精准扶贫影响因素的探讨——以贵州省为例

王万涛，周雪梅

（贵州大学经济学院，贵州贵阳550002）

引言

2013年习近平总书记在湖南湘西考察时作出了“实事求是、因地制宜、分类指导、精准扶贫”的重要指示，首次提出“精准扶贫”一词。此后全国上下刮起来了一股精准扶贫浪潮，全国人民紧跟党和国家的步伐，采取一系列措施，开展精准扶贫活动。贵州省也紧跟党和国家步伐，推出了异地扶贫搬迁、产业扶贫、教育医疗扶贫等一系列措施开展精准扶贫工作。

贵州省位于我国的西部地区，由于历史的、地理位置的原因，长期以来经济发展落后于全国。加快贵州经济发展，是缩短中西部地区差距的重要举措之一，是全面建成小康社会的重要举措之一，对确保2020年全面建成小康社会具有重要的现实意义。贵州省举全省之力开展“精准扶贫”工作，虽然精准扶贫工作取得一定的成效，道真县、务川县、安龙县等十八个县经过多年的努力终于达到摘帽退出程序和标准，在2018年成功实现了脱贫摘帽。但是由于扶贫机制不健全等原因，精准扶贫成果不显著。本文就是基于这一现象深入研究影响贵州省精准扶贫的因素，并给出了贵州省精准扶贫的建议对策。

1 文献综述

自从习总书记提出“精准扶贫”思想后，党和国家采取了一系列措施开展扶贫工作，学术界的很多学者也对精准扶贫问题做了大量的研究，一些学者集中研究了精准扶贫的影响因素，陈升和潘虹（2016）等人认为精准扶贫的影响因素包括精准识别、精准帮扶、精准管理与精准考核4个层面的9个因素，他们认为在这些影响要素中的核心影响因素是扶贫对象精准、项目安排精准、资金使用精准、措施到户精准与因村派人精准[1]；周思聪和王懿凡（2018）则从另一个角度研究了影响精准扶贫的影响因素，他们认为影响精准扶贫的因素主要有两方面：自然因素和人为因素[2]；刘春腊和黄嘉钦（2018）等人从地理学的角度，提出了精准扶贫的影响因素有区域自然环境条件、省域资源禀赋、经济社会条件等[3]；王妍（2018）通过实证分析得出河北省精准扶贫的影响因素有地区生产总值、全省公路通车里程、旅游业总收入、金融机构各项存款余额、金融机构各项贷款余额以及农民人均可支配收入[4]。

农村贫困人口对精准扶贫的满意度从侧面也反映了精准扶贫政策的落实情况，反映了帮扶措施的精准程度和帮扶效果。一些学者从精准扶贫满意度的角度出发研究精准扶贫的影响因素，刘裕和王璇（2018）认为年龄、文化程度、家庭收入来源、致贫原因、对精准扶贫政策的了解程度、贫困户人均收入增长情况及退出精准度是影响贫困户对精准扶贫满意度的主要因素，这也是精准扶贫的影响因素[5]。

已有的这些文献从不同角度讨论了精准扶贫的影响因素，有政府层面、贫困户层面，有自然环境方面，也有经济环境方面的，但这些文献都只是研究了单方面的影响因素，没有综合考虑所有的影响因素。为了弥补这个缺点，本文综合研究了精准扶贫的影响因素。此外虽然贵州地处西南地区，贫困问题突出，但是已有的大部分文献都在研究河北、湖南等大省，专门针对贵州省研究贵州省精准扶贫影响因素的文献几乎没有，因此本文的研究具有重要的现实意义。

2 变量说明

2.1 假设分析

贵州省地处偏远西南地区，经济不发达、交通不便、基础设施落后，这使得贵州省精准扶贫工作难度更大。贵州省精准扶贫的影响因素有许多，本文借鉴了“河北省精准扶贫影响因素实证分析”[6]的研究思路和研究方法，将影响因素主要归结为四个方面：金融业、旅游业、交通业以及农民生活水平，假设这四个影响因素对精准扶贫都具有明显的正向作用，可以促进贵州省经济的增长，并利用Eviews 8.0软件建立VAR模型进行实证分析。

2.2 变量选取与数据来源

本文选取贵州省的地区生产总值HGDP作为衡量精准扶贫效果的指标，选取全省公路通车里程（ROAD）、旅游业总收入（VINC）、金融相关率（FIR）、农民人均可支配收入（PERI）分别作为衡量交通业、旅游业、金融业、农民生活水平的指标。除了地区生产总值HGDP作为被解释变量之外，剩余指标均作为解释变量。为了避免内生变量和外生变量划分不准确造成的误差，将被解释变量的滞后变量也视为解释变量。本文的数据来自贵州省1987～2018年的统计年鉴和国家统计局。

其中金融相关率是指“某一时点上现存金融资产总额与国民财富（实物资产总额加上对外净资产）之比”，本文使用贵州省金融相关比率（FIR）作为贵州省金融发展的指标，公式为：FIR=（全部金融机构存款额+全部金融机构贷款额）/贵州省地区GDP[7]。全省公路通车里程（ROAD）是指截止到某个时点，贵州省内的总可用公路里程。

3 实证分析

3.1 变量的平稳性检验

由于统计年鉴上只有到1987年的数据，所以数据比较少，为使模型更加准确，在进行数据分析时先将从统计年鉴上得到的年度数据转化为月度数据，再将得到的月度数据进行对数化处理。将处理完后的数据进行单位根检验，检验结果如表1所示，从表中可以看出，原始时间序列所有变量在1%、5%、10%的显著水平下均都不能拒绝原假设，都是不平稳的。在进行一阶差分之后，除地区生产总值（HGDP）外，其余变量在1%、5%、10%的显著水平下均是平稳的。进行二阶差分之后，所有的数据在1%、5%、10%的显著水平下都能拒绝原假设，二阶差分之后的时间序列都是平稳的。

3.2 VAR模型滞后阶数的确定

本文利用Eviews 8.0软件确定来VAR模型的最优滞后阶数，结果如表2所示，根据少数服从多数原则，最后将模型滞后期选择为4，由于所分析的时间序列是二阶差分平稳数列，所以VAR模型的最优滞后阶数为2。

3.3 Johnsen协整检验

本文是多变量模型，因此在单位根检验的基础上，采用Johansen协整检验方法来检验被解释变量贵州省地区生产总值（HGDP）与四个解释变量之间是否具有协整关系（见表3）。检验结果显示，在5%的显著性水平下各个模型都有2个协整方程，说明变量HGDP、ROAD、VINC、FIR、PERI之间存在长期的协整关系。

3.4 VAR模型估计

基于AIC和SC准则，判定本文VAR模型的最优滞后阶数为2，建立滞后2阶的VAR模型。VAR（2）模型估计结果如下：

表1 ADF检验结果一览表

表2 VAR模型滞后期选择

表3 协整序列检验结果

图1 AR根检验

图2 各变量对HGDP的脉冲响应函数

其中ξt为4维冲击向量 R-squared=0.9999

根据回归结果可知，VAR模型总体的拟合优度为99.99%，所得到的模型估计比较准确。

为了检验得到的VAR（2）模型是否稳定，本文将得到的模型进行单位根检验，由单位根分布（图1）可以发现，VAR（2）模型所有单位根全部落在单位根圆内，说明该模型是稳定的，有效的。

3.5 脉冲响应分析

根据本文建立的模型，可以通过脉冲响应函数分析各个变量的冲击对贵州省地区总产值HGDP的动态影响，如图2所示。图中的横轴表示滞后期，在分析过程中本文选取滞后期为70，纵轴表示HGDP对一个标准差冲击的响应程度。

根据图2来看，全省公路通车里程（ROAD）对贵州省地区总产值HGDP具有明显的正向作用，前期波动较大。当给全省公路通车里程一个冲击后，贵州省地区总产值HGDP立即做出响应，并且第6期响应最大，之后影响值一直下降，并缓慢趋于平静；金融相关率FIR对贵州省地区总产值HGDP也具有明显的正向作用，前期波动较大。当给金融相关率一个冲击后，贵州省地区总产值HGDP立即做出响应，并且第4期响应最大，之后影响值一直下降，并缓慢趋于平静；整体来说农民人均可支配收入PERI对贵州省地区总产值HGDP的冲击呈现出正的效应，只是在初期会出现负的冲击波动。也就是说从长期来看，农民人均可支配收入的增加有助于贵州省地区总产值的提高；贵州省旅游业总收入对贵州省地区总产值HGDP的冲击呈现出明显的负作用，前期波动比较大，这种作用最后趋于平静。

从上述分析可以得出全省公路通车里程、金融相关率和农民人均可支配收入对贵州省地区总产值具有持续的正向作用，这种正向作用从长期来看是减弱的；旅游业总收入对贵州省地区总产值具有持续的负向作用，从长期来看是这种作用呈减弱趋势。

3.6 方差分解分析

由于脉冲响应分析只是针对的单个变量对模型系统某指定的冲击而产生的影响，对于不同的冲击而产生的影响无法做出比较。因此我们需要采用方差分解来分析所选取五个变量所产生的结构性的冲击对模型中内生变量的作用以及贡献，方差分解表如表4所示。

根据方差分解表（表4）中的数据可以看出选取的五个变量所产生的结构性的冲击对模型中内生变量的贡献程度：（1）贵州省地区总产值自身变动对贵州省地区总产值变动影响非常大，整个影响过程从大降到小并慢慢趋于平稳，从第一期的100%降到第五期的97%，之后持续降低，直达第二十三期降低到93%，达到稳定值。在第二十三期之后数值略微有所波动，但是幅度不大，平均影响程度维持在93%左右，慢慢趋于平稳。（2）金融相关率对贵州省地区总产值的冲击影响是一个逐渐上升的过程，冲击影响存在滞后性。影响幅度从第一期的0.0000开始增加，直到第二期增加到0.33%，之后继续增加到第二十二期的4.8%，达到稳定值。在第二十二期之后数值略微有所波动，但是幅度不大，平均影响程度维持在4.8%左右。（3）全省公路通车里程对贵州省地区总产值影响从零迅速上升并慢慢达到平稳的过程，冲击影响存在一定的滞后性。影响数值从第一期的0.0000迅速上升到第六期的5%，在第六期之后影响依旧保持上升的趋势，一直增加到第二十五期的并一直保持在1.4%左右。（4）农民可支配收入对贵州省地区总产值的冲击影响从零迅速上升并慢慢达到平稳的过程，冲击影响存在一定的滞后性。影响数值从第一期的0.0000迅速上升到第四期的0.067%，在第四期之后影响依旧保持上升的趋势，一直增加到第三十四期的0.155%，达到稳定。在第三十四期之后数值略微有所波动，但是幅度不大，平均影响程度维持在0.16%左右。（5）旅游总收入对贵州省地区总产值的冲击影响从零迅速上升并慢慢达到平稳的过程，冲击影响存在一定的滞后性。影响数值从第一期的0.0000迅速上升到第二期的0.04%，在第二期之后影响依旧保持上升的趋势，一直增加到第二十二期的0.275%，达到稳定。在第二十二期之后数值略微有所波动，但是幅度不大，平均影响程度维持在0.28%左右。

4 结论与政策建议

4.1 结论

本文以贵州省为研究对象，选取1987至2018年的月度数据建立VAR模型，探究贵州省精准扶贫的影响因素。本文根据模型输出的脉冲响应函数图和方差分解数据分析了四个变量对贵州省地区总产值影响的时滞性和有效性，研究得出金融相关率对贵州省地区总产值具有持续的正向作用，而且影响较大，这种影响呈下降趋势；全省公路通车里程对贵州省地区总产值具有持续的正向作用，影响较大；农民可支配收入在前期对贵州省地区总产值具有负向作用，从第十期以后农民可支配收入对贵州省地区总产值的影响变为正向作用，综合来看农民可支配收入对贵州省地区总产值具有正向的影响作用，这种作用会慢慢趋于平稳；贵州省旅游业总收入对贵州省地区总产值的影响呈现出负的效应。

表4 方差分解表

此外，本文利用方差分解比较了各变量对贵州省地区总产值的贡献率，发现金融相关率对贵州省地区总产值的贡献率最大，其次是全省公路通车里程。因此，本文建议把贵州省精准扶贫的重点放在金融精准扶贫上，但也要关注交通业的发展，毕竟“要想富先修路”，只有交通发达、便利了，才能更好地促进地区经济的发展。目前贵州省的旅游业虽然还属于前期发展阶段，对经济的带动作用不大，但是贵州省应该加快旅游设施的完善，做好旅游规划，搞好旅游宣传，提高贵州旅游知名度，促进贵州省旅游业的成熟发展，从而更好地带动贵州省经济的发展。

4.2 对策建议

通过前面的分析可知，金融相关率FIR是精准扶贫的最大影响因素，金融业的发展对经济的带动作用最大。因此本文从金融角度出发，给贵州省精准扶贫工作提出了一些建议。

4.2.1 贫困户方面。常言道“扶贫先扶智”，贫困户之所以贫困，很大一部分原因是贫困户普遍受教育水平不高或者说没文化，接受新思想、学习新技术的能力弱，思想观念落后，只能靠干简单的体力活来获取收入。第一，政府需要给贫困地区的贫困群众开设教育培训课，传授贫困群众知识和技能。当地政府可以与一些高校展开合作，邀请高校大学生下乡给贫困户开展各种素质教育培训，不仅成本低，还可以锻炼当代大学生。此外当地政府还需要聘请专业人士给当地贫困户讲解当代国家的扶贫政策，传授新技术，讲成功案例，还可以不定期地组织贫困群众到其他扶贫成绩显著的地区参观学习，拓宽贫困户的视野和知识面，让他们了解外面的精彩世界，提高他们脱贫致富的信心和决心。第二，贫困群众文化水平低，思想观念落后，对金融产品不信任甚至有抵触心里，所得的收入全部存入银行，但是银行的利息很低，有时候碰上通货膨胀，存在银行的钱还会面临贬值的危险。这时就需要政府出面，一方面政府需要和金融机构合作专门针对农村这些贫困群众设计发行一些低风险高收益的金融产品，另一方面政府需要给贫困户普及这些金融产品知识，鼓励贫困户购买这些低风险的金融产品，让贫困户实现钱生钱，增加收益，提高生活水平，从而实现脱贫。

4.2.2 金融机构方面。第一，要加快完善贫困地区金融扶贫基础设施建设。金融机构需要加快完善农村金融的基础设施建设，做好贫困地区的网点规划，优化现有的网点布局，争取能够在乡镇实现金融机构网点全面覆盖，推动移动支付进村入户，提高贫困地区的金融服务能力。第二，大力发展小型金融机构。一般大型商业银行放贷规模比较大，而农村地区的贫困户较为分散而且贷款金额较少与大型商业银行放贷规模不匹配，因此需要多增设一些小型的金融机构，发展各种类型的小型金融机构。