基于DEA-Malmquistt指数的四川省农业生产效率差异分析

林伟敏

摘要：本文通过DEA-BCC模型，对2018年四川省农业投入与产出面板数据进行横向测算，得出全省农业规模效率整体向好，而纯技术效率稍弱，两者共同影响着综合效率的发展水平。同时，以时期序列为轴线，运用Malmquist指数法对效率值进行纵向分析。研究发现：2010-2018年全省农业TFP值整体呈上升趋势，发展势头较好，而技术效率与技术进步效率两者呈逆向变化趋势，表明当前全省农业发展面临着不协调、不充分状态，存在着设施配置不足、资源转换低效、生产技术落后等问题。为此，通过实施区域差异化的发展战略、完善要素投入机制，同时强化技术引导，培育优质农田，全面提升产出效益是四川省农业发展未来的重心。

关键词：农业生产效率 DEA模型 Malmquist指数 TFP效率值

民之大事在于农，农之大事在于稳。农业作为事关国计民生的头等大事，对于社会平稳运行、国家繁荣发展起着重要的支撑作用。四川作为我国重要的农业大省，其粮食产出量不仅关系到区域经济发展水平，而且关乎中国14亿人民的口粮安全，重要性不言而喻。因此，实现农业产出最大化，投入最小化，促进资源高效转化，是全省农业发展的重中之重。同时，为确保农业产出的平稳性，固本强基、降本增效、提质增速三大任务应全程贯穿于农业发展的始终，进而实现农业高质量发展。本文从静态视角出发，采用DEA- BCC模型，对2018年全省农业生产效率进行横向测算。同时采用Malmquist指数法，动态分析各地区TFP值在年份上的具体差异及空间分布特征，精准定位，找寻破解难题突破口，合理施策，补齐发展缺口，进而推进全省农业腾飞发展。

一、研究方法与理论基础

（一）DEA模型相关概念

数据包络分析（DEA）指运用线性规划方法对所有决策单元（DMU）进行数据计算，得出效率分解值，它一般以1作为衡量标准，判断是否达到生产前沿面，以平均值为基准线，衡量是否处在正常效率值范围。DEA模型应用领域广泛，常用于企业效率评价、物流效率测算、经济效率评估等方面内容。考虑到农业生产效率测算同属于投入与产出的类型，与DEA模型相契合，具有较好的对比性。因次，本文采用DEA模型对四川省农业生产效率进行综合评价，分析当前农业发展存在短板，以此提出相应解决对策。其公式如下：

上述公式可进一步分解为：tfpch=effchtechch=（pechsech） techch，由此可知，TFP受effch与techch双重影响。只有当两者同步递增时，TFP才能达最大值。因此，若全省农业效率要发挥出极致效果，必须重视这两项指标。

（三）指标选取与数据来源

1.指标选取。DEA模型指标选取具有严格规范要求，只有符合逻辑规律、并且能够反映现实状况的生产要素才能作为可选指标。因此，本文在遵循科学性、客观性、一致性原则的基础上，结合全省农业发展的实际状况，构建出四川省农业生产效率评价体系。该评价体系由两级指标所组成，一级指标分为投入变量与产出变量，二级指标则按人力、土地、资源与产出等要素划分出农业从业人员、农作物总播种面积、化肥使用量与农林牧副渔业总产值。

2.数据来源。为了能够客观地反映四川省农业生产状况，同时保证研究结果的可信度，本文截选了2010—2018年农业生产效率面板数据进行DEA测算，定位其发展薄弱环节，以此提出综合性的解决对策。

二、四川省农业生产效率静态分析

（一）DEA模型的静态分析

DEA模型有投入、产出两种导向。投入导向：即在保证产量不缩减的前提下，降低生产成本。考虑到农业产出具有较大波动性和不确定性，故而本文以投入径向为假设对象。运用DEAP2.1软件，选用规模变动的BCC模型，可得2018年四川省农业生产效率值，如表1所示。

1.综合效率。综合效率是指对农业资源的配置效率、利用情况，以及产出效益等内容进行整体评估。该效率值能客观地反映地区农业生产状况，因此，它常被作为评判效率的重要指标。如表1所示，成都、雅安、甘孜州的三项效率值均为1，达到DEA有效，占比14.28%，表明这3个地区资源要素、生产技术和规模收益均达到最优化配置。而剩下地区为非DEA有效，占比85.72%，其中攀枝花、德阳、内江、眉山、宜宾、资阳、阿坝州7个州市综合效率位于平均线之上，占比33.33%，这些地区虽未达到DEA有效，但农业资源利用情况整体向好。而自贡、泸州、绵阳、广元、遂宁、乐山、南充、广安、达州、巴中、凉山州11个州市综合效率未达平均水平，比例为52.38%，占比较大，后期发展应以增强效率为主，提升效益为辅。特别是巴中市综合效率仅为0.297，处在全省最低位，若想提高整体的综合效率，应着重破解效率不对等难题，完善资源管理机制，加强技术引导，从而实现"质量与效益"的双赢局面。

2.纯技术效率。纯技术效率是反映技术转化程度的重要指标，它一般受当地的生产条件、管理方法和技术熟练度等因素影响，该数值越接近于1，其资源转化效率就越高。从表1可知，非DEA有效的地区中，攀枝花、阿坝州纯技術效率均为1，处于技术前沿面。而内江、眉山、宜宾、资阳四个地级市高于平均值，分别为：0.954、0.816、0.917、0.936，整体发展良好。另外，德阳、绵阳、乐山、凉山州的纯技术效率介于【0.700—0.760】范围之间，这些地区纯技术效率虽然未发挥到极致，但仍有较大的发展空间。剩下地区均低于0.7，特别是泸州、广元、达州、巴中这4个地级市的综合效率和纯技术效率普遍偏低，存在投入冗余现象，应合理调整投入要素，完善相应激励机制，加强内部管理，从而提高农业产出率。

3.规模效率。规模效率一般用来衡量农业投入与产出之间是否达到最优规模状态。从整体来看，全省规模效率为0.921，呈现积极向好态势。在非DEA有效的地区中，介于【0.900—1.000】之间地级市有11个，占比52.38%，这些地区规模效率接近生产前沿面，经营规模达到比较理想状态。介于【0.800—0.900】之间的地级市，有4个，分别为广元、内江、宜宾、资阳和凉山州。而低于0.800地区有2个，分别为攀枝花和巴中，这两个地区规模效率普遍偏低。另外，从规模效益来看，规模递减地区有4个，分别为眉山、宜宾、资阳、凉山州，这些地区农业资源未得到有效整合，后期发展可适当缩小农业规模，力求达到供需平衡状态。而规模递增的地区则应继续加大资源投入，提高技术应用能力，从而达到农业规模最优状态。

（二）四川省农业综合效率分解

为更加直观地反映全省农业生产状况，根据上述表1的内容，绘制了四川省农业综合效率四方图（如图1所示），以平均值（0.76，0.921）为中轴线，划分出四种类型分布图。其中，双高型地区有5个，分别为成都、雅安、眉山、甘孜州、阿坝州，这5个地区两项指标均高于平均值，农业生产效率最好。与右上角相对应则是双低型，该区间效率值处于最低位，多项指标均<平均值，存在明显地投入产出不对等现象，后期应注重均衡式发展。二四象限则呈现一高一低的发展态势。第二区间以高低型为主，该类型在规模效率具有优势，而在纯技术效率方面处于劣势，由乐山、遂宁、南充、广安、达州、泸州6个地区所组成。而在第四象限内，主要以纯技术效率为主，形成的是低高型队伍。从图1可知，全省有4个地区属于此类型，分别为：资阳、内江、宜宾、攀枝花。进一步分解可知：高低型与低高型彼此之间存在明显的短板与弱项，互补性较强。因此，二者间可建立起农业互助帮扶机制，在生产方式与结构上相互借鉴，取长补短，共同补齐农业发展的短板与弱项。最后，值得关注是绵阳与德阳，这两个地级市的规模效率处在平均线上方，且纯技术效率逼近平均值，说明该市两项指标发展良好，发展空间较大，有较大希望挺近双高型队伍。

三、四川省农业生产效率动态分析

（一）DEA模型的动态分析

DEA静态分析是无法呈现出连续、动态变化。为了能够清晰、能动地反映2010-2018全省农业整体发展状况，本文采用Malmquist指数法对效率值进行动态分析。通过对TFP值逐一分解，深入剖析，进而提出有指向性的解决对策。

1.综合数值分析。从表2可知，全省农业TFP平均值为1.085，年上涨率8.5%，整体发展较好。而技术效率为0.984，发展较为缓慢，未达到生产前沿面。深入分解可知：纯技术效率与规模效率也呈相同发展趋势，效率值分别下降0.9%、0.7%。进一步表明：技术效率增速较为缓慢，成为制约其发展的关键因素。而技术进步效率则出现正增长，增幅达10.3%，发展较好，成为驱动TFP值增长的核心因素。因此，全省TFP值提高的关键因素在于技术效率。

2.具体数值分析。为进一步探究效率值变化的原因，本文将对平均值逐一分解，动态分析效率值演化趋势。分年度来看，四川省2010—2018年农业TFP值均>1，在第一年达到顶峰之后，后面出现小幅度下跌，但整体波动不大。2015年之后开始出现平稳上升趋势，说明全省农业发展优势明显，潜力巨大。仔细观察图2可知，TFP值与技术进步效率两者间相互叠加，联系紧密，进一步说明，技术进步效率涨落伴随着TFP值波动起伏。从技术进步效率演化趋势来看，除2015年小幅跌落外，其余时期均为正增长，整体发展较好。而技术效率则涨跌起伏不定，在2015之后出现下跌，随后2017年出现上涨，深入分解可知，纯技术效率与规模效率也呈相似运动规律，说明当前农业发展存在效率不相等、产出不稳定等问题。为此，提高TFP效率值，应着重从技术效率入手，促进资源高效转化，确保农业产出平稳性。

3.整体动态分析。从表2可知，四川省21地级市农业TFP值均大于1，平均值1.085，增幅达8.5%，表明全省农业发展整体向好。但区域发展存在较大差异，TFP值增幅超10%的地区有6个，分别为内江、资阳、成都、绵阳、甘孜州、眉山，这些地区农业资源利用率较高，投入产出相对均衡。尤其是成都市，5项指标达到生产前沿面，整体发展最好，其他地区应以此为标杆，因地制宜，探索出符合自身发展的农业道路。增幅7%-10%之间的地级市有10個，这些地区均属于中等偏上水平，发展较好，后期应注重技术创新，加快产业转型升级，以提高产出率。而剩下的地区为自贡、乐山、广安、达州和巴中，这5地区发展较为缓慢，后期发展应注重区域协调性，加大农技推广力度，提高资源转化率，进而实现小投入、大产出的经济效益。

从增长动因来看，成都、内江、眉山、雅安、资阳、甘孜州6个地级市农业TFP值主要由技术效率和技术进步效率共同推动的，而其他地区均由技术进步效率单一因素所驱动的，技术效率起到作用次之。计算得出，技术效率的平均值为0.984，与技术进步效率1.103相比，存在一定差距，成为制约其发展的关键因素。因此，全省农业TFP值若想保持较好状态，必须重视技术效率，把农业短板转变为增长动力，挖掘新动能，培育新引擎，进而推动全省农业的跨越式发展。

四、研究结论与对策建议

（一）研究结论

通过DEA静态分析对2018年四川省农业生产效率进行整体评估，研究发现：全省农业发展具有较好区位优势和生产条件，但由于部分地区纯技术效率未能得到有效转化，投入冗余现象尚存，面临着投入产出不匹配状态，进而拉低全省农业的综合效率。运用Malmquist指数法对四川省2010—2018年农业TFP值进行动态分析，得知全省农业TFP值均大于1，涨幅为8.5%，表明全省农业发展整体向好。从效率演化趋势来看，技术进步效率是推动农业TFP值上涨的核心因素，而技术效率成为制约其发展的关键要素。因此，全省农业发展的核心在于技术效率，后期发展应加大技术投入力度，强化农业科技基础，补齐发展短板与弱项，进而为全省农业发展赋予强大动力。

（二）对策建议

1.加大基础设施建设，巩固农业发展根基。一是要对当地农业的播种面积、生产条件、资源分布等情况进行实际测算，在确保合理产出的前提下，调整农业规模。二是加强农田水利设施建设，开展智能灌溉、节能排水等生产技术，改善生产条件，进一步夯实农业生产基础。与此同时，区域之间要因地制宜，发展混合式农业，推进农田综合利用开发，实现规模与效益、质量与数量双赢局面。三是强化要素投入保障机制，优化投入产出结构，提高资源转化效率，促进要素高效转换，保证农业产出的均衡化。

2.实施差异化发展策略，推动区域农业均衡发展。根据全省农业的发展状况，将区域农业划分为生产薄弱区与生产领先区。生产薄弱区，应以生产条件为导向，强化深耕细作能力，发展精致农业，挖掘潜力大、效益高的特色农产品，提高产品质量与影响力。同时，引入优良品种，建设高标准农田，培育优质主产區，实现效益多层叠加。另外，对于土壤肥力不足的农田，应实施土地质量监测体系，定期开展质量评估，降低农业生产风险，确保农业产出的平稳性。生产引导区，主要以生产技术为导向，多方部门应加强合作，设立农业科研基金，激励技术人员开展农业创新，加大前沿技术攻关力度，探索农业新领域，开创农业新高地。与此同时，运用区块链、物联网、GIS等新技术，在田间地头布局数据链，形成农业数据库，进而实现农业信息全程追踪、可视化，确保农业高质量发展。

3.完善要素整合机制，促进农业转型升级。一是加强农业园区建设，引导资源要素汇聚，辐射带动周边设施落地，进而解决农村地区资源不足、设施分散、产业薄弱等问题，以提高农业发展水平。二是引导龙头企业与小农户开展合作，实施产销一体化发展战略，不断扩大市场容量和扩充销售渠道，解决农产品销售慢、销售难问题。与此同时，对农产品多次改造升级，深挖产品利润空间，实现效益多倍产出。三是打通要素流通渠道，引导优势资源流向薄弱区，促进要素自由流动，实现区域资源有效整合与共享。

4.强化技术引领，培养复合型人才。一是支持有条件的地区设立农业科研团队、研发中心，推动产学研一体化建设，扩大应用领域，提高前沿技术覆盖面，切实增强农业综合水平。二是聘请专家学者对农户开展全方位指导，统筹规划，合理布局，分析当前农业发展存在着短板与不足，提出有针对性解决措施，以此提高农业生产效率。三是制定人才培养方案，周期性开展技能培训，锻造懂技能、善管理的实用型人才。同时，各地区要出台各项优惠政策，完善相应激励政策与保障机制，加大补贴力度，引进素质高、能力强的复合型人才，通过农业人才的科学指导和技术引领，带动农业高质量发展，进而实现区域农业的均衡发展。

参考文献：

[1]张丽，郑军.基于DEAMalmquist模型的山东省农业生产效率测算研究[J].湖北农业科学，2019，58（21）： 219-223.

[2]刘雷，张梦雨.基于DEAMalmquist指数的农业生产效率评价[J].江苏农业科学，2020，48（21）：309-314.

[3]李强，庞钰凡，汪玥.基于DEA模型和Malmquist指数的农业生产效率评价研究——以吉林省为例[J].技术经济，2020，39（09）：135-143.

[4]姚凤民，朱美金，查梓琰.广东农业科技创新效率研究——基于超效率DEA模型和Malmquist指数法[J].科技和产业，2019，19（09）：83-89.

[5]管立杰，赵伟.基于DEAMalmquist的农村基础设施供给效率评价[J].统计与决策，2020，36（04）：172-175.

[6]温丽荣，吴昊洢，黄庆华.基于DEA-Malmquist模型的重庆市农业生产效率实证研究[J].新疆农垦经济，2015（11）：9-14.

[7]蒋飞，厉伟.基于DEAMalmquist指数的江苏省农业生产效率评价[J].贵州农业科学，2017，45（02）： 167-170.

[8]贺忠连，廖翼.基于DEAMalmquist指数的湖南省科技成果转化效率研究[J].科技风，2019（29）：22-23.

[9]陈冲，吴炜聪.人口老龄化对农业技术进步的影响机制分析——基于DEA-Malmquist的技术评价与动态面板模型[J].中国农业资源与区划，2021， 42（01）：231-238.

[10]丁涛，武祯妮.基于Malmquist指数法的农地利用效率测算[J].统计与决策，2019，35（22）：82-84.

Agricultural production efficiency in Sichuan Province based on DEA-Malmquist index Variance Analysis

Lin Weimin

Abstract：In order to make up for the shortcomings and weaknesses of agricultural development， improve the overall operational efficiency， optimize resource allocation， and achieve output equalization and rationalization. In this paper， through the DEA-BCC model， the panel data of agricultural inputs and outputs in Sichuan Province in 2018 are measured cross-sectionally， and it is concluded that the overall agricultural scale efficiency of the province is better， while the pure technical efficiency is slightly weaker， and both of them jointly affect the development level of comprehensive efficiency. Meanwhile， the Malmquist index method was applied to analyze the efficiency values longitudinally， taking the period series as the axis. It was found that：the overall TFP values of the provinces agriculture from 2010-2018 showed an upward trend and a good development momentum， while the technical efficiency and the efficiency of technical progress both showed an inverse trend， indicating that the provinces agricultural development is currently facing an uncoordinated and inadequate state， and there are problems such as insufficient allocation of facilities， inefficient conversion of resources and backward production technology. For this reason， it is the focus of future agricultural development in Sichuan province to improve output efficiency comprehensively by implementing regional differentiated development strategies and improving factor input mechanisms， while strengthening technological guidance and cultivating high-quality farmland.

Keywords： agricultural production efficiency； DEA model； Malmquist index； TFP efficiency value

（作者单位：成都信息工程大学物流学院）

责任编辑：宗宇翔