趙 正，侯一蕾，溫亞利

(北京林業(yè)大學 經濟管理學院，北京 100083)

一、引言

中國的扶貧實踐始于20世紀80年代中期，時至今日已經使六億多人成功脫貧，成為第一個實現(xiàn)聯(lián)合國千年發(fā)展目標使貧困人口比例減半的國家。但是，當前中國的扶貧工作仍然存在貧困居民底數不清、扶貧措施針對性不強、扶貧資金和項目指向不明等一系列問題。2013年11月，習近平總書記在湖南湘西考察時提出了“精準扶貧”的重要思想，即針對不同貧困區(qū)域環(huán)境、不同貧困農戶狀況，運用科學有效程序對扶貧對象實施精確識別、精確幫扶、精確管理的治貧方式。也就是說，精準扶貧的對象是真正的貧困農戶。另一方面，習近平總書記在2015年10月再次強調，實施精準扶貧方略需要堅持“分類施策”的原則，即“因人因地施策，因貧困原因施策，因貧困類型施策”。因此，設計科學合理的精準扶貧模式就成為提升農戶參與積極性和扶貧政策實施效果的保證?；诖耍狙芯恳缘湫偷貐^(qū)貧困農戶作為研究對象，從主要的精準扶貧模式出發(fā)，就精準扶貧項目與農村居民收入增長之間的關聯(lián)及影響關系進行深入探討。

二、文獻綜述

關于精準扶貧的研究始于2013年，但目前已有的研究成果比較豐富，涵蓋了精準扶貧的模式選擇、問題研究及對策分析等方面的內容。

就精準扶貧的模式選擇而言。有研究認為扶貧模式的選擇需要考慮不同地區(qū)的貧困特點和致貧原因。有研究認為中國西南石漠化地區(qū)精準扶貧取得成效的關鍵，是在科學規(guī)劃和精準識別的前提下建立農業(yè)產業(yè)化的扶貧發(fā)展模式[1]；還有研究指出，中國川藏地區(qū)的貧困問題受到生態(tài)、經濟、社會以及制度等因素的約束，其扶貧模式應當更多地考慮提升公共服務、加大資金投入以及創(chuàng)新機制等方面的內容[2]。另一方面，有研究認為有效的扶貧模式應當是將改善貧困狀況和增強發(fā)展能力相結合的模式，精準扶貧工作應當注重農戶的教育培訓環(huán)節(jié)[3]；也有研究指出，有效的精準扶貧模式需要一方面瞄準對象、精確識別，另一方面對癥下藥、聯(lián)動幫扶[4]。

就精準扶貧存在的問題而言。有學者從農戶自身角度出發(fā)，認為中國農戶貧困的主要原因是自身發(fā)展能力的缺乏，具體體現(xiàn)在對借貸等精準扶貧措施的積極性不高等方面[5]，還有學者提出中國精準扶貧精準度不高的原因之一是農戶在參與扶貧項目時存在信息不對稱的問題[6]；其次，從扶貧政策角度考慮，有學者指出中國的農村社會正在不斷發(fā)生分化，當前的扶貧措施需要更多地考慮扶貧政策與社區(qū)發(fā)展之間的關系[7]；還有學者更加詳細地提出，中國的精準扶貧工作存在需求、資金、市場等方面的排斥性因素，都不利于扶貧工作的有效開展[8]。以上研究表明，農戶自身存在的問題與扶貧政策的缺陷，都會導致精準扶貧的實踐與政策相背離。

就精準扶貧的路徑與對策分析而言。已有研究普遍強調了建立和強化精準扶貧機制的重要性，即更加關注區(qū)域和人口的實際需要以及扶貧資金的投向和效果，提高扶貧的精準度[9]；還有學者認為農戶的參與是提高扶貧轉化率的根本之策，也是發(fā)現(xiàn)和解決貧困問題、提升精準扶貧績效的重要手段[10]；有研究進一步提出了提高精準扶貧有效性的方式方法，即一方面制定和實施有效的財政、金融政策，另一方面加強對貧困農戶的技能培訓，提升生計水平，從兩方面努力來達到脫貧的目的[11]。

從相關研究所存在的問題出發(fā)，本研究認為：一方面，由于精準扶貧對于大部分地區(qū)農戶而言仍然是一個比較新的話題，目前中國只有少數試點地區(qū)開展了相關的精準扶貧項目，參與項目的農戶人數也較少，因此用于此類研究的樣本數量較小，在觀察研究過程中存在的小樣本偏差，將會引致偏倚的結論，從而降低研究結果的可信度；另一方面，Heckman曾經指出，樣本選擇性偏差和受訪者的先驗經驗、個體特征等因素同樣會影響研究結果[12]。也就是說，農戶精準扶貧項目參與情況會受到多種因素的影響，而非僅僅由項目本身的好壞所決定，已有研究并未對此加以重點關注。本研究旨在通過引入傾向得分匹配法(PSM)解決這一系列問題。

基于已有研究成果和“實事求是，因地制宜，分類指導”的基本原則，本研究認為，充分提升農戶的參與積極性是精準扶貧工作實施的重點，設計合理的精準扶貧實施方式，則是提升農戶參與積極性的保證。結合秦嶺地區(qū)精準扶貧工作開展的實際情況，本研究以貧困補貼模式、合作社模式、生態(tài)旅游模式以及整村推進模式為例進行分析，旨在全面把握當地精準扶貧的基本情況，同時對不同模式下農戶收入的增減情況進行估算與對比，進而得出最適宜的扶貧模式，為相關政策的制定提供依據。

三、研究區(qū)域和指標設計

陜西省是中國生態(tài)脆弱、水土流失嚴重的省份之一，也是貧困問題較為突出的區(qū)域。本研究課題組于2016年對秦嶺地區(qū)農戶的精準扶貧項目參與意愿進行了實地調研，共涉及陜西省佛坪縣、城固縣、洋縣、太白縣、眉縣、周至縣6縣的11個行政村。本研究在選取樣本農戶時依據典型抽樣和隨機抽樣相結合的原則，選擇調查農戶共計600戶，剔除由于常年在外打工而得到的無效問卷、有明顯失真的問卷、數據信息缺失嚴重以及完全對本次研究相關變量無法滿足的問卷，最終的有效問卷為561份，調查問卷有效率達93.50%(表1)。

表1 研究區(qū)域和問卷發(fā)放情況

就問卷調查的具體內容而言，首先對農戶在2014—2016年的收入情況進行了調查，與收入相關的調查問題包括了農戶在貧困補貼、合作社、生態(tài)旅游以及整村推進四種精準扶貧模式下的家庭月收入額。其次，還對以下3個方面的內容進行了調查：(1)農戶的個人特征，包括農戶的性別、年齡、受教育程度以及農戶身份等；(2)農戶的精準扶貧項目參與情況，以2016年農戶的項目參與情況作為區(qū)別實驗組與對照組的分類變量，同時對2014和2015年農戶的項目參與情況進行調查，以此來降低數據的內生性問題；(3)考慮到可能存在的不可觀測因素和交叉影響因素的作用，以及解釋變量與被解釋變量間可能存在的非線性關系，本研究通過對個別變量的交叉和平方化處理構建了6個虛擬變量。具體的變量設置及描述統(tǒng)計情況如表2所示。

表2 變量及其取值

由表2可知，實驗組農戶各年的收入情況均低于對照組，且各組各變量的t檢驗結果顯示其組間差異非常顯著(P<0.01)。比較各變量可知，實驗組農戶的年齡略小、受教育程度略低，這類農戶普遍具有更多的閑暇時間；同時，實驗組農戶的村干部或黨員任職要優(yōu)于對照組，即實驗組農戶對于精準扶貧政策的接觸頻率及認知程度相對較高。由此可以推斷：參與精準扶貧項目理論上應當促進農戶收入水平的提升，因此導致其收入較低的因素很有可能是內生性的。描述統(tǒng)計部分只對農戶的收入進行了簡單對比，并未體現(xiàn)農戶收入與其精準扶貧項目參與情況之間可能存在的因果關系。因此，本研究擬對真實情況進行進一步的估計。

四、傾向得分匹配模型設計

在精準扶貧項目參與對農戶收入的影響分析中，實地調研所得到的數據主要是非實驗數據或觀測數據，而不是隨機對照實驗數據。原因在于：從數據獲取的角度考慮，對大量受訪者進行調查，然后隨機分配到參與組和非參與組的實驗設計并不容易實現(xiàn)；反之，農戶參與和未參與精準扶貧項目的行為和結果很容易通過觀察得到。但是，利用觀察數據直接進行研究將很容易得出非常偏倚的結論。比如：用參與項目的農戶中收入狀況最差的10%樣本，與未參與項目的農戶中收入狀況最好的10%樣本進行對比，將會得出“精準扶貧項目對農戶收入產生負面影響”的錯誤結論。因此，本研究擬通過引進傾向性得分匹配法來嘗試解決這一問題。

傾向得分匹配法(PSM)是使用非實驗數據或觀測數據進行干預效應分析的統(tǒng)計方法，可以有效降低調查樣本的選擇性偏差和內生性干擾等問題。傾向得分匹配的理論框架是“反事實推斷模型”，即假定任何因果分析的研究對象都有兩種條件下的結果：被觀測到的和未被觀測到的結果。對于處在干預狀態(tài)和控制狀態(tài)的樣本而言，“反事實”分別表示處于相應狀態(tài)下的潛在結果。傾向得分匹配法可以解決“反事實”無法觀測的問題。該方法首先將可能存在選擇性偏差和內生性干擾的混淆變量納入到回歸模型中，通過計算得出其傾向得分，即實驗組樣本的條件概率；進而以傾向得分為基礎，計算與每個實驗組樣本個體最為匹配的對照組樣本個體，從而達到組間的平衡。

具體來說，首先對原始數據進行歸納與整合，得到兩個組別的樣本數據，實驗組表示該組農戶有參與精準扶貧項目，對照組則表示該組農戶沒有參與精準扶貧項目。令因變量Y1和Y0分別表示實驗組和對照組農戶收入，二值變量D表示農戶是否參與項目(D=1則代表該農戶在實驗組，D=0則代表該農戶在對照組)。本研究的目的在于探討已經參與精準扶貧項目的農戶與假設其未曾參與的情況相比，其收入狀況是否會更好。當樣本農戶屬于試驗組時，事實E(Y1|D=1)可觀測，而反事實E(Y0|D=1)無法觀測；同理，當樣本農戶屬于對照組時，事實E(Y0|D=0)可觀測，而反事實E(Y1|D=0)無法觀測，這種研究思路稱為“反事實因果分析”[13]。同時，由于個體農戶的參與情況存在差異，因此本研究重點關注實驗組中事實E(Y1|D=1)與反事實E(Y0|D=1)之間的樣本均值差，即平均參與效應(ATT)：

ATT=α[E(Y1|D=1)-E(Y0|D=1)]+(1-α)[E(Y1|D=0)-E(Y0|D=0)]

其中，α為實驗組樣本農戶比重，(1-α)為對照組的樣本農戶比例?？紤]到各組樣本的隨機分配方式以及反事實無法觀測的困難，本研究引入非混淆假設E(Y1|D=0)=E(Y1|D=1)和E(Y0|D=0)=E(Y0|D=1)對平均參與效應(ATT)的表達式進行簡化[14]，得到：

ATT=E(Y1|D=1)-E(Y0|D=0)

本研究用傾向得分(Propensity Score)作為對多個混淆變量x的代替進行估計，它表示“個體在一組既定的協(xié)變量下，接受某種參與(Treatment)的可能性”[15]。令P(x)表示實驗組中變量x的傾向得分，即P(x)=P(D=1|x)，則平均參與效應(ATT)可以進一步改寫為：

ATT=E(Y1|D=1，P(x))-E(Y0|D=0，

P(x))

由于本研究的參與變量D為二值變量(0，1)，因此采用logit模型對傾向得分值進行估計。對傾向得分值進行估計的目的在于，將多維協(xié)變量x轉換為一維變量P(x)，從而降低匹配的復雜程度。當前比較常用的傾向得分匹配方式有4種，即最鄰近匹配法(Nearest Neighbor Matching Method)、核匹配法(Kernel Matching Method)、分層匹配法(Stratification Method)和半徑匹配法(Radius Matching Method)。本研究擬采用最鄰近匹配法，對與實驗組樣本的傾向得分最為接近的實驗組樣本進行一對一匹配，數據的整理和分析采用Stata軟件完成。

五、實證結果分析

(一)傾向得分的Logit模型估計結果

本研究的因變量類型為二分類變量，自變量包括二分類變量、連續(xù)變量和有序多分類變量，因此采用二分類Logit回歸模型進行分析，來探討二分類因變量與自變量之間的關系。同時，還計算了各影響因素變量的邊際變化對農戶參與精準扶貧項目的概率的影響。計算結果如表3所示。

表3 不同扶貧模式下傾向得分的logit估計結果

注：***、**、*分別表示1%、5%和10%顯著性水平。

由表2可知，年齡和教育因素會顯著提升農戶參與精準扶貧項目的概率，農戶的年齡越大、受教育程度越高，農戶參與精準扶貧項目的概率就越高；類似地，具有村干部或黨員身份的農戶參與精準扶貧項目概率要顯著高于普通農戶；相反，從事非農工作的農戶參與精準扶貧項目的概率要低于傳統(tǒng)農戶。此外，就2016年的情況而言，農戶的收入水平越高，其參與精準扶貧項目的概率就越低?？赡艿脑蚴?，隨著收入水平的提升，農戶通過參與扶貧項目來繼續(xù)提高收入的主觀意愿就會逐漸降低。本研究認為，這是由于農戶對于精準扶貧重要功能的認知不夠充分，他們并不理解“精準扶貧”和“收入提升”之間的因果聯(lián)系。為了體現(xiàn)和驗證精準扶貧項目對于農戶收入的真實作用程度和方向，需要進行傾向得分匹配分析。

(二)傾向得分匹配的估計結果

采用相鄰樣本匹配的方法進行傾向值得分匹配，試驗組的可匹配情況如表4所示。由表4可見，按照本研究設定的匹配規(guī)則，試驗組僅有8位受訪農戶未能匹配到合適的對照組樣本。

表4 傾向得分匹配的可匹配情況

由表5所示的傾向得分匹配結果可知：總體上，匹配前的農戶收入呈現(xiàn)“實驗組<對照組”的特點，且二者差值小于0，表明參與了精準扶貧項目的農戶，其收入值反而更低了；匹配后的農戶收入呈現(xiàn)“實驗組>對照組”的特點且ATT>0，表明參與精準扶貧項目確實可以提升農戶收入。就不同模式對農戶收入的提升作用而言，生態(tài)旅游模式的作用最為顯著，合作社和貧困補貼模式次之，整村推進模式的作用相對較??；就不同模式下收入的絕對值而言，貧困補貼和合作社模式下的農戶收入較高，生態(tài)旅游和整村推進模式下的農戶收入較低。

表5 傾向得分匹配的估計結果

注：***、**、*分別表示1%、5%和10%顯著性水平。

以上傾向得分匹配的結果充分證明：當前農戶對精準扶貧項目的參與存在著選擇性偏差和內生性干擾，忽視這些問題將會導致精準扶貧政策的作用被低估甚至誤判。傾向得分匹配方法降低了此類干擾對真實研究結果的影響，表明在農戶參與精準扶貧項目后，其收入水平會獲得不同程度的提升。

(三)傾向得分匹配的平衡性檢驗

在傾向得分匹配估計的基礎上，本研究擬對結果的可靠性進行平衡性檢驗，目的在于驗證匹配后實驗組與對照組的匹配變量不存在顯著的組間差異。以總體收入為例進行檢驗，結果如表6所示?？芍琹ogit回歸的偽R2由匹配前的0.673下降到了匹配后的0.068，表明傾向值匹配后混淆變量對于處理效應所提供的新信息大幅減少到0.1以下；同時，總體組間均值差異為10.1%，可以認為平衡性假設得到了滿足。

表6 傾向得分匹配前后的相關指標對比

注：***、**、*分別表示1%、5%和10%顯著性水平。

此外，本研究通過對實驗組和對照組各變量進行標準偏誤(SB)和t檢驗計算來反映偏差的減少情況，結果如表7所示。其中，變量的標準偏誤是實驗組與對照組的樣本均值之差與樣本方差平均值的平方根之比。已有研究對具體評判的標準闕值并未達成一致，但是一般而言，標準偏誤越小則表示匹配的效果越好[16-17]。

從總體上看，各變量的標準偏誤在傾向得分匹配處理后得到了極大的改善，突出體現(xiàn)在其絕對值的大幅降低上。具體來說：(1)計算得到的標準偏誤的絕對值基本都小于20%，可認為傾向得分匹配的估計結果是可靠的[18]；(2)與匹配前相比，除“是否從事非農工作”這一變量的標準偏誤增加之外，其他所有變量標準偏誤的絕對值均呈現(xiàn)出較很大幅度的降低；(3)在進行傾向得分匹配后，絕大部分變量的t檢驗統(tǒng)計量不再顯著。因此，認為該傾向得分匹配的結果是可靠的，該方法在很大程度上消除了實驗組與對照組樣本之間的個體差異，表明傾向得分匹配后的結果更加符合實際情況。與此同時，匹配標準偏誤絕對值的大幅降低也表明，農戶問卷調查由于受到樣本個體生存背景、主觀情感以及對調查問題的認知程度等因素的影響，導致調查的誤差相對較大，還需要設計更加合理的調查內容及形式以提升農戶回答問題的真實性和可靠性。

表7 傾向得分匹配結果的平衡性檢驗結果

六、結論與討論

綜上所述，本研究采用傾向性匹配得分法(PSM)分析了農戶參與精準扶貧項目對其收入的影響，并對研究結果的平衡性進行了檢驗。研究發(fā)現(xiàn)：(1)在進行傾向得分匹配前，農戶收入呈現(xiàn)“實驗組<對照組”的特點，而經過傾向得分匹配后，農戶收入呈現(xiàn)“實驗組>對照組”的特點，表明在參與精準扶貧項目后農戶的收入水平會獲得提升。(2)就不同模式對收入的提升作用而言，生態(tài)旅游模式的作用最為顯著，合作社和貧困補貼模式次之，整村推進模式的作用相對較??；就不同模式下收入的絕對值而言，貧困補貼模式和合作社模式下的農戶收入仍然最大，生態(tài)旅游模式和整村推進模式下的農戶收入相對較小。(3)傾向得分匹配法的計算和驗證結果顯示，當前農戶對精準扶貧項目的參與存在著選擇性偏差和內生性干擾，這些因素共同導致了精準扶貧政策的作用被低估甚至誤判。

基于以上研究結論，本研究認為精準扶貧項目的順利實施離不開農戶的關注和參與，在日后的工作中，需要重點提升農戶對精準扶貧相關政策的了解程度，使其明晰精準扶貧項目的實施機理和最終目的，讓農戶意識到整體精準扶貧項目實施與個人收入提升之間的因果聯(lián)系，進而深化農戶感知，提升其參與精準扶貧項目的主動性。換句話說，只有充分發(fā)揮公眾的作用，才能提高精準扶貧項目實施的效率，為精準扶貧工作的進一步開展創(chuàng)造條件。此外，從方法層面考慮，傾向性得分匹配法被證實可以有效降低調查樣本的選擇性偏差和內生性干擾等問題，該方法可以在實驗組和對照組交集很小的情況下消除組別之間的干擾因素，揭示研究對象之間的真實因果關系。在下一步的研究中，還可以在研究方法的綜合使用方面做進一步拓展，如，使用不同的匹配方法進行估計，并比對不同的計算結果分析，選擇最合適的方法進行研究；增加衡量個體特征變量的個數，使研究的結論更加全面。