【新农保对农村家庭贫困脆弱性的实证分析案例13000字】

新农保对农村家庭贫困脆弱性的实证分析案例目录TOC\o"1-3"\h\u20393新农保对农村家庭贫困脆弱性的实证分析案例 1207621.1数据、变量及模型设定 1131461.1.1贫困脆弱性的测算 191041.1.2其他数据来源 3281531.1.3变量选择与描述性统计 3240151.1.4模型设定 51371.2关于贫困脆弱性的特征事实 7254291.2.1贫困脆弱性的描述性分析 7135561.2.2贫困脆弱性与贫困的异同 113211.3新农保对农村家庭贫困脆弱性的影响分析 1228941.3.1基于双重固定效应模型的估计结果 12186871.3.2基于倾向得分匹配模型的估计结果 14169781.3.3稳健性检验 15116071.4新农保影响农村家庭贫困脆弱性的机制检验 20237391.5新农保影响农村家庭贫困脆弱性的异质性检验 22237781.1.1按照收入水平分类 22210911.1.2按照基础养老金替代率分类 221.1数据、变量及模型设定1.1.1贫困脆弱性的测算本文在第二章贫困脆弱性测量这一小节中，已提到了测量脆弱性水平的三种最为普遍的方法，并对其定义进行了简要说明，在此就不再赘述。下面简述三种测量方法间的差别：风险暴露脆弱性（VER）不同于其他两种方法具有考察未来福利水平的前瞻性，它作为一种事后测量指标，更多的是对家庭应对风险能力的估量（Glodedetal.,2015）REF_Ref10305\n\h[91]。另一方面，低期望效用脆弱性（VEU）是通过效用函数来测算，但不同的个体具有不同的消费偏好，因此需要对家庭未来的消费偏好进行统计，且用于拟合的函数在选择上具有主观性，因此通过这种方法得出的测量结果容易产生误差且操作难度大。与此同时，预期贫困脆弱性（VEP）作为一种基于现期家庭收入或消费情况来对未来贫困做出估计的方法，得到了目前国内外大量学者的支持。基于此，在本文的实证分析中，同样采取VEP法估算脆弱性水平，结合Chaudhuri（2002）REF_Ref6033\n\h[5]对脆弱性问题的分析，可知方法步骤如下：首先，对未来家庭收入的分布形式进行正态分布的假设；其次，估计T+1期的收入和方差；最后利用加权后的收入和残差对贫困脆弱性进行估计。基本的实现条件如下：（1.1）从上式（1.1）可知，贫困脆弱性（vi,t）是对家庭未来陷入贫困可能性的预期测算，也就是通过比较家庭i在下一期的收入对数（LnYi,t+1）与贫困线（Lnpoor）间的关系，且进行概率计算得到贫困脆弱性的值。文中采用三阶段最小二乘法（FGLS）进行概率测算，计算的详细步骤如下：第一，运用普通最小二乘法（OLS）对家庭人均纯收入对数以及得到的残差进行估计，并得到系数β和θ：（1.2）（1.3）上式中，LnYi,t代表当前家庭中的人均纯收入对数，β表示的是Xi,t（对收入产生影响的部分变量）对收入的影响系数。关于Xi,t变量的选取，本文从社区、家庭和个人三个层面进行考虑，以尽可能全面地概括到对收入的影响因素。β是对收入回归后得到的系数，表示收入对数的残差，再通过残差平方对Xi,t代表的控制变量进行OLS回归得到θ。第二，为进一步剔除内生性影响，利用公式（1.2）和（1.3），以增加权重的办法，重新进行回归测算，得到新的回归系数和。相比之前，能更为精确地表示控制变量对收入对数的影响，也能更好地描述控制变量对收入残差的影响。基于此，本文可以通过下式计算出农村家庭i在下一期收入的拟合值和残差平方。（1.4）第三，根据收入服从正态分布的假设，选定贫困标准线后可得出脆弱性水平，其计算公式如下：（1.5）其中，lnpoor表示贫困标准线的对数值，由于我国农村经济发展水平偏低，因此选取我国2011年的最低贫困标准2300元/年，2016年调整后的最低贫困标准3000元/年以及2015年上调后的国际贫困标准线1.9美元/天（美元将按照当前汇率折算，计算后得出4000元/年）。通过上式得出的v即为家庭贫困脆弱性，根据Wan&Zhang（2006）REF_Ref10390\n\h[92]研究表明，以v=0.5作为是否是脆弱性家庭的评判标准更为精确，基于此，本文同样以0.5作为分界点，当v≥0.5时,该家庭就被判定为脆弱性家庭。1.1.2其他数据来源文章利用CFPS2014、2016及2018年的数据，对该数据库的调研走访了我国25个省（市/自治区），共采访了16000户家庭。同时CFPS调查数据从社区、家庭、成人、儿童四个层面反映了我国经济与非经济因素（人口、教育等）的演变，是一项全面的、社会性的调查研究活动，并且得到了国内外多方面的指导与帮助。为确保数据的有效性和实证检验的合理性，现需要对数据进行部分处理，处理规则如下：考虑到本文的核心是研究新农保的作用，因此文中仅保留农村家庭，并剔除掉缺少重要信息（如：收入、年龄、是否加入新农保等）的家庭。具体操作如下：由于数据库提供的是三年分开的横截面数据，且不同类别数据单独成表，因此根据需要，首先对四个层面（社区、家庭、成人和儿童）的数据进行合并，再在每年中提取出所需要的数据，如年龄、受教育水平、家庭人均纯收入等，再将三年的数据集进行合并，剔除缺失重要变量以及重复变量的家庭，最后得到了一个包含10986条数据的三期面板。1.1.3变量选择与描述性统计由于CFPS中没有统计关于户主特性的数据，基于此，本文将各问卷通过家庭编码的方式与家庭问卷相联系，并筛选出所需变量。本文实证分析大致可以分为两个阶段，第一阶段是计算农村家庭贫困脆弱性，第二阶段是分析新农保对农村家庭贫困脆弱性的影响。在这两个阶段中所使用的解释变量基本一致，根据前述测算脆弱性的公式可以发现，在上述计算脆弱性的过程中，已通过剔除残差的方式减小内生性，因此可不考虑共线性问题。基于此，考虑到两阶段的实证分析，本文选取的变量如下：首先，被解释变量：（1）家庭人均年纯收入（Yi,t）人均年纯收入=（工资收入+经营收入+财产收入+转移收入+其他）/家庭规模：根据前述可知，收入是计算脆弱性也是影响脆弱性的重要变量，为了保证数据的可比性，本文选取的变量是数据库中的与2010年可比的人均年收入fincome2_per，这一变量主要用于测算贫困脆弱性。（2）贫困脆弱性（vi人均年纯收入=（工资收入+经营收入+财产收入+转移收入+其他）/家庭规模解释变量：（1）是否参加新农保（f_NRPS）：指家中是否至少有一个人参加了新农保，如果有则为1，没有则为0。这是本文的核心自变量。其余控制变量可分为三个部分：个人、家庭和社区。其中个人变量有：（1）成年人的平均年龄（age）：由于在数据库中并没有关于户主的信息，本文将以家中成年人的平均年龄作为借代指标。根据收入预期，收入水平会随着年龄产生“倒U”型波动，即会经历先增加后减少的过程。（2）成年人平均年龄的二次项（age2）：根据前述，本文认为收入水平会产生“倒U”波动，因此本文也将成年人平均年龄的二次项纳入到模型中进行实证检验。（3）成年人平均受教育年限（eduy）平均受教育年限=所有成年人接受教育的年数/成年人数量平均受教育年限=所有成年人接受教育的年数/成年人数量相关的家庭变量还包括有家庭规模（familysize），当家庭的规模越大时，收入的来源也会更加多元化，有利于家庭收入的总体提高，但也会伴随着收入不确定性的提高，收入波动性会扩大，因此其会对贫困脆弱性产生影响。同时本文也将是否有重大事件（f_events）加入到控制变量中，当家庭中发生婚丧嫁娶时，同样会对收入和收入波动性产生影响，因而也应纳入模型考虑。此外，在测算贫困脆弱性时，还需要部分的村庄数据，因此根据2014年的数据信息，整理了部分变量，包括是否有高污染企业（compony_polluting），根据问卷设置可知高污染企业包括化工厂、冶炼厂等，且要位于村庄5千米以内；还包括是否是少数民族聚居区（ethnic_minority）及是否属于自然灾害频发区（disaster），其中自然灾害包括旱涝灾、地震、火灾等。表1.1是本文选取的主要变量的描述性统计，由表可知，受访家庭的平均年龄为41.8岁；家庭人均收入的均值为10859.75元，且家庭间的方差较大；每户的平均受教育年限短，仅为6.4年；超过90%的家庭人口规模在7人以下；只有少部分家庭在2014-2018年内发生过重大事件；同样也只有少部分家庭所处地区有高污染企业，是少数民族聚居区，但超过75%的家庭所处地区属于自然灾害频发区。本文还以年份进行分类得出各年主要变量的描述性统计，但由于篇幅限制已将其放于附录，详细数据可见附录表A.2。表1.1主要变量描述性统计变量均值标准差最小值最大值观测值fincome2_per10859.75119026.290.251483970.910986f_NRPS0.6550.4750110986age41.8049.954189410986age22197.057958.517324883610986eduy6.3863.35601910986f_unhealthy0.3980.4890110986f_selfemploy0.0740.2610110986familysize4.2761.90712110986f_events0.1820.3860110986compony_polluting0.1470.3550110986ethnic_minority0.1360.3420110986disaster0.8330.37301109861.1.4模型设定根据附录表A.2可知，在2012、2014及2018三年中，样本家庭的人均年纯收入有了明显增长，这可能与宏观经济増长等因素有关，本文使用与2010年可比的家庭人均纯收入，根据已有研究，大量文献采用双重固定效应模型来控制样本的个体效应和时间趋势，从而进行实证研究。因此，本文同样使用双重固定效应模型得到基准回归结果，参考模型设置如下：（1.6）上式中vit表示的是第i个家庭在第t年的脆弱性水平，根据公式（1.1）可知，测算贫困脆弱性还需要设置贫困线，因此，根据前述本文分别采用了2300元/年，3000元/年和国际贫困线1.9美元/天，并且将美元按照当前汇率换算为人民币/年，即4000元/年。f_NRPSit表示第i个家庭在第t期时是否参与了新农保。μi以及λt分别表示控制个体和时间的固定效应，εit表示会随着个体和时间改变的其他扰动项。Xit表示会影响收入水平和贫困脆弱性的其他控制变量。在考虑到家庭所处地区的经济发展水平后，为了进一步验证通过双重固定效应得出的结果，文章还将采用Rosenbaum&Rubin（1983）REF_Ref10452\n\h[93]提出的倾向得分匹配法（PSM）进行验证分析，具体的实施步骤如下：首先，根据需求将样本对象分成两个组别，结合本文研究实际，处理组为参保组，控制组则是未参保组。之后，为保证组别间的可比性，要尽可能缩小组别间的差距，因此需要找出一组和参加新农保样本家庭最为类似的但没有参加新农保的家庭进行脆弱性差异的比较，由此得出的估计结果才最为精确，并用来解释本文的研究结果。PSM一般需要三个步骤：计算样本进入处理组的概率值，即倾向得分值；选择匹配方法；计算平均处理效应（ATT）。首先，选定可供观测的协变量集，通过Logit或者Probit方法计算得到样本的倾向得分值。然后，根据三种匹配方法（最邻近匹配、半径匹配以及核匹配）将处理组与控制组进行分值匹配，以便后续的计算。最后，一旦得到各组内家庭的匹配值，那么就可以计算出平均处理效应ATT，具体公式如下：（1.7）上式（1.7）中，D是虚拟变量，当D=1时表示处理组，D=0时是控制组，Yi是因变量，Y1是当可观测变量属于处理组时得出的结果，Y0则是当其属于控制组得出的结果。因为不可能得知未处理样本的处理效应和已处理样本的未处理效应，因此，和都属于反事实情况。PSM的目的是在对倾向分数进行条件处理后，确保选择偏差减小到0，从而在ATT估计中可以去掉反事实部分，即可得：（1.8）其中P（X）是解释变量的倾向得分，因此，如果上述假设成立，则平均处理效应ATT的公式如下：（1.9）1.2关于贫困脆弱性的特征事实1.2.1贫困脆弱性的描述性分析回顾本文的3.2节，已经指出收入水平和收入波动性会对贫困脆弱性产生影响，因此根据Chaudhuri（2002）REF_Ref6033\n\h[5]，本文首先对人均收入对数和残差的平方进行回归测算，根据公式（1.2）和（1.3）并做加权回归后的计量结果如下，其中lfincome2_per表示的是家庭人均收入的对数，res2表示的是残差的平方。表1.2贫困脆弱性过程201420162018lfincome2_perres2lfincome2_perres2lfincome2_perres2age0.0698***-0.144**0.0251-0.07350.0379**-0.06(-4.73)(-2.53)(-1.48)(-1.14)(-2.13)(-1.14)age2-0.000833***0.00150**-0.000387**0.000816-0.000585***0.00084(-1.40)(-2.57)(-2.15)(-1.2)(-3.09)(-1.49)eduy0.0872***-0.02090.0731***-0.0360**0.0651***-0.0043(-13.61)(-1.04)(-10.76)(-1.99)(-8.97)(-0.22)f_unhealthy-0.0921**-0.201*-0.0589-0.263**-0.138***0.0335(-2.55)(-1.84)(-1.44)(-2.31)(-2.87)(-0.25)familysize-0.0663***-0.0782***-0.0688***-0.0539*-0.0765***-0.0447(-6.72)(-2.71)(-6.42)(-1.93)(-1.71)(-1.34)f_events0.0205-0.06480.00894-0.09680.00187-0.0328(-0.49)(-0.54)(-0.17)(-0.61)(-0.03)(-0.23)disaster-0.125***0.129-0.03090.1450.088-0.617**(-2.76)(-1.05)(-0.58)(-1.14)(-1.25)(-2.48)f_selfemploy-0.430***0.874***-0.339***0.800***-0.1330.756**(-1.07)(-3.71)(-3.72)(-3.01)(-1.34)(-2.47)compony_polluting0.131***-0.212*0.0857-0.1050.129**-0.0811(-2.87)(-1.65)(-1.53)(-0.59)(-2)(-0.47)ethnic_minority-0.269***0.254-0.354***0.343-0.422***0.673***(-4.89)(-1.47)(-1.39)(-1.51）(-1.36)(-3.11)_cons7.235***1.146***8.324***3.432**8.304***2.959**(-20.81)(-3.7)(-20.83)(-2.3)(-19.42)(-2.41)N462546253583358327782778注：***、**、*分别表示通过1%、5%和10%的显著性检验；括号内为稳健标准误。表1.2是上述回归的估计结果。在个人变量中可以观察到，age的符号为正，而age2的符号为负，这与本文前述的预期相符，即家中成年人平均年龄与人均收入对数呈现“倒U”型，即收入确实会随着年龄的增大而经历先增加后下降的趋势。但与之相反的是，年龄的两个相关变量与方差呈现出了典型的“U”型关系，即残差的平方会随着年龄的增大而经历先下降后上升的趋势。残差表示的是数据的离散程度，残差越大离散程度越高。因此可知，随着年龄的增大，收入的离散程度也会经历先变小后变大的过程。进一步分析教育带来的影响作用，经观察可知会提高家庭中人均收入的对数，同时观察其对残差的影响，发现并无较大作用。观察家庭变量，是否有不健康的人以及家庭规模这两个变量，二者对收入对数和残差的影响中也基本会起到显著降低的作用，这也符合本文的预期，当有不健康的家庭成员时，存在不确定性的支出或收入无法保障，这会减少家庭总收入或增加收入的离散程度。而就家庭规模而言，家庭内部的成员数量愈多，越可能存在“搭便车”现象，从而使得人均收入愈低；同时家庭成员数量的增加也可能会降低人均收入的波动，这可能是由于当家庭规模扩大后，收入来源更为广泛，家庭收入受到外部冲击带来的影响会变小。家中是否发生重大支出对人均收入和残差的影响在各年均不显著。同时在村庄集体变量中，家庭位于少数民族聚居村的比非少数民族聚居区的家庭具有更低的收入水平，这可能是由于他们离城市的距离较远，大多居住在山区，且受到民族文化的影响，进而导致人均家庭纯收入更低。在有高污染企业的村中，农户的人均收入也会高于没有高污染企业的村落，这可能是由于这类企业随着产业转型升级，逐渐迁入有更廉价劳动力的农村，给农村居民提供了大量的就业岗位，进而提高了农民的收入。自然灾害的频繁发生同样会降低家庭人均纯收入，虽然并不显著但符合预期。在对脆弱性测算过程进行分析后，本文继续研究脆弱性的其他特征，首先根据1.1.1节可知，贫困脆弱性的测算要以收入服从正态分布为基础，基于此，本文对家庭人均纯收入作图，得到附录图A.1。同时根据公式（1.4）和（1.5）计算预期收入水平、残差的平方以及不同贫困线下的贫困脆弱性（表1.3）。表中的v1、v2、v3是分别以2300元/年、3000美元／天和1.9美元／天为贫困线计算的贫困脆弱性结果。表1.3各贫困线下贫困脆弱性的描述性统计年份变量样本量均值标准差最小最大2014v146250.2150.1010.0320.658v246250.2810.1110.0560.706v346250.3840.1180.1080.8052016v135830.2150.1040.0320.764v235830.2810.1140.0540.84v335830.3840.1220.1010.9142018v127780.2210.1050.0320.837v227780.2870.1150.0520.898v327780.3890.1230.0940.952从表1.3中可以发现，贫困标准线与贫困脆弱性呈同方向运动，即伴随着贫困标准线的提高，贫困脆弱性也呈现出上升状态，同一个家庭在贫困标准线提高的情况下，在未来陷入贫困的可能性也会更高。同时，同一贫困标准线在不同年份间的脆弱性均值基本维持稳定，标准差略有上升但相对平稳。在对贫困脆弱性进行研究的过程中，也离不开对家庭人均收入的探讨，因此，图1.1表示出了人均收入与脆弱性间的关系，可以发现不论在何种贫困标准线，人均收入与贫困脆弱性均负相关，即收入越高，该家庭抵御风险的能力越强，从而脆弱性越小。并且根据图可以发现随着贫困标准线的提高，收入对贫困脆弱性的作用在逐渐减弱。图1.1贫困脆弱性与人均收入的关系图数据来源：根据CFPS2014、2016、2018三年数据整理得到1.2.2贫困脆弱性与贫困的异同根据前述部分，无论是从定义还是测算方法来说，贫困与脆弱性间都具有明显差别，杨龙等（2015）REF_Ref10556\n\h[94]通过研究发现，贫困与脆弱性测算的结果具有较大差别，且随着贫困线标准的提高，测量结果间的差异会扩大。因此为进一步观察贫困与贫困脆弱性之间的关系，本文利用已有数据进行观察，表1.4为通过样本家庭计算得到的结果，其中当v≥0.5时，该家庭就会被判定为脆弱性家庭。表1.4贫困与贫困脆弱性的关系（单位：%）贫困线2014201620182300元/年贫困脆弱3.053.472.97不脆弱96.9596.5397.03非贫困脆弱0.550.910.77不脆弱99.4599.0999.233000元/年贫困脆弱11.179.409.44不脆弱88.8390.6090.56非贫困脆弱2.003.064.04不脆弱98.0096.9491.963.1美元/人/天贫困脆弱30.0130.3130.51不脆弱69.9969.6969.49非贫困脆弱12.3113.3011.95不脆弱87.6986.784.05根据表1.4可知，非贫困家庭不一定都是非脆弱的，它同样含有脆弱性家庭，这部分家庭属于易致贫家庭，贫困家庭也不都是脆弱的，同样含有非脆弱性家庭，这些都表明贫困与脆弱性是相互联系又相互区别的，二者相互影响。从表中可以看出在以2300元/年和3000元/年的贫困标准线下，我国贫困且脆弱性家庭均呈现出下降趋势，非贫困但脆弱性家庭却呈现出上升趋势，这表明近年来，我国扶贫确实取得了成效，但返贫压力和边缘户致贫的压力也确实存在，农村贫困问题仍然不能忽视。在以3.1美元/人/天为贫困标准线时，我国的减贫措施并未发挥作用，贫困且脆弱性家庭仍呈上升趋势，表明我国现行的扶贫措施并不能解决更高水平的贫困。现阶段我国虽已全面实现脱贫攻坚，解决了农村的绝对贫困问题，但仍是低水平的，为帮助农民全体走向更高水平的小康社会，政府要进一步加强对农村的扶持。基于表1.4，以2300元/年的贫困标准线为例，在2018年的农村贫困家庭中，我国仅有2.97%的家庭是脆弱的，在非贫困农村家庭中，更是仅有0.77%的家庭是脆弱的，也就是说在2018年，我国农村家庭中仅有3.74%的家庭仍有50%以上的可能性会陷入贫困，甚至是陷入更深的贫困。并且从表中可知，在各贫困标准线下，贫困且脆弱的家庭比例要远高于非贫困中的脆弱性家庭，这可能是由于在应对风险冲击时，其对非贫困家庭产生的仅仅是暂时性的影响，而对于贫困家庭而言，冲击带来的破坏性会更大，致使其无法脱贫，甚至陷入更深的贫困。因此可知，贫困家庭的脆弱性水平会更高，也更容易陷入贫困。由于数据为非平衡面板，各年中包含的家户数不同，因此无法进行时间上的横向比较，但通过纵向比较，已然可以得出贫困家庭在未来更脆弱更值得关注的结论。1.3新农保对农村家庭贫困脆弱性的影响分析在上一小节中本文已经简要分析了关于脆弱性的特征事实。这一节则主要从实证分析角度考察参加新农保这一行为会对家庭脆弱性水平产生怎样的影响。1.3.1基于双重固定效应模型的估计结果从上一部分可以发现，贫困脆弱性会随着时间而发生变化，因而在考虑参保行为对其影响时，不仅要控制个体固定效应，还要控制时间变化趋势以及其他扰动项。表1.5是就是基于双重固定效应模型得到的结果。表中的v1、v2、v3分别对应三种不同贫困标准线（2300元/年、3000元/年和1.9美元／天）下所计算得出的脆弱性水平，在所有回归中个体效应和时间趋势都得到控制了。表1.5双重固定效应模型v1v2v3f_NRPS-0.000672**-0.000861**-0.00098***(-2.06)(-2.52)(-2.76)age-0.0196***-0.0193***-0.017***(-51.79)(-47.41)(-39.10)age20.000238***0.000236***0.000213***(60.38)(51.77)(43.69)eduy-0.0195***-0.022***-0.0241***(-149.16)(-169.16)(-193.65)f_unhealthy0.00931***0.015***0.0237***(27.42)(42.69)(61.98)f_selfemploy0.122***0.122***0.111***(143.22)(129.25)(91.21)familysize0.0119***0.0149***0.0189***(44.84)(51.77)(71.73)f_events-0.0108***-0.0105***-0.00858***(-32.86)(-31.73)(-24.92)_cons0.655***0.708***0.752***(86.26)(82.08)(81.99)N109861098610986注：***、**、*分别表示通过1%、5%和10%的显著性检验；括号内为t值。从上表中，首先看核心自变量对贫困脆弱性的影响。可以发现变量f_NRPS在各贫困标准线上的系数符号均为负且显著，因此可知参保可以帮助农村家庭明显降低脆弱性，并且根据系数大小可以看出随着贫困线标准的提高，系数逐渐增大，表明其抵御风险的能力逐步提高，对降低脆弱性的作用越来越大。除是否参加新农保这个核心自变量外，脆弱性水平与年龄相关变量呈现出明显的“U”型特征，即脆弱性水平会随着年龄的增大经历先下降后上升的波动变化。因此按照年龄分类，青年家庭和老龄化家庭更难以抵抗冲击，且在下一期进入贫困或深陷贫困的概率会更高，但对于中年家庭而言，受到冲击后进入贫困的可能性偏低。根据实际，这主要是因为青年家庭成员可能会面临工作的不稳定，例如意料外的失业，更多的社会活动，如结婚生子、交际应酬等，这都会带来支出的不稳定，从而使家庭变得更为脆弱；而对于老年家庭成员，则由于身体条件等导致缺乏收入来源进而收入水平低，同时还要维持身体健康，支出必要的医疗费用等，使得老年家庭一旦面临风险就更易于陷入贫困；中年家庭此时则正处于收入稳定的阶段，每位家庭成员的收入都进入了稳定期，更换工作的可能性降低，且家庭中的各项开支也基本稳定，因而中年家庭抵御风险的能力更强。成年人平均受教育年限这一变量系数显著为负，从这可以看出，教育年限的增长可以帮助降低脆弱性水平，家庭教育年限的提高也意味着家庭中的人力资本积累更多，家庭中成年劳动力的竞争优势更大。根据当前我国工作情况，教育水平越高找工作也会更加有利。而“家中是否有不健康的人”和“是否从事个体经营”这两个变量都显著为正，这也是符合预期的，当家中有生病的成员时和有重大支出时，家庭支出存在不确定性，从事个体经营同样会受到外部环境的影响，收支不确定，因此，使得家庭更脆弱。此外，家庭规模大小也会对其产生影响，当规模越大时，家庭内部成员可能会产生群体依赖，“搭便车”现象严重，从而使得家庭成员的工作不稳定，带来更高的脆弱性。家中是否有重大事件发生会降低脆弱性水平，这可能是由于当期的重大事件如婚嫁带来了收入的增加。因此，根据双重固定效应模型的结果可知，农民在参加新农保后能明显降低家庭脆弱性水平。1.3.2基于倾向得分匹配模型的估计结果在上一小节，本文采用了双重固定效应模型研究是否参加新农保对脆弱性的影响，得出参加新农保会显著降低脆弱性的结论，这也是目前关于新农保对脆弱性影响研究的普遍结论，如李齐云和席华（2015）REF_Ref9603\n\h[82]采用双重固定效应模型得出了其会降低脆弱性的结论。考虑到双重固定效应模型对样本匹配存在不足，本文试图通过PSM进行进一步的验证，根据Angrist（2008）[25]可以将回归看作是一种特殊的匹配估计量。对于回归而言，估计量是通过总体回归参数组成的向量计算得到的；匹配下得到的估计量则是一个加权平均值，是通过协变量的特定取值所决定的处理组和控制组的差异。匹配回归需要测算解释变量的倾向得分值（P（X）），并以此为基础，对数据进行匹配分类，这缩小了数据的匹配范围，通过更为相似的小组来进行实证研究，其估计量比总体参数回归会更为精确。同时为了进一步分析其影响结果，更好的满足可比性，本文将同时采用三种方法（最近邻匹配法、半径匹配和核匹配）进行实证分析，本次模型中的变量与双重固定效应模型变量完全一致，其结果如表1.6所示。表1.6PSM模型匹配方法v1v2v3最近邻匹配-0.00118-0.00156-0.00195（-0.42）（-0.50）（-0.59）半径匹配0.000480.000680.00056（0.21）（0.28）（0.20）核匹配0.002570.003230.00410（1.13）（1.30）（1.54）注：***、**、*分别表示通过1%、5%和10%的显著性检验；括号内为t值。根据表1.6可以发现，通过PSM模型进行匹配后得出的系数均不显著，符号亦不能确定。表明模型构建过程中可能存在遗漏变量，因为在双重固定效应模型中的匹配是基于全部变量的泛匹配，且回归所需变量难以全部满足，而PSM模型则是根据特征值进行匹配，在一定程度上可以解决变量难以全部满足的问题，提高了匹配精度。1.3.3稳健性检验基于上述结论，本文为尽可能解决遗漏变量问题，尝试考虑其他的影响因素。在测算脆弱性过程中，不仅考虑了个人和家庭因素，还将部分外部环境因素也考虑在内，从这个角度重新出发，考虑到地区经济发展水平的不同会使得各地的基础养老金产生差异，因此可以将家庭所处地区的人均生产总值（gdp_per）考虑在内，以表明当地的经济发展水平得出的结果如下表1.7所示。表1.7稳健性检验（一）匹配方法v1v2v3最近邻匹配-0.00668**-0.00739**-0.00790**（-2.22）（-2.24）（-2.22）半径匹配-0.00590**-0.00640**-0.00664**（-2.43）（-2.41）（-2.35）核匹配-0.00456*-0.00477*-0.00459*（-1.91）（-1.83）（-1.65）注：***、**、*分别表示通过1%、5%和10%的显著性检验；括号内为t值。由上观察可知，在纳入地区人均生产总值（gdp_per）后，参保家庭会显著降低脆弱性。以最近邻匹配为例分析ATT效应，其结果显示，参保家庭会比非参保家庭的脆弱性低0.0067，且该显著性结果通过了其他匹配方法的检验。并且与表1.6相比，所有的系数均增大了，表明双重固定效应模型的估计结果偏小。同时为全面衡量新农保带来的社会效应，本文进一步考虑，在不同经济发展水平下，新农保的养老金收入对脆弱性的影响。根据我国新农保养老金的发放原则，月领取养老金是由个人账户中的自我积累加上月基础养老金的总和，由于个人账户中的金额数据不可得，因此为了进一步得到可靠的结果，本文在仅考虑月基础养老金的基础上，分别将月基础养老金和基础养老金替代率基础养老金替代率（基础养老金替代率（%）=月基础养老金（元）*12/农村人均可支配收入（元）基于此，本文也对各省份最低基础养老金待遇和基础养老金替代率都进行了收集和汇总整理，由于文章篇幅限制，数据详见附录表A.3。从附录表A.3可知，2018年全国平均月基础养老金为169.87元，全国最大值为上海930元，最小值为安徽87元，两个极值间待遇相隔10.7倍，且在全国仅有四个省份（上海、北京、天津和青海）超过了月平均值。各省间的年增长率也不尽相同，在高基础养老金地区，如上海、北京，每年都会增长20%-30%，而在低基础养老金省份中部分年份并未增长，如2014-2016年四川、河南、黑龙江、安徽等都是零增长，从而使得省份间基础养老金差距越来越大。同样，从附录表A.3还可以看出各省份基础养老金替代率的时间趋势变化，各省历年变化不大，有增有减，而这可能与各地经济发展水平和财政转移支付能力的大小有关。总的来说，各省历年的替代率基本处于稳定的状态，但各省间存在较大差别，以2018年为例，基础养老金替代率最高和最低分别为，上海36.74%和浙江6.81%，二者相差1.4倍，全国超过平均水平的共有8个省份（如上海、天津），其余省份则普遍偏低，低于1%。并且与国际劳工组织55%的最低比率相比，我国在全国范围内，所有的基础养老替代率均普遍偏低，农民的实际需求并没有得到完全满足。图1.2月基础养老金和地区人均生产总值、农村人均可支配收入的关系数据来源：人均生产总值、农村人均可支配收入来自《中国统计年鉴》（2019），基础养老金数据来自吴家俊（2018）[97]整理将月基础养老金与地区人均生产总值和农村人均可支配收入作图（图1.2），可知各省的月基础养老金与人均地区生产总值、农村人均可支配收入大体上呈正比，即经济发展越好，收入水平越高的地方，其基础养老金也更高，但观察散点的分布可以发现，其实大部分省份都聚集在100-200元之间，仅存在少数极值点，本文又根据基础养老金替代率进行了图形绘制，得到图1.3，可以看出各省份间基础养老金替代率的差异。图1.3养老金基础替代率分布图数据来源：通过整理月基础养老金得到基于上述讨论，首先将将月基础养老金（m_pemsion）纳入模型，得到的结果如下表1.8所示。表1.8稳健性检验（二）匹配方法v1v2v3最近邻匹配-0.00530*-0.00558*-0.00658*（-1.79）（-1.71）（-1.79）半径匹配-0.00564**-0.00614**-0.00666**（-2.33）（-2.32）（-2.35）核匹配-0.00445*-0.00465**-0.00458*（-1.87）（-1.79）（-1.65）注：***、**、*分别表示通过1%、5%和10%的显著性检验；括号内为t值。经观察可得，当加入月基础养老金后，与表1.7对比，其对脆弱性的影响水平下降，这表明基础养老金的收入并没有加强对脆弱性的影响，反而产生了部分挤出效应。基于此，本文进一步通过基础养老金替代率来分析其影响效应，但考虑到类似于保险收入可能带来的道德风险问题，即当基础养老金替代率高出一定界限后，农户会产生依靠保险金度日的错误观念，从而陷入到低收入低波动的贫困脆弱性中。因此，在回归模型中去掉月基础养老金（m_pension），而加入基础养老金替代率（rate）和其平方（rate2），得到结果如表1.9所示。表1.9稳健性检验（三）匹配方法v1v2v3最近邻匹配-0.00659**-0.00707**-0.00717**（-2.18）（-2.13）（-2.00）半径匹配-0.00450**-0.00593**-0.00618**（-2.27）（-2.24）（-2.18）核匹配-0.00477**-0.00503*-0.00498*（-2.00）（-1.93）（-1.79）注：***、**、*分别表示通过1%、5%和10%的显著性检验；括号内为t值。将表1.9和表1.7对比，可以发现二者结果相差不大，表明参加新农保确实可以显著降低家庭脆弱性水平，并且随着贫困标准线的提高，对降低脆弱性水平的作用会增强。为进一步验证上述实证结果，还需观察PSM的匹配效果，因此以最近邻匹配为例，以函数图的形式展示匹配前与匹配后的拟合程度，结果如图1.4所示。匹配前处理组与控制组的核密度函数走向差异较大，此时如果直接对两组数据进行实证分析，会产生较大的误差，得出的结果不具有稳健性。在采用最近邻匹配法后，两组数据的走向相比较之前有了很大的改善，这表明通过倾向得分值匹配后，两组间的数据已经较为接近，匹配后得到的结果更为可靠，匹配效果也较好。其他两种匹配方法的结果与之类似，这里不做赘述。图1.4匹配前和匹配后农村家庭的倾向得分1.4新农保影响农村家庭贫困脆弱性的机制检验通过前述理论分析可以得出，参加新农保会降低家庭贫困脆弱性水平，那么新农保究竟是通过何种方式影响贫困脆弱性的呢？根据Chaudhuri（2002）REF_Ref6033\n\h[5]影响贫困脆弱性的主要是两个因素：一是收入水平；二是收入波动性。收入波动性的计算公式为：vol=eres2/lfincome2_per，其中eres2是预期收入残差的平方。因此，本小节利用PSM对其进行机制检验，观察新农保究竟是如何使得家庭贫困脆弱性下降的。其结果如下表1.10所示。表1.10新农保对收入及收入波动性的影响收入（elfincome2_per）收入波动性（vol）最近邻匹配0.00064-0.00445*（0.05）（-1.68）半径匹配0.0107-0.00499**(1.16)(-2.19)核匹配0.0123-0.00504**（1.33）（-2.21）注：***、**、*分别表示通过1%、5%和10%的显著性检验；括号内为t值。根据表1.10可以发现，采用PSM方法进行实证分析时，参加新农保对收入的影响并不显著，但是从符号依然可以看出，参保家庭会增加下一期的人均收入。但可能是因为新农保对于个人收入增加的影响较小，也或者是因为养老金收入的增加小于消费支出的增长，小于通货膨胀率等其他原因，导致参加新农保对收入增加的影响不显著。而参加新农保对收入波动性的影响，在三种检验方式下均显著为负，表明参加新农保会显著降低收入波动性，可以发挥“自动稳定器”的功效，平滑家庭每月的收入。结合假设1、2可知，新农保主要是通过降低收入波动性，从而使得贫困脆弱性水平下降。同样，在模型中考虑月基础养老金替代率，得到表1.11。可以发现与表1.10的结论一致，即新农保通过使得家庭收入波动性下降，进而降低农村家庭贫困脆弱性。该模型中对收入的影响为正，但依然不显著，进一步表明新农保带来的收入增量并不能满足农民的需求。表1.11新农保对收入和收入波动性的影响2收入（elfincome2_per）收入波动性（vol）最近邻匹配0.0110-0.00840***（0.95）（-2.70）半径匹配0.0117-0.00457**(1.27)(-1.98)核匹配0.0132-0.00499**（1.43）（-2.18）注：***、**、*分别表示通过1%、5%和10%的显著性检验；括号内为t值。为进一步完善新农保对贫困脆弱性产生影响的机制路径，本文试图通过代际收入转移进行解释，若以此为中介解释变量，本文还需探讨新农保对代际转移支付的影响和代际收入转移是否会对收入波动性（vol）产生影响，基于此，本文将家中是否有人向父母提供帮助（f_toparents_eco）加入前述模型中，并采用PSM进行实证检验，得出的结果如表1.12所示：表1.12进一步验证（1）f_toparents_eco（2）vol最近邻匹配0.0549*-0.00648*（2.83）（-1.76）半径匹配0.0642**-0.00511**(4.24)(-2.00)核匹配0.0619-0.00411（4.06）（-1.59）注：***、**、*分别表示通过1%、5%和10%的显著性检验