不同贫困程度农户退耕还林的收入效应*

潘 丹 陆 雨 孔凡斌

(1. 江西财经大学经济学院 南昌330013； 2. 浙江农林大学经济管理学院 浙江省重点培育智库——浙江省乡村振兴研究院 杭州311300)

截至2019年末，我国仍有551万左右的农村人口需要脱贫(中国政府网， http://www.gov.cn/shuju/2020-01/24/content_5471927.htm)。按照国际标准，我国现存的贫困人口依然众多(程名望等， 2014)，且主要集中在生态脆弱的农村贫困地区，这些地区面临生态环境恶化与贫困之间的恶性循环，生态减贫任务异常艰巨。为此，国家实施了多项生态减贫政策措施以减缓这些地区的生态贫困状况，包括1998年以来实施的六大林业重点工程，其中的退耕还林工程是涉及面最广、投资规模最大、农村贫困人口参与程度最高、影响最大的一项重大生态修复保护工程。20多年来，我国已实施退耕还林面积近3 346万hm2，工程总投入超过5 000亿元，有1.58亿农民从国家补助粮款中直接受益(国家林业和草原局， http://www.forestry.gov.cn/main/437/201909 12/100302202763475.html)。始于2014年的新一轮退耕还林工程覆盖了18.7%的建档立卡贫困户，仅在2016—2018年3年间，在集中连片特殊困难地区有关县和国家扶贫开发工作重点县共安排退耕还林任务196.4万hm2，占3年退耕还林总任务的近3/4(中国林业网， http://www.forestry.gov.cn/main/216/20190906/102234987763566.html)。最早在2005年《国务院办公厅关于切实搞好“五个结合”进一步巩固退耕还林成果的通知》中提出将农民脱贫致富和增加农民收入列入退耕还林的目标。2014年开始的新一轮生态补偿政策明确提出优先在贫困地区开展退耕还林以解决深度贫困问题，退耕还林成为国家实施生态补偿减贫的重要抓手(吴乐等， 2018)。2015年在《中共中央国务院关于打赢脱贫攻坚战的决定》中明确提出实施生态扶贫工程。2018年国家发展和改革委员会等六部委发布《生态扶贫工作方案》进一步明确新一轮退耕还林工程建设扶贫的具体目标和任务。2020年之后，我国脱贫攻坚工作即将进入长期减缓相对贫困的战略转型新阶段，退耕还林工程作为国家重大生态建设扶贫工程，需要在稳固提升退耕农户收入水平和贫困地区巩固脱贫攻坚成果等方面持续发挥骨干示范作用。当前，退耕还林工程目标不仅限于国家和公共层面的生态可持续性，对于退耕农户而言，其经济效益的可持续性显得更为重要。退耕还林工程直接作用于农民生产领域，农户作为退耕还林工程建设参与和实施的主体，退耕后其经济收入能否有效提升将直接影响农户因贫毁林复耕的可能性，进而影响退耕还林工程的可持续性。参与退耕的贫困农户同时作为生态工程建设扶贫的主要对象，退耕后其收入水平能否得到更为有效的改善则直接关乎生态工程建设扶贫工作的成败。为此，在我国全面推进生态扶贫的重大战略背景下，有必要从生态工程建设扶贫效应的目标视角，评估农户参与退耕还林工程后的收入变化及其减缓贫困的效应机制，进而为完善我国生态扶贫政策提供理论依据。

1 退耕还林工程对农户收入影响的研究进展

已有大量的研究从总体层面分析农户退耕还林收入效应，得出的结论存在较大分歧。有的学者认为退耕还林工程对农户收入有积极影响(Wang， 2003； 韦荣华， 2004； 李若凝， 2004； 王秋菊等， 2009； 卢悦等， 2019)，而有的学者则认为影响不显著甚至有负向影响(徐晋涛等， 2004； 郭晓鸣等， 2005； 易福金等， 2006； 韩洪云等， 2010； 谢旭轩等， 2011； 韩秀华， 2015； 张炜等， 2019)，还有的持动态折中的观点，认为工程的增收减贫效应需要一段时间才能表现出来，存在先增长达到一定水平后又下降的倒“U”型变化趋势(甄静等， 2011)。随着研究的深入，近年来也有学者将研究视角转向退耕还林工程对贫困农户收入的影响上。易福金等(2006)运用双重差分法分析认为退耕后非农收入提高的主要原因是外出劳动时间的增加，而各农户的外出务工人数并没有发生显著变化； Uchida等(2009)采用同样的数据和方法，发现贫困农户和受教育程度高的年轻农户退耕后非农就业增加效果明显； 杨小军等(2009)采用一阶差分法分析认为退耕还林工程对以种植收入为主的贫困农户的劳动力转移有不利影响，反而对非贫困农户劳动力转移帮助较大。

还有一些研究从扶贫和消除贫困视角分析退耕还林农户的收入效应。Uchida等(2005)利用宁夏和贵州样本，用成本收益法观察到农民可能不是退耕还林工程扶贫成果的最大受益者。刘璨等(2007)使用河北、山西和内蒙古的农户面板数据，采用固定效应分析方法研究认为退耕还林工程并未过多关注扶贫的目标，对减缓贫困的效应不明显。同时，还有从退耕还林对贫困农户与非贫困农户异质性角度的分析，如Liu等(2010a)认为非贫困农户获得的退耕补贴较贫困农户获得的更多，因此削弱了退耕政策缩小收入差距和消除贫困的效果。黎洁等(2010)利用西部地区数据，采用分位数回归分析认为参与退耕对农户收入有显著的正向作用，且该作用从贫困农户到非贫困农户递减； Li等(2011)利用陕西省数据得出相似的结论。此外，李桦等(2006)采用描述性统计方法观察到退耕还林补贴政策对贫困农户收入有长期促进作用，而对非贫困农户收入的影响具有阶段性。王立安等(2013)通过比较分析发现退耕还林工程对绝对贫困和一般贫困农户的人均纯收入有积极影响，但绝对贫困农户收益最大，对富裕农户影响为负。王庶等(2017)使用2006—2010年592个国家扶贫重点县的数据研究发现退耕还林工程对贫困农户减贫效应显著。

综上可见，退耕还林工程能否提高退耕农户收入以及能够在何种程度上影响退耕农户的收入水平，尤其是工程能否有效减缓退耕贫困农户的贫困程度以及能够在何种程度上改善退耕贫困农户的收入水平等问题上，前者存在较大分歧和争议，后者尚未得到有效研究和应有关注。整体上看，既有研究存在以下不足： 一是样本数据的代表性。已有研究大多基于一个或几个省级调研数据，研究结论可能随着地区差异而彼此孤立，在评价全国层面政策实施效果的评估上难免存在偏差，仅以现有研究结果不足以对退耕还林工程有一个全局性的认识和把握，也不利于相关政策的制定和跟进。二是研究方法的科学性。现有文献主要运用描述性统计法、固定效应估计方法、倾向得分匹配法和双重差分模型进行估计，但农户是否退耕的行为与其收入之间可能存在“同时决策”，或者受到共同的不可观测因素的影响，若忽略可能会由于内生性问题造成结论不准确(Maetal.， 2016)。三是研究内容的局限性。已有文献比较缺乏对农户异质性的关注，由于农户资源禀赋的不同，工程对不同贫困程度农户的收入效应可能存在差异，由此可以认为，退耕还林工程影响农户收入的内在机制至今尚未得到完全有效的揭示。

鉴于此，本文基于2013年中国家庭收入调查数据，借鉴内生转换模型(endogenous switching regression model, ESR)构建“反事实”框架，估计和分析参与退耕还林工程对不同贫困程度农户收入水平的平均处理效应及作用机制。本文尝试在以下几个方面进行改进和创新： 一是在样本数据的使用上，本文采用的中国家庭收入调查数据样本覆盖了大多数退耕还林工程建设省份，与其他基于2～3个省份样本的类似研究相比，更具代表性和说服力。二是在研究方法的选择上，本文采用ESR模型有效解决样本选择偏差和不可观测因素所带来的内生性问题，可以使研究结论建立在更为科学和严谨的方法之上。三是在研究内容的拓展上，本文按照恩格尔系数将农户划分为3个不同贫困等级的样本进行异质分析，将有利于理解和研究退耕还林工程影响贫困退耕农户收入及其缓解贫困效应的内在机制。

2 理论分析与模型设定

2.1 理论分析与研究假设

从新古典经济学来看，参与退耕会使农户家庭耕地面积减少，而家庭作为一个独立经济代理人进行生产，当某一生产要素价格或数量发生变化时，农户会改变生产要素的投入比例，即耕地面积的减少会使农户调整其他生产要素(如资本和劳动)，这种调整对农户收入的影响可体现为直接效应和间接效应2个方面(段伟等， 2018； 张炜等， 2019)： 一是参与退耕还林导致耕地面积(自然资本)的减少会直接影响农户收入。此外，退耕补贴(资金资本)是参与工程直接发放的财政转移性收入，该收入也会对农户收入产生直接影响。二是在技术水平不变的条件下，耕地面积减少会影响农户其他生产要素的投入，由于农户主要依赖于劳动性收入(程名望等， 2015)，所以耕地减少后会促使农户对劳动要素重新配置，加速剩余劳动力的转移，进而间接影响农户收入(Linetal.， 2014)。

从退耕对农户福利的影响来看，工程能够实现农户增收的来源主要是退耕补贴(Uchidaetal.， 2005)，但由于退耕补贴到期和补贴金额较少的问题，其促进增收的效果也存在质疑(Liuetal.， 2010b； 谢旭轩等， 2011)。一方面，如果退耕补贴发放完成，农户收入可能不会增长(王庶等， 2017)； 另一方面，退耕补贴对于不同贫困程度的农户家庭来说，其增收效应也存在显著差异。在其他因素不变的情况下，随着退耕农户家庭资本的增加(即贫困等级的降低)，退耕还林工程对农户收入效应呈现出边际报酬递减的现象。通常情况下，退耕还林工程对重度贫困农户的边际增收效益大于一般贫困农户，而一般贫困农户又大于非贫困农户，其可能的原因在于： 相对于非贫困农户，贫困农户(包括一般贫困农户和重度贫困农户，下同)经济基础较为薄弱，退耕还林工程补贴的总水平相对于其家庭原有总收入具有更高的增长比例，包括退耕补贴在内的转移性收入对贫困农户具有更大的边际增长效应； 而对于非贫困农户，转移性收入可能只占其家庭收入的小部分，工程带给非贫困家庭的边际收入增长效应因此要小于贫困农户。基于此，本文提出第1个研究假设：

H1： 退耕还林工程可以通过退耕补贴或改变农户耕地面积，直接影响退耕农户的收入水平，但这一影响效应对不同贫困程度的退耕农户存在异质性。

从退耕对农户剩余劳动力的转移效果来看，参与退耕后可能引起劳动力转移后的非农收入增加(Wang， 2003； 韦荣华， 2004)。退耕还林工程实施以后引发的劳动力剩余或转移促进了生产效率，同时增加了农户外出务工等非农就业的机会，进而提高了农户的非农收入(Yaoetal.， 2010)。农村剩余劳动力的转移引致农业结构调整，也能够促进农户增收(李若凝， 2004； 王秋菊等， 2009)。但是，这个过程对于不同贫困程度的农户存在2个方面的可能影响： 一是工程减少了农户对传统农业的依赖，使农户收入多元化，但存在扩大不同贫困农户收入差距的可能。工程能否实现劳动力从农业到非农的转移及转移的效率问题往往受限于农户的文化水平或是否掌握非农就业技能。一般来说，非贫困农户平均受教育年限高于贫困农户，且非贫困农户更有可能投资与提升除基本生存以外的劳动技能，即贫困农户特别是重度贫困农户，缺乏资金和社会资源等问题更难建立与劳动力市场需求相匹配的劳动技能(张炜， 2019)，所以非贫困农户无论是成功获得非农就业的机会还是得到更高劳动回报的概率都更高，故存在拉大不同贫困程度农户间收入差距的可能。二是工程实现参与退耕农户非农收入增长可能不是以增加外出就业人数的方式，而是以非农劳动时间增加的形式(易福金等， 2006)。不同贫困程度农户对工程促使劳动力转向非农生产和就业的反应也存在差异，如对非贫困农户和一般贫困农户，在参与退耕前后其非农就业人数的变化不大，但因农地面积减少而释放的劳动时间却可以转移到非农劳动上，而对重度贫困农户来说，该群体多为残疾户或重病户，故不管是增加劳动转移人数还是劳动供给时间都比较困难。基于此，本文提出第2个研究假设：

H2： 退耕还林工程能够引起农业剩余劳动力转移等带来的非农收入变化，间接改变农户的收入结构，但这一影响效应对不同贫困程度农户存在差异。

2.2 模型构建

采用内生转换(ESR)模型，借鉴朱长宁等(2015)和段伟等(2018)构建农户收入决定方程：

Yi=αCi+βXi+μi。

(1)

式中：Yi为农户i的家庭收入水平(取对数)；Ci为农户是否参与退耕还林的决策，C=1表示农户参与退耕还林(称为“退耕农户”)，C=0表示农户未参与退耕还林(称为“非退耕农户”)；Xi为影响农户家庭收入水平的个人特征、家庭特征、经营特征以及一些外部环境特征等因素。由于每个地区退耕还林的力度和程度都不一样，为了控制地区差异对农户收入的影响，式中还设置了省份虚拟变量； α和β分别为对应的待估系数，μi为服从独立同分布的残差项。

模型(1)中的参数能够准确量化农户参与退耕还林的收入效应的前提是农户随机选择参与退耕还林。然而，本文使用的是调查数据，这一决策是农户在各种约束条件下基于预期收益的最优选择，并非随机。因此，本文借鉴Maddala(1983)提出的ESR模型能够有效解决由可观测变量和不可观测变量带来遗漏变量内生性问题及处理效应异质性问题(Maetal.， 2006； Di Falcoetal.， 2011； 杨志海， 2019)。

ESR模型的估计思路为： 第1步，使用Probit或Logit模型估计农户参与退耕的选择方程(史常亮等， 2017)； 第2步，建立农户家庭收入水平决定方程，估计农户参与退耕还林工程导致的收入水平变化。具体包括以下3个方程：

行为方程(是否参与退耕还林)：

Ci=δZi+μi；

(2)

结果方程1(处理组，即退耕还林组的收入水平方程)：

Yit=βtXit+εit；

(3)

结果方程2(控制组，即非退耕还林组的收入水平方程)：

Yiu=βuXiu+εiu。

(4)

式中：Ci表示农户是否参与退耕还林的二元选择变量，Zi是影响农户是否参与退耕还林的各类因素，μi是误差项；Yit与Yiu分别表示退耕农户与非退耕农户的收入水平，Xit与Xiu是一系列影响农户家庭收入水平的因素，εit与εiu为结果方程的误差项；δ、βt和βu分别为对应的待估系数。需要说明的是，为保证ESR模型的可识别性，模型允许Zi中至少有一个变量(识别变量)不包含于Xi中，并且该变量应直接影响农户的行为，而不直接影响收入水平。

ESR模型能够比较处理组(退耕农户)和控制组(非退耕农户)农户分别在实际情况下与反事实假设情况下的家庭收入期望值，以此估计农户是否参与退耕还林的平均处理效应和异质性效应。

退耕农户的收入期望值(处理组)：

E[Yit|Ci=1]=βtXit+σtλit；

(5)

非退耕农户的收入期望值(控制组)：

E[Yiu|Ci=0]=βuXiu+σuλiu。

(6)

同时考虑2种反事实假设情景，即退耕农户若未参与退耕情形下的家庭收入期望值：

E[Yiu|Ci=1]=βuXiu+σuλiu；

(7)

非退耕农户若参与退耕情形下的收入期望值：

E[Yit|Ci=0]=βtXit+σtλit。

(8)

式中：λit和λiu分别表示由不可观测变量带来的样本选择性偏误，σt和σu则为对应的待估系数，若其不为零，说明有必要纠正由不可观测变量带来的样本选择性偏误。式(5)-(8)所得到的收入见表1。以表1为基础既能够定义处理组和控制组平均处理效应，又可以定义相应的异质性效应。其中，ATT表示退耕还林组的平均处理效应，ATU表示非退耕还林组的平均处理效应，HT表示退耕还林组收入与非退耕还林组反事实收入之间的差异，HU表示非退耕还林组收入与退耕还林组反事实收入之间的差异，而Δ则表示克服了自选择问题和异质性偏差之后退耕农户组与非退耕农户组的收入差距(金江等， 2018)。

表1 处理效应和异质性效应①

3 数据来源与变量统计描述

3.1 数据来源

数据来源于2013年中国家庭收入调查数据(China Household Income Projects 2013，以下简称CHIP 2013)。CHIP 2013是一项在国家统计局协助下完成的在全国范围内展开的、截面式的研究数据库，系统记录了2013年各家庭住户的生产经营情况，研究样本囊括了退耕还林工程的大多数参与省份。该数据包括城镇住户、农村住户和流动人口3种类型，本文致力于研究退耕还林工程对农户收入的影响，因此剔除城镇样本。由于流动人口问卷的设计与农村住户问卷有很大的差异，很多指标难以匹配，故又将流动人口样本剔除。此外，该数据库中的收入数据由2部分组成，一部分是从国家统计局的数据库中直接过录的，比普通问卷调查方式一次性回忆的数据更加准确，故采用此数据作为本文实证分析的农户家庭收入数据；另一部分是委托国家统计局调查队以问卷调查的方式采集的，可作为替换被解释变量进行稳健性检验。这2部分收入数据均从家庭和个人2种统计口径下收集，为了不低估家庭成员的收入状况，同时鉴于中国农村普遍是以家庭作为生产经营决策单位，因此将研究单位锁定在家庭暨本文所定义的农户级层面。最后再剔除没有实施退耕还林政策省份和缺失家庭特征数据后，最终得到7 150户数据，其中退耕还林农户1 259户，非退耕还林农户5 891户。

3.2 变量设置

因变量设置为农户家庭人均收入水平。参照邢祥娟(2014)的方法，选取人均可支配收入作为被解释变量，按照收入结构，将人均可支配收入划分为人均工资性收入、人均财产性收入、人均经营性收入和人均转移性收入，并将各项收入数据取对数值。其中人均可支配收入反映农户家庭总收入水平，工资性收入是农户通过就业或零工的形式获得的劳动报酬，经营性收入主要是农户从事粮食种植和饲养家禽等农业生产活动得到的收入，转移性收入是农户获得的包括退耕补贴在内的各种收入转移，财产性收入则是农户对外投资和财产租赁等取得的收入。

核心自变量设置为是否退耕还林。将是否参与退耕还林作为处理变量，通过询问受访者家庭“是否参加过退耕还林还草项目”判断其退耕行为(0、1变量，参与退耕=1)。样本农户中参与退耕还林有1 259户，占总样本的17.61%。

控制变量设置为2类： 一是户主个体特征，如户主性别、年龄、受教育年限、健康状况及户主兄弟姐妹的个数； 二是家庭特征，如该户常住人口比例、劳动力人数、男性比例、是否干部户、人均疾病天数、人均经营土地面积、人均公共工程天数。此外，为了控制地区差异对估计结果的影响，生成并控制省份虚拟变量(朋文欢等， 2017)。其中，家庭常住人口比例越低的农户参与退耕的概率越高，其原因可能在于该类农户人口多数选择外出务工，在家务农人口缺乏，退耕是农户对家庭务农劳动力缺乏的适应性选择。其次，干部户家庭、人均经营土地面积更多的家庭，选择参与退耕还林的可能性更高。干部户也更愿意参与退耕还林，一方面可能是出于对国家政策起示范带头作用的意愿，另一方面干部户对政策的了解和拥有的社会资源更多，对政策的实施更容易。人均经营土地面积更多的农户也更有可能选择退耕还林，主要原因在于经营土地面积越大就需要越多的劳动力，而家庭中劳动力的数量是一定的，经营土地劳动力存在相对剩余，还可能是因为农户依据自身效应最大化的原则，将经营土地的收益去换取参与退耕收益的机会成本可能更小。

识别变量设置为农户人均亲邻帮工天数。亲邻帮工所付出的劳动是没有收入或报酬的(张炜， 2019)，但这一指标能体现农户家庭社会关系、资源和参与公共事务的积极性等，而这些因素会影响农户是否选择参与类似退耕还林这样的公共事务活动。即该变量只对是否参与退耕有影响，对农户的家庭收入没有影响。为了验证该识别变量的有效性，将农户人均亲邻帮工天数与其他变量一起分别对农户是否参与退耕、影响结果方程(表4)的因变量进行回归。结果显示，农户人均亲邻帮工天数在1%显著性水平上影响了农户参与退耕的选择，但对农户收入因变量则无显著影响，说明该识别变量的选取是合适的。

3.3 变量描述性统计

从表2中主要解释变量的描述性统计中可以发现，在户主个人特征中，退耕农户户主的平均年龄更大，受教育年限更低，且健康状况也相对较差。从家庭特征中可以发现，退耕农户与非退耕农户在男性比例、是否干部户和人均经营土地面积变量上均无显著差异，劳动力人数有显著差异，退耕农户家庭常住人口比例低于非退耕农户，人均疾病天数和低保比例高于非退耕农户。从人均参与公共工程天数看，退耕农户家庭参与公共工程的天数更多。从以上主要解释变量的描述中可以发现，参与退耕的农户家庭各项收入更低，不仅如此，退耕农户户主的健康状态差于非退耕农户，且家庭人均疾病天数和低保比例等都高于非退耕农户，这表明存在贫困农户更愿意参与退耕的可能。从识别变量看，选择参与退耕的农户其人均亲邻帮工天数会更多，显著高于非退耕农户家庭，这也验证了选取该变量的依据。除此之外，表2中的绝大多数变量的差异值均显著，这说明农户是否参与退耕还林存在样本自选择问题，因此，有必要使用内生转换模型克服选择偏差，以获得更加准确的估计结果。

表2 退耕农户与非退耕农户的主要变量情况描述性统计①

4 结果与分析

本文借鉴尹海洁等(2009)提出的修正的恩格尔系数将7 150份农户家庭样本划分为3个不同贫困等级的子样本，分别重新拟合内生转换模型，并根据模型的拟合结果得到反事实情况下的结果，估算参与退耕还林对不同贫困程度农户收入的处理效应和异质性效应。为进一步了解退耕还林对不同贫困程度农户的增收机制，从家庭收入结构的角度分别分析退耕还林对农户收入的直接与间接影响效应。

4.1 不同贫困程度农户参与退耕还林决策与农户收入模型联立估计

表3展示了不同贫困程度农户参与退耕还林决策对其家庭收入水平的影响效应方程的估计结果。其中，每个模型的第1列是农户参与退耕还林决策影响因素估计结果，后2列分别是退耕农户与非退耕农户收入水平的影响因素估计结果。表中ρt与ρu分别表示选择方程与退耕农户、非退耕农户家庭收入水平影响效应方程误差项的相关系数，从回归结果可以发现，不同贫困程度农户的选择方程和结果方程的相关系数均显著，除了模型2的联合独立似然比没能通过检验，其余2个子样本模型均通过了显著性检验。为此，有必要纠正由不可观测因素引起的样本选择性偏误问题。从样本回归结果来看，首先，对不同贫困程度的农户家庭，影响其是否参与退耕还林决策的因素存在差异。其中，常住人口比例对3个贫困等级农户的退耕决策均有显著负向影响，即常住人口比例越低，农户参与退耕的可能性就越大。具体来看，对于非贫困农户而言，户主年龄和家中有人是干部对其退耕决策有正向影响，且分别在10%和5%统计水平上显著。对于一般贫困农户而言，家中有人是干部也对其有正向影响，在10%统计水平上显著。对于重度贫困农户而言，人均经营土地面积对其选择参与退耕还林有显著正向作用，在1%统计水平上显著，表明重度贫困农户若拥有的人均经营土地面积越多，参与退耕的可能性就越大。其次，从不同子样本模型的结果方程中可以看出，不同贫困程度的农户收入影响因素不尽相同。其中，户主的健康状况对不同贫困程度退耕农户收入来说都是负向的，但仅对重度贫困退耕农户有显著的影响，其原因可能在于户主健康状况差会增加医药支出。家庭劳动力数量、人均经营土地面积和男性比例对不同贫困程度非退耕农户收入均有显著正向影响，其中，劳动力的数量越多或家庭人均土地经营面积越大，农户可获得的收入也就越多； 农户收入的主要承担者是家庭中的男性，农户家庭中男性比例越大，其收入可能就越高。最后，不同贫困程度农户模型中的退耕农户与非退耕农户的收入影响因素也不相同。非贫困农户和一般贫困农户中户主年龄对非退耕农户有正向显著影响，但对退耕农户的影响不显著，且有正有负。户主受教育年限和是否是干部户仅对一般贫困农户中的非退耕农户有正向显著影响，且是干部户对非贫困样本中退耕农户的收入有显著负向影响，可能的原因在于非贫困农户的增收来源并不依赖退耕还林补贴，干部户选择参与退耕反倒会对其劳动力的分配有影响，进而给家庭收入带来负面影响。

4.2 处理效应和异质性效应

依据内生转换回归模型(ESR)得到反事实结果，确定在参与退耕和未参与退耕2种情形下的期望收入，并基于表3的结果和表1的定义，得到相应的处理效应和异质性效应，并将不同贫困程度农户子样本一并报告在表4中。

表4展示了退耕还林对不同贫困程度农户的收入效应。从非贫困农户来看，处理组的平均处理效应(ATT)为-0.457 ，说明对于已经参加退耕还林的非贫困农户，如果没有选择退耕还林，其家庭收入水平将提高45.7%； 控制组的平均处理效应(ATU)为1.552 ，表明对于未参与退耕还林的非贫困农户，如果参与退耕还林，其家庭收入将提高155.2%。以上结果说明对于未参与退耕非贫困农户来说，若参与退耕还林则会增加其家庭收入。这一结果似乎与农户根据自身效用最大化做出的决策相悖，但如前文的描述性统计中所述即家庭收入较低的农户选择参与退耕的可能性更大，则这一结果可以解释为： 非退耕农户多为收入较高的农户，因退耕补贴对其家庭收入增长的边际效应较小，农户根据自身效用最大化原则倾向于不选择参与退耕。然而，一旦这部分农户选择参与退耕，则有可能以其资金或其他技能优势更快地实现劳动力转移，进而更快地实现家庭收入增加。

为了更清楚地展现退耕决策对一般贫困农户和重度贫困农户的收入效应，本文分别给出退耕农户和非退耕农户在2种情境下的家庭收入的概率密度分布(图1、图2)。一般贫困退耕农户(图1a)和重度贫困退耕农户(图2a)若不参与退耕，其收入的概率密度函数曲线向左移动，表明在考虑了选择偏误的情况下，参与退耕能有效提升其收入水平，ATT值分别为0.095 和0.255 ，表明如果没有选择退耕还林，其家庭收入水平将分别减少9.5%和25.5%。一般贫困(图1b)和重度贫困(图2b)的非退耕农户若参与退耕，其收入的概率密度分布曲线将向左移动，平均处理效应(ATU)分别为-0.538 和-1.428 ，表明如果选择参与退耕还林，其家庭收入将分别降低53.8%和142.8%。从以上结果可以看出，一般贫困农户和重度贫困农户选择参与退耕还林均可以显著增加其家庭收入水平，且重度贫困退耕农户的增收效应更大。

在一般贫困农户子样本中，HT的估计值说明若一般贫困的非退耕农户选择参与退耕，将比实际参与退耕的一般贫困农户家庭收入水平低41.2%，反过来，HU的估计值说明，如果一般贫困退耕农户没有参与退耕，其收入水平将比实际未参与退耕的一般贫困农户低22.1%。在重度贫困农户子样本中，HT的估计值说明如果重度贫困的非退耕农户选择参与退耕，将比实际参与退耕的重度贫困农户收入水平低139.4%，反过来，HU的估计值说明，如果重度贫困退耕农户没有参与退耕，其家庭收入水平将比实际未参与退耕的重度贫困农户低28.9%。以上结果表明，参与退耕还林工程对一般贫困农户和重度贫困农户均有正向影响，其收入水平均较反事实情况下得到显著提高，且2种影响效应估计结果的方向不一致，印证了一般贫困农户和重度贫困农户参与退耕还林的选择上是基于其自身的比较优势所做出的决策(Borjas, 1987)。

表3 不同贫困程度农户的ESR回归结果①

表4 不同贫困程度农户收入的处理效应和异质性效应的测算结果①

图1 2种情景下一般贫困农户的家庭收入概率密度

图2 2种情景下重度贫困农户收入概率密度

4.3 稳健性检验

以上研究结果的稳健性可能会受到以下2个方面的影响： 一是极端值问题； 二是得到的处理效应和异质性效应可能受到了其他因素的干扰(金江等， 2018)。因此，需要围绕这2个方面问题展开稳健性检验。一是收入极端值稳健性检验。借鉴Falck等(2016)的做法，剔除收入低于第5百分位和高于第95百分位的观测值，对模型进行重新估计。结果表明，收入极端值被剔除之后，对应的处理效应和异质性效应结果没有发生改变，说明之前的估计结果是稳健的。二是替换被解释变量的检验方法。鉴于本文采用的数据库有2种收入统计方式，一种是通过国家统计局过录的农户数据，即前文分析中所采用的数据，另外一种是入户调查时得到的收入数据。故采用入户调查的收入数据作为稳健性检验的被解释变量进行重新估计，结果表明，退耕还林对不同贫困程度农户的处理效应并无显著变化，也说明了之前得出的结论是稳健的。

4.4 影响机制分析

从前文的实证结果可以得出，参与退耕对一般贫困农户和重度贫困农户收入有显著的增收效应，但是，退耕还林具体是通过哪一部分收入实现增收以及增收的效果如何？对于不同贫困程度农户，退耕还林是直接还是间接地影响其收入？为了进一步剖析参与退耕对不同贫困程度农户增收的影响机制，同时验证前文中的2个假设是否成立，按照收入结构将农户收入划分为可以体现直接效应的人均转移性收入和人均经营性收入，以及能够体现间接效应的工资性收入和财产性收入，分别估计参与退耕对不同贫困程度农户不同收入类型的处理效应(表5)。

表5 退耕对不同贫困程度农户不同收入影响的处理效应

从直接影响看，退耕还林工程只对退耕农户中的重度贫困农户的人均转移性收入和人均经营性收入的平均处理效应显著为正，这表明工程能够通过转移性收入和经营性收入的方式直接增加重度贫困农户的家庭收入，与不参与退耕的反事实情况相比，分别提高了15.9%和18.6%。这一结论印证了假设1，即退耕还林工程可能通过退耕补贴或改变农户耕地面积，直接影响退耕农户收入水平，但这一直接影响效应仅对重度贫困农户收入是正向显著的。

从间接影响看，退耕还林工程对不同贫困程度的退耕农户人均工资性收入的处理效应均为正，这表明退耕还林工程可通过劳动力转移等其他形式间接影响农户收入结构，促进非农收入的增长，工资性收入作为农户劳动力转移后最主要的非农收入来源也是其收入的主要部分，在农户选择退耕后均有不同程度的增加。相对于未参与退耕的反事实情况，退耕分别带动非贫困农户工资性收入提高4.0%，一般贫困农户提高7.9%，而重度贫困户提高了24.6%。这一结论印证了假设2，即退耕能够引起农业剩余劳动力转移等非农收入变化，间接改变退耕农户的收入结构，且退耕对退耕农户人均工资性收入的增长效应随着贫困程度的加深而变大，即退耕对重度贫困退耕农户的工资性收入的效应最大。

整体上看，退耕还林工程可直接或间接地影响退耕农户的收入水平，且对不同贫困程度退耕农户的增收效应在不同的收入类型上存在不同。非贫困和一般贫困退耕农户参与退耕仅对其工资性收入有正向处理效应，且一般贫困退耕农户的正向效应要大于非贫困退耕农户。重度贫困退耕农户参与退耕能够使其家庭收入从直接和间接两方面得到改善，且间接影响的正向处理效应大于非贫困和一般贫困农户。

5 结论及政策建议

本文基于2013年中国家庭收入调查数据中的7 150户农村住户样本(其中退耕农户样本1 259户，非退耕农户样本5 891户)，采用内生转换模型估计农户退耕还林的收入效应，并通过构建“反事实”分析框架，得出不同贫困程度农户参与退耕还林工程的平均处理效应和异质性效应，用以检验退耕还林工程能否有效提升退耕农户收入水平。基于收入类型进一步剖析工程对不同贫困程度农户收入影响的直接效应和间接效应，进而明确工程对退耕农户收入效应的影响机制，得出以下结论：

1) 从反映农户整体收入水平的人均可支配收入来看，退耕还林工程能有效提升一般贫困退耕农户和重度贫困退耕农户人均可支配收入水平，与没有参与退耕的反事实情况相比，其收入水平将分别提高9.5%和25.5%，且重度贫困退耕农户的增收效应大于一般贫困退耕农户。

2) 从工程对不同贫困程度农户收入影响的直接效应来看，参与退耕对重度贫困农户人均转移性收入和人均经营性收入有显著正向的影响，与未参与退耕的反事实相比，重度贫困农户参与退耕后其人均转移性收入和人均经营性收入分别增加15.9%和18.6%。

3) 从工程对不同贫困程度农户收入影响的间接效应来看，非贫困农户和一般贫困农户的人均工资性收入较未参与退耕的反事实情况，分别提高4.0%和7.9%，而工程对重度贫困农户的间接影响效应大于非贫困和一般贫困退耕农户，其人均工资性收入在参与退耕后可以增加24.6%。

在考虑了测量误差和极端值问题及排除其他干扰因素后，本文的结论依然稳健。

基于以上结论，本文得出以下政策启示：

1) 针对不同贫困程度农户实行差异化补贴。农户参与退耕还林工程获得的退耕补贴是其最直接的增收来源，也是带动农户参与退耕的直接动力。考虑到不同贫困程度农户对退耕补贴在内的转移性收入的敏感性不同，结合2020年之后国家扶贫攻坚进入减缓相对贫困及长期减贫的战略转型需求和工程的扶贫增收目标，在退耕还林工程规模拓展与后续管理管护过程中，工程任务和资金安排面对不同贫困程度农户时，实施差异化补贴，将资金更多地向相对贫困尤其是对退耕补贴更为敏感的重度贫困农户倾斜。同时，将相对贫困人口纳为退耕还林工程优先对象，通过项目和资金的精准瞄准，提高补贴资金扶贫减贫的配置效率以及生态建设工程扶贫绩效。

2) 适度提高补贴标准，延长补贴期限。当前的退耕补贴存在相对标准偏低与补贴时间偏短的现实问题，为了更好地带动贫困农户参与退耕，同时为避免已退耕农户因收入减少而复耕，政府应提高补贴标准，提高退耕补贴在贫困农户收入中的比例，延长补贴年限。更为重要的是，要探索实行以退耕还林生态系统服务功能价值与退耕农户福祉改善为基础的永久性生态补偿制度，以替代和对接现行基于建设工程项目管理的财政补助政策。与此同时，还需配套优化工程资金使用绩效的评价标准，将工程的长期减贫绩效纳入考核体系，推动工程生态扶贫管理运行机制的创新。

3) 加强对退耕贫困农户非农生产和就业的专业知识和技能培训。一般来说，受教育水平更高或掌握非农就业技能的退耕农户获得非农就业机会和更高工资性收入的可能性更大，而退耕还林工程对不同贫困程度退耕农户的间接影响效应随贫困程度增加而越显著。为此，政府要配套建立重点面向退耕贫困农户的就业指导与定向培训计划，提高贫困农户非农就业人力资本能力，提高就业竞争力与工资水平，推动贫困退耕农户收入的多元化。