提升多维贫困识别方法的福利一致性：基于尼日利亚数据的实证研究

《The World Bank Economic Review》：Sharpening the Welfare-Consistency of the Mainstream Multidimensional Poverty Identification Method, with Illustration on Nigerian Data

本文针对主流多维贫困识别方法（如Alkire-Foster方法）缺乏福利一致性的问题，提出了一种改进的识别方法，通过引入极端剥夺和中等剥夺的双重阈值，在尼日利亚数据中进行了实证检验。研究发现，该方法显著影响了贫困人口的识别，超过三分之一的非货币贫困人口未被货币贫困指标覆盖，且对各州贫困比较产生了重要影响。这项研究为在数据约束下提升多维贫困测量的准确性提供了可行路径。

　　

在贫困研究领域，如何准确识别"谁才是真正的贫困者"始终是一个核心议题。传统上，经济学家主要依赖货币收入或消费水平来划定贫困线，但这种单一维度的方法日益受到挑战。诺贝尔奖得主Sen等人提出的多维贫困理论指出，人类福祉应该从多个维度综合衡量，包括健康、教育、生活水平等非货币指标。然而，当研究者尝试将这一理论付诸实践时，却面临着数据约束的严峻挑战。

主流的多维贫困测量方法，尤其是Alkire和Foster于2011年提出的AF方法，虽然被全球多维贫困指数（MPI）和世界银行的多维贫困测度（MPM）广泛采用，却因其缺乏"福利一致性"而备受争议。所谓福利一致性，简单来说就是贫困识别应该基于人们的真实偏好和福祉水平。正如Ravallion在2011年批评的那样，AF方法在跨维度权衡时可能严重偏离人们真实的边际替代率，导致识别结果与真实福祉水平脱节。

问题的根源在于，非货币维度数据往往存在两大限制：一是缺乏像市场价格那样明确的权重信息；二是许多非货币成就（如教育程度、健康状况）只能通过分类变量而非连续变量来测量。这些限制使得研究者难以像货币贫困测量那样，使用基于偏好的识别方法。

正是在这样的背景下，Decerf和Fonton在《The World Bank Economic Review》上发表了他们的研究成果。他们基于Decerf2023年提出的理论框架，首次在实践中验证了一种改进的AF识别方法，试图在现有数据约束下提升多维贫困识别的福利一致性。

这项研究选择尼日利亚作为实证背景具有特殊意义。2019年，尼日利亚的货币贫困率高达40.5%，且在各州间分布极不均匀（从10%到90%不等）。这种"高且异质"的贫困分布为检验新方法的有效性提供了理想环境——如果在这种对货币维度敏感的环境中，非货币维度仍能显示出独立影响，那么就强有力地证明了多维贫困测量的必要性。

研究人员采用的主要技术方法包括：基于尼日利亚生活标准调查（NLSS）和人口健康调查（DHS）的微观数据整合；通过双重阈值法构建极端剥夺和中等剥夺的映射关系；运用改进的AF识别框架进行贫困状态分类；采用配对比较和预算重分配模拟来评估不同贫困测量方法的影响差异。

贫困识别方法的理论创新

研究团队首先从理论上阐述了主流AF方法的局限性。传统AF方法依赖单一的维度特定 cutoff，将每个维度的剥夺状态简单二分为"剥夺"或"非剥夺"。这种粗糙的分类无法区分剥夺的深度，导致在识别两类贫困人群时存在固有缺陷："极端剥夺者"（在某一个维度遭受严重剥夺）和"累积剥夺者"（在多个维度遭受中等程度剥夺）。

通过图形化展示，研究者生动说明：联合方法（union approach）适合识别极端剥夺者但会漏掉累积剥夺者，而交集方法（intersection approach）则相反。改进的AF方法通过引入两个 cutoff——极端剥夺线（z_j^e）和中等剥夺线（z_j^m），形成了三个剥夺状态：极端剥夺、中等剥夺和无剥夺。这种方法既能通过联合方法识别极端剥夺者，又能通过累积中等剥夺来识别累积剥夺者，从而更好地逼近真实的福祉无差异曲线U*。

尼日利亚多维贫困的实证设计

在研究设计上，团队提出了"基线"和"优选"两种方案。基线方案包含四个维度：货币、健康、住房和安全；优选方案在此基础上增加了教育维度，并对货币剥夺进一步区分了中等剥夺状态。

每个维度的剥夺映射都经过精心设计。以健康维度为例，极端剥夺包括严重残疾、消瘦（儿童发育迟缓或成年女性BMI<18.5）；中等剥夺包括轻度残疾和肥胖（BMI>30）。安全维度中，极端剥夺指造成人身伤害的安全事件，中等剥夺则是造成财产损失的事件。这种设计确保了不同维度的剥夺程度具有可比性。

尼日利亚贫困现状的多维透视

实证结果显示，2019年尼日利亚的多维贫困发生率为51.9%，高于货币贫困率（40.5%）。更重要的是，研究发现27.9%的人口因非货币维度剥夺而被识别为贫困，其中11.4%是"被遗漏的贫困者"——他们不被货币贫困指标识别，但根据多维标准属于贫困人群。

对贫困类型的深入分析揭示了有趣的地理分布模式。货币贫困在尼日利亚南北地区间差异显著（南部10%左右，北部70%左右），而非货币贫困的分布相对均匀。这一发现导致了一个重要结论：在货币贫困率较低的地区（主要是南部），非货币维度对贫困识别的影响更大。例如，南部地区的"被遗漏贫困"比例相对更高。

贫困比较的政策含义

研究通过两种方法量化了非货币维度对贫困比较的影响。第一种方法考察州际贫困排名的变化：当从货币贫困转向多维贫困测量时，9%的成对比较结果发生逆转。第二种方法模拟了预算分配变化：基于多维贫困而非货币贫困进行各州间的资源分配，需要重新分配6%的预算。

这些发现具有重要的政策意义。它们表明，即使在货币贫困高发且差异明显的环境中，忽视非货币维度也会导致资源分配偏差。随着全球极端货币贫困的逐步减少，非货币维度在贫困测量中的重要性将日益凸显。

研究结论与展望

本研究的主要贡献在于首次实证验证了改进的AF识别方法在实际应用中的可行性及重要性。通过区分剥夺深度，该方法能够更准确地识别处于不同福祉水平的贫困人群，为针对性扶贫政策的制定提供了更科学的依据。

然而，作者也坦率承认研究的局限性。最大的挑战在于缺乏真实的偏好数据，当前的权重设置仍具有一定主观性。正如Ravallion所担忧的，在没有充分了解人们真实偏好的情况下进行维度聚合，可能产生误导性结果。

未来研究的方向应该聚焦于发展更可靠的偏好 elicitation 技术，特别是针对分类变量的偏好测量方法。同时，将改进的识别方法与满足更多优良性质的贫困指数（如满足维度单调性的M₀指数）相结合，也是值得探索的方向。

这项研究的意义不仅在于方法学上的创新，更在于它提醒我们：贫困的本质是复杂的，真正有效的扶贫政策必须建立在对人类福祉多维度理解的坚实基础上。在数据约束的现实条件下，不断改进测量工具，使其更贴近人们真实的生活体验和需求，是贫困研究者和政策制定者共同的责任。