安徽省大别山连片特困区林业扶贫效率评价

张士菊 吴慧

摘要：利用安徽省2014—2020年面板数据，结合超效率SBM和Global Malmquist指数模型对安徽省大别山连片特困区12个县林业扶贫的时间和空间效率进行评价，结果显示，安徽省12个县林业扶贫效率较高，且大部分县的林业扶贫效率呈上升趋势；技术效率进步是全要素生产效率提高的主要带动因素；林业经济效率较高的地区，绿化和生态环境建设较好；12个县的林业扶贫效率存在差异，影响因素各异。提出开展特色林业产业扶持，挖掘林业发展的多维潜力；提高林业扶贫技术和规模效率，优化配置林业科技发展要素；科学利用林业扶贫模式，提升林业产业的内生可持续发展；合理规划林业产业资源，努力实现生态保护与巩固脱贫成果的双赢。

关键词：连片特困区；林业扶贫效率；超效率SBM；Global Malmquist指数；大别山；安徽省

中图分类号：F327.9         文献标识码：A

文章编号：0439-8114（2024）04-0191-06

Evaluation of the efficiency of forestry poverty alleviation in the Dabie Mountains in Anhui Province：Based on the super efficiency SBM Malmquist index model

Abstract： Using panel data from Anhui Province from 2014 to 2020， combined with the super efficiency SBM and Global Malmquist index model， the time and spatial efficiency of forestry poverty alleviation in 12 counties in contiguous poverty-stricken areas of the Dabie Mountains in Anhui Province was evaluated. The results showed that the forestry poverty alleviation efficiency was relatively high in 12 counties in Anhui Province， and the forestry poverty alleviation efficiency in most counties was on the rise；technological efficiency progress was the main driving factor for the improvement of total factor production efficiency；regions with higher forestry economic efficiency had better greening and ecological environment construction；there were differences in the efficiency of forestry poverty alleviation among 12 counties， and the influencing factors varied. It was proposed to carry out support for characteristic forestry industries and tap into the multidimensional potential of forestry development；improve forestry poverty alleviation technology and scale efficiency， and optimize the allocation of forestry technology development factors；scientifically utilize forestry poverty alleviation models to enhance the endogenous sustainable development of the forestry industry；reasonably plan forestry industry resources and strive to achieve a win-win situation of ecological protection and consolidating poverty alleviation achievements.

Key words： contiguous poverty-stricken areas； efficiency of forestry poverty alleviation； super efficiency SBM； Global Malmquist index； Dabie Mountain； Anhui Province

2021年2月，習近平总书记在全国脱贫攻坚总结表彰大会上发表重要讲话，宣告脱贫攻坚战完美收官，要切实做好巩固拓展脱贫攻坚成果同乡村振兴有效衔接的各项工作，使脱贫基础更加稳固、成效更可持续；对脱贫地区的产业要长期培育和支持，激发内生动力，推动可持续发展。安徽省是中国南方集体林重点区域，全省林业用地面积约占国土总面积的30%，林业收入在全省国民经济和社会发展中占有重要地位。2021年安徽省林业总产值超过     5 000亿元，特色经济林、林下经济、森林旅游等新兴林业产业发展迅猛。为了充分发挥安徽省大别山自然环境优势、资源优势和林业扶贫政策优势，有必要对该地区的林业扶贫效率进行深入研究，从而制定更加精准的林业扶贫策略，帮助其走出“资源诅咒”的陷阱。

学者对林业扶贫效果评估的研究成果较丰富。仇晓璐等［1］构建了林业扶贫绩效评价体系，以经济建设、生态建设、社会公共服务为准则层，并利用熵权法对贵州省独山县、荔波县，以及广西龙胜县和罗城县的林业扶贫绩效进行评价。李明娟等［2］以林业资金投入为自变量，以贫困人口就业人数和贫困人口人均收入为因变量，构建了2个线性回归模型，检验林业资金投入对连片特困地区的减贫效应。韩锋等［3］利用案例分析法分析了贡山县和福贡县的林业精准扶贫成效。陈甲［4］以林业扶贫效果、林业扶贫可持续性和林业扶贫精准度3个指标作为层次分析法（AHP法）的准则层，对云南省祥云县大仓村的林业精准扶贫绩效进行评价。王磊［5］通过访谈和问卷调查，利用层次分析法构建了包含认知、经济和扶贫三大维度的影响林业扶贫工作质量的要素模型，对安徽省的林业精准扶贫效果进行研究。

已有研究主要通过实地调研来分析和总结当地的林业扶贫现状、存在的问题及解决路径，纵向研究较多，缺乏横向区域间的比较分析。本研究构建了多维度的林业扶贫效率评价指标体系，采用投入—产出效益分析方法，并运用超效率SBM-Malmquist指数模型对林业扶贫效率进行定量分析和横向比较，以期为中国林业扶贫效率提升提供有价值的决策参考。

1 数据来源与方法

1.1 数据来源

大别山连片特困区位于安徽省、湖北省、河南省的交汇处。区域内贫困辐射范围广、程度深，贫困人口数量多且贫困发生率高，扶贫脱贫的需求紧迫。2012年，国务院扶贫办将安徽省内大别山连片特困地区的范围确定为安庆市辖区的潜山县（2018年撤县设市，改为县级市）、太湖县、宿松县、望江县、岳西县，阜阳市辖区的临泉县、阜南县、颍上县，六安市辖区的寿县（国务院于2015年12月3日将寿县划归淮南市管辖）、霍邱縣、金寨县，以及亳州市辖区的利辛县共12个县。本研究以安徽省大别山12个贫困县作为决策单元（DUM），数据来源于2014—2020年《安徽省统计年鉴》和12个县统计公报及政府工作报告。

1.2 模型选择

1.2.1 超效率SBM模型 数据包络分析法（DEA）由Charnes等［6］于1978年提出，它以相对效率为基本准则，利用数学规划知识和模型计算决策单元间投入、产出的相对效率，决策者以此作为分析决策单元效益的依据。DEA模型包括CCR模型、BCC模型和SBM模型等，CCR模型、BCC模型是以投入和产出径向为基础进行测算，要求所有的投入与产出同比例缩减或增加；非径向SBM模型解决了径向带来的效率偏差问题，考虑了投入和产出的松弛变量。超效率SBM模型则是对传统SBM模型的优化，它能解决多个决策单元的效率同时为1而无法深入比较的问题，超效率SBM模型效率大于等于1时表示效率最优。超效率非径向SBM模型的计算公式如下。

式中，[θ]*表示林业扶贫效率；x和y分别表示投入和产出变量；S-和S+分别表示投入和产出的松弛变量，且S-≥0，S+≥0；i表示投入指标数，i = 1，2，…，m；r为产出指标数，r =1，2，…，q；o表示决策单元；[λ]表示权重；j为决策单元的指标数；[ xio]表示第o个决策单元的投入；[yro]表示第o个决策单元的产出。

1.2.2 Global Malmquist指数 Global Malmquist指数基于DEA产生，用来衡量t到t+1时的效率动态变化特征与趋势，可以根据Global Malmquist指数识别和判断现阶段林业扶贫效率的主要影响因素［7］。应用基于全域技术集的Global Malmquist生产率指数测算全要素生产率变化，全要素生产率受技术水平和技术效率影响，计算公式如下。

M0=EC×TC  （3）

式中，M0为全要素生产率；EC为技术效率指数；TC为技术水平指数。

技术效率分解为纯技术效率和规模效率［8］，计算公式如下。

EC=PEC×SEC  （4）

式中，PEC为纯技术效率指数；SEC为规模效率指数。

1.3 指标选取

超效率SBM模型要求决策单元个数大于或等于投入、产出指标数乘积的2倍，且对投入和产出指标的设置有较高要求，指标设置越恰当，效率评价的结果越科学。在借鉴前人研究成果［9-12］的基础上，筛选了3个投入指标（乡村每年人均农林水财政投入、乡村每年从业人数、营林面积）和2个产出指标（乡村居民每年人均可支配收入和乡村每年人均林业总产值），本研究选取的指标数符合模型要求，如表1所示。

在3个投入指标中，乡村每年人均农林水财政投入对增强林业竞争力和改善林业生产环境有显著影响，作为林业扶贫的经济投入指标；因林业生产需要耗费劳动力，故用乡村每年从业人数作为林业人力资本投入指标；营林面积作为林业扶贫的土地资源投入指标。本研究的目的是探究发展林业在贫困地区脱贫工作中的作用，而贫困现象多存在于乡村地区，因此，选择乡村居民每年人均可支配收入作为产出指标；林业产值能客观且准确反映林业投入所带来的经济效益，故将乡村每年人均林业总产值也作为产出指标。为了减小价格波动的影响，确保变量之间的可比性，以2014年为基期，用CPI法和GDP平减指数法进行平减。

2 结果与分析

2.1 林业扶贫效率分析

利用MaxDEA分析软件计算2014—2020年大别山12个县林业扶贫效率，具体扶贫效率等级划分如表2所示。

由表3可知，从地区维度来看，大别山12个县林业扶贫效率均值达0.790，处于中高等级。2014—2020年12个县林业扶贫效率存在较大差异，临泉县林业扶贫效率呈上升趋势，均值为0.526；潜山县和岳西县林业扶贫效率虽有小幅度的下降，但这2个县7年的林业扶贫效率均大于1.000，处于领先地位，均值分别为1.286、1.130；仅有2个县（潜山县和岳西县）连续7年处于优等级，占比16.67%。

从时间维度来看，2014年的林业扶贫效率均值为0.671，2020年林业扶贫效率均值达0.913，12个县林业扶贫效率呈波动上升的趋势。这说明在各要素的推动下，安徽省大别山林业扶贫的整体效率持续上升，并已接近效率最优，通过合理优化各生产资料，林业扶贫工作初见成效。2014—2020年，阜南县、寿县、金寨县、太湖县、望江县、岳西县的扶贫规模报酬呈增加趋势，临泉县、颍上县、潜山县林业扶贫规模报酬呈减少趋势，利辛县、霍邱县、宿松县的扶贫规模报酬保持不变。

2.2 Global Malmquist指数分析

由表4可知，2014—2020年安徽省大别山12个县林业扶贫效率全要素生产率均值为0.977。从全要素生产率的分解情况来看，技术效率指数均值为1.099，纯技术效率指数均值为1.092，规模效率指数均值为1.006，这3个指数均值均大于1.000，表明对应效率有所增长，但增长幅度有限。12个县技术水平指数均值只有0.889，且12个县的技术水平指数均小于1.000，望江县的技术水平指数最低，为0.772。由此可知，技术水平指数低是导致全要素生产率低的主要原因，表明安徽省大别山12个县的林业扶贫技术水平有待提高。

由表5可知，2014—2015年和2019—2020年安徽省大别山12个县的全要素生产率均小于1.000，其他年份均大于1.000，林业扶贫效率未呈现逐年上升的趋势。从各年份来看，2014—2015年全要素生产率为0.651，其中技术水平指数较低，仅为0.573；2019—2020年全要素生产率为0.985，其中技术水平指数为0.956。2015—2016年、2016—2017年、2017—2018年、2018—2019年的全要素生产率分别为1.054、1.070、1.155、1.038，其中2015—2016年的全要素生產率是由技术水平上升带动。因此，大别山连片特困区林业扶贫效率的提高要着眼于技术水平的创新，加大科学技术投入，鼓励技术创新，促进林业带动地区经济高质量发展。

现对全要素生产率进行分解，结果如图1所示，技术效率较技术水平对全要素生产率的贡献更大。把提高林业生产发展的技术效率作为林业扶贫政策实施的着力点，同时不能忽略技术水平的短板效应。

2.3 效率形态类型分析

采用超效率SBM模型、Global Malmquist指数方法对安徽省大别山连片特困区12个县林业扶贫效率和全要素生产率进行了测算，用效率作为横坐标，全要素生产率为纵坐标，以2014—2020年安徽省林业扶贫效率均值（0.790）为横坐标的临界值，以全要素生产率均值（0.977）为纵坐标的临界值，绘制四象限散点图，并且借鉴生命周期模型来研究区域内的林业扶贫效率类型。如图2所示，将12个县划分为双低型林业扶贫县、朝阳型林业扶贫县、黄金型林业扶贫县和夕阳型林业扶贫县。

1）黄金型。黄金型林业扶贫县位于第Ⅰ象限，包括太湖县和颍上县，其林业扶贫效率高于研究区域效率平均值，且效率呈增长态势。这些地区林业资源丰富，脱贫效率的提升主要依靠农业资源带动，而林业是农业资源的重要组成部分，且生态扶贫是林业发展的延展［13］。例如太湖县曾被授予“第四批国家生态文明建设”的称号，其丰富的林业扶贫经验和当地政府的资金、技术支持都有助于林业扶贫效率提升和生态环境优化。

2）朝阳型。朝阳型林业扶贫县位于第Ⅱ象限，包括阜南县、临泉县、宿松县、金寨县和霍邱县，其林业扶贫效率低于研究区效率平均值，但效率呈增长态势。这5个县都拥有丰富的林业资源，但林业在促进当地经济发展中的推力还不够。若当地政府和居民重视林业资源利用，提升林业在扶贫开发中的地位，带动贫困人口脱贫，可进一步提升该地区林业扶贫效率。

3）双低型。双低型林业扶贫县位于第Ⅲ象限，包括利辛县和望江县，其林业扶贫效率低于研究区效率平均值，且效率呈下降态势。主要是因为这2个县林业优势资源相对较少，林业发展基础薄弱，未形成规模效应，林业产值对当地经济的贡献小。若政府重视林业发展，鼓励居民积极参与林业扶贫，使贫困人口从林业发展中获益，从而进一步拓展林业扶贫效果。

4）夕阳型。夕阳型林业扶贫县位于第Ⅳ象限，包括岳西县、潜山县和寿县，其扶贫效率高于研究区效率平均值，但效率呈下降态势。岳西县和潜山县林业资源丰富，植被覆盖率占县土地面积的50%以上，有“天然氧吧”的美誉，且被评为生态文明建设示范区。当地政府积极利用其林业资源优势发展森林旅游业，例如潜山县通过开发天柱山旅游景区，岳西县通过挖掘明堂山、司空山林业资源发展森林旅游，带动居民增收致富。但这些县现阶段林业扶贫模式单一、森林旅游发展后劲不足，应探索和创新更多的林业扶贫增长点，如通过建设林下经济、森林康养、森林研学基地等来提高林业扶贫效率，摆脱林业扶贫夕阳型的困境。

3 小结与建议

3.1 小结

本研究通过超效率SBM和Global Malmquist指数模型对安徽省大别山连片特困地区12个县的林业扶贫效率进行分析。

第一，总体林业扶贫效率较高，且大部分县的效率呈增长趋势。通过对2014—2020年安徽省大别山连片特困地区林业扶贫效率进行分析，发现7年内的扶贫效率均值达0.790，且林业扶贫效率相对稳定。

第二，技术效率是全要素生产效率提高的主要带动因素。从Global Malmquist指数的分解可以看出，技术效率是地区林业扶贫效率提高的关键因素，应把提高林业生产发展的技术效率作为林业扶贫政策实施的着力点，同时不能忽略技术水平的短板效应。

第三，林业扶贫效率较高的地区，绿化和生态环境建设较好。林业扶贫模式分为林业生态扶贫和林业产业扶贫，生态建设较好的地区可实现生态保护与经济发展的共赢。政府通过给予参加生态退耕还林的农户财政补贴、给担任生态护林员的贫困人员发放工资报酬等方式，使贫困人口在林业生态保护的过程中获得经济收入。同时，通过建设国家储备林等生态保护项目，增强贫困地区的生态承载力和可持续发展能力。

第四，12个县的林业扶贫效率不一，所处的林业扶贫区间不同。以12个县的林业扶贫效率为依据，将其划分为4种类型，由于12个县林业扶贫的经济基础和自然环境不同，应根据现阶段所处类型探索具有时效性、本土化的林业扶贫策略。

3.2 建议

1）开展特色林业产业扶持，挖掘林业发展的多维潜力。安徽省大别山区具有丰富的林业资源，不同地区的林业资源发展状况具有差异性，当地政府应因地制宜制定切实可行的林业扶持政策，为林业发展提供内在动力，促使林业扶贫效率稳定持续。

2）提高林业扶贫技术和规模效率，优化配置林业科技发展要素。一是加强区域间的合作和交流，通过区域联合模式向周边地区学习林业开发技术和扶贫经验，实现“1+1>2”的效果，从而提高林业产业发展的规模效应和聚集效应。二是提高林业工作者的工资待遇，为高素质管理者和创新科技人才营造良好的生活工作环境，增强林业扶贫项目效应和产业联动效应。

3）科学利用林业扶贫模式，提升林业产业的内生可持续发展。政府在林业扶贫中发挥宏观调控作用，同时积极探索政企合作，加强农户专业合作社建设，并将贫困人口纳入到利益分配体系当中，进一步细化为“政府+龙头企业+贫困户”“政府+龙头企业+合作社”等模式，鼓励企业雇佣一定比例的贫困人口，优化要素配置，从而提高林业扶贫效率。

4）合理规划林业产业资源，努力实现生态保护与巩固脱贫成果的双赢。当地政府应着力提高林业发展的风险防范能力，在林业扶贫开发的同时保护林业资源和生物多样性，笃行不怠地贯彻落实林业生态补偿机制，让林业资源真正成为造福后代的“绿色银行”，实现兴林富民的目标。

参考文献：

［1］ 仇晓璐，陈绍志，赵 荣，等.林业定点扶贫绩效评估研究［J］. 林业经济，2019，41（3）：10-16.

［2］ 李明娟，颜 琦，吴 琼. 林业资金投入对集中连片特困地区的减贫效应——以广西壮族自治区罗城仫佬族自治县为例［J］. 东北林业大学学报，2020，48（8）：85-88，128.

［3］ 韩 锋，郝学峰，包雪梅，等.少数民族地区林业精准扶贫效果分析——基于云南省怒江州贡山、福贡两县调研［J］. 林业经济，2017，39（10）：15-20.

［4］ 陈 甲. 林业精准扶贫绩效评价研究［J］. 农场经济管理，2018（11）：45-49.

［5］ 王 磊. 基于本土生態知识的林业精准扶贫研究——以安徽省为例［J］. 林业经济，2019，41（3）：21-26，49.

［6］ CHARNES A， COOPER W W， RHODES E. Measuring the efficiency of decision making units［J］. European journal of operational research， 1978， 2（6）：429-444.

［7］ COSTA C K，BALBINOTTO N G， SAMPAIO L M. Efficiency of brazilian states and the federal district in the public kidney transplant system based on DEA（data envelopment analysis） and the malmquist index［J］. Cadernos DE saude publica， 2014， 30（8）：1667-1679.

［8］ FARE R，GROSSKOPF S，NORRIS M，et al. Productivity growth， tenical progress，and efficiency change in industrialized countries［J］.American economic review， 1997， 87（5）： 1040-1044.

［9］ 李 研，张大红. 要素投入对林业经济增长影响的实证分析［J］. 统计与决策，2018，34（15）：133-135.

［10］ 黄渊基. 连片特困地区旅游扶贫效率评价及时空分异——以武陵山湖南片区20个县（市、区）为例［J］. 经济地理，2017，37（11）：229-235.

［11］ 周鹏飞，沈 洋. 集中连片特困地区产业扶贫效率及影响因素实证分析——以甘肃省31区县马铃薯产业为例［J］. 西北人口，2020， 41（3）：57-68.

［12］ 洪名勇，龙 娇，娄 磊. 林业生态效率：时空特征与影响因素——基于我国31个省份数据的实证分析［J］. 生态经济，2022，38（2）：91-97.

［13］ 张 莉，夏梦丽. 林业生态扶贫研究进展［J］. 世界林业研究，2018，31（4）：8-12.