我国水产养殖业生产效率评估及其对渔业统计的启示

岳冬冬，吴反修，李欣童，张 爽

（1.中国水产科学研究院东海水产研究所，农业农村部远洋与极地渔业创新重点实验室，上海 200090；2.全国水产技术推广总站，中国水产学会，北京 100125）

水产养殖业已经成为中国水产品产量的主要来源，为解决优质安全动物蛋白供给问题发挥了重要作用［1］。《中国渔业统计年鉴》数据显示，2019年中国水产养殖产量5 079.07×104t，养殖产品与捕捞产品的产量比例达到78.4∶21.6［2］，随着中国近海捕捞渔业管控措施的进一步升级以及长江“十年禁渔”任务的贯彻落实，预计养殖水产品在水产品总产量中的占比将继续提高。然而，从生产实践过程来看，在水产养殖业快速发展的同时，以要素投入驱动的水产品产量增长方式所引发的效率问题，已成为社会各界关注的焦点之一。

水产养殖业属于第一产业，其生产过程对于要素投入更为依赖，苗种、养殖水体面积、劳动力和资本投入是提高水产养殖产量的关键因素，因此，提高水产养殖投入产出效率是实现渔业高质量发展的重要路径之一。张成等［3］测算认为2006—2012年中国水产养殖业综合技术效率不高，纯技术效率和规模效率都相对偏低；纪建悦和李艺菲［4］的测算结果显示，中国海水养殖业的绿色技术进步处于上升过程；在上述研究的基础上，岳冬冬等［1］通过构建综合苗种指标、综合面积指标，测算了2018年中国水产养殖业技术效率，结果显示，水产养殖综合技术效率均值为0.827，纯技术效率和规模效率的均值分别为0.93和0.89，均有提升空间。《中国渔业统计年鉴》是目前获取水产养殖业投入产出指标的主要数据来源，但上述研究成果在选择测算指标时，却略有不同。其中，产出指标可以选择水产养殖产量或产值，投入指标主要选择养殖用工、渔船、苗种和面积等要素。从水产养殖业投入产出统计指标的含义来看，现有研究中的养殖面积和养殖产量指标选择存在一定的“扩大”现象。例如，水产养殖面积应剔除掉当年受灾养殖面积，水产养殖产量应与面积相对应，考虑是否需要纳入“海水工厂化养殖产量”“淡水工厂化养殖产量”和“海水深水网箱养殖产量”。因为在《中国渔业统计年鉴》中，统计生产要素指标时，未将“海水工厂化养殖面积”“淡水工厂化养殖面积”和“海水深水网箱养殖面积”计入水产养殖总面积。可见，现有文献中直接使用“水产养殖产量”指标作为产出指标，造成了“水产养殖产量”指标与“水产养殖面积”指标不相匹配的对应关系。

鉴于上述研究成果在指标选择中有待进一步探讨的问题，本研究通过梳理水产养殖产量与面积指标对应关系，引入综合苗种指标以简化水产苗种指标数量多而带来的数据处理“繁杂”特征，并进一步优化选择投入产出指标，以逼近真实的水产养殖业发展特征，从而获取更为准确的水产养殖技术效率评价结果，为制定水产养殖转型升级政策提供参考。最后，结合现行渔业统计指标特点，提出相关启示。

1 研究方法与指标选择

1.1 研究方法

（1）数据包络法。数据包络法（data envelopment analysis，DEA）是一种非参数方法，在测算多投入、多产出的多个决策单元效率及其有效性分析方面应用广泛。DEA模型有投入导向（input-oriented）和产出导向（output-oriented）两种形式，根据用途可假定为规模收益不变（constant return to scale，CRS）和规模收益可变（variable return to scale，VRS）。本研究采用投入导向、假定规模收益可变的DEA模型测算中国水产养殖业生产效率。

（2）主成分分析法。《中国渔业统计年鉴》中涉及水产苗种的指标有14个类别，将其全部作为“苗种”投入指标进行效率测算，一是投入指标数量多，导致数据处理过程冗余；二是不便于从总体上说明“苗种”投入对水产养殖业生产效率的影响程度。因此，本研究利用主成分分析法对14个类别的水产苗种指标建立综合苗种指标，作为投入指标之一。

1.2 指标选择与数据来源

水产养殖业的产出指标包括产量和产值，由于产量指标更有利于在“海水工厂化养殖产量”“淡水工厂化养殖产量”和“海水深水网箱养殖产量”取舍时进行数据处理，而产值指标则不具有该优势，因此，本研究采用产量（y）作为产出指标，数据来源于《中国渔业统计年鉴》。

从水产养殖投入成本来看，其中饲料费、苗种费、人工费和塘租费等是其主要构成来源，但从数据的可获得性看，《中国渔业统计年鉴》中可以对应到省份的水产养殖投入指标包括养殖面积、苗种、养殖渔船和养殖渔民数量。《中国渔业统计年鉴》统计的海水养殖面积不包括深水网箱和工厂化养殖方式，但其产量在统计范围之内；统计的淡水养殖面积不包括稻田养殖、工厂化养殖方式，但其产量在统计范围之内；渔业灾情损失中统计了受灾养殖面积；按照《农业农村部办公厅关于规范稻渔综合种养产业发展的通知》（农办渔〔2019〕24号）和《稻鱼综合种养技术通则》［6］的要求，稻田中用于水产养殖的面积占稻田总面积的比例不超过10%。基于上述分析，按照“无养殖面积统计则无产量”的原则，水产养殖产量（y）指标的数据处理方式为：

养殖渔船指标（x2）和养殖专业从业人员指标（x3）数据来源于《中国渔业统计年鉴》。《中国渔业统计年鉴》统计的海淡水养殖苗种指标包括14个类别，全部纳入本文研究范围，并经主成分分析处理，得到综合苗种指标（x4）。由于综合苗种指标（x4）为标准化数据，为保持其他投入产出指标数据特征一致性，对水产养殖产量指标（y）、水产养殖面积指标（x1）、养殖渔船指标（x2）和养殖专业从业人员指标（x3）进行标准化处理。经标准化处理后，若投入产出指标存在“负值”，需要通过初等行变换后转为“正值”，以符合数据包络法对输入数据的要求［7］。本研究上述投入产出指标数据的统计周期范围为2019年1月1日—2019年12月31日。

1.3 数据处理

对水产养殖产量指标（y）、水产养殖面积指标（x1）、养殖渔船指标（x2）和养殖专业从业人员指标（x3）进行标准化处理，构建综合苗种指标（x4）的过程以及31个省份水产养殖综合效率的聚类分析采用SPSS 22.0软件；水产养殖业综合效率的测算采用DEAP 2.1软件。

2 结果与分析

2.1 综合苗种指标构建与指标数据标准化

2.1.1 综合苗种指标构建

利用主成分分析法构建综合苗种指标（x4）以反映水产苗种对养殖产量的影响程度。《中国渔业统计年鉴》统计的水产苗种指标包括：海水鱼苗（x4，1）、虾类育苗（x4，2）、贝类育苗（x4，3）、海带（x4，4）、紫 菜（x4，5）、海参（x4，6）、淡水鱼苗（x4，7）、淡水鱼种（x4，8）、投放鱼种（x4，9）、河蟹育苗（x4，10）、扣蟹（x4，11）、稚鳖（x4，12）、稚龟（x4，13）和鳗苗捕捞（x4，14）。利用SPSS 22.0软件对上述水产苗种指标数据进行标准化，分别表示为：海水鱼苗（x’4，1）、虾类育苗（x’4，2）、贝类育苗（x’4，3）、海带（x’4，4）、紫菜（x’4，5）、海参（x’4，6）、淡水鱼苗（x’4，7）、淡水鱼种（x’4，8）、投放鱼种（x’4，9）、河蟹育苗（x’4，10）、扣蟹（x’4，11）、稚鳖（x’4，12）、稚龟（x’4，13）和鳗苗捕捞（x’4，14）。结果如表1所示。

对经标准化处理后的14个水产苗种指标进行主成分分析，结果见表2和表3。

由表2可以看出，第1主成分的特征值为4.491，方差贡献率为32.080%，为最重要的主成分；第2主成分特征值为3.303，方差贡献率为23.593%；第3主成分特征值为2.074，方差贡献率为14.817%；第4主成分特征值为1.464，方差贡献率为10.458%；第5主成分特征值为1.189，方差贡献率为8.491%。基于特征值大于1的因子判断标准，提取前5个主成分。前5个主成分累计方差贡献率为89.439%，表明前5个主成分可以解释水产苗种指标89%以上的信息。通过表3的主成分载荷矩阵，构建综合苗种5个主成分的表达式分别如下：

其中，F1、F2、F3、F4和F5分别表示特征值较大的前5个主成分。根据主成分权重=方差贡献率/累积方差贡献率，建立综合苗种指标（x4）表达式如下：

利用各主成分权重计算苗种指标的综合得分，得分值越高，表明该省份的苗种生产实力越强。综合苗种得分结果见表4。

由表4可知，福建、江苏、湖北、广东、山东、江西和浙江7个省份的水产苗种主成分综合得分均＞1，其中福建得分最高，达到6.238；其次是辽宁、安徽和湖南，水产苗种主成分综合得分＜1，属于第二梯队；其余省份水产苗种主成分综合得分均小于0，表明这些省份水产苗种的生产实力相对较为薄弱。

表2 主成分的特征根与贡献率Tab.2 Characteristic roots and contribution rate of principal components

表3 主成分的主因子载荷矩阵Tab.3 Main factor loading matrix of principal components

表4 各省份水产苗种主成分得分、综合得分及排序Tab.4 Principal component scores，comprehensive scores and rankings of aquatic seedlings in each province

2.1.2 指标数据标准化

为满足数据包络法对投入产出指标数据特征的要求，利用SPSS 22.0软件对水产养殖产量指标（y）、水产养殖面积指标（x1）、养殖渔船指标（x2）和养殖专业从业人员指标（x3）进行标准化处理，并以指标值最大的山东数据为基础进行初等行变换，转换各指标值为正值［8］；同时对综合苗种指标（x4）进行平移处理，以转换指标值为正值。数据处理结果如表5所示。

表5 经处理后的水产养殖投入产出指标Tab.5 Input and output indicatorsof aquaculture after treatment

2.2 综合效率测算结果分析

采用DEAP 2.1软件对水产养殖业生产效率进行测算，全国31个省份的水产养殖业综合效率、技术效率、规模效率和规模报酬结果见表6。

表6 水产养殖业综合效率及其构成Tab.6 Comprehensive efficiency and composition of aquaculture

（1）水产养殖综合效率均值为0.916。综合效率指标表示各省份水产养殖投入要素的整体使用效率，从表6的结果看，综合效率未达到有效（综合效率＜1）的省份22个，占比为70.97%，说明全国有超过2/3的省份在水产养殖投入要素配置方面的效率低下。全国31个省份水产养殖综合效率均值为0.916，其中19个省份的水产养殖综合效率值大于全国平均值，占比为61.29%，其综合效率值的平均数为0.986，高于全国平均水平7.64%；其余12个省份的水产养殖综合效率值小于全国平均值，其综合效率值的平均数为0.804，低于全国平均水平12.23%。

（2）水产养殖技术效率均值为0.957。技术效率指当水产养殖规模一定的情况下，产出水平的有效程度，从表6的结果看，水产养殖技术效率未达到有效（技术效率＜1）的省份有11个，占比为35.48%，说明全国约65%的省份在水产养殖管理和技术投入方面有效。31个省份水产养殖技术效率均值为0.957，其中24个省份的水产养殖技术效率值大于全国平均值，占比为77.42%，其平均值为0.997，高于全国平均水平4.18%；其余7个省份的水产养殖技术效率值小于全国平均值，其平均值为0.818，低于全国平均水平14.52%。

（3）水产养殖规模效率均值为0.956。规模效率反映的是不同省份水产养殖现有生产规模与最优生产规模之间的差距，从表6的结果看，水产养殖规模效率未达到有效（规模效率＜1）的省份22个，占比为70.97%，说明全国大部分省份的水产养殖规模未实现最优规模下生产。水产养殖规模效率均值为0.956，其中20个省份水产养殖规模效率值大于全国平均值，占比为64.52%，其水产养殖规模效率平均值为0.993，高于全国平均水平3.9%；11个省份水产养殖规模效率值小于全国平均值，其水产养殖规模效率平均值为0.891，低于全国平均水平6.8%。

（4）规模报酬递增的省份占比为45.16%。规模报酬指各省份水产养殖投入的生产要素按相同比例变化时所带来的产量变化特征，从表6的结果看，规模报酬递增的省份有14个，占比为45.16%，这些省份应提高生产要素投入规模，以提高规模报酬；规模报酬不变的省份有9个，占比为29.03%，这些省份可以保持现有要素投入规模；规模报酬递减的省份有8个，占比为25.81%，这些省份应通过优化生产要素投入规模，加强管理水平，从而达到水产养殖最优规模。

3 主要结论与启示

提高全要素生产率对于提升我国水产养殖业发展效益具有重要作用。科学合理选择投入产出指标是测算我国水产养殖业生产效率的前提，结合本研究选取、处理的投入产出指标来看，建议对水产养殖业相关统计指标的设置进行调整完善，以期为准确测算水产养殖业生产效率提供数据支撑，进一步为水产养殖业生产管理决策提供依据。

3.1 主要结论

3.1.1 各省份水产养殖苗种综合生产能力差异较大

通过主成分分析法构建的水产养殖苗种生产综合指标结果反映，福建省水产苗种综合生产能力最强，主成分得分值6.238，远高于居第二位的江苏省。根据主成分得分值结果，福建、江苏、湖北、广东、山东、江西和浙江7个省份的水产苗种综合生产能力属于第一梯队；辽宁、安徽和湖南3个省份的水产苗种综合生产能力属于第二梯队；其余省份的水产苗种综合生产能力属于第三梯队。

3.1.2 水产养殖综合效率均值较高

全国31个省份水产养殖综合效率均值为0.916，总体较高，但未达到有效（综合效率＜1）的省份有22个，占比为70.97%，说明全国有超过2/3的省份在水产养殖投入要素配置方面的效率低下。水产养殖技术效率均值为0.957，其中24个省份的水产养殖技术效率值大于全国平均值，占比为77.42%，其平均值为0.997，高于全国平均水平4.18%。水产养殖规模效率均值为0.956，其中20个省份水产养殖规模效率值大于全国平均值，占比为64.52%。规模报酬递增的省份有14个，占比为45.16%，这些省份应提高生产要素投入规模，以提高规模报酬；规模报酬递减的省份有8个，占比为25.81%，这些省份应通过优化生产要素投入规模，加强管理水平，从而达到水产养殖最优规模；其他省份规模报酬不变，可以保持现有要素投入规模。

3.2 完善渔业统计指标的启示

3.2.1 水产养殖面积指标的分类统计

按照不同方式进行区分，水产养殖面积的内容也有所不同。例如，从是否起捕水产品角度来看，水产养殖面积可以分为“起捕水产品养殖面积”和“未起捕水产品养殖面积”，或者将后者称为“存塘养殖面积”；从水产品的生长阶段角度来看，水产养殖面积可以分为“成品养殖面积”和“苗种养殖面积”。通过上述对水产养殖面积统计指标的区分，可以更为准确地识别水产品产量对应的养殖面积投入，即“起捕水产品养殖面积”，避免了在养殖面积投入要素中包括“存塘养殖面积”和“苗种养殖面积”，不仅扩大了水产品产量对应的“实际投入养殖面积”，同时对于掌握水产品“存塘”规模和“苗种生产形势”也难以做到数据调度。

3.2.2 水产苗种指标的分类统计

《中国渔业统计年鉴》中统计的水产苗种指标涉及14个类别，从指标解释来看，除“投放鱼种”指标外，其余指标仅反映了各省份水产苗种的生产情况，难以将其与水产品产量直接对应起来，即水产苗种生产到水产品产量之间的苗种流通和苗种投放环节处于黑箱状态。同时，统计指标中的“投放鱼种”是包括海淡水鱼种投放，还是仅指淡水鱼种投放难以清晰辨别。因此，直接使用“投放鱼种”或者其他水产苗种指标作为水产养殖投入要素，都不够准确，一定程度上会影响水产养殖效率测算结果质量，因此，需要对“投放鱼种”指标进一步细化，以实现其与水产养殖产量的对应关系。