我国农业科技创新效率的区域差异及其影响因素研究

分类：论文范文 发表时间：2022-01-17 09:32

　　摘要[目的]分析我国区域农业科技创新效率差异,为提高农业科技创新效率整体水平和推进农业现代化提供参考依据。[方法]运用超效率DEA模型,对2007—2016年全国29个区域的农业科技创新效率进行测算和评价,并将所有区域划分为4个效率梯队。构建Malmquist指数,全面分析各梯队农业科技创新效率变动的影响因素。[结果]我国农业科技创新效率水平整体较低,但处于缓慢增长的阶段;不同梯队的效率差异较大,但受技术效率的影响差距正在不断缩减;由于农业科技创新资源配置不均,导致东部地区与中西部地区农业科技创新效率差异突显;第二梯队中多数地区缺乏合理的评估机制,农业科技创新成果转化率低。[结论]提高中西部地区的农业科技创新资源配置比例,发挥高效率地区的中心辐射作用;要突出市场在农业科技创新体系中的重要地位;采取差异化战略,实现资源最大化利用和最大化的产出。

　　关键词农业科技创新创新效率超效率模型Malmquist指数区域差异

　　0引言

　　农业科技创新是农民增收的重要途径,是提升农业核心竞争力的主要举措,是保障粮食安全的中坚力量,同时也是推进农业现代化和实现乡村振兴的第一驱动力[1-2]。随着农业资源压力的与日俱增,提高农业科技创新效率已成为引领农业快速发展的核心关键。目前学术界基于不同的视角和方法对农业科技创新效率展开了研究。杨传喜、付野[3-4]分别对农业科技龙头企业、农业科研机构等的科技创新效率进行了评价;赖晓敏[5]基于地方行政长官个人特质的视角运用全局参比Malmquist指数对我国省级农业科技创新效率进行了分解;陈祺琪、张俊飚等[6]利用Dagum分解的基尼系数分析了我国农业科技资源配置能力的区域差异;董明涛和张莉侠[7-8]分别运用SBM模型和DEA-Tobit两步法、Malmquist指数模型对我国区域农业科技创新效率进行了测算和评价。但学者们多基于地区差异对农业科技创新效率进行测算,从地域上实现聚类分析。文章则采用DEA超效率模型和Malmquist生产率分解指数对我国29个省(市、区)农业科技创新效率进行测算和排序,实现了效率分析的动态与静态的结合,同时改变传统的依据行政区域或经济发展程度的地域分区方法,深入分析不同效率梯队农业科技创新效率的影响因素,并针对现状提出建议。

　　1研究方法与指标体系构建

　　1．1超效率DEA模型

　　传统的DEA模型如BCC、CCR模型只能评价各个DMU是否实现了DEA有效[9],即其效率值只有小于1和等于1两种情况,等于1即表示DEA有效,但对多个均实现DEA有效的DMU无法进一步分析和评价。

　　1．2Malmquist指数模型

　　当具有被研究对象的混合数据时,可以应用投入或产出导向型的Malmquist生产率指数模型来测算生产率指数的变化,并可以将生产率分解为技术效率和技术进步两个部分。

　　1．3指标构建与数据来源

　　农业科技创新投入方面,该文选取农业R&D人员全时当量和农业R&D经费内部支出分别作为人力投入和财力投入水平。由于这两项指标无法直接获取,该文参照陈振[10]等所使用的方法,通过权重系数法将农业科技创新投入从3个产业的科技投入中进行剥离。农业R&D人员全时当量=R&D人员全时当量×(农业总产值/农业生产总值);农业R&D经费内部支出=R&D经费内部支出×(农业总产值/农业生产总值)。农业科技创新产出方面,选取国外主要检索工具收录我国科技论文和国内发明专利授权数来作为知识成果产出,以农业总产值作为经济产出[11]。最终构建出农业科技创新效率评价的指标体系,如表1所示。该文选取剔除青海和西藏以外的我国大陆地区的29个省、直辖市和自治区作为研究对象。数据均来自2008—2017年《科技统计年鉴》和《统计年鉴》。

　　2结果分析

　　2．1基于超效率模型的测算结果分析

　　建立超效率DEA模型,运用DEA-SLOVERPro5．0软件进行了测算,并根据表2农业科技创新超效率值将29个目标省(市、区)划分成[0．5,0．7)、[0．7,1．0)、[1．0,2．0)、[2．0,4．0]这4个效率梯队。整体上看,处于第一梯队的是上海市和北京市,处于第二梯队的是海南、浙江、江苏、山东、河南、河北、新疆、广西、广东和内蒙古这10个地区,处于第三梯队的是宁夏、四川、云南、湖南、辽宁、贵州、黑龙江、湖北、吉林、江西、福建和安徽这12个地区,处于第四梯队的是重庆、陕西、甘肃、天津和山西这5个地区。2007—2016年我国29个地区农业科技创新超效率均值为1．051,其中前两个梯队共12个省市的效率值达到了平均效率值,占比41%。这表明与发达相比[12],我国农业科技创新效率水平整体较低。排名第一位的上海市农业科技创新效率均值为3．255,比效率均值最低的陕西省高出了2．686。且4个梯队的均值分别为2．659、1．204、0．845和0．598,每两梯队的均值差呈递增状态,表明我国各个省(市、区)农业科技创新效率两极分化现象突出。横向比较看,高于平均效率值的12个省(市、区)中,东部地区占比75%,表明农业科技创新效率的高低与经济发展程度呈高度正向相关关系。辽宁、河北、山东、吉林、内蒙古、江西、湖南省、四川、河南、湖北省、江苏、安徽和黑龙江这13个地区作为我国粮食主产省份,农业科技创新效率均值为0．972,仅有38%的省份效率值达到了全国平均水平,且四川、湖南、辽宁、黑龙江、湖北、吉林、江西和安徽这8个省份均处于第三梯队,尤其安徽省的效率值仅为0．719,远低于全国平均水平。粮食主产省份农业科技创新效率值的低下在较大程度上影响了全国效率值。纵向比较看,2007—2016年10年全国的效率均值波动不具有明显的规律性,具体原因由下文的Malmquist效率指数分解来进行解释。

　　2．2基于Malmquist指数模型的效率分解

　　超效率DEA模型主要针对每个评价单元在某一时间点的效率值进行分析,当被评价单元包含有多个不同时间点观测值的面板数据时,就需要从动态角度来分析其随时间变化的效率值演变情况。该文运用Deap2．1软件对我国29个省(市、区)的Malmquist指数进行了测算并进行了效率分解。

　　3结论与对策

　　该文运用超效率DEA模型和Malmquist生产率指数,将我国29个省(市、区)划分为4个效率梯队,深入探讨了我国省域农业科技创新效率的现状。结果表明:我国农业科技创新效率水平整体较低,但处于缓慢增长的阶段;不同梯队的效率差异很大,但受技术效率的影响差距正在不断缩减;因经济发展程度的不同,东部地区与中西部地区在农业科技创新的人力、财力等资源配置比例不同,导致区域农业科技创新效率差异突显,东部地区远高于中西部地区;第二梯队中新疆、广西和内蒙古等地区虽然效率值高,但由于缺乏合理的评估机制,导致农业科技创新成果转化率低。针对以上结论,提出以下对策建议。

　　(1)提高中西部地区的农业科技创新资源配置比例,发挥高效率地区的中心辐射作用。农业科技创新资源配置不均衡是导致陕西、甘肃等中西部地区农业科技创新效率低下的根本原因,这些地区要出台相关政策吸引创新人才和创新项目落地。同时,发挥北京、上海、浙江和江苏等高效率地区的中心辐射作用,通过加强与落后地区的合作来提升全国的农业科技创新水平。

　　(2)突出市场在农业科技创新体系中的重要地位。新疆、河北和内蒙古等地要建立并完善农业科技创新市场化服务体系,实现技术创新与实践应用的精准对接,提高农业科技创新成果转化率。由专业第三方机构介入评估各类各项农业科技创新项目的合理性,避免农业科技创新资源的重复配置,提高农业科技创新各要素的利用效率,增强各类农业科技创新主体的积极性。

　　(3)采取差异化战略,实现资源最大化利用和最大化的产出。第一梯队的北京市和上海市要依据自身的资源优势,进一步提升纯技术效率,保持农业科技创新水平的稳步提升;第二梯队10个地区要同步提升技术效率和技术进步,扭转全要素生产率下降的态势;第三梯队和第四梯队的各个地区要增强技术进步对全要素生产率的驱动作用,通过科研技术研发、产学研一体化等措施持续缩小与前两个梯队的差距;河南、湖南和黑龙江等13个粮食主产区也要优化农业发展模式,转变依靠资源和规模促进农业发展的粗犷方式,提高农业科技创新效率,实现农业的绿色循环与可持续发展。

　　参考文献

　　[1]蒋和平.改革开放四十年来我国农业农村现代化发展与未来发展思路.农业经济问题,2018(8):51-59.

　　[2]张静,张宝文.基于Malmqiust指数法的我国农业科技创新效率实证分析.科技进步与对策,2011,28(4):84-88.

　　[3]杨传喜,王亚萌.基于第二次R&D资源清查的农业科技资源配置效率分析.农业资源与区划,2017,38(7):126-134.

　　[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(1):133-137.

　　[5]赖晓敏,张俊飚,何可,等.地方行政长官的个人特质与区域农业科技创新效率.软科学,2018,32(7):44-47,51.

　　[6]陈祺琪,张俊飚,程琳琳,等.农业科技资源配置能力区域差异分析及驱动因子分解.科研管理,2016,37(3):10-123.

　　邓灿辉1,马巧云2※,魏莉丽3,4

上一篇：我国果树业的发展现状、存在问题及对策研究 下一篇：物联网在智慧农业中的应用及其比较研究