新农保政策的扶贫绩效研究——基于多维贫困测度
Poverty Alleviation Performance of the New Rural Insurance Policy—Based on the Multi-Dimensional Poverty Measurement
DOI: 10.12677/ASS.2021.104115, PDF, HTML, XML, 下载: 396  浏览: 5,906  科研立项经费支持
作者: 汪月俊, 黄 菊, 黎倩岚:安徽大学经济学院,安徽 合肥
关键词: 新农保政策相对贫困多维贫困测度精准扶贫New Rural Insurance Policy Relative Poverty Multi-Dimensional Poverty MeasureTargeted Poverty Alleviation
摘要: 新农保政策作为国家一项有效脱贫的长效机制,其政策的扶贫绩效对今后开展反贫困行动具有重要的现实意义和参考价值。本文基于CHARLS数据库2018年截面数据,主要选取了反映相对贫困的维度指标来构建多维贫困测度的指标体系,运用Alkire和Foster开发的多维贫困测度方法重点探讨了新型农村社会养老保险政策对农村绝对贫困群体的扶贫绩效。研究发现:1) 新农保政策并未对绝对贫困的农村群体产生显著的扶贫效用;2) 在各指标维度下,食品消费和卫生厕所贫困贡献率最大,健康患病状况和燃料次之,由此可知,提升新农保政策的扶贫绩效可从增加食品消费福利等方面进行逐步改善。本文在研究结论基础上,进一步提出具有针对性的新农保精准扶贫政策意见,帮助促进扶贫工作的进行和提升扶贫工作的效率,以构建更加公平科学的社会养老保障体系制度。
Abstract: As an effective long-term mechanism of national poverty alleviation, the performance of the new rural insurance policy is of great practical significance and reference value for future anti-poverty actions. Based on the cross-section data of CHARLS database in 2018, this paper constructs the indicator system of multi-dimension by mainly selecting the dimensional indicators which reflect relative poverty. Then by using multi-dimensional poverty measurements developed by Alkire and Foster, the paper focuses on the poverty alleviation achievements of the new social endowment insurance policy on the rural absolute poor groups. The discoveries reveal that: 1) the new rural insurance policy has no significant effect on the absolute poor rural groups; 2) among all indicators, food consumption and sanitary toilet contributed the most to poverty, followed by health status and fuel. It can be seen that increasing the welfare of food consumption and other related measures can gradually help to improve the poverty alleviation performance of the new rural insurance policy. On the basis of the research conclusion, this paper further puts forward targeted and precise political suggestions for the new rural insurance to alleviate poverty, helping improve the efficiency of poverty alleviation work and promote the work, to build a more fair and scientific social security system for the aged.
文章引用:汪月俊, 黄菊, 黎倩岚. 新农保政策的扶贫绩效研究——基于多维贫困测度[J]. 社会科学前沿, 2021, 10(4): 846-855. https://doi.org/10.12677/ASS.2021.104115

1. 引言

自国家印发《中国农村扶贫开发纲要(2011~2020年)》文件并开展新一轮扶贫攻坚战以来,习近平总书记在多次会议上屡屡强调精准扶贫脱贫的重要性,截至目前,我国脱贫攻坚战已经取得了全面胜利,并且获得了人类历史上绝无仅有的成果,为世界范围内的减贫事业做出了不可估量的贡献。

截至党的十八大以来,国家统计局数据显示国家累计减贫幅度达到了83.2%。早在2009年7月,我国为了进一步拓展扶贫工作的广度及深度,颁布政令在全国范围内启动了“新型农村社会养老保险”试点(以下简称新农保)。新农保政策作为我国新时期社会养老保障体系建设完善的重大举措之一,其制定与实行的目的之一在于减少贫困的发生与促进扶贫工作的开展,期望能够推动实现城乡贫富差距减小和公共服务均等化的美好愿景。在推行新农保政策的过程中,中央与各级政府给予了大力支持:2019年,相关部门再度扩大了新农保报销范围,镇卫生院报销比例高达60%;2020年伊始,新农保政策开始推行贷款养老的重大改革措施。这些建设性的措施,为长久以来新农保政策在全国范围内的大力推行做好了基础保障。

进入21世纪以后,我国城乡二元经济结构问题逐渐显现,乡镇作为精准扶贫工作落实的关键,农村养老问题日益严重,为了健全养老保险制度从而缩小城镇差异,国家将新农保政策的实施作为扶贫工作的一项长期有效机制。然而,学术界对新农保政策影响的研究却还十分有限,将其与精准扶贫工作的开展联系起来并研究其扶贫绩效的文献更是少之又少。

为了在研究新农保政策的扶贫绩效之前有效识别与帮扶贫困个体,本文拟采用A-F多维贫困测度方法,从少有的扶贫层面来测算个体贫困指数,以对人的可行能力剥夺为决定因素,分析比较以是否参与新农保为分组依据的两个组别各自的多维贫困指数差距,并据此推测新农保政策的扶贫绩效特征,从多维度识别和瞄准贫困,提出新农保政策制度在理论上允许优化改进的方面。

2. 文献综述

本文回顾总结了国内外新农保政策的积极效用及扶贫绩效等,从目前有的文献来看,国外关于养老保险和农村保险的研究更为全面深入,对我国保险制度具有一定程度的启发作用。熊军 [1] 认为国内的新农保政策需同丹麦、瑞典学习在加强养老保险自身建设的同时,大力发展第二、三支柱。而与新农保的制度设计更为相似的巴西、南非等发展中国家的社会养老保险及其有关研究显示,养老金收入能够有效减少老年人的劳动供给,影响农村工人的退休时间 [2],同时还使得持有养老金收入的家庭更愿意与人力资源水平较低的劳动者组建家庭,通过间接影响的方式提高了家庭整体教育水平(Hamoudi, Thomas, 2005),减少了社会贫困的发生,提升了整个家庭的主观幸福感 [3]。而Galiani等(2016)研究发现针对发展中国家贫困人群的养老保险制度不仅可以显著促进其消费水平,同时还可以有效提升贫困老年人的福利水平 [4]。

国内关于新农保政策的理论研究主要集中在对农村群体消费、储蓄(何晖、李小琴,2020;周广肃等,2020)的影响和对农村居民养老模式的改变(程令国、张晔,2013)等方面,抑或是探讨参与新农保政策的影响因素等(张若瑾、邓啓平等,2017)。然而,国内探讨关于新农保政策对依据多维度贫困的影响研究却比较少,且结论少有显著,解垩(2017)认为新农保和城居保对老年群体不论是多维贫困整体得分还是指标中的某一维度都没有明显影响。但也有研究显示,新农保政策通过影响收入和预期效应显著促进农村居民及其家庭的消费来进行扶贫 [5]。张跃华、王翌宵(2019)使用断点回归研究发现新农保养老金对贫困参保群体在食品消费方面产生更显著的效用,通常在养老金发放时开始显现 [6];朱诗娥、杨汝岱(2019)基于DID法和IV法认为新农保政策对家庭收入相对较低的家庭的消费促进作用更强 [7];张川川、John Giles等(2014)则运用断点回归和双重差分法(DID)发现新农保能明显提高农村老年人的收入和主观福利 [8];王小增(2020)考察发现新农保政策还能降低老年人劳动供给,孙泽人、赵秋成、肇颖(2020)运用Probit和Tobit模型证实了这一观点,但他们认为这一影响不具有长期持续性 [9]。此外,新农保政策在消费、健康、住房等多维贫困角度也可能存在不同程度上的扶贫效果。

伴随着扶贫工作新阶段过程中教育、社会保障等公共服务的差距明显高于收入差距,相对贫困和社会排斥取代绝对贫困逐渐成为了贫困的主要方面。阿玛蒂亚·森(1999)的可行能力贫困理论指出,造成贫困的最终根源是“个人能力的缺失,这种个人能力的不同造成各个地区之间、各个社会阶层之间、各阶层内部不同成员之间的收入差异”。贫困的概念已经不再限于人均收入等狭隘的单一经济层面范围,而是延展至社会、文化教育等多个领域的丰富的贫困发生内容,包括居住环境、自身健康等部分能力的缺失。

鉴于上述论证,国内外相关文献的研究为本文提供了重要参考,新农保政策自颁布以来得到了各级政府的大力支持,采用实证方法研究新农保政策的扶贫绩效,从多维度的角度有效识别这一政策制度精准扶贫的程度具有重要的借鉴意义和应用价值。

3. 研究方法

多维贫困测量方法需要在各个维度确定指标剥夺临界值标准的情况下评判每个个体在这一维度上是否贫困,并赋予0~1变量取值,从而衡量各个体的多维贫困指标,其测度方法和具体步骤如下 [10]。

3.1. 区分控制组与处理组

文章以是否参与新农保为分组依据,将参与新农保的绝对贫困农村群体设置为处理组X1,未参与新农保政策的绝对贫困农村群体为控制组X0

3.2. 选定贫困维度及确定指标

调用CHARLS数据库中2018年的n个样本,根据上述筛选方法最终选择4个维度9个指标(d = 9)作为多维贫困测度方法下个体贫困的相对贫困度量标准,并采用等权重法 [11] (王小林,Sabina Alkire,2009)。

Table 1. Multi-dimensional poverty index system

表1. 多维贫困指标体系表

3.3. 记录样本观测矩阵

经过数据搜集和处理,记两个组别 X 0 = [ x i j ] n 0 × d X 1 = [ x i j ] n 1 × d 为控制组 n 0 个样本和处理组 n 1 个样

本在d个不同维度上的取值所组成的两组样本观测矩阵,矩阵任一元素 x i j X 代表个体i在第j个指标上的取值,且控制组 i = 1 , 2 , , n 0 ; j = 1 , 2 , , d ,处理组 i = 1 , 2 , , n 1 ; j = 1 , 2 , , d

3.4. 多维贫困识别

3.4.1. 单一维度的识别

拟定第j个维度被剥夺的贫困临界值为 z j ,则对于控制组 X n , d 可以定义一个剥夺矩阵: M 0 = [ m i j 0 ] ,在正向指标情况下,其中元素 m i j 的取值定义为:

{ x i j < z j , m i j 0 = 1 x i j z j , m i j 0 = 0 (1)

例如,在耐用品这一维度指标下,拟定其贫困剥夺临界值 z j 为拥有冰箱、洗衣机、电脑、手机等耐用品件数2件。若 x i j z j = 2 ,个体i在第j个指标上是贫困的,其赋值为1,即 m i j 0 = 1 ;否则为赋值0,即 m i j 0 = 0

3.4.2. 多个维度的识别

在上述单一维度识别过程中,仅识别了每个个体在每个指标上是否被剥夺,为了判断每个个体总体的贫困状况,针对控制组X0,可以定义一个横向量 c i = [ m i 0 ] 来代表某个体i忍受的总体贫困维度数值,并据此考虑 k ( 1 k 9 ) 个指标下个体总体是否被剥夺。

在本文 d = 9 的情况下假设 k = 3 ,判定当个体i在总共9个指标中存在任何3个维度被剥夺时,该个体即为贫困个体。以 ρ k 为识别穷人的函数,识别过程用数学表达式表示为:

{ c i k , ρ k ( x i ; z ) = 1 c i < k , ρ k ( x i ; z ) = 0 (2)

ρ k = 1 时,说明个体在 k = 3 的贫困维度标准下,定义贫穷的维度大于等于3时为穷人;反之为非穷人。由此可得, ρ k 既受 z j 标准(维度内被剥夺情况)的影响,同时也与 c i 标准(多维度之间被剥夺情况)的影响,即所谓的双重临界值方法。注意,处理组与控制组的数据处理方法相同。

3.5. 贫困加总

在进行多维贫困识别之后,需要进行贫困加总得到多维综合指数,并据以剖析贫困的深度和影响分布。在Foster-Greer-Thorbecke (FGT)方法的基础上,Alkire和Foster (2007)加以修正提出了AF多维贫困测度分析方法,得到了调整后的多维贫困指数 T 0

T 0 = ψ ( m 0 ( k ) ) = H A (3)

其中,H为贫困发生率,定义为 H = H ( x , z ) = q k / n ( q k 为k维贫困的个体数量);A为平均剥夺份额,定义为 A = | c ( k ) | / ( q k d ) 。本文用这一方法同时对处理组和控制组进行多维贫困指数测算。

3.6. 测度维度j贫困指数的贡献率

由上述过程可得到在k的标准下,两个组别维度j的贡献率 D j 为:

D j = i = 1 n m i j / ( n × d ) i n j d m i j / ( n × d ) (4)

4. 数据来源与变量选取

4.1. 数据预处理

本文所采用的数据来自于CHARLS数据库的2018年截面数据,总体覆盖了包括分布在全国范围内的19767个样本数据。在正式进行多维贫困测量方法前,为了减小误差需要对CHARLS数据库数据进行以下预处理:

1) 筛选2018年国家贫困线以下的绝对贫困农村群体。以多维贫困测度方法来识别绝对贫困群体的相对贫困程度,比单一维度的绝对贫困能够更加精确的反映社会贫困程度。本文以2018年国家贫困线标准3535元为筛选依据,剔除了不具有农村户籍及收入在国家贫困线以上的样本。

2) 筛选出所有有资格参加新农保的贫困群体。这一举措是为了防止部分个体因为已经参加灵活就业或城镇职工养老保险等原因而没有资格参加新农保对数据结果造成误差,避免出现混入生活水平较高的而样本导致未参与新农保这一组别的多维贫困指数过低的现象。

3) 筛选所有指标数据完整的样本。去除部分维度指标数据遗漏缺失的样本,确保实验数据的完整性。通过上述数据处理,最终本文采纳其中符合上述条件的7324个样本数据进行多维贫困测度,其中,参加新农保的处理组样本数为6698人,未参与新农保的控制组样本数为626人。

4.2. 变量控制

根据绝对贫困、基本贫困和相对贫困的概念及联合国千年发展计划相关文件规定,本文选择健康状况(健康患病状况、医保参保情况)、生活水平(食品消费、耐用品、交通工具、劳动力)、教育水平(受教育程度)、住房水平(卫生厕所、燃料)4个维度9个指标作为评判多维贫困测度方法下个体贫困的贫困度量标准。

1) 卫生厕所设施、燃料、耐用品等维度指标是联合国千年发展计划中关注的48个指标之一,也是设计农村老年人居住环境和卫生健康状况的重要指标。毕洁颖、黄佳琦(2017)都曾使用这几个维度作为多维贫困测量的生活水平维度。

2) 健康、教育与食品消费等指标是目前国内多维贫困测度研究普遍采用的维度指标,在一定程度上反映了消费结构及社会整体劳动力的质量。

3) 劳动力状况同样是评判农村老年人的标志性指标 [12]。郭熙保、周强(2016)就关注了就业与劳动这一维度。

当前国内的饮水安全已经基本实现全覆盖。且由于本文采用的都是45岁以上年龄的农村老年人样本,因此大量样本的家庭教育支出为零,无法显著反映贫困状况,因此本文并未采取这两项指标。最终构建的多维贫困指标体系如表1所示。

5. 实证结果

5.1. 单维贫困估计结果

表2是根据以上9个维度指标所做的单一维度贫困发生率。表中数据表明,2018年度老年人在食品消费和卫生厕所的贫困较为显著:全国范围内大约63.32%的农村老年人在食品消费方面处于贫困水平,59.21%处于住房中没有抽水式卫生厕所的生活境况。此外,49.34%的贫困人群患有某类疾病,46.22%比例的老年人家中使用的并非清洁燃料。

Table 2. Single dimensional incidence of poverty in treatment group and control group (%)

表2. 处理组与控制组单维贫困发生率表(%)

从表中数据可以看到,除了食品消费和医保参保情况两个维度指标外,其他维度上参与新农保的处理组贫困发生率皆高于控制组。在食品消费维度上,可能有新农保政策通过减少农村群体对未来收入的不确定性而带来的微弱的扶贫效果,但结果并不显著。而医保参保情况这一维度的样本贫困发生率在参加新农保后大幅提升,可能是因为农村群体在参加新农保后参加其他基础保险的意识逐渐增强,抑或是因为新农保政策带来健康生活各方面的提升而有效缓解了一定程度的贫困发生。而其余几个维度的贫困发生率皆是处理组更高,有可能是新农保政策的扶贫力度十分微弱进而导致出现了大量返贫现象。

5.2. 多维贫困估计结果

本文通过多维贫困测量方法,估算出绝对贫困农村群体在各个k值下的贫困发生率、贫困剥夺指数和多维贫困指数。结果如表3所示:

Table 3. Results of multidimensional poverty measurement

表3. 多维贫困测度结果表

测算结果表明,一个维度的贫困发生率和多维贫困指数最高,控制组和处理组的贫困发生率分别为95%和97.6%,多维贫困指数分别为0.322和0.470,且随着维度k值的不断增加,两组别的贫困发生率和多维贫困指数相应地逐渐减少,9个维度都贫困的机率趋近于零。

根据《人类发展报告》(简称HDR)规定和已有文献的研究记载,当存在1/3的权重指标被剥夺时,即存在多维贫困现象,因此本文拟考虑3个维度下的多维贫困参数。由表3可得,未参与新农保的控制组的贫困发生率为0.554,贫困剥夺份额为0.452,多维贫困指数为0.250;而参与新农保的处理组的贫困发生率为0.660,贫困剥夺份额为0.528,多维贫困指数为0.348。处理组的贫困发生率和贫困剥夺指数都大于控制组,两组多维贫困指数的差距为0.098,经过调整后小于贫困发生率的差距0.109,克服了FGT法的绝对缺陷,相对更为科学客观。

值得注意的是,在本文中处理组多维贫困指数反而高于控制组,并不能片面地说明参与新农保政策反而加深了农村老年人的贫困程度。从上表数据可以看出,处理组代表贫困深度的贫困剥夺指数只比控制组高0.076,而代表贫困广度的贫困发生率却比控制组高0.106,可见处理组的贫困发生率显著高于控制组,这从一定程度上暗示了这一结果的产生可能是由自选择导致的内生性问题引起的。由于是否参与新农保有很大一部分原因是由老年人自主决定的,加之存在无法观测到指标导致的遗漏变量和反向因果问题,此研究过程中可能存在深度内生性问题 [13]。

5.3. 多维贫困指数贡献率

本文计算k = 3下的贫困剥夺结果,同时对各指标进行贡献率分解计算,结果如表4图1所示。其中,食品消费的贡献率最大,高达19.71%;卫生厕所次之,为18.30%;健康患病状况、燃料紧随其后,四者总计达到67.6%。这一现象需要引起重视,不清洁燃料的使用可能同时带动抵抗力较弱的老年人患病可能性增大。医保参保情况和耐用品的贡献率最低,分别为0.92%和3.53%。这与当前的社会状况和政策方向也较为一致。如若在食品消费这一绝对贫困指标所代表的基本生活保障方面都难以满足的话,预计在其他维度也会表现得更为贫困,因此贡献率较大。而在医疗保险这一维度,截止2018年,全国的医疗保险覆盖范围实现了基本全覆盖,社会总体在这一维度上的贫困发生率表现极低,由此这一维度的贫困贡献率也相对较低。而教育这一维度的贡献率远低于预期,可能是由近年“阳光工程”等补充教育项目覆盖范围持续扩大所导致的。

在此基础上,政府及有关部门可以将扶贫重点转向多维贫困测量方法中贡献度偏大的食品消费和卫生厕所这一维度,尝试从给以贫困群体政策补贴以改善消费结构、为改善农村住房环境提供更大的优惠政策、改善和扩大农村地区的教育环境及覆盖范围等多种途径来实现精准扶贫。

Table 4. Result analysis table of contribution rate of multidimensional poverty indicators

表4. 多维贫困各指标贡献率结果分析表(%)

Figure 1. The contribution rate histogram of each dimension index under multidimensional poverty measurement (%)

图1. 多维贫困测度下各维度指标的贡献率柱状图(%)

6. 研究结论与政策启示

6.1. 研究结论

本文基于CHARLS数据库的2018年截面数据,通过多维贫困测度方法有效度量了新农保政策对农村绝对贫困群体的扶贫绩效。研究结果显示,参与新农保的处理组的多维贫困指数反而略高于不参与新农保的控制组。这可能是因为新农保政策对绝对贫困农村群体的扶贫效果有限,即扶贫深度受阻;亦或是新农保政策的覆盖范围还不够广,即扶贫广度有限。进一步分析,新农保政策并未对绝对贫困的农村老年人产生显著的扶贫效果,也有可能是因为新农保政策在一定程度上以挤出成年子女转移支付的形式降低了扶贫绩效 [14] (程令国、张晔,2013)。不仅如此,新农保政策的“捆绑”规则排除了部分因为儿女贫困而不能参保的贫困弱势老年人,进而排除了部分贫困样本和相对降低了未参保控制组的贫困指数。

总体而言,新型农村保险政策对绝对贫困农村老年人的扶贫绩效有限,并未在新农保政策实行的八九年里对农村老年人贫困生活产生大幅度的促进作用。可以合理猜测,绝对贫困群体的贫困发生难以完全量化,原因复杂且多样,可能是新农保政策未必对这一深度贫困的群体有较好的扶贫效果的重要原因之一。

6.2. 政策启示

为了实现新农保政策精准扶贫的目标,新农保政策有必要基于多维贫困测度的研究结果,从各维度开展更具有针对性的扶贫工作。针对农村贫困群体的需求制定真正有效的扶贫政策措施是当前真正欠缺的,降低各维度尤其是那些更反映绝对贫困的指标贡献率,从多维度进行脱贫才是顺应时势之举。国家可重点在食品消费、健康患病状况、卫生厕所和燃料贡献等住房方面进行精准脱贫:

1) 面向多维贫困测量中贡献度最大的食品消费维度,可以采取引导和鼓励新农保养老金向生产性消费倾斜、发放粮食直补,亦或是将新农保政策与消费补助政策等社会保障政策相结合运用的策略。

2) 政府及有关部门可以增大新农保发放的养老金对患有疾病的贫困群体的扶持力度。从医疗卫生、医疗保障等角度推进医疗资源均等化,扩大参保资格范围,有效缓解因患病导致的致贫返贫。

3) 为积极参与新农保的人提供住房优惠和改善住房环境。鉴于住房这一维度的贫困程度较高,设置适当的奖励机制,为持续且及时缴纳养老保险费并积极参与新农保宣传工作的农村群体提供更加优惠的住房合同和住房用品的优待。

4) 建立动态的多维贫困评估机制,精准识别贫困老年人,针对不同程度的贫困老年人实行不同力度的新农保政策措施,并建立动态的定期追踪机制,全面构建更加公平科学的新型农村养老保障体系。

新农保政策作为国家一项脱贫的长期有效机制,需要具有针对性且科学合理地制定具体政策措施,以提升农村贫困老年人的生活水平和幸福度为基础目标,不断延展至提升全社会范围的人民群众的安全感、生活保障度和幸福度。

致谢

此次论文开题至完成的过程中,我们团队收获颇丰。不仅有幸得到了经济学院各位老师的支持与帮助,也得以在一次次的讨论和论文修改过程中培养起默契的团队合作能力和强烈的责任感。在论文结尾之际,我们愿向所有指导、帮助过我们的老师们及陪伴支持我们的朋友们表达最诚挚的感谢。

首先,在此鸣谢安徽大学大学生创新创业训练计划项目等所提供的支持与帮助,为论文的发表提供了基础的物质保障。其次,要感谢我们最尊敬的高钰玲老师,本文从选题、文章结构及模型的构建和实证等过程都离不开高钰玲老师的悉心指导和耐心的帮助。同时向经济学院的每一位老师表达至高的敬意,也感谢一直陪伴身旁的家人及给予鼓励的同学们。最后,衷心希望身边的亲朋好友及安徽大学的全体师生能够事业有成、身体健康、生活美满!

基金项目

安徽大学大学生创新创业训练计划项目(202010357627)。

参考文献

[1] 熊军. 北欧三国养老保险基金投资的启示[J]. 人才资源开发, 2017(13): 28-29.
[2] de Carvalho Filho, I.E. (2007) Old-Age Benefits and Retirement Decisions of Rural Elderly in Brazil. Journal of Development Economics, 86, 129-146.
https://doi.org/10.1016/j.jdeveco.2007.10.007
[3] Edmonds, E.V. (2005) Child Labor and Schooling Responses to Anticipated Income in South Africa. Journal of Development Economics, 81, 386-414.
https://doi.org/10.1016/j.jdeveco.2005.05.001
[4] Galiani, S., Gertler, P. and Bando, R. (2016) Non-Contributory Pensions. Labour Economics, 38, 47-58.
https://doi.org/10.1016/j.labeco.2015.11.003
[5] 解垩. 养老金与老年人口多维贫困和不平等研究——基于非强制养老保险城乡比较的视角[J]. 中国人口科学, 2017(5): 62-73+127.
[6] 张跃华, 王翌宵. 新型农村社会养老保险对贫困群体生活的影响——基于CHARLS 2011~2015面板数据的分析[J]. 保险研究, 2019(5): 69-80.
[7] 朱诗娥, 杨汝岱, 吴比. 新型农村养老保险对居民消费的影响评估[J]. 学术刊, 2019(11): 60-69.
[8] 张川川, John Giles, 赵耀辉. 新型农村社会养老保险政策效果评估——收入、贫困、消费、主观福利和劳动供给[J]. 经济学(季刊), 2015, 14(1): 203-230.
[9] 孙泽人, 赵秋成, 肇颖. “新农保”是否真的减少了农村老年人的劳动参与?——基于CHARLS两期截面数据的研究[J]. 商业研究, 2020(10): 117-126.
[10] 李李, 赵玉杰, 刘妍. 利用A-F方法对江西省罗霄山片区农村多维贫困测量[J]. 安庆师范大学学报(自然科学版), 2020, 26(1): 56-61.
[11] 王小林, Sabina Alkire. 中国多维贫困测量估计和政策含义[J]. 中国农村经济, 2009(12): 4-10+23.
[12] 郭熙保, 周强. 中国农村代际多维贫困实证研究[J]. 中国人口科学, 2017(4): 77-86+127-128.
[13] 郑超, 王新军. “新农保”政策对老年人扶贫绩效的影响研究[J]. 财经研究, 2020, 46(3): 124-138.
[14] 程令国, 张晔, 刘志彪. “新农保”改变了中国农村居民的养老模式吗?[J]. 经济研究, 2013, 48(8): 42-54.