王洋洋，张晓慧，崔冀娜

（西北农林科技大学 经济管理学院，陕西 咸阳 712100）

0 引言

自“一带一路”倡议提出以来，学者们对其展开的研究大致可以分为四类。一是对“一带一路”协调机制和顶层设计方面的研究[1,2]；二是对“一带一路”意义与价值阐述及风险预警的研究[3,4]；三是对“一带一路”背景下中国与其他沿线国家和地区在具体领域合作贸易的研究和展望[5,6]；四是在“一带一路”背景下对国内各省或者地区将面临的机遇与挑战的研究[7,8]。通过梳理文献发现，已有研究在方法上多偏重理论分析，在研究内容上多集中在体制机制顶层设计、金融经贸产业合作、基础设施互联互通、地缘政治安全和风险等方面，仍处于前期探索性研究阶段，缺少系统化的深入研究。而农业在“一带一路”沿线国家和地区的产业交流合作中居于突出地位，但目前理论界对其关注尤显不足。

本文通过构建基于生态视角的评价指标体系、引入非期望产出指标以及剔除非效率因素的影响，使用三阶段DEA模型对“一带一路”沿线66个国家和地区2013年的农业生产技术效率进行测度，以期为农业产业合作交流、贸易投资及农业基础设施互联互通提供有价值的理论参考。

1 研究方法

本文采用了三阶段DEA模型，它在效率评价中由Fried等（2002）[9]提出，主要是为解决传统DEA模型无法剔除非效率因素（环境变量和随机误差）的影响这一问题。该方法可以更为有效和精确地评估和反映决策单元（DMU）的效率值，模型的基本构建和操作步骤可以归纳为：

在第一阶段和第三阶段，使用传统的DEA-BCC模型对决策单元的生产技术效率进行测算。DEA-BCC模型测算的是规模可变报酬，解决假设条件下决策单元的相对有效性问题，而本文采用投入导向的BCC模型，限于篇幅在此不赘述。然后在第三阶段，利用产出要素变量和调整后的投入要素变量，再一次使用DEA-BCC模型进行技术效率测算，最终得到剔除非效率因素后的更为精确的结果。

在第二阶段，借助投入导向的SFA模型对第一阶段各投入要素的松弛变量进行分解，剔除非效率因素对测量结果的影响，然后根据估计结果进行调整各投入要素，具体可参见文献[10,11]。但需要特别说明的是，在此过程中对管理无效率进行估计时，国内一些学者误用了Jondrow等提出的JLMS技术，而本文在此处参照其建议，此阶段DEA模型中管理无效率的估计公式为：

接着依据调整公式（3），将上面计算出的估计值代入对决策单元的投入量进行调整：

其中，和xik分别表示决策单元调整前后的投入要素量部分调整的目的是使所有决策单元都处于共同的外部环境中的调整是使所有决策单元处于共同的自然状态。

2 指标选取和数据来源

2.1 投入产出指标的选取

在投入指标选取方面，本文延续现有的关于测算农业技术效率研究中必有的指标，即土地投入、劳动力投入、水资源投入、机械动力投入和化肥投入。另外，考虑到广义的农业概念包含农林牧副渔，以及数据获取的便利，本文纳入了森林投入这一要素指标。而在产出指标上，本文选取了谷类产量、农业增加值和农产品原材料出口值三个产出指标，由于研究的样本为不同的国家和地区，仅考虑以美元计价的产值指标并不能更好地反映农业生产技术效率，故选入谷类产量这一绝对数的产出指标。

为确保满足DEA模型的“同向性”假定，本文对投入产出指标进行Pearson相关检验。结果显示个别投入产出指标间的相关系数并不理想，但是基于现有研究的经验，本文所选投入产出指标具有合理性，因此个别指标间的“非同向性”，并不影响进一步的研究。此外，本文还引入两个非期望产出指标，即农业甲烷排放量和农业一氧化二氮排放量，这两类指标越高说明产出效率越不好，而在本文中将把他们取倒数转化为期望产出纳入模型。

2.2 环境变量的选取

影响一个国家和地区农业生产的环境因素是多方面的，基于经验和逻辑判断，本文从七个方面选择环境变量：（1）政治环境方面，选用国际谋杀犯罪率这一指标来衡量；（2）经济发展水平，选取人均GDP这一指标来衡量；（3）科学技术，选用R&D研究人员来衡量；（4）自然灾害，选取干旱、洪水和极端气温受灾人口比例来衡量；（5）劳动力素质，选取识字率这一指标衡量；（6）人口结构，选用抚养比来衡量；（7）工业化程度，选取工业增加值这一指标来衡量。

2.3 数据来源

本文的投入产出指标以及环境变量的数据来自世界银行数据库，均为2013年度数据，详细情况见表1。其中部分国家的有关指标是缺失的，因此以其近15年的数据为基础，综合使用多种处理缺失值的方法进行了补全。

3 农业生产技术效率测算

3.1 第一阶段：未剔除非效率因素的农业生产技术效率测算结果

基于上文中所构建的投入产出指标体系，借助于DEAP2.1软件使用传统的DEA-BCC模型对“一带一路”沿线66个国家和地区的农业生产技术效率进行测算，限于篇幅，结果未列出。从综合技术效率、纯技术效率和规模效率来看，其均值分别为0.722、0.863和0.795，并且有38个国家和地区的效率值都达到了1，以东盟、东亚和独联体国家居多，总体上处于规模报酬递增阶段，说明各个国家和地区的农业生产技术效率仍有较大可提升空间。但此时尚未剔除非效率因素影响的测算结果，其准确性和科学性仍有限。

表1 投入、产出指标及环境变量

3.2 第二阶段：基于SFA模型剔除非效率因素对农业生产技术效率的影响

借助于FRONTIER4.1软件使用SFA模型的方法，分解各个投入指标松弛变量，具体以各个投入要素指标的松弛变量为因变量，以本文所选取的环境变量为自变量，SFA模型的回归结果见下页表2。

SFA模型回归结果显示，每个环境变量至少对两个投入松弛变量在1%的显著性水平上具有显著性影响，说明环境变量的选取是合理的，而六次回归的γ值均趋向于1，说明管理非效率因素发挥主要作用。篇幅所限，在此仅分析此次回归结果中与预期不一致的地方，具体为：

国际谋杀犯罪率对土地投入松弛变量在1%的显著性水平上具有负向影响。可能是因为政治环境的恶化突出了农业生产的重要地位，使得有关国家或地区增加了对土地的有效投入，也可能迫于政治环境的紧张，使得对土地的无效投入减少；R&D研究人员对机械投入松弛变量和化肥投入松弛变量在1%的显著性水平上具有正向影响，不符合理论预期。可能是因为随着R&D研究人员数量的增加，一个国家或地区更倾向于通过增加机械投入和化肥投入替代其他要素投入，由此导致机械和化肥的无效投入增加，也可能是有些国家或地区的R&D研究人员中关于农业方面的数量较少，从而降低了农业生产技术效率；干旱、洪水和极端气温受灾人口比例对森林投入和劳动力投入要素的松弛变量均在1%的显著性水平上具有负向影响。可能是因为为了应对自然灾害减少了对森林要素和劳动力要素的投入，导致其无效投入减少从而提升农业生产技术效率；识字率对土地投入、森林投入和化肥投入的松弛变量在1%的显著性水平上具有影响，与理论预期不一致。原因可能在于，识字率这一劳动力素质的表征变量在机械要素投入方面具有更高的边际效益，而在其他三个投入要素方面则相对较低。因为对于一般素质的农业劳动力来说，其知识优势相对更有可能在机械要素投入方面发挥，也可能是由于大多数国家或地区，识字率较高的人口更多倾向于脱离农业生产，转移到城市从事非农产业，从而导致农业劳动力人口素质低于平均水平，阻碍了农业生产技术效率的提升；抚养比对机械要素和化肥要素分别在1%和5%的显著性水平上具有负向影响，不支持理论预期。原因可能是抚养比的提高意味着潜在劳动力的减少，通过在机械要素和淡水资源要素方面追加投入，一定程度上可以抵消因劳动要素投入减少而导致的生产技术效率下降的影响；工业增加值对劳动力要素、化肥要素和机械要素分别在1%和5%的显著性水平上具有正向影响，与理论预期不相符。原因可能是随着工业化程度的提升，大多数国家或地区推动农业的现代化和规模化经营，但是在推动过程中存在投入要素利用效率低下、无效投入过多的问题，结果导致资源浪费和生产技术效率低。

表2 投入松弛变量与环境变量的SFA回归估计结果

3.3 第三阶段：剔除非效率因素后的农业生产技术效率测算结果

由于本文所研究的国家和地区间的自然环境和政治经济社会科技等差异较大，故有必要调整各投入要素的投入量，尽可能消除非效率因素的影响，使得所研究的国家和地区处于相同的环境下，旨在更为客观科学准确地测量其农业生产技术效率。在具体操作时，仍借助DEAP2.1软件，使用原产出数据和调整后的投入要素数据再次利用模型DEA-BCC测算，结果见表3。

比较前后两次测算的结果可以发现具有很大差异，调整后的综合技术效率、纯技术效率和规模效率的均值降低为0.17、0.485和0.289，说明调整前受非效率因素的影响是显著的。就单个国家或地区来看，处于技术效率前沿面的个数减少，调整之后仅中国、泰国、拉脱维亚、约旦四国处于技术效率前沿面，其中前三国在调整前的测算结果中也处于技术效率前沿面；从规模报酬状态来看，处于规模保持不变的国家或地区个数减少，处于规模报酬递增状态的国家或地区个数增加，而中国、泰国、拉脱维亚三国始终处于规模保持不变状态，约旦则由规模报酬递增状态调整为规模报酬不变状态，整体上处于规模报酬递增状态，可见多数国家或地区的农业生产规模尚未处于最佳状态。当前测算结果显示中国、泰国、拉脱维亚、约旦四国处于技术效率前沿面，也就是均为投出产出的有效决策单元，需要进一步的比较。限于篇幅，本文删除了使用超效率DEA模型对农业投入产出有效决策单元间进行比较的详细内容，但本文借助该方法的测算结果显示，他们间由高到低排序依次是中国、约旦、泰国和拉脱维亚，效率值依次为3.806、2.891、1.229和0.525。

4 结论

（1）环境变量对“一带一路”沿线国家和地区农业投入产出效率测度影响是显著的，通过剔除非效率因素影响之后的测度结果与直接测度的结果具有很大差异，其中人均GDP表征的经济发展水平是提高农业生产效率的显著性因素。

（2）通过利用SFA方法等调整剔除非效率因素的影响后，“一带一路”沿线66个国家和地区的农业综合技术效率的平均值由调整前的0.722变为调整后的0.17。其中就区域来看，调整后东亚国家、东盟国家、中亚国家、南亚国家、西亚国家（地区）、中东欧国家和独联体国家的农业综合技术效率平均值从大到小依次为0.523、0.311、0.247、0.123、0.112、0.13和0.103，各个地区之间差距明显；就单个国家和地区来看，其内部农业综合技术效率的差距更大，最大值为1（中国、泰国、约旦、拉脱维亚），最小为0.001（卡塔尔、黎巴嫩）。此外，使用超效率DEA模型对处于投入产出有效国家进一步比较，也发现其综合技术效率差距明显。说明绝大多数国家的农业生产技术效率仍存在较大的提升空间。

表3 调整后各国家（地区）农业生产技术效率测算结果

（3）本文所研究的“一带一路”沿线66个国家和地区中有62个国家和地区为投入产出无效决策单元，其中4个国家的规模报酬状态处于递减阶段，56个国家和地区处于递增状态，并且绝大多数国家和地区的农业规模报酬仍处于可提升阶段，纯技术效率和规模效率也都存在较大提升空间。

（4）中国的农业生产效率与其他“一带一路”沿线国家和地区相比，均具有较为显著的优势。这意味着中国在农业生产经营中积累的管理经验和农业技术，对其他“一带一路”沿线国家和地区农业技术效率的提升具有可借鉴的方面，在农业产业合作交流、贸易、投资方面具有广泛的前景。