基于超效率三阶段DEA模型的安徽省智慧农业生产效率分析

张旭云,郑 谦,王子阳

安徽科技学院管理学院,安徽蚌埠,233000

1 相关研究与问题提出

一直以来,农业是我国发展不可或缺的重要组成部分和重点关注领域,而智慧农业作为我国农业现代化的重要组成部分,是我国实现乡村振兴、推动农业高质量发展的重要抓手。近年来,我国多项文件中都有智慧农业的身影,如二十大报告中指出要强化农业科技与装备支撑;2023年,中央一号文件中提到要加快农村大数据应用,推进智慧农业发展;2022年,国家发改委印发的《“十四五”扩大内需战略实施方案》中强调,要加快发展智慧农业,推进农业生产经营和管理服务数字化改造等。当前我国正致力于推动农业朝着数字化、信息化、智能化以及现代化的方向转变,而这一转变以信息技术为基础,赋能农业生产模式和发展业态,助力我国农业朝着现代化和高质量方向推进[1]。

安徽省作为我国农业大省和产粮大省,其粮食产量已经连续5年稳定在800亿斤以上,稳居全国第4位。提升安徽省农业数字化水平,不仅关乎安徽省农业的发展,更有利于我国的粮食供应稳定。因此,为积极响应中央号召,深入实施数字乡村行动,加快推进数字农业发展,安徽省出台了《加快“数字皖农”建设若干措施》,并且全面推进“数字江淮”和“两强一增”等行动,助力安徽省农业数字化进程。本文以安徽省智慧农业生产效率为研究基点,分析2015—2021年安徽省智慧农业的整体生产效率及智慧农业分布情况,以期为安徽省数字农业发展提供借鉴。

农业生产效率的优化与调整对于合理配置农业投入要素和提升农业产出都具有重要影响,我国有众多学者就农业生产效率问题进行了相关研究。一方面,有众多学者从不同主体和不同视角来探究农业生产的效率问题,例如,刘依杭[2]通过对比家庭农场与小农户来研究我国农业生产效率在不同规模的经营主体间存在的差异性。刘燕等[3]通过三阶段DEA模型测算得出西部地区退耕还林农户的农业生产效率呈现可持续变化趋势。王丽娜[4]通过测算中国农业绿色生产效率发现,当前我国各省份间农业绿色生产效率差距逐渐缩小。李江等[5]运用2007—2016年的省级面板数据证明我国农村劳动人口的转移加大了我国区域间农业生产效率的差异。崔许峰等[6]以低碳发展的角度探究我国农业生态效率的发展趋势与演变特征。除此之外,还有许多学者从区域差异角度进行研究,分别测度了不同区域的农业生产效率,如肖琴等[7]运用 MinDS模型和Global Malmquist-Luenberger指数相结合的方法对我国长江流域的农业绿色生态效率进行测度,发现我国长江流域的农业绿色生产效率整体保持较高水平,并且持续增长。缪建群等[8]研究了江西农业生产有效性,李强等[9]评价了吉林省农业生产效率,陈振等[10-13]分析了河南省农业生产效率等。

上述文献梳理发现,目前我国学者大多集中于对传统农业生产效率方面的问题研究,而对于智慧农业的生产效率这一问题的研究较少。此外,学者们研究农业生产效率时通常只使用农业投入和农业产出两类指标进行测算,由于农业生产过程中易受外部环境和随机不确定因素的影响,单独考虑投入和产出进行测度得到的结果可能存在一定的偏差。因此,本文在借鉴前人研究成果的基础上,在指标体系内加入农业环境指标并且使用超效率三阶段DEA模型有效剔除环境因素和随即干扰因素对安徽省智慧农业生产效率所产生的影响,从而测度和分析2015—2021年安徽省智慧农业生产效率,探究当前安徽省智慧农业生产效率整体情况、智慧农业的演进趋势和空间格局,以期为安徽省智慧农业生产效率调整提供有效的数据支撑。

2 指标选取、数据来源与研究方法

2.1 指标选取

智慧农业是一种将传统农业生产方式与高科技农业机械、互联网技术、大数据等现代技术相结合的新型农业生产方式。因此,某些衡量农业生产效率的指标在智慧农业生产效率的测度方面也具有同样的适用性。为了更加准确地测度安徽省数字农业生产效率,并考虑指标数据的可获得性,本文构建了包含农业投入、农业产出和环境成本的三类指标,结合前人研究成果选取以下指标:乡村从业人员(人)[10]、农村用电量(万千瓦时)[14-15]、农业机械总动力(万千瓦时)[16]、农村每百户计算机拥有量(台)[17]、农作物播种面积(公顷)[13]、有效灌溉面积(公顷)[18]为农业投入指标,以农林牧渔总产值(亿元)[19]为产出指标,以化肥、农药、农膜、农用柴油、农业灌溉、农业碳排放综合(万吨)[20]指标为环境指标,详见表1。

表1 智慧农业指标及来源

2.2 数据来源

本文中农业投入指标数据和农业产出指标数据主要依据2016—2022年安徽省《统计年鉴》以及安徽省各市《国民经济和社会发展统计公报》《统计年鉴》,部分缺失数据采用插值法进行补齐。农业碳排放指标数据来源于《安徽省统计年鉴》中的化肥、农药等使用量数据,并根据相应的碳排放系数计算得出,农业碳排放系数如表2所示。

表2 农业碳排放源及排放系数

2.3 超效率三阶段DEA模型

超效率三阶段DEA模型是将超效率DEA模型与三阶段DEA模型[21]相结合,超效率三阶段DEA模型可以有效规避以下情况:(1)传统DEA模型可测得的最高效率值为1,且无法对效率值为1的有效决策单元进行进一步排序;(2)传统的DEA模型无法分离随机噪声和外部环境对决策单元效率值的影响。超效率三阶段DEA模型将参数与非参数的方法相结合,既可以剔除环境等影响因素,弥补非参数模型的测量误差,又可以对有效的决策单元进行排序,能够更加清晰对比各决策单元的差异。

第一阶段:运用超效率DEA方法将安徽省16个市的数据进行相应的效率值测算。根据测算结果,将第一阶段效率值的投入目标值与实际投入值相减计算出各投入变量的松弛变量。由于该理论应用已相对成熟,因此理论解释不在此赘述。

第二阶段:通过随即前沿模型(SFA)对投入变量进行调整。为了区别第一阶段的管理效率、环境因素和随机因素这三部分对投入产出的影响,得到更加准确客观的效率值,需要在第二阶段构建由一阶段的投入松弛变量与环境变量构成的随机前沿分析(SFA)模型。

sik=fn(zk;δi)+vik+uik

(1)

并运用罗登跃[22]给出的式(2)管理无效率公式,从式(1)中分离管理无效率影响因素和随机不可控影响因素。其中λ=σu/σv,εi=vi+ui为联合误差项,φ、ψ分别代表标准正态分布中的分布函数和密度函数。

(2)

第三阶段:将调整好的指标数据和原始产出进行整理,把整理后的数据重新进行超效率DEA模型计算,得到剔除环境变量和随机误差影响后的安徽省智慧农业生产超效率值。

3 研究结果与分析

3.1 安徽省智慧农业生产效率分析

3.1.1 一阶段基于超效率DEA的智慧农业生产效率结果

将安徽省16地市智慧农业的投入产出数据导入DEAP2.1软件,结果如表3所示。整体来看,2015—2021年安徽省智慧农业生产效率均值为1.13,说明实际产出较好,并且安徽省各地市中农业生产效率均值都在0.7以上,整体处于一个良好的状态。芜湖市的智慧农业生产效率均值在整个安徽省排名最高,为2.17;而淮南市排名最低,效率均值仅为0.7。芜湖、阜阳、黄山、宿州、蚌埠等12个市的智慧农业生产效率均值都达到了1,效率水平高;六安市和淮北市的智慧农业生产效率在0.8以上,属于效率良好;铜陵市和淮南市智慧农业生产效率在安徽省内排名较后,效率较低。由于本次测算并未排除环境因素和随机干扰项的影响,可能会影响最终数据的准确性,并不能真实地反映2015—2021年安徽省智慧农业生产效率的具体情况,因此需要在一阶段模型的基础上对环境因素和随机误差项进行干预,以得到更准确的数据。

表3 2015—2021年安徽省16市第一阶段智慧农业生产效率值

3.1.2 二阶段SFA回归分析

通过对一阶段计算所得数据进行整理,运用Frontier 4.1软件做随机前沿分析(SFA),将6个农业投入变量计算所得到的投入松弛变量作为二阶段计算中的被解释变量,以环境变量农业碳排放作为解释变量进行第二阶段SFA回归分析,回归结果如表4。

表4 2015—2021年安徽省16市第二阶段SFA回归结果

根据表4可知,农业碳排放这一环境因素对农业投入指标的松弛变量基本上都通过了1%显著性水平检验,证明环境变量对投入变量均有显著性影响。在回归方程中,乡村从业人数、农村用电量和农村每百户计算机拥有量的γ值均大于0.75,说明管理无效率是主要的影响因素,需要进行调整;而农业机械总动力、农作物播种面积和有效灌溉面积的γ值均大于0.5,说明随机干扰因素虽有一定影响,但其内部因素仍然占主导。根据回归结果显示,农业碳排放对乡村从业人员数、农村用电量、农作物播种面积、有效灌溉面积这几个投入松弛变量均通过1%的T值显著性水平检验,农业机械总动力的松弛变量通过5%的T值显著性水平检验,其回归结果都为正值。这证明农业碳排放的提升将会减少以上五项农业投入的冗余,引起农业投入数量的节约促进农业投入结构的优化。农业碳排放对农村每百户计算机拥有量的回归结果为负值,并且通过了1%的显著性检验。这说明在农业方面计算机的使用能够有效提升农业智慧化水平,减少农业碳排放量,促进农业资源的合理有效配置,从而提升智慧农业生产效率优化农业生产结构。

3.1.3 三阶段调整后智慧农业生产效率结果

将第二阶段调整后的农业投入数据进行整理,用新数据再次进行超效率测算,得出安徽省智慧农业生产效率值,如表5所示。

对比表3和表5中的数据可知,在去除环境因素和随机干扰项的影响后,安徽省农业生产效率值发生了较大的变化,整体效率均值由1.13下降到0.94,安徽省处于DEA有效的决策单元由一阶段的12个变为三阶段的7个。同时,相比一阶段测度结果,阜阳、合肥、滁州、安庆、六安在剔除影响因素后在省内效率值排名上升,芜湖、黄山、池州等地效率值下降明显下降,说明环境因素影响较大;此外,芜湖和安庆在去掉环境因素后仍然分别存在5个和4个年份效率值无效,证明影响该地智慧农业生产效率是受管理无效率的影响,并且其投入产出方面也存在不合理。通过对比发现,淮北、铜陵和淮南一直处于非DEA前沿面上,说明管理无效率虽然在一定程度上制约了该地发展,但更主要的是该地区不合理的投入产出结构所导致地区智慧农业生产效率值低下。

3.2 智慧农业生产效率时空特征分析

时间演化特征是基于三阶段超效率DEA数据计算出2015—2021年安徽省智慧农业生产效率均值,从而判别安徽省智慧农业生产效率的时间演进趋势。由图1可知,安徽省智慧农业生产效率总体呈现上升趋势,均值从2015年的0.87提高到2021年的1.05,增速较为平缓。此外,安徽省智慧农业生产效率均值由2015年的非DEA有效逐渐转化为DEA有效,说明在这7年间安徽省智慧农业生产不论在管理方面还是投入产出方面都变得更为合理。

图1 2015—2021年安徽省智慧农业生产效率均值变化

将安徽省2015年、2017年、2019年、2021年16个地市的智慧农业生产效率进行可视化处理,如图2所示。安徽省智慧农业生产效率整体呈现出东部高西部低的空间特征,区域间生产效率差异较大。不同年份智慧农业生产效率差异较小,但从2015—2021年安徽省智慧农业生产效率逐步提升,其中阜阳市和芜湖市智慧农业生产效率提升最为明显,阜阳市农业生产效率由2015年的1.14增长到2021年的1.76,共提高了56个百分点;芜湖市从2015年非DEA有效到2021年转变为DEA有效。铜陵市、池州市、黄山市的智慧农业生产效率偏低,表明这三地位置多山区农业发展受到地理环境影响较大。

图2 安徽省各市智慧农业生产效率分布

4 研究结论与政策建议

4.1 研究结论

本文采用三阶段超效率DEA方法对2015—2021年安徽省16个地市智慧农业生产效率进行测算,并通过随即前沿方法剔除环境等影响因素,测度2015—2021年安徽省16市真实的智慧农业生产效率水平,结论如下:

第一,通过超效率DEA模型对安徽省智慧农业生产效率进行测算,避免了传统DEA模型所测算效率值结果无法排序。此外,通过三阶段模型可以有效剔除环境等影响因素测算更为真实的智慧农业生产效率值。通过一阶段和三阶段结果对比发现,测算结果差异较大,因此,采用三阶段超效率模型测算安徽省智慧农业生产效率是科学且合理的。

第二,从整体来看,安徽省智慧农业生产效率水平较为良好,各地市生产效率均值都在0.5以上。但是,安徽省智慧农业生产效率区域间差异较大,皖北地区的智慧农业生产效率明显高于皖南地区。

第三,2015—2021年间,安徽省全省智慧农业生产效率值不断增长,由2015年的非DEA有效逐渐变为DEA有效,在此7年间,安徽省智慧农业的管理效率和投入产出结构都得以优化。

4.2 政策建议

通过对安徽省智慧农业生产效率进行测度,发现安徽省智慧农业发展仍存在诸多问题,为进一步提升安徽省智慧农业生产效率,提出以下建议:

第一,建立健全智慧农业生产的投入和产出体系,调整智慧农业生产格局。安徽省智慧农业发展区域间差异明显,优化智慧农业生产的投入和产出配比能有效提升落后地区的智慧农业生产效率。

第二,加强智慧农业平台搭建,注重智慧农业技术创新。平台搭建有利于不同区域间信息沟通,促进区域间资源合理整合,便于不同地区间相互学习。技术是第一生产力,只有加强智慧农业技术创新,提升农业技术水平,才能有效提升整体智慧农业生产效率。

第三,加强政府对智慧农业建设的财政支持力度。智慧农业设施建设具有专业性强、投资大、回报周期长等特征,如果单纯依靠农户配套智慧农业设施,将导致农民资金压力过大,影响农民生产积极性。政府财政的支持有助于农民减轻资金负担,提高农业生产效率,调动农民进行农业生产的积极性。