IFAD中國項目精準脫貧績效評價：基于農民人均收入視角

帥競+成金華+帥傳敏+李文靜+郭晴+程欣+丁麗萍

摘要 基于課題組在7省區1 356農戶的調查問卷數據，采用雙差分析模型對IFAD項目的扶貧績效進行了測度；選用人均純收入作為貧困代理指標，并采用傾向得分匹配法對項目干預的凈效應進行了分析，分別采用核匹配和半徑匹配（0.001）方法測算了項目的干預效果，定量評價了聯合國IFAD中國項目對項目區受益人精準脫貧的實際貢獻。研究結果顯示：①IFAD項目脫貧效果顯著：IFAD項目的實施對項目區貧困農戶脫貧率的凈貢獻為18.71%，由于IFAD項目實施而擺脫貧困的受益人總數達到80.746萬人，其中直接受益人46.113 7萬人，間接受益人為34.632 3萬人；②從收入結構來看，IFAD項目干預對貧困農戶種植業收入增長的影響最大：采用DiD、包含控制變量的DiD、加權最小二乘DiD和PSM方法分析的結果顯示，IFAD項目實施使項目受益人的種植業收入人均增長了1 031.15元，且在0.05的水平上顯著；③從家庭特征來看，市場便捷程度和戶主學歷對IFAD項目干預效果的影響最大。基于以上研究結論，本文提出了旨在提高IFAD中國項目脫貧績效的政策建議：①應充分發揮聯合國IFAD項目精準脫貧的示范效應；②加快貧困地區農業產業結構升級以優化貧困戶的收入結構；③進一步加強貧困地區道路和教育等基礎設施建設。

關鍵詞 聯合國IFAD；項目績效評價；精準脫貧；雙差分析（DiD）；傾向得分匹配（PSM）

中圖分類號 F061.3 文獻標識碼 A 文章編號 1002-2104（2017）02-0126-09 doi：10.3969/j.issn.1002-2104.2017.02.018

貧困問題是關乎社會穩定和可持續發展的世界性難題。如何消除貧困一直是世界各國共同關心的問題。消除絕對貧困是實現我國共享發展和全面建成小康社會的重要措施。中國作為世界最大的發展中國家，農村貧困一直是一個不容忽視的問題。黨的十八大提出了2020年全面建成小康社會的宏偉目標。當前，我國已經吹響了消滅絕對貧困的沖鋒號，從中央到地方都在積極推進精準扶貧，為2020年實現“精準脫貧、不落一人”的目標而不懈努力。聯合國國際農業發展基金（簡稱IFAD），是一個致力于全球農村減貧使命的聯合國專門機構。IFAD從1981年開始與中國政府開展了長達34年的反貧困合作，積極參與到中國農村的減貧事業并做出了重要貢獻。截至2016年，IFAD共向中國批準了29個項目，直接受益人4 393 300人，投資總額達21.918 億美元。IFAD項目的實施，惠及中國西北、西南和中部20多個省市自治區的農村貧困地區。然而，IFAD中國項目的扶貧績效究竟如何？IFAD中國項目的實施使項目區多少貧困人口擺脫了貧困？哪些因素對IFAD項目干預效果的影響最大？農戶收入結構對IFAD項目干預效果是否存在顯著差異？現有的研究文獻，都沒能回答這些問題。有鑒于此，本文將采用雙差分析（DiD）和傾向得分匹配（PSM）法，對收入視角下IFAD項目干預的凈效應進行分析，以檢驗IFAD項目脫貧績效和對農戶收入結構干預效應的影響，旨在提出提高扶貧項目精準脫貧效果的政策建議。

1 文獻綜述

貧困概念最早由英國經濟學家Holman 提出，認為貧困應按照滿足家庭基本需要的物品量或支出量來衡量[1]。美國經濟學家Orshansky用收入定義美國的貧困問題，她提出的貧困定義為美國官方統計機構所采納，將購買美國農業部食品計劃所包含食物費用的3倍設定為貧困線，如果某人的家庭收入低于由此計算出來的具有相同特征家庭的貧困線，這個人就被認為是貧困者[2]。我國學者童星認為貧困是一個復合概念，是經濟、社會、文化落后的總稱，因為收入水平低，導致一些生活必需品和基本服務無法得到滿足的一種生活狀況[3]。中國國家統計局從1998年開始使用人均收入和人均消費雙指標衡量一個農戶是否屬于貧困人口。根據住戶調查分戶收支數據測算，2014年中國現行農村貧困標準為年人均純收入2 800元人民幣。世界銀行根據對 34 個發展中國家特別是12 個最貧困國家貧困狀況的研究結果提出，將 370 美元作為國際通用貧困標準衡量各國的貧困狀況，按購買力平價簡化為“1天1美元”的貧困標準[4]。世界銀行2005年調整為“1天1.25美元”，2015年又調整到“1天1.9美元”。

基于收入視角的貧困，與生理最低需要相聯系，低于這個需要，人就不能正常成長和生活。由于基本需求確定的復雜性，經濟學家們在研究的基礎上又提出貧困確定的相對標準。歐盟各國普遍采用人均收入低于中位數50%作為貧困線。1979 年以來，英國對貧困的定義是“家庭收入低于收入中位數的 60%”，中位數收入是指處于中間收入分配階層的家庭所獲得的稅后收入。張全紅用向量自回歸模型對中國政府的農村扶貧資金投入和貧困減少的關系和Granger因果關系進行了研究，認為經濟增長不僅減少了農村貧困人口，同時也加重了貧困深度指數和貧困強度指數[5]。傳統的貧困測度方法通常是基于家庭的貨幣收入或家庭消費的指標來測度貧困，這種方法較為直接和簡單，并被世界銀行和中國政府用來界定貧困。任春麗基于河北省農村貧困的調查數據，從農民收入、支出和國家的扶貧政策三個方面分析了農村貧困狀況，得出的結論是：農民收入少、支出多、政府投資力度不夠、扶貧政策效果不佳是造成農村貧困的主要原因[6]。陳琦從人力資本和收入角度對武陵山區連片特困地區農村家庭進行了研究[7]。Shuai et al.對IFAD項目對中國項目區的影響進行了評估，結果顯示：IFAD項目的減貧效果是明顯的，在減貧理念方面的示范作用和影響是深遠的[8]。Gao et al.采用傾向得分匹配法分析了低保家庭與非低保家庭的減貧效應，結果表明低保家庭減貧效果較為顯著，但難以消除其目標群體內的貧困現象[9]。

汪三貴認為，我國精準扶貧方面的困難體現在精準識別、精準扶持和精準考核三個方面，并提出了改進精準扶貧績效的政策建議[10]。李毅等認為，對扶貧項目的績效評價應該以項目的目的性為基礎進行多角度評價，同時驗證了利用數據包絡法對單一項目績效評價的可行性[11]。朱乾宇通過政府扶貧資金及其具體投向對提高農業總產值和農民純收入、降低農村貧困人口及其比例的回歸分析研究了政府扶貧資金的使用績效[12]。Garriga R G采用3個指標構建了貧困指數，以貧困指數排名確定貧困區域[13]。Amartya Sen提出了能力貧困的概念，他認為：貧困問題不僅僅是因為收入低，它還意味著貧困人口缺乏獲得收入的能力，也就是說貧困的真正含義是貧困人口創造收入機會和能力的貧困[14]。孫璐基于管理生態學思想，采用不同性質的評估案例進行對比實證檢驗，探索了扶貧項目評估的適用方式，提出了精準扶貧視角下扶貧項目績效評估的改進建議[15]。在扶貧績效評價指標方面，李興江運用層次分析法，通過建立參與式扶貧模式績效評價指標體系，對甘肅省徽縣麻安村參與式扶貧模式的績效進行了評價[16]。宋衛信的研究結果表明：甘肅省扶貧績效明顯的主要因子依此為人均收入、人均財政狀況、政府投入的人均非扶貧資金、未解決溫飽人口的人均扶貧資金、人均銀行存款及GDP值[17]。

2 數據與方法

2.1 評估范圍

按照聯合國IFAD總部的部署，本次中國項目影響評估覆蓋7個項目，涉及9個省市區，這7個項目實際總投資達到49 432.73萬美元，其中，IFAD投入19 892.96萬美元，占項目總投資的40.24%，中國政府配套資金投入26 247.16萬美元，總投資的53.10%，其余（6.66%）為農民投工投勞等（見表1）。這7個項目的計劃受益人總數為5 915 874人、項目實際受益人總數為6 407 550人，包括項目直接受益人2 580 779人和項目間接受益人3 826 771人。按照IFAD的定義，項目直接受益人是指直接接受項目干預措施的農戶即項目戶的總人口，項目間接受益人是指項目溢出效應即項目示范效應所輻射的農戶的總人口。

2.2 IFAD中國項目脫貧績效評價的理論框架

列入本次評估對象的7個IFAD中國項目，分布在中國西南、西北和中部地區三大區域9個省市區。每個IFAD項目都包括5方面建設內容（子項目）：即基于土地的農業生產發展、農村基礎設施建設、農村信貸、社會發展和項目管理。考慮到IFAD中國項目的實際情況，按照課題組與IFAD總部達成的共識，本次評估選擇了農村信貸、農村基礎設施建設和社會發展3個子項目開展了IFAD國家級項目影響的后評估。IFAD扶貧項目的主要干預方式，是向貧困農戶發放小額信貸幫助其發展農牧業生產，因而農村信貸子項目是本次評估的重點。而農村基礎設施子項目可以反映政府投入和貧困村生產生活設施的改善情況，這對項目持續發揮效益具有重要作用。社會發展子項目主要反映貧困村和貧困人口的健康、教育和賦權等社會發展水平，是項目長遠影響和長期效益的重要體現。

本次IFAD項目影響評估，參照美國國際開發署（USAID）開發的邏輯框架分析法（LFA），并結合IFAD項目親貧與減貧目標導向的設計理念，通過在項目區開展的一系列“投入-產出-結果-影響”的因果鏈條，從而實現項目的短期和長期脫貧目標。課題組基于IFAD項目設計理念和邏輯框架法（LFA），從項目干預投入-項目產出-項目短期效果-中期效果-長期影響的邏輯因果關系鏈，分析和構建了農村信貸、農村基礎設施建設、社會發展3個子項目的減貧路徑，形成了本次IFAD國家級項目影響評估的理論框架。

2.3 樣本容量的確定

為了確定適合本次IFAD國家級項目深度影響評估的樣本容量大小，在90%的置信度下，本文采用SAS 9.1軟件模擬在7種不同情景下受益群體人均純收入的改善程度。考慮到10年來中國農村的迅速發展，根據IFAD項目在中國項目區實施的實際情況，本文認為在7種情景中，情景4（樣本量為900）與現實最為接近。考慮到運用傾向得分匹配（PSM）方法，本文在理論模擬結果基礎上又增加了50%的農戶樣本量，即900 × 150% = 1 350，樣本量設定為1 350左右。

2.4 問卷設計和抽樣方法

本文采用了分層抽樣和隨機抽樣相結合的方法，按照省級、縣級、村級分層抽樣的方法，且各級抽樣均采用隨機抽樣的方式選取。此外，根據本次影響評估的設計方案，為了科學評估IFAD干預效應的大小，本研究采用了準實驗研究方法設計了干預組和對照組，并分別確定了抽樣方法。對干預組（項目村）的抽樣采用了隨機抽樣的方法選取，采用傾向得分匹配（PSM）法的匹配思想選取了對照組（非項目村）。在7個省（寧夏、重慶、甘肅、新疆、內蒙、河南、四川）中抽取了49個樣本村。首先，每個省隨機抽取一個縣；其次，每個縣隨機抽取7個村，其中隨機抽取4個項目村，再運用傾向得分匹配（PSM）方法選擇3個最合適的非項目村；最后，在每個村隨機抽取28個左右的農戶，使農戶樣本總容量達到1 350左右。

2.5 樣本數據一致性檢驗

本研究樣本數據來源于本評估組實地調研的7個省（或自治區、直轄市，下同）的農戶調查問卷。課題組在實地調研過程中共發放農戶調查問卷1 362份，其中有效問卷數為1 356份，問卷有效率分別為99.56%。本文從受訪者是否接受項目干預、地域、性別、年齡及戶主學歷等角度統計了農戶問卷樣本的基本特征，基本特征如下：干預戶764，對照戶592；從受訪者性別來看，男性占比75.96%，女性占比24.04%；從受訪者年齡來看，29歲及以下所占比例為6.34%，30—39歲為12.76%，40—49歲為30.60%，50—59歲為26.70%，60歲及以上為23.60%。從戶主學歷來看，文盲占比20.72%，小學占比40.78%，初中占比29.50%，高中及以上9.00%。本文對問卷所獲取得數據是否具有良好的內在一致性進行了檢驗，結果顯示：Cronbachs Alpha值和KMO值均在0.7以上，表明實地調研獲取的樣本數據具有良好的內部一致性。

2.6 貧困線的選取

本文選取了農民人均純收入作為貧困代理指標，以測算本次調研的樣本農戶的貧困狀況。已有研究中對收入測度的貧困界限的劃分通常采用中國政府貧困線標準和世界銀行貧困線標準。本次評估的項目實施年份跨度為2003—2013年。世界銀行根據1985年的購買力平價數據，將1990年的貧困線標準定在每天1美元。2005年，世界銀行將標準提高到1.25美元。考慮到收入貧困線標準的國際實用性以及IFAD項目總部對貧困線劃分標準的要求，本文采用了世界銀行標準作為收入貧困線標準，以衡量本次調研的樣本農戶貧困狀態的變動情況。

2.7 評價方法

2.7.1 雙差分法（DiD）

雙差分法主要通過自然試驗的數據，通過有效控制研究對象間的事前差異，排除時間等固定效應，從而將政策影響的真正結果有效分離出來，以便真實反映政策的真實干預效果，減少過濾結果變量受時間和固定效應的干擾[18]。本文主要采用雙差分析法對IFAD項目干預前后農戶的貧困狀態進行評估和對比分析，借以考察IFAD項目對中國項目區農戶貧困狀態改善（脫貧）的貢獻程度。本文對項目干預效應的分析主要從以下兩個角度進行：首先，本文基于雙差分方法，對IFAD項目干預前后對項目村與非項目村脫貧率變動的差異進行了分析；接著，本文采用雙差分析法，采用農民人均純收入作為測度農戶貧困狀態的代理指標，對項目前后項目農戶和非項目（對照）農戶收入的差異進行了分析。

DiD的評估模型見式（1）：

包括協變量的DiD評估模型見式（2）：

上式中，yit代表農戶貧困狀態，i代表農戶，t代表時期，Pi為二值虛擬變量，用于衡量農戶是否參與IFAD項目，Tt衡量農戶參與項目時期，Xit為影響農戶貧困狀態的協變量組。我們將全部樣本分為四組，即項目前、后控制組和項目前、后處理組。經代入公式可知交乘項的系數N1為本文研究的IFAD項目對中國項目區農戶的凈影響。然而，該方法對項目前后其他因素要求非常苛刻，要求對照組和處理組對于項目干預以外的其它影響因素完全相同。因此，我們在（2）的基礎上引入了協變量，考察其在控制外部變量的情況下IFAD項目對農戶的平均處理效應。

本文采用獨立樣本T檢驗對項目干預前處理組與對照組差異的顯著性進行了檢驗，結果表明：項目干預前，處理組與對照組之間不具備顯著差異，即滿足采用雙差異分析法的前提條件。

2.7.2 傾向得分匹配法（PSM）

傾向得分匹配方法（PSM）最早由Rosenbaum和Rubin提出，其基本思想在于評估某項政策的效果時，若能找到與處理組盡可能相似的控制組，就可能盡最大程度的降低樣本選擇偏誤，使得政策評估的結果更加合理[19]。本文采用PSM的基本思想進行了樣本村與對照村的選擇，選取了4個基本指標用于確定對照村（項目基年的村級農民人均純收入、人均耕地面積、農戶到最近市場的距離、村部所在地的海拔高度），并據此采用傾向得分匹配的方式從項目縣沒有參加IFAD項目的村中抽取對照村，在對照村內采用隨機抽樣的方式選擇樣本農戶。本文采用PSM法對IFAD中國項目脫貧的凈貢獻進行了分析。PSM方法的基本原理見式（4），項目組的可觀察特征X，參與了項目用T = 1表示，傾向得分值為P（X） = Pr （T = 1|x），當PSM方法的前提假設得到滿足時，IFAD項目干預的平均處理效應ATET可以用項目組的平均產出E[YT|T=1， P（X）]減去對照組的平均產出E[YC|T=0， P（X）]表示：

本文根據Logit模型獲取PS值，采用多維匹配的方法，獲取影響農戶貧困狀態的個體因素和家庭因素，以便于尋找與項目戶更相似的對照戶。運用Probit模型分析選擇作為進入PSM模型的協變量，分別為戶主年齡（hha）、戶主學歷（hhe）、家庭成員數（nfm）、勞動力中女性占比（pww）、家庭勞動力個數（nfl）、去市場的最短耗時（ttm）和人均耕地面積（aveland）。然后，本文分別運用近鄰匹配法（1∶1）、核匹配法、半徑匹配法，估計IFAD項目干預的平均處理效果ATET。通過運用不同的匹配方法對項目組農戶和對照組農戶進行匹配，可以檢驗PSM方法對IFAD項目干預的平均處理效果的穩健性。

本文采用PSM平衡假設檢驗結果表明：匹配后偏差百分比基本上都小于5%，表明平衡效果較好；匹配后的t檢驗結果表明，處理組與對照組的差異不顯著，表明滿足平衡假設條件。

3 IFAD中國項目精準脫貧績效評價結果與分析

3.1 IFAD項目對項目區直接受益人的精準脫貧績效分析

本文采用雙差分分析法，參照世界銀行貧困線標準，基于IFAD項目實施前后農民人均純收入變動的樣本數據，測算了項目區項目前后脫貧率的變動情況，以揭示IFAD項目對項目區直接受益人脫貧的實際貢獻，測算結果見表2。

按照IFAD要求，本次評估采用世界銀行貧困線標準，各省項目村脫貧率均實現了大幅度增長。從總體上看，七省項目村項目前脫貧率為35.86%，而項目后脫貧率為93.59%，項目前后增長了57.73%。同期，對照村脫貧率由項目前的36.99%提高到項目后的76.01%，項目前后增長了39.02%。雙差異分析（DiD）結果顯示：由于IFAD項目實施，項目村脫貧速度高于對照村18.71%，這是IFAD項目對項目村減貧的凈貢獻。從各省分別來看，IFAD項目對脫貧率的貢獻大小依次為：內蒙古（24.70%）、新疆（20.83%）、甘肅（17.56%）、重慶（17.27%）、寧夏（15.31%）、四川（12.60%）、河南（10.40%）。

與此同時，本文從項目村與對照村人均純收入上升的農戶所占比例之差的視角來分析IFAD項目對減貧帶來的影響。本文以世界銀行標準衡量農戶項目后的脫貧和未脫貧狀態，且農戶在項目期內人均純收入的變動情況，即農戶若在項目后處于未脫貧或脫貧狀態，則該農戶的人均純收入在整個項目期內是處于上升還是下降？從總體上來看，所有項目村農民人均純收入處于上升的比率為97.64%，而同期對照村為90.03%，項目村比對照村高出7.61%。項目區有6.15%的農戶雖未達到脫貧標準，但這部分農戶的人均純收入在項目期內也實現了正增長。

3.2 脫貧績效的顯著性檢驗

基于上述人均純收入貧困標準，本文對7個省項目村和對照村的脫貧率以及脫貧率的差異進行了分析，并在此基礎上采用獨立樣本T檢驗了項目村和對照村脫貧情況變動差異的顯著性。檢驗結果表明：P=0.023<0.05，這顯示項目村與對照村在人均純收入維度下脫貧率的雙差分結果存在顯著差異，置信水平達到95%（見表3）。與此同時，本文對項目戶與對照戶項目前后的收入差異進行了分析，并對項目戶與非項目戶項目前后人均純收入增量差異的顯著性也進行了檢驗，結果見表4。檢驗結果表明：在脫貧率方面，項目村的脫貧率顯著高于對照村；在人均純收入的增量方面，項目戶的收入增長顯著高于非項目戶。

3.3 基于雙差分的扶貧項目效果分析

本文首先采用雙差分模型對IFAD項目的扶貧績效進行測度，選用人均純收入作為主要測度指標，結果表明，項目干預對農戶收入的凈貢獻為：農戶人均收入增長了1 101.145元，且達到了99.99%的顯著性水平。為增加分析結果的可靠性和穩定性，本文采用包括控制變量的雙差異分析模型對IFAD項目的扶貧績效進行測度。本文對控制變量的選取采用Logit模型，最終選用家庭中婦女勞動力占比、戶主年齡、戶主學歷、家庭成員數、家庭勞動力個數、去市場的最短耗時和人均耕地作為控制變量，對IFAD項目對農戶人均純收入的凈貢獻進行分析，結果見表5。從表5不難看出：在控制農戶家庭規模、土地情況、勞動力情況和市場便捷程度等規模的情況下，IFAD項目干預對農戶收入增長的凈貢獻為883.299元。對模型中控制變量的分析結果表明，去市場的最短耗時對項目凈貢獻的影響最大（-1 017.533，p=0.000），即以市場最短耗時表征的市場便利越短，對收入增長的影響最大；戶主學歷對項目凈貢獻的影響也較大（176.726，p=0.000），即戶主學歷越高，對收入增長的貢獻越大。研究結果還表明，家庭勞動力個數（-99.645，p=0.049）和人均耕地面積（-30.635，p=0.014）對收入增長具有負向影響。

此外，本文還對IFAD扶貧項目對受益農戶收入結構的影響進行了分析，分別采用DiD、包含控制變量的DiD和加權最小二乘DiD方法，對人均收入視角下IFAD項目干預的凈效應進行了分析。結果顯示：IFAD項目對農戶人均純收入干預效果顯著，在不考慮控制變量的情況下，項目的凈干預效應為1 101.145元，在考慮控制變量的情況下為883.299元，在加權最小二乘法估計的結果下為938.978元，三種估計方法的均值為974.474元。即從總體上來看，IFAD對農戶人均純收入的貢獻顯著。從收入結構來分析，IFAD項目干預對人均種植業收入的貢獻顯著，而在人均養殖業收入、人均外出務工收入、人均政府補貼收入和人均其他收入方面的貢獻不顯著。其可能原因在于，上述項目地區主要以種植業為主，因此IFAD項目對種植業的干預效應顯著；而養殖業由于受養殖規模的影響，項目干預效應并未達到顯著性水平。

3.4 基于PSM的扶貧項目效果分析

為提高對IFAD扶貧項目干預效應分析的穩定性，本文采用傾向得分匹配法對項目干預的凈效應進行了分析，分別采用核匹配和半徑匹配（0.001）的方法估算項目的干預效果。結果顯示：采用2種匹配方法估算的IFAD項目扶貧效果分別使農民人均純收入增長了426.870元和564.180元，取二者的平均值，即項目干預對人均收入增長的凈貢獻為495.525元。從收入結構來看，項目干預對人均種植業收入（728.756元）貢獻最大，其次為人均外出務工收入（666.889元）、人均養殖業收入（324005元）、人均其他收入（98.322元）和人均政府補貼收入（84.875元）。

3.5 IFAD項目在9省項目區脫貧總人口的測算

3.5.1 IFAD中國項目區直接受益人脫貧人口的測算

本文根據上述IFAD項目區脫貧率的測度，以項目受益人為基礎數據，對項目區內因受項目干預而脫貧的人口進行了推算，結果見表6。

3.5.2 IFAD中國項目區間接受益人脫貧人口的測算

本文以甘肅省廣河縣為例測算了IFAD項目對間接受益人脫貧的貢獻率，結果如表7所示。

由于缺乏其他項目縣的相關數據，本文采用甘肅省廣河縣項目后（2013年）IFAD項目對間接受益人脫貧的貢獻率（9.05%）來推算各省IFAD項目間接受益人的脫貧人口數，如表8所示。

3.5.3 IFAD中國項目區總受益人脫貧人口的測算

基于上述分析結果，本文對本次評估9個IFAD項目省（市、區）的受益人脫貧總人口進行了測算，IFAD項目脫貧的總受益人數為80.746萬人（見表9）。基于樣本縣的脫貧率對我國9省市區的測算，截至2013年底，IFAD項目實施的9省市項目區擺脫貧困的總人口已達562.61萬人，其中項目直接受益人239.58萬人，項目間接受益人323.03萬人。

4 結論與建議

4.1 研究結論

通過以上實證分析，本文得出如下結論：

（1）從總體上來看，IFAD項目脫貧效果顯著。研究結果顯示：參照世界銀行貧困線標準，截至2013年底，我國9省（區市）IFAD項目區脫貧總人口已達562.61萬人。從IFAD項目對項目區脫貧的實際貢獻來看，IFAD項目的實施對項目區貧困農戶脫貧率的凈貢獻為18.71%，對脫貧人口總數的凈貢獻為80.746萬人，即在9省（區市）項目實施期內562.61萬的脫貧總人口中，有80.746萬人由于IFAD項目的實施而擺脫了貧困；從人均純收入角度來看，基于DiD模型分析的項目干預的凈貢獻為1 101.145元，采用包括控制變量的DiD模型分析的項目干預的凈貢獻為883.299元，采用加權最小二乘模型估計的項目干預凈效應為938.978元，采用PSM分析的項目干預的凈貢獻為574.290元，且均在0.05的水平上顯著，平均干預效果為974.474元。

（2）從收入結構來看，IFAD項目干預對種植業收入增長的影響最大。本文的交叉驗證分析結果表明：在農戶收入結構中，IFAD項目干預對種植業收入增長影響最大。在IFAD項目的干預下，人均種植業收入平均增長了1 031.15元。雙差分結果表明：項目干預對人均種植業收入的貢獻最大（974.474元）且顯著，而對人均養殖業收入、外出務工收入、政府補貼收入和其他收入方面的貢獻不顯著；PSM分析結果表明：項目干預對人均種植業收入（728.756元）貢獻最大，其次為人均外出務工收入（666.889元）、人均養殖業收入（324.005元）、人均其他收入（98.322元）和人均政府補貼收入（84.875元），且均在0.05的水平上顯著。

（3）從家庭特征來看，市場便捷程度和戶主學歷對IFAD項目干預效果的影響最大。從包含控制變量的雙差分模型可以看出，去市場的最短耗時對項目凈貢獻的影響最大（-1 017.533，p=0.000），即以市場最短耗時表征的市場便利越短，對收入增長的影響最大；戶主學歷對項目

凈貢獻的影響也較大（176.726，p=0.000），即戶主學歷越高，對收入增長的貢獻越大。研究結果還表明，家庭勞動力個數（-99.645，p=0.049）和人均耕地面積（-30.635，p=0.014）對收入增長具有負向影響。

4.2 政策建議

基于以上研究結論，本文提出以下建議：

（1）應充分發揮聯合國IFAD項目精準脫貧的示范效應。研究表明，IFAD中國項目的精準脫貧效果顯著，為項目區貧困人口脫貧致富發揮了重要作用。本文課題組在各省IFAD項目區調研時發現，IFAD項目高度重視扶貧對象即項目受益人的生計改善和可持續發展，在增加項目受益人收入的同時加強貧困人口尤其是婦女等弱勢群體的能力建設，高度重視項目實施過程的監測評價（M&E）和結果導向的精細管理（RIMS），使IFAD項目干預活動實現了預期的脫貧目標。為此，建議我國在當前精準扶貧和精準脫貧的語境下，充分發揮IFAD項目精準脫貧的示范效應，借鑒IFAD扶貧項目實施和管理的有益做法和經驗，強化各類精準扶貧項目的監測評價和過程管理，以大幅度改善扶貧項目脫貧的實際效果。

（2）加快貧困地區農業產業結構升級以優化貧困戶的收入結構。研究結果顯示，IFAD扶貧項目的干預措施對貧困農戶的收入結構產生了影響，提高了種植業和養殖業收入的比重，降低了貧困戶對政府補貼和外出打工的過度依賴。這有助于提高貧困人口的“造血機能”，以提高貧困人口脫貧致富的穩定性和可持續性。因此，建議我國在精準脫貧進程中加快貧困地區農業產業結構升級，因地制宜、因戶施策地發展特色種植業和特色養殖業，以優化貧困農戶的收入結構，提高貧困人口精準脫貧的長效性。

（3）進一步加強貧困地區道路和教育等基礎設施建設。研究表明，IFAD扶貧項目干預效果在很大程度上受貧困戶市場便捷程度和戶主學歷的影響。這表明，鄉村道路和貧困戶受教育程度是制約貧困人口盡快脫貧的瓶頸要素。因此，建議在當前我國強力推進的精準扶貧熱潮中，進一步加強貧困地區以鄉村道路為主的農村基礎設施建設，加強貧困地區的基礎教育和勞動力的實用技能培訓，以此拔掉窮根，從根本上改變貧困地區的落后面貌，以實現到2020年“精準脫貧，不落一人”的目標。

參考文獻（References）

[1]HOLMAN R. Poverty explanation of social deprivation [M]. London： Martin Robertson， 1978.

[2]ORSHANSKY M. Counting the poor： another look at the poverty profile [J]. Soc. sec. bull， 1965， 28（1）：3-29.

[3]童星， 林閩鋼. 我國農村貧困標準線研究[J]. 中國社會科學， 1994 （3）： 86-98. [TONG Xing， LIN Mingang. Study on rural poverty lines in China [J].Social sciences in China， 1994（3）： 86-98.]

[4]世界銀行. 1990年世界發展報告[R]. 1990. [World Bank. World development report in 1990 [R]. 1990.]

[5]張全紅. 中國農村扶貧資金投入與貧困減少的經驗分析[J]. 經濟評論， 2010 （2）：42-50. [ZHANG Quanhong. An empirical analysis on poverty alleviation funds input and poverty reduction [J]. Economic review， 2010（2）：42-50.]

[6]任春麗， 王余丁， 趙邦宏. 農村貧困狀況調查分析——基于河北省調查問卷的分析[J]. 經濟論壇， 2011（4）：68-73. [REN Chunli， WANG Yuding， ZHAO Banghong. Analysis of rural poverty： based on a questionnaire survey of Hebei Province [J]. Economic forum， 2011（4）：68-73.]

[7]陳琦. 連片特困地區農村家庭人力資本與收入貧困——基于武陵山片區的實證考察[J]. 江西社會科學， 2012（7）：231-275. [CHEN Qi. Human capital and income poverty of rural families in continuous poor areas： based on an empirical investigation of the Wuling mountain areas [J]. Jiangxi social sciences， 2012（7）：231-275.]

[8]SHUAI C， LI Z， SUN R. IFAD projects： results and impact on poverty reduction in rural China [J]. Outlook on agriculture， 2011， 40（4）：329-336（8）.

[9]GAO Q， YANG S， LI S. Welfare， targeting， and anti-poverty effectiveness： the case of urban China [J]. Quarterly review of economics & finance， 2014， 56：30-42.

[10]汪三貴， 郭子豪. 論中國的精準扶貧[J]. 貴州社會科學， 2015（5）：147-150. [WANG Sangui， GUO Zihao. Analysis of targeted poverty alleviation in China [J]. Guizhou social sciences， 2015（5）：147-150.]

[11]李毅， 王榮黨， 段云龍. 基于數據包絡法的農村扶貧項目績效評價模型研究[J]. 項目管理技術， 2012 （9）：49-55. [LI Yi， WANG Rongdang， DUAN Yunlong. Analysis of rural poverty alleviation project performance evaluation model in rural China [J]. Project management technology， 2012 （9）：49-55.]

[12]朱乾宇. 政府扶貧資金投入方式與扶貧績效的多元回歸分析[J]. 中央財經大學學報， 2004 （7）：11-15. [ZHU Qianyu. Multiple regression analysis of the way of government funding in poverty and poverty alleviation performance [J]. Journal of Central University of Finance & Economics， 2004 （7）：11-15.]

[13]GARRIGA R G， FOGUET A P. Unravelling the linkages between water， sanitation， hygiene and rural poverty： the WASH poverty index [J]. Water resources management， 2013， 27（5）： 1501-1515.

[14]SEN A. Poverty： an ordinal approach to measurement [J]. Econometrica， 1976， 44（5）：219-31.

[15]孫璐， 陳寶峰. 基于AHP-TOSPSIS方法的扶貧開發項目績效評估研究——以四川大小涼山地區為例[J]. 科技與經濟， 2015， 28（1）：62-66. [SUN Lu， CHEN Baofeng. Research on the performance evaluation of rural poverty Alleviation and development project in AHP-TOPSIS： based on the data of Sichuan Liangshan area [J]. Science & technology and economy， 2015， 28（1）：62-66.]

[16]李興江， 陳懷葉. 參與式整村推進扶貧模式扶貧績效的實證分析——以甘肅省徽縣麻安村為例[J]. 甘肅社會科學， 2008（6）：53-56. [LI Xingjiang， CHEN Huaiye. Empirical analysis on the poverty alleviation performance of ‘the whole Village approach：a case study on Maan Village， Huixian County， Gansu Province [J]. Gansu social sciences， 2008 （6）：53-56.]

[17]宋衛信. 甘肅六十個貧困縣扶貧績效因子分析[J]. 甘肅農業大學學報， 2004 （5）：595-600. [SONG Weixin. Factor analysis of poverty alleviation performance of sixty impoverished counties in Gansu [J]. Journal of Gansu Agricultural University， 2004 （5）：595-600.]

[18]RAVALLION M. Chapter 59 evaluating anti-poverty programs [J]. Handbook of development economics， 2007， 4（7）： 3787-3846.

[19]ROSENBAUM P R， RUBIN D B. The central role of the propensity score in observational studies for causal effects [J]. Biometrika， 1983， 70（1）： 41-55.