長江經濟帶農業生產效率測算及時空演變研究

劉玉成 張茜

(1.長江大學 經濟與管理學院,湖北 荊州 434023;2.長江大學 長江經濟帶發展研究院,湖北 荊州 434023;3.荊州職業技術學院 經濟管理學院,湖北 荊州 434023)

一、引言

農業是國民經濟的基礎,黨和政府歷來高度重視“三農”問題,2022年中央一號文件指出“確保農業穩定增產,農民穩步增收、農村穩定安寧”,2023年中央一號文件進一步強調“守好‘三農’基本盤至關重要、不容有失”。當前我國脫貧攻堅戰已取得全面勝利,然而農村地區發展不平衡不充分的問題仍然突出。長江經濟帶作為我國重要的糧食主產區和農業經濟發展的主戰場,仍存在農業資源利用不合理、農業生產現代化水平不足、人均耕地面積匱乏等問題。如何提升其農業綜合生產能力將直接關系到我國的農業經濟健康發展。提升農業綜合生產能力的關鍵是提升農業生產效率,因此,如何促進資源充分有效利用、加快農業生產方式轉型升級、提升耕地增產潛力,是我國三農領域值得研究的重要問題,關系著我國全面小康社會的建設和“兩個一百年奮斗目標”的實現。

已有文獻大多利用DEA模型研究農業生產效率問題。Farrell(1957)最早使用線性規劃方法測算英國農業生產效率的前沿面,被認為是DEA方法的基本思想起源[1]。我國學者主要采用DEA模型以及擴展的DEA模型對農業生產效率進行測算,例如,戚焦耳等(2015)運用DEA-Tobit模型,分析江蘇省農地流轉對農業生產效率的影響,認為農地流轉可以有效促進農業生產效率提升[2];魏修建等(2015)認為發展農業生產性服務業有助于提升農業生產效率[3];蘇昕等(2017)認為農業合作經營能促進農業生產效率的提升[4];侯琳等(2019)使用超效率DEA模型和Malmquist指數分析我國農業生產效率,認為東部地區農業生產效率最高,中西部地區低于全國平均水平[5];李江等(2021)運用DEA-Tobit兩階段模型測算了我國省級地區的農業生產效率,認為全國平均生產效率呈現上升趨勢,但是區域差距明顯[6]。由于傳統的DEA模型難以排除外部環境的影響,為使測算結果更加準確,Fried等(2002)對傳統的DEA模型進行改進,提出了三階段DEA模型[7]。我國學者采用三階段DEA模型作了較多測算研究,例如,郭軍華等(2010)在對我國農業生產效率進行測度研究的基礎上,識別了影響農業生產效率的有利因素和不利因素[8];劉子飛等(2015)通過測算,認為有機化可以提高農業生產效率尤其是純技術效率[9];楊彩艷等(2018)測算了我國四個省域農業社會化服務對農業生產效率的影響,認為金融服務、農技服務、機械服務對農業生產效率的影響為正向,基礎設施對農業生產效率的影響為負向[10];彭有為等(2022)測算了中國高技術產業全要素生產率,認為綜合效率和規模效率被高估,純技術效率被低估[11]。

通過對已有文獻進行分析,可以發現:(1)從研究對象來看,現有文獻大多局限于對全國或者省域的分析,從區域層面進行研究的相對較少。(2)從研究方法來看,現有文獻大多使用靜態研究方法,對剔除環境變量影響后的效率值同時進行靜態和動態研究的文獻相對較少。(3)從研究視角來看,現有文獻更加關注對農業生產效率產生直接影響的因素,但外生環境變量對農業生產效率的間接影響作用不可忽視。(4)從研究內容來看,現有文獻的大多是對效率測度和影響因素的分析,對區域差異和時空演變的分析相對較少?；诖?本文在現有文獻的基礎上,以長江經濟帶為研究對象,運用三階段DEA模型與Malmquist指數,在剔除環境變量和隨機因素的基礎上,對2010～2021年長江經濟帶11省(市)的農業生產效率進行測度和時空演變分析,以期為提高長江經濟帶農業生產效率提供切實有效的建議。

二、研究方法與數據來源

(一)模型介紹

1.三階段DEA模型

DEA即數據包絡分析法,通常用于評估多投入多產出的多個目標決策單元(DMU)之間的效率和相對有效性。Fried(2002)在傳統DEA模型的基礎上,進一步提出了可以剔除環境因素和隨機擾動影響的三階段DEA模型[7]。三階段DEA因其客觀性及準確性特點,被廣泛應用于經濟金融效率分析領域,其具體步驟如下。

第一階段,DEA分析。利用規模報酬可變的BCC模型計算長江經濟帶各省域的農業生產效率。在假設規模報酬可變的前提下,DEA模型分為投入導向和產出導向2種類型,該研究使用基于投入角度的BCC模型進行研究,BCC模型的公式如下:

(1)

其中,j= 1,2,…,n表示決策單元,X、Y分別表示決策單元的投入變量和產出變量。

第二階段,SFA回歸。將第一階段得出的各投入指標的松弛變量作為被解釋變量,各環境指標作為解釋變量,借助SFA方法進行回歸。對初始效率值進行SFA回歸的目的在于剔除環境變量和隨機因素的影響,使每個決策單元處于相同的外部環境中進行比較。

第三階段,DEA分析。用第二階段得出的剔除環境因素影響后的投入產出值代替原始投入值,再次使用第一階段方法測算最終效率,得出剔除了環境因素和隨機因素影響的真實效率值,能夠更加準確客觀地反映各決策單元的效率情況。

2.Malmquist指數

Malmquist指數建立在距離函數之上,用于測量全要素生產率(Total Factor Productivity, TFP)的變化,是一種基于DEA模型的動態分析方法。當Malmquist指數>1時,全要素生產率呈增長趨勢;Malmquist指數<1時,全要素生產率為下降趨勢。其中,Malmquist指數=技術進步×技術效率=技術進步×純技術效率×規模效率。

(二)變量選取與相關性分析

1.變量介紹

本研究選取農林牧漁總產值(億元)作為產出指標,選取農作物總播種面積(千公頃)作為土地投入要素變量,農用機械總動力(萬千瓦)、農用化肥施用量(折純量)(萬噸)、有效灌溉面積(千公頃)作為技術投入要素變量。環境變量是指雖然不能對產出指標產生直接影響,但是可以間接影響產出指標的外部環境因素。因此,選取農林水事務的財政支出(億元)作為政策環境變量,農村居民人均可支配收入(元/人)作為社會環境變量,第二產業占生產總值的比值(%)作為經濟環境變量。由于各地區第一產業勞動力中兼業行為對勞動力指標數據影響較大,為避免兼業行為導致測算結果的不準確性,本研究沒有選擇第一產業勞動力作為投入指標。本研究的時間范圍為2010～2021年,數據來源于歷年《中國農村統計年鑒》、《中國農業年鑒》和長江經濟帶11省(市)統計年鑒。各變量的描述性統計情況見表1。

表1 變量定義及統計描述

(2)變量相關性檢驗

為檢驗各投入產出變量之間是否符合“同向性”原則,對變量進行Pearson相關性檢驗,得到各投入和產出變量之間的相關系數,結果見表2。由表2可知,長江經濟帶各投入和產出變量之間的Pearson相關系數分別為0.788、0.778、0.757、0.804,且都在1%概率水平下顯著,因此變量選取合理。

表2 2010～2021年長江經濟帶農業投入與產出變量的Pearson相關系數

三、長江經濟帶農業生產效率測算及分析

(一)第一階段DEA分析結果

在不考慮環境因素和隨機影響的情況下,本文使用Deap 2.1軟件對上述投入產出指標分別進行測算,得出長江經濟帶11個省(市)2010～2021年的農業生產效率測算結果,見表3。 對表3的結果分析如下:

表3 第一階段2010～2021年長江經濟帶農業生產效率

1.總體分析

2010～2021年平均農業生產效率值均在0.8以上,說明在不考慮環境因素和隨機影響的情況下,長江經濟帶農業生產效率整體態勢良好,處于較為前沿的水平。

2.分年度分析

長江經濟帶平均農業生產效率值可以分為三個時間段。2010～2015年農業生產效率均值由0.818穩步上升至0.882;2016～2018年由0.881下降至0.840;而在2019～2021年期間,農業生產效率均值則由0.841緩慢回升至0.867。長江經濟帶平均農業生產效率整體變化趨勢呈現“上升→下降→上升”的“N”字型。

3.分省份分析

浙江和上海一直處于效率水平的最前沿位置;四川和重慶雖未達到最優效率水平,但也處于較為前沿位置;湖北、江蘇近幾年雖然略有下降,但在11省(市)中仍處于相對較高水平;貴州、云南、江西一直穩步提升,貴州和云南近幾年更是達到最優效率值,可見發展勢頭較好;湖南效率水平不高,近幾年呈現下降趨勢;安徽在11省(市)中一直處于最低效率水平。

(二)第二階段SFA回歸結果分析

為使長江經濟帶11個省(市)處于相同的環境水平下進行比較,本文在第二階段運用SFA模型進行回歸,剔除環境和隨機因素對測算結果的影響。將第一階段得到的各投入指標的松弛變量作為因變量,將環境變量作為自變量,分別建立相似SFA回歸模型,運用Front4.1軟件進行調整,回歸結果見表4。

表4 第二階段長江經濟帶農業生產效率SFA回歸調整結果

由表4結果可得,4個相似SFA回歸模型的Gamma值均接近1,表示環境變量對生產效率的影響較大,LR單邊似然值均通過了5%的檢驗,說明本研究選用SFA回歸模型較為合理。環境變量與各松弛變量之間的回歸統計量大多能在5%顯著性水平上顯著,表明環境變量可以顯著影響各松弛變量。對各變量的影響分析如下:

1.農林水事務財政支出

該變量對農作物總播種面積、農用機械總動力、有效灌溉面積等3個松弛變量的影響均在5%的顯著性水平上通過檢驗,而對農用化肥施用量松弛變量不顯著,且對各松弛變量的系數值均為負值。說明隨著政府對農業領域的財政投入增加,機械、灌溉等方面均會得到改善,進而對農業生產效率產生正面影響。這一結論與預期相符,可能的原因是,財政投入的增加可以促進農村基礎設施建設、農業產業結構優化升級和農民專業素質水平提升。

2.農村居民人均可支配收入

該變量對農作物總播種面積、有效灌溉面積松弛變量的影響顯著,在5%的顯著性水平下通過檢驗,對農用機械總動力松弛變量的影響僅在10%的顯著性水平下通過檢驗,對農用化肥施用量松弛變量不顯著,且對各松弛變量的系數值均為負值。說明隨著農民人均可支配收入的提高,土地、機械、灌溉等方面均得到改善,進而對農業生產效率產生正面影響。這一結論與預期相符,可能的原因是,農民對各項投入要素的利用率較高,且收入的提高提升了農民參與第一產業生產活動的積極性。

3.第二產業占生產總值比值

該變量對農作物總播種面積、農用機械總動力、農用化肥施用量松弛變量的影響顯著,均在5%以上的顯著性水平下通過檢驗,而對有效灌溉面積松弛變量的影響卻并不顯著,且對各松弛變量的系數值均為負值。說明隨著工業化水平的提高,土地、機械、化肥等方面均得到改進,進而對農業生產效率產生正面影響。這一結論與預期相符,可能的原因是,工業的發展可以為第一產業提供更先進的生產技術和資金要素,同時還可以促進土地產出率、機械自動化率、化肥利用率的提升。

由以上分析可得,外生環境變量對長江經濟帶農業生產效率的影響不可忽視,有必要在第三階段運用調整后的投入產出數據,從而得到更為準確的長江經濟帶各省(市)效率值。

(三)第三階段調整后的DEA結果分析

運用調整后的投入產出數據,重復第一階段過程。使用Deap2.1軟件進行DEA分析,得到調整后的長江經濟帶各地區農業生產效率值,具體結果見表5。

表5 第三階段調整后的長江經濟帶各地區農業生產效率值

對比表3和表5可以發現,剔除環境變量影響前后長江經濟帶各地區農業生產效率值差別較大,具體分析如下:

1.總體分析

對比表3和表5,2010～2021年間長江經濟帶農業生產效率均值由調整前的0.849降為調整后的0.841,說明在考慮環境因素和隨機影響后,整體效率水平雖然依舊處于較為前沿水平,但仍略有下降。此外,經過調整后效率均值位于前沿位置的省份由2個增長為3個,說明在整體效率水平下降的情況下,部分省份仍有上升。

2.分年份分析

2010～2015年間,長江經濟帶農業生產效率均值由0.820波動上升至0.863,2015～2021年由0.863波動下降至0.860,整體波動程度較調整前更加平穩。

3.分省份分析

(1)浙江省在調整前后均處于效率水平的前沿面,江蘇省和四川省調整后處于效率水平的前沿面,湖北省在調整后處于較前沿水平。原因可能在于,這些省份較高的經濟發展水平可以為農業高新技術的推廣提供良好的外部環境,優越的地理位置又能為農民提供高產出率的優質耕地和充足的灌溉水源,在資源豐富的同時對資源的利用率較高,資源分配較為合理。此外,人口大省所帶來的勞動力優勢同樣不可忽略。(2)湖南省、貴州省、云南省、江西省調整后效率水平均有所提高,說明在不受環境因素影響的情況下,這四省的農業生產效率出現不同程度的提升。原因可能在于黨和政府對這些省份惠農補貼力度較大,且這些省份在結合自身優美生態環境、大力發展以生態農業和旅游農業為主的新型農業的同時,加快農村產業結構轉型,不斷提升農產品附加值和經濟效益。(3)上海市與重慶市在調整后的效率水平相較調整前下降,其中上海市下降幅度較大且呈現逐年降低趨勢,重慶市下降幅度較小。原因可能在于這兩市城鎮化水平較高導致耕地資源短缺和大量勞動力轉移,加之二三產業未對第一產業提供應有的反哺作用,由此導致農業生產效率的降低。(4)安徽省在調整前后均處于長江經濟帶11省(市)中的較低效率水平,雖然剔除環境變量后的效率值略有提高,但與其他省份相比仍存在較大提升空間。原因可能在于安徽省農業現代化水平較低、技術型人才缺乏、基礎設施建設不完善、自然災害頻發、人均耕地面積較少等。

(四)Malmquist指數分析

前文根據三階段DEA模型對長江經濟帶農業生產效率的測算是一種靜態的分析方式,為從動態角度對其進行更為全面的分析,下文將利用DEAP2.1軟件對2010～2021年長江經濟帶11個地區經調整后的投入值和原始產出值進行Malmquist指數分析,分年份全要素生產率及其分解值見表6,分地區全要素生產率及其分解值見表7。

表6 長江經濟帶農業生產效率Malmquist指數及其分解(分年份)

表7 長江經濟帶農業生產效率Malmquist指數及其分解(分地區)

1.總體分析

由表6結果可知,2010～2021年長江經濟帶農業全要素生產率均大于1,均值為1.073,說明綜合考慮土地、資本、技術等要素之后的生產率水平為上升趨勢,總體上升7.3%。其中技術效率和技術進步均呈上升趨勢,但技術進步對全要素生產率的提升貢獻更大,說明農民在農業生產過程中更關注農業高新技術與農用機械的更新換代,對效率提升方面重視程度稍有不足。將技術效率進一步分解可知,純技術效率拉動了技術效率的提升,而規模效率則對技術效率增長具有負面影響。分年度來看,2011～2012年全要素生產率增長最快,為19.2%,2018～2019年增長最慢,為2.2%。研究期內技術進步指數均促進了農業全要素生產率的增長,而技術效率指數在2010～2011年和2015～2018年抑制了全要素生產率指數的提高。

2.分省份分析

由表7結果可知,研究期內長江經濟帶11省(市)全要素生產率均處于上升趨勢,但相互之間存在明顯差異,貴州省增長率最高,為13.6%,上海市最低,為1.1%。從分解結果來看,貴州省技術效率與技術進步發展較為均衡,兩者協同拉動全要素生產率的提升,上海市技術進步發展較快,技術效率還存在較大提升空間。原因可能在于,國家近年來較為重視對貴州省的農業資金投入,貴州省在農用機械和科技水平不斷提升的同時也注重對效率的提升,而上海市經濟較發達的同時技術水平較高,但由于城鎮化水平較高導致人地關系緊張的同時對技術的利用率不足。

3.分區域分析

由表7結果可知,研究期內長江經濟帶上游、中游、下游三個區域的農業全要素生產率均值分別提升9.4%、6.4%、4.8%,上游地區>中游地區>下游地區。上游和中游地區全要素生產率提升更多來源于技術進步,而技術效率對下游地區全要素生產率提升具有負面影響,其中規模效率的負面影響較純技術效率更大。在上游地區中,四川全要素生產率增長率未達到平均水平,在中游地區中湖北和湖南未達到平均水平,而下游地區所有地區均未達到平均水平?？傮w來說,長江經濟帶上游、中游、下游三個區域技術進步水平較高,應更為關注對各區域技術效率特別是規模效率的提升,通過促進農業集約化、規?；l展進一步促進全要素生產率增長率的提升。

四、長江經濟帶農業生產效率時空演變分析

(一)時間演變分析

對長江經濟帶第三階段的效率水平分上游、中游、下游三個區域作時間演變趨勢圖,如圖1所示。

圖1 長江經濟帶各區域農業生產效率值變化趨勢

由圖1可得,2010～2021年長江經濟帶農業生產效率均值在0.824至0.864之間波動,2015年為研究期內效率均值的最高值,達到0.867,整體呈波動上升趨勢。上游地區效率值波動幅度最大,呈現逐年上升趨勢,下游地區效率值波動幅度次之,呈現逐年下跌趨勢,中游地區效率值波動幅度較為平緩。上游和中游地區的波動趨勢與整體效率均值的變化趨勢較為一致,且效率水平大于長江經濟帶平均水平;下游的波動趨勢與整體相反,效率水平小于總體平均水平。2010年的效率值排序是中游地區>上游地區>下游地區,2014年上游地區反超中游地區,2021年效率值排序是上游地區>中游地區>下游地區。從中可以看出長江經濟帶農業生產效率值的區域性時間特征差異較大,隨時間變化較明顯。說明農業生產效率與各地區的地理位置、自然資源、經濟水平、農業生產方式和農業經營狀況等息息相關。

(二)空間演變分析

利用Arcgis 10.5軟件對長江經濟帶各省域2010和2021年第三階段的農業生產效率作空間分布圖,并使用自然斷點法對效率值分類,見圖2。

圖2 長江經濟帶農業生產效率空間演變

根據圖2,對長江經濟帶農業生產效率空間演變特征分析如下:

1.分省份分析

觀察圖2可知,2010年四川、江蘇、浙江的農業生產效率屬于最優水平,湖北和湖南屬于較優水平,屬于中等水平的是云南、重慶、江西,而安徽、貴州、上海處于下等水平。2021年貴州也進入最優水平行列,云南上升為次優水平,湖南降為中等水平,江西降為下等水平,其他省份的效率水平沒有明顯變化。2010年中游區域中湖北和湖南兩省屬于較優效率水平,下游區域中江蘇和浙江兩省屬于最優效率水平,而上游區域僅有四川省屬于最優效率水平。2021年上游區域有四川、貴州、云南三省屬于較優以上水平,下游區域中江蘇和浙江兩省屬于最優效率水平,而中游區域僅有湖北省屬于較優效率水平。

2.分區域分析

2010年效率前沿水平集中在中游和下游區域,2021年效率前沿水平集中在上游和下游區域。上游地區在受到四川省正向空間外溢效應影響的同時,大力發展特色農業,在提升農產品附加值的基礎上進一步促進農旅產業融合,此外,較高的農業科技投入與規模經營水平對生產效率的正向作用也不可忽視。中游地區的湖南省和江西省農業規?；s化程度不足,農業基礎設施建設不完善,小農經濟與現代農業的銜接還不夠。下游江浙地區在擁有優質耕地資源和氣候環境的同時,既有較高的經濟水平為農業技術發展提供穩定的外部支撐,又有發達的工業反哺農業?？傮w而言,長江經濟帶上游區域農業生產效率水平提升較大,中游區域效率水平下降,下游區域保持不變。

五、結論與建議

本文基于2010～2021年長江經濟帶省域數據,利用三階段DEA模型和Malmquist指數,從靜態和動態角度對長江經濟帶農業生產效率進行測算,并從時空視角分析長江經濟帶各地區農業生產效率的演變特征。論文的結論如下:

第一,長江經濟帶農業生產效率受外生環境變量影響較大,且外部環境對農業生產效率具有正面影響。農業財政投入、農民收入水平和當地工業化水平對農業生產效率均具有積極的促進作用。

第二,長江經濟帶農業生產效率水平較高,總體呈現逐年上升趨勢。浙江省、江蘇省、四川省和湖北省剔除環境變量調整后處于前沿水平,湖南省、貴州省、云南省、江西省均有所上升,上海市、重慶市下降,安徽省始終較低。

第三,長江經濟帶農業全要素生產率不斷增長,平均提升6.9%,2011～2012年增長最快,2018～2019年增長最慢。區域內11省(市)全要素生產率均處于上升趨勢,但相互之間存在明顯差異,其中貴州省最高,上海市最低?？傮w來看,研究期內技術進步發展態勢良好,而技術效率特別是規模效率下降較為明顯。

第四,長江經濟帶農業生產效率區域差異較大,隨時間變化明顯,效率前沿面逐漸由中、下游地區向上游地區轉移。此外,長江經濟帶農業全要素生產率發展不平衡,中、下游地區技術效率水平還需進一步提升。

為提高長江經濟帶農業生產效率,本文基于以上結論提出如下政策建議:

第一,優化農用財政投入力度。首先,要使財政投入進一步向農村基礎設施建設傾斜,水利、電力、道路、農田建設等是農業發展的基石。其次,建立農用財政資金監管部門,加大對農用財政資金的監管力度,做到支農補貼不冒領、不挪用,真正落實財政資金對農業的幫扶作用。此外,增加惠農補貼的投入力度,通過提升農民的收入和改善生產生活環境,保護和促進農民從事農業生產的積極性。

第二,加強農業技術的創新和推廣。首先,加大對新型農業技術的宣傳力度,通過對示范基地進行宣傳、對新型技術使用者發放補貼等方式,提高農戶的認可度和積極性。其次,對不同農戶的訴求,有針對性地研發農業高新技術,將科技成果轉化為可以切實提升農業生產效率的新技術。此外,農業機械化有利于緩解第一產業勞動力流失和農村空心化問題,提升投入要素利用率和土地產出率,進而促進生產效率的提升。

第三,促進農業規?；?、集約化發展。首先,建立健全完善的土地流轉管理制度和完備的土地流轉市場監管機制,為土地使用權的流轉提供保障。其次,加大對勞動、土地、資金、技術等要素的投入并進行組織化管理,提高集約化利用水平。此外,通過建立農業社會化服務體系和農業經營合作社等方式,促進農業現代化的發展。

第四,促進各區域差異化發展,因地制宜制定發展戰略。上游地區可以在依靠當地優越自然環境的基礎上,進一步促進農旅產業融合,在旅游業帶動農業發展的同時,通過建立特色農產品品牌來提高農產品附加值。中游地區可以加大農業基礎設施建設,在農業技術升級的同時優化資源配置,通過良種培育、使用新型化肥等方式提升單位土地產出率。下游地區可以發揮經濟優勢進一步加強農業技術創新,在促進工業對第一產業反哺的同時,通過推進土地集約化利用來緩解因城鎮化水平較高帶來的人地關系緊張問題。此外,還可以通過培育新型職業農民等方式提高勞動力素質。