IMF-赢得战争？美国贫困衡量和决定因素的新证据（英）-2022.1-41页_1mb

报告摘要

总结：《Winning the War? New Evidence on the Measurement and the Determinants of Poverty in the United States》

核心内容

本文探讨了美国贫困的测量方法及其决定因素，使用微观数据和多种统计模型（包括传统计量模型和机器学习方法）分析了过去四十年美国贫困的变化趋势。研究指出，尽管美国官方贫困率有所波动，但实际消费贫困率并未显著下降，尤其是在年轻人群体中有所上升。此外，研究强调了社会和经济因素在解释贫困中的作用，同时指出“坏运气”或随机因素也可能对贫困产生重要影响。

主要观点

贫困的测量方法：美国官方贫困率基于收入与固定贫困线的比较，但这种方法未能充分反映消费水平的变化。相比之下，基于消费的贫困测量更准确，因为它考虑了非现金福利、储蓄和消费平滑等因素。
贫困率的变化趋势：
- 1980年以来，美国贫困率并未显著下降，2019年的贫困率与1980年代相近。
- 全球金融危机（GFC）期间，贫困率显著上升。
- 儿童贫困率在基于消费的测量下也有所上升，尤其是考虑到“通胀不平等”因素。
贫困的决定因素：
- 社会与经济因素：贫困更可能出现在少数族裔家庭、教育程度较低、未婚家庭、以及居住在中西部的家庭中。
- 教育和婚姻状况：拥有学士学位或以上、家庭中成年人已婚的家庭贫困率较低。
- 地区差异：中西部地区的贫困率在GFC后显著上升，并在大多数后危机年份高于南部地区。
- 种族与贫困的关系：即使在控制了教育和就业状况等因素后，种族和族裔仍然是贫困的重要决定因素。
机器学习的应用：
- 使用机器学习方法（如平衡随机森林）分析贫困决定因素，结果显示其预测准确率高达75%，但仍有25%的预测误差，表明随机因素可能在贫困中起重要作用。
- 机器学习方法比传统的probit和tobit模型更能揭示贫困的决定机制。
政策影响分析：
- 2021年《美国复苏计划》（ARP）扩大了儿童税收抵免（CTC），预计可使儿童贫困率下降约三分之一。
- CTC的完全可退还性质和按月发放机制，有助于缓解贫困，特别是对低收入家庭。

关键信息

贫困测量方法：
- 官方贫困率基于收入和固定贫困线，未考虑消费变化。
- 基于消费的贫困率通过调整CPI，考虑了不同群体的通胀差异。
- 通胀不平等（即贫困群体面临更高的通胀）可能导致消费贫困率下降幅度小于收入贫困率。
贫困率的地区差异：
- 中西部地区的贫困率在GFC后显著上升，且在早期2000年代未明显下降。
- 南部地区的贫困率在GFC前高于其他地区，但近年来有所下降。
- 区域贫困率在1997-2014年间出现一定程度的趋同。
消费贫困与收入贫困的比较：
- 消费贫困率与收入贫困率相比，更能反映实际生活水平。
- 消费贫困率在2019年比1980年代更高，但调整后的实际贫困差距有所缩小。
机器学习模型的预测能力：
- 平衡随机森林模型在贫困预测中表现优异，准确率可达75%。
- 该模型揭示了贫困的决定因素，同时指出随机因素在贫困中可能发挥重要作用。
政策建议：
- 扩大儿童税收抵免政策对降低儿童贫困具有显著效果。
- 需要更全面的贫困测量方法，以反映消费和通胀差异。
- 社会政策应关注少数族裔、低教育水平和未婚家庭等易受贫困影响的群体。