基于扶贫背景下城乡居民贫困脆弱性分析

陈孟钧 孙安萍 安冉 齐征

摘 要：随着扶贫工作的深入开展，人民对扶贫工作效果的要求也日渐严格。本文以安徽省为例，在经济、社会、自然三方面进行综合考虑，通过建立贫困脆弱性评价指标体系，运用因子分析法对城乡居民贫困脆弱性进行分析，得出结果并为缓解贫困脆弱性提出合理建议。

关键词：贫困脆弱性;安徽省;因子分析;城乡居民

1、引言

贫困问题在人类社会的发展过程中一直是一个世界性难题。在“贫困脆弱性”概念提出之前，各国的反贫困政策都是在贫困问题出现后制定的，没有考虑到未来变化的风险，是对贫困的事后干预，而贫困是一种动态现象，事后干预对贫困发生的原因及可能性不能进行预测。2001（部分文献说是2000）年，世界银行提出“贫困脆弱性”概念，此概念提出之后，对贫困的干预被由事后推向事前。

本文以安徽省十六个地级市为例，基于因子分析法，对其城乡居民贫困脆弱性进行相对科学的评估，探究影响因素，得出具体原因，以为相关部门扶贫工作提供合理依据，使我国扶贫事业取得更好的效果。

2、居民贫困脆弱性评价指标体系的建立

综合考虑经济、社会、自然三方面影响因素，本文从经济发展水平、社会保障水平及自然资源水平三个方面进行分析，建立安徽省城乡居民贫困脆弱性指标体系，见表1。

2.1、经济发展水平

经济发展水平反应的是社会经济现象的规模或水平，本文选用从业人口占比、人均可支配收入、人均生产总值三个指标对经济发展水平进行衡量。其中，从业人口占比即从业人口占总人口数的比重，当失业发生时，以从业作为主要经济来源的城乡居民面临的损失最大;可支配收入即居民可用于自由支配的收入，一般而言，可支配收入越高，应对灾难的能力越强，贫困脆弱性越低;生产总值指一定时期内生产活动的最终成果，常被公认为衡量经济状况的最佳指标，进而可用于评价贫困脆弱性。

2.2、社会保障水平

社会保障水平指一定时期内，社会居民享受的社会保障的高低程度，本文选用人均受教育年限、人均文盲占比、医疗卫生机构数三个指标对社会保障水平进行衡量。其中，文盲占比指文盲人口占总人口数的比重，人均受教育年限指某一年龄段人群受学历教育年限总和的平均数，两者皆可用于某一地区的受教育程度;医疗卫生机构指依法成立的从事疾病诊断、治疗等活动的卫生机构，其数量越多，抵抗疾病风险的能力越强，在一定程度上可降低贫困脆弱性。

2.3、自然资源水平

自然资源即人类可以在自然界中直接获取并用于生产、生活的物质，本文选用森林覆盖率、人均水资源量、地质受害防控投资三个指标对自然资源水平进行衡量。其中，森林覆盖率指森林面积占宗土地面积的比率，人均水资源量指可利用的淡水资源平均到每个人的占有量，二者皆可反应自然资源对人类生产活动的制约;地质受害防控投资越高，应对地质受害越从容，越能减缓贫困脆弱性。

3、评价与建立因子分析模型

3.1、因子分析法

Spearman于1904年提出因子分析的概念，并表示因子分析的基本目的

就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，以较少的几个因子反映原始资料的大部分信息。

3.2、因子分析模型

其中F1，F2，……，Fm称为公共因子，称为Xi的特殊因子。aij称为因子“载荷”，是第i个变量在第j个因子上的负荷。

将上述模型用矩阵表示为：

因此又矩阵A称为因子载荷矩阵。

当有些变量在多个公共因子上都有较大的载荷，有些公共因子对许多

变量的载荷也较大时，这种模型则不能够突出主要矛盾和矛盾的主要方面的，更不利于对因子的實际背景进行合理的解释。这时需要通过因子旋转的方法，使每个变量仅在一个公共因子上有较大的载荷，而在其余的公共因子上的载荷比较小，至多达到中等大小。同时利用因子得分函数计算出各样本得分，并予以评价和排序。

3.3、因子分析具体步骤

（1）数据的标准化

根据具体的操作要求对数据进行无量纲化处理，把原始数据转换为标准数据。

（2）判断数据能否进行因子分析

利用SPSS进行分析得到初步结果，判断KMO值与Bartlett的球形度检验统计量。一般认为，KMO值大于0.7可认为数据间具有较好的相关性，KMO值越接近1.0，变量间的共同因子越多，也就越适合进行因子分析。

（3）提取公共因子

运用主成分分析法确定因子变量，并根据相关矩阵特征值的大小来确定公共因子的个数。

（4）因子旋转

利用方差最大化旋转后的因子载荷矩阵对因子进行命名。

（5）计算得分

依据旋转后的因子载荷矩阵来计算各个因子在每个样本上的具体数值，从而计算因子得分。

四、因子分析

4.1、数据搜集

本文选取了安徽省16个地级市为研究对象，参照上文所制定的评价体系，获得数据。该数据均来源于2018年安徽省统计年鉴。

4.2、利用SPSS进行因子分析

（1）先将数据标准化

（2）检验数据是否能进行因子分析。

上述因子分析结果显示，如表2，KMO值为0.505，可以用来继续做因子分析。同时，Bartlett的球形度检验统计量的观测值为112.346，相应的Sig.值为0.00，认为相关系数矩阵与单位阵有显著差异，因此对数据进行因子分析是恰当的。

（3）根据标准化之后的数据建立指标间的相关系数矩阵，得到特征值和累计贡献率，特征值及其贡献率见表3。

由上表可知，第一个因子的特征根值是3.476，它解释了总变异的 38.619%，说明当原有变量全部浓缩为一个因子时，只有38.619%的信息能被包含进去，其余63.81%的信息将丢失;且随着因子数量的增加，信息的丢失将减少，当累计到第三个因子时，累计贡献率已达到83.397%。因此可以用前三个因子来反映总体数据水平

（4）因子旋转

为了使每个因子更具有代表意义，我们利用方差最大化旋转的方法得到因子旋转成分矩阵如表4所示。

从上表可以看出，在第一个因子中，各市城乡居民人均可支配收入X2、各市人均生产总值X3以及各市人均受教育年限X4载荷较大，均达到0.85以上，而且可以看出，X2、X3与经济发展水平有关，X4则与教育水平有关，因此将该因子命名为经济教育因子。在第二个因子中，各市森林覆盖率X7、各市人均水资源量X8以及各市地质灾害防治投资X9载荷较大，均达到0.85以上，而且以上均与自然环境以及灾害的防治有关，因此将该因子命名为环境与灾害防治因子。第三个因子中，各市城乡从业人口占比X1、各市人口文盲占比X5以及各市医疗卫生机构数X6载荷较大，且都与人口和医疗有关，因此将该因子命名为人口因子。

且由上文解释的总方差表中可以看出，第一个因子经济教育因子是最主要的影响因素，其次是环境与灾害防治因子和人口因子。

（5）因子得分

因子得分是在因子分析中对不可观测的公因子做出的估计值。当因子确定以后，就可以根据旋转后的因子载荷计算每个旋转后的因子在每个样本上的得分。

本文根据上述分析得到的综合评价得分模型如下：

Z=46.31% F1 + 38.13% F2 + 15.57% F3

且3个主因子得分F1、F2和F3可由旋转后的因子载荷矩阵和因子得分系数矩阵计算得到，然后再根据上述模型计算出公共因子得分和各城市的综合得分，并進行排序结果如表5所示：

从上表可以看出，合肥市的综合得分有0.81964，位居第一，说明合肥市的城乡居民贫困脆弱性较弱，第二第三分别是宣城市和黄山市。而淮南市、淮北市和亳州市的综合得分则较低，位于安徽省较后的位置，说明其贫困脆弱性较高。分析其排序结果可以看出，安徽省中部偏南地区如合肥市、宣城市等地贫困脆弱性较低，靠北地区像淮北市、亳州市等地贫困脆弱性则较高。

4.3、数据结果分析

安徽省城乡居民的贫困脆弱性由多个因素决定，且各个因素之间相互关联。从影响因素来看，城乡居民的贫困脆弱性主要与经济发展水平和居民的受教育程度有关，经济发展水平越高、受教育程度越高，其贫困脆弱性越低。此外，亦受环境与灾害防治等方面的影响。

根据因子分析法测出的安徽省贫困脆弱性呈现出了较为明显的地域特征。比如以合肥市、黄山市为代表的中部偏南地区贫困脆弱性较低，说明其经济发展势头较好，且省会的带动性较强。而北部贫困脆弱性较高，我们也不妨可以猜测，北方部分地区受降水等多种因素的影响，对自然灾害等的反应程度较大，更容易脱贫后返贫。

5、对策与建议

针对上述数据分析结果，为降低安徽省城乡居民贫困脆弱性，本文提出以下建议。

5.1、经济发展方面

对于安徽省城乡居民贫困脆 弱性因各地经济发展水平不同所 表现出的差异，政府应向北部贫困脆弱性较高的城市给予一定的政策倾斜，带动其经济发展;相关部门应利用地区资源优势实现经济发展多元化;居民本身应提升家庭经济水平，以更高的可支配收入应对风险。

5.2社会保障方面

对于各地区因社会保障水平的高低程度不同所表现的减缓贫困脆弱性能力的差异，政府应加大对贫困脆弱性较高地区的教育、医保等投入;社会相关部门 应完善社会保障制度;居民应提高自身受教育水平，积极响应国家九年义务教育制度号召。

5.3自然资源方面

对于各地区因自然资源水平不同所表现的受自然灾害影响的差异，政府应加强对生态环境的保护，对不合法的损毁自然资源的行为予以严厉打击;社会应加大对珍惜自然资源这一理念的宣传;居民应从自身做起，从身边小事做起，保护环境、节约资源。

参考文献

[1] 许启发，王侠英.安徽省城乡居民贫困脆弱性因子分析[J].山东工商学院学报，2017，31（02）：31-37.

[2] 许启发，王侠英，蒋翠侠.城乡居民贫困脆弱性综合评价：来自安徽省的经验证据[J].经济问题，2017（08）：1-6.

[3] 李丽. 中国城乡居民家庭贫困脆弱性研究[D].东北财经大学，2010.

[4] 石豪.我国贫困脆弱性研究进展及评述[J].农村经济与科技，2019，30（23）：126-130.

[5] 李丽，白雪梅.我国城乡居民家庭贫困脆弱性的测度与分解——基于CHNS微观数据的实证研究[J].数量经济技术经济研究，2010，27（08）：61-73.

[6] N. Kakwani， K. Subbarao. Rural Poverty and Its Alleviation in India. 1990， 25（13）：A2-A16.

[7] 葛珺沂.西部少数民族地区贫困脆弱性研究[J].经济问题探索，2013（08）：163-170.

[8] 万广华，章元.我们能够在多大程度上准确预测贫困脆弱性？[J].数量经济技术经济研究，2009，26（06）：138-148.

[9] Michael Aliber. Chronic Poverty in South Africa： Incidence， Causes and Policies. World Development， 2003， 31（3）：473-490.

[10] 方迎风.冲击、“能力”投资与贫困脆弱性[J].中国地质大学学报（社会科学版），2014，14（02）：103-111+140.

[11] 贺祥，熊康宁.基于熵权灰色关联法的贵州岩溶山区农村贫困脆弱性分析[J].江苏农业科学，2014，42（03）：376-381.

作者简介：陈孟钧（01/01/20）女，汉族，安徽阜阳人，单位：安徽财经大学管理科学与工程学院，本科在读，工程造价专业

基金项目：本文属安徽省大学生创新创业训练计划项目（编号：S201910378430）研究成果。