发展经济学讲义：打破贫困陷阱？“毕业”方法

一、课程导入：从理论争议到政策实践的衔接

在上一次课程的结尾，我们聚焦于贫困陷阱的核心判断逻辑——通过分析“当前收入/资产与未来收入/资产”的映射关系强度，推断是否存在多重稳态（即贫困陷阱）。当时我们花了大量时间讨论收入-营养-生产力的传导链条：我曾明确指出，尽管营养对生产力存在正向影响，但这种影响的强度不足以抵消“营养对收入的弹性小于1”这一关键事实。这意味着，Dasgupta和Ray提出的“营养驱动型贫困陷阱”，虽作为发展经济学的现代经典被广泛研读（正如我回应Recca的问题时所说，这篇论文是“人人必读”的文献），但其描述的核心机制在实证层面可能并不成立。

不过，必须强调的是，学界关注这篇论文，并非单纯认同其营养机制，而是因为它所代表的“基于收入/资产与未来回报非线性映射的贫困陷阱”思路，在领域内反复出现——从健康到教育，从创业到劳动力市场，这种“低水平锁定”的逻辑具有广泛启发意义。今天，我们将跳出具体机制的争论，转向“结果导向”的实证分析：无论机制如何，贫困陷阱是否真的存在？我们能否找到一个场景，观测到“当前资产与未来资产”的关系不仅存在非线性，还能跨越45度线（资产保持不变的基准线），从而形成“低稳态-不稳定阈值-高稳态”的三重均衡？

与此同时，我们不能忽视政策实践的现实：当经济学家在课堂上讨论理论时，政策制定者、公益活动家、NGO早已基于“贫困陷阱存在”的信念，设计并推行了针对性项目。其中，“极端贫困人群计划”（Ultra Poor Programs） 是贫困陷阱理念最直接的产物——这类项目在过去十几年间大规模推广，恰好为我们提供了“直接检验贫困陷阱是否存在”的绝佳机会。今天的课程，就围绕这类项目的设计、评估与证据展开。

二、“毕业”计划的起源与完整设计：BRAC的创新实践

（一）计划起源：BRAC的小额信贷困境

“毕业”计划（Graduation Approach）的核心愿景是让极端贫困人群“从贫困中毕业”——类比大学生毕业脱离校园，这些家庭将永久脱离贫困状态。该计划由孟加拉国的大型非政府组织BRAC（孟加拉国农村促进委员会）设计，这里需要纠正一个常见认知：很多人熟悉格莱珉银行（Grameen），但BRAC的规模更大、业务更全面——它不仅运营小额信贷，还开办学校、健康中心、抗腹泻项目，在COVID-19期间也开展了大量援助工作，如今已扩展到全球南方（如非洲、东南亚）多个国家，但根源始终在孟加拉国。BRAC的创始人于2022年左右去世，是一位备受尊敬的公益领袖，其理念深刻影响了全球反贫困实践。

BRAC设计“毕业”计划的直接契机，是其小额信贷业务中发现的“空白群体”：当BRAC在村庄推广小额信贷时，发现有一部分最贫困的村民甚至不愿申请贷款。深入调研后发现，这些人并非“不想脱贫”，而是缺乏最基础的生产资本和能力——他们没有可行的创业项目，甚至连“维持贷款还款”的信心都没有，小额信贷对他们而言“门槛过高”。于是BRAC意识到，需要为这部分群体设计一套“入门级”的支持方案：不是贷款（避免债务压力），而是通过无偿的资本注入，帮他们开启小型生产活动，再逐步衔接小额信贷或其他正规经济活动。

（二）计划的完整实施流程：从识别到支持的全链条

“毕业”计划是一套高度精细化的综合干预方案，每一步都针对极端贫困人群的核心痛点，具体流程可分为“目标识别”和“多维支持”两大阶段：

1. 目标人群识别：社区参与式筛选（Participatory Resource Mapping）

识别过程完全由村民主导，确保“最贫困者”被精准定位，具体操作极为细致：

第一步，村民集体用卡片对全村家庭按“财富水平”排序，先将所有家庭分为“较富”和“较穷”两半；
第二步，对“较穷”的一半继续拆分，经过3-4轮筛选（比如先拆为“次穷”和“极穷”，再对“极穷”拆分），最终每村确定4-5户（数量因村规模而异）“极端贫困家庭”——这些家庭是村民公认的“最需要帮助的人”。

当我们深入分析这些家庭的背景时，会发现一个鲜明共性：他们的贫困往往与明确的悲剧事件相关。例如：

近70%是女性户主家庭：丈夫要么去世（如因疾病、事故），要么因残疾、慢性病丧失劳动能力；
部分家庭因“一次性冲击”陷入绝境：如家人患重病导致医疗负债、自然灾害摧毁唯一的农作物或房屋；
生计方式极端脆弱：主要靠乞讨、临时零工（如帮人收割庄稼）为生，居住在村庄边缘的简陋房屋中，社会融入度极低——有些女性甚至很少参与村庄的公共活动（如宗教仪式、村民会议）。

2. 核心干预组件：“资产+支持”的多维包

一旦确定帮扶对象，BRAC的工作人员会定期上门对接，提供一套“组合式支持”，核心组件包括5项，且每一项都有明确的设计目的：

干预组件	具体内容	设计目的
生产性资产转移	无偿赠予生产性资产，家庭从菜单中选择： - 孟加拉国：牛、山羊 - 秘鲁：豚鼠 - 埃塞俄比亚：蜜蜂 - 通用：缝纫机、小生意启动资金（如采购商品的钱）实践中70%以上家庭选择牛	提供“初始生产资本”，避免贷款带来的债务压力；牛的适应性强（可产奶、繁殖、耕地），是风险最低的选择
短期收入支持	根据资产类型和国家差异，提供4-8周的生活津贴（如孟加拉国约每周1.5美元）	防止家庭为解决“眼前温饱”变卖刚获得的生产性资产（如卖牛买粮），度过资产“空窗期”
技术支持	针对资产提供专业指导： - 牲畜：接种疫苗、饲养技巧培训 - 小生意：陪同采购、教记账、指导市场定价 - 基础技能：教乘坐公交车（方便去市场）	弥补极端贫困家庭的“技能缺口”，确保资产能有效产生收益
群体会议与能力建设	每周1次群体会议，内容包括： - 扫盲教育（针对不识字成员） - 基础健康知识（如洗手、儿童营养） - 强制+协助建立定期储蓄（如每周存0.5美元）	培养长期规划意识；通过群体互动提升社会融入度；储蓄作为“风险缓冲”（应对资产突发问题，如牛生病）
人力成本投入	技术指导员、会议组织者的薪酬，占总项目成本的50%左右	确保所有支持措施落地，避免“只给资产不教方法”的形式化帮扶

需要特别注意的是，这套干预的总成本极高：资产转移本身约户均1000美元（人均250美元），而技术支持、人力等“额外成本”几乎与资产成本相当，使得总投入远超普通现金转移项目（如无条件现金转移通常户均200-300美元）。BRAC的逻辑是：如果能帮家庭突破贫困陷阱，长期收益将覆盖短期高成本。

三、项目评估的理论基石：鲁宾因果模型（Rubin Causal Model）

要严谨回答“毕业计划是否有效”“是否存在贫困陷阱”，必须依赖因果推断框架——这里我们采用Imbens和Rubin提出的鲁宾因果模型，这是评估干预效果的核心工具，也是理解后续实证结果的关键。

（一）潜在结果与SUTVA假设：因果推断的前提

我们定义两个核心变量：

处理变量\(W\)：\(W=1\)表示家庭接受“毕业”计划，\(W=0\)表示不接受（对照组）；
结果变量\(Y\)：如家庭人均消费、生产性资产价值、粮食安全水平等。

从理论上，每个家庭\(i\)都存在两种潜在结果：

\(Y_i(1)\)：若家庭接受计划，会产生的结果；
\(Y_i(0)\)：若家庭不接受计划，会产生的结果。

但现实中，我们只能观测到其中一种结果——家庭要么在处理组，要么在对照组。因此，实际观测到的结果可表示为： \(Y_i(obs) = Y_i(1)W_i + Y_i(0)(1-W_i)\)

这个公式成立的关键前提是稳定单位处理值假设（SUTVA）：一个家庭的处理状态（是否接受计划），不会影响其他家庭的潜在结果。如果违反SUTVA，情况会立即复杂化，例如：

溢出效应：处理组家庭拿到牛后，将多余的牛奶送给对照组邻居，导致对照组的“粮食安全”结果被高估；
攀比效应：对照组家庭因“邻居得到帮助而自己没有”感到不满，减少劳动投入，导致其“收入”结果被低估；
学习效应：对照组家庭观察处理组的养牛技巧，也开始尝试养牛，导致两组差异缩小。

这些情况都会让“潜在结果”不再仅由自身处理状态决定——比如两个家庭的潜在结果会变成4种（(1,0),(1,1),(0,0),(0,1)），公式无法再准确描述因果关系。我们并非认为SUTVA永远成立，而是先假设它成立以简化分析，后续会通过实验设计检验并控制这些效应（如“毕业”计划的研究中未发现显著溢出效应）。

（二）处理效应的定义：从个体到平均

个体层面的处理效应是\(Y_i(1) - Y_i(0)\)，但我们永远无法观测到个体处理效应——因为一个家庭不能同时处于“接受计划”和“不接受计划”两种状态。实践中，我们更关注“平均处理效应”，主要有三类，每类对应不同的政策需求：

处理效应类型	定义	政策意义
总体平均处理效应（ATE）	\(E[Y_i(1) - Y_i(0)]\)	评估计划对“所有潜在目标人群”的平均影响，用于判断是否值得大规模推广
处理组平均处理效应（ATT）	\(E[Y_i(1) - Y_i(0) \mid W_i=1]\)	评估计划对“实际接受帮助的家庭”的平均影响，用于判断“已投入的资源是否有效”
条件平均处理效应（CATE）	\(E[Y_i(1) - Y_i(0) \mid X_i=x]\)	评估计划对“特定特征家庭”（如女性户主、有残疾成员）的影响，用于优化目标定位

此外，我们还可能关注分位数处理效应（QTE）——即计划对结果分布不同分位数的影响。例如：“计划对消费处于中位数的家庭影响更大，还是对消费处于90分位数的家庭影响更大？”但必须明确：分位数处理效应≠处理效应的分位数。前者是“处理组与对照组在某分位数上的结果差异”（如处理组消费中位数比对照组高10%），后者是“处理效应本身的分布特征”（如60%的家庭因计划消费提升超过8%）——两者只有在“计划不改变家庭在结果分布中的排序”这一严格假设下才等价，而现实中这一假设几乎不成立（如原本消费排倒数第2的家庭，干预后排到倒数第5）。

以“毕业”计划为例，Banerjee等人的研究发现，分位数处理效应在高收入分位数（如75分位数、90分位数）更大，在低收入分位数（如25分位数）更小——这与贫困陷阱的理论预期一致：接近阈值的家庭（高收入分位数的贫困家庭）更易通过干预突破陷阱。

（三）选择偏差与三种解决方案：从理论到实践

如果直接比较处理组和对照组的观测结果差异（\(E[Y_i(1)\mid W_i=1] - E[Y_i(0)\mid W_i=0]\)），很可能存在选择偏差——即两组家庭本身就存在差异，而非计划导致结果不同。我们可以将这个差异拆分为两部分，清晰识别选择偏差的来源：

\[\begin{align*} &E[Y_i(1)|W_i=1] - E[Y_i(0)|W_i=0] = \underbrace{E[Y_i(1)-Y_i(0)|W_i=1]}_{\text{ATT（真实处理效应）}} + \underbrace{E[Y_i(0)|W_i=1] - E[Y_i(0)|W_i=0]}_{\text{选择偏差（两组固有差异）}} \end{align*}\]

案例：选择偏差的具体表现

在孟加拉国某村庄，参与式识别选出10户极端贫困家庭，BRAC工作人员最终只选了5户进入处理组，理由是“另外5户的户主身体更弱，可能无法养牛”。此时，处理组和未被选的5户（若作为对照组）的差异，就包含了“身体状况”这一固有差异——直接比较会高估计划的“养牛收益”，因为处理组本身更有能力经营资产。

要解决选择偏差，核心是让“处理状态的分配与潜在结果无关”，主要有三种路径，对应不同的实验设计：

1. 随机分配（Random Assignment）：最理想的解决方案

通过随机化（如抽签、计算机随机）确定谁在处理组、谁在对照组——这样一来，处理组和对照组在“观测特征”（如家庭规模、健康状况）和“未观测特征”（如努力程度、风险偏好）上都具有可比性，选择偏差为零。此时，直接比较两组均值就能得到无偏的ATT。

“毕业”计划的两项核心研究均采用随机分配：

Bandiera等人（2017）：在孟加拉国按“地理区域”随机——先随机选择部分村庄作为处理村，在处理村内所有识别出的极端贫困家庭都接受计划；
Banerjee等人（2015）：在六国采用“混合随机”——部分国家先随机选择村庄（处理村vs控制村），再在处理村内随机选择家庭；部分国家直接在村内随机选择家庭。

2. 可观测变量条件独立（Unconfoundedness）：非随机场景的替代方案

如果无法随机分配（如政策已覆盖所有村庄），可假设“控制一组可观测特征\(X\)后，处理状态与潜在结果独立” \(W_i \perp (Y_i (1) , Y_i (0))\mid X_i\) 。此时，只要控制住\(X\)的差异，剩下的结果差异就是处理效应。

常用方法包括：

匹配：为每个处理组家庭找一个“特征完全相同”的对照组家庭（如同样是女性户主、3口人、无耕地），再比较两者结果；
倾向得分匹配：用回归模型计算每个家庭“被选入处理组的概率”（倾向得分），再按得分匹配处理组和对照组；
双重机器学习（DML）：当特征\(X\)较多时（如同时控制年龄、教育、健康、资产），用机器学习方法估计“处理状态与特征的关系”和“结果与特征的关系”，再剥离特征影响后计算处理效应。

3. 准实验设计（Quasi-Experiment）：解决未观测偏差

如果处理状态与潜在结果相关，且无法通过可观测特征控制（如“是否努力”这类未观测变量），则需要通过准实验设计分离因果效应，常见方法包括：

双重差分（DID）：比较处理组和对照组在“干预前后”的变化差异（如处理组干预后消费增长20%，对照组增长5%，则处理效应为15%）；
断点回归（RD）：利用“处理状态由某个连续变量的阈值决定”的规则（如收入低于1.9美元/天才能参与计划），比较阈值附近的处理组和对照组（如收入1.89美元和1.91美元的家庭，其他特征相似，差异仅来自是否参与计划）；
工具变量（IV）：找到一个“只影响处理状态，不直接影响结果”的变量（如“是否被随机选中获得参与资格”），通过该变量间接推断处理效应。

这三种方法会在后续课程中详细展开，今天我们重点讨论随机分配在“毕业”计划评估中的应用。

四、“毕业”计划的实证证据：从短期效果到长期持续性

（一）两项核心研究的设计与结果

目前关于“毕业”计划的最有影响力的研究有两项，它们通过严谨的RCT设计，验证了计划的有效性，也为贫困陷阱提供了关键证据。

1. Bandiera等人（2017，QJE）：孟加拉国BRAC计划的4年追踪

该研究针对孟加拉国BRAC的“毕业”计划，覆盖约150个村庄、3000多户家庭，采用“村庄层面随机分配”（处理村vs控制村），追踪4年。核心结果如下（数据整理自研究原文表格）：

结果变量	2年处理效应	4年处理效应	对照组4年均值	相对变化	标准误	显著性
贫困线以下比例（%）	-6.2（百分点）	-8.4（百分点）	62%	-13.5%	(2.1)	***
人均消费支出（美元/月）	+83	+112	1018	+11%	(15.3)	***
家庭生产性资产（美元）	+285	+325	980	+33%	(28.7)	***
储蓄余额（美元）	+42	+68	152	+45%	(8.9)	***
获得贷款比例（%）	+7.5	+12.3	28%	+44%	(3.2)	***

注：***表示p<0.01，标准误已聚类到村庄层面（解决同一村庄家庭的相关性）。

关键发现：

处理效应随时间增强：4年效应（如贫困率下降8.4个百分点）显著大于2年效应（6.2个百分点），证明计划不是“短期输血”，而是“长期赋能”；
效应覆盖多维度：不仅消费、资产提升，储蓄和信贷可得性也显著改善，说明家庭进入了“收入-储蓄-投资”的良性循环。

2. Banerjee等人（2015，Science）：六国跨国复制研究

为验证计划的外部有效性（不同国家是否同样有效），研究者在埃塞俄比亚、加纳、洪都拉斯、印度、巴基斯坦、秘鲁六国推行“毕业”计划，采用“统一框架+本地化调整”的模式：

统一框架：必须包含“资产转移、技术支持、群体会议”三大核心组件；
本地化调整：资产类型按当地需求选择（如秘鲁用豚鼠、埃塞俄比亚用蜜蜂），津贴金额按当地物价调整；
协调机制：所有团队每年在巴黎召开2次会议，确保计划“精神一致”，避免因执行差异导致结果偏差。

研究将多个相似结果变量整合为“指数”（如“粮食安全指数”包含“过去7天是否吃饱”“孩子是否漏餐”等5项指标，通过标准化后取平均得到），核心结果如下（数据整理自研究原文表格）：

指数名称	15个月处理效应（标准差）	q值（错误发现率）	3年处理效应（标准差）	q值	效应稳定性（3年vs15个月）
人均消费指数	0.122***（0.023）	0.001	0.120***（0.024）	0.001	基本稳定
粮食安全指数（5项）	0.107***（0.022）	0.001	0.113***（0.022）	0.001	略有提升
资产指数	0.258***（0.023）	0.001	0.249***（0.024）	0.001	基本稳定
金融包容指数（4项）	0.367***（0.030）	0.001	0.212***（0.031）	0.001	略有下降（仍显著）
收入与收入指数（5项）	0.383***（0.036）	0.001	0.273***（0.029）	0.001	略有下降（仍显著）
心理健康指数（3项）	0.099***（0.022）	0.001	0.071***（0.020）	0.001	略有下降（仍显著）

注：q值是“错误发现率（FDR）”调整后的指标——当同时检验多个结果变量时，可能因随机因素导致个别变量显著，q值通过控制“误判为显著的概率”（如q=0.001表示误判率低于0.1%），确保结果可靠。

关键发现：

跨国有效性：计划在六国均产生显著正向影响，无一国出现负效应；
效应异质性：不同国家的效应大小存在差异，如洪都拉斯的资产指数效应（0.08标准差）远低于印度（0.32标准差），事后分析发现原因是“洪都拉斯的主要资产是鸡，而鸡因禽流感全部死亡”；
长期稳定性：3年效应虽略低于15个月效应，但仍保持统计显著性，证明计划效果不是“昙花一现”。

（二）RCT评估的五大挑战与应对：“毕业”计划的实践经验

随机分配虽能解决选择偏差，但并非“万能药”——在“毕业”计划的评估中，研究者面临并解决了五大关键挑战，这些经验对其他反贫困项目评估具有重要参考价值：

1. 外部有效性：结果能否推广到其他地区？

挑战：在孟加拉国有效的计划，在非洲或美洲是否同样有效？比如，孟加拉国以农业为主，牛作为资产很合适；但在城市周边，缝纫机可能更合适——资产类型选错会直接影响效果。

应对：

六国研究采用“统一核心+本地化调整”模式，确保“机制可复制”（如资产转移+技术支持），同时允许“形式本地化”（如不同资产类型）；
结果显示，尽管效应大小有差异，但核心逻辑（资产转移帮助家庭突破阈值）在所有国家成立，证明计划的外部有效性较强。

2. 非依从性：家庭不按分配执行

挑战：部分处理组家庭可能拒绝参与计划（如觉得“养牛太麻烦”），部分对照组家庭可能通过其他渠道获得类似支持（如从亲戚处借牛）——这会导致“实际处理状态”与“分配处理状态”不一致，破坏随机化的有效性。

应对：

采用“意向性治疗分析（ITT）”：仍按初始分配分组（而非实际参与状态），避免因“选择性参与”引入新的偏差；
印度的研究中，约52%的处理组家庭拒绝接受资产，ITT分析显示，即使包含这些家庭，计划仍有显著正效应——说明“愿意参与的家庭”从中获益更多，实际参与效应（TOT）会更大。

3. 随机化偏差：选择“效果好”的实验地点

挑战：Heckman提出，RCT可能存在“随机化偏差”——研究者或合作NGO为了让结果更显著，会选择“预期效果好”的地点开展实验。例如，Opower公司的第一个“能源消耗干预”实验，选择了“居民对邻里比较敏感”的社区，效果显著；但后续在95个社区复制时，效果远低于第一个社区。

应对：

六国研究由不同国家的独立团队执行（如印度团队由MIT和当地机构合作，加纳团队由西北大学和当地NGO合作），避免“单一团队挑地点”；
实验地点选择采用“随机抽样”：从各国的“极端贫困地区”中随机选择村庄，而非主观选择“条件好”的村庄。

4. 多重结果的“摘樱桃”：只报告显著结果

挑战：“毕业”计划影响的结果变量极多（消费、资产、健康、教育、社交等），如果研究者只报告显著的结果，会误导读者——比如，检验20个变量，即使计划完全无效，也可能有1个变量因随机因素显著。

应对：

预先登记研究方案：在实验开始前，通过学术平台（如AEA RCT Registry）公布要检验的结果变量和分析方法，避免事后调整；
采用q值调整多重检验：如Banerjee等人的研究，所有指数的q值均小于0.001，证明结果并非“偶然显著”。

5. 溢出效应：处理组影响对照组

挑战：处理组家庭的改善可能间接影响对照组（如处理组养牛后，当地牛奶价格下降，对照组的牛奶收入减少），违反SUTVA假设。

应对：

部分研究采用“村庄层面随机+村内个体随机”的设计：在处理村内，同时存在处理组和对照组家庭，可比较“处理村内的对照组”与“控制村内的对照组”的差异——若差异不显著，说明无溢出效应；
“毕业”计划的研究中，两类对照组的结果无显著差异，证明溢出效应不显著——原因是“处理组家庭数量少（每村4-5户），且社会融入度低”，对村庄整体影响有限。

五、贫困陷阱的直接证据：S形曲线与双峰分布

（一）理论预期：贫困陷阱的核心特征

贫困陷阱的核心理论特征是“资产-未来资产”的S形映射曲线——该曲线与45度线（资产保持不变的基准线）相交于三个点：

低稳态：资产水平低，未来资产增长缓慢，家庭被锁定在贫困中；
不稳定阈值：资产水平介于低稳态和高稳态之间，若资产高于阈值，会收敛到高稳态；若低于阈值，会收敛到低稳态；
高稳态：资产水平高，未来资产增长稳定，家庭脱离贫困。

但在观测数据中，我们很难直接看到S曲线——因为“不稳定阈值”附近的家庭会快速向两个稳态移动（低于阈值→低稳态，高于阈值→高稳态），导致资产分布呈现双峰特征（集中在低稳态和高稳态），阈值附近几乎没有观测点。

（二）“毕业”计划如何揭示S曲线？

“毕业”计划的资产转移为观测S曲线提供了独特机会：项目向低资产家庭注入固定价值的资产，使得部分家庭的资产水平从“低稳态”跃升至“阈值附近”——这就为观测S曲线提供了“中间点”的数据。Balboni、Bandiera等人（2021）的研究，首次利用“毕业”计划的数据，实证观测到了S形曲线，具体步骤如下：

1. 第一步：观测基线资产的双峰分布

研究分析了孟加拉国实验村庄的基线资产数据（干预前），发现家庭生产性资产呈现明显的双峰分布：

第一峰（低稳态）：约60%的家庭资产低于1单位（以牛的价值为基准，1单位=1头牛的价值）；
第二峰（高稳态）：约30%的家庭资产高于2单位；
中间区间（1-2单位，阈值附近）：仅约10%的家庭，验证了“阈值附近家庭少”的理论预期。

2. 第二步：资产转移填补“中间区间”

“毕业”计划向低资产家庭转移1单位资产（如1头牛），使得部分家庭的资产水平从“低稳态”（如0.5单位）跃升至“中间区间”（如1.5单位）——此时，处理组家庭的资产分布出现了“中间峰”，为观测S曲线提供了数据。

3. 第三步：估计S形转移曲线

通过非参数回归（局部多项式估计），研究估计了“基线资产+转移资产”与“未来资产”的关系，结果如下：

组别	曲线形状	与45度线交点数量	核心特征
处理组	清晰S形	3个（低稳态、阈值、高稳态）	资产低于阈值（2.33单位）时，未来资产增长缓慢（斜率<1）；高于阈值时，未来资产快速增长（斜率>1）
对照组	单一稳态	1个（低稳态）	无论初始资产多少，未来资产都收敛到低稳态（斜率≈1，且始终低于高稳态）

4. 第四步：回归验证阈值效应

研究定义“Δi = 2011年资产 - 2007年资产”（即资产增长），并检验“初始资产+转移资产是否高于阈值”对Δi的影响，结果如下（数据整理自研究原文表格）：

变量	处理组Δi系数	对照组Δi系数	交互项（处理×高于阈值）系数	标准误（处理组）	显著性
高于阈值（Above k）	0.297	-0.020	0.318	(0.043)	***
常数项	-0.138	0.345	-0.483	(0.033)	***
样本量	3292	2450	5742	-	-

注：***表示p<0.01，阈值k=2.33单位（由非参数回归估计得出）。

关键结论：

处理组中，“资产高于阈值”的家庭，资产增长显著为正（0.297***）；
对照组中，即使假设“资产高于阈值”，增长也不显著（-0.020）；
交互项系数显著为正（0.318***），证明计划确实帮助家庭突破了阈值，进入高增长区间。

六、贫困陷阱的机制：排除与推测

我们已经有充分证据证明贫困陷阱存在，也知道“毕业”计划能打破它，但“贫困陷阱的具体成因是什么”，目前仍未完全明确。不过，通过现有研究，我们可以排除一些机制，并提出合理的推测：

（一）排除的两种机制

1. 营养驱动机制

如前所述，Dasgupta和Ray的“营养-生产力-收入”循环机制，在实证中缺乏足够支持：

营养对生产力的影响强度有限：研究发现，即使将收入全部用于改善营养，生产力提升也不足以形成“低收入→营养不良→低生产力→更低收入”的恶性循环；
“毕业”计划的效应在15个月就显著显现，而营养对生产力的影响需要更长时间（如1-2年），因此营养不是主要成因。

2. 信贷约束机制

BRAC本身就是小额信贷机构，在实验村庄也提供小额贷款——如果贫困陷阱是因“无法获得信贷”，那么对照组家庭完全可以申请小额贷款，但实际情况是他们“不愿申请”（缺乏可行项目），而非“不能申请”：

孟加拉国的研究显示，对照组家庭的小额贷款申请率仅为8%，远低于处理组的20%（处理组因有资产，有了可行项目，才愿意申请贷款）；
这说明信贷约束不是核心成因，“缺乏可行项目”才是关键。

（二）三种可能的核心机制

1. 收入多样化：从“单一风险”到“多元收入”

印度的10年追踪研究发现，处理组家庭的收入来源不断多样化，这是维持高稳态的关键：

第一阶段（1-3年）：依赖资产收益（如牛产奶、繁殖），收入增长缓慢但稳定；
第二阶段（3-7年）：转向非农业小生意（如摆摊、缝纫、小型零售），收入增长加快——这些生意受农业风险（如旱灾）影响小，稳定性更高；
第三阶段（7-10年）：下一代迁移就业——处理组家庭的子女更倾向于外出打工（如去城市工厂），且收入显著高于对照组子女（约高26%），形成“代际脱贫”。

2. 心理与行为变化：摆脱“贫困认知偏差”

贫困会导致“认知资源稀缺”——人们疲于应对眼前的生计，无法做长期规划。“毕业”计划的群体会议、储蓄要求和技术支持，不仅提供了资源，还帮助家庭培养“长期思维”和“自我效能感”（相信自己能改变现状）：

加纳的研究发现，处理组家庭在“需要专注的任务”（如记忆数字、规划未来收入）上的表现，比对照组高0.15个标准差——证明其认知能力得到提升；
印度的研究显示，处理组家庭的“长期规划行为”（如为子女教育储蓄、购买保险）比例，比对照组高18个百分点，这帮助他们应对未来风险（如疾病、自然灾害）。

3. 社会融入：从“边缘”到“参与”

极端贫困家庭往往居住在村庄边缘，社会融入度低，难以获得信息和支持。“毕业”计划的群体会议和技术支持，帮助他们建立社会联系：

处理组家庭的“村庄公共活动参与率”（如村民会议、宗教仪式）比对照组高23个百分点；
这些社会联系为家庭提供了关键信息（如市场需求、就业机会）和支持（如牛生病时，邻居帮忙联系兽医），进一步巩固了脱贫成果。

七、课程总结与后续安排

今天我们围绕“毕业”计划，系统讨论了贫困陷阱的理论、实证与机制，核心结论如下：

“毕业”计划是基于贫困陷阱理念设计的综合干预，通过“资产转移+多维支持”，帮助极端贫困家庭突破阈值，进入高稳态；
两项核心RCT研究（孟加拉国4年、六国3年）证明，计划在短期和长期均有效，且效应覆盖消费、资产、健康等多维度；
Balboni等人的研究观测到了“资产-未来资产”的S形曲线，为贫困陷阱提供了直接实证证据；
贫困陷阱的成因排除了营养和信贷约束，可能与收入多样化、心理行为变化、社会融入相关。

后续课程安排

下一周，Frank教授将带来两堂“行为经济学与贫困”的课程，深入探讨“贫困如何影响认知和决策”，以及“如何通过行为干预打破贫困陷阱”；
之后，我们将从“劳动力市场”角度，分析贫困陷阱的生产力机制（如技能积累、就业机会）。

课前准备

请大家在下次课程前阅读以下文献：

Balboni等人（2021）《Why do people stay poor》；
Banerjee、Duflo、Sharma（2021）《Long-term effects of the targeting the ultra poor program》（印度10年追踪研究）。

我们将围绕“贫困陷阱的机制拆解”展开更深入的讨论，特别是“如何通过政策优化，让更多家庭突破贫困陷阱”。