基于超效率三階段DEA模型的安徽省智慧農業生產效率分析

張旭云,鄭 謙,王子陽

安徽科技學院管理學院,安徽蚌埠,233000

1 相關研究與問題提出

一直以來,農業是我國發展不可或缺的重要組成部分和重點關注領域,而智慧農業作為我國農業現代化的重要組成部分,是我國實現鄉村振興、推動農業高質量發展的重要抓手。近年來,我國多項文件中都有智慧農業的身影,如二十大報告中指出要強化農業科技與裝備支撐;2023年,中央一號文件中提到要加快農村大數據應用,推進智慧農業發展;2022年,國家發改委印發的《“十四五”擴大內需戰略實施方案》中強調,要加快發展智慧農業,推進農業生產經營和管理服務數字化改造等。當前我國正致力于推動農業朝著數字化、信息化、智能化以及現代化的方向轉變,而這一轉變以信息技術為基礎,賦能農業生產模式和發展業態,助力我國農業朝著現代化和高質量方向推進[1]。

安徽省作為我國農業大省和產糧大省,其糧食產量已經連續5年穩定在800億斤以上,穩居全國第4位。提升安徽省農業數字化水平,不僅關乎安徽省農業的發展,更有利于我國的糧食供應穩定。因此,為積極響應中央號召,深入實施數字鄉村行動,加快推進數字農業發展,安徽省出臺了《加快“數字皖農”建設若干措施》,并且全面推進“數字江淮”和“兩強一增”等行動,助力安徽省農業數字化進程。本文以安徽省智慧農業生產效率為研究基點,分析2015—2021年安徽省智慧農業的整體生產效率及智慧農業分布情況,以期為安徽省數字農業發展提供借鑒。

農業生產效率的優化與調整對于合理配置農業投入要素和提升農業產出都具有重要影響,我國有眾多學者就農業生產效率問題進行了相關研究。一方面,有眾多學者從不同主體和不同視角來探究農業生產的效率問題,例如,劉依杭[2]通過對比家庭農場與小農戶來研究我國農業生產效率在不同規模的經營主體間存在的差異性。劉燕等[3]通過三階段DEA模型測算得出西部地區退耕還林農戶的農業生產效率呈現可持續變化趨勢。王麗娜[4]通過測算中國農業綠色生產效率發現,當前我國各省份間農業綠色生產效率差距逐漸縮小。李江等[5]運用2007—2016年的省級面板數據證明我國農村勞動人口的轉移加大了我國區域間農業生產效率的差異。崔許峰等[6]以低碳發展的角度探究我國農業生態效率的發展趨勢與演變特征。除此之外,還有許多學者從區域差異角度進行研究,分別測度了不同區域的農業生產效率,如肖琴等[7]運用 MinDS模型和Global Malmquist-Luenberger指數相結合的方法對我國長江流域的農業綠色生態效率進行測度,發現我國長江流域的農業綠色生產效率整體保持較高水平,并且持續增長。繆建群等[8]研究了江西農業生產有效性,李強等[9]評價了吉林省農業生產效率,陳振等[10-13]分析了河南省農業生產效率等。

上述文獻梳理發現,目前我國學者大多集中于對傳統農業生產效率方面的問題研究,而對于智慧農業的生產效率這一問題的研究較少。此外,學者們研究農業生產效率時通常只使用農業投入和農業產出兩類指標進行測算,由于農業生產過程中易受外部環境和隨機不確定因素的影響,單獨考慮投入和產出進行測度得到的結果可能存在一定的偏差。因此,本文在借鑒前人研究成果的基礎上,在指標體系內加入農業環境指標并且使用超效率三階段DEA模型有效剔除環境因素和隨即干擾因素對安徽省智慧農業生產效率所產生的影響,從而測度和分析2015—2021年安徽省智慧農業生產效率,探究當前安徽省智慧農業生產效率整體情況、智慧農業的演進趨勢和空間格局,以期為安徽省智慧農業生產效率調整提供有效的數據支撐。

2 指標選取、數據來源與研究方法

2.1 指標選取

智慧農業是一種將傳統農業生產方式與高科技農業機械、互聯網技術、大數據等現代技術相結合的新型農業生產方式。因此,某些衡量農業生產效率的指標在智慧農業生產效率的測度方面也具有同樣的適用性。為了更加準確地測度安徽省數字農業生產效率,并考慮指標數據的可獲得性,本文構建了包含農業投入、農業產出和環境成本的三類指標,結合前人研究成果選取以下指標:鄉村從業人員(人)[10]、農村用電量(萬千瓦時)[14-15]、農業機械總動力(萬千瓦時)[16]、農村每百戶計算機擁有量(臺)[17]、農作物播種面積(公頃)[13]、有效灌溉面積(公頃)[18]為農業投入指標,以農林牧漁總產值(億元)[19]為產出指標,以化肥、農藥、農膜、農用柴油、農業灌溉、農業碳排放綜合(萬噸)[20]指標為環境指標,詳見表1。

表1 智慧農業指標及來源

2.2 數據來源

本文中農業投入指標數據和農業產出指標數據主要依據2016—2022年安徽省《統計年鑒》以及安徽省各市《國民經濟和社會發展統計公報》《統計年鑒》,部分缺失數據采用插值法進行補齊。農業碳排放指標數據來源于《安徽省統計年鑒》中的化肥、農藥等使用量數據,并根據相應的碳排放系數計算得出,農業碳排放系數如表2所示。

表2 農業碳排放源及排放系數

2.3 超效率三階段DEA模型

超效率三階段DEA模型是將超效率DEA模型與三階段DEA模型[21]相結合,超效率三階段DEA模型可以有效規避以下情況:(1)傳統DEA模型可測得的最高效率值為1,且無法對效率值為1的有效決策單元進行進一步排序;(2)傳統的DEA模型無法分離隨機噪聲和外部環境對決策單元效率值的影響。超效率三階段DEA模型將參數與非參數的方法相結合,既可以剔除環境等影響因素,彌補非參數模型的測量誤差,又可以對有效的決策單元進行排序,能夠更加清晰對比各決策單元的差異。

第一階段:運用超效率DEA方法將安徽省16個市的數據進行相應的效率值測算。根據測算結果,將第一階段效率值的投入目標值與實際投入值相減計算出各投入變量的松弛變量。由于該理論應用已相對成熟,因此理論解釋不在此贅述。

第二階段:通過隨即前沿模型(SFA)對投入變量進行調整。為了區別第一階段的管理效率、環境因素和隨機因素這三部分對投入產出的影響,得到更加準確客觀的效率值,需要在第二階段構建由一階段的投入松弛變量與環境變量構成的隨機前沿分析(SFA)模型。

sik=fn(zk;δi)+vik+uik

(1)

并運用羅登躍[22]給出的式(2)管理無效率公式,從式(1)中分離管理無效率影響因素和隨機不可控影響因素。其中λ=σu/σv,εi=vi+ui為聯合誤差項,φ、ψ分別代表標準正態分布中的分布函數和密度函數。

(2)

第三階段:將調整好的指標數據和原始產出進行整理,把整理后的數據重新進行超效率DEA模型計算,得到剔除環境變量和隨機誤差影響后的安徽省智慧農業生產超效率值。

3 研究結果與分析

3.1 安徽省智慧農業生產效率分析

3.1.1 一階段基于超效率DEA的智慧農業生產效率結果

將安徽省16地市智慧農業的投入產出數據導入DEAP2.1軟件,結果如表3所示。整體來看,2015—2021年安徽省智慧農業生產效率均值為1.13,說明實際產出較好,并且安徽省各地市中農業生產效率均值都在0.7以上,整體處于一個良好的狀態。蕪湖市的智慧農業生產效率均值在整個安徽省排名最高,為2.17;而淮南市排名最低,效率均值僅為0.7。蕪湖、阜陽、黃山、宿州、蚌埠等12個市的智慧農業生產效率均值都達到了1,效率水平高;六安市和淮北市的智慧農業生產效率在0.8以上,屬于效率良好;銅陵市和淮南市智慧農業生產效率在安徽省內排名較后,效率較低。由于本次測算并未排除環境因素和隨機干擾項的影響,可能會影響最終數據的準確性,并不能真實地反映2015—2021年安徽省智慧農業生產效率的具體情況,因此需要在一階段模型的基礎上對環境因素和隨機誤差項進行干預,以得到更準確的數據。

表3 2015—2021年安徽省16市第一階段智慧農業生產效率值

3.1.2 二階段SFA回歸分析

通過對一階段計算所得數據進行整理,運用Frontier 4.1軟件做隨機前沿分析(SFA),將6個農業投入變量計算所得到的投入松弛變量作為二階段計算中的被解釋變量,以環境變量農業碳排放作為解釋變量進行第二階段SFA回歸分析,回歸結果如表4。

表4 2015—2021年安徽省16市第二階段SFA回歸結果

根據表4可知,農業碳排放這一環境因素對農業投入指標的松弛變量基本上都通過了1%顯著性水平檢驗,證明環境變量對投入變量均有顯著性影響。在回歸方程中,鄉村從業人數、農村用電量和農村每百戶計算機擁有量的γ值均大于0.75,說明管理無效率是主要的影響因素,需要進行調整;而農業機械總動力、農作物播種面積和有效灌溉面積的γ值均大于0.5,說明隨機干擾因素雖有一定影響,但其內部因素仍然占主導。根據回歸結果顯示,農業碳排放對鄉村從業人員數、農村用電量、農作物播種面積、有效灌溉面積這幾個投入松弛變量均通過1%的T值顯著性水平檢驗,農業機械總動力的松弛變量通過5%的T值顯著性水平檢驗,其回歸結果都為正值。這證明農業碳排放的提升將會減少以上五項農業投入的冗余,引起農業投入數量的節約促進農業投入結構的優化。農業碳排放對農村每百戶計算機擁有量的回歸結果為負值,并且通過了1%的顯著性檢驗。這說明在農業方面計算機的使用能夠有效提升農業智慧化水平,減少農業碳排放量,促進農業資源的合理有效配置,從而提升智慧農業生產效率優化農業生產結構。

3.1.3 三階段調整后智慧農業生產效率結果

將第二階段調整后的農業投入數據進行整理,用新數據再次進行超效率測算,得出安徽省智慧農業生產效率值,如表5所示。

對比表3和表5中的數據可知,在去除環境因素和隨機干擾項的影響后,安徽省農業生產效率值發生了較大的變化,整體效率均值由1.13下降到0.94,安徽省處于DEA有效的決策單元由一階段的12個變為三階段的7個。同時,相比一階段測度結果,阜陽、合肥、滁州、安慶、六安在剔除影響因素后在省內效率值排名上升,蕪湖、黃山、池州等地效率值下降明顯下降,說明環境因素影響較大;此外,蕪湖和安慶在去掉環境因素后仍然分別存在5個和4個年份效率值無效,證明影響該地智慧農業生產效率是受管理無效率的影響,并且其投入產出方面也存在不合理。通過對比發現,淮北、銅陵和淮南一直處于非DEA前沿面上,說明管理無效率雖然在一定程度上制約了該地發展,但更主要的是該地區不合理的投入產出結構所導致地區智慧農業生產效率值低下。

3.2 智慧農業生產效率時空特征分析

時間演化特征是基于三階段超效率DEA數據計算出2015—2021年安徽省智慧農業生產效率均值,從而判別安徽省智慧農業生產效率的時間演進趨勢。由圖1可知,安徽省智慧農業生產效率總體呈現上升趨勢,均值從2015年的0.87提高到2021年的1.05,增速較為平緩。此外,安徽省智慧農業生產效率均值由2015年的非DEA有效逐漸轉化為DEA有效,說明在這7年間安徽省智慧農業生產不論在管理方面還是投入產出方面都變得更為合理。

圖1 2015—2021年安徽省智慧農業生產效率均值變化

將安徽省2015年、2017年、2019年、2021年16個地市的智慧農業生產效率進行可視化處理,如圖2所示。安徽省智慧農業生產效率整體呈現出東部高西部低的空間特征,區域間生產效率差異較大。不同年份智慧農業生產效率差異較小,但從2015—2021年安徽省智慧農業生產效率逐步提升,其中阜陽市和蕪湖市智慧農業生產效率提升最為明顯,阜陽市農業生產效率由2015年的1.14增長到2021年的1.76,共提高了56個百分點;蕪湖市從2015年非DEA有效到2021年轉變為DEA有效。銅陵市、池州市、黃山市的智慧農業生產效率偏低,表明這三地位置多山區農業發展受到地理環境影響較大。

圖2 安徽省各市智慧農業生產效率分布

4 研究結論與政策建議

4.1 研究結論

本文采用三階段超效率DEA方法對2015—2021年安徽省16個地市智慧農業生產效率進行測算,并通過隨即前沿方法剔除環境等影響因素,測度2015—2021年安徽省16市真實的智慧農業生產效率水平,結論如下:

第一,通過超效率DEA模型對安徽省智慧農業生產效率進行測算,避免了傳統DEA模型所測算效率值結果無法排序。此外,通過三階段模型可以有效剔除環境等影響因素測算更為真實的智慧農業生產效率值。通過一階段和三階段結果對比發現,測算結果差異較大,因此,采用三階段超效率模型測算安徽省智慧農業生產效率是科學且合理的。

第二,從整體來看,安徽省智慧農業生產效率水平較為良好,各地市生產效率均值都在0.5以上。但是,安徽省智慧農業生產效率區域間差異較大,皖北地區的智慧農業生產效率明顯高于皖南地區。

第三,2015—2021年間,安徽省全省智慧農業生產效率值不斷增長,由2015年的非DEA有效逐漸變為DEA有效,在此7年間,安徽省智慧農業的管理效率和投入產出結構都得以優化。

4.2 政策建議

通過對安徽省智慧農業生產效率進行測度,發現安徽省智慧農業發展仍存在諸多問題,為進一步提升安徽省智慧農業生產效率,提出以下建議:

第一,建立健全智慧農業生產的投入和產出體系,調整智慧農業生產格局。安徽省智慧農業發展區域間差異明顯,優化智慧農業生產的投入和產出配比能有效提升落后地區的智慧農業生產效率。

第二,加強智慧農業平臺搭建,注重智慧農業技術創新。平臺搭建有利于不同區域間信息溝通,促進區域間資源合理整合,便于不同地區間相互學習。技術是第一生產力,只有加強智慧農業技術創新,提升農業技術水平,才能有效提升整體智慧農業生產效率。

第三,加強政府對智慧農業建設的財政支持力度。智慧農業設施建設具有專業性強、投資大、回報周期長等特征,如果單純依靠農戶配套智慧農業設施,將導致農民資金壓力過大,影響農民生產積極性。政府財政的支持有助于農民減輕資金負擔,提高農業生產效率,調動農民進行農業生產的積極性。