1、第 40 卷第 6 期 统计研究 Vol.40，No.6 2023 年 6 月 Statistical Research Jun.2023 多维特别关注指数：防止返贫致贫监测对象的识别与致贫影响因素研究*平卫英 王 佳 内容提要：本文以防止返贫致贫监测和帮扶机制的建立需求为切入点，以西南地区某省的微观数据为样本，构建多维特别关注指数，为边缘易致贫户和脱贫不稳定户的有效识别提供科学的理论方法；然后通过多元分类评定（MLogit）模型分别研究两类监测对象的潜在致贫因素，并通过中介效应检验分析各影响因素的作用机制。研究发现，第一，多维特别关注指数能够有效满足防止返贫致贫监测的多维性需求，同时重点突出
2、收入维度的重要性；第二，收入剥夺、教育剥夺和健康剥夺是当前防止返贫致贫监测与帮扶工作需重点关注的问题；第三，边缘易致贫户的政策帮扶应以发展产业、促进就业等能够长效提高收入水平的措施为主，脱贫不稳定户则需重点加强兜底保障类政策供给；第四，户主特征、家庭特征和所在地区可分别通过就业渠道、产业渠道与社会保障渠道影响易返贫致贫程度。本文为防止返贫致贫监测和帮扶机制的建立提供了新的视角和实证参考。关键词：多维特别关注指数；易返贫致贫程度；影响因素；中介效应 DOI:10.19343/ki.111302/c.2023.06.009 中图分类号：F328；F222 文献标识码：A 文章编号：10024565
3、(2023)06011816 *基金项目：国家社会科学基金重大项目“后扶贫时代中国城乡相对贫困统计测度与治理机制研究”（20&ZD131）。Multidimensional Special Concern Index:Research on the Monitored Re-poverty Prone Person Identification and Influence Factors of Re-poverty Ping Weiying&Wang Jia Abstract:This paper takes the requirement of the monitoring and supp
4、orting mechanism of preventing re-poverty as the starting point,and uses the micro-data of a province in the southwest of China as the sample to construct a Multidimensional Special Concern Index,which provides a scientific theoretical method for the effective identification of marginal households p
5、rone to poverty and unstable households out of poverty.After identifying the monitored persons,we analyze the potential poverty-causing factors with the Mlogit model,and analyze the mechanism of each influencing factor through mediating effect test.The empirical results shows that:Firstly,multidimen
6、sional special concern index can effectively meet the multi-dimensional needs of re-poverty prevention monitoring,and emphasize the importance of income dimension.Secondly,income deproiation,education deproiation and health deprivation are the keywork in the monitoring and supporting mechanism of pr
7、eventing re-poverty,which should be paid more attention to.Thirdly,policy support for marginal households prone to poverty should focus on developing industries,promoting employment and other methods that are likely to produce 第 40 卷第 6 期 平卫英 王 佳：多维特别关注指数 119 long-term results in increasing income.S
8、upport for unstable households out of poverty should focus on strengthening the supply of bottom-line security policies.Fourthly,household head characteristics,family characteristics and their located areas can influence the degree of re-poverty through employment channel,industrial channel and soci
9、al security channel.This paper provides a new perspective and empirical reference for the establishment of monitoring and supporting mechanism of preventing re-poverty.Key words:Multidimensional Special Concern Index;Re-poverty Degree;Influence Factors;Mediating Effect 一、引言及文献综述 随着脱贫攻坚任务圆满完成，社会各界尤其是
10、已脱贫地区和已脱贫群众十分关注今后扶贫政策的具体走向。关于建立防止返贫监测和帮扶机制的指导意见（以下简称意见）明确了防止返贫监测和帮扶工作的具体要求，指出当前防止返贫监测的主要对象为建档立卡已脱贫但不稳定户和收入略高于建档立卡贫困户的边缘户。2023年中央一号文件中共中央 国务院关于做好2023年全面推进乡村振兴重点工作的意见将防止规模性返贫作为全面推进乡村振兴的底线任务进行了具体部署，要求强化防止返贫动态监测。然而，一方面防止返贫致贫监测和帮扶机制的建立仍处于起步阶段，尚不能完全适应各地的工作实际需求，有必要进行完善与细化；另一方面，我国已由绝对贫困转向相对贫困、一维相对贫困转向多维相对贫困
11、、生存性相对贫困转向发展性相对贫困，衡量易返贫致贫程度的监测标准也应转向更为综合的多维标准。易返贫致贫对象识别标准统一的需求与其多维的脆弱性表现之间的矛盾，现有帮扶政策针对相对贫困地区的普惠性实践与精准对接易返贫致贫人口的特惠性要求之间的矛盾，使得防范返贫致贫的帮扶响应无法快速实现。因此，如何有效突破易返贫致贫人口的识别瓶颈，发掘可能的致贫影响因素，尽快将潜在的防返贫致贫需求转化为有效的帮扶政策，使防止返贫致贫能够真正贯彻落实为长效惠民机制，将是本研究重点考虑的问题。防止返贫致贫的主要目的是为巩固脱贫攻坚成果，且作为重要的衔接政策之一，实现从脱贫攻坚到全面推进乡村振兴的历史性转移。这意味着机制
12、的建立势必要与以往的脱贫攻坚实践保持协调一致，并能够进行推广和延伸，在已有基础上扩大监测的维度和帮扶的广度及深度。传统的多维贫困测度方法有FS方法（Cerioli和Zani，1990）、TFR方法（Cheli和Lemmi，1995）和A-F方法（Alkire和Foster，2011）等。其中最具权威性的是联合国开发计划署同牛津大学贫困与人类发展研究中心联合开发的多维贫困指数（Multidimensional Poverty Index，MPI）。MPI选取的维度广，能反映贫困情况的多元性，是一种较为符合现代社会发展需求的贫困测度方法。当然，MPI在指标选择和指标权重的确定等方面依然存在诸多可商
13、榷之处（郭建宇和吴国宝，2012）。因此，要在传统的多维贫困测度方法上进行改进，确保能够全面、准确地识别出易返贫致贫人口，还需要充分结合我国的具体现状。首先，剥夺维度的选择。MPI着眼于超越收入，在尽可能考虑教育、健康、生活质量等社会发展维度的同时，完全舍弃了货币性指标，也忽略了最根本的“贫”的经济维度。所以在实践应用过程中，多对MPI进行改良或补充，增加收入、就业等经济维度。例如，世界银行在监测全球层面消除贫困的进展情况时，采用包括收入/消费、受教育机会和水电基本服务三个维度的多维指数；墨西 即脱贫不稳定户和边缘易致贫户。其中，脱贫不稳定户指的是家庭人均可支配收入较低或刚性支出较大的建档立卡
14、已脱贫农户，在一定时间内存在返贫风险；边缘易致贫户指的是家庭人均可支配收入较低或刚性支出较大的非建档立卡农户，在一定时间内存在致贫风险。120 统计研究 2023 年 6 月 哥在多维贫困的基础上，制定了最低收入贫困线和多维绝对社会权利贫困线。而我国在扶贫实践中虽然一直以单一的收入维度作为标准，但是还推行了“两不愁三保障”的基本要求与系列核心指标，实质上已经初步实现了多维贫困的识别与测度（王小林和冯贺霞，2020）。同时，意见也强调，防止返贫致贫监测的范围为人均可支配收入低于国家扶贫标准1.5倍左右的家庭。因此，在构建我国的防止返贫致贫监测多维指标体系时，有必要把收入维度作为硬性条件纳入其中。
15、其次，监测对象的识别方法也应与我国现状和扶贫政策体系相适应。我国扶贫标准是以家庭人均可支配收入为判断尺度的，相应的扶贫政策也是以提高收入为主要目标。但是学术界普遍采用的A-F方法等却易在收入维度造成个体遗漏。基于此问题，张昭等（2017）提出了收入导向型多维贫困指数，认为只要个体在收入维度不存在剥夺，则将其判定为非贫困个体，否则该个体至少处于一维贫困状态。简单来讲，就是把收入维度被剥夺作为贫困的必要条件。然而该方法依然无法达到意见要求，仍难避免收入维度的个体遗漏。例如，采用收入导向型多维贫困指数识别出的二维贫困人口，将会遗漏仅在收入维度存在剥夺的对象。同时该方法还遗漏了在收入维度非贫困但在其他
16、维度存在剥夺的个体。故本研究拟在A-F方法和收入导向型多维贫困识别方法的基础上进行改进，提出多维特别关注指数，把收入维度被剥夺作为“一票否决”式要素，由判定监测对象相对贫困的必要条件转变为充分条件，确保个体只要在收入维度存在剥夺，则一定能够纳入监测范围。同时该指数也能监测到在收入维度外的其他维度存在剥夺的个体，使之更符合意见的主旨要求与我国“两不愁三保障”的实践模式。本文的贡献主要如下，第一，为脱贫摘帽后防止返贫致贫监测和帮扶机制的建立提供新的视角和实证参考。多维特别关注指数将脱贫摘帽后的易返贫致贫人口作为特别关注群体，研究易返贫致贫人口的多维相对贫困表现，为脱贫摘帽后防止返贫致贫监测对象的识
17、别提供新的可行方法。第二，丰富了传统的多维贫困测度与贫困人口识别的相关研究。多维特别关注指数强调收入维度的重要性，突破传统方法易造成收入维度遗漏的局限性，使之更契合我国目前巩固脱贫攻坚成果的实际需求和政策要旨，既可以满足监测对象的识别与动态追踪的可操作性要求，同时也能够使评判结果更具有政策导向性，是对现有研究的合宜补充。二、研究设计（一）多维特别关注指数的构造 1.传统的多维贫困测度方法：A-F法。A-F方法采用“双界限法”对多维贫困进行测度，首先通过剥夺临界值判断个体在每一维度上的被剥夺状态，然后通过维度临界值判断个体的多维贫困状况（Alkire和Foster，2011）。若假设衡量贫困的维
18、度共有m个，样本对象包含n个个体，则其观测矩阵ijx=X，矩阵元素ijx 表示个体(1,2,)i in=在维度(1,2,)j jm=的取值。T12(,)mv vv=V为m个维度上被剥夺临界值所组成的向量，若ijjxv，则表示个体i 在维度j上处于被剥夺状态。第一步：执行界限一，根据被剥夺临界值V判断个体在每一维度的被剥夺状态。定义剥夺矩阵(1,2,;1,2,)ijgin jm=g，其中：,0,jijjijijjijjvxvgxvxv|=时，个体i为贫困人口，反之为非贫困人口。识别出贫困人口后，可以计算多维贫困人口发生率（()H K），即贫困维度临界值为K时识别出的相对贫困人口数（()q K）占
19、样本总人口数（n）的比重：()()H Kq Kn=（3）剔 除 掉 非 贫 困 人 口 后，原 剥 夺 矩 阵(1,2,;1,2,)ijgin jm=g变 为ijg=g(1,2,();1,2,)iq Kjm=。设jw为维度j下的权重，基于剥夺矩阵g可计算个体的加权剥夺维度计数函数()icK，和所有贫困人口的多维平均剥夺程度指数()AK：1()mijijjcKw g=（4）()()1()()()q KiiAKcKq K=（5）当0=时，0()A K即所有贫困个体平均被剥夺的加权维度数，由此可得到多维贫困指数00()()()MKH KA K=，反映了个体遭受剥夺维数的影响；1=时，可得到广义的多维
20、贫困指数1()M K，反映了多维剥夺的深度；2=时，2()MK反映了剥夺分布的不平等性（张昭等，2017）。2.易返贫致贫人口的识别方法：多维特别关注指数。多维特别关注指数是基于A-F法的改进，二者基本算法和原理一致，主要差异体现在双界限的第二道界限上，即如何通过维度临界值判断总体的多维贫困水平。多维特别关注指数的识别方法强调收入为主，现就该方法加以说明：个体只要在收入维度存在剥夺，则一定属于易返贫致贫监测对象；此外，当个体在任意K个及以上个维度存在剥夺时，同样属于易返贫致贫监测对象。图1 不同识别方法的异同 图1剥夺矩阵的每一行代表一个个体，每一列代表一个维度，并假定第一列为指定的收入维度，
21、矩阵中的元素1代表被剥夺，0代表未剥夺，比如：第一行第一列的元素值为1，代表个体1在维度一（收入维度）上被剥夺，同理可知，个体2在维度二上被剥夺。通过对比可以看出，相比于A-F方法，多维特别关注指数可以确保在任意维度临界值K下，只要在收入维度存在剥夺的个体，均能被识别为易返贫致贫监测对象，强调了收入维度的必要性。而相比于只关注收入维度的1.5倍国家扶贫标准的识别方法和以收入维度为必要条件的收入导向型多维贫困识别方法，多维特别关注指数的识别范122 统计研究 2023 年 6 月 围更广，识别标准更全面，在重点关注收入维度的同时，不会造成非收入维度的遗漏。在具体的测度方法上，多维特别关注指数需要
22、对A-F方法作调整。假定维度1j=为固定的收入维度，1v为收入维度的剥夺临界值，则式（2）可调整为式（6），即只要个体i在收入维度被剥夺（11ixv），不论K取何值，iZmK=恒成立，个体i将被识别为易返贫致贫监测对象。011111,mijijiigxvZmxv=|=40.34%23.15%17.70%）。防止返贫致贫监测标准的制定，既需要考虑收入维度也需要构建多维测度体系，并在一定程度上突出收入维度的重要性，多维特别关注指数的提出满足了这一需求。表4 4种测度方法的比较 （%）多维特别关注指数 1.5倍国家扶贫标准 A-F多维贫困指数 收入导向型多维贫困指数 相对贫困（6000 x）非相对贫
23、困（6000 x）相对贫困（3K）非相对贫困（3K）相对贫困（3K）非相对贫困（3K）易返贫致贫（3K）23.15 22.63 40.34 5.44 17.70 28.08 不易返贫致贫（3K）0 54.22 0 54.22 0 54.22 具体分析多维特别关注指数与1.5倍国家扶贫标准的关联和差异，见表5。用多维特别关注指数各维度的均值表示易返贫致贫程度（越接于1，易返贫致贫程度越大），可知，多维特别关注指数的 表5 多维特别关注指数与1.5倍国家扶贫标准的比较 贫困维度 1.5倍国家扶贫标准 相对贫困（6000 x）非相对贫困（6000 x）收入 1 0 健康 0.6530 0.6047
24、教育 0.9845 0.9718 生活水平 0.0564 0.0429 社会保障 0.2940 0.3120 第 40 卷第 6 期 平卫英 王 佳：多维特别关注指数 125 各维度（社会保障维度除外）均与1.5倍国家扶贫标准存在正向关联，即按照1.5倍国家扶贫标准识别的相对贫困家庭，其在各维度上的易返贫致贫程度均高于非相对贫困家庭。值得注意的是，社会保障维度上呈现出反向关联性，可能的原因在于，我国社会保障政策尤其是兜底保障扶贫政策对象的确定是以收入为主要判别标准的（左停等，2017），其主要受众为低收入群体，更易享受到多方面的社会保障政策帮扶，故非相对贫困家庭在社会保障维度上的脆弱性水平反而
25、更高。（三）多维特别关注指数的分解 将多维特别关注指数进行分解，当K分别取36时，两类监测对象在各维度和指标上的贡献率如表6所示。较为特殊的是，3K=时脱贫不稳定户健康维度对易返贫致贫程度的贡献率超过收入维度，达到最大值28.62%。除此以外，各维度在不同临界值下的贡献率排序基本一致，从高到低依次为收入、健康、教育、社会保障和生活水平。从维度贡献率区别来看，不论K取何值，边缘易致贫户在收入维度上的贡献率始终明显高于脱贫不稳定户。进一步分析发现，在不同的维度临界值下，边缘易致贫户的平均家庭人均纯收入也都位于更高水平。因此可推断造成边缘易致贫户收入维度贡献率更高的原因，并非是其群体收入水平低，而是
26、该群体中收入未达到6000元的一般低收入家庭占比更高，极端低收入家庭占比相对更少。这一方面说明，按照原来的国家扶贫标准未纳入建档立卡户的边缘家庭，在新标准下纳入监测的比例会有明显提高，因此对边缘易致贫户的监测是非常有必要的，相应的政策帮扶也应以发展产业、促进就业等在提高收入水平上易产生成效的措施为主；另一方面说明，脱贫不稳定户中更容易出现极端低收入家庭，所以仍需继续加强以低保制度为轴心的社会救助、社会保险和公共服务供给。从具体指标来看，同一维度下各指标贡献程度不同。贡献率排在前五的指标分别是人均纯收入、受教育程度、患病、低保五保和丧失劳动能力。其中，健康维度的两项指标皆在列，说明健康帮扶仍是巩
27、固脱贫攻坚成果、实现乡村振兴的重要举措。教育维度的贡献率则主要来自受教育程度，另一项指标适龄儿童就读的贡献率未超过0.3%。原因在于两点，一是教育进步是一个长期的过程（于洪霞，2015），受教育程度（尤其是成年人）短期内无法像其他指标一样取得重大突破；二是随着九年制义务教育的推行，我国的义务教育普及水平持续保持高位，正在向优质均衡阶段迈进，2022年，全国共有义务教育阶段学校20.16万所，在校生1.58亿人，九年义务教育巩固率95.5%，已相当于高收入国家平均水平。表6 多维特别关注指数各指标及贡献率 （%）维度 指标 各指标对多维特别关注指数M0的贡献率 K=3 K=4 K=5 K=6 边
28、缘易致贫户（a）脱贫不稳定户（b）边缘易致贫户（a）脱贫不稳定户（b）边缘易致贫户（a）脱贫不稳定户（b）边缘易致贫户（a）脱贫不稳定户（b）收入 人均纯收入 30.46 27.86 39.76 34.99 41.25 35.77 37.84 36.43 健康 患病 22.13 21.75 20.65 20.12 20.60 20.16 18.92 18.49 丧失劳动能力 7.49 6.87 5.87 7.91 5.66 8.05 9.64 8.78 教育 受教育程度 27.48 26.77 23.44 22.42 23.24 22.23 19.84 19.09 适龄儿童就读 0.08 0.
29、05 0.09 0.07 0.10 0.08 0.28 0.07 生活水平 食物营养 1.81 1.13 1.78 1.35 1.01 0.78 2.88 16.9 水质安全 0.18 0.10 0.11 0.10 0.06 0.07 0.19 0.15 自有住房 0.28 0.18 0.21 0.21 0.14 0.14 0.28 0.29 社会保障 低保五保 9.38 15.10 7.49 12.64 7.30 12.55 9.21 14.75 养老金 0.71 0.18 0.61 0.18 0.64 0.18 0.92 0.26 数据来源：中国教育报，2023年3月13日，https:/
30、 统计研究 2023 年 6 月 四、关于易返贫致贫影响因素的研究 结合前述测度结果并参考相关文献的做法，引入易返贫致贫程度变量，并将其设置为三个等级：当某家庭的多维特别关注指数剥夺得分2iZ时，定义该家庭为不易返贫致贫户，易返贫致贫程度取值为0；当34iZ时，为易返贫致贫户，易返贫致贫程度取值为1；当5iZ时，为重度易返贫致贫户，易返贫致贫程度取值为2。由于易返贫致贫程度为有序型变量，且研究采用的数据为微观调研数据，涉及到多项分类指标，故拟通过MLogit模型进行影响因素的深入研究，为制定相应的帮扶政策提供理论依据。（一）模型设定 MLogit 模型可看作对被解释变量中各类选择行为两两配对后
31、构成的多个二元 Logit 模型实施的联合估计。模型设定具体如下：1(|)lnln(|)tijiijlijliilibiP yj xxeuP yb x=+|=（9）其中，iy作为被解释变量，指代个体(1,2,)i in=的易返贫致贫程度；(1,2,3)j j=为易返贫致贫程度（类别变量）的种类；b为选定的基准组（此处以不易返贫致贫组作为基准组）；ijlx为影响被解释变量第i个个体易返贫致贫程度j的第(1,2,)l lt=个解释变量。解释变量从户主特征、家庭特征和所在地区 三个层面选择相应的9项指标，ijl是其待估参数。ie为控制变量，包括县（区）级层面的控制变量和村级层面的控制变量，其中，县（
32、区）级控制变量为样本所在县区的虚拟变量，村级控制变量则以样本所在村庄的9项环境特征指标作为表征。iu为随机误差项。通过求解方程，可以得到每种易返贫致贫程度的预测概率（式10），核心解释变量的说明及相应的描述性统计分析如表7所示。1311exp()(|)exp()tijlijliilijitijlijliijlr xeuP yj xr xeu=+=+（10）表7 Mlogit模型的变量定义及描述性分析 项目 变量定义 变量解释 全部样 本均值 边缘易致贫户均值 脱贫不稳定户均值 易返贫致贫程度 易返贫致贫程度 0=不易返贫致贫，1=易返贫致贫，2=重度易返贫致贫 0.40 0.30 0.55 户
33、主特征 户主性别 1=男，2=女 1.22 1.18 1.24 户主文化程度 1=小学及以下，2=初中，3=高中，4=职校、中专，5=大专及以上 1.25 1.27 1.24 家庭特征 常住人口数 家庭常住人口数 3.67 4.39 3.27 劳动力人数 16到60周岁，除学生外有劳动能力的人口数 2.09 2.36 1.94 外出打工人数 家庭累计半年以上外出打工人口数 0.77 0.83 0.73 在家务农人数 家庭累计半年以上在家务农人口数 1.29 1.46 1.19 学生数 正在接受义务教育的学生数 0.53 0.54 0.52 所在地区 地区 1=东北部（高山丘陵）地区，2=中部（
34、平原）地区，3=西南部（高原）地区 1.47 1.49 1.45 样本量 17606 6285 11321 为更加全面地了解不同地区对易返贫致贫程度的影响力，模型（9）将以类别变量的形式引入地区变量。由于受到样本省地理环境复杂、民族分布多样性等一些无法观测的因素影响，省内不同县区间的差异较大，为保证结果的稳健性，本文中使用了县区层面的虚拟变量作为控制变量。环境特征为样本的自主评分指标，具有较强的主观性，其数据准确性有待考评，故在此仅以虚拟变量的形式辅助修正模型系数，不作为主要研究变量。具体包括所在村庄的生产生活条件、交通出行条件、电力设施条件、通讯设施条件、水利设施条件、儿童上学条件、就医看病
35、条件、卫生环境条件、文体设施条件，共九项指标，考察其相对于2014年以来的变化情况。虚拟变量设置方法：1=以前有问题，现在变好了；2=以前没问题，现在也没问题；3=以前有问题，现在还未解决；4=以前没问题，现在出现问题。第 40 卷第 6 期 平卫英 王 佳：多维特别关注指数 127 （二）致贫因素分析 以不易返贫致贫组作为基准组，研究样本在不同维度上的潜在致贫因素，表8报告了MLogit模型的回归结果。其中，列（1）是指全体样本中，易返贫致贫组相对于基准组的回归结果，列（2）则指重度易返贫致贫组相对于基准组的回归结果。列（1）中，户主文化程度的系数为0.6646，说明户主文化程度每提高一个水
36、平，家庭成为易返贫致贫户的概率相对于不易返贫致贫户的概率的比值将变为原来的0.6646倍，即家庭由不易返贫致贫户转为易返贫致贫户的概率降低了33.54%，以此类推，列（2）显示户主文化程度每提高一个水平，家庭转变为重度易返贫致贫户的概率将会降低38.77%，这说明教育水平的提升可以有效帮助易返贫致贫家庭摆脱脆弱性陷阱。从家庭特征来看，常住人口数越多的家庭越容易返贫致贫，每增加一个常住人口，易返贫致贫的概率将增加22.01%，重度易返贫致贫的概率增加42.30%。与此同时，家中劳动力人数、外出打工人数、在家务农人数和学生人数越多，家庭返贫致贫的可能性越低。从所在地区来看，相较于作为基准组的东北部
37、高山丘陵地区，中部平原地区的易返贫致贫概率要低31.43%，重度易返贫致贫概率低52.12%；而西南部高原地区的 表8 Mlogit模型估计结果 项目 变量 全部样本 边缘易致贫户 脱贫不稳定户（1）（2）（3）（4）（5）（6）易返贫致贫 重度易返贫致贫 易致贫 重度易致贫 易返贫 重度易返贫 户主特征 户主性别 0.9993（0.0410）0.8966（0.1238）0.9311（0.0740）0.7028（0.3192）0.9794（0.0481）0.8364（0.1231）户主文化程度 0.6646*（0.0236）0.6123*（0.0791）0.5982*（0.0385）0.716
38、5（0.2311）0.6990*（0.0310）0.5913*（0.0857）家庭特征 常住人口数 1.2201*（0.0152）1.4230*（0.0554）1.3625*（0.0325）1.7336*（0.1886）1.2800*（0.0203）1.5809*（0.0663）劳动力人数 0.7321*（0.0217）0.7061*（0.0661）0.6996*（0.0356）0.6751*（0.1522）0.7459*（0.0277）0.7413*（0.0755）外出打工人数 0.7920*（0.0253）0.4728*（0.0515）0.7850*（0.0417）0.5383*（0.13
39、20）0.7536*（0.0309）0.4155*（0.0515）在家务农人数 0.9713（0.0281）0.7104*（0.0641）0.8837*（0.0428）0.5518*（0.1182）0.9721（0.0357）0.6975*（0.0698）学生人数 0.8517*（0.0198）0.7873*（0.0622）0.8367*（0.0345）0.6215*（0.1333）0.7810*（0.0230）0.6979*（0.0608）所在地区 东北部地区 中部地区 0.6857*（0.0365）0.4788*（0.0934）1.1491（0.1648）1.8861（2.0590）0.8
40、521*（0.0797）1.3769（0.4965）西南部地区 0.7319*（0.0414）0.5619*（0.1107）0.7587（0.2033）5.4933（11.3756）1.8398*（0.3085）6.9548*（4.5547）县区级虚拟变量 是 是 是 是 是 是 环境特征虚拟变量 是 是 是 是 是 是 常数项 2.8563*（0.3296）0.5057*（0.2031）1.3103（0.3075）0.1863（0.2885）4.9912*（0.8001）2.6152*（1.3665）样本量 17606 6285 11321 迭代次数 4 5 4 极大似然估计值 12486.
41、7980 3763.3264 8392.9788 卡方值 1312.78 477.89 1100.79 R2 0.0499 0.0597 0.0615 p值 0.0000 0.0000 0.0000 注：表中的估计系数均已由胜算比对数转换为胜算比（相对风险），括号内为稳健标准误；表中系数的显著性水平均通过了Wald检验；*、*、*表示估计结果在10%、5%、1%的水平上显著。下同。128 统计研究 2023 年 6 月 易返贫致贫概率要低26.81%，重度易返贫致贫概率低43.81%。当然，以上结论也可能存在自选择问题，由于贫困的代际传递等原因，相对贫困的家庭反而会降低人力资本投资（邹薇和郑浩
42、，2014），进而可能导致户主文化程度、劳动力人数和学生人数等一些因素的影响效果被高估。对于这一问题，将会在稳健性检验部分进行验证。列（3）和列（4）是边缘易致贫户的回归结果，列（5）和列（6）则是脱贫不稳定户的回归结果。综合表8的结果可以看出，在三类对象和两种对比下，户主性别均不能产生影响；户主文化程度、劳动力人数、外出打工人数和学生人数的提高均能显著降低家庭返贫致贫的概率；常住人口数的增加则提高了家庭返贫致贫的概率。在家务农人数和所在地区所产生的影响会因不同的对象和比较形式而不同。在家务农人数在一定程度上可以降低重度易返贫致贫的概率，但是对减轻脱贫不稳定户的易返贫程度往往不能发挥作用。所在
43、地区因素中，边缘易致贫户的易返贫致贫程度难以受到三类地区划分的影响；而对脱贫不稳定户来说，中部平原地区的易返贫程度低于东北部高山丘陵地区，西南部高原地区的易返贫程度则高于东北部高山丘陵地区。全部样本及两类监测对象在不同地区预测的易返贫致贫概率值以附图1所示。（三）稳健性检验 1.内生性检验。为了解决可能的样本自选择问题，本文采用选择性偏差校正的Heckman两步法予以检验，回归结果如表9所示。可以看出，全部样本中除常住人口数外，其余变量在第二阶段的lambda回归结果都是显著的，存在明显的自选择问题，故有必要使用Heckman两步法。此时各变量的回归系数为负，说明其变量值的增加可以降低相对贫困
44、程度。对于常住人口数而言，lambda回归结果不显著，因此不存在自选择问题。以上结论均与之前的Mlogit回归结果一致，说明结论具有较好的稳健性。分别对边缘易致贫户和脱贫不稳定户进行再次检验，结论同样说明了实证结果的稳健性。表9 Heckman两步法的估计结果 变量 全部样本 边缘易致贫户 脱贫不稳定户 系数 lambda 系数 lambda 系数 lambda 户主文化程度 0.0915*（0.0076）1.5397*（0.4341）0.0850*（0.0106）0.4018（0.6403）0.0896*（0.0103）1.7619*（0.5421）常住人口数 0.0489*（0.0029）
45、0.2764（0.4152）0.0558*（0.0123）17.0003（12.4908）0.0637*（0.0037）1.0541*（0.4119）劳动力人数 0.0688*（0.0069）0.1337*（0.0141）0.0658*（0.0102）0.1259*（0.0190）0.0651*（0.0090）0.1833*（0.0192）外出打工人数 0.0688*（0.0076）0.0445*（0.0149）0.0513*（0.0106）0.0043（0.0237）0.0930*（0.0102）0.0690*（0.0184）在家务农人数 0.0193*（0.0069）0.0421*（0.0
46、139）0.0313*（0.0098）0.0088（0.0193）0.0260*（0.0090）0.0906*（0.0188）学生人数 0.0431*（0.0055）0.3422*（0.0622）0.0407*（0.0082）0.1280*（0.0701）0.0654*（0.0071）0.3376*（0.0786）样本量 17606 6285 11321 因篇幅所限，全部样本及两类监测对象在不同地区预测的易返贫致贫概率值以附图1展示，见统计研究网站所列附件。Heckman两步法需要将检验变量转换为二项变量，此处对所涉及的变量进行转换：户主文化程度在高中及以上取值为1，否则为0；家中常住人口数、
47、劳动力人数、外出打工人数、在家务农人数和学生人数有1人及以上取值为1，否则为0。第 40 卷第 6 期 平卫英 王 佳：多维特别关注指数 129 2.可能的遗漏变量。在考虑户主特征、家庭特征和地区特征之外，实际上还可能存在一类遗漏变量，即村级因素和县区级因素，如家庭所在村在脱贫攻坚时期的贫困程度、所在县区的经济发展水平等。虽然模型中选取了样本所在村庄的9项环境特征虚拟变量作为村级控制变量，但考虑到变量设置的相对性和主观性，故只起到辅助修正模型系数的作用。研究显示，脱贫攻坚时期，我国的贫困村近一半处于中度贫困，贫困村由于存在地理区位劣势、生态劣势等条件制约，更容易形成空间贫困陷阱（陈烨烽等，20
48、17）。也有研究认为，脱贫攻坚时期，贫困村的建档立卡面临严重的精英俘获挑战（胡联和汪三贵，2017），贫困村的确定并不一定与村庄的贫困发生率严格对应（檀学文，2018）。故本文以脱贫攻坚时期家庭所在村是否为贫困村作为村级贫困程度的度量，以检验其是否会对村民的易返贫致贫程度产生影响。结果显示，该变量系数基本不显著；除此之外，加入遗漏变量后的回归结果与基准回归结果保持一致，各影响因素的作用方向和显著性等均未发生明显改变。进一步将样本分为贫困村样本和非贫困村样本，两组样本的回归结果也与基准回归基本保持一致，说明贫困村家庭与非贫困村家庭在所研究的核心解释变量上不存在异质性。与脱贫攻坚时期家庭所在村是否
49、为贫困村类似，地区的经济发展水平作为重要的经济环境背景，同样可能会对当地居民的贫困状态和家庭人口特征等产生影响。已有研究表明，长期的快速经济发展是战胜相对贫困最根本和最重要的力量来源（Chambers等，2008），但对于经济发展水平的效用持续，学者们持不同意见。程振源和剑玉阳（2013）指出我国的经济增长依然对减少相对贫困发挥着显著的作用，但是也有学者认为，进入新世纪以后我国经济发展对减少相对贫困的作用已不明显（Huang等，2008）。本文参照李小云等（2010）的做法，选取各县区的人均地区生产总值作为代表变量重新进行回归，同时考虑到地区经济发展水平对易返贫致贫程度的影响具有时滞性，本文又
50、分别用滞后一期、二期的人均地区生产总值进行检验，各影响因素的回归结果均未发生显著改变，证明了结论的稳健性。3.其他稳健性检验。使用多维平均剥夺程度指数作为被解释变量。家庭的易返贫致贫程度不仅可以通过本文构造的多维特别关注指数进行衡量，还可参照郭熙保和周强（2016）的做法，用多维平均剥夺程度指数作为替代的被解释变量，对主要结果重新进行检验，结论并未发生显著改变。二次随机抽样。Alfaro等（2016）的研究表明，不同抽样地区的样本分布不均时，同样会导致估计结果偏误。故本文在已有样本中进行二次随机抽样，控制各县区样本量相当，回归结果与前文一致。消除极端样本影响。在本文关于易返贫致贫程度的测度上，
