世界银行-在没有消费数据的情况下估算贫困指标：探索性分析（英）-2024.8-79页_1mb

世界银行政策研究工作论文：《无消费数据的贫困指标插补：一项探索性分析》

研究目标

通过跨调查数据插补解决低收入国家家庭消费调查数据不足的挑战，建立可扩展的贫困测量框架。

关键发现

1. 插补增强方法：
   在基础模型（仅含家庭人口统计学、就业特征）基础上，增加水电费支出或食物支出可显著提升插补准确性，准确率分别提高0.3和0.4。

2. 变量创新：
   添加地理位置变量（如土壤质量、夜光数据）进一步提高插补精度，尤其在越南提高0.5-0.8。

3. 贫困指标扩展：
   已实现对近贫困率、极端贫困率等多样化贫困指标插补，填补了传统方法仅关注头均贫困率的研究空白。

方法比较

• 传统线性回归方法有效
• 机器学习方法（LASSO、Elastic Net、随机森林）在消费均值估计中表现略好，但整体贫困指标插补效果有限

实证基础

对孟加拉、尼日利亚等6国22轮家庭调查显示：

• 较长的时间间隔会导致插补准确性下降
• 金融接入变量（银行账户、手机）等特征变量对插补有显著影响
• 跨年插补效果随国家异质性较大

方法意义

• 为低数据环境下的贫困监测提供省钱高效的替代方案
• 实践启示：收集水电费数据等替代性变量可显著降低调查成本
• 技术前景：结合数字支付数据可以进一步优化插补方法

模型多样性

不同插补模型对各类贫困指标的适用性存在差异：

• 头均贫困率：模型9（水电费+人口特征）效用最佳
• 极端贫困率：模型3（食物支出+资产）表现更好
• 贫困差距指数：模型3效果最优

本研究通过创新性的跨调查数据插补方法，为低数据环境下的可靠贫困监测提供了实证支持，具有广泛的应用前景。