我国农田水利基础设施投资效率现状及动态效率研究

刘其涛

摘要：利用我国省际面板数据，采用数据包络分析中的BCC模型（DEA-BCC模型）和Malmquist生产率指数分析2007—2013年我国31个省（市、区）农田水利基础设施投资的综合技术效率和动态效率。结果表明，我国农田水利基础设施投资的综合技术效率偏低，纯技术效率改进缓慢，区域间的综合技术效率存在明显差异；我国农田水利基础设施投资的全要素生产率7年间呈下降趋势，技术进步下降是导致全要素生产率下降的主要原因。因此，加快农田水利基础设施科技成果转化推广、加大科技创新力度成为提高全要素生产率的关键。

关键词：农田水利基础设施；投资效率；数据包络分析；Malmquist生产率指数；DEA-BCC模型

中图分类号： S277文献标志码： A文章编号：1002-1302（2017）23-0303-04

收稿日期：2017-03-09

目前对我国农田水利基础设施的研究主要集中在3个方面：一是对农田水利基础设施运营效率的研究。陈洪转等以广东省为例，利用群决策数据包络分析（DEA）方法对农田水利投入产出的效果进行了分析[1]；吴平等基于DEA和动态Malmquist指数分析了2009年我国24个粮食主产区的农田水利设施配置效率，认为西北和东北地区的农田水利设施配置效率高于其他地区[2]；叶文辉等依据2003—2010年我国31个省（市、区）的面板数据，利用DEA方法实证分析了我国农田水利运营效率，指出我国农田水利运营效率低下，其中东部地区运营效率最高[3]。二是对农田水利基础设施供给问题的研究。张琰等运用计量经济模型，以云南省为研究对象，分析了农田水利设施供给和农村经济发展之间的关系[4]；陈朱伟等认为我国农田水利基础设施效率低下，并且从供求关系、成本和效益2个方面研究了我国农田水利供给效率的影响因素[5]。三是对农田水利基础设施投资效率的研究。朱云章以河南省为例，采用计量模型分析了中部粮食主产区农田水利投资绩效，发现河南省四大区域投资绩效方面存在较大的差异性[6]；何平均等利用DEA方法分析了2002—2012年我国31个省（市、区）的农田水利基础设施投资绩效及影响因素，结果表明，各地区农田水利基础设施投资绩效呈上升趋势，并且中东部地区高于西部地区[7]。

根据上述研究，已有一些文献开始测算我国农田水利基础设施投资效率，为本研究提供了很好的借鉴价值。为此，本研究尝试通过建立DEA-BCC方法，对2007—2013年我国31个省（市、区）农田水利基础设施投资的整体效率进行全方位的分析，并通过构建Malmquist指数对各省（市、区）的农田水利基础设施投资的效率变动进行动态研究，分析各省（市、区）农田水利基础设施投资的效率，从而提出更加有效的对策建议，以利于我国各省（市、区）农业经济发展和农业现代化的实现。

1投资动态效率的研究方法与数据

1.1DEA-BCC模型

DEA-BCC模型用来处理规模报酬可变假设下的决策单元有效性问题，该方法是由Banker等放松了CCR模型中规模报酬不变的假设下提出来的，BCC模型能够将决策单元（DMU）的效率值分解为纯粹技术效率和规模效率，同时可以衡量DMU在生产技术可变的情况下是否处于最优生产规模状态[8]。公式如下所示：

min[θ-E（eTS-+eTS+）]；

s.t. ∑nj=1Xjλj+S-=θX0；

∑nj=1Yjλj-S+=Y0；

∑nj=1λj=1；

λj≥0，S-≥0，S+≥0；j=1，2，…，n。（1）

式中：θ表示决策单元的效率；E为阿基米德无穷小；e为元素为1的向量；X0、Y0表示是“技术有效”，是指它位于生产函数的曲面上；T表示向量e的转置标记；Xj表示第j个决策单元的投入量，Yj表示第j个决策单元的产出量，j=1，2，…，n；n表示决策单元个数；λ为决策单元的可行解；S-表示农田水利基础设施投资投入项的差额变量；S+表示农田水利基础设施投资产出项的超额变量。若θ<0且S+、S-不全为0，则表示决策单元DEA无效率；若θ=1且S+、S-均为0，则表示决策单元DEA有效率；若θ=1且S+、S-有1个不为0，则表示决策单元为弱DEA有效率。

1.2Malmquist生产率指数

Malmquist指数方法最初由Malmquist提出，Caves等首先将其运用到生产分析上[9]。Fre等建立了用来考察2个相邻时期生产率变化的Malmquist生产率变化指数[10]。具体地，令xt、yt分别代表t时期的输入、输出向量，t为离散参数变量，则Malmquist生产率指数可以表示为

M（yt+1，xt+1，yt，xt）=Dt（xt+1，yt+1）Dt（xt，yt）×Dt+1（xt+1，yt+1）Dt+1（xt，yt）1/2。（2）

式中：Dt、Dt+1分别表示以t、t+1期的技术St、St+1为参照的距离函数；（xt，yt）（xt+1，yt+1）分别表示t、t+1期的投入产出向量。若M（yt+1，xt+1，yt，xt）>1则表示生产效率提高；若M（yt+1，xt+1，yt，xt）<1则表示生产效率下降。Malmquist生产率指数可分解为技术效率变动指数（EC）和技术变动指数（TC）2个部分：

M（yt+1，xt+1，yt，xt）=Dt+1（xt+1，yt+1）Dt（xt，yt）×Dt（xt+1，yt+1）Dt+1（xt+1，yt+1）×Dt（xt，yt）Dt+1（xt，yt）1/2。（3）

式中：Dt+1（xt+1，yt+1）Dt（xt，yt）为t时期到t+1时期的技术效率变动，若EC>1，则表示与最优决策单元的差距在缩小，反之表示差距在扩大；Dt（xt+1，yt+1）Dt+1（xt+1，yt+1）×Dt（xt，yt）Dt+1（xt，yt）1/2為t时期到t+1时期的技术变动，若TC>1，则表示决策单元技术得到改善，反之则表示衰退。endprint

1.3数据选取与来源

本研究的研究对象是我国31个省（市、区）农田水利基础设施投资效率，样本区间为2007—2013年，为进一步分析各地区农田水利基础设施的投资效率进行区域比较，发现农田水利建设存在的问题，将我国31个省（市、区）根据传统划分方法分为东部、中部和西部地区。

鉴于数据的可获性和指标的科学性，投入指标包括资金投入和劳动投入2个指标，资金投入以农田水利基础设施投资额来表示，单位亿元，劳动投入以农林牧渔劳动力计算；产出指标包括农林牧渔业总产值、粮食总产量、农村居民人均纯收入和有效灌溉面积，其中农林牧渔业总产值统一换算成可比价，有效灌溉面积以各省（市、区）实际有效灌溉面积计算。以上数据资料主要来源于历年的《中国统计年鉴》《中国农业年鉴》《中国农村统计年鉴》和各省统计年鉴。

2结果与分析

2.1我国农田水利基础设施投资综合效率分析

根据BCC模型，运用DEAP 2.1软件计算得到2007—2013年我国农田水利基础设施投资综合技术效率、纯技术效率和规模效率，进一步整理后得到相应效率的平均值，结果如表1所示。

2.2各省（市、区）农田水利基础设施投资综合效率差异性分析

为了准确了解各省（市、区）农田水利基础设施投资综合技术效率的差异性，本研究测算了2007—2013年我国31个省（市、区）农田水利基础设施的投资效率。

从表2可以看出，我国区域间农田水利基础设施投资综合技术效率存在明显的差异。为了检验区域间农田水利基础设施投资效率是否存在差异性，本研究对东部、中部和西部地区农田水利基础设施投资的综合技术效率、纯技术效率和规模效率是否存在显著性差异进行统计检验，采用Kruskal-Wallis方法，利用S-plus软件进行计算。

由表3可知，三大地区农田水利基础设施投资的综合技术效率和纯技术效率的P值较小，因此拒绝原假设，所以三大地区农田水利基础设施投资的综合技术效率和纯技术效率存在显著性差异，其中，东部地区的综合技术效率和纯技术效率最高。三大地区农田水利基础设施投资的规模效率的P值较大，因此无法拒绝原假设，所以没有严格的证据证明三大地区农田水利基础设施投资的规模效率存在显著性差异。基于以上分析，本研究认为我国农田水利基础设施投资的综合技术效率与经济发展水平密切相关，经济的发展为投资效率的提高提供了良好的基础，同时东部地区具有较高的资源利用效率。

除个别省（市、区）外，大部分省（市、区）农田水利基础设

检验项目原假设K-W

统计量P值综合技术效率三大地区综合技术效率无显著性差异7.153 40.025 8纯技术效率三大地区纯技术效率无显著性差异9.012 00.010 9规模效率三大地区规模效率无显著性差异1.701 40.416 0

施投资处于依靠规模投入带动发展的阶段。在31个省（市、区）中，北京、浙江、广东和内蒙古等地区表现为规模报酬递减，占总数的12.9%，说明这些省（市、区）的农田水利基础设施投资已经处于规模报酬递减阶段，今后应缩小规模，重点考虑管理机制和制度创新；有16个省（市、区）的农田水利基础设施投资表现为规模报酬递增，占总数的51.6%，说明这些省（市、区）的农田水利基础设施投资已经处于规模报酬递增阶段，未来须要通过增加规模来提高效率，特别是西部地区的规模报酬递增表现的更加明显。总之，我国大部分省（市、区）农田水利基础设施投资仍然处于投入不足的状况，这与实际情况是相符的，因此，各省（市、区）应该适当增加投入，从而促进我国农田水利基础设施投资效率的提升。

2.3我国农田水利基础设施投资动态效率分析

2.3.1我国农田水利基础设施投资生产率指数及其分解动态效率是研究各省（市、区）农田水利基础设施投资在技术逐步升级的过程中效率的变动情况，根据上述研究方法，运用DEAP 2.1软件测算我国农田水利基础设施投资Malmquist生产率指数及其分解情况。

从表4可以看出，2007—2013年我国农田水利基础设施投资全要素生产率指数（M指数）呈下降趋势，年均下降60%，整体效率水平偏低。从其分解结果来看，考察期内我国农田水利基础设施投资技术变动指数呈明显退步趋势，年均下降6.1%，而技术效率变动指数有所上升，年均增长02%，这表明技术进步缓慢是导致我国农田水利基础设施投资全要素生产率下降的主要原因。2007年以来，我国农田水利基础设施投资技术效率有所改进，但技术进步缓慢，仅有2012—2013年间呈增长趋势，这说明我国农田水利基础设施建设技术更新速度缓慢，科技成果转化率低下，今后须要吸收和引进先进技术，加快技术创新，促进我国农田水利基础设施投资效率的改善，而技术效率的总体改善则说明了我国农田水利基础设施投资管理及制度等方面取得了一定的成就。

2.3.2各省（市、区）农田水利基础设施投资动态效率差异性分析表5列出了我国各省（市、区）农田水利基础设施投资全要素生产率指数、技术变动指数和技术效率变动指数的平均值。结果显示，各省（市、区）农田水利基础设施投资全要素生产率指数之间存在明显的差异，全国有约1/5的省（市、区）的全要素生产率指数处于上升趋势，其余省（市、区）的全要素生产率指数呈现下降趋势。31个省份中有8个省（市、区）的全要素生产率有明显改善，分别是北京（4.6%）、内蒙古（0.7%）、辽宁（4.0%）、上海（3.4%）、江苏（4.3%）、浙江（6.5%）、西藏（1.0%）、陕西（0.3%），均高于全国平均水平，除内蒙古地区外，其余7省（市）全要素生产率增长的来源是技术变动与技术效率变动的双重驱动。这与这些省（市、区）的经济发展水平、新技术的应用和科技推广是密不可分的，同时也说明了这些省（市、区）农田水利基础设施管理水平较高，从而改善了生产效率。其余省（市、区）的全要素生产率指数均处于下降趋势，其主要是由于技术进步下降引起的，出现了負增长，说明这些省（市、区）农田水利基础设施现有技术进一步提高的空间有限，今后须要进一步加大技术资金投入进行技术创新，提高技术进步效率。endprint

2.4我国农田水利基础设施投资综合效率与动态效率的综合分析

为了对各省（市、区）农田水利基础设施投资进行综合分析，提供更加科学合理的建议，本研究将综合技术效率与Malmquist生产率进行综合比较分析，结果划分为4种类型：（1）综合技术效率等于1和Malmquist生产率大于1属于整体相对有效且兼具持续进步。（2）综合技术效率等于1和Malmquist生产率小于1属于整体相对有效，但进步空间不大。（3）综合技术效率小于1和Malmquist生产率大于1属于整体相对效率较低，但未来具有持续进步潜力。（4）综合技术效率和Malmquist生产率均小于1属于整体相对效率较低且未来出现衰退迹象[11]。根据表2和表5测算结果归类如图2所示。

从图2可以看出，上海和江苏农田水利基础设施投资属

于整体相对有效兼具持续进步，且技术创新能力较强。天津、河北、吉林、黑龙江、福建、山东、河南、海南、新疆等9个省（市、区）属于整体相对有效，但進步空间不大，表明目前科技创新能力不足，应该通过增加投入，推动技术进步，从而提升全要素生产率。北京、内蒙古、辽宁、浙江、西藏、陕西等6个省（市、区）属于整体相对效率较低，但具有持续进步潜力，进一步分析显示，北京、内蒙古、浙江等3个省（市）是规模报酬递减，说明投入产生了冗余，须要降低资源投入，提升资源的配置效率，进而提升整体效率。辽宁、陕西、西藏等3个省是规模报酬递增，说明目前的投入不足，今后须要增加资源投入。其余14个省（市、区）属于整体相对效率较低且未来出现衰退迹象，云南、甘肃等近年来干旱的地区要加大农田水利资源方面的投入，大力兴建水利建设，保证农田水利供应，而非干旱地区要加强农田水利基础设施的完善，从而从各个方面促进提升资源配置效率，同时还要进一步推动技术进步提升全要素生产率。

3研究结论与政策建议

本研究分别运用DEA-BCC方法和Malmquist生产率指数测算了2007—2013年我国31个省（市、区）农田水利基础设施投资的综合技术效率和动态效率，得出以下主要结论：

总体上，2007—2013年我国农田水利基础设施投资的综合技术效率偏低，纯技术效率改进较慢，平均值为0.846，而规模效率平均值为0.919，纯技术效率偏低是造成综合技术效率不高的主要原因。

我国农田水利基础设施投资的综合技术效率存在明显的差异性。我国农田水利基础设施投资的综合技术效率与经济发展水平密切相关，经济的发展为投资效率的提高提供了良好的基础，其中东部地区具有较高的资源利用效率。大部分省份农田水利基础设施投资处于依靠规模投入带动发展的阶段。

7年来我国农田水利基础设施投资生产率呈现下降趋势，技术倒退是引起下降的主要原因，而技术效率则得到了改善。全国有约1/3的省（市、区）的全要素生产率处于上升趋势，有超过2/3的省（市、区）的全要素生产率呈现下降趋势。全要素生产率的提高主要依靠技术效率和技术进步的共同驱动。

我国大部分省（市、区）都属于整体相对效率较低且未来出现衰退迹象类型， 只有上海和江苏地区农田水利基础设施投资属于整体相对有效且兼具持续进步类型。

参考文献：

[1]陈洪转，郑垂勇，张之艳. 基于群决策DEA的农村水利投入产出研究[J]. 河海大学学报（自然科学版），2009，37（2）：246-248.

[2]吴平，谭琼. 我国粮食主产区农田水利设施配置效率及区域差异分析——基于DEA和动态Malmquist指数的实证研究[J]. 农业现代化研究，1994，33（3）：331-335.

[3]叶文辉，郭唐兵. 我国农田水利运营效率的实证研究[J]. 山西财经大学学报，2014，36（2）：63-71.

[4]张琰，叶文辉，杨小明，等. 近年来农田水利设施建设问题的研究——以云南为例[J]. 经济问题探索，2011（5）：180-185.

[5]朱伟，刘春成，高峰，等. 论农田水利供给效率影响因素的二维二层模型及路径选择[J]. 安徽农业科学，2013，41（12）：5510-5514.

[6]朱云章. 中部粮食主产区农田水利投资绩效分析——以河南省为例[J]. 科学经济社会，2011，29（2）：58-62.

[7]何平均，刘睿. 基于DEA-Tobit模型的中国各地区农田水利基础设施投资绩效及影响因素分析[J]. 南方农村，2014（11）：59-64.

[8]Banker R D，Charnes A，Cooper W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis[J]. Management Science，1984，30（9）：1078-1092.

[9]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，1982，50（6）：1393-1414.

[10]Fre R，Grosskopf S，Lindgren B，et al. Productivity changes in Swedish pharamacies 1980-1989：a non-parametric Malmquist approach[J]. Journal of Productivity Analysis，1992，3（1/2）：85-101.

[11]吴天清，赵黎明. 中国火炬计划项目的效率现状及动态效率分析[J]. 软科学，2012，26（2）：1-5.江苏农业科学2017年第45卷第23期程素云，胡进. 我国生猪价格波动与CPI关系的实证研究[J]. 江苏农业科学，2017，45（23）：307-311.endprint