鸣（使用计量模型进行分析，结果表明提高我国农业产出的决定性因素主要来自劳动与资本10。从农业生产的可持续性上来看，李周等采用DEA模型对西部地区900个县区的农业生产效率进行了分析，说明了技术效率、规模效率、全要素生产率与农业可持续发展之间的关系11。马凤才等对黑龙江县域农业生产效率进行研究，并且在此基础上对黑龙江农业可持续性发展进行了细致的分析12。从提升农业生产效率的路径上来看，汪旭辉等从建设科技型农业、调整农业人力资源等方面对

5、于农业生产效率的提高提出了相应的对策13。郭军华等指出通过扩大农业的生产规模和提高管理水平来提高农业生产效率14。现有的文章对于农业生产效率的研究很多，这对于本文的写作起到了关键性的指导作用。然而，这些文章的研究主要集中于省域层面的农业生产效率的研究，对于某一个省，深入到各个地州的研究的文章却非常少，同时现有的文章对于农业生产效率的研究主要采用的是传统的DEA模型，没有剔除环境因素与随机因素，得到的效率值不能准确的反应决策单元的管理水平。为此，本文利用2014年云南省各地州的相关数据，采用三阶段DEA模型剔除环境因素与随机因素，得到决策单元（指的是云南省各个地州的农户整体）更加准确的效率值，并

6、对各个地州的效率值进行比较，得到提高云南省农业生产效率的政策与建议。一、研究方法Fried最先指出传统DEA模型没有考虑环境因素和随机噪声对决策单元效率评价的影响，并在此基础上提出了三阶段DEA模型，三阶段DEA模型剔除了传统变量中的环境因素与随机因素对效率值的影响，其具体的操作步骤分为以下三个阶段。第一阶段：传统的DEA模型分析初始效率值。DEA模型分为投入导向型和产出导向型两种，由于在本文分析中相对于产出而言，投入值更容易准确得到，因此我们选择投入导向的BCC（规模报酬可变）模型来测算决策单元的相对效率。对于任何一个决策单元，投入导向BCC模型可以表示为：其中， j=1,2，&hellip

7、;，n表示决策单元，X，Y分别是投入、产出向量。 DEA模型本质上是一个线性规划问题。若θ=1，S+=S-=0，则决策单元DEA有效；若θ=1，S+≠0，或S-≠0，则决策单元弱DEA有效；若θ第二阶段：相似 SFA回归剔除环境因素与随机因素。将第一阶段DEA模型得到的投入变量松弛值作为被解释变量，环境变量作为解释变量作回归分析，对投入变量值进行调整，使得各个决策单元处在相同的环境之中，本文利用SFA模型，具体过程如下：第三阶段：调整后的DEA效率分析。利用调整后的投入变量以及第一阶段的产出变量数据，运用BCC模型再次测算各决策单元的效率，此时的

8、效率是剔除环境因素和随机因素的影响后仅受到管理水平影响的真实效率值。二、变量选择以及数据来源（一）投入产出指标的选取以及数据来源DEA模型分析的主要是多投入多产出情况下的决策单元的相对效率问题，因此投入与产出指标的选取尤为重要。本文研究的农业生产效率主要指的是广义的农业生产效率，所以在选取投入与产出指标时统一采取广义农业口径。产出指标选用农林牧渔总产值（亿元）；投入指标包括五个方面：乡村就业人数（万人）、农作物播种面积（万hm2）、农业机械总动力（万kw）、化肥使用量（万t）、农药使用量（万t）。该部分数据来源于2015年云南省统计年鉴2015年中国农村统计年鉴2014年中国农村统计年鉴。由于

9、各项投入与产出之间必须符合同向性;假设条件，即当投入增加时产出不能减少，为此，利用SPSS18软件进行Pearson相关性检验，其检验结果如表1所示。由表1可以看出，投入项与产出项之间的相关性系数都为正数且都能够通过5%的置信水平双尾检验，说明投入与产出之间满足同向性;假设条件。同时还发现，如果按照投入项对于农林牧渔总产值的影响程度进行排序，化肥使用量对于农林牧渔总产值的影响最大，农业机械总动力、农作物播种面积、农药使用量、乡村就业人数对于农林牧渔总产值的影响逐步递减。（二）环境变量的选取以及数据来源环境变量指的是对于农业生产效率产生影响但其本身却并不在样本主观可控范围内的因素。正是由于环境变

10、量的存在，使得所处环境较好的地州能够得到较高的生产效率值，而所处环境较差的地州得到的生产效率值较低。因此，有必要利用SFA模型剔除环境因素与随机因素，使得到的各个决策单元的效率值更加准确。然而，就目前而言，对于环境变量的指标选取并没有统一的规定。基于以往的研究资料，根据环境变量的可分离性;原则，结合农业的特点，选用以下五个变量作为环境变量：（1）农村人均纯收入（元），农民的收入提高会增加农民进行农业生产的积极性，进而对农业生产效率产生影响。（2）地方财政支出(亿元)，地方财政支出主要用于公共基础设施建设，基础设施的不断完善会对农业生产效率产生显著性的影响。可以预见，公共设施完善会使得农业生产效

11、率提高。（3）外商直接投资额（亿元），外商直接投资额的增加，会加快地方经济的发展，同时也带来了国外的先进技术，这些技术即可用于工业，同时也可以用于农业。可以预见，随着外商投资额的增加，农业生产效率也会随之增加。（4）城镇化率（%），城镇化率=城镇人口/总人口，城镇化率的提高意味着农村人口开始向城市进行转移，这样既解决了我国人多地少;的矛盾，也有利于农民进行规模性生产。可以预见，随着城镇化率的增加，农业生产效率也会随之增加。（5）二、三产业占GDP的比重（%），三大产业之间具有高度的相关性，二、三产业的快速发展会为农业的发展提供所需的物资条件与技术。可以预见，二、三产业比重的提高会对农业生产效率

12、产生显著性的影响。该部分数据来源于2015年云南省统计年鉴、2014年云南省各地州国民经济和社会发展统计公报。三、实证分析（一）第一阶段DEA模型首先，在不考虑环境因素与随机因素的条件下利用DEAP2.1软件对于2014年云南省16个地州农业生产效率进行测算，其效率水平与规模报酬结果如表2所示。表2显示的是第一阶段云南省16个地州农业的技术效率、纯技术效率、规模效率以及规模报酬。从表2可以看出，在不考虑环境因素与随机因素的条件下，2014年曲靖、普洱、临沧、楚雄、西双版纳、大理、怒江七个地州的农业技术效率、纯技术效率以及规模效率均为1,达到了DEA最优，占到地州总数的43.78%。这些处于生产

13、前沿面的地州并没有需要进行改进的空间。其他地州由于纯技术效率不为1，规模效率不为1或者纯技术效率与规模效率都不为1，均未达到DEA最优，存在着不同程度的改进空间。由于传统的DEA模型存在着环境因素与随机因素的干扰，使得所得到的效率值并不能真实地反应其真实情况。为此，有必要剔除环境因素与随机因素。其投入松弛变量如表3所示。由表3可以看出，技术效率、纯技术效率、规模效率未全部达到 DEA有效的各地州,都出现了不同程度的投入浪费，其中保山、丽江、红河、文山投入变量冗余比例比较大，特别是化肥使用量的冗余率，丽江达到了57.8%，农药使用量的冗余率，红河达到了50.1%，两者均超过了半数，浪费情况十分严

14、重。（二）第二阶段相似SFA回归分析将第一阶段投入变量的松弛变量作为被解释变量，将5个环境因素变量作为解释变量利用Frontier 4.1软件作回归分析，回归结果如表4所示。从表4可以看出投入变量冗余值与5个环境变量因素大多数能通过显著性检验，说明环境变量对于各个地州的投入变量产生了影响，也充分说明了进行第二阶段SFA回归分析的必要性。另外gamma的值都为0.9999,接近于1，说明管理因素对于投入冗余值的影响占据着主导作用。（1）农村人均纯收入对于投入变量冗余值的影响。从农村人均纯收入与5个投入变量冗余值前面的系数符号，可以看出，随着农村人均纯收入的增加，乡村从业人数、农业机械总动力、农作

15、物播种面积的冗余值都会减少。这是因为随着农村人均纯收入增加，会使得农民扩大生产规模，购买先进的农用机械进行规模化生产；进行农业规模化生产后，化肥、农药的浪费量也会减少，化肥、农药使用量也必然会随之减少。（2）地方财政支出对于投入变量冗余值的影响。从地方财政支出与五个投入变量冗余值前面的系数符号，可以看出，随着地方财政支出的增加，乡村从业人数会增加，农作物播种面积、农业机械总动力、化肥使用量、农药使用量的冗余值也会增加。这一点充分表明，云南省各个地州的地方财政支出对于农业方面的支持并没达到理想的目标。（3）外商直接投资额对于投入变量冗余值的影响。从外商直接投资与五个投入变量冗余值前面的系数符号，

16、可以看出，随着外商直接投资额的增加，乡村从业人数、农业机械总动力冗余值会减少。这是因为随着外商直接投资的增加，会带来更多的工作岗位，乡村从业人口向城市转移，乡村从业人数冗余值也会随之减少；与此同时，由于农村从业人员向城市转移，有利于农民进行规模化生产，购买农业机械设备，导致农业机械总动力冗余值增加。然而由于规模化经营导致化肥、农药使用量会减少。（4）城镇化率对于投入变量冗余值的影响。从城镇化率与5个投入变量冗余值之间的系数符号，可以看出，随着城镇化率增加，乡村从业人数、农作物播种面积的冗余值都会减少，而农业机械化总动力、化肥、农药使用量的冗余值都会增加。这是因为随着城镇化率的提高，越来越多的农

17、民进入城市，乡村从业人数会减少，农作物播种面积也会减少，农业生产越来越依赖于机械化；由于农业的规模化经营，导致农药、化肥使用量减少，农业机械总动力增加。（5）二、三产业占GDP比重对于投入变量冗余值的影响。从二、三产业所占比例与5个投入变量冗余值之间的系数符号，可以看出，随着二、三产业所占GDP的比重增加，五个投入变量的冗余值都会减少。这是因为二、三产业所占GDP比重增加，会为农业生产提供大量的物质与技术支持，使得农业投入冗余值减少。（三）第三阶段调整后的DEA模型将调整后的投入变量值与初始的产出变量值重新代入DEA2.1模型中，可以得出剔除了环境因素与随机因素之后的真实准确的农业生产效率值，

18、其结果如表5所示。为了验证第三阶段剔除环境因素与随机因素后的效率值是否较第一阶段更加符合云南省各个地州的农业发展现状。利用SPSS18中的Spearman进行等级相关分析，分析结果如表6所示。从表6可以看出，经过第二阶段SFA模型剔除环境因素与随机因素后，云南省各个地州农林牧渔总产值与技术效率、纯技术效率以及规模技术效率之间的相关系数值明显增加。这表明相比于第一阶段DEA而言，第三阶段DEA模型所得到的效率值更加能够反映出云南省各个地州的真实的管理水平，同时也说明了我们进行第二阶段的SFA剔除环境因素与随机因素的必要性。对比表2与表5发现，在传统的DEA模型下,曲靖、普洱、临沧、楚雄、西双版纳

19、、大理、怒江七个地州处于生产前沿面上，但是经过第二阶段SFA剔除环境因素与随机因素之后。处于生产前沿面的地州个数减少为6个，同时具体地州也发生了变化。普洱、楚雄、大理在剔除环境与随机因素后并不再处于生产前沿面，玉溪、红河、迪庆在剔除环境与随机因素后处于生产前沿面。其中，由表5可以看出，普洱、大理均是由于规模效率下降导致其从技术效率前沿面退出。楚雄则是由于纯技术效率下降导致其从技术效率前沿面退出，各个地州在农业规模报酬上面仍然是以规模报酬递减为主。从各个地州层面上来看，相比于第一阶段的效率值，第三阶段的效率值发生了很大程度的变化，其中，昭通、普洱、楚雄、大理的技术效率减小，说明这些地州在第一阶段

20、处在高效率的原因来自于环境因素。第三阶段的效率值相对于第一阶段的效率值上升的地州个数为8个，分别为昆明、玉溪、保山、丽江、红河、文山、德宏、迪庆。这些地州除了文山的技术效率的提升来自于规模效率的提升以外，其他地州技术效率的提升主要来自于纯技术效率的提升。这一现象表明这些地区以前技术效率低下的主要原因来自于其管理水平不足。四、结论与对策建议（一）结论通过利用三阶段DEA模型对于2014年云南省各个地州农业生产效率进行分析结果表明：（1）相对于第一阶段DEA模型得出效率值而言，第三阶段各个地州的效率值大部分都有了明显的提高。这充分说明了环境因素与随机因素对于农业生产效率值产生了很大的影响。同时利用

21、SPSS18软件分别对于第一阶段的效率值与第三阶段的效率值进行Spearman等级分析，结果表明，第三阶段得到的技术效率、纯技术效率以及规模效率能够更真实地反映云南省各个地区的农业生产效率水平。（2）通过利用农村人均纯收入。地方财政支出，外商直接投资额，城镇化率以及二、三产业占GDP的比重5个环境变量与投入变量冗余值作回归分析，发现所选的环境变量对于投入冗余值的影响十分的明显。其中，财政支出的增加对于投入冗余值而言都能够产生正的影响，其他环境变量的增加对于投入冗余值而言，有的产生了正的影响，有的产生了负的影响。这充分说明剔除环境因素与随机因素的重要性。（3）从第三阶段DEA分析后发现，云南省技

22、术效率非DEA有效的地州中，昆明、保山、普洱、红河、大理的技术效率处于非DEA有效的主要原因来自于规模效率非DEA有效，而昭通、楚雄、文山、德宏的技术效率处于非DEA有效的主要原因来自于纯技术效率非DEA有效。（二）对策建议（1）云南省各个地州的农业生产效率的特点各不相同，应该根据各个地州生产效率自身的特点提出建议：对于昆明、保山、丽江、普洱、红河、大理生产效率非DEA有效的主要原因来自于规模效率非DEA有效的地州，应该提升农业的规模效率、使得农业的生产向集约化转移，发展现代农业；对于昭通、楚雄、文山、德宏生产效率非DEA有效的主要原因来自于纯技术效率非DEA有效的地州，应该加强管理创新与新的

23、技术理念，以确保农业朝着健康稳定的方向发展；对于其他6个处于生产前沿面的地州，也不能够放松警惕，应该在现有的基础上加强管理水平与技术创新，同时进一步加强农业规模化生产，以获得更好的农业生产效益。（2）完善土地流传制度，发展规模化农业生产。本研究发现，昆明、保山、丽江、普洱、红河、大理生产效率非DEA有效是由于规模效率非DEA有效导致的，为此，针对于这种情况，应该大力推广农业规模化生产。从国内外农业发展的经验来看，规模化生产是农业发展中必不可少的一部分，规模化生产既可以促进农业规模的扩大，也可以促进农业生产设备的推广。云南省各个地州的农业资源禀赋决定了各个地州的农业规模化发展的方式不同，现有的分

24、散的家庭联产承包责任制很难真正的发挥土地的规模效应，应该根据各个地州的自身情况，制定各自的农业规模化生产形式。目前来看，农业规模化生产的主要形式是土地流转。鉴于以往国内有的地方强制性推行土地流转制度损害农民的利益，云南省各个地州要从自身的情况出发，更多的保护农民的合法权利，使得农民能够享受到土地流转带来的利益。（3）发展节约型农业，提高资源的利用效率。 从表3中发现，部分地区存在着投入过量的问题，一些地州如：丽江、红河的投入浪费问题十分严重，这严重制约着这些地区的农业生产效率的提升。为此，应当大力推广发展节约型农业，淘汰部分落后的农业机械，提高这些地区的农业生产效率，保障云南省农业的健康性，促

25、进云南省农业的可持续发展。参考文献1Farrell M J. The Measurement of Productive Efficiency J. Journal of the Royal Statistical Society，1957，120(3):253.DOI: 10.2307/2343100.2 Aigner D,Lovell C,Schmidt P. Formulation and Estimation of Stochastic Frontier Production Function Models J.Journal of Econometrics,1977 (6)：21.

26、DOI:10.1016/0304-4076(77)90052-5.3Charnes A, Cooper W, Rhodes E. Measuring the efficiency of decision making unitsJ. European Journal of Operational Research, 1978, 2(6):429. DOI:10.1016/0377-2217(78)90138-8.4Ball V E, Bureau J, Nehring R. levels of farm sector productivity: an international compari

27、sonJ. Journal of Productivity Analysis, 2001,15(1): 5. DOI:10.1023/A:1026554306106.5Ruttan V W. Productivity growth in world agriculture: sources and constraints J. American Economic Association,2002,16(4):161.DOI:10.1257/089533002320951028.6Jose Vicente R. Economics efficiency of agricultural production in BrazilJ. Rio de Janeiro, 2004(2): 201. DOI: 10.1590/S0103-2