东北贫困区多维致贫因素评价及实证分析

李 平

（绥化学院 经济管理学院，黑龙江 绥化 152061）

0 引言

减少并最终消除贫困，已经成为世界各国的共识。2017年，党的十九大报告指出，坚持精准扶贫、精准脱贫，确保到2020年我国解决区域性整体贫困问题。东北贫困区的致贫原因不同于老、少、边区和山区，致贫因素更为广泛和分散。针对这类贫困区致贫因素剖析，有助于提高精准脱贫政策的精准性，有助于实现不同贫困类型的区域整体脱贫。

从已有的研究看[1-4]，方法应用从定性转向定量，瞄准对象从贫困县域转变为贫困家庭和个体，研究成果日益丰富。但还存在有待完善的方面：第一，已有研究层面相对较宏观，试图找到普适性的扶贫对策，这并不符合精准扶贫的战略要求，精准扶贫应结合不同致贫因素采取个性方案。第二，资源丰富，以平原为主的东北地区，也仍有大部分农村人口生活在贫困线以下，与贫困山区和特困的老、少、边地区相比，其致贫原因同样值得我们思考。第三，在致贫因素的分析中，学者们大都从收入角度细化，事实上支出也是影响贫困的重要因素，社会保障对贫困的减缓也有一定的影响，综合考察收入、支出及社保保障等方面的因素对减缓贫困的研究还不多。因此，如何从收入、支出、社会保障3个方面综合考察致贫因素，如何对致贫原因及贫困程度进行科学的分析，如何根据最重要致贫原因找到精准的脱贫办法，既是学术界也是减贫工作实践者关注的问题。本文试图通过调研，以黑龙江省部分贫困地区为样本，辨贫困之症，施精准之策，为该区域整体脱贫提供参考借鉴。

1 研究设计

根据精准扶贫战略的内在要求，结合贫困地区不同实际状况，分析黑龙江省贫困家庭的致贫原因，以便有针对性的采取有效脱贫措施，提高扶贫工作的精准度，如期实现我国2020年脱贫目标。本文借鉴基层贫困政府“望、闻、问、切”治贫手段及国际上通用的多维贫困指数MPI、格莱珉基金会编制的中国农村贫困记分卡等方法及学者帅传敏（2016）[5]、陈烨烽（2017）[6]等关于贫困的多维测度，考虑到黑龙江农村当前的贫困现状，从收入、支出和社会保障3个方面设立了11个影响贫困程度的具体指标，通过问卷调查，收集一手数据，了解黑龙江省部分贫困家庭的致贫因素及贫困程度，利用OLS的“参数线性”采用对数模型形式，找到致贫程度与部分致贫因素之间的弹性，更深刻的了解不同因素对贫困程度的影响，最后，突出主要致贫因素，有针对性的对精准脱贫提供可借鉴的措施。

2 多维致贫因素评价指标体系构建及数据来源

2.1 指标体系构建

本文的评价指标体系构建中，多维致贫因素由3个一级指标来刻画，即收入指标、支出指标、社会保障指标。一级指标进一步分解为5个二级指标。首先，收入指标由劳动力情况、就业情况、资产情况等3个指标构成。人力资本和劳动经济学的相关理论表明，劳动力的数量和质量决定了对其他生产要素的支配，依靠就业取得的劳动性收入和依靠资产取得的经营性收入是构成家庭收入的主要来源。其次，支出指标由生活及教育指标刻画。具体而言，对于贫困家庭来说，其支出主要由受家庭规模影响的基本生活支出和培养子女接受高等教育的支出构成。最后，社会保障指标由低保和保险情况指标刻画。严格意义上讲社会保障包括社会保险（俗称五险一金）、社会福利（公共福利和特殊福利）、社会救济和社会优抚[7]，而与贫困群体密切相关的社会救助和社会保险刻画了社会保障指标。最终该评价指标体系由11个3级指标构成。具体见表1。

表1 多维致贫因素评价指标体系

2.2 数据来源

通过随机分层抽取黑龙江省5个国家级贫困县，5个省级贫困县，抚远、饶河、海伦、拜泉、泰来、克山、依安、富裕、杜尔伯特和龙江县。以家庭（户）为调查对象，在25名学生调查员的协作下，实地调研，通过问卷星经电脑和手机终端发放1000份问卷试，回收993份，经过数据清洗有效样本860份。

3 贫困地区致贫因素与贫困程度分析

3.1 主要指标统计性描述

根据上述评价指标体系，结合实际情况按一定权重给各指标赋值，其中收入指标与贫困程度呈反向变化，因此采用逆向赋值，即劳动力数量越多贫困程度得分越少，就业人数越多，贫困程度得分越少，依此类推。社会保障指标中的社会保险对贫困也有减缓作用，因此赋值时同样采用逆向赋值法。有争议的指标是低保情况，一方面低保有减缓贫困的作用，另一方面，低保家庭是贫困程度严重的群体。考虑到低保家庭生活实际和部分贫困县建档立卡的标准，本文认为享受低保的家庭是贫困程度严重的代表，因此享受低保的家庭在数据处理上增加贫困程度的得分，根据这些标准，最终本次调查研究贫困程度满分为100分，代表极端贫困，最低分为0份，代表非贫困群体。贫困程度得分与对于贫困程度对应见表2。

表2 贫困得分与贫困程度对应表

根据一手调研数据，按权重及累积得分标准，计算每个指标具体数值，对各指标数值进行统计性描述，具体情况见表3。

表3 黑龙江10县样本主要指标统计描述

根据表3，贫困程度得分均值为54.08分，可见黑龙江省贫困程度处于中等贫困，接近重度贫困。中等贫困的群体正是精准扶贫战略中扶持主体，这部分群体最可能通过内生性发展，摆脱长期贫困。

从其他均值指标看，黑龙江省中等贫困群体的特征有，家庭劳动力数量均值为2.05，表示黑龙江省贫困地区家庭平均劳动力在2名左右。劳动力教育得分均值为3.81，结合劳动力受教育程度的调查评分转换标准，这个水平接近初中（初中水平4分）。省外就业得分均值7.79（10分对应0人省外就业，6分对应1人省外就业），该指标是反向指标，得分越多，表示省外就业人员越少，说明黑龙江贫困地区家庭每户不足1人在省外就业，省内就业得分均值6.49，表示，表示黑龙江贫困地区家庭每户不足1人在省内就业。土地拥有得分均值6.65，表示家庭贫困拥有土地10～12亩左右。农业机械得分均值6.52，表示没有农业机械的家庭户较多。交通工具得分均值2.57，表示主要交通工具是电动车、摩托车和自行车。家庭规模得分均值3.95，表示调研地区家庭平均有近4口人。教育支出得分均值2.58，表示该地区贫困家庭有不到1名大学生。从保险情况的均值看，6.21表示这些贫困地区家庭主要购买的是农村合作医疗保险，新农合的覆盖率很高。最后，低保情况均值得分为1.12分（总分10分），表明低保覆盖率很低。

3.2 贫困地区收入、支出、社保总体情况分析

（1）从收入角度看：劳动力的数量和质量影响就业收入。依据统计数据分析，黑龙江贫困地区平均每个家庭有2名左右的劳动力，具有精准扶贫要求的劳动力供给基础，充分调动家庭劳动力有助于精准脱贫的实现。贫困地区家庭主要劳动力的平均受教育程度接近为初中水平，处于较低水平，提供劳动力的素质和技能要兼顾其自身受教育程度。对比省内外两个就业指标发现，黑龙江省贫困地区就业问题严重，贫困群体依靠就业取得收入十分困难，且去省外就业的意愿低于省内，就业表现出较强的乡土依赖。

（2）从支出角度看：对比家庭基本生活支出和教育支出，从平均水平来看前者对贫困的影响更大，这表明，基本生活支出在贫困家庭的消费结构中占很大比例，这部分支出具有刚性特征，改变支出结构，提高收入是关键。除此之外，对教育的投资也是对人力资本的投资，对摆脱贫困有重要意义。

（3）从社保角度看：新型农村合作医疗覆盖率很高，接近100%。说明在开展扶贫工作的同时，在社会保障方面，改革新农合医保可极大改善因病致贫。根据调查，低保覆盖率仅为11.83%，相对较低，作为社会保障的安全网，低保是最后一道屏障。关于提高还是降低低保水平，学界并无统一的定论。本文认为通过提高低保水平不能从根本解决精准脱贫，脱贫还应依赖于内生动力，授人以渔的效果要远远好于授人以鱼。

（4）其他方面：具体调查还表明，黑龙江省贫困地区中就业群体有75.27%选择省内就业，体现了东北地区贫困群体就乡土的严重依赖。就业群体从事行业则表明，从事一产相关行业的群体比重达45.16%，从事二产相关行业的群体比重为25.73%，这与黑龙江省产业结构中一产比重仍然很大的现实相符。可见，大力发展第三产业不仅有利于产业结构优化，同时具有巨大的精准脱贫的潜力。

4 致贫因素的OLS分析

4.1 基本原理

4.1.1 主成分分析的基本原理

主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，...，XP（p个指标），重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标。由数学知识可知，每一个主成分所提取的信息量可用其方差来度量，其方差Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是X1，X2，…，XP的所有线性组合中方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来p个指标的信息，再考虑选取第二个主成分指标F2，为有效地反映原信息，F1已有的信息就不需要再出现在F2中，即F2与F1要保持独立、不相关，用数学语言表达就是其协方差Cov(F1,F2)=0，所以F2是与F1不相关的X1，X2，…XP的所有线性组合中方差最大的，故称F2为第二主成分，依此类推构造出的F1、F2、…、Fm为原变量指标 X1，X2，…，XP的第一，第二，…，第m个主成分。

4.1.2 最小二乘法基本原理

本文采用最小二乘回归分析，因为“线性”的特点使最小二乘法在误差分析方面较之其他方法具有不可替代的优势。在1809年高斯对最小二乘估计进行的误差分析中发现，在线性模型的所有无偏估计类中，最小二乘估计是唯一的方差最小的无偏估计。其基本原理也非常便于理解：

求上式最小值，根据其一阶条件，可求参数列向量如下：

在上述基本原理的基础上，利用模型的“参数线性”采用对数模型形式。对数模型有很多优点。第一，对数模型测量的是百分比的的变化，因此不会随变量的测量尺度的不同而变化。第二，可以直接估计弹性值。第三，对于被解释变量的观测值皆取正值的模型，条件分布往往有异方差问题或非对称分布，而采用取y的对数的方法会缓解这种负面问题。第四，对数y的分布比较窄，抑制了非正常值的影响。

4.2 用问卷调查数据进行实证分析

4.2.1 利用R软件，安装psych包做主成分分析

（1）利用上述11个具体指标做主成分分析，结果如表4所示。

表4 不同数量主成分贡献信息

根据软件分析的结果，提取6个主成分累计解释了整个变量78%的方差，解释程度效果好。提取6个主成分的名称及系数构成如下页表5所示。

表5 6个主成分权重信息

4.2.2 利用R做回归分析

（1）以提取的6个主成分作为解释变量，以低保得分作为被解释变量，模型为：

利用R软件实现回归分析，回归结果如表6所示。

表6 回归结果

根据上述结果，调整R2值超过85%，模型拟合较好，提取的6个主成分作为被解释变量中有4个主成分显著，按其参数大小依次为劳动力质量成分（0.96223）、农机成分（0.27350）、交通工具成分（0.24848）和省内就业成分（-0.16842）。

5 结论

第一，劳动力质量因素对贫困发生的影响最大。根据数据量化得分转换可知，劳动力质量越低，其贫困贡献得分越大，因此劳动力质量得分与贫困程度正相关。因此解决黑龙江省的贫困应该重视提高劳动力素质，依据资源禀赋提高劳动力供给的针对性，以国家供给侧改革为契机，结合产业结构调整，按不同地区资源禀赋，开发不离乡土的就业岗，位宜农则农、宜渔则渔、宜林则林、宜草则草、宜游则游，建设美丽家园的同时实现精准脱贫。精准脱贫战略应着重考虑贫困地区人力资本积累的建设。贫困地区可持续脱贫应积极落实国家“雨露计划”，特别是针对“两后生”进行技术培训，提高劳动力的人力资本积累及有效劳动能力水平以满足劳动市场需求。

第二，农用机械拥有情况对贫困发生也有较大影响。原始数据以农村贫困家庭拥有农用机械的马力为基础，经过量化处理，农机马力越小对贫困贡献越大，其贫困得分越高，因此，农机拥有得分与贫困程度正相关。解决黑龙江省的农村贫困问题，从农机拥有来看，可以以合作社为载体，购置适用的大型农机，提高农业生产效率，强化资产收益脱贫，创新精准脱贫机制在实践中的应用，以国家固定资产入股参与经济建设，股权作为资本匹配给贫困主体[8]，解决其因资本不足产生的贫困。

第三，交通工具因素也是影响贫困发生的主要因素之一。原始数据表明拥有交通工具的类型，如拥有自行车、电动车汽车等。在量化得分转换中，级别越低的交通工具对贫困贡献越大，该项得分越多，因此交通工具指标也与贫困程度正相关。现代社会技术的进步、交通的发展使得空间距离逐渐缩小，脱贫致富离不开现代社会的发展要求，加强与外界沟通是重要的脱贫举措，发展农村物流是精准脱贫的一个契机。

第四，省内就业情况也影响贫困的发生。原始数据表明省内就业劳动力的人数，量化转换时遵循省内就业人数越少，贫困得分贡献越大的原则。按理论假设该指标应该与贫困程度正相关，但模型数据的结论是负相关。说明仅考虑就业人数的多少不能代表就业质量及真正的减贫效应。就业人数不能准确代表就业收入，低收入的就业减贫效果不明显。精准脱贫应以富裕为目标，遵循脱贫不一定致富，但致富必定脱贫的逻辑[9]，提高贫困群体的就业收入的同时，提高其综合就业质量。