生态移民政策能否化解家庭多维贫困？以青海藏区为例

(1.西北农林科技大学 经济管理学院，陕西 杨凌 712100; 2.青海大学 财经学院，青海 西宁 810016)

1 引言

于非常之时，必以非常之举，尽非常之功。贫困作为人类社会发展进程中不可回避的难题，受到各国的持续关注。我国自改革开放以来，为全球减贫做出的贡献超过70%。十九大报告指出，“过去五年我国脱贫攻坚战取得决定性进展，6000多万贫困人口稳定脱贫，贫困发生率从10.2%下降到4%以下”。然而，脱贫攻坚战的关键是打好深度贫困地区脱贫攻坚战。当前，深度贫困地区多集中在革命老区、民族地区、边疆地区，这些区域基础设施与社会事业发展滞后，生态环境脆弱，人均可支配收入低，集体经济薄弱，贫富差距正阻碍经济增长对欠发达地区的带动作用，已出现涓滴效应，且我国区域贫困性质发生了根本性变化，收入不是衡量贫困的唯一尺度[1]，从动态发展角度而言，需要通过多个维度进行考察[2]，贫困状态从单一贫困演变为多维贫困[3]。

我国自进入21世纪以来，实施的生态移民政策就是为了帮助相对贫困和生计困难人群改变现有的生活方式而制定的政策，尤其是西部贫困地区或生态环境脆弱区域。这一政策不仅为民族地区人口集中度创造了现实的可能性，而且对民族地区脱贫工作意义重大，为民族地区经济发展提供了难得的契机。在国家推动生态环境与社会经济可持续发展的大背景下，生态移民政策无疑成为了突破贫困人口居住区域自然与人力资源双重困境，促进家庭脱贫致富的重要举措。2015年联合国将消除极端贫困与确保环境可持续作为千年发展目标的两大核心，且国务院发布的《中共中央关于打赢脱贫攻坚战的决定》中明确要求坚持扶贫开发与生态保护并重。生态移民政策是保护生态与缓解贫困的最关键渠道之一，一直以来成为学术界、政策界关注的焦点。青海藏区作为我国西部一个特殊的经济落后少数民族区域，贫困覆盖面较大、贫困程度较深，生态环境较为脆弱，各级政府将生态移民视作实现生态环境可持续发展和农牧民增收的重要举措，藏区生态移民政策的典型性与重要性愈发凸显。那么，该政策是否有效缓解家庭贫困状况已引起国内外学者们的高度关注，已有研究表明，生态移民具有改善生态环境和提高扶贫效率的作用，可通过协调平衡生态效率与经济效率，达到“移得出且稳得住”的目标[4～6]。也有部分学者认为移民政策对家庭贫困并未产生影响，甚至由于政策与外来力量的介入会导致的失业、贫困等问题[7,8]，严重阻碍了移民后续生计。

为实现2020年建成小康社会的宏伟目标，面对脱贫攻坚已经到了攻坚拔寨的关键阶段，如何做到生态保护与扶贫工作相辅相成、协调发展，为“三区三州”打好打赢脱贫攻坚战、实施乡村振兴战略、全面建成小康社会提供可靠保障，需从多维角度来认识贫困。那么，在生态移民政策的实施下，家庭的贫困状况是否得以改善？是否能够有效起到缓解家庭多维贫困的作用？生态移民政策影响家庭多维贫困的作用机制是怎样的？在精准扶贫脱贫的时代背景下，回答上述问题不仅有助于全面了解与评价生态移民政策的实施效益，而且有利于拓展与完善家庭多维贫困理论研究与作用机制，为我国实现青海藏区乡村振兴、牧民扶贫脱贫具有至关重要的理论与现实意义。

2 研究区概况与数据来源

2.1 研究区概况

本文数据来源于国家社科基金青年项目“公平视角下青海藏区农牧民增收问题研究”课题组的调研数据。青海藏区是中国除西藏自治区之外最大的藏族聚居区，中国10个藏族自治州6个在青海境内，全省藏区总人口达210万人，占全省总人口的36%。作为长江、黄河、澜沧江的发源地，被称为“江河源头”，是我国重要的生态屏障之一，也是生态环境脆弱区域。同时，青海藏区属于《中国农村扶贫开发纲要(2011～2020年)》扶贫新战略重点部署的14个特殊片区和“三区三州”的范畴，该区域受到整体贫困与民族地区发展滞后并存、经济建设落后与生态环境脆弱并存、人口素质偏低与公共服务滞后并存“三重矛盾”的制约，一直是我国扶贫开发任务重、难度大的典型藏区省份之一。因此，以该区域进行生态移民政策对家庭多维贫困的研究具有一定代表性。

2.2 数据来源

课题组于2017年、2018年多次深入青海藏区实地调查研究，覆盖青海省黄南藏族自治州、果洛藏族自治州、玉树藏族自治州、海南藏族自治州、海西蒙古族藏族自治州、海北藏族自治州的11个县(市)，结合青海藏区家庭生活习惯、民族文化等特色，按照6个自治州覆盖范围进行随机抽样，每个县抽取1～3个自然村，每个自然村平均随机抽取20户家庭进行问卷访谈，共发放问卷570份，最终获取517个有效样本。

3 模型构建、研究方法与变量选择

3.1 模型构建

根据多维贫困理论，为了准确识别青海藏区家庭贫困状况，通过设定多维贫困各个维度及指标体系，确定每个指标临界值，以此来测算多维贫困指数，青海藏区家庭多维贫困模型构建具体有以下几个步骤：

第一，维度与指标体系构建。在甄别家庭多维贫困状况过程中，构建多维贫困维度与指标是非常重要的。在借鉴Sen[9]的多维贫困理论和Alkire和Foster[10]提出的MPI指数的基础上，该方法适用于发展中国家，通过确定剥夺临界值与贫困临界值来测量多维贫困，由于具有一定权威性，被学者们普遍应用[11～13]；同时，结合我国的《中国农村扶贫开发纲要》中扶贫要求与青海藏区调研过程中的实际情况，构建了以下维度与指标来衡量青海藏区家庭多维贫困状况。

第二，权重与指标计算。借鉴已有文献的研究[14,15]，在确定多维贫困维度和指标的权重过程中，熵值法是被学者们普遍认可的。这种方法是通过计算多维贫困各维度及指标的贡献率，对每一个维度中的指标以不同的权重赋值。同时，已有学者研究表明，该方法研究得出的结论通过了稳健性检验[16]，说明熵值法还是具有一定的权威性。因此，本文采用等权重方法对10个多维贫困指标的权重进行计算，见表1。

表1 多维贫困指标体系与指标权重

第三，家庭多维贫困指数计算。先计算出多维贫困人口发生率H，然后计算出多维贫困强度指数A。最后多维贫困指数MPI是由多维贫困人口发生率乘以多维贫困强度指数获得的。表达式如下

3.2 研究方法

政策效应评估的本质在于比较同一样本参与和未参与某一项目的收益差，本文运用政策评价中的平均处理效应方法实证分析参与生态移民政策对青海藏区家庭多维贫困的影响。将样本家庭分为实验组与对照组，其中实验组是参与生态移民政策的样本家庭，对照组是未参与的样本家庭。由于生态移民政策是以政府引导、自愿选择为前提，既不是随机产生的行为也不是随机分配的结果，属于自选择的结果，农牧民根据自身家庭各方面条件做出选择，因此，家庭是否参与生态移民政策不是外生变量，而是属于内生变量范畴。考虑到最小二乘法OLS估计参与生态移民政策对家庭多维贫困的影响会产生自选择导致的估计偏差问题，同时，样本家庭选择参与生态移民政策也会受到户主个人特征、家庭特征、环境特征等方面的因素影响，而这些因素也会同样影响家庭多维贫困，这在分析生态移民政策对家庭多维贫困的影响时会存在内生性问题，即家庭参与生态移民政策不仅与多维贫困有关，也与残差项有关。

鉴于以上考虑，本文运用倾向得分匹配方法(PSM)来解决家庭参与生态移民政策的自选择问题。PSM方法既能够避免不可观测因素带来的内生性问题，又能够控制一些可观测的异质性因素，消除自选择带来的内生性问题[17]。假设处理变量为Di=(0,1)，表示家庭i是否参与生态移民政策，若参与，D=1，反之，D=0。家庭的多维贫困为Yi，参与生态移民政策的家庭多维贫困为Y0i，未参与为Y1i，探究Di对Yi的影响，表达式为

ATT=E[Y1i-Y0i]=E[Y1i-Y0i|D=1]

=E[Y1i|D=1]-E[Y0i|D=1]

(1)

其中ATT为参与生态移民政策家庭的平均处理效应。具体而言，倾向得分匹法分为倾向得分(propensity score)与匹配(matching)两个步骤：一是构建一个家庭参与政策的概率模型，预测每个家庭的倾向分数值，并根据该值检验变量的平衡条件；二是进行配对分析，运用相应的匹配方法为参与生态移民政策的家庭寻找匹配的未参与政策的家庭，为避免选择性偏误和混杂偏差进行模拟随机分组，同时，比较参与政策的实验组和未参与政策的对照组，对倾向得分相近的家庭计算生态移民政策对多维贫困的平均影响。

3.3 变量选择

从已有研究发现，目前学界对是否处于多维贫困的划分标准并不统一，结合杨慧敏等[13]与韩佳丽等[18]的研究，本文以二维贫困状态作为划分标准，处于二维及以上的多维贫困状态的家庭，视为多维贫困，将其赋值为1；处于一维或非贫困状态的家庭，视为非多维贫困，将其赋值为0。同时，将是否参与生态移民政策作为核心变量，由于家庭是否选择参与生态移民政策会受到户主个人特征、家庭特征、环境特征等方面因素的影响，因此，本文选取的主要变量有：家庭是否处于多维贫困状态、是否参与生态移民政策、以及涵盖个人、家庭和环境相关变量的控制变量。

4 青海藏区家庭多维贫困状况

4.1 多维贫困各指标贫困测度

为了更准确分析多维贫困，首先对单一维度贫困进行测度。根据分析发现，家庭受教育年限和做饭燃料的贫困问题凸显，其中51.03%的样本家庭受教育年限小于6年，65.02%的家庭没有使用清洁能源，仍以木柴、牛粪等为主要燃料，而儿童入学的贫困发生率最低，在九年义务教育普遍推行的同时，家庭对子女教育的理念也悄然转变，由以往的代际传承传统畜牧业变得越来越重视孩子的教育。比较生态移民与非生态移民群体差异发现，非生态移民的贫困发生率普遍高于生态移民的贫困发生率，尤其是家庭用电、饮用水、医疗保障等方面的差距尤其明显，初步判断与移民搬迁有一定关系，家庭由于以传统畜牧业生产方式为主，每年游牧分为冬季与夏季草场，居无定所的日子给他们的基本生活带来不便，而生态移民搬迁后，统一安置在政府修建的社区，基础设施也相应具备，水、电等生活保障基本到位，因此，这三个指标的贫困发生率差距显著；除了受教育年限与做饭燃料指标外，非生态移民还在交通道路、家庭用电、健康水平、医疗保障等方面的贫困更为突出。

4.2 多维贫困测度与分解

从单一贫困的测度分析发现，青海藏区家庭存在着多维贫困的现象。为更准确地识别家庭的多维贫困状况，对多维贫困测度估计结果。结果显示，临界值K=0.1时，全样本的贫困发生率最高为81.1%，说明81.1%的家庭至少存在着一维贫困的现象，且非生态移民高于生态移民群体。随着K值升高，贫困维度逐步递增，贫困发生率与多维贫困指数逐步递减，值得关注的是，生态移民家庭的最高贫困发生率是在K值为0.6时，其多维贫困指数为0.012，非生态移民家庭在K值为0.8时，其多维贫困指数为0.013，说明发生多维贫困现象易出现在非生态移民家庭群体。从贡献率来看，K=0.1和K=0.2时，生态移民家庭的贡献率分别是62.2%与48.9%，而非生态移民家庭的贡献率分别为34.8%与46.4%，说明非生态移民家庭在低维度贫困状况的贡献小于移民家庭，随着贫困维度增加，非移民家庭的贡献率大于移民家庭，说明非生态移民家庭的贫困状况随着临界值升高也越严重，这与前文分析的结果也非常吻合。

5 生态移民政策对家庭多维贫困的影响

5.1 家庭参与生态移民政策的影响因素

倾向得分匹配的第一步需要估计家庭参与移民政策的倾向得分，根据得分进行匹配，进而分析实验组与对照组的处理效应，关键是选择匹配变量，PSM对家庭参与移民政策的影响因素的要求较高，即需要同时影响家庭参与移民政策的行为与家庭多维贫困，且选择的变量不会因家庭参与生态移民而受到影响[19]。基于已有文献的基础上，本文选取个人、家庭、环境特征的相关变量作为匹配变量，表2为家庭参与生态移民政策的倾向得分估计结果，可以看出，模型整体较显著，通过了ROC检验，且logit回归系数与边际效应的符号均一致。

表2 参与生态移民政策倾向得分的logit估计结果

注:*、**、***分别表示通过显著性水平为10%、5%、1%的统计检验。下同。

由表2显示，性别、年龄、家庭规模、家庭负担比、家庭人均收入、家庭是否有村干部、家庭牛羊量、草场质量、是否在生态脆弱区均对家庭参与生态移民政策产生显著影响。男性户主比女性户主参与政策概率高11.1%，户主年龄每增加1岁，其参与政策概率提升0.3%，家庭规模增加1人，其参与政策概率降低4.1%，家庭负担每增加1%则会降低36.5%的参与率，家中有村干部的比没有村干部的高出17.9%的参与率，牛羊总量每提高1个单位，参与政策的概率降低6.8%，草场质量每提高1个单位，参与政策的概率下降8.5%，生活在生态脆弱区的家庭参与生态移民政策概率比非生态脆弱区的家庭高出17.7%。

5.2 假设检验

PSM方法的前提条件有两个，即共同支撑假设与平行假设，其中共同支撑假设是为了保证实验组与对照组的个体在综合特征上相似，而平行假设是为了保证实验组与对照组的个体在每个指标上相似。只有满足这两个假设才能保证匹配质量。

一般而言，共同支撑假设的检验方法有经验密度函数图、共同支撑域条形图以及ROC曲线三类，本文选择家庭倾向得分匹配后的密度函数图，见图1。从图中可见，匹配之后生态移民政策参与家庭和对照组家庭的倾向得分区间具有较大范围的共同区间，该区间即为共同支撑域，由此可知，本文的共同支撑域条件较理想，大多观察值均在共同取值的范围内，运用倾向得分匹配只有少量的损失样本。

表3 匹配变量平衡检验结果

注：采用一比四的K近邻匹配方法。

对于平行假设而言，通过平衡性检验可以分析，进一步对比分析匹配前后主要匹配变量误差消减结果，见表3，可以看出，匹配后绝大多数变量在实验组和对照组之间变量的标准化偏差均有不同程度的减少，除了婚姻和对生态移民政策了解程度标准偏差接近10%，其余变量均小于10%，且对比匹配前的结果，大多数变量的偏误比例均大幅度降低，这意味着倾向得分匹配法的确能够大幅度降低生态移民组与非生态移民组之间的差异。另外，T检验值的绝对值明显变小，结果表明匹配后实验组和对照组变量不存在系统性差异，意味着匹配后两组之间在协变量上的差异进一步降低，由于自选择导致的估计偏误也得以改善。由此可知，样本经过匹配后通过平衡性检验，即两个样本组在协变量上不存在系统差异或差异很微小，基本可达到随机试验的效果。

表4 模型匹配前后的总体拟合优度

而模型总体拟合优度统计量的结果显示，见表4，Pseudo-R2值显著降低，从匹配前的0.229下降到匹配后的0.010，LR统计量由匹配前的140.66下降到匹配后的8.30且不再显著，检验结果表明，匹配结果较好地平衡了实验组与对照组之间的解释变量分布，平行假设得以验证。

5.3 生态移民政策对家庭多维贫困的影响

在匹配过程中，为保证匹配质量，通常只保留倾向得分有重叠的样本。根据陈强[20]的研究，本文选取K近邻匹配、半径匹配与核匹配方法估计生态移民政策对家庭多维贫困的处理效应结果，见表5。

表5 对ATT 估计结果

由于不存在适用于一切情景的绝对好方法，只有根据具体数据来选择匹配方法，虽然本文由于对照组个体并不多，但由于研究数据来自于实地调研，在采取科学的调研方法满足了样本代表性的前提下，实验组和对照组的样本比反映了当地真实的家庭参与生态移民政策的现状；且样本数量经过共同支撑域检验和平衡性检验，因此，本文数据满足了PSM模型的使用条件。由表5可以看出，通过K近邻匹配、半径匹配与核匹配得到的平均处理效应ATT分别为-0.362、-0.351、-0.353，且分别在10%、5%、5%的水平上显著，由此可见，不同的匹配方法得到的平均处理效应估计值与其显著性均相似，结果表明，模型估计结果是稳健的，也说明三种匹配方法均较为合适，更严谨地讲，结合本文研究实情，在三类匹配方法中，有放回的K邻匹配更为理想。对参与政策的家庭与未参与政策的家庭两个样本组在消除了可观测异质性导致的显性偏差后，参与生态移民政策的家庭多维贫困比未参与的家庭低36.2%。这可能说明生态移民搬迁前后生活确实发生较大转变，经过搬迁后，移民生活不仅有了较大改善，而且住房、医疗、教育等有所保障，从而大大降低了家庭多维贫困状况。

6 结论与建议

6.1 研究结论

基于青海藏区的微观家庭调查数据，通过多维贫困测量方法与倾向得分匹配方法研究了家庭参与生态移民政策对多维贫困的影响，研究表明：(1)家庭多维贫困的单一维度中，最严重的问题是做饭燃料和受教育年限，且家庭的贫困状况存在复杂性，单一因素并不能很好地表征贫困状况的多维特性。(2)家庭贫困状况不能够仅以收入为衡量标准，还存在着多维贫困，且生态移民政策对其影响显著。从家庭多维贫困状况分析，随着贫困维度提高，贫困发生率与指数均递减，且生态移民组与非生态移民组存在差异；此外，多维贫困贡献率中，移民组随着维度提高逐渐减少，非移民组则正好相反。(3)生态敏感区参与生态移民政策的家庭受到性别、年龄、家庭规模、家庭负担比、家庭人均收入、家庭是否有村干部、家庭牛羊总量、草场质量、是否在生态脆弱区等因素的显著影响，且生态移民政策的实施具有缓解家庭多维贫困的效果，参与生态移民政策的家庭多维贫困比未参与的家庭低36.2%。

6.2 建议与局限

首先，从贫困状况特性看，需重视做饭燃料和受教育年限两个最为严重的问题，且青海藏区家庭多维贫困涉及多个方面，家庭扶贫也应从多个维度进行考虑。各级相关部门应侧重提高藏区农牧民生活质量，加强自来水、清洁燃料、道路交通等基础工程建设，加大公共卫生医疗投入，改善家庭做饭燃料状况。同时，继续加大对青海藏区基础教育投入力度，通过统一性、连续性、标准化和制度化的正规教育循序渐进地提升移民整体的文化素质，借助技能教育、成人教育提升农牧民的生产、生存技能，进而改善青海藏区家庭就业的边缘处境，提升自我发展能力。

其次，多维贫困指标体系为青海藏区生态移民政策实施效果提供了有理论价值和可操作的视角，基础设施、公共服务等多维度的结构性改善，是移民贫困人口所需，更是多维扶贫对移民综合福利提升的体现。有关部门应将全面提升青海藏区家庭福利水平作为一个长远的政策目标，从公共服务、社会保障等多维结构角度改善，提高青海藏区扶贫资金与项目的瞄准率，引导扶贫项目有序开展，以改善藏区家庭生产生活条件与基础设施建设，加强医疗保险、家庭低保等公共服务项目，加大对其的财政转移支付，使得青海藏区贫困家庭能够有机会与能力参与经济发展成果，进一步降低家庭多维贫困发生率。

最后，鉴于藏区家庭的群体差异性，只有实施差别化的群体扶贫政策，才能实现藏区精准扶贫。对于参与生态移民政策的家庭，因地制宜地鼓励优势产品相关企业在当地集聚，重点开发优势畜牧业产品和特色民族手工艺品等，促进畜牧业产业、手工产业集群的形成，打通产业间的融合，提供更多就业岗位，拓宽增收渠道，加快藏区家庭脱贫速度。对于未参与生态移民政策的家庭，尤其是特殊状况的贫困群体，应实施综合救助措施，考虑该地区生存环境恶劣，高原病、地方病问题突出，农牧民子女上学不便，可通过开展医疗救助、教育救助等多方面救助，保障贫困家庭基本生存水平，最大限度避免出现贫困的代际传递效应。

本文研究也存在一些研究局限。在研究变量方面，构建的多维贫困指标体系选取可能并不全面，未来将进一步丰富与完善家庭多维贫困的指标体系，如资产方面将综合考虑草场面积与牛羊数量等；在研究内容方面，虽然弥补了少数民族生态脆弱地区，但鉴于数据可获性，仅针对青海藏区地区的截面数据进行研究，未来将基于时间序列逐步拓展到多省区域间的研究。