发展针灸：多维贫困的网络结构及其启示

开发针灸 多维贫困的网络结构并且其影响 维克托·斯托科夫斯基 路易斯·F·洛佩斯-卡瓦 基米莉·博尔奇 阿尔穆德娜·费尔南德斯 政策研究工作论文 10882 摘要 各国使用牛津贫困与人类发展倡议—联合国开发计划署全球多维贫困指数的数据，研究发现，多维贫困网络的结构在不同国家之间相似，并且随着时间的推移保持稳定。研究还显示，在贫困空间中更为核心的指标随着时间的推移见证了更显著的截尾头数比减少，与外围指标相比。这些结果被用来展示如何将贫困空间应用于政策：使用前瞻性的政策优先级推断框架来帮助指导政策选择。总体而言，该论文指出使用网络科学方法有助于识别多维贫困结构中的关键“节点”，在这些节点上施加的应用压力（针对性干预）可能对整个系统产生更大的影响。 虽然发展文献在概念化和多维测量贫困方面已经取得了长足进步，但解决贫困的政策干预措施仍然受限于碎片化、行业特定的方法。在实施综合政策应对多维贫困的主要挑战之一是理解不同维度之间是如何相互联系以及它们如何随着时间的推移共同演变。例如，这可能需要解开一个人的健康、教育和生活水平如何以动态方式相互作用的谜团。受经济复杂性方法和应用的启发，本文利用网络科学提出了两种新的措施来理解多维贫困的相互连接结构：贫困空间（一个可视化贫困不同指标之间相互作用的网络）和贫困中心性（衡量网络中每个指标相对重要性的度量）。将这些措施应用于67个发展中国家 发展针灸：多维贫困的结构网络及其影响* 维克托·斯托亚科夫斯基1, 路易斯·F·洛佩斯-卡尔瓦2Kimberly Bolch 3，以及Almudena Fernandez4 网络科学、：多维贫困、 指标、降维 JEL codes: I31, I32, C63 1. 简介 发展文献在理解贫困作为一个多维概念方面已经取得了长足的进步。自从阿玛蒂亚·森将能力方法正式化（森，1979，1999），该方法主张基于构成个人追求有价值生活的“存在”和“行动”所需的基本集来扩展对贫困的视角，研究者们已经发展和改进了测量多维贫困的方法（Basu和Lopez-Calva，2011；Alkire，Roche和Seth，2013）。大量的工作提出了维度和指标、剥夺阈值和汇总方法。特别是，采用Alkire-Foster方法创建基于计数的指数，在测量方面推动了关键性进展，并有助于全世界索引的开发（Alkire和Foster，2011）。今天，大约有40个国家已发布国家级多维贫困衡量指标（除国际组织发布的全球指标外），这是一项强大的工具，用于指导协调的政策行动。 然而，从多维度衡量贫困转向设计考虑这种多维度性的减贫干预措施的过程尚不完整。政策讨论继续被困在碎片化的特定部门回应中。在实施整合的多维度贫困治理政策时，其中一个主要挑战是当前的措施无法提供关于不同维度随时间如何相互联系的信息——因此，针对某一维度的政策如何影响其他维度。我们可以观察到干预的整体结果，但无法看到不同维度是如何相互作用以产生那个结果的。我们知道，贫困的各个维度不会孤立演变。例如，我们知道教育与健康相关联，而健康又取决于营养和住房特征。从这个意义上讲，当我们在传统的多维度贫困衡量中观察不同的指标时，我们实际上观察到的是状态变量在时间上共同决定。动态系统当前措施提供了对每个状态变量在某一时间点共 同分布的有用快照，但它们并未揭示调节它们之间相互作用的动态过程的结构信息。帕塔·达斯古普塔在撰写关于仅使用贫困陷阱来理解贫困挑战的文章时，注意到了这一区别。 静态的变量描述——认为“相互因果（即几个变量在时间上相互影响）对数据解释有影响”（Dasgupta，2007）。 揭示并量化多维贫困的这种相互关联结构，对传统经济技术来说是一项挑战。在过去十年中，学者们已经开始使用不同的方法来探讨这个问题。例如，Suppa、Alkire和Nogales（2022）利用潜在类别分析总结了发展中国家不同联合剥夺状况的信息；Ceriani和Gigliarano（2016）使用贝叶斯网络来可视化欧洲贫困不同维度的相互依赖结构；Gallardo（2022）采取类似方法研究智利的贫困结构；Duclos、Tiberti和Araar（2018）使用目标优势技术探索越南和南非瞄准计划对其他贫困维度的潜在溢出效应；Guerrero和Castañeda（2024）利用基于代理的模型来考察墨西哥社会支出和跨多个贫困维度影响的结构相互关系。分析相互作用从关注不同维度之间的“权重结构”转移到尝试解开变量之间的相互关系。受经济复杂性方法的启发，本文利用网络科学方法，通过提出一种理解多维贫困相互关联结构的新方法，为这一日益增长的文献做出了贡献。 经济复杂性领域结合网络科学方法与特定空间内经济结果分布的信息，以估计经济系统中存在的隐性关系的度量（Hidalgo, 2021；Balland）。等（等）2022)。在此，我们介绍了一种类似的方法来衡量贫困维度之间的关系。具体来说，我们利用了经济复杂性中的两种方法：1）邻近度指标和2）降维技术。邻近度指标通过在人口中共同出现的频率来量化结果之间的结构关系（Hidalgo）。等（等），2007；Neffke, Henning和Boschma, 2011；Kogler,Rigby和Tucker, 2013；Guevara等（等）2016年），而降维技术将一个经济结果的空间分布总结成一个单一的数字（Hidalgo and Hausmann，2009；Tacchella）。等（等）, 2012; Sciarra等（等）2020）。在本研究中，我们使用前者构建了一个网络表示，展示了贫困各个维度之间的相互联系（我们通过类比将其称为）。贫困空间（Poverty Space）并且后者提出一种度量方法，用以捕捉网络内不同维度之间的相对重要性（我们将其定义为）贫困 中心性（Centrality）。我们随后利用细粒度数据来探索 household 层面上的贫困指标共现，并为每个国家构建网络图。 利用全球多维贫困指数（MPI）的数据，我们在这67个发展中国家应用这些指标以绘制多维贫困的相互联系结构，并探讨其结构随时间的变化。我们发现，各国贫困空间的结构及其随时间的稳定性存在显著相似性。具体指标如家庭烹饪技术（与家庭生活条件相关的烹饪燃料）始终作为位于网络核心的节点出现，而如儿童死亡率这类指标则倾向于位于外围。为了提供更动态的视角并捕捉溢出效应的路径，我们还探索了贫困指标的中心性与该指标剥夺人数随时间变化的发生率之间的关系。我们发现，贫困空间中更中心化的指标也往往经历了其受抑制人口头数比率的显著下降。最后，为了在政策环境中应用我们的发现，我们将贫困空间网络集成到政策优先推理（PPI）框架中（Guerrero和Castañeda Ramos，2020年）。这种集成使我们能够探索贫困的结构如何与针对性干预措施的有效性相关联。PPI是一个前瞻性、基于代理的模型，它利用结构关系的网络来实现政策倡议的优先排序，最初旨在实现可持续发展目标（Guerrero和Castañeda，2024年）。通过利用贫困空间提供的贫困指标间结构关系信息，PPI可以用来优先考虑不同的政策干预措施，认识到跨各种贫困指标潜在级联效应。 理解多维贫困的相互联系结构对于最大化减少贫困的政策影响至关重要。通过揭示多维贫困结构内部的联系网络，本文展示了经济复杂度方法如何帮助我们更准确地定位网络中的“关键节点”。这些关键节点代表了贫困网络中最相互关联的维度，并成为干预措施的关键关注区域（Bloch, Jackson and Tebaldi, 2023）。正如针灸干预一样，针对特定节点的发展策略可能对整个系统产生更大的影响。 本文的剩余部分结构如下。第2节回顾文献，以构建在多维贫困背景下应用经济复杂性方法的理论依据。第3节 本研究概述了用于开发贫困空间、贫困中心度测量以及进行动态分析所采用的方法。第四章节总结了支撑我们分析的数据。第五章节讨论了结果，我们首先阐述了贫困空间作为映射贫困结构的有形指标的有效性。随后，通过实证研究探讨了贫困的结构微妙之处与其随时间动态变化之间的关系。本章节最后通过展示贫困空间在贫困潜力指数框架中的整合来结束。第六章节作总结。 从经济复杂性学习：从产品空间到贫困空间 经济复杂性领域已成为理解经济系统复杂性的一个新颖框架（Hidalgo，2021；Balland）。等（等）2022)。与多维贫困的情况类似，经济复杂性的产生是由把握经济细微结构的需求所驱动的。经济复杂性方法利用网络科学技术来分析产业、产品和出口的空间分布数据，并量化经济产出的结构关系。 在这方面，希达尔戈等（等）（2007）引入了产品空间，这是一个作为邻近度度量标准的网络，是首要的实例之一。它捕捉了在出口另一种商品的情况下，一个国家将出口某种商品的条件概率，反映了全球经济中产品之间的邻近性。这种方法已被证明在建模溢出效应和预测未来专业化模式方面具有重要作用。特别是，研究表明，国家倾向于通过转向与他们已经生产的产品在产品空间中邻近的产品来多样化他们的出口组合，从而受益于既有的经济环境和支持性基础设施。 多年来，然而，使用邻近度指标构建网络（如产品空间模型）的实际优势已证明其多功能性和适应性。具体来说，产品空间的邻近度指标超越了贸易的边界，将分析能力扩展到广泛的活动溢出模型中。例如，这可以包括基于共同作者的科学学科的邻近性（Guevara）。等（等）2016),基于专利类别的创新领域（Neffke, Henning 和 Boschma, 2011；Kogler, Rigby和 Tucker, 2013），或其他相互关联的活动集。 Hidalgo和Hausmann（2009）利用产品空间正式引入经济复杂性的概念，并为产品在国民经济中的隐含重要性创建了基于网络的中心性度量（分别称为经济复杂性指数和产品复杂性指数）。这些度量将高维数据浓缩成一个单一指数，为各国包容性绿色增长潜力提供了宝贵的见解（Tacchella）。等（等）2012; Cristelli等（等），2013；豪桑恩等（等）2014； Hartmann等（等）2017年；Romero和Gramkow，2021年；Stojkoski、Koch和Hidalgo，2023年）。如今，这些指标被用来补充GDP等综合指标，并指导结构性的干预措施（Balland）。等（等），2019；Hassink and Gong，2019；Montresor and Quatraro，2020；Deegan, Broekel and Fitjar，2021). 最近，经济复杂性方法已被应用于开发数据驱动的方法，以理解可持续发展目标（SDGs）的实现进程，并在解决多维不平等问题中应用。例如，El-Maghrabi等（等）(2018)应用这些方法为各国优先考虑SDG目标，而Lapatinas和Katsaiti（2023）开发了欧盟多维平等复杂性指数，采用网络科学视角来应对不平等。此外，Sciarra等（等）（2021）采用基于网络的方 法对各国在可持续发展目标（SDGs）上的表现进行排名，从而突显了系统内在的复杂性。 受经济复杂性方法多样应用之启发，本文介绍了基于网络的多维贫困度量，并探讨了其在经济前瞻性模型中的应用。这回应了2009年经济绩效与社会进步测量委员会报告指出的一个重要挑战，即需要具备能够考虑贫困不同维度之间复杂交互作用的度量方法。正如斯蒂格利茨等（2009；第16页）所强调的，“在设计特定领域的政策时，应综合考虑与不同生活质量维度相关的指标的影响。”解决维度之间的相互作用“以及那些在多个领域处于不利地位的群体的需求”（强调已添加）。 在向我们展示经济复杂性与多维贫困分析相结合的方法之前，理解我们方法的细微差别是至关重要的。 首先，虽然我们的方法受到经济复杂性文献的启发，但所使用的指标与传统领域所使用的指标并不相同，例如产品空间或经济复杂性指数。相反，我们根据经济复杂性的概念框架，开发了适合贫困分析的新