农业生产性服务业对农业生产效率的影响研究*——以山东省为例

刘 明，王瑞波，孙炜琳※

(1.中国农业科学院农业经济与发展研究所，北京 100081； 2.农业部农业生态与资源保护总站，北京 100125)

0 引言

在农业生产过程中，为其提供中间投入品，如科技、信息、资金、人才等，从而使得农业产业链有效延长，并提高农业生产效率，加强农业产业协调性，这样的行业称之为农业生产性服务业[1]。近年来，我国政府高度生产性服务业的发展，国务院在2014年发布的《加快发展生产性服务业促进产业结构调整升级的指导意见》中提出，要实现服务业与农业等在更高水平上的有机融合、因地制宜引导生产性服务业在现代农业产业等区域集聚从而实现规模效益及特色发展； 2016年和2017年“中央一号”文件中分别提到，鼓励并支持新型农业服务主体进行专业化服务，继续推广农业生产全程的社会化服务。目前，我国正处于农业生产方式转型升级的关键时期，农业兼业化、农民老龄化、资源约束、生态环境恶化等问题较为突出，如何高效利用现有资源来提升农业生产效率成为我国农业农村实现可持续发展的关键。因此，哪些行业的农业生产性服务业能够影响农业生产效率是一个至关重要的问题。

山东省作为农业大省， 2015年山东省第一产业生产总值增长4.1%； 全省粮食总产比2014年增长2.5%，实现13年连增； 第一产业固定资产投资较2014年增长27.4%，在全面推进农业产业化、大力发展现代农业以及积极转变农业发展方式等方面做出了巨大的努力并取得了一定成就。在鼓励发展形式多样的农业生产性服务业的同时，也存在资源配置不合理、效率低下、服务体系不健全等问题。因此，文章以山东省为例，通过测算山东省农业生产效率并实证检验细分行业的农业生产性服务业对农业生产效率的影响，以期为进一步提升农业生产效率提供决策依据。

1 文献综述

现有相关文献从不同视角研究了农业生产效率及生产性服务业。从农业生产效率及其影响因素研究来看，Gopinath等[2]分析了美国农业竞争力的概念、存在的问题及政策含义，认为提高农业生产效率能够有效提升农业竞争力。Ball等[3]通过分析多个国家的农业生产效率发现，资本积累与农业生产效率之间相辅相成，能够相互促进。不同地区农业生产效率存在显著差异，城市化水平、农村劳动力受教育程度和农业科技力量对农业生产技术效率有显著的正向影响，而农村居民家庭人均纯收入、财政支农、自然灾害等因素对农业生产效率有显著的负向影响； 渔业产业结构比重越大，农业生产率越低，反之，畜牧业产业结构占比越大，农业生产率越高[4-7]。有不少学者对生产性服务业相关问题进行了研究，例如,Alston等[8]研究发现服务贸易及公共技术服务这两类生产性服务业对美国农业效率均有正向影响。国内众多研究表明，农业生产性服务业是发展现代农业、转变农业生产方式的重要支柱，是农业、农村经济发展的新增长点，能够促进农民增收，为农村经济发展注入新的活力，我国经济增长对生产性服务业的短期效应较美国强，生产性服务业的发展是影响经济增长的显著要素，不仅能够在控制生态环境恶化和食品安全源头问题中发挥一定作用，且其规模影响农业获利能力，但就目前的发展现状来看，农业生产性服务业对农业经济发展的部分外溢作用被抑制[1， 9-13]。我国不同地区之间生产性服务业的进步有利于农业现代化效率的提升，对于中西部地区而言，两者在长期有较显著的相互促进的内生关系，其中科学技术和信息技术服务业是提高农业生产效率的有效因素[14-15]。

现有文献对农业生产效率及生产性服务业的研究丰富，但农业生产性服务业对于农业生产效率影响的实证分析较少； 由于农业生产性服务业涉及的行业较多，对于细分行业的研究较少。但细分行业的农业生产性服务业对农业生产效率的影响不容忽视，因此该文以山东省为例进行实证分析。

2 研究方法与数据说明

2.1 研究方法

(1)三阶段DEA模型：数据包络分析法(DEA)是一种采用非参数形式测算多投入多产出的决策单元(DMU)生产效率的方法，该方法以相对概率为基础，通过样本数据构建生产前沿面(即最优产出)来衡量各DMU与其之间的距离，DMU的实际产出到生产前沿面的距离越小则说明其综合效率越高。Farrell最先提出了使用数学规划的方法计算英国农业生产效率，这是DEA方法的原型[16]。Fried等[17]研究认为管理、环境及随机因素的无效率导致了投入或产出的冗余，并提出三阶段DEA模型来消除环境与随机因素的影响，从而能够更有效地评价DMU的生产效率。构建三阶段DEA模型有3个步骤。

第一步：运用经典DEA模型测算DMU的生产效率值及相应的松弛变量。DEA模型分为投入导向型及产出导向型两种形式，由于该文中所谈及的农业生产效率是指在一定资源投入基础之上测量的农业生产综合效率，因此选择规模报酬可变的投入导向型BCC模型，线性规划方程：

min[θj-ε(eTs-+eTs+)]

(1)

式(1)中，n为决策单元DMU的个数；m、s分别为投入变量、产出变量的个数；θj为第j个DMU的效率值；ε为非阿基米德无穷小量；eT=(1， 1，…， 1)T∈E；xij、yrj分别表示第j个DMU的第i种投入品数量和第r种产出品数量；λj为第j个DMU的权重系数；s-为投入冗余量，s+为产出不足量。若θ<1且s-、s+至少有一个不为0，则DMU为DEA弱有效； 弱θ=1且s-=s+=0，则DMU为DEA有效。经过该阶段能够计算出农业生产综合效率值、纯技术效率值、规模效率值及各投入变量的松弛变量，但由于环境因素、随机误差因素的影响， 3个效率值不能精确反映生产效率情况，故进行第二阶段。

第二步：通过构建相似SFA模型以分离出环境因素、随机因素。将第一阶段计算出的投入松弛变量sij作为因变量，选取合适的环境变量，构建环境变量与sij之间的SFA回归模型：

sij=fi(zp；βi)+vij+uij(i=1，…，m；j=1，…，n；p=1，…，k)

(2)

(3)

(2)Tobit模型：受限因变量模型，该模型的显著特点之一为解释变量为实际观测值，被解释变量为受限状态观察值[18]。该文利用Tobit模型分析农业生产性服务业对农业生产效率的影响，模型中的被解释变量为农业生产效率，其值为有界变量，能较好地避免估计偏误，故选用Tobit模型，表达式：

(4)

式(4)中，xi，yi分别表示解释变量，被解释变量；β为估计参数。

2.2 数据说明与来源

由于农业系统是经济、社会、生态等多种因素共同作用的综合统一体，因此其生产结果也包含经济、社会、生态等效益，故应该在数据可得、统计口径一致的基础上，系统性的选择各个指标[19]。该文运用三阶段DEA模型对山东省农业生产效率进行计算，模型中的产出指标选取农业总产值(万元)，即各市农林牧渔总产值； 投入指标则包括：农作物总播种面积(千hm2)、第一产业从业人数(万人)、农业机械总动力(万kW)和实际有效灌溉面积(千hm2)。其中，农业机械总动力仅包括耕作机械、排灌机械、收获机械、农用运输机械、植保机械、林牧渔业机械及其他农业机械。各指标数据均来自于2016年《山东省统计年鉴》。

由于产出变量与投入变量必须满足“同向性”假设，即当投入项增加时，产出项应该增加或者至少保持不变，因此使用STATA软件采用Pearson相关性检验方法对上述所选投入产出项进行验证，结果如表1。由表1得知，山东省各市投入值与产出值的相关系数均大于0，且通过了1%统计水平下的显著性检验，这表明该文所选投入及产出变量满足“同向性”原则，可以进行下一步运算。

表1 2015年山东省17市农业投入指标与产出指标的Pearson相关系数

产出指标投入指标总播种面积农业机械总动力第一产业从业人数实际有效灌溉面积第一产业总产值 0.725 5***(0.001 0) 0.806 4***(0.000 1) 0.725 5***(0.001 0)0.828 4***(0.000 0) 注:***表示在1%统计水平上显著; 括号内的数值为相应的p值

对环境变量进行选择时，应注意以下原则，即该变量对农业生产效率有影响，但不受样本主观的控制[20]，主要包括政府制定的与农业相关的政策、国家宏观环境、人力资源等。一般以财政支农支出表示政府对农业的支持，该代理变量数值越大，会使得农业生产条件改善，从而间接提高农业生产效率[21]。一般认为，农民收入增加会使得农民的积极性提高，从而间接提高农业生产效率。随着城镇化不断发展，农村土地变得越来越集中，使得农业生产规模化程度提高，也能够对农业生产效率产生正向影响[11]。教育在人力资本形成过程中占据重要地位，代表了农民获取劳动技能的能力，有较高受教育程度的劳动力对于新型技术、生态环境保护等有较好的认知，故认为较长的受教育年限有助于提高农业生产效率。因此该文选取4种环境变量：财政支农支出(万元)、城镇化率、农村居民家庭人均纯收入(元)、农村人口平均受教育年限(年)。相关变量数据均来自于2016年《山东省统计年鉴》、《山东省农村统计年鉴》及山东农业信息网。

农业生产性服务业一般包含农业配送服务、农业信息服务、农业金融保险服务、农产品服务、农机推广服务。该文在分析山东省农业生产性服务业对该省农业生产效率的作用机理时，借鉴已有研究中的分类方法，将农业生产性服务业进行行业细分，以农村固定资产投资投向交通运输、仓储、邮政业的资金作为农业配送服务变量，以农村固定资产投资投向信息传输、计算机服务、软件业的资金作为农业信息服务变量，以农村固定资产投资投向金融业的资金作为农村金融保险服务变量，以农村固定资产投资投向批发和零售业以及科学研究、技术服务、地质勘查业的资金分别作为农产品销售服务变量和农技推广服务变量[9， 11-12， 15]。相关指标数据来源于2016年《山东省统计年鉴》、《山东省农村统计年鉴》、山东统计信息网及山东农业信息网。

表2 第一阶段DEA测算农业生产效率值

地级市TE1PTE1SE1规模报酬济南市1.0001.0001.000-青岛市0.8670.9330.929drs淄博市0.8360.8450.990irs枣庄市0.9110.9190.991irs东营市1.0001.0001.000-烟台市1.0001.0001.000-潍坊市0.7671.0000.767drs济宁市0.9011.0000.901drs泰安市0.9550.9560.999irs威海市1.0001.0001.000-日照市0.9530.9550.998irs莱芜市0.9941.0000.994irs临沂市0.7330.7490.979drs德州市0.5070.6340.801drs聊城市0.5370.5610.957drs滨州市0.7750.7760.998irs菏泽市0.3680.3681.000- 注:TE1,PTE1,SE1分别表示第一阶段DEA测算出的农业生产综合效率、纯技术效率、规模效率;irs,-,drs分别表示规模报酬递增、规模报酬不变和规模报酬递减

3 实证结果分析

3.1 第一阶段DEA模型实证结果及分析

应用DEAP 2.1软件计算出2015年山东省17个市的农业生产效率，此时得出最原始的农业生产综合效率值、纯技术效率值以及规模效率值，结果见表2。

由表2可知， 2015年山东省农业生产综合效率的平均值为0.830，纯技术效率为0.864，规模效率为0.959。其中处于技术效率前沿面的城市有济南市、东营市、烟台市、威海市，这表明这4个市的农业生产水平较高； 其他各市在纯技术效率或规模效率方面小于1，说明存在一定的进步空间。由于该计算结果中包含了环境、随机因素的干扰，并不能完全真实反映出各市的农业生产效率的水平，故需进行第二步的调整和评价。

3.2 第二阶段SFA模型实证结果及分析

表3 第二阶段SFA模型回归结果

项目名称总播种面积松弛变量农业机械总动力松弛变量第一产业从业人数松弛变量实际有效灌溉面积松弛变量常数项-28.21320.7478.92313.647财政支农支出2.219*-1.208**-4.831*-2.506*城镇化水平-1.106**-1.390-6.469**-2.721农村人口平均受教育年限-13.042**-12.113**-4.710***-10.314**农村居民家庭人均纯收入-2.003**1.719*3.907***-2.449γ0.926**0.002*0.983***0.901*σ21.8570.1451.9661.812Log likelihood-17.641-19.762-13.287-15.814LR test of the one-sided error6.8394.3115.6294.721 注:*、**、***分别表示变量在10%、5%、1%的统计水平上显著

财政支农支出对总播种面积、农业机械总动力、第一产业从业人数和实际有效灌溉面积4个变量的投入松弛变量的回归系数均小0，且通过了10%的显著性检验，这说明增加财政支农支出有利于减少这3种投入变量的浪费，与预期结果相符。

城镇化水平的提高对4种投入松弛变量相应的系数为负，且对总播种面积及第一产业从业人员通过了5%的显著性检验，但对其余两种投入松弛变量的影响不显著。这说明推进城镇化进程有利于减少部分投入变量的浪费或产出不足现象，城镇化水平的提高能够使得城市、农村有限资源得到合理配置，从而有利于农业生产效率的提高。

农村人口平均受教育年限的回归系数均为负，且通过了5%统计水平上的显著性检验，这说明该变量的增加有助于减少各投入变量冗余。人力资本的积累离不开教育的贡献，高素质农民对新型农业技术的学习接纳程度、新型组织经营模式及政策学习认知方面等都有积极的作用，有利于新型知识、技术成果的有效转化，该结果与预期一致。

农村居民家庭人均纯收入对于农业机械总动力、第一产业从业人数投入松弛变量的回归系数为正，这表明农村居民人均纯收入增加会造成农业机械过量的使用，使得从业人员过量增加，不仅不会增加产出，反而造成了投入的浪费，进而不利于农业生产效率的提高。该环境变量对其他变量的系数均小于0，对总播种面积通过了5%的显著性检验。对于这一矛盾的产生，可能是因为当农民收入增加时，山东省部分地区的农民选择重新从事农业生产从而造成劳动力冗余； 由于生产方式依然是粗放低技型，收入增加带来了机械投入的不合理，这也反映了农户技能较低及农业生产的弱质性。

基于该文的讨论得知,由于处于有差异的经营环境或运气好坏不同使得不同地区的农业生产效率不够真实精确，因此，必须调整原始的投入变量，使其排除环境因素和随机误差的影响，进行第三阶段的测评。

表4 第三阶段DEA测算农业生产效率值

地级市TE2PTE2SE2规模报酬济南市0.9010.9610.938irs青岛市0.9121.0000.912drs淄博市0.8080.8910.907irs枣庄市0.7680.8250.931irs东营市0.8740.9470.923irs烟台市1.0001.0001.000-潍坊市0.7111.0000.711irs济宁市0.7300.8320.877drs泰安市0.7870.8710.903irs威海市1.0001.0001.000-日照市0.8390.8950.937irs莱芜市0.8460.9060.934drs临沂市0.6350.6930.917irs德州市0.5010.6000.835irs聊城市0.4620.5160.896irs滨州市0.7150.7640.936drs菏泽市0.3340.3490.957irs 注:TE2,PTE2,SE2分别表示第三阶段DEA测算出的农业生产综合效率、纯技术效率、规模效率;irs,-,drs分别表示规模报酬递增、规模报酬不变和规模报酬递减

表5 Tobit模型回归结果

解释变量Tobit模型TRI1.014***(6.890)INF0.513**(9.821)FIAN0.459(0.993)SALE0.636*(4.870)TECH1.233**(0.914)C14.923(23.064)Log Likelihood-107.239Prob>chi20.000 注:*、**、***分别表示变量在10%、5%、1%的统计水平上显著; 括号内数字表示相应t统计量的值

3.3 第三阶段DEA模型实证结果及分析

根据式(1)对各投入变量进行调整，并将所得值再次带入经典DEA模型中进行测算，得到结果如表4。

实验结果以均数±标准差(±s)表示，应用SPSS 19.0进行统计分析，多组间比较采用单因素方差分析，组间两两比较采用t检验，P＜0.05为差异具有统计学意义。

通过对比表2、表4可知，经过第二阶段将环境因素和随机误差影响消除后，该省平均农业生产综合效率、纯技术效率及规模效率均有所下降，其值分别下降为0.754， 0.826， 0.913； 纯技术效率、规模效率的下降幅度分别为4.39%， 4.79%，具体分析如下。

(1)各市的农业生产综合效率。从第一阶段至第三阶段整体处于技术效率前沿面的市有所减少，一直保持效率前沿面的有烟台市、威海市，表明这两个地级市的农业生产效率实际情况较好，有较高水平的管理生产技术； 相比第一阶段，综合生产效率有所上升的有青岛市，而从技术效率前沿面退出的有济南市、东营市，其余各市的农业生产综合效率均出现了不同程度的下降，说明在环境因素和随机误差因素的作用下，第一阶段显示出的高效率并不能完全反映这些地区的实际农业生产水平，其农业生产效率有待提高。

(2)各市的纯技术效率。第一阶段DEA结果显示有7个市的纯技术效率位于技术前沿面上，但是经过第二阶段剔除环境和随机因素的干扰后，只有其中3个市仍然处于最佳效率，分别为烟台市、潍坊市、威海市，主要原因是这3个市的农业技术发展水平相对较高，农业生产机械化水平较高； 对于青岛市、淄博市，其纯技术效率有所提高，说明这两个地区的实际管理技术水平并没有那么差，而是因为受到了“较差”的环境条件或“较明显”的随机因素干扰，例如受到城镇化发展、农业政策等影响使得当地农业生产管理水平波动等情况； 其余12市的纯技术效率降低了，这说明这些市农业生产管理尚未建立起长效机制，实际管理水平有待提高。

(3)各市的规模效率。第一阶段中有5个市的规模效率处于技术效率前沿面，但第三阶段显示只有烟台市、威海市仍然保持最佳效率，说明这两个市的规模效率已经最优，不需要再改进； 而其余各市的规模效率均有不同程度的降低，这说明这些地区的规模效率较高只是基于了环境条件和随机因素干扰，实际的规模水平相对较低，主要是由于随着各市城镇化发展不断推进、农业政策等的变动，使得劳动力流动、土地流转等受到一定影响，因此，这也需要各市进一步规划与改善实际农业生产规模。

(4)各市的规模状态。第一阶段显示山东省共有6市、6市、5市分别处于规模报酬递增、规模报酬递减、规模报酬不变状态，而第三阶段则有11市属于规模报酬递增， 4市属于规模报酬递减， 2市属于规模报酬不变，这意味着大多数地区的农业生产规模尚未达到其自身所拥有的技术管理水平等所决定的最优的生产规模，故适当扩大农业生产规模将有助于提高农业生产效率。

3.4 Tobit模型实证结果及分析

由于三阶段DEA模型使得17市均处于同质的环境下，因此将第三阶段所得各市农业生产综合效率作为被解释变量，解释变量则选择农业配送服务、农业信息服务、农村金融保险服务、农产品销售服务和农技推广服务5个变量，构建模型：

TEi=C+α1TRIi+α2INFi+α3FIANi+α4SALEi+α5TECHi+ξi，i=1， 2，…， 17

(5)

式(5)中，i表示第i个市;TE表示农业生产效率；TRI、INF、FIAN、SALE、TECH分别表示解释变量：农业配送服务、农业信息服务、农村金融保险服务、农产品销售服务及农技推广服务；C为常数项；α为系数；ξ为随机误差项。

利用STATA进行截面Tobit回归计算得出结果，见表5。

从细分行业的农业生产性服务业的角度分析对农业生产效率影响回归结果。

(1)农业配送服务对农业生产效率有正向影响，通过了1%的显著性检验，表明2015年山东省对于农村基础设施建设较好，投资充足，农村交通运输业发展水平较高，全省农资配送、仓储邮政业等服务投入较合理，从而能够促进山东省农业生产效率的提高。

(2)农业信息服务、农产品销售服务和农技推广服务3个变量的回归系数为正，且均通过了5%水平下的显著性检验， 3者对农业生产效率得提高有正向作用，说明山东省对于农村信息传输、计算机服务、软件业、批发和零售业及科学研究等方面投资的增加明显地推动了农业生产效率的提高。前两项涉农生产型服务业不仅能够使各个地区的农民获得有利的信息、实现农产品最优的市场价值，提高了农民生产的积极性； 对于农技推广服务来说，能够为农民带来先进的生产技术和农业机械，而且使得农民能够接触到新型技术，从而有效提高农业生产效率。

(3)该回归结果显示农村金融保险服务的系数为正但不显著，即农村金融保险服务的提高对农业生产效率的提高有一定的正向影响，但目前阶段影响效果并不显著。这表明在目前的农业转型过程中，由于资金不足、农户贷款较难、保险意识及抵御风险能力较弱等多方面制约从而使得农业生产效率的进步受限。

4 结论与建议

4.1 结论

该文基于三阶段DEA-Tobit模型，利用2015年相关统计数据对山东省17市的农业生产效率进行了测算，并分析了不同服务领域的农业生产性服务业对该省农业生产效率的影响，得出结论：(1)经典DEA模型测算出的农业生产效率值包含环境因素及随机误差的影响较大，第二阶段应用SFA回归模型分析得知环境和随机误差因素对农业生产效率会产生显著影响。其中，增加财政支农支出、城镇化水平的提高、农村人口平均受教育年限的增长均对农业生产效率的提升有推动作用，而农村居民家庭人均纯收入只在一定程度上起到了有利作用。(2)将环境因素和随机误差的影响剔除后进行第三阶段DEA测算得， 2015年山东省平均农业生产综合效率值、纯技术效率值及规模效率值分别为0.754、0.826、0.913，处于规模报酬递增状态的城市较多，位于技术效率前沿面的有烟台市、威海市，其他各市有不同程度的上升空间。(3)利用Tobit回归分析处于同质条件下的17市农业生产效率与农业生产性服务业的关系得知，增加对农业配送服务，农业信息服务及农产品销售服务及农技推广服务的资金投入对农业生产效率有显著的促进作用，而农村金融保险服务的影响不明显。

4.2 建议

(1)高效推动新型城镇化建设、适度扩大山东省农业生产规模。在有序建设新型城镇的同时，应适当扩大农业生产规模，建立土地资源市场化流转的长效机制，鼓励农村加快土地流转，使各种资源得到有效配置，从而加大对农业生产性服务业的需求，推动农业生产性服务业逐渐走向集聚化，进而实现农业生产集约化，降低生产成本，提高农业生产效率。

(2)完善农村基础设施建设、引入先进现代农业生产技术。山东省应该更好地规划农村地区交通及物流的布局并实现统筹管理，让先进的基础设施等公共资源能够被不同区域的农民共享，建立符合各地区特点、以大型物流企业和村民流通合作组织为主体的流通网络，从而使得农产品、农资产品等更加高效地流通，更好地“走出去”。

(3)在农村地区普及多元化教育。通过组织政府培训、职业教育、技术推广教育、开展远程教育等提高农民的科技文化水平、认知水平和各项农业专业技能，使得知识要素和人力资本充分发挥其溢出作用，使其更好地为农民进行农业生产服务。

(4)引导金融保险服务业与农业结合且健康发展。应该充分发挥各大银行及金融机构的支农作用，进一步完善小额农贷等制度，优化对第一产业发展的信贷服务； 还应健全农业保险服务，提高天生弱质的农业产业的抗风险能力，从而为农业产业链的延长做出保障。

(5)创新财政支农投资方式，为农业生产性服务业发展模式注入活力。应加强政府对该体系扶持资金合理分配，结合山东省农业生产性服务业的发展特点，探索更多优秀的可持续发展模式，例如创新运用产业投资基金、示范园区建设资金、PPP项目资金等多种方式扶持农业生产性服务业的健康发展，使其更好地为农业生产服务。

[1] 姜长云.关于发展农业生产性服务业的思考.农业经济问题， 2016(5)： 8～15

[2] Gopinath M P， Kennedy L.Agricultural trade and productivity growth：A state-level analysis.American Journal of Agricultural Economics， 2000， 82(5) 1213～1218

[3] Ball V E， Bureau J，Nehring R.Levels of farm sector productivity：An international comparison.Journal of Productivity Analysis， 2001, 15(1): 5～29

[4] 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.数量经济技术经济研究, 2010(12)： 27～38

[5] 方鸿. 中国农业生产技术效率研究：基于省级层面的测度、发现与解释.农业技术经济, 2010(1)： 34～41

[6] 邢慧茹， 张晓骏，邓义.农业生产效率与其影响因素相关关系实证分析——基于湖北省数据.中国农业资源与区划， 2016, 37(12): 198～203

[7] 苏小松. 农户社会资本对农业生产效率的影响分析——基于山东省高青县的农户调查数据.农业技术经济, 2013(10)： 64～72

[8] Alston J M， Andersen A，James J S，et al.Persistence pays：U.S.agricultural productivity and the benefits from public R&D spending.New York：Springer， 2011

[9] 姜长云. 发展农业生产性服务业的模式、启示与政策建议——对山东省平度市发展高端特色品牌农业的调查与思考.宏观经济研究, 2011(3)： 14～20

[10]肖卫东， 杜志雄.农业生产性服务业发展的主要模式及其经济效应——对河南省发展现代农业的调查.学习与探索, 2012(9)： 112～115

[11]郝爱民. 农业生产性服务业对农业外溢效应与条件研究.南方经济， 2013, 31(5): 38～48

[12]郝爱民. 提升农业生产性服务业外溢效应的路径选择.农业现代化研究， 2015, 36(4): 580～584

[13]乔玉辉， 吴文良，李花粉，等.华北高产粮区基于环境保护的农产品安全生产服务体系现状及改进建议——以山东桓台县为例.中国农业资源与区划， 2017, 38(1): 1～6

[14]王耀中， 江茜.生产性服务业对农业现代化效率的影响.商业研究， 2016, 62(1): 22～30

[15]李慧， 阴朋莉.基于DEA-Tobit模型的生产性服务业对农业生产效率的影响.技术与创新管理， 2016, 37(6): 678～683

[16]Farrell M J.The measurement of productive efficiency.Journal of the Royal Statistical Society， 1957, 120(30): 253～281

[17]Fried H O，Lovell C A K，Schmidt S，et al.Accounting for environmental effects and statistical noise in Data Envelopment Analysis.Journal of Productivity Analysis， 2002， 17(1-2)： 157～174

[18]薛龙， 刘旗.基于DEA-Tobit模型的河南省粮食生产效率分析.河南农业大学学报， 2014, 12(6): 700～704

[19]焦源. 山东省农业生产效率评价研究.中国人口·资源与环境， 2013, 23(12): 105～110

[20]钟祖昌. 基于三阶段DEA模型的中国物流产业技术效率研究.财经研究， 2010, 36(9): 81～90

[21]闫淑霞， 刘慧敏，孟凡琳，等.基于灰色DEA模型的河南省18市农业生产效率研究.河南农业大学学报， 2015, 49(6): 866～870