我国农业科技创新资源的配置效率及影响因素研究

董明涛

（东北大学秦皇岛分校 经贸学院，河北 秦皇岛 066004）

一、引 言

随着我国农业生产力水平的不断进步，单纯依靠增加农业生产要素投入已不再适应农业发展的需要，农业科技创新是提高农业生产要素的使用效率、实现农业经济增长方式转变的重要推动力。作为一个系统的发展过程，农业科技创新需要投入大量的人力、物力、财力、信息等资源，而在这些农业科技创新资源有限的情况下，如何优化农业科技创新资源的配置结构，提高农业科技创新资源的配置效率，发挥农业科技创新资源优势具有重要的理论和现实意义。

对于农业科技创新资源配置效率问题的研究，目前国内的研究主要集中在以下几个方面：①对农业科技创新资源效率的描述性统计，如旷宗仁等从投入与产出两个方面对中国农业科技创新水平进行了描述性的统计分析[1]。②从系统论的视角研究农业科技创新资源配置效率问题，如杨传喜等基于复杂适应系统理论，将农业科技资源作为一个统一的系统进行资源的优化配置[2]。③采用定量评价方法研究农业科技创新资源配置效率，如张静等采用Malmquist指数法，对1990-2008年我国农业科技创新效率进行了测算[3]。总体来说，国内学者从不同角度、采用多种方法对农业科技创新资源配置效率问题进行了有益的探索，但大多是从某一视角出发进行研究，未能较充分地评价我国农业科技创新资源配置效率的总体水平和存在问题等；另外国内现有研究对农业科技创新资源配置效率的影响因素的研究较少，而对影响因素进行深入分析，从而更深入地剖析农业科技创新资源配置效率的深层次原因和配置行为，对提高农业科技创新资源配置效率非常重要。因此，本文尝试采用数据包络分析（DEA）方法，对2009-2011年间我国30个省（自治区、直辖市）的农业科技创新资源配置效率进行测算，并构建个体固定效应模型，采用农业科技创新资源配置效率的测算结果和省级面板数据，深入分析农业科技创新资源配置效率的影响因素和具体影响效应，以期揭示我国农业科技创新资源配置的水平、差异和规律，为相关部门制定科学合理的农业科技创新资源配置决策提供支持。

二、模型设定

（一）DEA模型

数据包络分析方法（DEA）是1978年由著名运筹学家A.Charnes,W.W.Cooper和 E.Rhodes首先提出的，被用来评价部门间的相对有效性（因此被称为DEA有效），该方法在经济学领域已有广泛的应用[4]。其基本思路是：通过对投入、产出数据进行综合分析，得出每个决策单元（DMU）综合效率的数量指标，确定各决策DMU是否为DEA有效[5]。数据包络分析有多种模型，其中C2R模型[6](由Chanes，Cooper和Rhodes三位作者的第一个英文字母命名)的建模思路清晰、模型形式简单、理论完善，故本文采用该模型。

设有n个DMU的投入与产出，每个DMU都有m种投入和s种产出，假设xij表示第j个DMU的第i种投入量，yrj表示第j个DMU的第r种输出量，vi和ur分别表示各投入及产出的权值，如果用向量Xj和Yj分别表示各DMU的投入与产出，V和U分别为权值向量，则有：

Xj=(x1j,x2j,…,xmj)T，Yj=(y1j,y2j,…,ysi)T，

V=(v1,v2,…,vm)T，

U=(u1,u2,…,us)T,其中i=1,2,…,m；j=1,2,…,n；r=1,2,…,s。

定义第j个DMU的效率评价指数为：

评价第j0个 DMU效率的数学模型为：

第j0个DMU是否有效，主要取决于这些参数的取值。公式（2）的经济意义非常明显，即如果能找到DMU的某种线性组合，使其产出不低于第j0个DMU产出，则说明第j0个DMU不是有效的，反之，该DMU有效。基于公式（2）的模型解的有效性判断定理为：①若存在最优值θ*=1，则其对应的第j0个DMU为弱DEA有效；②若最优值θ*=1，且存在最优解S-*=0，S+*=0，则其对应的第j0个DMU为DEA有效。

（二）个体固定效应模型

个体固定效应模型就是对于不同的个体有不同截距的模型[7]。如果对于不同的时间序列，个体截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定效应模型，表示如下：

其中：

εit（i=1,2,…,T)表示随机误差项;yit,xit（i=1,2,…,N;t=1,2,…,T）分别表示被解释变量和解释变量。

Cheng Hsiao(1986)提出利用模板数据进行经济分析时应该首先对模型做三种假设检验，来确定哪一种模型。由于本文认为在不同的年份不同的地区的截距差别不大，因此只需作2种检验：

（1）F检验。原假设H0：不同个体的模型截距项相同（建立混合估计模型）；备择假设H1：不同个体的模型截距项不同（建立个体固定效应模型）。

其中，SSEr、SSEu分别表示约束模型（混合估计模型）和非约束模型（个体固定效应模型）的残差平方和。给定显著性水平，若F＞Fα(N-1,NT-N-k)，应该建立个体固定效应模型。

（2）Hansman检验。Hausman检验是对同一参数的两个估计量差异的显著性检验，用于判断是应建立固定效应模型还是随机效应模型。原假设H0：个体效应与回归变量无关(个体随机效应回归模型)；备择假设H1：个体效应与回归变量相关(个体固定效应回归模型)。

三、指标选取与数据来源

（一）指标选取

1.农业科技创新资源配置效率的评价指标选取

关于农业科技创新资源配置效率的评价指标选取，考虑指标的可获得性、代表性及数据包络分析方法对数据的要求，借鉴已有相关研究成果[3,8-9]，本文主要从农业科技创新投入和农业科技创新产出两方面进行。农业科技创新投入指标主要包括科技创新人力资源指标和科技创新财力指标。农业科技创新产出指标，主要从农业科技创新的直接产出和间接产出成果两个方面选取。具体选取的农业科技创新资源配置效率的评价指标如表1所示。

表1 我国农业科技创新资源配置效率的评价指标体系

2.农业科技创新资源配置效率的影响因素指标选取

结合已有对农业科技创新资源配置效率及主要影响因素的相关研究成果[10-12]，本文从农业科技市场的发育程度、政府支持力度、农村劳动力受教育程度、农村生产力发展水平、农村经济发展水平5个影响因素，来构建我国农业科技创新资源配置效率的影响因素指标体系（如表2所示）。

表2 影响因素的指标选取及预期影响方向

根据上述建立的农业科技创新资源配置效率影响因素的指标体系，本文使用固定效应模型来构建农业科技创新资源配置效率变化的影响因素分析的计量模型，以控制那些不随时间的推移而变化的自然因素（如气候、地形等）可能造成的影响，因为它们在不同农村地区之间存在着显著的差异。本文采用省级面板数据进行定量研究，为了消除可能的自相关影响，本文对变量采用了对数形式，具体模型方程为：

在上式中，Z为被解释变量，用DEA方法计算出的各省（自治区、直辖市）的农业科技创新资源配置效率值表示；P1-P5为解释变量，表示农业科技创新资源配置效率的可能影响因素；i代表的省份，i=1，2，…，N；t代表不同的年份，t=1，2，…，n；αi为截距，代表不同个体i的影响；β1-β5为待估参数；Uit为随机扰动项。

（二）数据来源

考虑数据的可得性，本文选择2009-2011年的农业科技创新资源的数据进行分析，即2009-2011年我国除西藏之外的30个省（自治区、直辖市）的面板数据。关于农业科技创新资源配置效率的基础数据来源于《中国统计年鉴》（2010-2012）、《中国科技统计年鉴》（2010-2012）、《中国农村统计年鉴》（2010-2012）、《中国农业统计年鉴》（2010-2012）。关于农业科技创新资源配置效率的影响因素的具体指标数据的选取，基础数据来源于《中国统计年鉴》（2010-2012）、《中国农村统计年鉴》（2010-2012）。区域的划分遵循我国传统的东、中、西部地区的划分方法。

四、实证分析

（一）我国农业科技创新资源配置效率的DEA分析

基于上述研究模型，本文采用DEAP2.1软件对各决策单元的效率进行计算，得出2009-2011年我国30个省市的农业科技创新资源的配置效率状况，包括综合技术效率(TE)、纯技术效率(PTE)、规模效率(SE)（如表3所示）。

表3 2009-2011年我国各地区农业科技创新资源配置效率均值

由表3可以看出，在2009-2011年这3年中，全国农业科技创新资源配置的平均综合效率为0.651，平均纯技术效率为0.715，平均规模效率为0.922，说明我国农业科技创新资源的配置效率整体来说还不太高，在提高农业科技创新资源的配置效率方面还应投入大量精力。从区域特征的角度观察，我国的农业科技创新资源的配置效率均值呈现出比较明显的梯度特征，总体上来说我国东部地区的农业科技创新资源的综合技术效率、纯技术效率、规模效率都居于全国首位，其次为西部地区，再次为中部地区。从表3中我国各地区农业科技创新资源的三类配置效率均值数据，可以看出，相对于综合效率、纯技术效率、规模效率的全国均值0.651、0.715、0.922的水平而言，低于平均综合效率水平的省份有17个，占总省份数的56.7%；低于平均纯技术效率水平的省份有16个，占总省份数的53.3%；低于平均规模效率水平的省份有8个，占总省份数的26.7%。这说明我国农业科技创新资源的配置效率水平还比较低，各省份间的纯技术效率、规模效率的差距较大，总体来说东部地区高于西部地区，西部地区高于中部地区。

由表3还可以看出，2009-2011年间我国的30个省（自治区、直辖市）中，北京、上海、浙江、甘肃的农业科技创新资源配置属于DEA有效，且DEA有效的省份占总省份的13.3%。其中，东部地区的DEA有效省份最多，占总DEA有效省份数量的75%。这些省份处于规模效率不变阶段，其资源配置效率已达到最优状态。江苏、海南、青海属于弱DEA有效，其余23个省份农业科技创新资源配置属于非DEA有效，其中大部分省份的农业科技创新资源配置效率指标得分都较低，说明这些地区投入的农业科技创新资源没有得到充分的利用，产出相对来说也较低。由表4可以看出，在2009-2011年间，处于DEA非有效的24个省（自治区、直辖市）中，广东、黑龙江、安徽、湖北、湖南处于规模效率递减阶段，说明这些省份投入的农业科技创新资源有浪费现象存在，资源没有得到充分利用。应调整这类地区农业科技创新资源投入的数量和质量，一定程度上缩小农业科技创新资源规模，以提高农业科技创新资源的配置效率。部分省份如宁夏、内蒙古、新疆、广西、重庆、贵州等处于规模效增阶段，说明由于它们的农业科技创新资源的投入规模普遍较小，虽然这些地区的DEA测算结果不是很高，但其具有较大的发展潜力，可通过加大农业科技创新资源的投入规模来提高这类地区的农业科技创新资源配置效率。

表4 2009-2011年各年我国各地区农业科技创新资源的配置效率状况

续表4

由表4我们也可以得出我国各地区农业科技创新资源配置效率的区域比较情况和发展趋势。在2009-2011年这3年间，东部地区农业科技创新资源配置的技术效率较明显地高于西部和中部地区。东部地区中的北京、上海、浙江这3个省份处于技术效率前沿面上，说明这些地区农业科技创新资源的投入、整合、使用等均达到最优状态，农业科技创新资源的配置效率处于国内领先水平。中西部地区省份虽然大多处于非DEA有效，但二者相比，西部地区的农业科技创新资源的技术效率普遍要稍高于中部地区。其中，中部地区的省份都没有达到DEA有效，该类地区农业科技创新资源的综合效率、纯技术效率、规模效率值都较低，而且中部地区8个省份中除江西为规模效率递增之外，其余7个省份都处于规模效率递减阶段，说明中部地区的农业科技创新资源并未得到合理有效的利用，资源配置效率较低。西部地区只有甘肃属于DEA有效，虽大多处于非DEA有效，但除了陕西处于规模效率递减阶段之外，其余9个省份近3年都处于稳定的规模效率递增阶段。这说明由于国家的政策和经济扶持，西部地区的农业科技创新资源配置效率呈现出很好的上升趋势，发展潜力巨大。但该地区不太高的农业科技创新资源水平也表明，这些地区农业科技创新资源的投入规模还比较小，若能加大西部地区的农业科技创新资源投入力度，可能会促进其农业科技创新资源配置效率的提高，进而促进其农村经济的发展。

（二）影响农业科技创新资源配置效率的因素分析

为检验以上提出的若干研究假设，本文以2009-2011年我国30个省市的面板数据为基础，运用Eviews 6.0软件对上述构建的固定效应模型进行估计，结果如表5所示。本文还对模型进行了F检验，结果如表6所示。由于F检验相应的p值为0.0000，小于0.05，所以应建立个体固定效应模型，这也验证了本文构建的计量模型是合理的。由表5可以看出，总体来看，模型的估计结果较好，模型拟合度较高。变量P1-P5在5%的水平上影响显著，模型中各自变量与预期影响方向一致，具体影响效应如下：

（1）农业科技市场的发育程度。科技市场的发育程度对农业科技创新资源的配置效率具有显著的正向影响，且影响方向与预期影响一致。说明科技市场的发育程度是影响农业科技创新资源配置效率的重要决定因素。农业科技市场越发达，越有利于农业科技的传播，使农业科技创新资源能够快速地满足农村发展的科技需求。

表5 模型估计结果

表6 F检验结果

（2）政府支持力度。政府支持力度对农业科技创新资源的配置效率具有显著的正向影响，且影响方向与预期影响一致。政府对农业科技的投入和支持力度越大，越能有效弥补农业科技创新资源供给的资金缺口，越有利于农业科技创新资源的配置效率的提高。

（3）农村劳动力受教育程度。农村劳动力受教育程度对农业科技创新资源的配置效率也具有较显著的正向影响，且影响方向与预期影响一致。农村劳动力的受教育程度越高，农民的文化素质也越高，越有利于农业科技创新资源的转化，从而提高农业科技创新资源的利用效率。

（4）农村生产力发展水平。农村生产力发展水平对农业科技创新资源的配置效率具有显著的正向影响，且影响方向与预期影响一致。农村生产力的发展水平越高，越有利于促进农业的规模化经营，从而越有利于投入的农业科技创新资源的产出效率的提高，也即越有利于农业科技创新资源的配置效率的提高。

（5）农村经济发展水平。农村经济发展水平对农业科技创新资源的配置效率也具有较显著的正向影响，且影响方向与预期影响一致。农村地区的经济发展水平越高，农业现代化水平越高，农业科技成果的转化率也越高，则此类地区的农业综合生产能力也较高，农业科技创新资源的利用效率也越高。

五、结论与对策建议

本文采用DEA方法对我国30个省（自治区、直辖市）2009-2011年的农业科技创新资源配置效率进行了测算，并采用固定效应模型对影响效率变化的因素进行实证研究，主要得到以下结论：

（1）总体来说，在2009-2011年3年间，从区域特征的角度观察，我国的农业科技创新资源的配置效率均值呈现出比较明显的梯度特征，总体上来说东部地区的农业科技创新资源的综合技术效率、纯技术效率、规模效率都居于全国首位，其次为西部地区，再次为中部地区。而且我国农业科技创新资源的配置效率水平总体来说还比较低，各省份间的纯技术效率、规模效率的差距较大。

（2）2009-2011年间我国的30个省（自治区、直辖市）中，北京、上海、浙江、甘肃的农业科技创新资源配置属于DEA有效，其资源配置效率已达到最优状态。江苏、海南、青海属于弱DEA有效，其余23个省份农业科技创新资源配置属于非DEA有效，其中大部分省份的农业科技创新资源配置效率指标得分都较低，说明这些地区投入的农业科技创新资源未得到充分利用，相对来说产出也较低。

（3）在2009-2011这3年间，东部地区农业科技创新资源配置的技术效率较明显地高于西部和中部地区。东部地区中的北京、上海、浙江这3个省份处于技术效率前沿面上，说明这些地区农业科技创新资源的投入、整合、使用等均达到最优状态，农业科技创新资源的配置效率处于国内领先水平。中西部地区省份虽然大多处于非DEA有效，但二者相比，西部地区的农业科技创新资源的技术效率普遍要稍高于中部地区。

（4）从影响因素的角度考虑，科技市场的发育程度、政府支持力度、农村劳动力受教育程度、农村生产力发展水平、农村经济发展水平对农业科技创新资源的配置效率均具有显著的正向影响，且影响方向与预期影响一致。

从以上研究结果可以看出，近几年我国农业科技创新资源的配置效率普遍不太高，各地区配置效率差距巨大。为改善农业科技创新资源配置中存在的问题，可从以下几方面入手：

（1）应努力提高科技市场的发育程度。只有通过科技市场，投入的农业科技创新资源才能实现传播和转化，从而实现农业科技资源的优化配置，提高农村生产力和经济发展水平。

（2）应加大政府支持力度。农业科技创新资源的提供往往投资巨大，市场或非政府组织无力提供，因此需要政府加大支持和投入力度，积极引导农业科技创新资源合理配置。

（3）政府可对不同农村地区采取差异化的农业科技创新资源配置策略。由于各农村地区的自然条件、经济发展水平、拥有的科研机构、科研人员质量等都差异很大，因此政府可从各地区的实际情况出发，因地制宜地对不同农村地区采取差异化的农业科技创新资源配置策略。

（4）提高农村劳动力的文化水平和综合素质。农业科技创新资源的利用、农业科技创新的实现等最终都是通过科技人员实现的。因此提高农村劳动力的文化水平和综合素质将对农业科技创新资源配置效率的提高产生很大影响。

[1]旷宗仁，章瑾，左停.中国农业科技创新投入产出分析[J].中国科技论坛，2012（7）：132-136.

[2]杨传喜，徐顽强，王敬华.基于复杂适应系统理论的农业科技资源配置研究[J].系统科学学报，2013（1）：81-83.

[3]张静，张宝文.基于Malmquist指数法的我国农业科技创新效率实证分析[J].科技进步与对策，2011（4）：84-88.

[4]吴育华，杜纲.管理科学基础[M].天津：天津大学出版社，2009：279-282.

[5]朱玉春，唐娟莉，刘春梅.基于DEA方法的中国农村公共服务效率评价[J].软科学，2010（3）：37-43.

[6]郝海，郑丕谔，踪家峰.基于C2R模型决策单元规模收益的判断准则[J].哈尔滨工业大学学报，2009（6）:236-238.

[7]贾志永，朱五龙，刘高峰.基于固定效应模型的省域建筑产业竞争力的实证研究[J].统计与决策，2009（24）：92-93.

[8]杜娟.基于DEA模型的我国农业科技创新投入产出分析[J].科技进步与对策，2013（4）：82-85.

[9]郭雅娴，赵梦，卢雨菲.区域农业科技创新资源评价指标体系构建[J].统计与决策，2011（22）：78-81.

[10]吴林海.我国农业科技创新供给的影响因素及对策探讨[J].上海经济研究，2009（1）：30-35.

[11]杨传喜，张俊飚，李树明.农业科技资源技术效率的测算与分析——基于农业生态区划的视角[J].中国科技论坛，2011（6）：138-143.

[12]白俊红，江可申，李蜻，等.区域创新效率的环境影响因素分析——基于DEA-Tobit两步法的实证检验[J].研究与发展管理，2009（2）：96-101.