1、农民参与农村实用人才培训行为动机及其影响因素分析摘要：本文在问卷调查基础上，借鉴相关行为理论和行为模型，构建了农民参与农村实用人才培训行为动机研究的理论模型，运用相关的行为研究相应的方法，得出研究结论，研究认为农民参与农村实用人才培训的动机影响农民参与农村实用人才培训的行为，而农民参与农村实用人才培训的动机又由农民参与农村实用人才培训的态度、需求和诱因(目标)等因素构成。 随着我国经济的不断发展，我国现阶段城乡差距不断扩大、农村经济社会发展滞后、农民增收缓慢等现象不断出现，显然导致这些现象产生的因素是多方面的，在诸多因素中，笔者认为，农村实用人才的短缺是一个非常重要的因素。农村实用人才是发展农
2、村经济的主要力量,是推动农业向社会化、专业化、现代化转变的生力军，也是建设现代农业、推进社会主义新农村建设、构建社会主义和谐社会的根本要求1。大量的研究和实践表明，农民缺乏参与农村实用人才开发的热情、农民参与农村实用人才开发的积极性不高，是制约农村实用人才开发的进程、影响农村实用人才开发效果的重要原因。农业部科技教育司教育处（2004）认为农民素质培训中最主要的问题在于农民缺乏参与培训的热情。 “城市化进程中的农村土地制度改革”课题组（2003）发现农民素质培训工程在宁波市开展得也不理想2。农业部农村实用人才队伍建设战略研究课题组（2005）年对全国 31 个省市农村实用人才开发状况进行了抽样
3、调查，调查结果表明：虽然农民对通过提高自身技能而提高收入的意愿很强，但多数农民参与农村实用人才具体开发培训活动的积极性不高,这一方面增加了农村实用人才开发培训活动组织的难度，另一方面也影响了培训效果，制约了农村实用人才的培养和形成3。只有加快农村人才的开发步伐，尤其是加大农村实用人才的开发力度，不断提高农民素质和实用技能，才能真正促进农业和农村发展，缩小城乡差距，克服发展中所面临的诸多问题，为实现我国人才强国战略奠定基础。近年来，随着经济与社会的不断发展，农村实用人才开发问题已经受到越来越多的关注和重视。在 2003 年召开的全国人才工作会议上，胡锦涛总书记指出要“加强农村实用人才队伍建设”
4、， “建立健全农村人才服务体系，努力提高广大农村劳动者的素质，激励农村实用人才快速成长”4。为此， 中共中央、国务院关于进一步加强人才工作的决定和 2004 年中共中央 1 号文件，都把加强农村实用人才建设提到重要的议事日程，明确提出农村实用人才是全社会人才的重要组成部分5。 本文通过问卷调查的方法，探讨农民参与农村实用人才培训行为动机及其影响因素，为政府制定相应的农村实用人才培训长效机制提供一定的借鉴。 一、研究假设 在农民参与农村实用人才培训行为动机理论模型中（见图 1） ，农民参与农村实用人才培训行为动机研究的假设如下： 假设 1：农民参与农村实用人才培训的需求对农民参与农村实用人才培训
5、行为动机具有显著影响。 假设 2：农民参与农村实用人才培训的态度对农民参与农村实用人才培训行为动机具有显著影响。 假设 3：农民参与农村实用人才培训的诱因对农民参与农村实用人才培训行为动机具有显著影响。 图 1 农民参与农村实用人才培训行为动机理论模型 二、数据来源 本文使用的数据主要来源于对农民的问卷调查和深度访谈，利用江西农业大学农村学生暑期回乡的机会，对分布在全国东部、中部、西部地区包括江西、黑龙江、河北、辽宁、云南、河南、贵州、湖南、新疆、湖北、广西、福建在内的 12 个省进行了抽样调查，共发放问卷 1972 份，获得有效问卷 1744 份，问卷有效率为 88.44%。 问卷调查对象即
6、样本农民的情况见表 1 所示。 表 1 被调查农民的基本情况 注：根据笔者调查数据整理而得 三、研究方法 本文将农民参与农村实用人才培训行为动机这一变量作为潜变量，然后利用一些外显指标进行多变量复合测 量，运用利克特量表（Likert scale）进行多变量复合测量。 根据潜变量研究的需要，本文在信度分析的基础上采用了探索性因子分析方法，运用 KMO（Kaiser-Meyer-Olkin）样本测度检验和巴特莱特球体检验对变量数据是否适合做因子分析进行检验，采用主成分分析法进行因子提取，计算出因子值以替代原来的变量进行相关分析和回归分析。 在研究方法的选择上，遵循的是信度分析、数据检验、探索性因
7、子分析、相关分析和回归分析的分析思路。 （一）信度分析 本文对农民参与农村实用人才培训的需求、态度、诱因及行为动机分析均设计了相应的测量项目，并运用利克特量表进行多变量复合测量。为了检验测量项目的内在一致性，本文进行了项目的内在信度分析。 （二）KMO（Kaiser-Meyer-Olkin）样本测度检验和巴特莱特球体检验 KMO（Kaiser-Meyer-Olkin）样本测度和巴特莱特球体检验通常用于检验数据是否适合做因子分析。KMO 值是相关系数与偏相关系数的一个比值，KMO 值最大接近 1，KMO 值小，对因子分析不利，当 KMO 值愈大时，表示变量间的共同因素愈多，愈适合进行因素分析。根
8、据学者 Kaiser 的观点，如果 KMO 的值小于 0.5，则不适宜进行因子分析， 巴特莱特球体检验中统计值的的卡方统计值显著性概率是 0.000，小于 0.01，说明数据相关系数矩阵不是单位阵，具有相关性，也说明变量项目适宜做因子分析。因此，本文以 KMO 的值大于 0.5 和 P0.01 作为研究农民参与农村实用人才培训行为动机有关变量是否适合做因子分析的依据6。 （三）探索性因子分析法 本文在将农民参与农村实用人才培训行为研究中所涉及变量的多个测量项目归结为一个因子进行研究的过程中，采用的是探索性因子分析法。探索性因子分析法（Exploratory Factor Analysis，EF
9、A）是一项用来找出多元观测变量的本质结构、并进行降维处理的技术。因而，EFA能够将将具有错综复杂关系的变量综合为少数一个或几个核心因子。进行探索性因子分析的步骤如下：辨认、收集观测变量；获得协方差矩阵（或 Bravais-Pearson 的相似系数矩阵） ；验证将用于 EFA 的协方差矩阵（本文采用 KMO 测度检验和 Bartlett 球型测验） ；选择提取因子法（本文采用主成分分析法） ；发现因素和因素装货；确定提取因子的个数（以Kaiser 准则和 Scree 测试作为提取因子数目的准则） ；解释提取的因子6。（四）Pearson 相关分析法 本文进行单因素相关分析采用的是 Pearso
10、n 相关分析法，这包括对各变量项目之间的相关分析、各构成要素与农民参与农村实用人才培训行为动机的相关分析。Pearson 相关分析法是通过计算 Pearson 相关系数来进行简单相关分析的一种常用方法。它适用于都是连续变量的相关指标，分析的是变量的线性相关关系。Pearson 相关系数也称积矩相关系数，是对两个定距变量（例如，年龄和身高）的关系强度的测量，简写为。从直线关系和曲线关系之间的关系来说， 是对直线关系的一种测量，Pearson 相关系数用来衡量两个数据集合是否在一条线上面。 有两个主要的含义：（1）2所解释的方差额。 （2） 测量围绕回归线散布的程度，也就是说，它可以告诉我们，我们
11、用回归线进行预测的准确程度有多大6。（五）主成分分析法 本文在进行因子提取时采用的是主成分分析法，并用因子值替代原来的变量进行相关分析和回归分析。 四、分析结果 （一）农民参与农村实用人才培训行为动机分析 1.信度分析。采用利克特 5 点量表法对农民参与农村实用人才培训行为动机进行测量。其中，1 表示“不赞同” ，2 表示“不太赞同” ，3 表示“一般赞同” ，4 表示“有些赞同” ，5 表示“很赞同” 。测量项目分别为：动机 1：我想成为具有一技之长的农村实用人才；动机 2：我想参加农村实用人才开发培训；动机 3：近几年我都在寻找培训机会以提高自己。运用 SPSS11.5 进行信度分析，结果
12、显示，农民参与农村实用人才培训行为动机三个测量项目的 Cronbach 为 0.8192，高于 0.70，具有较高信度，认定以上三个项目分别从不同的角度测量了农民参与农村实用人才培训行为动机。同时笔者对 1744 个样本农民参与农村实用人才培训行为动机情况进行统计，统计显示，三个测量项目的最小值为 3，最大值5，动机 1 的均值为 4.2978，动机 2 的均值为 4.6926，动机 3 的均值为4.7122，由此可以看出，农民参与农村实用人才培训的行为动机很强。 2.变量相关性检验。运用 SPSS11.5 得出 KMO 值为 0.681，大于0.5；Bartlett 球体检验 Approx.
13、 Chi-Square 统计值的显著性概率为0.000，小于 0.001，两者均说明数据具有很高的相关性，适宜做因子分析。 3.因子分析结果。表 2 显示了动机因子分析结果。本文采用最大方差主成分分析法对上述三个测量项目进行因子分析。因子分析结果显示：该因子解释 73.831%的变差，因子负载在 0.78-0.90 之间。 表 3 是相应的计算因子值的系数矩阵，该系数矩阵各因子可以表示为相应变量项目的线性组合，由公式，计算出公共因子 fi 的因子值如表3，并可用来替代原来的变量项目做回归分析。 表 3 农民参与农村实用人才培训行为动机及影响因素 因子值的系数矩阵 注：通过 SPSS11.5 对
14、调查数据运算而得 （二）农民参与农村实用人才培训行为动机影响因素分析 农民参与农村实用人才培训行为动机主要由农民参与农村实用人才培训的需求、态度以及农民参与农村实用人才培训的诱因（目标）等三方面因素构成。 1.信度分析。本文设计的对农民参与农村实用人才培训的需求的测量项目分别为：“是否缺乏致富技能” “是否缺乏农业科技知识” ， “是否缺乏农村实用技能培训”并将它们分别命名为需求 1、需求 2、需求 3，运用利克特五点量表法对其进行测量。同样，为了验证这些测量项目的可靠程度，首先对这些测量项目进行可靠性分析即信度分析。 经信度分析，农民参与农村实用人才培训需求的三个测量项目的Cronbach
15、为 0.7840，高于 0.70，具有较高信度，可以用来测量农民参与农村实用人才培训的需求。在调查的 1744 个样本农民参与农村实用人才培训的需求情况显示，需求 1 的均值为 3.9278，需求 2 的均值为3.9541，需求 3 的均值为 3.9266，由此可以看出，农民参与农村实用人才培训的行为需求较强。 （2）变量相关性检验。SPSS11.5 分析显示：需求 1、需求 2、需求3 的相关系数在 0.41-0.70 之间，它们之间具有显著性相关关系（在0.01 显著性水平下） 。同时经过计算，KMO 值为 0.634，大于0.5；Bartlett 球体检验 Approx. Chi-Squ
16、are 统计值的显著性概率为0.000，小于 0.001，两者均说明数据具有较高的相关性，适宜做因子分析。 （3）因子分析结果。表 2 显示了因子分析结果。该因子解释 70.069%的变差，因子负载为 0.75-0.91。表 3 是相应的计算因子值的系数矩阵，该系数矩阵各因子可以表示为相应变量项目的线性组合，计算出公共因子fi 的因子值（见表 3）表明可用来替代原来的变量项目做回归分析。 2.农民参与农村实用人才培训的态度研究 （1）信度分析。本文设计的对农民参与农村实用人才培训动机的态度的测量项目分别为：“提高务农知识和技能对我很重要” ， “我愿意成为具有一技之长的农村实用人才” ， “我
17、愿意参加农村实用人才开发培训” ，并将它们分别命名为态度 1、态度 2、态度 3。采用利克特 5 点量表法对农民参与农村实用人才培训的态度进行测量。其中，1 表示“不赞同” ，2 表示“不太赞同” ，3 表示“一般赞同” ，4 表示“有些赞同” ，5 表示“很赞同” 。同样，为了验证这些测量项目的可靠程度，首先对这些测量项目进行可靠性分析即信度分析。 经信度分析，农民参与农村实用人才培训态度的三个测量项目的Cronbach 为 0.7746，高于 0.70，具有较高信度，可以用来测量农民参与农村实用人才培训的态度。同时统计结果显示 1744 个样本农民参与农村实用人才培训的态度情况。态度 1
18、的均值为 4.0493，态度 2 的均值为 3.9541，态度 3 的均值为 4.1765，由此可以看出，农民参与农村实用人才培训的态度总体向好。 （2）变量相关性检验。SPSS11.5 分析结果显示：态度 1、态度 2、态度 3 之间的相关系数在 0.51-0.55 之间，它们之间具有较显著的相关关系（在 0.01 显著性水平下） 。同时上述变量项目因子分析的 KMO 测度为 0.701，大于 0.5；Bartlett 球体检验 Approx.Chi-Square 统计值的显著性概率为 0.000，小于 0.001，两者均说明数据具有较高的相关性，适宜做因子分析。 （3）因子分析结果。表 2
19、 显示了因子分析结果。本文采用最大方差主成分分析法对上述三个测量项目进行因子分析。因子分析结果显示：该因子解释 68.934%的变差，因子负载为在 0.82-0.85 之间。表 3 是相应的计算因子值的系数矩阵，该系数矩阵各因子可以表示为相应变量项目的线性组合，计算出公共因子 fi 的因子值（见表 3）表明可用来替代原来的变量项目做回归分析。 3.农民参与农村实用人才培训的诱因研究 （1）信度分析。本文设计的对农民参与农村实用人才培训的诱因的测量项目分别为：“提高技能可以获得更多收入” ， “提高技能可以获得更多就业机会” ， “提高技能可以提高家庭在村里的地位” ，并将它们分别命名为诱因 1
20、、诱因 2、诱因 3。本文采用利克特 5 点量表法对农民参与农村实用人才培训的诱因进行测量。其中，1 表示“不赞同” ，2 表示“不太赞同” ，3 表示“一般赞同” ，4 表示“有些赞同” ，5 表示“很赞同”。同样，为了验证这些测量项目的可靠程度，首先对这些测量项目进行可靠性分析即信度分析。 经信度分析，农民参与农村实用人才培训动机的诱因的三个测量项目的 Cronbach 为 0.7213，高于 0.70，具有较高信度，可以用来测量农民参与农村实用人才培训的诱因。同时统计显示诱因 1 的均值为4.4186，诱因 2 的均值为 4.2993，诱因 3 的均值为 3.4862，由此可以看出，农民参与农村实用人才培训的诱因很强，其中诱因 1 即“提高技能可以获得更多收入”的作用最强。 （2）变量相关性检验。统计结果显示：诱因 1、诱因 2、诱因 3 之间的相关系数在 0.42-0.51 之间，它们之间具有较显著的相关关系（在0.01 显著性水平下） 。KMO 测度和 Bartlett 检验结果。表 6-19 中的 KMO值为 0.677，大于 0.5；Bartlett 球体检验 Approx. Chi-Square 统计值的显著性概率为 0.000，小于 0.001，两者均说明数据具有较高的相关性，适宜做因子分析。
