How do voters respond to welfare vis‐à‐vis public good programs? Theory and evidence of political clientelism¶

作者: Pranab Bardhan, Sandip Mitra, Dilip Mookherjee, Anusha Nath
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 1/10
机构绿灯: University of California, Berkeley（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe2315

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是政治经济学中关于“政治庇护主义”(Political Clientelism) 与“纲领性政治”(Programmatic Politics)的实证识别与区分。它要解决的根本问题是：在民主选举中，选民投票是基于对政府_Policy_（如地方公共品）的整体评估（纲领性），还是基于对个人_Targeted benefits_（如可排除性福利）的直接交换（庇护主义）？当前成熟度：方法论上高度发达（有完备的理论模型、实证策略、以及大量的国别案例研究），但直接利用外生的政策变动/选举竞争冲击来同时识别两类项目投票反应的因果证据仍然稀缺。

发展脉络（history）¶

奠基工作： Kitschelt (2000) 和 Stokes (2005) 等经典政治学文献，建立了“纲领性 vs. 庇护主义”的分类学，并指出识别面临的巨大内生性挑战：提供福利的政党往往在公共品上也做得更好，因此观察到的正向投票反应可能是对整体治理表现的反应，而非对特定福利项目的交换。
主要进展（识别策略）： 为了克服这种“全有或全无”的混淆，后续研究【例如 Weitz-Shapiro (2012)，引用在原文中】开始利用微观层面的调查数据（如住户是否收到某类项目），并结合选举结果，试图分离这两种机制。然而，这些研究主要依赖“自报受益”数据，面临“选后记忆偏差”和“报告偏差”的问题（即收到福利的人可能因为感激而声称更支持该政党）。
当前 Frontier：【本文作者切入的位置】 Bardhan 等人（2018）的前期工作，利用西孟加拉邦（WB）的村庄级数据，首次发现了有趣的模式：选民对福利项目（如补贴粮食）的投票响应远大于对公共品（如道路、灌溉）的响应，尽管他们同样报告从两者中获益。这直接挑战了经典“纲领性政治”所预测的均等受益-投票关系，暗示庇护主义在基层的盛行。本文则是在同一数据、同一场景下，通过引入外生的“选区重划（redistricting）”冲击，为上述模式提供了因果识别。
本文的位置： 本文（Bardhan et al., 2020）不仅仅是在描述相关性，而是通过一个精巧的自然实验，证明了“上层政府（Panchayat Samity）在福利项目上刻意操纵跨村庄的分配，以回应选举竞争压力，而对公共品项目则无此操纵”。这为“庇护主义”理论提供了严格的、识别力强的证据。它将一个描述性的经验事实转变为一个具有因果解释的分析。

子线索聚类¶

识别策略线： 这类研究主要关注如何利用外生冲击（如自然灾害、边界重划、选举门槛变化）来分离出选民对_特定_type_ 的政府项目（而非政府整体）的反应。主要方法包括自然实验设计、断点回归、以及本文用到的“差异中的差异” (DiD) 思路 ，但本文的独特之处在于其冲击发生在“层级政府分配”层面，而非选民层面。
理论模型线： 这部分构建了微观基础，如“分层预算模型”、“投票-福利交换模型”（Stokes 2005, 本文中称为“政治庇护主义”），其核心难题是如何将选民对“福利”的偏好与对“公共品”的偏好分离。
证据类型线： 从宏观（国家层面的选举结果）到微观（住户调查的投票意向和受益报告）。本文属于后者，其证据的优势是能够提供更细致的机制检验——不仅看投票，还看“是否自报受益”，从而控制住“满意度假说”的干扰。

这个方向在追问的核心问题（2-4 个）¶

如何干净地识别“庇护主义” vs. “纲领性政治”？ 即，如何区分“选民因预期未来将继续获得利益而投票”（动态激励）与“对过往表现的理性评估”（回溯性问责）？主流方法依赖精巧的自然实验，瓶颈在于找到既影响政府分配、又外生于选民投票行为本身的冲击。
操纵的“载体”是什么？ 是政府层面的（如本文中上级政府调整配给额），还是政党层面的（如政党干部的直接拉票）？不同载体意味着不同的政治成本与收益，从而决定庇护主义的持续性与形式。当前主流方法难以直接观测政党层面的微观活动，而政府层面的分配数据是相对公开和可验证的。
选民在“自我报告的受益”与“实际投票行为”之间的不一致，其来源是什么？ 这是本文发现的一个核心谜题。是回忆偏差（他记错了）、社会期望偏差（他不愿承认自己是被收买才投票）、还是认知失调（他虽然客观受益但主观上认为这是政府应尽的义务）？这些问题处理不好会严重挑战调查数据的有效性。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者如何 frame 缺口： 作者说，尽管前期的Daron 或 Burgess 等人(引用见原文) 做了相关工作，但“缺乏对_选民对不同类型政府项目的反应差异_的_系统性_因果估计”，也无法排除“项目本质”之外的干扰（如项目知名度、质量等）。所以，本文填补了这个缺口。
被淡化/回避的竞争路线： 作者淡化了“纯选后满意度假说”的可能性——即选民因为支持执政党而更可能说受益于其项目。他们声称报告中“同时受益于福利和公共品”的选民对投票的差别反应可以排除这个。但实际上，这种自报受益的“纯满意度”如果是全局的（即对所有项目都膨胀报告），那么单靠“自报受益”无法区分它是源于真实受益还是态度一致。 他们的识别策略（上级政府操纵福利分配）可以被看作是对这个“假说”的一个侧面回应，但仍需强假设。
明显该被引/该存在、却没出现在 intro 里的： 关于“选举回报的非线性和阈值效应”的文献——比如，是否只有获得大量福利（超过某个阈值）的选民才会改变投票？又或者，公共品存在“搭便车”效应（你投票是因为你享受了公共品，但你没有动机去改变投票，因为你无法排除别人共享）。这些讨论能进一步解释“为什么公共品效应为0”。研究者可去检索该论文的引用（即看别人如何评价它）。

张力¶

未见明显对立引用。但可关注：本文的地点是印度特定的（西孟加拉邦，左翼阵线长期执政），其结论是否适用于其他地区？例如，在拉美及非洲的类似研究中，是否存在许多与本文结论相矛盾的证据？如果有，那就是一个关键的张力点。研究者可特别关注反例。

二、最核心、最简单的例子 / 数学问题（先把符号/模型/可观测数据交代清楚）¶

第一步：记号、模型、可观测数据¶

符号：
- \( i \)：村庄（观测单位）
- \( t \)：选举周期（时间索引，通常为3年一个周期）
- \( V_i(t) \)：村庄 \( i \) 在选举 \( t \) 中对执政党联盟（左翼阵线）的得票率（结果变量，estimand）。
- \( B_i(t) \)：村庄 \( i \) 在选举期 \( t \) 间实际获得的福利项目总额（如补贴粮食配额）。这是处理变量（Treatment），但被上级政府操纵。
- \( G_i(t) \)：村庄 \( i \) 在选举期 \( t \) 间实际获得的公共品项目总额（如道路修建、灌溉）。这是另一个处理变量。
- \( R_i(t) \)：依据住户调查，“村庄 \( i \) 在选举 \( t \) 间自报受益于福利项目”的比例。这是一个测量到的“潜在受益”变量，用于控制选民的主观感受。符号可以是Self-reported_Benefit_Welfare。
- \( Z_t \)：外生冲击，代表第 \( t \) 次选举期间是否发生了影响村庄分配的较大规模的“选区重划”（redistricting）冲击。这是一个工具变量/冲击变量。
- \( \alpha_i \)：村庄固定效应（吸收所有不随时间变化的村庄特征）。
- \( \theta_t \)：选举周期固定效应（吸收所有共同的时间趋势）。
模型（简化形式，用于理解核心识别）：
- 作者的核心模型是一个线性固定效应模型，但为简化理解，我们可以说它要估计：
  - 基线模型： \( V_i(t) = \alpha_i + \theta_t + \beta_B \cdot B_i(t) + \beta_G \cdot G_i(t) + \epsilon_{it} \)
  - 问题是，\( B_i(t) \) 和 \( G_i(t) \) 是内生性的（可能与 \( \epsilon_{it} \) 相关，因为表现好的政党才会拿更多钱）。
- 识别模型（关键）：
  - 第一阶段：\( B_i(t) = \alpha_i + \theta_t + \gamma_B \cdot Z_t + controls + u_{it} \)
  - 这步用 \( Z_t \) 预测 \( B_i(t) \)。作者发现 \( Z_t \) 对 \( B_i(t) \) 有显著影响，但对 \( G_i(t) \) 无显著影响。这意味着外生冲击只操纵了福利分配，不操纵公共品分配。
  - 第二阶段：\( V_i(t) = \alpha_i + \theta_t + \beta_B^{IV} \cdot \widehat{B_i(t)} + \beta_G^{IV} \cdot \widehat{G_i(t)} + e_{it} \)
- 可观测数据：
  - 研究者实际可以观测到：
    - 每个村庄的选举结果（\( V_i(t) \)）。
    - 每个村庄的政府项目（福利与公共品）的_实际_分配数据（来自政府记录）。
    - 每个村庄的住户调查数据（自报的项目受益情况 \( R_i(t) \)）。
    - 外生“选区重划”冲击（即知道哪个村在哪个选举周期受到了该冲击的影响）。
  - 研究者真正想要但观测不到的：
    - 反事实：如果没有受到冲击，同一村庄会获得多少福利/公共品？——这是识别内生性的根本困难。
    - 选民的偏好参数：他们是纯粹以自己利益为导向（庇护主义），还是以公共利益为导向（纲领性）？这需要从行为结果中推断。
    - 潜在的、非政府层面的政治操纵：如政党的门对门拉票，这些是无法观测的。

第二步：最小内核（核心思路）¶

最简特例： 将场景简化成两个村庄（村A和村B）、一个选举周期。

设定：
- 在上一个选举周期（周期1），村A和村B的自报受益于福利项目的比例相同（都为50%），对执政党的投票率也相同（都为60%）。
- 在周期1-2之间，发生了一次外生的选区重划冲击（Z），它只影响村A，不影响村B。关键假设是：这个冲击唯一的影响途径是通过改变上级政府对村A和村B的福利项目（B）进行再分配，而对公共品（G）分配无影响。
- 第一阶段检验： 作者发现，在冲击后，与村B相比，村A的福利项目（B） 的分配显著增加了（比如从100单位到120单位），而公共品（G） 的分配没有显著变化。这就是分离效应的证据。
核心思路（直觉）：
- 最小内核的“故事”：现在，我们想知道选民是否因为得到了更多的福利（B）而增加了对执政党的投票。由于冲击（Z）外生于村庄原本的投票意愿（只通过B影响V），而公共品（G）的分配又没受影响，因此我们可以干净地观察到V的变化。
- 在最小特例下，要证的命题： \( \beta_B^{IV} \) （选民对每一单位福利增加的投票反应）是否显著大于零。
- 如果 \( \beta_B^{IV} \gg 0 \)，而 \( \beta_G^{IV} \approx 0 \)：说明选民只对可排除性福利有反应，对公共品无反应。这与“庇护主义”逻辑一致——福利是直接交换选票的工具。
为什么这个例子是“最小内核”？
- 它剥离了所有复杂的固定效应、多个选举周期、以及标准的DiD方法。作者只需计算：\( \Delta V_i = \beta_B^{ID} \cdot \Delta B_i + \) 误差项，其中 \( \Delta V_i = V_i(after-shock) - V_i(before-shock) \)，且 \( \Delta B_i \) 的变动由外生冲击驱动。这本质上是一个单一工具变量计量经济学模型，其核心困难在于证明：
  1. 相关性：冲击 \(Z\) 显著改变了福利分配 \( \Delta B\)。
  2. 外生性（排他性约束）：冲击 \(Z\) 只能通过 \( \Delta B\) 影响投票结果 \( \Delta V\)，而不能通过其他路径（如改变选民对公共品的偏好、改变选民对未来政策的预期等）。
- “加壳”：论文的一般情形则是在这个最小模型上，加上多个选举周期、村庄和年份的固定效应、协变量、以及复杂的聚类标准误，以增强稳健性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题？ 研究了印度西孟加拉邦的农村选民，对不同类型政府项目（可排除性福利 vs. 地方公共品）的投票反应差异，并检验该差异是源于政治庇护主义还是纲领性政治。
核心工具/方法？ 结合分层预算模型（Hierarchical Budgeting Model） 与外生冲击识别策略——利用“选区重划（redistricting）”引起的选举竞争波动，作为村庄福利项目分配变动的工具变量，从而克服项目分配的内生性。
主要结论？ 选民对福利项目有显著的积极投票反应（庇护主义），但对公共品项目无反应（纲领性），尽管受访者同样报告从两类项目中受益。这为“利用福利项目进行政治收买”的庇护主义理论提供了强有力的因果证据。

关键设定与假设¶

在第二节“最小记号”的基础上，论文需要补充以下设定与假设：

假设 1：外生冲击的排他性（Exclusion Restriction）——这是识别策略的命门。
- 含义： 外生的选区重划冲击（Z）只能通过影响福利项目（B）（或公共品分配）来影响投票，不能通过其他渠道（如改变村民的偏好、增加其他政府透明度、影响反对党实力等）。
- 检验： 作者通过第一阶段方程证明了Z只显著影响B（福利），对G（公共品）无显著影响。此外，他们通过平衡性检验（检查冲击发生后，村庄其他特征是否发生系统性变化）来佐证该假设。但排他性假设本身无法被统计检验“证明”，它依赖于研究者对研究背景的深入理解。
假设 2：平稳单位处理效应（SUTVA，Stable Unit Treatment Value Assumption）
- 含义： 一个村庄所获的福利分配，不影响其他村庄的投票行为。这对于跨村庄的选举数据可能成立，但需考虑“网络溢出”效应（例如，A村福利少，导致选民迁移到B村的选情，影响B村投票）。
- 论文未直接检验，但这是所有此类研究的标准假设。
假设 3：分层预算模型的有效性
- 含义： 模型假设上级政府（Panchayat Samity）的预算分配是两阶段决策：首先确定总盘子，然后按“庇护主义”逻辑分配给不同村庄。这个模型是作者论证“为什么福利项目会被用作选举工具”的理论基础，但其参数本身无法从数据中识别，它只是提供了一种解释的框定。
相比已有的文献，本论文的假设：
- 强化了：对内生性偏误的处理更干净（本文使用外生冲击，许多早期工作用OLS或匹配）。
- 放宽了：作者可以只依赖单一冲击数据，而非对“所有潜在混淆因素的分布”做出强假设。

主要结果（理论型）¶

由于本文是应用实证文章，此处列出核心量化结论与识别策略。

结果 1：选民对福利项目的投票反应显著为正，对公共品无反应（基准回归结果）。
- 作者用村庄固定效应 + 年份固定效应模型估计：福利项目（B）的系数 \( \beta_B \) 为正且显著（p<0.05），公共品项目（G）的系数 \( \beta_G \) 为负且不显著。
- 解决了什么技术难题？ 如果没有工具变量，这种OLS估计会面临严重的内生性偏误（例如，表现好的政党拿更多钱、同时选票高）。作者的工具变量策略（外生冲击）是解决这个问题的核心。
结果 2（机制检验）：外生冲击确实导致了福利项目的再分配，而非公共品。
- 第一阶段回归：冲击（Z）对福利项目（B）的系数为正且显著，对公共品（G）的系数不显著（通常在“是否成为冲击对象”与“冲击的激烈程度”两个维度上）。这直接验证了作者的“分离效应”——上层政府只操纵福利，不操纵公共品。
结果 3：选民自报受益于两类项目，但其投票行为却与自报受益的“福利”项目显著相关，与公共品无关。
- 将“自报受益于福利/公共品”作为控制变量加入回归。发现投票行为仍只被“实际福利分配”驱动，而“自报受益”的模式无法解释。这推翻了“选后满意度/回忆偏差”假说，为反向因果提供了有力反驳。

证明路线与技术技巧（应用/方法型，重点讲方法设计）¶

整体路线（一个通过自然实验构建因果链条的过程）：
1. 提出假设（Hypothesize）：先基于印度多级政府（州-区-村）治理结构，提出“福利项目更易被操纵 -> 选民对福利项目有感应 -> 公共品无反应”的庇护主义假设。
2. 发现外生冲击（Find a Natural Experiment）：作者发现1998年西孟加拉邦的选区重划（Panchayat Samity redistricting） 事件，它改变了区级（Block）与村级（GP）的选举竞争关系，引发新一轮的政治投入。
3. 构建识别框架（Build the IV Strategy）：将“是否/多大程度受到选区重划冲击”作为工具变量，构建两阶段最小二乘（2SLS）模型：
  - 第一阶段： \( Welfare_{it} = \alpha_i + \theta_t + \gamma \cdot Redistricting\_Shock_{gt} + controls + \varepsilon_{it} \)，估计出福利分配对冲击的反应。
  - 第二阶段： \( Vote Share_{it} = \alpha_i + \theta_t + \beta_B \cdot \widehat{Welfare_{it}} + \beta_G \cdot Public\_Good_{it} + controls + \eta_{it} \)，其中 \( Public\_Good_{it} \) 被视为外生（或也做类似处理，但实证显示其无反应），这里的关键是只用冲击预测的福利变动来估计其投票弹性。
4. 排除其他解释（Test for Alternative Explanations）：
  - 安慰剂检验（Placebo Test）：检验冲击是否影响了其他没有被操纵的政府项目（结果1的稳健性）。
  - 平衡性检验（Balance Test）：检查冲击村庄与非冲击村庄在冲击发生前，其他特征（如人口、土地等）是否平衡，以支持外生性。
  - 控制“自报受益”：加入住户调查的自报受益数据以排除金钱幻觉和满意度假说。
关键跳跃点：
- 跳跃点 1：从“相关性”到“因果性”。 原始数据中的 \( Vote \sim Welfare \) 相关性太强（即政党表现与福利分配同步变化）。工具变量的引入将这个关系分解为：\( Vote \leftarrow (\]Redistricting\_Shock) → Welfare → Vote \)。只要冲击不直接通过其他路径影响Vote，那么这个路径上的效应就是因果效应。
- 跳跃点 2：证明“排他性约束”。 关键在于论证选区重划冲击（Z）不直接影响村民的投票偏好。作者通过两层论证：第一，冲击只变更了区一级的选举单元，村民的大众选举（州、国家层面）不涉及；第二，冲击引发的利益再分配，会集中体现在可以从上级政府调整的福利项目上，而地方公共品多由地方政府（GP）自行决定，不受冲击影响。这个论证的成功依赖于作者对地方政治制度的深刻理解。
技术技巧点名：
- 技巧 1：固定效应模型（Two-Way Fixed Effects）：吸收了所有村庄层面的不随时间变化的特征（如基础治理能力、历史投票倾向）和所有选举周期的全国性趋势（如宏观经济、全国性政策）。这是处理非实验数据面板数据的基础工具。
- 技巧 2：工具变量 (2SLS)：解决内生性的典型方法。
- 技巧 3：聚类稳健标准误（Cluster-Robust Standard Errors）：由于冲击发生在“选区”层面，而观测数据在“村庄”层面，必须考虑同一选区内的村庄误差项可能存在相关。论文在此处的处理很标准。

真实例子与应用¶

被用数据： 来自印度西孟加拉邦（West Bengal）的农村家庭调查（Village-level Household Survey），覆盖多个选举周期（主要在1990年代）。数据包括：每个村庄的选举结果（得票率）、政府项目的详细记录（福利物资数量、公共项目投入）、以及随机抽取的住户自报信息。
怎么把本文方法用上去：
- 作者将数据按村庄×选举周期展开。对于每个村庄，他们记录其“是否/多大程度上受到选区重划冲击”的虚拟变量或连续变量，构建工具变量。然后，他们反复运行第一阶段和第二阶段回归。
得到什么结果：
- 主要发现： 工具变量估计下的 \( \beta_B^{IV} \) （福利对投票的影响）是基准OLS估计的两到三倍大，而 \( \beta_G^{IV} \) 仍不显著。这表明，剔除内生性后，福利对投票的“纯因果效应”比看似更强大，而公共品则确实没有独立的选举回报。
这个例子想说明什么：
- 展示识别策略的优势： 工具变量方法有效地暴露了OLS回归所无法揭示的真实庇护主义模式——因为如果只看OLS，可能将“福利分配”和“整体治理能力”等混杂因素混在一起，低估了福利本身的选举要价能力。
- 验证理论： 直接对理论模型（庇护主义 vs. 纲领性）进行了“实证检验”，并提供了明确支持前者（且排除后者）的证据。

🔎 结论是否比证明窄¶

是，结论可能比证明窄。

第一，排他性假设并不完美。 作者声明“选区重划只通过福利分配影响投票”。但选区重划是否会触发其他政府行为？例如，它可能改变官员的绩效考核压力，导致在其他方面（如回应能力）做出改进，而这也能影响投票。作者无法完全排除这种可能，只能在稳健性检验中证明“对公共品无影响”来弱化此担忧。
第二，“处理”的定义可能更宽。 作者谈论的是“福利项目”的分配，但本质上，这个“处理”似乎包含了“更有选举动机的政府官员”所进行的更广泛的挣扎行为。严格来说，我们只能称“在上层政府受到选举压力时，其行为（包括但不限于调整福利）对投票有影响”，而不是仅仅“福利分配”本身。
第三，结论是基于特定时地（西孟加拉邦·1990年代·左翼政权）的， 能否推广到其他政党形态（如多党竞争的民主国家）或不同发展水平的地区，作者只在结尾以推演的方式提及，并未提供证据。

四、开放问题（点到为止，扎根具体语句）¶

更强的外生冲击： 原文中，选区重划冲击（Z）是唯一的干扰源。如果能找到一个更干净的自然实验（比如中央政府的随机化项目试点）、或者一个能彻底满足“排他性约束” 的冲击（例如某种自然灾害只影响卫生设施的分配，而不影响其他任何政府项目），那么就能对不同类型的项目（福利、公共品、基础设施）的选举回报进行更精细的点估计。【扎根于：排他性假设的假设条件】。
微观机制检验： 本文在村庄层面找到了福利分配影响选举的证据。但在微观个体层面，为什么选民会如此反应？是纯粹的“经济人理性”（谁给我好处我投谁）？还是更复杂的“社会规范”在起作用（如“拿了东西不投会被视为不道德”）？这些微观机制仅靠村级数据无法检验。研究者可能需要个体层面的面板数据（追踪到同一户的福利获取和投票行为），并辅以实验性调查（如设计故事/情境实验来测量其道德动机）。【扎根于：原文关于自报受益与投票差异的讨论，以及作者在未来研究中提到可以进一步探索的问题】。
理论模型的参数化与检验： 作者提出的“分层预算模型”是一个很好的定性框架，但缺乏严格的统计检验。开放问题是：能否对“精英食利”模型的参数（如政客的生态学权衡、选民的贴现因子等）进行统计推断？ 这需要为每个村庄模拟一个最优化问题，然后看解出来的参数是否与政治学的观察一致。这需要涉及贝叶斯推断、结构估计等技术。【扎根于：模型是一种理论解释，但并未被当作统计模型直接估计】。
超越西孟加拉邦的泛化性： 如第二节所述，本文的结论高度依赖于特定情境。一个关键的开放问题是：在政党结构不同（如非左翼政党）、选举周期不同、选民结构不同（如受教育程度更高的地区）的国家，是否存在类似的庇护主义模式？ 这是国际比较政治学中经久不衰的难题。要回答它，需要找到同样能识别“福利”和“公共品”的反应差异的外生冲击，并克服测量上“不同项目类型在不同制度下的可比性”问题。【扎根于：引言末尾和结论部分作者对“印度特殊性”的讨论】。

⚠️ 给研究者的特别提醒： 要确认第2点的“微观机制检验”是否是一个真正的缺口（Gap），建议去Google Scholar上检索“voter responsiveness individual level clientelism”，同时搜寻近5年（2020-2025）的文献。如果多数论文都在讨论“个体层面的政治动机”，则它在本文的语境下就是一个明显的gap；如果文献已经饱和，则作者可能没有强调它，选择其他问题。

Maintained by 陈星宇 · Homepage · Source on GitHub