生态敏感区农户多维贫困测度与精准扶贫优先序分析

2019-10-25王博文罗岚王雅楠周雪杨小芳陈伟姚顺波

西北农林科技大学学报(社会科学版) 2019年5期

王博文罗岚王雅楠周雪杨小芳陈伟姚顺波

摘要：为实现精准识别和精准扶贫的目标，通过多维贫困测度法探索贫困的深度和诱因变得尤为重要。基于陕西省商洛市商州区的调研数据，采用Alkire-Foster多维贫困测度方法从收入、健康、教育、生活设施和自然地理环境5个维度对贫困地区农户进行多维贫困测度与分解。研究表明：（1）单一维度上，农户贫困状况仍然不容乐观，各维度贫困发生率存在显著差异;（2）多维度贫困测度上，多维贫困指数随着贫困剥夺维度K的增加而不断减小，变化趋势呈现倒“S”型曲线，变化速度呈现先上升后下降的倒“U”型趋势;（3）多维贫困指数以及发生率高于其他研究，表明生态敏感区的异质程度高;（4）多维贫困指数存在地区异质性;（5）多维贫困指数的贡献率存在维度差异性，教育、收入、健康和基础设施是造成贫困的重要原因。

关键词：生态敏感区;多维贫困;Alkire-Foster模型;精准扶贫;优先序

中图分类号：F304.4;C912.82 文献标识码：A 文章编号：1009-9107（2019）05-0072-09

收稿日期：2019-01-09DOI：10.13968/j.cnki.1009-9107.2019.05.10

基金项目：教育部人文社会科学研究项目（18XJC790014）;国家自然科学基金青年项目（71803152，71503200）;陕西省软科学项目（2016KRM054）;杨凌示范区科技计划项目（2015RKX-03）

作者简介：王博文（1976-），男，西北农林科技大学经济管理学院副教授，博士，主要研究方向为产业经济和精准扶贫。

*通讯作者

引言

改革开放以来，在政府主导下实施的一系列开发式扶贫工作取得了巨大成就，农村贫困人口数量不断减少。国务扶贫办指出，贫困发生率由1978年的97.5%下降到2017年底的3.1%，我国创造了人类减贫史上的奇迹。但贫困问题仍然是制约我国经济发展和社会进步的瓶颈，而粗放式的扶贫政策又导致了新的困难。习总书记2013年在湘西考察时首次作出了“实事求是、因地制宜、分类指导、精准扶贫”的重要指示。扶贫开发贵在精准，重在精准，成败在于是否精准，精准识别是精准扶贫的基础。传统的贫困识别主要基于收入单一维度，忽视了个体的贫困特征和其他方面能力的缺失，造成该扶不扶的严重问题;而多维度对贫困识别更具科学性和合理性，能够提高扶贫的瞄准精度和实施效果。

尽管我国绝对贫困人口数量不断减少，但目前的贫困问题已经不再是政策与制度缺失等普遍性因素导致的贫困，而是由自然地理环境、生态条件等差异造成的贫困。生态敏感区，作为一种特殊类型的地区，主要表现为自然地理条件差、对环境要素变化敏感和生态系统稳定性较差，其包括河流水系、滨水地区、山地丘陵、海滩等类型[1-2]。由于自然地理条件等因素影响，生态敏感区贫困现象比其他地区更为严重，仅靠收入这一指标来测度其贫困程度无法反映出当地的真实贫困状况。因此本研究基于生态敏感区多维贫困这一视角，探究其贫困的根源，以期为此类地区精准扶贫政策提供更科学合理的依据。

一、文献综述

阿玛蒂亚森于1985年首次提出“能力贫困”，认为贫困的根源来自能力的被剥夺。在此基础上，他创立了多维贫困理论，并将多维贫困划分为收入贫困、能力贫困、社会排斥贫困和参与性不足贫困[3]。外国学者分别对印度[4]、越南[5]和尼日利亚[6]贫困进行研究，均表明相对于一维贫困而言，多维贫困方法是贫困精准识别和精准扶贫政策制定更有效的工具和视角。此后，多维贫困的测度成为贫困研究的一个焦点问题，学者对于多维贫困测度的研究主要集中在测度方法[7-11]、指标选择[12-14]以及指标权重[15-17]等问题上。其中，牛津大学贫困與人类发展中心的研究人员Alkire和Foster从多维视角出发，对贫困进行识别和加总，得出了集测算和分解为一体的一般模型——A-F计数测量法[18-19]。该方法运用双临界值法，不仅可以满足多维贫困测量公理性质，而且指标权重修改灵活性大，同时整体测量结果直观易解释，成为多维贫困测量的一个重大突破。

国内学者对农户多维贫困的相关问题研究起步较晚，现有的研究有三个主要的切入点：构建不同的多维贫困测度指标体系;针对某一特定区域进行多维贫困分析;不同群体之间的多维贫困情况有显著差异。多维贫困测度维度和指标体系方面存在着较大差异，一些学者从社会关系、经济水平、健康教育等方面构建指标体系[20-23]，另一些学者则围绕物质资本、消费水平和人力资本分析[24-26]。在研究区域选择方面，相关研究主要选取了山区[27-28]、库区[25]和连片贫困区[29-30]等特殊类型地区。就不同群体的多维贫困方面，王春超利用A-F多维贫困测量方法对比分析农民工和城市劳动者多维贫困的状况，研究发现农民工的多维贫困状况较全国水平和城市劳动者均严重[31]。周常春对连片特困区的农户运用相同的方法进行多维贫困测度，分析了其能力建设的相关问题[32]。此外，贾兴梅针对重点贫困县农村农户进行多维贫困测度[33]。

综上，国内外学者从不同方面对多维贫困相关问题的研究卓有成效，但仍然存在着一些不足。现有多维贫困指标的设定主要集中在收入、健康、经济、教育等方面，忽视了自然地理环境对农户贫困的影响，然而众多研究表明生态环境和灾害对贫困程度有重要影响[34]。陕西省商洛市位于14个连片特困区之一的秦巴山区，生态稳定性较差，更易受到环境影响，属于山地丘陵型生态敏感区。因此，探究商洛市多维贫困问题对生态敏感区脱贫工作有一定的借鉴意义。此外，多维贫困的实施方案过于粗放，扶贫效率低，未能为精准扶贫提供有价值的政策支撑。因此，本研究在商洛市667个农户的调研数据的基础上，利用A-F多维贫困测量模型，在收入、教育、健康和生活设施的基础上引入自然地理环境维度，对生态敏感区的农户进行多维贫困测度和分析，并且通过维度分解分析各个指标的扶贫优先程度，以期为精准扶贫政策的制定提供参考。

二、数据与方法

（一）数据来源

陕西省商洛市商州区属于山地丘陵型生态敏感区，自然地理条件较差且具有潜在自然灾害影响，贫困发生率较高，贫困程度更深。本文数据来源于2018年7月在此地区进行的农村社会调查。调查区域覆盖商洛市商州区的5个镇（牧护关镇、沙河子镇、杨斜镇、杨峪河镇、夜村镇）15个村。调查内容主要包括农户家庭基本情况、家庭收支、医疗卫生、教育培训、基础设施等。本次调查以走访和问卷方式进行入户调查，共发放问卷700份，收回有效问卷667份，有效率达到了95.3%。另外，通过发放村集体问卷来了解村落的基本情况、自然地理环境以及基础设施情况。

（二）维度与指标选取

参考已有关于多维贫困指标体系，结合《中国农村扶贫开发纲要（2011-2020）》中提出的主要目标和指标，同时兼顾商洛市商州区的具体情况，本文在收入、健康、教育、生活设施等维度的基础上增加自然地理环境维度，以对外距离和自然灾害两个指标衡量该维度。另外，教育维度通过劳动力受教育水平和技能培训状况来衡量。为了更科学地体现生活设施情况，从家庭资产状况、卫生设施、住房设施、能源设施和饮用水设施这5个方面进行综合考量。因此，建立了共计5个维度11个指标的多维贫困指标体系，具体维度与指标见表1。采用等权重法对各维度进行赋权，进而等权赋值每一维度的各个指标。

需要特别指出的是，根据生态敏感区的特点，同时参考部分相关研究[28，35-37]选择了对外距离和自然灾害2个指标衡量自然地理环境维度。其中对外距离表示该农户的地理位置的偏僻程度，根據地区所属地形来看，农户居住地越偏远，地理环境越差。自然灾害表示农户所在村庄灾害频发或者是地方疾病区，体现了该地区对环境要素变化敏感且具有潜在自然灾害影响。因此，这2个指标能在一定程度上较好地反映该区域的生态敏感性。

三、多维贫困测度结果分析

（一）单维贫困测度结果

商洛市商州区的单维贫困测度结果如表2所示。从总体的单维贫困发生率来看，教育和自然地理环境2个维度的贫困发生率最高，其中，5个镇的劳动力最高学历在高中以上的家庭不足一半，仅有近15%的家庭中有人接受过技能培训;自然地理环境方面，有70%以上的家庭地处偏远，对外距离远，无法接触外界新鲜事物，特别是牧护关镇、杨斜镇和夜村镇，这一指标超过了90%。其次，这5个镇均是自然灾害频发，有近60%的家庭受到了环境的影响。另外，在生活设施这一维度上，贫困发生率比较高的指标是卫生设施和能源设施，尤其是牧护关镇和杨斜镇，因为其地理位置偏远以及自然灾害严重，外来能源的成本较高，缺乏基础能源设施，仍然以柴火等作为生活燃料。健康维度的情况也不容乐观，贫困发生率超过了50%，不理想的健康状况使得劳动力丧失并导致医疗支出增大，从而使家庭陷入贫困，医疗卫生状况得到更多重视。仅从单维贫困指标来看，杨斜镇的各维度贫困发生率都比较高，而收入维度的贫困发生率并不突出，这更加凸显单一收入维度判断贫困是不够合理的。

（二）多维贫困测度结果

文中使用A-F多维贫困测量方法对地区的多维贫困情况进行测度，共测量5个维度11个指标，但由于没有农户家庭在这11个指标上均表现为贫困，所以研究到K=10的情况。根据2011年《人类发展报告》（HDR），将多维贫困剥夺份额大于1/3（K=3）的家庭定义为多维轻度贫困家庭，大于1/2（K=6）定义为多维中度贫困家庭。文中进一步定义大于2/3（K=9）的家庭为多维重度贫困家庭。多维贫困测度结果如表3所示，当K=3时，多维贫困指数为53.7%，贫困发生率为98.1%，贫困剥夺份额为54.8%;当K=6时，多维贫困指数为38.8%，贫困发生率为61.0%，贫困剥夺份额为63.6%;当K=9时，多维贫困指数为4.3%，贫困发生率为5.1%，贫困剥夺份额为83.7%。

（三）多维贫困指数分解

1.地区多维贫困指数分解。通过对多维贫困指数M0按不同地区进行分解，得到不同K值下的5个镇的多维贫困指数（见表4）。杨峪河镇的多维贫困指数最大，贫困状况最明显，贫困程度最深，其次是沙河子镇、牧护关镇、夜村镇和杨斜镇。随着剥夺维度的增加，多维贫困指数在不断降低，其中，沙河子镇在9个维度被剥夺时多维贫困指数就已经为零，杨峪河镇在K=10时为零，说明这2个镇对相应维度多维贫困指数无贡献。

2.维度指标优先序分析。为了更好地实现贫困的精准识别，进而为精准扶贫政策的制定提供参考依据，这里进一步对维度指标进行优先序分析。优先序指的是对各维度指标进行重要程度排序以探索扶贫工作中应当优先解决的问题，体现精准扶贫的目标精准。为保证优先序判断中更加科学合理，文中选择K=2、4、6、8、10共5个等差维度进行分解，分解结果见表5。

通过对5个维度分解发现教育和自然地理环境对多维贫困指数贡献最大，其贡献率均大于10%，其中农户家庭的文化程度较低使得其从事工作收入少和无法理解外部信息，是家庭陷入贫困的根本原因。打破贫困枷锁的基础就是教育，只有提升自己的教育水平，增强自身的发展能力，才能从根本上脱离贫困。教育贫困导致发展能力贫困，进而影响农业生产效率和接受外界事物的认知，这与当地的教育资源匮乏以及村民自身意识淡薄有关。就自然地理环境而言，2个指标的多维贫困指标贡献率显著大于其他指标，是导致农户陷入贫困的又一重大原因。自然地理环境恶劣导致农户外出困难和农作物歉收，与外界接触少以及收入降低影响其认知水平和再生产能力，最终影响生活水平，形成一个恶性循环。从单一指标来看，随着K的增大，收入对多维贫困的贡献率不断上升，可见，收入仍然是造成贫困的直接原因。技能培训状况对多维贫困指数的贡献率随着K的增大不断下降，当K=2时，多维贫困贡献率为14.3%，当K=10时下降到9.8%。家庭资产状况、饮用水设施、家庭成员健康状况、住房设施均小于10%，对多维贫困指数的贡献较低且趋于稳定，无明显上升或下降趋势。

对不同剥夺维度K的指标分解结果进行排序，以贡献率从低到高排序，用雷达图表示（见图2）。

当K=2、4、6、8时的多维贫困的指标分解优先序非常相似，基本上没有差别，可以看到其中问题比较严重的是能源设施、卫生设施和技能培训状况，这3个指标是排在前3位的。农户无法解决生活燃料问题或者还是使用旧的燃料，能源设施的建设应该放在首位。技能培训状况这一点非常严重，需要政府进行针对性解决，比如开展农村知识普及，派遣专业人员下乡进行教学。农户家庭还在使用旱厕，这点问题和住房设施建设密切相关，但住房设施问题并未特别严重，这可能与其重视房屋改建而忽视相关基础设施的建设有关。

当被剥夺维度达到了10时，可以观察到，健康、收入、教育成为最为突出的3个方面，与上述的结果相比，健康和收入问题变得特别突出，而教育一直是关键性问题。收入与教育、健康是紧密相关的，综合单维贫困发生率来看，收入贫困和教育健康贫困存在互动效应。这些问题均没有得到重视，农户家庭没有一人接受技能培训或者劳动力身体欠佳，缺乏技能使得无法从事收入较高的工作，健康状况不稳定导致工作无法得到保障。而收入低又让教育缺失和无钱看病的局面。收入贫困和健康贫困存在互动效应;收入贫困和教育贫困表现出双向因果关系，相互影响，相互加强，形成了一种恶性循环。要想打破这一循环，政府的扶贫工作就要更加重视教育和医疗卫生建设，教育始终是脱贫的根本，身体健康永远是脱贫的基础。

四、结论与建议

调研所在的区域商州区处于自然地理环境较差的生态敏感区，这些地区的经济基础较差，交通设施落后，教育水平普遍较低，基础设施如卫生、能源等等依然不完善，仍然存在深度贫困问题。因此，本文以陕西省商洛市农户调研数据为样本，运用A-F多维贫困测度模型，选取收入、健康、教育、生活设施和自然地理环境5个维度对农户进行多维贫困测度分析，并基于不同维度和不同地区对多维贫困指数贡献率进行分解，研究结果表明：

1.单一维度上，农户贫困状况仍然不容乐观，各维度贫困发生率存在显著差异。其中，农户面临的最严重的问题是教育贫困。另外，自然地理环境维度、健康维度的贫困发生率非常高，环境问题也造成了社会资源获取方面的能力贫困，由于其特殊的地理位置和恶劣的自然环境，生活设施维度的贫困也很严重。除此之外，杨斜镇很多指标上贫困发生率比较高，但收入指标上却显著低于其他地区，表明单一收入维度测算不能全面衡量贫困状况。

2.多维度贫困测度上，多维贫困指数随着贫困剥夺维度K的增加而不断减小，变化趋势呈现倒“S”型曲线，变化速度呈现先上升后下降的倒“U”型趋势。

3.基于不同地区的多维贫困分析来看，多维贫困指数存在地区异质性，不同地区的同一维度多维贫困指数贡献率不同，即使是同一地区，不同维度的贡献率也有所差异。按多维贫困指数进行排序，贫困程度由深到浅依次是：杨峪河镇、沙河子镇、牧护关镇、夜村镇和杨斜镇。

4.不同维度对多维贫困指数的贡献率不同，教育、收入、健康和基础设施是造成贫困的重要原因。教育和自然地理环境对多维贫困指数贡献最大，均大于10%。观察优先序分析结果，当K较小时，多维贫困的指标分解优先序差异较小，其中能源设施、卫生设施和技能培训状况多维贫困指数贡献率最大。当K=10时，健康、收入、教育成为造成贫困最为突出的3个因素。

根据上述结论，对中国农村贫困地区特别是生态敏感区扶贫工作提出以下政策建议：

1.收入贫困是致贫的直接原因，但现有的扶贫政策只是单一的给予低保补贴，忽视了对脱贫能力的培养。因此，针对这些收入贫困的家庭，政府部门应该不仅为其提供最低生活保障，而且需要加强培养自身的发展能力。例如，增加贫困农户的各项培训，完善培训内容，通过培训扩展农户的视野，这有利于农户主动寻找就业机会;政府组织培育发展当地特色产业需要的技术人才，通过发展特色产业为当地农户提供就业机会。

2.由于地区的异质性致贫环境和贫困农户的多元化致贫原因，个体脱贫能力也存在差异，导致地区、家庭和维度的贫困程度均不同。政府应按贫困程度决定扶贫资金的分配使用，提升扶贫资金使用效率。加大资源性指标的投入力度，健全资金使用制度，同时加强监管，确保扶贫项目资金用到实处并能够发挥最大效益，可根据贫困家庭的贫困深度和致贫原因，实施差异化扶贫措施。

3.在扶贫工作中，应当优先解决重点突出问题，实施针对性更强、作用更有效、效果更持续的措施。根据多维贫困测量的结果，得到扶贫的优先序，在扶贫工作中，可以参考优先序进行扶贫。在贫困程度较高的家庭中，首先是健康贫困最为突出，健全贫困群体医疗保障机制，建立贫困家庭个人医疗档案，量身定制治疗方案，使得患病人员恢复部分劳动力。提高农村医疗卫生水平和服务质量，加大大病救助，尽量避免因病致贫。教育贫困是最根本的贫困原因。政府应继续加大对农村教育的投入力度，可以通过国家助学金或社会助学金帮助学生完成学业，降低适龄儿童的辍学率。政府部门应当设立专项资金，鼓励当地农村居民接受适当的技能培训。另外，由于调研地区位于生态敏感区，偏远的地理位置导致交通设施落后，农户与外界接触有限难以获得社会资源，而且恶劣的自然环境对农业生产的影响巨大。因此，在进行地区扶贫时，应重视交通设施建设，为农民提供自然灾害预测报告或者培训农民如何防范自然灾害。其次，购买农业保险也是有效的措施之一，为农户的生计提供必要的保障。

4.加大地区生态环境治理和基礎设施建设，培育适宜生态恢复和农民增收的产业体系。该地区属于生态敏感区，生态环境脆弱，贫困程度较深，因此加强生态环境治理和道路等基础设施的建设变得十分重要。同时依托优势特色产业，通过发展养殖业和林果等特色产业帮助农民减贫增收，做到生态治理和脱贫致富两手抓。

参考文献：

[1] 李团胜，石铁矛，肖笃宁.大城市区域的景观生态规划理论与方法[J].地理学与国土研究，1999（2）：53-56.

[2] 达良俊，李丽娜，李万莲，等.城市生态敏感区定义、类型与应用实例[J].华东师范大学学报（自然科学版），2004（2）：97-103.

[3] Sen A K.Inequality Reexamined [M]. Cambridge，Boston，USA：Harvard University Press，1992：1-9.

[4] Bejoy K T，Roldan M，Gerard De G，et al.Multidimensional Ooverty and Identification of Poor Households：A Case From Kerala，India[J].Journal of Human Development and Capabilities，2009，10（2）：237-257.

[5] Ha Le，Cuong Nguyen，Tung Phung.Multidimensional Poverty：First Evidence From Vietnam[Z].Mpra Paper，2014.

[6] Oyekale T O，Yusuf S A.Multidimensional Poverty of Shock Exposed Households and Coping Mechanisms in Rural Nigeria [J].The Social Sciences，2010，5（3）：254-263.

[7] 支俊立，姚宇馳，曹晶.精准扶贫背景下中国农村多维贫困分析[J].现代财经（天津财经大学学报），2017，37（1）： 14-26.

[8] Maasoumi E，Lugo M A.The Information Basis of Multivariate Poverty Assessments[M]. London：Macmillan，2008： 112-114.

[9] Chakravarty SR，Deutsch J，Silber J.On the Watts Multidimensional Poverty Index and Its Decomposition[J].World Development，2008，36（6）：1 067-1 077.

[10] Hagenaars A.A Class of Poverty Indices[J].International Economic Review，2001，28（3）：583-607.

[11] Bourguignon F，Chakravarty S R.The Measurement of Multidimensional Poverty[J].Journal of Economic Inequality，2003，1（1）： 25-49.

[12] Sabina A，James F.Counting and Multidimensional Poverty Measurement [J].Journal of Public Economics，2011，95（7）：476-48.

[13] 高帅，毕洁颖.农村人口动态多维贫困：状态持续与转变[J].中国人口·资源与环境，2016，26（2）： 76-83.

[14] Awan M S，Waqas M，Aslam M A.Multidimensional Measurement of Poverty in Pakistan Provincial Analysis[J].Noesis Revista De Ciencias Sociales Y Humanidades，2015，24（48）：54-71.

[15] 王小林，ALKIRE Sabina.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.

[16] Martin R.On multidimensional Indices of Poverty [J].The Journal of Economic Inequality，2011，9（2）：235-248.

[17] 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.

[18] Alkire S.Choosing Dimensions：The Capability Approach and Multidimensional Poverty [J].Ssrn Electronic Journal，2007，76（5）：89-119.

[19] Alkire S，Foster J.Counting and Multidimensional Poverty Measurement[J].Journal of Public Economics，2011，95（7-8）：476-487.

[20] 陈立中.转型时期我国多维度贫困测算及其分解[J]. 经济评论， 2008（5）：5-10.

[21] 陈辉，张全红.基于多维贫困测度的贫困精准识别及精准扶贫对策——以粤北山区为例[J]. 广东财经大学学报，2016，31（3）：64-71.

[22] 崔治文，徐芳，李昊源.农户多维贫困及致贫机理研究——以甘肃省840 份农户为例[J]. 中国农业资源与区划，2015，36（3）：91-97.

[23] 王磊，李聪.陕西易地扶贫搬迁安置区多维贫困测度与致贫因素分析[J]. 统计与信息论坛，2019（3）：119-128.

[24] 王怡，周晓唯.精准脱贫与2020年我国全面建成小康社会——基于2010—2017年扶贫经验的理论和实证分析[J]. 陕西师范大学学报（哲学社会科学版），2018（6）：47-56.

[25] 石智雷，邹蔚然.库区农户的多维贫困及致贫机理分析[J].农业经济问题，2013（6）：61-69.

[26] 曹小曙，任慧子，黄晓燕.经济发达地区乡村贫困的地方特征及其影响因素分析——以广东省连州市为例[J]. 地域研究与开发，2014（1）：34-40.