2024年萨尔瓦多贫困与公平评估：改善生活和生计——背景说明2：2018-2022年萨尔瓦多的贫困和劳动力转型

1 2背景说明2摘要关键词：贫困，转移矩阵，收入，劳动力市场JEL分类：I32，J01萨尔瓦多的贫困与劳动力转型 2018-2022使用2018-2022年多功能家庭调查（EHPM）的面板数据，本笔记分析了萨尔瓦多的贫困和劳动力转移动态。我们计算了转移矩阵，并确定了与这些转移相关的关键因素。劳动力转移，更具体地说，是新家庭成员融入劳动力市场，是贫困动态的关键决定因素。在我们样本中的典型年份，大约三分之一的贫困家庭摆脱了贫困，大约一半的极端贫困家庭摆脱了极端贫困。初始收入状况对定义转移至关重要，因为收入越接近贫困线，脱离或陷入贫困的概率就越大。 一。介绍萨尔瓦多的贫困率在2018年（26.3%）和2022年（26.6%）之间保持稳定。值得注意的是，尽管受到COVID-19大流行的影响，贫困状况并未改变。然而，仍有一些关于这种明显稳定内部动态的开放性问题：在此期间有多少家庭陷入贫困，又有多少家庭摆脱了贫困？贫困家庭的特征是否保持不变，还是发生了变化？这些问题对于极端贫困尤为重要，因为其比率在同一时期从5.7%大幅增加到8.6%。是什么解释了这种增加？陷入极端贫困的家庭有哪些特征？在本报告中，我们将探讨这些问题。_ 2. 阿迪森等（2009）；比德和梅塔（2018）；坎托等（2012） 3. 阿亚隆（2013） 4. 贾金斯（2011） 5. 鲍纳杰和杜洛（2015） 6. 坎托等（2012）7. 哈尔姆等（2001）；贾兰和拉瓦里昂（2000）贫困本质上是一个动态现象，不仅因为在时间推移中观察到总量（朝一个方向或另一个方向）的变化，还因为它是由朝相反方向流动的家庭组成的，其中一些家庭正在摆脱贫困，而另一些家庭正在陷入贫困。此外，贫困动态分析还允许识别那些在不同状态之间没有移动的家庭，无论他们是否仍然处于贫困状态。3从这个意义上说，动态分析引入是从“症状”对贫困动态的分析，能够让我们超越其发生率、强度、构成以及相关特征的理解；它探索了与其持续存在和当然的消除相关的核心过程，这体现在关注家庭贫困了多久，以及他们何时以及如何变得贫困或摆脱贫困。 2 3贫困动态分析试图回答的基本问题之一是，哪些因素解释了不同状态之间的转变或停滞。从概念上讲，解释从贫困到非贫困转变的因素被称为“中断者”，解释反向转变的因素被称为“驱动者”，以及对于贫困到导致家庭保持、进入或退出贫困的“过程”，4这是差异化公共政策设计的一个关键要素。要进入贫困的动态分析，一个有用的概念是“贫困陷阱”：当收入不足以获得家庭未来产生额外收入所需的资产时，该家庭就处于“贫困陷阱”中。5陷入贫困陷阱意味着长期处于贫困状态，这种现象被称为慢性贫困。在实践中，慢性贫困可以根据灵活性水平进行定义，表现为慢性贫困者，极端情况下是指那些“一直贫困”的家庭，在所有分析的时期都处于贫困状态，以及那些“通常贫困”的家庭，在比某些预定阈值更多的时期内处于贫困状态。6如果一个家庭遭受的贫困时期低于该阈值，该家庭是“过渡性贫困”，但可以被归类为“波动性”和“偶发性”：第一个类别包括那些家庭收入随时间围绕贫困线波动，通常与农业相关的季节性周期相对应的家庭；后者类别包括那些家庭收入通常高于贫困线，但由于短期冲击偶尔低于贫困线的家庭。7 4II.数据方法论问题与贫困不流动性相关的是被称作“维护者”。8显然，贫困状态的转变是由人均收入的变化所解释的，而这些变化可以由以下（i）家庭成员的就业状况变化（获得/失去工作，转入正式/非正式就业，工资增加/减少等）；（ii）非劳动收入（进入/退出社会项目，退休金增加/减少，收到/失去汇款等）；（iii）家庭的人口结构变化（成员加入/离开家庭）所引起。两种或多种这些变化可以同时发生，从而产生抵消效应或动态效应。主要数据来源是EHPM。这是一项自1975年在萨尔瓦多开展的年度调查。直到2022年12月，它由统计与人口普查总局（DIGESTYC）管理，此后一直由新部门ONEC负责。为了经验性地分析贫困的动态，需要面板数据库，但它们的稀缺性限制了在许多发展中国家对福利动态的分析。9即便如此，也有一些研究分析拉丁美洲国家的贫困动态，要么是利用由于调查面板数据可用性提高而获得的信息，要么是利用重复截面数据分析技术来构建合成面板。_ 8. hulme 等人（2001） 9. dang和 lanjouw（2023） 10. beccaria等人（2011） 11. pnd（2017） 针对阿根廷、巴西、哥斯达黎加、厄瓜多尔和秘鲁，已使用国家家庭调查的面板数据子样本呈现了贫困转移矩阵，表明在最初年份为贫困的33%至45%的家庭在一年后不再处于该状况，以及大约10%至25%的最初非贫困家庭在次年陷入贫困。10另一方面，研究发现，在2013年至2015年间，萨尔瓦多的9%的人口在各个方向上都经历了某种形式的社会流动。11关于BCR的调查。本调查的目的是获取与萨尔瓦多家庭社会经济状况相关的信息，包括家庭结构、其成员的教育和劳动特征、住房条件和对基本服务的获取，以及他们收到的公共和私人转移（汇款）等方面的数据。这份笔记旨在利用一个使用EHPM的子样本重建的面板数据库，填补萨尔瓦多贫困动态分析中的空白，该数据库限定在2018-2022年，这一选择直接与由于人口普查区每五年更新一次而无法构建更广泛的面板数据有关。本文中提出的贫困动态分析主要包括两个要素：年际转移矩阵的计算和识别解释进入和退出转移因素的统计计量分析。 2. 生成一个唯一标识符（Idi) 在期间‘t’和‘t+1’中，连接地理位置变量（lote, 类型, 页码，和住宅), 性别 (r104), 并且年龄。1. 使用EHPM_t和EHPM_t+1来生成一个变量（年龄），该变量在时期‘t’等于年龄（以年为单位（r106）），在时期‘t+1’等于年龄（以年为单位）减去一。这项调查采用基于上次人口普查（2007年）的制图信息的样本框架，尽管正在进行国家制图更新过程作为统计现代化计划的一部分。调查每年1月至12月进行，具有全国覆盖范围，包括该国14个部门的城乡地区。样本的分布允许对国家级、城市和农村地区、每个部门、圣萨尔瓦多都市区以及50个自我代表的市镇进行统计推断。这不是一项具有重复横断面的典型调查，因为重复横断面嵌入了一个轮换的住房面板。在2018-2022年期间，重访住房的比例大约在20%至40%之间，但这些极端值与2020年由于新冠疫情导致的总调查样本减少有关。在某些情况下，该户家庭仍然居住在那里，可以重新进行采访；在其他情况下，一个新的户家庭占据了该地点。我们使用匹配算法来识别一组轮换的个人和家庭。由于EHPM数据库没有识别小组居住的密钥变量，因此有必要应用算法来识别不仅重复的居住地，而且小组户家庭。该机制首先找到小组个人，然后识别他们的家庭，按照以下步骤进行： 56. 生成一个家庭标识变量(idh)与EHPM标识符不同(idboleta),连接地理位置变量(lote，类型，卷宗，和住房).7. 生成一个二元变量(hpanel)等于1如果住宅属于面板子样本，否则为0，并且仅保留面板住宅。5. 使用 EHPM_t 和 EHPM_t+1，在家庭层面独立地汇总它们，并将两个数据库连接起来。在此程序之后，观察到在2018-2022年期间，相对于总样本的家庭面板比例逐年变化，在2021年（2020-2021年）达到最低的12.0%，在2022年（2021-2022年）达到最高的31.8%；此外，在间接与疫情相关的时期（2019年属于19-20年面板，2021年属于20-21年面板），面板子样本的相对重要性较低。8. 独立合并与boleta_t和‘boleta_t+1’并且在这两种情况下仅保留重复的观测值。这些观测值是面板住户。3. 生成一个二元变量(ipanel)等于1如果个体属于面板子样本，否则为0，仅保留面板个体，并保存为‘ipanel_t_t+1’4. 创建两个新数据库：boleta_t和‘boleta_t+1’,仅包含原始家庭标识符(idboleta)面板个体的。 6为证明面板子样本的统计代表性，我们在五个变量（城市化率、家庭规模、人均收入、极端贫困率和相对贫困率）上进行了均值差异检验，比较了面板子样本和非面板子样本的结果。面板子样本的家庭具有较低的城市化率， 成员数量更多，人均收入更低。在差异具有统计学意义的案例中，小组面板户的极端贫困率和相对贫困率更高，这使我们能够对该部分人群进行更详细的分析。 - (X1,… Xk) 是自变量向量- P(Yi=1|Xi) = β0 + β1 X1 + β2 X2 + ... + βk Xk + ϵ线性概率模型哪里- (β0, β1,… βk) 是系数向量“相对贫困”家庭。因此，贫困转移矩阵是一个2×2的矩阵，它在主对角线上显示保持在相同状态的家庭的百分比，而在次对角线上显示次年摆脱贫困的贫困家庭的百分比（贫困退出率）以及次年变为贫困的非贫困家庭的百分比（贫困进入率）。尽管贫困转移矩阵允许我们量化家庭状况的短期变化，但它们并不能用来解释这些变化背后的因素，这就是我们估计一个计量经济学模型的原因，该模型使我们能够知道哪些是解释“贫困-非贫困”转变以及相反转变的自变量。线性概率模型（LPM），也称为二元数据的线性回归模型，是一种用于分析自变量与二元因变量之间关系的统计模型（二元变量用0和1编码，有时结果被视为“成功”或“失败”）。LPM使用普通最小二乘线性回归，系数指的是结果发生的概率（有时LPM可以估计超过1的概率）。为LPM建立的基本方程组是是差（概率与果之的差异）。-P(Yi=1|Xi)是结果出现概率 8转移矩阵在本文件中，我们构建了萨尔瓦多的家庭层面贫困转移矩阵。为此，使用了该国的官方货币贫困类别，将那些收入不足以覆盖基本篮子成本的户归类为‘极贫困’，将那些能够覆盖基本篮子成本但不能覆盖两个基本篮子成本的户归类为‘相对贫困’，将那些收入足以购买两个以上基本篮子的户归类为‘非贫困’。一旦家庭被归入其中一个类别，其状态将在下一年进行分析。因此，转移矩阵由三行三列组成：第一行显示了在时期‘t’极贫困的家庭中有百分之多少继续处于极贫困状态，百分之多少成为相对贫困，百分之多少停止贫困；第二行和第三行以类似的方式重复此内容，对角线报告了与前一个时期相比仍然处于相同状态的家庭的百分比。使用“贫困”和“非贫困”类别构建矩阵的一个更简化的版本，将“极端贫困”和转移矩阵，也称为马尔可夫矩阵或状态变化矩阵，是纵向分析中用于研究随时间推移在不同状态或类别之间转移的工具。它们在经济、社会或人口流动性研究（例如贫困分析、劳动力流动性或居住地流动性分析）中特别有用。贫困转移矩阵是一种分析工具，用于检验贫困的动态变化，有助于理解个人或家庭随时间如何改变其贫困或非贫困状态，包括陷入贫困、摆脱贫困或在贫困范围内移动（例如从极端贫困到中等贫困）。 0102030405060702018-20192019-2020III.来源：EHPM 2018–2022。图 2.1百分比 (%)永不贫穷慢性贫困在实际应用中，估计了两个不同的模型，仅改变因变量，但保持两个模型中的自变量不变。在第一个模型中，如果家庭当年贫困并在下一年脱贫，因变量取值为1；如果家庭当年贫困且继续贫困，因变量取值为0，因此该模型估计在本文件中，“慢性贫困”是指不从一个年度期到紧接着的下一个年度期发生变化的贫困状况，“暂时贫困”是指发生变化的贫困状况，无论朝哪个方向发展。数据显示，在萨尔瓦多，12.0%至15.3%的家庭是根据其贫困转移情况划分的萨尔瓦多的家庭类型（2018-2022年） 92020-20212021-20222018-2022瞬时不良摆脱贫困的概率。在第二个模型中，因变量如果户当年不贫困但在下一年陷入贫困，则取值为1，如果户当年不贫困且保持该状态，则取值为0，因此该模型估计的是陷入贫困的概率。‘慢性贫困’，其中58.4%至63.0%为‘从未贫困’，23.7%至26.3%为‘暂时贫困’，在贫困和非贫困