论文发表｜史新杰、李实、陈天之、方师乐：机会公平视角的共同富裕——来自低收入群体的实证研究

共同富裕是社会主义的本质要求，而机会不平等是实现全体人民共同富裕的主要障碍之一。本文利用CHIP2018年的最新数据，通过引入机会不平等的分析框架并加以拓展，从学理上对机会的缺失如何影响低收入群体收入跃升进行系统分析。本文的研究发现，个体是否陷入低收入陷阱很大程度上取决于个体出生即很难改变的机会因素。基于参数估计方法和机器学习方法，本文测算发现与个体低收入状态相关的机会不平等系数为0.310（参数估计结果）至0.336（机器学习结果），这意味着超过30%的低收入状态与机会因素差异有关。本文的渠道分析进一步解释了其中的传导机制，发现机会因素会通过影响个体教育和就业选择来影响低收入陷阱的发生。本文为如何从机会公平的视角来认识中国的共同富裕问题提供了重要依据。

本文可能的边际贡献体现在以下两点：

第一，从研究视角来看，已有关于共同富裕的文献大多认为提高低入者收入水平是实现共同富裕的重要路径，但鲜有研究进一步分析如何提高低收入者收入水平。“益贫式增长”认为机会平等是关键，实现共同富裕要关注机会平等，强调经济增长给穷人带来的收入增长率要大于平均增长率。但对于什么是机会（不）平等，机会差异在多大程度上会影响低收入者收入水平和共同富裕的实现等问题还鲜有关注。本文在这些理论基础上，进一步从实证层面揭示要实现低收入群体收入跃升，机会均等是一个重要前提。本文发现，机会缺失是个体陷入低收入陷阱的根源之一，超过30%的低收入状态与机会因素差异有关。由此本文认为，机会均等是共同富裕的一个重要内涵，是衡量“共享”的一个重要维度，是在长期范围内从根本上实现共同富裕的重要挑战。除了关注收入的总体不平等（基尼系数），更应该关注收入的机会不平等。本文的相关实证研究为如何通过机会公平政策促进实现共同富裕提供了科学证据，也是对现有文献的有力补充。

第二，从研究方法上来看，本文在机会不平等的测算框架上做了一些拓展，探讨了当结果变量为二元变量时如何利用参数估计和机器学习等方法进行测度，在已有文献基础上系统地比较了不同方法的有效性，以及不同维度结果变量（二元变量和连续变量）的差异性，丰富了机会不平等领域相关研究的工具体系。对二元结果变量进行机会不平等测度在国内文献中讨论还很少，但是在数据相对有限的情况下其应用前景非常广泛。本文同时引入了机器学习方法，该方法的分析对象与参数估计相同，基于机会变量将个体划分为若干组别，进而估计出结果变量（本文为低收入状态）的反事实分布，从而计算机会不平等系数。不同之处在于机器学习方法可以基于算法来进行决策，从而选择最优的机会变量和类别划分方式，在一定程度上能够解决遗漏机会（环境）变量的问题，并且缓解机会变量之间的相互关系可能影响模型估计的问题。从经济学的意义来看，机器学习侧重于预测效果的准确性，利用机器学习方法来估计机会不平等系数在一定程度上可以减少上述两种偏误，同时对于将因果关系的探讨纳入机会不平等分析框架具有一定的启示意义。但是基于回归的参数估计方法也具有一些比较优势，除了计算过程较为简便外，还可以进一步进行渠道分析。不少研究指出，在经济学分析中应该根据具体问题尝试将机器学习和计量方法结合使用。本文综合使用两种方法进行对比分析，提供了一个较好的研究范式。本文的探索也从侧面反映了在经济学研究中应该警惕“唯定量倾向”和“唯方法论”， 而是要扎根中国经济学研究体系，以问题为导向选择合适的方法。