有機農業生產效率的三階段DEA分析

劉子飛 王昌海

摘要

有機農業是我國適應居民食品消費由注重數量向質量轉變、促進生態文明建設、緩解農業污染問題等的現實選擇。以有機農業發展的典型——陜西洋縣為例，運用三階段DEA（數據包絡分析）模型，本文比較分析了其與周邊縣區的農業生產效率。結果表明：以農林牧漁業總產值為產出指標和以農業資本、勞動力、耕地面積、化肥使用量、農膜使用量為投入指標滿足模型適用的“同向性”條件假設，可以進行投入產出的效率分析；管理因素、外部環境因素和隨機因素對農業生產效率均有顯著影響，有必要進行各因素對效率影響的剝離性分析；在外部環境因素中，提高農民人均純收入、城鎮化水平、財政支出占GDP比重均有利于促進農業生產效率，而以糧食播種面積與耕地面積比表示的種植結構與農業生產效率呈顯著負相關；在發展有機農業前和后，洋縣農業綜合生產率、純技術效率和規模效率均低于陜南26縣區的平均水平，但發展有機農業后，其農業綜合生產率、純技術效率排名分別上升了5位和6位，同時，規模效率排名下降了3位；然而，洋縣綠色農業生產純技術效率仍然低于規模效率。主要研究結論：三階段DEA模型有效剔除了管理因素和隨機因素對農業生產效率的影響；有機化可以提高農業生產效率，這主要來源于純技術效率而非規模效率的改進。為了縮小與周邊農業生產效率的差距，洋縣應該提高綠色農業管理技術水平和擴大生產規模，且重點在于前者。

關鍵詞有機農業；農業生產效率；純技術效率；規模效率；三階段DEA模型

中圖分類號F323.3 文獻標識碼A文章編號1002-2104（2015）07-0105-08doi：10.3969/j.issn.1002-2104.2015.07.015

作為“朱鹮之鄉”，洋縣為了保護世界極瀕危珍稀動物—朱鹮，從20世紀80年代發現世界上僅存的7 只朱鹮開始，就倡導在農業生產活動中減少農藥化肥使用，針對朱鹮活動頻繁的核心區更是命令禁止使用農藥、化肥，以減少農業生產帶來的對朱鹮生境的破壞。據陜西漢中朱鹮國家級自然保護區管理局統計，經過三十余年的積極努力，朱鹮種群數量由最初的7 只，已增加至1 500余只。世界瀕危珍禽基本擺脫了“瀕危”的境地，得到了良好的保護。然而，隨著朱鹮數量的不斷增加，其活動范圍也逐漸擴散，由最初的朱鹮發現地—姚家溝（深溝），擴散至洋縣的每一個鄉鎮，減少或禁止使用農藥化肥或使用有機農藥化肥的保護措施也擴大至各鄉鎮，這給農業帶來了消極和積極兩方面的結果。消極方面，集中表現為減少了農業特別是稻米的產量，作為國家級貧困縣，加上稻米生產是該區域的主要糧食作物，稻米減產意味著農民收入的降低，這加劇了當地農民、農村社區生計與政府、保護機構生態之間的矛盾。積極方面，主要是帶來了有機農業發展的契機，未施用或有限使用農藥化肥或使用了綠色農

藥、有機肥的農產品（下文統稱“有機產品”，相應的為“常規農產品”）

銷售價格較高，如2013年，農戶銷售常規稻谷的價格為2.06-3.12 元/kg，而有機稻的為3.7-6.44 元/kg，按此計算，有機農產品的價格是常規農產品的1.19-3.13倍，洋縣政府及朱鹮保護管理機構以此為契機，在全縣積極推廣有機農業，通過試點和示范效應帶動了全縣有機農業的發展，并于2007年成為省級有機食品基地縣。截至2012年，洋縣耕地面積為38 600 hm2，已經認證的有機生產基地達14 700 hm2，年認證有機產品或有機轉換產品13大類55品種 5 447 hm2，認證數量和面積均居全國第一。洋縣是全國首批十個國家級有機認證示范創建縣之一，也是全國唯一的“有機產品認證可工作聯系點”，可謂是有機農業發展的典型。

與常規農業相比，為保護生態而催生的有機農業在產量上存在劣勢，但在價格上具有優勢，在“經濟人”假設下，則二者對有機農業生產主體的積極性必然形成阻力和拉力。仍以稻米生產為例，按照筆者的調查，平均來看，有機稻的產量比常規稻的低2 456.745 kg/ hm2，而銷售價格高出1.806 元/kg，產量、價格綜合的結果是有機稻產值高3 669.004 元/ hm2。但考慮到有機稻和常規稻的生產成本差異，產值較高并不意味著有機稻生產效率一定較高，另外，對于有機稻的主要生產者——農戶來講，食用有機稻的機會成本較高，因此主要用于銷售，但銷售有機稻后再購買維持生活的常規稻米的做法被認為是繁瑣的，且口感沒有自己家種植的好。綜合以上因素，有機農業生產主體的積極性并不一定比常規的高，那么，有機農業生產效率較常規的是高還是低呢？這是本研究擬回答一個核心問題。這有助于積累經濟與生態協調發展的良好模式抑或是教訓。而且，洋縣有機農業生產的事實可以為我國有機農業的大范圍鋪開是否會影響糧食有效供給的爭論提供一個實踐版的答案。

1相關研究

Farrell在分析英國農業時首先提出了衡量生產效率的DEA原型：以“非預設生產函數”代替傳統的“預設函數”估計效率值，結合數學規劃求出效率前緣線。Charnes， Cooper和Rhodes明確提出了DEA模型，之后，諸多學者在研究農業生產效率時采用了該方法。Kawagoe， Hayami和Ruttan分析了多國的農業生產效率，結果表明，農業生產率與勞動生產率相關性較小，而與區域發展水平密切相關，Restuccia，Yang 和Zhu使用兩階段一般均衡模型對國際農業生產效率的研究在一定程度上驗證了這一點。Ruttan除常規投入要素外，還考慮了資源、環境約束和科技約束下的農業生產率，解釋了近半個世紀的“南北”農業生產效率之間差距未縮小的原因。與以國家為決策單元的研究不同，Haag， Jaska和Semple考察了德克薩斯州Blacklan Prairie地區41個郡的農業生產效率。較早關注中國農業生產效率的有McMillan、Lin、Wen，他們主要運用索洛余值法和Griliches生產函數估計中國的農業生產效率。隨著我國整體經濟不斷發展，在大的經濟轉型背景下，農業增長更加依賴于技術的現實激發了諸多學者對農業生產效率廣泛的研究。運用DEA模型，陳衛平分析了1990-2003年農業生產率的時空特征，周端明考察了1978-2005年各區域農業生產率發現，存在較大的區域不均衡，農業增長主要動力已經由投入轉向技術進步。為了修正傳統DEA在生產效率方面的缺陷，郭軍華、倪明和李幫義基于三階段DEA模型研究了2008年的農業生產效率。為了將環境納入農業生產效率框架中，在傳統DEA基礎上，楊俊和陳怡、李谷成運用非徑向、非角度SBM方向性距離函數，將農業非點源污染作為非合意產出，分別分析了1999-2008年環境因素和改革開放后三十年資源環境雙重因素下的農業生產率變化。與以上運用省級數據不同，李周和于法穩運用DEA模型分析了西部900個縣區農業生產效率變化，并且考察了效率與農業可持續性的關系。張新民從微觀農戶層面分析了有機菜花的生產效率。

綜合相關研究可以發現，諸多學者運用多種方法、從不同視角對農業生產效率進行了分析，但仍存在兩方面的遺憾：一是鮮有針對有機農業生產效率的研究，二是相對于非農生產，農業生產對自然環境依賴性更大，跨較大區域

研究農業生產必然面臨著環境和隨機因素影響，這將導致生產效率估計值可信度較低。

眾所周知，中國農業生產環境不僅在東中西、南北方存在較大差異，甚至在省內也存在，如本文研究縣區所在的陜西省內部，陜南、關中、陜北三地區在自然稟賦、經濟發展和城鎮化水平等方面均存在較大差異，然而，現有相關研究以全國各省級數據為主，這顯然忽略了類似的因素。

基于此，本研究擬采用三階段DEA方法，以洋縣有機農業及周邊縣區為對

象，考察其生產效率，可能的兩個創新點：①將有機農業與常規農業納入統一分析框架，明確有機農業生產效率較常規農業的高或低，填補有機農業生產效率方面的研究；②以縣區為決策單元，采用三階段DEA研究方法，既克服了傳統DEA模型估計時有效投影點與無效率點混合的缺陷，同時剔除了環境和隨機因素的影響。

2研究邏輯框架、方法及數據說明

2.1邏輯框架

為了考察有機農業生產效率較常規農業的高或低，選取有機農業發展的典型——洋縣，并以其周邊縣區的常規農業作為參照對象，通過比較分析可以得到洋縣與周邊縣區農業生產效率的差異。但這種差異有可能由于決策單元投入管理方面引起，也有可能因面臨的不同環境、隨機因素造成的，以及區域間原本就存在這種差異。剔除后兩種可能的差異，就可以得到有機和常規兩種農業生產方式（即投入管理）引起的效率差異。本文將運用三階段DEA剔除第二種差異，通過縱向比較洋縣發展有機農業前和后效率變化檢驗第三種差異，以洋縣于2007年被列為省級有機食品生產基地為界，選取2006年作為發展有機農業前的考察年份。

2.2研究方法

所用研究方法是由Fried等于2002年提出的三階段DEA模型。相對于主要的效率計量方法參數回歸法——隨機前沿分析法（SFA）和非參數規劃方法——數據包絡分析（DEA），該方法的最大優勢是：可以剔除外部環境、隨機等非經營因素對效率的影響，估計的效率值能更真實的反映決策單元的內部管理水平。三階段DEA模型的構建如下。

（1）第一階段：傳統DEA模型（BC2模型）。DEA模型可以分為投入導向型和產出導向型。生產效率（TE）是指投入轉化為產出的效率，在缺少價格信息的條件下，無法對資源配置效率進行評價。考慮到本文農業生產效率的側重點是考察在產出不變下投入最小化的問題，以及數據的可獲得性，在此，選取投入導向型，具體為處理“可變規模報酬（Variable Returns Scale， VRS）”假設下的BC2模型。

假設n個縣區，有m項農業投入、s項產出，則作為決策單元DMU0的任一縣區，其農業生產技術集合可表示為：

T=（x，y）：x∈Rm+；y∈RS+，即x可以生產出y，其中x=（x1，x2，x3，…，xm）∈Rm+，y=（y1，y2，y3，…，yS）∈RS+。

其投入導向型對偶形式的BC2模型可表示為：

Minθ，λθ-ε（ets-+ets+）

s.t.∑ni=1 λiyir-s+=y0r

∑ni=1 λixij+s-=θx0j

∑ni=1 λi=1；λi≥0；s+0；s-0（1）

其中，i=1，2，…，n；j=1，2，…，m；r=1，2，…，s。θ為決策單元的有效值。當θ=1，且s+=s-=0，決策單元為DEA有效；當θ=1，同時s+≠0或s-≠0，則決策單元為弱有效；當θ<1，則為非有效決策單元。另外，BC2模型計算出的為技術效率（TE），可以進一步分解為純技術效率（Pure Technical Efficiency，PTE）和規模效率（Scale Efficiency，SE），即TE=PTE×SE。

（2）第二階段：SFA法的投入產出調整。第一階段得出的效率值可能受投入管理、外部環境和隨機誤差三種因素混合影響，因此，需要區分三部分影響以提高傳統DEA的估計信度，通過使用SFA法可以實現這一目的。假設可觀測的外部環境變量有P個，則可構建SFA方程如下：

sik=fi（Zk；βi）+νik+uik（2）

其中，i=1，2，…，m，表示第i項投入；k=1，2，…，n，表示第k個決策單元，sik為第k個決策單元i項投入的松弛變量；zk為k決策單元的可觀測環境變量；βi為待估參數；一般取f（·）表示環境變量對要素i投入松弛變量的影響， 一般取f（·）=zk βi，本文也采用該式。

νik為隨機干擾項，服從0均值σ2νi方差的正態分布；uik～N+（ui，σ2ui），表示管理無效率；νik、uik獨立不相關，聯合項νik+uik表示混合誤差；γ=σ2uiσ2ui+σ2vi表示管理無效率方差占總方差的比重，其大小意味著管理因素或隨機因素的影響較大。

基于SFA法估計式（2）即得到的各環境變量對投入松弛量的影響程度，然后就可以以最有效決策單元的投入量為參照，對其他決策單元投入量調整如下：

x^ik=xik+maxkZkβ^i-Zkβ^i+maxkν^ik-ν^ik（3）

xik、x^ik分別表示決策單元k第i項投入的實際值及調整后的值，其余各項與式（2）一致，“^”表示估計值。式（3）第一個括號、第二個括號分別表示對環境和隨機誤差的調整，使得每個決策單元均面對相同的經營環境和運氣。

（3）第三階段：調整后的DEA模型。以第二階段得到的調整后的投入數據x^ik替代原始投入數據xik作為投入指標，仍以原始產出數據作為產出指標，再次運用BC2模型即可得到剔除了環境和隨機因素后的各決策單元的效率值。

2.3投入產出指標、環境變量選取及說明

（1）投入產出指標。與大多有關農業生產率的研究一致，本文也選取農林牧漁業總產值作為產出指標，主要是與現有有關農業投入指標統計口徑一致，如農業勞動力、機械總動力等均為廣義農業統計口徑。需要指出的是，洋縣的林果、畜禽養殖已經在向有機轉變，因此，將林、牧、漁業包括在其有機農業產出的一部分是合理的。

農業資本、勞動力、土地是農業生產的最主要投入要素。然而，缺乏農業資本的統計數據，在此，借鑒Lin、Kaneko等研究中國農業生產率的做法，選取農業機械總動力作為資本投入的替代變量。以農林牧漁業從業人員作為勞動力投入指標。考慮到復種、休耕、棄耕、種植技術等因素，農作物播種面積是比耕地面積更有效的土地投入指標，但大多數縣的農作物播種面積數據缺失，且考慮到本研究選定范圍較小，可以認為陜南縣域間復種指數等基本相同，因此，選取耕地面積作為土地投入指標。農藥、化肥、薄膜等投入使用是有機農業與常規農業的最主要區別，也是農業生產過程中重要的中間消耗部分，但缺乏農藥投入數據，因此，僅考慮化肥、農膜兩種中間品投入指標。投入產出數據均來源于《陜西省統計年鑒》（2007、2013年縣區農村經濟指標部分），由于漢中市漢臺區、安康市漢濱區農林牧漁業勞動力缺失，因此本文選取除漢臺區、漢濱區以外的陜南26縣區。

表1為陜南各縣區農業投入產出的“同向性”條件檢驗，由各投入項與產出的Pearson相關性系數及P值可知，系數均為正且通過顯著性檢驗，這表明兩個年份投入產出均符合模型的“同向性”假設，即投入增加時，產出不得減少的原則。

（2）環境變量。綜合考慮對農業生產率產生影響且不在樣本可控主觀范圍內的可觀測環境因素及其數據的可獲得性，此處選取農民人均純收入、糧食播種面積與耕

地面積比、城鎮化水平以及財政支出占GDP比重作為環境指標。作為經濟發展水平的重要指標，農民人均純收入在一定程度上決定了農戶對農業投入能力，收入越高，投入質量和能力越高，農業生產率也有可能越高，即預期與農業生產率呈正比，而與投入變量松弛變量呈反比。糧食播種面積與耕地面積比可以反映種植結構的差異，糧食

作

為陜南各區域的傳統種植作物，種植技術基本無障礙，但相對于蔬菜、瓜果等作物其經濟效益較低，預期該指標與農業生產率呈反比。城鎮化水平高低意味著農村人口的寡眾，從而影響農村人均耕地面積大小，另外，城鎮化過程也有可能帶來“過疏化”問題，如農業勞動力老齡化、休耕、棄耕以及更多依賴化學品投入等，鑒于此，對城鎮化與農業生產效率的關系不作預期。財政支出占GDP比重表明了區域政府對包括農村、農業基礎設施、農業科技推廣等在內的公共協調能力，因此，預期其與農業生產效率呈

正向關系。四個環境指標的原始數據均來源于《陜西統計年鑒》（2007、2013年的各縣區農村經濟主要指標、財政收支、生產總值和人口部分）。

3實證分析

3.1第一階段：傳統DEA估計結果

運用DEAP2.1軟件，對式（1）的BC2模型進行估計，具體結果如表2。由表2可知，洋縣有機農業生產綜合效率為0.635，純技術效率為0.698，規模效率為0.910，均低于陜南26縣區的平均值，處于規模報酬遞減狀態。由于該結果未剔除環境因素和隨機因素對農業生產效率的干擾，并不能真實反映洋縣與陜南其他縣區農業生產效率的差異。

3.2第二階段：SFA回歸結果

將第一階段DEA模型的各投入變量的松弛變量取對數后作為產出數據，以取對數后的四種環境變量作為投入數據，運用Frontier4.1軟件進行最大似然估計（MLE），結果見表3。由表3 中SFA的對數似然函數值（log likelihood）、似然比檢驗（LR test）可知，估計效果較好。除城鎮化水平以外，選取的各環境變量對各縣區投入冗余均通過顯著性檢驗，這表明外部環境對農業生產效率有顯著影響（城鎮化水平僅對耕地面積投入松弛變量顯著）。另外，機械總動力松弛變量、農林牧漁業從業人員松弛變量、耕地面積松弛變量、農用薄膜松弛變量的γ值均為或接近于1，且均通過顯著性檢驗，這表明，此四種投入要素的冗

余以管理效率因素為主，相反，化肥施用量松弛變量的γ

值趨近于0，且在1%水平上顯著，這意味著化肥投入冗余

主要由隨機干擾引起。所以，管理因素、外部環境因素和隨機因素對農業生產效率均有顯著影響，有必要進行各因素對效率影響的剝離性分析。

由表3環境變量對各投入松弛變量的估計系數符號來看，農民人均純收入、財政支出占GDP比重、糧食播種面積與耕地面積比的估計系數與預期相符，即農村經濟發展水平和政府的公共服務能力越高，各項投入冗余越小，越有利于農業生產效率，而糧食作物種植比例越高，

越有可能增加各項投入冗余，農業生產效率越低。城鎮化水平

與耕地面積投入松弛變量呈負相關，即城鎮化水平越高，越有可能減少耕地的粗放投入，這有可能是農村人口向城鎮轉移增加了農業人均耕地面積，從而促使了規模經營的結果，但城鎮化水平對其他四種投入松弛變量的影響不顯著，這也許是因為陜南還未出現農業“過疏化”問題。

3.3第三階段：投入調整后的DEA實證結果

根據式（3）對原始投入變量進行調整，并以此為投入變量，仍以原始產出數據為產出變量，再次運用BC2模型進行估計，作為對照，結果仍列入表2。觀察第三階段的農業生產效率可以發現，剔除了環境和隨機因素后，洋縣農業生產綜合效率、純技術效率有所提高，規模效率下降，但三者仍均低于陜南各縣區的平均水平。農業生產規模報酬仍是遞減的。

3.4進一步驗證：洋縣農業生產率的縱向比較

由上可知，由于管理因素引起的洋縣農業生產效率低于陜南的平均水平，但這種差異也許原本就存在的，也就是，發展有機農業之前，洋縣農業生產效率與陜南的平均水平就已經有了這種差異。在此，選取洋縣發展有機農業前的2006年作為參照期，從而檢驗是否是固有差異。同樣運用三階段DEA模型，得到2006年洋縣及周邊縣區的農業生產效率值（見表4）。

由表4可知，以第三階段估計結果為準，發展有機農業前，洋縣農業生產綜合效率、純技術效率分別為0.552，0.590，在陜南26縣區中分別排第21位、23位，而發展有機農業后均有提高，排名也分別上升了5位、6位，相反，洋縣的規模效率值及其排名均呈下降，這表明，洋縣在發展有機農業后，更多的依靠技術進步降低了對投入規模的依賴，從而使農業綜合效率在陜南的排名上升了。因此，可以認為，洋縣農業生產效率與陜南的平均水平的差異不是固有的，而是因兩種農業生產方式之間的差異。當然不是

完全否定原來的差異現在不存在了，而是指2006年時洋縣與陜南之間的農業生產效率差異決定了起跑線，而農業有機化明顯的縮小了這種差距。

4結論與討論

4.1結論

本研究仍存在著一個重要不足：洋縣農業生產施用的有機化肥與周邊縣區的普通化肥在價格、肥力效用等方面不同，由于缺乏價格信息，未進行調整而直接將其使用量作為投入要素的做法顯然有失偏頗，但考慮到作為“理性人”的農民會根據成本收益調整投入，同時所運用的三階段DEA模型將各決策單元調整至了無差異的環境和運氣下，且進行了縱向的驗證，因此，這一做法不會影響本文的最終結論，主要如下：

（1）三階段DEA模型表明，管理因素、環境因素和隨機因素對洋縣及周邊縣區農業生產效率均有顯著影響，對三種要素帶來的影響進行剝離分析是必要的。農民人均純收入、城鎮化水平、財政支出占GDP比重對農業生產效率有顯著正向影響，糧食播種面積與耕地面積比具有顯著負向影響。剔除環境和因素后，洋縣有機農業生產效率有所提高，但仍低于陜南的平均水平。

（2）通過縱向的進一步檢驗發現，發展有機農業后，洋縣農業生產效率在陜南的綜合效率上升了5位，這主要

得益于技術進步的作用，而非規模效率的提升。農業有機

化有利于提高農業生產效率，即有機農業可能比常規農業

生產效率高。然而，洋縣的技術效率仍低于規模效率，為了提高綠色農業生產效率，提升管理水平和技術進步比擴大生產規模更緊迫。

4.2討論

隨著我國經濟發展和人民生活水平的提高，農業向有機、綠色發展的趨勢明顯，同時國內有關現階段大面積發展有機農業可能降低我國農產品有效供給的爭論未達成統一觀點。本文以大范圍發展有機農業典型的洋縣為例，得出了發展有機農業有利于提高農業生產效率，即有機農業比常規農業生產率更高的結論。這在一定程度上支持了現階段大面積發展有機農業的積極觀點。然而，需要指出的是：①本研究的產出是以總產值而非產量衡量的，以產量作為產出變量時是否也會得出本文的結論有待驗證。②洋縣的有機農業實踐證明，就現階段來看，有機農業發展前景較好，小范圍如縣域以有機農業為主導發展經濟可取得經濟和生態共贏的良好效果，但這需要政府、企業、社區、農戶等共同協作，如洋縣以村為單元，根據不同的地形、農業和經濟發展基礎，實施了適宜的有機主導產品和相應發展模式。對于以上兩點，筆者將另文分析。

（編輯：王愛萍）

參考文獻（Reference）

Farrell M J. The Measurement of Productive Efficiency. Journal of the Royal Statistical Society： Series A （General）， 1957， 120（3）： 253-290.

Charnes A， Cooper W W， Rhodes E. Measuring the Efficiency of Decision Making Units. European Journal of Operation Research， 1978， 2 （6）： 429-444.

Kawagoe T， Hayami Y， Ruttan V W. The Intercountry Agricultural Production Function and Productivity Differences Among Countries. Journal of Development Economics， 1985， 19 （1）： 113-132.

Restuccia D， Yang D T， Zhu X D. Agriculture and Aggregate Productivity： A Quantitative Crosscountry Analysis. Journal of Monetary Economics， 2008， 55（2）： 234-250.

Ruttan V W. Productivity Growth in World Agriculture： Sources and Constraints. Journal of Economic Perspectives， 2002， 16（4）： 161-184.

Haag S， Jaska P， Semple J. Assessing the Relative Efficiency of Agricultural Production Units in the Blackland Prairie， Texas. Applied Economics， 1992， 24（5）： 559-565.

McMillan J， Whalley J， Zhu L J. The Impact of Chinas Economic Reforms on Agricultural Productivity Growth. Journal of Political Economy， 1989， 97（4）：781-807.

Lin J Y. Rural Reforms and Agricultural Growth in China. The American Economic Review， 1992， 82（1）： 34-51.

Wen G J. Total Factor Productivity Change in Chinas Farming Sector： 1952-1989. Economic Development and Cultural Change， 1993， 42 （1）：1-41.

陳衛平.中國農業生產率增長、技術進步與效率變化：1990-2003年.中國農村觀察，2006，（1）：18-25. . China Rural Survey， 2006， （1）： 18-25.]

周端明.技術進步、技術效率與中國農業生產率增長：基于DEA的實證分析.數量經濟技術經濟研究，2009，（12）：70-82. . The Journal of Quantitative & Technical Economics， 2009， （12）： 70-82.]

郭軍華，倪明，李幫義.基于三階段DEA模型的農業生產效率研究.數量經濟技術經濟研究，2010，（12）：27-38. . The Journal of Quantitative & Technical Economics， 2010， （12）： 27-38.]

楊俊，陳怡.基于環境因素的中國農業生產率增長研究.中國人口·資源與環境，2011，21（6）：153-157. . China Population， Resources and Environment， 2011， 21（6）： 153-157.]

李谷成.中國農業的綠色生產率革命：1978-2008.經濟學（季刊），2014，13（2）：537-558. . China Economic Quarterly， 2014， 13（2）： 537-558.]

李周，于法穩.西部地區農業生產效率的DEA分析.中國農村觀察，2005，（6）：2-10. . China Rural Survey， 2005， （6）： 2-10.]

張新民.有機菜花生產技術效率及其影響因素分析：基于農戶微觀層面隨機前沿生產函數模型的實證研究.農業技術經濟，2010，（7）：60-69. . Journal of Agrotechnical Economics， 2010， （7）： 60-69.]

Fried H O， Lovell， C A K， Schmidt S S， et al. Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis. Journal of Productivity Analysis， 2002， 17（1）： 157-174.

Coelli T. A Guide to DEAP Version 2.1： A Data Envelopment Analysis （Computer） Program. CEPA Working Paper 96/08， Department of Econometrics， University of New England， Australia， 1996：1-50.

Lovell C A K. Production Frontiers and Productive Efficiency//Harold O. Measurement of Productive Efficiency： Techniques and Applications. New York： Oxford University Press， 1993： 3-67.

Kaneko S， Tanaka K， Toyota T， et al. Water Efficiency of Agricultural Production in China： Regional Comparison from1999 to 2002. International Journal of Agricultural Resources， Governance and Ecology， 2004， 3（3）： 231-251.

高強，高仁德，丁慧媛.農民組織化與農業產業化聯動發展機制研究： 基于農業生產效率提升的視角.經濟與管理評論，2012，（1）：85-90.. Review of Economy and Management， 2012， （1）：85-90.]

屈志光，陳光炬，劉甜.農業生態資本效率測度及其影響因素分析.中國地質大學學報：社會科學版，2014，14（4）：81-87..Journal of China University of Geosciences： Social Sciences Edition，2014， 14（4）：81-87.]

韓海彬， 趙麗芬. 環境約束下中國農業全要素生產率增長及收斂分析. 中國人口·資源與環境， 2013， 23（3）：70-76. . China Population， Resources and Environment， 2013， 23（3）：70-76.]