长江经济带多维减贫效率测算与时空演化分析*

洪 波，李文静※，张俊飚

（1.华中农业大学经济管理学院，湖北武汉 430070；2.湖北农村发展研究中心，武汉 430070）

0 引言

从世界贫困问题的发展趋势来看，根据2030年联合国可持续发展议程，其目标要求到2030年世界各地消除一切形式的贫困。从我国自身来看，2015年中央明确提出，到2020年（即十三五末），要确保中国现行年均收入标准下农村贫困人口全部实现脱贫，贫困县全部摘帽，区域性整体贫困问题基本解决，使2020 年全面建成小康社会后的中国进入一个没有“贫困”的时代。政策和社会各界的努力使我国扶贫工作取得了阶段性胜利。数据显示，我国农村贫困人口数量大幅下降，从2012 年年末的9 899 万人减少至2019 年年底的551 万人，贫困发生率从2012 年的10.2%下降至2019 年底的0.7%[1]。2020 年以后我国农村贫困将步入一个以转型性的次生贫困和相对贫困为特点的新阶段，呈现出多维度贫困等新特征[2]，这也意味着对贫困问题的考量不再局限于单维研究，减贫的侧重点也不应该仍然仅停留在收入水平这一单一角度，而需要从多个角度来综合考量[3]。

阿玛蒂亚·森提出的多维贫困理论认为，除收入外，多重改变机会和可行能力的指标也需要被纳入贫困的测度中。多维贫困能够更全面地体现贫困的内涵和致贫原因的差异，引起了国内外学者的广泛关注[4]。随着研究的深入，学者不断探索不同的多维贫困指数计算方法来量化减贫效果，如“双界限”方法[5]、公理化方法[6]、信息理论方法[7]等。朱冬元等[8]基于省级面板数据，运用空间面板模型从收入、教育和医疗三方面着手研究了城镇化的多维减贫效应，结果表明我国的多维贫困存在显著的空间集聚效应但效果在逐步减弱。郑长德和单德朋[4]对集中连片特困地区663 个样本县的多维贫困指数进行测度，并提出农户面临同质化经济增长手段的行为差异是关键致贫因素。孙咏梅[9]分别构建了结构向量自回归模型和AF指数综合评估单维和多维的减贫效果，结果发现我国单维减贫的成效显著，而多维减贫问题仍然突出，提出应将农村减贫视野放在多维减贫层面上。陈国强等[10]对比分析公共转移支付的收入减贫效应和多维减贫效应，发现公共转移支付对收入贫困的减贫效应比对多维贫困的减贫效应更大。

随着我国在脱贫攻坚领域逐渐取得决定性成就，剩余贫困人口的脱贫难度随之加大，减贫边际效应不断缩减[11]。在脱贫攻坚收尾工作难度加大的情况下，科学评估现阶段我国扶贫工作的减贫效果，并根据减贫效果探寻可能的改进方向，对我国精准扶贫的瞄准和减贫效率的提升具有不可忽视的理论价值和现实意义。减贫效率被认为是衡量减贫效果的重要指标[12]，而基于投入产出测算的减贫效率可作为减贫效果分析的重要工具。从已有研究来看，测算投入产出效率的研究多侧重于计算和结果分析，相对忽视对所选指标进行严谨的科学论证和理论支撑，且目前对于多维贫困问题的研究视角多围绕多维贫困指数的测度与分解展开，而较少综合考量多维贫困理论与减贫效率。基于此，文章将多维贫困理论纳入减贫效率的测度中，结合多维贫困理论选取投入产出指标，以提高测算减贫效率的可信度，弥补多维贫困研究中针对减贫效率研究的空白。

长江经济带作为我国综合实力最强且最具发展潜力的经济带之一，在高速发展和迅速崛起的同时，也面临着脱贫攻坚的艰巨任务。因此，促进该地区扶贫开发工作有序有效地推进，是保持长江经济带协调发展的重要保障。该文在梳理多维贫困和效率评估理论的基础上，构建了多维减贫视角下的投入产出效率模型，并以长江经济带11 个省市为研究对象，对长江经济带多维减贫效率进行测度，对比减贫效率差异和时空演化趋势，挖掘改善和提升减贫效率的关键方案，以期为新时期我国精准扶贫工作的扶贫资源调整与瞄准提供决策依据。

1 长江经济带多维减贫效率评估的理论分析

1.1 多维减贫效率维度构建

随着贫困理论的发展，多维贫困的概念逐渐被提出并引起学术界的广泛关注。从贫困概念的演变可以发现，衡量贫困已经不再局限于达到固定收入这一单一维度的评价标准。而从多个维度定义和测度贫困并对减贫效率进行科学评估，对扶贫资源瞄准和调整、深入推进减贫工作至关重要[3]。在具体测量的维度和指标选择上，不同学者对贫困的理解与界定不尽相同，且受限于数据的可获得性，学术界对于指标体系的构建尚未达成共识[13]。根据分析尺度的不同，已有采用多维贫困的研究主要从微观和宏观的层面展开。其中，在微观层面，研究学者主要从收入、生活水平、健康、教育、医疗保险、社会参与[14-17]等维度测度多维贫困指数从而对家庭或者个体贫困进行识别；在宏观层面，不同学者选择维度的视角不一，如郑长德和单德朋[4]基于风险和机会视角，而刘艳华和徐勇[18]、吴跃[19]等则是基于脆弱性—可持续生计分析框架测度多维贫困以进行地理贫困识别。家庭或者个体贫困识别主要在贫困人口较少且分布较为分散的国家开展，而我国贫困人口分布集中，呈现明显的区域性特征[20]。因此中国未来的扶贫项目瞄准仍然以区域瞄准为主，即根据贫困区域性质调整扶贫工作方向。在已有研究基础上，该文将多维贫困理论纳入减贫效率分析框架，借鉴已有研究对于多维贫困的界定，结合联合国可持续发展目标，并考虑数据的可获得性，在维度选择上选取了较有代表性的4个维度：经济、社会、生态和教育。选取各维度的原因如下。

第一，经济维度。现有研究表明，经济增长对减贫有直接和间接的推动作用，直接作用表现为促进贫困人口增收，间接作用表现为通过提高政府财政收入增加其精准扶贫工作能力从而减少贫困人口[21]。第二，社会维度。社会的投入和参与亦是减贫的重要因素。例如，贫困地区的农户很可能会陷于能源贫困的“恶性循环”且难以仅靠自身走出“恶性循环”，而要打破这样的“恶性循环”，需要外力的介入[22]，如改善农村能源的资金投入。第三，生态维度。贫困地区往往面临着较为严峻的自然资源环境和生态环境[23]，水资源、耕地资源等自然禀赋低，加之难以抵御的突发自然灾害，易造成脱贫人口再返贫等问题。因此，良好的生态环境是保证贫困农户脱贫稳定性的重要因素，能够减少生态环境对农户生计的外部冲击[24]。第四，教育维度。减贫的低效率和贫困的恶性循环一部分原因来自于人力资本的缺乏[25]，教育的改善有助于实现人力资本的积累。尽管科技进步和第三产业的快速发展推动着中国经济社会转型，但如果低收入家庭教育投资不足阻碍其人力资本的积累，他们将难以适应社会转型，并有可能要承担失业、遭受被社会孤立等风险[26]。因此，教育条件的改善及人才培养效率的提升能够促使人力资本增加，从而使得贫困人口获得额外的发展机会，并增加其抵抗风险的能力[4]。从微观角度来看，农户家庭成员受教育程度的提高显著降低了陷入多维贫困的可能，因而教育维度是减缓多维贫困迫切需要关注且具有实践意义的维度[26]。

1.2 多维减贫效率评估指标的选取

该文的投入变量和产出变量分别从经济、社会、生态、教育4 个维度选取对应指标。现有研究表明，发展农业依然是农村地区减贫的主要动力来源[21]，因此，在经济维度该文主要考虑农业生产层面的投入和产出指标，选取农业机械总动力和粮食作物产量为对应的投入产出指标，分别反映农户在农业生产方面的经济投入程度和对应的产出水平。社会维度主要考虑农村能源层面的投入和产出指标，分别以农村能源经费投入和沼气池产气总量为对应指标，表征农村在改善能源条件上所付出的投入及取得的成果。生态维度上，考虑到生态建设不局限于农村或者城镇，且自然环境本身具有公共物品性和非排他性，由社会群体所共建，为社会群体所共享，因此，借鉴刘浩等[27]在测度农村环境治理效率时衡量生态维度所选取的投入和产出变量，该文分别以林业投资为投入指标，以造林总面积为产出指标，用以测度该研究区域在改善生态方面做出的努力程度和得到的生态环境优化程度。教育维度上受限于指标的可得性，选择教育财政支出和每万人口在校大学生数为投入和产出指标，用以测度教育对人力资本潜在发展机会的影响。教育条件的改善及人才培养效率的提升能够促使人力资本的增加，从而使得贫困人口获得额外的发展机会，增加其抵抗风险的能力[4]。此外，考虑到地区经济水平等外部环境的差异可能会导致多维减贫效率的测算结果出现一定的偏差，因此需要按照变量对减贫效率产生影响但不受样本主观控制的原则来选取环境变量以剔除环境变量的噪音扰动。在环境变量的指标选取方面，该文综合借鉴钱力等[28]、郑军和杜佳欣[29]的思路，最终选取的环境变量具体指标为财政公共投入、地区生产总值和固定资产投入。该文构建的多维减贫效率模型的测度指标见表1。

表1 多维减贫效率的DEA模型具体指标

2 研究方法与研究区域

2.1 研究方法

该文采用数据包络分析法（Data Envelopment Analysis,DEA）对多维减贫效率进行测算。该方法是以被评价对象相对效率为基础的一种有效性评价的非参数分析方法，由于其适用范围广、参数设定灵活等特点，以及在分析多投入多产出时具有的独特优势，被学者广泛应用于农业、环境、金融、医疗卫生等多个领域[30]。然而，传统DEA在测度效率时存在缺陷[31]，即它所测度出的效率值包含环境因素和统计噪音的影响，并非完全由管理无效率所导致。而将DEA 和随机前沿分析法（Stochastic Frontier Approach,SFA）相结合的三阶段DEA 模型可有效克服上述缺陷，使决策单元的最终效率值更加真实可信。因此，该文采用三阶段DEA 对多维减贫效率进行评估。具体地，首先，采用传统DEA 模型对多维减贫效率进行初始评估；其次，采用SFA 规避环境因素和统计噪音；最后，采用调整后的DEA模型评估多维减贫效率值。

2.1.1 传统DEA模型评估初始长江经济带多维减贫效率

DEA 模型的创始者最初创立了CCR 模型，在此基础上，Banker、Charnes 和Cooper 将CCR 模型拓展为规模报酬可变的BCC 模型，得出的技术效率排除了规模的影响，也被称为纯技术效率。该文将在第一阶段和第三阶段采用BCC 模型从技术效率、纯技术效率和规模效率这三方面对长江经济带多维减贫效率进行测度。具体在这一阶段采用的投入导向的BCC对偶模型可表示为：

式（1）中，j= 1，2，…，n为决策单元，θ为决策单元效率值，ε是一个常数，表示非阿基米德无穷小量，为松弛变量，Xj，Yj分别为第j个决策单元的投入和产出变量，当θ= 1 且= 0 时，该决策单元为强DEA 有效；当θ= 1 且＞0 时，该决策单元为弱DEA有效；当θ＞1时，该决策单元为非DEA有效，表示投入缩减θ倍时，产出仍保持不变。

该文在测度面板数据的效率值时，将跨年份的相同决策单元整理为不同决策单元，即将面板数据整理为横截面数据，如此便可将各年份数据置于同一生产前沿面进行计算，从而得到第一阶段的初始效率值和松弛变量值。

2.1.2 运用SFA规避环境因素和统计噪音

通过BCC 模型得到的松弛变量可以反映初始效率值由管理无效率（managerial inefficiencies）、环境因素（environmental effects）和统计噪音（statistical noise）构成，即所测效率值并非完全由管理无效率决定。第二阶段的目标是通过SFA回归将松弛变量分解为上述3个部分，而后将环境因素和统计噪音的影响剔除。该文构造类似以投入为导向的SFA回归模型为：

Snm=f n(Zm;βn) +vnm+μnm（2）

式（2）中，n= 1，2，…，I；m= 1，2，…，N；Snm为第m个决策单元的第n项投入变量的松弛变量，Zm=(Z1m，Z2m，…，Zpm)为预先设定的p个环境变量，βn是对应环境变量的系数，f n(Zm;βn)为环境变量对松弛变量的映射；vnm+μnm为回归模型的混合误差项，其中，vnm为随机扰动项，μnm则表示管理无效率，是两个独立且不相关的值。

基于最有效的决策单元对其他决策单元的投入变量进行调整为：

2.1.3 调整后的DEA模型评估最终多维减贫效率值

该阶段将第二阶段调整后的投入变量与初始产出变量代入第一阶段BCC 模型进行二次运算，得到的最终决策单元减贫效率值是剔除了环境因素和统计噪音等因素影响之后的效率值，能够更为真实地反映长江经济带多维减贫效果。

2.2 研究区域与数据处理

长江经济带是我国最大的内陆经济带，覆盖上海、湖北、四川、云南、贵州等11 个省市，是我国经济稳增长的重要支撑。该地区分布着秦巴山区、乌蒙山区、武陵山区、滇西边境地区、滇桂黔石漠化区、大别山区、罗霄山区及四川省山区8 个连片特困地区，涉及长江经济带8 省市的351 个县区，占全国连片特困地区总数的57.1%[32]。因此，探讨长江经济带的减贫效率问题不仅有助于为解决该地区内的贫困问题提供思路，对我国其他地区的贫困问题同样也有重要的借鉴和参考价值。该研究选取2003—2017 年长江经济带11 省市作为研究样本，各指标数据主要来源于《中国统计年鉴》《中国环境统计年鉴》《中国农村统计年鉴》《中国农业统计资料》以及各省市统计年鉴等。

在模型设定方面，DEA模型要求决策单元（Decision Making Unit，DMU）的数量不少于投入指标数量和产出指标数量的乘积，同时也不少于投入和产出指标数量总和的3 倍，该文所选取的样本符合DEA 模型对DMU 数量的要求[30]。为了避免通货膨胀对计算结果所带来的影响，该文以2003 年为基期，采用居民消费价格指数（Consumer Price Index，CPI）对农村能源经费投入、林业投资、教育财政支出、公共财政收入、固定资产投资和地区生产总值进行了消胀处理。为消除所选指标单位和数量级等可能产生的影响，采取Z-score的数据无量纲化处理方法对所选指标进行标准化处理。此外，考虑到在DEA 模型中还要求投入变量与产出变量必须符合同向相关性原则，该文采用Pearson 系数对投入变量和产出变量进行相关性检验，检验结果如表2所示。

表2 投入变量和产出变量的Pearson相关系数

由表2 可知，长江经济带11 省市在样本年份的投入变量与产出变量之间均为正相关关系，并且除了教育投入和生态产出外，(1)表2中只有教育财政投资和造林总面积的相关系数不显著，但二者之间为正相关关系，因而不妨碍其成为投入和产出指标。即使对模型有影响，影响也非常小，因为二者之间的系数仅为0.023其余的投入产出变量均在18.7%的显著性水平下通过双尾检验，符合模型的基本设定，可以进行进一步的分析。

3 长江经济带多维减贫效率测算结果分析

3.1 第一阶段：初始DEA模型实证结果

该文运用deap2.1软件对2003—2017年长江经济带沿线各省域的多维减贫效率进行测算，采用规模效率可变的BCC模型所测度出的初始效率值是包含环境因素和统计噪音的结果，具体如表3所示。在没有进行SFA 调整的情况下，2003—2017年长江经济带省域多维减贫的综合效率平均值为0.666，纯技术效率平均值为0.876，规模效率平均值为0.772。纯技术效率比规模效率更接近前沿面，说明纯技术效率是多维减贫综合效率的主要驱动力量。长江经济带11 省市的多维减贫效率综合值差异明显，上海的效率值最高，高达0.941，最低的湖南仅为0.547。除了上海、重庆和四川以外，其余省域在第一阶段根据原始投入和产出数据得出的综合多维减贫效率都比较低，在0.6左右浮动。由于第一阶段没有剔除环境因素和统计噪音的影响，故测算出的多维贫困效率值可能存在偏误，为了获得更加真实可信的结果，需要对第一阶段的松弛变量进行分离并对投入变量进行调整，得到第三阶段的结果从而更进一步对比分析。

表3 2003—2017年长江经济带省域多维减贫效率第一阶段测算

3.2 第二阶段：类似SFA模型实证结果

该文采用frontier4.1软件，将4个投入变量分别与公共财政收入、固定资产投资、地区生产总值这3个环境变量进行SFA 回归，实证结果见表4。回归结果表明环境变量对农业机械总投入、林业投资、教育财政支出、农村能源经费投入的SFA回归系数均通过显著性检验，且这4个模型的LR单边检验也都在1%的水平下显著，证明了所选取环境变量的合理性。Gamma值均为1.00且都通过了1%的显著性水平检验，表示这4种投入变量冗余中随机误差项起到了绝对性的影响，即运用类似SFA模型对投入冗余的环境因素和随机扰动的影响进行分离是必要的。

表4 第二阶段投入冗余的SFA回归

3.2.1 公共财政收入

公共财政收入的增加对农村能源经费的使用效率发挥着正向作用，而对农业机械总动力、林业投资、教育财政支出的投入效率产生了负向挤占作用。公共财政收入和农村能源经费的回归系数显著为负，表明公共财政收入的增加显著提高了农村能源经费的投入产出效率，这说明政府或村干部在能源经费的使用上真正落到实处，把“每一分钱都花在刀刃上”。与之对应的是公共财政收入和农业机械总动力冗余、林业投资冗余、教育财政支出冗余的回归系数显著为正，说明了随着公共财政收入的增加，这些投入变量的冗余也会随之增加，即降低了这些投入的效率。可能的解释是，精准扶贫瞄准度偏误造成了扶贫资源的浪费，以“精英俘获”为代表的扶贫资源的偏离挤占了部分资源[33]，因而公共财政收入中真正落实到用于改善贫困状况的财政支出不多，增加公共财政收入反而降低了农业机械总动力、林业投资和教育财政支出的投入产出效率。

3.2.2 固定资产投资

随着固定资产投资的增加，农业机械总动力、林业投资、教育财政支出和农村能源经费投入这四个方面均有浪费的情况出现，降低了多维减贫的投入产出效率。可能的原因是，固定资产投资的增加主要反映在城市社会生产上，资源的增加量主要用于工业产业或服务业，并没有真正落实到扶贫中去。同时固定资产投资促进了社会就业由第一产业、第二产业向第三产业的转移，且降低了第一产业在国民经济价值创造中的地位[34]。显然，农业机械总动力、农村能源经费、林业投资都属于农林牧渔范畴，因而这些第一产业的投入产出效率在引入固定资产投资这项环境变量后显著降低。在教育财政扶贫方面，固定资产投资的增加一方面促进产业结构调整，提高了总体就业率；但另一方面会让更多的资源在城镇集聚，进一步扩大城乡差距，乡村的精英人才为了获得更好的生活会倾向于向城市发展，更进一步拉开了城乡差距，使城镇资源向农村流动变得困难，也就降低了包括教育减贫、生态减贫等多维度减贫的投入产出效率。

3.2.3 地区生产总值

地区生产总值和农业机械总动力、林业投资、教育财政支出、农村能源经费投入这4个投入的松弛变量的回归系数均显著为负，说明了地区生产总值的增加显著抑制了这4个投入所产生的冗余，提高了模型效率。这与钱力等[28]的观点是相符合的。地区生产总值一般而言与人均可支配收入直接挂钩，地区生产总值越高，人均可支配收入也就越高，增收是减贫的一个重要层面，只有各方面的投入产出效率都增加时，才能保证收入的持续稳定增长。

3.3 第三阶段：调整后的DEA模型实证结果

由于环境变量对各个省域所造成的影响不一，所以需要将剔除环境因素和统计噪音影响的投入与产出再次放入DEA 模型中，使用deap2.1软件进行二次运算，得出最终效率值。调整投入后测算出的长江经济带11 省市的多维减贫效率值如表5 所示。对比调整前后两次测算出的效率值，可以发现调整后2003—2017 年长江经济带省域多维减贫效率的综合效率平均值由0.666 提升到0.889，说明采用传统BCC 模型计算出的多维减贫效率值至少低估了真实减贫效率值的33.48%，此外多维减贫纯技术效率由0.876 提升至0.962，规模效率由0.772 提升至0.921，二者都得到了一定幅度的提升与修正。相较于第一阶段的结果，第三阶段的结果中纯技术效率值和规模效率值更为接近，同时纯技术效率值仍然比规模效率值大，更接近于生产前沿面，但多维减贫综合效率的提高主要是由于规模效率的大幅提升。总体来说，2003―2017年长江经济带省域多维减贫效果较好。

表5 2003—2017年长江经济带省域多维减贫效率第三阶段测算

该文具体分析了剥离环境因素和统计噪音的影响以后各省市多维减贫效率值发生的变化。首先，综合效率值方面，研究区域内所有省市综合多维减贫效率值均有不同幅度的提升，其中调整前后综合效率值改进最为明显的是江苏省。江苏综合效率值经过调整后从0.602上升至0.944，前后相比综合效率值增加了56.81%，说明环境因素和统计噪音的影响使初始模型夸大了投入冗余，而调整后的综合效率结果是比较符合江苏实际情况的，侧面反映了采用三阶段DEA 测算多维减贫效率的必要性和结果的相对准确性。上海的综合效率值仅增加了0.018，其变动幅度最小。其次，纯技术效率值方面，11省市中除江苏省向下波动了0.009外，其余省域在调整后纯技术效率值均提升了很多。引入环境变量对投入冗余进行SFA 回归调整后，减少了纯技术投入冗余，从而提高了纯技术效率值。最后，规模效率值方面，较纯技术效率值的变动而言，规模效率值的改进相对更大，其中调整最为明显的是长江中游地区（即安徽、江西、湖北、湖南）。

综合对比调整前后长江经济带省域多维减贫效率数值，调整后所得第三阶段测算结果的区域特征更为明显，但各地区多维减贫效率值差距仍较大，且与地区经济发展水平不完全对应。总体而言，第三阶段测算的多维减贫综合效率从高到低的排序与长江经济带从下游到上游的省域地区分布大体相符，但又不完全一致，其中浙江、重庆和贵州最不匹配。贵州省和浙江省多维减贫效率明显偏低，综合效率值仅为0.752和0.707，提升空间较大，精准扶贫工作需要进一步优化完善。

为了进一步说明三阶段DEA 模型所测算出的多维减贫效率的真实性，该文将第一阶段和第三阶段测算得到的效率值与粮食作物产量指标进行Spearman相关性检验，检验结果如表6所示。分析结果表明，第一阶段的多维减贫综合效率、纯技术效率、规模效率与粮食作物产量的Spearman相关关系分别为负相关、正相关和负相关。在对4个投入变量进行调整后，第三阶段得出的效率值与粮食作物产量的Spearman相关系数均显著为正，和第一阶段相比更能反映减贫效率的真实水平。因此采用三阶段DEA 模型测算长江经济带多维减贫效率要明显优于传统DEA模型，测算所得结果也更为精确合理。

表6 多维减贫效率与粮食作物产量的Spearman相关系数

4 多维减贫效率的时空演化分析——基于第三阶段DEA结果

4.1 多维减贫效率时间差异分析

根据DEA 效率的原理，综合效率与纯技术效率、规模效率之间是相互影响相互制约的关系。因此，该文对长江经济带多维减贫综合效率、纯技术效率和规模效率随年份变动的演化趋势进行了分析（见图1）。分析结果表明，随着时间的推移，综合效率和规模效率整体上呈现波动上升趋势，纯技术效率大体为“U”型折线，整体呈波动下降趋势，3 种效率波动幅度均较大，这说明了综合效率的增长源泉为规模效率。多维减贫纯技术效率折线一直处于综合效率和规模效率的上方，意味着纯技术效率值相较于规模效率值而言更接近前沿面，即使分年份研究结果依旧证实了纯技术效率对综合效率做出了主要贡献。整体而言，综合效率、纯技术效率和规模效率折线形状相似，变动趋势相近，符合DEA效率的原理。

图1 2003—2017年长江经济带多维减贫综合效率、纯技术效率、规模效率变动

根据图1 可以大致将减贫效率的变动分为3 个阶段：持续下降期（2003—2007 年）、稳定攀升期（2007—2010年）、波动起伏期（2010—2017年）。2003—2007年综合效率、纯技术效率和规模效率均随着时间的推移呈现持续下降趋势，可能的原因是随着社会收入分配不平等问题的加剧，经济增长的减贫效应不断下降[21]。2007—2010 年多维减贫综合效率呈现持续上升趋势，而纯技术效率和规模效率呈波动上升趋势。这一时期依旧存在经济增长对减贫效应的影响降低的问题[35]，因而需要调整经济发展方式以实现更有利于贫困户的经济发展，同时要提高扶贫项目的瞄准度，使更多真正的贫困人口受益[36]。2010—2017 年3 种效率在不同年份表现出较大幅度的波动，说明自2010年之后多维减贫效率具有不稳定性，近年来减贫效果不同年份差异较大。总结2003—2007 年致使减贫效率不断下降的原因，同时借鉴2007—2010年扶贫工作的成功经验，调整我国经济发展方式以提高经济增长的边际减贫效应，提高扶贫项目瞄准度以缓解乃至避免不平等问题，有助于保持长江经济带多维减贫综合效率持续稳定增长。

4.2 多维减贫效率空间差异分析

该文根据地理区位划分，分别从上中下游地区进行分析，上中下游地区综合减贫效率随年份的变化趋势如图2 所示。可以看出不同地区综合减贫效率变动趋势存在明显的差异，总体均呈现波动上升趋势，起伏程度比较大。考虑到目前绝大多数贫困人口集中在生态环境恶劣、基础设施建设落后的连片特困区[37]，而长江经济带连片特困区主要集中在长江中上游地区，共339 个（其中上游222 个，中游117 个），占总数的96%[32]，因而该文将着重分析长江中上游的减贫效率的空间分布。

具体而言，上游地区的多维减贫效率波动幅度最大，图2中可以捕捉到3个关键性的转折点，分别是2010 年、2013 年和2015 年。中游地区的多维减贫综合效率长期保持最高水平，且波动幅度较小，图形的两个转折点分别在2010年和2014年。中上游地区的经济水平相对较低，是脱贫攻坚战的主战场之一，其减贫效率值的变化与政策制定以及政府关注度密切相关。2010 年是“十一五”规划期收尾的一年，可能需要完成既定的工作目标，因而可以看到图2 中2010 年长江中上游地区多维减贫综合效率值明显高于临近年份的值。而2013—2015 年是“精准扶贫”的关键期。2013 年习近平总书记首次在湖南省（中游）提出“精准扶贫”的要求。2015 年的1 月和5 月，习近平总书记分别赴云南（上游）和贵州（上游）调研，强调坚决打好扶贫开发攻坚战。2015 年11 月，习近平总书记在中央扶贫开发工作会议上作出“精准扶贫、精准脱贫”的全面部署，发布了《中共中央国务院关于打赢脱贫攻坚战的决定》，2013—2015 年长江中上游地区多维减贫效果受政策影响较大，效率折线呈现出较大幅度的波动。

图2 2003—2017年长江经济带多维减贫综合效率

4.3 多维减贫效率类型分析

为了更清晰地看出11 省市多维减贫效率的具体分布，该文进一步从纯技术效率和规模效率角度探讨了多维减贫效率的类型。具体地，借鉴鄢慧丽等[38]的做法，将第三阶段测算的纯技术效率值和规模效率值，以纯技术效率均值0.962和规模效率均值0.921为界限，将长江经济带11省市划分为4种类型，具体如图3所示。

图3 长江经济带11省市多维减贫纯技术效率和规模效率分布

第一类为“高纯技术效率—高规模效率型”（纯技术效率≥0.962，规模效率≥0.921），包括上海、江苏、安徽、湖北、四川、重庆这6 个省市，“高纯技术效率—高规模效率型”地区的纯技术效率和规模效率都相对较高，说明这些地区多维减贫效果较好，同时其多维减贫效率提升的空间较小，但为了确保这些地区精准扶贫工作的顺利推进，在不松懈的基础上应该更关注将政策和福利落实到具体贫困户。第二类为“高纯技术效率—低规模效率型”（纯技术效率＞0.962，规模效率＞0.921），包括云南省，为了提高多维减贫效率，应着重关注集中连片特困地区，通过资源的高效集中配置实现减贫规模效率的提高。第三类为“低纯技术效率—高规模效率型”（纯技术效率＞0.962，规模效率＞0.921），包括江西省和湖南省，这两个省份在扶贫减贫工作开展过程中要注意提高纯技术效率，吸取其他省份精准扶贫的经验，实现社会保障兜底，从资产收益、电商、异地搬迁、教育、健康、金融、生态等多层面发力[39]，积极开展扶贫工作。第四类为“低纯技术效率-低规模效率型”（纯技术效率＞0.962，规模效率＞0.921），包括贵州省和浙江省，这两个地区的减贫效果较差，多维减贫效率有很大的提升空间，需要重点关注。其中浙江省的规模效率显著低于平均水平。可能的原因是，一方面2000 年以后沿海省份农村贫困发生率很低，减贫的难度增大，减贫的规模效率也随之降低[40]，另一方面从模型本身而言，浙江省从经济维度选取的产出变量经济作物产量从2009 年开始基本呈现逐年下降的趋势，因此测算出浙江省多维减贫效率较低。而贵州省贫困地区地貌以深山区、石山区为主，存在水土流失、石漠化等问题，因而交通不便，生态环境十分脆弱[41]。贵州省每年需要投入大量生态治理资金[42]，然而其产出效果可能并不完全体现在该文选用的减贫效果指标上，因而测度出的纯技术效率和规模效率都有较大的提升空间。这一类型的省份一方面要加大资金投入并提升资源的配置效率，另一方面要注重提高投入资金的管理水平和使用效率，确保能够落实到基层。

5 结论与政策建议

5.1 结论

该文基于多维减贫理论，采用三阶段DEA 模型对长江经济带11省市的多维减贫效率进行了测算，在剔除了环境因素和统计噪音的影响之后能够更为真实准确地反映长江经济带的减贫效果，运用随机前沿模型分析了环境变量对投入产出效率的影响，并从时间和空间两个维度对比各省市多维减贫效率的演化规律。主要研究发现如下。

（1）较之传统的DEA 分析，三阶段DEA 模型能有效剔除环境因素和统计噪音的影响，客观真实地测度出减贫效率。通过第二阶段SFA 回归调整后，2003—2017年长江经济带多维减贫综合效率均值由0.666上升至0.889，纯技术效率均值由0.876 上升至0.962，规模效率均值由0.772 上升至0.921。调整后，第三阶段多维减贫效率更为真实且效率更高，反映了真实的长江经济带整体减贫效果较好。但各省份减贫效率差距较大，且多维减贫效率与地区经济发展不完全对应。通过第一阶段和第三阶段测算结果与粮食作物产量进行的Spearman相关性检验发现，调整后的结果更具真实性和合理性。

（2）财政公共投入、地区生产总值、固定资产投资这3个环境变量均对多维减贫效率影响显著。其中财政公共投入和固定资产投资的增加不利于多维减贫效率的提高，而地区生产总值的增长会有效改善人均可支配收入，从而提升长江经济带多维减贫效率。

（3）2003—2017 年长江经济带中游地区的多维减贫综合效率基本保持最高水平，且波动幅度较小，而上游地区的多维减贫效率波动幅度最大。

（4）长江经济带多维减贫效率分布具体可分为4种类型，其中“低纯技术效率—低规模效率型”的贵州省和浙江省为扶贫工作重心，其减贫效率有很大的提升空间。

5.2 政策建议

（1）保证地区生产总值持续稳步增长，在固定资产投资持续增加的同时要注重保护第一产业的发展。该文研究证实了环境变量和随机扰动项对多维减贫效率存在显著性的影响，随机扰动是不可控的，所以要关注环境变量对减贫效率的影响。在测算过程中发现地区生产总值的增长有利于多维减贫效率的提升，而固定资产投资的影响相反。这并非意味着要减少固定资产投资，而是需要在保障产业结构合理均衡发展的同时，更加注重对贫困农户的帮扶以弱化固定资产投资对多维减贫效率的负向影响。

（2）根据地区的多维减贫效率类型因地制宜地调整各省市的扶贫开发工作，提高精准扶贫的瞄准度。由于各省市的多维减贫效率值差异显著且特征不一，需要结合自身特点有针对性地进行调整。如以云南为代表的“高纯技术效率—低规模效率型”，应把扶贫工作的重心放在集中连片特困地区以实现资源的高效集中配置。以江西和湖南为代表的“低纯技术效率—高规模效率型”，应松弛有度地把握各维度的资金使用，资金在层层下放的过程中要加强监管、跟踪资金的流向，确保资金的最终指向是贫困户，避免因疏于管理等原因而出现浪费或寻租的情况。