江西省財政支農資金績效評價及優化建議

高 群，華曉月

（南昌大學公共管理學院，江西 南昌 330031）

2017年中共中央國務院發布的《關于深入推進農業供給側結構性改革 加快培育農業農村發展新動能的若干意見》，是改革開放以來第19份以“三農”為主題的”中央一號“文件，也是自2004年以來，連續第14次聚焦“三農”問題的”中央一號“文件。伴隨國家財政支農力度的持續加大，越來越多的人關注財政支農支出的績效評價問題。明確分析評價財政支農支出的使用效率有助于發現財政支農支出存在的各種問題，進一步改革財政支農資金管理與利用方式，從而促進農業的進一步發展，改善農業經濟。從學術界已有的研究成果來看，應用DEA模型測評各種績效的研究已經有所發展。近年來，國內學者關于財政支農績效的研究主要有以下3個方面：

（1）財政支農績效的評價研究。例如，吳華超等［1］運用 DEA 模型對重慶市各區縣農村財政金融資金的配置效率展開研究，發現其對促進農村經濟整體運行的績效不佳。方鴻［2］采用可以同時剔除外生環境和隨機誤差對效率值影響的三階段DEA方法，對我國2005—2008年各地區政府財政支農支出的效率進行測度，發現與三階段DEA方法相比，普通的DEA方法在評價各地區政府財政支農資金效率時會出現對總體效率水平的低估，特別是西部地區很多省份的財政支農支出效率被低估，導致不同地區之間效率差異的程度被夸大。王謙等［3］運用三階段DEA模型測度了我國28個省（市）1995—2014年財政支農支出效率，發現全國整體及28個省（市）財政支農支出效率均沒有達到完全有效的狀態，且效率水平不高，但在整個考察期間內效率水平呈現出上升的態勢；進一步研究表明，在外界環境因素中，農村居民家庭人均經營耕地面積、農村居民人均受教育年限以及人均農村機械總動力對提高財政支農支出效率具有顯著的正向作用。鄒帆等［4］以廣東省為研究對象，應用DEA方法以及VRS模型計算效率值，得到了技術效率、純技術效率和規模效率，在此基礎上運用主成分分析法（PCA）對數據進行處理，取消其變量間的相關性，保證運用DEA模型測算使用效率結果的準確性，結果發現自1995年以來，廣東省財政支農資金使用效率總體呈現出下降趨勢，2010年以后略有回升。

（2）財政支農績效的區域差異研究。何忠偉［5］選取2003年省域層面的截面數據，運用柯布-道格拉斯生產函數，對財政支農的區域差異進行研究，結果表明，資金稀缺的地區具有較高的使用效率，農業資金效率與規模之間呈負相關性，除了各地在資金使用、投入結構等方面存在差異外，也與資金本身具有邊際收益遞減的規律有關。杜輝［6］運用多階段DEA的BCC模型分析了全國及各省市32個考察對象的財政支農績效，研究表明，從省際間來看，由于農業技術手段落后和投入非最優規模，全國及多數省份財政支農的純技術效率極端低下，規模效率相對低下，繼而造成總技術效率低下；從區域間來看，受經濟發展水平、財政收支規模等因素影響，財政支農績效呈現出自東部向中部、西部依次遞減的格局。白雪等［7］借助于 DEA－BCC模型，以全國 31 個省份為研究對象，對其純技術效率、規模效率和綜合效率進行測算，結果顯示其中有 21 個為 DEA 有效單元，10 個為非DEA 有效單元，省際之間存在較大差異，建議各區域減免區域要素的單邊效應，明確資源的投入方向，注重市場主體特征異化。

（3）財政支農績效的影響因素研究。李燕凌［8］以湖南省為例，采用14個市（州）的截面數據，運用 DEA-Tobit回歸模型分析了財政支農支出效率水平及其影響因素，認為投入產出模式對財政支農支出效率的作用有限，只有合適的財政投入產出規模才有利于提高其效率水平，促進農民增收并利于長期改進財政支農支出效率。李琳［9］運用數據包絡分析方法對我國1978—2010年財政支農資金的效率及其影響進行了分析評價，并對其中純技術效率及規模效率均小于1的年份的投入產出投影值進行測度，發現在這33年間國內財政支農的綜合效率、純技術效率以及規模效率分別有8年、22年和8年是完全有效的，有11年的投入產出項目存在冗余，支出結構不盡合理，資金使用效果欠佳。崔元峰等［10］通過DEA分析認為財政支農支出資金結構偏差是其整體績效低水平運行的最主要影響因素，由此提出實行項目管理、 提高支農行為的系統性等相關建議以促進其綜合效率的提高。

而國外學者們對DEA模型的應用主要側重于研究高校管理、工業生產以及環境保護、農業信貸等方面的效率問題。例如，Casu等［11］運用DEA模型以英國大學探析領域對各高校的管理效率進行評價。Moon等［12］利用兩階段 DEA 模型，確定了與整體能源效率的差異并非單純的能源效率造成的，而是由經濟效率引起的；此外，該研究還對企業規模、認證管理體系的擁有、排放類型等環境變量的影響進行了統計分析。Vlontzos等［13］采用 DEA 窗口方法，在共同農業政策的強力影響下，對歐盟國家主要部門的溫室氣體排放效率進行了評估，量化其正面或負面影響并提出有關建議，研究表明歐盟國家與發展中國家相比，存在著顯著的環境效率低的特點。Jensen［14］則考察了政府資助的農業信貸制度對農業信貸市場配置效率的影響，研究發現政府資助的農業信貸系統會產生無謂損失和市場扭曲。

綜上而言，學術界對DEA模型測算各種績效的應用大多數都集中于固定的投入與產出，尤其是經濟效益。但是隨著當今社會對生態改善及社會責任的日益關注，一些新問題凸顯出來，測算指標不僅僅限于經濟效益。基于此，本研究以農業大省江西省為例，選取經濟、社會和生態3方面的測評指標研究財政支農支出效率，旨在正確認識江西省各市以及全省的財政支農現狀與存在問題，為今后包括江西省在內的省域層面財政支農體系的改善和變革提供參考。

1 研究方法

1.1 模型選擇

目前財政支農支出效率評價的研究方法主要有3種模式：一是通過制定各項財政支農績效評價的指標確定各項要素并進行評價；二是通過構建經濟計量模型實證檢驗相關績效；三是基于數據包絡分析模型（即DEA模型）測評財政支農資金的綜合技術效率。對比其他兩種方式，基于DEA模型的測算更加明確直觀，故本研究選取DEA模型展開研究。DEA模型是由Charnes等［15］學者于1978年提出的用于評價生產效率的重要非參數方法。該方法的主要原理是通過保持決策單元（DMU）的輸入或者輸入不變，借助于數學規劃方法確定相對有效的生產前沿面，將各個決策單元投影到DEA的生產前沿面上，并通過比較決策單元偏離DEA前沿面的程度來評價它們的相對有效性。它是根據多項投入指標和多項產出指標，利用線性規劃的方法，對具有可比性的同類型單位進行相對有效性評價的一種數量分析方法。目前該模型已被廣泛應用于不同行業及部門，且在處理多指標投入和多指標產出并進行績效評價方面，體現了其得天獨厚的優勢。根據前提假設不同，傳統的DEA模型主要分CCR與BCC兩種。其中，CCR模型是DEA的標準模型，指在規模報酬不變的情況下決策單元的投入產出相對效率；而在CCR模型的基礎上產生的BCC模型，可衡量不同規模報酬下的相對效率值。兩個模型又可進一步區分為投入導向型（在產出水平一定的情況下使投入成本最小）和產出導向型（在投入要素一定的情況下使產出值最大）兩種形式。本研究意在優化財政支農支出以提高財政支農效率，故采用投入導向型BCC模型。

模型的建立與假設：假設DEA模型中有n個決策單元，每個決策單元都有m種類型的“輸入”以及s種類型的“輸出”，分別表示該單元的“耗費資源”和“工作成效”，用xij(xij＞0，i = 1，2，…m）代表第j個決策單元對第i種類型輸入的投入量，yrj(yrj＞0，i = 1，2，…，s）為第j個決策單元對第r種類型輸入的投入量，并記：

為避免錐性條件即規模收益不變的發生，在設定過程中增添一個凸性假設條件可能集T可描述如下式，其解析圖見圖1。

圖1 BCC模型中可能集T的解析圖

而BCC模型經驗生產可能集將錐形條件去掉后，即可以嚴格集中在單個DMU水平的生產有效性上。建立基于生產可能集TBCC下的DEA模型，即 BCC 模型：

Minθ= VD2

及其對偶問題：

上式含義為：（1）若純技術效率和規模效率兩者均為1，則DEA有效；（2）若兩者中只有一方的值能夠達到1，說明實現了弱DEA有效；（3）若兩者均不為1，則非DEA有效。

BCC模型測算出的效率值為綜合技術效率（TE），又稱生產效率，綜合反映了一個決策單元的純技術效率（PTE）和規模效率（SE），即TE=PTE×SE。通常情況下，純技術有效的決策單元會因為規模效率問題使得生產不一定有效 ；同理，規模有效的決策單元也會因為純技術效率問題使得生產不一定有效。由BCC模型可知，一個決策單元的效率指數為1，當且僅當該DMU位于有效生產前沿面上，甚至可以不是規模有效。后續研究將運用 DEAP2.1 軟件，對面板數據進行測算。

1.2 變量選取與數據處理

根據DEA模型對數據選取的要求以及研究江西省財政支農支出效率的需要，本研究以江西省財政支農支出總額即“農林水事務”支出（x）作為投入指標，結合中央一號文件的精神以及相關研究成果和各類文獻記錄，選取近年來國民日益關注的經濟效益、社會效益和生態效益作為產出指標。其中，經濟效益選取反映農業生產狀況的農林牧漁總產值（y1）和反映農民收入的農民人均純收入（y2）指標替代；社會效益指標選取反映糧食產量的糧食產值（y3）；生態效益方面選取生態建設水平的造林面積（y4）和反映農田水利建設成果的有效灌溉面積（y5）。

本研究主要以江西省11個市為研究單元，數據主要來源于2011—2016年《江西統計年鑒》。為消除幾年來各市人口規模的影響，將（x）和 y1、y2、y3、y4、y5按各市農村人口數進行平均。為消除價格因素的影響，使用處理后的價格指數，故選取2009年價格指數的基期，對x、y3用居民消費價格指數剔除價格因素的影響，對y1與y2分別用農林牧漁總產值指數和居民消費價格指數剔除價格因素的影響。

2 結果與分析

2.1 宏觀層面（省際）財政支農支出效率比較與分析

2.1.1 與中三角其他省份財政支農效率對比 從投入指標來看，2010—2015年江西省財政支農支出總額不斷增加（表1），但增長率呈波動式下降的趨勢（以年均2.6%的降幅，自2010—2011年間的24.0%降至2014—2015年間的11.0%）。與同處中三角地區的湖南和湖北兩省相比，其下降趨勢明顯且幅度較大。2015年，湖南省與湖北省財政支農支出總額有所回升，而江西省仍處于下降趨勢。從產出指標來看，江西省的農林牧漁總產值處于穩步增長狀態，增長率處在三省中間位置，但仍存在下降趨勢；而全省農民人均純收入數額處于三省中間，與其他兩省相比增長率的波動較小，但中間回升幅度明顯小于其他兩省。總體來看，三省之間的財政支農支出力度差異較小，但就取得的回報來看，江西省并非最有優勢。江西省投入與產出之間增長率存在差異，在一定程度上表明該省存在較大的提升空間。

表1 2010—2015年中三角三省財政支農投入與產出比較

2.1.2 江西省財政支農支出效率分析 從整體上看，江西省2010—2015年平均的綜合技術效率（TE）呈現波動式下降的趨勢，其中2013年的下降幅度最大，2014—2015年呈現回升之勢，且2014年的回升幅度最大（表2）。這說明前4年江西省財政支出效果有所欠缺，然而伴隨政府對財政支農績效的日益重視，近兩年來江西省財政支農效果有所恢復。此外，6年的純技術效率均值為0.891，即省域財政支農平均效率水平與生產前沿面相差10.9%。這意味著在保持當前農業產出水平不變的情況下，通過管理水平的提高可以減少10.9%的要素投入，即在保持當前要素投入的情況下，江西省的農業產出水平可以提高10.9%，基于此，江西省的財政支農效率仍然有較大提升空間。除了2012、2013年，其他4年的純技術效率（PTE）均值均低于規模效率（SE）均值，表明制約江西省財政支農支出效率的主要是純技術效率，可以通過管理和技術水平提升等手段加以改善。而2013年純技術效率遠遠超過規模效率，意味著當年江西省財政支農支出在規模上存在問題且其程度較為嚴重。

表2 2010—2015年江西省11市財政支農支出效率值及其分解

2.2 微觀層面（市級）財政支農支出效率比較與分析

從江西省各市來看，2010—2015年期間財政支農綜合效率為1，即DEA有效的市數分別為 3、6、4、3、5、5；純技術有效的市數分別為5、7、7、6、7、8；規模有效的市數為 3、6、4、3、6、5；純技術有效的數量明顯大于規模有效的數量。其中，宜春市的財政支農綜合效率連續6年均為1，表明該市6年來財政支農效率均保持最優狀態，投入得到最高程度的利用并且能夠取得最佳回報。就省會城市南昌市而言，其純技術效率6年為1，制約DEA有效的原因是規模效率的下降。而全省財政支農綜合效率排末位的是景德鎮市，6年來始終處于較低水平，從數據來看，6年來其規模效率除2013年外均處于較高水平，因此制約其綜合效率的主要是純技術因素；此外，景德鎮市在2013年的綜合效率僅為0.487，表明有51.3%的各種支農資金被浪費，該市涉農財政投入與農業產出之間存在較大落差。

為更直觀地展現江西省內各地級市財政支農效率狀況，以0.900作為純技術效率與規模效率的分界值，繪制2013年江西省內各市純技術效率與規模效率分布圖（圖1）。

圖1 2013年江西省11市純技術效率與規模效率分布

圖1共分為4個區域：雙高區（SE與PTE值均在0.9以上）、高低區（PTE值在0.9以上，SE值在0.9以下）、低高區（PTE值在0.9以下，SE值在0.9以上）以及雙低區（PTE與SE值均在0.9以下）。這4個區域分別代表江西省11個地級市基于DEA模型財政支農效率測評所形成的4種類型地區。具體來看：

（1）雙高型地區對應圖1雙高區，隸屬這類地區的有吉安市、宜春市、撫州市。2013年這3市的純技術效率與規模效率均為1，表明同年3市的財政支農支出得到了最優利用，在純技術領域與規模領域并未出現缺口。（2）高低型地區即對應圖1高低區，隸屬這類地區的有上饒市、贛州市、鷹潭市、萍鄉市、新余市、南昌市。2013年這6市的純技術效率值較高，其中萍鄉、新余、南昌3市均為1。制約該地區財政支農綜合效率的主因是規模效率太低，需要有所改善才能實現其財政支農的整合與優化配置。就這6市中規模報酬遞增的情況來看，要進一步加大財政投入；而對于規模報酬遞減的市，則要在保證財政投入的基礎上恰當調整財政支出的結構和領域，以實現規模效率。（3）低高型地區對應圖1低高區，隸屬這類地區的是九江市。九江市2013年的規模效率值為0.987，接近于1，但純技術效率僅為0.740，仍存在極大的提升空間。對于這類純技術效率較低的地區，問題集中于財政支農資金的監管制度與技術領域。為促進綜合效率的提升和改善，要加大財政支農資金的管理和提高資金分配的合理性以提高純技術效率。（4）雙低型地區對應圖1雙低區，隸屬這類地區的是景德鎮市，在純技術效率與規模效率方面都存在較大不足。此類區域，既需要加大財政投入力度、優化財政支農結構，又需要改善管理與監察以實現合理配置。此外，各市在4種類型地區的分布也隨時間呈現動態變化（表3），從側面揭示出各市政府及有關部門對財政支農的重視及展程度。

從表3可以看出，江西省11市純技術效率與規模效率6年的分布區主要是雙一型（PTE值與SE值均為1）地區和雙高型地區。其中，雙一型分布數量呈現波動增長趨勢，雙高型分布數量同樣也在波動增加，除2013年減少為3個外，其余幾年數量占總市數的50.0%及以上。雙低型地區分布數量極少，幾乎6年來都為0。而低高型與高低型地區分布比較少，平均占總市數的18.0%，僅2013年有所差異，高低型地區分布數量激增到6個，可見2013年多市的規模效率都存在問題。

表3 2010—2015年江西省11市純技術效率與規模效率年度分布

通過DEA模型測算，實際的投入產出值在軟件運行后都會給出標準數值作為參考，本研究選取2015年數值為例，江西省11市在投入如表4所示的財政支出總額時，沒有達到標準值的主要是農林牧漁總產值與有效灌溉面積。這要求未來政府在農林牧漁業生產方面還要改善管理，同時在發展經濟時要注意生態效益的提升，改善水利、實現有效灌溉。

表4 2015年江西省11市實際投入產出值（消除人口規模與價格變動影響）與DEA模型測算標準值比較

3 結論與討論

為科學評估江西省財政支農資金配置績效，本研究選取2010—2015年數據，基于DEA模型從宏觀層面和微觀層面兩個尺度分析評價了江西省省際與市際之間財政支農效率，研究表明：（1）宏觀層面：與中三角其他兩省（湖南、湖北）相比，江西省在財政支農效果方面存在較大的提升空間。江西省的財政支農效率不穩定，主要的制約因素是純技術效率，未來需要強化財政支農的持續性，保持動態平衡。從數據來看，江西省6年的財政支農綜合效率均值為0.891，每年的各市財政支農綜合效率均值除2013年以外均超過0.850，財政支農效率水平較高，然而波幅較大、呈現下降又回升的態勢。（2）微觀層面：江西省各地市之間的財政支農資金績效也存在較大差距，綜合技術效率最高值與最低值之間相差0.513，超過半數。總體來看，綜合技術效率有效的市占少數，大部分地區的純技術效率和規模效率雖然較高但仍處于無效狀態，還有一部分地區存在純技術有效而規模無效或者規模有效而純技術無效的現狀。

為優化江西全省財政支農資金配置，建議從以下兩大方面著手：（1）在保持原有財政支農綜合效率的基礎上，繼續加大省域財政支農支出。適當擴大全省財政支農規模，加強管理；提升農業技術水平，平衡各地區財政支農發展，以穩定省際財政支農效率，保持財政支農的動態平衡。（2）各市要因地制宜，結合本市的財政支農特點加以改善。對于財政支農支出綜合效率有效的市（如宜春市），要始終保持并堅持財政支農的現有力度和結構。針對財政支農支出綜合效率主要受純技術效率制約的市，需要在財政支農資金的管理和技術利用上有所改革和創新，如可以進一步加強財政支農資金監管的立法工作；建立更加明晰的績效評估及獎懲制度；引入與當事部門沒有利益聯系的第三方作為監督和評估機構；加強農民的參與力度；發展農業科技，引入農業高校人才等等。針對財政支農支出綜合效率主要受規模效率制約的市，則需要在財政支農資金的投入力度與規模、資金作用方向方面有所改善。一方面要進一步加大財政資金、政策在農業上的支持，促進農業產業化生產的實現，擴大規模；另一方面則需要通過梳理明確財政支農資金的流向和各種需要之間資金的合理配置，優化財政支農的結構。對于純技術效率和規模效率都有所欠缺的市，尤其像2013年景德鎮市（雙低型）或2012年吉安市（雙高型），需要積極利用自身優勢，在兩方面有所提升，既要擴大財政支農的規模，又要加強財政支農資金的管理和評估，實現兩者的同步發展和穩步提高。

參考文獻：

［1］吳華超，溫濤. 基于DEA方法的農村資金配置效率研究—— 以統籌城鄉綜合配套改革試驗區重慶市為例［J］. 金融理論與實踐，2008（3）：25-28.

［2］方鴻. 政府財政支農資金效率的地區比較——基于三階段DEA模型的實證分析［J］. 軟科學，2011，25（7）：27-32.

［3］王謙，李超. 基于三階段DEA模型的我國財政支農支出效率評價［J］. 財政研究，2016（8）：66-77，90.

［4］鄒帆，陳雪姣. 基于DEA模型的廣東財政支農資金使用效率分析［J］. 廣東農業科學，2014，41（18）：200-206，222.

［5］何忠偉. 中國財政支農效率的區域差異比較［J］. 統計與決策，2006（5）：76-77.

［6］杜輝. 基于多階段DEA模型的中國財政支農績效分析［J］. 會計之友，2016（11）：90-93.

［7］白雪，張明斗. 基于BCC模型的區域經濟發展績效評價研究［J］. 商業研究，2012（2）：50-54.

［8］李燕凌. 基于DEA-Tobit模型的財政支農效率分析—— 以湖南省為例［J］. 中國農村經濟，2008（9）：52-62.

［9］李琳. 基于DEA模型的財政支農資金效率及影響分析［J］. 重慶工商大學學報（自然科學版），2013（11）：11-18.

［10］崔元鋒，嚴立冬. 基于DEA的財政農業支出資金績效評價［J］. 農業經濟問題，2006（9）：37-40，79.

［11］Casu B，Thanassoulis E. Evaluating cost efficiency in central administrative services in UK Universities［J］. Omega，2006（34）：417-426.

［12］Moon H，Min D. Assessing energy efficiency and the related policy implications for energyintensive firms in Korea：DEA approach［J］.Journal Citation Reports，2017（5）：23-34.

［13］Vlontzos G，Pardalos P M. Assess and prognosticate greenhouse gas emissions from agricultural production of EU countries，by implementing，DEA Window analysis and artificial neural networks［J］. Journal Citation Reports，2017（76）：155-162.

［14］Jensen E. The Farm Credit System as a Government-spon-sored enterprise［J］. Review of Agricultural Economics，2000（22）：326-335.

［15］Charnes A，Cooper W，Lewin A Y. Data Envelopment Analysis：Theory，Methodology and Application［M］. Boston：Kluwer Academic Publisher，1994.