碳排放约束下中国农业生产效率研究
中图分类号：F323 文献识别码：A 文章编号：1001-828X（2015）013-000-03
以往的文献对农业生产效率的度量多是基于传统的劳动、资本和土地等要素，往往忽略随机误差以及环境效应，对规模效率也不能作出客观判断，无法反映出相关农业生产者的决策与管理水平。本文将碳排放同生产率的研究结合起来，利用三阶段DEA模型对我国区域农业生产效率进行较为系统的研究， 以期能较为准确地评估我国农业生产效率发展的真实状况。
一、研究方法及数据说明
1.三阶段DEA模型
三阶段DEA模型是一种能够更加准确的评价DMU0（决策单元）效率的方法，是由Fried等（2002）经过多年研究提出的。共分三个阶段。
（1）式中： θ表示各决策单元的纯技术效率（PTE） ，即DMU0（决策单元）的有效值。n表示决策单元个数，m表示输入变量个数，s表示输出变量个数，xij表示投入要素，yir表示产出要素，如果θ=1，且s+≠0，或s-≠0时，则DMU0（决策单元）为弱DEA有效；如果θ=1，且s+=0，同时s-=0，则DMU0（决策单元）DEA有效；如果θ?1，则DMU0（决策单元）非DEA有效。在考虑规模报酬不变的条件下，CCR模型可表示为：
Ⅱ阶段：相似SFA分析模型。通过Ⅰ阶段的分析，得出的投入/产出松弛变量取决于环境因素、随机因素和管理效率因素等三个影响因素。接下来，再通过构建类似SFA模型，对这三个因素的影响作用分别进行测算，将环境因素和随机因素加以剥离，得出管理无效率是造成的DMU投入冗余的唯一因素。
Ⅲ阶段： 调整后的DEA模型。选用Ⅱ阶段得到的调整后的投入数据，取代初始数据，同时，产出数据不变，仍然选取初始产出数据，代入原先的BCC模型，从而得到各决策单元的效率值即为剔除了环境因素和随机因素影响后的效率值。
2.样本数据和环境变量的选取
本文选用2003--2014年，我国的30个地区（西藏除外）作为研究对象，投入变量为：土地（本文选用农作物播种总面积表示土地投入）、资本（本文选用代理指标为：农林牧渔业固定资产投入）、技术（本文选用代理指标为：化肥施用量以及农业机械总动力两个指标）、劳动（本文选用代理指标为：各省份第一产业从业人员数，忽略劳动种类、质量的不同）；将农林牧渔业增加值（以2003年为不变价根据农林牧渔业增加值指数平减）和农村居民家庭纯收入（以2003年为不变价根据农村居民消费价格指数平减）作为好产出，；将各地区的农业碳排放量作为坏产出。农业碳排放量的具体测算公式为：
环境随着二氧化碳排放量的加大而愈发恶劣，从而会导致农村全要素生产率愈低，因此需对其进行负向化处理，而且DEA模型一般要求样本数据大于0，故用公式：对碳排放量进行负向标准化处理，将其转化为[1，100]之间的数值。
另外，环境变量的选取如下：农村基础教育水平（Labor）（本文选用代理指标为：农村劳动力中初中及以上文化程度劳动者所占比例）；自然灾害（Disas）（本文选用代理指标为：农田受灾率（受灾面积/播种总面积））；农村用电量（Elect）。
以上各指标数据均来自相应年份的《中国农村统计年鉴》，经整理而得。
二、实证分析
1.Ⅰ阶段传统DEA实证结果
运用DEA--SOLVER Pro5.0软件对我国三十个地区农村全要素生产率水平进行分析， 分别得到地区2003--2014年的技术效率（ITE）、纯技术效率（PTE）和规模效率（GE），结果见表2所示。排除环境变量因素和随机因素的影响，2003-2014年，各地区农业生产综合技术效率平均值为0.70；全国来看，农业生产纯技术效率均值为0.82，规模效率均值为0.86。三项效率值均为1的三个地区，即北京、上海和海南，技术效率处于前沿，而其余各省份，在纯技术效率和规模效率上有着提升改进的空间。从结果还可以看出，在三十个地区中有十三个地区纯技术效率大于规模效率，有14个地区规模效率大于纯技术效率，意味着技术无效率，有的地区来源于规模无效，有的地区来源于技术无效。从Ⅰ阶段结果来看，无论是规模无效还是技术无效导致农业生产效率不高的主要因素，但没有考虑环境因素和随机因素的干扰情况下，规模效率或者纯技术效率有没有高估或者低估？还需要进一步测算。
2.Ⅱ阶段SFA回归结果
将Ⅰ阶段得出的决策单元中各投入变量的松弛量作为应变量，将前述三个环境变量作为自变量，利用Frontier4.1软件进行SFA回归分析，SFA回归结果见表3。从表3可以看出，三个环境变量对五种投入松弛变量的系数都不为0。这表明，外部环境因素对各地区农业生产的投入冗余影响明显。这一结果表明管理因素和随机因素对农村全要素生产率存在着显著的影响。对效率影响因素中的管理因素和随机因素进行SFA回归分析，势在必行。
仔细研究各环境因素对五种投入松弛变量的系数，会发现，如果回归系数<0，则意味着，随着环境变量值的增加，将有利于降低投入松弛量，反之亦然。由表3可知：（1）基础教育水平与农村全要素生产率正相关，但影响并不显著；（2）农田受灾率与农村全要素生产率负相关；（3）农村用电量与农村全要素生产率正相关，这与当前农业发展实际相符合。 3.Ⅲ阶段投入调整后的DEA实证结果
将调整后的投入变量值与初始产出值，再代入BCC模型， 获得Ⅲ阶段各决策单元的效率值，如表4所示。
将表2和表4对比可知，在剥离环境变量和随机干扰的影响后，有四个地区处于技术效率前沿面，比调整前增加了一个，其中北京、上海和海南仍处于技术效率前沿面，说明这几个地区的农村全要素生产率确实比较好。相比Ⅰ阶段，浙江晋升至效率前沿，这表明，在剔除环境因素和随机因素后，浙江的农业生产是高效的。全国的综合技术效率均值由0.70上升到0.71，纯技术效率均值由0.81上升到0.88，规模效率均值由0.88上升至0.93。从横向看，各地区Ⅲ阶段的农村全要素生产率与Ⅰ阶段相比，无论综合技术效率、技术效率还是规模效率均有一定程度变化。天津、河北、山西、内蒙古、辽宁、甘肃和新疆等十个地区的综合技术效率，均有所下降，这说明了他们所处的相对有利的环境以及较好的运气导致了他们以前的高效率，而实际上，他们实际的技术管理水平并不怎么高；新疆降幅最明显，其综合技术效率由0.79下降至0.68，纯效率的下降导致的这个结果的方生；其余九个地区的纯效率也有不同程度的下降。Ⅲ阶段农村全要素生产率相比Ⅰ阶段上升的地区分别为江苏、浙江、安徽、江西、福建、宁夏等十七个地区，其中，宁夏综合技术效率整体上升是基于纯技术效的提高，而其他地区是因为规模效率的提高而导致综合技术效率的上升。这表明，由于相对不利的环境或不好的运气，导致了这些地区之前较低的综合技术效率，而不是因为他们的技术管理水平低。
三、结论
本文将农业增长、资源节约与碳排放量纳为一个整体框架进行研究，运用三阶段DEA模型， 选取2003--2014年的样本数据，分析我国农村全要素生产率。主要结论：在Ⅱ阶段调整前后，各地区农村全要素生产率，变化明显！表明环境因素和随机因素的介入，对农村全要素生产率确实影响显著；将Ⅰ、Ⅲ阶段得出的效率值进行比较看出， Ⅱ阶段的环境因素调整之后，各地区的农业综合技术效率值、纯技术效率值和规模效率，值均有明显提高。环境因素中，基础教育水平对农村全要素生产率的提高是有利因素；自然灾害会对农村全要素生产率产生不利的影响；农村用电量对农村全要素生产率产生有利影响。
