多维幸福衡量实践：聚焦于改进全球多维贫困指标的综述

10800 实践 《关注提升全球多维贫困指标的研究综述》 本诺特·德塞弗 政策研究工作论文 10800 摘要 多维度的福祉指标有可能减少与货币指标相关的“偏差”。然而，它们面临着严格的数据限制。本文研究了构建指标的方法，这些方法在（i）可靠性方面达到概念上合理的福祉比较近似和（ii）应用和沟通的简便性之间取得平衡。建议主要集中在全球多维贫困衡量上。本文确定了三个潜在的改进来源：“浪费”更少的数据、更好地过滤数据以及进一步发展 多维分析。通过避免不必要地将所有变量二分化、利用可用的死亡率数据以及将来自不同调查的变量相结合，可以减少信息的“浪费”。为了更好地筛选数据，“等权重”可以被来自外部偏好信息的权重所取代。当数据允许时，分析的单位应从家庭层面切换到个人层面。最后，应使用多维指标来帮助超越次优的“逐维度”政策制定方法。 本文为世界银行发展研究小组、发展经济学以及全球减贫与平等实践项目的研究成果。它是世界银行为提供开放的研究成果并促进全球范围内的发展政策讨论而做出的更大努力的一部分。政策研究工作论文也发布在http://www.worldbank.org/prwp上。作者可通过bdecerf@worldbank.org联系。 多维福祉测量实践：一个关注提高全球多维贫困指标的研究综述∗ 贝诺特·德塞夫 DECPI，世界银行 JEL: I32. 关键词：多维幸福感，贫困衡量，数据限制。 ∗致谢：我感谢Paola Ballon、Mery Ferrando、Jed Friedman、Balint Menyhert和Berk Ozler提出的宝贵建议。我感谢世界银行内部两次研讨会的所有参与者。本文是作为由全球解决方案集团数据政策全球实践和DEC组织的贫困测量研究前沿系列的一部分准备的，由Utz Pape和Jed Friedman领导。本文中表达的研究发现、解释和结论完全是作者的个人观点，不得以任何方式归因于世界银行、其附属机构或其执行董事会成员或他们所代表的国家。世界银行不对本文中包含的数据的准确性做出保证，也不对使用这些数据产生的任何后果承担责任。 1 引言 幸福感指标是制定基于证据的政策的重要工具。它们允许针对最不利的群体，将努力分配给福利最低的地区，并监测进展。这些任务通常使用货币指标来完成。然而，货币指标通常会导致福利比较的偏差，因为它们没有考虑到幸福感的多元性。考虑非货币结果的多元幸福感指标可以潜在地减少这种偏差。 在实践中，构建多维指标面临着严格的数据限制。首先，对于非货币性结果或“成就”，没有明确的价格定义。因此，实践者通常对与排名成就向量相关的偏好信息有限或没有信息。其次，幸福关键维度的联合分布通常缺失。因此，实践者可能观察到部分分布，但不知道同一个人是否在多个维度上累积了低成就。这两个限制阻碍了实践者构建概念上理想的多维指标。 这些数据限制导致了两种截然不同的极端反应。第一种反应是在摒弃基于偏好的幸福观以及非家长主义的同时。许多用于处理多维度指标的信息缺乏的实用主义理论通过排除偏好理论来处理。例如，这是在实践中最广泛使用的多维贫困度量理论的基础。1第二种极端反应，可能是由第一种极端反应引发的，就是否认多维指标的合理性。根据这种观点，政策制定只需要一套指标仪表盘，而一个总结性的多维指标并不会带来额外的价值。诚然，实用主义多维指标的概念基础似乎不如货币指标稳固。然而，这并不意味着它们必然会产生更不可靠的福利比较。可以说，这两种极端反应都并不完全令人满意。 本综述旨在确定进一步改进多维福祉测量实践的机会。所采取的视角是务实的，尽管它力求保持概念上的合理性。它在概念上合理，因为它基于一个普遍和经典的以偏好为基础的福祉观念。它之所以务实，是因为它从当前实践出发，将数据限制视为既定条件，并在保持实施和沟通简便性的同时寻求改进。在这个细致入微的视角下，目标是构建最可靠地产生符合理论的福祉比较的指标。因此，最佳的指标最小化 数据限制导致的错误比较。从广义上讲，该指标在过滤可用数据时产生最大的“信号与噪声比”。 本综述聚焦于全球多维贫困度量方法。首先，多维贫困度量方法可以说是政策制定中最常用的多维指标，这或许是由于Alkire-Foster（AF）方法论的简便性所致。其次，全球应用面临最严格的数据限制。然而，我们确定的大多数改进机会在国家或地区层面仍然具有意义。所提出的概念框架还可以指导超越贫困的福祉度量实践。 我们确定了三个潜在改进的来源：“浪费”更少的数据，更好地过滤使用的数据，以及更好地利用多维贫困指标的附加值。前两个来源与指标构建相关，而第三个来源与指标的使用相关。 潜在改进的主要来源是“减少”数据浪费。讽刺的是，尽管数据约束严格，大量相关数据却被简单忽略。在很大程度上，这个问题源于限制跨维度汇总的指数概念上的僵化。我们确定了三种减少当前数据“浪费”的方法。 首先，识别多维贫困的AF方法基于二元剥夺状态，即在给定的变量中要么是剥夺的，要么是非剥夺的。然而，并非所有变量都是二元的。例如，消费就是一个基数变量，而一些健康或教育结果则通过分类变量来捕捉。将这些变量二元化会导致信息损失。我们在文献中发现了两种概念上合理的解决方案来减少这种信息损失，并展示了即使在缺乏相关偏好信息的情况下，这些解决方案也可以如何实施。 其次，尽管其内在价值很大，但长寿在所有全球多维贫困衡量标准中都被忽视。死亡率数据通常可获得，但这些数据并未被使用。一个困难在于死亡率与其他成就之间的联合分布几乎总是缺失。然而，这并不意味着忽略死亡率的指标能带来更好的跨区域比较，恰恰相反。存在一些概念上合理的指数，将这些指数整合到贫困衡量标准中，同时假设给定区域内所有个体面临相同的死亡率风险。这些指数在某种意义上是“混合”的，因为它们考虑了某些而非所有变量的联合分布。2 2例如，假设两个变量x的联合分布1和 x 2(收入和教育)是已知的，但变量x之间的联合分布却未知。3死亡率和另外两个变量的具体数值是未知的。考虑一个综合 x 的指数。1逗号，空格，x 2和 x 3在考虑x之间的联合分布的同时1和 x 2本指数在某种意义上是“混合”的，因为它仅考虑了某些但并非所有变量的联合分布。 第三，由于货币和非货币结果通常通过独立的调查收集，消费与健康状况之间的联合分布数据往往缺失。全球多维贫困衡量方法中使用的经典解决方案是忽略这些福利的两个关键方面的数据之一。我们确定了三种构建混合指数的替代方法，以考虑来自独立调查的数据。前两种方法包括假设缺失的联合分布的值，而最后一种方法在地方层面上假设非货币结果相等。第一种方法假设货币和非货币贫困人口比率之间的重叠部分。我们在一个情境中表明，这种方法无论假设的重叠（不可观测）的确切值如何，都能产生比经典解决方案更好的福利比较。令人震惊的是，“虚构”重叠数据可以提高福利比较。原因是它允许增加使用的数据量。第二种方法包括将消费数据归入非货币调查。我们认为，评估此类归因方法的相关性的相关基准是未提供内容是否假设的联合分布足够正确，而不是它是否改善了福利比较。第三种 方法在于构建一个“总消费”变量，该变量将货币消费与货币估值的无货币结果相加，这些结果被认为在地方层面上是均等分布的。我们提出了一种构建“总消费”变量的方法，该方法承认每个福祉的核心维度都是至关重要的。 第二个潜在改进的来源与更好地筛选所使用的数据相关。我们确定了两种可以实现的方法。第一种是超越默认程序，该程序将所有维度的权重均等分配。这种方法的优势在于无需相关信息即可应用，但存在做出不可信权衡的风险。可以从主观幸福感数据或专门的偏好调查中获得有关相关偏好的信息。我们简要地介绍了一种从这些数据源中选择权重的程序。3重要的是，这个程序考虑到了多维贫困度量权重的事实。未提供内容边际替代权重。这一事实表明，表面上看似自然的程序并不适合目的。4第二个方面是将分析单位从家庭层面切换到个体层面，一旦...一些变量在个人层面进行收集。我们讨论了这种转变的优势以及其相关的误解释风险。 第三种潜在改进的来源与指标的使用方式有关。仅仅报告货币贫困个体倾向于累积非货币剥夺，给人留下这种努力没有额外价值的印象。多维 指标，当正确使用时，有潜力提高最不利群体的识别并改善政策制定。通过一个玩具示例，我们表明逐维度制定政策是不优的，而多维指标可以为政策制定者提供有价值的见解。值得审查与多维贫困度量相关的最相关分析类型。这可能有助于标准化此类分析。 剩余部分组织如下。章节2呈现我们设计指标的务实方法，这些指标最好地近似于一个概念上合理的幸福感观 念。3详细说明了我们发现的进一步改善全球多维度机会的内容。 章节 4总结了确定的机会，并简要讨论。贫困测量。章节：它们的相对相关性。章节5列出研究论文以研究这些机会在实践中的应用。 2 在实践中的福祉测量 2.1 健康观念概述 我们考虑一个关于幸福感的总体概念。 相关维度j ∈ J，该向量指定了个体i的结果x。ij 在货币案例中，她可能能够捕捉到她消费的商品j的数量，或者它可能测量某些营养摄入量，或者某些确保的权利、能力或实现的功能水平。 任何有意义的个人福祉概念都会在成就向量上产生一个排名。这个排名源于个体在非家长式观点下的偏好。不失一般性，5此排名可以通过效用函数u表示。i 本文，我们坚持对成就向量的序数比较，并且仅将函数u作为表示这些比较的便捷工具。假设保持相同的排名i 个体福祉可以在个体之间以及个体之间进行比较。对于所有个人，6 时间与 u(x ). i个人福祉（ ） 一个社会福祉的标准概念可以定义为某些值的平均值。 5个体福利观念被认为是序数性的，因为它仅取决于潜在排名。特别是，它比福利主义观念更为通用。它还包括以下观念：森,1999;Nussbaum,2009). 从最小权利或能力（ 6这是一个强烈的假设，因为个人可能持有异质偏好。然而，由于缺乏关于偏好的信息，这个假设在实践中几乎总是被采用。对于不采用此假设的最近应用，请参见：博拉尼等(2022). 单调的个人幸福感转换（ ）Piacquadio,2017).7 1 X f社会福祉(u(x))()Nii 其中，N 表示个体数量。用 U 表示社会福祉当函数 f 是一个增函数变换时。例如，我们得到平均个人福祉，当函数贫困f 定义为 f(u(x)) = u表示 2.2 为什么要在维度之间进行聚合？(x . Let)P当函数iif 是基于一个参考的“低福利”阈值 u 的递减转换。例如，当函数 f 定义为 f(u(x))=1 时，我们得到贫困头数比。i否则。当_u_0 (x)并且 （笑脸符号） 下划线符号i拉瓦尔松(2011)观察认为，在许多政策目的中，跨维度汇总并非必要。然而，这并不意味着汇总在政策制定中永远不会有所帮助，正如有时所听到的。实际上，汇总至少可以出于三个原因而有用，所有这些原因都与基于证据的政策制定相关。 首先，优先政策制定者将他们的努力目标针对最低福祉的个体。确定这些个体需要进行人际福祉比较，通常 iu(x) > u(i)(x)′情况更糟的是）ii′i 67尽管个人幸福指数它是序数，其单调变换u(x)u(x )ii是基本要素，即水平方面的差异假设是具有意义的。u(x )i 其次，优先政策制定者将他们的努力和预算分配给社会福祉最低的地区。确定这些地区需要跨区域进行福祉比较，通常... RRU ((x ) )(( )′您提供的文本 \"i i∈ \" 是数学符号，翻译为中文为：i 属于 i 的集合。> U x该区域的情况比该区域更好。) () 第三，通过跟踪指标U或P的趋势来监控进展。关于福祉是否随时间提高所形成的客观观点，还需要在不同维度上进行整合。事实上，当其中若干指标趋势相反时，特定维度的指标仪表板对进展方向保持沉默。Ri ∈ R′RRP ((x ) )(( )′您提供的文本 \"i i∈ \" 是数学符号，翻译为中文为：i 属于 i 的集合。《P x》地区比地区贫富差距小。) (