论文部分内容阅读
摘要 基于三阶段DEA模型和安徽省面板数据实证分析了2014—2018年16个地市的农业生产效率。结果表明，安徽省农业生产效率值整体较低，规模效率低是制约其发展的主要原因。农民收入的增加、受教育水平的提高对农业生产效率起促进作用，而城市规模的扩充不利于农业生产效率的提高。安徽省农业生产效率在空间上呈现以合肥为中心的“X”状高效率集聚格局，在区域上呈现“皖中>皖北>皖南”的发展格局。
关键词 三阶段DEA;安徽省;农业生产效率;空间演变
中图分类号 S-9 文献标识码 A 文章编号 0517-6611（2021）09-0213-06
doi：10.3969/j.issn.0517-6611.2021.09.058
Abstract Based on the Three-stage DEA model and panel statistical data of Anhui Province， this paper empirically analyzes the agricultural production efficiency of 16 cities in Anhui Province from 2014 to 2018. The results show that the overall agricultural production efficiency of Anhui Province is low， and the low scale efficiency is the main reason restricting its development. The increase of farmers’ income and education level can promote the efficiency of agricultural production， but the expanding of urbanization level is not conducive to the improvement of agricultural production efficiency. The spatial distribution of agricultural production efficiency in Anhui Province is X-shaped with Hefei as the center， and the regional development pattern is “Central Anhui > Northern Anhui > Southern Anhui”.
Key words Three-stage DEA;Anhui Province;Agricultural production efficiency;Spatial evolution
“鄉村振兴战略”是党的十九大提出的一项重大战略，是新时代中国特色社会主义伟大事业的重要内容，而其重要的突破口和切入点就是实现农业现代化发展。加快现代农业转型升级的关键在于如何提高资源利用率，常用农业生产效率衡量[1]。安徽省作为农业大省，如何优化农业资源配置、提高农业生产效率是当前亟需解决的问题之一。
目前，针对农业生产效率的研究多以DEA模型为主，DEA模型对于测度多投入多产出的生产效率更加全面和准确。Farrell[2]最早通过对英国的农业生产效率进行分析，提供了利用数学规划求出技术前沿面的思路，一般被认为是DEA的原型。国外方面，Toma等[3]通过DEA模型检验欧盟国家的农业生产效率，研究发现大多数欧盟国家都可以合理化其投入使用，从而获得更多的产出。Da Silva e Souza[4]以农业产值为产出，土地、劳动力等为投入，运用DEA模型分析了1976—2016年巴西的农业生产效率。国内学者在传统DEA的基础上对指标选取和方法进行了改进，如陈新华等[5]基于生态效率评价视角，将农业碳汇效应、农业面源污染等指标纳入农业生产效率的分析体系中，应用DEA对广东省的农业投入产出效率值进行了测算。傅丽芳等[6]构建了可以处理面板数据的立体DEA模型，对黑龙江省各区域的农业生产效率进行测度。冯俊华等[7]运用DEA-Malmquist指数模型对陕西农业生产效率进行静态与动态测算。
针对传统DEA无法处理环境因素和随机噪声的影响，Fried等[8]提出三阶段DEA模型，更多学者选用这种方法用于农业生产效率的研究。郭军华等[9]运用三阶段DEA模型对2008年国内各省市的农业生产效率进行测度和分析。在环境变量的影响方面，王蕾等[10]发现提高城镇化水平、教育水平、工业化发展水平均有利于促进农业生产效率，而粮食播种面积与农作物播种面积比、地方财政农林水事务支出等指标不利于农业生产效率的提高。王洋洋等[11]通过实证测度发现经济发展水平、自然灾害和极端天气、人口结构等因素显著影响了“一带一路”沿线国家和地区的农业生产效率。在与空间计量的结合方面，侯孟阳等[12]采用超效率SBM模型测算省际农业生态效率，并建立空间计量模型对分区域、分时段的分异特征进行讨论。王海飞[13]采用超效率的SSBM模型和探索性空间数据分析（ESDA）相结合的方法，以县域单元为尺度对安徽省农业效率水平、空间格局及其演变趋势进行实证分析。
总体来看，目前的研究视角多集中在全国和省域层面，而针对安徽省各地市农业生产效率的研究寥寥无几，在研究时间上也较为陈旧，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，研究安徽省农业生产效率水平和影响因素对安徽省推动农业现代化转型，提升区域地位有着重要的意义。因此，笔者选取2014—2018年安徽省16个地级市的面板数据，基于三阶段DEA模型对安徽省农业生产效率进行测算和分析。 1 研究方法与数据来源
1.1 三阶段 DEA 模型
DEA模型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。三阶段DEA模型在原有基础上剔除掉环境因素和随机误差的影響，具有良好的客观性，具体步骤如下。
第一阶段，传统DEA模型。1978年由A.Charnes等首先提出了DEA模型，原理是运用凸分析和线性规划对各决策单元（DMU）效度进行测量，用于评价相同部门间的相对有效性。该研究采用投入导向下的BCC模型进行测量，BCC模型可表示为：
第二阶段，相似SFA分析模型，用原始投入值减去投入目标值得到各投入指标的松弛变量，作为被解释变量，再将环境变量作为解释变量进行回归分析，其中松弛变量是由环境因素、管理无效率和随机因素构成，第二阶段的主要目的是将第一阶段的松弛变量分解成以上3种效应，并对环境和随机因素进行剥离分析，以此来调整原始投入值[14]。
具体计算步骤如下：
第三阶段，调整后的DEA模型，原始产出值不变，与剔除掉环境因素和随机噪声后的投入值再次重复一阶段过程进行效率值测度。
1.2 投入产出指标、环境变量的选取及数据来源
1.2.1 投入产出指标的选取。
该研究依据数据可得性和统一性原则，选取的农业投入变量包括灌溉、化肥、 农业机械动力、土地及劳动力5个方面。其中灌溉投入，选取有效灌溉面积（1 000 hm2）计算;化肥投入，以当年用于农业生产中的磷、氮、钾和复合肥折纯量的总量（t）计算;农业机械动力投入采用农业机械总动力（万kW）计算;土地投入，选取农作物总播种面积（1 000 hm2）计算;劳动力投入，以第一产业从业人员（万人）计算。最后，将农林牧渔业总产值（万元）作为产出指标。
各投入项与产出项之间需符合“同向性”假设（投入增加时产出不会减少），常采用Pearson相关性检验方法进行检测[15]。利用SPSS 20.0软件进行检验，结果见表1。由表1可以看出，安徽省各地市的农业投入与产出之间的相关系数均为正且都能通过0.05水平下的置信（双尾）检验，充分满足“同向性”假设。
1.2.2 环境变量的选取。
环境变量指标应选择那些对农业生产效率产生影响但是又不受本身主观控制的因素，综合参考现有研究和文献[16-18]，该研究选取城市规模、政策支持、农民收入水平、受教育水平4个变量作为环境变量，分别采用城镇率（%），农林水事物支出（万元），农村居民人均可支配收入（元），人均受教育年限（年）表示。
1.2.3 数据来源。
该研究所选取的投入产出变量和环境变量的面板数据来源于2015—2019年《安徽统计年鉴》。
2 结果与分析
2.1 第一阶段DEA分析结果
利用DAP 2.1软件的投入导向BCC模型对2014—2018年安徽省16个市农业生产效率进行测度，结果见表2。
由表2可得，2014—2018年安徽省农业生产综合效率平均值分别为0.836、0.823、0.848、0.851、0.857，综合效率、纯技术效率、规模效率的5年平均值分别为0.843、0.927、0.910，说明安徽省农业生产效率值较低，但整体是呈增长趋势的。综合效率值等于纯技术效率值与规模效率值相乘，观察可得，安徽省农业每年的纯技术效率值均高于规模效率值，因此效率值低下更多的可归因于规模效率的低下。传统DEA模型未剔除环境因素和随机噪声对真实效率值的影响，所以有必要选用SFA模型进行下一步的调整和分析。
2.2 第二阶段 SFA 回归分析结果
将第一阶段计算得到的投入松弛变量作为被解释变量，将环境变量作为解释变量，数据对数化处理后，运用Front 4.1软件进行随机前沿分析（SFA），结果见表3。
从表3可以看出，环境变量对投入松弛变量进行回归时大部分统计量在0.01的检验水平上显著，具有较高的统计显著性，表明外部环境因素在不同程度上影响着各地市农业生产的投入冗余，进而对农业生产效率产生影响。环境变量对各投入松弛变量回归系数的正负代表的意义也是不同的，系数为负时，表明环境变量的增加有助于减少投入冗余，即降低投入的浪费;反之，则表示增加环境变量会导致投入浪费的增加。下文逐一对各环境变量对投入松弛变量的影响进行分析。
（1）城市规模。城市规模除对第一产业从业人员松弛变量不显著以外，对其他投入松弛变量均能通过0.01的显著性检验，但回归系数均为正，表示城市规模的扩充不利于安徽省农业生产效率的提高，这一结论与理论预期相反。主要原因可能在于安徽省是传统农业大省，但整体经济实力较为落后，城市规模扩大的同时造成大量年轻的农村劳动力向城市中心转移，导致农村优质劳动力资源严重不足。而留守农村者老弱病残居多，加重了农村的弃耕抛荒问题，这些因素直接制约了安徽省农业生产效率的提高。
（2）财政支农支出。财政支农支出只通过了对化肥施用量松弛变量的0.01水平显著性检验，松弛变量系数为正，说明财政支出的增加会造成化肥投入冗余的增加，这可能是由于政府的惠农补贴政策导致的化肥投入资源的浪费;对第一产业从业人员松弛变量的系数为负，对剩余变量系数为正，但t检验结果都不显著，这说明财政支农支出对农业生产效率并没有起到显著的影响和作用。
（3）农村居民人均可支配收入。该变量大多数通过了0.01的检验，且回归系数均为负，也就是说农民收入水平的提高对农业生产效率产生了显著的积极影响。这与理论预期完全一致。
（4）受教育年限。该变量除对第一产业从业人员松弛变量不显著外，对其余投入松弛变量均在0.01显著性水平下显著，除了化肥施用量投入松弛变量的回归系数为正外，其他系数均为负，这说明人均受教育年限对农业生产效率的提高是有利因素，受教育程度的提升能降低各投入指标的冗余，从而提升农业生产效率，这与理论预期一致。 2.3 第三阶段：调整后的DEA分析结果
将剔除掉环境因素和随机噪声影响的投入值与原始产出值代入BCC模型，重复第一阶段过程，得到调整后的各地市效率值，具体见表4。
通过剔除环境因素以及随机因素干扰过后，可以观察出2014安徽省农业生产综合效率值发生了比较明显的变动，除2015和2016年略有上升外，其余年份的效率值都发生了下降，综合效率、纯技术效率、规模效率的5年平均值分别为0.849、0.943、0.902，与第一阶段相比，综合效率值和纯技术效率值上升，规模效率值下降，这表明环境因素和随机噪声的干扰是显著的，证明了第二阶段对投入变量调整的必要性。
2.4 安徽省农业生产效率空间演化特征
2.4.1 农业效率空间格局分布。
为揭示安徽省农业生产效率在空间地理上的演变规律，通过ArcGIS 10.2软件绘制了2014和2018年安徽省各地市农业生产综合效率的分位图，采用自然间断点法进行分级，结果见图1。
由图1可知，2014年农业综合效率值处于优秀水平的城市为阜阳市、淮南市、合肥市，其次宿州市、蚌埠市、安庆市、铜陵市、芜湖市、宣城市处于良好水平，其余城市基本都处于中下水平，因此限制了安徽省农业生产效率的提升。对比发现，2018年农业效率水平增加的城市数量较多，安庆市和蚌埠市效率值达到优秀水平，蚌埠市、亳州市、六安市、马鞍山市、池州市、黄山市由原先的低水平上升为中等水平，但全省的农业生产综合效率整体水平并未得到提升，效率值变化不大，可能由于部分地市效率值下降较大，如铜陵市、淮南市。2014和2018年的效率值优秀区域均集中在皖北和皖中地区，空间上呈现以合肥为中心的“X”状高效率集聚格局。
2.4.2 农业效率空间变化趋势。
根据第3阶段效率值，按照省内区域划分，将2014—2018年皖北、皖中、皖南3个区域的农业生产综合效率值进行对比，结果见图2。
由图2可知，近5年安徽省及三大区域的效率值水平都呈现先上升后下降的发展趋势，并且区域差异较大。对比全省平均水平，皖中地区历年效率水平最高，皖北地区基本与全省平均水平持平，皖南历年均低于全省水平，总体呈现出“皖中>皖北>皖南”的发展格局。皖中地区受合肥市影响和带动，依靠地理优势和政策、资金支持，农业投入资源比较充足，同时依托合肥市的先进技术和人才，在提高农业生产综合效率方面具有一定优势。皖北地区以平原为主，农业基础较好，拥有得天独厚的地理条件;其次得益于当地政府对农业技术推广和农业基础设施建设的大力政策扶持，农业生产环境较好，所以皖中与皖北的整体农业生产效率值较高。
为进一步探究各区域综合效率值差异的影响因素，对三大区域的综合效率值进行分解和对比，结果如表5所示。
由表5可知，皖北和皖中的纯技术效率值都低于规模效率值，其中皖中表现明显，说明两个地区主要是由于管理不足而导致技术效率的不理想，因此技术管理水平有待提高。皖南地区则相反，其综合效率值受规模效率值低的影响较大，主要由于其农业基础薄弱，农业投入要素水平基本都处在全省末位，所以皖南地区应扩大农业生产规模，促进农业规模化、集约化发展，提高其农业规模效益。
3 结论与建议
对2014—2018年安徽省16个地市的农业生产效率进行测度与分析，得出以下结论：第一，安徽省农业生产效率值整体水平较低，规模效率低是安徽省农业生产效率提升的制约因素。第二，SFA回归分析结果表明，农民收入和受教育水平的提升对安徽省农业发展起积极作用，城市规模的扩充对农业发展不利，而财政支农的影响并不明显。第三，对安徽省农业生产效率空间演化的研究结果表明，安徽省农业发展空间上呈现以合肥为中心的“X”状高效率集聚格局，区域上呈现“皖中>皖北>皖南”的发展格局，其中皖中和皖北地区应提高技术管理水平;皖南地区应扩大农业生产规模，提高农业规模效益。
针对以上结论，对安徽省农業生产发展提出以下建议：
第一，扩大农业生产规模。加快农业现代化转型，改变原有的粗放型管理模式，鼓励推动农业规模化、集约化、产业化经营发展，同时加强农业的管理水平与技术创新，实现农业发展的高效率和高效益。
第二，完善农村基础教育，提高农民受教育水平。完善农民技术培训机制和农业科技人才教育培训体系，加强相关农业人力资本的投入，大力引进和培养具有专业素质的农业专家和学者。
第三，合理有序地推动城镇化进程。通过政策补贴、推动城乡基础设施一体化和公共服务均等化等措施留住农村优质劳动力，鼓励农民返乡创业，抑制弃耕抛荒现象的增长，加大农业扶持力度，保证农民的合理收入，提高农民生产积极性。
第四，根据不同地区的生产效率特征，因地制宜地制定措施。对于皖中和皖北地区，应引进新的管理制度和理念，优化资源配置，提高技术管理水平;对于皖南地区，应增加农业方面的投入，扩大农业生产规模，提高农业规模效益。
参考文献
[1] 李首涵，杨萍，李忠德，等.基于DEA-SBM模型的黄河三角洲现代农业生态效率评价[J].湖北农业科学，2018，57（13）：98-103.
[2] FARRELL M J.The measurement of productive efficiency[J].Journal of the royal statistical society，1957，120（3）：253-281.
[3] TOMA P，MIGLIETTA P P，ZURLINI G，et al.A non-parametric bootstrap-data envelopment analysis approach for environmental policy planning and management of agricultural efficiency in EU countries[J].Ecological indicators，2017，83：132-143. [4] DA SILVA E SOUZA G，GOMES E G，DE ANDRADE ALVES E R，et al.Technological progress in the Brazilian agriculture[J/OL].Socio-economic planning sciences，2020，72[2020-05-20].https：//doi.org/10.1016/j.seps.2020.100879.
[5] 陳新华，王厚俊.基于生态效率评价视角的广东省农业生产效率研究[J].农业技术经济，2016（4）：94-104.
[6] 傅丽芳，魏薇.基于面板数据广义DEA的农业生产效率综合评价[J].统计与决策，2016（6）：57-59.
[7] 冯俊华，刘静洁.西北地区农业生产效率评价研究：以陕西省为例[J].价格理论与实践，2018（8）：143-146.
[8] FRIED H O，LOVELL C A K，SCHMIDT S S，et al.Accounting for environmental effects and statistical noise in data envelopment analysis[J].Journal of productivity analysis，2002，17（1/2）：157-174.
[9] 郭军华，倪明，李帮义.基于三阶段DEA模型的农业生产效率研究[J].数量经济技术经济研究，2010，27（12）：27-38.
[10] 王蕾，于成成，王敏，等.我国农业生产效率的政策效应及时空差异研究：基于三阶段DEA模型的实证分析[J].软科学，2019，33（9）：33-39.
[11] 王洋洋，张晓慧，崔冀娜.“一带一路”沿线国家和地区农业生产技术效率研究[J].统计与决策，2019，35（4）：150-153.
[12] 侯孟阳，姚顺波.空间视角下中国农业生态效率的收敛性与分异特征[J].中国人口·资源与环境，2019，29（4）：116-126.
[13] 王海飞.基于SSBM-ESDA模型的安徽省县域农业效率时空演变[J].经济地理，2020，40（4）：175-183，222.
[14] 郭亚军.基于三阶段DEA模型的工业生产效率研究[J].科研管理，2012，33（11）：16-23.
[15] 焦源.山东省农业生产效率评价研究[J].中国人口·资源与环境，2013，23（12）：105-110.
[16] 李勇辉，白利鹏.云南省农业科技创新资源配置效率及影响因素研究[J].中国农业资源与区划，2019，40（6）：63-69.
[17] 时悦，梁净.城镇化与农业生产效率耦合协调关系：基于黑龙江省、辽宁省、吉林省3省数据分析[J].农林经济管理学报，2019，18（2）：190-198.
[18] 叶文忠，刘俞希.长江经济带农业生产效率及其影响因素研究[J].华东经济管理，2018，32（3）：83-88.
关键词 三阶段DEA;安徽省;农业生产效率;空间演变
中图分类号 S-9 文献标识码 A 文章编号 0517-6611（2021）09-0213-06
doi：10.3969/j.issn.0517-6611.2021.09.058
Abstract Based on the Three-stage DEA model and panel statistical data of Anhui Province， this paper empirically analyzes the agricultural production efficiency of 16 cities in Anhui Province from 2014 to 2018. The results show that the overall agricultural production efficiency of Anhui Province is low， and the low scale efficiency is the main reason restricting its development. The increase of farmers’ income and education level can promote the efficiency of agricultural production， but the expanding of urbanization level is not conducive to the improvement of agricultural production efficiency. The spatial distribution of agricultural production efficiency in Anhui Province is X-shaped with Hefei as the center， and the regional development pattern is “Central Anhui > Northern Anhui > Southern Anhui”.
Key words Three-stage DEA;Anhui Province;Agricultural production efficiency;Spatial evolution
“鄉村振兴战略”是党的十九大提出的一项重大战略，是新时代中国特色社会主义伟大事业的重要内容，而其重要的突破口和切入点就是实现农业现代化发展。加快现代农业转型升级的关键在于如何提高资源利用率，常用农业生产效率衡量[1]。安徽省作为农业大省，如何优化农业资源配置、提高农业生产效率是当前亟需解决的问题之一。
目前，针对农业生产效率的研究多以DEA模型为主，DEA模型对于测度多投入多产出的生产效率更加全面和准确。Farrell[2]最早通过对英国的农业生产效率进行分析，提供了利用数学规划求出技术前沿面的思路，一般被认为是DEA的原型。国外方面，Toma等[3]通过DEA模型检验欧盟国家的农业生产效率，研究发现大多数欧盟国家都可以合理化其投入使用，从而获得更多的产出。Da Silva e Souza[4]以农业产值为产出，土地、劳动力等为投入，运用DEA模型分析了1976—2016年巴西的农业生产效率。国内学者在传统DEA的基础上对指标选取和方法进行了改进，如陈新华等[5]基于生态效率评价视角，将农业碳汇效应、农业面源污染等指标纳入农业生产效率的分析体系中，应用DEA对广东省的农业投入产出效率值进行了测算。傅丽芳等[6]构建了可以处理面板数据的立体DEA模型，对黑龙江省各区域的农业生产效率进行测度。冯俊华等[7]运用DEA-Malmquist指数模型对陕西农业生产效率进行静态与动态测算。
针对传统DEA无法处理环境因素和随机噪声的影响，Fried等[8]提出三阶段DEA模型，更多学者选用这种方法用于农业生产效率的研究。郭军华等[9]运用三阶段DEA模型对2008年国内各省市的农业生产效率进行测度和分析。在环境变量的影响方面，王蕾等[10]发现提高城镇化水平、教育水平、工业化发展水平均有利于促进农业生产效率，而粮食播种面积与农作物播种面积比、地方财政农林水事务支出等指标不利于农业生产效率的提高。王洋洋等[11]通过实证测度发现经济发展水平、自然灾害和极端天气、人口结构等因素显著影响了“一带一路”沿线国家和地区的农业生产效率。在与空间计量的结合方面，侯孟阳等[12]采用超效率SBM模型测算省际农业生态效率，并建立空间计量模型对分区域、分时段的分异特征进行讨论。王海飞[13]采用超效率的SSBM模型和探索性空间数据分析（ESDA）相结合的方法，以县域单元为尺度对安徽省农业效率水平、空间格局及其演变趋势进行实证分析。
总体来看，目前的研究视角多集中在全国和省域层面，而针对安徽省各地市农业生产效率的研究寥寥无几，在研究时间上也较为陈旧，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，研究安徽省农业生产效率水平和影响因素对安徽省推动农业现代化转型，提升区域地位有着重要的意义。因此，笔者选取2014—2018年安徽省16个地级市的面板数据，基于三阶段DEA模型对安徽省农业生产效率进行测算和分析。 1 研究方法与数据来源
1.1 三阶段 DEA 模型
DEA模型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。三阶段DEA模型在原有基础上剔除掉环境因素和随机误差的影響，具有良好的客观性，具体步骤如下。
第一阶段，传统DEA模型。1978年由A.Charnes等首先提出了DEA模型，原理是运用凸分析和线性规划对各决策单元（DMU）效度进行测量，用于评价相同部门间的相对有效性。该研究采用投入导向下的BCC模型进行测量，BCC模型可表示为：
第二阶段，相似SFA分析模型，用原始投入值减去投入目标值得到各投入指标的松弛变量，作为被解释变量，再将环境变量作为解释变量进行回归分析，其中松弛变量是由环境因素、管理无效率和随机因素构成，第二阶段的主要目的是将第一阶段的松弛变量分解成以上3种效应，并对环境和随机因素进行剥离分析，以此来调整原始投入值[14]。
具体计算步骤如下：
第三阶段，调整后的DEA模型，原始产出值不变，与剔除掉环境因素和随机噪声后的投入值再次重复一阶段过程进行效率值测度。
1.2 投入产出指标、环境变量的选取及数据来源
1.2.1 投入产出指标的选取。
该研究依据数据可得性和统一性原则，选取的农业投入变量包括灌溉、化肥、 农业机械动力、土地及劳动力5个方面。其中灌溉投入，选取有效灌溉面积（1 000 hm2）计算;化肥投入，以当年用于农业生产中的磷、氮、钾和复合肥折纯量的总量（t）计算;农业机械动力投入采用农业机械总动力（万kW）计算;土地投入，选取农作物总播种面积（1 000 hm2）计算;劳动力投入，以第一产业从业人员（万人）计算。最后，将农林牧渔业总产值（万元）作为产出指标。
各投入项与产出项之间需符合“同向性”假设（投入增加时产出不会减少），常采用Pearson相关性检验方法进行检测[15]。利用SPSS 20.0软件进行检验，结果见表1。由表1可以看出，安徽省各地市的农业投入与产出之间的相关系数均为正且都能通过0.05水平下的置信（双尾）检验，充分满足“同向性”假设。
1.2.2 环境变量的选取。
环境变量指标应选择那些对农业生产效率产生影响但是又不受本身主观控制的因素，综合参考现有研究和文献[16-18]，该研究选取城市规模、政策支持、农民收入水平、受教育水平4个变量作为环境变量，分别采用城镇率（%），农林水事物支出（万元），农村居民人均可支配收入（元），人均受教育年限（年）表示。
1.2.3 数据来源。
该研究所选取的投入产出变量和环境变量的面板数据来源于2015—2019年《安徽统计年鉴》。
2 结果与分析
2.1 第一阶段DEA分析结果
利用DAP 2.1软件的投入导向BCC模型对2014—2018年安徽省16个市农业生产效率进行测度，结果见表2。
由表2可得，2014—2018年安徽省农业生产综合效率平均值分别为0.836、0.823、0.848、0.851、0.857，综合效率、纯技术效率、规模效率的5年平均值分别为0.843、0.927、0.910，说明安徽省农业生产效率值较低，但整体是呈增长趋势的。综合效率值等于纯技术效率值与规模效率值相乘，观察可得，安徽省农业每年的纯技术效率值均高于规模效率值，因此效率值低下更多的可归因于规模效率的低下。传统DEA模型未剔除环境因素和随机噪声对真实效率值的影响，所以有必要选用SFA模型进行下一步的调整和分析。
2.2 第二阶段 SFA 回归分析结果
将第一阶段计算得到的投入松弛变量作为被解释变量，将环境变量作为解释变量，数据对数化处理后，运用Front 4.1软件进行随机前沿分析（SFA），结果见表3。
从表3可以看出，环境变量对投入松弛变量进行回归时大部分统计量在0.01的检验水平上显著，具有较高的统计显著性，表明外部环境因素在不同程度上影响着各地市农业生产的投入冗余，进而对农业生产效率产生影响。环境变量对各投入松弛变量回归系数的正负代表的意义也是不同的，系数为负时，表明环境变量的增加有助于减少投入冗余，即降低投入的浪费;反之，则表示增加环境变量会导致投入浪费的增加。下文逐一对各环境变量对投入松弛变量的影响进行分析。
（1）城市规模。城市规模除对第一产业从业人员松弛变量不显著以外，对其他投入松弛变量均能通过0.01的显著性检验，但回归系数均为正，表示城市规模的扩充不利于安徽省农业生产效率的提高，这一结论与理论预期相反。主要原因可能在于安徽省是传统农业大省，但整体经济实力较为落后，城市规模扩大的同时造成大量年轻的农村劳动力向城市中心转移，导致农村优质劳动力资源严重不足。而留守农村者老弱病残居多，加重了农村的弃耕抛荒问题，这些因素直接制约了安徽省农业生产效率的提高。
（2）财政支农支出。财政支农支出只通过了对化肥施用量松弛变量的0.01水平显著性检验，松弛变量系数为正，说明财政支出的增加会造成化肥投入冗余的增加，这可能是由于政府的惠农补贴政策导致的化肥投入资源的浪费;对第一产业从业人员松弛变量的系数为负，对剩余变量系数为正，但t检验结果都不显著，这说明财政支农支出对农业生产效率并没有起到显著的影响和作用。
（3）农村居民人均可支配收入。该变量大多数通过了0.01的检验，且回归系数均为负，也就是说农民收入水平的提高对农业生产效率产生了显著的积极影响。这与理论预期完全一致。
（4）受教育年限。该变量除对第一产业从业人员松弛变量不显著外，对其余投入松弛变量均在0.01显著性水平下显著，除了化肥施用量投入松弛变量的回归系数为正外，其他系数均为负，这说明人均受教育年限对农业生产效率的提高是有利因素，受教育程度的提升能降低各投入指标的冗余，从而提升农业生产效率，这与理论预期一致。 2.3 第三阶段：调整后的DEA分析结果
将剔除掉环境因素和随机噪声影响的投入值与原始产出值代入BCC模型，重复第一阶段过程，得到调整后的各地市效率值，具体见表4。
通过剔除环境因素以及随机因素干扰过后，可以观察出2014安徽省农业生产综合效率值发生了比较明显的变动，除2015和2016年略有上升外，其余年份的效率值都发生了下降，综合效率、纯技术效率、规模效率的5年平均值分别为0.849、0.943、0.902，与第一阶段相比，综合效率值和纯技术效率值上升，规模效率值下降，这表明环境因素和随机噪声的干扰是显著的，证明了第二阶段对投入变量调整的必要性。
2.4 安徽省农业生产效率空间演化特征
2.4.1 农业效率空间格局分布。
为揭示安徽省农业生产效率在空间地理上的演变规律，通过ArcGIS 10.2软件绘制了2014和2018年安徽省各地市农业生产综合效率的分位图，采用自然间断点法进行分级，结果见图1。
由图1可知，2014年农业综合效率值处于优秀水平的城市为阜阳市、淮南市、合肥市，其次宿州市、蚌埠市、安庆市、铜陵市、芜湖市、宣城市处于良好水平，其余城市基本都处于中下水平，因此限制了安徽省农业生产效率的提升。对比发现，2018年农业效率水平增加的城市数量较多，安庆市和蚌埠市效率值达到优秀水平，蚌埠市、亳州市、六安市、马鞍山市、池州市、黄山市由原先的低水平上升为中等水平，但全省的农业生产综合效率整体水平并未得到提升，效率值变化不大，可能由于部分地市效率值下降较大，如铜陵市、淮南市。2014和2018年的效率值优秀区域均集中在皖北和皖中地区，空间上呈现以合肥为中心的“X”状高效率集聚格局。
2.4.2 农业效率空间变化趋势。
根据第3阶段效率值，按照省内区域划分，将2014—2018年皖北、皖中、皖南3个区域的农业生产综合效率值进行对比，结果见图2。
由图2可知，近5年安徽省及三大区域的效率值水平都呈现先上升后下降的发展趋势，并且区域差异较大。对比全省平均水平，皖中地区历年效率水平最高，皖北地区基本与全省平均水平持平，皖南历年均低于全省水平，总体呈现出“皖中>皖北>皖南”的发展格局。皖中地区受合肥市影响和带动，依靠地理优势和政策、资金支持，农业投入资源比较充足，同时依托合肥市的先进技术和人才，在提高农业生产综合效率方面具有一定优势。皖北地区以平原为主，农业基础较好，拥有得天独厚的地理条件;其次得益于当地政府对农业技术推广和农业基础设施建设的大力政策扶持，农业生产环境较好，所以皖中与皖北的整体农业生产效率值较高。
为进一步探究各区域综合效率值差异的影响因素，对三大区域的综合效率值进行分解和对比，结果如表5所示。
由表5可知，皖北和皖中的纯技术效率值都低于规模效率值，其中皖中表现明显，说明两个地区主要是由于管理不足而导致技术效率的不理想，因此技术管理水平有待提高。皖南地区则相反，其综合效率值受规模效率值低的影响较大，主要由于其农业基础薄弱，农业投入要素水平基本都处在全省末位，所以皖南地区应扩大农业生产规模，促进农业规模化、集约化发展，提高其农业规模效益。
3 结论与建议
对2014—2018年安徽省16个地市的农业生产效率进行测度与分析，得出以下结论：第一，安徽省农业生产效率值整体水平较低，规模效率低是安徽省农业生产效率提升的制约因素。第二，SFA回归分析结果表明，农民收入和受教育水平的提升对安徽省农业发展起积极作用，城市规模的扩充对农业发展不利，而财政支农的影响并不明显。第三，对安徽省农业生产效率空间演化的研究结果表明，安徽省农业发展空间上呈现以合肥为中心的“X”状高效率集聚格局，区域上呈现“皖中>皖北>皖南”的发展格局，其中皖中和皖北地区应提高技术管理水平;皖南地区应扩大农业生产规模，提高农业规模效益。
针对以上结论，对安徽省农業生产发展提出以下建议：
第一，扩大农业生产规模。加快农业现代化转型，改变原有的粗放型管理模式，鼓励推动农业规模化、集约化、产业化经营发展，同时加强农业的管理水平与技术创新，实现农业发展的高效率和高效益。
第二，完善农村基础教育，提高农民受教育水平。完善农民技术培训机制和农业科技人才教育培训体系，加强相关农业人力资本的投入，大力引进和培养具有专业素质的农业专家和学者。
第三，合理有序地推动城镇化进程。通过政策补贴、推动城乡基础设施一体化和公共服务均等化等措施留住农村优质劳动力，鼓励农民返乡创业，抑制弃耕抛荒现象的增长，加大农业扶持力度，保证农民的合理收入，提高农民生产积极性。
第四，根据不同地区的生产效率特征，因地制宜地制定措施。对于皖中和皖北地区，应引进新的管理制度和理念，优化资源配置，提高技术管理水平;对于皖南地区，应增加农业方面的投入，扩大农业生产规模，提高农业规模效益。
参考文献
[1] 李首涵，杨萍，李忠德，等.基于DEA-SBM模型的黄河三角洲现代农业生态效率评价[J].湖北农业科学，2018，57（13）：98-103.
[2] FARRELL M J.The measurement of productive efficiency[J].Journal of the royal statistical society，1957，120（3）：253-281.
[3] TOMA P，MIGLIETTA P P，ZURLINI G，et al.A non-parametric bootstrap-data envelopment analysis approach for environmental policy planning and management of agricultural efficiency in EU countries[J].Ecological indicators，2017，83：132-143. [4] DA SILVA E SOUZA G，GOMES E G，DE ANDRADE ALVES E R，et al.Technological progress in the Brazilian agriculture[J/OL].Socio-economic planning sciences，2020，72[2020-05-20].https：//doi.org/10.1016/j.seps.2020.100879.
[5] 陳新华，王厚俊.基于生态效率评价视角的广东省农业生产效率研究[J].农业技术经济，2016（4）：94-104.
[6] 傅丽芳，魏薇.基于面板数据广义DEA的农业生产效率综合评价[J].统计与决策，2016（6）：57-59.
[7] 冯俊华，刘静洁.西北地区农业生产效率评价研究：以陕西省为例[J].价格理论与实践，2018（8）：143-146.
[8] FRIED H O，LOVELL C A K，SCHMIDT S S，et al.Accounting for environmental effects and statistical noise in data envelopment analysis[J].Journal of productivity analysis，2002，17（1/2）：157-174.
[9] 郭军华，倪明，李帮义.基于三阶段DEA模型的农业生产效率研究[J].数量经济技术经济研究，2010，27（12）：27-38.
[10] 王蕾，于成成，王敏，等.我国农业生产效率的政策效应及时空差异研究：基于三阶段DEA模型的实证分析[J].软科学，2019，33（9）：33-39.
[11] 王洋洋，张晓慧，崔冀娜.“一带一路”沿线国家和地区农业生产技术效率研究[J].统计与决策，2019，35（4）：150-153.
[12] 侯孟阳，姚顺波.空间视角下中国农业生态效率的收敛性与分异特征[J].中国人口·资源与环境，2019，29（4）：116-126.
[13] 王海飞.基于SSBM-ESDA模型的安徽省县域农业效率时空演变[J].经济地理，2020，40（4）：175-183，222.
[14] 郭亚军.基于三阶段DEA模型的工业生产效率研究[J].科研管理，2012，33（11）：16-23.
[15] 焦源.山东省农业生产效率评价研究[J].中国人口·资源与环境，2013，23（12）：105-110.
[16] 李勇辉，白利鹏.云南省农业科技创新资源配置效率及影响因素研究[J].中国农业资源与区划，2019，40（6）：63-69.
[17] 时悦，梁净.城镇化与农业生产效率耦合协调关系：基于黑龙江省、辽宁省、吉林省3省数据分析[J].农林经济管理学报，2019，18（2）：190-198.
[18] 叶文忠，刘俞希.长江经济带农业生产效率及其影响因素研究[J].华东经济管理，2018，32（3）：83-88.