中国海水养殖综合生产效率评估研究

岳冬冬，李旭君,2，郭艳宇，张 明,2，赵 娜，吴反修，于航盛

(1. 中国水产科学研究院东海水产研究所,农业农村部远洋与极地渔业创新重点实验室,上海 200090; 2. 上海海洋大学经济管理学院,上海海洋大学研究生院,上海 201306; 3. 华东理工大学材料科学与工程学院,上海 200237; 4. 全国水产技术推广总站,中国水产学会,北京 100125)

海水养殖是中国水产养殖业的重要组成部分，同时也是保障水产品市场有效供给的重要来源。从产量规模来看，《中国渔业统计年鉴》数据显示[1]，2018年海水养殖产量为2 031.22×104t，占中国水产养殖总产量的比重为40.70%，产业发展地位不断提升。

中国经济进入新常态。党的十九大报告指出，中国经济已由高速增长阶段转向高质量发展阶段，并提出全要素生产率的概念[2]。一般而言，综合考虑自然资源、劳动、资本之后计算得出的生产率，即为“全要素生产率”。关于生产效率评估问题，国内外学者进行了广泛深入研究，理论和方法方面均取得重要成果，具体的测算方法包括：索罗余值法、随机前沿分析法和数据包络分析法等[3]，在应用范围方面包括：工业[4]、农业[5]、旅游业[6]等领域。渔业产业综合生产效率或全要素生产率评估方面也开展了一定的研究，包括捕捞业[7]和养殖业等领域，其中，张成等[8]研究认为2006—2012年中国29个省份水产养殖综合技术效率平均值为0.86，总体技术效率偏低，且技术应用和规模均有一定的提升空间；邢丽荣等[9]对江苏省水产养殖户综合技术效率进行了分析，认为综合技术效率和纯技术效率均有较大的提升空间。通过对海水养殖综合生产效率测算相关文献的分析，有两个问题亟需进一步讨论：其一，已有的文献主要针对某个特定时间阶段进行养殖业或捕捞业全要素生产率测算，也有部分学者对水产养殖业综合生产效率进行了测算，但鲜见有对于具体年份海水养殖综合生产效率的测算；其二，在投入产出指标选择方面，其中产出指标大多采用海水养殖产值，在投入指标方面则主要采用养殖渔船、海水鱼苗、专业从业人员、海水养殖面积等指标，上述指标在代表海水养殖产业的投入和产出特征时具有一定的局限性，例如苗种投入方面，仅考虑鱼苗的投入，对于虾类、贝类等投入则没有纳入测算范围。基于此，本文借助数据包络分析法，以2018年10个海水养殖省份为例，通过选择多元化的投入指标，评估海水养殖综合生产效率，以期为评估特定年份的海水养殖综合生产效率提供参考。

1 研究方法、指标与数据

1.1 研究方法

1.1.1 数据包括分析法

数据包络分析方法(data envelopment analysis，DEA)是根据多项投入指标和多项产出指标，利用线性规划方法，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。与参数的索罗余值法、随机前沿生产函数法相比，数据包络分析方法是一种数据驱使的方法，具有对样本容量要求低、不受指标量纲影响及可以避免模型设定错误等特点，从而得到广泛应用[7]。DEA模型分为CRS(constant returns to scale，CRS)模型和VRS(variable returns to scale，VRS)模型，其中CRS模型假设DMU(decision making unit，DMU)处于固定规模报酬情形下，用来衡量总效率；VRS模型假设DMU处于可变规模报酬情形下，用来衡量纯技术效率和规模效率[10]。根据中国海水养殖业产业数据实际特征，本研究采用DEA方法中投入导向的、适用于规模报酬可变的VRS模型对中国海水养殖综合生产效率进行评估。

1.1.2 主成分分析法

主成分分析(principal component analysis，PCA)是考察多个变量间相关性的一种多元统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分——综合指标，综合指标是原来多个指标的线性组合，虽然这些线性综合指标不能直接观测到，但这些综合指标间互不相关，又能反映原来多指标的信息[11]。本文选取的海水养殖投入指标有11个，其中涉及养殖面积的指标包括：按水域分海水养殖面积、深水网箱养殖水体体积、工厂化养殖水体体积3个指标，根据渔业统计指标解释，按水域分海水养殖面积指标则未包含深水网箱养殖水体体积和工厂化养殖水体体积；海水养殖苗种也包括了6个分项投入指标。为了清晰地反映海水养殖面积、海水养殖苗种的指标特征，本研究采用主成分分析法对上述2个大类指标进行降维处理，从而形成2个综合性指标，以简化VRS模型的投入指标数量。

1.2 指标选择与数据来源

从全要素生产率的含义出发，应尽可能全面的分析海水养殖的投入和产出指标以进行综合生产效率测算。为避免因价格因素的影响，选择海水养殖产量(y)作为产出指标；在生产投入方面，选择按水域分海水养殖面积(x1)、深水网箱养殖水体体积(x2)、工厂化养殖水体体积(x3)、海水鱼苗(x4)、虾类育苗(x5)、贝类育苗(x6)、海带(x7)、紫菜(x8)、海参(x9)、养殖渔船(x10)和海水养殖专业从业人员(x11)作为投入指标。上述投入产出指标数据均来自《中国渔业统计年鉴》[1]。

在沿海11个省份中，由于上海未涉及海水养殖业，因此本文的研究样本范围为：天津、河北、辽宁、江苏、浙江、福建、山东、广东、广西和海南10个沿海省份。按照渔业统计指标解释，海水养殖投入产出指标的统计数据周期为：2018年1月1日—2018年12月31日。

1.2.3 数据处理方法

海水养殖面积综合性指标、海水养殖苗种综合性指标的构建采用SPSS 22.0软件进行；海水养殖综合生产效率的测算采用DEAP 2.1软件进行。

2 评估结果与分析

2.1 综合性指标构建

由于海水养殖投入指标达11个，其中海水养殖面积、海水养殖苗种分别包含多个分项指标，利用主成分分析法建立2个综合性指标，分别为海水养殖面积综合性指标(MJ)和海水养殖苗种综合性指标(MZ)。根据SPSS 22.0的运行结果，海水养殖面积综合性指标(MJ)和海水养殖苗种综合性指标(MZ)表达式如下。

(1)

(2)

利用SPSS 22.0对海水养殖产量(y)、养殖渔船(x10)、海水养殖专业从业人员(x11)进行标准化，结果出现了“负值”，不符合VRS模型的使用条件。通过对10省份数据的分析，其中山东省各项指标均为“正值”且最大，因此，选择以山东数据为基础，对天津、河北、辽宁、江苏、浙江、广东、广西、海南等省份投入产出指标数据进行初等行变换[13]，以消除标准化后的“负投入和负产出”指标，即“山东×2+天津、河北、辽宁、江苏、浙江、广东、广西、海南”，结果如表1所示。

2.2 结果分析

DEA模型中的VRS模型对中国海水养殖综合生产效率的测算结果可以分为综合效率、纯技术效率和规模效率。其中综合效率是指在技术稳定情况下综合生产效率所能达到的程度，用以分析决策单元获得最大产出的能力，综合效率为1的决策单元称为DEA有效，小于1的决策单元称为非DEA有效；纯技术效率指利用现有生产技术能够达到的产出效率，该值为1的决策单元为技术有效，小于1的决策单元为非技术有效；规模效率指产出和投入的比例是否达到最大产出，该值为1的决策单元为规模有效，小于1的决策单元为非规模有效。利用DEAP 2.1软件对变换后海水养殖投入产出指标进行综合生产效率评估，其中参数设置为投入导向和VRS模型，结果如表2所示。

表1 变换后的海水养殖投入产出指标Tab.1 Converted input and output indicators of marine aquaculture

表2 2018年各省份海水养殖综合生产效率Tab.2 Overall efficiency of marine aquaculture in each province in 2018

2.2.1 总体分析

根据表2可知，在综合效率方面，DEA有效的省份包括4个，分别是：天津、福建、广东和广西；低于平均水平的省份包括：辽宁、山东、浙江和海南，其中浙江的综合效率值最低。在纯技术效率方面，DEA有效的省份包括：天津、福建、广东、广西、山东和广东，低于平均水平的省份有江苏、浙江和海南，其中浙江的纯技术效率值最低。在规模效率方面，DEA有效的省份包括：天津、福建、广东和广西，低于平均水平的省份包括：辽宁、山东、浙江和海南，其中山东的规模效率值最低。

根据表2结果，2018年沿海10个海水养殖省份中天津、福建、广东和广西为规模报酬不变，即海水养殖规模合理，占研究样本对象的比例为40%。对于未处于合理规模的情况而言，其中河北、辽宁和浙江处于规模报酬递减阶段，说明养殖规模偏大；而江苏、山东和海南则处于规模报酬递增阶段，说明养殖规模可适当扩大。

2.2.2 类型划分

基于DEA模型中的VRS模型测算的海水养殖综合生产效率属于相对效率，取值范围为：0～1，为了便于对10个沿海省份海水养殖综合生产效率进行对比，将其综合效率、纯技术效率和规模效率分别与平均值进行比较，从而判断不同省份相对于平均水平的相对地位，并依此划分为4种类型，结果如表3所示。

表3 海水养殖综合生产效率类型划分Tab.3 Classification of overall efficiency of marine aquaculture

2.2.3 差额分析

差额分析是指针对DEA无效的决策单元，为了提高全要素投入的利用效率，从而达到DEA有效，应减少其资源要素的投入或增加产出。换言之，即在不增加投入要素的情况下，是否可进一步增加其产出；或者，在不减少产出的情况下，是否可进一步减少投入，结果如表4所示。

表4 各省份海水养殖投入要素差额分析Tab.4 Analysis of differences in input factors of marine aquaculture in each province

由表4可知，2018年天津、辽宁、福建、山东、广东和广西6个省份海水养殖的投入差额均为0，表明上述6个省份的投入产出配置良好，其余的4个省份在投入方面可进一步优化。在产出不变的情况下，河北、江苏、浙江和海南在海水养殖面积综合性指标、海水养殖苗种综合性指标、养殖渔船、海水养殖专业从业人员等投入方面均存在差额，其中，河北海水养殖的4项投入指标可以分别减少9.95%、0.37%、1.11%和0.39%；江苏海水养殖的4项投入指标可以分别减少7.08%、6.88%、2.29%和2.27%；浙江海水养殖的4项投入指标可以分别减少12.95%、9.46%、9.46%和9.44%；海南海水养殖的4项投入指标可以分别减少42.73%、3.62%、3.62%和3.58%。

3 主要结论与政策启示

3.1 主要结论

利用VRS模型对2018年沿海10个省份海水养殖综合生产效率进行了测算，具体包括综合效率、纯技术效率和规模效率，得出以下主要结论。

(1)海水养殖综合生产效率整体水平较好。沿海10个省份海水养殖综合生产效率的综合效率均值为0.952，其中天津、福建、广东和广西的综合效率达到1，但浙江的综合效率值最低。与规模效率相比，纯技术效率对于综合效率的影响作用更大，其中规模效率的平均值为0.968。从规模收益阶段来看，其中60%的省份未处于合理规模，说明在海水养殖规模方面有待进一步优化和调整。

(2)海水养殖综合生产效率可以分为4种类型。海水养殖综合生产效率测算结果的3项指标均高于平均水平的省份有5个，占比达到50%，可见海水养殖综合生产效率整体占比处于较好的发展状态。

(3)部分省份的投入要素规模具有一定的压缩空间。从测算结果来看，在不增加投入要素的情况下，10个沿海省份的海水养殖产出情况良好，但在保持产出规模不变的情况下，河北、江苏、浙江和海南4个省份的投入要素规模具有一定的压缩空间，尤其是海水养殖面积综合性指标、海水养殖苗种综合性指标2种投入要素，可见，中国海水养殖的发展仍是以养殖面积和苗种投入为主要推动力。

3.2 政策启示

提高海水养殖综合生产效率对于实现产业结构转型升级、促进资源要素配置具有重要意义，在上述分析讨论基础上，提出以下对策建议。

(1)优化海水养殖规模。规模效率整体拉低了海水养殖综合效率，建议河北、辽宁和浙江压缩海水养殖投入要素和产出，降低养殖规模，提高规模效率，从而整体提升综合效率，其中浙江还应加强海水养殖技术创新成果的研发与应用力度，提高纯技术效率，从技术和规模2个方面总体提升浙江海水养殖综合效率；建议江苏、山东和海南应增加海水养殖投入要素和产出，扩大养殖规模，提高规模效率，从而整体提升综合效率。

(2)提高海水养殖技术水平。从测算结果来看，海水养殖纯技术效率不低，平均水平达到0.984，但仍有一定的提升空间，建议在海水鱼类养殖方面加强创新力度，借助现代化养殖技术和养殖模式，扩大名特优海水鱼类养殖规模，例如通过开展大黄鱼深远海养殖[14]、金枪鱼深远海养殖、三文鱼冷水团养殖等先进技术与管理模式的研发与应用，提高海水养殖技术效率。

(3)建立资源绿色应用机制。在产出规模不变的情况下，投入要素的配置也有一定的优化空间，尤其是养殖面积和养殖苗种投入，建议依据各地水域滩涂养殖规划的内容和水产养殖绿色发展的要求，对于海水养殖水域开展“休渔”制度[15]，以休养生息，同时加强养殖苗种科技创新力度，提高苗种投入质量[16]，转变以苗种数量投入为基础的“放苗战术”，形成依靠优质种苗投入的高质量发展方式，减少资源浪费，提高资源利用效率。