基于倾向得分匹配法的政策参与效应评估.docVIP

基于倾向得分匹配法的政策参与效应评估 [摘 要]在一个民主社会中，政府实施的政策项目需要得到准确的评估。但是，政策参与效应的估计需要找到一个“反事实”的比较组，并且有效消除参与的选择性偏差。本文针对倾向得分匹配法要解决的根本问题、基本思路与方法运用、与其他方法的比较三个方面进行评述，揭示了这一方法在评估政策项目效应中的意义。 [关键词] 政策参与效应评估；倾向得分匹配法；选择性偏差 [中图分类号] D035 [文献标识码]A [文章编号] 1006-0863（2014）01-098-04 政府经常需要实施针对某些特定人群的政策项目，如针对失业人群的免费培训，或针对贫困阶层的扶贫资助等。然而，在一个民主体制下，政府实施特定政策项目受到许多约束。一个约束是来自于财政压力，因为许多政策项目的实施需要花费巨大的资金，因此，有效的财政资金究竟如何在众多的政策项目中进行最优配置，需要比较各个政策项目的实际效果；另一个约束来自于选民的压力，如果政府的政策项目达不到预期效果，那么，选民、纳税人就会质疑政府的能力和做法。无论是哪一种约束，都要求政府对政策项目进行科学评估，并明确地回答：政策项目是否有效？政策项目的参与者是否受益？ 对政策项目的评估有多种形式。从时间上分，可以分为事前、事中和事后评估；从评估类别看，可以包括成本―收益分析、参与效应分析。事前和事中评估主要是预测和过程性评估，项目的效应并没有完全显现；成本―收益分析是最佳的评估形式，但是，政策项目的收益尤其是社会收益通常难以计量。因此，以事后评估为基础的项目参与效应（Treatment effect）估计，是现今估计政策项目实施效果的基本方法。这种方法要回答的问题是：究竟参与项目是否促进了参与者的产出如工资、收益？在多大程度上促进了产出提高？ 然而，要科学地估计政策项目的参与效应，面临一些难题。近30年来，统计学家和计量经济学家们为此做出了巨大努力，提出了一些解决政策项目参与效应估计的定量方法，其中，倾向得分匹配法是目前在公共政策分析、社会项目评估过程中广泛采用的方法。鉴于该方法目前尚未被国内公共管理领域学者所熟悉，本文对这一方法要解决的根本问题、解决问题的基本思路与具体运用、这一方法与其他方法的比较三个方面进行评述。 一、政策项目评估要解决的两个根本问题 我们从一个例子开始。假设政府为失业者实施补贴培训项目，政府要求你去评估该项目在帮助失业者就业和获得更高工资方面的效果。你希望检验的假设是：接受培训的人比那些不接受培训的人处境要好。 假设你有所有工人的工资数据，其中一些人已参与了培训。你期望，接受培训个体的平均工资与未接受培训个体工资的差为正，也就是说，希望参与项目的效应为正。但结果可能令你失望，两者之差可能为负，也就是说，接受培训的人工资更低！难道是培训减少了工资？你怎么将这个结果解释给政策制定者？[1] 那么，一种可能是，接受培训的工人和那些不培训的工人，不是真实同类，不可比。他们可能在年龄、教育、工作经验和其他方面不相同。但是，怎样找到一组可比的对象？一种可能的解决方法就是，控制住样本工人的教育、年龄、性别、种族等这些可能影响工资的属性。这是标准的计量经济学方法：加入控制变量，可以减少遗漏变量带来的偏差。但是，如果个体参与培训的决策本身又取决于其教育、年龄等控制变量，又该怎么办？ 上面的例子涉及到如何对某一政策项目的效果进行科学评估的问题。许多政策项目是针对特定个体、行业或地区的，具有特定的指向性。比如说，政府针对就业困难人员开展的免费就业培训、针对特定地区开展的扶贫项目等。假设我们拥有两个组的样本数据，一组是“参与组”（Treatment Group），表示参加了该项目；另一组是“控制组”（Control Group），表示没有参与该项目。形式上，定义Y0是不参与的产出，Y1是参与项目的产出，D 0，1 是参与变量，也就是说D 1表示个体接受参与，0则相反。我们真正感兴趣的是，一个参与项目的个体，如果与他（她）不参与相比，是否结果更好？由于每个个体有不同的结果，所以，我们一般关注样本的均值差，即“参与者的平均参与效应”――ATT（Average Treatment Effect on the Treat）： E[y1|D 1]-E[y0|D 0] a（1） 也就是说，政策效应评估的本质，是要比较同一个体参与某一项目的收益和他（她）未参与项目的收益的差。然而，现实中我们只能观察到同一个体的一面：对于一个参与项目的个体，我们就只能观察到参与的收益，不能观察到他未参与项目的收益；反之则相反。我们把它未参与项目的收益，称为反事实（Counterfactual），也就是说，不能在现实中被观察到。因此，我们要努力寻找与参与者相同或相类似的反事实样本。所以，如何找到一组可信的反事实样本