中国花生全要素生产率分析

苗欣， 吴一平

(1.河南牧业经济学院，河南 郑州 450046； 2.河南农业大学经济与管理学院，河南 郑州 450046)

中国是世界最大花生生产国。2016年，中国花生总产量约1 636万t，以占全球约18%的花生种植面积贡献了约占全球36.4%的花生产量。目前，中国的食用油60%以上依靠进口。作为主要油料作物大豆，对外依存度高达80%并持续上升[1]，而花生是中国粮油资源中在产量、消费量、贸易量以及土地生产率等均占优势的油料作物，发展花生生产对保障中国粮油安全具有重要的战略意义。但是，中国花生种植总成本持续攀升，土地和人工成本增加、科学技术水平不足和机械化程度低等问题，使中国花生生产成本高于拥有机械化完善、土地规模化生产和高科技施肥技术的美国花生生产成本达50%以上，同时花生生产成本也超过低成本进口的大豆等其他油料作物。这种现状造成资源浪费和破坏，不仅使中国花生产业未来发展失去持续性和竞争力，更加剧了对于粮油安全保障的冲击。如何依靠科技进步与推广，科学和充分地利用资源，进而提高花生生产效率是解决问题的必由之路。本研究从科技进步和科学管理角度，通过衡量中国花生全要素生产率发展状况，对中国花生投入产出效率进行初步探究。

目前，国内学者关于农作物生产效率的研究文献较多。其中，有对不同种类农作物的生产效率研究，如小麦[2]、玉米[3]、马铃薯[4]等作物；也有学者站在不同角度研究某一外部因素对农作物生产效率的影响，主要包括经营规模[5]、产业组织模式[6]、自然条件[7]等外部因素如何影响农作物的生产效率。国内学者对花生全要素生产率较为关注。关于花生全要素生产率状况评价，白丽等[8]运用莫式指数对中国花生生产1991—2009年投入产出面板数据进行生产效率的分析，认为技术进步水平低下直接导致中国花生全要素生产率呈下降趋势；陈静等[9]运用随机前沿模型通过比较2000—2012年花生、大豆和油菜3种油料作物的全要素生产率，认为花生的全要素生产率变化缓慢，并受技术效率变化的主要影响。关于全要素生产率的影响因素，张照辰等[10]认为花生新品种的使用能促进花生单产提高；周曙东等[11]发现花生种子、化肥和农药农膜的投入对花生单产起到重要贡献作用；景令怡等[12]认为劳动力转移对花生种植户的生产效率具有显著的正向影响；叶妮等[13]根据辽宁省阜新花生主产区的调查，发现适度规模种植是提高耕地利用效率、改善生产效率的有效途径；王艳等[14]指出中国花生生产机械化水平较低是制约花生生产规模扩大的重要因素。但研究也存在以下不足之处：一是在花生全要素生产率分析中，投入指标涵盖内容不够全面；二是缺乏对花生近10年全要素生产率状况的全面分析。本研究运用莫氏指数和数据包络分析法，并且基于2007—2016年数据，从时间和空间2个维度对中国各花生主产区花生全要素生产率进行深入研究，以期揭示中国花生全要素生产率变动规律，并对花生生产实践有所借鉴。

1 理论方法

本研究采用数据包络分析模型和莫氏指数模型。莫氏指数模型可以纵向和横向分析花生的全要素生产率的构成与变化情况，数据包络分析法可以横向比较各决策单元间花生生产投入产出的相对效率，还可以判断其投入规模并进行方向和程度的调整。同时，数据包络分析法和莫氏指数模型相比其他模型具有不用预设生产函数，不用预先确定各指标权重，不受投入、产出量纲影响和避免复杂的内生性问题等优点。

1.1 数据包络分析法

数据包络分析法(DEA，Data Envelopment Analysis)最早于1978年由CHAMES等提出，是一种由线性规划方法衍生而来，分析多产出多投入的各生产决策单元之间的相对效率的非参数评价方法。CHAMES等提出DEA模型(不变规模报酬模型即CRS模型)的假设前提是规模报酬不变，但是在不完全竞争市场中，决策单元的生产并不能处于规模报酬不变，在此条件下CRS模型度量的技术效率就不准确，因为这种技术效率中还包含规模效率。BANKER[15]等1984年提出了可变规模报酬的DEA模型(VRS模型)，这种模型度量了纯技术效率。其线性规划模型基本表达为。

式中：K是决策单元个数，y为产出指标，x为投入指标，θ为每个决策单元的效率值。θ取值范围是0～1，若θ=1，则该决策单元在前沿面上，表示该决策单元是有效率的，是按照样本观察期内的最佳水平组织生产的；若θ<1，则该决策单元在前沿面以下，表示该决策单元是无效率的。由于DEA前沿面是以分线段形式测量效率的，平行于坐标抽的线段难免会产生松弛量。IS为投入松弛量，即IS=(is1，is2，…，isM)T，OS为产出松弛量，即OS=(os1，os2，…，osM)T。

因此，CRS模型中度量的技术效率称为综合技术效率TECRS，其受纯技术效率TEVRS和规模效率SE交互作用的影响，故关系可以表达为：TECRS=TEVRS×SE。纯技术效率反映了技术推广的有效程度和技术更新的快慢程度。规模效率的变化反映投入增长对总要素生产率变化的影响。

1.2 莫氏指数

莫氏(Malmquist)指数是一种广泛使用的度量全要素生产率指数的方法，建立在距离函数基础上，可以纵向反映t+1时期相对于t时期生产系统的技术效率的变化。莫氏指数把全要素生产率指数分解成效率变化和技术前沿提高2个部分，即全要素生产率指数表现为技术进步变化值Tch和效率变化值TEch的乘积。在规模报酬可变的假定下，效率变化即综合效率变化又可以分解为纯技术效率和规模效率变化，故莫氏指数即全要素生产率指数TFPch是技术进步变化Tch、纯技术效率变化TEch和规模效率变化SEch综合交互作用的结果，其关系表达为：TFPch=Tch×TEch×SEch。

2 数据来源及指标选择

本研究收集了2007—2016年河南、山东、安徽、辽宁、河北、四川、福建、广东、广西、重庆共10个中国花生主产区花生成本与收益的数据，其来源于2007—2016年《全国农产品成本收益资料汇编》[16]。本研究选取的指标为一个产出指标即主产品产量(kg·hm-2)，4个投入指标即每公顷种子用量(kg·hm-2)、每公顷用工数量(工日·hm-2)、每公顷物化费用(元·hm-2)和每公顷机械作业费(元·hm-2)。选择指标时，考虑了以下因素：第一，选取的指标尽量使用实物数量单位，对于费用指标如物化费用和机械作业费已剔除了价格指数的变化(价格指数未考虑地区差异和农用物资类别差异，数据来源于2017年中国统计年鉴)。第二，尽量不遗漏投入要素，但受模型对自由度即指标数量的限制，需对指标做合并和筛减处理，如把化肥、农家肥、农药、农膜进行合并统称为“物化费用”，机械动力费、畜力费、灌溉费进行合并统称为“机械作业费”，忽略间接费用和服务费用(数量相对过小)。第三，由于所有变量均采用公顷，故本研究不再考虑土地投入。

3 数据处理结果分析

3.1 花生全要素生产率的时序变化情况

对2007—2016年面板数据基于产出的莫氏指数进行分析，可以看出中国2007—2016年花生全要素生产率的总体变化情况。

表1 2007—2016年中国花生主产地全要素生产率年度变化情况

从莫氏指数平均变化情况来看，2007—2016年中国花生主产区全要素生产率变化、综合效率变化指数、纯技术效率变化指数和规模效率变化指数均大于1，技术进步变化指数保持在1，说明研究期内花生全要素生产率总体有所提高，纯技术效率和规模效率贡献了主要力量，技术进步平均水平并未提高。

由表1可知，全要素生产率增长趋势与技术进步变动趋势大体一致，相比之下，综合效率的波动较为平缓。该状态表明花生全要素生产率变化趋势主要受技术进步变化的影响，全要素生产率变化依赖于技术进步。全要素增长率变化趋势呈现出“2个阶段”：第一阶段(2007—2012年)全要素生产率平均增长率波动幅度较大，其全要素生产率变化指数达到高峰的年份有2009年(1.131)、2008年(1.119)和2011年(1.114)，2个最低点分别为2012年(0.852)和2010年(0.884)，也正是技术进步指数的2个峰值点和最低值点，可以说明全要素生产率变化主要原因是技术进步变化。第二阶段(2012-2016年)全要素生产率呈现基本稳定上升趋势。该阶段每年全要素生产率变化指数基本趋于1，技术进步指数每年变化较第一阶段趋于平稳，全要素生产率变化指数平均水平第二阶段(1.012)较第一阶段(1.020)有所减少(0.8%)，技术进步变化指数平均水平第二阶段(1.008)较第一阶段(1.006)有所增加(0.2%)，说明研究期内2012年后全要素生产率变化指数平均增长减缓，技术进步变化指数平均增长加速。

2007—2016年综合效率变化稳中有升，通过比较2个阶段平均综合效率指数1.017和1.005，可以看出综合效率在2012年后增幅下降。2007—2016年有6年(2008、2010、2012、2014、2015、2016年)综合效率变化指数大于1，说明这些年份资源得到了充分利用，投入产出达到最佳配置状态。2009、2011、2013年综合效率变化指数小于1，说明投入产出效率较低。

综合效率变化指数分解来看，2008—2012年每年纯技术效率变化指数均趋于1，说明这些年份技术使用效率与上一年持平。2008—2012年平均纯技术效率变化指数0.996小于平均规模效率变化指数1.021，说明第一阶段平均综合效率指数的提升主要由规模效率贡献。第二阶段2014、2015年纯技术效率变化指数连续提升，达到研究期内的高峰值1.028和1.034，说明这2年技术使用效率连续提升。规模效率在第二阶段平均指数为0.998，说明第二阶段规模效率较第一阶段有所下降。2008—2016年总体平均水平来看，平均纯技术效率变化和规模效率指数分别为1.001和1.010，规模效率增幅大于纯技术效率增幅的0.9%，说明研究期内技术使用效率基本没进步，规模效率提高成为了研究期内全要素生产率进步的主要力量。技术使用效率低的原因可能来自多个方面，既有政策方面，也有农户自身，还有新技术本身的缺陷等等。一是补贴政策的缺陷影响新技术的扩散。2010年中央开始实行花生良种补贴，补贴标准为每公顷150元，相比较小麦每公顷补贴780元，花生每公顷补贴低于小麦每公顷补贴630元[17]。补贴标准低加上花农自留种习惯和花生良种成本较高等原因，致使花生良种补贴并未激发农户的生产积极性，花生良种的推广速度和种植面积以及单产并未大幅增长。二是传统耕作习惯影响农户花生新良种和新技术的采纳，如农户排斥新良种的采纳而保持常年自留种习惯；农户习惯平作而不是垄作、覆膜的耕作方式；农户习惯小规模或自给自足性的种植等，这些都在很大程度上影响了花生机械化的匹配使用。三是新技术本身的缺陷。如花生良种的成本较高，像高油酸花生的每亩成本是自留种的2倍多，增加了技术扩散和推广的难度。花生收获机械存在脱土欠好、掉果多，雨天无法收获和烘干成本高等问题。

表2 2007—2016年中国花生主产地全要素生产率地区变化情况

续表2

3.2 花生全要素生产率的空间变化情况

中国花生主产区因自然资源条件和生态类型品种不同，可以大致以长江流域为界限粗略分为北方花生生产区和南方花生生产区[18]，本研究根据这种花生生产区域的划分方法进行分区域分析。北方花生主产区包括辽宁、河北、河南、山东和安徽5个省，南方花生主产区包括四川、重庆、福建、广西和广东5个省份。本研究涉及的北方花生生产主产区包含了在种植面积和单产方面均占优势，为中国花生消费和出口做出主要贡献的河南、山东、河北、辽宁4个省份，也是中国花生最具有综合比较优势的4个省份。南方花生主产区包含了具有综合比较优势的广东和福建2个省份。由表2可以看出，北方和南方花生主产区2007—2016年平均全要素变化指数分别为1.022和1.002，全要素生产率均有所提升，北方花生主产区全要素生产率提高幅度大于南方花生主产区。北方花生主产区全要素生产率变化、技术进步变化、综合效率变化、纯技术效率变化和规模效率变化指数均大于1，说明各效率值均有所进步，技术进步为全要素生产率提高贡献了主要力量。南方花生主产区除技术进步指数变化小于1外，其他效率值均大于1，说明2007—2016年南方花生种植除平均技术水平外，其他效率值均有所进步，规模效率弥补了技术进步带来的损失。重庆和四川是研究期间10个地区中技术进步指数下降的2个地区，其平均全要素生产率减少主要受技术进步变化指数下降的影响，主要原因在于该地区山地多，土地细碎化严重，难以实施大规模机械化花生种植，加上恶劣天气和自然灾害发生集中，该地区花生种植全要素生产率受到影响。

3.3 花生综合效率及其构成要素分析

通过对处于不同水平的2007年和2016年的面板数据分别进行基于投入的效率度量方法的DEA分析，可以比较10个地区2年花生生产综合效率及其构成要素的变化情况(表3)。

2007年，有6个地区综合效率小于1，处于无效状态，分别是河南、河北、福建、四川、广东、广西。其中，河南、四川、广东、广西4个地区均为纯技术效率有效，但规模效率无效。河北和福建为技术效率和规模效率均无效。山东、安徽、辽宁、重庆4个地区综合效率、纯技术效率和规模效率均为1，达到有效状态。

2016年相比2007年，10个主产区综合效率平均值由0.879上升至0.963，各地区综合效率均有所提升，综合效率达到有效状态的地区有所增加。平均纯技术效率从2007年的0.97上升到2016年的0.99，提高了2%，平均规模效率从2007年的0.907上升到2016年的0.973，提高了6.6%，可见规模效率提高的幅度大于纯技术效率提高的幅度，中国花生生产效率处于规模递增阶段，具有发展潜力。2016年，河南、山东、辽宁、四川、广西和重庆综合效率、纯技术效率和规模效率均达到有效状态。其中，河南、四川、广西3个地区相比其他地区，规模效率有较大幅度上升。安徽省技术效率和规模效率均有所下降，其综合效率由2007年的1下降为2016年0.94。广东省技术效率有所下降，河北省和福建省依旧处于技术效率和规模效率均无效状态。

表3 各主产地花生综合效率及其构成变化

3.4 花生综合效率的改进分析

通过DEA可以把无效的决策单元通过从原点到生产前沿面的径向调整进行改进。径向调整就是调整使其达到投影点，即前沿面上离该决策单元最近的有效参照点。DEA改进可以分为2种情况处理：基于投入为例，若技术效率小于1，不存在投入松驰时，可以通过调整投入比例实现，具体做法是保持产出不变，把各种投入同时缩小至1/θ倍；若技术效率小于1，且存在投入松驰时，需要先调整投入比例，再调整投入结构，具体做法是保持产出不变，先把各种投入同时缩小至1/θ倍，再根据IS松驰量减少相应要素投入量。提高规模效率可以通过调整投入产出比例实现。

本研究运用上述DEA改进方法以2016年的河北、福建、广东、安徽4个综合效率无效省为例，分析4个省提升花生生产效率的改进方法。结合数据分析结果，可以将其根据规模效率分为以下2种情况：

一是对于规模效率高，技术效率较低的地区，如安徽省，可只考虑提高其纯技术效率，因为规模效率已经很高，其会随纯技术效率的提高而提高。由于安徽省处于规模效率递增阶段，提高技术效率可以基于“产出最大，投入固定”的产出效率度量方法分析。根据表4的分析结果，首先进行径向调整。安徽省基于产出最大化的DEA分析，得出技术效率值为0.94，故产出要增加原值的6%，投入值均不变。其次进行松弛量的调整。安徽省每公顷劳动力松弛量为6.768，减去松弛量等于在初始值上减少6.48%。此时模拟结果为技术效率提高到1，规模效率提升到0.999。

二是对于规模效率较低，技术效率较高的地区，如河北、广东和福建3个省，则考虑同时提高规模效率和技术效率。以河北省2016年截面数据分析为例，要提高综合效率，首先要提高规模效率，实现规模经济。第二步采用第一种方案提高技术效率值。由于河北2016年处于规模报酬递减阶段，要对数据进行基于“产出固定，投入最小”的投入效率度量方法分析，得出河北省的综合效率为0.89。

根据表5的分析结果，首先将其投入产出比例同时减少，可以发现当投入产出同时减少13%时，此时模拟结果为规模效率提升到1，但纯技术效率值却降低为0.891。然后将投入值再同时缩减10.9%，再减去种子量、用工量和机械作业的松弛量分别为33.33、70.3和180.83，以提高技术效率。此时模拟的结果为技术效率和规模效率均提升到1。

表4 安徽省花生生产效率改进方法

表5 河北省花生生产效率改进方法Table 5 Improvement method of peanut production efficiency in Hebei province

4 结论及建议

(1)中国花生主产区近10年花生全要素生产率总体均值增长1.1%，除技术进步值外，综合效率变化、纯技术效率变化和规模效率变化值均大于1，呈现不同程度增长。

(2)从花生全要素生产率时序变化情况来看，全要素生产率增长趋势与技术进步变动趋势大体一致，全要素生产率增长变化主要受技术进步的影响。2012年后全要素生产率变化指数平均水平增长减缓，全要素生产率指数平均减少0.8%，技术进步变化指数平均水平增长加速，技术进步指数平均增加0.2%。

(3)2016年相比2007年，10个主产区综合效率平均值由0.879上升至0.963，各省份综合效率均有所提升，综合效率达到有效状态的省份有所增加。2012年后综合效率增幅下降。2007—2016年花生10个主产区规模效率增幅大于纯技术效率增幅约0.9%，中国花生生产处于规模递增阶段，具有发展潜力，但技术推广与扩散相对滞后。

(4)从花生全要素生产率的区域变化情况来看，2个区全要素生产率均有所提升。北方花生主产区全要素生产率提高幅度大于南方花生主产区约2%，技术进步为北方花生主产区全要素生产率提高做出了主要贡献。

(5)主产区综合效率均有所提升，但部分地区处于技术无效率状态且伴有投入松弛，松弛量主要产生于用工量和物化费用。这说明中国主产地花生种植存在着要素投入过度现象，化肥农药使用过量，劳动力调整潜力较大。

基于以上结论，要提高中国主产区花生全要素生产率，应推进花生技术进步，促进生产技术的研发、示范和推广，优化与调整花生主产区区域结构布局，改善科学经营管理。第一，提高花生技术进步效率，通过市场化、科研机构与企业合作及特派科技员等方式促进生产技术的研发、示范和推广，聚焦花生育种、施肥、机械化等关键技术的攻破和成果转化，进一步规范花生种子市场。第二，进一步调整花生生产结构。北方主产区全要素生产率高、具有技术进步比较优势的地区要通过集约化生产和土地流转等方式进一步扩大生产规模，通过发展花生加工业促进北方主要花生产区区域联合发展。南方主产区应以稳定发展、自给自足的生产方式为主。第三，科学经营管理，充分利用区域优势资源，合理调整各要素的投入量。促进技术进步使花生生产向有机化、绿色化、智能化发展，减少花生化肥农药使用量，推广花生“减施增效”技术。通过劳动力转移加快土地流转，推动花生的适度规模经营，促进机械化发展，从而提高花生生产效率。