農業產業扶貧的多維貧困瞄準研究

楊龍 李寶儀 趙陽

摘要農業產業扶貧是激發貧困地區農戶內生發展動力、實現農戶穩定脫貧與可持續發展的重要舉措。基于多維貧困分析，建立一個“精準識別-農戶參與-影響效果”的多維貧困瞄準分析框架，并提出多維貧困瞄準數量缺口的概念和測量方法。在此框架下，可首先使用多維貧困方法進行貧困農戶識別，在多維貧困農戶分組基礎上分析農戶參與狀況，并分析參與層面的多維貧困瞄準數量缺口。然后基于多維貧困農戶分組，使用內生轉換回歸（ESR）模型評估扶貧政策或項目對不同組農戶的影響效果差異。在分析框架應用中，使用湖南、湖北、重慶和貴州四省（直轄市）貧困地區989個農戶調研數據分析農業產業扶貧的多維貧困瞄準效果。研究發現：①在農戶參與層面，多維貧困農戶與非多維貧困農戶參與農業產業扶貧的比例相近，但非多維貧困農戶戶均獲得補貼金額總體上高于多維貧困農戶;②隨著維度臨界值逐漸增大，農業產業扶貧的一類瞄準數量缺口逐漸變小，二類瞄準數量缺口逐漸增大，多維貧困瞄準數量缺口總體呈現下降趨勢;③在影響效果層面，農業產業扶貧總體上顯著促進了農戶種植業投入和收入的增加，但其影響仍存在異質性，深度貧困戶參加農業產業扶貧并沒有明顯促進其種植業總收入和種植業純收入的增加。為提升農業產業扶貧的效果，針對貧困維度數量較少農戶，應加強農業技術服務，提供農業產業扶貧貸款，合理選擇產業，發展農業保險。針對深度貧困農戶，應探索建立利益聯結機制，發揮農村集體的組織聯系作用，探索要素入股方式，改善農業產業扶貧的多維貧困瞄準效果。

關鍵詞多維貧困瞄準;瞄準數量缺口;農業產業扶貧;深度貧困戶

中圖分類號F323.8

文獻標識碼A文章編號1002-2104（2019）02-0134-11DOI：10.12062/cpre.20180927

十八大以來，中國脫貧攻堅取得了決定性的進展，6 800多萬貧困人口實現脫貧。但由于中國人口基數大，剩余貧困人口數量依然龐大，脫貧攻堅仍是社會經濟發展中的重要工作。近年來，中國探索出一系列有自身特色的扶貧政策和措施。農業產業扶貧作為一種造血式的扶貧方式，能夠激發貧困地區農戶內生動力、實現穩定脫貧和可持續發展。在精準扶貧戰略下，研究農業產業扶貧的貧困瞄準效果至關重要。本文將建立一個“精準識別—農戶參與—影響效果”的多維貧困瞄準分析框架，并提出多維貧困瞄準數量缺口的概念和方法。通過多維貧困農戶分組，使用內生轉換回歸（Endogenous Switching Regression， ESR）模型評估農業產業扶貧對不同組農戶的影響效果差異。

1文獻綜述

雖然已有大量研究關注農業產業扶貧，但在農業產業扶貧的效果上還沒有形成一致的觀點。一類研究認為，農業產業扶貧對農戶脫貧產生了積極的影響。這類研究認為，農業產業扶貧能夠改變農戶生計策略選擇，顯著增加貧困戶的收入[1]。在對農戶消費和貧困發生率影響方面，農業產業扶貧中多支持發展特色經濟作物種植，而經濟作物能夠對農戶消費增加和貧困發生率降低有顯著的影響[2]。另一類研究認為，農業產業扶貧并未發揮良好的減貧效果，出現了瞄準偏離的問題。許漢澤等[3]研究發現，農業產業扶貧在地方實踐中，出現了農業產業扶貧實施前“精英捕獲”和“弱者吸納”、實施中“政策性負擔”和“規模經營不善”、實施后“后續維護不足”和“農戶生計破壞”等問題。也有研究認為，政府主導的產業扶貧以行政路徑為依賴，各主體間的利益聯結關系不緊密，使得扶貧開發缺乏社會基礎，往往導致目標偏移、貧富差距拉大[4]。

在多維貧困研究方面，相關研究主要可以分為兩類。第一類，在理論方面，近期文獻重點探討對多維貧困方法的改進：①將多維貧困方法與時間變化結合起來，在多維貧困指數基礎上提出多維貧困的年度絕對變化率和年度相對變化率[5]。②將多維貧困方法與其他指數或測量方法相結合，例如將多維貧困方法與長期貧困測量相結合，構建長期和暫時多維貧困指數[6]。③在多維貧困指數的權重設置方面，使用多重對應分析方法、BP神經網絡法改進權重設置[7-8]。④在多維貧困的識別階段，提出不同的識別標準，用于識別特殊群體。例如Nowak等[9]改進了識別標準，使多維貧困方法包含了極端貧困戶。

多維貧困的第二類研究是在應用方面，最近研究趨向是：①將多維貧困方法應用到不同地區或國家的貧困測量中，例如歐洲地區[10]、印度[11]、澳大利亞[12]、德國[9]、老撾[13]等。②將多維貧困方法應用到不同群體的貧困分析中，例如Chzhen等[14]分析了兒童的多維貧困狀況，其他群體還包括民族群體[15]、老年人群體[16]、農民工群體[17]等。③將多維貧困方法應用于公共政策或項目評估的研究中，例如Azevedo等[18]評估了有條件現金轉移支付項目的受益者瞄準狀況，解堊[16]分析了公共轉移支付對老年人多維貧困的影響。

現有關于農業產業扶貧和多維貧困的研究雖然已經十分豐富，但仍存在以下不足之處：①缺少對扶貧政策或項目精準扶貧效果評估分析框架的總結，尤其是缺少基于多維貧困分析提出精準扶貧評估分析框架。總結精準扶貧效果評估分析框架，基于多維貧困分析進行貧困戶精準識別和扶貧瞄準，將對分析包括農業產業扶貧在內的多種扶貧政策或項目精準扶貧瞄準度提供可行思路。②較少研究基于多維貧困分析進行農業產業扶貧的效果評估，王立劍等[19]雖然分析了產業扶貧對農戶多維貧困的影響，但沒有關注農業產業扶貧的多維貧困瞄準狀況。③鮮有研究關注基于多維貧困分析的貧困瞄準概念與方法的推進。貧困瞄準與精準扶貧緊密相關，但當前文獻中少有研究將多維貧困分析與貧困瞄準結合。

針對現有研究的不足，本文將利用湖南、湖北、重慶和貴州四省（直轄市）的989個農戶調研數據，基于多維貧困分析，探討農業產業扶貧的精準扶貧瞄準效果。本文貢獻在于以下幾方面：①嘗試建立了一個基于多維貧困分析的“精準識別—農戶參與—影響效果”的多維貧困瞄準分析框架。此框架首先基于收入、教育、健康和公共服務等維度進行多維貧困農戶識別，然后基于多維貧困農戶分組，分析農戶參與狀況，最后分析農業產業扶貧影響效果的差異。②提出多維貧困瞄準數量缺口的概念。基于已有研究中貧困瞄準數量缺口的概念，本文將多維貧困分析和貧困瞄準數量缺口結合，提出多維貧困瞄準數量缺口的概念。③將多維貧困瞄準分析框架和多維貧困瞄準缺口應用于農業產業扶貧分析，探討農業產業扶貧的瞄準效果，且根據中國扶貧政策重心變化，關注農業產業扶貧對深度貧困戶的瞄準狀況。

2多維貧困瞄準分析框架

2.1基于多維貧困分析的貧困戶精準識別

貧困戶的精準識別是精準扶貧效果評估的基礎。目前，中國采取建檔立卡的方式進行貧困戶的精準識別。但在建檔立卡政策的實施中，出現了“表達與實踐的背離”[20]，即在國家統計局從宏觀層面測算貧困人口數量、分配貧困人口指標時采取的是經濟福利指標，而在村級實踐操作中，卻采取民主評議的方式，綜合農戶收入和消費、受教育子女數量、病人狀況、勞動力狀況等多個方面進行評選。從理論上講，村級民主評議所采取的貧困識別標準與目前學界使用的多維貧困測量方法有較大相似之處。基于貧困理論演進與實踐的需求，可將多維貧困方法逐步應用于貧困戶的精準識別中。在多維貧困方法相關研究中，由Alkire等[21]提出的基于雙臨界值的A-F方法得到了最為廣泛的應用。本文將A-F方法用于多維貧困農戶識別，根據Alkire等[21]研究，A-F方法的主要步驟為：

4多維貧困農戶的識別

4.1多維貧困維度和指標的選取

多維貧困雖然已被廣泛地用于理論分析與應用研究，但目前對貧困維度和指標的選取并沒有形成統一標準。根據在精準扶貧、建檔立卡政策實踐中村級民主評議時采取的考量指標，結合調研數據可得性等現實約束，本文選取了收入、教育、健康、公共服務4個維度和4個指標。維度、指標和權重選取情況如表1所示。

4.2多維貧困測量結果與農戶識別

根據多維貧困方法的應用步驟，識別了在不同維度臨界值下的多維貧困農戶。當維度臨界值K分別取值為1，2，3和4時，多維貧困農戶的占比及樣本農戶的多維貧困指數如表2所示。當K=1時，多維貧困農戶占比為81.70%，即81.70%的農戶存在四個維度中至少一個維度的貧困。多維貧困指數M0為42.77%，其含義是所有多維貧困農戶被剝奪維度數量占總體維度數量的42.77%。當K=3時，多維貧困農戶占比為26.39%，表明有26.39%的農戶存在至少三個維度的貧困。隨K值增大，多維貧困農戶占比和多維貧困指數均下降。分析還發現，6.37%的農戶存在全部四個維度的貧困。根據前文界定，存在四個維度貧困的農戶可視為深度貧困戶，他們面臨的脫貧難度更大，是目前扶貧政策關注的重點群體。

5農戶參與分析和多維貧困瞄準數量缺口

農戶參與是從農業產業扶貧中受益的重要環節。在實地調查開展之時，因所調研的四縣均為國家級或省級貧困縣，所有農戶均有資格參與農業產業扶貧。雖然如此，農戶是否選擇參與、采用何種形式參與、其自身要素怎樣融入到農業產業扶貧中，這些均是農戶根據自身的勞動力、土地、資金、能力以及風險態度等特征做出的選擇，是一個自選擇（Self-select）的過程。不同地區結合區域具體情況實施農業產業扶貧，沒有統一的補貼方式。評價農業產業扶貧的主要標準是貧困戶的參與受益狀況以及增收減貧效果。因此，本節分析農戶在農業產業扶貧中的參與受益狀況，在第6節分析農業產業扶貧對不同農戶增收減貧的影響。

5.1農業產業扶貧中的農戶參與狀況

從農戶參與農業產業扶貧的分析發現，多維貧困農戶與非多維貧困農戶參與比例相近，而非多維貧困農戶戶均獲得補貼金額總體上高于多維貧困農戶。如表3所示，當維度臨界值K=1時，多維貧困農戶中有41.83%參加了農業產業扶貧，僅比非多維貧困農戶高3.16個百分點。多維貧困農戶戶均獲得補貼比非多維貧困農戶低520.12元。當維度臨界值K等于2、3和4時，多維貧困農戶和非多維貧困農戶均有41%左右參加了農業產業扶貧，兩組農戶在參與比例上十分接近。而在戶均獲得補貼方面，在K等于2和3時，多維貧困農戶分別比非多維貧困農戶平均少獲得補貼164.74元、135.7元。只有在K等于4時，即農戶為深度貧困戶時，多維貧困農戶戶均獲得的補貼高于非多維貧困農戶。因此，綜合不同維度臨界值下的分析結果看，多維貧困農戶并未從農業產業扶貧中更多地受益。

5.2農戶參與的多維貧困瞄準數量缺口

在不同維度臨界值下，隨著維度臨界值K逐漸變大，一類瞄準數量缺口逐漸變小，二類瞄準數量缺口逐漸增大，多維貧困瞄準數量缺口總體呈現下降趨勢。如表4所示，當維度臨界值K等于1時，多維貧困瞄準數量缺口為54.60%。一類瞄準數量缺口為47.52%，表明在總體樣本農戶中有47.52%的農戶是多維貧困農戶，但他們卻沒有參加農業產業扶貧。二類數量缺口為7.08%，其含義是總體樣本農戶中有7.08%的農戶是非多維貧困農戶，但他們參加了農業產業扶貧。當K等于3時，多維貧困瞄準數量缺口下降到45.60%，其中一類瞄準數量缺口降低為15.37%，但二類瞄準數量缺口增加至30.23%，表明隨著維度臨界值增加和多維貧困農戶占比降低，農業產業扶貧在農戶參與層面的多維貧困瞄準偏差總體降低，對多維貧困農戶覆蓋不完全的問題減少，但農戶是非多維貧困農戶但卻參加了農業產業扶貧的比例增加。當維度臨界值K等于4時，即多維貧困農戶僅占樣本總量的6.37%、識別出的貧困戶為深度貧困戶時，農業產業扶貧的一類瞄準數量缺口僅為3.74%，說明農業產業扶貧對深度貧困戶的覆蓋不完全問題比較小。雖然如此，當K等于4時，多維貧困瞄準數量缺口雖然與其他維度臨界值下的多維貧困瞄準數量缺口相比最低，但仍為42.37%，說明農業產業扶貧總體的多維貧困瞄準效果仍需要進一步改善。

6農業產業扶貧對不同農戶的影響效果差異分析

在農業產業扶貧的影響效果方面，多維貧困農戶能否明顯獲益，或者是否獲益比非多維貧困農戶更多，也是衡量多維貧困瞄準的重要內容。因本次調查涉及的農業扶貧產業主要是經濟作物，因此本節主要分析農戶參加農業產業扶貧對農戶種植業投入、種植業總收入和種植業純收入的影響。在農業產業扶貧實施中，所有農戶均有機會參加，但不同農戶參加的傾向并不相同。從理論上看，家庭中勞動力數量多、戶主受教育程度高、戶主年齡較小、耕種土地多的農戶更有可能參加農業產業扶貧并從中受益，這就產生了政策或項目評估中常遇到的內生性問題，本節將使用內生轉換回歸模型控制內生性問題。

6.1描述分析

通過描述分析發現，不管是在何種維度臨界值分組之下，參加農業產業扶貧的農戶平均的種植業投入和收入高于沒有參加項目的農戶，但非多維貧困農戶的投入和收入增量高于多維貧困農戶。如表5所示，當維度臨界值K等于1時，在多維貧困農戶中，參加農業產業扶貧的農戶比未參加農戶的種植業投入多608.55元，而非多維貧困農戶中參加農戶比未參加農戶的投入多1 621.61元，這一差值比多維貧困農戶中參加與未參加農戶的差值高1 013.06元。在種植業總收入上，雖然多維貧困農戶中參加農戶比未參加農戶高1 490.69元，但這一差值比非多維貧困農戶的差值低2 135.03元。在種植業純收入方面，多維貧困農戶中參加農戶比未參加農戶高882.14元，但比非多維貧困農戶的這一差值低1 121.97元。當維度臨界值K分別等于2、3和4時，分析結果與K等于1時相似。這些描述分析的結果表明，參加農業產業扶貧的農戶比未參加農戶有更多的種植業投入和收入，但多維貧困農戶從農業產業扶貧中的受益增量比非多維貧困農戶少。雖然如此，但由于內生性問題的存在，農業產業扶貧的影響效果和多維貧困瞄準評估還需要使用內生轉換回歸模型進一步分析。

6.2內生轉換回歸模型分析過程和結果

根據內生轉換回歸模型的分析步驟，首先選取行為方程和結果方程的變量。本文在行為方程中選取的因變量為農戶是否參加農業產業扶貧，結果方程的因變量為農戶的種植業投入的對數、種植業總收入的對數和種植業純收入的對數。本文選取的自變量包括戶主特征變量、家庭特征變量和村級特征變量。在戶主特征變量中，選取了戶主受教育年限、戶主年齡、戶主年齡的平方、戶主打工或經商年數。在家庭特征變量中選取了家庭規模、勞動力數量、家庭耕種土地數量以及是否參加了合作經濟組織。在村級特征變量中，選取了村里是否組織技術培訓、村里是否組織外出務工。除了以上特征變量外，根據前文行為方程自變量選擇的要求，選取了村莊當年基礎設施投資的對數這一變量加入行為方程中，但不加入處理組或控制組的結果方程中。選取這一變量的原因在于，農業產業發展與村莊基礎設施緊密相關，如果村莊基礎設施更加完善，農戶選擇參加農業產業扶貧的可能性會增大。但村莊當年基礎設施的投資對農戶種植業投入和收入在短時間內不會產生影響。為驗證選取變量合適與否，文章還分別將農戶是否參加農業產業扶貧、農戶種植業投入和收入對村莊當年基礎設施投資的變量進行回歸。結果表明，村莊當年基礎設施投資顯著影響了農戶是否參加農業產業扶貧，但對農戶種植業投入和收入沒有產生顯著的影響，這說明選取的變量是適宜的。本節分析選取的變量及其描述統計見表6。

使用內生轉換模型，對農戶是否參加農業產業扶貧以及處理組（即參加了農業產業扶貧的農戶）、控制組（即沒有參加農業產業扶貧的農戶）的結果方程進行回歸分析，結果如表7所示。行為方程分析結果表明，除了戶主年齡、村里是否組織技術培訓和村里是否組織外出務工外，其余變量對農戶參與農業產業扶貧產生了顯著的影響。其中，村莊當年基礎設施投資對農戶是否參加農業產業扶貧具有顯著的正向影響，這表明，村莊基礎設施的改善有助于提高農戶參加農業產業扶貧的可能性。

在農戶種植業投入、種植業總收入和種植業純收入的回歸結果中，模型2、4、5和6的逆米爾比率對因變量有顯著的影響，這表明，在分析農戶是否參加農業產業扶貧對種植業投入和收入的影響時，同時受到了農戶可觀測變量和不可觀測變量的影響。若不考慮內生性問題，在評估農業產業扶貧的影響效果時，結果會存在偏差。處理組和控制組結果方程的分析顯示，影響處理組和控制組種植業投入和收入的因素存在差異。對農戶種植業投入的回歸結果分析顯示，農戶是否參加合作經濟組織、村里是否組織技術培訓對處理組的種植業投入有顯著影響，但對控制組農戶沒有顯著影響。戶主的受教育年限、戶主年齡和家庭耕種土地數量對控制組農戶的種植業投入有顯著影響，但對處理組的影響不顯著。農戶種植業總收入的回歸結果表明，村里是否組織技術培訓、村里是否組織外出務工對處理組農戶有顯著的影響，但對控制組的影響并不顯著。種植業純收入的回歸結果也顯示出，處理組和控制組農戶種植業純收入的影響因素存在差異這些因素中，勞動力數量對處理組農戶的種植業收入產生了負向影響，其原因是在貧困地區，若把過多勞動力投入在農業生產中，其邊際收益較低，因此勞動力較多的農戶更傾向于把勞動力配置于非農活動，這導致勞動力較多農戶的種植業收入低于勞動力少的農戶。參加合作經濟組織對處理組農戶的種植業投入和收入產生了負向影響，其原因是在本研究所調查的貧困地區中，合作經濟組織發展時間較短，參加合作經濟組織的農戶多為小農戶，大農戶因能力較強，較少選擇加入合作經濟組織，小農戶的種植業投入和收入低于大農戶，因此參加合作經濟組織對農戶種植業投入和收入呈現出了負向影響。。這些結果均表明，處理組和控制組農戶在特征變量上可能存在顯著差異，以致對農戶福利產生顯著影響的因素存在差異，這也間接表明了評估農戶參加農業產業扶貧影響效果時，控制內生性的必要性。同時，處理組和控制組農戶特征存在差異，也表明了使用內生轉換回歸模型分別對兩組農戶進行回歸分析，更加符合實際情況，這進一步顯明了使用內生轉換回歸模型的合理性。

通過計算農業產業扶貧的平均處理效果發現，農戶參加農業產業扶貧總體上能夠促進種植業投入、種植業總收入和種植業純收入的增加，這與描述分析結果總體一致。但是農業產業扶貧的影響仍存在異質性，當維度臨界值等于4時，即農戶為深度貧困戶時，參加農業產業扶貧并未對農戶種植業總收入和種植業純收入產生顯著的正向影響，農業產業扶貧的多維貧困瞄準效果仍存在需要改善之處。具體來講，如表8所示，當維度臨界值等于1、2或3時，不管是多維貧困農戶還是非多維貧困農戶，處理組農戶在種植業投入、種植業總收入和種植業純收入平均處理效應總體上顯著高于其反事實（即處理組若不參加農業產業扶貧）下的表現。但當維度臨界值等于4、農戶是深度貧困戶時，雖然參加農業產業扶貧能夠促進其種植業投入，但是并未顯著提高其種植業總收入，這導致的結果是，參加農業產業扶貧顯著降低了深度貧困戶的種植業純收入。造成這種結果的原因在于，深度貧困戶往往面臨著戶主受教育水平有限、病人數量較多、享受的公共服務有限、增收能力較弱等因素的制約。他們參加農業產業扶貧，雖然增加了種植業投入，但受到多種因素的制約，難以獲得產業投入的正常回報。在農業產業扶貧未來發展中，需要更多地關注深度貧困戶。

7結論與政策建議

本文嘗試總結了一個扶貧政策或項目多維貧困瞄準的分析框架，并提出了多維貧困瞄準數量缺口的概念。在湖南、湖北、重慶和貴州四省（直轄市）989個農戶調研的基礎上，使用多維貧困瞄準分析框架，分析了農業產業扶貧的多維貧困瞄準狀況。本文主要結論如下。

第一，扶貧政策或項目瞄準可以基于多維貧困方法、利用“精準識別—農戶參與—影響效果”的扶貧瞄準框架進行分析。可首先使用多維貧困方法進行貧困農戶識別，在多維貧困農戶分組基礎上分析農戶參與狀況，并分析參與層面的多維貧困瞄準數量缺口。最后基于多維貧困農戶分組，使用計量分析方法評估扶貧政策或項目對不同組農戶的影響效果差異。

第二，在農戶參與層面，多維貧困農戶與非多維貧困

農戶參與農業產業扶貧比例相近，但非多維貧困農戶戶均獲得補貼金額總體上高于多維貧困農戶。隨著維度臨界值逐漸增大，一類瞄準數量缺口逐漸變小，二類瞄準數量缺口逐漸增大，多維貧困瞄準數量缺口總體呈現下降趨勢。

第三，在影響效果層面，農戶參加農業產業扶貧總體上顯著促進了種植業投入與收入的增加。但農業產業扶貧的影響效果存在異質性，對貧困維度數量較少的農戶，參加農業產業扶貧能夠顯著促進其種植業投入和收入，對深度貧困戶而言，雖然參加農業產業扶貧顯著促進了其種植業投入的增加，但并沒有顯著促進其種植業總收入和純收入的增加。農業產業扶貧對深度貧困戶的多維貧困瞄準效果還需要進一步改善。

在農業產業扶貧未來發展中，應針對不同貧困程度的農戶采取不同舉措，具體如下。

第一，針對貧困維度數量較少的農戶，要提升農業產業扶貧的效果，可從以下方面入手：①加強農業技術指導服務。在貧困地區，農業技術服務發展相對滯后，限制了農業產業扶貧的發展和貧困戶參與熱情。另外，農業產業扶貧雖然大多推廣的是優良特色品種，但如果缺少配套農業技術服務指導，可能會大大影響扶貧產業的發展。應借助科研單位、高等院校的力量結對幫扶貧困地區，加強對貧困地區農業特色產業發展的農業技術服務指導。②提供農業產業扶貧貸款。貧困地區農戶的生產性信貸需求通常難以得到滿足，面臨信貸約束或信貸配給。應將發展農業產業扶貧與扶貧小額貸款結合起來，通過增加農村信用社、商業銀行等正規金融機構的小微貸款，或者發展貧困村互助資金、社區基金等微型金融組織，滿足有能力發展扶貧產業但缺少資金的農戶信貸需求。③合理選擇產業。應該根據貧困地區不同的氣候條件、地形條件、土壤條件等情況，結合考慮市場需求狀況，因地制宜推廣差異化的扶貧產業，避免“跟風式”發展某個扶貧產業可能帶來的價格下跌、產業失敗風險。④發展農業保險。試點農業產業扶貧與農業保險相結合，對農戶提供農業保險的保費補貼，擴大農業保險對不同地區特色經濟作物的保障范圍，改變貧困戶對參與扶貧產業的風險預期。

第二，針對深度貧困戶，要提升農業產業扶貧的效果，可從以下方面入手：①建立利益聯結機制。當前扶貧工作雖然特別強調扶貧資源要瞄準深度貧困戶，但發展農業產業扶貧需要農戶勞動力、農業技能等要素的投入，而深度貧困戶往往在這些要素上存在一定劣勢。需要根據農業產業的特點，建立種養大戶、家庭農場等具有優勢生產要素的主體帶動深度貧困戶共同發展的機制。②發揮農村集體的組織聯系作用。深度貧困戶因自身能力較差，即使參加農業產業扶貧，種植或養殖規模通常較小，而且深度貧困戶大多缺少市場信息和銷售渠道。需要發揮農村集體或經濟合作組織的中介作用，可借鑒“巢狀市場”形式，幫助深度貧困戶與城市消費者連接，擴大其銷售渠道。③探索要素入股方式。在農業產業扶貧中可探索深度貧困戶的土地入股、扶貧資金入股方式，借鑒資產收益扶貧的模式解決缺少勞動力的深度貧困戶受益問題。

（編輯：于杰）

參考文獻

[1]

胡晗， 司亞飛， 王立劍. 產業扶貧政策對貧困戶生計策略和收入的影響——來自陜西省的經驗證據[J]. 中國農村經濟， 2018 （1）： 78-89.

[2]CUONGN V. Measuring the impact of cash crops on household expenditure and poverty in rural Vietnam[J]. AsiaPacific development journal，2009，16（2）：87-112.

[3]許漢澤， 李小云. 精準扶貧背景下農村產業扶貧的實踐困境——對華北李村產業扶貧項目的考察[J]. 西北農林科技大學學報（社會科學版），2017，17（1）：9-16.

[4]孫兆霞. 脫嵌的產業扶貧——以貴州為案例[J]. 中共福建省委黨校學報， 2015 （3）： 14-21.

[5]ALKIRES， ROCHE J E M， VAZ A. Changes over time in multidimensional poverty： methodology and results for 34 countries[J]. World development， 2017， 94： 232-249.

[6]張全紅， 李博， 周強. 中國多維貧困的動態測算、結構分解與精準扶貧[J]. 財經研究， 2017，43（4）：31-40.

[7]PASHAA. Regional perspectives on the multidimensional poverty index[J]. World development， 2017， 94： 268-285.

[8]韓佳麗， 王志章， 王漢杰. 貧困地區勞動力流動對農戶多維貧困的影響[J]. 經濟科學， 2017 （6）： 87-101.

[9]NOWAKD， SCHEICHER C. Considering the extremely poor： multidimensional poverty measurement for Germany[J]. Social indicators research， 2017， 133（1）： 139-162.

[10]WHELANC T， NOLAN B， MAITRE B. Multidimensional poverty measurement in Europe： an application of the adjusted headcount approach[J]. Journal of European social policy， 2014， 24（2）： 183-197.

[11]ALKIRES， SETH S. Multidimensional poverty reduction in India between 1999 and 2006： where and how？[J]. World development， 2015， 72： 93-108.

[12]MARTINEZA， PERALES F. The dynamics of multidimensional poverty in contemporary Australia[J]. Social indicators research， 2017， 130（2）： 479-496.

[13]BADERC， BIERI S， WIESMANN U， et al. Is economic growth increasing disparities？ a multidimensional analysis of poverty in the Lao PDR between 2003 and 2013[J]. Journal of development studies， 2017， 53（12）： 2067-2085.

[14]CHZHENY， FERRONE L. Multidimensional child deprivation and poverty measurement： case study of Bosnia and Herzegovina[J]. Social indicators research， 2017， 131（3）： 999-1014.

[15]AWAWORYIC S， SMYTH R. Ethnic diversity and poverty[J]. World development， 2017， 95：285-302.

[16]解堊. 公共轉移支付與老年人的多維貧困[J]. 中國工業經濟， 2015 （11）： 32-46.

[17]王春超， 葉琴. 中國農民工多維貧困的演進——基于收入與教育維度的考察[J]. 經濟研究， 2014 （12）： 159-174.

[18]AZEVEDOV， ROBLES M. Multidimensional targeting： identifying beneficiaries of conditional cash transfer programs[J]. Social indicators research， 2013， 112（2）： 447-475.

[19]王立劍， 葉小剛， 陳杰. 精準識別視角下產業扶貧效果評估[J]. 中國人口·資源與環境， 2018，28（1）：113-123.

[20]楊龍， 李萌， 汪三貴. 我國貧困瞄準政策的表達與實踐[J]. 農村經濟， 2015 （1）： 8-12.

[21]ALKIRES， FOSTER J. Counting and multidimensional poverty measurement[J]. Journal of public economics， 2011， 95（7）：476-487.

[22]PARK A， WANG S， WU G. Regional poverty targeting in China[J]. Journal of public economics， 2002， 86（1）： 123-153.

[23]ABDULAIA. Impact of conservation agriculture technology on household welfare in Zambia[J]. Agricultural economics， 2016， 47（6）： 729-741.

[24]MAW， ABDULAI A. Does cooperative membership improve household welfare？ evidence from apple farmers in China[J]. Food policy， 2016， 58： 94-102.