政策性金融扶貧項目收入改進效果評價
——以江西省為例

章貴軍，歐陽敏華

(1.江西財經大學 統計學院&應用統計研究中心，江西 南昌 330013； 2. 華南師范大學 經濟與管理學院，廣東 廣州 510006)

一、引 言

改革開放近40年來，我國金融事業取得了前所未有的蓬勃發展。統計數據表明，1978年我國全年存貸總額分別為1134.5億元和1850億元，而 2015年末本外幣各項存款余額為135.7萬億元、貸款余額為94萬億元，二者分別增長了1195倍和507倍。大量學者的研究表明，金融發展對經濟增長具有顯著的促進作用：King & Levine(1993)[1]研究認為，金融發展水平是人均GDP增長率、人力資本積累和生產效率改進的前提條件；Levine & Zervos(1998)[2]利用47個國家1976-1993年的數據實證分析表明，金融發展(包括股票流動性和銀行業發展)與經濟增長率、資本積累和生產率有穩健的正向關系；Calderón & Liu(2003)[3]利用109個國家1960-1994年數據進行因果分析表明，金融發展拉動經濟增長，并且金融深化通過人力資本積累和勞動生產率的提高促進經濟增長。其他相關研究從不同角度和不同數據方法進一步支持了金融發展對經濟增長的正向作用的研究結論。

雖然金融發展與經濟增長可能存在互相促進、相伴而生的關系，但是其在減少農村貧困人口、促進農村居民收入增長方面卻飽受爭議。Greenwood & Jovanovic(1990)[4]和Townsend & Ueda(2006)[5]的研究表明，經濟發展與收入增長不平等呈現“倒U型”曲線關系，即隨著收入水平的提高，金融結構包括的范圍越廣，貧富差異也會越來越大。利用中國數據，結合中國實際經濟發展情況，我國學者對金融發展對我國城鄉居民收入影響情況作了大量深入細致的研究。大部分研究支持我國金融發展處在庫茲涅茨曲線效應初級階段(胡宗義，劉亦文，2010)[6]，即認為金融發展有利于促進城鎮居民或者經濟相對發達地區農民收入，而對經濟相對落后地區農民收入效果不明顯甚至抑制其收入增長。其他學者則從不同角度、利用不同方法和數據得到類似的結論：溫濤等(2005)[7]研究表明，金融機構貸款比率以及經濟證券化比率的提高對農民收入增長都具有顯著的負面效應，中國金融發展并沒有促進農民收入增長；喬海曙、陳力(2009)[8]和王征、魯釗陽(2011)[9]的研究認為，我國金融發展的整體水平還比較低，金融發展目前還會導致城鄉收入差距加大；丁志國等(2011)[10]研究認為，金融機構擴大涉農貸款比例和貸款覆蓋面等措施對于改善農村居民收入效果不佳；葉志強等(2011)[11]指出，金融資源在農村地區的稀缺性和低效率不僅顯著擴大城鄉收入差距，而且阻礙了農村居民收入增長；孫玉奎等(2014)[12]的研究表明，我國金融發展有利于東部地區收入提高，但對經濟相對比較落后的中西部地區農民收入沒有實質性影響。

國內外學者指出了當前金融發展的不足之處，說明僅僅依靠“大水漫灌式”的金融發展并不能一勞永逸地解決所有發展中的問題。為了促進收入公平，讓全體人民共享經濟發展勝利果實，我國政府千方百計地實施了一系列惠農和扶貧項目，這些項目的推行使得貧困人口大幅減少，貧困地區基礎設施建設、社會事業發展、生態環境得到顯著改善。扶貧項目促進貧困縣在糧食、農業生產和農民人均純收入方面的增長速度明顯快于全國平均水平(汪三貴，2008)[13]。對于改進金融政策、促進農村居民增產增收方面，大量學者提出了建設性意見：喬海曙、陳力(2009)[8]的研究表明，政府有必要在金融集聚程度較低的落后地區參與配置金融資源，實施傾斜性金融政策，從而促進農村金融資源利用效率提升；余新平等(2010)[14]研究認為，并非所有的金融服務工具都會促進農民收入增長，農村金融制度要以農民增收為目標，改進現行農村金融制度、結構與服務方式；王征、魯釗陽(2011)[9]研究表明，加大農村固定資產投資力度和強化農業產業鏈的扶持等金融政策有利于縮小城鄉收入差距；丁志國等(2011)[10]認為降低農業貸款搜尋成本的措施和增加農業基礎設施投入的措施對于增加農民收入有顯著效果。

我國政府實施的以經濟建設為中心的發展道路已成功讓7億多人脫貧。然而，隨著貧困人口大量減少，扶貧攻堅的任務也越來越艱巨，僅僅依靠政府投入遠遠不夠，必須依靠金融手段撬動更多資金，彌補扶貧資金缺口。因此，我國政府強調“加大對脫貧攻堅的金融支持力度，特別是重視發揮好政策性金融和開發性金融在脫貧攻堅中的作用”。

觀察國際上金融扶貧發展歷程，無論是美國、德國等發達國家還是巴西、印度、孟加拉國等發展中國家，對于貧困落后地區、貧窮弱勢群體，都建立了行之有效的政策性金融扶貧體系，普遍采取政府增信、貸款期限長、利率低、資金來源成本低、監管差別化、稅費減免優惠等措施實行特惠金融支持。世界銀行等許多國際金融組織也把類似模式作為支持發展中國家減貧與脫貧的重要手段。從當前國內金融市場來看，貧困地區金融市場仍具有市場失靈和市場發育不充分的特點，特別是在基礎設施建設方面，存在回報率低、投入成本高、需求資金量大等特點，這往往成為商業性金融或合作金融開展大規模扶貧項目的羈絆。政策性金融項目則不同，其具有定向特惠、放大政府信用的優勢，其可以貫徹政府意志、堅定執行金融政策的政治使命，可以為我國扶貧攻堅提供定向、長期、低息的信貸資金。

為發揮政策性金融項目在扶貧工作中的重要作用，我國以國家開發銀行和農業發展銀行為主的政策性金融機構出臺了一系列支持貧困地區農村發展的信貸政策和信貸產品，涉及的項目主要有易地扶貧搬遷、改善農村人居環境、建設農村路網以及光伏扶貧、旅游扶貧、特色產業扶貧、網絡扶貧和教育扶貧等。以中國農業發展銀行扶貧開發項目為例，其在839個國家級貧困縣設立扶貧金融事業部或派駐扶貧工作組，實現了貧困地區政策性金融服務機構全覆蓋，2016年累計投放精準扶貧貸款4883億元，余額9012億元，較年初增加3361億元，增幅59.5%。其中全年累計投放易地扶貧搬遷貸款1202億元，余額1921億元，支持搬遷項目624個，覆蓋414.2萬貧困人口；全年累計投放產業精準扶貧貸款1603億元，年末余額3296億元；全年累計投放基礎設施精準扶貧貸款2026億元，年末余額3796億元。扶貧事業事關國計民生，巨額的政策性金融扶貧項目是否提高了貧困戶收入？項目是否存在不足之處？為了回答上述問題，以江西省國定貧困縣抽樣調查數據為例，課題組從貧困地區建檔立卡貧困戶可支配收入和結構性收入兩個視角分析和評價了政策性金融扶貧項目的實施效果。

研究余下部分內容安排為：第二部分對實證數據來源及基本情況做了簡單的描述；第三部分簡要介紹了實證模型和方法；第四部分則對調查樣本數據進行了比較詳細的分析；最后一部分是全文總結及相關政策建議。

二、實證分析數據描述

江西省地處我國中部地區，是著名革命老區，也是農業大省，現有國家級貧困縣24個，大多分布在羅霄山地區，地理環境較為偏僻、交通狀況不便，體現了貧困山區區域地理環境的普遍性特點。截至2016年底，江西省還有2900個省定貧困村、276萬貧困人口需要脫貧。因此，以江西省貧困地區抽樣調查數據為依據評價政策性金融扶貧效果具有一定代表性。2006—2015年十年間，江西農業發展銀行累計向江西省54個原中央蘇區規劃縣投放各類貸款1196億元，向25個扶貧重點縣發放貸款346億元，源源不斷地為貧困地區經濟社會發展注入“血液”，形成了政策性金融扶貧的新常態。

鑒于江西省地理位置和政策性金融扶貧工作的相對于全國的代表性作用，課題小組于2016年第4季度根據隨機抽樣原則對江西省四市、12縣、295個行政村4525(有效樣本4486)戶建檔立卡的貧困家庭進行了入戶調查：其中屬于農發行的政策性金融扶貧項目覆蓋的行政村109個，不在項目覆蓋區的行政村186個，調查數據基本統計描述如表1所示?？傮w而言，政策性金融扶貧項目覆蓋村家庭的可支配收入比非項目戶平均高9643元，二者收入差距主要體現在務工收入、補貼性收入、第一產業收入和第二、三產業收入等方面。其中，享受金融扶貧項目家庭的務工收入平均比非項目戶的收入高7866元。然而，并非享受政策性金融扶貧項目家庭的所有收入均高于非項目戶：在補貼性收入方面，項目戶比非項目戶平均低154元，其中安居工程補貼平均低199元，農業補貼平均低17元；來自第一產業收入和第二、三產業收入方面，項目戶分別比非項目戶平均低850元和340元。

表1 描述性統計

注：表中各指標數據均以家庭為單位測度。

三、實證模型

1.傾向得分匹配(Propensity Score Matching，PSM)模型。傾向得分匹配模型常常被用來評價各項扶貧政策實施效果：王姮、汪三貴(2010)[15]運用傾向得分核匹配及雙重差分方法研究江西整村推進對人均收入、公廁、飲水、村務公開以及生態環境影響的評價；岳希明等( 2010 )[16]利用傾向得分匹配模型評估了勞務輸出與培訓對貧困戶家庭收入的影響情況；陳玉萍等(2010)[17]分別采用最近鄰匹配(Nearest neighbor matching)和核匹配(Kernel matching)方法分析了改良陸稻技術對我國山區農民收入影響情況；梁曉敏、汪三貴(2015)[18]利用2010 年貧困監測數據，使用傾向得分匹配法分析了低保補貼政策對農村低保人群的福利和消費支出結構影響；崔寶玉等(2016)[19]和帥競等(2017)[20]分別采用核匹配方法分析了土地征用對失地農戶收入的影響及聯合國農業發展基金(IFAD)的對農民人均收入的凈效應。

借鑒上述研究者的分析思路，本文使用傾向得分方法和處理效應模型測度政策性金融扶貧項目對貧困村收入的影響，可定義收入的決定方程為：

(1)

其中，預測變量Yi表示第i個建檔立卡家庭的年收入(分別為可支配收入、務工收入、第一產業收入、第二、三產業收入、總的補貼性收入和安居工程補貼收入)，i=1,2,…n，n為村民調查樣本總數。Xi為協變量向量(包括建檔立卡貧困家庭人口數、享受低保政策人口數、水稻種植面積、農業補貼額、住房面積、建檔立卡家庭貧困人口數與住房面積的乘積)，Di為處理變量，若該貧困村獲得政策性金融扶貧項目支持則取值為1，否則為0，ε為隨機誤差項。由于Heckman兩階段模型嚴重依賴模型設定的正確性，其兩階段估計量往往是無效的(Kennedy，2003)[21]。此外，Heckman和Vytlacil (2007)[22]的研究表明傾向得分匹配法由于不用假設誤差項的分布形式和函數形式，也不用解釋變量外生性，因而傾向得分法在處理干預效應時優于Heckman兩階段模型。因此，本文采用基于傾向得分匹配的處理效應模型分析政策性金融扶貧項目對農村貧困戶收入的影響。

Rubin(1978)[23]和Rosenhaum & Rubin(1983)[24]提出利用反事實框架分析干預效應。式(2)和式(3)分別是受到政策性金融扶貧項目支持和未受到項目支持的行政村收入決定方程；式(4)和式(5)分別是如果享受項目扶持的家庭行政村和沒有享受項目扶持以及沒有享受項目扶持的家庭行政村如果享受項目扶持的收入決定方程。

(2)

(3)

(4)

(5)

y1i表示第i個參加項目家庭的收入，y0i表示第i個未參加項目家庭的收入。定義政策性金融扶貧項目實施區域的平均處理效應(Average treatment effect of the treated, 簡稱ATT)為：

ATT=E(y1i/Di=1)-E(y0i/Di=1)=E(y1i-y0i/Di=1)

(6)

若可忽略性假定成立，則可得到平均處理效應的一致性估計。

2. 分位數線性回歸模型。為測度政策性金融扶貧項目瞄準的精確性，假設條件分布Di/X(Di為因變量，表示可支配收入)的總體q分位數Diq為自變量向量X的線性函數，構造式(7)所示線性模型為：

(7)

其中，自變量向量Xi*′=(1,JRi,Jdei,Jdni,Zmi,Dbni,Asi)′，αq為對應于總體q分位數的線性函數系數向量。JRi為虛擬變量，取值為1時表示第i個家庭為項目戶，為0則為非項目戶；Jdni為第i個家庭建檔立卡貧困人口數；Jdei為虛擬變量JRi與Jdni乘積，是交互項；Zmi為第i個家庭各項補貼性收入總額；Dbni為第i個家庭享受的國家低保政策總人數，Asi則為該戶農產品種植總面積。式(7)參數估計可以通過如下加權的最小絕對離差和法(Weighted Least Absolute Deviation，WLAD)進行估計。

(8)

通過對式(8)使用單純形迭代方法求解，可以得到參數量為具有漸進性質的m估計量，并且m服從漸進正態分布(Cameron & Trivedi，2005)[25]。

四、實證結果

1.政策性金融扶貧政策總體實施效果評價。為反映實證數據結果的穩定性和保證數據分析結果的可靠性，研究采用多種分析方法對參與項目的樣本數據和非項目組的樣本數據進行匹配，采用的方法有：卡尺匹配(caliper matching)，局部線性回歸匹配(local linear regression matching)，完全匹配(full matching)和核匹配(默認帶寬0.06)。圖1反映了卡尺匹配方法共同取值范圍(on support)圖(其它方法得到類似的結果)。匹配結果表明2798個非項目組(也稱控制組)樣本中，273個不屬于共同支持域，2525個樣本屬于共同支撐域，項目組全部1688個樣本均屬于共同支持域，這說明項目組和非項目組樣本共同支持域基本相同，對政策性金融扶貧項目進行評價的平均處理效應模型是科學合理的。

圖1 卡尺匹配共同取值范圍

為考察傾向得分匹配是否較好地平衡了數據，本文對數據平衡效果進行了檢驗，檢驗結果如表2所示，其中Jdd為交互項，表示建檔立卡的貧困人口數與住房面積的乘積，Ls為調查對象家庭住房面積。表2平衡結果比較表明，相比匹配前，除變量耕地面積標準化偏差絕對值略微增加(增加1.8%)，其余變量標準化偏差都得到明顯改善。檢驗結果同時表明，匹配后所有t檢驗結果均不拒絕項目組與非項目組無差異的原假設，說明采用的協變量在匹配后能很好地平衡項目組和控制組的差異。

表3給出了利用四種匹配方法估計的政策性金融扶貧項目對所屬項目區貧困戶收入的影響效果，模型估計結果基于共同支撐域條件，即享受政策性金融扶貧項目的行政村和未享受政策性金融扶貧項目村的家庭具有基本相似的特征。分析結果表明，政策性金融扶貧項目對于改善貧困戶的可支配收入、務工收入方面效果顯著；而對貧困戶第一產業收入、第二產業收入、總補貼收入和安居補貼收入效果并不顯著。

具體而言，政策性金融扶貧項目對于貧困家庭的可支配收入和務工收入存在顯著的正向拉動效應。根據四種傾向得分法測度的結果表明，平均而言，項目促進貧困家庭可支配收入提高5300元，其中增長最明顯的為務工收入，提高了5226元。2016年我國貧困線標準是人均可支配收入3164元，戶均提高5300元(相當于人均提高1432元)的拉動效果顯然表明政策性金融扶貧項目有利于促進貧困居民大規模脫貧。此外，與貧困村村干部的面談資料反映，扶貧項目在改善了村民交通通訊條件、發展產業的同時，為村民外出務工提供了便利條件，從而促進居民外出務工收入顯著增長。

顯然，數據分析結果表明，政策性金融扶貧項目并不能顯著提高項目區扶貧對象所有類型的收入?；谒姆N傾向得分匹配方法的處理效應模型估計結果表明，項目戶的第一產業經營收入和第二、三產業的經營收入比非項目戶平均低1353元和545元，這表明政策性金融扶貧項目促使項目區家庭獲得務工收入的機會增加，從而使得家庭調整勞務行為，使得來自三大產業的經營性收入顯著下降，由于增加的務工收入大于減少的經營收入，從而表現為政策性金融扶貧項目對可支配收入的拉動效應。此外，分析表明政策性金融扶貧項目對總補貼和安居補貼影響不顯著，表1統計描述數據表明項目戶與非項目戶在農村總補貼收入與安居補貼收入方面相差不大。

表2 數據平衡效果檢驗

表3 平均處理效應分析結果

***、**和*分別表示在1%、5%和10%顯著水平通過拒絕原假設的檢驗，下文與此相同。

上述實證分析結果表明，政策性金融扶貧項目有利于農村貧困家庭增加收入并促使村民調整收入結構。表4數據比較了項目戶、非項目戶、可支配收入低于貧困線的農村居民、可支配收入高于貧困線的農村居民、我國農村居民平均水平和城鎮居民平均水平的可支配收入來源項目和結構。不難發現，近年來我國政府實施的一系列扶貧措施提高了貧困家庭收入水平的同時也調整了貧困家庭的收入結構。表4數據表明，我國農村居民相對于城鎮居民而言，普遍存在工資性收入比例過低和經營性收入比重過高的問題，近年來國家實施的一系列扶貧政策顯著提高了貧困居民的工資性收入比重，并降低了經營性收入比重，而政策性金融扶貧項目在這方面效果相對更為明顯。

顯然，目前的政策金融扶貧項目不僅有利于減緩城鄉金融差異化發展步伐，而且有利于縮小城鄉收入水平與收入結構差距。徐偉等(2011)[26]研究表明，從事農業活動更多的家庭貧困脆弱性更高，結合本文的研究表明，政策性金融扶貧有利于增加貧困家庭的務工收入并進一步調整其收入結構，這就意味著項目在調整家庭收入結構的同時可能有利于降低我國農村居民的返貧的可能性。

表4 項目組與非項目組居民人均收入及結構比較

注：表中農村居民一般水平和城鎮居民一般水平收入來源于《中國統計年鑒(2016)》，其中第一產業收入和第二、三產業收入根據《中國農村統計年鑒(2009-2015)》估算得到，貧困地區貧困線下農村居民和扶貧重點縣農村居民分組數據來源于《中國農村貧困監測報告(2016)》，其余數據均由課題組調查所得數據計算得到。

2.不同收入階層項目實施效果評價。大量研究表明，我國農村金融針對農村居民的服務常常是低效的(丁志國等，2011；葉志強等，2011)[10-11]。為測度政策性金融扶貧項目可能存在的低效現象，在了解不同收入層次貧困家庭基本特征的基礎上，本文采用分位數回歸模型估計了扶貧項目及相關協變量對貧困居民收入的影響情況。由于不同貧困收入群體也可能具有不同的人口學特征和家庭情況，根據可支配收入將調查樣本進行了分層處理，表5具體描述了分層后五類貧困家庭的基本特征。

(1)低收入群體特征分析。根據表5分析結果可以發現，收入相對較低的家庭(可支配收入低于0.4分位數)補貼收入所占比重高于收入相對較高家庭(可支配收入高于0.4分位數)。其中，一個明顯的差別是可支配收入低于20%分位數家庭的總補貼收入占比為30%，而可支配收入高于80%的家庭這一比例僅為10%，這表明收入越低的家庭越依賴于各種補貼收入。同時，表5數據結果還表明，收入相對較低的家庭還具有建檔人數相對較少，享受低保人數相對較多，水稻種植面積較小和住房面積較小的特點。對樣本數據進一步的分析表明，處于可支配收入0.4以下分位數區間的群體以孤寡老人五保戶、家有重病患者、有殘疾人或喪失主要勞動力的家庭為主；與此相對應的是，扶貧效果好、收入相對較高家庭建檔人數相對較多，享受低保人數相對較少，水稻種植面積較大和住房面積較大的特點。

(2)不同收入水平影響因素分析。處理效應模型表明，政策性金融扶貧項目對于改進農村貧困家庭收入和收入結構顯著有效，然而沒有反映其它相關變量對政策效應的調節效應。鑒于此，本文構造如式(7)所示分位數回歸模型，一方面是為了測度其它相關變量對政策性金融扶貧項目的調節效果，另一方面在于探索項目可能存在的瞄準偏差問題。

表5 不同收入層次家庭特征比較

注：表中分位數區間根據可支配收入從小到大排列。

對式(7)所示的分位數線性模型采用單純形迭代方法進行了估計，分別估計得到可支配收入的0.2、0.4、0.6和0.8分位數的結果如表6所示。從表6計算結果不難看出，可支配收入在0.2分位數水平下主要受家庭總補貼和水稻耕種面積影響，扶貧項目及其它因素對此時的收入不造成顯著影響，計算結論與上述統計分組描述結論基本一致；在控制其它變量的前提下，可支配收入在0.4、0.6和0.8分位數水平下受到政策性金融扶貧項目和交互項的顯著影響，其中項目對收入促進效應明顯，而交互效應對收入影響顯著為負。顯然，政策性金融扶貧項目對農村貧困家庭可支配收入的影響程度還取決于建檔人數的調節效應，隨著相對較富裕貧困家庭建檔人數增加，扶貧項目的邊際效應逐步減小。對于部分建檔立卡人數較多的家庭而言，有可能存在家庭其它特征引致的收入增長的邊際效應大于政策性金融扶貧項目的邊際效應，譬如，在可支配收入0.8分位數水平，貧困家庭建檔人數平均超過4.6人時(29930.19/6489.495=4.6)，政策性金融扶貧項目的邊際效應顯著為負，而在這一區間貧困家庭建檔人數最多為8人，這就意味著此時扶貧項目對貧困戶中部分建檔人數較多的家庭而言是低效的。結合調查數據，我們發現此類家庭老年人和未成年比例相對比較高，而成年勞動力比重相對較小。類似的情況在可支配收入為0.6及0.4分位數時也存在。

表6 可支配收入為因變量分段回歸結果

注：標準差根據自舉法(Bootstrap)重復抽樣200次得到；由于所有截距項統計意義不顯著，故不在表中一一列出。

總體而言，分位數回歸模型估計結果說明，目前政策性金融扶貧項目對于貧困家庭可支配收入改進效果顯著，但是也存在兩個方面的不足：項目存在瞄準偏誤問題，項目對部分極端貧困家庭收入改進效果并不顯著；對于建檔人數較多的家庭而言，項目可能并不會增加其收入，故而可能存在低效的問題。導致出現上述兩個方面問題的原因可能在于目前政策性金融扶貧政策仍然存在“扶面不扶點，做大不做小”的問題，即一個項目往往覆蓋一個地區，參與扶持和建設的易地搬遷、道路建設、光伏產業扶貧等覆蓋面廣泛的大型項目并沒有具體針對某一特殊家庭，這就不可避免地產生項目瞄準偏差問題。結合模型分析結果，有理由認為，為了提高政策性金融的瞄準精度和扶貧效率，今后項目應考慮向部分特別困難的群體(如五保戶，有重病患者、主要勞動力喪失和殘疾人貧困家庭)和建檔人數較多的家庭傾斜。

同時可以發現，無論在哪個收入分位數水平，農業種植收入對貧困家庭的可支配收入不僅影響顯著，而且影響程度相對較大，這說明加大對農業產業的支持有利于改善所有不同分位數水平貧困家庭的可支配收入。顯然，政策性金融扶貧項目扶持和發展農業產業不僅有利于提高貧困家庭收入，而且有利于改進扶貧效率和提高扶貧精準性。鑒于此，有理由認為，“十三五”時期及以后一個階段，農村政策性金融扶貧應該由支持精準扶貧服務脫貧攻堅走向支持農業供給側改革，促進農業產業融合，形成“五個全力服務”全面支農格局，從而支持我國農業、農村、農民消除貧困，進一步全面建成小康社會[27]。

五、結論與建議

本文以中國農業銀行江西省分行目前實施的政策性金融扶貧項目為例，結合江西省四市、12個貧困縣、295個貧困村的4486戶立檔建卡貧困居民調查樣本數據，利用傾向得分匹配法、平均處理效應模型和分位數回歸模型研究表明：目前我國政策性金融扶貧項目的五大子類(易地搬遷扶貧、教育發展扶貧、光伏產業扶貧項目、農村路網扶貧建設項目和糧棉油收購保障資金)有利于大幅提高貧困居民家庭收入水平和改善收入結構；扶貧項目對不同收入類型貧困戶影響程度不同，并且可能存在瞄準偏誤。具體而言，研究結論和建議包括三個方面的內容。

1.政策性金融扶貧項目有利于提高農村貧困居民的可支配收入和外出務工收入水平

平均處理效應測度結果表明，政策性金融扶貧項目總體是有效的，可以幫助貧困戶大幅提高可支配收入和外出務工收入水平。項目受益家庭相對于非項目家庭而言，平均可支配收入和對外務工收入分別顯著提高5300元和5226元。分析結果還表明，扶貧項目在幫助貧困家庭提高可支配收入和外出務工收入的同時促使其調整收入獲取方式并降低來自三大產業的經營性收入，從而使得收入結構更加合理和收入增長具有可持續性。為保持農村貧困家庭收入持續增長和促進收入結構合理調整，政策性金融扶貧項目可以貫徹并長期實施。

2.分位數回歸模型估計結果表明，目前政策性金融扶貧項目可能存在瞄準偏誤和低效的問題

實證分析結果表明，項目對于改進可支配收入在0.2分位數區間的特殊困難群體的效果有限。此外，對于貧困戶中相對較富裕、建檔人數過多的家庭，項目對可支配收入的邊際效應可能為負。為進一步改進政策性金融扶貧項目的效率和精準度，扶貧項目應當適當向收入較低的特殊困難家庭和建檔人數較多家庭傾斜，并提供一些具有針對性的金融產品或者服務項目。

3.政策性金融扶貧項目應強調農業項目的針對性

雖然政策性金融項目有利于促進貧困戶可支配收入和外出務工收入水平增長，但對改進貧困戶的第一產業收入方面效果并不明顯。因此，目前農村政策性金融扶貧項目還需在“農”字上下功夫。為提高政策性金融扶貧項目效率和增加貧困家庭收入，今后更多關注農業生產、農業安全和農業銷售等問題，從而促進項目改進農村貧困戶收入可持續增長，并且助力我國鄉村振新建設。

參考文獻：

[1]KING R G, LEVINE R. Finance and growth: Schumpeter might be right [J]. Quarterly Journal of Economics, 1993, 108(3): 717-737.

[2]LEVINE R, ZEROS S. Stock markets, banks, and economic growth [J]. American Economic Review, 1998, 88(3): 537-558.

[4]GREENWOOD J, JOVANOVIC B. Financial development, growth, and the distribution of income [J]. Journal of Political Economy, 1990, 98(5): 1076-1107.

[5]TOWNSEND R M, UEDA K. Financial deepening, inequality and growth: A model-based quantitative evaluation [J]. Review of Economic Studies, 2006, 73(1): 251-293.

[6]胡宗義,劉亦文. 金融非均衡發展與城鄉收入差距的庫茲涅茨效應研究：基于中國縣域截面數據的實證分析[J]. 統計研究, 2010, 27(5): 25-31.

[7]溫 濤, 冉光和，熊德平. 中國金融發展與農民收入增長[J]. 經濟研究，2005(9): 30-43.

[8]喬海曙,陳 力. 金融發展與城鄉收入差距“倒U型”關系再檢驗：基于中國縣域截面數據的實證分析[J]. 中國農村經濟, 2009(7): 68-85.

[9]王 征, 魯釗陽. 農村金融發展與城鄉收入差距：基于我國省級動態面板數據模型的實證研究[J]. 財貿經濟, 2011(7): 55-62.

[10]丁志國,趙 晶, 趙宣凱等. 我國城鄉收入差距的庫茲涅佐效應識別與農村金融政策應對路徑選擇[J]. 金融研究, 2011(7): 142-151.

[11]葉志強, 陳習定,張順明. 金融發展能減少城鄉收入差距嗎？來自中國的證據[J]. 金融研究, 2011(2): 42-56.

[12]孫玉奎, 周諾亞,李丕東. 農村金融發展對農村居民收入的影響研究[J]. 統計研究, 2014, 31(11): 90-95.

[13]汪三貴. 在發展中戰勝貧困——對中國 30 年大規模減貧經驗的總結與評價[J]. 管理世界, 2008(11): 78-88.

[14]余新平, 熊皛白,熊德平. 中國農村金融發展與農民收入增長[J]. 中國農村經濟, 2010(6): 77-96.

[15]王 姮, 汪三貴. 江西整村推進項目的經濟和社會效果評價[J]. 學習與探索, 2010(1): 148-151.

[16]岳希明, 王萍萍,關 冰．農村扶貧資金效果評估：以扶貧重點縣為例[M]．國家統計局農村社會經濟調查司，中國農村貧困監測報告，2010.

[17]陳玉萍, 吳海濤, 陶大云,等. 基于傾向得分匹配法分析農業技術采用對農戶收入的影響：以滇西南農戶改良陸稻技術采用為例[J]. 中國農業科學, 2010, 43(17): 3667-3676.

[18]梁曉敏,汪三貴. 農村低保對農戶家庭支出的影響分析[J]. 農業技術經濟, 2015(11): 24-36.

[19]崔寶玉,謝 煜, 徐英婷. 土地征用的農戶收入效應：基于傾向得分匹配(PSM)的反事實估計[J]. 中國人口·資源與環境, 2016, 26(2): 111-118.

[20]帥 競, 成金華, 帥傳敏, 等. IFAD中國項目精準脫貧績效評價: 基于農民人均收入視角[J]. 中國人口·資源與環境, 2017, 27(2): 126-134.

[21]KENNEDYP. A guide to econometrics (5 th) [M].Cambridge: MIT Press, 2003.

[22]HECKMAN J J,VYTLACIL E J. Econometric evaluation of social programs, part Ⅰ: causal models, structural models and econometric policy evaluation [J].Handbook of Econometrics, 2007， 6b: 4779-4874.

[23]RUBIN DB. Bayesian inference for causal effects: The role of randomization [J]. Annals of Statistics, 1978, 6, 34-58.

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

[25]CAMERON A C, TRIVEDI P K. Microeconometrics: Methods and applications[M]. Cambridge University Press, 2005: 86-89.

[26]徐 偉, 章 元, 萬廣華. 社會網絡與貧困脆弱性：基于中國農村數據的實證分析[J]. 學海，2011(4): 122-128.

[27]楊 洋.落實五大發展理念 全力服務農業農村經濟發展：訪中國農業發展銀行黨委書記、董事長解學智[N]. 金融時報, 2016-04-07.