我国农户贫困动态演变影响因素分析

摘 要：动态贫困研究是从中长期考察家庭贫困状态，关注家庭贫困状态的脆弱性与发展演变。采用CHNS家庭微观数据，通过对我国农户动态贫困的研究发现：男性户主、年轻户主、人口规模较大、低人力资本、人均使用耕地面积越多的家庭，在一段时间内多次贫困发生概率较大；此外，我国农户动态贫困还表现出较强的区位特性。减贫政策应该从以下四方面改进：一是细分农村贫困人口类型，实施有针对性的扶贫政策；二是建立贫困家庭教育技能补贴制度；三是帮扶贫困地区开展非农或高附加值农业经济；四是建立有区域特征的扶贫开发机制。

关键词：农户；动态贫困；有序Logit模型

中图分类号：F061.3 文献标识码：A 文章编号：1003-3890（2014）03-0016-06

一、引言

改革开放以来，中国经济持续保持高速增长，经济快速增长产生的涓流效应和扩散机制使得中国的贫困问题得到了较好的改善，绝对贫困问题在很大程度上得到了缓解[1]。不过，进入20世纪80年代中期以来，农村内部农民的收入差距持续扩大，经济增长带来的减贫效应已不再显著[2]。目前农村地区的贫困现象表现出“大进大出”的特征，有些农户的贫困状况在贫困线上下来回波动，每年脱贫和返贫的农户数量还较多[3]，即贫困演化成动态贫困。动态贫困研究是分析个人或家庭在贫困位置上的流动状况（进入、停留或脱离）以及地位转变的原因[4]。早在20世纪初，B.Rowntree[5]就研究过动态贫困。关于动态贫困的研究主要集中于三个方面：一是发生贫困的概率与脱贫的概率，以及影响因素；二是长期贫困和短期贫困的发生率，以及影响贫困的决定性因素；三是减少短期贫困和长期贫困的政策措施研究。

当前，有关学者就中国动态贫困开展了较多的研究。Jalan J & Ravalion M[6]利用广东、广西、贵州和云南四省1985―1990年的数据研究得出，短期贫困在总贫困中均占据相当大的份额，全部样本永久性贫困为62%，长期贫困为14.4%，短期贫困为33.4%。Addabbot Baldinim[7]考察了动态贫困的区位差异，指出无论短期贫困还是长期贫困，贵州地区均比我国广东地区高。汪三贵、李文[8]通过对国内部分贫困县的研究表明，1997―2000年处于短期贫困状态的农户占比31.0%，处于长期贫困状态的农户占比27.9%，在贫困线上下波动的占31.1%。结合以上已有研究成果，本文将继续对我国动态贫困问题进行深入探讨。本文将采用CHNS数据，重点分析我国农户动态贫困特征，以及剖析影响贫困动态演化的主要因素。

二、理论框架与研究方法

（一）理论框架

根据以往研究结论，影响动态贫困的因素主要有：户主特征、人口特征、人力资本特征、生产特征和区位特征，具体分析如下：

1. 户主特征。户主特征一般包括户主的年龄、性别、婚姻状态以及民族。以往研究表明，这些特征影响着家庭的贫困状态。一般认为，女性、高龄、非婚、少数民族户主的家庭易发生贫困[9]。

2. 人口特征。人口特征如家庭人口数，小孩与老人抚养比，以及家庭学生人数。受传统观念的影响，我国农村地区许多家庭规模庞大，而随着家庭规模的增大易诱发出家庭贫困。现有研究认为，小孩、老人抚养比较高的家庭，因负担过重，容易发生贫困；家庭在校学生数量的增加易发生教育贫困[10]。

3. 人力资本特征。人力资本一般用受教育程度，及是否受过技能培训来衡量。著名经济学家舒尔茨很早就提出增加农户的知识，提高他们的人力资本，有助于消除贫困。国内已有研究证实，人口素质低下、观念落后是引发贫困的重要因素[11]。而贫困人口素质低主要表现在受教育水平的普遍低下[12]。

4. 生产特征。家庭生产特征包括人均耕地面积、土地灌溉面积以及牲畜饲养等直接影响家庭福利的指标。生产资源充沛的家庭，更具有潜力增加收入，从而贫困发生率较低[13]。不过，至于耕地面积的充裕却并不一定能降低家庭的贫困发生率，杨国涛等[9]的研究显示人均耕地面积越多，家庭贫困发生率却越高。

5. 区位特征。经济地理学认为贫困源自于生存空间的不足，这种观点认为贫困是由居住环境的恶化诱发的，例如自然环境恶劣、土地资源贫瘠、水资源匮乏、自然灾害多发、交通条件不便等[14]。Singer[15]等人从国际贸易的视角分析了出口致贫的原因，指出了存在资源诅咒的现象。当前我国减贫的主要区域集中在边远山区、少数民族聚集区等地理环境较差的地区，这也间接地暗示着地理区位因素影响了贫困的发生率。

（二）研究方法

1. 动态贫困测量。关于动态贫困的影响因素，部分学者采取统计描述的方法，例如阿玛蒂亚・森[16]在对孟加拉国农村家庭脱贫返贫影响因素的研究中，采取的就是描述统计分析方法。部分学者则使用计量经济学的方法研究贫困的跨期变动因素。例如，McCulloch、Baulch[17]，Andy McKay、David Lawson[18]在对贫困分析中，根据家庭贫困状况的差异，将全部家庭分为：慢性贫困家庭（chronic poverty）、暂时性贫困家庭（transitional poverty）和非贫困家庭（never poverty）四类，并用排序Logit（ordered logit）和多元Logit （multinomial logit）的计量方法考察了家庭贫困动态的影响因素。其实质上考察一段时期内家庭陷入贫困次数，以此判断贫困程度或类型，作为动态贫困的研究起点。

结合以上研究，本文拟选择一段时期内家庭陷入贫困次数，作为农户动态贫困的测量的指标。其具体做法如下：首先，本文根据家庭可比收入中位数的50%为贫困线，在每个时期内将全部家庭分为贫困家庭和非贫困家庭。其次，将统计时期内家庭陷入贫困的次数作为研究因变量。

2. 模型选择。由于因变量序列数的特征，本文采用有序Logit模型考察一定时期内家庭贫困状态变化的决定因素。其具体的Logit模型为：设t时期段内农户家庭陷入贫困次数为因变量Y，若Y是最大值为k的有序变量。XT=（x1t，x2t，…xnt）为自变量矩阵。记等级为j（j=0，1，2，…k）的概率为：P（yt≥jxt），则等级大于等于j（j=0，1，2，…k）的概率为：

P（yt≥jxt）=P（yt=jxt）+…+P（yt=kxt）

P（yt≥jxt）称为等级大于j的累计概率，对上式做Logit变换：

LogitPj=Logit[P（yt≥jxt）]=In■（j=0，1，2…k-1）

Logistic回归定义为：

LogitPj=Logit[P（yt≥jxt）]=-？琢j+■？茁ixit（j=0，1，2…k-1；i=1，2，…n）

等价于

P（yt

模型中？琢j和？茁i为待估参数，估计系数？茁i的含义为：当其他变量不变时，某个自变量Xit的两个不同取值m与n，其比数比OR=exp[βi（m-n）]。若？茁i的取值大于0，即OR取值大于1，意味着随着自变量Xit取值越大，农户贫困次数增加的概率会越高。模型采用极大似然估计的方法进行计算。

三、数据来源、变量选取与描述统计

（一）数据来源、变量选取

本文所使用的数据来源于美国北卡罗来那大学和中华预防科学医学院联合调查和创建的CHNS的微观面板数据。CHNS在1996年对调查省份进行了调整，为了避免构造平衡面板时的数据损失，本文选择2000年、2004年、2006年和2009年构造面板数据进行分析。

本文首先测算2000年、2004年、2006年和2009年家庭陷入贫困次数，作为因变量。由于农村家庭户主特征、人口特征、人力资本特征、生产特征和区位特征是影响农户贫困动态转化的关键因素。因此，在本研究的自变量选取中，主要是从这个五个方面选取指标。

根据CHNS现有统计数据，农村家庭户主特征方面选取的变量有户主性别、年龄（以及年龄平方）、民族（是否为汉族）和婚姻状态（是否在婚）；人力资本以户主受教育年限来表征，计算方法为“教育年限=不识字或识字很少×1+小学×6+初中×9+高中或中专×12+大专或大学×14+硕士及以上×15”[3]；人口特征以家庭人口规模来衡量；区位特征以省作为虚拟变量进行区分；生产特征用家庭上年人均耕种土地面积来衡量。这些变量的赋值情况如表1所示：

（二）描述性统计

1. 农户动态贫困状态。通过对CHNS数据的整理，本文共获得914户农户2000年、2004年、2006年和2009年的贫困状态数据。以农户家庭人均收入指标判断贫困状态，所有收入数值都经过CPI平滑到2009年价格水平，并划当年农户中值收入为当年贫困线，即每年的贫困线为农户的中值收入。农户动态贫困状态统计如表2所示：

从表2中可以看出，四个统计年中家庭从未陷入贫困状态的户数为158户，占比17.29%；仅一次陷入贫困的家庭有198户，占比21.66%；两次陷入贫困的家庭有197户，占比21.55%；三次陷入贫困的家庭共208户，占比22.76%；四次统计都处于贫困状态的家庭有153户，共占总数的16.74%。

2. 自变量取值与农户动态贫困状态分布。户主、人力资本、人口、生产特征与农户动态贫困状态分布。表3反映的是各变量的均值和标准差（括号外的是均值，括号内的是标准差）与农户陷入贫困次数的关系。随着家庭陷入贫困次数的增多，具有相同方向或相反方向变化的变量有家庭规模与上年人均耕种土地面积。不难发现，这两个变量的均值随着农户陷入贫困次数同步增加。其他变量虽无同样的变化规律，但是均值的分布与家庭陷入贫困次数也表现出了一定的相关性。例如，1～4次贫困家庭户主性别均值逐步下降，意味着男性户主家庭易陷入贫困。年龄方面也有类似关系，如2～4次贫困家庭户主年龄均值也逐步下降，反映出户主年龄越小家庭越易陷入贫困。

区位特征与农户动态贫困状态。表4反映的是区位特征与农户动态贫困状态之间的分布关系。例如，辽宁省2～4次贫困家庭比例明显高于0～1次；黑龙江省0～4次贫困家庭所占比重依次上升，该地区贫困深度较为严重；湖北省0～4次贫困家庭所占比重逐次降低，即当地农户贫困程度较浅。其他地区尚无表现出如此明显的贫困分布趋势。由此可见，农户动态贫困状态在不同区域之间，现状表现差异较大。

四、农户动态贫困影响因素的计量分析

通过以上描述性分析不难发现所选择五方面的变量与农户动态贫困状态存在一定的相关性，这一结论与理论框架的假设较为一致。然而，这些变量与农户动态贫困之间是否显著，其影响程度究竟有多大，还需要进一步的计量实证分析。

（一）模型估计

本文选择了2000年、2004年、2006年和2009年的CHNS农村家庭调查数据。根据现有数据类型，本文选择混合截面数据的有序Logit模型估计分析，分析结果如表5所示。

方程（1）在回归模型中只考虑了户主特征和人口特征，估计结果显示户主性别、户主年龄、年龄平方和家庭规模是农户动态贫困的显著性决定因素。

方程（2）在回归模型中增加了人力资本特征变量，发现新增的户主受教育年限是影响农户动态贫困的显著性变量。在加入人力资本特征变量后，原方程（1）中显著的年龄平方项不再显著，年龄的显著性水平有所降低，但是其他变量的显著性水平与方程（1）相同。

方程（2）与方程（3）共同探讨了模型是否应该加入户主年龄的平方项。方程（3）在去掉年龄平方项后，我们发现年龄的显著性水平明显地得到了提升，方程（3）的Pseudo R2相比方程（2）变化幅度不大。前三个方程估计结果都显示年龄对农户贫困状态深度具有负的影响，即户主年龄越大家庭陷入贫困概率越低；而方程（1）年龄平方项估计结果显示年龄具有正的效果。从描述性统计分析结论来看，户主年龄均值是随贫困深度加剧而降低的。同时，方程（1）年龄的显著性水平高于年龄平方，而且年龄的估计系数的绝对值也明显大于平方项，由此可见年龄对动态贫困的影响总体上是负向的。因此，模型去掉年龄平方项后不影响估计结果。