林草科技培训对生态护林员生计脆弱性的影响*

万深玮，朱洪革，侯天坤，高翔

(1.东北林业大学 经济管理学院，哈尔滨 150040；2.吉林省白山市三岔子林业局 a.计划发展处，b.天保中心，吉林 白山 134702)

自中国精准扶贫攻坚战取得举世瞩目的成就以来，贫困治理方式也发生了本质的变化[1]。政策方针变迁主要表现为由原先的大面积、大范围、大动作逐步过渡为以小抓手为主[2]。生态扶贫作为创新治理模式的重要内容，被运用于多数自然资源丰富而地区贫困的偏远山区，因此中国一些森林资源丰富的贫困区域主要依赖生态扶贫政策对面临脆弱环境的群体进行帮扶，其中重要举措之一就是生态护林员政策[3]。该政策一方面保护了以森林为主的生态环境，另一方面通过提供公益性岗位使生计脆弱人口能够就近就业，在维持基本生计的同时获得一定的补贴收入，进而提升生计水平以实现脱贫。从结果来看，该政策确实能够一定程度上实现当地的扶贫目标任务，消除原建档立卡户的绝对贫困[4]。然而，在降低返贫风险，提高生计稳定性，改善生计脆弱环境等方面仍暴露出一些问题：一是多数生态护林员因政策补贴可能会产生福利依赖的情况，这些生态护林员主要表现出“等补贴，要扶持，靠政府”的特征，导致自身持续脱贫，稳定脱贫的自主动力不足[5]。二是内容单一的生态扶贫无法很好地起到均衡造血作用，对待不同致贫原因、不同脱贫方式、不同背景条件的生态护林员难以发挥统一的、应有的作用，这将导致大部分生态护林员陷入生计脆弱环境，面临返贫风险。三是生态护林员政策配套措施的完善程度仍有待加强。林草科技培训体系旨在普及生态护林员岗位知识，使其更好地完成本职工作，保障基本工资补贴以保持基础生计状况，对其他林业生计的拓展相对较少；同时，对林业相关就业技能的培训专业术语较多，对部分未完成义务教育生态护林员来说较为晦涩，因此对该部分生态护林员促进可持续生计发展的作用也十分有限。由于林草科技培训的参与主体不同，生态护林员选择是否参与的决策不同，林草科技培训对生态护林员生计脆弱性的作用机理并不清晰，这就阻碍了后续生态护林员政策的优化改进，可能会导致后扶贫时代生态护林员群体收入不平等、脱贫不稳定以及暴露风险增加等诸多问题[6-8]。进一步研究发现，关于林草科技培训对农户的生计福利作用的文献已较为丰富，主要侧重于培训工作对不同主体的作用或培训增收效果的研究，如有学者将参加林业培训的次数纳入到交易能力的维度，同时通过调查数据检验了林业培训在交易能力的维度中对农户生计稳定有显著正向作用，有利于促进其生计策略转向新型林业经营，从而达到生计稳定与家庭增收[9]。是否接受过林业培训会影响到农户的林种选择意愿，进而影响农户生计资本水平，参与林业培训的农户生计资本水平较高，同时面临生计风险的程度也相对较低[10]。但鲜有研究关注林业科技培训在生计稳定发展中的影响，在未来提高生态护林员可持续生计水平、实现稳定脱贫的道路上，林草科技培训承担的角色、实际生计福利效应与异质性作用都需要科学的测算和回答，这对未来促进脱贫户实现可持续生计具有实践意义和理论价值。基于上述研究背景和综合思考，以生态护林员作为研究对象，以生计脆弱性为研究视角，以改进后的可持续生计分析框架为理论基础，分析调查样本中所有生态护林员的生计脆弱水平，并进一步探讨林草科技培训对生态护林员生计脆弱性的影响机理，为改进和优化林草科技培训体系提供科学指导和参考建议，促进生态护林员的技能提升和生计转型，筑牢防止规模性返贫的防护堤。

1 数据与方法

1.1 理论分析

尽管生态扶贫在消除绝对贫困上已取得显著成效[11]，但是在解决脱贫户后续生计脆弱的问题上仍存在一定障碍[12]，如果继续沿用偏重贴补资金、帮扶生活物质的单一模式无法满足现实需求，未来政策应该侧重于提高脱贫家庭的可持续性生计水平，帮助其有效抵御返贫风险。

人力资本理论将人力资本定义为一种体现在劳动、技能与知识上的财富，强调“技能”的价值，理解该价值需要密切关注生态护林员“技能价值”的形成过程，即林草科技培训。依据人力资本理论可以得出，林草科技培训与生态护林员的技能发展息息相关，进而促进其生计的稳定[13]。林草科技培训的内容主要包括岗位培训和职业培训，岗位培训的主要内容包括生态护林员基本职责的介绍与考核，职业培训主要包括当地林业相关产业发展政策的解读、就业活动中相关科学技术的讲解、林业借贷抵押的指南以及交流平台的搭建等。林草科技培训作为提供基本林草知识的主要方式及提升生计技能的重要工具，在生态护林员配套政策中占据重要地位，也对生态护林员获得本职工作薪资提升以及其他林业产业收入拓展有着关键作用，缓解了已脱贫生态护林员的生计脆弱程度，有效地巩固了脱贫成果[14]。生态护林员通过参与林草科技培训，一方面能够提升自身岗位技能[15]，学习林草知识以完成生态护林员相关工作，在掌握相关的林草经营方法，提高自身工作效率的同时能够拓展自身对林草事业领域的知识掌握，更加深刻地学习到与林草管护、抚育、巡视和经营相关的内容及方式；另一方面能够提升自身职业技能[16]，在林草科技培训中完成技能的学习、培训和考核，结合智慧林业学以致用，将现代科技手段运用到发展家庭的林下经济上，更合理地进行林业资源开发利用，以更好地促进家庭生计改善、完成生计转型，彻底摆脱脆弱环境，减少自己的暴露风险，同时也意味着自身家庭相对贫困的缓解和生计脆弱性的降低。倘若未来林草科技培训能够面向全体生态护林员构建出新型的、完整的、全流程的创新体系，将更大程度地建设起生态护林员自身抵抗生计脆弱及防止返贫的红线，能够有效降低其生计脆弱性，使得陷入返贫陷阱的风险得以有效减少。主要任务应集中在测算生态护林员群体生计脆弱性，探究林草科技培训对生态护林员群体生计脆弱性是否具有显著影响以及测度出该培训对生态护林员群体降低生计脆弱性的具体效应。

社会分层理论认为，不同层级之间在获取培训机会或进行是否参与培训的抉择时可能会受到社会阶层和自身文化水平等因素的交互影响，同一层级也可能因社会阶层位置认知不同而产生差异。因此，前期积累的教育水平会作用于生态护林员的社会阶层自我认知，同时这也将成为影响培训效果的关键因素，即生态护林员在选择是否参与林草科技培训时做出的决策会在一定程度上受到自身学习能力、知识积累和已有经验的影响[17]。同时，在安徽省潜山市实地调研过程中，发现大多数生态护林员受教育程度不高、不懂专业名词以及不关心生计脆弱严重程度的现象较为普遍。这些问题都会直接作用到林草科技培训对生计脆弱性的降低效果上，从而使林草科技培训对教育水平不足的生态护林员所发挥的生计脆弱性降低效应相对不明显。

1.2 变量选取

一是被解释变量。以生态护林员生计脆弱性的实际值及生计脆弱程度作为被解释变量。生计脆弱性的实际值指通过三阶段FGLS(可行的广义最小二乘法)测算出的样本在未来一段时间内陷入生计脆弱的概率[18]，即生态护林员的返贫概率；生计脆弱程度则是综合考虑所有样本的生计脆弱性实际值后，按照折算后的概率，即29%的脆弱标准来对该值进行划分，以判别生计脆弱的程度高低[19]，对生计脆弱性值高于该概率的样本赋值为1，表示生计脆弱程度相对较高，对生计脆弱性值低于该概率的样本赋值为0，表示生计脆弱程度相对较低。

二是核心解释变量。依托可持续性生计分析框架，将生态护林员视为在一个脆弱性的背景中寻求稳定生计发展的群体[20]。在该过程中，生态护林员可以通过岗位培训和职业培训来积累生计资本，实现生计策略的转型，同时提升其配置和使用家庭生计资产的能力[21]。因此，基于林草科技培训对实现生态护林员生计长久稳定和持续发展的重要意义，选取是否参与林草科技培训作为核心解释变量，对参与和未参与的分别赋值为1和0。

三是工具变量。为了验证是否存在样本选择的内生性，在工具变量上选取劳动力是否均完成义务教育以及劳动力平均受教育年限进行检验。生态护林员家庭中劳动力的义务教育完成情况越好、受教育程度越高，其参与林草科技培训的概率就越大[22]。这两个变量因满足工具变量选取时的相关性条件，且这两个变量不会直接影响生态护林员的生计脆弱性，因而也满足了工具变量选取时的外生性条件。

四是控制变量。生计资本是影响生计脆弱性的关键因素，自身生计资本的积累能显著降低家庭的生计脆弱性[23]。因此，选取家庭生产资料价值代表物质资本、选取劳动力健康状况代表人力资本、选取家庭拥有的林地和耕地总面积代表自然资本、选取紧急时最大能够借款的金额代表金融资本以及选取城镇长期居住生活的亲友数量代表社会资本。教育产生的代际可持续能力也会显著影响生计脆弱性，重视对下一代的教育能够有效抵御生计风险，降低生计脆弱性。因此，采用家庭的年教育投资作为衡量生态护林员代际可持续能力的指标[24]。

各变量的解释或赋值如表1所示。

表1 变量说明与描述性统计Table 1 Variables description and their descriptive statistics

1.3 数据来源

数据来源于课题组于2022年6-8月在安徽省潜山市开展的生态护林员政策实地调研，采用座谈会问卷发放以及入户调查相结合的方式，问卷中涉及的数据皆为受访者2021年度的相应情况，即数据的采集截止时间为2021年底。安徽省潜山市林草局一共管辖16个乡镇16个林业站，为保证科学性和代表性，采用多阶段分层抽样的方式选取样本。综合考虑了潜山市各林业站的林业科技培训体系完整程度以及各区域生态护林员从事林下经济的程度，按照分层抽样选取黄柏镇、梅城镇、黄铺镇、王河镇、水吼镇以及槎水镇6个林业培训较完善的镇级单位，同时选取痘姆乡、五庙乡、塔畈乡以及龙潭乡4个林业培训体系较简单的乡级单位。在选取的每个样本乡镇中按照同样的选取标准再分层抽样选取3～4个样本村，在每个样本村中再随机选取8～12名样本生态护林员，并在每次座谈会中按照随机数表法对照名册随机抽取2～4名生态护林员进行结构式的深访。调查共计发放问卷508份，剔除缺失值较多、极端值较多的样本后，得到有效样本458份，问卷有效率为90.16%。在调查样本中参与林草科技培训的生态护林员共计256人，比例55.9%；未参与林草科技培训的生态护林员共计202人，比例44.1%。各变量样本数据的描述性统计结果如表2所示。

表2 变量的描述性统计Table 2 Descriptive statistics of variables

1.4 数据处理

1.4.1 测算生态护林员的生计脆弱性

测算生计脆弱性存在3种常用的测度方法。由于脆弱性存在定义上的差异，所采用的理论与模型构建方法也不同，主要包括预期的贫困脆弱性(Vulnerability as Expected Poverty，VEP)，代表样本在将来一段时间陷入贫困或相对贫困的概率[25]；低期望效用脆弱性(Vulnerability as Low Expected Utility，VEU)，代表样本在均衡消费下的效用水平与其期望消费下的效用水平之间的差值[26]；风险暴露的脆弱性(Vulnerability as Uninsured Exposure to Risk，VER)，代表样本在风险暴露和打击下对样本本身带来的福利上的损失值[27]。其中，对于生态护林员群体而言，VER缺乏前瞻性，在生态扶贫和乡村振兴衔接的时代背景下测算事后的福利效应对生态护林员的可持续生计意义有限[28]；而VEU由于使用单一的效用函数，不符合林草科技培训背景下生态护林员家庭生计多样性偏好的实际情况[29]。相对而言，VEP更适用于截面数据，不仅能够考量生计变化的动态性，还考虑了生态护林员之间相互关联而产生的异质性。因此，借助VEP的理论框架，结合研究对象、研究区域的特点，对框架内容进行进一步完善，改进为预期的生计脆弱性(Vulnerability as Expected Livelihood，VEL)测度框架，使其更适用于生态护林员家庭生计可持续、返贫风险可抵御的目标。基于该框架综合评价生态护林员的生计状态和特征，测度生态护林员生计脆弱性的实际值，同时识别出生计脆弱性程度高的群体，即易返贫的生态护林员。基于此，将生计脆弱性界定为生态护林员受自身生计状态和特征影响下的综合福利水平在未来陷入相对贫困的概率，即易返贫的概率。

在测算具体生计脆弱性值时，采用三阶段可行广义最小二乘法测算每位生态护林员的生计脆弱性[30]。同时借鉴面临生计脆弱的群体可以组成一个亚群的观点，将其福利水平的中位数作为生计脆弱性的阈值线，即生态护林员亚群中的相对贫困标准线[31]。对研究样本的福利水平进行计算可以得出生态护林员每年福利水平的中位数为6500元，即将家庭人均年收入水平为6500元的生态护林员样本作为生计脆弱的阈值线标准，进而测算每个样本在下一时期低于该阈值的概率，该概率即为样本生态护林员的生计脆弱性值。

同时，针对脆弱程度高度判别门槛值的设定一般是50%的概率值[32]，但在巩固脱贫攻坚成果的新要求下，以这种概率作为门槛进行测度的方法存在一定的局限性，难以识别出暂时生计脆弱的生态护林员家庭。鉴于此，假设每位生态护林员家庭在未来两年内均存在生计脆弱的可能性，即生计转变为不可持续状态的可能性，将50%折算成29%的概率值。因此，研究借鉴其他学者的做法[33]，设定29%的概率值为判别线，生计脆弱性值大于29%的生态护林员存在较高的返贫风险，其生计脆弱程度相对较高，将这种概率状态下的生态护林员定义为生计脆弱程度较高的群体；相应的，生计脆弱性值小于29%的生态护林员存在较低的返贫风险，其生计脆弱程度相对较低，将这种概率状态下的生态护林员定义为生计脆弱程度较低高的群体。

1.4.2 倾向得分匹配模型估计林草科技培训对生态护林员生计脆弱性的净处理效应

倾向得分匹配法是评估政策实施与否对研究对象效应大小的有效估计方法之一，即是一种能够对虚拟变量作为处理变量进行评估的模型[34]。因此，林草科技培训的处理效应可以运用倾向得分匹配法进行估计，同时该方法能够有效地避免样本的自选择偏误问题，解决内生性。PSM模型是一种非参数法，使用时有两个假定前提：可忽略性与共同支撑[35]。

首先，将样本分为实验组(参与林草科技培训)和控制组(未参与林草科技培训)，利用Logit模型估计出每个生态护林员参与林草科技培训的倾向得分值，将分别来源于两组、倾向得分值相近的样本共同构成支撑领域。其次，基于已知的倾向得分值，将实验组和控制组进行相应的匹配，保证两组特征相似，数值相近。最后，根据控制组匹配结果模拟处理组的反事实状态，即未参与林草科技培训，用以比较生态护林员在参与和未参与林草科技培训这两种互斥的事实条件下生计脆弱性的差异情况，即净处理效应。

1.4.3 内生性检验

林草科技培训的参与与否是生态护林员自选择的一种结果，可能存在样本内生性问题，故首先应对生态护林员参与林草科技培训之间是否存在内生性问题进行检验。在选取合适的工具变量并符合基本假设后，采用豪斯曼检验林草科技培训样本的内生性问题，假设为所有解释变量都是外生的。Prob>chi2=0.000 7<0.01(表3)，说明在1%显著性水平上存在内生性。因此，需要运用PSM来缓解内生性，以便在一定程度上避免函数形式设定错误(FFM)导致的偏差。

表3 内生性检验Table 3 Endogenous test

采用PSM方法对林草科技培训对生态护林员生计脆弱性的影响进行评估，使用Logit模型估计生态护林员样本参加林草科技培训的概率，从而测算获得样本的倾向得分值，并使用全样本一对一匹配法完成样本间的匹配，通过了共同支撑检验。根据匹配结果显示，匹配前各特征变量的偏差率较大，其均值为54.9%，说明参与组和未参与组在各特征变量上存在较大的差异，在此基础上直接比较两个组间生计脆弱性的差异是不准确的，会存在估计偏误。在完成匹配后，各特征变量之间的偏差率明显降低，其均值为9.9%，说明参与组和未参与组匹配后个体特征的差异得到了很好的消除。

1.4.4 平衡性假设检验

平衡性检验结果如表4所示，事实证明特征变量在匹配前基本均通过了T检验，而匹配后均不再显著，说明匹配后处理组与控制组之间几乎不存在系统性差异，这说明匹配后的两组样本具有良好的平衡性，总体匹配效果较好。

表4 全样本各变量匹配前后平衡性检验结果Table 4 Balance test before and after matching of each variable of the whole samples

2 结果与分析

2.1 多数生态护林员均存在相对较高的生计脆弱性

生态护林员生计脆弱性(L1)测度得到的生计脆弱性实际值在0～1之间。生态护林员生计脆弱性实际值在0.2以下的生态护林员有18位，占13.93%；在0.2～0.4的生态护林员有28位，占6.11%；在0.4～0.6的生态护林员有349位，占76.20%；在0.6～0.8的生态护林员有62位，占13.54%，在0.8及以上的生态护林员有1位，占0.22%(表5)。总体而言，生态护林员的生计脆弱性多集中于0.4～0.6，比例接近90%，处于0.6以上的生态护林员接近14%，说明大多数生态护林员均存在相对较高的生计脆弱概率，面临相对较高程度的生计脆弱性，需要对这部分群体的生计风险进行重点关注，优化和完善林草科技培训，通过培训来促使生态护林员提升岗位技能和发展就业技能。同时，后续在生态护林员政策实施过程中应当重点识别和帮扶生计脆弱性较高的生态护林员群体，着重关注该部分群体接受培训后的实际生计改善效果。

表5 生态护林员生计脆弱性测度结果Table 5 Measurement results of livelihood vulnerability of the ecological forest rangers

如果根据折算后29%的概率值为判别线，依据所有生态护林员样本的生计脆弱性值对样本进行划分后，得到生计脆弱程度(L2)较高的样本群体有434位，占94.76%，较低的生态护林员只有24位，仅占5.24%，表明大部分生态护林员均存在较高的生计脆弱性，需要在林草科技培训中采取更具针对性的完善措施，以促进生态护林员提高资源利用和技能掌握的能力，进而改善生计脆弱的状况。这与部分脱贫农户处于一般风险水平且差异较小的观点存在差异[36]。这是因为研究区域不一致，较少关注集体林区的脱贫生态护林员的生计状况，且是否参与林草科技培训(P)具有自选择的特性，这也会导致生态护林员之间的生计脆弱性出现较大分异。

2.2 林草科技培训对生态护林员生计脆弱性呈负向影响

林草科技培训对生态护林员生计脆弱性和生计脆弱程度(L2)的基准回归结果如表6所示。模型(1)～(4)均旨在从生计脆弱的视角观察核心解释变量林草科技培训对生态护林员生计稳定发展、抵御生计风险能力的影响。由模型(1)和(2)可知林草科技培训会对生态护林员的生计脆弱性产生显著的负向影响，同时，家庭生产资料价值(CV1)、劳动力健康状况(CV2)、自然资本(CV3)、年教育投资(CV4)、在城镇长期居住的亲友数(CV5)、最大借贷能力(CV6)也是影响生态护林员生计脆弱性的重要因素，模型(3)和(4)所得到的显著水平和影响方向与模型(1)和(2)大致相同，说明研究具有良好的稳健性，以生计脆弱性和生计脆弱程度分别作为被解释变量得到的实证结果基本无差异。林草科技培训会对生态护林员的生计脆弱性在1%的显著性水平上负向影响，说明开展林草相关的职业和岗位培训，可以使生态护林员获得更多的知识，使其掌握发展林业相关生计所需要的技能，进而降低生态护林员的生计脆弱性。该影响在加入控制变量后依然显著，说明具有良好的稳健性。林草科技培训与生计脆弱性之间存在着紧密的关系，完善的培训体系不仅有利于生态护林员厘清岗位职责，更好地从事自己的公益性岗位工作，还有利于其通过培训获得更多林下经济的相关信息，在更专业的指导下进行生计策略的转型，实现真正意义上的生计多样和生计稳定。但部分研究将是否参加就业培训归纳到社会资本中，得出培训与脱贫群体脱贫稳定性的作用并不显著的结果[37]。然而对生态护林员而言，林草科技培训所涵盖的内容更广，已不能将其笼统地归属到社会资本的范畴中，且生计脆弱性和脱贫稳定性互为相反的测度视角，所以林草科技培训对生态护林员的生计脆弱性发挥的负向影响更为明显。

表6 林草科技培训对生态护林员生计脆弱性及生计脆弱程度的基准回归Table 6 Baseline regression results of forest and grass technology training on livelihood vulnerability and its degree of the ecological forest rangers

2.3 生计资本对生态护林员生计脆弱性均为负向影响

在其他因素中，家庭生产资料价值、劳动力健康状况、自然资本、在城镇长期居住的亲友数、最大借贷能力均对生态护林员生计脆弱性在1%的显著性水平上负向影响。可能的原因是，家庭生产资料越多，生态护林员越能够利用这些资产禀赋积累更多的财富，从而达到生计上的可持续；劳动力的健康状况越好，劳动力工作效率就越高，越有时间和精力进行生计策略的转型和拓展；家庭中自然资本越多，生态护林员越能做好本职工作和进行其他林业生计的转型；在城镇长期居住的亲友数越多，社会网络带来的就业机会就相对更多；最大借贷能力越高，说明生态护林员的信贷可得性就越大，即能够基于此获得更多的增收效应，进而提升自身的金融资本，提升生计稳定性。这与小农户生计脆弱性与生计类型是否多样有关的观点并不相同[38]，原因可能在于小农户的生计类型较为复杂，因此生计类型能够有效发挥降低生计脆弱性的作用；对于生态护林员而言，其生计类型本就较为单一，因此生计类型对生计脆弱性的作用并不明显，而生计资本的作用显得尤为重要。

2.4 多种匹配方法下林草科技培训对生态护林员生计脆弱性影响的真实值约为5%

相对于没有参与林草科技培训的生态护林员，生态护林员参与林草科技培训对生计脆弱性的影响(ATE)在1%水平上显著负向影响，即对于全样本而言，无论生态护林员参与林草科技培训与否，其生计脆弱性都会发生负向变化(表7)；而未参与组的潜在处理效应(ATU)在1%水平上显著负向影响，说明原本未参与林草科技培训的生态护林员在选择参加以后的反事实状态中，该部分群体的生计脆弱性会增加0.003 3个标准差。参与组的潜在处理效应(ATT)在1%水平上显著负向影响，说明对于已经参加林草科技培训的生态护林员而言，如果不再参与林草科技培训，其生计脆弱性会增加0.006 1个标准差。在通过PSM纠正变量之间的内生性后，林草科技培训仍然对生态护林员的生计脆弱性存在一定的影响，影响系数为-0.048 8，这说明基准回归所得到的估计结果-0.145 0存在偏差，尽管均为负向影响，但基准回归中所采用的普通OLS回归会由于内生性导致估计效应结果偏大，而PSM模型可以通过缓解内生性，并修正FFM带来的偏差，得到更稳健的估计结果：生态护林员参与林草科技培训能够显著降低生态护林员生计脆弱性的4.88%。

表7 林草科技培训对生态护林员生计脆弱性的Bootstrap结果Table 7 Bootstrap results of forest and grass technology training on livelihood vulnerability of the ecological forest rangers

为了保证模型估计的有效性，采用全样本数据一对一匹配(匹配1)、k近邻匹配(匹配2)、半径匹配(匹配3)、核匹配(匹配4)、局部线性匹配(匹配5，默认核函数与带宽)分别估计林业科技培训对全样本生态护林员生计脆弱性的平均处理效应估计结果如表8所示。从全样本数据的基准模型回归估计结果来看，匹配前参与林草科技培训会显著降低生态护林员生计脆弱性的15.60%，采用5种匹配方法解决内生性再进行估计后，林草科技培训对生计脆弱性的负向影响均依然显著，匹配1至匹配5所估计得到的ATT结果分别是-0.048 8、-0.051 0、-0.048 7、-0.050 0和-0.049 7，5种匹配方法所估计出的系数差异较小，且均小于匹配前基准回归的估计系数，说明样本的选择性偏误会导致基准回归模型的估计结果被高估。取5种匹配方法所得ATT估计系数的均值为-0.05。根据分析，该结果可以看作是同一个生态护林员参与林草科技培训与不参与林草科技培训之间的生计福利效应，这说明林草科技培训能够显著降低生态护林员生计脆弱性的5.0%。林草科技培训在实施过程中能够在一定程度上带给生态护林员精神层面的知识文化积累、信息渠道拓展及提供就业机会，同时也能够给予生态护林员物质层面上的生计资本转化、物质条件改善及增加经济收益，生态护林员在参与林草科技培训的过程中不仅能够达到胜任公益性岗位的预期目标，还能够收获社会责任感及心理上的成就。通过接触从事林下经济产业的方法及技能，熟悉林业贷款、林业保险的相关操作流程，与其他专家和林户沟通合作，进而生态护林员可以更好地进行生计策略的多样化转型，彻底摆脱森林依赖与单一生计导致的生计脆弱现状。估计的结果较多偏大[39]的原因可能在于忽略了自选择偏误带来的内生性影响，而多种匹配方法可以缓解这种函数形式设定错误(FFM)导致的偏差，得到更准确的结果。

表8 全样本多种匹配稳健性检验结果Table 8 Robustness test results of the whole samples multiple matching

综合可知，无论从何种匹配方法来看，参与林草科技培训的生态护林员相比未参与的生态护林员而言，其生计脆弱性明显更低，充分说明了林草科技培训能够显著降低生态护林员的生计脆弱性。在模型估计结果上，5种匹配方法得出的ATT值均明显低于匹配前，说明倾向得分匹配能够缓解模型中原先存在的样本自选择偏误的影响。因此，模型具有良好的稳健性。

2.5 林草科技培训对生态护林员生计脆弱性的影响存在教育异质性

将全样本按照劳动力是否均完成义务教育(IV1)划分为劳动力均未完成义务教育组以及劳动力均完成义务教育组。分别对两组生态护林员进行5种倾向得分匹配处理，得到林草科技培训对这两个群组生计脆弱性带来的稳健效应结果。所有处理效应均通过了显著性检验(表9)。劳动力均未完成义务教育组的处理效应均值为4.4%，劳动力均完成义务教育组的处理效应均值为5.4%。与家庭劳动力义务教育不完善的生态护林员家庭相比，劳动力均完成义务教育的生态护林员家庭抵御生计风险及接受培训的积极程度均优于均未完成的家庭，也更容易获得生计脆弱性的降低效应。有部分学者基于“风险性-敏感性-适应能力”的生计框架，得出培训与脆弱性之间不存在教育异质性，对于不同受教育程度的脱贫群体，培训对其生计脆弱性所发挥的效用不存在明显的差异[40]。观点不同的原因可能在于所采用的研究框架不同，基于改进后的VEP理论框架，将更重视教育分异所分化出的“精英护林员”和“普通护林员”，这就意味着林草科技培训对生态护林员生计脆弱性的影响存在教育异质性。

表9 林草科技培训生计脆弱性降低效应的劳动力义务教育完成情况异质性群组比较Table 9 Heterogeneous group comparison of the effect of forest and grass technology training on livelihood vulnerability reduction effect of labor forces with different completion of compulsory education

3 结论与讨论

林草科技培训对生态护林员的生计脆弱性有显著负向影响。同时，家庭生产资料价值、劳动力健康状况、自然资本、在城镇长期居住的亲友数、最大借贷能力以及年教育投资也对生态护林员生计脆弱性产生显著影响。劳动力是否均完成义务教育对林草科技培训的处理效应具有显著差异。研究结果显示：

第一，在全面脱贫攻坚战取得伟大胜利之后，依然有部分生态护林员面临着生计风险，自身较高的生计脆弱性可能导致返贫。

第二，参与林草科技培训能够有效降低生态护林员的生计脆弱性，这与他人研究一致[41]。同时，各项生计资本的积累能够帮助生态护林员家庭摆脱返贫陷阱，增强其面临生计脆弱状况时的应对能力，以实现自身生计的可持续发展，这与他人的研究相似[42]，尽管采用的是“暴露-敏感-适应性”的框架，但也得出了生计资本对生计稳定具有重要促进作用的结论。在此基础上综合考虑了样本特征及数据获取可行性，更准确地把握林草科技培训解决生态护林员生计脆弱问题的目的，在VEL的框架下估计生态护林员各项生计资本对生计脆弱性的影响。

第三，参与林草科技培训能够发挥生态护林员生计脆弱性的降低效应，同时，林草科技培训的效果在生计稳定上表现出直观效果。

第四，林草科技培训的生计福利效应存在教育异质性，劳动力均完成义务教育组参与培训后所降低的生计脆弱性比未完成组要多。可能的原因是林草科技培训是一个新兴的培训机制，与传统培训中常见的实地指导不同，林草科技培训更偏重理论知识层面的讲述。因此，自身具备较好教育素养的生态护林员往往具有更高的知识敏锐性，更能够凭借自身前期积累的义务教育优势，从培训中汲取更多的经验并转化，从而在更大程度上降低家庭的生计风险。

基于此，提出以下政策建议：

第一，精准识别返贫风险，促进培训体系全面化。在力图实现共同富裕的今天，生态护林员政策的优化调整方向应侧重于识别生态护林员的返贫风险、指导其把握生计发展机会以及帮扶其克服生计脆弱，这就需要完善林草科技培训机制，建设既能巩固生态护林员的生计稳定性、又能促使其实现生计多样化转型的培训体系。

第二，重视积累生计资本，带动培训体系配套化。重视生计资本在实现生态护林员可持续生计目标过程中发挥的作用，配套政策的落实应切实到位，包括物质补偿和农业、林业相关补贴，相应的社会保障和基本福利也应予以确保。

第三，调查评估教育特征，致力培训体系多元化。生态护林员政策难以满足未完成义务教育生态护林员群体的实际需求，应在培训前进行相应的调查，对缺乏基本认知的生态护林员进行系统的前期教育以弥补义务教育缺失所带来的负面影响，并根据其教育水平的差异进行区分，依据多维目标针对性地制定林草科技培训的课程和内容。另外，生态护林员自身除了积极参与林草科技培训之外，还应该通过参与其他非学历教育提升自己的文化水平，促使自身完成生计转型，以增强抵御生计脆弱的能力。