《Journal of Benefit-Cost Analysis》:Real-World Application of Distributional (Utility) Weighting in Benefit–Cost Analysis Using Microdata
编辑推荐:
在收益-成本分析(benefit–cost analysis, BCA)中的效用加权(utility weighting)(有时被误导性地用更宽泛的术语“分布加权(distributional weighting)”指代)迄今为止几乎在所有情况下都是使用收入以
在收益-成本分析(benefit–cost analysis, BCA)中的效用加权(utility weighting)(有时被误导性地用更宽泛的术语“分布加权(distributional weighting)”指代)迄今为止几乎在所有情况下都是使用收入以及成本与收益的分箱(income bins)数据或地理单元(geographic unit)层面的数据进行,权重基于分箱中点或地理单元平均收入计算。这些方法存在若干导致偏误(bias)的缺陷:未考虑税收与转移支付(taxes and transfers)、未考虑家庭构成(household composition)、权重计算不正确,以及未考虑分箱内收入或影响随分布的递增或递减。研究人员通过采用一种近期开发的基于微观数据(microdata)的方法解决了这些缺陷,该方法还允许更广泛的应用。研究人员将该方法应用于实际效用加权。
论文解读:基于微观数据的分布(效用)加权在收益-成本分析中的实际应用
一、研究背景与问题
传统的收益-成本分析(benefit–cost analysis, BCA)以货币衡量政策影响,但根据收入边际效用递减规律,等量货币对低收入者的福利贡献更高,因此未加权BCA会低估低收入群体的福利变化,系统性偏向高收入群体。效用加权(utility weighting)旨在通过赋予不同收入水平个体不同权重来纠正这一偏倚。然而,以往应用几乎全部依赖收入分箱(income bins)或地理单元(geographic unit)数据,例如联邦紧急事务管理局(Federal Emergency Management Agency, FEMA)按州或县加权,或综合评估模型按国家加权。这些方法存在多重缺陷:其一,未将税收和转移支付纳入可支配收入计算;其二,未按家庭构成(household composition)进行等值化调整;其三,以分箱中点或地理单元平均收入计算权重本身有偏;其四,无法处理分箱内收入或影响的非均匀分布;其五,不同受影响人群家庭构成可能不同。这些缺陷导致权重估计偏误,并限制了可应用的政策场景。因此,需要一种基于微观数据(microdata)的方法,能够利用现有数据构造近似代表受影响人群的样本,从而消除上述偏差。
二、研究内容与总体结论
研究人员采用Acland和Raphael(2025)开发的人口加权(population weighting)方法,以美国社区调查(American Community Survey, ACS)5%样本为主要微观数据来源,结合全国幼儿教育调查(National Survey of Early Childhood Education, NSECE)等数据,对儿童与家庭管理局(Administration for Children and Families, ACF)2024年发布的“支持Head Start劳动力与高质量项目”规则进行效用加权分析。该方法通过构造合成人群(synthetic population)和影响代理(impact proxy)来计算人口权重(population weight),即加权总额与未加权总额之比。研究发现,未加权BCA会得出该规则净收益为负(约-5.24亿美元)的结论,但加权后净收益为正(约1.88亿美元),收益-成本比(benefit–cost ratio, BCR)由0.727升至1.193。这表明未加权BCA作为福利衡量指标的偏倚足以导致错误的政策推荐。
三、主要关键技术方法
核心方法包括:使用等弹性效用函数推导个体权重w
i=(y
m/y
i)
ε,并设置权重阈值(下界5、上界1/5);利用NSECE识别Head Start教师特征,按五个与收入相关的协变量的联合分布从ACS中抽取合成人群;采用国会预算办公室(Congressional Budget Office, CBO)平均有效税率作为纳税人影响代理;以工资增幅、休息时间价值、附加福利增量等构成教学人员影响代理;以工资收入乘以专家评定概率作为非教学人员代理;以家庭中Head Start儿童数量作为参与家庭代理;通过蒙特卡洛模拟(三角分布,参数±25%)进行不确定性分析。样本队列来源包括ACS 5%样本、NSECE的教师和家庭调查,以及加州某县专家评估。
四、研究结果
3.1. Taxpayers(纳税人)
由于美国国税局(Internal Revenue Service, IRS)个体税务数据获取受限,研究人员以ACS中所有非集体居住成年人为合成人群,并将CBO按等值收入分位的平均有效税率分配给各家庭,以家庭总税收负担作为影响代理。结果显示纳税人的人口权重为0.509,远低于1,说明联邦税收负担主要由高收入家庭承担,因此该规则的成本对福利的负面影响被显著调低。
3.2. Teaching staff(教学人员)
利用NSECE教师调查中Head Start与非Head Start教师在婚姻状况、教育程度、种族、年龄和是否接受政府援助五个方面存在显著差异的特征,构造联合分布并从ACS儿童保育业教学人员中按比例抽样,得到合成人群。影响代理包括ACF预测的按教育程度区分的平均工资增幅乘以年工作小时、带薪休息时间(按基准工资50%估价并随机分配给80%教师)、附加福利增量,以及针对高生活成本地区教师的生活工资调整(按成本指数选择前15%高成本公共使用微数据区域(Public Use Microdata Areas, PUMAs)地区)。教学人员人口权重为0.828,表明教师家庭收入分布偏向中位数上方,政策收益并非完全集中于低收入者。
3.3. Non-teaching staff(非教学人员)
研究人员借助ChatGPT列出潜在相关职业,并咨询加州某县Head Start管理人员,对职业受影响可能性打分(1-5分)。以工资收入乘以(1-有效边际税率(effective marginal tax rate, EMTR))再乘以受影响概率作为影响代理。非教学人员人口权重为1.078,略高于1,说明该群体收入水平相对较低。
3.4. Participant households(参与儿童家庭)
使用NSECE家庭调查中实际有子女参加Head Start项目的家庭作为受影响人群,代理变量为家庭中参加Head Start的儿童数量(假设每个儿童收益相同)。该群体人口权重为4.173,反映参与者家庭收入较低,政策福利具有较强再分配性。
3.5. Results(结果汇总)
未加权成本经考虑税收返还和超额负担后约为19.13亿美元;教学和非教学人员未加权收益分别为13.45亿和0.443亿美元,未加权净收益约-5.24亿美元。加权后,教学和非教学人员收益分别为11.14亿和0.478亿美元,纳税人加权成本为9.74亿美元,加权净收益约1.88亿美元。未加权BCR为0.727,加权BCR为1.193。
五、敏感性分析
研究发现,收入边际效用弹性ε从1增至2时,加权净收益增大近两倍,但符号不变;权重阈值在合理范围变动也不改变结论。蒙特卡洛模拟显示加权净收益的95%置信区间为1.09亿至2.64亿美元,不包含零,表明结果稳健。需要说明的是,加权与未加权净收益不能直接比较,因为两者度量单位不同,但BCR可比,加权使BCR增加0.466。
六、讨论与总结
讨论部分强调,效用加权虽然增加了分析时间和复杂度,但数据可获取性并不像此前学者担心的那样困难,且所需技能对多数机构是可行的。研究结论翻译如下:研究人员提出并应用了一种基于微观数据计算人口权重的新方法,消除了分箱数据加权中所有已知偏误来源,扩大了效用加权的实际应用范围。在Head Start规则案例中,效用加权使收益-成本比从低于1变为高于1,说明未加权BCA作为社会净福利指标的偏倚足以产生错误的政策建议。研究人员已对七项真实政策、17个受影响人群完成加权分析,并计划撰写操作手册,以便更多分析人员掌握该方法。