基于反事实场景技术的农村公路项目影响评价

陈岳峰，田 园，李 晔，陈小鸿

（同济大学 交通运输工程学院，上海 201804）

近年来，“要想富，先修路.大路大富，小路小富，无路不富”已成为我国农村地区居民中广为流传的致富宝典.世界银行对农村公路的定义为“农村公路是直接面向农村公益的基础设施类公共产品，其主要功能是为农民生产生活提供基本可达性出行，保障人类‘行’的基本权利”；同时农村公路也是农村地区经济发展的先导性要素［1］.Bryceson和 Howe［2］在研究中最先对影响农村基础设施效益评估的相关变量进行系统地控制.他们以孟加拉国的129个村庄为例，研究发现道路可达性较好的村庄，农业产出、农民收入以及接受医疗服务的指标均好于道路可达性较差的村庄，特别对于女性而言，农村公路的效益更为显著.Lokshin和Yemtsov［3］以格鲁吉亚为例，对全国农村公路改建与养护项目（1996—1999）在完成三年后产生的一系列效益进行了分析评估.比较了项目影响区农户及村镇与非项目区农户及村镇之间的差异，认为影响区农户和村镇的客货运输成本明显下降、社会服务的可获性显著提高.然而，由于没有充分地控制外界其他影响因素对数据和结果可能造成的影响，其结论并非关于农户福利的准确评估，他们也表示农户所获福利的准确分析还有待进一步的研究.

由于农村公路项目的影响评估会受到资源禀赋、地理条件、自然气候和其他农村政策等因素的干扰，加之方法论的限制以及数据的约束（农户层次的数据），因此精确量化农村公路改善项目的效益很难，特别是评估目标群体获得的效益.农村公路的产生作用效果是长期的，所以使得上述问题愈发变得复杂，并造成了数据难以获取［4］.Khandker等［5］通过构建反事实场景的方法论研究农村公路基础设施对福利的影响，采用来自印度13个州85个地区的随机样本中的时间序列数据，对农村道路基础设施建设成效进行了分析.该文献提出了一个概念性框架，此框架有助于克服基础设施效益评估时效益相关因素对评估结果所产生的偏误，从而使得基础设施项目效益可以得到准确的分析与估计.本文基于Khandker等的研究思路，通过一种非实验技术，利用两层面板数据构建反事实场景，以控制不同地区不同资源禀赋所对应的农户层与农村层异质性变量对评价结果准确性产生的影响.

1 基本分析框架

1.1 构建反事实场景

若想正确计算出农村公路项目的影响，评估时无法回避的一个问题是：对于已经开展了农村公路建设的地区而言，如果没有建设农村公路，当地情况如何.为了评价农村公路项目的影响，需要了解没有项目时将会发生什么.令Pi表示第i个对象的农村公路项目获取情况，它存在两种可能的取值，Pi＝1代表第i个对象获得了项目，为受益对象；Pi＝0代表第i个对象没有获得项目，为非受益对象.因此，可用Oi0表示第i个对象没有获得项目后的收益，Oi1表示第i个对象获得项目后的收益，则由于项目建设而产生的收益为Oi1－Oi0.第i个对象由于获得项目（Pi＝1）而产生的净收益为

式中：“｜”表示在某种条件下.

上式计算的是一（每）个农民的收益指标变化，全部农民的收益指标变化情况可通过计算样本均值的方法得到.只要这个样本均值被正确计算，那么它将是总体均值的一个无偏估计，从而可以用来描述农村公路项目对农民收益的影响，记为

式中：“E（·）”表示农民收益指标的均值.

可以看出，若想正确计算农民收益值G，需要计算E （Oi1｜Pi＝1）与E （Oi0｜Pi＝1）的值.其中，E（Oi1｜Pi＝1）计算第i个农民在获取项目的前提下的收益值；而E（Oi0｜Pi＝1）表示第i个对象在获取项目的前提下，没有项目影响的收益值.显然，这在逻辑上显然是不可能发生的事情（在获取项目后，考察若干时间后没有项目发生的结果），也就是所谓的反事实.因此，需要构建能刻画该情况的反事实场景代替E（Oi0｜Pi＝1），从而弥补上述逻辑问题.

1.2 构建处理组与对照组

构建反事实场景的核心技术是设置处理组与对照组，并通过多层回归模型消除干扰因素所产生的影响而导致的评估误差（或评估结果的不准确性）.倍差法是利用一个外生事件所带来的单位或个体（横向）和时间序列（纵向）的双重差异效果，来比较有事件发生的对象（处理组）与无事件发生的对象（对照组）的变化，从而判断该事件的影响程度，被广泛用于政策或项目效果评估中.具体操作方法是首先在处理组与对照组的农民收益指标均值之间作出比较（第一次做差），然后对项目开展前与开展后的均值之间再做比较（第二次做差）.该方法需要来自同一处理组与对照组的基准数据与跟踪数据，从而构成两时期面板数据.于是，按照样本数据的使用目的可将其划分为四个组：项目前的对照组、项目后的对照组、项目前的处理组以及项目后的处理组，并可形象地表示为图1所示的形式.

图1 反事实场景原理的形象表示Fig.1 A graphic demonstration for rationale of counterfactual scene

令可观测变量S在处理组中时等于1，在对照组中时等于0；再令L为表征农村公路项目的虚拟变量，则农村公路对农民收益指标影响的评价算式一般可表示为

式中：y为农村公路对农民收益指标的影响评价结果；σ表示其他因素；β0和β1为表征处理组与对照组之间系统差异的参数；δ0表示项目前后对照组农民收益指标的变化参数；δ1表示处理组仅由农村公路建设造成的农民收益指标的变化参数.农村公路项目收益估计量的计算方法如表1所示.

1.3 控制外部影响因素

前文述及，农村公路项目影响评价的关键是要消除其他外部干扰因素的影响，那么正确识别并控制外部影响因素就成为评估方法是否准确的一个重要问题.根据Binswanger等［6］的研究，影响农村公路项目效应的因素还包括国家政策（如取消农业税、扶贫基金）、村庄特征（如资源禀赋、地理空间特征等）、农户特征（智力、体力、家庭人口数等）、对外联系道路的等级与功能等.也就是说，除农村公路之外，还有很多因素会对农村公路项目的效果产生影响.因此，使用适当的方法对除农村公路项目外可能对农民收入提高产生影响的因素加以控制，是能否准确评估农村公路项目效果的关键.

表1 农村公路项目收益估计量的计算Tab.1 The calculation of outcome estimator for rural road projects

按照干扰因素是否可观测以及是否随时间变化，可将其分为四类：不随时间变化的可观测因素、不随时间变化的不可观测因素、随时间变化的可观测因素以及随时间变化的不可观测因素.对于不随时间变化的因素，无论是否可以被观测到，均可使用面板数据通过倍差法将其消除掉；对于随时间变化的可观测因素，可通过加入具体的控制变量将其影响程度判别出来进而消除，而需要控制的变量就是上述可能影响农村公路项目效果的因素.对于随时间变化且由于成本、时间等约束条件所导致的不可观测因素而言，通常将其作为模型中的随机干扰项.

2 数据与方法论

本文以世界银行在福建省的农村公路贷款项目为基础，以农村公路项目对农民收入影响这一评价指标为例，对农村公路项目影响评价方法进行具体模型的构建.

2.1 数据

本文所采用的数据来源于世界银行贷款项目《福建省农村公路建设成效资料收集与监测》对福建省福州、漳州、龙岩、三明、南平和宁德等六个地级市下辖的68个建制村以及其中816户村民的随机抽样调查.为了收集农村公路项目建设前后处理组与对照组的面板数据，数据的采集工作分为基准调查（对应项目前）与跟踪调查（对应项目后）两期完成.样本量及其分布如表2所示.配合分析方法及模型的需要，抽样调查的数据可分为解释变量、被解释变量及控制变量三类，如表3所示.其中，关于被解释变量的统计性描述详见表4.

表2 处理组与对照组的样本量及样本分配Tab.2 Sample sizes and distribution of the treatment group and the comparison group

2.2 方法论

本文采用的建模方法基于计量经济学框架，利用上述收集的面板数据，通过加入控制向量的倍差法，构建农村公路项目对农民纯收入影响的评价模型（半对数形式）如下：

式中：Yijt为处于第j个村庄、第i户的农民人均纯收入，t代表时期，t＝1表示项目开展前，t＝2表示项目开展后；Hijt为第j个村庄、第i户的可观测的农户层次特征（影响因素）；Vjt为第j个村庄可观测的村庄层次特征（农村公路项目除外）；Ljt为反映第j个村庄农村公路项目影响的变量（解释变量），它是一个虚拟变量，若样本数据来自处理组，则Ljt＝1，否则Ljt＝0；μj为第j个村庄农户层次的不可观测异质性变量，该变量中无时期t下标，表示其为不随时间变化的不可观测因素；ηj为第j个村庄的村庄层次不可观测异质性变量为特异误差或时变误差，表示因时变而影响着Yijt的无法观测的因素；Dt是一个在t＝1时取值0，t＝2时取值1的虚拟变量，它不随i或j而变，因此并无下标i与j；当t＝1时，模型的截距为λ，而t＝2时截距为λ＋δ，允许截距在不同时期有不同的值，是出于反映项目总体在不同时期可能出现不同分布的事实；λ，δ，α，β，γ均为模型参数，其中γ是本文所关心的农民人均纯收入边际估计量.

表3 抽样调查数据分类及描述Tab.3 The classification and description of sampling data

表4 被解释变量的描述性统计结果Tab.4 Summary statistics for explanatory variables 元

模型中，变量Yijt前的对数符号ln表示模型所求得的农民人均纯收入边际估计量为弹性系数，如“农村公路项目建设后，处理组的农民人均纯收入较对照组平均增加30%”；而不是“处理组农民人均纯收入较对照组平均增加2000元”这样的绝对值表达形式.

3 结果分析

模型结果的计算采用可处理面板数据的统计分析软件Stata10.0进行，得到的结果如表5～7所示.表格中的系数为式（3）中各模型参数的估计量，可以看出，对于实施农村公路项目的地区而言，其农民人均年纯收入比项目开展前增长了23.08%，其中农业年收入增加了14.82%，非农业收入增长了32.50%，这说明农村公路项目主要通过改变农民的非农业就业机会从而提高农民收入.同时还可以看到，各控制变量均对模型中的被解释变量估计量有着正向的影响，其中家庭劳动力数量与家庭人口的影响较为明显，这表明控制外部因素影响对准确估计农村公路项目的影响结果具有重要作用.

表5 农村公路项目对农民人均纯收入的影响结果Tab.5 Rural road projects impact estimation on rural household net income

表6 农村公路项目对农民农业人均纯收入的影响结果Tab.6 Rural road projects impact estimation on rural household agricultural income

表7 农村公路项目对农民非农业人均纯收入的影响结果Tab.7 Rural road projects impact estimation on rural household non－agricultural income

从统计显著性上来看（限于篇幅，统计显著性检验量并未列在表中），农民人均纯收入、农民农业人均纯收入和农民非农业人均纯收入三个参数估计量的t检验统计量分别是3.93，2.31，3.66，其所对应的p值分别为0.00，0.02和0.00.这说明参数γ的估计值的最小统计显著性水平分别是0%、2%和0%.也就是说，对于上述结果我们可以分别在最高为100%，98%，100%的置信水平上认为农村公路项目对农民人均纯收入、农民农业人均纯收入和农民非农业人均纯收入等观测变量具有影响，这一置信水平是令人满意的.因此，无论是从参数估计量的大小还是从参数统计显著性的角度来看，农村公路项目对于农民收入的增加具有显著影响.

表8中有两类估计方法的计算结果.左边是传统未消除外部影响方法的计算结果，可以看出，与传统的简单“前后对比”的农村公路项目评估方法相比，反事实场景技术大大消除了非项目因素的影响.如果仅采用来自处理组（项目实施区域）的项目建设前后数据，则农民人均纯收入增长率将达到81.41%（四年），而这一结果将严重高估农村公路项目的效果，从而影响对项目效应的分析结论.而加入反事实场景，扣除家庭劳动力及人口数量、村庄人口、至县城及乡镇的距离等因素带来的影响后，实际因为农村公路建设所带来的农民人均纯收入增长率为23.08%（四年）.

表8 基于反事实场景方法与传统“前后对比”方法计算结果比较Tab.8 Comparison of calculation results by the traditional“before and after”approach and the counterfactual scene－based approach

4 结论

本文利用反事实场景技术，通过设置农村公路项目的处理组与对照组，构建了农村公路项目影响评价的理论方法，并以农民收入这一指标为例，具体阐述了基于反事实场景技术农村公路项目影响评价方法的应用.本文的分析结果表明，传统的“前后比较”法会大大高估农村公路项目的增收效应，并不适用于农村公路项目的增收效应评估中；而基于反事实场景技术农村公路项目影响评价方法，通过控制家庭劳动力数量、村庄人口数量等时变的外部影响因素，可以更为客观准确地评价农村公路项目作用.同时，分析结果还表明，农村公路项目主要通过改善农村地区的非农业就业机会来提高农民的收入；在农村公路项目的作用下，靠传统农业的收入增长率要远低于非农业收入的增长率.

［1］Jacoby H.Access to markets and the benefits of rural roads［J］.The Economic Journal，2000，110（6）：713.

［2］Bryceson D F，Howe J.Rural household transport in Africa：reducing the burden on women［J］.World Development，1993，21（11）：1715.

［3］Lokshin M，Yemtsov R.Has rural infrastructure rehabilitation in Georgia helped the poor［J］.World Bank Economic Review，2005，19（2）：311.

［4］Bunchinsky M.Recent advances in quantile regression models：apractical guide for empirical research［J］.Journal of Human Resources，1998，33（1）：88.

［5］Khandker S R，Bakht Z，Koolwal G B.The poverty impact of rural roads：evidence from Bangladesh，World Bank Policy Research Working Paper 3875 WashingTon DC：World Bank，2006.

［6］Binswanger H P， Khandker S R， Rosenzwei M. How infrastructure and financial institutions affect agricultural output and investment in India ［J］.Journal of Development Economics，1993，41：337.