江西省财政支农资金绩效评价及优化建议

高 群，华晓月

（南昌大学公共管理学院，江西 南昌 330031）

2017年中共中央国务院发布的《关于深入推进农业供给侧结构性改革 加快培育农业农村发展新动能的若干意见》，是改革开放以来第19份以“三农”为主题的”中央一号“文件，也是自2004年以来，连续第14次聚焦“三农”问题的”中央一号“文件。伴随国家财政支农力度的持续加大，越来越多的人关注财政支农支出的绩效评价问题。明确分析评价财政支农支出的使用效率有助于发现财政支农支出存在的各种问题，进一步改革财政支农资金管理与利用方式，从而促进农业的进一步发展，改善农业经济。从学术界已有的研究成果来看，应用DEA模型测评各种绩效的研究已经有所发展。近年来，国内学者关于财政支农绩效的研究主要有以下3个方面：

（1）财政支农绩效的评价研究。例如，吴华超等［1］运用 DEA 模型对重庆市各区县农村财政金融资金的配置效率展开研究，发现其对促进农村经济整体运行的绩效不佳。方鸿［2］采用可以同时剔除外生环境和随机误差对效率值影响的三阶段DEA方法，对我国2005—2008年各地区政府财政支农支出的效率进行测度，发现与三阶段DEA方法相比，普通的DEA方法在评价各地区政府财政支农资金效率时会出现对总体效率水平的低估，特别是西部地区很多省份的财政支农支出效率被低估，导致不同地区之间效率差异的程度被夸大。王谦等［3］运用三阶段DEA模型测度了我国28个省（市）1995—2014年财政支农支出效率，发现全国整体及28个省（市）财政支农支出效率均没有达到完全有效的状态，且效率水平不高，但在整个考察期间内效率水平呈现出上升的态势；进一步研究表明，在外界环境因素中，农村居民家庭人均经营耕地面积、农村居民人均受教育年限以及人均农村机械总动力对提高财政支农支出效率具有显著的正向作用。邹帆等［4］以广东省为研究对象，应用DEA方法以及VRS模型计算效率值，得到了技术效率、纯技术效率和规模效率，在此基础上运用主成分分析法（PCA）对数据进行处理，取消其变量间的相关性，保证运用DEA模型测算使用效率结果的准确性，结果发现自1995年以来，广东省财政支农资金使用效率总体呈现出下降趋势，2010年以后略有回升。

（2）财政支农绩效的区域差异研究。何忠伟［5］选取2003年省域层面的截面数据，运用柯布-道格拉斯生产函数，对财政支农的区域差异进行研究，结果表明，资金稀缺的地区具有较高的使用效率，农业资金效率与规模之间呈负相关性，除了各地在资金使用、投入结构等方面存在差异外，也与资金本身具有边际收益递减的规律有关。杜辉［6］运用多阶段DEA的BCC模型分析了全国及各省市32个考察对象的财政支农绩效，研究表明，从省际间来看，由于农业技术手段落后和投入非最优规模，全国及多数省份财政支农的纯技术效率极端低下，规模效率相对低下，继而造成总技术效率低下；从区域间来看，受经济发展水平、财政收支规模等因素影响，财政支农绩效呈现出自东部向中部、西部依次递减的格局。白雪等［7］借助于 DEA－BCC模型，以全国 31 个省份为研究对象，对其纯技术效率、规模效率和综合效率进行测算，结果显示其中有 21 个为 DEA 有效单元，10 个为非DEA 有效单元，省际之间存在较大差异，建议各区域减免区域要素的单边效应，明确资源的投入方向，注重市场主体特征异化。

（3）财政支农绩效的影响因素研究。李燕凌［8］以湖南省为例，采用14个市（州）的截面数据，运用 DEA-Tobit回归模型分析了财政支农支出效率水平及其影响因素，认为投入产出模式对财政支农支出效率的作用有限，只有合适的财政投入产出规模才有利于提高其效率水平，促进农民增收并利于长期改进财政支农支出效率。李琳［9］运用数据包络分析方法对我国1978—2010年财政支农资金的效率及其影响进行了分析评价，并对其中纯技术效率及规模效率均小于1的年份的投入产出投影值进行测度，发现在这33年间国内财政支农的综合效率、纯技术效率以及规模效率分别有8年、22年和8年是完全有效的，有11年的投入产出项目存在冗余，支出结构不尽合理，资金使用效果欠佳。崔元峰等［10］通过DEA分析认为财政支农支出资金结构偏差是其整体绩效低水平运行的最主要影响因素，由此提出实行项目管理、 提高支农行为的系统性等相关建议以促进其综合效率的提高。

而国外学者们对DEA模型的应用主要侧重于研究高校管理、工业生产以及环境保护、农业信贷等方面的效率问题。例如，Casu等［11］运用DEA模型以英国大学探析领域对各高校的管理效率进行评价。Moon等［12］利用两阶段 DEA 模型，确定了与整体能源效率的差异并非单纯的能源效率造成的，而是由经济效率引起的；此外，该研究还对企业规模、认证管理体系的拥有、排放类型等环境变量的影响进行了统计分析。Vlontzos等［13］采用 DEA 窗口方法，在共同农业政策的强力影响下，对欧盟国家主要部门的温室气体排放效率进行了评估，量化其正面或负面影响并提出有关建议，研究表明欧盟国家与发展中国家相比，存在着显著的环境效率低的特点。Jensen［14］则考察了政府资助的农业信贷制度对农业信贷市场配置效率的影响，研究发现政府资助的农业信贷系统会产生无谓损失和市场扭曲。

综上而言，学术界对DEA模型测算各种绩效的应用大多数都集中于固定的投入与产出，尤其是经济效益。但是随着当今社会对生态改善及社会责任的日益关注，一些新问题凸显出来，测算指标不仅仅限于经济效益。基于此，本研究以农业大省江西省为例，选取经济、社会和生态3方面的测评指标研究财政支农支出效率，旨在正确认识江西省各市以及全省的财政支农现状与存在问题，为今后包括江西省在内的省域层面财政支农体系的改善和变革提供参考。

1 研究方法

1.1 模型选择

目前财政支农支出效率评价的研究方法主要有3种模式：一是通过制定各项财政支农绩效评价的指标确定各项要素并进行评价；二是通过构建经济计量模型实证检验相关绩效；三是基于数据包络分析模型（即DEA模型）测评财政支农资金的综合技术效率。对比其他两种方式，基于DEA模型的测算更加明确直观，故本研究选取DEA模型展开研究。DEA模型是由Charnes等［15］学者于1978年提出的用于评价生产效率的重要非参数方法。该方法的主要原理是通过保持决策单元（DMU）的输入或者输入不变，借助于数学规划方法确定相对有效的生产前沿面，将各个决策单元投影到DEA的生产前沿面上，并通过比较决策单元偏离DEA前沿面的程度来评价它们的相对有效性。它是根据多项投入指标和多项产出指标，利用线性规划的方法，对具有可比性的同类型单位进行相对有效性评价的一种数量分析方法。目前该模型已被广泛应用于不同行业及部门，且在处理多指标投入和多指标产出并进行绩效评价方面，体现了其得天独厚的优势。根据前提假设不同，传统的DEA模型主要分CCR与BCC两种。其中，CCR模型是DEA的标准模型，指在规模报酬不变的情况下决策单元的投入产出相对效率；而在CCR模型的基础上产生的BCC模型，可衡量不同规模报酬下的相对效率值。两个模型又可进一步区分为投入导向型（在产出水平一定的情况下使投入成本最小）和产出导向型（在投入要素一定的情况下使产出值最大）两种形式。本研究意在优化财政支农支出以提高财政支农效率，故采用投入导向型BCC模型。

模型的建立与假设：假设DEA模型中有n个决策单元，每个决策单元都有m种类型的“输入”以及s种类型的“输出”，分别表示该单元的“耗费资源”和“工作成效”，用xij(xij＞0，i = 1，2，…m）代表第j个决策单元对第i种类型输入的投入量，yrj(yrj＞0，i = 1，2，…，s）为第j个决策单元对第r种类型输入的投入量，并记：

为避免锥性条件即规模收益不变的发生，在设定过程中增添一个凸性假设条件可能集T可描述如下式，其解析图见图1。

图1 BCC模型中可能集T的解析图

而BCC模型经验生产可能集将锥形条件去掉后，即可以严格集中在单个DMU水平的生产有效性上。建立基于生产可能集TBCC下的DEA模型，即 BCC 模型：

Minθ= VD2

及其对偶问题：

上式含义为：（1）若纯技术效率和规模效率两者均为1，则DEA有效；（2）若两者中只有一方的值能够达到1，说明实现了弱DEA有效；（3）若两者均不为1，则非DEA有效。

BCC模型测算出的效率值为综合技术效率（TE），又称生产效率，综合反映了一个决策单元的纯技术效率（PTE）和规模效率（SE），即TE=PTE×SE。通常情况下，纯技术有效的决策单元会因为规模效率问题使得生产不一定有效 ；同理，规模有效的决策单元也会因为纯技术效率问题使得生产不一定有效。由BCC模型可知，一个决策单元的效率指数为1，当且仅当该DMU位于有效生产前沿面上，甚至可以不是规模有效。后续研究将运用 DEAP2.1 软件，对面板数据进行测算。

1.2 变量选取与数据处理

根据DEA模型对数据选取的要求以及研究江西省财政支农支出效率的需要，本研究以江西省财政支农支出总额即“农林水事务”支出（x）作为投入指标，结合中央一号文件的精神以及相关研究成果和各类文献记录，选取近年来国民日益关注的经济效益、社会效益和生态效益作为产出指标。其中，经济效益选取反映农业生产状况的农林牧渔总产值（y1）和反映农民收入的农民人均纯收入（y2）指标替代；社会效益指标选取反映粮食产量的粮食产值（y3）；生态效益方面选取生态建设水平的造林面积（y4）和反映农田水利建设成果的有效灌溉面积（y5）。

本研究主要以江西省11个市为研究单元，数据主要来源于2011—2016年《江西统计年鉴》。为消除几年来各市人口规模的影响，将（x）和 y1、y2、y3、y4、y5按各市农村人口数进行平均。为消除价格因素的影响，使用处理后的价格指数，故选取2009年价格指数的基期，对x、y3用居民消费价格指数剔除价格因素的影响，对y1与y2分别用农林牧渔总产值指数和居民消费价格指数剔除价格因素的影响。

2 结果与分析

2.1 宏观层面（省际）财政支农支出效率比较与分析

2.1.1 与中三角其他省份财政支农效率对比 从投入指标来看，2010—2015年江西省财政支农支出总额不断增加（表1），但增长率呈波动式下降的趋势（以年均2.6%的降幅，自2010—2011年间的24.0%降至2014—2015年间的11.0%）。与同处中三角地区的湖南和湖北两省相比，其下降趋势明显且幅度较大。2015年，湖南省与湖北省财政支农支出总额有所回升，而江西省仍处于下降趋势。从产出指标来看，江西省的农林牧渔总产值处于稳步增长状态，增长率处在三省中间位置，但仍存在下降趋势；而全省农民人均纯收入数额处于三省中间，与其他两省相比增长率的波动较小，但中间回升幅度明显小于其他两省。总体来看，三省之间的财政支农支出力度差异较小，但就取得的回报来看，江西省并非最有优势。江西省投入与产出之间增长率存在差异，在一定程度上表明该省存在较大的提升空间。

表1 2010—2015年中三角三省财政支农投入与产出比较

2.1.2 江西省财政支农支出效率分析 从整体上看，江西省2010—2015年平均的综合技术效率（TE）呈现波动式下降的趋势，其中2013年的下降幅度最大，2014—2015年呈现回升之势，且2014年的回升幅度最大（表2）。这说明前4年江西省财政支出效果有所欠缺，然而伴随政府对财政支农绩效的日益重视，近两年来江西省财政支农效果有所恢复。此外，6年的纯技术效率均值为0.891，即省域财政支农平均效率水平与生产前沿面相差10.9%。这意味着在保持当前农业产出水平不变的情况下，通过管理水平的提高可以减少10.9%的要素投入，即在保持当前要素投入的情况下，江西省的农业产出水平可以提高10.9%，基于此，江西省的财政支农效率仍然有较大提升空间。除了2012、2013年，其他4年的纯技术效率（PTE）均值均低于规模效率（SE）均值，表明制约江西省财政支农支出效率的主要是纯技术效率，可以通过管理和技术水平提升等手段加以改善。而2013年纯技术效率远远超过规模效率，意味着当年江西省财政支农支出在规模上存在问题且其程度较为严重。

表2 2010—2015年江西省11市财政支农支出效率值及其分解

2.2 微观层面（市级）财政支农支出效率比较与分析

从江西省各市来看，2010—2015年期间财政支农综合效率为1，即DEA有效的市数分别为 3、6、4、3、5、5；纯技术有效的市数分别为5、7、7、6、7、8；规模有效的市数为 3、6、4、3、6、5；纯技术有效的数量明显大于规模有效的数量。其中，宜春市的财政支农综合效率连续6年均为1，表明该市6年来财政支农效率均保持最优状态，投入得到最高程度的利用并且能够取得最佳回报。就省会城市南昌市而言，其纯技术效率6年为1，制约DEA有效的原因是规模效率的下降。而全省财政支农综合效率排末位的是景德镇市，6年来始终处于较低水平，从数据来看，6年来其规模效率除2013年外均处于较高水平，因此制约其综合效率的主要是纯技术因素；此外，景德镇市在2013年的综合效率仅为0.487，表明有51.3%的各种支农资金被浪费，该市涉农财政投入与农业产出之间存在较大落差。

为更直观地展现江西省内各地级市财政支农效率状况，以0.900作为纯技术效率与规模效率的分界值，绘制2013年江西省内各市纯技术效率与规模效率分布图（图1）。

图1 2013年江西省11市纯技术效率与规模效率分布

图1共分为4个区域：双高区（SE与PTE值均在0.9以上）、高低区（PTE值在0.9以上，SE值在0.9以下）、低高区（PTE值在0.9以下，SE值在0.9以上）以及双低区（PTE与SE值均在0.9以下）。这4个区域分别代表江西省11个地级市基于DEA模型财政支农效率测评所形成的4种类型地区。具体来看：

（1）双高型地区对应图1双高区，隶属这类地区的有吉安市、宜春市、抚州市。2013年这3市的纯技术效率与规模效率均为1，表明同年3市的财政支农支出得到了最优利用，在纯技术领域与规模领域并未出现缺口。（2）高低型地区即对应图1高低区，隶属这类地区的有上饶市、赣州市、鹰潭市、萍乡市、新余市、南昌市。2013年这6市的纯技术效率值较高，其中萍乡、新余、南昌3市均为1。制约该地区财政支农综合效率的主因是规模效率太低，需要有所改善才能实现其财政支农的整合与优化配置。就这6市中规模报酬递增的情况来看，要进一步加大财政投入；而对于规模报酬递减的市，则要在保证财政投入的基础上恰当调整财政支出的结构和领域，以实现规模效率。（3）低高型地区对应图1低高区，隶属这类地区的是九江市。九江市2013年的规模效率值为0.987，接近于1，但纯技术效率仅为0.740，仍存在极大的提升空间。对于这类纯技术效率较低的地区，问题集中于财政支农资金的监管制度与技术领域。为促进综合效率的提升和改善，要加大财政支农资金的管理和提高资金分配的合理性以提高纯技术效率。（4）双低型地区对应图1双低区，隶属这类地区的是景德镇市，在纯技术效率与规模效率方面都存在较大不足。此类区域，既需要加大财政投入力度、优化财政支农结构，又需要改善管理与监察以实现合理配置。此外，各市在4种类型地区的分布也随时间呈现动态变化（表3），从侧面揭示出各市政府及有关部门对财政支农的重视及展程度。

从表3可以看出，江西省11市纯技术效率与规模效率6年的分布区主要是双一型（PTE值与SE值均为1）地区和双高型地区。其中，双一型分布数量呈现波动增长趋势，双高型分布数量同样也在波动增加，除2013年减少为3个外，其余几年数量占总市数的50.0%及以上。双低型地区分布数量极少，几乎6年来都为0。而低高型与高低型地区分布比较少，平均占总市数的18.0%，仅2013年有所差异，高低型地区分布数量激增到6个，可见2013年多市的规模效率都存在问题。

表3 2010—2015年江西省11市纯技术效率与规模效率年度分布

通过DEA模型测算，实际的投入产出值在软件运行后都会给出标准数值作为参考，本研究选取2015年数值为例，江西省11市在投入如表4所示的财政支出总额时，没有达到标准值的主要是农林牧渔总产值与有效灌溉面积。这要求未来政府在农林牧渔业生产方面还要改善管理，同时在发展经济时要注意生态效益的提升，改善水利、实现有效灌溉。

表4 2015年江西省11市实际投入产出值（消除人口规模与价格变动影响）与DEA模型测算标准值比较

3 结论与讨论

为科学评估江西省财政支农资金配置绩效，本研究选取2010—2015年数据，基于DEA模型从宏观层面和微观层面两个尺度分析评价了江西省省际与市际之间财政支农效率，研究表明：（1）宏观层面：与中三角其他两省（湖南、湖北）相比，江西省在财政支农效果方面存在较大的提升空间。江西省的财政支农效率不稳定，主要的制约因素是纯技术效率，未来需要强化财政支农的持续性，保持动态平衡。从数据来看，江西省6年的财政支农综合效率均值为0.891，每年的各市财政支农综合效率均值除2013年以外均超过0.850，财政支农效率水平较高，然而波幅较大、呈现下降又回升的态势。（2）微观层面：江西省各地市之间的财政支农资金绩效也存在较大差距，综合技术效率最高值与最低值之间相差0.513，超过半数。总体来看，综合技术效率有效的市占少数，大部分地区的纯技术效率和规模效率虽然较高但仍处于无效状态，还有一部分地区存在纯技术有效而规模无效或者规模有效而纯技术无效的现状。

为优化江西全省财政支农资金配置，建议从以下两大方面着手：（1）在保持原有财政支农综合效率的基础上，继续加大省域财政支农支出。适当扩大全省财政支农规模，加强管理；提升农业技术水平，平衡各地区财政支农发展，以稳定省际财政支农效率，保持财政支农的动态平衡。（2）各市要因地制宜，结合本市的财政支农特点加以改善。对于财政支农支出综合效率有效的市（如宜春市），要始终保持并坚持财政支农的现有力度和结构。针对财政支农支出综合效率主要受纯技术效率制约的市，需要在财政支农资金的管理和技术利用上有所改革和创新，如可以进一步加强财政支农资金监管的立法工作；建立更加明晰的绩效评估及奖惩制度；引入与当事部门没有利益联系的第三方作为监督和评估机构；加强农民的参与力度；发展农业科技，引入农业高校人才等等。针对财政支农支出综合效率主要受规模效率制约的市，则需要在财政支农资金的投入力度与规模、资金作用方向方面有所改善。一方面要进一步加大财政资金、政策在农业上的支持，促进农业产业化生产的实现，扩大规模；另一方面则需要通过梳理明确财政支农资金的流向和各种需要之间资金的合理配置，优化财政支农的结构。对于纯技术效率和规模效率都有所欠缺的市，尤其像2013年景德镇市（双低型）或2012年吉安市（双高型），需要积极利用自身优势，在两方面有所提升，既要扩大财政支农的规模，又要加强财政支农资金的管理和评估，实现两者的同步发展和稳步提高。

参考文献：

［1］吴华超，温涛. 基于DEA方法的农村资金配置效率研究—— 以统筹城乡综合配套改革试验区重庆市为例［J］. 金融理论与实践，2008（3）：25-28.

［2］方鸿. 政府财政支农资金效率的地区比较——基于三阶段DEA模型的实证分析［J］. 软科学，2011，25（7）：27-32.

［3］王谦，李超. 基于三阶段DEA模型的我国财政支农支出效率评价［J］. 财政研究，2016（8）：66-77，90.

［4］邹帆，陈雪姣. 基于DEA模型的广东财政支农资金使用效率分析［J］. 广东农业科学，2014，41（18）：200-206，222.

［5］何忠伟. 中国财政支农效率的区域差异比较［J］. 统计与决策，2006（5）：76-77.

［6］杜辉. 基于多阶段DEA模型的中国财政支农绩效分析［J］. 会计之友，2016（11）：90-93.

［7］白雪，张明斗. 基于BCC模型的区域经济发展绩效评价研究［J］. 商业研究，2012（2）：50-54.

［8］李燕凌. 基于DEA-Tobit模型的财政支农效率分析—— 以湖南省为例［J］. 中国农村经济，2008（9）：52-62.

［9］李琳. 基于DEA模型的财政支农资金效率及影响分析［J］. 重庆工商大学学报（自然科学版），2013（11）：11-18.

［10］崔元锋，严立冬. 基于DEA的财政农业支出资金绩效评价［J］. 农业经济问题，2006（9）：37-40，79.

［11］Casu B，Thanassoulis E. Evaluating cost efficiency in central administrative services in UK Universities［J］. Omega，2006（34）：417-426.

［12］Moon H，Min D. Assessing energy efficiency and the related policy implications for energyintensive firms in Korea：DEA approach［J］.Journal Citation Reports，2017（5）：23-34.

［13］Vlontzos G，Pardalos P M. Assess and prognosticate greenhouse gas emissions from agricultural production of EU countries，by implementing，DEA Window analysis and artificial neural networks［J］. Journal Citation Reports，2017（76）：155-162.

［14］Jensen E. The Farm Credit System as a Government-spon-sored enterprise［J］. Review of Agricultural Economics，2000（22）：326-335.

［15］Charnes A，Cooper W，Lewin A Y. Data Envelopment Analysis：Theory，Methodology and Application［M］. Boston：Kluwer Academic Publisher，1994.