杨龙 等：农业产业扶贫的多维贫困瞄准研究【转】

摘    要：农业产业扶贫是激发贫困地区农户内生发展动力、实现农户稳定脱贫与可持续发展的重要举措。基于多维贫困分析, 建立一个“精准识别-农户参与-影响效果”的多维贫困瞄准分析框架, 并提出多维贫困瞄准数量缺口的概念和测量方法。在此框架下, 可首先使用多维贫困方法进行贫困农户识别, 在多维贫困农户分组基础上分析农户参与状况, 并分析参与层面的多维贫困瞄准数量缺口。然后基于多维贫困农户分组, 使用内生转换回归 (ESR) 模型评估扶贫政策或项目对不同组农户的影响效果差异。在分析框架应用中, 使用湖南、湖北、重庆和贵州四省 (直辖市) 贫困地区989个农户调研数据分析农业产业扶贫的多维贫困瞄准效果。研究发现: (1) 在农户参与层面, 多维贫困农户与非多维贫困农户参与农业产业扶贫的比例相近, 但非多维贫困农户户均获得补贴金额总体上高于多维贫困农户; (2) 随着维度临界值逐渐增大, 农业产业扶贫的一类瞄准数量缺口逐渐变小, 二类瞄准数量缺口逐渐增大, 多维贫困瞄准数量缺口总体呈现下降趋势; (3) 在影响效果层面, 农业产业扶贫总体上显著促进了农户种植业投入和收入的增加, 但其影响仍存在异质性, 深度贫困户参加农业产业扶贫并没有明显促进其种植业总收入和种植业纯收入的增加。为提升农业产业扶贫的效果, 针对贫困维度数量较少农户, 应加强农业技术服务, 提供农业产业扶贫贷款, 合理选择产业, 发展农业保险。针对深度贫困农户, 应探索建立利益联结机制, 发挥农村集体的组织联系作用, 探索要素入股方式, 改善农业产业扶贫的多维贫困瞄准效果。

关键词：多维贫困瞄准; 瞄准数量缺口; 农业产业扶贫; 深度贫困户;

十八大以来, 中国脱贫攻坚取得了决定性的进展, 6 800多万贫困人口实现脱贫。但由于中国人口基数大, 剩余贫困人口数量依然庞大, 脱贫攻坚仍是社会经济发展中的重要工作。近年来, 中国探索出一系列有自身特色的扶贫政策和措施。农业产业扶贫作为一种造血式的扶贫方式, 能够激发贫困地区农户内生动力、实现稳定脱贫和可持续发展。在精准扶贫战略下, 研究农业产业扶贫的贫困瞄准效果至关重要。本文将建立一个“精准识别—农户参与—影响效果”的多维贫困瞄准分析框架, 并提出多维贫困瞄准数量缺口的概念和方法。通过多维贫困农户分组, 使用内生转换回归 (Endogenous Switching Regression, ESR) 模型评估农业产业扶贫对不同组农户的影响效果差异。

1 文献综述

虽然已有大量研究关注农业产业扶贫, 但在农业产业扶贫的效果上还没有形成一致的观点。一类研究认为, 农业产业扶贫对农户脱贫产生了积极的影响。这类研究认为, 农业产业扶贫能够改变农户生计策略选择, 显著增加贫困户的收入[1]。在对农户消费和贫困发生率影响方面, 农业产业扶贫中多支持发展特色经济作物种植, 而经济作物能够对农户消费增加和贫困发生率降低有显著的影响[2]。另一类研究认为, 农业产业扶贫并未发挥良好的减贫效果, 出现了瞄准偏离的问题。许汉泽等[3]研究发现, 农业产业扶贫在地方实践中, 出现了农业产业扶贫实施前“精英捕获”和“弱者吸纳”、实施中“政策性负担”和“规模经营不善”、实施后“后续维护不足”和“农户生计破坏”等问题。也有研究认为, 政府主导的产业扶贫以行政路径为依赖, 各主体间的利益联结关系不紧密, 使得扶贫开发缺乏社会基础, 往往导致目标偏移、贫富差距拉大[4]。

在多维贫困研究方面, 相关研究主要可以分为两类。第一类, 在理论方面, 近期文献重点探讨对多维贫困方法的改进: (1) 1将多维贫困方法与时间变化结合起来, 在多维贫困指数基础上提出多维贫困的年度绝对变化率和年度相对变化率[5]。 (2) 将多维贫困方法与其他指数或测量方法相结合, 例如将多维贫困方法与长期贫困测量相结合, 构建长期和暂时多维贫困指数[6]。 (3) 在多维贫困指数的权重设置方面, 使用多重对应分析方法、BP神经网络法改进权重设置[7,8]。 (4) 在多维贫困的识别阶段, 提出不同的识别标准, 用于识别特殊群体。例如Nowak等[9]改进了识别标准, 使多维贫困方法包含了极端贫困户。

多维贫困的第二类研究是在应用方面, 最近研究趋向是: (1) 2将多维贫困方法应用到不同地区或国家的贫困测量中, 例如欧洲地区[10]、印度[11]、澳大利亚[12]、德国[9]、老挝[13]等。 (2) 将多维贫困方法应用到不同群体的贫困分析中, 例如Chzhen等[14]分析了儿童的多维贫困状况, 其他群体还包括民族群体[15]、老年人群体[16]、农民工群体[17]等。 (3) 将多维贫困方法应用于公共政策或项目评估的研究中, 例如Azevedo等[18]评估了有条件现金转移支付项目的受益者瞄准状况, 解垩[16]分析了公共转移支付对老年人多维贫困的影响。

现有关于农业产业扶贫和多维贫困的研究虽然已经十分丰富, 但仍存在以下不足之处: (1) 3缺少对扶贫政策或项目精准扶贫效果评估分析框架的总结, 尤其是缺少基于多维贫困分析提出精准扶贫评估分析框架。总结精准扶贫效果评估分析框架, 基于多维贫困分析进行贫困户精准识别和扶贫瞄准, 将对分析包括农业产业扶贫在内的多种扶贫政策或项目精准扶贫瞄准度提供可行思路。 (2) 较少研究基于多维贫困分析进行农业产业扶贫的效果评估, 王立剑等[19]虽然分析了产业扶贫对农户多维贫困的影响, 但没有关注农业产业扶贫的多维贫困瞄准状况。 (3) 鲜有研究关注基于多维贫困分析的贫困瞄准概念与方法的推进。贫困瞄准与精准扶贫紧密相关, 但当前文献中少有研究将多维贫困分析与贫困瞄准结合。

针对现有研究的不足, 本文将利用湖南、湖北、重庆和贵州四省 (直辖市) 的989个农户调研数据, 基于多维贫困分析, 探讨农业产业扶贫的精准扶贫瞄准效果。本文贡献在于以下几方面: (1) 4尝试建立了一个基于多维贫困分析的“精准识别—农户参与—影响效果”的多维贫困瞄准分析框架。此框架首先基于收入、教育、健康和公共服务等维度进行多维贫困农户识别, 然后基于多维贫困农户分组, 分析农户参与状况, 最后分析农业产业扶贫影响效果的差异。 (2) 提出多维贫困瞄准数量缺口的概念。基于已有研究中贫困瞄准数量缺口的概念, 本文将多维贫困分析和贫困瞄准数量缺口结合, 提出多维贫困瞄准数量缺口的概念。 (3) 将多维贫困瞄准分析框架和多维贫困瞄准缺口应用于农业产业扶贫分析, 探讨农业产业扶贫的瞄准效果, 且根据中国扶贫政策重心变化, 关注农业产业扶贫对深度贫困户的瞄准状况。

2 多维贫困瞄准分析框架

2.1 基于多维贫困分析的贫困户精准识别

贫困户的精准识别是精准扶贫效果评估的基础。目前, 中国采取建档立卡的方式进行贫困户的精准识别。但在建档立卡政策的实施中, 出现了“表达与实践的背离”[20], 即在国家统计局从宏观层面测算贫困人口数量、分配贫困人口指标时采取的是经济福利指标, 而在村级实践操作中, 却采取民主评议的方式, 综合农户收入和消费、受教育子女数量、病人状况、劳动力状况等多个方面进行评选。从理论上讲, 村级民主评议所采取的贫困识别标准与目前学界使用的多维贫困测量方法有较大相似之处。基于贫困理论演进与实践的需求, 可将多维贫困方法逐步应用于贫困户的精准识别中。在多维贫困方法相关研究中, 由Alkire等[21]提出的基于双临界值的A-F方法得到了最为广泛的应用。本文将A-F方法用于多维贫困农户识别, 根据Alkire等[21]研究, A-F方法的主要步骤为:

第一, 选择和确定多维贫困方法的维度和具体指标。

第二, 定义一个n×d矩阵Mn, d, 其中, n为农户样本总数量, d为测量维度的数量。令yij∈Mn, d, 其中, yij代表第i个农户在j维度上的取值。

第三, 根据选择的维度和指标, 确定每个指标的贫困线或临界值, 根据此贫困线或临界值确定此农户在某个维度上是否存在贫困或被剥夺。可定义Zj为第j个维度上被剥夺的贫困线或临界值。定义一个n×d剥夺矩阵g=[gij], 通过比较yij与Zj, 确定yij是否处于贫困或被剥夺状态, 当yij处于贫困或被剥夺状态时, gij=1, 否则gij=0。

第四, 计算第i个农户贫困或被剥夺维度的数量。定义一个列向量ki=[g], 代表第i个人忍受的总的被剥夺维度数量。

第五, 确定维度临界值K, 然后定义ρk为考虑K个维度时识别贫困户的函数, 当ki≥K时, ρk (yi;z) =1, 当ki<K时, ρk (yi;z) =0。

第六, 识别多维贫困农户, ρk (yi;z) =1的农户即为多维贫困农户。在确定哪些农户是多维贫困农户之后, 可计算多维贫困农户与非多维贫困农户占比。此外, Alkire等[21]还提出了对贫困户贫困维度增加敏感的多维贫困指数M0。M0的含义是所有多维贫困农户经历的总剥夺维度数量占样本总体维度数量的比例。在中国脱贫攻坚进程中, 扶贫重心向深度贫困转移。根据中国扶贫政策关注点, 将所有维度均处于贫困或被剥夺状态 (即ki=K) 的多维贫困农户视为深度贫困户, 在分析中予以重点关注。

2.2 农户参与分析与多维贫困瞄准数量缺口

在多维贫困农户识别的基础上, 农户能否从扶贫政策或项目实施中受益, 其基础是参与到政策或项目实施中。只有参与到扶贫政策或项目实施中, 才可能从中获得扶贫补贴或者其它扶贫资源。在多维贫困瞄准评估中, 可以对比多维贫困农户与非多维贫困农户在政策或项目实施中的参与比例。如果有扶贫补贴等信息, 可以对比多维贫困农户与非多维贫困农户获得补贴额度的差异。

此外, 为分析“农户参与”层面扶贫政策或项目实施的贫困瞄准精度, 根据Park等[22]评估贫困瞄准中定义的瞄准数量缺口的概念, 提出多维贫困瞄准数量缺口。根据Park等[22]的定义, 瞄准数量缺口 (Targeting Count Gap, TCG) 描述的是相对于给定的贫困线, 扶贫政策或项目在全样本中的瞄准失误的比例。在此定义基础上, 本文将多维贫困分析和瞄准数量缺口相结合, 提出多维贫困瞄准数量缺口 (Multidimensional Poverty Targeting Count Gap, MPTCG) , 其定义为在给定贫困维度临界值之下, 扶贫政策或项目在全样本中的瞄准失误的比例, 其具体形式如下:

其中, N为农户样本总数, i代表第i个农户。Ii1是一个指标函数, 即如果第i个农户的多维贫困维度 (ki) 大于或等于给定的贫困维度临界值 (K) , 但他没有参与扶贫政策或项目实施 (Pi=0) , 则Ii1=1, 否则Ii1=0。Ii2也是一个指标函数, 如果第i个农户的多维贫困维度 (ki) 小于给定贫困维度临界值 (K) , 但他参与了扶贫政策或项目实施 (Pi=1) , 则Ii2=1, 否则Ii2=0。MPTCG为综合Ii1和Ii2之后计算出的多维贫困瞄准数量缺口, 即扶贫政策或项目实施中对多维贫困农户瞄准失误的比例。它可以被分解为一类瞄准数量缺口和二类瞄准数量缺口。一类瞄准数量缺口是指属于多维贫困户但没有参与政策或项目实施的农户数量占样本总体的比例, 二类瞄准数量缺口是指属于非多维贫困户但参与了政策或项目实施的农户数量占样本总体的比例。

2.3 基于多维贫困分组的影响效果分析

在农户参与分析基础上, 扶贫政策或项目实施是否能够促进多维贫困农户的减贫, 也是多维贫困瞄准分析的重要组成部分。若多维贫困农户从扶贫政策或项目影响效果评估中并未明显受益, 而非多维贫困农户明显受益, 或者是多维贫困农户与非多维贫困农户均明显受益, 但非多维贫困农户从项目中受益更多, 都可以表明扶贫政策或项目的瞄准发生了偏离。

在扶贫政策或项目影响评估中, 经常遇到因果关系问题, 分析此问题的一个常用思路是引入反事实框架, 通过构造无法被观察的反事实结果, 对比同一个农户参加项目和假设其没有参加项目的结果净差异。这种净差异即是农户参加扶贫政策或项目实施对其福利的影响效果。本文基于的是项目实施后问卷调查得到的农户截面数据, 常用的影响效果评估方法为倾向得分匹配法。虽然倾向得分匹配法使用较为广泛, 但它只能控制可观测变量造成的偏误对因变量的影响, 不能控制不可观测变量造成的偏误。为克服倾向得分匹配法的不足, 新近研究采用了内生转换回归 (ESR) 模型, 其优势在于能够同时控制可观测和不可观测变量造成的影响偏误, 而且内生转换回归模型分别对处理组和控制组的结果方程进行回归, 能够更好地分析各种因素的作用[23,24]。因此, 本文在农业产业扶贫的影响效果分析中采用内生转换回归模型, 评估农业产业扶贫对多维贫困农户和非多维贫困农户的影响效果差异。

内生转换回归模型估计以下三个方程:

农户是否参加农业产业扶贫的行为方程:

处理组即参加农业产业扶贫农户的结果方程:

控制组即未参加农业产业扶贫农户的结果方程:

其中, Ti代表农户是否参加农业产业扶贫, 若农户参加农业产业扶贫, 则Ti=1, 否则Ti=0。Zi代表一系列可能影响农户是否参加农业产业扶贫的特征变量, α、βiM和βiN为待估计的参数, μi为随机干扰项。YiM和YiN分别代表处理组和控制组的农户的福利水平, Xi代表可能影响农户福利水平的变量, εi为随机干扰项。在Zi和Xi的变量选取中, 允许二者有重合, 但Zi中需要至少有一个变量不能出现在Xi中[24]。这个变量要求对农户是否参加农业产业扶贫有影响, 而对农户的福利水平没有影响。

在内生转换回归模型估计过程中, 为控制不可观测因素造成的影响偏差, 在行为方程估计后, 需要在 (3) 式和 (4) 式中加入逆米尔比率 (Inverse Mills Ratio) λiM和λiN:

处理组即参加农业产业扶贫农户的结果方程:

控制组即未参加农业产业扶贫农户的结果方程:

其中, 逆米尔比率

φ (·) 是标准正态密度函数, Φ (·) 是标准正态累积密度函数。σμM和σμN为待估参数, γiM和γiN为随机干扰项。使用内生转换回归模型估计出 (5) 式和 (6) 式参数后, 可以计算处理组的平均处理效果 (Average Treatment Effect on the Treated, ATT) 。具体来讲, 处理组可观测的结果以及处理组不可观测的反事实结果可由下式计算得出:

处理组农户的估计结果 (可观测) :

处理组农户假如不参加农业产业扶贫的估计结果 (反事实, 不可观测) :

由 (7) 式和 (8) 式的结果, 可以计算处理组的平均处理效果 (ATT) :

3 数据

本文所用数据来自国务院扶贫办和课题组合作在湖南、湖北、重庆和贵州四省 (直辖市) 的调研, 调研于2013年6月进行。调研首先在四省 (直辖市) 中各选取一个县。在湖南选取了芷江县、湖北选取了利川市 (湖北省利川市为县级市) 、重庆选取了石柱县、贵州选取了印江县, 这四个县 (市) 均为国家级或省级扶贫开发重点县。在县 (市) 层面, 收集了调研地区主要发展的农业扶贫产业。湖南省芷江县的主导产业为水果、畜禽、蔬菜、烤烟, 湖北省利川市主导产业是茶叶和药材, 重庆市石柱县主要发展黄连和莼菜, 贵州省印江县大力发展茶叶、核桃、食用菌以及烤烟。其次, 每县选择10个调查村庄, 对村庄的人口数量及结构、劳动力、基础设施、土地、村庄扶贫项目投入等信息进行问卷调查。第三, 采取随机起点、等距抽样的方式在每村选取25个农户进行问卷调查, 调查内容包括农户的家庭人口特征、基础设施和公共服务、土地状况、家庭收入、参与农业产业扶贫、家庭借贷等情况。最终获得有效问卷989份。

4 多维贫困农户的识别

4.1 多维贫困维度和指标的选取

多维贫困虽然已被广泛地用于理论分析与应用研究, 但目前对贫困维度和指标的选取并没有形成统一标准。根据在精准扶贫、建档立卡政策实践中村级民主评议时采取的考量指标, 结合调研数据可得性等现实约束, 本文选取了收入、教育、健康、公共服务4个维度和4个指标。维度、指标和权重选取情况如表1所示。

表1 多维贫困识别维度、指标、临界值、指标描述及权重  

注:多维贫困的指标临界值选取目前还没有形成一致的观点, 多数研究是根据理论或研究数据情况确定。根据数据状况, 71.69%的农户有1个及以上的病人, 37.21%的农户有2个及以上病人。若临界值选取1人, 则此维度上贫困占比过大, 而选取临界值为2人, 较为符合贫困识别的人数占比。

4.2 多维贫困测量结果与农户识别

根据多维贫困方法的应用步骤, 识别了在不同维度临界值下的多维贫困农户。当维度临界值K分别取值为1, 2, 3和4时, 多维贫困农户的占比及样本农户的多维贫困指数如表2所示。当K=1时, 多维贫困农户占比为81.70%, 即81.70%的农户存在四个维度中至少一个维度的贫困。多维贫困指数M0为42.77%, 其含义是所有多维贫困农户被剥夺维度数量占总体维度数量的42.77%。当K=3时, 多维贫困农户占比为26.39%, 表明有26.39%的农户存在至少三个维度的贫困。随K值增大, 多维贫困农户占比和多维贫困指数均下降。分析还发现, 6.37%的农户存在全部四个维度的贫困。根据前文界定, 存在四个维度贫困的农户可视为深度贫困户, 他们面临的脱贫难度更大, 是目前扶贫政策关注的重点群体。

表2 多维贫困农户识别结果及多维贫困指数/%

5 农户参与分析和多维贫困瞄准数量缺口

农户参与是从农业产业扶贫中受益的重要环节。在实地调查开展之时, 因所调研的四县均为国家级或省级贫困县, 所有农户均有资格参与农业产业扶贫。虽然如此, 农户是否选择参与、采用何种形式参与、其自身要素怎样融入到农业产业扶贫中, 这些均是农户根据自身的劳动力、土地、资金、能力以及风险态度等特征做出的选择, 是一个自选择 (Self-select) 的过程。不同地区结合区域具体情况实施农业产业扶贫, 没有统一的补贴方式。评价农业产业扶贫的主要标准是贫困户的参与受益状况以及增收减贫效果。因此, 本节分析农户在农业产业扶贫中的参与受益状况, 在第6节分析农业产业扶贫对不同农户增收减贫的影响。

5.1 农业产业扶贫中的农户参与状况

从农户参与农业产业扶贫的分析发现, 多维贫困农户与非多维贫困农户参与比例相近, 而非多维贫困农户户均获得补贴金额总体上高于多维贫困农户。如表3所示, 当维度临界值K=1时, 多维贫困农户中有41.83%参加了农业产业扶贫, 仅比非多维贫困农户高3.16个百分点。多维贫困农户户均获得补贴比非多维贫困农户低520.12元。当维度临界值K等于2、3和4时, 多维贫困农户和非多维贫困农户均有41%左右参加了农业产业扶贫, 两组农户在参与比例上十分接近。而在户均获得补贴方面, 在K等于2和3时, 多维贫困农户分别比非多维贫困农户平均少获得补贴164.74元、135.7元。只有在K等于4时, 即农户为深度贫困户时, 多维贫困农户户均获得的补贴高于非多维贫困农户。因此, 综合不同维度临界值下的分析结果看, 多维贫困农户并未从农业产业扶贫中更多地受益。

表3 农户参与农业产业扶贫及获得补贴的状况     

5.2 农户参与的多维贫困瞄准数量缺口

在不同维度临界值下, 随着维度临界值K逐渐变大, 一类瞄准数量缺口逐渐变小, 二类瞄准数量缺口逐渐增大, 多维贫困瞄准数量缺口总体呈现下降趋势。如表4所示, 当维度临界值K等于1时, 多维贫困瞄准数量缺口为54.60%。一类瞄准数量缺口为47.52%, 表明在总体样本农户中有47.52%的农户是多维贫困农户, 但他们却没有参加农业产业扶贫。二类数量缺口为7.08%, 其含义是总体样本农户中有7.08%的农户是非多维贫困农户, 但他们参加了农业产业扶贫。当K等于3时, 多维贫困瞄准数量缺口下降到45.60%, 其中一类瞄准数量缺口降低为15.37%, 但二类瞄准数量缺口增加至30.23%, 表明随着维度临界值增加和多维贫困农户占比降低, 农业产业扶贫在农户参与层面的多维贫困瞄准偏差总体降低, 对多维贫困农户覆盖不完全的问题减少, 但农户是非多维贫困农户但却参加了农业产业扶贫的比例增加。当维度临界值K等于4时, 即多维贫困农户仅占样本总量的6.37%、识别出的贫困户为深度贫困户时, 农业产业扶贫的一类瞄准数量缺口仅为3.74%, 说明农业产业扶贫对深度贫困户的覆盖不完全问题比较小。虽然如此, 当K等于4时, 多维贫困瞄准数量缺口虽然与其他维度临界值下的多维贫困瞄准数量缺口相比最低, 但仍为42.37%, 说明农业产业扶贫总体的多维贫困瞄准效果仍需要进一步改善。

表4 农业产业扶贫在农户参与层面的多维贫困瞄准数量缺口 

6 农业产业扶贫对不同农户的影响效果差异分析

在农业产业扶贫的影响效果方面, 多维贫困农户能否明显获益, 或者是否获益比非多维贫困农户更多, 也是衡量多维贫困瞄准的重要内容。因本次调查涉及的农业扶贫产业主要是经济作物, 因此本节主要分析农户参加农业产业扶贫对农户种植业投入、种植业总收入和种植业纯收入的影响。在农业产业扶贫实施中, 所有农户均有机会参加, 但不同农户参加的倾向并不相同。从理论上看, 家庭中劳动力数量多、户主受教育程度高、户主年龄较小、耕种土地多的农户更有可能参加农业产业扶贫并从中受益, 这就产生了政策或项目评估中常遇到的内生性问题, 本节将使用内生转换回归模型控制内生性问题。

6.1 描述分析

通过描述分析发现, 不管是在何种维度临界值分组之下, 参加农业产业扶贫的农户平均的种植业投入和收入高于没有参加项目的农户, 但非多维贫困农户的投入和收入增量高于多维贫困农户。如表5所示, 当维度临界值K等于1时, 在多维贫困农户中, 参加农业产业扶贫的农户比未参加农户的种植业投入多608.55元, 而非多维贫困农户中参加农户比未参加农户的投入多1 621.61元, 这一差值比多维贫困农户中参加与未参加农户的差值高1 013.06元。在种植业总收入上, 虽然多维贫困农户中参加农户比未参加农户高1 490.69元, 但这一差值比非多维贫困农户的差值低2 135.03元。在种植业纯收入方面, 多维贫困农户中参加农户比未参加农户高882.14元, 但比非多维贫困农户的这一差值低1 121.97元。当维度临界值K分别等于2、3和4时, 分析结果与K等于1时相似。这些描述分析的结果表明, 参加农业产业扶贫的农户比未参加农户有更多的种植业投入和收入, 但多维贫困农户从农业产业扶贫中的受益增量比非多维贫困农户少。虽然如此, 但由于内生性问题的存在, 农业产业扶贫的影响效果和多维贫困瞄准评估还需要使用内生转换回归模型进一步分析。

表5 多维贫困分组下农户是否参加农业产业扶贫的种植业投入和收入的对比    

6.2 内生转换回归模型分析过程和结果

根据内生转换回归模型的分析步骤, 首先选取行为方程和结果方程的变量。本文在行为方程中选取的因变量为农户是否参加农业产业扶贫, 结果方程的因变量为农户的种植业投入的对数、种植业总收入的对数和种植业纯收入的对数。本文选取的自变量包括户主特征变量、家庭特征变量和村级特征变量。在户主特征变量中, 选取了户主受教育年限、户主年龄、户主年龄的平方、户主打工或经商年数。在家庭特征变量中选取了家庭规模、劳动力数量、家庭耕种土地数量以及是否参加了合作经济组织。在村级特征变量中, 选取了村里是否组织技术培训、村里是否组织外出务工。除了以上特征变量外, 根据前文行为方程自变量选择的要求, 选取了村庄当年基础设施投资的对数这一变量加入行为方程中, 但不加入处理组或控制组的结果方程中。选取这一变量的原因在于, 农业产业发展与村庄基础设施紧密相关, 如果村庄基础设施更加完善, 农户选择参加农业产业扶贫的可能性会增大。但村庄当年基础设施的投资对农户种植业投入和收入在短时间内不会产生影响。为验证选取变量合适与否, 文章还分别将农户是否参加农业产业扶贫、农户种植业投入和收入对村庄当年基础设施投资的变量进行回归。结果表明, 村庄当年基础设施投资显著影响了农户是否参加农业产业扶贫, 但对农户种植业投入和收入没有产生显著的影响, 这说明选取的变量是适宜的。本节分析选取的变量及其描述统计见表6。

表6 变量及描述性统计

使用内生转换模型, 对农户是否参加农业产业扶贫以及处理组 (即参加了农业产业扶贫的农户) 、控制组 (即没有参加农业产业扶贫的农户) 的结果方程进行回归分析, 结果如表7所示。行为方程分析结果表明, 除了户主年龄、村里是否组织技术培训和村里是否组织外出务工外, 其余变量对农户参与农业产业扶贫产生了显著的影响。其中, 村庄当年基础设施投资对农户是否参加农业产业扶贫具有显著的正向影响, 这表明, 村庄基础设施的改善有助于提高农户参加农业产业扶贫的可能性。

表7 内生转换回归 (ESR) 模型的结果 

注:*、**和***分别表示在10%、5%和1%水平上显著。括号内为t值。

在农户种植业投入、种植业总收入和种植业纯收入的回归结果中, 模型2、4、5和6的逆米尔比率对因变量有显著的影响, 这表明, 在分析农户是否参加农业产业扶贫对种植业投入和收入的影响时, 同时受到了农户可观测变量和不可观测变量的影响。若不考虑内生性问题, 在评估农业产业扶贫的影响效果时, 结果会存在偏差。处理组和控制组结果方程的分析显示, 影响处理组和控制组种植业投入和收入的因素存在差异。对农户种植业投入的回归结果分析显示, 农户是否参加合作经济组织、村里是否组织技术培训对处理组的种植业投入有显著影响, 但对控制组农户没有显著影响。户主的受教育年限、户主年龄和家庭耕种土地数量对控制组农户的种植业投入有显著影响, 但对处理组的影响不显著。农户种植业总收入的回归结果表明, 村里是否组织技术培训、村里是否组织外出务工对处理组农户有显著的影响, 但对控制组的影响并不显著。种植业纯收入的回归结果也显示出, 处理组和控制组农户种植业纯收入的影响因素存在差异 (1) 5。这些结果均表明, 处理组和控制组农户在特征变量上可能存在显著差异, 以致对农户福利产生显著影响的因素存在差异, 这也间接表明了评估农户参加农业产业扶贫影响效果时, 控制内生性的必要性。同时, 处理组和控制组农户特征存在差异, 也表明了使用内生转换回归模型分别对两组农户进行回归分析, 更加符合实际情况, 这进一步显明了使用内生转换回归模型的合理性。

通过计算农业产业扶贫的平均处理效果发现, 农户参加农业产业扶贫总体上能够促进种植业投入、种植业总收入和种植业纯收入的增加, 这与描述分析结果总体一致。但是农业产业扶贫的影响仍存在异质性, 当维度临界值等于4时, 即农户为深度贫困户时, 参加农业产业扶贫并未对农户种植业总收入和种植业纯收入产生显著的正向影响, 农业产业扶贫的多维贫困瞄准效果仍存在需要改善之处。具体来讲, 如表8所示, 当维度临界值等于1、2或3时, 不管是多维贫困农户还是非多维贫困农户, 处理组农户在种植业投入、种植业总收入和种植业纯收入平均处理效应总体上显著高于其反事实 (即处理组若不参加农业产业扶贫) 下的表现。但当维度临界值等于4、农户是深度贫困户时, 虽然参加农业产业扶贫能够促进其种植业投入, 但是并未显著提高其种植业总收入, 这导致的结果是, 参加农业产业扶贫显著降低了深度贫困户的种植业纯收入。造成这种结果的原因在于, 深度贫困户往往面临着户主受教育水平有限、病人数量较多、享受的公共服务有限、增收能力较弱等因素的制约。他们参加农业产业扶贫, 虽然增加了种植业投入, 但受到多种因素的制约, 难以获得产业投入的正常回报。在农业产业扶贫未来发展中, 需要更多地关注深度贫困户。

表8 农业产业扶贫对不同组农户人均种植业投入和收入的影响 

注:种植业投入和收入均为对数。*、**和***分别表示在10%、5%和1%水平上显著。

7 结论与政策建议

本文尝试总结了一个扶贫政策或项目多维贫困瞄准的分析框架, 并提出了多维贫困瞄准数量缺口的概念。在湖南、湖北、重庆和贵州四省 (直辖市) 989个农户调研的基础上, 使用多维贫困瞄准分析框架, 分析了农业产业扶贫的多维贫困瞄准状况。本文主要结论如下。

第一, 扶贫政策或项目瞄准可以基于多维贫困方法、利用“精准识别—农户参与—影响效果”的扶贫瞄准框架进行分析。可首先使用多维贫困方法进行贫困农户识别, 在多维贫困农户分组基础上分析农户参与状况, 并分析参与层面的多维贫困瞄准数量缺口。最后基于多维贫困农户分组, 使用计量分析方法评估扶贫政策或项目对不同组农户的影响效果差异。

第二, 在农户参与层面, 多维贫困农户与非多维贫困农户参与农业产业扶贫比例相近, 但非多维贫困农户户均获得补贴金额总体上高于多维贫困农户。随着维度临界值逐渐增大, 一类瞄准数量缺口逐渐变小, 二类瞄准数量缺口逐渐增大, 多维贫困瞄准数量缺口总体呈现下降趋势。

第三, 在影响效果层面, 农户参加农业产业扶贫总体上显著促进了种植业投入与收入的增加。但农业产业扶贫的影响效果存在异质性, 对贫困维度数量较少的农户, 参加农业产业扶贫能够显著促进其种植业投入和收入, 对深度贫困户而言, 虽然参加农业产业扶贫显著促进了其种植业投入的增加, 但并没有显著促进其种植业总收入和纯收入的增加。农业产业扶贫对深度贫困户的多维贫困瞄准效果还需要进一步改善。

在农业产业扶贫未来发展中, 应针对不同贫困程度的农户采取不同举措, 具体如下。

第一, 针对贫困维度数量较少的农户, 要提升农业产业扶贫的效果, 可从以下方面入手: (1) 6加强农业技术指导服务。在贫困地区, 农业技术服务发展相对滞后, 限制了农业产业扶贫的发展和贫困户参与热情。另外, 农业产业扶贫虽然大多推广的是优良特色品种, 但如果缺少配套农业技术服务指导, 可能会大大影响扶贫产业的发展。应借助科研单位、高等院校的力量结对帮扶贫困地区, 加强对贫困地区农业特色产业发展的农业技术服务指导。 (2) 提供农业产业扶贫贷款。贫困地区农户的生产性信贷需求通常难以得到满足, 面临信贷约束或信贷配给。应将发展农业产业扶贫与扶贫小额贷款结合起来, 通过增加农村信用社、商业银行等正规金融机构的小微贷款, 或者发展贫困村互助资金、社区基金等微型金融组织, 满足有能力发展扶贫产业但缺少资金的农户信贷需求。 (3) 合理选择产业。应该根据贫困地区不同的气候条件、地形条件、土壤条件等情况, 结合考虑市场需求状况, 因地制宜推广差异化的扶贫产业, 避免“跟风式”发展某个扶贫产业可能带来的价格下跌、产业失败风险。 (4) 发展农业保险。试点农业产业扶贫与农业保险相结合, 对农户提供农业保险的保费补贴, 扩大农业保险对不同地区特色经济作物的保障范围, 改变贫困户对参与扶贫产业的风险预期。

第二, 针对深度贫困户, 要提升农业产业扶贫的效果, 可从以下方面入手: (1) 7建立利益联结机制。当前扶贫工作虽然特别强调扶贫资源要瞄准深度贫困户, 但发展农业产业扶贫需要农户劳动力、农业技能等要素的投入, 而深度贫困户往往在这些要素上存在一定劣势。需要根据农业产业的特点, 建立种养大户、家庭农场等具有优势生产要素的主体带动深度贫困户共同发展的机制。 (2) 发挥农村集体的组织联系作用。深度贫困户因自身能力较差, 即使参加农业产业扶贫, 种植或养殖规模通常较小, 而且深度贫困户大多缺少市场信息和销售渠道。需要发挥农村集体或经济合作组织的中介作用, 可借鉴“巢状市场”形式, 帮助深度贫困户与城市消费者连接, 扩大其销售渠道。 (3) 探索要素入股方式。在农业产业扶贫中可探索深度贫困户的土地入股、扶贫资金入股方式, 借鉴资产收益扶贫的模式解决缺少劳动力的深度贫困户受益问题。

——END

编者注：

• 本文转自：杨龙,李宝仪,赵阳,汪三贵.农业产业扶贫的多维贫困瞄准研究[J].中国人口·资源与环境,2019,29(02):134-144.

• 参考文献、注释、英文摘要略，格式稍有调整

• 如有不妥，请公众号 或 [e-mail] 联系删除

相关阅读：