土地征收对农户收入的影响效应分析——基于倾向得分匹配模型的实证

曾庆敏，陈利根，龙开胜

（南京农业大学公共管理学院，江苏 南京 210095）

我国工业化和城市化的发展需要大量土地作为基础支撑，而我国实施了最严格的耕地管制制度，农村集体土地要转为城市国有土地只能通过政府征收这一途径。随着城市的不断扩张大量的农村集体土地被征收，产生了游离于市民和农民之间的失地农民群体，《中国城市发展报告》相关数据显示[1]，截止到2011年中国有失地农民约5 000万人，刘彦随和周扬[2]预测，按照目前中国经济的发展速度今后还会有更多的失地农民。由于失地农民问题关系到社会的稳定与经济的健康发展，因此也引起了广大学者对于其生计状况的关注。

目前的征地制度主要采用一次性货币补偿的方式，欧胜彬和陈利根[3]认为现行的征地补偿制度最大弊端在于仅考虑了土地的生产功能，而忽视了土地的财产和社会保障功能的补偿，这就造成补偿费用偏低等问题。Li等[4]认为被征地农民在失去赖以生存的土地后，生产和生活方式也随之发生变化，消费结构的变化造成日常生活消费成本的增加。与此同时，Huang等[5]认为失去土地的农民无法享有与城市居民同等的教育、医疗和他公共服务资源，也变相增加了其生活负担。刘魏[6]研究发现，被征地后农民不得不面临生计行为重新配置的问题，从事非农就业会受到区位条件、教育水平、社会关系和专业技能等因素的限制，这就会造成征地以后农户收入变化呈现出较大差异性。总体而言，被征地前农户的收入来源从事农业生产，而征地后的收入主要来源于非农收入。非农收入是否能弥补失去耕地的损失？这一问题关系到广大被征地农民的福祉。

土地征收会对被征地农户的收入产生何种影响？国内学界并没有达成共识性的观点，目前主要有两种观点。第一种是认为征地并不能提高农户收入状况。譬如，高进云等[7]通过对湖北省土地征收对农户福利的变化进行实证分析，认为由于货币补偿可以使被征地农户总收入在短时间内得到较大程度提高，但失地的农民并不能在短期内获得非农收入渠道，因此从长期来看农户经济状况仍然呈现变差的趋势。汤夺先和高朋[8]认为失地农民丧失了土地这一赖以生存的生产和生活资料，而文化水平、专业技能等人力资本方面的劣势以及城市中社会资本的不足，造成了失地农民在就业市场中竞争力不足和就业难等问题，可能造成部分农户的经济贫困。丁琳琳等[9]认为由于征地补偿标准偏低，难以弥补生活成本的增加，农户经济状况可能呈现下降趋势。丁士军等[10]研究表明征地对于农户收入的影响主要体现在非农收入水平和结构的变动，然而征地后农户总收入的增长幅度并不明显。

然而，另一种观点则认为土地征收能显著提高农户收入水平。史清华等[11]认为在沿海经济发达的地区，由于就业渠道多元化、财产性收入占比大和相对完善的社会保障体系等原因，可以在一定程度上抵消了土地征收对农业收入的负向影响，因此并不会造成收入水平的下降。而经济欠发达地区，土地是农民生活的主要经济来源，由于征地补偿标准低、征地后缺少更多的收入来源，造成农户收入的降低。镇玲和孙丽丽[12]认为在城市近郊地区的土地征收会造成农户收入来源、结构、生活开支等方面的变化，随着农业收入和非农收入的此消彼长，总收入水平并不一定降低。崔宝玉等[13]采用计量方法对成都市土地征收调研数据进行分析，认为从长期来看土地征收对农户的总收入和非农收入均具有正向的影响，征地面积比例和教育程度并不会产生明显的收入分化效应。汪险生和郭忠兴[14]的研究也认为征地可以明显提高被征地农户收入水平，但是征地收入效应具有区域异质性，经济欠发达地区的征地对于农户经济福利改善效果最为显著，而经济发达地区对农户经济福利的改善并不明显。

可见已有的研究主要考虑的是征地与否所带来的农户收入效应，而较少考虑征地的时间周期与地域差异造成被征地农户长期收入变动的影响，难以客观揭示土地征收对于农户收入的影响机理。为了解决上述问题，本文基于北京师范大学中国收入分配研究院、国家统计局及国内外相关高校和研究机构共同完成的2013年中国家庭收入调查数据（CHIP），采用Rosenbaum和Rubin[15]提出的倾向得分匹配模型（PSM）反事实估计不同时期被征地农户的收入效应，一方面可以有效克服内生的样本选择性偏差，从而得到土地征收对被征地农户收入的净效应。另一方面，可以通过检验征地对于农户长期的收入效应，进一步丰富相关的研究，揭示被征地农户收入在时间和空间上的变化机理，对于完善当前的征地补偿制度具有重要的启示作用。

1 理论基础

1.1 生计资本与被征地农户收入

根据英国国际发展机构（DFID）提出的可持续性生计框架，可以将生计资本细分为自然资本、金融资金、人力资本、社会资本和物质资本5种，反映了人类为了维持生计所需的能力、资产（包括物质和社会的资源）和所从事的相关活动[16]。一般而言，土地征收会对农户的生计资本水平和结构造成不同程度的冲击，被征地农户则会通过生计策略的改变调整原来赖以生存的生产经营方式，从而达到预期的生活目标（图1）。

征地会直接造成农户的耕地这种自然资本的减少以及农业生产资料和相关农业配套基础设施等物质资本的闲置，被征地农户由于无法继续耕种土地作为主要生活来源，相应的农业收入大幅降低。为了保障被征地农户的长远生计，政府通过采取货币补偿、实物补偿、社保安置、就业培训等安置补偿方式补偿被征地农户，直接或者间接增加农户的金融资本和人力资本来弥补自然资本和物质资本的损失，以最大程度降低自然资本丧失对农户生计可持续性带来的影响[17]。采取货币补偿安置方式可能会在短期内增加农户购买消费品和生产资料的金融资本，直接增加了被征地农户的财产性收入。而采取安置补偿、社保安置、就业培训等非货币补偿方式则在长期内会逐渐增加被征地农户的居住环境、风险应对、就业技能等方面的物质资本和人力资本[18-19]。换言之，随着被征地农户非农就业技能的提高和生产生活方式的转变，逐渐完成家庭剩余劳动力从农业向非农产业的转移，工资性收入和经营性收入也会相应的增加。

此外，劳动力转移后会造成部分住房闲置，作为物质资本的房屋则可以为被征地农户带来相应的财产性收入。苏芳等[20]认为社会资本越多的农户越容易从社会网络中获得更多的就业机会。征地农户原有封闭的熟人社会关系网络被打破，在非农化过程中拥有越多的社会关系网络，则越可能获取更多的信息增加就业机会和晋升的可能，间接增加经营性收入与工资性收入[21]。综上，征地对被征地农户收入的影响效应可以反映在短期和长期两个方面，尤其是长期效应具有一定的时间滞后性。

1.2 地区差异与被征地农户收入

在不同经济发展水平的地区，土地征收对于农户收入的影响大致可以分为三条路径。

首先，经济发达地区具有明显的地理位置优势和便捷的交通条件，该地区被征地农户拥有比经济欠发达地区更多的就业机会，该地区的租赁房市场的需求量旺盛，因此被征地农户可以通过自身的区位优势获得多余的安置住房或者闲置的住宅用以发展租赁经济，获得较多的财产性收入。而经济欠发达地区受地域限制，被征地农户难以将这部分物质资本转化为财产性收入。

其次，在土地征收过程中政府通过土地补偿费、安置补助费、地上附着物补偿费及青苗费等形式的货币补偿对被征地农户予以补偿。在经济发达地区由于所处的区位条件较好、土地价值较高和经济水平较高等原因，被征地农户可以从政府获得较高的征地补偿款，在短期内提高农户家庭的财产性收入。反之，在欠发达地区，农村集体土地变成国有建设用地所形成土地增值收益较低，被征地农户往往难以获得较高的经济补偿。丁士军等[22]认为其他实物补偿、社保补偿、就业培训等非货币补偿方式在短期内对农户收入增加并不明显，但通过增强农户社会保障能力、改善人力资本状况等可以在远期影响农户的收入状况。

最后，征地后少地或者无地的农户难以再依靠土地进行农业生产维持生计，不得不从纯农户变成兼业农户或者非农户，从事二三产业获得一定的工资性收入。在经济发达地区的农户兼业化程度较高，农业收入在其家庭总收入中所占比重较小，所以征地对农户家庭收入所带来的冲击相对较弱。而经济欠发达地区的大多数农户主要以农业为主要生活来源，受到年纪、文化程度和专业技能等个体特征的影响，部分农户一旦失去土地可能会面临失地失业的风险，对家庭收入的冲击较为明显[23]。

2 研究方法

2.1 数据来源

本文所采用的中国家庭收入调查数据（CHIP）是由北京师范大学中国收入分配研究院、国家统计局联合国内外相关高校和研究机构于2014年7—8月份在全国范围内开展的实地调研，调研采取分层抽样方法选取样本点，其农村部分数据范围覆盖了全国东部、中部和西部15个省市的234个县（区），共有11 013个农村住户样本，在全国范围内具有较好的代表性。该数据内容主要包括住户成员的基本信息、教育程度、健康状况、社会保障、收入与支出、债务、经营性资产、区域位置和土地征收情况等指标变量，完全可以满足本研究的数据需求。

本研究中的土地征收仅指农户耕地被征收，因此需要剔除宅基地和耕地都被征收、宅基地征收和其他用地被征收等不符合条件的样本，并对样本中的缺漏值、重复值和离群值进行处理，对存在离群值的变量进行1%分位和99%分位的缩尾处理，最后保留14个省市的9 740份样本数据，被征地农户1 022份，未被征地农户8 718份（表1）。

在全国样本中被征地农户的家庭总收入水平均明显高于未被征地农户，被征地农户家庭总收入均值比未被征地农户高出8 314.73元（表1）。从征地的时序来看，完成征地的时间周期越长农户的收入效应更加明显，尤其在非农收入体现更为明显。从数据特征可以初步反映出被征地农户的家庭资源禀赋变化或者社会身份的转变，从而迫使其选择多元化的生计策略，通过兼业从事非农产业可以获得比单纯从事农业生产更高的收入。从征地区域来看，东部地区被征地农户的家庭总收入的增收效应远远高于中西部地区。这初步反映出地区之间经济发展程度、区位优势会对农户的收入产生较大的影响。由于农户收入水平可能受到农户个体特征、家庭结构和地区特征等混淆变量的影响[24]。若直接将被征地农户与未被征地的农户的平均收入进行比较，可能会产生过高或者过低估计征地收入效应的偏差，为了客观真实反映被征地农户收入的实际净效应，选择反事实估计的PSM模型近一步检验。

2.2 匹配变量的选取

根据前文文献梳理可知，国内学者对于征地会造成农户农业收入下降的观点基本一致，而对总收入效应变动方向存在一定的分歧。因此本研究主要选择农户家庭总收入作为被解释变量，来表征农户家庭的收入水平。核心解释变量为是否土地被征收，为了讨论农户被征地时间与收入水平的之间的关系，按征地时间可以将被征地农户分为7个样本组。依次分别为全部征地农户、征地时间在1年以上的农户、征地时间在2年以上的农户、征地时间在3年以上的农户、征地时间在4年以上的农户、征地时间在5年以上的农户、征地时间在6年以上的农户。匹配变量主要目的在于找到处理组和对照组之间具有相似特征的变量进行匹配，进而筛选对照组样本。由于征地是政府决策行为而非农户个体行为，因此在模型中变量的显著性仅仅作为反映该解释变量的特征与是否征地之间存在某种可能发生的概率，对于匹配变量系数在此不作经济学上的解释。因此，该模型的核心变量为是否征地，基于生计资本理论从人力资本、社会资本、物质资本、金融资本和自然资本5个方面筛选能区分识别征地与非征地农户的匹配变量。采用逐步回归法将其与核心解释变量之间建立二元Logit模型，剔除在10%水平上不显著的变量，最后保留户主户口类型、是否农转非、户主文化程度、从事农业生产时间、工作地点、家庭非农人口占比、是否购买农村医疗保险、是否购买城镇养老保险、是否从事农业生产、金融资产余额（对数）10个显著相关的指标作为匹配变量（表2）。

表2 匹配变量描述性分析Table 2 Statistical analysis of matching variables

2.3 模型设定

倾向得分匹配模型（Propensity Score Matching，PSM）是由Rosenbaum和Rubin在1983 年提出的统计分析方法，主要通过构建反事实框架解决非随机样本数据的选择性偏差问题，目前已被广泛运用于如经济学、人口学、社会学等社会科学领域。该模型的基本思路是先以是否征地作为因变量，利用二值选择模型筛选匹配变量，计算倾向得分值。其次，根据倾向得分值从对照组中筛选特征条件相同或者相似的样本与处理组进行匹配，以获得两组协变量趋于均衡可比的假设实验对照组，再将假设实验对照组与处理组进行对比得到样本平均处理效应（average treatment effect on the treated，简称ATT）。常用的匹配方法包括最近邻匹配、半径匹配、核匹配法等[25]。最近邻匹配是根据设定的1∶N（N＞0）配对原则，在对照组中选择倾向得分值最为接近的N个样本农户进行匹配。半径匹配是通过设定半径参数，将所有满足对照组与处理组之间倾向得分值的差值小于半径范围的样本作为匹配对象[26]。核匹配是以对照组与处理组倾向得分值之间的差距为权重，对对照组的样本进行加权平均组合成反事实的结果作为匹配对象。相比而言，最近邻匹配和半径匹配未充分利用所有样本信息类型，而温兴祥等[27]认为核匹配则可以更加全面利用所有样本信息。因此，在本研究中采用核匹配的方法。此外，衡量模型匹配质量的好坏需要检验对照组和处理组的倾向得分是否有较大的重叠区间，以及匹配后处理组和对照组在各个维度上是否无明显差别，即是否满足共同支撑假设（Common Support Assumption）和平衡性假设（Balancing Assumption）。本文构建倾向得分匹配模型模型，实施征地对于农户收入的影响效应可表示为：

其中，是否有土地被征收用虚拟变量D来定义：D=1为处理组，被征地农户的收入水平表示为Y1；D=0为对照组，未被征地农户的收入水平表示为Y0。在处理组中E[Y0|D=1]表示现在被征地农户假设未被征地情况下的收入状况，但这一组数据在现实中无法观测，这就需要从对照组选择相似样本进行匹配。为了达到多个匹配变量降低维度的目的，可以利用Logit模型估计在既定的特征条件下农户被征地的条件概率（即倾向得分值）记为P(X)，并据此作为匹配的依据。

在倾向得分值估计的基础上，样本平均处理效应的计算公式可以进一步改进为：

式中：ATT为处理组在征地前后的净效应；P(X)为倾向得分值。

3 结果与分析

3.1 生计资本结构变化分析

为了考察征地对于生计资本结构的冲击，本研究主要从生计资本的5个方面选择指标。鉴于中国家庭收入数据问卷设计并不能完全反映出生计资本的各个方面，故仅选择非农劳动力占比、土地面积、金融资产余额、非农业固定资产和亲戚间帮工时间依次反映人力资本、自然资本、金融资本、物质资本和社会资本状况。

由表3可知，被征地后农户的人力资本显著高于未被征地的农户，在中部和西部人力资本提升较为明显，征地以后越来越多的农户不再依靠耕种土地，而是更多外出从事第二三产业，而东部地区的农户非农化水平高，因此征地对其人力资本影响较小。在自然资本方面，征地显著降低了农户的自然资本，农户的耕地被全部或者部分征收，因此耕地面积均值明显小于未被征地的农户，此项在东西部之间并无太大差异。同样，在金融资本方面，被征地农户的金融资产余额均值明显大于未被征地农户，在东部地区农户拥有更多的非农就业机会，并且可以获得比中西部地区更高的征地补偿款，因此金融资本状况也明显优于中西部地区。在物质资本，被征地农户和未被征地的农户差异并不明显，但被征地农户的物质资本状况呈现随时间增长而越来越好的趋势。此外，社会资本的变化状况主要通过亲戚间帮工天数来反映，但其主要反映的是农户在农村熟人社会关系的变化，随着征地时间周期变长，亲戚间帮工的天数越来越少，农村亲戚之间原有的熟人社会关系被打破，农户在从事非农产业的过程中逐渐形成新的社会关系网络。

3.2 共同支撑与平衡性假设检验

为了检验匹配效果，首先需要讨论模型是否满足共同支撑假设。如果对照组和处理组的匹配变量的重叠区间太窄，处于重叠区域外的农户样本无法实现有效匹配，从而导致过多的农户样本损失，会影响处理效应的可靠性[28]。根据图2可知，匹配后对照组的倾向得分值区间为[0.005，0.521]，处理组对照组的倾向得分值区间为[0.021，0.582]，两者之间的倾向得分值重叠区间为[0.021，0.521]，具有较大范围重叠，因此满足模型的共同支撑假设。

表3 农户生计资本结构的变化Table 3 Changes in the livelihood capital structure of farmers

图2 处理组和对照组倾向得分密度函数分布图Fig. 2 Density function of propensity scores in treatment and control groups

此外，倾向得分匹配模型还需要满足平衡性假设。换言之，通过匹配需要使得处理组和对照组在各个维度上的变量特征上没有显著的差异。若完成匹配后的变量之间还存在显著差异，则难以减小因为农户个体异质性产生的偏差而得到净效应。因此，需要通过检验模型是否满足平衡性假设而判断匹配的效果。从匹配前后的pseudo-R2来看，Sianesi[29]认为满足平衡假设的匹配的pseudo-R2值应该比较小。通过模型计算可知全部被征地农户和未被征地农户在匹配后的pseudo-R2从0.049下降到0.002，扣除部分征地样本的被征地农户在匹配完成后pseudo-R2同样有较大幅度下降，且均小于0.01（表4）。此外，均值偏差和中位数偏差均有大幅度降低。匹配后模型的标准化均值差异B值均降至25%以下，而Rubin[30]认为B值小于25%的样本匹配是满足平衡假设的。而按照区域划分的样本经过匹配处理组和对照组之间差异也足够小，各项参数均符合平衡性假设检验。综上所述，该模型完全满足平衡性假设检验。

3.3 征地时间与农户收入

全部样本中被征地农户的家庭总收入均大于未被征地农户，ATT估计值为3 151，对应的T检验值为2.04，大于1.96的临界值（表5），故在5%的水平下显著，进而验证了征地对农户收入确实存在正向影响效应。在未控制混淆变量的情形下，所有被征地农户比未征地的家庭总收入均值高出8 312元，而通过PSM模型处理得到被征地农户与其他农户家庭总收入的差值明显降低，均值仅仅比其他农户高出3 151元，可见简单统计对比会过高估计征地对收入的影响效应。此外，通过对征地时间考察可知，征地时间1年和2年以上的样本，ATT估计值对应的T检验值大于1.65的临界值，故在10%的水平下显著。同理，征地时间在3年、4年、6年以上的样本，ATT估计值对应的T检验值大于1.96的临界值，在5%的水平下显著；而征地时间在5年以上的样本，ATT估计值对应的T检验值大于2.58的临界值，在1%的水平下显著。可见在不同征地时间的样本组中，通过控制混淆变量征地对农户收入依然有显著的正向影响。

表4 模型的平衡性检验Table 4 Balance test of the PSM model

表5 征地时间差异下被征地农户收入变化Table 5 Changes in income of land-lost farmers under different land acquisition time

随着征地时间跨度的增加，征地农户的家庭总收入均值净效应先从3 151元降低到2 632元，又从2 632元逐渐提高到5 257元。可见，扣除征地时间在一年内被征地农户的家庭总收入均值净效应最低，但随着征地时间越长农户家庭总收入的增长效应越明显。这可能是由于当年的征地补偿款不仅抵消了同期农业收入降低的影响，还为农户带来一笔额外的财产性收入。土地征收加速了农户分化，失去土地的农户可以释放部分剩余劳动力向非农产业转移，而在征地后第一年农户缺乏必要自然资本，而由于在人力、物质和社会资本方面存在差异，部分被征地农户尚未在短期内完成身份转变、获取新的谋生技能和融入新的环境均需要一定的时间周期，这就造成了农户家庭总收入的增长出现了下降。随着时间的推移，被征地农户家庭会逐渐完成剩余劳动力从农业向非农产业的转移，在人力、物质和社会资本方面显著增加，具体体现在非农就业技能的提高、生产生活资料的增加和社会关系网络的重构。被征地农户根据自身生计资本结构的变化，选择相应的生计策略形成稳定的非农收入渠道，从而获得比单纯从事农业生产更多的收入。这就造成了征地对农户家庭总收入影响效应呈现“先降后升”的趋势。

3.4 征地区域位置与农户收入

为了验证在不同经济发展水平区域下土地征收对与农户的收入的影响是否存在明显差异，本研究将9 740份样本数据按照东部、中部和西部地区进行划分，为了控制征地时间对农户长期收入影响效应造成的偏差，因此剔除当年征地的31份样本数据，进一步考察地区差异下征地对于农户收入的影响。

根据模型估计结果，东部地区被征地农户的增收效应最为明显，ATT估计值为6 368，对应的T检验值为2.23，大于1.96的临界值，故在5%的水平下显著，中西部地区的被征地农户收入均值虽然数值上有所增加，但是ATT估计值所对应的T检验值均小于1.65的临界值，在10%的水平上也并不显著（表6）。由于东部地区具有经济发展快、区位条件好、交通条件便利等众多优势条件，具有更多非农就业机会，农业收入在被征地农户家庭总收入中的比重较低，土地征收可以使农户摆脱土地和其他农业生产资料的束缚，通过发展租赁经济和就地从事二三产业获取更多的财产性收入和工资性收入[31]。而中西部地区由于地理区位的限制，被征地农户获得的非农就业机会相对较少。因此，被征地农户在职业选择过程中形成分化，拥有良好人力资本、社会资本和物质资本的农户可以更好融入城市从事非农就业，而部分年纪偏大、文化程度较低、专业技能不足和有务农偏好的农户，则只能选择留守农村从事与农业相关的生产活动，难以和东部地区农户一样就地获得更多非农收入。此外，东部地区的集体土地在转为国有土地的过程中会产生较大的土地增值收益，该地区的被征地农户可以享受更多土地价格上涨所带来的收益，从而获得比中西部地区更高的征地补偿费[32]。通过对比全国和分地区被征地农户收入影响效应不难发现，虽然征地从总体上对于被征地农户具有一定的增收效应，但是区域分异比较明显。东部地区的征地在很大程度上影响了人们对于征地是否能增加农户收入的认知，而容易忽视中西部地区被征地农户收入并未显著增加的现象。

表6 地区差异下被征地农户的收入变化Table 6 Changes in income of land-lost farmers under regional differences

4 结论与启示

4.1 结论

研究表明，从征地时间上看，就全国而言，土地征收对农户收入增加存在正向影响效应，但被征地农户增收效应随时间推移呈现“先降后升”的趋势，征地时间周期越长农户增收效应越明显。被征地农户在从事非农就业以后会获得相比从事务农更多的收入，但是这种增收效应具有一定的时间滞后性。因此，征地补偿制度的改革需要在征地初期给予被征地农户更多关注，尤其在征地补偿标准和补偿方式等方面。

在地域上，通过控制样本的地区差异发现，东部地区被征地农户收入明显有大幅提升，而值得关注的是中西部地区被征地农户收入的提高幅度并不显著。中西部地区被征地农户之间在生计资本结构和个人生产偏好方面存在差异，导致了这部分群体在职业选择过程中形成分化，留守的被征地农户并不能获得比外出就业农户更多的收入。

4.2 启示

首先，由于中西部地区地理区位的限制、经济发展相对滞后、专业技能欠缺等原因造成部分被征地农户就业难的现象，对这部分“失地失业”的群体切实推动精准帮扶工作，针对具有较高农业生产技能且不愿进城务工的被征地农民，地方政府应进一步完善农地的“三权分置”制度，出台相关政策支持与鼓励闲置、撂荒的土地向这部分种地能手集中，促进农业规模化经营，缩小农业生产经营与从事非农产业之间的收入差距。与此同时，还需要加强被征地农户就业培训、职业教育，鼓励有能力的农户自主创业，进一步提高其就业竞争力。

其次，着力创新和完善地方征地补偿制度，结合地区经济发展水平适当提高征地的补偿标准，完善征地农户的医疗、养老、低保等社会保障体系，实施货币补偿与非货币补偿组合的多元化补偿安置方式，切实保障被征地农户长期收入水平不下降。

致谢：感谢北京师范大学中国收入分配研究院、国家统计局等单位在数据方面的支持，感谢匿名评审对本文提出的宝贵意见与建议，当然，文责自负。