建檔立卡貧困戶的返貧風險預測及返貧原因分析

章文光 吳義熔 宮鈺

摘? ?要：基于2019年25省（區、市）建檔立卡實地監測調研的貧困戶數據，建立基于邏輯回歸方法的貧困風險預測模型，評估返貧風險。運用優勢比和交互信息，分析各致貧因素對返貧風險預測的影響，結果表明：預測模型的ROC曲線下面積達到0.706，模型可用于預測返貧的風險。在解決相對貧困問題階段，應針對返貧風險高的家庭加強貧困風險預測研究;創新發展基于“預警+救助+賦能”的扶貧策略;在實施保障救助的同時，加強致貧因素分析，采取有針對性的扶貧措施，防止返貧發生。

關鍵詞：返貧風險;風險預測;脫貧攻堅

中圖分類號：F323.8? ?文獻標識碼：A? ?文章編號：1003-7543（2020）12-0110-11

在精準扶貧精準脫貧方略指引下，我國脫貧攻堅工作取得了舉世矚目的成就，貧困人口和貧困縣數量急劇下降。我國現行標準下農村貧困人口從2012年末的9899萬人減少至2019年末的551萬人，累計減少9348萬人;貧困發生率從2012年的10.2%下降至2019年末的0.6%。2020年初，國務院扶貧辦對2019年底未摘帽的52個貧困縣實施掛牌督戰，截至11月23日，52個縣全部脫貧摘帽，這也標志著全國832個貧困縣全部出列，脫貧攻堅取得重大勝利，為實現第一個百年奮斗目標打下了堅實基礎。與此同時，我國發展不平衡不充分的問題仍然突出，脫貧攻堅成果持續鞏固拓展仍面臨諸多困難和挑戰：深度貧困地區兜底保障戶的貧困問題仍然突出[1-3];絕對貧困問題得到解決后，相對貧困問題仍然長期存在[4-5];一些偏遠的山區、邊區和少數民族集居地區受自然稟賦、歷史因素和經濟基礎的影響，返貧風險仍然較高[6-7];在大規模解決區域性整體貧困的同時，非貧困地區的貧困問題逐漸顯現[1，5];部分貧困戶政策性收入占比過高，產業發展仍處于孵化期，脫貧攻堅政策在鄉村振興框架內如何銜接仍需路線圖[8-9]。

在脫貧攻堅戰及成果鞏固拓展過程中，防止返貧、降低返貧風險已成為所有挑戰中最具現實性和緊迫性的問題之一。早在2017年，習近平總書記在參加十二屆全國人大五次會議四川代表團審議時就指出“防止返貧和繼續攻堅同樣重要”。2020年3月，習近平總書記在決戰決勝脫貧攻堅座談會上明確要求“加快建立防止返貧監測和幫扶機制”。當前是上承脫貧攻堅取得決定性成就、下啟“十四五”時期鞏固拓展脫貧攻堅成果的關鍵時期，建立返貧風險預測機制是確保脫貧攻堅成功的必然要求，是將事后幫扶變為事前預防、實現貧困人口動態清零的題中之義。我國已通過全國扶貧開發信息系統為全國9899萬貧困戶實現建檔立卡，建檔立卡指標體系包括戶村縣的基礎信息庫、業務管理系統、扶貧項目庫等模塊，擁有的海量數據為開展量化研究預測返貧風險提供了基礎。進一步推進我國扶貧開發事業，一方面，有必要加強對精準扶貧精準脫貧方略的政策研究，為提高精準幫扶措施的靶向性、精確性提供參考和依據;另一方面，有必要拓寬思路，發揮學術研究在量化研究領域的優勢，建立返貧風險預測機制，推出新的幫扶方法和策略。

一、相關研究綜述

返貧風險預測及其精準幫扶的對象具有多元性。2014年國務院扶貧辦印發的《扶貧開發建檔立卡工作方案》中，根據是否享受社會救助措施將貧困戶分為特別困難供養戶（特困戶）、低收入保障貧困戶（低保戶）和一般貧困戶。2015—2016年在全國范圍開展兩次農村貧困人口建檔立卡“回頭看”之后，為保障脫貧穩定性，根據貧困戶脫貧后是否繼續享受政策分為脫貧不享受政策的穩定脫貧戶和脫貧后仍享受各項幫扶政策的不穩定脫貧戶。2018年《中共中央? 國務院關于打贏脫貧攻堅戰三年行動的指導意見》實施后，為減少扶貧的“懸崖效應”，非貧困群體中的低收入群體亦進入政策視野，被稱為邊緣易致貧戶。2020年受新冠肺炎疫情等影響的收入驟減戶和支出驟增戶也成為重點監測群體。從政策角度來看，上述群體均為返貧風險監測對象，但實踐中為了克服監測覆蓋面廣、人員構成復雜、信息不對稱等難題，各地普遍將特困戶和低保戶這兩類“深度困難”群體[10]作為監測返貧風險的主要對象。從理論上看，一般農戶或脫貧戶重新成為深度困難群體時，意味著返貧風險的快速上升，此時幫扶措施能否及時兜住決定了返貧是否發生。只有當兜底措施和其他幫扶措施均失效時，才會通過“兩公示一公告”或其他程序將該戶認定為返貧戶，即返貧過程通常經歷從脫貧戶，到深度困難群體，再到認定成為返貧戶這三個階段，因此脫貧后仍然深度困難的群體是返貧風險最高的群體，各地也通常稱之為“返貧風險戶”。精準扶貧和預防返貧成功的關鍵在于及時識別返貧風險戶，找出致貧原因、摸清貧困特征，因地制宜、因貧施策，因人施策[4]，阻斷返貧發生。

返貧風險預測是防止因兜底政策失靈而返貧的重要措施之一。以特困供養和低保政策為主的社會救助制度是我國反貧困體系和社會保障體系的重要組成部分，在脫貧攻堅中發揮著兜底保障作用。然而，在社會救助特別是農村低保政策的實施過程中，兜底保障存在一些問題，包括瞄準偏差和遺漏[11-12]、福利依賴[13]、消極救助[14]、“貧困陷阱”問題[15]等。學者們提出了兩種克服上述問題的策略：一是在發揮農村低保制度最低需求保障的同時，實施發展型社會救助項目[16-17]，或以“工作福利”對抗“福利依賴”[14]，或完善和建立“救助+賦能”并重的救助制度[15]等;二是加強針對深度貧困或返貧的預測研究，明確最重要的致貧因素，實施有針對性的救助和扶貧措施，織牢兜底保障網，避免陷入返貧狀態。

邏輯回歸模型是返貧研究中被廣泛運用的模型之一。作為返貧群體預測研究的一部分，農村低保制度研究備受學術界關注，包括低保對象的認定[11-12，18]、低保標準的制定[19]及其減貧效果[20-21]等。在對低保對象認定的研究中，鄧大松、王增文基于10 個省份33 個縣市農村地區的實地調研數據，利用邏輯回歸模型，分析了各項指標對是否為農村低保戶判定的影響[18]。李輝利用邏輯回歸模型，分析了各項指標對農村低保戶或五保戶貧困的影響[22]。由此可見，邏輯回歸模型雖已被用于返貧研究領域，但主要用于分析各項貧困指標與返貧之間的關系，研究還不夠深入。因此，有必要進一步加強對各項貧困指標與返貧之間關系的研究，利用各個指標預測農戶成為返貧風險戶的概率。考慮到貧困的多維特性，有必要重點研究由各項貧困指標構建起來的模型整體上的風險預測性能。當前，學術界對于模型整體性能的研究相對有限，汪三貴等研究了邏輯回歸模型對于貧困戶識別的準確率，但未描述模型的訓練和驗證方式[23]。針對我國縣域農村貧困預測，馮婭婭等利用人工神經網絡，將各自然、社會經濟因子作為輸入變量，預測了自然致貧指數和社會經濟消貧指數[24]。

精準識別深度困難群體的主要致貧因素，優化貧困治理機制，對于切實防止深度困難群體脫貧后返貧具有重要的理論價值和現實意義[1，3]。由于在脫貧攻堅實踐中的返貧戶數量極少，且導致一般戶成為深度貧困群體并認定為貧困戶的“致貧原因”，與導致脫貧戶成為返貧風險戶并認定為返貧戶的“返貧原因”具有邏輯一致性，因而本文使用2019年25省（區、市）①建檔立卡實地監測調研得到的貧困戶數據，建立基于邏輯回歸方法的貧困風險評估模型，來預測成為返貧風險戶的概率，并分析致貧原因，找出致貧因素，以阻斷返貧發生。本文在數據來源上，采用的是2019年針對全國25省（區、市）建檔立卡實地監測抽樣調查數據，同時發展了針對返貧風險戶的返貧風險預測模型，并探討了模型的預測性能，為構建基于“預警+救助+賦能”的扶貧策略奠定了基礎。

二、數據來源和研究方法

（一）數據來源

在國務院扶貧開發領導小組辦公室統籌領導下，北京師范大學政府管理學院/農村治理研究中心組織500余名調研人員在25省（區、市）開展了建檔立卡實地監測調研。項目團隊根據各省（區、市）貧困縣總數量和分布情況，按比例隨機抽取約10%的貧困縣，總計146個縣。其中，新疆、西藏由于地理條件局限，只抽取了1個縣。針對每個縣，項目團隊根據貧困發生率、未脫貧人口等因素，抽取了5個貧困程度不同的村。針對每個村，項目團隊隨機抽取了50個農戶開展實地入戶核查，其中建檔立卡貧困戶35戶、非貧困戶15戶。最終經過數據清洗后得到23 307條實地核查過的建檔立卡貧困戶數據，包括行政村所在地、貧困人口數、生產生活條件、合作社經營、村屬性等貧困村信息，以及戶主姓名、家庭人口數、勞動力人口數、貧困戶屬性、致貧原因、扶貧措施、收入、交通情況、住房情況等信息。

（二）變量提取

為提取變量開展返貧風險戶的致貧原因分析，我們從調研核查過的資料中選取了調查問卷編號、村屬性、家庭人口數、勞動力人口數、致貧原因及貧困戶屬性等內容。村屬性分為四類，包括非貧困村、脫貧村、貧困村和深度貧困村。依家庭人口數，將貧困戶劃分為四類家庭：1～2人、 3～4人、5～6 人及大于6人的家庭。依勞動力人口數，將貧困戶劃分為五類家庭：0人、1～2人、3～4人、大于4人及未知（勞動力人數）家庭。從致貧原因中，我們提取被記錄的致貧因素，包括因喪、因婚、因學、因殘、因災、因病、缺土地、缺技術、缺水、缺資金、交通條件落后、自身發展動力不足和其他原因（共13種）。需要說明的是，致貧原因中的“缺勞力”由于和家庭勞動力人口信息重疊且后者信息更豐富，故未提取“缺勞力”。針對每戶，我們計算了致貧因子總數目，其值為1、2或3。貧困戶屬性包括特困供養戶、低保貧困戶、脫貧戶和一般貧困戶。總計有5442個返貧風險戶（特困供養戶或低保貧困戶）和17 865個普通貧困戶（脫貧戶或一般貧困戶）。

（三）風險預測模型

我們利用邏輯回歸方法建立貧困風險評估模型，用以預測家庭陷入深度困難成為返貧風險戶的風險。邏輯回歸是一種廣義上的線性回歸分析模型，常用于預測事件發生的概率和分析某一因素對事件發生的影響，因模型構建機理邏輯性和可解釋性強，其被廣泛地應用于經濟社會活動預測等領域。在本文中，邏輯回歸方法的模型如下所示：

其中，p為家庭陷入深度困難成為返貧風險戶的概率，α為模型的截距，βi為貧困因子xi的權重， K為模型中貧困因子總數目。依靠收集到的數據，通過訓練邏輯回歸模型，可以得到α截距值和各個貧困因子的權重。當一個家庭的數據x被采集后，依靠截距和權重，可以得到其返貧的概率p。另外，通過衡量各貧困因子的權重，可以了解究竟哪些因素是家庭陷入深度困難成為返貧風險戶的主要致貧因素。

為了保證模型預測性能的穩定性，我們采用10-等份交叉驗證（10-fold cross-validation）方法將所有貧困戶樣本隨機分為10等份。每次選取其中的9等份樣本用來訓練預測模型，然后利用訓練得到的模型去計算剩下的1等份樣本。依次循環10遍實驗后，得到23 307個家庭陷入返貧風險戶的風險評估值。

依靠風險評估值，我們可生成其受試者工作特征曲線（Receiver Operating Characteristic Curve -ROC 曲線）。在醫學領域，ROC曲線已被廣泛用來描述一項醫學測試的性能。真陽性率（True Positive Rate， TPR）被定義為在實際為陽性的人群中，該醫學測試判斷為陽性的比例;真陰性率 （True Negative Rate， TNR）被定義為在實際為陰性的人群中，該醫學測試判斷為陰性的比例。ROC曲線用構圖法揭示了TPR和TNR的相互關系，即通過設定多個不同的預測臨界值，計算出一系列TPR和TNR，再以TPR為縱坐標、（1-TNR）為橫坐標繪制曲線。ROC曲線下面積 （Area Under ROC Curve-AUC）越大，該測試的準確性越高。AUC取值在0至1之間，AUC為1時，該測試完全正確;若AUC為0，則該測試完全錯誤。一般認為，AUC 在0.5至0.7之間表示模型預測的性能較低;0.7至0.9之間表示模型預測的性能中等;0.9以上表示模型預測的性能較高[25]。在本文中，AUC被用來衡量貧困風險預測模型的準確性。

（四）返貧風險戶的風險因子分析

在本文中，我們利用Odds Ratio[26]和Mutual Information[27]確定返貧風險戶的重要風險因子。對于家庭致貧的諸多因素，有些可能使家庭返貧，但也有些可能使其避免返貧。比如，因災是家庭致貧的一種因素，由于只是相對短時間的消極影響，再加上政府和社會的及時關注救助，解決因災致貧的可能性較大，因而這類家庭通常短時間內由返貧風險戶恢復為普通戶。

Odds Ratio（OR）在醫學領域是病例對照研究中的常用概念，俗稱優勢比。某種暴露條件下疾病發生的優勢是該條件下病例組人數和非病例組人數的比值;非暴露條件下疾病發生的優勢是該條件下病例組人數和非病例組人數的比值，兩種優勢之比即為優勢比。優勢比等于1，表示該暴露因素對疾病的發生不起作用;優勢比大于1，表示該因素是危險因素;優勢比小于1，表示該因素是保護因素。優勢比可由Cornfield 的 2×2 表計算得到，也可由常用的回歸模型的系數轉化得到[28]。盡管兩者計算方法不一致，但其最終結果類似。由于回歸模型具備諸多優勢，因而得到了廣泛應用。在扶貧研究領域，常常利用由回歸模型的系數轉化得到的優勢比來識別重要的致貧因素[18]。在本文中，優勢比被用來判斷一種貧困因子是否是導致返貧風險產生的危險因素，可大致衡量其對返貧風險戶產生的影響程度。

Mutual Information稱為交互信息，是信息論中一種有效的信息度量，它可以看成一個隨機變量中包含的關于另一個隨機變量的信息量，或者說是一個隨機變量由于已知另一個隨機變量而減少的不確定性，不確定性越少，判斷或預測越準確。在本文中，交互信息可表示為返貧風險戶預測的不確定性由于知道一個貧困因子的信息而減少的數量。因此，交互信息可被用來衡量致貧因素對返貧風險戶預測的重要性，交互信息值越大，該致貧因子對預測越重要。對于能取多個值的變量，交互信息可在變量層面指明其對預測的作用，而優勢比在賦值層面上評價變量的重要性，因此在本文中我們同時應用這兩種方法相互驗證來確定重要風險因子。

邏輯回歸模型的訓練及交互信息的計算均在Weka（Waikato Environment for Knowledge Analysis）軟件平臺上完成，其是一款免費的、非商業化的，基于JAVA環境下開源的機器學習以及數據挖掘軟件，是現今最完備的數據挖掘工具之一。

三、建模結果與檢驗

（一）模型中的樣本分布

本文取樣涉及23 307戶貧困人口，共92 299人。貧困戶家庭規模分布如表1所示，其中4人戶占比最大，約為20.67%;家庭平均規模為每戶3.96 人。勞動力人口數分布如表2所示，其中有2個勞動力的家庭占比最高，約為34.24%;排除未知勞動力數量的家庭，平均每戶有2.02個勞動力。

（二）模型整體預測性能

所提取變量的取值分布如表3（下頁）所示。利用這些變量，建立貧困風險評估模型，用以預測家庭陷入深度困難成為返貧風險戶的概率。該模型的ROC曲線如圖1所示。其AUC為0.706，說明可以使用該模型預測家庭陷入返貧風險的概率。

（三）各變量基于優勢比對返貧風險戶的預測情況

由訓練邏輯回歸模型得到的優勢比如表3所示。各變量對家庭陷入深度困難成為返貧風險戶預測的影響如下：

其一，家庭人口數的影響。以1～2人家庭為基準，當家庭人口數多于2個而少于等于6個時，該類家庭不易成為返貧風險戶。當家庭人口數多于6人時，該類家庭容易成為返貧風險戶，其優勢比為1.228。

其二，勞動力人口數的影響。若無勞動力，該家庭容易成為返貧風險戶。隨著勞動力人口的增加，幾率將逐漸減少。當勞動力人口數多于4人時，其優勢比為0.308，這類家庭成為返貧風險戶的優勢約是無勞動力貧困家庭的1/3，這類家庭成為返貧風險戶的幾率很小。

其三，因殘致貧的家庭成為返貧風險戶的概率高，優勢比是其他貧困家庭的1.711倍。

其四，缺土地、因病致貧或自身發展動力不足的家庭成為返貧風險戶的幾率較高，其優勢比在0.75以上。

其五，因缺技術、交通條件落后、因學、因喪或因其他因素而致貧的家庭成為返貧風險戶的幾率較小，其優勢比在0.6至0.7之間。其中因喪致貧的優勢比，其p-value為0.457。由于該值大于常規的統計顯著界限0.05，因而需要收集更多數據來進一步驗證此結論。

其六，因災或缺水而致貧的家庭不易成為返貧風險戶，其優勢比小于0.5。

其七，因缺資金而致貧的家庭不易成為返貧風險戶，其優勢比為0.429。缺資金不是致貧根本原因，而是其他致貧因素導致的結果。近年來，由于全國整體經濟發展水平提高和扶貧措施加強，貧困家庭可以獲得小額信貸支持，這類家庭陷入深度困難的幾率較低。

其八，因婚致貧的家庭不易成為返貧風險戶，其優勢比為0.336。

其九，村屬性的影響。在脫貧村，由于脫貧措施落實，整體貧困狀況得以改善，家庭成為返貧風險戶的概率較低，其優勢比為0.354。在非貧困村和貧困村，家庭成為返貧風險戶的概率較高。在深度貧困村，家庭成為返貧風險戶的風險低，一是可能由于樣本量分布不夠，屬于深度貧困村的53個貧困戶均來自湖南省邵陽縣羅城鄉保和村;二是可能深度貧困村獲得了更多關注度和資源投入。具體原因還有待于進一步的考察研究。

其十，致貧因素總數目的影響。隨著致貧因素總數目的增加，家庭成為返貧風險戶的概率相應增加。有2個致貧因素的貧困戶，其陷入深度困難的優勢比為1.627。有3個致貧因素的貧困戶，其優勢比為2.758，這類家庭更易成為返貧風險戶。

（四）各變量基于交互信息對返貧風險戶的預測情況

利用交互信息對變量排序的結果如表4（下頁）所示。對于返貧風險戶的預測，最重要的變量是勞動力人口數，其次是村屬性。因殘、缺資金及家庭人口數也會嚴重影響家庭返貧風險預測結果。

四、結論與政策建議

基于2019年25省（區、市）建檔立卡實地監測調研得到的貧困戶數據，通過建模開展返貧風險預測及返貧原因分析，我們發現：基于邏輯回歸的風險預測模型，其預測性能達到中等程度，可用于家庭成為返貧風險戶的預警，在相對貧困治理階段發揮應有作用;優勢比和交互信息均可用來分析導致家庭陷入深度困難成為返貧風險戶的因素，這為進一步開展此類研究提供了新思路。針對返貧風險戶需要關注重要致貧因素，有的放矢加強相應保障力度，以提升防止返貧的成效。具體研究結論包括：

第一，家庭人口數是影響家庭成為返貧風險戶的重要因素。當家庭人口數多于2個而少于等于6個時，該類家庭通常家庭人員結構合理，不易成為返貧風險戶。當家庭人口數太少或太多時則容易陷入深度困難成為返貧風險戶。為此，需要在預測中對不同類型進行區分。調研發現，家庭人口數太少的貧困戶主要包括自然因素和突發因素兩種情形，自然因素如未婚育夫妻、獨居老人等對社會保障政策較為依賴，需要持續穩定的社保兜底;突發因素如因災禍導致家庭成員亡故、家庭突發重大變故等，其對社會保障、臨時救助的依賴性較強。而家庭人口數太多的貧困戶體現為超生嚴重，其對義務教育、住房保障等幫扶措施的穩定性較為依賴。

第二，勞動力人口數是影響家庭成為返貧風險戶的重要因素。目前全國扶貧開發信息系統中對勞動力的數據采集包括全勞力、半勞力、部分勞力和無勞力四種類型，數據在每年動態管理中進行更新并定期關聯民政和公安部門數據進行比對。若家庭無勞動力或缺勞動力，則容易成為返貧風險戶。隨著勞動力人口的增加，幾率將逐漸減少，這是由于在農村地區較多的勞動力意味著可以獲得穩定持續的家庭收入，尤其是隨著移風易俗、智志雙扶工作的推進，勞動力生產效率不斷提升。而缺勞動力或無勞動力家庭幫扶措施通常包括民政一攬子兜底保障措施和部分社會救濟，其對幫扶針對性和政策穩定性較為依賴。

第三，村屬性對返貧風險預測有較大影響。除去數據本身的局限性，在實踐中發現脫貧村農戶成為返貧風險戶的風險低，而在非貧困村和貧困村，農戶成為風險貧困戶的風險較高。村屬性會產生影響首先印證了在脫貧攻堅中提出解決區域性整體貧困問題是必要和科學的;其次，村屬性作為預測模型的重要參數是基于建檔立卡村信息表中直接關聯的數據，相關內容包括村產業發展情況、集體經濟情況、公共設施水平、經濟稟賦情況等，是對經濟發展水平的整體性描述。2019年顯示的脫貧村多為貧困程度相對較低、脫貧難度相對較小的村，在同等政策力度幫扶下脫貧成效相對明顯。而未脫貧村由于貧困程度深、脫貧難度大，非貧困村因長期未享受到脫貧攻堅政策紅利，返貧風險均較大，需要在脫貧攻堅任務結束后從城鄉統籌視角下實現政策有序退出和補齊民生保障短板。

第四，因殘致貧家庭成為返貧風險戶的概率較高，缺資金、因婚、因災、缺水致貧家庭成為返貧風險戶的概率較低。有殘疾成員的家庭尤其是家庭主要勞動力殘疾的，不僅自身無法工作還需家庭成員看護，再加上治療費用等多種原因共同作用，增加了該類家庭成為返貧風險戶的概率。風險預測模型結論告訴我們，在相對貧困階段，幫扶措施需關注并對不同殘疾類型開展分類分層的“精準滴灌”，提高政策資源的針對性。缺資金致貧主要是具備產業發展所需的人力資本，但缺乏產業發展資金和物料，在以提升“造血”能力為目標的幫扶措施下基本能夠實現穩定脫貧。因災、缺水致貧家庭成為返貧風險戶更容易受到國家和社會關注，能夠通過獲得資助而避免成為返貧風險戶。因婚致貧多是受地區風俗影響超越家庭承受能力舉辦婚事，但長期來看對家庭增收也會產生助力。

為助力相對貧困階段預防返貧和鞏固脫貧攻堅成果，我們發展了基于邏輯回歸的風險預測模型，用來預測家庭成為返貧風險戶的概率，并基于“預警+救助+賦能”的幫扶策略，提出對返貧風險較高家庭應采取有重點的幫扶措施，做到早發現、早干預、早預防，變事后幫扶為事前預防。我們將優勢比和交互信息結合起來，識別了返貧風險戶的重要風險因素。在此基礎上，這里提出如下政策建議：

第一，推進返貧風險監測機制的模型化智能化。隨著人工智能技術的飛躍發展，各類定量研究方法不斷涌現，給諸多應用領域的發展帶來了突破和創新。一些學者將人工智能模型引入扶貧研究，但大多數工作偏向于依靠模型的系數來研究單個致貧因子的重要性，較少探討各致貧因子影響的模型預測功能。我們發展了基于邏輯回歸的風險預測模型，用來預測家庭成為返貧風險戶的概率。利用10-等份交叉驗證的方式訓練模型，得到模型的AUC值達到0.706。風險預測模型以實地監測調研得到的貧困戶致貧因素為輸入變量，得到中等程度的深度困難預測性能，表明了建立模型預測家庭陷入深度困難成為返貧風險戶的可行性。在大數據和人工智能快速發展背景下，通過多種算法模型對返貧風險開展監測成為可能，本文分析所選取的指標只占全國扶貧開發信息系統全部指標的小部分，系統在與民政、公安、住建、教育等部門進行數據比對過程中也會從行業部門引入部分信息，基于大數據通過不斷迭代的神經網絡模型、決策樹等智能算法可實現返貧風險預測的智能化。

第二，構建“預警+救助+賦能”幫扶機制。當前，對于陷入深度困難狀態的社會群體所提倡的扶貧措施，可以概括為救助和賦能并重的模式，一方面提供以最低生活保障、殘疾人幫扶、特困供養等為主的社會救助，另一方面通過各項扶持政策幫助貧困戶發展扶貧產業、提高就業技能，通過賦能增加其收入水平。運用風險預測模型的預測結果可加強救助和賦能政策執行的針對性和有效性，節約政策資源集中于返貧風險群體，形成基于“預警+救助+賦能”新的幫扶機制。全面建成小康社會后需要快速補齊建立預警監測機制并與現有幫扶機制實現對接，在監測對象認定、監測群體分類、監測程序制定、監測機制建立等方面持續完善。在中央統籌、省負總結、市縣抓落實的工作架構下，探索中央預警監測機制與地方監測機制的協調互動，將完善的預警信息納入地方決策系統，從根本上推動扶貧開發實現從事后反饋向事前監管轉變。

第三，在政策過渡期內積極探索人員分類管理和政策有序退出。習近平總書記在2020年3月決戰決勝脫貧攻堅座談會上明確要求，“要保持現有幫扶政策總體穩定，扶上馬送一程，可以考慮設個過渡期”。過渡期設置是落實“四個不摘”要求、實現從脫貧攻堅向鄉村振興轉變的重要過程，其中一個重要內容是扶貧政策如何有序退出問題，而返貧風險預測對解決這一問題至關重要。本文的貧困風險預測模型能針對每一個貧困家庭計算出其成為返貧風險戶的概率，通過采用合適的概率切割點[23]，模型可以用來輔助識別風險群體，并按照概率大小劃分風險程度，實現返貧風險戶的分類管理。在實地調研中，大部分地區認為過渡期以2～3年為宜，深度貧困地區則傾向于設置3年以上的過渡期以實現脫貧穩定，需要運用一套評價指標對政策退出年限因地制宜進行設置。風險預測模型在當前針對家庭進行預測的基礎上值得引入更多關聯規則算法，構建起區域性返貧風險預測模型，為政策制定和完善提供有力支撐。

第四，在城鄉統籌框架下完善幫扶措施工具包。在2017年12月召開的中央農村工作會議上，習近平總書記明確指出，“2020年全面建成小康社會之后，我們將消除絕對貧困，但相對貧困仍將長期存在。現在針對絕對貧困的脫貧攻堅舉措要逐步調整為針對相對貧困的日常性幫扶措施，并納入鄉村振興戰略架構下統籌安排。”黨的十九屆四中全會會議公報明確提出“建立解決相對貧困的長效機制”。相對貧困治理問題是后扶貧時代扶貧開發的主線，在堅持農業農村優先發展總方針指導下，相對貧困治理離不開城鄉融合發展的時代背景。本文所采用的優勢比和交互信息分析方法可以用來精準識別導致家庭陷入深度困難的重要風險因素，從而有利于制定完善的幫扶措施工具包以開展針對性幫扶，鞏固和提升脫貧攻堅工作質量，但從解決相對貧困的角度來看，還需要在城鄉統籌框架下豐富政策幫扶工具包內容。例如，在農村，因殘導致家庭成為返貧風險戶的概率較高，這類家庭在城市也會存在，因而要統籌考量相關幫扶政策，因地制宜采取針對性措施;又如，缺資金的家庭不容易成為返貧風險戶，是在貧困群體可以獲得小額信貸支持下得出的結論。為了解決融資難的問題，城鄉融合過程中需要創新開發多樣化的金融幫扶產品。

參考文獻

[1]李春根，陳文美，鄒亞東.深度貧困地區的深度貧困：致貧機理與治理路徑[J].山東社會科學，2019（4）：69-73.

[2]左停，徐加玉，李卓.擺脫貧困之“困”：深度貧困地區基本公共服務減貧路徑[J].南京農業大學學報（社會科學版），2018（2）：35-44.

[3]李俊杰，耿新.民族地區深度貧困現狀及治理路徑研究——以“三區三州”為例[J].民族研究，2018（1）：47-57.

[4]燕繼榮.反貧困與國家治理——中國“脫貧攻堅”的創新意義[J].管理世界，2020（4）：209-220.

[5]萬蘭芳，向德平.中國減貧的范式演變與未來走向：從發展主義到福利治理[J].河海大學學報（哲學社會科學版），2018（2）：32-38.

[6]賈林瑞，劉彥隨，劉繼來，等.中國集中連片特困地區貧困戶致貧原因診斷及其幫扶需求分析[J].人文地理，2018（1）：85-93.

[7]殷麗梅，楊紫銳.公共價值導向的精準扶貧績效評價研究——基于恩施州少數民族貧困地區的實證[J].重慶工商大學學報（社會科學版），2018（4）：45-51.

[8]祖俊濤，董黎明.“后脫貧攻堅時代”背景下農村低保對象精準識別的實現困境和路徑優化——以安徽省S縣為例[J].北京化工大學學報（社會科學版），2019（4）：11-21.

[9]張松彪，曾世宏，袁旭宏.精準扶貧視閾下城鄉居民低保資源配置差異及瞄準效果比較分析——基于CHIP2013數據的實證[J].農村經濟，2017（12）：37-43.

[10]張明皓，豆書龍.深度貧困的再生產邏輯及綜合性治理[J].中國行政管理，2018（4）：44-50.

[11]易紅梅，張林秀.農村最低生活保障政策在實施過程中的瞄準分析[J].中國人口·資源與環境，2011（6）：67-73.

[12]朱夢冰，李實.精準扶貧重在精準識別貧困人口——農村低保政策的瞄準效果分析[J].中國社會科學，2017（9）：90-112.

[13]肖云，吳國舉，劉慧.農村最低生活保障退出機制構建研究[J].西北人口，2009（4）：43-47.

[14]徐麗敏.反福利依賴視角下的低保制度審視——兼析《社會救助暫行辦法》[J].華東理工大學學報（社會科學版），2014（6）：109-114.

[15]劉麗娟.我國城鄉低保家庭基本狀況分析——基于2016年“中國城鄉困難家庭社會政策支持系統建設項目”的調查[J].中國民政，2017（21）：49-51.

[16]左停，賀莉，趙夢媛.脫貧攻堅戰略中低保兜底保障問題研究[J].南京農業大學學報（社會科學版），2017（4）：28-36.

[17]白永秀，劉盼.全面建成小康社會后我國城鄉反貧困的特點、難點與重點[J].改革，2019（5）：29-37.

[18]鄧大松，王增文.“硬制度”與“軟環境”下的農村低保對象的識別[J].中國人口科學，2008（5）：8-25.

[19]童星，王增文.農村低保標準及其配套政策研究[J].天津社會科學，2010（2）：49-51.

[20]陳文瓊，劉建平.論農村低保救助擴大化及其執行困境[J].中國行政管理，2017（2）：85-90.

[21]韓華為，高琴.中國農村低保制度的保護效果研究——來自中國家庭追蹤調查（CFPS）的經驗證據[J].公共管理學報，2017（2）：81-96.

[22]李輝.基于Logistic模型的深度貧困地區貧困人口致貧因素分析[J].西北民族研究，2018（4）：51-58.

[23]汪三貴，王姮，王萍萍.中國農村貧困家庭的識別[J].農業技術經濟，2007（1）：20-31.

[24]馮婭婭，潘竟虎，楊亮潔.中國縣域農村貧困的空間模擬分析[J].地球信息科學學報，2018（3）：321-331.

[25]SWETS J A. Measuring the accuracy of diagnostic systems[J]. Science， 1988， 240（4857）： 1285-1293.

[26]CORNFIELD J. A method of estimating comparative rates from clinical data： applications to cancer of the lung， breast， and cervix[J]. Journal of Chronic Diseases， 1951， 32（6）： 139-154.

[27]SHANNON C E. The mathematical theory of communication[J]. Bell Labs Technical Journal， 1950， 3（9）： 31-32.

[28]HAILPERN S M， VISINTAINER P F. Odds ratios and logistic regression： further examples of their use and interpretation[J]. The Stata Journal， 2003， 3（3）： 213-225.