农村人力资源空间智能化配置模型构建研究

戴雪儿，徐 静

（中国农业大学烟台研究院，山东 烟台 264670）

中国作为拥有14亿人口，且粮食产量高居世界前列的农业大国，其对农业农村地区的开发和管理存在较大不足，且城镇化的快速推进影响老龄化的分布态势和空间演变格局，改变了农村地区积累财富的传统手段和能力，也一定程度上加剧了农业从事者的老龄化态势［1-3］。在农产品需求持续刚性增长，农业外贸依存度增加的发展现状下，重视农业生产、高效管理农地资源、优化配置人力资源显得十分重要，但在对农村人力资源问题的探究上，缺乏较深入的科学论证研究，且常常忽视人地关系的失衡问题，难以协调好整个社会的生产力和生产关系的协调限度［4-6］。鉴于此，本研究结合耦合协调度和最小二乘模型，并借助空间计量工具探究其时空演变规律进行人力资源的智能配置，以期为农村人力资源配置方面的研究提供参考。

1 农村人力资源空间配置方法改进及模型构建

1.1 人力资源空间智能化配置模型的构建

农村人力资源的变化与人口老龄化水平、劳动者素质变化、人口流转频率以及产业结构的升级优化等因素具有一定影响，全面把握不同区域的农村人力资源数量和质量的变化特征和规律，评估其农地资源的利用效益和产值收益，从空间区域分异的角度来探讨人力资源空间匹配和优化模型构建，有助于为农地资源中各种要素均衡协调发展提供建议［7］。对人力资源的空间配置，首先了解其空间中心的位置和变化趋势，并相应地指出未来发展的方向。空间重心作为评价全域中心性的指标，可以在空间中较好地描述出区域的平均位置和周边分布状态，可以使用局部自相关中的统计来进行空间聚集程度的探究。统计指数是用以判断区域空间的异质性，用来反映某一单元与领域单元属性的关联程度，较之Moran指数，可以针对所有的数据点进行分析，空间聚集呈现效果更加明显，可以检验局部单元是否存在高、低值显著聚集的现象［8］。计算公式如式（1）所示。

式（3）中，yi′为标准化之后的结果，α,β为待定系数，k为调节系数，yi、yj均为指标原始值，ymax为项指标中最大值，C是耦合协调指数，且C∈[]0,1，当C趋于0，表示两者趋于无序，处于一种失调状态；当C趋于1时，表示两者趋于有序，处于一种协调状态，k为调节系数。耦合协调发展度能表现出两者之间的交互程度和影响因素，故本研究引入耦合协调度，构建起劳动力与耕地、老龄化与人力资源之间的协调度模型，避免单纯依靠耦合度判别多区域对比中出现的不平衡等时效局限性，以便更好地揭示出人口与耕地的整体功效与协同效应，发展度模型如式（4）所示。式（4）中，T为人口与耕地的发展度，D为耦合协调发展度，其数值在［0，1］之间浮动，协调度在呈现出极不协调到极其协调的良性上升趋势。α,β为待定系数。本研究认为人口与耕地的重要性相等，设置α=β=0.5。

1.2 数值拟合预测模型建立

城镇化率受到多方面的影响，难以呈现出线性变化，而神经网络以其非线性映射能力和分类能力能够在数据运算中进行较好的深度分析，利用其本身算法性能的优化能够加快对数据量的处理［10］。故本研究首先利用最小二乘法对缺失数据进行拟合补充，随后利用网络神经算法对结果进行预测。利用最小二乘法对部分缺失数据进行补充，以便进行后期人力资源应对发展的预测，如式（5）所示。

式（5）中，θ1(x),θ2(x),…,θs(x)为基函数，y*为预测值，θs为第s个模型参数，m为特征数目，bi(i=1,2,…,s)为待定系数，y*=bmxm+bm-1xm-1+…+b1x+b0是拟合函数为m（m＜观测数据组数）多项式时的计算公式，即可分别得到矩阵求解，如式（6）所示。

式（6）中，可得到矩阵的待定系数X为方程的解。最小二乘法曲线是使得曲线上的数据点与拟合点之间的误差平方和达到最小，即可进行对部分缺失数据进行拟合补充［11］。神经网络在面对一些数据量较大的二维数据计算处理时，通过输入层、隐含层和输出层结构的运作实现良好的拟合效果。首先，计算网络实际输入与期望输出的误差，然后通过对误差信号反向传播，以实现对网络权值和阈值的逐步调整［12］。神经网络采用广泛互联的结构和有效的学习机制来模拟人脑信息处理过程，利用泛化能力对集中的数据进行训练和识别，而其层数结构、权树赋值、样本质量以及节点数结构等都会对神经网络的泛化能力造成影响［13］。本研究采用极大值标准化法对不同量纲的不同原始数据进行转换，即将属性数据缩放至特定区间以便更好地分析数据的属性，并借助Matlab工具进行标准化处理，转换的公式如式（7）所示。

式（7）为标准化处理转换的公式。神经网络设定输入层、隐含层和输出层的神经元个数来确定拓扑结构，并确定学习率和最大迭代次数。通过信息前向传播和误差反向传播完成网络的训练和学习，输入统计数据与预测未来的发展趋势，前向传播计算公式如式（8）所示。

式（8）中，wl为连接权值，xl-1为上层神经元输出，bl为神经元阈值，f(x)为激活函数，xl-1和bl都是列向量，wl为矩阵。xl为指定层（研究层）神经元输出。BP神经网络是借助链式求导法和梯度下降法实现对神经元之间的连接值和阈值的调整，进而使其反映出符合评判标准下的复杂非线性关系。选取适当的误差函数可以提高算法的准确性，减小算法运行过程中的失误率。

式（9）为平方误差代价函数计算公式，y表示神经网络的输出，t表示期望的输出，∂为误差函数对阈值求导的结果，反映出每一层神经元的灵敏度，δl为输出层的神经元灵敏度，wl为矩阵。根据梯度下降法则对权值进行更新，必须求得误差函数对权值的偏导数，偏导数再乘以一个负的学习率便是对权值的更新。

2 农村人力资源配置下的演变规律和关联格局结果差异分析

2.1 县域老龄化趋势与人力资源关联格局结果分析

为了探究江西省县域范围内农村老龄人口和老龄化发展的演化趋势，借助冷热点图对其空间布局和变化范围进行研究（图1）。热点分析工具是对数据集中的要素进行计算而得到的Z得分和P值在空间上发生聚类的位置，可以检验空间过程中因子的关联性和空间依赖性［13］。江西省老龄比在空间分布变化的差异有所缩小。

从图1可以看出，2019年老龄人口的热点主要是聚集在该省的平原地区，次热点呈环状分布在其周边，而冷点区的分布主要在偏北部和东北部，大体上处于一种较为分散的状态。2020年出现了南北聚集的“双热点”，且西北和西南地区的冷热点都有所扩张。总体看来，次冷热点的空间变化不太明显且多处于山区边界，而次热点区域明显减少，热点区域朝着聚集形态发展。为更好地探究农村劳动力分布与人均耕地之间的空间关系，结合江西省人口普查中的部分数据，选取常住适劳人口和户籍人口数据，并结合第一产业人口的比例情况对劳动力差额和人均耕地面积进行分析，得到结果如图2所示。

图1 江西省2019、2020年县域农村老龄人口空间分布的冷热点图

图2（a）中，劳动力的分布主要集中在平原地区，南北分布差异较大，且呈现出中间数值低，南北数值高的空间分布状态，全省农村劳动力流失情况较严重，在空间上有集聚态势，且高值区域明显减少。而农村劳动力的流失，会使得人均耕地面积增大，从而加大了人均耕地的压力。从图（b）可以看出，人均耕地差异变化较大的是该省北部地区，县域中增加最多的人均耕地面积达到每人0.418 hm2，但总体增长幅度较小，其主要的集聚态势在东部地区。

图2 江西省2019、2020年劳动力和人均耕地差异空间分布

2.2 人力资源耦合空间格局结果分析

区域耕地流转性加快以及农业劳动力的产业化转移进程的推进，都使得劳耕比例存在一定的不适应情况，难以保障乡村系统有序发展，而研究耕地与劳动力已然成为人地关系和农村人力资源研究中的重要内容［14］。研究劳动力与耕地之间的耦合关系，能够较好地探究两者之间的相关水平和空间交互程度，结果如图3所示。

由图3可知，该省农村劳动力-耕地耦合协调度的空间分布总体呈现极不均衡状态。2019年耦合协调度数值较高的位于该省北部平原丘陵地区，且高数值呈现出西北-东南走向带状分布，协调发展较好（7.6%）和轻微失衡（17.7%）的劳动力数量与耕地之间空间分布协调度较低，存在劳动力缺失或者溢出现象。2020年全省耦合协调发展程度有明显弱化和下降态势，良性发展的县域耦合度（3.5%）较之2019年下降了4.1个百分点，使得部分片状聚集区域演变成零星块状分布，耕地地区人口和耕地面积数量的匹配程度降低。

图3 江西省2019、2020年劳动力-耕地耦合协调度空间分布

城镇化的演变推进不仅使劳动力资源呈现出时间和空间分配不均匀以及流动路线变化加快，农业生产者老龄化趋势及自身劳动能力的下降使人们在心理倾向和情感寄托上更加倾向于回归农村，从事部分简单的农业劳动［15］。对江西省农村农业劳动力与耕地耦合发展协调度以及老龄比协调程度进行协同度分析，可以更好地探究农村人力资源发展模式和现状，结果如图4所示。

从图4可以看出，2019年老龄化-人力资源协同度值分析来看，最大值和最小值分别为0.759和0.010，且在空间分布上，整体处于一种良性系统发展状态，但劳动力与耕地之间的协调适配性与其老龄化之间呈反比。图4（b）中协同度为0.601～0.800部分县域在空间上呈现出零散发展态势。城市化水平的提高和地区差异影响劳动者需求因素和流转变化，在拓宽就业渠道和方向上人们更加倾向于发达程度较高省份的就业选择，进而使得本地区人力资源的协同度下降，农村劳动力缺失使得人均耕地压力增加、资源配置不均衡问题日渐突出。

图4 江西省2019、2020年老龄化-人力资源协同度的空间分布情况

综上所述，劳动力数量和质量水平与耕地之间的耦合协调状况探究中呈现出不一致的情况，且其受到地域影响痕迹较为严重。山地地区的劳动力素质较高，但老龄化问题的加剧阻碍地区发展的稳步推进，且江西省范围内人力资源配置和耦合协调度数值存在不均衡地区差异，一定程度上制约着农业现代化的进程。

2.3 人力资源空间智能化配置下的协同程度预测分析

采用多角度、多指标的数量统计方法对农村居民代际流动情况进行探究，并运用对数线性模型考察相对流动率，以摆脱边际分布的干扰。在选取对象的时候，考虑地缘差异，采取了随机抽样和分层抽样相结合的方法，结合县域经济发展程度、农业生产发展情况、人力资源以及资金的调配情况，在剔除一些特殊样本后对农村居民流动率和流动距离进行研究，结果如图5所示。

从图5（a）为农村居民代际流动比率变化，其中上向流动率由2017年的42.37%发展到2020年的49.82%，大致呈现出增长态势，其中2019年到2020年的增幅最大，达到8.9个百分点。总的流动率的起伏变化不大，整体较缓慢增长。

图5（b）为代际流动距离占比，距离主要集中在短距离的上向流动，流动距离的正负说明其发生了上向流动和下向流动。农村社会存在一定的基层封闭性，农民的代际流动和职业更替在一定程度上受到自身局限和环境条件的影响，且在山区情况更为明显。通过短距离流动至工人阶级或者办事人员阶层的上向流动的通道尚存，其就业渠道和上升方向有了较大程度的提高。同样代际流动也会受到城镇化和家庭背景的影响，就业渠道和上升方向有较大程度的提高，但仍是一种不平衡状态。

图5 农村居民流动比率变化和代际流动距离占比

交通枢纽的发展和信息交流速度的差异都会影响城市化进程的发展，城镇化率的增长情况与农村人力资源的配置具有一定的关系，农业发展态势趋于稳定，使得农业生产人员需求增多［15］。随后研究以该省之前的城镇化率变化情况为参考依据，推测得出其在2023年至2027年城镇化率的发展趋势，结果如图6所示。结果表明，城镇化率是随着时间的推移呈现增强态势，但在进入城市化后期阶段，增速有所放缓，且县域之间的差距逐渐缩小。不同地形条件下的县域，应根据其城镇化和老龄化水平适时采取应对措施，改进农业生产方式并提高生产效率和效益。在农村劳动人口平均年龄增加的情况下，积极应对自然条件变化和衡量生产者接受程度来推广新型农业的发展，加快其现代化发展。

图6 2023—2027年江西省部分县域城镇化率预测结果

城镇化率越高使得从事农业的人口比例有所下降，利用耦合协调模型计算出江西省部分县域未来人力资源-农业发展协同指数，可对其未来发展提供适当可行的建议，结果如表1所示。

表1 江西省部分县域人力资源-农业发展协同预测结果

从表1可以看出，总体上，江西省省内人力资源-农业发展协同指数都较高的县域大多主要集中在农业生产区域，且其人力资源状况与耕地之间的耦合协调程度较好，但山区部分县域的城镇率与耕地之间的耦合协调度较差。2025年，全省范围内耦合协调度均值为0.474，其方差为0.032，省内县域间差异较大。到2030年，全省范围内耦合协调度均值提高了0.005，其方差减小至0.025，组内差异有所减小。方差数值的缩小，说明县域之间的差异程度在减小。耦合协调度在2035年（0.477）和2040年（0.475）的数值有所改变，且方差仍然呈现出减小趋势，数值最高的县域也发生了改变，其组内差异和最高值持续减小。耦合协调度和高值区数值的变化大体上受到城乡二元结构影响较多，且南北差异较大，人力资源存在溢出或缺失情况，发展状态不平衡，应依据不同地区的实际情况正确引导剩余劳动力的回流和流转。

3 小结

通过对影响农村人力资源空间配置因素的老龄化程度、城镇化水平、代际流动变化、人力资源耦合协调度等方面建立其模型方法，对实际运行情况和预测结果进行分析。结果表明，江西省老龄人口的热点聚集由原先的平原地区逐渐演变为南北“双热点”，冷热点格局或成环状分布，且劳动力的南北分布差异较大，呈现出中间数值低、南北数值高的空间分布状态，耦合协调发展度的空间分布不均衡，且2020年良性发展的县域耦合度（3.5%）较2019年下降了4.1个百分点，使得部分片状聚集区域演变成零星块状分布，匹配合适度下降。而老龄化影响程度加深，使得人均耕地压力增加，资源配置不均衡问题日渐突出，进一步制约着农业的发展。同时人力资源-耕地耦合协调度的均值和方差总体上有所减小，南北差异较大，劳动力存在溢出或缺失情况。故在此基础上应依据不同地区的实际情况正确引导剩余劳动力的回流和流转。