CLARE：一种用于韧性估计的因果机器学习方法

本文提出了一种新的韧性指数 CLARE（基于因果机器学习的韧性评估方法），该指数基于影响评估框架和因果机器学习算法，应用于纵向家庭调查数据。CLARE 具有模型无关性、数据驱动、可扩展性，并以福祉阈值进行规范性锚定，可针对特定冲击或作为通用韧性指标。论文通过实证演示构建 CLARE 指数，利用了来自 19 个国家代表性、多主题、纵向家庭调查数据，涵盖马拉维、尼日利亚、坦桑尼亚和乌干达四个撒哈拉以南非洲国家，数据量超过 28,000 个家庭观测值。

核心观点：

• CLARE 通过因果机器学习算法构建，能够可信地聚合不同的韧性子成分，形成单一的综合韧性指标。
• CLARE 的权重来自对福祉、冲击和韧性驱动因素之间因果关系的反事实评估，从而识别各韧性子成分的相对重要性。
• CLARE 具有可扩展性，可在新数据上直接计算，适用于数据稀缺环境或用于冲击易发地区的危机预防和预警机制。

关键数据：

• 使用了来自世界银行生活水平测量研究（LSMS）的四个撒哈拉以南非洲国家的纵向调查数据，包括超过 35,000 个初始观测值和 19 个调查波次。
• 福祉指标采用食物消费得分（FCS），冲击指标包括干旱（基于蒸发需求干旱指数 EDDI 和标准化降水蒸散指数 SPEI）、洪水和疾病等。

研究结论：

• CLARE 在预测未来福祉状态（动态预测）和预测其他国家福祉状态（跨截面预测）方面均优于现有的韧性指标和替代方法。
• CLARE 指数可以分解，以因果方式识别不同韧性能力的相对重要性，从而指导政策设计和目标定位。
• CLARE 的稳健性检验表明，即使使用较少的韧性子成分或不同的资产衡量指标，其性能也不会显著下降。
• CLARE 的成功应用依赖于多主题、纵向和地理参考的调查数据，因此加强现有国家纵向调查系统是战略重点。

与其他方法的比较：

• 与 Cissé 和 Barrett (2018) 的韧性得分相比，CLARE 在预测任务中表现更优。
• 与使用滞后食物不安全状态或 FCS 值的“朴素”方法相比，CLARE 的预测准确性更高，尤其是在识别潜在的食物不安全家庭方面。
• 与 RIMA 和 TANGO 使用的“已实现韧性”方法相比，CLARE 提供了更细致的韧性评估。