教育扶贫政策效果的多期DID评估.docxVIP

教育扶贫政策效果的多期DID评估

一、教育扶贫政策的背景与目标

（一）中国教育扶贫政策的发展历程

自2013年国家启动精准扶贫战略以来，教育扶贫作为“五个一批”工程的重要组成部分，逐渐成为阻断贫困代际传递的核心手段。根据国务院扶贫办数据，2016—2020年间，中央财政累计投入教育扶贫资金超过3000亿元，重点覆盖“三区三州”等深度贫困地区。政策的阶段性特征表现为从硬件设施建设（如校舍改造）向软性资源倾斜（如教师培训、营养餐计划）的转变。

（二）政策目标的多维度设计

教育扶贫政策的目标体系包含三个层次：一是基础教育普及率提升，如《中国农村教育发展报告2021》显示，贫困地区初中毛入学率从2015年的93.2%增至2020年的98.6%；二是教育质量改善，通过特岗教师计划补充贫困地区师资缺口，2019年全国特岗教师人数达10.9万人；三是人力资本积累，据北京大学中国教育财政科学研究所测算，贫困家庭子女接受高中教育可使家庭年收入提升17%—23%。

二、多期DID方法在政策评估中的应用原理

（一）传统DID与多期DID的差异

双重差分法（Difference-in-Differences，DID）通过比较处理组与对照组在政策前后的变化来识别因果效应。而多期DID（MultiplePeriodsDID）适用于政策分批次实施的情景，例如教育扶贫政策在不同地区存在差异化的启动时间。根据Abadie（2005）提出的广义双重差分框架，多期DID通过引入时间虚拟变量与个体固定效应的交互项，能够更精准地捕捉异质性处理效应。

（二）模型构建的关键参数

以教育扶贫政策为例，基准回归模型可设定为：

(Y_{it}=+D_{it}+X_{it}+i+t+{it})

其中，(D{it})为处理变量（政策实施状态），(X_{it})包含县域GDP、人口密度等协变量。西南财经大学研究团队在评估营养改善计划时发现，控制家庭人均可支配收入后，政策对学生身高增长的贡献率提高至12.8%。

三、教育扶贫政策效果的多期DID实证分析

（一）基础教育覆盖率的提升效应

基于2015—2020年省级面板数据的分析表明，政策实施使贫困县小学净入学率年均增长0.8个百分点，显著高于非贫困县的0.3个百分点（p0.01）。值得注意的是，政策效果存在区域异质性：在西部连片特困地区，寄宿制学校建设使留守儿童入学率提升14.7%，而东部贫困县因户籍制度限制，效果减弱至6.2%。

（二）教育质量改善的动态轨迹

采用多期DID分解政策动态效应发现，教师补贴政策在实施第三年显现显著效果。以贵州省为例，2017年启动的“银龄讲学计划”引入退休教师后，受援学校学生数学平均分在2020年比对照组高出9.3分（标准差=2.1）。但远程教育项目（如“三个课堂”）的效果存在滞后性，需持续投入3年以上才能形成稳定产出。

（三）人力资本积累的长期影响

追踪2010—2020年贫困家庭子女升学路径发现，政策实施使高中阶段教育完成率提高19.4个百分点。北京师范大学课题组运用工具变量法（IV）校正选择性偏差后，发现完成高中教育的贫困生进入非农就业市场的概率增加31%，月工资水平比未受助群体高24%。

四、多期DID评估中的挑战与改进路径

（一）平行趋势假设的检验困境

教育扶贫政策往往伴随其他干预措施（如产业扶贫），导致反事实框架的构建复杂化。对此，清华大学研究团队提出使用合成控制法（SCM）辅助验证，通过对比实际处理组与合成对照组的趋势差异，可将政策效应识别误差降低至5%以内。

（二）样本选择偏差的应对策略

针对政策优先覆盖“最贫困县”的选择性问题，可采用倾向得分匹配（PSM）与多期DID结合的PSM-DID方法。例如，在分析“两免一补”政策时，匹配后的样本显示政策使初中辍学率下降8.7个百分点，未匹配样本的估计值偏高3.2个百分点。

（三）动态处理效应的分解方法

教育政策的累积效应需采用事件研究法（EventStudy）进行动态检验。中国人民大学研究显示，政策实施后第1—3年对学生成绩的影响弹性分别为0.12、0.18和0.21，证实了政策效果的持续性增强特征。

五、多期DID评估对政策优化的启示

（一）精准识别政策受益群体

通过机器学习算法（如随机森林）对多源数据进行特征筛选，可提升处理效应的异质性识别精度。浙江省教育厅的试点表明，结合家庭经济状况动态监测数据，助学金瞄准效率从72%提升至89%。

（二）优化政策干预时序设计

多期DID的强度分析揭示，在财政约束下应优先实施边际效益更高的项目。例如，农村学校食堂建设的成本收益比（BCR）为1:4.3，高于校车服务的1:2.1，这为资源配置提供了量化依据。

（三）构建长效评估机制

建议建立包含“投入—过程—产出—结果”