从中产阶级到一夜贫穷

10304 从中产阶级到贫困 COVID - 19大流行对发展中国家的不平等影响 MarianaViollazDanielDuqueCarolinaDiaz-BonillaDavidNewhouseMichaelWeber 社会保护与就业全球实践与贫困与公平全球实践2023年2月 从中产阶级到贫困：COVID - 19大流行对发展的不平等影响国家/地区 Mariana Viollaza DanielDuqueb Carolina Diaz -Bonillac DavidNewhousec MichaelWeberc JEL代码: C36, D31, O20关键词：微观模拟，经济学冲击，分配影响 1.Introduction COVID - 19大流行和相关的遏制措施导致经济活动水平急剧下降，并扰乱了全球劳动力市场，可能对分配产生巨大影响。发达国家和发展中国家的经验证据表明，传统上处于不利地位的工人-妇女，年轻和受教育程度低的工人-受到大流行的打击最大，因此，现有不平等的模式正在加剧（Adams -Prassl等。，2020；费尔利等人。，2020；李等人。，2021年；库格勒等人。，2021年）。 发展中国家的工人通常是自营职业者或在非正式安排中工作，收入水平相对较低。遏制措施尤其影响到这些工人群体，导致收入减少和陷入贫困的可能性增加。为了制定有效的政策来保护人口中最脆弱的群体，需要了解大流行的分布影响。从长远来看，对个人和家庭在任何危机中受到影响的迅速估计的计算是及时采取政策对策的关键投入。 在COVID - 19大流行期间，使用了不同的数据来源和方法来估计危机的分布影响。特别是，电话调查在大流行期间获得了势头，作为在尊重社会距离和封锁政策的同时收集实地信息的工具。电话调查成功地收集了有关受访者的就业状况以及他们对家庭收入下降，保持不变或增加的看法的信息（Khamis等人。，2021年；库格勒等人。，2021年）。一个完全不同的方法来估计分配的影响是通过可计算的一般均衡模型，使用不同的方案的GDP减少和传导机制，如在国际劳工组织（2020）和Vos等。（2020）研究。此外，一些研究使用人均收入或消费收缩的不同情景，或者使用人均GDP减少的实际信息来调整大流行前的贫困线（Smer等人。，2020年；迪奥普和阿松谷，2020年）。但是这些方法做出了强有力的分布或结构假设，这导致结果对方法的选择很敏感。 在这项研究中，我们采用了不同的方法，该方法应用了宏观微观模拟，将COVID - 19之前的家庭调查微观数据与2020年部门就业水平、部门GDP、私人消费和汇款数据相结合。利用这些信息，我们模拟了COVID - 19冲击通过三个渠道的传播— —失业、劳动收入下降和汇款变化— —对2020年每个国家家庭人均收入(或消费)以及贫困、弱势群体和中产阶级人口的影响。我们提出了预测。 2020年有五个发展中国家-巴西、斯里兰卡、菲律宾、南非和T ü rkiye. 目标有三个方面。首先是要了解在危机期间，基于GDP弹性的就业预测可能会有多大偏差。就业水平的变化是这些宏观微观模型的关键输入。当没有就业数据时，需要对就业增长或损失进行预测，这些预测通常基于就业对GDP的弹性。第二个目标是更好地了解大流行第一年经济冲击对世界不同地区五个国家的分配影响。最后，第三个目标是更好地了解巴西的危机后冲击幅度数据，拟议方法在多大程度上准确估计冲击的分布影响。 将COVID - 19之前的微观数据与2020年的国民账户数据相结合来估算2020年的贫困率与其他研究类似（拉加经委会，2020年；布鲁姆和德罗莎，2021年；世界银行，2021年）。这里使用的方法在两个方面与这些研究不同。首先，我们使用与拉加经委会（2020年）和Brm ad De Rosa（2021年）不同的程序来模拟个人和家庭劳动收入的变化。特别是，与世界银行（2021）类似，我们预测个人失业的可能性，作为就业部门和手续状况的函数。3第二，我们在考虑政府转移支付和在家工作的可能性方面有所不同。与其他几项研究不同，我们的研究在模拟家庭收入变化时不包括政府转移支付的变化，因为这里研究的所有国家都缺乏信息，因此保持可比性。它预测了总收入变化、贫困率以及弱势群体和中产阶级人口的份额，这些变化可以归因于失业、劳动收入变化和汇款变化。 首先，我们首先对根据劳动力调查或其他官方来源提供的危机后就业数据选择的15个发展中国家的就业弹性预测进行深入分析。样本包括来自欧洲和中亚地区的5个国家，来自拉丁美洲和加勒比的6个国家，来自东亚和太平洋地区的3个国家，以及来自撒哈拉以南非洲的1个国家。当没有就业数据可用时，就业弹性是预测就业变化并模拟冲击的分配影响的关键输入。然而，这些估计可能在危机期间提供有偏差的投入，特别是在最近的大流行期间，当时观察到国内生产总值大幅下降。例如，基于弹性的就业预测可能高估了就业损失，因为大多数国家实施了危机救济措施，如现金转移和工资补贴，这些措施可能保护了就业，但没有反映在国内生产总值增长中。因此，我们使用COVID - 19之前的GDP和就业水平数据，使用不同的模型规格进行敏感性分析。然后将预计的就业水平与观察到的2020年值进行比较。实际就业水平和预测就业水平之间的差异或偏差与。 严格的社会距离措施，流动性措施以及在国家一级扩大现金转移计划的措施，以了解某些规范缺乏精确性的背后是什么。 其次，我们在五个国家应用了宏观微观模拟方法，将COVID - 19之前的家庭调查与2020年的国民账户数据相结合。该方法遵循Borgigo和Ferreira（2005）提出的家庭创收模型，我们不使用CGE模型或宏观预测从宏观变化到微观影响，而是使用2020年就业水平、部门GDP、私人消费和汇款的实际数据。模拟结果用于预测2019年至2020年家庭人均收入或消费的变化，不同线的贫困率变化以及弱势群体和中产阶级的份额变化。 第三，我们比较了在宏微观模拟方法中使用2020年实际就业数据和使用基于就业弹性计算的就业预测获得的贫困，弱势群体和中产阶级的变化。 最后，我们使用PNAD - CON í nua的2019年和2020年微观数据验证了我们对巴西的估计。使用这项调查，我们计算了实际贫困率和贫困率，不包括自疫情爆发以来实施的紧急援助计划的收入。这使我们能够隔离由失业、劳动收入和汇款渠道解释的贫困变化。 我们的结果可以总结如下： (i)在大多数国家，基于弹性的2020年就业估计是相当准确的。在15个国家中，有11个国家的预计就业水平在实际水平的5％以内。然而，在四个国家，预测大大高估了就业水平，因此低估了危机造成的失业。这种偏见往往更大(i)从社会距离措施的严格性、工作场所流动性的变化以及现金转移计划的扩大程度来衡量，对于受疫情影响更大的劳动力市场，以及(ii)与工业和服务业相比，农业部门的这种偏见往往更大。(ii)The simulations show declines in the per household income or consumption across the entiredistribution. However, the impacts across the distribution varieted across across across thancountries, with no clear patterm. InT ü rkiye，不同收入群体的变化是相似的。在菲律宾，中间三个五分之一家庭的模拟减少幅度最大，而在南非，前三个五分之一家庭的模拟减少幅度最大。当使用基于弹性而不是实际就业数据的就业预测时，所有国家和五分之一的预计收入下降幅度较小。(iii)2020年巴西的实际微观数据显示，模拟结果低估了整个分布过程中的冲击幅度，特别是对富人来说，因为他们低估了收益下降，从而低估了 贫困。当使用基于弹性的就业预测而不是2020年就业水平作为微观模拟的输入时，低估甚至更大。 总体而言，结果喜忧参半。在大多数国家/地区，基于就业弹性的估计是相当准确的，尽管通常是在高估就业的方向上，但在劳动力市场中断程度较高的国家/地区，它们的准确性往往较低。此外，在所考虑的五个国家中，宏观微观模拟方法捕获了劳动力市场结构和冲击的宏观经济影响的差异，这些差异导致了预期的分配影响的明显差异。总体结果显示，在没有将新的紧急公共转移作为缓解措施的情况下，2020年所有五个国家的中产阶级都在下降，贫困在增加。但是，在巴西，模拟方法大大低估了（转移前）收入损失的程度，这表明这些宏观微观模拟需要对假设进行进一步的微调，以便：（a）减少小时数，并作为国家保护就业稳定计划的一部分而相应减少收入；（b）考虑到将紧急公共转移从模型中排除意味着需要在模型中施加更大的私人消费冲击。 论文的其余部分组织如下。第2节介绍了使用不同就业弹性模型对2020年就业水平的预测。第3节介绍了宏观-微观模拟方法和主要结果，而第4节讨论了稳健性检查和验证练习。第5节总结。 2.就业弹性的重要性及其估计 就业对GDP的弹性旨在捕捉劳动力市场对宏观经济条件变化的反应。在观察到GDP大幅下降的危机期间，弹性估计可能会提供对就业水平的有偏差的预测。例如，在没有失业保险等劳动保护机制的国家，工人可以重新分配给自营职业或非正规部门，以避免失业。 我们假设基于弹性的估计会高估大流行危机期间的就业损失，原因有三。首先，GDP增速大幅下滑。对于依赖旅游业和商品出口的国家以及政策空间有限的国家来说，产品损失异常大（IMF，2021年）。2020年，西班牙（欧洲地区）的GDP损失高达11％，菲律宾（亚洲地区）为9.5％，墨西哥（北美）为8.2％，委内瑞拉玻利维亚（南美）为30％，黎巴嫩（中东和中亚）为25％，南非（撒哈拉以南非洲）为7％（IMF，2021年）。如果就业弹性本身取决于GDP损失的程度，那么在正常年份得出的弹性度量在冲击期间可能不准确。其次，大多数国家都实施了危机救济措施，包括现金转移，工资补贴和劳动法规调整（Getilii等人。，2021年；世界银行，2021年；国际劳工组织，2020年)。其中一些措施，如工资补贴，可能保护了就业，但没有反映在GDP增长中。第三，危机降低的生产率可能超过了就业。 许多行业供应链的中断以及社会距离政策的实施，这些政策降低了流动性并促进了远程工作5. 在本节中，我们使用不同的模型规范获得了农业，工业和服务业的就业弹性估计。利用这些弹性，我们预测了2020年的就业水平，并将其与实际就业数据进行了比较。我们覆盖四个地区的15个国家。样本包括来自欧洲和中亚地区的阿尔巴尼亚、保加利亚、北马其顿、罗马尼亚和蒂尔基耶；来自拉丁美洲和加勒比地区的巴西、哥伦比亚、哥斯达黎加、厄瓜多尔、墨西哥和秘鲁；来自东亚和太平洋地区的印度尼西亚、菲律宾和越南，以及来自撒哈拉以南非洲的南非。这些国家是根据劳动力调查或其他官方来源提供的危机后就业数据选择的。 为了计算就业弹性，我们使用了2010年至20186年期间的部门就业和部门GDP水平数据，分别来自国际劳工组织和世界发展指标。为了预测2020年的就业水平，我们使用了国际劳工组织的2019年就业水平和世界银行宏观贫困展望的2020年国内生产总值估计变化。最后，我们将我们的就业预测与国家统计局2020年就业水平的实际数据进行了比较。 2.1就业弹性模型和结果 我们比较了六种不同估计方法的估计弹性。这些模型是分别为每个国家估算的。首先，我们计算部门平均弹性。平均部门弹性被定义为获得的年度弹性之间的平均值，即连续年份之间的就业百分比变化与GDP百分比变化之间的比率。其次，我们通过从先前的计算中排除那些超出定义为Q的界限的年度弹性来计算没有异常值的部门平均弹性。1- (1.5 * IQR)和Q3+ (1.5 * IQR)，其中Q1和Q3是年度弹性的第一和第三四分位数，IQR是四分位数范围。第三，我们应用均值回归方法，通过估计就业对数