农民职业非农化对小麦生产中耕地利用效率的影响

王成军 费喜敏 吕晓瑶

(1.浙江农林大学 经济管理学院，浙江 杭州 311300；2. 贵州大学 管理学院，贵州 贵阳 550025；3.浙江大学 中国农村发展研究院，浙江 杭州 310082)



农民职业非农化对小麦生产中耕地利用效率的影响

王成军1，2，3费喜敏1吕晓瑶1

(1.浙江农林大学 经济管理学院，浙江 杭州 311300；2. 贵州大学 管理学院，贵州 贵阳 550025；3.浙江大学 中国农村发展研究院，浙江 杭州 310082)

利用我国小麦主产区2004—2013年的历史数据，采用Tobit-DEA方法，对小麦生产的耕地利用效率进行测算，分析近10年来农民职业非农分化对其产生的影响。结果表明：我国小麦主要生产省份小麦生产中的耕地利用效率还存在着一定的改善空间，农民职业非农化对小麦生产中的耕地利用效率有显著的负向影响。据此，提出了改善小麦生产中耕地利用效率的相关政策建议。

农民职业非农化；Tobit-DEA模型； 耕地利用效率；小麦

中国是耕地极为紧缺的国家。截至 2010 年底，中国耕地总面积不足 18.26 亿亩，已接近 18 亿亩的红线，全国人均耕地占有量仅0.09 公顷，远远低于全世界人均0.37 公顷的水平[1]。虽然中国实行了最严格的耕地保护政策，但耕地面积不断减少的趋势并没有从根本上得到控制[2]。与此同时，中国工业化和城市化的快速发展又需要占用大量的耕地，因此，提高耕地利用效率是目前解决我国粮食问题的关键。小麦是我国重要的粮食作物，是我国约一半人口的主食[3]，因此，研究小麦生产中的耕地利用效率具有重要的现实意义。

国内学者们对耕地利用效率的研究大约起始于20世纪90年代末期[4]，随着我国工业化城市化进程的加快，土地资源越来越紧缺，耕地利用效率问题也逐渐演变为研究的热点问题之一，大量学者采用随机前沿生产函数方法[5]、GIS技术[6]、计量经济分析的方法[7-9]等不同方法对耕地利用效率进行了广泛而深入的研究。其中有部分学者专门研究了各种因素对耕地利用效率的影响[10]。例如，许恒周等人运用 DEA 模型和Tobit 模型，通过实证检验各种因素对于耕地利用效率的影响[1]。李明艳研究了劳动力转移(尤其是省内劳动力的转移)对地区农地利用效率的影响[11]。梁流涛等、张霞等基于DEA方法对我国耕地利用效率评价后，对其影响因素按作用大小进行了排序：资源禀赋>经济发展水平>自然条件>农业生产条件[12-13]。当然，也有部分学者对小麦生产中的耕地利用效率做了专门研究。例如，张冬平等人运用数据包络分析(DEA)方法对河南省小麦的生产效率进行了分析[14]；叶优良等对中国25年来的小麦生产以及化肥施用状况进行了分析[15]；杨建仓(2008)研究了中国小麦的生产及其科技支撑问题[16]。

从收集到的文献来看，学者们对耕地利用效率问题进行了大量研究，专门针对小麦生产中的耕地利用效率问题也进行了一定的研究，为后续的研究奠定了坚实的理论基础。然而，现有关于耕地利用问题的研究尚有进一步提升的空间：首先，多数研究是从粮食生产的总体进行的分析。我国的粮食品种众多，不同的粮食品种之间耕地利用效率差异巨大，不加区分地进行分析，得出的结论可能存在较大的偏差；其次，虽然有部分研究专门针对个别粮食品种(如小麦)，但研究内容主要是对耕地利用效率进行测算，以及对施肥、技术等因素的作用进行分析，很少有研究关注到农民职业非农分化对耕地利用效率的影响。农民是耕地的经营者，随着我国改革的深入推进，农民职业非农分化在全国普遍扩张，因此，农民职业非农分化可能是影响我国耕地利用效率的重要因素。因此，本文以粮食中主要品种小麦作为研究对象，利用全国主要小麦生产省份2004—2013年的数据，采用计量经济学分析方法，系统研究农民职业非农化对耕地利用效率的影响，并据此提出相应的对策建议。

一、分析方法与数据来源

1.分析方法

(1)数据包络分析方法(DEA)

目前，被学者们广泛接受的耕地利用效率评价分析方法是由著名运筹学家 A.Charnes、E.Rhodes和W. W.Cooper于1978 年提出的数据包络分析(Data Envelopment Analysis， DEA)[17]。此方法的主要优点是可以使用多个投入和多个产出指标，能够全面系统地反映耕地利用效率，弥补了传统的单个投入和单个产出指标分析的不足。并且该方法不需要构建具体的生产函数形式，避免了因为函数形式出现错误而导致测算结果的偏差。[18]本文试图将每个省份看作一个生产单位，运用由Fare(1994)改造的距离函数建模方法，构建一个最佳生产前沿效率面，将每一个省份的生产效率与最佳生产前沿效率面进行比较，从而测度每一个省份耕地利用的相对效率。

常用的DEA模型有BBC模型和CCR模型两种类型[19]，二者的不同在于对规模报酬的假设：BBC模型在假设规模报酬不变(CRS)的前提下，测度其综合技术效率(TE)；CCR模型在假设规模报酬可变(VRS)前提下，测度其综合效率，并进一步将综合效率分解为纯技术效率(PTE)和规模效率(SE)。根据当前中国农业生产中家庭耕地规模较小的特征，可以判断中国小麦生产中耕地的规模报酬是可变的，所以，本文采用CCR模型来测度各个省份小麦生产中的耕地利用效率。可变规模报酬模型又可分为产出导向型(目标是在相同的投入水平的前提下使产出最大)和投入导向型(目标是在维持相同水平的产出的前提下使投入最小化)两种[20]。因为小麦生产中的耕地利用效率是指在一定耕地面积上，经营者通过投入一定量的生产要素来获取小麦的产出，生产要素的投入量是经营者决策控制变量，小麦的产出量是经营者无法控制的变量，因此，本文采用投入导向型的 C2R 模型对各省份耕地利用效率进行分析。模型如下：

模型中，Xij表示第j个DMU的第i个类型的输入量，Yrj表示第j个DMU的第r个类型的输出变量；λj表示通过线性规划指定的权重，θ代表各决策单元的技术效率值； Si和Sr代表输入和输出的松弛变量；ε为非阿基米德无穷小，它是一个大于零而小于任何正数的数[21]。假设有n个决策单元，每个DMU有m项投入，并产生S项输出。当该模型的θ值为1 ，且S+=S-=0 时，说明DEA有效，即该决策单元达到规模效率和纯技术效率最佳；若θ值为1，但S+≠0或S-≠0，则称弱DEA有效，说明该决策单元存在投入冗余或产出不足。若θ值小于1，则说明DEA无效。

(2)Tobit模型

由于DEA方法只能测度其效率值，无法直接找到影响效率的因素，并且DEA方法测算出的效率值在0～1之间，数据存在截断，无法利用最小二乘法模型进行回归分析[13]。因此，本文将采用Tobit模型进行回归分析，它能对因变量为片段值或截断值时进行回归分析。其一般表达式如下：

式中，Y为因变量，Xi为影响因素自变量向量(其中包括农民职业非农分化)，β为待估计的相关系数向量，ε为随机误差项(服从于正态分布)，Y*为潜变量。

本文将综合技术效率作为因变量，各种影响因素作为自变量，利用自变量的系数β来解释各个因素对效率值产生的不同影响。

2.指标选取与数据来源

(1)DEA评价指标选取

DEA模型是利用各决策单元之间的投入—产出比来衡量决策单元的效益。为了测度小麦生产的耕地利用效率，本文选取单位耕地面积小麦的产值和产量作为其产出指标。前者能反映该地区小麦生产的规模和总量，即耕地的经济效益，后者可作为耕地社会效益的衡量指标。投入变量主要指小麦生产中投入的人力、物力以及财力，因此本文将选取单位面积劳动者用工数量(日/亩)、每亩化肥用量(元/亩)以及单位面积机械作业费(元/亩)作为耕地的投入指标，如表1所示。

表1 耕地生产的DEA模型投入—产出指标

(2)Tobit模型指标选取

一是农民职业非农分化变量。农民职业非农分化对耕地利用效率的影响是本文研究的核心内容。从理论上看，农民职业分化后，农村剩余劳动力将转向城市，从事农业生产的劳动力将会减少，可能会降低农村耕地利用的效率。同时，由于农民职业非农分化后，农民非农收入会增长，在非农收益快速增长的情况下，农民的家庭收入也会快速增长，农民可以用于农业生产的资金投入也增多，从而解决农民从事农业生产的资金问题，有利于耕地利用效率的提高。因此，农肥职业非农分化对耕地利用效率的影响结果是不确定的，有待于实证进一步明确。本文采用非农就业比重，即乡村非农就业人员占乡村就业人员的比重来衡量农民职业非农分化程度，以此来研究农民职业非农分化对耕地利用效率是否有显著影响。

二是其他控制变量。为了控制其他因素对耕地利用效率的影响，本文需要引入其他控制因素变量，根据已有研究结果，这些因素包括耕作条件和政策因素等两组变量。耕地利用效率在很大程度上会受到耕作条件的影响，例如农田化肥施用量、机械总动力以及有效灌溉率等。这些都是农业生产中不可缺少的重要条件，对农业的产出有重要影响，也必然会影响到耕地的利用效率。由于耕作条件因素的选取与DEA方法分析中的投入、产出指标不能完全相同，在选取变量时参照已有的研究，兼顾数据的可获得性，所以，本文选取单位耕地面积上的化肥使用量、单位耕地面积上的机械总动力量以及各省份耕地的有效灌溉率等3个变量代表耕作条件。同样，根据已有研究结果，本文选取农业财政支出作为政策影响因素。从理论上说，农业财政支出能够增加农民的种粮积极性，对提高耕地利用效率具有正向的作用。

(3)数据来源

本文研究所使用的数据主要来源于《建国以来全国主要农产品成本收益资料汇编》 《全国农产品成本收益资料汇编》《农村统计年鉴》以及各省份2005—2014年的统计年鉴，由于本文的研究对象是小麦，在数据的选择上使用了黑龙江、吉林、辽宁、河北、江苏、浙江、安徽、山东、河南、湖北、云南、宁夏等13个小麦主要生产省份的历史数据。部分缺失的数据采用了平均插入法以及时间序列外推拟合法进行补充。

二、结果与分析

利用投入导向的CCR模型，运用DEAP 2.1软件，分别对13个小麦主要生产省的单位耕地面积上小麦生产的投入产出进行效率测算，可得2004—2013年每年各省小麦生产的综合技术效率、纯技术效率及规模效率。其中，综合技术效率(TE)=纯技术效率(PTE)*规模效率(SE)。

1.小麦生产中耕地利用效率的区域差异分析

为了分析不同区域小麦生产中耕地利用效率的差异，对我国13个小麦主产省份小麦生产的耕地利用效率值求平均，得到每个决策单元的3个效率平均值，如表2所示。通过表2，可以分析各省份小麦生产中耕地的利用效率情况。

表2 2004—2013年各省份耕地利用效率平均值

从表2可以看出，13个小麦主要生产省份小麦生产中的耕地利用效率存在明显差异：只有四川和新疆两个省份的综合效率值为1.000，处于最佳前沿面上，说明这两个省份的技术使用和要素投入规模等基本上处于合理的水平，其资源的配置能力和使用效率等方面都达到了最优状态。而其他11个省份则处于不同程度的无效率状态。其中，云南省十分接近最优水平，综合效率和规模效率都为0.996，纯技术效率为1.000；江苏、安徽、河南综合效率都在0.970以上，说明达到了较高的水平；内蒙古、山东、甘肃和宁夏综合效率也在0.900以上，达到了相对高的水平；而河北、陕西综合效率则在0.900以下。其中，陕西省的纯技术效率为0.812——其综合效率不高就是因为纯技术效率较低；山西省的综合效率最低，为0.769，主要受其规模效率的影响。

并研究了超导磁场储能技术下的微网涡流损耗,通过漏磁场测算后,可选取电网导体损耗测算方式获得绕组线圈的涡流损耗,而涡流损耗常出现在超导接头部分。本文采用超导磁场储能系统完成预测控制。实验结果表明超导磁场储能技术能够提升微网的供电体系稳定状态,实时预测和控制涡流损耗。

2.小麦生产中耕地利用效率的变化趋势分析

本文对测算出的2004—2013年期间各小麦主产省小麦生产中的耕地利用效率进行加总平均，并进一步绘制了效率趋势图(图 3)，对近10年小麦生产中的耕地利用效率进行趋势分析。

图3 2004—2013年耕地综合技术效率、纯技术效率、规模效率变化趋势

(1)小麦生产中耕地利用综合效率的变动分析。2004—2013年，我国小麦主要生产省份小麦生产中耕地综合技术效率平均值为0.924，即耕地的实际产出为理想产出的92.4%，表明我国小麦主产地的总体耕地利用效率较高，但还有进一步提升的空间。从图3可以看出，耕地综合技术效率值不稳定，总体上呈现出波动的趋势，其变化可分为5个阶段：2004—2007年呈下降趋势，2007—2008年上升，2008—2009年下降，2009—2012年上升，2012—2013年又出现下降。从总体上看，2004—2007年综合利用效率相对不高，而且逐年降低，在2007年到达最低点，综合利用效率值为0.903。从2009年开始连续3年出现上升趋势，在2012年到达最高点，综合效率值为0.949；从各种效率变化的情况来看，规模效率一直保持比较稳定的状态，综合效率的变化趋势和纯技术效率的变化趋势基本一致，表明我国小麦主要生产省份农户种植小麦的耕地规模基本维持在相对稳定的水平。小麦生产中耕地利用综合效率的变化主要受纯技术效率变化影响较大，因此，要提高耕地综合技术效率的关键，是要提高纯技术效率，加大小麦生产中技术的投入。

(2)小麦生产中耕地利用的规模效率分析。2004—2013年，我国小麦主要生产省份小麦生产的耕地利用规模效率一直保持相对稳定的状态(图3)，但2004—2008年其规模效率值都小于纯技术效率值，说明在此期间，农户家庭种植小麦的规模下降，不同省份农户种植小麦的耕地规模出现分化，小麦的生产需要进行激励和调整。2008年之后，耕地规模趋向合理化，其效率值都大于纯技术效率值，且规模效率均值大于纯技术效率均值，表明规模要素得到充分发挥，各省份小麦的种植规模在逐步上升，规模扩张对综合效率值的贡献大于技术进步。

(3)小麦生产中耕地利用的纯技术效率分析。2004—2013年我国小麦主要生产省份小麦生产中的耕地利用纯技术效率值均小于1，2004—2007年期间小麦生产中的纯技术效率不断下降，说明在期间小麦生产过程中技术投入不足，如果适当增加农业机械生产，增加新品种选育和推广等生产技术投入，将会使产出有较大比例的提高。在2009年之后，由于国家加大了对小麦生产中技术使用和推广的投入，采取鼓励使用新品种新技术的政策措施，激励了农民在小麦生产中对技术的投入，其纯技术效率呈现出稳定上升的趋势，在2012年达到近10年最高值，为0.971。

总体来看，2004—2013年我国小麦主要生产省份小麦生产的耕地综合技术效率都在0.900以上，接近最佳状态，说明我国小麦主要生产省份的耕地利用综合效率是比较高的。这主要得益于我国政府对“三农”问题的高度重视——近年来加大了对农业生产投入的支持和扶持，各种农业生产经营的补贴政策不断实施，农民农业生产积极性不断提高，农业生产规模不断得到优化，农业创新技术不断在农业生产中得到应用。

同时，我们也应看到，我国小麦生产中的耕地利用综合效率有提升的空间，其均值为 0.924，纯技术效率均值为0.960，规模效率均值为0.963，均小于1，说明我国有一些省份小麦生产中的耕地利用效率还没有达到最优状态。不同省份小麦生产中的耕地利用效率差异由什么原因导致，是否与近年来农民群体职业的非农分化加剧有密切的关联，本文接下来采用计量经济学实证技术，对此问题进行实证分析。

本文采用Eviews 8.0统计软件中Tobit程序，分析我国农民职业非农分化对小麦生产中耕地利用效率的影响。Tobit程序计量经济学回归结果如表3所示。

表3 我国小麦主要生产省份小麦的耕地利用效率Tobit模型回归分析结果

(1)农民职业非农分化对小麦生产中耕地利用效率的影响。从表3可知，非农就业比重的回归系数为负，通过了1%的显著性水平统计检验，表明在其他条件不变的情况下，农民职业非农分化对小麦生产中的耕地利用效率有显著的负向影响，即农民职业非农分化程度越高，农民小麦生产中的耕地利用效率水平就越低。这可能是因为，尽管农民职业非农分化会使农民的非农收入增加，给农民农业生产带来更多的可用资金，从而可以提高耕地利用效率。但农民职业非农分化使得农村剩余劳动力转向城市，从事农业生产的劳动力减少，导致农村缺乏高素质的劳动力来扩大生产经营规模和对新技术的运用，进而导致耕地利用效率的大量降低，在上述两种效应的作用下，农村劳动力流失导致的负面影响更大。

(2)耕作条件对小麦生产中耕地利用效率的影响。从表3可知，在耕作条件的代表性变量中，机械总动力和有效灌溉率的回归系数均为正，并且通过了1%或5%的显著性水平检验，表明这两个因素对提高小麦生产中耕地利用效率具有显著正向影响，小麦生产者可以通过改善传统耕作方式，加大机械化标准耕作以提高耕地利用效率。同时，有效灌溉率的回归系数为正，表明目前我国农业基础设施有所提高，增加有效灌溉率可以促进小麦生产中耕地利用效率的提高。农田化肥施用量虽然也通过了1%的显著性水平检验，但其回归系数为负数，该变量对于提高耕地利用效率具有显著的负向作用，说明在单位耕地面积上化肥投入越多，小麦生产中的耕地利用效率就越低，表明在目前农村劳动力非农分化不断加深的背景下，农民过度采取了使用资本替代劳动的做法，通过大量使用化肥来替代单位耕地上的劳动投入。

(3)政策因素对小麦生产中耕地利用效率的影响。依据表3，财政农业支出的回归系数为正，1%的显著性水平检验，说明该变量对于提高小麦生产中的耕地利用效率具有显著的正向作用。这主要是由于国家财政对于农业的支持，对农民进行了农机补贴、种粮补贴等各种补贴，降低了农民小麦种植成本，促进了农民的小麦生产积极性，提高了小麦生产中的耕地利用效率。

(4)另外，从表3还可以看出，尽管各项变量系数都通过了1%或5%的显著性水平检验，表明农田化肥施用量、机械总动力、有效灌溉率、财政农业支出以及非农就业比重等各个因素都对耕地利用效率产生了显著的影响，但它们对小麦生产中耕地利用效率的作用程度存在很大差异，根据标准化系数绝对值的大小，其影响程度从大到小排序为：非农就业比重>有效灌溉率>农田化肥施用量>财政农业支出>机械总动力，非农就业比重对小麦生产中耕地利用效率的影响最大。

三、结论与启示

1.结论

随着中国社会经济的快速发展，人民对农产品和粮食的需求有增无减，但工业化、城市化的发展造成我国耕地数量锐减，而城市化的发展使农村大量青年劳动力外流，在此背景下，分析农民职业非农化对于小麦生产中耕地利用效率的影响具有重要的现实意义。本文使用我国13个小麦主产省10年(2004—2013)历史数据，采用DEA模型测算出我国小麦生产中的耕地利用效率，利用Tobit模型进行回归分析，得出以下研究结论：

(1)从纵向时间上看，2004—2013年我国小麦主要生产省份小麦生产中的耕地利用效率均值为0.924，处于较高水平，平均具有7.6%的效率改进空间。在此期间，小麦生产中的耕地利用综合效率值在2007年的0.901和2012年的0.949之间起伏波动，说明我国小麦主要生产省份小麦的耕地利用具有5.1%～9.9%的效率改善空间。

(2)从横向空间上看，2004—2013年期间，四川和新疆的综合效率值最高为1，达到最佳生产状态；山西省的综合效率值最低为0.769，存在23.1%的改善空间。由于各个省份的自然条件、地理环境和经济实力存在差别，以及小麦生产中技术投入、生产规模的不同，各省份小麦生产中耕地利用效率的改善也会存在较大的差异。

(3)回归结果表明，非农就业比重对耕地利用效率的影响最大，且为负相关性；机械总动力对耕地利用效率也存在着负向影响，但影响程度相对较小；农田化肥施用量、有效灌溉率及财政农业支出对耕地利用效率都存在着正向影响。

2.启示

依据本研究过程和研究结果，可以有以下几点政策性启示：

(1)严守18亿亩耕地红线。耕地是各种物资投入的生产载体，没有足够的耕地面积，投入再多的人力、物力、财力，耕地产出也无法保障。因此，一方面要降低耕地非农化，制定科学合理的城乡发展规划，完善土地市场；另一方面，要加大土地的开发利用，增加耕地面积，实现耕地总量的动态平衡。

(2)合理引导农民职业非农分化。在当前工业化、城市化加速发展的情况下，农民职业非农分化的潮流已经不可逆转。在此过程中，为了有效使用农村的耕地，保障我国的粮食安全，应采取有效措施积极引导有条件的农民脱离农业农村，将承包的耕地流转给专心从事农业生产的农户。这一方面可以改善农业生产的经营规模；另一方面可以降低现有从事农业生产的农民非农就业比重，有效改善耕地利用效率。

(3)改善农业生产的耕作条件。要对耕地进行整治，把一些零散、破碎的土地进行相应的合并，使耕地形状规则、整齐，有利于机械化耕作，降低小麦生产的单位成本。同时，还需加强基础设施建设，实施田、路、水综合治理，改善基本生产条件；支持农田水利建设，改善灌排条件；支持耕作技术推广，提高可持续生产的能力。

(4)根据区域特点实施对小麦生产的扶持政策。对于那些小麦生产中纯技术效率偏低的地区，应加强小麦生产中的物质技术投入，提高科学技术对小麦生产的贡献率；而对于小麦生产中规模效率不高的地区，应加快土地市场化建设，推动已经离农的农民积极流转出自己的承包耕地，有效扩大小麦生产的经营规模，提高小麦生产中耕地利用的规模效率。

[1] 许恒周，郭玉燕，吴冠岑．农民分化对耕地利用效率的影响[J]．中国农村经济，2012(6):31-39.

[2] 刘涛，曲福田，金晶，石晓平．土地细碎化、土地流转对农户土地利用效率的影响[J]．资源科学，2008，30(10)：1511-1516.

[3] 张雪莲，胡进红．我国小麦生产的技术效率分析[J].中州大学学报，2007，24(4)：109-112.

[4] 俞勇军，陆玉麒．江阴市耕地变化驱动因素及耕地利用效率定量研究[J]．经济地理，2002，22(4)：440-443.

[5] 叶浩，濮励杰，张健．我国粮食主产区耕地产出效率研究[J]．长江流域资源与环境，2008，17(4)：584-587.

[6] 毕继业，朱道林，王秀芬，等．基于GIS的县域粮食生产资源利用效率评价[J]．农业工程学报，2008，4(1)：94-100.

[7] 庞英，张全景，叶依广，等．我国耕地资源利用效益的数量经济分析[J].地理与地理信息科学，2004，20(4)：40-43.

[8] 赵曦，刘耀林，刘艳芳．湖北省耕地资源利用效益研究[J].武汉大学学报(信息科学版)，2007，32(12):1168-1171.

[9] 张银岭，张俊鹰．湖北省耕地资源利用效益区域差异分析[J]．湖北农业科学，2008，47(8):901-904.

[10] 周晓林，吴次芳，刘婷婷．基于DEA的区域农地生产效率差异研究[J]．中国土地科学，2011，25(2)：47-54.

[11] 李明艳．劳动力转移对区域农地利用效率的影响[J]．中国土地科学，2011，25(1)：62-69.

[12] 梁流涛，曲福田，王春华．基于DEA方法的耕地利用效率分析[J]．长江流域资源与环境，2008，17(2)：242-246.

[13] 张霞，刘秀华，刘勇．基于DEA的高家镇耕地利用效率及其影响因素研究[J]．西南师范大学学报，2012，37(3):72-77.

[14] 张冬平，冯继红，白菊红．河南小麦生产效率数据包络分析[J]．河南农业大学学报，2005，39(1)：86-92.

[15] 叶优良，韩燕来，谭金芳，等．中国小麦生产与化肥施用状况研究[J]．麦类作物学报，2007，22(1)：37-42.

[16] 杨建仓．我国小麦生产发展及其科技支撑研究[D].北京：中国农业科学院，2009.

[17] Chames A，Cooper W W，Rhodes E.Measuring the Efficiency of Decision Making Units[J].European Journal of Operational Research，1978，6(2)：429-444.

[18] 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.

[19] Banker R D. Estimating most productive scale size using data envelopment analysis[J]. European Journal of Operational Research， 1984， 17(1): 35-44.

[20] Malana N M， Malano H M. Benchmarking productive efficiency of selected wheat areas in Pakistan and India using data envelopment analysis[J]. Irrigation and Drainage 2006，55：383-394.

[21] Markovits-Somogyi， Rita. Ranking efficient and inefficient decision making units in data envelopment analysis. International Journal for Traffic and Transport Engineering 2011，1(4)：245-256.

[22] 经阳，叶长盛.基于DEA的江西省耕地利用效率及影响因素分析[J].水土保持研究，2015，22(1)：257-261.

(责任编辑 钟昭会)

2016-07-12

国家自然科学青年基金项目“工业化城市化过程中耕地动态变化研究——驱动机制、因子贡献及政策含义”(41201125)和“农民分化与耕地利用效率——作用机制、历史贡献及政策含义”(41401642)；教育部人文社会科学重点研究基地重大项目“自然资源与环境管理制度和政策创新研究——基于浙江山区农户层面的研究”(14JJD790045)；教育部人文社会科学青年基金项目“气候变化对农业生产的影响及农户的适应性行为研究”(14YJC790027)；博士后基金项目“农民职业分析对粮食生产中耕地利用效率影响研究”(2015M571895)。

王成军(1977—)，男，安徽霍丘人，浙江农林大学经济管理学院副教授、硕士生导师，贵州大学管理学院副院长，浙江大学博士后。研究方向：农林经济管理。

F323.2

A

1000-5099(2016)05-0030-07

10.15958/j.cnki.gdxbshb.2016.05.006