本文是一篇农业经济论文，本文通过对已有文献进行归纳、整理，并基于我国 57 家农业上市公司2012-2018 年面板数据，运用投入导向的 BCC-DEA 模型测度 57 家农业上市公司2012-2018 年每一年综合技术效率、纯技术效率和规模效率，运用 Tobit 模型分析金融关联对农业上市公司技术效率的影响以及在不同产权性质、代理成本对金融关联与农业上市公司技术效率关系的调节效应。
1 引言
1.1 研究背景与意义
1.1.1 研究背景
农业作为支撑我国国计民生的基础产业，对促进我国经济社会持续健康发展有着重要的意义。我国高度重视农业发展，自 2004 年以来，中央一号文件连续 18 年聚焦“三农问题”。2021 年中央一号文件指出解决好发展不平衡不充分问题，重点难点在“三农”，迫切需要补齐农业农村短板弱项，加快农业农村现代化。中国农业上市公司作为农业产业的领军者，肩负着带动农民增产创收、推动农业产业结构优化升级和加速农业现代化进程的重要使命，其生产效率与经营效益的提升对推动农业高质量发展影响深远（范黎波等，2012；刘云芬和陈砺，2015）。从相关数据来看，农业板块自 1992 年实现零突破以来，在此后近三十年期间内我国农业上市公司取得了深远的发展，上市公司数量明显增加、公司地区分布遍布全国范围，绝大部分上市公司分布在主板市场，农业发展前景广阔。因此，必须对我国农业上市公司的生产经营问题予以重视。
企业技术效率刻画了投入一定的条件下企业获取潜在最大产出的能力或者产出一定的条件下使得投入最小化的能力（张铭慎和曾铮，2018）。由于农业企业的经营能力、信息能力以及资源整合能力均会对企业的投入—产出效率产生影响，在诸多衡量农业企业经营状况的指标中，技术效率更能反映企业实际生产状况与潜力（王金秋等，2019）。同时，从农业企业技术效率指标来看，技术效率水平是影响企业持续健康发展的重要因素，作为衡量农业上市公司等量要素条件下投入与产出之间时空距离大小的指标，农业上市公司技术效率水平的提升，可以缩小产出与投入时空差距，增强企业核心竞争力（朱乃平等，2014），故有必要进一步考察农业上市公司技术效率状况。
学术界关于农业上市公司技术效率方面的研究已取得了一定的成果，学者们多关注正式制度的治理效应，其中包括股权结构、企业规模、公司治理等因素的影响，这一系列研究为企业实践提供了重要的参考价值，推动农业上市公司各项制度的发展、完善。然而在实践当中，农业上市公司技术效率仍存在着进一步完善的空间。有学者指出，非正式制度是正式制度的有益补充，在一些情况下，非正式制度更具有重要价值（林毅夫，1994）。在经济金融化深入发展的大背景下，金融关联作为一项非正式制度，搭建了企业与金融机构沟通的桥梁，在企业经营发展中发挥着越来越重要的影响。我国农业企业自身也在寻求不断的发展与完善，通常通过聘请具有金融背景的高管等与金融机构建立密切的金融联系，以期促进企业的发展（谭小芳和范静，2014）。
1.2 文献综述
1.2.1 技术效率的测度研究
从已有文献来看，关于技术效率的测度主要有两种方法，即参数方法（Parametric Estimation Method）和非参数方法（Non-parametric Estimation Method）。参数方法是一种统计性方法，目前较为常用的为随机前沿分析方法（SFA），而非参数方法是一种数学规划的方法，其中最具有代表性的方法是数据包络分析方法（DEA）。
参数法。用参数法测定技术效率，关键在于确定生产前沿函数，并估计函数的参数。参数法的发展经历了两个阶段，即确定性参数法和随机前沿分析法（SFA）。确定性参数法过于简单，在方程的误差项设定上将影响产出的各种可控与不可控因素全部包括在其中，这使得测度的技术效率与实际情况存在较大的偏差。目前，随机前沿法发展较为迅速，取得了丰富的应用。Aigner 等（1977）最早提出了参数随机前沿生产函数，但是只能用于横截面数据分析。Battese 和 Coelli（1995）进一步提出了基于面板数据的参数随机前沿生产函数，并且包含了对技术效率影响因素分析的功能。Battese 和 Coelli（1995）在模型设定中的误差项被分为随机误差项vi以及包含技术无效性的误差ui，不仅可以计算出样本及个体的技术效率水平，还能够计算出影响技术效率各个因素的影响程度。
非参数法。数据包络分析方法（DEA）是最具代表性的计算技术效率的非参数方法，它可以根据多投入和多产出数据对同类型生产单元进行相对有效性评价。1978年，Charnes 和 Cooper 率先提出了计算技术效率的模型—CCR 模型。虽然 CCR 模型能够用来评价生产单元总体有效的情况，但是无法测算出生产决策单元的纯技术效率值。因此，Banker，Charnes 和 Cooper（1984）对 CCR 模型进一步完善构成了 BCC模型，模型的最优解反映了生产决策单元的纯技术效率的情况。由于截面数据的 DEA 模型只能测算静态技术效率和规模效率，故 Caves 等学者（1982）引入了 Malmquist生产率指数，用来估计全要素生产率的变动状况。使用 Malmquist 指数分析法，不但可以分析不同时期决策单元的效率变化，而且可以将 Malmquist 指数分解为技术水平进步率和技术效率变化率，以找出它们各自的变动对全要素生产率变动的影响，同时技术效率变化指数还可进一步分解为纯技术效率指数和规模效率指数（Fare et al.，1998）。
2 理论基础与研究假设
2.1 概念界定
2.1.1 金融关联
从一般意义上来说，金融关联可以理解为企业与金融机构在经济业务、人事、股权等方面建立的社会网络关系。但是关于金融关联的定义，学术界尚未达成一致，多数学者基于自身的研究需求来考虑金融关联的内涵。从已有研究来看，金融关联主要包括以下三种类型。一是业务关联，即企业与金融机构经过频繁的业务往来建立的金融关系。二是高管关联，企业聘请曾经任职或者现在兼职于金融机构的人员担任企业高管（邓建平和曾勇，2011），多数学者偏向从高管关联角度定义金融关联的内涵（邓建平和曾勇，2011；黄昌富和朱梦，2014；邓建平和陈爱华，2015；孟岩和周航，2018；周雪峰和左静静，2019）。三是股权关联，通常是指企业参股金融机构，即为常见的产融结合（谭小芳和王晗堃，2019）。考察上述三种类型的金融关联关系，其中业务关联是企业与金融机构在长期合作往来当中自然形成的，无需企业自主安排，而高管金融关联和股权关联多为企业基于融资和管理目的而主动搭建的网络关系，故考察高管关联与股权关联的经济后果更具有现实意义。
借鉴已有研究成果，考虑数据可获得性，本文从企业高管与金融机构间的关系为切入点定义狭义的金融关联，即农业上市公司高管现在或者曾经任职于金融机构而建立的金融关系网络。
2.1.2 企业技术效率
从投入角度来考虑，Farrell（1957）将技术效率定义为在产出和价格不变以及要素投入比例一定条件下所能达到的最小成本占实际成本的百分比。Leibenstein（1996）从产出的角度指出技术效率是在相同的投入规模、投入比例及市场价格下，实际产出水平与最大产出量的差距。此后，学者们在已有研究的基础上提出了各自对技术效率的见解。总的来说，无论是从投入角度还是产出角度，均在探讨资源配置的优劣状况，即利用帕累托最优状态来评判资源配置的优劣。本文涉及的技术效率主要反映的是农业上市公司在各项投入水平一定的前提下所能获取的最大产出能力，即反映了决策单元对当前所拥有的技术水平利用的有效程度，并将技术效率分为纯技术效率和规模效率。
2.2 理论基础
2.2.1 高层阶梯理论
高层阶梯理论最早是于 1984 年由 Hambrick&Mason（H&M）提出。如图 2.1 所示，H&M 的高层阶梯理论以高管团队为研究对象，认为企业高层管理人员的价值观、背景特征等会对企业的战略决策选择产生影响，最终影响企业绩效。在数据测量上，难以对高管的心理特征进行量化，故学者们选取可量化的人口统计学特征以反映高管的认知能力和价值观，并进一步分析其对企业经营管理及企业绩效的影响。据此，学术界围绕高管团队背景特征与企业行为关系展开了丰富的探讨。但是，H&M 高层阶梯理论模型尚处于初期发展阶段，仍存在一定的缺陷。此后，学者们对该模型又进一步进行修正完善（Hambrick，1994；Carpenter，2004），进一步丰富了高层阶梯理论的内容。根据“高层梯队理论”，高管团队的人口背景特征会对管理者的决策行为产生影响。农业上市公司金融关联由于其专业背景及金融工作经验，参与企业经营战略决策，将金融思维、资源融入到企业经营发展当中，对企业技术效率产生重要影响。
3 农业上市公司技术效率测度与现状分析 ................ 14
3.1 样本选择与数据来源 ............................ 14
3.2 投入产出指标的选取 ................... 14
4 金融关联对农业上市公司技术效率的影响 ............................. 21
4.1 变量定义与模型设计 ............................... 21
4.1.1 变量定义 ........................ 21
4.1.2 模型设计 ...................................... 22
5 结论与
