“一带一路”沿线省份中职教育资源配置效率评价

郭永芳，张泽，邹琪

(安徽财经大学 财政与公共管理学院，安徽 蚌埠 233030)

提高我国“一带一路”沿线省份中职教育资源配置效率，增强该地区人力资本输出的能力，有助于“一带一路”沿线省份高质量发展。21世纪是知识经济的时代，人力资本已成为经济增长的重要源泉;21世纪又是全球化的时代，随着经济快速发展，人类所面临的种种挑战需要区域之间进行合作，人类命运共同体已悄然形成。在这样一个国际背景下，中国提出了“一带一路”倡议，并且重点规划了国内“一带一路”沿线地区18个省(直辖市、自治区)的发展蓝图。这些地区为了在应对全球化挑战中保持强劲的发展势头，正在积极推动从依靠投资和出口推动经济发展的增长方式向以知识和技术为基础的增长方式转变。若要顺利实现这种转变，离不开中职教育的发展。因为“一带一路”倡议的规划为当地经济发展提供了大量的技术岗位，而中职教育能够为这些岗位输送中级技术型人才，在客观上能够将“一带一路”沿线省份丰富的人力资源转变为强大的人力资本，从而为“一带一路”沿线地区的经济发展服务。

目前已有学者运用DEA分析方法对我国职业教育的资源配置效率进行了研究，主要是基于传统DEA模型的省际差异性分析。李运萍在对我国中职教育资源配置效率进行省际比较时使用了“图书收藏量”“计算机数”和“专任教师数”作为投入指标[1]。李玲通过DEA-CCR模型发现不同地区的中职教育资源配置效率在空间上具有显著的正向空间自相关性[2]。陶蕾等人运用投入导向下的DEA-BCC模型发现我国西部地区的效率要高于中、东部地区[3]。王震远基于全方位视角和DEA模型测算出我国中职教育资源配置效率呈现西高东低的空间态势[4]。于洪姣将差异化管理理念与DEA-CCR模型相结合，为促进我国中职教育资源配置的均衡发展提出了政策建议[5]。

上述文献仍然存在一些不足之处。首先，以全国范围内的省际研究较多，而以区域经济带为研究视角的较少。其次，CCR和BCC模型无法剔除环境因素和随机误差对效率值的影响，从而存在测量误差。再次，缺少对资源配置有效的省份进行评价。鉴于此，本文首先把区域经济带作为研究角度，选择目前经济潜力巨大的“丝绸之路经济带”和“21世纪海上丝绸之路经济带”沿线省份的中职教育作为研究对象，使用三阶段DEA模型对“一带一路”沿线省份中职教育资源配置效率的影响因素进行分离，从而使效率测算结果更加准确。同时结合超效率模型对处于生产前沿的省份进行二次评价，使得相对有效的决策单元之间的差距也能呈现出来。

一、研究设计

(一)研究对象与数据来源

根据国家发展改革委员会、外交部、商务部于2015年联合发布的《推动共建丝绸之路经济带和21世纪海上丝绸之路的愿景与行动》提出的“一带一路”沿线地区的规划蓝图，选择沿线地区中的18个省份作为研究对象，即新疆、重庆、陕西、甘肃、宁夏、青海、内蒙古、黑龙江、吉林、辽宁、广西、云南、西藏、上海、福建、广东、浙江、海南。此外，为了保证数据来源的权威性和可靠性，本研究采用的研究数据均来自2018年国家统计局和教育部公布的官方数据。

(二)三阶段DEA模型构建

Fried等人指出了一阶段DEA模型和二阶段DEA模型存在无法剔除环境因素和随机噪声的缺点，因为一个生产组织不仅受到管理水平的影响，同时也会受到环境因素和随机误差的影响[6]。通过构建三阶段DEA模型则可以有效剔除环境因素和随机噪声这两种外生因素，从而可以更加准确地评价生产组织的效率，具体构建过程如下。

第一，通过构建一阶段DEA模型分析原始投入产出变量。一阶段DEA模型即传统DEA模型，包括CCR模型(该模型以规模报酬不变为前提)和BCC模型(该模型以规模报酬可变为前提)。Banker提出BCC模型可以将综合技术效率(TE，Technical Efficieny)进一步分解成纯技术效率(PTE，Pure Technical Efficiency)和规模效率(SE，Scale Efficiency)，从而给出差异性评价[7]。三者之间的关系为TE=PTE×SE。

故选取BCC模型对原始投入产出变量的效率进行DEA分析，而BCC模型又有两种分析角度，分别是投入导向(即产出既定下投入成本最小的角度)和产出导向(即投入既定下产出规模最大的角度)，这里选择对投入数量有较强控制力的投入导向，将原始指标数据下的投入产出变量代入该公式，从而找出目标投入值。

第二，构建二阶段SFA模型以便剔除环境变量和调整投入变量。在上一步中可以得出目标投入值和实际投入值的差额，再通过随机前沿分析模型(SFA，Stochastic Frontier Analysis)对环境变量进行回归，从而得到管理无效率项和噪声统计值。应用SFA模型剔除环境因素后，即可调整原始投入量，从而得出调整后的投入变量。

第三，对调整后的投入变量重新进行DEA分析。将第二阶段中SFA模型得到的调整后投入变量重新代入DEA-BCC模型中，在仅改变投入值而保持产出值不变的前提下进行运算，即可得到剔除外部影响因素的效率值。

(三)超效率模型的构建

在运用CCR模型和BCC模型分析时，决策单元效率值小于1的为无效单元，大于1的为有效单元。在DEA分析中通常会出现多个有效决策单元的情况，由于有效单元之间的效率值均为1，那么如何对其效率值大小再次进行排序就属于超效率的问题。由于CCR、BCC等传统DEA模型只能对无效单元进行效率值比较，却无法对有效单元进一步比较分析，所以需要借助超效率模型进行运算。由Andersen提出的超效率模型，其基本思路在于通过后移有效单元的生产前沿面，在效率值不变的情况下，投入将按比例增加，这个比例便是超效率值，这个值可以是大于1的，如此便可以对有效单元之间进行比较[8]。为此，超效率模型的应用将有利于进一步分析有效单元之间的差异性，从而寻找生产前沿面中的最优点。另外，考虑超效率模型建立于以规模报酬为前提的VRS模型上易出现无可行解的情况，故选用基于CRS模型的超效率模型进行运算以保证结果的稳定性。

(四)指标选取

中职教育的效率评价指标的合理性是与区域发展的实际，以及中职学校办学的特点紧密结合在一起的。通常情况下，评价教育投入主要从资金投入、物力投入以及人力资源投入三个方面进行，而对产出的评价则主要从产出的数量和质量两个方面进行。此外，Golany等人指出DEA模型的样本数量应该保证在大于投入与产出指标数量的2倍以上，否则会稀释样本之间的差异性，产生不必要的误差[9]。鉴于此，选取指标的具体思路如下。

其一，关于资金投入方面的指标选取思路。当前我国中职教育的资金来源主要依赖于国家财政，根据《中华人民共和国教育法》第五十六条规定：“各级人民政府教育财政拨款的增长应按在校学生人数平均的教育费用逐步增长。”因此，为了更好地反映教育经费与办学规模之间的可适性，故选择“生均教育事业费”作为我国“一带一路”沿线地区中职教育财力投入的评价指标。

其二，关于物力投入方面的指标选取思路。“图书收藏总量”“学校占地面积”等常见于已有文献的评价指标只是作为物力投入的具体表现，却无法表现出货币价值。因此，选择能够体现出资产值的指标较佳。故选择“教学与实习设备资产值”这一指标,以便能够直接反映出中职学校在教学领域的物力投入。

其三，关于人力资源投入方面的指标选取思路。该方面的指标需要能够反映出中职教育的办学规模，加之评价指标选取要遵循不重叠性的原则，故选择“专任教师的数量”即可反映中职学校的师资规模，也不宜再重复选择“拥有高等学历的教师数量”和“拥有高级职称的教师数量”这两个指标，况且《现代职业教育体系建设规划(2014―2020年)》提出了要逐渐建立起“双师型”师资队伍，改革人事评估和职称评定制度，适当淡化学历的要求。

其四，关于产出数量与质量方面的指标选取思路。“毕业生数”可以较为直观地反映学校的产出数量。此外，选择“获得职业资格证书的毕业生人数”和“全国职业院校技能竞赛的获奖人数”作为评价人才培养质量的重要指标，是因为职业资格证书可以反映中职学校的毕业生是否具备相应的就业能力，而全国职业院校技能竞赛是由教育部联合其他有关部门发起的一项具有重要影响力和专业权威性的职业技能赛事，因此，“全国职业院校技能竞赛的获奖人数”在一定程度上可以反映出各地区中职教育的培养质量。

其五，关于环境因素方面的指标选取思路。环境因素主要是指能够对我国“一带一路”沿线地区中职教育产生显著影响，且不能被人为控制的影响因素。因此，在构建随机前沿模型时，为了使被解释变量的选择更加贴合中职教育的办学实际，借鉴了其他学者的研究成果。宋小杰基于定性分析的角度，指出了区域经济发展水平是当地中职教育发展的物质保障，区域人口的变迁会影响中职教育的办学规模[10]。王伟等人则运用时间序列的平稳性检验，验证了中职教育资源配置的效率与区域经济发展水平、区域城镇化水平之间存在长期稳定的均衡关系[11]。故本研究以“区域经济发展水平”“区域城镇化水平”作为环境因素的二级指标，并分别用“区域GDP增长率”和“城镇人口比重”进行表示。

为了更加科学地研究我国“一带一路”沿线地区中职教育的要素投入、产出规模以及外部环境因素，在参考已有文献的基础上，结合数据的可获取性和可操作性，按照上文所述的指标构建思路，对“一带一路”沿线省份中职教育资源配置效率的评价指标精心筛选，最终构建出3个投入指标和3个产出指标，以符合决策单元数大于指标数2倍以上的运算前提，详见表1。

表1 我国“一带一路”沿线地区中职教育资源配置评价指标体系

二、实证分析结果

(一)三阶段DEA模型的实证结果

第一阶段，基于投入导向下的BCC模型分析结果。该阶段的分析主要是为了计算出在原始投入与产出的指标数据下中职教育资源的配置效率。将有关数据代入DEAP 2.1软件，采用投入导向下的BCC模型，计算出2018年我国“一带一路”沿线地区18个省份的综合技术效率值，并进一步分解出各个省份的纯技术效率、规模效率以及规模报酬状态。从技术效率的角度来看，在原始投入产出的指标数据下，我国“一带一路”沿线地区综合技术效率的平均得分为0.883，其中纯技术效率的平均得分为0.950，规模效率的平均得分为0.930，说明“一带一路”沿线省份的纯技术效率略大于规模效率。在原始投入与产出指标下可评为相对有效的决策单元主要有“丝绸之路经济带”的重庆、陕西、云南、广西沿线4省(直辖市、自治区)，和“21世纪海上丝绸之路经济带”的福建、广东、海南沿线3省。这些省份在原始投入指标下，中职教育的技术和规模都处于较为领先的地位，但是处于生产前沿面的省份仅占样本总量的39%，其余11个省份在技术效率和规模效率上仍然存在一定的改进空间。从规模报酬的角度来看，除了7个相对有效的省份以外，西藏、新疆、甘肃、宁夏、青海、内蒙古、黑龙江、辽宁、吉林等9个“丝绸之路经济带”沿线省份和“21世纪海上丝绸之路经济带”沿线省份中的上海表现为规模报酬递增，浙江则表现为规模报酬递减，详见表2。

表2 原始投入下我国“一带一路”沿线地区中职教育资源配置效率及分解

第二阶段，基于剔除环境因素的SFA模型的分析结果：通过第一阶段的BCC模型可以得出“生均教育事业费”的投入松弛变量、“教学与实习仪器的资产值”的投入松弛变量以及“专任教师”的投入松弛变量，并以这3个投入松弛变量作为因变量，将“区域经济发展水平”和“区域城镇化水平”两个环境变量作为自变量，代入Frontier 4.1软件中进行SFA回归分析。在3个投入松弛变量的模型中，首先，LR值均通过了1%或者5%的显著性检验，说明所构建的SFA模型是成立的。其次，γ值均趋向于1，说明管理无效率对“一带一路”沿线省份的中职教育资源配置效率占据主导，对其进行分离是有必要的。对各个环境变量的具体分析详见表3。

表3 SFA模型回归分析结果

第一，就区域经济发展水平而言，其对专任教师的投入虽然呈现出负向影响但是并不显著，说明区域经济发展水平的提升对专任教师投入量的减少的促进作用不足。其次，区域经济发展水平对生均教育事业费投入的回归系数为负，且有1%的显著水平，说明区域经济良好发展有助于提升当地中职教育资源配置的效率。自2013年习近平总书记提出了“丝绸之路经济带”和“21世纪海上丝绸之路经济带”的倡议以来，我国相继在“一带一路”沿线省份建成了18个自由贸易试验区，逐渐形成了新欧亚大陆桥、中蒙俄、中国—中亚—西亚、中国—中南半岛、中巴、孟中缅等合作经济走廊，推动了沿线18个省份的经济增长，当地经济发展的趋势整体向好，各项资金流通顺畅，进而有助于减少生均教育事业费的投入冗余，提升效率。再次，区域经济发展水平对教学实习仪器的资产投入的回归系数为正，且有1%的显著水平，说明区域经济的增长也会带来教学与实习仪器资产投入的冗余。尽管经济发展使得中职学校的财政资金较为充裕，但是如若资金使用不善，就会导致盲目采购。为此，学校应该更加重视教学与实习仪器的使用率而非单纯地购置大批量的设备，否则会产生投入冗余。

第二，就区域城镇化水平而言，一方面，虽然区域城镇化水平对专任教师的回归系数为负数，但是显著性较弱，说明通过对专任教师的投入松弛的减少提升效率的促进作用较小。另一方面，区域城镇化水平对生均教育事业费投入和教育与实习仪器资产投入的回归系数均为正数，且均有1%的显著水平，说明区域城镇人口的增加会带来中职教育资源投入的冗余，不利于区域中职教育资源配置效率的提高。这主要是由于“一带一路”沿线省份近年来经济得到长足发展，区域吸引力越来越强，当地社会对中级技术型人才的需求越来越大，但是相比于普通高中，中职学校的吸引力不强，招生相对困难，造成中职学校的财力和物力投入得不到相应的回报。

第三阶段，基于调整投入后的BCC模型分析结果。在第二阶段中，通过对“生均教育事业费”“教学与实习仪器资产值”“专任教师数”3个投入变量进行管理无效率分离后，可以得到调整后的投入变量，并且将其重新代入第一阶段的BCC模型中。为了更好地比较研究调整投入前后的效率值，故将第一阶段中原始投入下的效率值与第三阶段调整后的效率值整合在一起进行比较，详见表4。

表4 调整原始投入前后我国“一带一路”沿线地区中职教育资源配置效率值

从总体上看，我国“一带一路”沿线地区的中职教育资源配置效率在调整后，综合技术效率的平均得分从调整前0.883下降到0.795，纯技术效率平均得分从0.950上升到0.954，规模效率的平均得分从0.930下降到0.833。说明“一带一路”沿线地区在调整投入的前后，效率值还是有一定差别的。从各个省份看，综合技术有效的省份由调整前的7个相对有效单元下降到调整后的6个，这是因为在去除区域经济发展水平和区域城镇化水平的环境影响后，陕西省由原先的有效单元变为非有效单元，因为其规模效率由1下降到0.970，说明环境因素对陕西省中职教育的规模效率影响较大。其余非有效省份除了辽宁和浙江在剥离环境因素和随机误差后，效率由原先的0.704和0.919分别上升到0.803和0.998，其余10个省份的综合技术在调整后均有不同程度的下降，说明“一带一路”沿线各省的中职教育的资源配置在不同程度上受到了区域经济发展水平和城镇人口的影响，从规模报酬状态上看，陕西省由于变成了非有效单元，其规模报酬状态也从调整前的规模报酬不变转变为规模报酬递增，其余省份则维持不变。

(二)超效率模型的实证结果

在第一阶段原始投入下的DEA模型分析中有7个综合技术效率值为1的省份，分别是海南、广东、重庆、广西、云南、福建、陕西。在经过第二阶段的环境因素和随机误差的分离和在第三阶段中对调整后的投入变量重新进行DEA分析后，得到了6个综合技术效率值为1的省份，分别是海南、广东、广西、重庆、云南、福建。陕西则由原先的有效单元降为非有效单元。为了对处于生产前沿面的省份再次进行比较，进而在有效省份中寻求更优的决策单元，故将第一阶段的7个有效单元和第三阶段的6个有效单元的投入与产出变量代入DEA-SOLVE软件中进行运算。

如表5所示，在剥离环境因素和随机误差前，处于中职教育资源配置前沿的7个省份按照超效率得分从高到低排序依次是海南、广东、重庆、广西、云南、福建、陕西。在调整后6个相对有效省份按照超效率得分从高到低排序依次是海南、广东、广西、重庆、云南、福建。在剥离影响因素的前后，海南省始终保持在最前沿的位置，调整前后的超效率得分分别为2.821和2.175，广东省位居第二，在排除环境因素和随机误差的影响后，效率值依然得以提升，说明广东省中职教育的发展除了能以当地雄厚的经济实力和人口优势为依托外，更重要的是能有合理的要素投入结构和规模效益，管理优势较为明显。广西、重庆、云南、福建4个省份，在调整后超效率得分有所下降，但是在原始投入的基础上分别增加26.1%和23.4%、27.7%和22.1%、24.6和8.5%、25%和3.8%，依然处于相对有效的地位。

表5 “一带一路”沿线中职教育资源配置有效省份的超效率分析结果

三、结论

基于教育部公布的2018年全国中职教育投入与产出的详实数据，本文对我国“一带一路”沿线省份中职教育的资源配置效率进行评价。为了能够剔除环境因素对效率评价产生的误差，并且解决传统DEA无法比较有效决策单元的效率问题，故使用三阶段DEA模型和超效率模型进行实证检验。

研究发现：第一，2018年“一带一路”沿线省份中职教育资源配置效率尚有20.5%的改进空间。第二，“一带一路”沿线省份中职教育资源配置效率未来主要改进方向在于兼顾提升技术效率的同时，应重点提高规模效率。2018年我国“一带一路”沿线省份的纯技术效率整体较高，而规模效率整体尚有近17%的提升空间。未来在兼顾提升技术效率的同时，应当重点提升沿线省份中职教育资源配置的规模效益。第三，“一带一路”沿线18个省份中有11个省份的中职教育资源配置处于规模报酬递增阶段，仅有浙江省表现为规模报酬递减，说明该省的中职教育规模效率较佳，但是要素投入结构不够合理。2017年浙江自由贸易试验区正式挂牌成立，未来该地区各大行业都将需要更多优秀的技术型人才，为此，该省在未来需要重点优化中职教育的要素投入结构。第四，“一带一路”沿线地区中边疆省份的中职教育资源配置效率更容易受到区域经济发展水平和区域城镇化水平的影响。除了辽宁在剔除上述两个环境因素的影响后技术效率值有所上升，其余边疆地区的效率值均有不同程度的下降，特别是西藏、新疆、甘肃、宁夏、青海、黑龙江、吉林等7省下降幅度最大。这些地区多是我国东北、西北边疆省份，说明这些地区的中职教育的发展无论是在技术上还是在办学规模上仍是比较落后的，这也与我国边疆地区教育发展落后的实情相吻合。边疆地区作为我国与其他“一带一路”沿线国家合作发展的门户，在未来除了继续给予财政支持外，还应当为当地引进高质量人才给予政策扶持，以促进当地城镇化进程。第五，中职教育资源配置相对有效的省份之间也存在差距。其中海南和广东两省的中职教育资源配置的超效率得分在2018年位居18个省份的前两名。因此，树立“一带一路”中职教育发展的标杆，充分挖掘资源配置较优省份的经验，并将其经验进行推广，有助于提升其他地区中职教育资源配置的效率。