摘 要

全要素生产效率能够度量生产中的技术进步。农业生产的技术进步对于提高农村人均收入、推动产业结构转型和经济增长具有重要意义。本文借助DEAP-xp1和FRONT41-xp1软件，通过DEA-Malmquist模型和三阶段DEA模型对数据进行回归分析，研究2007-2011年31个省直辖市的农业生产的全要素生产效率（TFP）的变化及其影响因素，分析农业生产的技术进步及效率的影响因素。研究结果表明：我国各个省市的农业生产技术发展差距较大，但除了新疆外，各省的农业TFP都在逐年增加，TFP的增长由技术效率变化和技术变化共同促进，其中技术变化占主要推动地位；造成农业生产效率低的原因主要为技术效率低或者规模效率低，东部地区多数省份处于生产有效率水平，少数省市如天津、河北，但是由于生产技术相对落后，主要是生产规模过大而生产技术没有随之提高造成的省平均生产效率低下；中部省市生产效率明显落后于东部地区，原因主要是农业生产规模效率逐年递减，即生产规模过大而技术没有实现同步增长造成的生产低效率；西部地区除贵州、甘肃的生产效率受到落后农业生产技术影响之外，其余省市也是和中部城市同样的情况。总体来看我国农业生产效率主要受到规模报酬递减的影响，且东部、西部、中部生产效率依次下降；农村人均收入和政府农业财政支出都有利于提高农业生产效率。

关键词：农业生产效率；DEA-Malmquist模型；三阶段DEA模型；TFP

Abstract

Total factor production efficiency can measure technological progress in production. The technological progress of agricultural production is of great significance for improving the per capita income of rural areas, promoting the transformation of industrial structure and economic growth. With the help of DEAP-xp1 and FRONT41-xp1 software, this paper uses DEA-Malmquist model and three-stage DEA model to regression analysis the data, studies the changes of total factor production efficiency (TFP) of agricultural production in 31 provinces and municipalities directly under the Central Government in 2007-2011 and its influencing factors, and analyses the technological progress and the influencing factors of agricultural production efficiency. The results show that there is a big gap in the development of agricultural production technology among provinces and cities in China, but except Xinjiang, the agricultural TFP in all provinces is increasing year by year. The growth of TFP is promoted by the change of technical efficiency and technical change, among which the change of technical is the main driving force; the main reasons for the low agricultural production efficiency are the low technical efficiency or scale efficiency, and the eastern region. Most provinces are at the level of productivity efficiency, while a few provinces and cities, such as Tianjin and Hebei, are relatively backward in production technology. The main reason is that the average productivity of the province is low because of the large scale of production and the lack of improvement of production technology. The productivity of the central provinces and cities is obviously behind that of the eastern region, mainly because the productivity of agricultural production scale decreases year by year, that is, the production scale is too large and the technology. The production efficiency of the western region is affected by the backward agricultural production technology except Guizhou and Gansu, and the other provinces and cities are the same as the central cities. Generally speaking, the efficiency of agricultural production in China is mainly affected by diminishing returns to scale, and the efficiency of production in the east, West and central regions decreases in turn; rural per capita income and government expenditure on agriculture are conducive to improving the efficiency of agricultural production.

Key Words：Agricultural Production Efficiency; DEA-Malmquist Model; Three-stage DEA Model; TFP

目 录

第1章 绪论 1

1.1 选题背景 1

1.2 国内外研究动态 1

1.3 研究方法与研究思路 3

第2章 模型简介和数据说明 4

2.1 模型简介 4

2.1.1 DEA-Malmquist模型简介 4

2.1.2 三阶段DEA模型简介 5

2.2 数据说明及变量选取 7

第3章 实证及分析 10

3.1 DEA-Malmquist回归分析 10

3.2 第一阶段DEA回归分析 13

3.3 第二阶段DEA回归分析 14

3.4 第三阶段DEA回归分析 15

第4章 结论和政策建议 17

参考文献 18

第1章 绪论

1.1 选题背景

农业是国民经济的基础，进入21世纪以后，我国农村经济发展成效斐然，农林牧渔业总产值从2000年的24915.8亿元增长到2017年的109331.72亿元[^[1]]，农民工在城镇就业的同时也会兼顾农村的农业劳作，年轻的农民工在外就业，在工作转换期间的空闲时间回农村劳作，中老年农民则固定在农村劳作，这样的生产经营模式从改革开放后逐步形成并稳定存在。农业生产受到了党和国家的高度重视，2008年中央财政投资5955亿元用于“三农建设”，其中粮食直补、良种补贴、农机具购置补贴资金以及农资综合补助超过1000亿元，比2007年增长了一倍，用以鼓励农业生产。

1.2 国内外研究动态

对于农业生产效率的影响因素的分析，国内外学者从各个角度进行了许多研究，主要集中在土地流转、产权和技术驱动、劳动力转移等方面。陈海磊[^[2]]等人（2014）基于山西农户调查数据研究发现，农户土地资源配置不当，土地流转使得土地能够从低效率的农户转向高效率的农户，从而提高总的农业生产效率，即土地流转是有效率的。冒佩华、徐骥[^[3]]（2015）认为，土地经营权流转能显著促进农民收入进一步增长,它的推广将能够使现有的土地制度得到完善。钱龙、洪名勇[^[4]]（2016）基于CFPS2012数据，研究发现农户家庭非农就业不利于其农业劳动生产率和土地产出率的提高。李雪松[^[5]]（2015）通过数量测算与系统分解，测算发现自1978年以来，我国农业TFP主要是由技术进步率与技术效率双轮驱动而实现增长的，但是技术效率的驱动作用远不及技术进步率的驱动作用。贺志亮、刘成玉[^[6]]（2015）认为农村居民家庭人均纯收入、财政支农支出对农业生产效率起正向的积极作用，而乡村人口平均受教育年限和自然灾害则对农业生产效率有负面影响。盖庆恩[^[7]]等（2014）基于微观数据从增长核算的角度研究了劳动力转移对农业生产的影响，研究表明，中国目前已经越过了刘易斯拐点，青壮年男性和女性的转移会提高农业劳动力从事农业劳作的概率，会增大农民家庭耕地流出率，还会降低地区农业产出增长率，这些均不利于农业生产，且对粮食主销区的产量产生显著影响（程名望[^[8]]等，2015）。另有研究提出, 受社会化服务支持，农业劳动力老龄化对于农业生产效率的负面影响还不明显 (林本喜、邓衡山[^[9]], 2012)，在粮食平衡区，农业劳动力转移在较大程度上促进了农业技术效率提升 (马林静[^[10]]等, 2014)。但是王子成[^[11]]（2015）研究发现农村劳动力外流，尤其是跨省外流，对于农业生产和非农经营活动都有负面影响，农村劳动力外流对土地边际产出的提高存在递减效应。 随着青壮年劳动力外流，农村实际从事农业生产的劳动力的老龄化，劳动力健康状况的降低，农户耕地利用效率显著下降 (杨志海[^[12]]等, 2015)，与此同时，陈素琼、张广胜[^[13]]（2012）研究发现劳动力转移使得农户更加倾向于将务农收入投入更多到化肥费用上, 但是这样做并不能扭转农业生产效率下滑的趋势, 更不利于农业现代化发展。除此之外, 在不同作物和地区间，农村劳动力转移对农业生产效率的影响也存在显著的差异 (彭代彦、吴翔[^[14]]，2013)，提高技术复杂程度会使农村劳动力转移对农业生产效率更加不利。苏昕、刘昊龙[^[15]]（2018）基于2010-2014年的省级面板数据研究发现，在当前中国城乡发展的情境下, 农村劳动力转移对农业生产效率的制约作用正在凸显，但是农民专业合作社平均成员数量能够缓解农村劳动力转移对农业生产的不利影响。

其实农民工在城镇就业的同时并没有完全脱离农业生产。年轻的农民工在外就业，在农忙时期回乡进行农业劳动，“大量缺少进城就业机会的中老年农民留村从事农业生产, 中老年农民缺少流动性, 他们从事农业生产的机会成本很低。正是大量机会成本几乎为零的中老年农民的存在, 而使资本化的农业 (主要是种植业) 难以在中国发展起来”（贺雪峰[^[16]]，2015）。近年来，党和国家出台了一系列文件来鼓励农民工返乡创业，来培育经济增长新动力、打造区域均衡发展新引擎。针对党和国家大力鼓励农民工返乡创业这一现象，许多专家学者对返乡农民工的创业行为和创业激励机制进行了研究。目前相关研究成果主要集中在影响农民工创业意愿、创业绩效的内部因素和外部环境因素分析。国际上一些国家也曾经历过我国现处的阶段，且也有一些学者对其进行了分析。Correa 和 Girón[^[17]]（2013）考察了在美国金融危机期间，墨西哥移民一系列的创业行为。研究表明，在美国创业的墨西哥移民普遍面临着不同程度的资金约束，他们的融资渠道非常有限，因此政府可以通过金融机构的创新和重组，为中小创业者提供具体可行的资金供给方案，以此来激励创业。Beckers 和 Blumberg[^[18]]（2013）分析了荷兰迁移劳动力的创业行为，研究指出，多元化的创业行为与在迁入地的充分融入、具备较高的教育水平和特定技能密切相关。

以上研究不同的角度分别分析了农业生产效率的影响因素和变化情况，但是鲜少研究在2008年前后我国农业生产效率的变化及分解，本文将从这个角度出发，选取2008年前后的农业生产数据，研究农业生产效率的变化及分解。

1.3 研究方法与研究思路

本文在借鉴参考了其他文献的研究方法，比较了各个模型的优劣之后，决定采用DEA-Malmquist指数模型来计算并分解全国31个省份四个年份的全要素生产率，并运用三阶段模型DEA对2010年的农业生产情况进行分析，比较2010年全国31个省份农业生产效率和分解后相关的效率值。由于考虑到数据的可得性，本文选用2007、2008、2010、2011年全国31个省的农业生产数据。

第2章 模型简介和数据说明

2.1 模型简介

此次回归分析过程中使用的模型包括DEA-Malmquist指数模型和三阶段DEA分析模型，下面对这两个模型进行逐一介绍。

2.1.1 DEA-Malmquist模型简介

DEA-Malmquist指数最早是由Fare等人（1992）提出的一种Malmquist指数计算方法，它由两方面的变化组成：一是被评价DMU在两个时期内的技术效率的变化（Technology Efficiency Change，EC），一是生产技术的变化（Technology Change，TC），后者在模型中表现为最佳生产前沿面的移动程度。本文模型最后生成的数据包括TFP的效率变化率（tfpch）、技术效率变化率（effch）、技术进步变化率（techch），其中，技术效率可以继续分解为纯技术效率变化指数（pech）和规模效率变化指数（sech）。由于参考系的选取会影响最后的全要素生产率的变化率，所以，在本文模型结果处理当中，为了避免由于时期选择任意性而产生的结果差异，本文分别选取本期和所有时期全部生产技术分别作为参考系进行模型处理，结果如3.1、表3.2所示。

Malmquist指数表达式为：

（2.1）

其中上文提到的效率值为，前沿与参考集距离可以用来表示，比值越大，则说明生产前沿与参考前沿越接近，前沿也是一样的道理。前沿与前沿相比，其变动情况可以用如下的比值来表示：

（2.2）

综上所述，Malmquist指数可以分解为效率变化和技术变化：

（2.3）

等式右侧的效率变化又可以分解为纯技术效率的影响和规模效率的影响。

若模型结果中Malmquist生产率指数大于1，并且技术进步变化指数（tech）或者技术效率变化指数（effch）大于1，则表示TFP变化率主要由它推动。

2.1.2 三阶段DEA模型简介

数据包络模型（Data Envelopment Analysis，DEA）是一种基于被评价对象间相比较的非参数技术效率分析方法。农业生产效率主要分为技术效率、规模效率和配置效率三个方面，由于DEA具有较广的适用范围，原理比较简明易懂，能够处理多投入多产出模型数据的分析，且第二阶段可以去除由于外部环境和随机误差造成的影响，使得得出的效率值能够真实地反映决策单元（Decision Making Unit，DMU）的内部管理水平，所以本文选用这个模型进行数据回归分析。本文使用的DEA模型总共分为三个阶段：

第一阶段：BCC模型。1984年，Banker、Charnes和Cooper提出了DEA模型，即BCC模型，用以估计效率规模。该模型可用来处理基于规模报酬可变（Variable Returns to Scale，VRS）假设下的DMU有效性问题，由于模型得出的技术效率能够排除规模带来的影响，因此也称其为“纯技术效率”（Pure Technical Efficiency，PTE）。投入导向下的对偶形式的BCC模型规划式可表示为：