西部地区财政干预的多维减贫效应研究

2024-01-23李佳殊马长发

青海金融 2023年12期

■ 李佳殊马长发

（新疆财经大学新疆乌鲁木齐 830012）

一、文献综述

截至2020 年底，我国区域整体贫困问题已得到解决，消灭绝对贫困的使命圆满完成。但是，这并不意味着扶贫工作已经结束，它标志着我国扶贫工作进入到一个新的阶段，即相对贫困的治理。我国的扶贫工作已由“消灭绝对贫困”转向“减轻相对贫困”，西部地区多维相对贫困问题制约着扶贫工作的稳定性与可持续性。

Townsend 最早开始相对贫困领域的研究。相对贫困是指个人或家庭与一定的参照群体相比所面临的相对剥夺，他们的选择空间受到限制，收入来源变少，生活水平降低。相对贫困不仅仅是经济上的贫困，它还包含更深层次的内容，例如脆弱性、社会存在感弱、社会排斥等精神层面的内容，且它更侧重社会层面上的“相对剥夺感”。相对贫困表现为收入不足，进而导致其在教育及生活质量等方面的投入不能达到社会期望水平，从而陷入了多维相对贫困。

我国关于多维相对贫困的研究仍处于萌芽期，学术界对于相对贫困的关注度在2020 年后才明显上升。王小林（2009）估计了中国城乡居民的相对贫困维度，结果显示：各个维度对于居民贫困指数的贡献比较突出，但是收入维度除外。后来，邹薇等人（2011）利用AF 多维贫困测度，分析了城乡多维相对贫困人群的内在差异，这一研究丰富了多维相对贫困理论在中国扶贫领域的应用。邢成举等（2019）指出相对贫困有相对性、发展性及多维性等显著特征，因此，应当制定新的多维度标准和扶贫治理策略。姜安印等人（2021）认为相对贫困具有基于群体、主观效能及区域差异的相对性，包含收入、发展机会、社会参与权以及社会剥夺感等维度的多维性。

国内外学者对相对贫困进行了长期的研究，为后续研究者进一步深入研究奠定了坚实的基础，也为本文开展研究提供了重要的理论参考，但同时以往研究也存在一定的局限性。首先，在研究相对贫困问题时，许多学者通常只关注经济相对贫困，并使用单一的统计指标来衡量相对贫困。然而，这种方法未能全面分析或探讨相对贫困问题，相对贫困不仅仅包括经济困难，还包括住房不足、缺乏清洁水源、健康状况差和教育机会有限等方面。其次，尽管有一些学者已经开始从多维度的角度研究中国当前的相对贫困状况，但很少具体涉及到特定地区或区域，有针对性地研究西部地区的多维相对贫困情况就更少。

基于以上两点，本文采用西部地区十二省份2011～2021年多维相对贫困的相关数据，构建包含收入与福利在内的多维相对贫困指标体系，使用AF 双临界值法对现阶段西部地区多维相对贫困进行测度，并探究西部地区财政干预对多维相对贫困的作用机制和效应。

二、数据指标与模型构建

（一）数据来源

本文的数据来源于《中国统计年鉴》《中国社会统计年鉴》《中国卫生统计年鉴》《中国农村统计年鉴》等统计年鉴，对缺失数据采用插值法以及ARIMA 法予以补齐。

（二）西部地区多维相对贫困的指数构建

1.西部地区多维相对贫困指标体系的构建。学术界至今尚未就相对贫困指标建立一致的标准，目前主流的指标为多维贫困指数（MPI）。例如，Alkire and Foster 从健康、教育和生活水平3 个维度对多维相对贫困指数进行测度，Guo Xibao 和Zhou Qiang 从收入、教育、健康、医疗服务、就业、生活质量6 个维度进行测度。本文从经济发展、社会发展、生态环境这三个维度中选取24 个指标，构建西部地区多维相对贫困指数体系，具体如表1 所示。

表1 西部地区多维相对贫困指标体系各维度权重

2.BP 神经网络评价模型。BP 神经网络具有自适应性强、学习能力强、处理效率高等优点，因此在众多评价模型中应用广泛。该模型主要分为三个部分：输入层、隐藏层和输出层。在实际应用中，BP 神经网络评价模型对于提高决策的科学性和精准性具有重要的作用。因此，本文利用BP神经网络对24 个三级指标的权重进行测度。在处理非线性问题时，BP 神经网络可以更好地减小主观偏误，具体的计算步骤如下：

其中，k 表示隐含单元，k=1,…，K；fnm代表相关系数；Fnm为相关指数；Wkn表示输入层神经元n 以及隐含层神经元k 之间的权系数；Wmk是输出层神经元m 和隐含层神经元k 之间的权系数，Cnm表示绝对影响系数，即24 个相对贫困评价指标的权重（见表1）。

3.多维相对贫困的识别。根据Amartya Sen 的可行能力剥夺理论，本文使用Alkire 和Foster 开发的贫困指数作为衡量多维贫困的基本分析框架，主要分为以下四个步骤：单指标相对剥夺识别、多指标相对剥夺识别、多维相对贫困的加总、多维相对贫困的分解。

（1）单指标相对剥夺识别（第一重剥夺）。假定社会中有n 个独立个体，任取其中一个个体i，i 的社会福利状况由经济社会机会、政治等共d 个指标度量（d ≥2）设定，是维矩阵，表达式如下：

其中，Xij表示家庭（个体）i 在指标j 上的水平值，其中，使用指标临界值建立剥夺矩阵，g0的表示如下：

指标j 被剥夺的临界值用Zj（Zj＞0）代表，是各指标的临界值。如果Xij＞Zj，g0=0，表示该家庭（个体）i在指标j 上未被剥夺；而g0=1，表示该家庭（个体）i 在指标j 上被剥夺。

（2）多指标相对剥夺识别（第二重剥夺）。考虑多维时，要计算每个家庭被剥夺的指标，和临界值（k）对比，判断其是否为多维相对贫困。具体分为三个步骤：首先，对每个指标赋予权重，令wj（）表示各指标的权重，加权剥夺矩阵构建如下：

其次，计算个体i 在所有维度上的剥夺总分数，令ci为家庭i 被剥夺的指标数值，加总可得家庭i 被剥夺的指标总数值。

最后，设剥夺临界值（k）判定家户是否多维相对贫困准则，如果被剥夺的指标数比临界值大，表明是多维相对贫困，否则不是。调整后的剥夺矩阵g0（k），其表达式如下：

（3）多维相对贫困的加总双临界值方法。参考FGT 指数关于贫困发生率的概念。q 为多维相对贫困家庭数，总家庭数s，多维相对贫困发生率为H，则：

修正的多维贫困指数M0，以解决多维贫困发生率H 对剥夺的深度不敏感问题。H 乘以平均剥夺份额（剥夺强度）A 得到M0。

令多维贫困指数为M0，则：

（4）多维相对贫困的分解。βj所表示的指标（维度）的贡献率如下：

（三）计量模型

本文的被解释变量为西部地区十二个省份的多维相对贫困指数，核心解释变量为政府财政干预，通过熵值法对政府财政干预评价指标体系进行综合评价而得，具体评价体系如表2 所示。另外，本文还选取了市场化、科技创新水平、农业发展、产业结构、城镇化、人均消费水平、对外开放水平作为控制变量，本文设定的模型为：

表2 政府财政干预评价指标体系

在模型中，i 和t 分别表示省份和时间，MPIit表示西部地区多维相对贫困指数，GOVit表示政府财政干预水平，CONTROLit表示一系列控制变量，和分别代表省份和年份固定效应，为随机干扰项。

三、乡村振兴背景下西部地区多维相对贫困的测度

本文采用AF 法对西部地区多维相对贫困指数进行测算，并借鉴汪三贵等（2021）的研究成果，采用比例法将第一重临界剥夺值设置为2021 年各项指标中位数的70%，若数值高于该临界值，表示该数值对应的个体在某指标上未被剥夺，赋值为零；反之赋值为1，表示该个体在某指标上被剥夺。

第二重剥夺临界值k 的选择在多维相对贫困指数的计算中非常重要。k 的值没有统一的标准，大多数学者根据经验将k 值视为约1/3，本文将临界值k 定义为0.3，并以k 为0.2、0.4、0.5、0.6、0.7 和0.8 作为参照来测量西部地区多维相对贫困指数，以描述西部地区多维相对贫困状况的变化，测算结果如表3、表4、表5、图1 所示。

图1 2011-2021 年西部地区多维相对贫困指数热力图

表3 西部地区多维相对贫困指数下降幅度

表4 2011～2021 年西部地区多维相对贫困识别结果

表5 变量说明

通过AF 法计算得到我国西部地区十二个省份的多维相对贫困指数，根据贫困指数得分，可将这十二个省份的多维相对贫困指数分为5 个等级，多维贫困相对指数属于（0.0795，0.3104）区间时为轻度多维相对贫困类型，属于（0.3104，0.6899）时为中度多维相对贫困类型，属于（0.6899，0.8425）为重度多维相对贫困类型。本文利用ArcGIS10.2 软件绘制的西部地区各省份多维相对贫困指数热力图如图1 所示，颜色越深表示贫困程度越深。

由图1 可知，在2011～2021 年间，从整体来看西部地区的多维相对贫困指数逐年递减，表明西部地区的多维相对贫困状态有了极大的改善，尤其是自2017 年起，重度多维相对贫困省份已消失，并且至2021 年都未再次出现。出现这种情况一定程度上表明乡村振兴对于缓解多维相对贫困状况起到了一定的作用。其中值得关注的是虽然大部分省份都已呈现轻度多维相对贫困状况，但是西藏、云南和甘肃这三个省份仍处于中度多维相对贫困状况。

从表3 可知，从多维相对贫困指数下降幅度来看，四川、广西、陕西这三个省份的多维相对贫困指数下降幅度最大，青海、甘肃、西藏这三个省份的下降幅度最小。

西部地区整体的多维贫困测算结果如表4 所示，从总体来看，我国西部地区的多维相对贫困有以下几个特点：一是西部地区的多维相对贫困指数、贫困发生率以及平均缺失份额都在逐年下降，说明西部地区的多维相对贫困在贫困广度和贫困深度方面都有所缓解；二是当k=0.2 时，在2017 年实施乡村振兴战略之后，贫困发生率从100%下降到75%，并且呈现逐年递减的趋势；三是随着多维贫困k值的增加，多维相对贫困指数逐渐减小。当k 在0.2–0.6范围内时，多维相对贫困指数的下降幅度最大，且超过0.6之后，三个指标的值都较低，但是仍存在一定波动，说明随着贫困标准的提高，西部地区的多维相对贫困的问题也逐渐突出。

四、乡村振兴背景下政府财政干预减缓西部地区多维相对贫困的实证研究

（一）变量选择

本文基于2011～2021 年间西部地区十二个省份的面板数据构造实证模型，在研究相关文献的基础上，选择以下几个变量展开实证分析，具体选取的变量如表5 所示：

（二）基准回归分析

通常，对面板数据进行实证分析时，可以选择固定效应、随机效应或混合效应等模型。模型的适用性可以通过豪斯曼检验来确定。当豪斯曼检验的p 值小于0.05 时，表明固定效应模型是合适的选择。因此，本研究使用双向固定效应模型（FEM）来对面板数据进行分析，具体结果如表6 所示。

表6 基准回归实证结果

实证结果表明，政府财政干预通过了显著性检验，并且其影响系数显著为负，当政府财政干预水平提高1%时，西部地区多维相对贫困指数可下降0.415%，这充分证明政府财政干预对于推进西部地区的减贫工作有良好的促进作用。

（三）稳健性检验

在进行基准回归时，加入对实际情况的考虑可能会对估计结果产生不确定性影响，本文为了进一步检验上述结论的可靠性，对该固定效应模型进行稳健性检验，结果如表7 所示。

表7 稳健性检验结果

1.改变核心解释变量。结合文献与前文中关于多维相对贫困指数的测算，加入生态环境支出来测度生态环境投入水平。新加入生态环境支出后，政府财政干预的系数变化较小，说明教育支出、社会保障支出、医疗健康支出和财政分权这四个变量基本可以涵盖政府财政干预对于减贫的影响路径。

2.改变样本容量。根据AF 法的测算，重庆在西部地区的多维贫困指数最低，且相对于其他西部省份，重庆的经济发展水平较高。因此，在进行双向固定效应回归时，删除了重庆的样本。根据表7 的稳健性结果显示，政府财政干预对多维相对贫困的减缓仍然有效，并且显著性水平变化较小。综上所述，本文的基准回归结果相对稳健，即本文的计量模型得出的结论较为可信。

（四）中介效应分析

学者的研究发现在后扶贫时代，政府财政可以通过促进经济增长、缩小收入差距这两个途径间接发挥缓解相对贫困程度的作用。结合现有研究，本文引入收入差距作为中介变量进行中介效应分析，结果如表8 所示。

表8 中介效应检验结果

公式（14）和公式（15）表示泰尔指数。

表8 的中介效应检验结果表明，式（14）中政府财政干预的回归系数通过了10%水平下的显著性检验，证明财政干预水平能够缩小收入差距，式（15）中政府财政干预与泰尔指数的回归系数都通过了显著性检验，表明政府财政干预能够通过缩小城乡差距缓解贫困。

五、结论与建议

（一）结论

本文采用AF 法对2011～2021 年的西部地区多维相对贫困指数进行测算，得到我国西部省份的多维相对贫困指数，根据贫困指数得分，将西部十二省份的多维相对贫困指数分为五个贫困等级。主要结论如下：

第一，根据ArcGIS10.2 绘制的西部十二省份2011～2021 年多维相对贫困指数热力图显示，从整体来看西部地区的多维相对贫困指数逐年递减。西部的多维相对贫困状态显著改善，自2017 年消除了重度多维相对贫困省份，直至2021 年未出现，说明乡村振兴可以有效缓解多维相对贫困，但是西藏、云南和甘肃这三个省份仍属于中度多维相对贫困地区。

第二，从西部地区整体的多维贫困测算结果来看，总体来说，我国西部地区的多维相对贫困表现出以下特征：一是西部地区的多维相对贫困在贫困广度和贫困深度方面都有所缓解；二是施行乡村振兴政策之后，贫困发生率从100%下降到75%，并且呈现逐年递减的趋势；三是随着多维贫困k 值的增加，多维相对贫困指数逐渐减小。随着贫困标准的提高，西部地区的多维相对贫困的问题变得突出。

第三，政府财政干预和城镇化对于推进西部地区的减贫工作具有良好的促进作用，但是西部地区的市场化和农业发展对相对贫困的促进作用较弱，从中介效应的结果来看，政府财政干预能够通过缩小城乡差距缓解相对贫困。