2012年-世界发展银行全球_Multidimensional_Poverty_Analysis___Looking_for_a_Middle_Ground_18页_1mb

多维贫困分析：寻找中间道路

核心内容

本文探讨了多维贫困测量中“单一指数”与“仪表盘式”方法之间的争论，并提出三种方法作为折中方案，以更全面地分析多维贫困的依赖结构。

主要观点

• 贫困是多维的：贫困不仅仅是收入或消费水平低的问题，还包括健康、教育、生活标准等多个方面的剥夺。
• 单一指数 vs 仪表盘式方法：单一指数方法通过加权合并多个维度的信息，生成一个综合指标；而仪表盘式方法则关注各维度的独立指标，避免使用权重。然而，两者都存在局限性。
• 依赖结构的重要性：多维贫困分析的真正价值在于其联合分布中包含的信息比单独的边际分布更丰富，而依赖结构（如各维度之间的相关性）会影响贫困评估和比较。

关键信息

• 多维贫困测量的兴起：过去十年，多维贫困测量的兴趣不断增长，许多国家和国际组织开始采用该方法。
• 案例与数据支持：墨西哥、哥伦比亚等国家已采用多维贫困指数作为官方测量工具，而联合国开发计划署（UNDP）的《人类发展报告》也引用了多维贫困指数（MPI）。
• 三种替代方法：
  1. 多变量随机支配分析：用于比较不同多维分布，不依赖特定的权重视角。
  2. 维恩图：用于展示不同维度剥夺的重叠情况，直观地反映贫困的多维性。
  3. Copula 函数分析：用于研究多维变量之间的依赖关系，提供关于贫困深度和结构的更精细信息。

方法详述

1. 多变量随机支配分析

• 该方法通过比较不同多维分布，确定一个分布是否在所有合理贫困前沿上优于另一个。
• 举例说明：越南农村和城市儿童在家庭支出和身高年龄指数上的比较显示，农村儿童整体贫困程度更高，即使在边际分布上表现相似。
• 优点：无需假设权重视角，能全面反映多维贫困的结构。

2. 维恩图

• 通过图形化展示不同维度剥夺的重叠情况，有助于理解贫困的复杂性。
• 举例说明：欧盟27国的贫困数据表明，大多数人在单一指标下被识别为贫困，但在多维分析中显示出不同的贫困状况。
• 优点：直观易懂，能够反映剥夺的重叠程度。

3. Copula 函数分析

• Copula 函数用于捕捉不同维度之间的依赖关系，提供比单一指数更丰富的信息。
• 举例说明：俄罗斯1995年至2003年期间，健康、生活水平和教育之间的依赖关系逐渐增强。
• 优点：允许对依赖结构的变化进行无偏分析，且能与单维不平等指标类似，对依赖程度进行排序。

对单一多维贫困指数的评价

• 不完全排斥：单一指数方法并未被完全排除，而是作为多维贫困分析的一个补充工具。
• 权重视角的争议：单一指数方法通常使用任意权重，而这些权重缺乏市场价格的内在含义。
• 价格与偏好：相对价格反映了消费者在不同商品和服务之间的权衡，因此在多维贫困测量中应优先考虑价格信息。

结论

• 多维贫困分析应在联合分布的基础上进行，以全面反映贫困的复杂性。
• 提出的三种方法为分析多维贫困的依赖结构提供了实用工具，有助于政策制定者更好地理解贫困的多维性。
• 在数据可得性允许的情况下，应结合边际分析和依赖结构分析，以提高贫困评估的准确性与政策相关性。