派智库

摘要：在精准扶贫的新阶段，以单一指标衡量贫困的方式已不合时宜，采用多维度贫困测度法的重要性日益凸显。以贵州省50个国家级贫困县为研究对象，从社会生产、财政金融、居民收入、生活与健康及教育5个主维度、16项指标出发，对其贫困状况进行测度，并考察各维度贫困对总体多维贫困的贡献度，分析该地区在2006～2013年多维贫困的演变趋势。研究结果表明，已有的贫困县标准未能准确反映各县的真实贫困程度，可能导致对贫困县的判定出现误差；而多维度贫困测度法可从宏观、微观两个层面精确瞄准致贫原因。2006～2013年地区多维贫困状况虽有缓和，但改善程度有限，甚至个别维度贫困状况呈上升态势。可见，适应精准扶贫要求，应推动多维度贫困测度法的广泛应用，并基于此构建“普惠——精准”的均衡脱贫攻坚政策，实现精准扶贫绩效的多维度评价。

关键词：多维度贫困测度法；贫困分解；贫困演变；精准扶贫 copyright dedecms

贫困是经济社会发展过程中的重要问题，如何消灭贫困始终是学者和政策部门的关注重点。随着我国社会经济的发展，解决贫困尤其是农村贫困问题日益紧迫。1986年，我国正式设立专门的扶贫机构，并拟定第一批国家级贫困县名单。1994年“八七扶贫攻坚计划”开始后，国家级贫困县数目增至592个。2001年新的扶贫纲要颁布后，取消了所有沿海国家级贫困县，并相应增加中西部贫困县数目。现有贫困标准广泛采用人均GDP或人均收入，这种单一指标衡量贫困的方式已不合时宜。收入只是贫困问题的一个方面，而不是全部，教育资源、医疗卫生资源、财政资源甚至自然资源等都是决定贫困的重要因素。因此，应以多维度贫困测度法衡量贫困。 织梦好，好织梦

一、多维度贫困测度法的引入

织梦好，好织梦

1.引入多维度贫困测度法的必要性。贫困本身就是一个多维概念，既体现在导致贫困的因素众多，也体现在贫困的表现形式多样。随着理论和实践的发展，从多维角度衡量贫困已逐渐成为学界的共识。但在实际应用中，多维度贫困测度法相比单一的收入标准较为复杂，因而制定贫困标准时，仍在沿用人均国内生产总值、人均居民收入等易于比较的货币性指标。在扶贫初期，这种做法可简单有效地大规模识别贫困人口。但随着扶贫工作转向精确化，单一的贫困衡量标准越来越不能满足这种精确要求，因此，采用多维度贫困测度法显得尤为必要。与单一的贫困衡量指标相比，多维度贫困测度法在贫困对象识别、贫困的内部差异考察及扶贫成效测度方面更具优势。但由于实际测度较为复杂，多维度贫困测度法在扶贫实践中并未得到广泛应用。在此背景下，本文以部分国家级贫困县为研究对象，采用多维度贫困测度法，对县域层次的贫困问题进行实证测度，并就分析结论提出政策建议。

本文来自织梦

2.多维度贫困测度法可精确瞄准致贫原因。无论是微观贫困个体还是中观层面的贫困县，其贫困状况都存在差异。对于精准扶贫，仅仅识别扶贫对象是不够的，要想取得理想的扶贫效果，还要必须了解扶贫对象在不同维度上的相对贫困程度，这样才能制定更有针对性的扶贫政策和计划。多维度贫困测度法中多维贫困指数的分解，为找出扶贫对象的贫困差异性提供了有效途径。多维贫困指数本身是由不同维度的贫困值加权得到，因而将指数进行分解就可得到相应维度贫困对整体贫困的贡献，且贡献越大的维度其相对贫困程度越严重。每个扶贫对象都有贫困程度最大的维度，找出这些维度，就为制定差异性和有针对性的扶贫政策提供了基础。

织梦内容管理系统

3.基于多维度贫困测度法进行“普惠——精准”扶贫均衡施策。贫困县之间既存在共性，也存在差异。以往的扶贫工作经常是一个地区试点，取得成效后将经验推广。这种经验推广可解决共性贫困问题，但面对差异化的致贫原因，却不一定能起到“对症下药”的效果。差异化的扶贫政策不仅可更有效地缓解扶贫对象的贫困状态，也可促进扶贫资金的合理分配和使用，对于消除特殊群体的贫困也有着重要意义。多维贫困测度结果既可反映研究对象之间的共性贫困，也可挖掘个体之间贫困的差异。针对共性贫困，可制定较为统一的扶贫政策并全面实施，也可先行试点，在总结经验的基础上进行推广。而对于差异性贫困，则要因地制宜地制定差异化的扶贫政策。因此，多维度贫困测度法及其研究成果是“普惠与差异”并存的“普惠——精准”扶贫均衡施策的重要理论和实证支撑。 dedecms.com

二、多维度贫困测度法的应用——对贵州省50个贫困县的考察 织梦内容管理系统

1.研究对象与数据来源。选取的研究对象是贵州省国家级贫困县。贵州省是我国扶贫工作重点地区，全省共88个行政县，其中被列为国家级贫困县的多达50个。统计数据显示，2014年全国贫困发生率为7.2％，而相同统计口径下贵州省贫困发生率达18％。可见，贵州省贫困人群分布广、贫困发生率高，作为研究对象很有代表性。从研究视角上，选择从县域层面出发。作为我国地方行政区划的基本单位，县级地方政府构成地方行政权力的基础。由于贫困本身存在差异性，如果以县以上行政单位为制定政策的主体，则难免会忽视这些差异而使政策缺乏针对性；如果以县以下行政单位为政策制定主体，又会因过于分散而使政策难以协调统一。因此，县级行政单位无论在制定政策还是落实政策方面都较为适合成为研究对象。使用的数据来自《贵州统计年鉴2014》和《中国县市社会经济统计年鉴2014（县市篇）》。

copyright dedecms

2.模型构建。

（1）假设总样本数量为n，每个样本有m个指标维度的贫困测度值，定义样本矩阵X=（xij）nxm，其中xij表示样本i在维度j上的原始取值。行向量Xi=（x1j…x1n）表示样本i在所有m个维度上的取值，列向量Xj=（x1j…xmj）表示所有n个样本在维度j上的取值。

（2）若在每个维度j上确定k个剥夺临界值，定义剥夺矩阵D=（dsj）kxm，向量dj=（d1jd2j……dkj）T代表维度j上的三个剥夺临界值的取值。则样本i在维度j上的贫困剥夺结果Yij（0≤yij≤k）可通过下列函数确定： 织梦内容管理系统

织梦内容管理系统

根据指标的原始数值与剥夺临界值可确定所有n个样本在所有j个指标维度上的剥夺结果，记为矩阵Y=（Yij）nxm。

（3）定义m×1的指标维度权重向量wj=（w1w2……wm）T，其中Wj表示指标维度J（1≤j≤m）的权重赋值，且有。则由Y×Wj可得到n×1的各县多维贫困指数矩阵P=（P1P2……Pn），其中Pi（1≤i≤n，）表示样本i的多维贫困指数测算结果。

（4）定义n×m的指标权重矩阵W=，其中wj表示指标维度j的权重。对矩阵Y=（Yij）nxm和矩阵w进行Hadamard乘积运算，即可得到分维度加权剥夺结果矩阵Y′=（Y′ij），其中y′ij为样本i在维度j上的加权剥夺结果，对于研究不同维度贫困指标对总贫困的贡献度有重要作用。 copyright dedecms

（5）定义各县市人口权重为gi，i=1，2，…，n。则由可得贵州省50个国家级贫困县的总体多维贫困指数测算结果，通过对总体多维贫困指数进行时间序列上的考察，可评估贵州省国家级贫困县的扶贫成效。

3.多维度指标与剥夺临界值。贫困维度的选取是多维度贫困研究的基础。从县域研究角度看，贫困维度与指标选取除要反映各县经济发展水平外，还要反映各县的居民生活状态。综合研究对象特点、数据获取及已有研究成果，最终确定社会生产、财政金融、收入、生活与健康、教育等5个维度、16个指标研究县域贫困状况。在多维度贫困测度中，各维度指标的剥夺l临界值决定了研究样本在该维度上是否处于贫困状态。已有研究中单维度指标大多只有一个剥夺临界值，因而对研究对象的描述只停留在贫困是否被触发的层面。考虑到贫困的差异性，赋予单个维度指标3个剥夺临界值，以此刻画不同研究对象贫困深度的差异。在剥夺临界值的确定上，借鉴和参考已有文献和全国平均指标，从而使临界值的确定更为科学合理。权重反映了不同维度指标对多维度贫困指数的影响程度，因而多维度贫困指数的计算结果非常依赖于不同维度权重的分配。利用主成分分析法确定单个维度指标的权重。由于选取的不同经济变量指标之间通常存在一定的相关性，这种相关性表现为单个维度指标对整体贫困的影响有重叠之处。而主成分分析法可提取各变量之间的共同信息，在一定程度上可消除由于指标相关性导致的权重分配不合理，使多维贫困计算结果更准确。 织梦好，好织梦

4.实证结果与分析。 copyright dedecms

（1）多维贫困测算结果。在贵州省78个县的原始数据基础上，通过剥夺临界值确定各县在次贫困维度上的贫困赋值，用主成分分析法得出权重并进行加权，最终得到各县的多维贫困指数测算结果。选取的78个县包括了全部50个国家贫困县，其余28个县中既有地方性贫困县，也有非贫困县。研究时以多维贫困指数是否大于1为区分点，将指数值大于1的县视为贫困县。根据这一标准设定，除去50个国家级贫困县，有16个县的多维贫困指数也达到贫困县标准（以下称非国家级贫困县）。分析发现：一是县域之间多维贫困差异较大。各县之间的多维贫困指数差距较为明显。以各县人口为权重进行加权，可得到国家级贫困县多维贫困指数的均值为1.778，非国家级贫困县的均值为1.409。可见，国家级贫困县的整体多维贫困状况要比非国家级贫困县更为严重。在所有78个县中，多维贫困指数最高值与最低值之间相差4倍多。在50个国家级贫困县中，多维贫困指数最低和最高的分别是盘县和册亨县，其指数值分别为1.123和2.479，后者为前者的两倍多。在非国家级贫困县中，多维贫困指数最高的为凤冈县，最低的为福泉市，两者之间也相差两倍多。可见，无论是在贫困县与非贫困县之间还是贫困县之间，多维贫困的县域差异都非常明显。二是现有贫困县确定标准存在缺陷。根据本文设定的标准，选取的78个县中除国家级贫困县外，还有16个县也应列入贫困县范围，而在原有的标准下这些县很多既不是国家级贫困县，也不是地方性贫困县。一般情况下，国家级贫困县的贫困程度要超过非国家级贫困县，其多维贫困指数也应更高。但结果显示，国家级贫困县中多维贫困指数较低的盘县（1.123）、习水县（1.166）、荔波县（1.170）和六枝特区（1.195），其指数值已接近非贫困县标准。同样，非国家级贫困县中多维贫困指数较高的黔西县（1.795）和风冈县（2.031），其指数值已超过大多数国家级贫困县，多维贫困状况较为严重。可见，已有的贫困县标准未能准确反映各县的真实贫困程度，可能导致对贫困县的判定出现误差。

织梦好，好织梦

（2）贫困维度分解。贫困的差异性体现在不同维度指标对于多维贫困指数的贡献度上，某一维度指标对多维贫困的贡献度越高，说明相对于其他维度而言，样本在该维度上的贫困状况更严重。多维贫困指数具有可分解性，通过对指数的分解可得到各维度指标的贡献度。对多维贫困平均贡献度最高的为收入维度（29.33％），其次是社会生产维度（22.71％）和生活与健康维度（20.04％），较低的是财政与金融维度（14.33％）和教育维度（13.60％）。因此，从维度贡献看，贵州省的国家级贫困县在居民收入、社会生产、生活与健康维度上贫困状态较为严重，而在财政金融和教育维度上贫困状态较为缓和。除权重影响外，外部干预也是导致财政金融维度的平均贫困贡献度较低的原因。国家级贫困县享有大量的中央和地方的财政补贴拨款，在财政支出尤其是基础设施建设方面获得的外部支援较多，因而其财政金融方面的压力可通过这些渠道得到缓解。教育维度的贫困贡献度较小是由于本文选取的指标多是考察基础教育，尤其是学龄儿童入学率等义务教育阶段的硬性指标，而在这些指标方面贫困县与全国的平均水平差距并不大。总体看，根据多维贫困指数分解结果，各县可制定具有针对性的扶贫政策。如，通过对各县每个维度的贡献度进行排序，得出各维度上贡献度较高县市：社会生产（威宁县、黄平县、榕江县），财政金融（思南县、江口县、三都县），居民收入（六枝特区、盘县、习水县），生活与健康（贞丰县、水城县、晴隆县），教育（盘县、锦屏县、麻江县），在具体政策制定上可针对各县贡献度较高的维度进行重点扶贫支援。 内容来自dedecms

（3）多维贫困演变。对2006～2013年贵州省50个国家级贫困县的多维贫困指数进行测算，一方面可考察其多维贫困演变趋势，另一方面可考察这一时期贵州省国家级贫困县的扶贫成效。为准确反映贫困的动态变化，在计算历年多维贫困指数时采取浮动剥夺临界值方法，即每一年度依据全国平均水平重新设定部分指标的剥夺临界值。2006～2013年，贵州省50个国家级贫困县的多维贫困指数从2.051下降到1.778，总体下降比率为13.3％，表明这一时期贵州省贫困县的贫困状况呈现缓和趋势，扶贫工作取得一定成效。但值得注意的是，2013年的整体多维贫困指数值为1.778，表明其贫困状态依然较为严重，且这段时期内多维贫困指数虽呈下降趋势，但速度较为缓慢，年均下降仅1.67％，个别年份（2008年、2013年）甚至出现反弹，说明很可能出现了返贫现象。从各维度贫困变化趋势看，2006～2008年，只有社会生产维度的贫困值下降幅度较为明显，从2006年的0.684下降到2013年的0.431，年均下降幅度为3％；居民收入维度及生活与健康维度的贫困值虽呈下降趋势，但下降幅度较小，个别年份同样出现反弹现象。财政金融维度和教育维度的贫困值不仅没有下降，反而呈上升态势，且教育维度上升趋势尤为明显（见图l）。这说明当地扶贫只注重解决社会生产方面的难题，对收入、教育和居民生活等方面的扶贫力度不够，从而导致社会生产维度贫困值单方面下降，而其他维度的贫困值下降不明显甚至不降反升，这也是多维贫困指数整体下降缓慢的重要原因。 本文来自织梦

三、结论与政策建议

我国的扶贫工作始于改革开放初期，经历了从大面积、大规模减贫到瞄准贫困县、贫困村，再到扶贫资源精确瞄准贫困户和贫困个体的发展过程。扶贫工作在不断调整过程中始终体现了一种思想，即随着贫困人口的减少，扶贫工作要越来越精细和精确。2013年11月，习近平总书记在湖南湘西考察时首次提出“精准扶贫”概念，同年12月国务院扶贫办颁布《关于印发“建立精准扶贫工作方案”的通知》，我国扶贫工作正式进入“精准扶贫”的新阶段。精准扶贫要做到对贫困个体的精准识别和精确帮扶，因而需要构建合理的、能全面反映贫困状态的贫困测度方法。利用多维度贫困测度法对贵州省国家级贫困县多维贫困测度结果对开展扶贫工作具有参考价值。因此，在多维贫困测度的基础上，对精准扶贫工作提出如下建议： dedecms.com

一是推动多维度贫困测度法的广泛应用。利用多维度贫困测度法研究发现，贵州省部分国家级贫困县的多维贫困状况要好于大多数非贫困县，而个别非贫困县的多维贫困状况反而比大多数国家级贫困县都要严重，说明依据现有的贫困标准，在确定贫困县时可能会出现误差。精准扶贫要求对贫困个体实现准确识别是开展扶贫工作的基础。多维度贫困测度法既可从宏观层面进行分析，也可从微观层面进行测度。在微观层面，个人的贫困状态是由收入、资产、教育水平、抵御重大疾病风险的能力等方面共同决定，只从单一维度制定贫困衡量标准很难准确识别贫困个体，因而在微观层面上应用多维度贫困测度法对精准扶贫工作非常必要。此外，多维度贫困测度法应坚持动态分析，通过适时调整，使贫困个体能及时得到帮扶，而脱离贫困的个体能及时退出贫困救助体系，避免扶贫资源的浪费。 内容来自dedecms

二是“普惠——精准”均衡的脱贫攻坚政策选择。实证研究表明，利用多维度贫困测度法，不仅可测量贵州省50个国家级贫困县共性贫困维度，为制定“普惠扶贫政策”提供依据，而且多维贫困分解结果可在一定程度上反映不同贫困县在经济社会发展方面最薄弱的环节，从而为有针对性地制定“精准扶贫政策”提供了依据。如，六枝特区、盘县、习水县在居民收入维度上情况最严重，则这些县在制定扶贫政策时，应注重提高居民收入；盘县、锦屏县、麻江县在教育维度上情况最严重，这些县在扶贫工作应适当向当地的教育发展倾斜。同样推理可知，利用多维度贫困测度法也可对微观个体的不同贫困情况进行考察，从而实现差异化帮扶，更有助于扶贫对象快速、精确脱贫。 copyright dedecms

三是精准扶贫绩效评价的多维考察。扶贫成效评估是扶贫工作的重要环节，反映了一个地区在消除贫困方面所取得的成效。目前，我国常用贫困发生率来考察扶贫成效。贫困发生率指贫困人口占总人15的比率。统计数据显示，1978年我国农村贫困发生率为30.7％，而这一指标在2014年已下降到7.2％。因此，仅从贫困发生率这一指标看，改革开放至今我国在扶贫方面取得了不俗的成绩。但贫困发生率指标无法反映贫困的深度和强度，且其标准制定完全取决于政府部门，所以学者和国际机构都曾对基于贫困发生率得出的减贫成绩提出过质疑。此外，单从贫困发生率出发只能考察总体贫困，无法进一步刻画个体贫困状况，因此，多维度考察扶贫成效才符合当前精准扶贫的要求。对贵州省国家级贫困县的多维贫困演化趋势分析表明，其多维贫困虽有下降趋势，但下降速度缓慢，部分年份还出现反弹现象，说明在多维贫困考核体系下的减贫成效要明显劣于单一指标，即单一的扶贫成效评价指标可能高估了贫困地区的减贫工作成效。此外，单一扶贫成效评价指标还可能影响扶贫工作的全面性。研究表明，贵州省国家级贫困县仅在社会生产维度上取得了较好的减贫效果，其他维度上的贫困下降趋势不明显，而教育维度贫困呈直线上升趋势。究其成因，原有的评价方法只从人均GDP等硬性经济发展指标衡量贫困，导致扶贫政策与扶贫资金向经济发展方面倾斜，而对健康、教育等维度贫困的帮扶不足，影响扶贫成效的全面性和均衡性。精准扶贫对应全面建成小康社会的新阶段，在全面消除贫困的要求下，构建多维扶贫成效考察指标以取代原有的单一指标的重要性更加凸显。

织梦内容管理系统