我国粮食主产区粮食全要素生产率评价研究
作者: 刘梦阳
摘 要:以我国13个粮食主产区为研究对象,选取2011—2019年的面板数据,通过构建DEA-Malmquist模型,对粮食主产区的粮食全要素生产率进行测度,并从时间、空间角度进行分析。研究发现,2011—2019年,我国粮食主产区粮食全要素生产率呈波动状态,技术进步效率指数对粮食全要素生产率的影响较大;内蒙古、安徽、河北等省(自治区)的年均粮食全要素生产率位居前列,辽宁省和湖北省的粮食全要素生产率变动幅度较大。
关键词:粮食主产区;全要素生产率;DEA-Malmquist模型
中图分类号:F327 文献标志码:A 文章编号:1674-7909(2023)03-50-5
0 引言
习近平总书记指出,要坚持把解决好“三农”问题作为全党工作重中之重,举全党全社会之力推动乡村振兴。农业是我国的重要基础产业,农村是我国的重要改革阵地,农民是我国的重要群众基础。“三农”问题不仅关系到我国农村社会经济发展的稳定与安全,而且关系到我国整个国民经济和社会发展的安全与稳定。农业农村农民问题的解决对实现中华民族的伟大复兴有着重要意义。
粮食生产是农业产业发展的核心,促进粮食产业发展,有利于维护国家安全和发展大局的稳定,有利于实现农业农村现代化的建设,有利于我国农业经济水平的提升。但是,随着资源稀缺问题逐渐突显,提高粮食产量不能再仅仅依靠大量的生产要素投入。只有提高粮食全要素生产率,才能更好地维持粮食生产的可持续性,始终维护我国粮食安全。因此,笔者以我国13个粮食主产区为研究对象,对2011—2019年各区域粮食全要素生产率进行评价分析。
1 文献综述
目前,学者在研究粮食生产效率的过程中,主要运用数据包络分析法(Data Envelopment Analysis,DEA)。数据包络分析是一种衡量投入产出生产单元效率的统计方法,最早由著名的运筹学家查恩斯提出,以多元函数模型为限制,对各个生产单元的效率进行比较,从而完成不同单元的定量评估。Siddiqui[1]、Bagchi等[2]借助DEA模型对印度和孟加拉国的农业生产效率进行测度。高颖等[3]基于三阶段DEA模型,对山东省的粮食生产效率进行测算,发现规模效率是影响山东省粮食生产效率的关键因素,并针对此提出了相应对策。张志新等[4]采用DEA-ML指数法将粮食生产的全要素进行分解,并基于此研究农业基础设施对粮食生产效率的影响。郭永奇等[5]、秦晓娟等[6]、范文慧等[7]在分析粮食全要素生产率时,均采用了DEA模型或其拓展模型。
2 研究方法
DEA-Malmquist指数模型是一种用于衡量效率变化的经济学模型。该模型结合了数据包络分析(DEA)和马尔奎斯特指数的概念,可以对行业的效率进行评估和比较。马尔奎斯特指数则是用来衡量行业效率变化的指标,它可以分解为技术进步和技术效率变化两部分。技术进步是指新技术的创新和应用,可以提高行业的生产效率,而技术效率变化则是指行业在同样的技术条件下效率的变化情况。同时,DEA-Malmquist指数模型是在最初DEA模型的基础上进行计算,不仅能够度量生产单元在某个阶段的静态效率,还能进行动态趋势的分析,衡量某个生产单元在不同时期全要素生产指数(Total Factor Productivity,TFP)的变化。 DEA-Malmquist 指数模型可以帮助政策制定者了解行业的效率水平并制定相应的政策和措施来提高效率,发现技术进步和技术效率变化的原因。基于此,笔者采用DEA-Malmquist指数法对我国粮食主产区的粮食全要素生产率(TFP)进行评价。
[t]期和[t]+1期的Malmquist(ML)指数表示为
[Mt=Dt(xt,yt)Dt(xt+1,yt+1)] (1)
[Mt+1=Dt+1(xt,yt)Dt+1(xt+1,yt+1)] (2)
式(1)和式(2)中:[x]、[y]分别表示决策单元的投入、产出;[D]表示[t]期和[t+1]期的距离函数。
[ML]指数可分解为技术效率变化指数(Efficiency Change,EC)和技术进步变化指数(Technical Change,TC),即
[ML=EC×TC] (3)
其中,[EC]和[TC]分别为
[EC=Dt(yt,xt)Dt+1(yt+1,xt+1)] (4)
[TC=Dt+1(yt+1,xt+1)Dt(yt+1,xt+1)×Dt+1(yt,xt)Dt(yt,xt)1/2] (5)
将式(4)和式(5)代入式(3),即
[ML=Dt(yt,xt)Dt+1(yt+1,xt+1)Dt+1(yt+1,xt+1)Dt(yt+1,xt+1)×Dt+1(yt,xt)Dt(yt,xt)1/2](6)
技术效率变化指数又可以拆分为纯技术效率变化指数(Pure Technical Efficiency Change,PEC)和规模报酬效率变化指数(Scale Efficiency Change,SEC),因此,可得出如下公式。
[ML=TFP=EC×TC=PEC×SEC×TC] (7)
[ML]指数表示效率随时间的变化趋势。[ML]指数大于1,表示效率随着时间的延长而提高;[ML]指数小于1,表示效率随时间的延长不断下降;[ML]指数等于1,说明效率保持稳定。
3 指标选取和数据来源
3.1 指标的选取
粮食全要素生产率是指单位投入全要素(劳动、资本、土地、能源等)所产出的粮食产量。粮食全要素生产率的测算,不仅要兼顾粮食生产过程中的资源消耗、经济效益,还要考虑粮食生产对生态带来的损耗,以及对环境的影响。综合粮食生产生态效率和农业生态效率方面的理论和已有研究,最终选取以下投入、产出指标。
3.1.1 投入指标选择。结合经济增长理论和柯布-道格拉斯生产函数,一般将投入要素分为劳动和资本两类。但是,农业不同于制造业,其投入要素较多,而且投入与产出之间的结果具有一定的随机性。参考以往学者的研究,笔者选取5个投入指标,即土地、劳动力、水资源、化肥、机械动力。
3.1.2 产出指标选择。产出是经济活动的重要一环。传统生产活动的产出往往用行业增加值来衡量。但从粮食生产角度来看,最重要的衡量指标是粮食产量,故笔者选取粮食产量作为生产单元的产出。
3.2 数据来源
笔者选择我国13个粮食主产区作为研究对象,分别为黑龙江、河南、山东、四川、江苏、河北、吉林、安徽、湖南、湖北、内蒙古、江西、辽宁等13个省(自治区)。投入和产出的数据来自各个省(自治区)的统计年鉴,部分缺失的数据通过插值法计算得出。
4 粮食主产区粮食全要素生产效率分析
运用DEA软件对我国粮食主产区2011—2019年的投入、产出指标进行测算,得到13个省(自治区)的粮食全要素生产效率及其相应的分解效率,并基于此分析粮食主产区的粮食全要素生产效率的时空演变。
4.1 粮食全要素生产率的时间演变
2011—2019年我国粮食主产区粮食全要素生产率及其效率分解结果见表2。
4.1.1 从全要素生产率指数角度进行分析。由表2可知,从2012年到2013年,我国粮食主产区的全要素生产率由1.024减少到0.998,降幅最大,达到0.026。涨幅最大的年份是2018年,与2017年相比,粮食全要素生产率增长了0.043。2014年,粮食全要素生产率也达到了峰值(1.028)。整体来看,2011—2019年我国粮食主产区的粮食全要素生产率呈波动状态,除了2011年、2013年和2017年外,其余年份的粮食全要素生产率都大于1,说明我国粮食主产区的粮食全要素生产率得到提升。
4.1.2 从综合技术效率指数和技术进步效率指数角度进行分析。由表2可知,技术进步效率指数和全要素生产率指数的波动趋势基本相同,说明技术进步对全要素生产率作用更加明显。与2012年相比,2013年的综合技术效率指数得到大幅度提升,提升了0.050,技术进步效率却下降了0.076,达到最小值,导致该阶段我国粮食主产区的全要素生产率小于1。技术进步效率指数有5年超过1,占比55.56%;综合技术效率指数有6年突破1,占比为66.67%。与2017年相比,2018年技术进步效率指数提升了0.081,也使得该阶段的粮食全要素生产率达到最大值。总体而言,2011—2019年,我国粮食主产区的综合技术效率指数和技术进步效率指数有所变动,但两者都在很大的比例上突破1。
4.1.3 从纯技术效率指数和规模效率指数角度进行分析。由表2可知,纯技术效率指数和规模效率指数在一定程度上影响综合技术效率的大小。纯技术效率指数在2015年达到最大值,在2016年达到最小值,二者差幅为0.028。在2017年后,纯技术效率指数趋于稳定,维持在1的水平。规模效率指数有5年突破1,2017年达到最大值,2012年最低。总体来看,2011—2019年,纯技术效率指数和规模效率指数波动相对频繁,但幅度较小。
4.2 粮食全要素生产率的空间演变
2011—2019年粮食主产区粮食全要素生产率如表3所示。
由表3可知,2019年,除辽宁省、湖北省、吉林省和黑龙江省外,其他9个粮食主产区的粮食全要素生产率指数都超过了1;其中湖北省的粮食全要素生产率指数相较于2011年增长了0.075,增幅最大;其次是湖南省,增长了0.044。2011—2019年,吉林省的粮食全要素生产率指数下降幅度较大,从2011年的1.031降到2019年的0.979,降了0.052。总之,各个粮食主产区的粮食全要素生产率指数在2011—2019年不断变动。结合这一时期粮食全要素增长率均值来看,只有江西省的粮食全要素生产率低于1,其他12个省(自治区)的全要素生产率全都突破1。
粮食主产区技术效率变化指数及其构成如表4所示。
由表4可知,除山东省、湖北省外,其他粮食主产区的综合技术效率指数大于或等于1,且纯技术效率指数与规模效率指数大致相当,表明纯技术效率指数与规模效率指数对粮食主产区综合技术效率的影响基本相同。湖北省的各项效率指数都小于1,说明其粮食生产综合技术效率低,是由技术改进上的不合理和产业扩张中投入要素比例不合适共同造成的。山东省粮食生产的规模效率小于1,纯技术效率等于1,表明提高山东省粮食生产综合技术效率,重点在于扩大粮食规模种植,实现规模经济,享受规模效益。
2011—2019年粮食主产区技术进步指数如表5所示。由表5可知,2019年,粮食主产区大部分省(自治区)的技术进步指数都超过了2011年,仅有吉林省、黑龙江省、山东省、湖北省的技术进步指数出现下降,但降幅较缓,分别减少0.052、0.039、0.029、0.009。2019年,技术进步指数处于前两位的省(自治区)分别是四川和内蒙古,分别比2011年增长了0.015、0.030。结合2011—2019年粮食主产区技术进步指数均值,发现除了辽宁省和江西省外,其他11个主产区的年均技术进步指数均超过了1,表明这些地区的技术水平得到了提升。
5 结论和启示
5.1 结论
①从时间维度上看,2011—2019年我国粮食主产区的粮食全要素生产率呈波动状态,除了2011年、2013年和2017年外,其余年份的粮食全要素生产率都大于1;2011—2019年,我国粮食主产区的综合技术效率指数和技术进步效率指数有所变动,但两者都在很大的比例上突破1;2011—2019年,纯技术效率指数和规模效率指数波动相对频繁,但幅度较小。