長江經(jīng)濟(jì)帶多維減貧效率測算與時(shí)空演化分析*

洪 波，李文靜※，張俊飚

（1.華中農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院，湖北武漢 430070；2.湖北農(nóng)村發(fā)展研究中心，武漢 430070）

0 引言

從世界貧困問題的發(fā)展趨勢來看，根據(jù)2030年聯(lián)合國可持續(xù)發(fā)展議程，其目標(biāo)要求到2030年世界各地消除一切形式的貧困。從我國自身來看，2015年中央明確提出，到2020年（即十三五末），要確保中國現(xiàn)行年均收入標(biāo)準(zhǔn)下農(nóng)村貧困人口全部實(shí)現(xiàn)脫貧，貧困縣全部摘帽，區(qū)域性整體貧困問題基本解決，使2020 年全面建成小康社會后的中國進(jìn)入一個(gè)沒有“貧困”的時(shí)代。政策和社會各界的努力使我國扶貧工作取得了階段性勝利。數(shù)據(jù)顯示，我國農(nóng)村貧困人口數(shù)量大幅下降，從2012 年年末的9 899 萬人減少至2019 年年底的551 萬人，貧困發(fā)生率從2012 年的10.2%下降至2019 年底的0.7%[1]。2020 年以后我國農(nóng)村貧困將步入一個(gè)以轉(zhuǎn)型性的次生貧困和相對貧困為特點(diǎn)的新階段，呈現(xiàn)出多維度貧困等新特征[2]，這也意味著對貧困問題的考量不再局限于單維研究，減貧的側(cè)重點(diǎn)也不應(yīng)該仍然僅停留在收入水平這一單一角度，而需要從多個(gè)角度來綜合考量[3]。

阿瑪?shù)賮啞ど岢龅亩嗑S貧困理論認(rèn)為，除收入外，多重改變機(jī)會和可行能力的指標(biāo)也需要被納入貧困的測度中。多維貧困能夠更全面地體現(xiàn)貧困的內(nèi)涵和致貧原因的差異，引起了國內(nèi)外學(xué)者的廣泛關(guān)注[4]。隨著研究的深入，學(xué)者不斷探索不同的多維貧困指數(shù)計(jì)算方法來量化減貧效果，如“雙界限”方法[5]、公理化方法[6]、信息理論方法[7]等。朱冬元等[8]基于省級面板數(shù)據(jù)，運(yùn)用空間面板模型從收入、教育和醫(yī)療三方面著手研究了城鎮(zhèn)化的多維減貧效應(yīng)，結(jié)果表明我國的多維貧困存在顯著的空間集聚效應(yīng)但效果在逐步減弱。鄭長德和單德朋[4]對集中連片特困地區(qū)663 個(gè)樣本縣的多維貧困指數(shù)進(jìn)行測度，并提出農(nóng)戶面臨同質(zhì)化經(jīng)濟(jì)增長手段的行為差異是關(guān)鍵致貧因素。孫詠梅[9]分別構(gòu)建了結(jié)構(gòu)向量自回歸模型和AF指數(shù)綜合評估單維和多維的減貧效果，結(jié)果發(fā)現(xiàn)我國單維減貧的成效顯著，而多維減貧問題仍然突出，提出應(yīng)將農(nóng)村減貧視野放在多維減貧層面上。陳國強(qiáng)等[10]對比分析公共轉(zhuǎn)移支付的收入減貧效應(yīng)和多維減貧效應(yīng)，發(fā)現(xiàn)公共轉(zhuǎn)移支付對收入貧困的減貧效應(yīng)比對多維貧困的減貧效應(yīng)更大。

隨著我國在脫貧攻堅(jiān)領(lǐng)域逐漸取得決定性成就，剩余貧困人口的脫貧難度隨之加大，減貧邊際效應(yīng)不斷縮減[11]。在脫貧攻堅(jiān)收尾工作難度加大的情況下，科學(xué)評估現(xiàn)階段我國扶貧工作的減貧效果，并根據(jù)減貧效果探尋可能的改進(jìn)方向，對我國精準(zhǔn)扶貧的瞄準(zhǔn)和減貧效率的提升具有不可忽視的理論價(jià)值和現(xiàn)實(shí)意義。減貧效率被認(rèn)為是衡量減貧效果的重要指標(biāo)[12]，而基于投入產(chǎn)出測算的減貧效率可作為減貧效果分析的重要工具。從已有研究來看，測算投入產(chǎn)出效率的研究多側(cè)重于計(jì)算和結(jié)果分析，相對忽視對所選指標(biāo)進(jìn)行嚴(yán)謹(jǐn)?shù)目茖W(xué)論證和理論支撐，且目前對于多維貧困問題的研究視角多圍繞多維貧困指數(shù)的測度與分解展開，而較少綜合考量多維貧困理論與減貧效率?；诖?，文章將多維貧困理論納入減貧效率的測度中，結(jié)合多維貧困理論選取投入產(chǎn)出指標(biāo)，以提高測算減貧效率的可信度，彌補(bǔ)多維貧困研究中針對減貧效率研究的空白。

長江經(jīng)濟(jì)帶作為我國綜合實(shí)力最強(qiáng)且最具發(fā)展?jié)摿Φ慕?jīng)濟(jì)帶之一，在高速發(fā)展和迅速崛起的同時(shí)，也面臨著脫貧攻堅(jiān)的艱巨任務(wù)。因此，促進(jìn)該地區(qū)扶貧開發(fā)工作有序有效地推進(jìn)，是保持長江經(jīng)濟(jì)帶協(xié)調(diào)發(fā)展的重要保障。該文在梳理多維貧困和效率評估理論的基礎(chǔ)上，構(gòu)建了多維減貧視角下的投入產(chǎn)出效率模型，并以長江經(jīng)濟(jì)帶11 個(gè)省市為研究對象，對長江經(jīng)濟(jì)帶多維減貧效率進(jìn)行測度，對比減貧效率差異和時(shí)空演化趨勢，挖掘改善和提升減貧效率的關(guān)鍵方案，以期為新時(shí)期我國精準(zhǔn)扶貧工作的扶貧資源調(diào)整與瞄準(zhǔn)提供決策依據(jù)。

1 長江經(jīng)濟(jì)帶多維減貧效率評估的理論分析

1.1 多維減貧效率維度構(gòu)建

隨著貧困理論的發(fā)展，多維貧困的概念逐漸被提出并引起學(xué)術(shù)界的廣泛關(guān)注。從貧困概念的演變可以發(fā)現(xiàn)，衡量貧困已經(jīng)不再局限于達(dá)到固定收入這一單一維度的評價(jià)標(biāo)準(zhǔn)。而從多個(gè)維度定義和測度貧困并對減貧效率進(jìn)行科學(xué)評估，對扶貧資源瞄準(zhǔn)和調(diào)整、深入推進(jìn)減貧工作至關(guān)重要[3]。在具體測量的維度和指標(biāo)選擇上，不同學(xué)者對貧困的理解與界定不盡相同，且受限于數(shù)據(jù)的可獲得性，學(xué)術(shù)界對于指標(biāo)體系的構(gòu)建尚未達(dá)成共識[13]。根據(jù)分析尺度的不同，已有采用多維貧困的研究主要從微觀和宏觀的層面展開。其中，在微觀層面，研究學(xué)者主要從收入、生活水平、健康、教育、醫(yī)療保險(xiǎn)、社會參與[14-17]等維度測度多維貧困指數(shù)從而對家庭或者個(gè)體貧困進(jìn)行識別；在宏觀層面，不同學(xué)者選擇維度的視角不一，如鄭長德和單德朋[4]基于風(fēng)險(xiǎn)和機(jī)會視角，而劉艷華和徐勇[18]、吳躍[19]等則是基于脆弱性—可持續(xù)生計(jì)分析框架測度多維貧困以進(jìn)行地理貧困識別。家庭或者個(gè)體貧困識別主要在貧困人口較少且分布較為分散的國家開展，而我國貧困人口分布集中，呈現(xiàn)明顯的區(qū)域性特征[20]。因此中國未來的扶貧項(xiàng)目瞄準(zhǔn)仍然以區(qū)域瞄準(zhǔn)為主，即根據(jù)貧困區(qū)域性質(zhì)調(diào)整扶貧工作方向。在已有研究基礎(chǔ)上，該文將多維貧困理論納入減貧效率分析框架，借鑒已有研究對于多維貧困的界定，結(jié)合聯(lián)合國可持續(xù)發(fā)展目標(biāo)，并考慮數(shù)據(jù)的可獲得性，在維度選擇上選取了較有代表性的4個(gè)維度：經(jīng)濟(jì)、社會、生態(tài)和教育。選取各維度的原因如下。

第一，經(jīng)濟(jì)維度。現(xiàn)有研究表明，經(jīng)濟(jì)增長對減貧有直接和間接的推動作用，直接作用表現(xiàn)為促進(jìn)貧困人口增收，間接作用表現(xiàn)為通過提高政府財(cái)政收入增加其精準(zhǔn)扶貧工作能力從而減少貧困人口[21]。第二，社會維度。社會的投入和參與亦是減貧的重要因素。例如，貧困地區(qū)的農(nóng)戶很可能會陷于能源貧困的“惡性循環(huán)”且難以僅靠自身走出“惡性循環(huán)”，而要打破這樣的“惡性循環(huán)”，需要外力的介入[22]，如改善農(nóng)村能源的資金投入。第三，生態(tài)維度。貧困地區(qū)往往面臨著較為嚴(yán)峻的自然資源環(huán)境和生態(tài)環(huán)境[23]，水資源、耕地資源等自然稟賦低，加之難以抵御的突發(fā)自然災(zāi)害，易造成脫貧人口再返貧等問題。因此，良好的生態(tài)環(huán)境是保證貧困農(nóng)戶脫貧穩(wěn)定性的重要因素，能夠減少生態(tài)環(huán)境對農(nóng)戶生計(jì)的外部沖擊[24]。第四，教育維度。減貧的低效率和貧困的惡性循環(huán)一部分原因來自于人力資本的缺乏[25]，教育的改善有助于實(shí)現(xiàn)人力資本的積累。盡管科技進(jìn)步和第三產(chǎn)業(yè)的快速發(fā)展推動著中國經(jīng)濟(jì)社會轉(zhuǎn)型，但如果低收入家庭教育投資不足阻礙其人力資本的積累，他們將難以適應(yīng)社會轉(zhuǎn)型，并有可能要承擔(dān)失業(yè)、遭受被社會孤立等風(fēng)險(xiǎn)[26]。因此，教育條件的改善及人才培養(yǎng)效率的提升能夠促使人力資本增加，從而使得貧困人口獲得額外的發(fā)展機(jī)會，并增加其抵抗風(fēng)險(xiǎn)的能力[4]。從微觀角度來看，農(nóng)戶家庭成員受教育程度的提高顯著降低了陷入多維貧困的可能，因而教育維度是減緩多維貧困迫切需要關(guān)注且具有實(shí)踐意義的維度[26]。

1.2 多維減貧效率評估指標(biāo)的選取

該文的投入變量和產(chǎn)出變量分別從經(jīng)濟(jì)、社會、生態(tài)、教育4 個(gè)維度選取對應(yīng)指標(biāo)?，F(xiàn)有研究表明，發(fā)展農(nóng)業(yè)依然是農(nóng)村地區(qū)減貧的主要?jiǎng)恿碓碵21]，因此，在經(jīng)濟(jì)維度該文主要考慮農(nóng)業(yè)生產(chǎn)層面的投入和產(chǎn)出指標(biāo)，選取農(nóng)業(yè)機(jī)械總動力和糧食作物產(chǎn)量為對應(yīng)的投入產(chǎn)出指標(biāo)，分別反映農(nóng)戶在農(nóng)業(yè)生產(chǎn)方面的經(jīng)濟(jì)投入程度和對應(yīng)的產(chǎn)出水平。社會維度主要考慮農(nóng)村能源層面的投入和產(chǎn)出指標(biāo)，分別以農(nóng)村能源經(jīng)費(fèi)投入和沼氣池產(chǎn)氣總量為對應(yīng)指標(biāo)，表征農(nóng)村在改善能源條件上所付出的投入及取得的成果。生態(tài)維度上，考慮到生態(tài)建設(shè)不局限于農(nóng)村或者城鎮(zhèn)，且自然環(huán)境本身具有公共物品性和非排他性，由社會群體所共建，為社會群體所共享，因此，借鑒劉浩等[27]在測度農(nóng)村環(huán)境治理效率時(shí)衡量生態(tài)維度所選取的投入和產(chǎn)出變量，該文分別以林業(yè)投資為投入指標(biāo)，以造林總面積為產(chǎn)出指標(biāo)，用以測度該研究區(qū)域在改善生態(tài)方面做出的努力程度和得到的生態(tài)環(huán)境優(yōu)化程度。教育維度上受限于指標(biāo)的可得性，選擇教育財(cái)政支出和每萬人口在校大學(xué)生數(shù)為投入和產(chǎn)出指標(biāo)，用以測度教育對人力資本潛在發(fā)展機(jī)會的影響。教育條件的改善及人才培養(yǎng)效率的提升能夠促使人力資本的增加，從而使得貧困人口獲得額外的發(fā)展機(jī)會，增加其抵抗風(fēng)險(xiǎn)的能力[4]。此外，考慮到地區(qū)經(jīng)濟(jì)水平等外部環(huán)境的差異可能會導(dǎo)致多維減貧效率的測算結(jié)果出現(xiàn)一定的偏差，因此需要按照變量對減貧效率產(chǎn)生影響但不受樣本主觀控制的原則來選取環(huán)境變量以剔除環(huán)境變量的噪音擾動。在環(huán)境變量的指標(biāo)選取方面，該文綜合借鑒錢力等[28]、鄭軍和杜佳欣[29]的思路，最終選取的環(huán)境變量具體指標(biāo)為財(cái)政公共投入、地區(qū)生產(chǎn)總值和固定資產(chǎn)投入。該文構(gòu)建的多維減貧效率模型的測度指標(biāo)見表1。

表1 多維減貧效率的DEA模型具體指標(biāo)

2 研究方法與研究區(qū)域

2.1 研究方法

該文采用數(shù)據(jù)包絡(luò)分析法（Data Envelopment Analysis,DEA）對多維減貧效率進(jìn)行測算。該方法是以被評價(jià)對象相對效率為基礎(chǔ)的一種有效性評價(jià)的非參數(shù)分析方法，由于其適用范圍廣、參數(shù)設(shè)定靈活等特點(diǎn)，以及在分析多投入多產(chǎn)出時(shí)具有的獨(dú)特優(yōu)勢，被學(xué)者廣泛應(yīng)用于農(nóng)業(yè)、環(huán)境、金融、醫(yī)療衛(wèi)生等多個(gè)領(lǐng)域[30]。然而，傳統(tǒng)DEA在測度效率時(shí)存在缺陷[31]，即它所測度出的效率值包含環(huán)境因素和統(tǒng)計(jì)噪音的影響，并非完全由管理無效率所導(dǎo)致。而將DEA 和隨機(jī)前沿分析法（Stochastic Frontier Approach,SFA）相結(jié)合的三階段DEA 模型可有效克服上述缺陷，使決策單元的最終效率值更加真實(shí)可信。因此，該文采用三階段DEA 對多維減貧效率進(jìn)行評估。具體地，首先，采用傳統(tǒng)DEA 模型對多維減貧效率進(jìn)行初始評估；其次，采用SFA 規(guī)避環(huán)境因素和統(tǒng)計(jì)噪音；最后，采用調(diào)整后的DEA模型評估多維減貧效率值。

2.1.1 傳統(tǒng)DEA模型評估初始長江經(jīng)濟(jì)帶多維減貧效率

DEA 模型的創(chuàng)始者最初創(chuàng)立了CCR 模型，在此基礎(chǔ)上，Banker、Charnes 和Cooper 將CCR 模型拓展為規(guī)模報(bào)酬可變的BCC 模型，得出的技術(shù)效率排除了規(guī)模的影響，也被稱為純技術(shù)效率。該文將在第一階段和第三階段采用BCC 模型從技術(shù)效率、純技術(shù)效率和規(guī)模效率這三方面對長江經(jīng)濟(jì)帶多維減貧效率進(jìn)行測度。具體在這一階段采用的投入導(dǎo)向的BCC對偶模型可表示為：

式（1）中，j= 1，2，…，n為決策單元，θ為決策單元效率值，ε是一個(gè)常數(shù)，表示非阿基米德無窮小量，為松弛變量，Xj，Yj分別為第j個(gè)決策單元的投入和產(chǎn)出變量，當(dāng)θ= 1 且= 0 時(shí)，該決策單元為強(qiáng)DEA 有效；當(dāng)θ= 1 且＞0 時(shí)，該決策單元為弱DEA有效；當(dāng)θ＞1時(shí)，該決策單元為非DEA有效，表示投入縮減θ倍時(shí)，產(chǎn)出仍保持不變。

該文在測度面板數(shù)據(jù)的效率值時(shí)，將跨年份的相同決策單元整理為不同決策單元，即將面板數(shù)據(jù)整理為橫截面數(shù)據(jù)，如此便可將各年份數(shù)據(jù)置于同一生產(chǎn)前沿面進(jìn)行計(jì)算，從而得到第一階段的初始效率值和松弛變量值。

2.1.2 運(yùn)用SFA規(guī)避環(huán)境因素和統(tǒng)計(jì)噪音

通過BCC 模型得到的松弛變量可以反映初始效率值由管理無效率（managerial inefficiencies）、環(huán)境因素（environmental effects）和統(tǒng)計(jì)噪音（statistical noise）構(gòu)成，即所測效率值并非完全由管理無效率決定。第二階段的目標(biāo)是通過SFA回歸將松弛變量分解為上述3個(gè)部分，而后將環(huán)境因素和統(tǒng)計(jì)噪音的影響剔除。該文構(gòu)造類似以投入為導(dǎo)向的SFA回歸模型為：

Snm=f n(Zm;βn) +vnm+μnm（2）

式（2）中，n= 1，2，…，I；m= 1，2，…，N；Snm為第m個(gè)決策單元的第n項(xiàng)投入變量的松弛變量，Zm=(Z1m，Z2m，…，Zpm)為預(yù)先設(shè)定的p個(gè)環(huán)境變量，βn是對應(yīng)環(huán)境變量的系數(shù)，f n(Zm;βn)為環(huán)境變量對松弛變量的映射；vnm+μnm為回歸模型的混合誤差項(xiàng)，其中，vnm為隨機(jī)擾動項(xiàng)，μnm則表示管理無效率，是兩個(gè)獨(dú)立且不相關(guān)的值。

基于最有效的決策單元對其他決策單元的投入變量進(jìn)行調(diào)整為：

2.1.3 調(diào)整后的DEA模型評估最終多維減貧效率值

該階段將第二階段調(diào)整后的投入變量與初始產(chǎn)出變量代入第一階段BCC 模型進(jìn)行二次運(yùn)算，得到的最終決策單元減貧效率值是剔除了環(huán)境因素和統(tǒng)計(jì)噪音等因素影響之后的效率值，能夠更為真實(shí)地反映長江經(jīng)濟(jì)帶多維減貧效果。

2.2 研究區(qū)域與數(shù)據(jù)處理

長江經(jīng)濟(jì)帶是我國最大的內(nèi)陸經(jīng)濟(jì)帶，覆蓋上海、湖北、四川、云南、貴州等11 個(gè)省市，是我國經(jīng)濟(jì)穩(wěn)增長的重要支撐。該地區(qū)分布著秦巴山區(qū)、烏蒙山區(qū)、武陵山區(qū)、滇西邊境地區(qū)、滇桂黔石漠化區(qū)、大別山區(qū)、羅霄山區(qū)及四川省山區(qū)8 個(gè)連片特困地區(qū)，涉及長江經(jīng)濟(jì)帶8 省市的351 個(gè)縣區(qū)，占全國連片特困地區(qū)總數(shù)的57.1%[32]。因此，探討長江經(jīng)濟(jì)帶的減貧效率問題不僅有助于為解決該地區(qū)內(nèi)的貧困問題提供思路，對我國其他地區(qū)的貧困問題同樣也有重要的借鑒和參考價(jià)值。該研究選取2003—2017 年長江經(jīng)濟(jì)帶11 省市作為研究樣本，各指標(biāo)數(shù)據(jù)主要來源于《中國統(tǒng)計(jì)年鑒》《中國環(huán)境統(tǒng)計(jì)年鑒》《中國農(nóng)村統(tǒng)計(jì)年鑒》《中國農(nóng)業(yè)統(tǒng)計(jì)資料》以及各省市統(tǒng)計(jì)年鑒等。

在模型設(shè)定方面，DEA模型要求決策單元（Decision Making Unit，DMU）的數(shù)量不少于投入指標(biāo)數(shù)量和產(chǎn)出指標(biāo)數(shù)量的乘積，同時(shí)也不少于投入和產(chǎn)出指標(biāo)數(shù)量總和的3 倍，該文所選取的樣本符合DEA 模型對DMU 數(shù)量的要求[30]。為了避免通貨膨脹對計(jì)算結(jié)果所帶來的影響，該文以2003 年為基期，采用居民消費(fèi)價(jià)格指數(shù)（Consumer Price Index，CPI）對農(nóng)村能源經(jīng)費(fèi)投入、林業(yè)投資、教育財(cái)政支出、公共財(cái)政收入、固定資產(chǎn)投資和地區(qū)生產(chǎn)總值進(jìn)行了消脹處理。為消除所選指標(biāo)單位和數(shù)量級等可能產(chǎn)生的影響，采取Z-score的數(shù)據(jù)無量綱化處理方法對所選指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。此外，考慮到在DEA 模型中還要求投入變量與產(chǎn)出變量必須符合同向相關(guān)性原則，該文采用Pearson 系數(shù)對投入變量和產(chǎn)出變量進(jìn)行相關(guān)性檢驗(yàn)，檢驗(yàn)結(jié)果如表2所示。

表2 投入變量和產(chǎn)出變量的Pearson相關(guān)系數(shù)

由表2 可知，長江經(jīng)濟(jì)帶11 省市在樣本年份的投入變量與產(chǎn)出變量之間均為正相關(guān)關(guān)系，并且除了教育投入和生態(tài)產(chǎn)出外，(1)表2中只有教育財(cái)政投資和造林總面積的相關(guān)系數(shù)不顯著，但二者之間為正相關(guān)關(guān)系，因而不妨礙其成為投入和產(chǎn)出指標(biāo)。即使對模型有影響，影響也非常小，因?yàn)槎咧g的系數(shù)僅為0.023其余的投入產(chǎn)出變量均在18.7%的顯著性水平下通過雙尾檢驗(yàn)，符合模型的基本設(shè)定，可以進(jìn)行進(jìn)一步的分析。

3 長江經(jīng)濟(jì)帶多維減貧效率測算結(jié)果分析

3.1 第一階段：初始DEA模型實(shí)證結(jié)果

該文運(yùn)用deap2.1軟件對2003—2017年長江經(jīng)濟(jì)帶沿線各省域的多維減貧效率進(jìn)行測算，采用規(guī)模效率可變的BCC模型所測度出的初始效率值是包含環(huán)境因素和統(tǒng)計(jì)噪音的結(jié)果，具體如表3所示。在沒有進(jìn)行SFA 調(diào)整的情況下，2003—2017年長江經(jīng)濟(jì)帶省域多維減貧的綜合效率平均值為0.666，純技術(shù)效率平均值為0.876，規(guī)模效率平均值為0.772。純技術(shù)效率比規(guī)模效率更接近前沿面，說明純技術(shù)效率是多維減貧綜合效率的主要驅(qū)動力量。長江經(jīng)濟(jì)帶11 省市的多維減貧效率綜合值差異明顯，上海的效率值最高，高達(dá)0.941，最低的湖南僅為0.547。除了上海、重慶和四川以外，其余省域在第一階段根據(jù)原始投入和產(chǎn)出數(shù)據(jù)得出的綜合多維減貧效率都比較低，在0.6左右浮動。由于第一階段沒有剔除環(huán)境因素和統(tǒng)計(jì)噪音的影響，故測算出的多維貧困效率值可能存在偏誤，為了獲得更加真實(shí)可信的結(jié)果，需要對第一階段的松弛變量進(jìn)行分離并對投入變量進(jìn)行調(diào)整，得到第三階段的結(jié)果從而更進(jìn)一步對比分析。

表3 2003—2017年長江經(jīng)濟(jì)帶省域多維減貧效率第一階段測算

3.2 第二階段：類似SFA模型實(shí)證結(jié)果

該文采用frontier4.1軟件，將4個(gè)投入變量分別與公共財(cái)政收入、固定資產(chǎn)投資、地區(qū)生產(chǎn)總值這3個(gè)環(huán)境變量進(jìn)行SFA 回歸，實(shí)證結(jié)果見表4。回歸結(jié)果表明環(huán)境變量對農(nóng)業(yè)機(jī)械總投入、林業(yè)投資、教育財(cái)政支出、農(nóng)村能源經(jīng)費(fèi)投入的SFA回歸系數(shù)均通過顯著性檢驗(yàn)，且這4個(gè)模型的LR單邊檢驗(yàn)也都在1%的水平下顯著，證明了所選取環(huán)境變量的合理性。Gamma值均為1.00且都通過了1%的顯著性水平檢驗(yàn)，表示這4種投入變量冗余中隨機(jī)誤差項(xiàng)起到了絕對性的影響，即運(yùn)用類似SFA模型對投入冗余的環(huán)境因素和隨機(jī)擾動的影響進(jìn)行分離是必要的。

表4 第二階段投入冗余的SFA回歸

3.2.1 公共財(cái)政收入

公共財(cái)政收入的增加對農(nóng)村能源經(jīng)費(fèi)的使用效率發(fā)揮著正向作用，而對農(nóng)業(yè)機(jī)械總動力、林業(yè)投資、教育財(cái)政支出的投入效率產(chǎn)生了負(fù)向擠占作用。公共財(cái)政收入和農(nóng)村能源經(jīng)費(fèi)的回歸系數(shù)顯著為負(fù)，表明公共財(cái)政收入的增加顯著提高了農(nóng)村能源經(jīng)費(fèi)的投入產(chǎn)出效率，這說明政府或村干部在能源經(jīng)費(fèi)的使用上真正落到實(shí)處，把“每一分錢都花在刀刃上”。與之對應(yīng)的是公共財(cái)政收入和農(nóng)業(yè)機(jī)械總動力冗余、林業(yè)投資冗余、教育財(cái)政支出冗余的回歸系數(shù)顯著為正，說明了隨著公共財(cái)政收入的增加，這些投入變量的冗余也會隨之增加，即降低了這些投入的效率?？赡艿慕忉屖?，精準(zhǔn)扶貧瞄準(zhǔn)度偏誤造成了扶貧資源的浪費(fèi)，以“精英俘獲”為代表的扶貧資源的偏離擠占了部分資源[33]，因而公共財(cái)政收入中真正落實(shí)到用于改善貧困狀況的財(cái)政支出不多，增加公共財(cái)政收入反而降低了農(nóng)業(yè)機(jī)械總動力、林業(yè)投資和教育財(cái)政支出的投入產(chǎn)出效率。

3.2.2 固定資產(chǎn)投資

隨著固定資產(chǎn)投資的增加，農(nóng)業(yè)機(jī)械總動力、林業(yè)投資、教育財(cái)政支出和農(nóng)村能源經(jīng)費(fèi)投入這四個(gè)方面均有浪費(fèi)的情況出現(xiàn)，降低了多維減貧的投入產(chǎn)出效率。可能的原因是，固定資產(chǎn)投資的增加主要反映在城市社會生產(chǎn)上，資源的增加量主要用于工業(yè)產(chǎn)業(yè)或服務(wù)業(yè)，并沒有真正落實(shí)到扶貧中去。同時(shí)固定資產(chǎn)投資促進(jìn)了社會就業(yè)由第一產(chǎn)業(yè)、第二產(chǎn)業(yè)向第三產(chǎn)業(yè)的轉(zhuǎn)移，且降低了第一產(chǎn)業(yè)在國民經(jīng)濟(jì)價(jià)值創(chuàng)造中的地位[34]。顯然，農(nóng)業(yè)機(jī)械總動力、農(nóng)村能源經(jīng)費(fèi)、林業(yè)投資都屬于農(nóng)林牧漁范疇，因而這些第一產(chǎn)業(yè)的投入產(chǎn)出效率在引入固定資產(chǎn)投資這項(xiàng)環(huán)境變量后顯著降低。在教育財(cái)政扶貧方面，固定資產(chǎn)投資的增加一方面促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，提高了總體就業(yè)率；但另一方面會讓更多的資源在城鎮(zhèn)集聚，進(jìn)一步擴(kuò)大城鄉(xiāng)差距，鄉(xiāng)村的精英人才為了獲得更好的生活會傾向于向城市發(fā)展，更進(jìn)一步拉開了城鄉(xiāng)差距，使城鎮(zhèn)資源向農(nóng)村流動變得困難，也就降低了包括教育減貧、生態(tài)減貧等多維度減貧的投入產(chǎn)出效率。

3.2.3 地區(qū)生產(chǎn)總值

地區(qū)生產(chǎn)總值和農(nóng)業(yè)機(jī)械總動力、林業(yè)投資、教育財(cái)政支出、農(nóng)村能源經(jīng)費(fèi)投入這4個(gè)投入的松弛變量的回歸系數(shù)均顯著為負(fù)，說明了地區(qū)生產(chǎn)總值的增加顯著抑制了這4個(gè)投入所產(chǎn)生的冗余，提高了模型效率。這與錢力等[28]的觀點(diǎn)是相符合的。地區(qū)生產(chǎn)總值一般而言與人均可支配收入直接掛鉤，地區(qū)生產(chǎn)總值越高，人均可支配收入也就越高，增收是減貧的一個(gè)重要層面，只有各方面的投入產(chǎn)出效率都增加時(shí)，才能保證收入的持續(xù)穩(wěn)定增長。

3.3 第三階段：調(diào)整后的DEA模型實(shí)證結(jié)果

由于環(huán)境變量對各個(gè)省域所造成的影響不一，所以需要將剔除環(huán)境因素和統(tǒng)計(jì)噪音影響的投入與產(chǎn)出再次放入DEA 模型中，使用deap2.1軟件進(jìn)行二次運(yùn)算，得出最終效率值。調(diào)整投入后測算出的長江經(jīng)濟(jì)帶11 省市的多維減貧效率值如表5 所示。對比調(diào)整前后兩次測算出的效率值，可以發(fā)現(xiàn)調(diào)整后2003—2017 年長江經(jīng)濟(jì)帶省域多維減貧效率的綜合效率平均值由0.666 提升到0.889，說明采用傳統(tǒng)BCC 模型計(jì)算出的多維減貧效率值至少低估了真實(shí)減貧效率值的33.48%，此外多維減貧純技術(shù)效率由0.876 提升至0.962，規(guī)模效率由0.772 提升至0.921，二者都得到了一定幅度的提升與修正。相較于第一階段的結(jié)果，第三階段的結(jié)果中純技術(shù)效率值和規(guī)模效率值更為接近，同時(shí)純技術(shù)效率值仍然比規(guī)模效率值大，更接近于生產(chǎn)前沿面，但多維減貧綜合效率的提高主要是由于規(guī)模效率的大幅提升?？傮w來說，2003―2017年長江經(jīng)濟(jì)帶省域多維減貧效果較好。

表5 2003—2017年長江經(jīng)濟(jì)帶省域多維減貧效率第三階段測算

該文具體分析了剝離環(huán)境因素和統(tǒng)計(jì)噪音的影響以后各省市多維減貧效率值發(fā)生的變化。首先，綜合效率值方面，研究區(qū)域內(nèi)所有省市綜合多維減貧效率值均有不同幅度的提升，其中調(diào)整前后綜合效率值改進(jìn)最為明顯的是江蘇省。江蘇綜合效率值經(jīng)過調(diào)整后從0.602上升至0.944，前后相比綜合效率值增加了56.81%，說明環(huán)境因素和統(tǒng)計(jì)噪音的影響使初始模型夸大了投入冗余，而調(diào)整后的綜合效率結(jié)果是比較符合江蘇實(shí)際情況的，側(cè)面反映了采用三階段DEA 測算多維減貧效率的必要性和結(jié)果的相對準(zhǔn)確性。上海的綜合效率值僅增加了0.018，其變動幅度最小。其次，純技術(shù)效率值方面，11省市中除江蘇省向下波動了0.009外，其余省域在調(diào)整后純技術(shù)效率值均提升了很多。引入環(huán)境變量對投入冗余進(jìn)行SFA 回歸調(diào)整后，減少了純技術(shù)投入冗余，從而提高了純技術(shù)效率值。最后，規(guī)模效率值方面，較純技術(shù)效率值的變動而言，規(guī)模效率值的改進(jìn)相對更大，其中調(diào)整最為明顯的是長江中游地區(qū)（即安徽、江西、湖北、湖南）。

綜合對比調(diào)整前后長江經(jīng)濟(jì)帶省域多維減貧效率數(shù)值，調(diào)整后所得第三階段測算結(jié)果的區(qū)域特征更為明顯，但各地區(qū)多維減貧效率值差距仍較大，且與地區(qū)經(jīng)濟(jì)發(fā)展水平不完全對應(yīng)。總體而言，第三階段測算的多維減貧綜合效率從高到低的排序與長江經(jīng)濟(jì)帶從下游到上游的省域地區(qū)分布大體相符，但又不完全一致，其中浙江、重慶和貴州最不匹配。貴州省和浙江省多維減貧效率明顯偏低，綜合效率值僅為0.752和0.707，提升空間較大，精準(zhǔn)扶貧工作需要進(jìn)一步優(yōu)化完善。

為了進(jìn)一步說明三階段DEA 模型所測算出的多維減貧效率的真實(shí)性，該文將第一階段和第三階段測算得到的效率值與糧食作物產(chǎn)量指標(biāo)進(jìn)行Spearman相關(guān)性檢驗(yàn)，檢驗(yàn)結(jié)果如表6所示。分析結(jié)果表明，第一階段的多維減貧綜合效率、純技術(shù)效率、規(guī)模效率與糧食作物產(chǎn)量的Spearman相關(guān)關(guān)系分別為負(fù)相關(guān)、正相關(guān)和負(fù)相關(guān)。在對4個(gè)投入變量進(jìn)行調(diào)整后，第三階段得出的效率值與糧食作物產(chǎn)量的Spearman相關(guān)系數(shù)均顯著為正，和第一階段相比更能反映減貧效率的真實(shí)水平。因此采用三階段DEA 模型測算長江經(jīng)濟(jì)帶多維減貧效率要明顯優(yōu)于傳統(tǒng)DEA模型，測算所得結(jié)果也更為精確合理。

表6 多維減貧效率與糧食作物產(chǎn)量的Spearman相關(guān)系數(shù)

4 多維減貧效率的時(shí)空演化分析——基于第三階段DEA結(jié)果

4.1 多維減貧效率時(shí)間差異分析

根據(jù)DEA 效率的原理，綜合效率與純技術(shù)效率、規(guī)模效率之間是相互影響相互制約的關(guān)系。因此，該文對長江經(jīng)濟(jì)帶多維減貧綜合效率、純技術(shù)效率和規(guī)模效率隨年份變動的演化趨勢進(jìn)行了分析（見圖1）。分析結(jié)果表明，隨著時(shí)間的推移，綜合效率和規(guī)模效率整體上呈現(xiàn)波動上升趨勢，純技術(shù)效率大體為“U”型折線，整體呈波動下降趨勢，3 種效率波動幅度均較大，這說明了綜合效率的增長源泉為規(guī)模效率。多維減貧純技術(shù)效率折線一直處于綜合效率和規(guī)模效率的上方，意味著純技術(shù)效率值相較于規(guī)模效率值而言更接近前沿面，即使分年份研究結(jié)果依舊證實(shí)了純技術(shù)效率對綜合效率做出了主要貢獻(xiàn)。整體而言，綜合效率、純技術(shù)效率和規(guī)模效率折線形狀相似，變動趨勢相近，符合DEA效率的原理。

圖1 2003—2017年長江經(jīng)濟(jì)帶多維減貧綜合效率、純技術(shù)效率、規(guī)模效率變動

根據(jù)圖1 可以大致將減貧效率的變動分為3 個(gè)階段：持續(xù)下降期（2003—2007 年）、穩(wěn)定攀升期（2007—2010年）、波動起伏期（2010—2017年）。2003—2007年綜合效率、純技術(shù)效率和規(guī)模效率均隨著時(shí)間的推移呈現(xiàn)持續(xù)下降趨勢，可能的原因是隨著社會收入分配不平等問題的加劇，經(jīng)濟(jì)增長的減貧效應(yīng)不斷下降[21]。2007—2010 年多維減貧綜合效率呈現(xiàn)持續(xù)上升趨勢，而純技術(shù)效率和規(guī)模效率呈波動上升趨勢。這一時(shí)期依舊存在經(jīng)濟(jì)增長對減貧效應(yīng)的影響降低的問題[35]，因而需要調(diào)整經(jīng)濟(jì)發(fā)展方式以實(shí)現(xiàn)更有利于貧困戶的經(jīng)濟(jì)發(fā)展，同時(shí)要提高扶貧項(xiàng)目的瞄準(zhǔn)度，使更多真正的貧困人口受益[36]。2010—2017 年3 種效率在不同年份表現(xiàn)出較大幅度的波動，說明自2010年之后多維減貧效率具有不穩(wěn)定性，近年來減貧效果不同年份差異較大。總結(jié)2003—2007 年致使減貧效率不斷下降的原因，同時(shí)借鑒2007—2010年扶貧工作的成功經(jīng)驗(yàn)，調(diào)整我國經(jīng)濟(jì)發(fā)展方式以提高經(jīng)濟(jì)增長的邊際減貧效應(yīng)，提高扶貧項(xiàng)目瞄準(zhǔn)度以緩解乃至避免不平等問題，有助于保持長江經(jīng)濟(jì)帶多維減貧綜合效率持續(xù)穩(wěn)定增長。

4.2 多維減貧效率空間差異分析

該文根據(jù)地理區(qū)位劃分，分別從上中下游地區(qū)進(jìn)行分析，上中下游地區(qū)綜合減貧效率隨年份的變化趨勢如圖2 所示?？梢钥闯霾煌貐^(qū)綜合減貧效率變動趨勢存在明顯的差異，總體均呈現(xiàn)波動上升趨勢，起伏程度比較大?？紤]到目前絕大多數(shù)貧困人口集中在生態(tài)環(huán)境惡劣、基礎(chǔ)設(shè)施建設(shè)落后的連片特困區(qū)[37]，而長江經(jīng)濟(jì)帶連片特困區(qū)主要集中在長江中上游地區(qū)，共339 個(gè)（其中上游222 個(gè)，中游117 個(gè)），占總數(shù)的96%[32]，因而該文將著重分析長江中上游的減貧效率的空間分布。

具體而言，上游地區(qū)的多維減貧效率波動幅度最大，圖2中可以捕捉到3個(gè)關(guān)鍵性的轉(zhuǎn)折點(diǎn)，分別是2010 年、2013 年和2015 年。中游地區(qū)的多維減貧綜合效率長期保持最高水平，且波動幅度較小，圖形的兩個(gè)轉(zhuǎn)折點(diǎn)分別在2010年和2014年。中上游地區(qū)的經(jīng)濟(jì)水平相對較低，是脫貧攻堅(jiān)戰(zhàn)的主戰(zhàn)場之一，其減貧效率值的變化與政策制定以及政府關(guān)注度密切相關(guān)。2010 年是“十一五”規(guī)劃期收尾的一年，可能需要完成既定的工作目標(biāo)，因而可以看到圖2 中2010 年長江中上游地區(qū)多維減貧綜合效率值明顯高于臨近年份的值。而2013—2015 年是“精準(zhǔn)扶貧”的關(guān)鍵期。2013 年習(xí)近平總書記首次在湖南省（中游）提出“精準(zhǔn)扶貧”的要求。2015 年的1 月和5 月，習(xí)近平總書記分別赴云南（上游）和貴州（上游）調(diào)研，強(qiáng)調(diào)堅(jiān)決打好扶貧開發(fā)攻堅(jiān)戰(zhàn)。2015 年11 月，習(xí)近平總書記在中央扶貧開發(fā)工作會議上作出“精準(zhǔn)扶貧、精準(zhǔn)脫貧”的全面部署，發(fā)布了《中共中央國務(wù)院關(guān)于打贏脫貧攻堅(jiān)戰(zhàn)的決定》，2013—2015 年長江中上游地區(qū)多維減貧效果受政策影響較大，效率折線呈現(xiàn)出較大幅度的波動。

圖2 2003—2017年長江經(jīng)濟(jì)帶多維減貧綜合效率

4.3 多維減貧效率類型分析

為了更清晰地看出11 省市多維減貧效率的具體分布，該文進(jìn)一步從純技術(shù)效率和規(guī)模效率角度探討了多維減貧效率的類型。具體地，借鑒鄢慧麗等[38]的做法，將第三階段測算的純技術(shù)效率值和規(guī)模效率值，以純技術(shù)效率均值0.962和規(guī)模效率均值0.921為界限，將長江經(jīng)濟(jì)帶11省市劃分為4種類型，具體如圖3所示。

圖3 長江經(jīng)濟(jì)帶11省市多維減貧純技術(shù)效率和規(guī)模效率分布

第一類為“高純技術(shù)效率—高規(guī)模效率型”（純技術(shù)效率≥0.962，規(guī)模效率≥0.921），包括上海、江蘇、安徽、湖北、四川、重慶這6 個(gè)省市，“高純技術(shù)效率—高規(guī)模效率型”地區(qū)的純技術(shù)效率和規(guī)模效率都相對較高，說明這些地區(qū)多維減貧效果較好，同時(shí)其多維減貧效率提升的空間較小，但為了確保這些地區(qū)精準(zhǔn)扶貧工作的順利推進(jìn)，在不松懈的基礎(chǔ)上應(yīng)該更關(guān)注將政策和福利落實(shí)到具體貧困戶。第二類為“高純技術(shù)效率—低規(guī)模效率型”（純技術(shù)效率＞0.962，規(guī)模效率＞0.921），包括云南省，為了提高多維減貧效率，應(yīng)著重關(guān)注集中連片特困地區(qū)，通過資源的高效集中配置實(shí)現(xiàn)減貧規(guī)模效率的提高。第三類為“低純技術(shù)效率—高規(guī)模效率型”（純技術(shù)效率＞0.962，規(guī)模效率＞0.921），包括江西省和湖南省，這兩個(gè)省份在扶貧減貧工作開展過程中要注意提高純技術(shù)效率，吸取其他省份精準(zhǔn)扶貧的經(jīng)驗(yàn)，實(shí)現(xiàn)社會保障兜底，從資產(chǎn)收益、電商、異地搬遷、教育、健康、金融、生態(tài)等多層面發(fā)力[39]，積極開展扶貧工作。第四類為“低純技術(shù)效率-低規(guī)模效率型”（純技術(shù)效率＞0.962，規(guī)模效率＞0.921），包括貴州省和浙江省，這兩個(gè)地區(qū)的減貧效果較差，多維減貧效率有很大的提升空間，需要重點(diǎn)關(guān)注。其中浙江省的規(guī)模效率顯著低于平均水平?？赡艿脑蚴牵环矫?000 年以后沿海省份農(nóng)村貧困發(fā)生率很低，減貧的難度增大，減貧的規(guī)模效率也隨之降低[40]，另一方面從模型本身而言，浙江省從經(jīng)濟(jì)維度選取的產(chǎn)出變量經(jīng)濟(jì)作物產(chǎn)量從2009 年開始基本呈現(xiàn)逐年下降的趨勢，因此測算出浙江省多維減貧效率較低。而貴州省貧困地區(qū)地貌以深山區(qū)、石山區(qū)為主，存在水土流失、石漠化等問題，因而交通不便，生態(tài)環(huán)境十分脆弱[41]。貴州省每年需要投入大量生態(tài)治理資金[42]，然而其產(chǎn)出效果可能并不完全體現(xiàn)在該文選用的減貧效果指標(biāo)上，因而測度出的純技術(shù)效率和規(guī)模效率都有較大的提升空間。這一類型的省份一方面要加大資金投入并提升資源的配置效率，另一方面要注重提高投入資金的管理水平和使用效率，確保能夠落實(shí)到基層。

5 結(jié)論與政策建議

5.1 結(jié)論

該文基于多維減貧理論，采用三階段DEA 模型對長江經(jīng)濟(jì)帶11省市的多維減貧效率進(jìn)行了測算，在剔除了環(huán)境因素和統(tǒng)計(jì)噪音的影響之后能夠更為真實(shí)準(zhǔn)確地反映長江經(jīng)濟(jì)帶的減貧效果，運(yùn)用隨機(jī)前沿模型分析了環(huán)境變量對投入產(chǎn)出效率的影響，并從時(shí)間和空間兩個(gè)維度對比各省市多維減貧效率的演化規(guī)律。主要研究發(fā)現(xiàn)如下。

（1）較之傳統(tǒng)的DEA 分析，三階段DEA 模型能有效剔除環(huán)境因素和統(tǒng)計(jì)噪音的影響，客觀真實(shí)地測度出減貧效率。通過第二階段SFA 回歸調(diào)整后，2003—2017年長江經(jīng)濟(jì)帶多維減貧綜合效率均值由0.666上升至0.889，純技術(shù)效率均值由0.876 上升至0.962，規(guī)模效率均值由0.772 上升至0.921。調(diào)整后，第三階段多維減貧效率更為真實(shí)且效率更高，反映了真實(shí)的長江經(jīng)濟(jì)帶整體減貧效果較好。但各省份減貧效率差距較大，且多維減貧效率與地區(qū)經(jīng)濟(jì)發(fā)展不完全對應(yīng)。通過第一階段和第三階段測算結(jié)果與糧食作物產(chǎn)量進(jìn)行的Spearman相關(guān)性檢驗(yàn)發(fā)現(xiàn)，調(diào)整后的結(jié)果更具真實(shí)性和合理性。

（2）財(cái)政公共投入、地區(qū)生產(chǎn)總值、固定資產(chǎn)投資這3個(gè)環(huán)境變量均對多維減貧效率影響顯著。其中財(cái)政公共投入和固定資產(chǎn)投資的增加不利于多維減貧效率的提高，而地區(qū)生產(chǎn)總值的增長會有效改善人均可支配收入，從而提升長江經(jīng)濟(jì)帶多維減貧效率。

（3）2003—2017 年長江經(jīng)濟(jì)帶中游地區(qū)的多維減貧綜合效率基本保持最高水平，且波動幅度較小，而上游地區(qū)的多維減貧效率波動幅度最大。

（4）長江經(jīng)濟(jì)帶多維減貧效率分布具體可分為4種類型，其中“低純技術(shù)效率—低規(guī)模效率型”的貴州省和浙江省為扶貧工作重心，其減貧效率有很大的提升空間。

5.2 政策建議

（1）保證地區(qū)生產(chǎn)總值持續(xù)穩(wěn)步增長，在固定資產(chǎn)投資持續(xù)增加的同時(shí)要注重保護(hù)第一產(chǎn)業(yè)的發(fā)展。該文研究證實(shí)了環(huán)境變量和隨機(jī)擾動項(xiàng)對多維減貧效率存在顯著性的影響，隨機(jī)擾動是不可控的，所以要關(guān)注環(huán)境變量對減貧效率的影響。在測算過程中發(fā)現(xiàn)地區(qū)生產(chǎn)總值的增長有利于多維減貧效率的提升，而固定資產(chǎn)投資的影響相反。這并非意味著要減少固定資產(chǎn)投資，而是需要在保障產(chǎn)業(yè)結(jié)構(gòu)合理均衡發(fā)展的同時(shí)，更加注重對貧困農(nóng)戶的幫扶以弱化固定資產(chǎn)投資對多維減貧效率的負(fù)向影響。

（2）根據(jù)地區(qū)的多維減貧效率類型因地制宜地調(diào)整各省市的扶貧開發(fā)工作，提高精準(zhǔn)扶貧的瞄準(zhǔn)度。由于各省市的多維減貧效率值差異顯著且特征不一，需要結(jié)合自身特點(diǎn)有針對性地進(jìn)行調(diào)整。如以云南為代表的“高純技術(shù)效率—低規(guī)模效率型”，應(yīng)把扶貧工作的重心放在集中連片特困地區(qū)以實(shí)現(xiàn)資源的高效集中配置。以江西和湖南為代表的“低純技術(shù)效率—高規(guī)模效率型”，應(yīng)松弛有度地把握各維度的資金使用，資金在層層下放的過程中要加強(qiáng)監(jiān)管、跟蹤資金的流向，確保資金的最終指向是貧困戶，避免因疏于管理等原因而出現(xiàn)浪費(fèi)或?qū)ぷ獾那闆r。