基于资产指数的联合国ifad农村扶贫项目精准脱贫效果评价-李文静.pdf

《基于资产指数的联合国ifad农村扶贫项目精准脱贫效果评价-李文静.pdf》由会员分享，可在线阅读，更多相关《基于资产指数的联合国ifad农村扶贫项目精准脱贫效果评价-李文静.pdf（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、收稿日期:2015 -12 -25 修回日期:2016 -06 -26基金项目:联合国重大国际合作项目“基于计量经济学方法的联合国IFAD中国项目影响评估”(2014087001)、国家自然科学基金项目“生态环境和地质灾害孕贫机制与减贫策略研究-以三峡库区为例”(71473231)。作者简介:李文静(1989 - ),女,河南汤阴人,中国地质大学(武汉)经济管理学院博士生,研究方向:项目管理。通讯作者:帅传敏。基于资产指数的联合国IFAD农村扶贫项目精准脱贫效果评价李文静,帅传敏,帅竞,程欣,丁丽萍,李梦梅(中国地质大学(武汉)经济管理学院,湖北武汉 430074)摘要:消除贫困、实现社会和谐

2、与可持续发展,是全人类面临的一个重大课题。作为致力于全球减贫事业的联合国专门机构-国际农业发展基金(IFAD),其中国农村扶贫项目精准脱贫效果如何备受关注。本文采用准实验研究设计方法,基于课题组在我国7省开展的IFAD项目区实地调研的1356份的农户问卷数据,首先构建了基于农户资产福利状态的资产指数体系,并结合多重对应分析法计算各指标的权重,以此对农户的贫困状态进行了测度。然后,采用双差分法对IFAD项目的脱贫效果进行了定量评价。结果表明:(1)IFAD扶贫项目的整体脱贫效果明显;(2)IFAD项目脱贫效果在不同省份之间存在差异;(3)在评价农户是否精准脱贫方面,与农民人均纯收入相比较,资产指

3、数具有更好的稳健性和客观性。最后,本文基于上述研究结论,提出了相应的政策含义。关键词:联合国IFAD;农村扶贫;精准脱贫;资产指数;多重对应分析;双差分中图分类号:F323 89 文献标识码:A 文章编号:1002 -9753(2016)07 -0066 -12Evaluation on Precision Poverty Eradication Effects of IFADProjects in Rural China Based on Household Asset IndexLI Wen-jing, SHUAI Chuan-min, SHUAI Jing, CHENG Xin, DIN

4、G Li-ping, LI Meng-mei(School of Economics and Management,China University of Geosciences (Wuhan), Wuhan 430074,China)Abstract:Eliminating poverty and realizing harmonious and sustainable development are a sigificant issue facing allhumankind today As a UN agency of global poverty reduction, Interna

5、tional Fund for Agricultural Development(IFAD) is devoted to poverty alleviation throughout the world IFAD precision poverty reduction effects have arousedworldwide attention Based on the data of 1356 households from quasi-experimental research design method and fieldsurvey conducted by the research

6、 group in 7 provinces in China, we firstly constructed the asset index to measure thefarmers welfare and used the MCA method to calculate the asset index of each household, measuring the poverty statusof each household Then, we used the Diff-in-Diff method to evaluate poverty eradication effects of

7、IFAD projects inrural China The results show that: (1) the poverty eradication effects of IFAD projects are significant; (2) the effectsof IFAD projects are vary in different provinces; (3) asset index is more robust and objective in assessing precisionrural poverty eradication than farmers net inco

8、me Finally, we put forward relevant policy implications based on theabove findings66中国软科学2016年第7期Key words:UN-IFAD; rural poverty alleviation; precision poverty reduction; asset index; MCA; Diff-in-Diff (DiD)一、引言贫困,是当今全社会面临的一个重大经济问题和社会问题。消除饥饿和贫困是实现世界公平发展和可持续发展的首要目标。联合国千年发展目标提出消灭贫穷饥饿、普及初等教育、促进两性平等、降低

9、儿童死亡、改善产妇保健、与疾病作斗争、环境可持续力、全球伙伴关系”八大指标,是国际社会为帮助世界摆脱极端贫困做出的庄严承诺。由于经济的发展,中国的贫困发生率由1985年的84%下降到2012年的12 5%,大约6亿中国人在过去的30年里摆脱了绝对贫困。极端贫困现象在中国已经基本消除,但是有很多“几乎贫困”的人,他们刚刚超过贫困线,且很容易受到冲击,而重新陷入贫困状态1。贫困识别和贫困测度是研究贫困的两个基本问题(张建华等,2006)2。世界银行在1990年世界发展报告中将贫困定义为缺乏达到最低生活水平的能力。诸多学者从不同角度对贫困进行了界定。联合国开发计划署(UNDP)在1997年人类发展报

10、告中提出了人文贫困的概念,从健康长寿、知识获取和资源利用三方面能力剥夺的角度定义贫困。也有学者从社会学的角度对贫困进行分析,认为贫困是一个综合、具体、相对和动态的概念。贫困脆弱性和贫困状态转移的概念相继提出。世界银行(2001)提出了贫困脆弱性的概念,将其定义为度量应对冲击的复原性,主要从收入、支出或其他福利指标的变动性进行测度。类比于马斯洛的需求层次理论,有学者将贫困按照贫困人口的需求层次定义为生存性贫困、温饱型贫困和发展性贫困。国际农业发展基金(IFAD)是一个致力于全球农村减贫使命的联合国专门机构。 IFAD从1981年开始与中国政府开展了长达33年的合作,积极参与到中国农村的减贫事业并

11、做出了重要贡献。已实施的IFAD项目覆盖了中国西北、西南和中部20多个省市自治区的贫困地区,着力于帮助贫困地区农户实现脱贫致富,通过精准扶贫手段对贫困对象予以扶持。而IFAD中国项目实施的绩效即精准脱贫效果也一直是关注的焦点。对扶贫项目对农户生活条件的改善程度的有效度量,有助于为扶贫项目的持续发展和有效施行提供借鉴和依据。因此,如何科学合理的衡量扶贫项目对扶持对象生活条件改善的贡献,对合理评估扶贫项目绩效具有重要指导意义,也对我国当前精准扶贫精准脱贫有一定借鉴。本文从衡量农户福利状态入手以界定贫困发生率,构建了基于农户资产福利状态的资产指数,对IFAD项目实施期间农户资产存量的改善进行科学测度

12、,以评价扶贫项目效率和精准脱贫效果。对扶贫项目脱贫效果进行分析,离不开对脱贫标准的合理界定,包括贫困指标的选取和贫困线的界定。有学者认为,收入只能反映人类发展和贫困的一个方面,而不能反映收入之外其他纬度的贫困。贫困应该表现为福利的缺乏,而不仅仅是收入或消费的不足,除由收入水平决定外,还可能包括住房和基础设施、扫盲和健康状况等(张建华等,2006)2。目前,国内外对贫困测度的研究主要集中在贫困及贫困线的衡量与测度、贫困脆弱性及贫困状态上。世界银行衡量贫困程度有三类:定义一个确定福利水平、选择绝对贫困线、选择贫困代理指标。目前,关于贫困的测定方法有恩格尔系数法、基本需求法、比例法、马丁法、调整基期

13、贫困线法、线性支出系统模型法、因子分析法等,对贫困的测度主要表现为绝对贫困和相对贫困两个方面。单纯以收入为标准的贫困发生率测度方法只能测度出贫困发生的规模,对穷人的收入分布完全不敏感,无法测度贫困的深度和强度,且在反贫困政策上具有误导性。 “FGT指数”方法在测度贫困广度的同时,还可以测度贫困深度及贫困强度,但其只能从收入一维角度进行测度分析,无法从多个层面、多个角度考察一个地区的贫困发生状况(陈辉,2015)3。目前对多维贫困的测度,主要表现为通过构建一个综合指标或指数对福利的主要方面进行测度,并据此确定一个贫困线作为测度贫困的标准对贫困状态进行测度。部分研究者认为,资产能够衡量中长期的福7

14、6科技与社会基于资产指数的联合国IFAD农村扶贫项目精准脱贫效果评价利状态,且受时间及货币价值波动的影响不大。由于受贫困界定和评估时间变化的影响,不同方法测度的贫困状态有很大差异。 Davis等(2011)4认为,在贫困状态的动态定量评估中,采用基于资产水平的估计方法获取的评价更为稳定。鉴于资产能够更稳定的反应家庭的经济福利状况,进而衡量中长期的贫困状态,一些研究学者已经从仅以收入作为代理指标衡量家庭经济状态转向家庭资产。资产与贫困之间存在一定的理论关系,物质资本增加能够创造更多的财富,使农户具有较强的风险抵抗能力,资产累积有利于贫困过渡,资产损失则可能陷入贫困。目前对资产贫困线进行测度的方法

15、主要有两种。第一种是线性支出模型法,通过回归家庭资产集与消费贫困线或低收入贫困线,得到维持贫困线消费水平或低收入水平的最小资产需求,即一个资产指数,并将其定义为资产贫困线(汪三贵, 2013 )5。 Carter等(2001)6人将资产贫困线定义为能够产生于C值的资产组合:用Cit代表个人或家庭i在第t期的福利水平,c为贫困线,当Cit c,时,i被定义为贫困。此外,他还提出了在资产贫困陷阱理论的基础上,利用农户的资产水平测度长期贫困的新思路,也构成了甄别长期贫困与暂时贫困的第三种思路,将Micawber边界所处的资产水平作为确定农户是否为长期贫困的标准,即动态资产贫困线(Carter等,20

16、06)7。第二种是资产指数法,资产指数法被广泛应用于多维度贫困,用以衡量农户在资产方面的贫困程度。对资产的界定也从单一的农户耐用消费品拥有量扩展到农户生活的诸多方面。李佳路(2011)8提出资产贫困的多维贫困线,从住房、耐用品、生产性资产及耕地角度入手,认为当一个农户同时存在上述4类资产贫困中的任何三种时,即视为资产贫困。李晓红(2013)9从人力资本产权的视角出发对城市贫困人口的致贫原因进行分析,认为导致城市贫困的各种原因是通过影响贫困人口人力资本产权的实现,影响了贫困人口的产权维护能力。罗良清(2012)10则指出,人力资本具有较强的减贫效应,但存在区域差异,东部地区的人力资本减贫效应大于

17、中西部地区,应从区域视角入手通过发展教育促进贫困人口的人力资本积累,增加其就业机会,提高其收入水平达到脱贫目的。综上所述,现有文献对贫困测度的研究已从单一测度走向多维测度,涉及收入、消费、资产、被剥夺状况等诸多角度。但是诸多研究对扶贫项目的评估缺乏基线数据的支撑,有的研究虽有基线数据的支撑,但跨越项目前后两个时点进行随机抽样,每次抽取样本的变动会使得监测结果存在一定的测量误差,进而无法有效衡量项目干预的实际贡献。对于缺乏系统且完整的基线调查对比分析数据,项目评估只能采用农户回顾的方法获取项目实施前农户家庭的数据,通过项目前后的对比,分析农户生活状况的改善程度。但通过农户回忆获取项目前的收入、储

18、蓄等基线数据具有一定的回忆偏差,而基于资产类别对资产存量进行分析可以大大减少农户的回忆偏差,从而提高脱贫项目评估的合理性。因此,本文采用资产指数法对农户的贫困状态进行界定,对IFAD项目的精准扶贫项目效果进行分析。二、样本数据与研究方法本文采用准实验研究方法,设计了处理组和对照组两个组别,使用的样本数据来自课题组对中国国家级IFAD项目影响评估的实地调研的一手数据。对样本选择的标准依次为:样本省、样本县及样本村采取分层随机抽样,样本农户采取随机抽样的方式获取样本数据;采用倾向得分匹配(PSM)方法进行对照村(对照村)的选择。课题组赴河南、甘肃、宁夏、新疆、内蒙古、四川和重庆在内的7省(市、区)

19、进行了为期3个月的实地调研。问卷调查涉及项目村(处理村)和非项目村(对照村)共计49个。实地调研共获取农户问卷1362份,其中有效农户问卷1356份,问卷有效率为99 56%,样本分布见表1。本文采用的研究方法主要是资产指数法和双差分析法。具体来说:(1)首先,根据文献分析和实地调研观测采用多重对应分析法( MultipleCorrespondence Analysis,MCA)构建资产指数,对农86中国软科学2016年第7期户的贫困状态进行测度。 (2)采用双差分分析法(Diff-in-Diff,DiD)衡量IFAD项目干预对受益农户脱贫的净贡献,通过构建适当的实验组和对照组,并分析实验组和

20、对照组事后差异和事前差异的差分,以过滤掉结果变量的时间趋势和固定效应的干扰(Ravallion, 2007)11,从而获取IFAD项目干预对农户基于资产状况衡量的贫困状态的直接干预效应,在此基础上对精准脱贫效果进行评价。表1问卷样本统计学特征受访者特性频数频率是否接受项目干预处理户764 56 34%对照户592 43 66%受访者地域宁夏194 14 32%重庆196 14 45%甘肃196 14 45%新疆196 14 45%内蒙古196 14 45%河南192 14 16%四川186 13 72%受访者年龄19岁及以下10 0 74%20 -29 76 5 60%30 -39 173 1

21、2 76%40 -49 415 30 60%50 -59 362 26 70%60岁及以上320 23 60%户主学历文盲281 20 72%小学553 40 78%初中400 29 50%高中及以上122 9 00%资料来源:根据样本数据整理所得。三、资产指数和贫困测度现有文献中,构建资产指数最常用的方法是主成分分析(Principal Components Analysis, PCA)和因子分析(Factor Analysis, FA)。 PCA一般多用于连续性变量,变量需满足线性约束,即假定各变量间距相等且排列有序。相比之下,MCA对变量分布的假设要求更少,更适合于离散变量和分类变量。相

22、关文献表明(Booysen, 2008)12,MCA更适用于二元变量和分类变量。 MCA计算公式如下:MCAi = Ri1W1 + Ri2W2 + + RijWj式中,MCA代表家庭的财富指数得分,Rij代表农户对第i类资产的拥有情况,Wj是第i类资产在第一维度下的权重。鉴于农户资产除能用货币衡量者之外,其他均为分类指标,如饮用水、做饭燃料、通往市场便利程度等。本文认为,人力资本也是农户资产重要的组成部分,人力资本在农户脱贫和经济创收方面起着至关重要的作用,故也应纳入农户资产的考虑范畴。本文采用多重对应分析法,从农户的生产性资产、生活性资产和人力资本3个维度构建了本文农户资产指数,以对本次评估

23、的农户的资产状况进行综合测度,构建的农户资产指数指标体系,从资产福利角度对农户的贫困状况进行度量。本文从生产性资产、生活性资产和人力资本三个角度对农户资产进行分析,其中生产性资产主要指农户用以农业生产及购销便利程度的资产类型,包括农用机车、出行交通工具及道路状况等;生活性资产主要指农户用于生活的资产,包括住房条件、饮用水、电器及做饭燃料等;人力资本主要指农户的人力创造资本,鉴于本次项目评估所涉及的区域多处农村偏远地带,多数家庭靠外出务工,从事非农就业等以解决家庭生活状况,因此,本文选择家庭成员中劳动力人数对农户的人力资本进行衡量。本文对资产指数模型构成的各指标的定义和数据处理原则见表2。由于本

24、文采用相对贫困线对农户贫困状况进行衡量,为避免项目前后权重重新计算带来相对贫困线变动对脱贫率计算造成的影响,本文采用项目前后的混合样本数据计算农户的资产指数,指标权重计算结果见表3。本文计算的项目前后的资产指数分布情况见表4。本文计算的资产指数值组成情况见表5。以资产指数最小值为例,当生产性资本、生活性资本和人力资本均处于最低水平时,资产指数取最小值,为-7 302,代表农户资产福利状况较差。资产指数分布的中位数代表农户家庭中有摩托车、彩电,距离市场较近,做饭燃料使用煤或沼气,饮用水为河流,家庭中劳动力占家庭规模比96科技与社会基于资产指数的联合国IFAD农村扶贫项目精准脱贫效果评价较大,住房

25、条件达中等水平。当生产性资产和生活性资产都拥有,去往市场耗时最短,采用电或天然气等做饭燃料,饮用水为自来水,劳动力人数占家庭规模的70%以上及住房条件指数达74 96以上时,资产指数最优,即代表农户资产福利状况最优。表2资产指数模型变量及处理原则贫困维度贫困指标分类变量处理原则生产性资产是否有摩托车/小汽车等否为1,是为2是否有拖拉机/农用车否为1,是为2去往市场的最短时间连续型变量处理为分类变量生活性资产住房条件指数连续性变量处理为分类变量是否有洗衣机否为1,是为2是否有电冰箱否为1,是为2是否有彩电否为1,是为2饮用水来源(池塘或其他/河流或湖泊/浅水井/深水井/自来水)池塘或其他为1,河

26、流或湖泊为2,浅水井为3,深水井为4,自来水为5做饭用燃料(木柴/煤或沼气/电、天然气或液化气等)木柴为1,煤或沼气为2,电、天然气或液化气等为3人力资本劳动力占家庭人口总数的比例连续性变量处理为分类变量资料来源:IFAD中国项目评估调查问卷。注:住房条件指数:本文将其定义为住房材料及人均居住面积等衡量居住条件水平的综合指标(其中住房材料:参照Score card得分,采用百分制打分法;人均居住面积:取数值最大值,标准化,百分制打分法),根据专家打分法,以住房材料0 7,人均居住面积0 3的权重计算住房条件指数的综合得分。表3资产类指标权重拖拉机或农用车摩托车或小汽车无-0 185有0 440

27、无-0 607有0 711住房条件指数0.12 -22 91 -0 77835 08 - 48 46 0 21350 04 - 74 80 0 46474 96 - 98 82 0 638洗衣机电冰箱彩电到最近市场的耗时无-0 749有0 784无-0 668有0 820无-1 079有0 4071 25 - 3 50 -0 9730 25 - 1 20 0 0780 00 - 0 25 0 555做饭燃料饮用水来源劳动力的占比木柴-0 740煤或沼气0 443电或天然气0 930池塘-1 503河流-1 174井水-0 125自来水0 7850 00 - 0 67 -0 0200 70 -

28、1 00 0 029资料来源:根据调查数据整理而得。07中国软科学2016年第7期表4资产指数分布表MCA-pre MCA-post样本量1356 1356均值-2 780 2 783均值的标准误0 073 0 057中值-3 005 3 195众数-5 920 4 560标准差2 669 2 091方差7 124 4 373偏度0 394 -0 952偏度的标准误0 066 0 066峰度-0 487 0 647峰度的标准误0 133 0 133极小值-7 300 -5 880极大值4 970 6 100和-3768 970 3773 46025百分位数-4 873 1 54250百分位数-

29、3 005 3 19575百分位数-1 097 4 513资料来源:作者根据实地调研数据整理而得。注:MCA-pre代表项目前的资产指数;MCA-post代表项目后的资产指数。此外,为衡量上述所构建资产指数的稳健性,本文将资产指数与衡量农户家庭生活福利状况的其他指标进行对比,以获取该指数的稳健程度。鉴于可获取的发展中国家的调查通常缺乏收入和支出的数据,Harttgen等(2013)13采用资产指数拟合农户收入,进而判断贫困标准和不平等状况。世界银行(2003)研究表明,生活福利类贫困度量指标与支出的相关性范围通常在0 20到0 40之间。 Booysen等(2008)12的研究表明,资产类指标

30、与人均消费支出具有正向且显著的相关系数和Spearman秩相关系数,分别为0 421和0 493。本文采用农户人均消费支出作为对照指标,分析其与资产指数的相关性以获取农户资产指数的稳健性。本文采用相关分析中的相关系数和Spearman秩相关系数对其相关性进行分析。分析表明,农户资产指数与人均消费支出的相关系数为和Spearman秩相关系数分别为0 272和0 416,且均在0 01的水平上显著,这与前面所述研究结果一致,表明本文构建的资产指数稳健性较好。表5不同资产指数值组成情况表统计量资产指数频数拖拉机或农用车摩托车或小汽车洗衣机电冰箱彩电到最近市场耗时做饭燃料饮用水来源劳动力占比住房条件指

31、数最小值-7 302 13无无无无无0 96 - 3 50木柴池塘0 00 - 0 67 0 12 -22 91众数-5 920 43无无无无无0 27 -0 95木柴河流0 00 - 0 67 0 12 -22 9125th -3 147 2无无无无有0 95 - 3 50木柴井水0 7 - 1 50 04 -74 80中位数0 418 2无有无无有0 00 - 0 25煤或沼气河流0 7 - 1 0 35 06 -48 4675th 3 222 7有有有无有0 27 - 0 95煤或沼气自来水0 70 - 1 00 35 08 -48 46最大值6 099 1有有有有有0 00 - 0 2

32、5电或天然气自来水0 70 - 1 00 74 96 -100 00资料来源:根据统计数据汇总而得。多维贫困的综合指标是正数(positive),可以使用任何其他类型的贫困线,如分位数和中位数的50%相对贫困线(Asselin, 2008)14。参照世界银行贫困分析相关资料,可以以人口总量的一部分作为相对贫困人口划定贫困线,进而以此为标准对贫困状态进行测度。本文借鉴Booysen(2008)12和Garbero(2014)15等学者对资产指数贫困线的划分,分别采用资产指数分布的40分位和60分位作为贫困线,对农户资产的贫困状态进行衡量。四、IFAD项目精准脱贫效果评价(一)IFAD项目干预对资

33、产指数的影响分析为了考察IFAD项目干预对农户资产指数增长的净贡献,本文采用双差分析的方法对项目干预对资产指数变动的影响进行了分析,即刨除项目期内农户资产指数的自然增长外,IFAD项目实施对农户资产指数增长的净贡献。资产指数的双差分结果见表6。17科技与社会基于资产指数的联合国IFAD农村扶贫项目精准脱贫效果评价由表6的分析结果可以看出,从中国项目区的整体实施情况来看,由于受到IFAD项目实施的帮扶,处理村与对照村之间资产指数增量的差值为1 075,且在0 01的水平下显著。为考察其他因素对农户资产指数的影响,本文采用固定效应模型进行分析(薛凤蕊,2011)16,将可观测的影响资产指数值的一组

34、变量作为控制变量,并以此为基础对IFAD项目干预效应的净效应进行分析。本文选择劳动力中女性占比、户主年龄、户主受教育程度、家庭规模、家庭劳动力个数等5个变量家庭特征变量作为控制变量组。由表7的计算结果可以得出,IFAD项目干预对农户资产指数增长的净贡献为1 0745,在其他因素不变的情况下,劳动力中女性占比(0 6792)对资产指数有显著的正向影响,且影响最大,这表明女性劳动力占比越高,对农户资产存量改善越大;其次为家庭中的劳动力个数(0 2634)、户主受教育水平(0 1594)、户主年龄(0 0091),即家中劳动力最多,受教育水平越高,对农户资产存量的影响越大。此外,本文将农户特征变量作

35、为一组控制变量,采用双差分析法对控制变量影响下的IFAD项目的干预效应进行分析。由计算结果可以看出,处理村与对照村之间资产指数增量的差值为1 075,且在0 01的水平下显著(见表8)。由分析结果可以看出,从资产指数角度度量的农户生计状况来看,IFAD项目的干预对农户资产指数增长的净贡献显著,即IFAD项目干预效应显著。表6资产指数双差分析结果样本重庆宁夏内蒙古河南甘肃新疆四川合计处理前对照(C) -2 158 -4 503 -2 508 -1 835 -4 991 -1 271 -0 532 -2 511处理(T) -2 691 -5 668 -1 229 -2 040 -5 778 -2

36、505 -0 599 -2 987Diff (T - C) -0 533 -1 165 1 279 -0 205ns -0 787 -1 233 -0 066ns -0 476 处理后对照(C) 2 371 3 323 1 610 2 461 2 383 3 264 1 788 2 445处理(T) 2 912 2 572 3 498 2 846 3 107 3 296 3 083 3 044Diff (T-C) 0 541 -0 751 1 888 0 384ns 0 724 0 032ns 1 295 0 599 Diff-in-Diff 1 074 0 414ns 0 609ns 0 5

37、90ns 1 511 1 266 1 362 1 075 R-square 0 63 0 86 0 61 0 51 0 86 0 63 0 29 0 58数据来源:根据IFAD7省项目调研数据,采用stata13 0计算而得。注:“ , , ”分别代表在0 01,0 05和0 1的水平下显著,“ns”代表不显著。表7 IFAD项目效果:双差分析回归结果资产指数系数S E VIF T值P值95%置信区间时期4 8053 0 1369 3 29 35 10 0 000 4 5369 5 0737是否参与项目-0 5651 0 1266 2 40 -4 46 0 000 -0 8133 -0 316

38、9资产指数净贡献1 0745 0 1781 2 02 6 03 0 000 0 7252 1 4238劳动力中女性占比0 6792 0 2197 1 20 3 09 0 002 0 2485 1 1099户主年龄0 0091 0 0039 1 08 2 36 0 018 0 0015 0 0166户主受教育水平0 1594 0 0127 1 06 12 53 0 000 0 1344 0 1843家庭规模0 0038 0 0291 1 02 0 13 0 897 -0 0533 0 0609家庭劳动力个数0 2634 0 0402 1 02 6 55 0 000 0 1846 0 3423常数

39、4 8053 0 1369 - - 35 10 0 000 4 5369 5 0737Prob F 0 0000R-squared 0 6088调整的R-squared 0 6076资料来源:根据IFAD7省项目调研数据,采用stata13 0计算而得。27中国软科学2016年第7期表8包含控制变量的资产指数双差分析结果样本重庆宁夏内蒙古河南甘肃新疆四川合计处理前对照(C) -2 087 -4 599 -2 103 -3 107 -5 824 -3 487 -2 391 -4 905处理(T) -2 615 -5 764 -0 952 -3 353 -6 702 -4 814 -2 545 -

40、5 470Diff (T-C) -0 528 -1 165 1 150 -0 246ns -0 879 -1 328 -0 154ns -0 565 处理后对照(C) 2 711 3 255 2 147 1 251 1 388 0 947 -0 009 -0 100处理(T) 3 267 2 513 3 862 1 715 2 057 0 853 1 230 0 410Diff (T - C) 0 556 -0 743 1 715 0 465 ns 0 669 -0 095ns 1 239 0 509 Diff-in-Diff 1 084 - 0 422ns 0 565ns 0 711ns 1

41、 547 1 233 1 392 1 075 R - square 0 66 0 86 0 62 0 58 0 86 0 65 0 41 0 61数据来源:根据IFAD7省项目调研数据,采用stata13 0计算而得。注:“ , , ”分别代表在0 01,0 05和0 1的水平下显著,“ns”代表不显著。(二)项目干预对脱贫率的影响分析本文将7省整体作为研究对象,取其资产指数分布的40分位和60分位作为资产指数的贫困线。参照该脱贫率标准,各省处理村脱贫率均实现大幅度增长。从整体上看,取资产指数分布的40th分位数为贫困线时,7省处理村项目前脱贫率为57 33%,项目后脱贫率为99 21%,与项

42、目前相比,项目后脱贫率增长了41 88%。同期对照村项目前脱贫率为64 53%,项目后脱贫率为98 31%,与项目前相比,项目后脱贫率增长了33 78%。双差分析(DiD)结果表明,由于IFAD项目的实施,处理村的脱贫速度高于对照村8 10%,这表明了IFAD项目对处理村减贫的净贡献。取资产指数分布的60th分位数为贫困线时,7省处理村项目前脱贫率为39 53%,项目后脱贫率为97 51%,与项目前相比,项目后脱贫率增长了57 98%。同期对照村项目前脱贫率为41 89%,项目后脱贫率为94 43%,与项目前相比,项目后脱贫率增长了52 53%。双差分析(DiD)结果表明,由于IFAD项目的实

43、施,处理村的脱贫速度高于对照村5 45%,这表明了IFAD项目对处理村减贫的净贡献(见表9)。从7省农户脱贫率变动情况来看,参照40th分位数贫困线标准,由IFAD项目实施带来的增长中,新疆增幅最大( 19 64%),其次为四川(17 44%)、重庆(10 12%)、甘肃(3 27%)、河南(2 99%);参照60th分位数贫困线标准,增幅最大的为四川(28 12%),其次为内蒙(22 62%)、甘肃(12 50%)、新疆(7 44%)、河南(7 23%)、重庆(5 95%)。有学者指出,贫困研究除静态关注同一时期贫困人口的规模大小之外,更应动态地研究贫困群体在不同时期贫困状态的动态变化过程(

44、叶初升,2013)17。因此,本文对项目期内农户贫困转移状态进行了分析,以便界定项目期内农户是脱贫、返贫还是持续脱贫或持续贫困。由表7可以得出,以资产指数分布的40分位数为贫困线为例,在764户项目户中,有552户的生计状况由贫困转为脱贫,所占比例为72 25%;项目前已有的190户处于脱贫的农户经过项目期处于持续脱贫状态;而同期对照村592户中,有389户生计状况实现了由贫困到非贫困的转变,比率达65 71%,项目前已脱贫的154户仍处于持续脱贫状态。通过处理村与对照村的差异分析可以得出,对于项目前的贫困户而言,与对照村相比,处理村贫困户脱贫的比率高出6 54% ,即表现为IFAD项目对贫困

45、农户贫困状态改善的净效益。同理,以资产指数分布的60分位数为贫困线,IFAD项目对贫困农户贫困状态改善的净贡献为11 05%(详见表10)。37科技与社会基于资产指数的联合国IFAD农村扶贫项目精准脱贫效果评价表9 IFAD项目干预前后处理村与对照村的脱贫效果省份样本村40th贫困线60th贫困线项目前项目后变动量DiD项目前项目后变动量DiD河南处理村37 27% 96 36% 59 09%对照村35 37% 91 46% 56 10% 2 99% 9 09% 73 64% 64 55%7 32% 64 63% 57 32% 7 23%甘肃处理村0 89% 98 21% 97 32%对照村0

46、 00% 94 05% 94 05% 3 27% 0 89% 77 68% 76 79%0 00% 64 29% 64 29% 12 50%宁夏处理村0 00% 94 64% 94 64%对照村2 44% 98 78% 96 34% -1 70% 0 00% 74 11% 74 11%0 00% 86 59% 86 59% -12 48%新疆处理村25 00% 98 21% 73 21%对照村42 86% 96 43% 53 57% 19 64% 3 57% 77 68% 74 11%13 10% 79 76% 66 67% 7 44%内蒙处理村45 54% 98 21% 52 68%对照村2

47、0 24% 86 90% 66 67% -13 99% 7 14% 85 71% 78 57%3 57% 59 52% 55 95% 22 62%四川处理村48 94% 96 81% 47 87%对照村53 26% 83 70% 30 43% 17 44% 23 40% 79 79% 56 38%30 43% 58 70% 28 26% 28 12%重庆处理村20 54% 97 32% 76 79%对照村25 00% 91 67% 66 67% 10 12% 3 57% 71 43% 67 86%2 38% 64 29% 61 90% 5 95%7省处理村57 33% 99 21% 41 88%对照村64 53% 98 31% 33 78% 8 10% 39 53% 97 51% 57 98%41 89% 94 43% 52 53% 5 4