《AppliedMath》：Monetary Poverty in Peru: Analysis and Measurement Using Fuzzy Set Theory
编辑推荐：
本研究应用Belhadj和Bouanani于2023年提出的更新模糊模型，利用秘鲁拉利伯塔德省特鲁希略省的全国家庭调查（ENAHO）微观数据，对货币贫困进行测量。研究表明，该框架相比传统二元分类，能够提供更详细、连续的贫困水平评估。通过为不同贫困指标赋予剥夺程
本研究应用Belhadj和Bouanani于2023年提出的更新模糊模型，利用秘鲁拉利伯塔德省特鲁希略省的全国家庭调查（ENAHO）微观数据，对货币贫困进行测量。研究表明，该框架相比传统二元分类，能够提供更详细、连续的贫困水平评估。通过为不同贫困指标赋予剥夺程度，模糊方法捕捉了剥夺的全部强度，揭示了传统方法系统性忽视的中间社会经济状态。尽管INEI的官方二元分类将特鲁希略94.62%的人口归类为“非贫困”，但模糊方法显示仅有22.18%的人口经历完全无剥夺。关键在于，该方法揭示出49.94%的人口处于“轻度贫困”状态——这是一个被标准指标掩盖的高脆弱性群体。地区层面的分解凸显了显著的地域差异，从Florencia de Mora的严重结构性脆弱（模糊贫困指数=0.428）到Víctor Larco Herrera的稳定状态（0.288）。最终，模糊方法提供了对贫困动态更为细致和现实的呈现，为政策制定者设计有针对性的减贫干预措施提供了关键见解。
基于模糊集理论的秘鲁货币贫困测量研究解读
传统贫困测量方法通常将人口划分为贫困与非贫困，这种二元分类过于刚性，忽略了位于贫困线附近的群体。在秘鲁，国家统计与信息学研究所（INEI）采用货币贫困线进行官方统计，但这种方法无法充分反映贫困的连续性和复杂性。为弥补此不足，研究人员应用Belhadj和Bouanani（2023）提出的模糊集模型，利用秘鲁特鲁希略省2022年全国家庭调查（ENAHO）微观数据，重新评估货币贫困。该研究旨在提供更精细的贫困测量，识别传统方法忽视的中间状态，为公共政策提供依据。论文发表在《AppliedMath》。
在方法上，研究人员选取净收入、食品支出和政府社会转移支付三个指标，每个指标设定下阈值和上阈值，使用非线性隶属函数计算家庭贫困隶属度，并通过加权平均合成个体贫困指数，最后计算地区整体模糊贫困指数。样本来源为2022年ENAHO，覆盖特鲁希略省11个区中的9个（Poroto和Simbal无数据）。
研究结果部分保留小标题：
4.1 隶属函数与各指标贫困水平：通过代入阈值得到各指标的隶属函数，这些函数显示贫困从极端贫困到非贫困的渐进过渡，避免了突然分类。基于此，各指标的贫困家庭百分比如表4所示，其中食品支出指标显示极高比例的极端贫困家庭。
4.2 各地区个体和群体贫困水平计算：利用加权平均合成个体贫困度，并依据INEI类别和四个亚组（严重、中等、中度、轻度贫困）进行分类。结果发现，按INEI分类94.62%为非贫困，而模糊方法中仅22.18%完全无剥夺；49.94%处于轻度贫困。地区上，Florencia de Mora的非贫困家庭比例为0%。
4.3 地区模糊贫困指数计算：通过公式计算各地区指数，省级总体模糊贫困指数为0.42965189。Florencia de Mora指数最高（0.5843），El Porvenir次之（0.5281），Víctor Larco Herrera最低（0.2468）。七个区指数高于省级平均值。
讨论部分总结：研究人员分析了与INEI标准的差异。在阈值上，净收入使用INEI贫困线作为下阈值，最低工资作为上阈值，导致极端贫困率高于官方。食品支出指标揭示各区域普遍存在食品消费不足，即使收入高于最低工资的家庭也可能被归类为食品贫困。社会支持指标评估其提升家庭越过贫困线的效果，发现大量家庭获得的支持不足。地区比较显示，INEI报告六个区无极端贫困，但模糊方法检测出5.09%至13.89%的极端贫困率。模糊贫困分类有助于识别处于风险中的群体，其中严重贫困群体占比在11.06%至36.11%之间。空间分析表明El Porvenir、Florencia de Mora和Laredo是贫困最集中的区域。
结论翻译：本研究将模糊集方法应用于秘鲁特鲁希略省，使用2022年ENAHO微观数据，以连续梯度方式评估货币贫困。核心贡献在于评估三个独立指标：净收入、食品支出和政府社会支持。该方法避免了传统收入聚合方法对剥夺的人为稀释。结果显示，省级极端贫困率为8.22%，而官方统计为0.52%。当计入严重贫困（0.75≤μ<1.00，19.03%），合并贫困发生率达27.25%，超过INEI对拉利伯塔德地区的总体估计（25.95%）。在所有三个指标中，仅3.85%的家庭被视为严格非贫困（μ=0），凸显了广泛的潜在脆弱性。空间分解得出省级总体模糊贫困指数为μ=0.4297，并揭示了显著的省内差异。Florencia de Mora（μ=0.5843）和El Porvenir（μ=0.5281）的贫困水平最高，其中El Porvenir的极端贫困率最高（16.67%）。在11个区中，有7个区的指数高于省级平均水平。此外，尽管官方记录六个区的极端贫困为零，但所提出的模糊模型检测到的极端贫困率范围从Víctor Larco Herrera的5.09%（μ=0.2468）到Florencia de Mora的13.89%。这些发现具有重要政策意义：各区的食品支出高赤字表明仅提高收入不足以解决营养不良问题；公共转移支付受益者持续贫困表明社会支持有效性存在结构性缺口。地区级模糊指数为地方当局提供了高分辨率工具，用于在评估区域中进行有针对性的市政资源分配。局限性包括结果依赖于所选择的阈值（L、U）和等权重聚合假设。未来研究应测试动态或主观贫困线下的指数灵敏度，将框架扩展到纵向数据集以分析贫困流动性，并整合非货币多维指标以支持秘鲁更广泛的区域规划。
