我国省域农业科技创新效率评价与比较分析

　　摘要:科技创新在多元化创新体系中具有引领作用，科学合理地测算农业科技创新效率可以检验农业科技创新这一经济活动是否真正达到了“经济性”。本文以我国31个省份为研究对象，以超效率SBM模型和Malmquist指数模型作为测算工具，通过动静结合的视角测算和分析2008—2017年省域农业科技创新效率及其变化情况。结果表明，2008—2017年间，我国31个省份农业科技创新综合效率值呈稳步上升趋势，45％的省份超过全国综合效率平均值；10年间变化趋势呈现波动性特征，农业科技创新全要素生产率年均增长2.9％；技术效率变化是我国农业科技创新效率提高的主要推动力，也是我国农业生产发展的主要动力。未来，发展相对缓慢的省域，应以“集约化资源利用”为核心，优化科技创新投入资源的合理配置，提高科研人员职业技能，营造有利于农业科技创新活动的区域环境。

　　关键词:农业科技创新；创新效率；超效率模型；Malmquist指数

　　科技创新在多元化创新体系中具有引领作用,农业发展的根本出路在于科技进步。党的十八大、十九大均明确提出创新驱动发展战略,科技创新是提高社会生产力和综合国力的战略支撑,提升创新能力和创新效率必须摆在全国发展全局的核心位置。2018年9月25日,习总书记总书记在黑龙江省考察时,对农业科技创新做出重要指示,强调农业要振兴,就要插上科技的翅膀,农业的出路在于现代化,农业现代化的关键在于科技进步和创新。近年来,我国不断加大对农业科技创新的资金投入,培育农业科技创新型人才,不断推进农业科技创新平台建设,加强农业科技创新多元主体间的交流。成立70年来,经过不断努力,我国农业科技创新水平进入世界第二方阵,农业科技进步贡献率达到58.3％,成为推动我国农业发展的主要动力[1]473。

　　一、研究方法、变量选择与数据来源

　　(一)研究方法

　　本文主要运用DEA的超效率模型(Super-SBM)和Malmquist全要素生产率指数进行分析。DEA最早由Charnes和Cooper提出,该方法是一种非参数效率评价方法。传统的DEA模型仅可以对DMU进行“有效”与“无效”的二维区分,却无法对有效决策单元的效率高低进行排序(有效决策单元效率值均等于1)。Anderson和Peterson为弥补这一点,提出了超效率DEA模型,其原理是评价某决策单元时,先将其排除在整体集合之外。随后ToneKaoru提出了SBM(SlackBasedMeasure)模型,这是一种基于松弛变量测度的非径向、非角度的DEA模型。该模型的优点在于其效率值不受投入与产出指数的影响,并随着投入和产出松弛程度的变化而单调递减。但当评测的效率值出现多个决策单元同时为完全效率值时,则无法对其进行有效的评价和排序。基于此,Tone教授进一步研究解决该弊端,提出了SuperSBM模型,相对于原始SBM模型,该模型较好地解决了DMU排序问题,允许效率值大于1,这样就鉴别了具有充分效率的Super-SBM模型的排序及差别程度[9]380。Super-SBM模型的主要改进在于评价决策单元j时,把该评价单元与其他所有的评价单元的线性组合做比较,使决策单元j的投入和产出被其他所有的决策单元投入产出的线性组合替代,而将第j个决策单元排除在外。假设有n个决策单元(DMUj,j＝1,2,…,n),每一个DMU都使用m种投入(i＝1,2,…,m),生产s种产出r(r＝1,2,…,s),将待评估的DMU记为DMUj(j＝1,2,…,n),设Xij为第j个DMU的第i种投入,yrj为第j个DMU的第r种产出。

　　(二)投入—产出变量选择及数据来源

　　柯布—道格拉斯生产函数提出总产出由劳动投入、资金投入和技术水平共同决定。效率反映投入与产出之间的关系,农业科技创新效率就是农业科技创新投入与农业科技创新产出的关系。基于此,本研究以省域农业科技创新效率评价指标体系为基础,遵循DEA模型满足“被评价单元数目必须不少于投入与产出指标数量之和的两倍”的基本原则,选取以下投入—产出变量。

　　1.投入变量。农业科技创新投入包括资金投入和人力投入,这两项投入是核心要素。任何一种科技创新都需要大量资金和劳动力的有力支持。资金投入包括政府研发主体投入和非政府研发主体投入,本文选取政府农业科技研发投入和农业科技研发主体投入为代表。人力投入选取农业科研人员数量为代表,在整个农业科技创新的过程中,农业科研人员作为科技成果的创造者,负责制造新的科技成果和新的技术并发展传播出去,扮演着不可或缺的角色。

　　2.产出变量。农业科技创新产出包括科技产出和经济产出,其中,科技产出变量选取农业专利水平和农业新品种水平为代表,经济产出变量选取农业增加值年增长率为代表。科技产出变量中农业专利水平包含着丰富的知识、技术和发明信息,能真实地反映农业创新能力,全面地测度科技创新效率；农业新品种作为知识创新的重要产出形式,反映了一种基础的、原始的、理性的自主知识创新能力。在农业生产过程中,农业科技创新不仅有利于知识产出,同时能够提高农产品质量和数量,实现节本增产,促进农业增加值增长,因此本研究选取农业增加值年增长率作为经济产出的代表。本文投入—产出数据来源于2008—2017年《统计年鉴》《科技统计年鉴》《全国农业科技统计资料汇编》《农村统计年鉴》。

　　二、测算结果分析

　　(一)省域农业科技创新综合效率评价结果及分析

　　本文采用DEAP2.1软件,运用Super-SBM模型对我国省域2008—2017年农业科技创新综合效率进行测算,结果详见下页表1。将我国31个省域按照六大行政区域进行详细分析,可以全面清晰地展示各省域农业科技创新综合效率的变化情况。

　　(二)省域农业科技创新全要素生产率评价结果及分析

　　以上是从静态角度对省域农业科技创新效率进行测算。为了进行动态分析,本文以Malmquist指数为测算工具,利用DEAP2.1软件对2008—2017年我国省域农业科技创新的全要素生产率进行测算和分解,通过动态的分析能直观地看到动态变化情况。

　　从表2可以看出,2008—2017年我国省域农业科技创新全要素生产率在整体上得到了改善,10年间省域农业科技创新全要素生产率年平均增长率为2.9％,其改善的原因主要是技术效率的提升,而技术进步的影响相对较小。这说明技术效率是我国农业科技创新效率提高的主要推动力,也是我国农业生产发展的主要动力,而技术进步的作用相对较小,考察期年均增长率仅为0.3％。

　　2008—2017年间,省域农业科技创新全要素生产率指数呈波动性变化趋势,按特征将其划分为五个阶段。第一阶段(2008—2009年)为下降阶段,这一阶段技术效率上升7.4％,技术进步下降15.6％,省域农业科技创新全要素生产率下降是由技术进步大幅度下降所致。第二阶段(2009—2011年)为上升阶段。2009—2010年省域农业科技创新技术进步增长31.2％,技术效率下降8.9％,省域农业科技创新全要素生产率受技术进步单轮驱动增长19.5％；2010—2011年技术效率上升12.4％,技术进步下降8.1％,省域农业科技创新全要素生产率受技术效率驱动增长3.3％。第三阶段(2011—2013年)为下降阶段。2011—2012年技术效率下降0.3％,技术进步下降11.2％,省域农业科技创新全要素生产率下降11.5％；2012—2013年技术效率下降1.5％,技术进步下降5.5％,省域农业科技创新全要素生产率下降7％。2011—2013年省域农业科技创新全要素生产率下降主要由技术效率和技术进步同时下降所致。第四阶段(2013—2016年)为上升阶段。2013—2014年技术效率下降1.9％,技术进步上升9％,省域农业科技创新全要素生产率受技术进步单轮驱动增长7％；2014—2015年技术效率上升5.9％,技术进步上升6％,省域农业科技创新全要素生产率上升12.3％；2015—2016年技术效率上升5.7％,技术进步上升11％,省域农业科技创新全要素生产率上升17.4％。2014—2016年由于技术进步和技术效率同时驱动使省域农业科技创新全要素生产率上升。第五阶段(2016—2017年)为下降阶段,这一阶段省域农业科技创新全要素生产率下降了0.9％。从整体看,2008—2017年省域农业科技创新至要素生产率年均增长2.9％。

　　由下页表3可见,在我国31个省域中,2008—2017年农业科技创新全要素生产率整体增长或持平的省份有19个,分别为北京、天津、河北、内蒙古、上海、江苏、安徽、江西、河南、广东、广西、重庆、贵州、云南、西藏、陕西、青海、宁夏、新疆,占全国61％；下降省份有12个,下降幅度在0~5％的有山西、辽宁、黑龙江、浙江、福建、山东、湖北、湖南、四川和甘肃,下降幅度在5％~10％的省份是吉林,大于10％的省份是海南。

　　六大行政区农业科技创新全要素生产率平均值从高到低排序依次为:西南区、西北区、华北区、华东区、中南区和东北区。2008—2017年省域农业科技创新全要素生产率增长的区域包括西南区、西北区、华北区和华东区,下降的区域有中南区和东北区。10年间,西南区、西北区、华北区和华东区农业科技创新全要素生产率年平均增长率分别为12.5％、9.3％、2.4％和1.3％,其中西南区、西北区和华北区的增长是由于技术效率和技术进步同时增长驱动,华东区的增长是技术效率单轮驱动。中南区和东北区农业科技创新全要素生产率年均下降1.7％和4.2％,中南区下降是因为技术进步下降,东北区下降是由于技术效率和技术进步双下降所致。

　　理论上,农业科技创新全要素生产效率的提高是技术效率提升与技术进步共同作用的结果。为了更科学客观地呈现影响省域农业科技创新全要素生产率变化的因素,接下来将从全要素生产率改善与未改善两方面对其进行分析。

　　TFPCH>1的省份总计19个,占全国61％。其中,11％的省份是技术进步提升起到的促进作用,47％的省份是技术效率起到的促进作用,42％的省份是由技术进步和技术效率同步改善起到的作用。19个省份中,有11个省份的全要素生产率是由技术进步变化或技术效率变化单轮驱动影响的,8个省份是由技术进步和技术效率变化双轮驱动影响的。

　　TFPCH<1的省份有12个,占比39％。其中,由于技术效率和技术进步同时下降所导致的全要素生产率下降的省份有5个,占比42％；甘肃受技术效率的单轮驱动影响导致全要素生产率下降；受技术进步变化单轮驱动影响导致全要素生产率下降的有6个省份,占比50％。

　　三、结论与政策启示

　　本文选取2008—2017年面板数据,运用超效率模型和Malmqist-DEA模型分别从静态视角和动态视角对全国省域农业科技创新效率进行测算和分析,得到以下两点结论。第一,静态视角看,全国省域农业科技创新综合效率水平整体呈波动上升趋势,但增长缓慢。这是由于我国有些省份农业发展水平相对缓慢,基础设施配备不完善,科技成果转换率较低,技术进步没有得到有效应用,对我国农业科技创新效率的持续提升形成了阻碍。相对发展缓慢的省域,应以“集约化资源利用”为核心,优化科技创新投入资源的合理配置,提高科研人员职业技能,合理分配科研经费和科研设备,充分发挥政府协调和监督作用,营造有利于农业科技创新活动的区域环境。第二,动态视角看,2008—2017年全国省域农业科技创新全要素生产率从整体上得到了改善,10年间增加了2.9％,技术效率增长了2.6％,技术进步增长了0.3％,主要是依靠技术效率的提升,而技术进步的影响相对较小。这说明技术效率变化是我国农业科技创新效率提高的主要推动力,也是我国农业生产发展的主要动力。因此,在农业生产过程中,不仅需要优化农业科技创新要素的投入,同时还需提高涉农人员的专业素质和技术水平,充分发挥技术对农业全要素生产率的推动作用。

　　参考文献:

　　[1]韩长赋:《新农业发展70年》,北京:农业出版社2019年版。

　　[2]张静:《我国农业科技创新能力与效率研究———基于区域比较视角的研究》,陕西杨凌:西北农林科技大学博士学位论文2011年。

　　[3]邱泠坪、郭明顺、张艳:《基于DEA和Malmquist的高等农业院校科研效率评价》,《现代教育与管理》2017年第2期。

　　[4]付野、张广胜、田慧勇:《基于DEA的农业科技龙头企业技术创新效率评价———以辽宁省为例》,《社会科学辑刊》2011年第1期。

　　[5]陈学云、陈长明、张敏:《安徽农业科技创新效率测度与创新能力提升对策》,《科技与经济》2019年第8期。

　　郭翔宇a，b，杜旭a，王丹a