中国区域茶加工产业效率的实证分析

胡振涛　项喜章

摘要：选取中国15个产茶地区2007-2011年5年间的茶加工产业面板数据，在运用DEA模型对其产业效率进行静态分析的基础上，进一步使用衡量产业效率变化的Malmquist指数研究了中国茶加工产业效率的时空演变。结果表明，技术进步是中国茶加工产业全要素生产率持续增长的源泉，而技术效率则表现出先下降又回升的变化趋势，中国茶加工产业效率的增长逐步向技术进步和技术效率合力拉动转变。同时，中国茶加工产业仍存在规模不合理、技术扩散效率低等问题，在对其进行解释的基础上，给出了相关对策建议。

关键词：茶加工业；DEA；Malmquist指数；效率

中图分类号：F325 文献标识码：A 文章编号：0439-8114（2015）19-4893-05

DOI：10.14088/j.cnki.issn0439-8114.2015.19.061

Abstract： Selecting the 2007-2011 panel data of tea-processing industry in 15 tea-producing regions in China，the paper analyzed industrial efficiency by DEA model and the spatial-temporal evolution of the industrial efficiency in the tea-processing industry by malmquist index.The results showed that technology progress is the source of the sustained growth in total factor productivity of Chinese tea-processing industry，while technical efficiency increased at first but later decreased. It suggested that the growth of Chinese tea-processing industry efficiency began to change from being driven by technology progress to being driven by the both of technological progress and technical efficiency.But there were problems such as the unreasonable scale，the low technology diffusion efficiency and so on. Then， some suggestions are provided according to these results.

Key words： tea-processing industry； DEA； malmquist index； efficiency

自19世纪80年代以来，世界茶叶消费逐年增加，平均每年增速5%左右。中国茶叶资源丰富，茶文化历史悠久，作为世界公认的茶叶起源地，面对需求日益高涨的国际茶叶市场，存在着明显的资源优势。但与此同时，中国茶叶加工业发展不足的问题也日渐凸显出来。茶叶加工业规模经济不明显、产品差异化程度低[1]、行业进入壁垒低，导致茶叶加工企业自主品牌难以壮大，各省“有名茶，无名牌”的现象普遍存在。同时，茶叶加工企业普遍存在着规模小、效率低、核心竞争力不强、技术创新能力不足等问题。

本文选取15个产茶地区为研究样本，采用各样本地区2007-2011年5年期的面板数据，运用DEA方法与非参数的Malmquist指数方法，探究中国茶加工产业效率的时空演变。

1 理论模型

1.1 DEA方法理论

数据包络分析（Data envelopment analysis，DEA）是一种直接使用输入（Input）、输出（Output）数据建立非参数数学模型的效率评价方法。基本思路是将每一个评价对象看作一个决策单元（Decision making unit，DMU），各个DMU有相同的输入与输出指标，通过所建立的数学模型将各DMU投射到有效前沿面上，该有效前沿面由所有DMU中具有相对最优效率的DMU构成，所以位于有效前沿面上的DMU具有100%的最优效率，偏离有效前沿面的DMU，则可根据偏离程度得出各DMU的相对效率值[2，3]。

通过以上模型可以得出DMUj的技术效率TE，当TE=1，S-=0且S+=0时，则称该DMU为DEA有效，说明该DMU使用最少的投入获得了最大的产出；当TE=1，S-和S+不同时为0时，则称该DMU为弱DEA有效，说明按照当前投入已经达到最优效率，但是按照当前产出投入量仍可优化；当TE≠1时，则称该DMU为DEA无效，说明按照当前投入，其实际产出未达到最优产出量。

1.2 Malmquist指数模型

Malmquist指数是由瑞典经济学家Malmquist[6]提出的，最初主要用于消费分析。后来，部分学者对该指数的应用进行了扩展性研究，逐渐将该指数应用于生产率变化的测算领域[7]，并将之与DEA理论相结合，演化出基于成本、规模效率和不变规模收益的Malmquist指数模型。

在实证分析中，中国学者普遍采用Fare[8，9]等构建的基于DEA的Malmquist指数。该方法是基于距离函数定义Malmquist生产率指数的，利用线性优化方法给出每个决策单元的边界生产函数的估算，从而对效率变化和技术进步进行测度。Malmquist生产率指数变动值即为全要素生产率（TFP）变动值[10-12]，用TFP-ch表示。

式（6）中PTE-ch衡量的是在规模报酬不变的前提下，DMU到最佳生产前沿面的距离从t期到t+1期的变化；SE-ch衡量的是DMU的综合效率剔除纯技术效率后的剩余部分（也即规模效率）从t期到t+1期的变化；TECH-ch衡量的是生产前沿面由t期到t+1期的变化，即技术进步。

2 指标选择与数据处理

虽然DEA方法可处理多投入、多产出的生产模型，但是如果投入和产出项多而决策单元少，则会使得模型的生产可能性空间维数过多，数据包络不明显，致使大量DMU位于最优生产前沿面上，多数DMU生产效率为1，难以达到模型所期许的目的。

同时，指标的选取也应遵守完备性、简洁性、系统性、科学性和可获取性等原则，所以，本研究在遵循指标选取原则的同时，结合DEA模型的特点，以每一地区为一个DMU，以地区内茶叶加工企业数量（X1）、茶叶加工企业资产总额（X2）和茶叶加工企业从业人员（X3）为投入指标，以茶叶加工企业年产值（Y1）为产出指标。

以《中国茶业年鉴》为样本数据来源，参照国家统计局和各地方统计局公布的数据，在选取样本时作如下处理：（1）剔除不产茶或产茶量过小的省份；（2）剔除数据缺失或数据存在不可解释的冲突的省份。最终得到15个地区2007-2011年5年期的面板数据。

3 实证分析

3.1 中国区域茶加工产业效率的静态分析

表1中的技术效率数据显示，中国茶加工产业平均技术效率（TE）在2007-2011年中有所降低，虽然2011年略有回升，总体却呈现出明显的下降趋势。2005年，中国技术效率值为1的省份有8个。至2011年，综合技术效率值为1的省份仅剩3个，说明中国茶加工茶叶技术效率的降低不仅体现在总体上，还体现在各个省份个体中。5年中维持技术效率值为1的省份仅有湖南省。

纯技术效率是剔除规模影响以后的技术效率，表1中的纯技术效率数据值显示，中国茶加工产业平均纯技术效率（PTE）在2007-2011年中呈现波动下降趋势。2011年，15个样本中8个省份的纯技术效率值为1，但是其中5个省份综合技术效率值小于1，说明这些省份综合技术效率的下降主要是规模效率下降所致。分析表2可知，中国茶加工产业平均规模效率（SE）呈现平稳下降趋势，且处于最佳规模效率的省份从2007年的8个下降到2011年的3个，规模报酬下降的省份从2007年的4个上升到2011年的11个，说明中国大部分地区过于盲目扩大茶加工产业规模，致使生产技术或管理水平难以匹配，生产要素利用率不足，导致技术效率逐年下降。以福建省为例，2007-2011年，福建省技术效率不断降低，其中纯技术效率值始终为1，导致技术效率降低的原因是规模效率的持续下降，而且其规模报酬也始终是递减的，这说明福建省茶加工业规模过大，但是按照《中国茶业年鉴》统计，福建省茶叶加工业资产投入和劳动要素投入5年内却有大幅增长，这不仅会导致新增投入的产出效率不高，还会拉低整体技术效率水平。

由DEA模型结果可知，从整体上来看，2007-2011年，中国茶加工产业技术效率水平有所下降。从各样本个体来看，技术效率水平下降的省份有8个，其中由纯技术效率下降引起的有1个（广西省）；由规模效率下降引起的有3个（即福建省、浙江省、安徽省）；由纯技术效率下降和规模效率下降综合引起的有4个（云南省、贵州省、山西省、河南省）。这说明引起中国茶加工产业技术效率降低的主要原因是生产规模，次要原因是生产技术。

3.2 中国区域茶加工产业效率的动态分析

将标准化后的数据输入DEAP2.1，选择计算Malmquist指数，得到结果如表3、表4。

表3列出的是中国茶加工业各动态指数的空间演变，从中可以看出，15个样本省份在2007-2011年间的全要素生产力变动值（TFP-ch）均大于1，表明中国茶加工产业效率不仅在整体上呈上升趋势，且各省份之间也存在同步上升的趋势。这与中国茶加工产业技术效率下降这一结论并不矛盾，因为TFP-ch同时受到EFF-ch和TECH-ch的影响，其中EFF-ch衡量的就是技术效率TE的变化，在表3中可以看出15个样本省份EFF-ch的平均值小于1，也即TE呈下降趋势。TECH-ch即技术进步，其经济意义是由于新技术、新管理方法等的研发和应用所导致的最佳生产前沿面的前移。15个样本省份的TECH-ch均大于1，说明5年间中国茶加工产业的技术水平从整体和个体上都有所进步。

由此可以看出，中国茶加工产业效率的提升是由技术进步拉动的，而技术效率不仅没有促进中国茶加工产业生产效率的提升，反而对其有负面影响。技术效率衡量的是从实际生产点到最佳生产前沿面的追赶程度，技术效率变化指数体现的就是这种“追赶效应”的强弱，小于1表示“追赶效应”赶不上技术进步的幅度。其原因可能是新技术、新管理方法开发以后，难以被普遍推广，仅局限在位于最佳生产前沿面上的几个省份中，导致省份之间差距逐渐扩大。

表4列出了中国茶加工业各动态指数的时间演变。其中全要素生产率变化指数TFP-ch从2007年的0.929上升到了2011年的1.351，且呈现出逐年增加的趋势，表明中国茶加工产业效率从负增长转变为正增长，且增速逐年加快。技术进步指数TECH-ch在4个区间均大于1，也呈现逐年增大态势，说明中国茶加工产业的技术进步是持续的，且进步速度逐年加快。技术效率变化指数平均值小于1，但在2011年该指数为1.066，表明中国茶加工业的技术效率开始出现了正增长。

4 结论与建议

本研究首先采用DEA模型对中国15个产茶地区2007-2011年5年间的技术效率及其分解进行了测度。结果显示，中国茶加工产业技术效率在5年间有所降低，且导致其降低的主要原因是规模效率的下降。规模报酬分析表明，中国15个产茶地区中，有11个地区规模报酬递减，说明这些地区规模不适，致使规模效率下降。所以，要提高中国茶加工产业技术效率，调整产业规模是关键。

在运用DEA模型对中国15个产茶地区进行静态分析的基础上，进一步采用DEA-Malnquist指数法，探究了中国茶加工产业效率的动态演变。空间演变分析显示，中国不同地区的茶加工产业效率的变化呈现出极强的同步性，且所有地区的全要素生产率都有加速上升的趋势，其上升的主要动力都是技术进步。时间演变分析显示，中国茶加工产业效率的增长在持续，但是其增长方式逐渐出现了变化，从以前主要由技术进步拉动，开始转变为由技术进步和技术效率合力拉动，表明中国茶加工产业技术水平增长的同时，技术利用率也在增长。

虽然从中国茶加工产业整体来看，整个产业的效率发展势头良好，但也存在不少的问题，例如技术效率增速过慢导致新技术、新方法难以迅速普及，其中表现较为明显的如云南、贵州等地，技术效率连年下降，单凭技术进步已经很难再拉动整个茶加工产业效率的增长。此外，如福建、浙江等地区技术效率始终为1，但是规模效率却一直在下降，说明这些地区茶加工产业规模过大，拉低了其茶加工产业的生产效率。

结合以上分析，本研究提出如下建议：

1）提高技术进步速度，扩大技术推广范围。技术进步是核心，各地区应加大茶加工产业创新投入，研发新技术，创造新方法，并积极向其他茶产业较发达的国家学习，引进先进的技术及理念，结合地区实际应用于实践，推动中国茶加工产业的技术进步。技术推广是重点，在技术进步的同时，增强各地区间的知识流动，促进技术扩散，使新技术、新方法能被广范地利用，并快速转化为生产力，在缩小省际差距的同时，提升中国茶加工产业整体的生产效率。

由于目前中国茶产业发展尚不成熟，茶叶市场尚不规范，所以茶加工产业技术推广的主体应以政府为主，并以非政府组织或个人为补充，建立一个分工明确、高效运行的技术推广体系。政府可建立统筹全局的技术推广机构，承担技术推广任务的鉴定与规划，将先进技术按类型、按“公益性”程度等进行系统分类，并将应当由政府部门承担的任务分发到各地方政府，将可推向市场的任务由非政府组织或个人承担的，并给予一定的政策、资金支持。

2）提升优势促进作用，降低劣势制约影响。从中国省域茶加工产业效率的实证分析可以看出，中国茶加工产业总体发展势态良好，但大部分地区的茶加工产业的发展尚还存在着误区和不足，且区域之间的竞争优势和劣势也有所差异。所以，不同地区应有针对性的对策，以提升其优势的促进作用，并降低甚至消除劣势的制约作用。

对于因生产技术落后而导致技术效率下降的地区（如广西），应重点提升区域内茶加工产业技术水平，加强省内外交流，在学习省外、国外先进技术的同时，自主创新，创造适合本地区茶加工产业的新生产技术、新管理方法；对于因规模过大而导致技术效率下降的地区（如福建、浙江、安徽），应着重优化茶加工产业规模，在兼顾效率和收益的情况下调整产业规模，不盲目扩大，做到集约化生产；对于同时受技术落后和规模过大影响的地区（如云南、贵州、陕西、河南），应做到技术与规模两者兼顾，如加大技术投入以适应过大的规模，控制规模以匹配当前的技术水平。

参考文献：

[1] 曹长忠，姜含春.中国精制茶加工业低壁垒效应分析及对策[J].湖北农业科学，2013，52（12）：2945-2946.

[2] 魏权龄.评价相对有效性的DEA方法[M].北京：中国人民大学出版社，1988.

[3] 颜鹏飞，王 兵.技术效率、技术进步与生产率增长：基于DEA的实证分析[J].经济研究，2004（12）：55-65.

[4] SUN H S，PHILLIP H，HRISTOS D.Economic openness and technical efficiency：A case study of Chinese manufacturing industries[J]. Economics of Transition，1999，7（3）：615-636.

[5] 段永瑞.数据包络分析——理论和应用[M].上海：上海科学普及出版社，2006.

[6] MALMQUIST S.Index numbers and indifference surfaces[J]. Trabajos de Estadistica， 1953（4）：209-242.

[7] CAVES D W，CHRISTENSEN L R，DIEWERT W E. The Economic theory of index numbers and the measurement of input， output and productivity[J].Econometrica，1982（5）：1393-1414.

[8] ROLF F，GROSSKOPF S，NORRIS M，et al.Productivity growth， technical progress，and efficiency change in industrialized countries[J].American Economic Review，1994，84（1）：66-83.

[9] CHARNES A，COOPER W，SEIFORD L M. Data Envelopment Analysis：Theory，Methodology，and Application[M].Dordrecht： Kluwer Academic Publishers，1994.

[10] 郭军华，倪 明，李帮义.基于三阶段DEA模型的农业生产效率研究[J].数量经济技术经济研究，2010（12）：27-38.

[11] 宋增基，徐叶琴，张宗益.基于DEA模型的中国农业效率评价[J].重庆大学学报：社会科学版，2008，14（3）：24-29.

[12] 赵 伟，马瑞永，何元庆.全要素生产率变动的分解[J].统计研究，2005（7）：37-42.