国际减贫动态第四十七期-对多维贫困测量的理解与误解

　　●研究前沿●　

　　摘要：多维贫困测量为我们认识和理解贫困提供了另外一种途径。在最近的研究中，我们尝试用一种更切合实际的方法来识别贫困人群并测量贫困。多维贫困与传统的不考虑维度的贫困测量有很大区别，我们将在文中详细解释两种测量方法识别贫困步骤上的特殊差异。这种方法和传统的一维和多维贫困测量有很大不同（特别是对贫困的定义），我们在文中将详细地解释。本文将详细阐述多维贫困测量的优点、局限和人们对它的误解，以澄清关于这个问题的争议，从而为今后的研究指明方向。具体研究内容包括：首先，介绍一维和多维贫困的测量方法，对测量方法进行直观的描述，介绍双临界值的识别步骤，以帮助研究者识别遭受多重剥夺的贫困人群，另外，介绍传统以FGT为测量指标的加总测量方法；然后，简要地介绍我们所提出方法的五个特点，以及这五个特点容易被忽略或者误解之处；最后对未来研究方向作简要评论。
　　关键词：多维贫困、剥夺、FGT测量、可分解性
　　“测量”或者“指标”的作用在于提取与我们目标紧密相关的信息，然后集中关注它…，制定指标的核心议题与对重要性的系统评估紧密相关。测量必须与评估融为一体，这非易事。”——阿玛蒂亚•森（1989）
　　1. 引言
　　我们如何测量贫困会对我们理解贫困，分析贫困，以及如何制定减贫政策产生重要的影响。正因如此，测量方法有着重要的现实意义。
　　2003年，有两篇重要的文章发表。一篇由弗朗索瓦•布吉尼和萨特亚•查克拉波尔迪（2003）联合发表，提出了一套多维贫困测量方法，将FGT指标进行扩展，并且对不同纬度间的关系进行了讨论。另一篇由A.B.阿特金森（2003）发表，将大量的多维贫困测量的公理性文献与在欧洲学者的测量性文献联系起来，强调测量方法必须要更多地与福利经济学结合。近些年来，关于多维贫困测量的文献在诸多方面纷纷涌现，1997年的《人类发展报告》和2000年1月的《世界发展报告》生动介绍了作为一种多维现象的贫困问题，自2000年以来，千年宣言和千年发展目标都强调了贫困的多重维度。在学术界，不断有人提出新的测量方法，人们对多维贫困测量的兴趣不断增加。
　　当前研究不断推陈出新，非常有必要澄清不同测量方法的应用前景，区分测量方法的误解与局限。本文作为一种多维测量方法在2007年首次提出，随后在国家和国际层面进行推广。Alkire和Foster（2007，2011）的目标是创新一种贫困测量方法，既可以使用独立和定性的数据（比如文化水平和安全感），也可以采用持续和定量的数据（比如收入和消费）。他们的理论目标是要重新检验识别贫困人群的步骤（如谁是穷人？），这将在多重维度下面临更大的挑战。最终的测量方法是在森的启发下形成的，即首先识别谁是穷人，然后加总获得反映穷人所遭受的多重剥夺的总体贫困测量数据。
　　我们的方法或许更应该看作是一个测量多维贫困的总体框架，因为其中许多关键环节都取决于使用者。这些决定包括维度的选择，维度临界值（决定什么情况下一个人在某个维度中是被剥夺），维度权重（表明不同剥夺维度的相对重要性），以及一个贫困临界值（决定当一个人遭受多大程度上剥夺可以足够被认定是穷人）。灵活性更高的多维贫困更适合国家层面的测量，在国家层面，关于维度、临界值、权重等的决定可以满足测量目的，并且体现真正对贫困人群有意义的贫困评价标准。这种方法给出了一个测量总体贫困的方法，反映出贫困的普遍存在和多重剥夺的存在。有用的部分指标可以用于一般测量中，比如，我们最为基本的指标是贫困发生率和贫困强度的两个指标。总体测量可以根据人口和维度（在穷人被识别之后）进行分解，这个方法满足多维贫困测量的一系列基本公理。
　　解释任何一套新方法的附加价值（比如这个方法）都有两方面：一方面，如果这种附加价值被很好地理解，并且误解得到澄清，那么研究者就可以开发补充方法，改进应用，或者解决长期存在的问题来提升新方法的贡献；另一方面，清楚解释方法的潜在应用前景可以让其他研究者用其丰富的实证开发新的工具。
　　本文的结构如下：第二部分介绍贫困测量的一维方法，第三部分介绍多维方法，第四部分描述我们的测量方法以及相关的发现，第五部分讨论我们的方法中容易被忽略或者误解的五个特性，第六部分则是总结。
　　2.一维测量方法
　　阿玛蒂亚•森在他影响深远的1976年发表的论文《贫困：测量的序数方法》中描述了贫困测量必须采用两个主要步骤：
　　（i） 识别总人口中的贫困人口；
　　（ii） 建构贫困的定量测量方法。
　　森的识别和测量步骤成为贫困测量的标准概念框架，我们在对一维和多维方法的讨论中也沿用他的思路。
　　若明确界定一维变量（例如，收入）作为贫困评价基准，那么我们可以采用一维测量方法。这个变量通常被当作基数，然而在某些情况下此变量可能只发挥了序数作用（即，变化的方向可以辨别，而变化的强度无从得知）。一维环境下一般通过设定贫困线作为识别贫困的最低标准，低于此线即被视为贫困。贫困的加总通常是在给定贫困线的前提下通过贫困的计数来决定总体的贫困水平。
　　为方便讨论，我们先以FGT（Foster、Greer和Thorbecke）中的三个一维贫困测量方法为例。以下变量由一个既定分布y（如收入）和一个贫困线z构成，当收入低于贫困线，向量g0用1表示，高于贫困线用0表示；当贫困人口收入为yi时，贫困距g1用标准化贫困距（z-yi）/z表示，高于贫困线的其它人收入均用0表示；贫困距平方g2用[（z-yi）/z]2表示，　　高于贫困线的其他人用0表示。所有这些向量中的非贫困个体都赋值为0。
　　贫困发生率，简单表示为P0=μ（g0）或贫困个数的平均值，它表明了贫困发生的程度；贫困距，用公式P1 =μ（g1） 表示，主要用来衡量整个社会贫困的深度；贫困距平方或FGT分布敏感度，用公式P2 =μ（g2）表示，则是强调贫困人口的生存状况。以上三个测量指标都可以用基数变量，但唯独贫困发生率还可同时用序数变量。这些测量方法符合一系列公理，其中包括贫困人口可分解公理，这一公理将总贫困人群视为总人口中贫困水平的加权平均值。贫困发生率违背了一般单调性公理（即，如果贫困个体所享资源下降，贫困发生率会上升）；贫困距指标虽满足单调性公理，却不符合可转移性公理（即，如果两个贫困程度不同的人相互间转移收入而使收入水平接近，那么贫困率会因此而下降）；而综合的FGT贫困指数既满足单调性公理，也不违背转移公理。
　　一维贫困测量方法只需要一维变量和一个临界值，在如何建构变量方面没有任何假设。可能只有一个变量，譬如收入，我们会把各个方面的收入累加起来；也有可能是总支出，把调查报告中的各项支出相加，当然，这些支出数据也可能取自消费调查，需要应答者回想其消费量及价格。当采用总收入或总支出，对变量及其临界值的解读必然会存在很大差异，前者强调“可能发生的状况”，而后者强调的是“实际状况”（Atkinson，1989）。然而，在加总的基本原则上二者是一致的：将资源的货币价值的加总与货币临界值进行比较。以达到与货币临界值相当的总资源水平（这些方法也可与非综合基数变量（如，受教育年份）、序数变量（如，自评健康状况）、分类变量（如，可饮用水的获取方式）等同时使用，尽管可用的贫困测量方法会因后两个变量而受到限制）。
　　一维测量方法也可用于其它加总变量，具有本质差别的变量不能在同一标准下进行测量，如果不存在本质的差别或常规手段能将其转化成通用变量，而由这些变量组成的综合变量即可使用一维测量方法。其中，一种方法是使用综合指标来聚类几个变量：每个组成变量都与一个因数相乘，然后把相乘结果相加；另一种方法就是使用效用函数以非线性方式聚类各个成分。然而，这种方法也存在一些问题，整个测量都依赖于聚类变量的有效性来描述人群实际占有的资源或取得的成就，以及组成变量间实际上进行的转换，而恰好这方面的证据可能难以获取，无法为加权值及正确函数式的选择提供有效指导。那些组成变量也许只具有序数意义，这就把综合变量的通用形式排除在外了（因为每个基数只容许代表一个序数变量）。抑或是这些组成部分能够很好地再现无法兼容或无法随意替换的不同资源和需要类型。将一维测量方法应用于综合指标，这表明组成变量中差额的存在或大小不会对个体造成特殊影响，换句话说，它不会单独影响一个人的贫富，也不会影响整个贫困水平。基于上述原因，有必要探索其它替代方案以弥补一维测量方法的不足。
　　3. 多维测量方法
　　假如我们现在拥有一个人群内部几个维度状况的相关数据。继Sen（1976）之后，我们仍会问：在这种情况下贫困人群如何识别，整个人群的贫困水平又该如何衡量？
　　如上文所述，如果贫困的基本概念允许我们把不同维度加总为一个综合变量，那么我们就可以使用一维方法。这种方法下，贫困人群可以通过单临界值识别，而整体贫困水平评估则可运用一维测量方法（例如，FGT中的一种方法）。贫困的多重维度融为一维并通过一维视角加以研究。
　　如果加总变量无法有效建构起来而同时存在几个重要的不同维度，那该怎么办呢？这种情况下我们该如何识别贫困人群，衡量贫困程度？Bourguignon 和 Chakravarty（2003） 提议建立“具体维度贫困线”——-就是Alkire和 Foster（2007）曾称之所说的“剥夺临界值”——作为决定谁受剥夺以及哪个维度受到剥夺的基准。他们假定存在识别函数，从而可以确定个体是否被剥夺到贫困的程度，同时，还假设存在贫困测量方法，能够评估整个社会的贫困状况。与一维贫困测量所满足的公理类似，类似的公理保证了加总测量方法能正确反映贫困状况而且可分解到不同群体。这些公理同时也保证了贫困测量方法与识别函数一致。
　　这个领域的许多研究都非常积极地寻找合适的贫困测量方法，而不是寻求识别贫困人口的新方法（Tsui，2002；Chakrvarty和 D’Ambrosio，2006；Chakravarty和Silber，2008；Bossert、Chakravarty和D’Ambrosio，2009；Rippin，2010）。Atkinson（2003）讨论过两个基准识别方法：并集方法和交集方法。使用并集识别时，一个人无论在何种维度只要被剥夺就视为贫困；而若使用交集识别，个体只有在所有维度都被剥夺才被视为贫困。两种方法都很易于理解而且很实用，如，它们都可以使用有序变量。然而，在区分贫困和非贫困人口时，它们却全不起作用。Alkire 和 Seth （2009）最近一项研究采取10个维度识别印度贫困人群，用并集方法识别，贫困人口占总人口97%，而用交集方法识别，贫困人口仅占0.1%，如此大的分布范围在许多研究中都很常见。
　　Bouguignon和 Chakravarty（2003）对识别方法的讨论主要关注识别函数的一般形式而不是具体例子，而且从上下文我们可以清楚地看到不同维度变量间转换。但这又将讨论引到原有的问题上：一个前后连贯的加总变量是否可以由单个维度加总而成。如果正如上文假定的那样，答案是否定的，那么对一个一般识别函数证明其总体需求会有些难度；但如果答案是肯定的，那么我们就有充分的理由来探索一个一维测量方法。
　　本研究遗漏了一个重要部分，即针对那些能够有效指导新的识别技术建构的识别函数（或者更概括的说，整个方法），缺乏对其公理结构充分讨论。实际上，对于开发并集、交集和单一识别方法之外的备选可行性方案，人们没有太关注，这却是Alkire和Foster （2007，2011）研究的主要动机。
　　在介绍我的方法之前，我想先介绍一个同样可用于此条件下的其它可选方案。回想一下上述讨论的多维方法，多维方法主要用一个矩阵建立起来，其中每一行表示与指定个体贫困状况相关的生活水平状况向量，每一列表示给定维度下该人群生活水平向量。此通用结构矩阵允许测量方法利用联合分布中包含的信息（令w，x 和y 为三个随机变量，联合分布以（w，x，y）或更小变量显示人口百分比，w 的边际分布以w或者小于w来显示人口百分比，x 和 y 的边际分布以此类推）。与之相反，我们可以定义一个严格方法，此方法在每个维度都有剥夺临界值而忽略维度间所有交叉信息。对于任意两个边际分布相同的矩阵，边际测量方法都将其归于同一贫困等级。例如，设想这样一个方法，它采用并集来识别贫困人口，并运用某个一维贫困发生率（一个维度一个）的增函数进行加总，最后得出的贫困水平必然会反映社会贫困程度剥夺的广泛性。然而，这种方法无法说明剥夺是否在整个人群中呈正态分布，或者剥夺是否集中于下层社会那些多层剥夺个体身上。我们将在5.1对此展开详细讨论。
　　边际测量方法的实用性在于使用不同来源的数据对贫困的多重维度进行评估测量，这些数据来源可以不同，甚至人口规模也可以不相同。实际上，这种测量方法的使用范围还可以进一步延伸，同一人口中来自不同的组群（如成年人和儿童）所得数据列矩阵也可通过此方法进行测量。Anand和 Sen（1997）提出的人口贫困指数就是边际测量方法的一种延伸形式，因为此方法加总了来自不同人群的维度剥夺指标（即，成年文盲，存活婴儿活到四十岁的可能性，缺少饮用水家庭的百分比，以年龄为权重所测营养不良儿童的百分比）。然而，尽管多维的边际测量方法可以进行贫困评估或进行有效的剥夺加总，但这些方法所依据的数据或来源不明，或不相关，于是仍然无法识别哪些人属于多维贫困，如果有个人或家庭数据，这种测量方法则有明显优势。
　　4. AF 方法
　　本部分将系统论述Alkire 和 Foster 提出的多维方法（2007，2011）。我们使用“双临界值”方法来说明如何识别贫困人群。并构造了贫困测量方法，阐述了如何“深入挖掘”每个方法以深入阐明政策价值。通过分解，也可以全面了解加总的贫困水平。这个方法的优势在于采用了一维贫困测量的方法，但与一维测量也存在一些重要区别，在识别阶段差异尤其显著。下文论述中我们将假定维度的范围已被选定，可用数据矩阵Y（n x d）表示，此矩阵人数为n，维度d≥2。
　　4.1 识别
　　在一维分析中，识别一般是通过使用贫困线或临界值得以实现，那些收入或成就变量低于此线的即被归为贫困人群。然而，在多维测量情况下会有多个变量，识别贫困人群的难度是相当大的。这是我们方法的重要组成部分，却常被研究者所忽略或误解，因此即将介绍的就是双临界值识别方法的基本组成部分。
　　4.1.1 剥夺临界值
　　一个剥夺临界值（一个维度对应一个值）向量 z=（z1，…，zd）主要是用来判定个体是否受到剥夺。如果在一个给定的维度j，个体的成就水平低于所在维度的剥夺临界值zj，那么我们就可以说此个体在这个维度被剥夺了。如果个体不低于该维度的临界值，则他（或她）在那个维度不被剥夺。
　　4.1.2 权重
　　一个权重或剥夺值向量w =（w1，…wd）主要是用来表示不同剥夺维度的相对重要性。如果每个剥夺维度都被视为同等重要，那将回到最简单的状况，所有权重值都是1，最后一直累加所有权重就等于维度个数d。但如果受剥夺维度之间的重要性不同，权重就会有所反映，其初始值可加权到d但不全都是1，而且通常权重越高，表明重要性越大。需要注意的是，在决定剥夺临界值的最小组合以识别贫困人群时，剥夺值会影响识别。通过改变受剥夺维度在整个贫困维度中的重要性大小，受剥夺值的权重也影响最终总体贫困。
　　4.1.3 剥夺次数
　　一个剥夺次数向量c=（c1 …cn），反映的是某个人受剥夺的宽度，第i个人的剥夺次数c1是i个体受剥夺次数（权重相等的情况下）或者是i个体经受的剥夺值总数（通常情况下）。
　　4.1.4 贫困临界值
　　通常用贫困临界值k判定一个人是否被剥夺到可称之为贫困的程度，k满足0＜k≤d。如果第i个人的剥夺次数c1低于贫困临界值k，那么这个人不被视为贫困。但如果个体的剥夺次数等于或超过贫困临界值，他（或她）就属于贫困人群。“双临界值”是指使用剥夺和贫困两个临界值来识别贫困人口1。需要注意的是，当k小于或等于所有维度的最小权重时，我们将采用并集方法；当k=d时，我们将采用交集方法进行测量。剥夺次数与贫困临界值也可用d的百分比来表示。
　　4.1.5 识别函数
　　识别函数是对上述过程结果的总结，在矩阵y中以给定的剥夺临界值z、权重w和贫困临界值k来表明个体是否贫困。如果个体被判定为贫困，识别函数取1；如果判定为非贫困，识别函数取0。
　　我们的识别方法有一个有趣的特征：哪怕在一个或多个有序变量存在的情况下，此方法仍然适用。有序变量的所有基数形式（对变量及其临界值单调变换而得出）对个体是否在此维度受到剥夺及个体是否属于贫困群体都产生相同结论。该方法的潜在应用范围因此也得以扩展，于是那些具有较低计量属性的数据也可用此方法测量。
　　4.2 已删减矩阵
　　对矩阵进行一番删减过后，从识别阶段向加总阶段的过渡也就很容易理解了。矩阵Y显示了n个人d个维度的状况。剥夺矩阵g0用剥夺值wj表示矩阵Y中所有低于各自剥夺临界值zj的值，用0表示所有不低于剥夺临界值的值。同时人们还可以直接看出哪个人在哪个维度被剥夺，以及被剥夺的轻重程度。删减后的剥夺矩阵g0（k）用识别函数与剥夺矩阵中的每一行相乘：如果个体是贫困的，那么包含本人剥夺信息的那一行不会发生变化；但如果个体属于非贫困人群，那么此人的相关信息会被删减，全部用0替代。下面我们可以看一个例子，其中剥夺值是相等的，k=2。

　　原始的成就矩阵显示，有三个人在一个或更多维度受到剥夺（见标有下划线的值）。第一个人（如第一行中显示）没有受到任何剥夺，另外两个人的剥夺维度k大于或等于2，他们被视为贫困人群，因此他们在已删减剥夺矩阵中的值与剥夺矩阵中的值是相同的，第四个人只有一个剥夺维度，因此不属于贫困，而且在已删减剥夺矩阵中此维度数量将被忽略不计。实际上，已删减剥夺矩阵只显示贫困人群的受剥夺维度（此例在不同维度中的剥夺值相同；而通常情况下，可供使用的识别方法还有很多，例如，如果一个维度非常重要，那么其剥夺值的设定常大于或等于k，继而此维度中任何人只要被剥夺就被视为贫困）。
　　如果矩阵Y中的值都发挥着基数作用，那么一个剥夺维度中个体的标准化贫困距可被定义为剥夺临界值与个人成就之间的差额，而且都要除以剥夺临界值。标准化贫困距矩阵g1用各个标准化贫困距与剥夺值相乘后替代矩阵Y中的每个剥夺值；而不低于剥夺临界值的值则用0来表示。标准化贫困距矩阵使得每个人在每个维度的剥夺深度一目了然。贫困距平方矩阵g2用贫困距平方与剥夺值相乘所得结果来替换矩阵Y中的每个剥夺值；而不低于剥夺临界值的值则用0来替换。取标准化贫困距的平方实际上更多强调了较大剥夺的重要性。已删减的标准化贫困距矩阵g1(k)，和已删减的剥夺维度c(k)都是通过与识别函数相乘而得到的，因此这两个矩阵只能显示贫困人群的信息。
　　已删减的标准化贫困距矩阵，K=2

　　已删减的贫困距平方矩阵，K=2

　　删除非贫困人口这一步骤对于我们的方法至关重要，因为删减后的矩阵不仅包含我们的识别步骤，而且是加总阶段将要用到的基本内容。相比之下，原始的剥夺矩阵包含非贫困人群剥夺的相关信息，这有碍于我们对贫困人群进行测量。需要注意的是，有一种情况下此差别不会对我们的测量造成影响：贫困临界值k变得足够小（不大于最小剥夺值），而且我们采用了并集的识别方法。任何个体在任何维度受到剥夺都被视为贫困，删减后的矩阵与原始矩阵完全相同。
　　4.3 加总
　　我们方法中的加总步骤是建立在标准FGT方法之上的，同样，方法本身也产生一组测量参数。每个FGT测量方法都可以看作是一个由原始数据建构并通过贫困线删减的合适向量的平均数，而且各种AF测量方法有着相似的结构。这里我们将重点讨论三个主要方法，它们都与FGT关键测量方法相呼应。
　　4.3.1 调整的贫困发生率
　　调整的贫困发生率表示为M0 =ｕ(g0（k）），或者是已删减剥夺矩阵的平均数。在我们给出的例子中，g0（k）的值的总和为6，而矩阵中总和为16，结果得出的调整贫困发生率为3/8。因为一个完全贫困和完全被剥夺社会的受剥夺维数为16，M0=3/8可被理解为贫困人群中剥夺的实际维度数（6），它是剥夺最大值（16）中的一份。

　　还有一种方式把M0作为所谓“偏指数”来解释——偏指数可提供贫困一个方面的基本信息。第一个偏指数是贫困人口的百分比，或称为多维贫困发生率H；第二个偏指数是平均强度A，贫困维度数被d除后得到每个贫困个体的剥夺份额，然后取所有贫困个体的平均值。不难看出M0=HA，这在我们给出的例子中同样成立（其中，H=1/2，A=3/4）。此分解与表达法与P1=HI有相似之处，后者是一种一维贫困距测量方法，其中H代表一维贫困发生率，I是所谓的收入差距指数，于是，贫困人群的平均贫困深度得以测出。M0还可用于有序数据：一维变量及其临界值的任何单调变换都将得出删减的剥夺矩阵，以及同一水平的M0。
　　4.3.2 调整的贫困距和调整的FGT
　　如果所有变量都发挥基数作用，那么剥夺深度的相关信息可用于建构另外两个贫困测量方法。调整的贫困距方法被定义为M1=μ（g1（k）），或已删减的贫困距矩阵的平均数，而调整的FGT方法被定义为M2=μ（g2（k）），或已删减的贫困距平方矩阵的平均数，二者都可用偏指数来解释。令G表示平均贫困距，以计算贫困个体受剥夺的所有情况的贫困距的平均值（由此可见，这里的已删减贫困距是正数）；同样，令S表示平均贫困距平方，并适用于贫困个体受剥夺的所有情况（于是，这里的已删减贫困距平方也是正数）。G提供了所有贫困和受剥夺状态下平均剥夺深度等相关信息；S对贫困距取平方后，强调了较大差距的重要性。据显示，M1=HAG，M2=HAS，因此二者都是三个直观偏指数的乘积。在我们的例子中，g1（k）中非零值的总数为（0.04+0.42+0.17+0.67+1+1）=3.3，于是，可得M1=μ（g1（k））=3.3/16； 或者，由HA=3/8与G=3.3/6得出M1=HAG=3.3/16。
　　测量方法的这些表达式说明，当我们将测量方法用于那些有时间或空间跨度的数据时，此分析思路很有帮助。举个例子，试想M0会随着时间的推移而增加，那么搞清楚M0的增长主要是因为H在增长（H是总人口中的贫困发生率），还是A在增长（A即，贫困人群的平均贫困程度），这对我们的研究用处很大。类似的分解还可用于M1 和 M2，只是各自都多加了一个因子，对于前者，受剥夺状况的平均深度可能有所增长，对于后者，增长可能是平均贫困距平方。将这三个贫困测量方法与我们的识别方法相结合，M0，M1和M2满足了一系列非常严谨苛刻的公理，反映出M0对剥夺强度或深度的敏感度，M1对剥夺深度的敏感度，以及M2对贫困人群剥夺状态不均分布的敏感度。下文我们将会看到，M0、M1和M2各自都有两种分解形式，这在经验分析中尤其受用。
　　4.4 分解
　　在开发多维测量方法的过程中，我们不想失去一维测量方法多年来一直被广泛使用的那些有效特性。其中最重要的莫过于分解，它假定整体贫困是所有贫困群体的贫困水平的加权平均。这个必要条件对我们分析区域贫困，种族贫困或以其它方式定义的某群体的贫困状况有很大帮助。群体一致性是它的一个特性，即如果一个群体的贫困水平下降，而其它群体保持不变，那么整个贫困水平呈下降趋势。如果此特性不发挥作用，那么在某一群体贫困水平下降时，整个贫困水平会上升，这样一来，战胜贫困的相应政策就很难制定。而传统的FGT测量方法与AF方法同时满足了这两个特性。在后一种情况下，删减矩阵中的每个维度定义的平均值都可以通过人口规模权重在不同群体间进行分解。
　　群体的贫困水平可能低于（或者高于）整个贫困水平，对群体的分解对既定的整体水平有直接影响。实际上，群体的贫困水平除以整体贫困水平，再乘以群体的人口份额，所得结果可视为该群体对整体贫困的贡献。显而易见，群体的贡献值和为1。
　　这些测量方法还有另外一种分解方式——即维度分解，而且只有当删减后的矩阵已定义好，完成识别步骤后，才可使用这种分解方法。对于M0，分解是用每个维度已删减贫困发生率来表示的，即给定维度中既贫困又受剥夺的整个人口所占百分比。维度分解的公式表明，M0相当于贫困发生率的加权平均，维度j则由wj/d 进行加权。一个给定维度对整个贫困的百分比贡献就是它的加权贫困发生率除以整个贫困水平。上述例子中，第一个维度的贫困发生率是1/4， 加权值为1/4，所以第一个维度对整个矫正贫困发生率M0的贡献为1/6=（1/16）/（3/8）。
　　需要强调的是，维度分解只在识别以后才适用。因为我们的识别函数不能被维度分解（研究者必须纵观多个维度来确定贫困人群），识别前，综合贫困水平也不能挨个维度重新加总——除非是并集识别的某些极端情况。这就是我们测量方法的根本特征，它的产生源于我们的多维贫困概念对剥夺的联合分布较为敏感。Chakravarty、Mukherjee 和Renade 曾发表过一篇有趣的文章（1998），他们假定因数分解存在一种更强大的形式，其中每个维度项只取决于所在维度的分布，由此，他们论述了这个特性在实际中如何发挥作用。然而，使用这个强大的分解方法是有代价的：必须使用严格的识别方法，而且识别函数不能受到剥夺的多重性或来自联合分布的其他信息影响。在5.1中我们将进一步讨论这个问题。维度分解可与群体分解共同使用，以更好地理解人口中的贫困模式及其不同来源。Alkire 和Foster（2011） 提供了一个例子，他们先按照种族分解人群，然后按维度分解，结果发现种族对多维贫困的贡献率要远高于收入贫困，紧接着他们又考察了种族如何影响多维贡献率并深究其内在原因。Alkire 和 Seth（2011） 也给出一个例子，他们为一次在全国M0调研“多维贫困指标”提供了两个区域的相关信息。这两个区域的人口数大致相等，M0水平均为0.39，维度分解揭示了剥夺的内在结构在两个区域不同之处（见图1和表1中的10个指标）。在马德亚普拉德，营养剥夺对多维贫困贡献最大，而在刚果，营养剥夺的贡献率要比入学剥夺低得多。尽管由M0测量的整个贫困水平都很相似，维度分解呈现了一个十分不同的贫困内在结构，这又为不同的政策响应提供了建议。

　　图1 两个地区多维贫困比较
　　表1 两个地区多维贫困指数分解

　　5.误解
　　我们的方法并不是多维贫困测量的最终结论，我们希望其研究者在理论和应用上都会有更多的改进。为了更有利于推动这一进展，我们必须尽可能地说清楚我们的方法“是什么”与“不是什么”。一些方面会比较容易被遗忘或者误解，对那些方面再另外强调和澄清一下会很有裨益。接下来，我们将陈述我们方法中以及多维贫困测量整个工作的一些误解。
　　5.1结构：作为多重剥夺的贫困
　　我们的方法是建立在作为多重剥夺的贫困概念的理论基础上。那些受到广泛剥夺的人们被称为贫困人口，而那些只是受到某些维度剥夺的人可能并不是贫困人口。将我们的注意力集中在穷人剥夺的筛查过程，与我们的识别和加总步骤密切联系。我们的方法对于各种剥夺的联合分布很敏感，这一特点是边际方法所缺少的，也是一维测量在应用加总变量时所难以实现的。通过与其他方法对比，就很容易发现，这是我们方法的关键特点。
　　边际方法反映了维度内的人口剥夺，但是没有考察同一个个体在不同维度间的情况，并且不能反映多重剥夺间的联系。考虑如下剥夺矩阵，并且假设贫困是通过k=2的M0下测量的。如果我们利用边际方法，结论会有什么不同？两个矩阵都显示了对于每个维度来说，四分之一的人口是贫困的。然而在矩阵1中，所有维度中都是相同四分之一的人口处于贫困，而在矩阵2中，四分之一在第一个维度中贫乏，四分之一的人在第二个维度中贫困，以此类推，没有人经历着多于一个维度的贫困。我们的方法致力于多重剥夺并且很容易在两种情况中区分。事实上，M0在第一种情况下为1/4，而在第二种情况中为0。边际方法由于其接受的信息的有限形式，即边际分布，这在两个情况中相同，从而无法辨别两种情况的区别。
　　矩阵1

　　矩阵2

　　进一步说明，让我们回想一下，M0的维度分解是指筛查人口比率的加权平均。这里的筛查人口比率指的是在特定维度人口中不仅贫困并且被剥夺的比例。对于矩阵1，每个筛查人数比率是1/4，所以M0即为1/4。在矩阵2中，没有人是贫困的，所以筛查人数比率和M0为0。如果我们利用未经筛查的人口比率（或者在某一维度人口中被剥夺的比例），并且平均化以得到一个边际测量，那会如何？平均数将会评价社会中所有的剥夺，而并不只有那些穷人所感受的剥夺。这并不是上面所提到的第一种情形下的问题，因为所有的剥夺都是由穷人所经历的，并且两种维度的贫困发生率均为1/4。然而在第二种情形下，由于没有人是贫困的，未经筛查的贫困发生率，从而导致边际测量，保持为1/4。筛查人数比例与未经筛查人数比例间的差距随着联合分布，可能会很小（反映出非贫困人口中的很少的剥夺），也可能会很大（呈现出许多剥夺分散在非贫困人口中）。需要进一步解释的是，边际测量不能反映联合分布的变化。
　　一维测量应用于加总变量的含义有很大的不同。这里的核心问题是将所有维度和他们之间的联系打破成为一个单一的维度的加总方法。如果这个加总方法准确地连接了所有相关的资源（或者取值成就），为每个个人得到一个正确的加总综合，从而数据矩阵与加总值从所有重要的方面来说都是等价的，那么多维方法是没有必要的。维度的临界值和剥夺是不相关的，只有联合分布中不重要的差异丢失了是损失的。当其加总是错误的，或者当加总的方法不合适的时候（即两个维度为根本不相称的取值），面临的困难就会更大。如果将各种取值之间的加总作为整个工作的重点，那么这会驱使一个仔细的研究者关注于那些容易加总的维度而忽略剩下的，而不管这些维度与贫困的联系是多么重要。一个更好的替代方法是加总一切可能的维度，然后利用合适的多维方法分析造成不相称取值的原因。
　　当存在问题的变量与能力剥夺相关时，我们的方法显得特别切合。在技术层面，这种情况下的取值成就加总是富有挑战，甚至是不可取的任务，因为在一个维度的取值，例如受过良好的教育，超过临界截取值的部分并不能完美地弥补另一个维度，例如失业的剥夺。每一种能力，也即每一种剥夺，有其独特和内在的价值。同时，当贫困人口描述他们的情况时，正如我们在互动的讨论中反复发现，当穷人描述他们的生活时，他们所讲的故事往往与所受的多维剥夺是相连的。营养不良往往与缺少就业机会同时出现，无法获取水与长期暴力相联系，低公共服务与低收入同时出现。在这些情况下，一些经历和贫困问题本身是多重剥夺的重合，总是同时一起出现。我们的方法可以反映联合分布的弱点以及同时出现的弊端的程度。
　　5.2数据要求：单一调查来源
　　我们的方法要求每个变量的数据来自同一个调查，并且在个人层次上关联（或者家庭层次上），不能采用匿名的或者来自不同调查的来源的数据。在这方面，本测量方法与其他个人和家庭层次的福利和实证分析很相似，特别地，对于在支出调查基础上的传统一维贫困分析，因为显然为了构建家庭的总支出层面，家庭的所有支出都需要。我们将这视为我们方法的一个积极贡献，因为其将需要的数据有效地使用，来理解所评估的现象。
　　对于可以提供研究各维度成就的联合分布的数据迫切需求在2009年“经济表现和社会进步的测量委员会”中得到了强调，该委员会由萨科齐总理成立，斯蒂格利茨、森和罗菲图西主持会议。该研究推崇“调查应该被计为调查与每个息息相关的信息，并且这些信息应该在各种领域的政策设计时使用，”他们详细阐述如下：
　　“[T]生活质量的多维弊端结果远超出他们各自影响之和。发展这些累计影响的测量需要在专项调查中获得一个国家中的每个人生活质量最显著的特点的“联合分布”。这个方向的步骤可以通过在所有调查中包含一些标准的问题，从而以有限特点为基础对接收调查者进行分类。当对某些特定领域制定政策时，反映生活质量不同方面的指标的影响应该被综合考虑，以处理各方面之间的相互作用以及多方面处于劣势的人们的需求”。
　　不论该测量可能采取的方程形式，反映多维贫困人口不利形势联合分布的所有测量都需要来自同一调查的数据。所以在数据方面的投资可以有效刺激其他测量方式的产生。进一步，正如萨科齐委员会所推荐的，这样的数据不仅是贫困测量所需要的，也是生活质量和福利分析所需要的，福利和贫困分析都需要反映个体的经历。
　　尽管我们所有的多维贫困测量需要数据来自同一个调查，从另一个方面来说，他们对数据的要求要低得多。贫困测量的AF技术的一个关键特点，以及下文所讨论的MPI例子所强调的，是其对于贫困人口的基本情况的描述与定性数据相一致。对于有序数据的一个关键要求是，如果临界值和变量经过一个单调的变换，贫困水平必须保持不变，同样一部分人们必须仍然被认定为贫困。这个标准满足双重临界值识别方法和调整后的贫困发生率M0。只要一个有意义的剥夺临界值被确定，M0方法同样可以被用于分类变量或者二分变量，因为这类数据很普遍，而且事实上一些核心数据并不可得。
　　5.3 方法和测量：AF与MPI（以及HDI）的比较
　　我们的方法是多维贫困测量的总体框架，可以用不同方式补充。其维度和临界值可以改变，同样包括权重和贫困临界值也可以灵活设置。这个测量可以在不同的水平上应用，举例来说，一项贫困测量可以在村、州或者国家层面上实行。并且具体的测量选择可以改变：一个机构可能应用基本数据来反映贫困的深度以及低于M1或者M2的贫困人口中的不平等程度。总而言之，我们的方法是一个非常灵活的框架，可以产生许多具体的根据其目标所设计的应用方案。
　　一个运用AF方法的著名例子是Alkire和Santos（2010）最近对发展中国家严重多维贫困的研究。多维贫困指标（MPI）把M0应用于104个发展中国家，使用了10个一系列国际比较数据可以得到的指标。其根据家庭成员的状况来认定他们的贫困。其所应用的临界值与例如MDGs的国际惯例相关。这些指标使用嵌套型的权重，即健康、教育和生活标准等分类分别得到相同部分的总权重，而每一个指标又被平均分配该分类权重。所以，六个生活标准的指标的剥夺值为10/18，而两个健康指标（以及两个教育指标）的剥夺值为10/6。贫困临界值k作为贫困的判断点，即如果一个个体以下任意两个为受到剥夺的，那么他就被认为是贫困的：在两个健康或者两个教育指标中任意一个，或者所有六个生活指标，或者3个生活标准指标和一个健康或者教育指标。注意到MPI是AF方法的一个特殊的应用，应用在跨国调查时，自然地其反映出很多构建国际比较测量时所可见的局限，但它确实创造了国家间有意义的比较。
　　即使在相当有限的数据的情况下，MPI仍然表现了AF方法的操作性。利用MPI的目的并不是为了说明这一系列特定的指标、维度、临界值和权重适用于每一个应用。相反，这是为了充分地应用AF方法于某个特定的问题（在DHS，MICS以及相似数据库基础上的国家间严重贫困的评估）。这一个跨国实际应用的存在有助于地区性，国家性以及机构方法的产生以更好的反映在不同框架下的贫困特质和了解减贫政策。
　　由于AF方法是多维度的，所以它可能会与加总的健康、教育以及生活水平成就的人类发展指标（HDI）相混淆。事实上，这两个测量是完全不相同的，AF方法（以及其特殊实例MPI）这样测量贫困：辨别贫困人群，忽视非贫困人群。与之相反，HDI是一个在三个边际分布基础上的福利指标，其综合了所有人（并不只有贫困人口）的维度总成就，得到一个整体得分。尽管HDI在数据、维度和方法上有局限性，其帮助我们观察到非物质方面的人类成就，并且使我们设想到其他种类的多维测量（例如贫困测量）。
　　5.4 基础：贫困和福利
　　我们的方法植根于贫困测量文献的公理中（Sen，1976），比如，在不平等和福利指标方面有相似性，而后者采用公理来辨别不同的测量。在公理性方法中，通过适用性来判断一个方法是否被接受。当某种方法无法满足某些所期望的性质时，该种方法将受到批判。相应地，对那些非公理性的评论，则被认为是无关紧要的。这种公理性方法为AF方法提供了基本理论结果，并且其文章对于形成和讨论需要满足的公理做出了重要贡献。
　　评估一种测量方法的公理性性质与质疑该种方法的具体应用标准是不同的。例如，我们一致地赞同FGT指标测量贫困距平方，但是却通常在将收入或者消费作为一个变量，或者在确定贫困线，或者决定使用哪种PPP比率上存在争执。在多维情况下，即使是使用AF方法，在剥夺值或者临界值上可能存在争议。对于一系列具体的实施选择的批评可能会随着上述选择产生，但其并不能反映出总体方法的性质，后者更适用于公理性法则。
　　另一种贫困测量的方法是根据贫困与福利概念的关系阐述的。例如，瓦特斯一维贫困测量方法在以下方面与阿特金森其中一个社会福利方程的几何平均相关。所有收入超过贫困线的人们都截取到贫困线水平，从而创造一个截尾分布，应用几何平均至截尾部分来得到一个截尾福利水平。而瓦特斯的测量是贫困线的自然对数值与截尾福利水平的自然对数值之间的差。在评估AF方法与其他多维测量时，可以应用类似的关系。
　　在为福利的贫困测量打基础时，一个难点是福利本身在实际测量中非常具有挑战性。对于所有人来说，一个福利方程必须能够在各个层次的成就上作出有意义的评估。这需要对数据的测量性质和达到任何目的功能形式有很强的假设；并且即使数据可能限制对一些维度分析的可能性（比如在市场中的交易），大部分时候，选择一个福利方程的工作是通过定义描述并且有很多自由度。可能会有多个可以接受的方程，即使只有一个福利方程，我们也必须承认，从福利方程到贫困测量的转换并不唯一。进一步地，如果我们可以确定某一个方程去测量福利，由于每个个体有一个有意义地福利指标，这将更自然地推出一种以福利的贫困测量为总量，福利临界值为目标的一维方法。
　　另外一个工作可能是看贫困测量所带来的权衡取舍是否广泛地与一些社会福利的基本观点相一致。这确实是一个合理的方法，但是在实际操作中往往尊重了一种测量的有利方面而忽略了这点。例如，非常普遍地在传统贫困测量工作中使用的贫困发生率有一个有趣的性质，即一个贫困人口的收入降低（无论降低值是否大）伴随着一个非贫困人口的收入上升（不论这个增加值是否小）会使贫困不会改变。这从福利的角度来看，是非常站不住脚的。相似的，一个贫困人口任何收入的下降（无论降低值是否大）伴随着另一个贫困人口收入的大幅度上升（不论这个增加值是否小），从而使其高于贫困线，都会降低贫困。同时，这与任何合理的截尾贫困线的福利方程的判断相反。但是请注意，这些在福利方面的权衡取舍的事实并没有取消对这一测量的考虑。贫困发生率是非常高的，虽然有些粗略，通过非常严肃的认定过程的测量，然后报告一个有意义的数字：贫困程度。其随着福利的观念不同而变化的事实对于实践者来说变成了第二重要的内容。
　　同样的，贫困距意味着任何两个贫困收入者之间不变的和统一的边际替代率（例如，任何两个贫困人口之间的一个大小相同的边际转移意味着贫困距的不变）。我们可能反而期待一个递进的边际转移会导致一个更低的贫困水平，或者说，为了弥补一个“较富裕的穷人”收入降低1美元所带来的损失，只需要给一个较穷的穷人不到1美元。这样以福利为基础的观点会相反促成分布敏感的贫困指标，比如FGT，瓦特斯或者森指标。但是，忽略分布或者贫困严重性的贫困距，常常被报告地更加频繁。实践者在使用一维测量时所显示出来的偏好证据说明，特定贫困测量方法的简单性或者信息内容常常胜过其他适合的“边际替代率”的性质。
　　一维贫困测量分析的主要优势是跨越人群的。对于多维贫困测量有另一个值得考虑的优势：跨越贫困的不同方面。但是如果没有一个跨维度贫困的加总系统，我们怎么交代贫困人口的受剥夺状况（位于多维例子中）？AF方法采取了最简单的方法：需要对每一种剥夺设定一个正值，然后将这些值相加（或者取平均），从而确定识别过程和调整贫困发生率M0所需剥夺的维度。当变量允许的情况下，另外两个测量指数为剥夺的深度和严重程度。每个剥夺值或者权重赋值含义是直接的。正如下一节所陈述的，这些可以根据贫困测量方法的目的设定许多不同的方式。从一个更加广阔的社会优先次序的观点看，在校准AF方法时所需要的关键系数子集，这些个人自己如何评价这样的贫困的信息可以成为这种综合的一部分。
　　5.5 校准：谁选择参数？
　　我们的方法是测量多维贫困的总框架，即作为开放源技术，可以自由地被使用者转换来最好地拟合测量的内容和评估目的。就如大多数测量任务一样，将由设计者来决定和辩护实施时潜在的具体决定，由该工作的目的所引导和限制。传统的一维测量需要类似的决定。例如，这些变量应该是收入还是支出？贫困临界值应该是多少？稳健性检验对于保证这些所获得的结果并不是过分地依赖与校准选择和允许做出这些选择都非常关键。
　　例如，多维测量可以用来反映能力贫困，在这种情况下，根据Sen（1987，1992），对于相关的方程选择和对于权重、临界值的选择是价值判断的，这样的价值判断程序有很多。经常参与和讨论的过程可以作为选择这些的方式，因为这样做有助于促进意见交换，建立共识并且创造合法性。在其他情况下，这些选择可以通过技术会议决定，并且可以通过其他方式反映参与过程——例如引用近期的参与学术，国家性的计划或者宪章。在任何情况下，Sen强调了需要在媒体和其他场合中详细地交流所选择的参数，那么他们将会在将来的公共讨论和争论中被承认。
　　这些校准选择依赖于测量的目的，比如评估贫困的空间，跨期或者跨人群的比较，或者对特定机构和项目的评估，校准选择同时也会反映数据和资源的约束。
　　由于参数选择的灵活性，AF方法在国家层面上特别有用，测量标准可以在地方上使普遍存在的贫困评估准则变得具体充实。比如说，如果维度、权重和临界值在像宪章这样的法律文件中已经特定，其识别方程可以通过不言自明的方法得到，如墨西哥。权重可以通过一系列过程产生：专家意见，与共识文件例如国家计划合作，或者MDGs。而对于贫困临界值，其在一维空间中与贫困线等价，可以通过反映政策需要和资源来选择。
　　对测量方法进行一系列的稳健性检验以判断从最初一组参数所得到的结果在其他可能的参数值下仍然成立。工具包括正式主导地位排序，可以检验是否一致性对一个或者更多的参数的所有值都成立，或者简单地稳健性检验，即用另一个数字重新检验结果。显然的，当重要的比较对微小的调整更加敏感时，最初参数的选择将更加困难。通过利用稳健性检验，可以清楚看出敏感度。
　　我们认为，允许人们根据一系列过程选择参数为测量提供了灵活性和适应性，他们可以根据机构目的，文化和具体数据环境选择参数。同时，AF方法也是相对明晰的，由公共讨论决定（或者至少是向公共开放）时，这个特性很有帮助。AF方法使用明确的指标，权重和临界值，所以参数选择作为其重要缺点可以被讨论和修正。为了平衡和了解它的灵活性，我们主张使用主要的结果和稳健性、敏感性检验，检验参数选择，关键点的比较是否稳定。
　　6.总结
　　一维贫困测量的文献为更广泛的方法提供了基石。本文首先介绍了多维测量方法是如何建立一维贫困测量，在这些基础之上，并区分与一维贫困的不同，例如，在识别前先确定每个维度的剥夺临界值；然后，介绍了一种特殊的多维贫困测量方法，AF方法介绍了一种双临界值识别方法，并且其加总方法建立在传统FGT方法基础上，其整体测量以及他们的分指数测量是直观的和易于解释的，并且满足一系列令人期待的性质，例如可分解性。尽管AF方法有专门识别和加总结构，它的应用非常灵活：例如维度、临界值和维度等参数可以根据测量的内容和目的而选择。
　　有一个类似M0的贫困测量值可以展现出一个统一并且内部一致的框架。其变化的整体概况是连贯和一致的。理解这种结合，即一个整体指标可以分解为一系列具体指标，这是我们测量方法的关键。
　　同时，我们澄清了AF方法最初可能遇到的五个误解。第一个关于我们在构造我们测量时对于联合分布的基本使用。我们需要一个个体各个方面的基本情况来决定他是否为穷人。联合分布类似地纳入了我们的贫困测量，其每个可以以人群亚组分组或者（在识别后）以维度分解来更高地了解贫困群体的结构。但是要注意到，维度分解产生了维度的分指标（比如截尾的人口比）仍然主要依赖于各维度的成就情况与剥夺，或者联合分布。相反，边际方法开始时先将边际分布集合，然后根据维度分解指标（比如未截尾的贫困发生率）。
　　第二个误解与具体实施和数据来源有关：因为每个变量必须与一个特定的家庭相联系，通常所有变量都来自相同的调查数据。所以我们回应斯蒂格利茨、森和罗菲图西委员会的号召是，希望你们能提供更多的多主题的住户调查数据。值得一提是的，我们的方法可以利用定性或者排序数据，这些数据往往比较容易得到。
　　2010年我们的M0方法被Alkire和Santos（2010）开发成多维贫困指标（MPI），并使用MPI反映了104个发展中国家严重贫困问题的。这项工作反映了这种方法的可操作性，同时也激起了相关研究的兴趣。但这也容易导致陷入第三个误区：特定的MPI维度、指标、临界值和权重是整个方法的一部分，而不是识别一系列可能的校准选择。在严格的数据约束下，国际MPI选择的参数反映了整个发展中国家严重的贫困状况；其他具体事项可以看做一种特定的干预，比如测量国家贫困，目标受益者，或者评估。
　　第四，人们可能认为多维贫困方法并不是建立在一个理论框架基础上的。事实上，有一篇非常成熟的关于贫困测量公理的文献，该文献被引用到在多维环境下的评估预期方法。尽管与福利相联系可以提供一个解释贫困测量有用的方法，要求这样的联系可能会是有害的：其驱使贫困测量成为一个传统福利方程和一维贫困测量的争论，远离生活质量和能力的新方法。多维度福利概念和计量方法在其应用与多维贫困测量前必须更加清晰。同时，与福利相关考虑的公理可以灌输进入贫困方法，而相似的方法如果不能显示出关键的性质，可能会遭到指责。
　　第五，多维贫困测量可以并经常以积极的形式参与和审议关于贫困是什么和当前的首要任务是什么的过程。特别的，因为我们方法中的维度、指标、权重和临界值是灵活的，所以他们可以通过很多方式具体化。通常必须实施稳健性测试来保证参数稳健。
　　“测量不是一项简单的工作”，正如森所说。在本文中，我们阐述了多维贫困方法的优势、缺陷和误解，从而澄清争论，促进进一步的研究。尤其重要的是澄清了什么是多维贫困方法，其所增加的价值在哪里，以及如何证明多维贫困方法被最好地评估。当然，有很多其他与偏好、权重、方程模式、数据来源和统计方法有关的有趣的观点。我们可以预见将来会有更加热烈的观点交流。
资料来源：牛津大学伊丽莎白女皇学院国际发展系牛津贫困与人类发展行动中心（OPHI）。
　　●新书介绍●
《项目评估指南：量化方法与实践》
　　Khandker，Shahidur R.等人撰写了一本关于项目评估的专著《项目评估指南：量化方法与实践》，综述了项目评估的量化方法与模型，详细介绍了评估领域的挑战与目标，其中包括监测与评估，可操作性评估以及将定量分析与定性分析相结合的混合评估方法。主要内容包括：第二章回顾了为实现特定目标而实行的干预性评估的基本问题，它将项目评估与相关概念相区分，例如监测与评价，可操作性评估，定量与定性评估以及事前预测与事后影响等方法；第三章主要研究项目评估的实验设计，探讨了它的优势与劣势；第四章至第七章探讨了各种非实验性的方法，第四章分析了配对方法，其中包括倾向值得分匹配方法；第五章探讨了在特定数据背景下双差分法，这种方式可避免因数据选择倾向而造成的偏差；第六章阐述了工具变量法，可用于自选择假设更加放松的条件；第七章综述了不连续回归方法；第八章更加具体介绍了有关如何衡量项目过程的发散影响，其中包括与四分位回归相关的新技术；第九章着重讨论了程序评估的结构性方法，其中包括可为估算程序的直接与间接影响做基础的经济模型；最后，第十章分析了实验与非实验方法的优势，并且强调了在政策制定过程中项目评估工具的实用性。
资料来源:世界银行网站：http://econ.worldbank.org/external/default/main?pagePK=64165259&piPK=64165421&theSitePK=469382&menuPK=64216926&entityID=000333037_20091210014322
灌溉水再分配的直接经济影响评估：概念及运用
　　Susanne M. Scheierling撰写了一期题目为《灌溉水再分配的直接经济影响评估：概念及运用》研究报告，回顾了包括世界银行参与过的灌溉水资源转移的相关经验。它探讨了评估水资源再分配的直接经济影响的问题，聚焦于在灌溉农业中可预测的直接收益。因为预测了直接收益不是显而易见的，所以需要估算。然而，评估方式的不同也造成了估算结果的不同，甚至当只应用一套方法时，结果也会不同。该文回顾了评估预期直接收益的方法与模型，阐述了不同模型对计算结果的影响。同时得出相应结论以便用于日后的评估工作，其中将发放给农民的补偿金计算在内。在技术层面上，评估扩大灌溉面积的直接收益与预估减少灌溉水利设施造成的直接影响的方法是一致的，这些研究成果可广泛应用于有关水资源分配问题的决策。
资料来源：世界银行网站：http://econ.worldbank.org
　　●政策论坛●
非洲期待在釜山创造新的援助体系
　　釜山高层论坛意味着援助改革的可能，因为在当前这一历史时期，形成一个广泛的、包容的援助框架是可能的。这一论断来自IBON基金国际的主管Tony Tujan。IBON国际是一个致力于能力开发的非政府组织。
　　11月底，国际社会的援助参与方将齐聚韩国釜山，重新审视以往在援助效力方面的承诺，从而为奋力改善援助质量谱写新篇章。
　　在釜山论坛上，与会代表在签署新的协议之前，将首先评估世界上已达成的援助协议、“援助效力巴黎宣言”以及“阿克拉行动议程”的进展情况。
　　为了改善援助质量，并增进援助对发展的影响，2005年签署的“巴黎宣言”提出了目标，并通过建立监测体系来评估项目进展情况和实行问责制。三年后，为了努力加快“宣言”实施的进度，在加纳首都起草了“阿克拉议程”。该议程建议增加发展过程中的国家所有制，倡导更具包容性的伙伴关系和相互影响的可衡量性。
　　“这些行动只是一个开始，而釜山论坛制定的成果文件必须更进一步，以确保援助的可持续性、公正性和包容性”，Tujan说。他还同时管理着“更佳援助”与“援助的现实”两个民间社会平台。
　　他警告道，尽管国际货币基金组织（IMF）把全球经济衰退作为继续进行条件限制的理由，但参与南南发展合作的新兴力量，如中国、印度和巴西，可能不愿延续北部主导的援助架构。
　　Tujan说，随着南南合作的兴起，现在应该为更公平的援助设想一个美好的未来。
　　釜山高层论坛召开在即，Tujan与IPS谈到有关国家援助效力和创建新援助体系的可能性，下文为采访对话。
　　1. 目前关于援助效力的三个主要问题是什么？
　　首先是援助效力的目标需要进一步强化，也就是说政府应重新研究制定明确的政策和规划。一项评估表明，在援助效力方面，发展中国家比捐助方的表现更好。事实上，恰恰是捐助方的前进步伐缓慢无力，没有动力实现自己的承诺和目标。
　　第二个问题是以人权为基础的结果的问题。捐助方和各国政府已接纳了将发展成效作为援助结果，但其中不包含人权的内容。他们将发展成效重新定义为与发展目标相关的一个通用术语，但这些发展目标的诠释都与人们实现自己的权利无关，只是从财务业绩和体制发展方面进行阐述。我们需要一个强有力的结果时间表，但结果应该以人权为基础。重点不是援助项目是如何实施的，更重要的是援助项目的实施明确地为贫困者、边缘人群以及更广泛的民众，在实现他们的人权方面带来了什么改善。
　　第三是关于援助架构的问题。我们需要出台新文件，成立更加公正的新机构，并能够接受共同领导，而不是强加发达国家甚或是20国集团（主要工业化国家和新兴国家集团）的领导。
　　2. 你对釜山高层论坛有什么期望？
　　根据“巴黎宣言”和“阿克拉行动议程”中的承诺的援助效益是不够的，而且不会取得成果。釜山论坛处于重要的历史转折点，更加广泛的发展合作框架是可能的。援助不仅与传统捐助方有关，而且还应包括所谓的“新兴捐助方”，即以各种方式从事南南发展合作的发展中国家。
它　　应该包括整个民间社会及其他个体参与者。在过去的两年中，为了履行加强援助效力的程序，许多国家的政府实际上已与民间社会平台共同探讨该国的发展规划、政策、援助计划等。在印度尼西亚、菲律宾、塞内加尔等国家，民间社会不仅仅起咨询作用，而且还已经成为援助监督体系的成员。
　　3. 我们通过釜山论坛建立新的援助架构的可能性有多大？
　　完整形式的架构？50%的可能吧。它是否会在公正、包容性方面，满足援助架构的整体定义要求，仍需要进一步观察。
　　4. 政治上的挑战是什么？
　　在政治上，你可以设想援助架构落实到具体的国家，如中国，以及77国集团（最大的发展中国家联盟）。如果釜山合约以南南合作为前提，其中中国承诺支持其他国家的援助效力，你觉得这些国家会不接受吗？
　　如果我们在釜山高层论坛上形成这样的成果文件，它会从根本上改变经济合作与发展组织（OECD）的未来，因为现在我们将拥有一个区别于经合组织的灵活的新机构，从而使援助方面的斡旋能以更公平的方式进行。
　　中国和77国集团意识到，经合组织发展援助委员会（DAC）的领导是以这些国家的政治和经济利益为前提的。它们不会将自身的努力成果归功于DAC的领导。
　　在这种情况下，共享发展成果（甚至与DAC）是一个目标。DAC希望中国加入，希望每个人都加入进来，因为他们（DAC）显然已察觉这种情况正在发生，以及将导致什么结果。
　　5. 全球经济衰退是如何影响援助效力的？
　　IMF声称，在经济衰退的背景下，它应被充分赋予权力，以施加限制条件和实施财政紧缩，包括施加处理主权债务、整顿财政政策和金融体系的限制条件。
　　民间社会组织要求我们应该结束政策限制条件，因其不属于信托条件，具有侵入性，经常与人权和主权背道而驰。
如果你有合理的流程和民主协商的契约，就不需要这些限制条件。如果公民不仅参与咨询，而且参与援助方式，有这样的民主程序，那么这些将不成为强加的限制条件。只有到那个时候，我们才可以说，有可能形成机制来减少限制条件的权力，并且能够实现政策改革。
　　IMF的政策以新自由主义的处方为前提的，这就是为什么我们认为应该结束限制条件。我们在阿克拉没有得到机会，可能在釜山我们也无法做到，因为IMF会不惜代价地扼杀这种需求。
资料来源：http://allafrica.com/stories/201110050002.html

 

扫描下载手机客户端