基于SFA的香菇生产技术效率及影响因素分析

　　摘 要：技术效率是影响菇农生产的重要因素之一，以湖北随州市香菇种植户为例，运用随机前沿分析方法（SFA）探讨了农户食用菌生产技术效率及其影响因素。试验结果表明，香菇的生产过程中存在着一定程度的技术效率损失，进一步分析发现，户主受教育程度、是否具备专业技能、家庭劳动力数量、种植规模等因素对香菇农户生产技术效率都具有显著的正效应，而户主年龄、性别、是否担任干部以及是否加入食用菌合作组织等因素对香菇农户生产效率影响不显著，最后，提出了相关的政策启示。 　　关键词：随机前沿分析（SFA）；技术效率；影响因素；香菇 　　中图分类号：S646.1+2 文献标识码：A 文章编号：1001-3547（2013）10-0001-06 　　近年来，我国食用菌产业发展取得了长足进步，食用菌产量和质量均有较大的提高。作为农业领域里的朝阳产业，食用菌产业集经济效益、生态效益和社会效益于一体，具有占地少、生产成本低、周期短、见效快的特点，对建设资源节约型和环境友好型农业，促进农业增效和农民增收，推动转移农村剩余劳动力，推进农业产业结构调整具有重要意义。然而，随着发达国家食用菌生产技术的快速发展和世界各国对食用菌品质要求的不断提高，我国食用菌的生产与销售面临着严峻的挑战，仅仅依靠投入更多的生产要素以获得更高产量的生产模式难以长期为继，必须寻找一种新的有效路径推动我国食用菌产业的发展。因此，对我国食用菌的生产技术效率展开深入系统地分析显得尤为必要和迫切。 　　生产技术效率分析，旨在弄清投入数量一定的情况下获得最大产出的能力，或者产出数量一定的情况下所需要的最小投入量。迄今为止，一些学者和专家在农产品生产效率的研究上取得了一定的成就。周宏等[1]采用DEA（Data envelopment analysis，数据包络分析） 模型测算了我国水稻的生产水平并对其效率变动状况进行了相应分析。张冬平等[2]利用DEA模型分析了20世纪90年代以来我国小麦生产全要素生产率，并利用曼奎斯特（Malmquist）指数分解法详细剖析了其构成的变化趋势及特点，在此基础上对我国小麦生产效率下降的原因及提高途径进行了探讨。张越杰等[3]利用吉林省8 个县（市）1994-2005年水稻生产投入产出的面板数据，采用非参数HMB指数方法从时间、空间双重维度对水稻生产的效率变动及其分解指数变动进行了全面系统分析，并运用DEA法对HMB指数及其分解的各指数的变动原因作了进一步探讨。李谷成等[4]以1999-2003年湖北农户数据为证据，从土地生产率、劳动生产率、成本利润率、TFP和技术效率等角度，多维度检视农户效率与农户规模的关系，从家庭禀赋角度对农户效率的影响因素进行了实证分析。张忠明等[5]利用聚类分析法和DEA分析法分析了农户土地经营规模与粮食生产效率关系，并得出了农户土地经营规模与粮食生产效率之间不是简单的正向或负向的线性关系的结论。张潆文等[6]以江苏省204国道样带区为研究区域，选取1980年、1990年、2000年和2007年4期农业生产投入和产出类指标，运用DEA模型方法开展了农业生产效率的实证研究。郭亚军等[7]基于非参数HMB指数法，利用中国10个苹果主产省份2001-2009 年苹果生产投入产出的面板数据，对苹果生产的全要素生产效率变动进行了分解分析，并采用DEA法对苹果生产的HMB指数及其分解的各指数的变动原因作了更进一步研究。胡兴明等[8]运用非参数的莫氏（Malmquist）指数方法测算了2001-2008年中国蚕桑生产的全要素生产率增长，重点分析了“东桑西移”实施后中西部蚕区蚕桑生产效率的变化情况。 　　以上研究为本文提供了坚实的基础，有别于以往研究多专注于整个农业领域或是大宗农产品如水稻、小麦等，本文专门针对香菇展开研究。此外，受数据较难获得等原因影响，目前对食用菌生产问题的研究大多停留在定性分析阶段，缺乏从定量角度对食用菌生产效率的研究。鉴于此，本文主要从食用菌生产的微观层面入手，以随州香菇种植户为例，分析农户食用菌生产技术效率及技术效率损失的影响因素，并提出改善效率的相应措施。 　　1 研究方法与理论模型 　　1.1 方法选取 　　Koopmans[9]最先提出了技术效率的概念，他将技术效率定义为“一个可行的投入产出向量若为技术有效，则在不减少其他产出（或增加其他投入）的情况下，技术上不可能增加任何产出（或减少任何产出）”。技术有效的所有投入产出向量的集合构成生产前沿面（Production frontier）。Farrell[10]首次提出了全要素生产率（Total factor productivity，TFP）的概念，全要素生产率是指生产单位总产量与全部要素投入量加权后的比值，是用来衡量生产效率的指标。 　　在实证研究中，基于内生经济增长理论的测算生产技术效率的方法通常有非参数方法――数据包络分析（DEA）和参数方法――随机前沿分析（Stochastic frontier analysis，SFA）[11]。非参数方法存在的最大局限是，主要运用线性规划方法进行计算，而不像参数方法有统计检验数作为样本拟合度和统计性质的参考。另外，尽管DEA方法不需要对模型作出预先估计，对无效率项的分布无需假设，可以避免效率计量出现偏差，但是其忽略随机误差对产出的影响，则可能会将随机误差的影响包括到效率项的估计中。此外，DEA方法需要大量的个体数据，且对算法的要求很高。相对而言，在实践中，人们更倾向于使用SFA 来测算技术效率。SFA方法的优点是，通过估计生产函数对生产过程进行描述，使技术效率估计得到控制，且将前沿面产出的影响因素分为可控和随机不可控两部分，估计结果更为准确[12]。随机前沿生产函数将生产者的全要素生产率分解为生产函数前沿面和技术效率两部分，在确定性生产函数的基础上提出了具有复合扰动项的随机边界模型，既体现了样本的统计特性， 又反映了样本计算的真实性。