在没有消费数据的情况下估算贫困指标

政策研究工作文件 10867 授权授公权授开公权授披开公权露披开公露披 在没有消费数据的情况下估算贫困指标 探索性分析 Hai-AnhH.DangTalipKilicKseniyaAbanokovaCalogeroCarletto 发展经济学发展数据集团2024年8月 政策研究工作文件10867 Abstract 准确的贫困测量依赖于家庭消费数据，但在较贫穷的国家中，此类数据往往不足、过时或随着时间的推移显示出不一致性。为了应对这些数据挑战，本文采用调查到调查的插补方法来生成包括极端贫困 、深度贫困、贫困缺口、接近贫困率以及平均消费水平和整个消费分布在内的多种贫困指标的估计值 。对过去十年在孟加拉国、埃塞俄比亚、马拉维、尼日利亚、坦桑尼亚和越南进行的22个多主题家庭调查的数据进行分析，结果令人鼓舞。 将家庭公用事业支出或食品支出加入基于户的家庭人口统计学、就业和资产变量的基本推断模型中，可以将推断精度提高0.1至0.4。进一步加入地理空间数据的预测因子可以进一步提高推断精度。分析还显示，调查之间的时间间隔越大，预测某些贫困指标的概率越低，并且更好的推断模型拟合优度（R2）不一定有帮助。结果为未来的调查设计提供了节省成本的投入。 这篇论文由发展数据组和发展经济学部门共同完成。它是世界银行为了提供研究成果的开放访问，并为全球发展政策讨论作出贡献而进行的一项更大努力的一部分。政策研究工作论文也在网上发布于http://www.worldbank.org/prwp。作者可以联系hdang@worldbank.org。 政策研究工作论文系列发布正在进行工作的研究成果，以促进关于发展的思想交流。 问题。该系列的一个目标是尽快发布研究发现，即使展示内容尚未完全润色。论文保留了原始格式和其他符号。作者的名字，并且应当据此引用。本文中表达的发现、解释和结论完全是作者的观点。 由作者撰写。它们不一定代表国际复兴开发银行/世界银行的观点。其附属组织，或世界银行执行董事或他们所代表的政府的组织。 由研究支持团队制作 没有消费数据的贫困指标估算：探索性分析 Hai-AnhH.Dang，TalipKilic，KseniyaAbanokova和Calogero*Carletto 关键字:消费,贫困,调查-调查归责,家庭调查,越南, 埃塞俄比亚、马拉维、尼日利亚、坦桑尼亚、撒哈拉以南非洲。 果冻代码：C15，I32，O15。 *Dang(hdang@worldbank.org对应作者）是世界银行生活标准与测量部门、发展数据组的高级经济学家，同时与全球增长劳动经济学组织（GLO）、德国学术交流中心（IZA）、印第安纳大学以及伦敦高级项目管理团队有合作关系。 经济与政治学院；基利奇(tkilic@worldbank.org)是世界银行发展数据集团标准计量股；Abanokova(kabanokova@worldbank.orgCarletto是世界银行生活标准测量单位、发展数据组的经济学家，并且是俄罗斯高等经济学校国家研究大学的初级研究研究员。 gcarletto@worldbank.org)是发展数据小组战略与合作股的高级经理， （世界银行。我们感谢MadeleineGauthier、NathanIves、HoaNguyen、LarsOsberg、AnneSwindale 、PetraTodd以及澳大利亚国立大学、非洲经济研究所在内的研讨会参与者。） 在牛津举行的会议、阿鲁沙的IARIW-TNBS会议、范德比尔特大学的计量经济学学会夏季会议以及加拿大统计局的国际方法论研讨会中，我们对早期草稿进行了有益的讨论和反馈。我们感谢美国国际开发署（USAID）提供的资金支持。 1.Introduction 准确的贫困度量是旨在减少贫困政策的基础。然而，发展实践者面临典型的挑战，即用于估算贫困的可用家庭调查数据要么不足（例如，不提供全国代表性估计），要么过时 （例如，不提供贫困趋势的及时估计）。更糟糕的是，在少数建立良好调查能力的国家中，由于调查设计的变化，已知数据会表现出不同程度的时间不一致性（Deaton和Kozel ,2005）。这些数据问题可能阻碍有效政策实施，特别是在统计能力较低的较贫穷国家（Devarajan,2013;Jerven,2019）。1 为了应对这些挑战，依赖数据插补（而非通过调查直接收集数据）来获得贫困估计的替代方法变得越来越普遍（世界银行，2021；Dang和Lanjouw，2023）。2基于从家庭消费调查推断至人口普查以生成贫困地图的开创性技术（Elbers等人）etal.,2003年)，最近的研究将家庭消费调查归因于另一项调查，以提供贫困估计。3Thecentralideai stobuildanimputationmodelusingappropriatepredictorvariablesfromanexistingolderconsumptionsurvey,whichcanbesubsequentlyappliedtothesamevariablesinamorerecentsurvey(thatdoesnotcollectconsumptiondata)toprovidepovertyestimatesforthelattersurvey. 1Serajuddinetal.(2015)的数据显示，在2002年至2011年间，世界银行通过WorldDevelopmentIndicators(WDI)数据库监测贫困数据的155个国家中，几乎五分之一（即28个国家）只有单一的贫困数据点，而多达29个国家在整个此期间没有任何贫困数据。此外，较贫穷的国家进行的调查较少：一个国家的家庭消费水平提高10%，与之相关的调查数量几乎增加三分之一（即0.3）。持续的COVID-19大流行可能加剧贫困，并进一步恶化这些数据缺失和数字鸿沟问题，特别是在贫穷国家（Naude和Vinuesa,2020）。 2插补技术常被国际组织和国家统计局用于填补缺失的数据缺口，例如教育统计数据（UOE,2020）和收入数据（美国人口普查局,2017）。 3贫困地图技术结合了家庭消费调查和非消费普查，这使我们能够在比家庭调查可用的更细化的层面上提供贫困估计。 在Elbers上建造etal.`s(2003)方法，近年来的研究在多个方面进行了创新。这些包括将家庭消费调查数据与不同类型的调查数据相结合（Stifel和Christiaensen,2007；Douidich等人,2010）。etal.在2016年（Tarozzi,2007;Mathiassen,2009;Dang,Lanjouw,andSerajuddin,2017），对误差项或标准误的建模技术，以及对调查设计进行实验并选择合适的变量（KilicandSohnesen,2019;Christiaensen,Ligon,andSohnesen,2022 ;Dang）等方面的研究。etal.,近期）。最近，贫困推估被用于为标准家庭调查中通常无法涵盖的难民营体难以统计的难民群体提供估算值（Altındağetal.,2021；Beltramoetal.，2024年；Dang和Verme，2023年)。 在过去的20年中，进行了一些涉及贫困和中等收入国家的关键研究Rev从印度，约旦和撒哈拉以南非洲国家到越南，当etal. 即将到来的研究发现，基于推断的贫困估计值在使用实际消费数据的情况下，可以合理地与基于调查的贫困估计值相匹配。进一步分析过去十年中在埃塞俄比亚、马拉维、尼日利亚、坦桑尼亚和越南进行的14轮多主题家庭调查的数据，作者发现，由家庭层面的人口统计学和社会经济变量以及家庭公用事业支出组成的相对简单的推断模型能够提供准确的估计值，在许多情况下，这些估计值甚至在严格的精确性标准范围内，即在真实贫困率的一个标准误差范围内。 这篇论文在关于贫困估计从调查到调查的推断文献中做出了若干新的贡献，既在概念上也体现在经验研究中。在概念层面，我们显著扩展了这一文献领域，涵盖了各种常见的贫困指标，包括但不限于：i)接近贫困（脆弱性）状态，ii)极端贫困，iii)贫困差距，以及iv)其他福斯特、格雷尔和托尔贝克（FGT）贫困指数。此外，我们还评估了推断消费支出的表现。 将实际Household消费数据的分布与这些贫困指标underlying的分布进行对比。这些扩展使我们的论文区别于现有文献，后者几乎完全专注于头均贫困率。事实上，据我们所知，这是首次尝试对这些各种贫困指标以及整个消费分布进行全面而系统的分析的研究 。 从实证角度出发，为了说明，我们对过去十年在孟加拉国、埃塞俄比亚、马拉维、尼日利亚、坦桑尼亚和越南进行的22轮多主题家庭调查的数据进行了协调和严格分析。这六个国家覆盖了三个地区（即西非、南亚和东南亚）以及不同的收入水平（即低收入到较低中等收入），因此在收入水平、地理差异和人口规模方面比以往的研究更为多样化。据我们所知，我们的研究是首次将调查到调查插补应用于迄今为止分析过的最全面的数据集的应用。因此，我们的发现将为未来的调查到调查插补工作做出有价值的贡献。4 我们发现（插补）模型存在异质性，某些模型在特定贫困指标和消费分布方面表现更好 。特别是，有两个模型的表现优于其他模型。其中一个模型包括将食品支出添加到家庭人口统计特征、就业状况和房产资产中（模型3），另一个模型则包括将家庭公用事业消费支出（包括电力、水费和垃圾处理费）添加到家庭人口统计特征和就业状况中（模型9 ）。模型3在头均贫困、极端贫困、贫困缺口和消费均值方面表现合理。 4现有的数据集最全面的研究是Dangetal.（即将发布），该研究分析了来自埃塞俄比亚、马拉维、尼日利亚、坦桑尼亚和越南共14轮调查的数据。本研究专注于人口贫困问题。 提高这些指标准确推断的概率约0.3（与仅包含家庭人口统计和就业特征的参考模型相比 ）。与模型3相比，模型9在贫困人口方面表现稍好，将准确推断概率提高了0.4。此外，模型9还提高了近贫困人口、极端贫困人口、贫困差距以及人均消费的准确推断概率约0.1至0.2。 进一步将农业土壤质量信息加入Model9中，提高了人口贫困识别的推断准确性（统计显著性也更强），使推断准确性的概率增加了0.5。Model3和Model9在推断消费分布方面也表现优于其他模型。 最后，基线调查与目标调查之间较大的时间间隔与较低的插补准确性相关联，但具有更好的模型拟合度（R值）。2)似乎没有帮助。 本文由六部分组成。在下一节中，我们讨论分析框架，而在第3部分描述数据。接着，在第4部分，我们使用每个国家最新的调查轮次展示主要估计结果，之后汇总所有国家可用的全部调查轮次的结果（第4.1节）。进一步地，我们在第4.2节将分析扩展到更广泛的背景，例如使用对贫困更为敏感的FGT指数和其他整个消费分布的估算，这之前是关于年内插补的更具体应用。我们在第5节提供模型选择的元分析结果，并最终在第6节得出结论。 2.分析框架 2.1.ImputationModel 一个家庭在包括商品量、耐用消费品和闲暇（或劳动供给）等选择变量在内的收入预算约束下最大化效用。（Deatonand） Muellbauer,1980)。这导致了常见的做法，即将总家庭消费构建为食品、非食品（包括服装、教育和/or医疗支出）、耐用商品以及住房等不同项目消费的总和（DeatonandZaidi,2002）。因此，人均（对数）家庭消费的模型可以表示为以下简化形式的线性模型（用于调查数据）：j,forj=1,2,□□□□□□□□)通常使用 =+(1) □□□□□□ 其中可以包括家庭变量，如户主的年龄、性别、教育、□□□□□□□□□□□□′□□ □□□□□□□□ 职业,种族,宗教,□□□□和语言-可以代表家庭品味。 ，以及□□□□是误差项(参见，例如，Elbersetal. Ravallion,2016).