基于DEA模型的农业科技园区运营效率评价

王俊凤+刘松洁+闫文+杨德光

摘要：基于黑龙江省农业科技园区的发展现状及创新需求，从投入产出角度构建了效率评价指标体系，运用DEA模型，从效率评价、投影分析、规模收益以及超效率评价等4个方面，对黑龙江省34个省级农业科技园区的运营效率进行评价与分析。结果表明，黑龙江省省级农业科技园区整体运营效率偏低，运营效率差异较大；规模效率是导致综合效率偏低的主要因素；运营投入过少与投入结构不合理是导致园区DEA无效的根本原因；DEA有效园区应根据对应的超效率DEA值确定其合理的投入规模。根据以上结论，从政府与园区2个层面进一步提出对策与建议。

关键词：农业科技园区；DEA模型；运营效率；效率评价

中图分类号： F306.3 文献标志码： A

文章编号：1002-1302（2017）04-0262-05

2015年10月十八届五中全会明确指出，要不断推进理论创新、制度创新、科技创新、文化创新等各方面创新，促进新型工业化、信息化、城镇化、农业现代化同步发展，大力推进农业现代化，加快转变农业发展方式，走产出高效、产品安全、资源节约、环境友好的农业现代化道路。“十三五”规划则进一步提出，要推进农业标准化和信息化，健全现代农业科技创新推广体系。而农业科技园区作为以市场为导向、以科技为支撑、以企业为主导的现代农业建设新模式，无疑是农业现代化的改革试验区、科技示范区以及“四化”同步协调发展的先行区。基于农业科技园区涉及农村生产关系和生产力的重大变革，因此，现阶段在“两大平原”现代农业综合配套改革发展战略背景下，对黑龙江省农业科技园区进行创新性探索研究具有重大的理论价值和实践意义。

截至2015年末，黑龙江省共认定及建设了34个省级农业科技园区，并由科技部认定了4个国家级农业科技园区（总体布局见图1），其中近90%的园区分布在两大平原区域内。农业科技园区的建设正好契合了《黑龙江省“两大平原”现代农业综合配套改革试验总体方案》中有关农业科技创新的战略要求，而农业科技园区的发展也必将有力支撑两大平原综合配套改革的实施。然而，黑龙江省农业科技园区发展形势严峻，不容乐观。作为改革试验区的先锋，未能引领全国农业科技园区的创新探索及发展，反而其综合发展水平还落后于全国平均水平，并未见明显的有关生产力和生产关系方面的创新成果。

因此，本研究以黑龙江省34个省级农业科技园区为研究区域，运用DEA模型方法，构建农业科技园区运营效率评价指标体系，对各农业科技园区2014年生产运营的综合技术效率、纯技术效率、规模效率等进行全面评价，深入剖析导致园区效率低下的根本原因，进而揭示黑龙江省农业科技园区发展所面临的关键性问题，为农业科技园区发展决策的制定及实践指导提供理论参考和依据。

1模型与评价指标体系构建

选取数据包络分析（data envelopment analysis，DEA）对黑龙江省省级农业科技园区的运营效率进行评价，主要基于以下几点考虑：第一，DEA方法无须设定具体的生产函数，只要运用投入和产出数据即可得到相对效率值，适用于未给出生产函数的运营效率分析；第二，DEA方法的研究对象是具有多指标投入和多指标产出的系统，而农业科技园区的投入和产出须要从多方面衡量，是典型的多投入多产出系统；第三，DEA方法不需要统一量纲和假设投入指标的权重，是根据决策单元的实际数据求得最优权重，从而避免了主观设置指标权重的影响，客观性较强；第四，根据得出的效率值可以进一步比较分析农业科技园区间效率上的差异，从而找到导致园区效率低下的根本原因及解决办法[1]。

1.1DEA模型的构建

DEA方法是融合数学、运筹学、数理经济学、管理科学和计算机科学等交叉领域的全新分析方法，其基本思想是运用“相对效率”的概念，通过数学规划模型来评价包含多指标投入（输入）和多指标产出（输出）的“部门”或“单元”间的相对有效性，其中，这些具有可比性的“部门”或“单元”被称为决

策单元（DMU）[2]，在本研究中决策单元是指黑龙江省省级农业科技园区。目前，比较具有代表性的DEA模型是C2R和BC2模型，改进的DEA模型是超效率DEA模型。

1.1.1C2R和BC2模型

1978年，Charnes、Cooper和Rhodes提出了早期的DEA方法，并以3人名字的首字母命名为C2R模型。基本形式如下：

假设有n个决策单元，每个决策单元有m种类型的“输入”和s种类型的“输出”，第j个决策单元DMUj的输入向量为Xj=（x1j，x2j，…，xmj）T，输出向量为Yj=（y1j，y2j，…，ysj）T，Xj、Yj≥0，j=1，2，…，n。引入松弛变量s-和s+，含有非阿基米德无穷小的线性规划模型为：

[JZ]θ*=min[θ-ε（ê′s-+e′s+）]；

[JZ]s.t.=[JB（{]∑[DD（]nj=1[DD）]λjXj+s-=θX0∑[DD（]nj=1[DD）]λjYj-s+=Y0λj≥0[KG6]j=1，2，…，nθ无约束[KG*2]s-≥0，s+≥0[JB）]。

式中：ε為非阿基米德无穷小（本研究取10-8），ê′=（1，1，…，1）∈Rm，e′=（1，1，…，1）∈Rs，s-、s+分别为输入和输出松弛变量。C2R模型是在规模报酬固定时，计算每个决策单元的综合效率，它可以判定每个决策单元的生产活动是否同时技术有效和规模有效。设θ、λj、s+、s-为上式的最优解，若θ=1且ê′s-+e′s+=0，则此时决策单元为DEA有效，决策单元的生产活动同时为技术有效和规模有效；当θ=1且ê′s-+e′s+=0，则此时决策单元仅为弱DEA有效，决策单元的生产活动不是同时为技术有效和规模有效；当θ<1，则此时决策单元为DEA无效，决策单元的生产活动，既不是技术效率最优，也不是规模收益最佳[3]。

由于C2R不能单纯地评价决策单元的技术效率水平，1984年Banker、Charnes和Cooper给出了可变规模报酬的BC2模型。在C2R模型的基础上，BC2模型剔除了固定规模报酬假设，即增加了1个凸面约束条件∑[DD（]nj=1[DD）]λ=1，将C2R模型计算出的效率分解为纯技术效率和规模效率两部分[4]。该模型能够在评价决策单元纯技术效率和规模效率状态的基础上，进一步判断决策单元规模收益所处的阶段。

当BC2模型评价出决策单元纯技术效率无效时，通过投影分析设定1个新的决策单元，使其纯技术有效。有X[DD（-1][HT6]^[DD）]0=θX0-s-，Y[DD（-1][HT6]^[DD）]0=Y0+s+，称（X[DD（-1][HT6]^[DD）]0，Y[DD（-1][HT6]^[DD）]0）为决策单元的原始值（X0，Y0）在相对有效沿面上的“投影”，这个新决策单元的对应值相对于原决策单元纯技术效率有效[5]。因此，为使原决策单元达到纯技术有效，应对（X0，Y0）改变（ΔX0，Y0），即投入冗余量ΔX0=（1-θ）X0-s-，产出不足量ΔY0=s+。

1.1.2超效率DEA模型

在运用C2R模型评价决策单元的综合效率时，可能会出现多个决策单元相对有效的情况，无法进一步分析和比较这些同时有效的决策单元。1993年，Anersen和Petersen提出的超效率DEA模型，打破了这一局限性，该模型可以针对多个DEA有效的决策单元进行排序[5]。其主要思想是：在评价某一决策单元时，将此决策单元排除在参考集合外，由于放大了有效单元的效率值以及允许计算出的效率值大于1，从而使原来有效的决策单元被重新测算并排序。对于无效的决策单元，超效率DEA模型求得的效率值与C2R模型的评价结果相同。

1.2评价指标体系

构建科学合理的评价指标体系是运用DEA模型对农业科技园区运营效率进行评价的关键步骤。本研究在前期研究成果的基础上，结合农业科技园区的自身特点，本着系统、准确、可行、独立以及数据可得[6]的原则，对运营效率评价指标体系进行如下设计：

从投入角度来看，土地、资金和人力是保证农业科技园区基本运营的三大要素，而科技是反映其本质、决定其发展的核心要素，也是其最主要的运营特征。因此，本研究根据以上几个要素类别分别选取了“园区占地面积、固定资产投资总额、科技人员数及技术引进数”等作为评价农业科技园区运营效率的投入指标。其中，科技人员数是指由研发人员、科技特派员和园区专家组成的主要从事科技活动的人员数量；技术引进数是指园区引进的用于农业生产的新品种、新技术、新产品和新设施数量的总和。从产出角度来看，基于经济效益和社会效益是农业科技园区运营的主要目标，因而分别选取了园区年产值、利润额以及带动农户数和农户收入增加值等典型指标。当然，从理论上讲，生态效益也应纳入产出指标体系，但由于黑龙江省多数农业科技园区尚未形成有关生态效益的可供量化的数据采集标准，因此基于其数据的不可得性，暂时不将生态效益作为本研究的产出指标。鉴于以上思考，构建了黑龙江省省级农业科技园区运营效率评价指标体系。

[2实证分析

2.1研究方法及数据来源

2.1.1研究方法

本研究运用DEA模型，从效率评价、投影分析、规模收益以及超效率评价等4个方面，对黑龙江省省级农业科技园区的运营效率进行评价与分析。首先，运用C2R和BC2模型对园区运营的综合效率、纯技术效率和规模效率进行测度，评价各个园区的效率水平；其次，运用投影分析法，进一步分析纯技术无效园区的投入冗余及产出不足情况，剖析这部分园区纯技术无效的根本原因；然后，通过各个园区所处的规模收益阶段，明确其规模调整的具体方向；最后，运用超效率DEA模型，对DEA有效园区的相对效率进行排序，并根据超效率值分别确定各园区增加运营投入的上限参考值。

2.1.2数据来源

本研究选取黑龙江省34个省级农业科技园区作为研究样本，在运营效率评价指标体系的基础上，通过黑龙江省科学技术厅提供的《农业科技园区创新能力监测表》及发放调查问卷等2种方式，收集、整理和获取研究樣本——2014年运营的投入产出数据，根据样本筛选程序对其进行处理：（1）剔除当年停止建设经营的园区（齐齐哈尔梅里斯园区）；（2）基于原始数据不可为0或负数是运用DEA方法的前提要求，剔除当年年利润额为负的园区（黑河逊克园区）；（3）剔除数据缺失和错误的样本园区（哈尔滨巴彦、绥化市和军川农场等3个园区）。经过以上筛选，最终确定将其中29个省级农业科技园区作为本研究DEA模型的决策单元。

2.2效率评价

运用DEAP 2.1软件对黑龙江省29个省级农业科技园的运营效率进行测度，将其运营的投入产出数据分别代入C2R和BC2模型，基于投入导向角度，得到其综合效率、纯技术效率、规模效率以及规模收益等情况。

2.2.1综合效率分析

由表2可知，黑龙江省省级农业科技园区运营的综合效率平均值是0.8，整体效率并不明显，说明其存在较大改进空间。根据综合效率值的大小对黑龙江省省级农业科技园区进行分类，如由表3可知，29个省级农业科技园区中达到DEA有效状态（即综合效率值为1.000）的有13个，占决策单元总数的44.83%，说明方正、依安和大同等13个园区运营的投入所对应的产出已达到最优，即这些园区所投入的土地、资金和科技等要素与其产生的经济效益和社会效益是相对匹配的。而其余的16个园区均未达到DEA有效状态，这部分园区投入与产出的关系不匹配，均存在改进的空间。其中，有5个园区（兴十四、克东、青冈、桦南和东宁）的综合效率值大于0.8，说明这5个园区的运营效率状态相对较好，只要根据分析结果稍加调整即可达到DEA有效，而另外11个园区的综合效率值均小于0.8，说明其投入产出结构或发展规模等问题较为严重，这部分园区占决策单元总数的37.93%。

2.2.2纯技术效率和规模效率分析

基于综合效率值等于纯技术效率与规模效率对应值的乘积，为进一步说明各园区运营效率情况，应从纯技术效率和规模效率2个方面来具体分析。由表2可知，黑龙江省省级园区整体纯技术效率的平均值为0.914，大于其规模效率的平均值0.870，说明影响黑龙江省省级农业科技园区效率不高的主要因素是规模效率，应重点关注园区生产运营过程中的规模调整并以现有资源利用效率的提高为辅助，从而达到提高园区整体运营效率的目的。从纯技术效率来看，方正、兴十四、依安和大同等20个园区的纯技术效率值为1.000，即为纯技术有效，说明其在生产运营过程中，投入的资源得到了有效配置，[JP2]已达到最佳的产出效果，基本不存在浪费现象。与此相反，剩余的9个纯技术无效的园区均不同程度地存在资源浪费问题，尤其是纯技术效率值相对较低的肇东、温泉新城和佳木斯等园区，其资源利用效率亟待提高；针对规模效率而言，方正、依安和大同等13个园区的规模效率值为1.000，即为规模有效，说明这部分园区整体规模水平比较合理，而其余16个园区均存在不同程度的规模无效问题，其投入产出规模没有达到最佳状态。综上所述，对引起9个园区纯技术无效和16个园区规模无效的原因剖析是解决黑龙江省省级农业科技园区DEA无效的关键所在。[JP]

2.3投影分析

从理论上讲，园区纯技术无效主要是由投入冗余和产出不足等原因引起的。因此，投入冗余和产出不足的对应量就成为研究纯技术效率的关键点。值得说明的是，处于不同发展阶段的园区，其整体投入情况存在较大的差异。一般来讲，在建设初期，农业科技园区需要投入较多资源，若园区正值建设初期，其测算结果表明存在较多的投入冗余不仅是合理的，也是符合实际的。因此，分析结果时，应参考所测度园区的发展阶段来调整其分析数值对实践指导的结论及效果。

具体而言，对9个纯技术无效园区进行投影分析的做法是：通过投影原理，运用DEAP 2.1软件，计算出各园区现阶段的投入冗余量和产出不足量以及对应的幅度，通过测算结果为各园区找出纯技术无效的根本原因。

可知，从投入指标看，9个纯技术无效园区在园区面积、固定资产投资总额、科技人员数以及技术引进数等4个方面均存在一定的投入冗余，盲目投入和低效的资源配置是造成园区纯技术效率无效的主要因素。其中，纯技术效率值最低的肇东园区，其对应指标投入冗余的幅度平均在78%以上，即该园区大部分要素投入未得到合理、充分地利用，存在较大的资源浪费。从产出指标看，这9个园区表现出不同程度、不同方向的产出不足。其中，五常园区的带动农户数对应的不足幅度最高，达到现有产出水平的46倍以上，说明其改善重点应为提升园区的社会效益。总体来说，纯技术效率无效的园区在农户收入增加值的产出上，其不足量表现比较明显，77.78%的园区均存在此类问题。因此，在不改变现有投入总量的情况下，提高资源利用效率和调整投入产出结构成为解决这9个园区纯技术无效的关键。

2.4规模收益分析

规模收益分析是指在通过投影分析调整DEA无效园区纯技术效率的基础上，根据各个园区所处的规模收益阶段，进一步分析和确定园区规模的调整方向，进而提高其规模效率。根据表2中各个园区的规模收益状态，得出处于不同规模收益阶段园区的比例分布（图2）。

在黑龙江省省级农业科技园区的系统中，规模收益不变，即已达到规模有效、处于最优规模收益点的园区占44.83%，包括方正、依安和大同等13个园区；规模收益递增的园区有12个，占41.38%，说明五常、克山和红岗等12个园区应通过适当扩大规模来提高园区的规模效率，即在现有投入的基础上，等比例增加土地、资金和科技等要素的投入力度，产出将会以更高比例增加，发展潜力巨大；另外，兴十四、克东、青冈和佳木斯等4个园区处于规模收益递减阶段，即说明其在投入方面已经达到饱和，应把重点放到缩减规模或提升产出方面。

2.5DEA有效DMU的超效率分析

引入超效率DEA模型是为了比较DEA有效的13个省级农业科技园区的相对运营效率，运用Maxdea专业版软件得到园区的超效率DEA值，并对有效决策单元的效率进行排序，更重要的是，各园区可以根据超效率值确定其增加运营投入的上限（详见表5）。具体而言，由于这13个园区处于DEA有效狀态，其对应的综合效率值为1.000，若某一园区增加运营投入比例保持在[0，（超效率DEA值-1）]区间范围内，该园区仍能保持相对有效。如五大连池园区的超效率DEA值为 1.927，表明如果该园区等比例增加上限为92.7%的投入时，仍然能在整个系统中保持DEA有效。因此，园区可以根据每个园区的超效率DEA对应值制定科学合理的要素投入规划。

3结论与建议

本研究运用DEA模型对黑龙江省省级农业科技园区的运营效率进行评价与分析，得出以下结论：从综合效率分析来看，黑龙江省省级农业科技园区运营的综合效率偏低，其中，规模效率是导致园区综合效率低下的主要因素。投影分析结果表明，16个DEA无效园区中，纯技术无效的园区共有9个，其不合理的投入结构和低效的资源配置导致了园区纯技术无效。通过对9个园区的投入及产出指标进行横向比较，发现75%以上的园区占地面积的利用效率较低，75%以上的园区带动农民增收值不足，说明园区整体应重点加强土地资源的利用效率并提升园区的社会效益。规模收益分析结果表明，29个园区中规模收益不变、规模收益递增和规模收益递减的园区分别有13、12、4个，分占园区总数的44.83%、4138%、13.79%。除去规模收益不变的园区，规模收益递增的园区所占份额较大，这部分园区若适当增加投入会带来更高比例的产出，说明运营投入过少是导致黑龙江省省级农业科技园区规模效率偏低的主要原因。结合投影分析结果可进一步得出结论，即运营投入过少和投入结构不合理是导致黑龙江省省级农业科技园区DEA无效的主要原因。超效率分析结果表明，13个DEA有效的园区中，依安园区的超效率DEA值远高于其他园区，说明其处于领先水平，是其他园区借鉴和学习的典范。此外，13个DEA有效园区均可根据对应的超效率DEA值确定其合理投入规模。

根据以上结论，为切实提升黑龙江省省级农业科技园区的运营效率，从政府与园区2个层面，提出以下对策建议：

（1）政府层面。基于各农业科技园区间运营效率差异较大，因此，政府应从整合农业科技资源、促进园区协同创新、构建政策支持體系及优化发展环境等方面加强对农业科技园区的引导和扶持。

①科学定位与布局，促进农业科技园区创新发展。

本着“政府引导、企业运作、中介参与、农民受益”的基本原则，科学合理界定政府在农业科技园区发展过程中的地位与职能。构建普惠性创新支持的政策体系，着力基础设施建设及其他配套服务体系建设，加大金融支持和税收优惠力度，优化投融资环境，促进科技与金融、产业的深度融合，建立切实可行的激励机制，引导农业科技园区重视以增加农民收入、培育新型职业农民等为目标的社会效益。

②整合农业科技资源，构建以农业科技园区为核心、各类农业园区协同创新发展的现代农业科技示范体系。

以现代农业科技示范区的建设为契机，整合现有农业科技资源，搭建农业科技资源共享平台，鼓励和引导农业科技园区间的协同合作，重点探索农业科技协同创新的驱动机制及对接合作模式，从而促进区域间的共生与协调发展。

③应用大数据、物联网等现代信息技术，提升信息服务功能。

按照“国家农村信息化示范省”建设的总体要求，整合黑龙江省农业信息资源，建设示范区农业信息和技术咨询服务的重要平台“黑龙江省现代农业信息港”。重点围绕农业商业模式（物流配送、物联网等），运用信息技术，构建农业全产业链的“农业大数据库”和物流配送体系，以“云计算”提升大数据信息开发利用水平，增强对农业产业发展的信息服务能力。

（2）园区层面。

各农业科技园区应以明确创新驱动为起点，探索多主体参与、多要素投入、多行为交互运行的共生机制，优化配置，提高运营效率。

①产权明晰，科学管理，优化各要素配置。

农业科技园区作为一个多主体参与、多要素投入、多行为交互运行的网络式平台，其运营效率的提高须要以构建产权明晰、创新驱动、有效激励和利益联结的运行机制为基

础。以有效驱动为起点，建立以收益分配合理、成本分摊公平、风险分担有效、价值创新增值为目的的利益联结机制，以市场需求为导向、以提高效率为宗旨、以科技创新为核心、以科学管理为主线。遵循适度规模原则，优化投入结构，科学配置科技、金融、土地、人才、信息、服务等资源，提高各要素的运营效率，尤其是要提高科技要素的利用和转化效率。

②加强园区间的互动与合作，探索农业科技协同创新机制。

加强园区间的互动与合作，利用“互联网+”平台加强资源共享与协同创新。探索农业科技协同创新机制、“地方政府+科技机构+示范基地+农业企业”的成果转化机制、农业科技成果市场化公开公平交易和转移机制，加快科技成果的快速转化和向辐射区的扩散转移应用，为黑龙江省现代农业创新发展探索可供推广的成功经验。

③围绕农业产业全链条技术创新，探索一二三产业融合发展的新模式，打造特色农业产业链，培育创新型农业产业化集群。

以产业为导向，结合农业科技园区的示范带动与辐射推广的区域范围，按照高科技、高效益、全链条、全循环的要求，打破一二三产业的传统界限，以现代服务业引领一二三产业的有机融合，以创新链支撑产业链建设，引导建立生产规模化、集约化、集群化、产业专业化、品牌化的全产业链现代农业产业体系，以产业集群带动农业人口向城镇有序转移，从而促进“四化”同步发展。

参考文献：

[1]殷群，张娇. 长三角地区科技企业孵化器运行效率研究[J]. 科学学研究，2010，28（1）：86-94.

[2]魏权龄. 评价相对有效性的数据包络分析模型：DEA和网络DEA[M]. 北京：中国人民大学出版社，2012.

[3]杜栋，庞庆华. 现代综合评价方法与案例精选[M]. 北京：清华大学出版社，2005.

[4]赵树宽，余海晴. 基于DEA方法的吉林省高技术企业创新效率研究[J]. 科研管理，2013，34（2）：36-43.

[5]杨国梁，刘文斌. 数据包络分析方法（DEA）综述[J]. 系统工程学报，2013，28（6）：840-860.

[6]熊婵，买艺媛. 基于DEA方法的中国高科技创业企业运营效率研究[J]. 管理科学，2014，27（2）：26-37.