我国农村居民家庭的多维贫困测度及动态变化研究

史志乐 张琦

摘 要 解决我国农村贫困问题已经成为全面建成小康社会的底线目标。虽然我国在扶贫减贫方面取得了巨大成就，但是多维贫困研究和多维贫困实践却并不突出。出于目前精准扶贫精准脱贫的新需要，文章对中国家庭追踪调查（CFPS）2010～2014年的微观数据进行了比较，研究结果发现，在衡量和测度贫困动态变化时选择k=40的区间较为合理，此时考察的脱贫、返贫、持续性贫困和从不贫困较为全面且具体，调查期内农户的多维贫困指数得到了下降，但是在教育、健康、生活条件等方面多维贫困有所波动，且随着剥夺维度的增加，贫困的变化相对较小，说明贫困农户在多维贫困测量时存在较大的脆弱性，贫困持续性强，脱贫难度大，返贫隐患大。

[关键词]农村贫困；精准扶贫；多维贫困；动态测量

[中图分类号]F323.8 [文献标识码] A [文章编号]1673-0461（2018）11-0038-08

一、引 言

改革开放以来，我国取得了举世瞩目的减贫成就，在现行标准下贫困人口从1978年的 7.7亿减少到2015年的5 575万人。需要清醒的认识到，现行标准下贫困人口的减少主要是以收入为衡量标准的，也就是以单一维度为标准的测量。现阶段我国脱贫攻坚的“硬骨头”多是处于持续性贫困当中的家庭，这部分群体受到资本、健康、教育等多重因素的影响，而传统单一维度缺乏对贫困人口全面的关注与认识，不能适应我国新时期精准扶贫精准脱贫的需要。面对错综复杂的致贫因素以及情况多变的返贫现象，需要从多维视角关注贫困人口的现实需要，而要实现“现行标准下农村贫困人口脱贫”的目标，多维贫困成为关键性影响要素。

多维贫困概念源自阿玛蒂亚·森提出的“可行能力”方法（Sen，1979），森认为人类的发展需要获得“实质性的自由”，而收入只是这个过程中的一项工具，更为重要的应该是具备“可行能力”。在此基础上经由牛津大学贫困与人类发展研究中心构建多维贫困指数（MPI），贫困的测量也就从单一的收入维度拓展到教育、健康、生活条件等多重维度。近几年，国内基于多维视角研究贫困测量的文献日渐增多，这部分研究大都借鉴或是采用多维贫困指数，结合国内现有的微观数据进行研究。比如王小林等（2009）、邹薇等（2011）、高艳云（2012）、张全红等（2014）王春超等（2014）等利用中国健康与营养调查（CHNS）的年度数据对收入、健康、教育和生活质量等维度构建了相应的指标并进行测度，分别考察了我国城市、农村以及农民工的多维贫困情况；郭建宇等（2012）利用2009年山西省贫困县的住户数据，参考MPI 多维贫困指数测量方法，研究了不同收入贫困标准和多维贫困定义组合下多维贫困户与收入贫困户之间的数量关系；杨龙等（2015）利用2010年中国农村贫困监测调查数据，对我国农村贫困地区多维贫困状况进行测量。多维贫困测量结果要高于传统单一收入维度的贫困程度，并且农村贫困严重于城市，低收入贫困要严重于高收入者。

以上研究为理解和研究多维贫困提供了基础，但是随着新一轮扶贫攻坚的开展，以及精准扶贫精准脱贫工作的不断推进，我国农村贫困问题呈现出何种特点，在收入水平提高的同时，其他维度的可行能力又发生了哪些变化？尤为重要的是，在全面建成小康社会的关键时期对农村地区尤其是贫困地区的扶贫脱贫提出了更高要求，不能仅靠单一的收入维度来解决贫困问题。从现有文献研究情况来看，多维贫困动态变化的比较研究尚显不足，且缺乏对贫困测量维度的不同层次说明，不同维度的分解对贫困的解释是不同的。另外，现有文献中的样本一般采用的都是2010年之前的数据，缺乏对新一轮扶贫攻坚（2011～2020年）以来的贫困研究；样本多是采用CHNS中全国9个省的抽样数据或是部分地区的抽样数据，样本的可追踪、可延续性弱，代表性不强。本文首次利用中国家庭追踪调查（China Family Panel Studies，CFPS）公布的微观农户数据，样本覆盖25个省/市/自治区的家户，其作为一项跟踪调查，动态性、持续性强，样本地区范围广，较好地满足了本文农村贫困动态追踪测度的要求。另外考虑到我国于2014年开始实施建档立卡的相关工作，针对贫困地区、贫困人口构建了精准扶精准脱贫体系，本文将选取2011年和2016年公布的两期数据，一方面借鉴多维贫困的方法从横向进行多维度、多指标分解分析，另一方面将利用微观面板数据从纵向进行动态跟踪分析，对精准扶贫精准脱贫前后的农村地区的贫困状况进行系统研究。

二、多维贫困测度方法

多维贫困指数（Multidimensional Poverty Index，以下简称MPI）通过微观数据从个人或家户的角度解释其在教育、健康和生活条件等多个维度上福利的缺失，其测度过程涵盖了贫困识别、剥夺识别、贫困加总和贫困分解4个方面，。

M0一方面是根据不同的维度、指标构建起来的，另一方面M0在不同地区、不同时期也显示出不同的结果。为了反映不同维度、不同指标、不同地区、不同时期的多维贫困变化情况，在满足连续性（consistency）和可分解性（decomposability）的前提下，可以根据研究的目的和需要进行不同方面的维度分解，比如可以通过对不同指标进行分解，每一项指标作为一组（subgroups），分别计算其对这个贫困结果的贡献率，据此分析各项指标在贫困中的影响程度，找到贫困的症结所在。

三、数据选择和处理

（一）数据说明

本文选用中国家庭追踪调查（China Family Panel Studies，CFPS）数据，其样本覆盖25个省/市/自治區的家户以及样本家户的所有家庭成员，这些地区可以综合反映我国各个地区的贫困差异。CFPS的这一数据特性较好地满足了本文对多维贫困动态追踪测度要求。考虑到我国于2014年开始实施建档立卡的相关工作，针对贫困地区、贫困人口构建了精准扶精准脱贫体系。本文将选取2011年和2016年公布的两期数据，对精准扶贫精准脱贫前后的农村地区的贫困状况进行系统研究。本文重点筛选农村地区（Rural）家户和个人样本，经梳理和匹配后，家户面板数据样本量为6 588户，个体面板数据样本量为14 436个，详细的变量信息见表1。

（二）维度及指标

牛津大学MPI的维度指标选取主要是基于联合国可持续发展计划（SDGs）的主要目标而设定。在考虑具体的指标时，还会根据各个地区发展的实际情况和实际需求来调整，以便为贫困监测提供更具针对性的说明和解释。考虑我国贫困监测的特点以及 CFPS的数据特征，本文以MPI的维度和指标为基础，结合《中国农村扶贫开发纲要（2011-2020）》“两不愁、三保障”的扶贫目标和任务，构建了3个维度10个指标（见表2）。关于权重的设定前文已经提及，本文将采用等权重法即分别给予3个维度1/3的权重，而维度内的指标也采取等权重，其中教育维度中的适龄儿童入学率、成人受教育年限和家庭年教育支出的权重均为1/9，健康维度中的BMI、自评健康和医疗保险的权重均为1/9，生活条件维度中的用水、燃料、厕所、住房的权重均为1/12。

四、多维贫困的测度结果

（一）多维贫困指数分析

按照多维贫困的测算方法和步骤，本文首先分别对两期数据进行指数测度，相继得出两期的贫困发生率（H）、平均剥夺份额（A）和多维贫困指数（M0），然后对两期的变化情况进行对比（见表3）。从家户样本来看，基期的贫困发生率在k=10时达到最高，接近100%，随着k值增加贫困发生率（H）随之递减，到k=90时，贫困发生率（H）降为0。基期的平均剥夺份额在k=10时最低，为36.8%，随着k值增加平均剥夺份额（A）随之增加，在贫困存在的情况下，也即k=80时，平均剥夺份额（A）达到最大为81.61%。2014年之后测度结果发生了变化，贫困发生率（H）最高值为97.06%，出现在k=10处；平均剥夺份额（A）最高值为72.22%，出现在k=70处。

M0作为贫困发生率（H）与平均剥夺份额（A）的乘积，在k=10时最高，随着k值增加多维贫困指数（M0）随之递减。从贫困分解的角度，也即通过贫困广度（headcount ratio）和贫困强度（intensity）两个方面，对其进行解释更容易理解。从贫困广度来看：①在至少有一个维度剥夺即视为贫困，贫困发生率（H）仍然很高，仅下降2.94个百分点，一方面由于我国贫困分布广，另一方面家户很难满足10个贫困指标都不被剥夺；②下降区间在两位数以上的出现在k=20～50之间，这部分下降绝对幅度在19.04～49.36个百分点之间，这说明在二维至五维剥夺层面有了很大的改善和提升空间；③贫困发生率（H）为0分别在：基期是k=90时，报告期是k=80时，虽然只是一个层级的变化，但是足以说明我国农村地区贫困人口数量有了大幅度减少，这也与我国减贫脱贫成效的实际情况相符。从平均剥夺份额来看：①下降区间在两位数以上的仅出现一次，即k=10时，平均剥夺份额（A）下降个15.63个百分点，这表明在10项指标的贫困强度方面有了较大缓解；②随着k值增大，相应的平均剥夺份额（A）并没有较大改善，仍然很高，这也表明在个别维度指标上我国农村地区贫困强度未能得到合理解决，需要警惕返贫问题。

（二）贫困动态变化分析

本文通过两期家户的多维贫困指数匹配，将家户的两期贫困情况分为4种情况：两期都不贫困、两期都贫困（持续贫困）、基期贫困但报告期不贫困（脱贫）、基期不贫困但报告期贫困（陷贫）（见表4），本文重点关注k=20～60时，不同维度下两期农户贫困动态变化情况。

从k=20到k=50，随着维度约束条件的放宽下，两期贫困动态结构实现了调整和变化。從表4中可以看出，当k=40时，脱贫比例达到最大66.27%，2/3的农户实现了从基期的贫困到报告期的不贫困的转变，这也说明在四维贫困动态测度中，农户脱贫的概率最大。需要注意的是，此时陷贫率也达到了最高值3.38%，这是由于随着k值的增加，贫困强度增加导致有些原本不贫困的农户可能会陷入贫困，同时也与具体的维度和指标分解有着重要关系。当k=20时，贫困动态结构开始发生变化，两期持续贫困的比例为64.81%，脱贫比例为33.36%，有1/3的农户实现了脱贫，此时也报告了两期都不贫困比例和陷贫比例，虽然比例有些低，但是对于贫困动态结构研究提供了合理架构。当k=30时，持续贫困比例和脱贫比例几乎持平，分别为47.18%和46.95%，这说明在三维贫困动态测度中，农户不再受限于贫困陷阱，脱贫的可能性大幅度提升。当k=50和60时，持续了这种贫困动态调整的结构，脱贫比例保持在20%～60%的水平。到了k=70时，理想的贫困动态结构被打破，只报告了两期不贫困、两期持续贫困和陷贫3种情况。当k>70时，贫困状态值几乎为0，随着维度和指标的增多，对贫困家庭的限制条件也在增多，此时很难有完全被剥夺的家户。通过贫困动态分析可知，在衡量和测度贫困动态变化时选择k=40的区间较为合理，此时考察的脱贫、返贫、持续性贫困和从不贫困较为全面且具体，为政策制定提供了依据。比如我国现在脱贫的标准“两不愁，三保障”涉及的吃、穿、住和教育、医疗就是对此的较好运用，如果能在这些方面对贫困家庭进行针对性帮扶，将会形成可靠完备的脱贫体系。

（三）指标动态变化分析

贫困动态结构变化不仅表现在家户“是否贫困”方面，对于究竟是何原因、是何因素导致了此种结构的变化，需要对各维度、各指标进行分解和说明。如上文所述，当k=40时，贫困动态结构较为完整而且贫困动态结构变化最大，脱贫比例和陷贫比例达到最高值，因此本文选取k=40的贫困动态结构变化情况做进一步分析。

通过分解各项指标，测算出基期和报告期各指标的贫困发生率和贡献率可以更加清晰地显示指标动态变化情况（见表5）。本文按照多维贫困的研究范式，比较了各指标处理前的贫困发生率（UH）、处理后的贫困发生率（CH）和各指标的贡献率。一般意义上的贫困发生率指的是UH，是未经多维贫困处理的贫困发生率，只能反映单维的贫困人口数量。而CH是多维贫困指数构建的基础，它是经过多维贫困识别、加权、剥夺识别得到的贫困发生率，经过处理的CH数值小于等于UH，不会大于UH。如表5所示，各项指标上的CH都小于UH。通过多维贫困调整和识别出的贫困发生率（CH）虽然数值变小，但是对各项指标的贫困发生率排序或者重要性并没有较大改变，比如基期的教育年限在调整前贫困发生率最高，调整后虽然数值变为30.23%，但是仍然最高；报告期的教育年限在调整前贫困发生率第二，调整后数值变为4.21%，CH在各指标中最高。其他指标也类似，基本保持了稳定的测度。

（四）动态二值回归分析

以上通过多维贫困测算对各维度、各指标的贫困动态结构进行了说明，下面将结合有序响应Probit模型对多维贫困动态结果进行二值响应分析，分析农户动态演进的影响因素。选取k=40时多维贫困结果作为二值因变量，考虑贫困受到多种因素的影响，建立如下实证模型：

当G表示标准正态的积累分布函数时，为Probit模型。其中，y=1表示贫困家庭，否则y=0；？茁0为待估参数，？茁为待估向量，？滋为随机扰动项，服从正态分布，X为家庭特征，用于控制影响贫困的其他因素，现在定义如下：

可以看出，农户的贫困动态类型受到一系列与家庭资源禀赋相关的因素影响。其中size代表家庭规模，用家庭人口数量表示；age代表户主年龄；edu代表户主的受教育年限；attend代表家庭中适龄儿童入学情况，正常入学为0，反之为1；ins代表家庭成员是否有医疗保险，有为0，无为1；health代表家庭成员健康状况，健康为0，不健康为1；water代表用水情况，用水方便并且饮用水安全为0，反之为1；house代表家庭住房情况，拥有安全住房为0，反之为1；nonagri代表家庭是否从事非农业生产经营，是为0，否为1。control 代表控制变量，本文选取家庭户所在地区，以东中西部进行划分，middle代表中部，中部地区取值为1，否则为0；west代表西部，西部地区取值为1，否则为0。利用CFPS两期匹配数据，根据上述实证模型得到回归结果（见表6）。从表6可以看出，在Probit模型中各变量方向和显著性水平一致，而且模型的显著性水平一致，说明模型稳定，具有可信性。

以上结果显示，家庭规模、户主年龄、适龄儿童入学情况、医疗保险、健康、用水、住房等指标的系数为正，意味着陷入贫困的概率较高。首先，家庭规模影响系数为正，家庭成员的人口越多陷入贫困的概率越高，从几率比来看，家庭规模越大其贫困的概率上升22.7%。这说明家庭规模越大，或者说家庭成员越多，就越容易致使农户陷入贫困。其次，户主年龄越大也越容易陷入贫困，随着户主年龄上升其陷入贫困的概率上升3.3%，年龄的增大导致农户生产能力、劳动效率较低，增加了陷入贫困的概率。第三，家中适龄儿童没有正常上学的农户比正常上学的农户陷贫的概率高10.43倍；没有医疗保险的农户比拥有医疗保险农户陷贫的概率高18.94倍；身体不健康的农户比健康农户陷贫的概率高13.07倍；用水不方便或不安全的农户比方便和安全的农户陷贫的概率高9.29倍；住房困难的农户比不困难的农户陷贫的概率高1.47倍。可见无论是教育、健康还是生活条件的维度，如果存在被剥夺的情况（也即满足等于1的情况），就存在陷贫的高风险。第四，西部地区农户比东中部地区农户陷贫的概率高1.81倍，西部地区受地理环境资源的限制，仍然是贫困的重灾区。

另一方面，受教育水平、非农经营以及中部地区的系数是负，意味着陷入贫困的概率较低。受教育年限每增长一年，陷入贫困的概率就减少10.2%，这说明家庭户提高教育水平有助于脱贫，也就是说随着教育水平的提高，退出贫困的概率将会提高；从事非农经营也降低了陷贫的概率，降低了1.1%，从事非农经营活动将有助于减轻家庭户的贫困状况；中部地区陷入贫困的概率也有所降低①，降低了4.3%，相比于西部较高的陷贫率，中部地区在区域位置上具有脱贫优势。

五、结论与建议

近些年，我国农村贫困问题受到了极大的重视与关注，以收入为标准衡量的贫困状况得到了极大改善。但是，从多维贫困视角研究我国贫困状况仍显滞后，尤其缺乏对贫困家庭、贫困人口的动态追踪测量。本文利用多维贫困测量方法，结合中国家庭追踪调查（CFPS）数据，对我国农村地区贫困状况进行多维动态测度，得到如下基本结论：

首先，多维贫困提供了一个涵盖教育、健康、生活条件的综合测量范式，结合个人和家户特征，确定每一个维度和指标的剥夺临界值，相对于收入维度单一的测量，能够多方面、深层次反映农户的贫困状况。本研究结果发现，调查期内农户的多维贫困指数得到了下降，但是从不同维度来看多维贫困结果存在波动，且随着剥夺维度的增加，贫困的变化相对较小，说明贫困农户在多维贫困测量时存在较大的脆弱性，贫困持续性强，脱贫难度大，返贫隐患大。在衡量和测度贫困动态变化时选择k=40的区间较为合理，此时考察的脱贫、返贫、持续性贫困和从不贫困较为全面且具体，为政策制定提供了依据。其次，在多维贫困遵循等权设定的情况下，可以监测出不同维度、不同指标的贡献度。结果显示，横向比较而言，教育年限和身体質量指数对多维贫困的贡献度较高，其次是医疗保险和燃料；纵向比较来看，3个维度中健康和生活水平的贡献率整体得到了下降，教育却出现了上涨，可见健康和生活条件的改善对农户脱贫有重大影响。教育方面虽然报告期各项指标的CH值均有所下降，但是其贡献度都得到了提高，这有可能导致部分农户“因学致贫”。第三，家庭规模、户主年龄、适龄儿童入学情况、医疗保险、健康、用水、住房系数为正，陷入贫困的概率较高，这些因素往往也是致贫的关键因素，而只有通过改善教育、医疗和生活条件才能帮助农户摆脱贫困。受教育水平、非农经营系数为负，陷入贫困的概率较低，可见提高教育水平、鼓励发展非农经营有助于脱贫。地区比较来看，西部地区受地理环境、历史文化、经济水平等限制，贫困的概率仍然很高。

多维贫困不仅为我国农村贫困提供了监测方法，更有效地指出了陷贫、脱贫的路径。在全面建成小康社会的历史背景下，政府应当继续重视精准扶贫精准脱贫，重点关注贫困地区、贫困人口的教育、健康和生活条件问题，努力做到因户施策、因人施策。第一，扶贫必扶智，针对贫困地区制定和实施教育发展专项规划并给予倾斜性政策，尤其要更加关注基础差、欠账多的贫困地区、贫困家庭，对有发展能力和发展意愿的家户和个人进行针对性的政策帮扶；针对贫困家庭学生提供奖助学金和劳动力培训计划，在提高教育水平的同时提高贫困家庭的劳动生产力和可持续发展能力。第二，积极实施健康扶贫工程，一方面通过引导正确膳食结构，形成良好的食品与营养环境，积极推动和实施营养餐计划；另一方面通过加强贫困地区医疗卫生服务体系建设，切实减轻农村贫困人口医疗费用负担，关注残疾人、妇女、儿童、老年人等脆弱性人群的健康脱贫问题，减少因病致贫、因病返贫的风险。第三，从贫困地区、贫困人口的切身利益出发，结合贫困地区的地理环境特点，积极完善水、电、路、网、房等基础设施改造，为贫困人口脱贫提供完备的基础动力和保障。

[注 释]

① 这里主要相比较于西部地区，但是控制变量中也包含东部地区，可能结果不是很明显。

[参考文献]

[1] ATKINSON， A. B. On the Measurement of Poverty[J]. Econometrica，1987，55（4）：749-764.

[2] ALKIRE S. and FOSTER J. Counting and Multidimensional Poverty Measurement[J]. Journal of Public Economics，2011（95）：476-487.

[3] ALKIRE，S. Capability Approach and Well-being Measurement for Public Policy[Z]. OPHI Working Paper 94，2015，Oxford University.

[4] DECANCQ K，LUGO M A. Weights in Multidimensional Indices of Wellbeing：An Overview[J]. Econometric Reviews，2013，32（1）：7-34.

[5] JAMES FOSTER，JOEL GREER and ERIK THORBECKE. A Class of Decomposable Poverty Measures[J]. Econometrica，1984，52（3）：761-766.

[6] MORDUCH，J. and T. SICULAR. Rethinking Inequality Decomposition：with Evidence from Rural China[J]. Economic Journal，2002，112（476）：93-106.

[7] ROBANO，V. and SMITH，S. C. Multidimensional targeting and evaluation：General framework with an application to a poverty program in Bangladesh[Z]. OPHI Working Paper 65，2014，Oxford University.

[8] RAVALLION M. On Multidimensional Indices of Poverty[J]. Journal of Economic Inequality，2011（9）：235-248.

[9] 高艷云. 中国城乡多维贫困的测度及比较[J]. 统计研究，2012（11）：61-66.

[10] 郭建宇，吴国宝. 基于不同指标及权重选择的多维贫困测量——以山西省贫困县为例[J]. 中国农村经济，2012（2）：12-20.

[11] 骆永民，樊丽明.中国农村基础设施增收效应的空间特征——基于空间相关性和空间异质性的实证研究[J].管理世界，2012（5）：71-87.

[12] 汪三贵，王姮，王萍萍.中国农村贫困家庭的识别[J].农业技术经济，2007（1）：20-31.

[13] 王春超，叶琴.中国农民工多维贫困的演进——基于收入与教育维度的考察[J].经济研究，2014（12）：159-174.

[14] 王小林，SABINA ALKIRE.中国多维贫困测量：估计和政策含义[J].中国农村经济，2009（12）：4-10，23.

[15] 杨建芳，龚六堂，张庆华.人力资本形成及其对经济增长的影响——一个包含教育和健康投入的内生增长模型及其检验[J].管理世界，2006（5）：10-18，34，171.

[16] 袁方，史清华.不平等之再检验：可行能力和收入不平等与农民工福利[J].管理世界，2013（10）：49-61.

[17] 杨龙，汪三贵. 贫困地区农户的多维贫困测量与分解——基于2010年中国农村贫困监测的农户数据[J]. 人口学刊，2015（2）：15-25.

[18] 张全红，周强. 中国多维贫困的测度及分解：1989～2009年[J]. 数量经济技术经济研究，2014（6）：88-101.

[19] 邹薇，方迎风. 关于中国贫困的动态多维度研究[J]. 中国人口科学，2011（6）：49-59，111.