论文部分内容阅读
摘 要：基于DEA模型对安徽省2018年16地市农业科技创新效率进行测算，并通过各投入产出效率值和投影分析，研究安徽省农业科技创新现状及影响因素。结果表明，安徽省农业科技效率整体水平良好，但地区间差异较大;皖北城市资源要素投入冗余现象较为严重，资源配置不合理成为制约安徽省各地区农业科技创新投入产出效率提高的根本性问题。
关键词：DEA;农业科技创新;技术效率
中图分类号 F270.3;F273.4 文献标识码 A 文章编号 1007-7731（2020）22-0190-05
Abstract： Based on DEA model，the efficiency of agricultural science and technology innovation in 16 cities of Anhui Province in 2018 is calculated，and the current situation and influencing factors of agricultural science and technology innovation in Anhui Province are studied through input-output efficiency value and projection analysis. The results show that the overall level of agricultural science and technology efficiency in Anhui Province is good，but there are great differences between regions. The projection analysis shows that the redundant input of urban resource elements in Northern Anhui Province is more serious，and the unreasonable allocation of resources has become a fundamental problem restricting the improvement of input-output efficiency of agricultural science and technology innovation in various regions of Anhui Province.
Key words： DEA;Agricultural science and technology innovation;Technical efficiency
随着全球化和互联网技术的飞速发展，国家间的竞争日益激烈，建设创新型国家、提高科技创新能力越来越成为各国的目标和共识。党的十九大报告中，习近平总书记强调创新是引领经济发展的第一动力，而农业作为国民经济发展的基础，推动现代农业科技创新体系建设是完善创新体系的战略支撑。另一方面，农业科技创新是推动农业可持续发展的决定性力量，是转变农业发展方式的核心支撑，是早日实现乡村振兴和全面小康的重要途径。安徽省作为传统农业大省，农业科技创新是安徽省創新体系的重要组成部分，农业科技创新水平是衡量整个地区或国家科技发展水平的重要指标，因此，研究农业科技创新效率对于促进安徽省农业现代化发展和增强地区竞争力具有重要意义。
目前，针对农业效率的研究多以DEA模型为主，DEA 模型对于多投入多产出生产效率的测度相对来说比较全面和准确。Ali Emrouznejad[1]通过对近40年来与DEA相关文献的全面分析发现，环境效率和定向距离功能（DDF）、网络DEA、基准测试、规模回报（包括规模效率）是当前学术的研究热点。此外，研究还发现，农业、银行、供应连锁、运输和公共政策是DEA的五大应用领域。国外学者对农业效率的研究较为丰富，多以农业科技效率、生态效率、能源效率等为研究对象，主要运用BCC、CCR和改进后的SBM、Tobit模型或Malmquist指数模型等方法测度农业效率。Lucio Cecchini[2]采用SBM-DEA模型与翁布里亚（意大利）10个奶牛场的生命周期分析（LCA）结果相结合，以评估其生态效率和减排潜力。Muditha Karunarathna[3]研究调查了不同农业生物多样性指标（作物多样性、牲畜多样性和农业多样性）与农业技术效率（TE）之间的关系。Lidia Angulo-Meza[4]在生命周期评估+数据包络分析（LCA+DEA）方法的基础上，把碳足迹（CF）+DEA方法的4步方法中引入多目标DEA模型评估有机蓝莓果园的生态效率，这是目前LCA+DEA方法中使用的第一个多目标模型。W.Mu，A.Kanellopoulos[5]采用数据包络分析（DEA）方法评估了奶牛养殖系统的生态效率，使用模糊DEA来实现考虑到环境和经济指标值的不确定性，精确了生态效率的量化。
农业科技创新效率的是用来衡量农业科技创新过程中实际有效产出与投入之比。国内的研究多以一阶段DEA模型为主，且研究对象主要集中在全国或各省份。例如赵桂燕[6]运用DEA模型，建立了农业科技创新效率评价指标体系，从综合技术效率、纯技术效率和规模效率3个方面分析了黑龙江垦区农业科技创新效率。陈振[7]运用DEA模型对河南省各地市农业科技创新效率进行测算，从综合技术效率、纯技术效率、规模效率和冗余程度等方面分析河南省农业科技创新现有状况及影响因素。杨林、郑丽芳[8]运用超效率DEA模型对广东省农业科技创新效率进行了分析，研究发现其农业科技存在投入资金不足、农业科学技术方面的人才短缺等问题。肖碧云[9]利用DEA模型测评了我国31个省份的农业科技创新资源配置效率。王俊凤[10]运用DEA模型，对黑龙江省34个省级农业科技园区的创新效率、投入冗余、超效率分析等方面进行评价。 然而，目前国内的研究多集中在全国和省域层面，针对安徽省农业科技创新效率的研究寥寥无几，且大多以定性的建议对策为主。安徽省作为传统农业大省，更应积极探索现代农业的转型和升级，因此，研究安徽省农业科技创新效率，对加快安徽省农业现代化发展，优化农业科技创新资源配置，提高区域竞争力有着重要的意义。基于以上的研究，本研究利用DEA模型对安徽省各地市农业科技创新效率进行测算，并对各地区投入产出效率结果进行分析和评价，最后提出了相应的对策建议。
1 DEA模型
1.1 数据包络分析（DEA） 数据包络分析（DEA）是由运筹学家A.Charnes、W.W.Cooper等于1978年提出的一种以相对效率概念为基础，用于评价多投入、多产出指标决策单元的非参数统计方法，运用凸分析和线性规划对各DMU效度进行测量，可以评价相同部门间的相对有效性[11]。DEA 作为一种非参数方法，是处理多目标决策问题时的有力工具，广泛运用于经济和管理领域。DEA模型的显著特点在于不需要提前设定参数，无须对数据进行标准化处理，在一定程度上减少主观因素和运算误差的影响，具有良好的客观性。
1.2 DEA数学模型 常用的DEA 模型可分为规模报酬不变（CCR）模型与规模报酬可变（BCC）模型2种[12]，CCR模型指当投入量以等比例增加时，产出量应以等比增加。然而实际的生产过程中规模报酬并不会一成不变。为了测度各决策单元的规模报酬变化情况，本研究采用BCC 模型，其中综合技术效率（TE）=纯技术效率（PTE）×规模效率（SE）。BCC模型可表示为：
[s.tminθ-ε（eTs-+eTs+j=1nXjλj+S-=θX0j=1nYjλj-S+=Y0λj≥0，S-，S+≥0]
式中，[j=1，2，…，n]表示不同的决策单元，X表示投入变量，Y表示产出变量;θ则表示DMU离有效前沿面的一种径向优化量或“距离”;S+、S-分别为松弛变量;ε为非阿基米德无穷小量，其本质上是一个线性规划问题。若[θ=1，S+=S-=0]，则决策单元DEA有效;若[θ=1，S+≠0]或[S-≠0]，则决策单元弱DEA有效;若[θ]<[1]，则决策单元非DEA有效。
2 指标选取与数据来源
2.1 数据来源 本研究收集2018年安徽省各地级市的相关指标数据，数据主要来源于2019年《安徽省统计年鉴》及安徽省科技成果登记系统。由于农业R&D经费、农业科技活动人员2个指标在现有统计数据中没有相关资料，且获取难度较大，无法调研统计。综合参考和借鉴其他学者的已有研究，本研究采用公式“农业R&D经费=R&D经费×（农业总产值/生产总值）;农业科技活动人员=科技活动人员×（农业总产值/生产总值）”进行指标处理[13]。
2.2 评价指标体系的构建 科学合理地选择农业科技创新系统指标对于评价DEA测量结果十分重要[14-16]。参照相关研究中投入产出指标选择的基础上，本研究建立的农业科技创新投入-产出评价指标体系主要包括4个投入指标和2个产出指标。投入变量方面，人力资源的投入采用农业R&D人员数来表示，土地要素投入选取农作物总播种面积来表示，技术要素的投入采用农业机械总动力表示，最后选取农业R&D经费作为财力的投入。产出变量方面，分别采用农业总产值和农业科技成果，体现安徽省在农业科技方面所取得的成果，具体见表1。
3 实证分析
根据DEAP2.1软件的测算，得到2018年安徽省16地市农业科技投入产出效益的结果，各地市效率值和规模报酬变化情况见表2。
3.1 综合技术效率 从表2可以看出，2018年安徽省农业科技综合效率平均值为0.839，说明安徽省农业科技创新效率整体水平较好，但还存在提升的空间。为了区分各地市农业科技创新水平差异，根据表2的数据特点，把综合技术效率值分成以下4个区间：θ=1，0.900≤θ<1，0.700≤θ<0.900，0.400≤θ<0.700。这样，可以得到每个区间的指标占比情况，其结果见表3。
当综合技术效率值为1时，则说明该地区资源配置效率已达到最优状态，无须再对投入产出进行调整。处于DEA有效区域的有宿州、阜阳、六安、宣城 、黄山等5个地市，约占总体样本的1/3，这些地市处于规模报酬不变阶段，综合技术效率达到最优，说明农业科技创新的投入和产出能力较强。宿州、阜阳2个皖北城市地处华北平原，是传统农业大市，农作物播种面积都居于全省前3位，拥有良好的农业生产环境;农业机械总动力水平也较高，这得益于当地政府对农业机械化技术推广和农业基础设施建设的大力政策扶持，所以这两市投入和产出能力较强。六安市农业科技成果数在当年遥遥领先于其他城市，说明其农业科技创新转换效率较高，宣城和黄山市虽然农业生产规模不大，但其得益于农业资源配置比例較为合理，综合效率值达到最优。非DEA有效区域占总体样本的多数，大于0.9效率值的有亳州、芜湖、安庆，说明这3个地市的综合技术效率虽未达到最优，但效率值较高，只要根据分析结果稍加调整即可达到DEA有效。而其余地市都处于0.4～0.9的水平，部分效率值较低，说明这些地市农业资源配置不合理，主要是由于农业投入没有被有效利用，出现了比较严重的农业科技资源投入冗余，造成产出不足，存在较大的改进空间
3.2 纯技术效率和规模效率 从表2可以看出，安徽省农业科技纯技术效率的均值为0.911，低于其规模效率的平均值 0.914，说明造成非DEA有效的主要原因在于纯技术效率水平欠缺，农业科技投入水平不足。从纯技术效率来看，基于综合效率值等于纯技术效率与规模效率对应值的乘积，合肥、芜湖、安庆虽未达到综合效率值有效，但其纯技术效率值为1，即为纯技术有效，说明其对农业科技投入的资源进行了有效的配置，并已达到最佳的产出效果，造成其综合技术效率值小于1是由规模效率相对较低导致的。由表2可知，亳州、淮南、滁州、马鞍山的纯技术效率低于规模效率，尤其是淮南市其规模效率趋于有效，而纯技术效率水平相反较低，说明淮南市应加大农业科技投入。剩余的纯技术无效的地市均为纯技术效率高于规模效率，说明其不同程度地存在资源冗余问题，农业科技创新投入的投入产出组合未达到最优配置，资源利用率亟待提高。从规模效率的角度来看，淮北、亳州、铜陵处于规模效益递增状态，影响其效率低下的深层原因是创新投入不足，具有较大的发展潜力，今后应加大农业科技创新资源的投入规模。而合肥、蚌埠、淮南、滁州、马鞍山、芜湖、池州、安庆等地市处于规模报酬递减的状态，说明这些地区的农业资源利用效率低下，如果不能合理利用和分配资源，即使再增加投入，产出也可能不会增加，或增加得很少。因此，今后应从完善资源投入产出比例、提高管理水平出发。 3.3 投影分析 DEA无效通常是由投入冗余和产出不足等原因引起的[17]。因此，通过对原有投入和产出变量进行调整，可以改进非DEA有效地市的效率值，经过调整后的点即为各地区在生产前沿面上的“投影”[14]。表4给出了安徽省各地市的投入冗余额和产出不足额。
由表4可知，从投入指标看，部分地市在农业科技人员、经费投入和农业机械总动力、播种面积等指标均存在一定的投入冗余，盲目投入和低效的资源配置是造成DEA无效的主要因素。从农业科技活动人员来看，滁州、蚌埠、淮南冗余比例较大，但由于本研究在此指标数据选取中采取的为公式替代法，考虑现实中农业科技活动人员实际基数较小，并存在科技人员质量不高的现象，所以应从提升农业科技活动人员素质技能方面解决冗余问题。从农业科技经费支出来看，蚌埠、滁州、淮南、马鞍山的资金投入冗余较高，应适当减少农业科技经费投入，而对于其他地市来说，农业科技经费投入占整体科技经费比例还是较小，所以应加大农业科技经费投入，同时也要保证R&D经费的利用率。农业机械总动力方面，淮北、亳州、蚌埠、淮南、滁州均存在较大规模的冗余，说明这些地市农用机械利用率低下，结构不合理。这种现象一方面这与农具匹配不合理造成的作业效率低下有关，另一方面大中型拖拉机、小型拖拉机和农用排灌柴油机数量过多是导致农业机械化冗余的主要原因。因此，要加强优化农业机械投入结构，大力提升农业机械化利用效率。农作物播种面积方面，淮北、亳州、蚌埠、淮南、滁州农业土地冗余情况较为严重，滁州市的冗余量最高，这与其土地闲置、尚未有效利用有关。从产出指标看，铜陵、淮北两市存在农业产出不足的现象，铜陵是一座以采矿冶炼而立的城市，其农业基础薄弱，农业投入要素在全省处于末位，农业总产值排名倒数第一，但其投入又存在大量的冗余现象，所以合理调整农业科技资源配置才是解决其产出不足的正确途径。蚌埠、淮南、滁州、池州几市的农业科技成果产出不足与其农业科技要素投入较低，科技成果转换效率较低有关。整体来看，淮北、亳州、蚌埠、淮南、滁州等市的投入产出冗余最大，而这些城市大多数为皖北城市，说明投入产出结构不合理是皖北城市农业科技效率低的主要原因。
4 结论與建议
通过对安徽省2018年16地市农业科技效率进行测度，得出以下结论：（1）安徽省各地市农业科技创新投入产出整体效率良好，但区域差异较大，资源配置不合理成为制约安徽省各地区农业科技创新投入产出效率提高、实现现代化农业转型的根本性问题。（2）通过投影分析发现，一些地区仍存在由于投入规模过剩或产出不足导致的效率无效现象，而其中以皖北城市为主，存在较为严重的农业资源冗余现象，应及时调整投入产出结构。
结合研究结论，就安徽省农业创新发展政策和战略方向提出以下几点建议：首先，加大农业科技投入力度，优化资源配置。总体上看，安徽省对农业科技投入的资金较少。因此，政府需采取更多的财政扶持政策，增加对农业科技创新的资金投入力度。优化各地市的农业科技资源配置，使农业科技创新效率达到较优水平。其次，完善农业科技人才教育培训体系。安徽省整体专业的农业科研人员和科研机构都较少，而科技创新效率的提高关键是由科研人员去实现。所以应重点加强相关人力资本的投入，大力引进和培养具有高水平专业素质的农业专家和学者，加强农业科研机构的建设和投入，让农业科技人员更专心于科研工作。再次，建立差异化农业科技政策。由于不同城市科技产出效率的不同，政府要根据自身农业要素禀赋的差异，因地制宜地制定合适的农业科技政策。DEA有效区域，应进一步合理利用丰富的科研资源，使资源配置更加合理有效;非DEA有效区域，应找出自身效率低下的原因，提高管理效率或者合理分配资源配置，以此缩小地区间农业科技创新效率的差距。最后，引导农业绿色发展。在经济发展进入新常态的时代背景下，加快农业现代化转型，推动农业可持续发展，不仅是保证经济稳定的基石，也是早日实现乡村振兴和全面小康社会的关键。
参考文献
[1]Ali Emrouznejad，Guo-liang Yang.A survey and analysis of the first 40 years of scholarly literature in DEA：1978–2016[J].Socio-Economic Planning Sciences，2018，61：4-8.
[2]Lucio Cecchini，Sonia Venanzi，Antonio Pierri，et al.Environmental efficiency analysis and estimation of CO2 abatement costs in dairy cattle farms in Umbria（Italy）：A SBM-DEA model with undesirable output[J].Journal of Cleaner Production，Volume 197，Part 1，2018：895-907.
[3]Muditha Karunarathna，Clevo Wilson.Agricultural biodiversity and farm level technical efficiency：An empirical investigation[J].Journal of Forest Economics，A，2017，29：38-46.
[4]Lidia Angulo-Meza，Marcela González-Araya，Alfredo Iriarte，et al.A multiobjective DEA model to assess the eco-efficiency of agricultural practices within the CF+DEA method[J].Computers and Electronics in Agriculture，2019，161：151-161. [5]W.Mu，A.Kanellopoulos，C.E.van Middelaar，D.Stilmant，et al.Assessing the impact of uncertainty on benchmarking the eco-efficiency of dairy farming using fuzzy data envelopment analysis[J].Journal of Cleaner Production，2018，189：709-717.
[6]趙桂燕，王巍.基于DEA的黑龙江垦区农业科技创新投入效率研究[J].黑龙江八一农垦大学学报，2018，30（04）：112-117.
[7]陈振.基于DEA的黑龙江垦区农业科技创新投入效率研究[J].黑龙江八一农垦大学学报，2018，30（04）：112-117.
[8]杨林，郑丽芳，李运南，等.基于DEA的广东省农业科技投入效率分析[J].科技创新导报，2015，12（07）：105-108.
[9]]肖碧云.基于DEA模型的我国农业科技创新资源配置效率研究[J].吉林农业科技学院学报，2016，25（04）：62-65.
[10]王俊凤，刘松洁，闫文，等.基于DEA模型的农业科技园区运营效率评价——以黑龙江省34个省级农业科技园区为例[J].江苏农业科学，2017，45（04）：262-267.
[11]赵桂燕，王巍.基于DEA的黑龙江垦区农业科技创新投入效率研究[J].黑龙江八一农垦大学学报，2018，30（04）：112-117.
[12]黄海霞，张治河.基于DEA模型的我国战略性新兴产业科技资源配置效率研究[J].中国软科学，2015（1）：150-159.
[13]陈振，郑锐，李佩华，等.河南省农业科技创新效率评价与分析[J].河南农业大学学报，2018，52（03）：464-469，484.
[14]肖仁桥，钱丽.安徽省农业创新系统效率评价及分析[J].江淮论坛，2012（02）：25-32.
[15]赵丽娟，张玉喜，潘方卉，等.科技人力资源与资金对农业科技创新效率影响研究[J].华东经济管理，2016，30（01）：100-105.
[16]夏岩磊.长三角农业科技园区建设成效多维评价[J].经济地理，2018，38（04）：139-146.
[17]常文涛.农业科技创新资金与科技人力资本支农绩效实证分析[J].统计与决策，2018，34（21）：113-116.
（责编：张宏民）
关键词：DEA;农业科技创新;技术效率
中图分类号 F270.3;F273.4 文献标识码 A 文章编号 1007-7731（2020）22-0190-05
Abstract： Based on DEA model，the efficiency of agricultural science and technology innovation in 16 cities of Anhui Province in 2018 is calculated，and the current situation and influencing factors of agricultural science and technology innovation in Anhui Province are studied through input-output efficiency value and projection analysis. The results show that the overall level of agricultural science and technology efficiency in Anhui Province is good，but there are great differences between regions. The projection analysis shows that the redundant input of urban resource elements in Northern Anhui Province is more serious，and the unreasonable allocation of resources has become a fundamental problem restricting the improvement of input-output efficiency of agricultural science and technology innovation in various regions of Anhui Province.
Key words： DEA;Agricultural science and technology innovation;Technical efficiency
随着全球化和互联网技术的飞速发展，国家间的竞争日益激烈，建设创新型国家、提高科技创新能力越来越成为各国的目标和共识。党的十九大报告中，习近平总书记强调创新是引领经济发展的第一动力，而农业作为国民经济发展的基础，推动现代农业科技创新体系建设是完善创新体系的战略支撑。另一方面，农业科技创新是推动农业可持续发展的决定性力量，是转变农业发展方式的核心支撑，是早日实现乡村振兴和全面小康的重要途径。安徽省作为传统农业大省，农业科技创新是安徽省創新体系的重要组成部分，农业科技创新水平是衡量整个地区或国家科技发展水平的重要指标，因此，研究农业科技创新效率对于促进安徽省农业现代化发展和增强地区竞争力具有重要意义。
目前，针对农业效率的研究多以DEA模型为主，DEA 模型对于多投入多产出生产效率的测度相对来说比较全面和准确。Ali Emrouznejad[1]通过对近40年来与DEA相关文献的全面分析发现，环境效率和定向距离功能（DDF）、网络DEA、基准测试、规模回报（包括规模效率）是当前学术的研究热点。此外，研究还发现，农业、银行、供应连锁、运输和公共政策是DEA的五大应用领域。国外学者对农业效率的研究较为丰富，多以农业科技效率、生态效率、能源效率等为研究对象，主要运用BCC、CCR和改进后的SBM、Tobit模型或Malmquist指数模型等方法测度农业效率。Lucio Cecchini[2]采用SBM-DEA模型与翁布里亚（意大利）10个奶牛场的生命周期分析（LCA）结果相结合，以评估其生态效率和减排潜力。Muditha Karunarathna[3]研究调查了不同农业生物多样性指标（作物多样性、牲畜多样性和农业多样性）与农业技术效率（TE）之间的关系。Lidia Angulo-Meza[4]在生命周期评估+数据包络分析（LCA+DEA）方法的基础上，把碳足迹（CF）+DEA方法的4步方法中引入多目标DEA模型评估有机蓝莓果园的生态效率，这是目前LCA+DEA方法中使用的第一个多目标模型。W.Mu，A.Kanellopoulos[5]采用数据包络分析（DEA）方法评估了奶牛养殖系统的生态效率，使用模糊DEA来实现考虑到环境和经济指标值的不确定性，精确了生态效率的量化。
农业科技创新效率的是用来衡量农业科技创新过程中实际有效产出与投入之比。国内的研究多以一阶段DEA模型为主，且研究对象主要集中在全国或各省份。例如赵桂燕[6]运用DEA模型，建立了农业科技创新效率评价指标体系，从综合技术效率、纯技术效率和规模效率3个方面分析了黑龙江垦区农业科技创新效率。陈振[7]运用DEA模型对河南省各地市农业科技创新效率进行测算，从综合技术效率、纯技术效率、规模效率和冗余程度等方面分析河南省农业科技创新现有状况及影响因素。杨林、郑丽芳[8]运用超效率DEA模型对广东省农业科技创新效率进行了分析，研究发现其农业科技存在投入资金不足、农业科学技术方面的人才短缺等问题。肖碧云[9]利用DEA模型测评了我国31个省份的农业科技创新资源配置效率。王俊凤[10]运用DEA模型，对黑龙江省34个省级农业科技园区的创新效率、投入冗余、超效率分析等方面进行评价。 然而，目前国内的研究多集中在全国和省域层面，针对安徽省农业科技创新效率的研究寥寥无几，且大多以定性的建议对策为主。安徽省作为传统农业大省，更应积极探索现代农业的转型和升级，因此，研究安徽省农业科技创新效率，对加快安徽省农业现代化发展，优化农业科技创新资源配置，提高区域竞争力有着重要的意义。基于以上的研究，本研究利用DEA模型对安徽省各地市农业科技创新效率进行测算，并对各地区投入产出效率结果进行分析和评价，最后提出了相应的对策建议。
1 DEA模型
1.1 数据包络分析（DEA） 数据包络分析（DEA）是由运筹学家A.Charnes、W.W.Cooper等于1978年提出的一种以相对效率概念为基础，用于评价多投入、多产出指标决策单元的非参数统计方法，运用凸分析和线性规划对各DMU效度进行测量，可以评价相同部门间的相对有效性[11]。DEA 作为一种非参数方法，是处理多目标决策问题时的有力工具，广泛运用于经济和管理领域。DEA模型的显著特点在于不需要提前设定参数，无须对数据进行标准化处理，在一定程度上减少主观因素和运算误差的影响，具有良好的客观性。
1.2 DEA数学模型 常用的DEA 模型可分为规模报酬不变（CCR）模型与规模报酬可变（BCC）模型2种[12]，CCR模型指当投入量以等比例增加时，产出量应以等比增加。然而实际的生产过程中规模报酬并不会一成不变。为了测度各决策单元的规模报酬变化情况，本研究采用BCC 模型，其中综合技术效率（TE）=纯技术效率（PTE）×规模效率（SE）。BCC模型可表示为：
[s.tminθ-ε（eTs-+eTs+j=1nXjλj+S-=θX0j=1nYjλj-S+=Y0λj≥0，S-，S+≥0]
式中，[j=1，2，…，n]表示不同的决策单元，X表示投入变量，Y表示产出变量;θ则表示DMU离有效前沿面的一种径向优化量或“距离”;S+、S-分别为松弛变量;ε为非阿基米德无穷小量，其本质上是一个线性规划问题。若[θ=1，S+=S-=0]，则决策单元DEA有效;若[θ=1，S+≠0]或[S-≠0]，则决策单元弱DEA有效;若[θ]<[1]，则决策单元非DEA有效。
2 指标选取与数据来源
2.1 数据来源 本研究收集2018年安徽省各地级市的相关指标数据，数据主要来源于2019年《安徽省统计年鉴》及安徽省科技成果登记系统。由于农业R&D经费、农业科技活动人员2个指标在现有统计数据中没有相关资料，且获取难度较大，无法调研统计。综合参考和借鉴其他学者的已有研究，本研究采用公式“农业R&D经费=R&D经费×（农业总产值/生产总值）;农业科技活动人员=科技活动人员×（农业总产值/生产总值）”进行指标处理[13]。
2.2 评价指标体系的构建 科学合理地选择农业科技创新系统指标对于评价DEA测量结果十分重要[14-16]。参照相关研究中投入产出指标选择的基础上，本研究建立的农业科技创新投入-产出评价指标体系主要包括4个投入指标和2个产出指标。投入变量方面，人力资源的投入采用农业R&D人员数来表示，土地要素投入选取农作物总播种面积来表示，技术要素的投入采用农业机械总动力表示，最后选取农业R&D经费作为财力的投入。产出变量方面，分别采用农业总产值和农业科技成果，体现安徽省在农业科技方面所取得的成果，具体见表1。
3 实证分析
根据DEAP2.1软件的测算，得到2018年安徽省16地市农业科技投入产出效益的结果，各地市效率值和规模报酬变化情况见表2。
3.1 综合技术效率 从表2可以看出，2018年安徽省农业科技综合效率平均值为0.839，说明安徽省农业科技创新效率整体水平较好，但还存在提升的空间。为了区分各地市农业科技创新水平差异，根据表2的数据特点，把综合技术效率值分成以下4个区间：θ=1，0.900≤θ<1，0.700≤θ<0.900，0.400≤θ<0.700。这样，可以得到每个区间的指标占比情况，其结果见表3。
当综合技术效率值为1时，则说明该地区资源配置效率已达到最优状态，无须再对投入产出进行调整。处于DEA有效区域的有宿州、阜阳、六安、宣城 、黄山等5个地市，约占总体样本的1/3，这些地市处于规模报酬不变阶段，综合技术效率达到最优，说明农业科技创新的投入和产出能力较强。宿州、阜阳2个皖北城市地处华北平原，是传统农业大市，农作物播种面积都居于全省前3位，拥有良好的农业生产环境;农业机械总动力水平也较高，这得益于当地政府对农业机械化技术推广和农业基础设施建设的大力政策扶持，所以这两市投入和产出能力较强。六安市农业科技成果数在当年遥遥领先于其他城市，说明其农业科技创新转换效率较高，宣城和黄山市虽然农业生产规模不大，但其得益于农业资源配置比例較为合理，综合效率值达到最优。非DEA有效区域占总体样本的多数，大于0.9效率值的有亳州、芜湖、安庆，说明这3个地市的综合技术效率虽未达到最优，但效率值较高，只要根据分析结果稍加调整即可达到DEA有效。而其余地市都处于0.4～0.9的水平，部分效率值较低，说明这些地市农业资源配置不合理，主要是由于农业投入没有被有效利用，出现了比较严重的农业科技资源投入冗余，造成产出不足，存在较大的改进空间
3.2 纯技术效率和规模效率 从表2可以看出，安徽省农业科技纯技术效率的均值为0.911，低于其规模效率的平均值 0.914，说明造成非DEA有效的主要原因在于纯技术效率水平欠缺，农业科技投入水平不足。从纯技术效率来看，基于综合效率值等于纯技术效率与规模效率对应值的乘积，合肥、芜湖、安庆虽未达到综合效率值有效，但其纯技术效率值为1，即为纯技术有效，说明其对农业科技投入的资源进行了有效的配置，并已达到最佳的产出效果，造成其综合技术效率值小于1是由规模效率相对较低导致的。由表2可知，亳州、淮南、滁州、马鞍山的纯技术效率低于规模效率，尤其是淮南市其规模效率趋于有效，而纯技术效率水平相反较低，说明淮南市应加大农业科技投入。剩余的纯技术无效的地市均为纯技术效率高于规模效率，说明其不同程度地存在资源冗余问题，农业科技创新投入的投入产出组合未达到最优配置，资源利用率亟待提高。从规模效率的角度来看，淮北、亳州、铜陵处于规模效益递增状态，影响其效率低下的深层原因是创新投入不足，具有较大的发展潜力，今后应加大农业科技创新资源的投入规模。而合肥、蚌埠、淮南、滁州、马鞍山、芜湖、池州、安庆等地市处于规模报酬递减的状态，说明这些地区的农业资源利用效率低下，如果不能合理利用和分配资源，即使再增加投入，产出也可能不会增加，或增加得很少。因此，今后应从完善资源投入产出比例、提高管理水平出发。 3.3 投影分析 DEA无效通常是由投入冗余和产出不足等原因引起的[17]。因此，通过对原有投入和产出变量进行调整，可以改进非DEA有效地市的效率值，经过调整后的点即为各地区在生产前沿面上的“投影”[14]。表4给出了安徽省各地市的投入冗余额和产出不足额。
由表4可知，从投入指标看，部分地市在农业科技人员、经费投入和农业机械总动力、播种面积等指标均存在一定的投入冗余，盲目投入和低效的资源配置是造成DEA无效的主要因素。从农业科技活动人员来看，滁州、蚌埠、淮南冗余比例较大，但由于本研究在此指标数据选取中采取的为公式替代法，考虑现实中农业科技活动人员实际基数较小，并存在科技人员质量不高的现象，所以应从提升农业科技活动人员素质技能方面解决冗余问题。从农业科技经费支出来看，蚌埠、滁州、淮南、马鞍山的资金投入冗余较高，应适当减少农业科技经费投入，而对于其他地市来说，农业科技经费投入占整体科技经费比例还是较小，所以应加大农业科技经费投入，同时也要保证R&D经费的利用率。农业机械总动力方面，淮北、亳州、蚌埠、淮南、滁州均存在较大规模的冗余，说明这些地市农用机械利用率低下，结构不合理。这种现象一方面这与农具匹配不合理造成的作业效率低下有关，另一方面大中型拖拉机、小型拖拉机和农用排灌柴油机数量过多是导致农业机械化冗余的主要原因。因此，要加强优化农业机械投入结构，大力提升农业机械化利用效率。农作物播种面积方面，淮北、亳州、蚌埠、淮南、滁州农业土地冗余情况较为严重，滁州市的冗余量最高，这与其土地闲置、尚未有效利用有关。从产出指标看，铜陵、淮北两市存在农业产出不足的现象，铜陵是一座以采矿冶炼而立的城市，其农业基础薄弱，农业投入要素在全省处于末位，农业总产值排名倒数第一，但其投入又存在大量的冗余现象，所以合理调整农业科技资源配置才是解决其产出不足的正确途径。蚌埠、淮南、滁州、池州几市的农业科技成果产出不足与其农业科技要素投入较低，科技成果转换效率较低有关。整体来看，淮北、亳州、蚌埠、淮南、滁州等市的投入产出冗余最大，而这些城市大多数为皖北城市，说明投入产出结构不合理是皖北城市农业科技效率低的主要原因。
4 结论與建议
通过对安徽省2018年16地市农业科技效率进行测度，得出以下结论：（1）安徽省各地市农业科技创新投入产出整体效率良好，但区域差异较大，资源配置不合理成为制约安徽省各地区农业科技创新投入产出效率提高、实现现代化农业转型的根本性问题。（2）通过投影分析发现，一些地区仍存在由于投入规模过剩或产出不足导致的效率无效现象，而其中以皖北城市为主，存在较为严重的农业资源冗余现象，应及时调整投入产出结构。
结合研究结论，就安徽省农业创新发展政策和战略方向提出以下几点建议：首先，加大农业科技投入力度，优化资源配置。总体上看，安徽省对农业科技投入的资金较少。因此，政府需采取更多的财政扶持政策，增加对农业科技创新的资金投入力度。优化各地市的农业科技资源配置，使农业科技创新效率达到较优水平。其次，完善农业科技人才教育培训体系。安徽省整体专业的农业科研人员和科研机构都较少，而科技创新效率的提高关键是由科研人员去实现。所以应重点加强相关人力资本的投入，大力引进和培养具有高水平专业素质的农业专家和学者，加强农业科研机构的建设和投入，让农业科技人员更专心于科研工作。再次，建立差异化农业科技政策。由于不同城市科技产出效率的不同，政府要根据自身农业要素禀赋的差异，因地制宜地制定合适的农业科技政策。DEA有效区域，应进一步合理利用丰富的科研资源，使资源配置更加合理有效;非DEA有效区域，应找出自身效率低下的原因，提高管理效率或者合理分配资源配置，以此缩小地区间农业科技创新效率的差距。最后，引导农业绿色发展。在经济发展进入新常态的时代背景下，加快农业现代化转型，推动农业可持续发展，不仅是保证经济稳定的基石，也是早日实现乡村振兴和全面小康社会的关键。
参考文献
[1]Ali Emrouznejad，Guo-liang Yang.A survey and analysis of the first 40 years of scholarly literature in DEA：1978–2016[J].Socio-Economic Planning Sciences，2018，61：4-8.
[2]Lucio Cecchini，Sonia Venanzi，Antonio Pierri，et al.Environmental efficiency analysis and estimation of CO2 abatement costs in dairy cattle farms in Umbria（Italy）：A SBM-DEA model with undesirable output[J].Journal of Cleaner Production，Volume 197，Part 1，2018：895-907.
[3]Muditha Karunarathna，Clevo Wilson.Agricultural biodiversity and farm level technical efficiency：An empirical investigation[J].Journal of Forest Economics，A，2017，29：38-46.
[4]Lidia Angulo-Meza，Marcela González-Araya，Alfredo Iriarte，et al.A multiobjective DEA model to assess the eco-efficiency of agricultural practices within the CF+DEA method[J].Computers and Electronics in Agriculture，2019，161：151-161. [5]W.Mu，A.Kanellopoulos，C.E.van Middelaar，D.Stilmant，et al.Assessing the impact of uncertainty on benchmarking the eco-efficiency of dairy farming using fuzzy data envelopment analysis[J].Journal of Cleaner Production，2018，189：709-717.
[6]趙桂燕，王巍.基于DEA的黑龙江垦区农业科技创新投入效率研究[J].黑龙江八一农垦大学学报，2018，30（04）：112-117.
[7]陈振.基于DEA的黑龙江垦区农业科技创新投入效率研究[J].黑龙江八一农垦大学学报，2018，30（04）：112-117.
[8]杨林，郑丽芳，李运南，等.基于DEA的广东省农业科技投入效率分析[J].科技创新导报，2015，12（07）：105-108.
[9]]肖碧云.基于DEA模型的我国农业科技创新资源配置效率研究[J].吉林农业科技学院学报，2016，25（04）：62-65.
[10]王俊凤，刘松洁，闫文，等.基于DEA模型的农业科技园区运营效率评价——以黑龙江省34个省级农业科技园区为例[J].江苏农业科学，2017，45（04）：262-267.
[11]赵桂燕，王巍.基于DEA的黑龙江垦区农业科技创新投入效率研究[J].黑龙江八一农垦大学学报，2018，30（04）：112-117.
[12]黄海霞，张治河.基于DEA模型的我国战略性新兴产业科技资源配置效率研究[J].中国软科学，2015（1）：150-159.
[13]陈振，郑锐，李佩华，等.河南省农业科技创新效率评价与分析[J].河南农业大学学报，2018，52（03）：464-469，484.
[14]肖仁桥，钱丽.安徽省农业创新系统效率评价及分析[J].江淮论坛，2012（02）：25-32.
[15]赵丽娟，张玉喜，潘方卉，等.科技人力资源与资金对农业科技创新效率影响研究[J].华东经济管理，2016，30（01）：100-105.
[16]夏岩磊.长三角农业科技园区建设成效多维评价[J].经济地理，2018，38（04）：139-146.
[17]常文涛.农业科技创新资金与科技人力资本支农绩效实证分析[J].统计与决策，2018，34（21）：113-116.
（责编：张宏民）