关于精准扶贫政策影响居民主观幸福感对乡村振兴的启示与思考
一、引言与文献综述
近年来，对于居民主观幸福与收入之间关系的研究成为学术界关注的焦点，实现收入水平与居民幸福感的同步提升也成为我国政府施政的主要目标。党的十九大报告指出“要不断满足人民日益增长的美好生活需要，使人民获得感、幸福感、安全感更加充实、更有保障、更可持续”。与此同时，截至2020年底，我国居民在现有扶贫标准下已全面脱贫摘帽，消除了绝对贫困人口，如期实现第一个百年目标。精准扶贫政策在于消除绝对贫困人口，增进贫困人口“两不愁三保障”多维福利的同时，政策带来的居民满意度已成为各地方衡量贫困治理成效的重要尺度和标准。扶贫政策的最终目标是提高居民收入和福利水平。那么，精准扶贫政策在提高居民收入和消费的同时，是否起到了提高居民主观幸福感的多重绩效？此外，一方面精准扶贫政策使贫困人口收入水平增加，从而一定程度上提高居民的幸福感，另一方面由于精准扶贫政策对不同群体的异质性效应，从而产生群体间或群体内的相对福利变化，也可能降低居民的幸福感。为此，精准扶贫政策提高居民收入水平一定意味着具有更高的幸福感吗？这是本文试图回答的主要问题。
居民的幸福程度可通过“主观幸福感”来衡量，主观幸福感是居民对其生活质量所做的情感性和认知性的整体评价，已成为衡量一个社会性质和反映居民生活质量的重要指标。［4］现有研究认为，幸福具有直观体验性，每个人都会依照个人综合感受对行为或问题进行决定，所以衡量主观幸福感最有效的方式是采用居民最直观的评价。为此，学术界对主观幸福感的测度通常采用居民个人的自我评价指标，主要通过居民主观的评价“幸福”或“不幸福”，以及自我评价“幸福感知程度”等方式来衡量。
从居民幸福感测度与衡量指标可知，主观幸福感代表了居民最直观的心理体验，所以影响居民主观幸福感的因素是多方面共同作用的结果。当前对影响居民幸福感因素的研究较为丰富，在宏观层面，经济增长速度被认为对居民幸福感和生活满意度有显著的负向影响；地方政府的财政透明度、公共服务满意度则与居民主观幸福感呈“U”型关系。［9］部分研究则探讨了社会保险、市化与环境污染等因素对居民主观幸福感的影响。也有研究从微观的健康、教育、收入、家庭住房等角度考察个体特征对居民幸福感的影响，以及子女数量与性别对父母幸福感的影响。
可见，既有研究中对居民幸福感的宏微观影响因素的研究成果较多，而将扶贫政策、收入与居民主观幸福感纳入统一分析框架的研究成果甚少。当前文献侧重于对精准扶贫经济效应的评估。例如，既有研究表明精准扶贫政策使贫困群体的劳动收入与劳动供给显著增加，而不同的扶贫方式减贫效果存在差异。
［15］此外，部分研究认为，精准扶贫政策对农村贫困家庭的消费水平、生活条件、外出务工状况以及农村信贷参与等方面产生了显著影响。［16－18］精准扶贫的主要目标群体虽为农村贫困群体，也有研究对城镇低收入群体的扶贫效果进行评估，结果表明城镇居民医疗保险制度对城镇低收入家庭，尤其是受到大病冲击的困难家庭具备显著的扶贫效果。［19］综上可知，有关精准扶贫政策效应的研究成果，主要聚焦于扶贫政策的收入、消费、信贷和医疗健康等方面的经济效应和健康效应，或考察精准扶贫过程中的“精英俘获”问题［20］，缺少评估精准扶贫政策对居民主观幸福感效应问题。
如何评估精准扶贫政策对居民幸福感的影响，是近年来政策制定者需要考虑的重要问题，也是学术界广泛关注的问题。事实上，贫困减缓、收入与主观幸福感三者具有内在的关联性，但当前将三者相联系进行的研究相对缺乏。为此，本文基于农村微观家庭跟踪调查数据，除了研究对象与研究问题的外，还从以下三个方面做了突破或贡献：第一，数据方面，既有研究中有关幸福感方面的数据主要采用了单个调查年度的数据，本文采用了中国家庭追踪调查2010～2018年数据，且对样本家庭进行了跟踪匹配，时间跨度上覆盖了精准扶贫政策实施前后，更好地捕捉到了政策实施过程中的长期效应；第二，研究视角上，将精准扶贫政策与居民主观幸福感纳入同一分析框架，完善了既有研究中仅聚焦于精准扶贫政策对贫困人口规模减少与家庭增收效应的不足，拓展分析了精准扶贫政策的福利效应及其作用机理；第三，分析方法上，本文采取模糊断点回归（fuzzyＲD）方法实证评估了精准扶贫政策对居民主观幸福感的影响及其作用渠道，有效地克服了政策评估中因果效应推断有偏估计的缺陷。为此，研究结论将为居民主观幸福感提升、优化收入分配和推进乡村振兴等新农村建设提供有价值的政策参考。
二、实证模型、数据来源与变量选取
（一）断点回归模型
在模型设定过程中，本文考虑到我国农村精准扶贫实践中，地方政府对贫困户精准识别遵循“收入测评为前提下的村民评议”原则（在入户收入测评基础上，依靠村民代表评议的方法来精准识别），并综合考虑除收入贫困线标准外的“两不愁三保障”福利因素进行综合识别。［17］现实中，由于加入了村民民主评议，贫困户识别中可能导致部分收入高于贫困线的农户被确定为贫困户，从而享受到精准扶贫政策；也可能受到基层办事机构执行力弱或不公正等其他外生因素的影响，导致少数收入低于贫困线的农户没有被确定为贫困户的现象。考虑到以上情况，本文在采用贫困线标准识别家庭贫困与否时，采用了模糊断点回归的识别方法。并且，本文的估计借鉴了Brollo等的模型设定［21］，通过两阶段最小二乘法（2SLS）来实现，其结果等同于工具变量
（instrumentalvariable，IV）估计［22］。在具体操作中，对FuzzyＲD的估计既可以通过非参工具变量（IV）来进行，也可以通过参数2SLS来进行，这两种估计方法是等价的。具体的模型设定如下：
Di=厶+彐Ti+g（zi）+␂xit+彡it（1）Yit=勹+匸D^i+f（zi）+卩xit+夂it（2）
其中Yit为本文关注的结果变量（居民主观幸福感），β是本文要估计的扶贫政策效应。式（1）和式（2）分别是一阶段回归和二阶段回归表达式。zi表示家庭人均收入，被作为驱动变量，具体是家庭人均收入与断点（贫困线标准）的差，进行了标准化处理。g（zi）和f（zi）均是zi的多项式函数。Ti=1（人均收入低于贫困线标准）表示根据人均收入标准识别的精准扶贫资格（识别规则），即在收入贫困线标准下的个体获得参评资格，但不表示实际已经被瞄定为贫困户。反之，Ti=0（人均收入超过贫困线标准）。Di为处理状态变量，Di=1是精准扶贫瞄准的贫困户，表示享受精准扶贫政策的农户进入处理组，否则进入控制组。在FuzzyＲD分析中，Ti为处理状态Di的工具变量。xit为控制变量，μi和εi均为残差项。
由于FuzzyＲD方法具有特殊的因果推断方式，模型中是否加入控制变量对结果不产生实质性影响，然而当控制变量违背外生性假定或控制变量对驱动变量存在线性影响时，增加控制变量反而会导致估计结果的偏误或不一致［23］，本文在选择控制变量时考虑了以上因素，并在稳健性部分做了进一步论证。在实证估计时，FuzzyＲD回归参数对带宽的选取比较敏感，不同带宽的估计结果可能会存在差异。为保证实证结果的稳定性，本文不仅采用多种带宽和多种f（zi）形式设定，而且引入了处理状态与驱动变量的交互项，尽可能减小带宽问题或断点两侧回归线斜率不同而导致的偏误。
（二）固定效应模型
由于农村家庭因收入水平、人口结构、健康状况、所处地理环境、传统文化等因素的不同［24］，受到精准扶贫政策的影响就存在差异。并且，精准扶贫是以户为识别单位的，不同地区贫困户数量不同，导致扶贫政策力度实施存在差异。为了分析精准扶贫政策对不同家庭（贫困与非贫困）主观幸福感产生的异质性效应，本文进一步借助固定效应回归模型，在模型中引入了精准扶贫政策实施力度（depthct）与影响因素（xit）的交互项，从不同家庭的要素禀赋、健康状况、非农就业等方面展开异质性与溢出效应分析。
具体的模型设定
略
Yit为结果变量（居民主观幸福），交互项的系数（β3）是本文关注的核心，反映了相关因素（xit）是否通过精准扶贫政策对不同要素禀赋家庭的主观幸福感产生了异质性效应。若β3＞0则意味着随着影响因素xit增加，精准扶贫政策使居民主观幸福感增加。简言之，如果影响因素xit与精准扶贫政策之间存在交互效应，则精准扶贫政策将通过xit对家庭主观幸福感产生影响。此外，Zikt为个体层面、家庭层面与地区层面的控制变量，尽可能控制了不随时间而变的相关异质性因素。λi为个体固定效应，πt为时间固定效应，μit为残差项。为了防止序列相关或异方差问题的影响，本文对系数进行估计时将标准误聚类到了个体层面。
（三）数据来源
本文主要采用了中国家庭追踪调查（ChinaFamilyPanelStudies，CFPS）2010～2018年数据。CFPS数据包括了教育、医疗健康、职业、家庭人口、收入、消费和生活满意等方面的信息。由于精准扶贫政策瞄准对象主要针对农村家庭，所以本文采用了CFPS数据中的农户样本（约占总样本的53.6%）。CFPS样本覆盖了中国25个省/市/自治区，调查对象包含样本家户中的全部家庭成员。数据清洁处理发现：第一，2012年样本中核心变量居民主观幸福数据缺失；第二，2016年样本中个体幸福感指标的缺失值或异常值非常多，剔除后仅剩448个有效样本，考虑到样本有效性不足，将2016年样本也进行了剔除。为此，本文选取了2010年、2014年和2018年三个调查年度的数据，调查年度正好每隔四年一次，且跟踪匹配了三个调查年度均参与调查的家庭，获得了政策实施期前后平衡的跟踪调查样本，样本有效性与稳定性可以得到保障。
此外，由于本文关注的幸福感变量指标中，2010年与2014～2018年样本在个体幸福感评分标准上存有差异。2010年个体对主观幸福的评价分为“1～5”不同的等级，“1”表示非常差，“5”表示非常好，而2014～2018年样本中对主观幸福感的评价是“0～10”的评分，“0”分代表最低，“10”分代表最高，由于统计口径差异，且2010年属于CFPS开始调查的基线数据，所以将2010年数据作为单独的一个分样本，作为回归分析结果的稳健性检验。遵循以上数据清洁与处理思路，最终匹配后得到每年7038个样本，实证分析部分的总样本量为14076个（2014年和2018年）。
（四）变量选取与统计描述
