EN中文

经济地理 >

2021 , Vol. 41 >Issue 11: 176 - 184

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.11.019

三农、土地与生态

国家级贫困县政策的减贫效应及其空间异质性

  • 仝德 , 1, 2 ,
  • 罗圳英 1 ,
  • 冯长春 , 3, ※
展开
  • 1.北京大学深圳研究生院 城市规划与设计学院，中国广东 深圳 518055
  • 2.北京大学未来城市实验室（深圳），中国广东 深圳 518055
  • 3.北京大学 城市与环境学院，中国 北京 100871
※冯长春（1957—），男，山西安泽人，硕士，教授，研究方向为区域发展与城镇化、城市与区域规划、土地评价与规划、房地产经济等。E-mail：

仝德（1980—），女，陕西西安人，博士，副教授，研究方向为城市化与土地经济。E-mail：

收稿日期: 2020-08-23

  修回日期: 2021-06-03

  网络出版日期: 2025-04-17

基金资助

国家重点研发计划课题(2018YFD1100301)

收起

Spatial Heterogeneity on the Contribution of National Poverty-stricken County Policy to Economic Growth

  • TONG De , 1, 2 ,
  • LUO Zhenying 1 ,
  • FENG Changchun , 3, ※
Expand
  • 1. School of Urban Planning and Design，Shenzhen Graduate School，Peking University，Shenzhen 518055，Guangdong，China
  • 2. Future City Laboratory （Shenzhen），Peking University，Shenzhen 518055，Guangdong，China
  • 3. College of Urban and Environmental Sciences，Peking University，Beijing 100871，China

Received date: 2020-08-23

  Revised date: 2021-06-03

  Online published: 2025-04-17

Fold

摘要

设定国家级贫困县是我国近40年来扶贫工作的重要举措，评估现行扶贫政策的脱贫减贫效应及区域差异性并剖析原因，可对我国实现脱贫攻坚与乡村振兴有效衔接、缩小城乡差距提供理论和政策参考。文章利用OLS和GWR模型，在综合考虑县域空间资源禀赋、社会和经济发展基础等因素的影响下，分析国家级贫困县政策对县域经济的增长作用及其空间差异性和原因。结果表明：设立国家级贫困县的扶贫政策，对县域经济增长具有显著的作用，但影响力存在空间异质性，呈现出从我国西北向东南递减、在部分中部偏东南地区出现抑制作用的圈层结构；土地资源禀赋、社会基础、经济发展基础对县域经济增长也具有显著的空间异质性影响；其成因可由县域间发展阶段差异而导致的主导生产要素不同、市场调控与政策干预力度差异等解释。为有效解决新时期精准扶贫稳定支持、缩小城乡差距，政策制定应兼顾地方经济基础和生产条件，因地制宜实施政策扶持和市场引导相结合的行动机制。

关键词： 国家级贫困县; 经济增长; 空间异质性; GWR模型; 减贫效应; 乡村振兴

本文引用格式

仝德 , 罗圳英 , 冯长春 . 国家级贫困县政策的减贫效应及其空间异质性[J]. 经济地理, 2021 , 41(11) : 176 -184 . DOI: 10.15957/j.cnki.jjdl.2021.11.019

Abstract

During the past 40 years,national poverty-stricken county policy (NPCP) has played an important role in poverty alleviation across China. Existing researches focus on the influence of NPCP to poverty alleviation globally. However,the impact of NPCP is not spatially consistent. This study aims to evaluate the spatial heterogeneity of the contributions achieved by NPCP and reveal the fundamental reasons behind it. Based on the ordinary least squared (OLS) model together with the geographically weighted regression (GWR) model,taking into account resource,social and economic factors in 1147 counties,this study explores the impact of NPCP on the economic contribution,and the reasons of spatial heterogeneity. The results demonstrate that NPCP is overall significantly correlated with economic growth,but the positive influences gradually decreased from the northwest to the southeast and NPCP even presents a negative effect in some central and southeast regions. The spatial heterogeneity of the impact is mainly due to the differences in the dominant production factors,market regulation,and policy intervention intensity across counties. The remainder factors in three aspects (land,society and economy) also contribute to the variability in county's economic growth. Based on these findings,it puts forward that government should pay more attention to the local economic development and production conditions when policies are issued. Furthermore,differentiated mechanisms such as market guidance or policy support should be implemented to effectively achieve targeted poverty alleviation strategy and narrow the urban-rural gap.

Key words： national poverty-stricken county; economic growth; spatial heterogeneity; GWR model; poverty alleviation effect; rural vitalization

2020年底，我国已实现现行扶贫标准下（2 300元/人年，2010年不变价）的农村贫困人口全部脱贫。事实上，我国政府一直高度重视扶贫工作，40年来经历了从救济式扶贫到开发式扶贫再到精准扶贫的政策演变[1⇓-3]，今后还将持续不断减贫助贫、缩小区域差异、实现共同富裕。在扶贫攻坚各项政策举措中，国家级贫困县（2001年以前称为“国家重点扶持贫困县”，之后改称“国家扶贫开发工作重点县”）的设立发挥了重要作用。国家级贫困县经国务院扶贫办审核认定，每年可获得中央及省级专项财政扶贫资金、以工代赈、扶贫贴息贷款等财政补贴。除此之外，在金融、教育、科技、劳动力转移等领域也有优惠政策，如实施财政税收倾斜政策，鼓励外地资金到贫困县兴办开发性企业；面向西部重点县的“东西扶贫协作”等[4]。针对国家级贫困县的各项扶持资金逐年上升，从2002年的250.2亿元增长到2015年的1 902.6亿元，其中，中央财政扶贫资金由2002年的35.8亿元上升到2015年的440.4亿元[5]，每个贫困县平均每年可获得高达几千万元的财政资助，一些特殊县甚至能获得上亿元资助。
对于设立国家级贫困县的减贫效应，学术界一直未达成一致结论。一方面，大多学者基于中国多年县级单元面板数据[5-6]，通过倾向得分匹配—双重差分法[7]、工具变量法[5]等方法，实证发现贫困县“帽子”在促进贫困地区经济增长、缩小贫困地区和发达地区差距方面起到了积极作用，扶贫政策或资金投入能持续明显推动当地经济发展[5,8]，提高当地农民人均收入[9⇓⇓-12]，而且贫困县设立时间越久推动作用越大[8]。另一方面，也有不少学者认为贫困县的扶贫模式无法差异化应对不同地方的致贫原因、因地制宜采取对策，难以体现“精准扶贫”的目标[13-14]。同时，贫困县政策还可能带来负面效应，一些县级政府为保住贫困县“帽子”而故意压低人均收入、夸大贫困人口数，扶贫资金“跑冒滴漏”现象严重[15]，而“整村推进”“整县推进”扶贫计划增加了相对富裕家庭的收入和消费，遗漏贫困户数量将增加，最贫困家庭的收入和消费难以显著提升[16]。
中国地域辽阔，区域差异显著，政策执行效果很难在全国层面统一，采用“一刀切”的办法研究贫困县政策的减贫效应，自然会出现由于尺度、样本、研究期限等选择不同而导致的结论争议。本文拟通过构建地理加权模型，在综合考虑地方空间资源禀赋、社会和经济发展基础等因素的影响下，深入剖析贫困县政策的减贫效应，即具有贫困县称号的县是否比其他县经济增长速度更快，以及减贫效应的空间差异性特征及其原因，为全面系统评价贫困县政策提供实证依据，为今后持续推进国家精准扶贫保障体系提供政策建议。

1 研究数据与研究方法

1.1 国家级贫困县概况

设定国家级贫困县是我国近40年来扶贫工作实施的重要政策，自1986年首次划定331个国家级贫困县，至今共进行过三次调整。1994年，在《国家八七扶贫攻坚计划（1994—2000年）》指引下，贫困县范围进行了第一次调整，按照“1992年农民人均纯收入超过700元的县一律退出、低于400元的县全部纳入”的方法，在全国范围内确定了592个国家级贫困县。2001年，根据颁布实施的《中国农村扶贫开发纲要（2001—2010年）》，国家级贫困县进行了第二次调整，东部33个贫困县指标全部调到中西部地区，此后东部不再划定国家级贫困县；同时，西藏自治区作为特殊扶持区域整体享受贫困县待遇，不占指标。2011年，根据颁布实施的《中国农村扶贫开发纲要（2011—2020年）》，国家级贫困县划定进行第三次调整，全国贫困县总数保持592个不变，但有38个县被替换，被调出的县主要位于内蒙古自治区（12个）、河北省（6个）、陕西省（6个）和安徽省（5个）等省区，调出原因是这些县近期经济发展较快或资源禀赋优越，如陕西省被调出的6个县中有5个位列2010年度“陕西县域经济社会发展十强县”。至此，我国中部地区有国家级贫困县217个，西部地区375个；按所属省区来看，云南省最多有73个，其次是陕西省和贵州省，各有50个[17]。按照国家部署，2016年启动贫困县退出机制，达到脱贫标准的贫困县逐年摘帽，2020年底实现贫困县全部“脱帽”。

1.2 研究变量选取与处理

本文着重研究国家级贫困县政策对县域经济增长的作用。为消除贫困县范围多次调整带来的干扰，以2011年最新认定、2016年启动贫困县退出机制前所有的国家级贫困县及其所在地级市的所有县域单元（包括县、县级市、自治县、旗、自治旗）为研究对象。由于近年来行政区划调整导致部分县范围和数据统计口径变化，删除部分数据缺失和数据异常县，或对发生区划调整的行政单元进行数据归并，最终确定研究样本1 147个，其中国家级贫困县样本553个，非贫困县样本594个。
本文以2013—2016年每个县域单元GDP的年均增长率为被解释变量（y），其值越大说明经济发展速度越快、减贫效果越明显。虽然该指标无法像贫困发生率、贫困人口比重缩减率、农村居民可支配收入等指标直接反映区域减贫效果，但由于经济持续增长被广泛认为是大规模减贫的重要基础和推动力[18]，可通过为贫困人口提供更多就业和增收机会、提升政府的经济实力，进而有效地减少贫困、缩小城乡收入差距[19-20]，在其他指标存在统计缺失的情况下，GDP年均增长率也常被用于表征区域贫困降低程度[5,8]。
本文拟突破的核心问题是贫困县政策的减贫效应，然而在全国尺度研究此问题，由于各地、各时期针对贫困县的具体扶持政策差异较大，而细分的财政发展资金、扶贫贴息贷款和“以工代赈”资金等不同类型的扶贫资金执行效果也不尽相同[21]，难以选取具体政策变量开展实证研究，因此设立“是否为国家级贫困县（Pov）”这一哑变量测量扶贫开发的“一揽子”政策影响。如果样本县在2011年公布的贫困县名单中，则该变量赋值为1，否则为0。通过计算该变量的回归系数，考察在控制其他变量影响的前提下，“是否为国家级贫困县”对样本县的GDP年均增长率是否有进一步提升或抑制的作用。
此外，Cobb-Douglas生产函数揭示了土地、劳动力、资本、技术等生产要素对经济产出的作用机制，将其应用到区域经济领域，可建立起影响区域经济增长的指标体系，其中，土地要素可由地方土地资源禀赋表征[22]，劳动力要素可由地方人口规模、社会构成等社会基础变量表征[23]，资本和技术要素可由地方经济发展基础表征[24⇓-26]。在数据可得的前提下，本文分别从土地资源禀赋、社会基础、经济发展基础三个方面选取8个指标作为控制变量（表1），包括人均可建设用地（Land）[27]、是否民族县（Ethic）[5]、人口密度（PDen）[23]、初始经济水平（Gdppc0）[28]、第三产业占比（Tertiary）[8,29]、固定资产投资占比（Finvest）、所在地级市经济水平（Gdppc1）[30]、市场化水平（Market）[21]。由于县级层面市场化水平变量数据缺失，该变量以县域所在省份的市场化水平代替。同时，基于“贫困县政策对县域经济增长的作用由于区域差异而存在差异”的假设，本文进一步设定贫困县政策变量与各控制变量的交互项，挖掘具体哪些区域差异特征导致贫困县政策效应存在地区差异，为后续开展空间分析提供线索。
表1 变量描述和数据来源

Tab.1 The description of variables and data source

特征分类 变量名称 变量描述及计量单位 数据来源 最小值 最大值 平均值
因变量 经济增长率（y） 2013—2016年县域单元GDP年均增长率（%） 2014—2017年《中国县域统计年鉴》 -17.23 40.18 8.12
核心解释变量 国家级贫困县（Pov） 虚拟变量，属于国家级贫困县记为1，否则为0 0 1 0.48
土地资源禀赋 人均可建设用地（Land） 可建设用地面积/户籍人口（km2/人） 中国科学院资源环境科学数据中心提供的DEM数据 0.00034 2.54 0.04
社会基础 民族县（Ethic） 虚拟变量，属于民族县记为1，否则为0 2014—2017年《中国县域统计年鉴》 0 1 0.29
人口密度（PDen） 户籍人口数/行政区域面积（万人/km2） 0.00004 0.28 0.03
经济发展基础 初始经济水平（Gdppc0） 2013年县域GDP/户籍人口数（万元/人） 2014—2017年《中国县域统计年鉴》 0.38 40.07 2.53
第三产业占比（Tertiary） 2013年第三产业增加值/GDP（%） 6.51 72.99 33.13
固定资产投资占比（Finvest） 2013年固定资产投资/GDP（%） 14.14 605.55 100.23
所在地级市经济水平（Gdppc1） 2013年地级市人均GDP（万元/人） 2014年《中国城市统计年鉴》 0.80 14.78 2.84
市场化水平（Market） 2013年省私营企业与国有企业个数之比 2014年《中国统计年鉴》 1.45 14.52 6.25

1.3 数据来源

因变量县域经济增长率、自变量中的社会和经济发展基础数据主要来自2014—2017年《中国县域统计年鉴》，市场化水平数据来源于2014年《中国统计年鉴》。县级行政单元矢量边界数据来源于中国科学院资源环境科学数据中心提供的中国1∶25万基础地理数据，用于数据可视化以及建立地理加权回归模型；由于个别县边界有所变化，统一以2014年中国行政区划为准，对空间单元进行归并、对应匹配等操作。控制变量中人均可建设用地面积根据中国科学院资源环境科学数据中心提供的DEM数据提取小于25%坡度的陆地获得，其精度可以满足研究需要。

1.4 研究方法

首先通过普通最小二乘法（Ordinary Least Square，OLS）在全局层面分析贫困县政策对县域经济增长的作用，同时评估其他控制变量的影响力。再应用全局空间自相关指数（Global Moran's I）验证空间非平稳性，进而利用地理加权回归模型（Geographically Weighted Regression，GWR）对县域经济增长率的影响因素进行空间分析，揭示出影响因素的空间异质性。

1.4.1 普通最小二乘法（OLS）

OLS用于评估两个或更多要素属性之间的关系，其原理是使回归经验模型的预测值与实际观测值之间的误差平方和最小。模型表达式为：
Y i = β 1 + β 2 X 2 i + β 3 X 3 i + ⋯ + β k X k i + ε i
利用普通最小二乘法可以得到全局的参数估计向量：
β = X T X - 1 X T Y
式中：β是参数估计值向量，即影响系数；本文X是贫困县变量、土地资源禀赋、社会和经济基础各变量观测值组成的矩阵；Y是因变量县域经济增长率；εi为随机扰动项。

1.4.2 全局空间自相关

全局空间自相关是衡量空间属性值的分布状态呈现出聚类模式、离散模式还是随机模式的一种方法。本文选取Moran's I指数进行空间自相关分析，计算公式如下：
I = n ∑ i = 1 n ∑ j = 1 n W i j ∑ i = 1 n Y i - Y ¯ Y j - Y ¯ ∑ i = 1 n ∑ j = 1 n W i j ∑ i = 1 n Y i - Y ¯
式中：I为Global Moran's I统计量；n为县域研究样本的总数；Wij是县域i和j之间的空间权重矩阵，若相邻则值为1，不相邻为0；Yi、Yj分别为各县在空间位置i和j的回归残差值； Y -为Y的平均值。I值区间为[-1，1]，小于0表示负相关，等于0表示不相关，大于0表示正相关。通常采用标准化统计量Z值对研究单元空间自相关进行显著性检验，Z值的计算公式如下：
Z I = I - E I V A R I
式中： E I是Moran's I指数的期望； V A R I是Moran's I指数的方差。当Z值为正且显著时，表明存在正的空间自相关，也就是说相似的观测值（高值或低值）趋于空间集聚；当Z值为负且显著时，表明存在负的空间自相关，相反的观测值趋于空间集聚；当Z值为0时，观测值呈独立随机分布。

1.4.3 地理加权回归（GWR）

传统的OLS只能对所有样本和参数进行全局性估计，没有加入对空间格局的考虑，自变量如果存在空间自相关就无法满足模型残差项独立分布的假设，参数估计将不再适用[31]。GWR实质是局部加权最小二乘法，通过在局部范围内实现逐点参数估计，根据地理空间位置不断发生变化的参数估计值进行回归分析，能够反映自变量与因变量之间的关系随着地理位置的变化而发生变化的空间非平稳性，其模型结构如下：
y i = β 0 ( u i , ν i ) + ∑ k β k ( u i , ν i ) x i k + ε i
式中：i表示1 147个县域研究样本； y i表示第i个县域GDP年均增长率； x i k（k=1，2，…，9）表示表1中的9个自变量；（ u i , ν i）是第i个县域空间单元的地理中心坐标； β k ( u i , ν i )是各变量在空间i的回归系数； β 0 ( u i , ν i )为回归方程截距； ε i是随机误差项。
在GWR模型中，对于每一个分析单元，邻域内所有分析单元对其参数估计的贡献由空间权重矩阵来决定。本文权重设为县域i到其他县域距离的函数，距离越大权重越小，用高斯核函数[32]度量，表达式为：
w i j = e x p - d i j 2 / θ 2
式中： w i j为样本点j对样本点i的空间权重，用于估计位置i处的系数； d i j是i和j之间的欧几里得距离； θ是由距离度量的固定带宽大小。
GWR模型的输出结果受 θ影响明显，常用赤池信息准则法（Akaike Information Criterion，AIC）或交叉确认法（Cross-Validation，CV）等确定其大小[33]，AIC方法兼顾了不同模型存在不同自由度的差异，更适用于本文，经过交互有效性检验，本研究GWR模型的最优带宽 θ为1 054.02km。

2 结果分析

2.1 贫困县经济增长的特征及趋势

新中国成立以来，在一系列中长期扶贫规划支持下，我国区域性整体减贫成效明显，贫困人口数从1978年的2.5亿降至2017年的3 046万，农村贫困发生率也从30.7%降至3.1%；在贫困县，农村贫困人口由2011年的6 112万人下降至2018年末的915万人，贫困发生率由29.2%下降至4.3%[34]。
在各项政策扶持下，贫困县经济水平一直以超过全国平均水平约1.17%的速度快速增长，2016年国家级贫困县人均GDP达到18 965元，是2001年的7.13倍，其占全国人均GDP的比重从2001年的30.6%稳步上升至2016年的35.5%，贫困县农民人均可支配收入也从2001年全国农民人均可支配收入的53.9%上升至2016年的67.6% ① （图1）。从宏观走势看，贫困县经济增长相较于全国平均水平更高，贫困县政策对于促进当地经济增长、减少贫困人口有明显正向激励作用。但从绝对数据看，目前贫困县的经济实力与全国平均水平尚有明显差距，虽然2020年底已完成贫困县全部脱帽，未来这些地区依然是我国农村减贫助贫的主要阵地。
图1 2001—2016年国家级贫困县和全国人均GDP增长趋势

Fig.1 Growth trend of national poverty-stricken counties and national per capita GDP from 2001 to 2016

2.2 基于OLS模型的影响因素分析

2.2.1 OLS模型回归结果

利用公式（1）对影响县域GDP年均增长率的各因素进行OLS回归，运算结果见表2。模型1为不含交互变量的基础模型，9个自变量的方差膨胀因子（VIF）都小于7.5，不存在多重共线性；模型在0.01的显著性水平下通过检验，误差项为正态分布，调整R2为0.289。模型2在模型1基础上加入了国家级贫困县与土地资源禀赋、社会基础和经济发展变量的交互，由于加入交互变量后模型具有多重共线性，通过VIF值对变量进行筛选，在模型1揭示出的各显著性变量外，国家级贫困县与人口密度、县域初始经济水平和市场化水平的交互项具有显著意义。模型2的调整R2达到0.313，表明模型解释力度有一定提高。
表2 OLS模型运算结果

Tab.2 Calculation results of OLS model

变量 模型1 模型2
系数 标准化系数 稳健概率 VIF 系数 标准化系数 稳健概率 VIF
常数项 1.360 0.130 - 0.288 0.754 -
Pov 0.890 0.066 0.016** 1.233 4.842 0.363 0.000*** 6.540
Land 2.767 0.055 0.034** 1.094 2.618 0.052 0.042** 1.099
Ethic 3.633 0.247 0.000*** 1.159 3.508 0.239 0.000*** 1.176
PDen 35.636 0.144 0.000*** 1.697 16.900 0.068 0.065* 2.277
Gdppc0 -0.394 -0.149 0.000*** 1.581 -0.333 -0.127 0.000*** 1.624
Tertiary 0.143 0.234 0.000*** 1.158 0.133 0.217 0.000*** 1.210
Finvest 0.019 0.155 0.000*** 1.158 0.017 0.139 0.000*** 1.168
Gdppc1 -0.654 -0.169 0.000*** 1.364 -0.532 -0.137 0.000*** 1.422
Market 0.081 0.052 0.086* 1.500 0.317 0.205 0.000*** 2.777
Pov×Gdppc0 -0.991 -0.160 0.000*** 3.286
Pov×Market -0.499 -0.301 0.000*** 5.330
Pov×PDen 43.707 0.111 0.011** 3.175
调整R2 0.289 0.313
Koenker （BP） 87.493 99.605
残差平方和 35 951.436 34 628.769
赤池信息准则（AICc） 7 228.714 7 191.859

注：***、**、*分别表示回归参数在1%、5%、10%显著性水平下显著。

2.2.2 基于OLS模型的影响因素分析

表2的参数估计结果显示：在0.05显著性水平下，核心解释变量国家级贫困县（Pov）对县域经济增长具有显著的正向促进作用，即在其他因素相同的情况下，国家级贫困县的经济增长速度要显著高于非贫困县。我国至少70%中央财政扶贫资金用于国家级贫困县[35]，外部扶贫资金投入以及相关政策红利有利于推动贫困县实施基础设施建设、增加公共服务供给、改善农户生产生活条件，从而提高贫困县生产效率[36]。同时，扶贫政策推动贫困县农民自我发展能力不断提升[37]、产业结构不断优化，对当地经济社会发展产生重要影响[8]。
控制变量中，县域初始经济水平（Gdppc0）与地级市经济水平（Gdppc1）在0.01显著性水平下对县域经济增长呈负相关，这是由于经济增长中存在“收敛效应”，初始经济水平越高的地方经济增长率越低，与现有诸多研究结论吻合[38]。其余解释变量都与县域经济增长呈正相关。人均可建设用地越多，表明当地用于支撑经济增长的空间载体越丰沛；第三产业占比高、市场化水平高、固定资产投资占比大都表明当地发展经济的基础和条件好[8]；人口密度大反映出当地劳动力资源丰富、市场需求大；而民族县与贫困县指标同样作为政策变量，可揭示政府对样本县的政策扶持力度。上述有助于经济发展的指标对县域GDP年均增长率自然有正向影响。
3个交互项的结果显著但符号不同，贫困县政策与县域初始经济水平和市场化水平两个因素交互项系数显著为负，而与县域人口密度的交互项系数显著为正，这一结果为后续解释GWR模型结果提供了极有价值的线索。

2.3 基于GWR模型的影响因素空间异质性分析

利用公式（3）对模型1的残差进行空间自相关分析，得到Moran's I指数等于0.327，基于公式（4）得到Z值得分为42.706，在0.01的显著性水平下通过检验，且残差在高值集聚。结果说明残差在空间上并不独立，呈现出一定程度的集聚特征，存在空间非平稳性。模型1的Koenker（BP）统计量显示OLS模型在整个研究区域内发生变化，即县域的经济增长率与解释变量不存在地理空间的一致性，需要通过GWR模型解决空间异质性问题。

2.3.1 GWR模型回归结果

利用公式（5）建立县域经济增长影响机制的GWR模型，模型的调整R2为0.412，相较于模型2变量减少而R2显著提高，残差平方和在统计学上的标准显著下降，AICc值相较OLS回归值减小206.753（数值大于3则表明模型改进显著），均表明GWR模型解释力明显优于OLS模型。表3对模型各自变量系数值进行了描述性统计，从最大值、最小值、上四分位值和下四分位值间显著的差异可见各自变量对县域经济增长的作用在不同空间统计单元上存在显著差异；但中位数与平均值方向一致且数值接近，表明各自变量在不同空间单元对县域经济增长的影响方向趋同，与OLS回归的系数正负一致，即县域初始经济水平和所在地级市经济水平对县域经济增长率的影响主导方向为负，国家级贫困县和其余自变量对县域经济增长的影响主导方向均为正。
表3 GWR模型运算结果

Tab.3 Calculation results of GWR model

变量 最小值 25%分位数 中位数 75%分位数 最大值 平均值
常数项 -4.513 0.112 1.811 2.529 9.282 1.363
Pov -0.326 0.398 0.825 1.051 3.108 0.771
Land -8.694 0.082 3.293 7.060 9.917 3.333
Ethic -1.945 2.265 3.180 3.745 4.021 2.932
PDen 3.909 23.109 30.543 38.439 80.898 31.333
Gdppc0 -0.879 -0.582 -0.537 -0.442 -0.214 -0.506
Tertiary 0.025 0.120 0.137 0.184 0.250 0.148
Finvest -0.002 0.015 0.016 0.019 0.043 0.018
Gdppc1 -2.346 -0.542 -0.497 -0.404 -0.199 -0.510
Market -0.498 -0.057 0.110 0.224 0.290 0.072
调整R2 0.412
残差平方和 28 900.615
带宽 1 054.016
赤池信息准则（AICc） 7 021.961

2.3.2 影响因素的空间异质性分析

对GWR模型回归结果中各解释变量的系数进行空间可视化表达，可明显反映各自变量对县域经济增长率影响的空间差异，如图2、图3所示。
图2 国家级贫困县参数估计空间分布

注：基于国家测绘地理信息局标准地图（审图号：GS（2020）4630）绘制，底图无修改，下同。

Fig.2 Spatial heterogeneity of national poverty-stricken county policy to the economic growth

图3 控制变量回归系数空间分布

Fig.3 Spatial distribution of local coefficients for control variables

①贫困县政策对经济增长影响的空间异质性。图2所示，91.9%的区域中国家级贫困县政策对县域经济增长率的影响为正，系数的高值集中在西北地区，低值集中分布在东南地区；在江西、湖南和广西部分东南部地区影响系数为负。贫困县政策变量对县域经济增长的促进作用整体呈现出从西北向东南递减、进而转为约束作用的圈层结构。
鉴于OLS模型2交互变量的结果，贫困县政策变量对县域经济增长作用的空间差异可由县域初始经济水平、市场化水平和人口密度的差异解释。在西部、东北等经济发展水平低、市场化进程较落后的地方，贫困县政策落地仍主要依靠各种类型的财政直接补贴[39]。而在我国经济发展水平和市场化程度较高的偏东部地区，市场已逐渐成为资源配置的主导力量，即便是在贫困县，政府通常也仅是通过优化营商环境、提供较低成本的创业和投资门槛等刺激经济增长[14,37]，政策干预和调控的力度比西北地区较小，政策效果也在逐渐减弱，人才、技术和资本等推动经济增长的生产要素有时还可能因为过多政策干预会损失效率而选择规避投向贫困县地区，导致个别地区因为贫困县“帽子”对经济增长率提高起到了负向作用。同时，贫困县政策驱动力的空间差异也可能与国家对贫困县的扶贫资金历来会向西部、山区、少数民族县和边区县倾斜有关，贫困县获得的扶贫资金和政策优惠越多对县域经济增长推动作用越大[40]。
根据回归结果可以预测，在2020年底贫困县全部摘帽后，现行贫困县政策影响力小的东南部地区经济发展趋势不会有明显变化；而西北、东北地区，特别是新疆、青海、黑龙江等政策变量系数为正向最高值的地区，经济发展形势可能会受到政策消减的冲击，需谨防贫困县“摘帽”的水土不服问题。因此，各地在今后减贫助贫工作中，要清醒认识扶贫政策在不同经济基础和生产条件下，引导生产要素空间配置和产出效率的差异化作用，因地制宜利用各项政策工具。在西北和东北等较依赖政策扶持、对政策比较敏感的地区，要防止贫困县摘帽后系统性扶贫优惠政策收回的“硬着陆”，建议持续强化政策扶持力度，继续增加财政扶贫减贫资金投入[41]，即便是对非贫困地区也可通过设计多样化的优惠政策，统筹安排专项资金，推动经济发展，保证扶贫减贫力量稳定[41]。但同时也要防止这些地区对政策补贴长期直接“输血”机制的过度依赖，应通过探索多渠道、多样化的帮扶路径，引导地方利用市场手段形成“造血”机制[42]。而在一些市场较活跃的地区，普遍已经形成了自我发展的“造血”能力，建议进一步充分调动生产要素的主观能动性，强化东部沿海省份与中东部地区跨境合作，加大对口支援和产业转移政策支持力度[41]，吸引更多的市场化资源推动经济增长[12]。同时，可将扶贫开发与乡村振兴、新型城镇化进程相融合，注重城乡互动、区域联动，推动城乡统筹发展[43-44]。
②其他变量对经济增长影响的空间异质性。各控制变量对县域经济增长的作用也表现出显著的空间差异。首先，人均可建设用地变量在75.9%的县域与经济增长率呈正相关，24.1%呈负相关。其中系数的高值集中在中部及东北地区，低值则集中在南部地区。这表明在我国中部和北部地区土地要素对经济增长的拉动效应较高[18]，而南部地区经济增长可能主要靠技术、资本、劳动力等其他生产要素拉动，“以地生财”模式对区域经济增长具有阻碍作用。其次，是否民族县和人口密度这两项社会基础变量对县域经济增长的影响系数普遍为正（图3b、图3c）。民族县政策对新疆、内蒙、云南、广西等少数民族地区县域经济增长的拉动作用明显小于中部汉族聚居区，这是由于汉族聚居区更能体现出少数民族县的政策优势。人口密度在东北和西南地区表现出更高的县域经济增长拉动作用，说明这些地区的经济增长模式比东部地区具有更强的“劳动密集型”特点，西部地区劳动力对经济增长的贡献率明显更高[18]。第三，在经济发展基础指标方面，县域初始经济水平和地级市经济水平对县域经济增长均为抑制作用（图3d、图3g），第三产业占比、固定资产投资占比对县域经济增长几乎均为促进作用（图3e、图3f），理由如前文所述，经济增长的“收敛效应”导致初始经济水平越高的地方经济增长率越低，而当地经济发展基础和条件越好则地方经济增长率越高。市场化水平对县域经济增长的作用力，GWR模型给出了与OLS差异较大的结果，在我国中东部地区（县域总量的65.8%），市场化水平越高的县域经济增长越快，但在东北、西南和新疆西部等地，市场化水平却对县域经济增长产生抑制作用。这说明在我国边疆地区市场发展的条件尚未健全，市场机制的运行效率难以如其他地方一般显现。

3 结论与讨论

本文利用OLS和GWR模型研究国家级贫困县政策对县域经济增长作用的空间差异性特征及成因，主要结论如下：
①OLS和GWR模型均证实国家级贫困县政策对县域经济增长有一定的促进作用，县域初始经济水平和所在地级市经济水平与县域GDP年均增长率呈现负相关，其余控制变量均呈现正相关。GWR模型的解释力明显优于OLS模型，进一步揭示出不同因素对县域经济增长影响的空间异质性。
②本文重点揭示了国家级贫困县政策对县域经济增长促进作用从西北向东南递减、在部分中部偏东南地区出现抑制作用的圈层结构。这主要归因于在经济发展水平和市场化程度较高的偏东部地区，县域经济增长受市场调控的力度大于政府干预；同时，西北地区贫困县获得的政策扶持比东南地区更大。
③既然贫困县政策的减贫效应存在空间差异性，在后续实施扶贫和其他促进县域经济发展的政策时，应因地制宜，避免“一刀切”。特别是在当前扶贫战略已从传统的区域瞄准向个体瞄准转变的背景下，推动县域经济发展、缓解城乡差距的有效措施是面向地方实际，“精准”量体裁衣，有针对性地实施市场引导或政策扶持等方向差别化的、可持续的行动机制。在那些已经建立起较完善市场机制的我国东南部区域，减贫助贫政策可集中于促进各类资源要素在城乡之间自由流动方面，通过搭建低成本的市场平台实现城乡融合发展，同时也要强化东西省份的合作交流，加大对口支援和产业转移政策支持力度。
而对于长期以来比较依赖扶贫政策推动经济增长的区域，特别是新疆、青海、黑龙江等省区，一方面要谨防贫困县“摘帽”后国家扶贫政策消减带来的水土不服，继续探索多渠道、多样化的帮扶路径，通过多种帮扶机制有效推动减贫助贫；另一方面也要积极培育贫困地区自身“造血”能力，通过产业帮扶或协助招商引资固资，培育和稳定贫困地区产业基础，促进产业可持续发展，逐渐减低对“输血”的过度依赖。针对我国西部、东北地区，为防止脱贫成果不稳固，适时组织开展巩固脱贫成果后评估工作，通过建立返贫预警和低收入人口动态管理机制，全面对接脱贫攻坚大数据管理平台和社会救助管理信息系统，有效防止返贫。建议这些地区的减贫助贫政策要与乡村振兴相结合，通过补齐农村基础设施和基本公共服务短板，帮扶农民提升自我发展能力，加强乡村从业人员的技能培训，以乡村振兴政策巩固脱贫成果。
由于数据的可获得性，本文在重点关注贫困县政策等因素对县域经济增长作用的空间异质性时，并未涉及影响因素在长时间维度上的减贫效应，后续可建立时空分析模型更细致讨论政策变量的减贫效应。同时，本文并未进一步解构贫困县政策、进而评估各项具体政策的减贫效应，如比较财政补贴和优惠政策的绩效等，后续可加强此方面研究，这将对长期精准扶贫、缩小城乡差距和区域差距提供更有指导性的决策依据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
汪三贵, 曾小溪. 从区域扶贫开发到精准扶贫——改革开放40年中国扶贫政策的演进及脱贫攻坚的难点和对策[J]. 农业经济问题, 2018(8):40-50.

[2]
周扬, 郭远智, 刘彦随. 中国县域贫困综合测度及2020年后减贫瞄准[J]. 地理学报, 2018, 73(8):1478-1493.

DOI

[3]
陈志钢, 毕洁颖, 吴国宝, 等. 中国扶贫现状与演进以及2020年后的扶贫愿景和战略重点[J]. 中国农村经济, 2019(1):2-16.

[4]
郑家喜, 江帆. 国家扶贫开发工作重点县政策——驱动增长、缩小差距、还是政策失灵——基于PSM-DID方法的研究[J]. 经济问题探索, 2016(12):43-52.

[5]
方迎风. 国家级贫困县的经济增长与减贫效应——基于中国县级面板数据的实证分析[J]. 社会科学研究, 2019(1):15-25.

[6]
毛捷, 汪德华, 白重恩. 扶贫与地方政府公共支出——基于“八七扶贫攻坚计划”的经验研究[J]. 经济学(季刊), 2012, 11(4):1365-1388.

[7]
Heckman J J, Ichimura H, Todd P E. Matching as an econometric evaluation estimator[J]. Review of Economic Studies, 1998, 65(2):261-294.

[8]
黄志平. 国家级贫困县的设立推动了当地经济发展吗?基于PSM-DID方法的实证研究[J]. 中国农村经济, 2018(5):98-111.

[9]
Park A, Wang S, Wu G. Regional poverty targeting in China[J]. Journal of Public Economics, 2002, 86(1):123-153.

[10]
Meng L S. Evaluating China’s poverty alleviation program:A regression discontinuity approach[J]. Journal of Public Economics, 2013,101:1-11.

[11]
汪三贵, 李文, 李芸. 我国扶贫资金投向及效果分析[J]. 农业技术经济, 2004(5):44-48.

[12]
帅传敏, 梁尚昆, 刘松. 国家扶贫开发重点县投入绩效的实证分析[J]. 经济问题, 2008(6):84-86.

[13]
李小云, 张雪梅. 中国财政扶贫资金的瞄准与偏离[M]. 北京: 社会科学文献出版社, 2006.

[14]
张伟宾, 汪三贵. 扶贫政策、收入分配与中国农村减贫[J]. 农业经济问题, 2013, 34(2):66-75.

[15]
汪三贵, Albert Park, Shubham Chaudhuri, 等. 中国新时期农村扶贫与村级贫困瞄准[J]. 管理世界, 2007(1):56-64.

[16]
Park A, Wang S. Community development and poverty alleviation:An evaluation of China's poor village investment program[J]. Journal of Public Economics, 2010, 94(9):790-799.

[17]
国务院扶贫开发领导小组办公室. 国家扶贫开发工作重点县名单[EB/OL]. http://www.cpad.gov.cn/art/2012/3/19/art_50_23706.html,2012-03-19.

[18]
汪三贵. 在发展中战胜贫困——对中国30年大规模减贫经验的总结与评价[J]. 管理世界, 2008(11):78-88.

[19]
林伯强. 中国的经济增长、贫困减少与政策选择[J]. 经济研究, 2003(12):15-25.

[20]
叶初升, 唐晋荣. 减贫视角的经济增长与收入分配——县域经济层面的实证分析[J]. 湖北社会科学, 2012(7):80-85.

[21]
陈凡, 杨越. 中国扶贫资金投入对缓解贫困的作用[J]. 农业技术经济, 2003(6):1-5.

[22]
丰雷, 魏丽, 蒋妍. 论土地要素对中国经济增长的贡献[J]. 中国土地科学, 2008(12):6-12.

[23]
张学波, 于伟, 张亚利, 等. 京津冀地区经济增长的时空分异与影响因素[J]. 地理学报, 2018, 73(10):1985-2000.

DOI

[24]
张雅杰, 金海, 谷兴, 等. 基于ESDA-GWR多变量影响的经济空间格局演化——以长江中游城市群为例[J]. 经济地理, 2015, 35(3):28-35.

[25]
王少剑, 汪洋, 赵亚博. 1990年来广东省区域发展的空间溢出效应及驱动因素[J]. 地理学报, 2015, 70(6):965-979.

DOI

[26]
李晶晶, 苗长虹, 叶信岳. 区域经济核心—边缘结构多尺度演化机制分析——以河南省为例[J]. 经济地理, 2016, 36(10):9-17.

[27]
王建康, 谷国锋. 土地要素对中国城市经济增长的贡献分析[J]. 中国人口·资源与环境, 2015, 25(8):10-17.

[28]
胡雪瑶, 张子龙, 陈兴鹏, 等. 县域经济发展时空差异和影响因素的地理探测——以甘肃省为例[J]. 地理研究, 2019, 38(4):772-783.

DOI

[29]
柯文前, 陆玉麒, 俞肇元, 等. 多变量驱动的江苏县域经济空间格局演化[J]. 地理学报, 2013, 68(6):802-812.

[30]
Li H, Wei Y D, Liao F H, et al. Administrative hierarchy and urban land expansion in transitional China[J]. Applied Geography, 2015,56:177-186.

[31]
仇方道, 佟连军, 朱传耿, 等. 省际边缘区经济发展差异时空格局及驱动机制——以淮海经济区为例[J]. 地理研究, 2009, 28(2):451-463.

[32]
Brunsdon C, Fotheringham A S, Charlton M E. Geographically weighted regression:A method for exploring spatial nonstationarity[J]. Geographical Analysis, 1996, 28(4):281-298.

[33]
曹小曙, 徐建斌. 中国省际边界区县域经济格局及影响因素的空间异质性[J]. 地理学报, 2018, 73(6):1065-1075.

DOI

[34]
国家统计局. 扶贫开发持续强力推进脱贫攻坚取得历史性重大成就[EB/OL]. http://www.stats.gov.cn/tjsj/zxfb/201908/t20190812_1690526.html,2019-08-12.

[35]
李小云, 唐丽霞, 张雪梅. 我国财政扶贫资金投入机制分析[J]. 农业经济问题, 2007(10):77-82.

[36]
汪三贵. 中国40年大规模减贫——推动力量与制度基础[J]. 中国人民大学学报, 2018, 32(6):1-11.

[37]
张彬斌. 新时期政策扶贫——目标选择和农民增收[J]. 经济学(季刊), 2013, 12(3):959-982.

[38]
汤学兵, 陈秀山. 我国八大区域的经济收敛性及其影响因素分析[J]. 中国人民大学学报, 2007, 21(1):106-113.

[39]
蔡昉, 都阳, 陈凡. 论中国西部开发战略的投资导向:国家扶贫资金使用效果的启示[J]. 世界经济, 2000(11):14-19.

[40]
李文, 汪三贵. 中央扶贫资金的分配及影响因素分析[J]. 中国农村经济, 2004(8):44-48.

[41]
国务院扶贫开发领导小组办公室. 高质量打赢脱贫攻坚战: 政策解读聚焦中央一号文件[EB/OL]. http://www.cpad.gov.cn/art/2020/2/12/art_1461_111507.html,2020-02-12.

[42]
佟大建, 应瑞瑶. 扶贫政策的减贫效应及其可持续性——基于贫困县名单调整的准自然试验[J]. 改革, 2019(11):126-135.

[43]
刘彦随, 周扬, 刘继来. 中国农村贫困化地域分异特征及其精准扶贫策略[J]. 中国科学院院刊, 2016(3):269-278.

[44]
龙花楼, 屠爽爽, 戈大专. 新型城镇化对扶贫开发的影响与应对研究[J]. 中国科学院院刊, 2016, 31(3):309-319.

Options
文章导航

/

〈 〉