左宇曉 卜津月

（鄭州大學 商學院，河南 鄭州 450001）

一、引言及文獻綜述

全面建成小康社會之后，我國貧困問題并未結束，相對貧困還會長期存在。如何識別并測度相對貧困，找出影響相對貧困的因素，確保脫貧的高效性及可持續(xù)性，是現階段及未來必須關注的重要問題。

基于阿馬蒂亞·森的可行能力理論，Sabina和James（2011）提出了貧困識別、加總和分解的多維貧困測度方法，簡稱A-F法，并給出了A-F的一般模型[1]。聯合國開發(fā)計劃署與牛津貧困與人類發(fā)展項目聯合發(fā)布了以A-F模型為基礎的全球多維貧困指數MPI，替代了聯合國開發(fā)計劃署之前的人類貧困指數HPI，MPI包含了教育、健康和生活條件3個維度。國內大多數文獻基于A-F法對多維貧困進行測度，王小林和Sabina（2009）利用A-F模型對我國農村和城市進行了多維貧困測量[2]。呂文慧和蘇華山等（2018）利用中國家庭追蹤調查數據，基于A-F模型構建農村留守兒童多維貧困指標，對農村留守兒童的多維貧困狀況進行分析[3]。黃森慰和蔣暢等（2019）依據A-F模型，從健康、教育、住房、耐用消費品、飲用水等11個維度對貧困婦女進行多維貧困測量[4]。姚興安和朱萌君等（2021）采用A-F模型分別對我國東部、中部和西部地區(qū)農村家庭的多維相對貧困指標進行測量和比較分析[5]。

影響多維相對貧困的因素有多種，學者們大多采用計量經濟模型對多維相對貧困影響因素進行分析。鄒薇和方迎風（2012）通過構造多層次計量模型，考察影響個體生活水平的因素以及導致我國農村區(qū)域性貧困陷阱的路徑[6]。楊慧敏和羅慶等（2016）通過構建雙變量Probit模型，從三個方面考察中國農村家庭貧困狀況，并研究其動態(tài)特征變化[7]。

本文以我國勞動力人口為研究對象，以A-F模型為基礎構建多維相對貧困分析模型，基于中國家庭追蹤調查2010年、2014年和2018年的數據，分析我國勞動力人口的多維相對貧困狀況，并分地區(qū)討論。通過構建二元Logistic模型，對我國勞動力人口多維相對貧困影響因素進行分析。

二、多維相對貧困模型構建和數據選擇

（一）多維相對貧困測量方法

A-F法測算多維貧困指數MPI的核心是通過雙臨界值識別多維貧困群體。具體步驟如下：

1.單維貧困識別。首先定義X=[xij]是一個n×d維的矩陣，xij表示個體 i在維度 j上的取值，i=1，2，…，n，j=1，2，…，d。假設zj（j=1，2，…，d）表示維度j上貧困剝奪臨界值，Z=（z1，z2，…，zd），當個體 i在某個維度下的取值xij＜zj時，表明該個體在這一維度上處于被剝奪的狀態(tài)，賦值為1；反之賦值為0。據此可以得到不同個體的貧困矩陣具體形式可表示為：g0ij=。這是單維貧困的識別過程。

2.多維相對貧困識別。給不同的維度設置權重wj（0＜wj＜1），對一維貧困剝奪矩陣按照維度賦權之后得到加權貧困剝奪矩陣記 ci=為個體 i遭受剝奪后的加權總維度數（加權貧困值）。比較加權貧困值ci與多維貧困臨界值k之間的關系，考察個體i是否處于多維相對貧困狀態(tài)。當ci≥k時，個體i處于多維相對貧困狀態(tài)，當ci＜k時，個體i未處于多維相對貧困狀態(tài)。

（二）數據來源與選擇

本文數據來源于中國家庭追蹤與調查（CFPS）。2014年1月國家出臺扶貧工作意見，明確提出建立精準扶貧工作機制，因此本文選取具有代表性的2014年的數據，為了突出對比，又選取2010年和2018年的數據。采用stata14.0篩選16—50歲勞動力人口原始樣本，由于數據庫樣本量較大，故本文對重要變量缺失值和異常值采取了直接刪除的方法，得到2010年、2014年和2018年有效數據分為9971個、2355個和2988個。

三、多維相對貧困維度、指標、臨界值和權重確定

（一）指標選取基礎

首先，參考國際機構公布的貧困指數，如聯合國提出的人類發(fā)展指數和牛津貧困與人類發(fā)展項目的MPI指數。其次，參考國內外學者在研究不同貧困對象時所選取的變量和維度。如王小林關于2020年后中國多維相對貧困標準的研究和張抗私關于當代青年工作貧困指標體系的構建。再次，由于研究對象是勞動力人口，所選指標必須與勞動力人口特質高度相關，才能對其生存和發(fā)展產生更大的影響。最后，構建出多維相對貧困測度指標體系。

（二）指標體系

根據以上分析，本文最終確定了5個維度的11個指標。具體見表1。

（三）權重確定

為避免因個人主觀性帶來的偏差，本文利用SPSS軟件，選取客觀賦權法中的主成分分析法對指標進行賦權。

根據不同的因子載荷系數測算出每個指標具體權重，并對各個指標進行標準化處理，結果見表2。

表2 各維度及指標權重

從表2可知，自我評估健康和慢性疾病2個指標所占的權重一直較大，說明健康水平對相對貧困的影響很大。從時間跨度看，人均純收入、受教育程度和做飯用燃料3個指標的權重隨時間的變化不斷升高，說明人們開始更多地把目光聚焦在收入、受教育程度方面，在生活條件維度，也越來越重視清潔能源的使用。2010年，自我評估健康、慢性疾病和就業(yè)狀態(tài)3個指標所占權重相對較大；2014年，自我評估健康、慢性疾病和受教育程度3個指標所占權重相對較大；2018年，自我評估健康、受教育程度和人均純收入3個指標所占權重相對較大。出現次數最多的是自我評估健康、慢性疾病和受教育程度，說明健康和教育對相對貧困的影響較大。

四、多維相對貧困模型測量結果

本文利用A-F模型，采用2010年、2014年和2018年的CFPS數據對我國東部、中部、西部和東北部地區(qū)進行多維相對貧困的識別和測量。

（一）各指標貧困發(fā)生率測算

結合各指標的臨界值，測算不同維度下的指標貧困發(fā)生率以及我國勞動力人口多維貧困發(fā)生率和多維貧困指數。

由表3可知，總體來看，2010年、2014年和2018年貧困發(fā)生率最高的3個指標依次分別是：每周工作時長、工作總體滿意度和就業(yè)狀態(tài)；每周工作時長、住房產權和受教育程度；每周工作時長、住房產權和工作總體滿意度。每周工作時長每一年都是貧困發(fā)生率最高的指標，且在2010年，就業(yè)維度的3個指標是貧困發(fā)生率最高的3個指標?？v向看，2010—2018年，人均純收入、受教育程度、就業(yè)狀態(tài)、每周工作時長、工作總體滿意度、醫(yī)療保險、自我評估健康、慢性疾病和做飯用燃料9個指標的貧困發(fā)生率均有所下降，其中人均純收入、受教育程度、醫(yī)療保險、慢性疾病和做飯用燃料5個指標的貧困發(fā)生率一直呈下降趨勢。就絕對變化來說，貧困發(fā)生率下降最多的是人均純收入和就業(yè)狀態(tài)2個指標，分別下降了23.4%和23.24%；慢性疾病和每周工作時長的貧困發(fā)生率下降最少，分別下降了2.55%和2.83%。就相對變化來說，貧困發(fā)生率下降幅度最大的指標是人均純收入，高達66.38%；下降幅度最小的是每周工作時長，僅4.41%。但2010—2014年，就業(yè)狀態(tài)和工作總體滿意度2個指標的貧困發(fā)生率下降幅度最大，均超過50%。

表3 各地區(qū)不同指標的貧困發(fā)生率

分區(qū)域看，東部地區(qū)在大多數指標上是貧困發(fā)生率最低的地區(qū)，西部地區(qū)在大多數指標上是貧困發(fā)生率最高的地區(qū)，次高的是東北地區(qū)。在人均純收入和做飯用燃料2個指標上，2010年、2014年和2018年均是東部地區(qū)貧困發(fā)生率最低，西部地區(qū)貧困發(fā)生率最高。值得注意的是，在住房產權指標上，東部地區(qū)在2014年和2018年都是貧困發(fā)生率最高的地區(qū)，而中部地區(qū)在2010年、2014年和2018年都是貧困發(fā)生率最低的地區(qū)。在工作總體滿意度指標上，東部地區(qū)每年均是貧困發(fā)生率最低的地區(qū)；在做飯用水指標上每年均是西部地區(qū)貧困發(fā)生率最高，東北地區(qū)貧困發(fā)生率最低。

（二）我國勞動力人口多維相對貧困測度

本文利用A-F模型，結合指標的貧困臨界值，基于主成分分析法對各指標賦權，測算2010年、2014年和2018年我國勞動力人口多維相對貧困發(fā)生率和多維貧困指數。在MPI測度中，聯合國開發(fā)計劃署選用k=1/3作為多維貧困的臨界值，之后世界各國都使用這一標準，因此本文選取k=1/3，當個體加權貧困值大于等于1/3時，認為個體處于相對貧困狀態(tài)。測算結果如表4所示。

表4 總體多維相對貧困測算結果（單位：%）

由表4可知，橫向看，隨著維度上升，相對貧困發(fā)生率和多維貧困指數逐漸下降，當k值超過0.8時，二者都逐漸接近于0或等于0，這說明我國勞動力人口極端多維貧困的發(fā)生率十分低。2014年，當k=0.1時，相對貧困發(fā)生率高達70.62%，當k=1/3時，相對貧困發(fā)生率為19.32%，當k=0.6時，相對貧困發(fā)生率下降至1.53%?？梢钥闯?，在多個維度上處于相對貧困的個體較少，且平均被剝奪份額的增長幅度遠小于貧困發(fā)生率的下降幅度。縱向看，同一維度上隨著時間的推移，相對貧困發(fā)生率和多維貧困指數有明顯下降趨勢，說明我國經濟快速發(fā)展的同時，扶貧工作成效顯著。

以2014年為例，當k=1/3時，我國勞動力人口貧困發(fā)生率為19.32%，其含義為：有19.32%的個體處于至少3.6667個維度的貧困中；平均被剝奪份額為44.32%，表明平均每人有0.4432×11=4.8752個維度上是貧困的；多維貧困指數為0.0856。

表5 不同區(qū)域多維相對貧困指數M0測算（單位：%）

由表5可知，橫向看，東部地區(qū)多維相對貧困指數最小，西部地區(qū)多維相對貧困指數最大。這與東部地區(qū)經濟發(fā)展水平高、基礎設施完善，西部地區(qū)經濟較為落后有關。縱向看，隨著時間推移，各個地區(qū)的多維相對貧困指數不斷下降，從絕對數看，中部和西部地區(qū)下降幅度最大，分別下降了18.25%和17.72%。各個地區(qū)的多維相對貧困狀況都得到了明顯改善。

（三）多維相對貧困指數按指標分解

本文將多維貧困指數在各指標上進行了分解，各指標對多維相對貧困指數的貢獻率情況見表6。

表6 多維相對貧困指數各指標貢獻率（單位：% ，k=1/3）

由表6可知，從總體看，2010年、2014年和2018年對多維相對貧困指數貢獻率最大的3個指標依次是：工作總體滿意度、就業(yè)狀態(tài)和每周工作時長；受教育程度、做飯用燃料和人均純收入；受教育程度、人均純收入和做飯用燃料。不難發(fā)現，從2010年到2014年，就業(yè)維度的3個指標對多維相對貧困的貢獻率大幅下降。2009年，在金融危機導致部分企業(yè)發(fā)展困難，經濟下行的大背景下，就業(yè)成為最大難題。為此國家出臺了一系列支持和促進就業(yè)的政策，就業(yè)水平維度的3個指標尤其是就業(yè)狀態(tài)指標貧困發(fā)生率和對貧困指數貢獻率的大幅度下降，表明這些政策取得了顯著成效。受教育程度指標的貢獻率隨著時間的增加而增加，且在2014年和2018年貢獻率都達到了最大，說明當前造成個體陷入多維相對貧困的最主要原因是教育貧困。人均純收入貢獻率逐年增加，在2018年與受教育水平指標共同構成對多維相對貧困指數貢獻率最大的2個指標。在健康水平維度，健康狀況對多維相對貧困的貢獻率最大，且隨時間增加而增加，隨著醫(yī)療體制改革以及醫(yī)療體系完善，醫(yī)療保險的貢獻率較低且在呈下降趨勢。可以看出，做飯用燃料指標的貢獻率也較高，因此解決天然氣等配套設施問題有重要意義。由以上分析可知，收入相對貧困是基礎，但要從多個維度來衡量貧困，這對緩解我國相對貧困具有重要意義。

分區(qū)域看，東部地區(qū)的人均純收入和做飯用燃料2個指標貢獻率較低，西部地區(qū)的人均純收入和做飯用燃料2個指標貢獻率較高，東部及東北地區(qū)住房產權的貢獻率較高，而西部和中部地區(qū)較低。西部地區(qū)受教育程度貢獻率高，東北地區(qū)低。不同區(qū)域各指標貢獻率與總體大致保持一致。

五、我國勞動力人口多維相對貧困的影響因素分析

（一）模型構建與變量描述

被解釋變量“是否為多維相對貧困”是一個二分類變量，因此本文選取二元Logistic模型進行分析。被解釋變量用Y來表示，Y=1表示多維相對貧困，Y=0表示非多維相對貧困，具體模型如下：

其中，xi表示影響多維相對貧困的第i個因素，p表示多維相對貧困發(fā)生概率，β1是自變量xi的相關系數，u表示誤差項。

本文主要從個體特征及地區(qū)方面來考慮多維相對貧困的影響因素，最終確定8個指標考察其對我國勞動力人口多維相對貧困的影響是否顯著。變量具體情況見表7。

表7 變量選取與定義

（二）實證結果分析

本文選取k=1/3作為多維相對貧困臨界值，對我國勞動力人口多維相對貧困的影響因素進行分析，這里以2018年的數據為例，樣本量為2988個。Logistic回歸結果顯示，在模型系數的Omnibus檢驗中，p值均小于0.05，表示擬合模型的變量中至少有一個變量的OR值具有統(tǒng)計學意義，即模型總體有意義。在Hosmer—Lemeshow檢驗中，p=0.532＞ 0.05，說明模型擬合優(yōu)度較高。具體的回歸分析結果見表8。

表8 Logistic回歸分析結果

由表8可知，在1%的顯著性水平下，地區(qū)、受教育程度、城鄉(xiāng)、婚姻狀況、就業(yè)狀況和健康狀況對勞動力人口多維相對貧困的影響是顯著的。性別和年齡對勞動力人口多維相對貧困的影響不顯著。地區(qū)變量中是以東部地區(qū)為參照對象，分析結果顯示，東北地區(qū)和西部地區(qū)都是顯著的，各自對應的優(yōu)勢比0R=EXP（B）分別是1.881和4.396，表示東北地區(qū)勞動力人口陷入相對貧困的概率是東部地區(qū)的1.881倍，西部地區(qū)勞動力人口陷入相對貧困的概率是東部地區(qū)的4.396倍。而中部地區(qū)與東部地區(qū)相比貧困與否在1%水平下不顯著。由此可見西部地區(qū)和東北地區(qū)是相對貧困發(fā)生的主要地區(qū)。受教育程度分為五級，以大學本科及以上學歷為參照對象，小學及以下水平發(fā)生相對貧困的概率是大學本科及以上的55.625倍，初中水平發(fā)生相對貧困的概率是大學本科及以上的3.483倍。而高中/中專/技校/職高和大專與本科及以上學歷相比，在1%水平下貧困與否不顯著。說明教育對個人是否相對貧困的影響很大，隨著當前人們受教育水平越來越高，九年制義務教育已不能滿足社會需求。結果還表明，農村勞動力人口陷入多維相對貧困的概率是城鎮(zhèn)的3.442倍?；橐鰻顩r中，其他（未婚、離婚、同居、喪偶）情況發(fā)生多維相對貧困的概率是已婚的1.720倍。失業(yè)/退出勞動力市場的勞動力人口多維相對貧困發(fā)生概率是在業(yè)的4.071倍。健康狀況中，不健康的勞動力人口多維相對貧困發(fā)生概率是非常健康的41.344倍，健康狀況一般的勞動力人口陷入多維相對貧困的概率是非常健康的1.803倍。

六、結論及建議

（一）結論

本文利用中國家庭追蹤調查（CFPS）2010年、2014年和2018年的數據，采用A-F模型對我國勞動力人口多維相對貧困進行了識別、測量和分解，然后建立二元Logistic模型，對我國勞動力人口多維相對貧困的影響因素進行分析。由此得出以下結論：

1.總體說，2010—2018年，每周工作時長是貧困發(fā)生率最高的指標。貧困發(fā)生率下降最多的是人均純收入和就業(yè)狀態(tài)2個指標；最少的是慢性疾病和每周工作時長2個指標。住房產權及面積的貧困發(fā)生率逐年上升。

2.東部地區(qū)在人均純收入和做飯用燃料2個指標上每年均是貧困發(fā)生率最低的地區(qū)，西部地區(qū)貧困發(fā)生率最高。住房產權指標貧困發(fā)生率最高的地區(qū)是東部地區(qū)，貧困發(fā)生率最低的地區(qū)是中部地區(qū)。

3.橫向看，隨著維度的上升，相對貧困發(fā)生率和多維貧困指數逐漸下降。東部地區(qū)多維相對貧困指數最小，西部地區(qū)多維相對貧困指數最大?？v向來看，同一維度上隨著時間的推移，相對貧困發(fā)生率和多維貧困指數有明顯下降趨勢。

4.總體看，2010年對多維相對貧困指數貢獻率最大的3個指標分別是：工作總體滿意度、就業(yè)狀態(tài)和每周工作時長，3個指標從2010年到2014年貢獻率大幅下降。2014年到2018年，人均純收入和受教育程度2個指標的貢獻率上升較多，排在貢獻率最大的前2名。醫(yī)療保險的貢獻率一直較低且呈下降趨勢。

5.在1%的顯著性水平下，地區(qū)、受教育程度、城鄉(xiāng)、婚姻狀況、就業(yè)狀況和健康狀況對勞動力人口多維相對貧困的影響是顯著的。性別和年齡對勞動力人口多維相對貧困的影響不顯著。

（二）建議

1.繼續(xù)落實穩(wěn)就業(yè)政策，全面提升就業(yè)質量。嚴格落實勞動法規(guī)定的勞動者工作時長限定，提高勞動者的工作滿意度。加大勞動力就業(yè)政策扶持力度，對處于較嚴重工作貧困的勞動人口，在政策制定上給予一定側重。針對存在就業(yè)困難的群體開展就業(yè)宣講與招聘。

2.擴大城鎮(zhèn)居民醫(yī)療保險和新農合醫(yī)療保險制度范圍，使受惠居民的范圍更廣更深，完善醫(yī)保制度，有效減少返貧現象。

3.重點關注貧困人口的教育問題。貧困家庭往往因為收入低而沒有過多的資金投入到教育當中，而受教育程度又會影響一個人的收入，這樣循環(huán)下去，貧困群體極有可能陷入代際貧困。

4.加大對西部地區(qū)的政策支持力度。西部地區(qū)一直是貧困發(fā)生率和多維相對貧困指數最大的地區(qū)，我國在發(fā)展經濟的同時要保障各地區(qū)經濟持續(xù)發(fā)展，縮小區(qū)域間發(fā)展差距。

5.繼續(xù)提高對農村問題的重視。研究發(fā)現，農村勞動力人口陷入多維相對貧困的概率是城鎮(zhèn)的3.442倍，政府要加強對鄉(xiāng)鎮(zhèn)企業(yè)的補助，重視農村地區(qū)技術和方法的引進，同時加強對促進城鄉(xiāng)一體化發(fā)展機制研究。