联合国西亚经济社会委员会-一种灵活的建模方法来预测和预测阿拉伯多层面贫困（英）-2021-33页_1mb

总结：加强社会保护以应对疫情与减贫

核心内容

本论文探讨了如何通过灵活的建模方法，对阿拉伯地区多维贫困指数（MPI）进行实时预测（nowcasting）和未来预测（forecasting）。由于阿拉伯地区统计能力有限，贫困数据通常不完整，因此需要采用建模方法来填补数据空白，以支持政策制定。

主要观点

1. 多维贫困的定义与计算
   多维贫困指数（MPI）通过14个指标（分为五个维度）衡量个体的贫困状况，每个指标都有一个剥夺阈值（deprivation cut-off）和权重。若个体在多个指标上低于阈值，则被认定为贫困。MPI计算公式为：
   $$
   MPI = \frac{1}{n} \sum_{i=1}^{n} 1(s_i \geq 0.20) \times s_i
   $$
   MPH（多维贫困人口头数）则为：
   $$
   MPH = \frac{1}{n} \sum_{i=1}^{n} 1(s_i \geq 0.20)
   $$

2. 建模方法
   本研究提出了一种动态建模方法，允许对多维贫困指数进行实时预测。该方法基于Copula理论，假设各指标之间的相关性保持稳定，并对每个指标的单变量分布进行建模。具体步骤包括：

   • 选择剥夺阈值 $z_k$ 和权重 $d_k$；
   • 对每个指标进行单变量建模，采用Logistic函数；
   • 使用2011年和2018年的数据进行校准；
   • 通过蒙特卡洛积分计算多维贫困指数；
   • 对不同家庭类型（如有儿童、无儿童等）进行分类建模。

3. 模型的灵活性
   该模型可以适应不同假设下的单变量分布变化，包括外部冲击（如新冠疫情）对贫困指标的影响。例如，疫情可能通过影响人均GDP来改变某些指标的剥夺率，同时也可能对教育、住房、水电等基础设施产生直接影响。

4. 外部冲击的建模
   本研究假设新冠疫情对某些指标的影响，如：

   • 增加了10%的学校出勤问题；
   • 增加了8%的儿童营养不良（主要是消瘦）；
   • 通过人均GDP的变化影响其他指标。

5. 实证结果

   • 多维贫困头数（MPH）从2011年的0.6259下降至2018年的0.4943，减少了21%（或13个百分点）；
   • 多维贫困指数（MPI）从2011年的0.2142下降至2018年的0.1554，减少了27.5%（或0.0588）；
   • 2020年的预测结果显示，由于疫情的影响，贫困头数和指数可能进一步下降。

6. 未来研究方向

   • 采用更复杂的经济计量模型；
   • 考虑更多外部冲击因素（如战争、自然灾害）；
   • 增强模型对不同家庭类型的适应性；
   • 提高模型对不同指标之间相关性的灵活性。

关键信息

• 指标分类：14个指标分为五个维度，包括健康、教育、住房、基础设施和生计条件。
• 剥夺阈值：部分指标的剥夺阈值为0，如儿童死亡率的缺失；其他指标如儿童营养不良的阈值为-2。
• 权重分配：前9个指标权重为 $1/12$，后5个指标权重为 $1/18$，以反映不同指标的重要性。
• 模型应用：模型基于UNICEF在伊拉克进行的2011年和2018年的多指标联合调查数据（MICS）。
• 数据来源：
  • 2011年和2018年的MICS数据；
  • 世界银行提供的GDP数据；
  • 2020年的GDP预测数据（基于Trading Economics）。

图表与数据

• 表1：展示了14个指标及其剥夺阈值和权重。
• 表2：展示了2011年和2018年伊拉克的MPH和MPI的估计值及95%置信区间。
• 表3：展示了2011年至2020年伊拉克的人均实际GDP变化及增长率。
• 图1-14：展示了2011年至2020年间14个贫困指标的变化趋势，其中教育、住房、水电、通信和生计资产的改善较为显著，而儿童营养不良和早期怀孕的剥夺率有所上升。

结论

本研究通过灵活的建模方法，为阿拉伯地区的多维贫困指数提供了实时预测和未来预测的框架。该方法能够有效应对数据缺失问题，并通过考虑外部冲击（如新冠疫情）对贫困指标的影响，支持更精确的政策分析和干预设计。未来研究可进一步优化模型的灵活性和适用性，以更好地应对不同国家和地区的贫困变化。