脱贫攻坚背景下我国农村人力资本投资效率研究——基于三阶段DEA模型

王淑贺

(河南财经政法大学 工程管理与房地产学院，河南 郑州 450046)

2015年11月，中共中央国务院颁布了《中共中央国务院关于打赢脱贫攻坚战的决定》，2018年中国脱贫攻坚重点工作扎实推进，2020年全国两会召开，在新冠肺炎疫情防控常态化背景下，再次重点强调了脱贫攻坚工作的推进，确保我国农村贫困人口全部实现脱贫、贫困县全部脱贫摘帽，实现贫困人口与全国人民一道同步迈入全面小康社会的宏伟目标。

推动脱贫攻坚关键在于农村人力资本要素。物质资本的投入是“脱贫攻坚”战略实施的基础,但是物质资本价值的发挥离不开“人”的作用,人力资本是“脱贫攻坚”战略实施的内在动力。从目前来看，全国各地的农村人力资本的投资水平有所上升,但大部分农村地区仍然存在劳动力质量不高、区域投资不平衡等情况,要顺利打赢“脱贫攻坚”战,需深入了解农村人力资本投资机制并进行科学合理的农村人力资本投资决策、激发农村内生经济增长。目前，国内研究者对农村人力资本的研究焦点主要集中于农村人力资本与经济增长、农民收入、农村人力资本投资效率的影响因素以及不同视角下农村人力资本的投资等。在农村人力资本与经济增长之间的关系上，李勋来等通过我国农村人力资本与经济增长关系的研究,认为物质资本投入对经济增长的贡献较大,而劳动力投入与人力资本贡献率相对较小[1]；李雪平通过对农村人力资本与经济发展问题的研究得出农村人力资本存量与经济发展呈现显著促进作用的结论[2]。在农村人力资本于农民收入的关系上，姚旭兵等利用PVAR模型分析了农村人力资本与农民收入增长的关系，研究发现农村人力资本对农民收入的影响存在显著的区域异质性[3]；李静基于耦合模型对农村人力资本与农民收入之间的协调关系进行了探索,得出存在耦合协调且协调度不断提升的结论[4]。在农村人力资本投资效率的影响因素上，高强等基于随机前沿函数研究了我国农村人力资本投资效率影响因素，结果表明教育资本、健康资本投入、农村居民收入水平、制度变迁、信息化水平等有助于农村人力资本投资效率提升,技能培训与人口迁移因素制约了农村人力资本投资效率提升[5]。不同视角下农村人力资本的投资，李越恒等在新型城镇化视角下对我国农村人力资本投资效率进行了研究，为提高我国新型城镇化进程中农村人力资本投资效率提供了建议[6]；杨英等在农业供给侧改革背景下分析了我国农村人力资本发展现状，提出了加强农村人力资本投资的路径[7]；刘超等在乡村振兴背景下探索了我国农业人力资本投资效率，并提出了农业人力资本投资效率低的原因[8]。陈红等用传统的DEA模型分析了黑龙江农户的人力资本投资效率[9]；孙辉等以我国14个农业省份为例，采用传统DEA模型研究了农村人力资本投资效率并提出了相关建议，并认为传统DEA模型不能剔除环境因素与随机误差的影响，不能客观反映真实效率值[10]。针对传统DEA模型的缺陷，Fried等在其论文中提出了三阶段DEA模型，通过考虑环境因素和随机噪声对效率的影响使最终计算出来的效率值可以更加真实地反映决策单元的内部管理水平[11]。

2020年全国两会指出，要全力打好脱贫攻坚战，但是农村人才问题仍然存在。笔者通过梳理文献发现，现有研究在农村人力资本投资效率方面涉及相对较少，且现有研究多使用传统数据包络分析方法不能客观反映真实效率值。基于此，采用三阶段DEA模型，对我国31个省(市、自治区)2018年农村人力资本投资效率进行分析,以期为农村人力资本建设提供参考。

一、模型与方法

(一)第一阶段：传统的BBC模型

该阶段采用传统的投入导向的BCC模型来计算原始投入和产出的效率值。BCC模型如下:

minθ-ε(e^TS-+eTS+)

(二)第二阶段：利用SFA回归调整第一阶段投入

通过第一阶段的计算，可以得出每个决策单元的效率值和投入的松弛变量。投入的松弛变量是原始投入与投入目标值之间的差值，用[x-Xλ]表示。松弛变量受环境因素、随机干扰和管理无效率的影响，使第一阶段计算出的效率值可能存在误差，因而不能客观真实地反映各决策单元的情况。因此，在第二阶段中应把每个投入松弛变量与影响效率值估计的环境变量进行SFA回归分析，对管理无效率、环境无效率、随机误差因素进行分离，最后根据所计算出的结果，调整投入值。随机前沿模型对第一阶段投入松弛变量进行分解时，各投入的松弛变量作为被解释变量，环境因素变量作为解释变量，对每一个投入松弛变量建立一个回归方程，其回归方程如下：

Sni=f(Zi;βn)+vni+μni;i=1,2,…I;n=1,2,…,N

SFA回归的目的是剔除环境因素和随机因素对效率测度的影响，以便将所有决策单元调整于相同的外部环境中。调整公式如下：

i=1,2,…I;n=1,2,…,N

(三)第三阶段：调整后的投入产出变量的DEA效率分析

用第二阶段剔除了环境和随机因素的同质投入量Xni代入传统的DEA模型，再次计算各决策单元的相对效率。此时，所求出的效率值仅剩下管理因素的影响，更能反应出决策单元的管理无效率状况。

二、变量选择及数据说明

(一)投入与产出变量

目前，国内与国外对人力资本的评价指标尚未形成一致意见。根据舒尔茨等人对人力资本的概括，再考虑到我国的具体情况及数据的可获得性，投入、产出指标和影响因素指标的选取见表1。

表1 人力资本投资效率投入产出及影响因素的变量选择情况

(二)数据说明

鉴于数据的可获得性与完整性，笔者选取国内31个省的农村人力资本投资情况为样本，数据主要来源于《中国统计年鉴》和《中国农村统计年鉴》。

三、实证分析

(一)第一阶段：传统DEA模型的实证结果

第一阶段运用以投入为导向的BCC模型，分别得到各省份2018年人力资本的技术效率(TE)、纯技术效率(PTE)和规模效率(SE)。计算结果见表2。另外还会得到投入变量的理想值与原始值的差值即投入变量的松弛变量，此数据会运用到第二阶段的计算中。

由表2可知，在不考虑环境变量和随机因素影响的情况下，2018年我国各省份农村人力资本投资TE的均值为0.757，PTE的均值为0.908，SE的均值为0.834。在维持现有产出水平不变的条件下，投入减少24.3%可以达到有效生产的前沿面，从技术效率来看，必须减少9.2%的投入才能达到PTE有效，减少16.6%的投入达到规模有效。具体来看，处于有效生产前沿面的分别为上海、江西、海南、西藏4个省份，纯技术有效的省份有6个，规模有效的省份有4个，其余省份则在纯技术效率和规模效率方面存在不同程度的可改进空间。各地区的技术效率值差异较大，最低效率为青海(0.543)，表明有45.7%多的投入为无效投入。全国有3个省份处于规模报酬递减阶段，5个省份处于规模报酬不变的阶段，23个省份处于规模报酬递增阶段。总体来看，在未剔除环境因素与随机因素影响的情况下，初始DEA效率表明我国人力资本投资的效率水平还较低。从第一阶段得到的结果来看，规模无效是制约效率不高的主要因素。

表2 我国31个省(市、自治区)人力资本投资初始效率

(二)第二阶段：SFA模型结果分析

为了真实地反映我国31个省农村人力资本投资的效率问题，采用SFA模型方法来分离环境变量和随机因素造成的影响。将第一阶段每个决策变量的各个投入的松弛变量作为被解释变量，解释变量为前文所选取的环境变量:城市化率、农村医疗卫生水平，利用软件Frontier4.1进行SFA回归分析，回归结果见表3。Fried等人将投入的松弛变量看作是每个决策单元的的机会成本，如果解释变量与投入的松弛变量呈现正相关关系，则表明解释变量会促进每个决策单元机会成本的增加，从而不利于每个决策单元生产效率的提高，相反，如果解释变量与投入松弛变量呈现负相关关系，则表明解释变量可以降低每个决策单元的机会成本，从而有利于每个决策单元生产效率的提高。

表3 投入的松弛变量与环境变量的SFA模型回归

由表3可知，农村医疗卫生水平对前两项投入有着显著的正向作用，并且通过了显著性水平的检验，说明农村医疗卫生水平越高的地区，投入冗余产生的越多，因此合理调整农村医疗资源配置对提高农村人力资本的投资效率有着重要的作用。城镇化水平对三项投入的松弛变量也有着显著的正向作用，并且通过了显著性水平的检验，说明城镇化率越高的地区，投入冗余越多，也即是存在较为明显的资源浪费情况，应更加注重城镇化率较高地区的各项投入的配置效率，减少浪费；城乡差距对前两项投入存在显著的正向作用，对第三项投入存在显著的负向作用，并且通过了显著性水平的检验，说明城乡差距对三项投入产生的投入冗余存在不同。因此，合理的分配城镇和乡村的资源，寻求最佳配置均衡对改善农村人力资本投资效率有着重要作用。农民文化程度对前两项投入变量存在显著的正向作用，对第三项投入存在显著的负向作用，并且通过了显著性水平的检验，说明农民文化程度对投入变量的影响存在差异。因此，合理调整对农民的教育程度，寻求最优的教育程度结构对农村人力资本的投资效率是很有必要的。通过对结果的分析，需要将外部环境变量和随机因素剔除，最后使所有省份面临相同的外部环境水平，这样才能在第三阶段的研究中得到真实准确的结果。

(三)第三阶段：调整后的DEA模型效率分析

对我国31个省2018年的农村人力资本的投入变量进行调整后，将原始产出与调整后的投入的数据导入到DEAP2.1软件，运行后则可以得到剔除了环境因素和随机误差的技术效率。结果见表4。

表4 我国31个省农村人力资本投资调整后效率

由表4可知，在剔除环境变量和随机因素影响的情况下，与第一阶段结果相比，效率值发生了变化。2018年我国各省农村人力资本投资技术效率均值由第一阶段的0.771上升为0.796,纯技术效率均值由第一阶段的0.834上升到0.92，规模效率均值由第一阶段的0.925下降到0.865。对投入进行调整后，在维持现有产出水平不变的条件下，投入减少20.4%可以达到有效生产前沿面，减少8%的投入达到纯技术效率有效，减少13.5%的投入达到规模有效。具体来看，处于有效生产前沿面的为上海、海南2个省份，纯技术有效的省份有9个，规模有效的省份有2个。各地区的技术效率值差异仍然较大，最低效率得分为青海(0.576)，表明有42.4%的投入为无效投入。全国有29个省份处于规模报酬递增阶段，2个省份处于规模报酬不变的阶段，0个省份处于规模报酬递减阶段。

从总体来看，DEA效率表明，我国农村人力资本投资的效率水平还比较低，其中规模无效是制约效率不高的主要因素。经过第三阶段对投入的调整，相比较于第一阶段的测量值，我国31个省中有20个省的技术效率有所提高，有9个省得技术效率有所下降，有2个省得技术效率保持不变。这说明运用传统的DEA模型进行估计，可能导致这些地区的效率值被高估，无法显示出真实的情况，因此在测算效率时，有必要考虑环境因素和随机干扰的影响，以便能够真实地反映地区的技术效率并根据真实的效率值来提出可行的建议和改进的方法。

(四)农村人力资本投资效率均值的区域分布

由表5可知，我国农村人力资本投资的技术效率均值整体水平偏低，呈现东部地区、中部地区、东北地区、西部地区依次减少的分布格局，可能是由于区域经济发展状况存在差距，各地政府对教育投资、健康投资、迁移投资的投入程度不同使得农村人力资本投资效率较低，另外区域间资源禀赋差距较大，环境影响因素较多导致农村人力资本投资利用率较低，存在资源浪费；东北地区的纯技术效率最低，东部地区的纯技术效率最高，两个区域之间的纯技术效率均值相差13.1%；较高的规模效率主要集中在东部、中部和东北地区，西部地区的规模效率偏低。

表5 分区域划分的农村人力资本投资效率均值

四、结论与政策建议

本文运用三阶段DEA模型对我国31个省的农村人力资本的投资效率进行实证分析，得出了以下主要结论:

第一，运用传统DEA模型测算效率值会造成误估。通过运用SFA模型进行剔除随机误差和环境因素的操作后，从平均水平来看，技术效率和纯技术效率被低估，规模效率值被高估。第二，环境因素对投入冗余存在影响。在第二阶段将环境因素对各项投入冗余值进行了回归分析，农村医疗卫生水平对前二项投入有着显著的正向作用，城镇化水平对三项投入的松弛变量有着显著的正向作用，城乡差距对前两项投入存在显著的正向作用，对第三项投入存在显著的负向作用，农民文化程度对前两项投入变量存在显著的正向作用，对第三项投入存在显著的负向作用。第三，我国大部分省份处于规模报酬递增阶段。我国31个省中有29个省份处于规模报酬递增阶段，2个省份处于规模报酬不变的阶段。第四，农村人力资本投资效率均值区域差异显著。技术效率呈东部地区、中部地区、东北地区、西部地区依次减少的趋势；除了东北地区，其余地区的纯技术效率整体处于较高水平；较高的规模效率主要集中在中东地区和东北地区，西部地区的规模效率偏低。

基于实证分析的结果以及文章研究背景，提出以下几点建议：

一是落实由“输血式扶贫”到“造血式扶贫”，加大对农村的教育扶贫力度，培育贫困农民，推动新型职业农民政策，掌握农业技术；此外需要建立健全就学资助服务体系、完善学校基础设施，保障贫困家庭子女拥有接受教育的权利和高质量的教育环境，从根本上助力农村脱贫。二是在国家倡导精准脱贫的背景下,农村人力资本的投资不仅要注重教育,而且要保障农民的健康，因此需要扩大对农村医疗卫生资源的投入力度、完善医疗服务条件、提升医务人员文化水平、加强健康知识普及教育，提高贫困农村地区的健康资本。三是要突破“城乡二元结构”的局限，建立城乡统一的就业政策,避免大量农业人口外移,出现农村地区“空心化”的现象。四是切实践行2020中央一号文件，继续增加对贫困地区的财政投入，推动西部、东北地区的振兴，缩小农村人力资本投资效率的差距，确保脱贫攻坚任务高质量完成。