中俄薯类作物生产技术效率比较研究*

袁连升，刘海东，韩冰

(吉林工程技术师范学院经济贸易学院，长春市，130052)

0 引言

中俄两国农业合作由来已久，具有深厚的合作基础。尽管两国国情不同，但都面临着不同程度的粮食安全问题，在农业生产方面拥有良好的合作条件[1-2]。一方面，中俄两国互为最大的邻国，具有地缘优势[3]，另一方面，在农业生产技术、耕地资源等方面拥有互补优势[4-5]。

因此，研究中俄两国农业生产的技术效率，比较主要农作物的技术与管理水平，将会对两国的农业合作提供有价值的参考数据。由于薯类作物在中俄两国都广为种植，且产量较大。因此，本文选择薯类作物作为分析对象，比较两国农作物生产的技术效率与生产管理水平。

在农业生产技术效率测算方面，主要有随机前沿分析技术(SFA)和数据包络分析方法(DEA)[6]。由于DEA方法具有客观、可行等特点，被广泛应用于农业生产效率评价[7]。然而，影响农业生产效率的因素众多，且具有不确定性，DEA方法不能去除随机误差因素带来的振动，因此，在进行农业生产效率评价时，学者们开始采用三阶段DEA模型[8]。很多学者运用此方法对我国农业生产效率进行了深入分析[9-11]。在运用三阶段DEA评价方法时，关于投入变量和产出产量容易理解或争议不大，产出变量一般设为农业产值[12]，投入变量设为劳动力、农业机械、化肥、灌溉投入指标等[13]。但环境变量的选取差别较大，环境变量有选取宏观经济环境、农业政策、人力资源、城镇化率[14]、农业信息服务[15]、自然灾害发生率[16]等。

从前期研究成果来看，在利用三阶段DEA测算农业生产效率时，没有学者把土地质量作为效率评价的环境变量，而土地质量显然对农业生产效率有重要影响。在没有考虑土地质量的情况下测算农业生产技术效率，势必存在较大的测量误差，从而不能正确评价农业生产技术效率。因此，本文拟将土地质量作为环境变量，对农业生产技术效率进行评价，分析土地质量变量对农业生产的技术效率、纯技术效率和规模效率的影响，以提高研究结论的稳健性，并为农业生产管理和农业技术创新提供可参考的研究结论。

1 研究方法与数据说明

1.1 方法介绍

本文利用三阶段DEA模型和秩和检测方法对中俄薯类的生产技术效率进行分析比较。三阶段DEA模型是由Fried等[8]提出的一种能够更有效地评估DMU效率的方法，此方法的突出特点是能够消除随机误差(外部变量、非经营因素)对效率的影响，使测算出的效率指标更真实地反映决策单元的管理水平[17]。具体介绍如下。

1) 第一阶段：传统的DEA模型(BCC模型)。传统的DEA模型(BCC模型)，可以评价多投入多产出情况下的决策单元间的相对有效性。鉴于传统DEA模型应用已经非常成熟，在此不再介绍其基本原理及表达公式。由BCC模型测算出的效率值即为技术效率值，还可以分解为规模效率与纯技术效率的乘积。

2) 第二阶段：随机前沿分析(SFA)模型。Fried等[8]认为，第一阶段DEA分析出的效率值受管理效率、环境因素和随机因素影响，而传统的DEA模型并没有区分三种因素，因而导致效率值无法反映管理因素、环境因素或随机干扰造成的影响[18]。在第二阶段通过随机前沿分析(SFA)模型可以分析三个因素造成的影响，剔除环境变量，得出仅由管理效率造成的投入冗余值。在投入导向模型中，SFA方程表示如式(1)所示。

Sij=fi(zj;βi)+vij+uij

i=1,2,…,m；j=1,2,…,n

(1)

式中：Sij——第j个决策单元第i项投入的冗余变量；

zj——可观测的环境变量；

βi——环境变量的待估参数；

fi(zj；βi)——环境变量对投入冗余值sij的影响；

vij——随机干扰；

uij——管理无效率。

利用SFA模型的回归结果对决策单元的投入项进行修正，对环境较好的决策单元增加投入，以剔除环境因素或随机因素的影响。修正后的投入量如式(2)所示。

(2)

Xij——调整前的投入变量；

[maxj(zjβ)-zjβ]——将所有决策单元调整至相同的环境；

[maxj(vij)-vij]——将全部决策单元的随机误差调整为相同情况，以使每个决策单元处在相同的经营环境。

具体原理步骤如下：首先，将这n1+n2个数据混合在一起，并按照从小到大的依次顺序排列，每个实验值在序列中的次序叫做该值的秩；然后，将第一组数据的秩相加，记为R1，称为第一组数据的秩和。同样也可以得到第二组数据的秩和R2。如果两组数据没有显著的差异，则R1就应该较小。对于给定的显著性水平α和n1、n2可以查出R1的上限值T2、下限值T1。如果R1>T2或R1

1.2 投入产出指标、环境变量与数据说明

1.2.1 投入产出指标选取

要测算中国各个省份和俄罗斯各个州之间薯类的生产技术效率，需要确定薯类生产的产出和投入指标，考虑到数据的可得性及其两个国家投入产出的可比性，本文选取了一个产出和三个投入。其中，产出指标为薯类作物的总产量，三个投入指标分别为薯类作物的播种面积、化肥施用量和机械动力量。中国机械动力的单位为万kW，俄罗斯机械动力单位为马力，为了数据的可比性，本文将俄罗斯的机械动力数折算成以万kW为单位。所有的指标都为2017年官方统计数据，其中，中国的数据来源于中国统计年鉴(2018)，俄罗斯方面数据来源于俄罗斯联邦统计局。

首先将中国的31个省份和俄罗斯79个州的合并混合数据，利用一阶段DEA阶段的BCC模型，对技术效率(TE)、纯技术效率(PTE)、规模效率(SE)三个技术效率指标进行测算。其次，将中国31个省份的效率值作为其中一个样本，将俄罗斯79个州的效率值作为另外一个样本，利用两个独立样本分别运用秩和检验和独立样本的t检验方法，对中国和俄罗斯薯类作物的生产技术效率之间差异进行显著性检验。

各投入变量与产出变量需要符合同向性假设，即当投入增加时，产出应该增加。利用Pearson相关性检验进行检测，测得中俄薯类作物投入与产出变量的相关系数如表1所示，薯类作物总产量与作物播种面积、作物化肥施用量和作物机械动力量的相关系数分别为0.616、0.931和0.826，且显著性水平均小于0.05，通过了显著性检验，说明投入与产出指标选取符合同向性假设。

表1 薯类作物投入与产出变量的Pearson相关系数Tab. 1 Potato crops Pearson correlation coefficient between input and output variables

1.2.2 环境变量的选取及说明

环境变量一般应选取对农业生产产生影响且不在样本主观可控范围内的可观测变量，包括国家宏观经济环境、农业政策、人口因素、土地质量等[19]。土地质量显然影响农业生产的产出水平，土地质量高一般作物的产量也会高，土地质量低作物的产量自然也会低。本文以中俄两国2017年的薯类产品单位面积产量作为土地质量变量，测算该环境变量对两国薯类作物生产技术效率的影响。

2 中俄薯类作物生产技术效率分析

2.1 不考虑土地质量时的技术效率指标分析

2.1.1 技术效率测算

利用DEAP2.1软件对中国31个省和俄罗斯79个州的薯类作物生产效率水平和规模报酬状态进行分析，测得所有地区的技术效率、纯技术效率、规模效率及规模报酬状况。由于所有地区有110个之多，出于版面的考虑，不再将各地区的效率值测算结果列示，求得中俄两国薯类作物三个效率平均值如表2所示。

表2 一阶段DEA薯类生产技术效率均值测算结果Tab. 2 Calculation results of average technical efficiency of potato production in the first stage DEA

在表2中，“俄罗斯”、“中国”和“所有地区”的薯类生产数据分别为：俄罗斯79个州、中国31个省和上述所有地区汇总的技术效率平均值和规模报酬个数。可以看出：第一，技术效率结果显示，所有地区的技术效率平均值为0.534，说明所有地区的效率水平较低，并且俄罗斯技术效率的平均值为0.682，远高于中国的技术效率平均值0.156；第二，纯技术效率结果显示，所有地区的纯技术效率平均值为0.620，说明所有地区的管理水平较低，并且俄罗斯纯技术效率的平均值为0.749，远高于中国的纯技术效率平均值0.293，说明俄罗斯薯类种植业的管理水平更好；第三，规模效率结果显示，所有地区的规模效率平均值为0.882，表明所有地区的规模效率水平比前两个效率指标更好，并且俄罗斯规模效率的平均值为0.922，与中国的规模效率平均值0.779相比，相差不大；第四，由于技术效率等于纯技效率和规模效率的乘积，而规模效率的差距不大，因此其技术效率的差距主要来源于其纯技术效率的差距，说明中国在薯类种植业的管理水平有待提高；第五，规模报酬的测算结果显示，在所有的110个地区中，规模报酬不变、递减和递增的地区个数分别为25、14和71个，规模报酬递增的地区占64.6%，说明总体上来看，两国薯类种植的规模偏小。而俄罗斯和中国地区的规模报酬情况有显著的差异，其中俄罗斯规模报酬递增的州占大多数，中国规模报酬不变的省份居多，这说明了俄罗斯的薯类规模偏低，而中国的薯类种植规模适当。

2.1.2 秩和检验

为了检验中俄两国在薯类作物生产中三个效率指标是否存在差异，本文利用SPSS14.0软件对三个效率指标进行了秩和检验，检验结果如表3所示。

表3 一阶段DEA中俄薯类秩和检验Tab. 3 Rank sum test of Chinese and Russian potato in one stage DEA

在表3中，中国的薯类作物生产数据为31个省，俄罗斯的薯类作物生产数据为79个州。从表3中可以看出：第一，从技术效率的测算结果来看，中国的秩平均值为16，小于俄罗斯的71，说明在排序中，中国的各个省份均位居前列，技术效率更高；曼—惠特尼U检验统计值为0.000，对应的P值为0.000，在5%的显著性水平下拒绝了“两国的技术效率水平相同”的原假设，也证明了两国在技术效率上有显著差异；第二，从纯技术效率的测算结果来看，中国的秩平均值为24.13，小于俄罗斯的67.81，说明与俄罗斯的各个州相比，中国各个省份的技术效率值从整体上的顺序更加靠前；曼—惠特尼U检验统计值为252，对应的P值为0.000，同样证明了两个国家在纯技术水平下有显著差异；第三，从规模效率的测算结果来看，中国的秩平均值为62.76，大于俄罗斯的52.85，中国各地区的规模效率略逊一筹；曼—惠特尼U检验统计值为1 499.5，对应的P值为0.134，说明两国在规模效率上没有差异；第四，结合表2可知，两个国家薯类种植都呈现出规模报酬递增的现象，说明两个国家的薯类种植规模偏小。

2.2 经土地质量调整的技术效率比较分析

以上一阶段DEA技术测算结果没有考虑到各个地区土地质量对测算结果的影响，因此，可能会导致测算结果存在着误差。本文为了验证一阶段测算结果的稳健性，将各地区的土地单产作为衡量土地质量的指标，以土地质量作为环境变量，对两个国家的薯类生产进行了三阶段DEA的技术效率测算，以便控制土地质量不同对测算结果的影响。其中，三阶段DEA测算过程中的第二阶段SFA模型回归结果如表4所示。

表4 薯类生产技术效率的二阶段SFA模型回归结果Tab. 4 Regression results of two-stage SFA model for the technical efficiency of potato production

进一步考察各环境因素，即粮食单产对三种投入松弛变量，即薯类作物播种面积剩余变量、化肥施用量剩余变量和机械动力量剩余变量的回归系数。由于环境变量是对各投入松弛变量的回归，所以当回归系数为负时，表示增加环境变量值有利于减少各投入松弛量，即有利于减少各投入变量的浪费；反之，当回归系数为正时,则表示增加环境变量将会增加投入松弛量，从而导致各投入变量的浪费[20]。下面阐述环境变量对三种投入松弛变量的影响。

表4中显示了分别以播种面积、化肥投入量及农业机械动力量的三种投入要素的冗余量为被解释变量，对常数项及薯类单产进行回归的结果。从表4中可以看出，在回归方程中，薯类单产系数均在10%、5%和1%的显著性水平下通过了变量显著性检验，且系数为负。这表明，薯类单产的提升对三种投入松驰变量都是有利的。薯类单产的提升，确实能够实现对薯类播种面积、化肥施用量和机械动力量的有较配置，从而提升生产效率。

在表4的基础上，本文对三种投入的数量进行了修正，并且利用修正过后的投入数量重新进行了效率的测算，得到了经过土地质量调整的技术效率指标的三阶段DEA的测算结果，并进一步测算，得到了的效率指标均值结果，如表5所示。

表5 三阶段DEA薯类生产技术效率均值测算结果Tab. 5 Calculation results of average technical efficiency of potato production in the third stage DEA

从5表可以看出：第一，经土地质量调整后的技术效率结果显示，所有地区的平均值为0.232，比未调整时的效率要低。此时，中国技术效率的平均值为0.351，高于俄罗斯的技术效率平均值0.185；第二，纯技术效率结果显示，所有地区的纯技术效率平均值为0.740，中国和俄罗斯纯技术效率相关不大，说明两个国家在薯类种植生产过程中的管理水平较为接近；第三，规模效率结果显示，中国规模效率值明显高于俄罗斯；第四，从两个国家各地区的规模报酬来看，经调整后的两个国家地区的规模报酬也都表现为规模报酬递增，同样说明了各个省份和各个州的薯类种植规模偏小的结论。但是由于俄罗斯的规模效率值明显小于中国的规模效率值，所以可以认为俄罗斯相对于中国的种植规模更加捉襟见肘；第五，从表2和表5数据对比来看，表2中在未经过土地质量调整之前的技术效率值显示出，俄罗斯约为中国的三倍左右，而在经过调整后的表5中，变化为中国的技术效率水平略高于俄罗斯。从而可以揭示出，俄罗斯种植薯类土地的质量水平要远高于中国的土地。

同样地，为了检验三阶段DEA测算的各个效率指标在中俄两国之间是否存在显著性差异，本文对三个效率指标进行了秩和检验，检验结果如表6所示。

表6 三阶段DEA中俄薯类秩和检验Tab. 6 Rank sum test of Chinese and Russian potato in three-stage DEA

从表6中可以看出，技术效率，纯技术效率和规模效率三个效率指数的秩和检验的曼—惠特尼U检验统计值分别为1 661、246.5和1 767，对应的P值分别为0.004、0.000和0.000，均在5%的显著性水平下拒绝了“两国种植薯类的技术效率水平相同”的原假设，说明在不考虑土地质量影响的情况下，中俄两国薯类生产中的三个效率指标有显著差异。根据效率平均值的结果来看，中国的技术效率和规模效率更优于俄罗斯，而纯技术效率略差，考虑到表5中两个国家均为规模报酬递增的情况，中俄两国的薯类种植具备进一步提升的空间。

3 结论

本文利用2017年的中国和俄罗斯各个地区的薯类作物生产的年产量，以及种植面积，化肥使用数量和两个国家的机械动力量等相关数据，分别运用一阶段DEA和三阶段DEA的方法，对两个国家的薯类作物生产的技术效率性进行了测算，并且在测算结果的基础上利用秩和检验的方法对两国的薯类作物技术效率的差异进行了显著性检验，得出了以下主要结论。

1) 一阶段DEA测算结果显示，俄罗斯薯类作物生产的技术效率、纯技术效率和规模效率分别为0.682、0.749和0.922，高于中国的0.156、0.239和0.779，P值分别为0.000、0.000和0.134，规模效率差异性并不显著。在去除各个地区土地质量影响之后的三阶段DEA技术效率测算结果显示，中俄两国薯类生产中的三个指标之间存在显著性的差异，中国薯类作物生产技术效率(0.351)和规模效率(0.512)高于俄罗斯的技术效率(0.185)和规模效率(0.229)，而纯技术效率俄罗斯(0.773)比中国(0.656)略高一些。通过比较可以发现，土地质量影响着两国农业生产的技术效率评价结果。在比较分析中可以看出，在去除土地质量影响因素后两国薯类作物生产技术效率发生了显著变化，俄罗斯的土地质量优于中国，而中国的农业生产技术效率又优于俄罗斯。这也说明中俄两国加强农业生产技术、生产管理等方面的合作，发挥各自资源优势，具有一定的客观性和合理性。

2) 在一阶段DEA评价中，规模报酬测算结果显示所有的110个地区中，规模报酬递增的地区占64.6%，说明两国薯类种植规模偏小。中国规模报酬递增为6个，俄罗斯规模报酬递增为65个，说明俄罗斯薯类种植规模更低一些；在三阶段DEA评价中，同样显示两国薯类作物存在规模报酬递增效率，中国规模报酬递增有29个地区，俄罗斯规模报酬递增为78个地区。结合前边的分析结论，进一步说明发挥中国在农业生产方面的经营管理优势，加强中俄两国农业合作，将会提高农业生产的产出水平，也将为两国及世界人民创造更多的福祉。