我国农村承包地经营流转效率的研究——基于DEA-Moran's I模型

张心宇，柴 洪,2

（甘肃农业大学1.财经学院；2.甘肃省区域农业与产业组织研究中心，甘肃 兰州 730070）

我国土地流转行为由来已久，早在改革开放初期，我国各地出现零散的土地流转现象，2005年农业部对流转方式等做出具体规定后，2018年我国重新修订了《农村土地承包法》，不断在政府层面完善土地流转行为，维护土地流转秩序。2005年，我国家庭承包耕地流转比例占4.69%，经过15年的发展后，我国耕地流转比例达到34%。2020年，我国农业农村部发布《新型农业经营主体和服务主体高质量发展规划（2020—2022年）》将土地流转行为放在培育新型农业经营主体的重要位置。因此研究各省的效率对于我国农村承包地的发展和新型农村经营主体的建设具有重要意义。

一、文献回顾

国内学者们对土地流转的理论已经做了多角度研究，如曾雨柔等（2022）以寿命周期理论为切入点，运用双重差分法，证明了处于不同生命周期阶段的家庭的土地流转行为有差异[1]。张永峰等（2022）从金融信贷支持角度，实证研究了金融的发展对土地流转的边际效用呈现“倒U型”结构，需要注意土地流转过程中，金融支持的适度性[2]。陈宇斌等（2022）从土地政策角度，运用连续型DID的研究方法，证明土地政策对土地流转的正向影响[3]。孙铭远（2022）指出在乡村振兴背景下，从实施和监管等方面提出了法律问题和建议[4]。

土地流转效率也得到了学界的广泛关注，既有研究大多运用DEA模型对土地流转效率进行分析，如陈思中（2019）引入土地流转面积占农作物播种指标，对土地效率进行评价[5]。秦溪（2021）通过传统的三要素土地、资本、劳动力对土地流转效率进行时空测度[6]。程乐（2021）运用实证分析证明固定资本投入对土地流转效率的影响较大[7]。罗敏等（2022）通过DEA模型研究了淮安区的土地流转过程中农地性质转换的配置效率[8]。

综上，已有研究从金融、政策、家庭、法律等多角度对我国土地流转进行了论证，但已有研究仍有进一步完善的空间，如现有研究只是从法律角度说明土地流转的问题并提出相应建议，并没有将法律权益因素引入土地流转的效率评价体系中。因此，本文借鉴其他学者的研究，采用2020年30个省的土地流转的相关数据，通过构建评价指标，采用DEA和Moran's I分析法研究我国的土地流转效率，并评价其空间分布特征。

二、我国农村承包地流转情况

（一）基本情况

除西藏、港澳台外，2020年我国共有156166.25万亩家庭承包经营的耕地，其中，流转面积约53218.9多万亩，占比34.08%；转让面积约1358.97万亩，占比0.87%；互换面积为1878.30万亩，占比约1.20%①数据来源：《中国农村政策与改革统计年报（2020年）》，由于统计口径不同和数据缺失，本文统计数据不含西藏、港澳台。。

全国（除西藏、港澳台外）按照地理区域划分为七大区域，如表1所示，2020年我国流转、转让及互换面积超过1亿亩的地区有三个，分别是东北、华东及华中地区，而华南地区最低，不到4000万亩。

表1 2020年30个省按照区域划分耕地流转、转让及互换面积（单位：亩）

（二）农村承包地法律纠纷情况

根据中国裁判文书网数据（https://wenshu.court.gov.cn/），我国主要有三种土地流转纠纷：土地承包经营权纠纷、农村土地承包合同纠纷、土地承包经营权出租合同纠纷。由图1可知，土地承包经营权案件远高于另外两类案件。从2012年起，土地承包经营权纠纷案件快速增长，到2018年土地承包经营权纠纷达到最大值，之后年份逐渐下降。2020年以前，农村土地承包合同纠纷案不断增长，之后下降。土地承包经营权合同纠纷案的增长呈“倒U型”，2018年案件数最多。造成该类现象主要原因是：没有统一标准的合同范本，甚至农户之间没有签订合同，法律权益无法得到很好维护和保障；由于土地的非完全商品属性及土地市场的机制不完备[9]，农户的流转行为不规范，因而容易引起法律纠纷。

图1 2012—2021年土地流转法律纠纷

三、农村承包地流转效率分析

（一）研究方法

数据包络分析法是研究投入和产出指标的一种方法，该模型运用非常成熟。CCR模型是最早提出的线性规划方法，根据下列数学公式进行推导：

通过公式（1）和（2），对每个决策单元进行评价，每个目标函数的值就是决策单元的评分。本部分通过CCR模型对2020年我国30个省的流转效率进行测算。

（二）指标选取及处理

对我国30个省农村承包地流转效率分析的前提是能够找到合理的投入指标和产出指标。投入指标（Input）有一个：家庭承包耕地。产出指标（Output）有四个，分别为土地流转面积、土地转让面积、土地互换面积、土地承包纠纷案。其中，土地承包纠纷案数据是一个综合性的指标，反映了法律因素对土地流转的影响。由于纠纷案产出指标为逆向指标，参考相关文献，对其采取其倒数作为产出指标更为合理。

（三）数据来源

本研究主要采用2020年我国30个省的农村承包地流转数据，家庭承包耕地面积、土地流转面积、土地转让面积和土地互换面积的数据来源于《中国农村政策与改革统计年报（2020年）》。土地承包纠纷案数据来源于中国裁判文书网，为土地承包经营权纠纷案件、农村土地承包合同纠纷案件及土地承包经营权出租合同纠纷案件三类土地流转纠纷案件数量的总和。具体数据如表2。

表2 2020年全国农村承包地流转情况

（四）测算结果

通过运行DEA-Solver 5.0软件，同时按照七大地理区域划分，得到结果如表3。

表3 2020年全国农村承包地流转投入产出效率值

我国30个省的农村承包地流转水平的综合利用水平不高，综合效率均值为0.60。各地理区域效率值从高到低依次为：华东地区（0.84）、华中地区（0.73）、东北地区（0.68）、华南地区（0.60）、华北地区（0.59）、西南地区（0.43）、西北地区（0.37）。华东地区的省份的综合效率全部在平均值以上，而西北地区的5个省份的综合效率值都很低，这说明区域之间农村承包地流转效率存在较大差异。2020年我国共有4个省处于高效率状态，分别是上海、江苏、湖南、广东。北京、黑龙江和重庆3地的综合效率在0.8到0.9之间，综合效率比较高。16个省综合效率水平处于均值以下，占比为53.33%。综合效率值在0.5以下，即综合效率很低的省份有10个。

我国农村承包地流转过程中，对于投入利用水平是较低的，纯技术效率均值为0.69，低于该值的省份有16个，占比53.33%。我国华东地区的纯技术效率值最高，为0.97；西北地区的纯技术效率值最低，仅有0.40。在2020年我国土地流转有9个省的技术效率为1，分布在华东地区、华中、东北和华南地区，说明这9个省对投入资源利用水平是很高的。在我国七大区域中，华东、东北、华中及华南地区的纯技术效率大于均值，华北、西南和西北地区的纯技术效率低于均值。30个省中，有8个省的投入资源利用水平很低，纯技术效率值低于0.5。

我国承包地流转的规模效率水平较高，规模效率均值为0.90。按照地理区域划分30个省份，效率值从高到低顺序依次为：西南地区（0.96）、西北地区（0.94）、东北地区（0.91）、华中地区（0.88）、华北地区（0.88）、华东地区（0.87）、华南地区（0.83）。我国西南地区的规模效率值最高，为0.96；华南地区的规模效率值最低，仅有0.83。2020年我国有10个省的规模效率水平低于均值，占比为33.33%。上海、江苏、湖南、广东省的规模效率为1，说明这4个省的规模结构较为合理，其投入能够产生合理的产出。规模效率值在0.9到1之间的省份主要有16个，规模结构较为合理。海南省的规模效率值在0.40以下，说明海南省的规模结构不合理，其投入和支出之间匹配不合理。

四、农村承包地效率空间分布特征

（一）数据来源及研究方法

1950年，统计学家莫兰首次提出Moran's I指数，衡量数据是否具有空间自相关性。通过引入地理距离因素，按照下列公式(3)进行推导：

其中，

Wij为空间权重值，n为地区总数，Ii是第i个地区的局部莫兰指数yi和yj分别是第i个和第j个空间单元属性值。45年后，安瑟伦提出了局部Moran'sI指数，衡量区域局部是否有集聚现象，一般在全局Moran's I指数基础先进行判断，通过公式（5）进行推导：

简化为

通过经标准化处理后的权重，画出莫兰散点图。

通过DEA模型已经测算出了30个省的综合效率值，为了研究30个省的土地流转效率值的空间分布，是否有空间自相关性，运用Moran's I指数进行测算。因此，以表3中我国30个省土地流转的综合效率值为单变量，以30个省份是否相邻为基础构建30×30的二进制空间权重矩阵，如公式（7）和（8）。

（二）研究结果及结论

1.全局Moran's I指数

根据Stata 16软件运行结果，由图2可知，全局Moran's I指数为0.315，这说明30个省的土地流转效率呈现空间正相关，并且该相关性显著。该运行结果P值为0.002，z得分为2.83，由于P值小于0.01，z得分大于2.58，这说明在99%的置信水平下，30个省的土地流转综合效率是集聚分布的。

图2 全局莫兰指数图

2.Moran's I散点图

根据全局Moran's I指数进一步列出以z得分为横轴、wz为纵轴的莫兰散点图，来分析该区与周围地区的空间之间的联系。Stata 16的运行结果如图3所示。由图3可知，30个省的综合效率主要集中在第一象限和第三象限。华东地区省份均处于第一象限，西北地区均处于第三象限。北京（1）、辽宁（6）、上海（9）、江苏（10）、浙江（11）、安徽（12）、江西（14）、山东（15）、湖南（18）和广东（19）10个省的结果位于第一象限（即高-高聚集区），呈现高-高正相关的空间集聚；第三象限（低-低聚集区）有11个省，分别是山西（4）、内蒙古（5）、广西（20）、四川（23）、贵州（24）、云南（25）、陕西（26）、甘肃（27）、青海（28）、宁夏（29）、新疆（30），说明这些省份表现出低-低正相关的空间集聚。第二象限（低-高聚集区）有天津（2）、吉林（7）、福建（13）、湖北（17）及海南（21），说明这些低值省份的周围被高值省份包围。第四象限（高低聚集区）有河北（3）、黑龙江（8）、河南（16）和重庆（22），体现了低目标值的省份被高目标值的省份包围的空间形式。低-低型和高-高型聚集现象比高-低型或者低-高型的聚集的数量更多，同时低-低型比高-高型更易聚集。

图3 Moran's I散点图

五、结论及政策建议

（一）结论

本文计算了2020年30个省份的土地流转效率和土地流转综合效率的空间分布的相关性，得出结论：

第一，在综合效率方面，在七大地理区域中，华东地区的土地流转效率普遍高，西北地区的五个省份土地流转的效率都比较低。其他五个地区，不仅存在高效率的省份，也存在效率较低的省份。上海、江苏、湖南、广东省的土地流转效率最高，云南省的土地流转效率最低。

第二，在纯技术效率方面，华东地区的土地利用水平普遍较高，西北地区的纯技术效率值均较低。9个省对投入的利用水平很高，云南省对投入资源利用水平最低。

第三，在规模效率方面，我国西南地区的规模效率值最高，西北地区的规模效率排名第二，华南地区的规模效率值最低。4个省的规模效率呈高效率状态，海南省的规模效率值最低。

第四，在土地流转效率空间分布方面，我国30个省的土地流转效率呈现空间正相关性，并且相关性显著。Moran's I指数的显著性水平很高，在99%的置信水平下，30个省的土地流转综合效率是集聚分布的。我国70%的省份都集中在高高聚集区和低低聚集区。华东地区呈现高值聚类、西南地区和西北地区呈现低值聚类的空间分布，而其他四个地区的集聚偏向随机。

（二）政策建议

首先，提高农户法律意识，规范土地流转行为。在农村土地“三权分置”政策及《农村土地承包法》背景下，为承包土地进行确权及登记。但是土地流转过程中，合同不规范、不及时备案登记和维权意识不高等，导致了法律纠纷多，进而影响到西北、西南等地区的土地流转效率。对于低效率地区，在积极鼓励农户土地流转同时，还要积极宣传土地流转的相关的法律法规，特别是登记方面的规定，提高农户的维权意识。通过这种方式，在一定程度上会减少土地纠纷案件数量，还会节约司法资源、优化产出，进而提高各省份的土地流转效率。

其次，利用区块链等新型技术，加快农地数字化确权。最近几年，我国一直在加快推动区块链技术的落地，该技术已经在金融、保险、医疗及教育等领域有所应用。区块链因其去中心化、分布式存储数据、安全且透明度高等特点，能够很好地解决土地流转过程中的法律权益问题，降低交易和信息成本，提高土地流转的效率。同时，区块链实时延伸，增强土地流转交易多方的相互信任，土地承包经营权的确权、使用权流转都可以在区块链的节点记录、查询、追溯，提高土地过程中权利法律状态的安全性，从而减少土地承包经营权流转的法律纠纷并节约司法资源。此外通过智能合约，将合同编程加入链中，能够规范合同文本，维护土地流转秩序。

最后，地区带动、协同发展，进而提高土地流转效率。由于30个省份的土地流转效率值呈现空间正相关，有集聚现象。高效率地区带动会产生协同效应，而且临近区域的相似性程度越高，地区之间的带动及合作带来的效益是越显著。因此如果将土地流转效率高的省份带动周围的区域发展，会让周围地区的土地流转得到优化，进而提高效率。尤其在西南和西北地区，目前是低-低聚集状态，不仅需要较高效率的省份带动发展，还要因地制宜，解决本地区的瓶颈问题，提高土地流转的效率。