安徽省大別山連片特困區林業扶貧效率評價

張士菊 吳慧

摘要：利用安徽省2014—2020年面板數據，結合超效率SBM和Global Malmquist指數模型對安徽省大別山連片特困區12個縣林業扶貧的時間和空間效率進行評價，結果顯示，安徽省12個縣林業扶貧效率較高，且大部分縣的林業扶貧效率呈上升趨勢；技術效率進步是全要素生產效率提高的主要帶動因素；林業經濟效率較高的地區，綠化和生態環境建設較好；12個縣的林業扶貧效率存在差異，影響因素各異。提出開展特色林業產業扶持，挖掘林業發展的多維潛力；提高林業扶貧技術和規模效率，優化配置林業科技發展要素；科學利用林業扶貧模式，提升林業產業的內生可持續發展；合理規劃林業產業資源，努力實現生態保護與鞏固脫貧成果的雙贏。

關鍵詞：連片特困區；林業扶貧效率；超效率SBM；Global Malmquist指數；大別山；安徽省

中圖分類號：F327.9? ? ? ? ?文獻標識碼：A

文章編號：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，習近平總書記在全國脫貧攻堅總結表彰大會上發表重要講話，宣告脫貧攻堅戰完美收官，要切實做好鞏固拓展脫貧攻堅成果同鄉村振興有效銜接的各項工作，使脫貧基礎更加穩固、成效更可持續；對脫貧地區的產業要長期培育和支持，激發內生動力，推動可持續發展。安徽省是中國南方集體林重點區域，全省林業用地面積約占國土總面積的30%，林業收入在全省國民經濟和社會發展中占有重要地位。2021年安徽省林業總產值超過? ? ?5 000億元，特色經濟林、林下經濟、森林旅游等新興林業產業發展迅猛。為了充分發揮安徽省大別山自然環境優勢、資源優勢和林業扶貧政策優勢，有必要對該地區的林業扶貧效率進行深入研究，從而制定更加精準的林業扶貧策略，幫助其走出“資源詛咒”的陷阱。

學者對林業扶貧效果評估的研究成果較豐富。仇曉璐等［1］構建了林業扶貧績效評價體系，以經濟建設、生態建設、社會公共服務為準則層，并利用熵權法對貴州省獨山縣、荔波縣，以及廣西龍勝縣和羅城縣的林業扶貧績效進行評價。李明娟等［2］以林業資金投入為自變量，以貧困人口就業人數和貧困人口人均收入為因變量，構建了2個線性回歸模型，檢驗林業資金投入對連片特困地區的減貧效應。韓鋒等［3］利用案例分析法分析了貢山縣和福貢縣的林業精準扶貧成效。陳甲［4］以林業扶貧效果、林業扶貧可持續性和林業扶貧精準度3個指標作為層次分析法（AHP法）的準則層，對云南省祥云縣大倉村的林業精準扶貧績效進行評價。王磊［5］通過訪談和問卷調查，利用層次分析法構建了包含認知、經濟和扶貧三大維度的影響林業扶貧工作質量的要素模型，對安徽省的林業精準扶貧效果進行研究。

已有研究主要通過實地調研來分析和總結當地的林業扶貧現狀、存在的問題及解決路徑，縱向研究較多，缺乏橫向區域間的比較分析。本研究構建了多維度的林業扶貧效率評價指標體系，采用投入—產出效益分析方法，并運用超效率SBM-Malmquist指數模型對林業扶貧效率進行定量分析和橫向比較，以期為中國林業扶貧效率提升提供有價值的決策參考。

1 數據來源與方法

1.1 數據來源

大別山連片特困區位于安徽省、湖北省、河南省的交匯處。區域內貧困輻射范圍廣、程度深，貧困人口數量多且貧困發生率高，扶貧脫貧的需求緊迫。2012年，國務院扶貧辦將安徽省內大別山連片特困地區的范圍確定為安慶市轄區的潛山縣（2018年撤縣設市，改為縣級市）、太湖縣、宿松縣、望江縣、岳西縣，阜陽市轄區的臨泉縣、阜南縣、潁上縣，六安市轄區的壽縣（國務院于2015年12月3日將壽縣劃歸淮南市管轄）、霍邱縣、金寨縣，以及亳州市轄區的利辛縣共12個縣。本研究以安徽省大別山12個貧困縣作為決策單元（DUM），數據來源于2014—2020年《安徽省統計年鑒》和12個縣統計公報及政府工作報告。

1.2 模型選擇

1.2.1 超效率SBM模型 數據包絡分析法（DEA）由Charnes等［6］于1978年提出，它以相對效率為基本準則，利用數學規劃知識和模型計算決策單元間投入、產出的相對效率，決策者以此作為分析決策單元效益的依據。DEA模型包括CCR模型、BCC模型和SBM模型等，CCR模型、BCC模型是以投入和產出徑向為基礎進行測算，要求所有的投入與產出同比例縮減或增加；非徑向SBM模型解決了徑向帶來的效率偏差問題，考慮了投入和產出的松弛變量。超效率SBM模型則是對傳統SBM模型的優化，它能解決多個決策單元的效率同時為1而無法深入比較的問題，超效率SBM模型效率大于等于1時表示效率最優。超效率非徑向SBM模型的計算公式如下。

式中，[θ]*表示林業扶貧效率；x和y分別表示投入和產出變量；S-和S+分別表示投入和產出的松弛變量，且S-≥0，S+≥0；i表示投入指標數，i = 1，2，…，m；r為產出指標數，r =1，2，…，q；o表示決策單元；[λ]表示權重；j為決策單元的指標數；[ xio]表示第o個決策單元的投入；[yro]表示第o個決策單元的產出。

1.2.2 Global Malmquist指數 Global Malmquist指數基于DEA產生，用來衡量t到t+1時的效率動態變化特征與趨勢，可以根據Global Malmquist指數識別和判斷現階段林業扶貧效率的主要影響因素［7］。應用基于全域技術集的Global Malmquist生產率指數測算全要素生產率變化，全要素生產率受技術水平和技術效率影響，計算公式如下。

M0=EC×TC? （3）

式中，M0為全要素生產率；EC為技術效率指數；TC為技術水平指數。

技術效率分解為純技術效率和規模效率［8］，計算公式如下。

EC=PEC×SEC? （4）

式中，PEC為純技術效率指數；SEC為規模效率指數。

1.3 指標選取

超效率SBM模型要求決策單元個數大于或等于投入、產出指標數乘積的2倍，且對投入和產出指標的設置有較高要求，指標設置越恰當，效率評價的結果越科學。在借鑒前人研究成果［9-12］的基礎上，篩選了3個投入指標（鄉村每年人均農林水財政投入、鄉村每年從業人數、營林面積）和2個產出指標（鄉村居民每年人均可支配收入和鄉村每年人均林業總產值），本研究選取的指標數符合模型要求，如表1所示。

在3個投入指標中，鄉村每年人均農林水財政投入對增強林業競爭力和改善林業生產環境有顯著影響，作為林業扶貧的經濟投入指標；因林業生產需要耗費勞動力，故用鄉村每年從業人數作為林業人力資本投入指標；營林面積作為林業扶貧的土地資源投入指標。本研究的目的是探究發展林業在貧困地區脫貧工作中的作用，而貧困現象多存在于鄉村地區，因此，選擇鄉村居民每年人均可支配收入作為產出指標；林業產值能客觀且準確反映林業投入所帶來的經濟效益，故將鄉村每年人均林業總產值也作為產出指標。為了減小價格波動的影響，確保變量之間的可比性，以2014年為基期，用CPI法和GDP平減指數法進行平減。

2 結果與分析

2.1 林業扶貧效率分析

利用MaxDEA分析軟件計算2014—2020年大別山12個縣林業扶貧效率，具體扶貧效率等級劃分如表2所示。

由表3可知，從地區維度來看，大別山12個縣林業扶貧效率均值達0.790，處于中高等級。2014—2020年12個縣林業扶貧效率存在較大差異，臨泉縣林業扶貧效率呈上升趨勢，均值為0.526；潛山縣和岳西縣林業扶貧效率雖有小幅度的下降，但這2個縣7年的林業扶貧效率均大于1.000，處于領先地位，均值分別為1.286、1.130；僅有2個縣（潛山縣和岳西縣）連續7年處于優等級，占比16.67%。

從時間維度來看，2014年的林業扶貧效率均值為0.671，2020年林業扶貧效率均值達0.913，12個縣林業扶貧效率呈波動上升的趨勢。這說明在各要素的推動下，安徽省大別山林業扶貧的整體效率持續上升，并已接近效率最優，通過合理優化各生產資料，林業扶貧工作初見成效。2014—2020年，阜南縣、壽縣、金寨縣、太湖縣、望江縣、岳西縣的扶貧規模報酬呈增加趨勢，臨泉縣、潁上縣、潛山縣林業扶貧規模報酬呈減少趨勢，利辛縣、霍邱縣、宿松縣的扶貧規模報酬保持不變。

2.2 Global Malmquist指數分析

由表4可知，2014—2020年安徽省大別山12個縣林業扶貧效率全要素生產率均值為0.977。從全要素生產率的分解情況來看，技術效率指數均值為1.099，純技術效率指數均值為1.092，規模效率指數均值為1.006，這3個指數均值均大于1.000，表明對應效率有所增長，但增長幅度有限。12個縣技術水平指數均值只有0.889，且12個縣的技術水平指數均小于1.000，望江縣的技術水平指數最低，為0.772。由此可知，技術水平指數低是導致全要素生產率低的主要原因，表明安徽省大別山12個縣的林業扶貧技術水平有待提高。

由表5可知，2014—2015年和2019—2020年安徽省大別山12個縣的全要素生產率均小于1.000，其他年份均大于1.000，林業扶貧效率未呈現逐年上升的趨勢。從各年份來看，2014—2015年全要素生產率為0.651，其中技術水平指數較低，僅為0.573；2019—2020年全要素生產率為0.985，其中技術水平指數為0.956。2015—2016年、2016—2017年、2017—2018年、2018—2019年的全要素生產率分別為1.054、1.070、1.155、1.038，其中2015—2016年的全要素生產率是由技術水平上升帶動。因此，大別山連片特困區林業扶貧效率的提高要著眼于技術水平的創新，加大科學技術投入，鼓勵技術創新，促進林業帶動地區經濟高質量發展。

現對全要素生產率進行分解，結果如圖1所示，技術效率較技術水平對全要素生產率的貢獻更大。把提高林業生產發展的技術效率作為林業扶貧政策實施的著力點，同時不能忽略技術水平的短板效應。

2.3 效率形態類型分析

采用超效率SBM模型、Global Malmquist指數方法對安徽省大別山連片特困區12個縣林業扶貧效率和全要素生產率進行了測算，用效率作為橫坐標，全要素生產率為縱坐標，以2014—2020年安徽省林業扶貧效率均值（0.790）為橫坐標的臨界值，以全要素生產率均值（0.977）為縱坐標的臨界值，繪制四象限散點圖，并且借鑒生命周期模型來研究區域內的林業扶貧效率類型。如圖2所示，將12個縣劃分為雙低型林業扶貧縣、朝陽型林業扶貧縣、黃金型林業扶貧縣和夕陽型林業扶貧縣。

1）黃金型。黃金型林業扶貧縣位于第Ⅰ象限，包括太湖縣和潁上縣，其林業扶貧效率高于研究區域效率平均值，且效率呈增長態勢。這些地區林業資源豐富，脫貧效率的提升主要依靠農業資源帶動，而林業是農業資源的重要組成部分，且生態扶貧是林業發展的延展［13］。例如太湖縣曾被授予“第四批國家生態文明建設”的稱號，其豐富的林業扶貧經驗和當地政府的資金、技術支持都有助于林業扶貧效率提升和生態環境優化。

2）朝陽型。朝陽型林業扶貧縣位于第Ⅱ象限，包括阜南縣、臨泉縣、宿松縣、金寨縣和霍邱縣，其林業扶貧效率低于研究區效率平均值，但效率呈增長態勢。這5個縣都擁有豐富的林業資源，但林業在促進當地經濟發展中的推力還不夠。若當地政府和居民重視林業資源利用，提升林業在扶貧開發中的地位，帶動貧困人口脫貧，可進一步提升該地區林業扶貧效率。

3）雙低型。雙低型林業扶貧縣位于第Ⅲ象限，包括利辛縣和望江縣，其林業扶貧效率低于研究區效率平均值，且效率呈下降態勢。主要是因為這2個縣林業優勢資源相對較少，林業發展基礎薄弱，未形成規模效應，林業產值對當地經濟的貢獻小。若政府重視林業發展，鼓勵居民積極參與林業扶貧，使貧困人口從林業發展中獲益，從而進一步拓展林業扶貧效果。

4）夕陽型。夕陽型林業扶貧縣位于第Ⅳ象限，包括岳西縣、潛山縣和壽縣，其扶貧效率高于研究區效率平均值，但效率呈下降態勢。岳西縣和潛山縣林業資源豐富，植被覆蓋率占縣土地面積的50%以上，有“天然氧吧”的美譽，且被評為生態文明建設示范區。當地政府積極利用其林業資源優勢發展森林旅游業，例如潛山縣通過開發天柱山旅游景區，岳西縣通過挖掘明堂山、司空山林業資源發展森林旅游，帶動居民增收致富。但這些縣現階段林業扶貧模式單一、森林旅游發展后勁不足，應探索和創新更多的林業扶貧增長點，如通過建設林下經濟、森林康養、森林研學基地等來提高林業扶貧效率，擺脫林業扶貧夕陽型的困境。

3 小結與建議

3.1 小結

本研究通過超效率SBM和Global Malmquist指數模型對安徽省大別山連片特困地區12個縣的林業扶貧效率進行分析。

第一，總體林業扶貧效率較高，且大部分縣的效率呈增長趨勢。通過對2014—2020年安徽省大別山連片特困地區林業扶貧效率進行分析，發現7年內的扶貧效率均值達0.790，且林業扶貧效率相對穩定。

第二，技術效率是全要素生產效率提高的主要帶動因素。從Global Malmquist指數的分解可以看出，技術效率是地區林業扶貧效率提高的關鍵因素，應把提高林業生產發展的技術效率作為林業扶貧政策實施的著力點，同時不能忽略技術水平的短板效應。

第三，林業扶貧效率較高的地區，綠化和生態環境建設較好。林業扶貧模式分為林業生態扶貧和林業產業扶貧，生態建設較好的地區可實現生態保護與經濟發展的共贏。政府通過給予參加生態退耕還林的農戶財政補貼、給擔任生態護林員的貧困人員發放工資報酬等方式，使貧困人口在林業生態保護的過程中獲得經濟收入。同時，通過建設國家儲備林等生態保護項目，增強貧困地區的生態承載力和可持續發展能力。

第四，12個縣的林業扶貧效率不一，所處的林業扶貧區間不同。以12個縣的林業扶貧效率為依據，將其劃分為4種類型，由于12個縣林業扶貧的經濟基礎和自然環境不同，應根據現階段所處類型探索具有時效性、本土化的林業扶貧策略。

3.2 建議

1）開展特色林業產業扶持，挖掘林業發展的多維潛力。安徽省大別山區具有豐富的林業資源，不同地區的林業資源發展狀況具有差異性，當地政府應因地制宜制定切實可行的林業扶持政策，為林業發展提供內在動力，促使林業扶貧效率穩定持續。

2）提高林業扶貧技術和規模效率，優化配置林業科技發展要素。一是加強區域間的合作和交流，通過區域聯合模式向周邊地區學習林業開發技術和扶貧經驗，實現“1+1>2”的效果，從而提高林業產業發展的規模效應和聚集效應。二是提高林業工作者的工資待遇，為高素質管理者和創新科技人才營造良好的生活工作環境，增強林業扶貧項目效應和產業聯動效應。

3）科學利用林業扶貧模式，提升林業產業的內生可持續發展。政府在林業扶貧中發揮宏觀調控作用，同時積極探索政企合作，加強農戶專業合作社建設，并將貧困人口納入到利益分配體系當中，進一步細化為“政府+龍頭企業+貧困戶”“政府+龍頭企業+合作社”等模式，鼓勵企業雇傭一定比例的貧困人口，優化要素配置，從而提高林業扶貧效率。

4）合理規劃林業產業資源，努力實現生態保護與鞏固脫貧成果的雙贏。當地政府應著力提高林業發展的風險防范能力，在林業扶貧開發的同時保護林業資源和生物多樣性，篤行不怠地貫徹落實林業生態補償機制，讓林業資源真正成為造福后代的“綠色銀行”，實現興林富民的目標。

參考文獻：

［1］ 仇曉璐，陳紹志，趙 榮，等.林業定點扶貧績效評估研究［J］. 林業經濟，2019，41（3）：10-16.

［2］ 李明娟，顏 琦，吳 瓊. 林業資金投入對集中連片特困地區的減貧效應——以廣西壯族自治區羅城仫佬族自治縣為例［J］. 東北林業大學學報，2020，48（8）：85-88，128.

［3］ 韓 鋒，郝學峰，包雪梅，等.少數民族地區林業精準扶貧效果分析——基于云南省怒江州貢山、福貢兩縣調研［J］. 林業經濟，2017，39（10）：15-20.

［4］ 陳 甲. 林業精準扶貧績效評價研究［J］. 農場經濟管理，2018（11）：45-49.

［5］ 王 磊. 基于本土生態知識的林業精準扶貧研究——以安徽省為例［J］. 林業經濟，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，張大紅. 要素投入對林業經濟增長影響的實證分析［J］. 統計與決策，2018，34（15）：133-135.

［10］ 黃淵基. 連片特困地區旅游扶貧效率評價及時空分異——以武陵山湖南片區20個縣（市、區）為例［J］. 經濟地理，2017，37（11）：229-235.

［11］ 周鵬飛，沈 洋. 集中連片特困地區產業扶貧效率及影響因素實證分析——以甘肅省31區縣馬鈴薯產業為例［J］. 西北人口，2020， 41（3）：57-68.

［12］ 洪名勇，龍 嬌，婁 磊. 林業生態效率：時空特征與影響因素——基于我國31個省份數據的實證分析［J］. 生態經濟，2022，38（2）：91-97.

［13］ 張 莉，夏夢麗. 林業生態扶貧研究進展［J］. 世界林業研究，2018，31（4）：8-12.