基于DEA模型的中国竞技体育人才培养效率评价研究

摘 要：竞技体育人才培养是推动我国竞技体育事业可持续发展的前提和基础，随着国家不断深化建设体育强国的目标，完善竞技体育人才培养资源投入机制和结构对提高竞技体育人才培养效率具有重要意义。本研究运用文献资料、逻辑分析、DEA数据包络分析等研究方法进行系统研究，对2016年至2020年各省区竞技体育人才培养效率进行评价研究。得出以下结论：（1）各省域的综合效率值总体呈现上升的趋势，纯技术效率与规模效率超过均值的地区比例较大，大部分省区对资源投入的管理能力较强。（2）我国竞技体育人才培养全要素生产率发展不平稳，呈动态波动趋势，但总体情况较好。（3）政府财政支持、常住人口数量、人力资本等因素，对我国竞技体育人才培养效率产生了不同程度的影响。

关键词：竞技体育人才；DEA分析；效率；影响因素

中图分类号：G808

文献标识码：A

文章编号：1008－2808（2024）05－0077－11

Abstract：Athletic sports talent cultivation is the premise and foundation for promoting the sustainable development of China’s athletic sports， and as the country continues to deepen the goal of building a strong sports country， it is of great significance to improve the mechanism and structure of the input of resources for athletic sports talent cultivation to improve the efficiency of athletic sports talent cultivation. This study uses literature， logical analysis， DEA data envelopment analysis and other research methods to conduct a systematic study to evaluate the efficiency of competitive sports talent cultivation in each province and region from 2016 to 2020. The following conclusions are drawn： （1） The comprehensive efficiency value of each provincial and regional area shows an overall upward trend， the proportion of areas with pure technical efficiency and scale efficiency exceeding the average value is larger， and most of the provincial and regional areas have a stronger ability to manage resource inputs. （2） The development of total factor productivity in China’s competitive sports talent cultivation is not stable， showing a dynamic fluctuation trend， but the overall situation is better. （3） Factors such as government financial support， the number of resident population， and human capital have different degrees of influence on the efficiency of China’s competitive sports talent cultivation.

Key words：Competitive sports talents; DEA analysis; Efficiency; Influencing factors

提高我国竞技体育人才培养效率是促进竞技体育事业发展的重要基础。2017年国家体育总局、教育部发布《关于加强竞技体育后备人才培养工作的指导意见》提出竞技体育后备人才培养影响体育事业的协调可持续发展，需要重视并不断完善竞技体育人才培养体系，推动竞技体育人才培养工作开展，建设体育强国和健康中国。2019年国务院办公厅印发《体育强国建设纲要》提出“提升竞技体育综合实力，增强为国争光能力”。完善市场机制与举国体制结合的竞技体育发展模式，创新管理体制和运行机制，完善运动员的选拔制度，建立竞技体育公共投入、产出效率评估体系，各竞技体育行业部门构建科学系统的训练体系，完善后勤保障供应。2020年国家体育总局、教育部联合印发了《关于深化体教融合促进青少年健康发展的意见》，提出教育部门应对不同阶段运动员的培养形式和要求进行改变和创新，政府要明确竞技体育发展现状，不断拓展竞技体育人才培养的途径，解决当前竞技体育人才的培养困境，提升竞技体育人才培养效率。我国“十四五”体育发展规划提出：“让我国竞技体育实力再上新台阶”，健全成熟、项目布局合理的竞技体育发展新模式，建立科学、完善的训练体系和竞赛体系，提升国际竞争力［1］。“建设体育强国”以及“新举国体制”的政策背景下培养竞技体育人才的重要性不断加强［2］。我国竞技体育人才培养工作存在后备人才减少且分布不均衡、发展资源短缺且配置效率低、培养效率不理想和评估工作不系统等问题［3］，如何使用高效、科学、合理的方法完成竞技体育后备人才培养效率评估显得尤为重要［4］。目前我国学术界对竞技体育人才培养的研究主要集中在现状及优化路径、对策研究，研究角度比较单薄，对培养效率进行研究的学者较少。本研究基于人力资本理论对我国各省域竞技体育人才培养效率进行了评价研究［5］；将区域发展理论和区域差异理论应用到不同发展水平省域的竞技体育人才培养效率研究中，对比各省域的异同点，完善投入产出指标的设计思路；从系统论角度，把各省域竞技体育人才培养效率整合为一个系统整体，运用数据包络分析模型对各省域竞技体育人才培养投入产出效率进行分析［6］。

本文对我国各省域竞技体育人才培养效率进行评价研究，有利于掌握我国竞技体育人才培养效率现状和变化趋势，有利于我国竞技体育人才培养的相关决策者能够对竞技人才培养投入产出的效率进行分析对比，调整不同类别投入产出数量，实现投入产出最优化，对推动我国竞技体育人才培养效率提升具有指导意义。在已有研究基础上，对竞技体育人才培养的相关投入产出指标进行创新，为发展层次不同的各省区竞技体育人才培养提供合理、行之有效的对策和建议，有助于推动各省的竞技体育人才输送率，进而提升我国竞技体育人才培养效率，为竞技体育人才培养的相关研究以及资源配置提供参考和借鉴。

1 竞技体育人才培养效率指标选取及评价模型

1.1 指标选取和数据来源

竞技体育人才培养效率的研究需要从投入和产出两个方面进行考虑，在投入产出效率上追求两个方面的最优化：“固定投入产出最大”和“固定产出投入最小”［7］。本文所研究的竞技体育人才培养以人力、财力、物力三个角度为重点分析竞技体育人才的产出效率［8］。参考《中国体育事业统计年鉴》构建相关投入产出统计指标体系（见表1）。

为探究我国竞技体育人才培养效率，遵循广泛性、聚焦性、数据可得性原则［9］。本文各指标数据均来源于《中国体育事业统计年鉴》，经过计算整理得到最终分析数据。指标数据的选取需要关注数据的数量和质量，遵守DEA方法分析数据的要求：（1）投入产出指标的数据观测值为正数且不能为空值；（2）投入产出指标之间要相互关联；（3）为保证分析结果的差异性，决策单元样本的数量要大于投入产出指标数量相乘且大于投入产出指标和的三倍及以上。即n≥max｛m×q，3×（m+q）｝。为做到数据及指标的一致性、系统性和可比性原则，本文选择了中国31个省份作为研究样本，收集了31个省份2016—2020年在竞技体育人才培养投入产出的相关数据。

1.2 评价模型

Charnes等人于1978年提出DEA方法，用于评价不同DMU间相对效率的系统分析法［10-11］。DEA方法属于非参数法，在计算结果上比较客观，适用范围广泛，在基于一定的生产有效性标准找出位于生产前沿包络面上的相对有效点，从投入产出大小来对决策单元进行效率评价，提供科学、有效的决策管理信息［12］。因此本文选用DEA方法来研究竞技体育人才培养效率，采用DEA投入导向型模型，包括规模收益不变CCR模型和规模收益可变BCC模型以及Malmquist生产率指数模型。DEA方法不需考虑投入产出之间的函数关系以及预先估计参数和权重假设，通过产出与投入之间加权和之比，就可计算决策单元的投入产出效率［13］。且在应用DEA方法建立模型前无须对数据进行无量纲化处理［14］。

1.2.1 CCR、BCC模型

假设CCR模型有n个决策单元，每个决策单元规模收益不变条件下完成生产过程，投入要素等比增加，产出也会同比增加。假设在第

j个决策单元有m种投入要素和s种产出要素，投入指标记为Xik（j=1，2，…，m），产出指标记为Yik（j=1，2，…，s），CCR模型结构如下：

minθ

∑nk=1XkYk+S-=θXt

∑nk=1XkYk－S+=Yt

S-≥0，S-≥0，λk≥0

k=j=1，2，…，n

S+和S-分别代表各项产出与投入的松弛变量，λ和θ代表决策变量，θ为决策单元的综合效率值。在CCR模型中综合效率值介于0～1之间，越接近1则表示决策单元投入产出效率越高，当θ=1时表示投入产出效率达到了最优水平，表示为DEA强有效。

BCC模型在CCR模型的基础上，用规模报酬可变假设替代规模报酬不变的假设。加入一个凸性假设，解决了规模效益不变的局限性，得到了纯技术效率（PTE）和规模效率（SE），SE=TE/PTE。CCR模型和BCC模型判别规则如下：若θ0=1，则第K0省区为弱DEA有效；若θ0=1，且S-0=0，S+0=0，则第K0省区为DEA有效，其他情况均为无效。

minθ

∑nk=1XkYk+S-=θXt

∑nk=1XkYk－S+=Yt

∑nk=1λk=1

S-≥0，S-≥0，λk≥0

1.2.2 Malmquist生产率指数模型

DEA模型反映了不同省区在某一个固定节点上的效率值，具备截面数据的特征，属于静态评价分析，评价过程不够全面。故采用Malmquist指数模型在全要素视角下对31个省区竞技体育人才培养效率的变化态势进行分析，运用全要素生产率指标可以对生产力的变化进行动态分析，模型如下：

Mt+1t=Dt0（xt+1，yt+1）Dt0（xt，yt）Dt0（xt+1，yt+1）Dt+10（xt+1，yt+1）×Dt0（xt，yt）Dt+10（xt，yt）=EFFCH×TECHCH

EFFCH=Dt0（xt+1，yt+1）Dt0（xt，yt），

TECHCH=Dt0（xt+1，yt+1）Dt+10（xt+1，yt+1）×Dt0（xt，yt）Dt+10（xt，yt）

Malmquist指数可分解为技术效率变化（EFFCH）和技术进步变化（TECHCH）在t+1时期相对于t时期的变化情况。（xt，yt），（xt+1，yt+1）分别表示决策单元在t时期和t+1时期中的投入向量和产出向量；Dt0（xt，yt）和Dt0（xt+1，yt+1）分别表示在t时期和t+1时期，以t时期的生产技术为参照的距离函数；Dt+10（xt，yt）和Dt+10（xt+1，yt+1）分别表示在t时期和t+1时期，以t+1时期的生产技术为参照的距离函数。M指数体现了t～t+1时期竞技体育人才培养全要素生产率的动态变化，M>1时，全要素生产率提高；M<1全要素生产率下降。本研究通过Malmquist指数模型来测算我国竞技体育人才培养效率的Malmquist值，进一步分析我国竞技体育人才培养效率的特征和规律。

2 我国竞技体育人才培养效率评价

2.1 竞技体育人才培养效率静态评价

DEA模型对我国竞技体育人才培养效率的分析具有较高的适配性。可分为投入导向与产出导向两种模型，投入导向是指在固定产出条件下实现投入最小化；产出导向是指在固定投入条件下实现产出最大化。并提出规模报酬是否可变的假设，分为BCC规模报酬可变（VRS）与CCR规模报酬不变（CRS）等方法。由于不能保证全国各省区市竞技体育人才培养都在最佳模型条件下进行，并且各省区市对竞技体育人才培养资源投入差异较大，本研究选取了基于产出导向下的规模报酬可变的方法，对我国竞技体育人才培养效率进行评价。

2.1.1 综合效率分析

综合效率是指我国各省域为实现提高竞技体育人才培养效率的目标，在人力、物力、财力上进行资源投入，最终使相关投入能够产生最佳人才产出效率。将2016—2020年31个省域的投入产出指标数据导入DEAP2.1软件进行数据处理，得到31个省域的竞技体育人才培养综合效率（见表2）。

随着国家对竞技体育事业的重视程度不断提高，国家相关资源配置重心随之倾斜；中国作为竞技体育发展强国，运动竞赛成绩处于世界前列，竞技体育人才培养是中国全面建成体育强国的核心重点；高质量发展推动经济、政治、文化等全面发展。我国竞技体育人才培养效率也随之得到了提升。北京市、天津市等5个省（市、区）竞技体育后备人才培养投入5年综合效率平均值达到了DEA强有效，实现了多项资源投入得到生产率产出帕累托最优状态。其余省（市、区）的综合效率值均小于1，属于DEA无效率，需要对竞技体育人才培养投入资源数量和结构进行调整；观察31个省5年的综合效率值发现，综合效率值总体呈现上升的趋势。综合效率平均值从2016年的0.723上升到了2020年的0.792，逐步朝着DEA有效状态靠拢。

除此之外，我国直辖市在竞技体育人才培养效率投入综合效率整体高于其他省份，四个直辖市除上海市外，综合效率值均为1，实现了DEA强有效，平均综合效率值达到了0.95，其余省份的平均综合效率值为0.75，两者之间差异明显。直辖市作为区域政治、经济、文化发展的中心，具备较好的体育发展优势，直辖市的体育机关单位与省级同属，在体育相关政策落实上具备优势，体育事业工作效率高。经济实力和科技水平较高，对推动竞技体育人才培养效率的提高具有积极作用。对体育人才的吸引力较强，体育资源、训练条件等优势因素作用下，吸引了较多周边省份的竞技体育人才。

2.1.2 纯技术效率分析

通过DEA模型得到各省区的纯技术效率PTE，PTE反映了决策单元在最优规模情况下投入资源的生产效率。可以通过PTE效率值反映综合效率和规模效率，PTE=1达到技术效率有效，说明在目前的技术水平上投入资源使用是有效的，若未达到综合效率有效，说明规模效率无效，可以通过相关情况进行改革，实现综合效率有效目标（见表3）。

纯技术效率连续5年达到DEA强有效的省区有：北京、天津、重庆、四川、西藏。纯技术效率逐年增加的省区只有贵州。通过数据分析，贵州的纯技术效率值没有到达DEA有效状态，5年平均值仅为0.5796，说明贵州在竞技体育人才培养上总体发展水平较低，培养效率不显著，但贵州的纯技术效率值处于逐年提高的积极状态，其对竞技体育人才培养的资源投入逐渐趋于合理。

在DEA模型中北京、天津、重庆、四川、西藏5个省区效率均达到强有效状态，说明TE和PTE均达到相对有效性，竞技体育人才培养投入规模收益不变，人才培养资源投入达到相对最优效果；河北、辽宁等11个省区的纯技术效率值达到有效，说明各省区在竞技体育人才培养的资源投入实现了人才培养效率产出最优；山西、内蒙古等8个省区在综合效率和纯技术效率上均未达到有效，说明竞技体育人才培养效率相对较低。纯技术效率未达到有效是导致综合效率非有效的重要原因，需要提高各省区的投入资源管理能力，实现各省区竞技体育人才培养效率DEA有效。

2.1.3 规模效率分析

BBC模型在规模收益可变情况下求解出纯技术效率PTE，CCR模型在规模效率不变情况下求解出综合效率TE，规模效率SE可以通过公式：SE=TE/PTE进行计算，规模效率反映了各省区是否达到了最优投入规模，体现了各省区竞技体育人才培养效率规模集中水平。分别对PTE和SE进行分析，找出影响DMU有效的相关因素，提供改进方向来达到提升综合效率的目标，发挥DEA数据分析的指导价值（见表4）。

除辽宁、黑龙江、江苏、山东、广东、海南、贵州、青海以外，其余省区SE>0.9，平均值为0.921，说明总体规模效率情况较好，2020年相较于2016年SE有所提升；山东、海南、青海三个省区的SE<0.75，大幅度低于平均值，需要对资源投入规模数量进行调整；没有省区实现5年规模效率逐年上升。说明需要增加各省区竞技体育人才培养投入规模，主要包括专职教练员人数、体育系统机构数量、体育系统从业人员以及政府对竞技体育人才培养的投入资金，通过对规模数量投入的增加来实现规模效率有效，最终实现竞技体育人才培养效率最优化。

2.1.4 纯技术效率和规模效率比较分析

为了更直观分析我国竞技体育人才培养投入的PTE与SE情况，结合表3，表4绘制了PTE与SE比较散点图。2016年至2020年我国竞技体育人才培养投入的PTE平均值为0.845，SE的平均值为0.921，根据两者均值绘制了X轴和Y轴两条平行线，把相关数据分为A、B、C、D共4个区域，把竞技体育人才培养效率分为了双高型、低高型、高低型、双低型（见图1）。

处于A区域的省区PTE和SE都超过均值为双高型，共包括9个省区，占样本数的29%；B区域有高于均值的SE，但PTE小于均值为低高型，共包括5个省区，占样本数的16%；C区域SE、PTE都小于均值为双低型，只有江苏一个省区，占样本数的3.2%；D区域SE低于均值，但PTE高于均值为高低型，共包括16个省区，占样本数的51.8%，超过80%的省区PTE都高于均值，接近PTE有效状态。

A区域内的省区综合效率、PTE、SE较高，效率的提升空间较小。决策者需要根据地区规模收益变化趋势调整投入；通过加大对人力资源的投入来提升竞技体育人才培养纯技术效率；适量加大竞技体育相关财政投入规模，如体育竞赛、体育训练的相关投入来提高规模效率，从而提高竞技体育人才培养的产出效率。

B区域的省区在竞技体育人才培养相关财政投入规模效率较高，但纯技术效率较低，说明相关省份需要提升教练员、体育系统从业人员的工作能力，加强人力资本的利用和培养，对相关人力投入进行优化。通过改进管理结构，提高人力资源质量来提升纯技术效率，从而提升竞技体育人才培养产出效率。

C区域的江苏省需要在提高竞技体育人才培养管理水平的同时增加相关资源的投入，加强对竞技体育人才培养的重视程度，政府加大对竞技体育人才培养人力、财力、物力的投入，同时优化投入资源配置，减少投入资源冗余，提升人才培养综合效率。

D区域的省区在资源投入上具有较高的管理能力，但在竞技体育人才培养政府财政投入上存在一定程度的不足，需要加大财力投入，对投入资源配置情况进行调整，招聘教学能力较强的教练员及工作经验丰富的相关体育系统从业人员来提高规模效率，从而获得高效率的竞技体育人才产出。

2.2 Malmquist生产率指数的培养效率动态评价

为探寻我国竞技体育人才培养效率的动态变化，清晰反映各项效率特征，采用Malmquist生产率指数法对样本省份2016—2020年全要素生产率、综合技术效率、技术进步进行测算（见表5，图2）。

从整体的时间变化看出，全要素生产率增长指标与技术进步增长指标在变化趋势上较为相似，与综合技术效率增长指标明显不同。31个省份平均全要素生产率增长6.5%，技术进步与综合技术效率均大于1，可初步判断2016—2020年我国竞技体育人才培养效率增长态势良好。在2018年全要素生产率达到了1.337，发展质量较高。但在2018—2020年期间，全要素生产率下降了约47.1%的下降，究其原因可能是2017年国家体育总局、教育部发布《关于加强竞技体育后备人才培养工作的指导意见》提出竞技体育后备人才培养影响体育事业的协调可持续发展，需要重视并不断创新，完善培养体系，推动建设体育强国和健康中国。各省区加大了对竞技体育人才培养的力度，投入了大量人力、物力、财力资源，在相关政策驱动下2018年竞技体育人才培养效率不断提高。2019年国务院办公厅印发《体育强国建设纲要》提出“提升竞技体育综合实力，增强为国争光能力”，完善竞技体育发展模式，创新管理体制和运行机制，完善运动员的选拔制度，建立竞技体育公共投入、产出效率评估体系。在完善竞技体育人才培养机制的同时也对各省区人才培养投入提出更高要求，使我国竞技体育人才培养全要素生产率出现了下降。

根据上述特点，为了进一步探究我国竞技体育人才培养效率在各省区的差异，对31个省区2016—2020年的Malmquist生产率指数模型测试结果进行收集整理。运用Malmquist生产率指数模型得出了31个省区竞技体育人才培养的动态效率，相关数据如表6所示。我国各省区竞技体育人才培养发展较为均衡，基本实现全要素生产率增长。31个省区中10个省区竞技体育人才培养效率处于DEA有效状态，相关省区全要素生产率、综合技术效率、技术进步、纯技术效率及规模效率均大于1。在这10个省区中有北京、上海等经济较为发达的地区，也有贵州、广西等经济发展相对较弱的地区。其他省份需要借鉴这十个省区的经验，对自身存在的不足及时进行调整，利用好区域优势，加强各省区之间的区域合作，在资源投入、知识技术上实现共享。

全要素生产率的变化受到技术进步的制约，技术进步落后地区需要加大投入，提高人力资源质量，组织学习和培训，加强管理水平，优化整体管理结构，提高技术进步效率，最终实现全要素生产率提高。总体而言，我国31个省区在竞技体育人才培养效率的差异相对较小，且26个省区都达到了DEA有效状态，效率都处于提升阶段。

3 我国竞技体育人才培养效率影响因素

3.1 研究假设

对我国竞技体育人才培养效率影响因素进行分析的前提和基础是科学准确地选取相关影响因素。从我国竞技体育人才培养效率的影响因素看，经济发展水平、政府财政支持、城镇化水平、人口密度、文化教育水平等因素，均对我国竞技体育人才培养效率产生了影响。因此，本文结合我国竞技体育人才培养效率影响因素的实际情况，主要考虑以上因素对我国竞技体育人才培养效率的影响。提出以下假设：

假设一：经济发展水平与我国竞技体育人才培养效率为正相关关系。

假设二：政府财政支持与我国竞技体育人才培养效率为正相关关系。

假设三：城市化水平与我国竞技体育人才培养效率为正相关关系。

假设四：常住人口数量与我国竞技体育人才培养效率为正相关关系。

假设五：人力资本与我国竞技体育人才培养效率为正相关关系。

3.2 竞技体育人才培养效率影响因素变量选取

3.2.1 被解释变量选取

本文运用2016—2020年我国31个省市自治区竞技体育人才培养综合技术效率作为因变量。

3.2.2 解释变量选取

本文根据竞技体育人才培养发展过程的特性，遵循相关数据资料收集的可操作性，选取能够影响竞技体育人才培养效率的因素。包括（1）经济因素：经济发展水平；（2）政治因素：政府财政支持；（3）社会发展因素：城市化水平；（4）社会人口因素：常住人口数量；（5）文化教育因素：人力资本的相关指标作为解释变量。

地区生产总值可以反映不同地区的经济发展情况，人均地区生产总值可以使经济发展水平表示得更加全面和准确，故经济发展水平采用人均地区生产总值这个指标来表示；政府支持竞技体育人才培养的直接方式是对其进行财政资金投入，故政府财政支持采用文化体育旅游与传媒中体育投入占比这个指标来表示；城市化水平反映一个地区的发展情况，城市化水平提升推动地区经济发展，故城市化水平采用地区城市化率这个指标来表示；人口基数影响地区竞技体育人才培养资源利用程度，常住人口数量用人口密度这个指标来表示；从业人员的质量是发展竞技体育人才培养的关键，故人力资本用地区受教育程度占比这个指标来表示（见表7）。

3.3 竞技体育人才培养效率影响因素模型构建

3.3.1 计量模型说明

Tobit模型也被称为受限因变量模型、审查模型等，是被解释变量满足某种约束条件下的模型。Tobit模型主要是分析在某些选择行为下，连续变量如何变动的问题，Tobit模型可以有效地弥补DEA方法模型存在的不足，解决外界环境影响因素和竞技体育人才培养效率之间关系的问题。

yi=βtxi+εi，i=1，2…，n

εi～N（0，θ2）

y*≤0，yi=0

y*≥0，yi=y*

yi为被解释变量，βT为未知参数向量，εi为模型的随机误差项。Tobit模型为截取回归模型，xi取实际观测值，yi取值的方式受限。当y*≤0，yi均截取为0；y*≥0，yi取实际观测值。结合前文对竞技体育人才培养影响因素指标进行了选取，分析经济发展水平、政府财政支持、城市化水平、常住人口数量和人力资本对我国竞技体育人才培养效率的影响，计量模型如下所示：

SEjt=β0+β1PCGjt+β2FEjt+β3RUjt+β4PDjt+β5HCjt+εjt

其中εjt为随机误差项；j=1，2，3…，31个省市自治区；t=2016，2017…，2020年；SEjt为第j个地区第t年的综合技术效率得分；PCGjt表示人均地区生产总值变量；FEjt表示文化体育旅游与传媒中体育投入占比变量RUjt表示地区城市化率变量；PDjt表示人口密度变量；HCjt表示地区受教育程度占比变量。

3.3.2 面板数据模型选择

面板数据模型是一种统计分析方法，用于处理具有时间序列和横截面数据的数据集。面板数据模型可以分为固定效应模型和随机效应模型。固定效应模型假设个体固定效应是一个常数，随机效应模型则假设个体固定效应是一个随机变量。两种模型的估计方法和假设条件有所不同，根据具体的数据和研究问题，可以选择适合的模型进行分析。通过F检验和hausman检验选择面板数据模型

（1）F检验。为确定面板数据模型的形式，运用F检验确定分析我国竞技体育人才培养效率差异的面板数据模型，是混合模型还是固定效应模型。提出原假设H0和备选假设H1：

H0：面板数据模型中个体截距相等

H1：面板数据模型中个体截距不相等

若原假设成立使用混合模型，反之使用固定效应模型。通过Stata软件进行F检验可知：F0.05（30，119）=16.89；F=34.63；P=0.00。

得出结论：F>F0.05（30，119），P<0.05，故拒绝原假设，得出固定效应模型相对于混合模型更适合的结论。

（2）hausman检验。运用hausman检验确定面板数据模型应该选择固定效应模型还是随机效应模型，提出原假设和备选假设：

H0：随机效应的回归系数是无偏的，可以使用随机效应模型

H1：随机效应的回归系数是有偏的，拒绝使用随机效应模型，使用固定效应模型。

若原假设成立使用随机效应模型，反之使用固定效应模型。通过Stata软件进行hausman检验，检验结果P<0.05，故拒绝原假设，面板数据模型存在个体固定效应，使用固定效应模型。

3.4 竞技体育人才培养效率影响因素

研究选取我国31个省市自治区竞技体育人才培养效率值及影响我国竞技体育人才培养发展的5项假设因素指标进行回归分析，通过stata软件计算我国竞技体育人才培养发展的相关影响因素对竞技体育人才培养效率的影响程度。将所选取的所有指标变量数据带入面板数据模型进行回归分析，通过显著性检验判断指标数据对配置效率的影响，分析影响因素指标对我国竞技体育人才培养效率的影响程度（见表8）。

3.4.1 经济发展水平的影响 经济发展水平所对应的P值为0.6684，说明经济发展水平对我国竞技体育人才培养效率不存在显著影响。回归系数为负值，说明经济发展水平对我国竞技体育人才培养效率的提升没有较大的影响作用，经济发展水平与竞技体育人才培养效率存在反向关系。以上分析说明假设一不成立，综合分析出现该情况的原因：首先是各省市自治区存在地区经济发展水平不均，各地区重视经济发展，但各地区对竞技体育人才培养资源投入存在浪费和利用不合理的问题，导致产出不足，竞技体育人才培养效率下降。

3.4.2 政府财政支持的影响 从显著性水平看，政府财政支持所对应的P值为0.001，小于0.01，说明政府财政支持对我国竞技体育人才培养效率存在显著影响。政府财政支持的回归系数为正数，说明政府财政支持对我国竞技体育人才培养效率的提升有较大的影响作用，政府财政支持与竞技体育人才培养之间存在正相关关系。以上分析说明假设二成立，各省市自治区政府对竞技体育人才培养的重视程度越高，相关资源投入也就越多，有利于提高我国竞技体育人才培养效率。

3.4.3 城市化水平的影响 城市化水平对应的P值为0.117，说明城市化水平对我国竞技体育人才培养效率不存在显著影响，且回归系数为负值，说明城市化水平与竞技体育人才培养效率存在反向关系，说明我国城市化水平越高，竞技体育人才培养效率没有因此得到提升，反而出现了效率低下的现象。以上分析说明假设三不成立，城市在竞技体育人才培养场地设施、器材数量上有一定的优势，但也存在资源配置过度，造成资源投入冗余的情况。

3.4.4 常住人口数量的影响 从显著性水平看，常住人口数量对应的P值为0.024，小于0.05，说明常住人口数量与我国竞技体育人才培养效率之间存在显著影响。常住人口数量的回归系数为正数，说明常住人口数量与竞技体育人才培养效率之间存在正向关系，常住人口数量增加促进我国竞技体育人才培养效率的提高。以上分析说明假设四成立，人口密度低的地区，竞技体育人才培养相关资源投入少，群众对相关物质设施的满意度较低，会降低群众参与竞技体育活动的积极性，进而影响竞技体育人才培养工作的推进。人口密度较高的地区，有利于发挥体育系统机构的规模效应，提高群众参与竞技体育活动的满意度和积极性，但也存在管理难度增大的问题，需要根据人口密度强弱情况对管理结构进行调整和升级。

3.4.5 人力资本的影响 从显著性水平看，人力资本对应的P值为0.000，说明人力资本与我国竞技体育人才培养效率之间存在显著影响。回归系数为正数，说明人力资本与竞技体育人才培养之间存在正向关系，人力资本水平提高推动竞技体育人才培养效率上升。以上分析说明假设五成立，学校是培养竞技体育人才的重点场所，为我国培养和输送了大量优秀的竞技体育人才，地区受教育程度越高说明我国对教育的重视程度越大。

4 结论与建议

4.1 结 论

（1）2016年至2020年各省的综合效率值总体呈现上升的趋势，纯技术效率发展趋势波动较大，总体规模效率情况较好，大部分省区对资源投入的管理能力较强。

（2）国家竞技体育发展相关政策影响竞技体育人才培养的全要素生产率发展水平和质量。全要素生产率发展呈动态波动趋势，但总体情况较好，资源投入符合总体要求。

（3）政府财政支持、常住人口数量、人力资本等因素，对我国竞技体育人才培养效率产生了不同程度的影响，其中政府财政支持的影响程度最高。

（4）通过加大高质量人力资源的投入来提升竞技体育人才培养的纯技术效率；适量加大竞技体育财政投入规模来提高规模效率，从而提高竞技体育人才培养的综合产出效率。

（5）各省市自治区根据实际情况调整我国竞技体育人才培养资源投入规模、比例和调整投入结构，不断优化竞技体育人才培养相关体育系统机构服务质量。

4.2 建 议

（1）增加各省区竞技体育人才培养财政投入规模，以及政府对竞技体育人才培养的投入资金，通过对规模数量投入的增加来实现规模效率有效，优化竞技体育人才培养效率。

（2）大部分省区对资源投入的管理能力较强，可以通过加大教练员、体育系统从业人员数量的投入，提高人力资本质量来提升竞技体育人才培养纯技术效率。

（3）加大对体育竞赛、体育训练及教练培训的相关投入来提高规模效率，重视政府财政支持、人力资本、常住人口数量等因素对竞技体育人才培养的影响作用，及时调整竞技体育人才培养结构和模式，获得高质量竞技体育人才产出。

（4）根据各省市自治区的实际情况调整我国竞技体育人才培养资源投入规模、比例和调整投入结构，不断优化竞技体育人才培养相关体育系统机构服务质量，提高竞技体育人才培养相关从业人员技能，完善竞技体育人才培养相关体育场地、训练基地的建设，促进群众参与竞技体育活动。

参考文献：

［1］ 国家体育总局，2021.体育总局关于印发《“十四五”体育发展规划》的通知［EB/OL］.2021-10-25.

［2］ 袁凌峰.“体育强国“建设背景下我国省级体育公共财政投入效率研究［J］.体育科学，2022，42（5）：38-46.

［3］ 邹月辉，田思.基于动态DEA-SBM模型的社会保障对竞技体育投入效率影响的实证研究［J］.武汉体育学院学报，2020，54（10）：50-57.

［4］ 董国民，张利超，景怀国.体教融合背景下我国竞技体育后备人才培养转型发展动力研究［J］.广州体育学院学报，2023，43（2）：36-43，61.

［5］ 张晓丽，阎晋虎.人力资本和社会资本对中国退役运动员收入影响比较［J］.上海体育学院学报，2020，44（4）：31-40.

［6］ 单凤霞.我国城市休闲体育系统的理论构建与运行实践——基于对杭州、武汉和成都三市的调查［J］.体育学刊，2022，29（4）：68-73.

［7］ 刘芳枝，陈洪平，潘磊.高质量发展背景下我国体育产业的关联效应与关联动力研究——基于投入产出数据的实证分析［J］.武汉体育学院学报，2021，55（8）：57-64.

［8］ 潘磊，方春妮.我国体育产业与数字经济产业融合发展的水平测度［J］.体育与科学，2023，44（3）：72-79.

［9］ 郭志斌，郑磊，周伟，等.我国公共体育资源配置效率影响条件组态与路径研究［J］.武汉体育学院学报，2023，57（11）：50-57.

［10］ 付志华，陈颇.信息技术服务业促进体育用品制造业转型升级效率评价研究——以湖北省为例［J］.天津体育学院学报，2022，37（3）：282-288.

［11］ 田广，郭敏.基于DEA-Tobit模型的中国大型体育场馆投入产出效率评价及影响因素研究［J］.成都体育学院学报，2021，47（4）：86-92.

［12］ 朱鹏.基于DEA的我国31省份体育公共服务财政支出效率研究［J］.体育学刊，2022，29（2）：66-71.

［13］ 李燕领，邱鹏，柳畅.我国31个省级政府公共体育服务效率评价及其收敛性研究［J］.中国体育科技，2020，56（4）：52-60.

［14］ 邹月辉，田思.基于动态DEA-SBM模型的社会保障对竞技体育投入效率影响的实证研究［J］.武汉体育学院学报，2020，54（10）：50-57.