Journal of Chongqing University of Arts and Sciences (Social Sciences Edition)
重庆文理学院学报社会科学版）May. 2017 Vol.36 No.3
DOI:10.19493/j.cnki.issn1673-8004.2017.03.018
我国农业全要素生产率增长的动态变化与影响因素
—
基于DEA和SFA方法的比较研究
何婷婷
(安徽农业大学经济管理学院，安徽合肥230036)
【摘要】采用非参数的DEA-Malmquist生产率指数法、参数的随机前沿生产函数法（SFA)以 及Pool O
LS
、固定效应模型（FE)、随机效应模型（RE)多种方法分析了 1990—2012年我国28个
省份的农业全要素生产率（TFP)的演变趋势及其影响因素。研究结论表明：两种方法测算的农业
TFP
年均增长率分别为3.1°%和3.6°%，但波动趋势呈现出相反的结论，技术进步是国家及其各省
FP
份、各区域农业T业T
增长的主要来源，东部、中部、西部农业T
FP
FP
依次递减；农业资本投入、人力
的显
资本和城市化水平对农业T
FP
增长都具有正向显著作用，而农业劳动投入、农业种植结构对农
EA
增长产生了显著的负向影响，财政支农力度在D
-Malmquist;S
法的结论中表现为对农业T
FP
著正向作用，土地投入的影响在两种方法中出现了相反的结论。【关键词】农业全要素生产率；DE中图分类号：F320.1
A
FA
;农业发展
文章编号：1673-8004(2017)03-0113-09
文献标志码：A
长期以来，我国农业增长主要依赖各种要素投人增加，这种粗放型的增长 方式虽然使得我国农业取得了瞩目的成就，但其发展的可持续性受到了普遍 质疑。面对经济发展新常态的挑战，加快农业发展方式的转变是保证国家粮食 安全、减少贫困，从而实现我国从农业大国迈向农业强国的根本路径。而农业 全要素生产率(TFP)的提高是发展方式转变的关键所在，因此准确测算农业全 要素生产率以及探究影响其变化的各种因素十分重要。
从已有研究可以发现，由于采用的测算方法和样本数据不同，对我国农业 全要素生产率的测算结果存在一定程度的差异，但大多数研究结论均表明我
收稿日期：
2016-10-24
“‘两型农业’视角下安徽省农业绿色全要素 生产率增长的减贫效应研究”（SK2017A0140);教育部人文社会科学青年项目“农业产业聚 集视角下地理标志农产品的生产者行为研究”（14YJC79126)。作者简介:何婷婷（1981—），女，安徽池州人，讲师，主要从事国际贸易与技术创新管理研究。
基金项目：安徽省高校人文社会科学重点项目
113
何婷婷.我国农业全要素生产率增长的动态变化与影响因素——基于
DEA和SFA方法的比较研究
国农业
TFP呈现出明显的空间差异性，技术进步是我国农业TFP增长的主要来源[1-2]。近几年，学者们开
TFP增长的影响进行了研究[3-7]，但由于观察问题的视角不
始关注我国农业全要素生产率增长的原因，一些代表性文献从我国农村制度变迁、农业投人、人力资本、 农业信息化、农村基础设施等方面对我国农业同，对于哪些因素影响了我国农业
TFP变化并未统一，还存在进一步深人探究的空间。鉴于此，本文利用1990—2012年我国28个省级行政单位的面板数据，采用DEA和SFA两种方法 对农业TFP进行测算，并在此基础上对我国农业TFP增长的影响因素进行实证研究，以期为提高我国农 业TFP增长提供有益的政策建议。
一、农业全要素生产率的测算方法、数据和测算结果
(一）农业全要素生产率的测算方法
1. DEA—Malmquist 指数法
TFP的测算方法主要为参数法与非参数法，两种方法各有优缺点。特别是数 据包络分析法（DEA)，由于不需要预先设定具体的函数形式和分布假设而被广泛应用。本文采用Caves 和Fare的方法[8-9]，在选取规模报酬不变(CRS)情况下，以产出为导向的DEA-Malmquist生产率指数法来 对我国农业全要素生产率进行测算，并将Malmquist指数分解为技术进步(TP)和技术效率变化(TECH)，
目前，已有文献对农业具体表示为：
t t+1 t+1
姨 Dt (x
；
t+1 t+1 t+1
V Di (x ) 7
I t+I t+I t+I j t t+1 t+I t t t_\\lD, (x ,y )) D,(x ,y) (1)= t t t ^X D,(xt+1 t+1, t+1 X t+1 t t (1)V Di(x,y) V Di (x ,y ) Di (x ,y)=TECHi(xt+V+V,y)xTPi(xt+V+1;x',y)
(1)式中，風(^+1,/+1;策单元的技术效率和技术进步是改善、不变和恶化的。
2. 随机前沿生产函数法（SFA)函数形式一般表示为：
Aigner、Lovell、Schmidt和Meeusen、Van den Broeck最初提出了随机前沿生产函数’1]。随机前沿生产 r.t=/(xIt,t; y8)exp(wIt-uIt) (2)
(2)式中，yt为决策单元i在时期t的实际产出，f表示特定的函数形式，x。表示一组投人向量，t为时间 趋势，，8为投人的待估参数，Vt-Ut为复合误差项，〜和Ut相互独立，vt为系统随机误差项，服从叫0,^)，〜 为技术非效率项，服从非负断尾正态分布，即服从N+(u, ^„)，根据Battese和Coelli的设定[12]，他可以
表示为：
uIt=uI
exp[-n(t-T)]
nn
n
(3)
(3)式中，为待估参数，表示时间因素对技术非效率项Ut的影响，>0、=0和<0分别表示Ut随 着时间的变化而递增、不变和递减。
技术效率
n
TE定义为实际产出期望与前沿面产出期望之比，即：
EL/(x.t)exp(vIt) lu.t=0
=哪(-〜)
⑷
114
重庆文理学院学报(社会科学版)2017年第3期
(4)式中，当他=0时，^
TEl,意味着决策单元位于前沿面上，技术有效率；当他>0时，7E；<1,表示决策
duit
TECH,,=- -=-nexp[-n(t-T)]=nx«IIdt
单元位于前沿面的下方，技术无效率。
根据(3)式中化的表达形式，可进一步将技术效率的变化表示为：
(5)
将(2)式两边取对数，得出随机前沿模型的对数形式：
ln y,t=ln f(xu,t; /3)+(vtt-Ui)将（6)式两边同时对求一阶偏导数可得：
(6)
t
d\\nyit_= d\\nf{xit,t; (3)鄣x 鄣1nf(xu,t； /?+)鄣(-Ut)-•■+
鄣t 鄣x dt dt dt
TP
(
(7)
(7)式中，等式右边第一项表示在既定技术水平下要素投人变化所引起的前沿面的变化情况;第二项 表示在要素投人不变情况下前沿面产出变化情况，即技术进步（);第三项表示技术效率的变化
TECH);x表示投入要素。
根据Solow提出的增长核算法['全要素生产率的增长来自于产出变化中未被要素投人变化所解释
TFP=Y-X:dY dlnY dX
dt dlnX XTFP= =的部分，称为“索洛余值”，即：
(8)
根据(7)式和（8)式可得:
dtdt由此可见，TFP增长可以表示为技术进步(TP)和技术效率变化(TECH)之和。本文在借鉴Battese和Coelli模型的基础上，采用超越对数生产函数的随机前沿模型进行分析，具体
形式为：
^:/^十 /^
TP+TE
(9)
Xnx.it+At+y Il
j
1
/^^^+
rnny
1 2
3,/ +
(10)
(10)式中，，3为待估参数，和1分别代表第个和第1个投人要素，其余变量的定义与前文相同。一般来说，为保证结论的正确性，使用随机前沿生产函数前需要对其模型设定进行相关检验，为此本 文采用最大似然比的方法对模型设定进行4个方面的假设检验，如表1所示。
表1 SFA模型假设检验
检验内容
检验1:C-检验
原假设
j
D生产函数更适合
h〇:3唯h〇:3=〇
=〜=〇
2:是否存在技术进步
h〇:a=3=A=〇
检验3:技术进步为中性
检验4:技术效率不存在时变性
H〇:n=〇
(二）测算数据指标
为保持统计口径的统一，考虑到海南省和重庆市特殊的建制历史，本文借鉴李谷成的做法[14]，将重庆 市和海南省分别并人四川省和广东省进行计算。考虑到
DEA方法对异常数据的敏感性，剔除了西藏自治
X
区的数据，最终采用1990—2012年我国28个省级行政区（不包括港澳台地区）的平衡面板数据作为样 本，用历年《中国统计年鉴》《中国农业年鉴》和国家统计局网站公布的数据作为原始数据。选取1990年不 变价格的农林牧渔业总产值作为农业产出变量（)。农业投人具体包括五个方面:劳动投人(〇采用农林 牧渔从业人员数计算；土地投人(2)采用主要农作物总播种面积计算；机械动力投人(3)以农业机械总
115
Y
XX
何婷婷.我国农业全要素生产率增长的动态变化与影响因素——基于
DEA和SFA方法的比较研究
动力计算;化肥投人(4)以化肥施用量(折纯量)计算;灌溉投人(5)采用农业有效灌溉面积计算。本文所 使用的投人产出指标描述性统计结果如表2所示。
表2投入产出变量的描述性统计结果
农林牧渔总产值农林牧渔就业人数
/亿元
平均值最大值最小值标准差样本量
570.1322 522.330
24.530489.197644
/万人1 108.5864 333.000
33.380872.296644
播种面积 /千公顷5 402.97016 571.600
282.7103 659.393644
农业机械总动力
/万千瓦2 067.58212 419.870
95.3202 147.061644
化肥投入
/万吨150.823684.430
5.300124.247644
有效灌溉面积
/千公顷1 918.4645 205.630171.5301 352.130644
XX
数据来源：由国家统计局相关数据计算得出
(三)测算结果1.
SFA模型设定的检验
。
以前述1990—2012年我国28个省级面板数据为样本，参照刘勇、孟令杰的做
法[15]，对原模型中的投人和产出变量用土地投人(农作物总播种面积)进行标准化，利用(10)式进行回归，估计结果如表3所示。
表3
变量常数项
估计系数1.130 5**0.864 8梢-0.723 9***1.355 0***0.043 40.125 2***
a
Frontier4.1软件对
SFA模型变量影响系数估计结果
T值
1.993 66.078 1-4.630 44.702 20.233 010.045 5-2.657 95.902 13.755 9-1.786 9-变量
估计系数-
T值
-1.835 9-0.017 80.183 91.506 44.633 2-1.052 9-
ln(x3/x2)ln(x5/x2)ln(x4/x2)ln(xs/x2)
(ln VX2)2(ln X3/X2)2(ln X4/X2)2(ln X5/X2)2
t2
0.002 0*
ln X1/X2ln X3/X2ln X4/X2ln X5/X2
-0.186 30.009 80.081 80.343 4***-0.074 4-0.003 1***0.665 8**0.994 3***0.674 6**
t
t ln x/t ln X3/X2t ln X4/X2t ln X5/X2ln(xi/x2)ln(x3/x2)ln(xi/x2)ln(x4/x2)ln(xi/x2)ln(x5/x2)ln(x3/x2)ln(x4/x2)
-0.005 7***0.016 1***
10.668 0
2.022 7
o2
Y
0.010 8***
-0.005 3*-
344.264 62.003 4-7.841 3
0.000 2
0.297 4***0.228 4***
0.002 2
4.533 9
n
-0.010 3***
778.021 687.28644
-5.101 62.269 5
LLF
LR
样本量
-0.409 1**
***、**、*分别表示在1%、5%、10%的显著性水平下显著。从表3中的估计结果可以看出，y通过了显著性水平为1%的显著性检验，表明本文采用SFA方法是
注：
合理的，=〇.994 3表明在我国农业总体技术非效率中，由人为可控制的技术非效率所占比重为99.43%， 而随机因素引起的技术非效率占0.57%，意味着通过改进人为因素，可以有效改善农业技术的非效率问 题。大多数变量的影响系数均在1%的显著性水平下显著，并且单边偏误似然比检验值符合混合卡方分 布，说明模型整体估计效果较好。时变系数
Y
n为负值显著，意味着技术效率以递增的速度递减。另外，由于
设定形式的随机前沿生产函数模型的估计结果会产生较大偏差，为保证研究结论的稳健性，一般来说，应 该对其模型设定进行相关检验。本文采用最大似然比的方法对模型设定进行四个方面的假设检验，具体 包括：（1)
C-D函数适用性检验，原假设H0为“应该采用C-D随机前沿生产函数”；（2)技术进步存在性检
n
LR，本文采用最
LR
验，原假设队为“不存在技术进步”；（3)技术进步希克斯中性检验，原假设队为“技术进步是希克斯中 性的”；（4)技术效率时变性检验，原假设为“时变参数=0”。通过构造似然比统计量大似然值比值检验法来进行相关检验，检验统计量可以表示为：116
重庆文理学院学报(社会科学版)2017年第3期
LR=—2[\\nL〇—lnLi]~x2(q)
其中lnL〇、lnLi分别表示零假设和备选假设Hi下的对数似然函数值，q表示原假设中零约束 的个数。当LR检验统计量大于其对应的临界值x«2(q)时，应拒绝原假设；反之，应接受原假设。随机前沿
模型的检验结果如表4所示。
表4 SFA方法模型假设检验结果
检验内容
检验检验
L(H。）
623.95380.10641.05747.99
LR
308.14795.83273.9360.06
临界值x〇〇2(q)
检验结论拒绝拒绝拒绝拒绝
1:H。:岛=执=氏=02:好。:找=爲=65=0
=0
30.58(15)16.81(6)13.28(4)6.63(1)
检验3:H〇爲
检验 4:H〇:n=o
注：在无约束备选假设下，对应的对数似然函数值为778.02。
根据表4的检验结果可知，四个统计量假设检验的
LR检验统计量均大于其对应临界值，应拒绝原
假设〇,这表明本文采用带有时变技术非效率的非中性技术变化的超越对数随机前沿生产函数，较好地 拟合了样本数据，并应该使用最大似然估计法进行估计。
H
Malmquist指数模型，利用前述 1990—2012年我国28个省级行政区的农业投人产出数据，分别采用DEAP2.1软件和Frontier4.1软件进 行Malmquist指数测算，得出我国整体农业TFP增长率及其分解指数的结果如图1和表5所示。
从图1可以看出：第一，两种方法测算的农业TFP的变化趋势存在一些差异，DEA方法测算的TFP 在1991 一2012年呈现出明显的波动上升趋势，而SFA方法的测算结果显示出单调下降趋势，但全国平 均农业TFP的测算结果较为接近，年均增长率分别为3.1%和3.6%;第二，两种方法测算的全国技术效率
2.
。
DEA和SFA方法的农业TFP测算结果比较
根据产出为导向的
指数均小于1(0.988和0.991)，技术进步指数均大于1(1.044和1.045)，说明我国农业技术效率在下降但 技术进步在增强。从趋势上看，技术进步指数在两种方法测算结果中都显示出了下降趋势，但果具有明显的波动性；技术效率变化在
DEA的结
DEA测算结果中表现出震荡上升趋势，而SFA结果则展现出平 缓而略有下降的趋势；第三，两种方法的测算结果均显示出我国农业TFP的增长主要源于技术进步，技术 进步指数的提高超过了技术效率指数的下降，从而对农业TFP增长产生了促进作用。
图1 1991—2012年DEA方法与SFA方法测算的中国农业TFP增长及其分解
注：图
1
中所示的
TFP、TECH和TP为DEA法测算结果，STFP、STECH和STP为SFA法测算结果。
从各省份情况来看（如表5所示），两种方法的测算结果均显示东部、中部、西部地区的农业
TFP增长
117
率以及技术进步指数依次递减，技术效率指数呈现出东部、西部、中部地区的顺序依次递减。中、西部地区
何婷婷.我国农业全要素生产率增长的动态变化与影响因素——基于
DEA和SFA方法的比较研究
在
TFP增长及其分解项上的表现都低于全国平均水平，说明我国农业TFP增长存在空间异质性，中、西
表5 1990—2012年我国分省份农业TFP增长及其分解
DEA方法
统计区域
技术效率指数
北京天津河北山西内冡古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西四川贵州云南陕西甘肃青海宁夏新疆东部地区中部地区西部地区全国平均
技术进步指数
1.0571.0431.0511.0441.0481.0491.0491.0521.0461.0561.0481.0381.0411.0381.0531.0411.0431.0341.0411.0271.0361.0251.0451.0371.0431.0511.0521.0311.0481.0421.0391.044
部地区明显落后于东部地区，存在较大的提升空间。
SFA方法
TFP增长率
1.0571.0331.0371.019
技术效率指数
技术进步指数
1.0611.0631.0571.0501.0381.0481.0441.0361.0411.0491.0511.0451.0481.0381.0571.0501.0441.0411.0471.0411.0521.0271.0331.0371.0451.0331.0451.0441.0521.0431.0391.045
TFP 增长率
1.0601.0581.0441.0341.0241.0451.0341.0241.0401.0431.0461.0331.0441.0281.0491.0381.0351.0321.0451.0331.0501.0071.0251.0251.0281.0061.0321.0401.0471.0321.0271.036
1.000
0.9910.9870.9760.9660.9980.9820.976
1.000
0.9950.9880.9850.9870.9970.9910.9890.9990.9940.9950.9890.9960.9910.9930.9890.9910.9920.9980.9920.9980.9810.9920.9890.9840.9740.9880.9960.9960.9900.9880.991
1.012
1.0471.0291.0271.0461.0611.0431.0151.0481.0171.0521.0291.0321.0171.0411.0271.0360.9671.0271.0261.031
1.000
1.0050.9960.9781.0060.9800.9990.9890.9890.984
1.0001.0001.000
0.9440.9820.9900.9880.9700.9980.9970.9980.9820.9830.988
1.020
1.0491.0291.0461.023
1.022
1.031
10个省市；中部地区包括山西、吉林、黑龙江、安
黴、江西、河南、湖南、湖北8各省份;西部地区包括内蒙古、广西、四川、贵州、云南、山西、甘肃、青海、宁夏和新疆10个省区。
注：东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、山东、广东和福建
二、我国农业全要素生产率变动的影响因素分析
(一）分析模型
DEA和SFA两种方法测算的农业TFP增长率及其分解结果，从内在因素以及外在因 素两个方面考虑，分别以农业TFP、技术效率指数和技术进步指数的累计值为因变量，将劳动力(L)、资本 (K)、土地（CL)、人力资本(H)、灌溉面积占比（/R)视为内在影响因素，财政支农力度(AP)、自然灾害 (ND)、经济发展水平(EC)、农业种植结构（CS)、城市化水平（CY)作为外在影响因素，全部纳人自变量，运
本文基于上述118
重庆文理学院学报(社会科学版)2017年第3期
用28个省级行政区面板数据构建模型以检验各因素对农业影响，具体模型设定为：
\\TFP增长率、技术效率变化以及技术进步的
nYit=fi+fiilnLi^l+fi2lnKi^l+fi3inCLi,t++fi4inHi,t+fi5inIRi^i+fi6inA Pi^i+fiTnCSi^t+fiilnCY if-+s (11)
为消除异方差的影响，将所有变量取对数，其中因变量lnYM分别以累积农业TFP、TPCH和TECH的 对数值表示，y8为待估参数，〜为随机误差项。
〇(二） 变量与数据来源
TFP增长率、技术效率指数(TECH)以及技术进步指数(TP)作为因变量。 选取的自变量包括内在和外在影响因素，内在影响因素包括：（1)农业劳动力投人(L)。采用各省农林牧渔 业从业人数来表示；（2)农业资本投人(K)，采用农村居民家庭生产性固定资产原值（元/户）与乡村户数 (万户）的乘积进行衡量；（3)土地投人（CL)，测量与前文一致；（4)灌溉面积占比（IR )，采用有效灌溉面积 占农作物总播种面积的比重衡量，可作为土地质量的代理变量；（5)人力资本(H),采用农村劳动力的平
本文分别选取前面测算的
均受教育年限来衡量，将农村劳动力的受教育程度划分为文盲或半文盲、小学、初中、高中、中专和大专及 以上6个阶段，各阶段平均受教育年限分别设定为0年、6年、9年、12年、12年和15.5年，从而可以计算 各地区平均受教育年限d，表示为：
Ed=0LU+6Lt+9L,t+12L,t+12Lt+15-5LJi(12)
(12)式中LM表示各省级行政区每个层次农村劳动力人数，i=1,2,3,4,5,6分别表示6种受教育程度。 参照Hall和Jones将受教育年限转化为人力资本的做法，即人力资本是教育年限的一个函数，假定该函 数形式为H=exp[屮(Ed)]，其中屮(Ed)是一个分段函数。结合被广泛使用的Psacharopoulos和Patrinos所给出
2，
3
4
5,
6
[16]
,
E
的中国教育社会回报率的数据（初等教育回报率为0.144,中等教育为0.129,高等教育为0.113)，将各省 级行政区年均受教育年限转化为人力资本[17]。外在影响因素具体包括：（1)农业种植结构，采用粮食播种 面积(千公顷）与农作物总播种面积（千公顷）的比值衡量；（2)财政支农力度，采用财政农业支出（亿元）占 财政总支出（亿元）的比重衡量；（3)城市化水平，采用城市人口占总人口的比重衡量。本文研究数据来源 于相关年份的《中国农村统计年鉴》《中国农业年鉴》《中国统计年鉴》《中国财政年鉴》《新中国六十年统计 资料汇编》和各省市区历年统计年鉴以及国家统计局网站。
(三） 实证分析结果
Eviews8.0软件，采用了 Pool OLS、固定效应模型(FE)、随机效应模 型(RE)多种方法进行了估计，估计结果差异不大。结合Hausman检验结果发现：分别以DEA方法与SFA 方法测算的农业TFP、技术效率变化(TECH)以及技术进步(TP)为因变量的模型中，Hausman统计量对应 的P值均小于1%的显著性水平，表明应拒绝随机效应模型的原假设，建立固定效应模型。本文最终采用
考虑到估计的稳健性，本文利用
固定效应模型作为说明对象，模型回归结果如表6所示。
TFP增长具有显著的负向作用， 说明农业生产中过剩的劳动力不利于农业技术效率的改善，我国农业TFP的增长已不能依赖劳动力投人 数量的增加而提高。农业种植结构不合理可能偏离了我国农业的比较优势，从而也对农业TFP的提高产 生了抑制作用。农业资本投人、人力资本和城市化水平对农业TFP增长都具有正向显著作用，其中人力
综合两种方法相关结论来看，农业劳动力投人、农业种植结构对农业
TFP的提升。从技术效率来看，土地投人和灌溉面积占比具有显著的负向作用，这表明土地投人数量增加
资本的正向作用最大，这表明扩大农业资本投人、劳动者素质的提高、推进城市化进程都可以促进农业 以及土地质量的改善没有对农业技术效率改善产生积极影响。人力资本作用显著为负，这可能是由于受
教育程度较高的农业劳动力发生了从农业生产的流出，从而使实际从事农业生产的劳动力的人力资本较 低，不利于农业新技术的推广和应用，因此与农业技术效率呈现出负相关。城市化水平产生了正向作用， 表明城市化水平的提高，有利于农产品销售规模增加，也会逐渐提升对农产品的需求层次，从而刺激农民 生产的积极性，促使其采用更先进的技术生产满足更高消费需求的农产品，这将对技术效率改善产生正
119
何婷婷.我国农业全要素生产率增长的动态变化与影响因素——
表6面板数据模型回归结果
TFP(因变量）
变量
•
基于
DEA和SFA方法的比较研究
TP(因变量）
DEA 系数
-0.403 6(0.309 0)-0.146 9***(0.000 1)-0.098 2*(0.054 6)0.191 9***(0.000 0)1.571 0***(0.000 0)0.164 6***(0.000 4)-0.008 2(0.544 7)-0.263 9***(0.000 0)0.010 5(0.516 0)0.922 20.917 6
TECH(因变量）
DEA系数
3.198 5***(0.000 0)-0.031 1(0.390 8)-0.304 2***(0.000 0)-0.010 8(0.345 0)-0.748 0***(0.000 0)-0.350 3***(0.000 0)0.043 0***(0.003 9)0.030 6(0.547 0)0.071 4***(0.000 1)0.813 70.802 5
DEA系数
-1.102 9***
常数项
(0.003 3)
SFA系数
0.999 4***(0.000 0)-0.075 3***(0.000 3)-0.285 1***(0.000 0)0.176 4***(0.000 0)1.115 0***(0.000 0)-0.074 8***(0.004 3)0.002 0(0.818 0)-0.199 5***(0.000 0)0.028 4***(0.002 4)0.963 70.961 5
SFA系数
1.302 1***(0.000 0)0.035 6***(0.000 0)-0.152 3***(0.000 0)-0.025 4***(0.000 0)-0.342 0***(0.000 0)-0.074 0***(0.000 0)-0.014 2***(0.000 0)-0.016 7(0.102 5)0.010 3***(0.000 2)0.929 40.925 1
SFA 系数
-0.134 3(0.527 0)-0.092 5***(0.000 0)-0.136 9***(0.000 0)0.207 7***(0.000 0)1.291 0***(0.000 0)0.050 0**(0.046 5)0.010 9(0.223 5)-0.227 5***(0.000 0)0.032 4***(0.001 4)0.966 70.964 7
LCLKHIRAPCSCY
R2
调整后的
-0.076 1**(0.039 0)0.105 6**(0.033 3)0.181 8***(0.000 0)0.308 5**(0.010 9)0.125 2***(0.007 1)0.074 7***(0.000 0)-0.160 5***(0.001 1)0.029 4**(0.019 4)0.899 8
R2
0.893 8
注：***、**、*分别表示在1%、5%和10%的显著性水平下显著。
向作用。从技术进步来看，农业劳动力投人、土地投人都对技术进步产生了显著的负向作用，这意味着劳 动力和土地数量的增加对技术进步会产生抑制作用。农业种植结构对技术进步存在显著的负向影响，一 定程度上也导致了农业
TFP增长受到阻碍。农业资本投人、人力资本和灌溉面积占比都对技术进步具有
显著的正向作用，且人力资本的促进作用更加突出，这说明通过增加农业资本投人转变农业生产方式、提 供教育和培训促进人力资本积累以及促进土地质量的改善都会对农业技术进步产生积极影响。
三、结论与政策建议
DEA-Malmquist指数法和SFA法分析了 1990—2012年我国28个省级行政区的农业全要
素生产率及其分解的演变趋势及影响因素。TFP的测算研究结论显示：在考察期内，两种方法测算的我国 农业TFP年均增长率较为接近，分别为3.1%和3.6%，但波动趋势呈现出相反的结论;技术进步是我国农业 TFP增长的主要来源，技术效率低下是农业TFP增长的短板，这种情况同样表现在省市区以及东部、中部、西 部区域层面。另外，不同区域之间的农业TFP存在明显的空间差异，东、中、西部地区农业TFP依次下降。
通过影响因素的实证分析表明，农业劳动力投人对农业TFP增长以及技术进步产生了负向影响，土地 投人对技术效率以及技术进步产生了负向影响，而人力资本对农业TFP增长、技术效率变化以及技术进
本文运用
步都具有正向作用，且影响程度在所有影响因素中最大。说明提升我国农业生产率不能依靠要素投人数 量的增加，而应更加关注要素质量的提升，通过提高农业从业人员的素质，使新技术得到更好的应用，从 而更好地发挥人力资本对农业生产率提高的促进作用。农业资本投人对农业
TFP增长以及技术进步表
现出显著的正向作用，且影响程度仅次于人力资本，意味着政府作为目前的农业资本投人主体，应注重通 过其农业投资行为引导农户、企业加强对农业的资本投人，为农业生产提供更好的基础设施，为农业研发 提供充足的资金，从而为推动农业120
TFP增长提供坚实的保障。城市化水平对农业TFP增长以及技术效率
重庆文理学院学报(社会科学版)2017年第3期
变化存在显著的正向影响，应该继续推行城市化战略，以城市化带动农业、农村发展，形成城乡互动、协调
TFP增长和技术进步具有显著负向作用，表明在保证粮食安全的前提下， 我国农业种植结构应该秉承比较优势原则进行调整，从而改善农业资源配置效率，促进农业TFP的增长。 财政支农力度对农业TFP增长表现出正向作用，但系数较小，在SFA法的结论中并不显著，政府应更好
发展格局。农业种植结构对农业
地调节支出结构，加强支农资金优化配置，以提升支持农业发展的实际能力。参考文献：
[1] [2]
.1989-2009中国总量农业全要素生产率研究综述[J].浙江农林大学学报，2012(l):m-118.
高帆.我国区域农业全要素生产率的演变趋势与影响因素—基于省际面板数据的实证分析[J].数量经济技术经济研 究，2015(5):3-19.
[3] LIN J Y. Rural reforms and agricultural growth in China[J]. The American Economic Review, 1992，82 (1)： 34-51.[4] 王珏，宋文飞，韩先锋.中国地区农业全要素生产率及其影响因素的空间计量分析—基于1992—2007年省域空间面
板数据J].中国农村经济，2010(8):24-35.[5] 石慧，吴方卫.中国农业生产率地区差异的影响因素研究—基于空间计量的分析J].世界经济文汇，2011(3):59-73.[6] 韩海彬，张莉.农业信息化对农业全要素生产率增长的门槛效应分析J].中国农村经济，2015(8):11-21.[7] 李谷成，尹朝静，吴清华.农村基础设施建设与农业全要素生产率J].中南财经政法大学学报，2015(1): 141-147.
[8] CAVES D W，DIEWERT W E. The economic theory of index numbers and the measurement of input，output and pro-
ductivityJ]. Econometrica，1982,50(6):1393—1414.
[9] FARE R，GROSSKOPE S，NORRIS M，et al. Productivity growth，technical progress and efficiency changes in industrial
ized countries[J]. The American Economic Review. 1994,84(1 ):66-83.
[10] AIGNER D，LOVELL C A K，SCHMIDT P. Formulation and estimation of Stochastic Frontier Production Function
Models[J]. Journal ofEconometrics， 1977，6(1):21-37.
[11] MEEUSEN W，BROECK J V D. Efficiency estimation from Cobb-Douglas production functions with composed error[J].
International Economic Review， 1977，18(2):435-444.
[12] BATTESE G E，COELLI T J. Frontier production functions，technical efficiency and panel data: with application to paddy
farmers in India[J]. The Journal of Productivity Analysis，1992(3): 149-165.
[13] SOLOW R M A. Contribution to the theory of economic growth[J].Quarterly Journal of Economics，1956,70( 1) :65-94.[14] 李谷成.人力资本与中国区域农业全要素生产率增长------基于DEA视角的实证分析[J].财经研究，2009(8):115-128.[15] 刘勇，孟令杰.测量Malmquist生产率指数的SFA方法J].北京理工大学学报(社会科学版)，2002(s1):42-44.
[16] HALL R E，JONES C L. Why do some countries produce so much more output than others[J]. The Quarterly Journal of
Economics，1999:114⑴：83-116.
[17] PSACHAROPOULOS G，PATRINOS H A. Returns to investment in education: a further update[J]. Education Economics,
2004，12(2):111-134.
佘康，章立，郭萍
责任编辑：吴强
Dynamic Changes and Factors of Growth of Agricultural Total Factor Productivity in China
-------Based on a Compare Study by Using DEA and SFA
(School of Economics and Management, Anhui Agricultural University, Hefei Anhui 230036, China)
Abstract: This article analyzes the development trend and factors of agricultural TFP of China5s 28 provinces from 1990 to 2012 by using DEA-Malmquist Index, SFA, Pool OLS, FE and RE. The results show that: the annual growth rates of agricultural TFP are 3.1% and 3.6% respectively based on the two test methods, but the development trends have different directions. Technological progress is the main factor causing agricultural TFP of the whole country and all provinces. Agricultural TFP decrease followed the sequence of eastern area, central area and western area. Agricultural capital investment, human capital and urbanization level have positive effects on the agricultural TFP, while agricultural labor input and agricultural planting structure have significant negative effects. Financial support for agriculture has positive effect on the agricultural TFP by DEA-Malmquist Index analysis. The effect of land input on the agricultural TFP has contrary results by using two different methods.Key words: agricultural TFP; DEA-Malmquist; SFA; agricultural development
121
HE Tingting
因篇幅问题不能全部显示，请点此查看更多更全内容