IFAD中国项目精准脱贫绩效评价：基于农民人均收入视角

帅竞+成金华+帅传敏+李文静+郭晴+程欣+丁丽萍

摘要 基于课题组在7省区1 356农户的调查问卷数据，采用双差分析模型对IFAD项目的扶贫绩效进行了测度；选用人均纯收入作为贫困代理指标，并采用倾向得分匹配法对项目干预的净效应进行了分析，分别采用核匹配和半径匹配（0.001）方法测算了项目的干预效果，定量评价了联合国IFAD中国项目对项目区受益人精准脱贫的实际贡献。研究结果显示：①IFAD项目脱贫效果显著：IFAD项目的实施对项目区贫困农户脱贫率的净贡献为18.71%，由于IFAD项目实施而摆脱贫困的受益人总数达到80.746万人，其中直接受益人46.113 7万人，间接受益人为34.632 3万人；②从收入结构来看，IFAD项目干预对贫困农户种植业收入增长的影响最大：采用DiD、包含控制变量的DiD、加权最小二乘DiD和PSM方法分析的结果显示，IFAD项目实施使项目受益人的种植业收入人均增长了1 031.15元，且在0.05的水平上显著；③从家庭特征来看，市场便捷程度和户主学历对IFAD项目干预效果的影响最大。基于以上研究结论，本文提出了旨在提高IFAD中国项目脱贫绩效的政策建议：①应充分发挥联合国IFAD项目精准脱贫的示范效應；②加快贫困地区农业产业结构升级以优化贫困户的收入结构；③进一步加强贫困地区道路和教育等基础设施建设。

关键词 联合国IFAD；项目绩效评价；精准脱贫；双差分析（DiD）；倾向得分匹配（PSM）

中图分类号 F061.3 文献标识码 A 文章编号 1002-2104（2017）02-0126-09 doi：10.3969/j.issn.1002-2104.2017.02.018

贫困问题是关乎社会稳定和可持续发展的世界性难题。如何消除贫困一直是世界各国共同关心的问题。消除绝对贫困是实现我国共享发展和全面建成小康社会的重要措施。中国作为世界最大的发展中国家，农村贫困一直是一个不容忽视的问题。党的十八大提出了2020年全面建成小康社会的宏伟目标。当前，我国已经吹响了消灭绝对贫困的冲锋号，从中央到地方都在积极推进精准扶贫，为2020年实现“精准脱贫、不落一人”的目标而不懈努力。联合国国际农业发展基金（简称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34年的反贫困合作，积极参与到中国农村的减贫事业并做出了重要贡献。截至2016年，IFAD共向中国批准了29个项目，直接受益人4 393 300人，投资总额达21.918 亿美元。IFAD项目的实施，惠及中国西北、西南和中部20多个省市自治区的农村贫困地区。然而，IFAD中国项目的扶贫绩效究竟如何？IFAD中国项目的实施使项目区多少贫困人口摆脱了贫困？哪些因素对IFAD项目干预效果的影响最大？农户收入结构对IFAD项目干预效果是否存在显著差异？现有的研究文献，都没能回答这些问题。有鉴于此，本文将采用双差分析（DiD）和倾向得分匹配（PSM）法，对收入视角下IFAD项目干预的净效应进行分析，以检验IFAD项目脱贫绩效和对农户收入结构干预效应的影响，旨在提出提高扶贫项目精准脱贫效果的政策建议。

1 文献综述

贫困概念最早由英国经济学家Holman 提出，认为贫困应按照满足家庭基本需要的物品量或支出量来衡量[1]。美国经济学家Orshansky用收入定义美国的贫困问题，她提出的贫困定义为美国官方统计机构所采纳，将购买美国农业部食品计划所包含食物费用的3倍设定为贫困线，如果某人的家庭收入低于由此计算出来的具有相同特征家庭的贫困线，这个人就被认为是贫困者[2]。我国学者童星认为贫困是一个复合概念，是经济、社会、文化落后的总称，因为收入水平低，导致一些生活必需品和基本服务无法得到满足的一种生活状况[3]。中国国家统计局从1998年开始使用人均收入和人均消费双指标衡量一个农户是否属于贫困人口。根据住户调查分户收支数据测算，2014年中国现行农村贫困标准为年人均纯收入2 800元人民币。世界银行根据对 34 个发展中国家特别是12 个最贫困国家贫困状况的研究结果提出，将 370 美元作为国际通用贫困标准衡量各国的贫困状况，按购买力平价简化为“1天1美元”的贫困标准[4]。世界银行2005年调整为“1天1.25美元”，2015年又调整到“1天1.9美元”。

基于收入视角的贫困，与生理最低需要相联系，低于这个需要，人就不能正常成长和生活。由于基本需求确定的复杂性，经济学家们在研究的基础上又提出贫困确定的相对标准。欧盟各国普遍采用人均收入低于中位数50%作为贫困线。1979 年以来，英国对贫困的定义是“家庭收入低于收入中位数的 60%”，中位数收入是指处于中间收入分配阶层的家庭所获得的税后收入。张全红用向量自回归模型对中国政府的农村扶贫资金投入和贫困减少的关系和Granger因果关系进行了研究，认为经济增长不仅减少了农村贫困人口，同时也加重了贫困深度指数和贫困强度指数[5]。传统的贫困测度方法通常是基于家庭的货币收入或家庭消费的指标来测度贫困，这种方法较为直接和简单，并被世界银行和中国政府用来界定贫困。任春丽基于河北省农村贫困的调查数据，从农民收入、支出和国家的扶贫政策三个方面分析了农村贫困状况，得出的结论是：农民收入少、支出多、政府投资力度不够、扶贫政策效果不佳是造成农村贫困的主要原因[6]。陈琦从人力资本和收入角度对武陵山区连片特困地区农村家庭进行了研究[7]。Shuai et al.对IFAD项目对中国项目区的影响进行了评估，结果显示：IFAD项目的减贫效果是明显的，在减贫理念方面的示范作用和影响是深远的[8]。Gao et al.采用倾向得分匹配法分析了低保家庭与非低保家庭的减贫效应，结果表明低保家庭减贫效果较为显著，但难以消除其目标群体内的贫困现象[9]。

汪三贵认为，我国精准扶贫方面的困难体现在精准识别、精准扶持和精准考核三个方面，并提出了改进精准扶贫绩效的政策建议[10]。李毅等认为，对扶贫项目的绩效评价应该以项目的目的性为基础进行多角度评价，同时验证了利用数据包络法对单一项目绩效评价的可行性[11]。朱乾宇通过政府扶贫资金及其具体投向对提高农业总产值和农民纯收入、降低农村贫困人口及其比例的回归分析研究了政府扶贫资金的使用绩效[12]。Garriga R G采用3个指标构建了贫困指数，以贫困指数排名确定贫困区域[13]。Amartya Sen提出了能力贫困的概念，他认为：贫困问题不仅仅是因为收入低，它还意味着贫困人口缺乏获得收入的能力，也就是说贫困的真正含义是贫困人口创造收入机会和能力的贫困[14]。孙璐基于管理生态学思想，采用不同性质的评估案例进行对比实证检验，探索了扶贫项目评估的适用方式，提出了精准扶贫视角下扶贫项目绩效评估的改进建议[15]。在扶贫绩效评价指标方面，李兴江运用层次分析法，通过建立参与式扶贫模式绩效评价指标体系，对甘肃省徽县麻安村参与式扶贫模式的绩效进行了评价[16]。宋卫信的研究结果表明：甘肃省扶贫绩效明显的主要因子依此为人均收入、人均财政状况、政府投入的人均非扶贫资金、未解决温饱人口的人均扶贫资金、人均银行存款及GDP值[17]。

2 数据与方法

2.1 评估范围

按照联合国IFAD总部的部署，本次中国项目影响评估覆盖7个项目，涉及9个省市区，这7个项目实际总投资达到49 432.73万美元，其中，IFAD投入19 892.96万美元，占项目总投资的40.24%，中国政府配套资金投入26 247.16万美元，总投资的53.10%，其余（6.66%）为农民投工投劳等（见表1）。这7个项目的计划受益人总数为5 915 874人、项目实际受益人总数为6 407 550人，包括项目直接受益人2 580 779人和项目间接受益人3 826 771人。按照IFAD的定义，项目直接受益人是指直接接受项目干预措施的农户即项目户的总人口，项目间接受益人是指项目溢出效应即项目示范效应所辐射的农户的总人口。

2.2 IFAD中国项目脱贫绩效评价的理论框架

列入本次评估对象的7个IFAD中国项目，分布在中国西南、西北和中部地区三大区域9个省市区。每个IFAD项目都包括5方面建设内容（子项目）：即基于土地的农业生产发展、农村基础设施建设、农村信贷、社会发展和项目管理。考虑到IFAD中国项目的实际情况，按照课题组与IFAD总部达成的共识，本次评估选择了农村信贷、农村基础设施建设和社会发展3个子项目开展了IFAD国家级项目影响的后评估。IFAD扶贫项目的主要干预方式，是向贫困农户发放小额信贷帮助其发展农牧业生产，因而农村信贷子项目是本次评估的重点。而农村基础设施子项目可以反映政府投入和贫困村生产生活设施的改善情况，这对项目持续发挥效益具有重要作用。社会发展子项目主要反映贫困村和贫困人口的健康、教育和赋权等社会发展水平，是项目长远影响和长期效益的重要体现。

本次IFAD项目影响评估，参照美国国际开发署（USAID）开发的逻辑框架分析法（LFA），并结合IFAD项目亲贫与减贫目标导向的设计理念，通过在项目区开展的一系列“投入-产出-结果-影响”的因果链条，从而实现项目的短期和长期脱贫目标。课题组基于IFAD项目设计理念和逻辑框架法（LFA），從项目干预投入-项目产出-项目短期效果-中期效果-长期影响的逻辑因果关系链，分析和构建了农村信贷、农村基础设施建设、社会发展3个子项目的减贫路径，形成了本次IFAD国家级项目影响评估的理论框架。

2.3 样本容量的确定

为了确定适合本次IFAD国家级项目深度影响评估的样本容量大小，在90%的置信度下，本文采用SAS 9.1软件模拟在7种不同情景下受益群体人均纯收入的改善程度。考虑到10年来中国农村的迅速发展，根据IFAD项目在中国项目区实施的实际情况，本文认为在7种情景中，情景4（样本量为900）与现实最为接近。考虑到运用倾向得分匹配（PSM）方法，本文在理论模拟结果基础上又增加了50%的农户样本量，即900 × 150% = 1 350，样本量设定为1 350左右。

2.4 问卷设计和抽样方法

本文采用了分层抽样和随机抽样相结合的方法，按照省级、县级、村级分层抽样的方法，且各级抽样均采用随机抽样的方式选取。此外，根据本次影响评估的设计方案，为了科学评估IFAD干预效应的大小，本研究采用了准实验研究方法设计了干预组和对照组，并分别确定了抽样方法。对干预组（项目村）的抽样采用了随机抽样的方法选取，采用倾向得分匹配（PSM）法的匹配思想选取了对照组（非项目村）。在7个省（宁夏、重庆、甘肃、新疆、内蒙、河南、四川）中抽取了49个样本村。首先，每个省随机抽取一个县；其次，每个县随机抽取7个村，其中随机抽取4个项目村，再运用倾向得分匹配（PSM）方法选择3个最合适的非项目村；最后，在每个村随机抽取28个左右的农户，使农户样本总容量达到1 350左右。

2.5 样本数据一致性检验

本研究样本数据来源于本评估组实地调研的7个省（或自治区、直辖市，下同）的农户调查问卷。课题组在实地调研过程中共发放农户调查问卷1 362份，其中有效问卷数为1 356份，问卷有效率分别为99.56%。本文从受访者是否接受项目干预、地域、性别、年龄及户主学历等角度统计了农户问卷样本的基本特征，基本特征如下：干预户764，对照户592；从受访者性别来看，男性占比75.96%，女性占比24.04%；从受访者年龄来看，29岁及以下所占比例为6.34%，30—39岁为12.76%，40—49岁为30.60%，50—59岁为26.70%，60岁及以上为23.60%。从户主学历来看，文盲占比20.72%，小学占比40.78%，初中占比29.50%，高中及以上9.00%。本文对问卷所获取得数据是否具有良好的内在一致性进行了检验，结果显示：Cronbachs Alpha值和KMO值均在0.7以上，表明实地调研获取的样本数据具有良好的内部一致性。

2.6 贫困线的选取

本文选取了农民人均纯收入作为贫困代理指标，以测算本次调研的样本农户的贫困状况。已有研究中对收入测度的贫困界限的划分通常采用中国政府贫困线标准和世界银行贫困线标准。本次评估的项目实施年份跨度为2003—2013年。世界银行根据1985年的购买力平价数据，将1990年的贫困线标准定在每天1美元。2005年，世界银行将标准提高到1.25美元。考虑到收入贫困线标准的国际实用性以及IFAD项目总部对贫困线划分标准的要求，本文采用了世界银行标准作为收入贫困线标准，以衡量本次调研的样本农户贫困状态的变动情况。

2.7 评价方法

2.7.1 双差分法（DiD）

双差分法主要通过自然试验的数据，通过有效控制研究对象间的事前差异，排除时间等固定效应，从而将政策影响的真正结果有效分离出来，以便真实反映政策的真实干预效果，减少过滤结果变量受时间和固定效应的干扰[18]。本文主要采用双差分析法对IFAD项目干预前后农户的贫困状态进行评估和对比分析，借以考察IFAD项目对中国项目区农户贫困状态改善（脱贫）的贡献程度。本文对项目干预效应的分析主要从以下两个角度进行：首先，本文基于双差分方法，对IFAD项目干预前后对项目村与非项目村脱贫率变动的差异进行了分析；接着，本文采用双差分析法，采用农民人均纯收入作为测度农户贫困状态的代理指标，对项目前后项目农户和非项目（对照）农户收入的差异进行了分析。

DiD的评估模型见式（1）：

包括协变量的DiD评估模型见式（2）：

上式中，yit代表农户贫困状态，i代表农户，t代表时期，Pi为二值虚拟变量，用于衡量农户是否参与IFAD项目，Tt衡量农户参与项目时期，Xit为影响农户贫困状态的协变量组。我们将全部样本分为四组，即项目前、后控制组和项目前、后处理组。经代入公式可知交乘项的系数N1为本文研究的IFAD项目对中国项目区农户的净影响。然而，该方法对项目前后其他因素要求非常苛刻，要求对照组和处理组对于项目干预以外的其它影响因素完全相同。因此，我们在（2）的基础上引入了协变量，考察其在控制外部变量的情况下IFAD项目对农户的平均处理效应。

本文采用独立样本T检验对项目干预前处理组与对照组差异的显著性进行了检验，结果表明：项目干预前，处理组与对照组之间不具备显著差异，即满足采用双差异分析法的前提条件。

2.7.2 倾向得分匹配法（PSM）

倾向得分匹配方法（PSM）最早由Rosenbaum和Rubin提出，其基本思想在于评估某项政策的效果时，若能找到与处理组尽可能相似的控制组，就可能尽最大程度的降低样本选择偏误，使得政策评估的结果更加合理[19]。本文采用PSM的基本思想进行了样本村与对照村的选择，选取了4个基本指标用于确定对照村（项目基年的村级农民人均纯收入、人均耕地面积、农户到最近市场的距离、村部所在地的海拔高度），并据此采用倾向得分匹配的方式从项目县没有参加IFAD项目的村中抽取对照村，在对照村内采用随机抽样的方式选择样本农户。本文采用PSM法对IFAD中国项目脱贫的净贡献进行了分析。PSM方法的基本原理见式（4），项目组的可观察特征X，参与了项目用T = 1表示，倾向得分值为P（X） = Pr （T = 1|x），当PSM方法的前提假设得到满足时，IFAD项目干预的平均处理效应ATET可以用项目组的平均产出E[YT|T=1， P（X）]减去对照组的平均产出E[YC|T=0， P（X）]表示：

本文根据Logit模型获取PS值，采用多维匹配的方法，获取影响农户贫困状态的个体因素和家庭因素，以便于寻找与项目户更相似的对照户。运用Probit模型分析選择作为进入PSM模型的协变量，分别为户主年龄（hha）、户主学历（hhe）、家庭成员数（nfm）、劳动力中女性占比（pww）、家庭劳动力个数（nfl）、去市场的最短耗时（ttm）和人均耕地面积（aveland）。然后，本文分别运用近邻匹配法（1∶1）、核匹配法、半径匹配法，估计IFAD项目干预的平均处理效果ATET。通过运用不同的匹配方法对项目组农户和对照组农户进行匹配，可以检验PSM方法对IFAD项目干预的平均处理效果的稳健性。

本文采用PSM平衡假设检验结果表明：匹配后偏差百分比基本上都小于5%，表明平衡效果较好；匹配后的t检验结果表明，处理组与对照组的差异不显著，表明满足平衡假设条件。

3 IFAD中国项目精准脱贫绩效评价结果与分析

3.1 IFAD项目对项目区直接受益人的精准脱贫绩效分析

本文采用双差分分析法，参照世界银行贫困线标准，基于IFAD项目实施前后农民人均纯收入变动的样本数据，测算了项目区项目前后脱贫率的变动情况，以揭示IFAD项目对项目区直接受益人脱贫的实际贡献，测算结果见表2。

按照IFAD要求，本次评估采用世界银行贫困线标准，各省项目村脱贫率均实现了大幅度增长。从总体上看，七省项目村项目前脱贫率为35.86%，而项目后脱贫率为93.59%，项目前后增长了57.73%。同期，对照村脱贫率由项目前的36.99%提高到项目后的76.01%，项目前后增长了39.02%。双差异分析（DiD）结果显示：由于IFAD项目实施，项目村脱贫速度高于对照村18.71%，这是IFAD项目对项目村减贫的净贡献。从各省分别来看，IFAD项目对脱贫率的贡献大小依次为：内蒙古（24.70%）、新疆（20.83%）、甘肃（17.56%）、重庆（17.27%）、宁夏（15.31%）、四川（12.60%）、河南（10.40%）。

与此同时，本文从项目村与对照村人均纯收入上升的农户所占比例之差的视角来分析IFAD项目对减贫带来的影响。本文以世界银行标准衡量农户项目后的脱贫和未脱贫状态，且农户在项目期内人均纯收入的变动情况，即农户若在项目后处于未脱贫或脱贫状态，则该农户的人均纯收入在整个项目期内是处于上升还是下降？从总体上来看，所有项目村农民人均纯收入处于上升的比率为97.64%，而同期对照村为90.03%，项目村比对照村高出7.61%。项目区有6.15%的农户虽未达到脱贫标准，但这部分农户的人均纯收入在项目期内也实现了正增长。

3.2 脱贫绩效的显著性检验

基于上述人均纯收入贫困标准，本文对7个省项目村和对照村的脱贫率以及脱贫率的差异进行了分析，并在此基础上采用独立样本T检验了项目村和对照村脱贫情况变动差异的显著性。检验结果表明：P=0.023<0.05，这显示项目村与对照村在人均纯收入维度下脱贫率的双差分结果存在显著差异，置信水平达到95%（见表3）。与此同时，本文对项目户与对照户项目前后的收入差异进行了分析，并对项目户与非项目户项目前后人均纯收入增量差异的显著性也进行了检验，结果见表4。检验结果表明：在脱贫率方面，项目村的脱贫率显著高于对照村；在人均纯收入的增量方面，项目户的收入增长显著高于非项目户。

3.3 基于双差分的扶贫项目效果分析

本文首先采用双差分模型对IFAD项目的扶贫绩效进行测度，选用人均纯收入作为主要测度指标，结果表明，项目干预对农户收入的净贡献为：农户人均收入增长了1 101.145元，且达到了99.99%的显著性水平。为增加分析结果的可靠性和稳定性，本文采用包括控制变量的双差异分析模型对IFAD项目的扶贫绩效进行测度。本文对控制变量的选取采用Logit模型，最终选用家庭中妇女劳动力占比、户主年龄、户主学历、家庭成员数、家庭劳动力个数、去市场的最短耗时和人均耕地作为控制变量，对IFAD项目对农户人均纯收入的净贡献进行分析，结果见表5。从表5不难看出：在控制农户家庭规模、土地情况、劳动力情况和市场便捷程度等规模的情况下，IFAD项目干预对农户收入增长的净贡献为883.299元。对模型中控制变量的分析结果表明，去市场的最短耗时对项目净贡献的影响最大（-1 017.533，p=0.000），即以市场最短耗时表征的市场便利越短，对收入增长的影响最大；户主学历对项目净贡献的影响也较大（176.726，p=0.000），即户主学历越高，对收入增长的贡献越大。研究结果还表明，家庭劳动力个数（-99.645，p=0.049）和人均耕地面积（-30.635，p=0.014）对收入增长具有负向影响。

此外，本文还对IFAD扶贫项目对受益农户收入结构的影响进行了分析，分别采用DiD、包含控制变量的DiD和加权最小二乘DiD方法，对人均收入视角下IFAD项目干预的净效应进行了分析。结果显示：IFAD项目对农户人均纯收入干预效果显著，在不考虑控制变量的情况下，项目的净干预效应为1 101.145元，在考虑控制变量的情况下为883.299元，在加权最小二乘法估计的结果下为938.978元，三种估计方法的均值为974.474元。即从总体上来看，IFAD对农户人均纯收入的贡献显著。从收入结构来分析，IFAD项目干预对人均种植业收入的贡献显著，而在人均养殖业收入、人均外出务工收入、人均政府补贴收入和人均其他收入方面的贡献不显著。其可能原因在于，上述项目地区主要以种植业为主，因此IFAD项目对种植业的干预效应显著；而养殖业由于受养殖规模的影响，项目干预效应并未达到显著性水平。

3.4 基于PSM的扶贫项目效果分析

为提高对IFAD扶贫项目干预效应分析的稳定性，本文采用倾向得分匹配法对项目干预的净效应进行了分析，分别采用核匹配和半径匹配（0.001）的方法估算项目的干预效果。结果显示：采用2种匹配方法估算的IFAD项目扶贫效果分别使农民人均纯收入增长了426.870元和564.180元，取二者的平均值，即项目干预对人均收入增长的净贡献为495.525元。从收入结构来看，项目干预对人均种植业收入（728.756元）贡献最大，其次为人均外出务工收入（666.889元）、人均养殖业收入（324005元）、人均其他收入（98.322元）和人均政府补贴收入（84.875元）。

3.5 IFAD项目在9省项目区脱贫总人口的测算

3.5.1 IFAD中国项目区直接受益人脱贫人口的测算

本文根据上述IFAD项目区脱贫率的测度，以项目受益人为基础数据，对项目区内因受项目干预而脱贫的人口进行了推算，结果见表6。

3.5.2 IFAD中国项目区间接受益人脱贫人口的测算

本文以甘肃省广河县为例测算了IFAD项目对间接受益人脱贫的贡献率，结果如表7所示。

由于缺乏其他项目县的相关数据，本文采用甘肃省广河县项目后（2013年）IFAD项目对间接受益人脱贫的贡献率（9.05%）来推算各省IFAD项目间接受益人的脱贫人口数，如表8所示。

3.5.3 IFAD中国项目区总受益人脱贫人口的测算

基于上述分析结果，本文对本次评估9个IFAD项目省（市、区）的受益人脱贫总人口进行了测算，IFAD项目脱贫的总受益人数为80.746万人（见表9）。基于样本县的脱贫率对我国9省市区的测算，截至2013年底，IFAD项目实施的9省市项目区摆脱贫困的总人口已达562.61万人，其中项目直接受益人239.58万人，项目间接受益人323.03万人。

4 结论与建议

4.1 研究结论

通过以上实证分析，本文得出如下结论：

（1）从总体上来看，IFAD项目脱贫效果显著。研究结果显示：参照世界银行贫困线标准，截至2013年底，我国9省（区市）IFAD项目区脱贫总人口已达562.61万人。从IFAD项目对项目区脱贫的实际贡献来看，IFAD项目的实施对项目区贫困农户脱贫率的净贡献为18.71%，对脱贫人口总数的净贡献为80.746万人，即在9省（区市）项目实施期内562.61万的脱贫总人口中，有80.746万人由于IFAD项目的实施而摆脱了贫困；从人均纯收入角度来看，基于DiD模型分析的项目干预的净贡献为1 101.145元，采用包括控制变量的DiD模型分析的项目干预的净贡献为883.299元，采用加权最小二乘模型估计的项目干预净效应为938.978元，采用PSM分析的项目干预的净贡献为574.290元，且均在0.05的水平上显著，平均干预效果为974.474元。

（2）从收入结构来看，IFAD项目干预对种植业收入增长的影响最大。本文的交叉验证分析结果表明：在农户收入结构中，IFAD项目干预对种植业收入增长影响最大。在IFAD项目的干预下，人均种植业收入平均增长了1 031.15元。双差分结果表明：项目干预对人均种植业收入的贡献最大（974.474元）且显著，而对人均养殖业收入、外出务工收入、政府补贴收入和其他收入方面的贡献不显著；PSM分析结果表明：项目干预对人均种植业收入（728.756元）贡献最大，其次为人均外出务工收入（666.889元）、人均养殖业收入（324.005元）、人均其他收入（98.322元）和人均政府补贴收入（84.875元），且均在0.05的水平上显著。

（3）从家庭特征来看，市场便捷程度和户主学历对IFAD项目干预效果的影响最大。从包含控制变量的双差分模型可以看出，去市场的最短耗时对项目净贡献的影响最大（-1 017.533，p=0.000），即以市场最短耗时表征的市场便利越短，对收入增长的影响最大；户主学历对项目

净贡献的影响也较大（176.726，p=0.000），即户主学历越高，对收入增长的贡献越大。研究结果还表明，家庭劳动力个数（-99.645，p=0.049）和人均耕地面积（-30.635，p=0.014）对收入增长具有负向影响。

4.2 政策建议

基于以上研究结论，本文提出以下建议：

（1）应充分发挥联合国IFAD项目精准脱贫的示范效应。研究表明，IFAD中国项目的精准脱贫效果显著，为项目区贫困人口脱贫致富发挥了重要作用。本文课题组在各省IFAD项目区调研时发现，IFAD项目高度重视扶贫对象即项目受益人的生计改善和可持续发展，在增加项目受益人收入的同时加强贫困人口尤其是妇女等弱势群体的能力建设，高度重视项目实施过程的监测评价（M&E）和结果导向的精细管理（RIMS），使IFAD项目干预活动实现了预期的脱贫目标。为此，建议我国在当前精准扶贫和精准脱贫的语境下，充分发挥IFAD項目精准脱贫的示范效应，借鉴IFAD扶贫项目实施和管理的有益做法和经验，强化各类精准扶贫项目的监测评价和过程管理，以大幅度改善扶贫项目脱贫的实际效果。

（2）加快貧困地区农业产业结构升级以优化贫困户的收入结构。研究结果显示，IFAD扶贫项目的干预措施对贫困农户的收入结构产生了影响，提高了种植业和养殖业收入的比重，降低了贫困户对政府补贴和外出打工的过度依赖。这有助于提高贫困人口的“造血机能”，以提高贫困人口脱贫致富的稳定性和可持续性。因此，建议我国在精准脱贫进程中加快贫困地区农业产业结构升级，因地制宜、因户施策地发展特色种植业和特色养殖业，以优化贫困农户的收入结构，提高贫困人口精准脱贫的长效性。

（3）进一步加强贫困地区道路和教育等基础设施建设。研究表明，IFAD扶贫项目干预效果在很大程度上受贫困户市场便捷程度和户主学历的影响。这表明，乡村道路和贫困户受教育程度是制约贫困人口尽快脱贫的瓶颈要素。因此，建议在当前我国强力推进的精准扶贫热潮中，进一步加强贫困地区以乡村道路为主的农村基础设施建设，加强贫困地区的基础教育和劳动力的实用技能培训，以此拔掉穷根，从根本上改变贫困地区的落后面貌，以实现到2020年“精准脱贫，不落一人”的目标。

参考文献（References）

[1]HOLMAN R. Poverty explanation of social deprivation [M]. London： Martin Robertson， 1978.

[2]ORSHANSKY M. Counting the poor： another look at the poverty profile [J]. Soc. sec. bull， 1965， 28（1）：3-29.

[3]童星， 林闽钢. 我国农村贫困标准线研究[J]. 中国社会科学， 1994 （3）： 86-98. [TONG Xing， LIN Mingang. Study on rural poverty lines in China [J].Social sciences in China， 1994（3）： 86-98.]

[4]世界银行. 1990年世界发展报告[R]. 1990. [World Bank. World development report in 1990 [R]. 1990.]

[5]张全红. 中国农村扶贫资金投入与贫困减少的经验分析[J]. 经济评论， 2010 （2）：42-50. [ZHANG Quanhong. An empirical analysis on poverty alleviation funds input and poverty reduction [J]. Economic review， 2010（2）：42-50.]

[6]任春丽， 王余丁， 赵邦宏. 农村贫困状况调查分析——基于河北省调查问卷的分析[J]. 经济论坛， 2011（4）：68-73. [REN Chunli， WANG Yuding， ZHAO Banghong. Analysis of rural poverty： based on a questionnaire survey of Hebei Province [J]. Economic forum， 2011（4）：68-73.]

[7]陈琦. 连片特困地区农村家庭人力资本与收入贫困——基于武陵山片区的实证考察[J]. 江西社会科学， 2012（7）：231-275. [CHEN Qi. Human capital and income poverty of rural families in continuous poor areas： based on an empirical investigation of the Wuling mountain areas [J]. Jiangxi social sciences， 2012（7）：231-275.]

[8]SHUAI C， LI Z， SUN R. IFAD projects： results and impact on poverty reduction in rural China [J]. Outlook on agriculture， 2011， 40（4）：329-336（8）.

[9]GAO Q， YANG S， LI S. Welfare， targeting， and anti-poverty effectiveness： the case of urban China [J]. Quarterly review of economics & finance， 2014， 56：30-42.

[10]汪三贵， 郭子豪. 论中国的精准扶贫[J]. 贵州社会科学， 2015（5）：147-150. [WANG Sangui， GUO Zihao. Analysis of targeted poverty alleviation in China [J]. Guizhou social sciences， 2015（5）：147-150.]

[11]李毅， 王荣党， 段云龙. 基于数据包络法的农村扶贫项目绩效评价模型研究[J]. 项目管理技术， 2012 （9）：49-55. [LI Yi， WANG Rongdang， DUAN Yunlong. Analysis of rural poverty alleviation project performance evaluation model in rural China [J]. Project management technology， 2012 （9）：49-55.]

[12]朱乾宇. 政府扶贫资金投入方式与扶贫绩效的多元回归分析[J]. 中央财经大学学报， 2004 （7）：11-15. [ZHU Qianyu. Multiple regression analysis of the way of government funding in poverty and poverty alleviation performance [J]. Journal of Central University of Finance & Economics， 2004 （7）：11-15.]

[13]GARRIGA R G， FOGUET A P. Unravelling the linkages between water， sanitation， hygiene and rural poverty： the WASH poverty index [J]. Water resources management， 2013， 27（5）： 1501-1515.

[14]SEN A. Poverty： an ordinal approach to measurement [J]. Econometrica， 1976， 44（5）：219-31.

[15]孫璐， 陈宝峰. 基于AHP-TOSPSIS方法的扶贫开发项目绩效评估研究——以四川大小凉山地区为例[J]. 科技与经济， 2015， 28（1）：62-66. [SUN Lu， CHEN Baofeng. Research on the performance evaluation of rural poverty Alleviation and development project in AHP-TOPSIS： based on the data of Sichuan Liangshan area [J]. Science & technology and economy， 2015， 28（1）：62-66.]

[16]李兴江， 陈怀叶. 参与式整村推进扶贫模式扶贫绩效的实证分析——以甘肃省徽县麻安村为例[J]. 甘肃社会科学， 2008（6）：53-56. [LI Xingjiang， CHEN Huaiye. Empirical analysis on the poverty alleviation performance of ‘the whole Village approach：a case study on Maan Village， Huixian County， Gansu Province [J]. Gansu social sciences， 2008 （6）：53-56.]

[17]宋卫信. 甘肃六十个贫困县扶贫绩效因子分析[J]. 甘肃农业大学学报， 2004 （5）：595-600. [SONG Weixin. Factor analysis of poverty alleviation performance of sixty impoverished counties in Gansu [J]. Journal of Gansu Agricultural University， 2004 （5）：595-600.]

[18]RAVALLION M. Chapter 59 evaluating anti-poverty programs [J]. Handbook of development economics， 2007， 4（7）： 3787-3846.

[19]ROSENBAUM P R， RUBIN D B. The central role of the propensity score in observational studies for causal effects [J]. Biometrika， 1983， 70（1）： 41-55.