退耕还林工程：生态恢复与收入增长

秦 聪,贾俊雪

(中国人民大学 财政金融学院，北京 100872)



退耕还林工程：生态恢复与收入增长

秦 聪,贾俊雪

(中国人民大学 财政金融学院，北京 100872)

本文基于1997年和2002年的村级调查数据，在一个相对统一的框架下，利用双差分倾向得分匹配法识别出退耕还林工程对我国生态恢复和农户收入增长的因果处置效应。研究表明，该工程显著增加了参与村庄的人均林地面积，对生态建设起到了积极作用，但并未对农户纯收入产生明显影响。仅对现有的退耕还林工程设计进行完善不会提高其对农户增收的影响，但是通过在工程设计中减少资金和劳动力的配套要求、由上级政府统筹工程的执行以及加大工程的投资额会进一步增加人均林地面积，在更大程度上改善工程参与村庄的生态环境。

退耕还林工程；农民人均纯收入；人均林地面积；双差分倾向得分匹配法

一、引言

长期以来，学术界和各国政府一直在积极探索如何在改善农村生态环境的同时维持或增加农民的收入水平。最近几十年，在“耕地轮休轮作制度”的经验基础上，一些农业大国普遍尝试了“土地休耕保护项目(conservation set-aside program)”，将不适宜耕作的土地划为环境保护用地，通过政府主导或农民自主申报的模式，在这些地区推行还林还草等生态恢复工程[1-3]。但是，由于此类项目可能导致粮食产量的下降，引发粮食供给短缺，同时也会减少农民的收入，因此其政策的有效性备受质疑[4-6]。

改革开放以来，我国经历了高速的经济增长，但随之而来的环境污染和水土流失等生态问题也变得愈发严重。1998年长江、嫩江和松花江流域突发特大洪水，致使全国29个省、市、自治区受灾，受灾面积3.18亿亩，受灾人口2.23亿人，直接经济损失达1666亿元。这次洪灾引起了我国政府和社会各界对生态环境问题的关注，以及对经济发展模式的深刻反思。1998年10 月，中央颁布《关于灾后重建、整治江湖、兴修水利的若干意见》，以“封山植树、退耕还林”为指导原则，通过实施“退耕还林工程”来改善我国广大农村地区的生态环境。退耕还林工程于1999年在四川、陕西和甘肃三省率先试行，并自2002年至2008年在全国范围内正式实施。随着退耕还林工程的中断，2008年以来，我国广大地区尤其是中西部地区依然饱受自然灾害困扰。有鉴于此，我国政府于2016年推行了新一轮的退耕还林工程。

为更加有效地推进退耕还林工程的实施，提高工程在生态建设和农民增收方面的影响，对第一轮退耕还林工程进行合理评估从而积累经验显得尤为关键。本文旨在深刻揭示退耕还林工程对生态恢复和农民增收的影响，丰富拓展此类文献，为我国新一轮的退耕还林工程实践提供良好借鉴。具体而言，本文以1999年起实施的退耕还林工程这一拟自然实验为基础，利用1997年和2002年2423个村庄的调查数据和双差分倾向得分匹配法(difference-in-difference matching)，有效地对样本选择偏差做以矫正。分别识别出该工程对参与村庄的人均林地面积以及农户的人均纯收入的因果处置效应，进而通过分样本研究考察了不同的工程设计对工程效果的影响。研究表明，退耕还林工程对生态恢复起到了积极作用，促使参与村庄的人均林地面积增长约0.8亩；但是由于该工程没有改善农户的收入和就业结构，从而并未显著增加参与农户的人均纯收入。进一步地，在不引入新的工程设计的情况下，仅针对现有工程设计的改进无法提高退耕还林工程对农户收入水平的影响，但是通过在工程设计中减少资金和劳动力的配套要求、由上级政府统筹工程的执行以及加大工程的投资额则会增加更多的人均林地面积。

总体而言，本文主要从如下两个方面丰富拓展了已有文献。第一，本文在一个相对统一的框架下同时考察了退耕还林工程的生态和经济影响。与国外的土地休耕保护项目不同，我国的退耕还林工程在致力于改善生态环境的同时，还力图通过补贴和调整农村产业结构等手段提高农民收入，从而在一定程度上解决农村的贫困问题。《退耕还林条例》明确指出：退耕还林工程必须将坚持生态优先与调整农村产业结构和发展农村经济相结合。然而，现有文献分别在独立的框架下探讨了退耕还林工程的生态和经济影响，还鲜有研究在一个统一的研究框架下同时考察该工程的两种影响*大量文献对退耕还林工程的生态效应给予了积极评价[7-8]：国家统计局课题调研组(2004)[7]基于对西部大开发12个省区市的调查研究得出结论：退耕还林工程改善了生态环境，并且对本地区的粮食生产影响不大。韩洪云、喻永红(2012)[8]运用陈述偏好法中的选择实验法，基于受益者视角评估了退耕还林工程的环境改善价值及其可持续性，得出结论：退耕还林工程对参与村庄带来了较大程度的环境改善，而这种改善具有较好的可持续性。而关于退耕还林工程的经济效应，文献结论则产生了较大分歧[9-12]。刘璨、张巍(2006)[9]的研究表明：退耕还林工程对参与农户的收入产生了积极影响，越早参与工程对农户收入增长产生的效果越显著。王爱民(2005)[10]的研究表明，退耕还林工程对区域经济和退耕农户的家庭收入的影响存在明显的区域差异性，在不同的区域采用一致的补助标准不能对全部区域产生同等的政策效果，部分地区实行退耕还林工程后，非农收入比重变化不大，退耕农户主要收入来源转为政府的粮款补助，这意味着退耕补贴一旦停止，退耕农户收入将会明显下降。而徐晋涛、陶然、徐志刚(2004)[11]和易福金、陈志颖(2006)[12]则持反对意见，认为退耕还林工程对农民的增收效应十分微弱。。由于现有文献在研究方法和结果上存在差异，我们无法对该工程的效果给出一个明确的评价。针对这一不足，本文利用统一的识别策略，对退耕还林工程的生态和经济影响做以系统分析，丰富了相关文献。

第二，本文研究有助于理清工程设计对于生态环境改善程度的影响。第一阶段退耕还林工程的实施不仅极大改善了我国的生态环境，同时也为我国的生态治理提供了宝贵的经验。通过深入分析该工程的设计对生态改善的影响，本文不仅深化了对退耕还林工程设计重要性的认识，更重要的是为我国新一轮的退耕还林工程设计提供了一些有益思路。

本文余下部分的结构安排如下。第二节简要梳理了我国退耕还林政策的变迁。第三节给出本文的计量策略，第四节介绍了数据和变量。第五节给出基准和稳健性检验结果，进行机制和分样本异质性分析。最后一节给出本文的结论和政策建议。

二、政策背景

我国的退耕还林工程肇始于1999年，但是在此之前我国政府对于农村土地的使用进行了长期的探索，其中尤以林地和耕地的占比为主导。广义而言，我国政府对退耕还林政策的探索可以追溯到新中国的建立之初。但是直到改革开放，退耕还林建设在实践上一直处于停滞阶段。从1978年开始，我国的退耕还林政策实践可以大致划分为3个阶段。

第一阶段(1978—1983年)：以营造商品林为主的退耕还林阶段。1978 年，我国政府启动了“三北”防护林体系建设工程，从而推动退耕还林工作的开展。随着经济建设的加快，可供采伐的天然林面积大幅减少，同时由于商品林见效快、收益高，农户在市场经济导向下进行了商品林建设。这一阶段的退耕还林具有两个特点：一是，退耕还林主要发生在高山地区，而并非水土流失严重的中低山区；二是，由于缺乏有效监管，商品林砍伐过度，部分退耕区出现返耕现象[13]。

第二阶段(1984—1998年)：以营造经济林为主的退耕还林阶段。20世纪80年代初期，国家逐渐加大对贫困地区的投入，尝试将扶贫与改善生态环境相结合，形成了以营造经济林尤其是果树为主的退耕还林政策。但是由于受市场因素的影响，这一时期政策对经济和生态的影响都不稳定。

第三阶段(1999年至今)：以营造生态林为主的退耕还林阶段。在这一阶段，综合以往的小规模实践经验，我国政府正式实施了退耕还林工程。1999年四川、陕西和甘肃三省在全国率先开展退耕还林试点，当年共完成退耕还林试点44.8万公顷。次年，试点范围新增17个省区市188个县。2002年起退耕还林工程在全国正式实施。由于在2003年出现了粮食供应短缺的问题，2004年起工程进入巩固阶段，不再进行大规模推进。截至2008年第一轮退耕还林工程结束，全国累计完成退耕还林4.03亿亩，其中退耕地造林1.39亿亩，荒山荒地造林2.37亿亩，封山育林0.27亿亩。工程共涉及1.24亿农民。鉴于2008年之后我国部分地区依然面临着生态环境恶化的问题，2016年我国启动了新一轮的退耕还林工程。

三、计量策略

本文拟回答的问题是：对于每个参与退耕还林工程的村庄而言，在其他因素保持不变的情况下，该村庄农民人均纯收入的增长和人均林地面积的增加在多大程度上可以归因于退耕还林工程的实施。我们利用TGHLi∈{0,1}表示村庄i是否参与了退耕还林工程；Y表示结果变量，其中包含农户人均纯收入和农户人均林地面积。如果我们可以同时观察到村庄i参与(TGHLi=1)或者未参与(TGHLi=0)退耕还林工程之后的结果，那么两者的差值(Yi1-Yi0)即为项目的因果效应。但遗憾的是，对于单个村庄而言，在现实经济中我们仅能观察到上述两种状态中的一种，缺失的另一种状态则需要我们进行反事实推断，从而估算出退耕还林工程的因果效应。根据Heckman等人(1997)[14]，相比于某个村庄i的因果效应，我们此时应该关注退耕还林工程的平均处置效应(ATT)，即：

τATT≡E{Yi1-Yi0|TGHLi=1}

=E{Yi1|TGHLi=1}-E{Yi0|TGHLi=1}

(1)其中，E{Yi0|TGHLi=1}表示项目参与村如果未参加退耕还林工程时的结果变量，即为我们需要估计的反事实结果。由于村庄是否参与退耕还林工程受到一系列非随机因素的影响，而这些因素也可能同时影响到农户人均纯收入和人均林地面积，因此简单地将未实施退耕还林工程村庄当作工程实施村庄的反事实对照组会带来明显的选择偏差。

为解决这一问题，本文采取倾向得分匹配法对选择偏差进行矫正[15]。具体而言，我们利用probit模型估算出每个村庄的倾向得分P(X)，即控制变量X给定时村庄i参与退耕还林工程的预测概率，然后据此将参与工程的村庄(处置组)与未参与工程的村庄(对照组)进行匹配。基于倾向得分的匹配为处置组样本寻找到特征最为相似的对照组样本并将其作为处置组的反事实结果，因此可以有效避免选择偏差。但是Guo和Fraser(2014)[16]指出，我们通过倾向得分的估算仅能控制住可观测变量的影响，仍然不能对不可观测因素的影响加以控制，因此削弱了平均处置效应估计的有效性。针对这一问题，我们将双重差分的思想引入到倾向得分匹配法的框架中，形成了双差分倾向得分匹配法(DID-PSM)：首先，通过分别对处置组和对照组样本自身在事前和事后两个时间点的差分来消除两组样本自身的变化趋势，进而将两组差分结果进行再次差分从而估算出退耕还林工程的平均处置效应。因此，这一方法能够有效地对不可观测因素的影响加以控制[17]。

双差分倾向得分匹配法估算出的退耕还林工程的平均处置效应为：

(2)

其中，I1和I0分别代表处置组和对照组村庄，Sp为共同支持域(regionofcommonsupport)，n1为落入Ii∩Sp区域内的样本数量，t0和t1分别代表退耕还林工程实施前时点和实施后时点。W(i,j)代表在对村庄i进行反事实推断时我们赋予对照组中村庄j的权重。目前，基于权重W(i,j)的构造方法，匹配方法可分为内核匹配法(kernelmatching)，最邻近匹配法(nearest-neighbormatching)和卡尺匹配法(calipermatching)等。

四、数据与变量

(一)数据

本文使用的数据来自“中国科学院‘农村贫困与发展’项目社会经济调查(2003)”。此次调查包含两个部分：第一部分提供了1997年和2002年的人口统计学信息、社会经济信息以及农民收入信息；第二部分则描述了样本期间各村庄退耕还林工程的实施情况。详实的数据为下文估算出可靠的倾向得分提供了基础，同时两年的面板数据也是我们使用双差分倾向得分匹配的必要前提。本次调查省份的选取具有较强的代表性，其中中西部内陆省份包括甘肃、吉林、陕西和四川，东部沿海省份则包含河北和江苏(图1)。省以下采取分层抽样的方法，最终样本包含36个县， 216个乡镇，共2459个村级行政单位。

本文以1997年作为事前时点。之所以将1997年而非1998年作为事前时点，是因为我国的退耕还林工程开始于1999年，这样处理可以减少工程预期效应造成的估算偏差，并且保证匹配前的样本没有受到退耕还林工程的影响。然而由第二节政策背景的梳理可以看出，在1999年前，一些地区实施过具有退耕还林政策特征的早期实践，为了排除这部分参与效应(anticipationeffect)，我们在样本中剔除此类村庄。本文最后使用的样本包含2423个村，其中824个村(占总样本的34%)参与了退耕还林工程，1599个村(占总样本的66%)截至2002年尚未参与这一工程。

(二)结果变量

本文旨在考察以环境保护和农民增收为目的的退耕还林工程的影响，因此我们分别利用农民人均林地面积和农民人均纯收入(对数值)对其加以刻画。为剔除通货膨胀影响，我们利用农村消费价格指数将2002年的农民人均纯收入换算成以1997年的价格水平为基准的实际值。表1对结果变量分别做以描述性统计。通过简单的比较，我们可以得到3点认识：(1)在退耕还林工程实施前，处置组村庄比对照组村庄平均多拥有2.85亩的人均林地面积，但是相对更加贫困——两者差异为-0.46，在1%置信水平上显著；(2)在样本期内，处置组村庄的人均林地面积增长显著(增长0.78亩，在1%置信水平上显著)，而对照组村庄的人均林地面积几无变化(增长0.03亩，统计上不显著)，两者的增长幅度差异非常明显(相差0.75亩，在1%置信水平上显著)；(3)尽管所有村庄的农民人均纯收入都显著增加，但相比于对照组中的村庄，处置组中的村庄有着更高的收入增速(两者差异为0.04，在1%置信水平上显著)。不过，由于潜在的选择偏差，我们很难将上述简单比较得出的差异完全归结于退耕还林工程的实施。

图1 被调查省份分布图

因变量年份平均值(标准偏差)全样本(1)处置村(2)对照村(3)差异：(2)-(3)(4)农民人均林地面积(亩)1997(t)171(691)359(987)074(441)285∗∗∗(029)2002(t’)200(699)437(1027)077(391)360∗∗∗(029)Δt029∗∗∗(004)078∗∗∗(004)003(005)075∗∗∗(009)农民人均纯收入(对数值)1997(t)705(072)675(061)721(073)-046∗∗∗(003)2002(t’)729(070)702(059)744(072)-042∗∗∗(003)Δt024∗∗∗(001)027∗∗∗(001)023∗∗∗(001)004∗∗∗(001)村庄数2，4238241，599

注：Δt行和(4)列括号里的数字为标准误差，*、**和***分别表示在10%、5%和1%的置信水平上显著。

(三)匹配变量

双差分倾向得分匹配法是否可以有效校正选择偏差依赖于处置组和对照组的样本匹配质量，而这又在很大程度上取决于倾向得分估算模型的设定是否合理。得益于调查提供的详细信息，在同时参考匹配质量的情况下，我们最终选取了21个匹配变量。为确保其没有受到退耕还林工程的影响，这些变量均使用事前时点即1997年的数值。表2给出匹配变量的描述性统计结果，其中(1)列至(3)列分别为全样本、处置组和对照组的统计描述，(4)列给出了样本的组间差异。总体而言，在退耕还林工程实施之前，处置组和对照组在众多维度上(21个匹配变量中的20个)已经存在显著差异，表明退耕还林工程在参与村庄的选择上并非是随机的，表1反映出的差异性可能来自匹配变量间的差异。因此，我们需要矫正样本的选择偏差。

表2 匹配变量的描述性统计及倾向值估计结果

注：(4)-(5)列括号里的数字为标准误差，*、**和***分别表示在10%、5%和1%的置信水平上显著。

具体而言，样本村庄平均有居民1097人，其中半数左右(534人)为劳动力。农民的人均纯收入约为1150元，其中约有30%来自非农收入。得益于20世纪80年代起我国政府在农村基础设施改善方面的不懈努力，93%的农户实现了通电；但仅有33%的农户可以使用自来水，12%的农户有条件使用电话。因此，样本村庄的基础设施总体上还较为薄弱。通过进一步比较处置组和对照组之间的差异，我们可以得到两个重要发现。第一，退耕还林工程的参与村庄坡地比例较高且较为贫穷：处置组村庄的坡地比例平均比对照组村庄高出22%，根据前文所述，相比于种植业这部分村庄更适合发展林业；处置组村庄的农民人均纯收入平均比对照组少约500元，而非农收入占比也低了5%。由此可见，退耕还林工程较好地瞄准到易林的贫困地区。第二，在基础设施水平方面，无论是家庭电力、自来水和电话的覆盖率，还是交通的便利程度，处置组村庄都处于明显劣势，表明参与退耕还林工程的村庄多为基础设施较为落后的村庄。这反驳了Rogers(2014)[18]的观点，即中国政府官员通常认为基础设施较好的村庄可以更加有效地利用扶贫资金，因而倾向于将扶贫资源分配给基础设施较好的而非最贫困的村庄。

五、实证结果

本节首先估算出倾向得分并据此将处置组与对照组样本进行匹配，然后给出退耕还林工程的因果处置效应并进行稳健性分析，继而对其作用机制加以分析，最后考察退耕还林工程在实施过程中的差异以及参与村庄间的差异对工程效果的影响。

(一)倾向得分估计与平衡性检验

表2中第(5)列给出了倾向得分的估计结果。半数左右的匹配变量对村庄参与退耕还林工程的概率具有显著影响，而且与描述性统计结果基本保持一致。根据各村庄参与退耕还林工程的概率，我们对处置组和对照组样本进行匹配。为确保结果的稳健性，本文同时采用内核匹配法和5对1最邻近匹配法。

为保证双差分倾向得分匹配法给出的因果效应是真实可靠的，倾向得分的估算必须满足两个条件。首先，处置组和对照组样本必须满足共同支持条件，即两组样本具有较好的可比性。根据图2给出的处置组和对照组倾向得分的分布，我们不难看出：尽管总体而言，处置组村庄比对照组村庄拥有更高的工程参与概率，但两组样本的倾向得分具有足够大的重叠区域，从而满足共同支持条件。

图2 处置组和对照组倾向得分的柱状分布图

表3 匹配样本的平衡性检验

(二)退耕还林工程的平均处置效应

如前文所述，本文旨在考察退耕还林工程的实施对农民收入和环境改善两方面的影响。针对这一问题，本文首先估计了退耕还林工程对农民人均纯收入和人均林地面积的平均处置效应。表4给出具体的估算结果： 两种匹配方法给出的平均处置效应在数值和显著性上保持了较好的一致性。具体而言，退耕还林工程对农民人均纯收入没有显著影响(处置效应在统计上不显著)，意味着本次工程未能在农民增收方面产生积极作用。这一结果佐证了徐晋涛等(2004)[11]以及易福金、陈志颖(2006)[12]的结论。另外，退耕还林工程对人均林地面积的平均处置效应在0.8左右，且在1%的置信水平上显著，说明退耕还林工程的实施导致参与村庄的人均林地面积增长了约0.8亩。鉴于树木的生长需要一定的周期，在短短四年的时间内，退耕还林工程已经取得如此显著的成果，可见其是非常有助于生态环境的改善。

表4 退耕还林工程的平均处置效应

注：括号里的数字为标准差，*、**和***分别表示在10%、5%和1%的置信水平上显著。

(三)稳健性检验

为检验本文基本结论的可靠性，进而确保后续分析是真实有效的，本节进行稳健性分析。首先，我们对平行假设进行检验，从而确保处置组和对照组样本在退耕还林工程实施之前具有相同的趋势。如果两组样本在工程实施之前就存在明显差异，那么双差分倾向得分匹配法估计出的平均处置效应很可能反映的是组间事前趋势的差异，因此并非是真实的。为此，本文构造了一个安慰剂检验，即在样本中随机分配处置状态[20]。具体而言，我们在全部2331的村庄中随机抽取785个村庄作为处置组，剩余的村庄即进入对照组。基于这一虚拟的处置组和对照组，我们重新使用双差分倾向得分匹配法进行估算，并将上述过程重复1000次，考察全部结果的分布。由于安慰剂检验具有随机性，在没有遗漏变量(例如工程实施之前的趋势)的情况下，得到的结果均值应该趋近于零。图3给出数值模拟出的平均处置效应的具体分布情况。不论选取哪种匹配方法和结果变量，模拟出的平均处置效应的分布都以0为中心，而且标准差较小。这表明本文的模型设定没有受到遗漏变量问题的困扰，也说明处置组和对照组在工程实施前具有相似的趋势。

(1) 农民人均纯收入，内核匹配 (2) 农民人均纯收入，5对1最邻近匹配

(3) 人均林地面积，内核匹配 (4) 人均林地面积，5对1最邻近匹配图3 数值模拟出的平均处置效应

其次，我们考察随时间变化的不可观测因素对估算结果的影响。根据前文所述，双差分倾向得分匹配法有效消除了不随时间变化的不可观测因素的影响，但是仍然无法排除随时间变化的不可观测因素的影响。在本文的研究中，这一影响主要来自样本期间由于村委会领导的更迭导致的领导能力的改变。为排除这部分不可观测因素的影响，我们剔除了处置组中在样本期间内发生过领导更迭的村庄，并重新进行估算。由表5第(1)列给出的估算结果可以看出，剔除样本后的估算结果与基准结果保持了较好的一致性——退耕还林工程没有显著提高参与村庄的农民收入水平，但是对人均林地面积有显著为正的影响。由此可见，随时间变化的不可观测因素对本文的估算没有明显影响。

表5 稳健性检验结果

注：括号里的数字为标准差，*、**和***分别表示在10%、5%和1%的置信水平上显著。

再次，我们考察不同的修剪策略(Trimming strategy)对基准结果的影响。Black和Smith(2004)[21]指出，当倾向得分匹配严重依赖于倾向得分分布的尾部时，共同支撑条件可能会被违背，估计结果因而是有偏的。这里，我们尝试采用2%、5%和10%三种修剪水平，分别剔除掉对照组倾向得分分布尾部最极端的2%、5%和10%的样本[22]。表5中第(2)—(4)列给出的估算结果表明：无论采取哪一种修剪策略，与基准结果相比，退耕还林工程的平均处置效应在显著性和数值上都相差无几。这意味着，基准结果并不依赖于倾向得分分布的尾部。

最后，根据各村庄参与退耕还林工程的年份，我们将处置组样本划分为四组，分别考察不同组别的平均处置效应。表5中第(5)—(8)列的结果表明，两种匹配方法得到的平均处置效应基本一致，并且与基准结果具有较好的一致性。由此可见，本文的基准结果具有较好的稳健性。

(四)机制分析

基于稳健的模型设定，本节着重考察退耕还林工程影响农民收入水平的作用机制，并借此考察工程的其他经济目标是否实现。首先，退耕还林工程一方面尝试通过经济林的建设增加村民的农业收入，另一方面通过技术培训等手段使劳动力向非农部门转移，从而获得更多的非农收入。本节分别考察退耕还林工程对农户人均农业收入和非农收入的影响，具体结果见表6第(1)和(2)列：不同的匹配方法得出的结果高度一致，得出的平均处置效应在统计上均不显著。这表明退耕还林工程没有显著增加参与村庄的农业收入和非农收入，也因此导致了工程对人均纯收入的影响并不显著。其次，由表6第(3)列的结果缺少统计上的显著性，说明在全部劳动力中非农就业的占比没有显著提升。表6第(4)和(5)列的结果进一步说明，在非农部门的劳动力中，本村就业人口和在外打工人口的占比都没有明显变化。综上所述，由于农业收入和非农收入没有显著提升，劳动力向非农部门的转移也没有实现，因此退耕还林工程未能对农民人均纯收入产生积极的影响。

(五)分样本异质性分析

本节通过样本分类的方法，考察工程设计和农民收入水平差异对退耕还林工程效果的影响。首先，在实施过程中，退耕还林工程会要求部分参与村提供一定数量的资金或者劳动力配套。为考察这一设计的影响，我们按照工程是否需要配套资金或劳动力将处置组分为两组，分别进行研究。表7中第(1)和(2)列的估算结果表明：无论采用哪种匹配方法和配套设计，退耕还林工程都不会显著提高农户的收入水平，但是对人均林地面积的增加则有明显促进作用。值得注意的是，就工程对人均林地面积的平均处置效应的数值而言，不需配套的村庄要高出需要配套的村庄一倍左右，说明需要村庄配套的工程设计效果并不尽如人意。这主要是因为参与退耕还林工程的村庄相对贫困，要求村民进行工程配套会占用其本就不多的资本，从而降低村民的参与热情。

表6 机制分析

注：括号里的数字为标准差，*、**和***分别表示在10%、5%和1%的置信水平上显著。

其次，本节考察工程执行单位的差异对退耕还林工程效果的影响。我们按照工程执行单位是村委会还是上级政府，将处置组分成两组分别估算其平均处置效应。表7中第(3)和(4)列的估算结果表明：两组分样本结果与基准结果相似，退耕还林工程没有影响农户的收入水平，但是增加了人均的林地面积。同样值得注意的是，就工程对人均林地面积的平均处置效应的数值而言，上级政府执行的工程通常要高于村委会执行的工程。这可能是因为上级政府的领导能力更强，在工程的实施过程中能够调动更多的人力物力。

进一步，我们考察各村庄获得退耕还林工程投资额的差异对工程效果的影响。我们根据各村获得退耕还林工程投资额的中位数将处置组样本划分为两组：一组为高投资额组，即获得的投资额大于中位数，另外一组为低投资额组。表7的第(5)和(6)列给出分组估算结果：就工程对农民收入的因果处置效应而言，高投资额组和低投资额组在数值上和显著性上基本一致，表明村庄获得工程投资额的多寡并未导致工程对农民收入影响的差异；另一方面，虽然无论投资额高低退耕还林工程都会显著增加人均林地面积，但是获得高投资额的村庄的人均林地面积增长幅度要远高于低投资额组，表明投资额对工程效果的影响在于人均林地面积的增长幅度而非农民的收入水平。

最后，我们考察参与村庄的初始收入水平对工程效果的影响。与前文分析相似，我们根据各村在1997年人均纯收入的中位数将处置组样本划分为两组：一组为高收入组，即初始收入水平高于中位数，另外一组则为低收入组。表7的第(7)和(8)列给出分组估算结果：退耕还林工程对于低收入组和高收入组的人均纯收入没有显著影响(平均处置效应统计上不显著)，但是对两组的人均林地面积产生了积极的影响，而且在数值上大致相当。这反驳了Liu和Wu(2010)[23]的观点，即初始收入较高的村庄将得到更多的补贴，从而人均收入水平随之增加。

六、结论及政策建议

生态保护和减缓贫困是当下我国在发展中面临的两大难题，如何有效地对其进行解决已经成为学术界和社会各界的焦点议题。为寻找一剂良方以同时缓解上述问题，我国在1999年启动了迄今为止世界上最大规模的生态建设工程——退耕还林工程，试图在改良生态的同时致力于实现农民增收和劳动力的转移。那么这一工程的成效如何，是否实现了生态建设和收入提高这两个目标？为科学严谨地评估退耕还林工程的效果，本文利用双差分倾向得分匹配法，对这一工程的经济影响和生态影响加以考察。

表7 分样本分析结果

注：括号里的数字为标准差，*、**和***分别表示在10%、5%和1%的置信水平上显著。

研究表明，退耕还林工程可以显著增加参与村庄的人均林地面积，但是并未对其村民的收入水平产生积极的影响。其原因在于，工程并未带来农户农业收入的提高，劳动力向非农部门的转移成效也不明显，因而非农收入也没有显著增加。分样本结果表明，就工程的生态影响而言，工程设计中的资金和劳动力配套要求会降低工程的效率，而由上级政府统筹工程的执行以及加大工程的投资额则会促使这一工程发挥更大的作用；但是，就工程的经济影响而言，仅对现有政策设计加以改进并不会提高农户的收入水平。

上述结论对于我国未来退耕还林工程的设计具有良好的借鉴意义。首先，退耕还林工程在生态建设方面无疑取得了成功——显著增加了人均林地面积，从而提升了我国陆地涵养水源和防止旱涝灾害的能力。为进一步改善我国的生态环境，我们应该坚定不移地推进这一工程的建设。其次，为提高工程的效率，我们应该加大投资额，同时将工程的执行交给上级政府由其统筹规划，尽量避免给参与工程的村庄造成额外的负担。最后，鉴于目前退耕还林工程对农民收入的影响并不显著，我们需要引入新的制度设计或者藉由其他扶贫项目来提高农民的收入水平。

[1]朱芬萌，冯永忠，杨改河. 美国退耕还林工程及其启示[J]．世界林业研究，2004(17).

[2]DESHINGKAR P, JOHNSON C, FARRINGTON J. State transfers to the poor and back: The case of the food-for-work program in India [J]. World Development, 2005, 33.

[3]BALOONI K. Participatory forest management in India： An analysis of policy trends amid “management change” [J]. Policy Trend Report, 2002: 88-113.

[4]陶 然，徐志刚，徐晋涛. 退耕还林，粮食政策与可持续发展[J]．中国社会科学，2004(6).

[5]PARKS P J, SCHORR J P. Sustaining open space benefits in the Northeast: An evaluation of the conservation reserve program [J]. Journal of Environmental Economics and Management, 1997, 32.

[6]FENG Z, YANG Y, ZHANG Y, et al. Grain-for-Green policy and its impacts on grain supply in west China [J]. Land Use Policy, 2005, 22.

[7]国家统计局课题调研组. 退耕还林对西部地区粮食生产及供求的影响[J]．管理世界，2004(11).

[8]韩洪云，喻永红. 退耕还林的环境价值及政策可持续性[J]．中国农村经济，2012(11).

[9]刘 璨，张 巍. 退耕还林政策选择对农户收入的影响：以我国京津风沙源治理工程为例[J]．经济学(季刊)，2006(6).

[10]王爱民. 退耕还林的经济影响及现行政策的调整：以河北省为例[J]．农业经济问题，2005(11).

[11]徐晋涛，陶 然，徐志刚. 退耕还林：成本有效性、结构调整效应与经济可持续性：基于西部三省农户调查的实证分析[J]．经济学(季刊)，2004(4).

[12]易福金，陈志颖. 退耕还林对非农就业的影响分析[J]．中国软科学，2006(8).

[13]甘枝茂，桑广书. 关于黄土高原退耕还林(草)问题[J]．干旱区资源与环境，2002(16).

[14]HECKMAN J J, ICHIMURA H, TODD P E. Matching as an econometric evaluation estimator: Evidence from evaluating a job training programme [J]. The Review of Economic Studies, 1997, 64.

[15]ROSENBAUM P R, RUBIN D B. The central role of the propensity score in observational studies for causal effects [J]. Biometrika, 1983,70.

[16]GUO S FRASER M W. Propensity score analysis: Statistical methods and applications [M]. Sage Publications, 2014.

[17]SMITH J, TODD P. Does matching overcome LaLonde’s critique of nonexperimental estimators? [J]. Journal of Econometrics, 2005,125.

[18]ROGERS S. Betting on the strong: Local government resource allocation in China’s poverty counties [J]. Journal of Rural Studies, 2014, 36.

[19]CALIENDO M. KOPEINIG S. Some practical guidance for the implementation of propensity score matching [J]. Journal of Economic Surveys, 2008, 22.

[20]MASTROBUONI G, PINOTTI P. Legal status and the criminal activity of immigrants [J].American Economic Journal: Applied Economics,2015, 7.

[21]BLACK D A. SMITH J A. How robust is the evidence on the effects of college quality? Evidence from matching [J]. Journal of Econometrics, 2004, 121.

[22]BARTH R P, GIBBONS C, GUO S. Substance abuse treatment and the recurrence of maltreatment among caregivers with children living at home: A propensity score analysis [J]. Journal of Substance Abuse Treatment, 2006, 30.

[23]LIU C, WU B. Grain for green programme in China: Policy making and implementation [J].Policy Briefing Series, 2010, 60.

(本文责编：海 洋)

Grain for Green Programme: Environment Recovery and Income Growth

QIN Cong， JIA Jun-xue

(SchoolofFinance,RenminUniversityofChina,Beijing100872,China)

Drawing on a village panel data of 1997 and 2002, and the difference-in-difference matching estimator, we identify the average treatment effect of China’s Grain for Green Programme on the rural environment and income of residents in a uniform frame. We find that the program significantly improved the rural environment by increasing the forest land area per capita, while had almost no effects on the income of rural residents. This insignificance cannot be changed by the variation of the program design. However, if we can lose the matching requirements in the design, be more obedient to the order from upper level governments, and increase the financial support to the program, the Grain for Green Programme would further improve the rural environment.

Grain for Green Programme; Net income per capita; Forest land area per capita; Difference-in-difference Matching

2017-02-17

2017-05-28

中国人民大学科学研究基金(中央高校基本科研业务费专项资金资助)项目(17XNH003)

秦 聪(1988-)，男，辽宁锦州人，中国人民大学财政金融学院博士生，研究方向：财政政策、发展经济学。

F326.2

A

1002-9753(2017)07-0126-13