基于DEA-Tobit模型的我国重大动物疫情防控效率测算

刘 玮，陈梦雅

(湖南农业大学 公共管理与法学学院，湖南 长沙 410128)

现代农业以传统的种养殖业为基础，通过延长产业链、拓展产业形态、提升产品附加值，从而实现对传统农业低收入瓶颈的突破[1]。近年来，快速发展的畜牧业在国民经济中的地位日益突出，对促进农业经济繁荣起着至关重要的作用。然而，农业农村部在2019年4月公布：自2018年8月中国暴发非洲猪瘟以来，截至2019年4月22日，已累计发生129例非洲猪瘟，扑杀生猪达102万头，在疫病猪扑杀过程中，中央财政安排6.3亿元补助经费。国务院颁布的《重大动物疫情应急条例》指出，重大动物疫情意味着具有高发病率或者死亡率的动物疫病及高致病性禽流感等突然发生，并迅速传播。动物疫情频发成为影响畜牧业健康发展的重要因素，动物疫情公共危机的暴发制约了社会经济的平稳发展，不仅威胁着公众身体健康与生命安全，也严重影响了养殖业的生产与发展。为降低重大动物疫情影响程度，提高疫情防控能力，及时有效地控制突发性重大动物疫情，全社会积极开展了重大动物疫病预防、监测和应急处理等相关工作。作为疫情防控的基础，疫情防控能力的评估显得格外重要。那么，目前我国各地动物疫情防疫效果如何？会受到哪些因素的影响？这些问题的研究对于疫情防控能力的提升与工作的实施具有指导性意义。

国外有关重大动物疫病防控的研究中， HERNANDZ等[2]收集澳大利亚牛肉生产者关于生物检测和欧洲航空公司外来交接等通信网络的知识数据，了解到超过40%的生产者对紧急动物疾病(EAD)知识了解有限。FLEMING等[3]对英国40年的禽流感监控资料进行研究，得出控制动物疫情首先要进一步加强禽流感疫情的监控机制建设。TOMASSEN等[4]对2001年荷兰口蹄疫暴发中使用的4种疫情控制方法的经济评估表明，免疫和扑杀策略应根据疫病流行程度来决定，提出运用扑杀等措施根除病原，并部分或全部采用免疫的方法来控制疫情蔓延。BATES等[5]利用蒙特卡洛模拟，建立了一个空间随机传染病传播模型，以确定畜群感染口蹄疫情的概率，并实施强制性措施。

国内有关动物疫情防控影响因素的研究中，李诗等[6]以动物疫情危机为例分析公共危机网络舆情演变机理的路径及动因，指出理清动物疫情危机网络舆情演变机理对于动物疫情公共危机的化解、加强舆情引导、清朗网络空间具有重要的理论和实践意义。田璞玉等[7]关注禽流感扑杀补偿政策对养殖户事前防疫要素投入和事后疫情披露行为的影响，分析补偿对要素投入和疫情披露的影响机理。牛元帅等[8]基于突发事件的冲击波效应(ESW)模型,实证研究了突发疫情的直接和间接价格效应，认为突发疫情将对牲畜和家禽等产品的供求产生影响,从而影响相关产品价格。施燕等[9]利用网络地理信息系统(WebGIS)设计了动物疫情监测系统，通过提供强大的数据库管理平台加强了疫情数据管理，帮助我国各级政府更好的对疫病进行实时监控，提高了疫情处理效率，综合提升了我国疫病防控水平。

综上所述,当前国内外大部分关于动物疫情研究是从重大动物疫情应急管理经验及对国内应急管理的模式、机制、体系的建构框架着手，而运用定量模型进行动物疫情防控效率和防控影响因素分析的研究较少。本课题基于前人研究，通过运用数据包络分析法(data envelopment analysis，DEA)分析我国重大动物疫情防控效率，并在此基础上运用Tobit多元回归模型探究动物疫情防控效率的具体影响因素，区分动物疫情防控能力的原因型和结果型影响因素，旨在为增强我国动物疫情防控能力提供有益参考。

1 指标选取与数据来源

1.1 DEA-BCC模型指标选取DEA 模型构建中指标体系的确定是决定效率评价的关键。指标体系应由一系列具有内在联系的指标组成，并且可从多角度反映我国动物疫情防控能力的实际情况，建立科学完善的指标体系有助于提高研究的合理性和可操作性。近年来，国家逐步加大了动物疫情防控工作力度，动物疫情防控法律法规标准体系的逐步健全为推动我国畜牧业的健康发展提供了有利条件。疫情防控的主要任务是及时对疫情进行监测和现场调查,通过收集疫情发生过程中的相关数据,分析疫情流行的规律与原因[10]。从我国目前养殖行业疾病监测的现状来看，现阶段防控设备落后、工作人员专业水平低和养殖者不配合是造成防疫效率低的主要原因[11]。

本研究结合农业农村部提出的提高动物疫情防控能力的24字防控方针“加强领导，密切配合，依靠科学，依法防治，群防群控，果断处置”，构建了动物疫情防控效率评价指标体系。拟选取畜牧业技术机构情况、疫情防控法律法规数和检测场点数作为投入指标，以畜牧业增加值、检测免疫合格率以及疫情发病数作为产出指标；从这6个方面来反映我国畜牧业投入产出情况。为了防止各指标之间出现较强的相关性，运用SPSS 22.0软件对选取的各指标进行相关性分析。结果显示，各指标之间基本不具备较强相关性，并且大多数指标与统计学意义上95% 的置信水平下不存在显著相关。相关性系数最大为0.716，为疫情防控法律法规数与畜牧业增加值之间的关系，其他几项指标间均不存在较强的相关性。基于以上分析，可以认为本研究中投入与产出指标的选取具有合理性(表1)。

表1 投入与产出指标间相关系数(n=14)

1.2 Tobit回归指标选取基层防疫机构人员素质高低不一，防疫技术和防疫知识更新缓慢,对新技术和新思想的接受较慢且有部分抵触情绪，这是当前基层动物疫病防控工作中存在的主要问题[12]。在疫情防控过程中，动物疫病监测是动物防疫体系建立的系统工程，可以有效发挥预警作用[13]。此外，劳动力受教育水平也是重要影响因素，从畜牧业角度来看通常养殖户受教育水平越高，其行为就会越理性[14]。同时，动物疫病防治需要有健全的资金保障机制，区域经济发展水平越高，经费保障机制相应越完善，政府对动物疫情防控基础设施建设的投入也会越大；研发投入力度的强弱也一定程度上决定了该领域研究与试验发展水平，为技术创新提供了平台。综上，本研究选取防疫机构人员素质、动物疫情预防和监控力度、劳动力受教育水平、区域经济发展水平、研发投入力度作为各地区动物疫情防控效率的影响因素，具体对应关系如表2所示。

表2 Tobit回归模型指标体系

1.3 数据来源在数据可获性和全面性的前提下，选取了较近年份2017年全国畜牧业较为发达的14个省、自治区作为研究样本，以我国发病最为普遍的禽流感为代表来衡量各地疫情防控效率。模型运算所用全部数据来自《畜牧业统计年鉴(2017)》,中国统计摘要(2017)，兽医公报(2017),中国动物卫生状况(2016),中国法律统计网站和各省统计年鉴。

2 模型构建及原理

2.1 DEA-BCC模型原理DEA模型分析法是一种较为经典的非参数统计法，它主要通过应用数学规划模型来评价相同类型的多投入、多产出决策单元的规模与技术有效性。DEA模型又可分为CCR和BCC模型。CCR模型最初是由美国运筹学专家CHARNES 1978提出，其基本假设条件为规模报酬恒定。后来为了深入探讨纯技术效率与规模效率等问题于1984年BANKER等[15]对模型进行修正，提出了BCC模型。该模型中可把决策单元的综合效率(又称为技术效率)再次分解为纯技术效率和规模效率，三者数量关系为：技术效率=纯技术效率×规模效率。其中纯技术效率是指在规模报酬恒定不变的条件下，在当前技术水平上对资源使用效率的评价，规模效率是指在制度、管理和技术水平一定的条件下，对实际规模和最优规模之间差异的测度，反映投入要素规模的合理程度。基于BCC方法的有效性与优越性，本研究应用DEA-BCC模型进行全国14个代表性省、自治区动物疫情防控效率评估，设定模型如下：

(1)

已知有14个决策单元(DMU)分别为14个代表性省、自治区，其中每个DMU有3种投入变量为X1,X2,X3和3种产出变量为Y1，Y2，Y3。式(1)中，λj表示决策单元所组成的线性组合权重，VD、X0、Y0均为常数项。s-、s+分别为投入和产出的松弛变量，s-表示投入冗余，s+表示产出不足。θ为疫情防控综合效率，介于0～1之间。若θ=1,s-= 0且s+=0即没有出现投入冗余和产出不足的情况，则为DEA有效;若θ=1,s-或者s+不为0即出现投入冗余或者产出不足的情况，则为弱DEA有效；若θ<1,则该决策单元为非DEA有效,需重新调整投入产出比例。

2.2 Tobit回归模型原理Tobit回归模型是最早由美国著名经济学家TOBIN于1958年提出的基于部分连续分布和离散分布的因变量计量经济学模型。该模型可用于因变量受某种条件约束时的模型回归，又称为受限因变量回归模型。首先通过DEA模型测算出各省、自治区疫情防控效率，在此基础上用 Tobit 回归模型找出动物疫情防控效率的影响因素。由于本研究运用DEA-BCC模型测算所得我国14个畜牧业大省的动物疫情防控综合效率值均介于0～1之间，因此选择具有截断回归特征的 Tobit模型进行影响因素的分析，模型具体形式如下：

Y=α+β1Χ1+β2Χ2+β3Χ3+β4Χ4+β5Χ5+μ

(2)

式(2)中，Y表示由 DEA-BCC 模型计算出的疫情防控综合绩效，X1表示GDP值，X2表示技术推广机构中拥有职称人数占比，X3表示R&D经费投入强度，X4表示初中以上学历(普高、职高、大专、本科、研究生)人数占比，X5表示抽样监测场点数占比，μ为随机干扰项，α为常数项。从理论上讲，人力、物力、财力和技术等要素的投入越多，动物疫情防控效率就越高，但是当投入出现冗余时可能会导致资源浪费，带来负面效应使整体的效率降低。

3 结果

3.1 技术效率分析根据选定的14个省、自治区作为基本决策单元，收集各项指标数据并对数据进行整理汇总。选用DEAP2.1软件进行模型的运算，通过投入导向性的BBC模型进行分析，得出评价结果(表3)。

表3 2017年疫情防控技术效率表

根据BBC模型分析结果显示，若所得效率值为1表示该地区DEA评估有效，小于1则表示DEA评估无效即生产未达到最佳状态。根据表3结果可知，不同地区的疫情防控效率存在一定差异，其中浙江、安徽、河南、湖北、广东、广西、四川和新疆这8个地区的疫情防控综合效率为1，说明这些地区在动物疫情防控方面的各项资源配置达到了最优状态且合理利用程度高。而其余6个地区的测评值均小于1，呈相对无效状态，说明这些地区疫情防控没有达到最优水平。具体来说，辽宁、江西和山东的疫情防控综合效率都在0.9以上，说明这3个地区关于动物疫情防控方面的资源配置能力和使用效率处于较高水平，但仍有提升的空间；内蒙古自治区的疫情防控综合效率低于0.7，相对无效程度严重，与平均值差距较大，说明内蒙古对动物疫情防控方面的重视还不够，相关措施没有落实到位，应进一步优化结构配置，提升疫情防控资源的使用效率。从效率分解的角度来看，在DEA测评无效的6个地区中，湖南、河北、内蒙古、辽宁和山东这5个地区纯技术效率和规模效率均处于相对无效状态，且体现资源配置和合理利用程度的纯技术效率均低于规模效率，表明这些地区未能达到DEA有效的首要原因在于其技术无效，因此其改革的重点在于如何优化资源配置，提高技术水平，合理利用资源，提高资源的利用率，同时注重提升其规模效益，进一步提高疫情防控综合效率。而DEA测评无效地区中江西省纯技术效率为1，说明江西省未能达到综合有效的关键因素在于其规模效率的无效，因此改革的重点是如何更好地利用其规模效益。

3.2 投入冗余分析DEA模型的分析结果既可以用于判断每一个决策单元生产的有效性，还为非生产有效性单元进一步协调配置资源和优化各投入要素比例提供了具体的改进方向。本研究选取了无效省中家禽和生猪饲养产值最高的养殖大省山东省和疫情防控综合效率最低的内蒙古自治区为代表进一步进行分析。表4，5分别反映了非DEA有效的山东省和内蒙古自治区的DEA测评投影结果，根据结果可进一步获得其在不同的产出条件下要达到1的有效状态各指标要素的最小投入量。

表4 山东省DEA测评投影结果

当前，山东省的投入产出状况是：投入144个畜牧技术机构、3 079个检测场点以及57项疫情防控法律法规数，可获得1 061.9万元的畜牧业增加值，90.91%的合格率以及0的疫情发病数。

表5 内蒙古自治区测评投影结果

内蒙古自治区的投入产出状况为：投入205个畜牧技术机构、2 522个检测场点以及40项疫情防控法律法规数，可获得624.4万元的畜牧业增加值，93%的合格率以及400的疫情发病数。而如果要进一步提高疫情防控效率，即要使山东省和内蒙古自治区的疫情防控效率达到最优值，在保持现有产出不变的情况下，根据投影镜像值山东省可相应减少10个畜牧业技术机构，减少215个监测场点和4项疫情防控法律法规数，从松弛量上看，疫情防控法律法规数应减少18项。内蒙古自治区则根据镜像值可相应减少19个畜牧业技术机构，减少791个监测场点和13项疫情防控法律法规数，从松弛量上看，畜牧技术机构应减少9个。其他4个无效省也存在相同的问题，而对于θ=1的省、自治区，疫情防控效率已经达到最优值，松弛变量和投入镜像均为0，故无需再进一步提出相应改进方案。从以上分析中可以看出，现有畜牧业发展不良的省、自治区都在一些指标上存在盈余情况，即在不同指标发展方向上存在差异性不足的问题，这也是我国畜牧业整体发展不均衡的一个重要原因。

3.3 基于Tobit回归模型的动物疫情防控效率影响因素分析从表6所得Tobit模型回归结果可以看出抽样监测场点数占抽样场点总数的百分比和农业R&D经费投入强度对动物疫情防控效率的影响系数均为正，呈正相关关系，表明这两项指标投入越多越有利于提高动物疫情防控效率。其中，抽样监测场点数占比的影响系数为1.872，对动物疫情防控效率的影响程度最大；说明抽样监测场点数对动物疫情的预防和控制起着十分积极的作用，抽样监测场点数占比越大，动物疫情防控效率越高。抽样监测场点数占抽样场点总数的百分比对动物疫情防控效率的影响系数大于农业R&D经费投入强度对应的影响系数，则说明抽样监测场点数比农业R&D经费投入强度对动物疫情防控效率的影响更大，两者对动物疫情防控效率的贡献度从大到小依次递减。GDP值、技术推广机构中拥有职称人数占工作人员总数百分比和畜牧技术机构中高中以上学历(大专、本科、研究生)人数占比的影响系数均为负，呈负相关关系。其中GDP值的影响系数最小，为-4.762，但由于其P值较大，表明各地区GDP值这一指标对动物疫情防控效率的影响并不显著；这也说明经济发达的地区在疫情防控经费和资源的分配管理上存在较多问题，资源没有得到充分利用。技术推广机构中拥有职称人数所占工作人员总数百分比对动物疫情防控效率的影响系数为负数，说明技术机构中并非高职人才占比越大越好，有时可能会出现人力资源冗余或分配不均的现象，从而加重了机构的负担。畜牧技术机构中高中以上学历(大专、本科、研究生)人数占比对动物疫情防控效率的影响系数为-1.081，且在1%上显著水平下与动物疫情防控效率存在负相关关系，说明畜牧技术机构中高中以上学历(大专、本科、研究生)人数占比越高，动物疫情防控效率反而越低。其原因可能为：随着各地区教育水平的提高和高层次学历人才的增多，人们受传统观念束缚，选择从事畜牧业工作的人反而减少，区域发展的重心向第二、三产业转移。

表6 疫情防控综合效率影响因素的Tobit模型回归结果

4 结论

本研究运用DEA-Tobit 模型对我国养殖业较为发达的14个省、自治区的动物疫情防控效率以及影响因素进行实证分析，发现我国2017年整体的动物疫情防控效率较高，14个省、自治区中只有河北、内蒙古、湖南、辽宁、江西和山东没有达到技术效率前沿，但是有5个地区综合效率在0.85以上。大多数地区纯技术效率低于规模效率，说明纯技术效率是影响动物疫情防控效率的关键因素，技术进步是提升综合效率的主要动力，部分地区动物疫情防控资源配置及规模调控等方面尚未实现充分协调与良好互动；通过运用Tobit回归模型分析动物疫情防控效率影响因素可知，抽样监测场点数占抽样场点总数的百分比和农业R&D经费投入强度与动物疫情防控效率存在正相关关系，说明在其他条件一定的情况下这两个指标投入越多对疫情防控效率的提升越有利。技术推广机构中拥有职称人数占工作人员总数百分比、畜牧技术机构中高中以上学历(大专、本科、研究生)人数占总人数百分比这两个影响因素与动物疫情防控效率存在显著负相关关系，说明这两个指标的投入存在冗余的现象，投入越多反而会降低整体的效率，应该考虑适当减少投入、降低冗余。

动物疫情防控效率的提高受多方面因素共同影响，是一个系统性工程。根据以上研究分析得出的结论，本研究从以下3个方面提出相关对策建议，为我国动物疫情防控效率的提升提供参考。一方面要因地制宜，制定针对性地区发展策略。由于不同地区之间实际情况不同，各因素影响效果具有差异性,因此在制定发展战略时，一定要综合分析各方面影响因素，根据各地区现实情况进行有针对性和可操作性的发展战略规划,稳步提升各地区动物疫情防控效率。切忌疫情防控工作流于形式、照搬套用别处治理模式或实行粗放化管理。在动物疫情防控效率较低的地区需要细查原因、弥补短板,通过影响因素分析寻找突破路径。例如,内蒙古自治区可以继续加大动物疫情科学研发投入,同时提高资源的合理利用率，从而提高纯技术效率；江西省可以优化投入产出结构,提升自身规模效率。在动物疫情防控效率较高的地区，如辽宁、山东省可以精益求精，进一步优化资源配置结构，提高技术效率和规模效率以达到最优状态；另一方面要重视投入，完善经费保障机制和疫情防控措施。保证足额的研发资金，加大技术方面的投入，加强基础设施的建设，建立完善的疫情防控和监测体系。

各地区应把动物疫情防控纳入公共财政的一般性预算资金管理，保证动物疫情防控体系基本日常运转的同时还应合理安排应对重大动物疫情防控的应急资金和物资保障。具体到指标层面，要加大农业R&D经费投入强度，提高核心技术需要有良好的科研平台和充足的科研经费支持和保障。增加抽样监测场点数在抽样场点总数的占比，对各地区各大种畜禽场、商品代饲养场、散养户、肉类交易市场、屠宰场进行动物疫情的监测有利于提早预防和控制住动物疫情，发挥监测和预警的作用，从而提高动物防疫效果。同时要加强认识，转变对畜牧兽医行业的偏见。从畜牧技术机构中高中以上学历(大专、本科、研究生)人数占总人数百分比这一项指标与疫情防控效率呈显著负相关可以看出，受传统观念禁锢，目前大多数人对畜牧兽医行业及相关工作认识不足且存在一定的偏见。原因可能是一部分人认为畜牧兽医工作就等同于兽医工作，并且认为畜牧业领域相关工作只是替动物打打针，替饲养的家禽家畜医病，如果不发生重大动物疫情畜牧兽医工作无足轻重，因而无法在相关岗位上实现自身的个人价值；还有一部分人认为畜牧业相关工作的工作环境艰苦且收入微薄，因此在拥有更高学历之后往往不会把从事畜牧兽医领域的工作作为理想职业。进而导致畜牧兽医领域高层次学历人才流失，受教育水平越高的人才越倾向于从事第二、三产业的工作，第一产业的人力资源投入不足，高层次技术人才匮乏，使动物疫情防控效率偏低。因此很有必要加大宣传力度，加强公众对畜牧兽医工作重要性的认识，树立正确的择业观，同时提高畜牧兽医工作者的福利待遇，并对畜牧兽医管理进行专门立法,对已有畜牧兽医的相关法律进行普及和落实。