張業(yè)涌 馬秀 楊柳瀟瀟 梁禧健

摘 要：扶貧綜合績效評價是完善精準(zhǔn)扶貧政策體系、科學(xué)核定脫貧攻堅階段性成果、全面激發(fā)扶貧單位與基層人員動力的重要方法。針對目前扶貧績效評價方法不全面、指標(biāo)不完善、主觀性較強(qiáng)等問題，該研究選取居民收入、產(chǎn)業(yè)發(fā)展、居住環(huán)境、文化教育等6個評價因子，采用CRITIC賦權(quán)與TOPSIS評分的混合模型構(gòu)建了較為科學(xué)合理的扶貧績效評價體系，并采用多元線性回歸模型對各幫扶單位的工作特色與優(yōu)勢領(lǐng)域進(jìn)行了探究。結(jié)果表明：扶貧績效綜合評價模型具有較為良好的客觀性、全面性與精確性，可在全局化評定各單位或個人扶貧績效的同時兼顧其優(yōu)勢能力與特點的挖掘，為扶貧項目的精準(zhǔn)對接、扶貧機(jī)制的優(yōu)化完善、扶貧政策的創(chuàng)新發(fā)展提供了新思路和參考。

關(guān)鍵詞：精準(zhǔn)扶貧;績效評價;CRITIC方法;TOPSIS模型;多元線性回歸

中圖分類號 F323.8;F224.9 文獻(xiàn)標(biāo)識碼 A 文章編號 1007-7731（2021）24-0003-04

Research on Integrated Performance Evaluation of Targeted Poverty Reduction based on CRITIC-TOPSIS Model and Multiple Regression Analysis

ZHANY Yeyong1 et al.

（1School of Civil and Hydraulic Engineering， Hefei University of Technology， Hefei 230009， China）

Abstract： The comprehensive performance evaluation of poverty alleviation is an important method to improve the targeted poverty alleviation policy system， scientifically approve the phased results of poverty alleviation， and fully stimulate the motivation of poverty alleviation units and basic personnel. In response to the current poverty alleviation performance evaluation methods are incomplete， indicators are not perfect， and subjective issues are strong， six evaluation factors such as residents′ income， industrial development， living environment， culture and education are selected， and the hybrid model of CRITIC empowerment and TOPSIS score is adopted. A more scientific and reasonable poverty alleviation performance evaluation system is established， and the multiple linear regression model is used to explore the work characteristics and advantages of each assistance unit. The results show that the comprehensive evaluation model of poverty alleviation performance has relatively good objectivity， comprehensiveness and accuracy. It can evaluate the poverty alleviation performance of each unit or individual while taking into account its advantages and characteristics. It is a precise connection and integration of poverty alleviation projects. The optimization and improvement of the poverty alleviation mechanism and the innovative development of poverty alleviation policies have provided new ideas and references.

Key words： Precision poverty alleviation; Performance evaluation; CRITIC method; TOPSIS model; Multivariable linear regression

1 引言

績效評價是客觀公正地量化員工工作成果與發(fā)展?jié)摿?，明確單位或企業(yè)的政策優(yōu)勢與漏洞，并制定更加科學(xué)高效的戰(zhàn)略決策，從而達(dá)到全方位、全過程動態(tài)管理的一種重要方法[1]。自“脫貧攻堅”戰(zhàn)略決策在我國全面實施與深化貫徹以來，已有多位學(xué)者利用數(shù)理統(tǒng)計、理論模擬、實證分析等不同方法對扶貧績效評價及體系構(gòu)建這一問題進(jìn)行了多方位研究。李輝等通過選取投入與產(chǎn)出指標(biāo)，利用基于非期望的SBM-DEA模型對云南省27個縣區(qū)的農(nóng)村生態(tài)扶貧項目進(jìn)行了績效評價與整體分析，并針對扶貧效率較低、區(qū)域差距明顯等問題提出了科學(xué)的解決措施[2];東梅等利用三階段DEA模型對陜西、青海、寧夏等3省21縣的產(chǎn)業(yè)扶貧效率進(jìn)行了實證分析，并通過Tobit模型判斷出環(huán)境狀況、財政支出、耕地面積等影響扶貧績效的重要因素，多方位地評價了該地區(qū)的扶貧工作及成果[3];黃亞冰等ROST-CM6詞頻分析與專家修正等途徑構(gòu)建經(jīng)濟(jì)、社會、生態(tài)、民生等6個維度21個指標(biāo)的評估體系，并通過改進(jìn)熵權(quán)法和灰色關(guān)聯(lián)法構(gòu)建出模糊物元分析模型對西南民族地區(qū)的旅游扶貧績效進(jìn)行了深入研究，并針對“馬太效應(yīng)”“旅游飛地”等問題提出了改進(jìn)策略[4];徐杰等采用層次分析法建立了包含經(jīng)濟(jì)、文化、政治等5個子系統(tǒng)的評價結(jié)構(gòu)，通過2輪主成分分析對各評價子系統(tǒng)進(jìn)行了主成分提取與績效評價函數(shù)的構(gòu)建，并聯(lián)合時序分析法反映出云南省扶貧綜合績效與各方面績效的變化趨勢和變化特征[5];施詠清等選取了經(jīng)濟(jì)、社會、科技等5個維度下的24個評價指標(biāo)，通過因子分析提取共性因子、計算因子權(quán)系數(shù)同時構(gòu)建出評價模型，以此對安徽省16個地級市的區(qū)域扶貧績效進(jìn)行評價與排序，并提出了針對性戰(zhàn)略與建議[6];周子沛構(gòu)建因子分析客觀賦權(quán)、TOPSIS綜合排序的績效評價模型對全國32155個貧困村莊、160個幫扶單位的綜合扶貧績效進(jìn)行了研究，并針對各幫扶單位的工作特色進(jìn)行了分析[7];王一帆等以包含直接結(jié)果、經(jīng)濟(jì)水平、文教衛(wèi)生水平等方面的14個評價指標(biāo)為基礎(chǔ)，構(gòu)建了南疆四地州22縣的復(fù)雜網(wǎng)絡(luò)模型，并通過各地區(qū)節(jié)點點強(qiáng)度、介數(shù)、緊密度等參數(shù)的計算與地區(qū)關(guān)聯(lián)網(wǎng)絡(luò)子群的劃分，對該地區(qū)的扶貧績效進(jìn)行了綜合評價與效果劃分，在一定程度上豐富了我國績效評價體系的理論基礎(chǔ)與研究方向[8]。

然而，目前大部分針對扶貧工作績效進(jìn)行評價分析的數(shù)學(xué)模型在評價因子構(gòu)建與賦權(quán)等方面仍存在客觀性不強(qiáng)、片面性突出等問題，以層次分析、因子分析、熵權(quán)法為代表的模型在對數(shù)據(jù)的關(guān)聯(lián)性與離散度進(jìn)行綜合衡量與賦權(quán)這一方面表現(xiàn)較差，另外各幫扶單位與貧困村莊的工作與發(fā)展特色也未能得到進(jìn)一步的挖掘與研究。

2 數(shù)據(jù)采集及預(yù)處理

2.1 數(shù)據(jù)采集 本文以全國32165個需要幫扶的貧困村作為研究對象，將其劃分為160個集合，每個村莊集合分派一個指定幫扶單位（各幫扶單位編號為0～159），并按單位屬性將160個幫扶單位劃分為0～5等6個類型。本文分別采集到此32155個貧困村莊2015年與2020年在居民收入（記為SR）、產(chǎn)業(yè)發(fā)展（記為CY）、居住環(huán)境（記為HJ）、文化教育（記為WJ）、基礎(chǔ)設(shè)施（記為SS）、綜合評價（記為ZH）等6個評價指標(biāo)上的綜合得分，并以此為基礎(chǔ)數(shù)據(jù)對160個幫扶單位在5年內(nèi)的精準(zhǔn)扶貧績效進(jìn)行評價與分析。所用數(shù)據(jù)來源于2020年“華數(shù)杯”全國大學(xué)生數(shù)學(xué)建模競賽C題基礎(chǔ)數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理 由于各評價指標(biāo)的量綱和量綱單位并不統(tǒng)一，為消除指標(biāo)間的量綱影響，本文在此對各貧困村莊的評價指標(biāo)進(jìn)行歸一化處理，以達(dá)到不同質(zhì)指標(biāo)同質(zhì)化的目的。本文采用的6類評價指標(biāo)均為正向指標(biāo)，即數(shù)值越大評價越好，其歸一化公式為：

[rij=r0ij-min{r01j，…r0nj}max{r01j，…r0nj}-min{r01j，…r0nj}]

其中，r0ij為第i個貧困村莊第j項評價指標(biāo)的數(shù)值，rij為r0ij歸一化處理后的數(shù)值，i=1，2，3…，n（n=32155），j=1，2，3，…，m（m=6）。

3 綜合績效評價模型

由于各貧困村莊基礎(chǔ)狀況、區(qū)位資源、地方政府以及幫扶單位幫扶工作特點、態(tài)度、目標(biāo)、投入、幫扶干部素質(zhì)等方面的顯著差異，本文選取各貧困村莊的居民收入（SR）、產(chǎn)業(yè)發(fā)展（CY）、居住環(huán)境（HJ）、文化教育（WJ）、基礎(chǔ)設(shè)施（SS）等5個指標(biāo)在2015—2020年間的增值以及2020年綜合評價（ZH）組成評價因子池，利用CRITIC方法為各評價因子賦權(quán)，并通過TOPSIS模型進(jìn)行綜合績效評價與比較。

3.1 評價因子賦權(quán)——CRITIC法 CRITIC賦權(quán)法（Criteria Importance Though Intercrieria Correlation，簡稱CRITIC）相較于熵權(quán)法與標(biāo)準(zhǔn)離差法，可兼顧指標(biāo)變異性與沖突性這2個重要因素，很大程度上避免了僅考慮指標(biāo)間混亂程度而帶來的權(quán)重失真等問題。若指標(biāo)內(nèi)標(biāo)準(zhǔn)差較大，則其變異性較高，指標(biāo)權(quán)重也越高;若指標(biāo)間關(guān)聯(lián)性較弱，則其沖突性較強(qiáng)，指標(biāo)權(quán)重就越低[9]。CRITIC賦權(quán)模型的具體建立步驟如下：

3.1.1 評價因子矩陣的建立 對n個貧困村莊，給定m個評價因子，用rij表示第i個貧困村莊的第j個評價因子，則評價因子矩陣可表示為：

[Rnm=r11r12…r1mr21r22…r2m????rn1rn2…rnm]

3.1.2 評價因子變異性的計算 對于第j項評價因子，可用標(biāo)準(zhǔn)差來表示其內(nèi)部變異性：

[E（rj）=1ni=1nrij]

[σj=i=1n（rij-E（rj））2n-1]

其中，E（rj）為第j項評價因子的均值;<＼＼z8＼共享＼2020年農(nóng)學(xué)通報＼農(nóng)學(xué)通報2021-24期＼文字＼2021-24-01（10篇）＼7114-F041＼image5.pdf>為第j項評價因子的標(biāo)準(zhǔn)差。

3.1.3 評價因子沖突性的計算 對于第j1項與第j2項因子，可用皮爾遜相關(guān)性系數(shù)（Pearson Correlation Coefficient，簡稱PCC）來表示其之間的沖突性：

[ρj1j2=Cov（j1，j2）σj1σj2=E（rj1?rj2）-E（rj1）E（rj2）E（r2j1）-E2（rj1）E（r2j2）-E2（rj2）]

[Rj1=j2m1-ρj1j2]

其中，[ρj1j2]為j1、j2 2個評價因子間的相關(guān)性系數(shù);Rj1為第j1項評價因子的沖突性;Cov（j1，j2）為2個評價因子的協(xié)方差。

3.1.4 評價因子信息量的計算 對于第j項評價因子，其信息量Ij可表示為：

[Ij=σj?Rj]

3.1.5 評價因子權(quán)重的計算 對于第j項評價因子，其權(quán)重wj可表示為：

[wj=Ijj=1mIj]

3.2 綜合績效評價——理想解法 逼近理想解排序法（Technique for order preference by similarity to an ideal solution，簡稱TOPSIS）法通過計算每個貧困村莊的扶貧績效到最理想績效的相對貼近度，從而對各村莊的扶貧績效進(jìn)行綜合測評。TOPSIS模型的具體建立步驟如下：

3.2.1 屬性值的規(guī)范化 首先對評價因子進(jìn)行規(guī)范化處理，并用向量規(guī)劃化法求得規(guī)范決策矩陣。設(shè)決策矩陣[A=（aij）m×n]，規(guī)范化決策矩陣[B=（bij）m×n]，其中：

[bij=aiji=1ma2ij]

3.2.2 構(gòu)造加權(quán)規(guī)范矩陣 設(shè)加權(quán)規(guī)范矩陣[C=（cij）m×n]，各評價因子的權(quán)重向量為[w=w1，w2，…，wnT]，則：

[Cij=wj?bij]

3.2.3 確定正理想解和負(fù)理想解 設(shè)正理想解C*的第j個屬性值為c*j，負(fù)理想解C0第j個屬性值為c0j，則：

正理想解[c?j=maxicij]

負(fù)理想解[c0j=maxicij]

3.2.4 計算扶貧績效到正理想解與負(fù)理想解的距離 本文采用歐幾里得距離，則各待評價村莊di到正理想解的距離s*i與到負(fù)理想解的距離s0i分別為：

[s?i=j=1n（cij-c*j）2]

[s0i=j=1n（cij-c0j）2]

3.2.5 計算綜合扶貧績效 計算各貧困村莊的綜合扶貧績效f*i、各幫扶單位的平均扶貧績效F*x以及各不同類型單位的平均扶貧績效Fy：

[f*i=s0i（s0i+s*i）]

[F*x=（f*xi）Xx]，x=0，1，2，…，159

[Fy=（F*yx）Yy]，y=0，1，2，…，5

其中，x為各幫扶單位編號，Xx為該單位所幫扶的貧困村莊總數(shù);y為各幫扶單位所屬類型，Yy該類型下幫扶單位的總數(shù)。

3.2.6 績效排序與評比 按各幫扶單位綜合扶貧績效的大小對其進(jìn)行排序與比較。

3.3 模型求解與結(jié)果分析

3.3.1 評價因子權(quán)重分析 將SS增值、CY增值、HJ增值、WJ增值、SS增值以及2020年綜合評價等6個因子代入CRITIC模型，并利用SPSSAU數(shù)據(jù)分析平臺計算得到其權(quán)重，分別為：SR增量（21.57%）、CY增量（14.88%）、HJ增量（13.92%）、WJ增量（15.40%）、SS增量（15.96%）、2020總分（18.27%）。

3.3.2 綜合扶貧績效評價 將規(guī)范化后的各村莊數(shù)據(jù)與評價因子權(quán)重代入上述TOPSIS模型，并利用Matlab數(shù)學(xué)軟件計算得到各村莊、各扶貧單位以及各單位類型的綜合扶貧績效，結(jié)果如下：綜合扶貧績效最高的前5個村莊依次為：38737號村莊（0.710分）、46533號村莊（0.700分）、38191號村莊（0.699分）、46409號村莊（0.697分）、52794號村莊（0.695分）;綜合扶貧績效最高的前5個幫扶單位依次為：149號單位（0.543分）、113號單位（0.533分）、158號單位（0.532分）、115號單位（0.529分）、153號單位（0.521分）;綜合扶貧績效最高的單位類型依次為：類型4（0.587分）、類型5（0.510分）、類型3（0.497分）、類型2（0.497分）、類型1（0.491分）、類型0（0.482分）。

4 工作特色評價模型

由于各不同類型幫扶單位在工作特色、工作理念以及幫扶項目等方面均存在顯著不同，為深入展現(xiàn)各幫扶單位的工作特色，充分挖掘各幫扶單位的優(yōu)勢領(lǐng)域，本文建立了160個幫扶單位各自的多元線性回歸模型，并對其工作特色與優(yōu)勢領(lǐng)域進(jìn)行比較與評價。

4.1 工作特色評價——多元回歸模型 多元線性回歸模型（Multivariable linear regression model，簡稱MLRM）可用于多自變量對某一現(xiàn)象的量化分析與預(yù)測估計，其建立步驟[10]如下：

4.1.1 模型建立 設(shè)ZH指標(biāo)增值為因變量y，SR增值、CY增值、HJ增值、WJ增值、SS增值等5個評價因子為自變量x1，x2，…x5，則第t（t=0，1，2，…，159）個扶貧單位的多元回歸模型可表示為：

[yt=yt+εtyt=β0t+β1tx1t+…+β5tx5εt～N（0，σ2）]

其中，y為表示因變量實際值;[y]表示因變量估計值;xi（i=1，2，…，5）表示各自變量;[β0]為常數(shù)項，[βi]表示各自變量的偏回歸系數(shù);[ε]表示殘差。

4.1.2 參數(shù)估計 多元回歸模型中的偏回歸系數(shù)[β0t、β1t、…、β5t]可用最小二乘法（Ordinary least squares，簡稱OLS）估計，即選取估計值[βi]，使當(dāng)[βi=βi]時，誤差平方和[Q=j=1nε2jt=j=1n（bjt-bjt）2=j=1n（bjt-β0t-β1taj1-…-β5taj5）2]達(dá)到最小。其中，bjt為第t個幫扶單位所幫扶的第j（j=1，2，…，n）個貧困村莊的因變量數(shù)值，[bjt]為bjt的估計值;aj1為該幫扶單位所幫扶的第j個貧困村莊的第1個自變量數(shù)值。

4.2 模型求解與結(jié)果分析 將160個幫扶單位的各自變量與因變量數(shù)值代入上述模型，通過SPSS統(tǒng)計分析軟件對多元線性回歸模型進(jìn)行計算求解。分析結(jié)果顯示，各幫扶單位的多元回歸方程的決定系數(shù)R2與擬合優(yōu)度均大于0.7，表明各自變量對因變量的變動解釋能力良好，模型的整體擬合效果較好，適合進(jìn)行線性回歸分析[11]，所建立的回歸模型亦具有統(tǒng)計學(xué)意義。采用各幫扶單位多元回歸方程的偏回歸系數(shù)作為其在對應(yīng)評價指標(biāo)下的得分，以此衡量各幫扶單位的工作特色與優(yōu)勢幫扶領(lǐng)域，在居民收入、產(chǎn)業(yè)發(fā)展、居住環(huán)境、文化教育、基礎(chǔ)設(shè)施等5個幫扶領(lǐng)域中工作能力最強(qiáng)的前5個單位，其結(jié)果如表5所示。

5 結(jié)論

以居民收入、產(chǎn)業(yè)發(fā)展、居住環(huán)境、文化教育、基礎(chǔ)設(shè)施、綜合評價等6個指標(biāo)為研究對象，通過CRITIC客觀賦權(quán)與TOPSIS綜合排序的混合模型對32155個貧困村莊、160個幫扶單位的精準(zhǔn)扶貧績效進(jìn)行了全面核定與評價，同時采用多元線性回歸模型對各幫扶單位的工作特色與優(yōu)勢領(lǐng)域進(jìn)行了深入挖掘與分析。本文所構(gòu)建的精準(zhǔn)扶貧績效評價模型可在很大程度上避免因幫扶單位類型、特點、態(tài)度、目標(biāo)、投入等差異而帶來的評價失真問題，完善了扶貧績效評價機(jī)制的結(jié)構(gòu)與內(nèi)容，具有較為良好的客觀性、全面性、精確性與可靠性，可切實推動扶貧工作的精準(zhǔn)化對接、扶貧單位的合理化分派、扶貧能力的最大化激發(fā)以及扶貧過程的多方位管理，為鞏固與深化扶貧成果提供了新思路與參考。

參考文獻(xiàn)

[1]李瓔萍.企業(yè)績效評價文獻(xiàn)綜述[J].中國市場，2021（11）：88-89.

[2]李輝，王倩.基于SBM-DEA模型的云南農(nóng)村生態(tài)扶貧項目績效評價研究[J].生態(tài)經(jīng)濟(jì)，2018，34（08）：133-138.

[3]東梅，王滿旺，馬榮，等.陜青寧六盤山集中連片特困地區(qū)精準(zhǔn)扶貧績效評價及其影響因素研究——基于三階段DEA和TOBIT模型[J].軟科學(xué)，2020，34（09）：72-78.

[4]黃亞冰，林同智.基于模糊物元模型的西南民族地區(qū)旅游精準(zhǔn)扶貧績效評價研究[J].桂林師范高等?？茖W(xué)校學(xué)報，2020，34（01）：49-57.

[5]徐杰，楊曉倩，王聰聰.基于時序主成分分析的綜合扶貧績效評價研究[J].昆明理工大學(xué)學(xué)報（自然科學(xué)版），2020，45（04）：137-145.

[6]施詠清，丁呂，馬佳樂，等.安徽省區(qū)域扶貧績效評價模型及實證研究——基于因子分析法[J].綏化學(xué)院學(xué)報，2021，41（02）：8-12.

[7]周子沛.基于TOPSIS法的扶貧績效評價模型及優(yōu)化建議[J].中國市場，2021（11）：22-23.

[8]王一帆，韓韻珩.基于復(fù)雜網(wǎng)絡(luò)模型的南疆四地州精準(zhǔn)扶貧績效水平評價[J].電子技術(shù)與軟件工程，2021（01）：177-179.

[9]金榮學(xué)，徐文蕓.中國地方政府債務(wù)支出效率研究——基于CRITIC賦權(quán)和產(chǎn)出滯后效應(yīng)分析[J].華中師范大學(xué)學(xué)報（人文社會科學(xué)版），2020，59（01）：54-61.

[10]司守奎，孫兆亮.數(shù)學(xué)建模算法與應(yīng)用[M].2版.北京：國防工業(yè)出版社，2016：150-158.

[11]張文彤，董偉.SPSS統(tǒng)計分析高級教程[M].3版.北京：高等教育出版社，2018：03-208.

（責(zé)編：張宏民）