農業生產性服務業對農業生產效率的影響研究*
——以山東省為例

劉 明，王瑞波，孫煒琳※

(1.中國農業科學院農業經濟與發展研究所，北京 100081； 2.農業部農業生態與資源保護總站，北京 100125)

0 引言

在農業生產過程中，為其提供中間投入品，如科技、信息、資金、人才等，從而使得農業產業鏈有效延長，并提高農業生產效率，加強農業產業協調性，這樣的行業稱之為農業生產性服務業[1]。近年來，我國政府高度生產性服務業的發展，國務院在2014年發布的《加快發展生產性服務業促進產業結構調整升級的指導意見》中提出，要實現服務業與農業等在更高水平上的有機融合、因地制宜引導生產性服務業在現代農業產業等區域集聚從而實現規模效益及特色發展； 2016年和2017年“中央一號”文件中分別提到，鼓勵并支持新型農業服務主體進行專業化服務，繼續推廣農業生產全程的社會化服務。目前，我國正處于農業生產方式轉型升級的關鍵時期，農業兼業化、農民老齡化、資源約束、生態環境惡化等問題較為突出，如何高效利用現有資源來提升農業生產效率成為我國農業農村實現可持續發展的關鍵。因此，哪些行業的農業生產性服務業能夠影響農業生產效率是一個至關重要的問題。

山東省作為農業大省， 2015年山東省第一產業生產總值增長4.1%； 全省糧食總產比2014年增長2.5%，實現13年連增； 第一產業固定資產投資較2014年增長27.4%，在全面推進農業產業化、大力發展現代農業以及積極轉變農業發展方式等方面做出了巨大的努力并取得了一定成就。在鼓勵發展形式多樣的農業生產性服務業的同時，也存在資源配置不合理、效率低下、服務體系不健全等問題。因此，文章以山東省為例，通過測算山東省農業生產效率并實證檢驗細分行業的農業生產性服務業對農業生產效率的影響，以期為進一步提升農業生產效率提供決策依據。

1 文獻綜述

現有相關文獻從不同視角研究了農業生產效率及生產性服務業。從農業生產效率及其影響因素研究來看，Gopinath等[2]分析了美國農業競爭力的概念、存在的問題及政策含義，認為提高農業生產效率能夠有效提升農業競爭力。Ball等[3]通過分析多個國家的農業生產效率發現，資本積累與農業生產效率之間相輔相成，能夠相互促進。不同地區農業生產效率存在顯著差異，城市化水平、農村勞動力受教育程度和農業科技力量對農業生產技術效率有顯著的正向影響，而農村居民家庭人均純收入、財政支農、自然災害等因素對農業生產效率有顯著的負向影響； 漁業產業結構比重越大，農業生產率越低，反之，畜牧業產業結構占比越大，農業生產率越高[4-7]。有不少學者對生產性服務業相關問題進行了研究，例如,Alston等[8]研究發現服務貿易及公共技術服務這兩類生產性服務業對美國農業效率均有正向影響。國內眾多研究表明，農業生產性服務業是發展現代農業、轉變農業生產方式的重要支柱，是農業、農村經濟發展的新增長點，能夠促進農民增收，為農村經濟發展注入新的活力，我國經濟增長對生產性服務業的短期效應較美國強，生產性服務業的發展是影響經濟增長的顯著要素，不僅能夠在控制生態環境惡化和食品安全源頭問題中發揮一定作用，且其規模影響農業獲利能力，但就目前的發展現狀來看，農業生產性服務業對農業經濟發展的部分外溢作用被抑制[1， 9-13]。我國不同地區之間生產性服務業的進步有利于農業現代化效率的提升，對于中西部地區而言，兩者在長期有較顯著的相互促進的內生關系，其中科學技術和信息技術服務業是提高農業生產效率的有效因素[14-15]。

現有文獻對農業生產效率及生產性服務業的研究豐富，但農業生產性服務業對于農業生產效率影響的實證分析較少； 由于農業生產性服務業涉及的行業較多，對于細分行業的研究較少。但細分行業的農業生產性服務業對農業生產效率的影響不容忽視，因此該文以山東省為例進行實證分析。

2 研究方法與數據說明

2.1 研究方法

(1)三階段DEA模型：數據包絡分析法(DEA)是一種采用非參數形式測算多投入多產出的決策單元(DMU)生產效率的方法，該方法以相對概率為基礎，通過樣本數據構建生產前沿面(即最優產出)來衡量各DMU與其之間的距離，DMU的實際產出到生產前沿面的距離越小則說明其綜合效率越高。Farrell最先提出了使用數學規劃的方法計算英國農業生產效率，這是DEA方法的原型[16]。Fried等[17]研究認為管理、環境及隨機因素的無效率導致了投入或產出的冗余，并提出三階段DEA模型來消除環境與隨機因素的影響，從而能夠更有效地評價DMU的生產效率。構建三階段DEA模型有3個步驟。

第一步：運用經典DEA模型測算DMU的生產效率值及相應的松弛變量。DEA模型分為投入導向型及產出導向型兩種形式，由于該文中所談及的農業生產效率是指在一定資源投入基礎之上測量的農業生產綜合效率，因此選擇規模報酬可變的投入導向型BCC模型，線性規劃方程：

min[θj-ε(eTs-+eTs+)]

(1)

式(1)中，n為決策單元DMU的個數；m、s分別為投入變量、產出變量的個數；θj為第j個DMU的效率值；ε為非阿基米德無窮小量；eT=(1， 1，…， 1)T∈E；xij、yrj分別表示第j個DMU的第i種投入品數量和第r種產出品數量；λj為第j個DMU的權重系數；s-為投入冗余量，s+為產出不足量。若θ<1且s-、s+至少有一個不為0，則DMU為DEA弱有效； 弱θ=1且s-=s+=0，則DMU為DEA有效。經過該階段能夠計算出農業生產綜合效率值、純技術效率值、規模效率值及各投入變量的松弛變量，但由于環境因素、隨機誤差因素的影響， 3個效率值不能精確反映生產效率情況，故進行第二階段。

第二步：通過構建相似SFA模型以分離出環境因素、隨機因素。將第一階段計算出的投入松弛變量sij作為因變量，選取合適的環境變量，構建環境變量與sij之間的SFA回歸模型：

sij=fi(zp；βi)+vij+uij(i=1，…，m；j=1，…，n；p=1，…，k)

(2)

(3)

(2)Tobit模型：受限因變量模型，該模型的顯著特點之一為解釋變量為實際觀測值，被解釋變量為受限狀態觀察值[18]。該文利用Tobit模型分析農業生產性服務業對農業生產效率的影響，模型中的被解釋變量為農業生產效率，其值為有界變量，能較好地避免估計偏誤，故選用Tobit模型，表達式：

(4)

式(4)中，xi，yi分別表示解釋變量，被解釋變量；β為估計參數。

2.2 數據說明與來源

由于農業系統是經濟、社會、生態等多種因素共同作用的綜合統一體，因此其生產結果也包含經濟、社會、生態等效益，故應該在數據可得、統計口徑一致的基礎上，系統性的選擇各個指標[19]。該文運用三階段DEA模型對山東省農業生產效率進行計算，模型中的產出指標選取農業總產值(萬元)，即各市農林牧漁總產值； 投入指標則包括：農作物總播種面積(千hm2)、第一產業從業人數(萬人)、農業機械總動力(萬kW)和實際有效灌溉面積(千hm2)。其中，農業機械總動力僅包括耕作機械、排灌機械、收獲機械、農用運輸機械、植保機械、林牧漁業機械及其他農業機械。各指標數據均來自于2016年《山東省統計年鑒》。

由于產出變量與投入變量必須滿足“同向性”假設，即當投入項增加時，產出項應該增加或者至少保持不變，因此使用STATA軟件采用Pearson相關性檢驗方法對上述所選投入產出項進行驗證，結果如表1。由表1得知，山東省各市投入值與產出值的相關系數均大于0，且通過了1%統計水平下的顯著性檢驗，這表明該文所選投入及產出變量滿足“同向性”原則，可以進行下一步運算。

表1 2015年山東省17市農業投入指標與產出指標的Pearson相關系數

產出指標投入指標總播種面積農業機械總動力第一產業從業人數實際有效灌溉面積第一產業總產值 0.725 5***(0.001 0) 0.806 4***(0.000 1) 0.725 5***(0.001 0)0.828 4***(0.000 0) 注:***表示在1%統計水平上顯著; 括號內的數值為相應的p值

對環境變量進行選擇時，應注意以下原則，即該變量對農業生產效率有影響，但不受樣本主觀的控制[20]，主要包括政府制定的與農業相關的政策、國家宏觀環境、人力資源等。一般以財政支農支出表示政府對農業的支持，該代理變量數值越大，會使得農業生產條件改善，從而間接提高農業生產效率[21]。一般認為，農民收入增加會使得農民的積極性提高，從而間接提高農業生產效率。隨著城鎮化不斷發展，農村土地變得越來越集中，使得農業生產規模化程度提高，也能夠對農業生產效率產生正向影響[11]。教育在人力資本形成過程中占據重要地位，代表了農民獲取勞動技能的能力，有較高受教育程度的勞動力對于新型技術、生態環境保護等有較好的認知，故認為較長的受教育年限有助于提高農業生產效率。因此該文選取4種環境變量：財政支農支出(萬元)、城鎮化率、農村居民家庭人均純收入(元)、農村人口平均受教育年限(年)。相關變量數據均來自于2016年《山東省統計年鑒》、《山東省農村統計年鑒》及山東農業信息網。

農業生產性服務業一般包含農業配送服務、農業信息服務、農業金融保險服務、農產品服務、農機推廣服務。該文在分析山東省農業生產性服務業對該省農業生產效率的作用機理時，借鑒已有研究中的分類方法，將農業生產性服務業進行行業細分，以農村固定資產投資投向交通運輸、倉儲、郵政業的資金作為農業配送服務變量，以農村固定資產投資投向信息傳輸、計算機服務、軟件業的資金作為農業信息服務變量，以農村固定資產投資投向金融業的資金作為農村金融保險服務變量，以農村固定資產投資投向批發和零售業以及科學研究、技術服務、地質勘查業的資金分別作為農產品銷售服務變量和農技推廣服務變量[9， 11-12， 15]。相關指標數據來源于2016年《山東省統計年鑒》、《山東省農村統計年鑒》、山東統計信息網及山東農業信息網。

表2 第一階段DEA測算農業生產效率值

地級市TE1PTE1SE1規模報酬濟南市1.0001.0001.000-青島市0.8670.9330.929drs淄博市0.8360.8450.990irs棗莊市0.9110.9190.991irs東營市1.0001.0001.000-煙臺市1.0001.0001.000-濰坊市0.7671.0000.767drs濟寧市0.9011.0000.901drs泰安市0.9550.9560.999irs威海市1.0001.0001.000-日照市0.9530.9550.998irs萊蕪市0.9941.0000.994irs臨沂市0.7330.7490.979drs德州市0.5070.6340.801drs聊城市0.5370.5610.957drs濱州市0.7750.7760.998irs菏澤市0.3680.3681.000- 注:TE1,PTE1,SE1分別表示第一階段DEA測算出的農業生產綜合效率、純技術效率、規模效率;irs,-,drs分別表示規模報酬遞增、規模報酬不變和規模報酬遞減

3 實證結果分析

3.1 第一階段DEA模型實證結果及分析

應用DEAP 2.1軟件計算出2015年山東省17個市的農業生產效率，此時得出最原始的農業生產綜合效率值、純技術效率值以及規模效率值，結果見表2。

由表2可知， 2015年山東省農業生產綜合效率的平均值為0.830，純技術效率為0.864，規模效率為0.959。其中處于技術效率前沿面的城市有濟南市、東營市、煙臺市、威海市，這表明這4個市的農業生產水平較高； 其他各市在純技術效率或規模效率方面小于1，說明存在一定的進步空間。由于該計算結果中包含了環境、隨機因素的干擾，并不能完全真實反映出各市的農業生產效率的水平，故需進行第二步的調整和評價。

3.2 第二階段SFA模型實證結果及分析

表3 第二階段SFA模型回歸結果

項目名稱總播種面積松弛變量農業機械總動力松弛變量第一產業從業人數松弛變量實際有效灌溉面積松弛變量常數項-28.21320.7478.92313.647財政支農支出2.219*-1.208**-4.831*-2.506*城鎮化水平-1.106**-1.390-6.469**-2.721農村人口平均受教育年限-13.042**-12.113**-4.710***-10.314**農村居民家庭人均純收入-2.003**1.719*3.907***-2.449γ0.926**0.002*0.983***0.901*σ21.8570.1451.9661.812Log likelihood-17.641-19.762-13.287-15.814LR test of the one-sided error6.8394.3115.6294.721 注:*、**、***分別表示變量在10%、5%、1%的統計水平上顯著

財政支農支出對總播種面積、農業機械總動力、第一產業從業人數和實際有效灌溉面積4個變量的投入松弛變量的回歸系數均小0，且通過了10%的顯著性檢驗，這說明增加財政支農支出有利于減少這3種投入變量的浪費，與預期結果相符。

城鎮化水平的提高對4種投入松弛變量相應的系數為負，且對總播種面積及第一產業從業人員通過了5%的顯著性檢驗，但對其余兩種投入松弛變量的影響不顯著。這說明推進城鎮化進程有利于減少部分投入變量的浪費或產出不足現象，城鎮化水平的提高能夠使得城市、農村有限資源得到合理配置，從而有利于農業生產效率的提高。

農村人口平均受教育年限的回歸系數均為負，且通過了5%統計水平上的顯著性檢驗，這說明該變量的增加有助于減少各投入變量冗余。人力資本的積累離不開教育的貢獻，高素質農民對新型農業技術的學習接納程度、新型組織經營模式及政策學習認知方面等都有積極的作用，有利于新型知識、技術成果的有效轉化，該結果與預期一致。

農村居民家庭人均純收入對于農業機械總動力、第一產業從業人數投入松弛變量的回歸系數為正，這表明農村居民人均純收入增加會造成農業機械過量的使用，使得從業人員過量增加，不僅不會增加產出，反而造成了投入的浪費，進而不利于農業生產效率的提高。該環境變量對其他變量的系數均小于0，對總播種面積通過了5%的顯著性檢驗。對于這一矛盾的產生，可能是因為當農民收入增加時，山東省部分地區的農民選擇重新從事農業生產從而造成勞動力冗余； 由于生產方式依然是粗放低技型，收入增加帶來了機械投入的不合理，這也反映了農戶技能較低及農業生產的弱質性。

基于該文的討論得知,由于處于有差異的經營環境或運氣好壞不同使得不同地區的農業生產效率不夠真實精確，因此，必須調整原始的投入變量，使其排除環境因素和隨機誤差的影響，進行第三階段的測評。

表4 第三階段DEA測算農業生產效率值

地級市TE2PTE2SE2規模報酬濟南市0.9010.9610.938irs青島市0.9121.0000.912drs淄博市0.8080.8910.907irs棗莊市0.7680.8250.931irs東營市0.8740.9470.923irs煙臺市1.0001.0001.000-濰坊市0.7111.0000.711irs濟寧市0.7300.8320.877drs泰安市0.7870.8710.903irs威海市1.0001.0001.000-日照市0.8390.8950.937irs萊蕪市0.8460.9060.934drs臨沂市0.6350.6930.917irs德州市0.5010.6000.835irs聊城市0.4620.5160.896irs濱州市0.7150.7640.936drs菏澤市0.3340.3490.957irs 注:TE2,PTE2,SE2分別表示第三階段DEA測算出的農業生產綜合效率、純技術效率、規模效率;irs,-,drs分別表示規模報酬遞增、規模報酬不變和規模報酬遞減

表5 Tobit模型回歸結果

解釋變量Tobit模型TRI1.014***(6.890)INF0.513**(9.821)FIAN0.459(0.993)SALE0.636*(4.870)TECH1.233**(0.914)C14.923(23.064)Log Likelihood-107.239Prob>chi20.000 注:*、**、***分別表示變量在10%、5%、1%的統計水平上顯著; 括號內數字表示相應t統計量的值

3.3 第三階段DEA模型實證結果及分析

根據式(1)對各投入變量進行調整，并將所得值再次帶入經典DEA模型中進行測算，得到結果如表4。

實驗結果以均數±標準差(±s)表示，應用SPSS 19.0進行統計分析，多組間比較采用單因素方差分析，組間兩兩比較采用t檢驗，P＜0.05為差異具有統計學意義。

通過對比表2、表4可知，經過第二階段將環境因素和隨機誤差影響消除后，該省平均農業生產綜合效率、純技術效率及規模效率均有所下降，其值分別下降為0.754， 0.826， 0.913； 純技術效率、規模效率的下降幅度分別為4.39%， 4.79%，具體分析如下。

(1)各市的農業生產綜合效率。從第一階段至第三階段整體處于技術效率前沿面的市有所減少，一直保持效率前沿面的有煙臺市、威海市，表明這兩個地級市的農業生產效率實際情況較好，有較高水平的管理生產技術； 相比第一階段，綜合生產效率有所上升的有青島市，而從技術效率前沿面退出的有濟南市、東營市，其余各市的農業生產綜合效率均出現了不同程度的下降，說明在環境因素和隨機誤差因素的作用下，第一階段顯示出的高效率并不能完全反映這些地區的實際農業生產水平，其農業生產效率有待提高。

(2)各市的純技術效率。第一階段DEA結果顯示有7個市的純技術效率位于技術前沿面上，但是經過第二階段剔除環境和隨機因素的干擾后，只有其中3個市仍然處于最佳效率，分別為煙臺市、濰坊市、威海市，主要原因是這3個市的農業技術發展水平相對較高，農業生產機械化水平較高； 對于青島市、淄博市，其純技術效率有所提高，說明這兩個地區的實際管理技術水平并沒有那么差，而是因為受到了“較差”的環境條件或“較明顯”的隨機因素干擾，例如受到城鎮化發展、農業政策等影響使得當地農業生產管理水平波動等情況； 其余12市的純技術效率降低了，這說明這些市農業生產管理尚未建立起長效機制，實際管理水平有待提高。

(3)各市的規模效率。第一階段中有5個市的規模效率處于技術效率前沿面，但第三階段顯示只有煙臺市、威海市仍然保持最佳效率，說明這兩個市的規模效率已經最優，不需要再改進； 而其余各市的規模效率均有不同程度的降低，這說明這些地區的規模效率較高只是基于了環境條件和隨機因素干擾，實際的規模水平相對較低，主要是由于隨著各市城鎮化發展不斷推進、農業政策等的變動，使得勞動力流動、土地流轉等受到一定影響，因此，這也需要各市進一步規劃與改善實際農業生產規模。

(4)各市的規模狀態。第一階段顯示山東省共有6市、6市、5市分別處于規模報酬遞增、規模報酬遞減、規模報酬不變狀態，而第三階段則有11市屬于規模報酬遞增， 4市屬于規模報酬遞減， 2市屬于規模報酬不變，這意味著大多數地區的農業生產規模尚未達到其自身所擁有的技術管理水平等所決定的最優的生產規模，故適當擴大農業生產規模將有助于提高農業生產效率。

3.4 Tobit模型實證結果及分析

由于三階段DEA模型使得17市均處于同質的環境下，因此將第三階段所得各市農業生產綜合效率作為被解釋變量，解釋變量則選擇農業配送服務、農業信息服務、農村金融保險服務、農產品銷售服務和農技推廣服務5個變量，構建模型：

TEi=C+α1TRIi+α2INFi+α3FIANi+α4SALEi+α5TECHi+ξi，i=1， 2，…， 17

(5)

式(5)中，i表示第i個市;TE表示農業生產效率；TRI、INF、FIAN、SALE、TECH分別表示解釋變量：農業配送服務、農業信息服務、農村金融保險服務、農產品銷售服務及農技推廣服務；C為常數項；α為系數；ξ為隨機誤差項。

利用STATA進行截面Tobit回歸計算得出結果，見表5。

從細分行業的農業生產性服務業的角度分析對農業生產效率影響回歸結果。

(1)農業配送服務對農業生產效率有正向影響，通過了1%的顯著性檢驗，表明2015年山東省對于農村基礎設施建設較好，投資充足，農村交通運輸業發展水平較高，全省農資配送、倉儲郵政業等服務投入較合理，從而能夠促進山東省農業生產效率的提高。

(2)農業信息服務、農產品銷售服務和農技推廣服務3個變量的回歸系數為正，且均通過了5%水平下的顯著性檢驗， 3者對農業生產效率得提高有正向作用，說明山東省對于農村信息傳輸、計算機服務、軟件業、批發和零售業及科學研究等方面投資的增加明顯地推動了農業生產效率的提高。前兩項涉農生產型服務業不僅能夠使各個地區的農民獲得有利的信息、實現農產品最優的市場價值，提高了農民生產的積極性； 對于農技推廣服務來說，能夠為農民帶來先進的生產技術和農業機械，而且使得農民能夠接觸到新型技術，從而有效提高農業生產效率。

(3)該回歸結果顯示農村金融保險服務的系數為正但不顯著，即農村金融保險服務的提高對農業生產效率的提高有一定的正向影響，但目前階段影響效果并不顯著。這表明在目前的農業轉型過程中，由于資金不足、農戶貸款較難、保險意識及抵御風險能力較弱等多方面制約從而使得農業生產效率的進步受限。

4 結論與建議

4.1 結論

該文基于三階段DEA-Tobit模型，利用2015年相關統計數據對山東省17市的農業生產效率進行了測算，并分析了不同服務領域的農業生產性服務業對該省農業生產效率的影響，得出結論：(1)經典DEA模型測算出的農業生產效率值包含環境因素及隨機誤差的影響較大，第二階段應用SFA回歸模型分析得知環境和隨機誤差因素對農業生產效率會產生顯著影響。其中，增加財政支農支出、城鎮化水平的提高、農村人口平均受教育年限的增長均對農業生產效率的提升有推動作用，而農村居民家庭人均純收入只在一定程度上起到了有利作用。(2)將環境因素和隨機誤差的影響剔除后進行第三階段DEA測算得， 2015年山東省平均農業生產綜合效率值、純技術效率值及規模效率值分別為0.754、0.826、0.913，處于規模報酬遞增狀態的城市較多，位于技術效率前沿面的有煙臺市、威海市，其他各市有不同程度的上升空間。(3)利用Tobit回歸分析處于同質條件下的17市農業生產效率與農業生產性服務業的關系得知，增加對農業配送服務，農業信息服務及農產品銷售服務及農技推廣服務的資金投入對農業生產效率有顯著的促進作用，而農村金融保險服務的影響不明顯。

4.2 建議

(1)高效推動新型城鎮化建設、適度擴大山東省農業生產規模。在有序建設新型城鎮的同時，應適當擴大農業生產規模，建立土地資源市場化流轉的長效機制，鼓勵農村加快土地流轉，使各種資源得到有效配置，從而加大對農業生產性服務業的需求，推動農業生產性服務業逐漸走向集聚化，進而實現農業生產集約化，降低生產成本，提高農業生產效率。

(2)完善農村基礎設施建設、引入先進現代農業生產技術。山東省應該更好地規劃農村地區交通及物流的布局并實現統籌管理，讓先進的基礎設施等公共資源能夠被不同區域的農民共享，建立符合各地區特點、以大型物流企業和村民流通合作組織為主體的流通網絡，從而使得農產品、農資產品等更加高效地流通，更好地“走出去”。

(3)在農村地區普及多元化教育。通過組織政府培訓、職業教育、技術推廣教育、開展遠程教育等提高農民的科技文化水平、認知水平和各項農業專業技能，使得知識要素和人力資本充分發揮其溢出作用，使其更好地為農民進行農業生產服務。

(4)引導金融保險服務業與農業結合且健康發展。應該充分發揮各大銀行及金融機構的支農作用，進一步完善小額農貸等制度，優化對第一產業發展的信貸服務； 還應健全農業保險服務，提高天生弱質的農業產業的抗風險能力，從而為農業產業鏈的延長做出保障。

(5)創新財政支農投資方式，為農業生產性服務業發展模式注入活力。應加強政府對該體系扶持資金合理分配，結合山東省農業生產性服務業的發展特點，探索更多優秀的可持續發展模式，例如創新運用產業投資基金、示范園區建設資金、PPP項目資金等多種方式扶持農業生產性服務業的健康發展，使其更好地為農業生產服務。

[1] 姜長云.關于發展農業生產性服務業的思考.農業經濟問題， 2016(5)： 8～15

[2] Gopinath M P， Kennedy L.Agricultural trade and productivity growth：A state-level analysis.American Journal of Agricultural Economics， 2000， 82(5) 1213～1218

[3] Ball V E， Bureau J，Nehring R.Levels of farm sector productivity：An international comparison.Journal of Productivity Analysis， 2001, 15(1): 5～29

[4] 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

[5] 方鴻. 中國農業生產技術效率研究：基于省級層面的測度、發現與解釋.農業技術經濟, 2010(1)： 34～41

[6] 邢慧茹， 張曉駿，鄧義.農業生產效率與其影響因素相關關系實證分析——基于湖北省數據.中國農業資源與區劃， 2016, 37(12): 198～203

[7] 蘇小松. 農戶社會資本對農業生產效率的影響分析——基于山東省高青縣的農戶調查數據.農業技術經濟, 2013(10)： 64～72

[8] Alston J M， Andersen A，James J S，et al.Persistence pays：U.S.agricultural productivity and the benefits from public R&D spending.New York：Springer， 2011

[9] 姜長云. 發展農業生產性服務業的模式、啟示與政策建議——對山東省平度市發展高端特色品牌農業的調查與思考.宏觀經濟研究, 2011(3)： 14～20

[10]肖衛東， 杜志雄.農業生產性服務業發展的主要模式及其經濟效應——對河南省發展現代農業的調查.學習與探索, 2012(9)： 112～115

[11]郝愛民. 農業生產性服務業對農業外溢效應與條件研究.南方經濟， 2013, 31(5): 38～48

[12]郝愛民. 提升農業生產性服務業外溢效應的路徑選擇.農業現代化研究， 2015, 36(4): 580～584

[13]喬玉輝， 吳文良，李花粉，等.華北高產糧區基于環境保護的農產品安全生產服務體系現狀及改進建議——以山東桓臺縣為例.中國農業資源與區劃， 2017, 38(1): 1～6

[14]王耀中， 江茜.生產性服務業對農業現代化效率的影響.商業研究， 2016, 62(1): 22～30

[15]李慧， 陰朋莉.基于DEA-Tobit模型的生產性服務業對農業生產效率的影響.技術與創新管理， 2016, 37(6): 678～683

[16]Farrell M J.The measurement of productive efficiency.Journal of the Royal Statistical Society， 1957, 120(30): 253～281

[17]Fried H O，Lovell C A K，Schmidt S，et al.Accounting for environmental effects and statistical noise in Data Envelopment Analysis.Journal of Productivity Analysis， 2002， 17(1-2)： 157～174

[18]薛龍， 劉旗.基于DEA-Tobit模型的河南省糧食生產效率分析.河南農業大學學報， 2014, 12(6): 700～704

[19]焦源. 山東省農業生產效率評價研究.中國人口·資源與環境， 2013, 23(12): 105～110

[20]鐘祖昌. 基于三階段DEA模型的中國物流產業技術效率研究.財經研究， 2010, 36(9): 81～90

[21]閆淑霞， 劉慧敏，孟凡琳，等.基于灰色DEA模型的河南省18市農業生產效率研究.河南農業大學學報， 2015, 49(6): 866～870