基于三阶段DEA的渔业生产效率分析外文翻译资料

基于三阶段DEA的渔业生产效率分析

原作者 S Shen 单位 Zhejiang Gongshang University

原作者 Z Shen 单位 School of Math-physics amp; Information

原作者 X Bing 单位 Research Institute of Quantitative Economics

摘要：本文基于三阶段数据包络分析（DEA）模型对舟山新区渔业生产效率进行了实证研究。结果表明，环境变量和随机因素对舟山市渔业生产有一定的影响。城市化水平的提高和人口平均受教育年限的提高是提高渔业生产的有利因素；渔民人均收入和政府提供的渔业补贴是提高渔业生产效率的不利因素。在剔除环境变量和随机因素的影响后，得到了舟山新区渔业生产的比较真实的效率。

关键词：三阶段数据包络分析；渔业生产；环境与随机因素

一、引言

渔业是舟山新区经济发展的基础^[1，2]。渔业生产是海洋经济的传统产业之一。近年来，随着海洋开发速度的加快，海洋资源正被加速消耗^[3，4]。特别是对海洋渔业，据报道，近20年来，在捕捞技术不断提高、捕捞强度不断加大的情况下，由于过度捕捞，渔业资源衰退越来越明显^[5,6,7]。随着土地资源的枯竭、人口和环境压力的增大，海洋开发越来越受到人们的重视^[8,9,10]。海洋渔业的管理和管制仍然是世界渔业机构面临的最大挑战之一。

为了节约海洋渔业资源，保持渔业生产的可持续发展^[11，12]，效率评估一直是各组织努力提高生产力的一个重要课题^[13，14]。如何合理评价舟山市渔业生产效率，进而寻求提高渔业生产效率的现实途径；哪些因素影响渔业生产效率，哪些方面可以提高渔业生产效率，这些都成为海洋经济研究的热点^[15,16,17]。

许多学者对渔业生产效率的研究做出了巨大贡献^[1，2，18]。目前，渔业生产单位效率得分的估算方法多种多样。这些方法一般分为参数方法和非参数方法。修正的最小二乘法和随机前沿分析是参数模型，DEA、PCA和NT是非参数模型。凯姆、Sharma等人^[4]研究了1993年在夏威夷作业的国内延绳钓渔船样本的技术效率水平和决定因素，使用了translog随机生产前沿，包括船舶特定技术效率的模型。Ahmed Mohamed Elhendy^[2]估计了红海和阿拉伯湾的随机生产函数前沿的聚集和执行努力。

肖恩·帕斯科（Sean Pascoe）和路易莎·科格兰（Louisa Coglan）^[1，4]通过估计随机前沿生产函数，研究了在英吉利海峡作业的底栖拖网渔船效率的变化。他们发现影响效率的最重要的可测量因素是血管的年龄。然而，不可测量的因素约占效率变化的65%，占渔船之间渔获量总变化的9%。Diana Tingley等人^[4]比较了随机生产前沿和数据包络分析方法，以研究影响渔业技术效率的因素。Ines Herrero^[6，10]将四种不同的方法（数据包络分析、随机生产前沿、面板数据和距离函数）应用于在摩洛哥水域作业的西班牙拖网渔业。采用数据包络分析法对产能利用率进行了评估。

Christos D.Maravalias在东地中海首次提出了效率的概念^[9]。M、 艾拉·M·奥利弗等^[12] 使用Malmquist指数探索在葡萄牙南部海岸作业的手工疏浚船队生产力的演变。Natacha Carvalho等人^[7，11]使用了一种可在国家/区域捕鱼船队之间进行比较的方法来定义亚速尔群岛的小型和大型捕鱼作业。所有这些对渔业生产效率的研究都是深入有效的，对本文的研究发展具有重要的参考意义。然而，现有文献对渔业生产效率的研究并没有消除环境和随机误差的影响，不能客观反映生产单位的决策和管理水平。因此，本文以舟山市2003-2009年的相关数据为基础，运用三阶段DEA模型对舟山市渔业生产效率进行了较为准确的描述。同时，找出影响渔业生产效率的主要因素，为政府决策提供可靠依据。

本文的下一部分按以下方式组织：第2节概述了模型规范和数据源。第三部分研究了我国31个省份的农业生产效率和规模效益。第四节将简要介绍本文的结论和主要发现的启示。

二、三阶段DEA模型

Fried提出了三阶段DEA模型等(2002)。是一种较好的DMU效率评价方法。该方法的最大特点是消除了外部环境和随机误差对效率的影响。使效率的计算值能更真实地反映决策单位的内部管理水平。它的建造和使用分为三个阶段。

第一阶段：传统DEA模型（BCC模型）。自从Charnes等人研究了数据包络分析（DEA）以来，无论是在理论发展上还是在实际应用中，都取得了令人瞩目的进展。基于不同的经验公理，针对生产可能性集和生产前沿的不同特点，提出了不同的DEA模型，即BCC模型、FG模型、ST模型和CCWH模型，并在实践中得到了应用。Wei和Yan等人提出了一个广义DEA模型（GDEA）来统一DEA模型和方法（见参考文献6）。通过对这些参数赋予不同的值，GDEA模型可以简化为经典的DEA模型。原有的数据包络分析（DEA）可以用来评价多输入多输出模式下各决策单元之间的相对效率。我国从事DEA研究的学者从1986年开始，林文清对DEA方法在国内的推广和推广起到了积极而重要的作用，他在2000年总结了DEA的研究进展。BCC模型用于处理决策单元在规模收益率可变的假设下的效率问题，通过对偶性，任何DMU0的面向输入的BCC模型可以表示为：

其中i=1，hellip;，m ，j，=1，hellip;，n，r=1，hellip;，s，sr ge; 0, siminus; ge; 0, ε是一个非阿尔奇中值，用于强制变量严格正性。具有附加凸性约束的BCC-DEA模型lambda; j ge; 0 ,即sum;lambda;=1。

在规模收益率可变的情况下。是DMU0的相对效率。x表示输入，Y表示输出。如果theta;=1，s==0，则DMU0是有效的；如果theta;=1，而sne;0，或sne;0，则DMU0是弱有效的；如果theta;lt;1，则DMU0是无效的，则以BCC模型计算的theta;作为总效率值。它可以进一步分解为规模效率和纯技术效率的乘积。

即：整体效率=[纯技术效率]*[规模效率]

第二阶段：随机前沿模型。油炸等（2002）提出第一阶段得到的松弛值受环境因素、随机因素和管理效率的影响。消除了环境因素和随机因素，得到了管理不善造成的DMU投入过剩。以输入方向为例，考虑一组n个dmu，每个DMUj（j=1，2，hellip;，n）使用m个输入。如果一组p个可观测环境变量分别对每个DMU的松弛变量进行SFA分析，可以建立以下SFA方程：

i=1，hellip;，m：k=1，hellip;.n，sik公司表示松弛变量；zk=（z1k，hellip;，zpk）是p可观测的环境变量；vik vuk是混合误差项；viik~iidN（0，sigma;五2)表示随机扰动项，uik~z~我 (micro;sigma;, u型2)表示管理效率低下。特别是接近1时，管理的影响占主导地位，接近0时，说明随机误差的影响占主导地位。利用SFA模型的回归结果，进一步调整DMU的投入，即对环境较好或环境较好的DMU增加投入，以消除随机因素的影响。调整公式如下：

其中xdenotes表示输入的实际值，表示调整值。第一个括号将所有决策单元调整到相同的环境中，第二个括号代表将所有随机错误调整到相同的情况中，这将使每个决策单元面临相同的业务环境和运气。

第三阶段：调整后的DEA模型。在第二阶段调整输入x而不是原来的输入x，输出Y仍然是原始的情况下，我们再次使用BCC模型来评估效率，因此第三阶段得到的每个DMU的效率值就是摆脱了环境因素和随机因素影响的效率。

三、例证分析

（一）数据来源和描述

本文采用三阶段DEA模型对舟山新区2001-2009年渔业生产效率进行了实证研究。为了保持研究的一致性，我们选择渔业产出作为单一产出，虽然DEA允许更多的产出用于实证研究。这里选择的四个投入是渔业劳动力、固定资产、养殖面积和机动渔船。Pearson相关法检验了投入增加时，产出不会减少。影响渔业生产效率的因素不能主观地控制在样本范围内，而应选择作为环境变量。选取渔民人均收入、城市化水平[1]、政府对渔业的财政补贴[2]和从业人员的文化程度[3]作为四个环境变量。这些数据发表在舟山市统计局发布的《舟山年鉴》上。

（二）传统DEA模型下的效率分析

在第一阶段传统DEA模型的基础上，利用统计软件R中的DEA包对舟山新区4个县2001-2009年渔业生产效率水平和规模状况进行了分析。这四个县分别是定海、普陀、岱山、嵊泗。综合技术效率（TE1）、纯技术效率（PTE1）和规模效率（SE1）的结果分别如图1、2、3所示。

如果忽略外部环境和随机因素，定海县渔业生产纯技术效率在舟山新区最高，平均值为0.92；综合技术效率最高的地区在岱山，为0.71；规模效率最高值位于普陀，最高平均值为0.96。其中，普陀和岱山2008年、定海2008年和2009年的三个效率值在技术效率前沿均等于一个。由于这些结果都含有环境因素和随机因素的干扰，不能反映渔业生产效率的真实水平，我们接下来将对这些投入进行进一步的调整和测算。

本文提出的随机生产前沿模型处理了随机前沿函数的具体形式，但没有假设随机误差和无效项的分布。该模型既继承了DEA方法的灵活性，又考虑了随机误差。此外，本文的前沿函数弹性系数随时间和个体的变化而变化，更符合实际，具有更重要的经济意义。个体效应是将单向误差分量模型从经典线性回归模型中分离出来的，它是随时间变化的，并且特定于每个横截面单位i。如果单位分别被视为固定随机，则该模型也称为固定效应或随机效应模型。以输入的松弛变量作为解释变量，它来源于第一阶段的结果并取对数。它们是内生变量。将上述四个环境变量：城镇化水平、渔民人均收入、渔业财政补贴、从业人员文化程度作为解释变量进行对数后，作为四个外生变量的向量，利用统计软件R中的frontier软件包得到SFA的结果，显示在选项卡中。